考虑夏普比率的虚拟电厂日前投标策略_王伟韬.pdf

第 47 卷 第 4 期 电 网 技 术 Vol.47 No.4 2023 年 4 月 Power System Technology Apr.2023 文章编号：1000-3673（2023）04-1512-11 中图分类号：TM 721 文献标志码：A 学科代码：47040 考虑夏普比率的虚拟电厂日前投标策略王伟韬，王旭，蒋传文，白冰青，张锞（电力传输与功率变换控制教育部重点实验室(上海交通大学)，上海市 闵行区 200240）Day Ahead Bidding Strategy for Virtual Power Plants Considering Sharpe Ratio WANG Weitao,WANG Xu,JIANG Chuanwen,BAI Bingqing,ZHANG Ke(Key Laboratory of Control of Power Transmission and Conversion(Shanghai Jiao Tong University),Ministry of Education,Minhang District,Shanghai 200240,China)1ABSTRACT:Due to the existence of the output uncertainty of wind power/photovoltaic units and the load forecasting errors,the day-ahead bidding behavior of the virtual power plants faces risks,while the risk aversion coefficient still needs to be determined by the risk management stochastic optimization applied to the day-ahead bidding.The Sharpe Ratio measures both the returns and the risks,and it can realize the Pareto optimization of the risks and the returns without using the risk aversion coefficient,which has been widely used in evaluating the performance of portfolio and the operating efficiency of the capital market.In this paper,the day-ahead bidding behavior of the virtual power plants is compared to the investment portfolio.Aiming at the maximum Sharpe Ratio,the uncertainty of the wind power,the PV output,the load and the electricity price is characterized by the scenario generation method,and the scenario evaluation index is introduced.The day-ahead and real-time stochastic optimization bidding strategy of the virtual power plants considering the Sharpe Ratio is proposed.The results show that the bidding strategy aiming at the maximum Sharpe Ratio reduces the subjectivity of the decision and modifies the risk aversion coefficient when the equipment parameters change.The validity of the model is verified compared with the calculation results of the traditional risk management method.KEY WORDS:virtual power plant;power spot market;stochastic programming;conditional value at risk;Sharpe ratio 摘要：由于风电、光伏机组出力不确定性及负荷等预测误差的存在，虚拟电厂日前投标行为面临风险，而目前应用于日前投标的风险收益多目标优化方法仍需主观决策风险厌恶系数。夏普比率能够同时衡量收益与风险，可在无需决策风险厌恶系数的同时实现风险和收益的帕累托最优，目前已被广泛地用于评价投资组合的业绩、评判资本市场的运行效率等方面。该文将虚拟电厂日前投标行为类比于投资组合，以 基金项目：国家自然科学基金项目(51907120、52277110)。Project Supported by National Natural Science Foundation of China(NSFC)(51907120,52277110).最大夏普比率为目标，采用场景生成法刻画风电光伏出力、负荷及电价的不确定性，并引入场景评价指标，提出考虑夏普比率的虚拟电厂日前实时随机优化投标策略。结果表明，以最大夏普比率为目标的投标策略能够降低决策的主观性，在设备参数改变时自主修正风险厌恶系数，与传统风险管理方法的计算结果对比验证了模型有效性。