考虑风光不确定性与电动汽车的综合能源系统低碳经济调度

2022-10-15邹复民刘佳静李传栋

电力自动化设备 2022年10期

张程，匡宇，邹复民，2，刘佳静，李传栋

（1. 福建工程学院智能电网仿真分析与综合控制福建省高校工程研究中心，福建福州 350118；2. 福建省汽车电子与电驱动技术重点实验室，福建福州 350118；3. 国网福建省电力有限公司电力科学研究院，福建福州 350007）

0 引言

目前，由于气候变化与能源供应短缺问题，传统电力系统正向低碳绿色的综合能源系统IES（Integrated Energy System）转型。我国提出在2060 年前达到碳中和的目标，因此构建以新能源为主体的可持续能源系统已成为必经之路［1-2］。IES 作为分布式电源、电储能装置EES（Electrical Energy Storage device）以及多种负载的载体，能满足多能源的并网需求。

当前国内外已对IES 优化调度进行了大量研究。文献［3-4］都考虑了价格型需求响应对IES经济运行的影响，前者分析多能源的不同价格产生的影响，后者分析不同电价对含碳捕集设备的IES 影响，但其都未考虑到IES 中风光与负荷的多种不确定因素的影响。文献［5］提出的优化策略通过协调多个能源载体的互补运行，有效提高IES 的低碳经济性，但是由于未考虑风光随机性，给经济调度带来一定困难。文献［6］利用历史数据构建风电出力的模糊集，该模糊集具有历史数据统计信息，能得到风电出力较为准确的不确定区间，提高IES 调度经济性，但其并未综合考虑由于追求经济性给环境带来的影响，优化目标较为单一。

随着电动汽车EV（Electric Vehicle）负荷进一步接入IES，IES 的经济稳定运行将会受到影响，因此EV 与IES 深度融合的低碳经济运行问题成为研究的热点。针对IES与EV的不确定性问题，文献［7-8］利用可调节的鲁棒参数灵活设置调度方案，协调方案的鲁棒性与经济性，但鲁棒优化方案所采用的不确定性区间对预测数据的依赖性强；文献［9］利用风-光-氢为主体的IES，采用核密度估计与K-means聚类算法构建风光出力的不确定性与EV 充电随机性模型，给出经济与环保最优的调度策略，能够在一定程度上降低碳排放量。文献［10］利用拉丁超立方采样LHS（Latin Hypercube Sampling）生成风电出力场景，然后利用同步回代法对场景进行削减，在考虑风光不确定性与电价的基础上，实现经济调度。文献［11］考虑多风电场间的相关性，采用蒙特卡罗法进行风电出力抽样，利用快速前代消除技术削减风电场景，减少电网调度经济误差。文献［12］以电热联产为基础，考虑EV 参与经济调度，可以有效降低运行成本，但该方法仅考虑EV 充电行为，并未考虑EV 的需求响应。为了使EV 主动参与调度过程，文献［13］考虑较大规模EV 接入风-光-热联合系统，将EV 负荷分为有序、无序和EV 入网V2G（Vehicle to Grid）这3 类，得出增大有序负荷的渗透率，减少无序充电占比，可降低净负荷方差，提高风光可再生能源的消纳率。文献［14］通过“车网互动型”价格机制，调整电网负荷分布，降低峰谷差，通过将EV 分类，提高定价策略的经济性。文献［15］根据EV不同的充放电价格对充电站经济性与电网稳定性进行优化调度，但未考虑充电站-用户之间的利益关系，不能实现多方共赢。

在EV 交通能量补给与IES 的规划方面，文献［16］考虑天然气网、电力与交通的耦合，以全系统投资与运行费用最低，得到耦合网络中充电桩与加气站的布局，改善能源与交通系统的互动潜力。文献［17］基于交通流量进行天然气、配电网、交通网以及IES的系统规划，为有序与无序充电制定最佳的出行路线，为充电站投资建设提供指导，但其未涉及风光不确定性。文献［18］基于电力-交通网的时空耦合模型，利用双向波动态过程描述随时间与空间变化的交通流，并基于节点边际电价，根据交通流的变化制定EV充电价格，利用不动点映射算法求解两网耦合的均衡问题。文献［19］提出了一种有效的动态零售定价机制，该机制将通过减少旅行延误和消除充电站排队来降低电力成本，但这些定价对运行条件与网络特性比较敏感。

