面向调峰弃风消纳的分时电价政策制定与评估

王 尧，傅吉悦，曲绍杰，郭 健

(国网吉林省电力有限公司，长春 130021)

基于风功率预测的分时电价政策，是利用电价杠杆引导用户的用电行为，通过低电价激励用户将部分用电负荷移至潜在的调峰弃风时段，以减少弃风，是一种有潜力的经济手段。

目前对分时电价政策的研究主要关注峰谷分时电价[1-11]，其中文献[1-2]选取峰谷差最小和尖峰负荷最小作为目标函数，文献[3]将风电作为可完全消纳的“负负荷”考虑，以净负荷期望值峰谷差最小为目标函数，上述研究均不涉及弃风问题。文献[12]考虑了弃风可能，制定分时电价政策的目标是最大化消纳负荷低谷时的风电，此研究的假设是弃风都发生在负荷低谷时段。而在实际运行中，对于风电装机容量较大的省级电网，会出现负荷高峰时风大弃风，负荷低谷时风较小却不弃风的现象，因此有必要基于日前风功率预测制定分时电价政策，应对各个时刻可能出现的风电大发，实现调峰弃风的最小化。以下将从制定和评估两个方面研究这种新的分时电价政策。

1 分时电价政策制定的理论基础

在面向调峰弃风消纳的分时电价政策中，每日的电价由低电价和普通电价组成。低电价对应潜在弃风时段，普通电价对应其余时段。确定低电价时首先基于日前风功率预测，然后，将预测的弃风时刻按特定原则确定为低电价时段。

1.1 日前发电调度模型

优先消纳风电的日前发电调度模型由式(1)和式(2)构成的最优潮流描述。若风场出力小于风功率预测值，则判断此时间步长需要调峰弃风。目标函数见式(1)。此目标为火电机组与风电机组运行费用最小，由于风电机组的运行费用远小于火电机组，因此该目标函数可以保证最大消纳风电。

(1)

式中：Pcoal,i为第i台火电机组的出力；Pwind,i为第i座风场的出力；ccoal,i为第i台火电机组的运行费用函数；cwind,i为第i座风场的运行费用函数；Ncoal为火电机组数量；Nwind为风力发电机组数量。

约束条件见式(2)。发电调度模型的约束条件包括潮流方程、火电机组、风场的出力范围和节点电压要求，其中火电机组的出力不小于最小技术出力，风场出力不大于日前风功率预测值。

(2)

式中：i=1,2,…,n；Pi为第i个节点的净注入有功；Qi为第i个节点的净注入无功；Ui为第i个节点的电压幅值,Uj为第j节点的电压幅值；θij为节点i、j间的相角差；Gij和Bij分别是节点i、j间互导纳的实部和虚部；Pminc,i为第i台火电机组的最小技术出力；Pmaxc,i为第i台火电机组的额定容量；Pfor,i为第i座风场的日前风功率预测值；Umin和Umax分别是最小和最大电压限值。

1.2 低电价时段的确定原则

考虑到用户容易接受以整点小时为起止时间的分时电价政策， 以小时为单位划分低电价和普通电价时段。通过日前发电调度模型可以判断出一日内需要弃风的若干个时间步长，如果任一小时内的弃风时长不小于30 min，则这个小时属于弃风时段，实行低电价。

此外，如果一日内的低电价时段大于12 h，则该日不执行分时电价，全天实行普通电价。因为当一日内大多时间为低电价时，用户缺少足够积极性去改变自己的用电起止时间。基于以上原则，可以制定出分时电价政策，通过APP、电视和广播等方式提前一天告知用户。未来，包括电动汽车在内的智能用电设备可以自动更新分时电价信息，在完成自身功能的前提下实现用电费用最低。

