吳 楊，劉俊勇，稅 月，高紅均，閆占新，張 里

(1. 西南科技大學 經(jīng)濟管理學院，四川 綿陽 621010；2. 四川大學 電氣信息學院，四川 成都 610065；3. 國網(wǎng)四川省電力公司 技能培訓中心，四川 成都 611133)

0 引言

文獻[1]在水火電置換的基礎上，提出了發(fā)電權(quán)交易的概念。水火發(fā)電權(quán)交易作為當前促進水電消納、助力電力行業(yè)實現(xiàn)低碳減排的有效市場手段[2]受到廣泛關注。目前相關研究主要集中在獨立水電與高排放火電交易的市場結(jié)構(gòu)[3]、交易模式[4]、補償機制[5-6]、阻塞管理[7]等多個方面，但鮮有涉及梯級水電。區(qū)別于獨立水電站，梯級水電站通常由調(diào)節(jié)能力好的上游龍頭電站與下游日調(diào)節(jié)或徑流式電站共同構(gòu)成，這種結(jié)構(gòu)能彌補獨立水電站對長河道水流利用能力有限的缺陷，可以更加充分地利用水資源。梯級水電的充分利用有助于促進電力行業(yè)實現(xiàn)清潔、低碳的供給側(cè)改革目標。因此，有必要對梯級水電如何投標參與發(fā)電權(quán)交易的問題進行研究。

以往上、下游梯級電站?；谧陨砝孀畲蠡贫òl(fā)電或交易策略，而文獻[8-9]的研究結(jié)果表明：相比于各水電站單獨參與市場競爭，上、下游電站聯(lián)合為整體參與市場交易，有助于增加梯級水電的整體收益。水流量是水力發(fā)電的要素，在滿足發(fā)電出力約束的前提下，在梯級電站聯(lián)合體內(nèi)適度增加發(fā)電水流量勢必會有助于整體發(fā)電量的增大。然而不合理地增加流量可能會造成棄水，甚至引發(fā)風險。文獻[10]對天然來水不確定背景下，龍頭電站向下游釋放額外水流量引發(fā)的庫水位無法滿足后續(xù)發(fā)電約束風險與補償水流量之間的關系進行了研究，但該研究僅考慮了龍頭電站決策補償水流量，并未涉及上、下游電站聯(lián)合體如何在實施水流補償背景下協(xié)同參與發(fā)電權(quán)交易的問題。

綜上所述，本文針對在實施水流補償背景下，梯級水電如何管控補償風險、協(xié)同決策參與發(fā)電權(quán)交易的問題，提出了計及水流補償風險的梯級水電發(fā)電權(quán)投標決策模型。首先，在明晰水流補償風險概念及其對發(fā)電權(quán)投標決策影響的基礎上，將同一流域上游水電站、下游水電站聯(lián)合為梯級共同體，利用元胞自動機(CA)為該共同體建模。然后，根據(jù)是否具有水流補償特性，將上游龍頭電站、下游電站分別視為梯級共同體CA模型中的龍頭元胞、基礎元胞，將補償水流量、發(fā)電權(quán)申報量、價格作為各相關元胞的狀態(tài)，基于風險管控思想和水力發(fā)電等原理，分別建立龍頭元胞和基礎元胞的狀態(tài)以及狀態(tài)轉(zhuǎn)換決策模型。將文獻[10]中的水流補償決策研究成果引入龍頭電站的狀態(tài)轉(zhuǎn)換決策模型中，實現(xiàn)水流補償風險與水電站出力的關聯(lián)。在此基礎上，以梯級共同體的申報量最大化為目標，以基于元胞鄰域關系的交互以及水力發(fā)電原理、累加和邊際價格原理為基礎，建立梯級共同體的協(xié)同投標決策模型。最后，通過算例仿真驗證了所建模型在輔助梯級水電投標決策、管控風險以及利用發(fā)電權(quán)交易提高水電資源利用率和電力行業(yè)節(jié)能減排效率上的可行性與有效性。

1 水流補償風險對發(fā)電權(quán)投標決策的影響

同一流域的上、下游水電站聯(lián)合為梯級共同體后，位于最上游的龍頭電站可根據(jù)未來時段的天然來水量預測值，并結(jié)合自身的發(fā)電約束條件，向下游電站釋放計劃外的水流量，即補償水流量。下游電站因而獲得增發(fā)水流量，并可在滿足發(fā)電約束的前提下增發(fā)電量。但是，由于天然來水量預測值存在誤差，不恰當?shù)乃餮a償可能會導致龍頭電站的庫水位無法滿足后續(xù)發(fā)電約束，進而給龍頭電站自身乃至梯級共同體帶來不能滿足發(fā)電需求的風險，即水流補償風險。

