基于機會約束規劃的含電動汽車主動配電網能量管理方法

蘇 粟，韋存昊，李澤寧，夏 冬，王業庭，王世丹

（1. 北京交通大學 國家能源主動配電網技術研發中心，北京 100044；2. 國網天津市電力公司經濟技術研究院，天津 276000；3. 國網新源控股有限公司，北京 100761；4. 國網北京市電力公司海淀供電公司，北京 100195）

0 引言

隨著化石能源的消耗以及環境的惡化，世界各國越來越重視節能環保的理念。經過多年的探索可知，發展可再生能源和電動汽車EV（Electric Vehicle）已成為解決能源與環境問題的有效途徑之一。

在可再生能源中，太陽能因其清潔環保、覆蓋范圍大的特點，具有極大的開發價值，已經成為一種較為成熟的可再生能源發電技術。雖然光伏發電滲透率逐年升高，但其出力的隨機性和波動性仍是阻礙光伏發電技術進一步發展的重要障礙，例如：若光伏發電直接并網，則會對配電網的電能質量等方面產生影響［1］。所以如何進一步提高光伏的就地消納水平，提高配電網對光伏的接納能力成為推進可再生能源發展的關鍵問題。隨著技術的發展，在樓宇的屋頂或外墻上安裝光伏電池板并就地發電對樓宇內的負荷進行供能已經成為十分常見的現象。因此，通過調度樓宇內部或周圍的負荷對分布式光伏進行就地消納成為一種切實可行的策略。

而EV作為一種環境友好型的交通工具，具有良好的節能、環保和低碳排放潛力，能將交通領域對化石燃料的大量消耗向電能消耗轉變，從而產生巨大的環境效益，這對于實現世界節能減排的發展目標至關重要，符合可持續發展戰略，因此在世界各國得到普及應用。

隨著可再生能源和EV等柔性負荷的大量接入，傳統配電網已經逐漸變為具有一定可控性的主動配電網ADN（Active Distribution Network）。然而EV的充電時間是隨機且聚集的，在同一時段內大規模接入EV 將進一步增加電網負荷的峰谷差［2］，從而增加電網的負擔和運行成本，對電網產生不利的影響［3］。因此，有必要對EV 的充電行為進行一定的引導與控制，充分挖掘其需求響應潛力，進一步實現ADN的靈活運行。

目前已有大量關于引導EV 充電行為以及通過EV 提高電網對可再生能源接納能力的研究：文獻［4］提出了一個兩階段框架，第一階段以總負載波動最小化為目標對EV進行需求調度，第二階段以減小系統在EV 無功管理和配電網饋線重構中的損失為目標進行優化，并采用遺傳算法進行求解，但在準確性上有所欠缺；文獻［5］綜合考慮了EV用戶需求、道路行駛速度和充電網絡負載等因素，提出了一種提高EV用戶充換電行為便利性的策略，達到了平滑負荷曲線并提高電網安全性和經濟性的目的；文獻［6］提出了配電網兩階段靈活性提升優化方法來引導EV 進行有序充電，提升了配電網的靈活性并達到了整體經濟性最優；文獻［7］提出了一種基于微電網場景的EV 集群平抑光伏功率波動的控制框架，利用EV 充放電功率追蹤光伏出力，在一定程度上抑制了短時劇烈波動的光伏功率，同時抑制了EV的過充電和過放電；文獻［8］通過拍賣機制引導EV 用戶改變自身的充電周期，達到了降低住宅運營成本和減少棄光現象的目的。但上述研究沒有充分考慮EV 和ADN 的一體化協同優化，難以通過精確解算法對EV 與配電網系統共同構成的非凸數學模型進行統一優化計算。為此，文獻［9］給出了基于二階錐松弛SOCR（Second-Order Cone Relaxation）的ADN 動態最優潮流基本模型，可對ADN 中各參與元素進行線性化處理以便高效求解；文獻［10］根據最優配電網饋線重構和最優發電調度，構建了混合整數二階錐模型，達到了平滑負荷曲線和降低微電網運營成本的目的。

