图1 区域电网结构示意图
Fig.1 Regional power grid diagram
摘要 大规模新能源接入对电网调峰提出挑战，如何在提高新能源上网率的同时兼顾调峰资源的经济效益已成为亟须解决的重要问题，该文提出电力市场环境下考虑弃风、弃光的储能-新能源-火电多目标优化调度方法。首先，根据现行调峰政策设计储能-新能源-火电调峰市场交易机制，并建立以弃风率、弃光率为基准的新能源交易功率模型、报价模型和依托现行调峰规则的火电报价模型；然后，通过开展新能源与储能、火电之间的双边交易，以新能源中标功率和系统调峰成本为多目标进行出清，优化得到火电机组出力、新能源中标功率、储能充放电功率及出清价格；最后，采用算例进行验证，结果表明所提出优化调度方法在降低新能源弃风弃光率的同时能够显著提高参与调峰市场主体的经济效益。
关键词：弃风弃光 新能源报价 储能调峰 调峰成本 市场出清
为实现碳达峰、碳中和的“双碳”目标，构建以新能源为主体的新型电力系统，需要大力发展风能、太阳能等可再生能源[1-3]。然而，新能源大规模接入给电力系统调度运行带来严重挑战。据国家能源局印发的《完善电力辅助服务补偿市场机制工作方案》可知，目前我国大部分地区的电力市场化改革尚在推进，调峰辅助服务机制尚未完善[4-7]。随着新能源发电占比不断提高，如何在电力市场环境下实现调峰资源（火电、储能）最优调度已成为当前亟须解决的问题之一[8-9]。
目前，国内外针对火电、储能的联合调峰已经取得了一定的研究成果。文献[10]基于容量市场合同构建用户实时电价需求响应模型，然后计及容量市场建立储能定容双层优化配置模型；文献[11]综合考虑调峰指标和系统调峰成本，提出一种储能辅助电网调峰的配置方案；文献[12]考虑火电机组调峰主动性约束，提出一种风光水火储多能系统互补协调优化调度策略；文献[13]构建了考虑广义储能与火电机组联合调峰的日前-日内两阶段滚动优化模型；文献[14]针对储能调峰效果和调峰成本，提出一种储能辅助火电机组深度调峰的分层优化调度方案。
以上针对火电、储能的调峰研究大多以系统调峰成本和调峰效果为目标，优化火电机组、储能出力；我国已开展调峰市场改革，火电机组可自主报价参与调峰市场，激发了火电机组调峰积极性。
目前，我国调峰市场的研究大多围绕火电机组、储能及负荷等交易开展。如文献[15]以华北电力调峰市场为例，从调峰服务申报、出清机制与结算机制等多方面分析现行调峰机制实施效果；文献[16]考虑电源和负荷响应性能，设计了计及源荷双边性能指标的市场交易模型；文献[17]提出一种考虑日前现货市场风险的电力负荷参与系统调峰控制模型，该模型能够在保证日前调峰效果的同时提升负荷调峰收益；文献[18]提出一种负荷聚合商参与的源荷联动调峰辅助服务市场框架；文献[19]针对弃风现象，提出基于风电场报弃风电量、储热企业报需求函数的日前市场集中交易方式；文献[20]提出一种虚拟电厂运营商对外参与电能量市场和调峰市场、对内与各成员协作配合的内外协调竞标策略；文献[21]以采用全电量集中竞价模式的日前电能交易和东北深度调峰交易融合运行、联合出清为背景，建立一种日前电能量市场和深度调峰服务市场联合出清模型；文献[22]考虑在多能量市场中使热电厂的收益最大化，提出基于两阶段随机规划的热电厂深度调峰辅助服务市场竞价策略；文献[23]针对区域电网接纳区外清洁能源产生调峰困难的问题，提出一种调峰辅助服务市场出清模型，采用市场化机制对参与调峰的机组进行补偿；文献[24]根据现行调峰辅助服务市场机制存在的问题，提出动态调峰辅助服务市场竞价机制。
以上调峰市场交易手段虽然在一定程度上提高了新能源消纳水平，但新能源场站只能被动接受调峰出清结果，无法自主控制盈亏，调峰积极性不足，未能充分体现电力市场的价值规律和调节作用。
根据上述分析，本文设计了计及调峰市场交易的储能-新能源-火电多目标优化调度方法：首先针对新能源弃风弃光，建立以弃风率、弃光率为基准的新能源交易功率模型和交易报价模型以及现行调峰规则下火电机组报价模型；其次，考虑储能电站、火电机组调峰作用，设计了储能-新能源-火电调峰市场交易机制，并建立以系统调峰成本和新能源中标功率为多目标的市场出清模型，优化火电机组出力、储能电站功率以及新能源场站的中标功率和出清价格；最后通过算例验证了上述方法的合理性和有效性。
本文主要研究电力市场环境下储能-新能源-火电的优化调度问题，以含储能电站、风电场、光伏电站和火电厂的区域电网为研究对象，其结构如图1所示。
图1 区域电网结构示意图
Fig.1 Regional power grid diagram
图1中，
为第i台火电机组
时刻功率，
为风电时刻并网功率，
为光伏时刻并网功率，
为时刻负荷功率，
为时刻储能-新能源双边交易风电中标功率，
为时刻储能-新能源双边交易光伏中标功率，
为时刻新能源-火电双边交易风电中标功率，
为时刻新能源-火电双边交易光伏中标功率，
为储能时刻功率：包含时刻储能充电功率
和放电功率
，三者关系为
（1）
（2）
式中，
为储能充电二进制标识，取值为“1”表示时刻储能为充电状态；
为储能放电二进制标识，取值为“1”表示时刻储能为放电状态；本文中，时刻储能电站处于充电状态时，规定为“正”，反之则为“负”。
区域电网内，时刻实时负荷和储能充放电之和等于火电机组出力总和加上风电、光伏的并网功率，即
（3）
对于新能源场站，调峰交易的中标功率包含储能-新能源双边交易中达成的中标功率及新能源-火电双边交易中达成的中标功率，有
