文 旭，王俊梅，郭 琳

（1.國網(wǎng)重慶市電力公司電力科學研究院，重慶 401123；2.國網(wǎng)重慶電網(wǎng)電力交易中心，重慶 400014）

0 引言

在電力市場環(huán)境下，電網(wǎng)公司經(jīng)營的目標是在電網(wǎng)安全運行的基礎(chǔ)上實現(xiàn)最大的經(jīng)濟效益，而該目標的實現(xiàn)一般由占交易總量80%以上的月度購電計劃以及以此擴展得到的年度購電計劃完成[1]。由此，月度購電計劃的研究對電網(wǎng)公司經(jīng)濟效益的實現(xiàn)具有重要的現(xiàn)實意義。

另一方面，中國電力供需的地區(qū)差異決定了區(qū)域電力市場（本文特指共同電力市場）在資源配置中的決定性作用[2]；而電力工業(yè)節(jié)能減排的巨大壓力更使得風力發(fā)電獲得快速發(fā)展[3]。在此雙重背景下，各省級電網(wǎng)公司在協(xié)調(diào)網(wǎng)內(nèi)與網(wǎng)外電力資源以實現(xiàn)最大經(jīng)濟效益的同時，還需要考慮風電出力隨機性帶來的諸多挑戰(zhàn)[4]。2012年3月國家電網(wǎng)公司更明確提出未來將把風電納入月度電力電量平衡的奮斗目標[5]。但鑒于風電出力的隨機性較大以及其預測技術(shù)的嚴重滯后，現(xiàn)有文獻在研究含風電出力不確定性的購電計劃時，更多地集中于日度時間范疇[6-8]，目前還未見將風電納入月度電力電量平衡的文獻報道，由此使得含風電比重較大的省級電網(wǎng)在制定月度購電計劃時面臨巨大挑戰(zhàn)。

在已有的月度購電計劃研究中，文獻[9-11]建立了只含純火電系統(tǒng)的省級電網(wǎng)月度購電計劃模型，且未考慮負荷功率隨機性；文獻[12]考慮負荷功率隨機性建立了純火電系統(tǒng)的省級電網(wǎng)月度購電計劃模型；文獻[13-15]研究了純市場環(huán)境下的月度購電計劃模型，但沒有考慮風電出力的隨機性，不太適合我國“以風定電”的市場環(huán)境，且沒有考慮支路潮流安全約束；文獻[16]建立了含水電出力的隨機性的省級電網(wǎng)月度購電計劃模型，但沒有考慮支路潮流安全約束；文獻[17]在建立含水電出力隨機性的省級電網(wǎng)月度購電計劃模型時，卻要求“任意隨機狀態(tài)”均嚴格滿足支路潮流安全約束，無法滿足市場環(huán)境下經(jīng)濟效益最大化的迫切需要。

在區(qū)域電力市場環(huán)境下，由于網(wǎng)外購電計劃電力電量的強耦合關(guān)系（電力與電量之間必須具有確定的函數(shù)關(guān)系）[18]以及風電出力不確定性較大的疊加效應(yīng)，在目前我國電網(wǎng)結(jié)構(gòu)普遍較為薄弱的現(xiàn)實背景下，這極可能使得省級電網(wǎng)在月度購電時面臨如下3個嚴峻問題：月峰荷和谷荷狀態(tài)系統(tǒng)上下調(diào)峰困難；月峰荷和谷荷狀態(tài)各支路潮流存在越限；月電量無法保持平衡。

鑒于此，本文以區(qū)域電力市場為研究背景，計及風電出力不確定性對省級電網(wǎng)月度購電計劃的影響，將月電力與電量解耦，并從風險管理的視角，在如下2個方面進行了開拓性研究：提出了月峰荷和谷荷狀態(tài)調(diào)峰風險度量指標、月峰荷和谷荷狀態(tài)支路潮流越限風險度量指標、月電量平衡上下越限風險度量指標；建立了省級電網(wǎng)月度購電風險管理模型，并采用提出的內(nèi)嵌目標相對占優(yōu)與Monte-Carlo隨機模擬技術(shù)的混合遺傳算法求解該模型。本文最后對上述工作的有效性給予了論證。本文研究豐富了電力市場風險度量指標以及風險管理的內(nèi)涵，為風電出力不確定性環(huán)境下的省級電網(wǎng)月度購電計劃的優(yōu)化決策提供了新思路。

