配备卡特蓄电池储能的海事港口交易能源社区：一项真实案例研究
来源：
卡特蓄电池 发布时间：2026-10-22 20:45:46 点击： 次
摘要 社区能源管理是整合现场可再生能源发电、协调需求以及在社区层面实现能源系统脱碳的关键推动力。尽管大多数研究集中在住宅和商业能源社区，但海事港口尽管能源需求高且正在进行电气化，仍很大程度上未被充分探索。本文提出了一种适用于海事港口的交易型能源社区框架，该框架将基于池的本地电力市场与电池储能系统相结合。该市场以统一清算价格的双边拍卖方式运行，而电池储能则遵循优先自用、利用剩余容量进行能量套利的调度策略。市场清算与储能调度通过迭代过程进行协调，根据市场结果逐步调整电池运行。该框架利用实测电力需求、模拟光伏发电以及欧洲最大深水港之一的锡内斯港基于实测的风电出力曲线进行了验证。它实现了17.1内部能源交易的兆瓦时，涵盖80.4%通过本地发电和储能满足的每日社区需求。与全网供电相比，用户的用电成本平均降低了38.9%，同时电池储能除了市场本身带来的节省外，还额外提供了13%的节省。此外，可再生能源的自发自用量增加了57.2%当储能处于激活状态时。结果表明，市场与储能的协同运行能够提高可再生能源的利用率，降低电力成本，并提升海上能源社区中共享灵活性资源的价值。与集中式混合整数线性规划（MILP）基准相比，所提出的框架仅用31.6%的电池吞吐量就清算了64.5%的MILP交易量，并且在考虑电池退化后，每兆瓦时的净收益提高了42.4%。
1. 引言 监管举措正在加速港口作业的电气化进程，特别是《FuelEU Maritime Regulation (EU) 2023/1805》法规，该法规要求从2030年起，在欧盟港口靠泊的集装箱船和客船必须使用岸电（OPS）[1]。因此，在脱碳目标、可再生能源整合以及电动基础设施日益部署的推动下，海港正经历着快速转型。作为具有高度异质性和动态需求特征的能源密集型系统，港口在协调本地发电、储能和用电的同时，还面临着最小化成本、确保可靠运行和减少排放的重大挑战 [2,3]. 一项关于港口能源效率的系统性综述确定了运营策略（如削峰填谷和运营优化）、技术（如装备电气化、岸电和储能）、可再生能源、替代燃料和能源管理系统是提高港口和码头能源效率及环境表现的主要杠杆。它还强调了在包含可再生能源发电的智能电网中进行能源管理是一个具有重大研究潜力的课题 [4]。对于作为智能电网运行的海港，研究者提出了一种混合整数线性规划模型，用于在可再生能源发电不确定的情况下，联合规划码头作业（岸桥、堆场装备、靠泊时长）和能源管理。结果表明，港口微电网和储能系统可显著降低成本，其中岸桥、岸电和冷藏集装箱是主要的能源消耗项[5]。然而，这种方法是中心化且成本驱动的，将港口视为单一决策者进行优化。它没有解决拥有各自发电、用电和储能资产的不同港口参与者如何通过本地市场交换能量的问题。 能源社区为应对这些挑战提供了一个合适的框架，使同址参与者群体能够进行本地能源交换、降低电网峰值需求、提高可再生能源利用率并增加能源自给率 [6]. 它们的内部协调可以依赖于集中式能源管理系统，从全局视角优化社区运行；或者依赖于去中心化的局部电力市场，参与者通过市场机制进行互动[7]。交易能源（TE）通过经济信号协调分布式能源资源，扩展了这一概念[8]。然而，尽管人们对能源社区的兴趣日益浓厚，但现有研究大多集中在住宅或小型商业应用上，而像海港这样的大型工业基础设施在很大程度上仍未得到充分探索[9,10]. 在能源社区中，发电资产可大致分为可调度资源（如热电联产机组或可控发电机）和不可调度资源（如光伏和风力发电，其输出取决于环境条件）[11]。虽然可调度资源可以根据需求进行调度，但不可调度发电会导致生产与消费之间的时间错位，从而降低可再生能源的自发自用率，并增加对外部电网的依赖[12]。储能单元（ESU）通过跨时段转移可再生能源发电量，并平滑光伏和风能资源的波动性，在缓解这些影响方面发挥着关键作用[13,14] 在产消者层面，一种结合了可预测参数的鲁棒公式与高度波动参数场景的随机-鲁棒日前调度模型表明，储能资产可降低86%的电费，并提高84%的住宅可出口容量[15]。此类日前方法在不确定性下优化每个产消者的计划，但将社区互动和点对点交易视为既定事实，而非建模储能运行如何重塑市场结果。 储能集成型能源社区面临的一个重要挑战是平衡最大化自发自用与跨时段能源套利[16]。将储能调度与本地电力市场协调会进一步增加这种复杂性，因为储能运行既会影响市场结果，也会受到市场结果的影响[17]。尽管取得了这些进展，但仍存在重要的研究空白。现有研究尚未解决包含异质参与者的大规模海港能源社区中，本地电力市场与迭代储能调度的集成问题[18,19]. 本文为葡萄牙锡尼什港提出了一种交易型能源社区框架，该框架将基于池的本地电力市场与两阶段电池调度策略相结合。所提出的框架将自发自用与市场参与分离，并通过早停算法将储能调度与市场出清结果迭代耦合。这项工作的主要贡献包括：(i) 为包括消费者、可再生能源发电商和产消者在内的异质港口参与者构建的局部电力市场框架；(ii) 基于自发自用和市场套利独立状态变量的两阶段ESU调度策略；以及 (iii) 一种迭代式储能-市场协调机制，该机制在逐步使储能运行与市场条件保持一致的同时，仍保持适合实时部署的计算效率。 本文其余部分结构如下：第2节介绍了所提出的方法。第3节展示了结果，并且第四节对它们进行了讨论。第五节总结了本文。
2. 材料与方法
2.1. 拟议框架 所提出的框架通过迭代式、反馈驱动的架构解决了交易能源社区（TEC）局部市场与储能单元（ESU）的联合运行问题（源代码可在补充材料中获取)。市场结果与储能运行本质上是相互依赖的：市场价格影响储能的充放电决策，而储能运行则会改变提交给市场的净读档，进而影响未来的出清结果。港口需求被视为外生变量，不受市场结果影响。然而，提交给市场的净读档会根据预测需求和ESU的充放电动作进行调整。因此，它代表的是呈现给市场的需求，而非次日将实际实现的真实需求。因此，独立解决这两个问题需要对由两个过程同时决定的变量做出假设。为了克服这种依赖性，所提出的框架将市场出清和储能管理耦合在一个统一的迭代程序中，使储能资产能够根据观察到的市场结果逐步调整其运行。总体目标是提高当地可再生能源的利用率，同时降低社区参与者的用电成本。 这种交互通过两个嵌套的反馈回路实现。在每个市场回合内，市场一次性清算一个时间步长 ，每个参与者都会观察到实际结果，即被接受的数量，以及对于配备ESU的参与者而言，在提交下一个时间步长的报价前所产生的荷电状态 [数学处理错误] 。这种每小时的市场运行回路确保了每个储能报价都基于ESU的实际荷电状态。当调度周期内所有每小时清算完成后，市场回合即告结束。此时，市场回合收敛回路开始生效：在整个调度周期内获得的清算价格曲线被用作对未来价格的更新预期，ESU管理系统利用这一预期来识别在下一回合中参与市场的最有利机会。通过连续的市场回合，仓储计划和市场结果逐渐相互适应，最终使价格预期和仓储操作趋于一致。这两个反馈回路将在以下小节中详细阐述。
