基于功率预测精度提升和市场交易的平抑新能源出力波动策略

doi:10.16183/j.cnki.jsjtu.2023.312

基于功率预测精度提升和市场交易的平抑新能源出力波动策略

梁以恒¹^,², 杨冬梅¹^,², 刘刚¹^,², 叶闻杰¹^,², 杨翼泽¹^,², 钱涛³, 胡秦然^,³

1.南瑞集团有限公司(国网电力科学研究院有限公司),南京 211100

2.国电南瑞科技股份有限公司, 南京 211100

3.东南大学电气工程学院,南京 210096

A Strategy for Smoothing Power Fluctuations of New Energy Based on Improved Power Prediction Accuracy and Market Transaction

LIANG Yiheng¹^,², YANG Dongmei¹^,², LIU Gang¹^,², YE Wenjie¹^,², YANG Yize¹^,², QIAN Tao³, HU Qinran^,³

1. NARI Group Corporation (State Grid Electric Power Research Institute), Nanjing 211100, China

2. NARI Technology Co., Ltd., Nanjing 211100, China

3. School of Electrical Engineering, Southeast University, Nanjing 210096, China

通讯作者: 胡秦然,教授,博士生导师;E-mail:qhu@seu.edu.cn.

收稿日期: 2023-07-12 修回日期: 2023-09-18 接受日期: 2023-09-19

基金资助:

2022年度江苏省碳达峰碳中和科技创新专项资金(产业前瞻与关键核心技术攻关)重点项目(BE2022003)

Received: 2023-07-12 Revised: 2023-09-18 Accepted: 2023-09-19

作者简介 About authors

梁以恒(1997—),硕士,从事新能源功率预测研究.

摘要

新能源的不确定性导致功率预测误差,造成新能源发电商因投标电量存在偏差而产生弃风损失和偏差惩罚.提出基于特征约束的多层感知机(MLP)功率预测算法结合储能双边交易提供电量支撑,降低投标偏差.首先,通过改进网络结构和自适应学习提高MLP隐含层关联度,加强对输入数据非线性规则的表征能力,提高功率预测精度.其次,提出新能源发电商与储能商在进入日前市场之前进行双边交易的模式,进一步降低因功率预测误差引起的偏差惩罚和弃风损失.最后,算例证明基于特征约束的MLP有效提高新能源功率预测精度,并且通过与储能商双边交易,有效提高新能源发电商的总体收益.

关键词： 新能源功率预测; 基于特征约束的多层感知机; 双边交易

Abstract

The uncertainty of new energy results in power prediction errors, causing new energy producers to bear high wind curtailment losses and deviation penalties due to bidding deviations. To address these issues, this paper proposes a feature-constrained multi-layer perception (MLP) power prediction algorithm, combined with storage-based bilateral transactions, to provide power support and reduce bidding deviations. First, the MLP model is enhanced by improving the relevancy of the hidden layers through adaptive learning, which strengthens its ability to capture nonlinear rules in input data and improves power prediction accuracy. Then, the algorithm allows for bilateral transactions between new energy producers and storage enterprise before entering the day-ahead market, helping mitigate the penalties associated with prediction errors including deviation and curtailment costs. Finally, the case study demonstrates that the feature-constrained MLP effectively improves the power prediction accuracy. Additionally, engaging in bilateral transactions with storage enterprise significantly reduces the costs incurred by new energy producers due to bid deviations.

Keywords： new energy power prediction; feature-constrained multi-layer perception (MLP); bilateral transaction

PDF (3161KB) 元数据多维度评价相关文章导出 EndNote| Ris| Bibtex 收藏本文

本文引用格式

梁以恒, 杨冬梅, 刘刚, 叶闻杰, 杨翼泽, 钱涛, 胡秦然. 基于功率预测精度提升和市场交易的平抑新能源出力波动策略[J]. 上海交通大学学报, 2025, 59(2): 221-229 doi:10.16183/j.cnki.jsjtu.2023.312

LIANG Yiheng, YANG Dongmei, LIU Gang, YE Wenjie, YANG Yize, QIAN Tao, HU Qinran. A Strategy for Smoothing Power Fluctuations of New Energy Based on Improved Power Prediction Accuracy and Market Transaction[J]. Journal of Shanghai Jiaotong University, 2025, 59(2): 221-229 doi:10.16183/j.cnki.jsjtu.2023.312

随着“双碳”目标的提出,构建以新能源为主体的新型电力系统是我国实现“碳达峰、碳中和”的关键.以风力发电(风电)和光伏发电为代表的可再生能源渗透率快速提升,预计至2030年,风力、光伏发电总装机容量达到1.2 TW^[1].

