考虑电动汽车及负荷聚合商参与的综合能源系统优化调度

图1 用户需求响应不确定性机理

Fig.1 Uncertainty mechanism of user demand response

t时刻用户实际负荷响应量为

(3)

P_{D R}^{r e a l}

(t)=λ(μ)

P_{D R}^{m a x}

(t)

式中: $P_{D R}^{m a x}$ (t)为t时刻最大负荷响应潜力.

经济激励水平μ=μ_t/μ_ε_,max,μ_t为t时刻的经济激励价格,μ_ε_,max为负荷类型ε时需求响应的最大经济激励价格,其中ε∈{e,h,c},e,h,c分别为电负荷、热负荷和冷负荷.

在任一经济激励水平下,用户负荷响应率存在上下界.当经济激励为0时,用户响应率只受用户自身的响应意愿影响;随着经济激励增大,具备响应潜力的用户会倾向于响应负荷,响应率的期望增加,波动范围减少;当经济激励增大到饱和值时,用户响应率达到最大值且波动范围可近似忽略.假设某一经济激励水平下,用户响应的不确定性可以用上下界区间内的均匀分布^[18]描述,即

(4)λ(μ)~U(λ^min(μ),λ^max(μ))

1.2 电动汽车出行不确定性分析

EV出行时段主要取决于用户出行习惯^[19-20],将1 d中24 h分为EV接入电网时间和EV出行时间,采用蒙特卡洛模拟法对EV出行不确定性进行建模.

EV日行驶里程(x)近似服从对数正态分布,其概率密度函数^[10]为

(5)f(x)=

\frac{1}{x σ_{s} \sqrt{2 π}}

exp

[- \frac{(l n x - μ_{s})^{2}}{2 σ_{s}^{2}}]

式中:σ_s为行驶里程均值;μ_s为标准差.

第m辆EV的日充电需求为

(6)P_EV,_m=η_EVx_m

式中:η_EV为EV每千米耗电量;x_m为第m辆EV的日行驶里程.

第m辆EV的充电时长为

(7)t_EV,_m=P_EV,_m/P

式中:P为充电功率.

将全部EV的功率曲线累加得到全部EV的日充电负荷并作为一个随机负荷接入IES.

2 考虑电动汽车不确定性的综合能源系统优化调度模型

建立不确定条件下考虑DR和EV的IES优化运行模型.假设上级能源网对LA的经济激励是激励用户参与DR的唯一手段.基于经济激励水平采用蒙特卡洛模拟法对用户负荷响应程度进行抽样,计算不同经济激励水平的用户响应负荷;根据EV全天闲置概率对EV进行蒙特卡洛模拟,在EV的闲置时段进行电网的统一调度,采用鲁棒随机优化处理EV充放电的不确定性.系统结果如图2所示,图中:CHP为热电联产;GB为燃气锅炉;EC为电制冷;AR为吸收式制冷;HST为储热罐.

图2

图2 综合能源系统结构图

Fig.2 Structure of integrated energy system

2.1 目标函数

在需求响应过程中,用户对经济激励的不同态度会导致用户的响应程度存在不确定性.LA实际响应量可能小于LA计划响应量,即响应不足,进而可能影响能源网的可靠运行,因此能源网会对LA响应不足实施经济惩罚.另一方面,当LA实际响应量大于LA计划响应量时,则为LA过度响应.从能源网角度并不提倡过度响应,因为过度响应容易造成用户舒适度下降,进而影响未来用户参与DR的积极性.所以,能源网对于LA过度响应的部分按照过度激励价格进行支付.

为提高IES的经济性、减少负荷峰谷差,建立IES经济优化模型.目标函数为社会总成本(F_total)最小,包括IES能源购买成本(F_buy),LA经济损失(F_en)和EV充电成本(F_EV),有如下公式表示:

(8)min F_total=F_buy+F_en+F_EV

(9)F_buy=

\overset{T}{\sum_{t = 1}}

c_e

P_{n e t, t}^{e}

+c_g

P_{n e t, t}^{g}

(10)F_en=

\sum_{ε \in {e, h, c}} \overset{T}{\sum_{t = 1}}

[

P_{ε, μ, t}^{r e a l}

μ_εc_ε_,max-

P_{ε, t}^{p l a n}

c_ε_,DR+β(

P_{ε, t}^{p l a n}

P_{ε, μ, t}^{r e a l}

)]

(11)F_EV=

\overset{M}{\sum_{m = 1}}

K_EV(

{P^{d}}_{E V, m, t}

{P^{c}}_{E V, m, t}

)

式中:c_e和c_g分别为从上级电网购买电能和从天然气网购买天然气的价格; ${P^{e}}_{n e t, t}$ 和 ${P^{g}}_{n e t, t}$ 分别为从上级电网购买的电量和从天然气网购买的天然气量; $P_{ε, μ, t}^{r e a l}$ 和 $P_{ε, t}^{p l a n}$ 分别为t时刻用户实际响应量(经济激励为μ时)和计划响应量;μ_ε为负荷类型ε的经济激励水平;c_ε_,DR和c_ε_,max分别为负荷类型ε达到计划需求响应量的价格和最大经济激励价格;当 $P_{ε, t}^{p l a n}$ ≥ $P_{ε, μ, t}^{r e a l}$ 时,β为经济惩罚价格;当 $P_{ε, t}^{p l a n}$ < $P_{ε, μ, t}^{r e a l}$ 时,β为过度激励惩罚价格;K_EV为折算后的EV单位充放电成本; ${P^{d}}_{E V, m, t}$ 和 ${P^{c}}_{E V, m, t}$ 分别为第m辆EV在t时刻的放电功率和充电功率.

