胡俊杰，賴信輝，郭 偉，張逾良，楊 燁

（1. 新能源電力系統(tǒng)國家重點(diǎn)實(shí)驗(yàn)室（華北電力大學(xué)）,北京市 102206；2. 國網(wǎng)河北省電力有限公司經(jīng)濟(jì)技術(shù)研究院,河北省石家莊市 050011；3. 石家莊通合電子科技股份有限公司,河北省石家莊市 050000；4. 國網(wǎng)電動汽車服務(wù)有限公司,北京市 100052）

0 引言

隨著電動汽車數(shù)量的不斷增加［1］,大規(guī)模電動汽車接入電網(wǎng)進(jìn)行無序充電,會給電網(wǎng)帶來網(wǎng)損增大［2-3］、電能質(zhì)量下降［4-5］、電網(wǎng)運(yùn)行優(yōu)化控制難度增加［6］等問題,在當(dāng)前新能源消納問題嚴(yán)重的情況下,對電網(wǎng)的安全穩(wěn)定運(yùn)行構(gòu)成了很大威脅。因此,需要對電動汽車充電進(jìn)行優(yōu)化和引導(dǎo)。電動汽車虛擬電廠（electric vehicle virtual power plant,EVPP）可以將單個容量小、數(shù)量眾多、隨機(jī)性較強(qiáng)的電動汽車統(tǒng)一聚合起來進(jìn)行調(diào)配和控制,以向電網(wǎng)提供足夠的靈活性［7］,使電動汽車在滿足用戶出行要求的情況下進(jìn)行有序充放電,減小電網(wǎng)的負(fù)荷峰谷差,促進(jìn)新能源消納。在有效限制電動汽車無序充電對電網(wǎng)產(chǎn)生影響的同時,提升電動汽車用戶的經(jīng)濟(jì)效益。

在電動汽車與新能源協(xié)同優(yōu)化調(diào)度領(lǐng)域,文獻(xiàn)［8］建立了風(fēng)電、火電以及電動汽車魯棒雙層隨機(jī)優(yōu)化調(diào)度模型,但該模型僅考慮了火電機(jī)組運(yùn)行成本,未考慮系統(tǒng)多主體的成本優(yōu)化。文獻(xiàn)［9］以成本最低為目標(biāo)函數(shù),建立了含電動汽車的虛擬電廠魯棒對偶模型,但未考慮新能源消納問題。文獻(xiàn)［10］以跟蹤光伏功率信號為目標(biāo),提出一種電動汽車調(diào)控凸優(yōu)化模型,并在實(shí)時調(diào)度中滾動優(yōu)化控制,但缺少對光伏功率的預(yù)測。文獻(xiàn)［11-13］對電動汽車與風(fēng)電進(jìn)行了協(xié)同優(yōu)化,但均未考慮日前風(fēng)電預(yù)測誤差所帶來的實(shí)時調(diào)度誤差,也未對風(fēng)電預(yù)測誤差進(jìn)行平抑。在風(fēng)電、光伏以及負(fù)荷模態(tài)分解預(yù)測領(lǐng)域,文獻(xiàn)［14］提出了一種基于完全集成的經(jīng)驗(yàn)?zāi)B(tài)分解（ensemble empirical mode decomposition,EEMD）和廣義回歸神經(jīng)網(wǎng)絡(luò)光伏電站短期出力預(yù)測方法,但由于EEMD 會帶來分解誤差,對其最終預(yù)測結(jié)果會產(chǎn)生一定影響。文獻(xiàn)［15］提出了一種自適應(yīng)噪聲完全集成的經(jīng)驗(yàn)?zāi)B(tài)分解（complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN）、長 短 期 記 憶（long short-term memory,LSTM）神經(jīng)網(wǎng)絡(luò)以及樣本熵結(jié)合的短期電力負(fù)荷預(yù)測方法,并在算例中分析了其與EEMD相比的優(yōu)越性。

綜上,雖然目前在電動汽車與新能源協(xié)同優(yōu)化調(diào)度領(lǐng)域方面的研究已有不少成果,但現(xiàn)有研究并未解決實(shí)時調(diào)控時預(yù)測誤差帶來的電力系統(tǒng)不平衡問題。