然而，上述研究沒有充分考慮分布式能源等不確定性參數的性質。為了能夠精確地刻畫不確定性參數，機會約束規劃被廣泛應用于描述隨機變量帶來的不確定性，同時提高魯棒性和可靠性。機會約束規劃允許所做決策在一定程度上不滿足約束條件，但該決策應使約束條件成立的概率不小于某一置信水平，使得約束條件具有了一定的彈性。文獻［11］針對新能源的不確定性，提出了一種基于機會約束規劃的孤島劃分方法，利用機會約束處理孤島劃分過程中的電壓越限和線路過載問題；文獻［12］借助高斯混合模型和線性化潮流方程，提出了一種基于機會約束規劃的含風電場電力系統的可用輸電能力計算方法；文獻［13］利用機會約束規劃考慮光伏功率和室外溫度的不確定性，實現了含智能辦公樓宇的ADN 的靈活運行。然而，目前將機會約束規劃應用于EV 領域的研究還不全面與完善。如何利用機會約束規劃準確刻畫可再生能源、EV 充放電行為的不確定性，并進一步構建融合EV、可再生能源的ADN一體化模型仍是當前階段的研究熱點。

綜上所述，本文提出了一種基于機會約束規劃的含EV 和分布式光伏的ADN 能量管理方法。首先，基于不同EV 用戶的出行特性和需求，建立了經過分段線性化處理的EV 智能充放電決策模型。其次，基于支路潮流模型和SOCR 構建了ADN 系統模型，同時將EV 與ADN 系統共同構成的非凸數學模型轉化為凸問題，進一步構建了含EV 的ADN 一體化數學模型，并保證了該模型具有全局最優解。其中，EV 集群作為靈活可控單元，與出力為隨機變量的分布式光伏一起被集成至ADN 模型中，可主動參與ADN 的能量管理。然后，對EV 模型和ADN 系統模型中的機會約束條件進行確定性轉化。最后，考慮基于不同城市功能區的含EV 與分布式光伏的ADN 場景，進一步對比分析了不同的機會約束越限概率下，EV 對ADN 經濟安全運行的影響。目前，在兼顧EV 與ADN 一體化建模的基礎上，利用機會約束方法處理可再生能源出力不確定性的研究還不充分。而本文在考慮不同城市功能區內EV 出行特性差異的情況下，將EV離網荷電狀態（SOC）和ADN節點電壓范圍設為軟約束以應對可再生能源出力的隨機波動，達到優化ADN 經濟安全運行的目的，具有一定的研究價值。

1 含EV和分布式光伏的ADN框架與建模

為了解決上述問題，需要建立相關的ADN 一體化模型進行深入研究。本節首先建立ADN 框架，然后分別對ADN的各個部分進行建模與處理轉化。

1.1 ADN框架

本文建立的ADN 框架如圖1 所示，該框架主要適用于含EV 和分布式光伏的城市ADN 能量管理，考慮了城市規劃中因功能屬性不同而產生的分區內EV 出行特性以及常規負荷特性的差異，通過對城市中大量的EV 集群柔性負荷進行優化調度和能量管理，實現了城市ADN 運行網損的降低以及城市分布式能源的就地消納。經過驗證，該框架對多種ADN拓撲結構均具有較好的適用性，同時也適用于其他具有分區屬性的柔性負荷和分布式能源的能量管理。該ADN 框架分為上、下2 層：上層為電網層，由電網和配電網運營商（DSO）組成，DSO 作為激勵型需求響應的實施機構，根據上層電網的供需情況，制定相應的政策，激勵下層用戶適度地調整自身的用電需求以獲取一定的補償；下層為用戶層，由3 個城市功能區（A—C）組成，各城市功能區具有不同的EV 接入特性、EV 用戶需求和常規用電負荷特性，且每個城市功能區由EV 集群、分布式光伏、智能樓宇和樓宇能量管理系統（BEMS）構成，EV 集群和分布式光伏以智能樓宇為依托集成在一起，通過響應上層電網的需求實現能量管理。

圖1 ADN框架Fig.1 Framework of ADN

EV 接入充電樁后開始接受系統調度，BEMS 綜合考慮電網層的運行需求以及用戶層的EV 接入特性和出行需求，并結合常規用電負荷預測信息、光伏出力預測信息以及ADN 運行信息，制定合理有效的EV 充電策略。智能樓宇可同時接受電網和分布式光伏的電能供應，也可將EV放電電量和分布式光伏產生的電量輸送至上層電網層，實現能量的雙向流動。同時，BEMS 既能得到電網的運行信息，也可將智能樓宇的負荷信息、EV 集群信息、用戶出行需求信息和分布式光伏出力信息等傳遞給上層電網層，實現信息的雙向流動。能量和信息都實現了雙向流動，這才能最大限度地發揮ADN 的靈活性和調度能力，對EV、分布式能源和ADN 進行協同控制，實現ADN的靈活運行。

