考虑储能装置的负荷聚合商运营策略研究

苏超，武小梅，田明正

（广东工业大学自动化学院，广东 广州 510006）

考虑储能装置的负荷聚合商运营策略研究

苏超，武小梅，田明正

（广东工业大学自动化学院，广东 广州 510006）

负荷聚合商作为中小型用户参与电力市场的代理，可以起到整合分散负荷，提供电能批发服务的作用。针对由于用户用电负荷不确定性造成负荷聚合商在实时市场支付额外成本的问题，从减少负荷聚合商运营成本角度出发，将电能储存装置与电动汽车储能技术应用于负荷聚合商日前市场运营，提出了考虑储能装置的负荷聚合商日前市场运营策略。结果表明：该策略可有效减少日前市场购买电量与用户实际用电量之间的误差，降低负荷聚合商的运营成本。

负荷聚合商；需求侧响应；负荷预测；能量存储系统；电动汽车

随着智能电网技术的发展和普及，越来越多的居民用户安装了先进的电能计量装置、实时通信设备及智能控制电气设备，为整合中小型用户负荷资源提供了可能性。在目前大用户需求响应资源日渐饱和的情况下，一种专门为整合中小型负荷需求响应资源的市场主体—负荷聚合商（Load Aggregator，LA）由此出现。负荷聚合商作为市场与用户的中间方，与用户签订用电合约，依照计划向市场购买电能为用户提供电能［1］，其最大的优点是整合了大量的中小型负荷用户，以达到中小型负荷用户参与市场调节的容量门槛，为中小型负荷参与市场提供了可行性［2］，同时，LA能通过更好的技术和营销手段引导相对分散的中小用户自愿参与需求响应，缓解以往对用户的强制性合约束缚，更深程度地开发和利用中小用户的自愿响应行为［3］，因而LA成为近来国内外学者研究的热点。

在分布式电源普及以及可再生能源渗透率不断提高的大环境下，负荷聚合商单纯依靠用户日前提供的负荷需求数据对用户次日用电量进行预测精度是远远不够的［4］，为了实现最优的日前市场购电计划，减小购电成本，需要考虑用户用电与购买电量的供需平衡。目前负荷聚合商大多以价格方式引导用户的用电行为，所以需要制定相应的运营策略以降低自身运营成本。考虑到负荷聚合商所面临的弊端，研究智能电网环境下的负荷聚合商运行策略势在必行。

1 研究现状及需要解决的问题

1.1 研究现状

目前在国外已有较多关于负荷聚合商运行策略的研究，文献［5-8］研究了负荷聚合商参与需求响应项目中的作用机制、前景并对如何参与电力市场竞价等方面进行了总结。文献［9］中详细介绍了美国EnerNOC公司、Comverge公司，澳大利亚Energy Response Pty Ltd公司、法国Voltails公司等聚合商的发展情况，这些企业开展业务相对较早，所以都已具有相当规模及成熟的运营体制，可以提供的响应容量也已达到一定规模。文献［10］提出了一种基于MPC的调度和运营策略，验证了利用大型储能装置（electric energy storage，EES）的负荷聚合商日前计划制定的可行性。

我国对于负荷聚合商的研究起步较晚，但发展迅速，现已有不少学者对该方面做出了研究，研究方向大多为负荷聚合商用户用电的优化调度［11-12］，或是侧重于其对电网运行稳定性影响方面的研究［13-14］，而对于负荷聚合商参与日前市场策略研究很少有涉及。随着我国电力市场化改革的进行，中小用户拥有参与市场的意愿，负荷聚合商也需要从市场购买电量，因此，研究负荷聚合商的运行策略具有重要的意义。

1.2 需要解决的问题

（1）目前国内电力市场中中小用户用电量的预测主要依靠用户自身申报，精确度不高。在电力现货交易环境下，用户电量预测误差会导致聚合商在实时市场中支付额外的平衡成本，因此，进一步提升用户负荷预测的准确度十分必要。

