王銳，姚興懿，李文樺

（國防科技大學(xué)系統(tǒng)工程學(xué)院，湖南 長沙 410072）

引言

隨著經(jīng)濟(jì)社會不斷發(fā)展，人們對分布式可再生能源的發(fā)展與應(yīng)用需求越來越高。微電網(wǎng)是利用分布式可再生能源的有效形式，其經(jīng)濟(jì)穩(wěn)定運(yùn)行需要有效的調(diào)度策略，因此需要通過對微電網(wǎng)能量管理模型的尋優(yōu)，找到最佳的控制策略[1]。電動汽車作為使用清潔能源的代表，得到了國家的大力支持[2]，隨著電動汽車的普及，也對原有不考慮電動汽車接入的微電網(wǎng)模型提出了新的要求[1]。電動汽車作為可變的靈活負(fù)載，既能簡單的作為一種負(fù)載，又能將其歸類為靈活的儲能設(shè)備。由于電動汽車使用清潔能源，所以在降低二氧化碳排放、緩解能源危機(jī)上具有重要作用[3-4]。在電動汽車市場占有量越來越大和國家推進(jìn)能源互聯(lián)網(wǎng)發(fā)展的背景下，智能的電動汽車充電場應(yīng)運(yùn)而生。

文獻(xiàn)[5]研究了電動汽車充電對電網(wǎng)的影響，提出用戶充電時(shí)間和空間上的隨機(jī)性將增加電網(wǎng)運(yùn)行的不確定影響因素；文獻(xiàn)[6]利用隨機(jī)規(guī)劃對家用電動汽車隨機(jī)充電作了研究，但是考慮到隨機(jī)規(guī)劃對其研究目標(biāo)的概率要求掌握較高，而實(shí)際中一般難以得到準(zhǔn)確概率，實(shí)際效果將打折扣；文獻(xiàn)[7]指出，如果電動汽車隨機(jī)接入電網(wǎng)并無序充電，則即使是高滲透率的電動汽車也會對電網(wǎng)造成巨大沖擊；文獻(xiàn)[8]通過構(gòu)建微電網(wǎng)個體的詳細(xì)仿真模型，研究含充電樁的微電網(wǎng)協(xié)調(diào)控制策略，通過對控制策略的有效性進(jìn)行檢驗(yàn)，發(fā)現(xiàn)控制策略因預(yù)測不準(zhǔn)而實(shí)際效果不好；文獻(xiàn)[9]通過建立單體電動汽車充電模型研究了電動汽車充電負(fù)荷時(shí)空分布對電網(wǎng)的影響，但未涉及充電站優(yōu)化問題；魯棒優(yōu)化模型考慮系統(tǒng)最差情況下的求解，對實(shí)際指導(dǎo)有積極作用，越來越受到重視[10-11]。在優(yōu)化調(diào)度策略的求解方法上，傳統(tǒng)的調(diào)度方法存在許多問題，日前調(diào)度方法由于需要準(zhǔn)確的預(yù)測數(shù)據(jù)，對波動性較大的場景調(diào)度策略存在較大問題；文獻(xiàn)[12]使用模型預(yù)測控制方法，充分考慮了實(shí)際不確定因素，取得了較好的實(shí)際應(yīng)用效果，但是沒有考慮到實(shí)時(shí)功率調(diào)整對大電網(wǎng)帶來的沖擊。

本文采取日前調(diào)度與模型預(yù)測控制相結(jié)合的優(yōu)化調(diào)度策略，對微電網(wǎng)系統(tǒng)中的不確定性因素，利用魯棒優(yōu)化方法，建立了考慮電動汽車充電場所的微電網(wǎng)能量管理模型，引入分時(shí)電價(jià)和電價(jià)懲罰因子減輕電網(wǎng)負(fù)擔(dān)，利用CPLEX軟件對該模型進(jìn)行求解，為優(yōu)化充電提供決策支持。

1 模型

本文研究的模型包含典型的微電網(wǎng)模型以及電動汽車的隨機(jī)到達(dá)模型。其包含多個充電樁、高滲透率的可再生能源電源、儲能設(shè)備和系統(tǒng)負(fù)載。由于微電網(wǎng)優(yōu)化調(diào)度模型涉及參數(shù)較多，特在此將相關(guān)參數(shù)歸納如下：

