計及優先級及電力平衡的新能源中長期交易電量分解方法

許彥平，黃越輝，李 湃，耿天翔，李 峰

（1.新能源與儲能運行控制國家重點實驗室（中國電力科學研究院有限公司），北京市 100192；2.國網寧夏電力有限公司，寧夏回族自治區銀川市 750001；3.國網寧夏電力有限公司電力科學研究院，寧夏回族自治區銀川市 750001）

0 引言

“30·60”雙碳目標要求中國大力發展可再生能源，推動能源清潔低碳轉型，未來中國新能源發電量占比將持續提高［1-2］，根據預測，2030年全國新能源發電量占比將達20%，2050年高達48%。高比例新能源大規模接入使得系統電力電量平衡難度加大，由于電力送出、調峰等原因造成的棄電將不可避免［3-4］。2020年6月，《電力中長期交易基本規則》［5］修訂出臺，進一步規范了各地電力中長期交易，各省電力中長期交易規模逐年增長，通過市場化交易措施促進新能源消納的需求日益明顯。據統計，2019年中國寧夏回族自治區新能源電力中長期直接交易電量約占其新能源發電量的80%以上。

現階段，中國開展的電力中長期交易仍以電量為主，具有實物合同屬性，需經“年度-月度-日”多時間尺度逐級分解到逐時段計劃曲線，然后由調度機構執行完成。目前，國內各電網主要基于“電量平衡、典型日電力校核”原則，采用平均分配、按照負荷比例或機組容量比例等方法完成分解［6-8］。然而，上述方法難以充分考慮新能源隨機波動性對系統運行以及功率平衡的影響，當新能源發電及交易規模發展到一定程度時，高比例新能源系統發生新能源棄電及電力不平衡將會導致分解結果難以與日調度計劃合理銜接，調度實施難度大［9-10］。

目前，大部分文獻針對傳統計劃調度模式，考慮機組運行能耗、負荷特性、檢修計劃等不確定性因素，開展滿足“三公調度”及個體差異化的電力系統計劃電量分解問題研究［11-12］；僅有少量文獻針對市場模式下的中長期交易電量分解問題開展了研究，文獻［13］在風電月度合同電量編制中計及風電預測誤差、波動特性和負荷跟隨特性等風電場運行特性指標，但沒有綜合考慮新能源與其他電源之間的協調優化，編制結果可能會超出電網消納能力，難以實現合同電量的有效分解。文獻［14-15］考慮中長期風電/光伏預測準確度不高的問題，建立了基于中長期風電/光伏電量預測的多能源合約電量分解模型。優化變量為各類機組發電量而非功率，由于新能源出力的不確定性，中長期時間尺度上僅考慮電量平衡約束，難以保證系統的電力平衡和安全運行。另外，在實際運行中，不同新能源場站參與中長期交易類型不同，執行的優先級不同，如中國西北省份調度機構在執行交易計劃時，需優先執行政府下達的基數電量計劃及跨省跨區外送電交易電量計劃［9］。因此，在電量分解過程中，應根據交易執行的優先級從高到低逐層分解，但目前尚未有文獻開展關于交易優先級的電量分解問題的研究。

鑒于此，本文將時序生產模擬方法［16-18］應用到交易電量分解中，提出了一種適應高比例新能源電力平衡需求的中長期交易電量分解方法。首先，從新能源長時間出力序列構建、月度交易電量初值分配、協調優化分解方法以及多場景模擬計算等方面提出中長期交易電量協調優化方案，解決新能源隨機波動性導致年交易計劃與日調度計劃之間難以銜接的問題。然后，進一步詳細介紹計及交易優先級的新能源中長期交易電量協調優化分解建模方法。以新能源消納最大以及交易電量完成偏差最小為目標，綜合考慮系統安全運行約束。引入以周為優化周期的反饋迭代機制，通過周迭代、月滾動的方式完成年度交易優化分解，保障分解結果的合理性和日調度層面的可執行性。最后，基于中國西北某省級電網的運行數據開展實例分析，并與傳統分解方法進行對比，結果驗證了模型的合理性和有效性。

