SSB蓄电池基于场景的日内多性向服务协同优化与共址储能可再生能源电厂电网价值评估
2026-10-15 11:23:36
摘要 配备共址电池储能系统（BESS）的可再生能源发电厂，通过电池共享的功率和能量能力，协调预测偏差控制、可再生能源盈余管理、电价套利以及辅助服务承诺。本研究开发了一个分层框架，用于基于场景的日内多服务协同优化和电网价值评估。电厂级混合整数线性规划（MILP）模型以15分钟分辨率运行，并体现了分段偏差惩罚、时变出口限制、电池动态特性、终端荷电状态条件、基于吞吐量的退化成本以及预留调节裕度的机会成本。其基于场景的公式在完全信息结构下，评估了十种代表性光伏轨迹的预期日内运行价值。互补服务地图将快速动态和系统级指标分配给控制、潮流和调度模型，并使其与各自的时间尺度相匹配。数值研究考虑了一座80兆瓦光伏电站及10兆瓦/20兆瓦时电池储能系统，评估了四种调节补偿案例，并在配备16GB内存的Intel Core i7-10710U计算机上记录了完整的C4运行时间为209.421893秒。在案例研究中，以能源为导向的服务叠加增加了电站的预期日收益，而当补偿超过电池功率和能量裕度的机会成本时，调节预留就变得具有吸引力。该框架为解释服务交互、决策时机、数据溯源以及电站和系统级价值提供了统一的基础。 关键词： 可再生能源发电厂; 电池储能系统; 日内调度; 多性向服务叠加; 完全信息基准; 现货市场; 调频; 电网价值评估
1. 引言 风能和光伏发电的快速扩展正在改变物理系统的运行以及可再生能源电厂的商业义务[1,2]. 电厂运营商的评估标准日益多元，不仅看年发电量，还看调度合规性、出口拥堵时的可控性，以及系统在全天电力短缺变化时所能提供的灵活性。共址电池储能系统（BESS）能够满足这些需求，但同一台变流器和存储的能量背包必须在偏差修正、可再生能源盈余吸收、价格套利和辅助服务之间共享。 现有研究已证实了储能的技术和经济相关性[3]，但相关证据分散在不同的问题类别中。技术和系统综述比较了储能技术及其应用[4,5]，而弃电研究则解释了输电限制和灵活性不足如何限制可再生能源的交付[6]。市场研究量化了套利和调节价值[7,8]，多服务研究表明，组合服务可以优于孤立调度[9,10,11]. 跨时段调度研究进一步表明，当前的电池使用会改变后续时段的荷电状态和可用灵活性[12,13]。这些研究推动了联合调度，但它们本身并未解决共址可再生能源发电厂应如何在满足发电厂合规、电网、能源市场和调节义务之间分配单一电池的问题。 第一种方法论流派主要解决可再生能源预测、计划偏差和输出平滑问题[14,15]。它在表示预测误差和合规风险方面表现最强，但通常简化了市场服务叠加，或将储能计划视为对单一预测的确定性响应。第二种流派则开发了基于场景或随机的调度方法[16,17,18,19,20]。这些研究改善了不确定性的表示，但实际解释关键取决于决策序列以及是否强制执行非预见性约束。第三个研究方向评估了服务堆叠和联合市场参与[9,10,11,21]。它捕捉了共享的功率和能量约束，但出口上限、分段偏差惩罚、退化和调节裕度并不总是被同时考虑。 另一项补充性研究评估了系统服务。频率控制研究量化了快速有功功率响应[22,23]，低惯量研究解释了在以变流器为主导的系统中对稳定性服务日益增长的需求[24,25]，而构网型研究则探讨了电压源行为和系统强度[ %%]。系统灵活性指标涉及爬坡、备用和峰值转移[26,27,28,29]. 这些分析涵盖了秒级动态、网络运行和系统调度，补充了15分钟的电厂调度层。因此，分层建模将每项服务指标与其评估所需的时间分辨率、物理模型和数据源关联起来。30,31,32]. These analyses span seconds-level dynamics, network operation, and system dispatch, complementing the 15 min plant-scheduling layer. A layered formulation therefore associates each service indicator with the time resolution, physical model, and data source needed for its evaluation. 方法论上的空白在于缺乏一种能够连接这些问题类别的统一架构。其中四个核心能力至关重要：(i) 综合考虑分段计划偏差惩罚、临时出口限制、现货市场结算、退化和调节预留；(ii) 在基于场景的电池调度中明确表示决策时机；(iii) 将电厂级调度输出和系统级指标可追溯地归因于相应的模型和数据集；以及 (iv) 在多个服务时间尺度上一致比较电厂利润和电网价值。对代表性研究流派与所提框架的批判性比较见表1. 表1。 代表性研究流派与所提框架的批判性比较。因此，本文使用日内多性向服务协同优化来表示所实现的15分钟混合整数线性规划，并使用多时间尺度服务映射来表示更广泛的分层架构。基于场景的公式在代表性的光伏轨迹和完全信息结构下评估期望值。非预见性场景树和滚动时域更新为随着时间推移不断获取的信息提供了兼容的运行调度公式。 所提出的框架包含一个日内电厂层和一个系统价值评估层。电厂层通过一个通用的电池模型协调四个嵌套的服务组合。评估层将电厂轨迹与每个电网影响指标相关的动态、网络和项目数据相结合。对于每一层，该框架都规定了时间分辨率、计算基础和数据来源，使得电厂和系统的结果能够在统一的分析结构中得到解释。 主要贡献如下。 首先，一种分层服务架构将15分钟日内调度与秒级动态控制及长期充裕度分析相连接。每一层都根据其响应时间、功率和能量需求、荷电状态裕度、变流器控制特性以及数据输入进行定义，从而在三个时间尺度之间建立起限制级接口。 其次，一种基于场景的日内混合整数线性规划（MILP）共同表征了预测偏差控制、可再生能源盈余吸收、现货市场套利以及调频容量预留。该模型结合了分段偏差惩罚、时变出口上限、电池退化、末端能量回收，以及用于调频的限制级功率和能量裕度。 第三，本文建立了优化与价值评估之间的可追溯联系。电厂利润、PCC功率、电池功率、荷电状态、弃电量和惩罚项均通过混合整数线性规划（MILP）计算得出。频率、电压、网损和系统成本指标则通过相应的动态、潮流和项目评估模型进行评估。这种归因分析支持对电厂运行和电网价值的综合解读。 第四，透明的嵌套组合基准量化了依次增加偏差控制、可再生能源盈余管理、现货套利和调节预留的边际价值和机会成本。通过在统一的物理模型中评估这些服务，该框架识别了电池功率和能量裕度在竞争性用途之间的相互作用。最终的贡献在于提供了一种在80兆瓦电厂层面比较服务组合的一致方法，同时保持独立的系统级评估在分析上相互分离。 本文余下部分安排如下。第2节定义了分层研究范围、电网支持指标和日内优化模型。第3节介绍了湖南案例、参数来源、场景输入和对比投资组合。第四节报告了基准结果和调节补偿敏感性。第5节讨论了鲁棒性、工程实现和局限性。第6节总结全文。整体研究框架如图所示图1. 图1。 将多时间尺度服务需求、优化决策、嵌套业务模式以及经济和电网影响指标联系起来的整体研究框架。
