深度｜售电公司市场运行服务构架及日前电价风险决策方法

摘要

售电公司在进行电力零售业务电价决策时需要考虑各种不确定因素引起的收益风险。基于“电网公司-售电公司-用户”三层市场构架,提出了一种基于多代理服务构架的售电公司日前小时电价风险决策方法。该方法在保证用户隐私性的情况下,应用负荷电量电价弹性矩阵对用户侧进行建模,并采用条件风险价值度量售电公司决策风险,构建计及售电收益与潜在收益的售电公司日前小时电价决策模型,通过混沌粒子群算法进行求解。最后通过算例分析验证了所提风险决策方法对协调售电公司利润与风险的效果。

孔祥玉1, 张禹森2, 杨世海3,4, 李志新3,4, 王继东1

1．智能电网教育部重点实验室(天津大学),天津市 南开区 300072

2．国网河北省电力有限公司 雄安新区供电公司,河北省 保定市 071600

3．国网江苏省电力有限公司 电力科学研究院,江苏省 南京市 210019

4．国家电网公司 电能计量重点实验室,江苏省 南京市 210019

0 引言

传统销售电价采用较为恒定的价格,难以反映电力系统的运行状态和电能的供求关系,无法充分发挥市场在调节需求中的作用[1]。随着电力市场化改革的不断深化,售电公司将取代传统的营销模式,发挥代理大量用户参与电力市场的作用[2]。在配售分离后的终端售电市场,售电公司将成为销售电价制定的新兴主体,电力的销售价格也将由市场决定。同时,智能电网的发展使得智能控制和双向通信技术在用户侧大量应用,极大提高了用户主动参与电网运行和进行需求响应的能力[2]。在用户对于售电公司的价格和激励具有较高敏感度的情况下,售电公司如何通过价格决策引导用户的用电行为,并最大程度的实现自身利益,受到关注。

国内外有关售电公司购售电方面的研究主要集中在竞争机制与电价策略、用户响应分析以及风险管理等方面。文献[3]研究了购电侧考虑双边合同、现货市场购电,售电侧考虑需求侧响应的售购电决策模型。文献[4]以提高售电商经济效益为目标,建立了多元化发电主体和购电主体组成的电能交易非合作博弈模型。文献[5]将零售商作为电价接受者,在考虑电力库电价不确定的情况下,建立以自身收益最大化为目标的鲁棒优化模型。文献[6-7]均基于实时电价建立了售电公司与多用户构成的斯坦克尔伯格(Stackelberg)博弈模型,其中文献[6]将用户侧模型线性化,与售电侧联合构建,验证了算法在保证用户与售电侧利益的同时有利于削减峰谷差;文献[7]则侧重于研究日前小时电价(day- ahead hourly pricing,DAHP),并论述了相对于其它类型电价在需求响应方面的优势。在价格决策方面,文献[8]搭建了基于多智能体模拟的微电网竞价模型,采用多轮投标的形式,基于本地供电资源的竞价及大电网购售电价格信息确定内部结算电价。文献[9]引入用户侧负荷作为平衡资源,构建了考虑平衡市场时的售电公司交易策略。部分学者对考虑风险的价格决策管理进行研究,如文献[10-11]采用最小化方差法衡量风险;文献[12-13]考虑多种合同方式,采用条件风险价值(conditional value at risk,CVaR)进行风险评估,构建了供电公司最优购电组合风险决策模型;文献[14]研究了园区参与电力市场的互动行为,构建了基于随机规划的出清 模型。

综上所述,在售电公司购售电方面,已有较多针对售电公司购电策略、用户响应分析、费率体系等方面的研究,但对售电公司电价决策机制和考虑售电收益风险分析研究较少。在“互联网+”智慧能源的推动下,售电公司和用户的频繁双向互动将成为趋势。为配合大规模可再生新能源的充分消纳,售电公司可通过DAHP[7]的实施增加用户与电力系统之间的联动效果,即有利于挖掘用户侧的用电弹性,又可提高社会总效益、实现能源的绿色发展。

