计及电量互保策略的售电公司两阶段日前决策方法

杨阳方, 刘继春

(四川大学电气信息学院, 四川省成都市 610065)

计及电量互保策略的售电公司两阶段日前决策方法

杨阳方, 刘继春

(四川大学电气信息学院, 四川省成都市 610065)

售电公司在购电量不足或负荷预测精度较差时,会面临严格的电量偏差考核,并可能产生较大亏损。为此,文中在日前交易前,基于场景分析法,以计入可中断负荷成本和售电公司间电量互保策略影响的售电公司购电费用期望为目标,建立了日前竞价策略模型;然后在市场出清后,根据市场出清价格,以售电公司间电量互保策略作为减少电量偏差的策略,优化可中断负荷量及电量互保下的转移电量,进一步减少电量偏差。在电量结算阶段,分别使用夏普利(Shapley)值和最小费用剩余资金(MCRS)法对售电公司集合总费用进行分配。通过算例仿真分析了不同场景下可中断负荷和电量互保策略下单位电量转移价格对电量偏差时售电公司集合费用的影响,并验证了2种费用分配方法的适用情况。

售电公司; 电量互保; 费用分配; 可中断负荷

0 引言

随着电力体制改革的持续推进,国家在2015年发布了“中发〔2015〕9号文”[1],对如何逐步开放售电市场作出规划,各省相继开展了售电公司与发电公司的购电交易[2-3]。由社会资本、电网公司或发电公司投资产生的各类售电公司,代理用户在售电市场中进行竞价购电,并销售给用户,为用户提供服务[4-6]。目前,试点省份的电力市场多是供大于求,售电公司能买到足够的电量。但是当市场供需比减小时,售电公司购买的电量可能会低于其预期用电量。在结算时,交易中心将对其进行偏差考核,以多倍于市场清算价格的费用进行惩罚,因此在供小于求导致购电量不足或负荷预测精度较差时,售电公司在购售电业务中的差价收益会极大减少,甚至产生售电公司亏损的局面,因此,如何减少电量偏差是售电公司参与售电侧市场竞争亟待解决的问题之一。

售电公司减少电量偏差的方法通常有如下几种:①增加对用户负荷的预测精度,这对售电公司的技术实力要求较高;②通过向用户分摊偏差考核费用来转移风险,但会减少用户的粘性;③利用负荷的需求响应能力来减少偏差,该方法通常会使用户满意度下降,减少用户粘性。与上述方法不同,本文采用售电公司间的电量互保策略降低电量偏差,充分挖掘由于市场价格波动、竞价策略差异造成的不同售电公司的上调与下调电量偏差间的相互调剂能力,既不影响用户体验,也不提高售电公司进行精准负荷预测的技术要求。

事实上,2017年4月,江苏省出台的售电市场交易规则就指出:“售电公司之间可以签订电量互保协议,一方因特殊原因无法履行合同电量时,经电力调度机构安全校核通过后,由另一方代发(代用)部分或全部电量,在事后补充转让交易合同,并报电力交易机构。”可以看出,电量互保确是售电公司应对电量偏差考核的有效手段。

目前,国内外学者主要是针对售电公司的报价购电决策问题进行研究。文献[7-8]建立了售电公司日前随机规划模型,分别计及可中断负荷和基于价格激励的转移负荷,并考虑了不同的风险指标。文献[9]考虑了现货市场价格、消费行为等不确定性的影响,建立了售电公司的日前报价决策模型。文献[10]构建了包含多能源主体的售电公司非合作博弈模型,并求得纳什均衡点处售电公司的收益。然而,上述文献都没有针对售电公司减少电量偏差的模型展开研究。

此外,售电公司通常拥有可中断负荷[11],它属于需求响应[12-13]技术之一。文献[14-19]在虚拟电厂、电网公司、主动配电网的日前优化调度中利用可中断负荷来扩大自身的收益,但没有考虑可中断负荷在降低售电公司电量偏差方面的应用。

本文通过允许售电公司之间签订电量互保合同进行购电量转移,以及计入售电公司内部可中断负荷的作用,解决由于购电量不足和负荷预测误差引起的售电公司电量偏差考核问题。分别对售电公司的日前竞价策略和市场出清后售电公司集合利用互保策略减少电量偏差进行优化,并在电量结算阶段对售电公司集合总费用进行支付分摊。通过算例仿真得到可中断负荷参数、互保下单位电量转移价格对不同电量偏差水平下售电公司集合费用的影响,并分析2种费用分配方法适用情况。

