梁 寧, 鄧長虹, 譚 津, 陳亞紅, 夏 沛, 梁效文

(武漢大學(xué)電氣工程學(xué)院, 湖北省武漢市 430072)

0 引言

隨著環(huán)境的惡化和電池等技術(shù)的不斷發(fā)展,電動汽車和可再生能源越來越受到各國的重視和發(fā)展[1-3]。但大量電動汽車、可再生能源接入配電網(wǎng),將對現(xiàn)有配電網(wǎng)造成廣泛的影響,如降低配電網(wǎng)的經(jīng)濟(jì)性,增大負(fù)荷峰谷差、節(jié)點電壓偏移和網(wǎng)損[4-5],進(jìn)而影響配電網(wǎng)的供電可靠性等。因此,兼容電動汽車、可再生能源發(fā)電的主動配電網(wǎng)技術(shù)應(yīng)運而生[6-7]。而如何對主動配電網(wǎng)內(nèi)大量電動汽車、儲能、柔性負(fù)荷和可再生能源進(jìn)行有效的調(diào)度,以平滑負(fù)荷曲線、減小配電網(wǎng)運行成本,并有效參與到當(dāng)前電力市場中,成為亟待解決的問題。

在含可再生能源、儲能和電動汽車的配電網(wǎng)優(yōu)化調(diào)度方面,國內(nèi)外專家學(xué)者開展了大量的研究工作。文獻(xiàn)[8]提出了一種主動管理電動汽車充電的調(diào)度方法,從而達(dá)到減少配電網(wǎng)損耗、節(jié)點電壓偏移和負(fù)荷峰谷差的目的。文獻(xiàn)[9]提出了一種含電動汽車不同節(jié)點隨機(jī)充電的配電網(wǎng)調(diào)度方法。該方法在兼顧配電網(wǎng)安全性、經(jīng)濟(jì)性的同時,最大限度地滿足電動汽車的電量需求,并減少電池的退化成本。文獻(xiàn)[10-11]針對可再生能源出力隨機(jī)性和波動性的問題,基于模型預(yù)測技術(shù),提出了一種含可再生能源的主動配電網(wǎng)多時間尺度優(yōu)化調(diào)度策略。文獻(xiàn)[12]針對風(fēng)電、光伏、儲能和柔性負(fù)荷的接入,對主動配電網(wǎng)帶來的問題,提出了一種多源協(xié)調(diào)調(diào)度的總體框架。隨著電力市場化改革加快進(jìn)行,電價在主動配電網(wǎng)中的調(diào)節(jié)作用越來越明顯[13]。文獻(xiàn)[14]在電力市場環(huán)境下,建立了一種負(fù)荷和峰谷電價協(xié)調(diào)的數(shù)學(xué)模型。文獻(xiàn)[15]在基于分時電價模型和電量電價彈性矩陣的基礎(chǔ)上,研究了電價引導(dǎo)用戶柔性負(fù)荷功率的模型,從而改善了主動配電網(wǎng)的供電可靠性。

此外,部分學(xué)者還提出了含可再生能源的微電網(wǎng)多時間尺度優(yōu)化調(diào)度方法。文獻(xiàn)[16]在日前和實時調(diào)度階段分別結(jié)合光伏和負(fù)荷的短期和超短期預(yù)測數(shù)據(jù),提出了一種含儲能和可再生能源的微電網(wǎng)多時間尺度優(yōu)化調(diào)度方法。

上述文獻(xiàn)對本領(lǐng)域研究奠定了堅實的基礎(chǔ)。然而還存在以下不足:①在電力市場環(huán)境下,對配電網(wǎng)中電動汽車充電負(fù)荷的引導(dǎo)不足;②在優(yōu)化模型方面,現(xiàn)有研究對配電網(wǎng)中可調(diào)度資源挖掘不夠充分,導(dǎo)致策略制定者和執(zhí)行者之間存在一定偏差;③基于現(xiàn)有手段,可再生能源預(yù)測存在一定偏差,在配電網(wǎng)層面,現(xiàn)有方法在多個時間尺度上,協(xié)調(diào)電動汽車、儲能和可再生能源的研究不足。

