林立乾，米增強，賈雨龍，范 輝，杜 鵬

?

面向電力市場的分布式儲能聚合參與電網調峰

林立乾1，米增強1，賈雨龍1，范 輝2，杜 鵬1

（1華北電力大學新能源電力系統(tǒng)國家重點實驗室，河北 保定 071003；2國網河北省電力有限公司，河北 石家莊 050000）

隨著新一輪電力市場化改革的深入，為了促進分布式儲能有效參與電網調峰，提出了對其規(guī)模化聚合管理的思路；建立了分布式儲能聚合商以競價形式參與電網調峰調度的優(yōu)化模型。在日前調度中，聚合商根據(jù)電力交易中心公布的次日調峰需求，通過對分布式儲能行為特性預測，并按階梯報價策略參與競價；電力交易中心以最小化調峰調度成本為目標優(yōu)化調度計劃。在實時調度中，考慮了儲能行為特性日前預測誤差和電池損耗，聚合商以最大化自身利益為目標優(yōu)化充放電出力，使得聚合商在滿足日前中標出力的同時，利用市場電價差獲利。仿真算例表明，分布式儲能聚合商以競價形式參與電網調度既能減少電網調峰調度成本，還可以達到削峰填谷的效果，儲能設備的損耗成本是影響充放電出力的關鍵因素。

電力市場；分布式儲能；聚合商；調峰；調度模型

新能源電力系統(tǒng)的發(fā)展對電網調峰能力提出了極大挑戰(zhàn)[1]，電網利用儲能裝置實施削峰填谷，參與需求響應，可以減少電網調峰壓力，提高電網運行效率[2-3]。儲能技術進步和需求側演化發(fā)展使得分布式儲能在電力系統(tǒng)中廣泛應用[4]，然而分布式儲能的應用特性決定了其在空間上的接入點布局呈分散性，且其容量較小，難以為電網直接調度利用。 通過聚合管理可以充分挖掘分布式儲能的利用價值，同時具有調度方式靈活的優(yōu)點[5]，但是文獻[5]并未具體分析聚合后如何參與電網調峰調度。另一方面，新一輪電力體制改革全面啟動，電力市場化建設加速進行，諸多省份已允許電儲能資源以獨立的市場主體參與電網運行，這也給分布式儲能如何在電力市場環(huán)境下參與電網調峰帶來新的問題。

目前，國內外學者通過聚合管理需求側資源并參與電網調峰已有較多研究。文獻[6]對公共樓宇空調負荷進行剛、柔性組合控制，提出參與電網調峰的方法。文獻[7]將發(fā)電成本和空調負荷控制代價最小作為優(yōu)化目標，提出空調負荷聚合參與電網調度的模型，有效降低負荷峰谷差。文獻[8]對空調負荷虛擬調峰機組分組聚類，提出空調負荷虛擬調峰機組聚合層間及其內部的雙層優(yōu)化調度模型。但是，這些文獻沒有考慮電力市場對調峰調度的影響。文獻[9]通過電動汽車響應分時電價，以削峰填谷為目標建立優(yōu)化模型。文獻[10]提出用戶側需求響應資源聚合與調控策略，針對電網公司預測的用電缺口，需求響應資源主動響應獲取經濟效益。文獻[11]構建綜合能源樓宇模型，引入定價機制引導電動汽車需求響應行為，從而達到參與調峰的目的。文獻[12]以負荷聚合商為中介，提出了基于直接負荷控制的空調負荷雙層優(yōu)化調度模型，在實時市場中通過投標參與調峰調度。文獻[13]對非住宅區(qū)電動汽車充電數(shù)據(jù)分析其用電行為及聚合優(yōu)點，分時電價下電動汽車聚合可以獲得經濟效益同時降低系統(tǒng)峰值負荷。文獻[14]提出聚合商參與調控用戶柔性負荷，以投標的形式參與市場競爭，可以優(yōu)化各時段削峰填谷負荷量。在這些文獻中聚合商在電價引導下改變負荷用電行為從而緩解電網調峰壓力。但是，已有的文獻鮮有對分布式儲能聚合管理及參與電網調峰調度的研究。

