蒋向兵，汤 波，余光正，胡鹏飞，夏祥武，3，徐良军

（1. 上海电力大学电气工程学院，上海市 200090；2. 浙江大学电气工程学院，浙江省杭州市 310027；3. 中煤科工集团上海研究院有限公司，上海市 200030；4. 国网浙江省电力有限公司舟山供电公司，浙江省舟山市 316000）

0 引言

中国在2020 年提出了“碳达峰、碳中和”的战略目标，在可预见的未来，新能源发电必将成为电力生产的重要发展方向［1］。然而，由于电网自身调节能力有限且市场机制不够完善，目前新能源发电并网困难、消纳不足等问题日益突出［2］。为应对新能源迅猛发展和节能减排需求日益凸显的现状，将新能源发电与园区微电网有机结合作为电力系统发展的载体，是促进新能源大规模就地消纳、提高电能利用效率和实现节能减排的有效途径，具有广阔的发展前景［3］。

促进园区新能源就地消纳有政策优化、需求响应（demand response，DR）和多能互补等方法，其中从政策上解决园区新能源就地消纳问题缺乏普适性［4］。因此，本文从技术角度和经济层面出发，考虑园区电价的优化调整和储能的优化配置2 种方法促进园区新能源就地消纳。在电力市场化背景下，园区售电将转向由第三方售电公司建设和运营［5］。同时，随着园区负荷侧先进计量装置的大规模应用，将负荷的灵活性逐步引入供需协调中，通过负荷侧电价的优化调整来发挥用户的需求响应潜力是提高新能源就地消纳的重要手段［6］。与此同时，园区微电网中储能作为灵活资源的调节特性，能够抑制新能源风机与光伏出力的反负荷特性，在提高园区新能源就地消纳能力的同时促进园区微电网的安全稳定运行［7］。

目前，已有学者针对园区电价优化促进新能源就地消纳开展研究，但普遍存在考虑影响因素单一的问题，且未从源网荷储整体出发进行协调优化以提高园区新能源就地消纳能力。文献［8］以园区综合能源系统为对象，建立园区运营商与用户代理商的电价主从博弈模型，通过园区各能源的定价优化促进风电就地消纳。文献［9］以系统净负荷期望峰谷差最小为目标对负荷侧分时电价优化模型开展研究，但该研究考虑电价影响因素单一。文献［10］构建了独立型微电网风光储容量定容与峰谷分时电价的源荷储协调优化模型，通过负荷侧电价优化提高新能源就地消纳能力。文献［11］通过制定面向不同用电负荷的分时售电策略，促进园区负荷对新能源就地消纳，但该研究只对负荷进行单独分析，无法进一步提高新能源的就地消纳能力。

当前，对园区配置储能促进新能源就地消纳已有广泛研究。文献［12］提出一种多目标分级含电动汽车的微电网经济调度策略，并通过多目标粒子群算法求解。文献［13］提出考虑收益公平性的用户侧分布式光储系统共享模式，促进了光伏发电的就地消纳。文献［14］以光伏消纳率最大为目标对微电网储能系统进行优化配置。文献［15］考虑了多时间尺度不确定性对微电网储能规划的耦合影响，采用30 个子场景代表全年的源荷数据对储能进行中长期规划，减小了微电网弃风、弃光率。文献［16］考虑园区综合能源系统电、热负荷的季节性差异，选取园区夏季、冬季和过渡季3 个典型日数据代表全年的源荷数据对园区储能进行中长期优化。但是，目前对以园区新能源就地消纳为基本定位的园区储能与电价协调优化开展的相关研究较少，针对这一问题，本文提出一种储能与电价协调优化方法，构建源荷储双层优化模型以提高新能源就地消纳能力。上层考虑新能源出力与负荷的差异性，以净负荷对分时时段进行划分；下层考虑经济成本和消纳能力建立储能的优化模型。最后，算例分析验证了所提模型和算法的有效性。

1 园区储能与电价的双层优化模型

一方面，考虑到园区源荷两侧电力生产与需求情况，采用动态的分时时段划分，以更好地引导储能电池充放电；另一方面，在下层园区储能优化过程中，结合实际运行工况，通过建立储能电池容量损耗系数，定量计算储能电池运行损耗成本。进一步，综合运营商收益和新能源就地消纳，在园区传统分时电价优化的基础上，构建园区储能与电价双层优化模型如图1 所示。

图1 园区储能与电价双层优化模型Fig.1 Double-level optimization model of park-level energy storage and electricity price