針對上述問題,在深入分析電量電價對彈性負(fù)荷引導(dǎo)的基礎(chǔ)上,制定了電價引導(dǎo)電動汽車充電的模型,并進(jìn)一步提出了一種主動配電網(wǎng)多時間尺度優(yōu)化調(diào)度方法。該方法基于可再生能源短期和超短期預(yù)測數(shù)據(jù),綜合考慮電動汽車、儲能和柔性負(fù)荷在多個時間尺度上的調(diào)用。最后采用改進(jìn)粒子群算法對所建立模型進(jìn)行求解,驗證所提方法和模型的有效性。

1 主動配電網(wǎng)架構(gòu)和調(diào)度方法

1.1 主動配電網(wǎng)架構(gòu)

智能配電網(wǎng)是基于先進(jìn)的信息網(wǎng)絡(luò)架構(gòu),實現(xiàn)配電網(wǎng)的信息化、智能化[17]。而主動配電網(wǎng)是未來智能配電網(wǎng)發(fā)展的高級階段,可以實現(xiàn)用戶和電網(wǎng)之間的互動,滿足未來各種關(guān)鍵技術(shù)的發(fā)展[18]。圖1所示為一種未來主動配電網(wǎng)的典型架構(gòu),與傳統(tǒng)配電網(wǎng)相比,有以下不同:①含電動汽車、可再生能源、儲能、柔性負(fù)荷和剛性負(fù)荷等多種電源和負(fù)荷結(jié)構(gòu)形式;②配電網(wǎng)中多種單元可主動參與系統(tǒng)的調(diào)度;③配電網(wǎng)中大規(guī)模電動汽車和可再生能源的接入,增大了系統(tǒng)功率的波動。

圖1 典型主動配電網(wǎng)架構(gòu)Fig.1 A typical architecture of active distribution network

1.2 調(diào)度方法

主動配電網(wǎng)的調(diào)度問題是一個高維度、非線性和多約束的優(yōu)化問題,且調(diào)度計劃需兼顧多方利益。調(diào)度的目的是在最大限度地吸納可再生能源出力的前提下,以負(fù)荷和可再生能源預(yù)測數(shù)據(jù)為基礎(chǔ),充分考慮電動車主的利益,對配電網(wǎng)中電動汽車、儲能和柔性負(fù)荷進(jìn)行統(tǒng)籌協(xié)調(diào),以降低可再生能源和電動汽車對配電網(wǎng)的影響,確保配電網(wǎng)運行成本最優(yōu),負(fù)荷特性得到優(yōu)化。

本文制定的調(diào)度模型,在研究電量電價彈性模型和電動汽車充電負(fù)荷特性的基礎(chǔ)上,制定了一種計及電量電價彈性的電動汽車充電模型。該模型充分考慮電動汽車負(fù)荷在電力市場電價機(jī)制下進(jìn)行引導(dǎo)。然后,基于電力市場下的峰谷電價,通過日前和實時階段的協(xié)調(diào)調(diào)度,有效發(fā)揮系統(tǒng)中電動汽車、儲能和柔性負(fù)荷的作用。

2 多時間尺度調(diào)度模型

2.1 計及電量電價彈性的電動汽車日前充電模型

電量電價彈性是指電價的變動所引起用戶用電量的變化[19]。由于確定該非線性函數(shù)非常困難,經(jīng)濟(jì)學(xué)上一般對其進(jìn)行線性化處理,得到的各時段電量電價彈性系數(shù)如式(1)所示[20]。其中,當(dāng)t=t′時,E(t=t′)為自彈系數(shù),當(dāng)t≠t′時,E(t=t′)為互彈系數(shù)。

(1)

式中:Ω0(t′)和Ω(t′)分別為t′時段的初始電價和當(dāng)前電價;P0(t)和P(t)分別為t時段的初始功率和實際功率,由于本文日前階段為24時段優(yōu)化調(diào)度,各個時段用戶的功率大小即為用電量大小。

由于電動汽車大部分時間處于停駛狀態(tài),只需在電動汽車離開充換電站時,其電池電量滿足一定的水平即可。因此,在電力市場背景下,電動汽車充電負(fù)荷可受到當(dāng)前和其他時段的電價水平綜合影響,其充電負(fù)荷不僅可以在單個時段進(jìn)行削減,而且可以在多個時段間進(jìn)行轉(zhuǎn)移,具有一定的自彈和互彈性。

