陳秀蘭， 林 芬， 王良緣， 陳傳彬， 溫步瀛， 江岳文

(1. 福州大學(xué)電氣工程與自動化學(xué)院， 福建 福州 350108; 2. 福建電力交易中心有限公司， 福建 福州 350003)

0 引言

文件《關(guān)于進(jìn)一步深化電力體制改革的若干意見 (中發(fā)[2015]9號)》明確指出， 售電側(cè)放開是中國電力市場改革的一個重點(diǎn)[1]. 售電公司作為電力市場的新參與者， 有義務(wù)實(shí)施可再生能源配額制(renewable portfolio standard, RPS)來提升可再生能源消納的積極性， 同時也增加了售電公司購電決策的難度. 已有文獻(xiàn)對供電公司或大用戶如何在多個市場進(jìn)行組合購電的問題進(jìn)行研究[2]. 供電公司或大用戶的購電決策主要考慮從合約市場、 現(xiàn)貨市場及自備電廠購電[3]； 而文獻(xiàn)[4]在此購電決策模型中， 多考慮了看漲期權(quán)合約， 以此來規(guī)避由現(xiàn)貨市場電價上漲帶來的風(fēng)險. 在多市場展開購電業(yè)務(wù)時， 勢必會面臨諸多不確定性因素， 如電價、 風(fēng)電購電量及負(fù)荷預(yù)測偏差等不確定因素[4-6]. 為此， 現(xiàn)有文獻(xiàn)一般采用方差、 風(fēng)險價值(value at risk, VaR)、 條件風(fēng)險價值(condition value at risk, CVaR)、 熵等[7-9]對實(shí)際的情況與期望的情況存在偏差而產(chǎn)生的風(fēng)險進(jìn)行度量[10].

由于中國售電側(cè)還未大面積放開， 國內(nèi)大多數(shù)研究學(xué)者將售電公司排除在RPS的義務(wù)者之外， 對RPS的研究主要集中在發(fā)電側(cè)RPS的均衡模型、 實(shí)施對策、 優(yōu)化配置， 以及市場力等方面[11-14]， 對組合購電考慮可再生能源配額制的研究甚少. 鑒于此， 本研究針對售電公司組合購電決策問題， 考慮可再生能源配額制， 構(gòu)建包含合約市場、 期權(quán)市場等多個市場的組合購電模型. 最后通過算例分析再生能源配額制和期權(quán)合約對售電公司的購電費(fèi)用、 損失的風(fēng)險值和在各市場的購電量的影響.

1 售電公司組合購電模型

售電公司作為電力市場中新的購電單元， 在滿足需求側(cè)電量一定的條件下， 在購電側(cè)支出更少的購電費(fèi)用以提高效益， 同時， 希望售電公司可能遭受損失的風(fēng)險最小. 因此， 售電公司需合理分配各個市場的購電量， 權(quán)衡購電費(fèi)用和風(fēng)險之間的矛盾， 以追求購電費(fèi)用最小和風(fēng)險最小.

1.1 購電費(fèi)用分析

研究的電力市場包括遠(yuǎn)期合約市場、 現(xiàn)貨市場、 期權(quán)市場、 風(fēng)力發(fā)電市場、 綠色證書市場和輔助服務(wù)市場. 在新電改環(huán)境下， RPS參與到電力市場交易中， 以風(fēng)電購電量和綠色證書購買數(shù)量之和來滿足RPS要求. 售電公司從以上電力市場購電， 以1 d為分析對象， 則售電公司在未來某天的購電費(fèi)用CG(t)為

CG(t)=CF(t)+CS(t)+CB(t)+CW(t)+CZ(t)+CR(t)

式中：CF、CS、CB、CW、CZ和CR分別為合約市場的購電費(fèi)用、 現(xiàn)貨市場的購電費(fèi)用、 期權(quán)市場的購電費(fèi)用、 風(fēng)力發(fā)電市場的購電費(fèi)用、 綠色證書市場上購買證書費(fèi)用和輔助服務(wù)市場的購電費(fèi)用.