1 月度購電計劃風險度量指標的構(gòu)建

1.1 月度購電計劃風險度量指標的描述方法

在傳統(tǒng)電力市場環(huán)境下，其隨機因素一般包括市場電價和負荷電量，若進一步考慮風力發(fā)電對月度購電計劃的影響，則其隨機因素還包括風電出力、風電電量、負荷電力等。由于負荷電量由負荷電力引起，風電電量由風電出力引起，因此本質(zhì)上負荷電量和負荷電力、風電電量和風電出力可分別歸為同一類隨機因素。但若將上述隨機因素分別歸為一類，則必須依賴于時段的耦合，即月度購電計劃必須細分到較細的時段以確保計劃的準確性（如文獻[9，11]為小時級），這勢必造成購電計劃模型的求解規(guī)模急劇增加，甚至不可解；同時這樣精細化的時段劃分在風電出力隨機性普遍較大的情形下，其實用性有待商榷。

另一方面，實際的月度購電計劃中火電電力與電量具有分開考核的特點[2]，則可將負荷電量和負荷電力、風電電量和風電出力解耦，分別作為獨立隨機變量考慮；而月度購電計劃中支路潮流越限一般只出現(xiàn)在月峰荷和谷荷狀態(tài)[17]，則可將負荷電力、風電出力均分成月峰荷和谷荷2種狀態(tài)考慮其隨機性。由此，可基于峰荷和谷荷狀態(tài)建立省級電網(wǎng)月度購電計劃風險度量指標。

文獻[19]指出，描述風險度量指標方法有以下2種：①在一定條件下發(fā)生行為主體遭受損失狀態(tài)的可能性，采用風險后果發(fā)生的概率來描述；②由于各種不確定性導致行為主體可能遭受的損失，采用風險后果的嚴重程度來描述。第2種方法更符合風險的本質(zhì)，但其嚴格依賴于風險的可度量性，而目前市場環(huán)境下該風險的度量還缺乏嚴格的統(tǒng)一定義和理論依據(jù)[19-20]。為此，本文采用第1種，即以概率的方法來描述月峰荷和谷荷風電出力、風電電量、負荷電力、負荷電量等隨機因素對月度購電計劃的調(diào)峰、支路潮流以及電量平衡等帶來的風險。

1.2 月峰荷和谷荷狀態(tài)調(diào)峰風險度量指標

鑒于本文的研究背景為區(qū)域電力市場，月度購電計劃中外購電單位的峰平谷3個負荷狀態(tài)的不同功率可參與跨省購電的省級電網(wǎng)調(diào)峰[16]，有效地避免了網(wǎng)內(nèi)火電機組啟停調(diào)峰和風電機組棄風調(diào)峰等情形的出現(xiàn)。鑒于風電出力隨機性較大，需考慮上下2種旋轉(zhuǎn)備用，由此，月峰荷和谷荷狀態(tài)調(diào)峰風險度量指標可表示如下：

其中，Pr｛｝表示概率算子；s表示負荷狀態(tài)序號，當s取 1、2、3 時分別對應(yīng)峰、平、谷 3 種負荷狀態(tài)；βs表示在s負荷狀態(tài)下調(diào)峰風險度量指標；Pd，s，k表示 s負荷狀態(tài)下負荷節(jié)點k的隨機負荷；Pw，s，k表示s負荷狀態(tài)下風電機組k的隨機功率（一座風電場可等效為一臺風電機組）；Pex，s，k表示 s 負荷狀態(tài)下第k個外購電單位功率；Pr，s表示s負荷狀態(tài)下系統(tǒng)旋轉(zhuǎn)備用容量；Pt，k，max和 Pt，k，min分別表示火電機組 k 的功率上、下限；Nd、Nw、Nt和 Nex分別表示負荷節(jié)點個數(shù)以及風電、火電機組臺數(shù)和外購電單位數(shù)。

