考虑电动汽车共享储能特性的园区综合能源系统低碳运行

王 义，靳梓康，王要强，刘明洋，梁 军

（1.郑州大学电气与信息工程学院,河南省郑州市 450001；2.河南省电力电子与电能系统工程技术研究中心,河南省郑州市 450001；3.国网河南省电力公司电力科学研究院,河南省郑州市 450052；4.卡迪夫大学工程学院,卡迪夫 CF243AA,英国）

0 引言

园区综合能源系统（park-level integrated energy system,PIES）,又称微网综合能源系统［1］,由于其内部具有多种用能需求,需结合用户侧负荷特性处理微网运营商（microgrid operator,MGO）与用户聚合商（user aggregator,UA）的经济效益问题［2-3］。

针对PIES 的经济效益问题,文献［4］基于园区电-热-气特性,分析了氢储能设备对电热价格的影响。文献［5］考虑在综合能源系统中建立供热精细化模型,从电热特性方面考虑UA 的成本。文献［6］通过加入余热回收装置与碳捕集电厂,提高了系统经济性。文献［7］建立了一种电/热混合储能模型提高PIES 经济性。然而,上述文献未考虑MGO 的定价策略与UA 用能策略的关系,忽略了MGO 的利益。

PIES 对储能部分有较高的需求。由于个体储能价格偏高且利用率较低,共享储能模型被提出。文献［8］鼓励UA 通过共享储能装置错峰充放电以实现利益最大化。文献［9］在考虑共享储能设备的基础上,通过规划多园区不同参与方的充放电时间来提高系统经济性。文献［10］提出了一种考虑共享储能参与的综合微网系统,降低了微网的用能成本。上述研究未在PIES 中考虑电动汽车（electric vehicle,EV）集群共享储能特性。相较于储能设备前期投资较高以及储能利用率偏低等规划不合理的问题［11］,EV 集群用作储能的成本更低。

目前,已有部分学者针对EV 集群可调度潜力的问题进行了探索。文献［12］提出了一种考虑EV集群参与电网调峰调频的控制策略。文献［13］通过建立充电站投标模型充分挖掘EV 集群可调度潜力。文献［14］将EV 集群可调度潜力模型视作储能设备参与MGO 的博弈过程。上述研究在建立EV集群模型时未考虑EV 集群的参数不确定性。文献［15］利用双向长短期记忆（bi-directional long shortterm memory,Bi-LSTM）网络法处理EV 集群的不确定性,但并未考虑EV 集群的共享储能特性。

针对PIES 的碳排放问题,文献［16-17］在系统优化的过程中引入阶梯式碳排放权交易（carbon emission trading,CET）机制。文献［18］在传统碳捕集模型的基础构建了自由CO2浓度分布模型。文献［19］通过加入CO2储液罐降低了系统碳排放。文献［20］提出带有赏罚因数的CET 机制,降低了系统的用能成本。

综上,针对PIES 进行优化调度时,少有文献考虑基于EV 集群可调度潜力的共享储能特性对于储能设备的代替作用。事实上,随着PIES 的发展与EV 保有量的提高,EV 作为储能设备,是结合PIES实现“光储直柔”战略的重要一环［2］。同时,现有研究大多侧重于UA 的成本最低,未能充分考虑MGO的利益,不能使各参与方满意。

因此,本文针对此类含有MGO、EV 以及UA 的PIES,在MGO 制定售能价格的基础上,同时考虑需求响应、EV 集群共享储能和阶梯式CET 机制,建立基于主从博弈理论与基于EV 集群可调度潜力的共享储能特性的PIES 低碳优化模型,通过算例分析验证了所提方案的有效性。

1 考虑CET 机制的PIES 运行框架

为便于统一规划安排,本文将PIES 内分散的用户计为UA 模型,EV 统一在充电站进行充放电。同时,考虑UA、MGO、电网及EV 充电站之间的能量交互过程。其中,UA 侧的电负荷与热负荷主要由MGO 侧的燃气机组（MT）供能,少数由UA 侧光伏与电制热设备供能。UA 可向EV 充电站购买电能,具体场景如图1 所示。