（4）
式中，
、
分别为调度周期内风电、光伏中标功率总和；时刻新能源场站与储能电站达成双边交易时，和规定为“正”，时刻新能源场站与火电机组达成双边交易时，和规定为“正”。
新能源场站并网功率等于调峰交易前新能源场站并网功率和新能源场站参与调峰交易中标功率之和，有
（5）
式中，
为调峰交易前时刻风电并网功率；
为调峰交易前时刻光伏并网功率。
针对新能源大规模并网带来的新能源弃电和调峰资源经济效益无法兼顾的问题，本文提出了储能-新能源-火电优化调度方法：通过设计储能-新能源-火电调峰市场交易机制，新能源场站在弃风弃光时段与储能电站、火电机组开展双边交易，充分发挥新能源场站参与调峰市场交易的积极性；在降低新能源弃风弃光的同时，提高了调峰市场主体的经济效益。图2为储能-新能源-火电优化调度框架。
图2 储能-新能源-火电优化调度框架
Fig.2 Energy storage - new energy - thermal power optimization scheduling framework
储能-新能源-火电调峰市场交易机制分为调峰申报、调峰调用、市场出清三个阶段。
1）调峰申报：由调度中心提供风电、光伏预测数据和负荷数据，考虑弃风和弃光约束，以调峰交易前电网净负荷方差最小化为目标进行优化，得到各时段弃风率
和弃光率
，并根据各时段弃风率、弃光率和新能源报价模型得到风电交易功率
、风电交易报价
和光伏交易功率
、光伏交易报价
，储能电站和火电机组分别申报可参与交易的额定功率
、额定容量
及可调用功率
、补贴报价
。
2）调峰调用：调度中心根据一天内各时段调峰交易前新能源场站并网功率（）、初始负荷数据，按照新能源场站提交的交易报价由高到低依次安排新能源场站与储能电站、火电机组进行双边交易；在新能源-火电双边交易中，调度中心按照火电机组补贴报价由低到高的顺序依次调用。
3）市场出清：在满足储能运行约束、火电运行约束、双边交易约束下，综合考虑储能运行成本、火电运行成本及弃风弃光惩罚成本，以新能源中标功率最大化和系统调峰成本最小化为多目标进行出清，得到调峰市场出清结果——火电机组出力
、储能功率、新能源中标功率（、、、）及出清价格
，出清价格为参与调峰交易的新能源场站最高交易报价。
通过建立以弃风率弃光率为基准的新能源交易功率和报价模型，使得新能源场站在意向交易时段内能够自主申报交易功率和报价，获得和火电机组对等的市场主体地位，提高新能源场站调峰积极性；依托于现行调峰规则设计的储能-新能源-火电调峰交易机制，能够使调度中心在调用调峰资源的同时给予其高额的调峰补贴，解决了新能源弃电和调峰资源经济效益无法兼顾的问题；最后，以新能源中标功率和系统调峰成本为多目标，建立市场出清模型，通过不断修正双边交易阶段调用的和
，实现了三者最优调度。
现行调峰机制是以“火电机组单边报价”为主体的交易模型，调度中心会考虑火电机组调峰成本和电网运行的稳定性，适当舍弃部分新能源发电；然而在《清洁能源消纳行动计划》中，国家对新能源的弃电率进行明确要求：计划在2020年将新能源弃电率控制在5%以内；因此本文将以满足电网运行稳定性为目标，针对各时段风光出力和弃电情况，建立以弃风率、弃光率为基准的新能源交易功率模型和交易报价模型，新能源场站可在意向交易的各时段，通过申报交易功率和交易报价，购买储能和火电的调峰空间，从而降低新能源弃电率。
3.1.1 目标函数
以调峰交易前电网净负荷方差最小为优化目标，其表达式为
（6）
式中，
为调峰交易前时刻电网净负荷；
为调峰交易前净负荷平均值。
净负荷和净负荷平均值计算公式为
（7）
式中，为时刻弃风率；为时刻弃光率；
为时刻风电预测功率；
为时刻光伏预测功率。
因此，时刻新能源场站参与调峰市场的交易功率表达式为
（8）
式中，
为时刻风电场参与调峰市场交易功率；为时刻光伏电站参与调峰市场的交易功率。
3.1.2 约束条件
1）弃风率约束
（9）
2）弃光率约束
（10）
式中，
为时刻允许最大弃风（光）率；
、
分别为调度周期内允许最大弃风率和最大弃光率。
以调峰交易前净负荷方差最小化为目标建立新能源场站交易功率模型，通过不断迭代修正、，在同时满足弃风率、弃光率约束下，优化了各时段新能源场站的交易功率，积极响应了国家对提高新能源上网率的相关政策。
目前针对新能源场站参与双边交易报价的研究尚不完善，国家也没有对新能源场站深度调峰报价有明确规定；现行的调峰市场交易流程中，火电机组采用“阶梯式”报价方式，分不同挡位浮动报价。因此，本文将根据火电机组的调峰报价方式，根据每时段新能源场站弃风、弃光情况设计新能源场站调峰报价方式。图3为新能源场站分挡报价。
图3 新能源场站分挡报价
Fig.3 Separate quotation of new energy stations
由图3可知，根据新能源场站的弃光、弃风率将新能源报价分为n个报价挡位，每个报价挡位对应不同的报价上限和下限。新能源场站首先针对各时段弃风率、弃光率确定报价挡位；其次根据弃风率（弃光率）与所在报价挡位的弃风率（弃光率）下限的大小关系确定具体报价。以风电场为例，新能源场站报价函数为
（11）
式中，为时刻风电交易报价；
为第i挡位的报价下限；
为第i挡位的报价上限；
为第i挡位的弃风率下限；
为第i挡位的弃风率上限；
为第i挡位的弃风率上、下限差值。
