邵 萍, 楊之樂, 李 慷, 朱曉東

(1. 鄭州大學 電氣與信息工程學院, 鄭州 450001; 2. 中國科學院深圳先進技術(shù)研究院,廣東 深圳 518000; 3. 利茲大學 電子與電氣工程學院,英國 利茲 LS2 9JT)

隨著全球能源危機和環(huán)境污染問題[1]日益嚴峻,2020年9月,國家主席習近平提出我國力爭“2030年碳達峰、2060年碳中和”的目標[2].為了促進能源電力的高質(zhì)量發(fā)展,構(gòu)建以新能源為主體的新型電力系統(tǒng)已成為未來能源電力的發(fā)展趨勢,而高比例波動性新能源接入對電力系統(tǒng)的靈活運行構(gòu)成新挑戰(zhàn)[3].與此同時,電動汽車(EV)因節(jié)能、零排放[4]的優(yōu)點得到不同國家的大力支持,其保有量不斷增加.EV[5]的快速化和規(guī)?；l(fā)展為提高電力系統(tǒng)的靈活性、緩解能源[6]危機和改善環(huán)境污染問題提供了新的解決方案.但是大量EV無序充放電可能會進一步加重電網(wǎng)的峰谷差[7],造成電網(wǎng)峰值負荷激增,影響電網(wǎng)的經(jīng)濟穩(wěn)定運行,甚至可能造成配電系統(tǒng)崩潰[8].EV的電池可以快速響應信號,然而大多數(shù)私人EV都處于怠速狀態(tài),一天中大部分時間沒有駕駛,這成為EV調(diào)控調(diào)度的現(xiàn)實條件以及有利因素.由于EV兼具可調(diào)控負荷和儲能的特性[9],不僅可以作為常規(guī)負載從電網(wǎng)中汲取電能,還可以利用汽車入網(wǎng)(V2G)技術(shù)[10]接入電網(wǎng)作為儲能為電網(wǎng)提供備用服務[11].如果基于用戶的需求和意愿對EV的充電和放電行為加以合理調(diào)節(jié)和控制,可以有效達到減小電網(wǎng)負荷波動、削峰填谷[12]以及將EV作為一種備用電源向電網(wǎng)供電,提供備用和輔助服務[13-14]的目的.

目前,對EV參與電網(wǎng)提供輔助備用服務的優(yōu)化調(diào)度問題已有一定研究.文獻[15]中基于EV的運行約束研究其聚合模型,并提出EV參與電網(wǎng)調(diào)度滿足旋轉(zhuǎn)備用需求的方案,從而提升系統(tǒng)的穩(wěn)定性和經(jīng)濟性.文獻[16]中提出一種基于雙重激勵機制(DIM)的EV充/放電日前調(diào)度策略以提高EV的備用服務能力.文獻[17]中提出計及多因素的系統(tǒng)及各分區(qū)的備用需求容量設置方法,并構(gòu)建區(qū)域聯(lián)合優(yōu)化出清數(shù)學模型.文獻[18]中針對用戶側(cè)用電需求不確定性及調(diào)頻備用需求,建立EV參與調(diào)頻輔助服務的備用優(yōu)化與實時調(diào)度模型,有效提高聚合商參與輔助服務的魯棒性和經(jīng)濟性.文獻[19]中提出一種多市場優(yōu)化模型,用于最小化EV充電的凈運營成本,以確定EV聚合的最優(yōu)運營策略和每輛EV的充電功率.文獻[20]中考慮影響系統(tǒng)備用需求的隨機性因素,并構(gòu)建以備用服務的經(jīng)濟性、可靠性及碳排放的多目標競價模型.文獻[21]中將EV用戶成本及經(jīng)濟調(diào)度成本作為目標函數(shù),并將EV有序充放電作為經(jīng)濟調(diào)度時的備用容量.然而以上研究模型大多以經(jīng)濟性為導向,單純追求微電網(wǎng)運行的經(jīng)濟性而未考慮用戶的參與意愿以及負荷預測的誤差,難以適用于實際情況.

