中國儲能網訊：
摘要 用戶側分布式儲能具備優(yōu)化用戶電力負荷曲線和協調消納系統側可再生能源發(fā)電的能力。提出一種基于動態(tài)電價機制的配電系統用戶側分布式儲能電能交易策略。首先，該策略在充分考慮新能源出力和用戶電能需求不確定性的基礎上，構建用戶側分布式儲能和配電系統的日前電能調度模型；然后，根據動態(tài)電價機制對用戶側分布式儲能調度計劃和系統側可再生能源消納水平的影響，建立基于主從博弈的配電網運營商和用戶側儲能運營商的電能交易模型，并采用啟發(fā)式算法獲取博弈模型的均衡解；最后，通過算例驗證了所提電能交易策略可有效提升配電網運營商的經濟效益與新能源消納水平，并降低用戶側的運行成本。
1 配電系統用戶側分布式儲能電能交易框架
1.1 系統結構
本文所研究的用戶側分布式儲能日前電能交易系統結構如圖1所示，主要由配電網運營商（distribution network operator，DNO）和分布式儲能的所有者（distributed energy storage system owner，DEO）構成。其中，DNO負責整個配電側電力市場的運行與電能交易，通過與光伏電站和上級電網進行能量互動在滿足配電系統用電需求的同時，保障系統的功率平衡。DEO配備用戶側分布式儲能，在配電側市場中既可購入電能，也可出售電能，并通過靈活調整本地儲能系統充放電計劃，降低用戶購電成本或實現套利。
圖1 系統結構
Fig.1 System structure
1.2 交易框架
為合理調動用戶側分布式資源參與電力市場交易，滿足各市場交易主體的經濟效益，本文圍繞DNO和DEO構建基于動態(tài)電價機制的電力市場交易模型，電能交易框架如圖2所示。
圖2 交易框架
Fig.2 Transaction structure of DNO and DEO
其中，DNO與上級電網之間的電能交易以傳統分時電價圖片與上網電價圖片進行結算；DNO與DEO之間的電能交易則可描述為：以DNO作為內部電價機制的制定者，在綜合考慮配網側光伏出力預測誤差、電力用戶用電需求預測誤差及用戶側分布式儲能凈負荷偏差的基礎上，制定與DEO的交易電價圖片DEO考慮自身負荷需求預測誤差不確定性，確定用戶側儲能的調度方案以及DEO與DNO之間的交互電量，并將相關信息反饋給DNO。為鼓勵DEO參與配電系統的電力市場交易，DNO需保障其與DEO之間的電能交易結算價格優(yōu)于傳統的電能交易價格，即滿足
2 優(yōu)化調度模型
在充分考慮系統側光伏出力間歇性和負荷需求隨機性的基礎上，采用拉丁超立方采樣技術生成多個光伏出力場景和負荷需求場景，并通過K-means場景聚類方法進行典型場景的選取，從而獲得各場景發(fā)生的概率。
2.1 DEO模型
DEO通過調控分布式儲能裝置的充放電行為實現削峰填谷，降低用戶用電成本。在日前階段，對于第m個DEO，需要考慮的成本主要包括其與DNO之間的電能交易成本和儲能電池退化成本，可表示為
考慮到用戶側電能供需平衡和儲能容量的時間耦合特性，目標函數式（2）還需滿足如下約束條件。
（1）功率平衡約束為
（2）儲能運行約束為
2.2 DNO模型
在日前階段，DNO以運營效益最大化為目標，調整內部動態(tài)電價，引導DEO參與電力市場交易，其優(yōu)化目標可以表示為
在各節(jié)點功率已知的情況下，圖片可由下述潮流方程求解。
3 主從博弈模型構建及求解
3.1 模型構建
3.2 模型求解
本小節(jié)通過DNO與DEO共同實現上述雙層博弈模型的求解。其中上層DNO模型要實現日前內部動態(tài)電價圖片的求解，下層DEO模型則要在上述動態(tài)電價下實現用戶側分布式儲能優(yōu)化調度策略的求解。由式（2）~（13）可知，下層DEO模型為混合整數規(guī)劃模型，可通過調用商用求解器進行求解；對DNO來說，由于博弈模型求解過程中上、下層模型的求解是相互影響的，難以運用數學規(guī)劃的方法得到用戶側分布式儲能最優(yōu)充放電量集合圖片關于最優(yōu)電價集合圖片的函數關系。為實現DNO運行效益的最大化，在上層模型中采用差分進化算法實現對日前內部動態(tài)電價的尋優(yōu)求解。算法流程如圖3所示。
圖3 算法流程
Fig.3 Flowchart of master-slave game solution
計算步驟如下。
（1）基礎數據初始化。輸入負荷、光伏及儲能數據。
（2）算法參數初始化。設置種群規(guī)模 N 、代數 Gmax 、縮放因子 F 、交叉概率 cr （ cr∈[0,1] ）。
（3）種群初始化。以DNO的購、售電價作為父代種群，即
（4）計算種群適應度值。用戶側接收到電價種群后進行優(yōu)化計算得出儲能調度計劃，并將其反饋給DNO。DNO結合反饋信息計算自身的運行成本，并將其作為適應度值返回。
（5）差分進化。根據變異算子式（29）和交叉算子式（30）對種群進行交叉變異操作以生成子代種群。
式中： P2(G)?P3(G) 為差分變量；rand(0,1) 為[0,1]上均勻分布的隨機數。
（6）判斷是否滿足 G>Gmax 。若滿足，輸出當前最優(yōu)結果；不滿足則返回步驟（4）繼續(xù)運行。
4 算例分析
4.1 基礎數據