火电机组参与调峰市场分为三个阶段：义务调峰阶段、深度调峰不投油阶段和深度调峰投油阶段；机组处于义务调峰阶段时，需要无偿提供一部分调峰容量，不进行报价；当机组出力小于常规调峰最小负荷率时，机组会产生损耗成本及投油成本，此时允许机组进行补偿报价。
火电运行成本表达式为
（12）
式中，
为第i台机组时刻运行成本；
为第i台机组时刻能耗成本；
为第i台机组时刻损耗成本；
为第i台机组时刻投油成本；
为第i台机组时刻环境保护税；
为第i台机组额定功率；
为第i台机组不投油深度调峰最小负荷率；
为第i台机组投油深度调峰最小负荷率；
为第i台火电机组常规调峰最小负荷率。
1）能耗成本
（13）
式中，
、
、
为第i台机组耗量特性函数系数（
、
、t）；
为当季煤价（元/t）。
2）损耗成本
（14）
式中，
为火电机组运行损耗系数；
为第i台机组的购机成本；
为第i台火电机组t时刻的转子致裂周次，其表达式为
（15）
3）投油成本
（16）
式中，
为第i台机组t时刻深度调峰投油量（
）；
为当季油价（元/t）。
4）环境保护税
根据《中华人民共和国环境保护税法》，直接向环境排污的发电企业应向国家缴纳环境保护税，并规定了相应的税额征收标准, 火电机组向大气中排放
和
需缴纳税额的具体表达式[25]为
（17）
（18）
式中，K为每污染当量需要缴纳的税额（元/t）；
、
分别为单位煤燃烧时产生的和的质量；
、
为环保装置脱去和的效率（%）；
、
分别为和污染当量数（kg）。
目前，国家通过宏观手段对火电机组深度调峰进行补偿，各省份的补偿报价大多按照阶梯式价格进行补偿。东北地区对于火电机组参与深度调峰补偿报价的规则见表1。
表1 现行机制下的火电调峰报价规则
Tab.1 Thermal power peak - regulating quotation rules under the current mechanism
报价挡位火电机组负荷率(%)报价下限/[元/(MW·h)]报价上限/[元/(MW·h)] 第一挡40～500400 第二挡0～404001 000
东北地区根据火电机组负荷率分成两个报价挡位，不同报价挡位设置不同的上下限，因此火电机组参与深度调峰报价函数为
（19）
式中，
为第i台机组t时刻报价；
为第i台机组t时刻不投油深度调峰报价系数；
为第i台机组t时刻投油深度调峰报价系数；
为第i台机组t时刻单位发电成本。
系统调峰成本主要包含火电调峰运行成本、储能调峰运行成本及弃风弃光惩罚成本。3.3节中对火电运行成本进行了理论建模，在本节中分别对储能运行成本和弃风弃光惩罚成本进行理论建模。
4.1.1 储能运行成本模型
储能调峰运行成本主要包含充放电带来的损耗成本，表达式为
（20）
式中，
为储能电站建造成本（万元）；
为储能电池循环寿命（次）；
为t时刻储能电站充放电损耗成本。
4.1.2 弃风弃光惩罚成本模型
为增加风电、光伏的接纳量，降低系统弃风弃光率，设立弃风弃光惩罚成本，其公式为
（21）
式中，
为惩罚因子；
为t时刻弃风惩罚成本；
为t时刻弃光惩罚成本。
储能-新能源-火电调峰交易以新能源中标功率最大和系统调峰成本最小为目标进行出清，因为多目标函数的优化目标不同，本文将两个目标函数标幺化处理，采用线性加权的方法将两个不同量纲的函数进行转换得到一个目标函数，即
（22）
式中，
为调度周期内新能源中标功率总和；
为以新能源中标功率最大化为目标进行出清的新能源中标功率总和；
为调度周期内系统调峰成本；
为以系统调峰成本最小化为目标进行出清的系统调峰成本；
、
为目标函数权重因子，具体表达式为
（23）
式中，
为t时刻系统调峰成本。权重因子
通过计算不同子目标下函数
的最优值，并采用熵权法进行求解。熵权法是一种客观赋权方法，根据各指标的变异程度，利用信息熵计算出各指标的熵权，再通过熵权对各指标的权重进行修正，从而得出较为客观的指标权重，具体计算步骤如下：
1）矩阵标准化
（24）
式中，
为标准化后矩阵中第
项指标第
个样本；
为标准化前矩阵中第项指标第个样本。
2）计算矩阵元素概率
（25）
式中，
为标准化后矩阵中第项指标第个样本所占比重。
3）计算指标信息熵
（26）
式中，
为第项指标的信息熵。
4）计算信息效用值
（27）
式中，
为第项指标的信息效用值。
5）归一化信息效用值
（28）
式中，
为第项指标的权重。
系统运行约束条件包含储能运行约束条件、火电运行约束条件以及调峰交易约束条件。
4.3.1 调峰交易约束
1）新能源中标功率约束
（29）
2）储能-新能源双边交易约束
（30）
3）新能源-火电双边交易约束
（31）
式中，为第i台机组t时刻可调用功率；
、
为第i台机组t时刻一挡、二挡调用功率；
为第i台机组t时刻一挡调用二进制标识；
为第i台机组t时刻二挡调用二进制标识；为t时刻出清价格。新能源-火电双边交易中新能源场站通过支付给火电机组调峰补偿从而购得火电机组发电空间，且只有当新能源场站支付的补贴总和大于调用火电机组的补贴总和时，双边交易方可允许进行。
4.3.2 储能运行约束
1）储能出力约束
（32）
2）储能荷电率约束
（33）
式中，
为储能电站荷电率下限；
为t时刻储能电站荷电率；
为储能电站荷电率上限。
4.3.3 火电运行约束
1）火电机组出力约束
（34）
2）火电机组爬坡速率约束
（35）
式中，
、
分别为第i台机组爬坡速率上限和下限；
3）火电机组上下旋转备用约束
（36）
式中，
、
分别为火电机组上、下旋转备用系数。