图1 PIES 框架示意图Fig.1 Schematic diagram of PIES framework

MGO 为利用MT 对UA 进行电能与热能供应的商户,其掌握UA 的用能需求并根据自身利益向UA 报价。MGO 根据UA 提供的信息制定每小时的电价与热价,通过与UA 进行能源交易获取收益。此外,MGO 可将多余电量出售给电网获取利润。同时,MGO 侧加入了带有赏罚因数的阶梯式CET机制,在系统碳排放高于配额时进行额外惩罚,在碳排放低于配额时进行奖励,促进系统降低碳排放。

假设园区的储能设备完全由EV 充电站代替,用于降低前期的建设成本并提升储能利用率,同时提高UA 侧负荷的灵活性。EV 充电站根据当前停放在充电站内EV 的可用电量为UA 提供储能服务。UA 可以选择在用电高峰期时取用充电站内的电量,在满足EV 期望电量的情况下获取更高的收益。

UA 侧的用能需求主要有电需求与热需求。园区内每个用户都根据“光储直柔”相关政策的要求安装光伏与电制热装置。假设MGO 制定的电价不超过电网分时电价,基于此本文假定UA 的电能来源于MGO 与EV 充电站,不再向电网购电。当UA 侧光伏装置产生的电量不能满足其用电需求时,UA可向MGO 购买电量,或从EV 充电站中取用电量。同时,在UA 电量充足且热能仍有缺额时,其可通过电制热设备获取热能。

基于上述分析得出的PIES 运行方式为：MGO根据电网的购、售电价格与UA 的历史购热价格分别制定合理的售能策略；UA 根据自身电、热负荷的情况选取最优用能方案,同时优化自身电、热负荷分布；EV 充电站可以在电价较低时充电并通过向UA出售充电站内EV 的电量获取收益。

2 MGO 模型

MGO 侧MT 产出的热能与电能供UA 使用。MT 的耗气成本与其输出电功率的关系可表示为：

式中：E为t时段内MT 的耗气成本；η为MT 的发电效率；P为t时段内MT 输出的电功率；Pgas为天然气价格；P为MT 输出功率最大值。

MT 的供热、供电关系可表示为：

式中：P为t时段MT 输出的热功率；ηh为热电比系数。

考虑到MT 产生的热量全部供给UA,故UA 购买MGO 的热功率L为：

MGO 的策略集为出售给UA 的热价与电价,并利用主从博弈求出最优的售价策略集。MGO 制定的电价与热价约束为［10］：

式中：T为一天内的总时间。

以上各项可以详细表示为：

碳排放配额公式为：

式中：Eq为系统整体的碳排放配额；er为MT 单位碳排放配额；ceh为MT 发电量的折算系数；eg为购电的碳排放配额；Pe,buyt为t时段MGO 的购电量。

碳排放Eall计算公式为：

式中：es为MT 单位碳排放系数；eu为上级购电的碳排放系数［17］。

考虑赏罚的阶梯式CET 成本计算公式如下：

式中：σ为CET 基础价格；x为惩罚因子,取0.25；y为奖赏因子,取0.2；d为碳排放区间的长度。

3 EV 模型

3.1 EV 个体模型

EV 在进入充电站后根据自身用能需求与经济效益进行充放电操作。EV 个体充放电模型如下：

3.2 EV 集群可调度潜力模型

由于EV 个体到达、离开充电站的时间及其初始SOC 往往具有较大不确定性,无法充分发挥EV 的共享储能特性。因此,本文构建EV 集群可调度潜力模型,集群内EV 的样本数量越多,可调度潜力越准确。EV 可调度潜力指通过对EV 到达、离开充电站时间及初始SOC 等历史数据进行预测,进而明确实时阶段EV 共享储能容量及充放电功率的范围［14］。本文通过闵可夫斯基求和理论将EV 集群聚合为共享储能模型,并计算EV 集群可调度潜力的包络空间边界。闵可夫斯基求和示意图见附录A 图A1。

