李咸善，周曉嵐，姚俊偉，謝瓊瑤

考慮車主多模式需求響應模糊意愿的優(yōu)化調度策略

李咸善1,2，周曉嵐1,2，姚俊偉3，謝瓊瑤3

(1.梯級水電站運行與控制湖北省重點實驗室(三峽大學)，湖北 宜昌 443002；2.三峽大學電氣與新能源學院，湖北 宜昌 443002；3.國網宜昌供電公司，湖北 宜昌 443002)

現代電動汽車(electrical vehicle, EV)用戶需求響應具有多樣性和意愿模糊性的特點，當實施單一激勵政策時，EV響應將達不到預期效果。為此，提出了考慮車主多模式需求響應及其模糊意愿的含EV微電網的主從博弈優(yōu)化調度策略。微電網主體針對凈負荷制定多模式動態(tài)電價激勵政策，引導EV在多模式電價中做出選擇，促進EV有序充放電，實現其凈負荷均方差和運行成本最小。車主從體基于模糊邏輯推理意愿決策，響應多模式動態(tài)電價，極小化車主成本。采用非支配排序遺傳算法(NSGA-Ⅱ)求解優(yōu)化模型，獲得最優(yōu)多模式動態(tài)電價和EV充放電策略。仿真結果驗證了所提方法的有效性。

主從博弈；車主意愿；多模式響應；動態(tài)電價

0 引言

電動汽車(electrical vehicle, EV)憑借其綠色、環(huán)保等特點迅猛發(fā)展，保有量逐年攀升。對于含EV的微電網來說，電動汽車充放電行為的隨機性和無序性加劇微電網負荷的波動性，出現“峰上加峰”、“反調峰”等現象[1-2]，增加了微電網優(yōu)化調度的難度。借助不斷成熟的電動汽車入網技術，通過需求響應實現EV與微電網的良性互動將有助于促進“車-網”系統(tǒng)的安全高效運行。

目前代表性的研究成果是電網實施分時電價激勵政策，可有效引導EV有序充放電，實現電網的削峰填谷調度目標。前提條件是所有EV車主愿意按照分時電價引導參與響應?？紤]到EV用戶消費需求的提升及消費價值觀的多樣化，EV參與電網調度的需求響應模式呈現差異性和多樣性，參與意愿具有模糊性。在此背景下，實施單一模式的分時電價激勵，EV響應將達不到預想效果甚至更加惡化。

多數電動汽車一天內的大部分時間處于空閑狀態(tài)[3]，因而均有可能通過需求響應參與到微電網的調峰調度中來。EV用戶需求響應可分為3種典型模式：即充即走(模式一)，僅參加充電調度(模式二)，參與充放電調度(模式三)。EV車主選擇這3種模式的意愿與車主的性格及模式價格等因素有關，具有模糊性。針對上述EV的需求特點，微電網需要制定相應的激勵政策，引導EV有序充放電，減小凈負荷波動，提升系統(tǒng)整體效益。為此，本文將重點研究考慮EV多模式需求響應及車主模糊意愿的含EV微電網系統(tǒng)的優(yōu)化調度策略，達到“削峰填谷”效果，實現車主和微電網主體的利益共贏。

目前，在EV參與電網調度的模式研究方面，主要采用集中調度[4-5]和分層調度[6-7]的方式，沒有考慮不同車主需求響應的差異性。文獻[4]綜合分析已入網汽車的確定信息和未入網汽車的預測模型來預測電動汽車集群充電行為，再通過滾動優(yōu)化確定入網EV的實時充電功率，達到更好的填谷效果。在文獻[5]中，微電網調度中心根據網內新能源和負荷的功率差值，發(fā)布電價信息調動EV有序充放電來平緩等效負荷曲線。文獻[6]采用雙層調度模型，下層EV代理商通過設置懲罰系數來控制EV各時段的充放電狀態(tài)，以此響應上層調度機構制定的充放電策略。文獻[7]建立了一個含EV、EV調度機構和配電中心的3層調度架構，通過EV響應電價、EV 調度機構調整充放電計劃和控制中心實時更新分時電價的方式引導 EV 充放電。但是上述文獻對于全體電動汽車采取同樣的調度策略，沒有考慮不同車主需求響應的差異性。

在微電網的激勵政策方面，目前的研究主要通過電價激勵政策引導電動汽車的有序充放電。文獻[8]構建不同舒適價格的電動汽車充放電行為優(yōu)化模型，文獻[9]采用基于主從博弈更新的分時電價，文獻[10]采用基于合作博弈得到動態(tài)分時電價激勵。以上文獻表明，分時電價模式對引導 EV 有序充放電具有重要的作用，相比于靜態(tài)分時電價，動態(tài)電價削峰填谷的效果更加明顯。這些文獻針對不同類型的車主采用同樣的激勵政策，沒有考慮EV參與需求響應模式的差異性和多樣性。