1 新能源年度交易電量協調優化分解方法

1.1 方法框架

新能源年度交易電量分解到月是協調年度交易電量與日調度計劃之間的關鍵環節。新能源年度交易電量協調優化分解方法的整體流程如圖1所示。

圖1 所提方法的流程圖Fig.1 Flow chart of proposed method

首先，考慮到風電/光伏中長期時序出力曲線難以預測，基于區域風電/光伏出力波動和概率分布特征，構建符合實際運行的風電/光伏長時間出力序列。然后，考慮新能源與負荷之間月電量匹配性，將新能源年度交易電量粗分到各月，并作為新能源月度交易電量的優化初始值。再建立基于時序生產模擬的交易電量協調優化分解模型，并引入以周為周期的反饋迭代優化機制，通過周迭代、月滾動優化追蹤月度交易電量執行偏差，確保月度交易電量是通過逐日電力電量平衡優化得到的，保障分解結果的合理性和日調度層面的可執行性。最后，以構建多條風電/光伏出力曲線作為輸入進行多場景時序仿真模擬計算，并以收斂后的結果期望值作為最終結果，解決新能源的隨機性導致單次計算隨機性大的問題。

1.2 風電/光伏長時間出力序列構建

本文借鑒文獻［19-20］以波動過程表征風電出力的隨機性和波動性，采用自組織映射（selforganizing map，SOM）聚類算法對風電波動類別進行辨識。同時，考慮風電出力具有一定的季節性變化特征，按照各月風電出力波動特征將自然月分為高、中、低出力月3類。分別統計各類波動的概率特征及各類波動間轉移概率，并按月序貫抽樣風電波動類別與各統計參數，得到模擬風電出力時間序列。考慮光伏出力具有一定規律性又有很強的隨機性，將實際光伏出力分解為凈空出力和相對出力的乘積，建立了光伏出力基于凈空模型的確定性和基于天氣特征的不確定性分解模型?；诓煌鞖忸愋拖鹿夥隽Φ慕y計參數，通過序列抽樣生成模擬長時間光伏出力的時間序列［21-22］。

1.3 月度交易電量初值分配

基于新能源和負荷月電量的匹配性，考慮新能源理論電量和負荷電量在年內各月的分布情況，以各月新能源理論電量占比和負荷電量占比的均值作為分配比例，對新能源年度交易電量進行粗分，得到了各月新能源交易電量優化的初始值，并根據各月的執行情況按月進行滾動更新。若第1個月到第D-1個月已完成部分年度交易電量，那么第D個月新能源月度交易電量初值分配如下。

式中：QNE*(d)為第d個月的新能源理論電量，可通過逐時段累加新能源理論功率值得到；αNE(D)為第D個月的新能源理論電量占第D個月到第12個月新能源理論電量之和的比例；QL(d)為第d個月的負荷電量；αL(D)為第D個月的負荷電量占第D個月到第12個月負荷電量之和的比例；QNE，1R(D)為第D個月的新能源月度交易電量優化的初始值，其值不應超過第D個月的新能源理論電量；QNER表示新能源年度交易電量；QNER(d)表示新能源在第d個月已執行完成的交易電量。

1.4 基于時序模擬的年度交易電量協調優化分解方法

時序生產模擬方法通過逐時段模擬電力系統的中長期實際運行工況來保障系統全時段電力電量平衡，并可在各時間段添加約束條件確保系統運行的安全性，從而更精確地確定電網以及系統內各設備的運行方式?；诖?，本文提出基于時序模擬的年度交易電量協調優化分解方法，如圖2所示。

圖2 新能源交易電量逐月分解方法Fig.2 Monthly decomposition method of trading electricity for renewable energy

