【技术实现步骤摘要】
本专利技术涉及电力市场投标策略领域，尤其涉及一种风电-储能一体化电站电量备用联合投标决策方法。
技术介绍
1、为构建清洁低碳的能源体系，风电等可再生能源发电得到了迅猛发展，风电企业参与电力市场的机制策略得到了广泛关注。然而，风电的不确定性降低了风电企业的投标收益。储能调节能力强，可平抑风电波动，因此风储联合投标运行愈加受到重视。在市场交易机制下，通过调整储能的出力方案，优化风储的投标行为，能构建提高风储的售电收益并降低偏差惩罚，对风电-储能一体化电站(以下简称风储电站)参与电力市场具有重要意义。
2、随着风能和储能技术的快速发展，风储电站在电力市场中扮演着重要角色。然而，如何有效地将风储电站的电能量和备用容量同时投入到日前电能量和备用市场中，尤其是作为价格决定者进行投标，是一个尚未得到充分解决的问题。
3、多数基于剩余需求曲线的投标方法假定新能源场站只站在某一市场作为价格决定者。然而，风储电站通常参与多个市场，例如电能量和备用市场。当风储电站装机容量较大时，其投标行为对电能量和备用市场电价均有影响。具体而言，现有方法存在的问题表现为以下两个方面。首先，在剩余需求曲线建模过程中忽略了联合出清的电能量和备用市场间的耦合关系以及储能投标电量和备用间的相互制约关系；其次，在建立投标决策模型时只在电能量市场(或备用市场)中采用剩余需求曲线，而在备用市场(或电能量市场)中将电价设为常数，忽略了风储电站的投标行为对电能量和备用市场电价的双重影响。
技术实现思路
1、本专利
2、本专利技术采用如下技术方案来实现的：
3、一种风电-储能一体化电站电量备用联合投标决策方法，该方法包括以下步骤：
4、a.在考虑储能系统运行约束以及电能量-备用市场的耦合关系的基础上，生成电量-备用的可行投标组合；
5、b.基于市场的历史数据，利用神经网络预测计算得到市场出清电价，市场出清电价能够直接影响到投标的成本和收益；
6、c.提出了电能量和备用市场中剩余需求曲线的联合建模方法；
7、d.基于可行投标组合、市场出清电价以及联合建模方法，建立日前电量-备用联合投标的随机优化决策模型；
8、e.求解日前电量-备用联合投标的随机优化决策模型，并以风储电站收益期望最大为目标，调整储能系统的日前出力计划和备用容量；
9、f.考虑实时市场的不确定性，通过调用储能系统的备用容量降低风储电站的实时偏差惩罚。
10、本专利技术进一步的改进在于，在生成电量-备用的可行投标组合时，考虑风电-储能一体化电站的运行特性和市场规则。
11、本专利技术进一步的改进在于，利用神经网络预测计算对应的市场出清电价时，考虑市场历史数据和市场现状。
12、本专利技术进一步的改进在于，提出的电能量和备用市场中剩余需求曲线的联合建模方法，考虑了市场需求的时间和空间分布；
13、建立的日前电量-备用联合投标的随机优化决策模型，考虑风电-储能一体化电站的操作约束和市场规则。
14、本专利技术进一步的改进在于，以风储电站收益期望最大为目标，调整储能系统的日前出力计划和备用容量时，考虑储能系统的运行限制和电力市场的供需状况。
15、本专利技术进一步的改进在于，在考虑实时市场的不确定性ξ时，进一步考虑风力预测的误差∈、市场电价的波动δ等风险因素。
16、本专利技术进一步的改进在于，储能系统运行约束f包括储能系统的电量状态est，出力状态pst，最大电量emax，最小电量emin，充电功率pcg和放电功率pdiscg。
17、本专利技术进一步的改进在于，电能量-备用市场的耦合关系g考虑了电能量市场的需求ema和备用市场的需求pre。
18、本专利技术进一步的改进在于，神经网络预测计算对应的市场出清电价的模型φ基于历史投标数据和市场状态数据进行训练。
19、本专利技术进一步的改进在于，剩余需求曲线的联合建模方法j考虑了电能量市场和备用市场的剩余需求随时间的变化；
20、随机优化决策模型以风储电站的收益期望η作为优化目标，其中η是电量投标ebid、备用投标pbid和市场出清电价pclear的函数；
21、实时偏差惩罚δ的计算考虑了实际电量ereal、实际备用preal和市场不确定性ξ。
22、本专利技术至少具有以下有益的技术效果：
