賈士鐸，康小寧，黑皓杰，鮑玨龍，楊韻彰，崔金旭

（陜西省智能電網(wǎng)重點(diǎn)實(shí)驗(yàn)室（西安交通大學(xué)），陜西省西安市 710049）

0 引言

為推動(dòng)“碳達(dá)峰·碳中和”的戰(zhàn)略部署，需要構(gòu)建清潔、低碳的新型能源體系［1-2］。綜合能源系統(tǒng)（integrated energy system，IES）通過多能耦合機(jī)制，有效提升了能源利用效率、促進(jìn)可再生能源消納，從而降低碳排放［3-5］。此外，氫能是一種清潔無碳、高能量密度的二次能源，可用來發(fā)電、發(fā)熱促進(jìn)可再生能源消納，從而降低碳排放［3-5］。此外，氫能也可用于燃料電池汽車（fuel cell vehicle，F(xiàn)CV），因此可以打破傳統(tǒng)的熱網(wǎng)、電網(wǎng)、油氣網(wǎng)之間無法實(shí)現(xiàn)互相耦合轉(zhuǎn)化的壁壘，提高綜合能源系統(tǒng)的靈活性，真正實(shí)現(xiàn)不同能源形式之間的彼此聯(lián)通與深度耦合［6-8］。

電 動(dòng) 汽 車（electric vehicle，EV）通 過 車 聯(lián) 網(wǎng)（vehicle to grid，V2G）的方式與綜合能源系統(tǒng)互聯(lián)互動(dòng)，能夠進(jìn)一步挖掘靈活性資源，促進(jìn)系統(tǒng)減碳運(yùn)行［9-10］。文獻(xiàn)［11］提出一種基于雙重電價(jià)的EV 充放電兩階段優(yōu)化調(diào)度策略，降低了風(fēng)-光出力波動(dòng)與系統(tǒng)運(yùn)行成本。文獻(xiàn)［12］以充儲(chǔ)電站收益最大為目標(biāo)，提出一種基于改進(jìn)拉格朗日對偶松弛法的有序充放電分散式優(yōu)化調(diào)度方法。文獻(xiàn)［13］提出了一種多目標(biāo)分級(jí)經(jīng)濟(jì)調(diào)度模型，最小化綜合運(yùn)行成本以及主網(wǎng)聯(lián)絡(luò)線功率波動(dòng)。文獻(xiàn)［14］通過制定EV充放電計(jì)劃，最大化經(jīng)濟(jì)效益的同時(shí)提升系統(tǒng)運(yùn)行的可靠性。以上文獻(xiàn)均站在運(yùn)營商的角度制定EV充放電計(jì)劃，但值得注意的是，運(yùn)營商與EV 車主屬于不同的利益主體，因此有必要在制定計(jì)劃時(shí)考慮車主的滿意度。

相對于傳統(tǒng)微電網(wǎng)，在具有更高靈活性的電熱氫 綜 合 能 源 系 統(tǒng)（electric-thermal-hydrogen integrated energy system，ETH-IES）中，如何合理規(guī)劃ETH-IES 與EV 的協(xié)調(diào)運(yùn)行使其更高效地應(yīng)對不確定因素的變化是面臨的重要挑戰(zhàn)之一。文獻(xiàn)［15］提出一種計(jì)及靈活性多目標(biāo)電-熱-交通綜合能源系統(tǒng)區(qū)間優(yōu)化運(yùn)行模型，利用區(qū)間數(shù)學(xué)描述風(fēng)電出力和EV 負(fù)荷的不確定性。文獻(xiàn)［16］以天然氣-風(fēng)-光-氫綜合能源系統(tǒng)為規(guī)劃對象，利用高斯核密度估計(jì)和K-means 聚類算法來刻畫風(fēng)光出力和EV充電的不確定性。文獻(xiàn)［17］提出了一種考慮風(fēng)光不確定性與EV 的綜合能源系統(tǒng)雙層模型的優(yōu)化調(diào)度策略。以上文獻(xiàn)在日前優(yōu)化調(diào)度階段充分考慮了不確定性因素的影響，但在實(shí)時(shí)調(diào)度過程中實(shí)際值與預(yù)測值偏差以及EV 實(shí)時(shí)并網(wǎng)數(shù)量的隨機(jī)性未加以討論。文獻(xiàn)［18］提出了考慮EV 集群可調(diào)度能力的多主體兩階段低碳優(yōu)化運(yùn)行策略，在實(shí)時(shí)階段根據(jù)車輛實(shí)際接入情況以最小化偏差調(diào)整成本對EV 日前調(diào)度計(jì)劃進(jìn)行修正。文獻(xiàn)［19］在實(shí)時(shí)階段以調(diào)度成本最低優(yōu)化各EV 充電功率并據(jù)此對智能充電樁功率進(jìn)行連續(xù)調(diào)節(jié)。以上文獻(xiàn)在實(shí)時(shí)階段采用單斷面的優(yōu)化，在實(shí)際運(yùn)行時(shí)會(huì)出現(xiàn)較大的功率偏差［20］，模 型 預(yù) 測 控 制（model predictive control，MPC）基于滾動(dòng)優(yōu)化和反饋校正的思想可以很好地解決含多種不確定因素的優(yōu)化控制問題，具有極強(qiáng)的抗干擾能力和魯棒性［21-22］。但在MPC 滾動(dòng)優(yōu)化過程中，在獲取實(shí)時(shí)功率及車輛接入情況的同時(shí)還需要對滾動(dòng)時(shí)間窗內(nèi)未來各點(diǎn)車輛負(fù)荷進(jìn)行優(yōu)化修正，因此提出一種包含對車輛負(fù)荷動(dòng)態(tài)修正的MPC滾動(dòng)優(yōu)化調(diào)度方法具有重要意義。

