图1 风电及其联营体交易策略研究框架
Fig.1 Wind power and its aggregators bidding strategy research framework
摘要 在我国新型电力系统和电力现货市场建设取得突破性进展的背景下，风电及其联营体已经成为参与电力市场交易的重要主体之一。特别地，在风电装机占比较高的电力系统中，风电大发时段面临的低现货市场价格风险，以及因出力不确定性带来的中长期交易偏差结算风险等，都会对风电及其联营体的健康运营和可持续发展造成一定影响，给推进新型电力系统的建设带来挑战。在此背景下，如何优化风电及其联营体参与电力市场的交易策略，实现利润最大化，成为现阶段电力市场领域研究的热点问题。为此，该文针对风电及其联营体参与电力市场的交易策略研究开展综述，首先，梳理了风电及其联营体参与国内外电力市场的相关规则，明确了其可参与的市场类型及报价机制等信息；其次，对风电及其联营体参与电力现货、中长期以及辅助服务市场的交易策略进行综述，总结了风储联营体参与各细分市场的通用策略模型；然后，对现有交易策略中计及风电出力和电价不确定性的模型进行总结，对比分析了各模型的适用场景及优劣；最后，结合风电行业和电力市场发展现状，对风电及其联营体交易策略研究方向，以及如何完善我国电力市场机制提出了若干建议。
关键词：风电及其联营体 交易策略 现货市场 中长期市场 辅助服务市场
随着山西[1]、南方（以广东起步）、山东、蒙西、甘肃电力现货市场转入正式运行，我国的电力现货市场建设全面加速推进。与此同时，在新型电力系统深化建设背景下，我国风电装机占比不断提高。截至2024年底，我国的风电装机容量已达5.3亿kW，较2023年增长20.4%，年发电总量已占总发电量的9.08%[2]。风电成为继火电、水电之后的第三大发电主体，发展迅速[3]。
2025年国家发展改革委发布的《关于深化新能源上网电价市场化改革促进新能源高质量发展的通知》（发改价格〔2025〕136号）要求新能源项目上网电量原则上全部进入电力市场[4]，但新能源出力的随机性、弱调节能力以及市场价格的不确定性使得其回收成本并获得合理收益面临较大难题。例如，2025上半年，蒙西、甘肃、山东、山西等现货市场各月间风电现货均价波动较为剧烈，其中蒙西市场最为明显，最低月均价为110元/(MW·h)，最高月均价为270元/(MW·h)，且各市场风电均价较大幅度地低于火电结算均价。与此同时，蒙西、甘肃、山东、山西市场风电装机占比分别为29.4%、32.56%、11.03%、16.9%，仍保持较高的增长率，并且随着新能源装机占比的提高，蒙西、山西等市场各月风电均价环比2024年均有较大程度的下降。德国、美国得州风电装机占比分别为33%、23%，负电价、零电价情况日益增多，电价下行趋势明显。在中长期市场中，风电场签订高比例的中长期合约，而在实时市场未能交付，反而造成了大量的收益损失。另外，风电场在同时参与多类型市场交易时，如同时参与现货和辅助服务市场，则又面临各市场间的容量分配问题，也会对其市场收益产生一定影响。此时，若风电商缺乏相关理论与方法指导帮助其制定科学合理的电力市场交易策略，将面临一定程度的可持续经营风险。因此，风电商如何制定参与电力市场的交易策略，使之在回收成本的同时获得合理利润，促进风电健康可持续发展，成为风电产业发展关注的重点问题之一。
现有国内外关于风电交易策略的研究更多聚焦于风电及其联营体参与一种或两种市场交易的策略模型研究，例如，联合风电或储能等灵活性资源以价格接受者或者价格影响者的身份参与现货市场、单独参与中长期市场，以及同时参与现货市场和辅助服务市场，也有专家学者对绿证和碳等政策性市场的耦合交易进行了综述[5]，但是暂未有关于风电及其联营体参与现货、辅助服务等电力市场交易策略的综述。考虑到风电及其联营体参与电力市场交易获得的收入是其最主要的收益来源，且现有关于交易策略的研究包含多种类型的电力市场，联合的主体种类繁多，使用的优化方法也不尽相同，尚缺乏系统性的分析和总结。为厘清研究现状，探寻未来可能的研究方向，亟须对风电及其联营体参与电力市场策略的问题开展系统性分析和综述，以期推动风电及其联营体参与电力市场交易策略的研究，乃至为优化相关市场机制、推动新型电力系统建设提供有益参考。
为此，本文系统地开展了风电及其联营体参与电力市场交易策略的综述研究，形成了如图1所示的研究框架。广义上，风电及其联营体参与电力市场的交易策略指的是形成一系列由功率和价格构成的市场竞标曲线集合，该集合使得运营商能够在电力市场中实现综合发电利润最大化。然而，市场竞标曲线集合的形成需要构建并求解以广义利润最大化等为目标、以机组运行特性和市场交易规则为约束、以计及不确定性的建模方法为工具的策略模型。因此，参与市场主体、参与市场类型、计及不确定性的建模方法成为风电及其联营体参与电力市场交易策略形成的三个重要因素。
图1 风电及其联营体交易策略研究框架
Fig.1 Wind power and its aggregators bidding strategy research framework
具体而言，参与市场主体的问题涉及风电是单独参与还是联合其他主体参与，这会影响优化模型的目标函数以及机组运行约束的形成；参与市场类型的问题涉及风电是参与现货市场、中长期市场还是辅助服务市场（由于鲜有关于风电及联营体参与容量市场、跨省跨区市场交易策略的文献，故未进行综述，但在展望中提出了相关建议），这会影响优化模型的目标函数以及市场运行相关约束的形成；计及风电出力和价格不确定性的建模方法选择问题，例如是使用随机优化求解还是使用鲁棒优化求解，将影响目标函数的形成以及不确定约束形式的选择。
基于上述分析，本文围绕风电及其联营体参与各类型市场的交易策略模型构建的三要素——参与市场主体、参与市场类型和计及不确定性的建模方法进行综述。具体逻辑如下：首先，通过梳理国外各典型电力市场和国内省级电力市场对于风电及其联营体参与市场的报价机制等信息，明确风电及其联营体可以参与的市场类型及相关报价规则；其次，鉴于市场类型和参与主体对形成交易策略的耦合程度较高，建立“市场类型主线-参与主体支线”的层次化框架进行策略综述；然后，在第5节专项探讨计及风电出力和电价不确定性的优化模型，系统地评述各模型的优劣及适用边界；最后，从风电及其联营体决策与市场机制优化两个维度出发，提出风电及其联营体制定市场交易策略的建议与市场机制优化方向。
表1归纳了国内外典型电力市场中风电及其联营体可以参与的市场类型、报价方式以及典型有功辅助服务产品（风电未来可能参与）等信息。
表1 风电及其联营体参与国内外电力市场相关信息
Tab.1 Information on the participation of wind power and its aggregators in domestic and international power markets
市场风电可参与市场类型风电联营体可参与市场类型风电报价方式典型有功辅助服务产品 北欧电力市场[6]中长期市场、现货市场中长期市场、现货市场、辅助服务市场报量报价频率控制备用、频率恢复备用、替代备用 PJM 中长期市场、现货市场开环混合资源：中长期市场、现货市场、辅助服务市场；闭环混合资源：中长期市场、现货市场报量报价调频、旋转备用、非旋转备用 MISO中长期市场、现货市场调频、响应备用、非旋转备用 CAISO中长期市场、现货市场、辅助服务市场调频、运行备用、灵活爬坡 山东电力市场[7]中长期市场、现货市场中长期市场、现货市场10%容量报量报价调频、备用、灵活爬坡 山西、蒙西、甘肃电力市场报量报价（山西自主选择）调频、备用
在风电单独参与电力市场的类型方面，风电主要参与现货市场交易，其报价方式则与所在市场的市场化程度、新能源渗透率情况相关[8]。具体来说，在市场化程度较高或新能源渗透率较高的市场中，风电大多以报量报价的形式参与现货市场；而在市场化程度偏低、新能源渗透率较低的市场中，风电主要以报量不报价的形式参与。在参与其他类型市场方面，所调研的文献均未显示存在允许风电单独参与辅助服务市场的实践案例。然而，从加拿大风电协会[9]、美国加州独立系统运营商（California Independent System Operator, CAISO）和美国国家新能源实验室[10-13]发布的报告来看，风电和光伏在技术和经济上均具有参与辅助服务市场（主要是调频市场）的可行性，在一些时段同时参与现货市场与辅助服务市场的收益高于仅参与现货市场的收益。
在风电联营体可参与的市场类型方面，部分市场存在允许风电联营体参与辅助服务市场交易的实践。具体来说，北欧、PJM（Pennsylvania-New Jersey-Maryland）[14]、CAISO[15]市场允许满足相关辅助服务技术要求的联营体参与辅助服务市场，而美国中部大陆独立系统运营商（MISO）也正在探索允许其参与辅助服务市场。PJM和CAISO市场规则中明确的联营体主要是风电/光伏与储能的联营体，其中PJM关于能参与辅助服务市场的联营体的分类更加细致，如图2所示。图2中，闭环混合资源指没有储能组件的混合资源，或者是在物理层面、合同层面上无法从电网获取电能进行充电的混合资源；开环混合资源指带有储能组件的混合资源，该储能组件在物理层面和合同层面上都能够从电网获取电能对其进行充电[16]。CAISO则只简单地将发电资源分为共址发电资源和混合发电资源，并在规则上允许满足技术要求的混合资源参与辅助服务市场。
图2 PJM市场混合发电资源及参与市场分类
Fig.2 Resources in the PJM Market and classification of participation in the market
综上所述，随着风电渗透率的不断提高以及市场机制的进一步完善，风电将逐步从报量不报价转为报量报价参与现货市场，风电及其联营体未来也将在大多数市场被允许参与辅助服务市场，这就给风电及其联营体创造了策略优化的空间。
随着风电渗透率的不断增加和市场份额的逐步提高，市场运营机构从促进市场公平竞争、保障电力系统安全稳定和风电合理收益等目的出发，逐步优化调整风电参与电力现货市场报价的方式，使得风电在电力现货市场竞价中经历了从价格接受者（Price Taker）到价格影响者（Price Maker）的角色演变[17]，也影响了风电及其联营体参与电力现货竞价策略的研究方向，而这种演变主要来源于其供需调节能力与策略博弈意识的逐步增强。
在经济学中，价格接受者指在市场中无法通过自身的行为影响市场价格，只能被动接受市场既定价格的经济主体；而价格影响者指在电力市场中具有一定议价能力的主体，能够通过制定交易策略，在主观上对市场价格产生实质性影响。对于包括风电在内的市场主体来说，其对价格的影响力与其市场份额和相关市场规则密切相关，也直接影响风电及其联营体采取的交易策略。
例如，在风电进入市场初期，其市场份额较小，出力随机性强，从保护产业发展和促进风电消纳等角度出发，市场规则一般允许其报量不报价参与市场，这也使得风电在多数情况下只能作为价格接受者参与市场。而随着风电装机规模的不断提高，其市场份额增加，调节能力也逐渐提高，从促进市场公平竞争、保障电力系统安全稳定等角度出发，市场规则允许其报量报价参与市场，其便具备了作为价格影响者的条件，开始考虑在合理范围内通过策略性报价提高部分时段市场价格，增加自身收益。
无论是作为价格接受者还是价格影响者，风电在制定现货市场交易策略时均需要考虑两个方面的风险：一是市场价格的不确定性引发的收益风险；二是风电出力的不确定性引发的偏差考核风险。针对风险一，价格接受者以预测电价作为外生参数进行策略优化，其收益水平高度依赖预测精度。而价格影响者则考虑使用基于内生市场出清过程的均衡分析模型实现策略优化，通过与市场不断交互求解最优策略，其收益不仅受预测误差影响，更与市场份额、市场供需情况等参数密切相关。针对风险二，价格接受者和价格影响者大多考虑通过联合储能等可调节性资源来减小出力偏差，但联合不同主体的协同方式也互有差异。风电联合多主体参与现货市场如图3所示。
图3 风电联合多主体参与现货市场
Fig.3 Wind power combined with multiple entities to participate in the electricity spot market
基于对上述角色转变趋势、理论模型及协同方式差异性的分析，本节采用动态演进的视角系统地梳理风电及其联营体参与电力市场竞价的国内外研究进展：首先总结风电作为价格接受者时联合不同主体的协同方式；其次提炼以预测电价作为外生参数的普适策略模型；最后对现有研究进行评述小结。由于价格影响者中联合不同主体的协同方式与价格接受者相同，因而只做简要综述，并提炼基于内生市场出清过程的均衡分析模型，最后进行评述小结。
