蘇超，武小梅，田明正

（廣東工業(yè)大學(xué)自動化學(xué)院，廣東 廣州 510006）

考慮儲能裝置的負(fù)荷聚合商運(yùn)營策略研究

蘇超，武小梅，田明正

（廣東工業(yè)大學(xué)自動化學(xué)院，廣東 廣州 510006）

負(fù)荷聚合商作為中小型用戶參與電力市場的代理，可以起到整合分散負(fù)荷，提供電能批發(fā)服務(wù)的作用。針對由于用戶用電負(fù)荷不確定性造成負(fù)荷聚合商在實(shí)時市場支付額外成本的問題，從減少負(fù)荷聚合商運(yùn)營成本角度出發(fā)，將電能儲存裝置與電動汽車儲能技術(shù)應(yīng)用于負(fù)荷聚合商日前市場運(yùn)營，提出了考慮儲能裝置的負(fù)荷聚合商日前市場運(yùn)營策略。結(jié)果表明：該策略可有效減少日前市場購買電量與用戶實(shí)際用電量之間的誤差，降低負(fù)荷聚合商的運(yùn)營成本。

負(fù)荷聚合商；需求側(cè)響應(yīng)；負(fù)荷預(yù)測；能量存儲系統(tǒng)；電動汽車

隨著智能電網(wǎng)技術(shù)的發(fā)展和普及，越來越多的居民用戶安裝了先進(jìn)的電能計量裝置、實(shí)時通信設(shè)備及智能控制電氣設(shè)備，為整合中小型用戶負(fù)荷資源提供了可能性。在目前大用戶需求響應(yīng)資源日漸飽和的情況下，一種專門為整合中小型負(fù)荷需求響應(yīng)資源的市場主體—負(fù)荷聚合商（Load Aggregator，LA）由此出現(xiàn)。負(fù)荷聚合商作為市場與用戶的中間方，與用戶簽訂用電合約，依照計劃向市場購買電能為用戶提供電能［1］，其最大的優(yōu)點(diǎn)是整合了大量的中小型負(fù)荷用戶，以達(dá)到中小型負(fù)荷用戶參與市場調(diào)節(jié)的容量門檻，為中小型負(fù)荷參與市場提供了可行性［2］，同時，LA能通過更好的技術(shù)和營銷手段引導(dǎo)相對分散的中小用戶自愿參與需求響應(yīng)，緩解以往對用戶的強(qiáng)制性合約束縛，更深程度地開發(fā)和利用中小用戶的自愿響應(yīng)行為［3］，因而LA成為近來國內(nèi)外學(xué)者研究的熱點(diǎn)。

在分布式電源普及以及可再生能源滲透率不斷提高的大環(huán)境下，負(fù)荷聚合商單純依靠用戶日前提供的負(fù)荷需求數(shù)據(jù)對用戶次日用電量進(jìn)行預(yù)測精度是遠(yuǎn)遠(yuǎn)不夠的［4］，為了實(shí)現(xiàn)最優(yōu)的日前市場購電計劃，減小購電成本，需要考慮用戶用電與購買電量的供需平衡。目前負(fù)荷聚合商大多以價格方式引導(dǎo)用戶的用電行為，所以需要制定相應(yīng)的運(yùn)營策略以降低自身運(yùn)營成本。考慮到負(fù)荷聚合商所面臨的弊端，研究智能電網(wǎng)環(huán)境下的負(fù)荷聚合商運(yùn)行策略勢在必行。

1 研究現(xiàn)狀及需要解決的問題

1.1 研究現(xiàn)狀

目前在國外已有較多關(guān)于負(fù)荷聚合商運(yùn)行策略的研究，文獻(xiàn)［5-8］研究了負(fù)荷聚合商參與需求響應(yīng)項(xiàng)目中的作用機(jī)制、前景并對如何參與電力市場競價等方面進(jìn)行了總結(jié)。文獻(xiàn)［9］中詳細(xì)介紹了美國EnerNOC公司、Comverge公司，澳大利亞Energy Response Pty Ltd公司、法國Voltails公司等聚合商的發(fā)展情況，這些企業(yè)開展業(yè)務(wù)相對較早，所以都已具有相當(dāng)規(guī)模及成熟的運(yùn)營體制，可以提供的響應(yīng)容量也已達(dá)到一定規(guī)模。文獻(xiàn)［10］提出了一種基于MPC的調(diào)度和運(yùn)營策略，驗(yàn)證了利用大型儲能裝置（electric energy storage，EES）的負(fù)荷聚合商日前計劃制定的可行性。

