欧洲电力市场宋永华.ppt

宋永华,英国利物浦大学,欧盟电力市场 最新进展及对我国的启发,提 纲,第一部分 欧洲电网的发展趋势,第二部分 欧盟电力市场,可持续电力,1. 依赖于新型能源技术实现可持续发展,2. 依赖于市场化和放松管制提高电力工业的运营效率,21世纪的电网和电网技术,统一或协调规划建设，统一调度和运行的统一或联合特高压电网 中国 分布发电与交互式供电的分散智能电网 - 欧洲,统一或联合特高压电网 - 中国电网的发展趋势,电力高速发展；资源分布不均衡；经济发展不平衡；电力市场发展 提高电网输送能力：远距离大容量输电的需求。,特高压输电：特高压交流：1000KV; 特高压直流: 800KV 半波输电方式 紧凑型输电方式 多相交流输电 超高压干式电缆 气体绝缘线路GIL（Gas Insulated Line） 高温超导输电线路 分频输电 提高现有线路的输送能力 - 灵活交流输电系统 输电控制新技术,未来的大电网技术 - 将在中国发展,分布发电与交互式供电的分散智能电网 - 欧洲电网的发展趋势,欧洲的能源政策更加强调对环境的保护和可再生能源发电的发展。 可再生能源，特别是风能、水电、太阳能和生物质能的发展，是欧盟委员会能源政策的中心目标。 这种能源政策的引导下，欧洲以分散式电源作为发展的一个必然方向，而不强调电网规模的扩大。,分布发电与交互式供电的分散智能电网 - 欧洲电网的发展趋势,在欧洲，电网的发展有没有未来？ 与电网的大容量和超高压发展方向相反，欧洲更多的是关心智能电网技术。 未来的电网必须建立电网信息化管理系统之上，特别是低压供电电网的信息化控制，流量平衡控制、网内分布式能源智能管制系统、智能保护系统等。其电网的发展目标是可靠、高效和灵活。,当前的电网,欧洲未来电网:智能/分散/自主 发电 和高度集成的网络管理,Storage,Photovoltaics power plant,Wind power plant,House with domestic CHP,Power quality device,Storage,Central power station,House,Factory,Commercial building,Local CHP plant,Storage,Storage,Power quality device,Flow Control,Transmission Network,Distribution Network,欧洲未来电网,分布发电与交互式供电的分散智能电网 -欧洲电网的发展趋势,短期与中期研究计划,清洁能源, 尤其是可再生能源 节能和能源使用效率: 需求侧管理 新型汽车燃料,中期与长期研究计划,储能技术(燃料电池) 新型能源载体(液态氢) 再生能源新技术 CO2分离 能源策略对社会经济的影响,欧洲能源技术的发展趋势,无论单独的，联网的再生能源发电都需要各种高效的储能技术,发电曲线,负荷曲线,欧洲能源技术的发展趋势,储能问题：,寻找新的能量载体，研制高密度、低成本、长寿命、无污染的储能系统 可能的储能系统 蓄电池,超导磁能 超级电容器，储能是普通电容器的20-1000倍 飞轮储能 压缩空气储能 热储能 抽水蓄能,新能源发电发展的挑战,高效、低成本地解决不连续、不稳定、低密度、随时间季节以及气候变化的新能源的聚集与转化问题； 并网的新能源发电，如何减少系统对自然条件的依赖性，提高发电系统的稳定性、可靠性； 供电质量及其控制问题； 保护方案； 独立电力系统的稳定性分析方法 含新能源发电的配电网络设计和运行； 含新能源发电的电力系统可靠性评价； 经济分析； 不同新能源发电系统联合运行； 电力变换器设计及其控制和运行（风电、光伏、微燃气轮机） 风电、太阳能转换最大化（风速、太阳光跟踪控制） 设备制造技术,新能源发电的挑战,欧盟电力市场,第二部分,明确开展电力市场的目的,增强竞争力 提高效率 激励投资 增大投入 竞争： 发供电 选择：用户,电力市场改革面临的问题,工业结构、监管和所有权 市场结构 交易方式 电力市场运行的技术支持系统 电力市场的运行与控制,当前欧盟成员国,2007 