何晨可 朱繼忠 劉 云 藍(lán) 靜 吳皖莉

計(jì)及碳減排的電動(dòng)汽車充換儲(chǔ)一體站與主動(dòng)配電網(wǎng)協(xié)調(diào)規(guī)劃

何晨可 朱繼忠 劉 云 藍(lán) 靜 吳皖莉

（華南理工大學(xué)電力學(xué)院 廣州 510641）

提出一種計(jì)及碳減排的電動(dòng)汽車充換儲(chǔ)一體站（一體站）與主動(dòng)配電網(wǎng)（ADN）協(xié)調(diào)規(guī)劃模型。根據(jù)設(shè)備資產(chǎn)歸屬權(quán)劃分ADN碳排放責(zé)任，并提出ADN碳減排機(jī)理?；谝惑w站結(jié)構(gòu)、服務(wù)和運(yùn)行特點(diǎn)，構(gòu)建運(yùn)行和配置模型。提出計(jì)及碳減排的ADN規(guī)劃方法：提出ADN網(wǎng)架規(guī)劃方法和分布式電源（DG）配置方法，結(jié)合ADN設(shè)備的能量損耗和出力，構(gòu)建ADN碳凈增量模型及其碳交易機(jī)制，實(shí)現(xiàn)對計(jì)及碳減排的ADN運(yùn)行模型的描述。計(jì)及碳交易費(fèi)用，以規(guī)劃年綜合成本為目標(biāo)建立一體站和ADN協(xié)調(diào)規(guī)劃模型，提出混沌模擬退火獅群算法進(jìn)行求解。算例結(jié)果表明，考慮碳減排的ADN規(guī)劃的購電成本、規(guī)劃年綜合成本、節(jié)約年環(huán)境碳排量、階梯單位碳價(jià)分別約為不考慮碳減排ADN規(guī)劃的10%、35%、460%和4倍，從而驗(yàn)證了所提模型與方法的可行性和有效性。

碳減排 電動(dòng)汽車 充換儲(chǔ)一體站 主動(dòng)配電網(wǎng) 協(xié)調(diào)規(guī)劃 混沌模擬退火獅群算法

0 引言

電動(dòng)汽車（Electric Vehicle, EV）充換儲(chǔ)一體站（一體站）是一種新型EV集中性充換電設(shè)施[1]，集成快充系統(tǒng)、快換系統(tǒng)與梯級儲(chǔ)能系統(tǒng)于一體，具備EV負(fù)荷波動(dòng)平抑[2]、削峰填谷[3]、輔助電網(wǎng)故障恢復(fù)[4]等優(yōu)勢。主動(dòng)配電網(wǎng)（Active Distribution Network, ADN）是實(shí)現(xiàn)分布式電源（Distributed Generation, DG）廣泛接入的重要技術(shù)手段，是實(shí)現(xiàn)終端電能低碳化的重要途徑[5]。對考慮碳減排的EV一體站和ADN合理的協(xié)調(diào)規(guī)劃將對含EV的主動(dòng)配電系統(tǒng)的低碳化綜合規(guī)劃及運(yùn)行帶來深遠(yuǎn)影響，具有重要研究意義。

充電站[6]、換電站[7]及配套儲(chǔ)能電站與本文一體站[1-4]同屬于EV集中型充換電設(shè)施，存在一定的投資成本高、配電設(shè)施要求苛刻等問題，但大功率快速充電、充-放電綜合設(shè)施規(guī)劃是解決EV出行和提升EV便利性的必然選擇[8]，其統(tǒng)一調(diào)度和管理可實(shí)現(xiàn)整體最優(yōu)[9]，同時(shí)，充電系統(tǒng)向著快速化、集成化方向發(fā)展[6]。此外，集中通信和控制的成本低，控制算法復(fù)雜性低，一體化綜合調(diào)度由電網(wǎng)統(tǒng)一調(diào)度大型集中儲(chǔ)能充電站的充放電，可實(shí)現(xiàn)EV有序充放電管理，克服EV難以計(jì)劃和控制，緩解EV對電網(wǎng)造成的潮流、諧波等不確定性的沖擊和影響[10]。與之相對，EV及其配套的儲(chǔ)能電站屬于分散式充電設(shè)施，分散EV調(diào)度問題異常復(fù)雜[9]，系統(tǒng)充電負(fù)荷空間分布復(fù)雜[7]，EV個(gè)體直接參與電網(wǎng)需求響應(yīng)可能性較小[6]，造成電網(wǎng)潮流變化復(fù)雜，為電網(wǎng)運(yùn)行帶來難題[10]。而有序充電是從電網(wǎng)角度出發(fā)，EV個(gè)體不存在有序或無序的區(qū)別，同時(shí)，分散充電EV的調(diào)度精度、有效性均難以保障，調(diào)度難度和成本巨大[10]。雖然可以采用儲(chǔ)能電站對分散EV進(jìn)行調(diào)節(jié)，但仍無法達(dá)到集中型充換電設(shè)施在運(yùn)行和調(diào)度上的優(yōu)勢[6-10]。同時(shí)，電網(wǎng)運(yùn)行人員不具備對EV個(gè)體直接調(diào)度的權(quán)限，需通過價(jià)格信號等吸引EV用戶參與調(diào)度[7]。電池所有權(quán)和充電決策權(quán)屬于EV用戶，用戶根據(jù)自身需求各自分散進(jìn)行充電決策，而要吸引EV用戶接受電網(wǎng)調(diào)度，需要一系列的政策和服務(wù)手段，其調(diào)度精度和有效性均難以保證[10]。本文一體站是EV集中型充換電設(shè)施，與ADN同屬電網(wǎng)運(yùn)營主體，集中了充電站、換電站和儲(chǔ)能電站的優(yōu)勢[11]，對其規(guī)劃建設(shè)可有效緩解上述EV并網(wǎng)問題，其與ADN聯(lián)合優(yōu)化運(yùn)行，可滿足EV負(fù)荷需求、消納DG出力、平抑負(fù)荷波動(dòng)、減少ADN運(yùn)維費(fèi)用，具有集約性、避免支路潮流多向傳輸、便于調(diào)度等優(yōu)勢，發(fā)展前景良好[1-2]，是支撐EV和堅(jiān)強(qiáng)電網(wǎng)共同發(fā)展的重要保證[11]。

現(xiàn)有考慮碳減排的充、換電站規(guī)劃研究較少[12-17]。一體站作為一種新型EV集中性充換電設(shè)施[1-2]，針對其規(guī)劃的研究也較少[3,18]，均未計(jì)及其碳減排效益，對一體站運(yùn)行優(yōu)化的研究也未考慮其輔助電網(wǎng)進(jìn)行碳減排[1-2,4]。文獻(xiàn)[3]對交直流配電網(wǎng)下的一體站進(jìn)行了優(yōu)化規(guī)劃。文獻(xiàn)[18]提出了一種對一體站選址定容優(yōu)化規(guī)劃方法。文獻(xiàn)[1-2]建立了含一體站的ADN優(yōu)化調(diào)度模型。文獻(xiàn)[4]提出了一種一體站出力輔助ADN故障恢復(fù)方法。EV所耗電能由傳統(tǒng)機(jī)組提供時(shí)，等于“以煤代油”，并非真正新能源[12]。文獻(xiàn)[12]提出以低碳效益最大化為目標(biāo)的DG和充電站協(xié)調(diào)投資方法。文獻(xiàn)[13]建立以EV駛向充電站引起的碳排放為目標(biāo)的充電站規(guī)劃模型。文獻(xiàn)[14]建立了考慮碳排放的光儲(chǔ)充電站規(guī)劃模型。文獻(xiàn)[15]建立了考慮低碳收益的充電站規(guī)劃模型。文獻(xiàn)[16]以充電站碳減排收益分析為基礎(chǔ)，建立充電站規(guī)劃模型。文獻(xiàn)[17]建立了考慮碳足跡的充電站和風(fēng)機(jī)（Wind Turbine, WT）規(guī)劃模型。還未見有考慮碳減排因素的一體站綜合規(guī)劃的研究報(bào)道，如何充分發(fā)揮一體站輔助ADN的碳減排作用，實(shí)現(xiàn)兩者低碳化協(xié)調(diào)規(guī)劃及互補(bǔ)運(yùn)行，對一體站綜合運(yùn)行和規(guī)劃配置數(shù)學(xué)模型的構(gòu)建還需進(jìn)一步研究。

