汪元芹，劉敏

考慮現(xiàn)貨電價(jià)及分布式電源不確定性的售電商購售電決策模型

汪元芹，劉敏

（貴州大學(xué) 電氣工程學(xué)院，貴州 貴陽 550025）

隨著電力現(xiàn)貨市場改革的不斷深化，售電商的購售電業(yè)務(wù)迎來了新的機(jī)遇和挑戰(zhàn)，現(xiàn)貨市場下售電公司的決策研究具有重要意義。為降低現(xiàn)貨電價(jià)波動性的影響，建立云模型描述現(xiàn)貨市場交易時(shí)的現(xiàn)貨電價(jià)不確定性，提出一種基于云模型相似度的現(xiàn)貨電價(jià)預(yù)測模型；考慮分布式電源出力隨機(jī)性，提出一個(gè)描述風(fēng)光出力不確定模型；通過電價(jià)–市場占有率模型反映售電公司在零售市場中面臨的競爭和用戶選擇行為，引入實(shí)時(shí)電價(jià)需求響應(yīng)模型，建立售電商購售電模型。通過算例分析，得到售電商向用戶發(fā)布的實(shí)時(shí)零售電價(jià)曲線，通過改進(jìn)遺傳算法進(jìn)行仿真分析，驗(yàn)證了該模型的可行性。

電價(jià)不確定性；云模型；分布式電源；需求響應(yīng)；實(shí)時(shí)電價(jià)

0 引言

售電商作為新一輪電力體制改革的主要成員，其獲取電力的主要來源有雙邊合同、自營設(shè)施、以及現(xiàn)貨市場等[1-4]。隨著電力體制的不斷改革，我國已經(jīng)進(jìn)入電力現(xiàn)貨市場交易試運(yùn)行階段[5]?，F(xiàn)貨市場是售電商在購電選擇時(shí)的主要途徑，其中現(xiàn)貨電力交易市場電價(jià)的波動性必將影響售電商購售電策略。因此，如何更加準(zhǔn)確地對現(xiàn)貨電價(jià)進(jìn)行預(yù)測，對售電商做出合理有效的決策具有重要意義。此外，隨著分布式電源的大規(guī)模接入，由于其出力具有隨機(jī)性以及間歇性的特點(diǎn)，使得對分布式電源出力的預(yù)測值預(yù)測精準(zhǔn)度不高，這將成為影響售電商進(jìn)行購售電策略決策的主要因素之一。因此，售電商如何基于此背景利用當(dāng)前市場規(guī)則，引導(dǎo)用戶參與需求響應(yīng)，合理分配市場購電比，在滿足用戶用電需求的同時(shí)規(guī)避多種市場風(fēng)險(xiǎn)，實(shí)現(xiàn)利益以及用戶滿意度最大化，是售電商在進(jìn)行購售電決策時(shí)重點(diǎn)關(guān)注的問題[6]。

目前，國內(nèi)外學(xué)者們對售電商購售電決策開展了大量研究。文獻(xiàn)[7]在考慮不同類型用戶以及可中斷負(fù)荷調(diào)用決策等實(shí)際問題背景下，建立了運(yùn)用多場景的2階段模型，以及描述現(xiàn)貨電價(jià)不確定性的購售電模型。文獻(xiàn)[8]通過對模型結(jié)構(gòu)的分析，考慮了風(fēng)電消納不確定性，給出了在給定價(jià)格序列下單時(shí)段子問題的解析最優(yōu)解，以及基于情景樹的價(jià)格序列生成方法，從而實(shí)現(xiàn)了購電決策問題的快速求解。文獻(xiàn)[9]針對傳統(tǒng)基于模型方法存在的數(shù)據(jù)不完整、建模復(fù)雜且收斂困難等問題，提出一種結(jié)合動力學(xué)演化和據(jù)驅(qū)動的方法，并應(yīng)用于考慮用戶側(cè)分布式儲能交互效應(yīng)的售電公司動態(tài)定價(jià)策略。文獻(xiàn)[10]采用隨機(jī)情景法模擬不確定現(xiàn)貨價(jià)格，考慮消費(fèi)者在不同時(shí)期參與需求響應(yīng)的可能性，研究了多類可中斷負(fù)荷合同下零售商在日前現(xiàn)貨市場的最優(yōu)決策。文獻(xiàn)[11]考慮供需的不確定性和需求響應(yīng)，構(gòu)建了零售商靈活購電的多目標(biāo)隨機(jī)優(yōu)化模型，旨在最大限度地降低電力零售商的成本和最大限度地利用清潔能源發(fā)電。以上研究中，針對我國交易體制下，考慮中長期以及現(xiàn)貨市場交易模式，同時(shí)考慮多種不確定性對售電公司購售電決策影響的文獻(xiàn)并不多見。