2. 材料与方法
2.1. 系统架构与多时间尺度服务组合
2.1.1. 可再生能源储能电站与外部接口 所研究的电站由可再生能源发电单元、同址电池储能系统（BESS）、电站级能量管理系统以及与电网连接的公共连接点（PCC）组成。固定式锂离子系统在这些应用中被广泛使用，因为其模块化电力电子接口支持快速响应和日内能量管理[35]。可再生能源发电可能代表光伏、风能或混合组合；储能技术可根据所需的功率、持续时间和电网服务进行选择[36]。详细案例在第3节使用光伏电站，但除了可再生能源输出场景外，其方案对技术保持中立。 该电站通过三个外部接口交换信息和电力。第一个是调度与合规接口。电站提交日前出力曲线或接收调度目标，超出允许范围的偏差将面临经济处罚。第二个是能源市场接口。电站出售可再生能源和电池放电的电能，并在市场规则允许的情况下，可购买电网电能进行充电。第三个是辅助服务接口。运营商可以声明在运行日内必须保持可用的调节容量，若该服务被调用，则可获得基于里程的补偿。 能量管理系统有两个耦合任务。它必须确定电池的物理轨迹——充电功率、放电功率和荷电状态——并且必须在各项服务之间分配电池能力。物理分配是必要的，因为同一个变流器无法同时将其额定功率全部用于能量套利和调频。能量分配同样重要：处于能量上限的电池无法提供下调功率或吸收意外的光伏盈余，而处于能量下限的电池则无法提供上调功率或补偿可再生能源的缺口。 电站的输出功率定义为 [数学处理错误] (1) 来衡量，其中 [数学处理错误] 和 [数学处理错误] 分别表示日内间隔和可再生能源输出场景； [数学处理错误] 是PCC处的净有功功率，正值表示出口，负值表示进口（MW）； [数学处理错误] 是可用的可再生能源功率（MW）； [数学处理错误] 是电池储能系统（BESS）的放电功率（MW）； [数学处理错误] 和 [数学处理错误] 是分别由可再生能源发电和电网提供的充电功率（MW）； [数学处理错误] 是削减的可再生能源功率（MW）；以及 [数学处理错误] 是电厂的辅助功耗（MW）。 公式(1)将可再生能源充电与电网充电区分开来，以便在同一公式中表示仅限可再生能源的运行以及电网-电池-电网的套利。公式中明确包含了弃电，这使得PCC平衡与公式(25)中的可再生能源分配关系保持一致。物理潮流、控制、市场和信息架构如图所示图2. 图2。 配备共址电池储能系统的可再生能源站的物理潮流、控制、市场和信息架构。
2.1.2. 多时间尺度应用需求 服务地图按响应时间和物理功能对储能需求进行分类。案例研究优化涵盖24小时时间跨度，分辨率为15分钟，并在偏差控制、余电吸收、价格套利和调节容量预留之间分配电池功率和能量。毫秒至秒级的电压和频率服务被映射到变流器控制和动态模拟模型，而跨日和季节性的充裕度则被映射到按时间顺序的多日或年度分析。 分钟级需求包括AGC跟踪、可再生能源爬坡平滑和短时备用。运行备用研究表明，波动性发电增加了协调爬坡能力和备用持续时间的需求[37]。这些服务既需要高爬坡能力，又需要足够的能量以维持数分钟的请求输出。系统级灵活性评估同样强调了将响应速度与不平衡持续时间相匹配的重要性[2]。传统热力机组虽然能提供持续的能量，但受限于热惯性和爬坡限制。因此，电池储能系统（BESS）可以缓解短期净负荷的爬坡，并提高调度跟踪的准确性。 每小时和每日的需求主要是能量转移问题。光伏发电通常在中午前后达到峰值，而系统需求和市场价格可能在晚上达到峰值。因此，储能在整合可再生能源发电中的作用与能量持续时间和每日净负荷形状密切相关[38]。该操作的价值受充放电效率、出口限制、价差和循环成本的影响，这些因素应基于全生命周期进行评估[39]。过量发电研究表明，正午的太阳能盈余和傍晚的净负荷爬坡会产生对日内转移的特征性需求[38]. 月度和季节性需求源于持续的低风速或低光照期，以及可再生能源丰富季节与需求旺季之间的错位。当能源必须跨越多个日或季节进行转移时，电转燃料费和其他长时储能方案尤为适用[40]。压缩空气储能可提供大规模长时容量[40]，液流电池提供功率与能量解耦的额定值[40]，而抽水蓄能只要有合适场址，仍是成熟的大规模储能方案[40]。本优化研究侧重于日内电池运行，但该框架保留了更长的时间尺度层，以展示服务分配如何扩展到混合储能系统。 由此产生的服务图谱可总结如下：功率主导型服务占据秒到分钟的时间范围；能量主导型服务占据小时到天的时间范围；而长时容量服务占据月到季节的时间范围。这些时间范围的重叠解释了为什么混合储能或动态容量分配可能比单一固定用途的设计更具优势。电网服务需求与储能能力之间的多时间尺度映射如图3所示图3服务时间尺度和适用的存储技术总结在表2. 图3。 电网服务需求与储能能力之间的多时间尺度映射：（）使用BESS输出的日内负荷平衡；（ ）净负荷不确定性下的爬坡能力需求；（）通过BESS充放电进行削峰；以及（ ）月度可再生能源发电量和电力需求。c ) peak-shaving through BESS charging and discharging; and (d ) monthly renewable generation and electricity demand.表2。 多时间尺度服务需求与适用存储技术。
2.1.3. 商业模式组合 考虑了四种嵌套的商业模式组合。组合M1利用电池储能系统（BESS）来控制实际PCC输出与日前计划之间的偏差。当可再生能源输出超过上限偏差带时，电池充电；当输出低于下限偏差带时，电池放电。由于严重偏差受到的惩罚比中度偏差更重，最优策略并不一定消除所有偏差，而是优先处理边际惩罚最高的时段。 组合M2增加了盈余能源管理。在可再生能源丰富的时段，电网或调度机构可能会实施随时间变化的出口上限。超过上限的能源必须被削减、储存或面临高额违规惩罚。因此，电池在受限时段之前和期间保留充电能力，并在上限放宽后释放储存的能量。 投资组合M3增加了现货市场套利功能。允许进行网格充电，即使在可再生能源盈余不足的情况下，电池也能利用低价时段。该操作仍受偏差计划和出口上限的约束，因此套利并非独立于合规性之外。特别是，在高价时段看似诱人的放电可能会导致随后无法纠正可再生能源的缺口。 M4组合增加了调频容量预留。电池转换器额定容量和能量裕度的指定比例被保留，不参与能量市场运行。电厂将获得基于里程的补偿，但预留容量不能完全用于偏差控制、余电吸收或套利。实测调频特性曲线表明，重复的调频服务会显著影响锂离子电池的衰减[33]。因此，调频具有最高的运行优先级，但未必具有最高的经济价值。 投资组合采用嵌套结构，以分离每项新增服务的边际价值。这种结构也反映了共址储能业务模式的演变：从强制性或合规导向的运行，到可再生能源消纳，再到市场套利，最终演变为多市场灵活性资源。本研究采用的优先级规则为：安全和硬性网络约束优先，承诺的调频可用性次之，偏差和盈余风险管理第三，最后是自由裁量能源套利。嵌套业务模式M1–M4的演变过程如图所示图4. 图4。 从隐性储能收益向嵌套市场化商业模式M1–M4的演进。
