[1 区Trans论文代码]-光伏+储能参与容量市场:风险感知策略怎么优化?
- 2026-01-14 17:05:49
[1 区Trans论文代码]-光伏+储能参与容量市场:风险感知策略怎么优化?
针对孤立电网容量市场中可再生能源 + 储能参与的风险管控难题，本文提出概率预测驱动的风险感知策略。以光伏 + 储能系统为研究对象，采用归一化流（NF）生成分位数预测，构建两阶段鲁棒优化模型，通过 Benders 对偶割平面（BD）和列约束生成（CCG）算法求解，创新动态风险参数选择机制。实验表明，该策略比传统点预测基准收益提升 20%+，NF 预测精度优于 LSTM，CCG 算法求解速度快 10 倍，为容量市场参与提供兼顾收益与风险的实操方案。
在海外法属群岛等孤立电网中，可再生能源 + 储能参与容量市场是主流模式，但可再生能源的波动性会带来履约风险 —— 出力不足或超额都会面临罚款。如何在保证履约率的同时最大化收益？IEEE Transactions on Sustainable Energy 的最新研究给出了系统性解决方案。 研究构建了 “预测 - 优化 - 控制” 三阶段策略框架，完美适配容量市场的日前申报 + 实时控制流程（图 1）。 
图 1. 概率预测驱动的鲁棒优化策略总览（图片序号为论文中序号 1）核心逻辑：日前阶段用 NF 生成光伏分位数预测，输入鲁棒优化模型得到申报曲线；实时阶段用编码器 - 解码器生成短期点预测，调整储能充放电策略。该框架首次将概率预测与鲁棒优化深度耦合，突破传统确定性预测的局限性。 传统 LSTM 通过分位数回归生成预测，而 NF 能直接建模复杂概率分布，预测质量全面领先（图 6）。 
图 6. 分位数预测质量评估（QS / 可靠性 / CRPS）从结果可见，NF 的分位数得分（QS）和连续排序概率得分（CRPS）均低于 LSTM，说明预测精度更高；可靠性曲线更贴近理想线，意味着预测结果更可信。这为鲁棒优化提供了更精准的不确定性边界。 传统策略采用固定风险参数，难以适配不同天气场景。本研究设计动态参数策略，根据预测分布调整风险预算（图 4）。 
图 4. 动态风险参数下的归一化收益结果显示，动态策略最高收益达 75%，比静态策略提升约 2 个百分点。核心逻辑：预测分布越分散（不确定性越高），越保守；分布越集中，越积极，实现 “风险自适应” 调控。 研究对比了 BD 和 CCG 两种鲁棒优化求解算法，关键结论如下： 基于比利时列日大学 466.4kWp 光伏实测数据（350 天）的实验表明：
Dumas J, Cointe C, Wehenkel A, et al. A probabilistic forecast-driven strategy for a risk-aware participation in the capacity firming market[J]. IEEE Transactions on Sustainable Energy, 2022, 13(2): 1234-1243. 开源代码链接：https://github.com/jonathandumas/capacity-firming-ro 本文内容基于论文原文提炼，部分表述借助 AI 生成，仅供学术交流参考，具体技术细节请以原文为准。实际工程应用中，需结合具体场景验证算法可行性。若涉及侵权或内容错误，请联系删除。 欢迎业务合作交流，邮箱：power_journal_code@163.com 第5篇[一区论文代码]-第5期[一区论文代码]-日前 vs 实时市场：储能参与模式如何优化脱碳经济性？ 第4篇[一区论文代码]-对抗储能不确定性！PPO 算法解锁弃风弃光 + 混合储能调度新方案 [附代码] 第3篇[一区论文代码]-储能套利遇瓶颈？变充放电效率 + 电价不确定怎么破？解析 SDP 算法 1 秒求解 [附代码] 第2篇[一区论文代码]-6 种电池技术 + 4 大应用场景！住宅 PV 储能系统盈利指南 [附代码] 第1篇[一区论文代码]-储能套利还在靠规则？Rainbow 深度强化学习给微电网一个更“聪明”的选择-代码
关键词：容量市场、鲁棒优化、概率预测、归一化流、风险控制、电力市场
核心亮点
预测 - 优化一体化：首次将归一化流（NF）引入容量市场，生成高精度概率预测，为鲁棒优化提供可靠输入，预测质量超经典 LSTM；
双算法对比优选：系统对比 BD 与 CCG 两种求解算法，明确各自适用场景，为工程实操提供算法选择依据；
动态风险适配：提出基于预测分布的动态风险参数策略，比固定参数更灵活，平衡保守性与收益性。
一、模型框架：从预测到决策的全流程设计
框架优势在于全流程适配实际市场规则，但需依赖高质量历史数据训练预测模型，对于数据积累较少的新项目，初期效果可能受影响。
二、关键突破：预测与算法的双重创新
1. 归一化流（NF）：概率预测的 “精度利器”
NF 模型的优势是概率分布建模能力强，但模型训练复杂度高于 LSTM，工程落地时需考虑计算资源适配。
2. 动态风险参数：收益与风险的 “平衡阀”
3. 双算法对比：实操性的 “选择题”
求解速度：CCG 比 BD 快 10 倍，单日规划仅需 10 秒；
收敛稳定性：BD 几乎 100% 收敛到最优解，CCG 约有 4% 实例未达最优；
收益表现：CCG 略优于 BD，最高收益 75% vs 72.6%。
工程应用中，追求效率可选 CCG，追求稳定性可选 BD，为不同需求场景提供灵活方案。
三、实验验证：收益显著提升
该策略比传统点预测基准（收益 53.3%）提升 20%+；
NF 预测 + CCG 算法 + 动态风险参数组合为最优方案，收益达 75%；
即使是简化的 NF 确定性策略，收益也达 74.1%，落地门槛低。
总结
核心结论
归一化流（NF）在容量市场概率预测中表现优于 LSTM，是提升决策质量的关键；
CCG 算法更适合工程实操（快且收益高），BD 算法适合对稳定性要求极高的场景；
动态风险参数策略能适配不同不确定性场景，实现收益 - 风险最优平衡。
应用前景
孤立电网（如海岛、偏远地区）光伏 + 储能项目的容量市场参与；
电力市场运营商优化容量招标规则，提升可再生能源接纳能力；
储能运营商制定市场化运营策略，平衡履约率与收益。
优缺点与未来方向
参考文献
更多一区TOP高水平论文代码解读，请关注微信公众号：能电代码研享社
本文来自网友投稿或网络内容，如有侵犯您的权益请联系我们删除，联系邮箱：wyl860211@qq.com 。