鑒于此，從管控風險角度出發(fā)，龍頭電站實施水流補償必須滿足以下條件：補償水流量導致的下落水位不得低于龍頭電站的庫水位約束下限，并且下落水位必須在一定時間內(nèi)恢復到可以承受的范圍內(nèi)。據(jù)此，龍頭電站的水流補償過程可分為2個階段[10]：水流補償期，除計劃發(fā)電水流量外，龍頭電站額外釋放補償水流量，下游電站獲得增發(fā)水流量，龍頭電站庫水位逐漸下降；補償恢復期，龍頭電站僅下泄計劃發(fā)電水流量，并通過蓄存天然來水使庫水位逐步恢復。

根據(jù)圖1所示的水流補償過程可知，在水流補償期，龍頭電站根據(jù)預測的天然來水過程量C1(t)實施水流補償，庫水位從Ws下降至Wp；在補償恢復期，龍頭電站以Wp為起始水位，根據(jù)預測的天然來水過程量C2(t)蓄水，庫水位恢復至We。當We低于其期望的庫水位We0時，會發(fā)生水流補償風險。水流補償風險的形式化度量模型為：

R=P(We≤We0)

(1)

其中，R為水流補償風險；P為概率。

圖1 龍頭電站的水流補償過程示意圖Fig.1 Diagram of water flow compensationprocess for first stage hydropower station

龍頭電站以自身風險承受能力不小于水流補償風險為原則，決策可行的補償水流量。龍頭電站實施水流補償后，梯級共同體內(nèi)各級電站通過水流交互通道，與上、下游電站互動，調(diào)節(jié)發(fā)電流量。水流交互通道可用一維鄰域空間的弧表征，如圖2所示，交互通道的弧容量表示交互水流量的大小。圖中，V為計及補償水流量后，上游電站釋放到下游電站的水流量；Q為計及補償水流量后，下游電站的庫存水量；i、z、j為3級電站的序號。

圖2 梯級電站水流交互通道示意圖Fig.2 Schematic diagram of interactive channelfor cascade hydropower station

在一個發(fā)電權(quán)交易周期內(nèi)，梯級共同體內(nèi)各電站按照上述結(jié)構(gòu)交互水流。因發(fā)電權(quán)交易涉及多個周期，故梯級共同體內(nèi)各電站間的水流交互是一個多周期協(xié)同問題。以4級水電站在5個周期的交易為例(令第1—3個周期為水流補償期,第4、5個周期為補償恢復期)，梯級共同體內(nèi)各電站間的水流互動路徑如圖3所示。圖中，rwC、rwR分別為水流補償期、補償恢復期的天然來水量預測值；vi(t)為第i級電站在第t個周期的計劃發(fā)電水流量；Qi(t)為第i級電站在第t個周期的庫存水量；da為龍頭電站釋放的補償水流量。棄水量走向與計劃發(fā)電流量平行，為圖示清晰，省略了棄水量標識及補償水流量到結(jié)束端E的走向標識。

圖3 多周期梯級電站間水流互動關系示意圖Fig.3 Schematic diagram of water flow interactive relation formulti-period cascade hydropower stations

根據(jù)式(1)定義的水流補償風險，結(jié)合圖2、3所示的水流互動路徑可知，若龍頭電站實施水流補償不當引發(fā)風險，不僅會使龍頭電站在后續(xù)交易周期無法正常發(fā)電，還會間接影響下游電站正常出力，最終導致梯級共同體的發(fā)電出力無法滿足用電需求，削弱梯級共同體參與發(fā)電權(quán)交易的競爭力。因此，當實施水流補償?shù)奶菁壒餐w參與發(fā)電權(quán)交易時，必須以管控水流補償風險為前提。

2 計及水流補償風險的梯級水電投標決策模型

2.1 基于CA的梯級共同體模型

同一流域上、下游水電站聯(lián)合為梯級共同體后，其內(nèi)部各電站的發(fā)電出力受自身蓄水量、上游電站下泄流量、下游電站庫水位等多種因素的影響，共同體的協(xié)同決策過程表現(xiàn)出典型的復雜系統(tǒng)特征。CA適用于描述多個微觀個體互動形成的復雜系統(tǒng)，已經(jīng)在經(jīng)濟社會[11-13]、自然科學[14-18]等諸多領域得到廣泛應用。因此，本文用CA為上、下游電站聯(lián)合而成的梯級共同體建模?；贑A的梯級共同體結(jié)構(gòu)如圖4所示。