目前考慮碳排放的ADN規(guī)劃研究較少[19-24]。WT和光伏（Photovoltaic, PV）等清潔能源發(fā)電可減少碳排放和化石能源消耗[12]。文獻(xiàn)[19]以年碳排放量為目標(biāo)建立ADN的DG容量規(guī)劃模型。文獻(xiàn)[20]建立了低碳ADN擴(kuò)展規(guī)劃模型。文獻(xiàn)[21]建立了低碳經(jīng)濟(jì)下的ADN規(guī)劃模型。文獻(xiàn)[22]以低碳經(jīng)濟(jì)為背景，建立了考慮大規(guī)模DG接入的ADN變電站規(guī)劃模型。文獻(xiàn)[23]對低碳經(jīng)濟(jì)下的大量DG接入ADN的規(guī)劃技術(shù)進(jìn)行了綜述。文獻(xiàn)[24]提出一種低碳經(jīng)濟(jì)中廣泛引入DG的ADN變電站的規(guī)劃方法。上述研究未定義含EV的ADN碳排放責(zé)任，未對ADN資產(chǎn)設(shè)備的碳排放量模型及碳交易機(jī)制進(jìn)行構(gòu)建。文獻(xiàn)[25]構(gòu)建了綜合能源系統(tǒng)碳交易機(jī)制。文獻(xiàn)[26]對發(fā)、輸、用各方碳排放責(zé)任分?jǐn)倷C(jī)制進(jìn)行了明確，避免碳排放重復(fù)計(jì)算。ADN碳排放責(zé)任描述的準(zhǔn)確性和合理性直接影響其碳排放量及其參與碳交易的優(yōu)化分析的準(zhǔn)確性。分析含EV充換電設(shè)施的ADN設(shè)備資產(chǎn)，明確ADN碳排放責(zé)任，并以此為基礎(chǔ)描述含充換電設(shè)施的ADN的碳增量以及碳交易機(jī)制，才能準(zhǔn)確指導(dǎo)含EV的ADN低碳化規(guī)劃及運(yùn)行。如何規(guī)劃配置計(jì)及碳減排的含EV的ADN各類設(shè)備，如何協(xié)調(diào)ADN設(shè)備參與碳減排，目前還未見有涉及碳減排的ADN網(wǎng)架規(guī)劃、DG容量配置方法，以及ADN碳凈增量模型及其碳交易機(jī)制的研究。

含EV的配電系統(tǒng)的規(guī)劃研究較少[27-28]，對含EV的ADN的規(guī)劃研究文獻(xiàn)也鮮見[29-34]，充換電設(shè)施規(guī)劃必須與配電系統(tǒng)規(guī)劃相協(xié)調(diào)[27]。文獻(xiàn)[27]建立了充電網(wǎng)絡(luò)和配電網(wǎng)協(xié)調(diào)規(guī)劃模型。文獻(xiàn)[28]構(gòu)建了儲(chǔ)能、充電站和配電網(wǎng)聯(lián)合規(guī)劃模型。文獻(xiàn)[29]建立了含充電站的ADN規(guī)劃模型。文獻(xiàn)[30]構(gòu)建了含風(fēng)、光、儲(chǔ)和充電站的ADN協(xié)同規(guī)劃模型。文獻(xiàn)[31]建立了基于EV調(diào)度的ADN規(guī)劃模型。文獻(xiàn)[32]提出一種含插電EV的ADN的儲(chǔ)能和DG規(guī)劃方法。文獻(xiàn)[33]建立了含共享EV、光伏、儲(chǔ)能的ADN拓展規(guī)劃模型。文獻(xiàn)[34]提出一種ADN中的EV充電站優(yōu)化配置模型。上述研究驗(yàn)證了協(xié)調(diào)規(guī)劃可提高供電可靠性和電能質(zhì)量，平抑EV和DG功率波動(dòng)，提升DG滲透率，減少規(guī)劃投資和資源浪費(fèi)，提高運(yùn)行效益，實(shí)現(xiàn)綜合經(jīng)濟(jì)更優(yōu)[27-34]。上述研究缺乏EV和ADN協(xié)調(diào)規(guī)劃及運(yùn)行對碳減排影響的考慮。還未見有EV一體站和ADN協(xié)調(diào)規(guī)劃的相關(guān)研究文獻(xiàn)，對考慮碳減排的一體站和ADN協(xié)調(diào)規(guī)劃的研究報(bào)道更為鮮見。

獅群優(yōu)化算法（Lion Swarm Optimization, LSO）尋優(yōu)速度快、精度高，但算法存在早熟問題[35]。通過混沌過程隨機(jī)搜索特性[4]和模擬退火概率突跳特性[4]的算法改進(jìn)LSO算法的全局最優(yōu)性。還未見有綜合上述兩種方法對LSO算法性能進(jìn)行改進(jìn)，并利用改進(jìn)算法對EV充換電設(shè)施和ADN綜合規(guī)劃問題進(jìn)行求解的研究報(bào)道。

基于上述研究背景，本文進(jìn)行以下研究：根據(jù)一體站結(jié)構(gòu)和運(yùn)行特點(diǎn)，建立一體站綜合運(yùn)行和規(guī)劃配置模型；提出計(jì)及碳減排的ADN規(guī)劃方法：首先提出ADN網(wǎng)架規(guī)劃方法和DG容量優(yōu)化配置方法，并構(gòu)建ADN碳凈增量模型及其階梯碳交易機(jī)制，進(jìn)而構(gòu)建計(jì)及碳減排的ADN運(yùn)行模型；建立計(jì)及碳減排的一體站和ADN協(xié)調(diào)規(guī)劃模型；提出混沌模擬退火獅群優(yōu)化（Chaos Simulated Annealing LSO, CSLSO）算法求解本文規(guī)劃模型。

1 ADN碳減排責(zé)任劃分與機(jī)理分析

化石燃料燃燒產(chǎn)生溫室氣體形成碳排放[36]。發(fā)展低碳電力是電力行業(yè)可持續(xù)發(fā)展的必經(jīng)之路[37]。面向低碳電網(wǎng)的規(guī)劃方法，可借助碳排放流進(jìn)行分析[37]，關(guān)鍵是準(zhǔn)確辨識(shí)電力系統(tǒng)中碳排放的“來龍去脈”[37]。電能作為商品的效用全部由消費(fèi)者獲得，當(dāng)不同地區(qū)間存在電能交換時(shí)，發(fā)電產(chǎn)生的能源消耗與碳排放卻不會(huì)隨著電能轉(zhuǎn)移。發(fā)電環(huán)節(jié)通常被認(rèn)為是碳排放源頭，但實(shí)際上，需求引致生產(chǎn)，即電力負(fù)荷才是碳排放真正源頭[36]。而某種意義上，電網(wǎng)本身屬于發(fā)電側(cè)的電力負(fù)荷，而電網(wǎng)負(fù)荷節(jié)點(diǎn)又屬于電網(wǎng)的電力負(fù)荷。合理劃分各企業(yè)和用戶在電力交換情況下因支撐經(jīng)濟(jì)發(fā)展伴隨的低碳責(zé)任，有利于電力系統(tǒng)低碳減排目標(biāo)的合理分配。用戶功率需求引發(fā)發(fā)電側(cè)電力生產(chǎn)，引發(fā)的碳排放為用戶碳排放；電網(wǎng)電能傳輸（轉(zhuǎn)換）過程中產(chǎn)生損耗，造成發(fā)電側(cè)電力生產(chǎn)增量，引發(fā)的碳排放為電網(wǎng)碳排放，理論上，發(fā)電側(cè)向環(huán)境排放的碳排放總量應(yīng)等于電網(wǎng)和用戶碳排放量之和[26]。

1.1 ADN碳排放責(zé)任劃分

本文主要根據(jù)設(shè)備（包括發(fā)電設(shè)備、供儲(chǔ)能設(shè)備及用電設(shè)備）的資產(chǎn)歸屬權(quán)對碳排放責(zé)任進(jìn)行劃分，即將某個(gè)設(shè)備運(yùn)行導(dǎo)致的碳排放增加量/減少量按照該設(shè)備的資產(chǎn)歸屬劃分至對應(yīng)的企業(yè)或用戶。本文資產(chǎn)歸屬ADN的設(shè)備主要有ADN網(wǎng)架、EV充換電設(shè)施和DG。ADN碳流如圖1所示。

圖1 碳流

1.2 ADN碳減排機(jī)理

電網(wǎng)碳減排機(jī)理一般有：

1）吸收CO2減排機(jī)理。如配置電轉(zhuǎn)氣（Power to Gas, P2G）設(shè)備，將CO2作為P2G原料進(jìn)行電轉(zhuǎn)氣，直接吸收CO2。若這部分P2G吸收的CO2消耗的電能由傳統(tǒng)機(jī)組發(fā)電得到，則對于整體環(huán)境而言并未減少總的碳排放量，反而增加由于電能從發(fā)電側(cè)經(jīng)電網(wǎng)傳輸?shù)絇2G設(shè)備過程中產(chǎn)生的網(wǎng)損帶來的碳排放增加量，但電網(wǎng)作為P2G設(shè)備資產(chǎn)方，可利用這部分吸收減少的CO2參與碳交易。

