促进风电消纳的发电权交易优化方法

　　0 引言

　　可再生能源高速增长推动中国能源消费清洁化转型的同时 [1] ，其不确定性和源网矛盾也带来了严重的弃风弃光问题。从技术和管理多措并举解决这一问题，成为行业的焦点 [2] 。以促进可再生能源消纳作为重要任务之一的中国电力市场改革，已开展了诸多尝试。一方面，建立了以现货交易 [3] 、调峰市场 [4] 、调频市场 [5] 为代表的市场框架，能够在缩短调度、物理交割交易周期，充分调用系统灵活性资源方面发挥重要作用;另一方面，可再生能源正步入“后补贴”甚至“无补贴”时代，风光发电平价、竞价上网，可再生能源项目竞标并网 [6] ，正促使可再生能源电力回归真实价值，发挥电力市场配置优化资源的重要作用。电网消纳能力是实现新能源平价上网的必要前提。为解决当前弃风弃光矛盾，在积极推进外送跨区消纳的同时，进一步挖掘就地消纳潜力也是一个关键途径。以新疆、甘肃为代表的西北地区，普遍面临着自备电厂装机过多引发的系统调峰能力不足问题，因此，通过常规电源与风光电源的发电权交易扩增可再生能源上网空间，具有较强的操作性和经济可行性，是缓解弃风弃光问题的重要途径。

　　近年来局部地区电网的企业自备电厂装机比例有上升趋势，引发了诸多矛盾。由于自备电厂对冲了部分工业负荷容量，减小了波动性电源的发电空间;而其机组容量小，燃烧效率低，污染严重;另外，部分自备电厂管理监督不到位，存在安全隐患。在电力装机愈加充足、全国电网互联规模不断扩大、清洁能源比例逐渐攀升的形势下，减少或者改造自备电厂，成为必然选择。但是直接关闭自备电厂，迫使企业全部依靠电网供电，并非合理之举。而风电企业与自备电厂通过发电权交易，可以保证企业的收益，同时增加风电上网电量。

　　已有关于发电权交易的研究大多集中在其市场属性上，对宏观的市场模式 [7-8] 和参与方的交易策略 [9-10] 关注较多。而在发电权交易效果评估优化方面，研究工作相对较少，现有发电权交易的效益分析多聚焦于节煤、减排两方面 [11-16] ，且大多基于历史运行数据统计而来;部分涉及消纳能力提升效果的评估多为策略优化结果的简单比较，缺少成体系的完整模型和机理分析。另外，多采用机组组合方法，其本质依然属于经济调度范畴，对交易信息平台要求较高，在现货市场建设还未成形的条件下，落地应用还有难度;该方法对时序数据完整度要求较高，且局限于日内运行优化，难以适用于发电权交易常用的月、年尺度。

　　本文以月、年等中长期尺度的随机生产模拟为方法基础，分析发电权交易促进新能源消纳的效益。在对发电权交易执行方式及影响因素进行原理性分析基础上，构建了基于源荷概率模型的风电消纳量关键指标计算方法，量化分析其促进新能源消纳、减少弃风的效益;结合自备电厂的运行特征和发电权交易的交易特点，探究发电权交易时间、交易功率等关键参数对降低弃风量的影响，进一步优化交易效果。最后通过完整的算例进行了验证。

　　1 发电权交易执行方式及影响因素分析

　　自备电厂通过与风电企业进行发电权交易将本厂的发电电量腾让给风电机组，厂内负荷需多购系统电力来满足供应，增加了系统供电负荷进而扩大了风电上网电量空间。

　　发电权交易双方通过双边协商、集中交易等方式确定月度或年度交易总电量后，电量实际执行有 2 种方式：(1)利用 AGC 系统对风电限电电量进行发电权交易 [15] ;(2)由调度部门在日前编制双方发电计划 [7] ，电量交割按计划进行。其中，第 1 种方式基于实时信息进行交易，对信息采集平台要求较高。在该方式下，前期的计划交易电量完全失去约束作用，交易执行结果存在较大不确定性，双方的经济效益难以预判。因此，本文主要基于第 2 种方式进行分析。