圖4 基于CA的梯級共同體模型示意圖Fig.4 Schematic diagram of cascade community model based on CA

圖4所示的梯級共同體模型可以用一個五元組CA表示：

CA=(Cg,N,T,S,F)

(2)

其中，Cg為元胞空間；N為元胞鄰域；T為元胞的生命周期；S為元胞的狀態(tài)集；F為狀態(tài)的轉(zhuǎn)換規(guī)則。

在上述的梯級共同體模型中，每個水電站為一個元胞，并分為龍頭元胞(有水流補償功能)和基礎元胞(無水流補償功能)；所有元胞分布在同一空間內(nèi)，即元胞空間Cg；在元胞空間中，梯級元胞彼此交互的范圍稱為元胞鄰域N。梯級水電僅需考慮上、下游交互關系，因此鄰域采用一維線性結(jié)構(gòu)。元胞的活性具有時間限制，稱之為元胞周期T，即元胞從進入市場起到市場結(jié)束一輪交易止所跨越的時間范圍。一個元胞周期為一個發(fā)電權(quán)交易時間長度，在元胞周期內(nèi)，元胞參與發(fā)電權(quán)交易的信息集合構(gòu)成元胞狀態(tài)集S，S分為龍頭元胞狀態(tài)集和基礎元胞狀態(tài)集。梯級元胞的狀態(tài)并非固定不變，而是由狀態(tài)轉(zhuǎn)換規(guī)則F控制，F(xiàn)分為龍頭元胞狀態(tài)轉(zhuǎn)換規(guī)則和基礎元胞狀態(tài)轉(zhuǎn)換規(guī)則。梯級元胞的狀態(tài)和對應的狀態(tài)轉(zhuǎn)換規(guī)則，是基于CA的梯級共同體投標決策模型的核心。

2.2 梯級元胞的狀態(tài)模型

梯級元胞狀態(tài)集S表征如下：

S=(Su(t),Sl(t))

(3)

其中，Su(t)、Sl(t)分別為當前交易周期下龍頭元胞、基礎元胞狀態(tài)集。

2.2.1 龍頭元胞狀態(tài)集

龍頭元胞狀態(tài)集Su(t)表征如下：

Su(t)=(da,qu(t),pu(t))

(4)

其中，qu(t)、pu(t)分別為龍頭元胞申報的交易量、交易價格。

由第1節(jié)的闡述可以知道，龍頭元胞是根據(jù)自身的風險承受能力決策可行的補償水流量。因此，根據(jù)式(1)，可以得出生成補償水流量da的模型如式(5)所示。

(5)

其中，f(·)為通用的水電站庫水位計算函數(shù)；R0為龍頭元胞的風險承受能力。

龍頭元胞其余狀態(tài)元素qu(t)、pu(t)的生成模型與基礎元胞一致，見下文2.2.2節(jié)中Sl的闡述。

2.2.2 基礎元胞狀態(tài)集

基礎元胞狀態(tài)集Sl(t)表征如下：

Sl(t)=(ql(t),pl(t))

(6)

其中，ql(t)、pl(t)分別為基礎元胞申報的交易量、交易價格。

基礎元胞的狀態(tài)生成模型為：

(7)

其中，Gl(t)為在第t個交易周期基礎元胞的出力；Δt為交易周期時長；αl(t)和βl(t)為報價參數(shù)；Vl(t)、hl(t)分別為在第t個交易周期的發(fā)電水流量、水頭；ηl為發(fā)電效率；ql,max、ql,min分別為基礎元胞出力上、下限。

2.3 梯級元胞的狀態(tài)轉(zhuǎn)換規(guī)則

梯級元胞的狀態(tài)轉(zhuǎn)換規(guī)則F表征如下：

F=(Fu,Fl)

(8)

其中，F(xiàn)u、Fl分別為龍頭元胞、基礎元胞的狀態(tài)轉(zhuǎn)換規(guī)則。

2.3.1 龍頭元胞的狀態(tài)轉(zhuǎn)換規(guī)則

Fu包含補償水流量da、申報交易量qu、申報交易價格pu這3項的轉(zhuǎn)換決策模型。其中，qu、pu的轉(zhuǎn)換決策模型與基礎元胞一致，見下文2.3.2節(jié)中Fl的闡述，本節(jié)僅闡述da的轉(zhuǎn)換決策模型。

