CN105654224A - 一种计及风电不确定性的省级电网月度购电风险管理方法 - Google Patents

Abstract

本发明涉及一种计及风电不确定性的省级电网月度购电风险管理方法。其特征在于，所述方法步骤如下：建立月峰荷和谷荷状态调峰风险度量指标；建立月峰荷和谷荷状态支路潮流越限风险度量指标；建立月电量平衡上下越限风险度量指标；建立省级电网月度购电风险管理方法模型。本发明的有益效果在于：建立的月峰荷和谷荷状态调峰、月峰荷和谷荷状态支路潮流越限风险、月电量平衡上下风险度量指标能够实现月度购电计划风险的有效度量，丰富了电力市场风险度量指标的物理内涵。所建的省级电网月度购电风险管理模型，能够实现经济效益和风险之间的有效管理，从而为未来大规模风电纳入月度电力电量平衡提供了新思路。

Description

一种计及风电不确定性的省级电网月度购电风险管理方法

技术领域

本发明涉及一种计及风电不确定性的省级电网月度购电风险管理方法。

背景技术

在电力市场环境下，电网公司经营的目标是在电网安全运行的基础上实现最大的经济效益，而该目标的实现一般由占交易总量80％以上的月度购电计划以及以此扩展得到的年度购电计划完成^[1]。由此，月度购电计划的研究对电网公司经济效益的实现具有重要的现实意义。

另一方面，中国电力供需的地区差异决定了区域电力市场(本文特指共同电力市场)在资源配置中的决定性作用^[2]；而电力工业节能减排的巨大压力更使得风力发电获得快速发展^[3]。在此双重背景下，各省级电网公司在协调网内与网外电力资源以实现最大经济效益的同时，还需要考虑风电出力随机性带来的诸多挑战^[4]。2012年3月国家电网公司更明确提出未来将把风电纳入月度电力电量平衡的奋斗目标^[5]。然而，鉴于风电出力的随机性较大以及其预测技术的严重滞后，现有文献在研究含风电出力不确定性的购电计划时，更多的集中于日度时间范畴^[6-8]，目前还未见将风电纳入月度电力电量平衡的文献报道，由此使得含风电比重较大的省级电网在制定月度购电计划时面临巨大挑战。

在已有的月度购电计划研究中，文献[9-11]建立了只含纯火电系统的省级电网月度购电计划模型，且没考虑负荷功率随机性；文献[12]考虑负荷功率随机性建立了纯火电系统的省级电网月度购电计划模型；文献[13-15]研究了纯市场环境下的月度购电计划模型，但没有考虑风电出力的随机性，不太适合我国“以风定电”的市场环境，且也没有考虑支路潮流安全约束；文献[16]建立了含水电出力的随机性的省级电网月度购电计划模型，但没有考虑支路潮流安全约束；文献[17]在建立含水电出力随机性的省级电网月度购电计划模型时，却要求“任意随机状态”均严格满足支路潮流安全约束，无法满足市场环境下经济效益最大化的需要。

在区域电力市场环境下，由于网外购电计划电力电量的强耦合关系(电力与电量之间必须具有确定的函数关系)^[18]以及风电出力不确定性较大的叠加效应，在目前我国电网结构普遍较为薄弱的现实背景下，这极可能使得省级电网在月度购电时面临如下3个严峻问题：1)月峰荷和谷荷状态系统上下调峰困难；2)月峰荷和谷荷状态各支路潮流存在越限；3)月电量无法保持平衡。

鉴于此，本文以区域电力市场为研究背景，计及风电出力不确定性对省级电网月度购电计划的影响，将月电力与电量解耦，并从风险管理的视角，

发明内容

本发明的目的是提出一种计及风电不确定性的省级电网月度购电风险管理方法，具体包括1)提出了月峰荷和谷荷状态调峰风险度量指标、月峰荷和谷荷状态支路潮流越限风险度量指标、月电量平衡上下越限风险度量指标；2)建立了省级电网月度购电风险管理模型，并采用提出的内嵌目标相对占优与Monte-Carlo随机模拟技术的混合遗传算法求解该模型，

本发明的技术方案如下：

1月度购电计划风险度量指标的构建

1.1月度购电计划风险度量指标的描述方法

在传统电力市场环境下，其随机因素一般包括市场电价和负荷电量，若进一步考虑风力发电对月度购电计划的影响，则其随机因素还包括风电出力、风电电量、负荷电力等。由于负荷电量由负荷电力引起，风电电量由风电出力引起，因此本质上负荷电量和负荷电力、风电电量和风电出力可分别归为同一类随机因素。但若将上述随机因素分别归为一类，则必须依赖于时段的耦合，即月度购电计划必须细分到较细的时段数以确保计划的准确性(如文献[9,11]为小时级)，这势必造成购电计划模型的求解规模急剧增加，甚至不可解；同时这样精细化的时段划分在风电出力随机性普遍较大的情形下，其实用性有待商榷。

另一方面，实际的月度购电计划中火电电力与电量具有分开考核的特点^[2]，则可将负荷电量和负荷电力、风电电量和风电出力解耦，分别作为独立随机变量考虑；而月度购电计划中支路潮流越限一般只出现在月峰荷和谷荷状态^[17]，则可将负荷电力、风电出力均分成月峰荷和谷荷2种状态考虑其随机性。由此，可基于峰荷和谷荷状态建立省级电网月度购电计划风险度量指标。

