CN114926254A - 储能电站参与调频辅助服务市场的竞价方法 - Google Patents

Abstract

本发明公开了一种储能电站参与调频辅助服务市场的竞价方法，所述方法包括如下步骤：步骤一、利用粒子群算法模拟储能电站的日前报价策略；步骤二、将储能电站报价代入调频辅助服务市场日前预出清模型得到日前市场出清电价和中标容量；步骤三、将日前市场出清电价和储能电站中标容量代入储能电站收益模型中寻找日前最优报价策略；步骤四、在日内实时出清阶段引入储能动态容量约束因子对初始报价进行调整。该方法能够针对调频辅助服务市场中指令信号无法提前预估的特点进行日前报价，并利用价格高低反映储能设备在不同荷电状态下的充放电意愿。

Description

储能电站参与调频辅助服务市场的竞价方法

技术领域

本发明属于电力市场竞价领域，涉及一种储能电站参与调频辅助服务市场的竞价方法。

背景技术

随着双碳目标的提出，我国正大力推进高比例可再生能源结构转型，作为主要能源载体的电力系统也正向着以新能源为主的新型电力系统转变。然而大规模的风电、光电并网对电力系统的频率稳定性提出了新的挑战：风电、光伏发电具有波动性和随机性的特点，大规模新能源发电并网导致发电侧出力与负荷侧用电需求不匹配，从而加剧源荷两侧的功率不平衡，严重威胁电网的安全运行；同时传统发电机组的占比逐年下降将导致系统的调频能力减弱。因此，在能源结构转型的驱动下，如何抑制电网频率波动成为当前研究热点。

随着储能技术的发展与电力市场开放程度的提高，我国已明确了了电化学储能、飞轮储能等新型储能的并网主体地位，大力鼓励新型储能参与到辅助服务市场中。与传统火电机组相比，储能具有响应迅速、调节精准、控制灵活、双向调节、能量转换效率高的特点，可作为优质的调频资源。储能电站参与调频不仅可以提高调频资源的响应效率，而且能够降低电力系统的调频成本，对维持电网频率相对稳定、推动电力辅助服务市场改革具有正面意义。因此，探究储能电站参与调频辅助服务市场的竞价策略，对储能电站在未来新型电力系统中提升市场竞争力具有重要的参考价值。

我国辅助服务市场化运营正在部分地区初步试点，储能电站在调频辅助服务市场中的盈利模式仍处于探索阶段。目前针对发电商在电力市场中的竞价策略已有一定研究，但调频辅助服务市场中指令信号具有无法提前预估的特点，储能电站在充放电时又受到荷电状态约束，较少有研究针对储能电站参与调频辅助服务市场的特殊性进行分析。

发明内容

针对以上不足，本发明提供了一种储能电站参与调频辅助服务市场的竞价方法，该方法能够针对调频辅助服务市场中指令信号无法提前预估的特点进行日前报价，并利用价格高低反映储能设备在不同荷电状态下的充放电意愿。

本发明的目的是通过以下技术方案实现的：

一种储能电站参与调频辅助服务市场的竞价方法，包括如下步骤：

步骤一、利用粒子群算法模拟储能电站的日前报价策略

步骤一一、初始化粒子群的位置、速度、惯性因子、学习因子、最大迭代次数、算法终止误差等参数；

步骤一二、粒子依据惯性因子和学习因子对自身速度进行调整，从而改变其位置，粒子群的位置集合代表储能电站的日前报价策略集；

步骤二、将储能电站报价代入调频辅助服务市场日前预出清模型得到日前市场出清电价和中标容量

步骤二一、以电力系统调频总成本最小为目标，考虑各储能电站的中标调频容量约束和里程约束，基于市场统一价格结算机制构建调频辅助服务市场日前预出清模型，其中：

所述调频辅助服务市场日前预出清模型的目标函数和约束条件为：

式中，F是系统调频成本，ρ_c是市场规定的调频容量补偿，R_c,i是储能机组i中标的调频容量，ρ_m,i是储能机组i申报的调频里程价格，k_sm是电力系统的历史调频里程系数，k_m,i是储能机组i的历史里程调用系数，R_cd是次日调度周期内的调频容量需求，R_c0,i是储能机组i申报的调频容量；