2.2 约束条件

2.2.1 负荷平衡约束

电负荷、热负荷和冷负荷分别满足以下约束:

(12)

P_{n e t, t}^{e}

P_{C H P, t}^{e}

\overset{M}{\sum_{m = 1}} P_{E V, m, t}^{d}

\overset{M}{\sum_{m = 1}} P_{E V, m, t}^{c}

{P^{e}}_{t}

\overset{N}{\sum_{i = 1}} {P^{e}}_{i, μ, t}

(13)P_GB,_t+

P_{C H P, t}^{h}

+P_HST,_t=

{P^{h}}_{t}

\overset{N}{\sum_{i = 1}} {P^{h}}_{μ, D R, t}

(14)P_EC,_t+P_AR,_t=

{P^{c}}_{t}

\overset{N}{\sum_{i = 1}} {P^{c}}_{μ, D R, t}

(15)

P_{ε, μ, t}^{r e a l}

\sum_{ε \in {e, h, g}} \overset{N}{\sum_{i = 1}} P_{i, μ, t}^{ε}

式中: $P_{C H P, t}^{e}$ 为t时刻CHP电能出力值; ${P^{e}}_{t}$ , ${P^{h}}_{t}$ , ${P^{c}}_{t}$ 分别为t时刻电负荷值、热负荷值、冷负荷值; ${P^{e}}_{i, μ, t}$ 为经济激励水平μ时第i个用户t时刻电负荷需求响应量;P_GB,_t, $P_{C H P, t}^{h}$ ,P_HST,_t分别为t时刻GB、CHP、HST的出力值; ${P^{h}}_{μ, D R, t}$ 为t时刻经济激励为μ时的热负荷响应量;P_EC,_t和P_AR,_t分别为t时刻EC输出冷负荷量和AR输出冷负荷量; ${P^{c}}_{μ, D R, t}$ 为t时刻经济激励为μ时的冷负荷响应量; $P_{i, μ, t}^{ε}$ 为t时刻经济激励为μ时用户i实际负荷响应量.

2.2.2 DR约束

负荷实际响应量应满足合同约定的响应容量上限约束:

(16)0≤

P_{ε, μ, t}^{r e a l}

≤

P_{ε, t}^{m a x}

式中: $P_{ε, t}^{m a x}$ 为t时刻负荷类型ε的最大负荷响应量.

2.2.3 设备约束

主要涉及的能源设备包括CHP、GB、EC、AR,设备的模型和约束如下:

(17)

P_{C H P, t}^{e}

η_{C H P}^{e} P_{C H P, t}^{g}

(18)

P_{C H P}^{m i n}

≤

P_{C H P, t}^{e}

≤

P_{C H P}^{m a x}

(19)

P_{C H P, t}^{h}

η_{C H P}^{h} P_{C H P, t}^{g}

(20)

P_{C H P}^{m i n}

≤

P_{C H P, t}^{h}

≤

P_{C H P}^{m a x}

(21)

P_{G B}^{m i n}

≤P_GB,_t≤

P_{G B}^{m a x}

(22)

P_{C H P, t}^{e}

P_{C H P, t}^{h}

η_{C H P, t}^{e}

η_{C H P, t}^{h}

)

P_{C H P, t}^{g}

(23)P_GB,_t=

η_{G B}^{h} P_{G B, t}^{g}

(24)

P_{E C, t}^{m i n}

≤P_EC,_t≤

P_{E C, t}^{m a x}

(25)

P_{A R, t}^{m i n}

≤P_AR,_t≤

P_{A R, t}^{m a x}

式中: $P_{C H P, t}^{g}$ 为CHP在t时刻输出的气功率; $η_{C H P}^{e}$ 和 $η_{C H P}^{h}$ 分别为CHP电和热转换效率; $P_{C H P}^{m i n}$ 和 $P_{C H P}^{m a x}$ 分别为CHP输出功率的最小和最大值; $P_{G B}^{m i n}$ 和 $P_{G B}^{m a x}$ 分别为GB的最小、最大输出热功率; $η_{G B}^{h}$ 为GB的热效率; $P_{G B, t}^{g}$ 为输入至GB的天然气功率; $P_{E C, t}^{m a x}$ 和 $P_{E C, t}^{m i n}$ 分别为EC输出冷功率的最大值和最小值; $P_{A R, t}^{m a x}$ 和 $P_{A R, t}^{m i n}$ 分别为AR输出冷功率的最大值和最小值.

