图1 社区能量流和信息流
Fig.1 Energy flow and information flow diagram of community
摘要 随着能源短缺、环境污染等问题日益突出，大量的可再生能源和储能（ESS）开始接入用户侧。由于可再生能源出力的间歇性造成的问题较为突出，因此研究电力市场环境下分布式光储的运营策略，对提高用户用电的经济性、ESS资源的利用率及系统的消纳能力具有重要意义。该文以社区为背景，借鉴航空等领域的超售运营策略，以社区用户群总收益最大为目标，建立了超售策略下社区共享光储联合运行的优化模型。对基于超售模式下共享光储社区能量管理系统进行了算例仿真，结果表明对于光储系统推广初期发掘用户积极性方面，少量超售ESS资源参与调频市场是一种经济高效的运营策略，能够充分利用ESS资源，促进清洁能源消纳。
关键词：分布式光储 超售运营 价格套利 调频服务 共享
为应对日益突出的能源短缺、环境污染等问题，电力系统正经历前所未有的转型[1]。作为这项转型的一部分，预计市场将提供并整合大量可再生能源发电技术。但是，随着可再生能源的大量接入，其出力的间歇性造成的问题较为突出[2]，可能降低电网资产的利用率及系统的消纳能力[3]。作为有成本效益的新兴技术，储能系统（Energy Storage System, ESS）等被认为是支持可再生能源消纳的主要灵活性来源[4-5]，并且能够存储富余电量满足用户负荷需求。
目前ESS的成本仍然较高，缺乏灵活性市场机制支撑下ESS在能量市场进行价格套利的有限收益难以回收其高昂的初期投资[6]。为此，国内外已有诸多学者对ESS的运营模式进行探究。
文献[7]提出一种共享储能动态容量租赁模型，揭示共享储能提高效益的本质。文献[8-9]从博弈论的角度考虑用户或建筑之间共享ESS，证明共享ESS可以降低总能源运营成本。文献[10]通过能源服务供应商整合区域内分散的用户，展示共享分布式光伏（Photovoltaic, PV）和ESS的经济潜力，从而充分利用光储资源。文献[11]提出一种点对点（Peer-to-Peer, P2P）能源交易框架，允许产销者在社区中共享分布式PV和ESS。文献[12]研究了考虑保护用户隐私的小型社区P2P能源共享策略，以此获得最大收益。文献[13]考虑共享光储联合运行，以促进PV消纳和ESS进行价格套利，从而节省用户购电成本。文献[14]考虑智能楼宇之间的PV和ESS的电能共享，以园区调度总成本最小为目标建立了日前调度优化模型。然而上述文献对ESS资源的共享仅限于在同质用户之间，即仅参与了能量市场，并未实现多个服务共享ESS的模式。
文献[15-18]以收益最大化为目标，研究ESS同时参与能量市场的价格套利和辅助服务市场的调频或备用服务等多服务组合的策略。文献[19]建立了ESS用于减小弃风和参与电网二次调频服务的风储联合运行的优化模型。文献[20]提出利用储能辅助风电场跟踪调度计划同时提供调频服务的控制策略。上述文献的本质都是对ESS参与服务共享策略的研究，通过共享来自ESS的出力和容量来参与多个市场实现多服务组合，比起单一套利模式更能提高ESS所有者的收益，充分调动其积极性。
但是由于调频、备用等服务发生的概率是基于系统的实时条件，虽然留有一定容量，但实际被调用情况则不一定会发生，且一次充放电动作也可能会满足两个辅助服务需求，由此可能导致ESS往往存在“冗余”现象，即对其资源的利用仍然不足。那么如何改善其运营策略，以最大程度地利用ESS资源来提高经济效益呢？鉴于航空业广泛存在的超售航班座位的运营策略，文献[21]通过对比电力行业和航空业的共同特性，将超售运营这一概念引入电力行业，其仅仅是理论分析，并未通过算例进行验证。文献[22]使用分布式ESS向系统运营商提供服务，并考虑了备用服务的低利用率，以提高ESS的利用率并改善其经济性，但是对ESS未交付服务的惩罚并未明确。文献[23]考虑超售分配给配网支撑服务的ESS资源以实现更多的平衡服务，验证了ESS超售运营策略的可行性，但未考虑接入PV等清洁能源。
为此，在当前清洁能源和可再生能源受到极大重视的新形势下，本文以社区分布式光储资源由少及多的普及过程为背景，提出考虑超售的共享分布式光储参与套利及调频辅助服务提供等混合商业模式的协同运营策略，建立面向终端用户收益最大化的光储联合运营策略优化模型。对基于超售模式下共享光储社区能量管理系统进行算例仿真，结果表明对于光储系统推广初期发掘用户积极性方面，少量超售ESS资源是一种经济高效的运营策略，有利于提高社区用电经济性，充分利用ESS资源并达到促进清洁能源消纳的目的，以期对光储系统的不同发展阶段提供一定的参考。
ESS超售是指根据ESS参与服务调用的概率、ESS可用容量等因素，确定ESS的超售容量，通过尽可能利用其容量空间来增加收益。由于容量资源具有非及时交付特性，并且ESS参与调频服务时预先提交的是容量而不是电量资源，因此当提交容量资源时，ESS可以采用超售的方式。即使存在超售容量资源而无法交付的可能，并且需要交付相应的罚金，也可在其他时段凭借超售的容量资源获得更大的收益。但是ESS参与价格套利时，由于电量资源具有实时交付的特性，所以无法进行超售。
