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
Optimal Scheduling of Integrated Energy System Considering Integration of Electric Vehicles and Load Aggregators
通讯作者: 邢海军,讲师,电话(Tel.):021-35303155;E-mail:xinghj@shiep.edu.cn.
责任编辑: 王历历
收稿日期: 2022-02-14 修回日期: 2022-03-11 接受日期: 2022-03-21
基金资助: |
|
Received: 2022-02-14 Revised: 2022-03-11 Accepted: 2022-03-21
作者简介 About authors
王精(1994-),硕士生,从事综合能源系统规划优化研究.
充分发挥用户侧调节作用可以降低综合能源系统(IES)能源购买成本.需求响应(DR)和电动汽车(EV)作为用户侧的可调度资源,是IES优化调度的重要调节手段.但实际运行过程中,受负荷聚合商(LA)经济激励和EV出行的影响,用户侧DR的不确定性给IES带来的经济影响不容忽略.基于此,提出考虑EV鲁棒随机优化及LA参与的IES优化运行模型,该模型考虑IES从上级网络的购能成本和LA的经济损失成本等.首先构建基于经济激励的响应率模型和EV不确定性模型;然后建立EV鲁棒优化模型,并分析EV出行不确定性的负荷需求.最后利用仿真算例分析用户DR不确定性和EV不确定性对IES运行经济性以及对功率平衡的影响.仿真结果表明:考虑DR和EV的不确定性可优化IES经济运行、减小LA经济损失、降低系统总成本,验证了所提模型的有效性和经济性.
关键词:
Fully tapping into the role of user side regulation helps reduce the energy cost of integrated energy system (IES). Demand response (DR) and electric vehicle (EV) as schedulable resources on the user side are important regulation means for optimal scheduling of IES. However, in the actual operation process, due to the influence of load aggregator (LA) economic incentives and EV travel, the economic impact of the uncertainty of user side DR on IES cannot be ignored. Based on this, this paper proposes an IES optimal operation model considering the robust stochastic optimization of EV and the participation of LA which considers the energy purchase cost of IES from the superior network and the economic loss cost of LA. First, the response rate model and EV uncertainty model based on economic incentive are constructed. Then, the robust optimization model of EV is built, and the load demand of EV travel uncertainty is analyzed. Finally, a simulation example is given to analyze the impact of user DR uncertainty and EV uncertainty on IES operation economy and power balance. The simulation results show that considering the uncertainty of DR and EV can optimize the economic operation of IES and reduce the economic loss of LA and the total cost, which verifies the effectiveness and economy of the proposed models.
Keywords:
本文引用格式
王精, 邢海军, 王华昕, 彭思佳.
WANG Jing, XING Haijun, WANG Huaxin, PENG Sijia.
此外,随着电动汽车(Electric Vehicle, EV)的普及和快速发展,EV充放电负荷在电网中的比例越来越高,而EV并网[4]及其出行的不确定性不利于电网的安全稳定运行.因此,有必要考虑DR和EV的双重不确定性,对综合能源系统经济优化进行深入研究.
与此同时,负荷聚合商(Load Aggregator, LA)作为DR资源整合,以及能源公司与用户之间的中间商,是合理调控DR、调度需求侧资源的重要载体[12-13].LA作为一个独立运营的经济实体,其运营必然以自身经济利益最大或经济损失最小为目标.LA的盈利来源主要为两部分,一部分为用户经济激励的价格差,另一部分为综合能源运营商的合约补贴.文献[14]中基于LA最大利润,提出基于综合需求响应的电-气-热联合交易策略,该策略有利于提升LA的市场盈利,但是没有考虑用户对不同经济激励的差异性态度导致的不确定性.文献[15]中提出一种考虑响应可靠性的EV和LA时空双层调度模型,但是没有考虑EV的不确定性对LA经济调度的影响.因此,对不同的经济激励下用户DR差异和EV并网过程中存在的充放电不确定性问题的研究具有重要意义.
综上所述,构建不确定性条件下考虑DR和EV的IES优化运行模型,以IES购能成本和LA经济惩罚成本最小为目标函数,以供电平衡、供热平衡、供冷平衡以及供能设备和EV出力限制等为约束条件.其次,针对LA的不同经济激励、需求侧用户对需求响应的差异性态度和EV用户的出行特性,采用蒙特卡洛抽样法进行仿真计算,得到每一个需求侧用户的需求响应量以及EV用户的充电行为,对EV用户的随机出行特性带来的出力不确定性采用鲁棒优化进行处理.最后,计算IES购能成本和LA经济惩罚成本,基于所建模型进行仿真并研究DR和EV的不确定性对功率平衡的影响、鲁棒系数和不同经济激励价格与总成本之间的关系以及最优经济激励的确定.
