CN112529257B - 一种计及agc信号影响的储能电站联合优化方法及系统 - Google Patents

Abstract

本发明涉及一种计及AGC信号影响的储能电站联合优化方法及系统，其方法包括，构建储能电站计及AGC信号影响的储能损耗成本模型；根据电价历史数据和AGC信号历史数据，构建基于Wasserstein距离的模糊不确定集；基于分布鲁棒优化方法，根据模糊不确定集构建储能电站的市场收益函数，并采用强对偶理论将市场收益函数转化为线性模型；根据储能损耗成本模型和线性模型，构建储能电站参与日前能量与调频辅助服务市场的竞标优化模型，并利用求解器对竞标优化模型进行求解，得到储能电站的最优竞标策略。本发明计及了AGC信号对储能损耗成本的影响，提高了优化策略的准确性，同时采用分布鲁棒优化处理不确定性，提高了储能电站的经济性，并兼顾了策略的鲁棒性。

Description

一种计及AGC信号影响的储能电站联合优化方法及系统

技术领域

本发明涉及电力市场领域，具体涉及一种计及AGC信号影响的储能电站联合优化方法及系统。

背景技术

随着大规模可再生能源的并网，可再生能源的不确定性和低惯性给电力系统的稳定运行带来了新的挑战。电力系统迫切需要更多的优质调频资源来应对不确定性因素。储能电站作为当前最为优质且可行的调频资源，目前已成为研究的热点。若能够合理利用储能电站参与调频辅助服务市场，一方面可以增加储能电站的收益，另一方面可以增加电网调频资源，维持电力系统安全稳定运行，从而实现双赢。

目前，国内外学者针对储能电站参与日前能量与调频辅助服务市场这一问题已经开展了大量研究。然而，现有研究中存在两方面的不足。一是忽略了AGC(AutomaticGeneration Control，自控发电控制)信号对储能损耗成本的影响。当储能电站在调频辅助服务市场上竞标成功后，储能电站需要实时响应系统发生的AGC信号。由于AGC信号随机性较大，可能导致储能在实际运行中发生频繁充放电现象，这将导致额外的储能损耗成本。现有研究中往往没有计及这部分额外的调频损耗成本，存在模型不够精准的问题，导致实际运行难以实现最优。二是对AGC信号小时上下累积偏差不确定性的处理，AGC信号通常以2s-4s为最小时间间隔，其在每小时内累积量不为0，会使储能因调频而导致能量偏移，所以要考虑其不确定性，一般在日前调度中，只考虑到小时级别，因而考虑AGC信号的小时累积偏差。现有研究主要采用三种方式来处理AGC信号小时上下累积偏差不确定性：忽略不确定性影响、鲁棒优化、随机规划法。其中，忽略不确定性的方案将导致储能电站在日内实时运行时存在因容量不足而无法响应AGC信号的风险，一方面降低储能电站的调频绩效与经济性，另一方面可能导致电力系统因短时调频资源不足而发生故障。鲁棒优化和随机规划法又分别存在方案过于保守和过于激进的问题。

发明内容

本发明所要解决的技术问题是提供一种计及AGC信号影响的储能电站联合优化方法及系统，可以克服传统模型的不足，为储能电站市场竞标提供最优方案，同时兼顾经济性与鲁棒性，促进储能电站的良性发展。

本发明解决上述技术问题的技术方案如下：一种计及AGC信号影响的储能电站联合优化方法，包括以下步骤，

构建储能电站计及AGC信号影响的储能损耗成本模型；

根据电价历史数据和AGC信号历史数据，构建基于Wasserstein距离的模糊不确定集；

基于分布鲁棒优化方法，根据所述模糊不确定集构建储能电站的市场收益函数，并采用强对偶理论将所述市场收益函数转化为线性模型；

根据所述储能损耗成本模型和所述线性模型，构建储能电站参与日前能量与调频辅助服务市场的竞标优化模型，并利用求解器对所述竞标优化模型进行求解，得到储能电站的最优竞标策略。

基于上述一种计及AGC信号影响的储能电站联合优化方法，本发明还提供一种计及AGC信号影响的储能电站联合优化系统。

一种计及AGC信号影响的储能电站联合优化系统，包括以下模块，

储能损耗成本模型构建模块，其用于构建储能电站计及AGC信号影响的储能损耗成本模型；

模糊不确定集构建模块，其用于根据电价历史数据和AGC信号历史数据，构建基于Wasserstein距离的模糊不确定集；

线性模型构建模块，其用于基于分布鲁棒优化方法，根据所述模糊不确定集构建储能电站的市场收益函数，并采用强对偶理论将所述市场收益函数转化为线性模型；

优化求解模块，其用于根据所述储能损耗成本模型和所述线性模型，构建储能电站参与日前能量与调频辅助服务市场的竞标优化模型，并利用求解器对所述竞标优化模型进行求解，得到储能电站的最优竞标策略。

