基于供需匹配度的风光储套餐定价策略

谢 琳，冯天波，李 梁，王炜韬，赵 健

（1.上海电力大学电气工程学院，上海 200090；2.国网上海市电力公司信息通信公司，上海 200122）

随着售电侧的逐步放开[1]，市场竞争格局逐渐形成，据统计，目前国内存在3 000多家售电商[2]。售电商作为区域购、售电实体，具有激发用户侧需求响应的能力，可提升整个系统的运营效率[3-4]。同时，用户侧大规模先进量测装置的应用也提升了负荷调节的灵活性，在此背景下，售电电价机制将更为灵活，未来售电商以供电套餐方式售电会成为一种趋势[5-6]。

套餐定价可以吸引用户积极参与，提高源、荷两侧互动性，实现售电商和用户的双赢[7-8]。国内外学者对套餐定价问题展开一系列研究，文献[9]根据用户负荷的特点，构建实时电价模型，提供不同套餐零售价格；文献[10]提出一种考虑用户自主选择性的供电套餐定价策略，该策略考虑了用户选择行为，为同一类型用户制定种类数量合适、费率合理的套餐；文献[11]提出一种考虑智能电表与能源提供商之间信息交互的实时电价算法；文献[12]针对考虑用户需求响应的售电商运行决策问题，建立以售电商购售电利润最大化为目标的电价决策模型。上述文献均对套餐价格机制做出了一定探索，但较少考虑售电商提供的供电套餐与用户实际用能需求之间的匹配度。售电商作为能源供应商和用户之间的桥梁，应保证提供的套餐尽可能满足用能需求，以降低购电成本及跨区域间电力交换所造成的能量损失。因此提出供需匹配度概念，并从价格支出和原有用电习惯两个层面，将供需匹配度分为电费支出满意度和用电方式满意度两个指标，通过对这两个指标的量化分析，得到各套餐与用户的供需匹配度，进而求得用户选择某一套餐的概率。

本文提出一种基于供需匹配度的风、光、储套餐定价策略。首先，以售电商为主体，面向上级能源供应商构建套餐度电成本UCOE（unit cost of electricity）[13]模型，实现购电成本测算；在售电方面考虑用户侧需求响应，构建负荷转移率与电价差的需求响应不确定性模型，得到以电价为自变量的用户电量拟合函数，该模型充分考虑用户参与电价响应时具有死区、饱和特性和需求响应的不确定性，提升了需求响应模型的精度。然后，提出供需匹配度概念，引入电费支出满意度及用电方式满意度指标分析不同套餐与每一类用户的供需匹配度，确定用户选择各套餐的概率，制定向上级能源供应商的购电策略。最后，以售电商净利润最大为目标函数，优化求解出各套餐分时电价。仿真结果表明了定价策略的有效及合理性。

1 风光储套餐定价流程

售电商拥有配电网的运营权，以购、售电业务为主，其经营收益来自购、售电差额利润[14]。在本文中，售电商购电主要来源于能源供应商，购电类目按照风、光与储能容量比例分为K个不同套餐。每类套餐单位购电成本为该套餐UCOE与能源供应商收益率的乘积，为了保证售电商能够盈利，需降低向能源供应商的单位购电成本。售电商能够以帮助能源供应商降低考核成本、缓解高峰时段供电压力为条件，与对方协商购电，降低购电成本[15]。在售电时，用户按照自身情况选用一个合适的套餐，按照套餐合同调整用电，售电商按套餐需求量向能源供应商购电；在结算时，若售电商供电曲线与用户用电曲线发生偏离，缺额部分由售电商在实时市场上购电补足，用户按照所选套餐合同规定缴纳电费。基于供需匹配度的风、光、储套餐定价流程如图1所示，其具体步骤如下。

图1 风光储套餐定价流程Fig.1 Pricing process of wind-PV-storage package

步骤1分析全寿命周期内分布式风、光、储的成本及收益，考虑储能充、放电功率和荷电状态SOC（state-of-charge）等约束，建立套餐UCOE模型，得到各套餐UCOE。

步骤2考虑到用户对电价响应时存在死区、饱和特性，以及需求响应的不确定性，采用三角隶属度函数表征负荷转移误差，构建负荷转移率与电价差的需求响应不确定性模型，得到以电价为自变量的用户电量拟合函数。

步骤3在步骤2的基础上，将每一类用户与各套餐的匹配度分为电费支出满意度指标和用电方式满意度指标，确定用户选择各套餐的概率，从而制定售电商向能源供应商的购电决策；最后以售电商购售电净利润最大为目标，优化求解各套餐分时电价。

