吳巨愛 薛禹勝 謝東亮 岳 東,3 薛 峰

電動汽車參與電量市場與備用市場的聯(lián)合風(fēng)險調(diào)度

吳巨愛1薛禹勝2謝東亮2岳 東1,3薛 峰2

（1. 南京郵電大學(xué)自動化學(xué)院、人工智能學(xué)院 南京 210023 2. 南瑞集團有限公司（國網(wǎng)電力科學(xué)研究院有限公司） 南京 211000 3. 南京郵電大學(xué)先進技術(shù)研究院 南京 210023）

市場環(huán)境下，實現(xiàn)電動汽車（EV）的有序用電調(diào)度，將為電網(wǎng)提供多樣化的功率調(diào)節(jié)手段，支撐“雙碳”目標(biāo)下新能源為主體新型電力系統(tǒng)的建設(shè)。其中涉及多方市場參與者的決策博弈，是能源的信息-物理-社會系統(tǒng)（CPSSE）的典型應(yīng)用之一。EV聚合商作為連接EV用戶與電網(wǎng)的中間環(huán)節(jié)，需要處理好與用戶之間的合約博弈，以及做好電力市場中的決策策略。該文以EV集群提供運行備用為背景，首先，分析了多方市場參與者的交互關(guān)系，提出EV聚合商與用戶之間的合約機制；然后，分析了EV集群同時參與電能量市場與備用市場的耦合效應(yīng)，通過聚合商參與備用輔助服務(wù)市場的機制設(shè)計，實現(xiàn)了EV正常充電與參與備用服務(wù)的解耦；最后，以聚合商風(fēng)險收益最大為目標(biāo)，構(gòu)建多場景下聚合商同時參與日前電能量市場與備用市場的聯(lián)合調(diào)度優(yōu)化模型，通過算例仿真揭示了模型的有效性，實現(xiàn)了日內(nèi)備用調(diào)度不確定性時的日前最優(yōu)風(fēng)險預(yù)防控制。

電動汽車 備用 調(diào)度 市場機制 聯(lián)合優(yōu)化

0 引言

中國提出了2030年前碳達(dá)峰、2060年前碳中和的目標(biāo)。對于電力系統(tǒng)而言，構(gòu)建以新能源為主體的新型電力系統(tǒng)是支撐“雙碳”目標(biāo)的重要舉措。由于新能源出力具有本質(zhì)上的難預(yù)測性，新能源高占比必然帶來電力電量平衡的困難。運行備用的合理留取和調(diào)度是系統(tǒng)應(yīng)對故障、平抑新能源出力波動、確保系統(tǒng)電力電量平衡的主要措施[1-2]。在電源側(cè)脫碳進程中，風(fēng)險源不斷增加，而傳統(tǒng)的調(diào)控資源池（如火電、水電等）卻保持不變甚至不斷縮小，系統(tǒng)充裕性的供需矛盾只會越來越突出，美國德州停電事故、東北拉限電事件便是例證。

備用問題具有多時間尺度特征[3-4]，作為日前尺度的新型備用資源，電化學(xué)儲能是未來提升系統(tǒng)充裕性、靈活性的重要手段[5-6]，但集中式開發(fā)又面臨高成本的困境。近年來，為了實現(xiàn)交通領(lǐng)域脫碳，電動汽車（Electric Vehicle, EV）的全球推廣進展迅速，W.Kempton在1997年提出了V2G（vehicle to grid）的概念[7]，將EV從一類可控負(fù)荷措施擴展為一類分布式電化學(xué)儲能資源。為了分析需求側(cè)參與備用的真實潛力，就必須考慮參與者的決策博弈行為，能源的信息-物理-社會系統(tǒng)（Cyber-Physical-Social System in Energy, CPSSE）[8]概念恰好順應(yīng)了這一研究趨勢。它強調(diào)信息-物理系統(tǒng)（Cyber-Physical System, CPS）納入社會元素的必要性，提出了基于混合仿真研究參與者決策行為的新范式[9]，為“雙碳”目標(biāo)下的研究提供了路徑優(yōu)化的新框架[10-11]。