我國對于負(fù)荷聚合商的研究起步較晚，但發(fā)展迅速，現(xiàn)已有不少學(xué)者對該方面做出了研究，研究方向大多為負(fù)荷聚合商用戶用電的優(yōu)化調(diào)度［11-12］，或是側(cè)重于其對電網(wǎng)運(yùn)行穩(wěn)定性影響方面的研究［13-14］，而對于負(fù)荷聚合商參與日前市場策略研究很少有涉及。隨著我國電力市場化改革的進(jìn)行，中小用戶擁有參與市場的意愿，負(fù)荷聚合商也需要從市場購買電量，因此，研究負(fù)荷聚合商的運(yùn)行策略具有重要的意義。

1.2 需要解決的問題

（1）目前國內(nèi)電力市場中中小用戶用電量的預(yù)測主要依靠用戶自身申報，精確度不高。在電力現(xiàn)貨交易環(huán)境下，用戶電量預(yù)測誤差會導(dǎo)致聚合商在實(shí)時市場中支付額外的平衡成本，因此，進(jìn)一步提升用戶負(fù)荷預(yù)測的準(zhǔn)確度十分必要。

（2）以電動汽車為代表的新型靈活儲能正處于快速發(fā)展的階段，在不遠(yuǎn)的將來，儲能將對電力市場運(yùn)營產(chǎn)生很大的影響。當(dāng)前將儲能與負(fù)荷聚合商相結(jié)合的研究并不多見，考慮儲能的負(fù)荷聚合商運(yùn)營策略問題需要進(jìn)一步的研究。

2 解決方案

2.1 負(fù)荷聚合商日前市場運(yùn)營模式

由于國內(nèi)目前尚未實(shí)行日前電力市場，因此本文以美國PJM電力市場下的日前市場規(guī)則為依據(jù)進(jìn)行研究。在日前電力市場中，市場成員每天8：00～12：00向市場運(yùn)行部門PJM-OI（office of the interconnection）提交第二天的投標(biāo)計劃。PJM-OI在每天12：00～14：00結(jié)合系統(tǒng)有關(guān)信息對各成員的投標(biāo)計劃進(jìn)行評估，系統(tǒng)信息包括預(yù)期用戶需求、氣候條件、輸電線路、發(fā)電機(jī)組等，評估完成后，選擇最有效、最經(jīng)濟(jì)的運(yùn)行方式。PJM-OI在每天 14：00～16：00，向各成員通報評估結(jié)果，在16：00至第二天8：00，PJM還可以根據(jù)系統(tǒng)經(jīng)濟(jì)性、可靠性等方面的要求做一定調(diào)整［15-16］。

負(fù)荷聚合商的用戶資源中最主要的是居民用戶，也包括部分大型工商業(yè)用戶，還包括一些小型發(fā)電機(jī)、備用電源等。這些用戶資源具體可以分成以下幾種：可削減負(fù)荷、分布式電源和儲能裝置。其中可削減的負(fù)荷包括空調(diào)系統(tǒng)、照明系統(tǒng)等，儲能裝置包括儲能電站等固定儲能以及電動汽車（electric vehicle，EV）等可移動式儲能，其中分布式電源分散安裝在用戶側(cè)，為解決用戶負(fù)荷不確定性的影響和為市場提供調(diào)峰服務(wù)等。負(fù)荷聚合商的控制資源如圖1所示。

