何翔路，婁素華，吳耀武，梁彥杰，陳 星

（1. 強電磁工程與新技術(shù)國家重點實驗室（華中科技大學），湖北省武漢市 430074；2. 中國南方電網(wǎng)電力調(diào)度控制中心，廣東省廣州市 510623；3. 華中科技大學中歐清潔與可再生能源學院，湖北省武漢市 430074）

0 引言

2015 年，《中共中央國務(wù)院關(guān)于進一步深化電力體制改革的若干意見》（中發(fā)9 號文）及相關(guān)配套文件的出臺揭開了中國新一輪電力體制改革的序幕［1］。市場化改革是實現(xiàn)以新能源為主體的新型電力系統(tǒng)的有效手段，風電運行從保護性的全額上網(wǎng)轉(zhuǎn)換為與常規(guī)電源一樣參與市場競爭將成為趨勢［2］。盡管風電由于生產(chǎn)成本低有著較大的競爭優(yōu)勢，但風電的反調(diào)峰性和不確定性在一定程度上制約了風電參與電力現(xiàn)貨市場的積極性。而儲能作為推動可再生能源發(fā)展的關(guān)鍵技術(shù)，可與風電等新能源聯(lián)合參與電力現(xiàn)貨市場，提高風電企業(yè)盈利能力。

國內(nèi)外學者針對風電參與電力市場展開了較多的探討。文獻［3］給出了日前電力庫交易下風水聯(lián)營體的最優(yōu)生產(chǎn)計劃。文獻［4-6］基于單結(jié)算模式，建立了考慮投標偏差懲罰的聯(lián)營體日前投標模型。文獻［7］在文獻［4］的基礎(chǔ)上加入了對聯(lián)營體實時運行計劃的調(diào)整。文獻［8］給出了風電聯(lián)合混合儲能參與多階段市場的調(diào)度策略，但混合儲能的作用僅限于消除預測誤差和平滑風電波動。文獻［9］則建立了在期望電價、風電出力和偏差懲罰下，風電的最優(yōu)日前投標。文獻［10］引入滾動優(yōu)化的思想，允許風水聯(lián)營體根據(jù)日內(nèi)預測出力進行日內(nèi)報價修正。以上研究針對現(xiàn)貨市場環(huán)境下風電聯(lián)合不同類型發(fā)電主體的競價策略進行了有益的探索，但多為單結(jié)算模式下的日前投標，其建模思路也多從如何利用可控主體降低風電不確定性引起的投標偏差出發(fā)，忽略了雙結(jié)算模式下發(fā)電商盈利結(jié)構(gòu)的轉(zhuǎn)變。因此，有待對聯(lián)營體在日前-實時兩階段市場中的策略行為進行更深層次的研究。

隨著雙結(jié)算模式在中國各試點現(xiàn)貨市場的應(yīng)用，市場主體可利用電力現(xiàn)貨市場中的日前和實時價差進行投機，以獲得實時平衡市場中的機會收益。文獻［11］提出了計及實時收益的風電聯(lián)營體在單一時段的最優(yōu)發(fā)電能力，并探討了正負平衡價格等對聯(lián)營體的影響。文獻［12］建立了微電網(wǎng)兩階段市場優(yōu)化調(diào)度模型，分析了實時市場中的偏差收益返還機制對總收益的影響。文獻［13］研究了在日前及實時電價不確定性情況下的儲能兩階段市場最優(yōu)電量分配問題，指出儲能可利用價差進行套利。文獻［14］在文獻［13］的基礎(chǔ)上，還考慮了電池充、放電深度對循環(huán)損耗成本和利潤的影響，但僅針對儲能這一可控市場主體。盡管以上文獻從多個發(fā)電主體角度考慮了價差套利帶來的實時收益，然而，較少有研究能夠針對性地對實時偏差電量進行優(yōu)化，并分析其對風儲一體化電站這一新興市場主體的影響，以及運營過程中的不確定性對儲能壽命的影響。因此，如何基于國內(nèi)現(xiàn)貨市場初期結(jié)算規(guī)則，實現(xiàn)風儲一體化發(fā)電商在不同階段市場的決策優(yōu)化，并在計及儲能運行狀況對其壽命影響的前提下，合理安排儲能電池運行計劃，是目前亟待解決的問題。

