考虑灵活性资源和多能共享的低碳区域综合能源系统联盟-配电网博弈优化调度

2024-03-25高瑞阳王新宝高娴王芳卞海红徐懂理

南方电网技术 2024年2期

高瑞阳，王新宝，高娴，王芳，卞海红，徐懂理

（1. 南京工程学院电力工程学院，南京 210000；2. 南京南瑞继保电气有限公司，南京 211100；3. 奥尔堡大学能源系，奥尔堡9220）

0 引言

在“双碳”背景下，相对于独立规划运行的传统能源系统，区域综合能源系统（regional integrated energy system，RIES）利用协同调度多元能源实现多能互补［1-2］，通过电气接口接入主动配电网（active distribution network， ADN）构成含有多个RIES的主动配电网系统［3］，是未来能源系统的重要发展形式之一。

随着RIES 接入电网的规模逐渐增大，用户对电网电量的需求逐渐减小，导致电网设备利用率降低［4］。而各RIES 之间存在产消差异，利用联络线实现多能共享将大幅度提高异质能源利用率［5］。对ADN 而言，RIES 具有双向调节效应，内部灵活性资源与互济能源都是其电力需求响应资源［6-7］。因此，如何利用ADN 的主动管理、主动规划能力，实现灵活性资源整合对提升配网系统的低碳性和经济性具有重要意义。

目前对于配电网和RIES 的调度研究主要有以下3种类型。

1）RIES 独立优化调度。文献［8］考虑碳信息流和综合需求响应，改善了负荷时间分布曲线，为实现经济低碳调度提供新手段。文献［9］建立碳捕集-电转气联合运行框架，有效改善系统新能源消纳能力，实现系统低碳运行。文献［10］根据用户出行和充电特性，将电动汽车（electric vehicle，EV）作为可与电网双向互动的可控负荷，通过有序充放电达到对系统削峰填谷的效果。

2）配电网独立优化调度。文献［11］考虑主动配电网响应，并设计碳排放责任目标，实现经济、风电消纳和社会效益的合理均衡。文献［12］考虑风光出力波动，通过改变柔性负荷边际效益增强其参与调度意愿达到平抑波动的经济性调度效果。文献［13］针对分布式电源消纳利用情况，提出分布式电源与配电网间进行主从博弈实现电能定价，有效解决系统阻塞问题，促进系统经济运行。文献［8-13］提供了RIES 内部大量灵活性资源、降低碳排放手段和配电网内部调峰方法，但侧重于单个能源系统与负荷进行交互，调度主体单一［14］，导致可调度资源存在浪费现象。

3）仅考虑电能交互的多RIES 联合调度，即通过各RIES 间母线进行电能共享，促进内部异质能源协同调度和风光消纳［15-16］。文献［17-18］提出综合需求响应（integrated demand response，IDR）协同调度，在可以电能共享的多综合能源系统中改善了负荷特性，实现用户IDR 行为有序引导。文献［19］引入线性化的谈判博弈对可以电能共享的多综合能源系统的利益交互进行建模，实现了高经济效益和高能效利用的多目标优化。

由此可见，对于多RIES 产消能力的互补性应用研究大多集中在多RIES 合作运行，合作方式以电能共享为主，而对同时考虑多能共享和多种灵活性资源并参与配网调峰调度的联合优化调度鲜有涉及［20］。为此本文提出考虑灵活性资源和多能共享的低碳区域综合能源系统联盟-配电网博弈优化调度策略。构建以ADN 为领导者、RIES 联盟为跟随者的主从博弈模型，同时内嵌多RIES 以多能共享合作方式构建的合作博弈模型；引入碳交易机制及包括EV 在内的多种灵活性资源参与ADN 经济低碳化调度；利用遗传算法嵌套IPOPT 求解器求解从主从博弈均衡解，即获得ADN 与RIES 联盟的交互电价策略，实现两主体效益最大化；最后由算例验证所提模型对提高各主体效益的有效性。

1 含RIES联盟的ADN结构和运营模型

1.1 基本结构

如图1所示为含RIES联盟的ADN 系统结构图。其中，主动配电网与上级电网相连，RIES 联盟通过电气接口与ADN 产生电功率交互，各RIES 之间经母线和天然气管道进行电-气能源互济。RIES 内部包含碳捕集-电转气机组、风光及常规机组、多元储能装置、电-气负荷和EV负荷。

