陳 鑫,林永君,白青飛,李 靜

(華北電力大學(xué),河北 保定 071000)

1 引言

近年來,電動(dòng)汽車因其清潔高效的特點(diǎn)得到快速發(fā)展,但大量電動(dòng)汽車(EV)隨機(jī)接入電網(wǎng)進(jìn)行無序充電,會(huì)給配電網(wǎng)的安全穩(wěn)定運(yùn)行帶來顯著影響[1,2]。因EV具有響應(yīng)速度快控制靈活等特點(diǎn),通過對(duì)其充放電的合理控制,不僅解決了上述問題,同時(shí)可為電網(wǎng)運(yùn)行提供重要安全保障;但EV參與需求響應(yīng)受車主意愿和響應(yīng)時(shí)間限制具有較大的不確定性;空調(diào)因其虛擬儲(chǔ)能特性現(xiàn)已成為最具潛力的需求側(cè)資源之一[3]通過結(jié)合多類柔性負(fù)荷共同參與電網(wǎng)需求響應(yīng)可解決一類柔性負(fù)荷在響應(yīng)上的不確定性,提高其輔助服務(wù)質(zhì)量。園區(qū)作為需求響應(yīng)的主戰(zhàn)場(chǎng),包含大量柔性負(fù)荷,制定行之有效的園區(qū)運(yùn)營(yíng)商與柔性負(fù)荷用戶間的互動(dòng)策略引導(dǎo)其參與需求響應(yīng)顯得尤為重要。

目前,國(guó)內(nèi)外針對(duì)柔性負(fù)荷參與電網(wǎng)響應(yīng)的互動(dòng)策略已開展了諸多研究,文獻(xiàn)[4]針對(duì)大規(guī)模電動(dòng)汽車無序充電帶來的影響,基于分時(shí)電價(jià)制度和電動(dòng)汽車可入網(wǎng)的情況,建立了計(jì)及電網(wǎng)負(fù)荷波動(dòng)及用戶成本的多目標(biāo)優(yōu)化模型,并通過與固定電價(jià)的對(duì)比驗(yàn)證了策略的有效性。文獻(xiàn)[5]為解決光伏功率的隨機(jī)波動(dòng)對(duì)電網(wǎng)電能指令的影響,提出了微網(wǎng)環(huán)境下的集群電動(dòng)汽車參與平抑光伏波動(dòng)的控制框架,并建立了電動(dòng)汽車跟蹤光伏出力的凸優(yōu)化模型。文獻(xiàn)[6]利用V2G技術(shù)平滑大規(guī)模風(fēng)電波動(dòng),通過引入背包問題建立電動(dòng)汽車能量管理模型,并利用動(dòng)態(tài)規(guī)劃的方法提出了電動(dòng)汽車和風(fēng)電的優(yōu)化調(diào)度策略。文獻(xiàn)[7]針對(duì)不同類型的空調(diào)可調(diào)控潛力不同的特點(diǎn),提出一種考慮不同空調(diào)負(fù)荷特性的多尺度微網(wǎng)優(yōu)化調(diào)度策略,日前以最小化運(yùn)行成本,日內(nèi)以平滑聯(lián)絡(luò)線功率。文獻(xiàn)[8]針對(duì)風(fēng)電滲透率和負(fù)荷需求增加導(dǎo)致峰谷差增大的問題,提出一種分層控制策略,以協(xié)調(diào)多個(gè)機(jī)組的集中空調(diào)(AC)負(fù)荷及進(jìn)行功率調(diào)節(jié),以減少峰谷差。但上述文獻(xiàn)并未考慮柔性負(fù)荷用戶參與需求響應(yīng)的意愿,可能會(huì)造成參與需求響應(yīng)后用電費(fèi)用不降反升。

