风光储联合参与电力现货市场的优化策略

陈康婷

（长江三峡集团重庆能源投资有限公司，重庆 400000）

2020年，在第七十五届联合国大会一般性辩论会议上，我国正式提出了2030年实现碳达峰、2060年实现碳中和的远景目标[1]。在上述背景下，风电和光伏发电等可再生能源发电进入了高速发展轨道。然而，因其随机性与用户负荷需求的动态波动性，二者在时间尺度上往往具有不一致性和非匹配性，导致弃风和弃光问题[2]。由于能够抑制风电和光伏发电的出力波动，储能设备往往与风电和光伏发电配套，与此同时，作为新一轮电力体制改革的重点任务，我国各省的电力现货市场已经基本建设完成，大部分省份的电力现货市场处于试运行和调试阶段。未来，风光储系统将联合参与电力现货市场，如何推进风光储系统联合参与电力现货市场，提升系统的经济效益，促进风电和光伏发电等可再生能源的消纳，是当前面临的难题。为解决上述问题，本文围绕风光储联合参与电力现货市场的优化策略展开深入研究。首先提出建立了风光储系统出力模型，包括风电和光伏发电随机出力模型、储能设备充放电模型、小型燃气发电机组出力模型和电力用户需求响应模型；其次提出风光储系统参与电力现货市场的优化策略，其包括风光储系统参与日前市场的优化策略和参与实时市场的优化策略；最后对全文进行总结。

一、风光储系统出力模型

（一）风电和光伏发电随机出力模型

1.风电随机出力模型

受不同时段风能质量的影响，风电机组的输出功率往往具有一定间歇性和波动性，经过对大量实测数据统计研究，目前普遍采用双参数Weibull分布对实际风速的分布情况进行拟合，概率密度函数可表示如下：

式中：v为风速；k为形状参数；c为尺度参数，反映时段的平均风速。风机的输出功率与实际风速v关系如下：

式中：PWT为风电机组输出功率；vci、vco分别为切入风速和切出风速；pr为风机的额定功率；vr为额定风速。

2.光伏发电随机出力模型

受太阳辐射分布特点的影响，光伏机组所接收的光照和温度会不断产生变化，导致其出力也呈现出很大的不确定性。相关研究表明，某一特定时间段内，太阳光照强度近似服从Beta分布，其概率密度函数可表示为：

式中：l为太阳辐照度；Γ 为函数；la、lb为形状参数；lmax为辐照度的最大值。光伏组件的输出功率与太阳辐照度的关系式为：

式中：PPV为光伏组件输出功率；S为光伏组件总面积；η为该组件的光电转换效率。

（二）储能设备充放电模型

储能设备通过对电能的存储与释放可实现风光储系统的能量转移，优化电源出力曲线，以适应电力现货市场价格变化，保证风光储系统经济运行。在当前储能技术条件下，综合考虑成本性能等因素，储能设备仍以电池储能为主，其荷电状态为：

式中：SOCτ为第τ时段电池储能的荷电状态；Qb,τ为第τ时段储能设备的充放电电量，Q b,τ为正表示电池放电，Qb,τ为负表示电池充电；inη、ηout分别为充放电效率；bW为电池储能的容量。储能装置的充放电约束与电量约束为：

式中：SOCmin为荷电状态下限，可取为0.2；SOCmax为荷电状态上限，可取为0.9。储能的运行成本为：

式中：Cb为电池储能充放电产生的折旧损耗成本；bµ为电池损耗系数。

（三）小型燃气发电机组出力模型

小型燃气发电机组具有启停速度快、稳定不间断等优点，常在可再生能源机组及储能设备无法满足电力负荷需求时为系统提供备用发电。利用线性函数简化处理小型燃气发电机组运行成本，建立如下成本函数及约束条件：

式中：ϖ为电力现货市场全天时段数；Cc为小型燃气发电机组运行成本；S为分段线性运行成本总段数；n为可控机组总数；为k机组在第s段的平均发电成本；Qc,k,s,τ为第τ时段k机组在第s段的发电量；为k机组在第s段的额定发电量。