2）間接減少傳統(tǒng)機(jī)組發(fā)電量的減排機(jī)理。通過規(guī)劃配置DG等清潔能源發(fā)電，從而降低傳統(tǒng)機(jī)組發(fā)電量，進(jìn)而降低整個(gè)環(huán)境的碳排放量，同時(shí)，電網(wǎng)可以利用這部分DG發(fā)電減少的碳排放量進(jìn)行碳交易。本文ADN規(guī)劃方法利用DG發(fā)電間接減少傳統(tǒng)機(jī)組發(fā)電量，實(shí)現(xiàn)ADN碳減排，碳減排機(jī)理如圖2所示。

圖2 本文規(guī)劃方法的碳減排機(jī)理

2 充換儲(chǔ)一體站模型

基于一體站結(jié)構(gòu)及其站內(nèi)系統(tǒng)的運(yùn)行和服務(wù)方式，描述一體綜合運(yùn)行和配置模型。

2.1 充儲(chǔ)一體站結(jié)構(gòu)

一體站內(nèi)主要由快充系統(tǒng)（Fast Charging System, FCS）、快換系統(tǒng)（Fast Swapping System, FSS）和梯級儲(chǔ)能系統(tǒng)（Cascade Energy Storage System, CESS）三部分組成[4]。FCS、FSS分別對充電EV(Plug EV, PEV）、換電公交車（Electric Bus, EB）提供快充、快換服務(wù)，CESS利用梯級儲(chǔ)能對負(fù)荷進(jìn)行調(diào)節(jié)。一體站結(jié)構(gòu)如圖3所示。

2.2 一體站綜合運(yùn)行和規(guī)劃配置模型

為保證PEV快速充電需求的服務(wù)質(zhì)量，F(xiàn)CS不參與放電。FSS內(nèi)EB動(dòng)力電池參與放電將大大縮短電池壽命，F(xiàn)SS不參與放電。FCS、FSS和CESS

圖3 充換儲(chǔ)一體站結(jié)構(gòu)

出力分別滿足式（2）～式（4）。

同時(shí)，一體站各部分滿足如下配置模型。

1）FCS服務(wù)和配置模型

2）FSS服務(wù)和配置模型

EB屬于市政公共交通工具，營運(yùn)時(shí)間長，購置成本高，資產(chǎn)歸公交公司，有嚴(yán)格行駛（發(fā)車/到站/?？浚r(shí)間和線路計(jì)劃，以保證市政公共交通服務(wù)水平。同時(shí)，政府從制度和公交專用車道建設(shè)方面來保證公交車輛“按時(shí)按點(diǎn)”運(yùn)營。故EB在運(yùn)營時(shí)間內(nèi)出現(xiàn)電量偏低，前往FSS實(shí)現(xiàn)“即到即換”的快換服務(wù)，故FSS設(shè)備數(shù)量配置以實(shí)現(xiàn)EB快換需求為目標(biāo)，滿足式（9）～式（14）。

3）CESS運(yùn)行和配置模型

EV電池全壽命利用后，容量和充放電效率均發(fā)生部分衰減，將難以繼續(xù)達(dá)到EV正常行駛的技術(shù)標(biāo)準(zhǔn)，成為退役電池，經(jīng)過回收、拆解、檢測和重組，并配置于CESS中梯級利用。梯級電池可實(shí)現(xiàn)容量重組標(biāo)準(zhǔn)化，但充放電效率等特性則難以完全修復(fù)，本文CESS運(yùn)行優(yōu)化主要考慮梯級儲(chǔ)能的充放電效率損失。與常規(guī)全新儲(chǔ)能系統(tǒng)相比，CESS可最大限度地發(fā)揮退役電池殘余價(jià)值，提高儲(chǔ)能經(jīng)濟(jì)性，降低EV退役電池處理的經(jīng)濟(jì)和環(huán)境壓力。FCS和FSS均為快速EV電能補(bǔ)充設(shè)施，配備CESS對兩者以及站外負(fù)荷進(jìn)行調(diào)節(jié)，CESS出力計(jì)劃策略：根據(jù)ADN從大電網(wǎng)的分時(shí)購電電價(jià)以及ADN的EV負(fù)荷和DG出力的變化對ADN進(jìn)行調(diào)節(jié)，降低ADN購電成本。CESS運(yùn)行和配置約束滿足

3 計(jì)及碳減排的主動(dòng)配電網(wǎng)規(guī)劃方法

3.1 主動(dòng)配電網(wǎng)網(wǎng)架規(guī)劃方法

對于任意兩個(gè)節(jié)點(diǎn)之間，只能規(guī)劃建設(shè)同種容量規(guī)格的一條線路，滿足

同時(shí)，通過式（27）保證ADN輻射狀網(wǎng)絡(luò)約束。

考慮當(dāng)某條線路配置DG后，線路優(yōu)化規(guī)格可能小于未配置DG時(shí)，同時(shí)考慮DG出力不確定性，優(yōu)化比較是否配置DG（或出力為0，即最惡劣工況）時(shí)的線路容量規(guī)格，則取兩者中較大的值。

3.2 DG容量優(yōu)化配置方法

3.2.1 風(fēng)機(jī)容量配置

WT裝機(jī)容量大于其出力上限，滿足式（28）。以風(fēng)速為自變量描述WT出力模型[40]，滿足式（29）。

3.2.2 光伏容量配置

PV裝機(jī)容量大于其出力上限，PV出力和光照強(qiáng)度的變化保持一致[40]，其裝機(jī)容量和運(yùn)行模型分別滿足

3.3 計(jì)及碳減排的主動(dòng)配電網(wǎng)運(yùn)行模型

首先根據(jù)ADN碳排放責(zé)任建立ADN碳凈增量模型，進(jìn)而構(gòu)建ADN階梯碳交易機(jī)制。

3.3.1 ADN碳凈增量模型

充分利用DG可獲得更好環(huán)境效益[12,19]。將電能用戶有功需求引發(fā)的碳排放歸為用戶碳排放，電能傳輸過程中的損耗為電網(wǎng)碳排放[26]。ADN碳排放責(zé)任：屬于ADN設(shè)備資產(chǎn)的網(wǎng)架以及EV充換電設(shè)施的運(yùn)行產(chǎn)生能耗將增加ADN碳排放，而屬于ADN資產(chǎn)的DG發(fā)電將減少其碳排量。本文對ADN碳凈增量的描述為

3.3.2 ADN階梯碳交易機(jī)制

ADN參與碳交易市場，根據(jù)實(shí)際碳排放量購買或出售相應(yīng)的碳排放權(quán)[25]。當(dāng)碳排放量小于免費(fèi)分配的碳排放額（基礎(chǔ)碳配額）時(shí)，則ADN可以在碳交易市場出售多余的碳排放配額，從而獲得碳交易收益，故此時(shí)碳交易單價(jià)為負(fù)值；當(dāng)碳排放量大于免費(fèi)分配的碳排放額時(shí)，表示ADN需要在碳交易市場購買碳排放權(quán)，以支付超額的碳排放量，產(chǎn)生碳交易成本，故此時(shí)碳交易單價(jià)為正值。本文ADN階梯單位碳交易費(fèi)用滿足

ADN階梯單位碳交易費(fèi)用示意圖如圖4所示。

圖4 ADN階梯單位碳交易費(fèi)用示意圖

4 計(jì)及碳減排的一體站和ADN協(xié)調(diào)規(guī)劃模型

本文以計(jì)及碳交易費(fèi)用的規(guī)劃年綜合成本為目標(biāo)，建立計(jì)及碳減排的一體站和ADN協(xié)調(diào)規(guī)劃模型，對含有WT、PV和一體站的ADN進(jìn)行綜合規(guī)劃及運(yùn)行狀態(tài)優(yōu)化。

4.1 目標(biāo)函數(shù)

各類費(fèi)用滿足

4.2 約束條件

規(guī)劃滿足如下約束。

1）電網(wǎng)潮流約束[41-42]

2）功率平衡約束

3）儲(chǔ)能運(yùn)行電量約束

4）變電站擴(kuò)容約束

5）一體站建站約束

6）一體站變壓器容量約束

5 模型求解

5.1 混沌模擬退火獅群算法原理

LSO算法是一種基于獅群協(xié)作捕獵機(jī)制的優(yōu)化算法[35]。本文針對LSO算法存在的一定的早熟問題[35]，將混沌映射和模擬退火過程[4]融入LSO算法，提出CSLSO算法，求解本文規(guī)劃模型，算法流程如圖5所示，具體步驟如下。

