新型电力系统背景下可再生能源参与电力市场交易策略研究

樊 东，毛 锐，文 旭，罗保松，夏 春

(国家电网有限公司西南分部，四川 成都 610041)

0 引 言

近年来中国可再生能源行业迅猛发展，风电、光伏装机容量均已成为世界第一，但可再生能源消纳问题突出[1]，已成为近年来的研究热点。可再生能源的消纳不仅仅局限于电力系统内部，还可以通过参与电力交易，以市场化方式来进行，多途径、多维度共同促进可再生能源消纳。

目前各国电力市场的现状、市场参与方、交易品种和结算模式等均不相同。美国的电力市场包括：PJM电力市场、加州电力市场和德州电力市场[2-3]。交易品种包括但不限于输电能量、容量、辅助服务、金融输电权等。结算模式以双结算模式为主[4-6]。欧洲各国的电力市场机制，为“调度机构与交易机构分设+自愿参与现货交易所交易+区域边际电价出清”的市场基本架构[7-8]。

与国内电力交易市场相符合的中长期交易模式正被中国有序地推动进行。在考虑到各地的电力市场化交易程度及供需形势后，选择了山西、山东、四川等一批试点省份，作为推动电力现货市场建设工作的先行者[9-11]。目前各地区结合当地实际情况，正稳步推进现货市场建设，并取得了一些阶段性进展。

目前，对于可再生能源与多元负荷参与电力市场交易策略研究还较少。下面从源荷两侧选取可再生能源场站、传统发电企业、电网企业等典型电力市场交易参与方，从各参与方成本收益进行效益分析，以期为典型电力市场交易场景的多方交易策略模型的建立提供基础。

1 典型场景下关键参与方效益分析

1.1 可再生能源场站效益分析

1.1.1 成本分析

可再生能源场站与多元负荷参与电力市场后，使得可再生能源场站的成本与收益都发生了相应的改变，以风电和光伏为例，从全寿命周期角度分析可再生能源场站的成本。

Ct=Cw+Cs+Cl+Cr+Ce

(1)

式中:Cw为风力发电机全寿命周期总成本；Cs为光伏发电机全寿命周期总成本；Cl为线路全寿命周期总成本;Cr为计及供电可靠性的系统电量损失总成本;Ce为运行造成的环境成本;Ct为系统总成本。

1.1.2 收益分析

可再生能源场站新增收入主要包括风电场增加的售电收入ΔIw,e和供热收入Iw,h。

(2)

Iw,h=Aw,h×Ph

(3)

式中：Pw为风电场上网电价，元/kWh；Aw,h为供热面积，104m2；Ph为热价，元/m2。

1.2 传统发电企业效益分析

1.2.1 成本分析

在负荷水平相同的情况下，可再生能源参与电力市场交易后会挤占传统发电企业的发电空间，其减少的发电量与电网输送的传统电力资源量大致相等[12]。

1.2.2 收益分析

1)降低的峰荷容量成本

用减少的新增装机成本表示降低的峰荷容量成本。

RN=ΔNy×Ij

(4)

ΔNx=exΔPf

(5)

式中：RN为接入后降低的峰荷容量成本；Ij为每个机组装机投资成本；ΔNy为由于实施需求响应而减少的峰荷容量；ΔPf为降低的峰荷电力；ex为降低的峰荷容量系数。

2)降低的传统能源燃料成本

Rr=W×Mc

(6)

式中：Rr为接入可再生能源场站后降低的传统能源燃料成本；W为减少的传统能源用电量；Mc为每千瓦时发电量的传统能源燃料边际成本。

3)降低的机组不正常启停成本

Rp=Cp×Ip

(7)

式中：Rp为机组非常规启停成本；Cp为每次机组非常规启停成本；Ip为机组非常规启停次数。

4)降低的环境破坏补偿开支

Rb=Q×b

(8)

式中：Rb为接入可再生能源场站后降低的环境破坏补偿开支；Q为减少的破坏物排放量；b为政府规定的每千克破坏物补偿费。

5)传统能源减缓建设效益

(9)

