基于MEA算法结合委托代理模式的风火发电权交易研究

余代海，江岳文，王良缘

(1.福州大学 电气工程与自动化学院，福建 福州 350108；2.国网福建省电力有限公司，福建 福州 350108)



基于MEA算法结合委托代理模式的风火发电权交易研究

余代海1，江岳文1，王良缘2

(1.福州大学 电气工程与自动化学院，福建 福州 350108；2.国网福建省电力有限公司，福建 福州 350108)

风电面临的弃风问题愈来愈严重，为了解决风电消纳难题，利用风电和常规机组之间的发电权交易来完成风电的再次消纳值得探索。结合风电出力的随机性、间断性特点，综合借鉴委托代理原理对风火发电权交易的市场结构、交易机理进行了探讨，并提出了在风火发电权交易中计及风电偏差电量成本的委托代理收益模型。结合思维进化算法(mind evolutionary algorithm，MEA)对IEEE-30节点网络的风火发电权交易模型进行算例仿真。通过仿真结果验证了委托代理模式下的风火发电权交易模型合理性，并试图为风电再次消纳提供一种合理的交易方法。

发电权交易；委托代理；偏差电量成本；思维进化算法；风电消纳

目前我国的风电弃风现象依然严峻，截至2015年底，全国风电平均弃风率为15.2%，同比2013年、2014年平均弃风率大幅上升，尤其在“三北”地区和新疆地区，弃风率分别高达22.91%和28.82%，风电面临的弃风局势依然很严峻；而对于高煤耗、高排放的火电机组实则在完成调度的发电计划外对资源和环境都造成了重大破坏[1-2]。结合2015年最新出台的《中共中央国务院关于进一步深化电力体制改革的若干意见》的相关政策，鼓励清洁能源替代常规火电机组发电，促进清洁能源消纳。基于此，对风储[3-4]、风火打捆[5-6]、风电跨省消纳[7-8]等已有文献进行研究可知以上所述方法对风电消纳都具有促进作用，但由于风电储能施行费用高，增加了风电成本，阻碍了风电大规模消纳。同时现有的电能供应结构仍以传统火电为主，加之风电出力的随机波动，致使很多地方政府或者电力企业为了火电机组持续平稳地产出电能，获取更多的发电效益，采取压制风电并网的不当措施，使得风火打捆、风火联合外送等架构模式受限，没有真正意义上发挥促进风电消纳的作用。

借鉴常规机组之间的发电权交易[9]，本文对如何在风电、火电之间开展发电权交易进行研究。文献[10]提出了通过跨省发电权交易促进风电消纳的交易机制，并对因风电预测所产生的发电偏差提出了用调节市场来平衡的调度模式和模型。文献[11]提出了一种基于风险决策下的风火发电权交易机制，构建了风火同台交易市场，利用条件风险价值理论和委托代理原则建立了风火发电权交易模型。以上的研究均对风电消纳起到了积极作用。结合委托代理理论在常规机组发电权交易中的应用[12]，本文分析了在风火发电权交易中计及风电偏差电量成本的委托代理收益模型，并结合IEEE-30节点网络系统进行仿真验证。

1 基于委托代理的风火发电权交易模式

由于发电权交易通常是己方对自身信息十分清楚而对另一方的信息很难去准确把握的一个择优交易过程，这使得交易过程变得盲目和多变。基于博弈论显性激励理论[13]衍生出的委托代理模式能够很好地结合交易双方信息不对称的客观事实做出相应决策。通常情况下，委托代理交易模式分为有中间人参与和无中间人参与两种。本文选取无中间人参与的委托代理交易模式，目的是充分体现火电机组在交易市场中的主导地位，直接由火电机组担任委托方邀约风电场参与委托交易，而风电场的收益根据最终履行的委托交易电量由火电机组给予相应激励。同时，风电场也可根据交易收益是否满足自身期望进行自主代理选择。只有当交易双方对交易的电量、收益均能达到期望值时可签订委托代理发电权交易合同，最终实现委托方和代理方的双赢。

