考慮源-荷不確定性及條件風(fēng)險(xiǎn)價(jià)值的電力系統(tǒng)優(yōu)化調(diào)度

劉可真，陳 明，代瑩皓，趙現(xiàn)平，趙慶麗

（1.昆明理工大學(xué) 電力工程學(xué)院，云南 昆明 650500；2.華能瀾滄江水電股份有限公司，云南 昆明 650214；3.云南電網(wǎng)有限責(zé)任公司 科數(shù)部，云南 昆明 650011；4.中國(guó)能源建設(shè)集團(tuán) 云南省電力設(shè)計(jì)院，云南 昆明 650051）

0 引言

為應(yīng)對(duì)氣候變化、加強(qiáng)能源安全，積極發(fā)展光伏、風(fēng)電等新能源，加快電力能源綠色低碳轉(zhuǎn)型是電力行業(yè)的必然選擇[1]，同時(shí)也是實(shí)現(xiàn)“雙碳”目標(biāo)的重要途徑[2]。

風(fēng)電、光伏等新能源發(fā)電具有隨機(jī)性、間歇性和波動(dòng)性，會(huì)對(duì)電力系統(tǒng)實(shí)時(shí)運(yùn)行的供需平衡產(chǎn)生較大影響，系統(tǒng)的穩(wěn)定運(yùn)行[3-5]。目前，需求響應(yīng)（Demand response，DR）被大范圍推廣，價(jià)格型的DR 受到電價(jià)、氣溫、消費(fèi)心理等多重因素的影響，其響應(yīng)數(shù)量及負(fù)荷轉(zhuǎn)移的目標(biāo)時(shí)段均具有一定的隨機(jī)性，這使得負(fù)荷側(cè)的功率預(yù)測(cè)存在一定的誤差[6]；另外，風(fēng)電和光伏的不確定性也會(huì)使負(fù)荷側(cè)存在不確定性。因此，在進(jìn)行含有風(fēng)電、光伏的電力系統(tǒng)優(yōu)化調(diào)度時(shí)，源-荷雙側(cè)不確定性問(wèn)題是新型電力系統(tǒng)調(diào)度時(shí)必須考慮的問(wèn)題[7]。

針對(duì)源-荷不確定性問(wèn)題，有專家學(xué)者開(kāi)展了相關(guān)研究。文獻(xiàn)[8]提出了一種考慮風(fēng)電出力不確定性及高耗能負(fù)荷購(gòu)電的含機(jī)會(huì)約束調(diào)度模型，將風(fēng)電出力特性滿足的概率密度分布函數(shù)與設(shè)定置信水平之間的關(guān)系化為確定性約束問(wèn)題進(jìn)行求解。文獻(xiàn)[9]考慮風(fēng)電機(jī)組功率預(yù)測(cè)的不確定性，建立了風(fēng)電機(jī)組、火電機(jī)組及儲(chǔ)能聯(lián)合運(yùn)行系統(tǒng)的含機(jī)會(huì)約束最優(yōu)經(jīng)濟(jì)優(yōu)化模型，在隨機(jī)模擬技術(shù)的基礎(chǔ)上對(duì)粒子群算法進(jìn)行改進(jìn)，進(jìn)而對(duì)模型求解。文獻(xiàn)[10]針對(duì)風(fēng)電、光伏預(yù)測(cè)誤差的隨機(jī)性，將系統(tǒng)備用約束設(shè)置為機(jī)會(huì)約束，將利用隨機(jī)采樣樣本的排序處理轉(zhuǎn)化為確定約束。文獻(xiàn)[11]建立了含風(fēng)-光-水-火-氣-儲(chǔ)多種能源形式互補(bǔ)的優(yōu)化調(diào)度模型，以機(jī)會(huì)約束形式表示了系統(tǒng)功率平衡及備用容量約束，利用隨機(jī)模擬技術(shù)對(duì)隨機(jī)變量大量抽樣，進(jìn)而用確定的混合整數(shù)約束替代機(jī)會(huì)約束，使模型易于求解。文獻(xiàn)[12]提出了一種針對(duì)含電、熱、氫等多類型儲(chǔ)能裝置的風(fēng)-光-氫綜合能源系統(tǒng)的最優(yōu)儲(chǔ)能調(diào)度模型，利用機(jī)會(huì)約束規(guī)劃理論進(jìn)行建模，表征了新能源和負(fù)荷側(cè)的不確定性對(duì)備用約束的影響。以上文獻(xiàn)在考慮源-荷不確定性方面取得了一定的成果，但在圍繞風(fēng)電和光伏參與電力系統(tǒng)優(yōu)化調(diào)度的研究中，未考量風(fēng)、光出力及負(fù)荷側(cè)功率不確定性給系統(tǒng)帶來(lái)的運(yùn)行風(fēng)險(xiǎn)。

