考虑储能与新能源误差的售电公司购售电策略优化

1. 题目拆解这个策略到底在解决售电公司的什么痛点拿到这个题目先别急着看代码。我们需要把“考虑储能和可再生能源误差的售电公司购售电策略”这句话拆开看清楚它到底在解决一个什么样的现实问题。售电公司这个角色是电力市场化改革之后出现的中介型主体。它从批发市场中长期合约、现货市场买电再以零售价格卖给终端用户。听起来像是“低买高卖”的中间商但实际操作远没有这么简单。售电公司买电时面对的批发市场价格是波动的卖电给用户时合同价格往往是相对固定的。中间的价差就是利润空间但这个价差随时可能被两件事吞掉一是购电成本超标二是实际用电量或出力与事前申报偏差太大被考核。如果售电公司只从电网买电那策略空间其实很有限无非是“什么时候多买、什么时候少买”。但一旦引入了储能设备和自建的可再生能源比如分布式光伏、分散式风电问题就变成了一个多资源协同优化问题储能什么时候充电、什么时候放电可再生能源出力怎么利用缺口什么时候从市场买多余的电什么时候卖给市场。这个优化问题的核心难点恰恰是题目标红的那两个字——误差。可再生能源出力是有预测误差的。光伏要看云层、要看辐照度风电要看风速、风向预测曲线和实际曲线总有差距。这个差距处理不好轻则多花了冤枉钱重则触发偏差考核收益直接被吃掉。储能在这个局里的角色就是用来“填坑”的出力多了储能充起来出力少了储能放出来补上。但储能本身也有成本充放电有损耗寿命有限制不可能无脑配置。所以整个策略的本质是在不确定环境下找到一个储能充放电计划和市场购售电计划的最佳组合让总成本最小同时把偏差风险控制在合理范围内。这个策略的适用人群很明确电力市场方向的研究生、售电公司的交易决策人员、做能源优化调度的算法工程师以及对电力现货市场有兴趣的投资者。如果你手头正好有一批历史数据、想跑一版可复现的Matlab程序来验证“储能新能源市场交易”的协同效果这篇文章值得你从头看到尾。2. 数学模型怎么搭目标函数、约束条件和误差处理2.1 目标函数把“钱的问题”翻译成数学语言建模的第一步是把经济目标写成优化问题的目标函数。售电公司一天之内要决策的变量主要有三组从市场购买的电量、向市场出售的电量、储能的充放电功率。目标函数可以写成这样以一天24小时、单位时段1小时为例min ∑(λ_t^buy · P_t^buy - λ_t^sell · P_t^sell) ∑(c_ess · (P_t^ch P_t^dis)) ∑(c_cur · P_t^cur)其中λ_t^buy是t时段从市场购电的价格λ_t^sell是t时段向市场售电的价格这两个价格分别来自现货市场的分时出清结果。P_t^buy和P_t^sell是购电、售电功率决策变量。c_ess是储能单位充放电的运行成本用来折算储能寿命损耗。P_t^cur是可再生能源弃电功率c_cur是弃电惩罚系数。第一项是购售电的净成本第二项是储能运行成本第三项是弃电惩罚。目标就是在满足所有约束的前提下把这笔总成本压到最低。这里有两个容易踩坑的细节。第一购电价和售电价往往不相等甚至购电价高于售电价。如果你发现模型结果里同一个时段既买电又卖电那大概率是参数设置出了问题或者缺少了防止套利的约束。实际建模中通常会给购售电加上互斥条件不让模型“左手倒右手”。第二储能运行成本这一项很多人会忽略。如果完全不考虑储能的退化成本模型会倾向于让储能频繁充放电因为反正“不要钱”。实际上锂电池循环一次是有寿命损耗的把这部分成本折算进去优化出来的储能使用策略才会贴近真实运行情况。2.2 约束条件储能、功率平衡、市场购售电目标函数定好了接下来是约束。没有约束的优化是无意义的约束才是刻画物理系统的地方。先看储能约束。储能模型最核心的是SOCState of Charge荷电状态递推方程SOC(t1) SOC(t) (η_ch · P_t^ch - P_t^dis / η_dis) · Δt / E_cap其中η_ch和η_dis分别是充电、放电效率E_cap是储能容量。SOC不能越界SOC_min ≤ SOC(t) ≤ SOC_max通常SOC_min取0.1SOC_max取0.9这样既能保护电池不过放不过充也给优化留了足够的调节空间。充放电功率也要限制0 ≤ P_t^ch ≤ P_ch_max · u_t 0 ≤ P_t^dis ≤ P_dis_max · (1 - u_t)u_t是0/1变量表示储能处于充电还是放电状态。