考虑电动汽车移动储能特性的智能楼宇群能量管理方法

2022-10-15胡寰宇胡俊杰王坤宇

电力自动化设备 2022年10期

胡寰宇，艾欣，胡俊杰，王坤宇

（华北电力大学新能源电力系统国家重点实验室，北京 102206）

0 引言

“双碳”战略目标促使可再生能源飞速发展，而可再生能源利用效率的低下成为电网向新型电力系统转型的主要制约［1］。另外，占全球能源消耗比例高达35%的建筑物已成为全球温室气体排放的主要来源［2］，近年来围绕楼宇能量管理的问题广受关注。配备柔性负荷、分布式可再生能源或储能资源的智能楼宇属于典型的产消者［3］，但功能属性、配置情况的差异使楼宇的能源利用模式各异，通过能量管理优化楼宇内部的能量互补提升空间较小。相反地，楼宇间的能源优化互补具有提高整体运行效率的可能，是促进楼宇向近零能耗模式下发展、减轻配电网运行管理压力的途径［4］。

目前，已有工作对产消者交互运行进行了综述［5］。交互运行技术与理念中，能源共享由于具有资源优化配置及利用的能力受到学者的广泛关注［6-9］。文献［6］提出了一种多能源互联微网群的能源共享模式，利用交替乘子法解决了电、热能源共享的平衡问题；文献［7］建立了大规模互联直流纳网的实时交易模型，利用李雅普诺夫优化理论解决了计算效率问题；文献［8］基于改进的拍卖理论提出了一种能源共享交易出清的办法，能够激励差异的相容性及个体交易理性；文献［9］针对共享分布式能源的市场化服务机制开展了研究，设计了园区分布式能源共享服务的架构和业务流程，能够促进分布式能源能效、设备整体利用率的提升。当前围绕能源共享的研究聚焦产消者的整体外特性差异，鲜有文献考虑产消者内部资源动态变化对交互运行的影响。电动汽车EV（Electric Vehicle）作为典型的灵活性资源，由于具有响应速度快、电能双向流动V2G（Vehicle to Grid）的特点广受关注［10］，实际上，移动的EV 能够动态接入不同的楼宇产消者，EV 的移动性为楼宇产消者群提供了一种虚拟的共享网络。截至当前，基于EV 移动性的充放电优化研究极少，模型匮乏且概念不统一。国内有学者提出EV 的移动储能特性［11-13］：文献［11］建立了一种基于停车生成率的EV 移动储能模型，由区域的宏观停放视角对EV 的流动特征进行捕捉，提出了EV 移动储能与可再生能源协调的V2G 策略；文献［12-13］建立了基于移动储能特性的EV 辅助服务优化模型，提出了EV参与电网一次、二次调频的控制策略。上述研究刻画了EV在不同区域的移动特征，但忽略了能量在区域间传输的潜力。国外有学者提出EV 的电能矢量特性［14-16］：Bunomano的团队对EV的电能矢量特性在建筑间的应用进行了分析；文献［14］提出了车-建筑-车V2B2（Building to Vehicle to Building）概念，即利用EV 的移动储能特性实现可再生能源在不同建筑间的搬运，以提升可再生能源就地消纳比例；文献［15］在前者的基础上针对场景及资源交互运行优化模型的参数设置进行了分析；文献［16］基于研究分析了V2B2场景下建筑配置分布式可再生能源的规划问题。文献［17］基于通勤EV 的多地点充电场景，研究了由EV 耦合住宅-办公楼构成的虚拟微电网优化调度问题。上述研究利用EV 在不同建筑的移动接入特性，拓展了一种虚拟聚合的建筑群研究视角，上述工作的不足在于研究场景的简单且单一，仅考虑了单台EV 在一间住宅与一间办公室的能量交互。综上所述，已有大量的工作开始探索EV的移动储能能力，但传统研究中EV的灵活性局限于夜间充电的假设［18］，始终忽略了EV 于日间并网具有的V2G潜力，当前的充放电模型无法处理EV多行程场景的优化。同时，研究EV移动储能特性下楼宇产消者交互运行的文献较少，V2B2概念下EV 集群与楼宇产消者群的互动特性值得深入研究。

