中国电力中长期市场分时段交易价格形成机制及模型
黄姗姗1, 叶泽1, 罗迈1, 陈磊2, 魏文1, 姚军1
（1. 长沙理工大学 经济与管理学院，湖南 长沙 410114; 2. 长沙理工大学 电气与信息工程学院，湖南 长沙 410114）
摘要：电力中长期市场分时段交易是中国电力市场改革的重要举措之一。针对当前电力中长期市场分时段交易价格形成机制不合理、不完善的问题，提出了中国电力中长期市场分时段交易价格形成机制及其模型。首先，分析影响中国电力中长期分时段交易价格形成的因素，提出电力中长期交易的4种典型场景；然后，综合考虑生产成本和用户效用，探索性地提出适用于中长期分时段交易的系统平均成本定价、用户失负荷价值定价、系统边际成本定价和发电企业失负荷价值定价4种成本定价机制，构建了基于成本定价的分时段交易定价模型；最后，以某省实际数据为例进行测算，验证了模型的有效性。
引文信息
黄姗姗, 叶泽, 罗迈, 等. 中国电力中长期市场分时段交易价格形成机制及模型[J]. 中国电力, 2023, 56(1): 17-27.
HUANG Shanshan, YE Ze, LUO Mai, et al. Time-sharing trading price formation mechanism and model of china’s mid to long-term electricity market[J]. Electric Power, 2023, 56(1): 17-27.
引言目前，中国电力市场以省级中长期市场为主，第一批8个试点现货市场仍处于结算试运行阶段[1]。根据《关于做好2021年电力中长期合同签订工作的通知》（发改运行〔2020〕1784号）文件要求，2021年中国电力中长期市场开始实施分时段交易[2]，中长期交易模式面临从电量交易到电力交易的重大转变[3-4]。分时段交易通过“分时段或带曲线”签订交易合同，探讨解决中长期电量交易中“一口价”无法反映不同时段的电能价值的问题，有利于发挥价格信号、优化市场主体行为、提升资源配置效果[5]。现行省级中长期市场分时段交易价格总体上参考政府目录分时电价形成[6-7]。政府目录分时电价以原来的目录电价为平段电价，通过设置尖平、峰平和谷平比，在保障用户支出电费不变的前提下形成。与现货市场实时电价按边际成本形成、中长期单一电量电价按平均成本定价具有明确的价格形成机制相比[8-9]，电力中长期分时段交易价格缺乏明确和科学的价格形成机制及计算方法。价格形成机制是电力市场的核心与关键[10]，中长期市场结算价格由买卖双方报价曲线的交点形成，但供求双方报价的依据才是最终结算价格形成的关键。因此，探讨适合中国电力中长期市场分时段交易的价格形成机制及其计算方法具有重要的理论与现实意义。国外电力市场以现货市场交易为主，日前和实时市场交易价格一般根据发电企业申报发电边际成本和用户申报价格（以用户效用为基础）按照集中竞价规则分时段（每5 min或15 min）出清，由此形成现货市场分时交易价格[11-12]。部分地区电力中长期交易主要作为风险管理的金融工具，较少有分时段交易。对于分时段定价机制，国内外学者主要从定价周期、高峰定价、市场竞争定价和现货市场稀缺电价等方面开展研究。定价周期的研究理论与方法以微观经济学的经典均衡价格理论与方法为基础。文献[13]分析了在电价制定及形成过程中，长期边际成本与短期边际成本的定价方法及影响。文献[14]基于中长期市场交易时间跨度，建立长期、中期、短期的中长期电力合约市场，并设计其竞价模型。文献[15]研究了长期边际成本在上网侧分时电价中的应用，并针对某省进行了实例测算。对电力高峰负荷定价研究的代表性模型有施泰纳（Steiner）模型[16]、威廉姆森（Williamson）模型[17]、温德斯（Wenders）模型[18]等，揭示了不同负荷（高峰）下用户用电成本的形成机理，即高峰电价由容量成本与运营成本组成，而低谷电价仅由运营成本组成。市场竞争定价机制与电力市场改革相适应，由市场初期发电市场的单边竞争发展为双边协商、集中交易、挂牌交易等竞价机制[19]。文献[20]以社会福利最大化为目标，将集中竞价和连续竞价机制相结合，构建云南省中长期电力市场的竞价出清模型。关于现货市场稀缺电价机制，文献[21]对比了澳大利亚的稀缺电价机制、美国得州的增量电价机制和美国PJM的容量电价机制，提出中国发电充裕性电价机制设计思路。文献[22]在现货市场电价中采用机会成本定价，基于失负荷价值测算广东电力现货市场价格上限为16.08元/（kW•h）。综上所述，现有文献对现货市场的分时价格机制有深入研究，但缺少对中长期电力市场分时段交易的价格形成机制及其定价模型研究。
