CN112288203A - 一种基于发电商投标偏差惩罚的电力市场均衡分析方法 - Google Patents

Abstract

本发明公开了一种基于发电商投标偏差惩罚的电力市场均衡分析方法。该方法为：建立发电商参与电力市场的投标模型；对可再生能源的不确定性进行描述和处理，采用场景削减技术计入可再生能源不确定性；建立考虑发电商投标偏差惩罚的电力市场随机古诺均衡模型，并采用非线性互补法求解，得到电力市场均衡分析结果。本发明根据可再生能源参与电力市场时投标出力和实际出力的偏差，建立考虑市场对偏差的惩罚机制，减小了可再生能源发电商参与电力市场时投标偏差对电力市场的影响，提高了电力市场的稳定性。

Description

一种基于发电商投标偏差惩罚的电力市场均衡分析方法

技术领域

本发明属于电力市场技术领域，特别是一种基于发电商投标偏差惩罚的电力市场均衡分析方法。

背景技术

近年来，全球环境问题与能源问题的凸显，使得以风电和光伏为主的间歇性可再生能源发电在世界范围内受到广泛关注并迅速发展。目前我国风电与光伏装机容量占全国总装机的11.46％，并且将在未来继续高速增长，逐渐成为主要的能源供给形式。当前我国新一轮电力体制改革进展如火如荼，力图构建一个“公平、开放、有序、竞争”的电力市场体系，深化电力资源优化配置，促进可再生能源消纳，实现政府调控市场、市场引导企业的重大转变。如何通过科学的、系统性的、严谨的电力市场机制设计，把间歇性可再生能源纳入电力市场之中，用市场机制促进其高效消纳，是当前电力市场机制设计所面临的新挑战，也是国际学术界、产业界的关注焦点。

可再生能源发电具有随机性、间歇性和可调度性差的特点，导致可再生能源投标出力与实际出力可能出现偏差。因此，在可再生能源参与竞价的电力市场中如何处理风电投标偏差，影响着整个电力市场的均衡。

现有的电力市场均衡分析的研究中，考虑可再生能源参与的方法主要是将可再生能源发电商作为价格的接受者，研究可再生能源参与对常规发电商的影响，未考虑可再生能源参与电力市场时偏差惩罚对可再生能源发电商投标策略以及市场价格的影响。

发明内容

本发明的目的在于提供一种减小可再生能源发电商参与电力市场时投标偏差对电力市场的影响，提高电力市场的稳定性的基于发电商投标偏差惩罚的电力市场均衡分析方法。

实现本发明目的的技术解决方案为：一种基于发电商投标偏差惩罚的电力市场均衡分析方法，包括以下步骤：

步骤1、建立发电商参与电力市场的投标模型；

步骤2、对可再生能源的不确定性进行描述和处理，采用场景削减技术计入可再生能源不确定性；

步骤3、建立考虑发电商投标偏差惩罚的电力市场随机古诺均衡模型，并采用非线性互补法求解，得到电力市场均衡分析结果。

本发明与现有技术相比，其显著优点为：(1)解决了可再生能源参与电力市场时电力市场的均衡问题，减小了可再生能源发电商参与电力市场时投标偏差对电力市场的影响；(2)根据可再生能源参与电力市场时投标出力和实际出力的偏差，建立考虑市场对偏差的惩罚机制，提高了电力市场的稳定性。

附图说明

图1是本发明基于发电商投标偏差惩罚的电力市场均衡分析方法的流程示意图。

图2是本发明实施例中偏差惩罚系数对日前价格的影响曲线图。

图3是本发明实施例中偏差惩罚系数对传统发电商投标量的影响曲线图。

图4是本发明实施例中偏差惩罚系数对可再生能源发电商投标量的影响曲线图。

图5是本发明实施例中偏差惩罚系数对传统发电商期望利润的影响曲线图。

图6是本发明实施例中偏差惩罚系数对可再生能源发电商期望利润的影响曲线图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步详细说明。

结合图1，本发明的基于发电商投标偏差惩罚的电力市场均衡分析方法，包括以下步骤：

步骤1、建立发电商参与电力市场的投标模型，具体如下：

步骤1.1、基于由n个传统发电商和1个可再生能源发电商组成的发电市场，构建市场价格的表达式，将日前市场某小时时段的市场需求用线性逆需求函数表示：

p＝a-bD (1)

式中，p为日前市场价格；a、b为大于零的常数；D为市场需求；

市场需求D满足：

式中，P_i为传统发电商i在日前市场的投标出力；P^bid为可再生能源发电商在日前市场的投标出力；

综合式(1)和式(2)可得日前市场价格函数为：

步骤1.2、构建传统发电商的决策模型：

传统发电商i具有如下2次发电成本函数：

C_i(P_i)＝α_iP_i+0.5β_iP_i ² (4)

