风储联合发电商参与能量-调频市场的投标策略优化方法与流程

[0001]
本发明属于电力市场技术领域，特别是一种风储联合发电商参与能量-调频市场的投标策略优化方法。


背景技术：

[0002]
随着电力市场的不断发展，在能量市场机制不断完善的同时，辅助服务市场也逐渐兴起。在这样的市场背景下，发电商不但可以参与到能量市场的投标，还可以参与到辅助服务市场的投标，以获取更大的收益。研究表明风电有参与系统调频的能力，风力发电商参与调频也能够获得一定的经济效益，因此，风力发电商可以同时参与到能量和调频市场以获取更大的收益。
[0003]
由于风电出力的间歇性和波动性，会导致风力发电商参与电力市场时存在出力偏差而受到市场惩罚。储能作为一种优质的调频资源，响应速度快，精度高，但其成本较高，将两者结合起来能使双方都获得更高的收益。因此，相较于风电独自参与到电力市场，风电和储能联合参与电力市场能使两者都获得更高的收益。除了出力的不确定性会影响发电商的收益，市场价格的波动性也会使发电商的收益受到影响。为此，在制定投标策略的时候有必要考虑市场价格的不确定性。
[0004]
现有的投标策略研究主要是基于风储联合发电商通过向电力市场提供能量和调频服务获取收益，以市场预期收益最大作为目标，建立单时步随机优化模型来求解最优的投标和运行策略。但是，单时步优化难以保证发电商在整个运行时间内的收益最大，随机优化方法需要生成大量场景，得到基于场景的最优策略，但无法应对最坏场景，且采用场景概率法计算时间较长，无法满足短时间尺度的市场投标决策。


