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。
2.1 用户Agent
由于用户负荷数量多,直接上传每个负荷的电量电价弹性矩阵将产生较多的数据量,为此需设置合理的上传内容。由于描述某一特定负荷的弹性所需的数据(即初始用电量、初始电价及电量电价弹性矩阵)不唯一,将用户负荷价格项变换为相同的形式,可简化用户Agent上传的信息,具体步骤如下：
1）用户Agent根据用户用电历史信息(包括历史用电曲线与历史电价曲线)及次日用电安排(负荷用电区间),获取所有负荷的用电特性数据,并通过最小二乘法[17]拟合并建立负荷电量电价弹性模型。
2.2 售电公司Agent
2.2.1 售电公司期望模型
2.2.2 售电公司风险模型
3 售电公司电价决策流程
售电公司参与电力市场包括3步：1）根据历史数据预测次日现货市场电价以及估计参数波动情况;2）售电公司与用户交互,决定日前小时电价;3）售电公司上报最终用户负荷曲线。其中,售电公司Agent下发信息是针对所有用户的,可通过广播方式向用户传递信息;用户Agent上传包含负荷数据的信息。
图2 售电公司电价决策流程
基于上述市场机制,售电公司的电价决策流程如图2所示。在电价决策流程中,用户Agent共上传两次内容,第2次反馈的负荷曲线可减少由于模型的偏差而造成的负荷量差异,使售电公司上报曲线更接近次日实际用电量,减少不平衡电量给售电公司带来的损失。若某用户反馈的优化负荷曲线与通过用户弹性信息计算得出的曲线有较大差距时,则该用户Agent需对用户模型数据进行更新,但售电公司Agent不再重新进行价格决策,以减少MAS的网络负担。
其中式(27)模型的求解是该方法应用的关键。该模型为非线性规划问题,决策变量为24个时段的小时电价,可采用混沌粒子群优化 (chaos particle swarm optimization,CPSO)算法[22]对其进行求解。
4 算例分析
采用美国加州市场一段时间内的市场出清电价数据作为售电公司现货市场预测电价。用户参数按照典型智能用电用户加以设置,将用户类型分为3类：不敏感用户,3种类型负荷中不可控负荷功率最大;节约型用户,可变动负荷功率所占比例最大;迁移型用户,可转移负荷功率占用比例最大。3种用户的比例在不同场景下有所不同,默认场景下3者比例为1:1:1。售电公司当日共拥有用户3万户,区域总用户规模为10万户。负荷需求弹性系数为实施DAHP之后,用户Agent针对一段时期的历史数据计算得出。售电公司各时刻功率约束上下限设置为20 MW与40 MW,转换后初始电价设定为50USD/(MW·h),价格上下限设置为40USD/ (MW·h)与120USD/(MW·h),单日内总售电量不低于实行DAHP前的70%;α取0.05,置信度β取0.95。
本文采用MATLAB编程进行模型求解,对100个粒子进行混沌初始化,最终选取50个较优初始粒子进行优化求解。影响售电公司制定价格的因素包括用户参数与售电公司参数,下面将从这两个方面对定价策略进行分析。
1）用户因素影响。
用户侧对电价的影响主要包括用户需求弹性、不同类型用户的比例以及用户实际用电量与理论用电量之间的偏差3方面。为了研究用户需求弹性对电价的影响,引入用户总弹性因子η,与需求弹性矩阵相乘,得到用户实际需求弹性矩阵ηEkηEk,通过改变总弹性因子可对实际需求弹性矩阵进行统一调整,计算得到如图3至图5。
图3 不同用户弹性因子η下的电价
图4 不同η下的售电效益
图5 不同η下的用户总用电量及初始电量曲线
随着总需求弹性系数的提高,售电公司制定的电价总体呈现下降趋势,如图3所示。其原因是用户弹性因子η的提高迫使售电公司通过降价来提高售电量,以减少由于用电量减少造成的损失,这说明用户对电价的敏感程度提升有助于降低售电价格,从而提高电能使用效率。同时可看出售电电价峰谷值出现时刻与现货市场电价近似一致,能够反映现货市场的电能供求关系,说明了电价在引导用户用电行为方面的合理性。
图4表明售电收益随总弹性系数的增加而减少,潜在收益因为决策电价的下降而增加,售电总效益增加,但幅度很小,可以看出售电收益的减少由潜在收益进行弥补,保证了售电公司的收益。在该种模式下,售电公司可通过普及需求响应手段和设备引导用户理性用电,提升用户需求弹性,虽然使售电公司当前收益减少,但能够通过更低的价格吸引更多用户加入该售电公司,提高售电总量。不同η下的用户总用电量及初始电量曲线如图5所示,可以看出部分可转移负荷由其他时刻转移到1—7时刻,且随着η的增加而增加,具有指导用户“移峰填谷”的作用,但随着负荷弹性的提升,峰谷差率增加,这是由于用户仅考虑自身经济性因素进行负荷调整,未考虑全局因素,弹性的提升导致用户的过迁移,从而产生新的负荷峰谷。