2.1.1 联合不同主体的协同方式
随着利益的驱动和调控技术的发展，风电逐步由早期独立参与市场过渡到联合其他主体参与市场报价。初期风电单独参与市场面临出力不确定性的制约，随着储能技术成本下降与水风光、风光火一体化的政策引导，风电联合储能、水电和火电的模式逐步发展起来。近期由于需求侧响应资源（Demand Response, DR）的兴起，也有学者开始探索风电联合需求侧响应资源参与市场报价。本节将按照上述发展脉络进行综述。
1）单一风电场或联合风电场
单一风电场独立参与现货市场时，由于缺乏可调度资源进行风险对冲，其优化策略仅限于基于实时出力修正的动态调整机制。文献[18]针对此问题构建了多时间尺度耦合决策框架，提出了涵盖日前、日内及平衡市场的分层随机优化模型。研究表明，引入日内市场后可通过多阶段决策优化提升收益水平，同时利用条件风险价值（Conditional Value at Risk, CVaR）约束实现风险可控性。
随着风电场的集中建设，研究者发现风电场的集群效应可以显著降低整体出力的预测误差[19]，因而风电场之间可以考虑联合进入市场申报电量。联合体的偏差电量要小于各自风电场偏差电量总和，由此可以降低偏差考核成本，提升各风电商的收益。文献[20]提出了一种联合多个风电场并由一个代理参与现货市场的随机优化报价策略模型，并且对比分析了风电场单独参与报价、风电场单独参与报价但是相互补偿不平衡量，以及代理统一报价这三种报价方式的利润和风险，结果证明多风电场联合并且统一代理报价利润最高。
2）联合储能
随着储能技术的快速发展，研究者意识到风电场可凭借其精准可控的充放电特性，在出力过剩时存储冗余电能，在出力不足时释放储备能量，有效地平抑风电出力波动引发的不确定性风险[21-23]。风储联合参与电力市场可深度挖掘储能的调节潜力：一方面通过充放电实现风电场实际出力与市场中标量的偏差补偿；另一方面利用储能剩余容量参与现货市场进行套利，形成“偏差修正-市场套利”的双重价值实现路径[24-28]。文献[24]基于市场均衡理论进行对比分析，揭示联合运营模式通过时空能量转移机制可显著提升系统整体收益，其核心在于储能系统对风电出力曲线的主动重构能力。文献[27]构建了融合随机优化与鲁棒优化的混合决策框架，通过分层处理电价-风电双重不确定性，实现了经济性与鲁棒性相协调的弹性交易策略。当前研究也已拓展至海上风电制氢等应用场景。文献[29]指出相比于陆上风电，受海上风流热效应等地理气候因素影响，海上风电出力具有高度不确定性，致使模型在实际预测中存在较大偏差。因此提出了海上风电联合燃气电站、储能、电负荷构成虚拟电厂参与日前电能量市场及日内调度的两阶段协同鲁棒优化策略模型，以平衡系统运行的经济性和鲁棒性。文献[30]围绕海上风电制氢集成建立了电热综合能源系统，并制定了参与多市场交易的策略优化模型，产生的氢气直接参与氢市场的氢气交易，同时也参与现货市场及碳市场交易。
在储能技术发展过渡期，风电场独立配置储能存在投资成本高昂与市场价格下行压力导致的成本回收困境，储能租赁机制被视为可行的替代性解决方案[31]。文献[32]提出契约型联营交易机制，通过事前签订合约明确储能-风电利益分配机制，再以联营体的形式参与市场交易。而文献[19]则先将二者联合参与市场，再基于合作博弈论的分配机制分配利润。随着通信技术的迅速发展，分布式储能资源聚合催生出云储能共享模式[33-35]。文献[35]设计了两阶段云储能租赁机制：日前市场阶段通过容量租赁合约锁定调节资源；实时阶段基于交易结果动态优化投标策略。该机制在降低风电偏差考核成本与提升储能资源利用率间实现协同优化。
3）联合火电、水电
除储能外，风电联合火电和水电等调节性能较好的常规电源参与电力现货市场也是目前较为普遍的交易方式[36-38]。此类常规电源凭借灵活调节能力可有效对冲风电出力不确定性引发的市场风险[39]。水电由于其发电能力函数较为复杂，物理运行约束条件繁多，因而直接求解构建的模型较为困难，需要进行一定的线性化处理将其转换为混合整数线性规划（Mixed Integer Linear Programming, MILP）问题或者使用启发式算法进行求解[40]。文献[41]构建了风-水联合竞价模型，采用凹分段线性化技术处理水力发电函数，结合随机规划方法推导出最优报价策略。
4）联合需求侧响应资源
随着需求侧响应相关技术的完善，风电联合需求侧响应资源参与电力市场也逐步成为交易策略研究的热点之一。需求侧响应资源主要包括电动汽车[42]、可中断负荷、储能等负荷侧可调节资源。需求侧响应资源分布广泛且极具灵活性，在风电参与电力市场运营过程中发挥了重要作用[43-45]。
现有研究主要从金融和物理合约两个方面构建协同机制。其中金融合约主要是DR期权，物理合约主要是DR期货以及灵活性DR合同。DR期权和金融期权类似，风电企业有权利但没有义务在电能交付时段购买需求侧响应资源。DR期货即为风电商和DR就交付时间、电能、价格签订的双边合同。灵活性DR合同和DR期货类似，但是灵活性DR合同仅确定总量，交付时段的具体电量由风电商决定，以此来平抑风电出力的不确定性带来的风险，优化交易策略。文献[46]通过构建上述三种合约的协同优化模型，系统地揭示了不同契约形式对风险分摊与收益分配的作用机理。文献[47]则使用DR期权，并在此基础上提出一个在日内市场中交易DR的平台——日内需求侧响应交易市场，双边合同按照两部制电价进行结算，从而在提升需求侧资源参与度的同时实现风电收益提升。
2.1.2 预测电价作为外生参数的策略模型
价格接受者的交易策略模型是一个典型的二阶段优化模型：日前阶段一般以利润最大化为目标函数，考虑相关约束；在实时阶段根据不断更新的风电出力、电价预测信息进行实时自调度滚动优化。风储联营体交易模型（即式（1）和式（2））为此类模型的典型架构，其核心决策变量与约束条件具有普适性特征——当联合主体扩展至火电、水电或DR时，仅需根据资源特性更换相应约束。以集中式市场结算方式为例，即实时全电量结算，日前与实时差价结算，本文后续普适模型统一采用该结算方式。
（2）
式中，
、
分别为t时段日前、实时市场价格；
为风电场t时段预测发电功率，以上三个变量均为随机变量；
为日前市场t时段申报（中标）功率；
为实时现货市场t时段中标功率（由于此时风电作为价格接受者，认为申报功率等于中标功率）；T为优化总时段数；
为每个时段的时长；
为风电场t时段发电功率；
、
分别为t时段相较于中标功率的正、负偏差功率；
、
分别为t时段储能充电和放电功率；
、
分别为正、负价格惩罚因子，＜1，＞1；
为储能充放单位电能寿命折损成本；
、
分别为储能充、放电效率；
为t时段储能存储电量；
、
分别为储能电量上、下限；
为初始荷电状态；
为风电场总装机容量；
为储能额定功率；M为大M法的辅助常量；
、
均为0-1变量，
代表存在负偏差功率，
代表存在正偏差功率，
代表储能放电，
代表储能充电。
1）第一阶段：日前市场投标模型
日前市场的投标模型以风储联营体利润最大化为目标，模型如式（1）和式（2）所示。
2）第二阶段：实时市场自调度模型（滚动优化）[27]
式中，
及
、
及
分别为已经出清的日前市场电价及中标功率、实时市场电价及中标功率，均为已知值。式（3）为实时市场中t时段自调度决策的目标函数，其目标是使得t～T时段整体收益最大化，在实时市场每个时段均更新实时的价格预测和出力预测，滚动更新每个时段的自调度策略。式（3）中第一部分为t时段的收益，第二部分为t+1～T时段的预测总收益。约束条件与第一阶段类似，只是时段数量减少，此处不再赘述。
2.1.3 评述小结
综上所述，现有对于风电及联营体作为价格接受者参与现货市场的交易策略研究较为丰富，主要通过利用储能、常规电源及需求侧响应资源的灵活调节特性，构建“偏差修正-套利对冲”的双重价值路径（储能）、物理调节模式（火电、水电），以及合约协同模式（DR），并使用随机优化、鲁棒优化等方法计及风电出力、市场价格的不确定性，有效地提升了联营体交易策略的收益稳定性与风险可控性。
未来可着重构建与新兴市场主体联营的交易策略模型，探索风电与数据中心、海量分布式资源等主体的协同模式，结合深度强化学习开发“出力/电价预测-自适应优化-实时校正”的智能闭环决策框架，提升策略的自适应性。
价格影响者交易策略的主体类型与价格接受者类似，主体之间的协同方式也无明显差别。然而，由于价格影响者需综合考虑其他市场主体的策略性行为及其所处的复杂市场环境，其策略制定是一个多维度博弈下的优化问题。加之市场环境复杂多变，价格影响者还须具备对策略进行动态调整的能力。因此，本节将重点围绕价格影响者在复杂市场环境下面临的多维博弈关系及其动态策略调整机制展开分析，而对相同主体间的协同方式则不再赘述。
2.2.1 多维博弈关系分析
价格影响者在电力市场中面临的博弈环境具有多维性与复杂性，其策略制定是嵌入多重复合交互关系中的战略性行为。
1）非合作博弈
首先，在横向维度上，价格影响者需与其他发电商展开非合作博弈。非合作博弈是风电及其联营体独立决策、追求自身利益最大化的核心理论。
当风电联营体作为价格影响者参与市场竞争时，其与其他发电商之间形成典型的不完全信息博弈关系。需要指出的是，现有研究中的非合作博弈多属于静态博弈范畴，即假定各参与者在日前市场中以同时报价、不可修改的方式完成策略选择。这类建模通常采用双层优化[48-50]或剩余需求曲线等方法[51]：上层代表联营体的利润最大化决策，假定其他对手的报价放入下层市场出清过程，通过KKT（Karush-Kuhn-Tucker）条件或智能算法求解最优策略，完成一次与其他竞争对手的非合作博弈。然而这种方法无法充分体现实际电力市场中其他市场主体的策略性报价。为此也有较多研究使用多智能体强化学习来刻画参与者随信息更新而调整策略的过程[52-53]，这些方法能够更好地模拟市场主体随信息更新而动态调整策略的行为，更加贴近电力市场实际运行情况。文献[54]研究表明，在可再生能源高渗透率市场中，非合作博弈可能导致经济持留等策略性行为，虽然可以提高风电及其联营体的收益，但却会导致整体市场效率的下降，例如社会福利下降或可再生能源消纳率降低，同时还使用非合作博弈论中的古诺模型来描述风电商在绿证市场中的博弈行为。
虽然单日的市场申报是一个静态博弈过程，但从更长时间的尺度来看，市场主体之间会根据对手以往每日的交易策略不断更新自己的交易策略，这实质上构成了一个动态博弈过程。在实际电力市场运行中，参与者能够观察历史交易结果，学习对手行为模式，并在此基础上调整后续报价策略，形成多阶段、多轮次的策略互动。
其次，在纵向维度上，价格影响者处于与市场运营机构及用户之间的主从博弈中，这也是非合作博弈的一种形式。其通常作为主从博弈的领导者率先报价，市场运营机构作为跟随者以社会福利最大化为目标进行市场出清，形成经典的双层决策框架[55]。
2）合作博弈
除了外部竞争关系外，价格影响者若以联营体形式存在，且联营体分属不同利益主体，则其还将面临联盟内部的合作博弈问题。合作博弈理论为风电联营体内部分配与协同运营提供了重要的理论支撑：当风电、储能、需求响应资源等异质主体通过协议形成联盟参与市场时，其内部协调和收益分配问题便构成了典型的合作博弈，该理论的核心在于通过有约束力的协议实现集体利益最大化，并确保联盟的稳定性。
在收益分配方面，合作博弈提供了Shapley值法、核仁解法等多种经典分配方法。Shapley值根据各成员对联盟总收益的边际贡献进行分配，在电力市场多主体协同研究中被广泛采用；而核仁解则致力于最小化联盟内“不满”程度，寻求最不易引起任何子联盟反对的分配方案。实际应用中可根据联盟特性组合使用不同分配方法，如文献[19]针对多风电商与抽水蓄能电站建立的报价联盟，在风电商整体与抽水蓄能电站间采用Shapley值分配，而当某一风电商的加入不满足联盟报酬递增要求，导致合作博弈数学性质变为非凸时，则在风电商内部转而采用核仁解进行分配，以增强联盟的稳定性和可接受性。
然而需要指出的是，核仁解和Shapley值的计算量与联盟成员数量呈指数增长，在联合体成员较多时，计算时间长，难以准确获得最优解[56]。为避免上述问题，文献[57-58]采用了对称纳什协商理论进行利润分配，该方法将额外利润按相同份额分配。但实际上不同成员所做出的贡献是不同的，因此文献[56]进一步采用不对称纳什协商理论进行利润分配，该机制可以量化市场参与者在未来和平衡市场中的贡献，并依此进行更合理的利润分配。
值得注意的是，联营体内部的合作博弈与外部的非合作博弈密切相关：合理的内部收益分配机制能够增强联盟在外部市场竞争中的整体议价能力，而外部市场博弈结果又会反作用于内部分配方案。这种“内合作-外竞争”的博弈框架同样适用于多时间尺度市场环境，要求联营体不仅要在日前市场阶段形成内部合作共识，还需要具备在实时阶段根据市场变化动态调整内部调度和收益分配的能力，这使得合作博弈问题变得更加复杂。
