来源：《中国电力》2023年第1期
引文：郭之栋, 胡存刚, 芮涛, 等. 基于动态电价机制的用户侧分布式储能电能交易策略[J]. 中国电力, 2023, 56(1): 28-37.
点击文章底部左下角“阅读原文”可在手机端查看论文全文，登录官网www.electricpower.com.cn可免费下载全文。
在“碳达峰、碳中和”的战略目标驱动下，中国新能源并网装机将持续快速增长，这将进一步加剧负荷高峰时段电力系统的供需不平衡，呈现出发用电峰谷差较大的特点。分布式储能作为一种可灵活调度的分布式资源，因其具备灵活的双向调节能力，可实现电能的时空转移，有效应对可再生能源接入给电力系统安全稳定运行带来的挑战。目前，储能技术广泛应用于电力系统分布式电源侧、电网侧和用户侧。而随着储能技术的日趋成熟和成本的逐步下降，用户侧分布式储能的商业化应用受到广泛关注。用户通过“低储高放”的调度方式，可实现灵活消纳可再生能源、平滑净负荷曲线、参与电力市场交易等多重目标，进而降低自身的电力需求成本。《中国电力》2023年第1期刊发了郭之栋等人撰写的《基于动态电价机制的用户侧分布式储能电能交易策略》一文。文章提出了一种基于动态电价机制的配电系统用户侧分布式储能日前电能交易策略，并通过算例分析验证该策略对增加配电网运营经济效益、提升系统新能源消纳水平和降低电力用户用电成本方面的有效性。摘要
用户侧分布式储能具备优化用户电力负荷曲线和协调消纳系统侧可再生能源发电的能力。提出一种基于动态电价机制的配电系统用户侧分布式储能电能交易策略。首先，该策略在充分考虑新能源出力和用户电能需求不确定性的基础上，构建用户侧分布式储能和配电系统的日前电能调度模型；然后，根据动态电价机制对用户侧分布式储能调度计划和系统侧可再生能源消纳水平的影响，建立基于主从博弈的配电网运营商和用户侧储能运营商的电能交易模型，并采用启发式算法获取博弈模型的均衡解；最后，通过算例验证了所提电能交易策略可有效提升配电网运营商的经济效益与新能源消纳水平，并降低用户侧的运行成本。
本文所研究的用户侧分布式储能日前电能交易系统结构如图1所示，主要由配电网运营商（distribution network operator，DNO）和分布式储能的所有者（distributed energy storage system owner，DEO）构成。其中，DNO负责整个配电侧电力市场的运行与电能交易，通过与光伏电站和上级电网进行能量互动在满足配电系统用电需求的同时，保障系统的功率平衡。DEO配备用户侧分布式储能，在配电侧市场中既可购入电能，也可出售电能，并通过灵活调整本地储能系统充放电计划，降低用户购电成本或实现套利。
图1 系统结构
Fig.1 System structure
为合理调动用户侧分布式资源参与电力市场交易，满足各市场交易主体的经济效益，本文围绕DNO和DEO构建基于动态电价机制的电力市场交易模型，电能交易框架如图2所示。
Fig.2 Transaction structure of DNO and DEO
其中，DNO与上级电网之间的电能交易以传统分时电价与上网电价进行结算；DNO与DEO之间的电能交易则可描述为：以DNO作为内部电价机制的制定者，在综合考虑配网侧光伏出力预测误差、电力用户用电需求预测误差及用户侧分布式储能净负荷偏差的基础上，制定与DEO的交易电价DEO考虑自身负荷需求预测误差不确定性，确定用户侧储能的调度方案以及DEO与DNO之间的交互电量，并将相关信息反馈给DNO。为鼓励DEO参与配电系统的电力市场交易，DNO需保障其与DEO之间的电能交易结算价格优于传统的电能交易价格，即满足在充分考虑系统侧光伏出力间歇性和负荷需求随机性的基础上，采用拉丁超立方采样技术生成多个光伏出力场景和负荷需求场景，并通过K-means场景聚类方法进行典型场景的选取，从而获得各场景发生的概率。
2.1 DEO模型
DEO通过调控分布式储能装置的充放电行为实现削峰填谷，降低用户用电成本。在日前阶段，对于第m个DEO，需要考虑的成本主要包括其与DNO之间的电能交易成本和储能电池退化成本，可表示为