1.2 ADN建模

本節分別構建了EV智能充放電決策模型、考慮出力隨機性的分布式光伏模型和ADN 數學模型，并將EV 集群集成到含光伏的ADN 模型中。采用SOCR 法對數學模型進行轉化，得到含EV 和分布式光伏的ADN一體化模型。

1.2.1 EV智能充放電決策模型

根據EV 大部分時間處于停駛狀態且長時間并網的特性，可對其充放電行為進行智能調控，達到優化ADN運行的目的。

EV智能充放電決策模型可表示為：合整數線性規劃數學模型，可采用精確解算法進行快速求解。經轉化后式（1）可改寫為：

式中：vm、vn分別為節點m、n電壓幅值的平方；Pmn、Qmn分別為從節點m流入支路mn的有功功率、無功功率；lmn為支路mn電流幅值的平方；rmn、xmn分別為支路mn的電阻、電抗；Pin，n、Qin，n分別為節點n的注入有功功率、無功功率；k：n→k表示節點k為節點n的子節點；PPV，n、Pbaseload，n、PEV，n分別為節點n處分布式光伏的實際出力、常規用電負荷、EV集群的凈充電功率。

式（13）是難以求解的非凸非線性約束，難以保證其全局最優解，所以需要用特定的方法對其進行轉化。本文采用SOCR法將其轉化為：

SOCR 法的示意圖見附錄A 圖A2，松弛前非凸約束的可行域為Coriginal（即式（13）），松弛后的凸化可行域為CSOCR（即式（17））。若松弛前的全局最優解位于Coriginal內，且松弛過程準確，則該全局最優解也是CSOCR內的全局最優解，即式（13）與式（17）等價。具體的證明過程可參考文獻［15］。

綜上所述，建立EV 智能充放電決策模型、出力為隨機變量的分布式光伏模型和ADN 數學模型，并通過分段線性化與SOCR 對模型中的非凸非線性約束進行轉化，進一步構建含EV 與分布式光伏的ADN一體化模型。

2 含EV和分布式光伏的ADN調度方法

2.1 目標函數

本文的目標函數包括降低ADN 的總網損及提高城市功能區負荷對分布式光伏出力的追蹤能力以促進分布式光伏的就地消納，具體可表示為：

式中：T為調度周期的時段總數；Q為城市功能區的數量；Ploss，t為t時段ADN的總網損；Pload，q，t、PPV，q，t分別為t時段城市功能區q的總負荷（包括常規用電負荷和EV 集群充放電負荷）、分布式光伏實際出力；α、β為權重系數。目標函數的第一項為ADN 的總網損函數，第二項為分布式光伏出力追蹤函數，表示功能區內節點負荷與分布式光伏出力之間的差值。

2.2 約束條件

約束條件包括EV 約束條件和ADN 運行約束條件。

2.2.1 EV約束條件

EV 約束條件主要包括EV 離網時的SOC需求約束以及SOC、充電功率和放電功率的上下限約束，具體可表示為：

圖2 SOC可行域示意圖Fig.2 Schematic diagram SOC feasible region

式中：vm，t為t時段節點m電壓幅值的平方；Vm，min、Vm，max分別為節點m所允許的電壓最小值、最大值；ξ2為節點電壓越限概率，表征了機會約束式（23）的置信水平；Imn，max為支路mn所允許的電流最大值。

2.3 ADN一體化模型

綜上所述，含EV 和分布式光伏的ADN 一體化模型可表示為：

2.4 將機會約束轉換為確定性約束

2.3 節建立的ADN 一體化模型包含了EV 離網時SOC達到用戶期望SOC滿足一定置信水平成立以及節點電壓處于所允許范圍內滿足一定置信水平成立這2 個機會約束條件。為了將上述機會約束條件整合到優化模型中，實現對一體化模型的有效求解，可以通過下述方法將機會約束條件轉換為確定性約束條件［17］。

