邱健蓄电池网络的区位边际价值

由固定式储能系统(SES)与移动式储能系统(MES)构成的电池网络，因其提升电力系统灵活性与韧性的作用正受到广泛关注。然而现有研究多集中于SES，或未能评估MES对节点运行的经济贡献。此外，频繁充换电导致的电池性能衰减对MES价值的影响也常被忽视。为填补这些研究空白，本文提出一个评估电池网络位置边际价值（LMV）的框架，其定义为：在给定节点向多能系统（MES）额外配置一单位具有特定健康状态（SOH）的电池容量时所能实现的成本降低量。我们基于SOH定义了电池能量效率与容量的函数关系，并构建了考虑电池充换电协调调度的电池网络与电力系统联合优化模型。通过推导LMV的解析表达式，揭示了其对系统运行状态与工况的依赖机制。LMV可分解为三个组成部分：储能组件、能量传输组件和节点边际电价组件。基于中国电力系统的实测数据，我们通过数值实验验证了LMV理论，结果表明采用不同健康状态（SOH）的电池会导致电池网络LMV产生20%的差异，这证实了该理论在指导多能源系统（MES）部署方面的准确性与实用价值。

引言

2023年，全球电力部门碳排放量占全球总排放量的38%以上（Liu, Deng, Davis, & Ciais, 2024b）。因此，构建以可再生能源为主导的电力系统对于实现净零排放至关重要。然而，可再生能源在电力系统中的高渗透率带来了重大挑战。一方面，可再生能源的波动性与间歇性对电力系统的安全稳定运行构成严重风险（Finnah, Gönsch, Ziel, 2022；Wang等, 2025）；另一方面，这些特性导致大规模可再生能源弃电现象（Cui等, 2020）。为解决这些问题，储能等灵活性资源对整合可变可再生能源至关重要。
由固定式储能系统（SES）（即部署在电网中的电池组）与移动式储能系统（MES）（即装载于车辆上可运输及重新部署的车载电池）构成的电池网络，为电力系统提供了一种极具前景的解决方案（Weitzel & Glock, 2018; Yan et al., 2024）。图1展示了具有协同充换电功能及性能衰减特征的电池网络示意图，其中绿色箭头表示电力流向，蓝色箭头代表电池流向。在电池网络中，移动式储能系统（MES）可根据系统需求动态迁移，在电网接入点进行充放电，或直接与部署在电网侧的固定式储能系统（SES）交换（部分）电池。凭借其易于部署和高时空灵活性的优势，电池网络已被证实能通过实现能量套利（Chen, Yang, Song, Wang, & He, 2023a）、缓解电网阻塞（Del Rosso & Eckroad, 2013）、延缓输电线路投资（He et al., 2021b）、促进可再生能源并网（Kebede, Kalogiannis, Van Mierlo, & Berecibar, 2022）、提供电压支撑（Nikam & Kalkhambkar, 2021）以及提供削峰（Abdeltawab & Mohamed, 2017）和调频（Dong, Gao, Xiao, Chu, & Jia, 2020）等辅助服务，有效提升电力系统的灵活性与韧性。
大多数关于电池网络的研究聚焦于其在能源-交通耦合系统中的应用，主要涉及电池网络的建模、优化与诊断（例如电池健康状态与故障诊断）。在储能系统（SES）研究领域，现有成果多集中于类型选择（Jiang, Kang, Liu, 2019; Yunusov, Frame, Holderbaum, Potter, 2016）、最优选址（Chen, Yang, Song, Wang, He, 2023a; Yuan, Wang, Wang, Yildizbasi, 2020）以及容量配置（Ma, Huang, Song, Peña-Mora, Zhang, Chen, 2022; Yuan, Wang, Wang, Yildizbasi, 2020），着重探讨其在提升系统灵活性与调控能力（如供需平衡与可变可再生能源并网）方面的作用。