1 售电公司购电行为分析以及其电量互保策略

1.1 售电公司购电行为及其电量偏差

售电公司与用户的合约内容主要包括卖给用户的售电价格、是否提供可中断负荷服务、由谁来承担偏差考核等问题。用户将其用电计划、负荷预测结果及可中断负荷服务的内容提交售电公司。

售电公司首先进行下一周期的中长期交易,一般是与发电公司谈判签订年度双边协议,并在月度市场中进行报价,经市场出清后购买电量。将中长期交易的年度、月度电量分配到每日后,再在日前市场中进行购电。在日前购电交易结束后,如果负荷预测值与购电量之间存在差值,则售电公司将与内部的负荷进行协商,调整负荷以减少偏差。在实时阶段,售电公司根据最新的负荷预测值,在实时市场中购买上调、下调服务。在进行电量结算时,交易中心计算售电公司的偏差,并且分别以上调和下调偏差考核费用对售电公司进行考核。

由于供求关系和价格因素的影响,因此售电公司在市场中购电会存在2种情况:一是分段报价的某一段高于市场出清价格而没有成交;二是售电公司申报电量大于预期购电量并在市场中全部出清,在市场中购买的电量可能与预期购电量有一定的差额。并且由于现有的负荷预测方法都有预测误差,因此用户的实际用电量与预期用电量也有一定差值。

1.2 售电公司间的电量互保策略

本文提出的售电公司、用户、交易中心间的关联关系如图1所示。为减少电量偏差,售电公司之间允许针对偏差考核进行电量互保,即多个售电公司与交易中心签订协议,以一定的转移费用将实时购电量在售电公司之间进行分配、转移。电量转移费用既包括由于上调与下调电量偏差而相互调剂产生的售电公司间费用,又包括由于售电公司间电量转移造成的发电量改变使得发电公司费用变化,该部分费用由售电公司集合与交易中心结算,交易中心再支付给发电公司。例如当一个售电公司实时购电量大于预期用电量,而另一个售电公司的实时购电量小于预期用电量时,两者进行电量互保,通过电量转移减少电量偏差。

图1 售电公司、用户、交易中心间的关联关系Fig.1 Relationship among retailers, users and trading centers

售电公司内部可能有多类可中断负荷,利用可中断负荷,可以减少因购电不足和负荷预测误差产生的偏差。售电公司自身的可中断负荷资源有剩余时, 售电公司通过中断自身负荷减少用电量,通过电量互保,把多余的购电量转移给其他售电公司,并从其他售电公司获得中断补偿。

本文解决的售电公司电量偏差优化问题有如下假设:①本文工作包括在具有充分竞争性的日前市场交易前,售电公司单独进行的竞价策略优化和日前市场出清后,售电公司间通过采用计入可中断负荷的电量互保策略,减少电量偏差;②售电公司承担全部的用户电量偏差。

2 售电公司两阶段电量偏差随机优化模型

2.1 售电公司购电策略优化模型

设有m个售电公司,每个售电公司内有nl个可中断负荷,每个决策周期的时段数为T。i表示售电公司编号,j表示可中断负荷编号。在日前市场交易前,售电公司面对2类不确定量:一是市场出清价格,二是售电公司的负荷。售电公司在时段t的负荷预测值为Lp,i,t。根据预测误差信息,采用蒙特卡洛模拟生成针对售电公司不确定量的大量场景,并根据K均值聚类(K-Means)算法进行场景聚类,形成nr个典型场景,包括第r个场景下售电公司i的负荷值Lp,i,t,r、市场出清价格Cb,i,r,t及概率πr,i。

售电公司考虑电量互保策略和可中断负荷的影响,进行日前竞价使购售电总费用最小,目标函数包括日前市场中购电费用、售电费用、可中断负荷的补偿费用、转移费用,以及实时市场购买偏差或者惩罚的上调、下调费用,如式(1)所示:

(1)

式中:Ca,r,i为购售电总费用;Lb,i,r,t为购电量;LC,i,i2为售电公司i向售电公司i2转移的电量;LC,i2,i为售电公司i2向售电公司i转移的电量;Cs,i,t为售电价格;Ls,i,t为负荷;Co,i,j,t为可中断负荷的补偿价格;Lo,i,j,t为可中断负荷的决策变量,表示时段t可中断负荷j的中断量;CC,i,i2为单位电量转移价格;Cpu,i,t和Cpl,i,t分别为时段t上调、下调费用,出于保守考虑,选取最大的费用,即惩罚费用进行优化;Lpu,i,r,t和Lpl,i,r,t分别为上调、下调电量。