CF(t)=PF(t)QF(t),CS(t)=PS(t)QS(t),CB(t)=PB(t)QB(t)

PB(t)=min{PS(t),K}+P0,CR(t)=PR(t)QR(t)

式中：PF(t)、PS(t)、PB(t)、PR(t)h和QF(t)、QS(t)、QB(t)、QR(t)分別為售電公司在時段t從合約市場、 現(xiàn)貨市場、 期權(quán)、 輔助服務(wù)市場購買的電價和電量；P0為單位期權(quán)費(fèi)用，K為敲定價格.

其中，QR(t)為負(fù)荷電量預(yù)測值的5%～10%與風(fēng)電場購電量的10%～20%之和[15]， 即

QR(t)=10%QL(t)+20%QW(t)

式中：QL(t)為t時段負(fù)荷電量預(yù)測值.

據(jù)國家發(fā)改委和能源局的統(tǒng)計數(shù)據(jù)表明， 中國到2020年應(yīng)實(shí)現(xiàn)可再生能源消耗量達(dá)到一次能源消耗的15%， 到2030年應(yīng)達(dá)到20%[16-17]. 因此， 需加快推行并完善RPS和綠色證書交易(tradable green certification, TGC)制度， 讓風(fēng)電、 光伏發(fā)電等可再生能源物理電量(renewable energy, RE)更多地參與到電力市場競爭. 為完成RPS， 售電公司可單獨(dú)購買TGC或RE， 也可以同時購買TGC和RE. 本研究以風(fēng)電為例進(jìn)行分析， 其他的RE同風(fēng)電可做類似分析.

1) 風(fēng)力發(fā)電市場. 風(fēng)電具有隨機(jī)性、 波動性等特點(diǎn)， 但為了提高風(fēng)電消納的積極性， 允許實(shí)際成交的風(fēng)電購電分配量服從正態(tài)分布[18]， 因此售電公司在風(fēng)力發(fā)電市場的購電費(fèi)用CW為

CW(t)=PW(t)QW(t)

式中：PW(t)，QW(t)分別為售電公司在時段t從風(fēng)力發(fā)電市場購買的電價和電量.

2)綠色證書市場. TGC是RPS的配套機(jī)制， 為此售電公司可通過購買綠色證書來完成配額指標(biāo). 綠色證書價格相對穩(wěn)定， 售電公司購買綠色證書費(fèi)用為

CZ(t)=PZ(t)QZ(t)

式中：PZ(t)為售電公司在時段t從綠色證書市場上購買證書的價格， 取為定值；QZ(t)為售電公司在時段t從綠色證書市場購買的證書電量.

1.2 損失風(fēng)險分析1.2.1 條件風(fēng)險價值

研究采用廣泛應(yīng)用于金融界度量風(fēng)險的指標(biāo)-CVaR. 設(shè)X∈Rn為目標(biāo)可行集， 令f(x,P) 為損失函數(shù). 其中，x∈X為決策變量，P∈Rm為決定售電公司在各市場購電量的不確定隨機(jī)向量. 若P的聯(lián)合概率密度函數(shù)為p(P)， 則對于給定的x， 則損失函數(shù)為f(x,P)， 假設(shè)ηβ(x)為f(x,P)的臨界值， 以β表示置信水平，φβ(x)表示損失f(x,P)大于等于ηβ(x)時的CVaR值， 其表達(dá)式為

式中：β∈(0, 1)為置信水平， 表示1-β的概率下， 投資者允許其目標(biāo)組合x可能遭受的損失為某一風(fēng)險值.

1.2.2 購電損失的CVaR值

假設(shè)風(fēng)電、 負(fù)荷預(yù)測偏差、 現(xiàn)貨市場電價和期權(quán)市場電價波動均服從正態(tài)分布， 且認(rèn)為它們相互獨(dú)立， 負(fù)荷預(yù)測誤差的概率密度函數(shù)如下式所示， 其余概率密度函數(shù)與負(fù)荷預(yù)測誤差的概率密度函數(shù)類似.

