可再生能源年度合同電量優化分解及滾動修正算法

何 蕾 ，包 鐵 ，劉 闖 ，劉凌杰 ，呂醒強

（1.國網電力科學研究院，南京 210000；2.北京科東電力控制系統有限公司，北京 100192；3.同濟大學電信學院電氣系，上海 201804）

隨著我國以實現“碳達峰”及“碳中和”為目的“新型電力系統”建設的快速推進和執行，新能源裝機并網容量必定越來越大。為回避市場電價的波動所帶來的經濟損失風險，這些新能源電廠的大量電量大多會以長期合同的方式實現其有效消納。而可再生能源固有的波動性及出力的不可控性（雖可采取聯合儲能電站及通過購買輔助服務實現其波動性幅度的降低，但其整體的波動性仍無法完全克服），又成為大量消納的天然障礙。相應地，對于電力公司調度中心而言，如何使得可再生能源得到充分消納的同時，盡量減少棄風量和棄光量，又使得年度電量合同得到充分執行，必將成為亟待解決的一個難點問題。

目前，對于長期電量合同分解的相關文獻，大致可以分解為2大類：常規機組合同電量的分解和計及可再生能源電廠的合同電量的分解。

（1）常規機組年度電量的分解。文獻[1]以火電機組進度系數偏差最小構建了年度電量分解的二次規劃模型；文獻[2]提出了一種考慮年度計劃完成率偏差、機組啟停成本和計劃負荷率偏差均最小的多目標年度電量分解到月電量的優化分解模型；文獻[3]將各機組年度合同電量按照各月份負荷總需求相對大小進行分解所得到的月電量分解方案作為理想分解方案，建立了機組在每月的平均負荷率與理想方案下的平均負荷率偏差最小的月電量分解優化模型。上述文獻均僅考慮了常規電廠內部機組的年度合同電量分解，未考慮多電廠之間的年度電量協同分解和配合，使得基于其分解方法所得到的分解結果對于電網總體年度電量分解上往往并非最優，也無法保證實際所執行的電量在合同執行期末接近或等于合同電量。

（2）計及可再生能源接入影響的機組合同電量分解。文獻[4]基于周電量預測值，構建了火、風、光機組檢修成本最小，棄風棄光電量最少以及火電廠電量完成進度偏差最小的多目標優化分解模型，而得到最優機組檢修安排方案和常規機組周電量分解方案；文獻[5]提出了基于風電接入下時序漸進滾動調度修正框架體系（包括年計劃、月計劃、日計劃以及實時調度計劃）的長期（年度）合同電量最優分解方法；文獻[6]建立了機組合同進度偏差量和機組每日啟停費用最小的火電、水電長期合同協同分解到日的滾動修正優化模型；文獻[7]提出了計及機組合同電價、運行條件和網絡阻塞管理的合同電量分解到競價電量的動態規劃優化分解模型及求解策略；文獻[8]提出了核電、水電、燃氣和燃煤機組的所有合同電量協同分解到各自出力的協同優化分解模型和算法；文獻[9-15]研究和討論了在電力市場環境下風電參與電力交易的合理消納策略；文獻[16]在計及棄風成本的條件下，采用基于數據驅動的分布魯棒優化方法及隨機優化方法，獲得常規機組月度電量到日電量的最優分解方案；文獻[17]計及風電出力不確定性對交易合同完成進度的影響，針對日合同電量分解遇到不可執行時，提出了一種協調迭代優化策略來消除越限電量。上述模型均是以風、光電站出力100%消納或盡可能消納為前提，在沒有考慮合同電量的情況下實現常規機組長期合同的合理分解。

綜上所述，目前可再生能源長期合同電量的分解迄今鮮見相關文獻報道，大多采用100%消納原則或盡可能消納原則。當可再生能源出力相對較少時，其做法是可行的；若可再生能源出力越來越大，甚至超過常規機組出力時，目前100%消納的做法既不科學，實際上又無法實現，必然通過年度合同的方式實現其消納。基于此，本文構建了年度合同電量分解到月的優化求解新模型。當新能源電站出力無法實現100%消納，但其總體電量相對于常規機組仍較小時，本文構建了常規機組電量分解已完成情況下風電與光伏年度合同電量分解到月的協同優化滾動模型；當新能源電站出力較大時，提出了新能源電站和常規機組年度電量分解到月的協同優化滾動模型。最后通過算例證明了模型的正確性和有效性。

