潘振寧, 王克英, 瞿凱平, 余 濤, 王德志, 張孝順

(1. 華南理工大學電力學院, 廣東省廣州市 510640; 2. 廣東省綠色能源技術重點實驗室, 華南理工大學, 廣東省廣州市 510640)

0 引言

經濟的高速發(fā)展在給人類生活帶來巨大改變的同時,也引發(fā)了能源枯竭、環(huán)境污染等問題。能源互聯(lián)網是融合了電力、天然氣、交通等網絡形成的復雜系統(tǒng),其概念和理論的提出顛覆了傳統(tǒng)以單一能源系統(tǒng)為主的調度模式,為實現(xiàn)資源的高效利用和保證能源供應安全提供了重要保障[1]。

能源互聯(lián)網的核心和亟待解決的問題是如何有效實現(xiàn)多能源系統(tǒng)的協(xié)調運行,國內外已對此進行了大量研究。文獻[2]給出了能源中心(energy hub,EH)的基本架構并建立了能源中心的通用模型。文獻[3]分析了當前對多能源系統(tǒng)的研究現(xiàn)狀和進展,指出多能源系統(tǒng)的發(fā)展趨勢與關鍵技術。文獻[4]建立了考慮風電出力不確定性的多能源系統(tǒng)在線魯棒性經濟調度模型。文獻[5]研究了孤島下多能源系統(tǒng)的最優(yōu)需求響應問題。文獻[6]分析了多能源系統(tǒng)下,能源中心間的競爭博弈策略。文獻[7]建立了含電轉氣(power to gas,P2G)的多能源系統(tǒng)模型,并分析了多能源系統(tǒng)對于提升風電消納能力的效益。文獻[8]研究了電—氣互聯(lián)系統(tǒng)的概率最優(yōu)潮流問題。大量研究都驗證了多能源系統(tǒng)的協(xié)同調度在改善系統(tǒng)運行效益方面具有傳統(tǒng)調度模型不可比擬的優(yōu)勢。

電動汽車(electric vehicle,EV)相比于傳統(tǒng)汽車,在保護環(huán)境、緩解能源危機等方面具有巨大優(yōu)勢,結合電動汽車入網(vehicle to grid,V2G)技術,必將對電網運行帶來深刻影響[9]。已有大量文獻在EV參與經濟調度[10]、調頻[11]、新能源協(xié)同優(yōu)化方面[12]做了研究,但目前對于EV參與多能源系統(tǒng)協(xié)同優(yōu)化的研究還較少,實際上,由于各能源系統(tǒng)運行聯(lián)系緊密,因此需要研究多能源系統(tǒng)下EV的調度策略。同時,EV以何種形態(tài)的模型參與日前協(xié)同調度仍然有改進的空間。文獻[13]在規(guī)定EV充放電模式的情況下建立了微網調度模型;文獻[14]建立經濟調度模型時以EV數(shù)量作為充放電功率約束條件,該方法沒有考慮到EV的實際消納能力,實際運行結果與調度結果可能產生偏差;文獻[15]以單臺EV為單位建立了日前調度模型,該方法在提高優(yōu)化精度的同時也增加了計算難度,可能產生維數(shù)災難的問題。文獻[16-17]提出了一種依照EV自身特性進行分群,以EV群體的方式參與優(yōu)化的調度策略,該方法兼具群體和單一模型的優(yōu)勢,具有較好的可行性。

隨著能源互聯(lián)網的發(fā)展和EV的普及,如何實現(xiàn)多能源系統(tǒng)和EV的協(xié)同調度是能源互聯(lián)網下“源—網—荷”協(xié)同優(yōu)化中必須面對的問題?；谝陨峡紤],本文根據(jù)車主出行統(tǒng)計規(guī)律,提出了EV集群日前調度模型,建立了考慮風電波動及EV充電需求不確定性的大規(guī)模EV參與多能源系統(tǒng)協(xié)同調度優(yōu)化模型,利用模糊理論及可信性理論將模型轉換為確定性模型,以11節(jié)點多能源系統(tǒng)為算例,驗證模型的有效性。

1 能源中心簡介

能源中心可視為各個能源網絡之間的耦合部分。典型的多能源系統(tǒng)及能源中心結構見圖1。

圖1 多能源系統(tǒng)架構Fig.1 Structure of multi-energy system

一個能源中心包含著多種不同能源的輸入、轉換和輸出形式。能源中心在運行時,電能通過變壓器和電力網絡傳輸給電力負荷、天然氣通過天然氣網傳輸給天然氣負荷的過程稱為直接傳輸,此過程不包含能源類型的轉換。一方面,燃氣鍋爐可將天然氣轉換為熱能,燃氣輪機通過使用天然氣發(fā)電向電網提供電能,實現(xiàn)電網和氣網耦合的同時也產生熱能供給熱負荷,熱能的提供還可以通過熱泵及燃氣鍋爐實現(xiàn)。另一方面,電轉氣設備又可以將電能轉換為天然氣[7],這些使能源類型相互轉化的設備稱為轉換器。建模時可將具有ω個輸入、φ個輸出的能源中心抽象成以下數(shù)學方程:

