源荷雙邊參與的高比例新能源電力系統能量與備用市場聯合出清方法

任景，周鑫，程松，王茁宇，張小東，唐早，劉繼春

(1.國家電網有限公司西北分部，西安市 710048; 2.四川大學電氣工程學院，成都市 610065)

0 引 言

國家能源局統計資料顯示，我國新能源裝機容量已于2021年10月突破10億kW，占總裝機容量的43.5%[1]。以風光為代表的新能源具有較強的隨機性和反調峰特性，系統性調峰與備用不足等問題日益突出，給電網的安全穩定運行帶來了一系列挑戰[2-3]。

源側、荷側均存在一定比例的可靈活調節資源，通過設計合理的市場交易機制[4-6]可充分利用源荷資源的靈活特性，提升電力系統的安全性與靈活性。文獻[4-5]分析了荷側價格敏感性，構建了基于用戶側價格敏感性的調峰補償機制，為新能源消納提供了途徑。文獻[6]研究了計及火電與新能源協同讓利的深度調峰市場機制，以共贏的方式促進可再生能源的消納。但用戶側需求響應主要通過削減自身用電需求的形式來參與，難以促進新能源的消納，而調峰市場的設計又主要聚焦于源側資源間的協調。現階段高比例新能源接入面臨的消納難題，需要通過源荷雙邊參與來促進富余電量的消納。因此，研究源荷雙邊同時參與日前市場是十分有必要的。

源荷雙邊同時參與的引入，需要對日前市場出清模型進行改進，需重點考慮如下兩個方面：1)如何構建源荷雙邊參與的機制與模型；2)如何融入日前市場進行聯合優化。針對源荷雙邊參與的機制與建模問題，文獻[7-8]完成了用戶側需求響應交易機制與出清模型，對需求響應市場效益進行了量化。以電力電量平衡為原則展開出清，文獻[9]設計了針對有償調峰、儲能調峰、需求響應等可調資源參與輔助服務市場的交易機制與市場出清方法。文獻[6]介紹了火電機組與新能源機組的相互激勵，但缺乏對新能源與用戶雙邊相互激勵機制的探討。針對融入日前市場進行出清，文獻[10]對調峰與電能量市場耦合合作模式展開了研究，構建了有序的市場出清模型，但該研究主要圍繞輔助服務市場展開設計與建模，并未計及源荷雙邊的參與。文獻[11]研究了調峰市場融入現貨市場的設計框架，為本文的源荷雙邊響應參與日前市場奠定了基礎。

計及新能源出力不確定性的日前市場優化出清問題，將使問題變成高維混合整數優化問題，難以直接快速求解。現有研究中，主要采用兩類方法進行計算：模型分解算法[12-13]和場景分解算法[14-16]。其中，Benders分解是模型分解的代表，需將能量與備用聯合優化問題分解為線性規劃和整數規劃兩個部分，但該方法對初始解要求較高。而漸進式對沖分解(progressive hedging decomposition)算法是典型的場景分解辦法，將模型分解為若干子問題進行求解，對初始解沒有要求，逐漸被用于處理含多場景的電力系統優化問題[14,17-18]。然而，漸進式對沖分解算法在求解混合整數變量問題時，其收斂性無法得到保證，因此，本文對標準漸進式對沖分解算法進行啟發式改進，更好地保證問題的收斂。

基于現有源荷參與調峰的現貨市場聯合出清模式設計研究，本文進一步完善源荷雙邊同時參與機制，提出計及源荷雙邊同時參與日前能量與備用聯合優化模型。首先，介紹源荷雙邊同時參與的市場設計基本原則、理念以及交易細則。然后，構建計及源荷雙邊同時參與的日前能量與備用聯合出清數學模型，并采用改進的漸進式對沖分解算法對模型進行求解。最后，以IEEE 118節點系統驗證本文設計的合理性與模型的有效性。

1 源荷雙邊同時參與的機制

1.1 基本原則與原理

源荷雙邊同時參與的規則為文獻[9]提出的調峰市場的延續，遵循相同的基本原則與理念。其中，大規模強不確定性的新能源機組并網顯著增加了電網的備用需求缺口，而大工業用戶節約基本電費、峰谷電價獲利、平滑負荷等目標增加了用戶側參與需求響應的積極性，兩者可以通過合理的機制引導形成雙向互補。與僅荷端的需求側響應相比，源荷雙邊同時參與需進行雙方報價與報量，以便于更好響應出清。因此，本文考慮進一步設計源荷雙邊同時參與的規則，充分結合發用兩側自身優勢，更好地促進新能源消納。源荷雙邊同時參與的內涵是在新能源發電高峰時期，為大工業用戶提供富余的電量支撐，而用戶根據其自身可調整產能安排，為新能源電站提供備用，形成跨主體、跨時空的互濟支撐，其框架如圖1所示。