針對上述問題,在現(xiàn)有研究背景下,綜合考慮集電商的經(jīng)濟性、微電網(wǎng)功率波動和用戶滿意度,建立基于用戶意愿的EV備用容量多目標優(yōu)化模型.同時考慮日前預測負荷誤差的影響,在日前和日內(nèi)多種時間尺度上進行多目標優(yōu)化調(diào)度分析.最后對一個微電網(wǎng)案例進行仿真分析,采用NSGA-III 算法對模型進行優(yōu)化,同時將NSGA-II 和MOEA/D算法作為對比算法,通過3種算法的對比選出綜合最優(yōu)的調(diào)度方案,實驗結(jié)果證明了所提基于用戶意愿的EV備用容量的多目標優(yōu)化模型的有效性和合理性.

1 調(diào)度架構(gòu)及可信備用容量的獲取

1.1 調(diào)度架構(gòu)

在電力系統(tǒng)日前調(diào)度計劃中,發(fā)電側(cè)調(diào)度計劃完成后會同時發(fā)布分時電價引導需求側(cè)負荷的分布導向,因此在日內(nèi)短期計劃中發(fā)電側(cè)的調(diào)度計劃不會更改.而負荷預測具有不準確性,較長時間的調(diào)度計劃難以保證在較短時間尺度[22]上順利進行,為此提出基于日前調(diào)度計劃和日內(nèi)修正計劃的EV備用容量的優(yōu)化調(diào)度模型,如圖1所示.

圖1 日前日內(nèi)調(diào)度計劃

在日前調(diào)度階段:集電商匯集負荷預測信息和具有參與V2G意愿的EV用戶信息,以集電商經(jīng)濟性、微電網(wǎng)功率波動和用戶滿意度為目標做出日前階段每小時的EV調(diào)度計劃.日前調(diào)度以一天為周期,每24 h調(diào)度一次,調(diào)度時段為1 h,從每天中午12:00到次日中午12:00,因此市場負荷需求以及EV車主申報信息需要在12:00之前獲取.

在日內(nèi)調(diào)度階段,當日內(nèi)實時負荷需求信息和日前預測信息出現(xiàn)偏差時,日前微電網(wǎng)制定的調(diào)度計劃已經(jīng)不能滿足市場的負荷需求,需要啟動日內(nèi)短期滾動調(diào)度計劃.此時集電商根據(jù)實際負荷信息和日前調(diào)度的EV每小時備用容量信息制定日內(nèi)15 min時段的調(diào)度計劃.其調(diào)度目標仍為集電商經(jīng)濟性、微電網(wǎng)功率波動和用戶滿意度,除此之外將日前調(diào)度結(jié)果中的備用容量作為日內(nèi)調(diào)度計劃中的容量約束.日內(nèi)調(diào)度每隔15 min進行一次,調(diào)度時段為當前時刻至調(diào)度周期的剩余時段.其中日內(nèi)調(diào)度需結(jié)合日前調(diào)度結(jié)果做容量約束,制定當天剩余時段的短期調(diào)度計劃并對日前調(diào)度計劃修正.