2.2.2 策略动态调整机制分析
在复杂环境下，价格影响者的策略是根据市场环境而动态调整的。这种动态调整体现在如下四个方面：①多时间尺度的滚动优化。一个成熟的决策需贯穿从日前到实时的完整决策链：在日前市场制定初始策略时，就必须为日内和实时市场的滚动优化和偏差调整预留充足的灵活性空间，以利用短期预测精度随时间推移而提高的特性来动态修正策略。文献[50]构建了此类多阶段规划框架。②基于预测置信度的风险策略动态调整[59]。价格影响者必须对自身预测的不确定性做出有效判断，并将其作为调整风险偏好和策略激进度的依据。在预测精度高、置信度强时，可采用更激进的策略；而在预测不确定性大时，策略则需转向保守，以规避风险为首要目标。③角色自适应调整切换机制。联营体需综合考量预测置信度、实时市场份额、自身调节能力以及市场供需紧张程度等多维信息，在价格接受者与价格影响者两种模式间智能切换。例如，有些联营体选择在日前市场作为价格影响者[48,50-51,60-61]，而在实时市场或平衡市场作为价格接受者，部分文献则正好相反[62]；还有些则选择在现货市场所有阶段均作为价格影响者[55-59,63]。④应对竞争对手及市场规则变化的适应性动态调整。价格影响者处于一个复杂的非合作博弈环境中，竞争对手策略的变更以及监管规则的变更都会导致原有策略失效。这就要求策略模型不能仅依赖历史数据与静态假设，而须具备在线学习与自适应进化的能力，以确保能在动态博弈中持续保持最佳响应。
2.2.3 内生市场出清过程的策略模型
价格影响者的策略建模核心在于将交易模型嵌入了市场交互过程，主要有两种表达方式：①双层优化模型，上层策略性报价与下层市场出清模型迭代求解最优策略；②剩余需求曲线[51,60]，集成其他主体报价为一条曲线体现市场交互过程。双层模型通常假设价格影响者可以准确地预测其他主体的报价行为，一般情况下默认其他主体按照边际成本申报曲线，同时要求策略主体掌握线路拓扑、容量以及其他机组爬坡速率等详细的技术参数，这在实际中难以实现。剩余需求曲线模型则忽略了电网的网络约束、其他机组爬坡速率等技术参数，仅根据市场历史数据预测一条等效的需求曲线，而非单独预测每一个主体的申报曲线，这比双层模型假设更强，结果也更加粗略。以下是对两种模型的总结。
1）双层优化模型
价格影响者的通用双层优化模型框架如图4所示。上层为风电或联营体决策层，下层为市场出清层，上下层传递信息变量在图4中使用黑色带箭头的线标注。
图4 价格影响者双层优化模型框架
Fig.4 Bi-level optimization model framework for price maker
式（4）～式（7）是一个通用的风储系统双层报价模型。上层模型的优化目标为风电商利润最大化，目标函数为
（5）
式中，
、
分别为t时段风电场所在节点n日前、实时市场价格；
为日前市场第b段中标功率；
为实时市场第b段中标功率；
为第b段投标价格；
、
分别为第b段投标价格上、下限；其余变量与式（1）和式（2）中含义一致。
（1）下层模型1：日前市场出清层
（6）
（7）
式中，
为负荷l第k段报价；
为负荷l第k段t时段中标量；
为机组i第b段报价；
为机组i第b段t时段中标量；
和
分别为机组i第b段中标量的上、下限；
、
、
分别为与节点n相连的机组、负荷和节点集合；
为线路nm的导纳；
为节点n的相位；
、
分别为机组i的下、上爬坡能力；
和
分别为负荷l第k段t时段中标量的上、下限；
为线路nm的最大容量。
（2）下层模型2：实时市场仿真出清层
实时市场出清模型与日前市场相同，只是将上标为DA的变量换为上标为RT的变量，但优化时段不同，此处不再赘述。多数文献均不考虑日前与实时市场之间的负荷和新能源出力不确定性带来的市场出清偏差，因而不考虑实时市场出清层。
目前双层优化求解方法分为两类：①使用KKT条件、强对偶理论将双层模型转换为含均衡约束的数学规划模型[54-55]，使用Gurobi等求解器求解。需特别指出的是，在使用KKT条件时，对于火电机组的爬坡约束应分时段考虑，大多数文献中的变换未考虑，可参考文献[64]。②上下层迭代求解，如采用多智能体强化学习的相关算法概率爬山（Probabilistic Hill Climbing, PHC）算法和多智能体深度确定性策略梯度（Multi-Agent Deep Deterministic Policy Gradient, MADDPG）算法。
2）剩余需求曲线
剩余需求曲线是电力市场或其他商品市场中一种用于描述某个主体的报价对市场价格影响的曲线。它反映了当该参与者调整供给（如增加或减少供给量）时，市场中其他供需关系的变化及最终的市场清算价格变化情况。由于现货市场运营机构定期披露历史供需曲线数据，因此发电商可以结合历史数据信息预测形成未来的市场供需曲线，并通过下述操作转换为剩余需求曲线。剩余需求曲线形成示例如图5所示，具体操作方法如下。
图5 剩余需求曲线形成示例
Fig.5 An example of residual demand curves
（1）确定初始市场均衡点。当不考虑自身供给时，市场整体的供需曲线如图5中S1所示。此时供给曲线S1和需求曲线的交点为
，由于自身供给量为0，所以对于自身而言，报量为0时，价格为
。
（2）调整供给，形成新的市场均衡点。当自身增加供给时，S1向右移动
，此时市场价格为
，所以对于自身而言，报量为时，价格为。同理也有点
。
（3）连接上述各点，形成剩余需求曲线。
（4）离散化处理。为了将剩余需求曲线线性化，对其进行离散处理，示意图如图6所示，一共分为B段。当报量为
时，市场价格为
，落点在第s段。具体表达式为
（8）
式中，变量
为0-1变量，=1时代表选中了第b段；
、
、
分别为t时段第b段中标量的初始值、优化变量和最大值。
图6 剩余需求曲线离散化示意图
Fig.6 An example of discretized residual demand curve
至此，日前市场的价格便可以由此表示；同理也可表示实时市场的价格，从而代入式（1）和式（2）使用Gurobi等求解器即可求解，不需要进行大规模的市场出清仿真。
2.2.4 评述小结
综上所述，现有对于风电及其联营体作为价格影响者参与现货市场的交易策略研究较为丰富，模型上使用双层优化模型和剩余需求曲线刻画市场交互过程也已经较为成熟。然而，现有研究仍存在一定的局限性：①模型依赖较强假设，忽略了信息不对称与多主体策略互动带来的博弈复杂性，与现实市场存在显著差距。②忽视了过往签订的中长期合约对价格影响者现货交易策略的约束。按照差价结算公式，中长期合约差价收益与现货市场价格密切相关，当中长期合约签订过量且现货发电量不足时，若一味追求抬高现货市场价格，则可能导致整体收益为负，这在我国市场运行中屡见不鲜。③尽管动态调整机制已在理论上受到关注，但大多数研究仍处于初级阶段，缺乏可嵌入实际市场环境的、具备在线学习与快速响应能力的闭环决策框架。未来可着重在上述方面寻求突破。
风电及其联营体参与电力中长期市场的交易策略与合同类型密切相关。从国内外实践来看，中长期合约主要分为两类：第一类为长期电力购销协议（Power Purchase Agreement, PPA）；第二类为差价合约。
PPA泛指电力用户或政府与发电厂商之间以协议价格、固定周期采购的电量为标的签订的双边协议，通常由买卖双方协商确定价格（固定价格或随市场价格而变化）及电量（一般为发电量或者用电量的百分比）等信息，无需精确制定交易曲线。合同价格一般为市场主体对于未来现货市场价格的预期[65]，难以操纵和优化。大型用户或者售电公司直接购买风电商的全电量，策略优化空间较小，因而鲜有相关策略研究。已有研究主要集中于从市场运营商角度设计交易机制[66-67]和定价机制，在北欧和美国应用较为广泛。
差价合约是一种金融风险对冲工具，买卖双方需明确电力交易曲线和价格。当现货价格低于中长期合约价格时，买方需向卖方补足差额；反之，若现货价格高于中长期合约价格，卖方需返还超额部分。差价合约签约曲线和价格的形成应该与现货市场相协同，有效利用其金融对冲工具的作用为风电场提供稳定的收入预期。然而，由于风电出力随机性和波动性的特征，差价合约签约曲线和价格的合理与否将对风电商的收益造成较大影响。典型案例表明，若中长期合约在多时段签订较高出力，当现货市场出现多时段风电出力骤降且市场价格过高时，根据现行中长期-现货收益结算机制，风电可能面临整体收益为负的风险，这在国内蒙西电力市场实践中屡见不鲜。同时，中长期市场价格也体现了市场主体对于未来现货市场价格的预期，难以操纵和优化。因而，差价合约下的风电商中长期曲线制定是当前研究的难点和重点。
风电参与中长期市场交易策略的国内外相关文献较少[68-74]，且几乎都是针对中国典型省级电力市场的双边交易市场策略研究。现有研究关于中长期合约曲线优化的研究主要分为两类：一是提出一种新的中长期交易合约模式，在此模式下提出新的曲线优化方法；二是使用不确定优化方法进行年度典型场景仿真，求得中长期交易曲线。文献[68]提出了风电商基于卖方灵活电力合约的中长期市场的交易策略，建立实时交割电量由卖方决定的优化模型，风电商通过对实时电价和自身风电出力进行预测，灵活地安排不同时段的合约电量，使得收益最大化。文献[74]基于分布鲁棒优化构建了储能联合风电参与中长期和现货市场的交易策略，并使用线性仿射变换和强对偶理论将模型转换为MILP问题。值得注意的是，随着海上风电等新兴领域的快速发展，相关的中长期交易策略研究也逐渐涌现。文献[75]刻画了海上风电商与负荷聚合商的双边协商场景，使用分布鲁棒优化方法构建了海上风电中长期双边协商交易的决策模型。文献[76]使用自适应伪增强生成对抗网络生成多海上风电场月度电量预测误差场景，并且叠加风电出力预测值变为月度电量预测场景，建立合作博弈联盟模型，实现海上风电集群中长期市场联合竞价优化。
式（9）和式（10）是风储联营体制定中长期交易策略的模型。该模型需要进行长周期典型场景仿真，可以使用随机优化、分布鲁棒优化等优化模型求得最优中长期交易曲线。由于中长期交易距现货时间较长，预测精度不足，因而忽略了日前市场的申报以及实时出力偏差。
（10）
式中，m和d分别为月和日的索引；
、
分别为m月的中长期合约价格以及m月d日
时段的签约曲线功率；
为年度预测总发电量（根据发电利用小时数求得）；
、
、
分别为电量到月、日、时段的分解系数，一般分为工作日、周末、节假日等类型，一个月的每日分解曲线在同一类型日的形状相同；
、
分别为年度签约电量占预测发电总量的最小、最大比例（不同市场规则要求不同）；
为燃煤基准价；
、
分别为合约价格下、上限系数，一般分别为0.8、1.2。
风电及其联营体联合参与中长期与现货市场的策略研究仍较为匮乏，现有研究的局限性主要体现在以下三个方面：①多时间尺度协同缺失。多数研究集中于单一时间尺度（如月度交易），未能构建“年度-月度-月内-现货”的多阶段动态衔接框架，导致前期交易难以为后续交易预留优化空间，累计偏差无法通过滚动优化得到有效修正。②忽视两市场策略耦合关系。现有研究普遍将中长期市场与现货市场视为相互独立的决策环节，未能充分捕捉两个市场之间深刻的价格联动与策略耦合关系。中长期合约是一种重要的金融风险对冲工具，其签约电量与价格的确定需基于风险偏好、对未来现货市场价格的预期，以及预期在现货市场中采取的策略，而现货市场的价格则直接决定了中长期合约的最终结算收益。这使得联营体的决策成为一个嵌套了金融对冲的跨时间尺度优化问题——既要在中长期市场锁定基础收益以规避现货价格风险，又要在现货市场保留一定的灵活空间以捕捉高价机会。③现有研究多局限于单一风电主体或简单风储系统，缺乏对“风光火储”“风光水储”等大型清洁能源基地以及含需求侧响应资源的多主体协同交易机制的深入探讨。尤其对于跨省区外送型大基地，其与受端电网的中长期合约曲线优化问题更涉及送受端需求矛盾与多品种曲线协调等复杂因素，当前研究尚未形成系统性的解决方案。
未来研究应在如下方面突破：首先，建立中长期多阶段滚动优化机制，将年度、月度、月内交易与现货市场动态衔接，通过信息传递接口实现偏差累积与风险的传导；其次，构建中长期与现货市场耦合的决策框架，该框架应内生化处理两市场间的策略互动：中长期合约的签订不仅要基于对现货价格的预测，还需预判其对后续现货市场博弈地位的影响；最后，应拓展研究主体的范围，重点构建适用于“风光火储”“风光水储”等大型清洁能源基地在跨省区外送场景下，送端基地与受端电网的中长期合约曲线优化问题，解决送受端需求矛盾与多品种曲线协调等关键技术难题。
