随着我国电力现货市场建设进程的加快,占比快速提高的以风电为代表的新能源参与现货市场竞争是大势所趋。但风电由于出力不确定性和波动性导致市场竞争力较弱,而多个风电场的集群互补效应及风电与具有灵活调节能力的抽水蓄能电站联合能减少风电实时出力偏差,减少其实时平衡成本。因此,针对多风场与抽水蓄

首页 > 储能 > 储能应用 > 发电侧 > 市场 > 正文

现货市场环境下风电与储能如何联合参与市场并合理分配收益?

2019-10-24 10:28 来源: 电网技术 

随着我国电力现货市场建设进程的加快,占比快速提高的以风电为代表的新能源参与现货市场竞争是大势所趋。但风电由于出力不确定性和波动性导致市场竞争力较弱,而多个风电场的集群互补效应及风电与具有灵活调节能力的抽水蓄能电站联合能减少风电实时出力偏差,减少其实时平衡成本。因此,针对多风场与抽水蓄能电站联合参与现货市场的日前竞标策略及由此带来的收益合理分配问题开展研究。采取多风电与抽水蓄能电站联合参与日前和实时平衡市场的市场模式,着重考虑风电实时出力不确定性的平衡成本,提出兼顾实时平衡收益风险的多风电与储能联盟的日前最优竞标策略;对联合后获得的收益,分别利用合作博弈论中的Shapley值和核仁解给出风电场与抽水蓄能电站间以及多风电场间的收益分配方法。最后,通过算例分析验证所提联合运行策略的优越性以及收益分配模型的合理性。

基于合作博弈论的风储联合参与现货市场优化运行策略

武昭原1, 周明1, 姚尚润1, 李庚银1, 张岩2, 刘晓娟3

1.新能源电力系统国家重点实验室(华北电力大学),北京市 昌平区 102206

2.国网北京市电力公司 电力科学研究院,北京市 丰台区 100075

3.国网北京市电力公司,北京市 西城区 100031

0 引言

为了应对化石能源的枯竭以及温室效应的加剧,以风电为代表的新能源在我国得到迅速发展[1]。这类波动性电源出力的不确定性和弱调控能力,高比例接入需要电力系统提供更多的灵活性调节服务。为了充分调动“源-网-荷-储”多环节的调节能力,合理体现其服务价值,利用好市场优化配置资源的功效是一个有效的解决方案。为此,我国从2018年起快速推动电力现货市场的运行[2]。在此环境下,风电运行从保护性的全额上网转换为与常规电源一样参与市场竞争将成为趋势[3]。相比于其他市场主体,风电等新能源由于自身出力的不确定性及波动性,实时运行时容易出现偏差,导致较大的实时平衡成本,可能削弱风电在现货市场中的竞争力,不利于风电充分消纳。因此,研究风电参与现货市场的运营模式对我国新能源发展以及现货市场建设有重要意义。

日前市场和实时平衡市场是电力现货市场的主要组成部分[4],其中日前市场是主要的功率交易平台,实时平衡市场旨在根据最新的负荷和电源变化对日前交易计划进行适量调整。风电商根据其次日出力预测,参与日前市场竞争是主要的获益方式。由于风电边际成本低,为了避免弃风,风电商可以报零价以确保中标。风电商日前中标的电量在实时运行时由于其出力的不确定性(日前预测误差),在实时平衡市场中会面临不平衡惩罚。因此,寻求降低实时出力不确定性的运行模式是风电商参与现货市场的关键。风电商减少实时不平衡主要有两种途径,一是尽可能提升自身出力预测精度,减少实时出力偏差;二是联合储能等具有灵活调节能力的市场主体协同降低实时出力与日前值的偏差。针对途径一有研究指出风电场的集群效应可以显著降低整体出力的不确定性和波动性[5],即多个风电场联合参与现货市场,利用多风场的时空互补平滑效应减少整体出力预测误差,联合参与现货市场。针对途径二,储能系统由于其灵活调节特性,与风电场联合不仅可以最大限度弥补风电场的实时出力偏差,还可以将多余的电能存储后套利出售,实现储能商业价值最大化。这其中以技术相对成熟、成本较低且能实现大规模存储的抽水蓄能电站与风电的联合最有代表性[6]。可见多风场、风-储构建有效联盟参与现货市场运行,不仅可以实现联盟收益最大化,为风电和储能参与现货市场提供有效解决方案;对整个市场运营来讲,也有利于减少系统平衡成本,提升系统消纳新能源能力以及运行经济性,为此,本文研究多风场与抽水储能联合优化运营策略,具体包括确定联盟参与日前市场的竞标策略,以及联盟收益的合理分配方式。其中,制定联盟日前竞标策略时如何充分考虑风电实时出力不确定性及由此带来的平衡成本及收益风险是关键。

