含風光儲微網的大用戶短期交易決策

方日升

(國網福建省電力公司，福州市350003)

含風光儲微網的大用戶短期交易決策

方日升

(國網福建省電力公司，福州市350003)

隨著可再生能源發電技術的日益成熟和售電側市場放開，含分布式電源用戶或微網等電能產銷者參與的市場交易問題正得到越來越多的關注。以含風電、光伏、儲能(簡稱風光儲)、微網的大用戶為研究對象，在日前電力市場的環境下，計及可再生能源出力的波動性，建立了由風力發電機組、光伏電池、儲能系統組成的含風光儲微網的大用戶短期交易決策模型，并采用條件風險價值量化大用戶的交易風險，為評估含風光儲微網的大用戶參與市場交易的風險提供了一種可行方法。最后，通過算例仿真驗證了模型的正確性和合理性，說明蓄電池有助于降低大用戶在短期交易中的風險。

電能產銷者;含風光儲微網;大用戶;短期交易;條件風險價值(CVaR)

0 引言

《中共中央國務院關于進一步深化電力體制改革的若干意見》提出放開售電市場、允許分布式電源用戶和微電網以獨立利益主體的身份參與電力交易［1］。這為含分布式電源的用戶或微網等電能產銷者參與電力市場競爭和加強風、光等可再生能源消納提供了有利條件。

針對電能產銷者參與市場交易的問題，國內、外學者進行了相關研究。文獻［2］根據風力發電機組、光伏機組等分布式電源輸出功率波動性較大的特點，提出了一種基于“時前市場”的多輪成對隨機匹配市場交易機制，該機制使含有分布式電源的電能產銷者在時前競價環境下實現自我利益的最大化。文獻［3］基于博弈論的思想，構建了電能產銷者參與交易的兩層優化模型，但該模型并未考慮其內部負荷的響應行為。文獻［4］基于隨機規劃理論，計及電能產銷者內部負荷和市場電價的不確定性，構建了參與日前市場和平衡市場的兩階段競標策略模型，最后以挪威電力現貨市場為例，驗證了所提模型的有效性，但并未考慮電能產銷者在交易中所面臨的風險。

隨著售電側市場的逐步放開和分布式電源發電技術的不斷發展，含風光儲微網的用戶可以通過參與電力市場交易降低用電成本。同時，大用戶作為售電側的重要交易主體，在配置分布式電源和儲能系統的條件下，使得大用戶可以更靈活地進行決策。

綜上所述，本文在日前電力市場競價的環境下，構建由風力發電機組、光伏、儲能系統組成的含風光儲微網的大用戶模型，通過協調蓄電池的運行，優化其在日前市場和平衡市場的購售電交易方案，并考慮大用戶在交易中所面臨的風險，建立大用戶短期交易決策模型，最后運用算例說明所建模型的合理性。

1 含風光儲微網的大用戶建模

1.1風電機組出力模型

受到風速等自然條件的影響，風電機組的輸出功率具有顯著的不確定性特征，其出力主要取決于風速的大小。本文采用雙參數的Weibull分布來表示風速v的不確定性變化規律，其概率密度函數為［5］

式中:k為形狀參數，取值范圍一般為1.8～2.3，本文取k=2;c為尺度參數，反映某時段的平均風速大小。

式中:Pr，w為風力發電機組額定容量;vci、vr、vco分別為風力發電機組切入風速、額定風速和切出風速。

1.2光伏出力模型

受到光照強度、溫度等環境因素的影響，光伏發電輸出功率也具有明顯的不確定性特征，參照文獻［6］，本文設光照強度的預測偏差ΔE為均值為0、標準差為σ的正態分布隨機變量。若E'為光照強度預測值，則實際光照強度E=E'+ΔE。E的概率密度函數為

光照強度預測偏差的標準差設為預測值的ω%，即σ=E'×ω%。本文中取ω%=10%。

光伏發電輸出功率主要取決于光照強度［6］，光伏輸出功率的表達式為式中:Ppv為光伏陣列的輸出功率;ηpv、Spv分別為光伏陣列發電效率和總面積。

1.3儲能系統模型

相關研究表明，放電深度(depth of discharge，DOD)決定蓄電池的循環壽命，因此在計及蓄電池的損耗費用時，只考慮蓄電池放電的影響，忽略充電的影響，并以放電損耗費用來表征蓄電池的充放電操作對循環壽命的影響［7］。假設時段t蓄電池處于放電狀態，則總放電損耗費用可表示為單位電量放電損耗成本Cbat與放電功率的乘積。