（2）獅子位置更新。本文CSLSO算法利用模擬退火概率判定獅子是否更新位置，更新策略滿足

（3）判斷停止。判斷是否達(dá)到搜索次數(shù)上限，若是則輸出獅王，即最優(yōu)解；若不滿足則對獅群進(jìn)行重新排序，重新確定三類獅子的位置，并返回步驟（2）繼續(xù)迭代。

圖5 混沌模擬退火獅群算法流程

5.2 模型求解流程

本文規(guī)劃模型包含一體站選址定容、ADN網(wǎng)架及DG容量規(guī)劃，同時(shí)優(yōu)化含一體站的ADN的運(yùn)行工況，模型求解框架如圖6所示。

圖6 模型求解框架圖

具體步驟如下：

（3）模型優(yōu)化。執(zhí)行CSLSO算法優(yōu)化，優(yōu)化AND網(wǎng)架、DG容量、一體站建站位置及規(guī)模，同時(shí)優(yōu)化一體站和AND運(yùn)行工況，并計(jì)算潮流[45]和目標(biāo)函數(shù)值。

6 算例

6.1 參數(shù)設(shè)置

算例以某地區(qū)實(shí)際規(guī)劃區(qū)為例，如圖7所示。

圖7 規(guī)劃區(qū)示意圖

抽樣預(yù)測每輛PEV的產(chǎn)生充電需求的時(shí)間和位置。PEV首先行駛到最近的道路節(jié)點(diǎn)，進(jìn)而通過規(guī)劃區(qū)道路行駛到一體站。根據(jù)前文2.2節(jié)FCS服務(wù)和配置模型中對PEV的電量狀態(tài)和進(jìn)站快速充電服務(wù)需求的分析，該文設(shè)PEV進(jìn)站SOC為電池SOC下限。規(guī)劃區(qū)共10輛EB，運(yùn)營時(shí)段為5:00～24:00，路線為逆時(shí)針環(huán)線，EB在運(yùn)營時(shí)段可近似視為一直行駛。算法基本參數(shù)見文獻(xiàn)[4,35,43]。其他參數(shù)見附圖1～附圖4和附表1～附表5。

采用本文提出的模型和求解方法，分兩種場景進(jìn)行規(guī)劃研究：①場景1為考慮碳減排的一體站和ADN協(xié)調(diào)規(guī)劃；②場景2為不考慮碳減排的一體站和ADN協(xié)調(diào)規(guī)劃（優(yōu)化時(shí)目標(biāo)函數(shù)去除碳交易費(fèi)用，最后根據(jù)優(yōu)化規(guī)劃結(jié)果計(jì)算碳減排費(fèi)用）。

6.2 算例分析

規(guī)劃項(xiàng)目各類年成本見表1。

表1 規(guī)劃項(xiàng)目各類年成本

由表1可知，由于場景1配備較多的DG，并導(dǎo)致ADN網(wǎng)架規(guī)模的增大，場景1基建費(fèi)用較場景2高572.97萬元。儲(chǔ)能成本由一體站的FSS和CESS儲(chǔ)能配置產(chǎn)生，2個(gè)場景儲(chǔ)能費(fèi)用相同。由于場景1大容量DG出力承擔(dān)較多用電負(fù)荷，使得場景1購電成本大幅下降，場景1比場景2低2 141.80萬元（場景2購電費(fèi)用接近場景1的11倍）。也正因?yàn)閳鼍?的DG和ADN網(wǎng)架配置規(guī)模較大，所以場景1運(yùn)維費(fèi)用較場景2高179.24萬元。由于對DG的合理配置和出力優(yōu)化，兩個(gè)場景ADN均實(shí)現(xiàn)了在碳交易市場中出售碳排放配額以獲得收益，場景1碳交易帶來的收益比場景2高1 509.43萬元，兩個(gè)場景ADN不僅未使用免費(fèi)碳配額，反而使碳凈排放量達(dá)到負(fù)值，場景1和2的年碳凈排放量（等效電量）分別達(dá)到-79 064.03MW?h和-17 370.32MW?h，對應(yīng)的階梯單位碳價(jià)分別為－200萬元/MW?h和 －50萬元/(MW?h)，節(jié)約常規(guī)發(fā)電機(jī)組年環(huán)境碳排量分別為85389.15t和18 759.95t（常規(guī)機(jī)組碳排量1.08t/（MW?h）[25]）。這表明本文建立的計(jì)及碳減排的協(xié)調(diào)規(guī)劃方法，給ADN帶來更好的碳交易經(jīng)濟(jì)效益，提高了ADN環(huán)保性和經(jīng)濟(jì)性。雖然場景1在基建、運(yùn)維費(fèi)用上略高于場景2，但是由于場景1在購電、碳交易費(fèi)用上具有的較大優(yōu)勢，所以場景1年綜合成本比場景2低2 899.02萬元（場景2年綜合成本接近場景1的3倍）。綜上所述，本文計(jì)及碳減排的一體站和ADN協(xié)調(diào)規(guī)劃方法具有更好的綜合經(jīng)濟(jì)優(yōu)勢和環(huán)境優(yōu)勢。

規(guī)劃年均基建投資費(fèi)用見表2，圖8為ADN網(wǎng)架和一體站布局優(yōu)化結(jié)果，ADN線路配置結(jié)果見表3，變電站擴(kuò)容容量見表4，DG容量配置結(jié)果見表5，一體站建站規(guī)模見表6。

表2 規(guī)劃年均基建投資費(fèi)用

Tab.2 Annual construction cost of planning project

圖8 網(wǎng)架和一體站布局優(yōu)化結(jié)果

表3 線路配置結(jié)果

表4 變電站擴(kuò)容容量

Tab.4 Capacity expansion of each substation

表5 DG容量配置結(jié)果

表6 一體站建站規(guī)模

Tab.6 The construction scale of CSSIS

由表2～表6和圖8的數(shù)據(jù)可以看出，出于對碳減排的考慮，場景1的風(fēng)機(jī)和光伏總?cè)萘勘葓鼍?分別高8 400kV?A和6 000kV?A，使得場景1在ADN網(wǎng)架局部線路規(guī)格大于場景2，這也是場景1的DG、網(wǎng)架投資分別高于場景2為749.99萬元和218.35萬元的原因，也導(dǎo)致場景1的DG投資在總基建投資中占比較大，為44.46%。相比場景2，場景1更多的ADN負(fù)荷被DG所承擔(dān)，降低ADN對外部電網(wǎng)的功率需求，使得場景1的ADN變電站的擴(kuò)容建設(shè)規(guī)模比場景2小9 700 kV?A，導(dǎo)致場景1變電站擴(kuò)容投資比場景2低395.38萬元，這也是場景2變電站擴(kuò)容投資在總基建投資中占高達(dá)34.84%的原因。而兩個(gè)場景的一體站建站規(guī)模相同，導(dǎo)致一體站投資相同。因?yàn)樯鲜鲈?，使得場?總基建投資相對較高。

由圖8和表3、表4可知，場景1和場景2中ADN網(wǎng)架的拓?fù)鋬?yōu)化結(jié)果一致，本文提出的ADN網(wǎng)架規(guī)劃方法較好地實(shí)現(xiàn)了對ADN所有節(jié)點(diǎn)的供電路徑優(yōu)化，和對線路規(guī)格的優(yōu)化選型，同時(shí)網(wǎng)架結(jié)構(gòu)滿足輻射狀分布，線路規(guī)劃結(jié)果滿足DG出力的要求，并且得到了變電站擴(kuò)容結(jié)果，使規(guī)劃具有較高的綜合性和全面性。

由表5可知，場景1各DG容量達(dá)到配置上限，而場景2中DG容量相對較小，說明場景1中DG配置受到碳交易成本影響較大，而場景2的DG配置主要受到DG和網(wǎng)架單位成本以及負(fù)荷和電價(jià)影響。這表明本文考慮碳減排的ADN規(guī)劃方法有利于提高系統(tǒng)的分布式清潔能源的滲透率，具有一定的優(yōu)勢。

由表6可知，由于規(guī)劃區(qū)EV負(fù)荷整體水平和分布相同，故兩個(gè)場景一體站布局相同，整個(gè)規(guī)劃區(qū)內(nèi)一體站的各類站內(nèi)設(shè)備以及占地均分別相同。另外，各一體站CESS儲(chǔ)能按照上限進(jìn)行配置，可知CESS儲(chǔ)能配置主要受電價(jià)和站外負(fù)荷的影響，而FSS儲(chǔ)能配置主要取決于儲(chǔ)能價(jià)格。同時(shí)，通過最短路徑優(yōu)化算法優(yōu)化分配規(guī)劃區(qū)一體站站間負(fù)荷，導(dǎo)致同場景中兩個(gè)一體站建站規(guī)模的差異。