針對上述問題，本文考慮現(xiàn)貨市場交易，以中長期市場交易以及分布式電源購電為主體，引入實(shí)時(shí)電價(jià)需求響應(yīng)模型優(yōu)化用戶負(fù)荷；考慮現(xiàn)貨電價(jià)以及分布式電源不確定性，以售電商購售電利益最大化為目標(biāo)對售電商動態(tài)購售電決策進(jìn)行優(yōu)化研究，并采用遺傳算法進(jìn)行求解；提出一種基于云模型相似度描述電價(jià)不確定性的現(xiàn)貨電價(jià)預(yù)測方法，以提高現(xiàn)貨現(xiàn)價(jià)的預(yù)測精度，減小誤差；采用正態(tài)分布描述分布式電源處理不確定性，引用電價(jià)–市場占有率模型描述零售市場用戶選擇行為。算例分析表明：合理分配市場購電比，規(guī)避多種市場風(fēng)險(xiǎn)，對于售電公司優(yōu)化售電收益，提升用戶滿意度具有重要意義。

1 現(xiàn)貨電價(jià)不確定性模型

云模型理論融合了模糊性以及隨機(jī)性來描述定性概念和定量值之間不確定關(guān)系的轉(zhuǎn)換，從而構(gòu)成定性和定量的映射，克服了傳統(tǒng)模糊理論的不完備性。設(shè)是一個(gè)定量領(lǐng)域，是上的定性概念，若定量值∈，且是定性概念的一次隨機(jī)實(shí)現(xiàn)，對的確定度()∈[0,1]是有保持永恒的偏向隨機(jī)數(shù):?[0,1]，"∈。將論域上的分布稱為云，而任何的定量值表示一個(gè)云滴。云滴所表示的確定性一直都在發(fā)生細(xì)微的改變，并且這種不確定性在將定量值轉(zhuǎn)換為定性概念語言的轉(zhuǎn)換途徑中產(chǎn)生了差異[12]。

1.1 正向云發(fā)生器

云的數(shù)值特征從3個(gè)數(shù)值特征的角度描述了一個(gè)概念的整體：期望，熵和超熵。

期望E：云的重心位置在定性概念中校準(zhǔn)確定性質(zhì)心測度，是在理論域的空間分布中對云滴的數(shù)學(xué)期望。在電價(jià)預(yù)測模型中，期望值代表平均負(fù)荷的大小。

熵E：整體定性概念的隨機(jī)性以及模糊性決策了該概念的不確定性。該不確定性既能夠反射出足夠體現(xiàn)定性概念的云滴離散程度，同時(shí)域空間中云滴的數(shù)目值也能被明確。

超熵H：熵的不確定性度量為熵的熵，受熵的隨機(jī)性和模糊性相互影響。

正向云發(fā)生器：如公式（1）（2）所示，從云的數(shù)字特征生成了從定性到定量的云滴，即用云模型的數(shù)字特征來量化云的波動幅度、波動范圍和波動分散輸入樣本[13]。

1.2 逆向云發(fā)生器

為了獲取現(xiàn)貨市場負(fù)荷數(shù)據(jù)在多次且不重復(fù)的數(shù)據(jù)抽樣的結(jié)果，并針對電力交易運(yùn)行當(dāng)天以1 h為間隔記錄數(shù)據(jù)的特點(diǎn)，選取逆向云發(fā)生器獲取電價(jià)預(yù)測云模型的數(shù)字特征。以下為詳細(xì)的計(jì)算過程[14]：

將逆向和正向云生成器結(jié)合到云模型中，隨時(shí)更新預(yù)測值來選擇訓(xùn)練樣本，并構(gòu)建用于從定性到定量的短期電價(jià)不確定性預(yù)測的云模型，可以提高每個(gè)操作時(shí)刻的預(yù)測結(jié)果。

1.3 基于云模型相似度的現(xiàn)貨電價(jià)預(yù)測

售電商在現(xiàn)貨市場上收入的不確定性主要來自負(fù)荷波動和現(xiàn)貨價(jià)格波動。現(xiàn)貨電價(jià)通常是基于歷史負(fù)荷值以及歷史電價(jià)來預(yù)測的。由于這些歷史數(shù)據(jù)的復(fù)雜性和多樣性，本文使用云模型來判斷樣本的相似性，并通過定點(diǎn)篩選和精細(xì)化利用歷史數(shù)據(jù)來最終提高每個(gè)時(shí)間段的預(yù)測準(zhǔn)確性[15]。

