一种主动配电网源-储协同规划方法与流程

1.本发明涉及电力技术，尤其涉及一种主动配电网源-储协同规划方法。


背景技术：

2.分布式电源(distributed generation,
·
dg)在配电网的渗透率不断提高，有效缓解了传统发电带来的环境污染与能源紧缺问题，但与此同时，新能源的不断开发也伴随着弃风弃光比率攀升的消纳困局。储能系统可对电能进行灵活存储与释放，辅助dg消纳弃风弃光资源，目前已有部分dg消纳压力较大的省份将安装储能作为新能源发电开发的先决条件。因此有必要在dg投建过程中考虑储能系统的配置，开展“源-储”协同规划研究。
3.目前已有的“源-储”协同规划模型中主要考虑经济性目标，将投资主体均设定为配电网运营方。而电力体制改革的推进以及《关于促进储能技术与产业发展的指导意见》等相关指导性政策的发布已奠定了未来储能市场化发展的基础，储能系统作为独立主体参与电力市场为必然趋势，在“源-储”协同规划中进行市场环境下的独立储能规划尚缺乏深入研究。


技术实现要素：

4.为了解决或者改善上述问题，本发明提供了一种主动配电网源-储协同规划方法，具体技术方案如下：
5.本发明提供一种主动配电网源-储协同规划方法，包括：制定独立储能获利机制；根据所述获利机制制定独立储能运行策略；根据所述获利机制和所述运行策略，建立分布式电源与独立储能协同规划模型；对所述分布式电源与独立储能协同规划模型进行求解，获得最优规划方案。
6.优选的，所述制定独立储能获利机制，包括：将储能系统考虑为市场环境下的独立利益主体，设定其收益形式主要为直接收益，所述直接收益包括基于分时电价的低储高发套利收益、参与调峰辅助服务收益和政府补贴。
7.优选的，所述根据所述获利机制制定独立储能运行策略，包括：根据所述获利机制，制定结合消纳分布式电源弃电量与低储高发套利的独立储能运行策略，具体为：依据在含风光发电的配电网中存在运行限制且风电具有逆负荷特性，令独立储能系统在弃风弃光时段充电，在负荷峰段放电，将分布式电源弃风弃光部分转移至负荷需求较高的时段，所述独立储能系统充放电策略满足下列公式：
8.0≤p
tess,abs,c
≤p
tabs,demand
9.p
tabs,demand
＝p
tdg,pre-p
tdg
[0010][0011]
[0012]
式中：p
tabs,demand
为t时刻分布式电源计划出力p
tdg,pre
与实际并网功率p
tdg
的差值；η
ch
、ηd分别为储能的充电效率和放电效率；为t时刻储能装置存储的电量。
[0013]
优选的，所述根据所述获利机制和所述运行策略，建立分布式电源与独立储能协同规划模型，包括：独立储能运营商根据分布式电源运营商的规划运行方案与交易电价作出响应，并决策独立储能的规划与运行方案；分布式电源运营商根据独立储能运营商优化结果进一步调整自身策略；所述分布式电源运营商与所述独立储能运营商自上而下顺次决策、再由下至上形成闭环，构成分布式电源运营商与独立储能运营商的主从博弈关系；基于所述主从博弈关系，建立分布式电源运营商与独立储能运营商的主从博弈模型。
[0014]
优选的，所述主从博弈关系包括：所述主从博弈的参与者设定为分布式电源运营商和独立储能运营商，所述分布式电源运营商和所述独立储能运营商的支付均为自身的净收益；分布式电源运营商的策略为风机与光伏的安装容量、实际出力与交易电价；独立储能运营商的策略为储能的安装容量与各时段充放电功率；独立储能的运行策略与建设容量根据分布式电源建设运行情况和与交易电价确定，主从博弈关系中，分布式电源运营商为主导者，独立储能运营商为跟从者。
[0015]
优选的，所述分布式电源的投资与运行满足装机容量约束、并网功率约束、分布式电源渗透率约束、弃风弃光率约束、交易电价约束、变压器节点功率约束、功率平衡约束、线路传输功率约束和电压安全约束；所述独立储能的投资与运行满足储能投资约束、充放电状态约束、充放电功率约束、荷电状态约束和与分布式电源运营商交易功率约束。