基于上述一种计及AGC信号影响的储能电站联合优化方法，本发明还提供一种计及AGC信号影响的储能电站联合优化装置。

一种计及AGC信号影响的储能电站联合优化装置，包括处理器、存储器和存储在所述存储器中且可运行在所述处理器上的计算机程序，所述计算机程序运行时实现上述所述的方法。

基于上述一种计及AGC信号影响的储能电站联合优化方法，本发明还提供一种计算机存储介质。

一种计算机存储介质，所述计算机存储介质内存储有至少一条指令，在所述指令被执行时实现上述所述的方法。

本发明的有益效果是：本发明在储能电站参与日前能量与调频辅服务市场场景下，结合现有储能损耗模型，拓展了计及AGC信号的储能损耗模型，基于AGC信号历史数据模拟不同报量功率下的储能损耗成本，并以期望值作为该功率下的储能损耗成本，再通过线性拟合方法确定储能损耗成本与功率之间的关系，由此建立计及AGC信号影响的储能损耗成本模型，合理量化了AGC信号对电池损耗成本的影响，提高了模型的精度；考虑到市场电价和AGC信号上下累积偏差不确定性的影响，将历史数据作为样本数据，采用Wasserstein距离构建了模糊不确定集；在此基础上，计及储能电站容量约束和功率约束，建立了储能电站参与日前能量与调频辅助服务市场的分布鲁棒优化模型，通过强对偶理论将模型转化为线性模型，借助商业求解器进行高效求解，得到同时兼顾经济性与鲁棒性的储能电站最优竞标方案。因此，本发明相较于传统的储能电站市场优化策略，计及了AGC信号对储能损耗成本的影响，提高了优化策略的准确性，同时采用分布鲁棒优化处理不确定性，提高了储能电站的经济性，并兼顾了策略的鲁棒性，为储能电站市场竞标提供了最优策略，适应于未来的市场环境，促进了储能电站的良性发展。

附图说明

图1为本发明一种计及AGC信号影响的储能电站联合优化方法的流程图；

图2为不同AGC信号场景下不同功率对应储能损耗成本关系示意图；

图3为日前市场预测电价及里程数据曲线图；

图4为对图3进行仿真的最优竞标策略示意图；

图5为不同AGC信号场景下和未计及AGC信号下不同模型损耗成本示意图；

图6为不同AGC信号场景下和未计及AGC信号下不同模型的收益曲线图；

图7为不同优化方法下储能电站的收益曲线图；

图8为本发明一种计及AGC信号影响的储能电站联合优化系统的结构框图。

具体实施方式

以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。

如图1所示，一种计及AGC信号影响的储能电站联合优化方法，包括以下步骤，

S1，构建储能电站计及AGC信号影响的储能损耗成本模型；

S2，根据电价历史数据和AGC信号历史数据，构建基于Wasserstein距离的模糊不确定集；

S3，基于分布鲁棒优化方法，根据所述模糊不确定集构建储能电站的市场收益函数，并采用强对偶理论将所述市场收益函数转化为线性模型；

S4，根据所述储能损耗成本模型和所述线性模型，构建储能电站参与日前能量与调频辅助服务市场的竞标优化模型，并利用求解器对所述竞标优化模型进行求解，得到储能电站的最优竞标策略。

下面对S1-S4进行具体说明：

所述S1具体包括如下步骤，

S11，采集AGC信号历史数据，形成AGC信号历史数据集；其中，在所述AGC信号历史数据集中一个小时内的AGC信号历史数据对应为一个AGC信号场景；所述AGC信号历史数据集表示为Φ＝{f_t,τ|t∈[1,K·T],τ∈[1,L]}，f_t,τ表示第t小时第τ时段的AGC信号，f_t,τ通常在[-1,1]内，K为天数，T为每天小时数，即T＝24，L为每小时内的时段总数，AGC信号调度尺度极小，通常为2s(如美国PJM市场)，因此可令L＝1800；

S12，在功率区间[0,P_max]内，从储能电站的功率数据组集合中等间距的选取M组功率数据组，形成报量功率数据组集合；其中，P_max为额定充放电功率；所述功率数据组集合表示为{P_t ^c,P_t ^d,P_t ^r|t∈[1,K·T]}，P_t ^c、P_t ^d和P_t ^r分别表示第t小时的充电功率、放电功率和调频功率；所述报量功率数据组集合表示为 和/>分别表示第m组报量功率数据组中的充电功率、放电功率和调频功率；

S13，基于储能电站的储能损耗成本公式，评估在所述AGC信号历史数据集的多个不同AGC信号场景下，所述报量功率数据组集合中每组报量功率数据组所对应的每小时储能损耗平均值；其中，所述报量功率数据组集合中第m组报量功率数据组所对应的每小时储能损耗平均值表示为