可在調度周期內將機會約束條件式（19）和式（23）分別轉換為式（26）和式（27）所示確定性約束條件。

2.5 求解流程

含EV 和分布式光伏的ADN 一體化模型的求解流程圖如圖3所示，具體的求解步驟見附錄B。

圖3 ADN一體化模型的求解流程圖Fig.3 Flowchart of solving ADN integrated model

3 算例仿真與分析

3.1 基礎數據

本文基于如附錄C 圖C1所示的IEEE 33節點標準配電網測試系統，根據2017 年美國交通部全國家庭出行調查中各功能區EV的出行特性，將區域抽象分區為工業區、商業區、辦公區3 個城市功能區進行仿真分析。工業區的EV 入網時刻和離網時刻近似服從正態分布［18］，如附錄C 圖C2（a）所示；而商業區和辦公區的EV 出行時刻概率分布分別如附錄C 圖C2（b）和圖C2（c）所示［19］。3 個城市功能區內EV 入網時的SOC 分布如附錄C 圖C3 所示。分布式光伏出力預測曲線和3 個城市功能區的常規用電負荷曲線如附錄C 圖C4 所示［20］。目標函數中的權重系數α=2/3，β=1/9。優化調度周期為00:00—24:00，且以1 h 為時段間隔將其分為24 個時段。設EV 離網SOC 發生越限情況時所允許的最大越限幅度SSOC，bias=4%。工業區、辦公區、商業區中愿意參與能量管理的EV 數量分別為50、60、70 輛，采用蒙特卡羅方法對相應的概率分布逐一進行抽樣，得到每輛EV 的到達時刻、離網時刻以及入網時的SOC 數據。所有EV 作為一個集群進行統一調度，充、放電功率的最大值均為9.5 kW，充、放電效率均為95%，EV電池的額定容量為60 kW·h。

3.2 結果分析與討論

3.2.1 不同越限概率下的優化調度結果對比

設機會約束的越限概率ξ1取值分別為0、0.2、0.4，ξ2取值分別為0、0.02、0.04，并以100 次蒙特卡羅仿真實驗結果的平均值作為每個場景的仿真結果。仿真實驗考慮了光伏出力的預測誤差。通過對比分析所采用光伏出力的預測值與實際值，將光伏出力誤差的標幺值誤差參數ePV，t設為該時段光伏出力預測值的40%，標幺值系數εPV，t通過［-1，1］范圍內的正態分布N（0，0.32）隨機產生。引入式（28）所示的平均絕對誤差eMAE來衡量負荷對光伏出力的追蹤效果。

式中：PGYload，t、PSYload，t、PBGload，t分別為t時段工業區、商業區、辦公區的總負荷；PGYPV，t、PSYPV，t、PBGPV，t分別為t時段工業區、商業區、辦公區的光伏實際出力。

僅考慮EV離網時SOC發生越限的概率ξ1（ξ2=0）以及僅考慮節點電壓越限概率ξ2（ξ1=0）對調度策略的影響結果如表1 所示。由表可知：當ξ2=0 時，隨著ξ1的增大，ADN 總網損和eMAE逐漸減小，系統的經濟性和分布式光伏的就地消納能力逐漸提高，目標函數值降低表明整體優化效果得到提升；當ξ1=0時，隨著ξ2的增大，ADN 總網損增大，eMAE減小，表明系統經濟性降低但分布式光伏的就地消納能力得到提高。雖然ξ2的增大導致ADN 總網損小幅度增大，但eMAE的減小幅度更大，使得目標函數值也隨著ξ2的增大而降低，表明了所建一體化模型的整體優化效果得到提升。

表1 不同的ξ1和ξ2取值對調度策略的影響Table 1 Influence of different values of ξ1 and ξ2 on scheduling strategy