2.2. 电网支持与灵活性估值模型 该分析框架包含三条评估路径。15分钟日内混合整数线性规划（MILP）生成电厂调度决策和经济条款。随后通过对生成的PCC和可再生能源序列进行后处理，计算出基于轨迹的指标。系统级频率、网络损耗和调度成本指标则通过专门的动态、潮流和系统调度评估获得。这三条路径在估值阶段通过其指定的数据来源和计算基础进行整合。
2.2.1. 短路比与构网型贡献 PCC处的短路比（SCR）定义为三相短路容量与相连可再生能源电厂额定视在功率的比值： [数学处理错误] (2) 来衡量，其中 [数学处理错误] 是PCC处的短路比； [数学处理错误] 是PCC处的三相短路容量（MVA）； [数学处理错误] 是相连可再生能源电厂的额定视在功率（MVA）； [数学处理错误] 是额定PCC电压（kV或标幺值）；以及 [数学处理错误] 是从PCC（ [数学处理错误] 或标幺值）看到的戴维南等效电网阻抗。 第一种关系将网络短路强度与可再生能源电厂额定值区分开来。跟网型可再生能源转换器和跟网型电池本身并不会增加网络短路容量。功率同步和虚拟同步机控制是使电压源转换器建立内部频率和电压参考的代表性方法[ ]. 在弱电网中，阻抗交互仍是重要的稳定性考量因素 [ ]。构网型电池储能系统（BESS）能提供有效的短路容量，该容量取决于变流器的过载能力和控制模式。增强指数近似为 [数学处理错误] (3) 来衡量，其中 [数学处理错误] 是包含构网型电池储能系统贡献的短路比； [数学处理错误] 是构网型电池储能系统（BESS）的有效短路贡献乘数；以及 [数学处理错误] 是BESS变流器的额定有功功率（MW）。 在配套系统级数据集中考虑的1100 MW可再生能源电厂示例中，一台有效贡献乘数为2.2的100 MW构网型BESS将短路比从1.8提升至2.0。该示例表明，决定BESS是否能提升系统强度的因素是控制模式，而非仅仅是储能技术本身。
2.2.2. 故障穿越与电压支撑 在电压跌落期间，可再生能源发电厂必须保持并网并注入无功电流。与输电网连接的基于逆变器的资源必须满足穿越和动态电压支持要求[ ]. 低短路强度指导还强调了需要将变流器控制与电网强度相协调 [ ]. 通用无功电流参考值是 [数学处理错误] (4) 来衡量，其中 [数学处理错误] 是电压跌落期间的无功电流参考值（A 或标幺值）； [数学处理错误] 是低电压穿越无功电流增益； [数学处理错误] 是扰动期间的瞬时PCC电压（kV 或标幺值）；以及 [数学处理错误] 是额定换流器电流（A或标幺值）。 适用的电网规范决定了无功电流增益。转换器的无功能力随后受其视在功率额定值和瞬时有功功率负载的共同限制： [数学处理错误] (5) 来衡量，其中 [数学处理错误] 是该区间内转换器可用的最大无功功率 [数学处理错误] (MVAr)； [数学处理错误] 是转换器的视在功率额定值(MVA)；以及 [数学处理错误] 是能力圆关系中使用的转换器有功功率输出(MW)。 当可再生能源转换器在额定有功功率附近运行时，其无功裕度会缩小。电池储能系统（BESS）转换器可以提供额外的四象限无功功率，并能同时吸收有功功率盈余，以稳定可再生能源直流链路。电压支持充足性指数定义为 [数学处理错误] (6) 来衡量，其中 [数学处理错误] 是电压支撑充足度指数； [数学处理错误] 和 [数学处理错误] 分别是可再生能源和电池储能系统（BESS）变流器可提供的无功功率（MVAr）；以及 [数学处理错误] 是无功功率支撑需求（MVAr）。 值为1表示该电厂能够满足所需的动态或稳态无功功率支持。
2.2.3. 一次调频响应与AGC跟踪 基于下垂特性的有功功率响应可表示为 [数学处理错误] (7) 其中 [数学处理错误] 是一次调频响应的有功功率增量指令（MW）； [数学处理错误] 是系统频率相对于额定频率的偏差 [数学处理错误] (Hz); [数学处理错误] 是频率响应死区（Hz）；以及 [数学处理错误] 是频率响应增益（MW/Hz）。 死区关系防止对微小频率波动的响应。市场参与规则和资质要求影响储能提供频率调节的方式[ ]。储能实现的累计频率偏差改善通过 [数学处理错误] (8) 来衡量，其中 [数学处理错误] 是累计绝对频率偏差的归一化降幅； [数学处理错误] 和 [数学处理错误] 分别是储能参与和未参与时的频率偏差（Hz）；以及 [数学处理错误] 是一个间隔的持续时间(h)。求和范围覆盖整个评估周期。 AGC跟踪误差和可用性为 [数学处理错误] (9) 其中 [数学处理错误] 是归一化的AGC跟踪误差； [数学处理错误] 是AGC或调度设定值（MW）； [数学处理错误] 是用于归一化跟踪误差的额定有功功率（MW）； [数学处理错误] 是AGC可用率；以及 [数学处理错误] 和 [数学处理错误] 分别是合格和总的AGC评估时长（小时或分钟）。 这些指标将快速响应与持续跟踪区分开来。如果储能设备的能量裕度不足，即使能实现较小的初始频率偏差，也无法维持功率响应。大规模备用部署表明，必须在响应和维持两个时间间隔内评估电池的可用性[23].
2.2.4. 爬坡率合规性 一个调度间隔内的PCC爬坡速率是 [数学处理错误] (10) 来衡量，其中 [数学处理错误] 是该间隔内的PCC有功功率爬坡速率 [数学处理错误] （MW/h或MW/min）。 合规要求计算出的PCC斜率必须保持在上下限范围内。电池吸收上行可再生能源斜率并提供下行斜率，使PCC轨迹满足电网规范，而无需直接削减可再生能源。
2.2.5. 削峰价值 系统净负荷由需求减去可再生能源发电量得出。削峰灵活性值将储能后的峰谷差与相应的基准进行比较： [数学处理错误] (11) 来衡量，其中 [数学处理错误] 是削峰灵活性值；以及 [数学处理错误] 和 [数学处理错误] 分别是储能参与前后的系统峰谷差（MW）。 项目规模的案例表明，将储能容量从100兆瓦/400兆瓦时提升至300兆瓦/1200兆瓦时，可将该指标从22.7%提高到51.1%，但当满足了主要的日间移峰需求后，边际收益就会下降。
2.2.6. 备用容量充足性 电池在规定时间内能维持的最大上调备用容量受限于变流器功率和存储能量： [数学处理错误] (12) 来衡量，其中 [数学处理错误] 是电池储能系统在间隔内能维持的最大上调备用容量 [数学处理错误] (MW)； [数学处理错误] 是电池充电总功率(MW)； [数学处理错误] 是存储的电池能量（MWh）； [数学处理错误] 是允许的最小电池能量（MWh）； [数学处理错误] 是电池放电效率；以及 [数学处理错误] 是要求的备用维持时长（h）。 备用需求满足率是 [数学处理错误] (13) 来衡量，其中 [数学处理错误] 是备用需求满足率； [数学处理错误] 向上备用容量是否可由非电池电厂资源提供（兆瓦）； [数学处理错误] 电池备用容量是否包含在充足性计算（MW）中；以及 [数学处理错误] 系统备用容量要求（MW）。 低于1的数值表示仍存在备用容量缺口；高于1的数值表示备用容量过剩。
