含風(fēng)光儲微網(wǎng)的大用戶短期交易決策

方日升

(國網(wǎng)福建省電力公司，福州市350003)

含風(fēng)光儲微網(wǎng)的大用戶短期交易決策

方日升

(國網(wǎng)福建省電力公司，福州市350003)

隨著可再生能源發(fā)電技術(shù)的日益成熟和售電側(cè)市場放開，含分布式電源用戶或微網(wǎng)等電能產(chǎn)銷者參與的市場交易問題正得到越來越多的關(guān)注。以含風(fēng)電、光伏、儲能(簡稱風(fēng)光儲)、微網(wǎng)的大用戶為研究對象，在日前電力市場的環(huán)境下，計(jì)及可再生能源出力的波動性，建立了由風(fēng)力發(fā)電機(jī)組、光伏電池、儲能系統(tǒng)組成的含風(fēng)光儲微網(wǎng)的大用戶短期交易決策模型，并采用條件風(fēng)險(xiǎn)價(jià)值量化大用戶的交易風(fēng)險(xiǎn)，為評估含風(fēng)光儲微網(wǎng)的大用戶參與市場交易的風(fēng)險(xiǎn)提供了一種可行方法。最后，通過算例仿真驗(yàn)證了模型的正確性和合理性，說明蓄電池有助于降低大用戶在短期交易中的風(fēng)險(xiǎn)。

電能產(chǎn)銷者;含風(fēng)光儲微網(wǎng);大用戶;短期交易;條件風(fēng)險(xiǎn)價(jià)值(CVaR)

0 引言

《中共中央國務(wù)院關(guān)于進(jìn)一步深化電力體制改革的若干意見》提出放開售電市場、允許分布式電源用戶和微電網(wǎng)以獨(dú)立利益主體的身份參與電力交易［1］。這為含分布式電源的用戶或微網(wǎng)等電能產(chǎn)銷者參與電力市場競爭和加強(qiáng)風(fēng)、光等可再生能源消納提供了有利條件。

針對電能產(chǎn)銷者參與市場交易的問題，國內(nèi)、外學(xué)者進(jìn)行了相關(guān)研究。文獻(xiàn)［2］根據(jù)風(fēng)力發(fā)電機(jī)組、光伏機(jī)組等分布式電源輸出功率波動性較大的特點(diǎn)，提出了一種基于“時(shí)前市場”的多輪成對隨機(jī)匹配市場交易機(jī)制，該機(jī)制使含有分布式電源的電能產(chǎn)銷者在時(shí)前競價(jià)環(huán)境下實(shí)現(xiàn)自我利益的最大化。文獻(xiàn)［3］基于博弈論的思想，構(gòu)建了電能產(chǎn)銷者參與交易的兩層優(yōu)化模型，但該模型并未考慮其內(nèi)部負(fù)荷的響應(yīng)行為。文獻(xiàn)［4］基于隨機(jī)規(guī)劃理論，計(jì)及電能產(chǎn)銷者內(nèi)部負(fù)荷和市場電價(jià)的不確定性，構(gòu)建了參與日前市場和平衡市場的兩階段競標(biāo)策略模型，最后以挪威電力現(xiàn)貨市場為例，驗(yàn)證了所提模型的有效性，但并未考慮電能產(chǎn)銷者在交易中所面臨的風(fēng)險(xiǎn)。

隨著售電側(cè)市場的逐步放開和分布式電源發(fā)電技術(shù)的不斷發(fā)展，含風(fēng)光儲微網(wǎng)的用戶可以通過參與電力市場交易降低用電成本。同時(shí)，大用戶作為售電側(cè)的重要交易主體，在配置分布式電源和儲能系統(tǒng)的條件下，使得大用戶可以更靈活地進(jìn)行決策。

綜上所述，本文在日前電力市場競價(jià)的環(huán)境下，構(gòu)建由風(fēng)力發(fā)電機(jī)組、光伏、儲能系統(tǒng)組成的含風(fēng)光儲微網(wǎng)的大用戶模型，通過協(xié)調(diào)蓄電池的運(yùn)行，優(yōu)化其在日前市場和平衡市場的購售電交易方案，并考慮大用戶在交易中所面臨的風(fēng)險(xiǎn)，建立大用戶短期交易決策模型，最后運(yùn)用算例說明所建模型的合理性。