式中：Rl为接入可再生能源场站后节约的传统能源建设开支；ΔNy为系统接入可再生能源后可降低峰荷容量；μ为每个机组的投资成本；i为基准利率；t为其可使用的周期。

1.3 电网企业效益分析

1.3.1 成本分析

1)减少的售电收入

CNR=W×p

(10)

式中：CNR为减少的售电收入；W为减少的售电量；p为平均电价。

2)系统安装维护成本及补贴

(11)

式中：Cg为电力设备折扣；C为由电网企业负责的多元负荷支持设备初始投资成本；n为设备使用时长；Cb为对设备进行保养的开支；Ca为设备安装开支。

1.3.2 收益分析

1)降低的电网投资成本

(12)

式中：Rt为接入可再生能源场站降低的电网投资成本；ΔNr为接入可再生能源场站后降低的电网容量；It为整个系统电网投资的成本；Nr为整个电网的容量大小。

2)降低的系统运行维护成本

(13)

式中：Mb为接入可再生能源场站后降低的系统运行维护成本；MT为系统总的运行维护成本。

3)提高的负荷率

L=L2-L1

(14)

式中：L为提高的负荷率；L2为本年负荷率；L1为前一年负荷率。

1.4 电采暖用户效益分析

1.4.1 成本分析

蓄热式电采暖成本Ppay由静态投资成本Ppay,s和运行成本Ppay,r两部分组成。

Ppay=Ppay,s+Ppay,r

(15)

1.4.2 收益分析

综合收益Pinc分为供暖收益Phot和辅助服务益Pas两部分，如式(16)—式(18)所示。

Pinc=Phot+Pas

(16)

Phot=mhot·S

(17)

(18)

式中：S为蓄热式电采暖供暖面积，m2；mhot为供暖收费，元/m2；mas为辅助服务收费标准，元/MW；ΔPeb-a为提供辅助服务电力，MW。

1.5 电动汽车用户效益分析

1.5.1 成本分析

1)设备投资成本CF

CF=CF1×N+CF2×N+CF3×N′

(19)

式中：CF1为每个电动汽车(electric vehicle,EV)控制设备成本；CF2为每个电动汽车通讯设备(接收器、传输器)的成本；CF3为整个电动汽车控制中心的搭建成本。

2)设备运行维护成本COM

COM=CF×η

(20)

式中，η为运行维护开支比例。

1.5.2 收益分析

1)放电增加的收益REV1

(21)

2)充电节约的电费支出REV2

(22)

2 多方交易策略模型

2.1 多个参与方交易的博弈框架

各个能源相互交融的形式越来越突出，传统的电力交易模式已经不再适应。以多个参与方共同参与的多能源形式的新型电力市场正在成为主流[13]。各个参与方均能独立地参与电力市场，并基于交易博弈策略实现自治及矛盾解决，最终实现各方平衡，达到平衡的微电网[14]，图1为多个参与方交易的博弈框架图。

图1 多个参与方交易的博弈框架

图1描述了两种典型的多参与方交易模式。第1种模式为风电供应商和EV商共同合作组成虚拟电厂(virtual power plant,VPP)，以解决风电过剩或者风电不足问题，并且达到供应商利益最大化，称之为VPP模式。另一种模式为风电商及EV商各自独立经营，参与电力交易市场，称之为独立经营模式。两种经营模式在日前电力市场中均存在，由用户根据自身情况进行选择。同时在图1中，传统供电商也可以依据自身经营情况，选择将电能销售给电力输送网络运营商或者直接销售给用户，以实现利益最大化。

2.2 博弈策略建模

2.2.1 VPP供应商的策略模型

此模型以模拟风电场场景为基础，通过过去某个时段t的N个场景的风电出力大小，以VPP模式进行建立。在此模型中风电场的出力具有不确定性，同时EV或蓄热式电采暖商所需要的电量大小也完全由用户行为来确定。

(22)

(23)

t时段VPP的总投标出力为

(24)

当风力发电场和EV商或蓄热式电采暖共同合作运营时，有很大概率会出现预测偏差。当预测量小于实际发电量时，多发出的电量只能弃用；当预测量大于实际发电量时，由于供电不足，当地电力监管部门可能会对这种行为进行罚款[15]。因此，将VPP的目标函数描述如下：

(25)