綜上，本文以現(xiàn)階段國內(nèi)現(xiàn)貨市場初期，雙結(jié)算和偏差考核并存的結(jié)算規(guī)則為背景，從兩階段電力現(xiàn)貨市場出發(fā)，研究風儲一體化電站的日前市場投標及實時市場自調(diào)度問題。通過考慮日前市場和實時市場的耦合，以及當前實時市場與后續(xù)實時市場的耦合，能夠?qū)崿F(xiàn)現(xiàn)貨市場全出清尺度的決策優(yōu)化。結(jié)合隨機優(yōu)化和魯棒優(yōu)化的特點分別量度價格和風電不確定性引起的收益風險。算例分析證明了本文方法的正確性和有效性。

1 風儲一體化電站參與現(xiàn)貨市場問題

1.1 國內(nèi)電力現(xiàn)貨市場結(jié)算機制

中國目前試點的電力現(xiàn)貨市場一般由一個日前市場和T個實時平衡市場構(gòu)成，日前市場在運行日前一天開展，風儲一體化電站申報運行日的功率-價格曲線。為了保證中標、防止棄風，風儲一體化電站可置零價以保證申報功率全額中標。日前市場展開出清后，市場運營商向發(fā)電主體發(fā)布各時段中標電量及日前的節(jié)點邊際電價（locational marginal price，LMP）。

實時平衡市場一般在實時運行前15 min 展開出清，實時LMP 為4 個時段的LMP 的加權(quán)平均值［15］，市場運營商在實時運行中每小時向交易主體發(fā)布實時LMP。為了與結(jié)算規(guī)則相適應(yīng)，本文以1 h 為實時決策時間間隔。

圖1 為現(xiàn)階段各現(xiàn)貨試點市場普遍采用的雙結(jié)算模式，即日前市場中標電量按日前LMP 結(jié)算，實時物理交割與日前中標的偏差電量按實時LMP 結(jié)算。另一方面，偏差考核機制是抑制市場主體過度投機、助力市場安全平穩(wěn)起步的重要措施，將會長期存在于國內(nèi)現(xiàn)貨市場中。本文參考國內(nèi)省級市場的偏差考核規(guī)則，對于超出偏差考核裕度的偏差電量，采用一定倍數(shù)的日前LMP 進行懲罰結(jié)算。因此，當不考慮中長期合約時，發(fā)電商現(xiàn)貨市場總收益為:

圖1 電力現(xiàn)貨市場雙結(jié)算模式Fig.1 Dual-settlement mode of electricity spot market

式中:R為總收益；λa和λin分別為日前和實時市場結(jié)算價格；Pa、Pin和Pp分別為發(fā)電商日前中標電量、實時平衡市場實際交割與日前中標之間的偏差電量和偏差考核電量；π為偏差考核系數(shù)。

1.2 考慮等效全循環(huán)次數(shù)的儲能壽命模型

電池儲能在與風電配合的運行過程中會經(jīng)歷一系列不規(guī)則的充放電過程，不同放電深度的充放電過程對電池壽命的損耗程度是不相同的。將各次不同深度的放電循環(huán)折算為額定放電深度下的等效全循環(huán)次數(shù)，如下所示［16］。

式中:neq為等效循環(huán)次數(shù)；D為電池實際放電深度；kp為曲線擬合系數(shù)。

在求解實際放電深度D時，需要準確識別儲能充放電循環(huán)發(fā)生時刻，不同于單時段的充放電狀態(tài)，儲能是否發(fā)生充放電循環(huán)應(yīng)以其是否從放電過程轉(zhuǎn)變?yōu)槌潆娺^程判別。因此，t時段的儲能放電深度Dt的實際計算式如下。