2.2.4 储能设备约束

主要涉及的储能设备为HST,HST的模型约束如下:

(26)E_h,_t₊₁=E_h,_t(1-σ_h)+

(P_{h, c h, t} η_{h, c h} - \frac{P_{h, d i s, t}}{η_{h, d i s}})

Δt

(27)

P_{h, c h}^{m i n}

≤P_h,ch,_t≤

P_{h, c h}^{m a x}

(28)

P_{h, d i s}^{m i n}

≤P_h,dis,_t≤

P_{h, d i s}^{m a x}

(29)

E_{h}^{m i n}

≤E_h,_t≤

E_{h}^{m a x}

(30)E₀=E₂₄

式中:E_h,_t和E_h,_t₊₁分别为t时刻及t+1时刻HST设备的储能能量;σ_h为HST设备的自耗率;P_h,ch,_t和P_h,dis,_t分别为HST设备t时刻的储热和放热功率;η_h,ch和η_h,dis分别为储热和放热的效率; $P_{h, c h}^{m a x}$ 和 $P_{h, c h}^{m i n}$ 分别为HST储热最大和最小功率; $P_{h, d i s}^{m a x}$ 和 $P_{h, d i s}^{m i n}$ 分别为HST放热最大和最小功率; $E_{h}^{m a x}$ 和 $E_{h}^{m i n}$ 分别为HST储热量上限和下限.式(30)表示保证HST在一个调度周期结束时的储热量与初始时刻的储热量相等.

2.2.5 外网交互约束

与外网交互约束主要是购电、购气约束:

(31)

P_{e}^{m i n}

≤

P_{n e t, t}^{e}

≤

P_{e}^{m a x}

(32)

P_{g}^{m i n}

≤

P_{n e t, t}^{g}

≤

P_{g}^{m a x}

式中: $P_{e}^{m a x}$ 、 $P_{e}^{m i n}$ 和 $P_{g}^{m a x}$ 、 $P_{g}^{m i n}$ 分别为外网购电功率上、下限和购气功率上、下限.

2.2.6 EV约束

EV不仅是具有随机性的负荷,同时也作为储能装置在系统需要的时刻回馈电能.EV约束如下:

(33)0≤

P_{E V, m, t}^{c}

≤

P_{E V, m a x}^{c}

(34)0≤

P_{E V, m, t}^{d}

≤

P_{E V, m a x}^{d}

(35)

μ_{E V, m, t}^{c}

μ_{E V, m, t}^{d}

≤1

(36)

μ_{E V, m, t}^{c}

+O_EV,_m_,_t≤1

(37)E_EV,_m_,ST=E_EV,_m_,ED

(38)E_EV,min≤E_EV,_m_,_t≤E_EV,max

(39)

\overset{T}{\sum_{t = 1}}

(

P_{E V, m, t}^{c}

P_{E V, m, t}^{d}

)=E_rq,_m

式中: $P_{E V, m a x}^{c}$ 和 $P_{E V, m a x}^{d}$ 分别为EV充电、放电功率上限; $μ_{E V, m, t}^{c}$ 为第m辆EV在t时刻的充电标志位,充电为1,不充电为0; $μ_{E V, m, t}^{d}$ 为第m辆EV在t时刻的放电标志位,放电为1,不放电为0;O_EV,_m_,_t为第m辆EV出行标志位,出行则置1,未出行则置0;E_EV,_m_,ST和E_EV,_m_,ED分别为第m辆EV在0时刻、次日0时的剩余电量;E_EV,_m_,_t为t时刻第m辆EV电量;E_EV,max和E_EV,min分别为EV电量上、下限;E_rq,_m为第m辆EV日需求充电电量,由EV日行驶里程和单位路程耗电量决定.式(34)为充放电状态互斥约束,因为EV不能同时充放电,所以要对每辆EV的充放电状态进行约束;式(37)为每日初始时刻电量约束;式(39)为每日必要充电电量约束.

2.3 电动汽车鲁棒随机优化模型

在实际情况下,由于EV出行以及消耗功率具有随机性,EV充放电功率不能被准确预测,所以可用基于预测结果的形式进行描述,即:

(40)

P_{E V, m, t}^{d}

P_{E V, m, t}^{c}

=P_EV,_m_,_t

(41)

{\tilde{P}}_{E V, m, t}

=P_EV,_m_,_t+η_tρ_tP_EV,_m_,_t, η _t∈[-1,1]

式中:P_EV,_m_,_t和 ${\tilde{P}}_{E V, m, t}$ 分别为EV在t时刻的出力和出力的不确定性形式;η_t为 -1~1之内的随机数;ρ_t为预测误差系数.由此,可以得出EV出力在[(1-ρ_t)P_EV,_m_,_t, (1+ρ_t)P_EV,_m_,_t]内波动.