著名学者李文沅指出^[19]，描述风险度量指标方法有以下2种：①在一定条件下发生行为主体遭受损失状态的可能性，采用风险后果发生的概率来描述；②由于各种不确定性导致行为主体可能遭受的损失，采用风险后果的严重程度来描述。

本质上讲第2种方法更符合风险的本质，但其严格依赖于风险的可度量性，而目前市场环境下该风险的度量还缺乏严格的统一定义和理论依据^[19-20]。为此，本文采用第1种，即以概率的方法来描述月峰荷和谷荷风电出力、风电电量、负荷电力、负荷电量等随机因素对月度购电计划的调峰、支路潮流以及电量平衡等带来的风险。

1.2月峰荷和谷荷状态调峰风险度量指标

鉴于本文的研究背景为区域电力市场，月度购电计划中的外购电单位的峰平谷3个负荷状态的不同功率可参与跨省购电的省级电网调峰^[16]，有效的避免了网内火电机组启停调峰和风电机组弃风调峰等情形的出现。鉴于风电出力随机性较大，需考虑上下2种旋转备用，由此，月峰荷和谷荷状态调峰风险度量指标可表示如下：

$\begin{array}{c}{\mathrm{\β}}_s=\mathrm{Pr}\left\{\underset{k=1}{\overset{N_d}{\Σ}}{P}_{d,s,k.}\≥\underset{k=1}{\overset{N_w}{\Σ}}{P}_{w,s,k}+\underset{k=1}{\overset{N_t}{\Σ}}{P}_{t,k,\max }+\underset{k=1}{\overset{N_{ex}}{\Σ}}{P}_{ex,s,k}-P_{r,s}\right\}\\ s=1\end{array}---\left(1\right)$

$\begin{array}{c}{\mathrm{\β}}_s=\mathrm{Pr}\left\{\underset{k=1}{\overset{N_d}{\Σ}}{P}_{d,s,k}\≤\underset{k=1}{\overset{N_w}{\Σ}}{P}_{w,s,k}+\underset{k=1}{\overset{N_t}{\Σ}}{P}_{t,k,\min }+\underset{k=1}{\overset{N_{ex}}{\Σ}}{P}_{ex,s,k}+P_{r,s}\right\}\\ s=3\end{array}---\left(2\right)$

式中：Pr{}表示概率算子；s表示负荷状态序号，当s分别取1、2、3时即对应峰平谷3种负荷状态；β_s表示在s负荷状态下调峰风险度量指标；P_d,s,k表示s负荷状态下第k个负荷节点的随机负荷；P_w,s,k表示s负荷状态下第k台风电机组的随机功率(一座风电场可等效为一台风电机组)；P_r,s表示s负荷状态下系统旋转备用容量；P_t,k,max和P_t,k,min分别表示第k台火电机组的功率上下限；N_d、N_w、N_t和N_ex分别表示负荷节点个数以及风电、火电机组台数和外购电单位数。1.3月峰荷和谷荷状态支路潮流越限风险度量指标

月度购电计划经济效益的实现是建立在电网安全运行的基础之上的，当支路潮流超过极限值时就会导致线路过载。由此，月峰荷和谷荷状态支路潮流越限风险度量指标可表示如下：

α_s,l＝Pr{|P_s,l|≥P_l,max}l＝1,2,...,N_l；s＝1，3(3)

式中：α_s,l表示在s负荷状态下支路l的潮流越限风险度量指标；P_s,l表示在s负荷状态下支路l的输电功率；P_l,max表示支路l的输电容量极限；N_l表示支路总数。

需要指出的是，基于(3)式可进一步借鉴文献[20]建立月峰荷和谷荷状态系统潮流越限风险度量指标，鉴于本文重点在于提出一种方法论，限于篇幅不再赘述。

1.4月电量平衡上下越限风险度量指标

当省级电网月度购电计划的购电量超过月负荷电量时，需要日前临时出售电能或者减少月度网内火电机组的购电计划；而当月度购电计划的购电量低于月负荷电量时则需要日前临时购电，以上情形的出现均会导致省级电网经济效益的降低。由此，月电量平衡上下越限风险度量指标可表示如下：

$\begin{array}{cc}{\mathrm{\γ}}_s=\mathrm{Pr}\left\{W_{d,\max }\≤\underset{k=1}{\overset{N_w}{\Σ}}{W}_{w,k,m}+\underset{k=1}{\overset{N_t}{\Σ}}{W}_{t,k}+\underset{k=1}{\overset{N_{ex}}{\Σ}}{W}_{ex,k}\right\}& s=1\end{array}---\left(4\right)$

$\begin{array}{cc}{\mathrm{\γ}}_s=\mathrm{Pr}\left\{W_{d,\min }\≥\underset{k=1}{\overset{N_w}{\Σ}}{W}_{w,k,m}+\underset{k=1}{\overset{N_t}{\Σ}}{W}_{t,k}+\underset{k=1}{\overset{N_{ex}}{\Σ}}{W}_{ex,k}\right\}& s=3\end{array}---\left(5\right)$

式中：γ_s表示在月电量平衡上下越限风险度量指标(s＝1表示上越限，s＝3表示下越限)；W_w,k,m表示第k台风电机组月随机电量；W_t,k表示第k台火电机组月电量；W_ex,k表示第k个外购电单位月电量；W_d,max和W_d,min分别表示省级电网月最大和最小负荷电量。

