图1 基于源-荷波动量化的动态定价机制框架
Fig.1 Framework of dynamic pricing mechanism based on source-load fluctuation quantification
摘要 高比例新能源并网加剧了源-荷波动的不匹配程度，显著增加了电力系统的平衡调控难度。尽管储能是提升系统灵活性的关键资源，但现有中长期市场缺乏适配储能特性的定价机制，制约了储能调节潜力的充分发挥和产业规模化发展。为此，该文从电网侧角度出发，面向以独立储能为代表的灵活性资源，提出一种基于源-荷波动量化的动态定价机制。首先，利用聚类分析对源-荷波动总区间进行离散化处理，构建全场景源-荷波动状态矩阵，实现波动差异的精确量化；其次，构建源-荷波动状态与电价区间的映射模型，设计适用于中长期市场的独立储能分时段动态交易机制；最后，提出基于动态规划的电价机制验证框架，模拟储能在动态电价引导下的响应行为，并引入相对达成率评价指标，从经济性与源-荷匹配度两个维度评估机制的协同优化效果。算例结果表明，相较于传统固定电价区间，所提动态电价机制能更有效地引导独立储能参与市场，显著提升了源-荷匹配度与储能收益。在协同优化策略下，最优匹配度与最优收益的相对达成率分别达到95.40%和91.08%。研究证实了该机制的可行性与有效性，为独立储能参与中长期电力市场提供了切实可行的解决路径。
关键词：源-荷波动量化 动态电价区间 独立储能
在“双碳”目标驱动下，我国加速构建新型电力系统，随着新能源和新型并网主体占比不断提升，新型电力系统的安全稳定运行成为能源保供的重要任务[1]。随着新能源装机占比逐渐增高，源-荷波动差异不断扩大，系统面临高峰电力保供与低谷新能源消纳的双重挑战[2]，具体表现在以下两方面：首先，在电力系统运行层面，高比例新能源的季节性波动特性导致电力系统面临供需平衡与消纳矛盾的双重挑战。以某省级电网为例，当新能源发电量占比达到30%时，新能源限电率也高达23%，凸显了系统调节能力的不足[3]。文献[4]指出高渗透率新能源并网对综合能源系统的预测和调控提出了更高的要求。其次，在电力交易市场层面，传统反映机组边际成本的电力市场价格机制不再适用[5]，同时中长期市场基于全成本定价而现货市场基于边际成本竞价的机制差异也导致市场衔接形成结构性价差。与此同时，传统价格机制难以准确反映系统灵活性资源的真实价值，不利于吸引调节资源投资，影响电力系统的长期可持续发展[6]。上述问题反映了调度运营与电力市场方面对新型电力系统的建设提出了更高的要求[5-7]。而在国家能源局印发的《十四五新型储能发展实施方案》中，明确新型储能是构建新型电力系统的重要技术和基础装备，对保障能源安全和实现“双碳”目标具有重要的支撑作用[8]。
作为电力系统的关键支撑技术，新型储能在调峰调频和电力电量平衡方面具有独特优势。2022年，国家能源局印发《关于进一步推动新型储能参与电力市场和调度运用的通知》，首次明确新型储能可作为独立市场主体参与电力市场交易[9]。2024年4月，国家能源局进一步发布《关于促进新型储能并网和调度运用的通知》，细化了新型储能作为独立储能电站参与电力市场调度的具体要求和管理规范[10]。在省级电网层面，《陕西省新型储能参与电力市场交易实施方案》进一步细化了独立储能的市场参与机制，为储能参与电力市场提供了具体的实施路径[11]。
目前，国内已经开展了一些关于独立储能参与调度的研究[12-14]，但储能参与电力市场也面临多重问题：①缺乏市场化电价机制引导，盈利空间较小[15]；②放电时作为发电企业参与交易，可能会降低传统发电主体利益[16]；③充电时视同电力用户参与交易可能导致储能只选择在谷电时段充电，限制了储能的灵活性[17]。这也为储能等灵活性资源的优化配置和市场参与提供了借鉴。
如何引导储能参与电力市场解决上述三类问题，则需要以下几个关键方面入手：首先要构建量化源-荷波动差异方法；其次利用源-荷供求差异构建适配储能经济性的市场化电价；最后构建一种收益与源荷匹配并重的协同优化算法，在保障储能收益的同时持续参与系统调度运行，发挥中长期交易的“压舱石”作用，减小中长期市场与现货市场的结构性价差。
针对源-荷波动量化的问题，文献[18]首次提出了风险量化概率调度的定义与框架，为促进新型电力系统安全运行提供了系统性解决方案。文献[19]通过引入源-荷差指标衡量源-荷匹配程度，平衡系统调度的经济成本与安全性能，但其依赖传统峰谷电价，对适应新能源波动特性还略有不足。文献[20]提出两个匹配指标以调动源-荷互动的积极性，但所提模型的求解目标过度关注经济性而忽略了源-荷波动对系统运行的影响。文献[21]提出一种基于信息熵理论的源-荷功率时序平衡度量化评估方法，在促进新能源消纳的同时最大程度地提升电网的平衡能力。
针对构建引导储能参与的市场化电价机制问题，文献[22]通过分析CAISO（California Independent System Operator）数据指出，能量套利在2019年统计的11种储能应用场景中获利占比最高。文献[23]提出一种适应高比例可再生能源系统的创新市场机制，通过挖掘储能的能量价值与调节价值，并结合VCG（Vickrey-Clarke-Groves）机制优化交易设计，证明了该机制相较传统模式更能激励储能参与市场交易和系统调节，有效引导储能实现能量时移。
针对独立储能参与电力市场完善系统调度运行的问题，文献[24]提出了一种考虑碳-绿证机制的数据驱动两阶段鲁棒优化调度模型，通过收益分配策略最大化虚拟电厂中长期和现货市场的交易收益，但该模型主要侧重于聚合商内部的利益分配。文献[25-27]深入探讨了中长期与现货市场的衔接机制。其中，文献[25]分析了市场衔接中的关键问题，文献[26]提出了基于标准能量块的连续运营方案，文献[27]研究了月内融合交易模式。这些研究虽然明确了多阶段交易中的能量关系，但衔接时间尺度差异过大，限制了其在市场协调中的实际应用效果。此外，文献[28]提出能源转换设备的动态运行特性及其效率对于系统整体经济性和能量利用效率至关重要。文献[29]则探讨了在考虑新能源不确定性的同时，如何通过优化调度实现系统经济性与能源利用效率的平衡。
综上所述，现有研究虽然分别在源-荷波动量化、储能参与市场化电价机制构建以及储能参与市场优化调度等方面取得了一定进展，但缺乏将这三个关键问题进行系统性融合的综合解决方案。特别是如何从电网侧机制角度构建动态价格机制引导储能参与、如何验证机制在平衡系统调节效果与经济效益方面的有效性等问题，仍需要深入探索。
为此，本文从电网侧视角出发，提出一种基于源-荷波动量化的动态电价机制（Dynamic Price Range Interval, DPRI），并通过区间动态规划的匹配度-收益协同优化加以验证，旨在通过量化源-荷波动差异构建一种合理有效的动态电价区间，引导以独立储能为代表的灵活性资源参与中长期市场。本文重点解决以下关键问题：如何构建源-荷波动差异量化方法、如何设计符合储能特性的动态电价机制、如何验证动态电价机制引导独立储能参与中长期电力市场的有效性。本文的创新点体现在以下三个方面：
1）对新能源出力波动等随机性因素造成的源-荷波动进行聚类，将划分后的子区间组成全状态组合。再对全状态组合进行赋分，构建源-荷波动匹配矩阵，量化各时段源-荷波动差异。
