可知,在系统实时运行阶段,输电公司购售单位电量所能获得利润的波动主要是由实时市场电价波动所引起。当以VaR作为风险评估指标时,Ert波动带来的风险可以通过RIA计算得到。在给定VaR置信水平为c的情况下,输电公司在次日的单位购售电量所获得的利润M的VaR(用VaR(M)表示)可采用计算,即M低于VaR(M)的概率不超过1-c。VaR(M)也可称为输电公司在次日单位购售电量的无风险利润。VaR(M)=Es-(KltElt+KdaEda+KrtVaR(Ert)+KopEop)(9)3.3购电组合优化模型以单位购售电量无风险利润最大为目标,建立输电公司购电组合优化模型如下:maxVaR(M)s.t.Klt+Kda+Krt+Kop=1Klt,min≤Klt≤Klt,maxKda,min≤Kda≤Kda,maxKrt,min≤Krt≤Krt,maxKop,min≤Kop≤Kop,式中:Klt,min和Klt,max,Kda,min和Kda,max,Krt,min和Krt,max,Kop,min和Kop,max分别为输电公司在次日通过长期合约市场、日前市场、实时市场和跨省跨区交易市场的最小和最大允许购电比例。 4、算例分析 以比较成熟的美国PJM电力市场在2007年6月1日至2011年12月31日这一时段中每小时的实时电价数据为例,采用所提出的方法,计算因电价波动引起的VaR,并与传统VaR的结果进行对比分析。这里对每日实时电价的平均值进行分析,共有1675个日平均电价,日均电价序列记为Ep(t)(t=1,2,…,1675)。 4.1假设电价服从正态分布时的结果 假设电价波动服从正态分布,对日均电价序列Ep(t)进行J-B(Jarque-Bera)检验,结果见附录B表B1。可以看出:①Ep(t)的偏度大于0(如果严格服从正态分布,则其偏度应该等于0),这说明其分布呈右偏状,即电价超过均值出现的概率大于电价低于均值出现的概率;②Ep(t)的峰度大于3(如果严格服从正态分布,则其峰度等于3),这说明电价具有尖峰态的特征;③J-B统计量为2020.1,远大于正态分布在置信水平为1%和5%所对应的临界值(正态分布的J-B统计量服从自由度为2的χ2分布,置信水平为1%和5%所对应的χ2分布值分别为9.21和5.99)。因此,假设Ep(t)服从正态分布是不合适的。 4.2多重分形分布电价的VaR计算 前已述及,在单一购买者模式的电力市场中,系统实际运行时输电公司日单位购售电收益风险主要与实时市场电价波动有关。因此,这里首先计算实时市场电价波动的VaR。用RIA计算2011年电价数据的VaR,历史数据采用每个VaR评估日之前3年(即1096d)的电价数据。给定VaR的置信水平分别为c=95%和c=99%,ξ=10-4,ΔV=0.05美元/(MW·h)。 4.3购电组合短期风险分析 以输电公司制定2011年1月1日、5月3日、7月22日的购电计划为例,采用式(10)所描述的短期购电计划风险优化模型对输电公司的购电结构进行优化,具体的平均电价数据和购电比例约束见附录B表B2。在给定VaR的置信水平分别为c=95%和c=99%的情况下,基于实时电价的VaR计算结果对输电公司的短期购电组合进行优化。 4.4结果分析 4.4.1电价波动VaR结果分析 电价波动风险预测的精度,对2011年共365d的市场电价数据与VaR的计算结果进行对比分析,可以得到以下结论。 1)在正态分布假设下的VaR计算结果明显偏大,高估了电价波动带来的风险。 2)在正态分布假设下的VaR计算结果的误差平方和很大,不能很好地反映电价波动情况,而本文提出的RIA方法的灵敏度较高。 3)电价波动的特征随时间变化。可以看出,基于RIA的VaR计算结果随着时间变化能迅速响应电价波动,对极端事件十分灵敏。这说明本文采用的算法适应性较强,可以有效反映不同时段不同特征的电价波动所引起的风险。 |