考慮到源-荷不確定性帶來(lái)的運(yùn)行風(fēng)險(xiǎn)，文獻(xiàn)[13]建立了一種實(shí)時(shí)調(diào)度模型。該模型結(jié)合條件風(fēng)險(xiǎn)價(jià)值（Conditional value-at-risk，CVaR）風(fēng)險(xiǎn)評(píng)估模型，并且針對(duì)新能源的不確定性，使用簡(jiǎn)化的損失函數(shù)來(lái)平衡不同風(fēng)險(xiǎn)態(tài)度下的風(fēng)險(xiǎn)成本。文獻(xiàn)[14]為實(shí)現(xiàn)多微網(wǎng)系統(tǒng)經(jīng)濟(jì)效益與風(fēng)險(xiǎn)水平的協(xié)調(diào)，建立了基于條件風(fēng)險(xiǎn)價(jià)值的隨機(jī)規(guī)劃模型。文獻(xiàn)[15]考慮到電力系統(tǒng)的靈活性概率平衡特性，采用CVaR 的方法來(lái)度量靈活性不足給電力系統(tǒng)帶來(lái)的風(fēng)險(xiǎn)損失。為優(yōu)化有限的靈活性資源的分配，文中將CVaR 融入目標(biāo)函數(shù)中，并構(gòu)建了一個(gè)隨機(jī)優(yōu)化調(diào)度模型。該模型考慮到了靈活性的影響。文獻(xiàn)[16]為控制電力系統(tǒng)的運(yùn)行風(fēng)險(xiǎn)，引入了模糊C均值-聚類綜合質(zhì)量法對(duì)風(fēng)電和光伏發(fā)電的輸出進(jìn)行了聚類分析，并采用CVaR理論來(lái)加以控制。文獻(xiàn)[17]采用了分布魯棒風(fēng)險(xiǎn)條件價(jià)值框架來(lái)重新對(duì)具有不確定性和CVaR 形式的最優(yōu)調(diào)度模型進(jìn)行建模和求解。文獻(xiàn)[18]針對(duì)可再生能源系統(tǒng)和多個(gè)儲(chǔ)能系統(tǒng)比例較高的微型電網(wǎng)優(yōu)化調(diào)度問(wèn)題，提出了考慮經(jīng)濟(jì)性和環(huán)保性的2階段優(yōu)化調(diào)度模型，并使用CVaR 來(lái)衡量風(fēng)險(xiǎn)。上述文獻(xiàn)利用CVaR 理論有效量化了風(fēng)、光不確定性給系統(tǒng)運(yùn)行帶來(lái)的風(fēng)險(xiǎn)成本，但未考慮負(fù)荷側(cè)不確定性對(duì)系統(tǒng)造成的運(yùn)行風(fēng)險(xiǎn)。

針對(duì)上述問(wèn)題，本文建立了一種考慮源-荷不確定性及條件風(fēng)險(xiǎn)價(jià)值的電力系統(tǒng)調(diào)度優(yōu)化模型。針對(duì)風(fēng)、光出力和負(fù)荷的不確定性問(wèn)題，建立考慮源-荷不確定性的隨機(jī)優(yōu)化模型，對(duì)隨機(jī)參數(shù)給定置信水平，以便于描述不確定性，并用清晰等價(jià)處理的方法對(duì)模糊機(jī)會(huì)約束進(jìn)行轉(zhuǎn)換，保證原問(wèn)題的精確性。為提高隨機(jī)優(yōu)化模型的求解效率，采用Monte Carlo 模擬和K-means 聚類的方法對(duì)風(fēng)、光出力和負(fù)荷功率進(jìn)行大量的場(chǎng)景生成，在此基礎(chǔ)上對(duì)場(chǎng)景進(jìn)行分類，削減出典型的場(chǎng)景，并最大限度地保留對(duì)系統(tǒng)優(yōu)化有用的信息。為降低源-荷不確定性給系統(tǒng)帶來(lái)的風(fēng)險(xiǎn)成本，建立了計(jì)及模糊機(jī)會(huì)約束及CVaR 理論低碳調(diào)度模型。在模型中對(duì)不同置信水平下的系統(tǒng)運(yùn)行成本和不同厭惡系數(shù)下的CVaR 值進(jìn)行分析，以輔助調(diào)度決策者及時(shí)調(diào)整調(diào)度策略。另外，為降低系統(tǒng)運(yùn)行中的碳排放，提高系統(tǒng)對(duì)清潔能源的消納，模型中還考慮了階梯碳交易。為證明本文所提模型的有效性，進(jìn)行了算例分析，設(shè)置了3 種不同調(diào)度模式并進(jìn)行分析比較。