技术实现要素：

[0005]
本发明的目的在于提供一种提高风储联合发电商的收益，并且使风储联合发电商可以根据自身能承受的风险大小，选择不同保守度下优化得到的投标策略的风储联合发电商参与能量-调频市场的投标策略优化方法。
[0006]
实现本发明目的的技术解决方案为：一种风储联合发电商参与能量-调频市场的投标策略优化方法，包括如下步骤：
[0007]
步骤1：构建风储联合发电商参与能量-调频市场的模式；
[0008]
步骤2：将风电出力和市场价格的不确定性用数学语言进行描述；
[0009]
步骤3：基于鲁棒模型预测控制思想建立风储联合发电商参与能量-调频市场的投标策略双层鲁棒优化模型；
[0010]
步骤4：采用对偶定理对双层鲁棒优化模型进行处理，建立单层鲁棒优化模型；
[0011]
步骤5：采用数学软件cplex求解模型，得到不同保守度下的投标策略。
[0012]
本发明与现有技术相比，其显著优点为：(1)在对投标策略的优化中考虑了未来若干时刻风电出力和价格的预测偏差，减小了预测偏差带来的影响，提高了风储联合发电商
的收益；(2)风储联合发电商可以根据自身能承受的风险大小，选择不同保守度下优化得到的投标策略。
附图说明
[0013]
图1为本发明风储联合发电商参与能量-调频市场的投标策略优化方法的流程图。
[0014]
图2为本发明实施例中能量、调频市场价格和风电功率的预测数据曲线图。
[0015]
图3为本发明实施例中不同优化时步数下的市场收益曲线图。
[0016]
图4为本发明实施例中风储联合发电商的最优投标策略曲线图。
[0017]
图5为本发明实施例中市场收益随价格、风电不确定度的变化趋势图。
[0018]
图6为本发明实施例中市场收益随三种价格不确定度的变化趋势图。
[0019]
图7为本发明实施例中考虑风电出力、价格不确定性的市场收益图。
具体实施方式
[0020]
下面结合附图和具体实施例对本发明作进一步详细说明。
[0021]
结合图1，本发明的一种风储联合发电商参与能量-调频市场的投标策略优化方法，包括以下步骤：
[0022]
步骤1：构建风储联合发电商参与能量-调频市场的模式；
[0023]
步骤2：将风电出力和市场价格的不确定性用数学语言进行描述，具体如下：
[0024]
步骤2.1，根据电力市场获得收益的规则，让风储联合发电商同时参与能量和调频市场，将风储联合发电商参与能量-调频市场的收益和惩罚规则用数学语言描述：
[0025]
实时能量市场每15分钟出清一次，出清时考核运营商的投标量与实际出力之间的偏差，使用偏差量f
penalty
将进行惩罚：
[0026][0027]
式中，为k时刻风储系统实时出力；ρ
m
、ρ
l
为偏差惩罚系数；为k时刻能量市场投标量；δk为市场投标间隔；—为k时刻能量市场预测价格；
[0028]
步骤2.2，为了提供频率调节服务，调频资源需要在实时的调频市场上提交其容量，然后实时跟踪系统运营商的调节信号regd；风储联合发电商在响应调频信号后，电力市场根据调频的性能得分对调频资源进行补偿，补偿由容量补偿pay
cap
和调频性能补偿pay
perf
两部分组成：
[0029][0030][0031]
式中，为k时刻调频市场容量价格；为k时刻调频市场性能价格；k
pref
为调频性能得分；为k时刻调频市场投标量；r为调频里程比，取值为3。
[0032]
步骤3：基于鲁棒模型预测控制思想建立风储联合发电商参与能量-调频市场的投标策略双层鲁棒优化模型，具体如下：
[0033]
步骤3.1，根据风电出力和市场价格的预测值，以风储联合发电商在能量-调频市
场的预期收益最大为优化目标，建立目标函数为：
[0034][0035][0036][0037]
式中，f
engry
为能量市场收益；f
regulation
为调频市场收益；
[0038]
由于市场价格的不确定性，目标函数可表达为：
[0039][0040]
式中，j0为价格不确定集合；s0为期望价格不确定发生的集合；γ为不确定度的控制量；为能量价格预测偏差量；为调频容量价格预测偏差量；为调频性能价格预测偏差量；为能量价格偏差占比；为调频容量价格偏差占比；——调频性能价格偏差占比；
[0041]
步骤3.2，根据风储联合发电商参与能量-调频市场的模式，并且需要风储系统准确响应调频市场的调频信号和满足储能系统的容量约束，确定风储联合发电商参与能量-调频市场投标过程中需要考虑的约束条件如下：
[0042]
风电出力约束：
[0043]
根据风电实时出力与风电预留上调量之和应小于等于风电实时最大出力预测值，风电预留下调量应小于等于风电实时出力，风电的预留调频量应满足爬坡约束，风储联营系统的实时出力等于风电实时出力与储能实时出力之和，得出风电出力约束为：
[0044][0045][0046][0047][0048]
式中，为k时刻风电实时出力；δp
k
为k时刻风电出力预测偏差量；ε
k
为k时刻风电出力偏差占比；为k时刻风电预测出力；为k时刻风电预留上调量；为k时刻风电预留下调量；r
w
为k时刻风电爬坡率；
[0049]
储能系统约束：
[0050]
根据储能实时出力应在其正负出力最大值之间，并留出余量保证储能预留调整量能够实现，储能荷电状态要能够满足下一时刻储能出力、参与调频的用电需求，储能的充放电功率由储能实时的出力和储能用于调节的功率决定，储能当前时刻的荷电状态由上一时刻的荷电状态和储能荷电状态变化量决定，储能用于调节的功率由调频市场的调频信号和
风电在调频市场的出力决定，得出储能系统约束为：
[0051][0052][0053][0054][0055][0056]
e
k
＝e
k-1
+δe
k
[0057][0058][0059]
式中，s
max
为储能最大功率；为k时刻储能实时出力；为k时刻储能预留上调量；为k时刻储能预留下调量；e
k
为k时刻储能状态量；e
max
为储能的最大容量；为t时刻储能放电功率；为t时刻储能充电功率；η为储能充放电效率；为k时刻储能用于调节的功率，等于风电出力的控制误差再加上调频偏差量；为t时刻系统的调频信号，
[0060]
投标容量约束：
[0061]
根据市场的投标容量不小于零，调频市场的投标量包含上调量和下调量，风储系统实际能提供的上调量和下调量不小于调频投标量的二分之一，风储系统预留上、下调频量分别大于等于调频投标量的二分之一；为保证调频质量，储能预留调频量大于调频投标量的五分之一，得出投标容量约束为：
[0062][0063][0064][0065][0066]
步骤3.3，综合步骤3.1和步骤3.2，将优化模型整理为：
[0067][0068]
步骤4：采用对偶定理对双层鲁棒优化模型进行处理，建立单层鲁棒优化模型，具体如下：
[0069]
步骤4.1，因为风电出力和市场价格两种不确定量相互独立，首先处理市场价格不确定性：
[0070][0071]
能量市场、调频容量、调频性能价格三者相互独立，取其中一个进行推导：
[0072][0073]
令可得：
[0074][0075]
当x≥0时，目标函数为当x≤0时，目标函数为故原问题等价于：
[0076][0077]
原问题对应的拉格朗日函数为：
[0078][0079]
整理可得：
[0080][0081]
当大于零时，拉格朗日函数有最大值即原问题的最小值，所对偶结果如下：
[0082][0083]
步骤4.2，对风电出力不确定性进行处理对偶后的问题为：
[0084][0085]
步骤4.3，综合步骤4.1和4.2，得到单层鲁棒优化模型：
[0086][0087]
实施例1
[0088]
本实施例使用2014年的pjm市场历史价格数据、来自nrel公司的编号为7791的200mw风电场风电出力数据作为基础数据，进行仿真，验证投标策略的有效性，基础数据如图2所示，其他参数如下：平均里程比regd为2.92，偏差惩罚系数为0.1，风场爬坡率取4mw/min，储能系统的总容量为30mw，调频控制信号取自2015年4月美国pjm市场的数据，风储联合系统的调频性能得分取0.95。
[0089]
本实施例基于鲁棒模型预测控制构建了风储联合发电商参与能量-调频市场的投标策略优化模型的基本框架。采用模型预测控制方法需要确定滚动优化的时步数，图3为不同优化时步数下所得到的市场收益曲线，从图中可以看出随着优化时步数的不断增加，市场的收益也不断增大。但是，伴随着时步数的增加，风电出力和市场价格预测值的准确度也在不断下降，优化所用的时间也增加了。综合上述因素，本实施例选择4个时步数作为优化步长。
[0090]
基于图2的数据对风储联合发电商参与能量-调频市场的投标策略进行优化，结果如图4所示。从优化结果中可以看出，风储联合发电商同时参与到能量-调频市场时，根据当前两个市场的预测价格，分配其在能量和调频市场的出力。因为风电出力的不确定性，投标时风电参与能量-调频市场的总投标量会略小于风电预测出力值。从图4中可以看出优化得
到的投标策略能够使风储系统在能量市场的投标量与风储系统的实时出力相等，因而不会受到市场的惩罚。图5所表示的是市场总收益随风电、价格不确定度变化的情况，价格的不确定度对市场收益的影响比较大。价格不确定度包含能量市场价格，调频市场容量价格、调频性能价格的不确定度，如图6所示调频容量价格的不确定度对市场总收益的影响较大。两种不确定量对市场收益的影响如图7，因为风电作为市场价格的接受者，风电出力和价格两者之间没有联系，所以整个曲面是线性的，风储联合发电商可以根据自己对风险的接受程度选择相应保守度下的投标策略。