随着风电场控制技术的迭代升级，风电在技术上逐步具备了参与调频市场、备用市场及灵活爬坡市场的可行性[77]，再通过与储能等灵活性资源的协同配合[78-79]，其参与辅助服务市场的技术可行性得到显著提升。同时，随着全球能源低碳转型发展，电力系统灵活性资源的稀缺性逐步提高，辅助服务市场价格也呈上升趋势，风电及其联营体也逐步具备参与辅助服务市场的经济可行性。在此背景下，部分学者开始研究风电及其联营体联合参与现货-调频、备用、爬坡市场的交易策略模型，根据其在不同市场的收益评估，合理分配各市场的发电容量，从而使得整体收益最大化。
4.1.1 联合参与现货与调频市场
在联合参与现货与调频市场的策略方面，风电及其联营体参与现货-调频市场的协同优化策略已成为新能源市场化运营的研究热点[80-81]。制定高效的现货联合调频报价策略的核心难点源于多重不确定性耦合的挑战与联营体内部多元主体的协同优化。
策略优化同时面临多重不确定性叠加的建模挑战。风电出力、现货市场价格、调频市场容量价格与里程价格四者的预测精度一般不相同，这四者的预测精度共同决定了联营体在现货与调频市场间的最优容量分配。如何构建并处理这四种预测误差之间的相关性，是当前研究尚未很好解决的难点，多数文献[31,82]将上述相关性独立处理，影响了策略的最优性。
此外，联营体内部多元主体的协同优化是另一大难点。现有研究的优化思路仍多集中于“储能、火电主担调频，风电主担电能量”。文献[82]将储能用于减小弃风量和参与电网的二次调频服务，在风电出力小于功率限值时，储能可以参与电网的二次调频，获取容量补偿和绩效补偿。但是更深层的优化在于如何使风电凭借其低成本优势以及功率预留能力承担部分调频容量，从而降低对联营体内储能、火电等昂贵调节资源的耗用，在延长设备寿命的同时提升整体收益。文献[83]提出的分级容量分配机制则解决了风储联营体联合报价的问题，未来研究需更深入地量化风电的调频能力边界，探索风电与火电等其他资源的最优协同。
4.1.2 联合参与现货与备用市场
在联合参与现货与备用市场的策略方面，风电及其联营体的策略核心在于备用履约保障。备用市场要求提供的备用容量在调用时段内必须高度可靠，一旦被调用时无法履约，将面临严重的考核罚款，这使得备用可靠性风险量化成为策略制定的重要难点。
现有研究根据主体类型的不同构建了不同的决策模型，其背后的复杂性体现在如何平衡经济收益与违约风险。针对独立风电商，其策略制定的核心难点在于建立有效的风险量化模型以处理出力不确定性。文献[84]设计双目标两阶段机会约束模型，通过数学规划方法将“备用可用性置信水平最大化”这一可靠性目标转换为机会约束，采用ε约束法求解现货与备用市场间容量分配的Pareto最优前沿。该模型需要精确模拟备用的调用概率与持续时间，并对风电出力预测误差的概率分布进行准确建模。对于风火联营体，策略研究的复杂性进一步提升至多主体协同与利益协调层面。文献[85]利用火电调节的准确性优势，直接将备用容量分配至火电机组以消除履约风险。
在碳市场等政策驱动下，备用市场策略的复杂性进一步增加。文献[86]构建的三阶段多目标决策架构表明，策略优化已从传统的“经济-可靠”二维权衡，扩展到“经济-可靠-绿色”三维决策。碳约束与备用可靠性要求的双重压力，迫使风火联营体在现货与备用市场之间重新分配容量，这种政策与市场的交互影响大大地增加了决策模型的复杂度，模型需要引入碳排放成本等新目标项。
从模型细节来看，该领域研究的复杂性还体现在：①需精确模拟备用的调用概率与持续时间，这对风储系统中储能系统的荷电状态管理提出了更高要求；②需考虑多市场之间的关联性，包括现货、备用等价格之间的相关性，这与调频市场策略面临的多预测不确定性挑战类似，但更强调容量可用性的保证。
4.1.3 联合参与现货与爬坡市场
随着爬坡市场的建立，部分学者开始研究风电联营体联合参与现货与爬坡市场的交易策略。这些研究通常以外生的现货与爬坡市场价格作为输入，构建不确定优化模型，并采用分布鲁棒优化[87-88]、混合随机、鲁棒优化[89]等方法，刻画风电出力、现货与爬坡市场价格的双重不确定性，以实现在两个市场中的最优容量分配。此类策略的核心难点仍然在于应对风电出力的固有随机性和预测偏差，以及市场间复杂的耦合关系。为预留爬坡能力而减少能量市场投标量意味着直接的机会成本，同时还需严格遵守机组爬坡率、储能充放电状态等物理约束，在多重不确定性下进行决策，其决策复杂度和风险显著增加。值得注意的是，在新能源大发、现货价格极低时，风电可以积极申报下爬坡容量，通过提供向下调节服务来增加整体收益，这成为应对低电价时段的重要策略选择。在现货价格较高时，考虑绿证等因素的影响，联营体应尽量不给风电分配爬坡容量。
现有文献中大部分策略通过引入储能等灵活性资源来对冲不确定性，并采用分布鲁棒优化等方法，在不确定概率分布模糊的情况下，寻求最恶劣分布下的最优期望收益，从而平衡经济性与鲁棒性。与上述以外生市场价格为基础的研究不同，文献[90]进一步研究了风光氢联营体参与现货与爬坡市场的双层交易策略模型。该模型不再将市场价格视为给定参数，而是通过下层市场出清过程内生现货与爬坡价格，从而更真实地反映联营体报价行为与市场结果的交互影响。
由于风电联营体联合参与现货与备用和爬坡辅助服务市场的策略模型相似，参与调频市场的策略模型与其他市场略有区别，因而分两个模型进行总结。式（11）和式（12）为联合参与现货与调频市场策略模型，式（13）和式（14）为现货、备用、爬坡市场策略模型。
（12）
式中，
、
分别为现货市场价格和中标功率；
、
、
、
、
分别为t时段调频市场上调频中标容量、下调频中标容量、容量价格、里程价格、被调用的调频里程比例系数；
为风储系统整体的调频性能参数；
、
分别为分配给风电的上、下调频容量；
、
分别为分配给储能的上、下调频容量；
为风电的爬坡系数；σ为储能最低调频容量占比系数。
（14）
式中，上角标res、rampu、rampd分别代表备用、上爬坡、下爬坡；
为x类型辅助服务t时刻的总功率；
为x类型辅助服务t时刻的风电中标功率；
为x类型辅助服务t时刻的储能中标功率；其余变量参照调频模型的变量含义，不再赘述。
现有对风电联营体联合参与现货与辅助服务市场的策略研究，大多仍停留在容量分配的静态优化层面，即给定各市场外生价格信号，将总容量在不同市场进行最优分配以最大化期望收益。这实质上是假设联营体为被动的价格接受者。然而，随着风电联营体规模的扩大及其市场力的显现，多层次电力市场在出清时序、价格形成上的耦合日益加深，这种静态视角的局限性愈发凸显。联营体的策略制定正演变为一个兼具内部分配与外部博弈双重属性的复杂问题——其在一个市场的报价行为可能会影响其他市场的出清结果，因而应整体优化、综合决策各市场的报价，提高整体收益。
具体而言，现有研究的局限性主要体现在以下四个方面：①在多重不确定性建模方面存在不足，特别是在参与调频、备用、爬坡等多类辅助服务市场时，风电出力、现货市场价格、各类辅助服务市场价格等多重预测变量的精度各异且共同影响整体收益，但现有研究对上述多重不确定性独立处理，忽略了其复杂的相关性；②现有研究在各辅助服务容量分配方面尚未建立精细化协同机制，未能充分考虑风电、储能、火电等异质资源在调节特性、成本结构等方面的差异以及辅助服务能力交付的可靠性；③普遍存在内生性缺失问题，多数文献将各市场电价视为外生参数，未能充分体现规模化联营体通过报价行为主动影响市场出清结果的能力；④未能充分考虑市场时序差异带来的决策复杂性，当不同辅助服务市场在日前或实时等不同时间尺度开设时，联营体必须在信息不完全的条件下做出不可逆的容量分配承诺，而各市场出清则是在不确定性揭示后的实时环境下进行，这种决策序列性与信息非对称性极大地增加了策略空间的维度与复杂性。
未来研究应着力于从以下方向突破：①开发考虑多重不确定性关联的联合建模与优化方法，建立考虑相关性的联合分布模型，提升策略在真实环境下的鲁棒性；②构建基于多资源比较优势以及交付可靠性的精细化容量分配机制，设计联营体在调频、备用、爬坡等辅助服务中的最优配比与切换策略；③构建考虑规模化联营体在多个市场充当价格影响者的策略模型，内生化处理联营体报价行为对多市场出清结果的交叉影响；④发展能够处理多时间尺度决策的动态博弈框架，建立包含事前申报与事后调整能力的策略体系，以应对不同市场开放时序带来的决策挑战。
在风电及其联营体制定策略计及风电、电价的不确定性时，现有文献主要采用随机优化（Stochastic Optimization, SO）、鲁棒优化（Robust Optimization, RO）、分布鲁棒优化（Distributionally Robust Optimization, DRO）、信息间隙决策理论（Information Gap Decision Theory, IGDT）四种方法。本节结合现有风电商交易策略研究，系统地梳理上述模型的发展脉络与应用特点。
SO作为最直观基础的方法，通过多场景概率分布刻画不确定性，但其对极端风险的低敏感性和对精确分布的强依赖性，难以满足风电商高保守性场景需求。由此，部分文献使用更为保守的RO描述不确定性，以最坏场景为基准规避风险，但却因过度保守牺牲了经济性。为平衡经济性与鲁棒性，DRO进一步融合二者优势，在模糊集内平衡分布信息与鲁棒性。而IGDT则另辟蹊径，通过嵌套不确定集分离机会与风险，根据决策者主观偏好自由选择。下文将详述各方法在交易策略中的应用，并将其适用场景与优劣进行对比，见表2。
表2 计及不确定性的优化方法对比
Tab.2 Comparison of optimization methods taking uncertainty into account
维度SORODROIGDT 不确定变量先验信息需求精准概率分布（出力、电价的概率密度函数）上下边界（出力、电价的波动的最大最小值）矩，概率密度、概率分布（出力、电价的均值、方差等）波动区间（出力、电价的波动区间） 求解复杂度低高高低 方案性能经济性好，鲁棒性差鲁棒性极高，经济性差兼顾经济性与鲁棒性灵活选择，经济性和鲁棒性 优化目标最大化期望收益最大化最恶劣场景下的收益最大化最恶劣分布下的期望收益最小化不确定性负面影响，最大化不确定性潜在收益 转换求解方法场景生成与缩减仿射策略、Benders分解、C&CG基于线性决策规则转换、对偶转换等双层优化线性变换 风险偏好风险中立（可结合CVaR转为风险厌恶）风险厌恶风险厌恶风险厌恶+风险偏好 适用场景历史数据充足，预测精度高仅知波动区间，极度规避风险历史数据充足，掌握一定可估计矩信息，希望平衡经济性与保守性仅知波动区间，主观风险偏好鲜明
SO的使用前提是掌握风电出力、电价的精确预测概率分布信息，通过蒙特卡洛、拉丁超立方等抽样方法生成多个可能的风电出力、电价场景来描述两者的不确定性，根据预测情况赋予各场景一定的概率，将随机问题线性变换，求取多场景下的利润期望的最大值。目前风电出力、电价预测或者误差预测概率分布函数尚未形成统一定论，多数文献只是假设误差的概率分布，从而进行抽样和场景缩减，且缩减后的场景难以保证覆盖所有场景，影响了决策的准确性[91]。
具体到风电在参与现货市场的策略模型，一般为两阶段随机优化模型，分为第一阶段和第二阶段。第一阶段是在日前决策中，风电商的投标量价曲线；第二阶段是在实时滚动优化自调度计划中，从而实现收益最大化。一般在SO模型中会加入条件风险价值[59,61,92-93]进行风险度量，以保证一定置信度下最差场景的收益期望也在可接受的范围内，同时博取整体期望收益的最大值。
与SO相比，RO只需要知道不确定变量（风电出力、电价）的波动区间上下界，即可求得不确定变量在最恶劣情况下的最优解，而无需知道不确定变量的精确概率分布。但RO模型是一个半无限优化问题，难以直接求解，需要将其转换为一个具有多项式复杂度的凸优化问题进行求解[94]。一般较为常见的模型为两阶段RO，通常为min-max-min形式，可以采用仿射策略、Benders分解法和列与约束生成（Column-and-Constraint Generation, C&CG）算法[95]来求解。
具体到风电商交易策略而言，RO不需要明确风电出力和电价的概率分布，只需要知道两者波动区间的上限和下限，便可以求出最恶劣情况下的交易策略。文献[27]使用两阶段鲁棒优化模型求解了在最恶劣风电出力场景下的风储一体化调度方案及交易策略，并使用列与约束生成算法将其分解为主子问题进行迭代求解。
DRO是一种介于SO和RO之间的优化方法，在已知不确定变量概率分布函数参数的条件下，寻求在最恶劣概率分布下的目标函数最优值，兼顾了SO的经济性和RO的鲁棒性。DRO方法大体分为基于多离散场景、基于KL散度、基于Wasserstein距离、基于确定性矩以及基于不确定性矩的优化方法，其中基于Wasserstein距离[74,94]的DRO方法能够考虑风电出力、市场电价等不确定集合的决策风险，在风电商决策中应用较为广泛。