[0016]
优选的，所述对所述分布式电源与独立储能协同规划模型进行求解，获得最优规划方案，包括：将所述主从博弈的问题扩展为多阶段优化问题，并采用改进粒子群算法进行求解；提高求解精度：分别将分布式电源运行问题与独立储能优化问题转化为混合整数二阶锥规划问题和混合整数线性规划问题，然后调用cplex算法包进行求解；其中，针对模型中表征储能充放电状态的0-1变量和潮流约束中的平方项非线性项进行线性化处理；获得博弈均衡解，所述博弈均衡解认定为最优规划方案。
[0017]
优选的，所述分布式电源运营商与独立储能运营商的收益函数达到博弈均衡时，满足：式中：为第k次迭代中分布式电源运营商与独立储能运营商的策略集；ε
s1
、ε
s2
为极小正实数。
[0018]
有益效果：
[0019]
与现有技术相比，本发明方法首先制定了独立储能获利机制以及消纳分布式电源弃电量与低储高发套利相结合的运行策略，独立储能在与dg开展交易的同时，可利用电池余量通过电价差进行套利运作；然后分别以分布式电源运营商和独立储能运营商为电源侧和独立储能的市场主体建立主从博弈规划模型，使得两者自上而下顺次决策、再由下至上形成闭环的行为；最后采用改进粒子群算法与数学优化算法相结合的方法求解模型，生成最优规划方案；深入开展了在市场环境下的“源-储”协同规划研究。
附图说明
[0020]
图1是本发明中独立储能获利机制示意图；
[0021]
图2是本发明中独立储能运行策略示意图；
[0022]
图3是本发明中dgo与ieso互动关系示意图；
[0023]
图4是本发明中主从博弈关系示意图；
[0024]
图5是本发明中主从博弈模型求解流程图；
[0025]
图6是本发明中改进的ieee-33节点配电系统拓扑图；
[0026]
图7是本发明中方案ⅰ与方案ⅲ成本与收益结果对比；
[0027]
图8是本发明中方案ⅰ与方案ⅲ各设备安装容量对比；
[0028]
图9是本发明中方案ⅱ与方案ⅲ成本与收益结果对比；
[0029]
图10是本发明中方案ⅱ与方案ⅲ各设备安装容量对比；
[0030]
图11是本发明中不同交易电价下储能安装容量与ieso净收益变化情况；
[0031]
图12是本发明中不同交易电价下ieso各项收益比例变化情况。
具体实施方式
[0032]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0033]
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
[0034]
还应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
[0035]
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
[0036]
为了在深入开展在市场环境下的“源-储”协同规划研究，提出了一种主动配电网源-储协同规划方法，包括：
[0037]
s1、制定独立储能获利机制；
[0038]
s2、根据所述获利机制制定独立储能运行策略；
[0039]
s3、根据所述获利机制和所述运行策略，建立分布式电源与独立储能协同规划模型；
[0040]
s4、对所述分布式电源与独立储能协同规划模型进行求解，获得最优规划方案。
[0041]
上述步骤，具体包括：
[0042]
首先制定独立储能的获利机制与运行策略。将储能系统考虑为市场环境下的独立利益主体，因此设定其收益形式主要为直接收益，包括基于分时电价的低储高发套利收益、参与调峰辅助服务收益与政府补贴。其中，在调峰辅助服务方面，目前已有省份支持储能电站优先与存在弃风弃光现象的新能源发电站进行双边交易，在缓解新能源消纳压力的同时获取补偿费用。独立储能获利机制如图1所示，一个运行周期内的收益如式：