L=ηυP

(1)

式中:L為φ維負荷向量;η為能源中心各轉換設備效率的效率矩陣,為φ×ω階矩陣;υ為各形式能源通過不同轉換設備比例的調度系數(shù)矩陣,為ω×ω階矩陣；P為ω維功率向量。

在能源中心優(yōu)化運行過程中,忽略由工況變化引起的效率變化,因此將效率矩陣視為常數(shù)矩陣。通過改變調度系數(shù)和能源輸入,決定各設備的運行狀態(tài),確定能源中心內部能源流向和出力,從而起到調節(jié)各能源網絡運行狀況的目的,在滿足多種負荷需求的基礎上實現(xiàn)優(yōu)化運行的目標。

2 計及不確定性的EV集群日前調度模型

隨著EV的普及,因其具有移動儲能特性和可轉移負荷的特性,可以預見,未來EV將在電力系統(tǒng)運行中扮演著重要的負荷角色。建立合理的EV日前調度模型,合理制定充放電計劃,利用其作為一種主動負荷參與多能源系統(tǒng)的優(yōu)化,可以進一步改善系統(tǒng)的運行特性。由于EV參與調度將會導致系統(tǒng)信息流量的大幅提高,因此信息不可能全部傳送到調度中心進行集中決策。依照文獻[18]提出的能量管理系統(tǒng)家族的概念,可以在各能源中心設立一個區(qū)域電動汽車能量管理中心(EV-distributed energy management system, EV-DEMS)實現(xiàn)對該能源中心覆蓋區(qū)域內EV信息的統(tǒng)一收集并上報至系統(tǒng)調度中心,調度中心根據(jù)各EV-DEMS上報的信息和多能源系統(tǒng)運行的預測信息進行日前調度策略的制定。

與傳統(tǒng)儲能設備不同,EV作為一種“移動”的負荷,其充電行為對于電網而言,不確定性體現(xiàn)在接入電網、離開電網時間的不確定性,充電需求的不確定性及電池特性的不確定性。EV日前需求預測可以采用蒙特卡洛法對大規(guī)模EV的充電行為進行建模,也可以采用日前申報機制[10],由車主上報次日的出行時間及需求給EV-DEMS。由于單臺EV的行駛行為和充電行為具有很大的隨機性,無論采用哪種方法都不能夠保證實際需求與預測需求的吻合度,并且當車數(shù)增加,仍以單臺車為調度對象會產生維數(shù)災難的問題。因此,在建立日前調度模型時,不現(xiàn)實也沒必要對單臺EV的具體行為及具體約束進行建模。而當EV的數(shù)量達到一定規(guī)模時,EV作為群體的行為規(guī)律便相當穩(wěn)定,充電需求的預測值與實際值吻合度較高,制定的相應策略也具有較好的可執(zhí)行度。

文獻[19]根據(jù)北京市居民通勤用車的行駛數(shù)據(jù),給出了典型工作日下考慮日間、夜間一日兩充的EV行為模型,如附錄A圖A1所示?？梢钥闯鯡V日間和夜間接入電網和離開電網的時間都相對集中于07:00—10:00和16:00—19:00之內,在其余時段內接入和離開的汽車數(shù)量很少,因此在建立EV日前調度模型時可以考慮將具有相同接入時間和離開時間的汽車視作一個EV集群,將大量EV劃分為若干個集群。同一集群內的所有車輛可等效為一臺汽車進行處理,調度中心可根據(jù)歷史數(shù)據(jù)預測各集群的充電需求,制定合理的調度計劃,在各集群的離開時間之前完成充電需求電量的供應,如此在保證日前調度精度的情況下可極大地減少計算中的變量。

以附錄A圖A1為例,根據(jù)各時段EV接入和離開的概率密度曲線,可忽略零散接入的少部分汽車,考慮絕大部分汽車的充電需求,可建立EV集群化日前調度模型,劃分規(guī)則見表1。

表1 EV集群劃分規(guī)則Table 1 Division rule of EV clusters

對于其余少量的汽車,可將其充電需求就近并入鄰近的集群中(如18:00接入,次日09:00離開的EV的充電需求可歸入集群10),這樣便可在不增加計算難度時盡量提升模型的精度。

將EV集群化之后,各集群的特性可用單輛EV的特性描述如下:

(2)

(3)

(4)

式中:Di為集群i充電需求的參考值;M為集群i日前預測的EV數(shù)量;SSOC,end,i,m,SSOC,start,i,m,di,m分別為集群i中第m輛車的期望荷電狀態(tài)、接入時的荷電狀態(tài)和充電需求,ci,m,max為該車的電池容量,以上單輛車的數(shù)據(jù)可采用歷史數(shù)據(jù)或蒙特卡洛仿真法獲得;Pi,t為集群i于t時刻的充放電出力;Tend,i和Tstart,i分別為集群i的離開時間和接入時間。

