考虑电动汽车及需求侧响应的综合能源系统优化调度

吴宣儒，李萍

(宁夏大学物理与电子电气工程学院，银川 750021)

传统的能源系统单独供应，单独运行。使得能源的利用率低，可再生能源的消纳能力不足。为了解决这些问题，需要建立多能互补、能源梯级利用的多能源系统[1]。

需求侧响应技术是指通过对能源价格的变化和政策鼓励等手段来调节用户的需求侧功能，文献[2]在综合能源系统的用户侧考虑了可平移负荷、可切除负荷、可转移负荷等激励型需求侧响应，需求侧响应的加入减少了系统运行成本，文献[3]分析了电、热、气3种负荷的可调度性，在综合能源系统中考虑多种需求侧响应可以提高系统运行经济性。文献[4]构建了考虑电、热负荷需求侧响应的综合能源系统多目标优化调度模型，通过算例仿真验证了考虑电、热需求侧响应可以有效提高系统经济性，提高能源利用效率。文献[5]考虑了计及人体舒适度的热负荷需求侧响应，与激励型电负荷需求侧响应共同作用可以促进可再生能源的就地消纳。电动汽车作为一种可以进行源荷双向互动的柔性负荷同样可以作为需求侧响应加入电力系统以及综合能源系统的调度模型中。文献[6]将电动汽车调度成本加入综合能源系统调度模型中，并用改进的粒子群算法求解。但并未考虑电动汽车出行规律。文献[7]在负荷侧考虑电动汽车的调度的可行性，采用激励型需求侧响应引导电动汽车在风电高峰时充电，与热泵协调运行促进风电消纳。但仅考虑了电动汽车的充电特性，并未考虑电动汽车的放电特性。以上文献都未考虑电动汽车充放电模型和需求侧响应协同规划的综合能源系统优化调度策略。

现基于需求侧电负荷、热负荷以及电动汽车的可调度性，考虑将价格型电负荷需求侧响应、供热模糊性的热负荷需求侧响应以及电动汽车充放电模型纳入到综合能源系统运行调度研究中。同时利用场景分析法构建风电和光伏发电的不确定性模型，提出一种考虑多种需求侧响应下的双层随机优化调度模型：上层模型利用分时电价激励的价格型求响应，以净负荷波动性最小为目标函数，得到优化后的电负荷曲线；下层计及供热舒适度模糊性与电动汽车作用，结合仿真算例，对比四种不同情景下的系统运行成本以及风电、光伏发电的利用效率，验证所建立模型的优越性。

1 综合能源系统结构

构建的综合能源系统包括能源输入端、能源转换端以及储能端。能源输入端主要包括外部配电网、外部配气网、风电以及光伏发电；能源转换端主要包括热电联产机组、电转气设备、燃气锅炉；储能端主要包括储电、储热、储气设备。各个机组根据分时能源价格、需求侧响应、可再生能源出力特性来完成各个能源的转化以及优化调度。综合能源系统的结构如图1所示。

图1 综合能源系统结构图

1.1 综合能源系统主要设备模型

1.1.1 热电联产机组

热电联产机组是综合能源系统的核心设备，将供电和供热集成一体的系统。热电联产机组由微型燃气轮机、热回收装置、溴冷机等设备构成[8]，数学模型为

(1)

1.1.2 储能设备模型

储能装置实现能量在不同时间尺度的转移，在能源过剩或者价格低廉时进行能源存储，在需求高峰时刻或价格高时进行放能[9]。

(2)

(3)

(4)

2 价格型电负荷需求侧响应模型

用户的用电需求受价格影响，其主要思想是通过分时价格调整用户的用电需求[10]。电力负荷需求价格弹性矩阵表达式为

(5)

式(5)中：P、ΔP分别为用电量以及用电量的相对增量；D、ΔD分别为电价以及电价的相对增量。

需求价格弹性系数又分为自弹性系数和交叉弹性系数，自弹性系数用于表征某时段价格对该时段电力需求量的影响，交叉弹性系数用于表征某时段电价变化对其他时段电力需求量的影响，其表达式为

(6)

(7)

式中：εii、εij分别为自弹性系数以及互弹性系数；i、j为不同的时段。

因此将调度时段分成n个时段，这n个时段的电力需求响应数学模型为

(8)

因此，通过价格激励型需求侧响应改变的电负荷为

Pde(n)=Pn+ΔPn

(9)

