★ FEATURED ARTICLE 简介《新能源及储能参与电力市场交易白皮书》是一份面向能源行业研究者、电力市场从业者、政策制定者及关注能源转型读者的专业研读材料围绕新能源与储能两条主线系统介绍太阳能、风能等清洁能源在电力系统中的角色以及电池储能、抽水蓄能等技术在平衡供需、频率调节和电压支撑方面的应用。资源包共收录1个PDF文件大小约2.09MB内容结构清晰涵盖基本概念、市场交易现状、面临的挑战、政策支持与未来展望等模块适合作为行业入门和专题研究的参考资料。目前已有97人学习浏览尽管包体不大但作为专题研读材料信息密度较高适合快速建立行业认知。读者通过这份白皮书可快速掌握新能源出力的间歇性、市场机制设计难点、储能商业价值等关键知识点理解现货市场、辅助服务市场等多元交易场景为参与电力市场交易或开展能源政策研究提供基础认知。1. 白皮书到底在解决什么从“能发电”到“卖得掉、算得清”我接触过不少新能源场站和储能项目的负责人大家最困惑的一件事出奇一致电发出来了系统也并网了但每个月结算单上的数字总是和自己在心里盘的那笔账对不上。有人把它归结为“规则太复杂”有人觉得是“交易员没找对”但真正的问题在于——新能源及储能参与电力市场交易并不是简单的“多卖电、少买电”而是一套涉及报价策略、功率预测、充放电决策、偏差考核和结算追溯的完整方法。这份白皮书方向的价值就在这里它不是给你一个固定答案而是帮你把“参与交易”这件事拆成可执行、可计算、可复盘的系统工程。这篇文章面向的是三类人正在为新能源场站做现货报价的运营人员、储能的投资或运维团队、以及准备进入电力交易领域的开发者。全文会从市场框架讲起落到报价流程、储能套利路径、结算避坑最后给一个用历史数据回测策略的脚本思路。你把文章读完至少能回答三个问题自己该参与哪些交易品种、报价格式怎么填、收益为什么和预期差了一大截。2. 电力市场交易框架中长期、现货与辅助服务新能源和储能各自吃哪块2.1 交易品种拆解中长期锁定收益现货吃波动价差国内电力市场经过多年发展已经形成了多层次交易体系对新能源和储能而言最核心的三个品种是中长期交易、现货交易和辅助服务。三者不是替代关系而是组合关系。中长期交易的特点是提前锁定——双边协商、集中竞价、挂牌交易常见做法是按月或按周签订合约。新能源场站参与中长期交易的最大价值是“保底”把一部分预期发电量以固定价格锁定避免现货价格暴跌时收入归零。储能则较少直接签中长期合约更常见的做法是通过与新能源场站绑定把充放电计划纳入对方的合约框架。现货交易是真正的“分时博弈”。日前市场提前一天进行各主体申报次日的功率曲线和价格出清后形成96点或更细粒度的价格序列。实时市场则在运行前5到15分钟出清用来修正日前预测与实际出力之间的偏差。新能源在现货市场的核心能力不是预测自己能发多少电这是前提而是判断自己那部分功率曲线在哪些时段能卖出好价格。辅助服务则完全是另一套逻辑调频、备用、黑启动、无功调节按性能和质量付费。储能因为响应速度快是调频市场的天然玩家新能源场站通常通过配建储能来参与调频赚的是“性能补偿”而不是“电量电费”。2.2 市场主体定位报量报价、报量不报价与自调度三类模式的适用场景进入市场前最先要确认的是你所在省份采用哪种申报模式。它决定了你的交易策略从哪一步开始做。报量报价模式相对激进主体需要申报次日各时段打算发多少电、以及对应价格。这是市场化程度较高的模式考验的是预测能力和报价判断力。报量不报价模式则温和得多主体只申报预期功率曲线接受市场出清价格收益完全由价格曲线和自身预测准确度决定。自调度模式是新能源配储后的进阶玩法主体自己制定发用电计划不对市场报价但要对全时段的发用电平衡负责。三类模式的选择与两个因素强相关一是场站所在省的现货规则成熟度二是自身预测系统的精度。我一般会建议刚入场的团队优先选报量不报价——先吃透价格波动规律再上报价策略。预测准确率没到85%以上的场站直接做报量报价策略很容易在中长期合约和现货的价差上吃暗亏。2.3 储能的双重身份充电是用户放电是电源别用单一角色做策略储能参与市场时有个非常容易忽略的认知问题充电时它是用户需要付电费放电时它是电源可以卖电。