近年来,国内外已有针对风电场参与现货市场的竞价策略的研究[7-10]。文献[7]将风电视为市场价格接受者,以不平衡电量最小为目标建立了风电商竞价随机优化模型。文献[8-10]分别考虑了风电商在日前或平衡市场拥有市场力的竞价策略并将市场风险考虑在内。针对风电场与其他市场主体联合优化运行的研究包括风电与火电机组联合报价[11],风电场之间的联合[12],风电与储能[13],风电和需求响应资源联合报价[14-15]等。文献[16]兼顾系统运行经济性与可靠性,提出了基于成本效益分析的考虑风蓄联合运行的机组组合模型。文献[17]以电网弃风最小为目标,建立了风电和抽水蓄能协调运行模型。上述研究大多聚焦于多个主体联合后对系统整体运行的改善,或是储能等灵活性资源对风电出力的调节作用,未细致考虑日前和实时平衡市场的耦合关系、特别是风电出力不确定性在实时平衡市场上平衡成本及收益风险对日前优化策略的影响。

在联盟收益分配方面,有研究利用合作博弈论研究收益或成本在多个参与者间的分配问题[18-20]。文献[18]利用合作博弈论对因风电出力不确定性所增加的备用成本进行合理分摊。文献[19]基于合作博弈论设计了发电权置换交易模式,并比较了不同收益分配方式结果。文献[20]利用核仁解对输配电固定成本分摊问题进行了研究。这些研究是针对固定成本或确定性的收益进行分摊,而风储多主体联合参与现货市场的运行收益是随其参与市场组合方式及实时出力波动而变化的,因此,有必要针对多风电商与储能联盟的收益分配问题开展研究。

基于我国正在试行的现货市场模式,本文针对多风电和抽水蓄能电站联合参与现货市场的日前竞标策略及收益分配展开研究。首先给出多风电与抽水蓄能电站联合参与现货市场模式,针对多风电场和抽蓄电站组成的联盟,考虑到实时平衡市场与日前市场的耦合关系,特别是风电实时出力不确定性在实时平衡市场中的不平衡成本及收益风险对日前竞标策略的影响,在制定联盟日前竞标策略时兼顾可能的实时平衡运行方式,建立两阶段随机优化模型,以联盟市场收益最大化为目标,并将实时不平衡结算费用引入日前优化决策目标中。利用条件风险价值(conditional value at risk,CVaR)度量由于风电出力不确定性导致的不平衡结算费用给联盟整体收益带来的风险。随后,考虑到多风电联合参与现货市场这一合作博弈问题本身的非凸性,分别利用Shapley值和核仁解给出了多风电场间以及风电场与抽水蓄能电站间的收益分配方法;最后,通过算例分析验证了所提联合运行策略的优越性以及收益分配模型的合理性。

1 多风电-抽水蓄能联合模式及两阶段模型设计

研究考虑日前和实时平衡两个市场,所设计的多风电-抽水蓄能电站联合参与现货市场的运营模式如图1所示。多风电商和抽水蓄能电站组成的联盟依据对未来风电出力及电价的预测情况并结合抽蓄电站运行特性在日前市场提交申报功率曲线,这一申报曲线的形成实际是站在日前的时间节点上,将未来可能的风电实际出力场景以及对应场景下抽蓄电站的调节作用考虑在内,即在日前竞标决策中考虑了日前市场和实时平衡市场间的耦合关系。认为在运行日各时段平衡市场启动后,联盟需要根据最新的风电出力及电价情况,调整抽蓄电站的运行方式以谋求收益最大化,并在事后接受最终出力与日前竞标量间偏差的不平衡结算。对于联盟产生的收益,给出合理的分配方案。

1.png

图1 风-蓄联合参与现货市场运营模式Fig. 1 Wind-storage joint operation mode in spot market

1.1 风电商间的联合竞标分析

在日前市场中,若多个风电场形成一个联盟,不只可以利用多风场资源上的互补性,联合上报预测信息还可有效减少整体风电出力的不确定性,进而提升各主体在现货市场中的收益。

风电出力不确定性可以通过其预测误差来表示,不失一般性,认为预测误差服从正态分布[21]。多风电场的出力存在一定的相关性,可由历史数据统计得到的相关系数矩阵表示。由统计学知识可知,考虑风场相关性的两风电场联合出力预测标准差如下式:

2.png

式中:σx、σy分别为风电场x、y出力预测误差的标准差;ρxy为风电出力相关系数。

因为ρ≤≤1,由式(1)可知多个风电场联合出力所对应的标准差小于等于多个风场预测误差的标准差之和,这表明多风场间互补平滑效应能减少整体出力预测误差,降低联合出力的不确定性。因此,风电商联合参与市场竞争可使实时出力偏差减小,能获得更高的收益。这其中的关键问题在于考虑风电商出力的互补特性选择合理的联合竞标方式,并确定适合的收益分配方式,以保证联盟的稳定性。