針對上述問題,本文提出了一種考慮電動汽車靈活性與風(fēng)電消納的區(qū)域電網(wǎng)多時間尺度調(diào)度方法,以解決風(fēng)電和基礎(chǔ)負(fù)荷難以精準(zhǔn)預(yù)測而導(dǎo)致的實(shí)時調(diào)控準(zhǔn)確度下降的問題。本文所提方法對風(fēng)電及基礎(chǔ)負(fù)荷歷史數(shù)據(jù)進(jìn)行CEEMDAN 處理,并通過雙向長短期記憶（bi-directional long short-term memory,BiLSTM）網(wǎng)絡(luò)算法對不同頻率的本征模態(tài)分量（intrinsic mode functions,IMF）進(jìn)行重構(gòu)預(yù)測,并將預(yù)測數(shù)據(jù)用于日前-日內(nèi)實(shí)時模型中。在日前優(yōu)化中,求解混合整數(shù)非線性規(guī)劃（mixed-integer nonlinear programming,MINLP）模型,得到日前火電機(jī)組出力曲線。在日內(nèi)實(shí)時模型預(yù)測控制（model predictive control,MPC）模型中,利用電動汽車的充放電靈活性,對當(dāng)前時刻到未來某時刻的風(fēng)電與負(fù)荷功率預(yù)測誤差進(jìn)行實(shí)時優(yōu)化,以維持功率平衡。最后,通過算例仿真驗(yàn)證了本文方法的有效性。

1 方法架構(gòu)及體系

本文方法的研究對象主要包括3 部分:含風(fēng)電接入的區(qū)域電網(wǎng)、EVPP 以及電動汽車。方法架構(gòu)如圖1 所示,電動汽車通過具有車輛到電網(wǎng)（vehicle to grid,V2G）功能的充電樁接入?yún)^(qū)域電網(wǎng),EVPP 通過采集用戶側(cè)的電動汽車出行信息和電池荷電狀態(tài)（state of charge,SOC）對電動汽車進(jìn)行聚合,并統(tǒng)一調(diào)度。區(qū)域電網(wǎng)則根據(jù)歷史相關(guān)數(shù)據(jù),預(yù)測基礎(chǔ)負(fù)荷與風(fēng)電功率曲線,同時,在日前得到火電機(jī)組出力參考曲線并下發(fā)給EVPP,EVPP 據(jù)此在日內(nèi)對電動汽車進(jìn)行實(shí)時調(diào)控,并制定每輛車的充放電計劃,平抑負(fù)荷波動并改善風(fēng)電消納問題。

本文所提出的方法流程圖如圖2 所示。在日前階段,首先進(jìn)行風(fēng)電和基礎(chǔ)負(fù)荷數(shù)據(jù)的預(yù)測,通過CEEMDAN 分解得到不同頻率的IMF 和殘差余量,并依據(jù)分量極大值個數(shù)對分量進(jìn)行高頻、低頻及趨勢分量重構(gòu),重構(gòu)后采用BiLSTM 預(yù)測下一日的風(fēng)電和基礎(chǔ)負(fù)荷功率,日前以平抑等效負(fù)荷波動與系統(tǒng)成本最優(yōu)為目標(biāo)進(jìn)行優(yōu)化,求解MINLP 模型,得到優(yōu)化完的日前火電機(jī)組出力曲線。

圖2 調(diào)度方法流程圖Fig.2 Flow chart of scheduling method

在日內(nèi)調(diào)度階段,設(shè)置優(yōu)化窗口長度為H=4,在讀取t時段之前的歷史數(shù)據(jù)后,利用CEEMDANBiLSTM 得到t時段對預(yù)測域（未來若干時間段）的風(fēng)電和基礎(chǔ)負(fù)荷預(yù)測結(jié)果。在得到日內(nèi)預(yù)測數(shù)據(jù)后,將其導(dǎo)入日內(nèi)調(diào)控模型,對預(yù)測域［t,t+H-1］的MINLP 模型進(jìn)行求解,得到［t,t+H-1］的電動汽車調(diào)整功率及棄風(fēng)功率。在t時段求解完成后,僅采用當(dāng)前時段的功率,不采用預(yù)測域未來H-1個時段的功率,完成t時段的優(yōu)化過程。在t+1 時段,由于t時段的實(shí)際風(fēng)電和基礎(chǔ)負(fù)荷已知,更新歷史數(shù)據(jù),進(jìn)行新一輪的CEEMDAN-BiLSTM 預(yù)測及MPC 過程。當(dāng)t>96-H時,一日的系統(tǒng)調(diào)度優(yōu)化過程結(jié)束。