S14，将所有报量功率数据组及其对应的每小时储能损耗平均值进行组合，形成数据集合，所述数据集合表示为

S15，利用线性拟合的方法对所述数据集合进行线性拟合，得出储能电站计及AGC信号影响的储能损耗成本与充电功率、放电功率和调频功率之间的线性拟合系数；其中，所述线性拟合系数包括a₁、a₂、a₃和a₄；

S16，根据储能电站计及AGC信号影响的储能损耗成本与充电功率、放电功率和调频功率之间的线性拟合系数，构建储能电站的储能损耗期望模型，并将所述储能损耗期望模型作为储能电站计及AGC信号影响的储能损耗成本模型；所述储能损耗期望模型具体为

在所述S13中，储能电站的储能损耗成本公式包括储能电站未计及AGC信号影响的储能损耗成本公式和储能电站计及AGC信号影响的储能损耗成本公式，储能电站未计及AGC信号影响的储能损耗成本公式为，

其中，D_t为储能电站未计及AGC信号影响时在第t小时的储能损耗成本，d为储能电站未计及AGC信号影响的储能损耗成本公式中的线性拟合系数，W_B为储能电站投资成本，η为充放电效率；

当储能电站参与调频辅助服务市场时，储能电站根据竞标成功的调频容量来响应AGC信号，则储能电站在第t小时第τ时段的充电功率和放电功率分别为和/>那么储能电站计及AGC信号影响的储能损耗成本公式表示为，

所述S13具体包括如下步骤，

S131，在所述报量功率数据组集合中任选取一组报量功率数据组，令任选取的一组报量功率数据组为第m组报量功率数据组；将第m组报量功率数据组作为储能电站在任一小时的充电功率、放电功率和调频功率，即

S132，利用储能电站计及AGC信号影响的储能损耗成本公式，结合计算出存储电站在第m组报量功率数据组下的每小时储能损耗平均值；其中，存储电站在第m组报量功率数据组下的每小时储能损耗平均值表示为，

S133，遍历所述报量功率数据组集合中所有报量功率数据组，循环执行所述S131和所述S132，评估出在所述AGC信号历史数据集的多个不同AGC信号场景下，所述报量功率数据组集合中每组报量功率数据组所对应的每小时储能损耗平均值。

所述S2具体包括如下步骤，

S21，电力市场运营商处获取电力市场日前小时级能量市场和调频辅助服务市场的电价历史数据、AGC信号历史数据以及历史预测误差数据；

S22，基于季节性差分自回归滑动平均模型，分别根据所述电价历史数据和所述AGC信号历史数据对应预测出调频辅助服务市场次日的出清电价预测数据和次日各小时的AGC信号上下累积偏差预测数据；其中，所述出清电价预测数据包括能量市场电价预测数据、调频容量电价预测数据和调频里程电价预测数据，所述AGC信号上下累积偏差预测数据包括AGC信号向上累积偏差预测数据和AGC信号向下累积偏差预测数据；

在所述S22，借助季节性差分自回归滑动平均模型，采用历史电价数据中的历史电价时间序列，生成对应的最优模型，并采用变形时间序列对次日能量市场电价预测数据调频容量电价预测数据/>和调频里程电价预测数据/>进行有效预测。类似地，采用AGC信号历史数据每小时上下累积偏差时间序列，可以预测出次日各小时AGC信号上下累积偏差/>假定历史预测误差数据服从正态分布，通过蒙特卡洛模拟历史预测误差数据，得到次日预测误差数据/>和/>

S23，将调频辅助服务市场次日的出清电价预测数据和次日各小时的AGC信号上下累积偏差预测数据，结合所述历史预测误差数据，形成经验数据集，并将所述经验数据集的分布作为经验分布；其中，所述经验数据集表示为用/>表示所述经验数据集中的第i组样本数据，且/> 和/>分别为第i组样本数据中第t小时的能量市场电价经验数据、调频容量电价经验数据、调频里程电价经验数据、AGC信号向上累积偏差经验数据和AGC信号向下累积偏差经验数据，N为所述经验分布中的样本数据容量，且N＝K，所述经验分布表示为/>在所述经验分布中，第i组样本数据的概率为p_i＝1/N；另外， 和/>分别为调频辅助服务市场次日第t小时的所述能量市场电价预测数据、所述调频容量电价预测数据和所述调频里程电价预测数据，/>和/>分别为调频辅助服务市场次日第t小时的所述AGC信号向上累积偏差预测数据和所述AGC信号向下累积偏差预测数据；/>和/>均为通过所述历史预测误差数据模拟出的次日预测误差数据，具体的，/>和/>分别为第i组样本数据中第t小时的能量市场电价次日预测误差数据、调频容量电价次日预测误差数据和里程电价次日预测误差数据，和/>分别为第i组样本数据中第t小时的AGC信号向上累积偏差次日预测误差数据和AGC信号向下累积偏差次日预测误差数据；