2省级电网月度购电风险管理模型

2.1建模原理及其假设条件

基于上节所建的风险度量指标，将其应用于月度购电计划模型就可实现其购电风险的管理。含机会约束的随机规划建模方法，本质上是假设随机事件没有发生之前就已经根据预测条件做出决策；同时考虑到所做决策在一些比较极端的情况下可能不满足约束条件，该方法允许所做决策在一定程度上不满足约束条件，但所做决策应使机会约束条件成立的概率不小于某一极限值^[16]。该建模方法本质上与本文所追求的风险控制思想具有内在一致性。基于此，所建模型的物理内涵可描述为：在风电出力、负荷功率不确定性的环境下，考虑将月峰荷和谷荷状态调峰风险、月峰荷和谷荷状态支路潮流越限风险、月电量平衡上下越限风险等指标控制在一定概率水平之下，以实现省级电网月度购电计划经济效益的最大化。

不失一般性，所建模型还作如下假设^[16,17]：1)峰荷和谷荷状态风电出力和负荷功率、月风电月电量、负荷电量、网内火电以及外购电单位电价均独立服从正态分布；2)在月度竞价交易前，年度购电量在的月分解电量已经完成，模型中不再单独表示；3)忽略交易网损与输电费用。

2.2模型的建立

①目标函数

以省级电网在月度区域电力市场和网内电力市场的月购电费用最小为目标函数；同时考虑市场电价、月风电电量和月负荷电量等随机性因素的存在会导致购电费用面临一定的风险，选用半绝对离差风险指标^[17]来度量购电费用对应的风险，由此所建模型的目标函数可表示如下：

$\begin{array}{cc}\min & \underset{k=1}{\overset{N_w}{\Σ}}{u}_{w,k}{W}_{w,k}+\end{array}\underset{k=1}{\overset{N_t}{\Σ}}{u}_{t.k}{W}_{t.k}+\underset{k=1}{\overset{N_{ex}}{\Σ}}{u}_{ex,k}{W}_{ex,k}---\left(6\right)$

$\begin{array}{cc}\min & E\[{\left|\underset{k=1}{\overset{N_w}{\Σ}}{u}_{w,k}\left(W_{w,k,m}-W_{w,k}\right)+\underset{k=1}{\overset{N_t}{\Σ}}\left(p_t-u_t\right)W_{t,k}+\underset{k=1}{\overset{N_{ex}}{\Σ}}\left(p_{ex,k}-u_{ex,k}\right)W_{ex,k}\right|}_{+}\]\end{array}---\left(7\right)$

式中：u_w,k表示第k台风电机组电价；u_t,k表示第k台火电机组电价期望值；u_ex,k表示第k个外购电单位电价期望值；W_w,k表示第k台风电机组月电量期望值；p_t,k和p_ex,k分别表示第k台火电机组和外购电单位的随机电价。

注意，此处||₊中的“+”其含义是指总购电费用“超过”对应期望值时就会存在风险。

②约束条件

1)系统安全约束

a)月峰荷和谷荷状态直流潮流功率平衡方程

P_w,s+P_t,s+P_ex,s-P_d,s＝Bδ_ss＝1,3(8)

式中：P_w,s、P_t,s、P_ex,s和P_d,s分别表示s负荷状态下风电机组、火电机组、外购电和负荷节点功率向量；B表示节点导纳矩阵；δ_s表示s负荷状态下的电压相角向量。这里节点外购电功率表达式为：

$\begin{array}{cc}{P}_{ex,s,i}=\underset{k\∈{\mathrm{\Φ}}_i}{\Σ}{P}_{ex,s,k}& i=1,...,N;s=1,3\end{array}---\left(9\right)$

式中：P_ex,s,i表示在s负荷状态下节点i的外购电功率；P_ex,s,k表示s负荷状态下第k个外购电单位功率；Φ_i表示与节点i相关连的外购电单位集合；N为系统总节点数。

b)月峰荷和谷荷状态支路潮流功率方程

P_s,l＝(δ_s,i-δ_s,j)/_xijl＝1,2,...,N_l；s＝1,3(10)

式中：P_s,l表示s负荷状态下支路l的传输功率；δ_s,i和δ_s,j分别表示s负荷状态下支路l的首末端节点i、j的电压相角；x_ij表示支路l的电抗。

c)月峰荷与谷荷状态各支路潮流风险管理约束

α_1,l≤α_1,l,maxl＝1,2,...,N_l(11)

α_3,l≤α_3,l,maxl＝1,2,...,N_l(12)

式中：α_1,l,max和α_3,l,max分别表示峰荷和谷荷状态支路l的潮流越限风险水平极限值。

2)月峰荷与谷荷状态调峰风险管理约束

β₁≤β_1，max(13)

β₃≤β_3,max(14)

式中：β_1,max和β_3.max分别表示峰荷和谷荷状态调峰风险水平极限值。

3)区域电力市场外购电单位约束

a)各外购电单位电力电量的耦合关系

$\begin{array}{cc}{W}_{ex,k}=\underset{s=1}{\overset{3}{\Σ}}({\mathrm{\α}}_s\×P_{ex,l,k}\×T_s\×D)& k=1,2,...,N_{ex}\end{array}---\left(15\right)$