加盟国,欧盟的基本特点,欧盟的基本特点,成员国：25 人数：459百万（Millions） 发电容量：696,146MW,欧盟的基本特点,欧盟的基本特点,总体目标统一的单个电力市场,欧洲电力市场用户可以在欧洲的任何地方从供电者购电，无论任一方地理位置在哪里或越境与否，最终都可送到用户端,欧盟国家的相同框架结构,发电侧竞价 发输配电分离 输电网对第三方的开放 监管 开发市场,建立统一的欧盟电力市场挑战,建立统一的欧盟电力市场挑战,建立统一的欧盟电力市场挑战：当前状况,建立统一的欧盟电力市场挑战：当前状况,市场价格 基于 2004年数据 单位：欧元/MWh (数据: Platts 22/03/2003),市场价格 基于 2006年数据 单位：欧元/MWh (数据: Platts 16/02/2005),电力交易 2004 （买入/卖出）交易平衡 单位：TWh (数据: UCTE 16/02/2005),建立统一的欧盟电力市场挑战：当前状况,建立统一的欧盟电力市场挑战：当前状况,建立统一的欧盟电力市场挑战：当前状况,物理流量和交易流量的不同：比利时和意大利直接输送100MW电能,时间表：改版多次,欧洲法规,电力导则（ Electricity directive ） 2003/55/EC 是欧洲电力市场的核心法规。在2004年7月份欧盟各成员国必须实施。电能和燃气导则的实施指南（ Notes for implementation） 详细说明导则实施的方法。 电能越境交易规章（ Regulation on cross-border trade in electricity ） 1228/2003/EEC制定了各成员国之间电能输送的条规。这个规章在 2004年7月号实施。是一个实用法律。 欧洲国会和参议会在2006年1月18日制定的导则 （ Directive ）2005/89/EC重点关注保障电能供应安全的措施和基础投入等问题。这个导则必须在2008年2月24日实施。 越境交易的电能导则和规章都是根据2001年三月的提议（ proposal ）对1996年旧电力导则（ old Electricity Directive ） 96/92/EC修订而制定的。,1997年2月19日实施 主要规定： 到2005年最小市场运营量达30% 发输配电分离（财务） 输电系统运营者的提名 TPA（regTPA 或 nTPA）或者单一购买方之间的选择 新发电的授权和提议,欧洲法规,欧洲电力导则,2002年1月：一致通过修订的导则,欧盟能源市场（电能和燃气）的新导则 必须设立监管机构 加强越境交易的监管 仅基于授权的新发电 直至200年7月100%的开放 输、配电系统运营机构 （TSOs和DSOs）的分离,2004年三月： European Commission strategy paper 电力市场的中期展望（Medium term vision for the internal electricity market） 中期计划=发展可越境的区域电力市场（REMs）,欧洲电力导则,REMs创建的阻碍因素,发电厂的高市场能力和低平衡市场流量 输电定价高 输电定价的不确定性 输电网运营者之间入网费的不一致 不完全分离 不同市场开放程度 不够强的网络联络,不同组织结构的职责,欧盟 国家政府 国家监管机构 输电系统运营机构 欧洲电能和燃气监管协调组（ The European Regulators Group for Electricity and Gas，ERGEG） 欧洲输电系统运营机构（ETSO）,例如： NationaGrid (UK), TenneT (Netherlands), Fingrid (Finland), Svenska Kraftnt (Sweden), Statnett (Norway), REE (Spain), CEPS (Czech Republic), REN (Portugal), Elia (Belgium),输电系统运营机构 （TSO）,输电系统运营机构的模型标准模型,1999年非正式地以TSOs俱乐部（club）命名 