為有協(xié)調(diào)各方利益,以實(shí)現(xiàn)多方共贏,文獻(xiàn)[9]考慮多能源工業(yè)園區(qū)內(nèi)熱電聯(lián)產(chǎn)機(jī)組所有者與工業(yè)用戶間雙向電和單項(xiàng)熱交易的博弈互動(dòng)過程,在兩方共贏的基礎(chǔ)上,實(shí)現(xiàn)調(diào)峰。文獻(xiàn)[10]為實(shí)現(xiàn)代理商與電動(dòng)汽車車主間的雙贏,提出一種智能小區(qū)代理商的定價(jià)及購(gòu)電策略。針對(duì)社區(qū)綜合能源系統(tǒng)分布式特征,文獻(xiàn)[11]提出一種基于主從博弈的社區(qū)綜合能源系統(tǒng)分布式協(xié)同優(yōu)化運(yùn)行策略,將上層能源銷售商作為領(lǐng)導(dǎo)者,新能源、負(fù)荷等聚合商作為追隨者,求解各方的最優(yōu)交互策略。為兼顧園區(qū)內(nèi)不同主體間的利益,文獻(xiàn)[12,13]考慮園區(qū)綜合能源運(yùn)營(yíng)商間的供需雙側(cè)博弈互動(dòng),以兼顧供需兩側(cè)的利益最優(yōu)。文獻(xiàn)[14]結(jié)合激勵(lì)手段和價(jià)格信號(hào)為售電商設(shè)計(jì)提供多類市場(chǎng)競(jìng)爭(zhēng)力的零售套餐,并基于多時(shí)間尺度,構(gòu)建了主方購(gòu)售電組合決策模型和從方零售套餐選擇模型。文獻(xiàn)[15]為解決電動(dòng)汽車用戶通過電價(jià)響應(yīng)峰谷倒置現(xiàn)象的發(fā)生以及多次充電的電池?fù)p耗與使用不便的問題,在上層考慮電網(wǎng)收益,在下層考慮電池?fù)p耗的主從博弈模型,但所設(shè)計(jì)模型在上層并未有可優(yōu)化變量,僅為單層博弈問題。為解決電動(dòng)汽車和空調(diào)的規(guī)?；尤胧沟门潆娋W(wǎng)尖峰負(fù)荷持續(xù)增大的問題,文獻(xiàn)[16]建立考慮電網(wǎng)公司與電動(dòng)汽車代理商、儲(chǔ)能運(yùn)營(yíng)商的主從博弈模型,上層構(gòu)建運(yùn)營(yíng)收益最大與峰谷差最小的多目標(biāo)函數(shù),下層以用戶收益最大為目標(biāo)。文獻(xiàn)[17]為解決需求與可再生能源發(fā)電間不匹配的問題,聚合商通過向用戶提供獎(jiǎng)金激勵(lì)用戶調(diào)整其負(fù)荷,實(shí)現(xiàn)用戶與可再生能源預(yù)測(cè)間的匹配問題,通過考慮聚合商和用戶間的互動(dòng)過程,實(shí)現(xiàn)雙方間的最佳響應(yīng)。文獻(xiàn)[18]研究社區(qū)綜合能源系統(tǒng)中用戶綜合需求響應(yīng),建立用戶優(yōu)化用能模型和社區(qū)綜合能源運(yùn)營(yíng)商優(yōu)化模型,并分析了多能互補(bǔ)的用戶綜合需求響應(yīng)行為,有效提升了能源利用率。

但上述有關(guān)主從博弈的文獻(xiàn)均為日前調(diào)度計(jì)劃,并未考慮日內(nèi)預(yù)測(cè)偏差;同時(shí)在柔性負(fù)荷建模上忽略了其異構(gòu)性的特點(diǎn),針對(duì)上述問題,本文提出一種基于主從博弈的兩階段調(diào)峰優(yōu)化框架,日前階段建立以園區(qū)運(yùn)行商削峰填谷并兼顧自身利益的上層優(yōu)化模型,下層建立以柔性負(fù)荷用電費(fèi)用最小優(yōu)化模型,并基于主從博弈求得日前調(diào)度計(jì)劃;日內(nèi)考慮預(yù)測(cè)偏差,基于模型預(yù)測(cè)控制對(duì)柔性負(fù)荷進(jìn)行合理調(diào)度以跟蹤日前削峰填谷調(diào)度計(jì)劃,使系統(tǒng)的魯棒性得以提升。

2 兩階段優(yōu)化調(diào)度框架

本文的整體框架見下圖1。在日前建立運(yùn)營(yíng)商與用戶間的雙層博弈模型,在上層園區(qū)運(yùn)營(yíng)商通過制定電價(jià)策略引導(dǎo)柔性負(fù)荷參與削峰填谷同時(shí)兼顧自身利益,下層柔性負(fù)荷通過改變其用電行為減少用電成本;雙邊反復(fù)博弈以求得納什均衡解;在柔性負(fù)荷建模上充分考慮空調(diào)的異構(gòu)性以及電動(dòng)汽車出行規(guī)律隨機(jī)性等特點(diǎn),利用蒙特卡羅模擬抽樣得到空調(diào)異構(gòu)參數(shù)以及電動(dòng)汽車出行規(guī)律參數(shù),在日內(nèi)階段,考慮光伏、風(fēng)機(jī)出力的不確定性,基于模型預(yù)測(cè)控制以15min為間隔、4h為周期進(jìn)行滾動(dòng)優(yōu)化調(diào)度,通過調(diào)整聚合柔性負(fù)荷出力以及儲(chǔ)能系統(tǒng)充放電功率以跟蹤日前電網(wǎng)聯(lián)絡(luò)線功率。