式中，α_i、β_i为大于零的成本系数；

传统发电商i(i＝1,2,…,n)决策模型为：

步骤1.3、构建可再生能源发电商的决策模型：

因为可再生能源出力存在不确定性，其实际出力与投标出力可能存在偏差，会受到电力市场的惩罚，偏差惩罚为：

式中，r⁺为少投惩罚系数；r^-为多投惩罚系数；P_w为可再生能源法电商在日前市场的实际出力；

可再生能源发电商决策模型为：

式中，I为场景k的偏差惩罚；s_k问问场景k发生的概率。

步骤2、对可再生能源的不确定性进行描述和处理，采用场景削减技术计入可再生能源不确定性，具体如下：

步骤2.1、采用场景概率法描述可再生能源的不确定性，将可再生能源的历史数据作为原数据，利用后场景削减技术对包含K个场景的场景集合样本数据进行迭代，每一次迭代，对于剩余场景集合中的每一个场景，后向寻找与该场景距离最小的场景，并计算与该场景距离最小的场景所对应的概率与该最小距离的乘积，记为D_s；

步骤2.2、在全部K个场景中，寻找最小的D_s，记为D_smin，然后削减D_smin对应的场景，并更新剩余场景概率和个数；

步骤2.3、当得到期望的剩余场景数量N时，停止迭代，算法终止，得到场景数量为N的场景集合。

步骤3、建立考虑发电商投标偏差惩罚的电力市场随机古诺均衡模型，并采用非线性互补法求解，得到电力市场均衡分析结果，具体如下：

步骤3.1、建立传统发电商决策模型的拉格朗日函数，求出其对应的KKT条件：

传统发电商决策模型的拉格朗日函数为：

求导可得KKT条件：

式中，式中，p为日前市场价格；a为大于零的常数；b为大于零的常数；α_i为大于零的成本系数；β_i为大于零的成本系数；P_i为传统发电商i在日前市场的投标出力；λ_1i、λ_2i为拉格朗日乘子；

可再生能源发电商决策模型的拉格朗日函数为：

求导可得KKT条件：

s_kr⁺p-μ_3k+μ_4k＝0

-s_kr^-p+μ_3k+μ_5k＝0

μ_1iP^bid＝0

式中，r⁺为少投惩罚系数；r^-为多投惩罚系数；p为日前市场价格；b为大于零的常数；P^bid为可再生能源法电商在日前市场的投标出力；P_w为可再生能源法电商在日前市场的实际出力；p为日前市场价格；P^bid为可再生能源法电商在日前市场的投标出力；I为场景k的偏差惩罚；s_k为场景k发生的概率；μ_1i,μ_2i,μ_3i,μ_4i,μ_5i为拉格朗日乘子；

步骤3.2、利用非线性互补问题函数，将非线性项转换为线性项：

令

均衡模型为：

步骤3.3、求解电力市场的均衡模型，得到电力市场均衡分析结果。

实施例1

本实施例为某电力市场，某时段(1h)的市场逆需求函数中，a＝80USD/(MW·h)，b＝1USD/((MW)2·h)；电力市场中有G1和G2两个传统发电商和一个可再生能源发电商，G1和G2的发电成本系数分别为：a₁＝12USD/(MW·h)，b₁＝1USD/((MW)²·h)；a2＝10.0USD/(MW·h)，b2＝1.5USD/((MW)²·h)；装机容量均为50MW；可再生能源发电商为风电商，风电商拥有10台风电机组，每台风电机组出力满足P_w＝0.764MW，风机切入风速V_in＝3m/s，额定风速V_N＝15m/s，切出风速V_out＝25m/s。

图2为偏差惩罚系数对日前市场价格的影响，图3为偏差惩罚系数对传统发电商投标量的影响，图4为偏差惩罚系数对可再生能源发电商投标量的影响。从图中可以看出，日前市场价格随少投惩罚系数变小而下降，随多投惩罚系数变大而上升；随着少投惩罚系数变小，风电商均衡投标出力增加，虽然两个传统发电商均衡投标出力减少，但减少量小于风电商投标出力的增加量，所以日前市场价格下降；随着多投惩罚系数变大，风电商均衡投标出力减少，虽然传统发电商均衡投标出力增加，但增加量小于风电商投标出力的减少量，所以日前市场价格上升。