1 含風(fēng)光儲微網(wǎng)的大用戶建模

1.1風(fēng)電機(jī)組出力模型

受到風(fēng)速等自然條件的影響，風(fēng)電機(jī)組的輸出功率具有顯著的不確定性特征，其出力主要取決于風(fēng)速的大小。本文采用雙參數(shù)的Weibull分布來表示風(fēng)速v的不確定性變化規(guī)律，其概率密度函數(shù)為［5］

式中:k為形狀參數(shù)，取值范圍一般為1.8～2.3，本文取k=2;c為尺度參數(shù)，反映某時(shí)段的平均風(fēng)速大小。

式中:Pr，w為風(fēng)力發(fā)電機(jī)組額定容量;vci、vr、vco分別為風(fēng)力發(fā)電機(jī)組切入風(fēng)速、額定風(fēng)速和切出風(fēng)速。

1.2光伏出力模型

受到光照強(qiáng)度、溫度等環(huán)境因素的影響，光伏發(fā)電輸出功率也具有明顯的不確定性特征，參照文獻(xiàn)［6］，本文設(shè)光照強(qiáng)度的預(yù)測偏差ΔE為均值為0、標(biāo)準(zhǔn)差為σ的正態(tài)分布隨機(jī)變量。若E'為光照強(qiáng)度預(yù)測值，則實(shí)際光照強(qiáng)度E=E'+ΔE。E的概率密度函數(shù)為

光照強(qiáng)度預(yù)測偏差的標(biāo)準(zhǔn)差設(shè)為預(yù)測值的ω%，即σ=E'×ω%。本文中取ω%=10%。

光伏發(fā)電輸出功率主要取決于光照強(qiáng)度［6］，光伏輸出功率的表達(dá)式為式中:Ppv為光伏陣列的輸出功率;ηpv、Spv分別為光伏陣列發(fā)電效率和總面積。

1.3儲能系統(tǒng)模型

相關(guān)研究表明，放電深度(depth of discharge，DOD)決定蓄電池的循環(huán)壽命，因此在計(jì)及蓄電池的損耗費(fèi)用時(shí)，只考慮蓄電池放電的影響，忽略充電的影響，并以放電損耗費(fèi)用來表征蓄電池的充放電操作對循環(huán)壽命的影響［7］。假設(shè)時(shí)段t蓄電池處于放電狀態(tài)，則總放電損耗費(fèi)用可表示為單位電量放電損耗成本Cbat與放電功率的乘積。

考慮到蓄電池容量與充、放電功率的關(guān)系等限制，蓄電池在充、放電過程中還應(yīng)滿足的約束如下詳述。

1．3．1 充放電功率約束

式中:Uchg，t、Udchg，t為布爾變量，當(dāng)時(shí)段t蓄電池處于充電狀態(tài)時(shí)，Uchg，t=1，否則Uchg，t=0，當(dāng)時(shí)段 t蓄電池處于放電狀態(tài)時(shí)，Udchg，t=1，否則Udchg，t=0;Pchg，t、Pdchg，t分別為時(shí)段 t蓄電池的充電功率和放電功率; Pchg，max、Pdchg，max分別為蓄電池的最大充電功率和放電功率。

1．3．2 蓄電池容量與充、放電功率關(guān)系約束

式中:Eess，0為蓄電池初始容量;Eess，t時(shí)段t蓄電池容量;ηdchg、ηchg分別為蓄電池放電效率和充電效率。

1．3．3 蓄電池容量約束

式中Eess，min、Eess，max分別為蓄電池的最大容量與最小容量。

1．3．4 蓄電池始、末容量不變約束

2 含風(fēng)光儲微網(wǎng)的大用戶參與的短期交易

2.1短期交易框架

本文中將含風(fēng)光儲微網(wǎng)的大用戶所參與的短期交易市場設(shè)定為日前市場和平衡市場。大用戶通過預(yù)測電價(jià)、負(fù)荷和分布式電源出力，在日前市場上申報(bào)各時(shí)段的購售電功率。由于風(fēng)、光出力的波動性，分布式電源的實(shí)際出力和預(yù)測出力存在偏差，從而產(chǎn)生不平衡電量。在成熟的電力市場環(huán)境下，不平衡電量可通過平衡市場進(jìn)行交易，電力市場運(yùn)營商為了規(guī)范市場運(yùn)作，防止交易者的投機(jī)行為，平衡市場的購電價(jià)格一般高于日前市場電能價(jià)格，售電價(jià)格一般低于日前市場電能價(jià)格。同時(shí)，在已知日前市場的交易信息情況下，含分布式電源大用戶會通過對蓄電池的充、放電操作，減少不平衡電量所產(chǎn)生的影響。