需要满足约束条件如下所示。

Lp,i,t-α1≤Lb,i,r,t≤Lp,i,t+α2

(2)

(3)

(4)

Ai,tLb,i,r,t+Bi,t=Cb,i,r,t

(5)

uj,tLo,i,j,t,min≤Lo,i,j,t≤uj,tLo,i,j,t,max

(6)

Co,i,j,t=K1,jLo,i,j,t+Kθ,j

(7)

Son,j,t=(Son,j,t-1+1-uj,t)(1-uj,t)

(8)

Soff,j,t=(Soff,j,t-1+uj,t)uj,t

(9)

0≤(uj,t-1-uj,t)(Son,j,t-Tj,on)

(10)

0≤(uj,t-uj,t-1)(Soff,j,t-1-Tj,off)

(11)

(12)

(13)

(14)

式中:α1和α2为范围参数;LC,i,max和LC,i,min分别为售电公司i转移总电量的上、下限;uC,i1,i2为布尔变量,表示售电公司i1与i2电量互保的状态;LC，i1,i2,max为售电公司i1向售电公司i2转移电量的上限;Ai,t和Bi,t为决策变量报价系数;Lo,i,j,t,max为可中断负荷上限;Lo,i,j,t,min为可中断负荷下限;uj,t和uj,t-1为布尔变量,表示可中断负荷在时段t和时段t-1的中断状态;K1,j和Kθ,j为可中断负荷的价格系数[20];Son,j,t,Son,j,t-1,Soff,j,t,Soff,j,t-1为连续中断状态和连续停止中断状态,表示负荷持续中断的时间和持续停止中断的时间;Tj,on为最小连续中断时间;Tj,off为最小连续停止中断时间;No,j为可中断负荷的最大中断次数;M为足够大的数;upl,i,r,t和upu,i,r,t分别为上调和下调状态。

其中式(2)表示购电量上下限约束,即购电量不能与负荷预测偏差太大;式(3)表示互保总量的约束,在市场出清前,售电公司出于保守考虑,使转移总电量小于自身的最大偏差,并保证其满足在不考虑可中断负荷情况下的偏差上限和偏差下限;式(4)表示转移电量上、下限约束;式(5)表示售电公司i的线性报价曲线;式(6)表示可中断负荷的上、下限约束;式(7)表示可中断负荷的补偿成本,和用户签订可中断负荷合约中,单位中断价格与中断量线性相关;式(8)和式(9)表示连续中断状态和连续停止中断状态;式(10)和式(11)为连续中断时间约束和连续停止中断时间约束;式(12)为可中断负荷的中断次数约束;式(13)为上调和下调电量约束;式(14)为电量平衡,表示购电量、转移电量、可中断负荷中断量、负荷电量、偏差之间的关系。

2.2 市场出清后售电公司间的电量互保决策

在日前市场出清后,售电公司的购电量和市场出清价格都已确定,电量互保集合中的售电公司再进行集中优化,以确定具体的转移电量和可中断负荷的中断量。由于此时负荷和实时市场价格具有不确定性,因此重新进行抽样与聚类,形成ns个场景,第s个场景下售电公司i的负荷为Lp,i,t,s,实时市场中上调服务与下调服务价格分别为Cpu,i,s,t和Cpl,i,s,t,售电公司集中优化使集合的总费用最小,目标函数如式(15)所示:

(15)

式中:Lpu,i,s,t和Lpl,i,s,t分别为负荷场景s下的上调、下调电量。

式(15)包括可中断负荷补偿费用、售电公司间电量互保的费用,以及各售电公司的偏差费用。除了需要满足电量互保约束条件式(3)和可中断负荷约束条件式(6)至式(13)外,还需满足如下约束条件:

(16)

(17)

式中:upu,i,s,t和upl,i,s,t分别为上调和下调状态;ΔLi,s,t为场景s中购电量与负荷的差值。

其中,式(16)表示场景s中偏差电量的上下限约束;式(17)表示电量平衡约束,表示售电公司i中电量互保的转移电量、可中断负荷的中断量、上调下调电量和购电偏差之间的关系。