EV具有接入容量不確定、時空差異顯著、狀態(tài)聚類復(fù)雜等特性[12-13]，調(diào)控不當(dāng)容易造成局部高峰時段用電緊張[14]、局部配電網(wǎng)過負(fù)荷[15-16]、配電設(shè)備損耗加劇[17]等問題。當(dāng)前EV研究主要聚焦于有序充電的運行規(guī)劃[18-19]，在確定性規(guī)劃下提供的靈活性能力，以及提升配電網(wǎng)穩(wěn)定性與運行效率的方法[20-21]。EV必須聚合為更大的集群才能參與批發(fā)性能量市場，文獻[22]分析了現(xiàn)貨市場環(huán)境下EV充換電站的優(yōu)化調(diào)控問題；文獻[23]設(shè)計了EV聚合商參與備用市場的機制，研究聚合商的策略優(yōu)化問題。但鮮有研究EV電能量與輔助服務(wù)的耦合問題，缺少綜合兩者的市場機制研究。針對EV同時參與電能量市場與備用市場的優(yōu)化問題，存在三種優(yōu)化思路：單獨排序優(yōu)化、順序優(yōu)化與聯(lián)合優(yōu)化[24]。其中，單獨排序優(yōu)化忽視了電量與備用的耦合，可能導(dǎo)致出清結(jié)果違反機組容量等物理約束；順序優(yōu)化滿足了機組容量約束，但會導(dǎo)致市場出清的總成本偏高；聯(lián)合優(yōu)化滿足了機組容量約束，并且市場總成本最低，但需解決優(yōu)化模型的復(fù)雜性難題。

本文基于EV短時備用容量的量化[25-26]與經(jīng)濟性評價[27]方面的已有成果，針對不確定調(diào)度情況下EV在電能量市場與輔助服務(wù)市場的耦合問題，首先構(gòu)建了EV與電網(wǎng)交互研究的整體架構(gòu)，分析影響聚合商收益的相關(guān)市場環(huán)節(jié)；然后，分析EV在電能量市場與備用市場的耦合效應(yīng)，從優(yōu)化模型與預(yù)防控制中提出解決方案；接著，在備用市場中考慮確定性的備用容量與不確定性的備用電量（EV提供備用時被實際調(diào)度的電量），以聚合商收益最大化為目標(biāo)，構(gòu)建EV聚合商同時參與電能量市場與備用市場的聯(lián)合調(diào)度優(yōu)化模型；最后，通過算例分析驗證了模型的有效性，實現(xiàn)多方市場參與者的共贏。

1 EV與電網(wǎng)的互動架構(gòu)

EV與電網(wǎng)之間的交互關(guān)系如圖1所示。與EV有關(guān)的市場包括碳市場、電能量市場及備用輔助服務(wù)市場；參與者包括EV用戶、EV聚合商及其他參與者。聚合商需要考慮與EV用戶之間的合約博弈，以及與其他參與者之間的市場競標(biāo)博弈：在合約博弈中，聚合商與用戶簽訂充電合約，有條件地購得調(diào)度權(quán)；聚合商通過給予用戶電價折扣等合約套餐，吸引用戶參與有序充/放電。在競標(biāo)博弈中，聚合商需在遵守合約的基礎(chǔ)上與發(fā)電、儲能、可控負(fù)荷等其他參與者競爭，購入低價電量并且售出靈活性容量。

該架構(gòu)體現(xiàn)了信息、物理、社會元素的融合：EV用戶的決策意愿通過選取合約套餐體現(xiàn)，聚合商的決策意愿通過合約套餐發(fā)布、市場競標(biāo)策略及對充放電策略的優(yōu)化集中體現(xiàn)。

2 機制設(shè)計

2.1 EV用戶與聚合商的合約機制

聚合商通過給予用戶一定的充電電價折扣，吸引用戶參與有序充/放電。充/放電合約需滿足用戶的各類出行需求，其中包括不確定性出行需求。因此，約定EV電量需始終大于保底電量ms，以保障用戶的不定時用車需求。不同充電初始狀態(tài)下EV的充/放電可行域如圖2所示。圖2中start、ms、end分別為充電開始時刻（EV入網(wǎng)時刻）、充電至保底電量的時刻、充電結(jié)束時刻（EV離網(wǎng)時刻）；exp、max分別為離網(wǎng)時用戶的期望電量、EV的電池容量。