為此，本文建立了包含對V2G 負(fù)荷反饋修正的電熱氫綜合能源系統(tǒng)多層協(xié)調(diào)優(yōu)化策略。在綜合考慮車主不滿意度和運(yùn)營商利益的基礎(chǔ)上，制定EV充放電計(jì)劃并對ETH-IES 進(jìn)行滾動(dòng)優(yōu)化。進(jìn)一步，為消除車輛出行計(jì)劃臨時(shí)改變所帶來的不利影響，引入V2G 負(fù)荷反饋修正層。在對系統(tǒng)進(jìn)行滾動(dòng)優(yōu)化的過程中，識(shí)別非計(jì)劃車輛的數(shù)量，及時(shí)調(diào)整實(shí)際接入EV 的充放電計(jì)劃并修正FCV 負(fù)荷。最后，以某電熱氫綜合能源工業(yè)園區(qū)為例，通過仿真驗(yàn)證了所提策略和算法的有效性。

1 電熱氫綜合能源系統(tǒng)架構(gòu)

由圖1 所示，本文所研究的電熱氫綜合能源系統(tǒng)中主要設(shè)備有微型燃?xì)廨啓C(jī)組、吸收式制冷機(jī)組、地源熱泵機(jī)組、風(fēng)電機(jī)組、光伏、蓄電池和熱儲(chǔ)能裝置，以及質(zhì)子交換膜燃料電池、電解槽和儲(chǔ)氫罐，EV與FCV 作為額外的電氫負(fù)荷參與系統(tǒng)調(diào)度。圖中：Putility為與主網(wǎng)的交換功率；PHP和QHP分別為地源熱泵機(jī)組耗電功率和產(chǎn)熱功率；PMT和QMT分別為微型燃?xì)廨啓C(jī)發(fā)電功率和產(chǎn)熱功率；QAM為吸收式制冷機(jī)輸出功率；PWT和PPV分別為風(fēng)電出力和光伏出力；PBatt，ch和PBatt，dis分 別 為 電 儲(chǔ) 能 裝 置 儲(chǔ) 能 功 率 和 放能功率；PE和QE分別為電解槽耗電功率和產(chǎn)熱功率；QCS，ch和QCS，dis分別為熱儲(chǔ)能裝置的充能功率和放能功率；Hstin和Hstout分別為儲(chǔ)氫罐輸入和輸出功率；PFC和QFC分別為質(zhì)子交換膜燃料電池產(chǎn)生的電熱功率。

圖1 電熱氫綜合能源系統(tǒng)架構(gòu)Fig.1 ETH-IES architecture

其中，微型燃?xì)廨啓C(jī)和地源熱泵機(jī)組屬于電熱耦合設(shè)備，而電解槽和質(zhì)子交換膜燃料電池屬于電熱氫耦合設(shè)備，將其引入不僅能夠?qū)崿F(xiàn)多能協(xié)調(diào)互補(bǔ)，還提高了系統(tǒng)運(yùn)行的靈活性和經(jīng)濟(jì)性。同時(shí)，該系統(tǒng)與大電網(wǎng)相連，可以在電價(jià)較低時(shí)從電網(wǎng)購電，電價(jià)較高時(shí)向電網(wǎng)售電，實(shí)現(xiàn)經(jīng)濟(jì)效益的最大化。

1.1 常規(guī)機(jī)組模型

在所提的電熱氫綜合能源系統(tǒng)架構(gòu)中，微型燃?xì)廨啓C(jī)、地源熱泵機(jī)組、電解槽和吸收式制冷機(jī)組數(shù)學(xué)模型參見文獻(xiàn)［23］，風(fēng)電機(jī)組、光伏組件和儲(chǔ)能裝置的模型可參見文獻(xiàn)［16］。限于篇幅，本文僅詳細(xì)介紹FCV、儲(chǔ)氫裝置的模型，質(zhì)子交換膜燃料電池模型見附錄A 第A1 章。

1.2 FCV 模型

1.3 儲(chǔ)氫設(shè)備模型

當(dāng)前時(shí)刻儲(chǔ)氫設(shè)備內(nèi)存儲(chǔ)的氫氣與前一時(shí)刻該設(shè)備內(nèi)的存儲(chǔ)量以及儲(chǔ)氣、放氣量有關(guān)。因此，儲(chǔ)氫設(shè)備中存儲(chǔ)的氫氣可表示為：