2 基于CEEMDAN-BiLSTM 的風(fēng)電和基礎(chǔ)負(fù)荷預(yù)測模型

CEEMDAN 是一種從經(jīng)驗(yàn)?zāi)B(tài)分解（empirical mode decomposition,EMD）方法改進(jìn)而來的信號分解方法,由Torres 等人提出并被廣泛應(yīng)用于自適應(yīng)非線性和非平穩(wěn)信號的處理［16］。然而,在EMD 執(zhí)行過程中,會產(chǎn)生端點(diǎn)效應(yīng)、模態(tài)混疊［17］等問題,從而造成IMF 誤差較大。EEMD 在EMD 的基礎(chǔ)上加入多組恒定標(biāo)準(zhǔn)差的白噪聲,以減輕模態(tài)混疊帶來的影響,但是其分解結(jié)果仍無法很好地消除白噪聲,導(dǎo)致重構(gòu)誤差較大。CEEMDAN 有效解決了模態(tài)混疊以及IMF 白噪聲殘留問題,提高了信號分解的準(zhǔn)確性。

由于風(fēng)電、負(fù)荷等存在非線性且波動較大,難以被精確預(yù)測,本文采用CEEMDAN 對風(fēng)電和基礎(chǔ)負(fù)荷歷史數(shù)據(jù)進(jìn)行分解處理,通過自適應(yīng)分解得到其在不同時間尺度上的周期性特征,以便采用BiLSTM 網(wǎng)絡(luò)進(jìn)行預(yù)測。CEEMDAN 算法實(shí)現(xiàn)過程可參考文獻(xiàn)［16］。

在經(jīng)過CEEMDAN 后,風(fēng)電和基礎(chǔ)負(fù)荷數(shù)據(jù)被分成了若干個IMF 和1 個殘差分量。由于經(jīng)過CEEMDAN 后的IMF 數(shù)目過多,為了降低多次預(yù)測求和后造成的誤差累積并減少模型的計算時間,本文對分解后分量進(jìn)行重構(gòu)。如圖3 所示,通過計算每個分量的極大值個數(shù),將極大值個數(shù)落在統(tǒng)一區(qū)域的分量進(jìn)行重構(gòu)疊加,生成高頻、低頻與趨勢分量。圖中,num,H為高頻與低頻分量極大值個數(shù)邊界；num,L為低頻分量與趨勢分量極大值個數(shù)邊界；IMF1,IMF2,…,IMFK分 別 表 示 第1,2,…,K個IMF；R為余量。

圖3 IMF 重構(gòu)疊加Fig.3 Reconstruction and superposition of IMFs

由于這些分解后的信號周期性特征明顯,重構(gòu)后使用BiLSTM 算法預(yù)測再求和,可以更準(zhǔn)確地預(yù)測風(fēng)電和基礎(chǔ)負(fù)荷數(shù)據(jù)。BiLSTM 由前向LSTM和后向LSTM 組成,其可以很好地處理序列時間步間的雙向長期關(guān)聯(lián)性［18］,挖掘時序數(shù)據(jù)內(nèi)部的抽象特征,提升網(wǎng)絡(luò)時序預(yù)測的能力［19］。

在通過CEEMDAN-BiLSTM 預(yù)測得到高頻、低頻以及趨勢分量的未來輸出后,可以通過求和得到風(fēng)電和基礎(chǔ)負(fù)荷預(yù)測信息,并將其作為系統(tǒng)調(diào)度方法的預(yù)測域信息；在日前階段得到火電機(jī)組出力曲線,日內(nèi)則在滾動優(yōu)化中實(shí)時更新預(yù)測結(jié)果。