目前關于電動汽車入網的研究大多直接設計調度策略，對于車主參與調度的意愿研究較少，且主要集中于充放電調度意愿和出行滿意度的考慮，而對于現代消費方式下，車主自身參與不同需求響應模式的意愿的考慮還鮮有文獻研究。文獻[11]通過用戶出行所需電量與實際電量計算得到出行滿意值，從而進行充放電調控，但是未考慮到車主參與調控的意愿。已有研究主要考慮的是常規(guī)負荷及EV響應的隨機性或不確定性，未考慮電動汽車多響應模式選擇的消費意愿場景。文獻[12]通過基本負荷以及可中斷負荷描述了電網側激勵對用戶側響應參與率的影響，證明了電網側存在針對用戶參與率的最優(yōu)激勵政策。目前常用消費者心理學模型分析需求側響應的不確定性，但是僅考慮了常規(guī)用戶用電的不確定性[13]，或者EV用戶充放電不確定性響應曲線[14]，或者利用條件風險價值自動響應符合用戶心理的策略[15]。文獻[16]引入價格彈性系數描述了電動汽車響應分時電價充電的不確定性；文獻[17]通過二項分布描述車主充電習慣的不確定性，分析了不確定充電習慣對電動汽車充電負荷調節(jié)的影響；文獻[18]考慮到用戶到達、離開時間以及初始荷電狀態(tài)的隨機性，采用MCMC算法建立了概率模型；文獻[19]引入用戶響應系數來描述用戶響應意愿對負荷分布的影響。與上述文獻描述的不確定性不同，本文考慮的車主意愿模糊性是指無法準確預測車主選擇不同模式需求響應的概率，是一種“似是而非”的不明確判斷。

博弈理論已廣泛應用于含EV微電網優(yōu)化調度的建模之中，文獻[20-21]表明基于博弈論的思想建立規(guī)劃調度模型可以考慮多方的利益，實現共贏，是一種行之有效的方法。

本文針對EV多模式需求響應特點及車主模糊意愿，基于模糊推理預測理論和博弈理論，提出了含EV微電網系統(tǒng)的優(yōu)化調度策略，建立了微電網與電動汽車的主從博弈優(yōu)化模型，提升“車-網”系統(tǒng)綜合調度效益。本文主要創(chuàng)新性工作及解決的關鍵問題包括以下幾個方面。

1) 構建考慮多模式需求響應及車主意愿的EV車主側優(yōu)化模型。建立了EV車主的3種典型的多模式需求響應模型，滿足車主的多模式需求響應訴求；基于模糊推理預測理論，綜合主客觀因素的影響，建立了車主的多模式選擇決策模型，解決車主意愿的隨機模糊性問題；在此基礎上，建立了車主側用能成本最小模型，提升了EV用能效益。

2) 在微電網側，針對EV側的多模式需求響應及車主意愿訴求特點，考慮微電網新能源完全消納，針對凈負荷曲線制定多模式動態(tài)電價激勵政策，引導車主進行合理的模式選擇，促進EV有序充放電；建立微電網凈負荷曲線波動均方差最小和用能成本最小優(yōu)化模型，實現微電網系統(tǒng)多目標優(yōu)化。

3) 構建了微電網和EV車主的主從博弈模型。以微電網為主體，制定多模式動態(tài)電價策略，引導EV有序充放電，實現凈負荷曲線波動均方差最小和運行成本最小；以EV車主為從體，制定車主多模式模糊決策模型，響應多模式動態(tài)電價，實現EV用能成本最小。經過主從模型的迭代優(yōu)化，獲得微電網側最優(yōu)多模式動態(tài)電價和電動汽車優(yōu)化充放電策略集。

4) 采用非支配排序遺傳算法求出微電網主體側多目標優(yōu)化模型的Pareto 前沿面，再利用模糊隸屬度函數篩選最優(yōu)折中解。通過仿真算例，分析驗證了所提優(yōu)化策略的有效性。

1 基于多模式電價激勵和車主響應模糊意愿的含EV微電網博弈優(yōu)化調度策略

針對規(guī)?；疎V參與微電網調度的需求響應模式多樣化，以及參與程度受車主選擇意愿等因素影響，建立了考慮車主意愿的多模式動態(tài)分時電價激勵政策，提出了基于多模式動態(tài)電價激勵的含電動汽車微電網主從博弈優(yōu)化調度策略，以期提升“車-網”系統(tǒng)的綜合調度效益。

當EV接入時，考慮到EV充放電行為的隨機性、無序性會加劇微電網負荷曲線的波動性。此時，微電網實施調峰調度，考慮EV側的需求響應，通過制定合理的激勵政策，引導EV有序充放電，達到“削峰填谷”的效果，促進“車-網”系統(tǒng)的安全高效運行。