式中:Ut為表征充放電循環(huán)動作的0-1 變量，取值為1 時儲能發(fā)生充放電循環(huán)，為0 時不發(fā)生；ut為表征t時段儲能電站充放電狀態(tài)的0-1 變量，取值為1 時儲能充電，為0 時放電；St為t時段儲能電站的荷電狀態(tài)，滿荷電狀態(tài)時St=1。

為保證電池在一定壽命年限之內(nèi)能夠正常工作，使得電池儲能的循環(huán)壽命不短于浮充壽命年限，需要限制每日的等效全循環(huán)次數(shù)，即

式 中:neq，t為t時 段 的 等 效 循 環(huán) 次 數(shù)；Nr為 電 池 以100%放電深度充放電時的額定循環(huán)次數(shù)；Tfloat為電池的浮充壽命；T為總時段數(shù)，與T個實時平衡市場對應(yīng)。

1.3 風儲一體化電站決策過程

為了問題分析簡便且不失一般性，這里對模型作出如下3 點假設(shè):

1）本文研究的風儲一體化電站只包含一個風電場和一個廣義上的儲能裝置。儲能系統(tǒng)運行方式和控制策略只受風電場控制。

2）當風電滲透率較低時，風儲一體化電站在現(xiàn)貨市場中可視作價格接受者，即其申報曲線對價格不產(chǎn)生影響，節(jié)點邊際電價由市場給定，在模型中視為外生參數(shù)，同時申報電量被全額出清。

3）風電實時自然出力符合時間序列特點，距預測時間點越近，預測精度越高。由于實時平衡市場已十分接近實時運行，可認為在第t(1≤t≤T)個實時平衡市場決策階段的風電出力已知。

從發(fā)電運營主體的角度考慮，風電場側(cè)配置儲能的主要目的是:1）避免或減少實時平衡市場偏差考核費用，當風電場實時偏差電量超過偏差考核裕度時，通過儲能有序充放電實現(xiàn)平抑；2）由于風電的反調(diào)峰特性，其出力較高時往往電價較低，儲能可以在電價預測的基礎(chǔ)上，實現(xiàn)風電出力轉(zhuǎn)移，以保證收益最大化；3）最大化雙結(jié)算模式下的價差套利，即根據(jù)日前和實時電價的預期差值進行偏差電量優(yōu)化。因此，風儲一體化電站在進行各階段市場決策時，應(yīng)當考慮各階段市場間的耦合性。

另外，針對日前市場投標模型，日前及實時電價、次日風電出力均是不確定的，風儲一體化電站應(yīng)基于三者的日前預測情況，謀求日前市場及所有實時平衡市場的收益最大化以制定日前申報曲線。針對第t(1≤t≤T)個實時平衡市場決策模型，t至T時段實時電價、t+1 至T時段風電出力是不確定的，風儲一體化電站應(yīng)基于二者的實時預測情況，謀求當前實時平衡市場及后續(xù)實時平衡市場的收益最大化以制定當前實時平衡市場自調(diào)度計劃。

1.4 風儲一體化電站兩階段決策模型

1.4.1 日前市場投標模型

1）目標函數(shù)

風儲一體化電站參與日前現(xiàn)貨市場是以日前市場中各個時段的投標電量來進行決策的，決策目標為實現(xiàn)日前所有實時平衡市場總收益的最大化，其目標函數(shù)主要由日前市場收益、實時平衡市場機會收益、偏差考核費用和儲能電站運行成本構(gòu)成，即

2）約束條件

在中國現(xiàn)階段的現(xiàn)貨市場中，風儲一體化電站的約束條件如下。

風儲一體化電站實際出力約束為:

式中:Pwct為t時段風電場決策出力；Pwt為t時段風電可能出力；φ為偏差考核裕度。

儲能電站需要滿足以下約束條件。

式中:ηch和ηdis分別為儲能電站充、放電效率；Cess為儲能電站額定容量；Pess，max為儲能電站的最大允許充放電功率；Δt為變化時段；S0為初始荷電狀態(tài)。