2）基于源-荷波动矩阵构建电价波动矩阵，建立符合市场化机制的动态电价区间，替代固定电价区间，引导独立储能满足自身收益的同时参与电力市场调度，验证动态电价机制的有效性。
3）提出了一种基于相对达成率的动态电价机制评估方法。通过相对达成率评价体系，验证动态电价机制在调节效果与经济激励方面的可行性。
新型电力系统正经历深刻变革以应对高比例新能源接入带来的挑战。在此转型过程中，系统的源-荷波动特性呈现三个显著特征：
1）系统源-荷波动的差异性与不确定性显著增强。伴随新能源装机占比的持续提升，系统运行场景日益多样化。以某典型省份为例，光伏与风电的单日波动最大可分别达装机容量的82%和88%。这种剧烈的波动特性使得传统确定性优化方法难以满足系统调节需求[30]。
2）系统调节需求呈现显著的时空分布特征。由于高比例新能源的季节性波动，省级电力系统在不同时段面临差异化的调节压力，部分地区冬季调峰需求较夏季增加30%～40%。这种季节性差异加剧了系统调峰压力，同时也突显了高峰时段电力保供与低谷时段新能源消纳的矛盾[31]。
3）电力市场机制面临新的挑战。新能源占比提升导致电价不确定性加剧，储能难以充分发挥调节作用，中长期与现货市场的价格偏离问题随新能源比例提升而进一步扩大[32]。
本文构建了一种基于源-荷不确定性量化的动态定价机制框架，如图1所示。该框架从电网侧出发，包含数据处理、波动量化、机制设计和效果验证四个关键环节。
首先，整合历史负荷/出力曲线，构建完整的电力市场交易数据基础。基于对历史曲线与极值的统计分析，确定总出力波动区间与总负荷波动区间。
其次，将中长期电力市场机制与波动区间理论相融合，构建源-荷状态矩阵，以精确量化源-荷波动差异。具体而言，首先对区域电网的负荷与出力波动总区间进行离散化处理，划分为若干个子区间；然后通过对源-荷子区间组合生成波动匹配矩阵，完成对源-荷波动特性的量化表征。
最后，将波动量化区间与电价区间进行市场化结合，构建电价机制验证框架：首先基于电价匹配矩阵将源-荷波动差异转换为动态电价区间；其次利用动态电价区间引导储能参与电力市场中长期调度，分别以源-荷匹配度和储能收益为单一目标进行求解；最后以单目标最大值作为基准值，通过源-荷-储匹配矩阵模拟储能在动态电价区间引导下的响应行为，以匹配度和储能经济性相对达成率之和最大为目标，验证动态电价机制的有效性。
图1 基于源-荷波动量化的动态定价机制框架
Fig.1 Framework of dynamic pricing mechanism based on source-load fluctuation quantification
为了实现源-荷波动的精确量化，本文采用一种基于聚类分析的离散波动区间划分方法。考虑到出力波动性远超过负荷波动性，故为提升划分精度，选择波动范围更小的总负荷波动区间（Total Load Fluctuation Range, TLFR）进行划分，再基于划分结果对总出力波动区间（Total Output Fluctuation Range, TOFR）进行划分。为确定最优的波动区间划分数量，本文引入组内惯性矩（Inertia Within, IW）法进行聚类分析。IW值的计算方法为
（1）
式中，
为聚类簇数；i为簇索引；
为第i个聚类簇的样本集合；
为簇内任意样本；
为聚类中心；
表示样本点x到其聚类中心的欧氏距离的二次方。通过计算不同聚类数量k下的IW值，并分析IW曲线的拐点，确定最佳聚类数量，即最优区间划分数量k*。
为表征电力系统源-荷波动的能量特性，本文引入两个量化指标：①波动区间的单位功率差
（MW），用于度量区间功率变化；②最小能量块
（MW·h），用于表征不同区间调节的能量大小。
（2）
式中，为单一波动子区间的功率变化幅度（MW）；
和
分别为TLFR的最小值和最大值（MW）；
为每个时间步的标准持续时间（h），本文取值为1 h，与中长期电力市场分时交易时段匹配；为最小能量块（MW·h），用于表示量化状态间转换所需的最小能量。
（3）
式中，
为第i个负荷状态；
为t时刻负荷波动区间的任意值（MW）。
为构建统一的源-荷波动量化框架，将TLFR的子区间宽度映射至TOFR，通过覆盖TOFR的全波动范围，从而构建出力波动状态区间序列
为
（4）
式中，为第j个出力状态区间，在涉及代数运算的公式中，、分别为对应区间的中间值；
为t时刻的总出力（MW）；
和
分别为TOFR的最小值和最大值（MW）；n为TOFR最小值与TLFR最小值之间扩展的子区间数量；m为TOFR相比TLFR增加的总子区间数量。
首先为每个离散区间分配一个状态标签以区分不同状态，再通过笛卡尔积运算将每种可能的离散状态
和
进行组合，构建一个离散的源-荷全波动状态组合
，即
（5）
为了实现每一对源-荷离散状态组合的精确量化，本文首先定义负荷状态和出力状态对应的离散层级索引分别为
和
。基于二者的层级差异，构建源-荷匹配度得分函数
为
（6）
式中，为非正整数，其数值大小量化了源-荷波动状态的不匹配程度。当
时，表明系统处于非平衡状态，数值越小表征源-荷层级间的偏离幅度越大；当=0时（平衡状态），表明源荷状态匹配。
将计算得到的匹配度填入匹配矩阵
，构建源-荷波动匹配矩阵，以全景量化系统的供需匹配特性。
（7）
2.3.1 动态电价区间设计
电力中长期市场与现货市场的价格偏差是一个多因素交织的复杂问题，其成因包括供需关系变化、交易方式差异、信息共享机制不畅、预测不确定性等多个方面。其中，高比例可再生能源出力带来的预测不确定性是当前中长期电力市场运行中日益突出的因素之一。针对这一问题，本文提出了基于预测曲线的动态电价区间构建方法。该方法的核心分为两步：首先，基于电力预测曲线构建源荷功率的波动区间，将预测的不确定性予以量化；其次将源-荷波动区间之间的差异映射为中长期市场中的动态电价区间（Dynamic Price Range Interval, DPRI）。该方法通过扩大电力预测曲线的预期误差范围，将波动区间变化与电价区间变化建立联系，取代了传统的固定电价区间（Fixed Price Range Interval, FPRI），同时不同容量配置的储能系统具备在任意时段内覆盖一个或多个波动子区间内预测功率与实际功率之间差异的能力[33-34]。这一特性使系统在应对中长期时间尺度的功率波动时，利用区间功率预测替代功率曲线预测，不仅简化了储能在中长期尺度下的决策难度，同时将对精确预测的依赖转变为对源荷区间状态的管理，从而在中长期市场内有效平抑源-荷波动，保障系统长期的可靠运行。
电力市场交易曲线-交易区间演化示意图如图2所示。该方法在中长期电量分解折线（见图2b））与电力预测曲线（见图2d）之间引入DPRI（见图2c））。通过评估各时段的源-荷波动状态，结合匹配矩阵M可量化各时段源-负荷波动差异，缓解了中长期电量交易折线（见图2b）与旬度电力交易曲线（见图2d、图2e、图2f）之间的衔接问题。
图2 电力市场交易曲线-交易区间演化示意图
Fig.2 Evolution diagram of electricity market trading curve and transaction intervals
2.3.2 基于源-荷波动的动态电价区间