考慮到蓄電池容量與充、放電功率的關系等限制，蓄電池在充、放電過程中還應滿足的約束如下詳述。

1．3．1 充放電功率約束

式中:Uchg，t、Udchg，t為布爾變量，當時段t蓄電池處于充電狀態時，Uchg，t=1，否則Uchg，t=0，當時段 t蓄電池處于放電狀態時，Udchg，t=1，否則Udchg，t=0;Pchg，t、Pdchg，t分別為時段 t蓄電池的充電功率和放電功率; Pchg，max、Pdchg，max分別為蓄電池的最大充電功率和放電功率。

1．3．2 蓄電池容量與充、放電功率關系約束

式中:Eess，0為蓄電池初始容量;Eess，t時段t蓄電池容量;ηdchg、ηchg分別為蓄電池放電效率和充電效率。

1．3．3 蓄電池容量約束

式中Eess，min、Eess，max分別為蓄電池的最大容量與最小容量。

1．3．4 蓄電池始、末容量不變約束

2 含風光儲微網的大用戶參與的短期交易

2.1短期交易框架

本文中將含風光儲微網的大用戶所參與的短期交易市場設定為日前市場和平衡市場。大用戶通過預測電價、負荷和分布式電源出力，在日前市場上申報各時段的購售電功率。由于風、光出力的波動性，分布式電源的實際出力和預測出力存在偏差，從而產生不平衡電量。在成熟的電力市場環境下，不平衡電量可通過平衡市場進行交易，電力市場運營商為了規范市場運作，防止交易者的投機行為，平衡市場的購電價格一般高于日前市場電能價格，售電價格一般低于日前市場電能價格。同時，在已知日前市場的交易信息情況下，含分布式電源大用戶會通過對蓄電池的充、放電操作，減少不平衡電量所產生的影響。

2.2參數不確定性處理

針對風、光出力的波動性和隨機性，本文采用多場景技術建立計及風、光出力不確定性的含風光儲微網的大用戶短期交易決策模型。多場景技術主要包括2個方面的內容，即場景的產生和場景的削減。本文采用拉丁超立方抽樣產生樣本場景，之后通過同步回代削減法對樣本場景進行削減［8］，使得到的場景最大化逼近原始的抽樣場景，最后生成NS個風速場景和NK個光照強度場景。場景總數N=NSNK。

2.3交易費用分析

本文將日前市場購售電費用和平衡市場的不平衡費用與蓄電池的放電損耗成本之和定義為含風光儲微網的大用戶參與短期交易的總交易費用。在競爭性電力市場環境中，日前市場的交易功率申報時間早于實時平衡市場的不平衡費用結算與蓄電池儲能的日前調度［7］，因此在計及風、光出力隨機性的條件下，采用期望值形式描述實時平衡市場的不平衡費用和蓄電池儲能的放電損耗成本。

2.3.1 日前市場購售電費用

由于自身的競標容量有限，本文認為含風光儲微網的大用戶在短期交易決策中作為價格接受者，交易電量按照日前市場統一出清價格(market clearing price，MCP)進行結算。日前市場的購售電費用由日前市場上的購電成本減去售電收入組成，假設含風光儲微網的大用戶在日前市場上只能申報t時刻的購電功率或售電功率，并且不計日前市場電價的波動(日前市場的電價取為其預測值)，則日前市場的購售電費用為

式中:CDA為購售電費用;PDA，t為時段t的日前市場競價功率，PDA，t＞0時，PDA，t表示時段t的日前市場購電量，PDA，t＜0時，PDA，t表示時段t的日前市場售電量;QDA，t為時段t的日前市場電價預測值。

2.3.2 平衡市場的不平衡費用

在競爭性電力市場環境下，實時平衡市場的結算機制較為復雜。為簡化處理，本文將各時段正、負不平衡價格分別設為日前市場各時段電價的一定比例。含風光儲微網的大用戶所繳納的不平衡費用可表示為:

式中:CRT為總不平衡費用;CRT，s為第s個場景下平衡市場交易費用;π(s)為第s個風光出力場景的出現概率;λrt，buy，t、λrt，sell，t分別為時段t平衡市場購電價格系數和售電價格系數;PRT，s，t為第s個場景下在時段t平衡市場的交易電量，當 PRT，s，t＞0時，PRT，s，t表示第 s個場景下在時段t平衡市場購電量，當PRT，s，t＜0時，PRT，s，t表示第s個場景下在時段t平衡市場售電量。

