摘要
海上风电因具有更高的发电利用小时数,将成为中国实现“碳中和·碳达峰”的重要技术选项。随着海上风电装机容量的不断提升,其出力的间歇性、波动性将对电力系统的安全稳定和电力市场的经济运行造成显著影响。为刻画不同站点间风速的相关性,基于藤Copula理论对海上风电的出力进行建模,并利用C藤Copula函数构建多风电场出力的联合分布模型。在此基础上,提出基于共识聚类的电力市场典型阻塞场景构建方法,并采用简化的中国广东省电网架构数据开展算例仿真计算,对大规模海上风电并网前后电力系统的发电结构、碳排放量、市场电价等关键指标的变化进行实证分析。
随着全球气候变化的加剧,能源电力部门朝着绿色低碳方向转型成为各个国家可持续发展的必经之路。截至2023年第一季度末,中国可再生能源装机容量已经达到了1 258 G
目前,已有围绕海上风电对系统规划和电力市场影响的分析研究。文献[
为了分析海上风电对市场的影响,首先,需要构建准确的海上风电模型。对于接入同一区域的不同风电场,其风速受到风活动的影响会呈现显著的随机相关性,加剧海上风电出力的波动性,直接影响系统的运行状态。目前,对风电场的相关性主要采用矩阵变换法和Copula函数进行研究。文献[
为描述变量间的非线性相关性,文献[
此外,由于节点负荷需求与海上风电出力波动性相互叠加,系统在不同时段下的阻塞情况不尽相同,这将对电力市场的经济运行产生直接影响。为了刻画市场长期运行中的典型阻塞分区情况,需要考虑线路阻塞状态实现电网分区划分。然而,目前相关研究主要面向电网功率平衡和电压控制进行分区划分。例如,文献[
针对上述研究现状,本文提出了一种基于藤结构Copula函数的海上风电建模及电力市场经济性分析方法。首先,针对多个海上风电场风速相关性的问题,通过藤结构Copula函数构建海上风电联合分布模型,利用拟合优度指标确定最佳分布模型,获取考虑风速相关性的联合出力数据;然后,提出了基于共识聚类的市场典型阻塞场景构建方法;最后,构建中国广东省电网拓扑,利用真实测算数据对海上风电并网消纳问题进行模拟仿真,对比分析海上风电接入前后系统发电结构、阻塞状态及市场经济性的变化。
Copula函数可用于刻画变量间的非线性关系,本文借助藤结构Copula函数将高维变量转化为二维变量的相关性问题进行求解,并构建多个海上风电场风速的联合分布模型。
1959年,Sklar提出可以用一个Copula函数将个变量各自的边缘分布联结起来得到一个维的联合概率分布函
(1) |
式中:为各变量的联合分布函数;为Copula函数;分别为变量对应的边缘分布函数。
对
(2) |
式中:为联合概率密度函数;为Copula函数的概率密度函数;为各变量边缘分布的概率密度函数。
若各个随机变量的边缘分布均为连续函数,则Copula函数具有唯一性。因此,求解多维随机变量的联合概率分布函数只需求取各变量的边缘分布函数和Copula函数。
藤结构Copula函数是一种基于分位数的高维概率分布建模方
对于维随机变量,具有的边缘分布函数,其R藤结构包括d-1层树,记作,每层树为一个包含个节点、条边连接的无向图,满足:
(3) |
式中:。
此外,当树中2个节点由同一边相连时,须保证这2个顶点在树中对应2条边之间有一个公共节点。确定R藤的树结构后,其联合概率密度函数为:
(4) |
式中:r为树Tr的层数序号;为边条件变量编号的集合;和为边关系变量编号的集合;和分别为变量和的条件分布函数; 为对应变量条件分布的Copula函数的概率密度函
对于C藤结构下的每一层树,均包含一个根节点,对第1层树的第1个根节点使用二元Copula函数对每对节点进行建模。对于树,以变量为条件变量,对其余变量进行相关性建模,C藤结构具有星形结
(5) |
对于D藤结构下的每一层树,通过变量的固定顺序进行构建,若变量顺序为,则对第1层树中节点对进行二元Copula函数建模。对于树,采用同样顺序进行相关性建模,D藤结构具有路径结
(6) |
本文根据序贯估计
步骤1:通过
(7) |
式中:为形状参数;为尺度参数。
步骤2:对第1层树所有节点对通过
(8) |
式中:为两随机变量间的同序对数;为两随机变量间的异序对数。的值越接近于1,表示随机变量之间相关性越强;的值越接近于0,表示随机变量之间相关性越弱。
步骤3:对第1层树的每条边估算二元Copula函数的参数值,利用赤池信息准则(Akaike information criterion,AIC)辅助确定最优二元Copula函数。
步骤4:利用步骤3所得Copula函数采样得到第2层树对应节点值,重复步骤2、3确定第2层树结构及Copula函数。
步骤5:重复上述步骤直至求得藤结构下所有树结构及Copula函数,得到藤Copula函数模型。
步骤6:基于蒙特卡洛法生成取值范围在[0,1]间独立均匀分布的随机数,由随机数组成的向量。
步骤7:根据
(9) |
(10) |
式中:为包含的模拟点向量;为向量中去除的剩余向量;、、为相应变量条件分布的联合分布函数;为相应变量条件分布的Copula函数。
步骤8:基于,可得考虑相关性的风速数据,重复次步骤6、7,可得组风速数据。
步骤9:确定最优藤结构Copula模型。根据
(11) |
式中:为构建的Copula函数;为经验Copula函数。CvM距离为检验的目标Copula函数与经验Copula函数之间的距离,该距离越小,模型的拟合准确度越高。