2.2參數(shù)不確定性處理

針對風(fēng)、光出力的波動性和隨機(jī)性，本文采用多場景技術(shù)建立計(jì)及風(fēng)、光出力不確定性的含風(fēng)光儲微網(wǎng)的大用戶短期交易決策模型。多場景技術(shù)主要包括2個(gè)方面的內(nèi)容，即場景的產(chǎn)生和場景的削減。本文采用拉丁超立方抽樣產(chǎn)生樣本場景，之后通過同步回代削減法對樣本場景進(jìn)行削減［8］，使得到的場景最大化逼近原始的抽樣場景，最后生成NS個(gè)風(fēng)速場景和NK個(gè)光照強(qiáng)度場景。場景總數(shù)N=NSNK。

2.3交易費(fèi)用分析

本文將日前市場購售電費(fèi)用和平衡市場的不平衡費(fèi)用與蓄電池的放電損耗成本之和定義為含風(fēng)光儲微網(wǎng)的大用戶參與短期交易的總交易費(fèi)用。在競爭性電力市場環(huán)境中，日前市場的交易功率申報(bào)時(shí)間早于實(shí)時(shí)平衡市場的不平衡費(fèi)用結(jié)算與蓄電池儲能的日前調(diào)度［7］，因此在計(jì)及風(fēng)、光出力隨機(jī)性的條件下，采用期望值形式描述實(shí)時(shí)平衡市場的不平衡費(fèi)用和蓄電池儲能的放電損耗成本。

2.3.1 日前市場購售電費(fèi)用

由于自身的競標(biāo)容量有限，本文認(rèn)為含風(fēng)光儲微網(wǎng)的大用戶在短期交易決策中作為價(jià)格接受者，交易電量按照日前市場統(tǒng)一出清價(jià)格(market clearing price，MCP)進(jìn)行結(jié)算。日前市場的購售電費(fèi)用由日前市場上的購電成本減去售電收入組成，假設(shè)含風(fēng)光儲微網(wǎng)的大用戶在日前市場上只能申報(bào)t時(shí)刻的購電功率或售電功率，并且不計(jì)日前市場電價(jià)的波動(日前市場的電價(jià)取為其預(yù)測值)，則日前市場的購售電費(fèi)用為

式中:CDA為購售電費(fèi)用;PDA，t為時(shí)段t的日前市場競價(jià)功率，PDA，t＞0時(shí)，PDA，t表示時(shí)段t的日前市場購電量，PDA，t＜0時(shí)，PDA，t表示時(shí)段t的日前市場售電量;QDA，t為時(shí)段t的日前市場電價(jià)預(yù)測值。

2.3.2 平衡市場的不平衡費(fèi)用

在競爭性電力市場環(huán)境下，實(shí)時(shí)平衡市場的結(jié)算機(jī)制較為復(fù)雜。為簡化處理，本文將各時(shí)段正、負(fù)不平衡價(jià)格分別設(shè)為日前市場各時(shí)段電價(jià)的一定比例。含風(fēng)光儲微網(wǎng)的大用戶所繳納的不平衡費(fèi)用可表示為:

式中:CRT為總不平衡費(fèi)用;CRT，s為第s個(gè)場景下平衡市場交易費(fèi)用;π(s)為第s個(gè)風(fēng)光出力場景的出現(xiàn)概率;λrt，buy，t、λrt，sell，t分別為時(shí)段t平衡市場購電價(jià)格系數(shù)和售電價(jià)格系數(shù);PRT，s，t為第s個(gè)場景下在時(shí)段t平衡市場的交易電量，當(dāng) PRT，s，t＞0時(shí)，PRT，s，t表示第 s個(gè)場景下在時(shí)段t平衡市場購電量，當(dāng)PRT，s，t＜0時(shí)，PRT，s，t表示第s個(gè)場景下在時(shí)段t平衡市場售電量。

