一种储能参与电力市场交易特征关系的调度方法

技术领域

本发明属于电力市场领域及储能电站调度运行相关技术领域，具体涉及一种储能参与电力市场交易特征关系的调度方法。

背景技术

现阶段，服务碳达峰、碳中和是能源电力行业的重要工作，为实现碳达峰、碳中和目标，必须加快构建以新能源为主体的新型电力系统，储能是构建新型电力系统的重要组成部分，对提升新能源利用水平，加速依托新能源的脱碳进程，服务碳达峰、碳中和具有重要的促进作用。

储能可很好地解决新能源引入的挑战，因此在新型电力系统中具有重要地位；一方面，可解决风光出力高峰与负荷高峰错配的难题，通过削峰填谷，增加谷负荷以促进可再生能源的消纳，减少峰负荷以延缓容量投资需求；另一方面，可解决风光出力随机性和波动性带来的频率稳定难题，尤其是电化学等响应速度较快的新型储能，能提供调频服务提高电网可靠性；储能参与电力市场交易获取收益的主要来源是利用电价差实现低储高放，目前的电力市场未形成有效的价格机制，激励不充足、不稳定、不够准确；尚未为储能电站参与电力市场交易提供充足利润。如何表达反映储能参与电力市场交易“量-时-价”特征关系，发挥价格信号引导作用，制定适合储能发展的交易机制以及电价机制，是电力市场环境下储能电站迫切需要解决的关键问题之一。

发明内容

本发明的目的在于提供一种储能参与电力市场交易特征关系的调度方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：一种储能参与电力市场交易特征关系的调度方法，包括以下步骤：

步骤(一)：根据负荷功率曲线聚类划分电价时段；

步骤(二)：构建储能与电价的双层优化模型，包括确定目标函数、约束条件；

步骤(三)：分析储能参与电力市场交易“量-时-价”特征关系，根据步骤(二)得到的储能与电价的双层优化模型最优解，将储能电站的夏季、冬季、春(秋)季实施分时电价前后的日负荷曲线随时刻的变化趋势做图，分析储能电站的夏季、冬季、春(秋)季实施分时电价前后的日负荷曲线随时刻的变化趋势，对比实施分时电价前后的峰谷差大小，给出不同时段的变化、给出时与价的变化率，量与时的对应性；

步骤(四)：多重分时电价方案的储能电站调度策略对比分析；针对其中一个季节，分别设置不同的储能峰谷电价差，分析储能在具体时段的出力变化。

优选的，所述步骤(一)包括以下步骤：

第一步，指定负荷数据的聚类数目，在经典日负荷功率曲线模型中，通常根据负荷功率值大小将时段划分为峰、平、谷3类；

第二步，确定3个初始类中心，初始类中心点的指定的合理性，将直接影响负荷数据的聚类收敛的速度，因此根据经验指定12：00的负荷数据为峰类中心、01：00的负荷数据为谷类中心、06：00负荷数据为平类中心；

第三步，根据最近原则进行聚类，按照依次计算每个数据点到3个类中心点的欧式距离，并按照距3个中心点距离最近的原则，将所有样本分派到最近的类中，形成3个类。K-means聚类算法的目的是使各元素与各自聚类中心间的欧氏距离最小，其表达式如下：

式中：

第四步，重新确定3个中心，判断是否已经满足终止聚类的条件(聚类中心点不再变化)，如果没有满足则返回到第三步，不断重复上述过程，直到满足迭代终止条件(聚类中心点不再变化)。

优选的，所述步骤(二)包括以下步骤：

第一步，建立上层优化模型，在步骤(一)根据日前负荷功率曲线进行分时时段划分基础上，以储能电站收益最大为优化目标对分时电价进行优化，决策变量为峰、平、谷时段的电价；

