CN106779498A - 评估含风光储的大用户参与日前市场电力交易风险的方法 - Google Patents

Abstract

本发明涉及一种评估含风光储的大用户参与日前市场电力交易风险的方法，在日前电力市场环境下，计及可再生能源出力随机性产生的期望不平衡费用和蓄电池储能放电损耗成本，采用CVaR度量日前电力交易损失的风险,通过引入风险权衡系数约束日前市场电力交易产生的尾部损失风险，以日前市场期望交易费用最小为优化目标，建立大用户参与日前市场电力交易决策优化模型；通过混合整数规划求解器CPLEX实现模型求解，得到日前市场各时段竞价功率、不同风光出力场景下蓄电池储能充放电功率。本发明直观地描述决策风险和交易收益关系，在控制含风光储的大用户所面临的决策风险的基础上间接实现交易收益最大化，为含风光储的大用户参与日前市场电能交易决策提供参考。

Description

评估含风光储的大用户参与日前市场电力交易风险的方法

技术领域

本发明涉及电力市场分析领域，尤其是一种评估含风光储的大用户参与日前市场电力交易风险的方法。

背景技术

在日前电力市场环境下大用户接入风光储发电系统，增加了大用户日前交易决策的难度。目前，许多文献对电力市场中大用户如何在多个市场进行交易电量分配的问题进行了研究，且其研究成果取得了广泛的应用，但是没有考虑大用户接入风光储发电系统后风光出力的不确定性对大用户交易决策的影响。而针对大用户接入风光储发电系统后，在考虑风光出力随机性的条件下参与日前电力市场交易策略优化的文献较少。大用户作为风险厌恶型决策者，在满足负荷电量需求的基础上，希望减少在日前市场上的交易费用以间接提高其交易收益，同时尽可能减少由于风光出力不确定性所引起的交易风险；因此，在日前电力市场环境下如何申报购售电功率，使大用户在尽可能降低交易风险的同时减少所支出的总交易费用，是一个值得重视的问题，具有实际意义。

发明内容

有鉴于此，本发明的目的在于提供一种评估含风光储的大用户参与日前市场电力交易风险的方法，更直观地描述决策风险和交易收益关系，在控制含风光储的大用户所面临的决策风险的基础上间接实现交易收益最大化，为含风光储的大用户参与日前市场电能交易决策提供参考。

为实现上述目的，本发明采用如下技术方案：一种评估含风光储的大用户参与日前市场电力交易风险的方法，其特征在于，包括以下步骤：

步骤S1：提取日前现货市场和实时平衡市场的电价预测数据；提取大用户典型日负荷预测数据；提取风速、光照强度分布参数；提取风力发电机组、光伏电池出力模型参数和蓄电池储能参数；

步骤S2：建立日前市场环境下含风光储的大用户期望交易费用最小化模型；定义所述大用户期望交易费用最小化模型模型为：在日前电力市场环境下，计及风光出力的随机性产生的期望不平衡费用和蓄电池储能放电损耗成本，含风光储的大用户参与日前电力市场竞价交易，以1h为分析对象，用数学函数表述如下：

minE[F(t)]＝E[C_DA(t)]+E[C_RT(t)]+E[C_BAT(t)]；

其中，E[F(t)]为含风光储的大用户在t时段的交易费用均值；E[C_DA(t)]、E[C_RT(t)]、E[C_BAT(t)]分别为在t时段日前市场购售电费用均值、实时市场不平衡费用均值和蓄电池储能放电损耗成本均值；

步骤S3：建立CVaR风险约束：采用CVaR度量含风光储的大用户参与日前市场电力交易尾部损失的风险；

步骤S4：求解日前市场各时段竞价功率、不同风光出力场景下蓄电池储能充放电功率。

进一步的，所述步骤S2具体包括以下步骤：

步骤S21：日前现货市场：假设含风光储的大用户在日前市场上的t时段只能申报售电功率或者购电功率；则含风光储的大用户t时段在日前市场上的购售电费用均值E[C_DA(t)]为：

E[C_DA(t)]＝P_DA(t)Q_DA(t)；

其中，P_DA(t)、Q_DA(t)分别为t时段在日前现货市场上的竞价功率和电价预测值；

步骤S22：实时平衡市场：假设实时市场上各时段的正、负不平衡价格分别设置为各时段日前市场电价预测值的一定比例，则含风光储的大用户t时段在实时平衡市场上所缴纳的不平衡费用均值E[C_RT(t)]为：

