面向电力市场的分布式储能聚合参与电网调峰

林立乾，米增强，贾雨龙，范 辉，杜 鹏



面向电力市场的分布式储能聚合参与电网调峰

林立乾1，米增强1，贾雨龙1，范 辉2，杜 鹏1

（1华北电力大学新能源电力系统国家重点实验室，河北 保定 071003；2国网河北省电力有限公司，河北 石家庄 050000）

随着新一轮电力市场化改革的深入，为了促进分布式储能有效参与电网调峰，提出了对其规模化聚合管理的思路；建立了分布式储能聚合商以竞价形式参与电网调峰调度的优化模型。在日前调度中，聚合商根据电力交易中心公布的次日调峰需求，通过对分布式储能行为特性预测，并按阶梯报价策略参与竞价；电力交易中心以最小化调峰调度成本为目标优化调度计划。在实时调度中，考虑了储能行为特性日前预测误差和电池损耗，聚合商以最大化自身利益为目标优化充放电出力，使得聚合商在满足日前中标出力的同时，利用市场电价差获利。仿真算例表明，分布式储能聚合商以竞价形式参与电网调度既能减少电网调峰调度成本，还可以达到削峰填谷的效果，储能设备的损耗成本是影响充放电出力的关键因素。

电力市场；分布式储能；聚合商；调峰；调度模型

新能源电力系统的发展对电网调峰能力提出了极大挑战[1]，电网利用储能装置实施削峰填谷，参与需求响应，可以减少电网调峰压力，提高电网运行效率[2-3]。储能技术进步和需求侧演化发展使得分布式储能在电力系统中广泛应用[4]，然而分布式储能的应用特性决定了其在空间上的接入点布局呈分散性，且其容量较小，难以为电网直接调度利用。 通过聚合管理可以充分挖掘分布式储能的利用价值，同时具有调度方式灵活的优点[5]，但是文献[5]并未具体分析聚合后如何参与电网调峰调度。另一方面，新一轮电力体制改革全面启动，电力市场化建设加速进行，诸多省份已允许电储能资源以独立的市场主体参与电网运行，这也给分布式储能如何在电力市场环境下参与电网调峰带来新的问题。

目前，国内外学者通过聚合管理需求侧资源并参与电网调峰已有较多研究。文献[6]对公共楼宇空调负荷进行刚、柔性组合控制，提出参与电网调峰的方法。文献[7]将发电成本和空调负荷控制代价最小作为优化目标，提出空调负荷聚合参与电网调度的模型，有效降低负荷峰谷差。文献[8]对空调负荷虚拟调峰机组分组聚类，提出空调负荷虚拟调峰机组聚合层间及其内部的双层优化调度模型。但是，这些文献没有考虑电力市场对调峰调度的影响。文献[9]通过电动汽车响应分时电价，以削峰填谷为目标建立优化模型。文献[10]提出用户侧需求响应资源聚合与调控策略，针对电网公司预测的用电缺口，需求响应资源主动响应获取经济效益。文献[11]构建综合能源楼宇模型，引入定价机制引导电动汽车需求响应行为，从而达到参与调峰的目的。文献[12]以负荷聚合商为中介，提出了基于直接负荷控制的空调负荷双层优化调度模型，在实时市场中通过投标参与调峰调度。文献[13]对非住宅区电动汽车充电数据分析其用电行为及聚合优点，分时电价下电动汽车聚合可以获得经济效益同时降低系统峰值负荷。文献[14]提出聚合商参与调控用户柔性负荷，以投标的形式参与市场竞争，可以优化各时段削峰填谷负荷量。在这些文献中聚合商在电价引导下改变负荷用电行为从而缓解电网调峰压力。但是，已有的文献鲜有对分布式储能聚合管理及参与电网调峰调度的研究。

分布式储能作为需求侧资源，相比于空调和电动汽车等用户负荷，不需要考虑用户行为的多样性以及用户体验的舒适度，可以更加灵活地参与电网功率平衡。因此，本文将在分布式储能聚合商（distributed energy storage aggregation provider，DESAP）的管理下对分布式储能规模化聚合，进而参与电网调峰。首先阐述了分布式储能聚合参与电网调度的架构以及市场环境下参与调峰的途径；然后建立了DESAP日前竞价参与电网调峰调度和实时优化调度的模型，利用混沌粒子群算法对模型优化求解；最后通过算例验证了模型的有效性。

