含大规模风电的电力市场模式研究

吴畴东 华栋

摘要：随着欧盟可再生能源指南及2020能源目标的发布，电力市场大规模并入风电已经成为必然的趋势。而由于风能发电占总体发电容量比例的大幅增加，风电并网成本的增加，风能发电对电网及电力市场的影响将变得至关重要。文章总结了欧洲主流国家的风力发电补贴政策，分析了大规模风电并入市场后导致的市场成本的变化，提出了几种风电参与电力市场的市场设计模式。最后利用支撑向量机算法进行风速预测，证明了风电生产商越接近交易时段进行报价，越能有效提高风电功率预测精度，从而降低市场交易成本。

关键词：风电；电力市场；风速预测；支撑向量机

引言

近十年来，由于欧洲的绿色可再生能源政策的影响，风能发电在欧洲得到了迅速的发展。这些能源政策包括了，上网电价补贴政策，上网电价溢价政策，以及绿色证书交易政策等，它们大大降低了可再生能源发电厂商在电力市场中面对的风险，从而大大的鼓励了风能发电在欧洲电力市场的成长。然而，尽管这样，欧洲各国的风能发电占整个发电容量的比例还是过低，由于其他传统发电形式的吸收，风电并网成本在整个电力市场成本中可以忽略不计。

然而随着欧盟可再生能源指南及2020能源目标的发布，电力市场大规模并入风电已经成为必然的趋势，随着风能发电占总体发电容量比例的大幅增加，风电并网成本的增加，风能发电对电网及电力市场的影响将变得至关重要。大规模风电的发展使得现行的电力市场设计，规则都要发生改变，不仅要给风能发电及传统发电形式同样的激励，也要保证尽可能的降低社会成本，让终端用户的电费合理[1]。

1.含大规模风电接入的电力市场设计

1.1 大规模风电并入市场后导致的市场成本的变化

在电力市场中，由于风能出力的不确定性，导致了系统必须留有一部分备用以应对风能出力的变化与负荷变化的不匹配性，这部分备用通常是由昂贵的燃气机组或者抽水蓄能机组来提供，为了降低电力市场交易成本，这就要求短期风力预测能够尽量准确。当市场中只有传统机组的时候，日期市场用来预调度传统机组，考虑机组起停机组组合问题，使得机组运行成本及燃料成本最优，一小时前预调度可以使得运行人员保证系统留有的备用最优，从而既能保证网络安全，又能够使得市场运营成本最小。当风电大规模参与到电力市场交易中，我们可以发现，风电功率预测精度越高，市场交易成本越小。

电力市场中，发电商及用户在日前，进行小时报价，市场以最经济的方式来进行机组组合，并且定制调度计划。同样，备用服务在辅助服务市场内交易，这个市场在实际交易一小时前关闭，或者就与实时交易同时进行。系统运行人员，由于有责任保证系统实时保持平衡，所以要向系统提供及分配辅助服务容量。当大规模风电并入系统后，风电必然也要参与到电力市场中参与报价，风力发电商要根据短期风电功率预测的结果来对市场进行报价，可以看出，预测结果越准确，申报的容量也会越准确，如果无法准确完成自己的申报容量，风力发电商将会收到罚款，因为其导致了系统的供需不平衡，从而导致系统运行人员去辅助服务市场购买备用容量，从而引起市场交易成本的升高。所以对于风能参与的电力市场的设计应该考虑，如何对风电发电商制定惩罚措施，才能促使其尽可能的降低其实际发电功率与申报功率之间的误差。