龍頭元胞根據(jù)自身的風險承受能力決策補償水流量da，由式(5)可知，恢復期末的庫水位We是龍頭元胞調(diào)節(jié)補償水流量的關鍵因素。結(jié)合圖1所示的水流補償過程劃分示意圖，可以看出We的計算與龍頭元胞起始庫水位Ws、補償期天然來水量預測誤差ΔC1(t)、補償期末庫水位值Wp、恢復期天然來水量預測誤差ΔC2(t)相關，本文借鑒文獻[10]中的量化模型計算We，并在此基礎上，結(jié)合式(5)，建立da的轉(zhuǎn)換決策模型如下：

f(da)|(R0≥R)=?(Ws,ΔC1(t),WP,ΔC2(t))

(9)

其中，?(·)為文獻[10]中恢復期末庫水位We的量化模型。

2.3.2 基礎元胞的狀態(tài)轉(zhuǎn)換規(guī)則

Fl包含基礎元胞在第個交易周期t申報的交易量ql(t)、交易價格pl(t)的轉(zhuǎn)換決策模型。由式(7)所示狀態(tài)生成模型可以知道，發(fā)電水流量變化將引起基礎元胞狀態(tài)改變。因此，基礎元胞狀態(tài)轉(zhuǎn)換規(guī)則的本質(zhì)為梯級共同體內(nèi)計及補償水流量的發(fā)電流量協(xié)同優(yōu)化。

由第1節(jié)可知，梯級共同體內(nèi)各元胞按照圖2、3所示的水流交互通道互動。相比于以火電為主的傳統(tǒng)電能，梯級水電具有清潔無污染的優(yōu)勢。因此，在參與發(fā)電權(quán)交易的投標決策過程中，梯級水電應以最大化出力為目標?；诖?，建立基礎元胞的狀態(tài)轉(zhuǎn)換決策模型如下：

(10)

s.t.

其中，Vl,max、Vl,min分別為發(fā)電流量的上、下限；Ql,max、Ql,min分別為存水量的上、下限；hl,max、hl,min分別為水頭的上、下限；Qk(t)、Qk(t+1)分別為第k級元胞在第t、t+1個交易周期的存水量；Fk為第k級元胞基于上一級元胞發(fā)電流量和龍頭元胞釋放的補償水流量得到的來水量；Yk(t)為第k級元胞在第t個交易周期的棄水量；τk-1,k為第k-1與第k級元胞間的水流延時；Ql,0、Ql,T為庫容邊界條件。

2.4 梯級共同體的發(fā)電權(quán)申報決策模型

當所有元胞的狀態(tài)不再變化時，梯級共同體的內(nèi)部協(xié)同達到均衡。此時，基于累加和邊際價格原理，建立梯級共同體的發(fā)電權(quán)申報決策模型如下：

(11)

其中，qH(t)、pH(t)分別為梯級共同體在第t個交易周期申報的交易量、交易價格。

3 算例分析

本節(jié)主要對本文所建模型在輔助梯級水電管控水流補償風險、參與發(fā)電權(quán)交易投標決策上的可行性和有效性進行驗證。同時，為明晰實施水流補償在利用發(fā)電權(quán)交易提升梯級水電利用率和促進電力行業(yè)減排方面的價值，在梯級共同體發(fā)電權(quán)投標決策結(jié)果的基礎上，進一步利用文獻[1]中的發(fā)電權(quán)交易撮合模型，對梯級共同體與火電之間的發(fā)電權(quán)交易進行了撮合分析。

3.1 算例數(shù)據(jù)

對包含10個成員的發(fā)電權(quán)交易市場進行仿真，分別是：5臺高排放火電機組為發(fā)電權(quán)出讓方，1個梯級共同體和4臺清潔火電機組為發(fā)電權(quán)受讓方。其中梯級共同體包含4級電站：1個上游龍頭電站、3個下游電站。以1 d為1個交易周期，上述成員開展12個周期的發(fā)電權(quán)交易?；诿商乜迥M法[19]和遺傳算法[20-21]進行求解，參數(shù)如下：蒙特卡洛抽樣次數(shù)NM=2 000，種群規(guī)模G=100，遺傳代數(shù)θ=100，變異率ζ=0，交叉率η=0.8。

火電機組的相關數(shù)據(jù)見表1—3。表3中，火電機組的污染物排放量直接利用文獻[22]中1.3節(jié)提供的模型計算，各污染物排放系數(shù)含義參見文獻[22]。

對于梯級共同體而言，令水流補償期為5 d，恢復期為7 d，上下游電站之間的水流延時τk-1,k=1 d；水流補償期、補償恢復期的天然來水預測量分別為1.02×108m3、2.84×108m3，預測誤差服從正態(tài)分布，分別為N1(0，0.212)、N2(0，0.607 52)，誤差工況數(shù)分別為n=8、m=10；龍頭電站庫水位為250 m，棄水量為0。共同體內(nèi)各水電站數(shù)據(jù)見表4。

