2025年含储能新型电力系统的现货市场出清模型研究报告_32页_8mb

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

本文研究了含储能的新型电力系统中现货市场的出清模型，重点探讨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。研究内容包括储能技术分类、国内储能参与现货市场的现状、美国和澳洲市场的管理方式、非预期性约束的重要性、以及基于分布鲁棒优化（DRO）的求解方法。

储能在新型电力系统中的角色

• 储能的重要性：储能技术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随机性和不确定性方面。
• Duck Curve 和 Canyon Curve：
  • Duck Curve：净负荷在白天减少，而在日落时迅速增加，对灵活性的需求显著增加。
  • Canyon Curve：随着新能源渗透率的提高，CAISO的净负荷可能变为负值，进一步增加了对灵活性的需求。
• 储能解决方案：通过电池充放电、其他形式的储能技术（如氢能、热能、重力储能、移动储能）来应对负荷和发电的波动。

储能技术分类

• 电化学储能：如锂电池、铅酸电池等，具有较高的能量密度和响应速度。
• 机械储能：包括抽水蓄能、压缩空气储能等，适合大规模应用。
• 其他储能形式：如氢能、热能、重力储能、移动储能等，各有其应用场景和优势。

国内储能参与电力现货市场现状

• 试点情况：第一批试点区域包括广东、山西等，已进入正式运行阶段；第二批试点区域如江苏、安徽等正在进行结算试运行。
• 政策支持：2023年9月，国家发改委和国家能源局发布《电力现货市场基本规则(试行)》，鼓励储能和虚拟电厂等新型主体参与市场。
• 参与方式：独立储能可采用报量报价或报量不报价的方式参与市场，不同省份有不同的具体规则。

储能参与电力市场与调度的挑战

• 非预期性约束：在非确定型决策模型中，非预期性约束是必须考虑的，以确保决策不依赖于未来信息。
• 非凸性问题：储能的充放电工况互斥，且其能量-功率特性非凸，导致优化问题复杂。
• 模型复杂性：非凸优化问题的求解复杂度呈指数级别增长，需引入二进制变量进行建模。

考虑不确定性和非预期性的多阶段优化模型

• 模型类型：
  • 随机规划（SP）：考虑随机性，通过有限场景集进行求解。
  • 鲁棒优化（RO）：考虑不确定性，通过无限不确定集进行优化。
  • 分布鲁棒优化（DRO）：在不确定性分布未知的情况下，通过模糊集进行建模，更接近实际应用。
• 非预期性约束的处理：
  • 场景树方法：构建确定型决策模型，确保决策仅依赖于当前及之前的历史信息。
  • 模型改进：通过将储能SOC转化为不确定量，实现时序解耦，从而简化模型结构。

储能调度在日前、日内优化中的衔接

• 日前调度：确定储能的鲁棒能量边界，作为日内调度的参考。
• 日内调度：采用前瞻调度模式，基于模型预测控制进行滚动出清，确保调度的灵活性和安全性。
• 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，提高计算效率。

分布鲁棒优化方法

• 优势：
  • 保证值函数有界（鲁棒性）。
  • 最小化最坏情况下的成本期望（保证出样性能）。
• 求解方法：
  • Benders分解：用于两阶段随机规划和鲁棒优化。
  • 列与约束生成法（C&CG）：用于细化场景集和优化模型。
  • 扩展C&CG方法：适用于分布鲁棒优化，处理无限支持集的优化问题。

优化结果与分析

• 测试系统：基于改进的IEEE 118节点系统，包含38%的可再生能源发电容量。
• 优化模型：
  • Model 1：本文提出的模型，考虑非预期性约束。
  • Model 2：不考虑非预期性的分布鲁棒模型，平均成本略高。
  • Model 3：确定性优化模型，导致部分负荷削减。
• 经济性对比：
  • Model 1在大多数日子里的调度成本更低，尤其在高新能源出力日（Day 6）表现更优。
  • Model 2在高新能源出力日成本显著增加，而Model 3则在低新能源出力日出现较大的负荷削减。

所提算法的效率

• 算法1：基于松弛后的储能模型的值函数，计算效率高。
• 算法2：基于嵌套的C&CG方法，虽然能细化场景集，但计算时间较长。
• 改进点：
  • 运行时间：算法1在Day 2和Day 6的运行时间分别比算法2少49.39秒和112.46秒。
  • 场景数量：算法1的场景数量更少，提高计算效率。

结论

本文提出的多阶段优化模型和算法有效考虑了储能的非凸性和非预期性约束，提高了电力系统调度的灵活性和经济性。同时，算法在运行时间和场景数量上具有显著优势，适用于大规模电力系统优化调度。