CN116247647A - 新能源在电力现货日前市场发电能力申报策略的方法 - Google Patents

Abstract

一种新能源在电力现货日前市场发电能力申报策略的方法，主要采用预测功率、预测电量、预测电价、构建收益和构建模型的步骤，在参与现货市场中，以报量不报价的方式优先出清，是现货价格的接受者，其能控制收益的模式是对电量的持仓模式，即对申报发电能力进行优化的策略是获取电能收益增幅的重要手段，对综合收益的模型除了考虑日前电价和实时电价的偏差后，同时发电能力申报值调整后，会影响基数电量的分配，模型考虑日前电价、实时电价、基础电价的关系才能获得最优收益，具有广泛适用性。

Description

新能源在电力现货日前市场发电能力申报策略的方法

技术领域

本发明属于发电能力市场收益技术领域，涉及一种新能源在电力现货日前市场发电能力申报策略的方法。

背景技术

按照电力现货市场的一般交易规则，新能源机组一般作为优先机组进行消纳。在参与电力现货市场时优先出清，日前交易模式一般为报量不报价或报量报零价方式；实时交易模式一般申报超短期功率预测值。新能源机组在现货市场中的收益以现货日前中标曲线、实际发电曲线、日前价格、实时价格等关键指标进行结算。

在新能源参与电力现货市场时，由于其依赖的发电资源具有不确定性，即次日的风力、光照不可能在日前提前准确预知，因此造成基于风力、光照的预测的次日的发电能力和实际值一定会有偏差。在日前出清的电能按照日前出清价格计算，形成日前收益；在实时出清的电能按照实时价格计算，形成实时收益。新能源在现货市场的收益为日前收益、实时收益的总和。

一般而言，新能源在参与现货市场中，是日前价格、实时价格的被动接收者，价格由市场整体行情而锁定；新能源机组每日的实际发电曲线最终是确定的，不确定的是日前出清的电能和实时出清的电能的分时比例。围绕企业运营的目标和电力交易基本规则，电力营销人员可以通过对日前电能的占比进行调整，即通过发电能力在日前、实时的持仓调整，以获得现货市场中的整体收益最大化。

由于当前电力市场机制是才出台新政策，电力现货市场也仅仅在局部省份刚刚开展，新能源消纳机制和结算体系刚刚建立，对于新能源在现货市场中的发电能力持仓策略还属于起步阶段。如何实现现货总收益最大化，如何给与优化持仓策略使新能源机组在现货市场中的申报是目前面临的关键性问题。

发明内容

本发明所要解决的技术问题是提供一种新能源在电力现货日前市场发电能力申报策略的方法，在参与现货市场中，以报量不报价的方式优先出清，是现货价格的接受者，其能控制收益的模式是对电量的持仓模式，即对申报发电能力进行优化的策略是获取电能收益增幅的重要手段，对综合收益的模型除了考虑日前电价和实时电价的偏差后，同时发电能力申报值调整后，会影响基数电量的分配，模型考虑日前电价、实时电价、基础电价的关系才能获得最优收益，具有广泛适用性。

为解决上述技术问题，本发明所采用的技术方案是：一种新能源在电力现货日前市场发电能力申报策略的方法，它包括如下步骤：

步骤1，预测功率，获取新能源机组次日预测功率；

步骤2，预测电量，预测新能源机组预分配基数电量曲线；

步骤3，预测电价，获取区域日前预测电价和实时预测电价；

步骤4，构建收益，构建电能收益和调整函数；

步骤5，构建模型，构建风险投资计算模型，按总收益最大原则，计算日前发电能力优化值，获得申报策略。

在步骤1中，

通过集成新能源厂站功率预测数据获得目标日一次发电能力曲线G(k)；

其中k为时刻点，一天为96时刻点；并认为G(k)对应的时刻电量Q(k)＝G(k)/4。

在步骤2中，

根据交易规则，新能源分配的基数负荷Gj(k)和本身申报的发电能力、全网基数电量有关，且均成正比:

Gjt(k)为时刻k时全网基数需求负荷，Gjo(k)为分给非新能源机组的其他负荷，Gn(k)为市场中所有新能源第n个机组在k时刻的发电功率，新能源机组总数为Num；