在日前市場中，負(fù)荷聚合商根據(jù)第二天的用戶需求向系統(tǒng)申報購電電量與價格。日前市場關(guān)閉后，系統(tǒng)運(yùn)營商將確定哪些報價被接受，并計算出第2天的每個時段的市場出清電價。假設(shè)負(fù)荷聚合商的所有申報電量都可以成交并且單個聚合商的申報電量不影響市場出清價格，則日前市場購電成本為

式中:Qda(i)—負(fù)荷聚合商在日前市場中i時段購買的電量；

Pda(i)—i時段對應(yīng)的日前市場電價;

Cda—日前市場購買所需的成本。

1天內(nèi)總購電成本是當(dāng)天每個時段的購電成本的總和。負(fù)荷聚合商在日前市場中的計劃購電量是根據(jù)其負(fù)荷預(yù)測所決定的，而負(fù)荷預(yù)測值總是存在偏差。在實(shí)際運(yùn)行中，負(fù)荷聚合商需要根據(jù)用戶實(shí)際用電負(fù)荷在實(shí)時市場中進(jìn)行電量平衡，缺額電量需從實(shí)時市場中購買，剩余電量需在實(shí)時市場中賣出，該部分成本為

式中：Qactual(i)—實(shí)際運(yùn)行時段i的用戶負(fù)荷量；

Pbalancing(i)—實(shí)時平衡市場中的單位電價。

1天的實(shí)時平衡成本是每個時段的平衡成本的總和。為了簡化計算，本文通過引入2個懲罰系數(shù)來計算實(shí)時市場中的不平衡電價。

式中:ωup、ωdowm—實(shí)時平衡市場中上調(diào)和下調(diào)的懲罰系數(shù)。

Prt(i)—i時段實(shí)時市場的現(xiàn)貨電價。

根據(jù)參考文獻(xiàn)［10］中對于平衡市場懲罰系數(shù)的設(shè)定，本文建議2個參數(shù)分別取為1.2和-0.8，負(fù)荷聚合商1天的總運(yùn)營成本是每個時段日前市場購電成本加上實(shí)時平衡成本的總和。

2.2 負(fù)荷聚合商運(yùn)營策略

2.2.1 提高負(fù)荷預(yù)測精度

傳統(tǒng)的負(fù)荷聚合商將合約用戶提前申報的第2天所需負(fù)荷量作為日前市場購電量依據(jù)，但隨著分布式電源的普及，用戶側(cè)用電的不確定性變得越來越大，用戶申報量偏差增加，依靠傳統(tǒng)的購買方式將會增大負(fù)荷聚合商在實(shí)際運(yùn)行中所支付的實(shí)時平衡成本。

從該角度出發(fā)，本文針對負(fù)荷預(yù)測精度對負(fù)荷聚合商成本的影響進(jìn)行了研究，選擇以下4種場景：

場景1，基于負(fù)荷聚合商的預(yù)測負(fù)荷等于實(shí)際負(fù)荷，即假設(shè)負(fù)荷聚合商完美預(yù)測了第2天所有合約用戶的用電量，擬定日前市場購買方案。

場景2，基于用戶申報負(fù)荷，擬定日前市場購買方案。

場景3，基于BP神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果，擬定日前市場購買方案。

場景4，基于小波分解和BP神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果，擬定日前市場購買方案。

由于神經(jīng)網(wǎng)絡(luò)與小波分解法已是較為成熟的技術(shù)，大量文獻(xiàn)已有詳細(xì)的解釋說明，因此本文不再贅述，具體原理可參考文獻(xiàn)［17-21］。

在所有場景中，日前市場購買電能所需的成本計算方法都為日前申報購電量與日前電價的乘積，假定負(fù)荷聚合商的所有申報電量都可以成交，且不影響日前市場的電價，則負(fù)荷聚合商在日前市場中所需成本為

由于存在負(fù)荷預(yù)測偏差，負(fù)荷聚合商需要在實(shí)時市場中購買或者出售不平衡電量，在實(shí)時平衡市場中，所有情景的實(shí)施平衡成本為