为使EV出力不确定的条件下依然存在最优解,需将式(12)约束改写为

(42)

P_{n e t, t}^{e}

P_{C H P, t}^{e}

\overset{M}{\sum_{m = 1}}

P_EV,_m_,_t≥

{P^{e}}_{t}

\overset{N}{\sum_{i = 1}} {P^{e}}_{i, μ, t}

令

(43)P_t=

P_{n e t, t}^{e}

P_{C H P, t}^{e}

{P^{e}}_{t}

\overset{N}{\sum_{i = 1}} {P^{e}}_{i, μ, t}

)

则式(42)可改写为

(44)-

\overset{M}{\sum_{m = 1}} {\tilde{P}}_{E V, m, t}

≤P_t

将式(41)代入式(44)中,则有

(45)-

\overset{M}{\sum_{m = 1}}

(P_EV,_m_,_t+η_tρ_tP_EV,_m_,_t)≤P_t

可以看出,EV出力的不确定性影响越大,对式(45)的不等式约束越严格.为使所求的解在实际出力达到预测边界的情况下依然满足约束要求,需要对式(45)的约束条件进行加强.引入辅助变量y_t,令y_t≥|P_EV,_m_,_t|,则:

(46)-P_EV,_m_,_t-η_tρ_tP_EV,_m_,_t≤-P_EV,_m_,_t+ ρ _t|P_EV,_m_,_t|≤-P_EV,_m_,_t+ρ_ty_t≤P_t

从而将具有不确定性的线性规划转化为确定性规划.为使结果的鲁棒性能够自由调节,引入鲁棒系数Γ,Γ∈[0,1].设每一段 ${\tilde{P}}_{E V, m, t}$ 偏离预测值的量至多为Γρ_tP_EV,_m_,_t,即允许电动汽车出力在误差带的一个子区间内变化,则模型转化为

(47)

\begin{array}{l} m i n F_{t o t a l} \\ s . t . 式 (11) ~ (39) \\ - \overset{M}{\sum_{m = 1}} P_{E V, m, t} + Γ ρ_{t} y_{t} \leq P_{t} \\ - y_{t} \leq P_{E V, m, t} \leq y_{t} \\ y_{t} \geq 0 \end{array}\}

式中:当Γ=0时,式(47)即为确定性形式的数学模型;当Γ=1时,式(47)模型即为保守形式.由此可见,调节系数Γ即可得到具有不同保守程度的最优解,兼顾决策方案的鲁棒性和经济性,从而减少系统成本和LA的惩罚成本.

3 求解方法

采用蒙特卡洛法对用户负荷响应率和EV出行进行采样,计算负荷响应量,模拟EV出行时间,利用鲁棒随机优化计算EV充放电功率.求解流程如图3所示.

图3

图3 求解流程图

Fig.3 Flow chart of simulation

4 算例分析

4.1 系统参数

为验证本文所建模型,选取图2所示综合能源系统进行算例仿真分析.系统内EV数据参考文献[19-20],最大充电和放电功率为50 kW,电池充电状态(State of Charge,SOC)上、下限分别为0.9和0.2,充放电效率为0.92,电池容量为 80 kW·h.EV出行概率如图4所示^[20],w为电动汽车出行概率.该区域内包含400户住户,LA最大可响应容量为1.5 MW^[18],DR价格设置参考文献[20-21],LA对用户的最大经济激励价格为0.8元/(kW·h),能源公司对LA计划响应量的部分按高峰时的能源价格进行支付,过度激励部分的响应价格为0.4元/(kW·h),实际响应量达不到响应计划时的惩罚价格为0.6元/(kW·h).图5为系统内各负荷数据^[22-23],其中P为负荷功率.如表1所示,采用分时电价^[24],天然气价格^[25]为2.07元/m³,低热值为 35.169 MJ/m³.系统以24 h为一个调度周期,单位调度时间为1 h.系统各设备参数参考文献[25-26],部分参数如表2所示,其中COP为热泵的循环性能系数.

图4

图4 EV出行概率^[20]

Fig.4 Probability distribution of EV travel time^[20]

图5

图5 典型日电热、冷功率^[22-23]

Fig.5 Typical daily electric heat and cooling power^[22-23]

表1 分时电价

Tab.1 Time-of-use price

用电负荷	时段	价格/[元·(kW·h)^-1]
峰	8:00—11:00	1.2
	18:00—21:00	1.2
平	6:00—8:00	0.75
	12:00—14:00	0.75
谷	0:00—5:00	0.35
	15:00—17:00	0.35
	22:00—24:00	0.35

表2 各设备数据

Tab.2 Data of each equipment

装置	参数
CHP	$P_{C H P}^{m a x}$ =2 000 kW, $η_{e}^{C H P}$ =0.35, $η_{h}^{C H P}$ =0.4
GB	$P_{G B}^{m a x}$ =800 kW, $η_{h}^{G B}$ =0.85
EC	$P_{E C}^{m a x}$ =400 kW, COP_EC=4.0
AR	$P_{A R}^{m a x}$ =1 000 kW, COP_AR=0.8
HST	$E_{h}^{m a x}$ =500 kW·h, $E_{h}^{m i n}$ =50 kW·h
	$P_{H S T}^{m a x}$ =125 kW, η_h,ch=η_h,dis=0.96

4.2 优化结果分析

4.2.1 不同场景成本设置

为验证本文所建模型,算例设置4种场景,如表3所示.其中:√表示该场景考虑相应的不确定性;×表示该场景未考虑相应的不确定性.