式中：QL、 ΔQL分別為負(fù)荷預(yù)測值和負(fù)荷預(yù)測偏差；σL為負(fù)荷預(yù)測偏差的標(biāo)準(zhǔn)差；εL為負(fù)荷預(yù)測偏差占總預(yù)測值的百分比， 下文稱偏差系數(shù).

根據(jù)節(jié)1.2.1所述， 可得售電公司購電費(fèi)用損失風(fēng)險的CVaR值為

式中：p(P)為購電費(fèi)用損失函數(shù)的概率密度函數(shù). 其中， 購售電損失函數(shù)Rloss(t)為購售電效益的負(fù)值， 即

Rloss(t)=G(t)-QL(t)PL(t)

式中：PL為售電公司在t時段售電價格.

2 售電公司組合購電模型及求解方法

2.1 目標(biāo)函數(shù)

從售電公司的角度出發(fā)， 以期望購電費(fèi)用和損失風(fēng)險最小為目標(biāo)， 建立組合購電多目標(biāo)模型， 即

2.2 約束條件

1)供需平衡約束

QL(t)=QF(t)+QS(t)+QB(t)+QW(t)

2)配額制約束

式中：k為可再生能源的配額比例；QP(t)為可再生能源配額量.

3)各市場購電量約束

2.3 模型求解方法

多目標(biāo)粒子群算法是以粒子群算法為基礎(chǔ)來解決多目標(biāo)問題的一種方法， 由于兩個目標(biāo)函數(shù)互相制衡， 因此不存在唯一解使得兩個目標(biāo)同時獲得最優(yōu)的結(jié)果， 其結(jié)果是一組非劣解集. 因此， 通過多目標(biāo)粒子算法可以求取得到Pareto有效前沿， 再通過模糊集理論從解集中獲得最優(yōu)的折衷解[19].

3 算例計算與分析

3.1 基本數(shù)據(jù)

3.2 結(jié)果分析

基于以上數(shù)據(jù)對研究所提出的模型進(jìn)行驗(yàn)證. 取多目標(biāo)權(quán)重θ1=θ2=0.5進(jìn)行計算， 通過多目標(biāo)粒子群算法求解不同情形下的購電結(jié)果， 得到期望購電費(fèi)用-CVaR的Pareto有效前沿如圖1所示； 再通過模糊集理論求得最優(yōu)折衷解， 結(jié)果列于表1. 為表述方便， 定義： 不考慮RPS和期權(quán)市場為情形1， 不考慮RPS為情形2， 不考慮期權(quán)市場為情形3， 同時考慮RPS和期權(quán)市場為情形4， 該情形即為本研究所提出的購電優(yōu)化模型.

表1 不同情形下的購電優(yōu)化結(jié)果

圖1 購電費(fèi)用-風(fēng)險的Pareto有效前沿Fig.1 Electricity purchase costs - the effective frontier of risk pareto

從圖1可以看出， 隨著期望購電費(fèi)用的增加， 其損失的風(fēng)險逐漸降低， 這是因?yàn)榉艑捹忞娰M(fèi)用的限制， 使得售電公司傾向于在電價較高但穩(wěn)定的合約市場購電， 從而降低了購電風(fēng)險. 從表1可以看出， 考慮了期權(quán)合約后的期望費(fèi)用和風(fēng)險都降低了， 這是因?yàn)槠跈?quán)合約有規(guī)避現(xiàn)貨市場電價上漲的作用， 期權(quán)市場的電價均值低于合約市場. 考慮了RPS后的期望費(fèi)用和風(fēng)險都增加了, 這是因?yàn)槭垭姽緸闈M足配額制的要求， 必須購買一定比例的可再生能源. 而同時考慮RPS和期權(quán)合約時， 售電公司的購電費(fèi)用和風(fēng)險略有較小, 這是因?yàn)橘徺I一定量的看漲期權(quán)有助于規(guī)避電價的波動， 同時也滿足了售電公司應(yīng)承擔(dān)的配額比例要求.