新能源渗透率提高带来大量非线性、非平稳数据,常规统计学算法难以满足新能源电力系统预测的需求,因预测偏差导致的偏差惩罚和弃风损失使得新能源发电商蒙受巨大损失.以支持向量机、随机森林、多层感知机(muti-layer perception,MLP)等为代表的机器学习算法因其非线性拟合、泛化能力强,在新能源功率预测领域得到快速发展.文献[2]中提出基于K-means聚类和支持向量机的光伏功率预测方法形成区域功率预测模型.文献[3]中利用熵权法和欧氏距离选择相似日,并采用人工蜂群算法改进支持向量机模型以提高功率预测精度.文献[4]中采用随机森林分析影响风电功率的主要气象要素,并根据各类气象要素的权重训练预测模型.文献[5]中提出基于相空间重构的改进随机森林功率预测模型,基于历史数据提取影响风功率变化的要素信息.文献[6]中利用双向门控模型提取风电功率预测误差,并结合随机森林对预测结果进行修正.但是支持向量机、随机森林等算法更适合出力高维度数据的复杂问题,应用于低维数据集中易产生过拟合^[7],风电功率预测的气象输入信息多为风速、湿度、温度、气压等,该场景下泛化性较差.MLP作为简单人工神经网络,具有结构简单、数据并行处理及高度非线性的全局作用,广泛应用于离散数据处理、逻辑回归和非线性分类.文献[8]中利用MLP建立光伏功率日前预测算法,模型简单灵活、通用性强,实现光伏功率的精确预测.文献[9]中进一步挖掘MLP的非线性表达和训练速度优势,获得更加准确的光伏预测功率.以上研究通过改进算法提高数值预测精度,但未充分考虑输入特征相关性约束,同时在电网层面也应发挥储能的调节能力,平抑新能源的出力偏差^[10].

新能源功率预测无法实现绝对准确,随着储能技术的发展,新能源发电商得以借助储能系统平抑投标偏差,更加灵活地参与电力市场^[11].电力市场作为优化资源配置的平台,通过市场调节的方式,在满足各方利益的同时缓解高比例可再生能源的并网、消纳问题^[12].当前新能源与储能相结合的商业模式暂不明确,文献[13]中建立风电储能联合预测模型,利用储能辅助风电机组调频、调峰,有效提高风电的调节能力.将其思路推广至电力市场,借助储能弥补新能源投标出力偏差,共同参与电力市场和辅助服务市场,能够充分发挥储能灵活调节的优点.文献[14]中考虑条件风险价值建立新能源与储能协调的日前市场投标策略,优化新能源厂商的风险管理.文献[15]中提出储能商和新能源发电商双边交易的联合运营策略,兼顾了用户的经济效益并减轻了电网的调峰压力.当前研究多将储能定位于辅助新能源机组调节,未完全考虑实际的新能源功率预测偏差且大多忽略了不同主体间的竞争关系,新能源发电商在市场中无法获得最大收益.

因此,在已有研究的基础上,基于特征约束的MLP算法挖掘气象关键数据间的非线性关系提高新能源功率预测精度.同时,为进一步降低因出力不确定性造成的投标偏差,建立新能源发电商与储能商的双边交易模型,在进入日前市场前达成双边协议,实现各主体利益与社会总福利最大.通过功率预测精度提升和新能源发电商与储能商的双边交易策略,有效降低新能源发电商的投标偏差成本.