上层优化模型中，首先，根据日前净负荷功率预测曲线进行分时时段划分，在此基础上，以园区运营商收益最大为优化目标对分时电价进行优化；决策变量为峰、平、谷时段的电价；约束条件为分时电价约束和单位用电成本约束。采用飞蛾火焰优化（moth flame optimization，MFO）算法求解。

下层优化模型中，优化目标为园区新能源就地消纳率最大；决策变量为储能的功率和容量；约束条件包括园区电功率平衡约束、储能系统运行约束、荷电状态约束和功率与容量约束。由于下层储能电池的容量损耗模型为非线性模型，采用常规的数值求解方法无法求解，因此，采用粒子群优化（particle swarm optimization，PSO）算法求解下层储能优化模型。

上下层模型间的参数传递关系为：通过上层优化模型求解得到园区运营商的分时售电电价，通过需求响应优化负荷曲线，并结合日前新能源功率预测曲线影响下层运营商储能的优化配置；下层优化模型在储能功率及容量优化配置的基础上，计算园区运营商储能配置及运行日成本反馈至上层进行园区分时电价的优化。

2 计及储能运行成本的园区分时电价优化模型

本文结合源荷两侧电力生产与需求情况，首先，采用动态的分时时段划分；然后，由园区运营商制定分时售电电价与用户进行电能交易，通过电价的最优化调整提升其经济效益；最后，通过需求响应促进新能源就地消纳，并影响下层储能的容量和功率配置。

2.1 基于模糊聚类的分时时段划分

传统的分时电价时段划分只考虑季节性差异，但园区微电网系统中电力供应和需求都在波动，尤其是具有随机性的新能源发电［17］。为充分反映源荷两侧的供需情况，本文建立动态分时电价机制，根据日前净负荷功率预测曲线，采用模糊聚类方法进行分时时段划分，具体步骤如下。

1）计算隶属度μt1和μt2：选用模糊隶属度函数来确定各负荷点最大和最小隶属度μt1和μt2，并采用平移极差变换对隶属度进行标准化处理。

式中：qt为负荷t时段用电量；qmin、qmax分别为所有时段中用电量的最小值和最大值。

2）计算模糊相似矩阵R：对标准化处理后的矩阵利用欧几里得距离法进行标定后得到模糊相似矩阵R。R中第x行、第y列元素的计算公式为：

式中：s为一合适的常数，用于确保R（x，y）∈［0，1］。

3）计算模糊相似矩阵R′：标定得到的模糊相似矩阵R不一定具有传递性，因此，需要使用传递闭包法对模糊相似矩阵进行处理后得到具有传递性的模糊相似等价矩阵R′。

4）构建γ-截距阵，完成分时时段划分。取某一常数γ，令模糊相似矩阵中大于γ的元素为1，小于γ的元素为0，得到γ-截距阵。选取合适的阈值γ，根据γ-截距阵中非对角线元素的相似性，可将一天内的时段划分为峰、平、谷3 类，此时即完成峰、平、谷分时时段划分。同时，为实现分时电价的合理划分，要求每个时段不少于2 h［11］。

2.2 园区运营商分时电价优化模型

在园区分时电价时段划分的基础上，综合考虑园区运营商售电收入和购电成本，构建园区运营商分时电价优化模型，要求电价优化模型具有科学性和实用性。

2.2.1 分时电价优化模型目标函数

园区运营商分时电价优化的目标为园区运营商收益最大，收入为园区运营商面向园区负荷的售电收入，成本包括园区运营商向新电源购电成本、与配电网不平衡功率交换成本、联络线功率波动惩罚成本和下层储能系统配置及运行日成本。

式中：B为园区运营商收益；I为收入；C为成本；Isell为园区运营商向用户售电的收入；CNE为园区运营商向新能源光伏与风机的购电成本；Cgrid为园区与配电网的不平衡功率交换成本；Cope为下层储能的优化配置及运行日成本；Cline为园区联络线功率波动惩罚成本；p(t)为优化的园区运营商分时售电电价；Pout(t)为电价优化后园区负荷的实时功率；PPV(t)、PWT(t)分别为园区新能源光伏和风机的日前预测出力；时间间隔Δt取1 h；pPV(t)、pWT(t)分别为园区新能源光伏和风机的上网电价，即园区运营商向新能源光伏和风机的购电电价；Kline为园区与配电网联络线功率波动惩罚成本系数；p0(t)为园区运营商初始分时电价，本文园区运营商与配电网之间的交易电价也采用p0(t)，即优化前的分时电价；Pgrid(t)为园区与配电网交换的不平衡功率；pp、pf、pg分别为峰、平、谷电价；Ωp、Ωf、Ωg分别为峰、平、谷时段集合。