本节构建了一种基于源-荷波动状态矩阵的DPRI定价方法，通过量化实时源-荷波动差异生成市场化的价格信号，实现对独立储能系统的引导。
从固定电价区间到动态电价区间的转换示意图如图3所示。在图3左侧，传统中长期交易采用固定的分时电价区间，其价格上下限呈阶梯状分布，难以准确反映源与荷之间的实时波动差异；而在图3右侧，通过引入动态定价机制，电价区间的上下限能够随源荷功率的实际波动而实时弹性调整，形成了与系统供需状况紧密耦合的动态电价区间。
图3 固定电价区间到动态电价区间的转换示意图
Fig.3 Comparison of fixed and dynamic price range
在构建动态电价区间的市场化过程中，本文基于源-荷波动差异的精确量化，建立波动状态与电价信号的关联机制。针对源-荷匹配度矩阵在电价映射中的适用性问题，本文对匹配度定义进行了市场化改进：当负荷状态低于出力状态时，系统存在新能源消纳压力，此时通过价格激励引导储能充电消纳多余电力，因此将此类状态的源-荷匹配度调整为正向激励的动态电价匹配度。
基于上述市场化改进规则，构建适用于电价映射的动态电价匹配矩阵
。该矩阵在保持源-荷波动状态量化精度的基础上，将系统调节需求转换为符合市场激励机制的价值评价体系，为后续实现从源-荷波动区间到动态电价区间的映射奠定了基础。
（8）
（9）
式中，
为动态电价匹配度；
为DPRI匹配矩阵。的数值特征与供需状态的对应关系如下：Sur.（Surplus，盈余状态）——
，供大于求；Def.（Deficit短缺状态）——
，供不应求；Bal.（Balance，平衡状态）——，系统供需平衡。
基于电价匹配矩阵，提取系统中所有动态电价匹配度
，构建动态电价匹配度集合为
（10）
式中，Ξ为系统中所有可能的源-荷匹配度集合；
为通过对Ξ中的所有匹配度进行去重、降序、排列得到的集合；
为系统中不同调节价值等级的数量；
为去重排序后某一特定等级的动态电价匹配度数值。
当构建动态电价区间时，以
作为划分总电价区间的依据，确保相同的源-荷状态组合获得相同的价格激励，实现储能收益与系统调节需求的精确匹配。为了实现“盈余降价、短缺涨价”的市场机制，本文采用降序排列索引法。首先将系统中所有可能的
值进行从大到小排序：＞0对应系统盈余，排序索引靠前，映射至低电价区间，引导储能充电；＜0对应系统短缺，排序索引靠后，映射至高电价区间，引导储能放电。构建电价区间映射函数
为
（11）
式中：为电价区间映射函数；
和
分别为动态电价匹配度
对应的电价子区间上、下限；
为动态电价的总波动范围，是一个预设常数；
为单个电价档位的步长；
为匹配度在集合
中的排序位次。
最终，动态电价矩阵的公式为
（12）
式中，
为t时刻状态组合
对应的动态电价区间；
为动态电价矩阵，矩阵维度为
。
本节旨在建立以动态规划为核心的动态电价区间机制验证框架。该框架的目标是通过模拟储能在动态电价区间引导下的响应行为，验证所提出的动态电价机制的合理性与有效性。框架采用动态规划方法主要基于以下考虑：①模拟储能在面临动态电价区间时的全局最优决策过程；②系统性评估不同价格机制对储能参与行为的引导效果；③为电网侧机制设计提供量化的验证依据。
动态规划是一种求解多阶段随机控制问题的有效框架，本节构建的动态规划模型包括状态空间、决策变量、状态转移方程、约束条件、目标函数与阶段性奖励，以及Bellman递推方程。
3.1.1 储能容量与源-荷波动区间的映射关系
本节首先明确储能容量参数与波动区间的映射关系，即储能系统的容量配置以源-荷波动区间为基准，与系统总负荷或总装机容量无关。根据式（2）的波动区间定义，不同储能的容量配置可用
的形式表示：储能最大充放电上限配置为
（Limited Power Capacity Configuration），表示标准功率
的x倍；储能容量配置
（Capacity Configuration），表示能量块的y倍，即
（13）
式中，
为储能系统的额定容量（MW·h）；
为储能最大充放电功率（MW）。
基于上述映射关系，可建立储能系统的可调节状态集合
为
（14）
式中，
和
分别为t时刻负荷和出力状态值。集合定义了储能系统可完全覆盖的源-荷波动范围：当源-荷波动差异位于集合内时，储能在t时刻可以实现系统区间平衡状态。
3.1.2 源-荷-储波动矩阵
独立储能参与系统调节后，在调节源-荷两侧的同时，也增大了源-荷两侧可调区间数量。源-荷-储波动矩阵
与源-荷-储电价矩阵
分别为
（15）
式中，
为储能参与后源-荷两侧增加的可调节区间数量，扩展后的矩阵维度随增加而增加；
为区间调节系数。系统的源-荷组合状态会根据决策发生转移，再根据和得到改变后的匹配度与电价区间。
3.2.1 状态空间与决策变量定义
1）状态空间：状态空间用于描述在每个决策时刻系统所处的状况。定义一个二维时序状态空间
，其中
表示优化周期内的离散时间步，T为整个优化周期的总时步数，
为在t时刻储能电量，基于离散化表达，基本单位为最小能量块
，其取值范围为
。
2）决策变量：每个时间步t，根据当前状态做出决策以决定储能的操作。定义一个三维决策变量
，
为储能的操作类型，
分别代表充电、放电和不动作；
为储能的调节目标，
分别代表储能调节作用于源侧状态或荷侧状态，直接影响状态转移后的系统组合状态及其对应的匹配度得分和动态电价；
为功率调节层级，
用于表征充放电功率相对于基准功率的倍率，z为最大调节倍数。
基于决策变量，t时刻储能的实际充放电功率P(t)可以表示为
（17）
3.2.2 状态转移方程与约束条件
储能系统的状态SOC(t)的转移由当前状态和所采取的决策决定，即
（18）
式中，
为根据状态转移方程计算的下一时刻状态。
同时，储能系统的运行必须满足
（19）
算例分别以源-荷匹配度和储能收益作为单一目标求解，再通过计算两者的最大相对达成率之和实现匹配度与储能收益的协同优化。
3.3.1 以源-荷匹配度最大为目标
根据2.2节构建的源-荷波动匹配矩阵，匹配度得分的绝对值
直接反映了系统供需的不平衡程度：绝对值越大，表征系统处于越极端的状态，电网运行风险越高。因此，协同优化的首要目标是尽可能削减这些极端状态的幅度。
（20）
式中，
为整个调度周期内源-荷匹配度的累计改善总量；
为t时刻的匹配度改善值；
和
分别为t时刻储能参与前后的匹配度。
3.3.2 以储能收益最优为目标
总目标为最大化整个调度周期内储能通过动态电价套利所获取的净收益。在动态电价机制下，电价区间与源-荷匹配度高度耦合：系统处于越极端的状态，电价区间价差越大。DPRI引导储能在充放套利过程中响应系统需求，从而在平抑波动的过程中实现储能经济价值的最大化。
（21）
式中，
为阶段时间内储能最大总收益（元）；
为t时刻的即时收益（元）；
为t时刻区间电价的中值（元/(MW·h)）。
3.3.3 匹配度-收益协同优化目标
在单独求解以匹配度/收益最大化为目标后，得到最大匹配度提升量和总收益。再以二者最大值作为基础值进行归一化，其目标是最大化两个目标的相对达成率之和
。
（22）
式中，
和
分别为储能参与后累计时段内源-荷匹配度和收益的相对达成率；
为相对达成率的总和。
动态规划通过Bellman方程进行反向递推求解。本文构建了值函数V(t, SOC(t))，表示t时刻处于状态SOC(t)到规划终点T所获得的最优累积收益，即