表1 火電機組申報的發(fā)電權(quán)交易量Table 1 Power generation rights trading quantity bid by thermal power units

表2 火電機組申報的發(fā)電權(quán)交易價格Table 2 Power generation rights trading price bid by thermal power units

表3 火電機組的污染物排放系數(shù)Table 3 Discharge coefficients of thermal power units

3.2 補償風險管控分析

根據(jù)3.1節(jié)設置的天然來水預測量及其誤差數(shù)據(jù)，da在[20，100]m3/s范圍內(nèi)變化，以20 m3/s為等差，設置5種水流量補償場景。利用第2節(jié)建立的龍頭元胞狀態(tài)模型、狀態(tài)轉(zhuǎn)換決策模型進行計算，得到補償風險R與補償水流量da的關聯(lián)關系，如圖5所示。

由圖5可以看出，若龍頭電站期望的恢復期末庫水位為250 m、風險承受能力為5%，則龍頭電站可提供的補償水流量不能超過40 m3/s，假設其提供69 m3/s的補償流量，對應產(chǎn)生的水流補償風險約為6%，就會超出確保其后續(xù)正常發(fā)電的風險承受力；隨著補償水流量的增加，產(chǎn)生的補償風險逐漸增大。因此，龍頭電站可依據(jù)圖5所示的結(jié)果，決策可行的補償水流量，將補償風險控制在自身能夠承受的風險范圍內(nèi)。

表4 梯級共同體內(nèi)各電站的基本參數(shù)Table 4 Basic parameters of power stations in cascade community

圖5 補償風險與補償水流量的關系Fig.5 Relationship between compensationrisk and compensating water quantity

3.3 計及補償風險的發(fā)電權(quán)投標決策分析

根據(jù)圖5所示的結(jié)果，仍假設龍頭電站期望的恢復期末庫水位為250 m，龍頭電站的水流補償風險承受力分別為4.51%、5%、5.7%、6.3%、6.9%，則龍頭電站可提供的補償水流量依次對應為20 m3/s、40 m3/s、60 m3/s、80 m3/s、100 m3/s。利用第2節(jié)建立的投標決策模型，得到計及水流補償風險的梯級水電發(fā)電權(quán)投標量和投標價如表5所示。

從表5可以看出，對于龍頭電站不同的水流補償風險承受力，利用第2節(jié)建立的投標決策模型，梯級共同體可獲得對應的發(fā)電權(quán)投標量、投標價方案。

表5 計及水流補償風險的梯級水電發(fā)電權(quán)投標決策結(jié)果Table 5 Decision-making results of cascade hydropower taking part in power generationrights trading considering water flow compensation risk

交易周期投標量/(MW·h)投標價/[元·(MW·h)-1]4.51%5%5.7%6.3%6.9%4.51%5%5.7%6.3%6.9%1277.13318.23333.51362.21377.53213.46213.98214.17214.53214.722275.02316.12334.25358.95375.27213.44213.95214.18214.49214.693272.24313.34333.34355.04369.36213.40213.92214.17214.44214.624268.12309.22324.13346.83362.85213.35213.87214.05214.34214.545264.32305.42310.54340.24355.56213.30213.82213.88214.25214.446251.56292.66296.05316.75334.07213.14213.66213.70213.96214.187249.16270.26272.40295.10312.32213.11213.38213.41213.69213.908245.13267.33270.37296.07312.49213.06213.34213.38213.70213.919241.20264.50265.44289.14304.36213.01213.31213.32213.61213.8010240.78262.18264.02290.72306.34213.01213.28213.30213.63213.8311239.00261.50265.24285.94300.86212.99213.27213.32213.57213.7612238.02260.62262.26284.96300.98212.98213.26213.28213.56213.76合計3061.653441.383531.543821.974011.97—————

同時，進一步可以看出，隨著龍頭電站水流補償風險承受力從4.51 %增加到6.9 %，受可提供的補償水流量增加的影響，梯級共同體參與發(fā)電權(quán)交易的投標量逐漸增大，增幅依次為12.40%、2.61 %、8.63 %、4.97 %，而其申報的發(fā)電權(quán)交易均價僅在[213.19，214.18]元/(MW·h)范圍內(nèi)微增，增幅依次為0.18 %、0.04 %、0.14 %、0.09 %?？梢?，隨著龍頭電站水流補償風險承受力的提高，梯級共同體可提供的發(fā)電權(quán)投標量逐漸增大，而其報價變化趨勢平緩，與目前的火電相比，其仍具有價格優(yōu)勢，這有助于提高梯級水電在發(fā)電權(quán)交易市場中的競爭力。