場景1和2的ADN負(fù)載率對比見表7，可知場景1中ADN線路平均負(fù)載率和平均最大負(fù)載率比場景2分別低5.99%和5.07%，同時(shí)，場景1的變電站平均負(fù)載率和平均最大負(fù)載率分別比場景2低9.70%和1.94%。充裕度是傳統(tǒng)配電系統(tǒng)可靠性分析的主導(dǎo)因素[46]，由對表7的分析可知，相比于場景2，采用本文提出的考慮碳減排協(xié)調(diào)規(guī)劃方法優(yōu)化得到的ADN系統(tǒng)，在具備較高規(guī)劃綜合經(jīng)濟(jì)性的同時(shí)，具有較低的線路和變壓器負(fù)載率水平，ADN具有較高的線路傳輸裕度以及變電裕度，減少ADN網(wǎng)絡(luò)越限的情況，在一定程度上提高ADN供電可靠性。

表7 ADN負(fù)載率對比

由圖9的一體站運(yùn)行狀況可知，在ADN高購電電價(jià)時(shí)段11:00～12:00、19:00～20:00，場景1和2的一體站均降低對ADN的負(fù)荷需求甚至對外放電，在其余低購電電價(jià)時(shí)充電，提高ADN運(yùn)行經(jīng)濟(jì)性。以一體站A為例分析，可知兩個(gè)場景的一體站FSS運(yùn)行電量均不低于各時(shí)段EB負(fù)荷電量需求，表明FSS規(guī)劃結(jié)果滿足快換負(fù)荷需求。通過對兩個(gè)場景FSS和CESS優(yōu)化結(jié)果對比可知，兩個(gè)場景FSS和CESS出力波動(dòng)趨勢分別具有一定的相似性。場景1的FSS波動(dòng)性更大，說明在兩個(gè)場景FSS配置容量相同的前提下，場景1的FSS儲(chǔ)能配置具有更好的負(fù)荷調(diào)節(jié)能力，而場景2的FSS的電量曲線和EB負(fù)荷電量需求較為接近，場景2的FSS儲(chǔ)能配置更多只為滿足EB負(fù)荷實(shí)時(shí)快換電量需求，調(diào)節(jié)冗余性較小。

圖9 一體站系統(tǒng)運(yùn)行狀況

場景1和2的ADN波動(dòng)性指標(biāo)對比見表8。由表8可知，場景2的ADN波動(dòng)性指標(biāo)比場景1的大59.47%。由此可知，場景1中ADN雖然配備更多DG，但由于場景1在計(jì)及碳減排因素下對DG和一體站進(jìn)行協(xié)調(diào)規(guī)劃及運(yùn)行優(yōu)化，更好地實(shí)現(xiàn)了DG和EV一體站的互補(bǔ)運(yùn)行，降低ADN整體功率需求的波動(dòng)性，有利于ADN的安全運(yùn)行。

表8 ADN波動(dòng)性指標(biāo)對比

場景1和2的節(jié)點(diǎn)故障平均失負(fù)荷率指標(biāo)對比見表9。由表9可知，場景1的節(jié)點(diǎn)故障平均失負(fù)荷率比場景2低2.58%。這是由于場景1配備更多的DG，在某一節(jié)點(diǎn)（線路）故障切除后，大容量DG出力可實(shí)現(xiàn)更好的孤島供電。本文提出的考慮碳減排的協(xié)調(diào)規(guī)劃方法，還可降低ADN故障失電范圍程度，降低了ADN系統(tǒng)容量不足的風(fēng)險(xiǎn)，提高網(wǎng)絡(luò)的供電可靠性。

表9 ADN網(wǎng)架節(jié)點(diǎn)故障失負(fù)荷率

Tab.9 Node fault load loss rate of

從圖10的ADN功率平衡優(yōu)化結(jié)果可以直觀地看出，由于碳交易成本的促使，直接影響了ADN分布式清潔能源的裝機(jī)容量以及出力。相比場景2，場景1的DG容量大、出力上限高，在ADN高負(fù)荷時(shí)DG出力盡可能滿足ADN負(fù)荷，同時(shí)一體站參與充放電，當(dāng)ADN低負(fù)荷時(shí)，DG在滿足ADN基本負(fù)荷和EV負(fù)荷的同時(shí)，反向?yàn)橹骶W(wǎng)提供電能，從而使得場景1具有較好的綜合經(jīng)濟(jì)性和環(huán)保性。同時(shí)，由附圖5的ADN節(jié)點(diǎn)電壓可知，兩個(gè)場景雖然在DG出力上有較大差別，但系統(tǒng)電壓均能滿足約束要求，說明本文考慮場景1在提高ADN碳減排效益的同時(shí)，能保證系統(tǒng)安全運(yùn)行。

圖10 功率平衡優(yōu)化結(jié)果

為驗(yàn)證CSLSO算法的優(yōu)勢，同時(shí)因篇幅所限，對比分析場景1的一體站在固定站址（A、B站建站站址分別為節(jié)點(diǎn)7、43）時(shí)的算法性能，利用CSLSO算法、LSO算法[35]、SA算法[48]、PSO算法[49]和GA算法[50]分別對本文模型優(yōu)化20次，取結(jié)果最好的一組分析。各算法適應(yīng)度曲線如圖11所示，不同算法的性能比較見表10。

圖11 各算法適應(yīng)度曲線

表10 不同算法的性能

Tab.10 Different algorithms performance

由圖11和表10可知，相比之下，本文CSLSO算法能快速收斂到最優(yōu)解，優(yōu)化所得最優(yōu)值最小，方均差相對最小，迭代次數(shù)和優(yōu)化耗時(shí)相對較少、尋優(yōu)率相對較高，所以本文CSLSO算法性能更優(yōu)。同時(shí)，本文CSLSO算法通過混沌過程和模擬退火過程的融入，較好地改善了LSO算法的早熟問題。

7 結(jié)論

本文提出了一種計(jì)及碳減排的EV一體站與ADN協(xié)調(diào)規(guī)劃方法，結(jié)論如下：

1）通過對一體站綜合運(yùn)行和規(guī)劃配置的合理建模優(yōu)化，使其有效響應(yīng)ADN功率調(diào)節(jié)和碳減排，實(shí)現(xiàn)充分考慮含一體站的ADN低碳化規(guī)劃及運(yùn)行，提高系統(tǒng)安全可靠經(jīng)濟(jì)環(huán)保性，提高規(guī)劃合理性和準(zhǔn)確性。

2）提出的ADN規(guī)劃方法明確了其碳排放責(zé)任，分析ADN資產(chǎn)設(shè)備的碳凈增量，通過碳交易獎(jiǎng)懲機(jī)制促使ADN主動(dòng)減排獲得碳收益。最終實(shí)現(xiàn)ADN網(wǎng)架結(jié)構(gòu)及線路規(guī)格的優(yōu)化，保證網(wǎng)架滿足DG出力以及輻射狀要求，并得到變電站擴(kuò)容結(jié)果，驗(yàn)證了本文ADN規(guī)劃方法的有效性、綜合性與合理性。

3）充分計(jì)及碳減排效益的EV一體站和ADN協(xié)調(diào)規(guī)劃，可提高ADN的DG滲透率，使DG盡可能地出力，促使ADN參與環(huán)境碳減排，使ADN獲得更好的碳交易收益，并大幅降低ADN購能費(fèi)用，降低ADN負(fù)載率和故障失負(fù)荷率，提高ADN電能傳輸可靠性及裕度，降低ADN和主網(wǎng)的交互功率波動(dòng)性，進(jìn)一步提升EV一體站與ADN低碳化協(xié)調(diào)規(guī)劃和互補(bǔ)運(yùn)行的系統(tǒng)安全性、可靠性、經(jīng)濟(jì)性和環(huán)保性。

4）在LSO算法的基礎(chǔ)上，引入混沌過程和模擬退火過程，提出混沌模擬退火獅群（CSLSO）算法對求解一體站與ADN協(xié)調(diào)規(guī)劃模型進(jìn)行求解時(shí)具有較高的尋優(yōu)速度和全局最優(yōu)性，實(shí)現(xiàn)了LSO算法易早熟的問題的改善。

本文所提方法對于解決計(jì)及碳減排的EV一體站和ADN協(xié)調(diào)規(guī)劃問題具有快速性、可行性和有效性，為含EV充換電設(shè)施的ADN綜合規(guī)劃提供一定的理論依據(jù)。

附 錄

附圖1 基本負(fù)荷曲線及分時(shí)購電電價(jià)

App.Fig.1 Basic load curves and time-sharing electricity purchase price

附圖2 風(fēng)速和光照強(qiáng)度

App.Fig.2 Wind speed and light intensity

附圖3 變壓器額定容量規(guī)格

App.Fig.3 Rated capacity specifications of transformer

附圖4 EV負(fù)荷曲線及分布

App.Fig.4 Load curve and distribution of EV

附表1 待選線路規(guī)格參數(shù)

