含大規(guī)模風電的電力市場模式研究

吳疇東 華棟

摘要：隨著歐盟可再生能源指南及2020能源目標的發(fā)布，電力市場大規(guī)模并入風電已經(jīng)成為必然的趨勢。而由于風能發(fā)電占總體發(fā)電容量比例的大幅增加，風電并網(wǎng)成本的增加，風能發(fā)電對電網(wǎng)及電力市場的影響將變得至關重要。文章總結了歐洲主流國家的風力發(fā)電補貼政策，分析了大規(guī)模風電并入市場后導致的市場成本的變化，提出了幾種風電參與電力市場的市場設計模式。最后利用支撐向量機算法進行風速預測，證明了風電生產(chǎn)商越接近交易時段進行報價，越能有效提高風電功率預測精度，從而降低市場交易成本。

關鍵詞：風電；電力市場；風速預測；支撐向量機

引言

近十年來，由于歐洲的綠色可再生能源政策的影響，風能發(fā)電在歐洲得到了迅速的發(fā)展。這些能源政策包括了，上網(wǎng)電價補貼政策，上網(wǎng)電價溢價政策，以及綠色證書交易政策等，它們大大降低了可再生能源發(fā)電廠商在電力市場中面對的風險，從而大大的鼓勵了風能發(fā)電在歐洲電力市場的成長。然而，盡管這樣，歐洲各國的風能發(fā)電占整個發(fā)電容量的比例還是過低，由于其他傳統(tǒng)發(fā)電形式的吸收，風電并網(wǎng)成本在整個電力市場成本中可以忽略不計。

然而隨著歐盟可再生能源指南及2020能源目標的發(fā)布，電力市場大規(guī)模并入風電已經(jīng)成為必然的趨勢，隨著風能發(fā)電占總體發(fā)電容量比例的大幅增加，風電并網(wǎng)成本的增加，風能發(fā)電對電網(wǎng)及電力市場的影響將變得至關重要。大規(guī)模風電的發(fā)展使得現(xiàn)行的電力市場設計，規(guī)則都要發(fā)生改變，不僅要給風能發(fā)電及傳統(tǒng)發(fā)電形式同樣的激勵，也要保證盡可能的降低社會成本，讓終端用戶的電費合理[1]。

1.含大規(guī)模風電接入的電力市場設計

1.1 大規(guī)模風電并入市場后導致的市場成本的變化

在電力市場中，由于風能出力的不確定性，導致了系統(tǒng)必須留有一部分備用以應對風能出力的變化與負荷變化的不匹配性，這部分備用通常是由昂貴的燃氣機組或者抽水蓄能機組來提供，為了降低電力市場交易成本，這就要求短期風力預測能夠盡量準確。當市場中只有傳統(tǒng)機組的時候，日期市場用來預調度傳統(tǒng)機組，考慮機組起停機組組合問題，使得機組運行成本及燃料成本最優(yōu)，一小時前預調度可以使得運行人員保證系統(tǒng)留有的備用最優(yōu)，從而既能保證網(wǎng)絡安全，又能夠使得市場運營成本最小。當風電大規(guī)模參與到電力市場交易中，我們可以發(fā)現(xiàn)，風電功率預測精度越高，市場交易成本越小。

電力市場中，發(fā)電商及用戶在日前，進行小時報價，市場以最經(jīng)濟的方式來進行機組組合，并且定制調度計劃。同樣，備用服務在輔助服務市場內(nèi)交易，這個市場在實際交易一小時前關閉，或者就與實時交易同時進行。系統(tǒng)運行人員，由于有責任保證系統(tǒng)實時保持平衡，所以要向系統(tǒng)提供及分配輔助服務容量。當大規(guī)模風電并入系統(tǒng)后，風電必然也要參與到電力市場中參與報價，風力發(fā)電商要根據(jù)短期風電功率預測的結果來對市場進行報價，可以看出，預測結果越準確，申報的容量也會越準確，如果無法準確完成自己的申報容量，風力發(fā)電商將會收到罰款，因為其導致了系統(tǒng)的供需不平衡，從而導致系統(tǒng)運行人員去輔助服務市場購買備用容量，從而引起市場交易成本的升高。所以對于風能參與的電力市場的設計應該考慮，如何對風電發(fā)電商制定懲罰措施，才能促使其盡可能的降低其實際發(fā)電功率與申報功率之間的誤差。