[0043][0044]
式中：为独立储能总收益；c
trans
和c
gov
分别为分时电价、独立储能与dg投资方的交易电价以及政府补贴价格；p
tess,pro,d
和p
tess,pro,c
分别为t时段储能套利运作部分的放电功率和充电功率；p
tess,abs,c
为t时段储能消纳的dg弃电量；δt为t时段时长。
[0045]
基于独立储能的获利机制，制定结合消纳dg弃电量与低储高发套利的独立储能运行策略。图2为储能装置运行策略示意图。如该图所示，在含风光发电的配电网中，由于配电网存在运行限制且风电具有逆负荷特性，dg在负荷谷段存在一定的弃风弃光现象，在负荷峰段则无法满足负荷需求，降低了dg投资的经济性。因此令独立储能系统在弃风弃光时段充电，在负荷峰段放电，将dg弃风弃光部分转移至负荷需求较高的时段，达到平移dg出力的效果。图中(ⅰ)、(ⅱ)、(ⅲ)区域为基于峰谷电价划分的谷时段、平时段与峰时段，由分时电价制定依据可知，平移dg出力时的充、放电时段分别于负荷谷段、峰段存在重合，独立储能在与dg开展交易的同时，储能系统可利用电池余量通过电价差进行套利运作。
[0046]
独立储能系统的充放电策略可通过下列四个公式描述：
[0047]
0≤p
tess,abs,c
≤p
tabs,demand
[0048]
p
tabs,demand
＝p
tdg,pre-p
tdg
[0049][0050][0051]
式中：p
tabs,demand
为t时刻的dg消纳需求，即dg计划出力p
tdg,pre
与实际并网功率p
tdg
的差值；η
ch
、ηd分别为储能的充电效率和放电效率，通过第二和第三个公式限制各收益部分的充放电量持平；为t时刻储能装置存储的电量。
[0052]
然后基于主从博弈方法建立分布式电源与独立储能协同规划模型。基于发电型零售商形式，将电源侧博弈主体设定为具备投资dg资质的dg运营商(distributed generation operater,dgo)，并设定dgo的售电模式为发电上网，再经电网侧向电力用户销售电能；储能侧博弈主体设定为独立储能运营商(independent energy storage operater,ieso)。
[0053]
在协同规划过程中，对设备投资方案进行决策的同时，dgo与ieso就独立储能对弃风弃光部分的消纳水平开展双边交易，在两者的关系中引入交易电价，作为双方交易的合同价格。dgo掌握着两个主体之间就新能源消纳问题开展交易的主导权，具备对dg与储能市场化交易信息，即交易电价的制定权。两者的互动关系如图3所示。
[0054]
规划过程中，独立储能运行策略是基于dg的运行情况而制定，ieso根据dgo的规划运行方案与交易电价作出响应，并决策独立储能的规划与运行方案，dgo根据ieso优化结果进一步调整自身策略，两者自上而下顺次决策、再由下至上形成闭环的行为，构成了dgo与ieso的主从博弈关系。两者的博弈关系示意图如图4所示，具体描述如下：主从博弈的参与者为dgo和ieso，两者的支付均为自身的净收益；dgo的策略为风机与光伏的安装容量、实际
出力与交易电价，ieso的策略为储能的安装容量与各时段充放电功率；独立储能的运行策略与建设容量根据dg建设运行情况和与交易电价确定，主从博弈关系中，dgo为主导者，ieso为跟从者。
[0055]
基于上述主从博弈关系，建立dgo与ieso的主从博弈模型，如式：
[0056]
式中：f
dgo
(
·
)和f
ieso
(
·
)分别为dg规划和独立储能规划的目标函数；x
dg
为dgo的策略集，包括dg的投资运行变量与交易电价变量；x
ess
为ieso的策略集，为独立储能的投资运行变量；g(
·
)≤0和h(
·
)＝0分别为主导者的不等式约束和等式约束；g(