因此，本文将能量共享与EV的移动储能特性相结合，研究基于EV移动储能共享网络的互联智能楼宇群协调优化的问题，旨在挖掘需求侧灵活性潜力进而提高可再生能源利用效率。首先，对EV的移动储能特性进行了分析与建模；其次，利用集中式优化计算楼宇群在EV 移动共享网络中的最佳能量分配策略；然后，利用分布式优化确定楼宇群基于互联共享网络的最佳能量管理策略；最后，通过算例结果验证了本文提出的两阶段协调优化方法可提高楼宇群经济性及可再生能源利用效率。

1 智能楼宇群的协调运行框架

图1 展示了智能楼宇群的协调运行框架。智能楼宇群通过电力与通信网络相互连接。图中，HVAC、ESS、EMS 分别为供暖通风与空气调节、固定储能系统、能量管理系统。在日前优化调度过程中，由于独立的楼宇产消者容量较小，引入智能楼宇群代理商作为楼宇与电网能量互动的第三方，基于外部市场电价协调楼宇间的电能共享交易，监管楼宇间的共享电量平衡，进而完成楼宇群整体功率计划与外部市场的交互。智能楼宇首先确定与EV 的电能交互：由EV移动接入构成耦合关系的楼宇将自身运行情况上报给代理商，代理商根据楼宇群运行特性协调EV 在不同楼宇的充电能量需求，最大化楼宇群消纳可再生能源的能力。完成EV 的充电能量分配后，智能楼宇的EMS 结合内部资源调度的成本制定最优的功率分配计划并上报，包括期望共享的电量。代理商收到各楼宇的共享电量并下发引导信号使楼宇在共享网络中的电力达到平衡。最终，两阶段共享完成后的电能缺口或富余由外部电网按市场价格结清，实现智能楼宇群与电网的最终电能平衡。

图1 智能楼宇群的协调运行框架Fig.1 Coordinated operation framework of smart building clusters

2 EV移动储能特性的分析与建模

2.1 EV移动储能特性分析

通过出行链模型，EV 出行与停放的时间和空间规律可以上报给代理商［10］。基于移动储能特性的EV 模型主要应刻画出EV 在多行程下的充放电可行域关联性。由图2 所示的EV 移动储能建模示意图，随机设置一辆通勤EV进行移动储能特性分析，其移动特性体现于日内在工作与住宅的往返。假设该EV 白天由住宅楼宇出发到达工作楼宇并停放至工作结束，傍晚下班由工作楼宇返回住宅楼宇，在住宅楼宇夜间停放直至次日上班。因此，移动储能特性的优势主要体现在全局视角下的充放电优化，通过充放电可行域关联性的刻画，可以实现2 栋楼内部资源的联合优化。由EV 充电能量的分配变化触发楼宇内部资源运行特性的改变，将EV充放电由传统的时间优化升级为时空优化，挖掘EV的充放电灵活性潜力。

图2 EV移动储能建模示意图Fig.2 Schematic diagram of EV mobile energy storage modelling

因此，本文对EV 移动储能特性的建模思路为：基于历史统计数据预测EV多行程下的入网、离网时刻，分别建立EV 并网时段的充放电负荷模型，将入网、离网的电池荷电量设置为决策变量；基于行驶信息，构建EV前序时段离网电量与后序时段并网电量的约束，实现EV 充放电优化在全局内的能量供需平衡。

2.2 EV移动储能特性建模

本节主要介绍EV 移动储能模型。变量下标说明如下（下文不再赘述）：b表示楼宇编号；t表示时段编号；j表示EV 编号；Δt表示时间间隔；r表示柔性设备的编号；g表示ESS 的编号；考虑EV 的移动特性，由下标u表示出行编号；考虑分布式可再生能源及基荷的预测不确定性，由下标s表示场景编号。此外，模型中引入了一组控制变量δ来表示必要的逻辑约束，如附录A表A1所示。