1 考慮源-荷不確定性的隨機(jī)優(yōu)化模型

1.1 機(jī)會(huì)約束規(guī)劃模型

機(jī)會(huì)約束主要用于解決含不確定性因素的最優(yōu)規(guī)劃問(wèn)題。在電力系統(tǒng)中，間歇性出力的風(fēng)、光機(jī)組以及負(fù)荷都具有隨機(jī)波動(dòng)性，因此針對(duì)系統(tǒng)的經(jīng)濟(jì)規(guī)劃問(wèn)題可采用機(jī)會(huì)約束來(lái)處理隨機(jī)參數(shù)。

對(duì)于一般優(yōu)化問(wèn)題，其各類約束條件均采用確定的表現(xiàn)形式，而機(jī)會(huì)約束對(duì)含有隨機(jī)參數(shù)的約束會(huì)給定其置信水平，以此描述隨機(jī)參數(shù)的不確定性。含有機(jī)會(huì)約束的優(yōu)化問(wèn)題可表現(xiàn)為如下形式：

式中：F(x,ψ)為優(yōu)化問(wèn)題的目標(biāo)函數(shù)；為當(dāng)F(x,ψ)在置信水平不小于?時(shí)的最小取值；x、ψ分別為確定性參數(shù)與隨機(jī)參數(shù)；Pr{·} 表示事件的置信水平，即發(fā)生概率；Hk(x)、Gj(x,ψ)分別為確定性約束與不確定性約束；?、ε為預(yù)先給定的置信水平；K、J分別為確定性約束集和不確定性約束集的總數(shù)。

1.2 模糊機(jī)會(huì)約束建立

傳統(tǒng)能源機(jī)組出力調(diào)度可控，因此在本文調(diào)度模型中，主要考慮風(fēng)、光機(jī)組以及負(fù)荷的預(yù)測(cè)值與實(shí)際值誤差；模糊優(yōu)化方法適用于信息缺失嚴(yán)重及不確定性的隨機(jī)優(yōu)化問(wèn)題，將間歇性出力的可再生能源及負(fù)荷用模糊參數(shù)表示。含模糊參數(shù)的功率平衡約束及備用容量約束表示如下：

式中：Cr{·} 為約束條件的置信度；、、分別為負(fù)荷、風(fēng)機(jī)、光伏在調(diào)度時(shí)段t的模糊參數(shù)；Pj,t為火電機(jī)組j的出力值，NG為火電機(jī)組數(shù)；Pcha,t、Pdis,t分別為儲(chǔ)能裝置在調(diào)度時(shí)段t的充放電功率。

上式中，負(fù)荷、風(fēng)機(jī)、光伏在調(diào)度時(shí)段t的模糊參數(shù)計(jì)算為：

式中：PL,t、PW,t、PV,t分別為負(fù)荷、風(fēng)機(jī)、光伏的實(shí)際出力值；ΔL,t、ΔW,t、ΔV,t分別為負(fù)荷、風(fēng)機(jī)、光伏的預(yù)測(cè)值與實(shí)際值誤差。

在對(duì)含有模糊參數(shù)的不確定性問(wèn)題進(jìn)行研究時(shí)，可利用三角隸屬度函數(shù)來(lái)刻畫模糊參數(shù)的模糊度，如圖1 所示。

圖1 三角隸屬度函數(shù)示意圖Fig.1 Diagram of triangular membership function

可將模糊參數(shù)表達(dá)為：

式中：為新能源及負(fù)荷的模糊參數(shù)；P1、P2、P3分別為新能源及負(fù)荷的三角隸屬參數(shù)；r1、r2、r3為三角隸屬度系數(shù)，一般可依據(jù)以往新能源出力值與負(fù)荷量獲取；Pf,t為在調(diào)度時(shí)段t新能源出力值與負(fù)荷量。

在實(shí)際運(yùn)行系統(tǒng)中，風(fēng)光及負(fù)荷的三角隸屬度系數(shù)由負(fù)荷的歷史數(shù)據(jù)確定；風(fēng)、光的三角隸屬度函數(shù)的取值規(guī)則為：若預(yù)測(cè)值大于優(yōu)化調(diào)度值，則預(yù)測(cè)值大于調(diào)度值部分的三角隸屬度系數(shù)，取值為0；反之，不改變?cè)`屬度參數(shù)。具體數(shù)學(xué)表達(dá)形式如下：