圖2 不同充電初始狀態(tài)下EV的充/放電可行域

根據(jù)接入電網(wǎng)時起始電量start的不同，EV的充/放電調(diào)度可分兩種情況考慮：當(dāng)start＜ms時，立即以最大充電功率充電至保底電量（如圖2a中①～②）；當(dāng)start≥ms時，可直接啟用給定的有序充/放電調(diào)度策略。

考慮到在計劃的充電結(jié)束時間內(nèi)需達(dá)到或超過期望電量（圖2中狀態(tài)④），EV有序充/放電策略輸出在“時間-電量”平面上留下的路徑只能處于圖2陰影區(qū)域所示的“充/放電可行域”內(nèi)，可行域下邊緣的紅色粗線為充/放電過程中的最低電量約束線。顯然，可行域內(nèi)有任意多條路徑可選，可行域受合約確定的參數(shù)值約束。

因此，EV用戶與聚合商之間的充電合約至少包括以下定價要素：入網(wǎng)時間、離網(wǎng)時間、起始電量、保底電量、期望電量、充電價格、可接受的最大放電次數(shù)等。EV入網(wǎng)時，聚合商給出不同定價要素參數(shù)值對應(yīng)的充電電價打折系數(shù)，也即用戶可參與的有序充/放電合約套餐種類，引導(dǎo)用戶的合約決策；用戶比較哪種合約套餐滿足期望的打折系數(shù)，提交用車需求信息（即設(shè)置各項定價要素對應(yīng)的參數(shù)值）。

2.2 兼容EV接入的備用市場機制

2.2.1 市場時間尺度

EV的備用能力按調(diào)節(jié)方向可分為上備用能力（向電網(wǎng)反向放電或降低充電功率）和下備用能力（降低放電功率或增加充電功率）兩類?，F(xiàn)有備用輔助服務(wù)市場主要以火電等傳統(tǒng)發(fā)電機組為參與主體，EV的可調(diào)控能力相對傳統(tǒng)機組來說更為有限，主要體現(xiàn)在提供備用的持續(xù)時間較短。市場設(shè)計的時間尺度決定了備用容量被調(diào)用的最短持續(xù)時間，時間尺度越小EV集群可申報的備用容量越大，越小時間尺度的備用市場越能發(fā)揮EV的潛在價值[25]。

圖3反映了備用市場中一個調(diào)度周期（一般為24 h）與市場時間尺度的關(guān)系。EV在日前備用市場的申報量為一個調(diào)度周期內(nèi)各可提供的備用容量，參與備用市場的收益包括備用容量費與備用容量被實際調(diào)用時的備用電量費。在市場時間尺度與調(diào)度規(guī)則限定下，EV在一個時段內(nèi)申報的備用容量為恒定值，且一個調(diào)度周期內(nèi)支持任意一個或多個時段發(fā)生備用容量的調(diào)用。

圖3 調(diào)度周期與市場時間尺度的關(guān)系

2.2.2 兩類耦合效應(yīng)及其解耦

EV的備用容量與當(dāng)前充/放電功率、當(dāng)前荷電量狀態(tài)（State of Charge, SOC）等時變因素有關(guān)，因此EV的備用容量也呈現(xiàn)出時變特征。所以，當(dāng)EV提供的備用容量被實際調(diào)用時，一方面將影響后續(xù)時段在日前申報的備用容量計劃（備用電量與備用容量的耦合，稱為第一類耦合效應(yīng)）；另一方面，由于備用電量本質(zhì)上也是電量的交換，這同樣會影響EV的充/放電計劃（備用電量與現(xiàn)貨電量的耦合，稱為第二類耦合效應(yīng)）。

針對第一類耦合效應(yīng)造成的備用容量時變問題，雖然從技術(shù)層面可以實現(xiàn)不同時段備用容量的快速計算，但無法解決后續(xù)時段備用容量與日前申報量不匹配的問題。在典型的多場景優(yōu)化過程中，控制策略的選取應(yīng)根據(jù)事件的風(fēng)險性質(zhì)來區(qū)分。因此，對于EV集群參與備用的優(yōu)化調(diào)度，利用多場景的風(fēng)險優(yōu)化，進行備用缺額事件發(fā)生前的預(yù)防控制，可對可能發(fā)生的備用缺額事件進行有效防控，以此消除第一類耦合效應(yīng)的影響。