同一个电站在结算上被拆成两套身份对待。这意味着你的收益模型必须同时具备两类成本项。充电侧要算充电电量电费、输配电价、政府性基金及附加、容量电费分摊放电侧要算上网电量电费、辅助服务分摊、偏差考核费用。很多团队的收益测算只盯着“充放价差”结果实际结算下来利润少了一大截就是漏了充电侧的各项附加费用。储能所选的市场路径也决定了它适合哪种商业模式。只做单边充放的储能本质是“价格套利者”参与调频的储能本质是“性能提供者”而做容量租赁的储能本质上已经脱离了电力交易变成“资产管理品”。这三种定位对应的系统建设、考核指标、结算逻辑完全不同开局就要想清楚不要指望一套策略通吃。3. 新能源场站参与现货预测误差如何决定你的报价上限3.1 功率预测与考核准确率、合格率怎么算为什么比预测本身更折磨人几乎所有新能源现货市场都把功率预测误差作为考核和结算的重要依据。但很多人对考核口径的理解是错的——市场不关心你全天平均预测准不准它关心的是“每个考核时段”有没有超过容差。常见的准确率计算公式如下准确率 [1 - (均方根误差 / 开机容量)] × 100%这里的均方根误差是对所有考核点位的预测值与实际值之差求均方根。另一种是合格率合格率 满足条件的时段数 / 考核时段总数 × 100%“满足条件”通常指单点预测误差不超过装机容量的某个比例不同省份常见15%~25%。举一个具体场景某装机100MW的风电场单月168个考核时段按20%容差算意味着每个时段预测与实际偏差必须控制在20MW以内才合格。如果只有150个时段达标合格率就是89.3%部分省份对低于90%的场站会扣减补偿甚至上调考核电量。我见过最典型的翻车场景是场站用的预测系统在全天整体表现不错但每逢大风过程的爬坡段——出力在2小时内从30%拉到90%——预测曲线滞后一小时导致连续五六个时段超出容差。全月合格率直接从92%掉到84%补偿收入折掉近两成。功率预测系统的价值不在于“平均准”而在于“爬坡段跟得上”。3.2 现货报价的最简实现路径从预测曲线到分段申报现货报价流程拆到最核心的执行层面其实就是四步拿到预测曲线、按规则分段、设定意向价格、提交申报。下面给出一个标准化的数据处理脚本现场可以直接改参数套用。import pandas as pd # 读取功率预测CSV列time, forecast_mw, capacity_mw df pd.read_csv(forecast.csv, parse_dates[time]) df[hour] df[time].dt.hour # 按负荷峰谷把24h分为三段对应不同申报策略 def segment(hour): if 0 hour 6: return valley # 低谷段价格低可考虑少报或低价报 elif 10 hour 15 or 18 hour 22: return peak # 高峰段价格高尽量满发 else: return flat # 平段按预测报 df[segment] df[hour].apply(segment) seg_summary df.groupby(segment)[forecast_mw].agg([mean, max, min]) # 检查相邻时段爬坡约束示例15分钟内变化不超30%装机 ramp_limit 0.3 * df[capacity_mw].iloc[0] df[delta] df[forecast_mw].diff().abs() violations df[df[delta] ramp_limit] print(f爬坡越限点数: {len(violations)}) print(seg_summary)这段代码的逻辑是先把预测功率按小时映射到峰谷平三段聚合出每段的均值、最大、最小功率再做一次简单的爬坡越限检查。参数按需修改容量、段划分阈值、爬坡比例。如果爬坡越限点数过多报价前一定要先做平滑处理——常见做法是对预测曲线做滑动平均或者调整申报功率到合规范围内。