为新能源总加负荷Gx(k)，

且

其中为全网基数需求负荷Gjt(k)为未知参数，Gjn(k)与Gn(k)仅能获得部分a、b、c机组的基数负荷和总负荷，通过部分新能源机组的历史样本数据Gja(k),Gjb(k)，Gjc(k)……Ga(k),Gb(k),Gc(k)可构建历史样本矩阵为：

且历史样本可获得Gx(k)、系统总负荷G(k)，则通过计算，可以获得历史系统总基数负荷Gjt(k)，则可建立历史样本的数据序列：分配基数负荷Gj(k)，其关联因子为系统总负荷Gt(k)、系统总基数负荷Gjt(k)、新能源总加负荷Gx(k)、新能源发电负荷G(k)、气温W(k)、风速F(k)、光照M(k)等，

对于上述数据可构建BP神经网络、循环神经网络(RNN)、长短期记忆神经网络(LSTM)等模型，预测目标日的基数电量Gjt(k)、Gjt(k)。

在步骤3中，

其中日前预测电价Pr(k)和实时预测电价Ps(k)为本方法输入边界条件，可从其他成熟系统中通过数据集成得到。

在步骤4中，

现货中总收益R为

Qj(k)为基数负荷Qj(k)对应时刻的电量；Qz(k)、Pz(k)为已分配的中长期电量和电价，Qz(k)、Pz(k)均为数边界条件,Gz(k)为对应的中长期负荷；Qr(k)为日前预中标日前负荷Gr(k)对应时刻的电量,Pr(k)为日前预中标电价；Qs(k)为实时市场实际中标的负荷Gs(k)对应的电量，其中Ps(k)为实时市场电价，

Qj(k)＝Qj(k)/4；

Qz(k)＝Gz(k)/4；

Qr(k)＝Gr(k)/4；

Qs(k)＝Gs(k)/4；

其中约束条件为：

G(K)＝Gj(k)+Gz(k)+Gr(k)

当申报负荷优化步幅为ΔG(k),其对应电量为ΔQ(k)，则优化后的收益为：

其中ΔGj(k)满足：

其中ΔG(k)满足：

G(K)+ΔG(k)＝[Qj(k)+ΔGj(k)]+Gz(k)+{Gr(k)+[ΔG(k)-ΔGj(k)]}

申报最优策略函数为MAX(ΔR)

其中约束条件为ΔGmax(k)>ΔG(k)>ΔGmin(k)，ΔGmax(k)、ΔGmin(k)为交易中心约束功率上下限，

鉴于实际交易中，当实际发电能力与申报能力偏差较大时，交易中心将根据偏差量进行考核，考虑考核后的收益为：

在步骤5中，

假设市场上有几种风险资产，资产的收益率分别为r1,r2,……,rn，在各风险资产上的配置比例分别为w1,w2,……,wn,则投资组合的收益率为

其中：

从而，投资组合的期望收益率为：

方差为

Var(rp)＝∑uVar(r)+∑wiw,Cour,r)

资产配置的前提是对未来形成预期，即r1,r2,……,rn的概率分布，然后设定自己的预期收益目标，最后确定在各风险资产的投资比例w1,w2,……,wn,达成投资目标，

本方法研究中需要求解日前发电功率优化值，由于日前预测电价Pr(k)与实时预测电价Ps(k)存在很大程度的不确定性，所以要将其不确定性考虑其中，

本方法将日前电价和实时电价比做上述风险资产，将Gr(k)与Gs(k)作为资产配置构建了以下风险模型，

其中收益模型为：

风险模型为：

其中:Dr,Ds，Drs分别表示日前电价的方差、实时电价的方差、日前电价与实时电价的协方差，通过投资模型算法使R最大，则可获得最优模型。

本发明的主要有益效果在于：

新能源在参与现货市场中，往往以报量不报价的方式优先出清，是现货价格的接受者，所以其能控制收益的模式是对电量的持仓模式,即对申报发电能力进行优化的策略是获取电能收益增幅的重要手段。

考虑了日前预测电价和实时预测电价的风险。

上述模型中Pr(k)与Ps(k)均为集成的预测的电价，所以风险来源于预测准确度，这两变量的方差由历史数据获得，若这两个变量方差较小，则风险的范围也会较小，模型的求解结果会相对更优。