式中，
为t时刻即时收益函数，其具体形式取决于优化目标。
以源-荷匹配度为目标时，
；以储能收益为目标时，
；在协同优化中，优化的直接目标是最大化源-荷匹配度与储能收益的相对达成率之和，即
（24）
边界条件设置为规划期末的状态价值归零，即
（25）
从t=T-1反向递推至t=0，可以计算出所有状态在所有时间步的最优值函数
。之后通过正向追踪找到从初始状态SOC(0)出发的最优决策序列D(0), D(1),···, D(T-1)。
本节基于某典型高新能源渗透率区域电网的月度数据构建验证算例。该区域电网的发电装机规模与用电负荷特性等信息见附表1。通过对历史负荷数据的IW聚类分析，确定最优聚类拐点为3（见附图1），据此将负荷波动总区间划分为[Low, Mid, High]共3个负荷子区间。再基于负荷总波动区间划分结果对出力总波动区间进行扩展划分，得到[Shortage7～Surplus8]共18个出力子区间，具体结果见附表2。本文选取固定电价区间见附表3。数据分析表明，该区域电网在典型月的初始源-荷总匹配度为-2 615，系统月平均弃电率为5.39%。系统调节需求迫切，为动态电价机制的验证提供了理想的应用场景。
新型储能技术可按市场主体分为负荷侧储能、出力侧储能与电网侧独立储能三类。为分析动态电价机制对不同类型储能的引导效果差异，本节选取典型日数据，对具有相同调节空间的电网侧独立储能与出力侧储能进行对比。储能配置统一设定为L1C4（充放电功率限值为、储能容量为4）。
从图4～图7对比分析得到两个关键特征：首先是匹配度呈现连续的振荡现象，如第0～5 h和第18～23 h的频繁波动；其次是局部反向调节特性，如第10～14 h连续放电后进行充电操作，反向降低匹配度。上述问题可归因于两点：①动态规划算法在追求阶段性最优解过程中产生的过度补偿；②单侧储能在连续调节能力上的固有约束。
而独立储能通过源-荷双侧的协同优化方法，有效地克服了上述瓶颈。如图6、图7所示，更大的调节空间使得储能始终保持对源-荷匹配度的稳定提升，既规避了动态规划算法的振荡问题，又实现了储能调节效果的持续优化。
图4 源侧/独立储能调节前后源-荷状态对比
Fig.4 Source-load matching degree comparison before and after source-side/independent energy storage dispatch
图5 源侧/独立储能调度前后源-荷匹配度对比
Fig.5 Source-load matching degree comparison with source-side/independent energy storage dispatch
源侧储能与独立储能调节能力比较见表1。从量化指标来看，本文提出的方法更适用于独立储能模式：①源-荷双侧调节机制提供了更大的优化空间，实现了更高效的能量分配，多维度的协同优化自然抑制了单维度调节中可能出现的振荡问题；②数据表明，独立储能的日均匹配度相较于电源侧储能提升了23.49%，储能利用率提升了7.58%，验证了该方法与独立储能参与市场交易的高适配性。
图6 FPRI引导下不同储能配置的MPRC指标对比
Fig.6 Assessment of MPRC indicators for different energy storage configurations guided by FPRI
图7 DPRI引导下不同储能配置的MPRC指标评估
Fig.7 Assessment of MPRC indicators for different energy storage configurations guided by DPRI
表1 源侧储能与独立储能调节能力比较
Tab.1 Comparison of regulation capabilities between source-side energy storage and independent energy storage
指标日均匹配度储能利用率(%)日均弃电率(%) 初始系统-4.32012.60 电源侧储能-3.1576.508.40 独立储能-2.4182.305.70
为全面量化评估不同电价机制的引导效果，本文构建了包含源-荷匹配度（Matching Degree）、储能收益（Profit）、弃电率（Rate of Curtailment）、容量利用率（Capacity Utilization）及时间利用率（Time Utilization）的“MPRCT”五维评价指标体系。本节将通过对比动态电价区间与固定电价区间（FPRI）对不同储能配置的引导差异展开分析。
本节基于量化后基准功率和基准容量（
= 1 139.35 MW，=1 139.35 MW·h），构建了差异化的储能配置方案：共设置包含八种充放功率上限（L1～L8，涵盖1.1～9.1 GW范围）和六种储能装机容量（C3～C8，涵盖3.4～9.1 GW·h范围）的组合配置方案。考虑到实际应用中储能装机容量必须大于或等于充放功率上限（即x≤y）的约束，最终筛选确定了33组有效配置组合。
4.2.1 以源-荷匹配度为目标的储能特性分析
如图6和图7所示，以源-荷匹配度最大化为优化目标时，多项技术指标在DPRI与FPRI的引导下展现出高度一致性。其中，二者均实现了源-荷匹配度从-2 615.00至-881.00的最大提升，系统弃电率都从5.39%降至1.7%；同时，系统的容量利用率在不同充放电倍率下均能稳定维持在57%～93%区间内。
然而，两种机制在验证储能经济可行性验证方面表现出显著差异：由图7可见，在DPRI引导下，储能收益随容量配置提升保持增长趋势，并在L8C8配置下实现6 080.4万元的最大收益；反观图6，在FPRI引导下，储能收益随容量配置提升而加速恶化，最终在L3C8配置下出现-2 677.5万元的最大亏损，表明FPRI难以保障储能的经济可行性。验证结果充分体现了DPRI在引导储能发挥系统调节作用的同时能够保障其经济可行性的机制优势。
4.2.2 以储能收益为目标的储能特性分析
FPRI和DPRI引导下不同储能配置的MPRC指标评估图如图8和图9所示。定量验证结果显示，在C3～C8配置范围内，DPRI相比FPRI的收益优势保持在17.4%～22.4%，且DPRI在配置为L8C8时达到最大收益11 175.9万元，体现出DPRI能够在储能配置的各阶段持续提供较高的经济回报。
4.2.3 以时间利用率为指标的储能特性分析
DPRI/FPRI引导下以源-荷匹配度/储能收益为目标的时间维度利用率如图10所示。可见，在时间维度利用率方面，DPRI同样展现出显著优势：首先，DPRI引导下储能对源-荷匹配度的最大提升达462，而FPRI则导致储能降低378；其次，在系统利用效率上，DPRI的时间维度利用率达71.10%，容量维度保持在54%～59%的稳定区间，而FPRI虽达到66.67%的时间维度利用率，但容量维度在41%～62%间振荡波动。在弃电率方面，DPRI实现最优改善率1.87%，而FPRI引导下储能调度会导致弃电率反向提升，最大弃电率达6.76%。
图8 FPRI引导下不同储能配置的MPRC指标评估