当前通过非营利性的社区代理商进行用户的电能和资源的共享越来越受到研究人员的关注。因此，本文借鉴文献[24-25]构建了含分布式光储系统的智能社区用户参与日前市场的调度框架，其信息流和能量流如图1所示。共享光储社区能量管理系统（简称社区管理系统）作为一个非盈利性虚拟公共平台[24-25]，负责制定社区各用户电能调度计划，同时通过自动匹配有PV供需意愿的用户以实现社区内部的电能共享。社区管理系统还在社区功率缺额时，代理用户从大电网购电，再将电能分配给各用户；富余电能可以返送至电网获取收益。同时，文本讨论的社区管理系统不以营利为目的，但会收取固定的管理服务费用[26]。
图1 社区能量流和信息流
Fig.1 Energy flow and information flow diagram of community
此外，用户除了在社区管理系统的协调下进行电能的优化调度，还将自身多余的ESS资源作为需求响应租赁给聚合商参与电网辅助服务[27]。由于用户自身无法获取电网频率波动等信息，因此由聚合商聚集各用户的ESS资源参与电网调频服务，并通过参与批发市场的辅助服务获益，用户也因此能够获得一定的收益。
用户PV和ESS可被调度的情况如下所述：
（1）用户日常负荷为刚性负荷，不考虑柔性负荷。
（2）PV发电首先考虑满足用户自身负荷的使用，即PV-to-House（PV2H）过程。当有剩余时，可分三个去向：①由自身ESS储存，即PV-to-ESS（PV2ESS）过程；②共享给社区其他用户使用，即PV-to-Community（PV2C）过程；③余量上网，即PV-to-Grid（PV2G）过程。
（3）ESS储存的电量资源由用户自身负荷使用，即ESS-to-House（ESS2H）过程；ESS的部分容量资源共享给聚合商为电网提供调频服务使用。
本文以最大化社区用户群收益为目标，构建超售策略下社区共享光储优化模型。
2.1.1 用户群用电总费用
社区用户群用电总费用包括购电成本和售电收入，如式（1）～式（4）所示。
（1）
（2）
（3）
（4）
式中，
、
分别为用户编号、时段；
为社区用户总数；
为优化周期；
为时间间隔；
为用户群购电成本；
为用户群售电收入；
为聚合商代理用户在时段向电网购电功率；
为各时段的购电价格；
为用户的PV在时段的售电功率；
为PV上网电价；
为聚合商代理用户在时段向电网购电用于维持负荷的功率；
为聚合商代理用户在时段向电网购电用于ESS存储的功率。
2.1.2 聚合商调频收益
聚合商调频收益包括容量收益、里程收益及超售但未履行时的罚金，如式（5）～式（8）所示。
（5）
（6）
（7）
（8）
式中，
为调频容量收益；
为调频里程收益；
为罚金；
、
、
分别为时段的调频容量价格、调频里程价格和罚金系数；
为用户在时段上报参与的调频功率；
为用户在时段实际能够参与的调频功率；
为调频指令调用概率。
2.1.3 储能寿命折损总费用
ESS系统的寿命与充放电循环次数相关，即
（9）
式中，
为用户群ESS寿命折损费用；
、
分别为ESS的充、放电功率；
为ESS寿命折损系数。
2.1.4 用户群总收益
用户群储能租赁总收益定义为储能租赁系数
乘以聚合商调频收益，即聚合商在获得调频收益后要将一定比例的收益返还给用户。
以最大化社区用户群总收益为目标，目标函数包含三个部分：用户群用电总费用、用户群储能租赁总收益、储能寿命折损总费用、平台管理服务总费用。
（10）
式中，
为用户群用电总费用；
为聚合商调频收益；为储能租赁系数；
为平台管理服务总费用。
1）用户储能功率和电量约束
（11）
（12）
（13）
（14）
（15）
（16）
（17）
式中，
、
为0-1变量，分别代表ESS的充、放电状态；
为ESS充、放电功率的最大值；
、
分别为ESS的充、放电效率；
为ESS的荷电状态；
为自放电率；
、
分别为ESS荷电状态的上、下限；
为ESS荷电状态的初始值；
为ESS的额定容量。
2）共享储能参与调频时实际能够参与调频功率约束
（18）
超售模式下，当实际能够参与调频功率和ESS充放电功率之和小于ESS最大充放电功率时，ESS实际能够参与调频功率就等于本身；当实际调频功率与ESS充放电功率之和大于ESS最大充放电功率时，ESS实际能够参与调频功率只能等于ESS最大充放电功率与ESS充放电功率之差。
3）各用户储能系统约束
（19）
（20）
式中，
为用户在时段进行PV2ESS过程传输的功率；
为用户在时段进行ESS2H过程传输的功率。
4）用户光伏出力约束
（21）
式中，
为用户在时段进行PV2H过程传输的功率；
为用户在时段进行PV2C过程传输的功率；为用户在时段进行PV2G过程传输的功率；
为用户在时段的PV出力预测值。
5）用户功率平衡约束
（22）
（23）
式中，
为用户在时段的外部供电功率；
为用户在时段接受到的其他用户共享的功率；
为用户在时段的负荷。
6）线路约束
（24）
（25）
（26）
式中，