1.2 大規(guī)模風電參與日前電力市場的市場模式設計

前面提到過，為了使得市場交易成本最優(yōu)，市場設計者將會要求風電發(fā)電商盡可能的提高風電功率預測的精度，以減少市場運營者調用昂貴的備用機組的頻率及容量，這種要求往往是以懲罰措施來施加給發(fā)電商的。從各國實踐來看，荷蘭對于風力發(fā)電商的政策是，如果發(fā)電商能比預測多發(fā)電，將得到16歐元/MWh的獎勵，但是，如果發(fā)電商沒有達到預測的電量，將會受到120歐元/MWh的懲罰，這樣，如果發(fā)電商有25%的電能預測精度非常低的話，將會減少它至少一半的收益。丹麥的風電發(fā)電商要為其風電功率預測的誤差在成本上支付大概1.3-2.7歐元/MWh。然而，從歐洲那些風電參與比較活躍的市場來看，這種懲罰措施能夠有效的降低了風電預測的誤差。

風力發(fā)電商的理論收益可以用下式來表示：

（1）

這里， 表示第i小時的預測容量， 表示i小時的電力現(xiàn)貨價格。

風力發(fā)電商的風電功率預測誤差所帶來的成本為：

（2）

表示風電預測功率和實際功率直接的差額， 表示市場運營者平衡電能的成本。

在市場設計的時候存在兩種情況，第一種是，當風電預測功率小于實際風電出力時，全部風電功率以實際現(xiàn)貨價格結算 ，當風電預測功率大于實際功率，那么對超出部分進行懲罰，風力發(fā)電商最終的收入為 ；第二種是，當風電預測功率小于實際風電出力時，多出的風電功率給予獎勵，風力發(fā)電商的總收入為 ，當風電預測功率大于實際功率，與第一種情況相同。

2.大規(guī)模風電參與日前電力市場的幾種市場設計的比較研究

對于歐洲部分日前電力市場，市場參與者，也就是發(fā)電商，要在日前的11點左右提交它次日0時至24時每個時段的報價及申報容量，離正式交易大概有13小時到37小時的時間延期，對于一般傳統(tǒng)發(fā)電商，這并沒有很大的影響，但是對于風力發(fā)電商，風電功率的預測對于其報價就變得十分重要了，風電功率的預測一般是基于前幾小時的風速天氣預報的數(shù)據(jù)。

而對于一些更加靈活的日前電力市場，準確的說應該是6-12小時前電力市場，發(fā)電商只用在交易前7-13小時分四次提交報價及申報容量，分別是日前17點申報次日0點到5點時段的報價，日前23點申報次日6點到11點的報價，第二天5點申報當日12點到17點的報價，以及11點申報當日18點到23點的報價.由于這種市場設計，使得風力發(fā)電商的發(fā)電功率預測時間比第一種方式更加靠近實際調度時刻，利用的風速預報數(shù)據(jù)也更貼近實際時刻，所以，風電功率預測的準確性將會有所提高。第三種情況是小時前的電力市場，風力發(fā)電商將會在實際交易前的一小時進行報價，或者修改申報容量，這樣風電功率預測軟件可以用到實際交易前兩小時以前的所有風速實際數(shù)據(jù)，理論上，會使得風電功率預測更加準確。

3.基于支持向量回歸的風速預測

風電功率受多方面的影響，其中風速是主要影響因素。二者之間存在特定的映射關系，可先預測風速，再根據(jù)此關系求出風電功率大小。風力機的出力與風速的關系如下式[5]：

（3）

式中 、 、 分別為切入風速，額定風速和切出風速，m是出力特性曲線的階次，而R是所有風力發(fā)電機組的總額定容量。可見風速預測是進行風電場出力預測的基礎和前提，通過風速預測及二者之間的關系即可進行風電功率預測。因此，提高風速預測精度，對于風電發(fā)展，特別是大規(guī)模風電并入電力市場至關重要。

3.1算法模型

支持向量機（Support Vector Machine，SVM）是20世紀90年代由Vapnik等人提出的一種建立在統(tǒng)計理論和結構風險最小化原則基礎上的一種學習方法，它將分類、回歸等問題轉化成最優(yōu)化問題，一定程度上克服了“維數(shù)災”和“過學習”等傳統(tǒng)困難[6-7]。用支持向量機的方法來進行功率預測的的數(shù)學模型如下式[8-11]：

（4）

式中， 為p步后的風速預測值，v （t）為實測值，τ為滯后時間常數(shù)，m為嵌入維數(shù)， 為歷史數(shù)據(jù)與未來數(shù)據(jù)的函數(shù)映射關系。與神經(jīng)網(wǎng)絡法類似，利用支持向量回歸求解上述模型就是對大量歷史數(shù)據(jù)進行訓練，凸顯歷史的連續(xù)性和重現(xiàn)性，避免偶然性的影響，從而使訓練出的模型能適應大量的情況，只要待預測的數(shù)據(jù)屬于其中的任一種情況，即可得到滿意的預測結果。