App.Tab.1 Parameters of pending power line

參數(shù)線路I線路II線路III線路IV 線路容量/(MV?A)13510 單位長度電阻/(Ω/km)0.50.40.30.2 單位長度電抗/(Ω/km)0.350.3250.30.275 基建費(fèi)用/(萬元/km)50100150200 運(yùn)維費(fèi)用/(萬元/km)0.10.20.30.5

附表2 一體站設(shè)備參數(shù)

App.Tab.2 Equipment parameters of CSSIS

設(shè)備類型額定功率/kW單位費(fèi)用單位運(yùn)維費(fèi)用 快充機(jī)5020萬元/臺(tái)0.05萬元/(臺(tái)·年) 慢充機(jī)20025萬元/臺(tái)0.02萬元/(臺(tái)·年) 快換機(jī)2020萬元/臺(tái)0.01萬元/(臺(tái)·年) 充放電機(jī)20010萬元/臺(tái)0.1萬元/(臺(tái)·年) FSS儲(chǔ)能—0.1[萬元/(kW·h)]0.005萬元/(kW·h·年) CESS儲(chǔ)能—0.05[萬元/(kW·h)]0.002萬元/(kW·h·年) 站內(nèi)變壓器—0.025[萬元/(kV·A)]0.001萬元/(kW·h·年)

附表3 DG參數(shù)

App.Tab.3 Parameters of DG

DG類型WTPV 單位裝機(jī)容量規(guī)格/kW200200 單位裝機(jī)容量費(fèi)用/[萬元/(kV·A)]0.30.5 單位裝機(jī)容量運(yùn)維費(fèi)用/[萬元/ (kV·A·年)]0.010.02

附表4 待選站址地價(jià)

App.Tab.4 Land prices of candidate stations

節(jié)點(diǎn)編號購地單價(jià)/(萬元/m2)節(jié)點(diǎn)編號購地單價(jià)/(萬元/m2) 20.2260.3 50.35270.4 70.3400.35 230.5430.2

附表5 算例參數(shù)

App.Tab.5 Parameters of case study

參數(shù)數(shù)值參數(shù)數(shù)值 0.20.95 0.250 0.91 2000.2 0.21 0.26 100.9 0.9200 10.9 0.25 000 5 0001 1 0004 5020 000 1050 0.065 3652 0.324 20.003 0.22 10025 0.70.2 0.60.2 0.7 0.9

App.Fig.5 Node voltage of ADN

[1] 袁洪濤, 韋鋼, 張賀, 等. 計(jì)及充換儲(chǔ)一體站的主動(dòng)配電網(wǎng)魯棒優(yōu)化調(diào)度[J]. 中國電機(jī)工程學(xué)報(bào), 2020, 40(8): 2453-2468.

Yuan Hongtao, Wei Gang, Zhang He, et al. Robust optimal scheduling of active distribution network considering with the charging-swapping-storage integrated station[J]. Proceedings of the CSEE, 2020, 40(8): 2453-2468.

[2] 袁洪濤, 韋鋼, 張賀, 等. 基于模型預(yù)測控制含充換儲(chǔ)一體站的配電網(wǎng)優(yōu)化運(yùn)行[J]. 電力系統(tǒng)自動(dòng)化, 2020, 44(5): 187-197.

Yuan Hongtao, Wei Gang, Zhang He, et al. Model predictive control based optimal operation of distribution network with charging-swapping-storage integrated station[J]. Automation of Electric Power Systems, 2020, 44(5): 187-197.

[3] 曾夢隆, 韋鋼, 朱蘭, 等. 交直流配電網(wǎng)中電動(dòng)汽車充換儲(chǔ)一體站規(guī)劃[J]. 電力系統(tǒng)自動(dòng)化, 2021, 45(18): 52-60.

Zeng Menglong, Wei Gang, Zhu Lan, et al. Planning of integrated electric vehicle charging-swapping- storage station in AC/DC distribution network[J]. Automation of Electric Power Systems, 2021, 45(18): 52-60.

[4] 何晨可, 韋鋼, 袁丁, 等. 計(jì)及充換放儲(chǔ)一體化電站的主動(dòng)配電網(wǎng)故障恢復(fù)[J]. 電力系統(tǒng)自動(dòng)化, 2020, 44(13): 32-38.

He Chenke, Wei Gang, Yuan Ding, et al．Fault recovery of active distribution network considering charging-swapping-discharging-storage integrated power station[J]. Automation of Electric Power Systems, 2020, 44(13): 32-38.

[5] 曾博, 劉念, 張玉瑩, 等. 促進(jìn)間歇性分布式電源高效利用的主動(dòng)配電網(wǎng)雙層場景規(guī)劃方法[J]. 電工技術(shù)學(xué)報(bào), 2013, 28(9): 155-163, 171.

Zeng Bo; Liu Nian; Zhang Yuying, et al. Bi-level scenario programming of active distribution network for promoting intermittent distributed generation utilization[J]. Transactions of China Electrotechnical Society, 2013, 28(9): 155-163,171.

[6] 馬玲玲, 楊軍, 付聰, 等. 電動(dòng)汽車充放電對電網(wǎng)影響研究綜述[J]. 電力系統(tǒng)保護(hù)與控制, 2013, 41(3): 140-148.

Ma Lingling, Yang Jun, Fu Cong, et al. Review on impact of electric car charging and discharging on power grid[J]. Power system protection and control, 2013, 41(3): 140-148.

[7] 王錫凡, 邵成成, 王秀麗, 等. 電動(dòng)汽車充電負(fù)荷與調(diào)度控制策略綜述[J]. 中國電機(jī)工程學(xué)報(bào), 2013, 33(1): 1-10.

Wang Xifan, Shao Chengcheng, Wang Xiuli, et al. Survey of electric vehicle charging load and dispatch control strategies[J]. Proceeding of the CSEE, 2013, 33(1): 1-10.

[8] 師瑞峰, 李少鵬. 電動(dòng)汽車V2G問題研究綜述[J].電力系統(tǒng)及其自動(dòng)化學(xué)報(bào), 2019, 31(6): 28-37.

Shi Ruifeng, Li Shaopeng. Review on studies of V2G problem in electric vehicles[J]. Proceedings of the CSU-EPSA, 2019, 31(6): 28-37.

[9] 劉曉飛, 張千帆, 崔淑梅. 電動(dòng)汽車V2G技術(shù)綜述[J]. 電工技術(shù)學(xué)報(bào), 2012, 27(2): 121-127.

Liu Xiaofei, Zhang Qianfan, Cui Shumei. Review of electric vehicle V2G technology[J]. Transactions of China Electrotechnical Society, 2012, 27(2): 121-127.

[10] 薛飛, 雷憲章, 張野飚, 等. 電動(dòng)汽車與智能電網(wǎng)從V2G到B2G的全新結(jié)合模式[J]. 電網(wǎng)技術(shù), 2012, 36(2): 29-34.

Xue Fei, Lei Zhangzhang, Zhang Yebiao, et al. A brand-new approach of connecting electrical vehicles with smart grid from vehicle-to-grid mode to battery-to-grid[J]. Power System Technology, 2012, 36(2): 29-34.

[11] 馮俊淇, 解大, 賈玉健, 等. 電動(dòng)汽車充放儲(chǔ)一體化電站調(diào)度參數(shù)分析[J]. 電網(wǎng)技術(shù), 2013, 37(12): 3325-3330.

Feng Junqi, Xie Da, Jia Yujian, et al. Dispatch parameters analysis of charging/discharging and storage integrated station for electric vehicles[J]. Power System Technology, 2013, 37 (12): 3325-3330.

[12] 盧志剛, 姜春光, 李學(xué)平, 等. 清潔能源與電動(dòng)汽車充電站協(xié)調(diào)投資的低碳效益分析[J]. 電工技術(shù)學(xué)報(bào), 2016, 31(19): 163-171.

Lu Zhigang, Jiang Chunguang, Li Xueping, et al. Low-carbon benefit analysis on coordinating investment for clean energy and electric vehicle charging stations[J]. Transactions of China Electrotechnical Society, 2016, 31(19): 163-171.

[13] 陳光, 毛召磊, 李濟(jì)沅, 等. 計(jì)及碳排放的電動(dòng)汽車充電站多目標(biāo)規(guī)劃[J]. 電力系統(tǒng)自動(dòng)化, 2014, 38(17): 49-53, 136.

Chen Guang, Mao Zhaolei, Li Jiyuan, et al. Multi-objective optimal planning of electric vehicle charging stations considering carbon emission[J]. Automation of Electric Power Systems, 2014, 38(17): 49-53, 136.

