翁菖宏，胡志堅(jiān)，張承圣，李想，王放

(1.國網(wǎng)福建省電力有限公司福州供電公司，福州市 350009；2.武漢大學(xué)電氣與自動化學(xué)院，武漢市 430072；3.國網(wǎng)福建省電力有限公司經(jīng)濟(jì)技術(shù)研究院，福州市 350012)

0 引 言

近年來，為實(shí)現(xiàn)能源的可持續(xù)發(fā)展，國際社會將大力發(fā)展新能源汽車(renewable vehicle,RV)作為交通領(lǐng)域低碳化的重要措施。在各國政策和發(fā)展戰(zhàn)略的引導(dǎo)下，新能源汽車已形成了以電動汽車(electric vehicle,EV)為主，燃料電池等其他新能源汽車為輔的發(fā)展模式。然而，新能源汽車產(chǎn)生的大規(guī)模充電需求與燃料制備對應(yīng)的電能需求給傳統(tǒng)電網(wǎng)安全穩(wěn)定運(yùn)行帶來了巨大挑戰(zhàn)[1-2]。因此，開展電-氫聯(lián)合供應(yīng)的新能源汽車供能站規(guī)劃方法研究是重要課題之一。

目前，一些前沿研究已經(jīng)圍繞含新能源汽車接入的供能站規(guī)劃方法展開。文獻(xiàn)[3]提出了一種考慮新能源不確定性和系統(tǒng)可靠性的概率優(yōu)化模型對含電動汽車和氫燃料電池汽車(hydrogen fuel cell vehicle,HFCV)接入的微網(wǎng)進(jìn)行規(guī)劃。然而，該研究未考慮交通網(wǎng)實(shí)際情況對用戶用能時空分布的影響，規(guī)劃模型的精度較低。文獻(xiàn)[4]利用Wardrop均衡理論表示電動汽車與燃油車的混合穩(wěn)態(tài)均衡，有效表征了充電負(fù)荷的空間分布情況，并基于此提出含快充樁的綜合能源站規(guī)劃模型。但上述文獻(xiàn)均以全信息擁有者的角色對系統(tǒng)進(jìn)行全局規(guī)劃。事實(shí)上，能源部門與交通部門分屬于2個完全獨(dú)立的系統(tǒng)，在實(shí)際工作中能源商很難獲取交通系統(tǒng)的敏感數(shù)據(jù)。分布式求解是解決全局規(guī)劃中信息局限性的有效方案。文獻(xiàn)[5]提出丹齊格-沃爾夫分解與列生成結(jié)合的方法實(shí)現(xiàn)了大量微網(wǎng)的隔離優(yōu)化。文獻(xiàn)[6]將配電網(wǎng)-天然氣網(wǎng)聯(lián)合規(guī)劃問題轉(zhuǎn)化為包含2個網(wǎng)絡(luò)和若干個耦合站點(diǎn)的新架構(gòu)，并利用交替方向乘子法(alternating direction multiplier method,ADMM)直接進(jìn)行迭代求解，但這忽略了ADMM對于非線性問題收斂性差的缺陷。并且，現(xiàn)有研究中鮮有分布式算法在含電-交網(wǎng)絡(luò)的供能站規(guī)劃問題上的個性化應(yīng)用。