1 基于特征约束MLP的功率预测

多层感知机由输入层、隐含层和输出层组成,每层均包含若干个非线性单元节点,神经网络结构简单,适用于在回归任务中挖掘数据中的深层非线性特征^[16],其隐含层输出表示为

$H=g\left(X W_{\mathrm{h}}+b_{\mathrm{h}}\right)$

(1)

输出层输出表示为

$O=g\left(H W_{\circ}+b_{\mathrm{o}}\right)$

(2)

式中:g为激活函数;X为隐含层输入;W_h为隐含层权重;b_h为隐含层阈值;W_o为输出层权重;b_o为输出层阈值.

根据风电功率与气象因子相关分析和回归分析的结论^[17],功率与多种气象因素的相关性有所差异,根据皮尔逊相关系数可划分为强相关、弱相关和负相关.常规MPL网络难以处理此类复杂的非线性关系,因此根据实际情况提出基于特征约束的MLP网络,增加输入层节点与输出层节点连接,如图1所示.强相关及负相关数据除输入至隐含层外,还需直接输入至输出层节点,总而增加其到输出层的非线性映射能力,风电预测功率表示为

$P_{p}^{n}$ =g(

$\overset{n}{\sum_{i = 1}}$ β_iX_i+

$\overset{n_{1}}{\sum_{j = 1}}$ κ_jX_j-

$\overset{n_{2}}{\sum_{k = n_{1}}}$ ν_kX_k+b)

(3)

式中:β_i为第i类全部数据从输入层到输出层的权重;κ_j为第j类强相关数据的权重;ν_k为第k类负相关数据的权重;n、n₁、n₂分别为全部数据、强相关数据和负相关数据类别的数量;X_i、X_j、X_k分别为第i类全部数据、第j类强相关数据、第k类负相关数据的隐含层输入;b为偏置值.

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1 基于特征约束的MLP网络结构

Fig.1 Feature-constrained MLP model

MLP模型训练过程中引入损失函数L(Y_t, Y_p),用于评估预测值与实际值的偏差度,其中Y_t、Y_p分别为实际值和预测值.采用平均绝对百分比误差(mean absolute percentage error,MAPE)作为损失函数M(Y_t, Y_p),基于该网络结构,模型训练的损失函数表示为

M(Y_t, Y_p)=

$\frac{1}{n} \overset{n}{\sum_{i = 1}} |Y_{p} (i) - Y_{t} (i)|$

(4)

L(Y_t, Y_p)=M(Y_t, Y_p)+

$\overset{n}{\sum_{i = 1}}$ ω_iX

(5)

式中:ω_i为相关系数.

同时,为减小训练损失并防止在反向传播过程中发生梯度消失的情况,在隐含层后添加归一化层,训练流程如图2所示.神经网络的随机梯度下降(stochastic gradient descent,SGD)为小批量梯度下降^[18],即每次随机抽取m个样本,梯度的近似估计以其梯度值表示.SGD算法训练流程如算法1所示,其中O(X_i)表示第i个样本的预测值,L(O(X_i), Y)表示第i个样本的损失函数, $\frac{1}{m} \overset{m}{\sum_{i = 1}}$ L(O(X_i), Y_i)为m条数据的平均损失.在梯度反向传播时使用SGD优化器提高准确性.

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2 自适应SGD训练流程

Fig.2 Training process of adaptive SGD

算法1 SGD算法

参数:学习率ξ

初始化:ψ

While:停止条件为满足do

从训练数据中抽取m条数据{X₁, X₂, …, X_m}和对应标签{Y₁, Y₂, …, Y_m}

计算梯度:

$G(\psi)=\frac{\partial\left(\frac{1}{m} \sum_{i=1}^{m} L\left(O\left(X_{i}\right), Y_{i}\right)\right)}{\partial \psi}$

更新参数:ψ=ψ-ζG(ψ)

end while

2 双层优化运行模型

在市场交易模式下,新能源发电商通过与储能商双边交易,进一步降低由功率误差带来的偏差惩罚和弃风成本.下层交易中,新能源发电商在发电量不足时向储能商购电降低偏差惩罚,在超发电量时出售多余电量增加收益.另一方面,储能商通过低买高卖和提供容量辅助服务获得收益.同时,售电公司也希望能够优化新能源发电商和储能商的资源配置,使实际出力与中标功率一致,保证系统的稳定运行.上层的日前交易市场重点关注社会总福利,以总成本最低为目标制定出清计划,整体架构如图3所示.