这里有个容易忽略的细节如果采用的是线性规划而不是混合整数规划你可以把u_t松弛成0到1的连续变量求解速度会快很多但前提是目标函数中没有让储能“边充边放”的激励。设计成本系数的时候稍微注意一下通常就不会出现那种情况。再看功率平衡约束。每个时段系统的出力之和要等于负荷需求P_t^buy - P_t^sell P_t^ren P_t^dis - P_t^ch P_t^loadP_t^ren是可再生能源的实际出力。注意这里有个点如果负荷侧也有可调节能力比如需求响应那这块也可以加进来但在这个项目的设定里负荷是固定的外生参数。最后是市场购售电约束。购电功率不能超过合约上限售电功率同样有限制这个上限来自所在市场的交易规则和信用额度。另外如果售电公司在日前市场申报了曲线那么实际执行时偏差电量还会触发考核这一点我们在下面展开。2.3 误差建模的核心为什么不能把预测值当实际值用这是整个策略的精华所在也是很多初学优化的人最容易忽视的地方。可再生能源出力是一个随机变量。比如光伏你根据天气预报和光照预测模型算出明天中午12点到1点这段的预测出力是50MW。但真到了明天实测可能是45MW也可能是55MW。如果你在模型里直接用50MW这个确定性数值那么你优化的储能充放电计划、购电计划全部建立在“预测精准”这个一厢情愿的前提上。一旦实际出力偏离你就要承担偏差考核费用甚至出现功率不平衡导致的罚款。处理这个误差业界有三种主流思路。第一种场景法Scenario-based。把可再生能源出力的预测误差当成一个随机变量假设它服从某种概率分布通常取正态分布或Beta分布然后通过蒙特卡洛抽样生成几十甚至几百个可能的出力场景。每个场景对应一组可再生能源出力曲线目标函数变成所有场景下总成本的期望值。这种方法直观、容易理解Matlab实现也不难但缺点是场景太多会导致求解时间暴涨场景太少又不够代表不确定性分布。第二种鲁棒优化。不给误差一个概率分布而是设定一个不确定集合比如“光伏出力最多偏离预测20%”。然后优化目标是在最坏情况下也就是出力偏差最不利的集合边界处总成本仍然最小。这种方法的优点是决策方案对不确定性非常“抗造”缺点是结果往往偏保守成本比场景法高不少。适合那些偏差后果特别严重、风险承受能力低的场景。第三种机会约束规划。把“功率平衡”这个约束写成概率形式要求某个置信水平下约束成立比如“功率平衡约束被满足的概率不低于95%”。这种方法的数学推导相对复杂但在处理偏差考核边界问题时非常有用。针对这个项目我的建议是主模型用场景法存储结构把目标函数写成多场景期望成本的形式同时加CVaR条件风险价值项来控制尾部风险。这样既保留了随机规划对不确定性分布的细致刻画又能通过调节风险权重让模型在“经济性”和“安全性”之间找平衡。后面代码部分我会展示具体的Matlab实现思路这里先不铺开。3. 不确定性场景怎么做从抽样到削减的完整手法3.1 用拉丁超立方抽样生成出力场景很多人在这一步喜欢直接调用randn噼里啪啦生成几百个正态随机数就算完事。但我实测下来纯蒙特卡洛抽样的场景质量太差容易出现聚集效应生成的场景扎堆彼此差异不大白白浪费了计算资源。我建议用拉丁超立方采样LHS。它的原理很朴素把每个随机变量的概率分布区间均分成N等份在每个区间内只抽取一个样本这样采样点自动均匀覆盖整个分布范围不会出现扎堆。Matlab里面对这个场景生成逻辑稍微处理一下就行不用额外装工具箱。核心思路是对每个时段根据预测出力和误差标准差确定该时段出力分布的均值和标准差。对24个时段生成一个24维的随机向量维度之间用协方差矩阵描述相关性相邻时段的相关性通常较强。重复N次得到N个场景每个场景包含24个时段的光伏出力曲线。这里有一个非常关键却容易被忽略的操作场景生成完之后一定要做场景削减。不然500个场景直接塞进优化模型你的电脑风扇会告诉你什么叫“资源耗尽”。3.2 场景削减用概率距离做聚类而不是随便丢场景削减的目的是从500个原始场景里挑出50个有代表性的场景同时给每个保留场景赋予一个新的概率权重使得削减前后的概率分布距离最小。最常用的度量是Kantorovich距离简单理解就是两个分布之间“搬运概率质量”的最小代价。最常见的实现方法是同步回代消除算法Fast Forward Selection。