基于学习的新加坡电力市场海外光伏CTM蓄电池储能厂最优电力竞标

2026-07-25 11:21:16

新加坡电网计划通过海底电缆从海外进口清洁电力，如光伏（PV）发电。为了参与新加坡电力市场，光伏电站的发电量必须在每个招标期保持稳定，因此需要部署电池储能系统（BSS）以补偿光伏电力波动。本文提出了一种基于学习的招标策略，以最大化此类PV-BSS电厂的预期利润。整体投标过程被建模为马尔可夫决策过程（MDP），通过深度强化学习（DRL）获得最佳投标策略，考虑光伏电力收入、电力短缺罚金以及BSS的电池健康损耗成本。为了更准确地描述BSS的实际运行行为，构建了一个详细的BSS模型，以估算BSS的电源状态（SoP）和健康状态（SoH）。通过数值案例研究证明，所提方法相较于经典基于优化的方法能够获得有前景的利润，并以更少的SoH降解方式保持BSS。

简介

在实现全球低碳和可持续能源未来的目标下，新加坡电力行业设定了到2050年实现净零排放的目标[1]。为了实现脱碳，新加坡能源市场管理局提出了几项策略，其中之一是“推动电力进口，以获取新加坡境外更清洁且经济的能源”。在此背景下，未来已计划建设海外光伏（PV）电厂，用于向新加坡进口电力[2]。
为了参与新加坡电力市场，光伏电厂（电力进口商）必须在每个发货期提供投标报价，并在每个发货期内保持非间歇性电力供应[3]。然而，实际上光伏发电量极不稳定，几乎无法预测。为弥补间歇性光伏发电，需要在光伏电厂部署电池储能系统（BSS）。为了最大化PV-BSS工厂的利润，其最佳投标成为一个新问题。
文献中提出了多种基于优化的竞价策略[[4]、[5]、[6]、[7]]，针对风电厂、电动汽车聚合商、联网微电网等。针对海外光伏-光伏-光伏电站竞标问题，我们最近的研究[8]报告了一种最优电力竞标方法，通过随机规划方法优化海外光伏电厂的供电功率以最大化利润。然而，大多数投标方式忽视了BSS的运行特性，如电池健康状况下降和最大可用功率输出，这些对于批发电力市场中提供高频充放电至关重要。此外，基于优化的方法依赖于准确的PV预测和预测误差的不确定性建模，但在在线应用过程中也可能面临计算挑战[9]。
近年来，深度强化学习（DRL）在解决复杂决策问题方面引起了广泛关注。通过环境与智能体之间的相互作用，DRL能够解决具有庞大状态空间的复杂问题。在电力系统领域，DRL已被应用于频率/电压控制[10]、能源管理[11]、最佳功率流[12]等领域。在电力市场的竞标策略中，[13]利用DRL为生产商设计了战略竞标方法。[14] 在本地能源市场信息不对称的情况下，提出了基于DRL的舱外活动竞标策略。在[15]中，提出了一种风险规避的竞价策略，用于活跃分销网络中的虚拟联盟，该策略由多智能体DRL算法学习。在[16][17]中，近端政策优化（PPO）被用于实时能源市场的能源竞标。[18] 为参与多时间尺度电力市场的光伏电站设计了多智能日间行（DRL）框架，该系统拥有储能系统。然而，基于DRL的招标方法针对特定用例设计，需要预先训练价格、可再生能源发电的预测模块[13,14,17]，且由于新加坡电力市场的独特市场规则，无法直接应用于PV-BSS招标。此外，由于BSS已成为能源竞标市场的关键角色，基于学习的能源套利应考虑更详细的电池模型，而现有研究对此研究的研究尚不充分。
此外，BSS的运行特性对PV-BSS电厂的招标表现有显著影响。因此，BSS的状态应准确且全面地估计，如电荷状态（SoC）[19]、健康状态（SoH）[20]、功率状态（SoP）[21]等。在[22]中，SoC管理被纳入能源管理，旨在实现最优电池能量规划。此外，还建立了电池劣化模型以估算BSS在[23,24]中的SoH。与SoC和SoH相比，SoP的研究报道非常有限，这表明BSS的充放电功率的最终容量。传统上，最大BSS充放电功率由额定功率决定，但实际上，实际可用功率（SoP）可能受多种因素影响，如SoC、端子电压、电流[25]。因此，在能源竞标中考虑SoP至关重要，这有助于更准确的竞标和BSS的可靠运行。现有的SoP估计方法可分为基于模型和数据驱动两种。对于前者[26][27]，可以构建等效电路模型（ECM）以仿真以反映电池的动态行为，并计算电流/电压限制下的功率能力。对于后者[28,29]，SoP与测量值（SoC、温度等）之间的映射关系可以通过机器学习提取，而机器学习依赖训练数据的质量和数量。另一方面，现有的SoP估计方法主要关注电池单元水平，而大规模BSS的SoP在现有研究中很少被研究。此外，详细的BSS建模和状态估计（SoH、SoP）在能源竞价领域通常被忽视，这些内容将进一步研究以配合竞价策略。
为填补上述研究空白，本文提出了一种基于学习的新型招标策略，针对参与新加坡电力市场的海外光伏-BSS电厂。拟议的投标代理利用历史BSS的SoC和光伏功率输出数据作为输入，确定电厂的最佳投标能力，目标是最大化收入并避免经济损失。本文的主要贡献总结如下：

• 1)
  首先，开发了一个详细的BSS模型，以准确且全面地表征BSS。基于该模型，BSS的SoP和SoH可在运行中被估算。请注意，本贡献并非专注于提出新的BSS模型，而是将现实且约束意识的BSS模型整合进专为新加坡电力市场量身定制的DRL框架。
• 2)
  PV-BSS电厂的招标过程按照新加坡电力市场规则建模为马尔可夫决策过程（MDP），随后由PPO算法进行训练。一旦在离线阶段训练完成，竞价代理即可在线应用，无需额外预测模块即可确定最佳竞价能力。
• 3)
  案例研究表明，所提的竞价策略相比基于优化的方法表现有前景。此外，所提策略在实际操作中具有更有利的计算性能和更简便的实现。