2 基于反饋修正的ETH-IES 多層協(xié)調(diào)優(yōu)化策略

ETH-IES 多層協(xié)調(diào)優(yōu)化流程如圖2（a）所示。首先，EV 充放電管理層根據(jù)車主的歷史習(xí)慣數(shù)據(jù)，通過蒙特卡洛模擬EV 出行場景，對各場景下EV 進(jìn)行充放電優(yōu)化，將所得V2G 負(fù)荷與時(shí)間尺度為1 h的短期負(fù)荷預(yù)測值疊加后輸入MPC 滾動(dòng)優(yōu)化層。與EV 充放電的雙向性不同，F(xiàn)CV 的加氫是單向的，因此具有不可調(diào)度性，通過蒙特卡洛模擬其加氫需求作為日內(nèi)的氫負(fù)荷分布。MPC 滾動(dòng)優(yōu)化層共分為兩階段，第1 階段是以24 h 為時(shí)間窗，1 h 為時(shí)間步長進(jìn)行經(jīng)濟(jì)調(diào)度，其結(jié)果作為基準(zhǔn)值輸入第2 階段；第2 階段是以1 h 為時(shí)間窗，5 min 為時(shí)間步長，根據(jù)接收到的時(shí)間尺度為5 min 的超短期風(fēng)電光伏出力以及負(fù)荷預(yù)測數(shù)據(jù)協(xié)調(diào)各分布式電源出力，在使主網(wǎng)連接線功率跟蹤上級(jí)計(jì)劃值的同時(shí)確保調(diào)度的經(jīng)濟(jì)性。在MPC 滾動(dòng)優(yōu)化層第1 階段運(yùn)行前，識(shí)別臨時(shí)改變計(jì)劃的車輛數(shù)量，若其比例大于閾值，則進(jìn)入V2G 負(fù)荷反饋修正層，重新制定滾動(dòng)時(shí)間窗內(nèi)的EV 充放電計(jì)劃，得到修正后的V2G 等效負(fù)荷并根據(jù)實(shí)時(shí)接入情況更新FCV 加氫負(fù)荷。在運(yùn)行MPC 滾動(dòng)優(yōu)化層第2 階段時(shí)，根據(jù)修正后的EV、FCV 負(fù)荷及超短期負(fù)荷預(yù)測值，調(diào)整第1 階段計(jì)劃值。ETH-IES 多層協(xié)調(diào)優(yōu)化框架如附錄B 圖B1所示。

圖2 ETH-IES 多層協(xié)調(diào)優(yōu)化策略Fig.2 ETH-IES multi-layer coordinated optimization strategy

實(shí)際運(yùn)行過程如圖2（b）所示。在當(dāng)日調(diào)度開始，首先運(yùn)行EV 充放電管理層，而后進(jìn)入MPC 滾動(dòng)優(yōu)化層。在MPC 滾動(dòng)優(yōu)化層的第1 階段識(shí)別非計(jì)劃車輛的比例，可以看出，在T4時(shí)刻及T8至T9時(shí)刻檢測到非計(jì)劃車輛比例大于閾值。因此，進(jìn)入V2G 負(fù)荷反饋修正層，將時(shí)間窗內(nèi)的EV、FCV 負(fù)荷修正后繼續(xù)進(jìn)行滾動(dòng)優(yōu)化。在其他時(shí)刻非計(jì)劃車輛比例并未超過設(shè)定閾值，因此不會(huì)調(diào)用V2G 負(fù)荷修正層，滾動(dòng)時(shí)間窗內(nèi)的調(diào)度偏差功率值較小。在MPC 滾動(dòng)優(yōu)化層第2 階段優(yōu)先由調(diào)節(jié)成本較小且較為靈活的儲(chǔ)能設(shè)備平抑，確保調(diào)度的經(jīng)濟(jì)性與穩(wěn)定性，使得主網(wǎng)聯(lián)絡(luò)線功率能夠很好地跟蹤計(jì)劃值。

反饋修正的作用體現(xiàn)在：一方面，防止因滾動(dòng)時(shí)間窗內(nèi)EV、FCV 負(fù)荷與實(shí)際值存在較大偏差導(dǎo)致調(diào)度結(jié)果遠(yuǎn)離全局最優(yōu)解以及各設(shè)備調(diào)整量較大的情況，影響系統(tǒng)運(yùn)行安全性和穩(wěn)定性；另一方面，對實(shí)際接入充電樁的EV 重新調(diào)整充放電計(jì)劃，避免非計(jì)劃EV 無序充電導(dǎo)致的整體經(jīng)濟(jì)性下降，以實(shí)現(xiàn)效益最大化。

2.1 EV 充放電管理層

通過制定合理的能量管理策略，可以使EV 有序地充放電，實(shí)現(xiàn)負(fù)荷曲線的削峰填谷。但與此同時(shí)，若使EV 的蓄電池頻繁充放電會(huì)大大降低蓄電池的使用壽命，因此，在制定能量管理策略時(shí)必須考慮EV 蓄電池的退化成本。