3 區(qū)域電網(wǎng)多時間尺度調(diào)度模型

3.1 日前優(yōu)化模型

在日前優(yōu)化中,為了降低風(fēng)電及電動汽車并網(wǎng)帶來的不利影響,根據(jù)預(yù)測的風(fēng)電和基礎(chǔ)負(fù)荷信息,考慮等效負(fù)荷曲線峰谷差及標(biāo)準(zhǔn)差加權(quán)和,同時考慮火電機(jī)組運(yùn)行成本、棄風(fēng)成本,對下一日進(jìn)行多目標(biāo)優(yōu)化,得到下一日火電機(jī)組出力曲線。優(yōu)化以日為周期,單位時段時長為15 min,共96 個時段。

3.1.1 日前調(diào)度目標(biāo)函數(shù)

日前調(diào)度的目標(biāo)在于降低等效負(fù)荷波動,緩解風(fēng)電波動對于區(qū)域電網(wǎng)造成的壓力；對負(fù)荷的波動進(jìn)行控制,使負(fù)荷運(yùn)行更加平穩(wěn),同時,提高電力系統(tǒng)運(yùn)行的經(jīng)濟(jì)性。負(fù)荷曲線峰谷差及標(biāo)準(zhǔn)差加權(quán)和如式（1）至式（6）所示。

式中:t=1,2,…,96；f1為日前等效負(fù)荷平抑目標(biāo)；Lp,v和Lstd分別為負(fù)荷曲線峰谷差和標(biāo)準(zhǔn)差；Peqv(t)為t時段包括電動汽車負(fù)荷、風(fēng)電功率與基礎(chǔ)負(fù)荷的等效負(fù)荷；Pavg為等效負(fù)荷平均值；N為電動汽車數(shù)量；Pev(t)為t時段所有電動汽車的總凈充放電功率；Echgn(t)和Edischgn(t)分別為第n輛電動汽車在t時段的充電電量、放電電量；Δt為優(yōu)化時間尺度,在本文中取為15 min；P*load,ad(t)為日前預(yù)測的t時段基礎(chǔ)負(fù)荷功率值,基礎(chǔ)負(fù)荷為除了電動汽車負(fù)荷之外的所有負(fù)荷；Pwind(t)為風(fēng)電在t時段的實(shí)際功率。

在日前調(diào)度階段,不僅要考慮到系統(tǒng)的等效負(fù)荷平抑目標(biāo),也要考慮系統(tǒng)的運(yùn)行成本。本文日前階段考慮的運(yùn)行成本由2 部分組成:火電機(jī)組運(yùn)行成本與棄風(fēng)成本,如式（7）至式（9）所示。

在進(jìn)行優(yōu)化調(diào)度時,還需要滿足電動汽車出行約束條件。當(dāng)電動汽車接入?yún)^(qū)域電網(wǎng)進(jìn)行充放電時,為了減少電動汽車電池?fù)p耗,以及保證用戶在突發(fā)出行需求時仍保有一定的電量,電動汽車的SOC需要滿足最大值和最小值約束。同時,在電動汽車離場前,其車輛的電池應(yīng)盡量達(dá)到目標(biāo)SOC 值,具體可描述成式（17）至式（19）的形式。

3.2 基于MPC 的日內(nèi)實(shí)時調(diào)控

在日前優(yōu)化過程中,由于風(fēng)電受實(shí)時的氣象因素影響比較大,在進(jìn)行預(yù)測時,可能會出現(xiàn)部分時間點(diǎn)預(yù)測誤差較大的情況,所以本節(jié)基于MPC 理論在日內(nèi)實(shí)時階段對電動汽車進(jìn)行控制,以降低負(fù)荷和風(fēng)電預(yù)測偏差帶來的等效負(fù)荷波動以及系統(tǒng)不平衡問題。

圖4 基于MPC 的滾動優(yōu)化模型Fig.4 Rolling optimization model based on MPC

3.2.1 日內(nèi)調(diào)控目標(biāo)函數(shù)

在日內(nèi)調(diào)控階段,目標(biāo)為在保持日前優(yōu)化得到的火電機(jī)組出力不變的情況下,減少棄風(fēng)成本以及失負(fù)荷成本。日內(nèi)滾動優(yōu)化的目標(biāo)函數(shù)如式（20）至式（22）所示。

