電力市場環境下考慮可再生能源保障性消納的電價風險評估

何潔，金駱松，趙雯，黃恒孜，李思穎，桑茂盛，丁一

（1.浙江電力交易中心有限公司，浙江省杭州市 310016；2.浙江大學電氣工程學院，浙江省杭州市 310027）

0 引言

自21世紀以來，全球氣候與環境條件對人類社會提出了巨大考驗，低碳化成為世界能源產業發展的必然趨勢[1-2]。當前，我國也正處于能源轉型的關鍵時期，習近平總書記關于“CO2排放力爭于2030年前達到峰值，努力爭取2060年前實現碳中和”的莊嚴承諾為新時代我國能源低碳轉型指明了方向[3]。低碳化趨勢和能源轉型目標的提出將促使高比例可再生能源接入電網，2020年風電、光伏等可再生能源發電量超過2.2萬億kWh，占全部發電量比重接近30%，預計到2025年可再生能源發電裝機占我國發電總裝機50%以上[4]。未來，以風電、光伏為主的可再生能源將逐漸成為我國主要的能源供應形式[5]。

與此同時，2015年3月《中共中央國務院關于進一步深化電力體制改革的若干意見》（中發[2015]9號文）發布以來[6]，我國新一輪電力體制改革開展迅猛。在9號文及相關配套文件的指導下，全國各省結合政策要求和自身實際情況穩步推進電力市場化建設，廣東、浙江等8個試點省份已建立省級電力市場，電力市場化改革成效顯著[7]。隨著電力市場建設的持續推進，市場在資源優化配置中的作用愈加明顯，通過市場化機制實現可再生能源優先或保障性消納，是我國電力市場建設的重要任務[8-9]。然而，以風電、光伏為代表的可再生能源發電在降低系統發電成本、減少碳排放的同時，其出力不確定性和間歇性的特點也可能會給電力市場運營帶來不可忽視的影響。

電力市場環境下的電價機制與傳統計劃體制下的電價機制存在很大差異，國際上采用的電價模型主要包括節點、區域和系統電價，其中美國PJM、ERCOT等電力市場以及我國試點省份大多采用節點邊際電價，因為其能夠反映電力供需和網絡阻塞信號，同時該模型也是其他電價模型的基礎[10]。為了保證可再生能源優先消納，在多數電力市場出清模型中，將可再生能源預測出力作為邊界條件進行出清計算。以廣東電力現貨市場規則為例[11]，為了保障可再生能源消納，在實時電力市場對日前可再生能源出力邊界進行調整。但是，可再生能源出力邊界條件的變化可能會使實時電力市場出清電價發生變化，導致電價波動劇烈[12]。因此，隨著可再生能源占比的逐漸增大，亟需重視由可再生能源出力不確定性造成的電力市場出清電價風險[13]。

當前，針對電力市場環境下的電價進行風險分析的研究工作已經開展較多。文獻[14]研究了考慮隨機故障影響的電價風險分析模型，并提出了期望節點電價等量化評估指標；文獻[15]提出了考慮應急備用的節點電價和節點可靠性分析方法，分別用于評估節點電價風險和市場運行可靠性；文獻[16-17]分析了可再生能源對市場運行效益的影響，但是所考慮的可再生能源發電規模較小，且被視為用戶側負荷進行建模；文獻[13]提出了概率邊際電價的概念，分析了風電不確定性引起的實時市場價格波動風險并提出了價格管理機制；文獻[18-19]基于數據驅動方法對風電滲透和電力市場價格波動進行了關聯性分析，結果表明高比例可再生能源接入電網更容易導致電價飆升。上述文獻對電力市場環境下的電價波動以及電力系統可靠性問題進行了深入研究，而鮮有兼顧電力市場整體和節點層面的高比例可再生能源的參與對出清電價造成風險的分析，目前也尚無有效的量化評估方法和指標體系。作者對可再生能源引起的系統電價風險在國際會議ICNERA2021上進行了初步探討[20]，但是尚未從節點層面提出詳細的電價風險分析方法，難以有效辨識高電價風險的區域或節點，所提模型對我國各試點省份指導作用有限。

針對上述研究的不足，本文提出考慮可再生能源參與的電價風險評估方法，針對電力市場環境下可再生能源保障性消納引發的電價風險進行量化分析，旨在促進可再生能源消納的同時，也重點關注由此造成的電價風險，為可再生能源參與電力市場提供一定的理論指導。