（1）對歷史數(shù)據(jù)進行歸一化處理，及在原始數(shù)據(jù)中找出最大值，再用所有數(shù)據(jù)去除，即可將原始數(shù)據(jù)均變?yōu)樾∮?的數(shù)值，方便在Matlab軟件里面運行。根據(jù)以往經(jīng)驗可知，一般來說，核函數(shù)選擇高斯函數(shù)效果要好于其他兩個。并選擇參數(shù)C（一般取2的次方）和g。

（2）輸入訓練數(shù)據(jù)，建立預測模型。

（3）將訓練數(shù)據(jù)的預測結果與實際歷史數(shù)據(jù)比較，如果誤差結果符合預想，即可以進行預測。如果偏差較大，則返回步驟2重新修改C和g，再次預測。

3.2算例分析

這里我們以達坂城2006年5月連續(xù)28天風電場30米處，每10分鐘采集一次得到的風速數(shù)據(jù)[12-13]，來對接下來的一天即5月29號的24個小時的風速進行短期預測，該數(shù)據(jù)為每十分鐘采樣一點，一天共有144個風速的采樣點。得到的結果我們以圖形顯示，圖2（a）給出了對于達坂城電廠提前一天，提前6-12小時，以及提前一小時的市場設計中，風速預測的情況，與實際風速之間關系的比較圖。進而，我們再以5月份連續(xù)28天的風速數(shù)據(jù)，滾動的預測接下來一周的24小時風速，同樣按提前一天，提前6-12小時，以及提前一小時的市場設計，比較見圖2（b）。

圖1（a）5月29日達坂城電廠提前24h、提前6-12h，以及提前1h的風速預測情況

圖1（b）5月29日-6月4日達坂城電廠提前24h、提前6-12h，以及提前1h的風速預測情況

可以看出，預測時間離交易時間越近，風速預測準確度將會有所提高，而與風速呈正相關函數(shù)擬合關系的風電功率的準確度也必將會有所提高，這樣的市場設計的交易成本將會越小。

4.結論

可再生能源的發(fā)展是世界電力發(fā)展的必然趨勢，風電作為主要的可再生能源形勢，一直以來都被各個國家所重視，并且在很多國家也得到了良好的發(fā)展，為了鼓勵發(fā)電商投資風能發(fā)電領域，歐洲很多國家采用了許多補貼政策來鼓勵風能的發(fā)展。但是隨著風能在電力市場的占有率越來越高，風電參與市場報價是不可避免的趨勢，文中給出了幾種市場設計形式，通過仿真計算可以看出，市場設計越靈活，風電生產(chǎn)商越接近交易時段進行報價，可以有效提高風電功率預測精度，從而降低市場交易成本，所以，在市場設計的時候，為了降低交易成本，有必要對風電發(fā)電商進行實施獎懲制度，以保證風電功率預測的精度。

參考文獻：

[1]Cristina L.Archer，Mark Z.Jacobson.Evaluation of Global Wind Power[R].America： Department of Civil and Environmental Engineering， Stanford University，Stanford，CA，2005

[2]Klaus Rave，Sven Teske，Steve Sawyer.Global Wind Energy Outlook 2010[R].Global Wind Energy Council，2010

[3]Steve Sawyer，Klaus Rave.Global Wind Report： Annual market update 2010[R].Global Wind Energy Council，2010

[4]肖創(chuàng)英.歐美風電發(fā)展的經(jīng)驗與啟示[M].北京：中國電力出版社，2010

[5]馮雙磊，王偉勝，劉純等.風電場功率預測物理方法研究[J].中國電機工程學報，2010，30（2）：1-6.

[6]孫春順，王耀南，李欣然.小時風速的向量自回歸模型及應用[J].中國電機工程學報，2008，28（14）：112-117.

[7]鄧乃揚，田英杰.支持向量機-理論、算法與拓展[M].北京：科學出版社，2009：124-133.

[8]謝宏，魏江平，劉鶴立. 短期負荷預測中支持向量機模型的參數(shù)選取和優(yōu)化方法[J].中國電機工程學報，2006.26（22）.17-22.

[9]趙登福，王蒙，張講社，王錫凡. 基于支撐向量機方法的短期負荷預測[J].中國電機工程學報，2002.22（4）：26-30.

[10]王慧勤. 基于支持向量機的短期風速預測研究[J].寶雞文理學院學報，2009.29（1）：16-18.

[11]戚雙斌，王維慶，張新燕.基于支持向量機的風速與風功率預測方法研究[J].華東電力，2009.37（9）：1600-1603.

[12]陳盼，陳皓勇，葉榮.基于多尺度形態(tài)學分析的風速預測[J].電力系統(tǒng)保護與控制，2010.38（21）：12-15.

[13]陳盼，陳皓勇，葉榮，陳天恩，李丹.基于小波包和支撐向量回歸的風速預測.電網(wǎng)技術，2011.35（5）：177-182.