本文首先分析电力中长期市场分时段交易价格的影响因素及形成机制，提出不同分时段交易典型情景的定价方法，然后分别探讨和建立不同情景下中长期分时段交易电价的计算模型，最后以某省实际数据进行模拟测算，并根据测算结果分析和说明中长期分时段交易电价形成机制、方法及模型设计的合理性。
1 中长期市场分时段交易价格形成机制分析1.1 影响因素1.1.1 供电成本电力中长期市场分时段定价的根本原因在于不同时段的供电成本存在差异。由于电能无法大规模存储且电力行业生产消费都是瞬时完成的特殊性，从系统平衡角度看，不同时段的电量所占用的容量成本不同，供电成本不同，这也解释了产生分时段交易电价价差的内在原理。1.1.2 供求情景供电成本是衡量电价是否合理的基础，但电价最终要通过买卖双方的交易形成，因此供求情景是影响分时段价格的重要因素。在完全竞争市场下，当市场出清价格等于发电边际成本时，社会福利最大化。但当前电力市场更接近于寡头垄断市场时，发电企业和用户可以依据市场供求状态采取不同的竞价策略谋求自身的福利最大化。存在3种供求情景：（1）在电力供求基本平衡时，市场双方互为价格决定者和接受者，将报价基本确定在平均水平。（2）在市场供不应求时，用户通过不断提高价格竞争性购电，发电企业成为竞争主导方及价格决定者，用户愿意支付的最高价格就是缺电带来的损失。（3）在市场供过于求时，买方为价格决定者，卖方通过降低售电价格达到平衡，但如果低于边际成本报价会产生亏损，因此发电企业最低按照边际成本报价。若出现大量超额供给时，为避免机组关停，发电企业甚至会报负电价。市场主体依据不同供求情景对竞价策略做出相应调整，最终形成的分时段交易价格会出现较大差异。1.2 典型场景及定价方法1.2.1 典型场景电力市场交易场景复杂而多样，且受多种因素综合作用影响，本文从价格形成的角度，归纳以下4种电力中长期市场分时段交易的典型场景。（1）市场供求均衡场景。在正常电力生产经营状态下，尖、峰、平、谷时段，市场均有足够的备用容量，供给有足够响应需求变化的能力。（2）市场供不应求场景。市场中出现短期临时性过度需求，或机组长期处于满负荷发电状态时出力还不能满足市场需求。（3）市场供过于求场景。市场中需求不足导致的相对过度供给，在季节性用电负荷低谷时段或随机性因素影响下，市场出现短暂的临时性过度供给，或装机容量过剩导致负荷供应长期过剩。（4）极端供过于求场景。当市场最小供给不能得到全部出清，电力调度机构通过市场机制安排大部分机组停机时为极端供过于求场景。1.2.2 定价方法从系统成本的角度来看，分时段交易价格应当体现不同时段交易成本的差异；从市场供求的角度思考，分时段价格应该准确反映供给侧和需求侧对资源的利用程度。基于需求定价理论，综合考虑生产成本和用户效用，提出以下4种适用于分时段交易典型场景的定价方法：系统平均成本定价、用户失负荷价值定价、系统边际成本定价和发电企业失负荷价值定价，其中用户失负荷价值定价和发电企业失负荷价值定价属于机会成本的定价范畴。（1）系统平均成本定价。系统平均成本定价以系统容量成本和系统变动成本为基础。此处平均成本并非按照一般商品属性计算的“总成本除以总电量”，而是由电力产品特殊性决定的“分时容量成本+分时变动成本”构成，分时容量成本基于负荷水平和持续时间进行分摊，分时变动成本与不同时刻的系统出力结构有关。供求均衡时，采用系统平均成本定价，系统平均成本价格属于中水平价格，能够保障发电厂商正常的生产及投资成本回收。（2）用户失负荷价值定价。用户失负荷价值以用户缺电损失衡量。系统出现供不应求时，传统做法是根据事先确定的用户优先顺序统一安排用电，但这种做法缺少公平效率，没有实现有限发电资源的最大利用与社会福利优化。随着中国负荷尖峰化现象越来越严重，依靠投资扩建解决尖峰负荷，不仅造成系统装机容量利用率下降，还会抬高电价水平，采用高水平的用户失负荷价值定价体现电力的稀缺价值，促进电能替代，优化资源配置效益，有利于降低整体电价水平。（3）系统边际成本定价。系统边际成本即分时变动成本。供过于求时，采取低电价水平的系统边际成本定价方法，不能回收机组的装机容量成本，从而控制电力生产与投资，减少不必要的装机投资。