2 套餐UCOE模型

分布式储能的引入，改变了分布式风、光的运行模式，传统的UCOE模型已不再适用，本节将构建适用于分布式风、光、储的UCOE电价模型。

UCOE是指在全生命周期内每千瓦时的成本，即总成本费用的折现值与发电量的比值，可表示为

式中：Qr为第r年发电量，r=1，2，…，N，N为分布式风、光、储的运行寿命；f为折现率；Cr为第r年成本。第r年成本Cr可表示为

式中：Cpv，r为光伏第r年成本；Cpw，r为风电第r年成本；Cbess，r为储能第r年成本；Mr为风、光、储第r年考核成本。

2.1 光伏和风电成本模型

分布式光伏的成本包括投资资金、年财务成本、年运营成本和回收价值。

光伏投资资金Cpv_inv可表示为

式中：ipv为光伏贷款比例；cpv为光伏单位容量投资成本；Ppv为光伏装机容量。

光伏年财务成本Cpv_fi，r可表示为

式中：i1为光伏年贷款利率；rpv0为光伏建设年限；rpva为光伏建设的还款年限。

光伏的年运营成本Cpv_op，r可表示为

式中：ipv_op为光伏年运营费用占总投资成本的比例；Npv为光伏寿命。

光伏的回收价值Cpv_re可表示为

式中，γpv为回收价值系数。

风电成本与光伏成本类似，也包括投资资金、年财务成本、年运营成本和回收价值，这里不再赘述。

2.2 储能成本模型

储能具有灵活的调节特性和抑制风电、光伏的反负荷特性，在提高可再生能源消纳能力的同时还能促进该区域电网的安全稳定运行。在配置分布式储能后，上网发电量增加，系统总成本也随之增加，需要考虑分布式储能的初始投资及后期运行中对储能电池的维护成本。储能成本包括投资资金、年财务成本、年运营成本和回收价值。

储能投资资金Cbess_inv可表示为

式中：ibess为储能贷款利率；c1为储能单位功率投资成本；c2为储能单位容量投资成本；Pbess、Ebess分别为储能功率和容量，单位分别为kW和kW·h。

储能年财务成本Cbess_fi，r可表示为

式中：i2为储能年贷款利率；rbess0为储能建设年限；rbessa为储能建设的还款年限。

储能年运行成本Cbess_op，r可表示为

式中：cbess_op为储能单位功率运行成本；Nbess为储能寿命。

储能回收价值Cbess_re可表示为

式中，γbess为储能回收价值系数。

2.3 收益及约束条件

目前，我国风、光发电主要以风、光电量全额上网的统购统销模式为主[16]，本文假设售电商的收益均来自向用户售电收益。分布式储能的引入使弃风、弃光的比例减少，上网电量有所增加，可得风、光、储日发电量函数为

式中：Qd为风、光、储日发电量；Δt为采样间隔；Pgrid（t）为t时刻风、光、储并网功率。

约束条件如下。

（1）功率平衡约束。

为保证风、光、储跟踪调度计划，根据功率平衡条件则有

式中：Ppv（t）为t时刻光伏出力；Ppw（t）为t时刻风电出力；Pbess（t）为t时刻储能电站功率。

（2）储能电池功率约束。

（3）储能电池的SOC约束。

储能电池的SOC可以反映电池的充、放电情况，过度充电和放电会缩短电池寿命。为了保证储能电池的使用寿命，将储能电池的SOC限制为

式中：SOC（t）为t时刻储能电池的SOC；SOCmax、SOCmin分别为电池SOC的上、下限值；SOC（0）为电池SOC初始值。

3 需求响应不确定性模型

基于消费者心理学原理[17]，可得引起用户负荷改变的两种因素为：①用户只对一定范围内变化的电价做出响应，改变用电习惯；②由于用户受到自愿参与、刚性用电需求等非电价因素的影响，使需求响应存在不确定性，即真实的响应度应介于乐观情形和悲观情形下的负荷转移率之间。上述因素可以由电价差与负荷转移率之间的变化来描述，如图2所示。图2中，横坐标表示电价差Δp；纵坐标表示负荷转移率λ；Δpa为死区与响应区交界点；Δpb为响应区与饱和区交界点；λmax为用户能达到的最大转移率；Δpmax为用户做出响应电价差的最大值；λmax（Δp）、λmin（Δp）分别为乐观情形和悲观情形下用户的负荷转移率；d为负荷转移率误差。