此外，儲能裝置由于其削峰填谷的優(yōu)秀特性在新型電力系統(tǒng)研究中經(jīng)常涉及。文獻(xiàn)[7]探討了電儲能和氣儲能在大規(guī)模新能源汽車接入背景下的作用，驗(yàn)證了聯(lián)合儲能策略可以平抑充電負(fù)荷并提高系統(tǒng)經(jīng)濟(jì)性。氫儲能作為新興的儲能形式之一，有著清潔、高效、經(jīng)濟(jì)的顯著特點(diǎn)。隨著裝置制造技術(shù)不斷提升，氫儲能逐漸成為供能系統(tǒng)的主流設(shè)備之一。文獻(xiàn)[8]提出了一種含氫儲水裝置的綜合能源系統(tǒng)架構(gòu)，其平衡了多種能源，提升了新能源利用效率。文獻(xiàn)[9]表明利用低溫存儲等方式可以實(shí)現(xiàn)氫能的長時間大規(guī)模經(jīng)濟(jì)儲存，由于該特性，季節(jié)性氫儲能成為新的氫儲策略。但是，目前僅有少量研究涉及該策略。文獻(xiàn)[10]提出了一個含電-氫-天然氣多能源形式的綜合能源站的規(guī)劃模型，仿真結(jié)果表明季節(jié)性氫儲可以有效解決可再生能源輸出的不確定性，但其側(cè)重于研究氫儲與汽輪機(jī)等綜合能源設(shè)備間的相互影響。文獻(xiàn)[11]提出了一種包含季節(jié)性氫儲的電-氫-熱-冷聯(lián)供的全生命周期規(guī)劃模型，驗(yàn)證了季節(jié)性氫儲在島式綜合能源站布局的經(jīng)濟(jì)性。綜上，僅有少量文獻(xiàn)涉及季節(jié)性氫儲在新能源汽車供能站規(guī)劃中的應(yīng)用，并且未見文獻(xiàn)系統(tǒng)性探討普通氫儲能、季節(jié)性氫儲能、電儲能間的關(guān)系。

為填補(bǔ)上述研究空白，本文首先提出一個包含配電網(wǎng)、電-氫聯(lián)合供能站、交通網(wǎng)的新能源汽車供能系統(tǒng)(renewable vehicle energy supply system,RVESS)規(guī)劃框架。在RVESS中，運(yùn)用冬-夏轉(zhuǎn)移的季節(jié)性氫儲策略并用混合整數(shù)線性表達(dá)進(jìn)行跨場景建模；其次，為隔離交通網(wǎng)架信息、全區(qū)域出行需求等核心隱私信息，針對電-氫聯(lián)合供能站規(guī)劃問題，個性化地定制一種包含松弛、近似、收縮三階段的分布式迭代求解方案；最后，基于IEEE-33節(jié)點(diǎn)配電網(wǎng)和12節(jié)點(diǎn)典型交通網(wǎng)聯(lián)合系統(tǒng)進(jìn)行仿真驗(yàn)證，并針對電儲、氫儲、季節(jié)性氫儲的配合關(guān)系進(jìn)行系統(tǒng)性分析。

1 新能源汽車供能系統(tǒng)架構(gòu)

電-氫聯(lián)合供應(yīng)的新能源汽車供能系統(tǒng)架構(gòu)如圖1所示?；谠摷軜?gòu)，電能被直接利用或轉(zhuǎn)化為氫能以滿足EV和HFCV的日常用能需求。RVESS主要由三部分組成：

1)聯(lián)合供能站(combined energy supply station,CESS)：風(fēng)力發(fā)電機(jī)組(wind generation,WG)、電解槽(electrolytic cell,EC)、快速充電樁(fast charging facility,FCF)、氫加注機(jī)(hydrogen injector,HI)、電儲(electric storage,ES)、氫儲(hydrogen storage,HS)、季節(jié)性氫儲(seasonal hydrogen storage,SHS)；

2)配電網(wǎng)：吸收/提供CESS剩余/缺額電量；

3)交通網(wǎng)：由主要節(jié)點(diǎn)和主干道構(gòu)成，網(wǎng)絡(luò)內(nèi)考慮EV、HFCV和燃油車等常規(guī)汽車(normal vehicle,NV)的分布情況。

圖1 新能源汽車供能系統(tǒng)架構(gòu)Fig.1 Architecture of a RVESS

在該架構(gòu)下，新能源汽車的電/氫用能需求通過CESS耦合至電網(wǎng)中，對應(yīng)的空間用能分布將影響供能系統(tǒng)的規(guī)劃方案；同時，不同規(guī)劃方案下的各CESS供能能力將影響交通用戶的出行補(bǔ)能方案，供能系統(tǒng)和交通系統(tǒng)相互影響，實(shí)現(xiàn)二者的深度融合。