對電動汽車充電負(fù)荷在單個時段和多個時段之間的削減和轉(zhuǎn)移的量,運用電量電價彈性[21]進(jìn)行推導(dǎo)計算(見附錄A),可得各個時段的充電功率如式(2)所示。并將此充電模型引入主動配電網(wǎng)日前優(yōu)化模型中的功率平衡等式約束。在多時間尺度模型中,不考慮對電網(wǎng)放電,電動汽車作為配電網(wǎng)優(yōu)化調(diào)度中的一部分,對其充電負(fù)荷進(jìn)行優(yōu)化調(diào)度。

PEV(k,t)=

(2)

其中

(3)

(4)

式中:PEV(k,t)為k類型電動汽車的總充電功率;PEV,0(k,t)為電動汽車總初始充電功率;k(k)為充電安全系數(shù);Ω0(t)和Ω(t)分別為初始和當(dāng)前購電電價;T為一個日前調(diào)度周期的總時段數(shù),值為24;C(k)為一個調(diào)度周期內(nèi)電動汽車總電量需求;tEV(k)為一個調(diào)度周期內(nèi)電動汽車在站的平均時段個數(shù);nEV(k,t)為可調(diào)度電動汽車在站個數(shù);NEV(k)為電動汽車可調(diào)度總個數(shù);S(k,l)為第l個電動汽車在一個調(diào)度周期內(nèi)的行駛里程;W100(k)為電動汽車百公里耗電量。

2.2 日前優(yōu)化調(diào)度模型

日前階段采用配電網(wǎng)成本最小的經(jīng)濟(jì)調(diào)度模型,目標(biāo)函數(shù)如下所示:

(5)

式中:PGrid(t)為從主網(wǎng)購電功率;δess為儲能單元的調(diào)度成本系數(shù);NL為配電網(wǎng)節(jié)點的總個數(shù);PS(i,t)為第i個節(jié)點儲能單元的充放電功率;CLoad(t)為柔性負(fù)荷的調(diào)度成本。

CLoad(t)如式(6)所示,包含可中斷負(fù)荷的補(bǔ)償成本函數(shù)fc(t)和激勵負(fù)荷的激勵成本函數(shù)fe(t)[22]。

CLoad(t)=fc(t)+fe(t)

(6)

λ2Pc(i,t)kc(i))

(7)

η2Pe(i,t)ke(i))

(8)

式中:uc(i,t)和ue(i,t)分別為第i個節(jié)點可中斷負(fù)荷和激勵負(fù)荷的狀態(tài)變量,1表示被削減或激勵,0表示未被削減和激勵;Pc(i,t)和Pe(i,t)分別為削減和激勵的值;λ1,λ2和η1,η2分別為可中斷負(fù)荷的補(bǔ)償系數(shù)和激勵負(fù)荷的補(bǔ)償系數(shù);kc(i)和ke(i)分別為削減和激勵負(fù)荷用戶的意愿因子。

含電動汽車和分布式電源的主動配電網(wǎng)優(yōu)化調(diào)度需滿足以下約束條件。

1)功率平衡約束

(9)

2)儲能約束

(10)

E(t)=E(t-1)+Δtμc(t)PS(i,t)ηc+

(11)

3)電動汽車約束

(12)

(13)

(14)

(15)

2.3 實時優(yōu)化調(diào)度模型

由于光伏和風(fēng)電的日前預(yù)測值存在較大偏差,而在超短期預(yù)測時,其預(yù)測偏差相對較小。所以在實時階段,以風(fēng)電、光伏、電動汽車和儲能的總有功修正值最小為目標(biāo)函數(shù)。優(yōu)化目標(biāo)函數(shù)如式(16)所示。

(16)

式中:T′為實時計劃在24 h的總時段數(shù),實時計劃時間間隔為15 min,即每隔15 min滾動向前更新一次,一日共包含96個調(diào)度區(qū)間;ΔPWT(i,t)和ΔPPT(i,t)分別為第i個節(jié)點風(fēng)電、光伏實時超短期預(yù)測相對于日前預(yù)測的誤差;ΔPS(i,t)和ΔPEV(k,t)分別為儲能單元和電動汽車實時計劃相對日前計劃的調(diào)整量。

實時優(yōu)化調(diào)度同樣需要滿足功率平衡等式約束、儲能和電動汽車相關(guān)約束,這些約束條件作為硬約束,在優(yōu)化過程中必須嚴(yán)格滿足。其中,由于頻繁的充放電對儲能單元壽命影響較為明顯,所以實時計劃中的儲能充放電狀態(tài)由日前計劃給定,不做修改。

