CN116011821A

CN116011821A - 一种电力市场环境下虚拟电厂优化风险调度方法

Info

Publication number: CN116011821A
Application number: CN202310061473.1A
Authority: CN
Inventors: 高赐威; 曹家诚; 宋梦
Original assignee: Southeast University
Current assignee: Southeast University
Priority date: 2023-01-14
Filing date: 2023-01-14
Publication date: 2023-04-25

Abstract

本发明公开了一种电力市场环境下虚拟电厂优化风险调度方法，包括以下步骤：先建立电力市场环境下虚拟电厂运行框架；然后进行虚拟电厂运行不确定性场景模拟；建立虚拟电厂优化风险调度模型；分析虚拟电厂内部各类资源对整体的效益贡献。本发明方法利用条件风险价值法对其面临的新能源出力、电价等不确定性带来的风险进行度量，设计了不同风险偏好的虚拟电厂的优化调度策略，并基于夏普利值法和独立风险贡献度理论，对虚拟电厂内部各类分布式资源对整体收益和风险的贡献进行了定量分析，为虚拟电厂的资源配置提供支持。

Description

一种电力市场环境下虚拟电厂优化风险调度方法

技术领域

本发明属于虚拟电厂技术领域，具体涉及一种电力市场环境下虚拟电厂优化风险调度方法。

背景技术

虚拟电厂通过聚合配网侧的分布式资源，使其成为一个可控整体，有助于电力系统的安全稳定运行。虚拟电厂同样能够作为平等的市场主体参与市场交易，然而虚拟电厂在参与市场时面临诸多风险，鲜有研究对虚拟电厂的优化风险调度模型进行研究，且很少有研究对虚拟电厂内部各资源对整体的收益及风险贡献进行定量分析，而这恰是虚拟电厂在资源配置时的重要考量。

发明内容

针对现有技术的不足，本发明的目的在于提供一种电力市场环境下虚拟电厂优化风险调度方法，以解决上述背景技术中提出的问题。

本发明的目的可以通过以下技术方案实现：

一种电力市场环境下虚拟电厂优化风险调度方法，包括以下步骤：

步骤1、先建立电力市场环境下虚拟电厂运行框架：

所述虚拟电厂运行框架中虚拟电厂管理的分布式资源包括分布式风电机组、分布式光伏机组、微型燃气机组、电储能设备和用户可控负荷；虚拟电厂拥有内部分布式电源和电储能设备的控制权，并自行负担其调度成本；

步骤2、然后根据步骤1建立的电力市场环境下虚拟电厂运行框架进行虚拟电厂运行不确定性场景模拟，采用拉丁超立方抽样法对蒙特卡洛法生成的不确定性场景集进行缩减；

步骤3、建立虚拟电厂优化风险调度模型：

利用CVaR法对虚拟电厂参与市场的风险进行度量，建立虚拟电厂目标函数，得到虚拟电厂期望收益B的表达式，转化后得到市场环境下虚拟电厂优化风险调度模型；

步骤4、分析虚拟电厂内部各类资源对整体的效益贡献：

先基于夏普利值法对虚拟电厂内部各类分布式资源的收益贡献进行定量分析，然后基于独立风险贡献度理论对虚拟电厂内部各类分布式资源的风险贡献进行定量分析。

优选地，所述步骤1中虚拟电厂在日前阶段时通过对可再生能源机组、负荷出力的预测情况以及电价的预测情况，自主决策市场投标策略，在实时阶段，虚拟电厂对日前申报电量和实际交割电量的差额在实时市场进行交易。

优选地，所述步骤2中的抽样过程如下：

随机变量X_i，其采样规模为R，X_i的累积分布函数为：

Y_i＝F_i(X_i),Y_i∈[0,1]