1.3 模糊機(jī)會(huì)約束的清晰等價(jià)轉(zhuǎn)換

由于上式為模糊機(jī)會(huì)約束，因此需要對(duì)其進(jìn)行清晰等價(jià)轉(zhuǎn)換。

目前對(duì)該類約束的處理方法主要有清晰等價(jià)類處理、隨機(jī)模擬技術(shù)處理2 種，前者適用于線性約束關(guān)系，即當(dāng)模糊參數(shù)與規(guī)劃問(wèn)題中的決策變量為線性時(shí)，可進(jìn)行清晰等價(jià)變換，再對(duì)原問(wèn)題進(jìn)行求解；后者主要采用數(shù)學(xué)模型來(lái)隨機(jī)模擬求解問(wèn)題，其求解結(jié)果無(wú)法保證原問(wèn)題的精確性。鑒于此，本文采用前者對(duì)機(jī)會(huì)約束進(jìn)行處理。

類比文獻(xiàn)[19]對(duì)模糊機(jī)會(huì)約束的清晰等價(jià)轉(zhuǎn)化方法，將形如Cr{g(x,ξ) ≤ 0}≥α機(jī)會(huì)約束轉(zhuǎn)化為清晰等價(jià)機(jī)會(huì)約束：

式中：hk1(x,t)、hk2(x,t)、hk3(x,t)為各決策變量三角隸屬度函數(shù)；rk1、rk2、rk3為各決策變量三角隸屬度系數(shù)；h0(x,t) 為g(x,ξ) 中不含模糊參數(shù)部分。

根據(jù)上式，得出功率平衡約束及備用容量約束的清晰等價(jià)類約束如下：

新能源出力以及負(fù)荷需求的預(yù)測(cè)誤差將帶來(lái)系統(tǒng)運(yùn)行成本增加以及無(wú)法穩(wěn)定運(yùn)行的風(fēng)險(xiǎn)，其具體表現(xiàn)形式為：當(dāng)新能源預(yù)測(cè)值高于實(shí)際出力值時(shí)，系統(tǒng)將增加價(jià)格更高的火電機(jī)組購(gòu)電量，此時(shí)也會(huì)增加系統(tǒng)碳排放成本；反之，當(dāng)新能源預(yù)測(cè)值低于實(shí)際出力值時(shí)，日前市場(chǎng)新能源的交易申報(bào)量較少，將帶來(lái)更多棄風(fēng)、棄光成本；負(fù)荷需求預(yù)測(cè)大于實(shí)際值時(shí)，會(huì)導(dǎo)致系統(tǒng)購(gòu)電成本增加；預(yù)測(cè)值小于實(shí)際值時(shí)，系統(tǒng)備用不足，將給系統(tǒng)安全運(yùn)行帶來(lái)威脅。

2 CVaR 理論

為降低新能源出力及負(fù)荷需求不確定性導(dǎo)致的系統(tǒng)運(yùn)行成本增長(zhǎng)風(fēng)險(xiǎn)，本文引入CVaR 理論對(duì)系統(tǒng)風(fēng)險(xiǎn)進(jìn)行管控。CVaR 理論是對(duì)VaR 風(fēng)險(xiǎn)計(jì)量技術(shù)進(jìn)行了進(jìn)一步改進(jìn)，克服了VaR 方法無(wú)法測(cè)量尾部損失的缺陷，CVaR 即風(fēng)險(xiǎn)產(chǎn)品在一定置信水平α下，超過(guò)VaR 值的平均損失值。因此，在置信水平α下，將此時(shí)運(yùn)行成本概率分布于（1-α）對(duì)應(yīng)風(fēng)險(xiǎn)成本值作為VaR 值，即可實(shí)現(xiàn)在α的概率下，系統(tǒng)運(yùn)行風(fēng)險(xiǎn)成本不會(huì)超過(guò)VaR。

根據(jù)文獻(xiàn)[20]，計(jì)算CVaR 的表達(dá)式為：

式中：CVaRα為置信水平α下的條件風(fēng)險(xiǎn)價(jià)值；x、y分別為損失成本函數(shù)f(x,y) 的決策變量與不確定變量；ρ(y)為不確定變量y的概率分布函數(shù)。

上式變換的等價(jià)表達(dá)式為：

式中：z為VaR 值；S為樣本總數(shù)；ys為y的第s(s=1,2,…,S)個(gè)樣本；ρs為樣本s概率值。

3 計(jì)及模糊機(jī)會(huì)約束及CVaR 理論的低碳調(diào)度模型

3.1 目標(biāo)函數(shù)構(gòu)建

考慮不確定性風(fēng)險(xiǎn)成本下系統(tǒng)總運(yùn)行成本最小，即：

式中：F為系統(tǒng)運(yùn)行總成本；SC為設(shè)置場(chǎng)景總數(shù)；scρ為場(chǎng)景sc的發(fā)生概率；δ為系統(tǒng)中的風(fēng)險(xiǎn)厭惡系數(shù)，其數(shù)值越大，則系統(tǒng)對(duì)風(fēng)險(xiǎn)厭惡度越高；CVaR為系統(tǒng)運(yùn)行VaR 值；ψsc為引入的輔助變量，表示運(yùn)行場(chǎng)景中風(fēng)險(xiǎn)值大于CVaR的值；fsc為場(chǎng)景sc的系統(tǒng)運(yùn)行成本；Csc,1、Csc,2、Csc,3分別為場(chǎng)景sc的火電機(jī)組、風(fēng)、光機(jī)組運(yùn)行成本以及系統(tǒng)碳排放成本。

