考慮風光不確定性與電動汽車的綜合能源系統低碳經濟調度

張 程，匡 宇，鄒復民，2，劉佳靜，李傳棟

（1. 福建工程學院 智能電網仿真分析與綜合控制福建省高校工程研究中心，福建 福州 350118；2. 福建省汽車電子與電驅動技術重點實驗室，福建 福州 350118；3. 國網福建省電力有限公司 電力科學研究院，福建 福州 350007）

0 引言

目前，由于氣候變化與能源供應短缺問題，傳統電力系統正向低碳綠色的綜合能源系統IES（Integrated Energy System）轉型。我國提出在2060 年前達到碳中和的目標，因此構建以新能源為主體的可持續能源系統已成為必經之路［1-2］。IES 作為分布式電源、電儲能裝置EES（Electrical Energy Storage device）以及多種負載的載體，能滿足多能源的并網需求。

當前國內外已對IES 優化調度進行了大量研究。文獻［3-4］都考慮了價格型需求響應對IES經濟運行的影響，前者分析多能源的不同價格產生的影響，后者分析不同電價對含碳捕集設備的IES 影響，但其都未考慮到IES 中風光與負荷的多種不確定因素的影響。文獻［5］提出的優化策略通過協調多個能源載體的互補運行，有效提高IES 的低碳經濟性，但是由于未考慮風光隨機性，給經濟調度帶來一定困難。文獻［6］利用歷史數據構建風電出力的模糊集，該模糊集具有歷史數據統計信息，能得到風電出力較為準確的不確定區間，提高IES 調度經濟性，但其并未綜合考慮由于追求經濟性給環境帶來的影響，優化目標較為單一。

隨著電動汽車EV（Electric Vehicle）負荷進一步接入IES，IES 的經濟穩定運行將會受到影響，因此EV 與IES 深度融合的低碳經濟運行問題成為研究的熱點。針對IES與EV的不確定性問題，文獻［7-8］利用可調節的魯棒參數靈活設置調度方案，協調方案的魯棒性與經濟性，但魯棒優化方案所采用的不確定性區間對預測數據的依賴性強；文獻［9］利用風-光-氫為主體的IES，采用核密度估計與K-means聚類算法構建風光出力的不確定性與EV 充電隨機性模型，給出經濟與環保最優的調度策略，能夠在一定程度上降低碳排放量。文獻［10］利用拉丁超立方采樣LHS（Latin Hypercube Sampling）生成風電出力場景，然后利用同步回代法對場景進行削減，在考慮風光不確定性與電價的基礎上，實現經濟調度。文獻［11］考慮多風電場間的相關性，采用蒙特卡羅法進行風電出力抽樣，利用快速前代消除技術削減風電場景，減少電網調度經濟誤差。文獻［12］以電熱聯產為基礎，考慮EV 參與經濟調度，可以有效降低運行成本，但該方法僅考慮EV 充電行為，并未考慮EV 的需求響應。為了使EV 主動參與調度過程，文獻［13］考慮較大規模EV 接入風-光-熱聯合系統，將EV 負荷分為有序、無序和EV 入網V2G（Vehicle to Grid）這3 類，得出增大有序負荷的滲透率，減少無序充電占比，可降低凈負荷方差，提高風光可再生能源的消納率。文獻［14］通過“車網互動型”價格機制，調整電網負荷分布，降低峰谷差，通過將EV 分類，提高定價策略的經濟性。文獻［15］根據EV不同的充放電價格對充電站經濟性與電網穩定性進行優化調度，但未考慮充電站-用戶之間的利益關系，不能實現多方共贏。

在EV 交通能量補給與IES 的規劃方面，文獻［16］考慮天然氣網、電力與交通的耦合，以全系統投資與運行費用最低，得到耦合網絡中充電樁與加氣站的布局，改善能源與交通系統的互動潛力。文獻［17］基于交通流量進行天然氣、配電網、交通網以及IES的系統規劃，為有序與無序充電制定最佳的出行路線，為充電站投資建設提供指導，但其未涉及風光不確定性。文獻［18］基于電力-交通網的時空耦合模型，利用雙向波動態過程描述隨時間與空間變化的交通流，并基于節點邊際電價，根據交通流的變化制定EV充電價格，利用不動點映射算法求解兩網耦合的均衡問題。文獻［19］提出了一種有效的動態零售定價機制，該機制將通過減少旅行延誤和消除充電站排隊來降低電力成本，但這些定價對運行條件與網絡特性比較敏感。

