面向电力现货市场的独立储能日前交易策略系统及方法与流程

1.本发明属于独立储能技术领域，涉及独立储能日前交易策略策略，尤其是一种面向电力现货市场的独立储能日前交易策略系统及方法。


背景技术：

2.随着我国电力市场改革的不断深入，电力现货市场交易主体及交易品种日趋丰富，独立储能也逐步成为电力现货市场交易主体。电力现货市场中的调频辅助服务市场与电能量市场分开运行、协调出清。调度机构根据系统运行需求，确定调频服务总调节速率需求量，调频市场在日前，采用集中竞价方式确定中标主体。
3.独立储能商在参与电力现货市场时，要在日前(运行日前一天)决定在电能量市场的发电计划及调频辅助服务市场的投标策略。面对复杂多变的市场信息，独立储能商依靠主观经验进行决策时往往不能达成利润最大化的目标。现有技术中，储能系统的交易策略研究大多集中在电网侧“削峰填谷”及需求响应方面，而未考虑储能系统作为独立储能商在电力现货市场环境下的利润最大化问题。


技术实现要素：

4.本发明的目的在于克服现有技术的不足，提出一种面向电力现货市场的独立储能日前交易策略系统及方法，为独立储能商在电力现货市场中做出科学合理的决策，提高独立储能商的收益。
5.本发明解决其技术问题是采取以下技术方案实现的：
6.一种面向电力现货市场的独立储能日前交易策略系统，包括登录认证模块、数据录入模块、预测模块、数据处理模块和数据输出模块；
7.所述登录认证模块：用于独立储能用户的自我身份确认；
8.所述数据录入模块与登录认证模块相连，用于录入预测模块所需的预测数据以及数据处理模块所需的独立储能相关参数；
9.所述预测模块与数据录入模块相连，用于获取数据录入模块录入的预测数据，根据预测数据对运行日市场信息进行预测，并将得到的运行日预测市场信息传送至数据处理模块；
10.所述数据处理模块与预测模块相连，用于获取预测模块传送过来的运行日预测市场信息，根据预测市场信息及独立储能相关参数进行策略选择并计算运行日预估收益；
11.所述数据输出模块与数据处理模块相连，用于将数据处理模块传送过来的运行日策略选择与电能量市场及调频辅助服务市场预估收益输出形成报表。
12.进一步，所述预测模块所需的预测数据包括：统调负荷历史值、运行日统调负荷预测值、外送计划历史值、运行日外送计划预测值、新能源出力历史值、运行日新能源出力预测值、可用容量历史值、运行日可用容量、调频容量历史值、运行日调频容量和节点电价历史值、调频辅助服务价格历史值和独立储能调频深度历史值；所述数据处理模块所需的独
立储能相关参数包括：电池储能系统容量、初始荷电状态、最高与最低荷电状态、最大充电功率与放电功率、历史平均调频性能、调度时段数以及对应的时间信息。
13.进一步，所述预测模块在预测时，通过bp神经网络模型及粒子群算法对运行日的电能量价格与调频辅助服务价格进行预测；通过多项式曲线拟合法对独立储能调频深度进行预测。
14.进一步，所述数据处理模块在数据处理时，通过判断运行日电能量价格价差来决定运行日是否参与电能量市场以及参与电能量市场的调度时段；计算独立储能在调频辅助服务市场中的预估收益与独立储能在运行日的预估总收益。
15.一种面向电力现货市场的独立储能日前交易策略系统的实现方法，包括以下步骤：
16.步骤1：通过数据录入模块输入预测模块所需的预测数据以及数据处理模块所需的独立储能相关参数；
17.步骤2：通过预测模块建立bp神经网络模型，采用粒子群算法进行参数优化得到训练好的bp神经网络模型；
18.步骤3：预测模块将预测数据输入至经粒子群算法优化过的bp神经网络模型中，通过bp神经网络模型输出运行日各调度时段节点的运行日市场信息；
19.步骤4：预测模块对历史调节负荷分量与历史调频深度进行多项式拟合，得到拟合曲线方程；再将运行日调节负荷分量作为自变量输入拟合曲线方程，得到预测调频深度。
20.步骤5：数据处理模块判断预测模块所得到的预测电能量市场价差是否达到电能量投标阈值，是则在最大价差时段投标电能量市场，其他时段投标调频辅助服务市场；否则全部投标调频辅助服务市场；最后计算运行日预估收益。