　　现有实践过程中，双方的电量计划是一种总量约束，实施中按照月度结算，当月的误差量必须在下一月份及时滚平，在年度进行电量总清算，完成交易。在实际运行中，电网部门需在日前为可再生能源电站制定发电权交易发电计划，同时制定自备电厂的减出力发电计划，使双方按照既定曲线实时运行，如图 1 所示。

　　该种交易方式遵循“计划电+市场电”的组成原则，方便计算过网电费，可操作性强，调度成本较低，不必大规模更新调度方式，在现货市场建设过渡期具有很好的适用性。但该方式对系统调度部门要求较高，消纳提升量完全取决于日内的运行计划的编制，自备电厂削减出力水平将直接影响系统消纳能力，日内计划编制时调度人员应依据风资源和企业负荷情况进行判断。因此，本文尝试从中长期角度对运行计划的编制给出参考信息，帮助调度人员合理安排月内每天的运行方式，实现风电消纳提升最大化与月度电量执行偏差最小化的最佳平衡。

　　弃风功率是影响发电权是否进行交易的直接因素，而风力资源是影响发电权交易是否执行的间接因素。在本文所聚焦的时间范围和执行方式下，调度人员能够通过历年积累的风资源数据对未来月的风电理论功率分布进行预测，其难度较直接预测弃风情况更低，因此，风电理论功率(限电前风电功率)将作为影响发电权交易效果的主要因素。发电权交易启动时的风电理论功率阈值设置太小时，发电权交易电量上升，但火电机组负荷率下降甚至停机，造成系统电源向上调峰能力不足;风电理论功率阈值设置太大则限制消纳量。因此，合理设置启动交易时的风电理论功率阈值能够保证消纳电量和系统安全。此外，最大交易功率受自备电厂可减少发电功率的影响，决定了发电权交易的最大潜力。

　　由于风电的不确定性，部分时刻的发电权交易分解电量可能执行不足，风电理论功率难以满足自备电厂所属企业的用电需求，因此除了配合完善的结算校核机制外，本文在中长期预排计划中根据风资源情况给出最佳交易时段。

　　综上，发电权交易优化的目的是给出日内交易时间、自备电厂最大允许交易功率、启动交易风电理论功率阈值 3 类参数的确定方法，对日内计划的编制提供指导信息。

　　2 风电弃电评估概率模型

　　以发电权交易减少的弃风电量作为主要评价指标，计算中长期风电消纳电量是本文方法核心。

　　2.1 弃风限电的概率原理

　　系统发生弃风的典型场景为负荷低谷且风资源丰富时，系统内常规电源无法下调功率，导致部分风电无法上网而发生弃风。在中长期场景下，风电预测不准甚至无法预测，时序方法应用受限，因此，本文基于随机生产模拟方法进行中长期弃风电量评估。

　　对一段时期内的负荷进行统计，形成累积概率分布曲线(见图 2)。机组组合方法中优化电源出力以满足负荷需求的过程对应于随机生产模拟中对负荷曲线包络面积进行填充。随机生产模拟的本质是概率体系下的电量平衡，以风电功率长期概率分布代替时序数据进行电量计算。

　　以图 2 为例，机组 A 承担系统基荷，该部分负荷的累积概率为 1，A 的所有发电量均可直接消纳，没有弃电现象。机组 B 承担负荷区段累积概率小于 1，若机组不能有效调节其功率大小，则有一定概率会发生弃电。机组各状态有一定的发生概率，因此该部分面积与发电概率乘积代表弃电总量期望。