2001年6月以TSOs协会名义重建，具有明确的章程和决策权以及在Brussels设立永久秘书处 具有18个国家的33个TSO成员和4个中央TSO（Centrel-TSOs）协调成员 TSOI，爱尔兰（Ireland）的TSOs协会 UKTSOA，英国TSO协会 NORDEL, 北欧TSOs UCTE，输电协调联盟，CENTREL协会，中西欧大陆国家的TSOs,欧洲输电系统运营机构 （ETSO）,阻塞管理 Inter TSO compensation TSO间补偿 输电费用协调和位置信号 运营标准 市场平衡,ETSO的主要职责,Nordpool/Scandinavia (1991) OMEL/Spain (1994) APX/Netherlands (1999) EEX (LPX)/Germany (2000) PolPX/Poland (2000),大多数欧洲国家决定采用双边市场结构 许多国家中，双边交易（OTC）由自愿电能交易（PX）来补充 几个TSOs运营一个平衡市场以保障电力市场实时供求平衡,欧洲电能交易,Borzen/ Slovenia (2001) OPCOM/Romania (2001) Powernext / France (2002) IPEX / ITALY (2001) UK PX (2002),北欧电力市场,Norway（1993）， Sweden（1996），Finland（1998），Denmark（1999，2000） 影响当前联合北欧电力市场的整合过程的关键因素为： 个别国家的混合发电方式的不便性 由四个政府和能源管理部对此整合过程的支持 输电系统运营机构较好的合作和支持 北欧电力库（Nord Pool）电力交易是这个整合过程的源动力 北欧电力库（Nord Pool）在Elspot中央市场模型（Elspot Centralized Market Splitting Model）上的应用,北欧电力市场,北欧电力市场,北欧电力市场,趸售市场： 北欧电能交易实时市场的比额大约是全部北欧全年用电量的32%。全年总交易量中金融交易是3,800TWh（大约北欧年用电量的10倍）。 零售市场： 大规模终端用户，通常与零售商协商和签合同 小规模终端用户，能选择零售供应商和合同类型,北欧电力市场,北欧电力库（Nord Pool）市场和出清服务 物质交易的实时市场（北欧电力库AS） 金融市场期货、预定和可选择合同 金融电力合同的出清服务（北欧电力库出清ASA）,北欧电力市场,北欧电力市场,北欧电力市场,第三部分,启发式优化算法,电力市场面临的不少问题都是运筹优化问题 这类问题的求解算法，其实就是一种搜索过程，它基于某种思想和机制，通过一定的途径或规则来得到满足用户要求的解 科学的定量方法,优化问题的求解,面临的挑战：多目标； 复杂约束； 不确定性；随机因素； 技术经济社会指标,优化问题,详细信息参见：,SONG, Y.H. (eds.): Modern optimisation techniques in power systems (Kluwer Academic Publishers, 1999, ISBN 0-7923-5697-7),Ch1: Introduction Ch2: Simulated annealing applications Ch3: Tabu search appliaction in fault section estimation and state identification of unobserved protective relays in power system Ch4: Genetic algorithms for scheduling generation and maintenance in power systems Ch5: Transmission network planning using genetic algorithms Ch6: Artificial neural networks