2.1.1 EV 退化成本模型

EV 車主參與V2G 不滿意度主要體現(xiàn)在EV 頻繁充放電而產(chǎn)生較大的退化成本，蓄電池的退化主要體現(xiàn)在兩個(gè)方面：一方面是可實(shí)現(xiàn)充放電的循環(huán)次數(shù)減少，另一方面是蓄電池實(shí)際滿容量的減少。頻繁充放電的次數(shù)、充放電率等因素都會(huì)影響蓄電池的使用壽命。對于充放電率而言，當(dāng)蓄電池運(yùn)行在額定電流范圍內(nèi)時(shí)，其對蓄電池壽命的影響相對于其他因素可以忽略不計(jì)。

根據(jù)放電深度的定義和放電深度與可循環(huán)次數(shù)的關(guān)系，可以得到蓄電池的退化成本CB，de：

式中：Cre為蓄電池的替換成本；ηBc和ηBd分別為蓄電池的充電和放電效率系數(shù)；D(Δt)為時(shí)間間隔Δt內(nèi)的放電深度；PB(t)為t時(shí)刻蓄電池功率；LB為蓄電池壽命曲線；EBA(t)為t時(shí)刻蓄電池實(shí)際滿容量。

由于蓄電池在每個(gè)Δt內(nèi)的退化成本只有當(dāng)一個(gè)充電事件或放電事件結(jié)束后才可以確定，考慮蓄電池退化效應(yīng)的運(yùn)行成本CB的表達(dá)式如（6）所示。

式中：Ea(t)為t時(shí)刻蓄電池累積功率；g(t)為輔助變量。具體推導(dǎo)過程見附錄A 第A2 章。

2.1.2 EV 充放電優(yōu)化模型

EV 時(shí)空的分散性和充電行為的隨機(jī)性有極大可能會(huì)增加負(fù)荷曲線的峰谷效應(yīng)，且降低EV 使用壽命會(huì)大大增加車主的不滿意度。基于此，本文建立了以最小化負(fù)荷曲線方差和最小化EV 蓄電池退化成本為目標(biāo)的多目標(biāo)優(yōu)化調(diào)度模型，而后采用模糊隸屬度函數(shù)［24］從帕累托前沿選取折中解作為最終方案。

1）目標(biāo)函數(shù)1

2）目標(biāo)函數(shù)2

2.2 MPC 滾動(dòng)優(yōu)化層

隨著時(shí)間步長的縮短，預(yù)測數(shù)據(jù)的精度得到提高，通過對分布式電源出力做出調(diào)整，可以提高調(diào)度經(jīng)濟(jì)性，并使主網(wǎng)聯(lián)絡(luò)線功率更好地跟蹤上級(jí)計(jì)劃值。此外，蓄電池作為分布式電源被調(diào)度，而超級(jí)電容可以平抑不平衡功率且響應(yīng)迅速，因此可以將滾動(dòng)優(yōu)化分為兩階段，短期優(yōu)化階段提高系統(tǒng)運(yùn)行經(jīng)濟(jì)性而超短期優(yōu)化階段可以保證系統(tǒng)安全穩(wěn)定運(yùn)行［25］。

2.2.1 第1 階段滾動(dòng)優(yōu)化模型

第1 階段考慮綜合能源系統(tǒng)并網(wǎng)運(yùn)行時(shí)經(jīng)濟(jì)效益最高，建立經(jīng)濟(jì)優(yōu)化模型。超級(jí)電容的容量相對較小，且其響應(yīng)速度快，故只將其用于第2 階段平抑預(yù)測功率誤差。

1）目標(biāo)函數(shù)

式中：Cbuy(t)和Csell(t)分別為t時(shí)刻主網(wǎng)購、售電價(jià)格；Putility，buy(t)和Putility，sell(t)分別為t時(shí)刻主網(wǎng)購、售電功率；NDG為分布式電源總數(shù)；Pi(t)為t時(shí)刻第i個(gè)分布式電源出力；Kom.i為第i個(gè)分布式電源的運(yùn)行維護(hù)系數(shù)；Cmt為燃?xì)廨啓C(jī)燃料成本系數(shù)；fmt為燃?xì)廨啓C(jī)燃料消耗系數(shù)；S(t)為燃?xì)廨啓C(jī)t時(shí)刻的啟停狀態(tài)；Cmts為燃?xì)廨啓C(jī)開機(jī)成本系數(shù)；CSO2、CCO2、CNOx為對應(yīng)單位污染氣體SO2、CO2、NOx的治理成本；ESO2(t)、ECO2(t)、ENOx(t)分別為t時(shí)刻對應(yīng)污染氣體SO2、CO2、NOx的 排 放 量；Futility、Fom、Fmt、Fe分 別 為與主網(wǎng)交換功率成本、分布式電源維護(hù)成本、微型燃?xì)廨啓C(jī)運(yùn)行成本以及污染氣體治理成本。

2）約束條件

運(yùn)行約束條件包括功率平衡約束、分布式電源出力約束、微型燃?xì)廨啓C(jī)爬坡約束、與主網(wǎng)交換功率約束、購售電狀態(tài)互斥約束、燃?xì)廨啓C(jī)啟停時(shí)間約束、蓄電池運(yùn)行約束、儲(chǔ)熱裝置運(yùn)行約束以及電解槽運(yùn)行約束和儲(chǔ)氫設(shè)備運(yùn)行約束，詳細(xì)表達(dá)式可見附錄A 第A3 章。