为0-1变量，保证用户接受外部供电和共享给其他用户以及PV上网不同时进行，0表示PV2C和PV2G，1表示用户接受外部供电；
为线路能够承受的最大功率。
7）共享光伏功率约束
（27）
本文采用蒙特卡罗模拟法计算风险价值。
（28）
（29）
式中，
为在
下组合的在险价值；
为相对；
为概率度量；Dp为组合在未来持有期内的损失，
，
为组合在当前
时刻的价值；为置信水平；
为周期内用户总收益期望；
为用户总收益。
本文通过选取的典型场景及ESS参数确定最优超售量。同时，依据2019年PJM市场运行的历史数据[28]及其分布特性进行蒙特卡罗模拟确定3 000个场景，并在确定的最优超售量下计算每个场景的价值，再进行风险价值分析评估。若在一定的置信水平下，风险价值仍低于共享模式下的风险价值，则认为风险可以接受，并输出最优超售策略；否则，在原最优超售量的一定范围内重新确定最优超售量，并计算风险价值，直至风险可以接受。具体的模型求解流程如图2所示。
图2 超售模式下模型求解流程
Fig.2 Model solving flow chart in oversold mode
综上所述，本文以整个用户群收益最大为优化目标，构建了考虑超售运营的共享光储优化模型。其中优化决策变量梳理如下：①用户与电网/其他用户交互相关项，如、、、、、；②ESS相关项，如、、
、、、、；③PV相关项，如、。本文整个算法在Matlab R2020b平台下采用当前较为广泛应用的商业软件CPLEX 12.5对模型进行求解。
1）用户购售电电价和储能租赁系数
购电电价采用分时电价，参考工业电价，见表1；售电电价为光伏余电上网电价，为0.391元/(kW·h)；平台管理服务费用为10元/天；储能租赁系数为0.6。
表1 用户购电电价
Tab.1 Electricity price for consumer
属性时间对应时段购电电价/[元/(kW·h)] 峰段14:00～16:00,19:00～21:0029～40,49～601.155 平段7:00～13:00,17:00～18:00,22:00～23:001～28,41～48,61～680.7 谷段24:00,1:00～6:0069～72,73～960.35
2）储能参与调频市场价格和罚金价格
美国联邦能源监管委员会（FERC）于2011年发布的755号法案中规定，对调频资源补偿包含两个部分[29-30]：①参与调频的容量补偿；②里程补偿。在我国，由各地区电力监管部门制定了发电机组提供辅助服务的实施细则和补偿机制，但由于尚未有ESS技术在调频领域规模化应用的经验[31]，因此尚未包含对ESS参与调频的准入条件和补偿办法。
由于美国仅有CAISO及ERCOT市场区分上、下调频，因此本文对此不作区分[19,32]，并假设ESS作为调频市场中的价格接受者，并以15min作为调频服务的周期和结算时段，即优化周期T=96。
此外，由于本文的重点在于研究光储系统推广初期发掘用户积极性方面少量超售ESS资源的策略及其带来的价值，假定负荷聚合商具有一定的信息优势，依据电网状态信息能够帮助底层用户对于一定条件下调频资源被调用的概率进行预测。所有历史数据取2019年PJM市场全年平均值进行模拟[28]，调频调用率预测数据如图3所示，罚金系数设置为35倍容量电价[23]。
3）光伏出力和用户负荷数据
采用Pecan Street实测数据[33]。假设所有用户处在一个社区，太阳辐射强度近似相等，并且每个用户都安装相同规格的太阳能电池板，即所有用户PV出力曲线相同。取用户总数
，包括重负荷用户和轻负荷用户，两种用户类型的比例为4:6，用户1～4为重负荷用户，用户5～10为轻负荷用户。用户负荷和光伏出力曲线如图4所示。
图3 调频调用率预测数据
Fig.3 Prediction data of frequency regulation ratio
图4 用户负荷和光伏出力曲线
Fig.4 Load and photovoltaic output curve of consumer
4）储能系统参数
假设每位用户都装有相同参数的ESS，ESS寿命折损系数为0.1[34]，其余参数见表2。
表2 储能系统参数
Tab.2 Energy storage system parameters
参数数值 电池容量/(kW·h)10 最大充放电功率/kW5 充放电效率（%）95 初始荷电状态0.3 荷电状态最小值0.25 荷电状态最大值0.95
算例设置了三种不同的模式，分别为：模式0，基础模式，即用户之间共享PV，ESS仅供用户自身参与价格套利，不考虑ESS共享给聚合商参与调频服务和ESS的超售运营；模式1，共享模式，即用户之间共享PV且ESS供用户自身参与价格套利和共享给聚合商参与调频服务，但不考虑ESS的超售运营；模式2，超售模式，即用户之间共享PV且ESS供用户自身参与价格套利和共享给聚合商参与调频服务，并按最优超售量超售调频服务。
为了便于分析，本文设置模式0作为参照对象，主要对模式1和模式2进行深入研究。
3.2.1 共享模式
共享模式下，ESS同时参与价格套利和调频服务时，需要分析在不同市场中的获益情况，将ESS参与价格套利和调频服务的功率及容量进行合理分配，使得收益最大化。