通过调整不同种类用户的比例来研究用户种类对售电公司总收益的影响,图6中场景1、2、3、4对应的用户比例分别为1.6:0.7:0.7、0.7:1.6:0.7、0.7:0.7:1.6与1:1:1。
图6 不同λ下的售电效益
由图6可知,从整体上看,随着λ的增加售电总收益不断减小,这是由于售电公司为规避风险而造成的利益损失;不同场景之间总收益差距逐渐减小,这是由于λ的增大使得风险项比重增加,而风险项中潜在收益的风险因素占主要因素,即潜在收益比重增加,使得用户类型差异对售电公司的总收益影响变小。为分析用户比例对售电总收益的影响,选取λ较小为0、2的情况,可以看出,场景1收益最大,场景2收益最小,场景3、4收益相近,但场景4收益相对较多,这是由于场景1不可控负荷较多,售电公司可通过更高的电价获得更多利润,场景2可变动负荷较多,制定的电价不宜太高,导致售电公司总收益减小;场景3、4可变动负荷处于中等水平且场景4可变动负荷稍多,因此出现两者总收益居中且场景4稍小的结果,而可转移负荷比重不同未对售电总收益造成明显影响。可以得出,当λ较小时,可变动负荷总量对售电总收益大小起主要影响,可转移负荷对售电总收益影响较小。当λ较大为20时,场景1的收益反而最小,这是由于考虑更多潜在收益风险使得售电价格降低,而不可控负荷并没有随电价降低而增多,导致售电量相对其他场景较少,售电利益更小。场景3收益最大,这是由于潜在收益风险占主导地位时,可转移负荷比重越大,售电价格就相对平缓,负荷削减相对变小,售电效益变大。
图7 不同σP下的售电效益
图8 不同σP下的售电CVaR值
图7与图8分别给出了售电公司总效益与CVaR随用户实际用电量与理论用电量之间误差百分数波动方差之间的关系。可以看出,当λλ一定时,随着σP的增加,售电公司收益期望逐渐减小,CVaR逐渐增大。这是由于当λλ一定时,σP增大导致购电风险的增大,售电公司定价策略趋于保守,通过提高售电价格减少售出电量,致使收益降低。σP增大使售电公司规避风险,CVaR整体还是呈增大趋势。
2）售电公司因素影响。
售电公司因素主要研究购电价格预测误差、B(0)误差对售电收益的影响以及B(0)大小对售电价格的影响。
图9 不同B(0)下的电价
图9研究了B(0)对电价的影响,可以看出随着B(0)的不断增加,电价减小程度越来越大,直至接近最低电价限制,这是由于随着潜在收益比例的增大,售电公司制定电价更倾向于低电价以吸引更多用户加入到该售电公司,该结果也同时验证了市场份额模型在限制电价方面的有效性。
图10 不同σB与σρ下的售电效益
图10显示了当B(0)波动较小时,售电公司收益随σρ的增加先增大后减小(σB为0时单调递减);在图示范围内,随着σB的增大,售电公司收益只随σρ增大而增大。这是由σρ与σB对电价的影响相反造成的,根据式(24),σρ的增大会导致售电公司通过提升售电价格减少购入电量,σB的增大会导致售电公司制定更低的售电价格,两者对电价作用相反。记不考虑风险因素时的最优售电价格为ρop,两者同时作用使得电价出现先靠近ρop后远离ρop的情况,致使收益出现先增长后降低的情况。当σB较大时,仅出现增长的情况,这是由σB比重太大,以至于在σρ达到研究范围的最大值时,仍无法使电价远离ρop造成的。
5 结论
本文考虑各种不确定因素引起的收益风险情况下,提出一种基于MAS框架的售电公司日前小时电价决策与风险评估决策方法。该方法适用于配售分离后所形成的“多买多卖”市场格局,同时考虑用户侧智能终端普及且能够同售电公司进行双向互动场景下的售电电价决策问题。根据算例结果可知,在考虑市场风险情况下,售电公司的售电电价与批发市场价格较一致,并相当于与用户共同决策制定形成的类似于实时电价的定价方法,可为实时电价环境下的售电公司定价问题提供一定的决策依据。本方法在用户建模时,由于采用线性模型即电量电价弹性矩阵近似描述负荷量与电价的关系,难以精确反映不同类型的负荷信息,因而决策电价达到的效果存在与实际情况有差异的风险,未来需要进一步研究解决。
参考文献
