考慮風(fēng)電的省級電網(wǎng)多類市場購電風(fēng)險(xiǎn)研究

方日升

（國網(wǎng)福建省電力有限公司，福建福州 350003）

考慮風(fēng)電的省級電網(wǎng)多類市場購電風(fēng)險(xiǎn)研究

方日升

（國網(wǎng)福建省電力有限公司，福建福州 350003）

電力市場環(huán)境下，風(fēng)電和負(fù)荷的不確定性給省級電網(wǎng)的購電決策造成了重大的影響?？紤]負(fù)荷電量、風(fēng)電購電量和日前現(xiàn)貨市場電價(jià)的不確定性，以期望購電成本最小和遭受損失的風(fēng)險(xiǎn)最小為目標(biāo)，建立期望購電成本-損失風(fēng)險(xiǎn)模型。采用CVaR度量損失的風(fēng)險(xiǎn)，并通過多目標(biāo)粒子群優(yōu)化算法和模糊集理論求得最優(yōu)折中解。通過算例計(jì)算，分析了風(fēng)電對省級電網(wǎng)的購電成本、損失風(fēng)險(xiǎn)和各市場購電量分配的影響，以及風(fēng)電電價(jià)對省級電網(wǎng)購電的影響；表明了該模型的可行性，為省級電網(wǎng)購電決策提供了參考，實(shí)現(xiàn)了期望購電成本和風(fēng)險(xiǎn)的最小化。

風(fēng)電并網(wǎng)；購電風(fēng)險(xiǎn)；省級電網(wǎng)；條件風(fēng)險(xiǎn)價(jià)值；多目標(biāo)粒子群優(yōu)化算法

在新的電力市場環(huán)境下風(fēng)電大量接入，增加了省級電網(wǎng)購電決策的難度。如何在各市場中進(jìn)行購電量分配，使其購電成本最小和可能遭受損失的風(fēng)險(xiǎn)最小，是一個(gè)值得重視的問題，具有實(shí)際意義。

目前，許多文獻(xiàn)對電力市場中如何在多個(gè)市場進(jìn)行購電量分配的問題進(jìn)行了研究[1-2]。文獻(xiàn)[3]建立省級電網(wǎng)在省內(nèi)、外各市場的購電優(yōu)化模型，并采用模糊優(yōu)化算法進(jìn)行求解。文獻(xiàn)[4-5]考慮購電風(fēng)險(xiǎn)，在傳統(tǒng)電力市場中研究供電公司的購電組合策略。文獻(xiàn)[6]考慮可中斷負(fù)荷參與到電力市場中，對配電公司的購電決策進(jìn)行研究，表明可中斷負(fù)荷可以有效地降低配電公司的購電風(fēng)險(xiǎn)。文獻(xiàn)[7]考慮分布式發(fā)電參與電能市場，基于最優(yōu)潮流建立配電公司在日前市場的購電模型。文獻(xiàn)[8]針對水電的不確定性建立省電力公司的最優(yōu)購電決策模型，實(shí)現(xiàn)水電和火電的配合。上述文獻(xiàn)的研究成果在傳統(tǒng)的電力市場環(huán)境中取得了廣泛的應(yīng)用，但均沒有考慮風(fēng)電不確定性對省級電網(wǎng)購電決策的影響。

而目前考慮風(fēng)電不確定性研究風(fēng)電對省級電網(wǎng)購電決策影響的文獻(xiàn)較少。文獻(xiàn)[9]在智能電網(wǎng)發(fā)展的背景下，考慮風(fēng)電的不確定性，采用風(fēng)險(xiǎn)元傳遞理論描述供電企業(yè)的購電風(fēng)險(xiǎn)，建立智能電網(wǎng)購電優(yōu)化模。文獻(xiàn)[10]計(jì)及風(fēng)電的不確定性，采用絕對半離差作為風(fēng)險(xiǎn)指標(biāo)，建立區(qū)域電力市場省級電網(wǎng)月度購電風(fēng)險(xiǎn)管理模型。但上述文獻(xiàn)均沒有對省級電網(wǎng)的多類市場購電決策進(jìn)行建模分析。