圖1 源荷雙邊同時參與的市場框架Fig.1 The market framework for electricity generation and consumption

1.2 交易細則

交易細則需要明確交易主體、交易品種以及交易模式三大類。

交易主體：源荷雙邊同時參與的市場涉及兩類交易主體，分別為：1)以新能源電站為代表的源側；2)以大工業用戶為代表的荷側。

交易品種：源側主要為用戶提供的富余電能支撐，屬于電能量交易。而荷側主要為新能源場站提供備用資源，包括正、負兩類備用。

交易模式：源荷雙邊均需將各時段的能量、備用、價格等信息發布至調度中心進行聯合出清。以調度中心發布的邊際結算價格及能量出清方案、備用出清方案進行集中結算。

2 源荷雙邊同時參與的出清模型

2.1 目標函數

從調度中心的角度出發，展開能量與備用聯合優化出清，將以系統出清成本最小為目標[14]，具體數學模型如式(1)所示，包含機組啟停成本、調度成本以及備用成本三個部分。

(1)

計及源荷雙邊同時參與的市場出清模型部分需要在目標函數中進一步考慮源荷雙邊參與產生的交易成本，因此目標函數可更新為式(2)。其中，第一部分表示傳統的能量與備用目標函數，第二部分表示新能源的富余能量出清成本，第三部分表示大工業用戶正、負備用成本。本文研究主要聚焦日前出清，沒有涉及到實時結算，在日前需要支付的費用為日前機組組合費用、備用費用以及源荷響應的費用。

(2)

2.2 運行約束

傳統模式下，為保證源網荷的安全高效運行，需要滿足“源-網”運行約束的限制。

2.2.1源側運行約束

在源側建模主要分為發電機運行約束模型和新能源運行約束模型兩部分。此外，由于絕大部分新能源場站出力具有較強不確定性，屬于備用的需求方。因此，備用模型部分主要針對火電機組進行構建。

發電機的運行模型如式(3)—(12)所示。其中，式(3)和式(4)分別表示計及正、負備用功率的發電機出力約束模型；式(5)和式(6)表示發電機的正、負爬坡約束模型；式(7)和式(8)表示發電機的啟停狀態間的邏輯關系；式(9) 和式(10)分別表示發電機的最小啟、停約束；式(11) 和式(12)分別表示發電機的備用模型。

(3)

(4)

(5)

(6)

(7)

(8)

(9)

(10)

(11)

(12)

(13)

針對參與到源荷雙邊的新能源機組，其機組出力約束發生變化。由于需要額外增加或減少新能源機組系統出力，因此其約束可更新為式(14)。此外，在市場出清過程中，新能源增加或減少的供電功率受到市場報量的限制，即式(15)和(16)，方可成功出清。

(14)

(15)

(16)

2.2.2大工業用戶運行約束更新

大工業用戶參與源荷雙邊市場并成功出清后，其負荷將發生變化。大工業用戶在為新能源場站提供備用時，可增加或減少的負荷功率也需要低于源荷雙邊的市場報量，才能在調度中心成功出清，其模型如式(17)和(18)所示：

(17)

(18)

2.2.3網側運行約束

在備用與能量市場耦合優化模型中，電網安全運行約束主要包括功率平衡約束和線路潮流約束兩方面。對任意場景、任意時刻，整個系統應滿足的運行功率平衡約束可描述為式(19)，線路潮流平衡約束可表述為式(20)：

(19)

(20)

3 改進的漸進式對沖分解算法

3.1 標準漸進式對沖分解算法

本文所提出的能量與備用聯合優化模型是一個多場景混合整數隨機規劃問題，直接求解難度較大。考慮采用漸進式對沖分解算法對模型進行分解，將多場景問題拆分成若干子問題進行求解，通過迭代更新實現結果的收斂，其原理如圖2(a)所示。原模型可簡寫為式(21)—(22)，其中f(x)和g(ys)的具體模型如附錄A的式(A1)和(A2)所示。

圖2 漸進式對沖分解算法Fig.2 The details of progressive hedging decomposition

(21)

(22)

式中：f(x)和g(ys)分別為目標函數中不含場景變量的部分和含場景變量的部分，其具體函數見附錄A；k(x,ys)和h(x,ys)分別表示模型中的等式約束和不等式約束部分。

非場景變量x可以等價為x={x1,x2,...xS}，其中x1=x2=...=xS，由此，原模型可等價改寫為式(23)—(24)。

(23)

(24)

基于等價后的模型，采用漸進式對沖分解算法的具體執行步驟如圖2(b)所示。

3.2 啟發式改進求解

標準的漸進式對沖分解算法在處理含整數變量問題時，存在不易收斂的問題。而本文中機組啟停的0-1變量引入了整數變量，使得迭代容易陷入反復振蕩。因此，本文對標準方法進行改進，以啟發式的方法篩選變量并進行松弛，從而加速問題的收斂。