式中:f3為日內(nèi)優(yōu)化總成本；Cwind,day為日內(nèi)實(shí)時優(yōu)化的棄風(fēng)成本；P*wind,day(τ)為日內(nèi)實(shí)時預(yù)測的τ時段風(fēng)電功率預(yù)測值；Cload,day為實(shí)時失負(fù)荷成本；ΔPloadloss(τ)為實(shí)時失負(fù)荷量；Sl為單位失負(fù)荷成本。

3.2.2 日內(nèi)調(diào)控約束條件

在日內(nèi)實(shí)時調(diào)度過程中,除了滿足功率平衡約束與電動汽車電量約束外,考慮到日內(nèi)系統(tǒng)實(shí)時平衡以及車主預(yù)計離開時間可能會提前的情況,為避免用戶出行受到影響,在距預(yù)計離開時間3 h 內(nèi)增加約束條件:

式中:M為當(dāng)前時段距離預(yù)計離開時段長度,M=1,2,…,12；Soc,set(M)為在距離離開時間M時段時電動汽車需要滿足的SOC 值。其余約束條件與日前優(yōu)化相同。

在信息化教學(xué)環(huán)境下，教師要合理利用網(wǎng)絡(luò)資源，幫助學(xué)生強(qiáng)化自主學(xué)習(xí)，提升計算能力。其一，自主操作。教師先給學(xué)生提出明確的學(xué)習(xí)任務(wù)，并引導(dǎo)學(xué)生在有著海量信息的信息化環(huán)境中進(jìn)行資源篩選，借助上網(wǎng)查詢、人機(jī)交互等方式，讓學(xué)生親自動手操作完成，培養(yǎng)學(xué)生判斷、整理、歸納、加工數(shù)學(xué)信息的能力。其二，合作共贏。傳統(tǒng)的數(shù)學(xué)教學(xué)鮮少有群體活動，而在信息化環(huán)境下，教師有了更多的時間和機(jī)會開展豐富多彩的群體活動，培養(yǎng)學(xué)生的合作能力。例如，教師可通過網(wǎng)絡(luò)把分散在課堂中的學(xué)生鏈接成小組性的學(xué)習(xí)團(tuán)體，并向他們傳遞聲音、文本、圖片等各種符號，引導(dǎo)他們進(jìn)行彼此間的合作，共同面對數(shù)學(xué)難題，最終實(shí)現(xiàn)計算能力的提高。

綜上,針對日前目標(biāo)函數(shù),本文采用Tchebycheff 逼近法［20］對多目標(biāo)問題進(jìn)行求解。該方法也是一種權(quán)重法,其將多目標(biāo)拆分成單目標(biāo),通過減少目標(biāo)函數(shù)值與理想值之間的最大差距,使模型的解逼近帕累托最優(yōu)前沿,從而避免使用直接加權(quán)求和而導(dǎo)致無法找到非凸函數(shù)最優(yōu)解的問題,故將目標(biāo)函數(shù)重構(gòu)為式（24）至式（26）的形式。

4 算例分析

4.1 參數(shù)設(shè)置

本文采用2020 年某區(qū)域電網(wǎng)的風(fēng)電數(shù)據(jù),包含功率、風(fēng)速、風(fēng)向等特征,以及基礎(chǔ)負(fù)荷數(shù)據(jù),并用高斯分布產(chǎn)生電動汽車到達(dá)時間、離開時間和初始SOC 值。電動汽車數(shù)目N=300,任意第n輛電動汽車抵達(dá)時間tn,arr和預(yù)計離開時間tn,dep分別滿足高斯分布tn,arr～N(5,1)和tn,dep～N(80,1)。設(shè)置任意第n輛電動汽車抵達(dá)時的初始SOC 滿足高斯分布Soc,n,arr～N(0.5,0.1)。