基于上述背景，本文對風光出力隨機性以及EV主動參與IES 低碳經濟調度問題進行研究。首先，利用構建場景法處理風光不確定性，采用改進快速前代消除技術進行場景削減。其次，計及風光出力不確定性與EV、燃氣輪機GT（Gas Turbine）、EES 和電網的備用容量，構建上層IES 與下層EV 的雙層優化模型，從系統整體用電負荷與可再生能源的角度出發，利用新能源與總負荷的匹配度提出一種動態定價機制來引導EV 進行充放電，使EV 積極參與調度過程。該定價機制不依賴電網的具體物理模型，且能提升消納風光的能力和降低系統碳排放量，同時實現IES 與EV 的共贏。最后，通過仿真算例驗證本文優化方法的低碳經濟性與有效性。

1 IES與EV系統建立

IES 可以有效整合各種類型的分布式能源、負載、EES等設備和控制系統。本文將IES作為上層優化模型，系統包括風機WT（Wind Turbine）、光伏組件PV（PhotoVoltaic module）、GT、EES、儲熱裝置TES（Thermal Energy Storage device）、電鍋爐EB（Electrical Boiler）和溴冷機（WT、PV、GT、EES 可為上層與下層充電EV 提供電功率，TES、EB、溴冷機為上層提供熱功率）；將EV作為下層優化模型，系統包含充電樁以及多輛EV。IES 與EV 系統拓撲結構見圖1?？紤]到實際系統中某時段風光可能沒有功率輸出，IES 必須提供足夠的旋轉儲備來維持系統輸出的連續性，但會產生額外的成本。各模型的具體公式見附錄A式（A1）—（A7）。

圖1 IES與EV系統拓撲結構圖Fig.1 Topology structure diagram of IES and EV system

2 風光不確定性與場景削減

由于WT、PV 發電受環境影響因素較大，其出力具有一定的不確定性，本文采取LHS［10］對風光隨機變量進行采樣。假設在調度周期內，風速近似服從Weibull 分布，太陽輻照度近似服從Beta 分布，通過相應變換可得風光出力?？紤]到LHS生成場景數量較多，采取基于概率距離的快速前代消除技術［11］進行場景削減速度較慢，所以對其削減速度進行改進，步驟如下。

1）步驟1。假設對風光隨機變量進行LHS 后共生成K個場景，計算集合中每對場景(ci，cj)的二范數s(ci，cj)，如式（1）所示。

對于集合D中的元素，根據其概率距離進行從小到大排序（數據參考文獻［20］）：當前20%數據的平均概率距離小于后20%數據平均概率距離的10%時，削減速度V（表示每次削減場景的個數）變大，V=v1K（v1為決策變量）；當前20%數據的平均概率距離大于等于后20%數據平均概率距離的10%并小于其15%時，削減速度減小，V=v2K（v2為決策變量）；當前20%數據的平均概率距離大于等于后20%數據平均概率距離的15%時，V=1。

4）步驟4。根據步驟3，削減V個滿足式（3）的場景cs*，以剔除不具代表性且發生概率很低的場景。

式中：p(s*)為削減場景cs*發生的概率；p(m)為場景cm發生的概率。

5）步驟5。首先求出與被削減場景概率距離最小的場景，然后更新該場景概率，其等于該場景原始概率加上被削減場景的概率，最后更新場景集D中元素的數量。

6）步驟6。重復步驟2—5，若滿足剩余場景數（人為設定），則停止運行；否則，繼續削減。

完成上述步驟后，以削減后的場景與初始場景的概率距離最小為目標，利用粒子群優化算法對決策變量v1、v2進行求解。

3 雙層優化調度策略

3.1 IES目標函數

上層IES 運行成本C由以下9 個部分組成：IES向電網購電費用C1；電網、EES 以及EV 向IES 提供備用費用C2；EES折舊成本C3；EV向IES購買用電收益C4；碳排放費用C5；GT 運行成本C6；IES 向EV 購電費用C7；需求響應的補償費用C8；回收制熱成本C9。上層IES的目標函數為：

