一种储能电站中长期电力市场交易策略确定方法和设备技术

本发明专利技术公开了一种储能电站中长期电力市场交易策略确定方法和设备，该方法包括：将储能电站的不确定因素以季、月和周划分后，通过场景生成法对不确定因素进行数学建模，并得到训练集和测试集，不确定因素包括中长期电价等；根据储能电站相关设施的历史数据和相关设施对所述储能电站的储能系统充放电平衡及容量上下限物理约束的影响，进行数学建模，并形成包括虚拟环境的强化学习过程；根据训练集和虚拟环境采用Sarsa的同策略算法训练智能体，并得到深度强化学习算法模型；基于所述测试集对深度强化学习算法模型进行测试，并通过测试后的算法模型确定最优中长期电力市场交易策略，用以确定储能电站参与中长期电力市场进行季、月、周中的何种交易。季、月、周中的何种交易。季、月、周中的何种交易。

【技术实现步骤摘要】
一种储能电站中长期电力市场交易策略确定方法和设备


[0001]本专利技术属于储能电站的电力交易
，具体涉及一种储能电站中长期电力市场交易策略确定方法和设备。

技术介绍

[0002]自2002年中国电力行业改革，实行厂网分离政策以来，发电侧逐渐放松管制并形成了有效竞争，但是售电侧仅于近年形成了区域性质的省内电力市场。
[0003]由于电力商品生产、流通及消费几乎是瞬间同时完成的，不能大量存储，电力供需必须保持实时平衡。为了确保供电安全，需要调度机构精准管控。所以，根据买家提前下单的时间长短，电力市场交易可分为中长期市场和现货市场等。其中，中长期电力市场交易是指市场主体开展的多年、年、季、月、周、多日等电力交易。
[0004]以前，省内电力市场仅允许大用户及成规模的发电企业参与，而新能源场站包括集中式储能电站一直没有参与中长期电力市场。
[0005]其中，集中式储能电站，即是集中式电化学储能电站。
[0006]如今，智能电网的最新发展为协调、监视和控制配电级别的短期或实时电力输送开辟了新的可能性，也使集中式储能电站得以参与中长期电力市场。
[0007]其中，集中式储能电站在新能源场站中的配置存在如下好处：第一，目前电网公司会对新能源场站实际发电量与预测发电量之差进行两个细则考核，如果大于一定比例即进行罚款处罚。该罚款对于平价时代的新能源场站来说是一笔不小的负担。而集中式储能电站可以抑制该现象的发生。第二，在极端情况下没有外部电力供应时，柴油发电机出现问题无法正常工作时，集中式储能电站可以作为替代电源进行黑启动。
[0008]同时，集中式储能电站参与中长期电力市场的好处为峰谷差价高则集中式储能电站在电价高企时通过升压站卖电，电价低谷则集中式储能电站充电，进而可以实现利润率最大化。
[0009]但是，大量的包括集中式储能电站的新能源场站参与中长期电力市场将导致电网边缘存在明显的不确定性。该不确定性由包括发电量在内的已知参数，和包括各新能源场站接受的售电电价底线在内的未知参数构成。
[0010]该已知参数和未知参数，严重影响了集中式储能电站参与中长期电力市场交易的买电策略和卖电策略的选择，从而严重影响了集中式储能电站的收益。
[0011]因此，期望通过综合集中式储能电站中的部分已知未知参数和未知参数，得到使集中式储能电站参与中长期电力市场交易的收益最大化的策略。
[0012]因此，提供集中式储能电站中长期电力市场交易策略的确定方法，用以降低集中式储能电站参与中长期电力市场导致电网边缘的明显不确定性的影响，并提供集中式储能电站进行季、月、周中的何种交易的最优交易策略，是目前有待解决的技术问题。