式中：Cbal——實(shí)施平衡市場的平衡成本。

則負(fù)荷聚合商1天運(yùn)行中所需的成本綜合為

式中：C—負(fù)荷聚合商一天運(yùn)行中所需的成本。

2.2.2 設(shè)置儲能裝置

EES由其運(yùn)行參數(shù)建模，包括最小和最大能量存儲容量、充電功率限制、放電功率限制、充電效率和放電效率。存儲級別必須在其最小和最大容量的范圍內(nèi)，充放電功率必須在其限度內(nèi)，放電和充電操作中的功率損耗需要考慮充放電效率。

在運(yùn)行期間，每個周期結(jié)束時的存儲水平由上一期儲存水平和該期間的充放電操作決定，參考文獻(xiàn)［22］，可將儲能裝置充放電模型表示為

式中:I(i)—充電電能;

O(i)—放電電能;

ηc—充電效率;

X(i)—i時段末期儲能水平。

其中所有變量都需要在EES的操作限制內(nèi)，表示為

式中:Imax—充電功率限制；

Omax—放電功率限制；

Xmin、Xmax—最小和最大存儲容量。

基于EES的特性，本文提出負(fù)荷聚合商通過EES優(yōu)化日前電力市場購電計劃的運(yùn)行策略。通過EES優(yōu)化日前購買計劃的原則是，在日前電力市場電價低的時刻提前購買更多的電能，在日前電價高的時刻減少購買電能，從而最小化能源成本，并設(shè)置了4種情景對其經(jīng)濟(jì)性進(jìn)行比較：

場景1，不使用EES，且假設(shè)無偏差預(yù)測負(fù)荷；

場景2，使用EES對日前購買計劃進(jìn)行優(yōu)化，且假設(shè)無偏差預(yù)測負(fù)荷；

場景3，不使用EES對日前購買計劃進(jìn)行優(yōu)化，有偏差預(yù)測負(fù)荷；

場景4，使用EES對日前購買計劃進(jìn)行優(yōu)化，有偏差預(yù)測負(fù)荷。

負(fù)荷聚合商的日前市場最優(yōu)購買方案的目標(biāo)函數(shù)可以表達(dá)為線性規(guī)劃問題，可以根據(jù)預(yù)測的負(fù)荷和電價最小化日前市場購電成本。其中目標(biāo)函數(shù)為

式中：CEES—使用EES的日前市場購買電能成本。約束條件為

式中：Q′da(i)—負(fù)荷聚合商預(yù)測的負(fù)荷；

ηD—放電效率。

假定負(fù)荷聚合商改變的購買量不影響市場日前電價的制定，且全部投標(biāo)負(fù)荷被市場清算。在向市場提交日前購買計劃的時候，日前市場的實(shí)際能源成本為

預(yù)測的日前市場電價和負(fù)荷在最小化能源成本方面發(fā)揮了重要作用，如果可以完美預(yù)測，負(fù)荷聚合商可以最佳運(yùn)行EES，通過在低價期間買入和存儲更多的電能，同時通過使用EES存儲條件支持下儲存的電能來降低高電價期間買入的電能。

2.2.3 設(shè)置電動汽車儲能

當(dāng)電動汽車用作負(fù)荷聚合商的儲能裝置時，可以根據(jù)來自負(fù)荷聚合商的控制信號進(jìn)行充電和放電。假設(shè)合約用戶的EV被插于位于負(fù)荷聚合商所管轄的合約用戶區(qū)域的充電站中，所有的個人EV被組合和建模為1個儲能裝置。負(fù)荷聚合商可以根據(jù)需要操作這些電池進(jìn)行充電和放電，但需要確保在EV離開充電站之前，存儲的電能必須高于所規(guī)定的最低水平提出最優(yōu)調(diào)度方案來最小化負(fù)荷聚合商的成本。

基于V2G的特點(diǎn)，本文提出利用EV改變?nèi)涨百徺I計劃的負(fù)荷聚合商運(yùn)行策略方案。由于負(fù)荷和電價預(yù)測精度對成本的影響與設(shè)置儲能裝置類似，將不再討論，本方案將對基于假設(shè)的完美負(fù)荷和電價預(yù)測條件下的2種情景進(jìn)行經(jīng)濟(jì)性分析。