一方面，考慮以月或年為周期進行優化，優化周期長，難以尋到最優解，影響計算效率。同時，考慮到實際生產運行中常規機組以周為周期的啟停規律，因此，在月度電量優化和日電力平衡之間引入周電量優化作為過渡環節，并在各時間段設立系統安全運行約束。以月交易電量初始分配值作為待優化參量，以周為周期優化常規機組啟停狀態和新能源逐時段出力，將新能源周交易電量優化結果在月度交易電量初值中扣除，更新待優化參量，并進行下一周期優化；通過逐周滾動優化，建立月度交易電量與最新運行邊界之間的聯系，確保月度交易電量符合逐時段電力電量平衡，保障月交易計劃安全性以及在日調度層面的可執行性。另一方面，可將已完成月份交易電量在年度總交易電量中扣除，得到剩余交易電量，并以此作為總交易電量進行滾動優化，通過月與月之間滾動計算完成年度電量分解的逐月分解和執行，保障年度交易電量順利完成。

考慮到新能源場站參與年度交易的類型和優先級不同，在優化模型中引入表征不同交易優先級的優先等級因子，在保障系統新能源消納最大的同時，完成不同類型交易電量的分解，滿足新能源場站個性化交易需求。

1.5 多場景模擬計算

考慮新能源出力序列構造具有隨機性的問題，單次計算具有一定隨機性，因此構造多個新能源出力時間序列需進行多次時序仿真，并以年度新能源棄電率方差系數作為判斷計算結果的收斂依據。統計計算結果收斂所需的場景數Mes，然后以Mes個場景優化得到的新能源月度交易電量的平均值作為最終月度交易電量值，如式（4）—式（6）所示。

2 計及交易優先級的新能源中長期交易電量協調優化分解模型

2.1 目標函數

計及交易優先級的新能源中長期交易電量協調優化分解模型的目標函數由2個部分構成：第1部分為各交易電量完成的偏差量之和最小，保障了各交易電量順利完成，并且引入了優先等級因子和權系數來確定不同優先級交易的分解順序；第2部分為新能源發電量與理論電量之間的偏差最小，保證了新能源最大化消納。目標函數的具體表達式為：

2.2 約束條件

1）負荷平衡約束

2）常規機組/供熱機組出力約束

3）常規機組/供熱機組爬坡約束

4）機組啟停機運行狀態邏輯約束

式中：Xg(t)為第g臺火電機組在t時刻的運行狀態；Yg(t)和Zg(t)分別為第g臺火電機組在t時刻的啟動狀態和停機狀態，均為二進制變量。

對于Yg(t)，取值為0表示不在啟動狀態，為1表示正在啟動；對于Zg(t)，取值為0表示不在停機狀態，為1表示正在停機。式（13）為機組啟停和運行狀態的邏輯約束，其保證了在機組組合的過程中各狀態變量是符合邏輯的。

5）常規火電/供熱機組最小啟停機時間約束

其中，參數k由機組最小啟機或停機時間參數決定，其反映了最小啟機或停機的時間步長，此約束主要是考慮受到機組物理特性、機組能耗和運行成本的制約，機組不能頻繁啟停。

6）電網線路傳輸容量約束［23-24］

7）系統備用容量約束

式（16）—式（18）為系統安全運行約束，保障月交易電量在日調度層面的可執行性。

8）新能源交易電量約束

該約束條件可以保證風電/光伏在全部優化時段內的發電量與偏差電量之和等于交易電量所要求的最低發電量。同時，通過偏差量能夠將新能源交易電量約束變為優化模型中的軟約束，進而避免因為調峰或斷面限電造成無法達到保障電量時約束不可行的狀況發生。

9）新能源發電出力成分約束

上述模型為混合整數線性規劃問題，可調用Cplex求解器求解，通過逐周優化求解可以得到新能源月度交易電量分解結果。

3 算例分析

3.1 邊界條件

本文基于中國西北某省級電網開展實例分析。根據該省級電網新能源實際的送出受限斷面，將該電網分為6個區域電網，見附錄A圖A1。該電網電源裝機容量及負荷規模見表A1，電源以火電和新能源為主，其中，火電裝機容量為24.055 GW·h，新能源裝機容量為18.549 GW·h，新能源裝機容量占總電源裝機容量的44%。新能源場站參與的年度交易電量合計為26.404 TW·h，約占新能源理論電量的87%。其中，新能源基數電量為11.728 TW·h，外送交易電量為7.712 TW·h，省內交易電量約為6.964 TW·h。各分區內新能源場站參與的年度交易類型及交易電量如表A2所示。其中，新能源基數電量優先級最高，外送交易電量次之，省內交易電量優先級最低。本文算例中同一優先級下新能源交易類型僅為一種，權系數均設置為1，優先級等級因子如表A3所示?；谠撌v年風電/光伏歷史數據的新能源年度/月度出力曲線通過本文2.1節所述方法構建。