式中：α_s表示在s负荷状态下外购电功率与其峰荷状态下外购功率的比值；P_ex,1,k表示外购电单位k的峰荷状态功率；T_s表示一天当中3种负荷状态的购电小时数；D表示购电月实际天数。

b)外购电单位电价模式可选方案

以华中区域电力市场跨省交易峰平谷一段式报价模式确定外购电单位电价可选方案^[18]，具体如下：

$c_{ex,k}=\left\{\begin{array}{ccc}{c}_{ex,k,1}& if& {\mathrm{\σ}}_1:{\mathrm{\σ}}_2:{\mathrm{\σ}}_3=1.0:1.0:1.0\\ c_{ex,k,2}& if& {\mathrm{\σ}}_1:{\mathrm{\σ}}_2:{\mathrm{\σ}}_3=1.0:1.0:0.9\\ \mathrm{...}& & \\ c_{ex,k,n}& if& {\mathrm{\σ}}_1:{\mathrm{\σ}}_2:{\mathrm{\σ}}_3=1.0:{\underset{\‾}{\mathrm{\σ}}}_2:{\underset{\‾}{\mathrm{\σ}}}_3\end{array}\right.---\left(16\right)$

式中：c_ex,k,n表示外购电单位k购电模式编号为n的电价期望值；σ ₂和σ ₃分别表示平荷、谷荷状态下外购电功率与峰荷状态功率比值的下限。

c)外购电单位功率约束

0≤P_ex,s,k≤P_ex,k,maxk＝1,2,...,N_ex；s＝1,2,3(17)

式中：P_ex,k,max表示外购电单位k的最大功率。

4)月电量平衡上下越限风险管理约束

γ₁≤γ_1，max(18)

γ₃≤γ_3，max(19)

式中：γ_1,max和γ_3,max分别表示月电量平衡上下越限风险水平极限值。

5)网内购电单位约束

a)各火电机组功率上下限约束

P_t,k.min≤P_t,s,k≤P_t,k,maxk＝1,2,....,N_t；s＝1,3(20)

式中：P_t,s,k表示s负荷状态下第k台火电机组的功率。

b)各火电机组电量上下限约束

W_t,k,min≤W_t,k≤W_t,k,max(21)

式中：W_t,k,max和W_t,k,min分别表示第k台火电机组电量上下限，该电量已包含该火电机组年度购电计划的月分解电量。

3内嵌目标相对占优与Monte-Carlo模拟技术的混合遗传算法

3.1所建模型求解的基本思路

所建模型中含有以概率形式表示的风险度量指标约束(11)～(14)、(18)、(19)，由于很难将这些约束转化为其确定的等价类，故可采用内嵌Monte-Carlo模拟技术的遗传算法求解^[21]。而针对模型为多目标模型的特点，为获取其综合最优解，将目标相对占优法引入所提遗传算法中，形成内嵌目标相对占优和Monte-Carlo模拟技术的混合遗传算法。其中，为提高模拟技术可采用高效的拉丁超立方采样技术^[22]。

3.2基于目标相对占优的染色体适应度函数构造

所建模型为多目标模型，针对该类模型文献[21]提出了基于目标相对占优的遗传算法来获取其综合最优解，其基本思想是：将种群中的各染色体分别根据每个子目标函数值排序，选取每次迭代过程中使得各子目标函数值最小且不为0的染色体作为各子目标函数的基点，然后再计算各染色体相对各基点的目标值之和(具体见(23)式)，目标值之和最优的染色体即为每次迭代过程中的最优染色体，在满足终止条件时最优染色体就为所求多目标模型的综合最优解。据此，基于目标相对占优的染色体适应度函数可构造如下：

$A\left(x_i\right)=1/(F\left(x_i\right)+\underset{j=1}{\overset{N_y}{\Σ}}({\mathrm{\ω}}_j\×g_j\left(x_i\right)\left)\right)---\left(22\right)$

式中：A(x_i)表示染色体x_i的适应度函数；g_j(x_i)表示惩罚函数；ω_j表示惩罚函数系数，若g_j(x_i)满足约束则ω_j为0，否则不为0且约束越重要罚函数系数就越大；N_y表示需要判断的总约束数；F(x_i)表示染色体x_i相对各基点的目标函数值之和，其表达式如下：

$F\left(x_i\right)=\underset{j=1}{\overset{N_j}{\Σ}}(f_j\left(x_i\right)/f_j\left(x_{j\_0}\right))---\left(23\right)$

式中：f_j(x_i)表示染色体x_i对应的子目标函数j的函数值；f_j(x_{j_0})表示子目标函数j的基点x_{j_0}对应的函数值；N_j表示子目标函数的个数。

3.3内嵌目标相对占优与Monte-Carlo模拟技术的遗传算法的具体步骤

采用内嵌目标相对占优和Monte-Carlo模拟技术的遗传算法求解所建模型，其主要步骤如下。

1)输入原始数据。输入各风险度量指标水平极限值、各网内机组以及外购电单位市场电价、电网结构等基础数据，以及遗传算法中要求的染色体(候选的购电方案)个数，交叉概率与变异概率等算法参数值。

2)产生初始种群。根据(17)、(20)、(21)式随机产生一组购电方案作为遗传算法的初始种群，对种群中的每一个染色体,采用拉丁超立方采样检验其是否满足各风险管理约束(即式(11)～(14)、(18)和(19))。

3)计算适应度。找到本次迭代中使得各子目标函数值排序第一且不为0的染色体作为基点，再基于(22)式计算各染色体的适应度。

4)选择操作。采用轮盘赌方法对种群中的染色体进行选择操作。

5)交叉变异操作。对种群中的染色体进行交叉和变异操作得到新一代染色体,之后再利用拉丁超立方采样技术检验其是否满足风险约束式(11)～(14)、(18)和(19)。