由于个体EV 在计算充放电功率时考虑了布尔变量,其出入站时间属于同一可行域,EV 个体具备闵可夫斯基可加性。EV 集群的上下边界为：

式中：NEV为EV 的种类集合,文中考虑3 种工作在不同时段的EV；sarrn、sdepn分别为EV 到达与离开充电站时的电量。详细推导过程见文献［13］。

式（15）不仅建立了具有物理意义的EV 集群共享储能模型,而且从优化可行域的角度实现了EV个体决策空间的聚合。

综上,EV 集群共享储能模型可表示为：

3.3 基于Bi-LSTM 的EV 集群参数预测方法

由式（15）、式（16）可知,已知充电站内EV 的充放电最大功率及储能上下限等历史数据后,可以计算出EV 在实时阶段的共享储能参数范围。采用有较强规律计算能力的算法对这些实时数据进行预测可以尽可能地消除不确定性带来的影响［15］。因此,本文采用Bi-LSTM 法对EV 集群的初始SOC、出入站时间3 个历史数据进行分析。相较于LSTM 等预测方法,Bi-LSTMM 能够进一步发掘当前数据与过去及未来时刻数据的联系,提高预测精度。Bi-LSTM 法示意图见附录A 图A2。

综上,EV 充电站向电网的购电成本可表示为：

式中：EEV-为EV 充电站一天的购电成本；λc为EV 的充电成本系数；N为EV 的数量。

同时,EV 充电站向UA 售电的收益可表示为：

式中：EEV+为EV 充电站向UA 售电获取的收益；λEVt为UA 购买电量时的成本系数。

因此,一天内EV 充电站获取的收益可表示为：

4 UA 模型

本文中UA 侧电负荷可分为固定负荷与柔性负荷,柔性负荷又可以分为可转移负荷与可削减负荷。UA 可以根据MGO 提供的价格,灵活选取柔性负荷的供电时间,进而实现需求响应。同时,UA 配有电制热设备充当柔性热负荷,在电价较低或电量充足时通过电制热获取热能。

综上,UA 在t时段的电负荷可表示为：

式中：L和L分别为UA 侧柔性电负荷的最大、最小值；Lˉe,st为需求响应后UA 侧的柔性电负荷值；为UA 在t时间段内进行需求响应的电负荷量；k为UA 侧柔性电负荷的占比。k值越大,系统需求响应能力越强。

在PIES 中加入EV 充电站后,UA 可以根据自身的用电需求从中获取电能。基于此得出UA 在t时段的净电负荷为：

式中：Lt为UA 从MGO 购入的电能为UA 完成电、热柔性负荷调整后的电负荷为UA 侧的光伏装置发出的电功率。

在供热方面,UA 可在MGO 提供的电价较低或自身电能充足时通过电制热设备获取热能,电价较高时从MGO 购买热能,进而实现电能和热能的相互转换,这类负荷称为可替代负荷,其模型为：

式中：Le,ht为电制热设备产生的热功率；ηe,h为电制热设备的转化效率；Le,hmax为电制热设备的最大出力。

可替代负荷需要考虑最大、最小可替代负荷量约束：

式中：ΔL和ΔL分别为可替代电负荷上、下限。

基于此得出UA 在t时段的净热负荷Lht：

式中：L为可削减热负荷；L为可削减热负荷的最大值。

综上,UA 的收益Euser可表示为：

式中：E为UA 侧的用电效用函数［21］；为调整后的电负荷；a、b、c为用电效用函数的参数。

5 基于主从博弈理论的MGO 定价模型及求解策略

5.1 MGO 与UA 的主从博弈过程

MGO 通过与UA 进行主从博弈确定最优的售能方案,UA 将MGO 的售电方案与EV 充电站的价格对比,合理使用EV 充电站服务以及电制热设备,并对自身电、热柔性负荷进行动态调整。