3.2 結果分析

3.2.1中長期交易電量優化分解結果

1）年度交易電量逐月分解結果

利用本文所述方法可以優化得到不同交易類型的新能源月度交易電量及新能源月度消納電量。新能源月度富余電量為新能源月度消納電量與新能源月度交易電量之差，見附錄B圖B1和圖B2。根據計算結果可知：該省級電網全年累計消納新能源電量為29.553 TW·h時，新能源利用率為97.21%；新能源月交易電量占新能源月度消納電量的比例為81%～99%，分解得到的新能源月交易電量均不超過電網消納能力，各月均存在新能源富余電量。

2）不同方法分解效果的對比及分析

本文將新能源月交易電量是否超過電網接納能力作為評判標準來對比不同方法的分解效果，而新能源富余電量是判斷月度交易電量是否超過電網接納能力的關鍵指標。其值為正值時，表示分解的新能源交易電量未超出電網接納能力；其值為負值時，表示分解的新能源交易電量已超過電網接納能力，交易電量將不能被有效執行。以2019年2月的月度交易電量分解到各周為例，本文方法和按負荷比例、按可發電量比例和平均分配方法的分解結果見附錄B圖B3?？梢钥闯?，采用按發電能力、負荷比例和平均分配的傳統分解方法得到的第1周和第2周分解電量均超過新能源實際可發電量，未考慮電網消納新能源水平，新能源富余電量為負值。而本文所提方法分解得到的周交易電量均小于消納電量，富余電量均大于0，證明本文方法分解的有效性。

考慮到中國各省級電網的電力市場進程不一致、新能源中長期交易電量水平不同以及未來高比例新能源發展趨勢，對比本文方法和傳統方法（按負荷比例、新能源可發電量和平均分配分解方法）在不同新能源發電和交易電量占比場景下的適用性。本文在分區1的風電裝機容量的基礎上新增9.01 GW和18.01 GW風電裝機容量，構造新能源發電場景1、場景2和場景3，如附錄B表B1所示。

基于上述新能源發電場景，考慮新能源交易電量占比分別為45%、65%和87%，對比本文方法和傳統方法的分解效果，以分解后第1周富余電量為比較項進行對比，結果如表1所示。

從表1中可以看出，當新能源發電占比和月度交易電量水平較低時，采用本文方法和傳統方法均可實現中長期電量的有效分解。但隨著新能源發電量占比提升，系統新能源棄電率增加，當新能源交易電量占比增加時，按負荷比例分解、按發電能力分解、平均分配分解等傳統方法將難以適應高比例新能源電力系統，富余電量出現負值。分解得到的新能源交易電量超過系統可消納的新能源電量，難以實現中長期交易電量的合理分配。而本文所提方法可以協調新能源與火電運行，在保障新能源最大化消納的同時，保證了電量分解的有效性和可執行性。

表1 新能源富余電量對比Table 1 Comparison of renewable energy surplus electricity

3.2.2協調優化分解算法的有效性分析

以分區1為例，設置不同初始電量分配場景4和場景5，見附錄B表B2。場景4中各月交易電量優化初值是根據1.3節月交易電量初值分配方法計算得到的；場景5為假設的極端場景，其中，2019年1月的交易電量優化初值為2.029 TW·h，2019年2月的交易電量優化初值為0，其余月度電量優化初值與場景4保持一致。

采用本文所述中長期電量協調優化方法，對上述場景年度交易電量進行優化分解，場景4和場景5的分解結果對比情況如圖3和表2所示。

圖3 不同初始分配電量場景下的優化分解結果Fig.3 Optimal decomposition results in different initial electricity distribution scenarios