[14] 劉國明, 于暉, 康凱, 等. 考慮需求響應(yīng)與碳排放的光儲(chǔ)充電站容量配置[J]. 電力系統(tǒng)及其自動(dòng)化學(xué)報(bào), 2021, 33(7): 106-112.

Liu Guoming, Yu Hui, Kang Kai, et al. Capacity optimization of PV-storage-charging stations considering demand response and carbon emission[J]. Proceedings of the CSU-EPSA, 2021, 33(7): 106-112.

[15] 程宏波, 肖永樂, 王勛, 等. 考慮低碳收益的電動(dòng)汽車充電站選址規(guī)劃[J]. 中國電力, 2016, 49(7): 118-121.

Cheng Hongbo, Xiao Yongle, Wang Xun, et al. Site planning of EV charging station by considering low carbon emission[J]. Electric Power, 2016, 49(7): 118-121.

[16] 官嘉玉, 江修波, 劉麗軍. 考慮電動(dòng)汽車隨機(jī)充電行為及低碳效益的充電站規(guī)劃[J]. 電力科學(xué)與技術(shù)學(xué)報(bào), 2019, 34(4): 93-100.

Guan Jiayu, Jiang Xiubo, Liu Lijun. Optimal allocation of charging stations considering the stochastic charging behavior and low carbon efficiency of electric vehicles[J]. Journal of Electric Power Science and Technology, 2019, 34(4): 93-100.

[17] Amer A, Azab A, Azzouz M A, et al. A stochastic program for siting and sizing fast charging stations and small wind turbines in urban areas[J]. IEEE Transactions on Sustainable Energy, 2021, 12(2): 1217-1228.

[18] 何晨可, 韋鋼, 朱蘭, 等. 電動(dòng)汽車充換放儲(chǔ)一體化電站選址定容[J]. 中國電機(jī)工程學(xué)報(bào), 2019, 39(2): 479-489.

He Chenke, Wei Gang, Zhu Lan, et al. Locating and sizing of electric vehicle charging-swapping- discharging-storage integrated station[J]. Proceeding of the CSEE, 2019, 39(2): 479-489.

[19] 張沈習(xí), 李珂, 程浩忠, 等. 間歇性分布式電源在主動(dòng)配電網(wǎng)中的優(yōu)化配置[J]. 電力自動(dòng)化設(shè)備, 2015, 35(11): 45-51.

Zhang Shenxi, Li Ke, Cheng Haozhong, et al. Optimal allocation of intermittent distributed generator in active distribution network[J]. Electric Power Automation Equipment, 2015, 35(11): 45-51.

[20] 寧超, 張峰, 李衛(wèi)華, 等. 基于空間負(fù)荷布局的低碳主動(dòng)配電網(wǎng)擴(kuò)展規(guī)劃研究[J]. 電網(wǎng)與清潔能源, 2020, 36(9): 37-42.

Ning Chao, Zhang Feng, Li Weihua, et al. Research on expansion planning of low carbon active distribution network based on space load layout[J]. Power System and Clean Energy, 2020, 36(9): 37-42.

[21] 李昱佳, 董川. 基于兩種仿生算法的低碳主動(dòng)配電網(wǎng)規(guī)劃[J]. 中國電力, 2017, 50(4): 66-70.

Li Yujia, Dong Chuan. low-carbon active distribution network planning based on two bionic algorithms[J]. Electric Power, 2017, 50(4): 66-70.

[22] Wang Shiju, Wang Zhe, Xu Jing, et al. Substation planning method for active distribution network in the context of energy internet[C]//2016 China International Conference on Electricity Distribution (CICED), Xi’an, China, 2016, doi: 10.1109/ CICED. 2016. 7576131.

[23] Cui Rongjian, Hou Hui, Deng Xiangtian, et al. An overview of planning technology for active distribution network[C]//2019 IEEE Innovative Smart Grid Technologies-Asia (ISGT Asia), Chengdu, China, 2019: 1947-1951.

[24] Ge Shaoyun, Wang Shiju, Lu Zhiyin, et al. Substation planning method in an active distribution network under low-carbon economy[J]. Journal of Modern Power Systems and Clean Energy, 2015, 3(4): 468-474.

[25] 張曉輝, 劉小琰, 鐘嘉慶. 考慮獎(jiǎng)懲階梯型碳交易和電-熱轉(zhuǎn)移負(fù)荷不確定性的綜合能源系統(tǒng)規(guī)劃[J]. 中國電機(jī)工程學(xué)報(bào), 2020, 40(19): 6132-6141.

Zhang Xiaohui, Liu Xiaoyan, Zhong Jiaqing. Integrated energy system planning considering a reward and punishment ladder-type carbon trading and electric-thermal transfer load uncertainty[J]. Proceedings of the CSEE, 2020, 40(19): 6132-6141.

[26] 陳藝璇, 張孝順, 郭樂欣, 等. 基于多智能體遷移強(qiáng)化學(xué)習(xí)算法的電力系統(tǒng)最優(yōu)碳-能復(fù)合流求解[J]. 高電壓技術(shù), 2019, 45(3): 863-872.

Chen Yixuan, Zhang Xiaoshun, Guo Lexin, et al. Optimal carbon-energy combined flow in power system based on multi-agent transfer reinforcement learning[J]. High Voltage Engineering, 2019, 45(3): 863-872.

[27] 姚偉鋒, 趙俊華, 文福拴, 等. 配電系統(tǒng)與電動(dòng)汽車充電網(wǎng)絡(luò)的協(xié)調(diào)規(guī)劃[J]. 電力系統(tǒng)自動(dòng)化, 2015, 39(9): 10-18.

Yao Weifeng, Zhao Junhua, Wen Fushuan, et al. Coordinated planning for power distribution system and electric vehicle charging infrastructures[J]. Automation of Electric Power Systems, 2015, 39(9): 10-18.

[28] 賈龍, 胡澤春, 宋永華, 等. 儲(chǔ)能和電動(dòng)汽車充電站與配電網(wǎng)的聯(lián)合規(guī)劃研究[J]. 中國電機(jī)工程學(xué)報(bào), 2017, 37(1): 73-83.

Jia Long, Hu Zechun, Song Yonghua, et al. Joint planning of distribution networks with distributed energy storage systems and electric vehicle charging stations[J]. Proceedings of the CSEE, 2017, 37(1): 73-83.

[29] 孔順飛, 胡志堅(jiān), 謝仕煒, 等. 含電動(dòng)汽車充電站的主動(dòng)配電網(wǎng)二階段魯棒規(guī)劃模型及其求解方法[J]. 電工技術(shù)學(xué)報(bào), 2020, 35(5): 1093-1105.

Kong Shunfei, Hu Zhijian, Xie Shiwei, et al. Two-stage robust planning model and its solution algorithm of active distribution network containing electric vehicle[J]. Transactions of China Electrotechnical Society, 2020, 35(5): 1093-1105.

[30] 孔順飛, 胡志堅(jiān), 謝仕煒, 等. 計(jì)及風(fēng)光儲(chǔ)與充電站的主動(dòng)配電網(wǎng)雙層協(xié)同規(guī)劃[J]. 電測與儀表, 2019, 56(17): 60-68.

Kong Shunfei, Hu Zhijian, Xie Shiwei, et al. Bi-level collaborative planning of active distribution network considering wind-solar-storage and charging stations[J]. Electrical Measurement & Instrumentation, 2019, 56(17): 60-68.

[31] 馬文彪, 程亮, 陳紅坤. 考慮電動(dòng)汽車有序充電的主動(dòng)配電網(wǎng)網(wǎng)架規(guī)劃[J]. 電力科學(xué)與技術(shù)學(xué)報(bào), 2020, 35(3): 83-91.

Ma Wenbiao, Cheng Liang, Chen Hongkun. Framework planning considering coordinated charging of electric vehicles in active distribution networks[J]. Journal of Electric Power Science and Technology, 2020, 35(3): 83-91.

[32] Ahmadian A, Sedghi M, Aliakbar-Golkar M. Fuzzy load modeling of plug-in electric vehicles for optimal storage and DG planning in active distribution network[J]. IEEE Transactions on Vehicular Technology, 2017, 66(5): 3622-3631.

[33] Wang Shu, Dong Zhaoyang, Chen Chen, et al. Expansion Planning of active distribution networks with multiple distributed energy resources and EV sharing system[J]. IEEE Transactions on Smart Grid, 2020, 11(1): 602-611.

[34] Zeb M Z, Imran K, Khattak A, et al. Optimal placement of electric vehicle charging stations in the active distribution network[J]. IEEE Access, 2020, 8(1): 68124-68134.

[35] 張瓊藝, 劉立群, 劉天保, 等. 基于改進(jìn)獅群算法的主動(dòng)配電網(wǎng)綜合優(yōu)化研究[J]. 太原科技大學(xué)學(xué)報(bào), 2020, 41(3): 176-182.