第二步，建立下层优化模型中优化目标为储能的损耗成本最小，决策变量为储能各时段的充放电量；

第三步，构建目标函数，本发明上层模型以储能电站收益最大为储能电站分时电价优化的目标，收入为储能电站面向负荷的售电收入，成本包括储能电站向新电源购电成本和储能系统配置及运行维护成本，表达式如下：

max F＝I-C＝(I

式中：F为储能电站收益；I为收入；C为成本；Isell为储能电站向用户售电的收入；C1为储能电站向新能源光伏与风机的购电成本；C2为储能电站配置成本；C3为储能电站运行维护成本；p(t)为优化的储能分时售电电价； Pout(t)为电价优化后负荷的实时功率；PPV(t)、PWT(t)分别为新能源光伏和风机的日前预测出力；时间间隔Δt取1h；pPV(t)、pWT(t)分别为新能源光伏和风机的上网电价；Cp为电力传输与能量转换设备单位功率造价；Ce为储能电站的单位容量造价；QEES为电力传输与能量转换设备的功率；EESS为额定容量，r为年利率，n为储能电站生命周期，Cd为储能电站单位固定成本； Cb为储能电站单位可变运维成本，其中P1、P2、P3分别为峰、平、谷电价；Ω1、Ω2、Ω3分别为峰、平、谷时段集合；

采用等步长迭代方法生成多重分时电价方案，则在S种分时电价方案中，分别包含S个峰时段电价、平时段电价和谷时段电价；设Δp为迭代步长，则 i时段电价的表达式为：

p

式中：ps，i和ps-1，i分别为分时电价方案s、s-1下i时段的电价；

下层模型以储能的损耗成本最小为目标，储能的损耗成本主要与其运行状态和循环寿命有关，其表达式如下：

式中:LOSS为第t小时储能的充放电损耗成本；C(D)为损耗成本；D(t)、 D(t-1)分别为第t、t-1小时储能的放电深度；L(D)为储能充放电循环寿命； CB为储能的替换成本；T为充放电时间；α、β、γ为函数系数；ηc、ηd 分别为储能的充、放电效率；

第四步，构建约束条件，约束条件包括用电量约束、分时电价约束、单位用电成本约束、SOC约束和储能充电、放电功率约束；

1)用电量约束；

为保障用电需求，执行储能分时售电电价后，储能日用电量变化幅度要控制在一定范围内；其表达式为：

式中：Po(t)为负荷需求响应前的功率；φ为负荷日用电量变化率；

2)分时电价约束；

为了保证提高峰时段电价后，储能电站在峰时段的放电量和在谷时段的充电量不至于过多而导致峰谷倒置，规定峰时段负荷功率的最大值

3)单位用电成本约束；

为保证储能分时电价优化的合理性，执行分时售电电价后，负荷的单位用电成本应不大于优化前的负荷单位用电成本，其表达式为：

4)SOC约束；

储能的SOC不得超过规定的SOC最大值

5)充电、放电功率约束；

储能的充电、放电功率分别不得高于充电功率最大值P

y

采用粒子群优化(particle swarm optimization，PSO)算法求解储能与电价的双层优化模型。

与现有技术相比，本发明提供了一种储能参与电力市场交易特征关系的调度方法，具备以下有益效果：

1、本发明根据负荷功率曲线聚类划分电价时段，根据时段划分结果，构建储能与电价的双层优化模型，上层优化模型以储能电站总收益最大为目标，下层优化模型以储能的损耗成本最小为目标，考虑储能电站各项短期运行约束，采用粒子群优化算法对电价和电量予以求解；然后，分析储能电站的夏季、冬季、春(秋)季实施分时电价前后的日负荷曲线随时刻的变化趋势，再针对其中一个季节，分别设置不同的储能峰谷电价差，分析储能在具体时段的出力变化；

2、本发明能够科学合理地描述基于多重分时电价的储能电站调度策略的变化特点，反映分时电价方案下储能参与电力市场交易“量-时-价”特征关系，并以储能电站谷充峰放的经济效益为调度目标，描述储能电站在不同电价方案下的调度策略，验证了优化分时电价的可行性。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制，在附图中：