因此,本文从“电网公司-售电公司-用户”三层市场构架角度出发,以基于多代理的购售电服务构架为基础[15],以DAHP为决策目标,构建了售电与用户价格决策模型,解决以售电公司总效益最大为优化目标的最优售电电价决策问题。其中,用户Agent对基于负荷电量电价矩阵的不同类型的设备进行建模;售电公司Agent通过Logit函数衡量的场份额潜在收益,并采用CVaR理论对售电侧、购电侧与预期潜在收益的不确定性进行风险研究。本文成果适用于售电价格放开后的市场机制,为电力系统“源荷”互动下售电公司购售电交易策略提供一定的决策支持。

1 售电公司市场运行服务构架

售电公司代表的是一种公共和基础的底层服务,以卖电提供用电服务为主。随着电力市场化与智能电网的不断发展,售电公司类型及服务内涵获得了扩充,能够代理大量用户参与电力市场。本文所构建售电公司模型均基于以下假设：

1）售电公司制定的内部电价所引起的负荷变化对电网公司影响很小,可视为购电价格接受者。通常情况下售电公司的购电成本包括现货市场购电成本与中长期市场购电成本,由于中长期市场仅仅影响售电公司在现货市场的购电量,而本文主要研究售电公司与用户之间的运行模式,对购电侧进行了简化,暂不考虑售电公司参与中长期市场的购售电成本与收益。

2）工商业及家庭等各类用户均安装了用户侧能量管理系统(user energy management system,UEMS),可以与售电公司进行双向通信,且能够自动对电价进行响应。

3）用户具有不同的负荷特性,且对电价的敏感度和响应策略具有不确定性。为简化模型,本文认为用户UEMS在根据电价安排用电计划时,各时段用电量对电价敏感,且与电价呈负相关。

基于多代理系统(multi-agent system,MAS)理论的控制方式具有良好的分布特性,而用户的分布式特性明显,基于MAS建立“电网公司-售电公 司-用户”购售电服务构架,如图1所示。上层为售电公司Agent,下层为用户Agent,电网公司作为外部实体,不引入MAS中。用户通过UEMS实现Agent功能,进行用电设备管理,自动响应电价降低用电成本;售电公司通过电价决策系统实现Agent功能,通过定价引导用户群用电行为并获得自身利益。

图1 基于MAS的购售电服务构架

不同类型Agent所需实施的具体功能如下：

1）售电公司Agent。包括：①与电网公司信息平台进行交互,获取电网当前运行状态,预测电网公司的次日实时电价信息;②负责向下层Agent发布日前小时电价信息,并接受下层Agent反馈的设备响应信息;③接收到所有用户设备响应信息之后,能够根据自身利益及约束制定内部电价策略,并将最终预测的用户负荷曲线上报电网公司。

2）用户Agent。包括：①通过物理接口与智能用电设备进行交互,实现对设备的智能管理;②基于历史用电习惯信息或用户设定的信息,预测次日用户的用电曲线和需求弹性参数,对用户设备数据进行聚合,并上报给售电公司Agent;③基于售电公司发布的日前小时电价信息,优化自身的用能计划,实现用户的能量管理。

用户Agent可应用于工业、商业及居民负荷,本文仅以居民类用户为分析对象,其他类型负荷可采用相同方法。值的注意的是,此处的负荷指的是宏观角度对不同类型用电负荷的统称。在对用户Agent建模时,所述的负荷指的是用户中具体的用电设备。

2 典型用户响应模型及售电公司优化策略

售电公司Agent与用户Agent的数学模型与二者之间交互信息的具体内容紧密相关。用户Agent参与MAS运行,体现为基于电价的用电需求弹性模型。本文采用电量电价弹性矩阵[16]描述负荷用电量随电价变化的趋势,设定优化时刻集合为T={1,2,⋯,I}T={1,2,⋯,I},对于DAHP,是将24 h作为一个完整优化周期,以1 h作为优化时间间隔。