2.2.2 分时电价优化模型约束条件

分时电价优化模型的约束条件包括用电量约束、分时电价约束和单位用电成本约束。其中分时电价约束用于对优化电价进行限制，以保证电价优化模型的科学性；用电量约束用于保障电价优化后园区用户的用电需求；单位用电成本约束用于保证电价优化后园区用户的用电利益不受损害，以保证园区用户对电价的可靠响应。通过用电量约束和单位用电成本约束，可保证上层电价优化模型的实用性［11］。

1）用电量约束

为保障园区用电需求，执行园区分时售电电价后，园区日用电量变化幅度要控制在一定范围内。表达式为：

式中：λ为限制峰谷电价比的常数，本文将其设为5［10］；pmax为峰时电价的上限。

3）单位用电成本约束

为保证园区运营商分时电价优化的合理性，执行园区分时售电电价后，园区负荷的单位用电成本应不大于优化前的园区负荷单位用电成本，即

不等式左边项为园区运营商分时电价优化后用户的单位用电成本；右边项为分时电价优化前用户的单位用电成本。

2.3 用户侧需求响应

需求响应能够发挥用户侧潜力，促进园区新能源就地消纳［18］。上层模型中园区售电商优化分时电价，通过用户侧价格型需求响应（price-based demand response，PDR）促进新能源就地消纳，并根据日前园区负荷的预测功率需求确定其响应后的实时功率需求，为下层储能的优化配置提供依据［19］。

电力需求价格弹性是指负荷需求的相对变动对于电价相对变动的反应程度，可反映用户对电价变化的敏感程度，在用户响应电价模型中被广泛应用［20］。负荷需求的价格弹性系数定义为：

3 促进新能源就地消纳的园区储能优化模型

为进一步提高园区新能源就地消纳的能力，在上层模型园区分时电价优化的基础上，以新能源就地消纳率最大为目标对园区储能进行功率和容量配置，同时考虑储能全寿命周期成本。首先，计算储能配置成本并将其等日值化；其次，在储能配置的基础上，计及储能运行的容量损耗，提出基于储能电池运行工况的容量损耗计算方法，通过计算其容量损耗对应的日替换成本体现储能容量损耗的长期影响；最后，综合储能的配置与运行，得到储能全寿命周期成本，并返回上层园区日前电价优化模型中对分时电价进行优化。

3.1 储能电池容量损耗模型

储能电池的循环寿命与温度、放电深度等多个因素有关［21］。本文考虑电池循环寿命的主要影响因素为放电深度Dbat，即不同放电深度下容量衰减到80%时所发生的循环次数。本文选择锂电池为储能电池，锂电池具有使用寿命长、充放电效率高等优点，对锂电池进行测试得到循环寿命和放电深度的关系参考文献［22］。

在实际运行中，无法保证储能电池每次放电深度都与测试深度吻合，难以确定电池容量损耗成本［23］。本文对放电深度与循环寿命的对应关系进行拟合，根据拟合曲线，建立储能电池单次放电的容量损耗指标，并结合储能电池放电量，得到电池单次放电的容量损耗，随后，通过雨流计数法［24］计算得到储能电池一个运行周期内的容量损耗，从而确定储能电池在实际运行中的容量损耗成本。

调用MATLAB 工具箱进行曲线拟合，拟合结果见附录A 图A1。根据文献［22］的数据，采用幂函数法［23］进行拟合如下：

式中：Pbat(t)为t时段储能的充放电功率，储能放电时Pbat(t)＜0。

3.2 促进新能源就地消纳的园区储能优化配置

3.2.1 园区运营商储能配置及运行日成本

储能系统的优化配置模型以储能的功率和容量为决策变量，计算园区运营商储能配置与运行的全寿命周期成本，包括储能容量、功率及辅助设备的配置成本和维护成本，并计及储能电池容量损耗对应的日替换成本。园区运营商储能全寿命周期日成本Cope的表达式为：

式中：Cin为储能配置的日投资成本；Crep为储能运行容量损耗对应的日替换成本；Com为储能的日维护成本；Cbess为储能的总投资费用；Ccon为储能系统的初始建设成本；Pbess和Ebess分别为园区储能配置的功率和容量；KD为等日值系数；KP、KE分别为储能的单位功率和单位容量成本；Kinv为储能辅助设备逆变器的单位功率成本；Kom为储能的年维护成本系数；α为储能电池成本比例系数；r为折现率；ybess为储能系统投资年限。