本文用云模型對數(shù)據(jù)進(jìn)行處理時(shí)，采取統(tǒng)計(jì)法。因此，要找到不同時(shí)間相似負(fù)荷出力，主要分2類：（1）每個(gè)時(shí)刻負(fù)荷消耗值相似，且變化趨勢相似（2）負(fù)荷出力在相同時(shí)間節(jié)點(diǎn)數(shù)值不相似，但整體分布頻率、趨勢相近。

采用基于組合模糊貼近度的云模型相似度計(jì)算方法，確定輸入樣本與測試組定性概念間云滴分布的相似度。具體方法如下。

輸入：樣本日以及測試日的負(fù)荷–電價(jià)云模型數(shù)字特征（E，E，H）。

輸出：云模型間相似度（1，2）。

步驟1：計(jì)算電價(jià)預(yù)測云模型1（E，E，H）和2（E，E，H）的交叉值。

步驟2：計(jì)算每一個(gè)電價(jià)預(yù)測云模型之間的相似度[16]（1，2）。如果電價(jià)預(yù)測云模型間相似度越高，則代表其負(fù)荷的分布頻率以及其變化趨勢更加相似。

步驟3：不斷重復(fù)操作上述步驟2，一直至輸入所有樣本以及預(yù)測日電價(jià)預(yù)測云模型的相似度被測試結(jié)束.

步驟4：對所有相似度訓(xùn)練結(jié)果依次進(jìn)行降序排序，將相似度最高的10天的負(fù)荷–電價(jià)樣本值作為電價(jià)預(yù)測的最終訓(xùn)練樣本。

2 分布式電源不確定性模型

為了描述風(fēng)光發(fā)電的實(shí)際出力和預(yù)測出力之間的關(guān)系[17]，本文提出一個(gè)描述風(fēng)光出力不確定模型，將風(fēng)光出力預(yù)測值與真實(shí)值之間的誤差假設(shè)為一個(gè)正態(tài)分布。

對于光伏出力，可近似表示成：

式中：p,t為時(shí)段光伏的實(shí)際出力值；pf,t是時(shí)段光伏的預(yù)測出力值；1是一個(gè)均值為0，標(biāo)準(zhǔn)差為1的正態(tài)分布。

同樣，將售電公司所有的風(fēng)光出力也近似表示為：

式中：w,t為時(shí)段光伏的實(shí)際出力值；wf,t是時(shí)段風(fēng)電的預(yù)測出力值；2是一個(gè)均值為0，標(biāo)準(zhǔn)差為2的正態(tài)分布。

3 電價(jià)–市場占有率模型

電價(jià)–市場占有率，是指售電商在其營業(yè)范圍內(nèi)內(nèi)所代理的電量占其總的市場化電量的百分比。售電商進(jìn)行購售電策略抉擇時(shí)，需得評估售電商本身的市場占有率，從而得到用戶所需電量[18-19]，即

式中：Q為時(shí)段售電商所有客戶所需電量；(ave) 為售電商的市場占有率；s,t為時(shí)段其經(jīng)營范圍內(nèi)市場化客戶的總用電量。

在分析時(shí)，假設(shè)客戶在選擇售電商時(shí)僅衡量價(jià)格高低。引用文獻(xiàn)[20]中的模型來描述售電商市場占有率與價(jià)格之間的聯(lián)系，可表示為：

式中：1為忠實(shí)客戶占所有客戶的比例，2為其他售電商的客戶中忠誠客戶的所占比；r和r分別為售電商所有歷史售電電價(jià)的平均售電電價(jià)的均值和標(biāo)準(zhǔn)差；Γ表示sigmoid 函數(shù)；r為監(jiān)管部門規(guī)定的平均價(jià)格上限。

式（12）表達(dá)了在選擇售電商時(shí)，會選擇變更售電商的客戶行為：若售電商的售價(jià)平均值比r高，則這群客戶將會變更售電商；相反，則這群客戶將會選擇該售電商，并且這些客戶比例變化和 sigmoid 函數(shù)變化趨勢相近。

4 售電商購電成本及收益建模

4.1 雙邊合同

用戶與售電商之間往往為了更有效地約束及規(guī)范雙方利益，通常會提前確定用電合同電量及其售價(jià)，售電商雙邊合同購買成本即：

4.2 分布式電源發(fā)電成本

分布式電源發(fā)電成本主要包括售電商所有風(fēng)機(jī)、光伏發(fā)電費(fèi)用、儲能裝置的充放電成本，具體如下：

將風(fēng)光出力的不確定性所帶來的懲罰函數(shù)引入到風(fēng)光出力的成本函數(shù)中，那么風(fēng)機(jī)和光伏的成本為：

式中：p,t、w,t為光伏、風(fēng)電機(jī)組在時(shí)段的出力；p,t、w,t為光伏、風(fēng)電的出力單位成本；pf,t、wf,t為光伏、風(fēng)電在時(shí)段的出力的預(yù)測值；p、w為光伏、風(fēng)電出力的懲罰系數(shù)；1、2為光伏、風(fēng)電出力的預(yù)測誤差。