步骤二二、将粒子群算法生成的各组报价策略代入调频辅助服务市场日前预出清模型中，得到不同报价策略下市场的日前出清价格和储能电站中标容量；

步骤三、将日前市场出清电价和储能电站中标容量代入储能电站收益模型中寻找日前最优报价策略

步骤三一、以储能电站调频收益最大为目标，考虑申报容量约束和申报里程价格约束，构建储能电站参与调频的收益模型，其中：

储能电站收益模型的目标函数和约束条件为：

maxE_i＝ρ_cR_c,i+λ_mk_m,iR_c,i-C_i(R_c,i)；

式中，E_i为储能机组i的调频收益，λ_m为调频里程出清价格，C_i(R_c,i)表示储能电站调频成本为其中标容量的函数，ρ_mmin为市场规定的调频里程报价下限，ρ_mmax为市场规定的调频里程报价上限，P_N,i为储能机组i的额定功率，λ_i为储能电站i的边际成本，β_i为发电商的优化参数，C_i(t)、C_inv,i(t)、C_life,i(t)、C_loss,i(t)分别为储能机组i在t时刻的调频成本、投资折旧成本、寿命折损成本、损耗电量成本，k_p为介于0.8～2.1之间的常数，c_fr,i为储能机组i的单位功率成本，E_N,i为储能机组i的额定容量，η_i ^d为储能机组i的放电效率，ρ_e为上网电价，N_0,i为储能机组i在100％DOD下的等效循环次数，ΔT为调频控制周期时长；

步骤三二、将调频辅助服务市场日前预出清模型优化得到的日前市场出清电价和储能电站中标容量代入储能电站参与调频的收益模型中，以储能电站的调频收益作为粒子群算法的适应度函数，各粒子不断优化自身位置和速度进行迭代寻优，从而确定储能电站的日前最优竞价策略；

步骤四、在日内实时出清阶段引入储能动态容量约束因子对初始报价进行调整

将调频控制周期的前5min作为调频辅助服务市场的日内实时出清阶段，为避免储能电站由于电量过高或过低而无法继续参与调频市场，在日内实时出清阶段引入储能动态容量约束因子m_SOC对初始里程报价进行调整：

ρ_m,i′＝ρ_m,i(1+m_SOC)；

式中，ρ_m,i′为时前出清阶段调整后的里程价格，其中：

m_SOC在储能电站充电时的数学表达式为：

m_SOC在储能电站放电时的数学表达式为：

式中，SOC为储能电站依据实时电量计算得到的荷电状态，SOC_low为储能设备的SOC置信区间下限，SOC_high为储能设备的SOC置信区间上限。

相比于现有技术，本发明具有如下优点：

(1)本发明建立了储能电站参与调频辅助服务市场的双层优化竞价模型，将下层定义为调频辅助服务市场日前预出清模型，上层定义为储能电站收益模型，利用粒子群算法求解该双层优化模型，使得储能电站在日前报价阶段充分考虑调频市场预出清对其收益的影响，促使其理性报价，提高市场竞争力；

(2)本发明在日前报价阶段将调频辅助服务市场中指令信号无法提前预知的特点考虑在内，对储能调频成本进行合理化简，避免储能电站低估自身成本而导致亏损；

(3)本发明针对储能设备荷电状态约束特点，在日内实时出清阶段引入动态容量约束因子，将储能电站在不同荷电状态下的充放电意愿体现在申报价格上，减少储能电站因自身电量过高或过低而无法按约定出力的现象发生，对抑制储能电站市场力过大而造成短时垄断具有正面作用。

附图说明

图1是本发明的竞价方法整体流程图；

图2是本发明的竞价阶段示意图；

图3是本发明日前预出清阶段的双层优化模型示意图；

图4是本发明的粒子群算法求解双层优化模型流程图；

图5是本发明实施例1中储能电站A的调频收益随β_A变化曲线；

图6是本发明实施例2中各储能电站在场景1中的SOC变化趋势图；

图7是本发明实施例2中各储能电站在场景2中的SOC变化趋势图；

图8是本发明实施例2中铅炭电池C的SOC变化趋势图。

具体实施方式

下面结合附图对本发明的技术方案作进一步的说明，但并不局限于此，凡是对本发明技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，均应涵盖在本发明的保护范围中。