2 分时电价政策的评估方法

制定分时电价政策后，需要评估该政策对消纳调峰弃风的实际影响， 建立仿真平台用于计算实行分时电价后的日弃风率，平台的架构见图1。

图1 仿真平台架构图

2.1 仿真平台的输入

仿真平台的输入包括前文制定的分时电价政策、实际风电可发值和用户对分时电价的响应度。实际风电可发值是指风电不受限时风场的实际最大出力，这一项数据可由各风场实时提供，值得注意的是，实际风电可发值与日前风功率预测值存在偏差，前者更为接近真实情况。用户对分时电价响应度的定义是转移到低电价时段的用电量占总用电量的百分数，且每天的全网总用电量不变。在时间尺度上，每个时间步长转移走的用电量等于用户响应度与该步长原始用电量的乘积。得到总转移用电量后，将其均匀分给低电价时段的每个时间步长。在空间尺度上，将全网每一时刻的净有功变化量按照每个负荷节点的原始有功功率负荷占比分配，且每个负荷节点的功率因数不变。随着日后统计数据的丰富，分时电价的响应度可通过更好的方式描述。

2.2 日内发电调度模型

仿真平台的核心是日内发电调度模型。将3个参数输入此模型后，可计算出实行分时电价后的风场出力。实际风电可发值与风场出力的差值即为调峰限电电力，再将一天的限电电力积分，可得出日弃风电量，进而得出日弃风率。

日内发电调度模型与日前发电调度模型的目标函数相同，仍为火电机组与风电机组运行费用最小，见式(1)，约束条件见式(3)。

(3)

3 算例分析

3.1 研究对象

算例的研究对象是文献[13]的9节点系统(见图2)，并修改该系统的部分参数。节点1为风场节点，装机容量为250 MW，节点2和3为火电厂节点，装机容量均为200 MW，最小技术出力均为100 MW。其余节点为负荷节点。该电力系统的原始负荷选用了比例变换后的某省级电网日负荷曲线，最大负荷为343.0 MW，最小负荷为234.6 MW。此电网运行时的最小和最大电压限值分别是0.9p.u.和1.1p.u.。

图2 算例9节点系统

3.2 计算实际风电可发值

本研究的已知数据是某风场一座测风塔共91天的风机轮毂高度(70 m)风速统计，时间步长为10 min。假设任一时间步长内，该测风塔70 m高度风速与节点1风场所有风机的70 m高度风速相同。风机的切入风速为3 m/s，额定风速为12 m/s，切出风速为22 m/s。根据式(4)，由70 m高度风速v可以计算出风场的实际风电可发值Preal[14]。

(4)

式中：Pr为风场装机容量；vci为切入风速；vco为切出风速；vr为额定风速。

3.3 仿真生成分时电价政策

由前文可知，生成分时电价政策需要日前风功率预测值。对于任一时间步长，假设日前风功率预测值Pfor∈(0.5Preal，1.5Preal)，且Pfor服从均匀分布。若Pfor>Pr，则Pfor=Pr。当未来研究数据充分时，可以直接采集下一天每一时间步长的Pfor，然后制定分时电价政策。

3.4 仿真生成用户响应度

因为研究的分时电价政策尚未实际实行，所以用户对分时电价响应度的相关真实统计数据也并不存在，因此，本研究给定用户每一天的响应度x∈(0,2%)，且x服从均匀分布。

基于以上算例参数使用仿真平台，即可计算出弃风率，以评估分时电价政策消纳调峰弃风的效果。分时电价制定和仿真平台中最优潮流的求解通过MATPOWER软件包来完成[15]。

3.5 结果分析

使用上述方法进行91天仿真，仿真结果中有34天全天实行普通电价，其余57天实行分时电价，平均日弃风率由20.63%下降到16.68%。从中选取两个分时电价政策分析。

图3所示的分时电价政策中，低电价时段为0:00～3:00，其余时段为普通电价，用户响应度x=1.76%。实行此分时电价政策后，弃风率由11.17%下降到1.40%，消纳调峰弃风的效果较好。在低电价时段，受用电负荷增加影响，消纳风电明显增加，即弃风电量减少。在普通电价时段，虽然用电负荷减少导致风电消纳空间相应减少，但由于实际风电较小，普通电价时段风电仍全部消纳。这一日弃风率降低明显的原因是日前风功率预测能判断出潜在弃风时段，另一个原因是用户响应度较高。