Fig.8 Assessment of MPRC indicators for different energy storage configurations guided by FPRI
图9 DPRI引导下不同储能配置的MPRC指标评估
Fig.9 Assessment of MPRC indicators for different energy storage configurations guided by DPRI
图10 DPRI/FPRI引导下以源-荷匹配度/储能收益为目标的时间维度利用率
Fig.10 Time dimension utilization rate analysis under DPRI/FPRI-guided source-load matching optimization
综上所述，基于MPRCT指标体系的多维评估表明，DPRI展现出优异的机制鲁棒性。与FPRI相比，DPRI能够通过灵活的价格信号，在不同储能配置及优化目标下保持高度一致的引导效力，有效地克服了传统机制下的调节振荡与失效风险，证实了其在电力市场环境下的广泛适配性。
基于4.2节对DPRI引导储能参与电力市场优势的论证，本节将通过对比MPRCT五项技术指标，验证动态电价机制对不同储能容量配置的引导效果。
4.3.1 以收益为目标的储能配置分析
本节将通过继续对33组储能配置方案（L1C3～L8C8）的MPRCT指标进行对比，分析DPRI机制在储能经济性导向下对不同配置的引导效果差异。
图11～图13揭示了动态电价机制对不同储能配置的差异化引导效果。验证结果表明，在固定装机容量条件下，随着单次充放电上限的增加，储能收益呈单调递增趋势；系统调节效果方面，弃电率与匹配度趋势均为先升后降；系统利用效率方面，容量利用率波动较小，但时间利用率下降趋势明显。
图11 不同储能配置下的储能收益与匹配度对比
Fig.11 Comparison of energy storage profit and matching degree under various storage configurations
图12 不同储能配置下的改善弃电率对比变化趋势
Fig.12 Comparison of renewable energy curtailment rate improvement under various storage configurations
图13 不同储能配置下的时间/容量/综合利用率对比
Fig.13 Comparison of time/capacity/comprehensive utilization rates under various storage configurations
综合多维度指标，配置L2C8在动态电价机制引导下表现出最佳的综合效果平衡：其中，配置L2C8实现收益8 929.7万元。虽然只有最优收益的83.97%，但仍高于平均收益20.8%。同时，该配置在两个关键技术指标上表现突出：不仅实现了最大匹配度提升，而且弃电率改善幅度达到1.16%的最优水平。同时，图13表明其时间维度（52.28%）和容量维度（57.75%）利用率均显著高于平均水平（45%）。因此，配置L2C8在经济性与技术性指标间实现了最优平衡，是基于储能收益目标下的DPRI引导的最优方案。
4.3.2 以匹配度为目标的储能配置分析
由图14～图16可知，在固定装机容量C前提下，随着单次充放电上限的增加，匹配度和收益都呈递增趋势；系统利用效率指标中，弃电率优化存在瓶颈，同时时间与容量利用率都呈下降趋势。
图14 不同储能配置下的储能收益与匹配度对比
Fig.14 Comparison of energy storage profit and matching degree under various storage configurations
图15 不同储能配置下的改善弃电率对比变化趋势
Fig.15 Comparison of renewable energy curtailment rate improvement under various storage configurations
图16 不同储能配置下的时间/容量/综合利用率对比
Fig.16 Comparison of time/capacity/comprehensive utilization rates under various storage configurations
综合多维度指标，配置L6C8展现出最佳的机制引导效果。首先，从经济激励角度分析，L6C8配置实现了6 115.9万元的最大收益，确立了其市场激励优势；其次，源-荷匹配度提升量达1 729，虽然在所有配置方案中排第二名，但已具备显著的调节效果；从能源利用效率来看，L6C8配置显著改善了系统的弃电率，将其从5.39%大幅降低至3.68%，该性能表现与最优配置基本相当。此外，该配置在时间维度和容量维度分别实现了38.73%和58.28%的利用率，使得系统综合利用率稳定在48.51%的合理水平。综上所述，L6C8配置是DPRI机制下兼顾系统调节效果与经济效益的全局最优配置方案。
4.2节和4.3节的算例是基于单一指标的优化目标，但源-荷匹配度与储能收益的协同优化更具实践意义。研究发现，匹配度与收益两个指标存在显著差异，这种差异不仅表现在数量级上，更体现在物理意义和计算单位的本质差别上。这使得传统归一化方法和多目标优化方法难以直接应用。
针对这一问题，本节提出了相对达成率评价体系，以不同单一目标下获得的最大匹配度提升量和最大收益为基准，通过求解匹配度和储能收益最大达成率总和，实现不同量纲的优化目标向统一相对指标的转换，建立了协同优化的量化评价框架。
基于相对达成率的储能L2C8多指标对比雷达图如图17所示。协同优化策略通过动态协调源荷匹配度与经济效益之间的矛盾关系，在L2C8配置下实现了系统综合运行性能的显著提升。相较于单一目标策略，双目标协同机制展现出优异的均衡能力：在源荷匹配度方面，系统匹配度提升量达1 092，达到了单一匹配度最大化策略下极值的97.15%，有效地避免了以收益为单一目标时匹配度大幅劣化的短板；在经济效益方面，系统实现收益8 336.76万元，达到了单一收益最大化策略下极值的93.34%。两者总达成率高达190.49%，较单一匹配度策略收益大幅增长了59.6%。更为显著的是系统技术指标的协同优化效应：在双目标驱动下，系统时间利用率达到75.94%，容量利用率稳定在58.01%，且弃电率改善幅度达1.99%。
图17 基于相对达成率的储能L2C8多指标对比雷达图
Fig.17 Radar chart of multi-indicator comparison for energy storage L2C8 based on relative achievement rate
基于相对达成率的储能L6C8多指标对比雷达图如图18所示。通过对L6C8配置下的优化策略进行分析，双目标协同优化方法展现出卓越的全局寻优与均衡能力。在处理源荷匹配度与经济效益的耦合矛盾时，双目标策略实现了9 061.53万元的系统收益与1 092的匹配度提升量。一方面，其收益达到了单一收益最大化极值的86.46%，较单一匹配度方案大幅提升45.42%；另一方面，其匹配度提升量达到了单一匹配度方案的71.19%，是单一收益方案匹配度提升量9.1倍，双目标总达成率达到了157.65%。