其中，式（14）為保證儲能電站在任一時段的荷電量約束，式（15）為儲能電站的電量約束，式（16）和式（17）為最大充、放電功率約束，式（18）為方便周期性調(diào)度，保障系統(tǒng)長期運行的儲能始末狀態(tài)約束。

在日前市場出清結(jié)束后，風儲一體化電站即可得到各時段中標電量和日前出清電價。

1.4.2 實時平衡市場自調(diào)度模型

當風儲一體化電站處于第t(1≤t≤T)個實時平衡市場決策階段時，根據(jù)前文所述，所有時段的日前LMP 和中標電量以及t時段的風電出力均為已知量。其決策內(nèi)容僅為第t個實時市場的風電及儲能出力計劃，而決策目標應(yīng)為第t至T個實時平衡市場收益之和最大化。這是因為當前實時平衡市場下的儲能充放電功率、儲能荷電量等決策將會影響后續(xù)實時平衡市場的初始狀態(tài)，若不考慮后續(xù)階段，則當前階段的決策結(jié)果很可能導致后續(xù)階段決策效果欠佳，甚至無解。

此外，本文利用滾動優(yōu)化的思想，在每個實時市場的優(yōu)化開始之前，先根據(jù)最新的氣象預測信息和披露的實時電價信息，對后續(xù)實時市場中的風電出力和實時電價進行估計，再滾動更新系統(tǒng)在實時平衡市場的自調(diào)度策略，從而進一步提升收益，即

式中:Rin，t為第t個實時平衡市場的總收益。

在式（19）中，等號右側(cè)前3 項為第t個實時平衡市場的收益，后3 項為后續(xù)第t+1 至T個實時平衡市場總收益。實時平衡市場約束條件與日前市場類似，僅約束時段有所減少，在此不再贅述。

由上述模型可以得到風儲一體化電站在第t個實時平衡市場的自調(diào)度計劃，在第t個實時平衡市場出清結(jié)束后，即可得到t時段實時LMP。

2 模型求解

針對上述建立的兩階段風儲一體化電站決策模型，如何處理不同決策階段的不確定性電價以及風電出力是求解關(guān)鍵［17］。通常情況下，采用隨機優(yōu)化時模型約束會受隨機場景數(shù)量影響成倍增加，從而增加模型的計算復雜度，而采用魯棒優(yōu)化往往只能在不確定集合的邊界處追求最優(yōu)解，從而增加了模型的保守性，影響決策效果。觀察模型可發(fā)現(xiàn)，電價和風電分別獨立存在于目標函數(shù)和約束條件中。因此，本文綜合二者的特點，采用隨機優(yōu)化處理電價不確定性以避免引入大量約束場景降低求解效率；采用魯棒優(yōu)化處理風電不確定性以保證風電極端場景下決策的有效性，由此構(gòu)成日前-實時兩階段隨機-魯棒優(yōu)化模型。

2.1 基于隨機優(yōu)化的目標函數(shù)

對于日前投標模型，為了量度日前及實時電價預測誤差對于期望利潤的影響，本文基于蒙特卡洛抽樣方法生成多組日前-實時電價聯(lián)合場景并削減，得到二維電價典型場景集合，則日前決策模型可轉(zhuǎn)換為:

式中:Ωs為二維電價典型場景集合；ρs、Ra，s和Rin，s分別為第s個場景的概率和該場景下日前申報決策模型的預期日前和實時總收益。

對于實時平衡市場自調(diào)度模型，需要不斷對實時電價預測值進行更新，當電價符合平穩(wěn)序列要求時，可采用自回歸滑動平均（ARMA）模型進行電價預測［18］，即

隨著實時平衡市場的陸續(xù)出清，可根據(jù)不斷獲得的實時電價數(shù)據(jù)更新未來t至T時段的實時電價預測值，同樣引入多組實時電價場景并削減，實時市場目標函數(shù)處理與日前市場決策模型的處理方式相同。

2.2 風電出力魯棒約束

魯棒優(yōu)化的最優(yōu)解對不確定集合中的每個元素可能造成的不良影響都有抑制性［19］。事實上，采用盒式不確定性集合加上對攝動量的1-范數(shù)約束即可充分描述風電的不確定性。鑒于此，對于日前投標模型，當考慮時間平滑效應(yīng)約束時，基于日前預測結(jié)果的風電不確定性建模如下［20］。