3 算例分析

3.1 系統(tǒng)描述和調(diào)度流程

本文采用改進(jìn)IEEE 69節(jié)點配電網(wǎng)來驗證所提模型的有效性,見附錄B圖B1。居民私家車具有代表性的是美國聯(lián)邦公路管理局對居民電動汽車的調(diào)查報告[23],其中出行時刻和歸來時刻服從正態(tài)分布,其概率密度函數(shù)分別為式(17)和式(18),日行駛里程服從對數(shù)正態(tài)分布,其概率密度函數(shù)見式(19)。

fs(x)=

(17)

fe(x)=

(18)

(19)

式中:μs=8.92;σs=3.24;μe=17.47;σe=3.41;μm=2.98;σm=1.14。

假設(shè)配電網(wǎng)中私家車接入數(shù)量為1 000輛,型號采用比亞迪E6型純電動汽車[24],耗電量為0.196(kW·h)/km,行駛里程、出行和歸來時刻采用式(17)至式(19)并運用蒙特卡洛抽樣方法進(jìn)行確定,由此可確定私家車一個調(diào)度周期內(nèi)的初始電量總需求、充電開始時段和在站電動汽車個數(shù);公務(wù)車參數(shù)采用宇通E7型純電動汽車[25],能耗為0.35(kW·h)/km,本文假設(shè)接入量為50輛,日行駛里程為100 km/輛;公交車參數(shù)采用宇通電動公交天津示范工程數(shù)據(jù),其日行駛里程為220 km/輛,能耗為0.96(kW·h)/km,假設(shè)接入量為50輛;假設(shè)出租車接入數(shù)量為50輛,采用換電和快速充電模式的出租車分別占50%,其中采用快速充電模式的出租車對充電的時效性要求較高,所以對其充電過程不進(jìn)行優(yōu)化。出租車換電時間為06:00—08:00和17:00—19:00的換班時間。各節(jié)點剛性負(fù)荷百分比見附錄B表B1,儲能單元參數(shù)見表B2,配電網(wǎng)向主網(wǎng)的購電電價,即一般工業(yè)分時電價見表B3,電量電價自彈和互彈系數(shù)見表B4,柔性負(fù)荷參數(shù)見表B5?？稍偕茉催x取一年中預(yù)測誤差較大的典型日預(yù)測數(shù)據(jù),如圖B2所示。并假設(shè)可再生能源全部消納。

為驗證所提模型的正確性和有效性,本文基于C++語言建立模型,運用改進(jìn)粒子群算法[26]進(jìn)行求解。調(diào)度流程如附錄B圖B3所示。

3.2 日前優(yōu)化調(diào)度分析

在日前優(yōu)化階段,分別對3種工況下的優(yōu)化結(jié)果進(jìn)行對比。

工況1:電動汽車隨機(jī)充電模式,即只要滿足電動汽車充換電站的最大最小功率約束,就為新進(jìn)入的電動汽車進(jìn)行充電,對柔性負(fù)荷不做優(yōu)化。

工況2:應(yīng)用本文所提模型,進(jìn)行優(yōu)化求解。

工況3:儲能和柔性負(fù)荷優(yōu)化策略同工況2,以日前時段電動汽車和可再生能源波動平方差最小為目標(biāo)[27],在滿足多種約束的前提下,優(yōu)化電動汽車功率。

3種工況下總負(fù)荷和初始負(fù)荷曲線如圖2所示。和工況1相比,工況2和3下的負(fù)荷優(yōu)化結(jié)果較為平緩,提高了配電網(wǎng)的供電可靠性,此外,工況3在時段1～6填谷效果較工況2略低。圖3為工況1和2下儲能、電動汽車和柔性負(fù)荷的優(yōu)化結(jié)果,工況3下電動汽車優(yōu)化結(jié)果見附錄B圖B4?？芍疚哪Ｐ湍芑陔娏κ袌龇謺r電價,有效優(yōu)化電動汽車充電負(fù)荷、柔性負(fù)荷和儲能單元。最后,通過潮流計算,得到配電網(wǎng)各節(jié)點的電壓大小和網(wǎng)絡(luò)損耗。以2種工況下配電網(wǎng)的負(fù)荷峰值時段為例,69節(jié)點電壓大小如附錄B圖 B5所示,可知本文所提模型可有效提高配電網(wǎng)靜態(tài)電壓質(zhì)量。表1所示為3種工況下配電網(wǎng)總的運行費用、網(wǎng)絡(luò)損耗值對比、電動汽車充電費用和優(yōu)化時間?？芍谑褂帽疚乃崮Ｐ湍Ｊ綍r,配電網(wǎng)的主網(wǎng)購電費用和網(wǎng)損均有所降低,且本文模型相對工況3效果更優(yōu),在降低計算時間方面效果明顯。