基于上述背景，本文对风光出力随机性以及EV主动参与IES 低碳经济调度问题进行研究。首先，利用构建场景法处理风光不确定性，采用改进快速前代消除技术进行场景削减。其次，计及风光出力不确定性与EV、燃气轮机GT（Gas Turbine）、EES 和电网的备用容量，构建上层IES 与下层EV 的双层优化模型，从系统整体用电负荷与可再生能源的角度出发，利用新能源与总负荷的匹配度提出一种动态定价机制来引导EV 进行充放电，使EV 积极参与调度过程。该定价机制不依赖电网的具体物理模型，且能提升消纳风光的能力和降低系统碳排放量，同时实现IES 与EV 的共赢。最后，通过仿真算例验证本文优化方法的低碳经济性与有效性。

1 IES与EV系统建立

IES 可以有效整合各种类型的分布式能源、负载、EES等设备和控制系统。本文将IES作为上层优化模型，系统包括风机WT（Wind Turbine）、光伏组件PV（PhotoVoltaic module）、GT、EES、储热装置TES（Thermal Energy Storage device）、电锅炉EB（Electrical Boiler）和溴冷机（WT、PV、GT、EES 可为上层与下层充电EV 提供电功率，TES、EB、溴冷机为上层提供热功率）；将EV作为下层优化模型，系统包含充电桩以及多辆EV。IES 与EV 系统拓扑结构见图1。考虑到实际系统中某时段风光可能没有功率输出，IES 必须提供足够的旋转储备来维持系统输出的连续性，但会产生额外的成本。各模型的具体公式见附录A式（A1）—（A7）。

图1 IES与EV系统拓扑结构图Fig.1 Topology structure diagram of IES and EV system

2 风光不确定性与场景削减

由于WT、PV 发电受环境影响因素较大，其出力具有一定的不确定性，本文采取LHS［10］对风光随机变量进行采样。假设在调度周期内，风速近似服从Weibull 分布，太阳辐照度近似服从Beta 分布，通过相应变换可得风光出力。考虑到LHS生成场景数量较多，采取基于概率距离的快速前代消除技术［11］进行场景削减速度较慢，所以对其削减速度进行改进，步骤如下。

1）步骤1。假设对风光随机变量进行LHS 后共生成K个场景，计算集合中每对场景(ci，cj)的二范数s(ci，cj)，如式（1）所示。

对于集合D中的元素，根据其概率距离进行从小到大排序（数据参考文献［20］）：当前20%数据的平均概率距离小于后20%数据平均概率距离的10%时，削减速度V（表示每次削减场景的个数）变大，V=v1K（v1为决策变量）；当前20%数据的平均概率距离大于等于后20%数据平均概率距离的10%并小于其15%时，削减速度减小，V=v2K（v2为决策变量）；当前20%数据的平均概率距离大于等于后20%数据平均概率距离的15%时，V=1。

4）步骤4。根据步骤3，削减V个满足式（3）的场景cs*，以剔除不具代表性且发生概率很低的场景。

式中：p(s*)为削减场景cs*发生的概率；p(m)为场景cm发生的概率。

5）步骤5。首先求出与被削减场景概率距离最小的场景，然后更新该场景概率，其等于该场景原始概率加上被削减场景的概率，最后更新场景集D中元素的数量。

6）步骤6。重复步骤2—5，若满足剩余场景数（人为设定），则停止运行；否则，继续削减。

完成上述步骤后，以削减后的场景与初始场景的概率距离最小为目标，利用粒子群优化算法对决策变量v1、v2进行求解。

3 双层优化调度策略

3.1 IES目标函数

上层IES 运行成本C由以下9 个部分组成：IES向电网购电费用C1；电网、EES 以及EV 向IES 提供备用费用C2；EES折旧成本C3；EV向IES购买用电收益C4；碳排放费用C5；GT 运行成本C6；IES 向EV 购电费用C7；需求响应的补偿费用C8；回收制热成本C9。上层IES的目标函数为：

3.2 EV目标函数

下层EV运行成本F由以下3个部分组成：EV向电网购电成本F1；EV 向IES 购电成本F2；EV 向IES提供备用收益F3。下层EV的目标函数为：

3.3 约束条件

3.3.1 电功率平衡约束

为了确保系统安全稳定地运行，电功率平衡约束为：

3.3.3 供电系统需求响应约束和设备出力约束

上层IES 模型考虑需求响应约束，对可时移与可中断负荷有一定的限制，电网与GT 出力上、下限的约束为：

3.4 动态定价机制

IES调度中，分时电价可以有效显示各时段负荷水平，但在系统中加入EV，会导致各时段的负荷水平发生变化，电价与负荷水平不匹配，分时电价不能有效引导EV 利用风光出力进行充放电，为指导EV 有效消纳IES中的风光出力，本文提出基于风光出力与负荷相匹配的动态定价机制，将这种动态定价机制作为上下层优化模型的纽带。定价机制可以描述为：