3.2.2 储能优化模型目标函数

以新能源就地消纳率最大为目标对园区储能进行优化配置。

式中：Rsel为新能源就地消纳率；PSC(t)为园区微电网中由负荷实时消纳的新能源出力；Pbat(t)为t时段储能的充放电功率，储能充电时Pbat(t)＞0。

3.2.3 储能优化模型约束条件

1）电功率平衡约束

园区运营商必须维持其向用户交互的实时功率与向配电网和新能源交互的实时功率的平衡。

4 园区储能与电价双层优化模型求解

由于本文所提的双层优化模型中，下层储能电池的容量损耗模型（式（14）、式（15））为非线性模型，不能采用常规的数值求解方法进行求解。因此，本文提出MFO-PSO 智能优化算法：上层采用MFO算法，利用飞蛾螺旋飞行对电价进行寻优，MFO 算法具有较强的局部搜索能力［25］；下层采用PSO 算法，PSO 算法速度快，具有较好的全局搜索能力［26］，在下层快速优化出园区新能源就地消纳率最大时储能的容量和功率配置，并返回上层对电价进行优化。

求解流程如图2 所示。其中，新能源光伏与风机预测出力PPV(t)、PWT(t)和负荷预测功率需求P0(t)为已知量，上层优化模型中优化分时电价p(t)和下层模型中储能的功率Pbess和容量Ebess为待优化的决策变量。

图2 模型求解流程图Fig.2 Flow chart of model solving

5 算例分析

5.1 参数设置

某商业园区运营商初始售电电价参考上海市分时电价，详细参数见附录A 表A1。电力需求弹性矩阵见附录A 表A2。商业园区运营商与配电网联络线功率传输上限为500 kW，联络线功率波动惩罚成本为0.30 元/（kW·h）。本文选取该园区夏季、冬季和过渡季典型日的源荷数据分别作为日前功率预测曲线，各个典型日场景见附录A 图A2，数据均来自文献［16，27］，园区负荷日用电变化率φ为5.0%，风机和光伏上网单位电价分别为0.38 元/（kW·h）和0.42 元/（kW·h），pmax为1.20 元/（kW·h）。文中园区运营商储能系统规划寿命为15 年，贴现率为4.0%。锂电池参数见附录A 表A3，根据园区实际情况，储能系统规划容量上限为2 500 kW·h，功率上限为500 kW。

5.2 储能优化结果分析

对3 种季节典型日进行算例分析，结果如表1 所示，对应的分时电价优化结果见附录A 图A3。由表1可得，夏季典型日对应的储能配置规模最大，过渡季典型日对应的储能配置规模最小，这是因为夏季典型日对应的负荷功率最大，同时新能源出力最大，园区需要配置更大规模的储能来促进新能源就地消纳，此时对应新能源就地消纳率最大，达98.83%。同时冬季典型日对应的园区运营商收益最低，过渡季对应的园区运营商收益最高，这是因为冬季典型日新能源出力较低，同时冬季负荷高于过渡季，冬季园区运营商需增加向配电网购电，从而增加了运营成本，故收益最低。

表1 3 种季节典型日的优化结果Table 1 Optimization results for typical days in three seasons

为同时保证3 种季节典型日园区新能源就地消纳率，园区储能配置规模应满足夏季典型日的最大功率和容量需求。因此，以夏季典型日确定储能规模（功率380 kW、容量2 325 kW·h），在此基础上，设置以下4 种场景对园区储能与电价协调优化方法进行详细分析：

场景1：初始电价下园区运营商收益与新能源就地消纳；

场景2：采用场景4 优化的分时电价下园区运营商收益与新能源就地消纳；

场景3：初始电价下配置储能的园区运营商收益与新能源就地消纳；

场景4：采用园区分时电价与储能协调优化下的园区运营商收益与新能源就地消纳。

5.3 结果分析

5.3.1 新能源就地消纳分析

表2 所示为4 种场景下的新能源就地消纳与运营商收益结果，并绘制优化结果的扇形图见附录A图A4。

表2 4 种场景下的新能源就地消纳与收益结果Table 2 Local accommodation and benefit results of renewable energy in four scenarios