1.3 月峰荷和谷荷狀態(tài)支路潮流越限風險度量指標

其中，αs，l表示在s負荷狀態(tài)下支路l的潮流越限風險度量指標；Ps，l表示在s負荷狀態(tài)下支路l的輸電功率；Pl，max表示支路 l的輸電容量極限；Nl表示支路總數(shù)。 Ps，l可用靈敏度方法[20]表示如下：

月度購電計劃經(jīng)濟效益的實現(xiàn)是建立在電網(wǎng)安全運行的基礎(chǔ)之上的，當支路潮流超過極限值時就會導致線路過載。由此，月峰荷和谷荷狀態(tài)支路潮流越限風險度量指標可表示如下：

其中，Gt，s，l-k、Gw，s，l-k、Gex，s，l-k和 Gd，s，l-k分別表示在s負荷狀態(tài)下火電機組、風電機組、外購電和負荷k所在節(jié)點對支路l的發(fā)電機輸出功率轉(zhuǎn)移分布因子；Pt，s，k表示 s負荷狀態(tài)下火電機組 k 的功率。

需要指出的是，基于式（2）可進一步借鑒文獻[21]建立月峰荷和谷荷狀態(tài)系統(tǒng)級的潮流越限風險度量指標，鑒于本文重點在于提出一種方法論，限于篇幅不再贅述。

1.4 月電量平衡上下越限風險度量指標

當省級電網(wǎng)月度購電計劃的購電量超過月負荷電量時，需要日前臨時跨省出售電能或者減少月度網(wǎng)內(nèi)火電機組的購電計劃；而當月度購電計劃的購電量低于月負荷電量時則需要日前臨時購電，以上情形的出現(xiàn)均會導致省級電網(wǎng)經(jīng)濟效益的降低。由此，月電量平衡上下越限風險度量指標可表示如下：

其中，γs表示在月電量平衡上下越限風險度量指標（s=1 表示上越限，s=3 表示下越限）；Ww，k，m表示風電機組k的月隨機電量；Wt，k表示火電機組k的月電量；Wex，k表示外購電單位 k 的月電量；Wd，max和 Wd，min分別表示省級電網(wǎng)月最大和最小負荷電量。

2 省級電網(wǎng)月度購電風險管理模型

2.1 建模原理及其假設(shè)條件

基于1節(jié)所建的風險度量指標，將其應(yīng)用于月度購電計劃模型就可實現(xiàn)其購電風險的管理。含機會約束的隨機規(guī)劃建模方法，本質(zhì)上是假設(shè)在隨機事件發(fā)生之前就已經(jīng)根據(jù)預測條件做出決策；同時考慮到所做決策在一些比較極端的情況下有可能不滿足約束條件，該方法允許所做決策在一定程度上不滿足約束條件，但所做決策應(yīng)使機會約束條件成立的概率不小于某一極限值[16]。該建模方法本質(zhì)上與本文所追求的風險控制思想具有內(nèi)在一致性。基于此，所建模型的物理內(nèi)涵可描述為：在風電出力、負荷功率不確定性的環(huán)境下，考慮將月峰荷和谷荷狀態(tài)調(diào)峰風險、月峰荷和谷荷狀態(tài)支路潮流越限風險、月電量平衡上下越限風險等指標控制在一定概率水平之下，以實現(xiàn)省級電網(wǎng)月度購電計劃經(jīng)濟效益的最大化。

不失一般性，所建模型還作如下假設(shè)[16-17]：

a.峰荷和谷荷狀態(tài)風電出力和負荷功率、月風電量、負荷電量、網(wǎng)內(nèi)火電以及外購電單位電價均獨立服從正態(tài)分布；

b.在月度競價交易前，年度購電量在月度的分解電量已經(jīng)完成，模型中不再單獨表示；

c.忽略交易網(wǎng)損與輸電費用。

2.2 模型的建立

2.2.1 目標函數(shù)

以省級電網(wǎng)在月度區(qū)域電力市場和網(wǎng)內(nèi)電力市場的月購電費用最小為目標函數(shù)；同時考慮市場電價、月風電量和月負荷電量等隨機性因素的存在會導致購電費用面臨一定的風險，選用半絕對離差風險指標[17]來度量購電費用對應(yīng)的風險，由此所建模型目標函數(shù)中的購電費用和風險價值分別表示如下：