2.2.7. 爬坡充裕度 爬坡充裕度指数将可再生能源电站和储能提供的爬坡能力与系统最大净负荷爬坡需求进行比较： [数学处理错误] (14) 来衡量，其中 [数学处理错误] 是爬坡充裕度指数； [数学处理错误] 是可再生能源电站和储能提供的爬坡能力；以及 [数学处理错误] 是系统最大净负荷爬坡要求，两个数值均以每单位时间的兆瓦表示。 在项目示例中，该数值从无储能时的0.20，分别增加到储能容量为100、200和300兆瓦时的0.56、0.93和1.29。这说明了一个有用的区别：灵活性比率可以超过1，但超出系统要求的额外能力具有递减的运行价值，除非它可以出售给其他市场或邻近地区。
2.2.8. 综合电网影响指标 案例研究中使用了五个指标来比较商业模式组合。峰谷指数是 [数学处理错误] (15) 来衡量，其中 [数学处理错误] 是系统峰谷指数；以及 [数学处理错误] 和 net,min 分别是系统最大和最小净负荷（MW）。 可再生能源利用率是 [数学处理错误] (16) 来衡量，其中 [数学处理错误] 是可再生能源利用率； [数学处理错误] 是交付或储存而非弃用的可再生能源（MWh）；以及 [数学处理错误] 是总可用可再生能源（MWh）。 频率合规是指频率保持在允许范围内的时长占比： [数学处理错误] (17) 来衡量，其中 [数学处理错误] 是频率合规率； [数学处理错误] 是评估周期内的间隔数量； [数学处理错误] 测量系统频率是否在区间内 [数学处理错误] (Hz); [数学处理错误] 是标称系统频率（Hz）； [数学处理错误] 是最大允许绝对频率偏差（Hz）；以及 [数学处理错误] 是当其条件为真时等于1，否则等于0的指示器。 网络损耗率为 [数学处理错误] (18) 来衡量，其中 [数学处理错误] 是网络损耗率； [数学处理错误] 是网络中损耗的电能（MWh）；以及 [数学处理错误] 是供应给网络或读档的电能（MWh）。 最后，削峰成本节约率为 [数学处理错误] (19) 来衡量，其中 [数学处理错误] 是削峰节电率；以及 [数学处理错误] 和 [数学处理错误] 分别是参与储能前后的削峰运行成本（人民币）。 这些指标没有合并为一个单一的加权得分，因为权重的选择会嵌入政策偏好。相反，本文报告了影响的完整向量，并讨论了经济、安全和低碳目标之间的权衡。电网影响指标的数据要求和分析作用总结在表3. 表3。 综合电网影响指标的数据要求与解读。
2.3. 日内多服务优化模型
2.3.1. 目标、决策序列与基准解释 该案例研究采用了96个15分钟间隔和十种代表性的可再生能源出力情景。日前调度、出口上限轨迹、价格曲线和辅助服务补偿参数被视为已知输入。公式(37)中的目标是最大化情景概率加权日净收益：能源市场收入和辅助服务补偿为正项，而偏差惩罚、出口上限惩罚、电池储能系统吞吐/启动成本以及辅助服务相关成本则被扣除。电池、可再生能源分配、出口、偏差和辅助服务约束定义了这些经济项的可行集。 调节容量申报是场景通用的第一阶段决策。充电、放电、储能、PCC交换、弃电和惩罚变量构成了基于每个代表性光伏轨迹的场景相关追溯变量。这种确定性等价信息结构为嵌套服务组合提供了完美信息期望值基准。运行公式可以在每个信息揭示阶段之前施加基于历史的非预见性约束，或通过滚动时域优化更新调度计划。 表4将目标函数中的每个组件映射到其主要物理约束和耦合机制，为后续的详细公式化提供简明指南。 表4。 目标函数组件与运行约束之间的关系。
2.3.2. 电池运行约束 电池能量状态演化为 [数学处理错误] (20) 来衡量，其中 [数学处理错误] 是间隔内的电池存储能量 [数学处理错误] 和场景 [数学处理错误] （MWh）；以及 [数学处理错误] 是电池充电效率。 能量和功率边界为 [数学处理错误] (21) 来衡量，其中 [数学处理错误] 是允许的最大电池能量（MWh）； [数学处理错误] 是最大电池充电功率（MW）；以及 [数学处理错误] 是二进制充电状态变量。 [数学处理错误] (22) 来衡量，其中 [数学处理错误] 是最大电池放电功率（MW）；以及 [数学处理错误] 是二进制放电状态变量。最后一个不等式防止同时充电和放电。 终端条件将时界结束时的储能设定为初始值10 MWh。这种循环代表日边界条件可防止因日末电量耗尽而产生虚假收益，并使每日案例具有可比性。它还将最终时段与能量恢复相耦合，特别是在C3中启用电网充电时。在同一建模框架内，替代的终端能量目标或终端价值函数可代表跨日结转。 [数学处理错误] (23) 来衡量，其中 [数学处理错误] 是初始电池能量，该值也被设定为终端能量（MWh）。 在M1和M2中，禁止从电网充电： [数学处理错误] (24) 其中等式将电网供电充电量设为零，从而在M1和M2组合中强制执行仅限可再生能源充电。 在M3和M4中，允许在符合市场规则和PCC进口限制的前提下进行电网充电。
2.3.3. 可再生能源配额与出口限制 可用的可再生能源电力在直接出口、电池充电和弃电之间进行分配： [数学处理错误] (25) 来衡量，其中 [数学处理错误] 是直接输送到PCC的可再生能源电力（MW）。 PCC电力为正表示出口，为负表示进口。在盈余时段，执行随时间变化的调度或网络限制，并带有非负的违规松弛变量： [数学处理错误] (26) 来衡量，其中 [数学处理错误] 是随时间变化的PCC出口限制（MW）；以及 [数学处理错误] 是非负的出口上限违规松弛变量（MW）。 相应的处罚是 [数学处理错误] (27) 来衡量，其中 [数学处理错误] 是场景中的出口上限违规成本 [数学处理错误] （人民币/天）； [数学处理错误] 是出口上限惩罚倍数；以及 [数学处理错误] 是时间段内的能源价格 [数学处理错误] （人民币/兆瓦时）。 该案例研究使用10的出口上限惩罚乘数。这个足够大的数值使约束条件实际上变为硬约束，同时保持了模型的可行性。
2.3.4. 分段预测偏差惩罚 带符号的计划偏差约束及其对应的绝对值辅助约束为 [数学处理错误] (28) 来衡量，其中 [数学处理错误] 是与日前计划的带符号偏差（MW）； [数学处理错误] 是日前可再生能源电厂计划（MW）；以及 [数学处理错误] 是等于计划绝对偏差（MW）的辅助变量。 免罚严重偏差阈值为 [数学处理错误] (29) 来衡量，其中 [数学处理错误] 和 [数学处理错误] 分别是无罚金偏差和严重偏差阈值（MW）。 场景相关偏差成本由以下分段函数计算： [数学处理错误] (30) 来衡量，其中 [数学处理错误] 是该场景下的预测偏差罚金 [数学处理错误] （元/天）；以及 [数学处理错误] 和 [数学处理错误] 分别是中度偏差和严重偏差的罚金系数。 该案例研究分别采用0.30和1.50的系数来表示中度和严重偏差。在混合整数线性规划（MILP）中，绝对偏差被依次分配到无惩罚区间、中等成本区间和严重成本区间，这些区间具有区间宽度限制和递增的边际系数；这三个区间共同重构了总绝对偏差。这些系数定义了案例研究的校准参数。此外，可直接引入文献中记载的其他系数范围作为灵敏度输入，以量化偏差控制边际价值的变化。