圖2 日前調(diào)度負(fù)荷曲線Fig.2 Load curves of day-ahead scheduling

圖3 儲能、電動汽車和柔性負(fù)荷優(yōu)化結(jié)果Fig.3 Optimization results of energy storage, electric vehicle and flexible load

工況主網(wǎng)購電費用/元網(wǎng)損/(kW·h)電動汽車充電成本/元計算時間/s 191 7152 98723 2166.3 283 5472 29616 3947.2 384 7292 38717 15137.3

3.3 實時優(yōu)化調(diào)度分析

以日前計劃下的工況2優(yōu)化結(jié)果為基礎(chǔ),并考慮風(fēng)電和光伏短期預(yù)測偏差較大的場景。在實時計劃中運用儲能和電動汽車對預(yù)測偏差進(jìn)行修正,并和修正前的優(yōu)化結(jié)果進(jìn)行對比。主網(wǎng)交換功率實時調(diào)度結(jié)果如附錄B圖B6所示。通過潮流計算,得到修正后實時階段負(fù)荷峰值時段各節(jié)點電壓如附錄B圖B7所示。圖4所示為修正前后和主網(wǎng)聯(lián)絡(luò)線交換功率,圖5所示為修正前后儲能和電動汽車實時優(yōu)化結(jié)果。

圖4 修正前后和主網(wǎng)聯(lián)絡(luò)線交換功率Fig.4 Power exchange with main grid before and after correction

圖5 儲能和電動汽車實時優(yōu)化結(jié)果Fig.5 Real-time optimization results of energy storage and electric vehicle

由圖4和圖5的仿真結(jié)果可以發(fā)現(xiàn),本文模型可隨風(fēng)電光伏出力的快速波動,調(diào)節(jié)儲能和電動汽車的實時計劃,從而平滑風(fēng)電光伏出力和主網(wǎng)購電功率波動,減小系統(tǒng)旋轉(zhuǎn)備用容量,降低主網(wǎng)實時發(fā)電計劃發(fā)布后自動發(fā)電控制(AGC)單元的調(diào)控壓力。此外,實時計劃流程耗時約1.6 s,日前和實時計劃均滿足在線調(diào)度需求。

4 結(jié)論

在電力市場背景下,本文針對電動汽車、儲能、柔性負(fù)荷和可再生能源接入的主動配電網(wǎng)的技術(shù)特征,重點研究了主動配電網(wǎng)優(yōu)化調(diào)度模型和方法。主要結(jié)論如下。

1)計及電量電價彈性的電動汽車充電模型,有效提升了電動汽車參與調(diào)度的積極性,同時降低了充電費用?！岸嗉墔f(xié)調(diào)、逐步細(xì)化”的調(diào)度策略,通過協(xié)調(diào)優(yōu)化調(diào)度電動汽車、儲能和柔性負(fù)荷,實現(xiàn)了配電網(wǎng)對可再生能源的充分利用。

2)在日前階段,以配電網(wǎng)經(jīng)濟(jì)性最優(yōu)為目標(biāo),優(yōu)化了電動汽車、儲能和柔性負(fù)荷。此外,在優(yōu)化配電網(wǎng)負(fù)荷曲線的同時,為提高主動配電網(wǎng)可靠性和經(jīng)濟(jì)性提供了有效的描述方法。

3)在實時階段,利用儲能和電動汽車最大限度地降低了可再生能源預(yù)測誤差對系統(tǒng)的影響,從而提高了配電網(wǎng)供電可靠性,減小了系統(tǒng)備用,降低了主網(wǎng)AGC的調(diào)控壓力。

附錄見本刊網(wǎng)絡(luò)版(http://www.aeps-info.com/aeps/ch/index.aspx)。

參考文獻(xiàn)

[1] ZHENG Y, DONG Z Y, XU Y, et al. Electric vehicle battery charging/swap stations in distribution systems: comparison study and optimal planning[J]. IEEE Transactions on Power Systems, 2014, 29(1): 221-229.

