含风光储微网的大用户短期交易决策

方日升

(国网福建省电力公司，福州市350003)

含风光储微网的大用户短期交易决策

方日升

(国网福建省电力公司，福州市350003)

随着可再生能源发电技术的日益成熟和售电侧市场放开，含分布式电源用户或微网等电能产销者参与的市场交易问题正得到越来越多的关注。以含风电、光伏、储能(简称风光储)、微网的大用户为研究对象，在日前电力市场的环境下，计及可再生能源出力的波动性，建立了由风力发电机组、光伏电池、储能系统组成的含风光储微网的大用户短期交易决策模型，并采用条件风险价值量化大用户的交易风险，为评估含风光储微网的大用户参与市场交易的风险提供了一种可行方法。最后，通过算例仿真验证了模型的正确性和合理性，说明蓄电池有助于降低大用户在短期交易中的风险。

电能产销者;含风光储微网;大用户;短期交易;条件风险价值(CVaR)

0 引言

《中共中央国务院关于进一步深化电力体制改革的若干意见》提出放开售电市场、允许分布式电源用户和微电网以独立利益主体的身份参与电力交易［1］。这为含分布式电源的用户或微网等电能产销者参与电力市场竞争和加强风、光等可再生能源消纳提供了有利条件。

针对电能产销者参与市场交易的问题，国内、外学者进行了相关研究。文献［2］根据风力发电机组、光伏机组等分布式电源输出功率波动性较大的特点，提出了一种基于“时前市场”的多轮成对随机匹配市场交易机制，该机制使含有分布式电源的电能产销者在时前竞价环境下实现自我利益的最大化。文献［3］基于博弈论的思想，构建了电能产销者参与交易的两层优化模型，但该模型并未考虑其内部负荷的响应行为。文献［4］基于随机规划理论，计及电能产销者内部负荷和市场电价的不确定性，构建了参与日前市场和平衡市场的两阶段竞标策略模型，最后以挪威电力现货市场为例，验证了所提模型的有效性，但并未考虑电能产销者在交易中所面临的风险。

随着售电侧市场的逐步放开和分布式电源发电技术的不断发展，含风光储微网的用户可以通过参与电力市场交易降低用电成本。同时，大用户作为售电侧的重要交易主体，在配置分布式电源和储能系统的条件下，使得大用户可以更灵活地进行决策。

综上所述，本文在日前电力市场竞价的环境下，构建由风力发电机组、光伏、储能系统组成的含风光储微网的大用户模型，通过协调蓄电池的运行，优化其在日前市场和平衡市场的购售电交易方案，并考虑大用户在交易中所面临的风险，建立大用户短期交易决策模型，最后运用算例说明所建模型的合理性。

1 含风光储微网的大用户建模

1.1风电机组出力模型

受到风速等自然条件的影响，风电机组的输出功率具有显著的不确定性特征，其出力主要取决于风速的大小。本文采用双参数的Weibull分布来表示风速v的不确定性变化规律，其概率密度函数为［5］

式中:k为形状参数，取值范围一般为1.8～2.3，本文取k=2;c为尺度参数，反映某时段的平均风速大小。

式中:Pr，w为风力发电机组额定容量;vci、vr、vco分别为风力发电机组切入风速、额定风速和切出风速。

1.2光伏出力模型

受到光照强度、温度等环境因素的影响，光伏发电输出功率也具有明显的不确定性特征，参照文献［6］，本文设光照强度的预测偏差ΔE为均值为0、标准差为σ的正态分布随机变量。若E'为光照强度预测值，则实际光照强度E=E'+ΔE。E的概率密度函数为

光照强度预测偏差的标准差设为预测值的ω%，即σ=E'×ω%。本文中取ω%=10%。

光伏发电输出功率主要取决于光照强度［6］，光伏输出功率的表达式为式中:Ppv为光伏阵列的输出功率;ηpv、Spv分别为光伏阵列发电效率和总面积。

1.3储能系统模型

相关研究表明，放电深度(depth of discharge，DOD)决定蓄电池的循环寿命，因此在计及蓄电池的损耗费用时，只考虑蓄电池放电的影响，忽略充电的影响，并以放电损耗费用来表征蓄电池的充放电操作对循环寿命的影响［7］。假设时段t蓄电池处于放电状态，则总放电损耗费用可表示为单位电量放电损耗成本Cbat与放电功率的乘积。