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3 双层规划架构

Fig.3 Two-layer programming structure

2.1 新能源发电商和储能商报价策略

电力市场中各利益主体基于自身运行状态和部分市场信息进行竞价,以自身收益最大为目标,共同参与市场出清.电力市场根据交易结果和报价决定各发电商中标电量,各方以此优化下一阶段竞价策略,直至得到最优竞价策略.

2.1.1 新能源发电商的目标函数

新能源发电商的交易风险来源于其出力的不确定性.若实际出力大于中标电量,可能会增加弃风成本;反之实际出力小于中标电量,需要承受偏差惩罚.若新能源发电商与储能商合作,根据实际出力与中标电量制定购电和售电策略,新能源发电商降低偏差和弃风成本,储能商通过低买高卖获得收益.新能源发电商利润最大目标函数表示为

max f_n=

$\overset{T}{\sum_{t = 1}} {π^{c}}_{t} P_{o, t}^{n}$ -

$\overset{T}{\sum_{t = 1}}$ αⁿ

$P_{r, t}^{n}$ +

$\overset{T}{\sum_{t = 1}} {v^{b}}_{t} π_{c, t}^{b} P_{c, t}^{b}$ Δt-

$\overset{T}{\sum_{t = 1}} {u^{b}}_{t} π_{f, t}^{b} P_{f, t}^{b}$ Δt-c_n

$\overset{T}{\sum_{t = 1}}$ (

$P_{o, t}^{n}$ -

$P_{r, t}^{n}$ )Δt

(6)

式中:T为交易总时段; ${π^{c}}_{t}$ 为t时刻的市场出清电价; $π_{c, t}^{b}$ 、 $π_{f, t}^{b}$ 分别为储能商t时刻的购电和售电价格; ${u^{b}}_{t}$ 、 ${v^{b}}_{t}$ 为储能充放电状态,若当前为充电状态则 ${u^{b}}_{t}$ =1, ${v^{b}}_{t}$ =0,反之则 ${u^{b}}_{t}$ =0, ${v^{b}}_{t}$ =1; $P_{o, t}^{n}$ 、 $P_{r, t}^{n}$ 为新能源发电商t时刻的中标功率和实际出力;αⁿ为新能源机组维护成本价格系数; $P_{c, t}^{b}$ 、 $P_{f, t}^{b}$ 为储能商t时刻购电和售电功率;c_n为新能源出力与中标出力存在偏差的惩罚系数,且

c_n=

$\{\begin{array}{l} c_{1}, & \frac{P_{o, t}^{n} - P_{r, t}^{n} + {u^{b}}_{t} P_{f, t}^{b} - {v^{b}}_{t} P_{c, t}^{b}}{P_{o, t}^{n}} < 0 \\ 0, & 0 \leq \frac{P_{o, t}^{n} - P_{r, t}^{n} + {u^{b}}_{t} P_{f, t}^{b} - {v^{b}}_{t} P_{c, t}^{b}}{P_{o, t}^{n}} \leq 2 % \\ c_{3}, & 2 % < \frac{P_{o, t}^{n} - P_{r, t}^{n} + {u^{b}}_{t} P_{f, t}^{b} - {v^{b}}_{t} P_{c, t}^{b}}{P_{o, t}^{n}} \leq 5 % \\ c_{4}, & \frac{P_{o, t}^{n} - P_{r, t}^{n} + {u^{b}}_{t} P_{f, t}^{b} - {v^{b}}_{t} P_{c, t}^{b}}{P_{o, t}^{n}} > 5 % \end{array}$

(7)

新能源发电商实际出力大于中标电量时需要支付弃风成本,实际出力无法满足中标电量需求时支付偏差惩罚,阶梯型惩罚单价以偏差比例2%、5%为界.