場景1，假設(shè)完美預(yù)測用戶用電負(fù)荷，負(fù)荷聚合商不使用EV；

場景2，假設(shè)完美預(yù)測用戶用電負(fù)荷，EV插入立即充電或放電，直到達(dá)到日前計劃存儲電能，同時確保電動汽車在離開充電站時候存儲能量在最低存儲水平之上，對日前購買計劃進(jìn)行優(yōu)化調(diào)度。

基于EV的日前計劃最優(yōu)購買方案的目標(biāo)函數(shù)與利用EES的目標(biāo)函數(shù)一樣，但區(qū)別于EES的方案，利用EV不需要額外的建設(shè)儲能電站EES，只需要與合約用戶所在區(qū)域內(nèi)個人EV車主達(dá)成一定的協(xié)議，運(yùn)行方式與前者相比較，具有靈活，前期投資少等優(yōu)點(diǎn)，而EV的缺點(diǎn)在于不能所有時段使用，結(jié)合文獻(xiàn)［23］中對電動汽車儲能特點(diǎn)的研究，可得出下列考慮電動汽車的日前市場交易模型。

其中目標(biāo)函數(shù)為

約束條件為

負(fù)荷聚合商根據(jù)所簽訂的用戶用電合約和個人EV合約用戶實(shí)現(xiàn)日前計劃最優(yōu)購買方案，假設(shè)負(fù)荷聚合商的所有負(fù)荷投標(biāo)被市場清算，個人EV沒有存在違約的情況下，負(fù)荷聚合商日前實(shí)際能源成本為

2.3 仿真驗(yàn)證

本文采用PJM電力市場公布的負(fù)荷和電價數(shù)據(jù)，提取了PJM電力市場1號節(jié)點(diǎn)的歷史數(shù)據(jù)，使用matlab進(jìn)行仿真分析。對于策略一，通過歷史數(shù)據(jù)預(yù)測2016年10月7日的負(fù)荷，不同負(fù)荷預(yù)測方法得到的預(yù)測結(jié)果如圖2所示。不同預(yù)測方法結(jié)果誤差統(tǒng)計見表1。

圖2 不同預(yù)測方法的負(fù)荷預(yù)測結(jié)果

表1 負(fù)荷預(yù)測誤差統(tǒng)計

從表1和圖2可以看出，經(jīng)由小波分解法與BP神經(jīng)網(wǎng)絡(luò)結(jié)合的方法無論從平均相對誤差、最大相對誤差還是相對誤差超過±5%的時刻數(shù)，都要比其他2種方法更為精準(zhǔn)，3種方法中用戶申報法誤差最大。

對策略一中不同精度預(yù)測方法下的聚合商成本進(jìn)行計算，結(jié)果如表2所示。

表2 策略一不同場景下聚合商成本

從場景1和場景3、4比較可以得出，負(fù)荷預(yù)測的精確度越高，實(shí)時平衡市場的成本就越低（理論上為0）。場景2中的實(shí)時市場平衡成本為負(fù)數(shù)的原因是其用戶申報的每個時刻所需的負(fù)荷普遍比實(shí)際負(fù)荷高很多，雖然在實(shí)時平衡市場中可以通過出售多余電能減少一定的成本，但在日前市場中購買電能的成本比其他場景要多很多。

從總成本上來說預(yù)測精度越高，總成本越低。場景3和場景4總成本幾乎一樣的原因是由于美國PJM電力市場的負(fù)荷波動性較小，在利用小波降噪的過程中去除的噪聲較少，所以造成預(yù)測負(fù)荷的平均相對誤差變化量不大，但在目前我國的電力市場中，負(fù)荷的平穩(wěn)度并不如美國等發(fā)達(dá)國家，基于小波降噪的BP神經(jīng)網(wǎng)絡(luò)預(yù)測方法在減少實(shí)時平衡市場成本的優(yōu)點(diǎn)對于我國的負(fù)荷聚合商運(yùn)行將有很大的作用。