3.4 計及補償風險的發(fā)電權(quán)交易及減排效果分析

令龍頭電站的水流補償風險承受力為5 %，基于3.1節(jié)設置的數(shù)據(jù)，利用第2節(jié)建立的模型以及文獻[1]中的發(fā)電權(quán)交易撮合模型，得到梯級共同體與火電的發(fā)電權(quán)交易結(jié)果，如表6所示。

表6 龍頭電站的補償風險承受力為5 %時的發(fā)電權(quán)交易及減排結(jié)果Table 6 Results of power generation rights trading and emission reduction when risk tolerance of first stage hydropower station is 5 %

交易周期梯級水電的成交量/(MW·h)清潔火電的成交量/(MW·h)發(fā)電權(quán)交易的社會效用/元交易前的污染物排放量/kg交易后的污染物排放量/kg1318.23105.5258004.381379.78387.182316.1290.0257471.931129.47286.383313.3485.1855481.691039.52259.924309.2295.1554890.571107.85317.165305.4281.0752124.67915.05239.226292.6695.9348055.51935.36322.027270.2696.8644371.25786.33327.968267.3390.1842945.47683.47287.289264.5081.3141811.27610.30240.4810262.1879.4942429.59604.62231.6611261.5052.8438517.12452.97143.2812260.6253.9139485.62453.80145.44合計3441.381007.46575589.0710098.513187.98

由3.2節(jié)的分析可以知道，龍頭電站可以承受的補償風險為5 %意味著龍頭電站可以額外下泄40 m3/s的補償水流。由表6所示的結(jié)果可以看出，相比于不開展發(fā)電權(quán)交易情況，通過開展40 m3/s水流補償下的發(fā)電權(quán)交易，梯級共同體可以獲得3 441.38 MW·h的替代上網(wǎng)電量，占發(fā)電權(quán)總成交量的77.36 %，同時可以使發(fā)電產(chǎn)生的污染物排放量下降68.43 %。

若龍頭電站的補償風險承受力為0，即無法實施水流補償，da=0。同理通過計算分析，得到發(fā)電權(quán)交易及減排結(jié)果，如表7所示。

表7 龍頭電站的補償風險承受力為0時的發(fā)電權(quán)交易及減排結(jié)果Table 7 Results of power generation rights trading andemission reduction when risk tolerance of first stagehydropower station is zero

對比表6、7可以知道，相比于龍頭電站無補償風險承受力，當其承受力提高至5 %時，通過發(fā)電權(quán)交易，可以使梯級共同體申報的發(fā)電權(quán)投標量增長16.36 %，實際獲得的上網(wǎng)電量增長14.76 %，發(fā)電產(chǎn)生的污染物排放量下降51.33 %，發(fā)電權(quán)交易的社會效用增長13.33 %。

已知發(fā)電權(quán)出讓總量為4 456.56 MW·h，當龍頭電站無補償風險承受力時，由于無法實施水流補償，梯級共同體申報的投標量下降，受該因素的影響，有405.43 MW·h的出讓量未能成交，只能由高排放火電機組自發(fā)。一方面，相比于梯級水電的零污染優(yōu)勢，無論是清潔火電獲得的替代電量增加還是高排放火電自發(fā)量增長，都將導致污染物排放量上升；另一方面，相比于火電，水電通常具有一定的價格優(yōu)勢[23]。因此，無補償風險承受力下的交易容易使發(fā)電權(quán)交易的社會效用值降低。

4 結(jié)論

本文針對天然來水不確定性導致水流補償風險背景下的梯級水電如何進行發(fā)電權(quán)投標決策的問題，利用CA、水力發(fā)電等理論，建立了計及水流補償風險的梯級水電發(fā)電權(quán)投標決策模型。通過算例分析，得出以下主要結(jié)論:

a. 建立的模型能輔助梯級水電在有效管控水流補償風險的基礎上，合理進行發(fā)電權(quán)投標決策，使梯級水電在交易中的競爭力得到提升;

b. 采用CA為上、下游水電站聯(lián)合而成的梯級共同體建模，給類似梯級水電等具有復雜系統(tǒng)特征的清潔能源協(xié)同決策研究提供了一種建模參考；

c. 通過將補償水流量、發(fā)電權(quán)申報量、申報價格等納入梯級元胞的狀態(tài)中，直接實現(xiàn)了水流補償風險與梯級水電出力的關聯(lián)，間接將水流補償風險與梯級共同體的發(fā)電權(quán)投標決策相關聯(lián)，為梯級水電參與的市場交易主動防控來水不確定性導致的風險研究提供了決策思路。

參考文獻：

[ 1 ] 黎燦兵，康重慶，夏清，等. 發(fā)電權(quán)交易及其機理分析[J]. 電力系統(tǒng)自動化，2003，27(6)：13-18.