2.3.3 蓄電池放電損耗成本

蓄電池儲能的總放電損耗成本為:

式中:N為風(fēng)、光出力場景總數(shù);cbat為蓄電池總放電損耗成本;Cbat0為單位電量放電損耗成本;Cbat，s為第s個(gè)場景下蓄電池總放電損耗費(fèi)用;Pdchg，s，t為第s個(gè)場景下在時(shí)段t蓄電池放電功率。

2.4風(fēng)險(xiǎn)度量工具

本文采用條件風(fēng)險(xiǎn)價(jià)值(condition value at risk，CVaR)方法度量由于風(fēng)、光出力不確定性引起的總交易費(fèi)用增加所帶來的風(fēng)險(xiǎn)。第s個(gè)風(fēng)、光出力場景下的風(fēng)險(xiǎn)損失ωs可表示為

根據(jù)CVaR的定義，總交易費(fèi)用所對應(yīng)的CVaR值［9-10］可表示為

式中:φα為置信水平為α?xí)r損失函數(shù)所對應(yīng)的CVaR值;ξ為置信水平為α?xí)r損失函數(shù)所對應(yīng)的VaR值。

令虛擬變量zs=max{ωs－ξ，0}，則式(18)可簡化為

3 短期交易決策模型

3.1目標(biāo)函數(shù)

總交易費(fèi)用最小化模型為

3.2約束條件

風(fēng)、光出力約束:

式中:Pw，s，t為第 s個(gè)場景下在時(shí)段 t的風(fēng)機(jī)出力; Ppv，s，t為第 s個(gè)場景下在時(shí)段 t的光伏出力;Pw，max、Ppv，max分別為風(fēng)機(jī)和光伏的最大有功輸出功率，取為風(fēng)機(jī)和光伏的額定裝機(jī)容量。

日前市場競標(biāo)值的上、下限約束:

式中PL，t為時(shí)段t總負(fù)荷預(yù)測值。

風(fēng)險(xiǎn)約束:

式中β為表征含分布式電源大用戶對總交易費(fèi)用所對應(yīng)的風(fēng)險(xiǎn)和總交易費(fèi)用期望值的權(quán)衡系數(shù)。

式(24)左端為總交易費(fèi)用的CVaR值，右端為總交易費(fèi)用期望值。β值的大小取決于大用戶對風(fēng)險(xiǎn)規(guī)避的重視程度。β值越大，表明大用戶對風(fēng)險(xiǎn)的重視程度越低。當(dāng)β取值大于某個(gè)閾值時(shí)，可認(rèn)為含風(fēng)光儲微網(wǎng)的大用戶在市場上為風(fēng)險(xiǎn)中性型決策者。

CVaR約束:

功率平衡約束:

第s個(gè)場景下，儲能系統(tǒng)的約束條件同式(5)—(8)。

3.3模型求解

所提出的模型為混合整數(shù)線性規(guī)劃問題，通過調(diào)用混合整數(shù)規(guī)劃求解器CPLEX實(shí)現(xiàn)模型求解，具體流程如圖1所示。

4 算例與分析

4.1基本數(shù)據(jù)

圖1 交易決策流程圖Fig.1 Flowchartoftradingdecision

本文采用的算例中電源包括風(fēng)電機(jī)組、光伏電池和蓄電池。風(fēng)電機(jī)組和光伏的相關(guān)特性參數(shù)可參見文獻(xiàn)［11－12］。風(fēng)電機(jī)組的額定裝機(jī)容量 Pr，w= 2.05 MW，vci=2 m/s，vr=14 m/s，vco=25 m/s。光伏陣列的額定裝機(jī)容量為1.1 MW;光伏陣列轉(zhuǎn)換效率為15.7%;光伏陣列總面積為7 000 m2。蓄電池的相關(guān)特性參數(shù)可參見文獻(xiàn)［7］。蓄電池的額定容量為2.2 MW·h;最大容量、最小容量分別設(shè)定為1.98 MW·h和0.22 MW·h;最大充、放電功率為0.44 MW;充、放電效率為 91.4%;初始容量為0.22 MW·h;放電損耗成本為0.075$/(kW·h);平衡市場各時(shí)段的購電價(jià)格系數(shù)和售電價(jià)格系數(shù)分別設(shè)置為1.4和0.6;風(fēng)險(xiǎn)置信水平α和權(quán)衡系數(shù)β分別設(shè)置為95%和1.15。算例中基于拉丁超立方抽樣產(chǎn)生3 000組風(fēng)速和3 000組光照強(qiáng)度的樣本，然后采用同步回代削減法進(jìn)行場景削減，生成15組風(fēng)速場景和5組光照強(qiáng)度場景。由風(fēng)速和光照強(qiáng)度場景可推算得到風(fēng)力發(fā)電機(jī)組和光伏的出力場景?？倛鼍皵?shù)N=15×5=75。

