基于配电网-路网融合的移动储能车多场景时空协同优化调度策略

罗 轩，黄云辉，熊斌宇

（武汉理工大学自动化学院，湖北武汉 430070）

0 引言

随着城市建设和经济的高速发展，用电负荷不断增加。在城市人口密集区域，用电高峰期时段配电网供电压力过大，一些重要单位的保电任务面临着巨大挑战。同时，分布式电源和柔性负荷的高比例应用增加了低压配电台区的波动性，不仅增加网络损耗，严重时还将危及电网稳定[1-4]。

移动式储能系统（Mobile Energy Storage System，MESS）作为一种后备式储能电源系统，能够机动灵活地高效参与配电网保供电、电力市场等应用场景。目前，国内外学者围绕MESS 应用的研究已取得大量成果。文献[5-6]指出MESS 的动态部署有助于提升配电网的灵活性与韧性。文献[7-8]研究MESS 应用于电力市场的经济效益。文献[9]提出一种综合考虑削峰填谷可靠性与经济性的MESS 双层优化调度方法。文献[10]研究时变交通流下MESS的最优调度。文献[11]提出一种基于MESS 的日前市场出清模型，能够有效确定MESS 的最佳接入位置与充放电调度。文献[12]提出一种能够提高新能源高渗透电力系统新能源利用率和负载转移的MESS规划模型。

移动储能车（Mobile Energy Storage Vehicle，MESV）作为一种新型的移动储能，在面向城市配电网的多场景应用中具有广阔的发展前景[13]。文献[14]以经济效益最大化为目标，提出一种基于遗传算法的MESV 调度优化策略。文献[15]提出一种基于市场电价驱动的MESV 调度方案。目前关于同样具备移动储能特性的电动汽车参与配电网运行调度的研究已较为成熟。文献[16]建立含有风光入网及电动汽车充放电的数学模型，探索电动汽车充当储能装置提高风光消纳和功率波动的调度策略。文献[17]提出一种基于车网互动（Vehicle to Grid，V2G）的电动汽车充放电双层优化调度策略。文献[18-19]提出将电力分配与交通系统结合，探索了多信息交互下电动车集群的优化调度策略。文献[20-22]采用时-空网络模型刻画电动车在交通网中的移动路径，为描述MESV 在节点间灵活充放电提供了基础模型。

综上所述，针对MESV 多场景应用协同调度研究较少，没有充分挖掘MESV 的应用潜力的问题，本文提出一种基于配电网-路网融合的MESV 多场景时空协同优化调度策略。研究的创新之处在于：（1）建立了交通、负荷等多信息交互下的MESV 多场景应用时-空协同优化调度模型；（2）采用柯西变异、随机收缩指数及正弦自适应权重等方法对哈里斯鹰算法（Harris Hawk Optimization，HHO）寻优过程进行改进，有效提高了优化问题的求解效率。

1 配电网-路网融合的时-空网络移动模型

MESV 的调度状态由其交通行驶状态和充放电状态共同决定，包含时间和空间2 个维度。考虑配电网接入光伏电源、MESV 及充电站等分布式电源，并将接入节点间的道路结构抽象为网络结构，某城区配电网-路网融合系统示意图如图1 所示。

图1 配电网-路网融合系统示意图Fig.1 Schematic diagram of the integration system of distribution network-road network

由图1 可知，配电网-路网系统包含3 种节点负荷。其中，根据供配电可靠性要求将系统中的节点负荷分为一类、二类和三类负荷，分别用不同颜色区分表示。将系统中的29 个节点用数字1-29 进行编号，设充电站节点集合为Dch，台区变压器电站节点集合为Dtf，光伏电源节点集合为Dpv，路网节点集合为Drd。MESV 可在节点集合D={Dch，Dtf，Dpv，Drd}包含的节点间移动，且D={i|i=1，2，…，29}，设mn为编号为n的MESV，Rmn为mn移动路径的集合，且Rmn={（i，j）|i，j∈D}，其中i，j为节点。

该城区配电网调度中心的MESV 调度时段总和T为07∶00—22∶00。配电网调度中心依据日前负荷预测数据，综合考虑用电稳定性、配电网负荷峰谷差、市场分时电价及新能源消纳情况对MESV进行调度。MESV 在配电网-路网系统中的调度包含从配电网调度中心前往台区变压器放电、充电站充电以及返回配电网调度中心的过程。MESV 的时-空网络调度示意图如图2 所示。

图2 MESV的时-空网络调度示意图Fig.2 Schematic diagram of spatio-temporal network scheduling of MESV

基于时间与空间2 个维度，建立MESV 基于配电网-路网融合的时-空网络移动模型为：

2 MESV多场景应用协同调度模型

2.1 优化目标

本文所提目标函数为最小化配电网从上层电网购电的成本及弃光伏负荷惩罚与MESV 的服务收益之差，其表达式为：

2.2 约束条件

2.2.1 MESV移动约束

MESV 具有移动连续性，t时段的终点为t+1 时段的起点。设Rb+为起点为b的移动路径集合即Rb+=（b，·），Rb-为终点为b的移动路径集合即Rb-=（·，b）。

