近年来，日益增长的电力需求与环境保护之间的矛盾日益突出。构建风电、光伏等新能源占比逐渐提高的新型电力系统，同时积极推进“新能源+储能”多能互补发展，已成为电力部门实现能源转型的必然要求。

  《中国电力》2024年第4期刊发了武群丽等人撰写的《可再生能源配额制下风光储联合参与现货市场的交易决策》一文。文章建立了可再生能源配额制下独立风电发电商、光伏发电商及储能电站联合参与日前电能量及调频辅助服务市场的双层交易决策模型。模型考虑到了风光储内部的协调调控。之后通过库恩-塔克（Karush-Kuhn-Tucker，KKT）定理、强对偶定理及大M法将双层模型转换为混合整数线性规划 （mixed integer linear programming，MILP）模型进行求解。最后，以修改的IEEE-14节点系统为例进行仿真，验证了所提模型的有效性。

  摘要 可再生能源配额制与现货市场建设的并行推进引起风电发电商、光伏发电商及储能电站（风光储）联合参与现货市场的交易决策发生变化。通过构建双层交易决策模型，对可再生能源配额制下风光储联合参与日前电能量及调频辅助服务市场的交易决策进行求解分析。模型上层以风光储总利润最大化为目标，同时考虑到风光储的内部调控，求解风光储最优交易策略；下层实现日前电能量和调频辅助服务市场的联合出清及绿色证书市场的清算。通过库恩-塔克（Karush-Kuhn-Tucker，KKT）条件、强对偶定理等方法将双层模型转换为混合整数线性规划问题进行求解。最后，通过算例验证了所提模型的有效性。结果表明：所提框架与模型能够优化风光储报量报价决策；可再生能源配额制的引入丰富了风光储的套利手段，风光储内部调控更加活跃；风光渗透率及配额制考核权重的变化对风光储的交易决策有重要影响。

  1 市场架构

  1.1 市场系统架构

  本文在借鉴国外典型现货市场及绿证市场运行规则的基础上，结合中国相关市场交易机制，提出了现货和绿证联合市场的系统架构。

  本文建立的现货市场包括日前电能量和调频辅助服务市场。电能量市场的参与者包括风电发电商、光伏发电商、储能电站、常规发电商及电力用户。发电侧报量报价，用户侧报量不报价。调频辅助服务市场的参与者包括储能电站及常规调频机组，参与者报量报价。在运营日前一日，各市场主体按照市场规则以小时为单位在电能量及调频辅助服务市场报量报价。在运营日，独立系统运营商（independent system operator，ISO）根据市场主体申报情况以小时为单位，采用全电量集中优化的电能量和调频辅助服务市场联合出清得到现货市场清算结果。其中，电能量市场采用节点电价交易结算，调频辅助服务市场采用调频容量及调频里程补偿的“两部制”结算方式。

  从风险规避角度考虑，现货市场出清后，绿证数量更加确定。因此本文假设绿证市场的清算在现货市场出清之后进行，由ISO代理运行，清算周期与现货市场保持一致。绿证市场存在捆绑式和非捆绑式2种交易形式。前者捆绑出售绿色电力及相应的绿证，即配额制责任方在购买绿色电力的同时获得相应的绿证；非捆绑式交易将电力交易和绿证交易分开进行，即购买绿色电力无法获得相应的绿证，配额制责任方须额外购买绿证以满足配额要求。考虑到非捆绑式交易有助于避免大规模跨区出售绿色电力造成的输电阻塞及电力调度问题，以及集中竞价交易无法一对一确定绿色电力的消纳方，本文假设绿证市场采用非捆绑式交易。另外，本文假设配额制责任方为电力用户，对1 MW·h的绿色电力，核发1个绿证。

  1.2 风光储参与联合市场交易的框架

  首先，风光储决定其内部的调控策略，即风电、光伏发电商须决定向储能电站的充电功率。风光储内部调控结束后，风电、光伏发电商在电能量市场申报剩余功率及价格；由于储能电站在电能量市场的报量和在调频辅助服务市场的报量相关联，储能电站应在对剩余功率进行协调分配的基础上，在电能量市场申报充放电功率及价格，在调频辅助服务市场申报调频容量/里程、价格和运行参数。之后，ISO进行电能量和调频辅助服务市场联合出清，确定每台机组的中标量及各市场出清价格。现货市场出清后，风光储在绿证市场出售绿证获得收益。结合市场系统架构和风光储交易流程，制定风光储参与联合市场交易的框架，如图1所示。