·
)≤0和h(
·
)＝0分别为跟从者的不等式约束和等式约束。
[0057]
主从博弈的均衡称为stackelberg均衡，当到达均衡时的最优策略满足下述公式条件：
[0058][0059]
式中：x
*dg
为dgo的最优策略；x
*ess
为ieso的最优策略。该式含义为：在stackelberg均衡下，若ieso改变自身策略，其收益值将降低；若dgo改变自身策略，ieso作为跟从者，策略随之改变，间接使dgo的收益值下降。(x
*dg
,x
*ess
)即为最优规划方案。
[0060]
其中，dgo选择建设dg类型为风力发电与光伏发电，dg运营商收益模型以年净收益f
dgo
最大为优化目标：
[0061][0062][0063][0064][0065][0066]
式中：分别为售电收益、投资建设成本、运行维护成本、与ieso交易费用；ω
wt
、ω
pv
、ω
ess
、ωs分别为风机待建节点集合、光伏待建节点集合、独立储能电站待建节点集合、运行场景集合；能电站待建节点集合、运行场景集合；分别为风电上网电价、光伏上网电价、风力发电站单位造价、光伏发电站单位造价、风机单位电量运行费用、光伏单位电量运行费用；x
price
为dgo与ieso的交易电价；r为贴现率；t
dg
为dg投资回收期；
分别为场景s下第i个风机节点的实际并网功率、投建数量、最大输出功率；率；分别为场景s下第j个光伏节点的实际并网功率、投建数量、最大输出功率；ns为场景s的年运行天数；δt为各场景的时间间隔，取1h。
[0067]
dg的投资与运行均需满足下述约束：
[0068]
装机容量约束
[0069][0070]
式中：和为风机装机容量的上下限；和为光伏装机容量的上下限。
[0071]
并网功率约束
[0072][0073]
dg渗透率约束
[0074][0075]
式中：为场景s下节点k处的有功负荷；ω
bus
为规划区域内所有节点的集合；和为渗透率指标的上下限。
[0076]
弃风弃光率约束
[0077][0078]
式中：为允许的最大弃风弃光率。
[0079]
交易电价约束
[0080][0081]
式中：和为交易电价的上下限。
[0082]
变压器节点功率约束
[0083][0084]
式中：和分别为场景s下第i个变压器节点的有功和无功出力；和为变压器节点有功出力上下限；和为变压器节点无功出力上下限；ω
t
为变压器节点的集合。
[0085]
功率平衡约束
[0086][0087]
式中：p
jk,s
和q
jk,s
分别为场景s下线路jk的有功、无功功率；p
ij,s
和q
ij,s
分别为场景s下线路ij的有功、无功功率；i
ij,s
为场景s下线路ij的电流；r
ij
和x
ij
分别为线路ij的电阻值和电抗值；v(j)为以节点j为首节点的线路末节点集合；u(j)为以节点j为末节点的线路首节点集合。
[0088]
线路传输功率约束
[0089][0090]
式中：和分别为线路ij可传输的最大有功功率和最大无功功率；ω
line
为线路集合。
[0091]
电压安全约束
[0092][0093][0094]
式中：v
i,s
和v
j,s
分别为场景s下线路ij的首、末端电压；v
max
和v
min
为节点电压上下限。
[0095]
ieso以年净收益f
ieso
最大为优化目标：
[0096][0097][0098][0099][0100][0101]
式中：分别为与dgo交易收入、低储高发套利收益、政府补贴收益、建设与维护成本；c
gov
、分别为政府补贴价格、分时电价、储能额定功率单位投资成本、储能额定容量单位投资成本；t
ess
为储能投资回收期；λ
ope
为运维与投资费用比例系数；分别为场景s下节点i处独立储能用于消纳dg
弃电量的充电功率、用于套利运作的放电功率、用于套利运作的充电功率；p
iess