本发明提供了一种储能电站参与调频辅助服务市场的竞价方法，如图2所示，该方法将储能电站参与调频辅助服务市场按照时间尺度分为日前预出清阶段和日内实时出清阶段，其中日内实时出清阶段被定义为调频控制周期的前5min，从而使得储能设备能够在日内实时出清阶段及时依据自身SOC调整其参与上下调频市场的意愿。如图1所示，所述方法具体步骤如下：

步骤一、利用粒子群算法模拟储能电站的日前报价策略

步骤一一、初始化粒子群的位置、速度、惯性因子、学习因子、最大迭代次数、算法终止误差等参数；

步骤一二、粒子依据惯性因子和学习因子对自身速度进行调整，从而改变其位置；粒子群的位置集合代表储能电站的日前报价策略集，利用适应度函数在报价策略集中迭代寻优，直至达到最大迭代次数或满足算法终止误差，其中：初始策略集随机生成，随后依据适应度函数寻优。

步骤二、将储能电站报价代入调频辅助服务市场日前预出清模型得到日前市场出清电价和中标容量

以电力系统调频总成本最小为目标，考虑各储能电站的中标调频容量约束和里程约束，基于市场统一价格结算机制构建调频辅助服务市场日前预出清模型：

式中，F是系统调频成本，ρ_c是市场规定的调频容量补偿，R_c,i是储能机组i中标的调频容量，ρ_m,i是储能机组i申报的调频里程价格，k_sm是电力系统的历史调频里程系数，k_m,i是储能机组i的历史里程调用系数，R_cd是次日调度周期内的调频容量需求，R_c0,i是储能机组i申报的调频容量。

将粒子群算法生成的各组报价策略代入调频辅助服务市场日前预出清模型中，得到不同报价策略下市场的日前出清价格和储能电站中标容量。

步骤三、将日前市场出清电价和储能电站中标容量代入储能电站收益模型中寻找日前最优报价策略

储能电站的调频成本被分为容量成本和里程成本，其中容量成本包括储能投资折旧成本，里程成本包括储能寿命损耗成本和损耗电量成本，其计算公式为：

C_i(t)＝C_inv,i(t)+C_life,i(t)+C_loss,i(t) (2)；

式中，C_i(t)、C_inv,i(t)、C_life,i(t)、C_loss,i(t)分别为储能机组i在t时刻的调频成本、投资折旧成本、寿命折损成本、损耗电量成本，c_cap,i为储能机组i的单位容量成本，E_N,i为储能机组i的额定容量，s为一天中参与调频的最大调用次数，r为折现率，T_float,i为储能机组i的浮充寿命，P_i ^c(t)为储能机组i在t时刻的充电功率，P_i ^d(t)为储能机组i在t时刻的放电功率，

为储能机组i的充电效率，

为储能机组i的放电效率，k_p为通常介于0.8～2.1之间的常数，c_fr,i为储能机组i的单位功率成本，P_N,i为储能机组i的额定功率，N_0,i为储能机组i在100％DOD下的等效循环次数，ρ_e为上网电价。

在不区分上下调频的市场中，储能电站无法在日前投标阶段预知次日某一指令周期的调频方向，根据式(4)可知，储能参与上调频(放电)时寿命折损成本比下调频(充电)时大，因此为了避免储能低估成本而导致亏损，假设控制时段内储能参与上调频，故将式(4)化简为：

对于式(5)，可发现在中标调频容量数值相同的情况下，储能参与上调频(放电)时损耗电量成本更大，因此(5)同样可以简化为：

由于调频指令信号具有频繁性和不可提前预知性，且一般方差较大，为了最大程度的避免低估储能调频成本，降低储能亏本调频的可能性，以控制周期内的最大调频需求所对应的储能机组i中标调频容量R_c,i来预估调频成本。故在日前申报时，储能电站每一交易时段的预估调频成本计算公式可归纳如下：