MESV 移动连续性约束表达式为：

上述移动模型中关于Rmn的定义包含了mn在运行时段内所有可能运动状态的移动路径，即mn在时段t必然处于某种移动状态中，或在2 个路网节点间移动，或停留在某一充电站充电，或在某一台区变压器放电。MESV 的运行约束表达式为：

MESV 的起始位置和终止位置约束在配电网调度中心车库，设车库所在节点为g。MESV 起始位置和终止位置约束表达式为：

2.2.2 MESV充放电功率与荷电状态约束

MESV 满足V2G 条件，当台区变压器载荷过高时，MESV 可接入台区变压器辅助减载，同时也可灵活接入充电站进行电能的补充。在运行过程中mn的充放电功率与荷电状态需要满足以下约束：

2.2.3 配电网运行约束

为保证配电网的稳定运行，系统中台区变压器各时段的负载率应不超过1。台区变压器运行约束为：

同时接入MESV 后，各支路需要满足潮流约束。对于辐射状三相平衡的配电网网络，其松弛后的二阶锥DistFlow 潮流模型[23]为：

2.3 混合整数二阶锥模型

MESV 多场景应用协同调度模型为混合整数二阶锥规划模型：

式中：（fL，Z）为目标函数（即式（7））；L，Z分别为连续变量与整数变量，L包含配电网和MESV 运行变量如等，Z包含变量如；A（L）为仅包含连续变量的约束条件（即式（2）—式（3）与式（19）—式（27））；B（Z）为仅包含整数变量的约束条件（即式（11）—式（15））；C（L，Z）为连续变量和整数变量耦合的约束条件（即式（16）—式（18））；l和K分别为第l次迭代与最大迭代次数。

2.4 基于改进HHO的优化求解

传统HHO 包括全局搜索、过渡和局部开发3个阶段[24]，其缺点是优化求解耗时较长、精度较低。本文参考文献[25]对其进行改进，以快速跳出局部收敛。改进方法如下所述。

1）柯西变异。利用柯西变异随机扰动有利于增强种群的多样性，避免算法陷入局部最优。标准柯西分布的概率密度函数（fy）和迭代后变异处理得到的当前最优解为：

式中：Xbest，X′best分别为当前最优个体和经过柯西变异处理后的最优个体，且Xbest，X′best均是由[L，Z]定义的；y为实数，取值范围为[-∞，+∞]；Y（·）为标准柯西概率分布的随机变量。

2）随机收缩指数。过渡阶段中猎物能量Erab的变化对全局搜索和局部开发的选择起重要作用。故本文将随机收缩指数融入Erab的递减过程，提出一种能量调控机制为：

式中：Erabo为猎物初始逃逸能量；σ为[0，1]随机数。

3）正弦自适应权重。当迭代到接近全局最优解时，通过加入正弦自适应权重可提高哈里斯鹰的局部开发能力。正弦自适应权重和猎物个体更新表达式为：

式中：csa为自适应权重系数；F为哈里斯鹰个体当前适应度；Fmin，Favg分别为哈里斯鹰种群最小适应度与平均适应度；Xrab，X′rab为更新前后的猎物个体。

3 算例分析

3.1 仿真算例

本文以MESV 大规模多场景应用为背景，仿真算例选用IEEE33 节点系统，其示意图如图3 所示。

图3 IEEE33节点系统示意图Fig.3 Schematic diagram of IEEE 33 system

由图3 可知，IEEE33 节点系统中节点1 接入配电网调度中心配置了充电站的车库，节点5，14，19，27 接入台区变压器，节点1，6，13，18，22 接入充电站，节点6，15，17，22 接入光伏电源。

配电网-路网融合系统中，根据供电不稳造成影响的大小将该城区台区变压器负荷类型分为3类，某城区台区变压器基本信息如表1 所示。

表1 某城区台区变压器基本信息Table 1 Basic information of transformer in an urban area

通过实地调研某城区日间道路拥堵情况拟定分时拥堵系数分布和分时电价，某城区道路拥堵状况、交通路网节点间距和某城区分时电价分别如表2—表4 所示。

表2 某城区道路拥堵状况Table 2 Road congestion in an urban area

表3 交通路网节点间距Table 3 Distance between nodes in the traffic network km

表4 某城区分时电价Table 4 Time-of-use electricity price of an urban area

由表2—表4 可知，为降低MESV 的服务成本同时提高MESV 的运行效率，应使得MESV 在道路拥堵程度低的时段在最短路径的节点间移动且在道路拥堵程度较高的时段完成保供电等任务。配电网向上层电网购电的电价高于MESV 放电电价，同时MESV 谷段充电电价远低于峰段放电电价。为促进配电网削峰填谷同时提升经济效益，应最大程度调度MESV 在电价峰段放电、电价谷段充电。