考虑到海上风电的间歇性与波动性,在并网消纳的同时会对系统的潮流分布产生影响,造成不同时段输电阻塞线路的变化,进而影响系统各个节点的电价分布。不同时段的阻塞情况本质为节点的划分结果,共识聚类则可以将多个聚类划分结果进行再聚
电网由节点与线路构成,电网的分区划分本质为各节点的分区划分,即一个包含所有节点的集合划分为个包含各个节点的子集,满足:
(12) |
本文利用节点边际阻塞成本(marginal congestion cost,MCC)作为输入特征,构建M个阻塞场景集合。MCC为线路出现阻塞时,由线路的阻塞价格按照功率转移分布因子的比例所形成的价格信号:
(13) |
式中:为线路阻塞引起节点的MCC,时,线路的阻塞使得节点电价升高,电能“稀缺”,时,线路的阻塞使得节点电价降低,电能“充裕”;为线路的阻塞价格;为节点j对线路l的输出功率转移分布因子,是功率转移分布因子矩阵的第行、第列的元素。
通过阻塞分量划分得到系统各节点在各时段下的阻塞场景集合,基于共识聚类找到最优的子集,使得其与其他划分集合间综合相似度最大,即:
(14) |
式中:为划分子集间的相似度;、分别为第g、m个划分子集。
基于共识聚类对
步骤1:获取节点相似度矩
(15) |
为获得最大的子集划分相似度,须选择2个节点划分至同一子集的方法。定义在所有的子集划分中,2个节点被划分到同一子集的比例为该节点对的节点相似度矩阵,可通过
(16) |
式中:,为目标区域所有节点隶属矩阵的级联矩阵。
步骤2:构建拉普拉斯矩阵。定义度矩阵为节点相似度矩阵的对角矩阵,则拉普拉斯矩阵可通过
(17) |
步骤3:特征值分解。拉普拉斯矩阵为实对称矩阵,可以进行对角化和特征值分解(谱分解),并基于特征向量构建特征矩阵(谱特征)。
步骤4:聚类。使用k-均值聚类算法将特征矩阵进行聚类,将每个样本划分到其所属的分区中,从而得到最终的分区划分结构。
为实现市场运行的准确模拟,本文采用日前安全约束经济调度(security constrained economic dispatch,SCED)模型模拟市场出清过程,并合理设置不同类型主体的报价行为。
SCED模型以最小化发电成本为目标,确定满足负荷需求的机组实时出力计划,其目标函数为:
(18) |
式中:为机组编号集合;为机组在时段的有功功率;为机组在时段的运行成本。
约束条件包括机组出力的上下限约束、系统负荷平衡约束及线路潮流约束,如
(19) |
式中:、分别为机组在时段允许的最小有功功率和最大有功功率;为时段的系统负荷;为线路的潮流传输极限;为机组所在节点对线路的输出功率转移分布因子;为节点在时段的母线负荷值。
本文基于真实数据,结合文献[
具体而言,本文所构建的广东电网拓扑共包括113个节点,其中,机组节点60个、负荷节点53个,以及输电线路132条。除12台火电机组、9个直流逆变站、7台海上风电机组、4台核电机组、3台抽水蓄能机组外,还包含25台本地机组,对应编号82,83,…,106的节点,均为220 kV网络下的小型火电机组。各类型机组装机容量见附录A表A1。其中,海上风电根据《广东省海上风电发展规划(2017—2030年)(编修)
对7处海上风电场的风速分别构建R藤、C藤、D藤Copula函数联合分布模型。为验证各模型拟合效果优劣,利用
由
为分析海上风电并网消纳对广东电力系统及市场的影响,以明阳智能的MySE11型海上风电机组的参数为各海上风电场的典型机组,其切入、切出风速分别为3、25 m/s,风机轮毂高度为140 m,额定运行功率为11 MW,各站点尾流效应系数取0.9,风电机组可利用率取0.95。
算例模拟广东电网在海上风电场并网前后全年8 760 h的运行情况,市场出清间隔设为1 h,对比分析海上风电场接入前后系统发电结构、阻塞状态及市场经济性的变化。
风电场实际发电利用小时数是指场内风电机组在额定功率下的运行小时数,用于表征风电场内发电设备利用率,可通过
(20) |
式中:为风电场的发电利用小时数;为风电场在时间内的实际发电量;为风电场额定输出功率。
中国海上风电年平均发电利用小时数约2 500 h,陆上风电年平均发电利用小时数约2 000
全省海上风电全年平均有效出力为3 559.2 MW,实际发电利用小时数为3 165 h,超出中国海上风电年平均发电利用小时数665 h,具有较高的发电设备利用率。

图1 海上风电场并网前后机组出力变化
Fig.1 Power output changes of generation units before and after grid-integration of offshore wind farms
海上风电场并网前后,系统火电的有效出力占比降低约3.58%,共计约28.9 TW∙h。设定水电、核电、风电机组的碳排放系数为0 g/(kW∙h),火电机组的平均碳排放系数为873 g/(kW∙h),系统的总碳排放量降低约2.5×1
海上风电场的并网有效降低了火电的发电结构占比,有助于促进电力产业的绿色转型。但是,由于海上风电出力的随机性,提高其装机容量,将在负荷低谷时直接影响其他电源的出力,增加系统对灵活性资源的需求。