式中：以及分别为第m个DEO在周期 T 内的运行成本、与配网侧的电能交易成本以及储能装置的运行损耗成本；为 suser 场景发生的概率； Suser 为用户侧负荷需求场景总数；为 suser 场景下第m个DEO在 t 时刻的购电电量；为 suser 场景下第m个DEO在 t 时刻的售电电量； c 为储能装置的运行成本系数；为 suser 场景下第m个DEO在 t 时刻的储能充放电量；Δt 为储能充放电的时间间隔，本文取1 h。考虑到用户侧电能供需平衡和储能容量的时间耦合特性，目标函数式（2）还需满足如下约束条件。式中：为 suser 场景下t时刻第m个DEO的负荷用电量；用来表示第m个DEO的购售电状态，即时表示从配网侧购入电能，时表示对外出售电能。式中：分别为 suser 场景下第m个DEO的储能设备在 t 时刻的充放电功率； ηch,m 、 ηdis,m 分别为第m个DEO的储能设备的充、放电效率；分别为储能充放电功率的最大、最小值；为 suser 场景下第m个DEO的储能设备在 t 时刻的容量值；分别为第m个DEO的储能设备容量的上、下限值。在日前阶段，DNO以运营效益最大化为目标，调整内部动态电价，引导DEO参与电力市场交易，其优化目标可以表示为式中：CPV 、 Bload 、 Cgrid 及 CPAR 分别为DNO与DEO电能交易成本、DNO与光伏电站交易成本、DNO与常规用户交易成本、DNO与上级电网交易成本以及由净负荷波动产生的调峰成本；为 spv 场景发生的概率； Spv 为分布式光伏电站出力场景总数；为 spv 场景下分布式光伏电站y在t时刻的出力情况；为sload场景发生的概率；Sload为常规用户负荷需求场景总数；为sload场景下常规用户n在t时刻的负荷量；θ为调峰成本系数；分别为t时刻上级电网的购、售电量；M、N、Y分别为DEO主体、常规用户、光伏电站总数。式中： Gij 、 Bij 分别为线路 ij 段的电导、电纳； δij 为线路 ij 段首末节点的相位差；分别为i节点的有功功率、无功功率；分别为i、j节点的节点电压； Umax 、 Umin 分别为节点电压的上、下限值；为线路功率的上限值；I为所有节点的集合。
3.1 模型构建
由式（2）和式（14）可知，DEO与DNO的模型中存在电能交易耦合变量DNO的优化变量为因此，DNO可通过降低内部售电电价来促进DEO购电，也可通过提升内部购电电价来激励DEO参与电力市场交易，通过出售电能实现获利。因此，参与电能交易的市场主体DNO与DEO之间存在博弈关系，并可将二者之间的博弈构建为主从博弈。博弈模型数学表达式描述为
式中：DNO∪DEO 表示博弈参与方； {Pby} 为DNO制定的DEO日前购电电价策略集合； {Psy} 为DNO制定的DEO日前售电电价策略集合； {Eess,m} 为用户侧储能系统的充放电量策略集合；为DEO各自的运行效益集合；{CDNO} 为配电网运营商的运行效益集合。当DNO与DEO通过调整策略使式（2）、（14）实现最小化时，存在G的均衡解满足式（25）（26）。式中：为DNO在t时刻的购、售电电价的均衡解；为各DEO储能最优充放电量策略集的均衡解；为除第 m 个DEO外，其他用户侧储能的最优充放电策略集的均衡解。本小节通过DNO与DEO共同实现上述双层博弈模型的求解。其中上层DNO模型要实现日前内部动态电价的求解，下层DEO模型则要在上述动态电价下实现用户侧分布式储能优化调度策略的求解。由式（2）~（13）可知，下层DEO模型为混合整数规划模型，可通过调用商用求解器进行求解；对DNO来说，由于博弈模型求解过程中上、下层模型的求解是相互影响的，难以运用数学规划的方法得到用户侧分布式储能最优充放电量集合关于最优电价集合的函数关系。为实现DNO运行效益的最大化，在上层模型中采用差分进化算法实现对日前内部动态电价的寻优求解。算法流程如图3所示。
Fig.3 Flowchart of master-slave game solution
计算步骤如下。
（1）基础数据初始化。输入负荷、光伏及储能数据。
（2）算法参数初始化。设置种群规模 N 、代数 Gmax 、缩放因子 F 、交叉概率 cr （ cr∈[0,1] ）。
（3）种群初始化。以DNO的购、售电价作为父代种群，即
（4）计算种群适应度值。用户侧接收到电价种群后进行优化计算得出储能调度计划，并将其反馈给DNO。DNO结合反馈信息计算自身的运行成本，并将其作为适应度值返回。（5）差分进化。根据变异算子式（29）和交叉算子式（30）对种群进行交叉变异操作以生成子代种群。式中： P2(G)−P3(G) 为差分变量；rand(0,1) 为[0,1]上均匀分布的随机数。（6）判断是否满足 G>Gmax 。若满足，输出当前最优结果；不满足则返回步骤（4）继续运行。
为验证基于随机优化的用户侧储能优化调度策略的有效性，本文在Matlab2018 b平台下，调用Gurobi求解器，在图4所示的改进IEEE-33系统中进行仿真研究。Y=2，M=N=3；其中，第1~3个DEO分别位于节点11、29和23处；配网侧3个常规用户User1、User2和User3分别位于节点18、33和25处；2个光伏发电装置PV1、PV2分别位于节点5和17。用户侧储能容量分别为200 kW·h、300 kW·h和300 kW·h；最大充放电功率依次为50 kW、50 kW和75 kW；储能折旧成本系数取0.02 元/（kW·h）；储能装置充放电效率均为95%；初始 SOC为0.2，SOC的最大值为0.9，最小值为0.1；光伏上网电价为0.35 元/（kW·h）；调峰成本系数 θ 设为300；电网采用的分时电价如表1所示。
