胡俊杰，賴信輝，郭 偉，張逾良，楊 燁

（1. 新能源電力系統(tǒng)國家重點實驗室（華北電力大學）,北京市 102206；2. 國網(wǎng)河北省電力有限公司經(jīng)濟技術研究院,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)運行優(yōu)化控制難度增加［6］等問題,在當前新能源消納問題嚴重的情況下,對電網(wǎng)的安全穩(wěn)定運行構(gòu)成了很大威脅。因此,需要對電動汽車充電進行優(yōu)化和引導。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、隨機性較強的電動汽車統(tǒng)一聚合起來進行調(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行有序充放電,減小電網(wǎng)的負荷峰谷差,促進新能源消納。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)濟效益。

在電動汽車與新能源協(xié)同優(yōu)化調(diào)度領域,文獻［8］建立了風電、火電以及電動汽車魯棒雙層隨機優(yōu)化調(diào)度模型,但該模型僅考慮了火電機組運行成本,未考慮系統(tǒng)多主體的成本優(yōu)化。文獻［9］以成本最低為目標函數(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［10］以跟蹤光伏功率信號為目標,提出一種電動汽車調(diào)控凸優(yōu)化模型,并在實時調(diào)度中滾動優(yōu)化控制,但缺少對光伏功率的預測。文獻［11-13］對電動汽車與風電進行了協(xié)同優(yōu)化,但均未考慮日前風電預測誤差所帶來的實時調(diào)度誤差,也未對風電預測誤差進行平抑。在風電、光伏以及負荷模態(tài)分解預測領域,文獻［14］提出了一種基于完全集成的經(jīng)驗模態(tài)分解（ensemble empirical mode decomposition,EEMD）和廣義回歸神經(jīng)網(wǎng)絡光伏電站短期出力預測方法,但由于EEMD 會帶來分解誤差,對其最終預測結(jié)果會產(chǎn)生一定影響。文獻［15］提出了一種自適應噪聲完全集成的經(jīng)驗模態(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)絡以及樣本熵結(jié)合的短期電力負荷預測方法,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)度領域方面的研究已有不少成果,但現(xiàn)有研究并未解決實時調(diào)控時預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電消納的區(qū)域電網(wǎng)多時間尺度調(diào)度方法,以解決風電和基礎負荷難以精準預測而導致的實時調(diào)控準確度下降的問題。本文所提方法對風電及基礎負荷歷史數(shù)據(jù)進行CEEMDAN 處理,并通過雙向長短期記憶（bi-directional long short-term memory,BiLSTM）網(wǎng)絡算法對不同頻率的本征模態(tài)分量（intrinsic mode functions,IMF）進行重構(gòu)預測,并將預測數(shù)據(jù)用于日前-日內(nèi)實時模型中。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,得到日前火電機組出力曲線。在日內(nèi)實時模型預測控制（model predictive control,MPC）模型中,利用電動汽車的充放電靈活性,對當前時刻到未來某時刻的風電與負荷功率預測誤差進行實時優(yōu)化,以維持功率平衡。最后,通過算例仿真驗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）對電動汽車進行聚合,并統(tǒng)一調(diào)度。區(qū)域電網(wǎng)則根據(jù)歷史相關數(shù)據(jù),預測基礎負荷與風電功率曲線,同時,在日前得到火電機組出力參考曲線并下發(fā)給EVPP,EVPP 據(jù)此在日內(nèi)對電動汽車進行實時調(diào)控,并制定每輛車的充放電計劃,平抑負荷波動并改善風電消納問題。

本文所提出的方法流程圖如圖2 所示。在日前階段,首先進行風電和基礎負荷數(shù)據(jù)的預測,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)對分量進行高頻、低頻及趨勢分量重構(gòu),重構(gòu)后采用BiLSTM 預測下一日的風電和基礎負荷功率,日前以平抑等效負荷波動與系統(tǒng)成本最優(yōu)為目標進行優(yōu)化,求解MINLP 模型,得到優(yōu)化完的日前火電機組出力曲線。

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時段對預測域（未來若干時間段）的風電和基礎負荷預測結(jié)果。在得到日內(nèi)預測數(shù)據(jù)后,將其導入日內(nèi)調(diào)控模型,對預測域［t,t+H-1］的MINLP 模型進行求解,得到［t,t+H-1］的電動汽車調(diào)整功率及棄風功率。在t時段求解完成后,僅采用當前時段的功率,不采用預測域未來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時段的實際風電和基礎負荷已知,更新歷史數(shù)據(jù),進行新一輪的CEEMDAN-BiLSTM 預測及MPC 過程。當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 的風電和基礎負荷預測模型