6)获得最优购电方案。重复步骤3)到步骤5)，直到达到给定的迭代终止判据为止。以求解过程中发现的综合最优染色体作为最后的购电方案(网内各机组分配电量、各外购电单位分配电量、购电费用、风险价值以及各指标风险等信息)。

本发明的有益效果在于：

1)在风电出力具有随机性的环境下，省级电网月度购电计划的实现会存在一定的风险，此刻引入风险管理的理念具有必要性。

2)建立的月峰荷和谷荷状态调峰、月峰荷和谷荷状态支路潮流越限风险、月电量平衡上下风险度量指标能够实现月度购电计划风险的有效度量，丰富了电力市场风险度量指标的物理内涵。

3)所建的省级电网月度购电风险管理模型，能够实现经济效益和风险之间的有效管理，从而为未来大规模风电纳入月度电力电量平衡提供了新思路。

具体实施方式

采用某省级电网公司的基础数据进行月度购电计划仿真。该电网月负荷电量需求期望值4.506GkW·h，标准差0.09012GkW·h；系统峰荷、谷荷功率分别为8000MW、6000MW；风电月电量期望值0.700GkW·h，标准差0.14GkW·h，月峰荷和谷荷状态风电出力期望值分别为600MW、800MW，标准差为对应期望值的20.0％，风电电价为560.0元/MW·h；网内火电电价期望值379.3元/MW·h，标准差30.0元/MW·h；外购电单位数据见文献[17]；电网结构基础数据已知。为便于仿真，各风险水平极限值均取10.0％；拉丁超立方采样规模500次；遗传算法种群规模80、交叉概率0.60、变异概率0.10、最大迭代次数300，迭代终止判据为最优个体连续30代保持不变或达到最大迭代次数。

所建模型与现有文献的比较分析

将本发明所建模型与文献[16,17]进行对比仿真，由此得到的仿真结果如表1所示。其中，为了便于分析，文献[16,17]中的风险指标采用文献[19]中的事后评估方法得到；而鉴于实际电网中支路较多，支路潮流风险度量指标仅选取该电网负荷中心的某关键支路进行分析(后同)。

表13种月度购电计划优化模型的仿真结果比较

Tab.1Comparisonforsimulationresultsofthreemonthlypurchasingschemes

由表1可见，本发明所建模型较文献[16]的经济效益(购电费用和风险价值)较差。究其原因在于本发明考虑了系统上下调峰和网络潮流安全对月度购电计划的影响，而文献[16]没有考虑。显然文献[16]的优化结果过于乐观，其可行性有待商榷。而从采用事后评估的方法获得的风险度量指标也可看出，文献[16]各项风险度量值偏高，特别是其中的上下调峰风险和支路越限风险已远远超过了本发明设定的10.0％的极限值，由此所建本发明模型较文献[16]更具合理性。

另外，本发明所建模型较文献[17]的模型经济效益(购电费用和风险价值)更优。究其原因在于本文引入了风险管理的思想，并不要求潮流安全约束、上下调峰约束、电量平衡约束在任意随机状态下严格满足，只需其发生风险的概率控制在一定范围即可，从而确保了其经济效益的最优化。从实际电力系统运行看，当支路潮流超过极限值的40.0％，而该值持续时间在5分钟之内时电网依然可以安全运行^[23]，而这恰恰符合风电出力随机性较大且其出力持续时间较短的特征。

综上，在含风电出力不确定性电网系统的月度购电计划中，引入风险管理策略具有合理性和实用性，且能够满足电力市场发展的需要。

省级电网月度购电计划的风险控制策略

以峰荷状态调峰、峰荷状态支路潮流越限、月电量平衡上越限风险度量指标为例，分别设置3种风险水平极限值进行仿真，以揭示省级电网月度购电的风险控制策略对其经济效益的影响，从而为省级电网月度购电提供参考。

表23种风险水平极限设定值的仿真结果

Tab.2Simulationresultsofinthreerisks

由表2可见，随着各风险度量指标水平极限值的提高，省级电网月度购电计划的经济效益(购电费用和风险价值)将明显提高。可见，本发明方法可以结合具体的需要，通过调整风险水平极限值可以实现月度购电计划的风险管理，从而确保经济效益的最大化。

需指出的是，鉴于以概率形式描述风险的方法具有无法反映风险严重程度的先天局限性，本发明中各风险水平极限值到底设定为何值才能实现经济效益和风险管理的最佳协调，则需要结合具体的电网结构、市场供需形势、市场交易规则以及决策机构对各风险的厌恶程度等诸多因素的综合考虑才能做出理性决策。

结论

在区域电力市场背景下，计及风电出力的不确定性，本发明建立了省级电网月度购电风险度量指标和风险管理模型，研究结论如下：

1)在风电出力具有随机性的环境下，省级电网月度购电计划的实现会存在一定的风险，此刻引入风险管理的理念具有必要性。

2)建立的月峰荷和谷荷状态调峰、月峰荷和谷荷状态支路潮流越限风险、月电量平衡上下风险度量指标能够实现月度购电计划风险的有效度量，丰富了电力市场风险度量指标的物理内涵。

3)所提省级电网月度购电风险管理方法，能够实现经济效益和风险之间的有效管理，从而为未来大规模风电纳入月度电力电量平衡提供了新思路。

本发明技术方案中的参考文献如下：

[9]颜伟，李翔，梁文举，等.基于负荷分段技术的多目标月度发电计划及其遗传算法[J].电力自动化设备，2013，33(10):47-52.

