含储能新型电力系统的现货市场出清模型研究_32页_9mb

含储能新型电力系统的现货市场出清模型研究总结

核心内容概述

本文探讨了含储能的新型电力系统在现货市场中的出清模型，重点分析了储能参与市场与调度的挑战，以及如何构建考虑不确定性和非预期性的多阶段优化模型与算法。文章还通过案例和模拟结果展示了不同模型在经济性和运行效率方面的表现。

储能在新型电力系统中的角色与重要性

• 储能系统在新型电力系统中扮演着关键角色，尤其是在应对新能源发电的不确定性方面。
• 随着新能源比例的增加，电网的“鸭曲线”（Duck Curve）和“峡谷曲线”（Canyon Curve）现象日益显著，导致系统需要更高的灵活性。
• 储能能够通过充放电调节来缓解这些曲线带来的挑战，提升系统的稳定性和经济性。

储能参与电力现货市场的方式

• 独立储能：主要采用“报量报价”或“报量不报价”两种方式参与市场，不同省份有不同的具体规则。
• 山东：采用“报量不报价”原则，储能的上网电量按市场出清价格结算，并享受容量补偿费。
• 山西：允许独立储能按月自主选择参与方式，向新能源企业租赁的容量不影响其整体市场参与。
• 广东：储能作为独立主体参与现货市场，充放电价格均采用所在节点的分时电价。

储能参与电力市场与调度的挑战

• 非凸性问题：储能的充放电工况互斥，且能量-功率可行域是非凸的，导致模型求解复杂度高。
• 非预期性约束：在非确定型决策模型中，需考虑非预期性约束，即决策不能依赖未来的不确定性信息。
• 并行场景：忽略非预期性约束的模型可能利用未来的观测值进行决策，导致偏乐观的策略。
• 场景树：采用场景树形式构建模型，确保决策仅依赖于当前及以前的观测值，从而满足非预期性约束。

新能源发电的不确定性与处理方法

• 随机性：新能源发电具有概率特性，可通过伯努利分布等模型进行刻画。
• 不确定性：指结果不明确，常用于鲁棒优化中，通过不确定集进行建模。
• 模糊性：指模型不明确，如不知道新能源发电的具体概率分布，使用模糊集进行建模。
• 处理方法：
  • 随机规划（SP）：基于有限场景集进行优化。
  • 鲁棒优化（RO）：基于无限不确定性集，最小化最坏情况下的成本。
  • 分布鲁棒优化（DRO）：在无限支持集上最小化最坏情况下的期望成本，具有更强的鲁棒性和更好的样本外性能。

多阶段优化模型与算法

• 模型构建：
  • 引入二进制决策变量以刻画储能的非凸性。
  • 通过鲁棒优化确定储能在日内各时段的能量边界。
  • 在日前市场中确定储能的鲁棒运行域，为日内调度提供指导。
• 算法改进：
  • Algorithm 1：基于松弛后的储能模型价值函数进行优化，效率更高。
  • Algorithm 2：采用嵌套的列与约束生成方法（C&CG）进行场景优化，但计算时间较长。
  • 改进效果：Algorithm 1在运行时间和场景数量上均有显著优势。

储能调度在日前与日内优化中的衔接

• 日前市场：确定储能的鲁棒运行域，为日内调度提供约束。
• 日内市场：采用前瞻调度模式，基于模型预测控制进行滚动出清。
• 优化策略：
  • 动态优化策略#1：考虑滚动时域内的多时段能量边界约束。
  • 动态优化策略#2：仅在滚动时域最后一个时段约束能量边界，提升调度灵活性。

优化结果与经济性分析

• 模拟系统：基于修改后的IEEE 118-bus系统，包含38%的可再生能源发电容量。
• 优化结果：
  • Model 1（本文模型）：在多数日中表现出较低的调度成本，且在高新能源输出日（Day 6）中成本显著低于其他模型。
  • Model 2：不考虑非预期性约束，导致调度成本略高，尤其在高新能源输出日成本显著增加。
  • Model 3：确定性优化模型，存在负荷削减问题，成本波动较大。
• 经济性对比：
  • Model 1在Day 1和Day 2中成本略低，而在Day 6中成本显著低于Model 2。
  • Model 3在某些日中出现负荷削减，影响系统稳定性。

所提算法的效率分析

• 运行时间：
  • Algorithm 1在Day 2中运行时间为49.39秒，Algorithm 2为153.03秒。
  • Algorithm 1在Day 6中运行时间为112.46秒，Algorithm 2为525.55秒。
• 场景数量：
  • Algorithm 1使用较少的场景（13 vs. 22），提高了计算效率。

国内外储能市场现状

• 国内：
  • 山东、山西、广东等地已明确独立储能参与现货市场的规则。
  • 国内大规模储能项目如山东东营津辉795兆瓦/1600兆瓦时集中式储能项目、河北丰宁3600兆瓦抽水蓄能电站等，展示了储能在实际系统中的应用。
• 国外：
  • 美国ISOs/RTOs：如NYISO、MISO、PJM、CAISO等，采用不同方式管理储能，包括优化运行边界、考虑非预期性等。
  • 澳洲：电化学储能项目如Hornsdale Power Reserve，展示了其在市场中的盈利潜力。

结论

• 本文提出的基于分布鲁棒优化的多阶段调度模型能够有效应对新能源发电的不确定性和非预期性，提升系统的经济性和运行安全性。
• 通过引入二进制决策变量和鲁棒能量边界，模型能够更精确地反映储能的非凸特性。
• 所提算法在运行效率和场景数量上均优于传统方法，具有良好的应用前景。