3.2 EV目標函數

下層EV運行成本F由以下3個部分組成：EV向電網購電成本F1；EV 向IES 購電成本F2；EV 向IES提供備用收益F3。下層EV的目標函數為：

3.3 約束條件

3.3.1 電功率平衡約束

為了確保系統安全穩定地運行，電功率平衡約束為：

3.3.3 供電系統需求響應約束和設備出力約束

上層IES 模型考慮需求響應約束，對可時移與可中斷負荷有一定的限制，電網與GT 出力上、下限的約束為：

3.4 動態定價機制

IES調度中，分時電價可以有效顯示各時段負荷水平，但在系統中加入EV，會導致各時段的負荷水平發生變化，電價與負荷水平不匹配，分時電價不能有效引導EV 利用風光出力進行充放電，為指導EV 有效消納IES中的風光出力，本文提出基于風光出力與負荷相匹配的動態定價機制，將這種動態定價機制作為上下層優化模型的紐帶。定價機制可以描述為：

1）步驟1。初始化縱橫交叉算法參數與動態電價的待優化價格系數h，h對應種群內的粒子X。

2）步驟2。將h傳入上層IES 模型中，計算上層模型的調度成本與機組出力。

3）步驟3。下層EV 獲得上層IES 調度信息與動態電價，根據此電價進行優化調度，計算運行成本與EV充放電計劃。

4）步驟4。將下層的EV 充放電計劃傳到上層IES，不斷上下交替迭代求得初始適應度值。

5）步驟5。橫向交叉，將初始種群內的粒子X代入式（19）進行橫向交叉，計算適應度值Shc并與父代適應度值比較，更新X。

式中：r為［0，1］間的隨機數。因為該步驟只有1 個變量，所以粒子X的不同維度取值相同。

7）步驟7。步驟6 中所得最優粒子X即為所求h，將其代入步驟2 中，在滿足迭代次數后，輸出最優成本、調度方案與h。

通過動態定價機制，EV 可以選擇在新能源比例較高的時段進行充電，此時充電電價較低，用戶可以進行充電來降低電力成本。因此，用戶有足夠的動機調整EV用電行為，降低下層運行成本。

3.5 雙層優化求解流程

為了獲得雙層優化策略的最優解，其聯合優化目標可表示為：

式中：Ffin為最終的聯合優化目標。本文優化策略利用MATLAB 調用CPLEX 進行求解，具體流程如附錄A圖A1所示。

4 算例分析

4.1 風光場景削減

根據某地風光實測數據，采用第2 節提出的風光不確定性處理方法，經過LHS后可得到1000個風光出力場景及其對應的削減場景，如附錄B 圖B1、B2 所示?？梢钥闯鱿鳒p后的風光場景出力曲線與削減前的風光出力曲線趨勢基本一致，說明利用改進快速前代消除技術處理風光出力的隨機性是有效的。最后得到3 個典型的風光場景出力，場景1—3的概率分別為0.237、0.410與0.353。

附錄B 表B1 為利用不同參數對風電出力進行削減的結果。由表可知：原始快速前代消除技術相對文獻［20］與本文方法運行時間較長；文獻［20］方法雖然比原始快速前代消除技術與本文方法計算速度快，但是削減前、后概率距離明顯增大，削減精度較差；K-means聚類算法的運行時間隨場景規模的擴大而顯著增加，削減后的概率距離比本文方法也有所增加；本文方法相比其他方法減少了場景削減前后的概率距離，提升了削減精度，比原始快速前代消除技術速度更快。

