基于極端場景分析的中長期交易校核方法

代江， 田年杰， 單克， 趙翔宇， 張德亮， 黃紅偉

(1. 貴州電網有限責任公司電力調度控制中心,貴州 貴陽 550002;2. 北京清大科越股份有限公司，北京 100084)

0 引言

中長期市場交易是我國當前電力市場化交易的主要形式。隨著我國市場化改革的不斷深入，中長期交易電量規模快速增長。以貴州省為例，近三年市場交易電量年均增長率近30%，目前交易電量已超過全省用電量的50%。交易規模的快速增長，對中長期交易校核的準確性提出了更高要求，調度機構亦面臨著嚴峻挑戰[1—3]。

中長期交易校核是指調度機構按照電網安全穩定運行控制要求，依據新能源預測等邊界數據，判定各發電廠市場交易預出清結果可行性，并提出修正意見的過程[4—5]。根據我國中長期市場有關規定，調度機構不僅負責中長期交易校核，同時應保證交易結果執行[6]。電力市場建設之初，市場交易規模較小，調度機構對邊界數據預測誤差導致的執行偏差調控手段較為充足，因此多采用確定性校核方法。文獻[4—5]介紹了電網現行的中長期市場交易校核模式，提出了基于“安全約束機組組合+安全約束經濟調度”的雙層校核體系，通過模擬調度運行過程分析交易結果的可行性。文獻[7]對上述方法進一步簡化，選取典型場景確定機組負荷率合理區間，并采用月度機組組合模型進行校核。文獻[8]提出了針對雙邊交易的簡化校核方法，通過評估交易雙方聯絡通道的承載能力和系統調峰需求，得到校核結果。

隨著市場發展，中長期交易電量規模快速增長。同時新能源快速發展下，燃煤電廠的發電空間受到擠壓。交易校核環節的邊界數據不確定性增大，傳統確定性交易校核方法面臨嚴峻挑戰[9—11]。如何考慮邊界數據不確定性，提升校核準確率已成為該領域研究的重點。目前該方向的研究尚處于起步階段，部分文獻借鑒傳統機組組合領域研究，提出了基于多場景預測數據的校核方法[12]。然而由于交易校核與機組組合目標不同，上述方法中大量預測場景并非交易校核中所需研究的極端場景，容易出現關鍵場景被數據湮沒的情況。

為此，文中提出一種基于極端場景分析的中長期交易校核方法。首先，介紹極端場景的基本概念，根據不同類型數據對交易校核結果的影響，將波動性邊界數據劃分為正向、負向數據；其次，考慮邊界數據的組合情況，按照極端場景的篩選標準，選定需要重點考慮的極端場景；然后，在此基礎上，利用多時序機組組合模型對極端場景下調度運行過程進行模擬，計算校核結果及其發生概率；最后，利用某省電網實際數據構造算例，對文中所提方法的有效性進行驗證。

1 極端場景概念與篩選

文中研究的極端場景篩選是指中長期市場交易中考慮多場景邊界數據，篩選得到最不利于交易結果執行的邊界數據場景集合。首先研究中長期交易校核所依據的邊界數據，根據對校核結果的影響對其進行分類；基于上述邊界數據分類，結合邊界數據多場景預測實際情況，提出極端場景篩選標準和實施流程。

1.1 邊界數據特性分類

由于中長期交易校核時間跨度較長，所依據的新能源功率預測、負荷預測等邊界數據均存在較大的不確定性[13—14]。依據邊界數據的不確定性程度，可將中長期交易所依據的邊界數據劃分為確定性和波動性邊界數據兩大類，如圖1所示。

圖1 中長期交易校核邊界數據分類Fig.1 Boundary data classification of long and medium-term trading check

所謂確定性邊界數據是指該類數據波動概率較低，可不考慮其波動性對校核結果的影響，主要包括外送受電計劃、設備檢修計劃等。而新能源功率預測、水電發電計劃等波動性邊界數據，受氣象預報等因素影響較大，不確定性較高，中長期校核期間預測數據誤差較大，須考慮預測誤差對校核結果的影響[15—16]。

按照預測誤差對交易校核的影響，可進一步將波動性邊界數據劃分為正向和負向數據兩類。正向數據是指實際執行中該邊界數據的正向波動，即實際數值高于預測值，有利于校核結果執行。而負向數據則與之相反，當其產生正向預測誤差時，不利于校核結果的執行。以負荷預測和新能源預測為例進行說明，當系統負荷存在正向預測誤差，即實際負荷高于預測值時，發電需求增加，有利于交易結果實際執行；若風電、光伏等新能源出現正向預測誤差，為消納新能源，必將調減其他類型電源發電，燃煤電廠的發電空間將受到擠壓，影響其交易結果的執行。