对比场景1 和场景2，园区上层模型电价优化前后新能源的就地消纳率从90.20%提高到91.46%，表明园区电价的优化可以提高新能源的就地消纳能力。对比场景1 和场景3，园区配置储能前后新能源就地消纳率从90.20%提高到98.34%，表明园区配置储能可以有效提高新能源的就地消纳能力。对比场景1 和场景4，在园区储能与电价协调优化下，园区新能源就地消纳率最高，为98.83%，表明本文所提储能与电价的协调优化方法能显著提高园区新能源就地消纳能力，平抑负荷峰谷差，进而提高园区的电力运行效能。在此基础上，进一步对园区电价和储能促进新能源就地消纳展开具体分析。

1）电价对新能源消纳的影响

电价优化结果如表3 所示，电价优化前后负荷及新能源光伏和风机的功率曲线如图3 所示。可知，园区运营商分时电价优化前后，由于时段10～21 园区负荷功率大于新能源出力，此时净负荷功率为正值，故峰时段从6 h 增加为12 h。同时，为保证园区用户单位用电成本约束，峰时段电价由0.964 0 元/（kW·h）下降为0.807 0 元/（kW·h）。平时段和谷时段各为6 h，电价较初始分时电价变化不大。

表3 电价优化对比Table 3 Comparison of electricity price optimization

图3 电价优化前后负荷和风、光功率时序图Fig.3 Time sequence diagram of load, wind and photovoltaic power before and after electricity price optimization

由图3 可得，分时电价优化前，场景1 和场景3园区用户的典型日用电总量均为23 218 kW·h，分时电价优化后，场景2 和场景4 的日用电总量均为23 660 kW·h，园区用户日用电变化率为1.9%，小于最大变化率5.0%。由表2 可得，4 种场景下园区用户单位用电成本均为0.617 0 元/（kW·h），表明分时电价优化后，用户的单位用电成本没有增加。园区用户日用电变化率和单位用电成本优化结果表明园区电价优化前后，园区用户的用电权益和用电利益不受损害，从而确保了上层电价优化模型的科学性和实用性。

由图3 可知，园区电价的优化是通过优化负荷曲线从而促进新能源就地消纳，图中蓝色阴影表示场景2 下电价优化增加的新能源就地消纳量。结合分时电价优化曲线，在峰时段10～21，园区负荷预测功率大于新能源预测出力，此时新能源就地消纳量取决于新能源出力，故峰时段新能源就地消纳量没有提升的空间。园区新能源就地消纳量主要增加于谷时段3～8，此时新能源的就地消纳量取决于负荷用电量。因此，园区电价的优化增加了负荷在谷时段的功率需求，从而增加了新能源就地消纳量。同时也不难看出，园区电价优化促进新能源就地消纳的能力有限，故需考虑园区配置储能以提高新能源就地消纳。

2）储能对新能源消纳的影响

对比表2 中场景1 和场景3，在园区储能的优化调节下，新能源消纳率提高了8.14%，这表明储能作为灵活资源的调节能力可以较好地提高园区新能源就地消纳能力。

图4 所示为储能优化前后园区内外功率交换时序图。对比场景1 和场景3，储能优化前后，园区未就地消纳的新能源在谷时段3～8 明显减少，同时储能充电增加，这是因为谷时段新能源出力大于园区负荷，此时储能作为负荷，增加向新能源购电，促进了新能源就地消纳。由图4 可得，储能在谷时段累计充电电量为1 850 kW·h，即储能在谷时段累计增加新能源就地消纳量1 850 kW·h；同时在峰时段10～21，储能作为电源向负荷放电，减小了配电网向园区供电。因此，储能作为灵活资源的调节能力可以较好地提高园区新能源就地消纳能力。

图4 储能优化前后园区内外功率交换时序图Fig.4 Time sequence diagrams of power exchange inside and outside park before and after energy storage optimization

5.3.2 经济性分析

对不同场景下各运行成本及收益情况的计算结果如表4 所示。对比场景1 和场景2，电价优化前后园区运营商收益从4 109 元增加到4 737 元，新能源就地消纳率从90.20%上升到91.46%，这是因为上层模型电价的优化减少了园区运营商向配电网的购电成本，增加了向新能源的购电成本，促进了新能源消纳，并提高了运营商收益。对比场景1 和场景3，储能配置后，园区运营商收益降低了1 724 元，这说明园区运营商通过配置储能促进新能源消纳导致运行成本增加，必须通过电价的优化来降低成本以提高收益。对比场景3 和场景4，园区运营商通过电价优化促进新能源就地消纳从而减少储能配置容量，同时增加收益（367 元），但仍小于园区运营商配置储能的日运行费用（1 816 元），说明锂电池单位容量成本还未达到商业应用盈利的边界成本。