表2 不同場景下的不同交易類型分解結果Table 2 Decomposition results of different trading types in different scenarios

場景4和場景5的各月交易分解結果及偏差量變化見圖3。從圖中可以看出，由于交易電量優化初值的差距，導致場景4和場景5在2019年1月至5月優化分解的月度電量存在偏差，但偏差量在逐月減少，總偏差量為0。2019年1月至2月新能源在不同優先級類型下交易分解的具體結果見表2。下面以場景5為例進行分析。在2019年1月，場景5首先完成了新能源場站基數電量的分配，同時考慮新能源消納空間，完成了部分外送交易電量的分解。在2019年2月，雖然場景5的交易電量優化初值為0，但在電量協調優化分解時考慮到1月完成交易電量與交易電量初值之間的執行偏差，可調整2月交易電量初值，并基于調整后的電量進行優化分解，實現偏差的滾動調整及消減。綜上，采用本文所提的考慮交易優先級和電力平衡約束的中長期電量協調優化分解方法，可以考慮到不同類型交易的優先級別，優先保障高優先級交易電量優先分解，并且可通過周迭代、月電量滾動優化計算有效跟蹤月度電量執行偏差，確保年度電量的合理分解，同時保障分解電量在日調度層面的可執行性。

3.2.3多場景模擬計算結果

根據1.2節風電/光伏月度出力曲線構建方法構建1 000條風電和光伏曲線，并以此作為輸入進行分析，結果如附錄B圖B4所示。從圖中可以看出，1 000次生產模擬中新能源棄電率最小為2.64%，最大為3.2%；模擬53次后，滿足收斂條件（β＜0.4%），此時棄電率的期望值約為2.95%。

統計53次月度交易電量分解結果，并計算各分區、各月、各類型交易電量分解結果的平均值?？紤]到多場景下不同分區、不同類型交易電量的數據較多，僅以分區1的月度總交易電量數據進行展示，如附錄B圖B5所示。以多場景下各類型交易的月度電量的平均值作為年度交易電量分解的最終結果可解決中長期新能源隨機性和難以預測導致單次計算隨機性大的問題，保障了月度交易分解結果的有效性和可執行性。

4 結語

考慮高比例新能源不確定性帶來的電力電量平衡的問題，針對中長期交易電量優化分解全時段模擬分析時涉及的關鍵點，本文從新能源長時間出力序列構建、協調優化分解和多場景模擬計算等方面開展了研究分析。以新能源消納最大以及不同交易電量完成偏差最小為目標，綜合考慮系統安全運行約束，建立計及考慮新能源交易優先級及電力平衡需求的新能源年度交易電量協調優化分解模型。最后基于中國西北某一省級電網進行實例分析，得出了以下結論。

1）所提方法適應未來高比例新能源滲透率下年度、月度電量優化分解，可以在保障新能源最大化消納的同時，實現不同中長期交易電量從年度到月度、月度到周的有效分解，同時計及新能源中長交易類型及優先級，滿足不同新能源場站個性化交易需求。

2）本文所提方法可通過周迭代、月度電量滾動協調優化有效跟蹤月度電量執行偏差，確保年度交易電量和日調度計劃的有效銜接，保障分解電量日調度層面的可執行性。

3）本文所提方法基于風電/光伏長時間出力序列構建方法，構建多場景仿真模擬計算，并用收斂后的各場景月度交易電量的平均值作為最終分解結果，可以有效解決新能源隨機性帶來單次計算結果不準確的問題，保證電量分解合理性。

目前，本文所提方法主要為電力市場過渡期下調度機構執行新能源中長期交易電量提供一種分解方法，在今后的研究中需根據中國市場化建設的程度，進一步梳理市場交易與電力調度之間的關系，并對本文所提方法在新市場環境下所遇到的實際應用問題展開探索。

附錄見本刊網絡版（http：//www.aeps-info.com/aeps/ch/index.aspx），掃英文摘要后二維碼可以閱讀網絡全文。