圖1 兩階段調(diào)峰優(yōu)化調(diào)度研究框架

3 日前博弈模型

在日前階段考慮園區(qū)運(yùn)營(yíng)商與用戶主體間的博弈關(guān)系,基于文獻(xiàn)[14]-[16]建立如下雙層博弈模型,上層園區(qū)運(yùn)營(yíng)商通過制定相應(yīng)的電價(jià)政策以實(shí)現(xiàn)削峰填谷與自身收益最大,在上層所制定的電價(jià)策略的基礎(chǔ)上,下層通過改變?nèi)嵝载?fù)荷的用電行為,以實(shí)現(xiàn)自身運(yùn)行用電費(fèi)用最小,并將所求得的用電行為曲線返回至上層模型,上層模型在重新制定相應(yīng)的電價(jià)策略,如此反復(fù),直至求得最終的博弈均衡解雙層博弈結(jié)構(gòu)圖如圖2所示。

圖2 日前雙層博弈模型結(jié)構(gòu)

圖3 博弈模型求解流程

圖4 日前預(yù)測(cè)數(shù)據(jù)

3.1 上層園區(qū)運(yùn)營(yíng)商模型

3.1.1 上層目標(biāo)函數(shù)

上層運(yùn)營(yíng)商作為樞紐連接上級(jí)電網(wǎng)與下層柔性負(fù)荷用戶,運(yùn)營(yíng)商結(jié)合自身可在生能源出力、電網(wǎng)交互電價(jià)、剛性負(fù)荷以及下層柔性負(fù)荷用電行為制定相應(yīng)柔性負(fù)荷用電價(jià)格以實(shí)現(xiàn)削峰填谷并兼顧自身收益,上層目標(biāo)如下所示

minf=ω1f1-ω2f2

(1)

式中:f1為削峰填谷目標(biāo)函數(shù),f2為運(yùn)行商收益目標(biāo)函數(shù),ω1、ω2分別為各目標(biāo)歸一化的權(quán)重值。

采用負(fù)荷均方差最小作為削峰填谷的優(yōu)化目標(biāo),可表示為

(2)

(3)

式中:Pload,sum(t)為t時(shí)刻總負(fù)荷值,Pload(t)為t時(shí)刻剛性負(fù)荷值,PEV1,i(t)、PEV2,i(t)為t時(shí)刻住宅區(qū)、商業(yè)區(qū)電動(dòng)汽車充電功率,Pair,i(t)為t時(shí)刻空調(diào)功率,N1、N2、N3分別為住宅區(qū)、商業(yè)區(qū)電動(dòng)汽車數(shù)目以及空調(diào)數(shù)目。

為引導(dǎo)柔性負(fù)荷參與需求響應(yīng)的同時(shí)應(yīng)保證園區(qū)運(yùn)營(yíng)商自身利益,成本目標(biāo)可表示為

f2=C1+C2+C3

(4)

式中,C1為與上級(jí)電網(wǎng)交互成本,C2為柔性負(fù)荷用電費(fèi)用,C3剛性負(fù)荷用電費(fèi)用。

(5)

(6)

(7)

式中:Pload(t)為與上級(jí)電網(wǎng)交互功率,CGrid+(t)、CGrid-(t)為與上級(jí)電網(wǎng)交互電價(jià),Cbuy(t)為柔性負(fù)荷用電費(fèi)用。

3.1.2 功率平衡條件

(8)

式中:PPV(t)、PWV(t)為光伏、風(fēng)機(jī)t時(shí)出力。

3.1.3 儲(chǔ)能設(shè)備約束

通過在系統(tǒng)中增設(shè)儲(chǔ)能設(shè)備可在日前發(fā)揮削峰填谷的作用,同時(shí)其快速性的特點(diǎn)使得其在日內(nèi)階段可較好的跟蹤日前調(diào)度計(jì)劃,所建立儲(chǔ)能模型如下所示

SOC(t)=SOC(t-1)+

(9)

(10)

SOCmin≤SOC(t)≤SOCmax

(11)

3.2 下層柔性負(fù)荷模型

3.2.1 下層目標(biāo)函數(shù)

下層柔性負(fù)荷包含聚合電動(dòng)汽車負(fù)荷與聚合空調(diào)負(fù)荷,基于上層運(yùn)營(yíng)商制定的各時(shí)段電價(jià),下層用戶通過改變自身的用電行為以實(shí)現(xiàn)用電成本最小,所建立下層成本目標(biāo)可見下式

(12)