（2）以电动汽车为代表的新型灵活储能正处于快速发展的阶段，在不远的将来，储能将对电力市场运营产生很大的影响。当前将储能与负荷聚合商相结合的研究并不多见，考虑储能的负荷聚合商运营策略问题需要进一步的研究。

2 解决方案

2.1 负荷聚合商日前市场运营模式

由于国内目前尚未实行日前电力市场，因此本文以美国PJM电力市场下的日前市场规则为依据进行研究。在日前电力市场中，市场成员每天8：00～12：00向市场运行部门PJM-OI（office of the interconnection）提交第二天的投标计划。PJM-OI在每天12：00～14：00结合系统有关信息对各成员的投标计划进行评估，系统信息包括预期用户需求、气候条件、输电线路、发电机组等，评估完成后，选择最有效、最经济的运行方式。PJM-OI在每天 14：00～16：00，向各成员通报评估结果，在16：00至第二天8：00，PJM还可以根据系统经济性、可靠性等方面的要求做一定调整［15-16］。

负荷聚合商的用户资源中最主要的是居民用户，也包括部分大型工商业用户，还包括一些小型发电机、备用电源等。这些用户资源具体可以分成以下几种：可削减负荷、分布式电源和储能装置。其中可削减的负荷包括空调系统、照明系统等，储能装置包括储能电站等固定储能以及电动汽车（electric vehicle，EV）等可移动式储能，其中分布式电源分散安装在用户侧，为解决用户负荷不确定性的影响和为市场提供调峰服务等。负荷聚合商的控制资源如图1所示。

在日前市场中，负荷聚合商根据第二天的用户需求向系统申报购电电量与价格。日前市场关闭后，系统运营商将确定哪些报价被接受，并计算出第2天的每个时段的市场出清电价。假设负荷聚合商的所有申报电量都可以成交并且单个聚合商的申报电量不影响市场出清价格，则日前市场购电成本为

式中:Qda(i)—负荷聚合商在日前市场中i时段购买的电量；

Pda(i)—i时段对应的日前市场电价;

Cda—日前市场购买所需的成本。

1天内总购电成本是当天每个时段的购电成本的总和。负荷聚合商在日前市场中的计划购电量是根据其负荷预测所决定的，而负荷预测值总是存在偏差。在实际运行中，负荷聚合商需要根据用户实际用电负荷在实时市场中进行电量平衡，缺额电量需从实时市场中购买，剩余电量需在实时市场中卖出，该部分成本为

式中：Qactual(i)—实际运行时段i的用户负荷量；

Pbalancing(i)—实时平衡市场中的单位电价。

1天的实时平衡成本是每个时段的平衡成本的总和。为了简化计算，本文通过引入2个惩罚系数来计算实时市场中的不平衡电价。

式中:ωup、ωdowm—实时平衡市场中上调和下调的惩罚系数。

Prt(i)—i时段实时市场的现货电价。

根据参考文献［10］中对于平衡市场惩罚系数的设定，本文建议2个参数分别取为1.2和-0.8，负荷聚合商1天的总运营成本是每个时段日前市场购电成本加上实时平衡成本的总和。

2.2 负荷聚合商运营策略

2.2.1 提高负荷预测精度

传统的负荷聚合商将合约用户提前申报的第2天所需负荷量作为日前市场购电量依据，但随着分布式电源的普及，用户侧用电的不确定性变得越来越大，用户申报量偏差增加，依靠传统的购买方式将会增大负荷聚合商在实际运行中所支付的实时平衡成本。

