計及日前-實時交易和共享儲能的VPP運行優化及雙層效益分配

鄭浩偉，閆慶友，尹哲，黨嘉璐，林宏宇，譚忠富

(華北電力大學經濟與管理學院，北京市 102206)

0 引 言

隨著碳中和、碳達峰目標的提出，構建新型電力系統已成為未來電力能源的發展方向[1-2]。但由于風光存在不確定性，高比例接入將對電力系統的安全穩定和靈活運行帶來挑戰，因此棄風棄光現象產生[3]。虛擬電廠(virtual power plant，VPP)技術通過整合分布式發電單元、儲能裝置以及柔性負荷等靈活性資源，能夠有效減少棄風棄光[4]，提高電力系統靈活性[5]。由此，VPP優化調度成為熱點問題，大量學者展開了研究[6-8]。文獻[6]基于VPP中不確定性因素在不同時間階段的協調互動，構建了考慮主動配電網效益和VPP效益的雙層優化模型，有效提升了VPP的市場競爭力和靈活性。文獻[7]利用5G基站儲能技術平移風光出力波動，構建了VPP調度優化策略，結果表明基站儲能能夠減少基站用電成本，降低VPP運行與投資成本，同時提高可再生能源消納水平。文獻[8]考慮接入儲能、可中斷負荷、燃氣輪機等多種分布式能源，提出了虛擬電廠輔助參與配電網靈活性優化策略。上述文獻驗證了虛擬電廠在資源整合、靈活調度問題上具有一定的優越性，其中儲能系統的加入發揮了極大作用。但從目前實際情況來看，儲能技術在應用過程中成本較高，依靠單一主體運營，經濟性和利用效率受限[9-10]。

隨著共享經濟的興起，共享儲能使儲能系統在能源互聯網中的應用進一步得到發展[11]。文獻[12]將共享儲能引入新能源場站提供調頻服務，以儲能利益最大化為目標，考慮儲能壽命和電量維持等因素，構建了日前優化模型，結果表明通過參與二次調頻和峰谷套利，共享儲能能夠被有效利用，從而達到利益最大化。文獻[13]提出了一種點對點交易下的儲能聚合商交易模型，通過儲能共享和電能自營模式，完成智能合約交易匹配，該模型的便利性和經濟性得到了驗證。文獻[14]構建了含共享儲能的社區綜合能源系統用戶協同優化模型，充分考慮用戶的購電成本、社區運營商購能成本、儲能租賃費用，建立了用戶整體經濟最優的優化目標函數，該模型能夠幫助用戶合理安排用能計劃，降低用能費用。現有文獻已驗證了共享儲能的經濟效益和資源利用效率方面的可行性和優越性，但未充分考慮收益的分配問題。共享模式下，合理公平的效益分配是調動參與主體合作積極性的重要保障，同時也能夠更加明確參與主體對聯盟體的貢獻程度，從而量化共享儲能的合作價值。

文獻[15]對比了多類型用戶聚合時分散式儲能配置和一體化配置2種方式的經濟效益，采用Shapley值法針對2種模式下用戶效益進行分配，最終得出分散式共享儲能的模式能夠獲得更大的效益。文獻[16]提出多微電網并網系統租賃共享儲能組成微電網聯盟參與配電網調峰調度的優化調度策略：第一階段中優化儲能應用，按需租賃儲能；第二階段對微網聯盟進行優化，通過成員間新能源功率互濟達到效益最大化，最終通過Shapley值法分配合作剩余。文獻[17]采用兩階段法對多微網共享儲能進行優化配置和成本分攤。在第一階段，獲得共享儲能優化配置下的成本；在第二階段基于線路功率損耗提出改進Shapley值法，分攤共享儲能成本。上述文獻不僅驗證了公平合理的效益分配對含共享儲能能源系統調度的積極作用，同時也驗證了Shapley值法在效益分配中的適用性。但是，所分配的效益存在差異，文獻[15-16]針對整體效益進行分配，而文獻[17]針對共享儲能效益進行分配，尚未有文獻針對含共享儲能的雙層結構效益分配進行研究。