S24，基于Wasserstein距离，根据所述经验分布建立不确定参数的模糊不确定集；其中，所述不确定参数为次日对应小时的能量市场电价、调频容量电价、调频里程电价、AGC信号向上累积偏差和AGC信号向下累积偏差，所述模糊不确定集表示为，

其中，表示所述模糊不确定集，其具体为一个以ε(N)为半径、以经验分布/>为中心的Wasserstein球，/>为所述不确定参数的真实概率分布，P(Ξ)表示在数域Ξ上的概率分布集合，/>表示真实概率分布与经验分布之间的Wasserstein距离，且：

其中，Π为所述不确定参数ω和所述经验数据集的联合分布；

对于半径ε(N)的选取，主要与样本数据的容量N和置信度β有关，具体可通过如下公式来确定：

其中，β为置信度，可保证整个模糊不确定集以概率β包含所有可能的分布，C为常数，与样本数据有关，通过如下公式采用二分法可得常数C：

其中，δ为局部决策变量，其仅用于求解常数C的值，可通过二分法搜索最优的δ值，以确定C的值，为所述经验数据集中样本数据的均值。

所述S3具体包括以下步骤，

S31，建立储能电站的初始市场收益函数，主要包括来自日前能量和调频辅助服务市场的收益。不失一般性，调频辅助服务市场采用“两部制”电价结算方式，即调频容量补偿和调频里程补偿。因此，初始市场收益函数为，其中，x表示储能电站日前功率决策变量矩阵，且x＝{P_t ^c,P_t ^d,P_t ^r|t∈[1,T]}，ω表示所述不确定参数，且 和/>分别表示次日第t小时的能量市场电价、调频容量电价、调频里程电价、AGC信号向上累积偏差和AGC信号向下累积偏差；另外，所述经验数据集为所述不确定参数的样本；

S32，基于分布鲁棒优化方法，根据所述初始市场收益函数和所述模糊不确定集构建储能电站的市场收益函数，所述市场收益函数表示为，

其中，inf表示下确界，表示真实概率分布/>下的期望值；

所述S32采用分布鲁棒优化建立最坏概率分布下的收益期望函数，即所有概率分布下收益期望最小值。

S33，采用强对偶理论将所述市场收益函数转化为：

其中，λ为决策变量(λ为转化过程中新引入的决策变量，没有实际物理含义)，ω和分别为不确定参数ω的下界和上界；

由于函数在/>为凸函数，其下确界只能位于上界下界ω或者某一样本点/>处，因此上式可以转化为：

所述S4具体包括如下步骤，

S41，根据所述储能损耗成本模型和所述线性模型，计及储能电站运行的容量约束条件与功率约束条件，以收益最大化为目标，构建竞标优化模型，所述竞标优化模型表示为，

储能电站运行的容量约束条件为，

其中，E_i,t为第i个AGC信号场景下第t小时的电池电量状态，E_min和E_max分别为储能最小电量状态和储能最大电量状态；

储能电站运行的功率约束条件为，0≤P_t ^c+P_t ^r≤P_max，0≤P_t ^d+P_t ^r≤P_max。

S42，针对所述竞标优化模型，利用现有求解器即可进行求解得到最优竞标策略，即次日各小时能量功率与调频功率的报量，用于指导储能电站市场竞标行为。

下面是本发明的具体实施例：

本实施例采用美国PJM市场2019年历史数据(包括ACG信号历史数据和电价历史数据)，设定储能电站规格为5MW/10MWh，充放电效率为95％，单位投资成本为3000元/kWh，储能电站未计及AGC信号影响的储能损耗成本公式中的线性拟合系数d为0.0001544，根据以上数据结合所述S1中的公式可得如图2所示的不同AGC信号场景下不同功率对应储能损耗成本关系。通过线性拟合可得储能电站计及AGC信号影响的储能损耗成本模型为：