1 分布式储能聚合参与调度架构

分布式储能聚合参与电网调度架构如图1所示。DESAP通过与分布式储能业主签订合同获得其代理权，由DESAP负责在分布式储能侧安装信息采集和控制设备，分布式储能与DESAP之间的数据传递和设备控制都以自动化方式进行。考虑到各个分布式储能在参与调峰过程的贡献差异，DESAP向分布式储能支付费用时应基于分布式储能的调峰效果支付电量费用，包括充电电量费用和放电电量费用。DESAP根据所辖区域内分布式储能充放电行为的历史数据，预测未来一段时间的闲置容量，并将其聚合，根据聚合的可控容量制定报价策略，以独立的市场主体向电力交易中心提交出力和报价信息；按照市场规则出清各市场主体的中标电量，电力交易中心将中标情况交给调度中心进行安全校核及阻塞管理，确定最终的中标电量；调度中心将中标电量以充放电指令反馈给DESAP，再由DESAP下达至区域内分布式储能执行。在这个过程中，DESAP充当中间商，传递信息流，分布式储能执行指令，通过电网实现能量流的传递。

图1 分布式储能聚合参与电网调度架构

2 市场环境下DESAP参与调峰途径

智能电网环境下，需求响应资源控制更加精准，集群作用显著且波动性小[15]，分布式储能将资源响应控制权交给DESAP，具有响应快、成本低的优点，可以为电力市场提供优质的调峰产品。同时DESAP由大量小容量的分布式储能聚合而成，少数分布式储能未及时响应DESAP下达的指令对整体影响很小，提高其提供调峰产品的可靠性。随着电力市场化改革，调峰辅助服务也将不再传统地依靠调度中心决定，而是由各个市场主体主动参与，发挥市场在资源配置中的决定性作用。

新能源消纳与深度调峰资源匮乏的矛盾日益突出，DESAP参与深度调峰辅助服务可以有效缓解该问题。不同于调峰机组在深度调峰交易市场上申报的是深度调峰电量和申报价格，DESAP上报负荷需求调峰电量和申报价格，其中负荷需求调峰电量是指深度调峰辅助服务市场开启时段，DESAP主动申请增加负荷需求的电量。为了避免DESAP在深度调峰资源匮乏的地区哄抬报价获取暴利，对申报价格设置上限约束。电力交易中心对调峰机组和DESAP的申报电量统一对待，按照统一边际成本结算深度调峰补偿费用。DESAP在深度调峰交易市场上竞标成功后，电网按照中标电量对其充电，DESAP需向电网支付充电费用，充电费用按同时段能量市场实时电价结算。因此，DESAP参与深度调峰交易市场既能以低价格对储能设备充电，同时能获得深度调峰补偿费用。

尽管我国大部分地区电力供应过剩，然而阶段性、地域性的电力供应紧张仍时有发生，通过需求响应是实现负荷削峰的重要手段。需求侧竞价是实现需求响应的一种机制，是用户通过改变自身用电行为，主动参与市场竞争以获取相应的经济补偿。DESAP以市场竞标的方式参与需求侧竞价，为了削减电网的尖峰负荷，DESAP在需求侧行使发电商的职能，向电力交易中心提供出力和期望价格。与发电商相比，DESAP位于需求侧，直接向负荷供电降低社会成本；与可中断负荷用户相比，DESAP不需要考虑缺电引起的停电损失。电力交易中心按照统一边际成本结算DESAP和可中断负荷用户的中标电量与补偿价格。DESAP按照调度中心的放电指令向负荷供电，电网需向DESAP支付放电费用，放电费用按同时段能量市场实时电价结算。因此，DESAP在需求侧竞价中获得“削峰”补偿费用，同时能以高价格放电。

3 DESAP参与竞价调峰调度优化模型

3.1 DESAP聚合可控容量模型

DESAP对次日分布式储能充放电行为预测，获得其荷电状态（state of charge，SOC）预测值，DESAP据此计算调度周期时段内聚合的可控充电和放电闲置容量。

约束条件如下所述。

（1）分布式储能充电和放电功率约束为

（2）DESAP在任一调度时段内不能同时下达充电和放电指令，但可以处于待机状态，即既不充电也不放电，故DESAP的充放电状态约束为

（3）调度周期始末DESAP所辖区域内各分布式储能荷电状态变化量不能过大

3.2 电力交易中心日前调度优化模型

由于机组参与深度调峰时，其下调容量越大，所需的成本越高，因此深度调峰机组也采用阶梯报价策略。

为了促进深度调峰机组与DESAP之间的竞争，电力交易中心按照需求侧统一边际成本结算的调峰调度成本最小为目标函数优化制定调度计划

3.3 DESAP实时调度优化模型

DESAP要在深度调峰、削峰时段按照日前中标电量执行充放电行为。当实际的聚合可控容量存在预测偏差时，DESAP对日前调度的执行结果小于中标电量，需要对其进行罚款，以降低电网调度成本。DESAP除了参与深度调峰和削峰获取补偿费用，还可以在其余时段出力，利用能量市场的价格差获利，同时降低因预测偏差带来的罚款。此外，考虑到电池损耗，DESAP需要向分布式储能用户支付补偿费用，因此DESAP实时调度优化目标函数为：