本文的算法改進思路為在流程圖中結果更新環節增加“固定”“篩選”“松弛”三個環節：

第三步，當模型陷入無法求解時，對已經“固定”的變量進行“松弛”。

通過啟發式的“固定-篩選-松弛”優化求解，獲得最終的求解結果。

4 算例分析

4.1 算例參數

為驗證本文所提的面向高比例新能源電網源荷雙邊同時參與的能量與備用優化模型的有效性，本文利用IEEE 118節點系統進行測試，相關系統參數見文獻[20]。針對本系統而言，其風光的總裝機容量占35%，而其中參與源荷雙邊協調的機組容量及其信息如下：1)風電站的裝機容量與位置信息分別為[100 MW，節點30], [60 MW，節點46], [80 MW，節點99]；2)光伏電站的相關信息分別為[80 MW，節點6], [50 MW，節點48], [90 MW，節點92]。某典型日的負荷和風、光的出力曲線如圖3所示。源荷雙邊同時參與市場的報價與報量信息分別列于附錄表A1和A2。此外，本文的重點在于構建計及源荷雙邊同時參與的能量與備用聯合出清模型，因此選用現有文獻中成熟的方法進行場景生成與聚類。本文采用文獻[21]的基于k-mean的蒙特卡洛仿真方法對系統負荷與新能源出力不確定性進行描述，聚類后的負荷-新能源出力場景數為15個，聚類后的負荷-新能源場景結果如圖4所示。

圖3 典型日風光荷的預測出力曲線Fig.3 Typical output curves of wind, solar and demand

圖4 聚類后的負荷-新能源場景Fig.4 Clustered scenarios of load and renewable generation

4.2 算例分析

4.2.1優化結果

本文新引入了源荷雙邊同時參與協調的機制，采用兩種不同的對照模型驗證所提方法的效果，兩個模型分別為：模型1，不計及源荷雙邊協調；模型2，計及源荷雙邊協調。下面對兩個模型的優化結果進行分析：

1)源荷雙邊協調的出清結果。

在日前交易階段，通過源荷雙邊參與的模式，源端日前出清結果為：可增加功率為214.2 MW·h，可減少功率為143.2 MW·h。根據供需一致性原則，源端出清總量與荷端出清總量相等。本文以11點的出清結果為例，展開詳細的出清結果分析。其源荷兩端在源荷雙邊同時參與的市場中的出清量如圖5所示，其增加功率的出清量為19 MW·h，邊際價格為0.35元/(kW·h)，而減少功率的出清量為11.2 MW·h，邊際價格為0.45元/(kW·h)。可以看出，雖然源荷雙邊同時參與協調的發電機組為6家，但通過優化出清后，僅3家單位在11點得到了響應。這是由于11點時，編號2、3、6的源側新能源機組在參與市場競拍過程中，提供的補貼報價低于邊際出清價格0.35元/(kW·h)，未能在市場出清中被大工業用戶的增負荷形為成功響應。同理，編號為1的大工業用戶，由于提出的增/減負荷單價過高，而未能在市場出清模式中被發電側新能源機組成功響應。

圖5 源荷雙邊協調機制下11點的出清結果Fig.5 The clearance result at 11:00 for the generation and demand side market

此外，源荷雙邊的出清方案同時也受到了電網傳輸能力的影響。算例中詳細介紹的11點為用戶負荷的低谷時期，其線路冗余度相對較高，因此源荷的出清結果未受到線路傳輸能力的影響。在下午15點時，若不參與集中出清，選用邊際價格結算方式，其出清量為23 MW·h，邊際價格為0.3元/(kW·h)，而減少功率的出清量為7.1 MW·h，邊際價格為0.48元/(kW·h)。但在下午15點時，為用戶的用電高峰時期，其出清方案受線路約束影響，在集中出清過程中，相關量價信息優化結果為：增加功率的出清量為12 MW·h，邊際價格為0.38元/(kW·h)，而減少功率的出清量為11.2 MW·h，邊際價格為0.45元/(kW·h)。這是由于部分節點增加功率與負荷需求，將導致網絡阻塞，而減少功率輸出和負荷需求則不會導致網絡阻塞，所以計算結果中減少功率的輸出量未受到影響。

2)用電成本。

本部分主要分析兩種不同情況的各類用電成本差異，其出清成本均詳細列于表1中。

表1 不同模型下的出清結果Table 1 The results of cost for different models (￥10k )