式(2)用以計算EV集群i日前預測的充電需求;式(3)表示集群i各時刻的充放電電量之和需滿足整個集群的充電需求;式(4)表示集群i各時刻的充放電功率需在集群消納能力之內,其中pc,i,m,max和pd,i,m,max分別表示集群i中第m輛車的充放電極限,若不考慮V2G過程,則該式的下界為0。

每個節(jié)點的EV充放電總功率為節(jié)點內所有EV集群充放電功率之和:

(5)

式中:Pev,n,t為節(jié)點n在t時刻的EV充放電總功率;I為集群總數(shù)。

受實際運行中EV行為隨機性的影響,各集群內可參與調度的汽車數(shù)量及需求都具有一定誤差,這種不確定性將表現(xiàn)為集群總充電需求和充放電極限的不確定性,故模型將集群總充電需求和充放電極限視為不確定參數(shù),并采用模糊參數(shù)來描述它們的不確定性。本文采用三角隸屬度函數(shù)來描述各不確定量:

(6)

(7)

(8)

采用模糊參數(shù)表示不確定性后,基于可信性理論,原EV集群充電需求平衡方程(式(3))與各時段出力限制方程(式(4))轉變?yōu)榭尚判詸C會約束[20]:

(9)

(10)

式中:α為可信性置信水平。

EV集群化日前調度模型根據(jù)實際情況,以群整體優(yōu)化方式在減少計算難度的同時盡可能使模型更精細,保證了調度結果具有較高的可執(zhí)行性。實際運行時,EV-DEMS可根據(jù)當日實際的汽車接入情況和日前調度策略,考慮單臺車的初始電量、停留時間、精確充電需求等具體約束,跟蹤日前策略并制定相應的下層功率分配計劃將策略分配到每臺車,通過實時優(yōu)化的方式實現(xiàn)對日前調度策略的響應[17]。

3 考慮EV及風電不確定性的多能源系統(tǒng)協(xié)同調度模型

3.1 目標函數(shù)

本文以圖1中所示的典型能源中心為研究對象,站在多能源系統(tǒng)調度者的角度,考慮到大量EV接入并參與系統(tǒng)調度的情況,以能源中心各設備運行變量、各節(jié)點EV充放電功率、電網和氣網的狀態(tài)量為優(yōu)化決策變量,計及電網潮流、天然氣輸氣網潮流、能源中心運行約束,電、氣、熱負荷需求約束,EV需求及相關運行約束,以一天內全系統(tǒng)供能成本和污染物排放最小為目標,因熱能無法遠距離傳輸,本文假設熱能在各節(jié)點就地消納,故文中只考慮電網與天然氣輸氣網的建模。

模型的目標函數(shù)可表示為:

(11)

式中:Ωelec為發(fā)電機組集合;Ωgas為天然氣源集合;T為一個調度中期內包含的時段數(shù),本文中為24 h;ai,bi,ci為各發(fā)電機組或天然氣源的成本系數(shù);Pin,i,t為第i個火力發(fā)電機組或天然氣源于t時刻的出力;本文中污染物排放考慮火電機組產生的SO2,ui,vi,wi為污染物排放系數(shù)。

3.2 約束條件

3.2.1能源中心約束條件

優(yōu)化過程中,各能源中心于各時段都需滿足運行約束:

(12)

能源中心里變壓器、電轉氣設備、燃氣輪機、燃氣鍋爐、熱泵需滿足下列運行約束:

(13)

式中:下標max和min分別表示上下限;Ptrans,t為變壓器t時刻的功率；PCHP,D和PCHP,U分別為燃氣輪機向下和向上爬坡的功率極限。

儲氣設備在運行時需滿足以下約束:

(14)

式中:Pgss,min和Pgss,max分別是儲氣設備向下和向上爬坡的功率極限;Sgss,min和Sgss,max分別為儲氣設備儲氣狀態(tài)最小值和最大值,文中分別取為0.2和0.9;Sgss(t-1)為t-1時刻的儲氣狀態(tài);Cgss,max為儲氣設備最大儲氣容量。為使調度策略具有可持續(xù)性,規(guī)定在日前調度結束時刻儲氣狀態(tài)回到0.5。

3.2.2電網潮流約束

多能源系統(tǒng)運行過程中,需滿足電力系統(tǒng)網絡約束,如下式所示:

(15)

(16)

PGi,min≤PGi≤PGi,maxi=1,2,…,NG

(17)

QGi,min≤QGi≤QGi,maxi=1,2,…,NG

(18)

Vi,min≤Vi≤Vi,maxi=1,2,…,NB

(19)

Pl,min≤Pl≤Pl,maxl=1,2,…,NL

(20)

PGi,D≤PGi,t-PGi,t-1≤PGi,U

i=1,2,…,NG,t=1,2,…,T

(21)

式中:PGi和QGi分別為節(jié)點i發(fā)電機發(fā)出的有功功率和無功功率;PDi和QDi分別為節(jié)點i的有功負荷和無功負荷,其中因EV充放電產生的無功功率依照文獻[15]計算;gij,bij,θij分別為節(jié)點ij之間的電導、電納和相角;Vi為節(jié)點i的電壓;Pl為支路l流過的有功功率;PGi,D和PGi,U分別為機組向下和向上爬坡的功率極限;NG,NB,NL分別為發(fā)電機、節(jié)點和支路個數(shù)。