對于策略二，本文采用PJM的1號節(jié)點(diǎn)日前電價歷史數(shù)據(jù)和負(fù)荷預(yù)測對2016年10月7日的日前電價進(jìn)行預(yù)測，主要使用的EES裝置是鈉硫電池，目前普遍使用的鈉硫電池的參數(shù)如表3所示。

表3 EES參數(shù)

假設(shè)負(fù)荷聚合商合約用戶區(qū)域內(nèi)有8個這樣的EES裝置，則日前市場每個時刻所需購買的電能對比如圖3所示。

圖3 使用EES后負(fù)荷聚合商日前市場購電量

通過增加儲能裝置可以改變負(fù)荷聚合商在日前市場的購買方案，在日前市場電價較低的時段在EES模型參數(shù)允許范圍內(nèi)大量購買電能儲存起來，在日前市場電價高的時段從EES中釋放出電能以減少在市場中購買的電能。

計算策略二中的各場景運(yùn)營成本如表4所示。

表4 策略二不同場景下聚合商成本

場景1與場景2或者場景3和場景4相比較，在加入EES后，日前市場購買能源成本將下降。場景2和場景4相比較，預(yù)測的精準(zhǔn)度對EES的利用會造成影響，負(fù)荷聚合商對合約用戶的負(fù)荷預(yù)測和日前電價預(yù)測越精準(zhǔn)將能更好地利用EES擬定最優(yōu)的日前購買方案，以達(dá)到在滿足合約用戶需求的同時最小化能源成本。

對于策略三，設(shè)定EV電池參數(shù)如表5所示。

表5 EV電池參數(shù)

假設(shè)負(fù)荷聚合商用戶區(qū)域內(nèi)有5 000輛可用的合約電動汽車，對負(fù)荷聚合商的日前市場購買計劃最優(yōu)化，得到1天日前市場計劃購買電能與實(shí)際所需電能的比較如圖4所示。

圖4 使用EV儲能后負(fù)荷聚合商日前市場購電量

計算策略三中的各場景運(yùn)營成本如表6所示。

表6 策略三不同場景下聚合商成本

從表6可以看出，場景1和場景2相比較，通過利用EV對負(fù)荷聚合商日前購買計劃最優(yōu)化，能減少日前市場購買能源成本，雖然相較于策略二減少的成本較少，但利用EV比利用EES的投資成本少，且運(yùn)行靈活，同樣也是一種有利的負(fù)荷聚合商運(yùn)行方式。

3 效果評價

（1）對聚合商來說，傳統(tǒng)的依靠用戶申報負(fù)荷的預(yù)測方式精確度低，平均相對誤差高達(dá)8.1%，1天內(nèi)預(yù)測誤差大于±5%的時刻數(shù)為19個。經(jīng)過本文提出的BP神經(jīng)網(wǎng)絡(luò)預(yù)測方法和小波分解結(jié)合BP神經(jīng)網(wǎng)絡(luò)這兩種方法預(yù)測后，平均相對誤差分別為2.7%和2.2%，與傳統(tǒng)方式相比下降了2.5%左右，1天內(nèi)預(yù)測誤差大于±5%的時刻分別降為4和1。因此，本文所提出的2種預(yù)測方法預(yù)測準(zhǔn)確度高，且結(jié)合小波分解的BP神經(jīng)網(wǎng)絡(luò)預(yù)測方法比單純BP神經(jīng)網(wǎng)絡(luò)預(yù)測效果更好。

（2）本文分別制定了考慮常規(guī)分布式儲能EES與電動汽車這2種儲能形式下聚合商的日前市場運(yùn)營策略。在忽略預(yù)測誤差影響的前提下，與傳統(tǒng)不考慮儲能策略下19 641.42美元的運(yùn)營成本相比，設(shè)置EES后的聚合商總運(yùn)營成本為18 555.37美元，設(shè)置電動汽車儲能后的總運(yùn)營成本為19 374.65美元，分別降低了1 086.04美元與266.76美元，證明配置儲能裝置可在聚合商市場運(yùn)營中發(fā)揮積極作用，本文所提出的考慮儲能的運(yùn)營策略可有效降低負(fù)荷聚合商運(yùn)營成本。