針對上述文獻(xiàn)的不足，本文考慮負(fù)荷電量、風(fēng)電購電量和日前現(xiàn)貨市場電價(jià)的不確定性對省級電網(wǎng)購電決策產(chǎn)生的影響，以期望購電成本最小和損失的風(fēng)險(xiǎn)最小為目標(biāo)，建立期望購電成本-損失風(fēng)險(xiǎn)模型。采用條件風(fēng)險(xiǎn)價(jià)值（condition value at risk，CVaR）度量遭受損失的風(fēng)險(xiǎn)，并通過多目標(biāo)粒子群優(yōu)化算法 （multi-objective particle swarm optimization algorithm，MOPSO）求得Pareto有效前沿，再通過模糊集理論求得最優(yōu)折中解。最后分析了風(fēng)電對省級電網(wǎng)的購電成本、損失風(fēng)險(xiǎn)和在各市場購電量分配的影響，以及風(fēng)電電價(jià)的敏感性分析。

1 條件風(fēng)險(xiǎn)價(jià)值

本文采用在金融領(lǐng)域內(nèi)被廣泛應(yīng)用的風(fēng)險(xiǎn)計(jì)量指標(biāo)——CVaR。CVaR表示投資損失超過VaR的條件均值[11]，它反映了損失超過閾值時(shí)可能遭受的損失的平均水平，體現(xiàn)了投資存在的風(fēng)險(xiǎn)[12]。

設(shè)X為目標(biāo)組合可行集，X?Rn；令f（x，y）為損失函數(shù)。其中，x∈X為決策變量，y∈Rm為決定省級電網(wǎng)在各市場購電量的不確定隨機(jī)向量，假設(shè)p（y）為y的概率密度函數(shù)，對于確定的x，由y引起的損失f（x，y）是R上服從某一分布的隨機(jī)變量，其不超過臨界值α的分布函數(shù)為

以β表示置信水平，αβ（x）表示當(dāng)目標(biāo)組合為x時(shí)損失f（x，y）所對應(yīng)的VaR值，其計(jì)算公式為

又以φβ（x）表示損失f（x，y）不小于αβ（x）時(shí)的CVaR值：

式中：β∈（0，1）為置信水平，表示1-β的概率下，投資者允許其投資組合策略可能遭受的損失為某一風(fēng)險(xiǎn)水平。

因此，本文采用式（3）確定目標(biāo)組合x及相應(yīng)的CVaR值，評估省級電網(wǎng)可能遭受損失的風(fēng)險(xiǎn)。

2 省級電網(wǎng)購電風(fēng)險(xiǎn)模型

隨著電力市場改革的深入和風(fēng)電的快速發(fā)展，給省級電網(wǎng)購電決策帶來了新的機(jī)遇和挑戰(zhàn)。省級電網(wǎng)作為購電決策者，在滿足負(fù)荷電量需求且售電收入一定的情況下，希望投入更少的購電成本以提高購電效益；同時(shí)，希望省級電網(wǎng)可能遭受損失的風(fēng)險(xiǎn)最小。因此，省級電網(wǎng)需在各市場進(jìn)行購電量分配，權(quán)衡購電成本和風(fēng)險(xiǎn)之間的矛盾，以追求購電成本最小和風(fēng)險(xiǎn)最小。

2.1 省級電網(wǎng)購電成本

本文研究的電力市場包括遠(yuǎn)期合約市場、日前現(xiàn)貨市場和輔助服務(wù)市場。在新的電力市場環(huán)境下，風(fēng)電參與到遠(yuǎn)期合約市場和日前現(xiàn)貨市場交易中。省級電網(wǎng)從以上電力市場中購電，以1 h為分析對象，則在t時(shí)段省級電網(wǎng)所需購電成本為

式中：F（t）為省級電網(wǎng)在t時(shí)段的購電成本；CM（t）、CN（t）、CR（t）分別為在t時(shí)段從遠(yuǎn)期合約市場、日前現(xiàn)貨市場和輔助服務(wù)市場的購電成本。

1）遠(yuǎn)期合約市場

遠(yuǎn)期合約市場電價(jià)固定，從遠(yuǎn)期合約市場購電是省級電網(wǎng)規(guī)避風(fēng)險(xiǎn)的一個(gè)重要措施。省級電網(wǎng)在遠(yuǎn)期合約市場簽訂合同電量，并按合同規(guī)定的電量和電價(jià)進(jìn)行交易。