2.3.5. 能源市场收益与电池退化 能源市场结算为 [数学处理错误] (31) 来衡量，其中 [数学处理错误] 是场景中的能源市场结算收入 [数学处理错误] （元/天）。 如果负PCC功率代表电网进口，公式(31)会自动扣除充电购买费用。每日电池运行成本由吞吐量和可选启动成本表示： [数学处理错误] (32) 来衡量，其中 [数学处理错误] 是场景中的电池吞吐量和启动成本 [数学处理错误] (人民币/天); [数学处理错误] 是电池吞吐量成本系数（CNY/MWh）； [数学处理错误] 是电池启动成本系数（CNY/启动）；以及 [数学处理错误] 是可选的电池启动指示器。 电池退化由线性吞吐成本表示。每个时间间隔内的充放电能量乘以一个常数边际系数，该系数根据更换成本、可用寿命能量吞吐量、效率和辅助损耗，以及（如果可用）放电深度假设进行校准。该代理模型保留了混合整数线性规划（MILP）结构，并捕捉了运行调度中的一阶循环成本。日历老化、温度、C倍率、荷电状态依赖性、深度相关的循环损伤以及调节里程交互作用属于生命周期老化公式。
2.3.6. 调频预留与结算 频率调节能力在可再生能源输出情景实现前申报，且适用于所有情景。运行流程为：（1）准备日前计划及已知价格与出口输入；（2）申报适用市场时段的调节可用性；（3）实现可再生能源输出并根据情景调度电池资源，同时保持申报的裕度；（4）运行后结算能量、偏差、调节及退化条款。市场提交时间和截止日期作为外生参数进入公式，从而能够根据适用的市场设计进行校准。 运行时间线：日前输入与计划 → 调频能力申报 → 日内可再生能源实现与调度 → 计量、绩效评估与结算。 [数学处理错误] (33) 来衡量，其中 [数学处理错误] 是第一阶段的频率调节能力预留（MW）。 为所需的持续调节时长预留能量裕度： [数学处理错误] (34) 来衡量，其中 [数学处理错误] 是所需的频率调节持续时长（h）。 基于里程的日调节收入是 [数学处理错误] (35) 来衡量，其中 [数学处理错误] 是日频率调节费用（元/天）； [数学处理错误] 是每日等效调节调用次数； [数学处理错误] 是调节性能乘数；以及 [数学处理错误] 是调节里程价格（元/(兆瓦·次)）。 基准情况假设25次等效调用，性能倍率为1.8，里程价格为8元/(MW·次)，从而得出每MW预留容量每天360元。与调节相关的退化或可用性成本为 [数学处理错误] (36) 来衡量，其中 [数学处理错误] 是与调频相关的降级或可用性成本（人民币/天）；以及 [数学处理错误] 是单位调频相关成本（人民币/兆瓦·天）。 方程(35)和(36)之间的差异并非调节的全部边际价值，因为预留也通过方程(33)和(34)缩小了可行的能源市场集合。这种机会成本被内生性地纳入了合作优化中。
2.3.7. 特定投资组合约束 嵌套投资组合通过激活或停用各项条款和约束条件来实现：
M1: [数学处理错误] ，无出口上限惩罚，并且 [数学处理错误] M2：仅限可再生能源充电模式继续生效，且出口上限约束被激活。 M3：电网充电模式启用，能源市场收益完全激活。 M4：调节容量成为决策变量，且备用约束被激活。 这种建模方式避免了构建四个互不相关的模型。所有投资组合共享相同的物理电池模型，从而能够一致地比较边际价值和机会成本。
2.3.8. 目标函数 公式(37)中的预期每日净收益被最大化。场景概率对能源收入、偏差成本、出口上限成本和BESS运行成本进行加权。调频收入和调频相关成本取决于场景共用的备用容量。因此，该目标函数衡量了服务投资组合的经济价值，而物理约束则强制执行共享的逆变器容量、储能可行性、可再生能源分配、调度合规性以及预留的调频裕度。 [数学处理错误] (37) 在公式(37)中，括号内的各项依次为：能源市场收益、预测偏差成本、出口上限成本、BESS吞吐量/启动成本、调节支付以及调节相关成本。能源结算与PCC功率和可再生能源分配挂钩；偏差和出口惩罚与它们的辅助/松弛变量挂钩；BESS成本与充放电吞吐量挂钩；调节项则与场景通用的备用及其功率/能量裕度约束挂钩。这种显式映射关系总结在表4. 该模型可通过减去条件风险价值项扩展为风险厌恶形式，遵循标准的凸CVaR公式 [ [数学处理错误] (38) 来衡量，其中 [数学处理错误] 是风险调整后的每日目标值（CNY/天）； [数学处理错误] 是风险厌恶系数； [数学处理错误] 是CVaR置信水平； [数学处理错误] 是情景中的净收益 [数学处理错误] （元/天）；以及 [数学处理错误] 是置信水平下的情景损失条件风险价值 [数学处理错误] （元/天）。 基础结果是风险中性的。设置正向风险厌恶会惩罚所选置信水平下情景利润的下尾部分。
2.3.9. 求解过程 解决方案的工作流程为：(i) 导入或生成代表性的可再生能源轨迹并分配其概率；(ii) 构建调度、价格和出口上限输入；(iii) 选择嵌套服务组合和调节参数；(iv) 求解确定性等价的混合整数线性规划；(v) 计算电厂级的经济和可再生能源弃电指标；以及 (vi) 将选定的轨迹映射到相应的动态、网络和系统调度评估模块。有界分段变量代表分段偏差成本，二值变量防止同时充电和放电。对于固定的效率和成本参数，其余关系均为线性。 确定性等价模型在配备Intel Core i7-10710U CPU和16 GB内存的64位计算机上运行。在C4实现中，模型遍历了10个光伏输出场景和10个候选调节预留水平。完整运行耗时209.421893秒，平均每个场景-容量评估约耗时2秒。该测量时间提供了案例级的计算参考；模型的整体规模会随场景数量、时间间隔、候选预留水平和激活的服务约束而变化。
2.4. 生成式人工智能的使用 在稿件准备过程中，作者使用OpenAI ChatGPT（GPT-5.6，OpenAI，美国加利福尼亚州旧金山）进行英文润色，并使用ChatGPT（GPT-5.6）提供的图像生成工具进行概念示意图的初步布局和图形优化。AI辅助仅限于展示层面：排列概念元素、优化图标以及提升视觉一致性。作者手动核实并修改了标签、科学关系、方程式以及最终的构图。其余图表均由作者生成或基于项目内容制作，并非由生成式AI数值生成。生成式AI未被用于构建优化模型、创建或修改数据集、执行优化或模拟、计算数值结果或得出科学结论。 所有AI辅助生成的文本和图表均由作者审核并编辑，作者对稿件的准确性、原创性和完整性承担全部责任。
3. 案例研究与数据
3.1. 湖南电力系统背景 该数值研究采用了三个不同的数据源。首先，湖南电力系统背景数据第3节源自匿名化的省级运行与规划数据，支持发电构成分析及全运行模拟。其次，多服务运行分析第四节采用了湖南某可再生能源场站的匿名历史记录，并结合了 第3节第三，第3.3节中的电价序列是湖南历史电价的统计摘要。项目衍生数据集受保密限制；在报告其分析作用时，站点和项目标识符均已匿名化。数据来源和分析作用总结在表5中Table 5. 表5。 数据来源、预处理及分析作用。该电站为80兆瓦光伏电站，配备10兆瓦/20兆瓦时锂离子电池储能系统（BESS），相当于电站功率的12.5%，额定功率下持续时间为2小时。本案例研究全程采用此项目配置。调度时段包含96个间隔，初始和末端储能为10兆瓦时，范围在0至20兆瓦时之间。因此，报告的定量结果反映了所述电站和储能的额定容量，而模型结构允许通过专门的容量分析来评估不同的功率和能量额定值。2030年湖南的代表性运行条件显示在图5湖南发电组合和规划数据汇总在表6. 图5。 2030年湖南典型高比例可再生能源运行工况：() 可再生能源发电量、负荷和净负荷；( ) 按电源分类的发电调度；以及() 包含弃电时段的预测与实际可再生能源出力。 ) generation dispatch by source; and (c ) forecast and actual renewable output with curtailment periods.表6。 湖南发电组合与规划数据。