1.1 考慮車主意愿的多模式動態(tài)分時電價激勵政策

根據車主在微電網充電站的停留時間以及自身意愿分為即充即走(模式一)和參與調度兩大類，其中參與調度又分為僅參加充電調度(模式二)和參與充放電調度(模式三)兩類。

對于微電網的調峰調度來說，模式一、模式二和模式三的調峰效果依次增加。微電網最希望EV參與模式三的調度，其次是模式二。選擇模式一的EV需要在短時間內大量充電，大量車主選擇模式一不利于微電網的調峰調度，也是微電網最不希望的模式。為此，依據這3種響應模式和微電網凈負荷曲線波動性的削峰填谷調度需求，在微電網側制定多模式動態(tài)分時電價激勵政策，如下所述。

不同模式、不同時段下的充放電電價會影響車主成本，從而影響不同性格車主的最終選擇。

1.2 含電動汽車微電網優(yōu)化調度策略

微電網優(yōu)先消納新能源為負荷提供電能，剩余的負荷為凈負荷，依據凈負荷的波動特點，微電網實施調峰調度，制定多模式電價激勵政策，引導EV有序充放電，達到削峰填谷的效果；EV車主響應微電網多模式電價激勵政策，基于模糊推理決策模型選擇響應模式，實現用能成本最小。微電網優(yōu)先消納新能源并考慮了EV需求響應之后，若新能源還有富余時將多余新能源存儲于儲能系統(tǒng)，不夠時由儲能系統(tǒng)放電支撐，還不夠時則由柴油機組出力平衡。

圖1為考慮EV多模式需求響應的含電動汽車微電網優(yōu)化調度策略主體流程圖。

圖1 含EV的微電網優(yōu)化調度策略

不同性格的車主考慮到自身利益，響應微電網側電價激勵，根據停留時間選擇成本較小的模式進行充電，微電網為了促進車主參與充放電調度，會適當提高模式一的電價系數，降低模式二和模式三的電價系數，但是考慮到微電網自身的成本，電價系數也不宜太高或者太低，需要通過博弈模型優(yōu)化，達到“車-網”共贏。

1.3 車-網主從博弈優(yōu)化調度策略

微電網主體側以多模式動態(tài)電價為決策變量，實現凈負荷曲線波動均方差最小和運行成本最小；EV車主從體側以EV充放電策略為決策變量，實現EV用能成本最小。雙方的決策相互影響，經過主從博弈模型的迭代優(yōu)化，獲得微電網側最優(yōu)多模式動態(tài)電價和電動汽車優(yōu)化充放電策略集。實施日前調度，以24 h為一個調度周期，每15 min(0.25 h)為一個調度窗口，將全天劃分為96個調度時段。

2 考慮多模式電價激勵和車主響應模糊意愿的含EV微電網主從博弈優(yōu)化調度模型

考慮微電網和電動汽車屬于不同的利益主體，均具有自我趨利屬性。基于博弈理論，建立主從博弈優(yōu)化模型，獲得微電網側最優(yōu)多模式動態(tài)電價策略和電動汽車優(yōu)化充放電策略。

2.1 博弈主體側目標函數

微電網作為博弈主體領導者率先做出決策制定電價，引導電動汽車的充放電行為，起到削峰填谷的作用，其目標函數分別為運行成本最小和負荷均方差最小。

1) 微電網運行成本目標函數

2) 微電網負荷均方差目標函數

2.2 博弈從體目標函數

2.2.1車主信息

根據2009年美國交通部對私人電動汽車的調查結果[22]，車主進入充電站開始充電時刻和離開充電站時刻均近似滿足正態(tài)分布。電動汽車到達充電站和離開充電站的時間關系有兩種：一種是到達和離開均在一天之內完成，另一種是到達充電站在前一天，離開時間在第二天，具體停車時間如圖2所示。本文將在優(yōu)化建模中，據此構建EV停車時間段信息模型。

圖2 停車時間段

2.2.2博弈從體車主目標函數

1) 模式一目標函數

車主在停留時間段內通過快充充電，車主成本由電池損耗費用和根據模式一電價得到的充電費用構成。

2) 模式二目標函數

選擇模式二的車主將參與充電調度?？紤]到多次充放電帶來的電池損耗，車主不愿意參加放電調度，這類車主將在達到期望荷電狀態(tài)后在期望時間離開充電站。

(1) 慢充模式下的車主成本

車主通過慢充達到期望電量，車主成本由根據模式二電價得到的充電費用和電池損耗費用構成。

(2) 快充模式下車主成本

車主通過快充達到期望電量，車主成本由根據模式二電價得到的充電費用和電池損耗費用構成。

3) 模式三目標函數

選擇模式三的車主將參與充、放電調度。車主根據停留時間選擇快充或慢充，若停留時間段小于慢充時間段，選擇快充，反之選擇慢充。車主通過不同充電方式達到期望電量，車主成本由根據模式三電價得到的充電費用、放電補償和電池損耗費用構成。