、分别为节点i处储能的额定功率与额定容量。
[0102]
独立储能的投资与运行需满足下述约束：
[0103]
储能投资约束
[0104][0105]
式中：和分别为储能允许安装的额定功率与额定容量上限值；ε
max
为额定功率与额定容量的最大比值。
[0106]
充放电状态约束
[0107][0108][0109][0110]
式中：和分别为表征储能充放电状态的布尔变量，相关第一个公式确保储能系统在同一场景下仅充电或放电；z
i,s
和z
max
为储能充放电状态变化次数及其最大值，由于储能装置的寿命与充放电次数相关，通过相关第三个公式所示约束避免储能频繁充放。
[0111]
充放电功率约束
[0112][0113][0114]
荷电状态约束
[0115][0116][0117][0118][0119]
式中：e
i,s
为场景s下节点i处储能的存储电量；soc
max
和soc
min
分别为储能荷电状态的上下限；s
max
为场景总数。
[0120]
与dgo交易功率约束
[0121]
对于储能用于消纳dg出力部分的电能，应满足充电功率小于dg消纳需求，且该部分存储的能量与释放的能量相等。
[0122][0123]
[0124]“源-储”协同规划模型中，跟从者ieso的策略基于交易电价与dg运行情况确定，而dg运行情况则是基于交易电价与dg规划容量所确定，因此dgo-ieso主从博弈问题可扩展为多阶段优化问题，并采用改进粒子群算法(improved particle swarm optimization)进行求解，在传统粒子群算法基础上，引入了非线性动态惯性权重与异步时变学习因子，令惯性权重系数由大到小非线性变化，使迭代过程中，粒子的搜索能力从全局搜索向局部搜索增强；两个学习因子c1和c2分别由大到小和由小到大变化，使粒子在迭代过程中由自我学习为主转变为社会学习为主：
[0125][0126]
式中：ωi和ωf分别为惯性权重ω的初值与终值；σ为惯性调整因子；p和q为分布系数；c
1i
和c
1f
、c
2i
和c
2f
分别为学习因子c1和c2的初值与终值；mk和m
max
分别为当前迭代次数与最大迭代次数。
[0127]
为提高求解精度，分别将dg运行问题与独立储能优化问题转化为混合整数二阶锥规划(mixed integer second order cone programming,misocp)问题和混合整数线性规划(mixed integer linear programming,milp)问题，然后调用cplex算法包进行求解。针对模型中表征储能充放电状态的0-1变量和潮流约束中的平方项等非线性项进行线性化处理：
[0128]
变量乘积线性化
[0129]
采用big-m法对充放电功率约束中的0-1变量进行线性化处理：
[0130][0131]
式中：m为足够大的正数。
[0132]
绝对值约束线性化
[0133]
对式储能系统充放电次数约束表达式的中的绝对值项进行等价处理，使该约束转化为线性形式：
[0134][0135]
潮流方程二阶锥松弛转化
[0136]
潮流方程中的电压平方项和电流平方项使功率平衡约束与电压安全约束呈现非凸性，基于支路潮流形式，采用二阶锥技术对潮流方程进行松弛。首先将节点电压的平方项用变量v
i,s
进行替换，将支路电流的平方项用变量i
ij,s
进行替换：
[0137][0138]
基于上式将支路电流平方项的替代公式进行进一步转化，并等价变形为标准二阶锥形式：
[0139][0140]
||[2p
ij,s 2q
ij,s i
ij,s-v
i,s
]
t
||2≤i
ij,s
v
i,s
，
[0141]
模型中的功率平衡约束公式和电压安全约束公式可分别转化为如下形式：
[0142][0143][0144][0145]