2.3.3 蓄電池放電損耗成本

蓄電池儲能的總放電損耗成本為:

式中:N為風、光出力場景總數;cbat為蓄電池總放電損耗成本;Cbat0為單位電量放電損耗成本;Cbat，s為第s個場景下蓄電池總放電損耗費用;Pdchg，s，t為第s個場景下在時段t蓄電池放電功率。

2.4風險度量工具

本文采用條件風險價值(condition value at risk，CVaR)方法度量由于風、光出力不確定性引起的總交易費用增加所帶來的風險。第s個風、光出力場景下的風險損失ωs可表示為

根據CVaR的定義，總交易費用所對應的CVaR值［9-10］可表示為

式中:φα為置信水平為α時損失函數所對應的CVaR值;ξ為置信水平為α時損失函數所對應的VaR值。

令虛擬變量zs=max{ωs－ξ，0}，則式(18)可簡化為

3 短期交易決策模型

3.1目標函數

總交易費用最小化模型為

3.2約束條件

風、光出力約束:

式中:Pw，s，t為第 s個場景下在時段 t的風機出力; Ppv，s，t為第 s個場景下在時段 t的光伏出力;Pw，max、Ppv，max分別為風機和光伏的最大有功輸出功率，取為風機和光伏的額定裝機容量。

日前市場競標值的上、下限約束:

式中PL，t為時段t總負荷預測值。

風險約束:

式中β為表征含分布式電源大用戶對總交易費用所對應的風險和總交易費用期望值的權衡系數。

式(24)左端為總交易費用的CVaR值，右端為總交易費用期望值。β值的大小取決于大用戶對風險規避的重視程度。β值越大，表明大用戶對風險的重視程度越低。當β取值大于某個閾值時，可認為含風光儲微網的大用戶在市場上為風險中性型決策者。

CVaR約束:

功率平衡約束:

第s個場景下，儲能系統的約束條件同式(5)—(8)。

3.3模型求解

所提出的模型為混合整數線性規劃問題，通過調用混合整數規劃求解器CPLEX實現模型求解，具體流程如圖1所示。

4 算例與分析

4.1基本數據

圖1 交易決策流程圖Fig.1 Flowchartoftradingdecision

本文采用的算例中電源包括風電機組、光伏電池和蓄電池。風電機組和光伏的相關特性參數可參見文獻［11－12］。風電機組的額定裝機容量 Pr，w= 2.05 MW，vci=2 m/s，vr=14 m/s，vco=25 m/s。光伏陣列的額定裝機容量為1.1 MW;光伏陣列轉換效率為15.7%;光伏陣列總面積為7 000 m2。蓄電池的相關特性參數可參見文獻［7］。蓄電池的額定容量為2.2 MW·h;最大容量、最小容量分別設定為1.98 MW·h和0.22 MW·h;最大充、放電功率為0.44 MW;充、放電效率為 91.4%;初始容量為0.22 MW·h;放電損耗成本為0.075$/(kW·h);平衡市場各時段的購電價格系數和售電價格系數分別設置為1.4和0.6;風險置信水平α和權衡系數β分別設置為95%和1.15。算例中基于拉丁超立方抽樣產生3 000組風速和3 000組光照強度的樣本，然后采用同步回代削減法進行場景削減，生成15組風速場景和5組光照強度場景。由風速和光照強度場景可推算得到風力發電機組和光伏的出力場景。總場景數N=15×5=75。

風力發電機組、光伏機組和大用戶總負荷的功率預測曲線如圖2所示。日前市場電價如圖3所示。

4.2優化結果與分析

含風光儲微網的大用戶在日前市場和平衡市場的電能交易分配如圖4所示，各時段的蓄電池充、放電情況如圖5所示。

圖2 功率預測曲線Fig.2 Powerpredictioncurves

圖3 電價預測曲線Fig.3 Electricitypriceforecastingcurve

圖4 電能交易分配Fig.4 Allocationofelectricenergytransaction

圖5 蓄電池充放電情況Fig.5 Batterychargeanddischargesituation

由圖4可知，含風光儲微網的大用戶參與短期交易時絕大部分的電能都是通過日前市場進行交易的。由于風、光出力的波動性，部分差額或盈余電能會通過平衡市場進行交易。由圖5可知，時段1—10的日前市場電能交易價格較低，蓄電池充電為下一階段預留電量;時段11—14的日前市場電能交易價格達到第1個峰值時，蓄電池通過放電供自身負荷消耗而減少在日前市場的購電量;時段15—18蓄電池選擇充電操作，為下一階段預留電量;由于時段15—18的日前市場電能交易價格高于時段01—10，因此單位時間平均充電功率有所減少;時段19—22的日前市場電能交易價格達到第2個峰值，蓄電池選擇放電操作，由于其日前市場電能交易價格高于時段11—14，因此單位時段平均放電功率有所增加。