新能源场站通过与储能、火电进行双边交易，提高新能源上网率同时，需要支付给储能和火电调峰补贴费用。通过建立市场主体调峰效益模型，能够更好地评估调峰交易的实施效果。
储能电站与新能源场站达成双边交易获得调峰补贴收益的同时，储能电站通过放电能够获取一定的电量收益，储能电站参与调峰净收益表达式为
（37）
式中，
为调度周期内储能参与调峰获得的补贴收益；
为调度周期内储能的电量收益；
为调度周期内储能的运行成本。
（38）
式中，
、
分别为储能
时刻充电电价和放电电价；
、
分别为储能充电和放电效率。
火电机组参与调峰交易通过出让有偿发电空间获得补贴收益；火电机组出让的有偿发电空间分为两部分：一部分有偿发电空间由调度中心直接调用，接纳新能源；另一部分则参与调峰市场，用于双边交易。因此火电机组调峰补贴收益包含两部分：调度中心直接调用的有偿发电空间按照火电机组调峰补贴报价结算，参与调峰市场调用的有偿发电空间按照出清价格结算，即
式中，
、
分别为t时刻第i台火电机组一、二档直接调用功率。
（40）
因此火电机组调峰净成本表达式为
（41）
式中，
为火电调度周期内运行成本，有
（42）
新能源场站参与调峰市场通过支付给储能、火电补贴，提高新能源上网率，减少弃风弃光惩罚；以风电场为例，新能源场站参与调峰交易的净收益表达式为
（43）
式中，
为调度周期内风电场的电量收益；
为调度周期内风电场支付的调峰补贴；
为调度周期内风电场的弃风惩罚成本。
（44）
式中，
为新能源上网电价；
为调度周期内风电场需支付的火电机组有偿发电空间中直接调用部分（、）的调峰补贴，按《东北辅助服务市场运行规则》中有偿调峰补贴费用分摊方法计算，本文不再进行详细阐述。
在Matlab环境中通过YALMIP工具箱调用 CPLEX 求解器对本文模型进行求解。该软件可有效分析解决混合整数线性模型的优化问题，模型求解流程如图4所示。
图4 储能-新能源-火电优化调度方法求解流程
Fig.4 Solution flow of energy storage - new energy-thermal power optimization scheduling method
以东北某地区为例，验证策略的可行性。地区火电厂装机容量为2 400 MW，风电场容量为500 MW，光伏电站容量为300 MW，其中包含2台300 MW火电机组，2台400 MW火电机组，1台1 000 MW火电机组；1 000 MW火电机组参与深度调峰，其余机组只参与义务调峰，火电机组参数见表2。
表2 火电机组运行参数
Tab.2 Operation parameters of thermal power unit
参数数值 ,8.5, 7.4 ,(%)85, 85 5 ,0.95, 0.95 a/(t/MW2)300 MW0.001 124 1 400 MW0.000 130 7 1 000MW0.000 169 b/(t/MW)300 MW0.287 30 400 MW0.232 22 1 000 MW0.276 01 c/t300 MW4.073 62 400 MW16.007 26 1 000 MW11.461 96 ,,0.5, 0.4, 0.3 ,(%)5, 5 ,1.2, 1.4 685 ,4.8, 6 130
其他参数说明如下：
1）火电机组单位造价为3 464元/kW，投油调峰运行损耗系数
为1.5，不投油调峰运行损耗系数为1.2。
2）5台机组全部运行，无检修计划。
3）
，
。
4）调度周期内
、
为10%，时段最大弃风（光）率
为50%。
5）新能源上网价格为0.375元/(kW·h)，新能源惩罚因子
为0.6元/(kW·h)。
6）储能电站充放电价按照日内电价结算，日内电价分为谷时、平时、高峰和尖峰。其中谷时为1:00—5:00和22:00—24:00，电价为0.5元/(kW·h)；平时为6:00—7:00和13:00—17:00，电价为0.7元/ (kW·h)；高峰为8:00—12:00和20:00—21:00，电价为1元/(kW·h)；尖峰为18:00—19:00，电价为1.2元/ (kW·h)。
储能电站选择全钒液流电池储能，储能配置50 MW/200 MW·h，具体参数见表3。
风电预测出力、光伏预测出力、负荷功率数据如图5所示。
表3 储能电站相关参数
Tab.3 Related parameters of energy storage power station
参数 全钒液流电池储能12 25010 0000.90.10.9
图5 某典型日负荷、风电、光伏出力
Fig.5 Typical daily load, wind power and photovoltaic output data
7.2.1 新能源申报分析
本文以10%的弃风率和弃光率为一挡，分五挡报价区间。报价上限
为360元/(MW·h)，报价下限
为260元/(MW·h)，每档报价的上、下限差额为20元/(MW·h)。调度周期内各时段弃风弃光率、交易功率和交易报价如图6和图7所示。
图6 各时段弃风率、弃光率
Fig.6 Wind abandon rate and light abandon rate in each period
由图6、图7可知，在10:00新能源弃风率和弃光率分别为3.32%和31.43%，交易报价分别为266.7元/(MW·h)和322.9元/(MW·h)，在1挡报价区间260～280元/(MW·h)和4挡报价区间320～340元/(MW·h)之间，符合新能源报价方式。