1.2 極端場景篩選

傳統確定性中長期交易校核中，主要采用發生概率最高的波動性邊界數據場景。文中將傳統確定性中長期交易校核依據的場景稱為基態場景。為量化波動性邊界數據預測誤差對交易校核的影響，主要采用多場景預測模型。多場景預測結果如圖2所示。對于正向數據，若高于基態場景下的預測數據，均有利于交易結果執行，不屬于極端場景考慮范疇；而對于負向數據，若低于基態場景下的預測數據，也不屬于極端場景的考慮范疇。

圖2 多場景預測結果Fig.2 Multi-scenario forecast results

進一步考慮不同類型波動性邊界數據的組合情況，文中中長期交易校核研究的極端場景為所有波動性邊界數據均為不利于交易校核的場景組合。各波動性邊界數據不同預測場景組合下的判定結果如表1所示。

表1 極端場景組合分析Table 1 Extreme scenario combination analysis

由表1可知，只有當新能源預測、水電發電計劃高于基準場景預測值，而負荷預測低于基準場景預測值時，符合極端場景判定標準。相較于原場景組合，極端場景數量顯著下降，校核結果判定準確率明顯提升。表1中，基于風電、光伏、負荷的多場景預測數據，全網可能的運行場景組合共8項；而極端場景數僅1項。因此，考慮極端場景的校核方法將大幅減少需考慮的場景數量。但從校核目標來看，極端場景能夠量化最惡劣的校核邊界情況，直接對極端場景進行分析更有利于調度機構把握實際運行的極端狀況。

調度機構開展中長期交易校核時，重視極端場景的根本原因在于調度機構不僅負責交易校核，還應保障交易結果執行。因此，在校核環節必須充分考慮極端場景下交易結果的執行風險，為實際執行預留足夠的裕度。特別是新能源占比較高的地區，由于中長期預測準確率難以保證，新能源預測偏差導致交易結果執行困難的問題將更加突出，極端場景分析的需求更為迫切。

2 面向極端場景的交易校核流程與方法

2.1 實施流程

基于上述極端場景的定義與篩選，提出面向極端場景的交易校核實施方法，主要包括3個關鍵步驟。

(1) 極端場景篩選。

新能源、負荷、水電等多場景預測技術已較為成熟，可參考文獻[17—20]計算得到多場景預測結果。對于正向數據，數值低于基準場景的所有場景均屬于負向誤差范疇；而對于負向數據，數值高于基準場景的所有場景均屬于正向誤差范疇。按照表1中的極端場景組合特性進行篩選組合即可得到極端場景列表。

需要特別注意的是，由于極端場景剔除了大量無效場景，組合后極端場景概率將小于1。為此，需要對極端場景概率進行還原，可表示為：

(1)

(2)

式中：NS為極端場景總數。

(2) 基于多時序機組組合的運行模擬。

根據各極端場景的波動性邊界數據預測值，實施運行模擬即可得到該場景下的交易校核結果。為簡化計算量，采用文獻[7]提出的多時序機組組合模型對極端場景進行運行模擬分析。

(3) 基于極端場景運行模擬的交易校核分析。

匯總各極端場景下的校核結果，并進行統計分析，為調度運行人員交易校核提供決策參考。

2.2 基于多時序機組組合的運行模擬

極端場景下機組組合模型以極端場景的新能源預測、負荷預測、水電發電計劃為邊界。模型以期望交易電量執行偏差最小為優化目標，可表示為：

(3)

所需要考慮的約束條件包括電力平衡約束、斷面傳輸能力約束、機組發電能力約束、機組爬坡能力約束、機組啟停狀態變量約束、機組最小持續運行時間約束、電廠交易電量偏差約束、水電站運行約束、偏差電量取值范圍約束和機組狀態變量取值范圍約束。依次可表示為：

(4)

(5)

(6)

(7)

(8)

(9)

(10)

(11)

(12)

(13)

以式(3)為優化目標、式(4)—式(13)為約束條件，即可構建基于極端場景的中長期機組組合模型。該模型本質上為混合整數線性規劃問題，可采用分支定界法等數學優化方法或直接調用Cplex等商用規劃軟件包求解，詳細求解過程可參考文獻[21—22]。通過求解該模型，不僅可以得到極端場景下交易電量執行偏差期望值，還能得到存在交易電量執行偏差的極端場景及對應的偏差電量。

2.3 基于極端場景運行模擬的交易校核分析

若某一極端場景下交易電量執行偏差不為0，則表明該場景交易校核不通過。當利用極端場景運行模擬進行分析，并制定交易校核結論時，為保證清潔能源消納，需要綜合考慮校核不通過的極端場景發生概率及其執行偏差電量水平。為此，規定當且僅當校核不通過的極端場景總發生概率及其期望交易電量執行偏差均在可控范圍內時，交易校核通過。校核標準為：

(14)

(15)