模型构建中考虑了申报的发电能力对基数电价的影响。

对综合收益的模型除了考虑日前电价和实时电价的偏差后，同时发电能力申报值调整后，同时会影响基数电量的分配。模型考虑日前电价、实时电价、基础电价的关系才能获得最优收益。

中间过程计算模型采用了普遍常见的BP神经网络、循环神经网络(RNN)、长短期记忆神经网络(LSTM)等，便于具有广泛适用性。

历史采样数据具有普遍适用性和可获取性，利于实际操作。

附图说明

下面结合附图和实施例对本发明作进一步说明：

图1为本发明的流程图。

具体实施方式

如图1中，一种新能源在电力现货日前市场发电能力申报策略的方法，它包括如下步骤：

步骤1，预测功率，获取新能源机组次日预测功率；

步骤2，预测电量，预测新能源机组预分配基数电量曲线；

步骤3，预测电价，获取区域日前预测电价和实时预测电价；

步骤4，构建收益，构建电能收益和调整函数；

步骤5，构建模型，构建风险投资计算模型，按总收益最大原则，计算日前发电能力优化值，获得申报策略。

上述方法在参与现货市场中，以报量不报价的方式优先出清，是现货价格的接受者，其能控制收益的模式是对电量的持仓模式，即对申报发电能力进行优化的策略是获取电能收益增幅的重要手段，对综合收益的模型除了考虑日前电价和实时电价的偏差后，同时发电能力申报值调整后，会影响基数电量的分配，模型考虑日前电价、实时电价、基础电价的关系才能获得最优收益，具有广泛适用性。

优选的方案中，在步骤1中，

通过集成新能源厂站功率预测数据获得目标日一次发电能力曲线G(k)；

其中k为时刻点，一天为96时刻点；并认为G(k)对应的时刻电量Q(k)＝G(k)/4。

优选的方案中，在步骤2中，

根据交易规则，新能源分配的基数负荷Gj(k)和本身申报的发电能力、全网基数电量有关，且均成正比:

Gjt(k)为时刻k时全网基数需求负荷，Gjo(k)为分给非新能源机组的其他负荷，Gn(k)为市场中所有新能源第n个机组在k时刻的发电功率，新能源机组总数为Num；

为新能源总加负荷Gx(k)，

且

其中为全网基数需求负荷Gjt(k)为未知参数，Gjn(k)与Gn(k)仅能获得部分a、b、c机组的基数负荷和总负荷，通过部分新能源机组的历史样本数据Gja(k),Gjb(k)，Gjc(k)……Ga(k),Gb(k),Gc(k)可构建历史样本矩阵为：

且历史样本可获得Gx(k)、系统总负荷G(k)，则通过计算，可以获得历史系统总基数负荷Gjt(k)，则可建立历史样本的数据序列：分配基数负荷Gj(k)，其关联因子为系统总负荷Gt(k)、系统总基数负荷Gjt(k)、新能源总加负荷Gx(k)、新能源发电负荷G(k)、气温W(k)、风速F(k)、光照M(k)等，

对于上述数据可构建BP神经网络、循环神经网络(RNN)、长短期记忆神经网络(LSTM)等模型，预测目标日的基数电量Gjt(k)、Gjt(k)。

优选的方案中，在步骤3中，

其中日前预测电价Pr(k)和实时预测电价Ps(k)为本方法输入边界条件，可从其他成熟系统中通过数据集成得到。

优选的方案中，在步骤4中，

现货中总收益R为

Qj(k)为基数负荷Qj(k)对应时刻的电量；Qz(k)、Pz(k)为已分配的中长期电量和电价，Qz(k)、Pz(k)均为数边界条件,Gz(k)为对应的中长期负荷；Qr(k)为日前预中标日前负荷Gr(k)对应时刻的电量,Pr(k)为日前预中标电价；Qs(k)为实时市场实际中标的负荷Gs(k)对应的电量，其中Ps(k)为实时市场电价，

Qj(k)＝Qj(k)/4；

Qz(k)＝Gz(k)/4；

Qr(k)＝Gr(k)/4；

Qs(k)＝Gs(k)/4；

其中约束条件为：

G(K)＝Gj(k)+Gz(k)+Gr(k)