CEEMDAN 是一種從經(jīng)驗模態(tài)分解（empirical mode decomposition,EMD）方法改進而來的信號分解方法,由Torres 等人提出并被廣泛應用于自適應非線性和非平穩(wěn)信號的處理［16］。然而,在EMD 執(zhí)行過程中,會產(chǎn)生端點效應、模態(tài)混疊［17］等問題,從而造成IMF 誤差較大。EEMD 在EMD 的基礎上加入多組恒定標準差的白噪聲,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確性。

由于風電、負荷等存在非線性且波動較大,難以被精確預測,本文采用CEEMDAN 對風電和基礎負荷歷史數(shù)據(jù)進行分解處理,通過自適應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)絡進行預測。CEEMDAN 算法實現(xiàn)過程可參考文獻［16］。

在經(jīng)過CEEMDAN 后,風電和基礎負荷數(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 算法預測再求和,可以更準確地預測風電和基礎負荷數(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)絡時序預測的能力［19］。

在通過CEEMDAN-BiLSTM 預測得到高頻、低頻以及趨勢分量的未來輸出后,可以通過求和得到風電和基礎負荷預測信息,并將其作為系統(tǒng)調(diào)度方法的預測域信息；在日前階段得到火電機組出力曲線,日內(nèi)則在滾動優(yōu)化中實時更新預測結(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,為了降低風電及電動汽車并網(wǎng)帶來的不利影響,根據(jù)預測的風電和基礎負荷信息,考慮等效負荷曲線峰谷差及標準差加權(quán)和,同時考慮火電機組運行成本、棄風成本,對下一日進行多目標優(yōu)化,得到下一日火電機組出力曲線。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)度目標函數(shù)

日前調(diào)度的目標在于降低等效負荷波動,緩解風電波動對于區(qū)域電網(wǎng)造成的壓力；對負荷的波動進行控制,使負荷運行更加平穩(wěn),同時,提高電力系統(tǒng)運行的經(jīng)濟性。負荷曲線峰谷差及標準差加權(quán)和如式（1）至式（6）所示。

式中:t=1,2,…,96；f1為日前等效負荷平抑目標；Lp,v和Lstd分別為負荷曲線峰谷差和標準差；Peqv(t)為t時段包括電動汽車負荷、風電功率與基礎負荷的等效負荷；Pavg為等效負荷平均值；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)為日前預測的t時段基礎負荷功率值,基礎負荷為除了電動汽車負荷之外的所有負荷；Pwind(t)為風電在t時段的實際功率。

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

在進行優(yōu)化調(diào)度時,還需要滿足電動汽車出行約束條件。當電動汽車接入?yún)^(qū)域電網(wǎng)進行充放電時,為了減少電動汽車電池損耗,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,其車輛的電池應盡量達到目標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)實時調(diào)控

在日前優(yōu)化過程中,由于風電受實時的氣象因素影響比較大,在進行預測時,可能會出現(xiàn)部分時間點預測誤差較大的情況,所以本節(jié)基于MPC 理論在日內(nèi)實時階段對電動汽車進行控制,以降低負荷和風電預測偏差帶來的等效負荷波動以及系統(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)控目標函數(shù)

在日內(nèi)調(diào)控階段,目標為在保持日前優(yōu)化得到的火電機組出力不變的情況下,減少棄風成本以及失負荷成本。日內(nèi)滾動優(yōu)化的目標函數(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)實時優(yōu)化的棄風成本；P*wind,day(τ)為日內(nèi)實時預測的τ時段風電功率預測值；Cload,day為實時失負荷成本；ΔPloadloss(τ)為實時失負荷量；Sl為單位失負荷成本。

3.2.2 日內(nèi)調(diào)控約束條件

在日內(nèi)實時調(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)實時平衡以及車主預計離開時間可能會提前的情況,為避免用戶出行受到影響,在距預計離開時間3 h 內(nèi)增加約束條件:

式中:M為當前時段距離預計離開時段長度,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。

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

綜上,針對日前目標函數(shù),本文采用Tchebycheff 逼近法［20］對多目標問題進行求解。該方法也是一種權(quán)重法,其將多目標拆分成單目標,通過減少目標函數(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)求和而導致無法找到非凸函數(shù)最優(yōu)解的問題,故將目標函數(shù)重構(gòu)為式（24）至式（26）的形式。