它的逻辑是迭代地删除一个场景同时把它的概率加到离它最近的场景上直到场景数达到预设目标。每删一个都要计算所有剩余场景两两之间的距离矩阵所以计算量不小。好在初始场景数通常控制在几百到一千以内Matlab里用循环也能跑完。如果你不想自己写这个逻辑Matlab里有一个ScenarioReduction的第三方函数包网上能搜到原理也是基于这个算法。自己写其实也不难核心就三件事算距离矩阵、找最近邻、更新概率权重。经过削减之后场景数量控制在40到60个左右既保留了不确定性分布的形态求解时间也能控制在可接受的范围。这个数量您千万别嫌少实际跑下来和500个场景的优化结果偏差通常不超过几个百分点但求解速度快了接近十倍。3.3 把场景“塞”进优化模型目标函数的改写方式有了场景之后目标函数就要从单场景确定性问题变成多场景随机规划问题。原来的目标函数min f(x)要改写成min ∑(π_s · f(x, ξ_s)) ρ · CVaR_α其中π_s是第s个场景的概率权重ξ_s是第s个场景下的可再生能源出力场景CVaR_α是风险价值项用来约束最坏情况下的成本这里有个建模层面的决策哪些变量是“现在就要定”的哪些变量是“场景揭晓后才能定”的按照电力市场的实际运作流程储能的日前充放电计划必须在知道实际出力之前确定因为你要申报、要被调度所以储能的充放电决策是第一阶段变量也叫“这里和现在”变量对所有场景保持一致。而购电量、售电量中的现货部分可以部分留到第二阶段调整比如实时市场的平衡机制。这个两阶段结构非常重要。如果你把储能决策也放开成“每个场景各定各的”那优化出来的结果在现实中根本没法执行因为你先知道了光伏出力的实际值再去安排储能现实中不可能做到。模型失真结果再好也是空中楼阁。两阶段随机规划的写法核心就是在变量下标上做区分第一阶段变量没有场景下标第二阶段变量带场景下标。YALMIP里处理这个非常方便直接定义不同维度的sdpvar变量就行。4. Matlab代码架构与核心实现逻辑4.1 主程序的整体框架整个Matlab实现我推荐按照下面这个结构来组织%% 主程序售电公司购售电策略优化 % 1. 数据准备分时电价、负荷、光伏预测出力、误差参数 % 2. 场景生成LHS采样 场景削减 % 3. 模型构建YALMIP建模 求解器设置 % 4. 求解输出储能曲线、购售电曲线、成本分析第一步的数据准备没什么好说的把分时电价、负荷曲线、光伏预测出力这些数据准备好就可以。以某地区夏季典型日为例峰时段电价可能是谷时段的3到4倍这个价差直接决定了储能“低充高放”策略的收益空间。负荷曲线一般是“早晚双峰”光伏出力曲线是“中午单峰”这两个曲线叠加之后会形成一个净负荷曲线净负荷的峰谷差就是储能需要削峰填谷的调节空间。第二步场景生成和削减是关键代码逻辑在前面已经说过这里不再重复。第三步模型构建我直接推荐用YALMIP工具箱。为什么用YALMIP因为它能大幅简化建模的代码量。你只需要定义sdpvar变量、写约束、设置目标函数然后调用optimizeYALMIP会帮你翻译成求解器能接受的格式再扔给CPLEX或Gurobi求解。如果你非要用纯Matlab手写矩阵这是一个大工程每个变量索引要转成矩阵中的列位置每个约束要转成矩阵行稍微复杂一点的模型光索引对应关系就足够让你怀疑人生。4.2 储能约束和功率平衡约束的代码实现我们限定在单储能、单一可再生能源、单一负荷的简化场景。核心建模代码大致长这样% 变量定义 P_buy sdpvar(T, 1); % 购电功率 P_sell sdpvar(T, 1); % 售电功率 P_ch sdpvar(T, 1); % 储能充电功率 P_dis sdpvar(T, 1); % 储能放电功率 SOC sdpvar(T1, 1); % 荷电状态 u_ch binvar(T, 1); % 充电状态指示变量 u_dis binvar(T, 1); % 放电状态指示变量 % 约束储能SOC递推 Constraints [SOC(1) SOC_init]; for t 1:T Constraints [Constraints, SOC(t1) SOC(t) (eta_ch*P_ch(t) - P_dis(t)/eta_dis) * delta_t / E_cap]; Constraints [Constraints, SOC_min SOC(t1) SOC_max]; Constraints [Constraints, 0 P_ch(t) P_ch_max * u_ch(t)]; Constraints [Constraints, 0 P_dis(t) P_dis_max * u_dis(t)]; Constraints [Constraints, u_ch(t) u_dis(t) 1]; % 防止同时充放电 end注意这里用了两个互斥的0/1变量u_ch和u_dis比只用单个变量表示充/放状态更直观。