綜上所述，本文以風光出力偏差為變動因素，引入日前-實時兩級市場交易，構建含共享儲能的VPP調度優化模型；基于合作博弈理論，引入Owen值法(即雙層Shapley值法)，提出含共享儲能的VPP優化效益的均衡分配策略。

1 電力市場環境下含共享儲能的VPP系統結構設計

1.1 VPP物理結構

單一的源側或者荷側資源容量較小，達不到電力市場的準入門檻，無法充分發揮其在電力系統中的靈活性[18]。因此，需要通過VPP聚合分布式電源、柔性負荷和分布式儲能等靈活性資源參與電力市場交易。本文所研究的VPP主要是由風電機組(wind power plant，WPP)、光伏機組(photovoltaic，PV)、柔性負荷和儲能系統組成，其物理結構如圖1所示。

VPP內部參與者關系為：可再生能源優先通過內電網向VPP內部負荷供電；儲能系統通過內電網在電價谷時段充電，峰時段放電；當出現電量缺口時，VPP優先向靈活性資源發出調度指令，即共享儲能放電和柔性負荷需求響應來消除偏差，再從電力市場上購電以滿足電力需求；當出現電量剩余時，經由外電網在電力市場上出售。

1.2 共享儲能機制

儲能系統的配置可以進一步減少高滲透率下可再生能源發電帶來的出力波動，提高VPP運行的可靠性[1,19]。儲能系統可以在用電低谷時段儲存可再生能源的多余電力來促進可再生能源的消納；同時，在用電高峰時段釋放存儲的電力來減少VPP從外電網購買的電量，降低VPP的購電成本[20]。然而就目前而言，儲能系統的高投資成本是限制其商業化發展的主要障礙[21]。VPP運營商可借鑒共享經濟概念，基于實時通信技術聚合，建立共享儲能平臺，協調運行多個孤立的儲能單元，在滿足VPP削峰填谷需求的同時，進而降低儲能系統的投資和運維成本，提高VPP的經濟性[22]。

本文所提VPP內共享儲能系統結構如圖2所示。共享儲能系統的各個儲能單元都配備一個單獨直流隔離器，在充、放電過程中起到保護作用。各個儲能單元通過DC/DC模塊與公共直流母線相連，可實現共享儲能系統內部能量交換。再通過一個總的AC/DC模塊連接公共直流母線和VPP的內電網。受益于AC/DC模塊和DC/DC模塊的潮流可控性，通過在模塊中增加計量單元和實時通信控制單元，可以將VPP交流電網產生的電量剩余/不足信息由AC/DC模塊傳遞到公共直流母線另一側的DC/DC模塊，再由DC/DC模塊將信息轉換為儲能單元充、放電操作，這樣可以實現共享儲能系統與VPP其余部分的能量交換和儲能單元充、放電的電量計量。

圖2 共享儲能系統結構

1.3 兩級電力市場交易機制

兩級電力市場交易機制如圖3所示。本文考慮了一個具有日前市場、實時市場的兩級交易機制的電力市場。在兩級市場中，VPP作為價格接受者，完成日前的風光出力預測，并基于此向電力市場申報次日24 h的投標電量。由于風光出力預測偏差的存在，當VPP內的儲能系統充、放電和柔性負荷需求響應無法消除風光出力偏差時，VPP需要在實時市場交易中消除出力偏差。如果VPP實時發電量超過其在日前市場投標電量，則其多余的發電量將以正失衡電價平抑，正失衡電價低于或等于日前市場出清價格。如果VPP實時發電量低于日前市場投標電量，則其發電赤字要以大于或等于日前市場出清電價的負失衡電價平抑。日前、實時電價模型為：