R等分Y_i的取值区间，取各个区间的中间数作为Y_i的采样值，X_i的第r个采样值可以通过下式获得：

得到初始采样矩阵Z_i＝[X_i1,X_i2,…,X_iR]。

对初始采样矩阵进行乱序处理，得到独立的正态分布采样矩阵Z_i'。

优选地，所述步骤3中CVaR的具体表达式如下：

虚拟电厂的目标函数包括期望收益和条件风险价值两部分，其目标函数如下所示：

maxf＝(1-β)·B+β·CVaR_α。

优选地，所述步骤3中虚拟电厂期望收益B的表达式如下：

。

优选地，所述日前市场收益计算公式如下：

实时市场收益计算公式如下：

可再生能源机组成本计算公式如下：

微型燃气机组成本计算公式如下：

电储能成本计算公式如下：

负荷管理收益计算公式如下：

约束条件如下：

功率平衡约束：

可再生能源机组出力约束：

燃气机组出力约束：

电储能荷电状态约束：

需求响应约束：

市场购售电量约束：

优选地，所述市场环境下虚拟电厂优化风险调度模型的求解方法如下：

虚拟电厂在实时市场的交易量面临价格惩罚，将交易量的绝对值线性化，引入辅助变量和如下式：

实时市场交易量如下式：

通过场景生成法对原始公式进行线性化处理，转化如下：

约束条件为：

η_k≥ζ-B_k

η_k≥0

转换后的市场环境下虚拟电厂优化风险调度模型如下：

。

优选地，所述步骤4中的虚拟电厂内部分布式资源g对应的夏普利值φ_g计算公式如下：

。

优选地，所述步骤4中的虚拟电厂的整体风险水平表达式如下：

风险因素l的独立风险贡献度的计算公式如下：

。

本发明的有益效果：

1、本发明方法利用条件风险价值法对其面临的新能源出力、电价等不确定性带来的风险进行度量，设计了不同风险偏好的虚拟电厂的优化调度策略，并基于夏普利值法和独立风险贡献度理论，对虚拟电厂内部各类分布式资源对整体收益和风险的贡献进行了定量分析，为虚拟电厂的资源配置提供支持。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明方法的总体流程图；

图2是本发明中电力市场环境下虚拟电厂运行框架。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

请参阅图1所示，本发明提出一种电力市场环境下虚拟电厂优化风险调度方法，包括以下步骤：

步骤1、建立电力市场环境下虚拟电厂运行框架，包括虚拟电厂管理的分布式资源、虚拟电厂，如图2所示；

虚拟电厂管理的分布式资源包括：分布式风电机组、分布式光伏机组、微型燃气机组、电储能设备和用户可控负荷；

虚拟电厂拥有内部分布式电源和电储能设备的控制权，并自行负担其调度成本。对于内部负荷，虚拟电厂承担售电商的角色，提供售电服务，内部负荷包含一定体量的柔性资源，能够在日内进行负荷削减，虚拟电厂在日前阶段与负荷用户达成需求响应协议，确定次日各时段的负荷削减量和补偿价格；

在日前阶段，虚拟电厂通过对可再生能源机组、负荷出力的预测情况以及电价的预测情况，自主决策市场投标策略，在实时阶段，由于可再生能源出力和实际负荷偏差，虚拟电厂对日前申报电量和实际交割电量的差额在实时市场进行交易，为了避免投机型市场参与者利用日前市场和实时市场价差进行套利，实时市场实行单一价格惩罚模式，对实时市场的售出/购买电量均予以惩罚。

步骤2、然后根据步骤1建立的电力市场环境下虚拟电厂运行框架进行虚拟电厂运行不确定性场景模拟；

在虚拟电厂的决策过程中，分布式资源和电价的不确定性有着重要影响。本文假设不确定量的分布服从历史分布，通过生成分布式资源场景集Μ和电价场景集Λ描述虚拟电厂决策中面临的不确定性。分布式资源场景集Μ包括分布式风电机组、光伏机组、用户负荷的不确定性场景，三种资源的不确定性互相独立，均服从以预测值为均值的正态分布。电价场景集Λ包括日前电价场景和实时电价场景，电价波动服从以预测值为均值的正态分布。