設(shè)置單位調(diào)控時段為15 min,火電機(jī)組最大和最小技術(shù)出力分別為16 MW 和4 MW,向上的爬坡率和向下的爬坡率均為0.16 MW/min,機(jī)組運(yùn)行成本系數(shù)a、b、c分別為0.001 2 元/（MW2·h）、0.287 元/（MW·h）、4.073 元/h,煤炭價格為500 元/t；風(fēng)電單位上網(wǎng)電價為0.6 元/（kW·h）,單位失負(fù)荷成本為4 元/（kW·h）；電動汽車的電池容量為60 kW·h,最大充電和放電功率均為20 kW,電動汽車的充電和放電效率分別為0.95、0.92；為保證用戶的出行需求,設(shè)置用戶期望離開時最低SOC 值為0.5；為避免電動汽車深度充放電帶來過度電池?fù)p耗,在調(diào)控過程中電動汽車最小和最大的SOC 分別設(shè)置為0.1、0.9。

4.2 風(fēng)電和基礎(chǔ)負(fù)荷預(yù)測結(jié)果

風(fēng)電和基礎(chǔ)負(fù)荷分解結(jié)果如附錄A 圖A1 和圖A2 所 示,IMF 極 大 值 點(diǎn) 個 數(shù) 如 附 錄A 圖A3 所 示,重構(gòu)結(jié)果如附錄A 圖A4 和圖A5 所示。

在重構(gòu)得到風(fēng)電和基礎(chǔ)負(fù)荷的高頻、低頻、趨勢分量后,針對20 d 的歷史數(shù)據(jù),取前70%數(shù)據(jù)作為訓(xùn)練集,后20%作為驗(yàn)證集,后10%作為測試集,用BiLSTM 算法對3 個分量進(jìn)行單獨(dú)預(yù)測,最后疊加得到預(yù)測結(jié)果,日前預(yù)測時不使用下一日實(shí)際值更新訓(xùn)練數(shù)據(jù),日內(nèi)預(yù)測時則使用日內(nèi)實(shí)際值更新訓(xùn)練數(shù)據(jù),結(jié)果如附錄A 圖A6 所示?？梢钥闯?CEEMDAN-BiLSTM 針對風(fēng)電和基礎(chǔ)負(fù)荷的預(yù)測均能達(dá)到較高準(zhǔn)確度。由于負(fù)荷規(guī)律性較為明顯,日前和日內(nèi)的負(fù)荷預(yù)測結(jié)果相差不大,而風(fēng)電由于受風(fēng)速、風(fēng)向等氣象因素影響波動性大,在日前預(yù)測時存在一定的偏差,在日內(nèi)預(yù)測時偏差較小。具體結(jié)果如附錄A 表A1,以及圖A7 至圖A9 所示。

4.3 模型調(diào)度結(jié)果

4.3.1 不同權(quán)重對日前優(yōu)化結(jié)果的影響

在日前優(yōu)化過程中,采用不同權(quán)重的多目標(biāo)優(yōu)化求解結(jié)果會不一樣。附錄B 圖B1 展示了不同權(quán)重下日前等效負(fù)荷優(yōu)化的對比結(jié)果。原始等效負(fù)荷為電動汽車在無序充電下且風(fēng)電不棄風(fēng)時的等效負(fù)荷。表1 展示了不同權(quán)重下等效負(fù)荷波動指標(biāo)以及系統(tǒng)成本的對比結(jié)果?？梢钥闯?日前優(yōu)化在w1發(fā)生變化時,處于平均等效負(fù)荷值以上的負(fù)荷“峰”基本不發(fā)生變化,優(yōu)化的部分主要是處于平均等效負(fù)荷值以下的“谷”,這是因?yàn)樵凇肮取睍r段易出現(xiàn)大量棄風(fēng),故在權(quán)重w1和w2變化時主要會優(yōu)化“谷”時段的棄風(fēng)與火電機(jī)組出力。

表1 等效負(fù)荷波動指標(biāo)與系統(tǒng)成本對比Table 1 Comparison of equivalent load fluctuation index and system cost

在日前優(yōu)化平抑等效負(fù)荷波動的同時,棄風(fēng)量也會隨著權(quán)重取值的不同發(fā)生變化。風(fēng)電在日間得到了較好的利用,基本不會發(fā)生棄風(fēng)情況。為了維持等效負(fù)荷波動處于較小的水平,在夜間高棄風(fēng)量時段,隨著目標(biāo)函數(shù)f1的權(quán)重降低,在等效負(fù)荷波動限制要求不高時,日前優(yōu)化的棄風(fēng)功率也逐步降低（見附錄B 圖B2）。