风电商可以通过已有的历史数据获得不确定变量的模糊集信息（如风电出力、电价的均值和方差），在已知上下限的情况下丰富对不确定变量的描述，寻求在影响最恶劣的概率分布场景下的最优解。文献[74]使用基于Wasserstein距离的DRO方法对风电出力进行描述，且对比分析了SO、RO、DRO等方法的求解时间，发现DRO方法求解时间更短。对于具有大量历史数据的风电商而言，DRO方法优越性强于SO、RO方法。
IGDT是一种非概率性的决策理论，其能够在决策者不掌握变量概率分布的情况下量化不确定性，并根据决策者的风险偏好提供风险规避或风险寻求策略[96]。与SO、RO和DRO相比，IGDT不需要关于概率分布或者具有明确边界的固定不确定性集，目前已广泛应用于风电商交易策略、需求侧响应、多源机组组合以及配电网韧性提升等领域[36-37, 97-99]。
风电商可使用IGDT全面考虑风险规避和风险寻求两种策略方案，并对此进行分析与选择。文献[36]使用IGDT处理风电出力和日前市场出清价格，建立了鲁棒模型和机会模型，进而探讨了不同风险偏好对联合投标的影响。
本节系统地梳理了应对风电出力和电价不确定性的四类主流优化方法：SO、RO、DRO和IGDT。在制定交易策略时，风电运营商选择何种不确定性优化方法是一个基于已有信息与风险偏好的决策过程。首先，决策依赖已有信息的质量：若拥有充足的风电出力、电价历史数据并能构建精确的概率分布，可以选择SO进行决策以提高收益；若仅知风电出力、电价的波动区间而缺乏对应的分布信息，则应考虑RO或IGDT；若已知风电出力、电价部分矩信息（如均值、方差）但不确定具体分布形式，则应考虑DRO以做出兼具经济性和鲁棒性的决策。其次，根据决策者的风险态度确定最优方法：风险厌恶型决策者可选择RO、IGDT、DRO或引入CVaR的SO以做出具有鲁棒性的决策，根据厌恶程度确定相应的鲁棒控制系数、风险偏好因子等；风险中立者可选择SO进行决策；而风险寻求者则可选择IGDT的机会模型，主动利用不确定性博取高额回报。
上述方法已为风电商提供了较为丰富的处理不确定性的工具，然而未来仍面临诸多挑战。首要挑战在于发展数据驱动与上述模型融合的新型不确定性建模方法，以更精确地描述出力与市场价格的潜在复杂相关性。其次，如何将深度强化学习等算法与上述传统优化方法相结合，构建具备从高维数据中持续学习，并能自适应调整策略的智能决策框架，将成为重要的研究方向。此外，上述优化方法在高维数据场景下求解效率较为低下，一般会选择降低数据维度、牺牲求解精度从而获得次优解，如何高效求解高维数据下计及多种不确定性的最优解，亦是实现理论突破和应用落地的关键。
综上所述，风电及其联营体参与电力市场交易策略的制定实际上是在既定资源容量配置和电力市场交易规则下，通过优化形成一系列由功率和价格构成的市场竞标曲线集合，实现自身综合利润最大化的过程。因此，风电及其联营体参与电力市场交易策略的优劣影响了其在既有资源容量配置和市场规则条件下的收益水平，而联营体的容量配置和市场规则则会影响其在电力市场中的优化空间以及获得收益的上限。
为此，本节结合上述综述内容，以“容量规划-策略优化-机制完善”为主线，提出联营体参与电力市场交易策略的相关研究展望：首先，构建联营体资源配置优化模型及动态容量规划框架，以市场需求为导向进行容量配置为联营体提供更优的决策空间；其次，通过构建“多维度现货决策体系、多阶段嵌套协同中长期交易模型、多类型辅助服务市场协同交易框架、多品种容量市场成本拆分及容量分配策略、多场景精细化交易策略模型”以实现联营体多市场渠道获益；最后，完善风电联营体市场准入规则及相关市场机制，为联营体的可持续发展提供良好的市场环境。
明确要参与的市场类型，并针对性地进行风电联营体发电资源之间的容量配置是制定最优交易策略的前提。然而，现有风电联营体的容量配置模型大多考虑频率安全稳定运行[100]、资源间互补性[101]、调频能力提升[102]等因素进行容量的优化配置，缺乏根据未来要参与的市场类型以及未来市场价格等因素进行容量配置的考量，为风电联营体提供更优的决策空间。
首先，建议针对省内现货、调频、备用市场，跨省跨区外送等差异化场景构建资源配置优化模型。以经济性、低碳性、供电平稳性、弃风弃光率等为目标，构建容量配置的多层规划模型：上层嵌入联营体的建设成本以及作为价格接受者或影响者的交易策略，下层耦合长周期电能量、辅助服务等多层市场运行仿真。对于依靠直流外送参与外省电力市场的风电联营体，除上述因素外，在规划时还需将受端电网的精细化受电需求纳入容量规划模型的约束中，如需要的绿电比例、受电高峰、低谷时段及相应的功率上下限等。由于需要进行长周期的市场运行模拟，可以考虑将长周期模型简化为多个典型日场景并行运算，压缩长周期求解规模，显著提高求解效率。
其次，建议建立中长期多阶段动态容量规划框架。随着电力市场规则不断完善、各类发电资源的成本不断降低、碳市场和绿证市场政策的不断演进、运营情况的不断变化，应在上述资源配置优化模型的基础上，建立融合相关因素动态变化的多阶段动态建模方法，优化投资时序与建设部署，例如可优先部署风电+短时储能，根据运行情况、价格及政策信号动态引入长时储能、储氢、熔盐储热等发电资源。
为深化风电参与现货市场的策略理论体系，应聚焦预测融合、角色切换与新兴主体协同三个方面的研究。
在预测融合方面，需探索大语言模型[103-104]与时序预测模型的耦合架构，利用大语言模型的语义输入优势将人工预测经验嵌入电价、出力预测模型，提高预测精度，为交易策略制定提供保障。
在角色切换方面，基于预测置信度、预测出力情况构建价格接受者与影响者的自适应切换机制。对于价格接受者，建议构建基于电价、出力预测的分布鲁棒报价曲线形成模型，直接生成相应风险偏好下的多段申报曲线，提高工程实用性，同时应研究电价和风电出力均为不确定变量下的分布鲁棒优化模型求解方法；对于价格影响者，由于风电联营体存在无法履行中长期合约的风险，建议将已签订的中长期合约纳入报价策略模型，避免因现货出力不足，抬高现货价格却导致整体收益降低的情况出现，同时将未能按照计划影响市场价格的风险进行量化并纳入交易策略模型。
在与新兴主体协同方面，建议探索联合分布式制氢、数据中心等更多新兴主体的协同方式，制定新兴联营体参与现货市场的交易策略。
在中长期市场策略研究方面，如第3节所述，风电及其联营体中长期交易面临多阶段协同策略缺失与跨省区交易策略缺失的双重空白。一方面，“年度-月度-月内-现货”多阶段交易缺乏动态衔接机制，导致前期交易难以为后续交易预留优化空间，累计偏差无法修正；另一方面，西南、西北地区大型水风光清洁能源基地，其跨省区与受端电网签订中长期合约曲线的策略研究尚属空白，存在送受端需求矛盾、多品种曲线协调等问题。
对于多阶段交易嵌套协同优化需求，可根据自身风险偏好和预测精度的时变特性，构建基于条件风险价值的多阶段动态风险决策模型，设计风险偏好系数自适应调整机制，即随着交易阶段从年度临近至实时，基于最新的电价、出力预测，模型可自动选择更高风险偏好系数的交易策略，也可采取分阶段风险控制策略，即在年度采用更保守的鲁棒优化策略锁定基础收益，月内采用更具经济性的分布鲁棒优化策略以博取较高的收益。在各阶段交易之间，建立信息传递接口，将当前阶段已签约的合约电量曲线、预留的可调整电量空间、风险评估参数等关键状态变量传递给下一阶段模型，作为其优化的初始条件和约束边界，实现真正的闭环滚动优化。
对于跨省区中长期合约曲线的制定，应立足于送受端需求矛盾分析，构建考虑双方诉求的双层博弈模型。上层为考虑基地收益最大化的曲线生成模型，将绿电、计划电量比例等政策要求内置于曲线生成约束中，下层考虑受端电网负荷曲线匹配度与购电成本，进行典型场景长周期优化仿真，求得满足双方诉求的曲线解。
随着转动惯量、一次调频等新兴辅助服务市场的建立，风电联营体亟须突破传统辅助服务策略的局限，构建多类型辅助服务协同交易框架。首先，应深入挖掘风电联营体整体的动态响应特性，结合文献[105-107]等提出的虚拟惯量、调频能力评估方法，构建精细化频率响应模型，量化联营体惯量支撑容量、一次调频能力等关键动态参数，为辅助服务交易策略提供技术基础；其次，建议建立多下层Stackelberg博弈模型，研究风电联营体作为领导者影响现货、惯量、一次调频、爬坡等辅助服务市场价格的联合交易策略；最后，为应对多市场的多重不确定性挑战，可引入机会约束刻画预测误差与市场风险，设计多市场投标组合优化模型，实现现货、调频、惯量支撑响应等容量分配的协同决策，显著提升联营体在辅助服务市场的竞争力与收益稳定性。
在容量市场策略研究方面，现有研究集中在考虑各种因素的可靠性、灵活性容量市场的出清模型和定价方法方面[108-109]，缺乏关于风电及其联营体参与容量市场的交易策略研究，故本文没有进行综述。但随着电力市场的不断完善，未来将形成涵盖可靠性容量市场、多品种灵活性容量市场的多层级容量市场体系。在此背景下，建议风电联营体构建以固定成本跨市场回收为核心的分层决策框架：首先，需要构建包含容量可信度、有效调节能力等维度的贡献评价体系，并据此建立固定成本拆分模型[110]，初步量化其在可靠性容量、调频容量、爬坡容量等细分市场要回收的固定成本；其次，建立容量分配策略协同的双层模型，上层嵌入基于成本拆分的多市场容量分配优化策略，下层为长周期的多市场运行仿真，确定最优分容量成本回收分配比例。
本文提出的风储联营体交易策略模型旨在提供一个普适性的分析框架，因而进行了必要的抽象与同质化处理。然而，不同应用场景下的风电联营体存在各自独有的特性，未来研究需开展针对特定场景的精细化建模。尤其是随着海上风电的规模化发展，其面临区别于陆上风电的挑战：一方面，受海洋风流热效应与极端天气影响，海上风电出力波动性与预测难度显著增加，需发展更适应高维非线性相关性的不确定性建模及求解方法；另一方面，海上风电常与制氢、储能等构成离岸能源枢纽，其市场策略需耦合氢能市场、碳市场等多类型市场，并考虑电解槽、海水淡化等特有设备的运行约束。因此，未来应在本文通用模型基础上，重点研究适用于海上风电、分布式风电聚合等特定场景的精细化交易策略模型。
现阶段，风电出力的随机性、波动性使其在参与市场时面临显著的收益风险，同时影响了系统的安全稳定运行。为解决上述问题，首先建议完善市场准入规则，允许风电联合储能、火电等作为一个主体参与中长期、现货、辅助服务以及容量市场，进而基于联营体的发电特性，系统性完善相关市场机制。
在完善市场准入规则方面，提出如下建议：①建立针对联营体的相关技术参数量化评估体系，包括爬坡速率、频率响应及惯量响应相关参数等。对于满足相关市场准入标准的联营体，应允许其参与相关市场交易，丰富其成本回收渠道。②完善联营体在各市场中的交易规则等细节，如是报量报价还是报量不报价参与现货市场；如何核算联营体在可靠性和灵活性容量市场中的有效容量，是对内部各资源分别核算求和还是对整体进行核算，现有测算方法是否适用，均需要研究探索。③建议在已经正式运行的新能源高占比电力市场中率先进行试点探索，完善相关市场规则，并逐步推广至其他电力市场。
在完善相关市场机制方面，针对风电及其联营体中长期出力预测难、现有差价合约模式下曲线偏差风险高的核心痛点，建议设计与完善适应我国现阶段的PPA交易模式。PPA可锁定风电及其联营体的长期收益、规避曲线执行偏差风险，为联营体提供稳定的现金流。虽然我国已有一些PPA签约的案例，如国家电投公司与巴斯夫一体化基地签订了长达25年的PPA协议，但是这样的模式在我国并未大规模开展，亟须建设完善。根据我国电力市场建设情况，建议选择采用虚拟PPA交易模式。同时，PPA的设计也需要符合136号文中关于“机制电量”“机制电价”的政策导向，与我国当前的中长期、现货市场机制相协调，在仍保留新能源保障性收购利用小时数的省份，还应考虑PPA与优先发电机制的衔接。
本文首先总结了国内外电力市场关于风电及其联营体可参与的市场类型及报价机制等方面的信息，在此基础上对现有的风电及其联营体参与现货市场、中长期市场以及辅助服务市场的交易策略进行了综述，总结提炼出参与各市场的通用模型；其次对计及风电出力和电价不确定性的优化方法进行了总结，并对各优化方法的适用性进行了对比分析；最后进行了展望，对风电及其联营体交易策略研究方向以及我国的电力市场机制完善提出了若干建议。
参考文献
[1] 山西省能源局, 国家能源局山西监管办公室. 关于山西电力现货市场由试运行转正式运行的通知[EB/OL]. (2023-12-22)[2024-03-02]. http://www. qixian.gov.cn/zwgk/bmxxgkml/31nyj/fdzdgknrnnyj/zcwjnnyj/zcwj31nyj/content_85196.