用電成本分析主要包含兩方面：

第一方面，系統層面的總成本。不同模型下，發電機的啟停相似度高，因此啟停成本在不同模型下偏差僅510元。兩種模型下，各時段負荷差異并不大，其總調度成本分別為1 860.11萬元和1 866.10萬元。其差異主要體現在源荷雙邊市場引起的促生產行為。因此，兩種模型優化獲得的機組出力曲線在大趨勢層面具有一致性。以發電機組1—10機群為例，發電機組1—4,6,9在日內運行階段的出力變化波動較小，其偏差量均未超過5%。但由于受到源荷雙邊市場出清的連鎖反應，部分發電機組將改變其出力曲線，以保證系統提供的功率效果更優。

第二方面，用戶的單位用電成本。整個系統的單位用電成本可通過調度總成本反映。雖然調度總成本有所提升，但由于富余新能源的消納，使得整個系統的度電成本仍呈現下降趨勢。在源荷雙邊出清結果中，對比分析了不同荷側參與出清后的邊際用電價格情況。經過對比分析，參與源荷雙邊的大工業用戶，其用電成本均顯著下降，節點20,29,57,66,101,104的用戶單位用電成本較不參與源荷雙邊市場分別下降了0.000 8，0.008，0.015，0.012，0.035，0.030元/(kW·h)。由于節點20處的大工業用戶報價相對較高，在源荷交易過程中，出清的時間較少，其對用電成本的減少效果并不顯著。而節點101和104處的大工業用戶，調節報價相對較低，能夠順利出清，從而有效減少了用電成本。

此外，發電側有償調節成本和需求響應成本均呈現減小的趨勢。上述情況的出現，是由于通過源荷之間的協調，即可實現促進新能源消納的效果，減少了對備用資源消納新能源的依賴。通過計算兩種模型，在不考慮源荷雙邊交易模式下，發電側的單日棄風棄光總量為423.25 MW·h。在源荷雙邊交易模式下，計算得到的棄風、棄光量減小至289.75 MW·h。通過結果可見，通過源荷雙邊市場模式的設計，顯著減少了棄風、棄光，促進了大工業用戶的生產，降低了其平均度電成本。

3)機組組合結果。

兩種模型下，發電機的機組組合優化結果分別如圖6(a)和圖6(b)所示。從圖中的機組啟停方案可以看出，模型1和模型2得到的機組組合方案大體相同。模型1和模型2獲得的機組組合結果在絕大部分機組的運行啟停狀態保持一致，如機組4，7，9，10，13，14的運行方案均為24 h保持運行狀態。然而，由于受到源荷雙向交易市場協議的影響，源荷交易引發的能量調整對發電機機組啟停狀態產生了一些影響。針對部分機組，如機組5，其發電市場從模型1的保持20 h開機調整為模型2的保持24 h開機。這是由于源荷交易市場進行的能量跨時空交換，改變了最優解，從而使得求解得到的機組組合方案進行了調整。

圖6 不同出清方式的機組組合結果Fig.6 The unit commitment results for different cases

4.2.2算法求解效果

為證明本文所提改進算法的效果，算例從兩個角度展開分析：

1)結果的準確性。將采用啟發式分解后模型的求解結果與不采用分解方法求得的結果進行對比，兩個方案求解獲得的系統運行成本偏差量，即目標函數偏差為0.85%，而發電機組組合結果的相似度為99.1%，均在誤差允許范圍內。由此證明了本文所提的分解方法獲得解的準確性。

2)改進前后的收斂效果如圖7所示。基于測試系統測算IEEE 118節點系統，分析本文所提啟發式改進后的漸進式對沖分解算法的求解效果。經過“固定-篩選-松弛”模式后的漸進式對沖分解算法在第113次成功收斂。其中，進行了5次“松弛”。而傳統不采用啟發式改進的漸進式對沖分解算法在經過200次迭代后仍然無法收斂。不同算法求解效果如表2所示，采用啟發式方法經過“固定”0-1變量后，其單一場景的求解平均速度提升了13.8 s。結果表明，本文所提的啟發式漸進式對沖分解算法在求解能量與備用聯合優化模型過程中，具有更好的求解性能。

圖7 改進前后的收斂效果Fig.7 The convergence of different algorithms

表2 不同算法的求解效果Table 2 The solution of different algorithms

5 結 論

本文設計了源荷雙邊參與的交易模式，提出了計及源荷雙邊交易的日前能量與備用市場聯合出清模型，并采用改進的漸進式對沖分解算法對模型進行求解，通過算例結果分析，可得出如下結論：

1)引入源荷雙邊交易的市場機制，可以有效促進新能源的消納，減小棄風棄光量。

2)采用漸進式對沖算法可以提高模型的求解速率，同時改進的漸進式對沖算法也可以保證求解有效收斂。

基于已完成的含源荷雙邊交易的日前能量與備用市場的聯合優化模型，未來將探索不同類型備用服務與能量市場耦合的機制，更細致劃分不同類型的備用服務，以促進電力市場的建設。