4.3.2 日內(nèi)滾動優(yōu)化效果分析

為了充分驗(yàn)證本文方法在日內(nèi)實(shí)時調(diào)控階段對平抑負(fù)荷波動與促進(jìn)風(fēng)電消納的有效性,本文考慮4 種風(fēng)電功率場景進(jìn)行研究,如附錄B 圖B3 所示。

選取權(quán)重w1為0.5,求解4 種場景下的日前、日內(nèi)實(shí)際棄風(fēng)量對比情況,如圖5 所示。與日內(nèi)相比,由于日前對于風(fēng)電預(yù)測的誤差較大,在經(jīng)過實(shí)際風(fēng)電、負(fù)荷功率修正后,日前的棄風(fēng)量會進(jìn)一步增加,而日內(nèi)通過MPC 能很好地降低棄風(fēng)量。由于電動汽車容量限制,EVPP 在日內(nèi)滾動優(yōu)化過程中,隨著消納的風(fēng)電功率增加,電動汽車的SOC 也逐步增加。在EVPP 容量未飽和時,如在場景3 和4 中,日內(nèi)優(yōu)化得到的棄風(fēng)量可以控制在很小的范圍內(nèi),即EVPP 容量足以消納場景3 下的棄風(fēng)量；在EVPP 容量基本飽和后,日內(nèi)的棄風(fēng)量會有一定程度的增加,如在場景2 下時段72 至84 階段日內(nèi)優(yōu)化棄風(fēng)量高于日前,但總體棄風(fēng)量仍相較于日前發(fā)生了大幅降低。表2 展示了在實(shí)際情況修正后,本文方法與不采用滾動優(yōu)化方法的棄風(fēng)對比結(jié)果。

圖5 修正后的日前和日內(nèi)優(yōu)化棄風(fēng)情況對比Fig.5 Comparison of day-ahead and intraday wind curtailment conditions after modification

表2 不同場景下棄風(fēng)結(jié)果對比Table 2 Comparison of wind curtailment results in different scenarios

在采用基于MPC 的滾動優(yōu)化方法后,由于預(yù)測模型的加入,提高了日內(nèi)功率預(yù)測的精確度,降低了日前風(fēng)電預(yù)測誤差帶來的額外棄風(fēng)量,同時,由于優(yōu)化時間窗口縮短,求解速度也大幅提高,與不采用滾動優(yōu)化方法相比更具優(yōu)越性。

4.3.3 電動汽車調(diào)控結(jié)果分析

取場景1 進(jìn)行分析,在經(jīng)過日內(nèi)92 輪滾動優(yōu)化后,可以得到電動汽車的充放電曲線。隨機(jī)抽樣出編號為13、118、201 的3 輛電動汽車,其充放電結(jié)果如附錄B 圖B4 所示。

由于日前優(yōu)化的時間尺度較長,電動汽車功率較為連續(xù)且集中,一般在入場后一段時間普遍進(jìn)行大規(guī)模放電,以滿足平抑負(fù)荷的需要；在電動汽車即將離開時,則開始陸續(xù)充電以滿足SOC 設(shè)定值。在日內(nèi)由于采用1 h 時間窗口的滾動優(yōu)化方式來維持實(shí)時功率平衡,電動汽車的充放電功率比較少,且充放電轉(zhuǎn)換頻率較日前優(yōu)化明顯增多。日前優(yōu)化提供的瞬時EVPP 靈活性低于日內(nèi)優(yōu)化,這是因?yàn)樵谡諘r間尺度上進(jìn)行優(yōu)化時,EVPP 的靈活性被分散到了多個時段,而在日內(nèi)滾動優(yōu)化時,當(dāng)某一時段需要EVPP 提供足夠多的靈活性時（風(fēng)電功率較大時）,EVPP 會瞬間釋放大量功率以維持實(shí)時功率平衡（見附錄B 圖B5）。采用本文方法,日內(nèi)EVPP 可提供的瞬時最大放電功率超過1.7 MW,瞬時最大充電功率超過3.5 MW。