关键词：虚拟电厂；电力现货市场；随机优化；条件风险价值；夏普比率 DOI：10.13335/j.1000-3673.pst.2022.1346 0 引言 在传统化石能源枯竭与环境污染负面影响日益凸显的背景下，含高比例可再生能源的电力系统建设成为必由之路。可再生能源出力具有随机性和间歇性等特点，其单独并网将对电力系统安全稳定运行带来威胁1。虚拟电厂能够实现对于分布式可再生能源、传统机组、储能装置及可控负荷等的有机整合，实现对于可再生能源出力波动性的抑制和促进新能源消纳的作用2。目前针对虚拟电厂的优化运行问题已有相关研究。文献3建立了考虑环境外部性成本的分布式鲁棒模型，以优化虚拟电厂的调度成本；文献4以概率分布函数的方式描绘虚拟电厂的调度范围边界；文献5建立了一种随机自适应鲁棒优化模型，实现应对风电出力不确定性的日前机组组合。由于可再生能源出力及负荷等不确定性的影响，含可再生能源机组的调度与市场投标行为将面临风险，此问题可被描述为风险管理问题6-7：文献8提出以相对鲁棒条件风险价值为目标的高不确定机组日前竞价申报优化模型，考虑了风电出力的高度不确定性并兼顾了结果的鲁棒性；文献9建立考虑条件风险价值的两阶段随机规划发电调度模型，利用场景生成技术模拟不确定性；文献10讨论了第 47 卷 第 4 期 电 网 技 术 1513 综合能源系统参与日前实时市场的运行策略，考虑了由风电光伏等出力不确定性引起的收益风险；文献11考虑需求侧资源的不确定性，讨论了负荷聚合商参与能量和备用双重市场的投资分配问题。目前风险管理理论在投标策略及调度方面的应用往往表述为风险和收益的双目标优化问题，其应用难点在于决策者需要主观确定风险厌恶系数：一方面，经济学领域的实证性研究表明，风险厌恶系数与决策者的财富变化12、年龄13等因素有关，也有部分研究试图基于投资者的财务状况进行风险厌恶系数的定量计算14-16，而目前对于如何确定发电利益主体的风险厌恶系数并未有相关的统计或研究；另一方面，模糊决策法17-18、TOPSIS(technique for order preference by similarity to ideal solution)法19-20等虽可被用于在多目标优化中确定不同目标间的偏好程度，但其均需要首先提供一组帕累托最优解，而该过程仍需要主观确定生成帕累托最优解的数量和分布。该缺陷导致决策者不能准确知晓自身的风险承受能力，难以定量求得合适的风险厌恶系数。针对上述问题，引入夏普比率的概念。夏普比率表示承担单位风险所获得的超额收益，能够在不量化风险厌恶系数的情况下同时衡量收益和风险，目前已被广泛地用于评价投资组合的业绩、评判资本市场的运行效率等方面21-22。本文建立以最大夏普比率为目标的虚拟电厂日前实时随机优化投标策略，并与风险收益多目标优化方法对比，结果表明，以最大夏普比率为目标的投标策略能够在实现风险和收益帕累托最优的同时降低决策主观性。1 虚拟电厂参与现货市场的流程 本文研究虚拟电厂参与现货市场的竞标策略，所构建的虚拟电厂包含风电机组、光伏机组、燃气轮机、储能装置和可参与需求响应的负荷。现货市场按照交易时间尺度可分为日前市场和实时市场，虚拟电厂由于自身出力水平对于电价不具有决定性影响，本文设定其为价格接受者，日前和实时 2个阶段现货市场的框架如图 1 所示。本文主要参考南方(以广东起步)电力现货市场相关规则23，日前市场采用全电量申报、集中优化出清的方式，虚拟电厂结合自身出力的预测情况及负荷预测水平，提交交易日当天 24 个时段的供给曲线。在实时市场，由于电价、负荷以及虚拟电厂内部可再生能源的随机性，虚拟电厂实际出力与日前计划值可能有偏差。这部分差额将参与实时市场结算，采用单一价 第1阶段日前市场第2阶段实时市场10:0013:00提交投标结果出清00:00每小时实时市场出清 图 1 现货市场流程 Fig.1 Procedure of the power market 格模式，当虚拟电厂实际出力小于计划出力时，虚拟电厂需要以实时电价向交易中心支付偏差电量费用；而当实际出力大于计划出力时，交易中心将会按照实时电价补偿虚拟电厂的额外出力，实时电价每小时出清公布一次，对于偏差电量不设置额外惩罚。2 基于场景生成的不确定性刻画 2.1 场景生成 虚拟电厂参与现货市场的不确定性来源主要有电价的波动、分布式能源的出力随机性及负荷的波动。在日前市场阶段主要考虑日前电价预测的误差造成的不确定性，在实时市场阶段考虑由于风电光伏出力预测、负荷预测误差造成的出力偏差不确定性，以及实时电价预测误差造成的不确定性。在日前市场阶段，风电光伏出力及负荷以预测值参与申报，日前电价以场景表示，决策变量为各时段燃气轮机、储能设备的出力与启停安排，以及需求响应的调度情况。在实时市场阶段，风电光伏出力、负荷及实时电价以场景表示，决策变量为各时段燃气轮机、储能设备的实际出力与启停情况，及需求响应的实际调度情况。本文使用基于预测误差的概率密度函数进行抽样的方法生成场景，主要采用拉丁超立方抽样(Latin hypercube sampling，LHS)的方法。LHS 通过对于随机变量概率分布函数进行分层的方法以确保抽样的均匀性及对边际概率的覆盖性。预测误差的概率密度函数参数可通过历史数据拟合得到，LHS 的具体步骤可见文献24。2.2 场景缩减 具体来看，每一个生成的场景均为由日前电价、实时电价、实时风电出力、实时光伏出力和负荷值 5 个随机变量在T个时段的取值所组成的一个包含5 T个元素的向量。为了更为准确地描述不确定量，往往需要生成大量的场景，模型的计算量随之剧烈增加，故需要在保证一定计算准确度的基础上进行所生成场景的缩减。场景缩减方法常用的有基于距离的同步回带1514 王伟韬等：考虑夏普比率的虚拟电厂日前投标策略 Vol.47 No.4 法、快速向前选择法和基于聚类的方法等。基于聚类的缩减方法对于原始场景的规模较不敏感，本文使用基于聚类的 K-medoids 算法，其相较于 K-