表3 场景设置

Tab.3 Scenario setting

场景	DR不确定性	EV不确定性
1	√	×
2	×	√
3	×	×
4	√	√

表4为4种场景下系统优化对比.由表4可见,当未考虑DR和EV的不确定性时,DR按照最大经济激励价格进行优化,同时EV按最不保守的方案进行优化调度,所以场景3的各项期望成本都较高.随着不确定性调节参数的增大,购能成本、LA经济损失成本和EV充放电成本均有所下降,这是因为随着优化调度越多地考虑系统所面临的不确定性,得到的方案越保守.同时,无论是购能成本还是LA经济损失成本,场景4均小于其他场景,这是因为场景4同时考虑用户DR的不确定性和EV的不确定性.另外,场景1、2的两项成本都明显高于场景4,这是因为单考虑DR不确定性时,EV仅作为系统中的储能设备,缺少对其灵活性及不确定性的考虑;而单考虑EV的不确定性时,DR按最大经济激励计算,使LA经济成本显著增加.

表4 4种场景下的系统优化对比

Tab.4 Comparison of system optimization under 4 scenarios

场景	成本
场景	购能成本× 10^-4/元	LA经济损失成本×10^-4/元	EV充放电成本/元	总成本× 10^-4/元
1	117.14	5.41	1 169.58	122.66
2	116.55	5.85	1 115.60	122.52
3	119.04	4.84	1 210.76	124.01
4	116.25	4.13	1 097.32	121.38

4.2.2 电、热、冷功率平衡分析

取经济激励μ=0.6,针对不同用户的差异态度所对应的响应率,采用蒙特卡洛模拟进行仿真,得到如图6~8所示的某典型日系统功率平衡曲线.

图6

图6 电功率平衡曲线

Fig.6 Electric load balance power

图7

图7 热功率平衡图

Fig.7 Heat power balance

图8

图8 冷功率平衡图

Fig.8 Cooling power balance

从图6~8中可以看出,电、热负荷峰谷差较大,冷负荷存在两个需求高峰.若冷负荷的需求难以由AR机组满足,冷负荷缺额将由EC机组供给;同时,在冷负荷需求较小时段,如13:00—14:00和20:00—22:00,根据经济激励进行负荷需求响应,减少系统成本并降低系统峰谷差.

在8:00—9:00和13:00—14:00时段,EV出行概率较大,此时段EV不参与电网调度,EV电量下降;在9:00—11:00和15:00—17:00时段偶尔向电网放电;18:00为返程时刻,EV电量下降且不参与电网调度.在8:00—19:00日间用电高峰期,由CHP持续补充电负荷,不足部分通过上级电网购电和EV供给.为降低峰谷负荷差,用户根据LA经济激励进行需求响应.

此外,由图6~8可见,当经济激励为μ=0.6时,用户选择在负荷高峰期或电价低谷区进行需求响应,以缓解当前负荷压力.电、热和冷负荷总响应量分别为10.80、1.94和0.24 MW,其中电负荷峰谷差和方差分别下降45.25%和68.12%,负荷波动明显改善.

4.2.3 鲁棒系数与预测误差系数对优化结果的影响

EV鲁棒随机模型下,预测误差系数(ρ)不同与总成本(F)的变化关系图如图9所示.由图可见,鲁棒系数较小时,ρ值越大,系统成本变化较小.当鲁棒系数Γ=0.4,ρ值不同时,系统成本差异较大.ρ=0.25和ρ=0.3时,系统成本突然降低,这是因为鲁棒系数一定时,误差系数增大导致EV出力的变化范围较大.根据EV出行特性以及系统的优化调度,EV较大的出力可缓解系统用电压力,减少系统用能成本.而当ρ值过小时,鲁棒系数的变化对优化结果的影响并不明显,有可能达不到最佳的结果.当预测误差系数一定时,随着鲁棒系数的增大,系统成本逐渐减小,所得结果在一个较大的区间且较为保守.

图9

图9 EV预测误差系数对系统成本与鲁棒系数关系的影响

Fig.9 Impact of prediction error coefficient of EV on the relationship between system cost and robustness coefficient

在不同鲁棒控制系数下,EV的SOC变化趋势不同.如图10所示,以充电时段为例,2:00和 4:00 的电动汽车SOC随鲁棒系数的增加,呈递减趋势;而在 6:00 则呈递增趋势,原因是在充电阶段,6:00 的电价高于其他阶段.因此,在电价较高时电动汽车SOC随鲁棒系数的增加而增加;反之在电价低的时段,电动汽车SOC随鲁棒系数的增加而减小.