3 智能楼宇资源模型

3.1 HVAC模型

根据文献［19］提出的HVAC 二阶状态模型，热动态过程可描述为：

3.2 功率转移柔性负荷模型

住宅楼宇中存在如洗衣机、电磁炉等家用负荷可作为功率转移柔性负荷参与能量管理优化。功率转移柔性负荷模型如下：

3.3 ESS模型

ESS模型如下：

3.4 可再生能源与基础负荷的不确定性模型

为了较好地考虑可再生能源和负荷对智能楼宇运行的影响，本文考虑了小规模风机、屋顶光伏系统及基荷的不确定性，光伏系统、风机系统及基荷的实际功率可以分别表示为：

4 智能楼宇群的双层优化模型

本节将依次介绍上、下层模型，包括目标函数的组成、各主体的功率平衡约束，建模以日前优化应用视角展开。上层模型中，代理商主要考虑EV出行信息、楼宇内部资源运行信息及外部电价的预测信息。通过优化EV在不同楼宇的充放电能量分配，实现楼宇群内部资源运行特性的调整，优化整体运行的成本。下层模型中，各楼宇根据上层优化确定的EV能量需求，结合内部资源调度成本、电能共享损耗及外部电网交易成本，建立楼宇总运行成本最低的自治优化模型，获得楼宇内部运行与外部交易的最优功率计划。

4.1 考虑EV移动储能共享的楼宇群上层模型

4.1.1 目标函数

本文采用随机规划［21］解决分布式可再生能源与基荷的不确定性，结合对可再生能源及基荷的不确定性表征，实现楼宇群期望总运行成本最低的优化。运行成本包括移动储能特性下EV 的充放电优化成本和楼宇群与外部电网的交易成本，分别如式（29）—（31）所示。

4.1.2 功率平衡与功率限制约束

场景s中各智能楼宇在t时段的功率平衡约束见式（32），其表示楼宇内部资源功率的实时平衡。

综上所述，上层优化调度模型的目标为式（29），模型约束包含式（1）—（28）、（32）表示的智能楼宇内部资源的运行约束以及式（33）表示的楼宇群运行约束，采用混合整数线性规划方法可以求解。

4.2 考虑楼宇电能共享的楼宇能量管理优化模型

4.2.1 目标函数

基于互联电网的电能共享策略，智能楼宇群能量管理可通过楼宇间的互联线路进行能量交易，以减少与外部电网的直接交互，从而进一步最小化总运行成本，如式（34）所示，其刻画了基于电能共享策略下楼宇运行的整体经济性。式（35）描述了电化学储能充放电损耗的通用模型，由电池退化［16］及循环老化［22］两部分组成，平衡EV 协调优化时的收益与调控成本。

4.2.2 功率平衡与功率限制约束

基于电能共享策略，场景s中各智能楼宇的功率约束应由式（32）替换为式（36）。

综上所述，下层楼宇群能量管理优化模型的目标为式（34），模型约束包含式（1）—（28）、（36）表示的智能楼宇内部资源运行约束以及式（37）—（44）表示的楼宇间电能共享运行约束，构成了标准混合整数线性规划模型。

4.2.3 基于对偶分解法的分布式优化模型

参与电能共享交易的楼宇群需要交换运行功率信息，为了保护楼宇内部信息的隐私安全，采取对偶分解法［23］将楼宇群集中式优化模型式（34）转化为交互式操作的求解方法。首先，引入拉格朗日乘子向量λ处理楼宇间的耦合约束式，将优化模型转换为拉格朗日形式，如式（45）所示。