[1]刘顺桂,孙成龙,孙杰,等.售电侧放开下需求响应资源代理参与机制设计[J].电力系统及其自动化学报,2017,29(5):115-121.LiuShungui,SunChenglong,SunJie,et al.Design of agency and participation mechanism of DRRs with sale-market released[J].Proceedings of the CSU-EPSA,2017,29(5):115-121(in Chinese).
[2]胡晨,杜松怀,苏娟,等.新电改背景下我国售电公司的购售电途径与经营模式探讨[J].电网技术,2016,40(11):3293-3299.HuChen,DuSonghuai,SuJuan,et al.Preliminary research of trading approach and management modes of Chinese electricity retail companies under new electricity market reform[J].Power System Technology,2016,40(11):3293-3299(in Chinese).
[3]任艺,周明,李庚银.考虑用户需求响应的售电公司购售电决策双层模型[J].电力系统自动化,2017,41(14):30-36.RenYi,ZhouMing,LiGengyin.Bi-level model of electricity procurement and sale strategies for electricity retailers considering users demand response[J].Automation of Electric Power Systems,2017,41(14):30-36(in Chinese).
[4]刘连光,潘明明,田世明,等.考虑源网荷多元主体的售电竞争非合作博弈方法[J].中国电机工程学报,2017,37(6):1618-1626.LiuLianguang,PanMingming,TianShiming,et al.A non- cooperative game analysis of an competitive electricity retail considering multiple subjects of source-grid-load[J].Proceedings of the CSEE,2017,37(6):1618-1626(in Chinese).
[5]NojavanS,Mohammadi-IvatlooB,ZareK.Robust optimization based price-taker retailer bidding strategy under pool market price uncertainty[J].International Journal of Electrical Power Energy Systems,2015(73):955-963.
[6]Meng FL,Zeng XJ.An optimal real-time pricing for demand-side management:a Stackelberg game and genetic algorithm approach [C]//International Joint Conference on Neural Networks.Beijing,China,2014.
[7]JiaL,TongL.Dynamic pricing and distributed energy management for demand response[J].IEEE Transactions on Smart Grid,2016,7(2):1128-1136.
[8]孔祥玉,曾意,陆宁,等.基于多智能体竞价均衡的微电网优化运行方法[J].中国电机工程学报,2017,37(6):1626-1633.KongXiangyu,ZengYi,LuNing,et al.Optimal bidding management for agent-based microgrid operation[J].Proceedings of the CSEE,2017,37(6):1626-1633(in Chinese).