为了避免DESAP过响应能量市场的价格信号，需对其出力设置如下约束

3.4 模型的求解

求解日前调度优化模型时，电力交易中心按照各市场主体提交的投标信息，以调峰调度成本最小为目标确定中标信息及边际成本。求解实时调度优化模型时，将采用混沌粒子群算法确定调度周期内各时段聚合商的出力情况。

粒子群算法源于鸟群捕食行为的研究，首先初始化一群随机粒子（随机解），然后粒子们通过信息共享机制使整个群体的运动在问题求解空间中产生从无序到有序的演化过程，从而获得最优解。粒子们知道自己本身找到的最好位置（pbest），同时还知道到目前为止整个群体中所有粒子发现的最好位置（gbest）。接着粒子们就追随当前的最优粒子在求解空间中搜索，通过迭代来更新速度和位置。粒子群优化算法调整参数少、优化速度快、易于实现，但其缺点是容易陷入局部最优点且搜索精度不高。为了解决这个问题，可将混沌优化与粒子群优化相结合[16]加以改进。混沌是一种普遍的非线性现象，其具有遍历性、随机性以及对初值的敏感性，将搜索过程对应为混沌轨道的遍历过程，可避免陷入局部最优解，提高算法的精度和收敛速度。选用Logistic映像来生成混沌变量，即

4 算例分析

4.1 算例数据

为了验证模型的有效性，对某区域的各个分布式储能次日行为特性进行预测，假设该区域分布式储能数量共有100个，其中50个配合光伏系统运行，50个配合风电系统运行，且各个分布式储能的额定容量服从[4，6]MW·h上的均匀分布；各个分布式储能每小时的最大充放电功率为0.3的额定容量，充放电效率均取0.95；各个分布式储能的最大、小荷电状态均取0.9和0.1。由3.1节可控容量模型求解得到DESAP聚合的可充电容量和可放电容量，如图2所示，由于各类分布式储能聚合互补，可控容量不会出现在某个时段过高或过低。

文献[17]由历史数据给出典型的工业、商业及民用负荷的日变化曲线，本文按照4∶3∶3的比例分配3种负荷，日最大负荷取3000 MW，能量市场的电价预测曲线由美国PJM市场实时电价数据随机采样获得[18]，区域的日负荷曲线和实时电价见图3。

图2 可控容量预测值与实际值

假设该地区出现电力资源短缺，为了保证电网稳定运行，电力交易中心在日前公布次日需要深度调峰的时段为3 h、4 h、16 h，需求电量分别为100、125、120 MW·h，需要竞价削峰的时段为9:00、10:00、20:00、21:00，削减电量分别为150、180、145、110 MW·h。

图3 负荷及能量市场电价

Fig.3 Load and energy market electricity price

4.2 日前调度计划制定

表1 DESAP的投标信息

表2 深度调峰机组和可中断负荷的投标信息

表3 DESAP不参与调度的中标信息

表4 DESAP参与调度的中标信息

4.3 DESAP实时调度优化结果

由图4(a)可知，DESAP实时调度可以在深度调峰时段和削峰时段实现削峰填谷的效果，且在其余时段的出力不会引起新的负荷尖峰或低谷，有助于缓解区域电力资源短缺问题。在其余时段DESAP的出力除了受能量市场的电价影响，分布式储能行为特性的预测精度也是重要因素。由于聚合可控容量的预测误差，为了避免高额罚款费用，DESAP在1:00、2:00低电价时段放电，而在19:00高电价时段充电。在整个调度周期内，DESAP共获利11324美元，其中深度调峰补偿费和竞价削峰补偿费分别是4746、3860美元，利用能量市场价格差套利12608美元，电池损耗补偿费为9890美元。

由图4(b)可知，DESAP实时调度结果仍可以实现削峰填谷的目的，在整个调度周期内获利为1751美元，其中深度调峰补偿费和竞价削峰补偿费分别是4746、3860美元，利用能量市场价格差套利10811美元，电池损耗补偿费为17666美元。显然，电池损耗补偿费用急剧上升，若没有调峰、削峰补偿费用，DESAP仅通过能量市场价格套利仍然亏损。因此，电池损耗成本是DESAP参与电网调峰运行的关键技术，随着储能技术的进步，电池损耗成本降低，DESAP在未来电力市场将会有更大的竞争空间。