1.2 可信備用容量的獲取

EV兼具可調(diào)控負荷和儲能的特性, 可迅速切換充、放電狀態(tài)提供瞬時響應,是需求側(cè)重要的潛在備用措施.EV功率理論上具有雙向可調(diào)的特性,其備用能力按調(diào)節(jié)方向可分為上備用能力和下備用能力兩類.目前EV充電負荷建模的方法主要根據(jù)美國公布的私家車出行數(shù)據(jù)假設用戶的初始充電狀態(tài)(SOC)遵循一定的正態(tài)分布,再使用蒙特卡羅方法繪制EV的出行和到達時間、行駛里程和初始SOC樣本,以計算每日充電負荷曲線[23-24].還可使用基于馬爾可夫隨機過程的出行鏈理論來描述用戶出行行為的時空隨機性[25].然而EV車主的出行信息受出行的便利性、用戶的偏好性和經(jīng)濟性等多種因素影響,美國家庭出行數(shù)據(jù)并不一定適合現(xiàn)有的實際場景.為了刻畫EV用戶每個時段的可信備用容量,基于文獻[26]的研究,首先采用問卷調(diào)查的形式對EV車主的出行信息和參與V2G的意愿進行知識提取,構(gòu)建反映用戶意愿不確定性統(tǒng)計分布的多代理模型.然后分析采集到的EV出行數(shù)據(jù),采用蒙特卡洛法抽樣形成與多代理個體對應的EV狀態(tài)參數(shù).最后構(gòu)建用戶意愿影響因素與EV狀態(tài)信息對應關(guān)系,分析用戶參與車網(wǎng)互動意愿.抽取一定規(guī)模的EV信息,與多代理個體心理閾值比較,可進行愿意或不愿意參與調(diào)控的EV用戶分類.通過此方法判定的EV用戶被認為已經(jīng)達到其參與調(diào)度的心理閾值,其次日信息不會改變.以某小區(qū)的微電網(wǎng)系統(tǒng)為例,根據(jù)用戶決策模型得到的200輛EV的上下可信備用容量如圖2所示.其中可信備用容量是基于EV用戶充電需求被滿足的前提下得到的每小時可被調(diào)度上下可信備用容量.

2 多時間尺度調(diào)度模型

2.1 日前調(diào)度

2.1.1目標函數(shù)

F1=max(CR-CU+CG)

(1)

式中:F1為集電商的經(jīng)濟收益,主要由三部分構(gòu)成,分別為EV參與V2G提供備用服務的收益CR、集電商與電網(wǎng)交互的購電成本CU和集電商與用戶之間的零售收益CG.其中備用服務的收益CR表示為

Pu,i,tVu,tΔt+Pd,i,tVd,tΔt+uPue,i,tVue,tΔt]

(2)

式中:t為調(diào)度時段;T表示調(diào)度周期,為24 h;i為被調(diào)度的車輛;M=200代表集電商所負責區(qū)域的總EV數(shù)量;Vb為EV充放電之間狀態(tài)切換的損耗價格;u、v為一對關(guān)于EV上下備用電量的決策因子,表示實際場景中EV充電和放電不可同時進行;Pue,i,t、Pde,i,t為每輛EV每小時實際參與調(diào)用時通過向電網(wǎng)放電提供的上、下備用容量;Δt為調(diào)度時間段1 h;Pu,i,t、Pd,i,t分別為每輛EV每小時的上下可信備用容量;Vu,t、Vd,t分別為EV參與備用服務的上下可信備用容量價格;Vue,t為EV為參與電網(wǎng)互動提供備用服務后每小時放電的價格.

集電商向電網(wǎng)交付的購電成本CU是其所負責區(qū)域內(nèi)EV的充電費用:

(3)

式中:Vbat為集電商長期與電網(wǎng)交易所定的平均價格.

集電商與EV用戶之間的零售收益CG是所負責區(qū)域內(nèi)參與V2G提供備用服務的EV日內(nèi)24 h內(nèi)實際充電的費用:

(4)

式中:Vde,t為EV用戶為參與電網(wǎng)互動提供備用服務市場后每小時充電的價格.

微電網(wǎng)功率波動的情況以需求側(cè)的等效負荷均方差表示:

(5)

式中:Pl,t為日前的負荷需求預測值.F2越小對電網(wǎng)的經(jīng)濟性和安全性越有利.