图7 新能源场站交易功率与交易报价
Fig.7 New energy station trading power and trading quotation
由图7可知，风电的交易量主要集中于4:00—8:00，风电场处于一天中发电的高峰时段，且负荷处于低谷时段，从而导致该时段内风电场弃风率较高，交易功率较高；在10:00—15:00，风电场整体发电水平为一天中最低，弃风率较低，交易功率偏低，该时段内由于日照充足，光伏电站发电功率为一天中最高，光伏交易功率集中于该时段内。
7.2.2 新能源中标功率分析
通过熵权法对本文中多目标权重进行优化，得到典型日内优化后的权重因子
、
分别为0.645 2和0.354 8；新能源场站通过与储能和火电达成双边交易，典型日内新能源中标功率如图8所示。
图8 储能-新能源-火电调峰交易新能源中标功率
Fig.8 Energy storage-new energy - thermal power peak trading new energy bidding power
由图8可知，在新能源-火电双边交易中，新能源中标功率与交易报价呈正相关。在3:00—4:00，风电场交易报价不断提高，风电中标功率也随之提高。在5:00—7:00，虽然风电交易报价不断升高，但此时段内火电机组总出力为1100 MW，处于不投油深度调峰临界值，若继续提高风电中标功率，则火电机组将处于投油深度调峰。1 000 MW机组调峰报价曲线如图9所示。由图9可知，当1 000 MW机组出力低于不投油深度调峰临界值400 MW，火电机组的调峰成本将增加投油成本，此时火电机组补贴报价将超过新能源交易报价上限360元/(MW·h)，风电场支付的调峰补贴总和将低于调用火电机组的调峰补贴总和，不满足新能源-火电双边交易约束条件，因此该时段内仅达成部分风电交易功率。
图9 1 000 MW机组调峰报价曲线
Fig.9 Peak shaving quotation curve of 1 000 MW unit
储能充放电功率、荷电率如图10所示。在9:00—11:00，风电场和光伏电站共同参与调峰交易，由图10可知，储能电站在10:00和12:00放电，会占用一部分火电机组的有偿发电空间，导致火电机组可调用功率降低；由图7可知，9:00—11:00时，光伏电站交易报价高于风电场交易报价，因此调度中心会优先进行光伏电站与火电厂的双边交易；虽然在10:00风电场申报的交易功率为14.13 MW，但由于其交易报价低于光伏电站的交易报价，加之储能电站的放电影响，因此火电机组只与光伏电站达成双边交易。在13:00—15:00，新能源整体交易功率处于较低水平，由于储能参与深度调峰为正常充放电操作，不会产生额外附加成本，储能深度调峰调用优先级高于火电机组。因此由图8可知，13:00—15:00调度中心只进行储能与新能源场站的双边交易。
图10 储能充放电功率、荷电率
Fig.10 Energy storage charge and discharge power and SOC
为验证提出交易机制的有效性，本文设置以下三种场景：场景1，只进行火电机组单边交易；场景2，新能源-火电双边交易，不考虑储能；场景3，储能-新能源-火电调峰交易。
7.3.1 火电机组出力分析
不同场景下火电机组出力如图11所示。
图11 不同场景下火电机组出力
Fig.11 Output of thermal power units in different scenarios
由图11可知，场景2和场景3中火电机组出力相较于场景1有所下降：在24 h调度周期内，三种场景下五台火电机组总出力分别为29 428.80 MW、29 013.82 MW和28 861.86 MW，场景2和场景3火电机组总出力相较于场景1分别下降414.98 MW、566.94 MW；由于相比于场景1以“火电机组单边交易”的交易模式，场景2和场景3将新能源场站作为与火电对等的调峰市场主体，通过申报交易功率和交易报价的方式参与调峰交易，火电机组可以获得更多调峰收益；场景3中由于储能放电影响，占用火电机组部分有偿调峰空间，导致场景3中火电-新能源双边交易量为362.87 MW，相较于场景2中414.98 MW下降52.11 MW。
7.3.2 新能源消纳分析
新能源场站通过与火电和储能达成双边交易，从而降低弃风、弃光率。不同场景下弃风功率、弃光功率如图12所示。
由图12可知：在3:00—8:00，由于火电机组出让更多的有偿发电空间，场景2和场景3中弃风功率相比与场景1有明显下降；在3:00—5:00，储能进行充电，接纳部分风电功率，场景3中弃风功率相较于场景2进一步下降；在10:00，由于储能电站放电导致场景3中火电机组只与光伏电站达成双边交易，场景2弃风功率低于场景3；在9:00—14:00，火电和储能共同接纳光伏发电，场景3中弃光功率较场景1、场景2有明显下降。不同场景下弃风率和弃光率见表4。
图12 不同场景下弃风功率、弃光功率
Fig.12 Wind abandoning power and light abandoning power under different scenarios
表4 不同场景下弃风率和弃光率