2 RVESS數(shù)學(xué)模型

2.1 聯(lián)合供能站模型

1)季節(jié)性氫儲。

氫的密度低、性能好，氫儲被視為具有廣泛運(yùn)用價(jià)值的新興儲能形態(tài)。此外，風(fēng)機(jī)出力呈現(xiàn)季節(jié)不均勻的特點(diǎn)，即冬季出力高、棄風(fēng)現(xiàn)象嚴(yán)重，夏季出力低、供電能力差。為了平衡該自然因素導(dǎo)致的不良現(xiàn)象，本文利用具有良好儲存特性的液態(tài)季節(jié)性氫儲實(shí)現(xiàn)電能的空間尺度轉(zhuǎn)移，其運(yùn)行機(jī)制如圖2所示，將冬季剩余電量通過轉(zhuǎn)化為氫能儲存在SHS中用于夏季時為燃料電池汽車提供氫能以減小夏季HFCV接入增大電網(wǎng)供能的壓力。

圖2 冬-夏轉(zhuǎn)移的季節(jié)性氫儲運(yùn)行機(jī)制示意Fig.2 Schematic diagram of SHS operating mechanism for winter-summer transfer

相關(guān)表達(dá)式如下：

(1)

(2)

(3)

(4)

(5)

(6)

2)普通氫儲和電儲。

ψω,k=ψω-1,k+ηλω,k

(7)

(8)

(9)

(10)

普通氫儲能和電儲能的充放能特性由式(7)—(10)統(tǒng)一表達(dá)，分別為荷電狀態(tài)約束、充放速率約束、儲存容量約束、可循環(huán)約束。其中，λ為儲能動作量的集中表達(dá)。

3)風(fēng)電。

(11)

(12)

(13)

式(11)和式(12)分別限制了風(fēng)電出力的有功和無功范圍；式(13)為安裝容量約束。

4)電解槽。

(14)

(15)

式(14)為電解槽的用電量和產(chǎn)氫量的關(guān)系；式(15)為設(shè)備的最大產(chǎn)量限制。

5)快充樁和氫加注機(jī)。

(16)

(17)

(18)

(19)

式(16)和(18)表示車流量與用能需求的關(guān)系式；式(17)和式(19)約束了設(shè)備供能能力。

6)物質(zhì)流平衡約束(電-氫-交通耦合約束)。

(20)

(21)

(22)

7)設(shè)備建設(shè)數(shù)量約束。

(23)

2.2 交通網(wǎng)側(cè)模型

本文采用考慮基礎(chǔ)交通流的用戶均衡模型[12]對新能源汽車的空間用能分布進(jìn)行模擬。該模型基于Wardrop用戶均衡理論[13]，在已知的NV歷史分布下，模擬RV用戶的理性出行行為。均衡模型表達(dá)式為：

(24)

(25)

(26)

(27)

(28)

(29)

式(24)約束了用戶僅選擇當(dāng)前最優(yōu)方案出行；式(25)表明出行成本包含道路通行時間和CESS附加等效時間，前者用美國聯(lián)邦公路局函數(shù)描述，如式(26)所示，后者從系統(tǒng)宏觀層面進(jìn)行討論，具體的可通過交通管制、調(diào)整充電費(fèi)用等方案實(shí)現(xiàn)，式(27)約束了其變化范圍；式(28)表明道路由RV車流和NV車流相疊加；式(29)為出行需求約束。

2.3 配電網(wǎng)側(cè)模型

(30)

(31)

(32)

(33)

(34)

(35)

(36)

式(30)、(31)約束了配網(wǎng)中的有功和無功平衡；式(32)表示節(jié)點(diǎn)間的電壓關(guān)系；式(33)—(36)分別約束了視在功率、線路功率、節(jié)點(diǎn)電壓、上級供電能力。