for generation scheduling Ch7: Decision making in a deregulated power environment based on fuzzy sets Ch8: Lagrangian relaxation applications to electric power operations and planning problems Ch9: Inter point models and applications in power systems Ch10: Ant colony search, advanced engineered-conditioning genetic algorithms and fuzzy logic controlled genetic algorithms: economic dispatch problems Ch11: Industry applications of artificial intelligence techniques,Content,Kwang Y. Lee, Mohamed A. El-Sharkawi (eds.) Modern Heuristic Optimization Techniques: Theory and Applications to Power Systems，Publisher: Wiley-IEEE Press Publication Date: 2008-02-08；ISBN-10 / ASIN: 0471457116,/,U.S. Department of Energy the National Science Foundation,线性和二次规划,其中，,线性和二次规划,简单两机调度问题,简单两机调度问题,简单方法,简单两机调度问题,非线性规划,凸函数和凸集,凸集,非凸集,凸函数,非凸函数,非线性规划,数学优化方法,拉格朗日乘子理论 内点法 整数和混合整数法 分枝定界法 动态规划 .,数学优化方法,2.A 数学最优化方法的缺点： 仅产生一个解；局部解 问题的公式化描述必须满足数学约束条件 需要先进的计算算法 可能遇到数值问题,1.A 数学最优化方法的优点： 能保证收敛性 基于数学分析 好的终止规则 解的附加信息 能有效计算,启发式优化方法,启发式是一种在合理计算费用下的寻找好的（即接近最优）解技术，但不能保障可行性或最优性，或甚至在许多情况下不能说明如何最优接近一个特殊可行解。大多数现代启发式搜索策略都是基于生物模拟的。 主要包括： a. 基于遗传和演化的进化算法； b. 基于热力学的模拟退火法； c. 基于记忆反应的Tabu搜索； d. 模拟蚂蚁解决问题方式的蚁群搜索法； e. 模拟鸟群捕食行为的粒子群算法 f. 基于大脑工作方式的人工神经网络； g. 基于人类语言分类和推理的模糊规划法,P 是解库(=1)。在某些情况下，例如简单遗传算法，S可 包含一个解的多复制 （一个多集合）或者在其他情况下，S仅保护单个复制（集）。Q是所选择的 子库并且用于创建解的新集合。R是新解集。,启发式优化方法,启发式优化方法,进化算法,遗传算法 遗传规划 进化策略 进化规划 虽然以上三种不同方法，然而，它们都受相同的自然进化原理启发而得。在自然界，每一物种均需适应一个复杂和变化环境以来增大其生存的可能性。每一物种的特性都体现在单个染色体中，这些染色体在繁殖时会发生变化。经过一段时期后，这些染色体突变产生更适于生存的物种，并且具有更大机会将它们改进特性传给后代。,适者生存,“Survival of the fittest”,包括：,染色体表现形式 每一染色体（由一串基因组成）表示问题的一个可行解。二进制数字（0，1）通常用于表示这些基因但有时根据其应用实际情况而用整数或实数来表示。实际上，几乎任何表示方式都能得到一个由有限长度字符串表示的解。例如，在经济调度问题中，可使用二进制字符串10011来表示一台发电机的19MW的输出。,初始种群 一旦选定了合适的染色体表现方式，就需要创建一个初始种群来作为遗传算法的起点。