（4）发电失负荷价值定价。发电失负荷价值即为机组停机损失，也称为“可避免成本”。在极端供过于求时，为避免机组停机，部分发电企业愿以低于边际成本，甚至负电价从市场中获得发电权，维持机组的正常运转，以便在系统负荷提高时，能够获得盈利机会。
2 电力中长期市场分时段电价计算模型基于峰荷责任法对容量成本进行分摊得出分时容量成本，根据系统负荷与水、风、光机组的出力差额计算系统净负荷，通过比较系统净负荷与火电机组出力约束形成4种典型场景，结合分时段交易的4种成本定价方法，可计算得到8760 h的分时段交易电价成本。2.1 分时容量成本构成及其分摊模型
2.1.1 容量成本构成
2.1.2 基于峰荷责任法的分时容量成本分摊
负荷持续时间不同，设备的利用率也不同，会分摊不同的容量成本。容量成本分摊模型基于峰荷责任法[23]，同时考虑需求水平与负荷持续时间，即同一负荷持续时间下的价格是相同的。
2.2 机组出力模型
2.2.1 水电出力模型
3 实例测算及应用
以H省2018年11月至2019年10月8760 h负荷数据、发电企业成本数据、电煤价格指数、电源结构及丰、枯水期典型负荷日水电出力为依据，模拟测算H省年度中长期市场分时段交易电价成本。H省电源结构以水电和火电为主，核定系统总容量成本为175.09亿元，标准煤耗系数为0.311 kg/（kW•h），省外购电均价为0.296元/（kW•h），用户失负荷价值取H省2019年工业度电GDP增加值7.823元/（kW•h）；水电、风电与光电边际变动成本系数为0元/（kW•h），风机的切入、额定、切出风速分别为3、12、22 m/s。H省月供电能力与用电需求关系如图2所示。
图2 H省月供电能力与用电需求关系
Fig.2 Relationship between monthly power supply capacity and electricity demand in province H
根据H省的《电力中长期交易基本规则》中关于交易品种的相关规定，分别测算年度、月度以及典型日的分时段电价成本，测算过程基于Matlab 2018a平台进行处理。3.1 年度交易成本测算结果
图3为H省年度8760 h交易电价成本测算结果，根据测算结果，分析H省年度交易电量成本有以下特点：（1）系统发电成本总体变化幅度很大。H省2021年交易电量年平均成本为0.2170元/（kW·h），交易电量最大成本为7.8231元/（kW·h），交易电量最小成本为0.0667元/（kW·h），相差约120倍。（2）季节性交易电量成本差异较大。冬夏两季显著大于春秋两季，出现夏季成本比冬季要更高。（3）日交易电量成本变化相对年度、季度变化较小，但在特定日期会形成尖峰成本。（4）全年平均有5 h时会出现缺电现象，其中有3 h出现在夏季最大负荷日，说明供电紧张的情况是短期而不是长期情况，未出现极端供过于求的情况。
图3 H省年度8760 h交易电价成本测算结果
Fig.3 The estimation results of power trading price cost of 8760 h in province H
图4对比了月平均交易电量成本、月最大交易电量成本、月最小交易电量成本与年平均交易电量成本，从结果来看：各月最大交易电量成本的变化幅度较大，最小交易电量成本的变化幅度较稳定，月平均交易成本的变化水平明显小于月最大交易电量成本的变化水平。
图4 H省各月分时段交易电价成本对比
Fig.4 Time-sharing power trading price cost for each month in province H