从该角度出发，本文针对负荷预测精度对负荷聚合商成本的影响进行了研究，选择以下4种场景：

场景1，基于负荷聚合商的预测负荷等于实际负荷，即假设负荷聚合商完美预测了第2天所有合约用户的用电量，拟定日前市场购买方案。

场景2，基于用户申报负荷，拟定日前市场购买方案。

场景3，基于BP神经网络预测结果，拟定日前市场购买方案。

场景4，基于小波分解和BP神经网络预测结果，拟定日前市场购买方案。

由于神经网络与小波分解法已是较为成熟的技术，大量文献已有详细的解释说明，因此本文不再赘述，具体原理可参考文献［17-21］。

在所有场景中，日前市场购买电能所需的成本计算方法都为日前申报购电量与日前电价的乘积，假定负荷聚合商的所有申报电量都可以成交，且不影响日前市场的电价，则负荷聚合商在日前市场中所需成本为

由于存在负荷预测偏差，负荷聚合商需要在实时市场中购买或者出售不平衡电量，在实时平衡市场中，所有情景的实施平衡成本为

式中：Cbal——实施平衡市场的平衡成本。

则负荷聚合商1天运行中所需的成本综合为

式中：C—负荷聚合商一天运行中所需的成本。

2.2.2 设置储能装置

EES由其运行参数建模，包括最小和最大能量存储容量、充电功率限制、放电功率限制、充电效率和放电效率。存储级别必须在其最小和最大容量的范围内，充放电功率必须在其限度内，放电和充电操作中的功率损耗需要考虑充放电效率。

在运行期间，每个周期结束时的存储水平由上一期储存水平和该期间的充放电操作决定，参考文献［22］，可将储能装置充放电模型表示为

式中:I(i)—充电电能;

O(i)—放电电能;

ηc—充电效率;

X(i)—i时段末期储能水平。

其中所有变量都需要在EES的操作限制内，表示为

式中:Imax—充电功率限制；

Omax—放电功率限制；

Xmin、Xmax—最小和最大存储容量。

基于EES的特性，本文提出负荷聚合商通过EES优化日前电力市场购电计划的运行策略。通过EES优化日前购买计划的原则是，在日前电力市场电价低的时刻提前购买更多的电能，在日前电价高的时刻减少购买电能，从而最小化能源成本，并设置了4种情景对其经济性进行比较：

场景1，不使用EES，且假设无偏差预测负荷；

场景2，使用EES对日前购买计划进行优化，且假设无偏差预测负荷；

场景3，不使用EES对日前购买计划进行优化，有偏差预测负荷；

场景4，使用EES对日前购买计划进行优化，有偏差预测负荷。

负荷聚合商的日前市场最优购买方案的目标函数可以表达为线性规划问题，可以根据预测的负荷和电价最小化日前市场购电成本。其中目标函数为

式中：CEES—使用EES的日前市场购买电能成本。约束条件为

式中：Q′da(i)—负荷聚合商预测的负荷；

ηD—放电效率。

假定负荷聚合商改变的购买量不影响市场日前电价的制定，且全部投标负荷被市场清算。在向市场提交日前购买计划的时候，日前市场的实际能源成本为

预测的日前市场电价和负荷在最小化能源成本方面发挥了重要作用，如果可以完美预测，负荷聚合商可以最佳运行EES，通过在低价期间买入和存储更多的电能，同时通过使用EES存储条件支持下储存的电能来降低高电价期间买入的电能。

2.2.3 设置电动汽车储能

当电动汽车用作负荷聚合商的储能装置时，可以根据来自负荷聚合商的控制信号进行充电和放电。假设合约用户的EV被插于位于负荷聚合商所管辖的合约用户区域的充电站中，所有的个人EV被组合和建模为1个储能装置。负荷聚合商可以根据需要操作这些电池进行充电和放电，但需要确保在EV离开充电站之前，存储的电能必须高于所规定的最低水平提出最优调度方案来最小化负荷聚合商的成本。

基于V2G的特点，本文提出利用EV改变日前购买计划的负荷聚合商运行策略方案。由于负荷和电价预测精度对成本的影响与设置储能装置类似，将不再讨论，本方案将对基于假设的完美负荷和电价预测条件下的2种情景进行经济性分析。