若MGO 制定的价格与预期不符,UA 将调整自身柔性负荷的占比与购能量；同时,MGO 也将根据UA 购能量的变化动态调整定价方案。可以看出,两者的决策方案具有先后顺序,MGO 为决策主导者,UA 为决策跟随者。因此,本模型可视为主从博弈模型,主从博弈证明过程见附录B。本文模型的博弈过程如图2 所示。

图2 主从博弈过程示意图Fig.2 Schematic diagram of Stackelberg game process

5.2 主从博弈的模型求解方法及流程

MGO 的目标是收益最大,在此基础上设计最优电价与热价出售方案；上层MGO 的价格策略由遗传算法进行初始化与更新,下层UA 在收到上层MGO 的价格后,由CPLEX 求解器求解最优收益。求解流程如附录C 图C1 所示。

6 算例分析

本文算例以某市PIES 为研究对象,假设一天分为24 个时段,MGO 侧MT 的参数及电网分时电价等数据见文献［4］；EV 的相关参数见文献［22］；UA侧柔性负荷占比与热负荷上下限等参数见文献［11］；遗传算法的相关参数见文献［10］。为结合园区中存在多用户的实际情况,针对不同用户的用能需求进行计算,本文假设UA 中存在3 位用户,其负荷及光伏出力参数见附录D 图D1；同时,考虑3 类EV 集群模型与4 类EV 充电站［13］,相关参数见附录D 表D1。本文对EV 集群的历史数据采用Bi-LSTM 法进行处理,处理结果见附录D 图D2。针对本文引入的含赏罚因素的CET 机制与EV 集群共享储能特性的PIES 模型,通过MATLAB 建立4 种场景进行对比分析,并从PIES 经济性与碳排放的角度分析所提模型的相对优势。4 种场景设置如下：

场景1：考虑储能,不考虑阶梯式CET 机制；

场景2：考虑EV,不考虑阶梯式CET 机制；

场景3：考虑阶梯式CET 机制,不考虑EV；

场景4：考虑EV 与阶梯式CET 机制。

4 种场景的优化运行结果如表1 所示。

表1 不同场景收益与成本分析Table 1 Benefit and cost analysis in different scenarios

分析表1 数据可知,相较于考虑普通储能装置而不考虑EV 充电站以及CET 机制（场景1）,分别考虑CET 机制（场景3）与EV 充电站（场景2）后可以为PIES 带来更高的收益。其中,场景2 的EV 集群共享储能模型相较于场景1 碳排放下降1 242 kg,UA 与EV 的收入和增加1 042 元。这是由于EV 的加入,UA 可以选择在MGO 提供的电价较高时选择向EV 充电站购电,减少自身购能成本,并促使MT出力下降,减少PIES 的碳排放量。

场景3 通过考虑CET 机制,相较于场景1,PIES的碳排放减少6 325 kg。这是因为加入CET 机制后,为促使系统减排,MGO 侧MT 的出力下降,UA优先为自身电负荷供能,增加电制热设备的工作时段,减少从MGO 的购热量,降低了用能成本。

场景4 结合场景2 和场景3 的优点,相较于场景2 与场景3 分别减少碳排放7 309 kg 与2 226 kg,大幅减少了PIES 的碳排放；同时,相较于场景3,场景4 在加入EV 后UA 的收入提高836 元。证明了加入基于EV 集群共享储能模型后可以大幅减小系统碳排放,验证了其合理性。此外,加入EV 充电站后PIES 的整体收入得到了一定幅度的提升,相较于传统储能设备,不仅降低了园区前期投入成本,同时为UA 与PIES 带来额外的经济收入。

本文将重点针对场景1 与场景4 对于UA 侧负荷转移特性以及系统碳排放的影响进行讨论,主要分析普通储能设备与EV 集群作为储能时上层MGO 制定售能价格的区别,同时分析EV 集群共享储能对于提高UA 侧柔性负荷占比的贡献,并重点分析场景4 中EV 集群共享储能的充放电特性。