图1 含RIES联盟的ADN结构图Fig. 1 ADN structure diagram with RIES alliance

1.2 运营模型

RIES联盟的运营形式有两种：一是协调联盟内部分布式灵活资源并利用各RIES 产消能力差异性，通过互联网络进行多元能源互济；二是以分布式双边电能交易形式参与ADN 调度。RIES 联盟根据ADN 发布的购售电价制定与ADN 的购售电交易策略，RIES内部负荷需求优先由新能源与常规机组满足，并通过各RIES之间的配电母线及天然气网管道实现多元异质能源共享互补达到产消协调效果。

经过联盟内部调度和能源互济后依旧存在的不平衡能源称余缺能源，其中余缺天然气可与气网直接交互，余缺电能则参与配电网调峰调度。因此由n个RIES 构成的RIES 联盟的余缺电量PRIES是RIES联盟的可调度功率，如式（1）所示。

式中：PL，i(t)、Pi(t)分别为t时刻第i个RIES 的负荷量和发电量；ΔPij(t)为t时刻第i和j个RIES的经互联母线的互济功率；PRIES，s(t)、PRIES，b(t)分别为RIES联盟与ADN在t时刻的售、购电功率。

ADN 通过与RIES 联盟进行双边交易以发挥主动调度能力。其优先消纳新能源发电PADNn以支撑其常规负荷PADNL，剩下的不平衡量为如式（2）所示的ADN不平衡负荷PADN。

此不平衡负荷优先由ADN 所接的RIES 进行消纳，若仍存在缺额则可从上级电网购电PADNb实现平衡，如式（3）所示。

2 含灵活性资源与低碳交互结构RIES模型

为更好发挥ADN 主动性，本文引入多种灵活性资源帮助ADN 实现调峰调度。同时为响应所提低碳交互结构，并降低EV 和碳捕集（carbon capture and storage，CCS）调度门槛，考虑将二者引入碳交易制度。

2.1 多种灵活性资源及低碳交互建模

2.1.1 EV有序充放电模型

考虑到当下EV 群的大量接入具有灵活、快速、可与电网双向互动的调度特点，本文在RIES 中引入EV 作为一种灵活调度资源，以提高ADN 对RIES 的调度空间，如图2 所示，对EV 灵活调度区域进行分析。

图2 EV灵活调度区域Fig. 2 Flexible dispatching area of EV

EV 在tin时刻接入电网，tout时刻离开电网；AB和ED对应EV电池电量上下限，EV沿FA、FE边进行最大功率充、放电。BC边为车主可接受离开电量范围，EV达CD边时将强制以最大功率充电直至BC边。对EV个体建模如下。

式中：Sev，i(t)为第i个EV 在t时段的荷电状态；ηc、ηf分别为EV的充、放电效率；Pc，i(t)、Pf，i(t)分别为第i个EV在t时段的充、放电功率；Pevu，i(t)为t时段内第i个EV 的能耗；Pc，i，max、Pc，i，min和Pf，i，max、Pf，i，min分别为第i个EV 充、放电功率的上、下限；tin，i为第i个EV 接入电网时刻；T为调度周期，取24。

2.1.2 多元储能模型

长时储能电池和储气装置在面临尖端负荷时可为系统提供一定的灵活调度空间，提高系统稳定性。ψ表示电、气储能装置的集合，两者模型类似，所建模型如下。

式中：Sψ，i(t)为储能装置i在t时段内的存储量；σψ，i为储能装置i的损耗率；ηc，ψ，i、ηf，ψ，i分别为储能装置i的充、放能效；Pc，ψ，i(t)、Pf，ψ，i(t)分别为储能装置i在t时段内充、放能量；SCap，ψ，i为储能装置i的容量；Wmin、Wmax分别为储能最小、最大荷电状态系数。

2.1.3 需求响应建模

需求响应通过价格信号或直接控制协议对符合需求进行调整。本文考虑将ADN 释放的分时价格信号并设置可中断负荷作为对RIES 负荷的灵活调整手段。

式中：PL，i，0、PL，i分别为电价需求响应前、后负荷；ρii、ρij分别为自弹性系数和互弹性系数；ei、Δei分别为i时段内原电价和电价变化量；ej、Δej分别为j时段内原电价和电价变化量。