这个初始种群可随机产生或者使用特殊方法、具体问题以及信息产生。由经验知，对于具有广泛取值范围的函数优化问题，通常推荐30和100之间的种群大小。,适应度评价 适应度评价涉及定义一个目标或者适应度函数，以此来测试每一染色体的环境适应性。随着算法的进行，期望得到“最好”染色体的单个适应度与种群的整个适应度一样不断增强。,进化算法,选择 需要从当前繁殖的种群中选择染色体。如果有一个大小为10的种群，选择程序筛选处两个父染色体，基于它们的适应度值，然后利用交叉和变异算子产生新种群的两个子代。适应度值越高的染色体被选择来繁殖的可能性越大。,交叉 一旦选择了一对染色体，利用交叉可以生成子代。下面说明一个典型单点交叉过程： 考虑如下两个体，每一个体由11个二进制变量表示： 个体1：0 1 1 1 0 0 1 1 0 1 0 个体2：1 0 1 0 1 1 0 0 1 0 1 选定交叉位置是： 交叉位置：5 交叉后产生的新个体为： 子代1：0 1 1 1 0| 1 0 0 1 0 1 子代2：1 0 1 0 1| 0 1 1 0 1 0,进化算法,变异 如果仅使用交叉操作来产生子代，便出现一个问题是：如果在某种特殊位置上初始种群中的所有染色体都具有相同值，于是所有未来子代将在此位置具有相同的值。例如，如果在位置2所有染色体均是0，于是所有未来子代将在位置2上的值为0.为了解决这种不希望情况发生使用进行变异操作。以此来试图对基因引入某些随机变化，比如：0变成1或反之。通常，这个变异发生的几率是千分之几。通过产生随机数来检验染色体每位值变异可能性，这个随机数在0和1之间，并且如果这个数小于或等于给定变异概率（如0.001），于是位值就变化。,进化算法,I: 一个简单遗传算法包括如下步骤： 问题编码 随机产生初始种群字符串 每一字符串的适应度评价 选择高适应度字符串作为父代并根据它们的适应度产生子代 对当前子代配对来产生新字符串，利用交叉和变异操作来引入变化并形成新字符串 最后，新字符串替代现有字符串。重复此顺序直到满足终止条件,遗传算法（Gas）与传统最优化算法不同： （1）针对控制变量的编码而不是变量本身； （2）从解的一个种群到其他种群的搜索方法，而不是从个体到个体 （3）仅使用目标函数信息，不涉及导数。必须指出，标准Gas通常出现收敛困难问题。在某些应用中，Gas能有效地搜索到全局最优的邻域，而难于收敛到最优点。另一个困难是：标准GAs计算效率问题和早熟收敛。,进化算法,模拟退火技术最初提出是模拟冷却时固体中结晶过程。此方法本身与热力学相类似，特别地模拟液体冷却和结晶方式，或者金属冷却退火方式。高温时，液体分子自由移动。如果液体慢慢冷却，热动性受限。通常原子排列有序并形成一个规则纯晶体。这个晶体具有最小能量的状态，这对应于数学优化问题中的最优解。,模拟退火算法,一个模拟退火算法的基本部分： 1、系统形态的描述，即，问题最小化（最大化）对应的解的一些展现方式，通常涉及表示一个解的参数的一些形态。 2、一个形态中的随机变化的产生器，这些变化通常是当前形态的邻域解（neighourhood），例如，参数之一的变化。 3、目标或者代价函数（模拟能量），其最小化是全局搜索过程。 4、控制参数T（模拟温度和用于确定可接受“uphill上坡”的概率）和一个退火计划，使T值如何由大变小），例如，形态经过多少次随机变化使T减少？以及减少多少？,模拟退火算法（SA）的优点： （1）适用于处理任意系统和费用函数； （2）能保证寻求最优解； （3）算法实现的简单性（即使是复杂问题）。 这使SA算法可处理特殊问题或者没有特殊方法可解决的问题。 缺点：重复退火速度慢。 对于具有平滑的能量面的问题，最好采用更简单和更快速的局部优化方法。这个方法不能表明是否已经寻找到最优解。需要利用一些其他方法（如分枝边界法）来完成。因此，SA通常用做一个逼近算法。,模拟退火算法,机组启停机计划问题 此例中，最优化的每一步都考虑单个试探解（trial solution）。 