風(fēng)力發(fā)電參與到電力交易后，為便于表述，將遠(yuǎn)期合約市場分為常規(guī)發(fā)電市場和風(fēng)力發(fā)電市場。雖然遠(yuǎn)期合約市場按合同規(guī)定的電量和電價(jià)進(jìn)行交易，但由于風(fēng)電的波動性，且為了促進(jìn)風(fēng)電的消納水平，允許實(shí)際成交的風(fēng)電電量在其合約電量的基礎(chǔ)上服從正態(tài)分布進(jìn)行波動[13]，則省級電網(wǎng)t時(shí)段在遠(yuǎn)期合約市場的購電成本為

式中：第一項(xiàng)為遠(yuǎn)期合約市場中常規(guī)發(fā)電市場的購電成本；第二項(xiàng)為遠(yuǎn)期合約市場中風(fēng)電市場的購電成本；Qm（t）、qm（t）分別為t時(shí)段在遠(yuǎn)期合約市場從常規(guī)發(fā)電市場購買的電量和電價(jià)；QW1（t）、qW1（t）分別為t時(shí)段在遠(yuǎn)期合約市場從風(fēng)力發(fā)電市場購買的電量和電價(jià)。

2）日前現(xiàn)貨市場

同理，為便于表述，將日前現(xiàn)貨市場分為常規(guī)發(fā)電市場和風(fēng)力發(fā)電市場。日前現(xiàn)貨市場價(jià)格不確定，價(jià)格波動將導(dǎo)致風(fēng)險(xiǎn)的發(fā)生，假設(shè)其價(jià)格的波動性服從正態(tài)分布。由于日前風(fēng)電預(yù)測較準(zhǔn)確，實(shí)際電量按計(jì)劃電量成交，即電量保持不變。則省級電網(wǎng)t時(shí)段在日前現(xiàn)貨市場的購電成本為

式中：Qn（t）、qn（t）分別為t時(shí)段在日前現(xiàn)貨市場從常規(guī)發(fā)電市場購買的電量和電價(jià)；QW2（t）、qW2（t）分別為t時(shí)段在日前現(xiàn)貨市場從風(fēng)力發(fā)電市場購買的電量和電價(jià)，作為日前現(xiàn)貨市場的電價(jià)qW2（t）等于qn（t）。

3）輔助服務(wù)市場

為了保證系統(tǒng)的可靠性水平，需要準(zhǔn)備一定量的備用。本文中的輔助服務(wù)市場主要是備用量的購買，則省級電網(wǎng)t時(shí)段在輔助服務(wù)市場的購電成本為

式中：QR（t）、qR（t）分別為t時(shí)段在輔助服務(wù)市場購買的電量和電價(jià)。

其中，備用電量QR（t）等于負(fù)荷電量預(yù)測值的5%～10%與日前現(xiàn)貨市場風(fēng)電購電量的10%～20%之和[14]，即

式中：L（t）為t時(shí)段負(fù)荷電量預(yù)測值。

由于風(fēng)電出力、日前現(xiàn)貨市場電價(jià)的波動性，使得購電成本很難精確的估計(jì)。因風(fēng)電預(yù)測偏差和日前現(xiàn)貨市場電價(jià)偏差都服從正態(tài)分布，且假設(shè)它們相互獨(dú)立；根據(jù)統(tǒng)計(jì)學(xué)原理，省級電網(wǎng)的購電成本函數(shù)也服從的正態(tài)分布，則

式中：μW1（t）為t時(shí)段在遠(yuǎn)期合約市場從風(fēng)力發(fā)電市場購買的電量；μn（t）為t時(shí)段在日期現(xiàn)貨市場從常規(guī)發(fā)電市場購電的電價(jià)均值，μW2（t）為t時(shí)段在日期現(xiàn)貨市場從風(fēng)力發(fā)電市場購電的電價(jià)均值。

2.2 省級電網(wǎng)損失風(fēng)險(xiǎn)

在一定時(shí)期內(nèi)，假設(shè)省級電網(wǎng)以固定電價(jià)售電，負(fù)荷電量預(yù)測偏差服從的正態(tài)分布[15]，則獲得的購電效益等于售電收入減去購電成本，即