其中，N为总风光出力场景数；π(s)为第s个风光出力场景发生概率；λ_buy(t)、λ_sell(t)分别为t时段实时平衡市场的购电价格系数和售电价格系数；为第s个风光出力场景下t时段实时市场交易功率；

步骤S23：以蓄电池储能放电损耗成本表征其充放电操作对自身循环寿命的影响，则t时段蓄电池放电损耗成本均值E[C_BAT(t)]为：

其中，C_BAT0、分别为t时段单位电量放电损耗成本和第s个风光出力场景下放电损耗功率。

进一步的，所述步骤S3具体为：日前市场交易损失风险的CVaR值用数学函数表述如下：

其中,ω_s为第s个风光出力场景下的日前市场交易损失；ξ为置信水平为α下损失函数所对应的VaR值；

其中：

；

引入β表征含风光储的大用户对总交易费用所对应的尾部损失风险和总交易费用期望值的权衡系数，则CVaR风险约束可表述如下：

进一步的，所述步骤S3包括的剩余约束条件有：风光出力约束、日前市场竞标值上下限约束、供需平衡约束、蓄电池储能运行约束；

所述风光出力约束用数学函数表述如下：

所述日前市场竞标值上下限约束用数学函数表述如下：

所述供需平衡约束用数学函数表述如下：

所述蓄电池储能运行约束用数学函数表述如下：

其中，分别为风机和光伏的最大有功输出功率；和分别为第s个场景下时段t风力发电机组和光伏实际出力；P_L(t)为时段t大用户负荷预测值；U_chg(t)和U_dchg(t)为布尔变量，U_chg(t)＝1表示在时段t蓄电池储能处于充电状态，U_dchg(t)＝1表示在时段t蓄电池储能处于放电状态；P_chg(t)和P_dchg(t)分别为时段t蓄电池储能的充电功率和放电功率；和分别为蓄电池的最大容量与最小容量；和分别为蓄电池储能的最大充电功率和放电功率；η_dchg和η_chg分别为蓄电池放电效率和充电效率；和E_ess(T)分别为蓄电池初始容量和时段T蓄电池容量。

进一步的，所述步骤S4以总交易费用期望值最小化为目标，通过混合整数规划求解器CPLEX求解，得到日前市场各时段竞价功率、不同风光出力场景下蓄电池储能充放电功率。

本发明与现有技术相比具有以下有益效果：本发明考虑蓄电池放电损耗成本和风光出力波动性产生的不平衡费用，通过引入风险权衡系数反映含风光储的大用户对交易损失风险的重视程度；本发明的模型通过混合整数规划求解器CPLEX求解，得到日前市场各时段竞价功率和不同风光出力场景下蓄电池储能的充放电功率；本发明更直观地描述决策风险和交易收益关系，在控制含风光储的大用户所面临的决策风险的基础上间接实现交易收益最大化，为含风光储的大用户参与日前市场电能交易决策提供参考。

附图说明

图1是本发明的方法流程图。

具体实施方式

下面结合附图及实施例对本发明做进一步说明。

请参照图1，本发明提供一种评估含风光储的大用户参与日前市场电力交易风险的方法，其特征在于，包括以下步骤：

步骤S1：提取日前现货市场和实时平衡市场的电价预测数据；提取大用户典型日负荷预测数据；提取风速、光照强度分布参数；提取风力发电机组、光伏电池出力模型参数和蓄电池储能相关参数；

步骤S2：建立日前市场环境下含风光储的大用户期望交易费用最小化模型；定义所述大用户期望交易费用最小化模型模型为：在日前电力市场环境下，计及风光出力的随机性产生的期望不平衡费用和蓄电池储能放电损耗成本，含风光储的大用户参与日前电力市场竞价交易，以1h为分析对象，用数学函数表述如下：

minE[F(t)]＝E[C_DA(t)]+E[C_RT(t)]+E[C_BAT(t)]；

其中，E[F(t)]为含风光储的大用户在t时段的交易费用均值；E[C_DA(t)]、E[C_RT(t)]、E[C_BAT(t)]分别为在t时段日前市场购售电费用均值、实时市场不平衡费用均值和蓄电池储能放电损耗成本均值；具体包括以下步骤：