21.进一步，所述预测模块所需的预测数据包括：统调负荷历史值、运行日统调负荷预测值、外送计划历史值、运行日外送计划预测值、新能源出力历史值、运行日新能源出力预测值、可用容量历史值、运行日可用容量、调频容量历史值、运行日调频容量和节点电价历史值、调频辅助服务价格历史值和独立储能调频深度历史值；所述数据处理模块所需的独立储能相关参数包括：电池储能系统容量、初始荷电状态、最高与最低荷电状态、最大充电功率与放电功率、历史平均调频性能、调度时段数以及对应的时间信息。
22.进一步，所述步骤2的具体实现方法为：
23.步骤2.1：确定bp神经网络的具体结构、层数及各节点的数量并初始化神经网络；
24.步骤2.2：对粒子群粒子编码，建立粒子群与权值和阈值之间的关系，粒子群的粒子维度为步骤2.1所述神经网络的所有权值与阈值之和；
25.步骤2.3：初始化粒子群的粒子个数、粒子速度和粒子位置，并设置粒子群算法的学习因子、最大迭代次数和惯性权重参数；
26.步骤2.4：对步骤2.3中的粒子进行适应度计算，采用bp神经网络训练得到的市场信息预测值与市场信息历史值之间的误差作为适应度值；所述适应度值f计算的公式为
[0027][0028]
其中，xk表示节点电价历史值；x
′k表示通过bp神经网络得到的节点电价预测值；yk表示调频辅助服务价格历史值；y
′k表示通过bp神经网络得到的调频辅助服务价格预测值，
m表示训练样本的个数；
[0029]
步骤2.5：判断是否满足结束条件，是则将粒子群的种群作为最优解，执行步骤2.7；否则执行步骤2.6；
[0030]
步骤2.6：判断粒子是否陷入局部最优，是则对当前粒子群进行模式搜索，更新粒子群的位置和速度，再执行步骤2.4；否则更新粒子群的位置和速度，再执行步骤2.4；
[0031]
步骤2.7：将满足结束条件的粒子输出，还原成相对应的权值和阈值，对bp神经网络相关参数进行赋值处理；
[0032]
步骤2.8：对bp神经网络进行二次学习训练直到达到性能指标要求，最终获得训练好的bp神经网络模型，该bp神经网络模型即为预测模型。
[0033]
进一步，所述步骤4的具体实现方法为：
[0034]
步骤4.1：计算各时段的历史调节负荷分量：
[0035]
步骤4.2：采用最小二乘法对步骤4.1得到的历史调节负荷分量与历史调频深度进行多项式拟合，得到拟合曲线方程；
[0036]
步骤4.3：计算运行日的各时段调节负荷分量，再代入步骤4.2所述拟合曲线方程得到运行日各时段的预测调频深度。
[0037]
9、根据权利要求8所述的面向电力现货市场的独立储能日前交易策略系统的实现方法，其特征在于：所述步骤4.1和步骤4.3按照下式计算调节负荷分量：
[0038]
lf
t
＝average(l
t-(m-1)
，l
t-(m-2)
，...，l
t
，l
t+1
，l
t+2
，
…
，l
t+m
，)
[0039]
lm
t
＝l
t-lf
t
[0040]
其中，l
t，
表示t时段的统调负荷实际值；lf
t
表示经过滚动平均法平滑处理后t时段的统调负荷值；2m是滚动平均的负荷量值的个数；lm
t
是t时段的调节负荷分量；
[0041]
所述步骤4.2得到的拟合曲线方程如下：
[0042]dt
＝α+α1lm
t
+α2(lm
t
)2++α3(lm
t
)3+α4(lm
t
)4[0043]
其中，d
t
表示t时段的调频深度；α、α1、α2、α3、α4为拟合曲线方程的参数。
[0044]
进一步，所述步骤5的具体实现方法为：
[0045]
步骤5.1：设定电能量市场价差阈值；
[0046]
步骤5.2：判断步骤3所得到的电能量市场价格价差是否达到步骤5.1设定的阈值，是则执行步骤5.3，否则执行步骤5.4；
[0047]
步骤5.3：计算并输出投标电能量市场及调频辅助服务市场时的运行日预估收益r1，具体方法如下：
[0048]
在(t
l-a
，...，t
l-1
，t
l
，t
l+1
，...，t
l+a
)时段充电；在(t
h-b
，...，t
h-1
，th，t
h+1
，...，t
h+b
)时段进行放电，其他时段投标调频辅助服务市场，其中t
l
表示电价最低点时段，th表示电价最高点时段；2a为从初始荷电状态到最大荷电状态的充电总时长，2b为从最大荷电状态到最小荷电状态的放电总时长，计算公式如下：
[0049][0050][0051]
其中，e
max
表示最大荷电状态；e
min