3 售电公司间费用分配方法

在售电公司间进行电量转移时,售电公司都获得了利益,售电公司集合与交易中心结算的费用部分在售电公司间进行分配。本文分别采用夏普利(Shapley)值和最小费用剩余资金(minimum costs remaining savings,MCRS)法分配售电公司集合的总费用。在分配的算法中,需要计入由于上调与下调电量偏差相互调剂产生的售电公司间结算的费用,以得到算法中要求的个体对集合的贡献程度。

3.1 基于Shapley值的费用分配

Shapley值[21]是将个体对集合的边际贡献的大小作为个体分配的依据。

全体售电公司的集合记为N={1,2,…,m},当部分售电公司形成的虚拟集合Q={i1,i2,…,im0}时,该虚拟集合的费用v(Q)的计算方法与式(15)类似,其中m0为虚拟集合中售电公司的数量。将式(15)中除去虚拟集合Q中没有的售电公司,如式(18)所示:

(18)

需要满足约束条件如式(3)、式(6)至式(13)、式(16)和式(17)。当售电公司i独自优化时,售电公司的费用v(i)如式(19)所示,Shapley值给出了售电公司的费用分配结果如式(20)所示。

(19)

v(Q-i)]

(20)

式中:xi为售电公司i的费用分配结果,i=1,2,…,m;|Q|为虚拟集合Q中售电公司的数量;v(Q-i)为不包含售电公司i的虚拟集合分配费用。

3.2 基于MCRS法的费用分配

因为Shapley值需要计算所有可能的虚拟集合的费用,当售电公司数量增多时,需要计算的场景呈指数复杂度增加,所以使用MCRS法进行费用分配。MCRS法[22]是剩余费用缺口法的推广,原理是勾勒出核的轮廓,按照局中人愿意承担的最大费用和最小费用的差值的比例来分摊费用。

团体合理性表示所有售电公司费用分配的和等于集合N的总支付式(21)所示。虚拟集合{N-i}中个体的分配结果需要满足式(22)。

(21)

(22)

式中:v(N-i)由式(18)计算得到。

由式(21)和式(22)可推出售电公司i的最小分配费用xi,min如式(23)所示。

xi,min=v(N)-v(N-i)≤xi

(23)

售电公司i费用的最大值xi,max如式(24)所示。

xi≤xi,max=v(i)

(24)

其中v(i)为售电公司单独优化费用,由式(19)计算得到。售电公司i分配剩余费用的比例系数βi如式(25)所示。

(25)

售电公司i的分配结果如式(26)所示。

xi=xi,min+βiIc

(26)

式中:Ic为可分费用,是集合总费用减去所有售电公司的最小分配费用计算得到。

4 求解算法与流程

本文提出的售电公司两阶段电量偏差决策流程如附录A图A1所示,包括3个部分:①售电公司日前阶段竞价策略优化;②市场出清后电量互保集合中的售电公司集中优化;③结算阶段费用分配。最后一部分算法参见第3节,本节针对第1和第2部分算法进行说明。

在前2个阶段的优化问题中,出现的非线性主要体现以下几点:①可中断负荷的费用在目标函数中表现为二次项;②日前竞价曲线在目标函数中表现为反比例形式;③可中断负荷的最小中断时间约束、中断次数约束为双线性。

为了能够有效地求解该问题,对上述的非线性项进行线性化,将原来的混合整数二次规划问题转化为混合整数线性规划问题,从而可以使用CPLEX求解器进行高效准确的求解。

针对可中断负荷的费用,可中断负荷的成本在目标函数中的项如式(27)所示:

Co,i,j,tLo,i,j,t=(K1,jLo,i,j,t+Kθ,j)Lo,i,j,t

(27)

其中Lo,i,j,t的上、下限如式(6)所示,将式(27)进行分段线性化,每一次分段会使每个时段增加2个变量,分段的段数越多,近似越精确,但是求解速度会减慢,因此选择分成4段的线性近似。分段线性化方法图示如附录A图A2所示。

对于一个可中断负荷中断量Lo,i,j,t,需要引入8个中间变量,并且添加如式(28)所示约束:

(28)

式中:Lo,i,j,ai,t为中断量Lo,i,j,t在分段ai的分量;uai为布尔变量,表示分量的状态。

式(28)表示Lo,i,j,t可由分量累加,并且各分量由小到大依次累加。因此可中断负荷的成本如式(29)所示:

(29)

式中:Co,i,j,0,t为Lo,i,j,t=Lo,i,j,t,min时的费用;kai为各分段的斜率。

针对竞价曲线式(5)作如式(31)的处理,并且令

(30)

则

(31)

针对最小中断/停止中断时间约束式(8)至式(11),基于文献[23]的方法进行等价线性化,如式(32)所示:

(32)

(33)

式中:ε(t-1)为单位冲击函数;uj,0,Son,j,0,Soff,j,0为前一周期最后一时段相关的中断状态量。

针对的约束式(12),基于文献[24]的方法对双线性约束进行绝对值线性化,见下式:

(34)

5 算例分析

根据第4节描述,售电公司日前阶段竞价策略优化问题和市场出清后电量互保集合中的售电公司集中优化问题为混合整数线性规划问题,因此在MATLAB中调用Yalmip工具箱并使用CPLEX求解器进行求解。

5.1 售电公司日前阶段购电优化

本文对负荷采用标幺值进行描述,基准容量为10 MW。时段数T取48,选取4个售电公司进行仿真,4个售电公司按顺序编号,代理的负荷类型分别为居民用户、第三产业、重工业、轻工业负荷。其中售电公司2和售电公司3内部可中断负荷有2类。可中断负荷的上、下限和价格系数见附录A表A1,最小中断时段数为4个时段,最小停止中断时段数为6 个时段,最大中断次数为6次,在上一周期最后时段的中断状态为1,0,0,1,1,0,连续中断时段为2,0,0,3,1,0,连续停止中断时段为0,1,2,0,0,1。售电价格为70元/MW,购电量约束中上限为5%,下限为10%,偏差考核的惩罚价格上调价格为100元/MW,下调价格为80元/MW。

四个售电公司旗下负荷的典型日负荷曲线见附录A图A3。负荷场景的生成基于日负荷曲线,聚类形成6个典型场景,各场景下总负荷为64.649 3,64.639 7,64.648 5,64.648 5,64.675 5,64.646 6,64.637 8,相应的概率为0.134 0,0.176 1,0.134 1,0.234 9,0.107 0,0.213 9。日前出清价格基于预测信息,并聚类形成3个典型场景,各场景下价格为50.12,54.92,45.25元/MW,相应的概率为0.456 0,0.263 9,0.280 1。两类场景相互独立,由此组合形成18种负荷价格场景。

各个售电公司进行日前购电优化,形成报价曲线并在市场中出清,各售电公司优化的费用期望值分别为:-402.73,-143.04,-923.21,-152,56元,其中负值表示售电公司处于收益状态。可以看出,由于售电公司3具有最大容量的负荷,因此其收益最大。在优化时间上,售电公司1和售电公司4由于仅有一类可中断负荷,其变量数较其他售电公司较少,因此可以在3 min内完成优化,而售电公司2和售电公司3则优化时间较长,在5 min之内优化完成。

对于售电公司1而言,在不考虑可中断负荷和电量互保策略的影响时,售电公司的费用期望值分别为-396.23元和-383.85元,由此可见,电量互保策略对售电公司竞价策略的影响较大。

售电公司期望值中购电费用、售电费用、可中断负荷补偿费用、电量互保转移费用、偏差费用分别如表1所示。

表1 售电公司各部分费用期望值Table 1 Expected cost of each part of the retailers

可中断负荷在不同市场价格场景下的调用状态见附录A图A4。由于市场价格激励可中断负荷的状态有一定的移动,但主要安排在负荷峰值附近进行中断,以获得较大收益。

接着分析可中断负荷价格系数,可中断负荷最小中断时间,电量转移价格进行对费用期望的影响。上述参数调整时,当售电公司1的电量互保、可中断负荷的参数改变时,如表2所示。

表2 可中断负荷和电量互保参数对费用的影响Table 2 Impact of interruptible load and power transfer strategy on the cost

当可中断负荷的系数K1,j由500元/MW2增加到900元/MW2过程中,费用的变化并不是很大,通过观察各个场景中可中断负荷的中断量,发现可中断负荷的量更加靠近上下限附近,而中断状态并没有太大改变,因此在当前情况下K1,j对于售电公司的费用影响不是很大。

当可中断负荷的系数Kθ,j从150元/MW增加到300元/MW时,费用期望增加,但并不是线性增加,在Kθ,j等于200元/MW和250元/MW时,费用相差不大,通过对可中断负荷的中断状态进行分析,售电公司通过减少它的中断状态来使得可中断负荷的费用保持在一定值附近来使费用达到最优。