式中：CDR(t)、μIBDR分别为t时刻系统总补偿成本和单位补偿成本；ΔPe(t)为t时刻电负荷中断负荷量；ζDR为可中断负荷比例系数。

2.2 低碳交互结构

2.2.1 CCS-P2G建模

为改善RIES 中机组碳排放现象，本文基于碳捕集技术建立CCS 和电转气（power to gas，P2G）耦合模型，构建动态碳循环系统。CCS 捕集能耗Pccs主要包括两个部分：由常量表示的机组维持能耗Pccs，b和与碳捕集量相关的运行能耗Pccs，r，P2G 机组获得CCS 所捕获的CO2，并通过电解水获得另一原料H2O，最后甲烷化合成人工天然气。常规机组、CCS-P2G 爬坡及出力上下限不再赘述，CCSP2G建模如下。

式中：Pe，co2为CCS 捕集单位质量CO2的能耗；Mccs(t)为t时段内的碳捕集量；η为CCS 的捕集效率；μg为常规发电机组的单位碳排放强度系数；PG(t)为常规机组在t时段内的发电功率；-ω为反应平衡系数；λp2g为P2G 机组电气转换效率；Hg为天然气高热值，取值为39 MJ/m3；Gp2g(t)、Pp2g(t)分别为P2G在t时段的产气量与消耗的电功率。

2.2.2 碳交易制度

碳交易制度是通过建立碳排放权交易市场，设立碳权价格，利用分配碳配额约束并引导各方用能行为，实现节能减排的一种手段［21］。

本文基于基准线法采用无偿分配法为碳交易参与者提供碳配额，交易者获得的配额量等于其产量乘以单位有功碳配额系数。配额分配主要包括：RIES 购电配额ERIES，b、常规机组配额EG，EV 与CCS 减排量的等效碳排放配额EEV和ECCS，具体如式（12）所示。

式中：CRIES，c为RIES所分配到的碳排放额度；χe为单位电功率的碳配额；Lev为EV 单位电量下行驶的里程；Egas为燃油汽车单位里程的碳排放量；Enet为EV 所充电产生的等效碳排放量；Pc(t)、Pf(t)分别为EV 在t时段的充、放电功率；Pccs(t)为t时段CCS 的捕集能耗。则RIES 碳交易成本Cco2(t)如式（13）所示。

式中：c为市场碳交易价格；CG，co2(t)、CRIES，b，co2(t)分别为t时段内常规机组和购电产生的二氧化碳量。

3 各主体决策模型

3.1 主动配电网

ADN 的决策变量为与RIES 联盟交互的分时购售电电价，以运行效益最大为优化目标，目标函数FADN如式（14）所示。

式中：IRIES(t)为ADN 与RIES 联盟电功率交互收益；Cbuy(t)为ADN 从上级配电网的购电成本。二者表达式如下所示。

式中：λs(t)和λb(t)分别为t时段ADN 对RIES 的售电价和购电价；λss(t)为t时段上级电网售电电价；PADNb(t)为t时段从上级电网购电功率。

为保证各主体利益，做出以下约束。其中原始交流潮流约束、线路功率容量约束、节点电压约束等常规约束，本文不再赘述。

3.1.1 交互功率容量约束

式中：PRIES，max、PADNb，max分别为ADN 与RIES 联盟和上级配电网线路交互的最大功率。

3.1.2 分时电价约束

为避免RIES 越级购电的情况，ADN 所定电价应处在上级配电网电价区间内，如式（19）所示。

式中：λss，min(t)为上级配电网的上网成本电价。

考虑到ADN 在博弈中主导定价权，为保护用户利益避免其出现牟利现象，设定如式（20）约束。

3.2 RIES合作联盟

RIES 联盟的决策变量为与ADN 交互的电量，根据ADN 颁布的分时电价，以合作联盟形式优化自身供能策略，建立计及经济和低碳减排的目标函数模型，目标函数FRIES如式（21）所示。

式中：CDR，i(t)为第i个RIES 的需求响应成本；Co，i(t)为第i个RIES的机组运行成本，由常规机组运行成本CG，i(t)、新能源机组运行成本Cnew，i(t)、EV 调度成本CEV，i(t)和储能装置成本Cs，ψ，i(t)构成，表达式如下所示。

式中：λg为单位燃料价格；aG、bG和cG为常规机组出力系数；ηnew为新能源机组运维成本系数；Pnew，i(t)为t时段内新能源机组i出力；ηloss为EV 放电损耗系数；as，ψ和bs，ψ为储能成本系数。