图4 DESAP实时调度优化结果

5 结 论

分布式储能在未来电网广泛应用是必然趋势，作为需求侧资源，在电力市场环境下，如何参与电网运行是一个重要问题。本文在DESAP的管理下，对空间上接入位置分散的分布式储能规模化聚合，介绍其在电力市场环境下参与电网调度的架构和途径，建立日前和实时优化调度模型，采用混沌粒子群算法优化求解。结果表明DESAP以竞价的形式参与深度调峰辅助服务市场和需求侧竞价削峰市场不仅能有效降低调峰调度成本还可以实现负荷削峰填谷，为分布式储能在电力市场环境下盈利提供新的思路。电池损耗成本是决定储能在能量市场上充放电出力的重要因素。

随着分布式储能资源在电网的增加以及电力市场改革的不断推进，DESAP作为市场主体的产品类型将更加市场化，参与方式将更加多元化。

[1] 向红吉, 戴朝华, 明杰, 等. 考虑低谷时刻负调峰能力及风电预测区间的多目标机组组合优化研究[J]. 电网技术, 2017, 41(6): 1912-1918.

XIANG Hongji, DAI Chaohua, MING Jie, et al. Research on multi-objective optimization of unit commitment considering negative peak load regulation ability in valley load period and wind power prediction interval[J]. Power System Technology, 2017, 41(6): 1912-1918.

[2] 刘英军, 刘畅, 王伟, 等. 储能发展现状与趋势分析[J]. 中外能源, 2017, 22(4): 80-88.

LIU Yingjun, LIU Chang, WANG Wei, et al. Analysis of development status and trend of energy storage technology[J]. Sino-Global Energy, 2017, 22(4): 80-88.

[3] 陈海生, 刘畅, 齐智平. 分布式储能的发展现状与趋势[J]. 中国科学院院刊, 2016, 31(2): 224-231.

CHEN Haisheng, LIU Chang, QI Zhiping. Developing trend and present status of distributed energy storage[J]. Bulletin of Chinese Academy of Sciences, 2016, 31(2): 224-231.

[4] 李建林, 马会萌, 袁晓冬, 等. 规模化分布式储能的关键应用技术研究综述[J]. 电网技术, 2017, 41(10): 3365-3375.

LI Jianlin, MA Huimeng, YUAN Xiaodong, et al. overview on key applied technologies of large-scale distributed energy storage[J]. Power System Technology, 2017, 41(10): 3365-3375.

[5] 孙玲玲, 高赐威, 谈健, 等. 负荷聚合技术及其应用[J]. 电力系统自动化, 2017, 41(6): 159-167.

SUN Lingling, GAO Ciwei, TAN Jian, et al. Load aggregation technology and its applications[J]. Automation of Electric Power Systems, 2017, 41(6): 159-167.

[6] 杨永标, 颜庆国, 徐石明, 等. 公共楼宇空调负荷参与电网虚拟调峰的思考[J]. 电力系统自动化, 2015, 39(17): 103-107.

YANG Yongbiao, YAN Qingguo, XU Shiming, et al. Thinking of public building air-conditioning load participating in grid with virtual peak clipping[J]. Automation of Electric Power Systems, 2015, 39(17): 103-107.

[7] 刘萌, 梁雯, 张岩, 等. 计及空调负荷群控制的源-荷协同优化调度模型[J]. 电网技术, 2017, 41(4): 1230-1236.

LIU Meng, LIANG Wen, ZHANG Yan, et al. Cooperative generation load optimal dispatching model considering air-conditioning load group control[J]. Power System Technology, 2017, 41(4):1230-1236.

[8] 李作锋, 范洁, 杨永标, 等. 面向电网调峰辅助服务的规模化空调负荷优化调度研究[J]. 电器与能效管理技术, 2018(2): 64-72.

LI Zuofeng, FAN Jie, YANG Yongbiao, et al. Research on large-scale air-conditioning load optimal dispatch for power grid peak clipping[J]. Electrical & Energy Management Technology, 2018(2): 64-72.

[9] LIU H, GE S. Optimization of TOU price of electricity based on Electric Vehicle orderly charge[C]//Power and Energy Society General Meeting, IEEE, 2013: 1-5.

[10] 沈瑜, 岳园园, 闫华光, 等. 地区电网需求响应资源聚合与调控策略研究[J]. 电网技术, 2017, 41(10): 3341-3347.