以重负荷用户（用户1）为例，如图5所示，ESS参与价格套利时，在部分平时段光伏有剩余时进行PV2ESS过程，峰时段主要进行ESS2H过程。
图5 共享模式下储能充放电功率、调频容量和SOC
Fig.5 Energy storage charge and discharge power, frequency regulation capacity and SOC in sharing mode
在时段10～18由于PV大发，且用户在该时段负荷不大，所以放弃部分容量参与调频，而进行PV2ESS过程来存储多余PV出力；同时在时段45～48由于电价较低，因此放弃参与部分调频，而从电网购电进行存储。在时段37～40和49～55，由于电价较高，因此放弃参与部分调频，而进行ESS2H过程减少从电网购电。
同时由于ESS自放电率和电量可持续性约束的存在，因此在部分谷时段，如时段75、95等不得不放弃部分调频容量，而向电网购电存储以维持SOC。
3.2.2 超售模式
在共享模式的基础上，考虑ESS按照59.75kW最优超售量超售调频服务。
以重负荷用户（用户1）为例，如图6所示，由于ESS参与调频服务超售的影响，ESS参与价格套利时，并没有在峰时段以较大功率进行ESS2H过程，也没有平时段光伏有剩余时以较大功率进行PV2ESS过程，但仍会在部分平时段、谷时段向电网购电存储以维持SOC。
在时段45～48，ESS调频电量调用率为27.54%，即调频里程达到16.45kW，大于ESS最大输出功率，即使ESS不参与能量市场的价格套利也存在超售行为。同样，在时段73～76，ESS调频电量调用率为8.87%，即调频里程达到5.30kW，大于ESS最大输出功率，因此ESS放弃参与能量市场的价格套利来尽量满足调频需求。
图6 超售模式下储能充放电功率、调频容量和SOC
Fig.6 Energy storage charge and discharge power, frequency regulation capacity and SOC in oversold mode
在时段52～54（峰时电价时段），由于ESS在能量市场中放电所节省的成本大于在调频服务市场未履约时所受的罚金和得到的收益，因此在该时段同样存在实际超售行为，用户选择占用ESS调频所预缴的容量，进行放电套利。其他时段则是预期超售但没有实际超售，不会产生实际的安全问题。
3.2.3 用户价值分析
基础模式下，用户用电费用为378.57元。
共享模式比基础模式增加了调频容量和里程收益。虽然储能折旧成本小幅提高，但用户群收益仍比基础模式增加了54.39元。
超售模式下，由于将较大的部分ESS功率投入调频市场，用电费用比共享模式略有增加；但调频容量和里程收益远大于共享模式，用户ESS租赁收益大幅提高；虽然由于储能更多参与调频导致折旧成本有一定的提高，但用户群收益仍比共享模式提高88.85%。同时聚合商调频收益也大大提高，三种模式下的用户价值见表3。
表3 三种模式下的用户价值 （单位：元）
Tab.3 The value of consumers in three modes
模式用电费用储能租赁收益用户群收益调频容量里程收益调频罚金聚合商收益 基础378.57—-409.58——— 共享372.4262.43-355.19104.05—41.62 超售460.43645.39-39.591461.00385.35430.26
3.3.1 风险价值分析
由于超售模式能够带来更大的经济效益，因此本文重点研究超售模式下共享光储的运营策略。为此，需要进行风险价值评估分析，在负荷聚合商能够对调频资源调用率进行较准确预测的前提下，进行蒙特卡罗模拟确定3 000个运行场景，并在上述最优超售量下确定每个场景下的用户总收益，如图7所示。其中场景最大收益为685.28元，最小收益为-678.87元，收益期望为-36.36元，比共享模式下的总成本减少318.83元。
图7 准确预测时模拟场景下的总收益概率分布情况
Fig.7 Probability distribution of total benefits in simulated scenarios when accurately forecasting
同时对各场景下的用户总收益，进行风险价值评估：在给定置信水平
下，损失超过-500.26元的概率为1%，相对
为463.90元；在给定置信水平
下，损失超过-360.17元的概率为5%，相对为323.81元。收益区间概率分布见表4，在大部分场景中的收益在[-200,100]元之间，均高于共享模式的收益。
表4 收益区间概率分布
Tab.4 Probability distribution of benefits interval
收益区间/元概率（%）收益区间/元概率（%） [-700, -600]0.2[0,100]17.93 [-600, -500]0.8[100,200]12.73 [-500, -400]2.6[200,300]6.9 [-400, -300]5.9[300,400]3.67 [-300, -200]11.13[400,500]0.97 [-200, -100]17.03[500,600]0.17 [-100,0]19.8[600,700]0.17