3.2.2 電動(dòng)汽車聚合模型

(13)

SOCEV,i(t)=SOCEV,i(t-1)+ηevPEV,i(t)

(14)

SOCEVmin≤SOCEV(t)≤SOCEVmax

(15)

(16)

受充電樁個(gè)數(shù),同時(shí)為保證電動(dòng)汽車可更好的發(fā)揮削峰填谷能力,設(shè)置各時(shí)段聚合充電功率上限

(17)

3.2.3 電動(dòng)汽車出行規(guī)律模型

基于蒙特卡羅對(duì)園區(qū)內(nèi),商業(yè)區(qū)、居民區(qū)的電動(dòng)汽車出行分布函數(shù)進(jìn)行隨機(jī)抽樣,以模擬電動(dòng)汽車隨機(jī)出行規(guī)律;其分布函數(shù)見下式

(18)

(19)

其中,式(18)為住宅區(qū)返回時(shí)刻分布函數(shù),式(19)為商業(yè)區(qū)到達(dá)時(shí)刻分布函數(shù);th為住宅區(qū)用戶返程時(shí)間,μt為期望值取17.6,σt標(biāo)準(zhǔn)差取3.4;tb為商業(yè)區(qū)用戶返程時(shí)間,μb為期望值取11,σb為標(biāo)準(zhǔn)差取3,tstart、tend為起始結(jié)束時(shí)間取4、20。

3.2.4 空調(diào)聚合模型

由于單一空調(diào)可調(diào)度能力較小,故對(duì)其進(jìn)行聚合;在空調(diào)聚合時(shí)考慮空調(diào)的異構(gòu)性,針對(duì)第0≤Pi,VESS(t)≤Pi,VESS,max臺(tái)空調(diào)所建立如下約束

0≤Pi,VESS(t)≤Pi,VESS,max

(20)

CVESS,i(t)=COPVESS,iPVESS,i(t)

(21)

(22)

Tmin≤TVESS,i(t)≤Tmax

(23)

其中,式(20)為空調(diào)的出力功率上下限約束,Pi,VESS,max為空調(diào)出力上限,式(21)為空調(diào)制冷/熱量等式,COPVESS,i為空調(diào)制冷/熱能效比,式(22)為改進(jìn)一階ETP模型;式中ρ、C分別為室內(nèi)空氣的密度、熱容,Vi、CVESS,i為第i住戶的住宅體積、空調(diào)制冷/熱量,Awini、Awalli、kwini、kwalli分別為住戶i的外窗、外墻面積,以及外窗、外墻傳熱系數(shù),N為與i住宅相鄰的住宅數(shù)目,Anextj、knextj為相鄰內(nèi)墻面積、傳熱系數(shù),Ti(t)、Tout(t)、Tj(t)分別為t時(shí)刻i住宅溫度、室外溫度、相鄰j住宅室內(nèi)溫度,式(23)為空調(diào)虛擬儲(chǔ)能調(diào)節(jié)帶寬,Tmax、Tmin為所設(shè)置溫度上下限。

4 日前博弈模型求解方法

由于粒子群算法收斂速度快,且具有一定的記憶性,可以很好的模擬園區(qū)運(yùn)營(yíng)商與用戶間電價(jià)的博弈互動(dòng)過程,同時(shí)個(gè)體與群體的協(xié)同優(yōu)化有助于快速尋找博弈均衡解;所建立模型中具有大量等式約束條件且在用戶層面充分考慮電動(dòng)汽車隨機(jī)性與空調(diào)異構(gòu)性的特點(diǎn),屬于大規(guī)模復(fù)雜優(yōu)化問題,利用YALMIP工具箱中的CPLEX求解器可以有效解決大規(guī)模復(fù)雜問題,同時(shí)可以有效解決PSO啟發(fā)式搜索算法隨機(jī)性的缺點(diǎn),故參考文獻(xiàn)[14]采用一種結(jié)合粒子群與CPLEX的求解方法,博弈模型求解流程圖如下所示;

1)設(shè)置粒子群數(shù)量與迭代次數(shù);

2)初始化粒子群算法參數(shù),生成電價(jià)信息初始粒子;

3)下層用戶根據(jù)電價(jià)利用CPLEX求解得最優(yōu)用電行為曲線;

4)上層園區(qū)運(yùn)營(yíng)商依據(jù)上層用戶用電行為曲線合理調(diào)控儲(chǔ)能系統(tǒng)以實(shí)現(xiàn)其自身收益最大;

5)以上層園區(qū)運(yùn)營(yíng)商收益最大作為粒子適應(yīng)度函數(shù)目標(biāo)值,基于所設(shè)置參數(shù)更新粒子的速度和位置;