根据式(8)可求出储能电站参与调频时的边际成本：

由式(9)可知，储能的调频容量成本与其中标容量无关，为定值，这与我国当前大部分现行的调频市场机制中调频容量按固定价格补偿相一致；而调频里程成本与其中标容量R_c,i有关，因此若储能电站按边际成本报价，则其申报的里程价格为：

但在实际的电力市场中，发电商极有可能受利益驱使申报偏离边际成本的价格，即尝试找到最优的供给函数ρ_m,i(R_c,i)：

式中，β_i即为发电商的优化参数，各储能电站通过调整β_i的值来实现自身利益最大化。

以储能电站调频收益最大为目标，考虑申报容量约束和申报里程价格约束，构建储能电站参与调频的收益模型：

maxE_i＝ρ_cR_c,i+λ_mk_m,iR_c,i-C_i(R_c,i) (12)；

式中，E_i为储能机组i的调频收益，λ_m为调频里程出清价格，ρ_mmin为市场规定的调频里程报价下限，ρ_mmax为市场规定的调频里程报价上限。

如图3所示，构建双层优化模型，在上层模型中，各储能电站以调频辅助服务市场的出清结果和公布的市场信息为基础不断优化自身的竞价策略，从而实现自身利益最大化；在下层模型中，调度和交易中心作为决策者，在日前负责公布调频需求、结算规则等市场信息，之后依据上层调频资源申报的价格和容量，以系统调频成本最小作为市场出清目标，实现调频辅助服务市场集中出清。

将调频辅助服务市场日前预出清模型优化得到的日前市场出清电价和储能电站中标容量代入储能电站收益模型中，以储能电站的调频收益作为粒子群算法的适应度函数，各粒子不断优化自身位置和速度进行迭代寻优，从而确定储能电站的日前最优竞价策略。如图4所示，具体求解流程如下：

利用粒子群算法生成初始报价策略集，将各报价策略代入下层调频市场出清模型中求得市场出清电价和储能电站的中标调频容量，进而将其代入上层储能调频收益模型计算各报价策略下的收益，选择收益最高的报价策略作为最优方案，更新粒子群的个体最优值和群体最优值，直至满足收敛判据，输出储能电站的最优报价策略。

步骤四、在日内实时出清阶段引入储能动态容量约束因子对初始报价进行调整

将调频控制周期的前5min作为调频辅助服务市场的日内实时出清阶段，为避免储能电站由于电量过高或过低而无法继续参与调频市场，在日内实时出清阶段引入储能动态容量约束因子对初始里程报价进行调整。此时储能电站可以获取自身的实时SOC，且实时出清阶段的调频需求预测与日前预出清相比更为准确，因此可以在日内实时出清阶段合理引入储能动态容量约束因子m_SOC对初始里程报价进行调整：

m_SOC在储能电站充电时的数学表达式为：

m_SOC在储能电站放电时的数学表达式为：

式中，SOC_low为储能设备的SOC置信区间下限，本发明取40％；SOC_high为储能设备的SOC置信区间上限，本发明取60％。

在调频控制周期内，对每一指令周期的预测调频需求进行求和，若数值大于0，则说明该控制周期内上调频需求较大，对应储能放电，m_SOC按式(15)取值；若数值小于0，则说明该控制周期内下调频需求较大，对应储能充电，m_SOC按式(14)取值。

储能电站在日内实时出清阶段引入m_SOC对日前初始里程报价进行调整：

ρ_m,i′＝ρ_m,i(1+m_SOC) (16)；

式中，ρ_m,i′为时前出清阶段调整后的里程价格。

实施例1：

3种不同规格的储能电站参数及电网调度机构公布次日某调频控制周期的信息参照表1：

表1储能电站参数及次日电网调频公开信息

在单独优化储能电站A的报价策略时，假设储能电站A不采取激进的报价方式申报比自身边际成本低的价格，同时储能电站B、C均按照边际成本曲线申报其供给函数。在该条件下优化储能电站A的竞价策略参数β_A，可得到储能电站A的最优竞价策略及预期最大收益列于表2：