2個機會約束的越限概率不同情況下ADN 總網損、eMAE和目標函數值的變化趨勢如圖4所示。由圖4（a）可知，隨著ξ1逐漸增大和ξ2逐漸減小，ADN 總網損逐漸減小，并在ξ1=0.4、ξ2=0時達到最小值，說明此時系統的經濟性最優。EV 離網時SOC 約束的彈性越大，表明其可調節裕度越大，越能響應ADN進行經濟性優化調度；而ADN 節點電壓越限概率增大會導致電壓質量的降低，給系統經濟性帶來一定程度的不利影響。由圖4（b）可知，隨著ξ1和ξ2的逐漸增大，eMAE逐漸減小，并在ξ1=0.4、ξ2=0.04 時達到最小值。eMAE越小，表明節點負荷對分布式光伏出力的追蹤效果越好，則分布式光伏的就地消納能力越強。ξ1的增大在一定程度上弱化了EV 的充電需求，拓寬了其SOC 的可行域，使得EV 能夠更靈活地接受協同調度；而ξ2的增大在一定程度上擴大了節點電壓的允許范圍，進而擴大了節點負荷的可允許變化范圍。前者提高了EV集群的靈活性，后者提高了ADN 運行的靈活性，兩者都使得節點負荷對分布式光伏出力的追蹤效果得到增強。由圖4（c）可知，隨著ξ1和ξ2逐漸增大，目標函數值呈現逐漸下降的趨勢，并在ξ1=0.4、ξ2=0.04 時達到最小值，雖然此時系統的經濟性并非最佳，但對分布式光伏出力的追蹤效果最佳，使得整體的目標函數值達到最優。越限概率的增大表明模型的可行域在原有基礎上得到雙向擴大，若該約束條件是限制模型取得更優解的約束條件之一且對目標函數有單調增／減的影響，則可行域的擴大將使得模型能尋找到更優解，具體體現在目標函數可取得一個數值更小的最優解，表明了優化效果得到進一步提高，ADN 的綜合運行狀態得到進一步改善。

圖4 不同越限概率下的優化調度結果Fig.4 Optimal scheduling results under different out-of-limit probabilities

當ξ1=0 時，不同的ξ2取值對ADN 電壓的影響結果如表2 所示（表中最低電壓幅值、平均電壓幅值、電壓標準差均為標幺值）。由表可知，節點電壓越限概率ξ2的增大僅引起ADN 最低電壓幅值小幅度降低，對系統的平均電壓幅值和電壓標準差并無太大影響?？梢?，機會約束的引入能在保證系統安全運行的情況下，進一步提高ADN 的綜合性能，優化ADN的運行狀態。

表2 不同的ξ2取值對ADN電壓的影響Table 2 Influence of different values of ξ2 on ADN voltage

3.2.2 不同越限概率下ADN運行狀態分析

取某次蒙特卡羅仿真實驗進行具體分析。3 個城市功能區在不同越限概率下的節點總負荷曲線如圖5所示。由圖可知：3個城市功能區在白天時段的總負荷曲線與光伏出力的波動趨勢較一致，通過對EV 充放電負荷的有效調度實現了負荷在白天時段對光伏出力的追蹤；而在越限概率較大的場景下，EV 的可調節裕度增加，其需求響應能力得到進一步發揮，降低了白天時段的總負荷，使得負荷對分布式光伏出力的追蹤效果得到進一步提高。

圖5 各城市功能區的節點總負荷曲線Fig.5 Node total load curve of each urban functional area

3 個城市功能區內所有EV 的SOC 變化曲線分別見附錄C 圖C5—C7，圖中粗線、細線分別表示EV離網時SOC 發生越限、未發生越限。工業區和辦公區的EV離網時的期望SOC設為85%，而入網時SOC低于50%的商業區內EV 的期望SOC 設為50%，入網時SOC 高于50%的商業區EV 的期望SOC 設為其入網時的SOC。由圖C5—C7 可知，隨著ξ1逐漸增大，更多的EV 出現離網時SOC 越限的情況，且越限程度均被控制在期望SOC 的±4%之內，不會對EV用戶的出行舒適度造成過大的影響。允許EV 離網時SOC 有一定概率的越限可以在一定程度上提高EV 接受調度的靈活性，擴大其SOC 可行域，進而更充分地發揮EV 柔性負荷的特性，更好地響應ADN進行優化調度，使得系統的整體優化效果得到進一步改善。

不同的ξ2取值對ADN 節點電壓的影響結果如附錄C圖C8所示，圖中紅色截面為ADN系統安全電壓的下限，本文設為0.9 p.u.。由圖C8（a）可知，當ξ2=0 時，ADN 的節點電壓沒有出現越限的情況，系統節點最低電壓與安全電壓的下限相等。由圖C8（b）可知，由于允許有一定的越限概率，節點電壓出現小范圍的越限情況。由圖C8（c）可知，當越限概率進一步增大時，節點電壓超過紅色截面的面積進一步增大，表明節點電壓出現更多的越限情況，系統的電壓質量受到一定程度的影響。

3.2.3 IEEE 69節點配電網測試系統仿真

基于如附錄C 圖C9所示的IEEE 69節點配電網測試系統，進一步驗證EV離網時SOC發生越限的概率ξ1和節點電壓越限概率ξ2對系統運行產生的影響。工業區、辦公區、商業區的EV 數量分別為80、90、100輛。