對于第二類耦合效應(yīng)，將被實際調(diào)用的備用電量納入電能量市場體系中，但在結(jié)算時予以區(qū)分。EV備用容量同時受可充/放的電量與功率的制約[25]，圖4以時段某單體EV電池容量與SOC充足背景下的充電狀態(tài)作為示例，其中，L.max、G.max分別為最大充電功率和最大放電功率，cd.max()、cu.max()分別為最大下備用容量和最大上備用容量，()為計劃充電功率，d()為下備用容量被實際調(diào)用的部分。()疊加d()構(gòu)成了運行中的實際充電功率，在結(jié)算時兩者均需支付電能量市場的電量費，此外d()部分還應(yīng)獲得備用電量費。

圖4 EV單體在時段k參與電能量市場與備用市場情況

3 聚合商同時參與日前電能量市場與備用市場的建模

3.1 日前計劃功率

備用容量是EV的潛在能力，聚合商參與日前備用市場時需要申報未來一日內(nèi)所有時段的競標(biāo)量。由于備用容量被調(diào)用是隨機性事件（可能在日內(nèi)任意時段發(fā)生），以及第一類耦合效應(yīng)的存在，導(dǎo)致其備用容量的日前申報量無法直接采用日內(nèi)實際充/放電功率曲線進行解析。因此，采用EV的日前計劃功率wait用于解析EV日前可申報的備用容量，wait為日前待執(zhí)行的計劃功率，EV的日前計劃功率與日內(nèi)實際功率如圖5所示。wait與日內(nèi)實際功率曲線存在差異的時段（如圖5中時段t、t所示）即說明日內(nèi)備用容量發(fā)生了調(diào)用，如果日內(nèi)無備用容量發(fā)生調(diào)用則wait與重合。需要指出的是，即使日內(nèi)備用缺額事件是不確定的（存在多種可能性），但對于EV聚合商來說日前預(yù)申報的備用容量曲線仍是確定性的（唯一的）。

圖5 EV的日前計劃功率與日內(nèi)實際功率

3.2 目標(biāo)函數(shù)

在厘清EV與電網(wǎng)的交互關(guān)系，明確用戶與聚合商的合約機制及備用市場機制后，以聚合商的收益最大化為目標(biāo)，構(gòu)建多場景下（不同備用缺額事件）EV集群同時參與日前電能量市場與備用市場的聯(lián)合調(diào)度優(yōu)化模型。其中，電能量市場和備用市場中同時兼顧確定性的備用容量、發(fā)電（用戶充電）與用電，以及不確定性的備用電量，即

式中，為聚合商的總收益；ρ為場景發(fā)生的概率；為EV的總數(shù)量；M為第輛EV提供備用時聚合商的凈收益；π為參與備用市場的備用收益，π=πcu+πcd+πeu+πed，πcu為上備用容量收益，πcd為下備用容量收益，πeu為上備用電量收益，πed為下備用電量收益；bgrid為聚合商參與電能量市場的電量費支出，即聚合商支付給電網(wǎng)的充電費用；buser為聚合商從用戶處收取的充電費用；w為聚合商獲得的環(huán)保補貼、碳減排等收益；fuser為用戶違約的懲罰；fagr為聚合商違約的懲罰。

統(tǒng)一按市場時間尺度對時間軸離散化，即將一個調(diào)度周期分割為個長度為的時段，凍結(jié)內(nèi)EV功率的時變性，則式（1）可分解為式（2），其中決策變量為各EV的日前計劃功率Pwait。

結(jié)合2.2節(jié)中耦合效應(yīng)的解耦方案，則有

式中，v()為第個時段EV是否接入電網(wǎng)的（0-1）整數(shù)變量，1表示在線，0表示離線；eu、ed分別為上、下備用容量是否發(fā)生調(diào)用的（0-1）整數(shù)變量，1表示發(fā)生調(diào)用，0表示未發(fā)生調(diào)用；P.cu、Pcd分別為上、下備用容量；Peu、Ped分別為上、下備用電量；cu、cd分別為上、下備用容量價格；eu、ed分別為上、下備用電量價格；e為電量價格；P為EV日內(nèi)的實時充/放電功率，式（8）表示Pwait疊加日內(nèi)被實際調(diào)度的備用容量構(gòu)成EV日內(nèi)的實時充/放電功率；αuser為用戶充電費用的折扣系數(shù)；Puser為用戶與集電商簽約前的自主充電功率，本文中為不考慮備用收益時充電費用最小的充電策略，即以式（10）為目標(biāo)優(yōu)化求取的充電功率最優(yōu)解。