注意很多场站栽在这里预测值当申报值直接交结果调度下发的是修正后的出力偏差考核却按你申报的曲线来算两边一夹钱就没了。3.3 两个必调参数爬坡约束与日前-实时偏差容忍度新能源场站参与现货报价有两个参数直接影响结算结果没有默认值必须根据场站实际情况来调。第一个是申报爬坡约束。调度系统不会允许你的申报曲线在相邻时段出现剧烈跳变——一台100MW风电机组的出力从20MW跳到90MW只需要十几分钟但申报曲线跳变意味着你需要调度系统在短时间内调配大量备用。所以各省对申报曲线的爬坡率有明确限制常见为每分钟不超过装机容量的1%~3%。如果预测曲线天然存在陡变要么做平滑要么把陡变段的申报功率压低。第二个是日前-实时偏差容忍度。日前市场按你的申报出清实时市场根据实际出力再结算。两个市场价格的价差决定了“偏差惩罚”是正向还是负向。如果你日前申报高、实时实际低需要用实时价格买回差额如果你日前申报低、实时实际高则按实时价格卖出差额。所以偏差容忍度参数的本质是你愿不愿意用“预测准确度”去换“价格波动收益”。我建议新手把偏差容忍度设得保守一些等积累了三个月以上的价格与预测误差对照数据后再做调整。4. 储能参与市场交易的三条路径现货套利、辅助服务与容量租赁4.1 现货套利两充两放的边界条件与收益测算储能参与现货市场最直接的打法就是低充高放但要真正赚到钱必须算清楚一个公式套利收益 Σ(放电电价 × 放电量) - Σ(充电电价 × 充电量) - 服务费 - 损耗成本这里“损耗成本”不只是电池充放电的往返效率损失还包括衰减成本。以磷酸铁锂电池为例一个充放循环的寿命损耗折合到度电成本约在0.05~0.1元/kWh之间具体取决于循环次数设计和电池采购价格。你用0.3元充电、0.6元放电看似赚了0.3元差价扣掉往返效率损耗约5%、服务费约0.02~0.05元/kWh再减掉循环寿命损耗实际净利润可能只在0.1元/kWh上下。这里给出一个计算单次充放是否值得做的边界条件可执行条件放电价 充电价 / η² 单次循环损耗成本 服务费×2其中η为单程效率两程就是η²。假设充电价0.3元、η92%、单次循环损耗成本0.07元、服务费0.03元那么放电价必须高于 0.3/0.8464 0.07 0.06 ≈ 0.484 元才值得动手。如果市场价差长期低于这个数字储能做现货套利就是亏本买卖不如做辅助服务。这个边界条件就是很多储能电站“看着在套利、实际在亏钱”的根本原因——只看价差没把效率的平方项算进去。4.2 辅助服务调频与备用收益高但门槛也高储能在辅助服务市场的主要产品是调频和备用。调频市场的规则多数采用“里程容量”双重补偿机制按调频里程补偿为主、按可用容量补偿为辅最终结算还会乘以一个综合性能指标。综合性能指标通常由三部分组成调节速率、调节精度、响应时间。储能在这三项上天然优于火电——响应时间在秒级调节精度高速率快。一个50MW/100MWh的储能电站如果性能指标达到2.0火电通常为0.8~1.2它的调频收益会是相同容量火电的2倍以上。但参与调频也有代价频繁的短时充放会加速电池衰减而且调频出清价格波动剧烈收益不像容量租赁那样稳定。备用的逻辑相对简单备用市场买的是“可用性”你被调用发电才有电量收入没被调用只有容量收入。储能在备用市场的优势是启动快但要参与这个市场调度系统会要求你随时保有一定SOC这等于放弃了这部分容量的套利机会。备用的机会成本非常高不建议作为主力收益路径更适合作为现货套利之外的“空闲容量收入补充”。4.3 容量租赁与共享储能不并网也能赚钱的模式容量租赁是目前许多独立储能电站“保底收益”的来源。模式很简单把储能容量租给新能源场站用于满足其配储要求储能本身不一定需要实际参与电力市场交易。租赁价格按容量计费一个100MW的独立储能电站按市场行情每月每MW的租赁费通常在数万元量级——具体取决于当地配储政策压力和供需关系。这条路径最大的好处是收益稳定、规则简单不需要建立复杂的交易团队。但它也有两个先天缺陷一是价格空间受政策影响大配储政策一旦变化租金可能快速下降二是储能产权方如果不参与实际充放电运营对电池状态的掌控会变弱承租人可能用激进策略加速电池衰减。