分布式儲能作為需求側資源，相比于空調和電動汽車等用戶負荷，不需要考慮用戶行為的多樣性以及用戶體驗的舒適度，可以更加靈活地參與電網功率平衡。因此，本文將在分布式儲能聚合商（distributed energy storage aggregation provider，DESAP）的管理下對分布式儲能規(guī)?；酆希M而參與電網調峰。首先闡述了分布式儲能聚合參與電網調度的架構以及市場環(huán)境下參與調峰的途徑；然后建立了DESAP日前競價參與電網調峰調度和實時優(yōu)化調度的模型，利用混沌粒子群算法對模型優(yōu)化求解；最后通過算例驗證了模型的有效性。

1 分布式儲能聚合參與調度架構

分布式儲能聚合參與電網調度架構如圖1所示。DESAP通過與分布式儲能業(yè)主簽訂合同獲得其代理權，由DESAP負責在分布式儲能側安裝信息采集和控制設備，分布式儲能與DESAP之間的數(shù)據(jù)傳遞和設備控制都以自動化方式進行?？紤]到各個分布式儲能在參與調峰過程的貢獻差異，DESAP向分布式儲能支付費用時應基于分布式儲能的調峰效果支付電量費用，包括充電電量費用和放電電量費用。DESAP根據(jù)所轄區(qū)域內分布式儲能充放電行為的歷史數(shù)據(jù)，預測未來一段時間的閑置容量，并將其聚合，根據(jù)聚合的可控容量制定報價策略，以獨立的市場主體向電力交易中心提交出力和報價信息；按照市場規(guī)則出清各市場主體的中標電量，電力交易中心將中標情況交給調度中心進行安全校核及阻塞管理，確定最終的中標電量；調度中心將中標電量以充放電指令反饋給DESAP，再由DESAP下達至區(qū)域內分布式儲能執(zhí)行。在這個過程中，DESAP充當中間商，傳遞信息流，分布式儲能執(zhí)行指令，通過電網實現(xiàn)能量流的傳遞。

圖1 分布式儲能聚合參與電網調度架構

2 市場環(huán)境下DESAP參與調峰途徑

智能電網環(huán)境下，需求響應資源控制更加精準，集群作用顯著且波動性小[15]，分布式儲能將資源響應控制權交給DESAP，具有響應快、成本低的優(yōu)點，可以為電力市場提供優(yōu)質的調峰產品。同時DESAP由大量小容量的分布式儲能聚合而成，少數(shù)分布式儲能未及時響應DESAP下達的指令對整體影響很小，提高其提供調峰產品的可靠性。隨著電力市場化改革，調峰輔助服務也將不再傳統(tǒng)地依靠調度中心決定，而是由各個市場主體主動參與，發(fā)揮市場在資源配置中的決定性作用。

新能源消納與深度調峰資源匱乏的矛盾日益突出，DESAP參與深度調峰輔助服務可以有效緩解該問題。不同于調峰機組在深度調峰交易市場上申報的是深度調峰電量和申報價格，DESAP上報負荷需求調峰電量和申報價格，其中負荷需求調峰電量是指深度調峰輔助服務市場開啟時段，DESAP主動申請增加負荷需求的電量。為了避免DESAP在深度調峰資源匱乏的地區(qū)哄抬報價獲取暴利，對申報價格設置上限約束。電力交易中心對調峰機組和DESAP的申報電量統(tǒng)一對待，按照統(tǒng)一邊際成本結算深度調峰補償費用。DESAP在深度調峰交易市場上競標成功后，電網按照中標電量對其充電，DESAP需向電網支付充電費用，充電費用按同時段能量市場實時電價結算。因此，DESAP參與深度調峰交易市場既能以低價格對儲能設備充電，同時能獲得深度調峰補償費用。