[2] 国家能源局. 国家能源局发布2024年全国电力工业统计数据[EB/OL]. (2025-01-21)[2025-05-02]. https://www.nea.gov.cn/20250121/097bfd7c1cd3498897639857d86d5dac/c.html.
[3] 刘晓军, 熊健, 王艺博, 等. 考虑不确定变量变分模态分解及绿证-碳联合交易的综合能源系统经济优化调度[J]. 电工技术学报, 2025, 40(13): 4276-4291.
Liu Xiaojun, Xiong Jian, Wang Yibo, et al. Economic optimization of integrated energy system scheduling considering uncertainty variables variational mode decomposition and green certificate-carbon joint trading[J]. Transactions of China Electrotechnical Society, 2025, 40(13): 4276-4291.
[4] 国家发展改革委, 国家能源局. 关于深化新能源上网电价市场化改革促进新能源高质量发展的通知[EB/OL]. (2025-01-27)[2025-03-16]. https://www. gov. cn/zhengce/zhengceku/202502/content_7002959.htm.
[5] 董九舟, 郭鸿业, 姜涛, 等. 新型电力系统的电碳耦合交易研究[J]. 中国电机工程学报, 2025, 45(15): 5752-5771.
Dong Jiuzhou, Guo Hongye, Jiang Tao, et al. Research on electricity-carbon coupling trading in the new power system[J]. Proceedings of the CSEE, 2025, 45(15): 5752-5771.
[6] 张粒子, 张洪. 能源市场知识[M]. 北京: 中国电力出版社, 2021.
[7] 国家电力调度控制中心. 电力现货市场实务[M]. 北京: 中国电力出版社, 2023.
[8] 樊宇琦, 丁涛, 孙瑜歌, 等. 国内外促进可再生能源消纳的电力现货市场发展综述与思考[J]. 中国电机工程学报, 2021, 41(5): 1729-1751.
Fan Yuqi, Ding Tao, Sun Yuge, et al. Review and cogitation for worldwide spot market development to promote renewable energy accommodation[J]. Proceedings of the CSEE, 2021, 41(5): 1729-1751.
[9] Rebello E, Watson D, Rodgers M. Ancillary services from wind turbines: automatic generation control (AGC) from a single Type 4 turbine[J]. Wind Energy Science, 2020, 5(1): 225-236.
[10] Singarao V Y, Rao V S. Frequency responsive services by wind generation resources in United States[J]. Renewable and Sustainable Energy Reviews, 2016, 55: 1097-1108.
[11] Melaina M, Gevorgian V, Fleming P, et al. Active power controls from wind power: bridging the gaps[R]. Golden, CO, USA: National Renewable Energy Lab (NREL), 2014.
[12] Gevorgian V, Loutan C, Klauer P, et al. Demonstration of essential reliability services by a 300-MW solar photovoltaic power plant[R]. Golden, CO, USA: National Renewable Energy Lab (NREL), 2017.
[13] Kahrl F, Kim J H, Mills A, et al. Variable renewable energy participation in U.S. ancillary services markets: economic evaluation and key issues[R]. San Francisco: Lawrence Berkeley National Laboratory, 2021.
[14] PJM. Hybrid Resources Enhancements matrix[EB/OL].(2024-07-08)[2025-05-02]. https://www.pjm.com/-/media/ committees-groups/subcommittees/disrs/2024/20240708/ 20240708-item-04-hybrid-resources-enhancements-matrix.ashx.
[15] CAISO. 2023 Special Report on Battery Storage [EB/OL]. (2024-07-16)[2025-05-02]. https://www. caiso. com/documents/2023-special-report-on-battery-storage-jul-16-2024.pdf.
[16] PJM. Hybrid Resources in PJM Markets[EB/OL]. (2024-01-08)[2025-05-02]. https://www.pjm.com/-/media/DotCom/committees-groups/subcommittees/ disrs/2024/20240108/20240108-item-05-hybrid-resources-education.ashx.
[17] 郭鸿业, 郑可迪, 唐庆虎, 等. 数据驱动的电力市场研究: 挑战与展望[J]. 电力系统自动化, 2023, 47(1): 200-215.
Guo Hongye, Zheng Kedi, Tang Qinghu, et al. Data-driven research on electricity markets: challenges and prospects[J]. Automation of Electric Power Systems, 2023, 47(1): 200-215.
[18] Morales J M, Conejo A J, PÉrez-Ruiz J. Short-term trading for a wind power producer[J]. IEEE Transactions on Power Systems, 2010, 25(1): 554-564.
[19] 武昭原, 周明, 姚尚润, 等. 基于合作博弈论的风储联合参与现货市场优化运行策略[J]. 电网技术, 2019, 43(8): 2815-2824.
Wu Zhaoyuan, Zhou Ming, Yao Shangrun, et al. Optimization operation strategy of wind-storage coalition in spot market based on cooperative game theory[J]. Power System Technology, 2019, 43(8): 2815-2824.
[20] Guerrero-Mestre V, Sánchez de la Nieta A A, Contreras J, et al. Optimal bidding of a group of wind farms in day-ahead markets through an external agent[J]. IEEE Transactions on Power Systems, 2016, 31(4): 2688-2700.
[21] 胡娟, 杨水丽, 侯朝勇, 等. 规模化储能技术典型示范应用的现状分析与启示[J]. 电网技术, 2015, 39(4): 879-885.
Hu Juan, Yang Shuili, Hou Chaoyong, et al. Present condition analysis on typical demonstration application of large-scale energy storage technology and its enlightenment[J]. Power System Technology, 2015, 39(4): 879-885.
[22] 宋煜浩, 魏韡, 黄少伟, 等. 风储联合电站实时自调度的高效深度确定性策略梯度算法[J]. 电工技术学报, 2022, 37(23): 5987-5999.
Song Yuhao, Wei Wei, Huang Shaowei, et al. Efficient deep deterministic policy gradient algorithm for real-time self-dispatch of wind-storage power plant[J]. Transactions of China Electrotechnical Society, 2022, 37(23): 5987-5999.
[23] 吕婉煜, 赵红生, 韩应生, 等. 供需不确定性下抽水蓄能提升系统灵活性的分层优化调度[J]. 电工技术学报, 2025, 40(21): 6984-6999.
Lü Wanyu, Zhao Hongsheng, Han Yingsheng, et al. Hierarchical optimal scheduling for pumped storage to enhance system flexibility under supply-demand uncertainty[J]. Transactions of China Electrotechnical Society, 2025, 40(21): 6984-6999.
[24] 李丹, 刘俊勇, 刘友波, 等. 考虑风储参与的电力市场联动博弈分析[J]. 电网技术, 2015, 39(4): 1001-1007.
Li Dan, Liu Junyong, Liu Youbo, et al. Analysis on electricity market linkage game considering participation of wind power and energy storage[J]. Power System Technology, 2015, 39(4): 1001-1007.
[25] Ding Huajie, Pinson P, Hu Zechun, et al. Integrated bidding and operating strategies for wind-storage systems[J]. IEEE Transactions on Sustainable Energy, 2016, 7(1): 163-172.
[26] Garcia-Gonzalez J, de la Muela R M R, Santos L M, et al. Stochastic joint optimization of wind generation and pumped-storage units in an electricity market[J]. IEEE Transactions on Power Systems, 2008, 23(2): 460-468.
[27] 何翔路, 娄素华, 吴耀武, 等. 双结算模式下风储一体化电站两阶段市场投标调度策略[J]. 电力系统自动化, 2022, 46(4): 47-55.
He Xianglu, Lou Suhua, Wu Yaowu, et al. Two-stage market bidding and scheduling strategy of integrated wind power and energy storage station in dual-settlement mode[J]. Automation of Electric Power Systems, 2022, 46(4): 47-55.
[28] 江婷, 王旭, 蒋传文, 等. 数据驱动下风电-抽蓄联合参与日前-实时市场随机鲁棒竞价策略[J]. 电网技术, 2022, 46(2): 481-491.
Jiang Ting, Wang Xu, Jiang Chuanwen, et al. Optimal hybrid stochastic robust bidding strategy of wind and hydraulic pumped storage jointly participating in day-ahead and real-time market using data-driven method [J]. Power System Technology, 2022, 46(2): 481-491.
[29] 宁萌萌, 冯庆斌, 王丽莎, 等. 含海上风电的虚拟电厂参与日前电能量市场及日内调度的两阶段协同优化[J]. 油气与新能源, 2024, 36(6): 53-62, 74.
Ning Mengmeng, Feng Qingbin, Wang Lisha, et al. Two-stage collaborative optimization involving virtual power plant with offshore wind power participation in the day-ahead energy market and intra-day scheduling[J]. Petroleum and New Energy, 2024, 36(6): 53-62, 74.
[30] Li Xiangguang, Du Yida, Tan Zhongfu, et al. Optimal operation model of electrothermal integrated energy system including hydrogen production from offshore wind power participating in multi-level market[J]. International Journal of Hydrogen Energy, 2025, 114: 250-266.
[31] 张巍, 缪辉. 基于云储能租赁服务的风储参与能量-调频市场竞价策略研究[J]. 电网技术, 2021, 45(10): 3840-3850.
Zhang Wei, Miao Hui. Bidding strategies of wind power and energy storage participating in energy and frequency regulation market based on cloud energy storage leasing services[J]. Power System Technology, 2021, 45(10): 3840-3850.
[32] 李宏仲, 魏静怡, 吕勇荡. 考虑储能与新能源双边交易的日前市场报价策略[J]. 电网技术, 2022, 46(12): 4843-4851.
Li Hongzhong, Wei Jingyi, Lü Yongdang. Day-ahead market quotation strategy considering bilateral transaction between energy storage and new energy [J]. Power System Technology, 2022, 46(12): 4843-4851.
[33] 康重庆, 刘静琨, 张宁. 未来电力系统储能的新形态: 云储能[J]. 电力系统自动化, 2017, 41(21): 2-8, 16.
Kang Chongqing, Liu Jingkun, Zhang Ning. A new form of energy storage in future power system: cloud energy storage[J]. Automation of Electric Power Systems, 2017, 41(21): 2-8, 16.
[34] Liu Jingkun, Zhang Ning, Kang Chongqing, et al. Cloud energy storage for residential and small commercial consumers: a business case study[J]. Applied Energy, 2017, 188: 226-236.
[35] Liu Jingkun, Zhang Ning, Kang Chongqing, et al. Decision-making models for the participants in cloud energy storage[J]. IEEE Transactions on Smart Grid, 2018, 9(6): 5512-5521.
[36] 彭飞翔, 隋鑫, 胡姝博, 等. 基于信息间隙决策的风火联合投标策略[J]. 电网技术, 2021, 45(9): 3379-3388.