表2储能电站A的最优竞价策略及预期最大收益

该报价策略下各储能电站调频里程报价及中标容量列于表3：

表3各储能电站调频里程报价及中标容量

为验证基于粒子群算法的双层优化问题求解正确性，改变储能电站A的价策略参数β_A，可观察到其调频收益随β_A变化如图4所示。图5表明若储能电站A申报比自身边际成本更高的里程价格，则其调频收益将随着β_A的增加而不断下降，即储能电站A的最优竞价策略为申报边际成本函数，该方法可以在保守报价的基础上获得最大收益。

采取同样方法分别对储能电站B、C的竞价策略参数β_B、β_C进行优化，可以得到如表4结果。结果表明在低风险厌恶程度下，储能电站的最优报价策略均为申报自身边际成本，盲目太高报价将导致中标调频容量减少，从而影响其调频收益。

表4储能电站B、C在低风险厌恶程度下的最优竞价策略

实施例2：

为验证各储能电站在实时出清阶段考虑动态容量约束因子的有效性，下面设计2种不同场景：

场景1：不考虑储能电站的SOC约束，在实时出清阶段不引入动态容量约束因子对各电站的调频里程报价进行调整，将储能电站的利润率固定为0.5，即调整后的里程价格为：

ρ_m,i′＝ρ_m,i(1+f_i) (17)；

式中，f_i为实时出清阶段各储能电站利润率，本算例中取0.5。

场景2：考虑储能电站的SOC约束，在实时出清阶段引入动态容量约束因子，依据式(14)、(15)、(16)对各电站的调频里程报价进行调整。

5个储能电站的基本参数及电网公布信息如表5所示。选取美国PJM调频市场2014年5月的24小时RegD(动态调频响应，Dynamic Regulation Signal)信号为仿真调频指令，对提出的储能动态容量约束因子m_SOC的作用进行验证。RegD信号的数值与每15min调频控制周期内各储能电站的中标调频容量相乘即为储能电站在每一指令周期的实时出力。

由于在实际电力市场中各储能电站同时投标，无法提前预知其余竞争对手的竞价策略，因此根据实施例1分析可知此时各储能电站最稳妥的竞价策略为申报自身的边际成本曲线作为其供给函数，从而确定自身的调频里程报价及申报容量。故在本算例中，5个储能电站均将自身的边际成本作为申报的供给函数。

表5储能电站基本参数及电网公布信息

两种不同场景下，各储能电站24h内SOC的动态变化趋势分别如图6和图7所示。为更加明显观察储能动态容量约束因子的作用，对两种不同场景下铅炭电池C的SOC状态进行对比，如图8所示，结果表明考虑储能动态容量约束因子能够延长储能电站参与调频辅助服务市场的时间。

两种不同场景下各储能电站因荷电状态约束而退出调频辅助服务市场的次数列于表6。

表6不同场景下各储能电站退出调频市场的次数

在未考虑储能动态容量因子的市场机制中，各储能电站退出调频市场的时长及次数明显多于考虑动态容量因子的市场机制。储能设备的SOC频繁接近其下限，不仅对储能的寿命造成损耗，而且极有可能导致因自身电量原因无法实现中标出力而被处罚款的现象发生。因此，基于动态容量约束因子的储能电站竞价策略对储能电站而言，能够延长使用寿命和参与调频市场的时间，避免不必要的罚款；对电力系统而言，能够使得储能电站提供更可靠的调频服务，保证电力系统频率更加稳定。

两种不同场景下，一天内调频辅助服务市场的电网调频总费用列于表7。

表7不同场景下24h电网调频总费用

结果表明引入储能动态容量约束因子能够在一定程度上抑制储能电站市场力过大操控市场的现象，从而降低电网的调频费用支出，有利于电力市场规范化改革。

Claims (6)