场景1，假设完美预测用户用电负荷，负荷聚合商不使用EV；

场景2，假设完美预测用户用电负荷，EV插入立即充电或放电，直到达到日前计划存储电能，同时确保电动汽车在离开充电站时候存储能量在最低存储水平之上，对日前购买计划进行优化调度。

基于EV的日前计划最优购买方案的目标函数与利用EES的目标函数一样，但区别于EES的方案，利用EV不需要额外的建设储能电站EES，只需要与合约用户所在区域内个人EV车主达成一定的协议，运行方式与前者相比较，具有灵活，前期投资少等优点，而EV的缺点在于不能所有时段使用，结合文献［23］中对电动汽车储能特点的研究，可得出下列考虑电动汽车的日前市场交易模型。

其中目标函数为

约束条件为

负荷聚合商根据所签订的用户用电合约和个人EV合约用户实现日前计划最优购买方案，假设负荷聚合商的所有负荷投标被市场清算，个人EV没有存在违约的情况下，负荷聚合商日前实际能源成本为

2.3 仿真验证

本文采用PJM电力市场公布的负荷和电价数据，提取了PJM电力市场1号节点的历史数据，使用matlab进行仿真分析。对于策略一，通过历史数据预测2016年10月7日的负荷，不同负荷预测方法得到的预测结果如图2所示。不同预测方法结果误差统计见表1。

图2 不同预测方法的负荷预测结果

表1 负荷预测误差统计

从表1和图2可以看出，经由小波分解法与BP神经网络结合的方法无论从平均相对误差、最大相对误差还是相对误差超过±5%的时刻数，都要比其他2种方法更为精准，3种方法中用户申报法误差最大。

对策略一中不同精度预测方法下的聚合商成本进行计算，结果如表2所示。

表2 策略一不同场景下聚合商成本

从场景1和场景3、4比较可以得出，负荷预测的精确度越高，实时平衡市场的成本就越低（理论上为0）。场景2中的实时市场平衡成本为负数的原因是其用户申报的每个时刻所需的负荷普遍比实际负荷高很多，虽然在实时平衡市场中可以通过出售多余电能减少一定的成本，但在日前市场中购买电能的成本比其他场景要多很多。

从总成本上来说预测精度越高，总成本越低。场景3和场景4总成本几乎一样的原因是由于美国PJM电力市场的负荷波动性较小，在利用小波降噪的过程中去除的噪声较少，所以造成预测负荷的平均相对误差变化量不大，但在目前我国的电力市场中，负荷的平稳度并不如美国等发达国家，基于小波降噪的BP神经网络预测方法在减少实时平衡市场成本的优点对于我国的负荷聚合商运行将有很大的作用。

对于策略二，本文采用PJM的1号节点日前电价历史数据和负荷预测对2016年10月7日的日前电价进行预测，主要使用的EES装置是钠硫电池，目前普遍使用的钠硫电池的参数如表3所示。

表3 EES参数

假设负荷聚合商合约用户区域内有8个这样的EES装置，则日前市场每个时刻所需购买的电能对比如图3所示。

图3 使用EES后负荷聚合商日前市场购电量

通过增加储能装置可以改变负荷聚合商在日前市场的购买方案，在日前市场电价较低的时段在EES模型参数允许范围内大量购买电能储存起来，在日前市场电价高的时段从EES中释放出电能以减少在市场中购买的电能。

计算策略二中的各场景运营成本如表4所示。

表4 策略二不同场景下聚合商成本

场景1与场景2或者场景3和场景4相比较，在加入EES后，日前市场购买能源成本将下降。场景2和场景4相比较，预测的精准度对EES的利用会造成影响，负荷聚合商对合约用户的负荷预测和日前电价预测越精准将能更好地利用EES拟定最优的日前购买方案，以达到在满足合约用户需求的同时最小化能源成本。