图1为本发明设计储能参与电力市场交易“量-时-价”特征关系表达方法的流程示意图；

图2为本发明实施方式中的储能与电价双层优化模型结构图；

图3为本发明实施方式中的夏季实施分时电价前、后的日负荷曲线；

图4为本发明实施方式中的春(秋)季实施分时电价前、后的日负荷曲线；

图5为本发明实施方式中的冬季实施分时电价前、后的日负荷曲线；

图6为本发明实施方式中的峰时段电价对储能出力影响关系图；

表1为本发明实施方式中的时段划分结果；

表2为本发明实施方式中的优化分时电价结果。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1-6，本发明提供一种技术方案：一种储能参与电力市场交易特征关系的调度方法，包括如下步骤：

步骤(一)：根据负荷功率曲线聚类划分电价时段；

采用某一地区冬季、夏季、春(秋)季的负荷数据为研究对象进行算例分析，指定负荷数据的聚类数目为峰、平、谷3类，确定3个初始类中心，由于初始类中心点的指定的合理性，将直接影响负荷数据的聚类收敛的速度，所以根据经验指定12：00的负荷数据为峰类中心、01：00的负荷数据为谷类中心、06：00负荷数据为平类中心；根据最近原则进行聚类，使各元素与各自聚类中心间的误差平方和最小，判断是否已经满足终止聚类的条件，如果没有满足则重复聚类，不断重复上述过程，直到满足迭代终止条件，时段划分结果如下表1所示；

步骤(二)：构建储能与电价的双层优化模型，包括确定目标函数、约束条件；

建立上层优化模型，以储能电站收益最大为优化目标对分时电价进行优化，决策变量为峰、平、谷时段的电价；建立下层优化模型，优化目标为储能的损耗成本最小，决策变量为储能各时段的充放电量；构建两层模型的目标函数以及约束条件，约束条件包括用电量约束、分时电价约束、单位用电成本约束、SOC约束和储能充电、放电功率约束；采用粒子群优化(算法求解储能与电价的双层优化模型，得到优化后的分时电价如下表2所示；

步骤(三)：分析储能参与电力市场交易“量-时-价”特征关系；根据步骤(二)得到的储能与电价的双层优化模型最优解，将储能电站的夏季、冬季、春(秋)季实施分时电价前后的日负荷曲线随时刻的变化趋势做图，如图3-5所示；

由图3-5可知，相较于实施分时电价前，实施分时电价后的峰谷差值减小，说明分时电价有效地实现了“削峰填谷”；

步骤(四)：多重分时电价方案的储能电站调度策略对比分析，针对夏季，分别设置不同的储能峰谷电价差，分析储能在具体时段的充放电量变化，确定分时电价对储能充放电量的具体影响，在不同时段的储能出力与峰时段电价之间的关系如图6所示；

由图6可知，当峰时段电价为0.71元/(kW·h)，电价提高，峰时段放电量增大，则将取得更高的经济效益，因此在提高峰时段电价的前期，峰时段放电量将增大；若以峰时电价0.81元/(kW·h)为基准继续提高峰时段电价，则峰时段总放电量将呈下降趋势，因此峰时段的放电量不随峰时段电价的提高而单调递增。

进一步，所述步骤(一)包括以下步骤：

第一步，指定负荷数据的聚类数目，在经典日负荷功率曲线模型中，通常根据负荷功率值大小将时段划分为峰、平、谷3类；

第二步，确定3个初始类中心，初始类中心点的指定的合理性，将直接影响负荷数据的聚类收敛的速度，因此根据经验指定12：00的负荷数据为峰类中心、01：00的负荷数据为谷类中心、06：00负荷数据为平类中心；