所以容量租赁合同里一定要写清楚循环次数上限、日均充放电深度、电池健康度考核标准。共享储能是容量租赁的升级版多个新能源场站共同租用一个储能电站由储能运营商统一调度参与现货、调频等市场。这种模式下运营商赚交易收益新能源场站满足配储要求双方分成。它的复杂度远高于单一租赁但也是独立储能电站从“死资产”走向“活交易”的主要方向。5. 参与电力市场的避坑指南偏差考核、往返损耗与结算追溯5.1 偏差考核陷阱预测系统显示“准了”结算还是被扣钱现象某新能源场站功率预测系统月报显示“准确率93%”但结算单上偏差考核费用依然扣了十几万元。运营团队反复核对数据找不到问题在哪里。原因准确率计算用的是全天平均口径而考核是按“单点是否超出容差”逐段统计。很多场站白天预测很准但夜间小风时段和清晨爬坡段频繁超差。全天平均被白天的准确率拉高了考核却不会因为白天准就免掉夜间的扣款。解决不要只看月报里的准确率要直接拉出逐时段预测误差曲线找出超差时段分布规律。常见做法是把全天96点按小时维度分桶统计每个小时的合格率。如果某个时段连续多个点超差大概率是预测模型在该时段的特征输入不足要给预测厂商提按小时粒度的优化需求。还有一个操作经验关注“超差时段是否集中在价格高的峰段”——如果在峰段超差扣款金额会比谷段超差大得多这是很多团队忽略的。5.2 储能套利损耗报价时没把往返效率算入成本现象某储能电站按照日前市场价格在0.3元时段充、0.62元时段放表面价差0.32元实际结算后净利润几乎为零。原因忽略了三项成本——充放电往返损耗约8%电量、电池循环衰减折算成本、以及充电侧需缴纳的输配电价和政府性基金附加。这些费用全部发生在充电侧本质上是“先垫付后回收”的现金流损耗。解决把套利判断公式写进策略系统每次报价前自动计算有效价差阈值。具体做法在策略代码里加两行# 有效价差阈值计算示例 price_valley 0.3 # 充电侧电价含税费 eta_roundtrip 0.92 # 往返效率 service_fee 0.03 # 单位服务费 threshold price_valley / eta_roundtrip service_fee * 2 0.07 print(f需要放电压差阈值: {price_valley:.2f} - {threshold:.3f} 元/kWh)只有放电电价超过这个阈值策略才允许执行。注意阈值里的0.07是单次循环的寿命损耗成本它不是固定的应当根据电池实际循环次数和衰减曲线动态更新。5.3 结算单追溯临时价格变正式价格少了补、多了退现象某月结算单显示收益比预估值低了一截查后发现上上个月的一笔交易被追溯调整原本的临时结算价格被正式价格替代差额从本月电费里扣回了。原因电力市场结算不是一次性的。日前市场出清价、实时市场出清价都会先按“临时价格”预结算等待调度机构核对数据后发正式价格。正式价格的发布时间常常滞后一两个月且追溯调整的范围不限于本身还会影响偏差电量、考核费用等关联项。解决每月的结算核对不能只看当月数据要建立“滚动追溯台账”。实际操作是每月结算单收到后不仅核对当月电量和价格还要把本月收入里“追溯调整”条目单独列出来对照上月的预结算单做差异分析。我建议每个参与现货交易的场站都维护一张表至少包含结算月份、电量、日前价格、实时价格、追溯调整金额、调整原因。这样一年下来哪种类型的追溯调整对现金流影响最大就会一目了然。5.4 现货市场中的无功功率考核只盯有功功率因数被罚现象某新能源场站有功发电收益正常但结算单中多出一笔“无功考核”扣款金额不大但让人莫名其妙。原因新能源场站并网点必须满足一定的功率因数范围多数地区要求0.95以上不达标部分按电量比例进行考核扣费。许多场站只关注有功出力SVG或逆变器无功控制模式设置不当导致夜间小出力时段功率因数跌破阈值。解决在功率预测和AGC控制的同时把无功纳入监控。常见做法是在站内监控系统里加一个功率因数告警阈值当功率因数低于0.98时自动投入更多SVG无功补偿容量。