图3 效果较好的分时电价政策

图4所示的分时电价政策中低电价时段为0:00～1:00、3:00～4:00以及19:00～20:00，其余时段为普通电价，用户响应度x=1.10%。分时电价实行后，弃风率由3.27%下降到1.98%，消纳调峰弃风的效果不明显。主要原因是风功率预测不准确，基于日前风功率预测判断0:00～1:00，3:00～4:00，19:00～20:00三个时间段实行低电价。实际上2:00～3:00和22:00～23:00也是弃风时段，在当前分时电价下，这两个时段的风电消纳空间不仅没有增加，反而减少。从一天看，减少的弃风电量中有一部分被增加的弃风量抵消。

图4 效果较差的分时电价政策

4 关键因素的影响

算例分析中可以看出风功率预测准确率和用户响应度两个关键因素影响分时电价政策的效果。本文将进一步定量评估二者与弃风率的关系。

4.1 弃风率与风功率预测准确率的关系

先定义一座风场的风功率预测准确率r[16]：

(5)

式中：N为一日的总时间步长；Cap为风场开机装量；Preal为风场的实际风电可发值；Pfor为风场的风功率预测值。本研究中风场所有风机均为运行状态，开机容量即为装机容量。

为了研究弃风率w与风功率预测准确率r的关系，需要得到大容量的(w,r)样本。首先，通过已知的91天Preal和随机生成的Pfor计算91天的r，并制定每一天的分时电价政策；然后，将Preal、分时电价政策和固定的用户响应度的输入仿真平台，计算出对应的w，即可得到91组(w,r)。

本次仿真中，91天有55天实行了分时电价，其余天全天普通电价，并给定较高的用户响应度(x=2%)。对这55组(w,r)进行一元线性回归，回归过程中通过分析残差剔除3个离群点[17]，可得：

w=-3.823 2r+3.701 1

(6)

回归模型的决定系数0

当给定x=0.2%时，用同样的方法生成(w,r)样本，有57天实行了分时电价，通过分析残差剔除3个离群点后，可得：

w=-3.395 3r+3.344 9

(7)

模型的决定系数R2为0.606，模型比较有效。由式(7)可知，用户响应度较低时，弃风率与风功率预测准确率的关系仍有相同趋势。

上述现象说明日前风功率预测的准确程度对分时电价政策的实行效果有比较显著的影响，应继续加强相关研究，提高风功率预测准确率。

4.2 弃风率与用户响应度的关系

用类似的方法分析弃风率w与用户响应度x的定量关系。选择91天中有代表性的两天进行建模，分别是不实行分时电价时弃风率为61.31%和4.11%的两天。对这两天各进行50次仿真，计算实行分时电价后的50组(w,x)。每次仿真的用户响应度x∈(0,2%)，且x服从均匀分布，并给定风功率预测值即为实际风电可发值，排除风功率预测准确率这一因素的干扰。

a.对于弃风率为61.31%的一天，进行一元线性回归可得：

w=-2.812 6x+0.613 1

(8)

模型的决定系数R2为0.999 98，模型有效。由式(8)可知，用户响应度每提高1%，弃风率可下降2.8%。这说明，对于此日可以增大对用户的电价激励，以加强分时电价政策的效果。

b.对于弃风率为4.11%的一天，(w,x)的散点图见图5 。

图5 弃风率与用户响应度的散点图

进行一元线性回归可得：

(9)

当0

其中弃风率随x递增的原因为，分时电价的本质是将普通电价时段的风电消纳空间转移到低电价时段，而x反映了转移空间的大小，当普通电价时段由消纳空间转移而引起的弃风电量等于低电价时段多消纳的风电电量时，x进一步增长(即转移空间继续增加)，将导致二者差值扩大(前者增加，后者不变)，弃风率上升。

因此，需要针对未来一天不同的风功率预测，谨慎运用电价杠杆，防止分时电价政策的“过调”效应。

5 结论

a.在已知日前风功率预测的情况下，可以使用日前发电调度模型制定分时电价政策。在一般情况下，该政策能够减少调峰弃风;

b.有必要继续提高日前风功率预测准确率，更好发挥分时电价政策的效果;

c.制定分时电价政策时需合理设置电价，弃风率与用户响应度不存在必然的递减关系;

d.本研究未考虑用电负荷转移而带来的电力设备过载情况，在分时电价政策试行阶段，应加强电网运行情况的监视与分析，并及时采取相应措施。