Peng Feixiang, Sui Xin, Hu Shubo, et al. Combined bidding strategy for wind and thermal power based on information gap decision theory[J]. Power System Technology, 2021, 45(9): 3379-3388.
[37] 唐力, 刘继春, 杨阳方, 等. 基于信息间隙决策理论的多种零售合同模式下售电公司购售电策略[J]. 电网技术, 2019, 43(6): 1978-1986.
Tang Li, Liu Jichun, Yang Yangfang, et al. Study on strategies of electricity procurement and sale of power retailer with multiple retail contract modes based on information gap decision theory[J]. Power System Technology, 2019, 43(6): 1978-1986.
[38] 田昊欣, 陈艳波, 强涂奔, 等. 考虑煤炭-电力市场联动博弈的燃煤电厂期货-现货交易策略[J]. 电工技术学报, 2026, 41(15): 5043-5057.
Tian Haoxin, Chen Yanbo, Qiang Tuben, et al. Futures-spot trading strategies for coal-fired power plants considering the linkage game between the coal and electricity markets[J]. Transactions of China Elec-trotechnical Society, 2026, 41(15): 5043-5057.
[39] Babaei S, Zhao Chaoyue, Fan Lei, et al. Incentive-based coordination mechanism for renewable and conventional energy suppliers[J]. IEEE Transactions on Power Systems, 2019, 34(3): 1761-1770.
[40] Cerejo A, Mariano S J P S, Carvalho P M S, et al. Hydro-wind optimal operation for joint bidding in day-ahead market: storage efficiency and impact of wind forecasting uncertainty[J]. Journal of Modern Power Systems and Clean Energy, 2020, 8(1): 142-149.
[41] Angarita J L, Usaola J, Martínez-Crespo J. Combined hydro-wind generation bids in a pool-based electricity market[J]. Electric Power Systems Research, 2009, 79(7): 1038-1046.
[42] 韩丽, 陈硕, 王施琪, 等. 考虑风光消纳与电动汽车灵活性的调度策略[J]. 电工技术学报, 2024, 39(21): 6793-6803.
Han Li, Chen Shuo, Wang Shiqi, et al. Scheduling strategy considering wind and photovoltaic power consumption and the flexibility of electric vehicles[J]. Transactions of China Electrotechnical Society, 2024, 39(21): 6793-6803.
[43] 王晛, 王留晖, 张少华. 风电商与DR聚合商联营对电力市场竞争的影响[J]. 电网技术, 2018, 42(1): 110-116.
Wang Xian, Wang Liuhui, Zhang Shaohua. Impacts of cooperation between wind power producer and DR aggregator on electricity market equilibrium[J]. Power System Technology, 2018, 42(1): 110-116.
[44] 卢锦玲, 於慧敏. 考虑风电相依结构的虚拟发电厂内部资源随机调度策略[J]. 电工技术学报, 2017, 32(17): 67-74.
Lu Jinling, Yu Huimin. Stochastic scheduling strategy of resources in virtual power plant considering wind power dependence structure[J]. Transactions of China Electrotechnical Society, 2017, 32(17): 67-74.
[45] Aghaei J, Barani M, Shafie-Khah M, et al. Risk-constrained offering strategy for aggregated hybrid power plant including wind power producer and demand response provider[J]. IEEE Transactions on Sustainable Energy, 2016, 7(2): 513-525.
[46] Mahmoudi N, Saha T K, Eghbal M. Wind power offering strategy in day-ahead markets: employing demand response in a two-stage plan[J]. IEEE Transactions on Power Systems, 2015, 30(4): 1888-1896.
[47] Mohammadi J, Rahimi-Kian A, Ghazizadeh M S. Aggregated wind power and flexible load offering strategy[J]. IET Renewable Power Generation, 2011, 5(6): 439-447.
[48] Khaloie H, Abdollahi A, Shafie-Khah M, et al. Co-optimized bidding strategy of an integrated wind-thermal-photovoltaic system in deregulated electricity market under uncertainties[J]. Journal of Cleaner Production, 2020, 242: 118434.
[49] Rashidizadeh-Kermani H, Vahedipour-Dahraie M, Shafie-Khah M, et al. Evaluating the impact of bilateral contracts on the offering strategy of a price maker wind power producer[J]. IEEE Transactions on Industrial Informatics, 2022, 18(7): 4331-4341.
[50] Baringo L, Conejo A J. Strategic offering for a wind power producer[J]. IEEE Transactions on Power Systems, 2013, 28(4): 4645-4654.
[51] Ding Huajie, Pinson P, Hu Zechun, et al. Optimal offering and operating strategy for a large wind-storage system as a price maker[J]. IEEE Transactions on Power Systems, 2017, 32(6): 4904-4913.
[52] 唐成鹏, 张粒子, 刘方, 等. 基于多智能体强化学习的电力现货市场定价机制研究(一): 不同定价机制下发电商报价双层优化模型[J]. 中国电机工程学报, 2021, 41(2): 536-552.
Tang Chengpeng, Zhang Lizi, Liu Fang, et al. Research on pricing mechanism of electricity spot market based on multi-agent reinforcement learning (part I): bi-level optimization model for generators under different pricing mechanisms[J]. Proceedings of the CSEE, 2021, 41(2): 536-552.
[53] Liang Yanchang, Guo Chunlin, Ding Zhaohao, et al. Agent-based modeling in electricity market using deep deterministic policy gradient algorithm[J]. IEEE Transactions on Power Systems, 2020, 35(6): 4180-4192.
[54] Guo Hongye, Chen Qixin, Xia Qing, et al. Modeling strategic behaviors of renewable energy with joint consideration on energy and tradable green certificate markets[J]. IEEE Transactions on Power Systems, 2020, 35(3): 1898-1910.
[55] Dai Ting, Qiao Wei. Optimal bidding strategy of a strategic wind power producer in the short-term market[J]. IEEE Transactions on Sustainable Energy, 2015, 6(3): 707-719.
[56] Wu Zhaoyuan, Zhou Ming, Wang Jianxiao, et al. Profit-sharing mechanism for aggregation of wind farms and concentrating solar power[J]. IEEE Transactions on Sustainable Energy, 2020, 11(4): 2606-2616.
[57] Nguyen H K, Khodaei A, Han Zhu. Incentive mechanism design for integrated microgrids in peak ramp minimization problem[J]. IEEE Transactions on Smart Grid, 2018, 9(6): 5774-5785.
[58] Kim H, Lee J, Bahrami S, et al. Direct energy trading of microgrids in distribution energy market[J]. IEEE Transactions on Power Systems, 2020, 35(1): 639-651.
[59] Baringo L, Conejo A J. Offering strategy of wind-power producer: a multi-stage risk-constrained approach[J]. IEEE Transactions on Power Systems, 2016, 31(2): 1420-1429.
[60] de la Nieta A A S, Contreras J, Muñoz J I, et al. Modeling the impact of a wind power producer as a price-maker[J]. IEEE Transactions on Power Systems, 2014, 29(6): 2723-2732.
[61] Gao Xiang, Chan K W, Xia Shiwei, et al. Risk-constrained offering strategy for a hybrid power plant consisting of wind power producer and electric vehicle aggregator[J]. Energy, 2019, 177: 183-191.
[62] Zugno M, Morales J M, Pinson P, et al. Pool strategy of a price-maker wind power producer[J]. IEEE Transactions on Power Systems, 2013, 28(3): 3440-3450.
[63] Shafie-khah M, Heydarian-Forushani E, Golshan M E H, et al. Strategic offering for a price-maker wind power producer in oligopoly markets considering demand response exchange[J]. IEEE Transactions on Industrial Informatics, 2015, 11(6): 1542-1553.
[64] Jiang Kai, Liu Nian, Yan Xiaohe, et al. Modeling strategic behaviors for GenCo with joint consideration on electricity and carbon markets[J]. IEEE Transactions on Power Systems, 2023, 38(5): 4724-4738.
[65] 张洪, 丛野, 张粒子, 等. 现货价格与中长期价格关系的探讨[J]. 中国电力企业管理, 2024(7): 58-61.
[66] Mendicino L, Menniti D, Pinnarelli A, et al. Corporate power purchase agreement: Formulation of the related levelized cost of energy and its application to a real life case study[J]. Applied Energy, 2019, 253: 113577.
[67] Ghiassi-Farrokhfal Y, Ketter W, Collins J. Making green power purchase agreements more predictable and reliable for companies[J]. Decision Support Systems, 2021, 144: 113514.
[68] 郑亚先, 武泽辰, 王秀丽, 等. 基于卖方灵活电力合约的风电中长期交易策略[J]. 电力建设, 2016, 37(12): 128-133.
Zheng Yaxian, Wu Zechen, Wang Xiuli, et al. A wind power long-term trading strategy based on seller-side flexible electricity contract[J]. Electric Power Construction, 2016, 37(12): 128-133.
[69] 邢通. 大规模风电参与电力市场交易机制及优化模型研究[D]. 北京: 华北电力大学, 2020.
Xing Tong. The research on the transaction mechanism and optimization mode for large scale wind power participating in the power market[D]. Beijing: North China Electric Power University, 2020.
[70] 韦薇. 风电参与中长期电力市场化交易机制研究[D]. 广州: 华南理工大学, 2020.
Wei Wei. Research on wind power’s participation in forward power marketization trading mechanism[D]. Guangzhou: South China University of Technology, 2020.
[71] 许爽, 和军梁, 米晨旭, 等. 电力现货市场背景下的可再生能源中长期交易分析[J]. 太阳能, 2020(10): 19-25.
Xu Shuang, He Junliang, Mi Chenxu, et al. Analysis of medium and long-term power trading for spot electricity market of renewable energy[J]. Solar Energy, 2020(10): 19-25.
[72] 许彦平, 黄越辉, 李湃, 等. 计及优先级及电力平衡的新能源中长期交易电量分解方法[J]. 电力系统自动化, 2021, 45(17): 117-125.
Xu Yanping, Huang Yuehui, Li Pai, et al. Decomposition method for medium-and long-term trading electricity of renewable energy considering priority and power balance[J]. Automation of Electric Power Systems, 2021, 45(17): 117-125.
[73] 周明, 武昭原, 贺宜恒, 等. 兼顾中长期交易和风电参与的日前市场出清模型[J]. 中国科学(信息科学), 2019, 49(8): 1050-1065.
Zhou Ming, Wu Zhaoyuan, He Yiheng, et al. A day-ahead electricity market-clearing model considering medium-and long-term transactions and wind producer participation[J]. Science in China (Information Sciences), 2019, 49(8): 1050-1065.
[74] Li Bingkang, Zhao Huiru, Wang Xuejie, et al. Distributionally robust offering strategy of the aggregator integrating renewable energy generator and energy storage considering uncertainty and connections between the mid-to-long-term and spot electricity markets[J]. Renewable Energy, 2022, 201: 400-417.
[75] 谢敏, 李弋升, 董凯元, 等. 考虑发用电相似性的海上风电中长期双边协商交易优化决策模型[J]. 电力系统自动化, 2024, 48(14): 42-51.
Xie Min, Li Yisheng, Dong Kaiyuan, et al. Optimal decision-making model for medium-and long-term bilateral negotiation transaction of offshore wind power considering similarity between power generation and consumption[J]. Automation of Electric Power Systems, 2024, 48(14): 42-51.
[76] 符杨, 李仪, 葛晓琳, 等. 基于月度电量数据自适应伪增强的多海上风电场联合竞价博弈模型[J]. 电力自动化设备, 2025, 45(1): 1-8.
Fu Yang, Li Yi, Ge Xiaolin, et al. Joint bidding game model for multiple offshore wind farms based on monthly electricity data adaptive pseudo augmentation [J]. Electric Power Automation Equipment, 2025, 45(1): 1-8.
[77] 薛禹胜, 雷兴, 薛峰, 等. 关于风电不确定性对电力系统影响的评述[J]. 中国电机工程学报, 2014, 34(29): 5029-5040.
Xue Yusheng, Lei Xing, Xue Feng, et al. A review on impacts of wind power uncertainties on power systems [J]. Proceedings of the CSEE, 2014, 34(29): 5029-5040.
[78] 陈浩, 贾燕冰, 郑晋, 等. 规模化储能调频辅助服务市场机制及调度策略研究[J]. 电网技术, 2019, 43(10): 3606-3615.
Chen Hao, Jia Yanbing, Zheng Jin, et al. Research on market mechanism and scheduling strategy of frequency regulation auxiliary service of large-scale energy storage[J]. Power System Technology, 2019, 43(10): 3606-3615.
[79] He Guannan, Chen Qixin, Kang Chongqing, et al. Optimal bidding strategy of battery storage in power markets considering performance-based regulation and battery cycle life[J]. IEEE Transactions on Smart Grid, 2016, 7(5): 2359-2367.
[80] Li Guoqing, Zhang Rufeng, Jiang Tao, et al. Security-constrained bi-level economic dispatch model for integrated natural gas and electricity systems considering wind power and power-to-gas process[J]. Applied Energy, 2017, 194: 696-704.