图4 改进的IEEE-33节点系统
Fig.4 Structure of improved 33-bus system
表1 分时电价
Table 1 Time of use electricity price
光伏及负荷预测数据如图5所示。t时刻光伏预测功率为t时刻DEO负荷预测功率为t时刻配网侧负荷预测功率为假设光伏预测误差、DEO负荷预测误差和常规用户负荷预测误差分别服从正态分布N(0,0.01 )、N(0,0.05 )和N(0,0.01 )。
经算例仿真，可获得本文所提策略下的内部动态电价曲线，如图6所示。可见，内部售电价和购电价全时段均位于电网电价之间，满足式（3）的要求。其中，在11:00—13:00时段和18:00—24:00时段，内部售电价明显低于电网售电价，可促进分布式储能用户在该时段增加购买电能，降低用电成本；在18:00—24:00时段内部购电价明显高于电网购电价，可引导分布式储能用户在该时段出售多余的电能，提高运营收益。结合动态电价曲线，对DEO储能调度计划和电能交易行为分别展开分析。
Fig.6 Trading price between DNO and DEO
图7给出了3个DEO中分布式储能的日前调度计划。以第2个DEO为例，在06:00—09:00时段，内部售电价和电网电价一致，且电价较低，用户侧分布式储能均开始充电；在10:00—11:00时段，内部售电价位于电价高峰，随着电力负荷的增加，分布式储能开始放电，以降低本地用户的用电成本；在11:00—14:00时段，内部售电价明显低于高峰期电网售电价或等于平值电价，储能再次进入充电状态；在18:00—22:00时段，电网电价进入高峰时期，尽管内部售电价低于电网电价，但依然较高，分布式储能可以通过放电，降低用户购电需求，节省成本；此外，由于内部购电价高于电网购电价，当本地负荷较低时，储能可以通过放电，进行售电，实现套利。
图7 储能调度情况
Fig.7 Optimal scheduling of energy storage system
为进一步说明储能充放电行为DEO电能交易的影响与优势，图8给出了3个DEO的在动态电价和电网电价下的电能交易行为。以第2个DEO为例，在动态电价的影响下，在11:00、12:00和14:00，第2个DEO的电能购买量增加；在13:00和15:00—17:00时段，第2个DEO电能的购买量下降；在19:00—22:00时段，第2个DEO不仅没有购买电能，还响应内部售电价，向外出售电能。可见，在动态电价影响下，DEO将从购电用户向购/售电用户转变，可以更为灵活地参与上层电力市场交易。
图8 DEO电能交易对比
Fig.8 Comparison of electric energy trading between DNO and DEO
为进一步说明所提方法对提升区域电网经济效益的有效性，表2给出了在电网电价和动态电价下DNO的运营收益和3个DEO的运行成本。经对比，可见DNO运营收益增加了15.52%；3个DEO的电能购置成本分别下降了7.93%、5.34%、4.70%。
Table 2 Benefit of DNO and operating cost of DEO
图9给出了电网电价和内部动态电价下的区域配电网净负荷曲线，可见区域配电网向上层电网送出电能的峰值功率和总电量均出现下降。表3进一步给出了区域配电网的可再生能源消纳率和峰均比。可见，在内部动态电价的激励下，可再生能源消纳率从69.35%提升至79.45%，峰均比从3.26下降至2.98。
Fig.9 Net load contrast curve of the systemTable 3 Comparison of PAR and PV utilization ratio
本文在考虑新能源发电及负荷预测误差不确定性基础上，提出了一种基于动态电价机制的用户侧分布式储能主从博弈优化方法。该方法充分利用用户侧分布式储能灵活、高效的特点，运用动态分时电价机制，充分调动用户侧分布式储能的灵活响应能力，提升配电系统内部各市场参与主体的能量互动水平。算例分析结果表明：所提方法可有效提升DNO的运营收益并降低用户的用电成本，提高配电侧光伏消纳水平，降低系统峰均比，使净负荷曲线更加平滑。
致 谢：本论文的研究工作得到了安徽省工业节电与用电安全实验室和安徽大学工业节电与电能质量控制协同创新中心的支持，特此致谢！
审核：方彤
根据国家版权局最新规定，纸媒、网站、微博、微信公众号转载、摘编《中国电力》编辑部的作品，转载时要包含本微信号名称、二维码等关键信息，在文首注明《中国电力》原创。个人请按本微信原文转发、分享。欢迎大家转载分享。