盡管我國大部分地區(qū)電力供應過剩，然而階段性、地域性的電力供應緊張仍時有發(fā)生，通過需求響應是實現(xiàn)負荷削峰的重要手段。需求側競價是實現(xiàn)需求響應的一種機制，是用戶通過改變自身用電行為，主動參與市場競爭以獲取相應的經濟補償。DESAP以市場競標的方式參與需求側競價，為了削減電網的尖峰負荷，DESAP在需求側行使發(fā)電商的職能，向電力交易中心提供出力和期望價格。與發(fā)電商相比，DESAP位于需求側，直接向負荷供電降低社會成本；與可中斷負荷用戶相比，DESAP不需要考慮缺電引起的停電損失。電力交易中心按照統(tǒng)一邊際成本結算DESAP和可中斷負荷用戶的中標電量與補償價格。DESAP按照調度中心的放電指令向負荷供電，電網需向DESAP支付放電費用，放電費用按同時段能量市場實時電價結算。因此，DESAP在需求側競價中獲得“削峰”補償費用，同時能以高價格放電。

3 DESAP參與競價調峰調度優(yōu)化模型

3.1 DESAP聚合可控容量模型

DESAP對次日分布式儲能充放電行為預測，獲得其荷電狀態(tài)（state of charge，SOC）預測值，DESAP據(jù)此計算調度周期時段內聚合的可控充電和放電閑置容量。

約束條件如下所述。

（1）分布式儲能充電和放電功率約束為

（2）DESAP在任一調度時段內不能同時下達充電和放電指令，但可以處于待機狀態(tài)，即既不充電也不放電，故DESAP的充放電狀態(tài)約束為

（3）調度周期始末DESAP所轄區(qū)域內各分布式儲能荷電狀態(tài)變化量不能過大

3.2 電力交易中心日前調度優(yōu)化模型

由于機組參與深度調峰時，其下調容量越大，所需的成本越高，因此深度調峰機組也采用階梯報價策略。

為了促進深度調峰機組與DESAP之間的競爭，電力交易中心按照需求側統(tǒng)一邊際成本結算的調峰調度成本最小為目標函數(shù)優(yōu)化制定調度計劃

3.3 DESAP實時調度優(yōu)化模型

DESAP要在深度調峰、削峰時段按照日前中標電量執(zhí)行充放電行為。當實際的聚合可控容量存在預測偏差時，DESAP對日前調度的執(zhí)行結果小于中標電量，需要對其進行罰款，以降低電網調度成本。DESAP除了參與深度調峰和削峰獲取補償費用，還可以在其余時段出力，利用能量市場的價格差獲利，同時降低因預測偏差帶來的罰款。此外，考慮到電池損耗，DESAP需要向分布式儲能用戶支付補償費用，因此DESAP實時調度優(yōu)化目標函數(shù)為：

為了避免DESAP過響應能量市場的價格信號，需對其出力設置如下約束

3.4 模型的求解

求解日前調度優(yōu)化模型時，電力交易中心按照各市場主體提交的投標信息，以調峰調度成本最小為目標確定中標信息及邊際成本。求解實時調度優(yōu)化模型時，將采用混沌粒子群算法確定調度周期內各時段聚合商的出力情況。

粒子群算法源于鳥群捕食行為的研究，首先初始化一群隨機粒子（隨機解），然后粒子們通過信息共享機制使整個群體的運動在問題求解空間中產生從無序到有序的演化過程，從而獲得最優(yōu)解。粒子們知道自己本身找到的最好位置（pbest），同時還知道到目前為止整個群體中所有粒子發(fā)現(xiàn)的最好位置（gbest）。接著粒子們就追隨當前的最優(yōu)粒子在求解空間中搜索，通過迭代來更新速度和位置。粒子群優(yōu)化算法調整參數(shù)少、優(yōu)化速度快、易于實現(xiàn)，但其缺點是容易陷入局部最優(yōu)點且搜索精度不高。為了解決這個問題，可將混沌優(yōu)化與粒子群優(yōu)化相結合[16]加以改進?；煦缡且环N普遍的非線性現(xiàn)象，其具有遍歷性、隨機性以及對初值的敏感性，將搜索過程對應為混沌軌道的遍歷過程，可避免陷入局部最優(yōu)解，提高算法的精度和收斂速度。選用Logistic映像來生成混沌變量，即

4 算例分析

4.1 算例數(shù)據(jù)