4.3 現(xiàn)貨市場購入電量

（1）實(shí)時(shí)電價(jià)下用戶需求響應(yīng)模型

本文通過實(shí)時(shí)電價(jià)模式，引導(dǎo)用戶改變用電量，實(shí)現(xiàn)削峰填谷。引入需求價(jià)格彈性系數(shù)，建立用戶在實(shí)時(shí)電價(jià)下的負(fù)荷調(diào)節(jié)能力模型。本文所討論的負(fù)荷調(diào)整或負(fù)荷轉(zhuǎn)移針對1天（即24 h內(nèi)）進(jìn)行。于是，即用戶調(diào)整后用電量為[21]：

式中：Q0為電網(wǎng)商目錄電價(jià)下用戶負(fù)荷；x，x，x0，x0分別為,時(shí)刻電網(wǎng)商目錄電價(jià)、售電商銷售電價(jià)。

（2）現(xiàn)貨市場購電成本

實(shí)時(shí)均衡交易用于實(shí)現(xiàn)電力差額的實(shí)時(shí)均衡。通過與用戶簽訂DR合同，優(yōu)化客戶的用電曲線，獲得客戶的實(shí)際用電量。電力短缺時(shí)，售電商從市場上購買缺電的商品；當(dāng)有電力剩余時(shí)，將剩余電力賣給市場，可以表示為：

4.4 售電商購售電利潤模型

售電商在零售市場的24 h的收入為：

式中：p為售電商對用戶實(shí)施的實(shí)時(shí)電價(jià)。

假設(shè)售電商在中長期市場購電比例提前一個(gè)月確定?？紤]從中長期市場雙邊合同以及現(xiàn)貨市場中購買電量，計(jì)及電價(jià)不確定性，以售電商收益最大為優(yōu)化目標(biāo)，以中長期市場購電比以及售電電價(jià)p為優(yōu)化變量，則

式中：=24；為售電商簽訂的雙邊合同數(shù)量，在本文研究中，=3。

用電效用即為在達(dá)到相關(guān)約束條件下，使用戶本身滿意度最大化的用電消費(fèi)：

基于邊際成本對零售電價(jià)定價(jià)的理論依據(jù)是：售電商能夠反應(yīng)用戶本身的用電需求變化而導(dǎo)致售電商成本變化，用戶依據(jù)發(fā)布電價(jià)的增減從而改善自身用電負(fù)荷曲線，于是最終實(shí)現(xiàn)對電能的合理化消費(fèi)[22]。在數(shù)學(xué)關(guān)系中，邊際成本表示為總成本的導(dǎo)數(shù)，即：

由于所實(shí)施的實(shí)時(shí)電價(jià)應(yīng)使得售電商的市場占有率不下降，則有約束為：

式中：表示最終售電后售電商所獲得的市場占有率；為最終售電電價(jià)的平均值。圖1為該變量求解的動態(tài)耦合關(guān)系。

4.5 約束條件

（1）功率平衡約束

式中：e,t為初始負(fù)荷。初始負(fù)荷減去可削減的負(fù)荷，就得到了最終賣給用戶的負(fù)荷。

（2）電網(wǎng)輸送電量約束

由于電網(wǎng)線路的輸送功率有限，因此在時(shí)段的輸送電量也將有一定的上限。在此僅考慮電網(wǎng)向售電公司輸送功率，未考慮售電公司向電網(wǎng)反向傳輸功率。

式中：b,max為電網(wǎng)向售電公司輸送電量的上限。

（3）負(fù)荷調(diào)節(jié)約束

式中：l,max為負(fù)荷調(diào)節(jié)在時(shí)段可調(diào)節(jié)負(fù)荷的最大值。

（4）儲能設(shè)備約束

儲能設(shè)備的電量計(jì)算公式為：

式中：SOC為儲能設(shè)備在時(shí)段的電量；0為儲能設(shè)備初始電量；Δ為間隔時(shí)間；b為儲能設(shè)備額定容量。

假設(shè)儲能設(shè)備在同一個(gè)時(shí)段內(nèi)僅能儲存功率或者釋放功率，即儲能在同一個(gè)時(shí)段內(nèi)充放電不能同時(shí)進(jìn)行。

為了使儲能設(shè)備的壽命更長，儲能設(shè)備將受到電量和充放電功率的約束：

5 算例分析

5.1 電價(jià)不確定性模型仿真分析

實(shí)驗(yàn)數(shù)據(jù)為美國PJM市場2020年1～12月的現(xiàn)貨電價(jià)與負(fù)荷出力數(shù)據(jù)。采用云模型相似度計(jì)算的方法獲取與預(yù)測日擁有相似特征的數(shù)據(jù)作為預(yù)測訓(xùn)練樣本，從而使預(yù)測精度更加精準(zhǔn)。為了驗(yàn)證本文提出策略的有效性，對歷史數(shù)據(jù)進(jìn)行驗(yàn)證分析。用戶全天負(fù)荷分解曲線見圖2。