采用组织映射神经网络（SOM）聚类算法和模糊C均值聚类法[24]进行典型负荷曲线提取和时段划分。结合图5，H省年负荷曲线主要划分为两类，且两类负荷曲线天数占总天数的比例为83.21%，代表性较强，提取这两类负荷曲线进行模糊聚类得到全年的时段划分结果和分时段交易电量成本结果，如表1所示。相比于年平均交易电量成本（0.2170元/（kW•h）），峰时段的交易电量成本上涨了35.21%，平时段的交易电量成本上涨了9.2%，谷时段的交易电量成本下降了24.15%。
图5 基于SOM算法提取年典型负荷曲线
Fig.5 Extraction of annual typical load day curve based on SOM algorithm
表1 年度典型时段划分及各时段成本计算结果
Table 1 Typical time periods of the year and cost estimation results for each time period
3.2 月度交易成本测算结果
按照季节性差异，划分H省的高峰月为7—8月、11—12月；平段月为1—2月、9—10月；低谷月为3—5月。分别取各典型月进行时段划分聚类（见图6~8）。
图6 基于SOM算法提取8月典型负荷曲线
Fig.6 Extraction of typical load curve in August based on SOM algorithm
图7 基于SOM算法提取1月典型负荷曲线
Fig.7 Extraction of typical load curve in January based on SOM algorithm
（1）典型高峰月（8月份）交易成本测算结果。由图6可知，H省8月份负荷曲线主要分为两类，且两类负荷曲线天数占总天数的比例为77.42%，代表性较强，提取这两类负荷曲线进行模糊聚类得到全年的时段划分结果和分时段成本测算结果，如表2所示。与年平均交易电量成本相比，峰时段的交易电量成本值上涨了145.53%，平时段的交易电量成本上涨了50.09%，谷时段的交易电量成本上涨了11.29%，整体均高于年平均交易电量成本。
表2 8月份时段划分及各时段交易成本测算结果
Table 2 Time division and cost estimation results for each time period in August
如图9所示，8月份的平均交易成本为0.3880元/（kW•h），最大日平均交易成本为1.3850元/（kW•h），在月平均交易电量成本的基础上上涨了256.96%，最小日平均电量成本为0.2160元/（kW•h），在月平均交易成本基础上下跌了44.33%，最大日平均交易成本是最小日平均交易成本的6.41倍。这是由于丰水期水电发电量较多，火电发电空间被压缩，推高了峰时段发电成本。
图8 基于SOM算法提取5月典型负荷曲线
Fig.8 Extraction of typical load curve in May based on SOM algorithm
图9 8月份日平均交易电量成本
Fig.9 Average daily power trading cost in August
（2）典型平段月（1月份）交易成本测算结果。由图7可知，H省2019年1月负荷曲线可以划为两类，且两类负荷曲线天数占总天数的比例为80.64%，代表性较强，提取这两类负荷曲线进行模糊聚类得到全年的时段划分结果和分时段成本测算结果，如表3所示。与年平均交易电量成本（0.217元/（kW•h））相比，峰时段的交易电量成本上涨了70.92%，平时段的交易电量成本上涨了31.20%，谷时段的交易电量成本下降了22.12%。
表3 1月份时段划分及各时段交易成本测算结果
Table 3 Time division and time division cost calculation results in January
如图10所示，1月份的平均日交易电量成本0.2780元/（kW•h），最大日平均交易电量成本为0.3890元/（kW•h），在月平均交易电量成本基础上涨了39.93%，最小日平均交易电量成本为0.2140元/（kW•h），在月平均交易成本基础下跌了23.02%。这是由于枯水期水电发电量大幅减少，火电机组利用率提升。