23、提高风储电站的经济效益：通过对储能系统运行约束和电能量-备用市场耦合关系的深度考虑，生成电量-备用的可行投标组合，使得风储电站能够以最有利的方式参与电力市场竞价，从而实现收益最大化。
24、减小风储电站的实时偏差惩罚：利用随机优化决策模型调整储能系统的日前出力计划和备用容量，以适应实时市场的不确定性。当面临实时市场价格、风电产量等不确定性因素时，通过储能系统的备用容量调用降低风储电站的实时偏差惩罚，提高了风储电站的运营稳定性。
25、提高风电和储能的利用效率：本专利技术的方法充分利用了风电和储能的特性，使其在电力市场中的价值得到了最大化的体现。对储能的出力计划和备用容量进行了合理的调整，以便更好地适应电力市场的变化，从而提高了风电和储能的利用效率。
26、精准预测市场出清电价：通过神经网络预测计算对应的市场出清电价，能够在一定程度上精准预测市场的动态变化，为风储电站做出更好的投标决策提供有力的支持。
27、对电能量和备用市场需求的精准建模：本专利技术提出了一种基于剩余需求曲线的电能量和备用市场的联合建模方法，能够更精准地反映市场的实时需求变化，有助于风储电站做出更优的投标决策。
28、本专利技术附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到。
本文档来自技高网...【技术保护点】
1.一种风电-储能一体化电站电量备用联合投标决策方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，在生成电量-备用的可行投标组合时，考虑风电-储能一体化电站的运行特性和市场规则。
3.根据权利要求1所述的方法，其特征在于，利用神经网络预测计算对应的市场出清电价时，考虑市场历史数据和市场现状。
4.根据权利要求1所述的方法，其特征在于，提出的电能量和备用市场中剩余需求曲线的联合建模方法，考虑了市场需求的时间和空间分布；
5.根据权利要求1所述的方法，其特征在于，以风储电站收益期望最大为目标，调整储能系统的日前出力计划和备用容量时，考虑储能系统的运行限制和电力市场的供需状况。
6.根据权利要求1所述的方法，其特征在于，在考虑实时市场的不确定性ξ时，进一步考虑风力预测的误差∈、市场电价的波动δ等风险因素。
7.根据权利要求1所述的方法，其特征在于，储能系统运行约束F包括储能系统的电量状态Est，出力状态Pst，最大电量Emax，最小电量Emin，充电功率Pcg和放电功率Pdiscg。
8.根据权利要求1所述的方法，其特征在于，电能量-备用市场的耦合关系G考虑了电能量市场的需求Ema和备用市场的需求Pre。
9.根据权利要求1所述的方法，其特征在于，神经网络预测计算对应的市场出清电价的模型φ基于历史投标数据和市场状态数据进行训练。
10.根据权利要求1所述的方法，其特征在于，剩余需求曲线的联合建模方法J考虑了电能量市场和备用市场的剩余需求随时间的变化；
...【技术特征摘要】
1.一种风电-储能一体化电站电量备用联合投标决策方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，在生成电量-备用的可行投标组合时，考虑风电-储能一体化电站的运行特性和市场规则。
3.根据权利要求1所述的方法，其特征在于，利用神经网络预测计算对应的市场出清电价时，考虑市场历史数据和市场现状。
4.根据权利要求1所述的方法，其特征在于，提出的电能量和备用市场中剩余需求曲线的联合建模方法，考虑了市场需求的时间和空间分布；
5.根据权利要求1所述的方法，其特征在于，以风储电站收益期望最大为目标，调整储能系统的日前出力计划和备用容量时，考虑储能系统的运行限制和电力市场的供需状况。
6.根据权利要求1所述的方法，...
【专利技术属性】
技术研发人员：李菁华，兀鹏越，杨沛豪，寇水潮，郭昊，燕云飞，王小辉，郑昀，薛晓锋，梁晓斌，林怡玢，张宗祯，王仪杭，葛传军，苏婉莉，
申请(专利权)人：西安热工研究院有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。