為了驗證模型的有效性，對某區(qū)域的各個分布式儲能次日行為特性進行預測，假設該區(qū)域分布式儲能數(shù)量共有100個，其中50個配合光伏系統(tǒng)運行，50個配合風電系統(tǒng)運行，且各個分布式儲能的額定容量服從[4，6]MW·h上的均勻分布；各個分布式儲能每小時的最大充放電功率為0.3的額定容量，充放電效率均取0.95；各個分布式儲能的最大、小荷電狀態(tài)均取0.9和0.1。由3.1節(jié)可控容量模型求解得到DESAP聚合的可充電容量和可放電容量，如圖2所示，由于各類分布式儲能聚合互補，可控容量不會出現(xiàn)在某個時段過高或過低。

文獻[17]由歷史數(shù)據(jù)給出典型的工業(yè)、商業(yè)及民用負荷的日變化曲線，本文按照4∶3∶3的比例分配3種負荷，日最大負荷取3000 MW，能量市場的電價預測曲線由美國PJM市場實時電價數(shù)據(jù)隨機采樣獲得[18]，區(qū)域的日負荷曲線和實時電價見圖3。

圖2 可控容量預測值與實際值

假設該地區(qū)出現(xiàn)電力資源短缺，為了保證電網穩(wěn)定運行，電力交易中心在日前公布次日需要深度調峰的時段為3 h、4 h、16 h，需求電量分別為100、125、120 MW·h，需要競價削峰的時段為9:00、10:00、20:00、21:00，削減電量分別為150、180、145、110 MW·h。

圖3 負荷及能量市場電價

Fig.3 Load and energy market electricity price

4.2 日前調度計劃制定

表1 DESAP的投標信息

表2 深度調峰機組和可中斷負荷的投標信息

表3 DESAP不參與調度的中標信息

表4 DESAP參與調度的中標信息

4.3 DESAP實時調度優(yōu)化結果

由圖4(a)可知，DESAP實時調度可以在深度調峰時段和削峰時段實現(xiàn)削峰填谷的效果，且在其余時段的出力不會引起新的負荷尖峰或低谷，有助于緩解區(qū)域電力資源短缺問題。在其余時段DESAP的出力除了受能量市場的電價影響，分布式儲能行為特性的預測精度也是重要因素。由于聚合可控容量的預測誤差，為了避免高額罰款費用，DESAP在1:00、2:00低電價時段放電，而在19:00高電價時段充電。在整個調度周期內，DESAP共獲利11324美元，其中深度調峰補償費和競價削峰補償費分別是4746、3860美元，利用能量市場價格差套利12608美元，電池損耗補償費為9890美元。

由圖4(b)可知，DESAP實時調度結果仍可以實現(xiàn)削峰填谷的目的，在整個調度周期內獲利為1751美元，其中深度調峰補償費和競價削峰補償費分別是4746、3860美元，利用能量市場價格差套利10811美元，電池損耗補償費為17666美元。顯然，電池損耗補償費用急劇上升，若沒有調峰、削峰補償費用，DESAP僅通過能量市場價格套利仍然虧損。因此，電池損耗成本是DESAP參與電網調峰運行的關鍵技術，隨著儲能技術的進步，電池損耗成本降低，DESAP在未來電力市場將會有更大的競爭空間。

圖4 DESAP實時調度優(yōu)化結果

5 結 論

分布式儲能在未來電網廣泛應用是必然趨勢，作為需求側資源，在電力市場環(huán)境下，如何參與電網運行是一個重要問題。本文在DESAP的管理下，對空間上接入位置分散的分布式儲能規(guī)模化聚合，介紹其在電力市場環(huán)境下參與電網調度的架構和途徑，建立日前和實時優(yōu)化調度模型，采用混沌粒子群算法優(yōu)化求解。結果表明DESAP以競價的形式參與深度調峰輔助服務市場和需求側競價削峰市場不僅能有效降低調峰調度成本還可以實現(xiàn)負荷削峰填谷，為分布式儲能在電力市場環(huán)境下盈利提供新的思路。電池損耗成本是決定儲能在能量市場上充放電出力的重要因素。

隨著分布式儲能資源在電網的增加以及電力市場改革的不斷推進，DESAP作為市場主體的產品類型將更加市場化，參與方式將更加多元化。

[1] 向紅吉, 戴朝華, 明杰, 等. 考慮低谷時刻負調峰能力及風電預測區(qū)間的多目標機組組合優(yōu)化研究[J]. 電網技術, 2017, 41(6): 1912-1918.