其中，E[]表示期望算子；uw，k表示風電機組 k 的電價；ut，k表示火電機組 k 的電價期望值；uex，k表示外購電單位k的電價期望值；Ww，k表示風電機組k的月電量期望值；pt，k和 pex，k分別表示火電機組 k 和外購電單位k的隨機電價。

2.2.2 約束條件

（1）系統(tǒng)潮流安全約束。

a.月峰荷和谷荷狀態(tài)直流潮流功率平衡方程：

其中，Pw，s、Pt，s、Pex，s和 Pd，s分別表示 s 負荷狀態(tài)下風電機組、火電機組、外購電和負荷節(jié)點功率向量；B表示節(jié)點導納矩陣；δs表示s負荷狀態(tài)下的電壓相角向量。這里節(jié)點外購電功率表達式為：

其中，Pex，s，i表示在 s 負荷狀態(tài)下節(jié)點 i的外購電功率；Pex，s，k表示 s 負荷狀態(tài)下外購電單位 k 的功率；Φi表示與節(jié)點i相關(guān)連的外購電單位集合；N表示系統(tǒng)總節(jié)點數(shù)。

b.月峰荷和谷荷狀態(tài)支路潮流功率方程：

其中，Ps，l表示 s 負荷狀態(tài)下支路 l的傳輸功率；δs，i和δs，j分別表示s負荷狀態(tài)下支路l的首末端節(jié)點i、j的電壓相角；xij表示支路l的電抗。

c.月峰荷與谷荷狀態(tài)各支路潮流風險管理約束：

其中，l=1，2，…，Nl；α1，l，max和 α3，l，max分別表示峰荷和谷荷狀態(tài)支路l的潮流越限風險水平極限值。

借鑒文獻[20]可將式（6）—（8）轉(zhuǎn)化為靈敏度形式表示的式（3），再結(jié)合式（10）、（11）即可實現(xiàn)月度購電計劃支路潮流的風險管理。

（2）月峰荷與谷荷狀態(tài)調(diào)峰風險管理約束。

其中，β1，max和β3，max分別表示峰荷和谷荷狀態(tài)調(diào)峰風險水平極限值。

（3）區(qū)域電力市場外購電單位約束。

a.各外購電單位電力電量的耦合關(guān)系。

根據(jù)文獻[17-18]省級電網(wǎng)月度外購電電力與電量的耦合關(guān)系，其月度外購電量與峰平谷電力的協(xié)調(diào)關(guān)系可表示如下：

其中，αs表示在s負荷狀態(tài)下外購電功率與其峰荷狀態(tài)下外購功率的比值；Pex，1，k表示外購電單位k的峰荷狀態(tài)功率；Ts表示一天當中3種負荷狀態(tài)的購電小時數(shù)；D表示購電月實際天數(shù)。

b.外購電單位電價模式可選方案。

以華中區(qū)域電力市場跨省交易峰平谷一段式報價模式確定外購電單位電價可選方案[18]，具體如下：

其中，cex，k，n表示外購電單位 k購電模式編號為 n的電價期望值，n表示外購電單位購電模式編號；和分別表示平荷、谷荷狀態(tài)下外購電功率與峰荷狀態(tài)功率比值的下限。

c.外購電單位功率約束：

其中，Pex，k，max表示外購電單位 k 的最大功率。

（4）月電量平衡上下越限風險管理約束。

其中，γ1，max和 γ3，max分別表示月電量平衡上、下越限風險水平極限值。

（5）網(wǎng)內(nèi)購電單位約束。

由于電力與電量的解耦關(guān)系，月度購電計劃中網(wǎng)內(nèi)購電單位火電機組月電量的完成只要保證在機組功率上下范圍即可，由此網(wǎng)內(nèi)火電機組功率和電量約束可分別如式（19）、（20）所示。