圖3 兩級電力市場交易機制

λrmb(t)=(1+σp)λbm(t)

(1)

λrms(t)=(1-σp)λbm(t)

(2)

式中：λrmb(t)、λrms(t)分別為t時刻的實時市場負失衡電價和正失衡電價；λbm(t)為t時刻的日前市場出清電價；σp為實時市場失衡電價懲罰系數。

2 含共享儲能的VPP運行優化模型

2.1 機組模型構建

2.1.1 風光機組模型及不確定性處理

1)風光機組出力模型。

風電機組出力[23]由風速的隨機性決定，一般使用分段函數來近似表示風電輸出功率Pwpp(v)。

(3)

式中：Pwppr為風機的額定功率；vi、vr、vo分別為切入風速、額定風速、切出風速；v為風速，其中v服從雙參數Weibull分布概率密度函數，表達式f(v)為

(4)

式中：k為形狀參數，k>0；c為尺度參數，c>1，可由該時段的風速均值和方差求得。

本文首先采用場景生成-削減方法生成各時段風速數據，然后由式(3)所示的風電機組與風速之間的關系式來計算風電機組出力功率預測值。

光伏機組的實際輸出功率[24-25]受太陽輻射強度、環境溫度和額定功率等因素影響，因此光伏機組的輸出功率可由其標準測試條件下的輸出功率、光照強度、環境溫度等與實際工作條件下的實際數值對比估算得到。

(5)

式中：Ppv(G,T)為光伏機組實際輸出功率；G和T分別為實際光照強度和實際工作溫度；Pstc、Gstc、Tstc分別為標準測試條件下的輸出功率、光照強度和環境溫度；g為功率溫度系數。

據統計，一段時間內的太陽輻射強度是一個服從Beta分布的隨機變量，其概率密度函數f(G/Gmax)[25]可以表示為：

(6)

式中：Gmax為該段時間內的最大光照強度；Γ為Gamma函數；α、β為Beta分布的形狀參數，可由這一段時間內光照強度的平均值μG和標準差σG得到α。

(7)

(8)

本文首先根據當地各時段的氣象預測數據獲得太陽輻射強度和氣溫的數據，由功率估算公式和光照強度的概率密度函數求出光伏輸出功率的概率密度分布為：

(9)

2)風光出力不確定性處理。

風光出力不確定性可通過多場景生成和削減技術進行處理。場景生成采用拉丁超立方抽樣方法(Latin hypercube sampling，LHS)，該方法可使發生概率高的場景在樣本空間中聚集[26]。LHS能夠對累積概率曲線分層抽樣后再取得樣本數據，因此能夠保證樣本整體空間全覆蓋。LHS算法流程[27]如圖4所示。

圖4 LHS算法流程

(10)

(1)利用場景距離測算對相似場景進行削減，綜合考慮場景間的概率距離，即

(11)

(2)從場景集中剔除距離場景i最近的場景j：

(12)

(3)更新場景i出現的概率：

(13)

(4)重復步驟(1)—(3)，直到場景數量削減至N′。

3)風光機組發電成本模型。

風電機組發電在實際運行中，其發電邊際成本可以近似為0，因此風電機組發電成本Cwpp主要由建設成本以及運維成本組成。

(14)

式中：cwpp、Pwpp(t)分別為風電機組的單位功率發電成本和t時刻風電機組的發電功率；ΔT為調度時間跨度，取1 h。

和風電機組類似，光伏機組發電成本Cpv也主要由建設成本以及運維成本組成。

(15)

式中：cpv為光伏機組的單位功率發電成本；Ppv(t)為t時刻光伏機組的發電功率。

2.1.2 儲能系統模型構建

由于鋰離子電池具有能量密度高、循環壽命周期長、功率密度高、全壽命充放電次數多、放電深度大等優勢[28]，本文的儲能單元均由鋰離子電池組成。儲能系統的運行成本Cess由建設成本、運維成本和由充放電造成的電池損耗成本構成。