1.1 交易市场结构

随着风电参与市场交易的比重的增加，其经济效益和环境效益将会凸显优势。风电作为清洁可再生能源在交易市场中扮演受让方的角色；而火电(尤其以小火电为主)作为高消耗、高排放的污染机组，通过出让其发电份额限制自身机组发电的方式来实现机组的节能降耗，减少CO2、SO2等有害气体排放。结合本文的选取无中间人参与的委托代理模式，火电机组自身作为委托方直接邀约有代发能力的风电场，通过出让自身发电份额完成风火发电权交易，其交易结构如图1所示。

图1 基于委托代理模式下的风火发电权交易市场结构

由图1可知，委托方将需要的出让交易电量与风电场拟定的可受让交易电量进行谈判协商，目的是确定交易双方都能够接受的交易电量，减少交易风险，并将双方能接受的电量以信息反馈形式发给交易双方。风电场的收益是基于委托方有偿付给风电场的相应激励扣除风电场自身的发电成本所得。

1.2 交易机理

依照委托代理的交易模式，火电机组作为风火发电权交易的委托方，对需要委托的交易电量等信息十分清楚，而对代理方能够真实履行的交易电量的信息处于弱势状态。恰当运用委托代理模式，旨在交易双方信息不对称的前提下突出委托方的主动地位，同时由委托方给与代理方一定激励，确保代理方有足够的动力去履行交易电量，使代理人追求的利益目标得到满足，从而能够做出符合委托人利益的行为。

而风电场作为代理方，在履行委托电量的过程中会因风电自身出力的随机性对交易产生影响，本文忽略电网对风电场接纳出力的不确定性影响，认为日前市场内电网对风电的接纳能力在每个时段(1 h)内是确定值。则选择每个时段风电预测出力大于电网对风电的接纳出力时，进行风火发电权交易。

风电参与发电权交易应与常规机组之间的发电权交易有所区别，风电场根据自身的出力波动、预测精度等因素影响，使得风电场在履行交易电量的过程中存在电量偏差的情况，由此会使得风电场产生一定的额外成本。若风电出力无法满足火电机组出让发电量时，为了稳定电力系统运行，风电场需向实时市场以较高价格购买偏差不足电量，其中购买偏差不足电量所需的费用以额外成本计及在风电场发电成本模型中；若风电出力能够满足火电机组转让发电份额时，风电场有偏差盈余电量，风电场将会选择“弃风”，且“弃风”使得风电场收益下降。所以，本文亦将“弃风”损失的收益作为额外成本在风电场发电成本予以考虑。

结合以上分析，风电场完成交易的电量收益应为火电机组给予的激励减去自身的发电成本所得。倘若风电场衡量交易所得收益能够满足自身期望时，便可与火电机组签订委托代理模式下风火发电权交易合同。

2 交易收益模型

2.1 基于委托代理模式下的收益模型

结合无中间人参与的委托代理模式，火电机组的收益应为委托交易电量收益部分减去支付给风电场激励部分的所得。风电场收益为从火电机组获得激励的部分减去风电场自身的发电成本所得。

2.1.1 目标函数

(1)

式中：n、m分别为风电场总数、火电机组总数；Rf为参与交易的所有火电机组总的委托收益；Rw.i为参与交易的所有风电场i的代理收益；Pj.t为时段t火电机组j的上网电价；Qij.t为时段t风电场i与火电机组j签订的委托代理电量；αi为风电场i的的发电成本；βij.t为时段t火电机组j给与风电场i的收益激励，本文取线性激励，其对应的区间应为(1,βmax)；Ri.0为风电场i的收益底线；Ci.t为时段t风电场i在交易过程中因电量偏差产生的风电场额外发电成本。

2.1.2 约束条件

a) 交易电量限制条件。

(2)

式中：Pj.t、Pj.min分别为时段t常规机组j的计划出力、最小出力；T为交易周期，取1 h；wi、wi.plan.t分别为风电场i的实际出力和电网接纳出力。

b) 机组收益约束条件。

(3)

c) 线路输送功率约束条件。

(4)