3 算例分析

3.1 基礎數據

以某省區電網實際數據構造算例驗證所提方法的有效性。該省區電網共有燃煤電廠15座，總裝機容量21 000 MW，總交易電量96億kW·h，詳細數據見表2。

表2 燃煤電廠基本信息Table 2 Basic information of coal-fired power plants

多場景負荷預測結果見圖3。系統負荷預測包括高、中、低3個場景，其發生概率依次為20%，50%，30%，對應用電需求分別為125.8億kW·h，132.5億kW·h，139.1億kW·h。

圖3 多場景負荷預測Fig.3 Multi-scenario load prediction

多場景水電站發電計劃見圖4。水電站發電計劃包括高、中、低3個場景，其月發電量計劃分別為16.05億kW·h，14.5億kW·h，12億kW·h，對應發生概率分別為20%，50%，30%。

圖4 多場景水電站發電計劃Fig.4 Multi-scenario hydropower station generation schedule

多場景新能源預測見圖5。新能源功率預測包括5個場景，其發生概率依次為10%，20%，45%，15%，10%，對應月度發電量分別為8.11億kW·h，9.13億kW·h，10.14億kW·h，11.15億kW·h，12.17億kW·h。

圖5 多場景新能源預測Fig.5 Multi-scenario new energy prediction

需要說明的是，為簡化計算分析過程，算例中各運行日的負荷曲線、水電發電曲線、新能源發電曲線均采用1 h為間隔的典型日曲線，其中新能源采用峰谷比為1.2的典型曲線。若需更細致地分析各運行日不同峰谷特性下的運行差異，可進一步細化場景劃分，對文中所提方法的使用并無顯著差異。

3.2 極端場景篩選

確定性交易校核方法以發生概率最高的場景作為邊界開展校核分析。算例中的負荷預測方案、水電發電計劃方案和新能源預測方案3共同構成確定性交易校核方法的邊界數據。根據表1所述的極端場景組合方式，算例中需要研究的極端場景包括2個，詳見表3。需要說明的是，根據極端場景對應的負荷、水電、新能源方案，可計算得到其發生概率分別為0.9%，0.6%，按照式(1)進行還原，得到對應的概率分別為60%，40%。

表3 極端場景Table 3 Extreme scenes

3.3 校核結果分析

進一步利用多時序機組組合算法對表3的極端場景進行運行模擬。各電廠機組開停計劃下的運行情況如圖6所示。

圖6 電廠機組運行情況Fig.6 Operation of power plant units

在此基礎上，可計算得到交易電量執行偏差累計1.74億kW·h，各電廠電量偏差分布情況如表4所示。其中正偏差表示較交易計劃需要增加發電量，負偏差表示較交易計劃需要減少發電量，其中最大偏差電量為0.56億kW·h。

表4 電廠偏差電量Table 4 Power plant deviation power

若更細致地分析不同場景下的交易電量偏差情況，可以發現基態場景和極端場景一均能滿足運行要求，而極端場景二存在交易電量執行偏差，偏差電量為1.74億kW·h。根據該省實際情況，在利用極端場景分析法實施交易校核時，設定的出現交易電量執行偏差極端場景發生概率及預期偏差電量分別為3%，0.5億kW·h。盡管極端場景二發生概率僅為0.6%，低于發生概率限值，但其偏差電量期望為0.7億kW·h，超過了偏差電量限值。該結果表明，盡管出現交易電量執行偏差的極端場景發生概率較低，但其產生偏差電量的期望較大，一旦出現極端場景，偏差電量難以通過調度優化調整消除，此時校核不通過。該情況下，應對上述存在偏差電量的發電廠預出清結果做適當調整，為實際執行預留足夠的調整空間。基于極端場景分析得到的各發電廠機組組合方式及偏差電量情況，對預期執行偏差進行統計。存在預期執行偏差的發電廠交易校核不通過，應對其交易電量進行調整。若執行偏差為正向電量偏差，則表明該發電廠交易電量計劃不足，需要匹配基數電量，保證電網運行控制要求；若執行偏差為負向電量偏差，則表明該發電廠交易電量計劃超出電網承載能力，需要調減其交易計劃。

4 結語

與傳統確定性校核方法相比，文中所提基于極端場景分析的中長期交易校核分析依據的是極端場景數據，更適用于清潔能源裝機比例較高的省區，可為實際執行中消納清潔能源、保障交易執行創造更有利的調控空間。后續可從3個層面開展進一步研究：

(1) 極端場景的精確辨識。更細致地分析不同邊界數據的影響程度，開展不同場景下更加精細的校核分析。

(2) 多場景的交易校核方法。研究面向多場景的交易校核方法，提升運行模擬計算分析的執行效率。

(3) 概率化校核結果決策分析。研究基于概率化校核結果的判定方法，為調度人員提供更進一步的決策參考。

本文得到貴州電網有限責任公司科技項目“電力中長期交易安全校核與優化調度研究及實現”(066500KK52180005)資助，謹此致謝！