场景4 的收敛曲线见附录C 图C2,场景1 与场景4 中MGO 的售能价格曲线见附录C 图C3。

图3 分别展示了场景1 与场景4 中用户3 的电热功率平衡曲线。场景4 中用户1、2 的电热功率平衡曲线见附录D 图D3。相较于考虑储能设备的场景1,场景4 在PIES 中将其替换为EV 集群共享储能模型并考虑含赏罚因数的CET 后,可以看出场景4 中用户3 的可转移负荷与可削减负荷可用时段相比场景1 更多,这是由于为降低自身的用能成本,UA 选择将柔性负荷从用能价格较高的时段转移至用能价格较低的时段,证明了EV 集群共享储能模型可以提高UA 侧负荷的灵活性。同时,在MGO 供热价格高于其供电价格的时段内,相较于场景1,场景4 中UA 选择使用可削减负荷的时段更多,说明其电热负荷的灵活性较强,且加入含赏罚因数的CET 机制可以更好地鼓励UA 使用电制热设备与需求响应,降低系统碳排放与用能成本。

图3 不同场景下用户3 的电热功率平衡图Fig.3 Electric and heating power balance diagram of user 3 in different scenarios

图4 与图5 分别为4 类EV 充电站总储能容量变化图与各充电站充放电功率变化图。根据图4 中分时电价曲线以及图4、图5 中EV 集群的电量变化图可知,EV 集群选择在00：00—09：00、14：00—18：00、21：00—24：00 时段进行充电。这是因为分时电价较低,此时充电可以降低成本；在电价较高的10：00—14：00、18：00—21：00 时段内,4 类充电站均不同程度地进行了放电操作,说明在电价较高时UA 选择从EV 中获取电量,进而减少自身购能成本。同时,图5 还表明,当EV 集群充放电功率在可调度潜力边界范围内时,EV 集群共享储能模型具有较好的鲁棒性,为后续园区的规划提供储能余量。

图4 场景4 的EV 共享储能容量变化图Fig.4 Capacity change diagram of EV shared energy storage in scenario 4

图5 场景4 下各充电站电量变化图Fig.5 Electricity quantity change diagram of each charging station in scenario 4

7 结语

本文构建了适用于工业园区的PIES,针对园区储能设备前期投入较高等问题,提出了利用基于EV 集群可调度潜力的共享储能模型作为储能设备参与调度过程,同时建立了MGO 与UA 间的主从博弈模型,有效增加了UA 收入,大幅减少了系统碳排放,实现两者的双赢。得到的主要结论如下：

1）本文所提模型充分挖掘了EV 集群的共享储能特性,由EV 充电站自主决定其充放电过程,为园区带来收益的同时降低了园区的碳排放量。同时,EV 集群共享储能模型具有较好的鲁棒性与可扩展性,为后续园区的规划提供储能余量。

2）加入EV 集群共享储能模型能够提高UA 侧负荷的灵活性,降低UA 的用能成本,同时为上层MGO 的定价策略提供思路。

3）引 入CET 机 制 后,MGO 通 过 调 整MT 机 组的出力改变自身的售能策略。结果表明,系统的碳排放下降了15%,证明引入含赏罚因数的阶梯式CET 机制在降低碳排放方面具有一定优势。

本文所提策略利用EV 集群共享储能特性降低园区用能成本,有助于“双碳”目标下PIES 的建设。若MGO 中没有燃气机组,本文模型可简化为MGO向电网购能并出售给用户获取利润,热能部分由各用户根据自身情况产热或从外界购热,EV 集群共享储能模型仍然为用户提供储能服务。后续研究将进一步发掘EV 路径规划在PIES 中的应用以及UA中用户之间的合作博弈过程。

附录见本刊网络版（http：//www.aeps-info.com/aeps/ch/index.aspx），扫英文摘要后二维码可以阅读网络全文。