　　2.2 弃风电量评估计算

　　假设目标系统内包括火电和风电两类电源，火 电 机 组 由 公 网 统 一 调 度 ( 以 下 简 称 为 “ 统调”)的火电机组和自备电厂机组组成。根据风电优先原则，机组生产安排时，除了火电机组必须满足的最小出力(基荷)之外，首先安排风电机组，然后安排剩余火电机组容量。如果火电基荷与风电出力理论功率超过负荷峰值，则会发生弃风。随机生产模拟 [17] 的步骤如下。

　　(1)根据历史数据生成研究周期内区域内公网发电负荷(不含自备电厂供电负荷)的等效持续负荷曲线(equivalent load duration curve, ELDC)。

　　基于等效电量函数法，对等效持续曲线进行离散化，生成电力负荷序列 [18] 。

　　等效持续负荷曲线定义为

　　(7)安排剩余的火电机组参与生产，填补未满足电量。安排方式同上。

　　需要说明的是，风电在 ELDC 下的安排位置仅取决于火电机组的基荷容量位置，因此，该方法暗含了风电与系统负荷为独立变量的假设。已有研究根据实际运行数据证明了风电功率与负荷之间呈现弱相关性 [19] ，也显示二者之间的相关系数随时间变化剧烈 [20] ，这都反映了运行尺度下风电波动性与负荷波动性关联性较弱，二者之间峰谷值出现不同步的特征，与运行经验相吻合。因此，本文不考虑风电、负荷的波动相关性、同时性等特征，随机生产模拟方法独立性条件自然满足，该模型的评估结果能够反映一段时间内的弃能情况。

　　3 发电权交易优化方法

　　本节基于弃风评估模型对发电权交易进行优化，讨论日内交易时间、自备电厂最大允许交易功率、启动交易风电理论功率阈值对减小弃风量的影响。通过在固定交易时段和固定风电功率区间内进行交易的方式，进行生产模拟计算，获得不同参数设置下的弃风情况，给出最优交易方案。在生产模拟中，假设自备电厂少发的电量完全由风电企业提供，系统等效持续负荷曲线无变化，而公网上网风电累积概率曲线发生变化。风电累积概率曲线如何变化是分析重点。

　　3.1 交易场景选择

　　在中长期交易优化中，应首先确定发电权交易的时段范围和风电理论功率范围。对研究周期

　　4 算例分析

　　4.1 仿真系统

　　以北方某省级电网历史数据进行供暖季内1—3 月份的逐月模拟计算。该地区全网最大发电负荷为 27 330 MW，最小发电负荷 19 082 MW，发电负荷均值为 23 309 MW。总装机容量 46 800 MW，其中煤电 33 000 MW，水电 800 MW，风电约13 000 MW。统调火电机组装机容量为 26 760 MW，自备电厂装机容量 6 240 MW。由于水电容量较小，且供暖季内水资源匮乏，可暂忽略水电机组。供暖季部分统调火电机组运行状态调整为热电联产(CHP)模式，容量为 15 980 MW，全部在线运行，最小稳定发电功率为额定容量的 80%。

　　统调非供暖机组容量为 10 780 MW，最小稳定发电功率约为额定容量的 50%，各月在线运行机组有所变化，根据实际弃风率试算，形成典型运行场景，如表 1 所示。

　　4.2 发电权交易对风电概率特性的影响模拟

　　本文尝试在较宽的数据范围内，选取不同的日内交易时段、启动交易风电理论功率阈值与最大交易功率参数组合，分析弃风指标的变化情况。图 5 显示了在启动交易风电理论功率阈值为2 000 MW 和最大交易容量为 5 000 MW 时，不同电理论功率与自备电厂所属企业新增用电功率之差，简称“置换后风电理论功率”)累积概率曲线的变化情况。仿真结果显示，该措施主要对置换后风电理论功率概率曲线的低功率部分产生影响，这反映出该地区在风电理论功率较小时段，其概率分布曲线下降沿在发电权交易作用下变得更加平缓。