YANWei,LIXiang,LIANGWenju,etalMulti-objectivemonthlygenerationschedulingbasedonloadpartitiontechnologyanditsgeneticalgorithm[J].ElectricPowerAutomationEquipment,2013，33(10):47-52.

[10]梁志飞，夏清，许洪强,等.基于多目标优化模型的省级电网月度发电计划[J].电网技术,2009,33(11):81-85.

LIANGZHi-Fei,XIAQing,XUHong-qiang,etal.Monthlygenerationschedulingmethodbasedonmulti-objectiveoptimizationmodelforprovincialpower[J].GridPowerSystemTechnology,2009,33(11):81-85.

[11]高宗和,耿建,张显，等.大规模系统月度机组组合和安全校核算法[J].电力系统自动化，2008,32(23):28-32.

GAOZong-he,GENGJian,ZHANGXian，etal.Monthlyunitcommitmentandsecurityassessmentalgorithmforlarge-scalepowersystem[J].AutomationofElectricPowerSystems,2003,23(7):28-32.

[12]尚金成，王绵斌，谭忠富，等.省级电力公司的购电决策模型其模糊优化算法[J].华东电力，2008，36(11)：103-107.

SHANGJin-cheng,WANGMian-bin,TANZhongfu.Purchasingstrategymodelsofprovincialgirdcompaniesandrelevantfuzzyoptimizationalgorithms[J].EastChinaelectricpower,2008,36(11):103-107.

[13]周明，聂艳丽，李庚银，等.电力市场环境下长期购电方案及风险评估[J].中国电机工程学报,2006,26(6):116-122.

ZHOUMing,NIEYan-li,LIGeng-yin,etal.NILong-termelectricitypurchasingschemeandriskassessmentinpowermarkets[J].ProceedingsoftheCSEE,2006,26(6):116-122.

[14]关勇,王东海,张蓉,等.基于机会约束规划的购电商长期购电策略[J].电网技术,2009,33(13):96-99.

GUANYong,WANGDong-hai,ZHANGRong,etal.Long-Termelectricitypurchasingstrategyofenergypurchaserbasedonchance-constrainedprogramming[J].GridPowerSystemTechnologyy,2009,33(13):96-99.

[15]张宗益.亢娅丽,郭兴磊.基于谱风险度量的大用户直购电组合模型分析[J].电工技术学报,2013,28(1):266-271.

ZhangZongyi,KangYali,GuoXinglei.Modelanalysisoflargeconsumers’powerpurchaseportfoliobasedonspectralmeasuer’sofrisk[J].TransactionsofChinaElectrotechnicalSociety,2013,28(1):266-271.

[16]文旭，颜伟，王俊梅，等.考虑跨省交易能耗评估的区域节能电力市场与随机规划购电模型[J].电网技术，2013，37(2)：500-506.

WENXu,YANWei,WANGJunmei,etal.Regionalenergy-Savingelectricitymarketandstochasticprogrammingpowerpurchasingmodelconsideringassessmentonenergyconsumptionintrans-provincialtransaction[J].PowerSystemTechnology,2013,37(2):500-506.

[17]颜伟，文旭，王俊梅，等.考虑网内与网外购电计划差异的月度最优外购电模型[J].电力系统自动化，2012，36(17)：56-60.

YANWei，WENXu，WANGJunmei，etal.AnoptimalmonthlypowerpurchasingmodelconsideringdifferencesbetweenInternalandexternalgrid[J].AutomationofElectricPowerSystems，2012，36(17)：56-60.

Claims (1)

1.一种计及风电不确定性的省级电网月度购电风险管理方法，其特征在于，所述方法步骤如下：

1.1建立月峰荷和谷荷状态调峰风险度量指标，所述指标表示如下：

$\begin{array}{c}{\mathrm{\β}}_s=\mathrm{Pr}\{\underset{k=1}{\overset{N_d}{\Σ}}{P}_{d,s,k.}\≥\underset{k=1}{\overset{N_w}{\Σ}}{P}_{w,s,k}+\underset{k=1}{\overset{N_t}{\Σ}}{P}_{t,k,\max }+\underset{k=1}{\overset{N_{ex}}{\Σ}}{P}_{ex,s,k}-P_{r,s}\}\\ s=1\end{array}---\left(1\right)$

$\begin{array}{c}{\mathrm{\β}}_s=\mathrm{Pr}\{\underset{k=1}{\overset{N_d}{\Σ}}{P}_{d,s,k}\≤\underset{k=1}{\overset{N_w}{\Σ}}{P}_{w,s,k}+\underset{k=1}{\overset{N_t}{\Σ}}{P}_{t,k,\min }+\underset{k=1}{\overset{N_{ex}}{\Σ}}{P}_{ex,s,k}+P_{r,s}\}\\ s=3\end{array}---\left(2\right)$

式中：Pr{}表示概率算子；s表示负荷状态序号，当s分别取1、2、3时即对应峰平谷3种负荷状态；β_s表示在s负荷状态下调峰风险度量指标；P_d,s,k表示s负荷状态下第k个负荷节点的随机负荷；P_w,s,k表示s负荷状态下第k台风电机组的随机功率(一座风电场可等效为一台风电机组)；P_r,s表示s负荷状态下系统旋转备用容量；P_t,k,max和P_t,k,min分别表示第k台火电机组的功率上下限；N_d、N_w、N_t和N_ex分别表示负荷节点个数以及风电、火电机组台数和外购电单位数；