图2 用户需求响应不确定性表示Fig.2 Uncertainty representation of user demand response

随着电价差的增大，将用户转移率与电价的变化情况划分为死区（Δp≤Δpa）、响应区（Δpa＜Δp≤Δpb）及饱和区（Δp＞Δpb），在不计及负荷转移不确定性时，负荷转移率与电价差之间的关系可表示为

式中：λ为不考虑不确定性情况下的负荷转移率；Δp为电价差；ε为响应率曲线斜率，即负荷峰时段自弹性系数[17]，通过历史用电负荷与电价关系求得。

由图2可知，当电价差位于死区时，用户用电量不仅不转移，还可能增加用电量，负荷转移率主要取决于随机性；当电价差位于响应区时，负荷转移率随电价差的增大而增大，这是因为此时用户用电量主要受经济因素影响，响应积极性得到调动，此外，需求响应的不确定性随着电价差的增大呈现先增大后减小的趋势[18]；当电价差位于饱和区时，用户用电量呈现饱和状态，响应不随电价差增大而增大，且响应的不确定性逐渐减小，当Δp＞Δpmax时响应不确定性可忽略不计。

为了表征上述需求响应不确定性随电价差变化的规律，采用三角形模糊隶属度函数[19]预测需求响应的不确定性，即

式中，k1、k2为预测误差随电价差变化曲线参数。

综上，对于某用户，可得两时段之间考虑需求响应不确定性的负荷转移模型为

结合后续套餐电价制定的需要，将一天分为峰、平、谷3个时段，可以得到某用户峰谷负荷转移率、峰平负荷转移率和平谷负荷转移率，因此峰谷平分时电价需求响应不确定性模型可表示为

售电商利用价格杠杆来影响用户用电行为，用户在套餐电价的影响下调整用电量。分时电价激励下用户i使用套餐j后负荷预测值可表示为

4 基于供需匹配度的套餐定价模型

4.1 基于供需匹配度的套餐选择概率模型

用户由于缺乏相关专业知识和能力，难以和售电商进行协商议价[10]，更多的是在不同套餐中选用一个合适的套餐，并按照套餐合同调整用电。在选择过程中，用户不是选择价格最低的套餐，而是从多维度考虑售电商所提供的套餐与自身的匹配度，匹配度越高，用户选择某一套餐概率越大，研究用户对套餐的选择行为至关重要。因此，提出供需匹配度的概念，即售电商提供的套餐与自身用电情况的匹配程度，并从价格支出和原有用电习惯偏好两个角度来考虑，将供需匹配度分为电费支出满意度和用电方式满意度两个指标。利用熵权法[20]对电费支出满意度和用电方式满意度两个指标进行定量分析，然后根据效用理论[21]，得到每一类用户与各套餐的供需匹配度。

1）电费支出满意度

电费支出满意度指标与用户选择套餐后应缴纳电费费用有关，缴纳电费越少，套餐对用户吸引力越大。根据用户i的负荷值，利用式（19）计算出使用套餐j的负荷，然后计算单位时间内该用户使用套餐j的总电费，以量化该用户的电费支出满意度。用户从电费支出方面选择套餐的倾向可表示为

2）用电方式满意度

一般情况下，如果电价较为稳定，用户会按照原有方式用电。用电方式满意度是决定用户是否改变原有用电习惯，参与需求响应的重要指标。用户选择套餐后，根据需求响应不确定性模型进行负荷转移，由于改变了用户原用电习惯，使实现需求响应后的负荷曲线与原负荷曲线之间存在一定偏移，该偏移量可以衡量用电方式满意度指标，即两曲线偏移越小说明用电方式满意度越好。用电方式满意度可表示为

3）供需匹配度计算方法

电费支出满意度指标和用电方式满意度指标均属于成本型指标，将其标准化为

设w1、w2分别为电费支出满意度指标和用电方式满意度指标权重，则供需平衡度为标准化后电费支出满意度和用电方式满意度与其对应权重乘积之和。用户i选择套餐j的供需匹配度可表示为

在与售电商签订套餐合同后，所有用户都会根据合同规定的用电情况用电，则用户i选择套餐j的概率Pr（i，j）可表示为

售电商预测用户在其选定的套餐下响应的负荷曲线L（t）可表示为

式中，n为用户类别。

4.2 以净利润最大为目标的套餐定价模型

套餐价格的制定需要吸引用户积极参与需求响应，售电价格越低，对用户的吸引力越大。因此，为了保证售电商能够盈利，需要降低向能源供应商的单位购电成本。在套餐定价合理的情况下，用户选择套餐后，能够达到转移峰谷用电量，进而平滑用电曲线。售电商以帮助能源供应商降低考核成本，缓解高峰时段供电压力为条件，与对方协商购电，降低购电成本。负荷曲线波动程度为负荷的平均变化率，可用来衡量系统效率和稳定性。售电商所服务用户总负荷的平均变化率γ可表示为