考虑到蓄电池容量与充、放电功率的关系等限制，蓄电池在充、放电过程中还应满足的约束如下详述。

1．3．1 充放电功率约束

式中:Uchg，t、Udchg，t为布尔变量，当时段t蓄电池处于充电状态时，Uchg，t=1，否则Uchg，t=0，当时段 t蓄电池处于放电状态时，Udchg，t=1，否则Udchg，t=0;Pchg，t、Pdchg，t分别为时段 t蓄电池的充电功率和放电功率; Pchg，max、Pdchg，max分别为蓄电池的最大充电功率和放电功率。

1．3．2 蓄电池容量与充、放电功率关系约束

式中:Eess，0为蓄电池初始容量;Eess，t时段t蓄电池容量;ηdchg、ηchg分别为蓄电池放电效率和充电效率。

1．3．3 蓄电池容量约束

式中Eess，min、Eess，max分别为蓄电池的最大容量与最小容量。

1．3．4 蓄电池始、末容量不变约束

2 含风光储微网的大用户参与的短期交易

2.1短期交易框架

本文中将含风光储微网的大用户所参与的短期交易市场设定为日前市场和平衡市场。大用户通过预测电价、负荷和分布式电源出力，在日前市场上申报各时段的购售电功率。由于风、光出力的波动性，分布式电源的实际出力和预测出力存在偏差，从而产生不平衡电量。在成熟的电力市场环境下，不平衡电量可通过平衡市场进行交易，电力市场运营商为了规范市场运作，防止交易者的投机行为，平衡市场的购电价格一般高于日前市场电能价格，售电价格一般低于日前市场电能价格。同时，在已知日前市场的交易信息情况下，含分布式电源大用户会通过对蓄电池的充、放电操作，减少不平衡电量所产生的影响。

2.2参数不确定性处理

针对风、光出力的波动性和随机性，本文采用多场景技术建立计及风、光出力不确定性的含风光储微网的大用户短期交易决策模型。多场景技术主要包括2个方面的内容，即场景的产生和场景的削减。本文采用拉丁超立方抽样产生样本场景，之后通过同步回代削减法对样本场景进行削减［8］，使得到的场景最大化逼近原始的抽样场景，最后生成NS个风速场景和NK个光照强度场景。场景总数N=NSNK。

2.3交易费用分析

本文将日前市场购售电费用和平衡市场的不平衡费用与蓄电池的放电损耗成本之和定义为含风光储微网的大用户参与短期交易的总交易费用。在竞争性电力市场环境中，日前市场的交易功率申报时间早于实时平衡市场的不平衡费用结算与蓄电池储能的日前调度［7］，因此在计及风、光出力随机性的条件下，采用期望值形式描述实时平衡市场的不平衡费用和蓄电池储能的放电损耗成本。

2.3.1 日前市场购售电费用

由于自身的竞标容量有限，本文认为含风光储微网的大用户在短期交易决策中作为价格接受者，交易电量按照日前市场统一出清价格(market clearing price，MCP)进行结算。日前市场的购售电费用由日前市场上的购电成本减去售电收入组成，假设含风光储微网的大用户在日前市场上只能申报t时刻的购电功率或售电功率，并且不计日前市场电价的波动(日前市场的电价取为其预测值)，则日前市场的购售电费用为

式中:CDA为购售电费用;PDA，t为时段t的日前市场竞价功率，PDA，t＞0时，PDA，t表示时段t的日前市场购电量，PDA，t＜0时，PDA，t表示时段t的日前市场售电量;QDA，t为时段t的日前市场电价预测值。

2.3.2 平衡市场的不平衡费用

在竞争性电力市场环境下，实时平衡市场的结算机制较为复杂。为简化处理，本文将各时段正、负不平衡价格分别设为日前市场各时段电价的一定比例。含风光储微网的大用户所缴纳的不平衡费用可表示为:

式中:CRT为总不平衡费用;CRT，s为第s个场景下平衡市场交易费用;π(s)为第s个风光出力场景的出现概率;λrt，buy，t、λrt，sell，t分别为时段t平衡市场购电价格系数和售电价格系数;PRT，s，t为第s个场景下在时段t平衡市场的交易电量，当 PRT，s，t＞0时，PRT，s，t表示第 s个场景下在时段t平衡市场购电量，当PRT，s，t＜0时，PRT，s，t表示第s个场景下在时段t平衡市场售电量。

2.3.3 蓄电池放电损耗成本

蓄电池储能的总放电损耗成本为:

式中:N为风、光出力场景总数;cbat为蓄电池总放电损耗成本;Cbat0为单位电量放电损耗成本;Cbat，s为第s个场景下蓄电池总放电损耗费用;Pdchg，s，t为第s个场景下在时段t蓄电池放电功率。

2.4风险度量工具

本文采用条件风险价值(condition value at risk，CVaR)方法度量由于风、光出力不确定性引起的总交易费用增加所带来的风险。第s个风、光出力场景下的风险损失ωs可表示为

根据CVaR的定义，总交易费用所对应的CVaR值［9-10］可表示为

式中:φα为置信水平为α时损失函数所对应的CVaR值;ξ为置信水平为α时损失函数所对应的VaR值。

令虚拟变量zs=max{ωs－ξ，0}，则式(18)可简化为

3 短期交易决策模型

3.1目标函数

总交易费用最小化模型为

3.2约束条件

风、光出力约束:

式中:Pw，s，t为第 s个场景下在时段 t的风机出力; Ppv，s，t为第 s个场景下在时段 t的光伏出力;Pw，max、Ppv，max分别为风机和光伏的最大有功输出功率，取为风机和光伏的额定装机容量。

日前市场竞标值的上、下限约束:

式中PL，t为时段t总负荷预测值。

风险约束:

式中β为表征含分布式电源大用户对总交易费用所对应的风险和总交易费用期望值的权衡系数。

式(24)左端为总交易费用的CVaR值，右端为总交易费用期望值。β值的大小取决于大用户对风险规避的重视程度。β值越大，表明大用户对风险的重视程度越低。当β取值大于某个阈值时，可认为含风光储微网的大用户在市场上为风险中性型决策者。

CVaR约束:

功率平衡约束:

第s个场景下，储能系统的约束条件同式(5)—(8)。

3.3模型求解

所提出的模型为混合整数线性规划问题，通过调用混合整数规划求解器CPLEX实现模型求解，具体流程如图1所示。

4 算例与分析

4.1基本数据

图1 交易决策流程图Fig.1 Flowchartoftradingdecision

本文采用的算例中电源包括风电机组、光伏电池和蓄电池。风电机组和光伏的相关特性参数可参见文献［11－12］。风电机组的额定装机容量 Pr，w= 2.05 MW，vci=2 m/s，vr=14 m/s，vco=25 m/s。光伏阵列的额定装机容量为1.1 MW;光伏阵列转换效率为15.7%;光伏阵列总面积为7 000 m2。蓄电池的相关特性参数可参见文献［7］。蓄电池的额定容量为2.2 MW·h;最大容量、最小容量分别设定为1.98 MW·h和0.22 MW·h;最大充、放电功率为0.44 MW;充、放电效率为 91.4%;初始容量为0.22 MW·h;放电损耗成本为0.075$/(kW·h);平衡市场各时段的购电价格系数和售电价格系数分别设置为1.4和0.6;风险置信水平α和权衡系数β分别设置为95%和1.15。算例中基于拉丁超立方抽样产生3 000组风速和3 000组光照强度的样本，然后采用同步回代削减法进行场景削减，生成15组风速场景和5组光照强度场景。由风速和光照强度场景可推算得到风力发电机组和光伏的出力场景。总场景数N=15×5=75。

风力发电机组、光伏机组和大用户总负荷的功率预测曲线如图2所示。日前市场电价如图3所示。

4.2优化结果与分析

含风光储微网的大用户在日前市场和平衡市场的电能交易分配如图4所示，各时段的蓄电池充、放电情况如图5所示。

图2 功率预测曲线Fig.2 Powerpredictioncurves

图3 电价预测曲线Fig.3 Electricitypriceforecastingcurve

图4 电能交易分配Fig.4 Allocationofelectricenergytransaction

图5 蓄电池充放电情况Fig.5 Batterychargeanddischargesituation

由图4可知，含风光储微网的大用户参与短期交易时绝大部分的电能都是通过日前市场进行交易的。由于风、光出力的波动性，部分差额或盈余电能会通过平衡市场进行交易。由图5可知，时段1—10的日前市场电能交易价格较低，蓄电池充电为下一阶段预留电量;时段11—14的日前市场电能交易价格达到第1个峰值时，蓄电池通过放电供自身负荷消耗而减少在日前市场的购电量;时段15—18蓄电池选择充电操作，为下一阶段预留电量;由于时段15—18的日前市场电能交易价格高于时段01—10，因此单位时间平均充电功率有所减少;时段19—22的日前市场电能交易价格达到第2个峰值，蓄电池选择放电操作，由于其日前市场电能交易价格高于时段11—14，因此单位时段平均放电功率有所增加。