式(15)和式(16)為節(jié)點功率平衡約束、式(17)和式(18)為發(fā)電機有功和無功出力上下限約束、式(19)為節(jié)點電壓約束、式(20)為線路傳輸功率約束、式(21)為機組爬坡約束。

本文將風電場出力作為決策變量,因實際風速波動具有不確定性,故將風電可調度的最大出力采用模糊參數(shù)描述[20],并用三角隸屬度函數(shù)表示,風電調度出力的可信性機會約束為:

(22)

(23)

電力系統(tǒng)還須滿足正、負旋轉備用約束:

(24)

式中:LD和LU分別為正、負旋轉備用的需求系數(shù);NGf為火電廠個數(shù);NCHP為燃氣輪機個數(shù);NW為風電場個數(shù)。

3.2.3天然氣網潮流約束

典型的天然氣網絡建模需要考慮天然氣管道、加壓站和儲氣設備等,管道間的天然氣流量、天然氣節(jié)點氣壓和加壓站系數(shù)是反映整個氣網運行情況的重要參數(shù)。整個天然氣網的節(jié)點流量平衡方程如下:

(25)

式中:A為天然氣網絡管道—節(jié)點關聯(lián)矩陣;U為加壓站—節(jié)點關聯(lián)矩陣,A+U為天然氣網絡的支路—節(jié)點關聯(lián)矩陣;f為支路氣流量;w為節(jié)點凈流量;T為加壓站消耗流量與節(jié)點的關聯(lián)矩陣;τ為加壓站消耗的氣流量。

天然氣管道和加壓站的模型如附錄A圖A2所示,兩個天然氣節(jié)點間氣流量和節(jié)點氣壓需滿足以下關系:

(26)

式中:fkn為節(jié)點k至n管道內的天然氣流量;kkn為輸氣管道傳輸系數(shù),其數(shù)值與管道的物理特性和氣溫等因素有關;pk和pn分別為節(jié)點k和n的氣壓。

加壓站通過對管道內的氣體進行增壓以彌補傳輸過程中的壓力損耗,同時需要消耗一部分氣流量fcom。加壓站的數(shù)學模型可以描述為[7-8]:

fmn=fcom+fkn

(27)

fcom=kcomfkn(pk-pm)

(28)

式中:kcom為加壓站特性常數(shù)。

除了上述管道和加壓站等式約束外,天然氣網絡還需滿足氣源注入功率約束、各節(jié)點氣壓上下限約束和加壓站加壓比約束:

(29)

式中:NS,NN,NC分別為氣源、節(jié)點和加壓站個數(shù);Pgi為節(jié)點i氣源的注入功率;pk/pm為加壓站加壓比;Ri,max和Ri,min分別為加壓站加壓比上下限。

3.3 模型求解

模型中包含模糊機會約束方程,可依照文獻[20]方法直接轉換成清晰等價類形式進行求解[20-22],具體過程不再贅述。

對于多目標優(yōu)化問題,本文采用模糊集理論的模糊決策方法,將經濟與環(huán)境兩個目標分別轉換為隸屬度函數(shù),以其中最小的隸屬度函數(shù)作為滿意度指標,將多目標優(yōu)化問題轉換為最大化滿意度指標的單目標優(yōu)化問題[20],避免了傳統(tǒng)加權法主觀性較強的問題。

各目標的隸屬度函數(shù)為:

(30)

式中:Fi(x)為第i個目標的目標值,Fi,max和Fi,min為其最大值與最小值,文中以單獨優(yōu)化其中某一目標時,另一個目標的取值作為該目標的最大值。

轉換后的單目標問題可以表示為:

(31)

考慮了EV參與協(xié)同優(yōu)化之后,求解模型時需要計算考慮多個時段耦合的多能源系統(tǒng)最優(yōu)潮流。因此,該優(yōu)化問題是一個大規(guī)模的非線性優(yōu)化問題,求解算法時可采用傳統(tǒng)的數(shù)學解法或新興的人工智能算法,因優(yōu)化模型含有較多約束,利用智能算法求解較為困難,因此本文采用MATLAB R2016a進行建模,調用優(yōu)化軟件GAMS使用內點法求解器IPOPT進行求解。

4 算例分析

為驗證所提模型的有效性,本文以11節(jié)點多能源系統(tǒng)為測試算例。系統(tǒng)拓撲及各能源中心對應的電力系統(tǒng)、天然氣系統(tǒng)節(jié)點編號如圖2與表2所示。

圖2 11節(jié)點多能源系統(tǒng)拓撲Fig.2 Topology of 11-node multi-energy system

能源中心節(jié)點電力系統(tǒng)節(jié)點天然氣系統(tǒng)節(jié)點122233344455566699710108111191212101313111414