假设生成的分布式资源场景数为m，电价场景数为u，由于分布式资源场景和电价场景相互独立，则总场景数为N_K＝m×u。为了使随机优化具有更优表现，使用传统的蒙特卡洛法需要生成大量的随机数据，导致随机优化的计算效率偏低。为了解决上述问题，本章采用拉丁超立方抽样法对蒙特卡洛法生成的不确定性场景集进行缩减，在保持计算精度的同时提高效率。

拉丁超立方抽样本质上是一种分层采样法，能够用更少的样本数覆盖同样大小的样本空间，同时不会忽略尾部的样本值，其抽样步骤如下^[57]：

1、采样：假设有随机变量X_i，其采样规模为R，X_i的累积分布函数为：

Y_i＝F_i(X_i),Y_i∈[0,1] (1)

R等分Y_i的取值区间，取各个区间的中间数作为Y_i的采样值，则X_i的第r个采样值可以通过下述逆变换获得：

则可以得到初始采样矩阵Z_i＝[X_i1,X_i2,…,X_iR]。

2、排序：由于分布函数是增函数，因此上述采样得到的初始矩阵具有正相关性，对其进行乱序处理，得到独立的正态分布采样矩阵Z_i'。

步骤3、建立虚拟电厂优化风险调度模型；

利用条件风险价值(ConditionalValueatRisk,CVaR)法对虚拟电厂参与市场的风险进行度量，建立虚拟电厂目标函数。

条件风险价值法由风险价值(ValueatRisk,VaR)法演变而来，是近几年广泛应用的风险评价指标，它因其广泛适用性而被大量应用于电力市场中的风险评估。CVaR法在给定置信水平α的情况下，评估超过某概率的风险损失的期望值，或最差概率(1-α)×100％情况下的期望收益值，而VaR法主要关注收益小于某给定值的可能性，相比VaR法，CVaR法能够提供更多损益信息，VaR和CVaR的具体表达式如下：

Pr{V＜VaR_α}＝1-α(3)

式中，V为市场收益，VaR_α为置信水平为α下的风险价值。CVaR_α为置信水平为α下的条件风险价值，X为决策量组合；ξ为不确定量；f(X,ξ)为收益函数；p(ξ)为ξ的概率密度函数。

虚拟电厂的目标函数包括期望收益和条件风险价值两部分，综合考虑风险偏好，其目标函数如下所示：

maxf＝(1-β)·B+β·CVaR_α (5)

式中：β∈[0,1]为风险规避系数，β取值越大，虚拟电厂策略越保守，B为根据不确定性场景集求得的虚拟电厂期望收益，CVaR_α表示在最差概率(1-α)×100％情境下，虚拟电厂的期望收益。

虚拟电厂期望收益B的表达式如下：

式中，π_k表示场景k发生的概率，分别表示场景k下虚拟电厂的日前市场收益，实时市场收益，内部售电收益、光伏机组成本、风电机组成本、微型燃气机组成本、储能设备成本和需求响应成本。

其中，日前市场收益计算公式如下：

式中，表示场景k下t时段日前市场电价，P_t ^DA表示t时段虚拟电厂在日前市场的交易电量，P_t ^DA＞0时代表虚拟电厂在日前市场购买电能，P_t ^DA＜0时代表虚拟电厂在日前市场出售电能。

实时市场收益计算公式如下：

式中，表示场景k下t时段实时市场电价，表示场景k下t时段虚拟电厂在实时市场的交易电量，时代表虚拟电厂在实时市场购买电能，时代表虚拟电厂在实时市场出售电能，表示t时段实时市场交易电量的惩罚单价。

可再生能源机组成本计算公式如下：

式中，r^pv和r^wt分别为光伏机组和风电机组的运维成本系数。和分别为场景k下t时段光伏机组和风电机组的发电量。

微型燃气机组成本计算公式如下：

由于虚拟电厂管理的微型燃气机组一般体量较小，假设其全时段均在线运行，不考虑其启停成本，其运行成本可用一次函数进行度量：

式中，N_J表示虚拟电厂管理的燃气机组数目，a_j,b_j为第j个燃气机组的成本系数，为场景k下第j个燃气机组t时段的发电量。

电储能成本计算公式如下：

电储能设备在充放电过程中电池会发生衰减，该成本与储能的充放电量有关，可近似用一次函数度量：

式中，N_e为虚拟电厂管理的电储能数目，c_i为第i个电储能的折旧成本系数，和分别为场景k下t时段第i个储能的充电功率和放电功率，均为正值。为使运行总成本最小，最终优化结果中和必有一项为0。