a.各火電機組功率上下限約束：

其中，Pt，s，k表示 s負荷狀態(tài)下火電機組 k的功率。

b.各火電機組電量上下限約束：

其中，Wt，k，max和 Wt，k，min分別 表示火 電機組 k 的電量上、下限，該電量已包含該火電機組年度購電計劃的月分解電量。

3 內(nèi)嵌目標相對占優(yōu)與Monte-Carlo模擬技術(shù)的混合遺傳算法

3.1 所建模型求解的基本思路

所建模型含有概率形式的風險度量指標約束，可采用解析法或者Monte-Carlo模擬法來處理。然而，解析法需要對模型進行簡化，會帶來不同程度的誤差，且只能輸出隨機變量的低階矩，同時其計算速度會隨著隨機變量個數(shù)的增加而顯著增加，而Monte-Carlo模擬法能夠有效地避免解析法的上述缺陷[19，21]。 鑒于此，本文采用內(nèi)嵌 Monte-Carlo 模擬技術(shù)的遺傳算法求解所建模型。

在本質(zhì)上，內(nèi)嵌Monte-Carlo模擬技術(shù)的遺傳算法的核心思想與傳統(tǒng)遺傳算法類似，在傳統(tǒng)遺傳算法的基礎(chǔ)上增加了概率約束條件的處理環(huán)節(jié)[22]。另外，針對模型為多目標模型的特點，為獲取其綜合最優(yōu)解，將目標相對占優(yōu)法[23]引入所提遺傳算法中，形成內(nèi)嵌目標相對占優(yōu)和Monte-Carlo模擬技術(shù)的混合遺傳算法。其中，為提高模擬技術(shù)可采用高效的拉丁超立方采樣技術(shù)，限于篇幅，該技術(shù)詳見文獻[24]。

3.2 基于目標相對占優(yōu)的染色體適應(yīng)度函數(shù)構(gòu)造

所建模型為多目標模型，針對該類模型文獻[23]提出了基于目標相對占優(yōu)的遺傳算法來獲取其綜合最優(yōu)解，其基本思想是：將種群中的各染色體分別根據(jù)每個子目標函數(shù)值排序，選取每次迭代過程中使得各子目標函數(shù)值最小且不為0的染色體作為各子目標函數(shù)的基點，然后再計算各染色體相對各基點的目標值之和（具體見式（22）），目標值之和最優(yōu)的染色體即為每次迭代過程中的最優(yōu)染色體，在滿足終止條件時最優(yōu)染色體就為所求多目標模型的綜合最優(yōu)解。據(jù)此，基于目標相對占優(yōu)的染色體適應(yīng)度函數(shù)可構(gòu)造如下：

其中，A（xi）表示染色體 xi的適應(yīng)度函數(shù)；gj（xi）表示懲罰函數(shù)；ωj表示懲罰函數(shù)系數(shù)，若 gj（xi）滿足約束則ωj為0，否則不為0且約束越重要罰函數(shù)系數(shù)就越大；Ny表示需要判斷的總約束數(shù)；F（xi）表示染色體xi相對各基點的目標函數(shù)值之和，其表達式如式（22）所示。

其中，fj（xi）表示染色體xi對應(yīng)的子目標函數(shù)j的函數(shù)值；fj（xj_0）表示子目標函數(shù) j的基點 xj_0對應(yīng)的函數(shù)值；Nj表示子目標函數(shù)的個數(shù)。

3.3 內(nèi)嵌目標相對占優(yōu)與Monte-Carlo模擬技術(shù)的遺傳算法具體步驟

所建模型中的控制變量為各外購電單位月電量（鑒于外購電電力與電量具有確定的函數(shù)關(guān)系，也可以是峰荷或平谷荷狀態(tài)外購電功率）、各火電機組月電量及各火電機組峰荷、谷荷狀態(tài)出力，而狀態(tài)變量為系統(tǒng)峰荷和谷荷狀態(tài)各節(jié)點電壓相角。由此，采用內(nèi)嵌目標相對占優(yōu)和Monte-Carlo模擬技術(shù)的遺傳算法求解模型，其主要步驟如下。

a.輸入原始數(shù)據(jù)。輸入各風險度量指標水平極限值、各網(wǎng)內(nèi)機組以及外購電單位市場電價、電網(wǎng)結(jié)構(gòu)等基礎(chǔ)數(shù)據(jù)，以及遺傳算法中要求的染色體（候選的購電方案）個數(shù)、交叉概率與變異概率等算法參數(shù)值。