如圖2所示,11節(jié)點多能源系統(tǒng)包含14節(jié)點電力系統(tǒng)與20節(jié)點天然氣系統(tǒng)。系統(tǒng)功率以100 MVA為基準值,文中所涉及的參數(shù)如無特殊說明,皆為標幺值。供能成本用金融單位(monetary unit)表示。假設該區(qū)域內共有55 000臺EV,按典型工作日一日兩充的行為進行建模,日前預測各能源中心接入EV為5 000臺,并對各節(jié)點接入的EV按上文提到集群劃分方式建立的集群日前調度模型。全天優(yōu)化時段從08:00至次日08:00,共分為24個優(yōu)化時段,各時段間隔為1 h,第一個時段為08:00。為分析EV不同的充放電模式和能源中心內部組成對于調度結果的影響,其中,EV的充放電模式為慢充,分為無序充電(接入電網后即以最大功率充電直至充滿)、固定充放電模式[10](夜間接入的EV采取先放電到最低限度,后充電的策略)、有序充電(不考慮V2G)、有序充放電(考慮V2G),能源中心結構分為不含電轉氣和儲氣設備、含電轉氣但不含儲氣設備、含電轉氣和儲氣設備的能源中心作為不同情景進行模擬并分析計算結果。系統(tǒng)中的發(fā)電機、氣源、線路、EV、能源中心內部設備參數(shù)、節(jié)點各時段負荷、日內風電最大期望出力及隸屬度參數(shù)見附錄A表A1至表A5。除非特別說明,算例中的置信水平均取為90%。

所有仿真均在Intel(R) Core(TM)i7-6700,3.40 GHz,RAM為8 GB的PC機上進行。

4.1 不同系統(tǒng)下的計算結果分析

為驗證多能耦合系統(tǒng)下EV調度的優(yōu)勢,比較了下面3種情形下的優(yōu)化結果。

情形1:僅含電力系統(tǒng)的優(yōu)化結果。

情形2:多能耦合系統(tǒng)下非協(xié)同調度下的結果。

情形3:多能耦合系統(tǒng)下協(xié)同調度下的結果。

其中,情形1下電力系統(tǒng)負荷為常規(guī)電負荷、EV負荷和50%供熱負荷,不含燃氣輪機與電轉氣設備,情形2下電力系統(tǒng)與天然氣系統(tǒng)分別負責50%供熱,不含電轉氣設備,優(yōu)化結果如表3所示,其中各成本用金融單位表示。

表3 不同情形下的計算結果Table 3 Results in different cases

由表3可以看出,單純只針對電力系統(tǒng)下的計算結果無論在經濟效益還是在環(huán)境效益上都是最差的。和非協(xié)調調度相比,協(xié)同調度無論是在經濟效益還是環(huán)境效益上都有著巨大的提高。其中,天然氣供能成本雖有6.7%的上升,但電力系統(tǒng)供能成本降低了28.9%,并且總供能成本降低了4.6%。仿真結果說明了與僅針對電力系統(tǒng)的傳統(tǒng)調度、多能耦合系統(tǒng)非協(xié)同調度相比,多能耦合系統(tǒng)下的協(xié)同調度的優(yōu)勢巨大,能夠獲取更大的經濟與環(huán)境效益。

4.2 EV不同充放電模式下的計算結果分析

該部分假設所有的能源中心均含電轉氣設備和儲氣裝置,EV不同充放電模式下的優(yōu)化結果見表4,其中模式1為無序充電,模式2為固定充放電,模式3為有序充電,模式4為有序充放電。

表4 不同充放電模式下的計算結果Table 4 Results in different charge/discharge modes

由表4可以看出,EV參與多能源系統(tǒng)協(xié)同調度可以降低全系統(tǒng)供能成本并減少污染物排放。同無序充電相比,通過有序充電可以降低全系統(tǒng)供能成本約1.3%并降低污染物排放約5.7%,模式4利用V2G技術則可以進一步優(yōu)化系統(tǒng)的運行狀況。固定充放電模式下系統(tǒng)的經濟與環(huán)境成本在4種模式中皆最為惡劣,說明EV參與多能源系統(tǒng)協(xié)同調度需要靈活地制定充放電計劃,固定、死板的調度模式在面對大量EV接入時可能會產生適得其反的效果。

從附錄A圖A3至圖A5可以看出,在電力負荷高峰時段,多能源系統(tǒng)會加大天然氣供電比例來支撐電力系統(tǒng)的運行且實現(xiàn)聯(lián)合供熱。模式1下的EV負荷會形成早晚兩個充放電高峰,模式2下也會在充放電切換時刻(15:00)產生較大的負荷波動,形成很大的峰谷差,不利于系統(tǒng)的安全穩(wěn)定運行。模式3和4下EV集群總充放電功率如附錄A圖A4所示,各集群的充放電功率見附錄A圖A6和圖A7?？梢钥闯?有序充/放電下的EV總負荷與發(fā)電機出力的波動相對較為平穩(wěn),在熱、電負荷的高峰時段模式3通過降低EV的充電負荷,模式4還可以通過V2G送出一部分電能支撐電網運行,并將充電負荷轉移至風電出力較大的時段,從而降低了天然氣的供電比例和火電機組出力,實現(xiàn)了系統(tǒng)的經濟運行。上述結果證明了多能源系統(tǒng)下的各組成部分是相互聯(lián)系、緊密耦合的,EV參與多能源系統(tǒng)的協(xié)同優(yōu)化在降低系統(tǒng)供能成本和污染排放的同時也在一定程度上實現(xiàn)了“削峰填谷”,改善了系統(tǒng)的運行狀況。