1）步骤1。初始化纵横交叉算法参数与动态电价的待优化价格系数h，h对应种群内的粒子X。

2）步骤2。将h传入上层IES 模型中，计算上层模型的调度成本与机组出力。

3）步骤3。下层EV 获得上层IES 调度信息与动态电价，根据此电价进行优化调度，计算运行成本与EV充放电计划。

4）步骤4。将下层的EV 充放电计划传到上层IES，不断上下交替迭代求得初始适应度值。

5）步骤5。横向交叉，将初始种群内的粒子X代入式（19）进行横向交叉，计算适应度值Shc并与父代适应度值比较，更新X。

式中：r为［0，1］间的随机数。因为该步骤只有1 个变量，所以粒子X的不同维度取值相同。

7）步骤7。步骤6 中所得最优粒子X即为所求h，将其代入步骤2 中，在满足迭代次数后，输出最优成本、调度方案与h。

通过动态定价机制，EV 可以选择在新能源比例较高的时段进行充电，此时充电电价较低，用户可以进行充电来降低电力成本。因此，用户有足够的动机调整EV用电行为，降低下层运行成本。

3.5 双层优化求解流程

为了获得双层优化策略的最优解，其联合优化目标可表示为：

式中：Ffin为最终的联合优化目标。本文优化策略利用MATLAB 调用CPLEX 进行求解，具体流程如附录A图A1所示。

4 算例分析

4.1 风光场景削减

根据某地风光实测数据，采用第2 节提出的风光不确定性处理方法，经过LHS后可得到1000个风光出力场景及其对应的削减场景，如附录B 图B1、B2 所示。可以看出削减后的风光场景出力曲线与削减前的风光出力曲线趋势基本一致，说明利用改进快速前代消除技术处理风光出力的随机性是有效的。最后得到3 个典型的风光场景出力，场景1—3的概率分别为0.237、0.410与0.353。

附录B 表B1 为利用不同参数对风电出力进行削减的结果。由表可知：原始快速前代消除技术相对文献［20］与本文方法运行时间较长；文献［20］方法虽然比原始快速前代消除技术与本文方法计算速度快，但是削减前、后概率距离明显增大，削减精度较差；K-means聚类算法的运行时间随场景规模的扩大而显著增加，削减后的概率距离比本文方法也有所增加；本文方法相比其他方法减少了场景削减前后的概率距离，提升了削减精度，比原始快速前代消除技术速度更快。

4.2 算例基础数据

为验证本文所提模型及优化策略的可行性，以某IES 与EV 为具体算例进行仿真分析。电网分时电价数据如附录B表B2所示。

EV 系统中含有1 座充电站，共10 个充电桩，每个充电桩的充电功率为15 kW，园区内共有15 辆EV，每辆EV 的电池容量为60 kW·h，电网、ESS 和EV 的备用价格均为0.04 元／（kW·h），可中断负荷功率的上限为各时段电负荷需求的10%。碳配额额度设置为每个时段热、电负荷总和的5%，碳交易价格为0.5 元／kg。系统的总备用容量设置为风光出力的百分比，算例分析中设置为40%（此时联合成本最低，将在4.3节进行分析说明）。IES当日调度的电、热负荷、室内外温度差以及风光期望出力（以场景2 为例）如附录B 图B3 所示，其他参数如附录B表B3所示。

4.3 仿真结果分析

通过蒙特卡罗法模拟EV无序充电计划，并将其作为IES 第一次优化时的EV 调度结果。无序充电计划如附录B图B4所示。

风光出力以场景2 为例，计及EV、EES、GT 以及EV 备用的情况，根据不同的价格机制进行调度。利用纵横交叉算法对3.4 节描述的电价系数h进行迭代求解，结果如图2 所示。由图可知，利用纵横交叉算法求解该电价系数h是有效的，重复30次实验后，可得迭代100 次的最小联合成本约为804.3 元，此时对应的h为0.67。