圖2 任意一天用戶全天電量分解曲線

基于上述方法獲得的從歷史數(shù)據(jù)中尋找相似日的結(jié)果，采用GA優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行步長為1天的現(xiàn)貨電價(jià)預(yù)測。圖3為采用的3種方法的現(xiàn)貨電價(jià)預(yù)測結(jié)果與實(shí)際現(xiàn)貨電價(jià)曲線對比圖。

圖3 云模型處理前后結(jié)果對比

圖3中，基于云模型相似度計(jì)算的現(xiàn)貨電價(jià)預(yù)測值與實(shí)際值均方根誤差為2.6 $/MW·h，平均絕對誤差為3.19 $/MW·h；未對數(shù)據(jù)進(jìn)行篩選的基于GA優(yōu)化RBF預(yù)測結(jié)果與實(shí)際結(jié)果之間均方根誤差為5.2 $/MW·h，平均絕對誤差為7.8 $/MW·h；基于RBF預(yù)測結(jié)果與實(shí)際結(jié)果之間均方根誤差為9.5 $/MW·h，平均絕對誤差為15.3 $/MW·h?？梢钥闯?，基于基于云模型相似度計(jì)算的現(xiàn)貨電價(jià)預(yù)測整體精度高于未進(jìn)行數(shù)據(jù)篩選預(yù)測結(jié)果；當(dāng)用電負(fù)荷需求較小時(shí)，前者精度更高，結(jié)果更明顯。

為更好地證明本文所提方法的有效性，在2020年隨機(jī)每月抽取1天進(jìn)行基于云模型相似度的現(xiàn)貨電價(jià)預(yù)測，所得預(yù)測結(jié)果的均方根誤差以及平均絕對誤差如表1。從表1中可以看出，本文所提的預(yù)測方案能夠使現(xiàn)貨電價(jià)預(yù)測結(jié)果更為精準(zhǔn)。

表1 每月隨機(jī)抽取一天云模型處理前后結(jié)果對比

5.2 分布式電源不確定性模型仿真分析

假設(shè)售電商提前1個(gè)月決定其中長期市場購買量，同時(shí)向用戶發(fā)布售電價(jià)格。以PJM電力市場中某地區(qū)的典型夏日負(fù)荷為例：根據(jù)其歷史數(shù)據(jù)，預(yù)測出下個(gè)月每1天售電商在該地區(qū)經(jīng)營范圍內(nèi)的代理用戶總電量；以24 h為優(yōu)化周期，計(jì)算得出下個(gè)月每1天的中長期市場購買量及其售電電價(jià)。根據(jù)公式（10），零售市場電價(jià)減去市場占有率模型，用戶忠誠度參數(shù)取值為1=0.4；2=0.4；售電商所有歷史售電電價(jià)的平均售電電價(jià)的均值r為21.18 $/MW·h。采用遺傳算法對模型求解。中長期市場中，售電商可以選擇的雙邊合同的量價(jià)信息見表2；售電商分布式電源相關(guān)數(shù)據(jù)見表3；風(fēng)光發(fā)電出力預(yù)測曲線見圖4。運(yùn)行范圍為[0.2,0.9]，初始值為0.4（即額定容量的0.4倍），且經(jīng)過1天的變化終值也為0.4，單位充放電功率最高為0.2。

表2 中長期市場可供選擇的雙邊合同

表3 售電商分布式電源風(fēng)光參數(shù)表

圖4 售電商風(fēng)光出力預(yù)測曲線

風(fēng)光電站的出力誤差采用的是0.05。在該條件下，售電公司的利潤為118.96×104$。該算法的迭代曲線如圖5所示。儲能設(shè)備情況、實(shí)時(shí)負(fù)荷、風(fēng)光出力以及與主網(wǎng)的交換功率如圖6所示，其中儲能功率小于0時(shí)，表示處于充電狀態(tài)。

圖5 遺傳算法迭代曲線

圖6 遺傳算法求解結(jié)果圖

預(yù)測誤差出現(xiàn)的變化，會對售電公司的收益帶來了一定的影響。由于售電公司應(yīng)全額消納自身所發(fā)的風(fēng)光電力，因此預(yù)測誤差出現(xiàn)時(shí)，售電公司將會受到電網(wǎng)的懲罰。將預(yù)測誤差取為0.05，風(fēng)光預(yù)測誤差相等，那么售電公司在不同預(yù)測值下的收益如表4所示。從表4可以看出，當(dāng)預(yù)測誤差較大時(shí)，售電公司的利潤較低；隨著預(yù)測誤差的減小，售電利潤逐漸趨于穩(wěn)定。