由于風力發(fā)電不需要燃料成本并且不會產生污染物排放,消納盡可能多的風電是實現(xiàn)系統(tǒng)經濟運行與環(huán)境友好的重要途徑。由附錄A圖A4、圖A6和圖A7可以看出,模式3和4下EV集群的總充放電計劃的制定與風電出力的波動息息相關。在風電出力較大的時段,模式3和4下EV總充放電功率也相應增大,并且大部分充電負荷集中在電力負荷較低并且風電出力較為富余的時段。模式1和2下由于固定了EV的充放電行為,因此系統(tǒng)在風電出力增加的時段已無力消納多余的功率,可能出現(xiàn)“棄風”的現(xiàn)象。

4.3 不同能源中心結構下的計算結果分析

能源中心內部設備的不同對系統(tǒng)運行有著較大影響,該部分以固定EV的數(shù)量(各能源中心有5 000臺EV)情形分析不同能源中心結構下的計算結果。能源中心按照內部設備的不同可分為以下4種結構,各算例中所有能源中心都保持一致的結構。

結構1:不含電轉氣和儲氣設備。

結構2:含電轉氣但不含儲氣設備。

結構3:含儲氣但不含電轉氣設備。

結構4:含儲氣和電轉氣設備。

不同結構下的供能成本和污染物排放量如附錄A表A6所示,可以看出,在無序充電下,結構2的供能成本較之結構1有所下降,污染物排放下降約6%,而結構2和4下的調度結果十分相近?？梢缘贸?引入電轉氣和儲氣設備都可以改善系統(tǒng)的運行狀況,但系統(tǒng)供能成本的降低與節(jié)能減排的實現(xiàn)主要歸功于電轉氣設備的引入。這是因為電轉氣設備可以將多余的風電轉換為天然氣使用,增加了清潔能源的利用率,而儲氣設備則不具備此功能。

在有序充電下,引入電轉氣和儲氣設備雖然能夠改善系統(tǒng)運行狀況,但4種模式的調度結果都十分相近,即使系統(tǒng)不含有電轉氣或儲氣設備,整個系統(tǒng)也能夠經濟且清潔地運行,表明EV參與多能源系統(tǒng)協(xié)同優(yōu)化調度對于降低系統(tǒng)的投資建設成本,減少不必要的資金投入有著重要意義。

4.4 不同調度目標下的計算結果分析

該部分比較了EV以有序充電的方式參與多能源系統(tǒng)協(xié)同調度的背景下,不同目標函數(shù)下的調度結果,如附錄A表A7所示?？梢钥闯?若只追求經濟性,則燃氣輪機將不參與多能源系統(tǒng)的運行,系統(tǒng)將增大火電機組的出力實現(xiàn)供熱需求,此時系統(tǒng)供能成本最低但污染物排放量巨大;若只追求環(huán)保,則系統(tǒng)將加大燃氣輪機發(fā)電同時實現(xiàn)供熱,熱泵將不參與系統(tǒng)運行,此時系統(tǒng)污染物排放可減少一半以上,但卻增加了大量額外的供能成本,這是因為火電相比于天然氣發(fā)電有著較大的成本優(yōu)勢,而天然氣發(fā)電在降低污染物排放上優(yōu)勢巨大,因此,若只考慮單一目標運行就不能夠發(fā)揮出多能源系統(tǒng)優(yōu)勢互補的特點。綜合考慮環(huán)境與經濟效應,采用多目標優(yōu)化可以均衡各系統(tǒng)的出力,達到兼顧環(huán)境與經濟運行的最優(yōu)狀態(tài)。

4.5 不同置信水平和接入車數(shù)下的計算結果分析

附錄A表A8給出了不同置信水平和不同EV數(shù)量下的調度結果。置信水平反映了調度策略對于風險的把控,機會約束的置信水平越高,系統(tǒng)運行的供能成本與污染物排放量皆有所上升。這是因為置信水平越高,系統(tǒng)將更多考慮EV集群日前預測的充電需求不確定性和風電波動帶來的約束條件越限的風險,通過更為保守的調度來降低運行風險水平。

隨著EV數(shù)量的增加,系統(tǒng)的供能成本與污染物排放量皆有明顯的上升,但在有序充電模式下各指標的上升幅度明顯小于無序充電,因此,隨著未來EV滲透率的不斷增大,其參與系統(tǒng)協(xié)同運行調度帶來的節(jié)能環(huán)保效應也更加突出。

5 結語

本文考慮大量EV參與多能源系統(tǒng)日前協(xié)同調度的情形,首次建立了大量EV參與多能源系統(tǒng)協(xié)同優(yōu)化模型,對實現(xiàn)能源互聯(lián)網框架下的“源—網—荷”協(xié)同優(yōu)化調度進行了初步的探索和嘗試。通過算例分析得出以下結論。