D_t＝39.97P_t ^c+39.97P_t ^d+18.58P_t ^r+1.17

其中，R²＝0.89，说明拟合效果较好。

进一步地，采用图3所示电力市场预测电价和里程数据，对储能电站进行仿真，最优竞标策略如图4所示。一方面，为了展现本发明所提计及AGC信号影响的储能损耗模型的准确性，采用50个AGC信号历史数据对图4所示优化策略进行模拟验证，结果如图5所示。从图5可以看出，本发明所提模型的理论值与实际模拟均值差距较小，而不计及AGC信号影响的模型的理论值与实际模拟值差距很大，这导致后者的优化策略并不是实际中的最优策略。两种模型的收益如图6所示，可以看出本发明所提模型更加精确，所得结果也更优，可以增加储能电站的收益。另一方面，为了体现本发明所采用的分布鲁棒优化的优势，引入鲁棒优化和随机规划法与之进行对比，结果如图7所示。随机规划法最为激进，预期收益最高；鲁棒优化考虑最恶劣情况，方案最为保守，预期收益最低；而分布鲁棒优化综合了两者的优势，其预期收益位于两者之间，兼顾了策略的经济性与鲁棒性，是一种折中的优化策略。此外，随着样本数据大小的增加即N的增加，分布鲁棒优化策略的预期收益也增加，这是因为随着有效数据量的增加，储能电站可以利用更多的有效信息来判定其不确定性参数的实际概率分布情况，由此可以做出更为经济的决策。当样本数据容量足够大时，分布鲁棒优化结果将与随机规划结果相同。

基于上述一种计及AGC信号影响的储能电站联合优化方法，本发明还提供一种计及AGC信号影响的储能电站联合优化系统。

如图8所示，一种计及AGC信号影响的储能电站联合优化系统，包括以下模块，

储能损耗成本模型构建模块，其用于构建储能电站计及AGC信号影响的储能损耗成本模型；

模糊不确定集构建模块，其用于根据电价历史数据和AGC信号历史数据，构建基于Wasserstein距离的模糊不确定集；

线性模型构建模块，其用于基于分布鲁棒优化方法，根据所述模糊不确定集构建储能电站的市场收益函数，并采用强对偶理论将所述市场收益函数转化为线性模型；

优化求解模块，其用于根据所述储能损耗成本模型和所述线性模型，构建储能电站参与日前能量与调频辅助服务市场的竞标优化模型，并利用求解器对所述竞标优化模型进行求解，得到储能电站的最优竞标策略。

基于上述一种计及AGC信号影响的储能电站联合优化方法，本发明还提供一种计及AGC信号影响的储能电站联合优化装置。

一种计及AGC信号影响的储能电站联合优化装置，包括处理器、存储器和存储在所述存储器中且可运行在所述处理器上的计算机程序，所述计算机程序运行时实现上述所述的方法。

基于上述一种计及AGC信号影响的储能电站联合优化方法，本发明还提供一种计算机存储介质。

一种计算机存储介质，所述计算机存储介质内存储有至少一条指令，在所述指令被执行时实现上述所述的方法。

本发明在储能电站参与日前能量与调频辅服务市场场景下，结合现有储能损耗模型，拓展了计及AGC信号的储能损耗模型，基于AGC信号历史数据模拟不同报量功率下的储能损耗成本，并以期望值作为该功率下的储能损耗成本，再通过线性拟合方法确定储能损耗成本与功率之间的关系，由此建立计及AGC信号影响的储能损耗成本模型，合理量化了AGC信号对电池损耗成本的影响，提高了模型的精度；考虑到市场电价和AGC信号上下累积偏差不确定性的影响，将历史数据作为样本数据，采用Wasserstein距离构建了模糊不确定集；在此基础上，计及储能电站容量约束和功率约束，建立了储能电站参与日前能量与调频辅助服务市场的分布鲁棒优化模型，通过强对偶理论将模型转化为线性模型，借助商业求解器进行高效求解，得到同时兼顾经济性与鲁棒性的储能电站最优竞标方案。因此，本发明相较于传统的储能电站市场优化策略，计及了AGC信号对储能损耗成本的影响，提高了优化策略的准确性，同时采用分布鲁棒优化处理不确定性，提高了储能电站的经济性，并兼顾了策略的鲁棒性，为储能电站市场竞标提供了最优策略，适应于未来的市场环境，促进了储能电站的良性发展。

具体地，考虑到不同电力市场的运行机制不同，日前能量和调频辅助服务市场不一定同时进行报价出清。尽管如此，两市场联合优化策略依然优于单独优化策略。因此，本发明针对储能电站参与日前能量与调频辅助服务市场进行联合优化。而且，调频辅助服务市场的结算方式也存在差别，本发明以应用最为广泛的“两部制”方式结算，即调频容量补偿和调频里程补偿。此外，本发明主要针对小规模储能电站，这类电站通常由于自身容量小而对市场出清电价影响较小，一般被视为价格接受者，市场电价可以通过预测得到，仅优化两个市场中的报量。在储能电站竞标成功后，储能电站实时运行中需要根据自己的竞标调频功率来实时响应系统发出的AGC信号。在日内，由于响应AGC动作而引起的电能交易将按照能量价格进行结算。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种计及AGC信号影响的储能电站联合优化方法，其特征在于：包括以下步骤，