3 RVESS的規(guī)劃模型及其求解方案

本節(jié)站在具有RV供能設(shè)備投資業(yè)務(wù)的能源商角度，以全系統(tǒng)的投資-運(yùn)行費(fèi)用為優(yōu)化目標(biāo)提出RVESS的規(guī)劃模型。為應(yīng)對供能系統(tǒng)和交通系統(tǒng)間存在的隱私信息屏障，原規(guī)劃模型被分為能源部分(energy part，EP)和交通部分(transportation part，TP)2個子問題并嘗試?yán)脴?biāo)準(zhǔn)ADMM進(jìn)行求解。然而，標(biāo)準(zhǔn)ADMM無法保證分解問題具有很好的收斂性[14-15]，特別是求解含交通網(wǎng)的大型聯(lián)合規(guī)劃問題。所以，本文基于分塊固定求解的核心思想并結(jié)合ADMM提出含松弛-近似-收縮三階段的個性化求解方案。

3.1 集中式模型

1)目標(biāo)函數(shù)。

(37)

(38)

(39)

(40)

(41)

(42)

式(42)為交通網(wǎng)的擁堵等效費(fèi)用，表明了規(guī)劃者對社會效益的關(guān)注。

2)約束條件。

模型約束條件包含配電網(wǎng)約束、供能站約束和交通網(wǎng)約束，如式(1)—(36)所示。其中，式(24)、式(26)、式(33)為非線性約束，參照文獻(xiàn)[16]利用大M法、分段線性化方法、二階錐松弛技術(shù)處理，本文不再贅述。

3.2 分解模型

本文以原模型中各CESS截獲的RV交通流量f′作為EP和TP的共識變量，并引入fEP和fTP分別表示EP和TP的RV空間流量分布。將相關(guān)約束式(16)、(18)、(24)、(28)、(29)改寫為式(43)—(47)并添加耦合約束式(48)，如下：

(43)

(44)

(45)

(46)

(47)

(48)

(49)

(50)

由此，原問題P-RVESS被分解為混合整數(shù)二階錐問題SP-EP和混合整數(shù)線性問題SP-TP，2個子問題歸納如下：

子問題SP-EP為：

(51)

子問題SP-TP為：

(52)

3.3 定制ADMM求解方案

為保證分布式算法的收斂性，本文針對電-交耦合模型提出了一種基于ADMM的分布式求解方法。定制ADMM可分為松弛、近似、收縮3個過程。

1)松弛：將分解問題中的整數(shù)變量松弛為有界連續(xù)變量，利用標(biāo)準(zhǔn)ADMM求解松弛問題的最優(yōu)解；

2)近似：利用分塊確定整數(shù)變量的原則，獲取滿足分解問題可行解；

3)收縮：通過對連續(xù)變量和整數(shù)變量的迭代優(yōu)化，獲取高質(zhì)量的問題近似解。算法流程如圖3所示，其中，“*”表示步驟與SP-EP相關(guān)；“#”表示該步驟與SP-TP相關(guān)。上標(biāo)′表示該問題目標(biāo)函數(shù)中不含拉格朗日附加項(xiàng)。

具體步驟如下：

步驟1：將SP-EP和SP-TP中的所有離散變量松弛為有界連續(xù)變量，主要包括設(shè)備投資數(shù)量變量、出行方案選擇布爾變量和輔助變量，調(diào)用標(biāo)準(zhǔn)ADMM求解松弛問題，得到松弛問題的全局最優(yōu)解。

步驟2：求解SP-EP′，獲取當(dāng)前RV空間分布下的EP整數(shù)可行解。

步驟3：依據(jù)步驟2的結(jié)果固定EP的整數(shù)變量并保持交通網(wǎng)布爾選擇變量松弛，調(diào)用標(biāo)準(zhǔn)ADMM求解當(dāng)前松弛模型的最優(yōu)解。

步驟4：校驗(yàn)SP-TP′是否有可行整數(shù)變量滿足步驟3獲得的RV空間流量分布，若有，則直接進(jìn)入收縮環(huán)節(jié)；若無可行解，執(zhí)行步驟5。

步驟5：求解鄰域可行性問題P-near以獲取最接近的可行流量分配方案。由于RV的用能高峰和低谷給供能系統(tǒng)帶來的影響是最惡劣的[17]，為了獲得較高質(zhì)量的可行整數(shù)解，P-near目標(biāo)函數(shù)由所有場景偏差量和極端場景偏差懲罰量構(gòu)成，如式(53)所示。約束條件不僅包括原TP相關(guān)約束，還新增式(54)、(55)關(guān)系約束。