负荷管理收益计算公式如下：

负荷管理收益包括内部售电收入和需求响应补偿成本两部分。

式中，fee_t为t时段内部售电价格，load_k,t为场景k下t时段用户负荷，λ_t ^com为t时段需求响应补偿单价，P_t ^dr为t时段需求响应量。

约束条件如下：

1、功率平衡约束

2、可再生能源机组出力约束

式中：P^pv,max和P^wt,max分别为分布式光伏机组和风电机组的最大装机容量。

3、燃气机组出力约束

相较小时级调度而言，燃气机组的功率响应速度较快，因此不考虑其爬坡约束，仅考虑上下限约束。

式中：和分别是第j个燃气机组的出力下限和上限。

4、电储能荷电状态约束

电储能设备在运行过程中，为延长其使用寿命，各时段的荷电状态需维持在某一范围内，此外为了便于次日调度，当日结束时储能设备的荷电状态应等于当日开始时的状态。

式中，P_i ^cha,max和P_i ^dis,max分别是第i个储能设备的充、放电功率上限，是场景k下第i个储能设备t时段的剩余电量，S_k,i,t是场景k下第i个储能设备t时段的荷电状态，和分别是第i个储能设备的荷电状态下限和上限，为第i个储能设备的充放电效率因子，和分别是i个储能设备的起始和终止电量。

5、需求响应约束

式中，P_t ^dr,max为虚拟电厂在日前阶段与用户约定的削减电量上限。

6、市场购售电量约束

-P^DA,max≤P_t ^DA≤P^DA,max (26)

式中：P^DA,max和P^RT,max分别是日前市场和实时市场的投标电量上限。

模型的求解方法如下：

1、绝对值线性化

虚拟电厂在实时市场的交易量面临价格惩罚，其表达式包含交易量的绝对值，为将其线性化，引入辅助变量和

则实时市场交易量可以用辅助变量进行表示：

2、条件风险价值线性化

条件风险价值计算的原始公式中p(ξ)在实际应用中难以获得，可以通过场景生成法对原始公式进行线性化处理，本文条件风险价值的计算可转化为如下优化问题：

约束条件为：

η_k≥ζ-B_k (35)

η_k≥0 (36)

式中，ζ和η_k为引入的辅助变量，ζ代表置信水平α下的风险价值，B_k代表场景k下虚拟电厂的收益。

经过上述转化，市场环境下虚拟电厂优化风险调度模型可表示为如下形式：

步骤4、分析虚拟电厂内部各类资源对整体的效益贡献：

步骤4.1、基于夏普利值法对虚拟电厂内部各类分布式资源的收益贡献进行定量分析：

为了使用夏普利值法定量分析虚拟电厂内部各类资源对整体收益的贡献值，每一类分布式资源可以视为虚拟电厂联盟中的一个利益分配主体，5类分布式资源共有32种组合方式形成虚拟电厂参与市场，对于分布式资源g，计算该类资源在其参与的所有组合中的边际收益贡献的期望值，即为该类资源的夏普利值。

虚拟电厂内部分布式资源g对应的夏普利值φ_g计算公式如下：

式中，N为虚拟电厂内部分布式资源种类数目，N\{g}指除去分布式资源g后，其余分布式资源所能构成的组合场景，共16种，S为其中任意一种组合场景，|S|为该组合场景中分布式资源种类数目，v(S∪{g})-v(S)即为分布式资源g参与该组合后带来的边际收益贡献，系数可视为场景S发生的概率，通过上述加权求和即可计算出分布式资源g在其参与的所有组合中的边际