图10

图10 鲁棒控制系数对电动汽车SOC的影响

Fig.10 Impact of robust control coefficient on SOC of EV

4.2.4 最优经济激励价格

为确定最优经济激励价格,假设用户对各经济激励处于积极态度,EV预测误差系数和鲁棒系数分别取0.3和0.8,将需求响应的大小与计划响应量的百分比作为需求响应程度.图11为不同经济激励对用户响应程度(c)与总成本的影响.

图11

图11 不同经济激励用户响应程度与总成本关系

Fig.11 User response versus total cost under different economic conditions

由图11可见,在当前设置的经济激励参数下,经济激励水平低于0.4时,用户需求响应程度较低,缺乏参与需求响应的意愿,同时系统的总成本较大;随着经济激励水平增加,用户参与程度增加,系统成本逐渐下降;当经济激励水平继续升高,用户响应过度;根据式(10)可知,由于实际响应量增加,LA经济惩罚成本增大,所以系统总成本增大.因此,当经济激励为0.4时,系统总成本最低,为121.54万元.

5 结论

建立考虑电动汽车鲁棒随机优化及LA参与的综合能源系统优化调度模型,研究用户DR不确定性,EV出行以及出力不确定性对IES和LA的经济影响,得到以下结论:

(1) 降低IES-LA总成本不仅需要考虑DR的不确定性,也需要考虑EV的不确定性.单一地考虑不确定性,使系统整体失去灵活性,系统成本变大.

(2) 经济激励较大时,用户选择在负荷高峰期或电价低谷区进行需求响应,以缓解负荷压力,改善负荷波动.

(3) EV鲁棒优化的结果受鲁棒系数和预测误差系数的影响.当预测误差系数一定时,随着鲁棒系数增大,系统总成本变小;当鲁棒系数一定时,随着预测误差系数增大,系统总成本同样变小.鲁棒系数越大,即认为系统成本越小,优化结果越保守.

(4) 经济激励的不同导致用户产生差异态度.随着激励增大,用户的响应程度逐渐增大,且系统成本变小.当激励水平逐渐提高时,用户响应过度,LA经济惩罚成本增大,系统总成本变大.

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

丁煜蓉, 陈红坤, 吴军, 等.

计及综合能效的电-气-热综合能源系统多目标优化调度

[J]. 电力系统自动化, 2021, 45(2): 64-73.

DING

Yurong

, CHEN

Hongkun

, WU

Jun

, et al.

Multi-objective optimal dispatch of electricity-gas-heat integrated energy system considering comprehensive energy efficiency

[J]. Automation of Electric Power Systems, 2021, 45(2): 64-73.

[2]

刘文霞, 李征洲, 杨粤, 等.

计及需求响应不确定性的综合能源系统协同优化配置

[J]. 电力系统自动化, 2020, 44(10): 41-49.

LIU

Wenxia

, LI

Zhengzhou

, YANG

Yue

, et al.

Collaborative optimal configuration for integrated energy system considering uncertainties of demand response

[J]. Automation of Electric Power System, 2020, 44(10): 41-49.

DOI:10.1016/j.energy.2020.118022 URL [本文引用: 1]

[3]

WANG

Y L

, MA

Y Z

, SONG

F H

, et al.

Economic and efficient multi-objective operation optimization of integrated energy system considering electro-thermal demand response

[J]. Energy, 2020, 205: 118022.

[4]

王旭

. 考虑电动汽车接入的配电网优化运行研究[D]. 济南: 山东大学, 2020.

WANG

. Research on optimal operation for distribution network with electric vehicle[D]. Jinan: Shandong University, 2020.

[5]

许刚, 张丙旭, 张广超.

电动汽车集群并网的分布式鲁棒优化调度模型

[J]. 电工技术学报, 2021, 36(3): 565-578.

Gang

, ZHANG

Bingxu

, ZHANG

Guangchao

Distributed and robust optimal scheduling model for large-scale electric vehicles connected to grid

[J]. Transactions of China Electrotechnical Society, 2021, 36(3): 565-578.

[6]

杨璐

. 面向不确定性充电需求的电动出租车充电站选址模型研究[D]. 哈尔滨: 哈尔滨工业大学, 2020.

YANG

. Research on location model of electric taxi charging station for uncertain charging demand[D]. Harbin: Harbin Institute of Technology, 2020.

DOI:10.1109/TSG.2016.2547883 URL [本文引用: 1]

[7]

YANG

H M

, ZHANG

, QIU

, et al.

A practical pricing approach to smart grid demand response based on load classification

[J]. IEEE Transactions on Smart Grid, 2018, 9(1): 179-190.

[8]

彭巧, 王秀丽, 邵成成, 等.