随着单位电量转移价格CC,i,i2增加,售电公司费用也增加,但不是线性增加。因为改变了转移电量成本,使得可中断负荷配置有所变化,导致费用非线性增长。

5.2 日前市场出清后的售电公司间电量互保策略优化

售电公司选取上述的最优解向日前市场竞价,在不同日前市场出清价格情况下电量互保集合中的售电公司进行集中优化,优化出的结果如表3所示。

表3 不同出清场景下售电公司总费用Table 3 Total cost of the retailers in different clearing scenarios

表中数据表明电量互保使总的偏差考核减少,并且使可中断负荷的使用量增加,即让售电公司内部的可中断负荷为其他售电公司提供负荷中断。在进行了300个场景的仿真中,电量互保策略使总费用的减少值占不考虑电量互保的费用的最大、最小、平均值分别为20.52%,10.20%,13.16%。

在场景1中,分别根据Shapley值和MCRS法对售电公司总费用进行分配,表4为分配方法需要计算的虚拟售电公司集合费用,根据集合费用计算得到的售电公司分配费用如表5所示。

表4 虚拟集合的费用Table 4 Cost of the virtual set

表5 售电公司总费用分配结果Table 5 Allocation results of retailers’ total cost

如表5所示,两种分配方法都保证售电公司采用电量互保和调用可中断负荷后的分配费用低于不参与虚拟集合而单独优化时的值,其中,Shapley值考虑了表4中所有虚拟集合的费用,全面衡量了售电公司对集合的贡献,而MCRS法根据式(23)和式(24),仅需考虑表4中虚拟集合{1},{2},{3},{4},{2,3,4},{1,3,4},{1,2,4},{1、2,3},{1,2,3,4}的费用。但是在计算时间上,Shapley值需要计算更多优化,比MCRS法慢了将近20 s,即MCRS法在计算时间上更有优势。

在两阶段优化的算例中,优化结果表明电量互保策略和可中断负荷都为售电公司集合减少电量偏差,并且电量互保与可中断负荷结合进一步优化减少集合费用。在电量结算阶段,分别使用Shapley值和MCRS法对集合费用进行分配,并对分配方法的适用性进行验证。

6 结语

本文针对售电公司电量偏差考核问题,采用计入可中断负荷的售电公司电量互保策略,通过场景分析法处理负荷和市场出清价格的不确定性,分别建立了售电公司集合在日前的竞价策略优化模型和市场出清后的售电公司电量互保决策优化模型,逐次减少电量偏差,并在电量结算阶段分别使用Shapley值和MCRS法对售电公司总费用进行分配。算例仿真重点分析了可中断负荷技术约束与补偿成本，以及售电公司间电量互保的单位电量转移价格对总费用的影响。售电公司间电量互保的单位电量转移价格对于售电公司决策的影响最大,其次是可中断负荷,由于可中断负荷既为自身又为集合中的其他售电公司提供负荷中断服务,因此,可中断负荷成本的增加(或减少)对费用提升(或下降)效果较好。在总费用分配方法上,由于Shapley值法计入售电公司对集体的平均贡献值,而MCRS法计入售电公司对集体的最大、最小贡献值,后者在售电公司数量较多时具有更少的计算时间。

针对售电公司代理用户的模型,本文仅考虑了一种用户代理模式,即售电公司承担全部电量偏差考核,在以后的研究中可以考虑售电公司使用多种代理模式来代理不同类型用户的情况。负荷场景根据正态分布生成,但实际情况中的负荷有更为复杂的特性,后续可以使用更加准确的负荷预测模型,并考虑使用鲁棒优化或机会约束规划来处理负荷的不确定性。

附录见本刊网络版(http://www.aeps-info.com/aeps/ch/index.aspx)。

[1] 中共中央,国务院.关于进一步深化电力体制改革的若干意见(中发〔2015〕9号)[Z].2015.

[2] 吴诚,高丙团,汤奕,等.基于主从博弈的发电商与大用户双边合同交易模型[J].电力系统自动化,2016,40(22):56-62.DOI:10.7500/AEPS20151110003.

WU Cheng, GAO Bingtuan, TANG Yi, et al. Master-slave game based bilateral contract transaction model for generation companies and large consumers[J]. Automation of Electric Power Systems, 2016, 40(22): 56-62. DOI: 10.7500/AEPS20151110003.

[3] 孙毅,许鹏,单葆国,等.售电侧改革背景下“互联网+”电能替代发展路线[J].电网技术,2016,40(12):3648-3654.

SUN Yi, XU Peng, SHAN Baoguo, et al. Road map for “Internet plus” energy substitution in electricity retail market reform in China[J]. Power System Technology, 2016, 40(12): 3648-3654.