另外要注意部分省份对新能源场站的AVC自动电压控制有在线率和调节合格率考核这不仅涉及功率因数还关系到并网性能评分影响后续的市场准入资格。这一类问题不在交易系统里但会直接从结算单上扣钱容易成为“看不见的漏损”。6. 用历史数据回测报价与充放电策略一个可落地的验证脚本6.1 回测框架出清价格、预测曲线与运行约束对齐策略上线前先用历史数据回测是成本最低的验证方式。回测的核心不是模拟得越精细越好而是保证三套数据在时间轴上严格对齐市场出清价日前实时、功率预测曲线当时的预估值不是事后实际值、以及运行约束装机容量、爬坡率、SOC边界。很多人回测结果漂亮、实盘却亏损最大原因是用了“事后数据”——拿实际出力当预测值去算报价。回测必须模拟当时的决策环境你只能用实盘当时能拿到的信息。预测曲线要用预测系统在T-1时刻出的版本而不是事后修正版。这里给出一个收益对比的极简回测脚本用于评估“不参与市场”和“参与现货套利”两种策略的差别。import pandas as pd # 模拟数据列time, forecast_mw, actual_mw, day_ahead_price, realtime_price df pd.read_csv(market_history.csv, parse_dates[time]) df[hour] df[time].dt.hour # 策略A不参与市场按固定合约价结算假设当地保障收购价 0.35元/kWh contract_price 0.35 df[rev_no_market] df[actual_mw] * contract_price # 策略B参与现货按日前价格结算预测电量按实时价格结算偏差电量 df[rev_market] df[forecast_mw] * df[day_ahead_price] \ (df[actual_mw] - df[forecast_mw]) * df[realtime_price] # 标准差反映了收益波动性 metrics { 策略A总收益: df[rev_no_market].sum(), 策略A标准差: df[rev_no_market].std(), 策略B总收益: df[rev_market].sum(), 策略B标准差: df[rev_market].std(), B-A差额: (df[rev_market] - df[rev_no_market]).sum() } for k, v in metrics.items(): print(f{k}: {v:,.2f} 元)运行结果会告诉你两件事参与现货是否真的比固定合约赚得多以及收益波动放大了多少倍。如果B策略收益只比A高5%标准差却放大了一倍对现金流敏感的场站就要重新考虑参与深度。6.2 基准场景对照法快速定位策略失效环节回测跑通之后还有一个非常实用的验证技巧构造一个“全知基准”——假设预测完全准确、报价取当日最高价、充放不越SOC边界算出理论最大收益。然后用这个基准去对照你当前策略的实际回测结果两者差距就是策略系统的“信息损耗决策损耗”。我习惯把损耗拆成三段看预测误差损耗用全知预测 vs 实际预测、报价策略损耗用最优报价 vs 实际申报、运行约束损耗用理想充放 vs 实际执行。哪一段损耗最大就优先优化哪一段。多数团队的结果是预测误差损耗最大但报价策略次之——这时的精力分配应该是先修预测输入再调报价逻辑而不是反复改交易系统参数。6.3 从回测到实盘一个必须养成的复盘习惯回测做得再好实盘也会遇到规则变更、极端天气、市场操纵性报价等回测覆盖不到的情况。我的习惯是每周五下午拉一次本周的预测曲线、报价单和实际结算单三张表并排对比只回答一个问题本周如果重新来一遍我会在哪个时段改报价、改充放计划这个习惯坚持三个月你会积累出一份自己的“交易直觉”——知道哪类天气过程下预测系统容易偏、哪个价差水平下储能应该保持观望、哪些时段的偏差考核罚款是可以通过调整申报量规避的。这份直觉比任何策略模型都值钱因为它建立在你的场站、你的系统、你的规则之上。希望帮到你。本文还有配套的精品资源点击获取
阅读完成 · 觉得有帮助？