1 可再生能源出力場景縮減方法

可再生能源的不確定性主要是指出力的預測偏差[21]，因此，本文采用多場景技術描述風電、光伏可再生能源出力的不確定性，主要算法步驟如下：

1）采用預測箱對風電、光伏歷史發電數據進行統計，根據每個預測箱的歷史實際數據分布情況，擬合得到累積經驗分布函數。

2）按照文獻[22]，通過遞歸估計協方差矩陣ΣT，描述可再生能源出力的時間相關性。遞歸方程如式(1)所示

式中：Σt和Σt-1分 別表示時刻t和 t-1的協方差矩陣，為T×T 階矩陣；ε表 示遺忘因子； Xt-T表示可再生能源在歷史時刻t-T的實際出力（經累積經驗分布函數轉化為服從正態分布的樣本[21]），為T維向量；T為預測周期。

3）基于估計的協方差矩陣ΣT，采用蒙特卡洛模擬法進行隨機采樣，生成服從標準正態分布N(0,ΣT)的T維隨機數。

4）根據累積正態分布函數，得到每個隨機數對應的累積概率。

5）基于累積經驗分布逆函數[23]，得到對應累積概率的實際可能出力，即出力場景。

6）采用基數約束子模塊化（cardinality constrained sub-modularity，CCS）的場景縮減法[24]對大量場景進行削減，使得最終保留的場景子集與未削減前的場景集合之間的概率距離最小[25]，如式（2）所示。

式中：Pi和Pj表示可再生能源在場景 i和場景 j下輸出功率的時間序列；I 和J分別表示被削減的場景子集和最終保留的場景子集；λ表示相似性控制參數。

基于上述可再生能源出力場景生成算法，可以得到有限數量的具有較大概率值的典型場景集合，以逼近原始場景集合。

2 電價風險評估

2.1 市場出清與節點電價

首先，建立考慮可再生能源保障性消納的電力市場出清優化模型，目標函數為總發電成本費用與棄風棄光以及失負荷懲罰費用之和最小[26]

值得說明的是，為了保障可再生能源的消納，目標函數公式(3)中棄風、棄光懲罰價格應設為遠大于發電機組報價值，只有當電網由于物理運行約束不滿足導致全額消納條件下出清模型無解時，才會出現棄風、棄光情況。模型滿足以下約束條件[20]。

1）節點功率平衡方程：各節點的凈注入有功/無功功率等于凈流出有功/無功功率。

在電力市場實際運行中，一般采用直流潮流法對潮流方程進行簡化[9]，本文主要從理論層面研究交流潮流環境下的出清電價風險，但所提模型和方法同樣也適應于直流潮流環境。

2）常規機組出力限制：各機組的有功/無功中標出力不能超過其出力上限和下限，各機組在相鄰時段的出力變化量不能超過其上下爬坡限制。

式中：PmG,inj和PmG,ajx分別表示節點 j上發電機組的有功出力下限和上限；QmG,inj和QmG,ajx分別表示節點j上發電機組的無功出力下限和上限；ΔPlGo,wj和ΔPuGp,pj分別表示節點j上發電機組有功出力的下爬坡限制和上爬坡限制。

3）風電、光伏出力限制。風電、光伏機組的有功出力不能超過其出力預測值。

4）線路傳輸容量限制。各輸電線路、區域間聯絡線的潮流不能超過其傳輸容量。

式中：Fts,l為 線路l在 場景s流過的潮流； Flmax表示線路l 的最大傳輸容量。

式中： fst,rr′為區域r和r′間聯絡線在場景s流過的潮流； frmr′ax分別表示線路l、區域r和r′間聯絡線

的最大傳輸容量。

5）節點電壓限制。各節點的電壓幅值不能超過其上下限。

式中：Vmjin和Vmjax分別表示節點j的電壓幅值下限和上限。

6）負荷削減量限制。各負荷節點的負荷削減量不能超過其初始負荷。

上述電力市場出清模型（式（3）－（14））是一個復雜的非線性優化問題，內點法在求解非線性優化問題方面具備收斂性強、計算速度快等優點[27-28]，因此，可以采用內點法對上述模型進行求解，得到電力市場出清結果。

基于上述電力市場出清模型，得到拉格朗日函數Ls，可以計算節點有功電價ρtp,s,j、節點無功電價ρtp,s,j[14]：

進一步計算系統平均有功電價ρtp,s和系統平均無功電價ρtq,s：

2.2 電價風險評估指標體系

2.1 節可以計算得到各場景s下的節點有功電價ρtp,s,j和節點無功電價ρtq,s,j、系統平均有功電價ρtp,s和系統平均無功電價ρtq,s。由于可再生能源出力具有波動性和間歇性，某些場景下某些時段電價可能會很高，或者不同場景下電價波動較大，都可能會造成電價風險。因此，本文建立電價風險評估體系，包括：節點電價風險指標體系和系統電價風險指標體系，分別評估節點電價和系統電價的風險。另外，本文主要研究有功電價，無特別說明，電價風險指標均指有功電價。