3.2. 可再生能源出力情景 这十条光伏轨迹是基于湖南某可再生能源场站匿名历史记录构建的代表性情景。在基准测试中，每个情景被赋予0.1的概率。这些轨迹共同涵盖了案例研究中使用的可再生能源出力条件，所有预期经济结果均基于这一等概率情景集进行计算。更广泛的统计评估可以纳入聚类诊断、替代概率权重、尾部情景以及样本外验证。 具体而言，首先将原始历史光伏记录对齐到统一的96间隔日时间线，并归一化至80兆瓦电站额定功率。随后筛选候选日期，以保留独特的低、中、高出力模式，以及具有代表性的爬坡和正午高峰特征。最终选定的十条轨迹涵盖了历史样本中观察到的主要日内形状差异，同时避免了近乎重复的曲线。基准测试采用等权重场景，为在统一不确定性集合下比较储能服务组合提供透明依据；因此，场景集应被视为具有代表性的规划集合，而非针对特定场地的校准预测分布。这十条代表性的光伏出力轨迹如图所示图6. 图6。 基于湖南某可再生能源场站匿名历史记录构建的10条代表性光伏输出轨迹，并用于等概率基准测试。
3.3. 电价与惩罚参数 每日电价分为八个时间区块：00:00至07:00为0.35元/kWh，07:00至11:00为0.80元/kWh，11:00至14:00为0.45元/kWh，14:00至17:00为0.80元/kWh，17:00至18:00为1.20元/kWh，18:00至22:00为1.40元/kWh，22:00至23:00为0.80元/kWh，23:00至24:00为0.35元/kWh。由此产生的价格曲线形成了两个潜在的充电时段和强烈的晚间放电激励。 5%至10%之间的中度计划偏差使用0.30的系数，超过10%的偏差使用1.50，出口容量限制违规使用10倍乘数，基础调节成本为125元/(兆瓦·天)。这些数值定义了案例研究的校准，并一致应用于所有组合比较中。特定市场的应用可以在不改变模型结构的情况下，替换相应的本地电价和结算参数。电价、罚金和调节参数列于表7. 表7。 电价、惩罚和频率调节参数。
3.4. 对比案例 对比了五个案例：
C0：无储能光伏电站； C1：M1，仅偏差控制； C2：M2，偏差控制加余电吸收； C3：M3，C2加现货市场套利； C4：M4，C3加调频容量预留。C4-Base表示在基础补偿情形（8元/MW/等效调用，25次等效调用）下的经济最优解，其最优预留容量为0 MW。案例2–4分别采用15/50、25/80和30/100元/MW/等效调用/等效调用，构成补偿敏感性系列。每个C4运行点均以其补偿情形和相关预留容量进行索引。 在基础补偿案例下，最优调节预留为0 MW，因此C4-Base在运行上与C3相同。随后，敏感性系列评估了案例2（15 CNY/MW和50次等效调用）、案例3（25 CNY/MW和80次调用）以及案例4（30 CNY/MW和100次调用）。第4.5节中非零最优解对应于这些更高补偿的案例。项目级电网数据集在其系统评估设置中报告了C4组合，补充了电厂级的补偿敏感性分析。对比的运行案例定义在表8. 表8。 对比运行案例的定义。
4. 结果 数值结果分为两个部分。第4.1节, 第4.2节, 第4.3节和第4.4节在等概率场景条件基准下比较嵌套式能源导向组合，并且第4.5节评估了四种调节补偿案例。第4.6节和第4.7节中，同时加入了系统级电网影响和储能规模的视角，而第5节则考察了主要的参数、情景和时间鲁棒性维度。
4.1. 无储能基准运行 在十种光伏场景中，无储能电站的日均售电收入为192,512元，平均偏差罚款为8,071元，导致平均净收益为184,441元。各场景的净收益在176,929元至193,129元之间波动。这种差异主要受白天光伏发电量以及输出时间超出严重偏差区间时长影响。 相对于总能源收入，该罚款金额较小，但这并不意味着偏差管理不重要。罚款分布集中在少数高产量和高价格区间。由于在±10%范围之外边际罚款急剧上升，即使平均罚款占比不高，减少这些极端区间也能产生价值。此外，计划合规性会影响运营信誉，并可能影响未来的市场参与或调度待遇。C0计划合规性和经济结果显示在图7特定情景下的C0经济结果总结在表9. 图7。 无储能调度合规性与代表性光伏出力场景的时间区块经济性能：（）预测与实际功率轨迹，包含±5%和±10%的误差带，其边界由黑色虚线表示；（ ）时间区块售电收入、评估罚款和净收益。b ) time-block electricity-sales revenue, assessment penalty, and net benefit.表9。 无储能光伏电站（C0）的特定场景经济性。
4.2. 以偏差为导向的电池运行 在C1方案下，电池主要围绕预测误差进行调度。当光伏出力超过上限时，电池充电；当出力低于下限时，电池放电。代表性场景显示，PCC功率全天大部分时间保持在±5%的范围内，仅有短暂时间进入严重偏差区域。电池荷电状态主要在正午和傍晚时段发生变化，并在时段结束时恢复至10 MWh。 在代表性场景中，偏差惩罚金从7923元降至3148元。在所有十个场景中，平均售电收入从192,512元增加到199,974元，因为电池还将部分电量转移到了高电价时段。平均偏差惩罚金降至2961元，而平均电池运行成本为6028元。最终的平均净收益为190,986元，较C0方案增加了6545元，增幅为3.55%。 C1结果表明，即使没有显式的价格套利，电池也能创造价值。最优调度并非简单的阈值控制器。它选择性地利用电池能力，针对严重偏差，并为后续时段保留能量。终端状态约束防止了全天电池净放电导致表观收益被夸大。代表性的C1运行轨迹如图所示图8。C0与C1的平均经济对比总结在表10. 图8。 C1中以偏差为导向的电池运行：() 包含偏差带的预测、实际和并网功率轨迹；( ) 储能功率和储能轨迹。b ) storage power and stored-energy trajectories.表10。 C0与C1之间的平均经济比较。
4.3. 联合偏差控制与余电管理 C2在可再生能源盈余时段引入了严格的出口上限。在没有储能的情况下，超过上限的输出要么被削减，要么面临相当于同期电价十倍的罚款。因此，最优策略将该上限视为高优先级约束。当光伏输出接近上限时，电池开始充电，并在受限期间保持相对较高的荷电状态。这种行为与纯粹的价格套利不同：电池可能会以适中的价格充电，因为避免违反上限具有更高的边际价值。 在代表性情景中，PCC轨迹运行接近但未超过出口上限。盈余期惩罚降至零。售电收入为203,034元，偏差惩罚为710元，电池运行成本为5,578元，净收益为196,746元。在十个情景中，平均净收益为194,970元。这比C1高出3,984元，比C0高出10,529元，相当于比无储能基准提高了5.71%。 C2的储能轨迹遵循“早充电、集中使用”的模式。它并非以重复的浅充放电循环为中心。在主要盈余期间，充电能力比放电收益更具价值。结果证实，储能的经济作用取决于有功系统约束的影子价格。硬性的出口上限可能会主导能源价格信号。代表性的C2功率分配和电池轨迹如图所示图9。C2的经济结果总结在表11. 图9。 C2中的联合偏差控制与剩余可再生能源吸收：() 光伏预测、实际、响应限制和并网功率轨迹；( ) 储能充放电功率和储能轨迹。b ) storage charging/discharging power and stored-energy trajectory.表11。 联合偏差控制与盈余能量管理（C2）的经济性。