3.3 約束條件

1）備用調(diào)度約束

同一個時段內(nèi)無法同時調(diào)度上備用容量與下備用容量，其約束條件為

2）充/放電功率約束

EV同時參與電能量市場與備用市場時，其充/放電功率約束將分為三種情況。

（1）在電能量市場與備用市場均支持放電，充/放電功率約束為

（2）在電能量市場與備用市場均不支持放電，充/放電功率約束為

（3）在電能量市場時不支持放電，僅在備用市場中支持放電，充/放電功率約束為

3）電池容量約束

式中，E()為EV單體的實時電量是關(guān)于P()的時變函數(shù)；Emax為EV單體電池容量。

4）用戶充電需求約束

按照EV用戶與聚合商的有序充/放電合約，聚合商需要兼顧用戶的不確定性用車需求，并在用戶離網(wǎng)前滿足期望的電量，因此用戶的充電需求約束為

Estart＜Ems時

Estart≥Ems時

式中，Emin為第輛EV的最低電量約束，如圖2中紅色粗實線所示。

5）備用容量約束

EV單體的上、下備用能力可按式（21）、式（22）計算[25]。在式（21）中G.max+Pwait()為功率邊界的影響；E()–Emin(1)為第個時段內(nèi)的最大可放電量，[E()–Emin(1)]/?t+Pwait()則為預(yù)想工況下EV的可放電量潛力，反映出電量邊界的影響。在式（22）中L.max?Pwait()為功率邊界的影響；Emax–E()為第個時段內(nèi)的最大可充電量，[Emax–E()]?Pwait()則為預(yù)想工況下EV的可充電量潛力。

式中，Pcu.max()和Pcd.max()分別為第個時段EV單體上備用容量和下備用容量的最大值；Emin()為第個時段起始點電池的最低電量約束。

因此，EV的上、下備用容量約束為

6）備用電量約束

對于備用容量發(fā)生調(diào)用的時段，其備用電量約束為

4 算例分析

4.1 參數(shù)設(shè)置

仿真中EV的數(shù)量設(shè)置為200，EV單體的仿真參數(shù)見表1；不失一般性，算例中e取PJM現(xiàn)貨市場的實時電價（2021年7月22日12:00—7月23日12:00，如圖6所示）；備用容量和備用電量的價格與發(fā)生備用缺額的場景關(guān)系密切，此處算例僅用于說明不同備用缺額場景的差異，所以不妨設(shè)置cu=cd= 10%e，eu=ed=e。

表1 EV單體仿真參數(shù)

圖6 某調(diào)度周期電能量市場的電價

用戶每天最后一次出行結(jié)束時間的概率密度滿足正態(tài)分布[26]，將最后一次出行的結(jié)束時間作為EV入網(wǎng)的開始時間；充電時長設(shè)為12 h；充電起始的SOC服從[20%,80%]的均勻分布。用戶參與受控充電合約的意愿可通過問卷調(diào)查建立起較準(zhǔn)確的模型[28]。為考察EV提供運行備用的作用及效果，假設(shè)集群中用戶均有參與受控充/放電的意愿，且用戶期望的打折系數(shù)服從[0.2 , 0.8]的均勻分布；設(shè)定聚合商與EV用戶的簽約原則為式（1）中(max M)＞0。

4.2 仿真算例分析

考慮到頻繁放電對電池壽命的影響[29]，由于電能量市場中放電為高頻事件，而備用容量發(fā)生調(diào)用為低頻事件，因此算例仿真中以EV在電能量市場時不參與放電，僅在備用市場中參與放電為例。所以，充/放電功率約束設(shè)定為式（14）。

采用YALMIP工具包進行仿真運算。忽略環(huán)保補貼與碳減排收益，在上述參數(shù)下所有200輛EV用戶自主充電時的電費支出為1 212.23 $（此時聚合商的收益為0）。以下根據(jù)備用缺額事件的發(fā)生場景（見表2），結(jié)合算例具體分析聚合商的最大收益與EV集群在日前備用市場的申報量，算例編號與事件場景的關(guān)系見表3。