Zhang Qiongyi, Liu Liqun, Liu Tianbao, et al. The comprehensive optimization of active distribution network based on improved lion swarm algorithm[J]. Journal of Taiyuan University of Science and Technology, 2020, 41(3): 176-182.

[36] 周天睿, 康重慶, 徐乾耀, 等. 電力系統(tǒng)碳排放流分析理論初探[J]. 電力系統(tǒng)自動(dòng)化, 2012, 36(7): 38-43, 85.

Zhou Tianrui, Kang Chongqing, Xu Qianyao, et al. Preliminary theoretical investigation on power system carbon emission flow[J]. Automation of Electric Power Systems, 2012, 36(7): 38-43, 85.

[37] 周天睿, 康重慶, 徐乾耀, 等. 電力系統(tǒng)碳排放流的計(jì)算方法初探[J]. 電力系統(tǒng)自動(dòng)化, 2012, 36(11): 44-49.

Zhou Tianrui, Kang Chongqing, Xu Qianyao, et al. Preliminary investigation on a method for carbon emission flow calculation of power system[J]. Automation of Electric Power Systems, 2012, 36(11): 44-49.

[38] 田立亭, 史雙龍, 賈卓. 電動(dòng)汽車充電功率需求的統(tǒng)計(jì)學(xué)建模方法[J]. 電網(wǎng)技術(shù), 2010, 34(11): 126-130.

Tian Liting, Shi Shuanglong, Jia Zhuo. A statistical model for charging power demand of electric vehicles[J]. Power System Technology, 2010, 34(11): 126-130.

[39] 盛萬興, 段青, 王良, 等. 基于多代理協(xié)調(diào)機(jī)制的能量路由器群組與配電網(wǎng)綜合規(guī)劃[J]. 高電壓技術(shù), 2021, 47(1): 1-11.

Sheng Wanxing, Duan Qing, Wang Liang, et al. Comprehensive planning for energy routers and distribution network based on multi-agent system coordination[J]. High Voltage Engineering, 2021, 47(1):1-11.

[40] 李揚(yáng), 韋鋼, 李功新, 等. 含DG的主動(dòng)配電網(wǎng)供電路徑優(yōu)化的研究[J]. 中國電機(jī)工程學(xué)報(bào), 2018, 38(7): 1971-1979.

Li Yang, Wei Gang, Li Gongxin, et al. Research on optimization of power supply route of active distribution network considering DG[J]．Proceedings of the CSEE, 2018, 38(7): 1971-1979.

[41] Zhu J Z. Optimization of power system operation[M]. Wiley-IEEE Press, 2015.

[42] 劉文霞, 富夢迪, 李涵深, 等. 計(jì)及信息失效的柔性配電系統(tǒng)集中-分散協(xié)調(diào)控制策略優(yōu)化[J]. 電工技術(shù)學(xué)報(bào), 2021, 36(22): 4749-4759.

Liu Wenxia, Fu Mengdi, Li Hanshen, et al. Centralized-decentralized control strategies optimization for flexible distribution network considering cyber failures[J]. Transactions of China Electrotechnical Society, 2021, 36(22): 4749-4759.

[43] Du Yan, Li Fangxing, Zheng Tongxin, et al. Fast cascading outage screening based on deep convolutional neural network and depth-first search[J]. IEEE Transactions on Power Systems, 2020, 35(4): 2704-2715.

[44] 張丹紅, 陳文文, 張華軍, 等. A*算法與蟻群算法相結(jié)合的無人艇巡邏路徑規(guī)劃[J]. 華中科技大學(xué)學(xué)報(bào)(自然科學(xué)版), 2020, 48(6): 13-18.

Zhang Danhong, Chen Wenwen, Zhang Huajun,et al. Patrol path planning of unmanned surface vehicle based on A* algorithm and ant colony algorithm[J]. Journal of Huazhong University of Science and Technology (Nature Science Edition), 2020, 48(6): 13-18.

[45] 朱繼忠. 電網(wǎng)安全經(jīng)濟(jì)運(yùn)行理論與技術(shù)[M]. 北京: 中國電力出版社, 2018.

[46] 孫瑜, Math Bollen, Graham Ault. 孤島狀態(tài)下含分布式電源的配電系統(tǒng)可靠性分析[J]. 電網(wǎng)技術(shù), 2008, 32(23): 77-81.

Sun Yu, Math Bollen, Graham Ault. Reliability analysis of islanded distribution systems with distributed energy resourses[J]. Power System Technology, 2008, 32(23): 77-81.

[47] 邵志芳, 趙強(qiáng), 張玉瓊. 獨(dú)立型微電網(wǎng)源荷協(xié)調(diào)配置優(yōu)化[J]. 電網(wǎng)技術(shù), 2021, 45(10): 3935-3946.

Shao Zhifang, Zhao Qiang, Zhang Yuqiong. Source side and load side coordinated configuration optimization for stand-alone micro-grid[J]. Power System Technology, 2021, 45(10): 3935-3946.

[48] 劉娜, 譚亦旻, 莫偉強(qiáng), 等.基于模擬退火算法的Halbach直線發(fā)電機(jī)優(yōu)化設(shè)計(jì)[J]. 電工技術(shù)學(xué)報(bào), 2021, 36(6): 1210-1218.

Liu Na, Tan Yimin, Mo Weiqiang, et al. Optimization design of Halbach linear generator with simulated annealing algorithm[J]. Transactions of China Electrotechnical Society, 2021, 36(6): 1210-1218.

[49] 李家祥, 汪鳳翔, 柯棟梁, 等. 基于粒子群算法的永磁同步電機(jī)模型預(yù)測控制權(quán)重系數(shù)設(shè)計(jì)[J]. 電工技術(shù)學(xué)報(bào), 2021, 36(1): 50-59, 76.

Li Jiaxiang, Wang Fengxiang, Ke Dongliang, et al. Weighting factors design of model predictive control for permanent magnet synchronous machine using particle[J]. Transactions of China Electrotechnical Society, 2021, 36(1): 50-59, 76.

[50] 袁立強(qiáng), 陸子賢, 孫建寧, 等. 電能路由器設(shè)計(jì)自動(dòng)化綜述—設(shè)計(jì)流程架構(gòu)和遺傳算法[J]. 電工技術(shù)學(xué)報(bào), 2020, 35(18): 3878-3893.

Yuan Liqiang, Lu Zixian, Sun Jianning, et al. Design automation for electrical energy router-design workflow framework and genetic algorithm: a review[J]. Transactions of China Electrotechnical Society, 2020, 35(18): 3878-3893.

Coordinated Planning of Electric Vehicle Charging-Swapping-Storage Integrated Station and Active Distribution Network Considering Carbon Reduction

He Chenke Zhu Jizhong Liu Yun Lan Jing Wu Wanli

（School of Electric Power Engineering South China University of Technology Guangzhou 510641 China）

A coordinated planning model of electric vehicle charging-swapping-storage integrated station (CSSIS) and active distribution network (ADN) considering carbon reduction was proposed. According to the ownership of equipment, the carbon emission responsibility and reduction mechanism of ADN were proposed. Based on the structure and operation characteristic of CSSIS, the models of operation and plan of CSSIS were built. Then, an ADN planning method considering carbon was proposed. Planning methods of network and distributed generation (DG) were built. And combing the energy loss and output of ADN equipment, carbon increment model and trading mechanism were proposed to build an ADN operation model considering carbon. A coordinated planning model of CSSIS and ADN was built with the goal of planning annual comprehensive cost considering carbon. A chaotic simulated annealing lion swarm algorithm was proposed to solve the planning model. And the case study results show that the electricity purchasing cost, annual comprehensive, carbon savings, and unit carbon price of the ADN planning considering the carbon are about 10%, 35%, 460%, and 4 times of the plan without considering the carbon, respectively. Finally, the feasibility and effectiveness of the model and method proposed in this paper are verified.

Carbon reduction, electric vehicle, charging-swapping-storage integrated station, active distribution network, coordinated planning, chaotic simulated annealing lion swarm algorithm

10.19595/j.cnki.1000-6753.tces.211255

TM715

廣東省科技計(jì)劃資助項(xiàng)目（2020A0505100004）。

2021-08-11

2021-09-20

何晨可 男，1993年生，博士研究生，研究方向?yàn)楹妱?dòng)汽車主動(dòng)配電網(wǎng)規(guī)劃與優(yōu)化等。E-mail：1197958177@qq.com

朱繼忠 男，1965年生，教授，博士生導(dǎo)師，研究方向?yàn)榫C合智慧能源系統(tǒng)優(yōu)化運(yùn)行與控制等方面。E-mail：zhujz@scut.edu.cn（通信作者）

（編輯 郭麗軍）