表4 不同預(yù)測誤差下的售電公司利潤

5.3 售電商購售電利潤模型仿真分析

根據(jù)圖1中的電價(jià)優(yōu)化流程，進(jìn)行通過分布迭代方式對電價(jià)以及用戶負(fù)荷不斷進(jìn)行優(yōu)化，最終輸出使購售電利潤最大化的實(shí)時(shí)售電電價(jià)，如圖7所示。

圖7 零售電價(jià)曲線圖

通過上述得到的優(yōu)化實(shí)時(shí)電價(jià)引導(dǎo)用戶進(jìn)行需求響應(yīng)，優(yōu)化前后負(fù)荷對比見圖8。由圖可知，該需求響應(yīng)模型能引導(dǎo)用戶完成削峰填谷，優(yōu)化用戶負(fù)荷曲線。根據(jù)公式（25）～（27）中對售電實(shí)時(shí)電價(jià)的求解可知，現(xiàn)貨電價(jià)的預(yù)測起著關(guān)鍵性作用；而從上述算例分析可得，通過云模型對數(shù)據(jù)樣本處理后的現(xiàn)貨電價(jià)預(yù)測值的均方根誤差以及平對絕對誤差明顯低于僅GA優(yōu)化RBF的現(xiàn)貨電價(jià)預(yù)測。為了更好地分析現(xiàn)貨電價(jià)預(yù)測精準(zhǔn)度的重要性，圖8對比了基于上述2種現(xiàn)貨電價(jià)預(yù)測方法下獲得的售電實(shí)時(shí)電價(jià)引導(dǎo)用戶進(jìn)行需求響應(yīng)后的優(yōu)化負(fù)荷。

圖8 基于不同現(xiàn)貨電價(jià)預(yù)測的負(fù)荷優(yōu)化對比

圖9得出決策月內(nèi)每1天的中長期購電比，將其匯總后則可得到該月需在中長期市場購買的電量。由圖中可知，云模型預(yù)測現(xiàn)貨電價(jià)后得到的購電比高于GA優(yōu)化RBF預(yù)測下的購電比；因此，通過精確預(yù)測現(xiàn)貨電價(jià)提高中長期購電比，減少現(xiàn)貨市場購電，可以提高收益。表5中給出了通過2種方法對現(xiàn)貨電價(jià)進(jìn)行預(yù)測后，售電商一個(gè)月的中長期購買量及收益。從表中可以看出，對現(xiàn)貨電價(jià)進(jìn)行精準(zhǔn)預(yù)測，從而得到合理的售電實(shí)時(shí)電價(jià)，不僅可以使用戶更好地參與需求響應(yīng)、提高利潤，還可以獲得較高的市場占比，使售電商獲得更多代理用戶，增加收益。因此，在售電商進(jìn)行購售電決策時(shí)，追求對現(xiàn)貨電價(jià)的精準(zhǔn)預(yù)測，是值得深入探討的課題。

圖9 決策月內(nèi)每一天中長期購比

表5 兩種預(yù)測方法下各參數(shù)對比

6 結(jié)論

本文在現(xiàn)貨市場規(guī)則下，重點(diǎn)研究了考慮現(xiàn)貨電價(jià)以及分布式電源出力不確定性的售電商動態(tài)購售電決策問題。結(jié)果表明，運(yùn)用云模型相似度處理現(xiàn)貨電價(jià)不確定性，能夠挖掘出分布以及趨勢相似的電價(jià)預(yù)測樣本數(shù)據(jù)。與GA優(yōu)化RBF預(yù)測方法相比較，結(jié)果表明：本文所提模型能夠提高電價(jià)預(yù)測精度，具有工程實(shí)用價(jià)值：在考慮不同的分布式電源出力的預(yù)測誤差時(shí)，其售電商收益不同，誤差越小，售電商在進(jìn)行購售電策略研究時(shí)的收益越大；通過與不采取風(fēng)險(xiǎn)規(guī)避預(yù)測下售電商購售電決策對比，采用本文所提的現(xiàn)貨電價(jià)以及分布式電源出力不確定性模型能夠提升售電商市場占比，優(yōu)化購電比，增大收益。以上證明了本文所提模型的有效性。

[1] NOJAVAN S, NOUROLLAHI R, PASHAEI-DIDANI H, et al. Uncertainty-based electricity procurement by retailer using robust optimization approach in the presence of demand response exchange[J]. International Journal of Electrical Power & Energy Systems, 2019, 105: 237-248.