4.2.1 蓄電池對日前電能交易決策的影響

為了研究蓄電池對含風光儲微網的大用戶日前電能交易決策的影響，分為以下2種情景進行對比分析，情景一:不考慮蓄電池，情景二:考慮蓄電池。不同情形下含風光儲微網的大用戶在日前市場的電能交易情況如圖6所示，總期望成本和所對應的CVaR值見表1。

圖6 日前市場競價功率Fig.6 Biddingpowerinday-aheadmarket

表1 不同情況下總期望成本和CVaR值Table1 TotalexpectedcostandCVaRindifferent conditions

由表1可知，考慮蓄電池的條件下，無論是總期望成本還是風險值都是最小的，這是由于蓄電池吸收風、光出力過剩時段的電能，并在風、光出力不足時段釋放，因此可以減少一部分的交易費用。同時，引入蓄電池后將對含分布式電源大用戶在日前市場電能交易的決策產生影響。由圖6可以看出，考慮蓄電池影響后，大用戶減少在時段2、4的售電功率，增加在時段8、9的購電功率，減少在時段20—24的購電功率。這是因為時段2、4、8、9的日前市場電價水平較低，有部分交易電量用于蓄電池充電，時段20—24的日前市場電價水平較高，蓄電池放電供自身負荷消耗。

4.2.2 β值對日前電能交易決策的影響

權衡系數β取不同值時，含風光儲微網的大用戶在日前市場的電能交易情況如圖7所示。可以看出，β值越小，在大多數時段內大用戶在日前市場申報的競價功率就越多。這是因為β值越小，表明總交易費用所對應的CVaR值越小，本文中總交易費用所對應的CVaR值指的是在幾個極端場景下總交易費用的期望值。由于風、光出力不足會使得大用戶在平衡市場購電費用增加，導致總交易費用上漲，而風、光出力盈余會增加大用戶在平衡市場的售電收益，引起總交易費用下降，因此文中的極端場景指的是風、光出力不足的場景，為了降低CVaR值，大用戶會選擇增加在日前市場的購電量，從而減小平衡市場高價購電帶來的總交易費用上漲，這也代表著在β值較小的條件下的決策是偏于保守的。這種情況下含風光儲微網的大用戶屬于風險厭惡型決策者。不同β值下，總交易費用期望值和CVaR值的關系如圖8所示。可以看出，β值越大，CVaR值就越大，總交易費用的期望值就越小。

圖7 權衡系數對電能交易決策的影響Fig.7 Impactofweightcoefficientonelectric energytransaction

圖8 不同β下的總交易費用期望值與CVaR值Fig.8 TotalexpectedcostandCVaRunderdifferent weightcoefficients

5 結論

本文基于多場景技術處理風、光出力的不確定性，在日前電力市場競價的環境下，優化日前市場的電能交易量，實現含風光儲微網的大用戶在日前市場和平衡市場購電成本最小化和售電收益最大化，同時優化蓄電池的充、放電功率，使含分布式電源大用戶內部運行成本最小化，并采用CVaR對大用戶面臨的決策風險進行度量。最后，通過算例分析了引入蓄電池對大用戶日前電能交易決策的影響以及不同的風險權衡系數β對大用戶日前電能交易決策的影響。

［1］中共中央國務院．關于進一步深化電力體制改革的若干意見(中發［2015］9號)［EB/OL］．(2015－03－15)［2016－10－15］．http://tgs．ndrc．gov．cn/zyw j/201601/t20160129_773852．html．

［2］史開拓，劉念，張建華，等．多運營主體的微電網隨機匹配交易機制［J］．電網技術，2016，40(2):587-594．SHI Kaituo，LIU Nian，ZHANG Jianhua，et al．Random matching trading mechanism in microgrid of multi-operators［J］．Pow er System Technology，2016，40(2):587-594．