1.2 风电与抽蓄电站间的联合分析

抽蓄电站与风电场联合参与现货市场,抽蓄电站的灵活调节能力能够有效减少风电实时运行时的出力偏差,进而减少不平衡结算费用,提高整体参与市场的收益。例如,当风电实时运行超发时(即该时段的实际出力大于日前市场中标功率),抽蓄电站可以将多余电能储存起来,一方面避免风电商因偏差导致的不平衡结算费用,另一方面还可以在风电商欠发时,起一个补充作用。除此之外,由于风电出力的反调峰特性,电价较高时,风电机组往往出力相对较低,抽水蓄能电站的加入在一定程度能够改善风电出力的反调峰特性,将负荷低谷所发的电能转移到负荷高峰出售,也就是说抽蓄与风电商的联合能够充分利用其双向调节能力,最大化套利收益。

基于以上分析,多风电与抽水蓄能电站联合的日前市场优化运行策略需要解决两个关键问题:一是如何充分利用各主体间的互补特性确定最优的联合竞标策略;二是如何描述风电实时出力不确定性在实时平衡市场面临的平衡风险对联盟运行收益的影响。为此本文采取Look ahead的思想设计两阶段的随机优化模型,如图2所示。第一阶段针对日前市场考虑次日多风电预测出力及其相关性,确定日前联合优化竞标策略。针对风电实时出力不确定性,采用多场景描述,并且依据风电及电价实时的可能情况确定抽水蓄能电站的最优运行模式,以最小化不平衡成本,这是第二阶段的问题,并且将其嵌入日前优化模型中。这个两阶段模型旨在日前制定联盟优化竞标策略时,充分展望实时运行时可能出现的不确定性风险,并且同时给出风储优化运行策略。

2.png

图2 二阶段随机优化模型Fig. 2 Two-stage stochastic optimization model

2 多风电及抽水蓄能两阶段联合优化模型

为了便于对所提模型理解的准确性,先给出模型相关的考虑及假设:

1)风电实时出力的不确定性在日前预测数据的基础上通过一系列场景进行表征[21]。

2)考虑到我国电力现货市场尚在启动阶段,各主体的市场意识尚不成熟。平衡市场中的结算方法采用二价法。二价法指的是对正负不平衡电量均采用惩罚性价格结算[22],二价法对市场主体激励性更强,且不存在套利空间,有利于现货市场初期各主体市场意识的培养[23]。这一不平衡定价模式与我国之前大部分省份针对中长期电量交易偏差所采用双向惩罚机制一致,有利于我国由中长期电量市场向现货市场平稳过渡。

3)当前风电在系统中占比仍然较低,本文认为风电商在现货市场中作为价格接受者,即认为风电出力对日前及平衡市场价格不产生影响。同时考虑到平衡市场价格波动性较大且难以预测,不平衡结算电价的不确定性通过服从正态分布的随机变量生成对应的价格场景来表征,并且同时满足如下条件:

3.png

式中:φdown、φup为正负不平衡电量对应的惩罚系数;λD t、λdownωt、λupωt分别为日前市场出清电价以及平衡市场中正负不平衡电量的结算价格。

4)风电商及抽水蓄能机组提交的竞价中包含各时段的出力值及对应价格,为避免弃风,保证联盟所提交申报曲线中标,各时段报价均为0。

5)针对风电出力及市场电价不确定性导致的风险,考虑风电商的风险偏好,用风险偏好系数β衡量风电商在市场中的总收益与考虑不平衡结算后收益变动风险价值之间的关系,风电商单独参与市场与联盟参与市场对应的风险偏好系数应相同。

6)所提的联合优化模型旨在考虑日前和实时平衡市场间的耦合关系,利用多风电场和抽蓄机组的互补特性最大化联盟收益。考虑到目前风电商、抽蓄电站在整体市场中占比相对较小,因此在文中假定为价格接受者,即他们联合竞标行为不会对市场出清电价产生影响,这样为了模型的简练,忽略了网络约束。

基于以上假设,建立考虑条件价值风险的两阶段多风电场与抽水蓄能电站联合竞标随机优化 模型。

2.1 目标函数

目标函数包含3部分:

4.png

式中:第一部分为联盟在日前市场中的收益RDA;第二部分为考虑实时出力波动在平衡市场中的预期收益RB,包括不平衡结算收益并需要扣减对应抽水蓄能机组运行模式的启停成本;第三部分为条件风险价值CVaR和风险偏好系数β的乘积。式中用XCVaR表示CVaR;风险偏好系数β表示联盟对风险的偏好程度。当β>0时,联盟为风险厌恶者,对应收益稳定性至上的态度,此时联盟采用较为保守的竞标策略,尽可能利用抽水蓄能机组使实时出力偏差最小;β=0时,联盟为风险中立者,即仅以预期收益最大为目标,此时联盟最大化利用抽水蓄能调节能力在现货市场采用较为激进的竞标策略。考虑到在目标函数中考虑CVaR本身即为一种风险规避的竞标策略,因而本文未考虑β<0的情况。

