计及储能聚合商运行风险收益的需求响应策略研究.pdfVIP

摘要

摘要

随着全球能源转型和电力系统的快速发展，可再生能源的大规模接入增加了

电网的不确定性，这些可再生能源的不确定性给电力系统带来了挑战，需要灵活的

负荷管理手段来应对。

可再生能源可以通过电力市场进行管控，而需求响应在电力市场中作为一种

有效的电力管理技术，通过激励用电侧用户按照电网的实时需求调整自己的电力

使用方式，能够提高可再生能源的消纳率。储能聚合商作为连接电网与终端用户的

关键角色和需求响应（DemandResponse,DR）的关键参与者，通过将分散的储能

资源聚合起来，筛选出符合参与DR条件的储能，就储能聚合商设计储能用户的参

与意愿、所聚合的储能容量、聚合商参与响应超额或缺额违约的风险收益以及接入

可再生能源后聚合商的风险收益进行了研究，具体内容如下：

首先，设计了一种聚合商参与需求响应的模式。针对聚合商所聚合的储能资源

进行分类，接着分别对于聚合商的调控模式和响应模式进行了阐述，本文的调度控

制模式为集中-分散式，本文的响应模式为削峰填谷式DR。并对控制结构进行了双

层机制设计，形成了电网-储能聚合商-用户侧储能资源的总-分式控制架构。

其次，提出了一种对储能用户的响应意愿的量化方法和一种参与了DR的储

能聚合商的响应风险模型。针对影响储能用户的接受调度的影响因素，用Probit模

型来量化储能用户的参与度，然后将用户储能资源聚合，对其可调度容量进行评估

而且对可调容量的超额和缺额设置了风险评估。与传统方法相比，本文模型对于储

能聚合商实际调度情况拟合度更好，以降低储能输出与实际效果的偏差，验证了优

化的有效性和合理性。

最后，利用深度强化学习架构和近端策略优化算法提高了聚合商的净收益。本

章将分布式风力电源和光伏电源接入储能系统，结合调度储能电池，利用电价套利

和风光发电误差补偿及DR策略优化分布式风力电源、分布式光伏电源以及储能

聚合商的收入。通过深度强化学习结合用于预测的深度神经网络架构和用于竞价

和储能系统调度的算法来解决风光和储能聚合商的最大收益问题。与其它策略相

比，所提出的DeepP在太阳能和风能接入储能案例中表现出显著改进的性能，还

提高了储能聚合商的收入。

关键词：需求响应，储能聚合商，深度强化学习，风险收益，近端策略优化

I

ABSTRACT

ABSTRACT

Withtheglobalenergytransformationandrapiddevelopmentofthepowersystem,

thelarge-scaleintegrationofrenewableenergyhasincreasedthevolatilityand

uncertaintyofthepowergrid.Theuncertaintyandintermittencyoftheserenewable

energysourcesposechallengestothepowersystem,requiringflexibleloadmanagement

methodstorespond.

Renewableenergycanberegulatedthroughtheelectricitymarket,anddemand

response,asaneffectivedemandsidemanagementtechnology,incentivizeselectricity

userstoadjusttheirelectricityusageaccordingtothereal-timeneedsofthegrid,thereby

promoting