風(fēng)力發(fā)電機(jī)組、光伏機(jī)組和大用戶總負(fù)荷的功率預(yù)測曲線如圖2所示。日前市場電價(jià)如圖3所示。

4.2優(yōu)化結(jié)果與分析

含風(fēng)光儲微網(wǎng)的大用戶在日前市場和平衡市場的電能交易分配如圖4所示，各時(shí)段的蓄電池充、放電情況如圖5所示。

圖2 功率預(yù)測曲線Fig.2 Powerpredictioncurves

圖3 電價(jià)預(yù)測曲線Fig.3 Electricitypriceforecastingcurve

圖4 電能交易分配Fig.4 Allocationofelectricenergytransaction

圖5 蓄電池充放電情況Fig.5 Batterychargeanddischargesituation

由圖4可知，含風(fēng)光儲微網(wǎng)的大用戶參與短期交易時(shí)絕大部分的電能都是通過日前市場進(jìn)行交易的。由于風(fēng)、光出力的波動性，部分差額或盈余電能會通過平衡市場進(jìn)行交易。由圖5可知，時(shí)段1—10的日前市場電能交易價(jià)格較低，蓄電池充電為下一階段預(yù)留電量;時(shí)段11—14的日前市場電能交易價(jià)格達(dá)到第1個(gè)峰值時(shí)，蓄電池通過放電供自身負(fù)荷消耗而減少在日前市場的購電量;時(shí)段15—18蓄電池選擇充電操作，為下一階段預(yù)留電量;由于時(shí)段15—18的日前市場電能交易價(jià)格高于時(shí)段01—10，因此單位時(shí)間平均充電功率有所減少;時(shí)段19—22的日前市場電能交易價(jià)格達(dá)到第2個(gè)峰值，蓄電池選擇放電操作，由于其日前市場電能交易價(jià)格高于時(shí)段11—14，因此單位時(shí)段平均放電功率有所增加。

4.2.1 蓄電池對日前電能交易決策的影響

為了研究蓄電池對含風(fēng)光儲微網(wǎng)的大用戶日前電能交易決策的影響，分為以下2種情景進(jìn)行對比分析，情景一:不考慮蓄電池，情景二:考慮蓄電池。不同情形下含風(fēng)光儲微網(wǎng)的大用戶在日前市場的電能交易情況如圖6所示，總期望成本和所對應(yīng)的CVaR值見表1。

圖6 日前市場競價(jià)功率Fig.6 Biddingpowerinday-aheadmarket

表1 不同情況下總期望成本和CVaR值Table1 TotalexpectedcostandCVaRindifferent conditions

由表1可知，考慮蓄電池的條件下，無論是總期望成本還是風(fēng)險(xiǎn)值都是最小的，這是由于蓄電池吸收風(fēng)、光出力過剩時(shí)段的電能，并在風(fēng)、光出力不足時(shí)段釋放，因此可以減少一部分的交易費(fèi)用。同時(shí)，引入蓄電池后將對含分布式電源大用戶在日前市場電能交易的決策產(chǎn)生影響。由圖6可以看出，考慮蓄電池影響后，大用戶減少在時(shí)段2、4的售電功率，增加在時(shí)段8、9的購電功率，減少在時(shí)段20—24的購電功率。這是因?yàn)闀r(shí)段2、4、8、9的日前市場電價(jià)水平較低，有部分交易電量用于蓄電池充電，時(shí)段20—24的日前市場電價(jià)水平較高，蓄電池放電供自身負(fù)荷消耗。