　　图 6 显示了不同最大交易功率与启动交易风电理论功率阈值下概率曲线的变化情况，图中每条曲线的时段设置与图 5 完全一致。可以看出，启动交易风电理论功率阈值越低，最大交易功率越大，置换后风电理论功率曲线的修正越明显。

　　但是图 6c)、d)说明最大交易功率为 4 000 MW时，降低启动交易风电理论功率阈值已经很难对风电产生影响。另一方面，不同的功率配置下，仅有置换后风电理论功率概率分布曲线低功率部分变化，发电权交易在具体实行过程中还应考虑地区风资源情况进行灵活调度。

　　4.3 发电权交易促进消纳效果评估

　　本文算例计算机硬件环境为 Intel core i7-6700HQ 2.60Hz(CPU)\16GB RAM，软件环境为Matlab R2018b。计算速度方面，单组参数进行单月消纳评估计算的时间为 12~40 s，较常规的机组组合模型求解速度有大幅提升。

　　在发电权交易效果对参数敏感度仿真中，以1—3 月份为研究对象，假定风电理论功率一旦大于 4 000 MW，即可开始进行发电权交易，图 7 显示了系统内消纳情况与发电权交易功率、交易时段两者之间的关系。

　　在系统原始情况下，1—3 月份的初始弃风率分别为 35%、33%、36%。具体来看，当一天内有14 h 允许发电权交易、最大交易功率为 3 000 MW时，1 月份弃风率可控制在 20% 以下，2、3 月份分别为 24% 和 22%，较 1 月份响应程度略低。另外，相比于 3 月份，1、2 月份的弃风率下降较快段集中于交易时间长、交易功率大的情景下。

　　依然选择 1—3 月份为研究月，对消纳效果与最大交易功率和启动交易风电理论功率阈值两参数的关系进行数值模拟，仿真结果如图 8 所示，此时交易时间设定为 10 h。可以看出，两参数的二维平面上色阶分布呈倒“L”型，这说明在最大交易功率较小时，弃风情况随最大交易功率的增加而快速减小，当超过 1 000~1 500 MW 时，弃风率对交易功率值敏感度快速下降。而当启动交易风电理论功率阈值较高时，弃风率随该参数的下降而快速降低，但是降至 4 000 MW 后，弃风率变化不再明显。

　　若自备电厂最大交易功率设定为 2 000 MW，启动交易风电理论功率阈值为 3 500 MW 以下时，1—3 月份的弃风率可以分别控制在 25%、28%、28% 水平上，系统的可再生能源消纳能力增强。

　　在相同的算例系统中，对比文献 [21] 的计算结果可知，与火电机组灵活性改造相比，发电权交易提升消纳效果作用有限，在火电深度调峰潜力用尽时，发电权交易可以作为备用措施参与消纳。

　　5 结论

　　本文在总结发电权交易执行方式和影响因素的基础上，基于随机生产模拟方法建立了适用于自备电厂与风电企业发电权交易提升风电消纳效果的中长期评估模型，提出了交易关键参数的优化方案。通过仿真研究了发电权交易对增强系统消纳能力的促进作用，得到了以下结论。

　　(1)实时运行中，发电权交易时段设置直接影响最大消纳潜力，应适当放开发电权交易时段限制。

　　(2)总体来看，发电权交易具有弃风缓解作用。降低发电权启动交易风电理论功率阈值、增加最大交易功率均可增强消纳提升作用，但效果提升缓慢，最理想工况(日内运行 14 h、最大交易功率 3 000 MW、启动交易风功率阈值 4 000 MW)下仅能将供暖季内 1 月份的弃风率控制在 20% 水平。

　　本文所提方法能够在规划阶段将发电权交易纳入计算框架，并为后期运行中交易时段设计等关键参数优化提供快速简洁的试算方法，计算速度较常规生产模拟有明显提升，提高了远期市场机制设计与系统运行边界确定的决策能力，也为市场参与方电量估算提供了参考信息。