6)判斷是否達(dá)迭代次數(shù),比較與前一輪迭代的最優(yōu)結(jié)果值|Xn-Xn-1|≤σ,其差值若小于精度則求得博弈均衡解;

7)若不滿足則重復(fù)上述2)-5);

5 日內(nèi)優(yōu)化模型

5.1 日內(nèi)預(yù)測(cè)模型

日內(nèi)考慮風(fēng)、光以及負(fù)荷日前預(yù)測(cè)的不確定性,利用模型預(yù)測(cè)控制(Model Predictive Control, MPC)修正日內(nèi)實(shí)際運(yùn)行計(jì)劃與日前調(diào)度計(jì)劃間的偏差[19]。選取電網(wǎng)聯(lián)絡(luò)線功率、光伏功率、風(fēng)機(jī)功率、負(fù)荷功率、儲(chǔ)能系統(tǒng)充放電功率、空調(diào)聚合功率、電動(dòng)汽車聚合功率等8個(gè)決策變量所構(gòu)成的向量組作為狀態(tài)變量,所建立狀態(tài)變量為x(k)=[Pgird(k),Ppv(k),Pwt(k),Pload(k),Psi(k),Pair,sum(k),PEV,sum(k)]T,以儲(chǔ)能系統(tǒng)和聚合空調(diào)出力增量構(gòu)成的向量作為控制變量u(k)=[ΔPsi(k),ΔPsum,air(k),ΔPEV,sum(k)]T,以光伏,風(fēng)機(jī),以及負(fù)荷超短期預(yù)測(cè)作為擾動(dòng)輸入r(k)=[ΔPpv(k),ΔPwt(k),ΔPload(k)]T,可建立式(24)預(yù)測(cè)模型,并反復(fù)迭代向前預(yù)測(cè)Np時(shí)段

(24)

5.2 日內(nèi)目標(biāo)函數(shù)

日內(nèi)滾動(dòng)優(yōu)化的目標(biāo)為修正日內(nèi)實(shí)際運(yùn)行值與日前調(diào)度值的偏差,同時(shí)使儲(chǔ)能發(fā)揮日前削峰調(diào)谷作用;目標(biāo)函數(shù)如下式(25)所示

(25)

5.3 約束條件

5.3.1 功率平衡條件

PPV(t)+PWT(t)+Pgird(t)=

Pload(t)+Psi(t)+Psum,air(t)+PEV,sum(t)

(26)

式中:PPV(t)、PWT(t)、Pload(t)分別為日內(nèi)光伏、風(fēng)機(jī)負(fù)荷預(yù)測(cè)出力,Psum,air為空調(diào)聚合功率。

5.3.2 聚合柔性負(fù)荷約束

(27)

5.3.3 聚合柔性負(fù)荷約束

儲(chǔ)能系統(tǒng)約束見式(9)-(11)。

6 算例分析

本文基于某典型園區(qū)開展相關(guān)算例驗(yàn)證,該園區(qū)包含光伏發(fā)電系統(tǒng)其裝機(jī)容量為1800kW,風(fēng)力發(fā)電系統(tǒng)裝機(jī)容量為2500kW,儲(chǔ)能系統(tǒng)額定容量為750kVA,電動(dòng)汽車,空調(diào)等多柔性負(fù)荷以及剛性負(fù)荷。該區(qū)域配有200臺(tái)分體空調(diào)有意向參與聚合調(diào)度其面積服從均值為100m2的正態(tài)分布、房屋材料等參數(shù)均服從正態(tài)分布,分體式空調(diào)出力上限服從2kW正態(tài)分布,空調(diào)屋外溫度選取某冬季典型日溫度曲線,室內(nèi)溫度結(jié)合熱舒適性將溫度帶寬設(shè)為21℃-25℃;電動(dòng)汽車基于典型住宅區(qū)、商業(yè)區(qū)出行規(guī)律曲線利用蒙特卡羅模擬該園區(qū)各區(qū)域200輛電動(dòng)汽車隨機(jī)出行規(guī)律,各設(shè)備參數(shù)可見下表1,基于所提出的兩階段優(yōu)化框架,可做如下算例驗(yàn)證。

6.1 日前優(yōu)化調(diào)度

日前優(yōu)化階段,以24h為調(diào)度周期,調(diào)度時(shí)間間隔取1h,圖5為日前小時(shí)級(jí)、光伏、風(fēng)機(jī)與負(fù)荷預(yù)測(cè)曲線,基于剛性負(fù)荷需求側(cè)響應(yīng)設(shè)置運(yùn)營(yíng)商與上級(jí)電網(wǎng)間交互電價(jià)如圖虛線所示上曲線為購(gòu)電價(jià)格下曲線為售電價(jià)格;