表2 備用缺額事件場景

Tab.2 The scenarios of reserve shortage event

表3 算例編號與備用缺額事件場景的對應(yīng)關(guān)系

Tab.3 The corresponding relation between the cases and scenarios

4.2.1 未發(fā)生備用缺額事件

所有算例中用戶的充電費用與聚合商的收益見表4。其中，算例1中未發(fā)生備用缺額事件，用戶簽約后的總充電費用下降至995.23 $，其中聚合商選擇簽約的用戶占58.5%。聚合商的最大收益max為217.20 $，其中備用市場收益僅為日前提供1 h備用的容量收益，對應(yīng)的EV集群充/放電功率與日前申報的1h上、下備用容量如圖7所示。由于未發(fā)生備用缺額事件，日前計劃功率曲線與充/放電功率曲線重合。

表4 各算例中用戶的充電份費用與聚合商的收益（算例0表示用戶與聚合商未簽約）

Tab.4 Charge cost of EV users and revenue of aggregator in each case (Case 0 means there is no contract between user and aggregator)

圖7 未發(fā)生備用缺額事件時EV集群的充/放電功率和上、下備用容量

4.2.2 單一時段發(fā)生備用缺額事件

1）場景B發(fā)生概率為1

算例2中場景B的發(fā)生概率為1。該算例下，21:00—22:00時段EV的上備用容量發(fā)生調(diào)用。由于在備用市場額外獲得了備用電量收益，此時聚合商的收益增至647.64 $。對應(yīng)的EV集群充/放電功率與日前申報的1 h上、下備用容量如圖8所示。雖然21:00—22:00時段EV集群的備用容量發(fā)生調(diào)用，但后續(xù)時段EV集群仍具備提供上、下備用容量的能力，可隨時調(diào)度。

2）場景C發(fā)生概率為1

算例3中場景C發(fā)生的概率為1。該算例下，21:00—22:00時段EV的下備用容量發(fā)生調(diào)用。調(diào)用后此時段的充電負(fù)荷顯著增加，此時聚合商的收益為532.46 $，對應(yīng)的EV集群充/放電功率與日前申報的1 h上、下備用容量如圖9所示。同理，時段21:00—22:00后續(xù)時段EV集群仍具備提供上、下備用容量的能力。

圖8 場景B下EV集群的充/放電功率和上、下備用容量

圖9 場景C下EV集群的充/放電功率和上、下備用容量

3）不同時段發(fā)生備用缺額事件

在單一時段發(fā)生備用缺額事件的場景下，圖10為各時段分別發(fā)生備用缺額事件時聚合商收益的仿真結(jié)果。由仿真結(jié)果易知，由于備用電量收益的存在，聚合商的收益均有不同程度的提高。

4）各場景不同發(fā)生概率的靈敏度分析

以[0, 1]為區(qū)間，按0.1為步長分別逐步攝動場景B、C、D的發(fā)生概率，此時聚合商風(fēng)險收益的變化如圖11所示。從仿真結(jié)果發(fā)現(xiàn)，隨著場景發(fā)生的確定性提高（概率越高），聚合商制定充/放電策略及在備用市場中可投標(biāo)量的確定性就越高，其收益也就越高。

圖10 不同時段發(fā)生備用缺額事件時聚合商的收益

圖11 場景B/C/D不同發(fā)生概率時聚合商的收益

4.2.3 多個時段發(fā)生備用缺額事件

算例4中場景E的發(fā)生概率為1。該算例下，21:00—22:00與次日7:00—8:00兩個時段EV的上備用容量均發(fā)生調(diào)用。由于備用容量被調(diào)度的時段增加，此時聚合商的收益增加至767.91 $，對應(yīng)的EV集群充/放電功率與日前申報的1 h上、下備用容量如圖12所示。

圖12 場景E下EV集群的充/放電功率和上、下備用容量

4.2.4 發(fā)生多個備用缺額事件

算例5中場景B的發(fā)生概率為0.5，場景D的發(fā)生概率為0.5。此算例下，備用缺額事件的發(fā)生為概率性事件，制定充/放電計劃應(yīng)充分考慮不同場景發(fā)生的可能性（EV集群的最優(yōu)充/放電功率與日前申報的1 h上、下備用容量如圖13所示）。相比算例2（場景B的發(fā)生概率為1），由于發(fā)生備用缺額事件不確定性的提高，此時聚合商的風(fēng)險收益由647.64 $降低為261.51 $。