式中：l为支路号，L为支路总数；Pl为支路l的有功潮流，Pl.max为对应的限值。

d) 机组爬坡约束条件。

(5)

式中ξidown、ξiup分别为火电机组j有功出力下降速率和上升速率。

2.2 风速偏差满足正态分布的风电场功率特性分析

本文采用风速误差模型来描述风速分布。假定风速预测误差[14]Δv服从均值为0，方差为σ2的正态分布：Δv～N(0,σ2)。假设vf为风速预测值，则实际风速

(6)

则可以求解出实际风速的概率密度函数

(7)

对应的概率分布函数

(8)

简化风电出力-风速的模型[18]如下：

(9)

式中：wn为风电场额定功率，MW；vi、vo、vn分别为风机的切入风速、切除风速和额定风速，m/s。

结合式(9)和式(11)可推导出风电出力的概率密度函数

(10)

则相应的风电出力的分布函数为：

(11)

2.3 额外发电成本

本文风电场i额外发电成本Ci.t包括风电偏差不足电量额外成本CB.t和风电盈余电量额外成本(弃风成本)CQ.t两部分，即

(12)

a) 当Qi.t> Qi.R.t时，则

(15)

b) 当Qi.t

(16)

式中：λB、λQ分别为风电场出现偏差不足电量时向实时市场所需要购买偏差电量的成本系数和出现偏差盈余电量时风电场选择“弃风”的成本系数，元/MWh。EB(Qi.t-Qi.R.t)为风电偏差不足电量的期望值；EQ(Qi.R.t-Qi.t)为风电盈余电量的期望值，MWh。

2.4 MEA算法对模型求解

思维进化算法(mind evolutionary algorithm，MEA)[15]为模拟人类思维进化过程的一种进化计算方法。不同于常规的智能优化算法(如粒子群算法，遗传算法等)，MEA是将一个种群分为若干个子群体，并且该子群体中又包含了优胜子群体和临时子群体两类。而优胜子群体记录了全局竞争中的优胜者信息，临时子群体记录全局竞争过程。并根据“趋同”和“异化”两个概念对算法进行全局寻优和局部演化操作，并把单层群体改造转化为多层群体进化，其算法的基本框架如下：

a) 种群初始化。设定种群的大小为N，优胜子种群个数为best_N，临时子种群个数为temp_N，迭代次数为iter。根据风电场和火电机组的交易能力确定随机样本Q，并结合得分值(适应度函数值)fitness(Q)产生MEA的初始种群initpop=[Qfitness(Q)]。最后以初始种群得分(适应度值)fitness(Q)产生优胜子群中心矩阵center(best_N，1)和临时子群中心矩阵center(temp_N，1)。

b) “趋同”操作。将已选出的子群个体作为中心，且以该个体为中心随机产生子群体，并根据得分(适应度值)进行排位操作，确定最优的得分的个体予以保留，有机会参与“异化操作”，而得分劣势的个体直接被淘汰。

c) “异化”操作。将“趋同”操作中获胜的子群体进行竞争操作，若临时子群体的竞争中得分优于优胜子群体，将该临时子群体取而代之，则该优胜子群体被降为临时子群体；反之，对于临时子群体不足时应随机补充临时子群体。

d) 收敛性判定。在迭代次数结束时终止或者满足临时子种群的所有得分(适应度值)编号大于优胜子种群的得分对应的编号时退出迭代寻优，否则继续执行“趋同”操作，直到满足条件为止。

相对应的MEA算法的进化架构如图2所示。

3 算例分析

算例设定火电机组1—3计划出力分别为：77 MW、103 MW、145 MW；机组常规参数和上网电价见表1。

图2 MEA算法的进化架构

表1 火电机组的常规参数

火电机组Pmax/MWPmin/MWξdown/(MW·min-1)ξup/(MW·min-1)Pt/(元·MWh-1)115050-1.51.5420225075-2.5-2.54403350120-33440