1)多能源耦合系統(tǒng)協(xié)同調度與傳統(tǒng)電力系統(tǒng)調度、非協(xié)同調度相比,能夠獲得更大的經濟與環(huán)境效益。

2)EV充放電模式對優(yōu)化結果有著較大影響。與無序充電相比,EV參與多能源系統(tǒng)協(xié)同優(yōu)化對降低供能成本和降低污染物排放具有明顯的作用。

3)引入電轉氣和儲氣設備可以有效降低無序充電給多能源系統(tǒng)帶來的不利影響。EV進行有序充電在很大程度上起到了電轉氣和儲氣設備帶來的積極作用,可以降低系統(tǒng)投資建設費用。

4)日前預測的EV集群需求和風電最大出力波動的不確定性會對調度結果產生一定的影響,調度決策需要綜合考慮運行效益和風險的協(xié)調。

本文的后續(xù)工作將著手于研究電力市場下多能源系統(tǒng)的優(yōu)化運行方式,考慮熱/冷網的約束,并研究大規(guī)模節(jié)點下的模型解耦和求解方法,進一步提升模型的實用性。

附錄見本刊網絡版(http://www.aeps-info.com/aeps/ch/index.aspx)。

[1] RIFKIN J. The third industrial revolution: how lateral power is transforming energy, the economy, and the world [M]. New York, USA: Palgrave MacMillan, 2011.

[2] GEIDL M, KOEPPEL G, FAVRE-PERROD P, et al. Energy hubs for the future[J]. IEEE Power and Energy Magazine, 2007, 5(1): 24-30.

[3] 賈宏杰,王丹,徐憲東,等.區(qū)域綜合能源系統(tǒng)若干問題研究[J].電力系統(tǒng)自動化,2015,39(7):198-207.DOI:10.7500/AEPS20141009011.

JIA Hongjie, WANG Dan, XU Xiandong, et al. Research on some key problems related to integrated energy systems[J]. Automation of Electric Power Systems, 2015, 39(7): 198-207. DOI: 10.7500/AEPS20141009011.

[4] MOEINI-AGHTAIF M, DEHGHANIAN P, FOTUHI-FIRUZABAD M, et al. Multi-agent genetic algorithm: an online probabilistic view on economic dispatch of energy hubs constrained by wind availability[J]. IEEE Transactions on Sustainable Energy, 2014, 5(2): 699-708.

[5] SOLANKI B V, RAGHURAJAN A, BHATTACHARYA K, et al. Including smart loads for optimal demand response in integrated energy management systems for isolated microgrids[J]. IEEE Transactions on Smart Grid, 2017, 8(4): 1739-1748.

[6] SHEIKHI A, RAYATI M, BAHRAMI S, et al. Integrated demand side management game in smart energy hubs[J]. IEEE Transactions on Smart Grid, 2015, 6(2): 675-683.

[7] 李楊,劉偉佳,趙俊華,等.含電轉氣的電-氣-熱系統(tǒng)協(xié)同調度與消納風電效益分析[J].電網技術,2016,40(12):3680-3688.

LI Yang, LIU Weijia, ZHAO Junhua, et al. Optimal dispatch of combined electricity-gas-heat energy systems with power-to-gas devices and benefit analysis of wind power accommodation[J]. Power System Technology, 2016, 40(12): 3680-3688.

[8] 孫國強,陳霜,衛(wèi)志農,等.計及相關性的電-氣互聯(lián)系統(tǒng)概率最優(yōu)潮流[J].電力系統(tǒng)自動化,2015,39(21):11-17.DOI:10.7500/AEPS20150611006.

SUN Guoqiang, CHEN Shuang, WEI Zhinong, et al. Probabilistic optimal power flow of combined natural gas and electric system considering correlation[J]. Automation of Electric Power Systems, 2015, 39(21): 11-17. DOI: 10.7500/AEPS20150611006.

[9] 胡澤春,宋永華,徐智威,等.電動汽車接入電網的影響與利用[J].中國電機工程學報,2012,32(4):1-10.

HU Zechun, SONG Yonghua, XU Zhiwei, et al. Impacts and utilization of electric vehicles integration into power systems[J]. Proceedings of the CSEE, 2012, 32(4): 1-10.

[10] 姚偉鋒,趙俊華,文福拴,等.基于雙層優(yōu)化的電動汽車充放電調度策略[J].電力系統(tǒng)自動化,2012,36(11):30-37.

YAO Weifeng, ZHAO Junhua, WEN Fushuan, et al. A charging and discharging dispatching strategy for electric vehicles based on bi-level optimization[J]. Automation of Electric Power Systems, 2012, 36(11): 30-37.

[11] 姚偉鋒,趙俊華,文福拴,等.集中充電模式下的電動汽車調頻策略[J].電力系統(tǒng)自動化,2014,38(9):69-76.DOI:10.7500/AEPS20130513005.