2.2. 每小时市场运行 图1展示了每小时的市场运行层，该层负责管理每个市场回合内的交互。在每个时间步，每位参与者都会形成并提交报价，市场池清算可用报价，每个ESU管理系统在确定下一个时间步的动作前，会观察已实现的成果。这一顺序且具有因果关系的过程，由图1中的省略号所展示以指示循环的重复，确保每项储能承诺都基于ESU的实际荷电状态而非计划值，从而防止提交无法在物理上履行的报价。 to indicate the repetition of the loop, ensures that every storage commitment is based on the actual state of charge of the ESU rather than on a planned value, thereby preventing the submission of offers that cannot be physically fulfilled. 图1。 每小时市场运行循环：在每个时间步 ，每个参与者提交报价，市场池清算可用报价，每个ESU更新其针对该时间步的提案 [数学处理错误] 基于已实现的成果。
2.2.1. 报价形成 每个社区参与者 [数学处理错误] 在每个时间步向本地市场提交价格-数量提案 其角色（买方或卖方）由其净读档的符号决定 [数学处理错误] ，定义为本地消耗与本地能源供应之间的差值。净读档的正负部分分别由公式（ ）和（ ）给出。 [数学处理错误] (1) [数学处理错误] (2) 由于净读档在每个市场回合都会更新，参与者的角色并非固定不变。对于相同的时间步长 ，参与者可能根据前几回合确定的存储动作，扮演买方或卖方的角色。在第一个市场回合（ [数学处理错误] ），净负荷与原始预测相符，因为尚未做出储能决策。从第二回合开始，上一回合获得的储能计划将被纳入净负荷计算，如公式（ [数学处理错误] (3) 所提议的价格， [数学处理错误] ，代表参与者的支付意愿（买方）或接受意愿（卖方）。它源自相应的电网电价， [数学处理错误] ，以及谈判余量， [数学处理错误] ，这反映了参与者更倾向于在社区内交易，而非与外部电网交换能量。买方和卖方的价格公式定义在公式（ ) 和 ( ），分别如此。 [数学处理错误] (4) [数学处理错误] (5) 通过强制执行 [数学处理错误] 和 [数学处理错误] ，买方提交的报价低于其对应的电网进口电价，而卖方提交的报价则高于其对应的电网出口电价。因此，买卖双方都有经济动力在社区内进行交易，而不是直接与外部电网交易。
2.2.2. 市场池 本地市场以双向池拍卖的形式运行，所有在时间步提交的买卖提案 均根据优序准则进行排序：卖单按价格升序排列，买单按价格降序排列。只有当买方的提议价格 [数学处理错误] 大于或等于卖方的提议价格时，交易才能发生， [数学处理错误] 如公式（ ）。这里， [数学处理错误] 和 [数学处理错误] 分别表示匹配的买家和卖家。 [数学处理错误] (6) 每笔交易的成交数量受限于卖家剩余供应量与买家请求量的最小值， [数学处理错误] ， [数学处理错误] 。匹配过程持续进行，直到无法建立更多可行的交易。在时间步 的总清算数量随后根据公式（ [数学处理错误] (7) 统一清算价格定义在公式( ) 作为边际接受卖方价格的中点， [数学处理错误] ，以及边际接受买方价格， [数学处理错误] [数学处理错误] (8) 中点规则将买卖价差平均分配给两个边际参与者，将交易盈余对称地分配到双方。这一特性在合作型TEC中尤为具有吸引力，因为其目标是在参与者之间公平地分享内部交易的收益。由于所有已接受的交易都以相同的统一清算价格结算，该机制实现了预算平衡，这意味着买方支付的总额等于卖方收到的总收入，无需外部补贴。清算价格条件在公式(中被形式化 ），其中社区出清价格 [数学处理错误] 介于电网出口电价 [数学处理错误] 与电网进口电价之间 [数学处理错误] [数学处理错误] (9) 因此，对于买卖双方而言，每笔内部交易在经济上都优于与外部电网的直接交易。报价高于 [数学处理错误] 的卖家以及报价低于 [数学处理错误] 将被拒绝。订单仅部分成交的参与者将被部分接受，仅交易达到所需数量的部分。 [数学处理错误]
2.2.3. 储能单元管理系统 ESU管理系统控制每个储能资产如何响应当前时间步的清算结果，并为其后续时间步制定方案。在每个时间步 ，ESU在提交其时间步报价前，会观察已接受的数量和由此产生的荷电状态。因此，贯穿整个市场回合的荷电状态始终对应于ESU的实际运行状态。此外，ESU在每个时间步仅单向运行，要么充电要么放电，因为单个逆变器无法同时执行这两种动作。调度策略围绕共享相同荷电状态的两个优先级展开：(i) 自发自用和 (ii) 参与市场。 [数学处理错误] 自发自用被赋予最高的运行优先级。对于参与者 ，自发自用电量由公式（ [数学处理错误] ): ESU在以下情况放电 [数学处理错误] 并在以下情况充电 [数学处理错误] [数学处理错误] (10) [数学处理错误] 定义在公式( )中，该公式取决于：(i) 玩家ESU的最大逆变器功率 [数学处理错误] [数学处理错误] ；(ii) 玩家的预测净读档 [数学处理错误] 在步骤 [数学处理错误] ；以及（iii）ESU可放电容量 [数学处理错误] ，在公式（ [数学处理错误] (11) [数学处理错误] (12) [数学处理错误] 中定义 ）中定义，该容量取决于：（i）玩家ESU的最大逆变器功率 [数学处理错误] [数学处理错误] ；（ii）玩家的预测净负荷 [数学处理错误] 在步骤 [数学处理错误] ；以及(iii)ESU的可用充值容量 [数学处理错误] ，在公式(中定义 [数学处理错误] (13) [数学处理错误] (14) 市场参与随后使用自发自用后剩余的功率和能量容量进行。在此阶段，ESU可能会增加与自发自用方向相同的能量交换以利用套利机会，因为在同一时间步内不允许反转运行方向。 如果自发自用处于非活动状态，无论是由于 [数学处理错误] 还是由于ESU已达到荷电状态限制，运行方向将完全由市场参与策略决定。因此，只要两种动作保持在相同的运行方向上，自发自用和市场参与就可以在同一时间步内共存。这种表述保留了本地能量平衡的优先级，同时允许剩余的储能灵活性参与市场。 ESU荷电状态的演变由自发自用能量、 [数学处理错误] 以及市场能量决定。 [数学处理错误] . 荷电状态的更新由公式( ）。在此方程中， [数学处理错误] 表示ESU在时间步长内交换的总能量 [数学处理错误] 代表ESU的能量容量，而 [数学处理错误] 表示单向转换效率。算子 [数学处理错误] 和 [数学处理错误] 分别代表变量的正部和负部。 [数学处理错误] (15) ESU交换的总净能量， [数学处理错误] ，是自发自用能源与 [数学处理错误] 市场能源之和， [数学处理错误] 如公式（ [数学处理错误] (16) ESU的调度受限于逆变器功率限制， [数学处理错误] ，该限制由自发自用和参与市场共同分担。此外，荷电状态必须保持在其物理运行限制范围内，如公式( [数学处理错误] (17) 为了参与市场，ESU使用上一市场回合获得的清算价格曲线来识别套利机会。这构成了一种基于观察结果的启发式方法，而非价格预测机制，因为没有进行任何基于统计或模型的预测，而是直接将上一回合的曲线作为当前回合的预期。这种选择使ESU管理系统免受外生预测模型的干扰，随着连续回合逐步使预期和实际价格曲线趋于一致，预期的准确性会内生地得到提高。在每个时间步 ，当前出清价格， [数学处理错误] ，将与后续时间步的预期出清价格进行比较， [数学处理错误] 。在自发自用后剩余的功率和荷电状态裕度约束下，当预期价格上涨时ESU充电，当预期价格下跌时ESU放电。 由于充放电会产生转换损失，只有当预期价差能够弥补往返效率损失时，套利在经济上才可行。考虑到ESU的单向效率， [数学处理错误] ，充电和放电条件分别由公式（ ) 和 ( ）定义。当公式（ ）和公式（ ）均不满足时，ESU保持闲置状态。 [数学处理错误] (18) [数学处理错误] (19) 最终的市场能量， [数学处理错误] 充电时视为正值，放电时视为负值。该能量被计入参与者的净读档，并用于在后续市场回合中提交报价。市场报价中任何未匹配的部分都会被舍弃，因此不会影响荷电状态的更新。