2.3 車主決策模型

由于影響車主充放電模式決策的因素具有模糊不確定性，基于模糊邏輯[23]建模，根據車主性格的差異性以及不同模式下的充電成本，模糊推理得到該用戶最有可能選擇的充放電模式，具體流程如圖3所示。

圖3 基于模糊邏輯的用戶決策模型結構

表1 模糊子集與成本關系對應表

本文設定了18條模糊控制規(guī)則如表2所示。根據模糊邏輯規(guī)則表和Mamdani推理法則[25]，得到模糊控制器的輸出特性曲面，如圖7所示。

圖7描述了不同性格車主在對比3種模式下的車主成本之后得到的最終決策，輸出值越接近于1，表示該車主選擇模式三的概率越大，輸出值越接近于0，表示該車主選擇模式一的概率越大。

圖4 性格隸屬度函數

圖5 成本隸屬度函數

圖6 輸出隸屬度函數

表2 模糊控制規(guī)則表

圖7 模糊邏輯控制器輸出特性曲面

2.4 約束條件

1) 時間約束

車主參與充放電調度的總時長不超過停留時長，且充放電不能同時進行。

2) 電動汽車充放電功率約束

3) 電動汽車荷電狀態(tài)約束

4) 柴油機、風電出力極限約束

3 優(yōu)化模型求解

具體求解過程分為3個步驟進行。

2) 基于車主意愿決策模型得到車主的充放電模式，再計算EV在不同模式不同時段下的充放電功率。具體計算流程如圖8所示。

選擇模式一的車主采用步驟1)的方法計算不同時段充放電功率。

選擇模式三的車輛既充電又放電，根據停留時間選擇快充和慢充模式。考慮到車輛入網時間、入網時荷電狀態(tài)以及不同時段電價大小的不確定性，為了在短時間內尋求最優(yōu)充放電策略使每輛EV都能在高電價時間段放電，低電價時間段充電，采用粒子群算法進行循環(huán)迭代得到車主成本最小的充放電策略。具體流程如圖10所示。

圖8 EV充放電功率計算流程

圖9 停車時間段

圖10 模式三EV充放電功率計算流程

該博弈模型達到均衡需要滿足：

4 算例分析

4.1 參數設置

圖11 主從博弈模型求解流程

表3 分時電價初始值

圖12為EV入網前微電網的凈負荷曲線，可以看出，微電網原始負荷在中午和晚上都存在負荷高峰，消納全部風電后，微電網凈負荷曲線峰時段集中在中午，谷時段集中在凌晨，激勵電動汽車有序在峰時段放電谷時段充電，達到削峰填谷的目的。

4.2 不同激勵政策對優(yōu)化結果的影響

為了對比分析不同激勵政策下的EV響應效果，設置4種典型案例。

案例一：無激勵政策下的無序充電場景，即不考慮微電網電價的激勵作用以及車主性格的差異性，EV入網立即充電。

圖12 EV入網前微電網凈負荷曲線

案例二：單一模式分時電價激勵下的EV有序充放電場景，即考慮傳統(tǒng)分時電價激勵，EV在電價激勵下有序進行充放電過程。

案例三：考慮車主模糊意愿的單一模式分時電價激勵下的EV有序充放電場景，即在案例二傳統(tǒng)電價激勵的基礎上考慮了不同性格車主參與調度的不確定性。

案例四(本文方法)：考慮多模式動態(tài)電價激勵和車主模糊意愿的有序充放電場景，即在案例三的基礎上，針對車主參與調度意愿的差異性設置了不同模式電價，EV在多模式動態(tài)電價激勵下有序充放電過程。

圖13為4種案例下的EV充(放)電對微電網凈負荷曲線的調節(jié)效果對比圖。圖中：藍線描述了EV無序入網充電時的凈負荷曲線，12：00—15：00 時段以及16：00—17：00時段處于峰時段，00：00—07：00時段處于谷時段，與表3的時段劃分基本吻合；紅線描述了在傳統(tǒng)分時電價激勵下的凈負荷曲線，相比于無序充電峰谷差明顯減小，12：00—15：00 時段內的負荷尖峰明顯降低，00：00—07：00時段內的負荷低谷明顯升高；綠線描述了考慮車主意愿和傳統(tǒng)分時電價激勵的凈負荷曲線，與案例二相比，曲線波動明顯更劇烈，在12：25時產生的負荷尖峰甚至超過了案例一的藍線，紅線和綠線分別代表了傳統(tǒng)分時電價激勵下的理想情況與實際情況，在工程實際中通過傳統(tǒng)分時電價激勵得不到理想的調度效果；黑線描述了采用本文所提策略得到的EV有序充放電后的凈負荷曲線，黑線不僅比綠線更平滑，而且與紅線的波動狀態(tài)基本相同，同時在12：25時的尖峰也略低于紅線，說明本文提出的模型在真實反映工程實際的基礎上，確實能有效引導EV由高峰充電低谷放電到高峰放電低谷充電，達到削峰填谷的目的。