2.3 模型求解方法

由于儲能壽命模型引入了大量的非線性約束，使得求解存在一定困難，本文利用分段線性化方法及大M 法對其進行線性化，推導過程見附錄A。

根據(jù)前文的描述，考慮風電出力最惡劣場景下的日前投標模型可寫為如下雙層形式。

式中:Ra（x）和Rin（u，y）分別為日前中標收益和實時平衡市場收益；x為外層決策變量，對應(yīng)日前申報出力；u為不確定參數(shù)，即風電實時出力情況；y為內(nèi)層優(yōu)化變量，對應(yīng)于實時市場中最惡劣風電出力場景下的風儲一體化電站自調(diào)度方案；D(·)、Bs(·)、Br(·)為相應(yīng)階段等式或不等式約束。

上述問題屬于嵌套max-min-max 問題，無法直接求解，可利用列與約束生成（C&CG）算法將其分解成主子問題迭代求解［21］。其主問題和子問題模型如下所示。

其中，θ為中間變量，主問題式（27）將根據(jù)子問題式（28）產(chǎn)生的風電惡劣場景集u進行求解，子問題根據(jù)主問題優(yōu)化決策變量x*求解得到最惡劣場景ud。對于子問題，可通過對偶理論及大M 法進行解耦和線性化［22］，則最終主子問題均為易于求解的混合整數(shù)線形規(guī)劃（MILP）問題，具體求解步驟如下:

步驟1:設(shè)置初始惡劣場景u1；初始化問題上、下界U0=+∞，L0=-∞；初始迭代次數(shù)d=1；最大允許迭代次數(shù)nmax。

步驟2:將惡劣場景集u代入主問題進行求解，獲得最優(yōu)解xd，其中u={u1，u2，…，ud}，更新模型下界Ld。

步驟3:將xd作為已知量代入子問題獲得最優(yōu)解（ud+1，yd+1）及子問題目標函數(shù)值，更新模型上界為Ud。

步驟4:判斷是否滿足收斂間隙，若滿足則返回最優(yōu)解；否則，更新惡劣場景集u并置d=d+1，增加對應(yīng)調(diào)控變量yd+1及約束，返回步驟2。

對于第t(1≤t≤T)個實時平衡市場自調(diào)度模型，未來時段風電預測出力及其上下限滾動更新，魯棒約束應(yīng)改寫為:

式中:round(·)表示四舍五入取整。則第t(1≤t≤T)個實時平衡市場決策模型可寫為如下形式。

式中:Rin，t(u，y)為第t個實時平衡市場收益。

該問題為min-max 問題，具體處理方法與日前投標模型中的子問題相似，在此不再贅述。

本文基于MATLAB 平臺使用YALMIP 調(diào)用CPLEX 求解器對模型進行求解。

3 算例分析

3.1 算例系統(tǒng)數(shù)據(jù)

為了驗證本文模型的有效性，對含有1 個日前市場和24 個實時平衡市場的現(xiàn)貨市場算例進行分析。算例中風儲一體化電站的風電場裝機容量為250 MW，儲能容量配置為15 MW/30 MW·h，充放電 效 率 為0.93，運 行 成 本 取18元/(MW·h)，Tfloat為10 年，kp為2.09，Nr為1 591［16］，初始荷電狀態(tài)為0.5，線性化段數(shù)為6，偏差考核裕度為5%，偏差考核系數(shù)為2［23］。

風電場日前預測出力取自中國西部某風電基地2020 年6 月典型數(shù)據(jù)，假定日前預測誤差為15%，風電實際出力在誤差區(qū)間內(nèi)隨機生成，出力狀況見附錄B 圖B1，各實時平衡市場風電預測出力區(qū)間在日前預測區(qū)間基礎(chǔ)上，隨提前預測時間逐步縮小，縮小幅度隨機生成，實時預測出力為區(qū)間中點。