约束u_ch u_dis 1明确禁止边充边放。功率平衡约束需要考虑可再生能源场景。假设有N个场景每个场景下可再生能源出力曲线不同而储能决策已经固定那么购售电功率在场景S下需要满足for s 1:N Constraints [Constraints, P_buy_s(:,s) - P_sell_s(:,s) P_ren(:,s) P_dis - P_ch P_load]; end这一段单独的约束本身没有太多可讲的真正的工程难点在于变量维度的组织哪些变量带场景下标、哪些变量共用一定要事先规划好不然调试索引会相当痛苦。4.3 结果输出与绘图分析求解完成之后用value()函数取回变量值然后绘制几条核心曲线电价曲线和储能充放电功率曲线验证储能是否在低价时充电、高价时放电净负荷曲线和储能调节后的等效负荷曲线验证削峰填谷效果场景削减前后的光伏出力曲线对比验证场景生成质量不同配置方案下的成本对比柱状图我见过不少初学者的代码模型建对了求解也成功了但最后的绘图环节一塌糊涂根本看不出结论。我的建议是绘图不是为了“好看”是为了验证模型行为是否符合物理直觉。比如如果画出来的储能曲线是在电价高峰期充电、低谷期放电那基本可以断定约束或目标函数里写错了某个符号而不是现实世界出了问题。5. 结果怎么看储能配置价值的三个关键分析维度模型跑通了接下来更关键的问题是结果怎么分析这就涉及到“做实验”的方法论了。5.1 对比实验设置你的策略到底省了多少钱要评估“考虑储能和误差”的价值不能只看一个case跑出来的成本数字因为那个数字本身没有参照系。你需要设置几组对照实验Case 0无储能、无可再生能源直接从市场买电满足负荷。这是原始基准成本最高。Case 1有可再生能源但假设预测完全准确即不考虑误差按确定性模型优化。Case 2有可再生能源有储能但同样不考虑误差按确定性模型优化。Case 3有可再生能源有储能考虑误差用场景法模型优化并采用储能日前计划实时调整的滚动策略。对比Case 0和Case 2你能算出“储能新能源”带来的理论最大收益空间。对比Case 2和Case 3你能算出“不考虑误差”导致的潜在损失。这个损失通常就是偏差考核费用和市场实时价差成本。如果Case 3比Case 2的成本显著更高说明不确定性对收益的侵蚀很严重储能策略必须为此留出安全余量。我实际操作过的项目里这个差异通常在5%到15%之间浮动。也就是说如果不考虑误差你计算的预期收益可能比实际结果乐观10%这个误差足以让一个季度报告看起来非常不真实。5.2 储能的充放电策略是否真的在经济上合理分析储能策略时我一般会重点看两个指标充放电价差收益储能充进的电量在放电时段带来的购电成本节约是否大于充放电成本。计算方法是放电时段节省的电费 - 充电时段的电费增加 - 储能循环退化成本。如果这个值为负说明储能在白忙活。储能循环次数和SOC轨迹如果优化结果让储能一天满充满放三次以上那基本上是在过度使用需要把储能运行成本系数调高让它“省着用”。还有一个我特别爱用的可视化技巧把电价曲线和SOC曲线画在同一张图里。理想情况下SOC上升的时段应该对应低电价时段SOC下降的时段应该对应高电价时段。如果出现“高电价充电、低电价放电”的诡异行为你要优先检查是不是约束符号写反了或者购售电价的方向搞错了。5.3 参数敏感性分析找到策略的“临界条件”购售电策略优化最怕的是“纸上谈兵”。模型里假设的电价、光伏预测精度、储能成本参数稍有变化最优策略可能就完全不同。所以严谨的项目一定要做敏感性分析。我做敏感性分析时习惯先固定其他参数只让某个关键参数在其合理范围内变化观察总成本和储能配置的变化。通常要测试的参数有峰谷电价差拉大或缩小观察储能的经济价值变化。光伏预测误差的标准差误差越大储能的价值越突出但总成本也越高。储能单位投资成本成本越低最优配置容量越大。