技术实现思路

[0013]本专利技术公开了一种储能电站中长期电力市场交易策略确定方法，用以解决现有技术中难以提供储能电站中长期电力市场交易策略确定方法，以降低储能电站参与中长期电力市场的明显不确定性的影响的问题，以及难以确定储能电站参与中长期电力市场时进行季、月、周中的何种交易的问题，该方法包括：
[0014]将储能电站的不确定因素以季、月和周划分后，通过场景生成法对所述不确定因素进行数学建模，并得到训练集和测试集，所述不确定因素包括中长期电价、计划检修需求、故障消缺、外送线路容量变化和电网限负荷情况；
[0015]根据储能电站相关设施的历史数据和所述相关设施对所述储能电站的储能系统充放电平衡及容量上下限物理约束的影响，进行数学建模，并形成包括虚拟环境的强化学习过程，所述储能电站相关设施的历史数据为外送线路、主变压器、集电线路、箱式变电站、逆变器、电池包和升压站内部用电设备的以季、月和周划分的历史数据；
[0016]根据所述训练集和所述虚拟环境采用Sarsa的同策略算法训练智能体，并得到深度强化学习算法模型，所述深度强化学习算法模型包括所述智能体、所述虚拟环境、操作空间、状态空间和奖励函数；
[0017]基于所述测试集对所述深度强化学习算法模型进行测试，并通过测试后的算法模型确定最优中长期电力市场交易策略。
[0018]在一些实施例中，所述相关设施对所述储能电站的储能系统充放电平衡及容量上下限物理约束的影响是通过如下公式确定的：
[0019][0020]其中，SoC
k,t
表示在t时刻第k个所述储能系统充放电水平，SoC
k,t
‑1表示在t
‑
1时刻第k个所述储能系统充放电水平，表示在t时刻第k个所述储能系统充入的恒定电能，表示在t时刻第k个所述储能系统放出的恒定电能，表示第k个所述储能系统的充电效率，表示第k个所述储能系统的放电效率，表示第k个所述储能系统充电指令的二进制变量，表示第k个所述储能系统放电指令的二进制变量表示第k个所述储能系统的额定容量；
[0021][0022]其中，表示第k个所述储能系统充放电水平的上限，SoC
k,t
表示在t时刻第k个所述储能系统充放电水平，SoC
k
表示第k个所述储能系统充放电水平的下限；
[0023]SoC
k,0
＝SoC
k,T
[0024]其中，SoC
k,0
表示所述储能系统在运行日开始时的电量，SoC
k,T
表示所述储能系统在运行日结束时的电量；
[0025][0026]其中，表示第k个所述储能系统充电指令的二进制变量，表示第k个所述储
能系统放电指令的二进制变量。
[0027]在一些实施例中，根据储能电站相关设施的历史数据和所述相关设施对所述储能电站的储能系统充放电平衡及容量上下限物理约束的影响，进行数学建模，并形成包括虚拟环境的强化学习过程，具体为：
[0028]根据储能电站相关设施的历史数据和所述相关设施对所述储能电站的储能系统充放电平衡及容量上下限物理约束的影响进行数学建模，并得到所述虚拟环境；
[0029]根据所述虚拟环境，得到强化学习过程雏形，所述强化学习过程雏形包括所述操作空间、所述状态空间和所述奖励函数；
[0030]将所述历史数据输入到所述强化学习过程雏形进行迭代训练，并得到所述强化学习过程。
[0031]在一些实施例中，所述操作空间以第一向量组进行表示，所述第一向量组具体为其中，表示所述储能系统的充电指令，表示所述储能系统的放电指令，σ
t
表示所述储能系统内部空调控制指令，u
b,t
表示从中长期电力市场买电指令，u
s,t
表示向中长期电力市场卖电指令；
[0032]所述状态空间以第二向量组进行表示，所述第二向量组具体为[SoC
k,t
，T
tin
，T
tiw
，T
tow
，P
b,t
，P
s,t
]，其中，SoC
k,t
表示所述储能系统的电量水平，T...