[2] HATTAM L, GREETHAM D V. Green neighbourhoods in low voltage networks: measuring impact of electric vehicles and photovoltaics on load profiles[J]. Journal of Modern Power Systems and Clean Energy, 2017, 5(1): 105-116.

[3] CHUAN H E, LIU T, LEI W U, et al. Robust coordination of interdependent electricity and natural gas systems in day-ahead scheduling for facilitating volatile renewable generations via power-to-gas technology[J]. Journal of Modern Power Systems and Clean Energy, 2017, 5(3): 375-388.

[4] ZAKARIAZADEH A, JADID S, SIANO P. Multi-objective scheduling of electric vehicles in smart distribution system[J]. Energy Conversion and Management, 2014, 79(3): 43-53.

[5] MEERWIJK A J H V, BENDERS R M J, DAVILA-MARTINEZ A, et al. Swiss pumped hydro storage potential for Germany’s electricity system under high penetration of intermittent renewable energy[J]. Journal of Modern Power Systems and Clean Energy, 2016, 4(4): 542-553.

[6] 陳星鶯,陳楷,劉健,等.配電網(wǎng)智能調(diào)度模式及關(guān)鍵技術(shù)[J].電力系統(tǒng)自動化,2012,36(18):22-26.

CHEN Xingying, CHEN Kai, LIU Jian, et al. A distribution network intelligent dispatching mode and its key techniques[J]. Automation of Electric Power Systems, 2012, 36(18): 22-26.

[7] YANG Zhile, LI Kang, NIU Qun, et al. A self-learning TLBO based dynamic economic/environmental dispatch considering multiple plug-in electric vehicle loads[J]. Journal of Modern Power Systems and Clean Energy, 2014, 2(4): 298-307.

[8] CLEMENT-NYNS K, HAESEN E, DRIESEN J. The impact of charging plug-in hybrid electric vehicles on a residential distribution grid[J]. IEEE Transactions on Power Systems, 2010, 25(1): 371-380.

[9] KAVOUSI-FARD A, ABBASI A, ROSTAMI M A, et al. Optimal distribution feeder reconfiguration for increasing the penetration of plug-in electric vehicles and minimizing network costs[J]. Energy, 2015, 93: 1693-1703.

[10] 董雷,陳卉,蒲天驕,等.基于模型預(yù)測控制的主動配電網(wǎng)多時間尺度動態(tài)優(yōu)化調(diào)度[J].中國電機(jī)工程學(xué)報,2016,36(17):4609-4616.

DONG Lei, CHEN Hui, PU Tianjiao, et al. Multi-time scale dynamic optimal dispatch in active distribution network based on model predictive control[J]. Proceedings of the CSEE, 2016, 36(17): 4609-4616.

[11] 肖浩,裴瑋,孔力.基于模型預(yù)測控制的微電網(wǎng)多時間尺度協(xié)調(diào)優(yōu)化調(diào)度[J].電力系統(tǒng)自動化,2016,40(18):7-14.DOI:10.7500/AEPS20151123008.

XIAO Hao, PEI Wei, KONG Li. Multi-time scale coordinated optimal dispatch of microgrid based on model predictive control[J]. Automation of Electric Power Systems, 2016, 40(18): 7-14. DOI: 10.7500/AEPS20151123008.

[12] 蒲天驕,陳乃仕,王曉輝,等.主動配電網(wǎng)多源協(xié)同優(yōu)化調(diào)度架構(gòu)分析及應(yīng)用設(shè)計[J].電力系統(tǒng)自動化,2016,40(1):17-23.DOI:10.7500/AEPS20150520010.

PU Tianjiao, CHEN Naishi, WANG Xiaohui, et al. Application and architecture of multi-source coordinated optimal dispatch for active distribution network[J]. Automation of Electric Power Systems, 2016, 40(1): 17-23. DOI: 10.7500/AEPS20150520010.

[13] 周京陽,王斌,周劼英,等.市場機(jī)制下智能電網(wǎng)調(diào)度控制系統(tǒng)調(diào)度計劃應(yīng)用模型及分析[J].電力系統(tǒng)自動化,2015,39(1):124-130.DOI:10.7500/AEPS20141009020.

ZHOU Jingyang, WANG Bin, ZHOU Jieying, et al. Applied model and analysis of dispatching plan in smart grid dispatching and control systems under market mechanism[J]. Automation of Electric Power Systems, 2015, 39(1): 124-130. DOI: 10.7500/AEPS20141009020.