4.4. 现货市场套利机制的加入 C3允许电池从电网充电，并充分响应日价格曲线，同时保留偏差和盈余约束。主要充电时段发生在深谷和午间谷电价时段。放电则集中在17:00–22:00的峰值和尖峰时段。然而，电池并非仅依据价格运行。它在午间盈余时段前保留充电余量，并为预测缺口和晚间电价保留放电能量。时段价格及其主要运行影响总结在表12. 表12。 案例研究中使用的分时电价曲线和主导性电池储能系统运行激励措施。在十种场景下，C3产生的平均售电收入为212,797元人民币。平均偏差罚款为1,387元人民币，电池运行成本为11,111元人民币，从而产生200,299元人民币的平均净收益。与C0相比，提升了15,858元人民币，即8.60%。与C2相比，电网辅助价格套利的增量价值为每天5,329元人民币。 总收入的增加伴随着更高的电池吞吐量。这凸显了一个普遍的权衡：除非价差超过效率和退化成本，否则增加收入流并不会自动增加净值。在本案例中，谷电与尖峰电价之间1.05元/千瓦时的价差足以支撑额外的循环。在价差较窄的市场中，C3可能会趋向于C2。C3电池功率和储能轨迹如图所示图10C0–C3投资组合的平均经济价值和边际价值总结在表13. 图10。 C3中以现货价格为导向运行下的电池充放电功率与储能轨迹。表13。 C0-C3服务组合的平均经济性与边际价值（元/天）。
4.5. 调频预留与机会成本 C4引入了调节预留机制。在基础电费下，每兆瓦预留调节容量每天可获得360元收益，并产生125元的直接调节成本。因此，表观直接利润为正。然而，随着预留量的增加，电厂的总收益会下降，因为被扣除的功率和能量裕度会减少能源市场收入，并增加偏差风险。预留调节容量对平均净收益的影响如图所示图11。调节容量的经济结果总结在表14. 图11。 四种补偿情景下平均净收益与预留调频容量的关系。表14。 频率调节容量预留下的十场景平均经济性（人民币/天）。在代表性场景中，总收益从0 MW调节时的195,493元人民币下降到1 MW时的194,628元人民币、3 MW时的192,899元人民币、6 MW时的186,211元人民币以及9 MW时的168,552元人民币。调频收益随调节容量线性上升至9 MW时的3,240元人民币，但这不足以弥补较低的售电收益、较大的偏差惩罚以及与调节相关的衰减损失。十个场景的平均值也呈现相同趋势：总收益从0 MW时的200,299元人民币下降到6 MW时的190,640元人民币和9 MW时的174,641元人民币。图12分解了在预留容量范围内相关的收益组成部分。 图12。 不同预留调节容量下基础光伏出力场景的收益构成。这一结果对于市场设计和项目评估都至关重要。获得正向辅助服务支付并不能证明参与该服务是盈利的。相关的比较基准是预留电池容量的全部机会成本。在共址电厂中，该成本取决于可再生能源的不确定性、出口限制、价差以及终端能量需求。 当等效里程和单位支付增加时，最优解会发生偏移。项目敏感性分析显示，在适度增加的情况下，最优预留量仍为零，但在两种最高补偿情况下，该值会移动至约6兆瓦和8兆瓦。这种阈值行为反映了电池裕度边际价值的离散变化。一旦调节支付超过了偏差缓解与高峰期放电的综合价值，优化器就会开始预留相当比例的变流器容量。由此产生的补偿敏感性曲线如图所示图11.
4.6. 服务叠加对电网层面的影响 图13和表15总结了C1–C4服务组合的项目级系统评估。这些指标通过频率、潮流和调度成本分析来描述系统响应，从而补充了15分钟电厂优化。它们的计算路径与分层估值框架内的相应PCC轨迹、系统模型和项目数据集相挂钩。 图13。 C1–C4储能服务组合的项目级系统影响指标。表15。 系统评估中四种储能服务组合的项目级电网影响指标。电站级可再生能源利用率定义为1减去弃电量除以总可用可再生能源量；从可再生能源分子中排除电网购电充电量。项目级利用率百分比保留相应系统评估的定义和基准。报告这两个指标及其计算基准，可保留它们各自的电站和系统含义。 频率合规性、网络损耗和削峰成本节约分别在专门的动态、潮流和系统调度模型中计算。它们与电站经济性和可再生能源利用率一起，构成了分层评估的系统价值组成部分。 电厂利润和电网价值的排名可能存在差异，因为预留的调节裕度可以在提高系统性能的同时降低电厂在能源市场的价值。补偿和容量机制可以将这两类价值流对齐。通过将每个电厂的运行点映射到相应的系统评估模型和结算参数，可以获得联合定量比较。
4.7. 储能规模与灵活性价值的解读 100–300 MW储能系列从系统层面提供了关于边际灵活性递减的规模响应视角。它在更广泛的系统基础上评估了频率、削峰、备用和爬坡指标，并以独立的储能规模视角补充了固定的10 MW/20 MWh电站案例。尽管这一规模扫描是在系统评估层级进行的，但它也通过揭示从更大功率和能量额定值中获得的单调但递减的灵活性收益，为储能规模问题提供了一个定量的敏感性包络。 削峰指数呈现出类似的模式：相同三种容量下的数值分别为22.7%、40.9%和51.1%。备用需求满足率从0.30提升至0.52和0.73。爬坡充裕度提升更为迅速，从0.56提升至0.93和1.29，这是因为300兆瓦电池超过了预设的爬坡需求。这些结果表明，面向功率的服务可能比面向能量的服务更早达到饱和，且容量配置应基于约束需求的边际价值，而非单一固定的储能与可再生能源配比。 对于80兆瓦的主电厂，电池储能系统（BESS）固定为10兆瓦/20兆瓦时，对应12.5%的功率比和2小时持续时间，这与匿名化的项目配置相符。模型结构表明，增加能量容量可以缓解能量余量竞争，而增加变流器功率可以增强调节和爬坡能力并改变循环强度。这些方向性影响补充了已安装配置的定量组合结果。系统级储能规模的敏感性分析如图所示图14. 图14。 独立系统级储能容量敏感性：调频、削峰、备用提供和爬坡支持的边际灵活性提升。
5. 讨论
5.1. 敏感性与鲁棒性分析
5.1.1. 价差 C3的值随充放电价差增加而增大，随往返损耗和吞吐成本增加而减小，这直接源自目标函数中的能量结算和电池成本项。案例研究的价格曲线为这种关系提供了参考分布，而通过替换相应的输入序列，可以评估不同的价格区块。