SHEN Yu, YUE Yuanyuan, YAN Huaguang, et al. Research on aggregation and optimization strategies of demand response resources for district power grid[J]. Power System Technology, 2017, 41(10): 3341-3347.

[11] 杨铮, 彭思成, 廖清芬, 等. 面向综合能源楼宇的电动汽车辅助服务方案[J]. 电网技术, 2017, 41(9): 2831-2839.

YANG Zheng, PENG Sicheng, LIAO Qingfen, et al. ancillary services provided by electric vehicles for building integrated energy system[J]. Power System Technology, 2017, 41(9): 2831-2839.

[12] 高赐威, 李倩玉, 李扬. 基于DLC的空调负荷双层优化调度和控制策略[J]. 中国电机工程学报, 2014, 34(10): 1546-1555.

GAO Ciwei , LI Qianyu, LI Yang. Bi-level optimal dispatch and control strategy for air-conditioning load based on direct load control[J]. Proceedings of the CSEE, 2014, 34(10): 1546-1555.

[13] KARA E C, MACDONALD J S, BLACK D, et al. Estimating the benefits of electric vehicle smart charging at non-residential locations: A data-driven approach[J]. Applied Energy, 2015, 155: 515-525.

[14] 曹瑛, 刘建锋, 龚锦霞. 面向负荷聚合商的风光消纳调度优化模型[J]. 可再生能源, 2018, 36(4): 563-567.

CAO Ying, LIU Jianfeng, GONG Jinxia. Optimization model for wind and solar power accommodation based on load aggregator[J]. Renewable Energy Resources, 2018, 36(4): 563-567.

[15] HE H, SANANDAJI B M, POOLLA K, et al. Aggregate flexibility of thermostatically controlled loads[J]. IEEE Transactions on Power Systems, 2015, 30(1): 189-198.

[16] LIU B, WANG L, JIN Y H, et al. Improved particle swarm optimization combined with chaos[J]. Chaos Solitons & Fractals, 2005, 25(5): 1261-1271.

[17] 郭玉天. 含分布式电源的配电网重构研究[D]. 保定: 华北电力大学, 2013.

GUO Tianyu. Research on the reconfiguration in distribution network with distributed generations[D]. Baoding: North China Electric Power University, 2013.

[18] PJM energy market data [EB/OL]. [2018-11-12]. https://www. pjm.com /markets-and-operations /energy.aspx.

[19] BENINI M , CANEVESE S , CIRIO D , et al. Battery energy storage systems for the provision of primary and secondary frequency regulation in Italy[C]//IEEE International Conference on Environment & Electrical Engineering, IEEE, 2016: 1-6.

[20] WHITE C D, ZHANG K M. Using vehicle-to-grid technology for frequency regulation and peak-load reduction[J]. Journal of Power Sources, 2011, 196(8): 3972-3980.

Distributed energy storage aggregation for power grid peak shaving in a power market

1,1,1,2,1

(1State Key Laboratory of Alternate Electrical Power System with Renewable Energy Source,North China Electric Power University, Baoding 071003, Hebei, China;2State Grid Hebei Electric Power Company, Shijiazhuang 050000, Hebei, China)

With the new round of power market in-depth reform, we propose an concept of large-scale aggregation management and establish an optimization model for distributed energy storage aggregation providers to participate in power grid peaking scheduling in the form of bidding. In the day-to-day scheduling, the aggregation providers participate in the bidding by predicting the characteristics of distributed energy storage system behavior according to the next-day peaking demand announced by the power trading center; the power trading center optimizes the dispatch plan with a goal of minimizing the peaking scheduling cost. In the real-time scheduling, the aggregation providers optimize the charge and discharge outputs with a goal of maximizing its own interests considering the energy storage system characteristics of the previous prediction error and losses so that the aggregation providers could profit from the market electricity price while satisfying the previous successful bid. Simulation examples show that distributed energy storage aggregation providers participating in the grid dispatching could reduce the cost of peak shaving scheduling and achieve the effect of peak shaving in the form of bidding. The loss cost of energy storage system is the key factor affecting the outputs of charge and discharge.

electricity market; distributed energy storage; aggregation provider; peak shaving; scheduling model

10.12028/j.issn.2095-4239.2018.0227

TM 73

A

2095-4239（2019）02-276-08

2018-11-20；

2018-12-20。

国家电网公司科技项目项目（KJGW2018-014）；中央高校基本科研业务费专项资金项目（2018QN075）。

林立乾（1995—），男，硕士研究生，研究方向为分布式储能及系统调度运行，E-mail：1021912400@qq.com。