1 風、光電站年度合同電量協同分解到月電量的優化新模型及求解算法

1.1 協同優化分解模型

若可再生能源裝機容量相對于所有常規機組裝機容量小得多，則其分解對于常規機組年度電量的分解影響很小。在這種情況下，對于可再生能源所簽訂的長期合同的分解，可認為常規機組年度合同的分解已相應完成，只需考慮其自身的協同，從而實現電量合理分解和消納。本文提出了在上述情況下可再生能源電站年度電量分解方法，其基本思想是，根據每月負荷預測值及氣象條件等信息，使得如下條件得到滿足：①在每月負荷得到滿足的同時，每月的棄風棄光量盡可能小；②計及每月不同氣象條件對于年度電量分解結果的影響；③年末時各個風力電站或光伏電站的合同完成度盡可能保持一致。需要指出的是，由于可再生能源地理位置及一次能源（風、光）本身固有的不同，不能尋求其月度合同完成進度的一致性。

基于此，本文提出了在常規機組月電量分解已完成情況下，風力電站r的年度合同電量及光伏電站x的年度電量分解到月的新模型。根據未來一年的電網負荷預測及新能源電站風力、光伏預測電量，以新能源電站合同完成偏差、每月棄風棄光率和風電及光伏電站年末合同完成度偏差最小為目標函數，以新能源發電量上下限約束和電量平衡約束等為約束，構建新能源年度電量分解到月電量的協同優化分解模型。具體模型如下。

1）目標函數

新能源年度合同電量分解到月電量應使得新能源電站合同完成量偏差、棄風棄光率和年末合同完成率偏差均最小。設有R個風力電站和X個光伏電站，則優化模型目標函數為

1.2 滾動修正及求解過程

由于每月的風電、光伏、負荷實際值與預測值之間存在偏差，且新能源電站每月實際完成電量與計劃完成合同電量之間也存在偏差，因此有必要在每月結束后對年內剩余月份的新能源電站的合同電量完成計劃進行滾動修正，重新安排風力和光伏電站在最新風光及負荷預測及上一月完成電量偏差情況下的發電計劃。具體修正步驟如下。

上述滾動修正求解流程如圖1所示。

圖1 單純的風電、光伏電站年度電量分解流程Fig.1 Flow chart of annual power decomposition of wind and photovoltaic power stations

2 火電廠和新能源電站的年度合同電量協同分解到月的新模型及求解算法

第1節給出了在火電機組的月度電量已經分解完成情況下，單獨實現可再生能源年度電量到月度電量的協同分解優化模型及求解算法。本節進一步給出在可再生能源合同電量比較大，其電量分解方案可影響常規機組年度合同電量分解情況下的分解模型及求解算法。

2.1 協同優化分解模型

若可再生能源合同年度電量占比較大，此時其分解方案應與常規機組年度合同電量的分解同時進行，通過協同優化分解的策略，實現總體年度合同電量分解方案的最優。根據電網未來一年負荷預測及新能源電站風力（光伏）預測電量，本文提出如下的協同分解思路，考慮以下5個方面的目的及約束：①各常規機組的年度合同完成進度盡可能一致；②計及機組檢修計劃對于月度電量分解的影響；③優先利用可再生能源；④年末時所有類型機組的完成電量與簽訂的年度合同偏差量盡可能小；⑤同類型可再生能源電站的年度合同完成率應盡可能一致。從而實現可再生能源電站及常規機組電站年度合同電量的最優分解。相應地，構建了可再生能源電站和常規組年度電量分解到月度的協同分解優化新模型，其目標函數為常規機組及新能源電站合同完成量偏差、火電機組進度偏差、同類型可再生能源年末時合同完成率偏差和棄風棄光率的綜合最小。

2.2 滾動修正及求解過程

由于每月的風電、光伏、負荷實際值與預測值之間存在偏差，且常規機組、新能源電站每月實際完成電量與計劃完成合同電量也存在偏差，同樣需要在每月結束后對剩余月份的常規機組、新能源電站的月合同電量計劃進行滾動修正，得到令式（5）最小的最新年度合同分解更新結果。具體步驟如下。