圖3 定制ADMM算法流程Fig.3 Flow chart of tailored ADMM algorithm

(53)

(54)

(55)

步驟6：求解SP-EP′，得到步驟5用能分布下的最優(yōu)能源規(guī)劃方案。至此，獲得一組較優(yōu)且原問題P-RVESS可行的混合整數(shù)解。

步驟7：固定P-RVESS全部離散變量，利用標(biāo)準(zhǔn)ADMM方法求解最優(yōu)連續(xù)變量解。

步驟8：固定共識變量f′，分別求解SP-EP′和SP-TP′，獲取2個子問題的混合整數(shù)解。

步驟9：校驗(yàn)迭代收斂情況。當(dāng)連續(xù)2次迭代求解得到的離散變量不發(fā)生變化且耦合變量不變則表示模型收斂，求解結(jié)束；否則，繼續(xù)迭代，返回步驟7。

4 算例分析

本文基于IEEE-33節(jié)點(diǎn)配電網(wǎng)和典型12節(jié)點(diǎn)交通網(wǎng)組成的電-交聯(lián)合系統(tǒng)對所提模型與方法進(jìn)行仿真分析。聯(lián)合系統(tǒng)中包含3座CESS，其中1、2、3號CESS分別位于配網(wǎng)近端、中端和遠(yuǎn)端，具體的備選站址及其耦合關(guān)系如圖4所示。備選儲能設(shè)備和其他設(shè)備參數(shù)信息分別如附錄表A1和A2所示，規(guī)劃模型涉及的重要參數(shù)如附錄表A3所示，相關(guān)數(shù)據(jù)參照文獻(xiàn)[1,16]并在一定范圍內(nèi)調(diào)整。

4.1 季節(jié)性氫儲建設(shè)先進(jìn)性分析

為了直觀反映在CESS中建設(shè)季節(jié)性氫儲的先進(jìn)性，設(shè)置本文模型(算例A)和不考慮SHS建設(shè)(算例B)2種對照情形，設(shè)備建設(shè)情況如表1所示，系統(tǒng)經(jīng)濟(jì)情況如表2示。

結(jié)合表1和表2對照分析算例A和算例B規(guī)劃結(jié)果可知，算例B相較于算例A多建設(shè)2臺WG，風(fēng)機(jī)投資增加了13.3%，而全年實(shí)際新能源送出量只同比增加8.13%。并且，未引入SHS將導(dǎo)致大規(guī)模的棄風(fēng)，算例B的棄風(fēng)懲罰費(fèi)用高達(dá)654.68萬美元，較算例A增長了6.55倍。系統(tǒng)總費(fèi)用則由算例A的1 108.97萬美元增長至算例B的1 538.78萬美元，漲幅高達(dá)38.76%。

表1 算例A和算例B的設(shè)備建設(shè)情況Table 1 Equipment construction in case A and B

表2 算例A、B的經(jīng)濟(jì)費(fèi)用情況Table 2 Economic costs of case A and case B 萬美元

為了進(jìn)一步說明引入冬-夏轉(zhuǎn)移SHS的有效性和先進(jìn)性，本文以CESS3為例分析SHS運(yùn)行情況和系統(tǒng)棄風(fēng)情況，作SHS動作與荷能情況和算例A、B的系統(tǒng)棄風(fēng)情況圖，分別如圖5和圖6所示。

圖5 季節(jié)性氫儲動作量與荷能情況Fig.5 Chart of action quantity and state of energy of SHS

由圖5可知，冬季時，20:00—24:00時段的風(fēng)機(jī)出力水平處于全天的高水平階段，此時過剩電能轉(zhuǎn)化為氫能在SHS中存儲；夏季時，儲存的氫能逐步釋放以滿足系統(tǒng)需求，特別是07:00—17:00時段，風(fēng)機(jī)出力水平低且負(fù)荷水平高，SHS釋放氫能的速率有所增大。