YAO Weifeng, ZHAO Junhua, WEN Fushuan, et al. Frequency regulation strategy for electric vehicles with centralized charging[J]. Automation of Electric Power Systems, 2014, 38(9): 69-76. DOI: 10.7500/AEPS20130513005.

[12] 項頂,胡澤春,宋永華,等.通過電動汽車與電網互動減少棄風的商業(yè)模式與日前優(yōu)化調度策略[J].中國電機工程學報,2015,35(24):6293-6303.

XIANG Ding, HU Zechun, SONG Yonghua, et al. Business model and day-ahead dispatch strategy to reduce wind power curtailment through vehicle-to-grid[J]. Proceedings of the CSEE, 2015, 35(24): 6293-6303.

[13] 莊懷東,吳紅斌,劉海濤,等.含電動汽車的微網系統(tǒng)多目標經濟調度[J].電工技術學報,2014,29(增刊1):365-373.

ZHUANG Huaidong, WU Hongbin, LIU Haitao, et al. Multi-objective economic dispatch of microgrid system considering electric vehicles[J]. Transactions of China Electrotechnical Society, 2014, 29(Supplement 1): 365-373.

[14] 張謙,劉超,周林,等.計及可入網電動汽車最優(yōu)時空分布的雙層經濟調度模型[J].電力系統(tǒng)自動化,2014,38(20):40-45.DOI:10.7500/AEPS20131219006.

ZHANG Qian, LIU Chao, ZHOU Lin, et al. A bi-level economy dispatch model considering temporal and spatial optimal distribution of electric vehicles[J]. Automation of Electric Power Systems, 2014, 38(20): 40-45. DOI: 10.7500/AEPS20131219006.

[15] 占愷嶠,宋永華,胡澤春,等.以降損為目標的電動汽車有序充電優(yōu)化[J].中國電機工程學報,2012,32(31):11-18.

ZHAN Kaiqiao, SONG Yonghua, HU Zechun, et al. Coordination of electric vehicle charging to minimize active power losses[J]. Proceedings of the CSEE, 2012, 32(31): 11-18.

[16] 黃一諾,郭創(chuàng)新,王力成,等.考慮用戶滿意度的電動汽車分群調度策略[J].電力系統(tǒng)自動化,2015,39(17):183-191.DOI:10.7500/AEPS20150331011.

HUANG Yinuo, GUO Chuangxin, WANG Licheng, et al. A cluster-based dispatch strategy for electric vehicles considering user satisfaction[J]. Automation of Electric Power Systems, 2015, 39(17): 183-191. DOI: 10.7500/AEPS20150331011.

[17] 潘振寧,張孝順,余濤,等.大規(guī)模電動汽車集群分層實時優(yōu)化調度[J].電力系統(tǒng)自動化,2017,41(16):96-104.DOI:10.7500/AEPS20160919012.

PAN Zhenning, ZHANG Xiaoshun, YU Tao, et al. Hierarchical real-time optimized dispatching for large-scale clusters of electric vehicles[J]. Automation of Electric Power Systems, 2017, 41(16): 96-104. DOI: 10.7500/AEPS20160919012.

[18] 孫宏斌,張伯明,吳文傳,等.自律協(xié)同的智能電網能量管理系統(tǒng)家族:概念、體系架構和示例[J].電力系統(tǒng)自動化,2014,38(9):1-5.DOI:10.7500/AEPS20140424002.

SUN Hongbin, ZHANG Boming, WU Wenchuan, et al. Autonomous-synergetic energy management system family for smart grids: concept, architecture and cases[J]. Automation of Electric Power Systems, 2014, 38(9): 1-5. DOI: 10.7500/AEPS20140424002.

[19] 楊冰,王麗芳,廖承林.大規(guī)模電動汽車充電需求及影響因素[J].電工技術學報,2013,28(2):22-27.

YANG Bing, WANG Lifang, LIAO Chenglin. Research on power-charging demand of large-scale electric vehicles and its impacting factors[J]. Transactions of China Electrotechnical Society, 2013, 28(2): 22-27.

[20] 劉寶碇,趙瑞清,王綱.不確定規(guī)劃及應用[M].北京:清華大學出版社,2003:178-198.

[21] 熊虎,向鐵元,陳紅坤,等.含大規(guī)模間歇式電源的模糊機會約束機組組合研究[J].中國電機工程學報,2013,33(13):36-44.

XIONG Hu, XIANG Tieyuan, CHEN Hongkun, et al. Research of fuzzy chance constrained unit commitment containing large-scale intermittent power[J]. Proceedings of the CSEE, 2013, 33(13): 36-44.

[22] 羅純堅,李姚旺,許漢平,等.需求響應不確定性對日前優(yōu)化調度的影響分析[J].電力系統(tǒng)自動化,2017, 41(5):22-29.DOI:10.7500/AEPS20160702006.

LUO Chunjian, LI Yaowang, XU Hanping, et al. Influence of demand response uncertainty on day-ahead optimization dispatching[J]. Automation of Electric Power Systems, 2017, 41(5): 22-29. DOI: 10.7500/AEPS20160702006.