【技术保护点】

【技术特征摘要】
1.一种储能电站中长期电力市场交易策略确定方法，其特征在于，所述方法包括：将储能电站的不确定因素以季、月和周划分后，通过场景生成法对所述不确定因素进行数学建模，并得到训练集和测试集，所述不确定因素包括中长期电价、计划检修需求、故障消缺、外送线路容量变化和电网限负荷情况；根据储能电站相关设施的历史数据和所述相关设施对所述储能电站的储能系统充放电平衡及容量上下限物理约束的影响，进行数学建模，并形成包括虚拟环境的强化学习过程，所述储能电站相关设施的历史数据为外送线路、主变压器、集电线路、箱式变电站、逆变器、电池包和升压站内部用电设备的以季、月和周划分的历史数据；根据所述训练集和所述虚拟环境采用Sarsa的同策略算法训练智能体，并得到深度强化学习算法模型，所述深度强化学习算法模型包括所述智能体、所述虚拟环境、操作空间、状态空间和奖励函数；基于所述测试集对所述深度强化学习算法模型进行测试，并通过测试后的算法模型确定最优中长期电力市场交易策略。2.根据权利要求1所述的方法，其特征在于，所述相关设施对所述储能电站的储能系统充放电平衡及容量上下限物理约束的影响是通过如下公式确定的：其中，SoC
k,t
表示在t时刻第k个所述储能系统充放电水平，SoC
k,t
‑1表示在t
‑
1时刻第k个所述储能系统充放电水平，表示在t时刻第k个所述储能系统充入的恒定电能，表示在t时刻第k个所述储能系统放出的恒定电能，表示第k个所述储能系统的充电效率，表示第k个所述储能系统的放电效率，表示第k个所述储能系统充电指令的二进制变量，表示第k个所述储能系统放电指令的二进制变量，表示第k个所述储能系统的额定容量；其中，表示第k个所述储能系统充放电水平的上限，SoC
k,t
表示在t时刻第k个所述储能系统充放电水平，SoC
k
表示第k个所述储能系统充放电水平的下限；SoC
k,0
＝SoC
k,T
其中，SoC
k,0
表示所述储能系统在运行日开始时的电量，SoC
k,T
表示所述储能系统在运行日结束时的电量；其中，表示第k个所述储能系统充电指令的二进制变量，表示第k个所述储能系统放电指令的二进制变量。3.根据权利要求1所述的方法，其特征在于，根据储能电站相关设施的历史数据和所述相关设施对所述储能电站的储能系统充放电平衡及容量上下限物理约束的影响，进行数学建模，并形成包括虚拟环境的强化学习过程，具体为：
根据储能电站相关设施的历史数据和所述相关设施对所述储能电站的储能系统充放电平衡及容量上下限物理约束的影响进行数学建模，并得到所述虚拟环境；根据所述虚拟环境，得到强化学习过程雏形，所述强化学习过程雏形包括所述操作空间、所述状态空间和所述奖励函数；将所述历史数据输入到所述强化学习过程雏形进行迭代训练，并得到所述强化学习过程。4.根据权利要求1所述的方法，其特征在于，所述操作空间以第一向量组进行表示，所述第一向量组具体为所述操作空间以第一向量组进行表示，所述第一向量组具体为其中，表示所述储能系统的充电指令，表示所述储能系统的放电指令，σ
t
表示所述储能系统内部空调控制指令，u
b,t
表示从中长期电力市场买电指令，u
s,t
表示向中长期电力市场卖电指令；所述状态空间以第二向量组进行表示，所述第二向量组具体为[SoC
k,t
，T
tin
，T
tiw
，T
tow
，P
b,t
，P
s,t
]，其中，SoC
k,t
表示所述储能系统的电量水平，T
tin
表示所述储能系统室温，T
tiw
表示所述储能系统内层温度，T
tow
表示所述储能系统外层温度，P
b,t
表示通过中长期电力市场的买电量，P
s,t
表示通过中长期电力市场的卖电量。5.根据权利要求1所述的方法，其特征在于，所述奖励函数是通过如下公式确定的：其中，C
s
表示向电力市场卖电的价格，P
s,t
表示通过中长期电力市场的卖电量，u
s,t
表示向中长期电力市场卖电指令，C
k
表示所述储能系统的老化系数，表示在t时刻第k个所述储能系统充入的恒定电能，表示第k个所述储能系统充电指令的二进制变量，表示在t时刻第k个所述储能系统放出的恒定电能，表示第k个所述储能系统放电指令的二进制变量，C
b
表示从电力市场买电的价格，C
om
表示所述储能电站的运维成本，表示所述储能系统安全运行系数，P
b,t
表示通过中长期电力市场的买电量，u
b,t
表示从中长期电力市场买电指令。6.根据权利要求1所述的方法，其特...

【专利技术属性】
技术研发人员：梁哲铭，包紫晨，冯笑丹，赵凤伟，闫庆坤，杨明辉，白泽宁，
申请(专利权)人：华能新能源股份有限公司，
类型：发明
国别省市：