套餐度电购电成本包括套餐原UCOE、协商成本与补偿成本。售电商与能源供应商双边协商购电成本可表示为

售电商峰、谷、平分时电价的优化目标为售电商购、售电净利润最大。其中，收入为售电商面向用户的售电收入；成本主要为面向能源供应商的购电成本，其他成本包括实时市场中的购电成本。其优化目标函数可表示为

式中：I为售电商购、售电净利润；R（t）为售电商t时刻售电收入；C1（t）、C2（t）分别为t时刻售电商向能源供应商购电成本和在实时市场中购电成本；Lj（t）为t时刻选择套餐j的负荷值；Lgrid（t）为t时刻售电商与配网在实时市场中交换的不平衡功率；dj（t）为t时刻售电商与配网实时交易电价。

约束条件包括售电价格约束、峰谷差约束、负荷转移率约束、售电商购电成本约束、电价政策约束和联络线交互功率限制约束。其中，售电价格约束是对套餐电价进行限制，保证用户i选择套餐j后的电费小于原来每天的电费；峰谷差约束用于保证用户选择套餐后峰谷差现象不会加剧；负荷转移率约束是为了平滑用电曲线，达到削峰填谷的目的；售电商购电成本约束用于保证售电商利益不受损害；电价政策约束用于保证定价的科学性；联络线交互功率限制约束用于保证跨区售电的安全性。

1）售电价格约束

式中：p0（t）为t时刻原电价；pj，p（t）、pj，v（t）和pj，f（t）分别为套餐j在峰、谷、平时刻的分时电价；wp、wv分别为峰、谷时段电价系数。

2）峰谷差约束

式中：vmax、vmin分别为当前负荷曲线的峰值和谷值；vmax，0、vmin，0分别为未实行套餐定价之前负荷曲线的峰值和谷值。

3）负荷转移率约束

为保障区域运行的安全稳定性，实行套餐定价后，要将该区域所有用户的负荷转移率控制在一定范围内，即

式中，γ0为在实行套餐定价前的原负荷平均变化率。

4）售电商购电成本约束

式中，cmax、cmin分别为购电上、下限。

5）电价政策约束

售电商电价会受到政府监管部门约束，一方面平均价格不能超过一定限制，以免消费者福利受损；另一方面峰谷电价差不能过大，以免引起用户过度响应，造成峰谷倒置等情况。电价政策约束可表示为

式中：pavg为峰、谷、平电价的平均值；preg为政府监管部门规定的平均价格上限；θ为峰谷电价比的常数，参考发改委通知将θ设为5。

6）联络线交互功率限制约束

考虑到跨区售电可能引起的联络线功率越限问题，需要将联络线功率控制在一定范围内，即

5 算例分析

5.1 套餐度电成本分析

设定3个不同套餐容量配置如下：套餐1的储能容量为风、光容量比=1∶10，即储能占比1/11；套餐2的储能容量为风、光容量比=2∶10，即储能占比1/6；套餐3的储能容量为风、光容量比=5∶10，即储能占比1/3。参考文献[22]设定参数，选取3月某典型日做实例分析，以最小化套餐UCOE为目标函数，式（12）～（14）为约束条件，得到不同套餐的风、光、储出力曲线如图3～图5所示；各套餐UCOE如表1所示。

图3 套餐1风光储出力曲线Fig.3 Wind-PV-storage output curve for Package 1

图4 套餐2风光储出力曲线Fig.4 Wind-PV-storage output curve for Package 2

图5 套餐3风光储出力曲线Fig.5 Wind-PV-storage output curve for Package 3

表1 套餐度电成本Tab.1 Unit cost of electricity of packages

随着储能占比的提高，弃风、弃光率由原来的8.1%降为0，可实现风、光的完全消纳，并在这种规划运行情况下，实时市场购电率由原来22.8%降至14.7%。对比套餐1和套餐2，套餐3通过促进风电、光伏消纳，减少了其从主网购电成本，因此虽然套餐3显著提升了储能的占比，但由于减少了从主网购电，套餐UCOE并未显著升高。