上述滾動修正求解流程如圖2所示。

圖2 常規機組和可再生能源電站年度合同協同分解到月度電量流程Fig.2 Flow chart of annual contract cooperative decomposition of conventional units and renewable energy power stations into monthly ones

3 算例分析

本文算例的編程語言為MATLAB R2017b，求解器版本為GUROBI9.0.0。

3.1 單純的風力與光伏電站年度合同電量協同優化分解模型及算法有效性驗證

當風力及光伏電站的出力比例相對于常規機組較小，其所簽年度電量的分解不會對于常規機組電量的分解有所影響，此時只需實現其自身的最優分解即可。為了驗證相應模型的有效性，本文使用的數據來源為IEEE Three Area RTS-GMLC 73節點系統（以下簡稱“原系統”）（https：//github.com/Grid?Mod/RTS-GMLC）。設某個系統（以下稱“研究系統”）中共有3個風力電站和3個光伏電站及常規機組。3個風力電站的參數來自原系統節點，編號分別為309、317、303，其年度合同電量分別為11 500、7 500、6 850 MW·h，容量分別為148.3、84.7、80.0 MW；3個光伏電站的原系統節點編號分別為320、313、319，年度合同電量分別為3 900、6 680、15 000 MW·h，容量分別為51.6、95.1、188.2 MW；常規機組的月度合同電量如表1所示。

表1 常規機組的月度合同電量Tab.1 Monthly contract power of conventional units

研究系統的全年每月負荷預測電量使用原系統Area 1地區年前預測數據，如圖3所示。

圖3 全年每月負荷預測電量Fig.3 Monthly load forecasting power in one year

采用本文所提協同優化分解模型對該算例系統進行計算，其中令c1=10，c2=4，c3=50，得到的月度電量結果與目前電力公司所用的100%消納法作對比。其中100%消納法是指各風電場和光伏電站按可接納的最大電量發電，實際上是無需簽訂長期合同。為了使2種方法具有可比性，本文讓100%消納法也簽署與本文一樣的年度合同電量。由于本文研究的是風、光大量并網之后的可再生能源年度合同的分解，此時可再生能源因已無法實現100%的接納，不可避免地會出現不同程度的棄風和棄光。

圖4和圖5分別給出了2種方法的每月月末的1號風力電站9月份和1號光伏電站10月份的月度合同電量。圖6和圖7分別給出了使用本文方法及對比方法的各風力電站及光伏電站的年度合同電量完成度12個月的滾動修正結果。

圖4 2種方法下1號風力電站每月給出的9月份的月度合同電量Fig.4 Monthly contract power in September for No.1 wind power station at the end of each month obtained using two methods

圖5 2種方法下1號光伏電站每月給出的10月份的月度合同電量Fig.5 Monthly contract power in October for No.1 photovoltaic power station at the end of each month obtained using two methods

圖6 2種方法的風力電站年度合同電量完成度滾動修正結果對比Fig.6 Comparison between rolling correction results of annual contract power completion ratio of all wind power stations obtained using two methods

圖7 2種方法的光伏電站年度合同電量完成度滾動修正結果對比Fig.7 Comparison between rolling correction results of annual contract power completion ratio of all photovoltaic power stations obtained using two methods

從圖4和圖5可以看出，隨著滾動修正過程，相應月份電量得到了更符合實際的修正，同時也使得年末電量盡可能地接近于合同電量。而對比方法雖實現了可再生能源的盡量消納，但其無法保證年末合同執行電量接近于合同電量。

從圖6和圖7可以看出，光伏電站1、2、3年度合同完成度曲線是重合的；采用本文方法進行年度合同電量分解所得到的3個風（光）電站的年度合同完成度基本一致，分別是0.93和0.88；而對比方法的3個風力電站及3個光伏電站的年末時年度合同完成度差距越來越大，分別是1.02、0.81、0.79和0.77、0.79、0.99，年末合同完成率與平均完成率偏差為0.15、0.06、0.08和0.08、0.06、0.14。導致上述結果的原因是：由于對比組模型每月電量按該月預測值占所有風（光）電站預測值之和的比例進行分解，在風（光）電站預測值變化趨勢相同時，各風（光）電站預計完成年度合同占簽訂合同的比例也是接近的；在這種情況下，本文優化模型和對比組模型相比，雖有優勢，但不明顯；當每個月風、光電站的預測值變化趨勢不同時，采用滾動修正及優化策略，相應的年度合同偏差及各風（光）電站合同完成進度偏差得到了最大程度減小，使其一致性越來越好，而對比組模型仍按電量預測值按比例進行分配電量，故其風（光）電站合同完成進度的一致性及合同完成進度偏差均較大。