新能源发电商的报价函数采用线性策略报价的形式,应满足报价约束同时在储能运行允许条件范围内进行电量交易,表示为

$γ_{m i n}^{n}$ ≤

${γ^{n}}_{t}$ ≤

$γ_{m a x}^{n}$

(8)

0≤

${u^{b}}_{t}$ +

${v^{b}}_{t}$ ≤1

(9)

0≤

$P_{f, t}^{b}$ ≤min{

$P_{o, t}^{n}$ -

$P_{r, t}^{n}$ ,

$P_{m a x}^{b}$ }

(10)

0≤

$P_{c, t}^{b}$ ≤min{

$P_{o, t}^{n}$ -

$P_{r, t}^{n}$ ,

$P_{m a x}^{b}$ }

(11)

${E^{b}}_{t + 1}$ =

${E^{b}}_{t}$ +η_c

$P_{c, t}^{b}$ Δt-

$\frac{P_{f, t}^{b} Δ t}{η_{f}}$

(12)

S_SOC,min≤

$\frac{{E^{b}}_{t}}{E_{N}}$ ≤S_SOC,max

(13)

式中: $γ_{m i n}^{n}$ 、 $γ_{m a x}^{n}$ 分别为新能源发电商报价下限和上限; ${γ^{n}}_{t}$ 为新能源发电商t时刻报价; $P_{m a x}^{b}$ 为储能额定功率; ${E^{b}}_{t}$ 为t时刻新能源发电商与储能商的交易电量;η_c、η_f为储能的充放电效率;S_SOC,min、S_SOC,max分别为储能的荷电状态最小、最大值;E_N为储能额定容量.上层新能源发电商公开储能商与其直接交易的电量,储能商参与辅助服务市场的交易电量为非公开信息.

2.1.2 储能商的目标函数

对参与辅助服务市场交易储能商提供容量、电量补偿,以覆盖储能在辅助服务市场的成本.综合考虑储能商的售电收益、购电成本、补偿收益、运行成本和风险损失成本,建立储能商收益最大目标函数,表示为

max f_b=

$\overset{T}{\sum_{t = 1}} {u^{b}}_{t} π_{f, t}^{n} P_{f, t}^{n}$ -

$\overset{T}{\sum_{t = 1}} {v^{b}}_{t} π_{c, t}^{n} P_{c, t}^{n}$ + C_c+C_e-C_o-C_r-

$\bar{ω}$ C_CVaR

(14)

C_c=c_c

$\overset{T}{\sum_{t = 1}}$ (S_SOC,max-S_SOC,min)(E_N-

${E^{b}}_{t}$ )Δt

(15)

C_e=c_e

$\overset{T}{\sum_{t = 1}}$ (

${u^{b}}_{t}$ P_f,_t+

${v^{b}}_{t}$ P_c,_t)Δt

(16)

C_o=c_o

$\overset{T}{\sum_{t = 1}}$ (

${u^{b}}_{t}$ P_f,_t+

${u^{b}}_{t} P_{f, t}^{b}$ +

${v^{b}}_{t}$ P_c,_t+

${v^{b}}_{t} P_{c, t}^{b}$ )Δt

(17)

C_r=c_r

$\overset{T}{\sum_{t = 1}}$ E_N

$\frac{{M^{b}}_{t}}{M_{m a x}^{b}}$

(18)

C_CVaR=a+

$\frac{1}{1 - θ}$ (c_nΔP-a)

(19)

$γ_{f, m i n}^{b}$ ≤

$γ_{f, t}^{b}$ ≤

$γ_{f, m a x}^{b}$

(20)

$γ_{c, m i n}^{b}$ ≤

$γ_{c, t}^{b}$ ≤

$γ_{c, m a x}^{b}$

(21)

式中: $π_{f, t}^{n}$ 、 $π_{c, t}^{n}$ 分别为新能源发电商的购电、售电价格; $P_{f, t}^{n}$ 、 $P_{c, t}^{n}$ 分别为新能源发电商的充、放电功率;C_c、C_e、C_o、C_r、C_CVaR分别为储能商的容量补偿收益、电量补偿收益、运行成本、置换成本和风险损失成本; $\tilde{\omega}$ 为风险权重;c_c为储能的容量补偿系数;c_e为储能的电量补偿系数;P_c,_t、P_f,_t为储能提供的充放电功率;c_o为储能运行成本系数;c_r为储能容量置换成本系数; ${M^{b}}_{t}$ 为储能t时刻的循环次数; $M_{m a x}^{b}$ 为储能最大循环寿命;a为储能商特性系数;ΔP为交易偏差量;θ为置信度; $γ_{f, t}^{b}$ 为t时刻储能放电报价; $γ_{f, m i n}^{b}$ 、 $γ_{f, m a x}^{b}$ 分别为储能放电报价下、上限; $γ_{c, t}^{b}$ 为t时刻储能充电报价; $γ_{c, m i n}^{b}$ 、 $γ_{c, m a x}^{b}$ 分别为储能充电报价下、上限.