(16)

式中：cess為儲能系統單位功率的運行成本，取0.01元/(kW·h)[29]；Pessc(t)、Pessd(t)分別為t時刻儲能系統的充、放電功率；μessc(t)、μessd(t)分別為t時刻儲能系統的充、放電控制變量，為0-1變量。

2.1.3 柔性負荷需求響應模型構建

基于事先簽訂的需求響應合同，由VPP運營商向柔性負荷用戶直接發出負荷削減的控制信號，以達到特定的響應目標。

Pu(t)=Puo(t)-Pud(t)

(17)

式中：Pu(t)為t時刻削減后的用戶負荷功率；Puo(t)為t時刻削減前的原始用戶負荷功率；Pud(t)為t時刻削減的用戶負荷功率。

2.2 目標函數

本文以VPP運行收益最大為目標進行決策，其表達式為：

maxF=(Rbm+Rrm)-(Cbm+

Crm+Cwpp+Cpv+Cess)

(18)

式中：Rbm、Rrm分別為VPP向日前市場和實時市場售電的收益；Cbm、Crm分別為VPP從日前市場和實時市場購電的成本。

(19)

(20)

式中：Pbms(t)為t時刻VPP在日前市場上的售電功率；Prms(t)為t時刻VPP在實時市場上的售電功率。

(21)

(22)

式中：Pbmb(t)為t時刻VPP在日前市場上的購電功率；Prmb(t)為t時刻VPP在實時市場上的購電功率。

2.3 約束條件

1)功率平衡約束。

Pwpp(t)+Ppv(t)+Pbmb(t)+Prmb(t)+ηessPessd(t)=

Pu(t)+Pbms(t)+Prms(t)+Pessc(t)

(23)

式中：ηess為儲能系統的充放電效率。

2)風電、光伏出力約束。

(24)

(25)

3)儲能系統運行約束。

(26)

(27)

(28)

(29)

由于儲能系統不能同時充、放電，同時運行周期結束時儲能蓄電量需恢復到最初狀態，即：

0≤μessc(t)+μessd(t)≤1

(30)

Sess(0)=Sess(24)

(31)

4)負荷削減約束。

為保證負荷用戶的正常用能，VPP對負荷用戶的負荷削減不得大于最大可削減量。

0≤Pud≤εmaxPuo

(32)

式中：εmax為最大負荷削減率。

5)電壓約束。

Vmin≤V(t)≤Vmax

(33)

式中：V(t)為t時刻的節點電壓；Vmax、Vmin分別為節點電壓上下限。

6)饋線容量約束。

(34)

7)主網約束。

(35)

3 基于Owen值法的雙層收益分配

3.1 Owen值法

合作聯盟形成的關鍵在于利益分配是否合理和公平[30]。同樣地，VPP的穩定運行也需要公平合理的收益分配來予以保證。但由于傳統VPP不同參與者之間通常不直接共享儲能，現有的常規收益分配方法把每個儲能系統都視為獨立參與者進行分析，這與本文的共享儲能機制實際運行方式相悖，可能會導致分配不合理。因此，本文采用Owen值法來進行含共享儲能的VPP收益分配。Owen值法作為Shapley值法的延拓，將收益分配分為2個階段，第一步是在各優先聯盟之間進行收益分配，為每個優先聯盟分配一個整體收益；第二步是將優先聯盟的整體收益在其內部各參與者之間進行收益分配[31]。

風光機組、共享儲能和負荷作為聯盟參與者合作形成聯盟，即VPP；參與者集合表示為N={WPP,PV,Shared-ESS,Load}，一部分參與者的組合構成子聯盟S，排除沒有任何參與者的子聯盟，該聯盟共有24-1個子聯盟；其中共享儲能構成一個優先聯盟，其參與者為風電、光伏和獨立投資主體的儲能系統，優先聯盟參與者集合表示為M={WPP-ESS,PV-ESS,Independent-ESS}。本文的VPP聯盟各參與者收益分配問題和共享儲能優先聯盟收益分配問題均符合Shapley值法的應用背景。綜上，本文采用Owen值法將含共享儲能的虛擬電廠整體運行收益經過2次Shapley值法分配，下沉到具體的每個參與者，實現利益的合理分配[32]。