b.產(chǎn)生初始種群。根據(jù)式（16）、（19）、（20）隨機產(chǎn)生一組購電方案（各外購電峰荷狀態(tài)功率、網(wǎng)內(nèi)各火電機組峰荷和谷荷出力、網(wǎng)內(nèi)各火電機組月電量）作為遺傳算法的初始種群。

c.采用拉丁超立方采樣技術(shù)檢驗風險管理約束。對種群中的每一個染色體，采用拉丁超立方采樣技術(shù)產(chǎn)生大量風電峰荷和谷荷出力、風電月電量、負荷月電量、峰荷和谷荷負荷功率樣本，檢驗其是否滿足各風險管理約束（即式（10）—（13）、（17）、（18））。

d.采用目標相對占優(yōu)的方法計算適應(yīng)度。找到本次迭代中使得各子目標函數(shù)值排序第一且不為0的染色體作為基點，再基于式（21）計算各染色體的適應(yīng)度（具體處理細節(jié)見3.2節(jié)）。

e.選擇操作。采用輪盤賭方法對種群中的染色體進行選擇操作。

f.交叉變異操作。對種群中的染色體進行交叉和變異操作得到新一代染色體，與步驟c類似，再采用拉丁超立方采樣技術(shù)檢驗其是否滿足風險約束式（10）—（13）、（17）、（18）。

g.獲得最優(yōu)購電方案。重復步驟c—f，直到達到給定的迭代終止判據(jù)為止。以求解過程中發(fā)現(xiàn)的綜合最優(yōu)染色體作為最后的購電方案（網(wǎng)內(nèi)各火電機組分配電量、各外購電單位分配電量、總購電費用、風險價值以及各評估指標的風險等信息）。

4 算例驗證

4.1 基礎(chǔ)數(shù)據(jù)

采用某省級電網(wǎng)公司的基礎(chǔ)數(shù)據(jù)進行月度購電計劃仿真以驗證所研究工作的有效性。該電網(wǎng)月負荷電量需求期望值4.506 TW·h，標準差0.09012 TW·h；系統(tǒng)峰荷、谷荷功率分別為8000、6000 MW；月風電量期望值0.700 TW·h，標準差0.14 TW·h，月峰荷和谷荷狀態(tài)風電出力期望值分別為600、800 MW，標準差為對應(yīng)期望值的20.0%，風電電價為560.0元 ／（MW·h）；網(wǎng)內(nèi)火電電價期望值 379.3 元 ／（MW·h），標準差30.0元／（MW·h）；外購電單位數(shù)據(jù)見文獻[17]；電網(wǎng)結(jié)構(gòu)基礎(chǔ)數(shù)據(jù)已知。為便于仿真，各風險水平極限值均取10.0%；拉丁超立方采樣規(guī)模500次；遺傳算法種群規(guī)模80、交叉概率0.60、變異概率0.10、最大迭代次數(shù)300，迭代終止判據(jù)為最優(yōu)個體連續(xù)30代保持不變或達到最大迭代次數(shù)。

4.2 所建模型與現(xiàn)有文獻的比較分析

基于4.1節(jié)的仿真條件，將本文所建模型與文獻[16-17]進行對比仿真，由此得到的仿真結(jié)果如表1所示。其中，為了便于分析，文獻[16-17]中的風險指標采用文獻[19]中的事后評估方法得到；而鑒于實際電網(wǎng)中支路較多，支路潮流風險度量指標僅選取該電網(wǎng)負荷中心的某關(guān)鍵支路進行分析（后同）。

由表1可見，本文所建模型較文獻[16]模型的經(jīng)濟效益（購電費用和風險價值）要差。究其原因在于本文考慮了系統(tǒng)上下調(diào)峰和網(wǎng)絡(luò)潮流安全對月度購電計劃的影響，而文獻[16]沒有考慮。顯然文獻[16]的優(yōu)化結(jié)果過于樂觀，其可行性有待商榷。而從采用事后評估的方法獲得的風險度量指標也可看出，文獻[16]各項風險度量值偏高，特別是其中的上下調(diào)峰風險和支路越限風險已遠遠超過了本文設(shè)定的10.0%的極限值，因此本文所建模型較文獻[16]更具合理性。