依据文献[16]设定购买偏差电量成本系数取λB=400 元/MWh；“弃风”成本系数取λQ=400 元/MWh；设定风电场的风机切入速度为vi=5 m/s；额定风速vn=15 m/s；切除风速vo=25 m/s；风电场的额定功率为wn=200 MW。假定某个待交易时段T的风速误差的方差σ2取该时段风速预测值的6%。结合典型IEEE-30节点系统[17]，假定待交易的火电机组的注入节点为2、5、8节点(即火电机组1接入节点2，火电机组2接入节点5，火电机组3接入节点8)，节点11、13、27为接入未参与交易的火电机组，风电出力接入节点22，平衡机组为节点1。假定某时段风速预测值、功率预测值以及电网接纳功率分别为12.05 m/s、112.5 MW、62.5 MW。

基于2.1.2节机组收益约束分别进行优化可确定线性激励β的区间为(1，2)，取线性激励β的折中值1.5进行委托代理模式下的风火发电权交易模拟仿真，取MEA算法的最优子群与遗传算法和粒子群算法的收敛效果对比结果如图3所示，而根据MEA算法优化仿真得到本文算例优化结果见表3。

图3 MEA、遗传、粒子群算法收敛对比

表2 委托代理模式下风火发电权交易优化结果

机组名称电量/MWh收益/元火电机组16.08838.5火电机组228.004416.7火电机组325.003943.5风电场59.085559.2

3.1 β对委托代理模式下风火发电权交易的影响

选取不同的激励β对委托代理模式下风火发电权交易双方的优化收益和优化交易电量如图4所示。

图4 不同激励β对火电机组优化收益及优化交易电量的影响

3.2 σ2对委托代理模式下的风火发电权交易的影响

依据本文风速预测方差σ2选取为对应时段一定比例系数k的风速预测值vf，即风速预测方差σ2=kvf(算例中k=6%)。那么选取不同的风速预测值vf和不同比例系数k对优化交易电量的影响如图5、图6所示。

图5 不同风速预测值对优化交易电量的影响

由图5可知，随着风速预测值增加，优化出的交易电量和优化的火电机组收益也会随着增加，这是因为在风速预测方差σ2的比例系数k不变的前提下，风电场预测功率会随着风速预测值增大而增加，且风电场额外发电成本Ci.t的变化先递减后增加，并在功率预测值附近能够达到最小值。所以根据本文的优化模型优化出的交易电量会向风电功率预测值靠近。这就使得风速预测值增加，优化交易电量也会增加。且在火电机组上网电价和给予风电场的激励一定的前提下，优化的交易电量增加使得对应的火电机组的优化收益自然也会增加。

由图6可看出，比例系数k增大，优化出的交易电量增大，而对应的优化收益会随之减小，这是因为在vf不变的前提下，风速预测方差σ2的比例系数k增大，使得风电场额外发电成本Ci.t增大，火电机组需支付给风电场的费用增加，使得火电机组的整个优化收益减少。同时优化目标模型为了获得相对较多的优化收益，只得适当增加交易电量。

4 结论

本文借鉴委托代理理论，分析了该理论模式下风火发电权交易的市场结构和交易机理，并结合风电自身特点提出了在风火发电权交易中计及风电偏差电量成本的委托代理收益模型。通过算例仿真得出以下结论：

a) 以火电机组作为委托方在风火发电权交易中占主导地位，能够更充分调动火电机组的积极性，愿意从常规机组之间的发电权交易转移到风火发电权交易中来。同时最大限度的保证了火电机组的自身利益，又能促进风电的消纳。

b) 在本文的委托代理模式下的风火发电权交易中，火电机组给与风电场较小的激励β会对委托方的收益和委托交易电量有好处，但于风电场而言，所获得的收益会相对较小。激励β过大，对风电场有利，而于火电机组收益和交易电量不利。所以，权衡激励β适当值对于风火交易双方显得尤为重要，也确保双方有动力去参与风火发电权交易。

c) 无论风速预测值vf和比例系数k的哪种变化，最终对应风速预测方差σ2的变化，而风速预测方差σ2增大会增加优化的委托交易电量，同时也会增加风电场的收益。但对于整个优化目标收益而言是不利的，会减少目标函数的优化收益。所以，风电场的预测精度仍然是进行委托代理模式下风火发电权交易的重要因素，火电机组会优先与预测精度高的风电场进行发电权交易。

[1] 李莉.电力产业节能减排机制设计模型与方法研究[D].北京：华北电力大学，2011.