圖5 迭代收斂結(jié)果

基于結(jié)合粒子群的CPLEX求解方法對(duì)所建立的園區(qū)運(yùn)營(yíng)商與柔性負(fù)荷用戶主體間的雙層博弈模型進(jìn)行求解;

通過圖5可知,通過兩方的博弈,上下層函數(shù)均呈收斂趨勢(shì),即園區(qū)運(yùn)營(yíng)商層引導(dǎo)柔性負(fù)荷參與需求響應(yīng)逐步提高,同時(shí)自身收益增大使上層目標(biāo)函數(shù)逐漸降低;下層柔性負(fù)荷用電成本呈下降趨勢(shì),在迭代達(dá)45次左右上下層函數(shù)趨于穩(wěn)定,說明求得博弈均衡解,從而證明了所建立博弈模型的有效性;仿真結(jié)果如下;

博弈電價(jià)見圖6所示,其中上虛線為所設(shè)置電價(jià)上限,下虛線為所設(shè)置電價(jià)下限,實(shí)線為博弈電價(jià),對(duì)比圖8中響應(yīng)前負(fù)荷即圓形標(biāo)注曲線可發(fā)現(xiàn),博弈電價(jià)在負(fù)荷谷值時(shí)取電價(jià)下限,如圖中1:00-7:00,在負(fù)荷峰值取較高電價(jià);見18:00-20:00時(shí)刻,為保證園區(qū)收益,在該時(shí)段電價(jià)出現(xiàn)波動(dòng)以增加園區(qū)收益;圖7為聚合柔性負(fù)荷響應(yīng)曲線不難看出博弈電價(jià)曲線趨勢(shì)與柔性負(fù)荷用電行為呈對(duì)應(yīng)關(guān)系,在9:00、18:00-20:00等時(shí)段為電價(jià)峰值時(shí)段,此時(shí)聚合電動(dòng)汽車聚合功率為零或維持在較小值、聚合空調(diào)負(fù)荷作為虛擬儲(chǔ)能參與“放電”,在電價(jià)谷時(shí)段見1:00-7:00、11:00-13:00此時(shí)空調(diào)進(jìn)行制熱為虛擬儲(chǔ)能充電,由于空調(diào)作為虛擬儲(chǔ)能設(shè)備其儲(chǔ)能連續(xù)充放電維持時(shí)間較短,為減少其用電成本故空調(diào)功率在1:00-3:00緩慢增加,電動(dòng)汽車在此時(shí)段進(jìn)行充電,將聚合功率維持在較高值,圖中7:00為電動(dòng)汽車聚合功率峰值時(shí)刻此時(shí)一方面是由于電價(jià)較低,另一方面是由住宅區(qū)電動(dòng)汽車為滿足出行要求進(jìn)行充電。圖8為響應(yīng)前后削峰填谷曲線;其響應(yīng)前曲線為剛性負(fù)荷加各異構(gòu)空調(diào)維持在23度時(shí)的功率加電動(dòng)汽車按調(diào)度時(shí)段平均充電功率所得;對(duì)比曲線可明顯看出,執(zhí)行該策略后負(fù)荷峰谷差由原來1613kW降至906.3kW,所提出的博弈策略在日前階段可有效引導(dǎo)柔性負(fù)荷參與需求響應(yīng),同時(shí)達(dá)到平滑電網(wǎng)聯(lián)絡(luò)線的目的。文中在建立柔性負(fù)荷模型充分考慮空調(diào)的異構(gòu)性與電動(dòng)汽車的隨機(jī)性的特點(diǎn),其典型空調(diào)與電動(dòng)汽車數(shù)據(jù)可見下表所示。

圖6 上層博弈電價(jià)曲線

圖7 下層聚合柔性負(fù)荷曲線

圖8 削峰填谷對(duì)比曲線

圖9 聚合電動(dòng)汽車場(chǎng)景對(duì)比曲線

圖10 聚合電空調(diào)場(chǎng)景對(duì)比曲線

圖11 可再生能源預(yù)測(cè)對(duì)比曲線

通過上表可知,表2、3分別為住宅與商業(yè)區(qū)典型電動(dòng)汽車充電曲線,其陰影部分表示其可調(diào)度時(shí)段,不難看出各電動(dòng)汽車的充電規(guī)律類似,基本與電價(jià)曲線呈反比關(guān)系;表4為異構(gòu)空調(diào)數(shù)據(jù),可以看出空調(diào)受異構(gòu)性的影響其最大功率不同,各單體空調(diào)運(yùn)行曲線均與電價(jià)曲線成反比,從而驗(yàn)證了所提博弈策略引導(dǎo)柔性負(fù)荷參與需求響應(yīng)的有效性。上層目標(biāo)在設(shè)置時(shí)在引導(dǎo)柔性負(fù)荷參與需求響應(yīng)的同時(shí)以提高園區(qū)運(yùn)營(yíng)商收益,為此對(duì)比不同電價(jià)策略下,園區(qū)運(yùn)營(yíng)商的收益,其不同電價(jià)策略下柔性負(fù)荷成本與園區(qū)運(yùn)營(yíng)商收益可見下表。