式中：R（t）為省級電網(wǎng)在t時(shí)段的購電效益；qs（t）為在t時(shí)段的售電電價(jià)。

省級電網(wǎng)的購電損失函數(shù)S（t）為購電效益的負(fù)值，即

式中：μL（t）為t時(shí)段負(fù)荷電量預(yù)測的均值。

根據(jù)上文第一節(jié)所述，可得省級電網(wǎng)購電損失風(fēng)險(xiǎn)的CVaR值為

式中：p（y）為損失函數(shù)的概率密度。

2.3 約束條件

1）供需平衡約束

2）各市場購電量約束

3 購電成本-損失風(fēng)險(xiǎn)模型及求解方法

3.1 購電成本-損失風(fēng)險(xiǎn)模型的目標(biāo)函數(shù)

從省級電網(wǎng)的角度出發(fā)，在滿足系統(tǒng)給定可靠性的前提下，以期望購電成本最小和損失風(fēng)險(xiǎn)最小為2個(gè)目標(biāo)，建立購電成本-損失風(fēng)險(xiǎn)多目標(biāo)模型，即

3.2 基于MOPSO算法的優(yōu)化模型求解方法

MOPSO算法是以粒子群算法為基礎(chǔ)來解決多目標(biāo)問題的一種方法，具有收斂速度快，易于操作等優(yōu)點(diǎn)。因此，本文采用MOPSO算法求解本文所提出的模型。

1）求取Pareto有效前沿

由于這2個(gè)目標(biāo)的矛盾性，因此不存在唯一解同時(shí)使該兩目標(biāo)達(dá)到最優(yōu)，而是一組非劣解集。通過MOPSO算法可以求解得到Pareto有效前沿。

2）最優(yōu)折中解

由于MOPSO算法最后得到的是一個(gè)非劣解集，因此需要從該非劣解集中確定一個(gè)最優(yōu)解。本文采用模糊集理論從Pareto有效前沿中選出最優(yōu)折中解[16]。首先，將所得到的Pareto有效前沿中的非劣解按式（19）所示的隸屬度函數(shù)進(jìn)行歸一化處理，然后按式（20）所示的加權(quán)和得到各個(gè)解的滿意度值。最后，取滿意度最大的解作為該模型的最優(yōu)折中解。

3）算法流程圖

采用MOPSO算法和模糊集理論求解購電成本-損失風(fēng)險(xiǎn)模型的流程如圖1所示。

圖1 算法流程圖Fig.1 Flowchart of algorithm

4 算例計(jì)算與分析

4.1 系統(tǒng)參數(shù)設(shè)置

遠(yuǎn)期合約市場和日前現(xiàn)貨市場下的常規(guī)發(fā)電市場和風(fēng)力發(fā)電市場的電價(jià)和電量、及其均值和標(biāo)準(zhǔn)差如表1所示，表中“—”表示不存在該項(xiàng)的標(biāo)準(zhǔn)差，即實(shí)際成交的電量或電價(jià)保持不變。

表1 購電數(shù)據(jù)Tab.1 power purchase data

某地區(qū)負(fù)荷電量預(yù)測數(shù)據(jù)L（t）=2 000 MW·h，偏差σL=3%L（t），售電電價(jià)CVaR的置信水平β為90%。

4.2 風(fēng)電對購電決策的影響

取權(quán)值θ1=θ2=0.5進(jìn)行討論，通過MOPSO算法求解不同情景下的兩目標(biāo)模型，得到Pareto有效前沿如圖2所示；再通過模糊集理論求取最優(yōu)折中解，如表2所示。

圖2 Pareto有效前沿Fig.2 Pareto efficient frontier

從圖2中可以看出，隨著省級電網(wǎng)期望購電成本的增加，省級電網(wǎng)損失的風(fēng)險(xiǎn)隨之降低。這是因?yàn)橘忞姵杀镜脑黾邮沟觅忞娛袌銎蛴陔妰r(jià)較高但電價(jià)穩(wěn)定的遠(yuǎn)期合約市場中的常規(guī)發(fā)電市場，從而增加了購電成本，降低了風(fēng)險(xiǎn)，起到了規(guī)避市場風(fēng)險(xiǎn)的作用。

從表2中可以看出，考慮風(fēng)電后的期望購電成本和在遠(yuǎn)期合約市場從常規(guī)發(fā)電市場購買的電量減少，而風(fēng)險(xiǎn)有所增加。這是因?yàn)樵谶h(yuǎn)期合約市場的風(fēng)電電價(jià)比常規(guī)發(fā)電的低，所以部分電量向風(fēng)電轉(zhuǎn)移，降低了購電成本；雖然由于風(fēng)電的波動性，需增加備用電量，但總的期望購電成本還是有所減少。同時(shí)，由于允許遠(yuǎn)期合約市場的風(fēng)電在其購電量的基礎(chǔ)上波動，所以增加了省級電網(wǎng)的風(fēng)險(xiǎn)。