当负荷聚合商未能对调频资源调用率进行较准确预测时，假设有一定的概率偏差，在上述最优超售量下模拟场景的用户总收益概率分布情况如图8所示。其中场景最大收益为535.54元，最小收益为-2 387.41元，收益期望为-942.35元，收益大大减少，甚至低于基础模式下的总收益。此时认为风险不可接受，也无法在原最优超售量的小范围内寻得合适的最优超售量，因此在这种情况下，超售是不可取的。
图8 误差预测时模拟场景下的总收益概率分布情况
Fig.8 Probability distribution of total benefits in simulated scenarios when inaccurately forecasting
3.3.2 灵敏度分析
考虑不同的超售量对场景总收益的影响，不同超售容量下的总收益如图9所示。可以看到最优超售容量59.75kW下，总收益最大为-39.59元，而在53.77kW（-10%）、47.80kW（-20%）、41.83kW（-30%）超售容量下，总收益逐渐减少。同样在65.73kW（+10%）、71.70kW（+20%）、77.68kW（+30%）超售容量下，总收益也逐渐减少。
图9 不同超售容量下的总收益
Fig.9 Total benefits under different oversold capacity
研究不同的罚金系数对最优超售量下总收益的影响，如图10所示。结果表明，总收益随着罚金系数的增加而呈指数下降，这是由于尽管行使服务的概率保持不变，但随着罚金系数的增加，未交付的罚金太高了，因此最优超售量将大大减小，总收益也将减少。当罚金系数过大时，只是预期超售，并未实际超售，因此并未交付罚金，最优超售量最终也将收敛。
研究不同的调频调用率在相同罚金系数下对总收益的影响，如图11所示。结果表明，用户总收益随着调频调用率的增加也显著下降，可见该策略在调用指令概率低时更有优势，这与实际中调频调用概率较低相一致。
图10 不同罚金系数下的收益
Fig.10 Benefits under different penalty factors
图11 不同调用概率下的收益
Fig.11 Benefits under different call probabilities
综上所述，针对共享光储超售运营策略的研究，可对光储系统的不同发展阶段提出相应的建议。
在光储系统发展起步期，为了发掘用户积极性，市场监管者允许用户超售ESS资源。但同时为了抑制在发展初期市场并不成熟时，用户无限制地申报参与调频容量而获得不恰当的收益，甚至可能导致电力系统承担一定的安全风险，市场监管者必须进行严格的监管，可以通过设置较高的罚金系数等措施，来限制用户无限制的超售，将超售量控制在很小的范围，以此来稳定市场。
在光储系统发展成熟期，市场已渐渐趋于稳定，市场监管者应在电力系统安全裕度内，适当降低罚金系数，提高ESS资源的超售量；同时社区管理者可以通过对市场中出现的超售行为进行更加深入的研究分析，提高信息的获取渠道和调频容量被调用的预测模型精度，以此对用户下达更加合适的调度计划。由此能够使ESS资源得到更加充分的利用，并且用户和聚合商也能够获得更大的价值。
本文提出共享和超售两个以社区为背景的ESS运营策略，以社区用户总收益最大为目标，建立超售模式下含光储系统的社区共享优化调度模型。通过实际算例分析，可得出如下结论：
1）所提出的共享光储模式，能够促进清洁能源的消纳，并且使得ESS能够参与多个市场实现多服务组合，促进了绿色、经济用电。
2）相比于单纯的共享模式，超售模式是对其的进一步改进和优化，该策略大大提高了聚合商、用户价值及ESS资源的利用率，确保将其分配给最有价值的服务，避免闲置资源的浪费，具有更可观的经济效益。
3）通过对光储运营模式的探究，为光储系统的不同发展阶段提供了新思路。
本文仅研究了超售策略下光储共享参与价格套利和调频服务，下一步将考虑扩展ESS可以共享参与的服务类型，比如备用服务等，以及考虑用户间合理的成本分摊，并进行进一步的仿真和应用。
参考文献
[1] 杨海柱, 李梦龙, 江昭阳, 等. 考虑需求侧电热气负荷响应的区域综合能源系统优化运行[J]. 电力系统保护与控制, 2020, 48(10): 30-37.
Yang Haizhu, Li Menglong, Jiang Zhaoyang, et al. Optimal operation of regional integrated energy system considering demand side electricity heat and natural-gas loads response[J]. Power System Protection and Control, 2020, 48(10): 30-37.