表示最小荷电状态；e0表示初始荷电状态；ec表示
独立储能系统容量；p
inmax
表示最大充电功率；p
outmax
表示最大放电功率；
[0052]
预估运行日收益r1的计算公式如下：
[0053][0054]
其中，r1表示运行日预估收益；p
e，t
表示t时段电能量市场价格；t0表示投标调频辅助服务市场的时段；d表示运行时段的调频深度；k
pd
表示独立储能的历史调频性能；表示t0时段的调频辅助服务市场价格；c
agc
表示调频贡献率，由市场规则决定；
[0055]
步骤5.4：计算并输出全部时段投标调频辅助服务市场时的输出运行日预估收益r2，其计算公式如下：
[0056]
r2＝∑
td×
[ln(k
pd
)+1]
×
p
agc，t
×cagc
。
[0057]
本发明的优点和积极效果是：
[0058]
本发明设计合理，其充分考虑了储能系统作为独立储能商在电力现货市场环境下的利润最大化问题，通过改进的pso-bp神经网络算法(结合粒子群的神经网络算法)与多项式曲线拟合法对电力现货市场中的电能量价格、调频辅助服务市场价格及调频深度进行预测，根据所预测的市场信息在电能量市场与调频辅助服务市场投标，并输出运行日预估收益，为独立储能商在电力现货市场中做出科学合理的决策，提高独立储能商的收益。
附图说明
[0059]
图1为本发明的独立储能日前交易策略系统连接图
[0060]
图2为本发明的pso-bp神经网络算法流程图；
[0061]
图3为本发明的bp神经网络的结构图；
[0062]
图4为本发明的调频深度拟合曲线图；
[0063]
图5为采用本发明得到的某运行日电价预测结果图。
具体实施方式
[0064]
以下结合附图对本发明做进一步详述。
[0065]
本发明的设计思想是：独立储能日前交易策略策略是指独立储能在参与电力现货市场时需决定选择交易策略品种及计划。在电力现货市场中，独立储能在同一时段只能选择对电能量或调频辅助服务中的一项进行投标，因而要想实现收益最大化就要在运行日前对两个市场的相关进行预测，并根据预测结果来选择投标策略。独立储能在参与电能量市场时需要在竞价日申报运行日各调度时段的自调度曲线，即作为一个价格接受者，申报运行日充电和放电计划，无需申报充放电价格。在结算时，独立储能的收入即为发电量乘以节点边际电价，在充电即用电时，独立储能的电费支出为放电量乘以节点边际电价；独立储能在参与调频辅助服务市场时，在竞价日申报运行日的调频辅助服务价格，经过市场集中竞价出清确定调频辅助服务价格与各主体中标容量，在结算时，独立储能的收入根据运行日的调频深度、调频性能、调频辅助服务市场出清价格、调频贡献率确定，鉴于调频辅助服务市场中的边际机组通常为火电机组，因此独立储能在参与调频辅助服务市场时投标则默认中标。
[0066]
基于上述设计思想，本发明提出一种面向电力现货市场的独立储能日前交易策略系统，如图1所示，包括登录认证模块、数据录入模块、预测模块、数据处理模块和数据输出模块，其中：
[0067]
所述登录认证模块：用于独立储能用户的自我身份确认。
[0068]
所述数据录入模块与登录认证模块相连，用于录入预测模块所需的预测数据以及数据处理模块所需的独立储能相关参数。
[0069]
预测模块所需的预测数据包括：统调负荷历史值、运行日统调负荷预测值、外送计划历史值、运行日外送计划预测值、新能源出力历史值、运行日新能源出力预测值、可用容量历史值、运行日可用容量、调频容量历史值、运行日调频容量和节点电价历史值、调频辅助服务价格历史值、独立储能调频深度历史值。
[0070]
数据处理模块所需的独立储能相关参数包括：电池储能系统容量、初始荷电状态、最高与最低荷电状态、最大充电功率与放电功率、历史平均调频性能、调度时段数以及对应的时间信息。
[0071]
所述预测模块与数据录入模块相连，获取数据录入模块录入的预测数据，根据预测数据对运行日市场信息进行预测，得到运行日预测市场信息并传送至数据处理模块。
[0072]
预测模块在预测时，通过bp神经网络模型及粒子群算法对运行日的电能量价格与调频辅助服务价格进行预测；通过多项式曲线拟合法对独立储能调频深度进行预测。
[0073]
所述数据处理模块与预测模块相连，获取预测模块传送过来的运行日预测市场信息，根据预测市场信息及独立储能相关参数进行策略选择并计算运行日预估收益。