[4] 白杨,谢乐,夏清,等.中国推进售电侧市场化的制度设计与建议[J].电力系统自动化,2015,39(14):1-7.DOI:10.7500/AEPS20150514003.

BAI Yang, XIE Le, XIA Qing, et al. Institutional design of Chinese retail electricity market reform and related suggestions[J]. Automation of Electric Power Systems, 2015, 39(14): 1-7. DOI: 10.7500/AEPS20150514003.

[5] 胡晨,杜松怀,苏娟,等.新电改背景下我国售电公司的购售电途径与经营模式探讨[J].电网技术,2016,40(11):3293-3299.

HU Chen, DU Songhuai, SU Juan, et al. Preliminary research of trading approach and management modes of Chinese electricity retail companies under new electricity market reform[J]. Power System Technology, 2016, 40(11): 3293-3299.

[6] 张晓萱,薛松,杨素,等.售电侧市场放开国际经验及其启示[J].电力系统自动化,2016,40(9):1-8.DOI:10.7500/AEPS20151128001.

ZHANG Xiaoxuan, XUE Song, YANG Su, et al. International experience and lessons in power sales side market liberalization[J]. Automation of Electric Power Systems, 2016, 40(9): 1-8. DOI: 10.7500/AEPS20151128001.

[7] 罗琴,宋依群.售电市场环境下计及可中断负荷的营销策略[J].电力系统自动化,2015,39(17):134-139.DOI:10.7500/AEPS20140910001.

LUO Qin, SONG Yiqun. Marketing strategy in competitive retail market considering interruptible load[J]. Automation of Electric Power Systems, 2015, 39(17): 134-139. DOI: 10.7500/AEPS20140910001.

[8] GARCIA-BERTRAND R. Sale prices setting tool for retailers[J]. IEEE Trans on Smart Grid, 2013, 4(4): 2028-2035.

[9] SONG Meng, AMELIN M. Purchase bidding strategy for a retailer with flexible demands in day-ahead electricity market[J]. IEEE Trans on Power Systems, 2017, 32(3): 1839-1850.

[10] 刘连光,潘明明,田世明,等.考虑源网荷多元主体的售电竞争非合作博弈方法[J].中国电机工程学报,2017,37(6):1618-1625.

LIU Lianguang, PAN Mingming, TIAN Shiming, et al. A non-cooperative game analysis of an competitive electricity retail considering multiple subjects of source-grid-load[J]. Proceedings of the CSEE, 2017, 37(6): 1618-1625.

[11] 杨旭英,周明,李庚银.智能电网下需求响应机理分析与建模综述[J].电网技术,2016,40(1):220-226.

YANG Xuying, ZHOU Ming, LI Gengyin. Survey on demand response mechanism and modeling in smart grid[J]. Power System Technology, 2016, 40(1): 220-226.

[12] CHEN Sijie, LIU C C. From demand response to transactive energy: state of the art[J]. Journal of Modern Power Systems and Clean Energy, 2017, 5(1): 10-19.

[13] 周保荣,黄廷城,张勇军.计及激励型需求响应的微电网可靠性分析[J].电力系统自动化,2017,41(13):70-78.DOI:10.7500/AEPS20160926016.

ZHOU Baorong, HUANG Tingcheng, ZHANG Yongjun. Reliability analysis on microgrid considering incentive demand response[J]. Automation of Electric Power Systems, 2017, 41(13): 70-78. DOI: 10.7500/AEPS20160926016.

[14] 马春艳,董春发,吕志鹏,等.计及随机因素的商业型虚拟发电厂短期交易与优化运行策略[J].电网技术,2016,40(5):1543-1549.

MA Chunyan, DONG Chunfa, LÜ Zhipeng, et al. Short-term trading and optimal operation strategy for commercial virtual power plant[J]. Power System Technology, 2016, 40(5): 1543-1549.

[15] 韦立坤,赵波,吴红斌,等.虚拟电厂下计及大规模分布式光伏的储能系统配置优化模型[J].电力系统自动化,2015,39(23):66-74.DOI:10.7500/AEPS20150205006.

WEI Likun, ZHAO Bo, WU Hongbin, et al. Optimal allocation model of energy storage system in virtual power plant environment with a high penetration of distributed photovoltaic generation[J]. Automation of Electric Power Systems, 2015, 39(23): 66-74. DOI: 10.7500/AEPS20150205006.

[16] 郭红霞,白浩,刘磊,等.统一电能交易市场下的虚拟电厂优化调度模型[J].电工技术学报,2015,30(23):136-145.