第i个RIES在t时段电、气功率满足：

式中：PES，i(t)为电储能净放电量；PEV，i(t)为EV净负荷量；Gb，i(t)为向天然气网购气量；GGS，i(t)为储气罐净出气量；GL，i(t)为天然气净负荷；ΔGij(t)为与第j个RIES交互的天然气量。

REIS 之间通过联络母线实现多能互济，为保障各RIES 利益，规定有能源剩余的RIES 可以输送给缺能RIES 的能源量不超过自身剩余能源量，缺能RIES 只可接受不超过所缺能源缺额，具体约束如下。

式中：PRIES，eq，i(t)为第i个RIES 的净负荷缺额，即大于0 时为缺能状态。天然气交互具有相同特性，文中不再赘述。

3.3 基于纳什议价分配合作收益

在RIES 合作联盟中，假设每个RIES 都是独立且理性的个体，其间既有合作关系也有竞争关系，因此各个RIES 不会不顾自身利益而与其他个体交互。为保证参与合作的RIES 的积极性，本文需进一步研究合作博弈带来的收益公平分配问题。

考虑到纳什议价理论能够满足参与合作的所有个体的帕累托最优，本文以各RIES 独立参与ADN交互的收益作为谈判崩裂点，采用纳什议价模型进行求解，模型表示如式（27）所示。

式中：n为RIES 组成合作联盟的数量；FRIES，i和FRIES，0分别为第i个RIES 联盟合作议价和独立参与交易后的收益。

式（27）为非凸非线性问题，此处利用文献［22］中的方法将上述问题等效转化为两个凸的子问题，即社会效益最大化问题和支付效益最大化问题，并利用交替方向乘子法（alternating direction method of multipliers，ADMM）予以顺序求解。其子问题依次表示如式（28）—（29）所示。

式中：FRIES，i*为第i个RIES 的收益；Zi为第i个RIES的议价收益转移。

4 区域综合能源系统联盟-主动配电网博弈均衡分析及求解流程

4.1 博弈框架

ADN 和RIES 联盟均有自我趋利属性，且两者利益冲突，存在明显的博弈关系。ADN 作为上层领导者，将所制定的分时电价下派至下层跟随者RIES 联盟，再根据下层反馈的用能策略与需求响应信息，以最大化交互效益为目标优化能价策略。其存在的信息先后迭代关系呈现主从阶梯结构的动态博弈特点，属于典型主从博弈关系。下层RIES 联盟内部各个RIES 合作目标呈现一致性，即利用多能共享实现运行效益最大化。故本文将ADN 作为领导者，RIES 合作联盟作为跟随者，建立如图3 所示的RIES 联盟-ADN 博弈调度框架。

图3 RIES联盟-ADN博弈调度框架Fig. 3 Scheduling framework of RIES alliance-ADN game

其中，用Stackelberg 博弈来描述ADN 和RIES联盟追求各自目标最优的决策过程，该Stackelberg博弈模型可表示为：

该模型包括参与者、策略和效用函数。其中参与者为领导者ADN 和跟随者RIESn联盟；策略包括ADN 与RIES 联盟的交互电价λADN，RIES 联盟中机组的输出功率QRIES，电气负荷需求响应量LRIES，EV 有序充放电功率Pev，储能有序充放电功率Pes；效用函数为FADN、FRIES。

在博弈过程中，主从双方都不能通过改变策略时来获取更多收益，此时博弈达到Stackelberg 博弈均衡（λAND*，QRIES*，LRIES*，Pev*，Pes*），如式（31）所示。

4.2 求解

本文采用遗传算法嵌套IPOPT 求解器的方式求解博弈模型，上层采用遗传算法更新并求解ADN定价及效益，下层RIES 联盟策略及议价均使用IPOPT进行求解。求解流程如图4所示。

图4 求解流程Fig. 4 Solution flow chart

上层遗传算法包括以下步骤。

1）输入基本数据和参数。

2）初始化种群a，生成ADN 分时电价，设置迭代次数K=0。

3）ADN 将分时电价下发至下层跟随者，RIES联盟调用IPOPT求解器计算自身收益。

4）ADN根据下层反馈策略计算自身收益F1。

5）a种群通过交叉、变异形成新种群b。

6）再次调用IPOPT求解器计算下层收益，ADN根据反馈更新自身收益F2。

7）比较历史收益，进行选择操作，若F2>F1，a=b，F1=F2，否则保留结果。

8）判断是否达到最大迭代次数，达到则输出策略及对应收益。

下层RIES 之间通过多能共享形式进行合作博弈，以联盟形式响应上层调度，调用IPOPT 求解器计算各RIES 内部机组出力情况、灵活性资源响应量、RIES 间交互功率量，将优化结果反馈至上层。最后，为保证各RIES 合作积极性，基于纳什议价完成RIES联盟中的分配合作剩余。