2.3. 市场回合收敛 图2展示了市场回合收敛层。在第一回合 [数学处理错误] ，尚无ESU调度计划可用，市场仅使用预测的净负荷进行清算 [数学处理错误] ，得出初始清算价格分布 [数学处理错误] 以及清算数量 [数学处理错误] Figure 2. 市场回合收敛过程。在回合中获得的清算价格 [数学处理错误] 被用作下一回合的价格预期 。ESU计划被迭代更新，直到满足停止条件。 从第二回合开始（ [数学处理错误] ），更新后的净读档 [数学处理错误] （其中包含了上一回合的ESU计划）将被提交至小时市场运行层。该过程会生成更新的清算价格和清算数量曲线，即 [数学处理错误] 和 [数学处理错误] 最终的市场结果随后将通过目标函数进行评估 [数学处理错误] ，它量化了社区内交易的能量总量。每当发现更好的解决方案时，现有的目标值就会根据 [数学处理错误] 随后，停止算法将确定是否需要执行额外的市场回合，或者是否已达到收敛。目标函数和停止程序将在以下小节中详细说明。 清算量 [数学处理错误] 作为内部市场活动的可观测指标，适应度函数 [数学处理错误] 因此量化了在市场回合期间社区内清算的能源总量 。根据构造，流经储能单元的能源会被计算两次（一次是储能单元从市场采购能源时，另一次是该能源随后被放电并交易时）。这种双重计数是故意的，因为目标函数旨在同时捕捉直接的可再生能源交易以及由储能灵活性带来的额外内部市场活动。为了限制不可行的套利行为，方程（中的往返效率约束 ) 和 ( ) 将存储参与限制在能够补偿转换损失的价差范围内。因此，不应将该适应度函数解释为衡量物理可再生能源利用率或社区自给自足能力的直接指标。这些物理指标将在第3.3节，其中报告了由本地发电和储能放电所覆盖的社区负荷比例。
停止算法 当满足两个停止标准之一时，迭代优化过程即终止。第一个标准基于最大市场回合数，记作 [数学处理错误] 。一旦回合索引 超过此预设限制，无论近期适应度值的演化情况如何，优化程序都会终止。 第二个标准通过早期停止算法（ESA）实现，该算法会监控耐心计数器 [数学处理错误] 。在每个市场回合之后， [数学处理错误] 根据公式（中定义的规则进行更新 ). 每当当前适应度值 [数学处理错误] 超过当前最佳适应度值时，计数器就会重置 [数学处理错误] 。否则，计数器会递增，以记录又一个没有改进的回合。 [数学处理错误] (20) 当耐心计数器 [数学处理错误] 超过预设的耐心阈值时，优化过程就会终止。 [数学处理错误] 因此，整体停止条件由公式（定义 ），它结合了最大回合标准和早停标准。 [数学处理错误] (21) 这种终止策略在保持解质量的同时提高了计算效率。搜索过程会持续进行，只要能发现适应度值的改进 [数学处理错误] ，并且在连续足够多的回合内未观察到进一步进展时终止。因此，一旦优化过程有效收敛，就可以避免不必要的评估。 终止后，将恢复在整个迭代过程中确定的最佳解所对应的存储计划，并进行最终的市场出清和池结算。因此，最终的出清数量和结算结果将对应于在所有市场回合中获得的最佳适应度值 [数学处理错误] 。
2.4. 中心化基准：混合整数线性规划 为了评估所提出的因果去中心化机制相对于中心化协调的性能，我们制定了一个覆盖整个调度周期的中心化基准，其形式为混合整数线性规划（MILP）。该基准保留了第2.1节中描述的主要市场规则，包括方程（ ) 和 ( ）中定义的投标价格、方程（ ）中的投标匹配条件以及方程（ ），以及最大化结算电量的目标。目标函数和所有约束条件关于决策变量都是线性的。投标价格 [数学处理错误] 和 [数学处理错误] 以及效率等都是参数，而二元变量 [数学处理错误] [数学处理错误] 和 [数学处理错误] 仅出现在带有常数系数的乘积项中，例如大M项 [数学处理错误] 和功率限制。出清价格是在优化后计算的，不属于优化模型的一部分。因此，该问题是一个混合整数线性规划问题，使用COIN-OR分支定界（CBC）求解器在每个场景下求解一次，该求解器基于Python 3.10.18实现，使用PuLP 2.8.0并以默认设置运行，未设置时间限制或最优性间隙容差。 与所提出的因果框架相比，集中式基准模型在三个主要方面有所不同：(i) 所有时间步长都是联合优化的，假设完全掌握预测、电价和谈判利润空间，而不是按小时和回合顺序优化；(ii) ESU调度直接作为决策变量进行优化，而不施加公式(10)中定义的自发自用优先原则，也不施加公式(18) 和 (19）；并且（iii）市场池通过可行性约束而非限制级优序匹配来表示。由于基准方案在整个调度周期内仅求解一次，因此在...中描述的市场回合第2.3节以及“停止算法”章节中介绍的停止算法。
2.4.1. 储能模型与净头寸 对于每个ESU，在时间步长 由非负变量表示 [数学处理错误] 和 [数学处理错误] 分别如公式（ ) 和 ( ）所示。与因果框架一致，通过二元变量 [数学处理错误] 防止同时充放电。每个ESU的净能量交换由公式（ ）给出。SoC的动态特性和限制保持不变，如公式（ ) 和 ( ）所定义，且初始SoC与因果框架相同。由于在MILP建模中未明确区分自发自用和市场交易，储能对自发自用的贡献是根据优化调度结果事后确定的。 [数学处理错误] (22) [数学处理错误] (23) [数学处理错误] (24) 储能调度后的净负荷由公式（ ），该式通过使用单个存储项扩展了公式（ ），并简化为没有ESU的参与者的预测净负荷。净负荷被分解为非负的买入量， [数学处理错误] ，和卖出量， [数学处理错误] 如公式（ ）。二值变量 [数学处理错误] 决定了参与者 [数学处理错误] 在时间步充当买家或卖家 ，同时 [数学处理错误] 设定了参与者在单个时间步长内可交换能量的上限。这些约束条件确保了与未选中角色相关的数量为零。 [数学处理错误] (25) [数学处理错误] (26)
2.4.2. 资金池表示与目标 出价 [数学处理错误] 和 [数学处理错误] 由公式（ ) 和 ( ）。由于关税和谈判空间是已知的，这些价格是参数而非决策变量。在没有限制级优序排序的情况下，公式（中的竞价匹配条件 ) 使用辅助价格表示 [数学处理错误] 以及一个二元资格变量 [数学处理错误] 。只有当参与者的出价与以下内容兼容时，才具备交易资格 [数学处理错误] 。辅助价格与其他决策变量共同优化，以最大化每个时间步的总清算能量 [数学处理错误] (27) 清算量受社区内总合格买卖量的约束，取代了公式(的成对清算表述 [数学处理错误] (28) 目标与在...中定义的适应度函数一致第2.3节，从而能够与所提框架的单市场回合进行直接比较。该混合整数线性规划（MILP）由方程（ ) 和 ( ）中的约束条件和方程（ ）中的目标函数定义，每个场景使用Python通过CBC求解器求解一次。该解同时提供了所有时间步的储能调度计划和清算数量。 [数学处理错误] (29)
2.4.3. 盈亏平衡价格 由于 [数学处理错误] 仅为强制执行匹配可行性条件而引入，没有直接的经济解释。因此，清算价格是在优化后，通过应用公式（中的中点规则计算得出的。 ) 到最优分配中的边际出价，即交易量严格大于零的参与者中的最低买入价和最高卖出价，如公式（ ）所定义。此后处理步骤不会影响最优分配或目标值；它根据因果框架中使用的相同中点惯例分配清算价格。 [数学处理错误] (30)