由圖6可知，冬季風(fēng)機(jī)出力過剩將引起大規(guī)模的棄風(fēng)。在引入SHS前(算例B)，冬季全天均有棄風(fēng)現(xiàn)象發(fā)生，冬季棄風(fēng)量占比高達(dá)26.04%；在引入SHS后(算例A)，系統(tǒng)僅在冬季20:00—24:00有少量的棄風(fēng)，其余時段均能實(shí)現(xiàn)100%消納，棄風(fēng)比例僅占3.07%，冬季棄風(fēng)現(xiàn)象有了明顯的改善，從而保障了新能源汽車的綠電供應(yīng)。

圖6 算例A、B系統(tǒng)棄風(fēng)情況Fig.6 Chart of wind power curtailment in case A and B

為了進(jìn)一步驗(yàn)證多種耦合點(diǎn)位下SHS的建設(shè)先進(jìn)性，本文將交通網(wǎng)與配網(wǎng)耦合節(jié)點(diǎn)進(jìn)行偏移，點(diǎn)位情況與規(guī)劃經(jīng)濟(jì)結(jié)果如表3所示。

表3 多種耦合點(diǎn)位下的系統(tǒng)經(jīng)濟(jì)費(fèi)用情況Table 3 System economic cost under multiple coupling points

分析表3可知，3種不同點(diǎn)位下考慮建設(shè)SHS均能降低系統(tǒng)的規(guī)劃-運(yùn)行總費(fèi)用，進(jìn)一步證明了SHS的建設(shè)先進(jìn)性。此外，當(dāng)CESS2耦合節(jié)點(diǎn)由中端向遠(yuǎn)處偏移時，投資費(fèi)用降幅升至38.98%；當(dāng)CESS3耦合節(jié)點(diǎn)由遠(yuǎn)端向中端偏移時，投資費(fèi)用降幅縮小至7.22%。由此可見，當(dāng)CESS耦合在供電能力越弱的配網(wǎng)節(jié)點(diǎn)時，建設(shè)季節(jié)性氫儲的經(jīng)濟(jì)先進(jìn)性越明顯。

4.2 ES/HS/SHS配合情況分析

為系統(tǒng)性分析ES、HS、SHS在CESS中的配合情況，本文探討多種儲能組合情形下的系統(tǒng)投資情況，相關(guān)配置和經(jīng)濟(jì)結(jié)果如表4所示。

表4 多種儲能組合情形系統(tǒng)總費(fèi)用Table 4 Total economic costs of multiple storage combinations

分析儲能兩兩配置情形(算例B、C、D)可知，缺少配置SHS、HS、ES任一類型的儲能裝置均會增加系統(tǒng)規(guī)劃-運(yùn)行總費(fèi)用，其中算例B的漲幅(38.76%)相較于算例C(10.19%)和算例D(0.09%)最大，進(jìn)一步證明了SHS相較于HS和ES在降低系統(tǒng)總費(fèi)用中發(fā)揮的重要作用。此外，SHS和HS相配合(算例D)也能取得較好的系統(tǒng)經(jīng)濟(jì)性，僅略高于本文模型，表明HS能夠在一定程度上替代ES的效用。

分析儲能單一配置情形(算例E、F、G)可知，單一的儲能配置方案經(jīng)濟(jì)效益較差，均不低于兩兩配置情形下的系統(tǒng)費(fèi)用。其中，算例E的經(jīng)濟(jì)性最差，高達(dá)2 082.72萬美元。由此可見，SHS對于HS和ES沒有替代作用，說明只有長期儲能形式(SHS)與短期儲能形式(HS、ES)相互配合才更有利于系統(tǒng)經(jīng)濟(jì)運(yùn)行。

分析無儲能配置情形(算例H)可知，此時系統(tǒng)無可行的規(guī)劃方案，表明配置儲能裝置對系統(tǒng)運(yùn)行的必要性，側(cè)面反映出在不考慮系統(tǒng)經(jīng)濟(jì)性的條件下，SHS、HS、ES 3種類型儲能均能夠增加系統(tǒng)靈活性以保障其安全運(yùn)行。