4.2.2 β值對日前電能交易決策的影響

權(quán)衡系數(shù)β取不同值時(shí)，含風(fēng)光儲微網(wǎng)的大用戶在日前市場的電能交易情況如圖7所示?？梢钥闯?，β值越小，在大多數(shù)時(shí)段內(nèi)大用戶在日前市場申報(bào)的競價(jià)功率就越多。這是因?yàn)棣轮翟叫?，表明總交易費(fèi)用所對應(yīng)的CVaR值越小，本文中總交易費(fèi)用所對應(yīng)的CVaR值指的是在幾個(gè)極端場景下總交易費(fèi)用的期望值。由于風(fēng)、光出力不足會使得大用戶在平衡市場購電費(fèi)用增加，導(dǎo)致總交易費(fèi)用上漲，而風(fēng)、光出力盈余會增加大用戶在平衡市場的售電收益，引起總交易費(fèi)用下降，因此文中的極端場景指的是風(fēng)、光出力不足的場景，為了降低CVaR值，大用戶會選擇增加在日前市場的購電量，從而減小平衡市場高價(jià)購電帶來的總交易費(fèi)用上漲，這也代表著在β值較小的條件下的決策是偏于保守的。這種情況下含風(fēng)光儲微網(wǎng)的大用戶屬于風(fēng)險(xiǎn)厭惡型決策者。不同β值下，總交易費(fèi)用期望值和CVaR值的關(guān)系如圖8所示?？梢钥闯?，β值越大，CVaR值就越大，總交易費(fèi)用的期望值就越小。

圖7 權(quán)衡系數(shù)對電能交易決策的影響Fig.7 Impactofweightcoefficientonelectric energytransaction

圖8 不同β下的總交易費(fèi)用期望值與CVaR值Fig.8 TotalexpectedcostandCVaRunderdifferent weightcoefficients

5 結(jié)論

本文基于多場景技術(shù)處理風(fēng)、光出力的不確定性，在日前電力市場競價(jià)的環(huán)境下，優(yōu)化日前市場的電能交易量，實(shí)現(xiàn)含風(fēng)光儲微網(wǎng)的大用戶在日前市場和平衡市場購電成本最小化和售電收益最大化，同時(shí)優(yōu)化蓄電池的充、放電功率，使含分布式電源大用戶內(nèi)部運(yùn)行成本最小化，并采用CVaR對大用戶面臨的決策風(fēng)險(xiǎn)進(jìn)行度量。最后，通過算例分析了引入蓄電池對大用戶日前電能交易決策的影響以及不同的風(fēng)險(xiǎn)權(quán)衡系數(shù)β對大用戶日前電能交易決策的影響。

［1］中共中央國務(wù)院．關(guān)于進(jìn)一步深化電力體制改革的若干意見(中發(fā)［2015］9號)［EB/OL］．(2015－03－15)［2016－10－15］．http://tgs．ndrc．gov．cn/zyw j/201601/t20160129_773852．html．

［2］史開拓，劉念，張建華，等．多運(yùn)營主體的微電網(wǎng)隨機(jī)匹配交易機(jī)制［J］．電網(wǎng)技術(shù)，2016，40(2):587-594．SHI Kaituo，LIU Nian，ZHANG Jianhua，et al．Random matching trading mechanism in microgrid of multi-operators［J］．Pow er System Technology，2016，40(2):587-594．

［3］竇春霞，賈星蓓，李恒．基于多智能體的微電網(wǎng)中分布式發(fā)電的市場博弈競標(biāo)發(fā)電［J］．電網(wǎng)技術(shù)，2016，40(2):579-586．DOU Chunxia，JIA Xingbei，LI Heng．Multi-agent-system-based market bidding strategy for distributed generation in microgrid［J］．Power System Technology，2016，40(2):579-586．

［4］OTTESEN S ，TOMASGARD A，F(xiàn)LETEN S E，et al．Prosumer bidding and scheduling in electricity markets［J］．Energy，2016 (94):828-843．

［5］劉小平，丁明，張穎媛，等．微網(wǎng)系統(tǒng)的動態(tài)經(jīng)濟(jì)調(diào)度［J］．中國電機(jī)工程學(xué)報(bào)，2011，31(31):77-84．LIU Xiaoping，DING Ming，ZHANG Yingyuan，et al．Dynamic economic dispatch for microgrids［J］．Proceedings of the CSEE，2011，31(31):77-84．