圖13 EV不同充電策略的微電網凈負荷曲線比較圖

圖14展示了案例四中微電網主體側多目標尋優(yōu)的Pareto前沿面以及最優(yōu)折中解的篩選情況，根據最優(yōu)折中解來確定微電網運行成本和微電網凈負荷均方差的最小值，不同充電策略下的具體數值如表4所示。

圖14 案例四的Pareto前沿面

EV在不同充電策略下車主成本、微電網成本以及凈負荷均方差數值如表4所示?？梢园l(fā)現，相比于案例一，案例四的車主成本和凈負荷均方差都明顯下降。案例四的車主成本相較于案例二略有增加，是因為傳統(tǒng)分時電價沒有考慮到有車主不愿參加調度的情況，本文策略中針對不愿意參與調度的EV采用高價充電；但是相比于案例三，車主成本又有所下降，這是車主可以在停留時間段內選擇價格更低的時段進行充電。

表4 不同充電策略下的具體優(yōu)化結果

針對案例四優(yōu)化后的3種模式下充放電系數如圖15所示。以09：00(即第36時段)為例，此時3種模式的電價系數分別為1.41、0.83和0.58，可得模式一電價為1.96元/kWh，即峰時段電價與電價系數乘積。由表3可知，此時處于平時段，則模式二和模式三電價分別為0.69、0.48元/kWh，即平時段電價與電價系數乘積，體現了3種模式下電價大小的設計策略。

圖15 3種模式下的充放電系數

4.3 多模式響應對優(yōu)化結果的影響

在4.2節(jié)的基礎上，分析僅考慮單模式響應時，是否存在與期望偏差過大或達不到最佳調度效果的情況，分析根據車主意愿以及實際情況建立的多模式響應的調度策略是否可以達到最好的調度效果。其凈負荷曲線結果如圖16所示，其成本及凈負荷均方差結果如表5所示。

圖16 響應模式對凈負荷曲線調節(jié)效果的影響

表5 響應模式對車網成本及凈負荷均方差的影響

由圖16和表5可以發(fā)現，當車主全部選擇模式一時所得到的凈負荷均方差最大，此時的調度效果最差，這是因為所有車主入網立即充電，沒有考慮微電網負荷曲線波動情況；當車主全部選擇模式三時，雖然峰谷差較全選模式一有所下降，但是曲線波動太頻繁，會影響微電網運行穩(wěn)定性，且此模式下車主成本較其他模式高出太多；當車主全部選擇模式二時的凈負荷曲線與多模式響應時的凈負荷曲線最接近，但是相比于多模式響應微電網成本略高，同時在工程實際中要考慮有車主不愿意參與調度的情況，因此車主根據自身意愿進行多模式響應得到的優(yōu)化結果是最好的。

4.4 車主意愿對優(yōu)化結果的影響

在4.3節(jié)的基礎上，進一步分析實施多模式電價激勵下，是否考慮車主模糊意愿對調度結果的影響。其凈負荷曲線結果如圖17所示，其成本及凈負荷均方差結果如表6所示。

圖17 車主意愿對凈負荷曲線調節(jié)效果的影響

表6 車主意愿對車網成本及凈負荷均方差的影響

分析圖17和表6結果可知，在保持多模式電價數值一致的情況下，不考慮車主意愿的凈負荷方差更小，凈負荷曲線效果更好，車主成本更低，但前提是車主能夠按照微電網設計的模式參與響應；當考慮車主模糊意愿時，車主成本和微電網成本增加，凈負荷均方差變大，凈負荷曲線效果變壞，凈負荷曲線不僅頻繁波動而且在12：00時增大了負荷尖峰，說明車主并未按照微電網主體設計好的模式及其電價系數進行響應，導致響應效果的惡化。因此，建立電動汽車調度模型時，在考慮多響應模式的情況下，進一步考慮車主對多模式的選擇意愿聯(lián)合優(yōu)化激勵電價是必要的，可以更貼合EV響應模式的多樣性和模糊性這一實際工程場景。

4.5 EV規(guī)模對優(yōu)化結果的影響

目前EV的規(guī)模不斷擴大，為了驗證本文提出的策略在未來大規(guī)模EV入網的工程實際中的可行性，選擇EV數量分別為500、800、1000和1200參與調度，凈負荷曲線如圖18所示，車主平均成本、微電網成本和凈負荷的均方差如表7所示。

圖18 不同EV數量優(yōu)化對比曲線

表7 EV規(guī)模對優(yōu)化結果影響具體數值

分析圖18和表7的結果可以發(fā)現，隨著EV數量增多，車主平均成本變化不大，00：00—12：00時段內的填谷效果更加明顯，同時整體的凈負荷均方差不斷減小，說明隨著EV數量日益增多，本文提出的調度策略削峰填谷效果越好。