1.2建立月峰荷和谷荷状态支路潮流越限风险度量指标，由此，所述指标表示如下：

α_s,l＝Pr{|P_s,l|≥P_l,max}l＝1,2,...,N_l；s＝1，3(3)

式中：α_s,l表示在s负荷状态下支路l的潮流越限风险度量指标；P_s,l表示在s负荷状态下支路l的输电功率；P_l,max表示支路l的输电容量极限；N_l表示支路总数；

1.3建立月电量平衡上下越限风险度量指标，所述指标表示如下：

$\begin{array}{cc}{\mathrm{\γ}}_s=\mathrm{Pr}\{W_{d,\max }\≤\underset{k=1}{\overset{N_w}{\Σ}}{W}_{w,k,m}+\underset{k=1}{\overset{N_t}{\Σ}}{W}_{t,k}+\underset{k=1}{\overset{N_{ex}}{\Σ}}{W}_{ex,k}\}& s=1\end{array}---\left(4\right)$

$\begin{array}{cc}{\mathrm{\γ}}_s=\mathrm{Pr}\{W_{d,\min }\≥\underset{k=1}{\overset{N_w}{\Σ}}{W}_{w,k,m}+\underset{k=1}{\overset{N_t}{\Σ}}{W}_{t,k}+\underset{k=1}{\overset{N_{ex}}{\Σ}}{W}_{ex,k}\}& s=3\end{array}---\left(5\right)$

式中：γ_s表示在月电量平衡上下越限风险度量指标(s＝1表示上越限，s＝3表示下越限)；W_w,k,m表示第k台风电机组月随机电量；W_t,k表示第k台火电机组月电量；W_ex,k表示第k个外购电单位月电量；W_d,max和W_d,min分别表示省级电网月最大和最小负荷电量；

1.4建立省级电网月度购电风险管理方法模型；

1.41目标函数

以省级电网在月度区域电力市场和网内电力市场的月购电费用最小为目标函数；同时考虑市场电价、月风电电量和月负荷电量等随机性因素的存在会导致购电费用面临一定的风险，选用半绝对离差风险指标^[17]来度量购电费用对应的风险，由此所建模型的目标函数可表示如下：

$\begin{array}{cc}\min & \underset{k=1}{\overset{N_w}{\Σ}}{u}_{w,k}{W}_{w,k}+\underset{k=1}{\overset{N_t}{\Σ}}{u}_{t.k}{W}_{t.k}+\underset{k=1}{\overset{N_{ex}}{\Σ}}{u}_{ex,k}{W}_{ex,k}\end{array}---\left(6\right)$

式中：u_w,k表示第k台风电机组电价；u_t,k表示第k台火电机组电价期望值；u_ex,k表示第k个外购电单位电价期望值；W_w,k表示第k台风电机组月电量期望值；p_t,k和p_ex,k分别表示第k台火电机组和外购电单位的随机电价；

注意，此处||₊中的“+”其含义是指总购电费用“超过”对应期望值时就会存在风险；

1.42约束条件

1)系统安全约束

a)月峰荷和谷荷状态直流潮流功率平衡方程

P_w,s+P_t,s+P_ex,s-P_d,s＝Bδ_ss＝1,3(8)

式中：P_w,s、P_t,s、P_ex,s和P_d,s分别表示s负荷状态下风电机组、火电机组、外购电和负荷节点功率向量；B表示节点导纳矩阵；δ_s表示s负荷状态下的电压相角向量；这里节点外购电功率表达式为：

$\begin{array}{cc}{P}_{ex,s,i}=\underset{k\∈{\mathrm{\Φ}}_i}{\Σ}{P}_{ex,s,k}& i=1,\mathrm{...},N;s=1,3\end{array}---\left(9\right)$

式中：P_ex,s,i表示在s负荷状态下节点i的外购电功率；P_ex,s,k表示s负荷状态下第k个外购电单位功率；Φ_i表示与节点i相关连的外购电单位集合；N为系统总节点数；

b)月峰荷和谷荷状态支路潮流功率方程

P_s,l＝(δ_s,i-δ_s,j)/x_ijl＝1,2,...,N_l；s＝1,3(10)

式中：P_s,l表示s负荷状态下支路l的传输功率；δ_s,i和δ_s,j分别表示s负荷状态下支路l的首末端节点i、j的电压相角；x_ij表示支路l的电抗；

c)月峰荷与谷荷状态各支路潮流风险管理约束

α_1,l≤α_1,l,maxl＝1,2,...,N_l(11)

α_3,l≤α_3,l,maxl＝1,2,...,N_l(12)

式中：α_1,l,max和α_3,l,max分别表示峰荷和谷荷状态支路l的潮流越限风险水平极限值；

2)月峰荷与谷荷状态调峰风险管理约束

β₁≤β_1，max(13)

β₃≤β_3,max(14)

式中：β_1,max和β_3.max分别表示峰荷和谷荷状态调峰风险水平极限值；

3)区域电力市场外购电单位约束

a)各外购电单位电力电量的耦合关系

$\begin{array}{cc}{W}_{ex,k}=\underset{s=1}{\overset{3}{\Σ}}({\mathrm{\α}}_s\×P_{ex,1,k}\×T_s\×D)& k=1,2,\mathrm{...},N_{ex}\end{array}---\left(15\right)$