5.1.2. 偏差惩罚严重程度 提高中度或严重偏差系数会改变进度合规性改善与电池循环之间的经济权衡。为了量化这一影响，对偏差导向的运行案例（C1）进行了单因素敏感性分析，通过改变偏差惩罚严重程度和电池吞吐量成本系数，同时保持电厂额定功率、初始和末端储能、15分钟时间分辨率以及代表性可再生能源和价格输入不变。 详细的灵敏度基准考虑了一座配备10兆瓦/20兆瓦时电池储能系统的80兆瓦光伏电站。初始电池能量为10兆瓦时（50%荷电状态），充放电效率设定为100%，调度周期为一天，包含96个15分钟间隔。偏差结算遵循第2.3.4节中描述的分段±5%和±10%区间。第2.3.4节，并且电池调度经过优化，在考虑售电收入、偏差罚款和电池运行成本的同时，实现每日净收益最大化。与基准校准相比，还比较了四种额外情况：减少偏差罚款、增加偏差罚款、提高电池吞吐成本和降低电池吞吐成本。C1灵敏度案例及相应的经济结果汇总在表16中。C1灵敏度结果在图15. 图15。 偏差导向型电池运行（C1）在偏差惩罚和电池吞吐成本敏感性情况下的每日经济性对比。表16。 C1敏感性分析的参数情况及每日经济性汇总。定量结果表明，经济响应是非线性的。相对于基准情况，降低惩罚的情况使每日净收益增加了2619.66元（1.36%），这主要是因为电池循环次数略有减少，同时保留了大部分的售电价值。当偏差惩罚加剧时，电池吞吐量从21.36 MWh/天上升到27.11 MWh/天，这降低了惩罚成本，但也使电池运行成本上升，从而导致净收益减少了1707.18元。吞吐成本的敏感性更为显著：较高的吞吐成本将每日电池吞吐量抑制至6.84 MWh/天，并将净收益降至189,127.76元人民币；而较低的吞吐成本则将吞吐量提升至31.96 MWh/天，将偏差惩罚削减至625.03元人民币，并产生196,170.81元人民币的最高净收益。这些结果证实，偏差控制服务的边际价值取决于结算严重程度和循环成本的共同作用，并且随着运行成本的降低，电池会从选择性合规支持转向更积极的平滑调节。
中进行了比较。5.1.3. 出口上限持续时间与严重程度 更长持续时间或更严格的出口限制会增加充电能量容量的价值，直到电池储能系统达到其功率或能量限制。相关的响应特征包括削减的能量、出口限制违规、净收益以及电池饱和的时间间隔数量。出口限制的持续时间和限制水平均作为可控的敏感性输入进入模型。
5.1.4. 调频补偿 调频补偿敏感性包含四种情况。情况1（8元/兆瓦和25次等效调用）是基准情况，而情况2-4分别使用15/50、25/80和30/100。这些组合逐步增加了等效调频报酬，并揭示了阈值行为：在适度增加的情况下，最优预留仍为零，而在两种最高补偿情况下，预留量分别移动至约6兆瓦和8兆瓦。这四种情况构成了一个项目定义的低到高补偿系列，用于机会成本分析第4.5节. 调频补偿参数列于表17. 表17。 调频补偿灵敏度分析中使用的参数。稳健性分析涵盖了价差、偏差惩罚、出口上限持续时间与严重程度、终端SOC、情景代表性、BESS规模以及时间跨度。通过四个案例对调频补偿进行了定量评估；其余维度则通过目标函数结构、约束条件和数据需求进行解释。这种结合识别了代表性日模型中的主要响应机制。
5.1.5. 情景不确定性 十情景基准固定了情景数量和等概率权重。可以通过改变轨迹数量及其概率、添加尾部条件，并将代表性集合与底层样本分布进行比较，来评估情景稳健性。此处报告的经济范围取决于所说明的十情景集合。
5.1.6. 终端SOC、BESS容量配置及年度时间跨度 终端能量政策、特定电厂的功率与能量容量设定，以及年度或代表性月份的运行模式，引入了超越单一代表日的时序耦合。在报告的基准测试中，终端能量固定为10 MWh以避免日末耗尽，而安装的10 MW/20 MWh电池储能系统则反映了匿名化的项目配置。第4.7节连同附录A在更高的储能容量等级上提供了相应的定量规模响应证据，因此，目前的电站级结果应被解读为以所述的终端荷电状态策略和项目规模为前提的条件性结果。
5.2. 工程与政策启示 由此产生三个工程层面的启示。首先，储能控制应采用分层架构。快速内环控制提供电压和频率支撑，而日前优化器则分配能量和功率裕度。独立处理这些层级可能会导致不可行的承诺。其次，终端荷电状态和不确定性约束至关重要。在预期价格峰值期间完全放电的确定性调度，可能会使电厂无法应对后续的预测误差。第三，构网能力应与能量容量分开评估。具有相同MW/MWh额定值的跟网电池和构网电池，在短路和故障支撑方面的价值并不相同。 政策启示是，强制性的储能配比是基于价值的采购的弱替代方案。可再生能源弃电率高的地区需要持续的能量吸收能力，可能更倾向于长时储能。拥有活跃现货市场和晚高峰负荷的地区，可能从2至4小时的电池储能中获得更大价值。弱送端系统可能优先考虑构网控制和动态无功能力。频率受限的系统可能需要限制级可用性补偿，以弥补预留调节裕度的机会成本。 该模型还阐明了为何共址与独立储能可能表现出不同的最优行为。共址储能共享可再生能源电站的调度计划、出口限制和偏差结算。即使市场价格不利，其电池也可能被迫吸收可再生能源的剩余电量。独立储能可以仅针对市场价格和电网服务信号进行优化，但它可能无法捕捉到发生在可再生能源并网点（PCC）后端的避免弃电和避免罚款的价值。市场规则应同时认可这两种价值渠道。
5.3. 局限性 该方法论具有六个范围条件。首先，详细案例使用代表性日输入，因此年度盈利能力、季节性运行和累积退化需要进行时间序列分析。其次，场景依赖的追溯代表了场景选择后的完美信息，并产生期望值基准。第三，不确定性表示采用十条等概率轨迹。第四，电池退化由线性吞吐量代理表示，忽略了温度、日历老化、C倍率、荷电状态依赖性以及非线性循环损伤。第五，频率、电压、损耗和系统成本指标在专门的系统评估模型中计算。第六，调节由对称备用容量和等效里程补偿表示，而特定市场的AGC信号、非对称产品、承诺时间和性能规则则通过额外参数表示。 在这些条件下，该框架提供了透明的日内服务耦合和机会成本核算。非预见性或滚动时域调度、特定市场的时间安排、电厂级储能容量规划、详细的电网模拟，以及按时间顺序的年度评估，均构成了分层架构的兼容扩展。
6. 结论 本文开发了一个分层框架，用于基于场景的日内多服务合作优化以及配备储能的再生能源电站的电网价值评估。该框架结合了15分钟电站混合整数线性规划（MILP）、多时间尺度服务映射以及项目级系统评估。 日内MILP结合了电池功率和能量约束、循环终端能量回收、分段偏差惩罚、临时出口限制、能量结算、基于吞吐量的退化成本以及调节容量预留。调节容量在不同场景间共享，而剩余的调度变量则构成场景相关的追溯变量，从而为嵌套的服务组合提供了一个完美信息的期望值基准。 结果表明，在所研究的配置中，以能源为导向的服务堆叠增加了预期的电厂收益，且调节预留受电力机会成本和能源裕度的影响。在四个调节补偿案例中，当报酬处于低和中等水平时，最优预留量保持为零，而在两个最高报酬案例中，则分别偏移至约6 MW和8 MW。这些结果刻画了十条等概率轨迹、10 MW/20 MWh 电池储能系统、循环终端能量条件以及所述案例参数的特征。 核心方法论结论是，应将共址储能视为时间耦合的服务组合进行评估，且电厂价值与电网价值对组合的排序可能存在差异。进一步的研究可整合非预见性或滚动时域调度、验证场景生成、年度时序模拟、非线性电池老化、电厂特定功率与容量配置、有功-无功协同优化、交流网络约束，以及能量与灵活性联合定价。