5.2 套餐价格水平

以某城市某区域内230户大工业用户为研究对象，将同一类型用户的日负荷曲线叠加取平均进行工程实例分析。设定用户负荷的采样间隔为1h，日采样点数为24；原峰、平、谷分时电价分别为1.04¥/（kW·h）、0.85¥/（kW·h）和0.35¥/（kW·h）；售电商峰、平、谷分时购电价格分别为0.82¥/（kW·h）、0.53¥/（kW·h）和0.25¥/（kW·h）。其余参数设定如下：售电商市场占有率为0.48；峰时段电价系数为1.5；谷时段电价系数为0.5；政府监管部门规定的平均价格上限为0.85；联络线交互功率的上限为500 kW。

应用聚类算法将用户分为三类，即双峰型、峰平型和平滑型。具体为双峰型用户156户、峰平型用户58户和平滑型用户16户。选取与各聚类中心欧氏距离最近的50%个用户的负荷曲线叠加取平均作为该类负荷的典型负荷曲线，如图6所示。

图6 各类负荷的典型负荷曲线Fig.6 Typical load curve of various loads

需求响应模型参数是通过拟合套餐实施前后同一时间段的负荷曲线得到负荷转移率参数进行初步分析，然后用长期积累数据修正。参考文献[23]设置参数如表2所示。

表2 用户需求响应模型参数Tab.2 Parameters of user demand response model

对式（28）中t时刻套餐j的电价 pj（t）进行迭代优化，设定迭代步长为0.01，进行遍历迭代后的各风、光、储套餐电价如图7所示。

由图7可知，套餐1峰时段电价为0.99¥/（kW·h），出现在09：00—12：00、18：00—22：00时段；套餐2峰时段电价为1.12¥/（kW·h），出现在18：00—23：00时段；套餐3峰时段电价为1.27¥/（kW·h），出现在18：0—22：00时段。总之，电价峰值常出现在18：00—22：00之间，此时用户用电需求较高，风电、光伏的出力较小，并且从主网的购电价格也较高。为了满足用户用电需求，只能通过从主网购电或者储能放电，提升了售电商的供电成本。因此，为保证售电商的盈利及平滑用户用电曲线需要制定较高的电价以充分利用用户需求响应能力，激励用户将高峰时段用电转移至低谷时段。

图7 套餐1～3价格水平Fig.7 Price level of Packages 1—3

叠加所有用户的负荷曲线，可得到实行套餐后该地区所有用户的日负荷曲线，并将其与原日负荷曲线进行比较，如图8所示。在套餐电价的激励下，用户能够挖掘自身谷时段用电潜力，实现峰、谷时段的电量转移，使用户原有双峰型负荷曲线呈现削峰填谷变化。由图8可知，负荷峰、谷差降低2.3%；用户峰时段用电功率由36.96 MW降低至36.12 MW；谷时段用电功率由9.71 MW提高至10.56 MW；总用电功率提高8.7%。这说明套餐电价很好地传递了价格信号，达到缓解高峰时段供电压力的效果。

图8 电力套餐实行前后用户的总负荷曲线Fig.8 Total load curve of users before and after the implementation of power package

对于售电商，未实行套餐时月度购、售电收益为39.97×104¥，实行套餐后其月度购、售电收益达41.61×104¥，提高了4.1%。对于大工业用户，未使用套餐时，双峰型用户月度购电成本为5.61×104¥，峰平型用户购电成本为5.05×104¥，平滑型用户购电成本为5.42×104¥；使用套餐后，双峰型用户购电成本为5.04×104¥，峰平型用户购电成本为4.86×104¥，平滑型用户购电成本为5.33×104¥。故在本文的定价策略下实现了售电商和用户的双赢。

6 结论

本文提出一种基于供需匹配度的风、光、储套餐定价策略，在可再生能源成本大幅降低的背景下，为售电商参与未来零售市场竞争提供了新思路。以售电商购售电净利润最大为目标，考虑售电商购电成本和用户需求响应，基于供需匹配度对用户的选择行为进行建模，以保证售电商所提供的供电套餐尽量满足用户用能需求，实现售电商、用户的双赢。所提出的定价策略具有如下特点：

（1）构建的需求响应不确定性模型，充分考虑了用户参与电价响应时具有死区和饱和特性，提升了需求响应模型的精度，为后续套餐电价的制定奠定了基础；

（2）建立的基于供需匹配度的套餐选择模型能够有效地反映用户对套餐的选择行为，使用户更好地参与需求响应，从而节省电网的运营成本及延缓电网的改造升级。为使定价策略更具普适性，接下来的研究还需面向商业用户及居民用户，根据不同市场设计不同的供电套餐，并且在含有不同比例的工业、商业和居民用户中展开定价策略的研究。