［6］冉曉洪，苗世洪，劉陽升，等．考慮風(fēng)光荷聯(lián)合作用下的電力系統(tǒng)經(jīng)濟(jì)調(diào)度建模［J］．中國電機(jī)工程學(xué)報(bào)，2014，34(16):2552-2560．RAN Xiaohong，MIAO Shihong，LIU Yangsheng，et al．Modeling of economic dispatch of pow er system considering joint effect of w ind pow er，solar energy and load［J］．Proceedings of the CSEE，2014，34 (16):2552-2560．

［7］ZHOU B，LIU X，CAO Y，et al．Optimal scheduling of virtual pow er plant with battery degradation cost［J］．IET Generation Transmission＆Distribution，2016，10(3):712-725．

［8］陳璨，吳文傳，張伯明，等．基于多場景技術(shù)的有源配電網(wǎng)可靠性評估［J］．中國電機(jī)工程學(xué)報(bào)，2012，32(34):67-73．CHEN Can，WU Wenchuan，ZHANG Boming，et al．An active distribution system reliability evaluation method based on multiple scenarios technique［J］．Proceedings of the CSEE，2012，32(34):67-73．

［9］王壬，尚金成，馮旸，等．基于CVaR風(fēng)險(xiǎn)計(jì)量指標(biāo)的發(fā)電商投標(biāo)組合策略及模型［J］．電力系統(tǒng)自動化，2005，29(14):5-9． WANG Ren，SHANG Jincheng，F(xiàn)ENG Yang，et al．Combined bidding strategy and model for power suppliers based on CVaR risk measurement techniques［J］．Automation of Electric Power Systems，2005，29(14):5-9．

［10］王天旺，高赟，姜孟，等．虛擬電廠下計(jì)及分布式風(fēng)電與儲能系統(tǒng)的電力系統(tǒng)優(yōu)化調(diào)度［J］．電力建設(shè)，2016，37(11):108-114．WANG Tianwang，GAO Yun，JIANG Meng，et al．Pow er system optimal scheduling including distributed wind power and energy storage system via virtual pow er plant［J］．Electric Pow er Construction，2016，37(11):108-114．

［11］NOJAVAN S，AALAMI H A．Stochastic energy procurement of large electricity consumer considering photovoltaic，w ind-turbine，micro-turbines，energy storage system in the presence of demand response program［J］．Energy Conversion＆Management，2015 (103):1008-1018．

［12］NGUYEND T，LE L B．Optimal bidding strategy for microgrids considering renew able energy and building thermal dynamics［J］．IEEE Transactions on Smart Grid，2014，5(5):1608-1620．

(編輯 郭文瑞)

Short-Term Trading Decision-Making for Large Consumer Considering Wind-PV-ES Hybrid Microgrid

FANG Risheng

(State Grid Fujian Electric Power Company，F(xiàn)uzhou 350003，China)

With the increasing maturity of renewable energy power generation technology and the openning of sale market side，distributed power users or micro network prosumer involved in the market transactions is getting more and more attention．Firstly，taking the large consumer of wind-PV-ES hybrid microgrid as research object，under the circumstance of day-ahead market，considering the volatility of renewable energy，this paper establishes the short-term trading decisionmaking model for the large consumer considering wind-PV-ES hybrid microgrid which includes wind turbines，photovoltaic cells and energy storage system．Next，based on the proposed model，the transaction risk for large consumer considering wind-PV-ES hybrid microgrid is assessed by the method of condition value at risk，which can provide a practical measure to assess the risk of large consumer considering wind-PV-ES hybrid microgrid participating in the energy market．At last，the test results verify the correctness and rationality of the model，which shows that storage battery are helpful to reduce the risk of large consumer participating in the short-term market．

power prosumer;wind-PV-ES hybrid microgrid;large consumer;short-term trading;condition value at risk (CVaR)

TM 71

A

1000－7229(2017)03－0130－07

10.3969/j．issn.1000－7229.2017.03.018

2016-10-20

方日升(1969)，男，博士，高級工程師，主要從事電力調(diào)度與電力交易管理等方面的研究工作。