EV用戶對優(yōu)化調(diào)度結(jié)果的滿意度(F3)表示為其調(diào)度中每個參與V2G的時段提供的上下備用容量能與實際申報時最大程度相近,即

(6)

式中:G、H分別為擁有提供上、下備用能力的車輛.只有EV用戶在長時間內(nèi)對調(diào)度結(jié)果保持一定的滿意度,EV參與V2G向電網(wǎng)提供備用容量才有意義.

2.1.2約束條件 主要從集電商的角度出發(fā),考慮集電商的經(jīng)濟效益,同時兼顧電網(wǎng)的負荷波動和EV用戶對調(diào)度結(jié)果的滿意度,因而約束條件主要偏向于集電商和用戶層.

(1) 充放電狀態(tài)約束.

EV在實際應用場景中,上下備用電量不能同時被調(diào)用.因此引入決策因子u、v,滿足如下條件:

u+v≤1,u,v∈{0, 1}

(7)

(2) 系統(tǒng)功率平衡約束.

電力系統(tǒng)調(diào)度的基本要求是系統(tǒng)的發(fā)電功率和負載功率保持平衡,當發(fā)電量小于負載需求電量時就需要調(diào)用上備用容量,反之當發(fā)電量大于負載的需求量時需調(diào)用下備用容量.因此,對于系統(tǒng)總體的功率平衡約束可表示為

(8)

式中:Pg,t表示微電網(wǎng)每個時段t的發(fā)電功率.

(3) 備用容量約束.

EV備用容量的獲取以用戶意愿為前提,在調(diào)度過程中不可忽略用戶意愿,EV備用容量實際參與調(diào)用時上下備用容量不應超過其上下可信備用容量,即

0≤Pue,i,t≤Pu,i,t

(9)

0≤Pde,i,t≤Pd,i,t

(10)

2.2 日內(nèi)調(diào)度模型

日內(nèi)短時間尺度的調(diào)度計劃是基于日前調(diào)度的結(jié)果將EV每個時段的可信備用容量限制在日前調(diào)度結(jié)果中的備用容量之間.以15 min為尺度進行滾動優(yōu)化,當需求側(cè)預測負荷與實際場景中負荷需求量不一致時啟動日內(nèi)調(diào)度計劃.

2.2.1目標函數(shù) 日內(nèi)調(diào)度模型仍以集電商經(jīng)濟收益最大化、EV用戶參與V2G的滿意度最大化和微電網(wǎng)的功率波動最小為目標進行多目標優(yōu)化調(diào)度.

Pu,i,tVu, tΔt+Pd,i,tVd,tΔt+vPde,i,tVde,tΔt-

vPde,i,tVbatΔt+uPue,i,tVue,tΔt]

(11)

式中:z為日內(nèi)需求側(cè)負荷與預測負荷不匹配的第1個時段.與日前調(diào)度目標不同,Δt代表的時段為0.25 h.

(12)

(13)

F2和F3與日前調(diào)度模型保持一致.日前和日內(nèi)調(diào)度模型中,差異之處主要體現(xiàn)在調(diào)度時段和起始時間的差異.另外,日前調(diào)度和日內(nèi)調(diào)度在已知信息上需求側(cè)負荷也不一樣,日前調(diào)度的需求側(cè)負荷為預測負荷而日內(nèi)調(diào)度負荷為真實的負荷信息,日內(nèi)調(diào)度是在日前調(diào)度的基礎(chǔ)上在更精細時間顆粒度下的優(yōu)化和微調(diào).

2.2.2約束條件 日內(nèi)調(diào)度模型除了滿足日前調(diào)度模型中所提約束條件外,還需滿足日前修正條件.

日前修正約束:將日前調(diào)度的每輛EV每個小時的上下備用容量作為日內(nèi)滾動調(diào)度每15 min的上界.保證日內(nèi)滾動調(diào)度在不影響發(fā)電側(cè)整體調(diào)度計劃的同時滿足應對預測誤差的影響,為電力系統(tǒng)提供備用服務.