1 不确定性模型
1.1 基于经济激励的需求响应不确定性模型
如图1所示,建立用户负荷响应率(λ)与经济激励水平(μ)之间的关系.图中的两组曲线分别为乐观和悲观情绪下用户负荷响应率曲线,其中b为饱和激励.图中:
式中:kmax和kmin分别为乐观和悲观情绪下的响应率曲线斜率;
图1
t时刻用户实际负荷响应量为
式中:
经济激励水平μ=μt/με,max,μt为t时刻的经济激励价格,με,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
1.2 电动汽车出行不确定性分析
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
式中:σs为行驶里程均值;μs为标准差.
第m辆EV的日充电需求为
式中:ηEV为EV每千米耗电量;xm为第m辆EV的日行驶里程.
第m辆EV的充电时长为
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
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(Ftotal)最小,包括IES能源购买成本(Fbuy),LA经济损失(Fen)和EV充电成本(FEV),有如下公式表示:
式中:ce和cg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;
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:
式中:
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:
式中:
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:
式中:
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:
式中:Eh,t和Eh,t+1分别为t时刻及t+1时刻HST设备的储能能量;σh为HST设备的自耗率;Ph,ch,t和Ph,dis,t分别为HST设备t时刻的储热和放热功率;ηh,ch和ηh,dis分别为储热和放热的效率;
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:
式中:
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:
式中:
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:
式中:PEV,m,t和
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
令
则式(42)可改写为
将式(41)代入式(44)中,则有
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yt,令yt≥|PEV,m,t|,则:
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
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
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5
表1 分时电价
Tab.1
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
装置 | 参数 |
---|---|
CHP | |
GB | |
EC | |
AR | |
HST | |
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
场景 | 成本 | |||
---|---|---|---|---|
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
图6
图7
图8
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.
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
计及综合能效的电-气-热综合能源系统多目标优化调度
[J].
Multi-objective optimal dispatch of electricity-gas-heat integrated energy system considering comprehensive energy efficiency
[J].
计及需求响应不确定性的综合能源系统协同优化配置
[J].
Collaborative optimal configuration for integrated energy system considering uncertainties of demand response
[J].
Economic and efficient multi-objective operation optimization of integrated energy system considering electro-thermal demand response
[J].DOI:10.1016/j.energy.2020.118022 URL [本文引用: 1]
电动汽车集群并网的分布式鲁棒优化调度模型
[J].
Distributed and robust optimal scheduling model for large-scale electric vehicles connected to grid
[J].
A practical pricing approach to smart grid demand response based on load classification
[J].DOI:10.1109/TSG.2016.2547883 URL [本文引用: 1]
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].
Multi-objective planning of microgrid with electric vehicle charging load based on information gap decision theory
[J].
考虑需求响应不确定性的电动汽车负荷Sigmoid云模型预测
[J].
Load forecasting of electric vehicles based on sigmoid cloud model considering the uncertainty of demand response
[J].
考虑需求响应和电动汽车参与的主动配电网经济调度
[J].
Economic dispatch of active distribution network with participation of demand response and electric vehicle
[J].
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].
Stochastic-robust decision-making model for flexible load aggregator considering uncertainties
[J].
Optimal design and operation of multi-energy system with load aggregator considering nodal energy prices
[J].DOI:10.1016/j.apenergy.2019.01.217 URL [本文引用: 1]
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].
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。
A general incentive pricing model and its application for multi-type demand-side resources of load aggregators
[J].
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.
基于综合需求响应的负荷聚合商最优市场交易策略
[J].
Optimal trading strategy for load aggregator based on integrated demand response
[J].
Optimal spatio-temporal scheduling for Electric Vehicles and Load Aggregators considering response reliability
[J].DOI:10.1016/j.epsr.2018.05.007 URL [本文引用: 1]
A deep neural network coordination model for electric heating and cooling loads based on IoT data
[J].
负荷聚合商模式下考虑需求响应的超短期负荷预测
[J].
Ultra-short-term load forecasting considering demand response in load aggregator mode
[J].
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].
Analysis of LA demand response characteristics considering cyber physical system coupling and user’s response difference
[J].
“车-站-网”多元需求下的电动汽车快速充电引导策略
[J].
Fast charging guidance strategy for multiple demands of electric vehicle, fast charging station and distribution network
[J].
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].
Multi-time scale decision method for source-load interaction considering demand response uncertainty
[J].
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].
Multi-objective optional day-ahead dispatching for regional integrated energy system considering uncertainty
[J].
考虑能量品质的区域综合能源系统多目标规划方法
[J].
Multi-objective planning method for regional integrated energy systems considering energy quality
[J].
多场景下区域综合能源系统的优化运行
[J].
Optimal operation of regional integrated energy system under multiple scenes
[J].
计及电/热柔性负荷的区域综合能源系统储能优化配置
[J].
Optimal configuration of energy storage for integrated region energy system considering power/thermal flexible load
[J].
/
〈 |
|
〉 |