1.2 大规模风电参与日前电力市场的市场模式设计

前面提到过，为了使得市场交易成本最优，市场设计者将会要求风电发电商尽可能的提高风电功率预测的精度，以减少市场运营者调用昂贵的备用机组的频率及容量，这种要求往往是以惩罚措施来施加给发电商的。从各国实践来看，荷兰对于风力发电商的政策是，如果发电商能比预测多发电，将得到16欧元/MWh的奖励，但是，如果发电商没有达到预测的电量，将会受到120欧元/MWh的惩罚，这样，如果发电商有25%的电能预测精度非常低的话，将会减少它至少一半的收益。丹麦的风电发电商要为其风电功率预测的误差在成本上支付大概1.3-2.7欧元/MWh。然而，从欧洲那些风电参与比较活跃的市场来看，这种惩罚措施能够有效的降低了风电预测的误差。

风力发电商的理论收益可以用下式来表示：

（1）

这里， 表示第i小时的预测容量， 表示i小时的电力现货价格。

风力发电商的风电功率预测误差所带来的成本为：

（2）

表示风电预测功率和实际功率直接的差额， 表示市场运营者平衡电能的成本。

在市场设计的时候存在两种情况，第一种是，当风电预测功率小于实际风电出力时，全部风电功率以实际现货价格结算 ，当风电预测功率大于实际功率，那么对超出部分进行惩罚，风力发电商最终的收入为 ；第二种是，当风电预测功率小于实际风电出力时，多出的风电功率给予奖励，风力发电商的总收入为 ，当风电预测功率大于实际功率，与第一种情况相同。

2.大规模风电参与日前电力市场的几种市场设计的比较研究

对于欧洲部分日前电力市场，市场参与者，也就是发电商，要在日前的11点左右提交它次日0时至24时每个时段的报价及申报容量，离正式交易大概有13小时到37小时的时间延期，对于一般传统发电商，这并没有很大的影响，但是对于风力发电商，风电功率的预测对于其报价就变得十分重要了，风电功率的预测一般是基于前几小时的风速天气预报的数据。

而对于一些更加灵活的日前电力市场，准确的说应该是6-12小时前电力市场，发电商只用在交易前7-13小时分四次提交报价及申报容量，分别是日前17点申报次日0点到5点时段的报价，日前23点申报次日6点到11点的报价，第二天5点申报当日12点到17点的报价，以及11点申报当日18点到23点的报价.由于这种市场设计，使得风力发电商的发电功率预测时间比第一种方式更加靠近实际调度时刻，利用的风速预报数据也更贴近实际时刻，所以，风电功率预测的准确性将会有所提高。第三种情况是小时前的电力市场，风力发电商将会在实际交易前的一小时进行报价，或者修改申报容量，这样风电功率预测软件可以用到实际交易前两小时以前的所有风速实际数据，理论上，会使得风电功率预测更加准确。

3.基于支持向量回归的风速预测

风电功率受多方面的影响，其中风速是主要影响因素。二者之间存在特定的映射关系，可先预测风速，再根据此关系求出风电功率大小。风力机的出力与风速的关系如下式[5]：

（3）

式中 、 、 分别为切入风速，额定风速和切出风速，m是出力特性曲线的阶次，而R是所有风力发电机组的总额定容量。可见风速预测是进行风电场出力预测的基础和前提，通过风速预测及二者之间的关系即可进行风电功率预测。因此，提高风速预测精度，对于风电发展，特别是大规模风电并入电力市场至关重要。

3.1算法模型

支持向量机（Support Vector Machine，SVM）是20世纪90年代由Vapnik等人提出的一种建立在统计理论和结构风险最小化原则基础上的一种学习方法，它将分类、回归等问题转化成最优化问题，一定程度上克服了“维数灾”和“过学习”等传统困难[6-7]。用支持向量机的方法来进行功率预测的的数学模型如下式[8-11]：

（4）

式中， 为p步后的风速预测值，v （t）为实测值，τ为滞后时间常数，m为嵌入维数， 为历史数据与未来数据的函数映射关系。与神经网络法类似，利用支持向量回归求解上述模型就是对大量历史数据进行训练，凸显历史的连续性和重现性，避免偶然性的影响，从而使训练出的模型能适应大量的情况，只要待预测的数据属于其中的任一种情况，即可得到满意的预测结果。