　　参考文献：

　　IRENA: Renewable capacity statistics 2018[R]. 2018. [1]张正陵. 中国“十三五”新能源并网消纳形势、对策研究及多情景运行模拟分析 [J]. 中国电力, 2018, 51(1): 2–9.ZHANG Zhengling. Research on situation and ermeasures ofnew energy integration in the 13th five-year plan period and its multi-scenario simulation[J]. Electric Power, 2018, 51(1): 2–9.[2]

　　PEI W, DU Y, DENG W, et al. Optimal bidding strategy and [3]intramarket mechanism of microgrid aggregator in real-timebalancing market[J]. IEEE Transactions on Industrial Informatics,2016, 12(2): 587–596.

　　胡朝阳, 毕晓亮, 王珂, 等. 促进负备用跨省调剂的华东电力调峰辅助服务市场设计 [J]. 电力系统自动化, 2019, 43(5): 175–182.

　　HU Zhaoyang, BI Xiaoliang, WANG Ke, et al. Design of peakregulation auxiliary service market for East China power grid topromote inter-provincial sharing of negative reserve[J]. Automationof Electric Power Systems, 2019, 43(5): 175–182.

　　[4]MOISEEVA E, HESAMZADEH M R, BIGGAR D R. Exercise ofmarket power on ramp rate in wind-integrated power systems[J].IEEE Transactions on Power Systems, 2015, 30(3): 1614–1623.

　　[5]XU R H, SONG Z X, TANG Q F, et al. The cost and marketability ofrenewable energy after power market reform in China: a review[J].Journal of Cleaner Production, 2018, 204: 409–424.

　　[6]华夏, 罗凡, 张建华, 等. 促进新能源消纳的自备电厂发电权交易模式可行性探讨 [J]. 电力系统自动化, 2016, 40(12): 200–206.HUA Xia, LUO Fan, ZHANG Jianhua, et al. Feasibility analysis oftrade mode promoting new energy consumption based on generationrights trade of self-generation power plants[J]. Automation of Electric

　　Power Systems, 2016, 40(12): 200–206.

　　[7]施泉生, 刘坤, 温蜜. 基于区块链技术的跨省发电权交易模型 [J].电力建设, 2017, 38(9): 15–23.SHI Quansheng, LIU Kun, WEN Mi. Interprovincial generationrights trading model based on blockchain technology[J]. ElectricPower Construction, 2017, 38(9): 15–23.

　　[8]XUE B K, QI T X, ZHANG W, et al. Research on market biddingmechanism of generation rights trade for promoting new energyconsumption[J]. The Journal of Engineering, 2017, 2017(13):1378–1382.

　　何永秀, 宋栋, 夏天, 等. 基于合作博弈论的常规能源与新能源发电权置换交易模式研究 [J]. 电网技术, 2017, 41(8): 2485–2490.

　　HE Yongxiu, SONG Dong, XIA Tian, et al. Mode of generation righttrade between renewable energy and conventional energy based oncooperative game theory[J]. Power System Technology, 2017, 41(8):2485–2490.

　　[10]张显, 耿建, 庞博, 等. 发电权交易在中国节能减排中的应用及分析 [J]. 电力系统自动化, 2014, 38(17): 87–90, 129.

　　ZHANG Xian, GENG Jian, PANG Bo, et al. Application andanalysis of generation right trade in energy-saving and emissionreduction in China[J]. Automation of Electric Power Systems, 2014,38(17): 87–90, 129.

　　[11]LIU Y X, ZHANG N, KANG C, et al. Impact of carbon market onChina's electricity market: an equilibrium analysis[C]//2017 IEEEPower & Energy Society General Meeting, July 16–20, 2017.

　　Chicago, IL. IEEE, 2017: 1–5.[12]LI S T, ZHANG S F, ANDREWS-SPEED P. Using perse market-based approaches to integrate renewable energy: experiences fromChina[J]. Energy Policy, 2019, 125: 330–337.