5 結論

隨著EV用戶消費需求的提升，EV參與電網調度的需求響應模式呈現差異性和多樣性，參與意愿具有模糊性。本文提出的基于車主模糊意愿得到的多模式動態(tài)電價策略在完全消納新能源的前提下，將EV用戶需求響應分為3種典型模式，根據不同模式下的電價策略，激勵用戶參與充放電調度。基于對比算例可得到如下結論：

1) 為適應EV需求響應模式的多樣性和參與響應意愿的模糊性，本文提出的車-網互動策略在含EV微電網日前調度中能明顯降低負荷曲線峰谷差，減少車主成本，提高微電網運行效益。

2) 微電網側實施基于車主意愿的動態(tài)電價激勵政策，不僅促進了新能源的消納，還有利于提高電動汽車車主參與調度的積極性。車主側響應多模式動態(tài)電價，在貼合工程實際的基礎上降低微電網成本和凈負荷均方差，減小曲線波動，增強微電網運行穩(wěn)定性。針對EV側的多模式需求響應可為實際工程應用提供參考。

3) 考慮車主意愿時的車主成本相比于不考慮車主意愿時更高，反映了車主的決策意愿未必一定會選擇微電網主體所期望的模式，因此，建立電動汽車調度模型時考慮車主意愿更貼合工程實際。

[1] 趙玉, 徐天奇, 李琰, 等. 基于分時電價的電動汽車調度策略研究[J]. 電力系統(tǒng)保護與控制, 2020, 48(11): 92-101.

ZHAO Yu, XU Tianqi, LI Yan, et al. Research on electric vehicle scheduling strategy based on time-shared electricity price[J]. Power System Protection and Control, 2020, 48(11): 92-101.

[2] 姚穎蓓, 陸建忠, 傅業(yè)盛, 等. 華東地區(qū)電動汽車發(fā)展趨勢及用電需求預測[J]. 電力系統(tǒng)保護與控制, 2021, 49(4): 141-145.

YAO Yingbei, LU Jianzhong, FU Yesheng, et al. Electric vehicle development trends and electricity demand forecast in East China[J]. Power System Protection and Control,2021, 49(4): 141-145.

[3] 楊國清, 羅航, 王德意, 等. 分時電價與電動汽車優(yōu)化調度的主從博弈模型[J]. 電力系統(tǒng)及其自動化學報, 2018, 30(10): 55-60.

YANG Guoqing, LUO Hang, WANG Deyi, et al. Leader- follower game model of time-of-use electricity price and optimized plug-in electric vehicle dispatching[J]. Proceedings of the CSU-EPSA, 2018, 30(10): 55-60.

[4] 李正爍, 郭慶來, 孫宏斌, 等. 計及電動汽車充電預測的實時充電優(yōu)化方法[J]. 電力系統(tǒng)自動化, 2014, 38(9): 61-68.

LI Zhengshuo, GUO Qinglai, SUN Hongbin, et al. Real- time charging optimization method considering vehicle charging prediction[J]. Automation of Electric Power Systems, 2014, 38(9): 61-68.

[5] 趙興勇, 王帥, 吳新華, 等. 含分布式電源和電動汽車的微電網協(xié)調控制策略[J]. 電網技術, 2016, 40(12): 3732-3740.

ZHAO Xingyong, WANG Shuai, WU Xinhua, et al. Coordinated control strategy research of microgrid including distributed generations and electric vehicles[J]. Power System Technology, 2016, 40(12): 3732-3740.

[6] 姚偉鋒, 趙俊華, 文福拴, 等. 基于雙層優(yōu)化的電動汽車充放電調度策略[J]. 電力系統(tǒng)自動化, 2012, 36(11): 30-37.

YAO Weifeng, ZHAO Junhua, WEN Fushuan, et al. A charging and discharging dispatching strategy for electric vehicles based on bi-level optimization[J]. Automation of Electric Power Systems, 2012, 36(11): 30-37.

[7] 張西竹, 劉洵源, 楊文濤, 等. 動態(tài)分時電價機制下的電動汽車分層調度策略[J]. 電力建設, 2018, 39(12): 73-80.

ZHANG Xizhu, LIU Xunyuan, YANG Wentao, et al. A hierarchical scheduling strategy for electric vehicles under dynamic time-of-use tariff mechanism[J]. Electric Power Construction, 2018, 39(12): 73-80.

[8] 吳宛潞, 韓帥, 孫樂平, 等. 負荷聚合商多類型需求側資源激勵價格制定一般模型及應用[J]. 電力建設, 2021, 42(1): 1-9.

WU Wanlu, HAN Shuai, SUN Leping, et al. A general incentive pricing model and its application for multi-type demand-side resources of load aggregators[J]. Electric Power Construction, 2021, 42(1): 1-9.

[9] 胡鵬, 艾欣, 張朔, 等. 基于需求響應的分時電價主從博弈建模與仿真研究[J]. 電網技術, 2020, 44(2): 585-592.