4.3 分布式算法有效性分析

本文提出一種定制ADMM分布式求解方法以隔離供能系統(tǒng)和交通系統(tǒng)間敏感數(shù)據(jù)的傳遞，為直觀說明分布式模型的有效性，表5匯總了集中式、分布式、分離式3種模型下的規(guī)劃方案費(fèi)用情況，其中分離式模型指交通網(wǎng)最優(yōu)分布下的供能系統(tǒng)規(guī)劃模型。

分析表5可知，集中式算法得到的規(guī)劃方案最優(yōu)，費(fèi)用為1 078.78萬美元；分離式算法求解結(jié)果最劣，費(fèi)用為1 152.69萬美元，同比增加6.9%，驗(yàn)證了將實(shí)際交通網(wǎng)考慮進(jìn)能源系統(tǒng)規(guī)劃中的必要性。與前2種方法相比，本文所提定制ADMM的優(yōu)化總費(fèi)用為1 108.97萬美元，介于二者之間，說明了本文方法在隔離敏感信息的基礎(chǔ)上能夠有效實(shí)現(xiàn)供能系統(tǒng)和交通系統(tǒng)間的協(xié)同規(guī)劃，通過適當(dāng)增加交通部分運(yùn)行費(fèi)用以實(shí)現(xiàn)供能系統(tǒng)的規(guī)劃-運(yùn)行費(fèi)用的降低，從而給出全局較優(yōu)的規(guī)劃方案。

表5 不同規(guī)劃模型的經(jīng)濟(jì)費(fèi)用情況Table 5 Economic costs of different planning models 萬美元

為了進(jìn)一步說明采用定制ADMM對電-交耦合網(wǎng)絡(luò)協(xié)同規(guī)劃問題進(jìn)行分布式求解的必要性，本文嘗試?yán)脴?biāo)準(zhǔn)ADMM直接對SP-EP和SP-TP進(jìn)行分布式求解，算法收斂情況如圖7所示。

圖7 定制ADMM和標(biāo)準(zhǔn)ADMM收斂情況對比Fig.7 Convergence comparison of tailored ADMM and standard ADMM

分析圖7可知，采用標(biāo)準(zhǔn)ADMM的分布式求解方法在最大迭代次數(shù)100次后仍未達(dá)到收斂條件，不能得到合理的規(guī)劃方案；本文提出的定制ADMM，由于進(jìn)行的均是只含連續(xù)變量模型的分布式求解，故每次迭代均能在數(shù)代內(nèi)快速收斂，具有良好的求解效果。

5 結(jié) 語

本文針對新能源汽車供能站規(guī)劃工作中供能系統(tǒng)和交通系統(tǒng)間存在的信息壁壘，提出了一種基于ADMM的定制分布式求解方案。并且，探討了冬-夏轉(zhuǎn)移的季節(jié)性氫儲、日常氫儲、電儲在電-氫聯(lián)合供應(yīng)的新型電力系統(tǒng)中的配合情況。經(jīng)過算例仿真分析，可得出以下結(jié)論：

1)本文采用的冬-夏轉(zhuǎn)移SHS能夠降低冬季風(fēng)機(jī)的棄風(fēng)量，提升綠電實(shí)際送出比例，并且能夠降低系統(tǒng)的規(guī)劃-運(yùn)行總費(fèi)用，降幅高達(dá)27.9%。

2)在CESS中投資HS能夠經(jīng)濟(jì)替代ES，并且采用長期儲能(SHS)與短期儲能(HS、ES)相配合的形式更有利于系統(tǒng)的經(jīng)濟(jì)運(yùn)行。

3)本文所提定制ADMM能夠?qū)崿F(xiàn)供能系統(tǒng)和交通系統(tǒng)的協(xié)同優(yōu)化，彌補(bǔ)了標(biāo)準(zhǔn)ADMM的收斂缺陷。

但本文僅考慮電力作為唯一的輸入來源，而天然氣也可作為制氫的重要能源形式之一，下一步將深入研究天然氣供應(yīng)商參與供能的分布式規(guī)劃模型。