计算海上风电场并网前后系统全年发生阻塞的总时长,并网前系统共发生阻塞5 397 h,并网后发生阻塞5 362 h,这是由于海上风电的并网消纳缓解了部分单线路阻塞情况,减少了系统阻塞时长。然而,在部分多线路阻塞情况下,额外的线路阻塞尽管不增加系统阻塞时长,但会加剧系统的阻塞程度。计算具体阻塞线路在海上风电场并网前后的阻塞情况,所得结果如
考虑海上风电的并网消纳对附录A图A2中广东省西翼、粤西南送出、东西电力交换、东翼南部沿海送出4个关键断
利用基于共识聚类构建的广东电网典型阻塞分区,计算不同分区的节点边际电价,由高至低依次记为分区1至分区6,不同的阻塞分区反映了网络出现阻塞时各节点的电能稀缺度,所得结果见附录A图A5。
结合
设置发电侧主体的报价如附录A表A4所示,模拟测算海上风电场并网后的节点边际电价,所得广东省各市全年8 760 h的节点边际电价分布如

图2 海上风电场并网后的节点边际电价分布
Fig.2 Distribution of locational marginal prices after grid-integration of offshore wind farms
广东省各市的节点边际电价介于286.00~624.39元/(MW∙h),其中,最低电价与最高电价分别对应第773、4 983 h,系统平均节点边际电价为510.16元/(MW∙h),对比海上风电场未并网时515.04元/(MW∙h)下降了4.88元/(MW∙h)。
考虑到目前广东省海上风电装机容量占比较小,其全年平均有效出力占比约为3.8%,对市场电价影响较小,提高海上风电装机容量至30.00 GW,系统节点边际电价变化如
由于现货市场的边际出清原则,海上风电的低边际成本使得火电等高成本机组出清受限,系统平均节点边际电价随装机容量的增加而降低。节点边际电价由电能量价格、阻塞价格、网损价格组成,受到海上风电接入站点均沿海分布的影响,大规模的风电并网消纳会加剧系统供需在空间分布的不平衡,导致部分节点阻塞价格涨幅高于电能量价格的下降幅度,表现出峰值电价的升高结果。
在广东省面临大规模海上风电并网和消纳的工程背景下,本文提出了一种仿真分析方法,针对多个海上风电场彼此间存在出力相关性的问题,基于广东省海域风力资源的实际数据,利用藤结构Copula函数构建联合分布模型,其中,C藤结构对于广东省海上风电场站点的风速拟合具有更好的拟合效果。本文构建了220、500 kV电压等级下的广东电网拓扑结构,模拟仿真海上风电场并网前后全年8 760 h出清结果,利用共识聚类构建系统典型阻塞分区。算例结果表明,海上风电的并网消纳有利于降低广东省各地的节点边际电价,但机组出力的间歇性与波动性也将进一步造成电价的波动。此外,海上风电并网会缓解西翼送出断面的输电压力,但粤西南、东翼南部沿海送出断面的输电压力会显著增加,需进一步改进、完善网络拓扑以适应大规模清洁能源的发展。
由于目前海上风电的装机规模较小,本文设置其参与现货市场方式为完全消纳,在未来市场占比提高后可逐步放开报价,直至完全参与市场竞争,研究其在不同报价策略下对现货市场运行的影响。
附录

图A1 随机变量藤结构示意图
Fig.A1 Schematic diagrams of vine trees of random variables

图A2 简化的广东电网拓扑结构
Fig.A2 Simplified topology of Guangdong power grid

图A3 C藤Copula模型拟合结果
Fig.A3 C-vine copula model fitting results
图A3中,上三角部分为采样数据(灰)与原始数据(黑)的散点分布图,采样数据较好的保有原始数据间的相关性。下三角部分为拟合的C藤Copula模型树结构,从下至上分别为第1至6层树结构,其中揭阳市对应站点与剩余六站点的风速相关性较高,作为第1层树的根节点进行二元Copula函数拟合,拟合结果在第2层树中选取珠海市对应变量作为根节点进行Copula拟合,第3至5层依次选取汕尾市、阳江市、惠州市作为根节点进行拟合,第6层树对剩余两变量进行分布拟合。

图A4 C藤Copula各层树结构及相关系数矩阵
Fig.A4 Correlation coefficients matrix and tree structure of C-vine copula model

图A5 海上风电并网后的广东电网典型阻塞分区
Fig.A5 Typical congestion partition of Guangdong power grid after grid-integration of offshore wind farms
参 考 文 献
张智刚,康重庆.碳中和目标下构建新型电力系统的挑战与展望[J].中国电机工程学报,2022,42(8):2806-2819. [百度学术]
ZHANG Zhigang, KANG Chongqing. Challenges and prospects for constructing the new-type power system towards a carbon neutrality future[J]. Proceedings of the CSEE, 2022, 42(8): 2806-2819. [百度学术]
陈启鑫,房曦晨,郭鸿业,等.电力现货市场建设进展与关键问题[J].电力系统自动化,2021,45(6):3-15. [百度学术]