2.2.2 第2 階段滾動(dòng)優(yōu)化模型

第2 階段的優(yōu)化目標(biāo)是在第1 階段得到的各單元出力的基礎(chǔ)上，平衡功率預(yù)測誤差帶來的影響。約束條件同第1 階段，目標(biāo)函數(shù)如下：

2.2.3 不確定性建模

除了車輛出行計(jì)劃的隨機(jī)性外，本文還考慮了風(fēng)電、光伏出力和負(fù)荷功率的不確定性。采用貝塔分布擬合功率預(yù)測誤差，能夠較為合理地反映實(shí)際情況［17］。概率密度分布為：

式中：P為實(shí)際出力；Pmax為出力的最大值，用于歸一化實(shí)際出力；Γ(·)為伽馬函數(shù)；α和β為貝塔函數(shù)的形狀參數(shù)；μ為貝塔分布的數(shù)學(xué)期望，即歸一化后的輸出功率預(yù)測平均值；σ2為貝塔分布的方差，即歸一化后的輸出功率預(yù)測方差。

2.3 V2G 負(fù)荷反饋修正層

當(dāng)臨時(shí)改變計(jì)劃的車輛占比升高后，按照時(shí)間窗內(nèi)原數(shù)據(jù)進(jìn)行滾動(dòng)優(yōu)化將會(huì)偏離全局最優(yōu)的調(diào)度策略，從而使得運(yùn)行經(jīng)濟(jì)性變差，所帶來的調(diào)度功率偏差不利于系統(tǒng)安全穩(wěn)定運(yùn)行。因此，需要結(jié)合實(shí)際的車輛接入情況，重新對EV 充放電功率進(jìn)行優(yōu)化，并根據(jù)實(shí)際FCV 數(shù)量θFCV，t對時(shí)間窗內(nèi)的加氫負(fù)荷進(jìn)行修正。FCV 加氫負(fù)荷修正公式如下：

對于實(shí)際接入的EV 充放電計(jì)劃進(jìn)行動(dòng)態(tài)調(diào)整優(yōu)化，以時(shí)間窗內(nèi)充放電經(jīng)濟(jì)性最優(yōu)和EV 車主不滿意度最小為目標(biāo)，具體目標(biāo)函數(shù)如下：

1）目標(biāo)函數(shù)1

式中：γprice(t)為t時(shí)刻的實(shí)時(shí)電價(jià)；PV2G(t)為t時(shí)刻的V2G 等效負(fù)荷。

2）目標(biāo)函數(shù)2

3 求解方法

上文已構(gòu)建了各層的優(yōu)化模型，EV 充放電管理層采用將蒙特卡洛模擬與多目標(biāo)改進(jìn)麻雀搜索算法 （multi-objective improved sparrow search algorithm，MISSA）耦合來求解，算法流程如附錄B圖B2 所示。將該層得到的V2G 負(fù)荷與短期負(fù)荷預(yù)測值的疊加結(jié)果作為功率平衡約束條件的參數(shù)傳遞至MPC 滾動(dòng)優(yōu)化層第1 階段。該階段的優(yōu)化模型是以式（12）為目標(biāo)函數(shù)，以附錄A3 式（A17）至式（A34）為約束條件的混合整數(shù)線性規(guī)劃模型，采用CPLEX 求解后將調(diào)度計(jì)劃值作為參數(shù)傳入第2 階段目標(biāo)函數(shù)中。第2 階段約束條件同第1 階段，以式（17）為目標(biāo)函數(shù)，求解后得到實(shí)時(shí)控制值。運(yùn)行過程中若調(diào)用了V2G 負(fù)荷反饋修正層，則以式（26）和式（27）為目標(biāo)函數(shù)，以式（9）至式（11）為約束條件，采用MISSA 求解，得到動(dòng)態(tài)調(diào)整后的V2G 負(fù)荷并根據(jù)式（24）和式（25）修正FCV 負(fù)荷，將結(jié)果反饋至MPC 滾動(dòng)優(yōu)化層的電氫負(fù)荷參數(shù)中。具體求解偽代碼如附錄B 表B1 所示。

所提出的MISSA 在麻雀搜索算法（sparrow search algorithm，SSA）［26］的基礎(chǔ)上，引入Levy 飛行策略，使其步長服從重尾分布，提高全局尋優(yōu)能力。進(jìn)一步的，為使其具有多目標(biāo)尋優(yōu)能力，本文引入快速非支配排序策略、精英策略以及擁擠度和擁擠度比較算子。改進(jìn)前后的算法求解基準(zhǔn)函數(shù)結(jié)果對比見附錄B 圖B3。

限于篇幅，SSA 的具體步驟參考文獻(xiàn)［26］，本文在預(yù)警者麻雀的位置更新公式中引入Levy 飛行策略，大大降低了麻雀群體陷入局部最優(yōu)解的風(fēng)險(xiǎn)。改進(jìn)后的預(yù)警者位置更新公式如下：

4 算例分析

4.1 算例參數(shù)