表2 典型住宅區(qū)電動(dòng)汽車充放電數(shù)據(jù)

表3 典型商業(yè)區(qū)電動(dòng)汽車充放電數(shù)據(jù)

表4 典型空調(diào)數(shù)據(jù)

表5為對(duì)比電價(jià)參與博弈與不參與博弈的三種情況,當(dāng)電價(jià)取下限時(shí)見場(chǎng)景1,此時(shí)運(yùn)營(yíng)商主體由電價(jià)較低此時(shí)收益最低為31736.2元,柔性負(fù)荷主體由于電價(jià)較低其用電成本最低5137.9元;當(dāng)電價(jià)取上限見場(chǎng)景2,此時(shí)運(yùn)營(yíng)商主體由電價(jià)設(shè)置較高收益最高為34809.4元,柔性負(fù)荷主體則因電價(jià)較高使得用電成本最達(dá)7856.8元;通過結(jié)果可知場(chǎng)景1、場(chǎng)景2、均未兼顧運(yùn)營(yíng)商主體與柔性負(fù)荷主體雙方的利益,一方利益最佳必定會(huì)犧牲另一方的利益,對(duì)比場(chǎng)景3電價(jià)參與博弈,柔性負(fù)荷主體依據(jù)博弈電價(jià)改變自身的用電行為,此時(shí)運(yùn)營(yíng)商收益為32568.5元,柔性負(fù)荷主體收益為5439.8元,對(duì)比場(chǎng)景1、2可知所得結(jié)果為兩方獲益的折中方案,可見所設(shè)計(jì)雙層博弈模型在引導(dǎo)柔性負(fù)荷有效參與需求響應(yīng)的同時(shí)可兼顧運(yùn)營(yíng)商主體與柔性負(fù)荷主體間的利益。不同場(chǎng)景下的聚合柔性負(fù)荷用電行為可見下圖所示。

表5 不同場(chǎng)景下雙側(cè)主體價(jià)格對(duì)比

上圖為不同場(chǎng)景下電動(dòng)聚合電動(dòng)汽車充電功率曲線,不難發(fā)現(xiàn)曲線大體趨勢(shì)相同,因電動(dòng)汽汽車設(shè)置時(shí)段最大充電上限,故場(chǎng)景1和場(chǎng)景2曲線會(huì)稍有差別,但都滿足在電價(jià)較低時(shí)進(jìn)行充電以減少用電費(fèi)用;

上圖為不同場(chǎng)景下聚合空調(diào)對(duì)比曲線,因場(chǎng)景1與場(chǎng)景3電價(jià)趨勢(shì)相同故聚合曲線重合,其在電價(jià)較高時(shí)“放電”電價(jià)較低時(shí)“充電”。

6.2 日內(nèi)優(yōu)化調(diào)度

在日內(nèi)階段考慮風(fēng)預(yù)測(cè)的不準(zhǔn)確性,采用MPC方法修正日內(nèi)實(shí)際運(yùn)行計(jì)劃與日前調(diào)度計(jì)劃間的偏差。通過對(duì)聚合柔性負(fù)荷以及儲(chǔ)能出力的調(diào)整以跟蹤日前調(diào)峰計(jì)劃。日內(nèi)場(chǎng)景集由日前功率預(yù)測(cè)曲線疊加隨機(jī)誤差模擬得到[19],日前日內(nèi)可再生能源預(yù)測(cè)對(duì)比曲線見下圖;

基于式(24)-(27)所建立的日內(nèi)優(yōu)化模型進(jìn)行滾動(dòng)求解,所求得聯(lián)絡(luò)線對(duì)比曲線見圖12。

圖12 日前日內(nèi)聯(lián)絡(luò)線對(duì)比曲線圖

不難發(fā)現(xiàn)通過對(duì)聚合柔性負(fù)荷與儲(chǔ)能的日內(nèi)調(diào)整可以使聯(lián)絡(luò)線緊密跟蹤日前計(jì)劃值,從而實(shí)現(xiàn)二次調(diào)峰效果,驗(yàn)證了日內(nèi)策略的有效性,通過對(duì)聯(lián)絡(luò)線的二次平滑可以避免因可再生能源預(yù)測(cè)偏差導(dǎo)致微網(wǎng)聯(lián)絡(luò)線功率的劇烈波動(dòng),影響電網(wǎng)的穩(wěn)定性;