CHEN Qixin, FANG Xichen, GUO Hongye, et al. Progress and key issues for construction of electricity spot market[J]. Automation of Electric Power Systems, 2021, 45(6): 3-15. [百度学术]
李晖,高涵宇,张艳,等.考虑相关性的大规模风光互补电网扩展规划[J].电网技术,2018,42(7):2120-2127. [百度学术]
LI Hui, GAO Hanyu, ZHANG Yan, et al. Expansion planning of large scale hybrid wind-photovoltaic transmission network considering correlation[J]. Power System Technology, 2018, 42(7): 2120-2127. [百度学术]
张玥,王秀丽,曾平良,等.基于Copula理论考虑风电相关性的源网协调规划[J].电力系统自动化,2017,41(9):102-108. [百度学术]
ZHANG Yue, WANG Xiuli, ZENG Pingliang, et al. Copula theory based generation and transmission co-planning considering wind power correlation[J]. Automation of Electric Power Systems, 2017, 41(9): 102-108. [百度学术]
MORALES J M, CONEJO A J, PÉREZ-RUIZ J. Simulating the impact of wind production on locational marginal prices[J]. IEEE Transactions on Power Systems, 2010, 26(2): 820-828. [百度学术]
DE LA NIETA A A S, CONTRERAS J, MUÑOZ J I, et al. Modeling the impact of a wind power producer as a price-maker[J]. IEEE Transactions on Power Systems, 2014, 29(6): 2723-2732. [百度学术]
HOSIUS E, SEEBAß J V, WACKER B, et al. The impact of offshore wind energy on Northern European wholesale electricity prices[J]. Applied Energy, 2023, 341: 120910. [百度学术]
JANSEN M, DUFFY C, GREEN T C, et al. Island in the sea: the prospects and impacts of an offshore wind power hub in the North Sea[J]. Advances in Applied Energy, 2022, 6: 100090. [百度学术]
蔡德福,陈金富,石东源,等.风速相关性对配电网运行特性的影响[J].电网技术,2013,37(1):150-155. [百度学术]
CAI Defu, CHEN Jinfu, SHI Dongyuan, et al. Impact of wind speed correlation on operation characteristics of distribution network[J]. Power System Technology, 2013, 37(1): 150-155. [百度学术]
邓威,李欣然,徐振华,等.考虑风速相关性的概率潮流计算及影响分析[J].电网技术,2012,36(4):45-50. [百度学术]
DENG Wei, LI Xinran, XU Zhenhua, et al. Calculation of probabilistic load flow considering wind speed correlation and analysis on influence of wind speed correlation[J]. Power System Technology, 2012, 36(4): 45-50. [百度学术]
QIN Z L, LI W Y, XIONG X F. Generation system reliability evaluation incorporating correlations of wind speeds with different distributions[J]. IEEE Transactions on Power Systems, 2013, 28(1): 551-558. [百度学术]
潘雄,周明,孔晓民,等.风速相关性对最优潮流的影响[J].电力系统自动化,2013,37(6):37-41. [百度学术]