式中：α_s表示在s负荷状态下外购电功率与其峰荷状态下外购功率的比值；P_ex,1,k表示外购电单位k的峰荷状态功率；T_s表示一天当中3种负荷状态的购电小时数；D表示购电月实际天数；

b)外购电单位电价模式可选方案

以华中区域电力市场跨省交易峰平谷一段式报价模式确定外购电单位电价可选方案^[18]，具体如下：

$c_{ex,k}=\left\{\begin{array}{ccc}{c}_{ex,k,1}& if& {\mathrm{\σ}}_1:{\mathrm{\σ}}_2:{\mathrm{\σ}}_3=1.0:1.0:1.0\\ c_{ex,k,2}& if& {\mathrm{\σ}}_1:{\mathrm{\σ}}_2:{\mathrm{\σ}}_3=1.0:1.0:0.9\\ ...& & \\ c_{ex,k,n}& if& {\mathrm{\σ}}_1:{\mathrm{\σ}}_2:{\mathrm{\σ}}_3=1.0:{\underset{\‾}{\mathrm{\σ}}}_2:{\underset{\‾}{\mathrm{\σ}}}_3\end{array}\right.---\left(16\right)$

式中：c_ex,k,n表示外购电单位k购电模式编号为n的电价期望值；σ ₂和σ ₃分别表示平荷、谷荷状态下外购电功率与峰荷状态功率比值的下限；

c)外购电单位功率约束

0≤P_ex,s,k≤P_ex,k,maxk＝1,2,...,N_ex；s＝1,2,3(17)

式中：P_ex,k,max表示外购电单位k的最大功率；

4)月电量平衡上下越限风险管理约束

γ₁≤γ_1，max(18)

γ₃≤γ_3，max(19)

式中：γ_1,max和γ_3,max分别表示月电量平衡上下越限风险水平极限值；

5)网内购电单位约束

a)各火电机组功率上下限约束

P_t,k.min≤P_t,s,k≤P_t,k,maxk＝1,2,....,N_t；s＝1,3(20)

式中：P_t,s,k表示s负荷状态下第k台火电机组的功率；

b)各火电机组电量上下限约束

W_t,k,min≤W_t,k≤W_t,k,max(21)

式中：W_t,k,max和W_t,k,min分别表示第k台火电机组电量上下限，该电量已包含该火电机组年度购电计划的月分解电量；

1.5所建模型求解的基本思路

所建模型中含有以概率形式表示的风险度量指标约束(11)～(14)、(18)、(19)，由于很难将这些约束转化为其确定的等价类，故可采用内嵌Monte-Carlo模拟技术的遗传算法求解^[21]；而针对模型为多目标模型的特点，为获取其综合最优解，将目标相对占优法引入所提遗传算法中，形成内嵌目标相对占优和Monte-Carlo模拟技术的混合遗传算法；其中，为提高模拟技术可采用高效的拉丁超立方采样技术^[22]；

1.51基于目标相对占优的染色体适应度函数构造：

$A\left(x_i\right)=1/\left(F\right(x_i)+\underset{j=1}{\overset{N_y}{\Σ}}({\mathrm{\ω}}_j\×g_j\left(x_i\right)\left)\right)---\left(22\right)$

式中：A(x_i)表示染色体x_i的适应度函数；g_j(x_i)表示惩罚函数；ω_j表示惩罚函数系数，若g_j(x_i)满足约束则ω_j为0，否则不为0且约束越重要罚函数系数就越大；N_y表示需要判断的总约束数；F(x_i)表示染色体x_i相对各基点的目标函数值之和，其表达式如下：

$F\left(x_i\right)=\underset{j=1}{\overset{N_j}{\Σ}}\left(f_j\right(x_i)/f_j(x_{j\_0}\left)\right)---\left(23\right)$

式中：f_j(x_i)表示染色体x_i对应的子目标函数j的函数值；f_i(x_{j_0})表示子目标函数j的基点x_{j_0}对应的函数值；N_j表示子目标函数的个数；

1.52内嵌目标相对占优与Monte-Carlo模拟技术的遗传算法的具体步骤：

采用内嵌目标相对占优和Monte-Carlo模拟技术的遗传算法求解所建模型，其主要步骤如下；

1)输入原始数据；输入各风险度量指标水平极限值、各网内机组以及外购电单位市场电价、电网结构等基础数据，以及遗传算法中要求的染色体(候选的购电方案)个数，交叉概率与变异概率等算法参数值；

2)产生初始种群；根据(17)、(20)、(21)式随机产生一组购电方案作为遗传算法的初始种群，对种群中的每一个染色体,采用拉丁超立方采样检验其是否满足各风险管理约束(即式(11)～(14)、(18)和(19))；

3)计算适应度；找到本次迭代中使得各子目标函数值排序第一且不为0的染色体作为基点，再基于(22)式计算各染色体的适应度；

4)选择操作；采用轮盘赌方法对种群中的染色体进行选择操作；

5)交叉变异操作；对种群中的染色体进行交叉和变异操作得到新一代染色体,之后再利用拉丁超立方采样技术检验其是否满足风险约束式(11)～(14)、(18)和(19)；

6)获得最优购电方案；重复步骤3)到步骤5)，直到达到给定的迭代终止判据为止；以求解过程中发现的综合最优染色体作为最后的购电方案，网内各机组分配电量、各外购电单位分配电量、购电费用、风险价值以及各指标风险信息。