在算例1 中假定有50 輛EV 接入綜合能源系統(tǒng)，采用蒙特卡洛模擬法得到EV 的接入時(shí)刻、離開時(shí)刻、初始荷電狀態(tài)、期望荷電狀態(tài)等基本信息。此外，本文將EV 負(fù)荷分為4 類：1）長時(shí)間停在停車場，與充電樁相連的EV；2）按日常工作時(shí)間規(guī)律出行的EV；3）需要緊急充電的EV；4）需要臨時(shí)駛出的EV。其中，假定第2 類負(fù)荷離開期間荷電狀態(tài)線性下降。第4 類EV 負(fù)荷在全天任意時(shí)間隨機(jī)產(chǎn)生，且該類EV 在當(dāng)前停車場EV 總數(shù)的占比不超過10%。在 算 例2 中 假 定 共 有50 輛EV、20 輛FCV，對 于FCV 的蒙特卡洛模擬方法與EV 類似。

針對各類EV、FCV 負(fù)荷，按照附錄B 表B2 的參數(shù)進(jìn)行蒙特卡洛場景模擬。車輛的其他參數(shù)如附錄B 表B3 所示，實(shí)時(shí)電價(jià)如圖B4 所示，負(fù)荷功率和風(fēng)電光伏出力實(shí)際值如圖B5 所示。微型燃?xì)廨啓C(jī)的污染氣體排放系數(shù)及污染物處理費(fèi)用如表B4所示。

MISSA 參數(shù)設(shè)置如下：種群規(guī)模為100，最大迭代次數(shù)為1 000，Levy 飛行策略中伽馬函數(shù)的β0=1.5。

4.2 結(jié)果分析

4.2.1 EV 充放電管理層調(diào)度結(jié)果

部分第1、2 類EV 的荷電狀態(tài)變化情況如附錄B 圖B6 所示?？梢钥闯觯珽V 在02：00 到07：00 的負(fù)荷低谷期進(jìn)行充電，在20：00 到24：00 的負(fù)荷峰值期間作為電源向系統(tǒng)回饋電能，其他時(shí)間作為儲(chǔ)能裝置，通過與系統(tǒng)之間能量的雙向傳輸來減小負(fù)荷曲線的方差。

EV 充放電管理層所得到的帕累托解集如附錄B 圖B7 所示，選取綜合考慮EV 車主不滿意度和負(fù)荷曲線方差的折中解：EV 車主不滿意度為0.307 8，負(fù)荷曲線方差為6 636 kW2，將該折中解與EV 車主不滿意度為0.157 8 時(shí)無序充放電結(jié)果作為對比，如圖B8 所示。可以明顯地看出，在本文的策略下，綜合考慮EV 車主的V2G 參與不滿意度和負(fù)荷曲線方差，使得EV 有序充放電，有效地起到了削峰填谷的作用。

4.2.2 MPC 滾動(dòng)優(yōu)化層調(diào)度結(jié)果

如圖3（a）所示，在02：00 到08：00 期間，電價(jià)處于低谷值，系統(tǒng)內(nèi)的部分負(fù)荷缺額可以通過從主網(wǎng)購電來填補(bǔ)，在06：00 時(shí)電網(wǎng)電價(jià)達(dá)到最低值，此時(shí)系統(tǒng)在滿足負(fù)荷需求的同時(shí)將低價(jià)的電能儲(chǔ)存在蓄電池和儲(chǔ)氫罐中。在11：00 和15：00 到17：00 期間電價(jià)處于較高的水平，此時(shí)在消納風(fēng)電光伏的電量基礎(chǔ)上，微型燃?xì)廨啓C(jī)也輸出最大功率以盡可能多地向主網(wǎng)售電，使得經(jīng)濟(jì)效益最大化。在19：00 到21：00 期間，負(fù)荷水平較高，且電價(jià)處于峰階段，故優(yōu)先使蓄電池放電，剩下的負(fù)荷功率缺額再向電網(wǎng)購電填補(bǔ)。由于對風(fēng)電光伏出力以及負(fù)荷功率疊加了預(yù)測功率誤差，在實(shí)時(shí)調(diào)度中優(yōu)先使用超級(jí)電容和蓄電池，若仍不滿足功率缺額，則改變微型燃?xì)廨啓C(jī)出力計(jì)劃值和與主網(wǎng)聯(lián)絡(luò)線的計(jì)劃值。氫負(fù)荷供給情況如圖3（b）所示，05：00 到06：00 期間電價(jià)處于谷時(shí)段，電解槽消耗較多電能制備氫氣儲(chǔ)存在儲(chǔ)氫罐中。

圖3 冬季MPC 滾動(dòng)優(yōu)化層優(yōu)化結(jié)果Fig.3 Optimization results of MPC rolling optimization layer in winter