假設(shè)電價預測誤差服從正態(tài)分布［24］，在日前電價預測環(huán)節(jié)中，取美國PJM 市場某一風電場所在節(jié)點日前及實時價格作為預測值，日前和實時電價預測誤差的標準差分別取預測值的3%和5%，并取日前預測中概率最大的場景作為實際日前及實時電價場景。在實時平衡市場電價預測環(huán)節(jié)中，根據(jù)不斷更新的實時電價歷史數(shù)據(jù)，通過ARMA 遞推得到實時電價預測值，預測誤差標準差取3%。

3.2 儲能對主體決策的影響

為分析儲能在風電商參與市場中的作用，本文對風儲一體化電站與風力發(fā)電站（下文簡稱風電站）兩個市場主體的日前申報策略及實時平衡市場決策情況進行對比，取魯棒控制系數(shù)Γ=6。

3.2.1 儲能對日前市場決策的影響

圖2 為風儲一體化電站和風電站的日前申報曲線及日前預測電價。

圖2 市場主體日前申報電量及預測電價Fig.2 Day-ahead bidding power of market entities and forecasted electricity price

由圖2 可以看出，風電站單獨申報時策略較為保守，這主要是因為日前風電站的預測存在一定的誤差，為了避免實時平衡市場中風電預測出力負誤差帶來的偏差考核費用，風電站采用接近風電日前預測出力下限的申報策略。風電與儲能聯(lián)合運行并一體化申報后，儲能電站的加入實現(xiàn)了風電出力在時間維度上的轉(zhuǎn)移，一定程度上改善了風電的反調(diào)峰特性，在電價高峰（如時段6、20），風儲一體化電站申報出力均高于預測出力，增加了日前中標利潤。

3.2.2 儲能對實時市場決策的影響

在實時平衡市場中，風儲一體化電站和單獨風電站的偏差考核電量分別為0、12.6 MW·h。由附錄B 圖B2 可以看出，一方面儲能可以彌補風電出力波動導致的偏差考核電量，如在風電實時出力接近日前預測下限時（如時段13 和14），儲能放電以起到補充作用；另一方面，儲能可以跟蹤電價波動特性，在電價較低時（如時段1、2、12）充電，電價較高時（如時段8、19、20）放電，這種策略性充放電動作也是提升實時平衡市場利潤的有效手段。

圖3 為兩個市場主體在實時平衡市場的偏差電量與預測和實際價差。可以看出，當預測價差為正，即實時價格大于日前價格時（如時段8、9、13、14），風儲一體化電站的偏差電量為正且數(shù)值較大，這是因為儲能除彌補偏差考核電量外，還額外放電以增加實時偏差電量。而單獨風電站的偏差電量為負，這是因為風電實時出力接近日前預測下限，低于日前申報出力，從而僅有風儲一體化電站可以獲得機會收益。當預測價差為負，即實時價格小于日前價格時（如時段6），兩個市場主體的偏差電量均為負，因此風儲一體化電站的價差機會收益仍大于風電站。

圖3 實時平衡市場偏差電量與價差Fig.3 Deviation power of real-time balance market and spread

表1 給出了風儲一體化電站和單獨風電站的日前收益、實時收益、總收益以及棄風量。由收益情況可知，風儲一體化電站較單獨風電站日前和實時收益分別提升了3.1% 和130%，而總收益提升了5.2%。另一方面，單獨風電站為了避免偏差考核而導致的棄風量也比風儲一體化電站更高，說明與風電站單獨參與現(xiàn)貨市場相比，風儲一體化電站有著經(jīng)濟、節(jié)能和利于可再生能源消納的多重優(yōu)勢。

表1 兩類市場主體經(jīng)濟指標Table 1 Profit indicators of two kinds of market entities

3.3 實時偏差電量優(yōu)化對主體決策的影響

為分析本文所提方法的優(yōu)越性，對以下兩種情景進行對比:情景①考慮實時偏差電量優(yōu)化的風儲一體化電站參與市場決策；情景②不考慮實時偏差電量優(yōu)化的風儲一體化電站參與市場決策。仍取魯棒控制系數(shù)Γ=6。