4.3 風(fēng)電電價(jià)對省級電網(wǎng)購電的影響

風(fēng)電電價(jià)影響省級電網(wǎng)在風(fēng)電市場的購電量，通過改變風(fēng)電電價(jià)，分析風(fēng)電電價(jià)對購電的影響，如圖3所示。為便于表示，定義：不考慮風(fēng)電為情景1；考慮風(fēng)電，風(fēng)電電價(jià)qW1（t）、μW2（t）分別等于50$/（MW·h）和58$/（MW·h）時(shí)為情景2；考慮風(fēng)電，風(fēng)電電價(jià)qW1（t）、μW2（t）分別等于55$/（MW·h）和65$/（MW·h）時(shí)為情景3。

表2 購電優(yōu)化結(jié)果Tab.2 Results of power purchase optimization

表3 風(fēng)電電價(jià)對購電的影響Tab.3 The effect of wind power price on power purchase

從表3中可以看出：當(dāng)風(fēng)電電價(jià)較低時(shí)（情景2），省級電網(wǎng)從風(fēng)電中購買較多的電量，甚至達(dá)到了在風(fēng)電市場中購電量的最大限值。這是因?yàn)檩^低的風(fēng)電電價(jià)可以減少省級電網(wǎng)在日期現(xiàn)貨市場購買高價(jià)的電量，從而降低了期望購電成本和風(fēng)險(xiǎn)。當(dāng)風(fēng)電電價(jià)較高時(shí)（情景3），省級電從風(fēng)電市場中購買電量所需成本太高，因此盡可能不在風(fēng)電市場中購買電量，但由于最小購電量的限制，省級電網(wǎng)必須要從風(fēng)電市場中購買部分電量，從而放棄了一部分價(jià)格較低且無風(fēng)險(xiǎn)的電量，導(dǎo)致省級電網(wǎng)的期望購電成本和風(fēng)險(xiǎn)增加。

4.4 權(quán)值對購電決策的影響

考慮風(fēng)電后，改變權(quán)值，分析權(quán)值對期望購電成本、風(fēng)險(xiǎn)和各市場購電量分配的影響，如表4所示。

表4 不同權(quán)值下的購電優(yōu)化結(jié)果Tab.4 Results of power purchase optimization under different weights

期望購電成本權(quán)值的增加表示省級電網(wǎng)對購電成本重視程度的增加，也就是說在期望購電成本最小和風(fēng)險(xiǎn)最小這兩個(gè)目標(biāo)上更趨向于追求期望購電成本的最小化。從表4中可以看出，隨著期望購電成本權(quán)值的增加，期望購電成本逐漸減少，購電量從遠(yuǎn)期合約市場向電價(jià)較低的日前現(xiàn)貨市場轉(zhuǎn)移；雖然降低了期望購電成本，但由于日前現(xiàn)貨市場電價(jià)的波動性使得風(fēng)險(xiǎn)增加，體現(xiàn)了這2個(gè)目標(biāo)相互制約、相互依存的關(guān)系。

5 結(jié)論

隨著電力市場改革的不斷深入以及風(fēng)力發(fā)電的大規(guī)模發(fā)展，給省級電網(wǎng)購電決策帶來了顯著的影響。本文圍繞省級電網(wǎng)的購電成本、遭受損失的風(fēng)險(xiǎn)和在各市場的購電量分配，主要的研究工作和結(jié)論如下：

1）本文考慮負(fù)荷電量、風(fēng)電購電量和日前現(xiàn)貨市場電價(jià)的不確定性，建立期望購電成本-損失風(fēng)險(xiǎn)模型，以CVaR作為風(fēng)險(xiǎn)度量指標(biāo)，對省級電網(wǎng)可能遭受損失的風(fēng)險(xiǎn)進(jìn)行評估，描述期望購電成本和損失風(fēng)險(xiǎn)之間的關(guān)系，為省級電網(wǎng)的購電決策提供參考。