  2 双层交易决策模型

  风光储联合参与现货市场的交易决策问题可以被表述为一个双层交易决策模型。在上层，风光储以实现总利润最大化为目标制定其交易策略，并将交易策略传递给下层。在下层，ISO进行市场出清，之后将市场出清结果返回给上层。下层模型1对应日前电能量及调频辅助服务市场的联合出清，下层模型2对应绿证市场的清算。双层交易决策模型的结构如图2所示。

  2.1 上层风光储最优决策模型

  光储的总利润由电能量市场利润Rem、调频辅助服务市场利润Ram及绿证市场利润Rtgc三部分组成，上层模型的目标函数为风光储负总利润最小化，即

  2.2 下层模型1：电能量及调频辅助服务市场联合出清模型

  2.3 下层模型2：绿证市场出清模型

  2.3.1 颁发给风光储的绿证数量

  各时间段颁发给风光储的绿证数量由t时刻风光总出力决定，包括风电机组出力、光伏机组出力及通过储能电站释放的风光出力。

  本文假设储能电站优先释放储存的风光充电量。在t时刻储能电站k获得的绿证数量由图3所示的求解流程进行求解。图3中：图片分别表示t时刻储能电站k的总风光充电量及剩余风光充电量；图片表示t时刻风光储通过储能电站k出力获得的绿证数量。当t时刻储能电站剩余风光充电量小于放电量时，储能电站释放所有的风光充电量并获得相应数量的绿证；当t时刻储能电站剩余风光充电量大于放电量时，储能电站获得其放电量对应数量的绿证。

  2.3.2 绿证市场出清价格

  绿证市场的出清价格由绿证市场供需决定，如图4所示。绿证的供给量在周期t内保持不变，t时刻出清的绿证数量图片和绿证的出清价格图片分别为

  3 模型转化与求解

  第2章提出的双层交易决策模型无法直接进行求解，本章首先采用下层模型等效的KKT条件替代下层模型，将双层模型转化为单层非线性模型。之后采用强对偶定理、大M法对非线性项进行线性化处理，将双层交易决策模型最终转化为MILP模型进行求解。

  下层模型1的KKT条件不再给出。由于下层模型2中不存在优化问题，下层模型2可以直接集成到上层模型的约束中。最终，双层模型转化为单层模型。

  转化后的单层模型存在2种类型的非线性问题，需要进行线性化处理，步骤如下。

  4 算例分析

  4.1 算例参数

  本文以修改的IEEE-14节点系统为例，进行仿真，验证上述双层交易决策模型的有效性。修改的IEEE-14节点系统包括8台发电机组（G1~G8）、1台储能电站（E）和3个负荷（D1~D3）。G1~G6为常规发电机组，分别属于常规发电商1~6，申报信息如表1所示，其中G1、G3、G4和G6为调频机组。G7、G8分别为光伏机组、风电机组，装机容量均为200 MW，分别属于光伏发电商、风电发电商。负荷D1~D3分别属于电力用户D1~D3。典型日的风光出力曲线及负荷曲线如图5所示。储能电站容量为50 MW/250 MW·h，充放电效率为0.95，荷电状态限制在10%~90%，初期及末期荷电状态均为50%。系统总调频容量需求为总负荷的5%，系统调频里程-容量比取10。该节点系统算例忽略了输电阻塞的影响，电能量市场各个节点的边际电价（locational marginal price，LMP）相等，统称为系统边际电价（system marginal price，SMP）。参照文献[5]及政府政策，绿证最高价格图片设定为400元/(MW·h)，交易价格系数νtgc设定为0.3，初始RPS考核权重θtgc设定为10%。

  4.2 不同市场环境下风光储的交易决策

  为了对比分析不同市场环境下风光储的交易决策，本文设置了SM及STM 2种市场场景。其中SM为仅考虑现货市场的场景，STM为联合考虑现货市场和绿证市场的场景。

  4.2.1 风光储内部调控分析

  图6给出了SM及STM场景下市场总负荷及储能剩余容量的变化曲线。可知储能电站在用电高峰时期采取放电策略，在用电低谷时期充电以补充电量。采用标准差（SD）测量储能剩余容量的离散度，STM场景下的SD值高于SM场景，表明STM场景下储能容量的波动较大，储能电站在电能量市场的表现更为活跃。图7给出了SM及STM场景下储能电站充放电的详细信息。可以看出，储能电站充电量主要来自风光充电，从主网购买的电量占据极小比例。其次，STM场景下风光充电量及储能充放电量均高于SM场景。

  造成上述现象的原因在于，STM场景下风光储在绿证市场进行跨时期套利。在用电低谷时段，绿证需求较少，风光发电商通过增加其向储能电站的充电量以减少绿证供给量，储存部分绿证；在用电高峰时段，绿证需求增加，储能电站增加释放的风光出力以增加绿证供给量。