XIANG Hongji, DAI Chaohua, MING Jie, et al. Research on multi-objective optimization of unit commitment considering negative peak load regulation ability in valley load period and wind power prediction interval[J]. Power System Technology, 2017, 41(6): 1912-1918.

[2] 劉英軍, 劉暢, 王偉, 等. 儲能發(fā)展現(xiàn)狀與趨勢分析[J]. 中外能源, 2017, 22(4): 80-88.

LIU Yingjun, LIU Chang, WANG Wei, et al. Analysis of development status and trend of energy storage technology[J]. Sino-Global Energy, 2017, 22(4): 80-88.

[3] 陳海生, 劉暢, 齊智平. 分布式儲能的發(fā)展現(xiàn)狀與趨勢[J]. 中國科學院院刊, 2016, 31(2): 224-231.

CHEN Haisheng, LIU Chang, QI Zhiping. Developing trend and present status of distributed energy storage[J]. Bulletin of Chinese Academy of Sciences, 2016, 31(2): 224-231.

[4] 李建林, 馬會萌, 袁曉冬, 等. 規(guī)?；植际絻δ艿年P鍵應用技術研究綜述[J]. 電網技術, 2017, 41(10): 3365-3375.

LI Jianlin, MA Huimeng, YUAN Xiaodong, et al. overview on key applied technologies of large-scale distributed energy storage[J]. Power System Technology, 2017, 41(10): 3365-3375.

[5] 孫玲玲, 高賜威, 談健, 等. 負荷聚合技術及其應用[J]. 電力系統(tǒng)自動化, 2017, 41(6): 159-167.

SUN Lingling, GAO Ciwei, TAN Jian, et al. Load aggregation technology and its applications[J]. Automation of Electric Power Systems, 2017, 41(6): 159-167.

[6] 楊永標, 顏慶國, 徐石明, 等. 公共樓宇空調負荷參與電網虛擬調峰的思考[J]. 電力系統(tǒng)自動化, 2015, 39(17): 103-107.

YANG Yongbiao, YAN Qingguo, XU Shiming, et al. Thinking of public building air-conditioning load participating in grid with virtual peak clipping[J]. Automation of Electric Power Systems, 2015, 39(17): 103-107.

[7] 劉萌, 梁雯, 張巖, 等. 計及空調負荷群控制的源-荷協(xié)同優(yōu)化調度模型[J]. 電網技術, 2017, 41(4): 1230-1236.

LIU Meng, LIANG Wen, ZHANG Yan, et al. Cooperative generation load optimal dispatching model considering air-conditioning load group control[J]. Power System Technology, 2017, 41(4):1230-1236.

[8] 李作鋒, 范潔, 楊永標, 等. 面向電網調峰輔助服務的規(guī)?；照{負荷優(yōu)化調度研究[J]. 電器與能效管理技術, 2018(2): 64-72.

LI Zuofeng, FAN Jie, YANG Yongbiao, et al. Research on large-scale air-conditioning load optimal dispatch for power grid peak clipping[J]. Electrical & Energy Management Technology, 2018(2): 64-72.

[9] LIU H, GE S. Optimization of TOU price of electricity based on Electric Vehicle orderly charge[C]//Power and Energy Society General Meeting, IEEE, 2013: 1-5.

[10] 沈瑜, 岳園園, 閆華光, 等. 地區(qū)電網需求響應資源聚合與調控策略研究[J]. 電網技術, 2017, 41(10): 3341-3347.

SHEN Yu, YUE Yuanyuan, YAN Huaguang, et al. Research on aggregation and optimization strategies of demand response resources for district power grid[J]. Power System Technology, 2017, 41(10): 3341-3347.

[11] 楊錚, 彭思成, 廖清芬, 等. 面向綜合能源樓宇的電動汽車輔助服務方案[J]. 電網技術, 2017, 41(9): 2831-2839.