1）火電機(jī)組運(yùn)行成本。

火電機(jī)組運(yùn)行成本主要考慮火電機(jī)組的煤耗成本、備用容量成本以及機(jī)組的開(kāi)機(jī)成本，表示如下：

式中：T、NG分別為調(diào)度總時(shí)段、火電機(jī)組的總數(shù)；aj、bj和cj分別對(duì)應(yīng)火電機(jī)組煤耗量系數(shù)；oc和or分別為電煤價(jià)格與備用容量報(bào)價(jià)；Psc,j,t和分別為在場(chǎng)景sc下火電機(jī)組在調(diào)度時(shí)段t出力值與備用容量；Sj,t為火電機(jī)組j的開(kāi)機(jī)成本；usc,j,t、usc,j,t-1分別為t及（t-1）時(shí)段火電機(jī)組的啟停狀態(tài)變量。

2）風(fēng)、光機(jī)組運(yùn)行成本。

風(fēng)、光機(jī)組的運(yùn)行成本主要考慮棄風(fēng)、棄光成本，表示如下：

式中：、Psc,W,t分別為在場(chǎng)景sc下風(fēng)電機(jī)組出力的模糊表達(dá)式以及實(shí)際調(diào)度值；、Psc,V,t分別為在場(chǎng)景sc下光伏機(jī)組出力的模糊表達(dá)式以及實(shí)際調(diào)度值。

根據(jù)公式（8），可將風(fēng)、電機(jī)組運(yùn)行成本模糊表達(dá)式轉(zhuǎn)化為如下形式：

3）階梯式碳排放成本。

將碳排放量按大小分為不同區(qū)間，當(dāng)碳排放量位于較小區(qū)間時(shí)，其碳排價(jià)格相對(duì)較低；反之，位于較大區(qū)間的碳排量則對(duì)應(yīng)更高的碳排價(jià)格。具體表示如下：

式中：ML,t為系統(tǒng)總的碳排放配額；MP,t為一個(gè)周期內(nèi)系統(tǒng)碳排放總量；?為碳排價(jià)格；d為碳排放量區(qū)間長(zhǎng)度；τ碳排價(jià)格增長(zhǎng)率。

ML,t、MP,t表達(dá)式如下：

式中：TΔ 為單位調(diào)度周期；jε為單位電量CO2排放分配系數(shù)；jλ為火電機(jī)組j的碳排放強(qiáng)度系數(shù)。

3.2 約束條件

1）功率平衡約束。

2）新能源出力約束。

式中：PW,max為風(fēng)電出力上限；PV,max為光伏出力上限；Psc,L,t為場(chǎng)景sc下調(diào)度時(shí)段t系統(tǒng)總負(fù)荷量；為場(chǎng)景sc下調(diào)度時(shí)段t火電機(jī)組出力下限值。

3）CVaR 約束。

4）火電機(jī)組約束。

①火電機(jī)組出力約束。

②火電機(jī)組爬坡約束。

式中：ru,j、rd,j分別為火電機(jī)組j增減出力時(shí)的速率上下限。

③火電機(jī)組最小啟停時(shí)間約束。

（5）儲(chǔ)能約束。

式中：St為儲(chǔ)電量；θi為自損率；φsc,t、φsd,t分別為充電效率和放電效率；usc,t和usd,t分別為充放電狀態(tài)；St,min和St,max為容量上下限；Pcha,max為充電功率最大值；Pdis,max為放電功率最大值。

（6）旋轉(zhuǎn)備用約束。

4 算例分析

4.1 算例參數(shù)

某地區(qū)含有火電機(jī)組6 臺(tái)、風(fēng)電廠1 個(gè)（總?cè)萘繛?00 MW）、光伏電站1 個(gè)（總?cè)萘繛?0 MW）；另外，該地區(qū)還配備有儲(chǔ)能設(shè)備，容量為400 MW·h，最大充放電功率為100 MW，容量值為20%～90%，自放電率為0.01，充放電效率為95%。