图2 联合成本与价格系数h的变化关系Fig.2 Relationship between joint cost and price coefficient h

采用动态电价机制和分时电价机制的电力需求调度结果分别如附录B 图B5（a）、（b）所示。由图可知，由于风光出力向上层IES 提供电量不需要支付费用，上层IES 优先消纳风光出力。一方面，采用动态电价机制，电网单位出力价格较采用分时电价时有所降低，从而降低了IES 的用电成本。另一方面，采用动态电价机制和分时电价机制的最大差别在于可控负荷大小：动态电价机制下的可控负荷明显减少，由电功率平衡约束可知，动态电价机制下电网出力与负载之间差额小，整个系统运行更加合理，有利于提高系统经济性。此外，系统内设备在不同机制下出力情况也有不同：EES 在［01:00，04:00］时段和［12:00，14:00］时段内进行充电，在［18:00，21:00］时段内，此时为用电高峰期，GT 与电网单位出力价格均大于ESS，故采用EES 放电来弥补系统功率不足。由附录B 图B5（b）可知，在［22:00，24:00］时段内，电负荷较少，电网单位出力价格低于GT，故采用电网出力弥补系统功率不足，而由附录B 图B5（a）可知，同一时段中系统功率不足完全由风光出力供给，减少了电网出力。综上说明采用动态电价机制可提高系统的经济性与环保性。

采用动态电价机制和分时电价机制的热需求调度结果分别如附录B 图B6（a）、（b）所示。由图可知：在［04:00，07:00］时段内，系统热负荷较多，此时考虑移除一部分热负荷，与此同时TES开始放热；在［11:00，14:00］时段内，热负荷较少，此时TES进行蓄热，同时系统转入少量热负荷；在［18:00，20:00］时段内，此时风光出力较少，电网单位出力价格较高，所以通过GT 与溴冷机提供热量，此外TES 放热，系统转出一部分热负荷；在［22:00，24:00］、［00:00，05:00］时段内，由于电网单位出力价格较低，所以电网负责主要的出力。上述分析说明本文所设计的以经济性为目标的热需求调度模型较为合理。

采用动态电价机制和分时电价机制的下层EV调度结果如图3 所示。由图可知：与分时电价相比，采用动态电价机制可以使EV 更加积极参与IES 运行，可以有效利用风光进行充电。例如：在［13:00，15:00］时段内，风光出力远大于IES 中的电、热负荷之和，动态电价较低且不处于用电高峰期，EV 充电既可以消纳风光又能够存储足够的电量，可在IES负荷水平较高时给其供电；而在［01:00，03:00］时段与［22:00，24:00］时段内，风光功率不足，此时EV 给IES 供电，给用户带来一定收益，同时也能减少上层IES 中的购电量与GT 出力。因此在动态电价机制下，电网单位出力价格的调整能引导EV更加灵活地进行充放电，使其充放电配置更合理，避免了EV 在IES 电、热负荷较多时充电，使得EV 与IES 的深度融合调度更具经济与环保性。

图3 EV调度结果Fig.3 EV dispatch results

采用动态电价机制和分时电价机制时整个调度周期内系统电负荷变化如附录B 图B7 所示。由图可知：在［22:00，24:00］、［00:00，04:00］时段内，电网单位出力价格较低，负荷与风光出力差距较大，此时EV 进行充电使得系统电负荷整体提高；在［13:00，15:00］时段内，EV 进行充电，虽然一定程度上增大了峰谷差，但是实现了电价与负荷水平相互匹配，有利于提高系统的经济性与环保性。采用动态电价机制后，［13:00，15:00］时段内可时移负荷较少，且此时有一部分可中断负荷降低负载，EV 能利用比分时电价低的价格进行充电，所以用电高峰期转移到下午的平时段［12:00，15:00］。分时电价下的用电高峰与动态电价机制类似，但是其负荷量的增加主要是转移负荷的移入导致的。

采用动态电价机制和分时电价机制后各时段的碳排放量如附录B 图B8 所示。可以看出在［22:00，24:00］时段内，采用动态电价机制前EV 进行充电功率较大，但此时风光出力不足，导致该时段的电网用电量较大，碳排放量较多。采用动态电价机制后整个调度周期内的碳排放量比采用分时电价后约减少了183.2 kg。