4 結(jié)論

（1）小波分解結(jié)合BP神經(jīng)網(wǎng)絡(luò)預(yù)測與傳統(tǒng)用戶申報預(yù)測方法相比預(yù)測誤差有所降低，聚合商負(fù)荷預(yù)測精度的提升會使其運(yùn)營成本下降，因此，本文提出的提高負(fù)荷預(yù)測精度的方法是可行的。

（2）考慮儲能裝置的負(fù)荷聚合商運(yùn)營策略成本明顯降低，相較于傳統(tǒng)運(yùn)營策略，主要是因?yàn)楸疚膶δ苣Ｐ团c傳統(tǒng)市場交易模型做出了結(jié)合，同時考慮負(fù)荷聚合商在日前市場與實(shí)時市場的運(yùn)營聯(lián)合起來進(jìn)行優(yōu)化。該方法科學(xué)合理，在現(xiàn)有研究的基礎(chǔ)之上有所創(chuàng)新。

（3）在當(dāng)前電動汽車保有量較少的情況下，配置電動汽車儲能的運(yùn)營策略使聚合商降低的成本小于配置傳統(tǒng)儲能裝置EES的運(yùn)營策略，原因是儲能裝置的配置容量大，可調(diào)用時間固定，但由于電動汽車具有靈活，調(diào)用成本低等特點(diǎn)，在未來電動汽車飛速發(fā)展的大環(huán)境下將成為聚合商配置儲能的首選。因此，配置電動汽車儲能的運(yùn)營策略符合未來的發(fā)展趨勢，具有較強(qiáng)的實(shí)用性。

［1］曾博,楊雍琦,段金輝,等.新能源電力系統(tǒng)中需求側(cè)響應(yīng)關(guān)鍵問題及未來研究展望[J].電力系統(tǒng)自動化,2015(17):10-18.

［2］WANG P,CHEN X,XIE J,et al.Optimal bidding strategies for LSEs in single-bargainer electricity markets[C]//International Conference on Electric Utility Deregulation and Restructuring and Power Technologies.IEEE,2008:510-514.

［3］王珂,姚建國,姚良忠,等.電力柔性負(fù)荷調(diào)度研究綜述[J].電力系統(tǒng)自動化,2014,38(20):127-135.

［4］張開宇,宋依群,嚴(yán)正.考慮用戶違約可能的負(fù)荷聚合商儲能配置策略[J].電力系統(tǒng)自動化,2015(17):127-133.

［5］LEOU R C,TENG J H.The optimal portfolio of the dayahead market and real-time market for the load serving entities[C]//IEEE International Conference on Industrial Informatics.IEEE,2010:804-809.

［6］BJELOGRLIC M R,FROWD R,PAPALEXOPOULUS A.Congestion revenue rights valuation and procurement-A load serving entity perspective[C]//Power and Energy Society General Meeting-Conversion and Delivery of Electrical Energy in the,Century.IEEE,2008:1-7.

［7］MOHAGHEGHI S,RAJI N.Intelligent demand response scheme for energy management of industrial systems[C]//Industry Applications Society Meeting.IEEE,2012:1-9.

［8］VRETTOS E,OLDEWURTEL F,Vasirani M,et al.Centralized and decentralized balance group optimization in electricity markets with demand response[C]//Power tech.IEEE,2013:1-6.

［9］高賜威,李倩玉,李慧星,等.基于負(fù)荷聚合商業(yè)務(wù)的需求響應(yīng)資源整合方法與運(yùn)營機(jī)制[J].電力系統(tǒng)自動化,2013,37(17):78-86.

［10］XU Y,XIE L,SINGH C.Optimal scheduling and operation of load aggregator with electric energy storage in power markets[C]//North American Power Symposium.IEEE,2010:1-7.