（1）对历史数据进行归一化处理，及在原始数据中找出最大值，再用所有数据去除，即可将原始数据均变为小于1的数值，方便在Matlab软件里面运行。根据以往经验可知，一般来说，核函数选择高斯函数效果要好于其他两个。并选择参数C（一般取2的次方）和g。

（2）输入训练数据，建立预测模型。

（3）将训练数据的预测结果与实际历史数据比较，如果误差结果符合预想，即可以进行预测。如果偏差较大，则返回步骤2重新修改C和g，再次预测。

3.2算例分析

这里我们以达坂城2006年5月连续28天风电场30米处，每10分钟采集一次得到的风速数据[12-13]，来对接下来的一天即5月29号的24个小时的风速进行短期预测，该数据为每十分钟采样一点，一天共有144个风速的采样点。得到的结果我们以图形显示，图2（a）给出了对于达坂城电厂提前一天，提前6-12小时，以及提前一小时的市场设计中，风速预测的情况，与实际风速之间关系的比较图。进而，我们再以5月份连续28天的风速数据，滚动的预测接下来一周的24小时风速，同样按提前一天，提前6-12小时，以及提前一小时的市场设计，比较见图2（b）。

图1（a）5月29日达坂城电厂提前24h、提前6-12h，以及提前1h的风速预测情况

图1（b）5月29日-6月4日达坂城电厂提前24h、提前6-12h，以及提前1h的风速预测情况

可以看出，预测时间离交易时间越近，风速预测准确度将会有所提高，而与风速呈正相关函数拟合关系的风电功率的准确度也必将会有所提高，这样的市场设计的交易成本将会越小。

4.结论

可再生能源的发展是世界电力发展的必然趋势，风电作为主要的可再生能源形势，一直以来都被各个国家所重视，并且在很多国家也得到了良好的发展，为了鼓励发电商投资风能发电领域，欧洲很多国家采用了许多补贴政策来鼓励风能的发展。但是随着风能在电力市场的占有率越来越高，风电参与市场报价是不可避免的趋势，文中给出了几种市场设计形式，通过仿真计算可以看出，市场设计越灵活，风电生产商越接近交易时段进行报价，可以有效提高风电功率预测精度，从而降低市场交易成本，所以，在市场设计的时候，为了降低交易成本，有必要对风电发电商进行实施奖惩制度，以保证风电功率预测的精度。

参考文献：

[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]肖创英.欧美风电发展的经验与启示[M].北京：中国电力出版社，2010

[5]冯双磊，王伟胜，刘纯等.风电场功率预测物理方法研究[J].中国电机工程学报，2010，30（2）：1-6.

[6]孙春顺，王耀南，李欣然.小时风速的向量自回归模型及应用[J].中国电机工程学报，2008，28（14）：112-117.

[7]邓乃扬，田英杰.支持向量机-理论、算法与拓展[M].北京：科学出版社，2009：124-133.

[8]谢宏，魏江平，刘鹤立. 短期负荷预测中支持向量机模型的参数选取和优化方法[J].中国电机工程学报，2006.26（22）.17-22.

[9]赵登福，王蒙，张讲社，王锡凡. 基于支撑向量机方法的短期负荷预测[J].中国电机工程学报，2002.22（4）：26-30.

[10]王慧勤. 基于支持向量机的短期风速预测研究[J].宝鸡文理学院学报，2009.29（1）：16-18.

[11]戚双斌，王维庆，张新燕.基于支持向量机的风速与风功率预测方法研究[J].华东电力，2009.37（9）：1600-1603.

[12]陈盼，陈皓勇，叶荣.基于多尺度形态学分析的风速预测[J].电力系统保护与控制，2010.38（21）：12-15.

[13]陈盼，陈皓勇，叶荣，陈天恩，李丹.基于小波包和支撑向量回归的风速预测.电网技术，2011.35（5）：177-182.