其中日前市场中的收益RDA如下式所示:

式中:λDt为日前市场t时刻的出清电价;PDpst、PDwpct分别表示t时刻抽蓄电站以及多个风电场在日前市场的申报功率。

平衡市场预期收益RB如下:

(7)

式中:前两项对应联盟不平衡结算收益;πω为包含风电出力及价格的场景ω概率;Pdownωt、Pupωt为场景ω下的正负不平衡功率;后两项对应抽蓄机组的启停成本;nsuωt、nsdωt分别为t时刻场景ω下抽蓄电站启停的机组数目;csu、csd为单个抽蓄机组启停成本。

2.2 约束条件

2.2.1 功率平衡约束

7.png

式中:Pwpcωt为多个风电场在场景ω下的实际出力;dpsωt、gpsωt分别表示抽蓄机组的抽水及发电的出力值;yωt为表示不平衡功率状态的二进制变量;M1和M2为足够大的正数。其中式(9)(10)借助二进制变量表征系统不平衡状态,描述了正负不平衡功率。通过目标函数(7)以及约束(8)—(10),联盟在日前市场的竞标策略中将日前市场与实时平衡市场间的耦合关系考虑了在内。

2.2.2 风电及抽水蓄能机组的约束

1)风电出力约束。

8.png

式中:γ为抽蓄机组运行效率;vhωt、vlωt为抽蓄电站上下水池蓄水量;vh min,vh max、vl min、vl max为抽蓄电站上下蓄水池的容量限制参数。

3)抽蓄电站抽放电约束。

9.png

式中:dps min、dps max、gps max分别表示抽蓄机组的抽水及发电的出力及限值;N、nωt分别为抽蓄电站中总机组数目及运行在抽水状态的机组数目,其中互补性约束(20)保证抽蓄机组同一时刻只能有一个工作状态。

2.2.3 CVaR相关约束

文中条件风险价值CVaR用来度量由于电价不确定性以及风电出力不确定性导致总收益变动的风险。对于一个离散的收益分布来说,当置信水平为α时,CVaR对应小概率(1-α)场景集合的期望收益,CVaR及其相关约束可表示为[24]:

10.png

式中:ξ为风险价值(value at risk,VaR);ηω为场景ω下收益与风险价值的差额。

综上,目标函数(5)和约束(9)—(23)即为考虑条件价值风险的两阶段多风电场与抽水蓄能电站联合竞标随机优化模型,模型求解方法见3.4节。

3 基于合作博弈论的收益分配模型

本文的收益分配问题是指联盟整体参与现货市场所得收益在多个风电场和抽水蓄能电站之间的分配。

合作博弈论为解决多个参与者之间的利润分配问题提供了很好的解决思路[25]。不同于非合作博弈论,合作博弈论更多的强调整体理性,强调公平和效率,这点恰恰是电力市场运行的目的所在。合作博弈论更能从市场经济的角度度量各参与者对联盟整体的贡献程度,促使多个参与者之间有效合作,特别是针对我国正处于现货市场建设初期,公平的收益分配模式有利于市场的稳定运行、市场主体竞争意识的培养以及所组成联盟的稳定。

3.1 收益分配方式的选择

基于合作博弈的分配方法有核心、核仁、稳定集、谈判集、Shapley值等。基于Shapley值的收益分配方式根据各盟员对联盟的边际贡献分配收益,可以很好的体现各盟员对联盟参与电力现货市场收益的贡献程度,过程清晰,易于理解,因此优先考虑利用Shapley值对收益在联盟中进行分配。

但基于Shapley值的分配方式仅限于对凸博弈使用,否则将无法保证联盟稳定性[26]。针对收益在风电商及抽水蓄能电站间的分配问题时,可将所有风电商视为一个整体,则此时联盟中只有两个成员,显然满足凸博弈所需的联盟报酬递增条件。而针对收益在多风电商间的分配问题时,若联盟中已存在与某个风电场i出力完全正相关的风电场,则该风电场i的加入可能难以满足联盟报酬递增,此时合作博弈为非凸博弈,不能用Shapley值解决[26]。

考虑到合作博弈论中的核仁解具有必定存在且唯一性,基于核仁解的分配思想是寻找一个可以使所有联盟成员满意度最高的方式,此时的收益分配方式x*即为合作博弈的核仁。设大联盟N参与现货市场竞标,S为大联盟N的任一子集,则S对大联盟N获得预期收益的分配方式x的满意度可由过度e(S,x)衡量,如下式所示:

e(S,x)=V(S)−x(S)(24)