[2] 尹斌鑫, 苗世洪, 李姚旺, 等. 考虑变寿命特性的先进绝热压缩空气储能电站容量规划模型[J]. 电工技术学报, 2020, 35(3): 612-622.
Yin Binxin, Miao Shihong, Li Yaowang, et al. A capacity planning model of advanced adiabatic compressed air energy storage plant considering lifetime varying characteristic[J]. Transactions of China Electrotechnical Society, 2020, 35(3): 612-622.
[3] 许汉平, 李姚旺, 苗世洪, 等. 考虑可再生能源消纳效益的电力系统“源-荷-储”协调互动优化调度策略[J]. 电力系统保护与控制, 2017, 45(17): 18-25.
Xu Hanping, Li Yaowang, Miao Shihong, et al. Optimization dispatch strategy considering renewable energy consumptive benefits based on “source-load-energy storage” coordination in power system[J]. Power System Protection and Control, 2017, 45(17): 18-25.
[4] 麻秀范, 陈静, 余思雨, 等. 计及容量市场的用户侧储能优化配置研究[J]. 电工技术学报, 2020, 35(19): 4028-4037.
Ma Xiufan, Chen Jing, Yu Siyu, et al. Research on user side energy storage optimization configuration considering capacity market[J]. Transactions of China Electrotechnical Society, 2020, 35(19): 4028-4037.
[5] 李军徽, 张嘉辉, 李翠萍, 等. 参与调峰的储能系统配置方案及经济性分析[J]. 电工技术学报, 2021, 36(19): 4148-4160.
Li Junhui, Zhang Jiahui, Li Cuiping, et al. Configuration scheme and economic analysis of energy storage system participating in grid peak shaving[J]. Transactions of China Electrotechnical Society, 2021, 36(19): 4148-4160.
[6] 熊宇峰, 司杨, 郑天文, 等. 基于主从博弈的工业园区综合能源系统氢储能优化配置[J]. 电工技术学报, 2021, 36(3): 507-516.
Xiong Yufeng, Si Yang, Zheng Tianwen, et al. Optimal configuration of hydrogen storage in industrial park integrated energy system based on stackelberg game[J]. Transactions of China Electrotechnical Society, 2021, 36(3): 507-516.
[7] 帅轩越, 王秀丽, 吴雄, 等. 计及电热需求响应的共享储能容量配置与动态租赁模型[J]. 电力系统自动化, 2021, 45(19): 24-32.
Shuai Xuanyue, Wang Xiuli, Wu Xiong, et al. Shared energy storage capacity allocation and dynamic lease model considering electricity-heat demand response[J]. Automation of Electric Power Systems, 2021, 45(19): 24-32.
[8] Jo J, Park J. Demand-side management with shared energy storage system in smart grid[J]. IEEE Transactions on Smart Grid, 2020, 11(5): 4466-4476.
[9] Yang Yu, Hu Guoqiang, Spanos C J. Optimal sharing and fair cost allocation of community energy storage[J]. IEEE Transactions on Smart Grid, 2021, 12(5): 4185-4194.