构建储能电站计及AGC信号影响的储能损耗成本模型；

根据电价历史数据和AGC信号历史数据，构建基于Wasserstein距离的模糊不确定集；

基于分布鲁棒优化方法，根据所述模糊不确定集构建储能电站的市场收益函数，并采用强对偶理论将所述市场收益函数转化为线性模型；

根据所述储能损耗成本模型和所述线性模型，构建储能电站参与日前能量与调频辅助服务市场的竞标优化模型，并利用求解器对所述竞标优化模型进行求解，得到储能电站的最优竞标策略；

构建储能电站计及AGC信号影响的储能损耗成本模型，具体包括如下步骤，

采集AGC信号历史数据，形成AGC信号历史数据集；其中，在所述AGC信号历史数据集中一个小时内的AGC信号历史数据对应为一个AGC信号场景；所述AGC信号历史数据集表示为Φ＝{f_t,τ|t∈[1,K·T],τ∈[1,L]}，f_t,τ表示第t小时第τ时段的AGC信号，K为天数，T为每天小时数，即T＝24，L为每小时内的时段总数；

在功率区间[0,P_max]内，从储能电站的功率数据组集合中等间距的选取M组功率数据组，形成报量功率数据组集合；其中，P_max为额定充放电功率；所述功率数据组集合表示为{P_t ^c,P_t ^d,P_t ^r|t∈[1,K·T]}，P_t ^c、P_t ^d和P_t ^r分别表示第t小时的充电功率、放电功率和调频功率；所述报量功率数据组集合表示为 和/>分别表示第m组报量功率数据组中的充电功率、放电功率和调频功率；

基于储能电站的储能损耗成本公式，评估在所述AGC信号历史数据集的多个不同AGC信号场景下，所述报量功率数据组集合中每组报量功率数据组所对应的每小时储能损耗平均值；其中，所述报量功率数据组集合中第m组报量功率数据组所对应的每小时储能损耗平均值表示为

将所有报量功率数据组及其对应的每小时储能损耗平均值进行组合，形成数据集合，所述数据集合表示为

利用线性拟合的方法对所述数据集合进行线性拟合，得出储能电站计及AGC信号影响的储能损耗成本与充电功率、放电功率和调频功率之间的线性拟合系数；其中，所述线性拟合系数包括a₁、a₂、a₃和a₄；

根据储能电站计及AGC信号影响的储能损耗成本与充电功率、放电功率和调频功率之间的线性拟合系数，构建储能电站的储能损耗期望模型，并将所述储能损耗期望模型作为储能电站计及AGC信号影响的储能损耗成本模型；所述储能损耗期望模型具体为

储能电站的储能损耗成本公式包括储能电站未计及AGC信号影响的储能损耗成本公式和储能电站计及AGC信号影响的储能损耗成本公式，储能电站未计及AGC信号影响的储能损耗成本公式为，

其中，D_t为储能电站未计及AGC信号影响时在第t小时的储能损耗成本，d为储能电站未计及AGC信号影响的储能损耗成本公式中的线性拟合系数，W_B为储能电站投资成本，η为充放电效率；

当储能电站参与调频辅助服务市场时，储能电站根据竞标成功的调频容量来响应AGC信号，则储能电站在第t小时第τ时段的充电功率和放电功率分别为和/>那么储能电站计及AGC信号影响的储能损耗成本公式表示为，

基于储能电站的储能损耗成本公式，评估在所述AGC信号历史数据集的多个不同AGC信号场景下，所述报量功率数据组集合中每组报量功率数据组所对应的每小时储能损耗平均值，具体包括如下步骤，

在所述报量功率数据组集合中任选取一组报量功率数据组，令任选取的一组报量功率数据组为第m组报量功率数据组；将第m组报量功率数据组作为储能电站在任一小时的充电功率、放电功率和调频功率，即

利用储能电站计及AGC信号影响的储能损耗成本公式，结合计算出存储电站在第m组报量功率数据组下的每小时储能损耗平均值；其中，存储电站在第m组报量功率数据组下的每小时储能损耗平均值表示为，

遍历所述报量功率数据组集合中所有报量功率数据组，采用第m组报量功率数据组的每小时储能损耗平均值的评估方法，评估出在所述AGC信号历史数据集的多个不同AGC信号场景下，所述报量功率数据组集合中每组报量功率数据组所对应的每小时储能损耗平均值。

2.根据权利要求1所述的计及AGC信号影响的储能电站联合优化方法，其特征在于：根据电价历史数据和AGC信号历史数据，构建基于Wasserstein距离的模糊不确定集，具体包括如下步骤，