HU Peng, AI Xin, ZHANG Shuo, et al. Modelling and simulation study of TOU Stackelberg game based on demand response[J]. Power System Technology, 2020, 44(2): 585-592.

[10] 程杉, 陳梓銘, 徐康儀, 等. 基于合作博弈與動態(tài)分時電價的電動汽車有序充放電方法[J]. 電力系統(tǒng)保護與控制, 2020, 48(21): 15-21.

CHENG Shan, CHEN Ziming, XU Kangyi, et al. An orderly charging and discharging method for electric vehicles based on a cooperative game and dynamic time-of-use price[J]. Power System Protection and Control, 2020, 48(21): 15-21.

[11] 楊春萍, 趙祺, 祁兵, 等. 基于用戶利益與出行意愿的電動汽車充放電調度策略[J]. 電測與儀表, 2018, 55(8): 106-112.

YANG Chunping, ZHAO Qi, QI Bing, et al. Charge and discharge scheduling strategy of electric vehicle based on interest and travel intention of users[J]. Electrical Measurement & Instrumentation, 2018, 55(8): 106-112.

[12] 彭文昊, 陸俊, 馮勇軍, 等. 計及用戶參與不確定性的需求響應策略優(yōu)化方法[J]. 電網技術, 2018, 42(5): 1588-1594.

PENG Wenhao, LU Jun, FENG Yongjun, et al. A demand response strategy optimization considering user participation uncertainty[J]. Power System Technology, 2018, 42(5): 1588-1594.

[13] 王蓓蓓, 孫宇軍, 李揚. 不確定性需求響應建模在電力積分激勵決策中的應用[J]. 電力系統(tǒng)自動化, 2015, 39(10): 93-99, 150.

WANG Beibei, SUN Yujun, LI Yang. Application of uncertain demand response modeling in Power-score incentive decision[J]. Automation of Electric Power Systems, 2015, 39(10): 93-99, 150.

[14] 朱蘭, 劉伸, 唐隴軍, 等. 充放電不確定性響應建模與電動汽車代理商日前調度策略[J]. 電網技術, 2018, 42(10): 3305-3317.

ZHU Lan, LIU Shen, TANG Longjun, et al. Modeling of charging and discharging uncertainty and research on day-ahead dispatching strategy of electric vehicle agents[J]. Power System Technology, 2018, 42(10): 3305-3317.

[15] 楊曉東, 張有兵, 趙波, 等. 供需兩側協(xié)同優(yōu)化的電動汽車充放電自動需求響應方法[J]. 中國電機工程學報, 2017, 37(1): 120-130.

YANG Xiaodong, ZHANG Youbing, ZHAO Bo, et al. Automated demand response method for electric vehicles charging and discharging to achieve supply-demand coordinated optimization[J]. Proceedings of the CSEE, 2017, 37(1): 120-130.

[16] 楊健維, 茍方杰, 黃宇, 等. 基于不確定性測度的居民小區(qū)電動汽車充電分時電價制定策略[J]. 電網技術, 2018, 42(1): 96-102.

YANG Jianwei, GOU Fangjie, HUANG Yu, et al. Residential area electric vehicle charging pricing strategy based on uncertainty measure[J]. Power System Technology, 2018, 42(1): 96-102.

[17] 楊冰, 王麗芳, 廖承林, 等. 不確定充電習慣對電動汽車充電負荷需求及充電負荷調節(jié)的影響[J]. 電工技術學報, 2015, 30(4): 226-232.

YANG Bing, WANG Lifang, LIAO Chenglin, et al. Effects of uncertainty charging habits on electric vehicles’ charging load demand and the charging load regulation[J]. Transactions of China Electrotechnical Society, 2015, 30(4): 226-232.

[18] 孫韓, 陳宗海, 武驥. 計及電動汽車不確定性的家庭微電網實時能量調度策略[J]. 電網技術, 2019, 43(7): 2544-2551.

SUN Han, CHEN Zonghai, WU Ji. Online energy dispatch strategy for residential microgrid considering uncertainty of electric vehicle[J]. Power System Technology, 2019, 43(7): 2544-2551.

[19] 王毅, 麻秀, 萬毅, 等. 基于分時充放電裕度的電動汽車有序充放電引導策略[J]. 電網技術, 2019, 43(12): 4353-4361.

WANG Yi, MA Xiu, WAN Yi, et al. Sequential charge- discharge guidance strategy for electric vehicles based on time-sharing charging-discharging margin[J]. Power System Technology, 2019, 43(12): 4353-4361.

[20] 李咸善, 馬凱琳, 程杉. 含多區(qū)域綜合能源系統(tǒng)的主動配電網雙層博弈優(yōu)化調度策略[J]. 電力系統(tǒng)保護與控制, 2022, 50(1): 8-22.

LI Xianshan, MA Kailin, CHENG Shan. Dispatching strategy of an active distribution network with multiple regional integrated energy systems based on two-level game optimization[J]. Power System Protection and Control, 2022, 50(1): 8-22.