3. 结果
3.1. 海事港口案例研究 所提出的框架通过基于葡萄牙锡内斯港（欧洲最大的深水港之一）的案例研究进行评估。该能源社区包含13个消费者、2个可再生能源发电资产和2个储能单元（ESU）。尽管可用数据集涵盖了整个8月份，但分析重点在于2025年8月22日这一代表性日期的电力需求和可再生能源发电曲线，该日期因其接近月度平均水平而被选中。 电力需求由13个独立用户的真实计量数据表示，这些数据以15分钟分辨率记录的平均有功功率形式呈现，并汇总为每小时数值。用户类型高度异质，从小型三级建筑到大型工业设施不等，日总需求量为 [数学处理错误] MWh。光伏发电量来源于 [数学处理错误] 在PVSyst中模拟了锡尼港的MWp系统，而风电发电量则源自2021年收集的一组可用实际风电测量数据，并按比例缩放以代表一个 [数学处理错误] MW安装容量。所选的已安装可再生能源容量使得每日总可再生能源发电量约为 [数学处理错误] 倍社区需求，从而确保存在可再生能源盈余时段，以便对所提议的市场和储能管理策略进行有意义的评估。由于需求、光伏发电和风电发电量源自不同来源，所有时间序列均同步至统一的每小时分辨率。本案例研究的主要特征总结在表1 表1。 锡尼什港社区的案例研究设置。考虑了两个ESU，每个代表不同的所有权和运营模式。第一个是位于聚合器节点、额定功率为的社区所有电池。 [数学处理错误] MW和6 MWh。其功率额定值根据社区可再生能源盈余的重合峰值确定，而其能量容量则设计为吸收大部分每日可再生能源盈余，并将其转移至需求较高的时段。由于锡尼什港目前尚未配备此类储能系统，因此将其建模为假设的社区资产。在没有关联本地读档的情况下，它完全通过参与市场运作，在低价时段充电，在高价时段放电。 第二台ESU属于最大的消费者，其占比约为 [数学处理错误] 占社区每日用电需求的比例。由于该参与者没有本地可再生能源发电，其电池结合了自发自用与市场套利。它主要放电以满足参与者自身需求，并将任何剩余的灵活性用于市场参与。该储能系统的额定容量为 [数学处理错误] MW和2 MWh。其功率额定值与参与者的平均需求一致，而其能量容量则对应于约 [数学处理错误] 的每日用电量，使其能够利用日内电价波动。同时考虑社区所有电池和参与者所有电池，使所提出的框架能够评估社区所有和参与者所有储能的相对优势。 假设两者的ESU单向充放电效率均为 [数学处理错误] ，从而实现的回合效率为 [数学处理错误] . 它们在可用的荷电状态范围内运行，介于 [数学处理错误] 和 [数学处理错误] . 两种存储系统的主要特征总结在表2 表2。 两个储能单元的特性。
3.2. 市场运行：定价与成本降低 首先通过代表日的每小时出清价格和社区内交换的能源量来评估市场运行情况。在本案例研究中，假设所有社区成员共享同一家电力零售商和电价方案。因此，所有参与者的电网进口和出口电价是相同的，即 [数学处理错误] 和 [数学处理错误] 对于所有 [数学处理错误] 。在代表日内，进口电价范围为118至196欧元/兆瓦时，而出口电价范围为10至17欧元/兆瓦时。 在二十四小时拍卖中，结算价格 [数学处理错误] 始终保持在出口和进口关税界定的区间内，与公式（ ）一致。清算价格范围为 [数学处理错误] 至104欧元/兆瓦时，日均价格为 [数学处理错误] 欧元/兆瓦时。 观察到的价格行为直接源于所提出的竞价策略。在本案例研究中，每个参与者使用单一的谈判利润率 [数学处理错误] 无论是买入还是卖出，均在区间内按均匀分布独立采样，每个参与者每小时采样一次。 [数学处理错误] 这一选择引入了异质性竞价行为，同时确保所有出价均保持在电网电价区间内。因此，无论具体的出价配置如何，中点结算规则都能保证每笔结算价格也保持在这些范围内。 因此，每笔结算交易都能使买卖双方受益。买方始终以低于相应电网购电电价的价格购买电力，而卖方获得的报酬则高于电网售电电价。相对于电网购电，买方的最低收益达到14欧元/兆瓦时，而卖方始终能获得远高于相应售电电价的价格。 图3展示了结算价格的每小时变化趋势，以及相应的电网购电和售电电价。结算价格遵循预期的每日模式，达到其最低值为 [数学处理错误] 中午前后，光伏发电量达到峰值，可再生能源盈余增加了卖方之间的市场竞争，价格约为€/MWh。相反，最高价格104 €/MWh出现在晚间高峰期（20时），此时本地可再生能源发电量减少，需求越来越多地由储能和剩余电网进口来满足。全天清算价格保持在电价区间内，证实了所提议市场机制的预期运行。 图3。 小时结算价格 [数学处理错误] 在代表性日内，受限于公共电网的进口电价 [数学处理错误] 和出口电价 [数学处理错误] 由此产生的价格结构直接转化为社区的经济效益。相对于基准情景下的全电网交换（ [数学处理错误] €，包括 [数学处理错误] 进口成本中的€和 [数学处理错误] 出口收入中的€），代表性日期的总收益约为2285€，相当于 [数学处理错误] 基准值的比例。其中，约1804€（ [数学处理错误] 基准进口成本的比例）对应于避免的电网进口成本，而 [数学处理错误] [数学处理错误] 总收益的比例）通过市场结算在参与者之间内部转移。由于市场在设计上就是预算平衡的，这些内部支付在社区内部重新分配，而不是转移给外部电力供应商。
3.3. 管理系统：增加本地能源交易 ESU管理系统的贡献通过其对社区内能源交易量以及对外部电网依赖程度的影响来评估。在代表性日内，总成交电量达到 [数学处理错误] MWh，而社区需求为 [数学处理错误] MWh，可再生能源发电量为 [数学处理错误] MWh。因此，成交量相当于社区需求的 [数学处理错误] 。尽管该数值超过1，但这并不意味着消耗的能源超过了需求量。相反，它反映了成交量既包括直接的可再生能源对负荷交易，也包括储能运行引入的额外市场交易。 为了区分这些贡献，将清算能量按其来源和去向进行分解。在供应侧，光伏和风能发电做出了贡献 [数学处理错误] 和 [数学处理错误] 分别为MWh，从而导致 [数学处理错误] 社区内交易了MWh的可再生能源。社区电池通过套利放电额外贡献了 [数学处理错误] MWh。在需求侧，12个纯消费者直接购买了 [数学处理错误] MWh，与主要读档相关的产消者购买了 [数学处理错误] MWh来为其电池充电，而社区电池购买了 [数学处理错误] 充电期间的兆瓦时。 因此，清算量超过了社区读档，因为每单位通过储能单元的能量在单元购买时被计算一次，在排放到市场时又被计算一次。仅储能充电就占了 [数学处理错误] MWh的清算量，其中社区电池占据了主导份额。这种分解将源自储能灵活性的市场活动部分与直接服务于消费的部分隔离开来。 图4显示了代表性日内两个储能单元每小时的市场接受功率（灰色和白色背景仅用于区分时间段，不代表额外数据）。社区电池表现出明显的套利模式，在夜间和清晨（ [数学处理错误] -8）进行放电，此时清算价格范围从 [数学处理错误] 到 [数学处理错误] 欧元/兆瓦时，以及在中午时段充电（ [数学处理错误] –13)，此时光伏盈余将结算价格降至全天最低值 [数学处理错误] €/MWh。这种运行模式与提议的套利策略一致，即在低价时段优先充电，在高价时段放电，以补偿储能效率损失。从14时起，社区电池保持闲置，表明未发现进一步的盈利套利机会。 图4。 代表性日内，社区电池和产消者电池在每小时的市场接受充放电量。正值表示市场购买（充电），负值表示市场销售（放电）。