參數(shù) 參數(shù) 含義類型Psolar(k)光伏預(yù)測輸出Pload(k)負(fù)載預(yù)測輸出Ebess(k)儲能系統(tǒng)的容量水平預(yù)buysell測cgrid(k)， cgrid(k) 大電網(wǎng)的買入和賣出單價(jià)變量Tarrive，Tleave電動汽車的到達(dá)和離開時(shí)間EV,jEV,j P?load(k)負(fù)載變化范圍P?solar(k)負(fù)載變化范圍δbcess(k )儲能系統(tǒng)充電狀態(tài)，二進(jìn)制變量δd(k )儲能系統(tǒng)放電狀態(tài)，二進(jìn)制bess變量Pbcess(k)儲能系統(tǒng)充電功率Pbdess(k)儲能系統(tǒng)放電功率δginrid(k)， 與上級電網(wǎng)交互狀態(tài)，二進(jìn)δgoruitd(k)制變量Pgin rid(k)，決Pout(k)與上級電網(wǎng)交互功率策grid變δ(k )充電樁接入狀態(tài)，二進(jìn)制變量EV, i量δP, i(k )充電樁充電狀態(tài)，二進(jìn)制變量PEV, i(k)電動汽車充電功率EEleVav, ej 實(shí)際離開時(shí)刻電量zbalance(k)pbalance,1(k)功率平衡約束輔助決策變p(k)量，二進(jìn)制變量balance,2 Γ(k )魯棒模型的調(diào)整量，balanceΓ balance(k)∈[0,1]Cbess(k)儲能系統(tǒng)運(yùn)行維護(hù)成本費(fèi)Cgrid(k)與大電網(wǎng)的交互成本用Cpunish(k)超出交互計(jì)劃的懲罰費(fèi)用grid Cpunish電量未充滿帶來的懲罰費(fèi)用EV

1.1 基本模型

1.1.1 電動汽車模型

在任意時(shí)刻，電動汽車到達(dá)及離開為隨機(jī)過程，其到達(dá)離開的概率可根據(jù)歷史數(shù)據(jù)總結(jié)并進(jìn)行預(yù)測。在預(yù)測時(shí)間段內(nèi)，某一時(shí)刻電動汽車到達(dá)離開可近似看成泊松分布，即任意時(shí)刻電動汽車到達(dá)數(shù)量的概率如下：

式中λ(t)為隨時(shí)間變化的量，N為t時(shí)刻最大車輛到達(dá)量。

由于景區(qū)的特殊性，用戶停留時(shí)間與目的地價(jià)格水平、目的地旅游服務(wù)質(zhì)量、高等級旅游景區(qū)數(shù)量、游覽景區(qū)數(shù)量、旅游方式、行程安排、交通價(jià)格、空閑時(shí)間、客源地與目的地距離等有關(guān)[14]。同時(shí)，統(tǒng)計(jì)數(shù)據(jù)顯示，停留時(shí)間與游客到達(dá)景區(qū)的時(shí)間具有很強(qiáng)的相關(guān)性，例如早上八點(diǎn)以前到達(dá)的游客很大可能中午離開，而下午到達(dá)的游客則可能次日離開。在剩余電量方面，可以假設(shè)其剩余電量小于80%電池容量[15]。一般而言，用戶只有當(dāng)電量不足時(shí)才會選擇進(jìn)入充電場所而非停車場。基于統(tǒng)計(jì)數(shù)據(jù)及游客的到達(dá)離開泊松分布模型，本文利用蒙特卡洛方法（Monte Carlo method）[16]產(chǎn)生一系列電動汽車到達(dá)時(shí)間、離開時(shí)間和剩余電量數(shù)據(jù)對模型進(jìn)行求解。

電動汽車作為靈活接入負(fù)載，主要考慮其充電的時(shí)間以及電量約束。其中NEV表示電動汽車數(shù)量；δEV,i表示電動汽車接入充電樁狀態(tài)，為1表示接入充電樁，為0表示未接入；表示電動汽車的充電狀態(tài)，為1時(shí)表示當(dāng)前時(shí)刻正在充電，為0時(shí)表示為不充電；ηEV電動汽車儲能設(shè)備充電效率；εEV和?t分別表示電動汽車儲能設(shè)備的自放電能量損耗及每一周期時(shí)間長度；分別表示到達(dá)和離開的時(shí)間。