2.2 出清模型

采用统一出清价格机制制定出清策略,各发电商按市场的边际价格统一结算^[19],目标函数为全社会福利最优,表示为

min (

$\overset{T}{\sum_{t = 1}} {γ^{n}}_{t} P_{o, t}^{n}$ Δt+

$\overset{T}{\sum_{t = 1}} \overset{M}{\sum_{a = 1}} {γ^{g}}_{t, a} {P^{g}}_{t, a}$ Δt+

$\overset{T}{\sum_{t = 1}}$ c_sS_t+

$\overset{T}{\sum_{t = 1}}$ (c_u

${u^{g}}_{t}$ +c_d

${v^{g}}_{t}$ )+C_c+C_e)

(22)

式中: ${γ^{g}}_{t, a}$ 常规发电商的第a段报价;M为报价段数; ${P^{g}}_{t, a}$ 为t时刻常规发电商第a段的中标功率;c_s为常规发电商提供备用容量的价格系数;S_t为t时刻常规发电商提供的备用容量;c_u、c_d为常规机组的启动和停机成本; ${u^{g}}_{t}$ 、 ${v^{g}}_{t}$ 为常规机组的启动和停机状态.

下层约束条件包括:

(1) 功率平衡约束

$P_{o, t}^{n}$ +

$\overset{M}{\sum_{a = 1}} {P^{g}}_{t, a}$ +

${u^{b}}_{t}$ P_f,_t-

${v^{b}}_{t}$ P_c,_t=D_t

(23)

0≤

${u^{b}}_{t}$ +

${v^{b}}_{t}$ ≤1

(24)

式中:D_t为t时刻总负荷需求.

(2) 新能源中标功率约束

$P_{r, t}^{n}$ -

$P_{c, t}^{b}$ ≤

$P_{o, t}^{n}$ ≤

$P_{r, t}^{n}$ +

$P_{f, t}^{b}$

(25)

(3) 储能剩余容量的充放电约束

0≤P_f,_t≤

$P_{m a x}^{b}$ -

$P_{f, t}^{b}$

(26)

0≤P_c,_t≤

$P_{m a x}^{b}$ -

$P_{c, t}^{b}$

(27)

E_t₊₁=E_t+

${u^{b}}_{t}$ η_cP_c,_tΔt-

$\frac{{v^{b}}_{t} P_{f, t} Δ t}{η_{f}}$

(28)

$S_{\mathrm{soc}, \min } \leqslant S_{\mathrm{sOc}, t} \leqslant S_{\mathrm{soc}, \max }$

(29)

S_SOC,_t=

$\frac{E_{t} + {E^{b}}_{t}}{E_{N}}$

(30)

式中:E_t为t时刻储能剩余容量.

(4) 最大最小出力约束

${i^{g}}_{t} P_{m i n}^{g}$ ≤

${P^{g}}_{t}$ ≤

${i^{g}}_{t} P_{m a x}^{g}$

(31)

式中: ${i^{g}}_{t}$ 为常规机组运行状态,机组运行时 ${i^{g}}_{t}$ =1,反之则为0; ${P^{g}}_{t}$ 为常规机组t时刻出力; $P_{m i n}^{g}$ 、 $P_{m a x}^{g}$ 分别为常规机组最小、最大出力.

(5) 爬坡率约束

$P_{d o w n}^{g}$ ≤

${P^{g}}_{t}$ -

${P^{g}}_{t - 1}$ ≤

$P_{u p}^{g}$

(32)

式中: $P_{d o w n}^{g}$ 、 $P_{u p}^{g}$ 分别为常规机组最大向下、向上爬坡率.