式中:V(S)为若联盟S参与现货市场可获得的预期收益,可理解为联盟S自身在现货市场取得收益的能力;x(S)为S中各成员实际可分得的收益之和。

由式(24)可知,过度e(S,x)为联盟S联合参与现货市场的收益与联盟中各主体分得的收益的差值,可表征联盟S对收益分配方式x的满意度。过度e(S,x)越小,则说明联盟S对分配方式x的满意度越高。而合作博弈的核仁解即为满意度最高的分配方式,该分配方式x*使所有联盟组合中最不满意的联盟不满意程度最小化[27]。核仁解对应的分配方式为联盟满意度最高的方式,也能较为合理公平地解决收益分配问题,因此当Shapley值不适用的情况,可利用核仁解的方式对收益进行分配。

因此,本文将收益分配问题分为2部分:首先将总收益在抽水蓄能电站和风电商整体间基于Shapley值进行分配,之后再将风电商整体分得的收益利用核仁解在各个风电场之间进行分配。

3.2 风电商和抽水蓄能电站间的收益分配

风电商和抽蓄之间的收益分配采用基于Shapley值的分配方法,如下:

式中:S表示大联盟N下的子联盟;s为联盟S的成员数;n为联盟中的成员数。

首先需要利用前述所提的二阶段随机优化模型分别求出抽水蓄能电站单独参与现货市场所得预期收益Rps、只有风电商联合参与现货市场所得预期收益Rwc(上述联合竞标模型中去掉抽蓄/风电相关约束及变量即可得到风电/抽蓄单独参与市场竞标策略模型)以及多个风电商和抽水蓄能电站联合参与现货所得预期收益Rwps,由下两式可知具体收益分配为

式中Xwc、Xps分别为风电商整体和抽水蓄能电站所分得的收益。

3.3 风电商间的收益分配

多风电商间收益分配采用基于核仁解的分配方法。根据上面介绍,基于核仁解的收益分配问题可转化为如下的优化模型[28]。

13.png

式中:V(i)对应风电商i单独参与现货市场所得的收益;配置向量x即为满足核仁解的收益配置方式。

3.4 模型求解

综上,本文所提的多风电及抽水蓄能电站日前优化决策模型及对应的收益分配方法计算流程如图3所示,整体包括3步:场景生成、日前竞标策略形成及预期收益计算、收益分配。

img_3.png

图3 所提模型的计算流程图Fig. 3 Calculation flowt of the proposed model

模型求解时,需要依次求解N个风电场组成的2N-1个子联盟参与现货市场所得的预期收益、以及N个风电场与抽水蓄能机组联合参与现货市场所得的预期收益,并在此基础上分别基于Shapley值和核仁解分配收益,其中收益分配问题均为线性问题。分析由目标函数(5)和约束(9)—(23)组成的二阶段随机优化模型可知,抽水蓄能机组互补性约束式(20)为非线性项,可用Fortuny-Amat-McCarl线性化方法转化为如下形式[29]:

14.png

式中:ψωt是为了将互补性约束线性化引入的二进制变量,表征抽蓄机组工作状态;M3为足够大正数。

这样本文所提的多风电场和抽水蓄能电站联合竞标策略模型转化为混合整数线性规划模型,基于核仁解的收益分配问题为线性规划问题,均可用现有的商业软件进行快速求解。本文通过MATLAB调用CPLEX对所建立的模型进行求解。

4 算例分析

4.1 算例设置

算例中联盟包含3个风电商,1个抽水蓄能电站。抽水蓄能电站的运行参数如表1所示,3个风电商预测精度分别设为5%、10%、15%,装机容量均为100 MW。对于风电出力不确定性建模,以西北某区域3个风电场实际出力等比例调整后作为风电预测值,基于该预测方法的统计误差通过蒙特卡洛抽样对各子联盟均生成500个风电出力场景。日前市场价格采自PJM电力市场,平衡市场价格惩罚系数φdown、φup取0.8、1.2,生成20个价格场景,则风电出力及平衡市场价格共104个场景,利用场景缩减方法将场景缩减至10个,具体实现方法见前序工作[30]。

img_4.png表1 抽水蓄能机组参数Tab. 1 Pumped-storage acteristics

一般来说,风电场间的出力相关性由风电出力历史数据统计而得的相关系数矩阵表示,由于该部分并非本文关注重点,除特殊说明外,风电场间出力相关系数取0.1。CVaR的置信水平α=0.95,风险偏好系数取为1。