未到達(dá)預(yù)計(jì)電量的懲罰費(fèi)用：

約束條件：

公式(3)表示當(dāng)前接入充電樁的電動汽車數(shù)量應(yīng)該小于現(xiàn)有充電樁數(shù)量；公式(4,5)表明電動汽車到達(dá)后離開前為接入狀態(tài)，其余時(shí)段為未接入狀態(tài)；公式(6)保證充電只能在接入充電樁之后才可以進(jìn)行；公式(7)為充電樁充電功率約束；公式(8)為充電能量的動態(tài)約束。

1.1.2 儲能系統(tǒng)

作為微電網(wǎng)中最靈活的可直接控制的設(shè)備之一，儲能系統(tǒng)的地位十分獨(dú)特，既可以作為用電端設(shè)備消納多余的電能，又可以在發(fā)電不足的時(shí)候作為備用電源為系統(tǒng)供電，其主要約束包含了儲能系統(tǒng)的最大最小容量限制、最大充放電限制、充放電能量轉(zhuǎn)移。儲能充電最小、最大功率限制；儲能放電最小、最大功率限制；儲能最小、最大容量限制；、ηbdess儲能充電和放電效率；δbcess、δbdess儲能充電、放電狀態(tài)；εbess和?t分別表示儲能系統(tǒng)的自放電能量損耗及每一周期時(shí)間長度。

儲能系統(tǒng)運(yùn)行維護(hù)成本和充放電轉(zhuǎn)換成本：

約束條件：

公式(12-15)分別是儲能系統(tǒng)的充電功率、放電功率約束、能量水平約束和動態(tài)能量轉(zhuǎn)移約束；公式(16)表明儲能系統(tǒng)在運(yùn)行過程中充放電不能同時(shí)進(jìn)行。

1.1.3 與大電網(wǎng)交互模型

隨著經(jīng)濟(jì)社會發(fā)展，微電網(wǎng)與大電網(wǎng)的交互也逐漸增強(qiáng)。對于供電方，未來的發(fā)電計(jì)劃需要提前制定，避免少發(fā)電造成不夠用或多發(fā)電浪費(fèi)的情況。對于穩(wěn)定供電的需求，本文將提前一天的購電計(jì)劃通過日前規(guī)劃得出，在次日的運(yùn)行中，引入懲罰成本使得系統(tǒng)與大電網(wǎng)的交互按照購電計(jì)劃進(jìn)行，從而減緩大電網(wǎng)的壓力。

費(fèi)用成本：

(1)交互成本

Cgrid(k)表示與大電網(wǎng)的交互成本，和表示與大電網(wǎng)的買入和賣出單價(jià)，則成本可表示為：

(2)懲罰費(fèi)用

結(jié)合風(fēng)、光、負(fù)載預(yù)測，我們根據(jù)日前規(guī)劃方法，制定第二天的買賣電計(jì)劃，即得到了與電網(wǎng)的計(jì)劃交互功率，用表示。定義為超出計(jì)劃的懲罰系數(shù)（與當(dāng)前電價(jià)成比例），則懲罰費(fèi)用表示如下：

約束條件：

公式(19-20)為與大電網(wǎng)交互的功率約束，公式(21)約束了任意時(shí)刻充電與放電不能同時(shí)進(jìn)行。

1.1.4 功率平衡約束

微電網(wǎng)的經(jīng)濟(jì)調(diào)度的前提是微電網(wǎng)系統(tǒng)能夠時(shí)刻保持穩(wěn)定、可靠運(yùn)行，而這就需要微電網(wǎng)能夠時(shí)刻保證系統(tǒng)內(nèi)部供需時(shí)刻保持平衡。即：

1.2 目標(biāo)函數(shù)

微電網(wǎng)優(yōu)化調(diào)度問題根據(jù)調(diào)度的目標(biāo)不同而有不同的形式和不同的調(diào)度方案，例如，經(jīng)濟(jì)型調(diào)度主要考慮經(jīng)濟(jì)目標(biāo)，環(huán)境效益調(diào)度主要考慮對環(huán)境的影響，安全調(diào)度則考慮系統(tǒng)的安全性與充裕性。在這里主要考慮微電網(wǎng)運(yùn)行的經(jīng)濟(jì)性目標(biāo)。