GUO Hongxia, BAI Hao, LIU Lei, et al. Optimal scheduling model of virtual power plant in a unified electricity trading market[J]. Transactions of China Electrotechnical Society, 2015, 30(23): 136-145.

[17] 牛文娟,李扬,王磊.基于风险评估和机会约束的不确定性可中断负荷优化调度[J].电力自动化设备,2016,36(4):62-67.

NIU Wenjuan, LI Yang, WANG Lei. Optimal dispatch of uncertain interruptible loads based on risk assessment and chance constraint[J]. Electric Power Automation Equipment, 2016, 36(4): 62-67.

[18] 王蓓蓓,李义荣,李扬,等.考虑响应不确定性的可中断负荷参与系统备用配置的协调优化[J].电力自动化设备,2015,35(11):82-89.

WANG Beibei, LI Yirong, LI Yang, et al. Optimal coordination between system reserve and interruptible loads with response uncertainty[J]. Electric Power Automation Equipment, 2015, 35(11): 82-89.

[19] AHMADI A, CHARWAND M, SIANO P, et al. A novel two-stage stochastic programming model for uncertainty characterization in short-term optimal strategy for a distribution company[J]. Energy, 2016, 117(1): 1-9.

[20] FAHRIOGLU M, ALVARADO F L. Using utility information to calibrate customer demand management behavior models[J]. IEEE Trans on Power Systems, 2001, 16(2): 317-322.

[21] 董文略,王群,杨莉.含风光水的虚拟电厂与配电公司协调调度模型[J].电力系统自动化,2015,39(9):75-81.DOI:10.7500/AEPS20140719007.

DONG Wenlue, WANG Qun, YANG Li. A coordinated dispatching model for a distribution utility and virtual power plants with wind/photovoltaic/hydro generators[J]. Automation of Electric Power Systems, 2015, 39(9): 75-81. DOI: 10.7500/AEPS20140719007.

[22] 李波,杨灿军,陈鹰.基于合作对策的行业联合采购费用分摊研究[J].系统工程理论与实践,2003,23(11):65-70.

LI Bo, YANG Canjun, CHEN Ying. Industry joint purchasing cost allocation based onn-person cooperation[J]. Systems Engineering-Theory & Practice, 2003, 23(11): 65-70.

[23] MADRIGAL M, QUINTANA A D. Semidefinite programming relaxations for {0,1}-power dispatch problems[C]// IEEE Power Engineering Society Summer Meeting, July 18-22, 1999, Edmonton, Alta, Canada: 697-702.

[24] 张倩文,王秀丽,杨廷天,等.含风电场电力系统的鲁棒优化调度[J].电网技术,2017,41(5):1451-1459.

ZHANG Qianwen, WANG Xiuli, YANG Tiantian, et al. A robust dispatch method for power grid with wind farms[J]. Power System Technology, 2017, 41(5): 1451-1459.

Two-stageDecision-makingMethodofRetailersConsideringPowerTransferStrategy

YANGYangfang,LIUJichun

(School of Electrical Engineering and Information, Sichuan University, Chengdu610065, China)

Retailers in the sale side market may face strict power deviation assessment for low electricity consumption or load forecasting errors, which may lead to greater losses. For this problem, before the day-ahead trade, based on the scenario analysis method, a day-ahead optimization model is built by using the cost expectation of the retailers as an objective, which includes the cost of interruptible load and power transfer strategy. Then after the market clearing, according to the market clearing price, the interruptible load and power transfer strategy are optimized and updated to further reduce the power deviation. When settling the power costs, Shapley value and minimum costs remaining savings (MCRS) method are adopted to allocate the cost of the retailers individually. The influence of the interruptible load and power transfer price on the costs of the retailers with power deviation in different scenarios is analyzed by case studies. In addition, the results verify the applicability of two cost allocation methods.

This work is supported by National High Technology Research and Development Program of China (Program863) (No.2014AA051901).

retailers; power transfer; cost allocation; interruptible load

2017-06-12;

2017-09-12。

上网日期: 2017-10-13。

国家高技术研究发展计划(863计划)资助项目(2014AA051901)。

杨阳方(1994—),男,硕士研究生,主要研究方向:需求侧响应与电力市场。

刘继春(1975—),男,通信作者,博士,教授,主要研究方向:电力系统经济性分析及电力市场。E-mail： jichunliu@scu.edu.cn

(编辑顾晓荣)