该产消者电池全天仅作为买家出现，未记录任何市场销售。这种行为反映了其运行策略：电池通过市场购买能源，随后放电以满足参与者自身需求。由于自发自用发生在市场之外，放电过程在图4中不可见. 图5展示了储能对本地可再生能源利用率的影响。如果没有储能， [数学处理错误] 兆瓦时的 [数学处理错误] 兆瓦时发电量在社区内被消耗，而剩余的 [数学处理错误] 兆瓦时则被输送至电网，因为正午发电高峰与早晚用电高峰并不重合。 图5。 本地消耗与外送至电网的每小时可再生能源发电量（上图 ），以及由本地发电覆盖与从电网进口的社区读档（下图 ），分别对应无储能和有储能的场景。当启用储能时，本地可再生能源的自发自用率提高至 [数学处理错误] MWh ( [数学处理错误] ），而电网出口减少至 [数学处理错误] MWh（ [数学处理错误] ），因为电池将中午的过剩可再生能源发电转移到需求较高的时段。因此，由本地发电满足的需求量从 [数学处理错误] MWh增加到 [数学处理错误] MWh，从而减少了电网进口量 [数学处理错误] 兆瓦时至 [数学处理错误] MWh（ [数学处理错误] ）。这些结果表明，储能的主要贡献在于提供时间灵活性，改善可再生能源发电与电力需求之间的匹配，而非增加可再生能源的发电量。 表3总结了在有无储能场景下各参与者的每日经济影响。对于十二名纯消费者而言，引入储能后，平均成本降幅从 [数学处理错误] 增加到 [数学处理错误] 。配备电池的参与者获得的额外收益较小，从 [数学处理错误] 到 [数学处理错误] ，因为其部分储能容量已专门用于自发自用。可再生能源发电也因此大幅受益，收入增幅高达 [数学处理错误] （相比于直接并网售电）。关于这些结果的更详细讨论，包括社区所有与参与者所有储能的对比，将在第四节 表3。 每位参与者（消费者和产消者）的每日成本降低情况以及（发电者）的收入增加情况，分别在有无储能系统的情况下。符号†表示配备自有电池的参与者。成本和收入以欧元为单位，基于代表性日计算。
3.4节中进行。运行条件分析 中间情景被视为后续分析的基准案例第3节其主要特征总结如下：供需比为 [数学处理错误] ，并考虑了两个ESU，其评级分别为 [数学处理错误] 和 [数学处理错误] 社区和单个参与者。
3.4.1. 可再生能源/需求 为了评估不同可再生能源发电量与需求比例的影响，通过对原始数据集进行合成修改，在保持时间分布特征不变的前提下，按恒定系数缩放可再生能源发电量和需求曲线。定义了两个额外场景，其发电量与需求比例分别为 [数学处理错误] 和 [数学处理错误] ，分别代表相对于需求而言较低和较高的可再生能源可用性。 结果展示在表4。所有场景均以最大市场回合数为 [数学处理错误] 进行评估。在所有三个场景中，提前停止算法在达到最大回合数之前终止了过程，收敛发生在第2回合，总共执行了4个回合。这导致三个场景的计算时间相似。 表4。 对发电量与需求量比率的敏感性分析（相同ESU：社区电池1.5 MW/6 MWh，初始SoC 0.9；玩家电池0.5 MW/2 MWh，初始SoC 0.1）。第1回合表示第一个市场回合，此时尚无ESU调度计划。随着发电量与需求比的降低，社区内交易的可再生能源发电占比增加，在低发电量情景下达到 [数学处理错误] ，而高发电量情景下为 [数学处理错误] 。这反映出当可再生能源相对于需求较少时，社区能够吸收更大比例的可再生能源发电量。相反，当可再生能源发电量大幅超过需求时，更大比例的剩余电量会被出口到电网，这一点从未匹配售电量从低情景下的 [数学处理错误] MWh增加到高情景下的 [数学处理错误] MWh中可以看出。 尽管在交易的可再生能源发电量和电网交换方面存在这些差异，三个场景的最佳适应度值仍然相对接近，范围从 [数学处理错误] 至 [数学处理错误] 兆瓦时。这表明市场清算的能量数量对发电与需求比例的变化相对稳健，尽管交易能量的构成发生了显著变化。未匹配的买入量也与本地可再生能源的可用性一致变化，从 [数学处理错误] 兆瓦时（低情景）下降至 [数学处理错误] 兆瓦时（高情景）。 与没有ESU调度可用的第一回合市场相比，进一步突显了储能的贡献。ESU的使用使池中售出的可再生能源数量增加了超过 [数学处理错误] 在所有三种情景中，收益范围从 [数学处理错误] 相对于 [数学处理错误] 不含ESU的对应回合。
3.4.2. 谈判边际 谈判边际在保留案例研究通用电价结构的同时，为市场引入了参与者特有的异质性。由于锡尼港案例研究中考虑的所有参与者都受制于与港口管理局商定的相同基准电价，市场参与的异质性是通过参与者定义的谈判边际引入的。这允许每个参与者根据其偏好、能源管理需求和市场参与策略调整其有效买卖价格。 为了评估谈判利润率对所提议的市场管理系统的影响，考虑了六种情景。在前五种情景中，所有参与者的谈判利润率都被分配在相同的预定义范围内：20–30%、45–55%、70–80%、85–95%和95–99%。在第六种情景（即混合情景）中，为不同参与者分配了不同的谈判利润率，从而在他们的竞价行为中引入了更大的异质性。结果展示在图6中，该图比较了六种情景下最终的清算价格和总清算电量。 图6。 谈判边际对（ a ）结算价格和（ b ）结算电量的影响 [数学处理错误] 在表现最佳的回合中。柱状图显示平均结算价格，菱形表示成交量加权价格，须线表示每小时的最小值和最大值。基准情况（85–95%）以深蓝色突出显示，混合情景（20–99%）以橙色突出显示。 表5结果表明，较高的谈判边际通常会导致更高的出清价格。混合场景实现了最高的适应度值，达到18.19 MWh，与不含ESU的第一回合相比增长了124.3%。这表明在所考虑的案例研究中，异质谈判边际可以增加市场出清的能源量。然而，池内售出的可再生能源量并未遵循相同的趋势，这突显出较高的市场总活跃度并不一定意味着更多的可再生能源交易。 表5。 对谈判利润率的敏感性（相同的ESU：社区电池1.5 MW/6 MWh，初始SoC 0.9；玩家电池0.5 MW/2 MWh，初始SoC 0.1；所有场景下的社区需求为13.33 MWh，可再生能源发电量为17.77 MWh）。第1回合是第一个市场回合，其中没有可用的ESU调度。"混合"模式为不同玩家分配不同的边际范围。 (same ESUs: community battery 1.5 MW/6 MWh, initial SoC 0.9; player battery 0.5 MW/2 MWh, initial SoC 0.1; community demand 13.33 MWh and renewable generation 17.77 MWh in all scenarios). Round 1 is the first market round, in which no ESU schedules are available. “Mixed” assigns different margin ranges to different players.结果还展示了早停算法的运行情况。在所有场景中，市场回合的最大数量被设置为 [数学处理错误] 。在混合场景中，最佳适应度在第4回合达到，共执行了5个回合；而在其余场景中，最佳适应度在第2回合达到，共执行了4个回合。这表明该算法在改进持续时允许进行额外迭代，同时在解决方案提前收敛时避免不必要的计算。