计及信息间隙决策理论的含电动汽车充电负荷的微电网多目标规划

[J]. 电力自动化设备, 2021, 41(1): 128-134.

PENG

Qiao

, WANG

Xiuli

, SHAO

Chengcheng

, et al.

Multi-objective planning of microgrid with electric vehicle charging load based on information gap decision theory

[J]. Electric Power Automation Equipment, 2021, 41(1): 128-134.

[9]

葛晓琳, 史亮, 刘亚, 等.

考虑需求响应不确定性的电动汽车负荷Sigmoid云模型预测

[J]. 中国电机工程学报, 2020, 40(21): 6913-6925.

Xiaolin

, SHI

Liang

, LIU

, et al.

Load forecasting of electric vehicles based on sigmoid cloud model considering the uncertainty of demand response

[J]. Proceedings of the CSEE, 2020, 40(21): 6913-6925.

[10]

石文超, 吕林, 高红均, 等.

考虑需求响应和电动汽车参与的主动配电网经济调度

[J]. 电力系统自动化, 2020, 44(11): 41-51.

SHI

Wenchao

, LYU

Lin

, GAO

Hongjun

, et al.

Economic dispatch of active distribution network with participation of demand response and electric vehicle

[J]. Automation of Electric Power Systems, 2020, 44(11): 41-51.

[11]

贾雨龙, 米增强, 余洋, 等.

计及不确定性的柔性负荷聚合商随机-鲁棒投标决策模型

[J]. 电工技术学报, 2019, 34(19): 4096-4107.

JIA

Yulong

, MI

Zengqiang

, YU

Yang

, et al.

Stochastic-robust decision-making model for flexible load aggregator considering uncertainties

[J]. Transactions of China Electrotechnical Society, 2019, 34(19): 4096-4107.

DOI:10.1016/j.apenergy.2019.01.217 URL [本文引用: 1]

[12]

PAN

G S

, GU

, WU

, et al.

Optimal design and operation of multi-energy system with load aggregator considering nodal energy prices

[J]. Applied Energy, 2019, 239: 280-295.

[13]

吴宛潞, 韩帅, 孙乐平, 等.

负荷聚合商多类型需求侧资源激励价格制定一般模型及应用

[J]. 电力建设, 2021, 42(1): 1-9.

DOI:10.12204/j.issn.1000-7229.2021.01.001 [本文引用: 1]

负荷聚合商通过整合需求侧可调资源参与系统运行交易获利,是开展电力需求响应的专业机构。实现多类型需求响应资源的个性化激励定制对进一步灵活管理需求侧资源和增加需求响应效益至关重要,是负荷聚合商核心业务。基于主从博弈原理建立了负荷聚合商激励价格定制通用模型,选取了电动汽车用户及楼宇空调用户,考虑舒适度价格随削减负荷变化情况,在主从博弈架构下构建了含不同舒适度价格需求的楼宇空调用户优化模型和电动汽车充放电行为优化模型。结合Karush-Kuhn-Tucker条件、对偶定理和线性松弛等方法,在负荷聚合商经济损失最小基础上推导出含楼宇空调和电动汽车需求响应激励价格制定的单层混合整数线性规划优化模型。算例表明,所提出的模型可用于负荷聚合商定制楼宇空调用户和电动汽车用户动态激励价格,为负荷聚合商开展需求响应提供参考。

Wanlu

, HAN

Shuai

, SUN

Leping

, et al.

A general incentive pricing model and its application for multi-type demand-side resources of load aggregators

[J]. Electric Power Construction, 2021, 42(1): 1-9.

DOI:10.12204/j.issn.1000-7229.2021.01.001 [本文引用: 1]

A load aggregator is a professional organization to develop power demand response, which integrates demand-side adjustable resources to participate in system operation and market transactions to gain profits. It is very important for further flexible management of demand-side resources and increasing demand-response benefit to realize personalized incentive customization of multiple types of demand-response resources. It is also the core business of load aggregators. In this paper, a general model of incentive price customization for load aggregators is established according to the principle of stackelberg game. Electric-vehicle users and building air-conditioning users are selected as the research object. Considering the impact of comfort price changing with load shedding, an optimization model of building air-conditioning users with different comfort prices and a model for optimizing the charge and discharge behavior of electric vehicles are constructed under the framework of stackelberg game model. Karush-Kuhn-Tucker condition, dual theorem and linear relaxation are used to derive a two-level mixed integer linear programming model with the minimum economic loss of load aggregator. The results show that the proposed model can be effectively used to customize dynamic incentive price of building air-conditioning users and electric-vehicle users for load aggregators, and provide new ideas for demand response.

[14]

刘珮云, 丁涛, 贺元康, 等.

基于综合需求响应的负荷聚合商最优市场交易策略

[J]. 电力自动化设备, 2019, 39(8): 224-231.

LIU

Peiyun

, DING

Tao

, HE

Yuankang

, et al.