4.2 算例结果及分析

求解得到各市场主体对应的最优竞标策略如图4所示,其中风电商合成申报曲线由各风电商单

独参与市场的申报曲线加和所得。

由图4抽水蓄能电站单独参与现货市场的申报曲线(灰色曲线)可以明显看出,在负荷低谷电价较低时,抽蓄电站适当买入部分电量储存,并在下午用电高峰期时段卖出,通过套利模式在现货市场获得收益。

img_5.png

图4 各市场主体最优竞标策略Fig. 4 Optimal offering strategies of market agents

对比曲线2、3可见,抽水蓄能电站加入后,原有的风电商联盟在负荷高峰时段申报功率提高,而在负荷低谷时段申报功率降低,即联盟将电价较低时的一部分电能转移到高电价时期出售,也就是抽水蓄能电站的加入在一定程度改善了风电商反调峰特性,进而使联盟在现货市场获得更多收益。

图4中风电商单独竞标得到的合成申报曲线略低于风电商联合申报曲线,这主要是因为风电商单独参与电力现货市场时,由于事后的不平衡结算的影响,出于风险规避的考虑,各风电商竞标趋于保守。而风电商联合竞标后,由于风电场间出力相关系数较小,各风电商实际出力偏差可在一定程度上正负相抵,因而申报曲线相对较高,对应的市场预期收益也较高。

为验证所提的联合竞标模型能否有效将日前和平衡市场的耦合关系考虑在内,图5给出了未考虑日前和平衡市场耦合关系、以及考虑耦合关系且在不同平衡市场价格惩罚系数下的竞标策略及其预期收益(其中日前收益和总预期收益数值相对较大,因此在图中的单位为10$)。

img_6.png

图5 不同惩罚系数下联盟竞标策略及预期市场收益Fig. 5 Offering strategies and expected market revenue of coalition under different penalty coefficient

image 6 of 10

previousnextclose

对比不同价格惩罚系数下的日总竞标功率可以看出,若不考虑日前与实时的耦合,则联盟只根据风电出力和电价预测进行投标,不同价格惩罚系数下竞标功率相同;而本文所提的模型可以很好地将实时可能的不平衡结算情况考虑在内,做出更优的日前竞标策略,能获得更高的预期市场收益。例如当欠发/超发价格惩罚系数为1.2、0.95时,此时平衡市场上调电量价格较高,即对欠发的惩罚较为严苛,所提模型考虑了这一情况,在日前竞标时较为保守以尽可能避免实时出现欠发情况,在图上也可以明显看出,此时对应的平衡市场上调预期负收益也相对较低。若不考虑日前与实时耦合,则无法根据实际的平衡结算规则调整日前竞标策略,可能需要支付较高的上调费用,进而使预期的市场总收益下降。

img_7.png

表2 不同联盟情况下预期收益情况Tab. 2 Expected revenue in different coalitions

4.2.1 风电预测精度及出力相关系数对收益分配的影响

1)风电预测精度对收益的影响。

对比分析表2中各风电商参与联盟后分得的收益和单独参与现货市场的收益可知。各风电场参与联盟后,收益均有明显提升,但提升的比例各有不同,依次为10.2%、5.31%、4.61%,这主要是因为各风电场本身预测精度的不同。不同的预测精度对应了各风电场单独参与现货时不同的收益情况,进而导致了参与联盟后所分收益的差异。表2中收益分配的结果也证明了本文所提收益分配模型的合理性,也反映出现货市场环境下,风电等新能源主体归根到底要从提升自身发电预测能力出发,增强市场竞争力。

2)风电场间出力相关系数对收益的影响。

风电场间出力相关系数度量了各风电场出力的相关程度,为研究风电出力相关系数对各风电商收益的影响,图6给出了不同出力相关系数下,风电商加入联盟后收益增长率的变化情况。

img_8.png

图6 不同出力相关系数下风电商收益变化情况Fig. 6 Revenue change of wind producers under different coefficients

由图6结果可以明显看出,随着风电场间出力相关系数的增加,各风电场联盟后的收益变化率均有所下降。这主要是由于较高的风电出力相关系数意味着风电场间的空间集群效应减弱,即联合出力对应的预测误差变高,因而风电商联盟后的收益增加减少,最终各风电场分得的收益也减少了。

横向对比各风电场的收益变化情况可以发现,随着出力相关系数的提高,风电场1收益增长率下降的幅度最大。这主要是因为出力相关系数提高导致风电商通过联盟参与现货市场获得的超额收益变少,在此基础上,收益的分配势必会对之前收益增长率最高的风电场1产生较大的影响。除此之外,在出力相关系数较大时,风电场2联盟后的收益增长率低于风电场3,这是因为风电场3单独参与现货市场时收益相对较低,因而即使最终分配的收益较少,收益增长率也可能较高。

4.2.2 风险偏好系数对运行策略的影响

为比较不同风险偏好系数的设置对联盟运行策略及收益的影响,图7给出了不同风险偏好系数下联盟整体预期收益及CVaR有效前沿。

img_9.png

图7 CVaR及联盟预期收益的有效前沿Fig. 7 Efficient frontier of CVaR vs expected revenue

可以看出,随着风险偏好系数的增加,联盟预期总收益逐渐较少,CVaR逐渐增加,且当风险偏好系数较小时,联盟预期总收益随CVaR的增加减少缓慢;但当风险偏好系数较大时,CVaR即使增加较小的数值仍会使联盟预期总收益大幅下降。