微電網(wǎng)優(yōu)化調(diào)度的總成本可以表示為：

2 基于模型預(yù)測控制與日前調(diào)度相結(jié)合的魯棒優(yōu)化控制模型

2.1 魯棒優(yōu)化模型

魯棒優(yōu)化理論是指在解決實(shí)際問題之前，先將所有可能的不確定因素劃歸在一個固定的集合中，通過魯棒優(yōu)化方法產(chǎn)生的最優(yōu)解能夠抑制集合中的任意元素可能造成的不良影響，即優(yōu)化決策能夠應(yīng)對“最壞的情況”。本文采用D. Bertsimas等提出的魯棒優(yōu)化方法[17]。考慮如下形式的線性規(guī)劃問題：

其中，目標(biāo)函數(shù)cj與系數(shù)矩陣aij都是確定性的參數(shù)，常數(shù)項(xiàng)存在不確定性。假設(shè)對于任意有

在式(25)中，τi為參數(shù)中所包含的不確定性參數(shù)的集合，且對每個不確定參數(shù)滿足，bis為均值，為參數(shù)最大變化幅度。

根據(jù)文獻(xiàn)[17]提出的魯棒優(yōu)化方法，將式(24)等價(jià)轉(zhuǎn)化為如下魯棒形式：

我們對原模型的不確定參數(shù)有如下定義：

將式(27)修改為魯棒對應(yīng)形式：

則修改后的魯棒優(yōu)化模型描述如下：

目標(biāo)函數(shù)：

約束：

2.2 模型預(yù)測控制與日前調(diào)度相結(jié)合

傳統(tǒng)的調(diào)度策略雖然能夠在一定程度上對系統(tǒng)運(yùn)行做出合理的控制策略，但是其存在許多弊端。實(shí)時(shí)調(diào)度不考慮未來時(shí)段的調(diào)度，只需要滿足當(dāng)前的功率平衡約束，運(yùn)行費(fèi)用較高；日前調(diào)度根據(jù)預(yù)測數(shù)據(jù)，如光伏發(fā)電功率、用戶負(fù)載等，規(guī)劃未來一段時(shí)間的調(diào)度計(jì)劃（通常是一天），但由于預(yù)測數(shù)據(jù)和實(shí)際數(shù)據(jù)不完全一致，特別是電動汽車到達(dá)和離開時(shí)間預(yù)測較為困難，因此實(shí)際運(yùn)行過程中，日前調(diào)度將會產(chǎn)生過高的交互懲罰費(fèi)用。

模型預(yù)測控制將規(guī)劃未來一段時(shí)間的運(yùn)行策略，并執(zhí)行當(dāng)前時(shí)刻的決策。下一時(shí)刻，繼續(xù)規(guī)劃未來一段時(shí)間，并執(zhí)行。其在滿足功率平衡的約束下，對預(yù)測數(shù)據(jù)的不穩(wěn)定性處理較好。

本文采用模型預(yù)測控制與日前調(diào)度相結(jié)合的方法進(jìn)行優(yōu)化控制。先通過日前調(diào)度方法對未來一天內(nèi)各設(shè)備運(yùn)行進(jìn)行規(guī)劃，得出微電網(wǎng)與大電網(wǎng)交互計(jì)劃，并提交給電能提供方。電能提供方將通過用戶提交的用電計(jì)劃大致決定第二天的發(fā)電計(jì)劃和供電計(jì)劃。實(shí)際運(yùn)行時(shí)，首先規(guī)劃當(dāng)前時(shí)刻到規(guī)劃結(jié)束時(shí)刻的系統(tǒng)運(yùn)行策略，并執(zhí)行當(dāng)前時(shí)刻的策略；到達(dá)下一時(shí)刻時(shí)，繼續(xù)規(guī)劃當(dāng)前時(shí)刻到結(jié)束時(shí)刻的策略，然后執(zhí)行當(dāng)前時(shí)刻規(guī)劃；如此進(jìn)行滾動規(guī)劃，直到到達(dá)規(guī)劃結(jié)束時(shí)刻。其優(yōu)化過程如圖1所示：