表4 不同场景下的运行成本及收益情况Table 4 Operation costs and benefits in different scenarios

对场景3 和场景4 储能电池日前运行的充放电功率及其对应的容量损耗计算结果见附录A 图A5，其中，储能充电时功率为正、放电时功率为负。由图A5 可得，储能电池的容量损耗与其实时放电量和放电深度有关，对比场景3 和场景4，储能电池在峰时段放电功率越大，其对应的容量损耗成本越大，证明本文所提的储能电池运行容量损耗计算方法能够计算不同储能规模下的储能电池实时放电容量损耗。

由储能电池实时运行的容量损耗成本求和得到储能电池运行损耗对应的日替换成本，场景3 和场景4 分别为103 元和98 元，对比其各自的储能日配置成本1 770 元和1 706 元，表明锂电池储能的功率和容量配置成本是储能参与园区新能源消纳的主要成本。因此，研究储能的配置成本对园区运营商收益和新能源就地消纳具有重要意义。

5.3.3 储能电池单位容量成本的灵敏度分析

考虑电化学储能技术的不断进步，储能电池的单位容量成本具有较大的下降空间。为研究储能电池容量成本对目标函数的影响，本文在下层模型园区储能优化配置时，在式（17）中设置了锂电池成本比例系数α，通过调整α，得到园区运营商收益和新能源消纳率随锂电池单位容量成本变化的关系如图5 所示。

由图5 场景4 可以看出，新能源就地消纳率随着锂电池单位容量成本的降低有小幅提高，这是因为本文下层优化模型以园区新能源就地消纳率最大为目标对储能进行优化配置，此时新能源就地消纳主要由园区内源荷大小及时序关系决定，园区电价的优化调整对新能源就地消纳的影响有限。因此，园区锂电池储能单位容量成本降低，通过对上层优化模型电价的优化调整将新能源就地消纳率从98.83%提高到99.30%，同时，锂电池的容量成本是经济层面上园区运营商收益的主要影响因素。

图5 中场景1 初始分时电价下园区运营商收益为4 109 元，场景4 园区储能与电价协调优化下运营商收益随锂电池单位容量成本的减小而增大，2 条线的交点即为运营商配置锂电池储能的边界成本。在达到边界成本之前，运营商收益增加缓慢，这是由于锂电池成本限制和负荷单位用电成本约束；在达到锂电池边界成本之后，运营商收益增加明显加快，这是因为锂电池成本不是运营商电价优化的限制，园区在配置储能促进新能源就地消纳的同时，增加了运营商收益。图中交点为25.27%，此时锂电池单位容量成本为815 元/（kW·h），表示该园区储能与分时电价协调优化下运营商选择锂电池配置储能的单位容量边界成本为815 元/（kW·h）。

图5 锂电池单位容量成本的灵敏度分析Fig.5 Sensitivity analysis of lithium battery unit capacity cost

6 结语

本文研究了园区新能源就地消纳的问题，建立了园区储能与电价双层优化模型，通过电价的优化调整和储能的优化调节共同促进新能源就地消纳。上层模型利用典型日净负荷曲线对分时电价进行动态优化，通过负荷用电量约束和单位用电成本约束保证电价优化模型的有效性和实用性。在下层模型储能的优化配置中考虑了储能电池放电的容量损耗，将储能电池的经济效益和投资成本折算至一个调度周期内以比较优化方案的经济性，最后结合某商业园区实际数据进行算例分析，验证了本文所提的园区储能与电价协调优化方法的科学性和实用性，并得出以下结论：

1）园区电价优化可以小幅度提高新能源就地消纳率，储能可以较大幅度地提高新能源消纳率，但是储能配置成本较高。本文提出园区储能和电价的协调优化方法，使得在实现新能源就地消纳最大的同时，储能的经济性得到一定的提高。

2）在锂电池容量成本限制和负荷单位用电成本约束下，通过电价优化配置储能仍不具备商业运行盈利的条件。通过对锂电池单位容量成本进行灵敏度分析，得出锂电池投资盈利的边界成本，为储能电池的商业投资和运行提供了一定的参考。

本文提出的园区储能与电价协调优化方法未考虑园区综合能源系统多类型负荷对园区电价的影响，下一步可对其开展重点研究。

附录见本刊网络版（http：//www.aeps-info.com/aeps/ch/index.aspx），扫英文摘要后二维码可以阅读网络全文。