［11］高賜威,李倩玉,李揚(yáng).基于DLC的空調(diào)負(fù)荷雙層優(yōu)化調(diào)度和控制策略[J].中國電機(jī)工程學(xué)報,2014,34(10):1546-1555.

［12］周磊,李揚(yáng),高賜威.聚合空調(diào)負(fù)荷的溫度調(diào)節(jié)方法改進(jìn)及控制策略[J].中國電機(jī)工程學(xué)報,2014,34(31):5579-5589.

［13］李春燕,王東,張鵬,等.計及負(fù)荷聚合商調(diào)度優(yōu)先權(quán)的獨(dú)立微網(wǎng)雙層實(shí)時調(diào)度模型[J].電力系統(tǒng)自動化,2017,41(6):37-43.

［14］李彬,曹望璋,崔高穎,等.基于二次分組的避峰負(fù)荷優(yōu)化調(diào)控方法[J].電網(wǎng)技術(shù),2016,40(12):3904-3911.

［15］國家電力監(jiān)管委員會.美國電力市場[M].北京:中國電力出版社,2005:119-123.

［16］朱兆霞,鄒斌.PJM日前市場電價的統(tǒng)計分析[J].電力系統(tǒng)自動化,2006,30(23):53-57.

［17］徐軍華,劉天琪.基于小波分解和人工神經(jīng)網(wǎng)絡(luò)的短期負(fù)荷預(yù)測[J].電網(wǎng)技術(shù),2004,28(8):30-33.

［18］謝宏,陳志業(yè),牛東曉,等.基于小波分解與氣象因素影響的電力系統(tǒng)日負(fù)荷預(yù)測模型研究[J].中國電機(jī)工程學(xué)報,2001,21(5):5-10.

［19］向崢嶸,王學(xué)平.基于小波-神經(jīng)網(wǎng)絡(luò)的電力系統(tǒng)短期負(fù)荷預(yù)測[J].系統(tǒng)仿真學(xué)報,2008(18):5018-5020.

［20］王學(xué)平.基于小波變換和神經(jīng)網(wǎng)絡(luò)的短期負(fù)荷預(yù)測研究[D].南京理工大學(xué),2007.

［21］孫云.小波分析在電力系統(tǒng)短期負(fù)荷預(yù)測中的應(yīng)用研究[D].浙江大學(xué),2005.

［22］吳雄,王秀麗,李駿,等.風(fēng)電儲能混合系統(tǒng)的聯(lián)合調(diào)度模型及求解[J].中國電機(jī)工程學(xué)報,2013,33(13):10-17.

［23］潘樟惠,高賜威,劉順桂.基于需求側(cè)放電競價的電動汽車充放電調(diào)度研究[J].電網(wǎng)技術(shù),2016,40(4):1140-1146.

Research on operation strategy of load aggregator considering energy storage device

SU Chao,WU Xiaomei,TIAN Mingzheng
（School of Automation,Guangdong University of Technology,Guangzhou Guangdong 510006,China）

As the agent of the small and medium-sized customers in the electricity market,load aggregators can integrate the decentralized loads and provide wholesale electricity services to customers.Due to the uncertainty of the loads,the aggregator has to pay an additional cost in the realtime market,from the perspective of reducing the aggregator’s operation costs,and the application of energy storage device and electric vehicle power storage technology in load aggregator’s daily market operation,puts forward load aggregator’s daily market operation strategies considering the energy storage device.The result shows that this strategy can effectively decrease the errors between the power by market to purchase and the actual power by customer to consumption,and reduce the operation cost of the load aggregator.

load aggregator;demand side response;load forecast;energy storage system;electric vehicle

10.3969/j.issn.1672-3643.2017.05.003

2017-07-08

蘇超（1985），男，工程師，從事電力系統(tǒng)科技進(jìn)步工作。

TM 761.2

A

1672-3643（2017）05-0017-08

有效訪問地址：http://dx.doi.org/10.3969/j.issn.1672-3643.2017.05.003