圖6 各支路誤差指標的散點分布圖Fig.6 Scatter distribution diagram of each branch error index

不同的ξ1和ξ2取值對IEEE 69節點配電網系統調度策略的影響結果如表3 所示。由表可知，隨著ξ1和ξ2逐漸增大，ADN 總網損呈現單調減小的趨勢，eMAE呈現先增大后減小的趨勢，目標函數值呈現單調減小的趨勢，說明2個越限概率的增大在沒有大幅削弱負荷對分布式光伏出力追蹤效果的同時，降低了系統的總網損，提升了系統的經濟性，進而實現了對整體目標函數的再優化，使得目標函數值隨著越限概率的增大而減小，系統達到了更優的運行狀態。該結果與上文IEEE 33 節點配電網系統的仿真結果基本一致，存在微小差異的主要原因在于ADN拓撲結構、EV 滲透率等因素的不同。而對于規模更大更復雜的實際ADN 系統而言，隨著機會約束條件越限概率的增大，ADN 總網損和負荷對分布式光伏出力的追蹤效果或許會呈現不同的變化趨勢，但其整體目標函數值普遍會在一定程度內隨著越限概率的增大而減小，驗證了本文所提策略的有效性及其針對不同ADN結構的適用性。

表3 不同的ξ1和ξ2取值對調度策略的影響Table 3 Influence of different values of ξ1 and ξ2 on scheduling strategy

4 結論

本文提出了一種基于機會約束規劃的含EV 和分布式光伏的ADN 能量管理方法。首先，考慮包含3個城市功能區的含EV 與分布式光伏的ADN 場景，構建了基于分段線性化的EV智能充放電決策模型；其次，基于支路潮流模型與SOCR，將EV 集群作為靈活可控單元集成至含分布式光伏的ADN 模型中，進一步構建了含EV 和分布式光伏的ADN 一體化模型，以保證其全局最優解。該模型綜合考慮了分布式光伏出力的隨機波動性、不同城市功能區內EV用戶的出行特點和出行需求以及ADN 運行過程中的確定性約束和機會約束?；谠撃Ｐ?，可在滿足用戶出行需求的條件下靈活地調節EV 的充放電行為以實現ADN 的最優能量管理。最后，對比分析了不同機會約束條件越限概率下EV 對含分布式光伏的ADN 經濟安全運行的影響?；谒憷抡娼Y果可得如下結論。

1）機會約束規劃的引入可在保證EV 用戶出行需求和系統安全性的同時，充分發揮EV充放電行為的靈活性優勢。隨著EV 離網時SOC 越限概率的增大，ADN 總網損逐漸減小，系統經濟性逐漸提升，同時負荷對分布式光伏出力的追蹤效果增強，從而使模型的整體優化效果得到提升。ADN 節點電壓越限概率的增大也促進了分布式光伏的就地消納，提高了電網對光伏的接納能力，模型的整體優化效果同樣得到提升，進一步實現了ADN的靈活運行。

2）EV 離網時SOC越限概率的增大使得EV 離網時的SOC 在一定程度上偏離用戶期望的SOC，但通過對其偏離程度的限制，不會對用戶的出行舒適度造成過大的影響。ADN 節點電壓越限概率的增大會對系統的電壓質量產生一定的不利影響，引起系統最低電壓幅值和平均電壓幅值的降低以及電壓標準差增大，但其變化幅度均較小，仍可保證ADN 的安全運行。

3）ADN 一體化模型經過SOCR 后的誤差分析結果表明，誤差指標可以滿足實際工程的應用要求，驗證了所建含EV 和分布式光伏的ADN 一體化模型的準確性。

4）對比分析IEEE 33 節點配電網系統和IEEE 69 節點配電網系統的仿真結果，可以得到相似的結論，驗證了本文所提能量管理方法對于不同ADN 結構的適用性。

在未來的研究工作中，筆者將進一步設計對參與能量管理的EV 提供合理補償的機制，以保證EV用戶參與能量管理的積極性；研究更合理的城市功能區劃分方法以及EV 在混合型功能區下的出行特性和優化調度策略；在機會約束規劃中考慮更多的不確定性變量，并提出更合理的置信水平確定方法。

附錄見本刊網絡版（http：//www.epae.cn）。