圖4 為考慮實時偏差電量優(yōu)化前后風儲一體化電站日前申報電量對比?？梢钥闯?，情景①的風儲一體化電站整體申報電量較情景②要低，這是因為在大多數(shù)時段，主體預測實時電價要高于日前電價，所以情景①的發(fā)電主體能夠有策略地將更多電量放到實時市場中出售，以賺取更多的實時市場收益。特別是在預測價差較大時（如時段8 至14），二者申報電量相差也較大。而在預測價差為負時（如時段6），情景①的申報電量則要明顯高于情景②。

圖4 日前市場申報電量與價差Fig.4 Bidding power of day-ahead market and spread

由附錄B 圖B3 可進一步看出，情景①能夠在風電不確定性的影響下合理分配日前和實時電量，而情景②中的實時偏差電量則基本與預測價差相反。因此，從收益情況來看，盡管情景②的日前收益可達340 424 元，較情景①高出9%，但其實時收益卻降為-24 850 元，遠低于情景①，這也使得情景②的總收益僅為315 994 元，較情景①低2.5%?？梢?，從現(xiàn)貨市場全出清尺度來說，實時偏差電量的優(yōu)化是提升發(fā)電主體現(xiàn)貨市場收益的必要手段。

3.4 電池儲能壽命模型的影響

在原有模型中內(nèi)嵌儲能壽命模型限制了儲能的放電深度和日循環(huán)次數(shù)，會對儲能運行計劃安排產(chǎn)生較大影響。圖5 為是否考慮儲能壽命模型的荷電曲線對比。可以看出，考慮儲能壽命模型后可以顯著降低儲能的過度放電和充放電循環(huán)次數(shù)，降低儲能運行成本，有效延長儲能使用壽命。經(jīng)計算，不考慮儲能壽命模型時的總收益為327 810 元，相比于考慮儲能壽命時的總收益僅上升了1%，而儲能壽命卻從原有的10.08 年降低至2.67 年，可見將儲能壽命模型納入系統(tǒng)全局優(yōu)化之中可以更加準確地反映儲能壽命成本，實現(xiàn)電池儲能的可持續(xù)運行。

圖5 儲能荷電狀態(tài)曲線對比Fig.5 Comparison of state of charge curves for energy storage

3.5 風電預測精準度對收益的影響

風電的不確定性對總收益有著重要影響，本文主要從魯棒控制系數(shù)和風電預測誤差兩方面分析風電預測精準度對收益的影響。

魯棒控制系數(shù)反映了風儲一體化電站對未來風電波動風險的偏好及重視程度。圖6 為不同魯棒控制系數(shù)的定量化分析。為避免風電實際出力的偶然性，本文采用20 個風電出力場景模擬風電實際出力狀況，通過加權(quán)得出其日前收益、實際收益、總收益以及棄風量。

圖6 不同魯棒控制系數(shù)下的收益情況Fig.6 Revenue of different robust control coefficients

由圖6 可以看出，當Γ不斷增加時，日前收益不斷減小，此時棄風量也在不斷上升，這是因為受限于儲能技術(shù)出力，考慮的未來風電出力惡劣場景越多，其日前申報就越接近于下限，雖然避免了實時風電低發(fā)時的偏差考核費用，但也增加了風電高發(fā)時的棄風量。與日前市場不同，在實時市場中，隨著Γ的增加實時收益逐漸增大，其原因為:當Γ較小時，由于沒有充分考慮風電波動性，儲能無法彌補實時偏差考核電量，導致出現(xiàn)較大的偏差考核費用，實時收益較低；隨著Γ增大，儲能不僅滿足了偏差考核要求，還有富余空間進行策略性充放電，使得實時平衡市場的利潤不斷增加。綜合日前與實時兩個市場的收益，當Γ=3 時，風儲一體化電站總加權(quán)收益達到最大，為322 910 元，且此時棄風量并無明顯上升。通過調(diào)節(jié)Γ的大小，發(fā)電商可以在考慮棄風量的同時，協(xié)調(diào)日前和實時市場收益，以達到總利潤最大化的目標。