　　[13]王雁凌, 邱小燕, 许传龙. 以节能降耗为目标的发电权交易阻塞管

　　理模型 [J]. 电网技术, 2012, 36(6): 272–276.WANG Yanling, QIU Xiaoyan, XU Chuanlong. Congestionmanagement of generation rights trade based on energyconservation[J]. Power System Technology, 2012, 36(6): 272–276.

　　[14]于昌海, 吴继平, 王运, 等. 适应发电权交易的可再生能源有功控制策略 [J]. 电力系统自动化, 2017, 41(9): 71–76.

　　YU Changhai, WU Jiping, WANG Yun, et al. Active power controlstrategy for renewable energy generation adapted to generation righttrade[J]. Automation of Electric Power Systems, 2017, 41(9): 71–76.

　　[15]江岳文, 余代海. 面向“互联网+”的风火发电权交易促进风电接纳研究 [J]. 太阳能学报, 2019, 40(1): 249–258.JIANG Yuewen, YU Daihai. Research on power generation righttrading between wind farms and thermal units to promoteaccommodation of wind power through‘internet+'[J]. Acta EnergiaeSolaris Sinica, 2019, 40(1): 249–258.

　　[16]李海波, 鲁宗相, 乔颖, 等. 基于非时序生产模拟的风电消纳评估方法 [J]. 电力建设, 2015, 36(10): 129–137.

　　LI Haibo, LU Zongxiang, QIAO Ying, et al. evaluation method ofwind power accommodation capacity based on non-sequentialproduction simulation[J]. Electric Power Construction, 2015, 36(10):

　　[17]129–137.吴少雷, 冯玉, 吴凯, 等. 基于交换卷积的含高比例新能源电力系统运行评估方法 [J]. 中国电力, 2019, 52(4): 25–31.WU Shaolei, FENG Yu, WU Kai, et al. Operation evaluation methodof high proportion renewable energy power system based on

　　exchange convolution[J]. Electric Power, 2019, 52(4): 25–31.

　　[18]LI Y, AGELIDIS V G, SHRIVASTAVA Y. Wind-solar resourcecomplementarity and its combined correlation with electricity loaddemand[C]//2009 4th IEEE Conference on Industrial Electronics andApplications, May 25–27, 2009. Xi'an, China. IEEE, 2009:3623–3628.

　　[19]ZHAO S J, XIE L, SINGH C. Cross-correlation study ofonshore/offshore wind generation and load in Texas[C]//2013 NorthAmerican Power Symposium (NAPS), September 22-24, 2013.Manhattan, KS, USA. IEEE, 2013: 1–5.

　　[20]马彦宏, 姜继恒, 鲁宗相, 等. 基于随机生产模拟的火电机组深度调峰提升新能源消纳能力评估方法 [J]. 全球能源互联网, 2019, 2(1):35–43.

　　MA Yanhong, JIANG Jiheng, LU Zongxiang, et al. Assessmentmethod of conventional units with deep peak-shaving for renewableenergy accommodation based on probabilistic productionsimulation[J]. Journal of Global Energy Interconnection, 2019, 2(1):35–43.[21]

　　作者简介：

　　徐昊亮 (1981—)，男，硕士，高级工程师，从事电力系统自动化、电网智能化规划等方面研究，E-mail: 17523016@qq.com;

　　靳攀润 (1985—)，男，硕士，高级工程师，从事电力系统继电保护、智能电网规划应用等相关研究，E-mail:pf1091@163.com;

　　姜继恒 (1994—)，男，通信作者，博士研究生，从事电力系统规划研究，E-mail: jiheng1020@163.com;鲁宗相 (1974—)，男，博士，副教授，从事风电/太阳能发电并网分析与控制、能源与电力宏观规划、电力系统可靠性、分布式电源及微电网研究，E-mail: luzongxiang98@tsinghua.edu.cn;

　　乔颖 (1981—)，女，博士，副研究员，从事新能源、分布式发电、电力系统安全与控制研究，E-mail: qiaoying@tsinghua.edu.cn。