式(9)中：Pde(n)为实时电价型需求响应后n时段的电负荷。

3 热负荷需求侧响应建模

在日常生活中，温度是衡量热负荷大小的主要标准，用户对于供热的温度的感知具有模糊性，在保证温度在用户舒适度范围内变化对用户的影响较小，因此热负荷可以作为一种柔性负荷参与到需求侧响应中[11]。其数学模型为

(10)

为了保证用户供热的舒适度，室内温度应保持在一定的范围内，室内温度的约束条件为

Tin,min≤Tin≤Tin,max

(11)

式(11)中：Tin,max、Tin,min分别为保证用户供热舒适的室内温度上下限值。

4 电动汽车充放电模型

根据美国国家公路交通安全管理局的统计，家用电动汽车的出行终止时间应符合分段对数的正态分布[12]，表达式为

f(x)=

(12)

电动汽车每天行驶里程应符合分段对数的正态分布，表达式为

(13)

电动汽车既可以为电负荷，又可以作为供电源。具有了源-荷二重属性。电动汽车的充放电模型为

(14)

假设电动汽车结束1 d的行程后就接入电网，则每辆电动汽车的剩余电量为

(15)

为了更好地保障车主的利益，设置放电开始的时刻为晚间电负荷高峰时期，同样也是放电电价高峰时期，充电开始的时刻为晚间电负荷低谷时期，同样也是充电电价低的时刻。同时，为了保证电动汽车出行前的电量充裕，将用户出行前的电量设置为电池容量的90%。在白天8:00—18:00大量电动汽车需要出行，因此设置这一时间段内电动汽车不参与调度。电动汽车开始的放电时间为

(16)

式(16)中：Tf,start、Tf,end分别为晚间电负荷高峰初始时刻以及结束时刻；Tev,in为电动汽车结束1 d的行程到达的时刻，服从式(13)的正态分布随机数。电动汽车的放电时长由放电开始时间与放电功率决定，放电结束时间为晚间电负荷高峰结束时刻。

5 可再生能源出力不确定性模型

5.1 可再生能源出力预测误差

风力发电和光伏发电的实际出力是由预测出力和预测误差叠加得到的，表达式为

PWT,act(t)=PWT,pre(t)+εWT

(17)

PPV,act(t)=PPV,pre(t)+εPV

(18)

式中：PWT，act(t)、PPV,act(t)分别为t时刻风电和光伏发电的实际出力；PWT,pre(t)、PPV,pre(t)分别为风电和光伏发电的预测值；εWT、εPV分别为风电和光伏发电的预测误差。

国内外的相关研究结果指出，风电与光伏联合发电误差预测值的误差分布服从于正态分布[13-14]，采用正态分布方法来精确地描述对于风电、光伏发电的预测误差，即

ε～N[0,(Ppreσ)2]

(19)

式(19)中：σ为预测误差的百分比。

5.2 拉丁超立方采样

拉丁超立方采样是一种基于分层采样的模拟方法，采用拉丁超立方采样生成风电和光伏发电预测误差的场景集。拉丁超立方采样的实现步骤如下。

步骤1将风电和光伏发电预测误差的分布函数F分成n个等距离的区间间隔。

步骤2在每个子区间内随机选择一个采样点fi，表达式为

(20)

式(20)中：r为[0,1]的随机数。

步骤3利用F-1(f)反函数，求解得到服从概率区间的风电、光伏发电预测误差样本值，即

xi=F-1(fi)

(21)

5.3 场景削减

场景数量越多，模拟的精度越高。但是大量的场景也会造成场景“爆炸”的问题。不是所有场景都符合实际要求。对于一些无效场景，需要去除它们以最大化对原始场景的逼近，并用保留的场景替换拉丁超立方体采样得到的多个场景。采用同步回带削减法，具体步骤参考文献[15]，通过同步回带削减法可以得到的可再生能源出力误差场景集，并由式(17)和式(18)得到风电和光伏发电的实际出力。

6 IES双层随机优化调度模型

6.1 上层模型

上层模型以净负荷波动方差最小为目标，通过制定合理的分时电价，使得用户响应电价的改变从而改变用户用电行为，改变整体的电负荷曲线[16]。上层模型的目标函数为

(22)

上层模型的约束条件如下。

(1)实行电价型需求侧响应后，日内总的负荷量保持不变，即

(23)

式(23)中：Pload(t)为t时刻未实行价格型需求侧响应的电负荷。

(2)为保证用户用电的满意度，将用户用电满意度作为约束条件，即

(24)

式(24)中：Smin为用户用电满意度的最小值。

(3)为了防止峰谷倒置，峰谷电价比应该在一定的范围内，即

(25)

