4、储能收益模式（下）：辅助服务、容量市场与现货交易

各位好，我们接着聊储能收益模式的下半部分。上一节我们把峰谷套利、需量管理这些基础模式讲透了。这一节，咱们要啃几块硬骨头——辅助服务、容量市场，还有电力现货交易。

说实话，这三个领域才是储能真正体现“技术含量”的地方。我当年刚入行时，总觉得储能就是“低买高卖”的生意。直到参与了一个调频项目，才明白——储能的价值，远不止于套利。

4.1 辅助服务：调频与备用

辅助服务，说白了就是电网的“保安”。电网需要时刻保持电压和频率稳定，储能在这方面有天生的优势。

4.1.1 调频服务

调频是储能最拿手的辅助服务。为什么？因为储能响应快。火电机组调频需要几十秒甚至几分钟，储能可以在毫秒级响应。

我个人习惯把调频分为两种：

• 一次调频：自动响应，时间尺度在秒级。储能通过逆变器快速调节有功出力。
• 二次调频：接受调度指令，时间尺度在分钟级。储能配合AGC（自动发电控制）系统运行。

我在项目中遇到过这样一个案例：一个50MW/100MWh的储能电站，参与华北电网的调频市场。它的收益结构是这样的：

项目	数值	说明
调频容量补偿	8元/MW·日	按可用容量支付
调频里程补偿	12元/MW	按实际调节里程支付
日均调频里程	约3000MW	取决于电网需求
日均收益	约4万元	容量+里程合计

4.1.2 备用服务

备用服务，就是电网让你“随时待命”。一旦主力机组跳闸，储能要立刻顶上。

备用分为两种：

• 旋转备用：已经并网，随时可以出力。储能处于充电或待机状态。
• 非旋转备用：未并网，但可以在10分钟内启动。储能处于停机状态。

嗯，这里要注意：备用服务的收益是“容量费”。你不需要实际放电，只要保证“随时能用”就行。电网按可用容量给你付费。

我曾经参与过一个项目，业主为了多赚备用费，把SOC（荷电状态）长期维持在50%左右。结果有一次电网真的呼叫备用，电池因为SOC太低，放电时间不够，被罚了款。所以，SOC管理是备用服务的核心。

4.2 容量市场

容量市场，是储能收益模式里最“稳定”的一块。说白了，就是电网花钱买你的“存在”。

为什么要有容量市场？因为电力系统需要保证“尖峰时刻”有足够的发电能力。火电机组可以常年运行，但储能不行——它只能运行几个小时。所以，容量市场给储能提供了一个“保底收益”。

容量市场的定价机制，我简单归纳一下：

1. 容量拍卖：电网提前一年或几年，拍卖未来的容量需求。
2. 容量出清：所有发电资源（包括储能）竞价，价低者得。
3. 容量支付：中标后，按可用容量按月支付。

举个例子，英国容量市场：

• 储能可以参与T-1（提前一年）和T-4（提前四年）拍卖。
• 2023年的出清价格大约是8.5英镑/kW·年。
• 一个100MW的储能电站，每年可以拿到85万英镑的容量费。

4.3 电力现货市场交易

电力现货市场，是储能收益模式的“高阶玩法”。它要求你实时判断电价走势，在低价时充电，高价时放电。

现货市场的交易逻辑，我用一张图来说明：

现货市场的交易策略，我总结为三个步骤：

4.3.1 电价预测

电价预测是基础。我个人习惯用“时间序列+机器学习”的方法：

• 时间序列：ARIMA、SARIMA模型，捕捉电价的时间规律。
• 机器学习：XGBoost、LSTM，考虑气象、负荷、新能源出力等因素。

举个例子，一个简单的电价预测代码框架：

# 伪代码示例：电价预测
import pandas as pd
from sklearn.ensemble import RandomForestRegressor

# 加载历史电价数据
data = pd.read_csv('price_history.csv')

# 特征工程：时间特征、气象特征、负荷特征
features = ['hour', 'day_of_week', 'temperature', 'load']

# 训练模型
model = RandomForestRegressor()
model.fit(data[features], data['price'])

# 预测未来24小时电价
predicted_prices = model.predict(future_features)

4.3.2 充放电策略优化

有了电价预测，下一步就是优化充放电策略。核心是“在最低电价时充电，在最高电价时放电”。

但实际操作中，要考虑几个约束：

• SOC限制：不能过充过放，一般SOC范围在10%-90%。
• 充放电功率：受PCS和电池限制，不能超过额定功率。
• 循环寿命：频繁充放电会加速电池衰减，需要权衡。

我常用的优化方法是“动态规划”：

# 伪代码示例：动态规划优化充放电策略
def optimize_dispatch(prices, soc_init, soc_min, soc_max, power_max):
    # 初始化状态
    dp = [[-float('inf')] * (soc_max - soc_min + 1) for _ in range(len(prices))]
    
    # 遍历每个时段
    for t in range(len(prices)):
        for soc in range(soc_min, soc_max + 1):
            # 计算充放电决策
            for action in ['charge', 'discharge', 'idle']:
                # 更新SOC和收益
                new_soc = update_soc(soc, action, power_max)
                reward = calculate_reward(prices[t], action)
                dp[t][new_soc] = max(dp[t][new_soc], dp[t-1][soc] + reward)
    
    # 回溯最优策略
    return backtrack(dp, prices)

4.3.3 实时交易执行

最后一步，是把优化策略落地到实际交易中。现货市场通常分为：

• 日前市场：提前一天申报第二天的充放电计划。
• 日内市场：根据实时情况调整计划。
• 实时市场：实际运行时的偏差结算。

嗯，这里有个坑：日前市场的申报偏差，会在实时市场被惩罚。所以，我建议在日内市场及时调整，减少偏差。

4.4 三种收益模式的组合策略

在实际项目中，储能很少只参与一种市场。我建议采用“组合策略”：

收益模式	收益占比	风险等级	适用场景
辅助服务（调频）	30%-40%	低	电网调频需求大的区域
容量市场	20%-30%	低	有容量市场机制的地区
现货市场交易	30%-50%	高	电价波动大的市场

我个人习惯的分配比例是：40%调频 + 30%容量 + 30%现货。这样既有稳定收益，又有弹性空间。

最后说一句：储能收益模式没有“万能公式”。每个项目都要根据当地市场规则、电网需求、电池特性来定制。你想想看，同样的电池，放在不同地方，收益可能差一倍。这就是为什么我们要做“资产价值评估”。

---

公众号:蓝海资料掘金营，微信deep3321