為了進一步說明魯棒控制系數(shù)對實時收益的影響，本文對偏差考核費用和實時偏差收益的變化進行分析。由附錄B 圖B4 可以看出，Γ從0 變化到3時，偏差考核費用顯著降低，當Γ=5 時，偏差考核費用降低為0；而實時偏差收益具有明顯分段特性，Γ從0 變化到2 時，實時偏差收益顯著增大；當Γ＞7時，實時偏差收益在某一定值左右波動，說明此時儲能套利空間已達到上限。

為分析風電日前預測精度對風儲一體化電站參與現(xiàn)貨市場收益的影響，本文以5%為步長，設(shè)置風電日前預測誤差從5%變化至25%的5 組場景，電站的收益如表2 所示。

表2 風電預測誤差對收益的影響Table 2 Impact of wind power output forecasting errors on revenues

由表2 可知，隨著風電日前預測誤差的增大，風儲一體化電站的日前、實時各階段收益都隨之下降。在日前市場，風電預測誤差越大，風儲一體化電站日前申報曲線越接近預測出力下限，日前中標收益也越低。在實時市場中，當風電預測誤差在15%以內(nèi)時，儲能基本可以彌補偏差考核電量，但隨著預測誤差的升高，其用于出力轉(zhuǎn)移和價差套利的容量空間被不斷壓縮，使得實時收益逐漸降低。當風電預測誤差達到15%以上時，儲能容量已無法滿足偏差考核要求，且隨著誤差升高，偏差考核的代價會進一步增大。提升參與市場競爭的風電出力預測精度可以使得日前策略申報更加準確，從而顯著降低偏差考核費用，還能增加一體化運行的儲能電池的策略性出力空間，對提升收益具有重要作用。

4 結(jié)語

隨著中國電力現(xiàn)貨市場建設(shè)的不斷推進，需要結(jié)合具體的結(jié)算規(guī)則進行發(fā)電商的決策研究，本文從平抑偏差考核和優(yōu)化實時偏差電量并重的建模思路出發(fā)，提出了風儲一體化電站參與日前市場投標模型和實時平衡市場滾動自調(diào)度模型，主要結(jié)論如下:

1）本文所提計及實時市場機會收益的日前投標模型，以及計及后續(xù)實時市場機會收益的實時平衡市場滾動自調(diào)度優(yōu)化模型，能夠有針對性地對實時偏差電量進行調(diào)整，實現(xiàn)現(xiàn)貨市場全出清尺度的決策優(yōu)化，對于指導風電參與現(xiàn)貨市場具有重要意義。

2）儲能的加入能從多方面提高風電參與現(xiàn)貨市場收益，但需要在運營過程中考慮儲能運行狀況對其壽命的影響?；诘刃h(huán)次數(shù)的儲能壽命模型能夠更加客觀、全面地評估電池儲能的經(jīng)濟性，經(jīng)優(yōu)化后的儲能充放電循環(huán)動作次數(shù)可降低25%，最大放電深度降低42%，而壽命可提高至原有年限的2.8 倍，實現(xiàn)儲能運行計劃的合理安排。

3）魯棒控制系數(shù)越大，風電實時出力的隨機波動影響發(fā)電商實際利潤的效果變得越弱，決策更趨保守。在實際應(yīng)用中，決策者可根據(jù)對未來風電波動風險的重視程度確定魯棒控制系數(shù)，同時應(yīng)提升發(fā)電預測能力以增強市場競爭力。

本文側(cè)重于研究現(xiàn)貨市場中風儲一體化電站的決策模型，下一步將考慮中長期市場與現(xiàn)貨市場相結(jié)合的多時間尺度市場競價策略研究。

附錄見本刊網(wǎng)絡(luò)版（http：//www.aeps-info.com/aeps/ch/index.aspx），掃英文摘要后二維碼可以閱讀網(wǎng)絡(luò)全文。