Tab.4 Wind abandon rate and light abandon rate in different scenarios
场景弃风率(%)弃光率(%) 11010 25.794.74 34.022.49
场景2中，弃风率、弃光率相比于场景1下降4.21%和5.26%。由于加入储能，场景3中弃风率和弃光率相比场景2进一步下降了1.77%和2.25%，新能源消纳能力明显提升。
7.3.3 市场主体调峰经济性分析
不同场景下，风电场、光伏电站、火电厂和储能电站调峰效益见表5～表8。
表5 火电厂净成本
Tab.5 Net cost of thermal power plant（单位：万元）
场景运行成本补贴收益净成本 1759.1520.39738.76 2763.50 33.57 729.93 3764.81 31.66 733.15
表6 风电场净收益
Tab.6 Net revenue of wind power station（单位：万元）
场景电量收益成本净收益 支付调峰补贴弃风惩罚 1259.0913.4446.06199.59 2271.22 23.81 26.66 220.75 3276.30 27.66 18.53 230.11
表7 光伏电站净收益
Tab.7 Net income of photovoltaic power station（单位：万元）
场景电量收益成本净收益 支付调峰补贴弃光惩罚 158.70 6.95 10.44 41.31 262.13 9.76 4.94 47.43 363.60 10.69 2.59 50.32
表8 储能电站净收益
Tab.8 Net income of energy storage power station（单位：万元）
对象收益损耗成本净收益 电量收益补贴收益 储能电站6.39 6.69 5.60 7.48
由表5～表8可知，当新能源场站加入到调峰市场中，能够通过提供补贴报价调用火电机组的发电空间，在火电机组获得更多的补偿收益的同时，新能源场站能够提高上网率，增加电量收益并降低弃风弃光惩罚成本。因此场景2中火电机组的净调峰成本相比场景1降低8.83万元，风电场和光伏电站净收益相比场景1分别提升21.16、6.12万元，涨幅分别为10.60%、14.81%。场景3中，由于储能的加入，新能源场站的上网率将进一步提高，虽然储能放电造成火电机组交易量有所下降，但场景3中火电机组的调峰净成本相较场景1仍下降5.61万元，场景3中风电场和光伏电站净收益相比场景2分别提升9.36、2.89万元，涨幅为4.24%、6.09%。同时24 h调度周期内，储能参与调峰获得净收益为7.48万元，考虑折现率为8%，推算至储能全生命周期20年内净收益为26 085.5万元，成本覆盖率212.94%。
本文针对新能源大规模接入带来弃风弃光和调峰资源经济效益无法兼顾问题，依托现行调峰机制，设计了以新能源中标功率和系统调峰成本为多目标的储能-新能源-火电优化调度策略，结论如下：
1）本文构建的新能源交易功率模型和报价模型，以各时段弃风率、弃光率为基准，能够充分体现各时段新能源场站的交易意愿，提高新能源场站参与调峰市场积极性。
2）通过设置三种场景进行验证，本文提出的优化调度策略相比“火电单边”和“新能源-火电双边”交易模式，典型日内新能源弃风率、弃光率分别下降4.21%、5.26%和1.77%、2.25%，新能源消纳效果明显。
3）本文提出的优化调度策略在降低弃风率、弃光率同时，能够提高市场主体调峰经济效益。典型日内，火电机组调峰净成本相比“火电单边”交易模式下降5.61万元，风电场和光伏电站净收益分别提高30.52万元和9.01万元，同时储能参与市场交易的净收益折算为全生命周期能够达到成本覆盖率212.94%，市场主体调峰经济效益提升显著。
参考文献
[1] 国家能源局. 2020 年上半年风电并网运行情况[R/OL]. [2020-07-31]. http://www.nea.gov.cn/2020-07/31/c_ 139254298.htm．
[2] 麻秀范, 王戈, 朱思嘉, 等. 计及风电消纳与发电集团利益的日前协调优化调度[J]. 电工技术学报, 2021, 36(3): 579-587. Ma Xiufan, Wang Ge, Zhu Sijia, et al. Coordinated day-ahead optimal dispatch considering wind power consumption and the benefits of power generation group[J]. Transactions of China Electrotechnical Society, 2021, 36(3): 579-587.
[3] 鲁宗相, 李海波, 乔颖. 高比例可再生能源并网的电力系统灵活性评价与平衡机理[J]. 中国电机工程学报, 2017, 37(1): 9-20. Lu Zongxiang, Li Haibo, Qiao Ying. Flexibility evaluation and supply/demand balance principle of power system with high-penetration renewable electricity[J]. Proceedings of the CSEE, 2017, 37(1): 9-20.