圖1 模型求解步驟Fig.1 Model solving steps

3 案例分析

3.1 案例描述

本文選取重慶某景區(qū)微電網(wǎng)示范項(xiàng)目作為研究對象，其簡化模型如下圖所示：

圖2 重慶某景區(qū)微電網(wǎng)示意圖Fig.2 A scenic of Chongqing micro-grid diagram

該景區(qū)微電網(wǎng)與外界電網(wǎng)連通，系統(tǒng)包含儲能系統(tǒng)(可控制是否接入)、光伏發(fā)電設(shè)備、公共負(fù)載和公共充電樁。景區(qū)提供的充電樁共有15個，可為游客的電動汽車提供充電服務(wù)，其最大可提供的充電功率為7kW，充電效率為95%，能量自損耗為0.02kW。儲能設(shè)備最大儲能容量為70kWh，充放電效率為95%，儲能系統(tǒng)自放電能量損耗0.02kW,最大交互功率80kW。電動汽車數(shù)據(jù)取自電動汽車時(shí)代網(wǎng)，型號為比亞迪E6，具體參數(shù)如下：

表2 電動汽車性能數(shù)據(jù)Tab.2 Electric vehicle performance data

光伏發(fā)電在同緯度同氣候地區(qū)具有較高的相似性，算例使用的光伏發(fā)電功率和負(fù)載功率預(yù)測數(shù)據(jù)來自Global Energy Forecasting Competition 2014[18]，具體數(shù)據(jù)如圖3和圖4所示。

圖3 光伏發(fā)電及負(fù)載預(yù)測Fig.3 Photovoltaic power generation and load forecasting

圖4 一日分時(shí)電價(jià)示意圖Fig.4 Time-of-day electricity price diagram

由于本文沒有景區(qū)的電動汽車歷史到達(dá)數(shù)據(jù)和離開數(shù)據(jù)，因此在使用蒙特卡洛方法產(chǎn)生電動汽車到達(dá)及離開時(shí)間數(shù)據(jù)時(shí)，使用了景區(qū)一天內(nèi)游客的到達(dá)時(shí)間分布，并按照比例縮小規(guī)模，其一天內(nèi)具體時(shí)刻到達(dá)數(shù)量的均值如圖5所示：

圖5 電動汽車到達(dá)離開時(shí)間分布Fig.5 Electric car arrival and departure time distribution

3.2 實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)相關(guān)參數(shù)設(shè)置如下：

表3 實(shí)驗(yàn)參數(shù)設(shè)置Tab.3 Setting of experimental parameters

(1)車輛隨機(jī)到達(dá)與均勻到達(dá)對比

電動汽車充電站對電動汽車到達(dá)即離開時(shí)間較為敏感，不同的電動汽車到達(dá)離開時(shí)間模型將對微電網(wǎng)運(yùn)行及調(diào)度策略產(chǎn)生巨大影響。本文以重慶某景區(qū)的電動汽車充電站為案例進(jìn)行研究，充電用戶具有停留時(shí)間長、到達(dá)離開時(shí)間不定等特點(diǎn)。基于歷史數(shù)據(jù)指的是在日前調(diào)度階段，根據(jù)電動汽車歷史到達(dá)離開記錄（圖5）對第二天電動車到達(dá)和離開進(jìn)行預(yù)測，并根據(jù)預(yù)測數(shù)據(jù)規(guī)劃第二天與電網(wǎng)的交互計(jì)劃；完全均勻到達(dá)指的是在日前調(diào)度階段，各時(shí)刻電動汽車到達(dá)離開是完全隨機(jī)的。針對景區(qū)用戶特點(diǎn)，本文研究了不同電動汽車到達(dá)離開模型下的微電網(wǎng)運(yùn)行特性，具體過程為：首先通過蒙特卡洛方法分別基于歷史數(shù)據(jù)和完全均勻隨機(jī)產(chǎn)生第二天電動汽車到達(dá)及離開的時(shí)間，接著根據(jù)對第二天的預(yù)測數(shù)據(jù)產(chǎn)生與電網(wǎng)的交互計(jì)劃。在第二天的實(shí)際運(yùn)行過程中，根據(jù)當(dāng)天的電動汽車實(shí)際到達(dá)情況實(shí)時(shí)調(diào)整。為消除由于電動汽車充電量的不一致對結(jié)果造成影響，統(tǒng)一將電動汽車一天內(nèi)到達(dá)數(shù)量設(shè)置為50輛，且總需求電量一致，其結(jié)果如表4和圖6所示：