如附錄B 圖B9 所示，冬季的熱負(fù)荷情況是午間負(fù)荷需求量較低而早晚的負(fù)荷需求量較高。由于地源熱泵屬于電轉(zhuǎn)熱類型設(shè)備，且吸收式制冷機(jī)輸出熱功率取決于燃?xì)廨啓C(jī)的廢熱排放量，故儲(chǔ)熱裝置在電價(jià)低谷時(shí)盡量多地儲(chǔ)熱而在電價(jià)高峰時(shí)盡量多地放熱可以使得系統(tǒng)經(jīng)濟(jì)性最優(yōu)。因此，在03：00到08：00 期間使地源熱泵機(jī)組保持較高的出力，多余的熱能儲(chǔ)存在儲(chǔ)熱裝置中。在10：00 到17：00 期間，由于電價(jià)處于峰階段，盡可能地使儲(chǔ)熱裝置放熱而減少地源熱泵機(jī)組出力。

如附錄B 圖B10 所示，熱網(wǎng)部分的各單元出力幾乎與第1 階段調(diào)度計(jì)劃值保持一致，預(yù)測功率誤差主要由儲(chǔ)熱裝置進(jìn)行平衡。

如附錄B 圖B11 至圖B14 所示，夏季冷負(fù)荷的特點(diǎn)是午間負(fù)荷需求量較高而早晚的負(fù)荷需求量較低。電負(fù)荷供給情況較冬季沒有較大區(qū)別，在15：00—17：00 期間，冷負(fù)荷需求量較高而電價(jià)處于峰階段，地源熱泵機(jī)組不出力，保持綜合能源系統(tǒng)的經(jīng)濟(jì)運(yùn)行。

在算例1 中對3 種策略進(jìn)行對比，策略1 站在運(yùn)營商的角度，只以降低負(fù)荷方差為目標(biāo)；策略2 站在EV 車主的角度，按照車主意愿無序充放電；而本文策略綜合考慮EV 車主參與V2G 不滿意度和總負(fù)荷曲線的方差。如表1 所示，本文策略相比于策略1，調(diào)度成本增加了9.5%，EV 車主不滿意度下降了0.69，負(fù)荷方差增加了11.4%；而相比于策略2，調(diào)度成本下降了16.03%，EV 車主不滿意度增加了0.15，負(fù)荷方差下降了31.94%。根據(jù)模糊隸屬度函數(shù)可以看出，本文的策略有著最高的綜合滿意度，考慮了雙方的利益，真正實(shí)現(xiàn)了雙贏。

表1 不同策略下的指標(biāo)對比Table 1 Index comparison under different strategies

4.2.3 V2G 負(fù)荷反饋修正層作用比較

為了便于驗(yàn)證本文所提策略的有效性，在算例1 中對比分析以下假想情況：假設(shè)原本長時(shí)間停在停車場的第1 類EV 有20%臨時(shí)改變計(jì)劃，即原本沒有出行計(jì)劃的EV 在08：00 臨時(shí)出行，將所提策略與不運(yùn)行V2G 負(fù)荷反饋修正層的成本變化情況進(jìn)行對比。如附錄B 圖B15 和圖B16 所示，修正后的V2G 等效負(fù)荷將電價(jià)較高時(shí)段的負(fù)荷量轉(zhuǎn)移至了電價(jià)較低時(shí)段。帶有反饋修正的總運(yùn)行成本為5 808 元，相比于無反饋修正的5 970 元減小了2.71%。由圖4（a）和（b）可以看出，帶有反饋修正的策略在調(diào)度過程中對主網(wǎng)聯(lián)絡(luò)線功率計(jì)劃值作出了調(diào)整，確保了EV 充放電計(jì)劃變化后系統(tǒng)的經(jīng)濟(jì)穩(wěn)定運(yùn)行。無反饋修正運(yùn)行下，主網(wǎng)聯(lián)絡(luò)線功率相對跟蹤偏差為8.82%，而帶有反饋修正的主網(wǎng)聯(lián)絡(luò)線功率相對跟蹤偏差僅為1.33%。

圖4 V2G 負(fù)荷反饋修正層作用驗(yàn)證Fig.4 Effect verification of V2G load feedback correction layer

為了進(jìn)一步驗(yàn)證V2G 負(fù)荷反饋修正層的作用，在算例2 中假設(shè)實(shí)際運(yùn)行中有較高比例的EV 和FCV 偏離預(yù)設(shè)計(jì)劃，具體非計(jì)劃車輛的產(chǎn)生情況見圖4（c）?？?以 看 出，在05：00—07：00、10：00—12：00 以及17：00—21：15 期間，非計(jì)劃車輛比例超過閾值，在MPC 滾動(dòng)優(yōu)化層的時(shí)間窗進(jìn)入該時(shí)段時(shí)會(huì)先運(yùn)行V2G 負(fù)荷反饋修正層，消除時(shí)間窗內(nèi)EV、FCV 負(fù)荷調(diào)度偏差并調(diào)整EV 充放電計(jì)劃，提高系統(tǒng)運(yùn)行的穩(wěn)定性和經(jīng)濟(jì)性，因此帶反饋修正的主網(wǎng)聯(lián)絡(luò)線跟蹤偏差懲罰成本遠(yuǎn)小于無反饋修正的結(jié)果。