式(25)中：Pf、Pg分别为峰时段的电价和谷时段的电价。

6.2 下层模型

下层模型是以综合能源系统运行成本最小为目标。运行费用主要由从外部配电网和配气网购能费用，供能设备、能源转换设备运行维护成本构成。将弃风、弃光的惩罚系数引入到目标函数中，表达式为

(26)

(27)

(28)

Ppv(t)]

(29)

(30)

式中：Ms为拉丁超立方采样以及同步回带缩减法得到的场景个数;C1为综合能源系统与电网和气网的能源交互成本；C2为综合能源系统供能设备和能源转换设备的运行维护成本；C3为弃风、弃光惩罚费用；C4为电动汽车放电的补偿成本，额外的放电会对电动汽车电池寿命造成影响，因此需对电动汽车的电池损耗予以补偿；Pgrid(t)为t时刻与配电网之间的购、售电量；δ为购售电标志，当δ=1时为购电、δ=0时为售电；cb、cs分别为t时刻的购电和售电价格；Pgas(t)为t时刻购气量；cg为购气价格；cj为第j台设备的运行维护成本；Pj(t)为第j台设备在t时刻的出力；ω为弃风、弃光的惩罚费用；Pwt(t)、Ppv(t)分别为风电和光伏发电的实际上网功率。

下层模型约束条件如下。

(1)功率平衡约束。综合能源功率平衡约束包括电功率平衡、热功率平衡以及气功率平衡约束，即

(31)

(32)

(33)

式中：Pmt为燃气轮机发电量；Pp2g为电转气消耗的电能；Hmt、Hboi、Hload分别为燃气轮机的热出力、燃气锅炉的热出力以及实行热负荷需求侧响应后的热负荷量；Gp2g为电转气设备产生的天然气量；Gload、Gboi、Gmt分别为日前预测的气负荷量、燃气锅炉消耗的天然气量以及燃气轮机消耗的天然气量。

(2)热负荷需求侧响应约束。保证在一个调度周期内实行热负荷需求侧响应后的负荷与原负荷需求量一致，即

(34)

(3)电动汽车充放电模型约束。电动汽车参与调度时的约束条件包括电动汽车的容量要保持在一定范围内，电动汽车的充放电功率不超过最大充放电功率，即

(35)

(36)

(37)

6.3 求解流程

为了验证电、热负荷需求侧响应以及电动汽车充放电模型对综合能源系统运行经济性和可再生能源消纳的影响，所构建的综合能源系统模型求解流程如图2所示。

图2 优化调度求解流程

7 算例分析

7.1 算例基础数据

为了验证所建立模型的有效性，基于某社区综合能源系统数据，电负荷、热负荷、气负荷的日前预测值如图3所示。热电联产机组以“以热定电”的方式运行。上层模型中自弹性系数取-0.2，互弹性系数取0.33。能源供给设备和能源转换设备的运行参数参考文献[8]，如表1所示。储能设备运行参数参考文献[9]，如表2所示。电动汽车的运行参数参考文献[7]，如表3所示。社区内可参与调度的电动汽车数量为20辆。初始电价为0.6 元/kW，设定平时段电价与初始电价相同。设定未实行热负荷需求侧响应时的室内温度保持在24 ℃。典型室外温度曲线参考文献[17]。风电、光伏发电的预测误差服从以预测值为均值，10%的预测值为标准差的正态分布，仿真利用拉丁立方采样取得100个风电以及光伏发电场景，通过同步回带削减法将场景削减为4个，削减后的4个场景概率如表4所示。

图3 电、热、气负荷预测值

表1 机组运行参数

表2 储能设备参数

表3 电动汽车运行参数

表4 场景削减后各个场景概率

为了验证电、热需求侧响应以及电动汽车充放电模型对综合能源系统运行经济性和可再生能源消纳能力的影响，分析了以下4种不同情景：①情景1。不考虑电、热需求侧响应和电动汽车充放电模型；②情景2。只考虑电负荷需求侧响应；③情景3。考虑电负荷、热负荷需求侧响应；④情景4。考虑电、热需求侧响应和电动汽车充放电模型。

7.2 算例结果分析

情景1的电负荷仿真算例结果如图4所示，热负荷调度结果如图5所示。场景1中，电负荷由风电、光伏发电、热电联产机组、电网交互功率以及蓄电池共同满足。在夜间，风电出力较高，通过电转气、蓄电池储电以及向外部配电网售电从而消纳多余的风电。蓄电池在电负荷高峰时期放电，在低谷时期储电。但受到容量的限制，依旧有大量的风电被迫弃用。在电负荷高峰期间电负荷供应不足需要从外部配电网购买一定的电能。热负荷由热电联产机组产热、燃气锅炉、储热设备共同满足，在热负荷低谷期间，储热设备进行储热，在热负荷高峰期间进行放热。