1）節點電價風險指標體系。

式中：Ns為通過場景生成算法最終保留的場景數；ps表 示場景s發生的概率。

節點電價標準差σp,j[14]：用于評估各節點電價在所有可能發生場景下的波動情況。

節點尖峰電價概率ζp,j：用于評估各節點電價在所有可能發生場景下出現較高值的可能性。

式中：ρcpap為設定的電價閾值； 1(ρtp,s＞ρcpap)為符號函數，當隨機事件ρtp,s＞ρcpap發生時，函數取值為1，否則為0。

2）分區電價風險指標體系。

分區尖峰電價概率ζp,r：用于評估區域內平均電價在所有可能發生的場景下出現較高值的可能性。

式中：Ωr表示區域r內的節點集合。

3）系統電價風險指標體系。

期望系統電價ρtｐ：用于評估系統平均電價在所有可能發生場景下的期望水平。

系統電價標準差σtp：用于評估系統平均電價在所有可能發生場景下的波動情況。

系統尖峰電價概率ζp：用于評估系統平均電價在所有可能發生場景下出現較高值的可能性。

3 算例分析

3.1 算例系統

為了驗證本文所提出的電價風險評估方法的有效性，采用改進的IEEE30節點系統作為算例系統進行分析。該系統包含6臺常規機組、30個節點、41條線路。負荷數據、機組參數以及報價信息參考文獻[29]，線路容量參數參照文獻[30]。在第20節點和第28節點處分別接入一個風電廠和一個光伏電站，發電容量依據不同的分析環境進行設定?？紤]到風電、光伏的邊際發電成本很小，報價參數按照最低來設置。風電和光伏歷史數據參照文獻[21]，并折算為本算例數量級。另外，為了保障可再生能源的消納，且盡量避免系統失負荷，將棄風棄光懲罰價格和失負荷懲罰價格設為遠大于發電機組報價的數，其中，所有節點的棄風、棄光懲罰價格統一設為1000元/MW·h，失負荷懲罰價格統一設為5000元/MW·h。

3.2 不同可再生能源滲透率下電價風險計算結果及比較

為了研究不同可再生能源滲透率對電價風險的影響，本文設定6種分析環境，各分析環境下風電、光伏發電容量設置如表1所示。

表1 不同分析環境下可再生能源機組發電容量Table 1 Generating capacity of renewable energy units under different analysis environments

首先計算各環境下的系統電價風險值。根據風電和光伏歷史數據[19]，利用第1節提出的可再生能源出力場景生成算法得到最終5個典型場景下的風電、光伏出力及場景概率，出力真實值可根據各環境設定的風電、光伏發電容量折算得到。

以環境0—環境3為例，不同可再生能源滲透率下的期望系統電價、系統電價標準差與系統尖峰電價概率ζp的計算結果分別如圖1、圖2和圖3所示。電價閾值根據可再生能源出力預測值得到的市場出清電價最高值而定。

圖3 不同可再生能源滲透率下系統尖峰電價概率Fig.3 Probability of system peak price under different renewableenergy penetration

由圖1可以看出，可再生能源機組接入電網后，系統整體的電價水平也有所下降，且滲透率越高，電價降低越明顯。其中，環境5中的期望電價降低最為明顯，這是因為可再生能源相比常規機組發電成本較低，隨著滲透率的增大，可再生能源出力也不斷增大，而環境5中的可再生能源出力最大，代替高成本機組發電，導致期望系統電價也隨之下降。

圖1 不同可再生能源滲透率下期望系統電價Fig.1 Expected system price under different renewable energy penetration

由圖2可以看出，在不同可再生能源滲透率下，系統電價標準差也存在差異，可再生能源滲透率越高，系統電價標準差越大。比較環境1和環境2，可以看出環境1下的電價標準差更大，表明風電比光伏更容易導致電價的波動性，這是因為在本算例中，風電的預測誤差標準差比光伏更大。另外，可以看出在15～22 h時段內，系統電價標準差相對較高，這是因為這段時間內為可再生能源出力的高峰期，電價對可再生能源出力的波動性較為敏感。

圖2 不同可再生能源滲透率下系統電價標準差Fig.2 Standard deviation of system price under different renewableenergy penetration