图18 基于相对达成率的储能L6C8多指标对比雷达图
Fig.18 Radar chart of multi-indicator comparison for energy storage L6C8 based on relative achievement rate
本文从电网侧机制设计角度出发，针对新型电力系统中源-荷波动加剧问题，提出了一种基于源-荷波动量化的动态电价机制，并通过算例验证了其合理性与有效性，旨在为电网侧引导独立储能高效参与中长期市场调度，实现源-荷匹配度与储能收益双目标协同优化提供理论依据。通过系统的理论分析与算例验证，结论如下：
1）通过对总负荷与总出力波动区间的精细化划分，构建了源-荷波动匹配矩阵，为后续构建市场化电价区间机制奠定了可靠的物理与数学基础。
2）建立了从源-荷波动状态到电价区间的动态映射模型，成功将量化的源-荷波动差异转化为市场化的价格信号，实现了对储能充放电行为的精准价格引导。
3）相比于传统出力侧储能，独立储能在动态电价机制的引导下，打破了单一空间位置的调度局限，展现出更强的全局系统调节能力与更广阔的运行优化空间。
4）研究表明，相较于传统的固定电价机制，本文提出的动态电价机制能够更灵敏地反映电网的实时供需矛盾。该机制在引导独立储能参与电力市场的同时，实现了经济效益与电网安全稳定运行的深度融合。
5）算例结果充分证明，在该评价体系下，动态电价机制驱动的双目标协同优化策略不仅在匹配度与收益的综合达成率上保持极高水平，更在设备利用率与弃电改善率等次要指标上激发了显著的协同效应。这表明该机制能够在保障储能运营商合理收益的前提下，充分释放储能的系统调节红利。
附 录
附图1 负荷波动聚类拐点
App.Fig.1 Elbow point of load fluctuation clustering
附表1 区域电力系统装机容量与年发电量统计
App.Tab.1 Statistics of installed capacity and annual power generation in regional power system
源荷类型功率/MW年发电量/(108kW·h) 火电装机容量4 000151.9 水电装机容量12 500420.7 风电装机容量10 000154.6 光伏装机容量18 000251.9 光热装机容量3 12042.8 直流外送负荷1 600293.4 本地年最大负荷19 000922.5
附表2 源-荷状态区间划分表
App.Tab.2 Intervals classification of generation-load deviation
源-荷状态区间功率/MW Shortage7（Sh7）[5 834.88, 6 794.23） Shortage6（Sh6）[6 794.23, 7 753.59） Shortage5（Sh5）[7 753.59, 8 712.94） Shortage4（Sh4）[8 712.94, 9 672.30） Shortage3（Sh3）[9 672.30, 10 631.66） Shortage2（Sh2）[10 631.66, 11 591.01） Shortage1（Sh1）[11 591.01, 12 550.37） Low（L）[12 550.37, 13 509.72） Mid（M）[13 509.72, 14 469.08） High（H）[14 469.08, 15 428.44） Surplus1（Su1）[15 428.44, 16 387.79） Surplus2（Su2）[16 387.79, 17 347.15） Surplus3（Su3）[17 347.15, 18 306.50） Surplus4（Su4）[18 306.50, 19 265.86） Surplus5（Su5）[19 265.86, 20 225.22） Surplus6（Su6）[20 225.22, 21 184.57） Surplus7（Su7）[21 184.57, 22 143.93） Surplus8（Su8）[22 143.93, 23 103.28]
附表3 固定电价区间表
App.Tab.3 Fixed-rate tiered tariff schedule
时间段固定电价区间下限/元固定电价区间上限/元固定电价区间中值/元 0:00—8:000.0900.1200.105 8:00—15:000.3000.4000.350 15:00—19:000.5000.7000.600 19:00—22:000.6000.8500.725 22:00—23:000.5000.7000.600 23:00—24:000.3000.4000.350
参考文献
[1] 国家能源局. 关于加强电力安全治理以高水平安全保障新型电力系统高质量发展的意见[EB/OL]. (2024-11-20)[2025-01-20]. https://www.gov.cn/zhengce/zhengceku/ 202411/content_6990253.htm.
[2] 李增辉, 于钊, 孙大雁, 等. 新能源预测纳入备用对平衡和消纳的影响研究[J]. 电网技术, 2024, 48(4): 1393-1402. Li Zenghui, Yu Zhao, Sun Dayan, et al. Research on influences to power balance & new energy consumption of taken-into-account proportion of new energy’s predicted output in day-ahead power reserve[J]. Power System Technology, 2024, 48(4): 1393-1402.
[3] 董昱, 孙大雁, 许丹, 等. 新型电力系统电力电量平衡的挑战、应对与展望[J]. 中国电机工程学报, 2025, 45(6): 2039-2057. Dong Yu, Sun Dayan, Xu Dan, et al. Challenges, response and prospects for power balance in new power systems[J]. Proceedings of the CSEE, 2025, 45(6): 2039-2057.
[4] 李志伟, 赵雨泽, 吴培, 等. 基于㶲经济分析的电氢能源系统区间鲁棒优化调度[J]. 电工技术学报, 2025, 40(11): 3514-3528.Li Zhiwei, Zhao Yuze, Wu Pei, et al. Interval robust optimal scheduling of electricity and hydrogen energy system based on exergoeconomic analysis[J]. Transactions of China Electrotechnical Society, 2025, 40(11): 3514-3528.