在階梯式碳排放成本模型中：設(shè)定碳交易價(jià)格?=50 元/t，碳排放量區(qū)間長(zhǎng)度d=100t，碳交易價(jià)格的增長(zhǎng)幅度τ=25%；不確定變量的模糊參數(shù)系數(shù)見(jiàn)附錄A 中表A1；火電機(jī)組技術(shù)參數(shù)見(jiàn)附錄A 中表A2；風(fēng)、光出力及負(fù)荷功率參考值見(jiàn)附錄A 中表A3；運(yùn)用Monte Carlo 模擬[21]、K-means聚類方法[22]進(jìn)行新能源出力與負(fù)荷需求場(chǎng)景生成與削減結(jié)果分別如附錄A 中圖A1、A2、A3 所示，削減后綜合新能源出力與負(fù)荷需求的10個(gè)場(chǎng)景概率值如附錄A 中圖A4 所示。基于MATLAB 平臺(tái)，利用商業(yè)求解軟件CPLEX 對(duì)算例進(jìn)行優(yōu)化求解。

4.2 不同調(diào)度模式分析

為了驗(yàn)證本文考慮模糊機(jī)會(huì)約束以及條件風(fēng)險(xiǎn)價(jià)值調(diào)度模型有效性，構(gòu)建如下3 種調(diào)度模式進(jìn)行算例分析。

模式1：不考慮風(fēng)、光出力及負(fù)荷需求不確定性以及條件風(fēng)險(xiǎn)價(jià)值，采用確定的功率平衡約束，系統(tǒng)備用容量設(shè)置為火電機(jī)組總裝機(jī)容量的10%。

模式2：在模式1 的基礎(chǔ)上增加風(fēng)、光出力及負(fù)荷需求的模糊機(jī)會(huì)約束，其中，機(jī)會(huì)約束置信水平α取值為90%。

模式3：考慮模糊機(jī)會(huì)約束及條件風(fēng)險(xiǎn)價(jià)值的隨機(jī)優(yōu)化調(diào)度模型。

在傳統(tǒng)調(diào)度模式下，為避免風(fēng)、光及負(fù)荷預(yù)測(cè)值的隨機(jī)性波動(dòng)對(duì)系統(tǒng)運(yùn)行帶來(lái)干擾，系統(tǒng)備用容量水平較高。在表1 中，調(diào)度模型中加入機(jī)會(huì)約束之后，模式2 比模式1 的系統(tǒng)運(yùn)行成本減少了23.23 萬(wàn)元，風(fēng)、光消納率提高了23.57%，碳排放量減少了210.2 t，備用容量下降了857.2 MW。由此可見(jiàn)，本文所提的模糊機(jī)會(huì)約束調(diào)度模型能夠有效降低風(fēng)、光新能源及負(fù)荷側(cè)不確定性問(wèn)題對(duì)系統(tǒng)造成的影響，可提高系統(tǒng)運(yùn)行的低碳性，優(yōu)化系統(tǒng)備用容量水平。

表1 不同運(yùn)行模式系統(tǒng)運(yùn)行結(jié)果Tab.1 System operation results of different operating modes

與模式2 相比，模式3 下系統(tǒng)運(yùn)行成本降低了16.09%，風(fēng)、光消納率提高了9.64%，碳排量降低了10.54%，系統(tǒng)備用容量略有提升，提升了44.4 MW。模式3 引入條件風(fēng)險(xiǎn)價(jià)值后，增強(qiáng)了系統(tǒng)抗擾動(dòng)能力，提高了備用容量，進(jìn)一步降低了系統(tǒng)中不確定性因素造成的風(fēng)險(xiǎn)成本。總體來(lái)說(shuō)，本文考慮模糊機(jī)會(huì)約束以及條件風(fēng)險(xiǎn)價(jià)值的調(diào)度模型提高了系統(tǒng)運(yùn)行經(jīng)濟(jì)性，避免了傳統(tǒng)調(diào)度模式下高棄風(fēng)、棄光現(xiàn)象，有效減少了碳排量，符合我國(guó)新型電力系統(tǒng)建設(shè)向綠色低碳能源結(jié)構(gòu)轉(zhuǎn)型的發(fā)展要求。

圖2、圖3 分別進(jìn)行了3 種模式下光伏、風(fēng)電消納功率與預(yù)測(cè)值的對(duì)比。

從圖2 中可以看出，棄風(fēng)、棄光主要發(fā)生1:00—7:00、21:00—24:00 時(shí)段的負(fù)荷低谷時(shí)期。光伏棄電現(xiàn)象不明顯，主要是因?yàn)橄到y(tǒng)中光伏裝機(jī)容量不大。

從圖3 可明顯看出風(fēng)電的反調(diào)峰特性，主要表現(xiàn)為白天負(fù)荷需求大時(shí)，其出力水平不足，而夜間負(fù)荷需求較小時(shí)，其出力水平保持較高水平。觀察不同模式下系統(tǒng)對(duì)風(fēng)、光的消納量，可發(fā)現(xiàn)3種模式下預(yù)測(cè)量與消納量之差排序?yàn)椋耗Ｊ?＞模式2＞模式3，與表1 調(diào)度運(yùn)行結(jié)果一致。