風力電站及光伏電站年度平均棄風率滾動修正結果如圖8和圖9所示。

圖8 2種方法的風力電站年度平均棄風率滾動修正對比結果Fig.8 Comparison between rolling correction results of annual average wind curtailment rate of wind power stations obtained using two methods

圖9 2種方法的光伏電站年度平均棄光率滾動修正結果Fig.9 Rolling correction results of annual average photovoltaic curtailment rate of photovoltaic power stations obtained using two methods

由圖8和圖9可以看出，對比方法的3個風電站及3個光伏電站的年度平均棄風率和棄光率均是一樣的，在年末時均為0.40；本文模型得到的3個風電場在年末時年度平均棄風率為0.33、0.16、0.17，3個光伏電站在年末時年度平均棄光率為0.27、0.29、0.43；除了光伏電站3的年末年度平均棄風率大于對比組外，其余均遠小于對比組。對比組年度平均棄風棄光率相同，是由于其是按照相應月的風、光電站的預測電量的比例分配，相應地風電站之間及光伏電站之間的棄風率和棄光率自然是一致的。本文模型得到的年度平均棄風率、棄光率比對比組低，是由于本文模型將棄風棄光率最小作為優化目標之一，根據最新的信息進行協同優化而得到最優的分解結果，其年度平均棄風率和年度平均棄光率相應比未采取優化技術的對比方法的要小得多。

綜上所述，本文模型所得到的可再生能源年度合同完成度接近100%，且同類型電站均一致；3個風電場的年度平均棄風率的均值為22%，相較于對比模型的40%降低了18%；3個光伏電站的年度平均棄光率的均值為33%，相較于對比模型的40%降低了7%。因此，本文模型在降低棄風棄光率且提高合同完成公平性等指標方面，相較于對比模型具有明顯的優越性。

3.2 常規機組與風力、光伏電站年度合同電量協同優化分解模型及算法有效性驗證

當風力、光伏電站的出力較大，其年度合同的分解需與常規機組的年度合同電量一塊進行協同分解。為了驗證本文模型的有效性，本文分別應用本文模型及對比模型（文獻[5]所提模型，采用在風電出力盡可能（或100%）接納前提下火電機組之間的年度合同的協同分解方法）；對于某一系統的可再生能源年度電量及常規機組的年度電量進行了分解計算。該系統共有3個風電場，3個光伏電站及3個火電廠，每個火電廠只有一臺火電機組。3個風力電站和3個光伏電站的容量、合同電量及全年預測值和實際值仍與第3.1節的相同；3個常規機組（火電機組）的年度合同電量，檢修計劃及日最大、最小發電量如2表所示。

表2 常規機組參數Tab.2 Parameters of conventional units

年度負荷需求曲線是第3.1節年度負荷需求曲線的 0.19倍；系數c1,c2,c3,c4分別為 10，50，50，2。由于文獻[5]的每月可再生能源合同量是根據年初預測值直接給定的，并采用100%消納策略，為了使2種方法具有可比性，即可再生能源年度合同電量和常規機組合同電量一樣的前提下，比較其年度合同分解的不同，本文將協同優化分解模型得到的年末光伏、風電每月合同電量作為文獻[5]方法給定的新能源每月合同電量，相應其常規機組的年度合同電量也是一樣的。在此基礎上分析比較2種方法對于常規機組年度合同的不同分解結果。

圖10給出了本文模型滾動修正10次后1號風電場、3號光伏電站及2號常規電站10月份的月度合同電量。

圖10 本文算法的風、光電站與火電機組10月份月度合同電量滾動修正結果Fig.10 Rolling correction results of monthly contract power of wind and photovoltaic power stations and thermal power units in October obtained using the proposed method

圖11和圖12給出了基于本文模型所得到的風電站、光伏電站年度合同完成度滾動修正結果，圖中3條曲線是重合的。圖13給出了本文模型及對比模型所得到的常規機組年度合同完成度對比結果，其中火電機組1、2、3年度合同完成度曲線是重合的。