5 算例分析

5.1 算例参数设置

本文设置5 栋相互连接的智能楼宇增加产消者的差异性。智能楼宇的负荷特性及资源配置情况参见附录A 表A2。HVAC 的参数设置参考了文献［24］，初始温度设置为最舒适区间上界。柔性负荷的额定运行功率设置为1.2 kW。智能楼宇的初始EV 及EV 移动性如附录A 表A3 所示。区域内共计有240台EV，容量均为56 kW·h，夏季最大行驶里程为96 km，在20%～95%的荷电状态范围内运行。EV 的最大充放电功率为7 kW，效率为0.95。EV 在不同楼宇之间的移动及停放时长范围参考了文献［25］并基于Monte Carlo 采样进行设置，移动场景预测的方法如附录B 的B1 部分所示，其场景预测结果如附录B 的B2 部分所示。为简化计算过程，本文假设EV 在调度周期内首次并网电量为75%，次日离网时的期望电量为95%，中间行程的电量随场景优化。EV 及储能系统的退化成本参数参考文献［26］进行设置。可再生能源及基荷的数据来源于中国宁夏的典型夏季数据，利用正态分布模拟可再生能源及基荷的预测误差。采用K-means法生成了10个具有代表性的场景，各场景概率如附录C 表C1 所示，场景集如附录C 图C1—C5 所示，楼宇群的室外温度设置如附录C 图C6 所示。智能楼宇的日前接受电价如图3 所示，楼宇群最大可交换容量为10 MW，楼宇之间的线路传输容量为2000 kW。分布式模型中，共享电价的初值设置为日前购买电价，迭代步长设置为2.5×10-5元／（kW·h）。另外，设置楼宇间的配电线路损耗αexa=1.2×10-4元／（kW2·h），收敛判据εpri=10-6。

图3 不同场景下代理商功率曲线Fig.3 Agent power curve in different scenarios

为分析所提模型在日前优化的性能，本文设置日前调度周期为08:00 至次日08:00，各时段时长为1 h，预测数据的颗粒度已能够体现各资源在日前优化的功率曲线特性。其中，为了突出本文所提方法的优越性，分别设置了3种比较策略：

1）不考虑EV移动性且不参与V2G的策略；

2）考虑EV移动性但不参与V2G的策略；

3）考虑EV移动性且参与V2G的策略。

在不参与V2G的策略下，EV选择即插即充即走的模式。另外，本文采用不同类型的负荷曲线作为智能楼宇基础负荷，以体现楼宇的运行差异；采用MATLAB下带有Yalmip接口的Gurobi求解器对所提模型进行算例仿真。

5.2 算例结果分析

5.2.1 上层优化结果分析

购电与售电场景下楼宇群代理商的功率曲线对比如图3 所示。由图可见：本文所提移动储能共享策略能够更好地调整楼宇群同外部电网的电能交换，从而实现低电价多购入、高电价少购入；在10:00—13:00 与次日04:00—08:00 时段，移动储能共享策略下园区购入的功率明显更多；在22:00 至次日03:00 时段，移动储能共享策略下园区购入的功率明显更少；售电场景下，09:00、19:00—21:00 与05:00—07:00时段移动储能共享策略下园区售电功率减少，这侧面体现了园区内可再生能源的就地平衡比例的提高。

不同策略下的楼宇群调度成本如表1 所示，由表可见本文所提策略能够实现园区预期运行成本最低的目标。

表1 不同策略下楼宇群协调优化成本分析Table 1 Cost analysis of building cluster optimization under different strategies

代理商优化EV 在不同楼宇的能量分配结果见附录D图D1。其中，图D1（a）、（b）分别为不考虑、考虑移动性的即插即充能量分配情况。对比图D1（a）、（b）与（c）中的智能楼宇1、2 的能量分配情况可以发现，EV 将智能楼宇2 的部分充电能量共享至楼宇1，从而降低了智能楼宇群运行成本。