[14] AALAMI H A, MOGHADDAM M P, YOUSEFI G R. Demand response modeling considering interruptible/curtailable loads and capacity market programs[J]. Applied Energy, 2010, 87(1): 243-250.

[15] 趙洪山,王瑩瑩,陳松.需求響應(yīng)對配電網(wǎng)供電可靠性的影響[J].電力系統(tǒng)自動化,2015,39(17):49-55.DOI:10.7500/AEPS20150205007.

ZHAO Hongshan, WANG Yingying, CHEN Song. Impact of demand response on distribution system reliability[J]. Automation of Electric Power Systems, 2015, 39(17): 49-55. DOI: 10.7500/AEPS20150205007.

[16] 張海濤,秦文萍,韓肖清,等.多時間尺度微電網(wǎng)能量管理優(yōu)化調(diào)度方案[J].電網(wǎng)技術(shù),2017,41(5):1533-1540.

ZHANG Haitao, QIN Wenping, HAN Xiaoqing, et al. Multi-time scale optimization scheduling scheme of microgrid energy management[J]. Power System Technology, 2017, 41(5): 1533-1540.

[17] 王成山,李鵬.分布式發(fā)電、微網(wǎng)與智能配電網(wǎng)的發(fā)展與挑戰(zhàn)[J].電力系統(tǒng)自動化,2010,34(2):10-14.

WANG Chengshan, LI Peng. Development and challenges of distributed generation, the micro-grid and smart distribution system[J]. Automation of Electric Power Systems, 2010, 34(2): 10-14.

[18] 尤毅,劉東,于文鵬,等.主動配電網(wǎng)技術(shù)及其進(jìn)展[J].電力系統(tǒng)自動化,2012,36(18):10-16.

YOU Yi, LIU Dong, YU Wenpeng, et al. Technology and its trends of active distribution network[J]. Automation of Electric Power Systems, 2012, 36(18): 10-16.

[19] 秦禎芳,岳順民,余貽鑫,等.零售端電力市場中的電量電價彈性矩陣[J].電力系統(tǒng)自動化,2004,28(5):16-21.

QIN Zhenfang, YUE Shunmin, YU Yixin, et al. Price elasticity matrix of demand in current retail power market[J]. Automation of Electric Power Systems, 2004, 28(5): 16-21.

[20] FALSAFI H, ZAKARIAZADEH A, JADID S. The role of demand response in single and multi-objective wind-thermal generation scheduling: a stochastic programming[J]. Energy, 2014, 64(1): 853-867.

[21] MOGHADDAM M P, ABDOLLAHI A, RASHIDINEJAD M. Flexible demand response programs modeling in competitive electricity markets[J]. Applied Energy, 2011, 88(9): 3257-3269.

[22] 楊楠,劉滌塵,董開松,等.考慮柔性負(fù)荷補(bǔ)償/激勵機(jī)制的風(fēng)電供需側(cè)一體化隨機(jī)調(diào)度方法[J].電力自動化設(shè)備,2015,35(2):15-20.

YANG Nan, LIU Dichen, DONG Kaisong, et al. Integrated random scheduling for supply and demand sides of wind power system considering flexible load compensation/incentives[J]. Electric Power Automation Equipment, 2015, 35(2): 15-20.

[23] SANTOS A, MCGUCKIN N, NAKAMOTO H Y, et al. Summary of travel trends: 2009 national household travel survey[R]. 2011.

[24] 比亞迪汽車官方網(wǎng)站.比亞迪E6型純電動汽車參數(shù)[EB/OL].[2017-07-26].http://www.bydauto.com.cn/car-show-e6.html.

[25] 宇通汽車官方網(wǎng)站.E12型天津運行示范數(shù)據(jù)[EB/OL].[2017-07-10].http://www.yutong.com/zhuanti/yiqikaishi/index.html#page4.

[26] ZHAO J H, WEN F, DONG Z Y, et al. Optimal dispatch of electric vehicles and wind power using enhanced particle swarm optimization[J]. IEEE Transactions on Industrial Informatics, 2012, 8(4): 889-899.

[27] 王司陽.計及電動汽車換電站的微網(wǎng)/配電網(wǎng)雙層優(yōu)化調(diào)度研究[D].秦皇島:燕山大學(xué),2016.