PAN Xiong, ZHOU Ming, KONG Xiaomin, et al. Impact of wind speed correlation on optimal power flow[J]. Automation of Electric Power Systems, 2013, 37(6): 37-41. [百度学术]
蔡菲,严正,赵静波,等.基于Copula理论的风电场间风速及输出功率相依结构建模[J].电力系统自动化,2013,37(17):9-16. [百度学术]
CAI Fei, YAN Zheng, ZHAO Jingbo, et al. Dependence structure models for wind speed and wind power among different wind farms based on copula theory[J]. Automation of Electric Power Systems, 2013, 37(17): 9-16. [百度学术]
WANG Z, WANG W S, LIU C, et al. Probabilistic forecast for multiple wind farms based on regular vine copulas[J]. IEEE Transactions on Power Systems, 2018, 33(1): 578-589. [百度学术]
KIM D, KIM J M, LIAO S M, et al. Mixture of D-vine copulas for modeling dependence[J]. Computational Statistics & Data Analysis, 2013, 64: 1-19. [百度学术]
吴巍,汪可友,李国杰,等.基于Pair Copula的多维风电功率相关性分析及建模[J].电力系统自动化,2015,39(16):37-42. [百度学术]
WU Wei, WANG Keyou, LI Guojie, et al. Correlation analysis and modeling of multiple wind power based on pair copula[J]. Automation of Electric Power Systems, 2015, 39(16): 37-42. [百度学术]
于琳,孙莹,徐然,等.改进粒子群优化算法及其在电网无功分区中的应用[J].电力系统自动化,2017,41(3):89-95. [百度学术]
YU Lin, SUN Ying, XU Ran, et al. Improved particle swarm optimization algorithm and its application in reactive power partitioning of power grid[J]. Automation of Electric Power Systems, 2017, 41(3): 89-95. [百度学术]
赵晶晶,贾然,陈凌汉,等.基于深度学习和改进K-means聚类算法的电网无功电压快速分区研究[J].电力系统保护与控制,2021,49(14):89-95. [百度学术]
ZHAO Jingjing, JIA Ran, CHEN Linghan, et al. Research on fast partition of reactive power and voltage based on deep learning and an improved K-means clustering algorithm[J]. Power System Protection and Control, 2021, 49(14): 89-95. [百度学术]
CUFFE P, KEANE A. Visualizing the electrical structure of power systems[J]. IEEE Systems Journal, 2017, 11(3): 1810-1821. [百度学术]
NELSEN R B. An introduction to copulas[M]. Berlin,Germany: Springer Science & Business Media, 2007. [百度学术]
AAS K, CZADO C, FRIGESSI A, et al. Pair-copula constructions of multiple dependence[J]. Insurance: Mathematics and Economics, 2009, 44(2): 182-198. [百度学术]
DIßMANN J, BRECHMANN E C, CZADO C, et al. Selecting and estimating regular vine copulae and application to financial returns[J]. Computational Statistics & Data Analysis, 2013, 59: 52-69. [百度学术]