综上，构建完成“源-储”主从博弈规划模型的ipso-misocp-milp求解方法，求解流程如图5所示。迭代过程中，当dgo与ieso的收益函数满足下式，则认为达到博弈均衡：
[0146][0147]
式中：为第k次迭代中dgo与ieso的策略集；ε
s1
、ε
s2
为极小正实数。
[0148]
满足上式时，博弈均衡解即为最优规划方案。
[0149]
下面通过具体算例进行说明：
[0150]
本发明仿真系统采用改进的33节点系统，系统的拓扑图如附图6所示。
[0151]
如附图6所示的改进ieee-33节点系统系统的基准容量为10mva，基准电压为12.66kv。考虑负荷增长情况，将算例中的负荷基值提高至1.5倍。风力发电待接入节点集合为{6,16}，光伏发电待接入节点集合为{10,28}，为更好体现储能系统与新能源发电的互动作用，储能接入点与dg设为一致，待接入节点为{6,10,16,28}。考虑到不同季节的气候差异对风光资源与用户用电特征的影响，基于智能台区配变终端采集运行参数，以四季时序特性描述dg出力与用户用电情况，构成96个场景用于模拟运行。
[0152]
dg参数设置
[0153]
设定风机和光伏的单台容量均为100kw，单位投资容量分别位0.60万元/kw和0.80万元/kw，单位运行维护费用分别为0.20元/kw和0.15元/kw。贴现率为0.1，投资回收期为20年。风力发电和光伏发电的上网电价分别为0.54元/kwh和0.70元/kwh。dgo与ieso的交易电价上下限分别为0.50元/kwh和0.10元/kwh。dg渗透率的上下限分别为20％和60％。
[0154]
储能参数设置
[0155]
储能装置的充放电效率均为95％，荷电状态上下限分别为20％和90％，一个充放电周期内最大允许的充放电状态转换次数为4。储能单位容量投资费用为0.18元/kwh，单位功率投资费用为0.09元/kw，运维费用与投资费用的比例系数为0.03，政府给予的dg消纳补贴为0.10元/kwh。贴现率为0.1，投资回收期为20年。储能与电网购售电能采用分时电价，如表1所示。
[0156]
表1分时电价表
[0157][0158]
ipso参数设置
[0159]
设置粒子的种群个数为50个，最大迭代次数设定为50次。惯性权重的初始值设置为0.9，终值设定为0.4/学习因子c1的初始值为2.5，终值为0.5；学习银子c2的初始值为0.5，终值为2.5。
[0160]
设定下述不同形式的规划方案用于与本发明进行对比分析：
[0161]
方案ⅰ：以dgo为dg和储能的投资主体，以年净收益最优为目标函数进行优化，其中储能仍以消纳dg弃风弃光部分和低储高发套利结合的运行策略进行充放电，储能套利收益归dgo所有，与dg开展交易的收益在内部相互抵消；
[0162]
方案ⅱ：先以dgo为投资主体对dg进行规划，再采用方案ⅲ最优规划结果中的交易电价，以ieso为主体进行储能规划。
[0163]
方案ⅲ：分别以dgo和ieso为dg和储能的投资主体，采用发明方法进行协同规划。
[0164]
其中，通过方案ⅰ、ⅲ的对比分析不同利益主体对规划结果的影响，通过方案ⅱ、ⅲ的对比分析不同投资顺序对规划结果的影响。
[0165]
表2 dg规划成本与收益
[0166][0167]
表3 独立储能规划成本与收益
[0168][0169]
表4 dg规划结果
[0170][0171][0172]
表5 储能规划结果
[0173][0174]
不同利益主体下规划结果对比
[0175]
通过方案ⅰ与方案ⅲ的结果对比不同的利益主体对规划方案的影响，各方案成本、收益与各设备安装容量的对比如图7、图8所示。
[0176]