圖13為聚合電動(dòng)汽車負(fù)荷為應(yīng)對(duì)可在生能源與剛性負(fù)荷的預(yù)測(cè)偏差日內(nèi)調(diào)整曲線,可看出當(dāng)可在生能源出力過大時(shí),電動(dòng)汽車與空調(diào)在其調(diào)整范圍內(nèi)進(jìn)行充電以消納富裕可再生能源,當(dāng)可在生能源不足時(shí),柔性負(fù)荷減少用電或放電以滿足剛性負(fù)荷需求,聚合空調(diào)功率日前日內(nèi)對(duì)比曲線與此類似。

圖13 聚合電動(dòng)汽車日前日內(nèi)對(duì)比曲線

圖14為儲(chǔ)能系統(tǒng)日前、日內(nèi)對(duì)比曲線,為跟蹤日前電網(wǎng)聯(lián)絡(luò)線功率儲(chǔ)能系統(tǒng)在日前基礎(chǔ)上進(jìn)行不斷調(diào)整,因目標(biāo)函數(shù)中增加儲(chǔ)能項(xiàng)以滿足其日前削峰填谷作用,不難發(fā)下其趨勢(shì)大體可跟蹤日前計(jì)劃,但并不緊密,可考慮增大儲(chǔ)能占比權(quán)重。

圖14 儲(chǔ)能系統(tǒng)日前日內(nèi)對(duì)比曲線

7 結(jié)束語(yǔ)

為實(shí)現(xiàn)園區(qū)運(yùn)營(yíng)商與柔性負(fù)荷間的共贏,引導(dǎo)柔性負(fù)荷參與需求響應(yīng),本文提出了一種基于主從博弈的多柔性負(fù)荷兩階段調(diào)峰優(yōu)化模型,在日前階段基于所建立雙層博弈模型,上層園區(qū)運(yùn)營(yíng)商通過制定電價(jià)以實(shí)現(xiàn)自身目標(biāo)最大化,下層用戶基于制定電價(jià)調(diào)整其用電行為以減小成本;并采用結(jié)合粒子群與CPLEX的求解方法對(duì)博弈模型進(jìn)行求解以更好的模擬博弈過程,以高效的求得博弈均衡解,文中對(duì)比分析了響應(yīng)前后負(fù)荷峰谷差值與不同電價(jià)情況下運(yùn)營(yíng)商與柔性負(fù)荷用戶的目標(biāo)值,驗(yàn)證了基于所設(shè)計(jì)博弈模型的有效性,在日內(nèi)階段基于所建立預(yù)測(cè)模型利用多類柔性負(fù)荷以及儲(chǔ)能系統(tǒng)協(xié)調(diào)調(diào)度以跟蹤日前電網(wǎng)聯(lián)絡(luò)線功率,從而實(shí)現(xiàn)對(duì)聯(lián)絡(luò)線的二次平滑,研究所得結(jié)論如下:

1)在日前建立雙層博弈模型,上層園區(qū)運(yùn)營(yíng)商制定相應(yīng)電價(jià),下層用戶依據(jù)所制定電價(jià)對(duì)柔性負(fù)荷的用電行為進(jìn)行調(diào)整,經(jīng)過多次博弈求得納什均衡解,從而實(shí)現(xiàn)各方目標(biāo)利益的最大化。

2)在多柔性負(fù)荷協(xié)調(diào)調(diào)度上,充分考慮空調(diào)的異構(gòu)性參數(shù)以及電動(dòng)汽車隨機(jī)性特點(diǎn),以求得更為精確的調(diào)度計(jì)劃。

3)在求解方法上,利用結(jié)合粒子群與CPLEX的求解方法以更好模擬雙方的博弈互動(dòng)過程,同時(shí)可更高效求得博弈均衡解,對(duì)比響應(yīng)向后負(fù)荷峰谷差,與不同電價(jià)策略下各主體利益驗(yàn)證了所設(shè)計(jì)博弈模型的有效性。

4)日內(nèi)考慮預(yù)測(cè)的不準(zhǔn)確性,通過日內(nèi)對(duì)聚合柔性負(fù)荷的短時(shí)靈活調(diào)節(jié),以跟蹤日前聯(lián)絡(luò)線功率實(shí)現(xiàn)對(duì)聯(lián)絡(luò)線的二次平滑,提升了系統(tǒng)的魯棒性。