0≤Pue,i,t≤Pgue,i,t

(14)

0≤Pde,i,t≤Pgde,i,t

(15)

式中:Pgue,i,t、Pgde,i,t分別為日前調(diào)度的每輛電動汽在每個小時內(nèi)所提供的上下備用容量.

3 算例分析

3.1 參數(shù)說明

以深圳市某小區(qū)的微電網(wǎng)系統(tǒng)為例對200輛EV參與V2G提供備用容量的模型進行分析和討論.針對以上EV備用容量多目標優(yōu)化模型中高維多目標的特點,選擇多目標優(yōu)化算法中較為主流的NSGA-III 算法對模型進行求解,同時將MOEA/D、NSGA-II 作為對比算法.通過3種算法求解該模型的實驗結(jié)果,對比選出最適合求解該模型的算法并采取該算法所優(yōu)化的帕累托前沿中綜合最優(yōu)的EV備用容量多目標優(yōu)化調(diào)度方案.該區(qū)域每小時的預測負荷數(shù)據(jù)是綜合深圳市的平均負荷需求得到的,該微電網(wǎng)系統(tǒng)中分時電價如圖3所示.Vbat設為商業(yè)電價的0.6倍,Vb設為 0.043 75 美元/(kW·h)[27],微電網(wǎng)每小時的負荷預測和發(fā)電功率如表1所示. NSGA-III 和NSGA-II 算法的參數(shù)選擇如下:種群個體數(shù)為 130, 交叉率為 0.8, 變異率為 0.1,交叉參數(shù)為2,變異參數(shù)為5. 設定最大迭代次數(shù)為800.MOEA/D算法的參數(shù)為種群個體數(shù)300, 鄰居個數(shù)20,交叉率0.8, 變異率0.1,交叉參數(shù)2,變異參數(shù)5,最大迭代次數(shù)800.

表1 模型參數(shù)值

圖3 分時電價

3.2 結(jié)果分析

3.2.1多目標優(yōu)化算法 將主流多目標優(yōu)化算法NSGA-III 作為主要的模型求解算法.NSGA-III 算法是針對NSGA-II 算法在處理高維多目標問題時由于優(yōu)化計算代價大,難以挑選帕累托解的情況而開發(fā)的,基本流程與NSGA-II 相似,但選擇個體時結(jié)合了基于參考點的方法,能夠有效降低計算代價,適用于求解高維多目標問題.NSGA-III 算法步驟描述如下:

(2) 對初始化后的上下備用容量種群進行充放電狀態(tài)約束、系統(tǒng)功率平衡約束、EV充放電功率約束和備用容量約束等約束處理.

(3) 種群進化.父代種群X通過錦標賽選擇策略、模擬二項式交叉和多項式變異產(chǎn)生子代種群Y,合并父代種群和子代種群,則混合種群規(guī)模為2N.同時,對進化后的種群進行(2)中的約束處理.

(5) 環(huán)境選擇.對混合種群進行快速非支配排序操作,并利用小生境選擇策略對個體進行選擇,得到個體數(shù)為N的新種群.如果非支配臨界層Fj中的個體全部選擇超出種群數(shù)目N,則標準化目標空間、根據(jù)參考點Z*計算參考線、進行個體與參考線關(guān)聯(lián)操作并根據(jù)參考線關(guān)聯(lián)的個體數(shù)從臨界非支配層中Fj選擇剩余個體進入新一代種群中.

(6) 判斷是否達到迭代次數(shù),如果達到迭代次數(shù)則結(jié)束日前調(diào)度,否則執(zhí)行步驟(3).

使用NSGA-III 算法求解EV備用容量的多目標優(yōu)化模型的總體流程圖如圖4所示.