為驗證基于隨機優(yōu)化的用戶側儲能優(yōu)化調度策略的有效性，本文在Matlab2018 b平臺下，調用Gurobi求解器，在圖4所示的改進IEEE-33系統中進行仿真研究。Y=2，M=N=3；其中，第1~3個DEO分別位于節(jié)點11、29和23處；配網側3個常規(guī)用戶User1、User2和User3分別位于節(jié)點18、33和25處；2個光伏發(fā)電裝置PV1、PV2分別位于節(jié)點5和17。用戶側儲能容量分別為200 kW?h、300 kW?h和300 kW?h；最大充放電功率依次為50 kW、50 kW和75 kW；儲能折舊成本系數取0.02 元/（kW·h）；儲能裝置充放電效率均為95%；初始 SOC為0.2，SOC的最大值為0.9，最小值為0.1；光伏上網電價為0.35 元/（kW?h）；調峰成本系數 θ 設為300；電網采用的分時電價如表1所示。
圖4 改進的IEEE-33節(jié)點系統
Fig.4 Structure of improved 33-bus system
表1 分時電價
Table 1 Time of use electricity price
圖5 基礎數據
Fig.5 Basic data
4.2 內部動態(tài)電價優(yōu)化結果
經算例仿真，可獲得本文所提策略下的內部動態(tài)電價曲線，如圖6所示?？梢姡瑑炔渴垭妰r和購電價全時段均位于電網電價之間，滿足式（3）的要求。其中，在11:00—13:00時段和18:00—24:00時段，內部售電價明顯低于電網售電價，可促進分布式儲能用戶在該時段增加購買電能，降低用電成本；在18:00—24:00時段內部購電價明顯高于電網購電價，可引導分布式儲能用戶在該時段出售多余的電能，提高運營收益。結合動態(tài)電價曲線，對DEO儲能調度計劃和電能交易行為分別展開分析。
圖6 內部動態(tài)電價與電網電價對比
Fig.6 Trading price between DNO and DEO
4.3 儲能充放電行為分析
圖7給出了3個DEO中分布式儲能的日前調度計劃。以第2個DEO為例，在06:00—09:00時段，內部售電價和電網電價一致，且電價較低，用戶側分布式儲能均開始充電；在10:00—11:00時段，內部售電價位于電價高峰，隨著電力負荷的增加，分布式儲能開始放電，以降低本地用戶的用電成本；在11:00—14:00時段，內部售電價明顯低于高峰期電網售電價或等于平值電價，儲能再次進入充電狀態(tài)；在18:00—22:00時段，電網電價進入高峰時期，盡管內部售電價低于電網電價，但依然較高，分布式儲能可以通過放電，降低用戶購電需求，節(jié)省成本；此外，由于內部購電價高于電網購電價，當本地負荷較低時，儲能可以通過放電，進行售電，實現套利。
圖7 儲能調度情況
Fig.7 Optimal scheduling of energy storage system
4.4 DEO電能交易行為分析
為進一步說明儲能充放電行為DEO電能交易的影響與優(yōu)勢，圖8給出了3個DEO的在動態(tài)電價和電網電價下的電能交易行為。以第2個DEO為例，在動態(tài)電價的影響下，在11:00、12:00和14:00，第2個DEO的電能購買量增加；在13:00和15:00—17:00時段，第2個DEO電能的購買量下降；在19:00—22:00時段，第2個DEO不僅沒有購買電能，還響應內部售電價，向外出售電能?？梢姡趧討B(tài)電價影響下，DEO將從購電用戶向購/售電用戶轉變，可以更為靈活地參與上層電力市場交易。
圖8 DEO電能交易對比
Fig.8 Comparison of electric energy trading between DNO and DEO
4.5 效益對比
為進一步說明所提方法對提升區(qū)域電網經濟效益的有效性，表2給出了在電網電價和動態(tài)電價下DNO的運營收益和3個DEO的運行成本。經對比，可見DNO運營收益增加了15.52%；3個DEO的電能購置成本分別下降了7.93%、5.34%、4.70%。
表2 DNO的效益和DEO的運行成本
Table 2 Benefit of DNO and operating cost of DEO
4.6 能源消納與峰均比
圖9給出了電網電價和內部動態(tài)電價下的區(qū)域配電網凈負荷曲線，可見區(qū)域配電網向上層電網送出電能的峰值功率和總電量均出現下降。表3進一步給出了區(qū)域配電網的可再生能源消納率和峰均比?？梢姡趦炔縿討B(tài)電價的激勵下，可再生能源消納率從69.35%提升至79.45%，峰均比從3.26下降至2.98。
5 結論
本文在考慮新能源發(fā)電及負荷預測誤差不確定性基礎上，提出了一種基于動態(tài)電價機制的用戶側分布式儲能主從博弈優(yōu)化方法。該方法充分利用用戶側分布式儲能靈活、高效的特點，運用動態(tài)分時電價機制，充分調動用戶側分布式儲能的靈活響應能力，提升配電系統內部各市場參與主體的能量互動水平。算例分析結果表明：所提方法可有效提升DNO的運營收益并降低用戶的用電成本，提高配電側光伏消納水平，降低系統峰均比，使凈負荷曲線更加平滑。