YANG Zheng, PENG Sicheng, LIAO Qingfen, et al. ancillary services provided by electric vehicles for building integrated energy system[J]. Power System Technology, 2017, 41(9): 2831-2839.

[12] 高賜威, 李倩玉, 李揚. 基于DLC的空調負荷雙層優(yōu)化調度和控制策略[J]. 中國電機工程學報, 2014, 34(10): 1546-1555.

GAO Ciwei , LI Qianyu, LI Yang. Bi-level optimal dispatch and control strategy for air-conditioning load based on direct load control[J]. Proceedings of the CSEE, 2014, 34(10): 1546-1555.

[13] KARA E C, MACDONALD J S, BLACK D, et al. Estimating the benefits of electric vehicle smart charging at non-residential locations: A data-driven approach[J]. Applied Energy, 2015, 155: 515-525.

[14] 曹瑛, 劉建鋒, 龔錦霞. 面向負荷聚合商的風光消納調度優(yōu)化模型[J]. 可再生能源, 2018, 36(4): 563-567.

CAO Ying, LIU Jianfeng, GONG Jinxia. Optimization model for wind and solar power accommodation based on load aggregator[J]. Renewable Energy Resources, 2018, 36(4): 563-567.

[15] HE H, SANANDAJI B M, POOLLA K, et al. Aggregate flexibility of thermostatically controlled loads[J]. IEEE Transactions on Power Systems, 2015, 30(1): 189-198.

[16] LIU B, WANG L, JIN Y H, et al. Improved particle swarm optimization combined with chaos[J]. Chaos Solitons & Fractals, 2005, 25(5): 1261-1271.

[17] 郭玉天. 含分布式電源的配電網重構研究[D]. 保定: 華北電力大學, 2013.

GUO Tianyu. Research on the reconfiguration in distribution network with distributed generations[D]. Baoding: North China Electric Power University, 2013.

[18] PJM energy market data [EB/OL]. [2018-11-12]. https://www. pjm.com /markets-and-operations /energy.aspx.

[19] BENINI M , CANEVESE S , CIRIO D , et al. Battery energy storage systems for the provision of primary and secondary frequency regulation in Italy[C]//IEEE International Conference on Environment & Electrical Engineering, IEEE, 2016: 1-6.

[20] WHITE C D, ZHANG K M. Using vehicle-to-grid technology for frequency regulation and peak-load reduction[J]. Journal of Power Sources, 2011, 196(8): 3972-3980.

Distributed energy storage aggregation for power grid peak shaving in a power market

1,1,1,2,1

(1State Key Laboratory of Alternate Electrical Power System with Renewable Energy Source,North China Electric Power University, Baoding 071003, Hebei, China;2State Grid Hebei Electric Power Company, Shijiazhuang 050000, Hebei, China)

With the new round of power market in-depth reform, we propose an concept of large-scale aggregation management and establish an optimization model for distributed energy storage aggregation providers to participate in power grid peaking scheduling in the form of bidding. In the day-to-day scheduling, the aggregation providers participate in the bidding by predicting the characteristics of distributed energy storage system behavior according to the next-day peaking demand announced by the power trading center; the power trading center optimizes the dispatch plan with a goal of minimizing the peaking scheduling cost. In the real-time scheduling, the aggregation providers optimize the charge and discharge outputs with a goal of maximizing its own interests considering the energy storage system characteristics of the previous prediction error and losses so that the aggregation providers could profit from the market electricity price while satisfying the previous successful bid. Simulation examples show that distributed energy storage aggregation providers participating in the grid dispatching could reduce the cost of peak shaving scheduling and achieve the effect of peak shaving in the form of bidding. The loss cost of energy storage system is the key factor affecting the outputs of charge and discharge.

electricity market; distributed energy storage; aggregation provider; peak shaving; scheduling model

10.12028/j.issn.2095-4239.2018.0227

TM 73

A

2095-4239（2019）02-276-08

2018-11-20；

2018-12-20。

國家電網公司科技項目項目（KJGW2018-014）；中央高?；究蒲袠I(yè)務費專項資金項目（2018QN075）。

林立乾（1995—），男，碩士研究生，研究方向為分布式儲能及系統(tǒng)調度運行，E-mail：1021912400@qq.com。