[0074]
数据处理模块在数据处理时，通过判断运行日电能量价格价差来决定运行日是否参与电能量市场以及参与电能量市场的调度时段；计算独立储能在调频辅助服务市场中的预估收益与独立储能在运行日的预估总收益。
[0075]
所述数据输出模块与数据处理模块相连，将数据处理模块传送过来的运行日策略选择与电能量市场及调频辅助服务市场预估收益输出形成报表。
[0076]
基于上述面向电力现货市场的独立储能日前交易策略系统，本发明还提出一种面向电力现货市场的独立储能日前交易策略策略方法，包括以下步骤：
[0077]
步骤1：通过数据录入模块输入预测模块所需的预测数据以及数据处理模块所需的独立储能相关参数。
[0078]
所述预测数据包括：统调负荷历史值、运行日统调负荷预测值、外送计划历史值、运行日外送计划预测值、新能源出力历史值、运行日新能源出力预测值、可用容量历史值、运行日可用容量、调频容量历史值、运行日调频容量和节点电价历史值、调频辅助服务价格历史值、独立储能调频深度历史值。
[0079]
所述独立储能相关参数包括：电池储能系统容量、初始荷电状态、最高与最低荷电状态、最大充电功率与放电功率、历史平均调频性能、调度时段数以及对应的时间信息。
[0080]
步骤2：通过预测模块建立bp神经网络模型，采用粒子群算法进行参数优化得到训练好的bp神经网络模型。
[0081]
如图2所示，本步骤的具体实现方法为：
[0082]
步骤2.1：确定bp神经网络的具体结构、层数及各节点的数量并初始化神经网络。
[0083]
如图3所示，本发明的bp神经网络的输入变量包括统调负荷、外送计划、新能源出
力、发电可用容量以及调频可用容量，输出变量为电能量价格和调频价格。
[0084]
步骤2.2：对粒子群粒子编码，建立粒子群与权值和阈值之间的关系，粒子群的粒子维度为步骤2.1所述神经网络的所有权值与阈值之和。在本实施例中，粒子维度为27。
[0085]
步骤2.3：初始化粒子群，即对粒子个数、粒子速度、粒子位置的初始化，并设置粒子群算法的学习因子、最大迭代次数、惯性权重等参数。
[0086]
在本实施例中，设置粒子群算法的学习因子c1＝c2＝0.8，最大迭代次数为1000次，初始惯性权重为0.9。线性递减惯性权重如下式：
[0087]
ωk＝ω
start
(ω
start-ω
end
)(t
mmax-k)/t
mmax
[0088]
其中，ω
start
为初始惯性权重；ω
end
为迭代至最大次数时的惯性权重；k为当前迭代次数；t
max
为最大迭代次数。
[0089]
步骤2.4：对步骤2.3中的粒子进行适应度计算，采用bp神经网络训练得到的市场信息预测值与市场信息历史值之间的误差作为适应度值。
[0090]
在本步骤中，适应度值f计算的公式为：
[0091][0092]
其中，xk表示节点电价历史值；x
′k表示通过bp神经网络得到的节点电价预测值；yk表示调频辅助服务价格历史值；y
′k表示通过bp神经网络得到的调频辅助服务价格预测值，m表示训练样本个数。
[0093]
步骤2.5：判断是否满足结束条件，若满足则将粒子群的种群作为最优解，执行步骤2.7；若不满足则执行步骤2.6。
[0094]
步骤2.6：判断粒子是否陷入局部最优即早熟停滞，若是，则对当前粒子群进行模式搜索，更新粒子群的位置和速度，再执行步骤2.4；若否，则更新粒子群的位置和速度，再执行步骤2.4。
[0095]
步骤2.7：把步骤2.5满足结束条件的粒子输出，还原成相对应的权值和阈值，对bp神经网络相关参数进行赋值处理。
[0096]
步骤2.8：对bp神经网络进行二次学习训练直到达到性能指标要求，最终获得训练好的bp神经网络模型，该bp神经网络模型即为预测模型。
[0097]
步骤3：预测模块将预测数据输入至经粒子群算法优化过的bp神经网络模型中，通过bp神经网络模型输出运行日各调度时段节点的运行日市场信息，即电能量市场价格价差。
[0098]
步骤4：预测模块对历史调节负荷分量与历史调频深度进行多项式拟合，得到拟合曲线方程；再将运行日调节负荷分量作为自变量输入拟合曲线方程，得到预测调频深度。
[0099]
本步骤的具体实现方法为：
[0100]