FANG C, XU Y L, LI Y L. Optimized C-vine copula and environmental contour of joint wind-wave environment for sea-crossing bridges[J]. Journal of Wind Engineering and Industrial Aerodynamics, 2022, 225: 104989. [百度学术]
QIU Y B, LI Q, PAN Y R, et al. A scenario generation method based on the mixture vine copula and its application in the power system with wind/hydrogen production[J]. International Journal of Hydrogen Energy, 2019, 44(11): 5162-5170. [百度学术]
CZADO C, NAGLER T. Vine copula based modeling[J]. Annual Review of Statistics and Its Application, 2022, 9: 453-477. [百度学术]
SCHEPSMEIER U. Efficient information based goodness-of-fit tests for vine copula models with fixed margins: a comprehensive review[J]. Journal of Multivariate Analysis, 2015, 138: 34-52. [百度学术]
NGUYEN N, CARUANA R. Consensus clusterings[C]//Seventh IEEE International Conference on Data Mining (ICDM 2007), October 28-31, 2007, Omaha, USA: 607-612. [百度学术]
WANG Y, LEBOVITZ L, ZHENG K D, et al. Consensus clustering for bi-objective power network partition[J]. CSEE Journal of Power and Energy Systems, 2022, 8(4): 973-982. [百度学术]
林勇,陈允鹏,王志勇,等.广东电网目标网架方案论证与建议[J].南方电网技术,2020,14(3):42-48. [百度学术]
LIN Yong, CHEN Yunpeng, WANG Zhiyong, et al. Demonstration and suggestion on network scheme of Guangdong power system[J]. Southern Power System Technology, 2020, 14(3): 42-48. [百度学术]
广东省发展改革委关于印发广东省海上风电发展规划(2017—2030年)(修编)的通知[EB/OL].(2018-04-11)[2023-06-21].http://drc.gd.gov.cn/gkmlpt/content/1/1060/mmpost_1060661.html#876. [百度学术]
Issuing of Guangdong Development and Reform Commission on offshore wind power development plan of Guangdong province (from 2017 to 2030) (revised)[EB/OL]. (2018-04-11)[2023-06-21]. http://drc.gd.gov.cn/gkmlpt/content/1/1060/mmpost_1060661.html#876. [百度学术]
HERSBACH H, BELL B, BERRISFORD P, et al. ERA5 hourly data on single levels from 1940 to present: copernicus climate change service (C3S) climate data store (CDS)[EB/OL]. [2023-07-07]. https://doi.org/10.24381/cds.adbb2d47. [百度学术]
国家能源局.我国海上风电并网容量突破千万千瓦[EB/OL].(2021-05-26)[2023-06-21].http://www.nea.gov.cn/202105/26/c_139970677.Htm. [百度学术]
National Energy Administration. China’s offshore wind power grid-connected capacity exceeds 10 million kilowatts[EB/OL]. (2021-05-26)[2023-06-21]. http://www.nea.gov.cn/202105/26/c_139970677.Htm. [百度学术]