考虑到本文所提模型中联盟参与现货市场对应的收益不确定风险主要来源于风电不确定性导致的不平衡结算风险,而联盟中抽蓄电站可依据第二阶段的实时情况调整自身的运行状态尽可能减少不平衡电量,因而抽蓄运行模式受联盟风险偏好程度影响较大。图8描绘了不同风险偏好系数下联盟中抽水蓄能机组的申报情况。

img_10.png

图8 不同风险偏好系数下联盟中抽水蓄能电站竞标策略Fig. 8 Offering strategies for pumped-storage stations under different risk preference coefficients

由图可知随着风险偏好系数β的增加,抽蓄机组逐渐改变原有的利用电价差套利的最优运行状态,申报功率趋于保守,逐步变为尽可能保持半蓄水状态以最大限度的对可能的风电实时出力不平衡进行调节,这一结果也再次说明本文所提竞标策略模型能够很好的将第二阶段可能的实时情况考虑在内。

5 结论

针对我国电力现货市场建设初期,缺乏风电等新能源主体参与现货市场的优化运行策略,本文基于合作博弈论,提出了风电-抽水蓄能电站联合参与现货市场的优化运行策略及收益分配模型。考虑风电出力不确定性及在平衡市场中面临的风险,建立了两阶段随机优化模型,能够给出风储联盟的日前优化运行策略,能够分析风电预测精度、多风场出力相关性、市场成员风险态度等因素对联盟参与现货市场运行策略及收益分配的影响。算例验证了所提模型的有效性以及收益分配的合理性。研究成果为新能源、储能等多元市场主体参与现货市场的行为决策提供理论指导。

参考文献

[1]国家发展和改革委员会新能源研究所.中国2050高比例可再生能源发展情景暨路径研究[R/OL].(2015-11-02)[2018-11-02].

[2]国家能源局综合司.关于进一歩推进电力现货市场建设试点工作的意见(征求意见稿)[R/OL].(2019-03-07)[2019-03-10]..

[3]马莉,范孟华,郭磊,等.国外电力市场最新发展动向及其启示[J].电力系统自动化,2014,38(13):1-9.MaLi,FanMenghua,GuoLei,et al.Latest development trends of international electricity markets and their enlightenment[J].Automation of Electric Power Systems,2014,38(13):1-9(in Chinese).

[4]南方能源监管局.广东电力市场运营基本规则(征求意见稿)[R/OL].(2018-08-31)[2018-12-31].http://nfj.nea.gov.cn/ adminContent/initViewContent.do?pk=402881e56579be6301658d7123c2001a.

[5]North American Electric Reliability Corporation (NERC).Accommodating high levels of variable generation,special report[R].Princeton,NJ,special report [R].Princeton,NJ,USA,2009.

[6]梁子鹏,陈皓勇,雷佳,等.考虑风电不确定度的风-火-水-气-核-抽水蓄能多源协同旋转备用优化[J].电网技术,2018,42(7):2111-2119.LiangZipeng,ChenHaoyong,LeiJia,et al.A multi-source coordinated spinning reserve model considering wind power uncertainty[J].Power System Technology,2018,42(7):2111-2119(in Chinese).

[7]Morales JM,Conejo AJ,Pérez-RuizJ.Short-term trading for a wind power producer[J].IEEE Transactions on Power Systems,2010,25(1):554-564.

[8]BaringoL,Conejo AJ.Strategic offering for a wind power producer[J].IEEE Transactions on Power Systems,2013,28(4):4645-4654.

[9]ZugnoM,Morales JM,PinsonP,et al.Pool strategy of a price-maker wind power producer[J].IEEE Transactions on Power Systems,2013,28(3):3440-3450.

[10]BaringoL,Conejo AJ.Offering strategy of wind-power producer: a multi-stage risk-constrained approach[J].IEEE Transactions on Power Systems,2016,31(2):1420-1429.

[11]BanaeiM,Oloomi-BuygiM,Zabetian-Hosseini S M.Strategic gaming of wind power producers joined with thermal units in electricity markets[J].Renewable Energy,2018,115:1067-1074.

[12]Guerrero-MestreV,de la Nieta A A S,ContrerasJ,et al.Optimal bidding of a group of wind farms in day-ahead markets through an external agent[J].IEEE Transactions on Power Systems,2016,31(4):2688-2700.

[13]Garcia-GonzalezJ,de la Muela R M R,Santos LM,et al.Stochastic joint optimization of wind generation and pumped-storage units in an electricity market[J].IEEE Transactions on Power Systems,2008,23(2):460-468.