圖4 日前的調(diào)度流程圖

為了驗證所提EV備用容量的多目標優(yōu)化模型的有效性,采取主流的NSGA-III 算法對模型進行求解,同時將MOEA/D、NSGA-II 算法作為對比算法.對日前時間尺度和日內(nèi)時間尺度模型做優(yōu)化調(diào)度,分析日前和日內(nèi)EV備用容量和各個目標之間的關(guān)系,同時選擇合適的算法以求調(diào)度方案在3個目標之間綜合表現(xiàn)最優(yōu).其中日前3種算法的調(diào)度結(jié)果如圖5所示,從圖中可以看出NSGA-III 算法的帕累托前沿在右上角,而MOEA/D和NSGA-II 的帕累托前沿總體偏左下方.這意味著NSGA-III 在集電商經(jīng)濟性和用戶滿意度方面有絕對優(yōu)勢.與MOEA/D相比,NSGA-II 在集電商經(jīng)濟性方面表現(xiàn)較優(yōu),每日經(jīng)濟收益集中于13 000美元,而MOEA/D經(jīng)濟收益分布在11 800～12 600美元.相反,MOEA/D算法在減小微電網(wǎng)功率波動方面明顯比NSGA-II 更有優(yōu)勢,在用戶滿意度方面二者表現(xiàn)相差不大.

圖5 日前調(diào)度結(jié)果對比

當日前預測負荷與日內(nèi)實際負荷需求不匹配時,啟動日內(nèi)短期滾動調(diào)度方案.在日前調(diào)度中EV的上下備用容量均留有一定裕量以應對隨時發(fā)生的負荷需求變化,文中以17:00負荷需求激增的變化場景為例,模擬當日前調(diào)度不滿足實際情況下的日內(nèi)短期滾動調(diào)度情況.同時對MOEA/D、NSGA-II 和NSGA-III 3種算法求解日內(nèi)調(diào)度模型的實驗結(jié)果進行對比,結(jié)果如圖6所示.

圖6 日內(nèi)調(diào)度算法對比

對比日內(nèi)調(diào)度中3種算法的帕累托前沿可知, NSGA-III 算法在經(jīng)濟收益上比其他兩種算法表現(xiàn)更好,集電商經(jīng)濟效益穩(wěn)定在8 800 美元/d.NSGA-II 算法次之,而MOEA/D算法表現(xiàn)效果最差,這與日前調(diào)度的表現(xiàn)一致.在平滑微電網(wǎng)的功率波動方面MOEA/D比NSGA-III 和NSGA-II 算法更有優(yōu)勢.在用戶滿意度方面MOEA/D算法和NSGA-II 算法表現(xiàn)相近,NSGA-III 算法表現(xiàn)最優(yōu).總而言之,NSGA-III 在3個目標上綜合表現(xiàn)最優(yōu).

選擇MOEA/D、NSGA-II 和NSGA-III 算法對上述應用場景進行優(yōu)化后得到的解為帕累托前沿,而在實際應用系統(tǒng)中只能采用一種調(diào)度方案,因此需要從帕累托前沿中選擇一個相對而言綜合最優(yōu)的解.考慮到在EV備用容量的多目標優(yōu)化模型中所有目標對于評價體系的作用相同,不存在某一個目標函數(shù)影響更大的情況,因此3個目標函數(shù)權(quán)重均相同,通過正向化和歸一化后加權(quán)和選出在3個目標上綜合表現(xiàn)最優(yōu)的解.表2中的數(shù)據(jù)為經(jīng)過加權(quán)和方法在日前調(diào)度和日內(nèi)調(diào)度的時間尺度上選出的3種算法的綜合最優(yōu)解.從3種算法的最優(yōu)解方面來看,對比日前日內(nèi)調(diào)度的數(shù)據(jù),NSGA-III 在經(jīng)濟收益和用戶滿意度方面的表現(xiàn)明顯優(yōu)于其他兩種算法,且在平滑微電網(wǎng)的功率波動方面日前優(yōu)化更有優(yōu)勢.該數(shù)據(jù)進一步證實NSGA-III 算法對于求解EV備用容量多目標優(yōu)化模型的優(yōu)越性.