3.4.3. 储能单元 储能单元（ESUs）通过实现能量时移并支持经济性节省，为所提框架提供了灵活性。尽管该框架是围绕锡尼港的运行特性设计的，但本敏感性分析研究了不同电池配置如何影响市场结果。 混合谈判边际情景（20–99%）被用作本分析的基准。两块电池的初始荷电状态（SoC）均设为0.5，同时在所有情景中，社区需求和可再生能源发电量分别保持在13.33 MWh和17.77 MWh不变。 前两行表6定义了所考虑的ESU配置。场景F包含最大的社区和参与者电池，实现了最高的适应度值，达到19.80 MWh。然而，结果并未建立电池容量与市场表现之间的直接关系。例如，仅包含社区电池的场景B实现了16.57 MWh的适应度，略高于场景E中获得的16.25 MWh，后者包含中等规模的社区和参与者电池。这表明市场结果不仅取决于已安装的储能容量，还取决于ESU调度如何与市场出清过程相互作用。由于已接受的订单决定了实际交易的能量并影响后续的ESU决策，电池配置的变化可能会对最终的市场结果产生非线性影响。 表6。 对电池容量的敏感性。第一回合是第一个市场回合，其中没有可用的ESU调度。表7通过比较当前回合中报价和成交的买卖量，进一步揭示了社区电池的市场参与情况。场景B和场景F获得了最高的两个适应度值，但它们的成交模式有所不同。在场景B中，买卖量均有41%被接受。在场景F中，40%的买入量被接受，而卖出量的接受率则降至15%。尽管如此，场景F仍获得了最高的适应度值，并且在池中售出的可再生能源总量最大，达到15.16 MWh。这些结果表明，整体市场表现不能仅靠单一订单方向的接受率来解释；还必须考虑报价量、最终成交量以及它们与市场出清过程的相互作用。 表7。 在电池容量方案的现有回合中，社区电池的接受情况。报价量是社区电池24小时内每小时订单的总和，接受量是这些订单中在池中成交的部分。接受率是相同方向（买入或卖出）的接受量除以报价量。表8展示了参与者电池的购买接受情况。其主要贡献是支持参与者自身的消耗，而不是向池中出售能源。在场景C、D、E和F中，电池分别向参与者自身的读档供应了1.41、1.30、0.97和1.19 MWh。相比之下，其销售订单分别为0.07、0.00、0.07和1.26 MWh，其中仅在场景C中接受了0.07 MWh。这证实了在所考虑的配置中，参与方电池的作用主要与自发自用相关，而其对市场销售的直接贡献仍然有限。 表8。 在电池容量方案的当前回合中，参与者的电池充电接受度。报价购买是指电池每小时超过参与者自身净需求的购买量，而接受度则是接受量除以报价量。
3.4.4. 混合整数线性规划 所提出的框架与文献中描述的集中式混合整数线性规划（MILP）基准进行了比较显示出我们关注的三个指标，即清算量、电池利用率和经济效益，对这两种方法的排名并不一致。，该基准对所有时间步长进行联合优化。比较重点关注三个方面：总清算电量、谈判边际的影响以及ESU的使用情况。在所有情况下，两种方法均使用相同的需求（13.33 MWh）、可再生能源发电量（17.77 MWh）、电价以及中点清算价格规则。 混合整数线性规划（MILP）始终比所提框架实现更高的出清量。在基准情况下，所提框架的出清量为MILP的64.5%（17.07对26.47 MWh），而在混合边际情景下，这一比例上升至68.7%（18.19对26.47 MWh）。这种差异与集中式MILP在完全掌握可用信息的情况下联合优化所有时间步长相一致，而所提框架则是因果运行的：ESU订单在市场出清过程中可能会被拒绝，且后续决策取决于前一时间步长的结果。 表9比较了谈判边际对两种方法的影响。MILP在所有测试的边际范围内均产生相同的清算量，而采用所提框架获得的电量则在15.00至17.07 MWh之间变化，相对于最低值波动约12%。在所提框架中，谈判边际同时影响订单接受和公式（18) 和 (19），从而影响最终的市场交易量。相比之下，在MILP模型中，测试的边际价格会影响清算价格，但不会改变最优清算交易量。两种方法中的平均清算价格均呈现相似趋势，反映出它们对关税和谈判边际的依赖性。因此，在所提出的框架中，谈判边际既影响市场参与度，也影响最终的清算交易量，而在MILP模型中，其影响仅限于测试场景下的价格结果。 表9。 谈判边际对所提框架和集中式MILP的影响。所提框架的数值为当前回合的数值，成交量比为所提框架的清算电量除以MILP的清算电量。关于ESU运行，表10结果表明，混合整数线性规划（MILP）实现的更高成交量伴随着更频繁的电池循环。总电池吞吐量约为所提框架的3.2倍，每天最高可达3.15个等效全循环。与所提框架中的1次和9次相比，MILP在社区电池和参与者电池中分别表现出12次和16次充放电反转。这些结果表明，MILP实现的额外市场成交量是以更大的电池利用率为代价的，从而导致更高的估计退化。 表10。 基准情形下提议市场与集中式MILP基准的对比（85–95%利润率）。在两种方法下，无储能情形的结算量均为8.11 MWh。电池指标是根据当前回合中社区电池（6 MWh）和参与者电池（2 MWh）的小时SoC轨迹计算得出的。图7展示了两种方法截然不同的SoC轨迹。在所提出的框架下，社区电池在夜间放电，并在中午可再生能源发电高峰前后充电，从而形成相对平滑的轨迹。相比之下，MILP在全天表现出更频繁的SoC波动，这与其更密集的电池循环相一致。社区电池在当日结束时的SoC为0.29，而初始值为0.90，这是因为MILP未施加终端SoC约束。 图7。 社区电池的每小时荷电状态（上图 ）和参与者电池（下图 ) 在基准案例中，针对所提框架和集中式混合整数线性规划。虚线标记了SoC限制（0.1和0.9）。使用每兆瓦时清算能源的净收益来比较这两种方法的经济表现。24小时内清算能源的毛收益使用公式（ ）计算，而每兆瓦时的净收益则使用公式（ [数学处理错误] (31) [数学处理错误] (32) ）得出。ESU在24小时内的总能源吞吐量使用公式（ ）计算，其中 表示其能量容量和 [数学处理错误] [数学处理错误] 该小时结束时的荷电状态 ，其中 [数学处理错误] 代表初始荷电状态。 [数学处理错误] (33) 每个ESU循环的能量通过等效全循环次数表示，公式为（ [数学处理错误] (34) 降解成本是使用[ ]中提出的基于吞吐量的模型进行估算的，其中循环老化系数取自[ ]。ESU的容量损失 使用公式( ），相应的降解成本由公式（ ）。这里， [数学处理错误] 表示ESU的容量损失 全天（%）， [数学处理错误] 是其能量吞吐量（kWh），如公式（ [数学处理错误] 是其能量容量（kWh），并且 [数学处理错误] 是其最大C倍率（0.25小时适用于两个ESU）。系数 −1 [数学处理错误] 和 [数学处理错误] 取自[ ] 并且是为容量为的参考电池获得的 [数学处理错误] 千瓦时。因此，吞吐量按比例缩放 [数学处理错误] 以将该模型应用于不同容量的ESU。电池寿命的终点定义为电池保留 [数学处理错误] 初始容量的时刻；因此， [数学处理错误] 代表已消耗的电池寿命比例。安装电池成本 [数学处理错误] 设定为100欧元/千瓦时，这是[中考虑的最低值 ]. 这一假设使估计的降解成本最小化，因此在测试的成本假设中，它是对混合整数线性规划（MILP）最有利的。 [数学处理错误] (35) [数学处理错误] (36) 将公式（ ）应用于基准情况，所提框架在17.07 MWh的结算量下实现了 [数学处理错误] 欧元的总收益，对应133.83欧元/MWh。MILP在26.47 MWh的结算量下实现了 [数学处理错误] 欧元，对应139.80欧元/MWh。MILP获得的每MWh更高总收益反映了在 [数学处理错误] 和 [数学处理错误] 价差较大的时段内结算了额外的能量，额外9.39 MWh的平均收益为150.7欧元/MWh。