获取电力市场日前小时级能量市场和调频辅助服务市场的电价历史数据、AGC信号历史数据以及历史预测误差数据；

基于季节性差分自回归滑动平均模型，分别根据所述电价历史数据和所述AGC信号历史数据对应预测出调频辅助服务市场次日的出清电价预测数据和次日各小时的AGC信号上下累积偏差预测数据；其中，所述出清电价预测数据包括能量市场电价预测数据、调频容量电价预测数据和调频里程电价预测数据，所述AGC信号上下累积偏差预测数据包括AGC信号向上累积偏差预测数据和AGC信号向下累积偏差预测数据；

将调频辅助服务市场次日的出清电价预测数据和次日各小时的AGC信号上下累积偏差预测数据，结合所述历史预测误差数据，形成经验数据集，并将所述经验数据集的分布作为经验分布；其中，所述经验数据集表示为用/>表示所述经验数据集中的第i组样本数据，且/> 和/>分别为第i组样本数据中第t小时的能量市场电价经验数据、调频容量电价经验数据、调频里程电价经验数据、AGC信号向上累积偏差经验数据和AGC信号向下累积偏差经验数据，N为所述经验分布中的样本数据容量，且N＝K，所述经验分布表示为/>在所述经验分布中，第i组样本数据的概率为p_i＝1/N；另外， 和/>分别为调频辅助服务市场次日第t小时的所述能量市场电价预测数据、所述调频容量电价预测数据和所述调频里程电价预测数据，/>和/>分别为调频辅助服务市场次日第t小时的所述AGC信号向上累积偏差预测数据和所述AGC信号向下累积偏差预测数据；/>和/>均为通过所述历史预测误差数据模拟出的次日预测误差数据，具体的，/>和/>分别为第i组样本数据中第t小时的能量市场电价次日预测误差数据、调频容量电价次日预测误差数据和里程电价次日预测误差数据，/>和/>分别为第i组样本数据中第t小时的AGC信号向上累积偏差次日预测误差数据和AGC信号向下累积偏差次日预测误差数据；

基于Wasserstein距离，根据所述经验分布建立不确定参数的模糊不确定集；其中，所述不确定参数为次日对应小时的能量市场电价、调频容量电价、调频里程电价、AGC信号向上累积偏差和AGC信号向下累积偏差，所述模糊不确定集表示为， 表示所述模糊不确定集，其具体为一个以ε(N)为半径、以经验分布/>为中心的Wasserstein球，/>为所述不确定参数的真实概率分布，P(Ξ)表示在数域Ξ上的概率分布集合，/>表示真实概率分布与经验分布之间的Wasserstein距离；另外，/>β为置信度，C为常数，且δ为局部决策变量，/>为所述经验数据集中样本数据的均值。

3.根据权利要求2所述的计及AGC信号影响的储能电站联合优化方法，其特征在于：基于分布鲁棒优化方法，根据所述模糊不确定集构建储能电站的市场收益函数，并采用强对偶理论将所述市场收益函数转化为线性模型，具体包括以下步骤，

构建储能电站的初始市场收益函数，所述初始市场收益函数表示为，其中，x表示储能电站日前功率决策变量矩阵，且x＝{P_t ^c,P_t ^d,P_t ^r|t∈[1,T]}，ω表示所述不确定参数，且 和/>分别表示次日第t小时的能量市场电价、调频容量电价、调频里程电价、AGC信号向上累积偏差和AGC信号向下累积偏差；另外，所述经验数据集为所述不确定参数的样本；

基于分布鲁棒优化方法，根据所述初始市场收益函数和所述模糊不确定集构建储能电站的市场收益函数，所述市场收益函数表示为，

其中，inf表示下确界，表示真实概率分布/>下的期望值；

采用强对偶理论将所述市场收益函数转化为线性模型，所述线性模型表示为，

其中，λ为决策变量，ω和分别为不确定参数ω的下界和上界。

4.根据权利要求3所述的计及AGC信号影响的储能电站联合优化方法，其特征在于：根据所述储能损耗成本模型和所述线性模型，构建储能电站参与日前能量与调频辅助服务市场的竞标优化模型，具体为，

根据所述储能损耗成本模型和所述线性模型，计及储能电站运行的容量约束条件与功率约束条件，以收益最大化为目标，构建竞标优化模型，所述竞标优化模型表示为，

5.根据权利要求4所述的计及AGC信号影响的储能电站联合优化方法，其特征在于：储能电站运行的容量约束条件为，

E_min≤E_i,t≤E_max；

其中，E_i,t为第i个AGC信号场景下第t小时的电池电量状态，E_min和E_max分别为储能最小电量状态和储能最大电量状态；

储能电站运行的功率约束条件为，0≤P_t ^c+P_t ^r≤P_max，0≤P_t ^d+P_t ^r≤P_max。

6.一种计及AGC信号影响的储能电站联合优化系统，其特征在于：包括以下模块，

储能损耗成本模型构建模块，其用于构建储能电站计及AGC信号影响的储能损耗成本模型；

模糊不确定集构建模块，其用于根据电价历史数据和AGC信号历史数据，构建基于Wasserstein距离的模糊不确定集；

线性模型构建模块，其用于基于分布鲁棒优化方法，根据所述模糊不确定集构建储能电站的市场收益函数，并采用强对偶理论将所述市场收益函数转化为线性模型；

优化求解模块，其用于根据所述储能损耗成本模型和所述线性模型，构建储能电站参与日前能量与调频辅助服务市场的竞标优化模型，并利用求解器对所述竞标优化模型进行求解，得到储能电站的最优竞标策略；