表4 運(yùn)行數(shù)據(jù)對比Tab.4 Operating data comparison

圖6 電網(wǎng)交互及充電功率對比Fig.6 Grid interactive and charging power comparison

從表4和圖6可以看出，基于歷史數(shù)據(jù)相較于完全均勻到達(dá)，在微電網(wǎng)實(shí)際運(yùn)行過程中超出交互計(jì)劃的懲罰費(fèi)用低，并且用戶滿意度較高。這是因?yàn)?，基于完全均勻到達(dá)而規(guī)劃的與大電網(wǎng)的交互計(jì)劃與實(shí)際情況相差較大。在實(shí)際過程中，由于電動汽車停留時(shí)間絕大部分在白天(早8點(diǎn)到晚8點(diǎn))，夜晚基本沒有，所以電網(wǎng)交互的懲罰費(fèi)用在均勻規(guī)劃時(shí)非常大。同時(shí)，系統(tǒng)在實(shí)際運(yùn)行中，考慮到與電網(wǎng)交互的懲罰費(fèi)用，將限制一部分電動汽車的充電需求，使得電動汽車充電電量不能到達(dá)預(yù)期，用戶滿意度大大降低。該對比體現(xiàn)出準(zhǔn)確預(yù)測電動汽車到達(dá)以及離開時(shí)間對微電網(wǎng)決策具有重大意義。不準(zhǔn)確的預(yù)測使得實(shí)際與電網(wǎng)的交互與計(jì)劃交互有較大出入，這將增大電網(wǎng)運(yùn)行負(fù)擔(dān)，帶來運(yùn)行的不穩(wěn)定；同時(shí)，為了降低不準(zhǔn)確預(yù)測帶來的交互懲罰費(fèi)用，電動汽車充電也將受到影響，不能被充分滿足，用戶滿意度大大降低。

(2)電價(jià)懲罰因子對電網(wǎng)交互的影響

本文在電網(wǎng)交互模型中設(shè)置了電價(jià)懲罰因子，具體作用是將用戶規(guī)劃的購電計(jì)劃與當(dāng)天實(shí)際購電相匹配，使供電方供電穩(wěn)定。式(18)定義了電網(wǎng)交互的懲罰費(fèi)用，當(dāng)電價(jià)懲罰因子增大時(shí)，計(jì)劃功率交互與實(shí)際功率交互差值帶來的影響增大，目標(biāo)函數(shù)中電網(wǎng)交互懲罰費(fèi)用增大。微電網(wǎng)在模型預(yù)測控制時(shí)，為使懲罰費(fèi)用降低，會將實(shí)際與電網(wǎng)交互的功率與計(jì)劃購電功率相匹配。在本階段的實(shí)驗(yàn)中，固定魯棒優(yōu)化量以及預(yù)測數(shù)據(jù)不確定度，使用基于歷史的數(shù)據(jù)預(yù)測電動汽車到達(dá)和離開的時(shí)間，將電價(jià)懲罰因子由0開始變化到1，研究電價(jià)懲罰因子對電網(wǎng)交互的影響。定義功率差值如下：

功率差值表示實(shí)際運(yùn)行過程中與電網(wǎng)交互的功率與計(jì)劃交互功率的差值。

圖7 電價(jià)懲罰因子對功率差的影響Fig.7 Effect of Price Penalty on Power Difference

圖8 電價(jià)懲罰因子對交互功率的影響Fig.8 Impact of Price Punishment Factors on Interaction Power

由圖7可以看出，隨著電價(jià)懲罰因子的增大，用戶實(shí)際用電將會越來越接近其規(guī)劃用電。實(shí)際運(yùn)行時(shí)，因?yàn)轭A(yù)測數(shù)據(jù)與實(shí)際數(shù)據(jù)不一致，功率差不能降低至0，故懲罰因子不能無限增大，在懲罰因子大于0.3以后，繼續(xù)增大懲罰因子帶來的功率差降低效應(yīng)沒有顯著提升，懲罰因子大于0.7以后，懲罰因子對功率差值的影響效果變得更差。實(shí)際中，一般取懲罰因子為0.2～0.5之間的值。圖8顯示了計(jì)劃電網(wǎng)交互功率與實(shí)際電網(wǎng)交互功率的對比。計(jì)劃電網(wǎng)交互根據(jù)預(yù)測數(shù)據(jù)對第二天運(yùn)行進(jìn)行規(guī)劃，產(chǎn)生與電網(wǎng)的交互計(jì)劃（圖8紅線），實(shí)際功率交互為系統(tǒng)根據(jù)實(shí)際情況功率調(diào)整的結(jié)果。從圖8可以看出，懲罰因子為0時(shí)，微電網(wǎng)將不考慮交互計(jì)劃，故實(shí)際運(yùn)行的功率交互與計(jì)劃交互有較大的不同，當(dāng)懲罰因子為1時(shí)計(jì)劃與實(shí)際的交互功率基本一致。