然而，更高的结算量也伴随着更为密集的电池循环。根据报告的吞吐量表10，方程（ 在所提框架下，社区和参与ESU分别产生0.0164%和0.0092%的容量损失，而MILP下分别为0.0444%和0.0515%。应用公式( )得出所提框架的降解成本为 [数学处理错误] 欧元，MILP的降解成本为 [数学处理错误] 欧元，分别相当于已结算的34.14和69.78欧元/兆瓦时。将这些值代入公式( )得出净收益为 [数学处理错误] 提议框架的欧元/兆瓦时以及 [数学处理错误] MILP的欧元/兆瓦时，如报告中所述表11 表11。 每兆瓦时结算的净收益，由公式( )给出，单位为 [数学处理错误] 欧元/千瓦时。 是总收益， [数学处理错误] 降解成本，而差值是 [数学处理错误] ，即相对于MILP值。 所提出的框架在基准案例中比MILP每兆瓦时净收益高出42.4%，在混合利润情景中价值高出37.5%。然而，该指标衡量的是每单位清算能源的净收益，而非总净收益，在绝对值上MILP仍保持较高水平，为100 €/kWh（1853.2对1701.9 €）。排名取决于假设的电池成本，如表所示表12在200 €/kWh时，MILP的净收益降至零，而所提框架在电池成本高达392 €/kWh时仍保持正收益。当成本超过约112 €/kWh时，所提框架的总净收益也高于MILP。 表12。 每兆瓦时净收益（基准情况）对已安装电池成本的敏感性 [数学处理错误] 。这三个值是[中考虑的
4. 讨论 所呈现的结果第3节证实了所提框架的基础工作假设，并揭示了超出锡尼什港特定案例的影响。
4.1. 经济效益与市场设计 第一个假设，即基于池的双边拍卖以中点结算价格在结构上保证了每笔结算交易中所有参与者的经济利益，在代表性日期的全部24小时内得到了证实。结算价格全天严格保持在电网电价区间内，确保无论在哪个小时或供需平衡如何，每位买家支付的费用都低于相应的电网进口电价，每位卖家收到的费用都高于相应的电网出口电价。这一结果将中点定价的理论特性扩展到了具有随时间变化的电价和不对称参与者角色的异质工业场景中。 平均消费者成本降低 [数学处理错误] 相对于全网供应，使该框架处于住宅和商业能源社区报告的范围内，其降幅介于 [数学处理错误] 和 [数学处理错误] 通常取决于社区规模、代际构成和电价结构 [ 然而，海港环境引入了住宅社区中罕见的独特特征。最大的参与者占据了约 [数学处理错误] 的社区需求，形成了显著不对称的市场结构，而 [数学处理错误] 的发电量与需求比率导致在代表性日内出现可再生能源盈余的周期性现象。研究这些结构特征如何随季节演变（随着风能和太阳能分布的变化以及港口需求遵循运营周期），是本研究（基于单一代表性日）的自然延伸。 发现无需集中优化即可实现这些减排目标，这与去中心化市场文献一致，尽管这与Gasca等人[ ]报告的结果形成对比，他们发现集中式框架可实现高达 [数学处理错误] 高于基于市场的替代方案。在所提出的框架中，这种性能差距可能会通过中点定价规则（该规则保证了互利交易）与迭代式储能-市场耦合（该耦合在无需获取参与者私有成本函数的情况下，逐步使储能计划与市场条件保持一致）的结合而缩小。剩余的性能差距在实践中是否可接受，最终取决于社区的治理偏好以及与大规模港口环境实时运行相关的计算需求。
4.2. 储能调度与可再生能源利用 第二个假设，即所提出的因果调度策略相比无储能场景提高了可再生能源的利用率，得到了结果的支持。可再生能源的本地自发自用量从 [数学处理错误] 兆瓦时至 [数学处理错误] MWh（ [数学处理错误] ）增加，而电网进口量从 [数学处理错误] 兆瓦时至 [数学处理错误] MWh（ [数学处理错误] ) 当储能单元处于激活状态时。这些改进与微电网文献中通常赋予电池储能的角色相一致，即弥补不可调度可再生能源发电与需求之间的时空错位[ ]。此外，充放电效率标准有效防止了不经济的循环，社区电池的运行概况说明了这一点，它在低价的中午时段充电，在价格较高的早晨时段放电。 回合内的因果回路在每个市场回合内逐小时传播实际的荷电状态，确保储能运行始终保持物理可行，而无需集中调度或完美预知未来的市场结果。这使得所提出的框架特别适用于最终接受量无法提前获知的迭代市场环境。 市场通过单一池进行出清，未明确建模内部线路容量、变压器限制、电压约束、网络损耗或单个参与者的位置。因此，该分析采用铜板网络假设，在此假设下，内部网络约束及其对市场出清的影响未被体现。因此，拥塞管理和节点定价超出了本框架的范围。在锡尼什港案例研究中，现有电力基础设施的可用容量相对于所考虑的功率流提供了裕量，表明在所分析的条件下不太可能出现拥塞。然而，在其他港口，或者在更高水平的本地交易和存储调度下，网络约束可能会限制能源交易，并需要基于位置的定价。因此，将提议的市场和存储框架与锡尼什港的详细电力网络模型相结合，是未来工作的一个重要方向。
4.3. 社区与个人存储所有权 [数学处理错误] 引入社区电池时，百分点，而配备自有电池的产消者仅获得 [数学处理错误] 百分点。这种不对称性源于社区电池在放电时段（ [数学处理错误] -8）通过套利降低了清算价格，且无论是否拥有储能设备，所有买家都能共享这一收益。相比之下，产消者电池提供的灵活性主要通过自发自用使所有者受益，对市场价格的影响较为有限。 这些研究结果表明，在所考虑的案例研究中，社区所有储能设备比个人参与者拥有的同等储能资产能提供更广泛且分布更均匀的收益。然而，这一结论应结合锡尼港高度不对称的需求分布来解读，在该地区，单一参与者约占社区需求的三分之二。 结果还揭示了储能对两种可再生能源发电机组收益的不同影响。在表3（中间情景，谈判利润率85–95%，社区电池初始SoC为0.9，参与者电池初始SoC为0.1）的基准情况下，引入储能后，光伏发电机的收益相对于直接并网出口的增幅从 [数学处理错误] 相对于 [数学处理错误] [数学处理错误] ）开始上升。相比之下，风力发电机的收益增幅仅从 [数学处理错误] 相对于 [数学处理错误] [数学处理错误] ）开始上升。光伏发电机受益于其发电与社区电池充电在时间上的匹配，这使其中午时段（9–13时）的销售量从 [数学处理错误] 相对于 [数学处理错误] MWh增加。相反，社区电池在0–8时段放电，减少了风力发电机的夜间销售量，从 [数学处理错误] 相对于 [数学处理错误] 兆瓦时。这一降幅被其午间销售额的增长部分抵消，从 [数学处理错误] 相对于 [数学处理错误] MWh。这些结果表明，明确考虑不同可再生能源发电技术时间特性的储能调度策略，可以进一步提高社区的整体性能。