储能损耗成本模型构建模块，具体用于，

采集AGC信号历史数据，形成AGC信号历史数据集；其中，在所述AGC信号历史数据集中一个小时内的AGC信号历史数据对应为一个AGC信号场景；所述AGC信号历史数据集表示为Φ＝{f_t,τ|t∈[1,K·T],τ∈[1,L]}，f_t,τ表示第t小时第τ时段的AGC信号，K为天数，T为每天小时数，即T＝24，L为每小时内的时段总数；

在功率区间[0,P_max]内，从储能电站的功率数据组集合中等间距的选取M组功率数据组，形成报量功率数据组集合；其中，P_max为额定充放电功率；所述功率数据组集合表示为{P_t ^c,P_t ^d,P_t ^r|t∈[1,K·T]}，P_t ^c、P_t ^d和P_t ^r分别表示第t小时的充电功率、放电功率和调频功率；所述报量功率数据组集合表示为 和/>分别表示第m组报量功率数据组中的充电功率、放电功率和调频功率；

基于储能电站的储能损耗成本公式，评估在所述AGC信号历史数据集的多个不同AGC信号场景下，所述报量功率数据组集合中每组报量功率数据组所对应的每小时储能损耗平均值；其中，所述报量功率数据组集合中第m组报量功率数据组所对应的每小时储能损耗平均值表示为

将所有报量功率数据组及其对应的每小时储能损耗平均值进行组合，形成数据集合，所述数据集合表示为

利用线性拟合的方法对所述数据集合进行线性拟合，得出储能电站计及AGC信号影响的储能损耗成本与充电功率、放电功率和调频功率之间的线性拟合系数；其中，所述线性拟合系数包括a₁、a₂、a₃和a₄；

根据储能电站计及AGC信号影响的储能损耗成本与充电功率、放电功率和调频功率之间的线性拟合系数，构建储能电站的储能损耗期望模型，并将所述储能损耗期望模型作为储能电站计及AGC信号影响的储能损耗成本模型；所述储能损耗期望模型具体为

储能电站的储能损耗成本公式包括储能电站未计及AGC信号影响的储能损耗成本公式和储能电站计及AGC信号影响的储能损耗成本公式，储能电站未计及AGC信号影响的储能损耗成本公式为，

其中，D_t为储能电站未计及AGC信号影响时在第t小时的储能损耗成本，d为储能电站未计及AGC信号影响的储能损耗成本公式中的线性拟合系数，W_B为储能电站投资成本，η为充放电效率；

当储能电站参与调频辅助服务市场时，储能电站根据竞标成功的调频容量来响应AGC信号，则储能电站在第t小时第τ时段的充电功率和放电功率分别为和/>那么储能电站计及AGC信号影响的储能损耗成本公式表示为，

基于储能电站的储能损耗成本公式，评估在所述AGC信号历史数据集的多个不同AGC信号场景下，所述报量功率数据组集合中每组报量功率数据组所对应的每小时储能损耗平均值，具体包括如下步骤，

在所述报量功率数据组集合中任选取一组报量功率数据组，令任选取的一组报量功率数据组为第m组报量功率数据组；将第m组报量功率数据组作为储能电站在任一小时的充电功率、放电功率和调频功率，即

利用储能电站计及AGC信号影响的储能损耗成本公式，结合计算出存储电站在第m组报量功率数据组下的每小时储能损耗平均值；其中，存储电站在第m组报量功率数据组下的每小时储能损耗平均值表示为，

遍历所述报量功率数据组集合中所有报量功率数据组，采用第m组报量功率数据组的每小时储能损耗平均值的评估方法，评估出在所述AGC信号历史数据集的多个不同AGC信号场景下，所述报量功率数据组集合中每组报量功率数据组所对应的每小时储能损耗平均值。

7.一种计及AGC信号影响的储能电站联合优化装置，其特征在于：包括处理器、存储器和存储在所述存储器中且可运行在所述处理器上的计算机程序，所述计算机程序运行时实现如权利要求1至5任一项所述的方法。

8.一种计算机存储介质，其特征在于，所述计算机存储介质内存储有至少一条指令，在所述指令被执行时实现如权利要求1至5任一项所述的方法。