3.2 上層虛擬電廠收益分配

對于一個由N個參與者構成的聯盟，假設i表示第i個參與者，S表示該聯盟中一部分參與者構成的子聯盟，n表示子聯盟S中參與者的個數，R(S)表示由S構成的聯盟取得的總收益，R(S∪i)表示第i個參與者加入后聯盟取得的收益，則該聯盟中第i個參與者所應分配到的收益v(i)為：

(36)

3.3 下層共享儲能收益分配

VPP的總收益在根據貢獻度相應地分配到每個參與者后，須對共享儲能分配到的收益進一步下沉，將其合理地再分配到參與共享儲能的每個單元。共享儲能的收益采用常規Shapley值法來進行分配，分配方法同3.2節VPP運行收益分配的方法。假設Shared-ESS優先聯盟由M個儲能單元構成，則第j個儲能單元分配到的收益v(j)為：

(37)

3.4 雙層收益分配流程

上述基于Owen值法的雙層收益分配方法主要包括上層VPP參與者間收益分配和下層共享儲能內各儲能單元收益分配2個過程，具體分配流程如圖5所示。

圖5 雙層收益分配流程

4 算例分析

4.1 參數設置

本文以中國北方某園區為研究對象，VPP的風電、光伏機組裝機容量分別為6、3 MW，風電、光伏機組分別配置有容量為2、1 MW·h的儲能系統；另外，VPP內還有容量為1 MW·h的獨立儲能系統和最大削減率εmax=10%的可削減負荷。風電機組、光伏機組和儲能系統的詳細參數見表1—3。

表1 風電機組參數

表2 光伏機組參數

表3 儲能系統參數

本文的VPP參與電網的峰谷分時電價需求響應。峰時(11:00—15：00，18:00—21:00)電價為1 390.8元/(MW·h)，平時(07:00—11:00，15:00—18:00，21:00—23:00)電價為869.25元/(MW·h)，谷時(23:00—07:00)電價為347.7元/(MW·h)。

本文分別削減生成10個風電出力典型場景和10個光伏出力典型場景，各取5個場景數據作為預測出力和實際出力，風光場景削減結果如圖6、7所示。風電、光伏出力數據和負荷數據如圖8所示。

圖6 風電場景削減

圖7 光伏場景削減

圖8 風光出力及負荷數據

在仿真分析中，本文采用MATLAB R2018b軟件,通過Yalmip工具包調用Gurobi對算例進行求解，計算機參數為Intel(R)Core(TM)i5 2.30 GHz，8 GB內存。

4.2 情景設置

為了更好地體現本文所構建含共享儲能VPP的優勢，本文設置了4種情景，以此來展示儲能共享前后和用戶參與需求響應前后的變化。

情景1：VPP含有風電機組和光伏機組，但不配置儲能系統；無獨立儲能系統；負荷不參與需求響應。

情景2：VPP含有風電機組和光伏機組，分別配置儲能系統；VPP同時配置獨立儲能系統；負荷不參與需求響應。

情景3：VPP含有風電機組和光伏機組，分別配置儲能系統；VPP同時配置獨立儲能系統；所有儲能系統參與共享儲能；負荷不參與需求響應。

情景4：VPP含有風電機組和光伏機組，分別配置儲能系統；VPP同時配置獨立儲能系統；所有儲能系統參與共享儲能；負荷參與需求響應。

4.3 算例結果對比分析

4.3.1 VPP運行收益結果對比分析

不同情景下VPP的優化運行收益結果如表4所示。

表4 不同情景下VPP的運行收益

由表4可知，情景2相對于情景1，VPP的運行收益增加了2 962.68元，收益增加率為5.34%，這部分增長主要是得益于VPP在日前市場上凈收益的增加；情景3相對于情景2，VPP的運行收益增加了606.19元，收益增加率提升了20.46%，這是因為VPP在日前市場上的收益進一步增加了；情景4相對于情景3，VPP的運行收益又增加了136.72元，收益增加率提升了3.83%，這部分的增長主要來自于VPP在兩級電力市場上凈收益的增加。