2）研究表明，風(fēng)電對省級電網(wǎng)購電決策的影響與風(fēng)電電價(jià)有關(guān)，當(dāng)風(fēng)電電價(jià)較低時(shí)從風(fēng)電中購買電量有效地降低期望購電成本和風(fēng)險(xiǎn)；而當(dāng)風(fēng)電電價(jià)較高時(shí)從風(fēng)電中購買電量將大大增加省級電網(wǎng)的期望購電成本和風(fēng)險(xiǎn)。

[1]周明，聶艷麗，李庚銀，等.電力市場下長期購電方案及風(fēng)險(xiǎn)評估[J].中國電機(jī)工程學(xué)報(bào)，2006，26（3）：116-122.ZHOU Ming，NIE Yanli，LI Gengyin，et al.Long-term electricity purchasing scheme and risk assessment in power market[J].Proceedings of the CSEE，2006，26（3）：116-122（in Chinese）.

[2]劉亞安，管曉宏，薛禹勝.Price-taker在兩個(gè)電力市場中的交易決策（一）購電商的策略[J].電力系統(tǒng)自動化，2004，28（16）：13-16.LIU Yaan，GUAN Xiaohong，XUE Yusheng.Optimal allocation in dual markets for price-taker：part one for purchaser[J].Automation of Electric Power Systems，2004，28（16）：13-16（in Chinese）.

[3]尚金成，王綿斌，譚忠富，等.省級電力公司的購電決策模型及其模糊優(yōu)化算法[J].華東電力，2008，36（11）：103-107.SHANG Jincheng，WANG Mianbin，TAN Zhongfu，et al.Purchasing strategy models of provincial grid companies and relevant fuzzy optimization algorithms[J].East China Electric Power，2008，36（11）：103-107（in Chinese）.

[4]陳彥州，趙俊華，文福拴，等.偏度風(fēng)險(xiǎn)價(jià)值下供電公司/電力零售公司動態(tài)購電組合策略[J].電力系統(tǒng)自動化，2011，35（6）：25-29.CHEN Yanzhou，ZHAO Junhua，WEN Fushuan，et al.A skewness-VaR based dynamic electricity purchasing strategy for power supply companies/retail companies[J].Automation of Electric Power Systems，2011，35（6）：25-29（in Chinese）.

[5]劉友波，劉俊勇，唐杰明.計(jì)及需求側(cè)電量電價(jià)彈性矩陣與風(fēng)險(xiǎn)的供電公司周市場購電優(yōu)化決策模型[J].電網(wǎng)技術(shù)，2008，32（18）：18-24.LIU Youbo，LIU Junyong，TANG Jieming.An optimal decision-making model for power supply company’s power purchase in weekly market considering price elasticity matrix of demand side and risk[J].Power System Technology，2008，32（18）：18-24（in Chinese）.

[6]王瑞慶，李渝曾，張少華.考慮分布式發(fā)電和可中斷負(fù)荷的配電公司購電組合策略研究[J].電力系統(tǒng)保護(hù)與控制，2009，37（22）：17-21.WANG Ruiqing，LI Yuzeng，ZHANG Shaohua.Research on purchasing portfolio strategies of distribution companies with distributed generation and interruptible load[J].Power System Protection and Control，2009，37（22）：17-21（in Chinese）.

[7]魏玲，楊明皓.輸配分離電力市場中含分布式發(fā)電的配電公司購電模型[J].電網(wǎng)技術(shù)，2008，32（8）：71-76.WEI Ling，YANG Minghao.A power purchase model for distributed company containing distributed power generation in electricity market with transmission separated from distribution[J].Power System Technology，2008，32（8）：71-76（in Chinese）.

[8]羅朝春，李湘旗，姚賽.水電不確定條件下電力公司最優(yōu)購電策略分析[J].電力科學(xué)與技術(shù)學(xué)報(bào)，2014，29（2）：89-94.LUO Chaochun，LI Xiangqi，YAO Sai.Optimal electricity-purchasing strategy of power company based on uncertain hydropower[J].Journal of Electric Power Science and Technology，2014，29（2）：89-94（in Chinese）.

[9]李鵬，李存斌，祁之強(qiáng).智能電網(wǎng)下考慮風(fēng)險(xiǎn)的供電企業(yè)購電優(yōu)化模型[J].運(yùn)籌與管理，2014，23（1）：108-115.LI Peng，LI Cunbin，QI Zhiqiang.Power supply enterprises purchase optimization model considering risk in smart grid [J].Operations Research and Management Science，2014，23（1）：108-115（in Chinese）.