[2] 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.

ZHANG Xian，GENG Jian，PANG Bo，et al.Application and Analysis of Generation Right Trade in Energy-saving and Emission Reduction in China[J].Automation of Electric Power Systems，2014，38(17)：87-90.

[3] 李碧辉，申洪，汤涌，等.风光储联合发电系统储能容量对有功功率的影响及评价指标[J].电网技术，2011，35(4)：123-128.

LI Bihui，SHEN Hong，TANG Yong，et al.Impacts of Energy Storage Capacity Configuration of HPWS to Active Power Characteristics and Its Relevant indices[J].Power System Technology，2011，35(4)：123-128.

[4] 熊猛，高峰，张海峰，等.基于混合储能系统的风电场调度策略[J].电网技术，2014，38(5)：1242-1249.

XIONG Meng，GAO Feng，ZHANG Haifeng，et al.Hybrid Energy Storage Based Generation Scheduling of Wind Farms[J].Power System Technology，2014，38(5)：1242-1249.

[5] 屠竞哲，张健，刘明松，等.风火打捆直流外送系统直流故障引发风机脱网的问题研究[J].电网技术，2015，39(12)：3333-3338.

TU Jingzhe，ZHANG Jian，LIU Mingsong，et al.Study on Wind Turbine Generators Tripping Caused by HVDC Contingencies of Wind-thermal-bundled HVDC Transmission Systems[J].Power System Technology，2015，39(12)：3333-3338.

[6] 李生福，张爱玲，李少华，等.“风火打捆”交直流外送系统的暂态稳定控制研究[J].电力系统保护与控制，2015，43(1)：108-114.

LI Shengfu，ZHANG Ailing，LI Shaohua，et al.Study on Transient Stability Control for Wind-thermal-bundled Power Transmitted by AC/DC System[J].Power System Protection and Control，2015，43(1)：108-114.

[7] 汪宁渤，王建东，何世恩.酒泉风电跨区消纳模式及其外送方案[J].电力系统自动化，2011，35(22)：82-89.

WANG Ningbo，WANG Jiandong，HE Shien.Cross-border Accommodation Method and Transmission Scheme of Jiuquan Wind Power[J].Automation of Electric Power Systems,2011，35(22)：82-89.

[8] 刘秋华，郑亚先，杨胜春.长周期大范围风电消纳的电力电量联合优化模型与应用[J].电力系统自动化, 2015，39(18)：145-150.

LIU Qiuhua,ZHENG Yaxian，YANG Shengchun.A Power and Energy Joint Optimization Model and Its Application for Long-term Large-range Wind Power Accommodation[J].Automation of Electric Power Systems，2015，39(18)：145-150.

[9] 张世帅，张学松，王文，等.发电权交易下的节能减排指标设计及应用分析[J].电网技术，2010，8(11)：156-161.

ZHANG Shishuai，ZHANG Xuesong，WANG Wen，et al.Design and Application Analysis of Two Indices of Energy-saving and Emission-reducing Based on Generation Right Trading[J].Power System Technology，2010，8(11)：156-161.

[10] 李丰，张粒子.大规模风电跨省消纳与交易机制的研究[J].电力自动化设备，2013，33(8)：119-124.

LI Feng，ZHANG Lizi.Accommodation and Transaction Mechanism of Transprovincial Large-scale Wind Power[J].Electric Power Automation Equipment，2013，33(8)：119-124.

[11] 吴杨，刘俊勇，高红均，等.基于风险决策的风火发电权交易研究[J].电网技术，2016，40(3)：1-7.