表2 將單斷面動(dòng)態(tài)優(yōu)化策略、基于MPC 的動(dòng)態(tài)優(yōu)化策略以及本文基于MPC 與反饋修正的動(dòng)態(tài)優(yōu)化策略得到的成本結(jié)果作對比?？梢钥闯?，運(yùn)行反饋修正層后重新制定EV 充放電計(jì)劃，避免非計(jì)劃EV 無序充電導(dǎo)致經(jīng)濟(jì)性下降，減小了EV 負(fù)荷調(diào)度成本?；贛PC 的滾動(dòng)優(yōu)化策略相比于單斷面優(yōu)化策略有著更強(qiáng)的抗干擾性，削弱了風(fēng)電、光伏及負(fù)荷功率不確定性的影響，減小了不平衡功率的平抑成本，而本文策略在此基礎(chǔ)上引入對EV 充放電計(jì)劃動(dòng)態(tài)調(diào)整和對FCV 負(fù)荷的修正，有著最優(yōu)的運(yùn)行經(jīng)濟(jì)性。

表2 不同策略下的成本對比Table 2 Cost comparison under different strategies

4.2.4 改變計(jì)劃的車輛比例對調(diào)度結(jié)果的影響

在算例2 中，分別改變非計(jì)劃EV 和FCV 比例，觀察運(yùn)行成本、主網(wǎng)聯(lián)絡(luò)線計(jì)劃值相對偏差情況。如圖5（a）所示，隨著非計(jì)劃EV 占比的提高，原來制定的EV 充放電計(jì)劃相對于實(shí)際情況下最優(yōu)的計(jì)劃值偏差越遠(yuǎn)，進(jìn)行V2G 負(fù)荷反饋修正后系統(tǒng)運(yùn)行的經(jīng)濟(jì)效益就越明顯，因此，成本相對變化量會(huì)大大增加。而FCV 負(fù)荷的偏差值越大，由于電熱氫能網(wǎng)的強(qiáng)耦合性，對設(shè)備的調(diào)節(jié)量隨之增大，受運(yùn)行約束限制，經(jīng)濟(jì)性影響程度越大。

圖5 非計(jì)劃EV 比例對調(diào)度結(jié)果的影響Fig.5 Influence of unplanned EV ratio on dispatch results

如圖5（b）所示，非計(jì)劃EV、FCV 占比的提高會(huì)導(dǎo)致滾動(dòng)時(shí)間窗內(nèi)負(fù)荷功率偏差增加，當(dāng)前時(shí)刻制定的計(jì)劃無法有效應(yīng)對時(shí)間窗內(nèi)未來時(shí)刻的實(shí)際偏差。當(dāng)不平衡功率過高時(shí)，由于各設(shè)備運(yùn)行約束限制，不得不改變主網(wǎng)聯(lián)絡(luò)線功率來維持源荷平衡關(guān)系。因此，隨著非計(jì)劃車輛占比提高，無反饋修正運(yùn)行時(shí)的主網(wǎng)聯(lián)絡(luò)線功率相對跟蹤偏差大幅增加，而帶有反饋修正運(yùn)行時(shí)的相對跟蹤偏差基本不變。值得注意的是，改變相同比例的FCV 時(shí)，對應(yīng)聯(lián)絡(luò)線功率偏差更大，這是因?yàn)殡姛釟淠芫W(wǎng)具有復(fù)雜的耦合關(guān)系，平抑不平衡氫負(fù)荷需要對更多設(shè)備的出力進(jìn)行調(diào)整，但由于運(yùn)行約束的限制，需要更多地改變聯(lián)絡(luò)線功率來協(xié)調(diào)確保源荷平衡。

5 結(jié)語

本文針對EV、FCV 出行計(jì)劃臨時(shí)改變對系統(tǒng)經(jīng)濟(jì)運(yùn)行和主網(wǎng)聯(lián)絡(luò)線計(jì)劃值跟蹤帶來不利影響的問題，提出了一種包含對V2G 負(fù)荷反饋修正的ETH-IES 多層協(xié)調(diào)優(yōu)化策略。以某ETH-IES 工業(yè)園區(qū)為例進(jìn)行研究分析。得到主要結(jié)論如下：

1）所構(gòu)建的EV 充放電多目標(biāo)優(yōu)化模型和兩階段MPC 滾動(dòng)優(yōu)化模型在實(shí)現(xiàn)雙贏的同時(shí)，還能夠保證調(diào)度的安全性和準(zhǔn)確性；

2）在基于MPC 的實(shí)時(shí)滾動(dòng)優(yōu)化基礎(chǔ)上，引入V2G 負(fù)荷反饋修正層，提高了系統(tǒng)運(yùn)行經(jīng)濟(jì)性和穩(wěn)定性，并且改善了主網(wǎng)聯(lián)絡(luò)線跟蹤情況；

3）耦合蒙特卡洛模擬和MISSA 的算法能夠有效地求解帶有不確定參數(shù)的多目標(biāo)優(yōu)化模型；

4）與傳統(tǒng)的兩層優(yōu)化策略相比，隨著非計(jì)劃車輛比例的升高，本文所提策略的優(yōu)越性愈加顯著。

本文尚未考慮車主和運(yùn)營商的博弈行為，將在后續(xù)研究中考慮建立計(jì)及博弈的多層協(xié)調(diào)優(yōu)化模型，以進(jìn)一步提升綜合能源系統(tǒng)優(yōu)化調(diào)度能力。

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。