4 算例分析

4.1 參數(shù)設置

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

設置單位調(diào)控時段為15 min,火電機組最大和最小技術出力分別為16 MW 和4 MW,向上的爬坡率和向下的爬坡率均為0.16 MW/min,機組運行成本系數(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；風電單位上網(wǎng)電價為0.6 元/（kW·h）,單位失負荷成本為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損耗,在調(diào)控過程中電動汽車最小和最大的SOC 分別設置為0.1、0.9。

4.2 風電和基礎負荷預測結(jié)果

風電和基礎負荷分解結(jié)果如附錄A 圖A1 和圖A2 所 示,IMF 極 大 值 點 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)得到風電和基礎負荷的高頻、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)作為訓練集,后20%作為驗證集,后10%作為測試集,用BiLSTM 算法對3 個分量進行單獨預測,最后疊加得到預測結(jié)果,日前預測時不使用下一日實際值更新訓練數(shù)據(jù),日內(nèi)預測時則使用日內(nèi)實際值更新訓練數(shù)據(jù),結(jié)果如附錄A 圖A6 所示。可以看出,CEEMDAN-BiLSTM 針對風電和基礎負荷的預測均能達到較高準確度。由于負荷規(guī)律性較為明顯,日前和日內(nèi)的負荷預測結(jié)果相差不大,而風電由于受風速、風向等氣象因素影響波動性大,在日前預測時存在一定的偏差,在日內(nèi)預測時偏差較小。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)重下日前等效負荷優(yōu)化的對比結(jié)果。原始等效負荷為電動汽車在無序充電下且風電不棄風時的等效負荷。表1 展示了不同權(quán)重下等效負荷波動指標以及系統(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,處于平均等效負荷值以上的負荷“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荷值以下的“谷”,這是因為在“谷”時段易出現(xiàn)大量棄風,故在權(quán)重w1和w2變化時主要會優(yōu)化“谷”時段的棄風與火電機組出力。

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

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

4.3.2 日內(nèi)滾動優(yōu)化效果分析

為了充分驗證本文方法在日內(nèi)實時調(diào)控階段對平抑負荷波動與促進風電消納的有效性,本文考慮4 種風電功率場景進行研究,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)實際棄風量對比情況,如圖5 所示。與日內(nèi)相比,由于日前對于風電預測的誤差較大,在經(jīng)過實際風電、負荷功率修正后,日前的棄風量會進一步增加,而日內(nèi)通過MPC 能很好地降低棄風量。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 下的棄風量；在EVPP 容量基本飽和后,日內(nèi)的棄風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)化棄風量高于日前,但總體棄風量仍相較于日前發(fā)生了大幅降低。表2 展示了在實際情況修正后,本文方法與不采用滾動優(yōu)化方法的棄風對比結(jié)果。

圖5 修正后的日前和日內(nèi)優(yōu)化棄風情況對比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,由于預測模型的加入,提高了日內(nèi)功率預測的精確度,降低了日前風電預測誤差帶來的額外棄風量,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行大規(guī)模放電,以滿足平抑負荷的需要；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,這是因為在整日時間尺度上進行優(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,當某一時段需要EVPP 提供足夠多的靈活性時（風電功率較大時）,EVPP 會瞬間釋放大量功率以維持實時功率平衡（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)量下的風電消納效果。在不同數(shù)量的電動汽車參與下,風電棄風情況均得到了改善,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)實時優(yōu)化階段對風電消納的效果越好,其中,當電動汽車數(shù)量達到1 000 輛時,在場景1 下可以將系統(tǒng)棄風功率限制在400 kW 內(nèi),風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 計算機上進行仿真,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。針對所設定的15 min調(diào)度時段,本文調(diào)度方法能有效、實時地在調(diào)度時段內(nèi)下達調(diào)度指令并對電動汽車充放電進行控制。

5 結(jié)語

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

1）本文所提的CEEMDAN-BiLSTM 風電和基礎負荷預測方法,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)絡學習效率,從而進行精準預測,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 預測模型的基礎上,通過日前-日內(nèi)多時間尺度優(yōu)化,能夠進一步改善新能源電力系統(tǒng)負荷波動的效果,平抑日前風電預測誤差,提高新能源系統(tǒng)運行穩(wěn)定性,可以推廣至新能源快速增長的電網(wǎng)以進行協(xié)同調(diào)度。

3）本文所提的模型也有需要改進的地方。當EVPP 容量進一步增大,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,以滿足實際調(diào)度的需要。

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