(6) 最小启停时间约束

$\overset{T^{o n} - 1}{\sum_{d = 0}} {i^{g}}_{t + d}$ ≥T^on(

${i^{g}}_{t}$ -

${i^{g}}_{t - 1}$ )

(33)

$\overset{T^{o f f} - 1}{\sum_{d = 0}}$ (1-

${i^{g}}_{t + d}$ )≥T^off(

${i^{g}}_{t - 1}$ -

${i^{g}}_{t}$ )

(34)

式中:T^on、T^off分别为常规机组最小开机、关机时间.

(7) 开停机状态约束

${u^{g}}_{t}$ -

${v^{g}}_{t}$ =

${i^{g}}_{t}$ -

${i^{g}}_{t - 1}$

(35)

0≤

${u^{g}}_{t}$ +

${v^{g}}_{t}$ ≤1

(36)

(8) 备用容量约束

${P^{g}}_{t}$ -Δ

${\underline{P}}^{g}$ ≥

${P^{g}}_{t, m i n}$

(37)

${P^{g}}_{t}$ -Δ

${\bar{P}}^{g}$ ≥

${P^{g}}_{t, m a x}$

(38)

式中:Δ ${\underline{P}}^{g}$ 、Δ ${\bar{P}}^{g}$ 分别为常规机组的下、上备用容量; $P_{t, m i n}^{g}$ 、 $P_{t, m a x}^{g}$ 分别为常规机组的中标功率的最小、最大值.

2.3 模型求解

新能源发电商和储能商的报价决定与对方的交易量,双方以自身收益最大为目标制定报价策略,并根据对方的交易倾向调整报价和交易电量.反复议价更新自己的策略,直至达到稳定解.表示为

$\begin{array}{l} m a x f_{b} ({π^{b}}_{t}, {P^{b}}_{t}) \\ m a x f_{n} ({π^{n}}_{t}, {P^{n}}_{t}) \end{array}\}$

(39)

式中: ${π^{b}}_{t}$ 、 ${π^{n}}_{t}$ 分别为储能商和新能源发电商的报价; ${P^{b}}_{t}$ 、 ${P^{n}}_{t}$ 分别为储能商和新能源发电商的交易电量.

基于上文建立的新能源发电商与储能商博弈优化模型,下层发电商最大收益子问题和上层社会福利最大子问题求解流程如图4所示.

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4 双层优化求解流程

Fig.4 Flow chart of two-layer optimization solution

3 算例分析

以某风电场及该地区典型用能场景为例.风电功率预测输入量为预测风速、温度、湿度,输出量为风电预测功率,在Python 3.7编译环境下采用CPLEX求解器求解.风电装机容量 $P_{m a x}^{n}$ =100 MW,储能额定容量E_N=40 MW·h,额定功率 $P_{m a x}^{b}$ =10 MW,初始电量S_SOC=0.5,S_SOC,max=0.9,S_SOC,min=0.1,风险权重为0.5,充放电效率均为0.9,储能最大循环寿命 $M_{m a x}^{b}$ =5 000 次,c_c=80元/(MW·h),c_e=12元/(MW·h),c_o=13元/MW,c_r=800元/次,偏差惩罚350元/MW,常规机组参数如表1所示.为验证所提预测方法及交易策略的有效性,设置两个场景对比分析:场景1,风电商、储能商直接参与电力市场;场景2,风电商在与储能商双边交易的基础上参与电力市场.

表1 常规机组运行参数

Tab.1 Operating parameters of units

编号	最大功率/MW	最小功率/MW	爬坡功率/MW	成本常数项系数/元	成本一次项系数/ (元·MW^-1)	成本二次项系数/ (元·MW^-2)
1	80	20	20	3360	153	0.01
2	50	15	13	2450	164	0.01
3	35	10	9	3020	182	0.02
4	30	10	8	2970	177	0.01
5	40	12	10	2730	163	0.01

新窗口打开| 下载CSV

3.1 预测结果对比分析

以该风电场2022年历史数据作为预测算法训练对象.如图5所示,相较于其他预测算法,基于特征约束的MLP预测结果更加贴合实际值.由表2可以更直观地发现,对比时序模拟法、随机森林、MLP等算法,基于特征约束的MLP均方根误差降至10.46,平均绝对误差降至7.73,平均绝对百分比误差降至5.16%,随着预测精度的提高,风电出力不确定性降低,其需要应对偏差惩罚和弃风损失的储能容量更低.