第三步，根据最近原则进行聚类，按照依次计算每个数据点到3个类中心点的欧式距离，并按照距3个中心点距离最近的原则，将所有样本分派到最近的类中，形成3个类，K-means聚类算法的目的是使各元素与各自聚类中心间的欧氏距离最小，其表达式如下：

式中：

第四步，重新确定3个中心，判断是否已经满足终止聚类的条件(聚类中心点不再变化)，如果没有满足则返回到第三步，不断重复上述过程，直到满足迭代终止条件(聚类中心点不再变化)。

进一步，所述步骤(二)包括以下步骤：

第一步，建立上层优化模型，在步骤(一)根据日前负荷功率曲线进行分时时段划分基础上，以储能电站收益最大为优化目标对分时电价进行优化，决策变量为峰、平、谷时段的电价；

第二步，建立下层优化模型中优化目标为储能的损耗成本最小，决策变量为储能各时段的充放电量；

第三步，构建目标函数，本发明上层模型以储能电站收益最大为储能电站分时电价优化的目标，收入为储能电站面向负荷的售电收入，成本包括储能电站向新电源购电成本和储能系统配置及运行维护成本，表达式如下：

maxF＝I-C＝(I

式中：F为储能电站收益；I为收入；C为成本；Isell为储能电站向用户售电的收入；C1为储能电站向新能源光伏与风机的购电成本；C2为储能电站配置成本；C3为储能电站运行维护成本；p(t)为优化的储能分时售电电价； Pout(t)为电价优化后负荷的实时功率；PPV(t)、PWT(t)分别为新能源光伏和风机的日前预测出力；时间间隔Δt取1h；pPV(t)、pWT(t)分别为新能源光伏和风机的上网电价；Cp为电力传输与能量转换设备单位功率造价；Ce为储能电站的单位容量造价；QEES为电力传输与能量转换设备的功率；EESS为额定容量，r为年利率，n为储能电站生命周期，Cd为储能电站单位固定成本； Cb为储能电站单位可变运维成本，其中P1、P2、P3分别为峰、平、谷电价；Ω1、Ω2、Ω3分别为峰、平、谷时段集合；

采用等步长迭代方法生成多重分时电价方案，则在S种分时电价方案中，分别包含S个峰时段电价、平时段电价和谷时段电价；设Δp为迭代步长，则 i时段电价的表达式为：

p

式中：ps，i和ps-1，i分别为分时电价方案s、s-1下i时段的电价；

下层模型以储能的损耗成本最小为目标，储能的损耗成本主要与其运行状态和循环寿命有关，其表达式如下：

式中:LOSS为第t小时储能的充放电损耗成本；C(D)为损耗成本；D(t)、 D(t-1)分别为第t、t-1小时储能的放电深度；L(D)为储能充放电循环寿命； CB为储能的替换成本；T为充放电时间；α、β、γ为函数系数；ηc、ηd 分别为储能的充、放电效率；

第四步，构建约束条件，约束条件包括用电量约束、分时电价约束、单位用电成本约束、SOC约束和储能充电、放电功率约束；

1)用电量约束；

为保障用电需求，执行储能分时售电电价后，储能日用电量变化幅度要控制在一定范围内；其表达式为：

式中：Po(t)为负荷需求响应前的功率；φ为负荷日用电量变化率；

2)分时电价约束；

为了保证提高峰时段电价后，储能电站在峰时段的放电量和在谷时段的充电量不至于过多而导致峰谷倒置，规定峰时段负荷功率的最大值

3)单位用电成本约束；

为保证储能分时电价优化的合理性，执行分时售电电价后，负荷的单位用电成本应不大于优化前的负荷单位用电成本，其表达式为：

4)SOC约束；

储能的SOC不得超过规定的SOC最大值

5)充电、放电功率约束；

储能的充电、放电功率分别不得高于充电功率最大值P

y

采用粒子群优化(particle swarm optimization，PSO)算法求解储能与电价的双层优化模型。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。