1.一种储能电站参与调频辅助服务市场的竞价方法，其特征在于所述方法包括如下步骤：

步骤一、利用粒子群算法模拟储能电站的日前报价策略

步骤一一、初始化粒子群的位置、速度、惯性因子、学习因子、最大迭代次数、算法终止误差等参数；

步骤一二、粒子依据惯性因子和学习因子对自身速度进行调整，从而改变其位置，粒子群的位置集合代表储能电站的日前报价策略集；

步骤二、将储能电站报价代入调频辅助服务市场日前预出清模型得到日前市场出清电价和中标容量

步骤二一、以电力系统调频总成本最小为目标，考虑各储能电站的中标调频容量约束和里程约束，基于市场统一价格结算机制构建调频辅助服务市场日前预出清模型；

步骤二二、将粒子群算法生成的各组报价策略代入调频辅助服务市场日前预出清模型中，得到不同报价策略下市场的日前出清价格和储能电站中标容量；

步骤三、将日前市场出清电价和储能电站中标容量代入储能电站收益模型中寻找日前最优报价策略

步骤三一、以储能电站调频收益最大为目标，考虑申报容量约束和申报里程价格约束，构建储能电站参与调频的收益模型；

步骤三二、将调频辅助服务市场日前预出清模型优化得到的日前市场出清电价和储能电站中标容量代入储能电站参与调频的收益模型中，以储能电站的调频收益作为粒子群算法的适应度函数，各粒子不断优化自身位置和速度进行迭代寻优，从而确定储能电站的日前最优竞价策略；

步骤四、在日内实时出清阶段引入储能动态容量约束因子对初始报价进行调整

将调频控制周期的前5min作为调频辅助服务市场的日内实时出清阶段，为避免储能电站由于电量过高或过低而无法继续参与调频市场，在日内实时出清阶段引入储能动态容量约束因子m_SOC对初始里程报价进行调整：

ρ_m,i′＝ρ_m,i(1+m_SOC)；

式中，ρ_m,i′为时前出清阶段调整后的里程价格。

2.根据权利要求1所述的储能电站参与调频辅助服务市场的竞价方法，其特征在于所述调频辅助服务市场日前预出清模型的目标函数和约束条件为：

式中，F是系统调频成本，ρ_c是市场规定的调频容量补偿，R_c,i是储能机组i中标的调频容量，ρ_m,i是储能机组i申报的调频里程价格，k_sm是电力系统的历史调频里程系数，k_m,i是储能机组i的历史里程调用系数，R_cd是次日调度周期内的调频容量需求，R_c0,i是储能机组i申报的调频容量。

3.根据权利要求1所述的储能电站参与调频辅助服务市场的竞价方法，其特征在于所述储能电站收益模型的目标函数和约束条件为：

maxE_i＝ρ_cR_c,i+λ_mk_m,iR_c,i-C_i(R_c,i)；

式中，E_i为储能机组i的调频收益，λ_m为调频里程出清价格，C_i(R_c,i)表示储能电站调频成本为其中标容量的函数，ρ_mmin为市场规定的调频里程报价下限，ρ_mmax为市场规定的调频里程报价上限，P_N,i为储能机组i的额定功率，λ_i为储能电站i的边际成本，β_i为发电商的优化参数，C_i(t)、C_inv,i(t)、C_life,i(t)、C_loss,i(t)分别为储能机组i在t时刻的调频成本、投资折旧成本、寿命折损成本、损耗电量成本，k_p为介于0.8～2.1之间的常数，c_fr,i为储能机组i的单位功率成本，E_N,i为储能机组i的额定容量，

为储能机组i的放电效率，ρ_e为上网电价，N_0,i为储能机组i在100％DOD下的等效循环次数，ΔT为调频控制周期时长。

4.根据权利要求3所述的储能电站参与调频辅助服务市场的竞价方法，其特征在于所述C_i(t)、C_inv,i(t)、C_life,i(t)、C_loss,i(t)满足如下条件：

式中，c_cap,i为储能机组i的单位容量成本，s为一天中参与调频的最大调用次数，r为折现率，T_float,i为储能机组i的浮充寿命，P_N,i为储能机组i的额定功率。

5.根据权利要求1所述的储能电站参与调频辅助服务市场的竞价方法，其特征在于所述m_SOC在储能电站充电时的数学表达式为：

式中，SOC为储能电站依据实时电量计算得到的荷电状态，SOC_low为储能设备的SOC置信区间下限，SOC_high为储能设备的SOC置信区间上限。

6.根据权利要求1所述的储能电站参与调频辅助服务市场的竞价方法，其特征在于所述m_SOC在储能电站放电时的数学表达式为：

式中，SOC为储能电站依据实时电量计算得到的荷电状态，SOC_low为储能设备的SOC置信区间下限，SOC_high为储能设备的SOC置信区间上限。

Images