與系統電價標準差不同，系統尖峰電價概率與可再生能源滲透率的關系恰好相反。由圖3可以看出，環境2下的系統尖峰電價概率最高，達到了30.21%，隨著可再生能源滲透率的提高，環境3下系統尖峰電價概率有所降低。這是因為可再生能源發電占比的增大，導致電價水平整體下降，因此出現尖峰電價的概率也相應變小。進一步將系統中前7個節點設為區域1，其余節點設為區域2，計算可知2個區域的分區尖峰電價概率分別為21.77%、32.78%，表明區域2存在更高的電價風險。

以上重點對系統和區域層面的電價風險指標進行了分析，下面進一步從節點層面研究可再生能源對電價風險的影響，計算各環境下的節點電價風險指標，不同可再生能源滲透率下的期望節點電價和節點電價標準差分別如圖4－6所示。

由圖4可以看出，不同環境下各節點的期望電價水平不同，表明系統存在網絡阻塞情況，導致不同節點之間的電價存在差異。另外，隨著可再生能源滲透率的提高，各節點的期望電價水平有所下降。由圖6可以看出，隨著可再生能源滲透率的提高，節點出現尖峰電價的概率也有所下降。另外，由圖4可以看出，18－20、25－30節點受到可再生能源的影響最明顯，電價降低程度最直觀。由圖5也可以看出，這些節點的電價標準差也遠大于其他節點，對可再生能源滲透率的變化也很敏感。根據系統拓撲可知，這些節點處于可再生能源接入點及其附近的位置，表明越靠近可再生能源接入點，節點電價風險可能更高。因此，隨著可再生能源發電比例的提高，應重點關注可再生能源接入點附近的節點電價，避免電價劇烈波動。

圖4 不同可再生能源滲透率下期望節點電價Fig.4 Expected nodal price under different renewable energy penetration

圖5 不同可再生能源滲透率下節點電價標準差Fig.5 Standard deviation of nodal price under different renewable energy penetration

圖6 不同可再生能源滲透率下節點尖峰電價概率Fig.6 Probability of system peak price under different renewableenergy penetration

綜上所述，隨著可再生能源滲透率的提高，可以在一定程度上降低系統和節點的期望電價水平、以及出現尖峰電價的概率，但是可能會增大電價波動程度，對于可再生能源出力高峰時段，系統電價波動較為明顯；在靠近可再生能源接入點附近的節點，電價波動程度較為明顯。

3.3 不同預測偏差下電價風險計算結果及比較

為了研究不同可再生能源出力預測偏差對電價風險的影響，在3.2節中環境3（風電、光伏發電容量各為50 MW）的基礎上，將可再生能源出力預測偏差標準差分別增大5%和10%，計算得到系統電價風險和節點電價風險指標如圖7－11和表2所示。

圖7 不同預測誤差下期望系統電價Fig.7 Expected system price under different forecasting deviations

根據圖7－10可以看出，隨著可再生能源出力預測偏差的不斷增大，期望系統電價和期望節點電價也略微增大，但是增幅不明顯，而系統電價標準差在負荷高峰時段增長較大，大多數節點的電價標準差也明顯增大。與此同時，根據表2和圖11可知，可再生能源出力預測偏差增大也會提高系統尖峰電價概率和節點尖峰電價概率，這是因為由可再生能源出力不足造成的功率缺額由高價機組彌補，導致電價飆升。綜上所述，可再生能源出力預測偏差對電價風險的影響主要體現在電價波動程度上，對電價的期望水平影響較小。隨著預測誤差精度的降低，雖然電價整體的期望水平不會明顯變化，但是可能會造成電價波動更加劇烈，增大電價飆升可能性，帶來電價風險。因此，提高對可再生能源出力預測的精度，有利于穩定電價水平，降低電價風險。

表2 系統尖峰電價概率Table2 Probability of system peak price

圖8 不同預測誤差下期望節點電價Fig.8 Expected nodal price under different forecasting deviations

圖9 不同預測誤差下節點電價標準差Fig.9 Nodal price standard deviation under different forecasting deviations

圖10 不同預測誤差下節點尖峰電價概率Fig.10 Probability of system peak price under different forecasting deviations

圖11 不同預測誤差下系統電價標準差Fig.11 System price standard deviation under different forecasting deviations

4 結論

本文所提出的電價風險評估方法可以量化系統整體的電價風險，得到各時段電價的期望水平、波動情況及出現較高值的可能性；同時，也可以從節點層面量化評估各節點的電價風險指標，識別出對可再生能源不確定性較為敏感的關鍵節點。在促進可再生能源消納的同時，也要關注由此造成的電價風險，通過提高可再生能源出力預測精度等措施，有效減小出力的不確定性，降低電價風險。

致謝

本文由浙江電力交易中心有限公司科技項目（浙江電力市場大數據分析體系構建研究，SGZJDJ00JYJS2000011）資助，謹此深表感謝。