4.2 算例基礎數據

為驗證本文所提模型及優化策略的可行性，以某IES 與EV 為具體算例進行仿真分析。電網分時電價數據如附錄B表B2所示。

EV 系統中含有1 座充電站，共10 個充電樁，每個充電樁的充電功率為15 kW，園區內共有15 輛EV，每輛EV 的電池容量為60 kW·h，電網、ESS 和EV 的備用價格均為0.04 元／（kW·h），可中斷負荷功率的上限為各時段電負荷需求的10%。碳配額額度設置為每個時段熱、電負荷總和的5%，碳交易價格為0.5 元／kg。系統的總備用容量設置為風光出力的百分比，算例分析中設置為40%（此時聯合成本最低，將在4.3節進行分析說明）。IES當日調度的電、熱負荷、室內外溫度差以及風光期望出力（以場景2 為例）如附錄B 圖B3 所示，其他參數如附錄B表B3所示。

4.3 仿真結果分析

通過蒙特卡羅法模擬EV無序充電計劃，并將其作為IES 第一次優化時的EV 調度結果。無序充電計劃如附錄B圖B4所示。

風光出力以場景2 為例，計及EV、EES、GT 以及EV 備用的情況，根據不同的價格機制進行調度。利用縱橫交叉算法對3.4 節描述的電價系數h進行迭代求解，結果如圖2 所示。由圖可知，利用縱橫交叉算法求解該電價系數h是有效的，重復30次實驗后，可得迭代100 次的最小聯合成本約為804.3 元，此時對應的h為0.67。

圖2 聯合成本與價格系數h的變化關系Fig.2 Relationship between joint cost and price coefficient h

采用動態電價機制和分時電價機制的電力需求調度結果分別如附錄B 圖B5（a）、（b）所示。由圖可知，由于風光出力向上層IES 提供電量不需要支付費用，上層IES 優先消納風光出力。一方面，采用動態電價機制，電網單位出力價格較采用分時電價時有所降低，從而降低了IES 的用電成本。另一方面，采用動態電價機制和分時電價機制的最大差別在于可控負荷大?。簞討B電價機制下的可控負荷明顯減少，由電功率平衡約束可知，動態電價機制下電網出力與負載之間差額小，整個系統運行更加合理，有利于提高系統經濟性。此外，系統內設備在不同機制下出力情況也有不同：EES 在［01:00，04:00］時段和［12:00，14:00］時段內進行充電，在［18:00，21:00］時段內，此時為用電高峰期，GT 與電網單位出力價格均大于ESS，故采用EES 放電來彌補系統功率不足。由附錄B 圖B5（b）可知，在［22:00，24:00］時段內，電負荷較少，電網單位出力價格低于GT，故采用電網出力彌補系統功率不足，而由附錄B 圖B5（a）可知，同一時段中系統功率不足完全由風光出力供給，減少了電網出力。綜上說明采用動態電價機制可提高系統的經濟性與環保性。

采用動態電價機制和分時電價機制的熱需求調度結果分別如附錄B 圖B6（a）、（b）所示。由圖可知：在［04:00，07:00］時段內，系統熱負荷較多，此時考慮移除一部分熱負荷，與此同時TES開始放熱；在［11:00，14:00］時段內，熱負荷較少，此時TES進行蓄熱，同時系統轉入少量熱負荷；在［18:00，20:00］時段內，此時風光出力較少，電網單位出力價格較高，所以通過GT 與溴冷機提供熱量，此外TES 放熱，系統轉出一部分熱負荷；在［22:00，24:00］、［00:00，05:00］時段內，由于電網單位出力價格較低，所以電網負責主要的出力。上述分析說明本文所設計的以經濟性為目標的熱需求調度模型較為合理。