偏差考核系数考核越严策略倾向更保守储能预留的备用空间越大。这个分析结果用热力图展示特别直观。横轴是光伏预测误差标准差纵轴是峰谷价差比颜色深浅代表总成本。你会清楚地看到在某些区间里储能策略对价差不敏感而在另一些区间里小小的价差波动会导致策略大变。通过这种方式你能找到这套系统“最适用”和“最不适用”的市场环境这对决策者来说比单一的最优解有价值得多。6. 建模和求解中的常见坑基于实际踩坑经验的排查清单这部分是我最想写给后来者的内容。建模和求解本身并不难难的是调试。坑1YALMIP模型求解慢到无法接受。场景数量设置过大或者约束里的非线性能用线性表示却用了非线性写法都会导致性能暴跌。排查方法先从5个场景开始跑通看结果是否合理接着逐步增加场景数量观察求解时间的变化曲线。如果时间从5个场景到10个场景就暴涨说明你的模型里很可能有“隐藏的非线性”要找出来线性化。坑2储能SOC轨迹跳变不符合物理规律。这通常是因为SOC的初始值和终止值没有约束好。实际运行时储能一天的最终SOC不会和初始SOC差太远否则第二天没法正常启动。我的经验是加一个软约束SOC(T1) SOC_init - 0.05或者直接设成硬约束SOC(T1) SOC_init这样储能一天之内就是一个完整的“充放循环”。坑3购售电价与成本不匹配导致结果出现“无脑售电”的情况。我在第一次跑这个模型时就遇到过模型一边买电一边卖电然后疯狂“套利”。检查后发现是漏了购售电互斥约束或者定了错误的电价方向。一般来说如果λ_buy λ_sell模型就会天然地尽可能多买然后卖回市场这种套利空间在真实市场中存在但极其短暂所以建模中通常要限制购售电的边界或加互斥条件。坑4场景削减耗时太长。500个场景削减到50个场景如果用最原始的矩阵距离计算内存先爆掉。优化方法是分块计算距离矩阵或者使用近似的快速前向选择法。另外一个技巧是不要一次性生成500个场景再削减而是先生成2000个场景削减到200个再从200个削减到50个这个“级联削减”策略在计算上更高效。坑5可行域为空求解器报错。这个问题非常常见。原因通常是约束条件过强比如储能容量太小同时又把SOC终值约束设成了严格的等式导致没有满足所有条件的解。排查技巧先放宽SOC终值约束再放宽储能充放电功率上限逐步收紧直到找到第一个可行解那个解会告诉你哪个约束在实际运行中最“卡脖子”。7. 从我自己的模拟项目出发这套策略还能怎么扩展文章的最后我想结合自己的实际体会多说几句扩展方向。这套“储能新能源市场购售电”的优化框架远不止于解决售电公司的问题。我在这套模型的基础上做过几个方向的小改动效果都还不错。第一个方向是把需求响应加进来。负荷不是刚性的而是可以分时调整的。每度电的停电损失或者调整成本给进去优化就会在“调负荷、用储能、买电”三条路径之间做决策。扩展以后这个模型直接从“购售电策略”升级成了“综合能源管理策略”适用场景一下子广了很多。第二个方向是引入多储能系统。不同位置的分布式储能容量和充放电功率不一样彼此协调起来再配合市场购电复杂度会提升不少但收益空间也更可观。注意这时候约束的数量和整数变量的数量会显著增加一定要检查求解器选型。CPLEX对MIP问题的求解能力强于Gurobi还是弱于Gurobi其实要看型号和版本但整体上两者都能胜任这类规模的模型。第三个方向是把现货市场的“申报曲线”内生化。目前很多售电公司需要提前一天向市场申报第二天的购电曲线申报之后实际出清价格可能与之有偏差。如果把“申报-出清”的博弈过程建模进优化问题那就是另外一个层次的工作了——这个方向上可以直接用双层优化或者均衡约束规划。我还想特别提醒一点任何优化模型最终都要回到数据质量上来。有些同学喜欢到处找开源的测试数据但那些数据和你所在省份的市场规则、电源结构差别很大跑出来的结果只能当参考。我的经验是与其纠结算法多先进不如先把你所在地区至少一个完整年度的负荷、光伏出力实测数据整理干净把电价数据对齐先把这套代码跑通——数据和场景的准确性对优化结果的质的影响比对冲模型精度的影响大两个量级。最后分享一个调试小习惯——我现在每次跑完优化都会额外写一段校验脚本把优化得到的储能充放电序列代回到SOC递推方程里手动计算一遍SOC再和求解器给出的SOC做对比。如果误差超过1e-6那我一定改错了什么地方。坚持做这个校验能帮你过滤掉大量模型和代码层面的隐性错误别让那些结果建立在薄冰上。