附錄B 圖B6 展示了本文方法在不同電動汽車數(shù)量下的風(fēng)電消納效果。在不同數(shù)量的電動汽車參與下,風(fēng)電棄風(fēng)情況均得到了改善,且隨接入的電動汽車數(shù)量的增多,EVPP 可調(diào)控的靈活性越大,日內(nèi)實(shí)時優(yōu)化階段對風(fēng)電消納的效果越好,其中,當(dāng)電動汽車數(shù)量達(dá)到1 000 輛時,在場景1 下可以將系統(tǒng)棄風(fēng)功率限制在400 kW 內(nèi),風(fēng)電消納情況大大改善。

4.3.4 求解時間

本文在配置為AMD Ryzen 5 4600H CPU @3.00 GHz 和Nvidia GeForce GTX 1650 4 GB 的 計算機(jī)上進(jìn)行仿真,在MATLAB R2020b 平臺上利用YALMIP 工具箱配合CPLEX 求解器對MINLP 模型進(jìn)行求解。在此平臺上,針對含300 輛電動汽車的EVPP,單次日前優(yōu)化平均求解時間為786.25 s,單次日內(nèi)MPC 滾動優(yōu)化平均求解時間僅為2.46 s。由于本文方法基于MPC 理論,日內(nèi)優(yōu)化窗口長度縮短,滾動優(yōu)化1 次所需時間也大幅減少,降低了優(yōu)化的粒度,提高了優(yōu)化的效率。針對所設(shè)定的15 min調(diào)度時段,本文調(diào)度方法能有效、實(shí)時地在調(diào)度時段內(nèi)下達(dá)調(diào)度指令并對電動汽車充放電進(jìn)行控制。

5 結(jié)語

本文研究了考慮電動汽車靈活性與風(fēng)電消納的區(qū)域電網(wǎng)多時間尺度調(diào)度方法。針對當(dāng)下日前風(fēng)電和基礎(chǔ)負(fù)荷預(yù)測精準(zhǔn)度不夠、EVPP 實(shí)時調(diào)度較少更新預(yù)測信息等問題,提出了CEEMDANBiLSTM 風(fēng)電和基礎(chǔ)負(fù)荷預(yù)測模型和含EVPP 的區(qū)域電網(wǎng)多時間尺度調(diào)度模型。通過算例驗(yàn)證,可以得到以下結(jié)論:

1）本文所提的CEEMDAN-BiLSTM 風(fēng)電和基礎(chǔ)負(fù)荷預(yù)測方法,能有效地提取數(shù)據(jù)不同時間尺度下的特征,提高神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)效率,從而進(jìn)行精準(zhǔn)預(yù)測,同時,又具有普適性,可以推廣至多種波動性大的數(shù)據(jù)時序預(yù)測場景。

2）本文所提出的區(qū)域電網(wǎng)多時間尺度調(diào)度模型,在CEEMDAN-BiLSTM 預(yù)測模型的基礎(chǔ)上,通過日前-日內(nèi)多時間尺度優(yōu)化,能夠進(jìn)一步改善新能源電力系統(tǒng)負(fù)荷波動的效果,平抑日前風(fēng)電預(yù)測誤差,提高新能源系統(tǒng)運(yùn)行穩(wěn)定性,可以推廣至新能源快速增長的電網(wǎng)以進(jìn)行協(xié)同調(diào)度。

3）本文所提的模型也有需要改進(jìn)的地方。當(dāng)EVPP 容量進(jìn)一步增大,電動汽車數(shù)量增加時,其求解時間也會成比例的增加,當(dāng)出現(xiàn)海量電動汽車參與電網(wǎng)調(diào)度時,需要找到一種加快求解速度的方法,以應(yīng)對EVPP 規(guī)模不斷增長的趨勢。本文下一步研究內(nèi)容是在EVPP 滿足風(fēng)電消納要求的情況下,優(yōu)化海量電動汽車充放電功率,并且將功率分解到每輛電動汽車,以滿足實(shí)際調(diào)度的需要。

附錄見本刊網(wǎng)絡(luò)版（http：//www.aeps-info.com/aeps/ch/index.aspx），掃英文摘要后二維碼可以閱讀網(wǎng)絡(luò)全文。