[5] 钟海旺, 张宁, 杜尔顺, 等. 新型电力系统中的规划运营与电力市场: 研究进展与科研实践[J]. 中国电机工程学报, 2024, 44(18): 7084-7104. Zhong Haiwang, Zhang Ning, Du Ershun, et al. Planning, operation and market of new power system: research progress and practice[J]. Proceedings of the CSEE, 2024, 44(18): 7084-7104.
[6] 冯艺萱, 边晓燕, 陈雯, 等. 新型电力系统灵活性资源成本回收机制分析及挑战[J]. 电工技术学报, 2025, 40(21): 7013-7028. Feng Yixuan, Bian Xiaoyan, Chen Wen, et al. Analysis and challenges of new power system flexibility resource cost recovery mechanisms[J]. Transactions of China Electrotechnical Society, 2025, 40(21): 7013-7028.
[7] 国家发展改革委, 国家能源局. 关于印发《电力系统调节能力优化专项行动实施方案（2025—2027年）》的通知[EB/OL]. (2024-12-20)[2025-01-19]. https://www.gov.cn/ zhengce/zhengceku/202501/content_ 6996643.htm.
[8] 国家发展改革委, 国家能源局. 关于印发《“十四五”新型储能发展实施方案》的通知[EB/OL]. (2022-01-29)[2025-01-20]. https://www. gov.cn/zhengce/ zhengceku/2022-03/22/content_5680417. htm.
[9] 国家发展改革委办公厅, 国家能源局综合司. 关于进一步推动新型储能参与电力市场和调度运用的通知[EB/OL]. (2022-05-24)[2025-01-20]. https:// www.gov.cn/zhengce/zhengceku/2022-06/07/content_5694423.htm.
[10] 国家能源局. 关于促进新型储能并网和调度运用的通知[EB/OL]. (2024-04-02)[2025-01-20]. https:// www.gov.cn/zhengce/zhengceku/202404/content_ 6945448.htm.
[11] 陕西省发展和改革委员会, 国家能源局西北监管局. 关于印发《陕西省新型储能参与电力市场交易实施方案》的通知[EB/OL]. (2024-03-11)[2025-01-20]. https://sndrc.shaanxi.gov.cn/zfxxgk/zc/fgwj/ sfzggwwj/2024/202403/t20240311_3133153.html.
[12] 李军徽, 张靖祥, 穆钢, 等. 辅助服务市场下独立储能调峰调频协同优化调度[J]. 中国电机工程学报, 2025, 45(2): 650-665. Li Junhui, Zhang Jingxiang, Mu Gang, et al. Collaborative optimal dispatch of peak shaving and frequency modulation with independent energy storage based on auxiliary service market[J]. Proceedings of the CSEE, 2025, 45(2): 650-665.
[13] 黄翰锟, 王秀丽, 张恒源, 等. 独立储能参与的电能量和全过程调频市场联合出清模型[J]. 西安交通大学学报, 2025, 59(1): 17-27. Huang Hankun, Wang Xiuli, Zhang Hengyuan, et al. Joint clearing model for electric energy and full process frequency regulation market with independent energy storage participation[J]. Journal of Xi’an Jiaotong University, 2025, 59(1): 17-27.
[14] 王子谋, 黄弦超, 史磊, 等. 独立储能电站参与电能量和调频市场容量投标的协同优化[J]. 太阳能学报, 2024, 45(9): 630-638. Wang Zimou, Huang Xianchao, Shi Lei, et al. Collaborative optimization of independent energy storage power station’s capacity bidding in real-time energy and regulation market[J]. Acta Energiae Solaris Sinica, 2024, 45(9): 630-638.
[15] Chen Siyuan, Li Zheng, Li Weiqi. Integrating high share of renewable energy into power system using customer-sited energy storage[J]. Renewable and Sustainable Energy Reviews, 2021, 143: 110893.
[16] Williams O, Green R. Electricity storage and market power[J]. Energy Policy, 2022, 164: 112872.
[17] 裴善鹏, 林华, 王炎, 等. 电力现货市场背景下的山东新能源储能应用模式研究[J]. 热力发电, 2021, 50(8): 30-38. Pei Shanpeng, Lin Hua, Wang Yan, et al. Study on application mode of new energy storage in Shandong under the background of power spot market[J]. Thermal Power Generation, 2021, 50(8): 30-38.
[18] 吴文传, 许书伟, 杨越, 等. 风险量化的高比例新能源电力系统概率调度[J]. 电力系统自动化, 2023, 47(15): 3-11. Wu Wenchuan, Xu Shuwei, Yang Yue, et al. Risk-quantified probabilistic dispatch for power system with high proportion of renewable energy[J]. Automation of Electric Power Systems, 2023, 47(15): 3-11.
[19] Ye Jiahao, Xie Lirong, Ma Lan, et al. Low-carbon optimal scheduling for multi-source power systems based on source-load matching under active demand response[J]. Solar Energy, 2024, 267: 112241.
[20] Li Junzhou, Zhao Jinbin, Chen Yiwen, et al. Optimal sizing for a wind-photovoltaic-hydrogen hybrid system considering levelized cost of storage and source-load interaction[J]. International Journal of Hydrogen Energy, 2023, 48(11): 4129-4142.
[21] 顾光荣, 杨鹏, 汤波, 等. 源-荷-储协同优化的配电网平衡能力提升方法[J]. 中国电机工程学报, 2024, 44(13): 5097-5109. Gu Guangrong, Yang Peng, Tang Bo, et al. A method for improving the balance ability of distribution networks through source-load-storage collaborative optimization[J]. Proceedings of the CSEE, 2024, 44(13): 5097-5109.
[22] Zhao Dongwei, Jafari M, Botterud A, et al. Strategic energy storage investments: a case study of the CAISO electricity market[J]. Applied Energy, 2022, 325: 119909.
[23] Xiao Jucheng, He Guangyu, Fan Shuai, et al. Substitute energy price market mechanism for renewable energy power system with generalized energy storage[J]. Applied Energy, 2022, 328: 120219.
[24] Ju Liwei, Lü Shuoshuo, Zhang Zheyu, et al. Data-driven two-stage robust optimization dispatching model and benefit allocation strategy for a novel virtual power plant considering carbon-green certificateequivalence conversion mechanism[J]. Applied Energy, 2024, 362: 122974.
[25] 张雪秋, 刘敦楠, 王小路, 等. 考虑电力中长期及现货市场衔接的月内融合交易模式及统一限价研究[J]. 电网技术, 2024, 48(4): 1418-1430. Zhang Xueqiu, Liu Dunnan, Wang Xiaolu, et al. Study on intra-month fusion trading model and unified price limit considering the connection of medium and long-term electricity and spot markets[J]. Power System Technology, 2024, 48(4): 1418-1430.