11011111 模拟退火的每一步都考虑“局部移动”（local move），这个局部移动能改变单个随机选择位的值。然而，当前试探解也许与最优解有“两步”远。这个两步需要为： 11011011 和11111111 实际上，这些步中的任何一步都可以自己增加费用。（简单局部搜索方法则将在此点终止）。然而，模拟退火的温度参数T可允许进行这些步某一步操作，甚至它是一个“上坡（uphill）”移动。需要进行第二步完成一个“简单”下坡移动。,模拟退火算法,Tabu搜索（TS）是一种迭代改进程序，它从某些初始可行解开始，然后试图以“邻域最大下降”搜索算法来确定更较优解。利用短期当前解记忆功能和长期记忆过程的策略，它通过采取限制来避开局部最优，并指导搜索过程。 TS算法中，邻域用于产生用于选择下一解/移动的邻域子集，它可通过对某些移动进行分类为Tabu（禁忌）和其他所需规定来修正。这是TS法的关键步骤，称为Tabu列表管理。换而言之，Tabu列表管理关注Tabu列表的更新，即决定在搜索迭代中多少移动和哪些移动必须设成Tabu。有几种基本方式来实现这个管理，通常涉及新记录来分别维持不同属性或不同类属性。 TS法的最基本组成部分包括： 移动（Move）、Tabu列表（Tabu list）和激励水平（标准）。 Tabu搜索因此是一种基于多层记忆管理和响应探究的元启发式算式来求解全局最优问题。它需要邻域概念来得到一个试探解（也许是部分的）的。,Tabu 搜索法,Tabu搜索采取如下步骤： 初始化。随机产生或利用给定问题的现有方法来给出初始解。 选择移动。定义适用于当前解的移动集来产生一组试探解。例如，移动具有形式：Xtrial=XcurrentX, X具有与X相同维数的向量。在所有产生的试探解中，TS寻找目标函数改进最多的一个解。 更新。从邻域（希望的或者非禁忌的并且目标函数值是最小的）中选择下一个解。如果满足停止条件则停止。否则更新T（根据某些Tabu更新规则）并返回选择移动。,TS的特点是： 以记忆自适应形式的搜索方式来解决通常其他方法无法处理的复杂性问题。Tabu搜索是一种工程方法，必须根据所需解决问题实际情况来进行特别处理。麻烦的是，很少有理论知识来指导这个处理过程，必须对实践经验进行分类。,Tabu 搜索法,蚁群搜索（ACS）的思想来源于真正蚁群行为，可用于求解函数或者组合最优问题。蚁群搜索算法在某种程度上模拟蚂蚁的行为。真正蚂蚁能利用视觉提示寻找食物源与巢之间最短的路径。它们也能根据环境的变化而改变路径， 例如，若发现了一个新最短路径将不再走旧的路径。行为学家研究揭示这个能力本质上也是由所谓的“荷尔蒙 跟踪”。利用荷尔蒙蚂蚁之间进行交换信息来决定路径和去的地方。蚂蚁在行走时留下一定量的荷尔蒙，并且每个蚂蚁更乐于朝荷尔蒙相对较多的方向走。,蚁群搜索法,一个简单蚁群算法包括如下步骤： 初始化。问题参数用一实数来编码。每一步搜索前，蚁群的初始种群（巢）在可行域内随机产生，并且将在半径不大于R的不同方向上爬行。 评价。所有蚂蚁的适应度利用目标函数来评价。 增加踪迹。按正比于蚂蚁适应度而在某一特定方向上增添踪迹数量。 派遣蚂蚁。根据目标函数，蚂蚁的工作由适应度来衡量，而这个适应度直接影响蚂蚁已选择特定方向上增加的踪迹数量水平。每一蚂蚁选择移动到下一节点必须考虑两个参数：节点的可见性和由其他蚂蚁留下的踪迹密度。派遣过程基于踪迹密度和可视性利用竞争选择在选定方向上派遣蚂蚁。 挥发。最后，由一个蚂蚁留下的荷尔蒙踪迹最终将挥发，并且始发点（巢）也随着最优路径的发现而更新。,蚁群搜索法（ACS）的主要特点：正反馈、分布式计算以及贪婪式启发搜索。正反馈可快速寻找好的解，分布式计算避免早熟收敛，并且贪婪式启发搜索有助于在搜索过程早期就寻求到可行解。还有很多有益工作要做，尤其是提高计算效率。,蚁群搜索法,粒子群算法,（3.5）,（3.6）,（1）起源：源于生物社会学家对鸟群捕食行为的研究，1995年Eberhart和Kennedy博士提出；,（2）原理：可以设想这样一个场景：一群鸟在某个区域随机搜索食物，该区域只有一块食物。所有的鸟都不知道食物的位置，但它们知道当前谁离食物最近。那么，对