Optimal trading strategy for load aggregator based on integrated demand response

[J]. Electric Power Automation Equipment, 2019, 39(8): 224-231.

DOI:10.1016/j.epsr.2018.05.007 URL [本文引用: 1]

[15]

C Y

, ZHAO

R S

, WANG

, et al.

Optimal spatio-temporal scheduling for Electric Vehicles and Load Aggregators considering response reliability

[J]. Electric Power Systems Research, 2018, 162: 183-193.

[16]

JIN

H Y

, TENG

, ZHANG

T Y

, et al.

A deep neural network coordination model for electric heating and cooling loads based on IoT data

[J]. CSEE Journal of Power & Energy Systems, 2020, 6(1): 22-30.

[17]

郭亦宗, 冯斌, 岳铂雄, 等.

负荷聚合商模式下考虑需求响应的超短期负荷预测

[J]. 电力系统自动化, 2021, 45(1): 79-87.

GUO

Yizong

, FENG

Bin

, YUE

Boxiong

, et al.

Ultra-short-term load forecasting considering demand response in load aggregator mode

[J]. Automation of Electric Power Systems, 2021, 45(1): 79-87.

[18]

任惠, 陆海涛, 卢锦玲, 等.

考虑信息物理系统耦合和用户响应差异的负荷聚合商需求响应特性分析

[J]. 电网技术, 2020, 44(10): 3927-3936.

REN

Hui

, LU

Haitao

, LU

Jinling

, et al.

Analysis of LA demand response characteristics considering cyber physical system coupling and user’s response difference

[J]. Power System Technology, 2020, 44(10): 3927-3936.

[19]

余涛

. 电动汽车有序充放电策略与鲁棒优化调度[D]. 长沙: 湖南大学, 2020.

Tao

. Orderly charging and discharging strategy and robust optimal scheduling of electric vehicles[D]. Changsha: Hunan University, 2020.

[20]

邵尹池, 穆云飞, 林佳颖, 等.

“车-站-网”多元需求下的电动汽车快速充电引导策略

[J]. 电力系统自动化, 2019, 43(18): 60-66.

[本文引用: 6]

SHAO

Yinchi

, MU

Yunfei

, LIN

Jiaying

, et al.

Fast charging guidance strategy for multiple demands of electric vehicle, fast charging station and distribution network

[J]. Automation of Electric Power System, 2019, 43(18): 60-66.

[本文引用: 6]

[21]

孙宇军, 王岩, 王蓓蓓, 等.

考虑需求响应不确定性的多时间尺度源荷互动决策方法

[J]. 电力系统自动化, 2018, 42(2): 106-113.

SUN

Yujun

, WANG

Yan

, WANG

Beibei

, et al.

Multi-time scale decision method for source-load interaction considering demand response uncertainty

[J]. Automation of Electric Power System, 2018, 42(2): 106-113.

[22]

王瑾然, 卫志农, 张勇, 等.

计及不确定性的区域综合能源系统日前多目标优化调度

[J]. 电网技术, 2018, 42(11): 3496-3506.

WANG

Jinran

, WEI

Zhinong

, ZHANG

Yong

, et al.

Multi-objective optional day-ahead dispatching for regional integrated energy system considering uncertainty

[J]. Power System Technology, 2018, 42(11): 3496-3506.

[23]

胡枭, 尚策, 陈东文, 等.

考虑能量品质的区域综合能源系统多目标规划方法

[J]. 电力系统自动化, 2019, 43(19): 22-31.

Xiao

, SHANG

, CHEN

Dongwen

, et al.

Multi-objective planning method for regional integrated energy systems considering energy quality

[J]. Automation of Electric Power System, 2019, 43(19): 22-31.

[24]

潘华, 梁作放, 肖雨涵, 等.

多场景下区域综合能源系统的优化运行

[J]. 太阳能学报, 2021, 42(1): 484-492.

PAN

Hua

, LIANG

Zuofang

, XIAO

Yuhan

, et al.

Optimal operation of regional integrated energy system under multiple scenes

[J]. Acta Energiae Solaris Sinica, 2021, 42(1): 484-492.

[25]

许周, 孙永辉, 谢东亮, 等.

计及电/热柔性负荷的区域综合能源系统储能优化配置

[J]. 电力系统自动化, 2020, 44(2): 53-59.

Zhou

, SUN

Yonghui

, XIE

Dongliang

, et al.

Optimal configuration of energy storage for integrated region energy system considering power/thermal flexible load

[J]. Automation of Electric Power Systems, 2020, 44(2): 53-59.

[26]

蒋文超, 严正, 曹佳, 等.

计及柔性负荷的能源枢纽多目标综合优化调度

[J]. 电测与仪表, 2018, 55(13): 31-39.

JIANG

Wenchao

, YAN

Zheng

, CAO

Jia

, et al.

Multi-objective comprehensive optimal dispatch of energy hub considering flexible load

[J]. Electrical Measurement & Instrumentation, 2018, 55(13): 31-39.