5 算例分析

5.1 算例参数

如图5 所示，算例中的ADN 基于IEEE 14 节点系统进行设计，分别于6、11、12 节点接入3 个RIES，构成RIES 联盟。通过节点1 接入上级配电网，节点2、3 分别配备风光机组。设定种群个体数为50，最大迭代次数为200，种群交叉概率为0.95，变异概率为0.3。各RIES 的风光预测及负荷预测曲线如图6 所示，RIES 与ADN 交互功率上限为1 000 kw。CCS-P2G 机组及常规机组数据参考文献［23-24］，碳交易数据参考文献［25-26］，EV 数据参考文献［27］。

图5 ADN网络结构图Fig. 5 Structure diagram of ADN network

图6 各RIES负荷及新能源预测曲线Fig. 6 Load and new energy prediction curves of each RIES

5.2 结果分析

5.2.1 配电网-RIES联盟博弈优化结果分析

1）ADN定价结果分析

基于本文所述模型及求解方法，计算ADN 的优化分时电价，其均衡结果如图7所示。

图7 ADN分时电价结果Fig. 7 Time-of-use pricing results of ADN

ADN 通过设置购售电差价获得盈利，为能够给RIES 提供更优价格，并保证一定盈利，ADN 定价始终处于上级电网定价之间，且售电价高于购电价。此外，ADN 的售电价格波动趋势受上级电网分时电价趋势影响，购售电价格与实际用电负荷趋势一致，目的是为了优化负荷曲线并激励RIES 参与调度。

2）RIES合作议价结果分析

如表1 为分析纳什议价结果，考虑3 种模式下的各RIES成本收敛情况如下。

表1 模式1—3下各RIES运行成本Tab. 1 Operating cost of each RIES under mode 1—3元

模式1，所有RIES独立与ADN交易；

模式2，所有RIES 参与合作博弈，但不考虑纳什议价；

模式3，所有RIES 参与合作博弈，并采用纳什议价进行分配。

根据表1 中数据可以发现：由于模式1 中的RIES 只能单独与ADN 交易，模式2 的RIES 合作博弈联盟形式比模式1 的RIES 群运行成本降低了507.8 元。但是，RIES3 的合作运行成本相比于独立交易上升了198.1 元，将导致其更倾向于独立运行，破坏其合作积极性。本文所提纳什议价分配方法（模式3）根据合作互济功率量进行合理有效分配合作收益，使3 个RIES 成本均在独立运行成本之下，合理降低联盟总成本的同时利于维持联盟长期合作。

3）RIES1响应ADN调度结果分析

ADN 最终定价与上级电网分时电价趋势大体一致，可分为“峰-谷-平”3 个时段。结合RIES1 响应情况，可以看出在谷时段00：00—08：00，23：00—24：00 时，RIES1 与ADN 购电交互频繁，积极响应ADN 填谷调度，具体表现在：如图8（a）所示的电力系统中系统优先消纳新能源，得到净电负荷曲线，ADN 的谷时电价引导常规发电机组少发电（如图8（a）中00：00—08：00），多从配网购电辅助其填谷。多余电量向蓄电池充电（如图8（a）中00：00、04：00、06：00），仍有缺额或盈余则传递给其他RIES 系统。图8（b）所示的天然气系统中由于此时电价较低，电转气成本较低，RIES1 与气网交互减少，优先由电转气和其他RIES 互济支撑气负荷（如图8（b）中23：00—24：00和00：00—08：00）。