4.4. 成交量、电池利用率和净收益 与第2.4节中的集中式基准进行比较显示出我们关注的三个指标，即清算量、电池利用率和经济效益，对这两种方法的排名并不一致。以集中式混合整数线性规划（MILP）作为比较基准，总结了这种权衡。表13第三个假设，即社区所有储能比参与者所有储能能更广泛地分配收益，得到了结果的支持。十二名不拥有储能资产的纯消费者，平均额外降低了成本，达到 表13。 清算量、电池利用率与经济效益之间的权衡（基准情况，利润率85–95%，社区和参与者电池的初始SoC值分别为0.9和0.1，以及 [数学处理错误] €/kWh）。最后一列报告了所提框架与集中式MILP的比例，但每MWh的净收益除外，该项报告了相对于MILP的相对差异。 所提框架成交了64.5%的能源（17.07 MWh，而集中式MILP为26.47 MWh），同时仅需31.6%的电池吞吐量（11.40 MWh，而MILP为36.13 MWh）。所提框架的成交能源与电池吞吐量之比为1.5，而MILP为0.73。这些比例描述了市场活动与电池利用率之间的关系，不应被解释为电池的物理效率。MILP额外成交的9.40 MWh能源与24.73 MWh的额外吞吐量相关，对应约0.每增加1兆瓦时吞吐量，可额外结算38兆瓦时的能源，约为所提框架对应比例的四分之一。 这种差异有两种主要解释。首先，适应度函数 [数学处理错误] 将用于电池充电的1兆瓦时能源，以及随后放电后在两笔独立市场交易中售出的能源，分别计入总量。因此，最大化容量的目标可能会奖励电池循环，而无需相应增加交付给最终需求的再生能源。该混合整数线性规划模型在其优化目标中未包含退化成本、显性盈利筛选或终端荷电状态约束。因此，只要市场匹配约束允许，它就可以安排电池循环。社区电池在当日结束时的荷电状态也为0。29，与其初始SoC（荷电状态）0.9相比。由于没有终端SoC限制，这种储能差异能够对最终的市场容量产生贡献，尽管其确切的贡献需要单独的能量平衡计算。其次，所提出的框架仅在公式（中的套利条件满足时，才会调度电池动作。 ) 和 ( )得到满足，通过 [数学处理错误] 来计算往返效率。因此，价差不足的循环被排除在外。由混合整数线性规划（MILP）清算的额外电量发生在平均价差为 [数学处理错误] 150.7 €/MWh的交易时段。这表明在考虑电池衰减之前存在正的毛价差，但并未证明在计入衰减后，每一个额外的循环在经济上依然有利可图。 谈判边际对这两种方法的影响也不同。在测试的边际范围内，所提框架的清算量在15至17.07 MWh之间波动，而在混合边际场景下达到18.19 MWh（表9），而MILP在所有测试场景中始终清算26.47 MWh。因此，在所考虑的场景下，谈判边际的变化会影响清算价格，但不会改变MILP获得的最佳清算量。在所提出的框架中，边际会同时影响订单接受和套利条件，从而影响最终的市场交易量。因此，谈判边际提供了一种影响去中心化市场结果的手段，而其对中心化基准的影响在测试条件下仅限于价格结果。 经济排名取决于假设的电池成本。这里， [数学处理错误] 表示使用公式（ ）计算的总收益，而 [数学处理错误] 是基于每种方法的每小时SoC轨迹（ ) 和 ( ）使用公式（表10）估算的。由于总收益不依赖于 [数学处理错误] 且退化成本与其成线性关系，每种方法的总净收益可表示为等式（ )，其中 [数学处理错误] 代表全天估计的电池容量损失。所提框架的损失为5.829 kWh，而MILP的损失为18.469 kWh。将两种方法的净收益表达式等同，可得出交叉电池成本，如公式( )所示，其中 [数学处理错误] 和 [数学处理错误] 分别表示它们的总收益。 [数学处理错误] (37) [数学处理错误] (38) 图8a表明在低于 [数学处理错误] MILP 产生了更高的总净收益，而当超过此值时，所提出的框架产生了更高的总净收益。将等式（ ) 由相应的结算能量 [数学处理错误] 给出每兆瓦时（MWh）的净收益， [数学处理错误] ，其绘制在图8b中。由于所提框架结算的能量较少，但估计的退化程度大幅降低，因此随着电池成本增加，其每兆瓦时的净收益下降速度较慢。当电池成本为17欧元/千瓦时（€/kWh）时，两种方法产生的每兆瓦时净收益大致相等；超过此值后，所提框架实现了更高的每兆瓦时净收益。在 [数学处理错误] 欧元/千瓦时（€/kWh）时，总净收益相对接近（1853.2对1701.9欧元），而所提框架实现的每兆瓦时净收益高出42.4%。在 [数学处理错误] €/kWh，MILP的净收益降至6.3 €，而所提出的框架仍可产生1119.0 €。所提出的框架在约392 €/kWh时达到盈亏平衡点，使其对所考虑的更高电池成本假设更具鲁棒性。表12 图8。 净收益作为已安装电池成本的函数 [数学处理错误] a ）每日总净收益；（ b ) 每兆瓦时结算的净收益。该点标记了交叉成本。 [数学处理错误] €/kWh，虚线垂直线标记了 [数学处理错误] 和290 €/kWh。这些线条是根据表13中的数值通过解析计算得出的；未运行额外的模拟。 综上所述，最大化清算电量与最大化为社区带来的经济价值是不同的目标。在基准案例中，集中式混合整数线性规划（MILP）清算了更多电量，但电池吞吐量和估计退化程度也显著更高。所提框架清算的电量减少了35.5%，但在100欧元/千瓦时的价格下，实现了MILP总净收益的91.8%，且电池吞吐量降低了68.4%。当电池成本超过约112欧元/千瓦时后，该框架同样能产生更高的总净收益。这些结果基于单一代表性日、小时分辨率以及基于吞吐量的退化模型，其系数是根据镍锰钴锂离子电池拟合的。对于其他化学体系（如磷酸铁锂电池），每兆瓦时吞吐量的退化程度可能有所不同。因此，估计的交叉成本应被视为反映所考虑的假设和案例研究的指标，而非通用阈值。
5. 结论 本文提出并评估了一种适用于海事港口的交易能源社区框架，该框架通过迭代的双环协调过程，将基于池的本地电力市场与电池储能系统相结合，并将其性能与集中式混合整数线性规划（MILP）基准进行对比评估。该框架通过基于实测光伏发电、风力发电和电力消耗数据的锡尼什港（Port of Sines）真实案例研究进行了验证，并考虑了代表不同所有权模式的两种电池储能系统。 本研究可得出四个主要结论。首先，所提出的采用中点定价的双边池拍卖机制，其清算价格始终保持在电网购电和售电电价区间内，确保每笔内部交易对买卖双方均具有经济效益，且无需集中式优化或获取参与者的私有成本函数。 其次，所提出的储能调度策略显著提高了本地可再生能源的利用率。与无储能场景相比，可再生能源自发自用率提高了 [数学处理错误] ，而电网购电量减少了 [数学处理错误] 。由此产生的市场运行使消费者平均电费降低了 [数学处理错误] ，储能系统还额外贡献了 [数学处理错误] 超出单纯市场机制的部分。这些结果突显了在大型工业能源社区中协调本地电力市场与电池储能的价值。 第三，最大化清算量与最大化经济价值是不同的目标。在基准情况下，集中式混合整数线性规划（MILP）清算的能量比所提框架多55%，但其电池吞吐量约为后者的3.2倍。这种更高的利用率与更大的估计退化相关，而退化并未包含在MILP的优化目标中。在假设电池成本为100欧元/千瓦时的情况下，MILPs实现了略高的总净收益，而所提框架则产生了更高的每兆瓦时净收益。当电池成本超过约112欧元/千瓦时时，所提框架的总净收益会变得更高，且其净收益在成本高达约392欧元/千瓦时时仍保持为正。这些发现强调了在比较集中式和基于因果的市场方法时，考虑电池退化的重要性，尽管这些结果是基于单一代表性日期的。 第四，案例研究表明，社区所有储能比参与者所有储能能更广泛地分配经济利益。社区电池通过降低市场出清价格使所有消费者受益，而私人拥有的电池主要通过自发自用使所有者受益。尽管这一结论应结合锡尼港案例研究来解读，但它表明社区所有储能可能成为大型能源社区的一种极具吸引力的所有权模式。 本研究为未来工作指明了几个方向。将分析扩展到全年的数据集，将能捕捉可再生能源发电和需求的季节性变化，同时支持电池容量研究；此外，将与集中式基准的比较扩展到多天，并在其目标中纳入退化成本，将有助于评估所观察到的成交量、电池利用率和净收益之间权衡关系的稳健性。在港口配电系统中纳入网络约束（包括与位置相关的价格和拥塞管理）、模拟与外部电网运营商及监管框架的交互、将市场出清与港口运营规划相结合以实现需求侧灵活性，以及允许参与者动态调整其谈判边际，将进一步提高所提框架的现实性，并促进其实际部署。