收益贡献的期望值。

为了求解出各类分布式资源的夏普利值，需要对32种组合场景下的虚拟电厂经济收益逐一计算。

步骤4.2、基于独立风险贡献度理论对虚拟电厂内部各类分布式资源的风险贡献进行定量分析：

参照经济学中的概念，虚拟电厂整体的风险水平为各风险因素导致的风险之和。对于虚拟电厂来说，由于燃气机组和电储能完全可控，不考虑其发生故障的情况，因此虚拟电厂内部风险来源主要为光伏机组、风电机组和用户负荷的不确定性，此外市场电价的波动性也会为虚拟电厂带来风险，因此共计4类风险因素。虚拟电厂的整体风险水平表达式如下：

式中：L_l是风险因素l导致的风险，N_l是风险因素的数目，N_l＝4。

独立风险贡献度用于衡量系统中互不相关的风险因素对整体风险水平的影响，本专利在生成不确定性场景时假设分布式资源和电价的不确定性互相独立，同时也不考虑风电、光伏出力和负荷水平的相关性，各风险因素完全独立，适用于独立风险贡献度理论的应用场景，因此采用独立风险贡献度理论对光伏不确定性、风电不确定性、负荷不确定性和电价波动这四类风险因素的风险贡献进行度量。

风险因素l的独立风险贡献度的计算公式如下：

式中，ρ(·)为风险评价函数，可自由选取，本章以通过式求解出的CVaR_α作为风险评价函数，ρ(L_l)为忽略其他风险，仅考虑风险因素l时，虚拟电厂参与市场的CVaR_α值。

在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。

Claims

1.一种电力市场环境下虚拟电厂优化风险调度方法，其特征在于，包括以下步骤：

步骤1、先建立电力市场环境下虚拟电厂运行框架：

步骤3、建立虚拟电厂优化风险调度模型：

步骤4、分析虚拟电厂内部各类资源对整体的效益贡献：

2.根据权利要求1所述的一种电力市场环境下虚拟电厂优化风险调度方法，其特征在于，所述步骤1中虚拟电厂在日前阶段时通过对可再生能源机组、负荷出力的预测情况以及电价的预测情况，自主决策市场投标策略，在实时阶段，虚拟电厂对日前申报电量和实际交割电量的差额在实时市场进行交易。

3.根据权利要求1所述的一种电力市场环境下虚拟电厂优化风险调度方法，其特征在于，所述步骤2中的抽样过程如下：

随机变量X_i，其采样规模为R，X_i的累积分布函数为：

Y_i＝F_i(X_i),Y_i∈[0,1]

得到初始采样矩阵Z_i＝[X_i1,X_i2,…,X_iR]。

4.根据权利要求1所述的一种电力市场环境下虚拟电厂优化风险调度方法，其特征在于，所述步骤3中CVaR的具体表达式如下：

式中，V为市场收益，VaR_α为置信水平为α下的风险价值，CVaR_α为置信水平为α下的条件风险价值，X为决策量组合；ξ为不确定量；f(X,ξ)为收益函数；p(ξ)为ξ的概率密度函数；

maxf＝(1-β)·B+β·CVaR_α

式中，β∈[0,1]为风险规避系数，β取值越大，虚拟电厂策略越保守，B为根据不确定性场景集求得的虚拟电厂期望收益，CVaR_α表示在最差概率(1-α)×100％情境下虚拟电厂的期望收益。

5.根据权利要求1所述的一种电力市场环境下虚拟电厂优化风险调度方法，其特征在于，所述步骤3中虚拟电厂期望收益B的表达式如下：

式中，π_k表示场景k发生的概率，

分别表示场景k下虚拟电厂的日前市场收益，实时市场收益，内部售电收益、光伏机组成本、风电机组成本、微型燃气机组成本、储能设备成本和需求响应成本。

6.根据权利要求5所述的一种电力市场环境下虚拟电厂优化风险调度方法，其特征在于，所述日前市场收益计算公式如下：

式中，

表示场景k下t时段日前市场电价，P_t ^DA表示t时段虚拟电厂在日前市场的交易电量，P_t ^DA＞0时代表虚拟电厂在日前市场购买电能，P_t ^DA＜0时代表虚拟电厂在日前市场出售电能；