[10] Li Shenglin, Zhu Jizhong, Dong Hanjiang. A novel energy sharing mechanism for smart microgrid[J]. IEEE Transactions on Smart Grid, 2021, 12(6): 5475-5478.
[11] He Li, Liu Yuanzhi, Zhang Jie. Peer-to-peer energy sharing with battery storage: Energy pawn in the smart grid[J]. Applied Energy, 2021, 297: 117129.
[12] Duvignau R, Heinisch V, Göransson L, et al. Benefits of small-size communities for continuous cost-optimization in peer-to-peer energy sharing[J]. Applied Energy, 2021, 301: 117402.
[13] 胡佳怡, 严正, 王晗. 考虑清洁电力共享的社区电能日前优化调度[J]. 电网技术, 2020, 44(1): 61-70.
Hu Jiayi, Yan Zheng, Wang Han. Day-ahead optimal scheduling for communities considering clean power-sharing[J]. Power System Technology, 2020, 44(1): 61-70．
[14] 吴界辰, 艾欣, 张艳, 等. 配售分离环境下高比例分布式能源园区电能日前优化调度[J]. 电网技术, 2018, 42(6): 1709-1719.
Wu Jiechen, Ai Xin, Zhang Yan, et al. Day-ahead optimal scheduling for high penetration of distributed energy resources in community under separated distribution and retail operational environment[J]. Power System Technology, 2018, 42(6): 1709-1719.
[15] Moreno R, Moreira R, Strbac G. A MILP model for optimising multi-service portfolios of distributed energy storage[J]. Applied Energy, 2015, 137(JAN.1): 554-566.
[16] Braeuer F, Rominger J, Mckenna R, et al. Battery storage systems: an economic model-based analysis of parallel revenue streams and general implications for industry[J]. Applied Energy, 2019, 231(APR.1): 1424-1440.
[17] Tang Zao, Liu Yikui, Wu Lei, et al. Reserve model of energy storage in day-ahead joint energy and reserve markets: a stochastic UC solution[J]. IEEE Transactions on Smart Grid, 2021, 12(1): 372-382.
[18] 谢敏, 韦薇, 李建钊, 等. 储能电站参与能量-调频市场联合调度模式研究[J]. 电力建设, 2019, 40(2): 20-28.
Xie Min, Wei Wei, Li Jianzhao, et al. Research on combined dispatching mode of energy storage in energy market and regulation market[J]. Electric Power Construction, 2019, 40(2): 20-28.
[19] 胡泽春, 夏睿, 吴林林, 等. 考虑储能参与调频的风储联合运行优化策略[J]. 电网技术, 2016, 40(8): 2251-2257.
Hu Zechun, Xia Rui, Wu Linlin, et al. Joint operation optimization of wind-storge union with energy storge participating frequency regulation[J]. Power System Technology, 2016, 40(8): 2251-2257.
[20] 李军徽, 侯涛, 穆钢, 等. 电力市场环境下考虑风电调度和调频极限的储能优化控制[J]. 电工技术学报, 2021, 36(9): 1791-1804.
Li Junhui, Hou Tao, Mu Gang, et al. Optimal control strategy for energy storage considering wind farm scheduling plan and modulation frequency limitation under electricity market environment[J]. Transactions of China Electrotechnical Society, 2021, 36(9): 1791-1804.
[21] Sioshansi F, Vojdani A. What could possibly be better than real-time pricing? Demand response[J]. Electricity Journal, 2001, 14(5): 39-50.
[22] Miranda I, Leite H, Silva N. Coordination of multifunctional distributed energy storage systems in distribution networks[J]. IET Generation Transmission & Distribution, 2016, 10(3):726-735.
[23] Moreira R M M. Business models for energy storage systems[D]. London: Imperial College London, 2015.
[24] 胡鹏, 艾欣, 杨昭, 等. 考虑电能共享的综合能源楼宇群日前协同优化调度[J]. 电力自动化设备, 2019, 39(8): 239-245.
Hu Peng, Ai Xin, Yang Zhao, et al. Day-ahead optimal scheduling for cluster building with integrated energy system considering power sharing[J]. Electric Power Automation Equipment, 2019, 39(8): 239-245.
[25] 任文诗, 高红均, 刘友波, 等. 智能建筑群电能日前优化共享[J]. 电网技术, 2019, 43(7): 2568-2577.
Ren Wenshi, Gao Hongjun, Liu Youbo, et al. Optimal day-ahead electricity scheduling and sharing for smart building cluster[J]. Power System Technology, 2019, 43(7): 2568-2577.