对于策略三，设定EV电池参数如表5所示。

表5 EV电池参数

假设负荷聚合商用户区域内有5 000辆可用的合约电动汽车，对负荷聚合商的日前市场购买计划最优化，得到1天日前市场计划购买电能与实际所需电能的比较如图4所示。

图4 使用EV储能后负荷聚合商日前市场购电量

计算策略三中的各场景运营成本如表6所示。

表6 策略三不同场景下聚合商成本

从表6可以看出，场景1和场景2相比较，通过利用EV对负荷聚合商日前购买计划最优化，能减少日前市场购买能源成本，虽然相较于策略二减少的成本较少，但利用EV比利用EES的投资成本少，且运行灵活，同样也是一种有利的负荷聚合商运行方式。

3 效果评价

（1）对聚合商来说，传统的依靠用户申报负荷的预测方式精确度低，平均相对误差高达8.1%，1天内预测误差大于±5%的时刻数为19个。经过本文提出的BP神经网络预测方法和小波分解结合BP神经网络这两种方法预测后，平均相对误差分别为2.7%和2.2%，与传统方式相比下降了2.5%左右，1天内预测误差大于±5%的时刻分别降为4和1。因此，本文所提出的2种预测方法预测准确度高，且结合小波分解的BP神经网络预测方法比单纯BP神经网络预测效果更好。

（2）本文分别制定了考虑常规分布式储能EES与电动汽车这2种储能形式下聚合商的日前市场运营策略。在忽略预测误差影响的前提下，与传统不考虑储能策略下19 641.42美元的运营成本相比，设置EES后的聚合商总运营成本为18 555.37美元，设置电动汽车储能后的总运营成本为19 374.65美元，分别降低了1 086.04美元与266.76美元，证明配置储能装置可在聚合商市场运营中发挥积极作用，本文所提出的考虑储能的运营策略可有效降低负荷聚合商运营成本。

4 结论

（1）小波分解结合BP神经网络预测与传统用户申报预测方法相比预测误差有所降低，聚合商负荷预测精度的提升会使其运营成本下降，因此，本文提出的提高负荷预测精度的方法是可行的。

（2）考虑储能装置的负荷聚合商运营策略成本明显降低，相较于传统运营策略，主要是因为本文将储能模型与传统市场交易模型做出了结合，同时考虑负荷聚合商在日前市场与实时市场的运营联合起来进行优化。该方法科学合理，在现有研究的基础之上有所创新。

（3）在当前电动汽车保有量较少的情况下，配置电动汽车储能的运营策略使聚合商降低的成本小于配置传统储能装置EES的运营策略，原因是储能装置的配置容量大，可调用时间固定，但由于电动汽车具有灵活，调用成本低等特点，在未来电动汽车飞速发展的大环境下将成为聚合商配置储能的首选。因此，配置电动汽车储能的运营策略符合未来的发展趋势，具有较强的实用性。

［1］曾博,杨雍琦,段金辉,等.新能源电力系统中需求侧响应关键问题及未来研究展望[J].电力系统自动化,2015(17):10-18.

［2］WANG P,CHEN X,XIE J,et al.Optimal bidding strategies for LSEs in single-bargainer electricity markets[C]//International Conference on Electric Utility Deregulation and Restructuring and Power Technologies.IEEE,2008:510-514.

［3］王珂,姚建国,姚良忠,等.电力柔性负荷调度研究综述[J].电力系统自动化,2014,38(20):127-135.

［4］张开宇,宋依群,严正.考虑用户违约可能的负荷聚合商储能配置策略[J].电力系统自动化,2015(17):127-133.

［5］LEOU R C,TENG J H.The optimal portfolio of the dayahead market and real-time market for the load serving entities[C]//IEEE International Conference on Industrial Informatics.IEEE,2010:804-809.

［6］BJELOGRLIC M R,FROWD R,PAPALEXOPOULUS A.Congestion revenue rights valuation and procurement-A load serving entity perspective[C]//Power and Energy Society General Meeting-Conversion and Delivery of Electrical Energy in the,Century.IEEE,2008:1-7.