[4] 李丰, 张粒子. 大规模风电跨省消纳与交易机制的研究[J]. 电力自动化设备, 2013, 33(8): 119-124. Li Feng, Zhang Lizi. Accommodation and transaction mechanism of transprovincial large-scale wind power[J]. Electric Power Automation Equipment, 2013, 33(8): 119-124.
[5] 国家发展改革委．关于深圳市开展输配电价改革试点的通知[EB/OL]. (2014-10-23)[2020-04-03]．https:www.jiaheu.com/topic/234546.html．
[6] 胡朝阳, 毕晓亮, 王珂, 等. 促进负备用跨省调剂的华东电力调峰辅助服务市场设计[J]. 电力系统自动化, 2019, 43(5): 175-182. Hu Zhaoyang, Bi Xiaoliang, Wang Ke, et al. Design of peak regulation auxiliary service market for East China power grid to promote inter-provincial sharing of negative reserve[J]. Automation of Electric Power Systems, 2019, 43(5): 175-182.
[7] 王鹏远. 考虑风电并网影响的调峰辅助服务市场机制研究[D]. 北京: 华北电力大学（北京）, 2018.
[8] 尚瑨, 邰能灵, 刘琦, 等. 采用区间控制的蓄电池储能电站调峰运行控制策略[J]. 电工技术学报, 2015, 30(16): 221-229. Shang Jin, Tai Nengling, Liu Qi, et al. Load shifting scheme of battery energy storage system based on interval controlling[J]. Transactions of China Electrotechnical Society, 2015, 30(16): 221-229.
[9] 王萧博, 黄文焘, 邰能灵, 等. 一种源-荷-储协同的电热微网联络线功率平滑策略[J]. 电工技术学报, 2020, 35(13): 2817-2829. Wang Xiaobo, Huang Wentao, Tai Nengling, et al. A tie-line power smoothing strategy for microgrid with heat and power system using source-load-storage coordination control[J]. Transactions of China Electrotechnical Society, 2020, 35(13): 2817-2829.
[10] 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.
[11] 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.
[12] 李铁, 李正文, 杨俊友, 等. 计及调峰主动性的风光水火储多能系统互补协调优化调度[J]. 电网技术, 2020, 44(10): 3622-3630. Li Tie, Li Zhengwen, Yang Junyou, et al. Coordination and optimal scheduling of multi-energy complementary system considering peak regulation initiative[J]. Power System Technology, 2020, 44(10): 3622-3630.
[13] 崔杨, 周慧娟, 仲悟之, 等. 考虑广义储能与火电联合调峰的日前–日内两阶段滚动优化调度[J]. 电网技术, 2021, 45(1): 10-20. Cui Yang, Zhou Huijuan, Zhong Wuzhi, et al. Two-stage day-ahead and intra-day rolling optimization scheduling considering joint peak regulation of generalized energy storage and thermal power[J]. Power System Technology, 2021, 45(1): 10-20.
[14] 李军徽, 张嘉辉, 穆钢, 等. 储能辅助火电机组深度调峰的分层优化调度[J]. 电网技术, 2019, 43(11): 3961-3970. Li Junhui, Zhang Jiahui, Mu Gang, et al. Hierarchical optimization scheduling of deep peak shaving for energy-storage auxiliary thermal power generating units[J]. Power System Technology, 2019, 43(11): 3961-3970.
[15] 史普鑫, 史沛然, 王佩雯, 等. 华北区域电力调峰辅助服务市场分析与运行评估[J]. 电力系统自动化, 2021, 45(20): 175-184. Shi Puxin, Shi Peiran, Wang Peiwen, et al. Analysis and operation evaluation of power peak-shaving ancillary service market in North China[J]. Automation of Electric Power Systems, 2021, 45(20): 175-184.
[16] 索瑞鸿, 陈杏, 宋依群, 等. 计及源荷双边性能指标的市场交易模型[J]. 电力自动化设备, 2019, 39(2): 173-180. Suo Ruihong, Chen Xing, Song Yiqun, et al. Trading model considering bilateral performance indexes of generation and load[J]. Electric Power Automation Equipment, 2019, 39(2): 173-180.
[17] 韩小齐, 刘文颖, 庞清仑, 等. 考虑日前现货市场风险的电力负荷参与系统调峰控制模型[J]. 电力系统保护与控制, 2022, 50(17): 55-67. Han Xiaoqi, Liu Wenying, Pang Qinglun, et al. Peak shaving control model of power load participation system considering day-ahead spot market risk[J]. Power System Protection and Control, 2022, 50(17): 55-67.
[18] 任景, 薛晨, 马晓伟, 等. 源荷联动调峰辅助服务市场两阶段模型[J]. 电力系统自动化, 2021, 45(18): 94-102. Ren Jing, Xue Chen, Ma Xiaowei, et al. Two-stage model of peak regulation ancillary service market with source-load interaction[J]. Automation of Electric Power Systems, 2021, 45(18): 94-102.
[19] 罗桓桓, 程中林, 孙婧卓, 等. 储热参与调峰辅助集中交易市场模式及优化认购模型[J]. 电力系统自动化, 2019, 43(24): 187-193. Luo Huanhuan, Cheng Zhonglin, Sun Jingzhuo, et al. Market mode and optimal subscription model of peak regulation auxiliary centralized trading with heat storage[J]. Automation of Electric Power Systems, 2019, 43(24): 187-193.
[20] 孙辉, 范轩轩, 胡姝博, 等. 虚拟电厂参与日前电力市场的内外协调竞标策略[J]. 电网技术, 2022, 46(4): 1248-1262. Sun Hui, Fan Xuanxuan, Hu Shubo, et al. Internal and external coordination bidding strategy of virtual power plant participating in day-ahead power market[J]. Power System Technology, 2022, 46(4): 1248-1262.