步骤S21：日前现货市场：日前市场的购售电费用由购电成本减去售电收入组成。假设含风光储的大用户在日前市场上的t时段只能申报售电功率或者购电功率；则含风光储的大用户t时段在日前市场上的购售电费用均值E[C_DA(t)]为：

E[C_DA(t)]＝P_DA(t)Q_DA(t)；

其中，P_DA(t)、Q_DA(t)分别为t时段在日前现货市场上的竞价功率和电价预测值；

步骤S22：实时平衡市场：由于风光出力的波动性和随机性，含风光储的大用户在日前市场上所申报的交易功率在实际结算过程中难以完全履行，故余缺电量将在实时市场中调剂。本发明采用场景的产生及削减技术来描述风速和光照强度的不确定性。假设实时市场上各时段的正、负不平衡价格分别设置为各时段日前市场电价预测值的一定比例，则含风光储的大用户t时段在实时平衡市场上所缴纳的不平衡费用均值E[C_RT(t)]为：

；

其中，N为总风光出力场景数；π(s)为第s个风光出力场景发生概率；λ_buy(t)、λ_sell(t)分别为t时段实时平衡市场的购电价格系数和售电价格系数；为第s个风光出力场景下t时段实时市场交易功率；

步骤S23：蓄电池储能的充放电操作会影响自身的循环寿命，本发明中以蓄电池储能放电损耗成本表征其充放电操作对自身循环寿命的影响，则t时段蓄电池放电损耗成本均值E[C_BAT(t)]为：

其中，C_BAT0、分别为t时段单位电量放电损耗成本和第s个风光出力场景下放电损耗功率。

步骤S3：建立CVaR风险约束：采用CVaR度量含风光储的大用户参与日前市场电力交易尾部损失的风险；其中，日前市场交易损失风险的CVaR值用数学函数表述如下：

其中,ω_s为第s个风光出力场景下的日前市场交易损失；ξ为置信水平为α下损失函数所对应的VaR值；

其中：

；

引入β表征含风光储的大用户对总交易费用所对应的尾部损失风险和总交易费用期望值的权衡系数，则CVaR风险约束可表述如下：

进一步的，所述步骤S3包括的剩余约束条件有：风光出力约束、日前市场竞标值上下限约束、供需平衡约束、蓄电池储能运行约束；

所述风光出力约束用数学函数表述如下：

所述日前市场竞标值上下限约束用数学函数表述如下：

所述供需平衡约束用数学函数表述如下：

所述蓄电池储能运行约束用数学函数表述如下：

其中，分别为风机和光伏的最大有功输出功率；和分别为第s个场景下时段t风力发电机组和光伏实际出力；P_L(t)为时段t大用户负荷预测值；U_chg(t)和U_dchg(t)为布尔变量，U_chg(t)＝1表示在时段t蓄电池储能处于充电状态，U_dchg(t)＝1表示在时段t蓄电池储能处于放电状态；P_chg(t)和P_dchg(t)分别为时段t蓄电池储能的充电功率和放电功率；和分别为蓄电池的最大容量与最小容量；和分别为蓄电池储能的最大充电功率和放电功率；η_dchg和η_chg分别为蓄电池放电效率和充电效率；和E_ess(T)分别为蓄电池初始容量和时段T蓄电池容量。

步骤S4：求解日前市场各时段竞价功率、不同风光出力场景下蓄电池储能充放电功率。较佳的，以总交易费用期望值最小化为目标，通过风险权衡系数对CVaR度量的交易损失风险进行约束，采用混合整数规划求解器CPLEX求解本发明中提到的模型，得到日前市场各时段竞价功率、不同风光出力场景下蓄电池储能充放电功率。

以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。

Claims (5)

1.一种评估含风光储的大用户参与日前市场电力交易风险的方法，其特征在于，包括以下步骤：

步骤S1：提取日前现货市场和实时平衡市场的电价预测数据；提取大用户典型日负荷预测数据；提取风速、光照强度分布参数；提取风力发电机组、光伏电池出力模型参数和蓄电池储能参数；