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5 各算法的结果对比

Fig.5 Result comparison of each algorithm

表2 各算法误差对比

Tab.2 Error comparison of each algorithm

算法	均方根误差	平均绝对误差	平均绝对百分比误差/%
时序模拟	31.50	23.10	18.24
支持向量机	18.57	14.04	9.29
随机森林	15.14	10.80	7.21
MLP	15.72	11.57	7.37
基于特征约束的MLP	10.46	7.73	5.16

新窗口打开| 下载CSV

3.2 交易结果对比分析

新能源出力的预测误差服从正态分布,认为新能源实际功率 $P_{r, t}^{n}$ 落在预测功率 $P_{p, t}^{n}$ 的95%置信区间[ $P_{p, t}^{n}$ -1.96σ_t, $P_{p, t}^{n}$ +1.96σ_t].负荷及风电预测功率如图6所示,根据上文预测结果给定标准差 σ_t=0.06 $P_{p, t}^{n}$ ,两种场景下风电商和储能商的综合收益如表3所示.在场景1中,受风电出力不确定性影响,风电商弃风损失1.3万元,惩罚成本1.9万元,总收益33.5万元;储能商总收益0.7万元.在场景2中,风电商通过与储能双边交易,降低偏差惩罚和弃风成本,在负荷高峰段,风电商向储能商的购电成本低于其在市场上的售电收益,额外购买电量在电力市场出售,总收益提高12.2%;同时,储能通过与风电商的低买高卖,并参与辅助服务市场,总收益提高71.4%.

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6 负荷及风电预测功率

Fig.6 Forecasts of load and wind power

表3 风电商与储能收益

Tab.3 Income of wind power producers and storage enterprises万元

场景	弃风损失	惩罚成本	风电商收益	储能商收益
1	1.3	1.9	33.5	0.7
2	0.5	0.8	37.6	1.2

新窗口打开| 下载CSV

场景2中储能实时运行时的充放电功率与荷电状态如图7(a)所示,01:00—05:00 与 22:00—24:00 时段为负荷低谷且风电预测功率较高,风电商将过剩电量出售给储能商,降低弃风成本.09:00—11:00 与 17:00—20:00 时段为负荷高峰且风电预测功率处于低谷,风电商增加向储能商的购电量以降低偏差惩罚.储能双边交易购电和售电价格如图7(b)所示,由于风电出力具有不确定性,所以导致储能荷电状态变化剧烈.交易价格风电功率和负荷差值正相关,风电在负荷早晚高峰时期出力不足,导致储能加大放电力度并提高售电价格.同时,储能购电和售电价格也受自身SOC影响,04:00—08:00 时段储能电量处于高位降低了购电价格,19:00—23:00 时段储能电量处于低位且风电出力与预测负荷差值减小,储能商提高购电价格进行电量储备.各市场参与主体交易电量如图7(c)所示.

图7

新窗口打开| 下载原图ZIP| 生成PPT

图7 交易结果

Fig.7 Transaction results

4 结论

针对功率预测误差导致的风电商中标电量偏差问题,提出功率预测精度提升算法并设计风电商与储能商双边交易机制,得到以下结论:

(1) 在MLP网络中考虑输入特征的相关性,能够提高输入层到输出层的非线性映射能力;同时嵌入SGD优化器避免过拟合和梯度消失问题,加强模型泛化能力提高拟合精度.

(2) 风电商通过与储能商的双边交易,能够更好地应对出力-负荷差及功率预测误差,在出力过剩时将多余电量出售给储能商减少弃电损失,出力不足时则向储能商购电降低中标电量偏差惩罚.

(3) 对于储能商而言,仅参与辅助服务的补偿低于与风电商双边交易的收益,通过为风电商提供电量支撑实现电力的高卖低买,从而获得更高的总体收益.

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

习近平.

继往开来, 开启全球应对气候变化新征程: 在气候雄心峰会上的讲话

[N]. 中华人民共和国国务院公报, 2020(35): 7.