采用動態電價機制和分時電價機制的下層EV調度結果如圖3 所示。由圖可知：與分時電價相比，采用動態電價機制可以使EV 更加積極參與IES 運行，可以有效利用風光進行充電。例如：在［13:00，15:00］時段內，風光出力遠大于IES 中的電、熱負荷之和，動態電價較低且不處于用電高峰期，EV 充電既可以消納風光又能夠存儲足夠的電量，可在IES負荷水平較高時給其供電；而在［01:00，03:00］時段與［22:00，24:00］時段內，風光功率不足，此時EV 給IES 供電，給用戶帶來一定收益，同時也能減少上層IES 中的購電量與GT 出力。因此在動態電價機制下，電網單位出力價格的調整能引導EV更加靈活地進行充放電，使其充放電配置更合理，避免了EV 在IES 電、熱負荷較多時充電，使得EV 與IES 的深度融合調度更具經濟與環保性。

圖3 EV調度結果Fig.3 EV dispatch results

采用動態電價機制和分時電價機制時整個調度周期內系統電負荷變化如附錄B 圖B7 所示。由圖可知：在［22:00，24:00］、［00:00，04:00］時段內，電網單位出力價格較低，負荷與風光出力差距較大，此時EV 進行充電使得系統電負荷整體提高；在［13:00，15:00］時段內，EV 進行充電，雖然一定程度上增大了峰谷差，但是實現了電價與負荷水平相互匹配，有利于提高系統的經濟性與環保性。采用動態電價機制后，［13:00，15:00］時段內可時移負荷較少，且此時有一部分可中斷負荷降低負載，EV 能利用比分時電價低的價格進行充電，所以用電高峰期轉移到下午的平時段［12:00，15:00］。分時電價下的用電高峰與動態電價機制類似，但是其負荷量的增加主要是轉移負荷的移入導致的。

采用動態電價機制和分時電價機制后各時段的碳排放量如附錄B 圖B8 所示?？梢钥闯鲈冢?2:00，24:00］時段內，采用動態電價機制前EV 進行充電功率較大，但此時風光出力不足，導致該時段的電網用電量較大，碳排放量較多。采用動態電價機制后整個調度周期內的碳排放量比采用分時電價后約減少了183.2 kg。

表1 給出了不同場景下采用分時電價和動態電價機制下上層IES 與下層EV 的運行成本。表中：將風光出力分別采用本文方法削減后的3 個場景數據進行調度的方案記為場景1—3；概率成本和為場景1—3中IES、EV 的運行成本與該場景對應發生的概率乘積之和，記為場景4。將風光出力采用原始風光數據進行調度的方案記為場景5。由表可知，無論哪種場景，動態電價機制下上層IES 與下層EV 運行成本均低于分時電價機制，約分別減少了83、50元。場景1—3 的動態電價機制的聯合成本較分時電價機制的聯合成本分別降低了10.9%、10.7%和10.6%，這說明本文所提動態電價機制可有效提高IES 與EV 聯合運行的經濟性。同時可發現，動態電價機制下IES 與EV 之間的成本差值較分時電價小，證明了動態電價機制可協調其利益相關性。動態電價機制下場景4聯合成本較場景5有所降低，故本文采用的場景削減方式也可在一定程度上降低系統運行成本。

表1 不同電價機制下各場景的運行成本Table 1 Operating costs of scenarios under different electricity price mechanisms

場景2 中采用分時電價和動態電價機制下運行成本C1—C9、F1—F3如附錄B 表B4 所示。由表可知，動態電價機制下下層EV 來自IES 的充電成本比分時電價降低13.5%，放電收益也有所提高。動態電價機制下的碳交易成本比分時電價降低91.6 元，EV 向電網購電成本也降低了39.6%，有利于實現低碳經濟調度。

4.3.1 不同備用容量與碳交易價格對經濟性的影響

表2 給出了采用分時電價和動態電價機制后場景2 在不同總備用容量下優化后上、下層系統的運行成本及二者聯合成本。由表可知，上層IES 成本隨著總備用容量的變化呈現先減后増的趨勢，其受總備用容量的影響較大，當總備用容量為40%時，上層IES 運行成本最低。EV 的變化與IES 類似，但其變化幅度較小?？傮w而言，在不同總備用容量下，動態電價機制引導的聯合成本都低于分時電價，系統整體可獲得更可觀的經濟效益。當總備用容量超過50%的風光出力后，EV 由于提供的備用服務已達到上限，所以成本基本不變。