步骤S2：建立日前市场环境下含风光储的大用户期望交易费用最小化模型；定义所述大用户期望交易费用最小化模型模型为：在日前电力市场环境下，计及风光出力的随机性产生的期望不平衡费用和蓄电池储能放电损耗成本，含风光储的大用户参与日前电力市场竞价交易，以1h为分析对象，用数学函数表述如下：

minE[F(t)]＝E[C_DA(t)]+E[C_RT(t)]+E[C_BAT(t)]；

其中，E[F(t)]为含风光储的大用户在t时段的交易费用均值；E[C_DA(t)]、E[C_RT(t)]、E[C_BAT(t)]分别为在t时段日前市场购售电费用均值、实时市场不平衡费用均值和蓄电池储能放电损耗成本均值；

步骤S3：建立CVaR风险约束：采用CVaR度量含风光储的大用户参与日前市场电力交易尾部损失的风险；

步骤S4：求解日前市场各时段竞价功率、不同风光出力场景下蓄电池储能充放电功率。

2.根据权利要求1所述的评估含风光储的大用户参与日前市场电力交易风险的方法，其特征在于：所述步骤S2具体包括以下步骤：

步骤S21：日前现货市场：假设含风光储的大用户在日前市场上的t时段只能申报售电功率或者购电功率；则含风光储的大用户t时段在日前市场上的购售电费用均值E[C_DA(t)]为：

E[C_DA(t)]＝P_DA(t)Q_DA(t)；

其中，P_DA(t)、Q_DA(t)分别为t时段在日前现货市场上的竞价功率和电价预测值；

步骤S22：实时平衡市场：假设实时市场上各时段的正、负不平衡价格分别设置为各时段日前市场电价预测值的一定比例，则含风光储的大用户t时段在实时平衡市场上所缴纳的不平衡费用均值E[C_RT(t)]为：

$E\[C_{RT}\left(t\right)\]=\underset{s=1}{\overset{N}{\mathrm{\Σ}}}\mathrm{\π}\left(s\right)\left({\mathrm{\λ}}_{buy}\right(t\left)Q_{DA}\right(t){\[P_{RT}^s\left(t\right),0\]}^{+}+{\mathrm{\λ}}_{sell}(t\left)Q_{DA}\right(t\left){\[P_{RT}^s\left(t\right),0\]}^{-}\right)$

其中，N为总风光出力场景数；π(s)为第s个风光出力场景发生概率；λ_buy(t)、λ_sell(t)分别为t时段实时平衡市场的购电价格系数和售电价格系数；为第s个风光出力场景下t时段实时市场交易功率；

步骤S23：以蓄电池储能放电损耗成本表征其充放电操作对自身循环寿命的影响，则t时段蓄电池放电损耗成本均值E[C_BAT(t)]为：

$E\[C_{BAT}\left(t\right)\]=\underset{s=1}{\overset{N}{\Σ}}\mathrm{\π}\left(s\right)C_{BAT0}\left|P_{dchg}^s\left(t\right)\right|;$

其中，分别为t时段单位电量放电损耗成本和第s个风光出力场景下放电损耗功率。

3.根据权利要求1所述的一种评估含风光储的大用户参与日前市场电力交易风险的方法，其特征在于：所述步骤S3具体为：日前市场交易损失风险的CVaR值用数学函数表述如下：

$CVaR=\frac{1}{1-\mathrm{\α}}\underset{s=1}{\overset{N}{\Σ}}\mathrm{\π}\left(s\right){\[{\mathrm{\ω}}_s-\mathrm{\ξ}\]}^{+}+\mathrm{\ξ};$

其中,ω_s为第s个风光出力场景下的日前市场交易损失；ξ为置信水平为α下损失函数所对应的VaR值；

其中：

$\begin{array}{c}{\mathrm{\ω}}_s=C_{BAT}^s+C_{RT}^s+C_{DA}\\ =\underset{t=1}{\overset{T}{\mathrm{\Σ}}}\left(C_{BAT0}\left|P_{dchg}^s\left(t\right)\right|+Q_{DA}\left(t\right)\left(P_{DA}\left(t\right)+{\mathrm{\λ}}_{buy}\left(t\right){\[P_{RT}^s\left(t\right),0\]}^{+}+{\mathrm{\λ}}_{sell}\left(t\right){\[P_{RT}^s\left(t\right),0\]}^{-}\right)\right)\end{array};$