另外，本文所建模型較文獻[17]模型的經(jīng)濟效益（購電費用和風險價值）更優(yōu)。究其原因在于本文引入了風險管理的思想，并不要求潮流安全約束、上下調(diào)峰約束、電量平衡約束在任意隨機狀態(tài)下嚴格滿足，只需其發(fā)生風險的概率控制在一定范圍即可，從而確保了其經(jīng)濟效益的最優(yōu)化。從實際電力系統(tǒng)運行看，當支路潮流超過極限值的40.0%，且該值持續(xù)時間在5 min之內(nèi)時電網(wǎng)依然可以安全運行[25]，而這恰恰符合風電出力隨機性較大且持續(xù)時間較短的特征。

綜上，本文在含風電出力不確定性電網(wǎng)系統(tǒng)的月度購電計劃中引入風險管理策略，具有合理性和實用性，且能夠滿足電力市場發(fā)展的需要。

4.3 省級電網(wǎng)月度購電計劃的風險控制策略

保持4.2節(jié)仿真條件不變，以峰荷狀態(tài)調(diào)峰、峰荷狀態(tài)支路潮流越限、月電量平衡上越限風險度量指標為例，分別設(shè)置3種風險水平極限值進行仿真，以揭示省級電網(wǎng)月度購電的風險控制策略對其經(jīng)濟效益的影響，從而為省級電網(wǎng)月度購電提供參考。

由表2可見，隨著各風險度量指標水平極限值的提高，省級電網(wǎng)月度購電計劃的經(jīng)濟效益（購電費用和風險價值）明顯提高?？梢?，本文所建模型可以結(jié)合具體的需要，通過調(diào)整風險水平極限值可以實現(xiàn)月度購電計劃的風險管理，從而確保經(jīng)濟效益的最大化。

需指出的是，鑒于以概率形式描述風險的方法具有無法反映風險嚴重程度的先天局限性，本文中各風險水平極限值到底設(shè)定為何值才能實現(xiàn)經(jīng)濟效益和風險管理的最佳協(xié)調(diào)，則需要結(jié)合具體的電網(wǎng)結(jié)構(gòu)、市場供需形勢、市場交易規(guī)則以及決策機構(gòu)對各風險的厭惡程度等諸多因素的綜合考慮才能做出理性決策。

表1 3種月度購電計劃優(yōu)化模型的仿真結(jié)果比較Table 1 Comparison of simulative results among three optimization models for monthly power purchase planning

表2 3種風險水平極限設(shè)定值的仿真結(jié)果Table 2 Results of simulation for three settings of risk limit

5 結(jié)論

在區(qū)域電力市場背景下，計及風電出力的不確定性，建立了省級電網(wǎng)月度購電風險度量指標和風險管理模型，研究結(jié)論如下：

a.在風電出力具有隨機性的環(huán)境下，省級電網(wǎng)月度購電計劃的實現(xiàn)會存在一定的風險，此刻引入風險管理的理念具有必要性；

b.建立的月峰荷和谷荷狀態(tài)調(diào)峰、月峰荷和谷荷狀態(tài)支路潮流越限風險、月電量平衡上下風險度量指標能夠?qū)崿F(xiàn)月度購電計劃風險的有效度量，豐富了電力市場風險度量指標的物理內(nèi)涵；

c.所建的省級電網(wǎng)月度購電風險管理模型，能夠?qū)崿F(xiàn)經(jīng)濟效益和風險之間的有效管理，從而為未來大規(guī)模風電納入月度電力電量平衡提供了新思路。

致 謝

本文的研究得到了國家電網(wǎng)公司科技項目“重慶電力交易業(yè)務(wù)定制及可視化展示技術(shù)研究與應(yīng)用”（2014渝電科技29#）和“重慶電網(wǎng)購電交易協(xié)調(diào)機制研究和系統(tǒng)開發(fā)”（2011渝電科技12#）的聯(lián)合資助，謹此致謝！