[26] 胡佳怡. 考虑分布式光伏消纳的电力共享社区电能日前优化调度[D]. 上海: 上海交通大学, 2020.
[27] 寇凌峰, 张颖, 季宇, 等. 分布式储能的典型应用场景及运营模式分析[J]. 电力系统保护与控制, 2020, 48(4): 177-187.
Kou Lingfeng, Zhang Ying, Ji Yu, et al. T Typical application scenario and operation mode analysis of distributed energy storage[J]. Power System Protection and Control, 2020, 48(4): 177-187.
[28] The PJM website[EB/OL]. [2019-12-31]. https:// dataminer2.pjm.com/list.
[29] 陈达鹏, 荆朝霞. 美国调频辅助服务市场的调频补偿机制分析[J]. 电力系统自动化, 2017, 41(18): 1-9.
Chen Dapeng, Jing Zhaoxia. Analysis of frequency modulation compensation mechanism in frequency modulation ancillary service market of the United States[J]. Automation of Electric Power Systems, 2017, 41(18): 1-9.
[30] 陈中飞, 荆朝霞, 陈达鹏, 等. 美国调频辅助服务市场的定价机制分析[J]. 电力系统自动化, 2018, 42(12): 1-10.
Chen Zhongfei, Jing Zhaoxia, Chen Dapeng, et al. Analysis on pricing mechanism in frequency regulation ancillary service market of United States[J]. Automation of Electric Power Systems, 2018, 42(12): 1-10.
[31] 严干贵, 刘莹, 段双明, 等. 电池储能单元群参与电力系统二次调频的功率分配策略[J]. 电力系统自动化, 2020, 44(14): 26-34.
Yan Gangui, Liu Ying, Duan Shuangming, et al. Power distribution strategy for battery energy storage unit group participating in secondary frequency regulation of power system[J]. Automation of Electric Power Systems, 2020, 44(14): 26-34.
[32] 肖云鹏, 张兰, 张轩, 等. 包含独立储能的现货电能量与调频辅助服务市场出清协调机制[J]. 中国电机工程学报, 2020, 40(S1): 167-180.
Xiao Yunpeng, Zhang Lan, Zhang Xuan, et al. The coordinated market clearing mechanism for spot electric energy and regulating ancillary service incorporating independent energy storage resources[J]. Proceedings of the CSEE, 2020, 40(S1): 167-180.
[33] Pecan Street Inc. Pecan Street[EB/OL]. [2019-12-31]. https://dataport.pecanstreet.org/.
[34] 王蓓蓓, 谢明成, 张汀荟, 等. 考虑收益公平性的分布式光储系统基于动态费率的共享模式研究[J]. 电网技术, 2021, 45(6): 2228-2237.
Wang Beibei, Xie Mingcheng, Zhang Tinghui, et al. Sharing pattern of distributed optical storage system based on dynamic rate considering income equity[J]. Power System Technology, 2021, 45(6): 2228-2237.
Study on the Coordination Strategy of Sharing Distributed Photovoltaic Energy Storage Hybrid Operation Mode Considering Overselling
Abstract With the increasingly prominent problems of energy shortage and environmental pollution, a large number of renewable energy and energy storage system(ESS) have begun to be connected to the user side. Due to the prominent problems caused by the intermittent output of renewable energy, studying the operation of photovoltaic energy storage in the electricity market environment is of great significance to improve the economic efficiency of users' electricity consumption, the utilization of ESS resources, and the absorption capacity of the system. Based on the background of the community, this paper draws on the oversold operation strategy of aviation and other fields and establishes an optimization model for the joint operation of sharing photovoltaic energy storage in the community aiming to maximize the total revenue of community users. A case simulation is carried out on the sharing photovoltaic energy storage community energy management system based on the oversold mode. The results show that in terms of exploring user enthusiasm in the initial promotion of the photovoltaic storage system, overselling a small amount of ESS resources in regulation market is a cost-effective operation strategy, making full use of ESS resources and promoting the integration of clean energy.
keywords：Distributed photovoltaic energy storage, oversold operation, price arbitrage, frequency regulation service, sharing
DOI:10.19595/j.cnki.1000-6753.tces.201566
中图分类号：TM731
叶 晨 女，1998年生，硕士研究生，研究方向为储能系统优化、电力市场等。E-mail：yechen_seu@163.com
王蓓蓓 女，1979年生，副教授，博士生导师，研究方向为电力市场、新能源接入系统运行控制等。E-mail：wangbeibei@seu.edu.cn（通信作者）
国家电网公司科技项目（支持发电负荷双侧报价的省级日前电力现货市场优化出清技术研究与开发）。
收稿日期 2020-11-30
改稿日期 2021-11-29
（编辑 赫蕾）