仿真计算选择台区变压器日前预测负荷，某城区平均日光伏出力如图4 所示。

图4 某城区平均日光伏出力Fig.4 Average daily photovoltaic output of an urban area

由图4 可知，该城区日光伏出力主要集中在电价峰平段。为使得光伏电源得到充分消纳同时提升经济效益，应最大程度调度MESV 在光伏出力大的电价平段前往光伏充电站充电。

仿真计算选择2 类不同型号MESV 基本参数如表5 所示。

表5 2类不同型号MESV基本参数Table 5 Basic parameter of two different types of MESV

由表5 可知，MESV2 的储能容量和充放电功率均为MESV1 的2 倍，为完成配电网保供电的任务，同时提高经济效益，应优先在配电网负载压力大的时段调度MESV2 参与配电网运行。

3.2 MESV多场景应用协同运行调度

该城区配电网调度中心拥有MESV1，MESV2各5 辆，MESV1 编号为1—5，MESV2 编号为6—10。3 类负荷的分别为0.5，0.3 和0.2，取道路拥堵系数的中位数，cer为0.80，ηcha和ηdc为0.95，调度前MESV 均为满电状态，ceb为0.05 元/kWh，paba，pv为15元/kWh。假设充电站装备足够的充电站且充电功率为400 kW。夜间为电价谷段，为表现MESV 夜间充电过程，计算周期设为07∶00 至次日07∶00，计算步长为1 h。改进HHO 的参数设置为：K=500，Erabo=2σ-1。仿真计算使用MATLAB 2019b 编程求解。为验证改进HHO 的有效性，分别采用粒子群算法（Particle Swarm Optimization，PSO）、传统HHO 与改进HHO 求解模型，3 种算法对比曲线如图5 所示。

图5 3种算法对比曲线Fig.5 Comparison curves of three algorithms

由图5 可知，改进HHO 很好地避免了传统HHO 和PSO 易陷入局部最优的问题，能够更快地跳出局部最优搜索到全局最优解，具有更快的收敛速度和求解精度，验证了本文所提出改进方法的有效性。

MESV 参与多场景应用的运行路线及充放电电量如表6 所示。

表6 MESV参与多场景应用的运行路线及充放电电量Table 6 Running route，charging and discharing amount of MESV participating in multi-scenarioa application kWh

同时，改进HHO 求解模型得到的移动储能车运行状态如图6 所示。

图6 MESV运行状态Fig.6 Running status of MESV

由图6（a）和图6（b）可知，MESV1 和MESV2 的移动轨迹连续且符合移动模型的约束，证明了时-空网络模型的严谨性与有效性。由图6（c）和图6（d）可知，MESV 的充放电功率与荷电状态变化情况，MESV 在光伏出力较大且电价较低的13:00—16:00时段前往光伏充电站充电以促进光伏消纳；除在台区变压器超载时段接入台区变压器进行减载外，基本选择在电价峰段和平段放电，在电价平段和谷段充电，低储高发的调度降低了配电网的购电成本。

MESV 参与配电网运行优化调度受到配电网保供电需求的约束，为展示城区各台区变压器优化前负荷即日前预测负荷与MESV 参与配电网运行优化调度后的各台区变压器负荷变化情况，某城区台区变压器负荷优化前后对比如图7 所示。

图7 某城区台区变压器负荷优化前后对比Fig.7 Variable load comparison of urban platform transformers before and after optimization

由图7 可知，配电网接入MESV 优化后，各台区变压器在负荷超载时段均能得到有效减载，且重要负荷的减载幅度更大，验证了所提策略能够有效完成配电网的保供电任务。

3.3 规模化MESV与新能源发电增加的效益

新能源馈入量增加与MESV 的应用普及是大势所趋。促进新能源消纳与提高规模化MESV 的应用效益愈发重要。若不考虑MESV 的投资成本和日常维护成本，规模化MESV 与新能源发电增加的效益如图8 所示。

图8 规模化MESV与新能源发电增加的效益Fig.8 Increased benefits of large-scale MESV and new energy power generation

由图8 可知，当新能源发电量一定时，扩大MESV 的规模能够有效提高配电网系统的经济效益以及提高新能源消纳率。同时随着新能源发电的增加，扩大MESV 规模能够有效促进新能源的消纳。

4 结语

针对现有研究未能充分挖掘MESV 多场景应用潜力的问题，提出一种基于配电网-路网融合的MESV 多场景时空协同优化调度策略。算例分析表明，MESV 基于多场景应用协同调度优化模型调度能够有效降低配电网运行成本，实现削峰填谷，促进新能源消纳，提高供电可靠性。考虑到MESV 的投资成本与维护成本高昂导致当前储能成本远高于发电成本，如何提高规模化储能运营效益是个难题。下一步的工作将探索配电网系统中规模化MESV 的配置优化问题以及分布式新能源渗透率提高及不确定性下MESV 的优化调度，以获得更大的效益。