表1 给出了不同场景下采用分时电价和动态电价机制下上层IES 与下层EV 的运行成本。表中：将风光出力分别采用本文方法削减后的3 个场景数据进行调度的方案记为场景1—3；概率成本和为场景1—3中IES、EV 的运行成本与该场景对应发生的概率乘积之和，记为场景4。将风光出力采用原始风光数据进行调度的方案记为场景5。由表可知，无论哪种场景，动态电价机制下上层IES 与下层EV 运行成本均低于分时电价机制，约分别减少了83、50元。场景1—3 的动态电价机制的联合成本较分时电价机制的联合成本分别降低了10.9%、10.7%和10.6%，这说明本文所提动态电价机制可有效提高IES 与EV 联合运行的经济性。同时可发现，动态电价机制下IES 与EV 之间的成本差值较分时电价小，证明了动态电价机制可协调其利益相关性。动态电价机制下场景4联合成本较场景5有所降低，故本文采用的场景削减方式也可在一定程度上降低系统运行成本。

表1 不同电价机制下各场景的运行成本Table 1 Operating costs of scenarios under different electricity price mechanisms

场景2 中采用分时电价和动态电价机制下运行成本C1—C9、F1—F3如附录B 表B4 所示。由表可知，动态电价机制下下层EV 来自IES 的充电成本比分时电价降低13.5%，放电收益也有所提高。动态电价机制下的碳交易成本比分时电价降低91.6 元，EV 向电网购电成本也降低了39.6%，有利于实现低碳经济调度。

4.3.1 不同备用容量与碳交易价格对经济性的影响

表2 给出了采用分时电价和动态电价机制后场景2 在不同总备用容量下优化后上、下层系统的运行成本及二者联合成本。由表可知，上层IES 成本随着总备用容量的变化呈现先减后増的趋势，其受总备用容量的影响较大，当总备用容量为40%时，上层IES 运行成本最低。EV 的变化与IES 类似，但其变化幅度较小。总体而言，在不同总备用容量下，动态电价机制引导的联合成本都低于分时电价，系统整体可获得更可观的经济效益。当总备用容量超过50%的风光出力后，EV 由于提供的备用服务已达到上限，所以成本基本不变。

表2 不同总备用容量下的成本Table 2 Costs under different total backup capacities

不同碳交易价格下上、下两层系统成本对比如附录B 图B9 所示。由图可知，对于本文所提调度优化策略，碳交易价格对IES 系统的影响呈现先增后减的趋势，当碳交易价格低于0.6 元／kg 时，IES成本逐渐增加。对于EV 而言，当碳交易价格低于0.3元／kg，成本基本持平。碳交易价格从0.4元／kg升高为0.6 元／kg 时，EV 成本降低，这是因为EV 向电网提供的电量增加，获得了一定的经济效益。此外当碳交易价格的区间为［0.4，0.5］元／kg 时，系统整体的联合成本最低，上下两层的经济性也较协调。

4.3.2 不同EV数量对经济性与碳排放量的影响

图4 为不同EV 数量下弃风弃光量与运行时间。由图可知，2 种定价机制在风光消纳上有差别。当EV 数量为15 辆时，动态电价机制的弃风弃光量约为分时电价的50%，随着EV 数量的增加，采用动态电价机制后，系统能够快速消纳风光，而采用分时机制后系统消纳风光速率较慢，从侧面可以反映EV在动态电价激励下能主动参与调度运行。在EV 数量达到35 辆后，分时机制下的弃风弃光量不变化，EV充电桩的负荷已经饱和。随着EV数量的增加，双层优化调度时间差别较小。

图4 运行时间与弃风弃光量Fig.4 Running time and amount of wind and PV power curtailment

本文进一步分析增加EV 数量的情况下碳排放量以及系统成本的变化情况，结果如附录B 图B10所示。由图可知，随着EV 数量的增加，碳排放量先减小后增加。当EV 数量为20 辆时，碳排放量呈现最低状态，因为增加5 辆EV 可以为IES 提供更多的电力，减少GT 与电网的部分出力。超过20 辆后，由于没有多余的风光，EV 充电需向电网、IES 购电，产生更多的碳排量。当EV 数量小于等于30 辆时，系统的联合运行成本上涨幅度低于EV 数量超过30 辆的情况，因为风光出力与负荷的比值减小，所以EV充电价格更高，此外也需要更多的电力供给，增加了碳排量。

4.3.3 EV电池容量对成本的影响

图5 给出当EV 数量为15 辆时，EV 电池容量在不同电价机制下对EV 成本、IES 成本以及联合成本的影响。由图可知：在不同EV 电池容量下，动态电价机制有利于降低EV 与IES 的运行成本；从整体趋势来看，IES 与EV 的成本都随着EV 电池容量的增加而提高；另外，随着EV电池容量的增加，分时电价的成本变化较为平缓，动态电价机制的变化存在明显起伏变化，说明动态电价机制能够有效促进IES与EV的协调优化。