引入β表征含风光储的大用户对总交易费用所对应的尾部损失风险和总交易费用期望值的权衡系数，则CVaR风险约束可表述如下：

$\frac{1}{1-\mathrm{\α}}\underset{s=1}{\overset{N}{\Σ}}\mathrm{\π}\left(s\right){\[{\mathrm{\ω}}_s-\mathrm{\ξ}\]}^{+}+\mathrm{\ξ}\≤\mathrm{\β}\underset{t=1}{\overset{T}{\Σ}}\left(P_{DA}\right(t\left)Q_{DA}\right(t)+\underset{s=1}{\overset{N}{\Σ}}\mathrm{\π}(s\left)\right(C_{RT}^s+C_{BAT}^s\left)\right).$

4.根据权利要求1所述的一种评估含风光储的大用户参与日前市场电力交易风险的方法，其特征在于：所述步骤S3包括的剩余约束条件有：风光出力约束、日前市场竞标值上下限约束、供需平衡约束、蓄电池储能运行约束；

所述风光出力约束用数学函数表述如下：

$\begin{array}{c}0\≤P_w^s\left(t\right)\≤P_w^{\max }\\ 0\≤P_{pv}^s\left(t\right)\≤P_{pv}^{\max }\end{array};$

所述日前市场竞标值上下限约束用数学函数表述如下：

$P_L\left(t\right)-P_w^{max}-P_{pv}^{max}-P_{dchg}^{\max }\≤P_{DA}\left(t\right)\≤P_L\left(t\right)+P_{chg}^{\max };$

所述供需平衡约束用数学函数表述如下：

$P_{DA}\left(t\right)+P_w^s\left(t\right)+P_{pv}^s\left(t\right)+P_{RT}^s\left(t\right)=P_L\left(t\right)+P_{chg}^s\left(t\right)+P_{dchg}^s\left(t\right);$

所述蓄电池储能运行约束用数学函数表述如下：

$\begin{array}{c}-P_{dchg}^{\max }{U}_{dchg}\left(t\right)\≤P_{dchg}\left(t\right)\≤0\\ 0\≤P_{chg}\left(t\right)\≤P_{chg}^{\max }{U}_{chg}\left(t\right)\\ U_{dchg}\left(t\right)+U_{chg}\left(t\right)\≤1\\ U_{dchg}\left(t\right)\∈\left\{0,1\right\},U_{chg}\left(t\right)\∈\left\{0,1\right\}\\ \begin{array}{cc}{E}_{ess}\left(t\right)=E_{ess}^0+\left(\frac{P_{dchg}\left(t\right)}{{\mathrm{\η}}_{dchg}}+{\mathrm{\η}}_{chg}{P}_{chg}\left(t\right)\right)& t=1\end{array}\\ \begin{array}{cc}{E}_{ess}\left(t\right)=E_{ess}\left(t-1\right)+\left(\frac{P_{dchg}\left(t\right)}{{\mathrm{\η}}_{dchg}}+{\mathrm{\η}}_{chg}{P}_{chg}\left(t\right)\right)& \∀t=1:T|t>1\end{array}\\ E_{ess}^{\min }\≤E_{ess}\left(t\right)\≤E_{ess}^{\max }\\ E_{ess}^0=E_{ess}\left(T\right)\end{array};$

其中，分别为风机和光伏的最大有功输出功率；和分别为第s个场景下时段t风力发电机组和光伏实际出力；P_L(t)为时段t大用户负荷预测值；U_chg(t)和U_dchg(t)为布尔变量，U_chg(t)＝1表示在时段t蓄电池储能处于充电状态，U_dchg(t)＝1表示在时段t蓄电池储能处于放电状态；P_chg(t)和P_dchg(t)分别为时段t蓄电池储能的充电功率和放电功率；和分别为蓄电池的最大容量与最小容量；和分别为蓄电池储能的最大充电功率和放电功率；η_dchg和η_chg分别为蓄电池放电效率和充电效率；和E_ess(T)分别为蓄电池初始容量和时段T蓄电池容量。

5.根据权利要求1所述的一种评估含风光储的大用户参与日前市场电力交易风险的方法，其特征在于：所述步骤S4以总交易费用期望值最小化为目标，通过混合整数规划求解器CPLEX求解，得到日前市场各时段竞价功率、不同风光出力场景下蓄电池储能充放电功率。