(3)充電樁數(shù)量及充電功率對用戶滿意度的影響

在電動汽車模型中，我們引入CEVpunish作為用戶電動汽車未到達(dá)預(yù)定電量帶來的懲罰，懲罰費(fèi)用一定程度上反映了用戶的滿意度，費(fèi)用越高，滿意度越低。在實(shí)際的優(yōu)化過程中，由于充電樁數(shù)量有限，當(dāng)充電樁被占用時(shí)，用戶將直接選擇離開，這給用戶帶來了極大的不方便。為研究充電站充電樁數(shù)量以及充電功率對用戶滿意度的影響，本階段實(shí)驗(yàn)中，固定其他變量，分別改變充電樁數(shù)量和充電功率大小，采用上文提到的日前調(diào)度與模型預(yù)測控制相結(jié)合的方法，研究其對用戶滿意度的影響，具體結(jié)果如下。

圖9表示充電樁數(shù)量的設(shè)置以及充電樁充電功率對用戶滿意度影響。由圖可以看出，在充電樁數(shù)量大于24或者充電功率大于6 kW以后，繼續(xù)增大相應(yīng)指標(biāo)，用戶滿意度并沒有得到顯著的提升。進(jìn)一步研究發(fā)現(xiàn)，由于本次實(shí)驗(yàn)用到的電動汽車數(shù)量為每天50輛左右，當(dāng)充電樁數(shù)量達(dá)到一定值時(shí)(本文結(jié)果為24個充電樁)，充電場能夠滿足每天的充電需求，用戶滿意度提高效果較為微小。而本次實(shí)驗(yàn)所用電動汽車電池容量為57kWh，可以預(yù)見，當(dāng)充電功率達(dá)到飽和時(shí)，再通過提高充電功率來獲取更高的用戶滿意度效果不明顯。圖10表示充電樁數(shù)量及充電功率對可充電的電動汽車數(shù)量的影響，可以明顯看出，充電樁數(shù)量越大，則可充電的電動汽車數(shù)量也越大；充電樁數(shù)量到達(dá)30時(shí)達(dá)到飽和狀態(tài)。

圖9 充電樁數(shù)量及充電功率對充電電量的影響Fig.9 Effect of Charging Pile Number and Charging Power on Charging Capacity

圖10 充電樁數(shù)量及充電功率對充電數(shù)量的影響Fig.10 Charging pile number and charging power on the number of charging

4 結(jié)語

在微電網(wǎng)中引入可再生能源和儲能設(shè)備，例如風(fēng)光發(fā)電等，能夠進(jìn)一步緩解大電網(wǎng)的壓力。電動汽車作為利用新能源的工具，對節(jié)能減排、促進(jìn)用電結(jié)構(gòu)升級具有積極意義。研究帶有電動汽車的微電網(wǎng)問題具有現(xiàn)實(shí)意義。

本文考慮了電動汽車的到達(dá)及離開模型，根據(jù)光伏發(fā)電以及對負(fù)載的預(yù)測，構(gòu)建了包含充電場所的微電網(wǎng)模型，然后使用魯棒優(yōu)化的方法對模型進(jìn)行了優(yōu)化。在優(yōu)化調(diào)度策略上，使用日前調(diào)度與模型預(yù)測控制相結(jié)合的方法，能夠充分考慮到計(jì)劃購電與預(yù)測數(shù)據(jù)不準(zhǔn)確之間的矛盾。通過對重慶某景區(qū)的案例分析，該模型對實(shí)際場景下的問題能夠得到較為滿意的調(diào)度策略。如何對大型充電場進(jìn)行建模以及模型的優(yōu)化求解方法，將是下一步的研究工作。