上述結果表明了本文所提含共享儲能的VPP相對于傳統不含共享儲能的VPP可以顯著提升運行收益，說明了本文模型在經濟性上的優越性。

4.3.2 兩級電力市場VPP購售電結果對比分析

各情景下的VPP在兩級電力市場購售電量結果對比如圖9所示。正值表示VPP向電力市場售電，負值表示VPP向電力市場購電。

圖9 VPP的購售電量

由圖8和圖9中的負荷曲線和日前市場購售電量曲線可以得知，在情景1條件下，VPP在日前向電力市場和用戶共出售電能84.58 MW·h。由于ESS在充、放電時存在電能損耗，因此在情景2和情景3下，VPP向日前市場出售的電能減少了約1.11 MW·h。由于情景4的負荷參與需求響應和共享儲能，VPP在日前市場上向負荷的售電量下降，因此情景4的日前售電量相對于前2個情景，進一步降低約0.84 MW·h。配置了ESS的情景2、情景3和情景4在峰時段(11:00—15:00，18:00—21:00)的售電量均高于無ESS的情景1，這是因為配置ESS的VPP可以通過ESS在電價低谷時段儲存風電、光伏的電能，然后在電價高峰時段釋放電能，實現峰谷價差套利。因此，情景2、情景3和情景4可以在出售電能總量均小于情景1的情況下，實現日前市場售電收益的增加。

由圖9中實時市場購售電量曲線可以得知，各情景在實時市場上的售電量一致，均為3.56 MW·h；情景1、情景2和情景3在實時市場上的購電量為0.94 MW·h，相對于其他情景，情景4的實時市場購電量降低超過79.69%，為0.19 MW·h。這是因為情景4的負荷參與需求響應，平抑了一部分可再生能源出力偏差。因為實時市場失衡電價懲罰系數的存在，在售電量相同的情況下，情景4的購電量較少，因此其在兩級電力市場的凈收益相對于其他情景至少增加136.72元。

4.3.3 儲能系統優化結果對比分析

ESS蓄電量及充、放電功率如圖10所示。ESS和共享ESS蓄電率對比如圖11所示。由圖10可知，采用了本文所提共享ESS的情景3和情景4，ESS的充、放電總功率高于不采用共享ESS的情景2，ESS利用率比情景2提升了6個百分點。結合表4可以看出，因為充、放電總功率的增加，情景3的儲能運行成本相對于情景2增加了6.76元，但是其在日前市場上的收益顯著增加了612.95元。這是因為共享ESS可以實現不同可再生能源之間的能量交換，提高ESS儲能單元的利用率，從而可以更好地利用峰谷價差來進行“低儲高放”套利，進而有效增加VPP的運行收益。

圖11 ESS和共享ESS蓄電率對比

結合圖11和圖8中的光伏機組出力數據可以得知，光伏機組在08:00才開始發電，因此在峰時段11:00到來前，ESS只有3 h進行充電操作，由于ESS最大充電速率的限制，光伏ESS無法在峰時段到來前達到最大蓄電量，進而導致情景2的光伏ESS的蓄電率低于全天24 h均有發電的風電ESS。結合圖10可以得知，情景2中ESS平均蓄電量較低的原因是光伏ESS的利用率相對不足。由圖11可以進一步得出，情景3的共享ESS的蓄電率整體高于情景2的光伏ESS，其全天平均蓄電率為0.535，相對于情景2的光伏ESS顯著提升了19.95%。這說明在參與共享儲能的情況下，可以有效提高ESS的利用率，進而增加VPP的運行收益。