[21] 张明理, 张娜, 武志锴, 等. 日前电能市场与深度调峰市场联合出清模型[J]. 中国电力, 2022, 55(2): 138-144. Zhang Mingli, Zhang Na, Wu Zhikai, et al. Joint clearing model of day-ahead energy market and down regulation service market for accommodation of renewable energy[J]. Electric Power, 2022, 55(2): 138-144.
[22] 田亮, 谢云磊, 周桂平, 等. 基于两阶段随机规划的热电机组深调峰辅助服务竞价策略[J]. 电网技术, 2019, 43(8): 2789-2798. Tian Liang, Xie Yunlei, Zhou Guiping, et al. Deep peak regulation ancillary service bidding strategy for CHP units based on two-stage stochastic programming[J]. Power System Technology, 2019, 43(8): 2789-2798.
[23] 徐帆, 葛朝强, 吴鑫, 等. 区域电网省间调峰辅助服务的市场机制与出清模型[J]. 电力系统自动化, 2019, 43(16): 109-115. Xu Fan, Ge Zhaoqiang, Wu Xin, et al. Market mechanism and clearing model of inter-provincial peak regulation ancillary service for regional power grid[J]. Automation of Electric Power Systems, 2019, 43(16): 109-115.
[24] 罗桓桓, 王昊, 葛维春, 等. 考虑报价监管的动态调峰辅助服务市场竞价机制设计[J]. 电工技术学报, 2021, 36(9): 1935-1947, 1955. Luo Huanhuan, Wang Hao, Ge Weichun, et al. Design of dynamic peak regulation ancillary service market bidding mechanism considering quotation supervision[J]. Transactions of China Electrotechnical Society, 2021, 36(9): 1935-1947, 1955.
[25] 叶泽, 李湘旗, 姜飞, 等. 考虑最优弃能率的风光火储联合系统分层优化经济调度[J]. 电网技术, 2021, 45(6): 2270-2280. Ye Ze, Li Xiangqi, Jiang Fei, et al. Hierarchical optimization economic dispatching of combined wind-PV-thermal-energy storage system considering the optimal energy abandonment rate[J]. Power System Technology, 2021, 45(6): 2270-2280.
Abstract Large scale new energy access poses challenges to power grid peak shaving. How to improve the grid connection rate of new energy while taking into account the economic benefits of peak shaving resources has become an important problem that needs to be solved urgently. Therefore, this paper proposes a multi-objective optimization dispatching method of energy storage new energy thermal power under the electricity market environment, which considers the abandonment of wind and light. This paper first designs the trading mechanism of energy storage new energy thermal power peak shaving market according to the current peak shaving policy, and establishes a new energy trading power model, a bidding model and a thermal power bidding model based on the current peak shaving rules, with the wind abandonment rate and light abandonment rate as the benchmark. Secondly, through bilateral transactions between new energy, energy storage and thermal power, with the bid winning power of new energy and system peak shaving cost as multiple objectives, the output of thermal power units, bid winning power of new energy, energy storage charging and discharging power and clearing price are optimized.
In order to verify the effectiveness of the above control strategies, this paper takes a region in Northeast China as an example, and conducts numerical simulation by selecting typical daily system operation data. The specific conclusions are as follows:
First of all, this paper constructs a new energy trading power model and a new energy quotation model for the situation of new energy abandoning wind and light. The model can fully reflect the trading willingness of new energy stations in each period and improve the enthusiasm of new energy stations to participate in the peak shaving market by taking the wind abandonment rate and light abandonment rate in each period as the benchmark.
Secondly, by setting up three scenarios to verify, compared with the market model of “unilateral transaction of thermal power units” in Scenario 1 and the market model of “bilateral transaction of new energy thermal power” in Scenario 2, the optimal dispatching strategy proposed in this paper reduces the wind abandonment rate and light abandonment rate of typical new energy stations by 4.21%, 5.26%, 1.77% and 2.25% respectively, and the new energy consumption capacity of the power system is significantly improved.
Finally, the optimized dispatching strategy proposed in this paper can improve the economic benefits of peak shaving of market players while reducing the wind abandonment rate and light abandonment rate: in typical days, the net cost of peak shaving of thermal power units decreases by 56 100 CNY compared with the "thermal power unilateral" trading mode, and the net income of wind farms and photovoltaic power plants increases by 305 200 CNY and 90 100 CNY respectively. At the same time, when the net income of energy storage participating in market transactions is converted to the full life cycle, the cost coverage rate can reach 212.94%, and the economic benefits of market players for peak shaving can be significantly improved.
keywords：Abandon wind and abandon light, new energy quotation, energy storage peak regulating, peak regulating cost, market clearing
DOI:10.19595/j.cnki.1000-6753.tces.221720
中图分类号：TM732
国家电网有限公司科技项目资助（5108-202299257A-1-0-ZB）。
收稿日期 2022-09-09
改稿日期 2022-12-22
李军徽 男，1976年生，教授，博士生导师，研究方向新能源发电联网运行关键技术和储能技术的应用。E-mail：lijunhui@neepu.edu.cn
李翠萍 女，1982年生，副教授，硕士生导师，研究方向为储能技术在电力系统中的应用。E-mail：licuipingabc@163.com（通信作者）
（编辑 赫蕾）