[21] 王瑞, 程杉, 汪業(yè)喬, 等. 基于多主體主從博弈的區(qū)域綜合能源系統(tǒng)低碳經濟優(yōu)化調度[J]. 電力系統(tǒng)保護與控制, 2022, 50(5): 12-21.

WANG Rui, CHENG Shan, WANG Yeqiao, et al. Stackelberg game optimization method for microgrid cluster considering electricity price mechanism[J]. Power System Protection and Control, 2022, 50(5): 12-21.

[22] 田立亭, 史雙龍, 賈卓. 電動汽車充電功率需求的統(tǒng)計學建模方法[J]. 電網技術, 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.

[23] 郭宴秀, 蘇建軍, 馬臨超, 等. 基于IT2FLC的HESS太陽能充電站功率分配策略[J]. 智慧電力, 2022, 50(5): 62-68, 76.

GUO Yanxiu, SU Jianjun, MA Linchao, et al. Power Allocation strategy of hybrid energy storage solar charging station based on IT2FLC[J]. Smart Power, 2022, 50(5): 62-68, 76.

[24] 聶琳真, 管家意, 盧熾華, 等. 基于模糊邏輯的高速公路微觀換道行為[J]. 北京工業(yè)大學學報, 2018, 44(3): 424-432.

NIE Linzhen, GUAN Jiayi, LU Chihua, et al. Freeway lane changing behavior based on fuzzy logic[J]. Journal of Beijing University of Technology, 2018, 44(3): 424-432.

[25] SHAKEEL F M, MALIK O P. Fuzzy based energy management system for a micro-grid with a V2G parking lot[C] // 2020 IEEE Electric Power and Energy Conference (EPEC), November 9-10, 2020, Edmonton, AB, Canada: 1-5.

[26] 李咸善, 解仕杰, 方子健, 等. 多微電網共享儲能的優(yōu)化配置及其成本分攤[J]. 電力自動化設備, 2021, 41(10): 44-51.

LI Xianshan, XIE Shijie, FANG Zijian, et al. Optimal configuration of shared energy storage for multi-microgrid and its cost allocation[J]. Electric Power Automation Equipment, 2021, 41(10): 44-51.

[27] 陸立民, 褚國偉, 張濤, 等. 基于改進多目標粒子群算法的微電網儲能優(yōu)化配置[J]. 電力系統(tǒng)保護與控制, 2020, 48(15): 116-124.

LU Limin, CHU Guowei, ZHANG Tao, et al. Optimal configuration of energy storage in a microgrid based on improved multi-objective particle swarm optimization[J]. Power System Protection and Control, 2020, 48(15): 116-124.

Optimal dispatch strategy considering fuzzy intention of multi-mode demand response of vehicle owners

LI Xianshan1, 2, ZHOU Xiaolan1, 2, YAO Junwei3, XIE Qiongyao3

(1. Hubei Provincial Key Laboratory for Operation and Control of Cascaded Hydropower Station (China Three Gorges University), Yichang 443002, China; 2. College of Electrical Engineering & New Energy, China Three Gorges University,Yichang 443002, China; 3.State Grid Yichang Power Supply Company, Yichang 443002, China)

The demand response of modern electric vehicle (EV) users is characterized by diversity and fuzziness of willingness. When a single incentive policy is implemented, the EV response will not achieve the desired effect. Therefore, this paper proposes a master-slave game optimization scheduling strategy for an EV microgrid considering the multi-mode demand response and fuzzy intention of vehicle owners. The main body of the microgrid formulates a multi-mode dynamic electricity price incentive policy for net load, guides the EV to make choices in multi-mode electricity price, and promotes orderly charging and discharging of EV. It also realizes minimum net load mean square deviation and operational cost. Based on the fuzzy logic reasoning willingness decision, the vehicle owner responds to the multi-mode dynamic electricity price to minimize the vehicle owner cost. The NSGA-II algorithm is used to analyse the optimization model to obtain the optimal multi-mode dynamic electricity price and EV charging and discharging strategy. Simulation results verify the effectiveness of the proposed method.

master-slave game;EV owner's willingness; multi-mode response; dynamic electricity price

10.19783/j.cnki.pspc.220697

國家自然科學基金項目資助(51607105)；湖北省技術創(chuàng)新重大項目資助(2017AAA132)

This work is supported by the National Natural Science Foundation of China (No. 51607105).

2022-05-11；

2022-09-05

李咸善(1964—)，男，博士，教授，博士生導師，研究方向為微電網運行與控制、電力系統(tǒng)運行與控制、水電站仿真與控制；E-mail: lixianshan@ctgu.edu.cn

周曉嵐(1998—)，女，碩士研究生，研究方向為電力系統(tǒng)運行與控制、微電網優(yōu)化調度。E-mail: 952978228@qq.com

(編輯 姜新麗)