最近好几个做电力市场方向的朋友都在问售电公司购售电策略该怎么建模,尤其是储能和可再生能源预测误差这块怎么处理。说实话,这个问题我在项目里踩了大半年的坑,从最开始的确定性模型一路做到随机优化,中间被偏差考核、场景爆炸、求解超时各种问题折磨得不轻。趁着假期把整个思路和Matlab实现细节梳理一遍,希望能给正在做类似课题的同行省点时间。
这篇不是纯理论推演,是能直接上手的实战记录。核心思路是用场景法刻画风电和光伏出力的不确定性,把储能当成灵活调节资源纳入日前-实时两阶段决策框架,目标函数里同时考虑期望收益最大化和条件风险价值约束。完整代码基于Matlab R2022b + YALMIP + CPLEX实现,模型规模可控,普通笔记本跑起来没问题。
1. 售电公司的利润与风险博弈:为什么决策模型这么棘手
1.1 售电业务的基本盈利模式
先理清售电公司的角色。售电公司处于电网公司、发电企业和终端用户之间的夹层,核心业务是从批发市场买电,再以零售合同价格卖给用户,赚取中间价差。听起来简单,但实际操作中每一个环节都带着不确定性。
售电公司主要的电量来源有三个:一是自主投资或签约的风电场、光伏电站,二是中长期双边合同,三是在电力现货市场的日前和实时阶段购电。零售侧一般由固定价套餐和分成套餐构成,用户负荷曲线会有波动,但相对可控。真正让决策变难的是批发侧的不可控因素。
很多刚入行的朋友会问,既然中长期合同可以锁定大部分电量,为什么还要精心设计购售电策略?问题在于,中长期合同不可能覆盖全部负荷,总有偏差电量需要在现货市场平衡。现货市场价格波动剧烈,而且偏差电量的结算规则各个省份都不一样,有的按统一出清价,有的按峰平谷分段价,还有的引入偏差考核系数。一旦实际用电量与合同电量偏差超过阈值,就要支付惩罚性费用,这部分成本在决策模型中必须显式刻画。
1.2 可再生能源误差如何冲击购电决策
可再生能源出力预测误差是售电公司最大的风险源之一。风电的预测误差在不同时间尺度上表现差异很大:日前预测的均方根误差通常在15%-25%之间,4小时前预测能降到10%左右,而实时预测仍会有5%-8%的误差。光伏的误差特性不同,主要受天气类型影响,晴天的误差很小,多云天或阵雨天误差会显著放大。
这个误差直接影响购电决策。假设日前阶段你计划从风电场获得100MWh电力,但实际只发了80MWh,这20MWh的缺口必须从实时市场购买。如果实时电价是日前电价的1.5倍甚至更高,这一单就亏了。反过来,如果实际出力超出预期,多出来的电在实时市场可能卖不出好价钱,如果出清价低于成本,还得倒贴。
对策不是简单的预留备用容量,而是在决策模型中引入不确定性描述,让模型自己权衡"多买一点保供应"和"少买一点省成本"之间的最优平衡。
1.3 储能在其中扮演的角色
储能系统对售电公司的价值,主要体现在三个层面:一是能量搬移,在电价低谷充电、高峰放电,直接赚取峰谷价差;二是偏差修正,可再生能源实际出力与预测值的偏差可以通过储能充放电来对冲,从而减少在实时市场的高价购电;三是辅助服务,具备一定规模后还可以参与调频、备用等辅助服务市场,但这需要独立的决策模块。
在购售电策略模型里,储能不是简单地当作一个独立的收益单元来建模,而是作为耦合日前与实时决策的桥梁。日前阶段确定储能充放电计划和市场购电计划,实时阶段根据实际的风光出力偏差,储能进行二次调整。这种两阶段结构正是随机规划里典型的"here-and-now"与"wait-and-see"决策逻辑。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 数学模型搭建:目标函数、约束条件与不确定性刻画
2.1 目标函数:期望利润与风险度量
模型的目标函数我在不同版本里试过三种形式:期望利润最大化、期望利润最大化加CVaR约束、以及均值-方差形式。实际项目里用下来,期望利润 + CVaR约束的表达最实用,既保留了收益弹性,又能有效控制尾部风险。
目标函数的数学表达为:
[
\max \sum_{s=1}^{S} \pi_s \left( \sum_{t=1}^{T} R_{t,s} - C_{t,s}^{\text{day}} - C_{t,s}^{\text{real}} - C_{t,s}^{\text{dev}} \right) - \beta \cdot \text{CVaR}_\alpha
]
其中 (S) 是场景数,(\pi_s) 是场景概率,(R_{t,s}) 是时段 (t) 场景 (s) 下的售电收入,(C_{t,s}^{\text{day}}) 是日前购电成本,(C_{t,s}^{\text{real}}) 是实时平衡成本,(C_{t,s}^{\text{dev}}) 是偏差考核惩罚,(\beta) 是风险厌恶系数,(\text{CVaR}_\alpha) 是置信水平 (\alpha) 下的条件风险价值。
CVaR的线性化表达是很多初学者容易卡壳的地方,后面代码部分会给出具体实现。这里先说明一个关键点:CVaR不是简单地用历史样本的尾部均值来替代,而是需要引入辅助变量 (\eta) 和 (z_s),把风险项转换成线性约束才能交给求解器处理。
2.2 储能运行约束与市场交易约束
储能系统建模的核心约束包括:充放电功率上下限、荷电状态(SOC)转移约束、SOC上下限约束,以及充放电互斥约束。
SOC转移方程:
[
E_{t,s} = E_{t-1,s} + \eta_c P_{t,s}^c \Delta t - \frac{1}{\eta_d} P_{t,s}^d \Delta t
]
其中 (\eta_c) 和 (\eta_d) 分别是充放电效率,(\Delta t) 是时段间隔。充放电互斥约束用一个大M法或者二进制变量来实现:
[
0 \le P_{t,s}^c \le P_{\max}^c \cdot u_{t,s}
]
[
0 \le P_{t,s}^d \le P_{\max}^d \cdot (1 - u_{t,s})
]
购售电约束方面,日前市场的购电量 (q_{t,s}^{\text{day}}) 在日前阶段就需要确定,不能随场景变化(非预期性约束);实时市场的调整量 (q_{t,s}^{\text{real}}) 可以依赖于场景。功率平衡约束是每个时段连接电源、储能、市场和负荷的核心等式:
[
P_{t,s}^{\text{RES}} + P_{t,s}^d + q_{t,s}^{\text{day}} + q_{t,s}^{\text{real}} = L_t + P_{t,s}^c
]
其中 (P_{t,s}^{\text{RES