步骤4.1：计算历史调节负荷分量，计算方法如下：
[0101]
lf
t
＝average(l
t-(m-1)，
l
t-(m-2)
，...，l
t，
l
t+1，
l
t+2
，...，l
t+m，
)
[0102]
lm
t
＝l
t-lf
t
[0103]
其中，l
t，
表示t时段的统调负荷实际值；lf
t
表示经过滚动平均法平滑处理后t时段的统调负荷值；2m是滚动平均的负荷量值的个数；lm
t
是t时段的历史调节负荷分量。
[0104]
步骤4.2：采用最小二乘法对步骤4.1得到的历史调节负荷分量与历史调频深度进
行多项式拟合，得到如下拟合曲线方程：
[0105]dt
＝α+α1lm
t
+α2(lm
t
)2++α3(lm
t
)3+α4(lm
t
)4[0106]
其中，d
t
表示t时段的调频深度；α、α1、α2、α3、α4为拟合曲线方程的参数。
[0107]
图4为经本步骤处理得到的调频深度拟合曲线图。
[0108]
步骤4.3：对运行日的统调负荷进行如步骤4.1的滚动平滑法处理，得到运行日的各时段调节负荷分量lm
t
，再代入步骤4.2所述拟合曲线方程得到运行日各时段的预测调频深度。
[0109]
步骤5：数据处理模块判断预测模块所得到的预测电能量市场价差是否达到电能量投标阈值，是则在最大价差时段投标电能量市场，其他时段投标调频辅助服务市场；反之则全部投标调频辅助服务市场；再计算运行日预估收益。
[0110]
本步骤的具体实现方法为：
[0111]
步骤5.1：设定电能量市场价差阈值。
[0112]
在本实施例中，电能量市场价差阈值设定为600元/mw。
[0113]
步骤5.2：判断步骤3所得到的电能量市场价格价差是否达到步骤5.1设定的阈值，若达到则执行步骤5.3，反之则执行步骤5.4。
[0114]
在本步骤中，根据图5某运行日电价预测结果，当电能量市场价格价差大于电能量市场价差阈值(600)时，则执行步骤5.3。
[0115]
步骤5.3：计算并输出投标电能量市场及调频辅助服务市场时的运行日预估收益r1，具体方法如下：
[0116]
在(t
l-a
，...，t
l-1
，t
l
，t
l+1
，...，t
l+a
)时段充电；在(t
h-b
，...，t
h-1
，th，t
h+1
，...，t
h+b
)时段进行放电，其他时段投标调频辅助服务市场，其中t
l
表示电价最低点时段，th表示电价最高点时段。2a为从初始荷电状态到最大荷电状态的充电总时长，2b为从最大荷电状态到最小荷电状态的放电总时长，计算方式如下：
[0117][0118][0119]
其中，e
max
表示最大荷电状态；e
min
表示最小荷电状态；e0表示初始荷电状态；ec表示独立储能系统容量；p
inmax
表示最大充电功率；p
outmmax
表示最大放电功率。
[0120]
预估运行日收益r1的计算公式如下：
[0121][0122]
其中，r1表示运行日预估收益；p
e，t
表示t时段电能量市场价格；t0表示投标调频辅助服务市场的时段；d表示运行时段的调频深度；k
pd
表示独立储能的历史调频性能；表示t0时段的调频辅助服务市场价格；c
agc
表示调频贡献率，由市场规则决定。
[0123]
在本实施例中，独立储能在17-24调度时段充电；在67-75时段进行放电，其他时段投标调频辅助服务市场。
[0124]
步骤5.4：计算并输出全部时段投标调频辅助服务市场时的输出运行日预估收益
r2，其计算公式如下：
[0125][0126]
在本实施例中，独立储能做出参与电能量市场得策略选择，因此根据步骤5.3所述收益计算公式计算得到的预估运行日收益如表1所示。
[0127]
表1.某运行日独立储能预估收益
[0128]
机组编号电能量市场调频辅助服务市场运行日总收益(元)#储能0169212.21138764.12207976.33#储能0262290.98122112.32184403.30
[0129]
需要强调的是，本发明所述的实施例是说明性的，而不是限定性的，因此本发明包括并不限于具体实施方式中所述的实施例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，同样属于本发明保护的范围。