圖11 本文方法的所有風電場年度合同電量完成度滾動修正結果Fig.11 Rolling correction results of annual contract power completion ratio of all wind power stations obtained using the proposed method

圖12 本文方法的所有光伏電站年度合同電量完成度滾動修正結果Fig.12 Rolling correction results of annual contract power completion ratio of all photovoltaic power stations obtained using the proposed method

圖13 2種方法的所有常規機組年度合同電量完成度滾動修正結果對比Fig.13 Comparison between rolling correction results of annual contract power completion ratio of all conventional units obtained using two methods

從圖11～圖13可以看到，在每一次滾動修正過程之后，本文模型所得到的各風電站和光伏電站，火電機組的年度合同完成度都在89%以上，且合同完成度偏差很小。3個火電機組在年末年度合同完成度分別為1.00、0.91、1.00，而對比模型的3個火電機組在年末年度合同完成度分別為0.99、0.93、1.06。本文模型所得到的常規機組年度合同電量完成度偏差為0，相較于對比模型的0.003、0.063、0.067要小得多。其原因是對比模型的常規機組年度合同的分解是在新能源電站年度合同電量分解之后進行，且是按各自月最大發電量的比例進行分配，在檢修月份及天數確定后，分配的比例是確定的，不隨滾動修正而改變，因此年度合同完成度的偏差無法隨滾動修正變小，相應地其年度完成度偏差自然就比本文模型的大得多。

圖14和圖15分別給出了本文模型的風電站、光伏電站年度平均棄風率、棄光率結果。圖16給出了本文模型及對比模型所得到的常規機組年度合同完成進度。從圖14和圖15可以看出，本文模型得到的各風電站年末時年度平均棄風率為0.12、0.16、0.17，各光伏電站年末時年度平均棄光率為0.31、0.37、0.32。從圖16可以看出，2 種方法的常規機組12月份年度合同完成進度對比結果中1—3月6條曲線都較為接近；本文模型的常規機組年末年度合同完成進度基本一致，4月份為完成進度偏差最大的月份，最大偏差為12.4%；對比模型完成進度的偏差在7—9月都大于20%，在9月份時達到最大，為21.3%。

圖14 本文算法的所有風電場年度平均棄風率滾動修正結果Fig.14 Rolling correction results of annual average wind curtailment rate of all wind power stations obtained using the proposed method

圖15 本文算法的所有光伏電站年度平均棄光率滾動修正結果Fig.15 Rolling correction results of annual average photovoltaic curtailment rate of all photovoltaic power stations obtained using the proposed method

圖16 2種方法的常規機組12月份年度合同完成進度對比結果（1—3月6條曲線都較為接近）Fig.16 Results of comparison between annual contract completion ratios of all conventional units in December obtained using two methods（six curves from January to March are closer）

綜上所述，本文模型所得到的各電站合同完成度接近100%，合同完成度偏差接近于0，明顯優于對比模型；本文模型得到的3個風電場的平均棄風率為15%，3個光伏電站的平均棄光率為33%；本文模型得到的常規機組的最大進度偏差相較于對比模型降低了8.9%。這些結果均證明了本文模型的有效性和先進性。

4 結語

本文構建了新能源年度合同電量分解到月電量的協同優化新模型及滾動修正求解策略。當新能源電站出力相對于常規機組出力還較小，但卻已無法實現其100%消納時，該新模型以常規機組年度合同分解到月已完成的條件下實現新能源電站之間的協同優化分解。當新能源電站出力占比較大時，該新模型實現各新能源電廠與常規機組之間的協同優化分解。采用滾動修正求解策略實現上述模型的求解。算例表明在新能源出力占比較小時，本文模型的合同完成偏差率能降低至0，棄風棄光率相較于對比模型降低了18%和7%；在新能源出力占比較大時，本文模型的合同完成偏差率同樣能降低至0，火電機組的合同完成進度最大偏差相較于對比模型降低了8.9%。算例結果有力地證明了本文模型及算法的正確性和有效性。

隨著“雙碳目標”的貫徹和推進，以風電及光伏發電為代表的可再生能源出力占比將越來越大，本文模型及算法為大量的可再生能源電廠長期合同電量的合理分解和執行提供了一定的理論支撐和借鑒意義。對于如何將其合同分解到更短的時段，并考慮可再生能源出力的不確定性，將另行討論。