LI Canbin，KANG Chongqing，XIA Qing，et al. Generation rights trading and its mechanism[J]. Automation of Electric Power Systems，2003，27(6)：13-18.

[ 2 ] 張顯，耿建，龐博，等. 發(fā)電權(quán)交易在中國節(jié)能減排中的應用及分析[J]. 電力系統(tǒng)自動化，2014，38(17)：87-90.

ZHANG Xian，GENG Jian，PANG Bo，et al. Application and analysis of generation right trade in energy-saving and emission reduction in China[J]. Automation of Electric Power Systems，2014，38(17)：87-90.

[ 3 ] 王雁凌，張粒子，楊以涵. 基于水火置換的發(fā)電權(quán)調(diào)節(jié)市場[J]. 中國電機工程學報，2006，26(5)：131-136.

WANG Yanling，ZHANG Lizi，YANG Yihan. Adjusting market of generation rights based on hydro-thermal exchange[J]. Proceedings of the CSEE，2006，26(5)：131-136.

[ 4 ] 于琪，張晶，王宣元，等. 區(qū)域發(fā)電權(quán)交易網(wǎng)省協(xié)調(diào)優(yōu)化模式研究[J]. 電力自動化設備，2013，33(3)：90-95.

YU Qi，ZHANG Jing，WANG Xuanyuan，et al. Coordinated optimization between regional and provincial grids for regional generation trade[J]. Electric Power Automation Equipment，2013，33(3)：90-95.

[ 5 ] 傅鴻浩，蔡國田，趙黛青. 計及環(huán)境成本的跨省輸電發(fā)電權(quán)交易及敏感性分析[J]. 電力自動化設備，2014，34(9)：101-111.

FU Honghao，CAI Guotian，ZHAO Daiqing. Generation right trade of trans-province power transmission considering environmental cost and sentivity analysis[J]. Electric Power Automation Equipment，2014，34(9)：101-111.

[ 6 ] 鄒斌，趙巖，李曉剛，等. 跨省跨區(qū)清潔能源消納的市場機制研究[J]. 電網(wǎng)技術，2016，40(2)：595-601.

ZOU Bin，ZHAO Yan，LI Xiaogang，et al. Market mechanism research on trans-provincial and trans-regional clean energy consumption and compensation[J]. Power System Technology，2016，40(2)：595-601.

[ 7 ] XIAO Jian，WEN Fushuan，HUAN Jiansheng. Congestion dispatch in a hybrid generation-rights market[J]. European Transactions on Electrical Power，2011，21(1)：1046-1053.

[ 8 ] 韓冰，張粒子，舒雋. 梯級水電站代理競價模型及均衡求解[J]. 中國電機工程學報，2008，28(22)：94-99.

HAN Bing，ZHANG Lizi，SHU Jun. Bidding model of cascaded hydropower stations and equilibrium solving under agency mechanism[J]. Proceedings of the CSEE，2008，28(22)：94-99.

[ 9 ] 舒雋，韓冰，張粒子. 市場環(huán)境下梯級水電資源有效配置的代理機制[J]. 電力系統(tǒng)自動化，2010，34(7)：26-30.

SHU Jun，HAN Bing，ZHANG Lizi. An agency mechanism on ensuring efficient deployment of cascade hydropower resources in an electricity market environment[J]. Automation of Electric Power Systems，2010，34(7)：26-30.

[10] 鐘平安，張夢然，蔡杰，等. 基于決策樹的梯級水電站泄流補償調(diào)度風險分析[J]. 電力系統(tǒng)自動化，2012，36(20)：63-67.

ZHONG Pingan，ZHANG Mengran，CAI Jie，et al. Risk analysis on flow discharge compensating operation for cscade hydroelectric stations based on dicision tree[J]. Automation of Electric Power Systems，2012，36(20)：63-67.

[11] WEI Y，SHANG Y，F(xiàn)AN Y，et al. The cellular automaton model of investment behavior in the stock market[J]. Physica A：Statistical Mechanics and its Applications，2003,325(3-4)：501-516.