  4.2.2 风光储报量报价决策分析

  在电能量市场，风电发电商、光伏发电商及储能电站均申报最低放电价格，以期出售其申报的全部放电量，储能电站申报最高充电价格，以期购买其申报的全部充电量；在调频辅助服务市场，储能电站申报最低价格，以期出售其申报的全部调频容量及调频里程。因此风电发电商、光伏发电商及储能电站在电能量及调频辅助服务市场的中标量等于其报量，风光储的申报决策主要体现在报量决策。本文通过分析市场中标情况对风光储的报量决策进行分析。

  由图8 SM和STM场景下电能量市场中标情况可以看出，电能量市场主要的发电需求由常规机组承担，常规机组一天内的累计出力均维持在系统总出力的80%左右。由于风光储在绿色证书市场的套利行为，与SM场景相比，STM场景下风光申报的放电量减少，储能申报的放电量增加，部分风光出力转移到储能，储能申报的充电量始终维持在较低水平。

  图9给出了SM与STM场景下调频辅助服务市场总中标比率情况。可以看出，SM和STM场景下储能电站均承担约60%的调频容量需求，而储能电站提供的调频里程约占系统总调频里程需求的80%。这是由于储能电站的调频性能高于常规调频机组，在提供相等调频容量的情况下，储能电站提供的调频里程要高于常规调频机组。储能电站申报的调频容量及调频里程与其在电能量市场申报的充放电量相关联，随着可再生能源配额制的引入，储能电站在电能量市场申报的充放电量增加，进而导致储能电站申报的调频容量及调频里程减少。

  4.3 风光渗透率及RPS考核权重对风光储交易决策的影响

  为了研究风光渗透率及RPS考核权重对风光储交易决策的影响，本文假设风电及光伏机组的装机容量均逐步增加到300 MW，每段增量为25 MW，风光渗透水平从22.1%增加到29.85%。RPS考核权重以步长为2.5%同步递增至20%。

  4.3.1 对风光储内部调控的影响分析

  图10给出了各风光渗透率及RPS考核权重下储能电站充放电的详细信息。可见，风光充电量及储能放电量随着风光渗透率及RPS考核权重的增加先增加后减少。原因在于早期随着风光渗透率及RPS考核权重的增加，在用电低谷时刻，增加的绿证需求较少，增加的风光出力一部分用于获取绿证以满足增长的绿证需求，剩余部分通过储能电站存储起来，风光充电量增加；在用电高峰时刻，增加的绿证需求较多，储能增加释放的风光出力以增加绿证供给量，储能放电量增加。然而随着风光渗透率进一步的增加，各时刻风光出力逐渐增加，风光储“低充高放”的套利行为受到一定程度的限制，风光充电量及储能放电量减少。

  4.3.2 对风光储报量决策的影响分析

  由于风光储市场中标量与其报量相等，本节依据风光储市场中标情况的变化对风光储报量决策的影响进行分析。各风光渗透率及RPS考核权重下电能量市场中标情况如图11所示。随着风光渗透率及RPS考核权重的增加，风光申报的放电量呈上升趋势，风光机组每增加50 MW的装机容量，就平均以约2.47的百分比取代常规发电机组；储能申报的放电量先增加后减少。图12给出了各风光渗透率及RPS考核权重下调频辅助服务市场中标情况。储能电站在调频辅助服务市场申报的调频容量及调频里程与在电能量市场申报的充放电量变化趋势相反。随着风光渗透率及RPS考核权重的增加，储能电站申报的调频容量及调频里程先减少后增加。

  5 结论

  本文构建了一个双层交易决策模型以模拟可再生能源配额制下风光储参与日前电能量及调频辅助服务市场的交易决策。通过下层模型的KKT条件及强对偶定理等方法将双层模型转化为MILP模型进行求解。最后通过算例对比分析了不同市场环境下、不同风光渗透率和RPS考核权重下风光储的最优交易决策，验证了所提模型的有效性。主要结论如下。

  1）储能电站在用电高峰时期采取放电策略，在用电低谷时期主要通过风光充电来补充电量，从主网购买的电量始终维持在较低水平。

  2）引入可再生能源配额制后，风光储在绿证市场的套利行为导致各时刻风光储内部调控更加活跃，储能放电量增加，风光放电量减少，电能量市场部分风光出力转移到储能。与储能申报的充放电量变化相反，储能申报的调频容量及调频里程下降，储能电站将更少的电量用于提供调频服务。

  3）随着风光渗透率及RPS考核权重的增加，风光充电量及储能放电量呈先增加后小幅度减少的趋势，风光放电量呈上升趋势，储能提供的调频容量及调频里程与储能充放电量变化趋势相反。

  注：本文内容呈现略有调整，如需要请查看原文。