[2] HOU J, ZHANG Z, LIN Z, et al. An energy imbalance settlement mechanism considering decision-making strategy of retailers under renewable portfolio standard[J]. IEEE Access, 2019, 7: 118146-118161.

[3] WANG Y, WANG D, ZHANG H, et al. Optimal bidding of price-maker retailers with demand price quota curves under price uncertainty[J]. IEEE Access, 2020, 8: 120746-120756.

[4] XU W, ZHANG P, WEN D. Decision-making model of Electricity Purchasing for Electricity Retailers Based on Conditional Value-atRisk in Day-ahead Market[C]//2020 12th IEEE PES Asia-Pacific Power and Energy Engineering Conference (APPEEC). Nanjing, China: IEEE, 2020: 1-5.

[5] 國家發(fā)展改革委辦公廳, 國家能源局綜合司. 關(guān)于開展電力現(xiàn)貨市場建設(shè)試點(diǎn)工作的通知: 發(fā)改辦能源[2017]1453號[EB/OL]. (2017-08-28)[2021-04-16]. http:// www.nea.gov.cn/2017-09/05/c_136585412.htm.

[6] 石幫松, 張靖, 李博文, 等. 多類型售電公司共存下競價(jià)售電的市場均衡研究[J]. 電力系統(tǒng)保護(hù)與控制, 2018, 46(5): 62-67.

SHI BANGSONG, ZHANG JING, LI BOWEN, et al. Market equilibrium study on multiple types of electric power retailers bidding[J]. Power System Protection and Control, 2018, 46(5): 62-67(in Chinese).

[7] 鄒鵬, 李春暉, 郭靜, 等. 考慮可中斷負(fù)荷的配售電公司最優(yōu)購售電策略[J]. 南方電網(wǎng)技術(shù), 2017, 11(2): 71-77.

ZOU PENG, LI CHUNHUI, GUO JING, et al. Optimal marketing strategy of distribution and retail companies considering interruptible load[J]. Southern Power System Technology, 2017, 11(2): 71-77(in Chinese).

[8] 姚高瑞, 雷雪姣, 劉西林, 等. 促進(jìn)風(fēng)電消納的供需互動合約機(jī)制與多市場購電策略[J]. 電力系統(tǒng)自動化, 2019, 43(7): 113-119.

YAO GAORUI, LEI XUEJIAO, LIU XILIN, et al. Supply-demand interaction contract mechanism and multi-market electricity purchasing strategy for improving wind power accommodation[J]. Automation of Electric Power Systems, 2019, 43(7): 113-119(in Chinese).

[9] 宋航, 劉友波, 劉俊勇, 等. 考慮用戶側(cè)分布式儲能交互的售電公司智能化動態(tài)定價(jià)[J]. 中國電機(jī)工程學(xué)報(bào), 2020, 40(24): 7959-7972.

SONG HANG, LIU YOUBO, LIU JUNYONG, et al. Intelligent dynamic pricing of electricity retailers considering distributed energy storage interaction on user side[J]. Proceedings of the CSEE, 2020, 40(24): 7959-7972(in Chinese).

[10] WANG K, ZHU Z, GUO Z. Optimal day-ahead decision-making scheduling of multiple interruptible load schemes for retailer with price uncertainties[J]. IEEE Access, 2021, 9: 102251-102263.

[11] YANG S, TAN Z, LIU Z X, et al. A multi-objective stochastic optimization model for electricity retailers with energy storage system considering uncertainty and demand response[J]. Journal of Cleaner Production, 2020, 277: 124017.

[12] 楊潔, 王國胤, 劉群,等. 正態(tài)云模型研究回顧與展望[J]. 計(jì)算機(jī)學(xué)報(bào), 2018, 41(3): 724-744.

YANG JIE, WANG GUOYIN, LIU QUN, et al. Retrospect and prospect of research of normal cloud model[J]. Chinese Journal of Computers, 2018, 41(3): 724-744(in Chinese).

[13] 蔣海峰, 張曼. 基于混合半云模型的相關(guān)性風(fēng)速及風(fēng)電場并網(wǎng)可靠性分析[J]. 電力系統(tǒng)自動化, 2020, 44(22): 127-133.

JIANG HAIFENG, ZHANG MAN. Analysis on correlation-based wind speed based on mixed half-cloud model and grid-connection reliability of wind farm[J]. Automation of Electric Power Systems, 2020, 44(22): 127-133(in Chinese).

[14] 高鋒陽, 曾林, 李昭君, 等. 分布式智能協(xié)同和云計(jì)算相結(jié)合的配電網(wǎng)故障選線新方法[J]. 電網(wǎng)技術(shù), 2021,45(8): 2969-2978.