5.2.2 智能楼宇能量管理结果分析

本节选用场景出行概率最高的场景7 对各楼宇的功率平衡结果进行展示，功率分配优化结果如附录D 图D2 所示。图中，正值表示功耗，负值表示发电。整体对比可以看出，不同楼宇配置情况及基础负荷存在差异，所以功率分配策略也不同。从图D2（a）可以看出：智能楼宇1 负荷量较大但波动性不强，其积极参与了电能共享策略买入电能，但在05:00 由于充足的光伏发电量转买为卖；同时，不断接入的EV 也在积极消纳光伏。从图D2（b）可以看出：智能楼宇2 基础负荷峰谷差大，由于灵活性资源匮乏，电能平衡主要通过购电完成，楼宇几乎全天参与了电能共享的购入以降低成本；EV 集中于夜间返回充电，由于EV放电损耗成本制约及次日出行的较大能量需求，采取了延迟充电的模式；HVAC 经过优化始终维持在温度允许范围的上界，由于设备分散且功率值较小因此在图中不明显。从图D2（c）可以看出：智能楼宇3 负荷峰谷差大，由于期望时间范围的约束，柔性负荷在18:00 开始工作，已尽可能在光伏发电时段运行；由于光伏发电量充足，智能楼宇在08:00—15:00 时段内提供了共享电量，10:00 时通过电能共享完成了楼宇间能源交换，剩余的光伏与外部电网交易。从图D2（d）、（e）可以看出：智能楼宇4 消纳风电的能力不足，接入的EV 积极吸收可再生能源；智能楼宇5 在08:00—12:00 时段积极调动储能系统先充后放支撑负荷消耗，到达的EV也放电支持负荷消耗。

各楼宇在全部场景下的期望运行成本如表2 所示。通过与其他策略下的期望运行成本进行比较可知，本文所提策略能够提高楼宇的经济性。需要说明的是，第一阶段中未考虑楼宇内部资源的调度成本以及共享损耗，所以成本低于第二阶段的优化结果。

表2 智能楼宇能量管理成本Table 2 Energy management cost of smart buildings

5.2.3 迭代过程分析

图4展示了场景7的共享电能出清价格，不难发现共享电价的趋势与外部电价的趋势相似，且介于外部购售电价之间，如峰电价时段14:00—19:00，共享电价约为0.8091元／（kW·h），低于市场购买电价0.82 元／（kW·h），这符合市场规则。显然DSG 算法能够合理出清电能共享交易过程，楼宇也能因共享电价保证其经济利益。

图4 电能共享的出清电价Fig.4 Clearing price of electrical power for energy sharing

场景7 的全时段共享电量的迭代平衡过程如附录D 图D3（a）所示，由图可见当迭代次数达到75次时电能共享交易已经基本实现收敛。场景7 在15:00 的共享电量迭代收敛结果如附录D 图D3（b）所示。图中：智能楼宇2、4、5 在15:00 的共享购买功率汇聚至45.569 5 kW，智能楼宇1 的共享购入功率汇聚至109.3668 kW，智能楼宇3的共享售出功率汇聚至246.107 1 kW。因此，本文利用DSG 算法可以实现分布式计算的快速平衡，各时段的收敛结果清晰可见。

5.2.4 可再生能源就地消纳分析

为了量化楼宇群对可再生能源的就地消纳率，本文建立由式（49）表示的就地消纳指标，经过共享交易后的剩余可再生能源被视作非消纳部分。在上层优化阶段，时段内可再生能源发电功率超出负荷及EV 消纳的部分为返送电网的剩余能源。经过下层优化后，时段内可再生能源发电功率超出负荷及共享的部分为返送电网的剩余能源。

不同策略下楼宇群的可再生能源消纳率如表3所示。由表可见，随着移动储能共享策略及楼宇共享策略的实施，楼宇群的可再生能源利用效率不断提升，由不考虑移动性不共享策略至移动储能共享结合楼宇间共享的策略转变，可再生能源就地消纳效率由83.63%提高至89.13%，提高了5.5%。受限于共享网络的损耗，智能楼宇4 为保证经济性，共享剩余的风电通过与外部电网交易解决。