［3］竇春霞，賈星蓓，李恒．基于多智能體的微電網中分布式發電的市場博弈競標發電［J］．電網技術，2016，40(2):579-586．DOU Chunxia，JIA Xingbei，LI Heng．Multi-agent-system-based market bidding strategy for distributed generation in microgrid［J］．Power System Technology，2016，40(2):579-586．

［4］OTTESEN S ，TOMASGARD A，FLETEN S E，et al．Prosumer bidding and scheduling in electricity markets［J］．Energy，2016 (94):828-843．

［5］劉小平，丁明，張穎媛，等．微網系統的動態經濟調度［J］．中國電機工程學報，2011，31(31):77-84．LIU Xiaoping，DING Ming，ZHANG Yingyuan，et al．Dynamic economic dispatch for microgrids［J］．Proceedings of the CSEE，2011，31(31):77-84．

［6］冉曉洪，苗世洪，劉陽升，等．考慮風光荷聯合作用下的電力系統經濟調度建模［J］．中國電機工程學報，2014，34(16):2552-2560．RAN Xiaohong，MIAO Shihong，LIU Yangsheng，et al．Modeling of economic dispatch of pow er system considering joint effect of w ind pow er，solar energy and load［J］．Proceedings of the CSEE，2014，34 (16):2552-2560．

［7］ZHOU B，LIU X，CAO Y，et al．Optimal scheduling of virtual pow er plant with battery degradation cost［J］．IET Generation Transmission＆Distribution，2016，10(3):712-725．

［8］陳璨，吳文傳，張伯明，等．基于多場景技術的有源配電網可靠性評估［J］．中國電機工程學報，2012，32(34):67-73．CHEN Can，WU Wenchuan，ZHANG Boming，et al．An active distribution system reliability evaluation method based on multiple scenarios technique［J］．Proceedings of the CSEE，2012，32(34):67-73．

［9］王壬，尚金成，馮旸，等．基于CVaR風險計量指標的發電商投標組合策略及模型［J］．電力系統自動化，2005，29(14):5-9． WANG Ren，SHANG Jincheng，FENG Yang，et al．Combined bidding strategy and model for power suppliers based on CVaR risk measurement techniques［J］．Automation of Electric Power Systems，2005，29(14):5-9．

［10］王天旺，高赟，姜孟，等．虛擬電廠下計及分布式風電與儲能系統的電力系統優化調度［J］．電力建設，2016，37(11):108-114．WANG Tianwang，GAO Yun，JIANG Meng，et al．Pow er system optimal scheduling including distributed wind power and energy storage system via virtual pow er plant［J］．Electric Pow er Construction，2016，37(11):108-114．

［11］NOJAVAN S，AALAMI H A．Stochastic energy procurement of large electricity consumer considering photovoltaic，w ind-turbine，micro-turbines，energy storage system in the presence of demand response program［J］．Energy Conversion＆Management，2015 (103):1008-1018．

［12］NGUYEND T，LE L B．Optimal bidding strategy for microgrids considering renew able energy and building thermal dynamics［J］．IEEE Transactions on Smart Grid，2014，5(5):1608-1620．

(編輯 郭文瑞)

Short-Term Trading Decision-Making for Large Consumer Considering Wind-PV-ES Hybrid Microgrid

FANG Risheng

(State Grid Fujian Electric Power Company，Fuzhou 350003，China)

With the increasing maturity of renewable energy power generation technology and the openning of sale market side，distributed power users or micro network prosumer involved in the market transactions is getting more and more attention．Firstly，taking the large consumer of wind-PV-ES hybrid microgrid as research object，under the circumstance of day-ahead market，considering the volatility of renewable energy，this paper establishes the short-term trading decisionmaking model for the large consumer considering wind-PV-ES hybrid microgrid which includes wind turbines，photovoltaic cells and energy storage system．Next，based on the proposed model，the transaction risk for large consumer considering wind-PV-ES hybrid microgrid is assessed by the method of condition value at risk，which can provide a practical measure to assess the risk of large consumer considering wind-PV-ES hybrid microgrid participating in the energy market．At last，the test results verify the correctness and rationality of the model，which shows that storage battery are helpful to reduce the risk of large consumer participating in the short-term market．

power prosumer;wind-PV-ES hybrid microgrid;large consumer;short-term trading;condition value at risk (CVaR)

TM 71

A

1000－7229(2017)03－0130－07

10.3969/j．issn.1000－7229.2017.03.018

2016-10-20

方日升(1969)，男，博士，高級工程師，主要從事電力調度與電力交易管理等方面的研究工作。