图4 情景1电负荷调度结果

图5 情景1热负荷调度结果

情景2的电负荷仿真结果图如图6所示。通过上层模型的求解，得到的分时电价为高峰时段0.87元/kW，低谷时段0.388元/kW。用电实行电价型需求侧响应后，电负荷的削峰填谷能力进一步提升，电负荷在分时电价引导下进行转移，使23:00—6:00电价低谷时段以及平电价时段的电负荷量提升。提高了风电和光伏发电的上网空间，风电和光伏发电出力相比于情景1明显增加。在18:00—21:00降低了高峰时段的用电量，从而降低了从外部配电网购买的电能，提高了系统运行经济性。同时蓄电池在电负荷高峰时段放电、在电负荷低谷时段进行储电，通过对电能的时移提升的系统运行经济性减少了弃风弃光量。

图6 情景2电负荷调度结果

情景3的热负荷调度结果如图7所示，实行热负荷需求侧响应前后室内温度的变化曲线如图8所示。情景3的电负荷调度结果如图9所示。实行热负荷需求侧响应前的室内温度保持在24 ℃，实行热负荷需求侧响应后的室内温度在22～26 ℃变化。在不降低用户舒适度的前提下，使得23:00—24:00以及1:00—9:00的热负荷量减少，因此使得热电联产机组“以热定电”发电功率减少，从而提高了风电和光伏发电的上网空间，减少了弃风、弃光量。在16:00—21:00时段提升了热负荷量，提升了热电联产机组“以热定电”发电功率，从而降低了电负荷从外部配电网购买的电能，减少了购电成本。

图7 情景3热负荷调度结果

图8 情景3室内温度的变化

图9 情景3电负荷调度结果

情景4的电负荷调度结果如图10所示。场景4在场景2、场景3的基础上引入了电动汽车充放电模型。在电负荷高峰18:00—21:00时段，电动汽车参与调度，将日出行剩余的电量放出，减少了电负荷高峰时期的压力，同时减少了此时段从配电网购买的电量，进一步减少了系统的运行的运行成本，同时参与调度的电动汽车用户可以得到高电价时段的充电补偿。在电负荷低谷时段24:00—7:00，电动汽车参与调度，进行充电计划，直到达到充电出行计划为止。在这个时段，有部分风电和光伏发电没有被消纳，通过电动汽车充电，消耗未消纳的风电和光伏发电，从而进一步减少了弃风弃光量。同时这一时段为电价低谷时段，因此参与调度的电动汽车用户所需的充电费用较少。参与电动汽车充放电的用户不仅可以获得一定的放电收益，而且可以减少充电费用。电动汽车充放电模型可以促进可再生能源的消纳，也可以减少系统运行成本。

图10 情景4电负荷调度结果

构建的综合能源系统不同情景下的运行成本如表5所示。对表5进行分析可以得出，情景1考虑了多种能源的互补以及储能设备的运行。情景2相比与情景1考虑了分时电价作用的价格型电负荷需求侧响应，实现了电负荷的削峰填谷，减少了燃料成本，提升了售电收益，减少了弃风弃光量。总运行成本明显降低。情景3在情景2的基础上考虑了计及用户供热模糊性的热负荷需求侧响应，通过调整室内温度在人体舒适度的范围内变化，改变了整体的热负荷曲线，进一步提升了系统运行经济性，降低了弃风、弃光量。情景4在情景3的基础上考虑了计及电动汽车出行规律、日行驶距离和剩余电量的电动汽车充放电模型，通过电动汽车充放电模型，进一步降低了系统运行成本，提升了系统消纳风电和光伏发电的能力。

表5 不同情景的运行成本

8 结论

对电价型电负荷需求侧响应进行了详细的建模。根据供暖热负荷具有供热传输延迟以及人体对于供热温度具有模糊性特点，建立了热负荷需求侧响应模型。根据电动汽车日出行到达时刻以及日行驶里程，建立了电动汽车充放电模型。利用拉丁超立方采样法构建了风电和光伏发电的预测误差的场景集。最终建立了考虑电动汽车以及电、热负荷需求侧响应的综合能源系统双层随机优化调度模型。通过算例仿真，在4种不同的情景下，构建的综合能源系统优化调度策略能进一步降低系统运行成本，提升系统消纳风电和光伏的能力。