关于MES（移动能源系统），大多数研究聚焦于确定性及不确定性条件下的运行策略，包括路径规划、电池充放电与换电等环节。主要研究方法涵盖精确算法（Ding等，2024；Sun等，2016）、启发式/元启发式算法（Çatay & Sadati，2023）以及基于学习的算法（Chen等，2022；Wang等，2022）。值得注意的是，电池的功能特性（包括充放电效率、功率容量与能量容量）会随着健康状态（SOH）的下降而逐步劣化（He, Ciez, Moutis, Kar, Whitacre, 2020a; Xu, 2021）。因此，不同SOH水平的电池表现出差异化的套利潜力，导致其对电池网络经济贡献存在显著差异。近期研究日益聚焦于数据驱动及物理-数据混合驱动的电池SOH预测与故障诊断模型。例如，一项数据驱动方法通过结合卷积神经网络、变长长短时记忆网络和维度注意力机制，实现了跨数据集的高精度SOH估计（Bao等，2023）。集成物理模型与数据驱动方法的混合模型，则同步提升了SOH预测准确性与模型可解释性（Chen等，2024a）。此外，利用随机充电片段的深度学习方法显著提升了锂离子电池健康状态（SOH）预测与故障诊断的效率和精度（Cao等，2025；Zhang等，2024）。上述研究均强调，必须充分考虑电池SOH衰减与功能退化对储能系统运行及经济性评估的影响。
基于这一理解，本研究将重点转向电力系统经济调度中电池网络的区位边际价值（LMV），特别是在高可再生能源渗透率场景下。区位边际价值定义为在特定健康状态下增加单位储能容量所带来的成本降低或运行效益，其量化了战略性电池部署的经济影响。在可再生能源占比较高的电力系统中，供需的时空失衡可能导致电力调度与传输出现短期延迟，而新建输电线路又需高昂投资成本（Gorman, Mills, & Wiser, 2019）。评估电池网络的LMV（边际价值定位）通过提供最优电池部署策略的量化依据，为决策者解决这一难题——包括在何时、何地、何种应用场景（如削峰填谷或频率调节）部署特定形式（固定式或移动式）与健康状态（如不同SOH值）的电池。该方法能实现电池网络的定制化设计，在支持电网稳定与可再生能源并网方面，优化其运行效率与经济价值。
然而，准确评估电池网络的全生命周期价值（LMV）仍是一个悬而未决的难题。传统储能系统LMV评估方法通常假设储能系统处于静态工况，未能考虑电池健康度衰减、功能退化及充换电协同等动态因素，导致这些方法应用于电池网络时无法准确反映真实的LMV价值。通过量化电池网络的LMV，决策者可在电力系统经济调度中更高效地配置储能资源，从而降低运行成本并提升系统可靠性。
本文首先将电池网络的LMV定义为在给定节点向MES添加一单位特定SOH容量所实现的成本降低量。其次，我们开发了电池网络与电力系统的协同调度模型，并提出了评估模型以量化不同运行条件下电池功能退化与SOH状态。基于协同调度模型与功能退化模型，我们推导出电池网络的LMV表达式，并将其分解为储能分量、能量传输分量及LMP分量。最后，利用中国电网实际数据验证了LMV推导与分解理论的正确性，揭示了电池网络中LMV的影响因素与作用机制。本研究的主要贡献如下：

• •
  我们开发了考虑电池充换电协同的电池网络与电力系统协调调度模型。该模型将基于时空网络的移动储能系统（MES）路径规划模型整合至包含煤电、可再生能源和输电线路等多类资源的电力系统经济调度模型中。
• •
  我们提出了一种适用于移动储能系统（MES）和固定储能系统（SES）的多模态电池功能退化评估模型。该模型通过计算电池使用量（即退化程度）评估电池健康状态（SOH），并基于SOH估算移动储能系统和固定储能系统的实时能量容量、功率容量以及充放电效率。
• •
  我们将协调调度模型与电池功能退化模型相结合，从理论上推导出电池网络LMV的紧凑形式及解析表达式。随后将其分解为储能、能量传输和LMP三个组成部分，揭示了电池网络边际价值的影响机制，并通过实际案例验证了LMV分解理论的正确性。