需求響應前后失衡電量對比如圖12所示。由圖12可知，情景4中柔性負荷參與了需求響應，通過負荷削減平抑了風電、光伏預測出力和實際出力的偏差，相對于其他情景，情景4的失衡電量降低了16.61%。結合情景4的優化結果可知，VPP都在失衡電量為負的時點進行負荷削減調度，使得VPP在實時市場上為消除失衡電量的購電成本降低，因此在實時市場售電收益一致的情況下，相對于其他情景，情景4在實時市場上的凈收益增幅可觀，約為47.95%。結合圖8的負荷數據可以得出，在最優場景下，柔性負荷的各時段負荷削減率均不大于10%，且平均負荷削減率為2.49%，遠小于最大負荷削減率。這說明本文構建的柔性負荷模型在很好地保證負荷用戶用電穩定性的同時，還可以進行適當的負荷需求響應，提升VPP的靈活性和運行收益。

圖12 需求響應前后失衡電量對比

4.4 敏感性分析

本文基于情景4對4項因素進行了敏感性分析。首先研究了ESS相關參數對VPP運行收益的影響，即不同的ESS容量和充電速率導致VPP運行收益的變化；同時，本文還分析了最大負荷削減率和電價對VPP運行收益的影響。ESS相關參數對VPP運行收益的影響如圖13所示。

圖13 ESS相關參數對VPP運行收益的影響

為了分析ESS容量這一單一因素的影響，假設其他因素不變，即ESS單元的最大充、放電速率為0.2 MW/h，最大負荷削減率為10%，電價不變。其結果如圖13(a)所示，橫坐標0表示ESS的默認容量，即4 MW·h，-0.50表示容量減少50%即2 MW·h。由圖可知，ESS容量變動率在(-0.50，0.50)區間內，ESS容量和VPP運行收益呈正相關，但在ESS容量增加50%時，VPP運行收益的增加有所降低，這是因為在17:00—18:00風光出力較低，為優先滿足負荷電能供給，以致ESS的充電功率低于最大充電功率，因此在下一個峰時段，VPP通過ESS“低儲高放”的收益增幅降低。

與ESS容量的敏感性分析一樣，為了控制變量，在分析ESS最大充、放電速率的影響時，本文假設ESS容量為4 MW·h，最大負荷削減率和電價同上。其結果如圖13(b)所示，橫坐標0表示ESS單元的默認最大充、放電速率，即0.2 MW/h，-0.50表示最大充、放電速率為0.1 MW/h。由圖可知，儲能充放電速率變動率在(-0.50，0.50)的區間內，即隨著最大充、放電速率的增加，VPP運行收益也在增加，但是在最大充放電速率增加25%和50%情況下，VPP運行收益增幅逐漸下降，這是由于ESS容量有限，ESS利用率達到一定水平后將不再增加，因此VPP通過“峰谷價差”套利的空間有限。

由上述分析可知，ESS相關參數與VPP運行收益并非線性關系，參數的持續提升并不能獲得相應的運行收益增加，綜合考慮ESS高昂的配置成本，VPP的ESS要根據其內部可再生能源的發電功率和ESS自身的全壽命周期成本進行優化配置。最大負荷削減率和電價對VPP運行收益的影響如圖14所示。

圖14 最大負荷削減率和電價對VPP運行收益的影響

本文在分析最大負荷削減率這一敏感性因素時，假設ESS的相關參數和電價保持不變。其結果如圖14(a)所示，橫坐標0表示柔性負荷的默認最大削減率，即10%，-0.50表示最大負荷削減率為5%。由圖可知，最大負荷削減率變動率在(-0.50，0.50)的區間內，即隨著最大負荷削減率的增加，VPP運行收益也在增加，但是實際上的收益增加量十分有限，收益增加率在0.01%～0.08%之間。考慮到過度負荷削減會影響到負荷用戶的用電穩定性和參與需求響應的積極性，因此合適的負荷削減率對于VPP的運行優化十分重要。