实时市场收益计算公式如下：

式中，

表示场景k下t时段实时市场电价，

表示场景k下t时段虚拟电厂在实时市场的交易电量，

时代表虚拟电厂在实时市场购买电能，

时代表虚拟电厂在实时市场出售电能，λ_t ^penalty表示t时段实时市场交易电量的惩罚单价；

可再生能源机组成本计算公式如下：

式中，r^pv和r^wt分别为光伏机组和风电机组的运维成本系数。

和

分别为场景k下t时段光伏机组和风电机组的发电量；

微型燃气机组成本计算公式如下：

式中，N_J表示虚拟电厂管理的燃气机组数目，a_j,b_j为第j个燃气机组的成本系数，

为场景k下第j个燃气机组t时段的发电量；

电储能成本计算公式如下：

式中，N_e为虚拟电厂管理的电储能数目，c_i为第i个电储能的折旧成本系数，

和

分别为场景k下t时段第i个储能的充电功率和放电功率，均为正值，为使运行总成本最小，最终优化结果中

和

必有一项为0；

负荷管理收益计算公式如下：

式中，fee_t为t时段内部售电价格，load_k,t为场景k下t时段用户负荷，λ_t ^com为t时段需求响应补偿单价，P_t ^dr为t时段需求响应量；

约束条件如下：

功率平衡约束：

可再生能源机组出力约束：

燃气机组出力约束：

式中：

和

分别是第j个燃气机组的出力下限和上限。

电储能荷电状态约束：

式中，P_i ^cha,max和P_i ^dis,max分别是第i个储能设备的充、放电功率上限，

是场景k下第i个储能设备t时段的剩余电量，S_k,i,t是场景k下第i个储能设备t时段的荷电状态，

和

分别是第i个储能设备的荷电状态下限和上限，

为第i个储能设备的充放电效率因子，

和

分别是i个储能设备的起始和终止电量。

需求响应约束：

0≤P_t ^dr≤P_t ^dr,max

式中，P_t ^dr,max为虚拟电厂在日前阶段与用户约定的削减电量上限；

市场购售电量约束：

-P^DA,max≤P_t ^DA≤P^DA,max

7.根据权利要求6所述的一种电力市场环境下虚拟电厂优化风险调度方法，其特征在于，所述市场环境下虚拟电厂优化风险调度模型的求解方法如下：

虚拟电厂在实时市场的交易量面临价格惩罚，将交易量的绝对值线性化，引入辅助变量

和

如下式：

实时市场交易量如下式：

通过场景生成法对原始公式进行线性化处理，转化如下：

约束条件为：

η_k≥ζ-B_k

η_k≥0

式中，ζ和η_k为引入的辅助变量，ζ代表置信水平α下的风险价值，B_k代表场景k下虚拟电厂的收益；

转换后的市场环境下虚拟电厂优化风险调度模型如下：

。

8.根据权利要求1所述的一种电力市场环境下虚拟电厂优化风险调度方法，其特征在于，所述步骤4中的虚拟电厂内部分布式资源g对应的夏普利值φ_g计算公式如下：

式中，N为虚拟电厂内部分布式资源种类数目，N\{g}指除去分布式资源g后，其余分布式资源所能构成的组合场景，共16种，S为其中任意一种组合场景，|S|为该组合场景中分布式资源种类数目，v(S∪{g})-v(S)即为分布式资源g参与该组合后带来的边际收益贡献，系数

视为场景S发生的概率，为了求解出各类分布式资源的夏普利值，需要对32种组合场景下的虚拟电厂经济收益逐一计算。

9.根据权利要求1所述的一种电力市场环境下虚拟电厂优化风险调度方法，其特征在于，所述步骤4中的虚拟电厂的整体风险水平表达式如下：

式中：L_l是风险因素l导致的风险，N_l是风险因素的数目，N_l＝4；

风险因素l的独立风险贡献度

的计算公式如下：

式中，ρ(·)为风险评价函数，可自由选取，ρ(L_l)为忽略其他风险，仅考虑风险因素l时，虚拟电厂参与市场的CVaR_α值。