图10 1月份日平均交易电量成本曲线
Fig.10 Daily average power trading cost curve in January
（3）典型低谷月（5月份）交易成本测算结果。由图8可知，H省5月份负荷曲线可以划为两类，且两类负荷曲线天数占总天数的比例为74.19%，代表性较强，提取这两类负荷曲线进行模糊聚类得到全年的时段划分结果和分时段成本测算结果，如表4所示。与年平均交易电量成本（0.217元/（kW•h））相比，峰时段的交易电量成本下降了14.88%，平时段的交易电量成本下降了23.87%，谷时段的交易电量成本下降了40.46%，整体均低于年平均交易电量成本。
表4 5月份时段划分及各时段交易成本测算结果
Table 4 Time division and trading cost estimation results for each time period in May
如图11所示，5月份的平均交易成本0.160元/（kW•h），最大日平均交易电量成本为0.177元/（kW•h），在月平均交易电量成本基础上涨了10.63%，最小日平均交易电量成本为0.132元/（kW•h），在月平均交易电量成本基础上下降了17.50%，最大交易成本为最小成本的1.34倍。
图11 5月份日平均交易电量成本曲线
Fig.11 Daily average power trading cost curve in May
3.3 典型日交易成本测算结果
（1）年最大负荷日交易成本测算结果。如图12所示，H省年最大负荷日的平均交易成本为1.0660元/（kW•h），日最大交易电量成本为7.8320元/（kW•h）（21:00和22:00为供不应求情景，采用用户失负荷价值定价），在日平均交易成本的基础上涨了634.71%，日最小交易电量成本为0.2550元/（kW•h），在日平均交易成本的基础下降了76.08%，最大成本是最小成本的30.71倍。
图12 年最大负荷日交易成本测算结果
Fig.12 Trading cost estimation results for the maximum load day in a year
（2）年最小负荷日交易成本测算结果。如图13所示，H省年最小负荷日的平均交易成本为0.1370元/（kW•h），日最大交易电量成本为0.2170元/（kW•h），在日平均交易成本的基础上涨了58.39%，日最小交易电量成本为0.0667元/（kW•h）（03:00—09:00为供过于求场景，采用系统边际成本定价），在日平均交易成本的基础下降了51.31%，最大交易电量成本约为最小交易电量成本的3.25倍。
图13 年最小负荷日交易成本测算结果
Fig.13 Trading cost estimation results for the minimum load day in a year
4 结语本文提出了不同场景下基于成本定价的电力中长期市场分时段交易的价格形成机制及计算方法。该方法考虑了电力中长期市场分时段交易的4种典型场景，通过分析不同典型场景下的分时段价格形成机理，设计了系统平均成本定价、系统边际成本定价、用户失负荷价值定价和发电失负荷价值定价4种定价方法及模型，并实例测算了H省8760 h的分时段交易电量成本，结果表明中长期市场分时段交易电价电量成本差异显著，高于当前制定的目录电价峰谷价差。本文从机理上完善了中国电力中长期市场的价格形成机制，为今后市场化分时电价机制设计提供参考。需要指出的是，本文并未考虑需求弹性的影响，以及中长期分时段电价与现货市场价格间的衔接问题，相关内容将在后续开展研究。（责任编辑 李博）
作者介绍
黄姗姗（1998—），女，通信作者，博士研究生，从事电力市场、电价理论研究
叶泽（1962—），男，博士，教授，从事电力技术经济、电价理论与政策研究
罗迈（1997—），男，硕士研究生，从事电价理论研究
陈磊（1996—），男，博士研究生，从事电力系统优化控制与运行研究
魏文（1986—），男，博士研究生，讲师，从事电价及电力市场研究
姚军（1980—），男，博士研究生，高级工程师，从事电力经济研究