［7］MOHAGHEGHI S,RAJI N.Intelligent demand response scheme for energy management of industrial systems[C]//Industry Applications Society Meeting.IEEE,2012:1-9.

［8］VRETTOS E,OLDEWURTEL F,Vasirani M,et al.Centralized and decentralized balance group optimization in electricity markets with demand response[C]//Power tech.IEEE,2013:1-6.

［9］高赐威,李倩玉,李慧星,等.基于负荷聚合商业务的需求响应资源整合方法与运营机制[J].电力系统自动化,2013,37(17):78-86.

［10］XU Y,XIE L,SINGH C.Optimal scheduling and operation of load aggregator with electric energy storage in power markets[C]//North American Power Symposium.IEEE,2010:1-7.

［11］高赐威,李倩玉,李扬.基于DLC的空调负荷双层优化调度和控制策略[J].中国电机工程学报,2014,34(10):1546-1555.

［12］周磊,李扬,高赐威.聚合空调负荷的温度调节方法改进及控制策略[J].中国电机工程学报,2014,34(31):5579-5589.

［13］李春燕,王东,张鹏,等.计及负荷聚合商调度优先权的独立微网双层实时调度模型[J].电力系统自动化,2017,41(6):37-43.

［14］李彬,曹望璋,崔高颖,等.基于二次分组的避峰负荷优化调控方法[J].电网技术,2016,40(12):3904-3911.

［15］国家电力监管委员会.美国电力市场[M].北京:中国电力出版社,2005:119-123.

［16］朱兆霞,邹斌.PJM日前市场电价的统计分析[J].电力系统自动化,2006,30(23):53-57.

［17］徐军华,刘天琪.基于小波分解和人工神经网络的短期负荷预测[J].电网技术,2004,28(8):30-33.

［18］谢宏,陈志业,牛东晓,等.基于小波分解与气象因素影响的电力系统日负荷预测模型研究[J].中国电机工程学报,2001,21(5):5-10.

［19］向峥嵘,王学平.基于小波-神经网络的电力系统短期负荷预测[J].系统仿真学报,2008(18):5018-5020.

［20］王学平.基于小波变换和神经网络的短期负荷预测研究[D].南京理工大学,2007.

［21］孙云.小波分析在电力系统短期负荷预测中的应用研究[D].浙江大学,2005.

［22］吴雄,王秀丽,李骏,等.风电储能混合系统的联合调度模型及求解[J].中国电机工程学报,2013,33(13):10-17.

［23］潘樟惠,高赐威,刘顺桂.基于需求侧放电竞价的电动汽车充放电调度研究[J].电网技术,2016,40(4):1140-1146.

Research on operation strategy of load aggregator considering energy storage device

SU Chao,WU Xiaomei,TIAN Mingzheng
（School of Automation,Guangdong University of Technology,Guangzhou Guangdong 510006,China）

As the agent of the small and medium-sized customers in the electricity market,load aggregators can integrate the decentralized loads and provide wholesale electricity services to customers.Due to the uncertainty of the loads,the aggregator has to pay an additional cost in the realtime market,from the perspective of reducing the aggregator’s operation costs,and the application of energy storage device and electric vehicle power storage technology in load aggregator’s daily market operation,puts forward load aggregator’s daily market operation strategies considering the energy storage device.The result shows that this strategy can effectively decrease the errors between the power by market to purchase and the actual power by customer to consumption,and reduce the operation cost of the load aggregator.

load aggregator;demand side response;load forecast;energy storage system;electric vehicle

10.3969/j.issn.1672-3643.2017.05.003

2017-07-08

苏超（1985），男，工程师，从事电力系统科技进步工作。

TM 761.2

A

1672-3643（2017）05-0017-08

有效访问地址：http://dx.doi.org/10.3969/j.issn.1672-3643.2017.05.003