模式3 條件下，各機(jī)組出力情況如圖4 所示；從圖中可以看出，機(jī)組的出力情況與負(fù)荷需求相匹配，系統(tǒng)中火電機(jī)組數(shù)量占各類機(jī)組的比例最大，風(fēng)、光機(jī)組的出力與預(yù)測(cè)曲線變化一致。

圖4 模式3 下各機(jī)組出力情況Fig.4 Output of each unit under mode 3

4.3 不同置信水平下系統(tǒng)備用容量及運(yùn)行成本分析

不同置信水平下系統(tǒng)備用容量如圖5 所示；由圖5 可知，隨著置信水平的增加，系統(tǒng)的備用容量也隨之增加。

圖5 不同置信水平下系統(tǒng)備用容量Fig.5 System standby capacity under different confidence levels

備用容量是為了防范系統(tǒng)中負(fù)荷短時(shí)提升或新能源機(jī)組出力減少而預(yù)留的安全儲(chǔ)備容量；從圖5 中可以看出，當(dāng)光伏機(jī)組與風(fēng)電機(jī)組同時(shí)出力時(shí)，系統(tǒng)備用容量隨置信水平提升更為明顯；可見(jiàn)，備用容量的大小受新能源滲透率影響較大。

置信水平的不同將改變系統(tǒng)對(duì)備用容量需求，這無(wú)疑將會(huì)給系統(tǒng)運(yùn)行成本帶來(lái)影響。系統(tǒng)運(yùn)行成本隨置信水平的改變?nèi)鐖D6 所示；從圖中可以看出，當(dāng)置信水平從50%提升至100%時(shí)，系統(tǒng)運(yùn)行成本提高了約75 萬(wàn)元；置信水平在50%～80%區(qū)間時(shí)，系統(tǒng)運(yùn)行成本增加速率緩慢；當(dāng)置信水平大于80%時(shí)，系統(tǒng)運(yùn)行成本增加速率劇烈；過(guò)高的置信水平無(wú)疑會(huì)使系統(tǒng)備用容量冗余，同時(shí)也不利于系統(tǒng)經(jīng)濟(jì)運(yùn)行，因此，在保證系統(tǒng)安全運(yùn)行的前提下，合理選擇置信水平值可降低系統(tǒng)運(yùn)行成本。

圖6 不同置信水平下系統(tǒng)運(yùn)行成本Fig.6 System operating costs under different confidence levels

4.4 不同風(fēng)險(xiǎn)厭惡系數(shù)下系統(tǒng)CVaR 值分析

為驗(yàn)證本文構(gòu)建模型對(duì)新能源出力以及負(fù)荷需求帶來(lái)風(fēng)險(xiǎn)成本的管控，設(shè)定系統(tǒng)置信水平為80%，在不同風(fēng)險(xiǎn)厭惡系數(shù)下系統(tǒng)運(yùn)行CVaR 值結(jié)果如圖7 所示。

圖7 不同場(chǎng)景、厭惡系數(shù)下系統(tǒng)運(yùn)行CVaR 值Fig.7 CVaR values of the system under different scenarios and aversion coefficients

因?yàn)橹眯潘皆O(shè)定為80%，因此將系統(tǒng)中2個(gè)場(chǎng)景（場(chǎng)景2、7）設(shè)置為運(yùn)行成本大于VaR 風(fēng)險(xiǎn)場(chǎng)景；從圖7 中可以看出，滿足置信水平場(chǎng)景的CVaR 值隨風(fēng)險(xiǎn)厭惡系數(shù)增加而增長(zhǎng)；風(fēng)險(xiǎn)厭惡系數(shù)越小，表示系統(tǒng)調(diào)度決策者對(duì)系統(tǒng)運(yùn)行風(fēng)險(xiǎn)厭惡程度越高，因此，在較小的風(fēng)險(xiǎn)厭惡系數(shù)下，調(diào)度決策者為盡可能減少系統(tǒng)風(fēng)險(xiǎn)成本，將采取更加保守的機(jī)組調(diào)度策略；可見(jiàn)，合理的風(fēng)險(xiǎn)厭惡系數(shù)有利于決策者做出更為合適的調(diào)度策略。

圖7 中，在δ=0.5 時(shí)，CVaR 值最小的場(chǎng)景5較CVaR 值最大場(chǎng)景7 時(shí)CVaR 值下降了約3 萬(wàn)元；這表明本文所提CVaR 方法有效降低了系統(tǒng)運(yùn)行風(fēng)險(xiǎn)，提高了調(diào)度決策者在面臨不確定性時(shí)決策的有效性。