售電公司購電方案受多種因素影響， 下面分析不同RPS方案、k、 權(quán)重等因素對組合購電方案的影響.

3.2.1RPS對售電公司購電的影響

售電公司作為新的購電單元有義務(wù)承擔(dān)一定比例的RPS， 以促進(jìn)可再生能源的消納. 為了表述方便， 定義單獨(dú)購買風(fēng)電稱為情形5， 單獨(dú)購買綠色證書稱為情形6， 同時購買風(fēng)電和綠色證書稱為情形7， 結(jié)果列于表2.

表2 不同RPS方案對購電的影響

從表2中可以看出， 當(dāng)只考慮風(fēng)電時， 購電費(fèi)用風(fēng)險較大, 這是因?yàn)轱L(fēng)電不確定性較高， 增加了購電風(fēng)險. 當(dāng)只考慮綠色證書時， 期望購電費(fèi)用增加， 購電風(fēng)險降低, 這是因?yàn)樾枰ㄙM(fèi)額外的費(fèi)用購買綠色證書來滿足配額制的要求， 且綠色證書價格穩(wěn)定， 使得購電風(fēng)險相對低. 當(dāng)同時考慮風(fēng)電和綠色證書時， 售電公司的期望購電費(fèi)用和風(fēng)險處于前兩種情形之間， 即微增購電風(fēng)險就可使得期望購電費(fèi)用降低， 是較為理想的情況.

3.2.2k對售電公司購電的影響

考慮RPS和期權(quán)合約后， 改變配額比例k， 分析k對售電公司期望購電費(fèi)用、 損失風(fēng)險大小和各市場購電分配量的影響， 結(jié)果列于表3.

表3 不同k對購電的影響

從表3可以看出， 在負(fù)荷需求相同的情況下， 隨著k的增加， 在風(fēng)電市場和綠色證書市場購得的電量將增加， 這可以有效地改善本地區(qū)的電源結(jié)構(gòu)； 但售電公司的購電費(fèi)用和風(fēng)險在增加， 這是因?yàn)樵黾恿速徺I綠色證書的費(fèi)用， 且風(fēng)電價格較高、 風(fēng)險大， 當(dāng)k越高， 購買風(fēng)電的費(fèi)用越多， 風(fēng)險也隨之增大. 此外， 隨著風(fēng)電購電量的增加， 使得從輔助服務(wù)市場購買的備用容量隨之增大， 購電費(fèi)用也將增加. 同時， 為了促進(jìn)可再生能源的消納， 又無法無限增大k， 政府應(yīng)結(jié)合實(shí)際情況制定合理的k.

3.2.3風(fēng)電購電量及現(xiàn)貨電價的不確定性對售電公司購電的影響

圖2 風(fēng)電預(yù)測偏差對風(fēng)電購電量的影響Fig.2 Impact of wind power forecast deviation on wind power purchase

售電公司在電力市場上的購電風(fēng)險源于市場電價的波動和風(fēng)電預(yù)測偏差， 分析這兩者不確定性對售電公司購電決策的影響， 結(jié)果如圖2及表4所示.

從圖2可以看出， 風(fēng)電預(yù)測偏差越大， 則風(fēng)電購電量越大. 這是由于隨著風(fēng)電預(yù)測偏差越大， 造成的風(fēng)險越大， 為降低風(fēng)險值， 需適當(dāng)增加證書購買數(shù)量. 從表4可以看出， 隨著現(xiàn)貨市場電價波動程度的加劇， 購電風(fēng)險也越大， 而購電量隨電價偏差的增大呈現(xiàn)先減小后增大的過程. 這是因?yàn)殡S著電價偏差的增大， 為降低購電風(fēng)險， 現(xiàn)貨市場的購電量會減少， 而當(dāng)電價偏差再增加時， 多購現(xiàn)貨市場的電量獲利空間更大， 但購電風(fēng)險將大幅度增大.