在规划的总体经济效益方面，对比方案ⅰ与方案ⅲ的收益结果可知：方案ⅰ中利益主体dgo的总成本大于总收益值，净收益为-47.40万元；方案ⅲ中利益主体dgo与ieso的净收益分别为120.77与7.90万元，方案ⅲ经济效益显著优于方案ⅰ。对比各项成本与收益结果，方案ⅰ和方案ⅲ的净收益差距主要为dg年投资收益比，两个方案下的年投资收益率分别为-5.67％和20.90％。方案ⅲ在降低了dg投资成本的前提下可获取更高的净收益，主要原因在于方案ⅲ中引入ieso作为储能投资方，独立主体的形式与分时电价、交易电价的激励提升了储能投资的经济性反馈，促进储能的投资建设，较大的储能容量优化了系统负荷曲线，提高了规划区域对dg的消纳能力。
[0177]
在独立储能装机容量方面，方案ⅰ与方案ⅲ的总装机容量分别为0.612mwh和1.191mwh，年投资收益比分别为81.72％和129.30％。由于方案ⅰ中储能的收益渠道单一，且仅有dgo一个投资主体，缺乏价格激励，导致方案ⅰ中储能装机容量较低，投资的经济性欠佳，投资积极性不高。
[0178]
在dg装机容量方面，方案ⅰ与方案ⅲ的dg总装机容量分别为4.8mw和4.3mw。其中，方案ⅰ的光伏装机容量与方案ⅲ一致，而风电装机容量比方案ⅲ多0.5mw。从投资的经济效益方面分析，虽然风机单位投资成本较低，但风力发电出力的逆负荷特性和较低的储能安装容量导致dg总体弃电功率较高，从而造成资源浪费，降低了投资的经济性。方案ⅲ综合考虑“源-储”互动特性，合理配置dg并引导独立储能优化充放电策略，有效提高了规划区域对可再生能源出力的消纳能力。方案ⅲ的弃风弃光率与方案ⅰ相比降低了6.17％，该方案的储能配置结果在减小新能源弃电量方面效果更优。
[0179]
不同投资顺序下规划结果对比
[0180]
通过方案ⅱ与方案ⅲ结果的对比分析不同投资顺序对规划结果的影响，各方案成本、收益与各设备安装容量的对比如图9、图10所示。
[0181]
就dg投资方的经济收益而言，方案ⅱ中dgo的净收益比本文所采用的方案ⅲ高10.26％，方案ⅱ与方案ⅲ的dg渗透率分别为43.89％和56.39％。方案ⅱ经济性占优，但dg总安装容量比方案ⅲ少2mw，渗透率降低了12.50％，主要原因在于方案ⅱ优先进行单独的dg规划，dgo在进行投资时未考虑储能与dg的互动特性与协同效果，由于光伏发电出力更符合有功负荷变化趋势，为确保自身的投资回报率，dgo会选择安装更多的光伏发电机，而减少风力发电机的安装容量。通过方案ⅱ与方案ⅲ的对比可知，在对dg与储能系统的规划方案进行决策时，采用协同规划的形式更有利于dg渗透率的提高，提升规划区域内清洁能源所占比例。
[0182]
交易电价对规划结果的影响
[0183]
在本章节所建立的主从博弈模型中，交易电价为dgo与ieso的重要互动因素之一，增加了储能除低储高放套利外的收入渠道。基于方案ⅲ的最优dg规划结果，分析交易电价对ieso建设储能容量与储能收益的影响，如图11所示。
[0184]
由曲线变化规律可知：ieso的净收益随交易价格的增加而持续增加；交易电价位于0.10元/kwh至0.30元/kwh区间时，储能安装容量与ieso净收益变化较小，ieso收益率较高，ieso在该价格区间内可通过较少的投资获得稳定收益。交易电价达到0.30元/kwh后，储能装机容量涨幅增大，但收益率波动较大；在交易电价提升至0.45元/kwh后，该价格已大于分时电价的峰-平电价差，ieso在经济目标引导下将储能电量优先用于与dgo进行交易，仅依靠交易电价的增长获利，而不再依赖于扩建储能的方式增加套利收益。因此，应根据不同应用场景合理制定交易电价。
[0185]
不同交易电价下ieso的套利收益和与dgo交易收益占比的对比如图12所示，图中不同类型的柱形长度表示各类收益占总收益的比例。从柱状图变化趋势可看出，随着交易电价不断增大，在ieso净收益持续增大，在交易电价激励下，ieso收益中与dgo交易的占比也逐渐增大。引入交易电价作为储能系统投资与运行策略的激励，扩宽了储能收入渠道，有效提升了储能投资的经济效益。