[9]杨萌,艾欣,唐亮,等.计及风险规避的售电公司平衡市场优化交易策略研究[J].电网技术,2016,40(11):3300-3308.YangMeng,AiXin,TangLiang,et al.Optimal trading strategy in balancing market for electricity retailer considering risk aversion[J].Power System Technology,2016,40(11):3300-3308(in Chinese).
[10]宋艺航,谭忠富,于超,等.需求侧峰谷分时电价对供电公司购售电风险影响分析模型[J].电工技术学报,2010,25(11):183-190.Song Yihang,TanZhongfu,YuChao,et al.Analysis model on the impact of demand-side TOU electricity price on purchasing and selling risk for power supply company[J].Transactions of China Electrotechnical Society,2010,25(11):183-190(in Chinese).
[11]徐辉,陈致宏,鞠立伟,等.多市场分时段下电网公司购售电风险控制优化模型[J].水电能源科学,2014(5):202-206.XuHui,ChenZhihong,JuLiwei,et al.Period-decoupled electricity purchasing and selling risk control optimization mode for power grid corporation under multi-market[J].Water Resources and Power,2014(5):202-206(in Chinese).
[12]朱文昊,谢品杰.基于CVaR的峰谷分时电价对供电公司购电组合策略影响分析[J].电力系统保护与控制,2015,43(14):16-21.ZhuWenhao,XiePinjie.Influence analysis of CVaR model based TOU electricity price on portfolio strategy[J].Power System Protection and Control,2015,43(14):16-21(in Chinese).
[13]张钦,王锡凡,王建学.需求侧实时电价下供电商购售电风险决策[J].电力系统自动化,2010,34(3):22-27.ZhangQin,WangXifan,WangJianxue.Electricity purchasing and selling risk decision for power supplier under real-time pricing[J].Automation of Electric Power Systems,2010,34(3):22-27(in Chinese).
[14]甘宇翔,蒋传文,白宏坤,等.市场环境下园区售电商的最优报价和运行优化[J].电网技术,2018,42(3):707-714.GanYuxiang,JiangChuanwen,BaiHongkun,et al.Optimal bidding strategy and operation of industrial park electricity retailer in electricity market[J].Power System Technology,2018,42(3):707-714(in Chinese).
[15]FabioB,GiovanniC,DominicG.基于JADE的多Agent系统开发[M].程志锋等,译.北京:国防工业出版社,2013.
[16]秦祯芳,岳顺民,余贻鑫,等.零售端电力市场中的电量电价弹性矩阵[J].电力系统自动化,2004,28(5):16-19.QinZhenfang,YueShunmin,YuYixin,et al.Price elasticity matrix of demand in current retail power market[J].Automation of Electric Power Systems,2004,28(5):16-19(in Chinese).
[17]ShenZhao,ZhouMing.Modeling demand response under Time- of-Use pricing[C]//International Conference on Power System Technology.Chengdu,China,2014.
[18]Federal Energy Regulatory Commission.Settlement intervals and shortage pricing in markets operated by regional transmission organizations and independent system operators[R].Docket No.RM15-24-000,2015.
[19]孙云涛,宋依群,姚良忠,等.售电市场环境下电力用户选择售电公司行为研究[J].电网技术,2018,42(4):1124-1131.SunYuntao,SongYiqun,YaoLiangzhong,et al.Study on power consumers’ choices of electricity retailers in electricity selling market[J].Power System Technology,2018,42(4):1124-1131(in Chinese).
[20]康重庆,庄彦,胡江溢,等.售电市场中售电量的风险分析[J].中国电机工程学报,2009,29(19):78-84.KangChongqing,ZhuangYan,HuJiangyi,et al.Risk analysis on electricity sales in power sale market[J].Proceedings of the CSEE,2009,29(19):78-84(in Chinese).
[21]WollO.Mean-risk hedging strategies in electricity markets with limited liquidity[R].Mannheim:Centre for European Economic Research,2015.
[22]LiuB,WangL,Jin YH,et al.Improved particle swarm optimization combined with chaos[J].Chaos Solitons Fractals,2005,25(5):1261-1271.
原标题：市场机制下考虑风险的售电公司日前电价决策方法