4.2.1 蓄电池对日前电能交易决策的影响

为了研究蓄电池对含风光储微网的大用户日前电能交易决策的影响，分为以下2种情景进行对比分析，情景一:不考虑蓄电池，情景二:考虑蓄电池。不同情形下含风光储微网的大用户在日前市场的电能交易情况如图6所示，总期望成本和所对应的CVaR值见表1。

图6 日前市场竞价功率Fig.6 Biddingpowerinday-aheadmarket

表1 不同情况下总期望成本和CVaR值Table1 TotalexpectedcostandCVaRindifferent conditions

由表1可知，考虑蓄电池的条件下，无论是总期望成本还是风险值都是最小的，这是由于蓄电池吸收风、光出力过剩时段的电能，并在风、光出力不足时段释放，因此可以减少一部分的交易费用。同时，引入蓄电池后将对含分布式电源大用户在日前市场电能交易的决策产生影响。由图6可以看出，考虑蓄电池影响后，大用户减少在时段2、4的售电功率，增加在时段8、9的购电功率，减少在时段20—24的购电功率。这是因为时段2、4、8、9的日前市场电价水平较低，有部分交易电量用于蓄电池充电，时段20—24的日前市场电价水平较高，蓄电池放电供自身负荷消耗。

4.2.2 β值对日前电能交易决策的影响

权衡系数β取不同值时，含风光储微网的大用户在日前市场的电能交易情况如图7所示。可以看出，β值越小，在大多数时段内大用户在日前市场申报的竞价功率就越多。这是因为β值越小，表明总交易费用所对应的CVaR值越小，本文中总交易费用所对应的CVaR值指的是在几个极端场景下总交易费用的期望值。由于风、光出力不足会使得大用户在平衡市场购电费用增加，导致总交易费用上涨，而风、光出力盈余会增加大用户在平衡市场的售电收益，引起总交易费用下降，因此文中的极端场景指的是风、光出力不足的场景，为了降低CVaR值，大用户会选择增加在日前市场的购电量，从而减小平衡市场高价购电带来的总交易费用上涨，这也代表着在β值较小的条件下的决策是偏于保守的。这种情况下含风光储微网的大用户属于风险厌恶型决策者。不同β值下，总交易费用期望值和CVaR值的关系如图8所示。可以看出，β值越大，CVaR值就越大，总交易费用的期望值就越小。

图7 权衡系数对电能交易决策的影响Fig.7 Impactofweightcoefficientonelectric energytransaction

图8 不同β下的总交易费用期望值与CVaR值Fig.8 TotalexpectedcostandCVaRunderdifferent weightcoefficients

5 结论

本文基于多场景技术处理风、光出力的不确定性，在日前电力市场竞价的环境下，优化日前市场的电能交易量，实现含风光储微网的大用户在日前市场和平衡市场购电成本最小化和售电收益最大化，同时优化蓄电池的充、放电功率，使含分布式电源大用户内部运行成本最小化，并采用CVaR对大用户面临的决策风险进行度量。最后，通过算例分析了引入蓄电池对大用户日前电能交易决策的影响以及不同的风险权衡系数β对大用户日前电能交易决策的影响。

［1］中共中央国务院．关于进一步深化电力体制改革的若干意见(中发［2015］9号)［EB/OL］．(2015－03－15)［2016－10－15］．http://tgs．ndrc．gov．cn/zyw j/201601/t20160129_773852．html．

［2］史开拓，刘念，张建华，等．多运营主体的微电网随机匹配交易机制［J］．电网技术，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］窦春霞，贾星蓓，李恒．基于多智能体的微电网中分布式发电的市场博弈竞标发电［J］．电网技术，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］刘小平，丁明，张颖媛，等．微网系统的动态经济调度［J］．中国电机工程学报，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］冉晓洪，苗世洪，刘阳升，等．考虑风光荷联合作用下的电力系统经济调度建模［J］．中国电机工程学报，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］陈璨，吴文传，张伯明，等．基于多场景技术的有源配电网可靠性评估［J］．中国电机工程学报，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，冯旸，等．基于CVaR风险计量指标的发电商投标组合策略及模型［J］．电力系统自动化，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．虚拟电厂下计及分布式风电与储能系统的电力系统优化调度［J］．电力建设，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．

(编辑 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，高级工程师，主要从事电力调度与电力交易管理等方面的研究工作。