图8 RIES1响应情况Fig. 8 Response of RIES1

ADN 峰时电价时段：19：00—23：00，RIES1与ADN 售电电交互频繁，响应ADN 削峰调度，具体表现在：如图8（a）所示的电力系统在优先消纳新能源后，因此时段内电网购电成本高，功率缺额由常规机组尽力满足（如图8（a）中20：00—23：00），碳捕集机组出力上升以减少常规机组满载运行带来的高碳排放量。储能、EV 均放电减少负荷压力（如图8（a）中21：00—23：00），功率缺额向配网购电，但盈余则售至ADN 侧，帮助配网完成削峰调度，获得更高收益。图8（b）所示的天然气系统中ADN 电价较高，且RIES 净负荷曲线处于峰值，电转气成本高，RIES1 气负荷由其他RIES 互济和气网购气支撑（如图8（b）中19：00—23：00）。

5.2.2 多场景对比分析

为验证本文所提博弈的耦合关系和灵活性资源对RIES调度的经济性影响，本文设置如下4种场景进行分析。

场景1：固定电价，不考虑需求响应、EV、储能设备等灵活性资源，各电-气区域综合能源系统独立运行。

场景2：固定电价，考虑需求响应、EV、储能设备等灵活性资源，各电-气区域综合能源系统独立运行。

场景3：固定电价，考虑需求响应、EV、储能设备等灵活性资源，各电-气区域综合能源系统合作运行。

场景4：本文所提由主动配电网进行调度并计及需求响应、EV、储能设备等灵活性资源，各电-气区域综合能源系统合作运行。

对比表2 中4 种场景下各RIES 成本可以发现：场景1 中各RIES 独立运行，且不考虑“荷-储”灵活性资源，各自负荷完全由各自RIES 内部机组承担，弃风弃光现象严重，造成了资源浪费，导致经济效益低下和高碳排放成本；场景2 对比场景1，引入多种灵活性资源，实施多元需求响应策略优化负荷曲线，考虑多元储能装置和EV 有序充放电策略，缓解峰时高碳压力，并利用其与电力系统双向互动，达到削峰填谷、节约成本的效果；场景3 相比场景2，考虑各RIES 间以多能共享方式进行合作博弈，能源互济使得能效利用率进一步提升，有效释放储能裕度，降低储能成本。而共享能源不需要承担碳排放成本，各RIES 可选择在自身碳排放较小时产能，由EV和储能存储，并在高碳排放时互济，进而有效降低碳成本；场景3 相比于场景4，未考虑ADN 调度，实施固定电价。因此，RIES 与配电网交互电量完全受内部净负荷趋势和各机组出力影响，配网侧被动供能，极大影响两主体各自利益。场景4中由配电网主动调度，与RIES联盟构成主从博弈，实施内部购售电价，保证交互有序性，合理优化下层机组出力和灵活性资源调度，因此两主体利益得到保证，验证了本文所提博弈的耦合关系和灵活性资源能够有效提高RIES 调度的低碳性和经济性。

表2 4种场景下各RIES成本Tab. 2 Costs of each RIES under four scenarios元

5.2.3 不同场景下低碳优化分析

为进一步分析碳交易机制下的低碳交互效果，对场景2—4的碳排放行为进行分析。由于场景1并不考虑灵活性资源，高碳排行为无法缓解，因而不再赘述。RIES1 碳排放行为优化结果如图9—10所示。

图9 场景4下RIES1碳交易Fig. 9 Carbon trading of RIES1 under scenario 4

图10 各场景下部分碳交易行为Fig. 10 Partial carbon trading behaviors under various scenarios

如图9—10 所示，结合上述表2 中的碳交易成本，由于ADN调度场景4存在供能规律性与集中性特点，场景4 的总碳排放成本较低。具体体现在：不考虑ADN 与RIES博弈行为，场景2—3中的常规机组出力、配网购电、购气均匀分散且出力频繁，导致整体碳排放偏高。而场景4 在动态定价和碳交易的驱动下，将灵活改变碳排放行为，如14：00—18：00，选择与配网交互进而代替常规机组高碳排放行为，并利用P2G 消纳配网能源降低购气碳成本。场景4 中出现负荷高峰期碳排放减小，是EV进行车到网的放电行为所导致的。EV 受ADN 调度影响，其等效碳排额即有序充放电行为与ADN 交互相关，如EV 放电时段时与ADN 交互形式为售电，而EV 充电时段则为购电。这说明在RIES 与ADN 博弈的情况下，EV 能够有序的消纳多余能源；并且EV等效碳配额出现负值，即为EV放电行为，表示EV 放电代替其他形式的高碳行为，有效降低系统碳排放。由此可见，在ADN 调度下，EV等灵活性资源可以实现有效响应，通过转移高碳行为达到整体减排效果，实现系统低碳运行。