對于電價的敏感性分析結果，如圖14(b)所示。分析時同樣假設ESS的相關參數和最大負荷削減率不變，且0表示默認的電價，-0.50表示各時段的電價均為默認電價的一半。由圖可知，在敏感性分析變化區間內，電價和VPP運行收益呈線性關系，且敏感度較高，電價每變動25%，VPP的運行收益將變化19 752.6元。

由上述分析可知，電價這一敏感因素引起的VPP運行收益變化比其他影響因子至少高出一個數量級，這說明電價是影響VPP運行收益的主要因素，但是VPP作為電力市場的價格接受者，對于電價沒有議價權，因此ESS相關參數對VPP運行收益的影響就顯得十分重要，在考慮ESS初期投資成本的情況下，可適當優化ESS相關參數以獲得VPP運行收益的增加。

4.5 收益分配結果分析

本文將風光機組、共享儲能系統和柔性負荷進行聯盟組合并編號，1表示該機組參與VPP聯盟，反之，0表示不參與。本文假設共享儲能和柔性負荷不單獨參與電力市場交易，因此不存在共享儲能或柔性負荷單獨存在的聯盟組合，也不存在兩者合作的聯盟組合。VPP的各種聯盟組合運行收益如表5所示。

表5 VPP聯盟組合運行收益

4.5.1 VPP收益分配結果

根據本文所提出的Owen值法，結合各聯盟組合運行收益數據對VPP各參與者進行收益分配，其結果如表6所示。

表6 VPP收益分配結果

由表6可以看出，VPP合作后的運行收益相較于合作前增加了3 705.59元，且各參與者分配到的收益均得到了提升。其中，共享儲能的收益增加得最多，為1 971.26元，超過總收益增加的一半，究其原因，共享儲能系統可以在電價低谷期消納風光多余出力，再在電價高峰期放電套利，是整個VPP運行收益增加最主要的貢獻者，故在收益分配時應分得最多的增量收益。

4.5.2 共享儲能收益分配結果

基于上述仿真結果，根據Owen值法第二階段的收益分配法，對ESS在VPP層面分得的收益進行第二次分配，其結果如表7所示。

表7 共享ESS收益分配結果

由表7可以得出，共享ESS各單元獲得的收益和其容量相關，即風電儲能的容量是光伏儲能和獨立儲能的2倍，其通過分配得到的收益也是后兩者的2倍。究其原因，結合4.4節的敏感性分析可知，在本文的仿真環境下，不同的ESS單元的下層聯盟組合的容量均在敏感性曲線的線性區間內，故單位ESS容量分配到的收益也是一定的。

5 結 論

本文構建了日前-實時市場環境下含共享儲能的虛擬電廠運行優化模型，并基于Owen值法，對上層VPP運行收益和下層共享儲能收益進行了合理分配，算例結果表明：

1)共享儲能模式可以有效整合分屬不同主體的儲能資源，發揮共享儲能的規模效應，有效平抑風光出力偏差，提高VPP運行的經濟性。

2)Owen值法可以很好地完成對具有優先聯盟的VPP運行收益的分配及共享儲能內部的收益分配，說明其具有相當適配性和實際應用價值。

3)本文所作的敏感分析得出，電價是影響VPP運行收益最主要的因素，另外通過適當提升ESS相關參數也可以提升VPP運行收益，這為含儲能的VPP降本增效指明了方向。

值得注意的是，本文的優化過程暫未考慮用戶負荷波動等不確定性因素，并且只考慮了24時點的電力市場交易機制。因此，負荷不確定性和精細尺度下的電力市場交易機制將是后續工作的重點。