[12] 姜愛克，李雪巖，李雪梅，等. 基于策略演化的股票市場元胞自動機模型[J]. 北京交通大學學報，2013，37(3)：154-160.

JIANG Aike，LI Xueyan，LI Xuemei，et al. Cellular automata of stock market based on strategy evolution[J]. Journal of Beijing Jiaotong University，2013，37(3)：154-160.

[13] 欒笑天，吳桐水，寇勇剛. 基于CA方法的航空物流市場演化模型設計[J]. 復雜系統(tǒng)與復雜性科學，2013，10(4)：31-40.

LUAN Xiaotian，WU Tongshui，KOU Yonggang. Design the evolution model of aviation logistics market with cellular automata[J]. Complex Systems and Complexity Science，2013，10(4)：31-40.

[14] 周湶，李健，孫才新，等. 基于粗糙集和元胞自動機的配電網(wǎng)空間負荷預測[J]. 中國電機工程學報，2008，28(25)：68-73.

ZHOU Quan，LI Jian，SUN Caixin，et al. Spatial load forecasting for distribution network based on rough sets and cellular automata[J]. Proceedings of the CSEE，2008，28(25)：68-73.

[15] 宋玉蓉，蔣國平. 基于一維元胞自動機的復雜網(wǎng)絡惡意軟件傳播研究[J]. 物理學報，2009，58(9)：5911-5917.

SONG Yurong，JIANG Guoping. Research of malware propagation in complex networks based on 1-D cellular automata[J]. Acta Physica Sinica，2009，58(9)：5911-5917.

[16] 魏雷，林鑫，王猛，等. 基于MeshTV界面重構(gòu)算法的二元合金自由枝晶生長元胞自動機模型[J]. 物理學報，2012，61(9)：497-506.

WEI Lei，LIN Xin，WANG Meng，et al. Cellular automaton model with MeshTV interface reconstruction technique for alloy dendrite growth[J]. Acta Physica Sinica，2012，61(9)：497-506.

[17] 王硯帛，譚永東，文菓，等. 基于Fisher判別和元胞自動機模型的微電網(wǎng)格局計算方法[J]. 電網(wǎng)技術，2012，36(11)：12-17.

WANG Yanbo，TAN Yongdong，WEN Guo，et al. An approach to calculate micro-grid’s configuration based on Fisher discriminant and cellular automata model[J]. Power System Technology，2012，36(11)：12-17.

[18] 劉自發(fā)，龐鋮鋮，王澤黎，等. 基于云理論和元胞自動機理論的城市配電網(wǎng)空間負荷預測[J]. 中國電機工程學報，2013，33(10)：98-105.

LIU Zifa，PANG Chengcheng，WANG Zeli，et al. Spatial load forecast for distribution network based on cloud theory and cellular automata[J]. Proceedings of the CSEE，2013，33(10)：98-105.

[19] 丁明，楚明娟，畢銳，等. 基于序貫蒙特卡洛隨機生產(chǎn)模擬的風電接納能力評價方法及應用[J]. 電力自動化設備，2016，36(9)：67-73.

DING Ming，CHU Mingjuan，BI Rui，et al. Wind power accommodation capability evaluation based on sequential Monte Carlo probabilistic production simulation and its application[J]. Electric Power Automation Equipment，2016，36(9)：67-73.

[20] 王小平，曹立明. 遺傳算法:理論、應用與軟件實現(xiàn)[M]. 西安：西安交通大學出版社，2002:18-29.

[21] 張劍，何怡剛. 基于無向圖所有生成樹的網(wǎng)絡重構(gòu)遺傳算[J]. 電力自動化設備，2017，37(5)：136-141.

ZHANG Jian，HE Yigang. Genetic algorithm based on all spanning trees of undirected graph for distribution network reconfiguration[J]. Electric Power Automation Equipment，2017，37(5)：136-141.

[22] 袁旭峰，韓士博，熊煒，等. 計及梯級水電站群的水火電節(jié)能調(diào)度模型[J]. 電網(wǎng)技術，2014，38(3)：616-621.

YUAN Xufeng，HAN Shibo，XIONG Wei，et al. Energy-saving generation scheduling strategy of hydropower and thermal power plants considering cascaded hydropower stations[J]. Power System Technology，2014，38(3)：616-621.

[23] 張維，范玉宏. 華中電力市場雙邊交易模擬分析[J]. 電力系統(tǒng)自動化，2008，32(11)：97-102.

ZHANG Wei，F(xiàn)AN Yuhong. Analysis on bilateral transaction simulation of central China electricity market[J]. Automation of Electric Power Systems，2008，32(11)：97-102．