GAO FENGYANG, ZENG LIN, LI ZHAOJUN, et al. A new fault line selection method for distribution network based on distributed intelligent collaboration and cloud computing[J]. Power System Technology, 2021, 45(8): 2969-2978(in Chinese).

[15] 閻潔, 許成志, 劉永前, 等. 基于風(fēng)速云模型相似日的短期風(fēng)電功率預(yù)測方法[J]. 電力系統(tǒng)自動化, 2018, 42(6): 53-59.

YAN JIE, XU CHENGZHI, LIU YONGQIAN, et al. Short-term wind power prediction method based on wind speed cloud model in similar day[J]. Automation of Electric Power Systems, 2018, 42(6): 53-59(in Chinese).

[16] 龔艷冰, 蔣亞東, 梁雪春. 基于模糊貼近度的正態(tài)云模型相似度度量[J]. 系統(tǒng)工程, 2015, 33(9): 133-137.

GONG YANBING, JIANGYADONG, LIANG XUECHUN. Similarity measurement for normal cloud models based on fuzzy similarity measure[J]. System Engineering, 2015, 33(9): 133-137(in Chinese).

[17] 田浩, 王可慶, 俞斌, 等. 考慮多類型負(fù)荷及風(fēng)光不確定性的配電網(wǎng)優(yōu)化規(guī)劃[J/OL]. 電力系統(tǒng)及其自動化學(xué)報(bào): 1-11[2021-04-16]. https://doi.org/10.19635/j.cnki. csu-epsa.000737.

TIAN HAO, WANG KEQING, YU BIN, et al. Optimal planning method for distribution network considering multi-type load and uncertainty of wind and solar[J/OL]. Proceedings of the CSU-EPSA: 1-11[2021-04-16]. https:// doi.org/10.19635/j.cnki.csu-epsa.000737(in Chinese).

[18] CARRIóN M, ARROYO J M, CONEJO A J. A bilevel stochastic programming approach for retailer futures market trading[J]. IEEE Transactions on Power Systems, 2009, 24(3): 1446-1456.

[19] YANG J, ZHAO J, WEN F, et al. A framework of customizing electricity retail prices[J]. IEEE Transactions on Power Systems, 2017, 33(3): 2415-2428.

[20] 盧恩, 別佩, 王浩浩, 等. 考慮用戶自主選擇性的零售電價(jià)套餐定價(jià)策略設(shè)計(jì)[J]. 電力系統(tǒng)自動化, 2020, 44(19): 177-184.

LU EN, BIE PEI, WANG HAOHAO, et al. Pricing strategy design of electricity retail pricing package considering self-selectivity of users[J]. Automation of Electric Power Systems, 2020, 44(19): 177-184(in Chinese).

[21] 李洪珠, 曹人眾, 張馨瑜. 家庭用電背景下基于實(shí)時(shí)電價(jià)的需求響應(yīng)模型[J]. 電力系統(tǒng)及其自動化學(xué)報(bào), 2018, 30(11): 26-31.

LI HONGZHU, CAO RENZHONG, ZHANG XINYU. Demand response model based on real-time pricing under household power background[J]. Proceedings of the CSU-EPSA, 2018, 30(11): 26-31(in Chinese).

Electricity Purchase and Sale Decision Modelling for Electricity Retailers Considering the Uncertainty of Spot Electricity Price and Distributed Power Generation

WANG Yuanqin, LIU Min

(College of Electrical Engineering, Guizhou University, Guiyang 550025, China)

As the electricity spot market continues to deepen reforms, the purchase and sale of electricity retail businesses have met new opportunities as well as challenges. The decision-making research of electricity sales companies in the spot market is of great significance. In order to reduce the impact of the volatility of the spot electricity price, this paper has developed several models. A cloud model was established to describe the spot electricity price uncertainty during spot market transactions and a spot electricity price prediction model based on cloud model similarity was also proposed. An uncertainty model describing scenery output is built for the randomness of the distributed power output. Since the electricity price-market share model reflects the competition and user selection behaviors faced by electricity retail companies in the retail market, a real-time electricity price demand response model is also developed. It is able to establish an electricity purchase and sale model for electricity sellers. Through the analysis of the example calculation, the real-time retail electricity price curve released by the retailer to the user is obtained, and the feasibility of the models has been verified through simulation based on improved genetic algorithms.

electricity price uncertainty; cloud model; distributed power; demand response; real-time electricity price

10.3969/j.ISSN.1672-0792.2021.11.007

TM73

A

1672-0792(2021)11-0062-10

2021-08-14

汪元芹（1997—），女，碩士研究生，研究方向?yàn)殡娏κ袌觯?/p>

劉 敏（1972—），女，教授，研究方向?yàn)殡娏ν顿Y規(guī)劃、電力市場、風(fēng)險(xiǎn)管理、智能配電網(wǎng)等。