当申报负荷优化步幅为ΔG(k),其对应电量为ΔQ(k)，则优化后的收益为：

其中ΔGj(k)满足：

其中ΔG(k)满足：

G(K)+ΔG(k)＝[Qj(k)+ΔGj(k)]+Gz(k)+{Gr(k)+[ΔG(k)-ΔGj(k)]}

申报最优策略函数为MAX(ΔR)

其中约束条件为ΔGmax(k)>ΔG(k)>ΔGmin(k)，ΔGmax(k)、ΔGmin(k)为交易中心约束功率上下限，

鉴于实际交易中，当实际发电能力与申报能力偏差较大时，交易中心将根据偏差量进行考核，考虑考核后的收益为：

优选的方案中，在步骤5中，

假设市场上有几种风险资产，资产的收益率分别为r1,r2,……,rn，在各风险资产上的配置比例分别为w1,w2,……,wn,则投资组合的收益率为

其中：

从而，投资组合的期望收益率为：

方差为

Var(rp)＝∑uVar(r)+∑wiw,Cour,r)

资产配置的前提是对未来形成预期，即r1,r2,……,rn的概率分布，然后设定自己的预期收益目标，最后确定在各风险资产的投资比例w1,w2,……,wn,达成投资目标，

本方法研究中需要求解日前发电功率优化值，由于日前预测电价Pr(k)与实时预测电价Ps(k)存在很大程度的不确定性，所以要将其不确定性考虑其中，

本方法将日前电价和实时电价比做上述风险资产，将Gr(k)与Gs(k)作为资产配置构建了以下风险模型，

其中收益模型为：

风险模型为：

其中:Dr,Ds，Drs分别表示日前电价的方差、实时电价的方差、日前电价与实时电价的协方差，通过投资模型算法使R最大，则可获得最优模型。

实施例，

本方法实时的实施方式如下：

获取历史样本序列，

历史样本序列包括如下：发电负荷G(k)、温度W(t)、光照Q(t)、风力F(t)、日前出清价格Pr(k)、实时出清电价Ps(k)、基数电量Qj(k)、全网系统负荷G_q(k)、新能源总加负荷G_N(k)、对上述指标数据构建数据集。

设定系统边界条件，

系统边界条件为包括如下：月度双边价格Ps、基数电价Pj。

构建投资分配计算模型。

获取目标日影响因子数据序列。

通过集成功率预测系统获得目标日发电能力；

通过BP神经网络和组合算法，计算基数电量；

通过集成获得日前预测电价和实时预测电价；

根据技术方案，计算目标指标ΔQ(t)。见图1。

上述的实施例仅为本发明的优选技术方案，而不应视为对于本发明的限制，本申请中的实施例及实施例中的特征在不冲突的情况下，可以相互任意组合。本发明的保护范围应以权利要求记载的技术方案，包括权利要求记载的技术方案中技术特征的等同替换方案为保护范围。即在此范围内的等同替换改进，也在本发明的保护范围之内。

Claims (6)

1.一种新能源在电力现货日前市场发电能力申报策略的方法，其特征是，它包括如下步骤：

步骤1，预测功率，获取新能源机组次日预测功率；

步骤2，预测电量，预测新能源机组预分配基数电量曲线；

步骤3，预测电价，获取区域日前预测电价和实时预测电价；

步骤4，构建收益，构建电能收益和调整函数；

步骤5，构建模型，构建风险投资计算模型，按总收益最大原则，计算日前发电能力优化值，获得申报策略。

2.根据权利要求1所述的新能源在电力现货日前市场发电能力申报策略的方法，其特征是，在步骤1中，

通过集成新能源厂站功率预测数据获得目标日一次发电能力曲线G(k)；

其中k为时刻点，一天为96时刻点；并认为G(k)对应的时刻电量Q(k)＝G(k)/4。

3.根据权利要求1所述的新能源在电力现货日前市场发电能力申报策略的方法，其特征是，在步骤2中，

根据交易规则，新能源分配的基数负荷Gj(k)和本身申报的发电能力、全网基数电量有关，且均成正比:

Gjt(k)为时刻k时全网基数需求负荷，Gjo(k)为分给非新能源机组的其他负荷，Gn(k)为市场中所有新能源第n个机组在k时刻的发电功率，新能源机组总数为Num；

为新能源总加负荷Gx(k)，

且

其中为全网基数需求负荷Gjt(k)为未知参数，Gjn(k)与Gn(k)仅能获得部分a、b、c机组的基数负荷和总负荷，通过部分新能源机组的历史样本数据Gja(k),Gjb(k)，Gjc(k)……Ga(k),Gb(k),Gc(k)可构建历史样本矩阵为：

且历史样本可获得Gx(k)、系统总负荷G(k)，则通过计算，可以获得历史系统总基数负荷Gjt(k)，则可建立历史样本的数据序列：分配基数负荷Gj(k)，其关联因子为系统总负荷Gt(k)、系统总基数负荷Gjt(k)、新能源总加负荷Gx(k)、新能源发电负荷G(k)、气温W(k)、风速F(k)、光照M(k)等，

对于上述数据可构建BP神经网络、循环神经网络(RNN)、长短期记忆神经网络(LSTM)等模型，预测目标日的基数电量Gjt(k)、Gjt(k)。

4.根据权利要求1所述的新能源在电力现货日前市场发电能力申报策略的方法，其特征是，在步骤3中，

其中日前预测电价Pr(k)和实时预测电价Ps(k)为本方法输入边界条件，可从其他成熟系统中通过数据集成得到。

5.根据权利要求1所述的新能源在电力现货日前市场发电能力申报策略的方法，其特征是，在步骤4中，

现货中总收益R为

Qj(k)为基数负荷Qj(k)对应时刻的电量；Qz(k)、Pz(k)为已分配的中长期电量和电价，Qz(k)、Pz(k)均为数边界条件,Gz(k)为对应的中长期负荷；Qr(k)为日前预中标日前负荷Gr(k)对应时刻的电量,Pr(k)为日前预中标电价；Qs(k)为实时市场实际中标的负荷Gs(k)对应的电量，其中Ps(k)为实时市场电价，

Qj(k)＝Qj(k)/4；

Qz(k)＝Gz(k)/4；

Qr(k)＝Gr(k)/4；

Qs(k)＝Gs(k)/4；

其中约束条件为：

G(K)＝Gj(k)+Gz(k)+Gr(k)

当申报负荷优化步幅为ΔG(k),其对应电量为ΔQ(k)，则优化后的收益为：

其中ΔGj(k)满足：

其中ΔG(k)满足：

G(K)+ΔG(k)＝[Qj(k)+ΔGj(k)]+Gz(k)+{Gr(k)+[ΔG(k)-ΔGj(k)]}

申报最优策略函数为MAX(ΔR)

其中约束条件为ΔGmax(k)>ΔG(k)>ΔGmin(k)，ΔGmax(k)、ΔGmin(k)为交易中心约束功率上下限，

鉴于实际交易中，当实际发电能力与申报能力偏差较大时，交易中心将根据偏差量进行考核，考虑考核后的收益为：

6.根据权利要求1所述的新能源在电力现货日前市场发电能力申报策略的方法，其特征是，在步骤5中，

假设市场上有几种风险资产，资产的收益率分别为r1,r2,……,rn，在各风险资产上的配置比例分别为w1,w2,……,wn,则投资组合的收益率为

其中：

从而，投资组合的期望收益率为：

方差为

Var(rp)＝∑uVar(r)+∑wiw,Cour,r)

资产配置的前提是对未来形成预期，即r1,r2,……,rn的概率分布，然后设定自己的预期收益目标，最后确定在各风险资产的投资比例w1,w2,……,wn,达成投资目标，

本方法研究中需要求解日前发电功率优化值，由于日前预测电价Pr(k)与实时预测电价Ps(k)存在很大程度的不确定性，所以要将其不确定性考虑其中，

本方法将日前电价和实时电价比做上述风险资产，将Gr(k)与Gs(k)作为资产配置构建了以下风险模型，

其中收益模型为：

风险模型为：

其中:Dr,Ds，Drs分别表示日前电价的方差、实时电价的方差、日前电价与实时电价的协方差，通过投资模型算法使R最大，则可获得最优模型。

Images