图5、图6给出了偏差惩罚系数对风电商期望利润和G1利润的影响。从图中可见，风电商期望利润随少投惩罚系数变小而减少，随多投惩罚系数变大而减少。随着少投惩罚系数变小，少投惩罚力度增大，日前价格下降，虽然风电商均衡投标出力增加，但价格下降带来的利润减少效应大于增加投标出力带来的利润增加效应，导致其期望利润减少；随着多投惩罚系数变大，多投惩罚力度增大，风电商均衡投标出力减少，虽然日前价格上升，但价格上升带来的利润增加效应小于减少投标出力带来的利润减少效应，导致其期望利润减少。分析表明，随着惩罚力度加大，即少投惩罚系数变小或多投惩罚系数变大，风电商期望利润呈减少趋势。

Claims (4)

1.一种基于发电商投标偏差惩罚的电力市场均衡分析方法，其特征在于，包括以下步骤：

步骤1、建立发电商参与电力市场的投标模型；

步骤2、对可再生能源的不确定性进行描述和处理，采用场景削减技术计入可再生能源不确定性；

步骤3、建立考虑发电商投标偏差惩罚的电力市场随机古诺均衡模型，并采用非线性互补法求解，得到电力市场均衡分析结果。

2.根据权利要求1所述的基于发电商投标偏差惩罚的电力市场均衡分析方法，其特征在于，步骤1中所述的建立发电商参与电力市场的投标模型，具体如下：

步骤1.1、基于由n个传统发电商和1个可再生能源发电商组成的发电市场，构建市场价格的表达式，将日前市场某小时时段的市场需求用线性逆需求函数表示：

p＝a-bD (1)

式中，p为日前市场价格；a、b为大于零的常数；D为市场需求；

市场需求D满足：

式中，P_i为传统发电商i在日前市场的投标出力；P^bid为可再生能源发电商在日前市场的投标出力；

综合式(1)和式(2)得日前市场价格函数为：

步骤1.2、构建传统发电商的决策模型：

传统发电商i具有如下2次发电成本函数：

C_i(P_i)＝α_iP_i+0.5β_iP_i ² (4)

式中，α_i、β_i为大于零的成本系数；

传统发电商i决策模型为：

其中，i＝1,2,…,n；

步骤1.3、构建可再生能源发电商的决策模型：

因为可再生能源出力存在不确定性，其实际出力与投标出力可能存在偏差，会受到电力市场的惩罚，偏差惩罚为：

式中，r⁺为少投惩罚系数；r^-为多投惩罚系数；P_w为可再生能源法电商在日前市场的实际出力；

可再生能源发电商的决策模型为：

式中，I为场景k的偏差惩罚；s_k为场景k发生的概率。

3.根据权利要求1所述的基于发电商投标偏差惩罚的电力市场均衡分析方法，其特征在于，步骤2中所述的对可再生能源的不确定性进行描述和处理，采用场景削减技术计入可再生能源不确定性，具体如下：

步骤2.1、采用场景概率法描述可再生能源的不确定性，将可再生能源的历史数据作为原数据，利用后场景削减技术对包含K个场景的场景集合样本数据进行迭代，每一次迭代，对于剩余场景集合中的每一个场景，后向寻找与该场景距离最小的场景，并计算与该场景距离最小的场景所对应的概率与该最小距离的乘积，记为D_s；

步骤2.2、在全部K个场景中，寻找最小的D_s，记为D_smin，然后削减D_smin对应的场景，并更新剩余场景概率和个数；

步骤2.3、当得到期望的剩余场景数量N时，停止迭代，算法终止，得到场景数量为N的场景集合。

4.根据权利要求1所述的基于发电商投标偏差惩罚的电力市场均衡分析方法，其特征在于，步骤3中所述的建立考虑发电商投标偏差惩罚的电力市场随机古诺均衡模型，并采用非线性互补法求解，得到电力市场均衡分析结果，具体如下：

步骤3.1、建立传统发电商决策模型的拉格朗日函数，求出对应的KKT条件：

传统发电商决策模型的拉格朗日函数为：

求导得KKT条件：

式中，p为日前市场价格；a为大于零的常数；b为大于零的常数；α_i为大于零的成本系数；β_i为大于零的成本系数；P_i为传统发电商i在日前市场的投标出力；λ_1i、λ_2i为拉格朗日乘子；

可再生能源发电商决策模型的拉格朗日函数为：

求导得KKT条件：

式中，r⁺为少投惩罚系数；r^-为多投惩罚系数；p为日前市场价格；b为大于零的常数；P^bid为可再生能源法电商在日前市场的投标出力；P_w为可再生能源法电商在日前市场的实际出力；p为日前市场价格；P^bid为可再生能源法电商在日前市场的投标出力；I为场景k的偏差惩罚；s_k为场景k发生的概率；μ_1i,μ_2i,μ_3i,μ_4i,μ_5i为拉格朗日乘子；

步骤3.2、利用非线性互补问题函数，将非线性项转换为线性项：

令

均衡模型为：

步骤3.3、求解电力市场的均衡模型，得到电力市场均衡分析结果。

Images