4.5 碳交易價(jià)格對(duì)系統(tǒng)運(yùn)行影響分析

圖8、圖9 分別示出了不同置信水平、碳交易價(jià)格下系統(tǒng)碳排放成本情況與風(fēng)、光消納量。

圖8 不同置信水平、碳交易價(jià)格下系統(tǒng)碳排放成本Fig.8 System carbon emission costs under different confidence levels and carbon trading prices

圖9 不同置信水平、碳交易價(jià)格下系統(tǒng)風(fēng)、光消納量Fig.9 System wind and PV power consumption under different confidence levels and carbon trading prices

由圖8 可知，置信水平的提高以及碳交易價(jià)格的增長(zhǎng)均會(huì)導(dǎo)致系統(tǒng)碳排放成本的上升；當(dāng)置信水平為80%時(shí)，系統(tǒng)碳排放成本隨碳排放價(jià)格增長(zhǎng)而增加比較緩慢；當(dāng)置信水平為100%時(shí)，系統(tǒng)碳排放成本對(duì)碳交易價(jià)格的變化敏感性增強(qiáng)，并隨著碳排放價(jià)格上升增長(zhǎng)速率加快。由圖9 可知，當(dāng)置信水平處于較低水平時(shí)，系統(tǒng)風(fēng)、光出力的不確定性越強(qiáng)，碳排放價(jià)格增加可一定程度提升風(fēng)、光消納量，但提升量不明顯；當(dāng)系統(tǒng)置信水平較高時(shí)，碳排放價(jià)格的上升將更顯著提升系統(tǒng)新能源消納量；此時(shí)，系統(tǒng)應(yīng)對(duì)風(fēng)、光出力波動(dòng)抗干擾能力提升；盡管碳排放成本會(huì)增加系統(tǒng)運(yùn)行成本，但清潔能源利用率有效提升，這有利于推動(dòng)傳統(tǒng)高污染、高碳排放能源體系向低碳清潔能源結(jié)構(gòu)的轉(zhuǎn)型。

5 結(jié)論

在源-荷雙重不確定性的背景下，針對(duì)新型電力系統(tǒng)的低碳經(jīng)濟(jì)運(yùn)行，本文首先對(duì)風(fēng)、光出力及負(fù)荷需求不確定性建立了模糊機(jī)會(huì)約束，利用清晰等價(jià)類處理法將模糊參數(shù)約束轉(zhuǎn)化為清晰等價(jià)約束，再將難于求解的不確定性約束處理為易于求解線性約束；基于CVaR 理論，構(gòu)建了考慮系統(tǒng)不確定性風(fēng)險(xiǎn)成本的最優(yōu)調(diào)度模型，以降低不確定性所帶來(lái)的系統(tǒng)運(yùn)行風(fēng)險(xiǎn)；最后，對(duì)不同模式系統(tǒng)運(yùn)行結(jié)果、不同置信水平下系統(tǒng)備用容量及運(yùn)行成本、不同風(fēng)險(xiǎn)厭惡系數(shù)下系統(tǒng)CVaR值、不同碳排放價(jià)格對(duì)系統(tǒng)運(yùn)行影響進(jìn)行分析。通過(guò)算例分析，得出以下結(jié)論：

1）在所構(gòu)建的考慮源-荷不確定性隨機(jī)優(yōu)化模型中，引入了模糊機(jī)會(huì)約束，并利用三角隸屬度函數(shù)對(duì)模糊參數(shù)進(jìn)行刻畫，使模型的可靠性更高，保證了系統(tǒng)的安全可靠運(yùn)行，增強(qiáng)了系統(tǒng)抗擾能力，降低了源-荷不確定性給系統(tǒng)帶來(lái)的風(fēng)險(xiǎn)。

2）在所構(gòu)建的考慮模糊機(jī)會(huì)約束以及條件風(fēng)險(xiǎn)價(jià)值調(diào)度模型中，考慮了階梯碳交易成本和置信水平，有效減少了碳排量，提高了系統(tǒng)運(yùn)行的環(huán)保性，同時(shí)也有效降低了棄風(fēng)、棄光量，提高了風(fēng)、光的消納率。

3）采用CVaR 的方法，不僅有效降低了不確定性帶來(lái)的風(fēng)險(xiǎn)成本，而且能夠有效降低不確定性對(duì)調(diào)度決策者的影響，有利于決策者做出更為合適的調(diào)度策略。

展望：本文對(duì)風(fēng)光、負(fù)荷不確定性問(wèn)題做了整體研究，但關(guān)于三者內(nèi)部之間的相關(guān)性問(wèn)題缺乏研究；后續(xù)研究將關(guān)注風(fēng)光、負(fù)荷不確定性之間的相關(guān)性。