[26] 王小昂, 邹鹏, 任远, 等. 山西电力现货市场中长期与现货衔接问题及对策[J]. 电网技术, 2022, 46(1): 20-27. Wang Xiaoang, Zou Peng, Ren Yuan, et al. Problems and solutions of medium & long-term trading connected with electricity spot market in Shanxi Province[J]. Power System Technology, 2022, 46(1): 20-27.
[27] 刘敦楠, 李竹, 董治新, 等. 基于标准能量块合约的电力中长期市场连续运营方案设计[J]. 电网技术, 2023, 47(1): 129-144. Liu Dunnan, Li Zhu, Dong Zhixin, et al. Design of continuous operation scheme of electric power medium-and long-term market based on standard energy block contracts[J]. Power System Technology, 2023, 47(1): 129-144.
[28] 李军舟, 赵晋斌, 陈逸文, 等. 考虑动态功率区间和制氢效率的电转氢(P2H)设备容量配置优化[J]. 电工技术学报, 2023, 38(18): 4864-4874, 4920. Li Junzhou, Zhao Jinbin, Chen Yiwen, et al. Optimal capacity configuration of P2H equipment considering dynamic power range and hydrogen production efficiency[J]. Transactions of China Electrotechnical Society, 2023, 38(18): 4864-4874, 4920.
[29] 陈明昊, 朱月瑶, 孙毅, 等. 计及高渗透率光伏消纳与深度强化学习的综合能源系统预测调控[J]. 电工技术学报, 2024, 39(19): 6054-6071, 6103. Chen Minghao, Zhu Yueyao, Sun Yi, et al. The predictive-control optimization method for park integrated energy system considering the high penetration of photovoltaics and deep reinforcement learning[J]. Transactions of China Electrotechnical Society, 2024, 39(19): 6054-6071, 6103.
[30] Fang Xichen, Guo Hongye, Zhang Xian, et al. An efficient and incentive-compatible market design for energy storage participation[J]. Applied Energy, 2022, 311: 118731.
[31] 戴国华, 戴睿, 张琪瑞, 等. 基于主客观赋权相结合的省级电网发展诊断分析方法与实证研究[J]. 电力系统保护与控制, 2022, 50(2): 110-118. Dai Guohua, Dai Rui, Zhang Qirui, et al. Empirical study and analysis of provincial power grid development diagnosis based on the combination of a subjective and objective weighting method[J]. Power System Protection and Control, 2022, 50(2): 110-118.
[32] 邹鹏, 丁强, 任远, 等. 山西省融合调峰辅助服务的电力现货市场建设路径演化探析[J]. 电网技术, 2022, 46(4): 1279-1288. Zou Peng, Ding Qiang, Ren Yuan, et al. Analysis on construction path evolution of electricity spot market integrating load and renewables following ancillary services in Shanxi Province[J]. Power System Technology, 2022, 46(4): 1279-1288.
[33] Kodaira D, Jung W, Han S. Optimal energy storage system operation for peak reduction in a distribution network using a prediction interval[J]. IEEE Transactions on Smart Grid, 2020, 11(3): 2208-2217.
[34] Liu Fang, Liu Qianyi, Tao Qing, et al. Deep reinforcement learning based energy storage management strategy considering prediction intervals of wind power[J]. International Journal of Electrical Power & Energy Systems, 2023, 145: 108608.
Abstract Large-scale renewable energy integration has significantly increased source-load fluctuation differences in power systems, elevating the difficulty of power and energy balance regulation. This transformation highlights the crucial role of energy storage in system flexibility regulation. However, existing energy storage pricing mechanisms fail to ensure reasonable returns, constraining both the full utilization of storage regulation potential and industrial-scale development. Consequently, establishing rational pricing mechanisms has become critical for the evolving power system landscape.
This paper proposes a dynamic pricing mechanism based on source-load fluctuation quantification from the grid-side perspective, targeting flexibility resources represented by independent energy storage. The proposed approach aims to address the fundamental challenge of creating market incentives that effectively guide storage participation while maintaining system stability and economic viability.
The methodology consists of three integrated components. First, the inertia within (IW) clustering analysis method is employed to partition the total source-load fluctuation intervals. Through systematic analysis of clustering metrics, optimal interval divisions are determined, establishing a comprehensive source-load fluctuation state matrix. This matrix construction process involves creating full-scenario state combinations through Cartesian products and implementing fuzzy logic-based valuation to achieve precise quantification of fluctuation differences. The approach introduces the concept of minimum energy blocks to represent the fundamental energy units for state transitions, providing a quantitative foundation for storage capacity configuration and operational decisions.
Second, a mapping relationship between source-load fluctuation states and electricity price intervals is established. Based on market-oriented principles, the mechanism transforms quantified fluctuation differences into dynamic price signals that reflect real-time system regulation needs. This design creates a medium and long-term time-of-use dynamic pricing mechanism specifically oriented toward independent energy storage, replacing traditional fixed price structures with adaptive pricing that responds to system conditions. The price intervals dynamically adjust based on source-load matching states, providing higher incentives when system regulation needs are greater and moderate prices during balanced conditions.
Third, a verification framework based on dynamic programming is constructed to validate the proposed pricing mechanism. This framework simulates energy storage response behavior under dynamic price guidance through multi-stage optimization modeling. A relative achievement rate evaluation system is introduced to verify the synergistic effects between storage economics and source-load matching degree. The framework establishes separate optimization baselines for matching degree maximization and profit maximization, then evaluates the collaborative optimization performance through normalized metrics, enabling comprehensive assessment of the mechanism's effectiveness.
Case study analysis demonstrates that compared to fixed price interval mechanisms, the proposed dynamic price interval mechanism achieves significant improvements in both source-load matching degree and storage revenue when guiding independent energy storage market participation. Under unified configuration scenarios, the collaborative optimization strategy simultaneously achieves a 95.40% relative achievement rate for optimal matching degree and a 91.08% relative achievement rate for optimal revenue. The mechanism effectively reduces system renewable curtailment while maintaining reasonable storage utilization rates across different operational scenarios.
The results prove the feasibility and effectiveness of the dynamic price interval mechanism in guiding independent energy storage participation in electricity markets. This research provides a viable pathway for independent energy storage participation in medium and long-term electricity markets, contributing to the sustainable development of new power systems characterized by high renewable energy penetration and enhanced flexibility requirements.
keywords：Source-load fluctuation quantification, dynamic electricity price interval, independent energy storage
DOI: 10.19595/j.cnki.1000-6753.tces.250962
中图分类号：TM614
收稿日期 2025-06-04
改稿日期 2025-08-25
崔 杨 男，1980年生，博士，教授，博士生导师，研究方向为电力系统运行分析、新能源联网发电关键技术等。E-mail：cuiyang0432@163.com
程丁然 男，1998年生，博士研究生，研究方向为新型电力系统调度与新能源区间预测。E-mail：2202100176@neepu.edu.cn（通信作者）
（编辑 赫 蕾）