表2 3種算法的最優(yōu)目標值

3.2.2日前日內(nèi)時間尺度的優(yōu)化調(diào)度 將日前NSGA-III 算法優(yōu)化調(diào)度的最優(yōu)結(jié)果和日內(nèi)的最優(yōu)結(jié)果在集電商經(jīng)濟性、微電網(wǎng)的功率波動情況和用戶滿意度這3個目標上的表現(xiàn)做對比,分析日前和日內(nèi)調(diào)度的情況.從表2可以看出,NSGA-III 算法的折衷解在日前調(diào)度中F1的最優(yōu)值為 13 362.74 美元,而日內(nèi)調(diào)度剩余時段的經(jīng)濟收益為 8 947.78 美元;加之前5 h的經(jīng)濟收益為 7 086 美元,累計日內(nèi)為 16 033 美元,日內(nèi)調(diào)度相比日前調(diào)度在集電商的經(jīng)濟性上提高20%.而在用戶滿意度方面,日前調(diào)度的NSGA-III 算法的F3折衷解為11.53,日內(nèi)調(diào)度為16.59,用戶滿意度提高44%.

圖7展示了在負荷預測產(chǎn)生誤差的情況下,日前調(diào)度和日內(nèi)調(diào)度在之后8 h的目標值變化情況.日內(nèi)調(diào)度以15 min為周期進行調(diào)度,即每15 min為1個時段.從圖中可以看出日內(nèi)調(diào)度的結(jié)果變化相對于日前調(diào)度結(jié)果變化更加平緩,一直在穩(wěn)步提高.這說明日內(nèi)調(diào)度時段在應對實際負荷與預測負荷相比負荷激增或者負荷驟降的情況下更有優(yōu)勢,即日內(nèi)調(diào)度的靈敏度更高,這也說明了多時間尺度的必要性.圖7(a)為集電商的經(jīng)濟性變化情況,圖中顯示在20～40這個時段日內(nèi)調(diào)度的集電商收益更高,這是由于需求側(cè)負荷激增所以EV需要在允許調(diào)度范圍內(nèi)最大程度上調(diào)用更多的上備用容量以滿足需求差額,而集電商作為中間商則可以從中獲取更多經(jīng)濟效益.而在40～50這個時段其集電商收益反而不及日前調(diào)度的經(jīng)濟收益,這主要是因為在20～40時段增加調(diào)用EV的備用容量對剩余時段產(chǎn)生影響.圖7(b)為用戶滿意度變化情況,從圖中可以明顯看出日內(nèi)調(diào)度的方案對于EV用戶來說更容易接受.日內(nèi)調(diào)度是基于用戶意愿對可信備用容量的多目標優(yōu)化,其優(yōu)化是在日前調(diào)度基礎(chǔ)上針對負荷需求差額變化的微調(diào).對于EV用戶來說微調(diào)意味著為了應對突增的負荷需求需要調(diào)用更多的上備用容量,也即收益更多用戶滿意度更大.

圖7 日前日內(nèi)調(diào)度方案的目標對比

圖8為日前日內(nèi)調(diào)度在第2個目標微電網(wǎng)的功率波動情況,圖8(a)為日前調(diào)度前后的等效負荷,即需求側(cè)常規(guī)負荷與EV上下備用容量的等效負荷.在問題設計中,認為微電網(wǎng)的功率波動一定程度上代表削峰填谷的效果,峰谷差越小,微電網(wǎng)的功率波動即F2取值越小.將圖8模型優(yōu)化前后的負荷曲線作對比觀察削峰填谷的效果.由圖可見,原始負荷曲線的峰時是11:00和19:00, 谷時是16:00.EV的可信上備用容量主要集中在 0:00—5:00和 15:00—16:00,可信下備用容量主要是 5:00—6:00 和 17:00—22:00.原始負荷曲線的第2個峰值時刻在EV的可信備用容量覆蓋區(qū)域內(nèi),經(jīng)過優(yōu)化后其峰值從 16 020.19 kW降到 14 880.32 kW.同理,在圖8(b)日內(nèi)調(diào)度的曲線上,可以看到優(yōu)化后的等效負荷相對于日前優(yōu)化等效負荷峰時的值從 4 005 kW降低到 3 925 kW,在可信備用容量允許范圍內(nèi)有效地達到了削峰目的.