表4 不同現(xiàn)貨電價偏差系數(shù)對購電的影響

3.2.4P0和K對售電公司購電的影響

為了分析P0和K對售電公司購電策略的影響， 分別設(shè)置在P0=53元·(MW·h)-1時， 逐漸增大K值以及在K=580元·(MW·h)-1時， 逐漸增大P0， 結(jié)果列于表5.

從表5可看出， 隨著P0或K的上升， 售電公司在期權(quán)市場上的購電量逐漸減少， 而合約市場上的購電量先減小后增加， 現(xiàn)貨市場的情況與合約市場的情況相反. 這是由于隨著P0或K的增大， 期權(quán)市場的電價均值隨之增大， 為使購電成本最小化， 期權(quán)市場上的購電量相應(yīng)減??； 當(dāng)P0或K增加到一定值時， 為使購電風(fēng)險最小， 售電公司會優(yōu)先增加風(fēng)險小的合約市場的購電量. 改變P0或K都可以改變購電策略， 兩者不同之處在于改變K可同時調(diào)整期權(quán)市場電價的均值和標(biāo)準(zhǔn)差， 而改變P0只影響電價均值； 且隨著K的增大， 偏差系數(shù)越來越大， 而隨著P0的增大， 偏差系數(shù)越來越??； 在購電量一定時， 偏差系數(shù)越大， 風(fēng)險越大.

表5 不同P0和K對購電的影響

3.2.5權(quán)重對售電公司購電的影響

考慮RPS和期權(quán)合約后， 改變多目標(biāo)權(quán)重， 分析權(quán)重對售電公司期望購電費(fèi)用、 損失風(fēng)險大小和各市場購電分配量的影響， 結(jié)果列于表6.

表6 不同權(quán)重對購電的影響

購電風(fēng)險權(quán)重的增大表示售電公司對購電風(fēng)險重視程度的增加. 從表6可看出， 隨著風(fēng)險權(quán)重的增大， 購電量從風(fēng)險較大的現(xiàn)貨市場和風(fēng)電場向風(fēng)險較低的合約市場和綠色證書市場轉(zhuǎn)移； 雖然降低了購電風(fēng)險， 但合約市場電價較高使得期望購電費(fèi)用增加， 表現(xiàn)出了期望購電費(fèi)用和購電風(fēng)險互相約束的關(guān)系.

4 結(jié)語

隨著售電側(cè)放開程度的不斷推進(jìn)以及可再生能源的大規(guī)模發(fā)展， 給售電公司購電策略帶來了顯著的影響. 研究圍繞售電公司的購電費(fèi)用、 購電風(fēng)險、 RPS和各市場的購電分配量， 得出以下主要結(jié)論.

1) 考慮負(fù)荷需求、 風(fēng)電購電量和現(xiàn)貨市場及期權(quán)市場電價的不確定性及配額比例大小， 以期望購電費(fèi)用和遭受損失的風(fēng)險最小為目標(biāo)， 采用CVaR對售電公司的購電風(fēng)險進(jìn)行評估， 建立期望購電費(fèi)用-損失風(fēng)險模型， 從而為售電公司在多市場的購電策略提供有價值的參考.

2) 算例結(jié)果表明， 考慮期權(quán)合約的購電模型能夠降低現(xiàn)貨市場電價波動帶來的風(fēng)險； 同時考慮風(fēng)電和綠色證書來滿足配額制時， 售電公司的期望購電費(fèi)用和風(fēng)險值介于只考慮風(fēng)電或綠色證書之間， 即微增購電風(fēng)險就可使得期望購電費(fèi)用降低； 為了促進(jìn)可再生能源的消納， 又無法無限增大配額比例， 政府應(yīng)結(jié)合實(shí)際情況制定合理的配額比例； 合理地設(shè)置P0和K， 可以在一定程度上規(guī)避售電公司的購電風(fēng)險.