[10]文旭，王俊梅，郭琳.計(jì)及風(fēng)電不確定性的省級電網(wǎng)月度購電風(fēng)險(xiǎn)管理模型[J].電力自動化設(shè)備，2015，35（7）：106-112.WEN Xu，WANG Junmei，GUO Lin.Risk management model considering wind power uncertainty for monthly power purchasing of provincial grid[J].E1ectric Power Automation Equipment，2015，35（7）：106-112（in Chinese）.

[11]ROCKAFELLAR R T，URYASEV S.Conditional valueat-risk for general loss distributions[C].Journal of Banking and Finance，2002，26（7）：1443-1471.

[12]王壬，尚金成，馮旸，等.基于CVaR風(fēng)險(xiǎn)計(jì)量指標(biāo)的發(fā)電商投標(biāo)組合策略及模型[J].電力系統(tǒng)自動化，2005，29（14）：5-9.WANG Ren，SHANG Jincheng，F(xiàn)ENG Yang，et al.Combined bidding strategy and model for power suppliers based on CVaR risk measurement techniques[J].Automation of Electric Power Systems，2005，29（14）：5-9（in Chinese）.

[13]DOHERTY R，MALLEY M O.A new approach to quantify reserve demand in systems with significant installed wind capacity[J].IEEE Transactions on Power Systems，2005，20（2）：587-595.

[14]張粒子，周娜，王楠，大規(guī)模風(fēng)電接入電力系統(tǒng)調(diào)度模式的經(jīng)濟(jì)性比較 [J].電力系統(tǒng)自動化，2011，35（22）：105-110.ZHANG Lizi，ZHOU Na，WANG Nan.Economic comparison for different generation scheduling with large scale wind power connected power system[J].Automation of Electric Power Systems，2011，35（22）：105-110（in Chinese）.

[15]盧志剛，劉艷娥，馬麗葉，等.基于安全等級的電網(wǎng)最優(yōu)安全經(jīng)濟(jì)域研究 [J].電工技術(shù)學(xué)報(bào)，2015，30（20）：210-218.LU Zhigang，LIU Yan’e，MA Liye，et al.The optimal security and economic region study based on the security hierarchy[J].Transactions of China Electrotechnical Society，2015，30（20）：210-218（in Chinese）.

[16]吳杰康，唐力.基于模糊機(jī)會約束規(guī)劃的水火電力系統(tǒng)多目標(biāo)隨機(jī)調(diào)度模型[J].中國電機(jī)工程學(xué)報(bào)，2011，31（25）：26-34.WU Jiekang， TANG Li.Mutli-objective stochastic scheduling models for hydrothermal plants based on fuzzy chance constrained programming[J].Proceedings of the CSEE，2011，31（25）：26-34（in Chinese）.

Research on Multi-Market Power Purchasing Risk of Provincial Grid Considering Wind Power

FANG Risheng
（State Grid Fujian Electric Power Company Limited，F(xiàn)uzhou 350003，F(xiàn)ujian，China）

In the electricity market environment，the uncertainty of wind power and load has significant impacts on the purchase decision of the provincial power grid.In this paper an expected electricity purchasing cost-loss risk model is built with the goal of minimum expected purchase electricity cost and minimum risk of suffering losses considering the uncertainty of load quantity，wind power purchasing power and the electrovalence of day-ahead spot market.The condition value at risk (CVaR)is used to measure the risk of loss，and the optimal compromise solution is obtained through the multi-objective particle swarm optimization algorithm and the fuzzy set theory.The effects of the wind power on the provincial grid’s purchase electricity cost，risk of loss and purchase electricity distribution in each market and the effect of wind power price on the provincial power purchase are analyzed with examples.The analysis result has verified feasibility of the model，suggesting thatthe model provides some references on the decision of power purchasing for the provincial power grid and helps to realize the minimum expected purchase electricity cost and risk.

wind power integration；power purchase risk；provincial power grid；conditional value at risk；multi-objective particle swarm optimization algorithm

2015-08-09。

方日升（1969—），男，博士，高級工程師，主要從事電力系統(tǒng)調(diào)度與交易及其管理的研究工作。

（編輯 馮露）

福建省自然科學(xué)基金項(xiàng)目（2013J01176）。

Project Supported by the Natural Science Foundation of Fujian Province（2013J01176）.

1674-3814（2017）04-0113-06

TM71

A