圖8 日前日內(nèi)調(diào)度方案的等效負荷

EV日前調(diào)度結(jié)果的熱力圖如圖9所示,以20輛EV為例,由圖可知EV的上備用容量調(diào)用集中在1:00—6: 00和15:00—18:00,該段時間為EV使用的非高峰階段,EV用戶可在不影響日常生活的同時賺取一定經(jīng)濟收益.下備用容量的調(diào)用集中在6:00—8:00以及18:00—24:00,即上班之前和下班之后,可以有效地利用富余時間進行充電.5:00—7:00 為充電電價的低谷時段.在不影響EV用戶日常生活的前提下通過調(diào)度時段將備用容量參與電網(wǎng)出售為電網(wǎng)提供備用服務即可滿足電網(wǎng)的備用需求,用戶和集電商還可獲取一定經(jīng)濟收益.

圖9 日前調(diào)度中EV備用容量優(yōu)化結(jié)果

EV日內(nèi)調(diào)度結(jié)果如圖10所示,選取同樣的20輛EV為例.由圖可知,在4～20時段EV調(diào)用的上備用容量可以達到10～13 kW,而該時段對應著日前的18:00—22:00,相比日前該時段的調(diào)用有所增加.與此同時,在32～52時段上備用容量調(diào)用較多,這對應于1:00—6:00.下備用容量主要集中在8～28時段和52～56時段,對應 19:00—24:00 和 6:00—7:00.總體來說和日前調(diào)度的結(jié)果保持一致,在17:00 預測負荷發(fā)生偏差時及時調(diào)整上備用容量的調(diào)用以應對日前調(diào)度中不能滿足的情況.

圖10 日內(nèi)調(diào)度中EV備用容量優(yōu)化結(jié)果

4 結(jié)語

建立基于用戶意愿的EV備用容量多目標優(yōu)化調(diào)度模型.考慮集電商調(diào)度EV的綜合經(jīng)濟成本、用戶對調(diào)度結(jié)果滿意度以及微電網(wǎng)的功率波動情況;同時考慮到預測誤差的影響,對模型進行日前和日內(nèi)兩個時間尺度上的調(diào)度分析;并通過NSGA-III、NSGA-II 和MOEA/D等3種多目標智能優(yōu)化算法對模型進行求解分析.對比3種算法發(fā)現(xiàn):NSGA-III 算法在日前時間尺度和日內(nèi)時間尺度上的優(yōu)化調(diào)度均達到集電商的經(jīng)濟性、微電網(wǎng)的功率波動和用戶滿意度3個目標上的綜合最優(yōu).實驗結(jié)果證明所構(gòu)建模型的有效性和合理性.

然而,本文EV的可信備用容量基于問卷調(diào)查生成的用戶意愿多代理模型進而產(chǎn)生各個時段的上下備用容量,不能保證用戶的實際行為和代理模型決策的完全一致.未來將考慮通過商業(yè)化運行來規(guī)避調(diào)度偏差產(chǎn)生的風險并分攤相應成本.另外,在日內(nèi)時間尺度的滾動調(diào)度中,實驗場景僅考慮實際負荷需求與預測負荷相比突增的情況,沒有考慮負荷需求突然降低的情況.未來將進一步研究不同場景下EV參與V2G提供備用服務的情況.