WU Yang，LIU Junyong，GAO Hongjun，et al.Study on Transaction Risk Decision Based on Wind Power[J].Power System Technology，2016，40(3)：1-7.

[12] 莫莉，周建中，向秀桥，等.基于多任务委托代理的发电权交易协调激励机制[J].电力系统自动化，2008，32(23)：51-55.

MO Li，ZHOU Jianzhong，XIANG Xiuqiao，et al.A Multi-task Principal-agent Based Coordinative Incentive Mechanism of Generation Right Trade[J].Automation of Electric Power Systems，2008，32(23)：51-55.

[13] 金鹏.公平偏好下国企高管最优显性和隐性激励组合研究[D].长沙：湖南大学，2012.

[14] 耿俊梅，申玉霞.计及风力发电的电力系统经济调度[J].华东电力，2014，42(8)：1651-1655.

GENG Junmei，SHEN Yuxia.Economic Dispatch of Power System Considering Wind Power[J].East China Electric Power，2014，42(8)：1651-1655.

[15] 谢克明，邱玉霞.基于数列模型的思维进化算法收敛性分析[J].系统工程与电子技术，2007，29(2)：308-311.

XIE Keming，QIU Yuxia.Convergence Analysis of Mind Evolutionary Algorithm Based on Sequence Model[J].Systems Engineering And Electronics，2007，29(2)：308-311.

[16] 江岳文，温步瀛.结合风电功率超短期预测值偏差的实时市场调度[J].电力自动化设备，2015，35(3)：12-17.

JIANG Yuewen，WEN Buying.Real-time Market Dispatch Based on Ultra-short-term Forecast Error of Wind Power[J].Electric Power Automation Equipment，2015，35(3)：12-17.

[17] 刘德伟，郭剑波，黄越辉，等.基于风电功率概率预测和运行风险约束的含风电场电力系统动态经济调度[J].中国电机工程学报，2013，33(16)：9-15.

LIU Dewei，GUO Jianbo，HUANG Yuehui，et al.Dynamic Economic Dispatch of Wind Integrated Power System Based on Wind Power Probabilistic Forecasting and Operation Risk Constraints[J].Proceedings of the CSEE，2013，33(16)：9-15.

余代海 (1987)，男，湖北恩施人。在读硕士研究生，研究方向为风电并网优化运行、电力系统优化运行。

江岳文(1977)，女，湖南岳阳人。副教授，工学博士，硕士生导师，研究方向为风电并网优化运行、电力系统优化运行。

王良缘(1978)，男，福建泉州人。高级工程师，工学硕士，研究方向为电力市场。

(编辑 王朋)

Research on Wind Power and Thermal Power Generation Rights Trading Based on Mind Evolutionary Algorithm Under the Principal-agent Mode

YU Daihai1, JIANG Yuewen1, WANG Liangyuan2

(1.College of Electrical Engineering and Automation, Fuzhou University, Fuzhou, Fujian 350108, China; 2.State Grid Fujian Electric Power Limited Company, Fuzhou, Fujian 350108, China)

As wind power faces with more and more serious wind abandoning problem, in order to solve the problem of wind power absorption, it is worth to discuss generation rights trading between wind power and conventional power units so as to finish secondwind power absorption.Therefore, this paper discusses market structure and trading mechanism of wind power and thermal power generation rights by combining characteristics of random and intermittent of wind power output and comprehensively considering principal-agent principles, it also presents a principal-agent benefit model considering wind power deviation electricity costs in generation rights trading.Combining mind evolutionary algorithm (MEA), it conducts example simulation on the trading model of IEEE-30 node system and the results verify reasonability of the wind power and thermal power generation rights trading model under the principal-agent mode.By simulation, it also tries to provide a kind of reasonable trading method for second wind power absorption.

generation right trading; principal-agent; deviation electricity cost; mind evolutionary algorithm; wind power absorption

2016-05-23

2016-08-10

福建省自然科学基金(2013J01176)

10.3969/j.issn.1007-290X.2016.11.012

TM71

A

1007-290X(2016)11-0057-07