表2 不同總備用容量下的成本Table 2 Costs under different total backup capacities

不同碳交易價格下上、下兩層系統成本對比如附錄B 圖B9 所示。由圖可知，對于本文所提調度優化策略，碳交易價格對IES 系統的影響呈現先增后減的趨勢，當碳交易價格低于0.6 元／kg 時，IES成本逐漸增加。對于EV 而言，當碳交易價格低于0.3元／kg，成本基本持平。碳交易價格從0.4元／kg升高為0.6 元／kg 時，EV 成本降低，這是因為EV 向電網提供的電量增加，獲得了一定的經濟效益。此外當碳交易價格的區間為［0.4，0.5］元／kg 時，系統整體的聯合成本最低，上下兩層的經濟性也較協調。

4.3.2 不同EV數量對經濟性與碳排放量的影響

圖4 為不同EV 數量下棄風棄光量與運行時間。由圖可知，2 種定價機制在風光消納上有差別。當EV 數量為15 輛時，動態電價機制的棄風棄光量約為分時電價的50%，隨著EV 數量的增加，采用動態電價機制后，系統能夠快速消納風光，而采用分時機制后系統消納風光速率較慢，從側面可以反映EV在動態電價激勵下能主動參與調度運行。在EV 數量達到35 輛后，分時機制下的棄風棄光量不變化，EV充電樁的負荷已經飽和。隨著EV數量的增加，雙層優化調度時間差別較小。

圖4 運行時間與棄風棄光量Fig.4 Running time and amount of wind and PV power curtailment

本文進一步分析增加EV 數量的情況下碳排放量以及系統成本的變化情況，結果如附錄B 圖B10所示。由圖可知，隨著EV 數量的增加，碳排放量先減小后增加。當EV 數量為20 輛時，碳排放量呈現最低狀態，因為增加5 輛EV 可以為IES 提供更多的電力，減少GT 與電網的部分出力。超過20 輛后，由于沒有多余的風光，EV 充電需向電網、IES 購電，產生更多的碳排量。當EV 數量小于等于30 輛時，系統的聯合運行成本上漲幅度低于EV 數量超過30 輛的情況，因為風光出力與負荷的比值減小，所以EV充電價格更高，此外也需要更多的電力供給，增加了碳排量。

4.3.3 EV電池容量對成本的影響

圖5 給出當EV 數量為15 輛時，EV 電池容量在不同電價機制下對EV 成本、IES 成本以及聯合成本的影響。由圖可知：在不同EV 電池容量下，動態電價機制有利于降低EV 與IES 的運行成本；從整體趨勢來看，IES 與EV 的成本都隨著EV 電池容量的增加而提高；另外，隨著EV電池容量的增加，分時電價的成本變化較為平緩，動態電價機制的變化存在明顯起伏變化，說明動態電價機制能夠有效促進IES與EV的協調優化。

圖5 EV電池容量對成本的影響Fig.5 Impact of EV battery capacity on cost

5 結論

本文通過不同風光場景提出了考慮風光出力不確定的IES 與EV 聯合運行的雙層日前優化調度策略。該優化策略還考慮了不同定價機制對整個調度周期經濟性與碳排放的影響，旨在發揮2 個利益相關者之間協調參與能力。得到的結論如下：

1）通過風光出力與總負荷之間的匹配關系構建的動態電價機制可靈活引導EV 充放電并參與IES優化調度，同時降低IES 與EV 的聯合運行成本與碳排放量，此外，通過EV參與提供旋轉備用服務，使兩者的經濟性也得到改善，實現了低碳經濟運行；

2）動態電價機制能激發EV需求響應潛力，提高風光消納率，通過不同的碳交易價格引導，雙層優化調度策略可在不同程度上協調IES與EV的利益；

3）采用LHS與基于改進概率距離的場景削減技術模擬風光出力隨機特點，可以提高削減精度，使決策方案更合理，較原始風光出力相比，有利于提高優化調度經濟性。

附錄見本刊網絡版（http：//www.epae.cn）。