[14]WangJ,Kennedy SW,Kirtley JL.Optimization of forward electricity markets considering wind generation and demand response[J].IEEE Transactions on Smart Grid,2014,5(3):1254-1261.

[15]PapavasiliouA,Oren SS.Large-scale integration of deferrable demand and renewable energy sources[J].IEEE Transactions on Power Systems,2014,29(1):489-499.

[16]张刘冬,殷明慧,卜京,等.基于成本效益分析的风电-抽水蓄能联合运行优化调度模型[J].电网技术,2015,39(12):3386-3392.ZhangLiudong,YinMinghui,BuJing,et al.A joint optimal operation model of wind farms and pumped storage units based on cost-benefit analysis[J].Power System Technology,2015,39(12):3386-3392(in Chinese).

[17]邹金,赖旭,汪宁渤.以减少电网弃风为目标的风电与抽水蓄能协调运行[J].电网技术,2015,39(9):2472-2477.ZouJin,LaiXu,WangNingbo.Mitigation of wind curtailment by coordinating with pumped storage[J].Power System Technology,2015,39(9):2472-2477(in Chinese).

[18]刘斌,陈来军,汪雨辰,等.应对风电出力不确定性的备用成本分摊:联盟博弈方法[J].控制理论与应用,2016,33(4):437-445.LiuBin,ChenLaijun,WangYuchen,et al.Allocating reserve cost for hedging against wind generation uncertainty:a coalitional-game- theoretic approach[J].Control Theory & Applications,2016,33(4):437-445(in Chinese).

[19]何永秀,宋栋,夏天,等.基于合作博弈论的常规能源与新能源发电权置换交易模式研究[J].电网技术,2017,41(8):2485-2490.HeYongxiu,SongDong,XiaTian,et al.Mode of generation right trade between renewable energy and conventional energy based on cooperative game theory[J].Power System Technology,2017,41(8):2485-2490(in Chinese).

[20]谭俊源,黄月婷,潘凯.基于核仁的输电网固定成本分摊对用户的经济激励[J].电网技术,2008,32(S2):226-229.TanJunyuan,HuangYueting,PanKai.Economic stimulation for consumers from nucleolus solution based fixed transmission cost allocation[J].Power System Technology,2008,32(S2):226-229(in Chinese).

[21]马溪原.含风电电力系统的场景分析方法及其在随机优化中的应用[D].武汉:武汉大学,2014.

[22]Chaves-ávila JP,Hakvoort RA,RamosA.The impact of European balancing rules on wind power economics and on short-term bidding strategies[J].Energy Policy,2014,68(5):383-393.

[23]VandezandeL,MeeusL,BelmansR,et al.Well-functioning balancing markets:a prerequisite for wind power integration[J].Energy Policy,2010,38(7):3146-3154.

[24]CarrionM,Philpott AB,Conejo AJ,et al.A stochastic programming approach to electric energy procurement for large consumers[J].IEEE Transactions on Power Systems,2007,22(2):744-754.

[25]Thmas LC.Games-theory and applications[M].Ellis:Horwood Limited,1984:120-150.

[26]Baeyens,Bitar,Khargonekar,et al.Wind energy aggregation:a coalitional game approach[C]//Decision & Control & European Control Conference.IEEE,2011.

[27]伍栋文,于艾清.大规模多源联合外送协调调度中基于核仁理论的利润分配[J].电网技术,2016,40(10):2975-2981.WuDongwen,YuAiqing.Research on nucleolus theory based profit distribution method for joint delivery system of large-scale hybrid power generation[J].Power System Technology,2016,40(10):2975-2981(in Chinese).

[28]BaeyensE,Bitar EY,Khargonekar PP,et al.Coalitional aggregation of wind power[J].IEEE Transactions on Power Systems,2013,28(4):3774-3784.

[29]Gabriel SA,Conejo AJ,Fuller JD,et al.Complementarity modeling in energy markets[M].Springer Science & Business Media,2012.

[30]周明,武昭原,贺宜恒,等.兼顾中长期交易和风电参与的日前市场出清模型[J/OL].中国科学:信息科学..Zhou Ming,Wu Zhaoyuan,He Yiheng,et al.A day-ahead electricity market clearing model considering medium-and long-term transactions and wind producer participation[J/OL].Scientia Sinica Informationis.(in Chinese).


原标题:基于合作博弈论的风储联合参与现货市场优化运行策略

特别声明:北极星转载其他网站内容,出于传递更多信息而非盈利之目的,同时并不代表赞成其观点或证实其描述,内容仅供参考。版权归原作者所有,若有侵权,请联系我们删除。

凡来源注明北极星*网的内容为北极星原创,转载需获授权。
展开全文
打开北极星学社APP,阅读体验更佳
2
收藏
投稿

打开北极星学社APP查看更多相关报道

今日
本周
本月
新闻排行榜

打开北极星学社APP,阅读体验更佳