(26)

(27)

(28)

(29)

(30)

(31)

(32)

(33)

2.2.2 用户群体的策略模型

在用电量得到满足的条件下，用户会根据电力价格或其他因素选择更为适合自己的供电商来进行供电。为了简化模型，以用户利益最大化作为策略博弈的最终目的，则其效用函数ku为

(34)

用户实体的成本Eu是向供电商支付的电费，可表示为

(35)

因此，用户群体的目标函数为

maxRu=Ku-Eu

(36)

2.2.3传统电力供应商的策略模型

(37)

(38)

传统电力供应商的目标函数为

(39)

电力供应商决策时的约束条件为：

(40)

(41)

2.2.4 电力输送网络运营商的策略模型

电力输送网络运营商的利益来源由直接向用户收取电费和收取发电商服务费两种模式来获取。此外，电力输送网络运营商在输送电能的同时，应保证电能质量、系统安全等作为社会公共事业企业应承担的责任。运营过程中会出现设备检修、更换、建设及运营成本[17]。

电力输送网络运营商的收益可用用户所支付的电费、传统电力供应商和VPP商所缴纳的服务费三项之和来表示。

(42)

(43)

式中，电力输送网络运营商的成本由购买电力的成本和运营成本共同构成。

电力输送网络运营商的目标函数为

(44)

2.3 模型求解算法

2.3.1 多方博弈的纳什均衡

(45)

2.3.2 基于合作型协同进化遗传算法求解

合作型协同进化遗传算法(cooperative co-evolutionary genetic algorithm,CCGA)以多种群协同演化机制为基础，考虑到不同自然物种在基因遗传过程中相互不影响[18]，各物种又通过自然界生态系统共同协调为基础。CCGA将复杂的非线性大规模场景进行拆解，以多个子场景进行求解优化，最后再带入整体中协调，最终实现整体的共同优化[19]。

在电力市场多运营商博弈过程中，将每个博弈体看作是一个总群，利用CCGA进行全局优化。算法框图如图2所示。

图2 CCGA框架

CCGA的步骤如下：

1)进行传统供电商、电网公司、用户、VPP商的种群初始化参数设置。

2)选择合适的遗传算子及最优粒子，形成策略集合。

3)种群协作。各种群协作，进行共同优化，保留优化效果最好、整体最为平衡的个体代表，进行下一代遗传。

4)重复步骤2和步骤3，到符合全局优化标准为止，最终保留的策略集合即为博弈均衡解。

3 典型电力市场场景的多方交易策略

本章选取EV和风电场参与电力市场的典型场景，验证第2章所建立的多方交易策略模型的有效性。

3.1 算例基本参数

在上述条件下，用户群体的总负荷需求量如图3所示，可以看出，负荷需求量较小的时段出现在0～7 h，高峰负荷需求量较大的时段出现在8～23 h。

图3 用户群各时段总负荷

3.2 算例结果

对比风力发电场商和EV商合作联营，以VPP模式参与电力市场交易和分别独立参与电力市场交易两种模式。得到如图4所示的博弈均衡时的利润对比图。

图4 两种模式的利润对比

从图4可以看出：两种模式下，VPP模式的总利润明显高于独立参与市场交易的模式。其中，独立参与电力市场交易的EV商和风电商利润之和为21.8万元，而以VPP模式参与电力市场交易的利润值达到了27.8万元，利润增加值达到了27.5%。

结果表明，采用VPP模式参与电力市场运行能够更好地利用EV资源和风力发电资源，在减少弃风现象和降低出力预测偏差的同时获得了更大的经济效益。

4 结 论

主要通过对可再生能源场站、发电企业、电网企业、电采暖用户以及EV等关键参与方在典型场景下的效益分析，构建VPP商、用户群体、传统电力供应商以及电力输送网络运营商的策略模型；通过CCGA进行求解，并以实际算例验证了所建立模型的合理性和有效性。算例结果表明，风电商与EV用户联合组成虚拟电厂，参与电力市场交易所获得的的利润比其单独参与电力市场的利润更高，说明VPP在充分利用风电资源的同时，还能调用EV电源存储能力，创造更大的经济价值，具有更强的市场竞争力。