[81] Li Yang, Liu Weijia, Shahidehpour M, et al. Optimal operation strategy for integrated natural gas generating unit and power-to-gas conversion facilities[J]. IEEE Transactions on Sustainable Energy, 2018, 9(4): 1870-1879.
[82] 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-storage union with energy storage participating frequency regulation[J]. Power System Technology, 2016, 40(8): 2251-2257.
[83] He Guannan, Chen Qixin, Kang Chongqing, et al. Cooperation of wind power and battery storage to provide frequency regulation in power markets[J]. IEEE Transactions on Power Systems, 2017, 32(5): 3559-3568.
[84] Ahmad Hosseini S, Toubeau J F, De Grève Z, et al. An advanced day-ahead bidding strategy for wind power producers considering confidence level on the real-time reserve provision[J]. Applied Energy, 2020, 280: 115973.
[85] Akbari E, Hooshmand R A, Gholipour M, et al. Stochastic programming-based optimal bidding of compressed air energy storage with wind and thermal generation units in energy and reserve markets[J]. Energy, 2019, 171: 535-546.
[86] Khaloie H, Abdollahi A, Shafie-Khah M, et al. Coordinated wind-thermal-energy storage offering strategy in energy and spinning reserve markets using a multi-stage model[J]. Applied Energy, 2020, 259: 114168.
[87] 俞鸿飞, 王韵楚, 吕瑞扬, 等. 考虑灵活爬坡产品的虚拟电厂两阶段分布鲁棒优化运营策略[J]. 电力系统自动化, 2024, 48(14): 16-27.
Yu Hongfei, Wang Yunchu, Lü Ruiyang, et al. Two-stage distributionally robust optimization operation strategy of virtual power plants considering flexible ramping products[J]. Automation of Electric Power Systems, 2024, 48(14): 16-27.
[88] Zhang Yuanyuan, Zhao Huiru, Li Bingkang. Distributionally robust comprehensive declaration strategy of virtual power plant participating in the power market considering flexible ramping product and uncertainties[J]. Applied Energy, 2023, 343: 121133.
[89] Wang Jianxiao, Zhong Haiwang, Tang Wenyuan, et al. Optimal bidding strategy for microgrids in joint energy and ancillary service markets considering flexible ramping products[J]. Applied Energy, 2017, 205: 294-303.
[90] Gong Xu, Li Xingmei, Zhong Zhiming. Strategic bidding of hydrogen-wind-photovoltaic energy system in integrated energy and flexible ramping markets with renewable energy uncertainty[J]. International Journal of Hydrogen Energy, 2024, 80: 1406-1423.
[91] 杜刚, 赵冬梅, 刘鑫. 计及风电不确定性优化调度研究综述[J]. 中国电机工程学报, 2023, 43(7): 2608-2626.
Du Gang, Zhao Dongmei, Liu Xin. Research review on optimal scheduling considering wind power uncertainty [J]. Proceedings of the CSEE, 2023, 43(7): 2608-2626.
[92] Khaloie H, Mollahassani-Pour M, Anvari-Moghaddam A. Optimal behavior of a hybrid power producer in day-ahead and intraday markets: a bi-objective CVaR-based approach[J]. IEEE Transactions on Sustainable Energy, 2021, 12(2): 931-943.
[93] Catalao J P S, Pousinho H M I, Mendes V M F. Optimal offering strategies for wind power producers considering uncertainty and risk[J]. IEEE Systems Journal, 2012, 6(2): 270-277.
[94] Zhao Chaoyue, Guan Yongpei. Unified stochastic and robust unit commitment[J]. IEEE Transactions on Power Systems, 2013, 28(3): 3353-3361.
[95] Zeng Bo, Zhao Long. Solving two-stage robust optimization problems using a column-and-constraint generation method[J]. Operations Research Letters, 2013, 41(5): 457-461.
[96] 谭颖, 管霖. 基于数据驱动信息间隙理论的风光水储聚合商多元市场竞标决策模型[J]. 电网技术, 2024, 48(3): 979-989.
Tan Ying, Guan Lin. A data-driven information gap theory based joint decision model for aggregator with wind-solar-hydro power and storage resources in multiple power markets[J]. Power System Technology, 2024, 48(3): 979-989.
[97] 李东东, 尤杨, 周波. 基于信息间隙决策理论的售电公司参与多市场的优化决策[J]. 电网技术, 2022, 46(12): 4778-4790.
Li Dongdong, You Yang, Zhou Bo. IGDT-based decision-making optimization of electricity retailers under multi-market[J]. Power System Technology, 2022, 46(12): 4778-4790.
[98] 汪超群, 韦化, 吴思缘. 基于信息间隙决策理论的多源联合优化机组组合[J]. 中国电机工程学报, 2018, 38(12): 3431-3440.
Wang Chaoqun, Wei Hua, Wu Siyuan. Multi-power combined unit commitment based on information gap decision theory[J]. Proceedings of the CSEE, 2018, 38(12): 3431-3440.
[99] 陶然, 赵冬梅, 王浩翔. 基于信息间隙决策理论的配电网韧性提升规划方法[J]. 电力系统自动化, 2022, 46(9): 32-41.
Tao Ran, Zhao Dongmei, Wang Haoxiang. Planning method for resilience enhancement of distribution network based on information gap decision theory[J]. Automation of Electric Power Systems, 2022, 46(9): 32-41.
[100] 赵冬梅, 徐辰宇, 杜泽航, 等. 就地无常规电源支撑下考虑新能源基地频率稳定的储能优化配置方法[J]. 中国电机工程学报, 2024, 44(24): 9691-9705.
Zhao Dongmei, Xu Chenyu, Du Zehang, et al. Optimization configuration method for energy storage considering frequency stability of new energy bases without conventional power supply support on site[J]. Proceedings of the CSEE, 2024, 44(24): 9691-9705.
[101] 赵振宇, 解冰清. 计及风光互补特性的风光容量优化配置模型[J]. 太阳能学报, 2023, 44(8): 149-156.
Zhao Zhenyu, Xie Bingqing. Optimal allocation model of wind-solar capacity considering wind-solar complementary characteristics[J]. Acta Energiae Solaris Sinica, 2023, 44(8): 149-156.
[102] 严干贵, 沙千理, 李军徽, 等. 调节性能导向的火-储联合调频混合储能双层优化配置策略[J]. 电力系统自动化, 2025, 49(15): 43-53.
Yan Gangui, Sha Qianli, Li Junhui, et al. Regulation performance-oriented bi-level optimal configuration strategy of hybrid energy storage for thermal power-energy storage frequency regulation[J]. Automation of Electric Power Systems, 2025, 49(15): 43-53.
[103] 王开艳, 祝恒涛, 贾嵘, 等. 基于预训练的大模型赋能场景规划和双层嵌套的多能互补系统优化调度[J]. 电工技术学报, 2026, 41(5): 1466-1481.
Wang Kaiyan, Zhu Hengtao, Jia Rong, et al. Empowering scene planning based on pre-trained large models and optimizing the scheduling of multi-energy complementary systems with double-layer nesting[J]. Transactions of China Electrotechnical Society, 2026, 41(5): 1466-1481.
[104] 周茂一, 吴志, 张晓, 等. 基于大语言模型和深度强化学习联合决策的配电网重构方法[J]. 电力系统自动化, 2026, 50(13): 81-92.
Zhou Maoyi, Wu Zhi, Zhang Xiao, et al. A distribution network reconfiguration method based on joint decision-making of large language models and deep reinforcement learning[J]. Power System Automation, 2026, 50(13): 81-92.
[105] 刘继春, 刘可欣, 柯贤波, 等. 新型电力系统下储能参与电能量-惯量-一次调频多市场交易方法[J]. 电网技术, 2025, 49(3): 1018-1031.
Liu Jichun, Liu Kexin, Ke Xianbo, et al. Participation of energy storage in electric energy-inertia-primary frequency regulation multi-market trading method under a new power system[J]. Power System Technology, 2025, 49(3): 1018-1031.
[106] 薛文浩, 吕泉, 齐楚, 等. 现货市场环境下独立储能参与一次调频市场运营策略[J]. 电力自动化设备, 2025, 45(7): 28-34.
Xue Wenhao, Lü Quan, Qi Chu, et al. Operation strategy of independent energy storage participating in primary frequency regulation market under spot market environment[J]. Electric Power Automation Equipment, 2025, 45(7): 28-34.
[107] 马遥, 胥国毅, 旷世奇, 等. 计及响应差异的新能源场站调频能力评估方法[J]. 中国电机工程学报, 2026, 46(9): 3493-3503.
Ma Yao, Xu Guoyi, Kuang Shiqi, et al. Estimation of frequency control capability considering dynamic characteristics of different renewable generation resources[J]. Proceedings of the CSEE, 2026, 46(9): 3493-3503.
[108] 瞿颖, 肖云鹏, 张臣, 等. 考虑灵活调节需求的容量市场出清模型与定价方法[J]. 电力系统自动化, 2024, 48(11): 64-76.
Qu Ying, Xiao Yunpeng, Zhang Chen, et al. Clearing model and pricing method for capacity market considering flexible regulation requirement[J]. Automation of Electric Power Systems, 2024, 48(11): 64-76.
[109] 尚楠, 张翔, 宋艺航, 等. 适应清洁能源发展和现货市场运行的容量市场机制设计[J]. 电力系统自动化, 2021, 45(22): 174-182.
Shang Nan, Zhang Xiang, Song Yihang, et al. Design of capacity market mechanism adapting to clean energy development and spot market operation[J]. Automation of Electric Power Systems, 2021, 45(22): 174-182.
[110] 张粒子, 陈皓轩, 黄弦超, 等. 电力交易产品细分市场协同机理研究[J]. 中国电机工程学报, 2024, 44(16): 6320-6333.
Zhang Lizi, Chen Haoxuan, Huang Xianchao, et al. Research on the synergistic mechanism of power trading product segments market[J]. Proceedings of the CSEE, 2024, 44(16): 6320-6333.
Abstract The randomness of wind power output, its weak regulating capacity, and the uncertainty of market prices make it difficult for wind power to recover costs and secure reasonable returns. For example, in the electricity spot market, given that wind power output has a high coincidence rate, there is an abundance of electricity supply during periods of high wind power generation. Yet, spot market prices are low at such times, exposing wind power to significant revenue risks in spot market transactions. In the medium and long-term market, wind power output is hard to predict accurately. After signing curve contracts, there is also substantial performance risk. In this case, if wind power companies lack guidance from relevant theories and methods to formulate scientific and reasonable electricity market transaction strategies, they will face certain risks to their sustainable operations.
Existing research on wind power trading strategies primarily focused on models for wind power and its aggregators in one or two market types. Studies covered combinations with flexible resources like energy storage. Some involved participation in spot markets as price takers or makers. Others focused only on mid- or long-term markets, or on both spot and ancillary service markets. Several reviews also examined coupled transactions in policy-driven markets, such as green certificate and carbon markets. However, no comprehensive review addressed transaction strategies for wind power and its aggregators across electricity markets, including spot and ancillary services. Since electricity market revenue constitutes the main income for wind power projects, and existing studies involve diverse markets, participants, and optimization methods, a systematic analysis was lacking. A thorough review was therefore necessary to clarify current research and identify future directions.
To address this need, a systematic review was conducted on transaction strategies for wind power and its aggregators in electricity markets. Transaction strategies typically consist of market bidding curves defined by quantity and price. These curves allow operators to maximize overall power generation profits. Constructing such curves required building and solving a strategic optimization model. The model aimed to maximize generalized profit—considering both income and risk—subject to unit operational constraints and market rules. Modeling tools accounting for uncertainty were employed. Thus, three key factors influenced strategy formation: participating entities, market types, and methods for addressing uncertainty.
Based on the above analysis, the study examined three key factors in building transaction strategy models for wind power and its aggregators. The review process first analyzed bidding mechanisms in international and domestic electricity markets to identify eligible market types and related rules. Next, due to strong interactions between market types and participants, a hierarchical framework was established, organizing the review by market type and subdividing by participating entity. Chapter 5 specifically addressed optimization models handling uncertainties in wind power and electricity prices, assessing the strengths, limitations, and suitable applications of each method. Finally, recommendations were proposed regarding strategic decision-making for market participants and improvements to market mechanisms.
keywords：Wind power and its aggregators, bidding strategy, spot market, medium and long term market, auxiliary service market
DOI: 10.19595/j.cnki.1000-6753.tces.251371
中图分类号：TM73；F426
国家重点研发计划资助项目（2022YFB2403200）。
收稿日期 2025-08-06
改稿日期 2025-09-16
张富澳 男，1999年生，博士研究生，研究方向为电力市场、水风光多能互补、水风光报价策略等。E-mail：zhangfuao1999@163.com
丛 野 男，1988年生，博士，助理研究员，研究方向为电力市场、输电定价机制等。E-mail：yecong0315@vip.sina.com（通信作者）
（编辑 李 冰）