（四）电力用户需求响应模型

为规避电力现货市场带来的不确定风险，风光储系统可借助需求侧管理激励用户调整用电行为，优化电力负荷曲线。其中，分时电价是引导用户参与负荷调节最有效的方式之一。用户因分时电价参与需求响应所发生的用电量转移可表示为：

二、风光储系统参与电力现货市场的优化策略

（一）参与日前市场的优化策略

1.日前市场出清价格预测

由于市场出清电价可以呈等间隔时间序列形式，故引入自回归AR（p）模型对电力现货市场价格进行预测，日前市场（电力系统专用学术用语，是指现货市场中的主要交易平台，以一天作为时间提前量组织市场，形成与系统运行情况相适应的、可执行的交易计划。）预测出清电价可表示为：

2.风光储系统参与日前市场的优化策略

风光储系统参与电力现货市场交易需综合考虑多种不确定因素以实现调度优化，机会约束规划作为随机规划理论的重要分支，能够利用置信水平柔化约束条件，从而处理风光储系统调度优化过程中的随机变量，其常见形式可表示为：

式中：x、ε分别为决策向量和随机变量；f(x,ε)为目标函数；g m(x,ε)为随机机会约束条件；g n(x,ε)≤ 0为常规约束条件；α、β为置信水平；为目标函数期望值，即目标函数在概率不低于α时的最小值。

针对风光储系统而言，日前最优策略体现为综合预期收益最大，即通过精准预测负荷及日前出清价格，优化各系统出力，进而形成最优的各时段电量需求曲线，以在日前市场竞争中实现最大利润，故可构建如下机会约束规划模型：

（1）目标函数

式中：为风光储系统日前市场出清收益；Ps,τ、分别为第τ时段用户的用电价格和预测响应电量；、分别为第τ时段日前市场出清电价和风光储系统日前申报电量；Pon、分别为风光储系统上网电价和第τ时段的预测上网电量。

（2）约束条件

①风光储系统功率平衡约束。

式中：、分别为风电和光伏机组在第τ时段的日前预测功率；为每一时段时长。受风光出力随机性及电力现货价格不确定性等因素影响，风光储系统在日前预测时无法保证申报电量与需求电量完全一致，但需满足一定置信水平，故功率平衡约束可转化为机会约束：

式中：σ为不平衡功率允许偏差。

②风光储系统交互功率约束（上网卖电和购电无法同时进行）。

③风电和光伏发电出力约束。

式中：、分别为风电和光伏机组的额定功率。

④电池储能荷电状态及充放电速率约束。

具体见公式（6）和公式（7）。

⑤小型燃气发电机组出力。

具体见公式（9）和公式（10）。

⑥需求响应电量约束。

（二）参与实时市场的优化策略

在实时市场阶段，为激励用户侧合理申报日前需求曲线，防止其利用市场规则漏洞赚取收益，会对实时市场实际购入电量与日前市场申报电量之间的偏差电量收取惩罚费用。因此，风光储系统参与实时市场过程中，需在预测实时市场电价之外，综合考虑偏差电量惩罚费用，以实现最优策略。优化策略可表示为：

式中：为日前市场收益基础上的实时市场收益；为偏差电量惩罚费用；为第τ时段用户参与需求响应后的实际用电量；为第τ时段风光储系统的上网电量；为第τ时段风光储系统的实际购入电量；为第τ时段的实时市场电价；pP为单位电量惩罚费用。

三、主要结论

本文针对风光储联合参与电力现货市场的优化策略展开了深入研究，研究成果概述如下：

（一）构建了风光储系统出力模型

首先，分别基于风速和光照强度的概率密度函数，构建了风电出力模型和光伏出力模型；其次，考虑电池储能的容量和荷电状态，建立了储能设备充放电模型；再次，利用线性函数简化小型燃气发电机组运行成本，构建了小型燃气发电机组出力模型；最后，引入分时电价理论，建立了用户需求响应模型。

（二）提出了风光储系统参与电力现货市场的优化策略

首先，基于日前市场出清价格预测，提出了风光储系统参与日前市场的优化策略；其次，综合考虑偏差电量惩罚费用，提出了风光储系统参与实时市场的优化策略。