圖13 發(fā)生多個備用缺額事件時EV集群的充/放電功率和上、下備用容量

5 結(jié)論

聚合商管理下的EV集群是潛力巨大的需求側(cè)分布式儲能資源，引導(dǎo)其參與電網(wǎng)備用輔助服務(wù)，是構(gòu)建新能源為主體新型電力系統(tǒng)的有效技術(shù)路徑。市場環(huán)境下，實現(xiàn)EV與電網(wǎng)友好互動的框架，經(jīng)濟上需要解決EV用戶、聚合商、電網(wǎng)三方之間的利益博弈，技術(shù)上需要協(xié)調(diào)EV在多個市場之間的交互耦合。

本文基于“解耦協(xié)調(diào)”的思路，以風(fēng)險收益最大為目標(biāo)，提出聚合商在不同市場（電能量市場與備用市場）調(diào)度策略的聯(lián)合優(yōu)化模型。算例分析表明，本文所提模型和策略一方面從理論上驗證了EV同時參與兩個市場的可行性，實現(xiàn)了聚合商日前最優(yōu)風(fēng)險預(yù)防控制，同時也促進了多方市場參與者的共贏。下一步的研究方向包括聚合商同時參與日前、實時多尺度備用市場的策略，以及EV參與電網(wǎng)全過程（包含充裕性預(yù)防控制與緊急控制過程）后的風(fēng)險成本量化評估等。

致 謝

本文算例的仿真實施得到鄧詩揚、朱元夢兩位學(xué)生的協(xié)助，特此感謝！

[1] 王建學(xué), 王錫凡, 別朝紅. 電力市場中的備用問題[J]. 電力系統(tǒng)自動化, 2001, 25(15): 7-11, 14. Wang Jianxue, Wang Xifan, Bie Zhaohong. Reserve in the power market[J]. Automation of Electric Power Systems, 2001, 25(15): 7-11, 14.

[2] 張堯翔, 劉文穎, 龐清侖, 等. 高比例風(fēng)電接入系統(tǒng)光熱發(fā)電-火電旋轉(zhuǎn)備用優(yōu)化方法[J]. 電工技術(shù)學(xué)報, 2022, 37(21): 5478-5489. Zhang Yaoxiang, Liu Wenying, Pang Qinglun, et al. Optimal power spinning reserve method of concentrating solar power and thermal power for high-proportion wind power system[J]. Transactions of China Electrotechnical Society, 2022, 37(21): 5478-5489.

[3] 亢麗君, 王蓓蓓, 薛必克, 等. 計及爬坡場景覆蓋的高比例新能源電網(wǎng)平衡策略研究[J]. 電工技術(shù)學(xué)報, 2022, 37(13): 3275-3288. Kang Lijun, Wang Beibei, Xue Bike, et al. Research on the balance strategy for power grid with high proportion renewable energy considering the ramping scenario coverage[J]. Transactions of China Electrotechnical Society, 2022, 37(13): 3275-3288.

[4] 吳俊, 薛禹勝, 舒印彪, 等. 大規(guī)?？稍偕茉唇尤胂碌碾娏ο到y(tǒng)充裕性優(yōu)化(一)旋轉(zhuǎn)級備用的優(yōu)化[J]. 電力系統(tǒng)自動化, 2019, 43(8): 101-109. Wu Jun, Xue Yusheng, Shu Yinbiao, et al. Adequacy optimization for a large-scale renewable energy integrated power system part one spinning-grade reserve optimization[J]. Automation of Electric Power Systems, 2019, 43(8): 101-109.

[5] 吳珊, 邊曉燕, 張菁嫻, 等. 面向新型電力系統(tǒng)靈活性提升的國內(nèi)外輔助服務(wù)市場研究綜述[J]. 電工技術(shù)學(xué)報, 2023, 38(6): 1662-1677. Wu Shan, Bian Xiaoyan, Zhang Jingxian, et al. A review of domestic and foreign ancillary services market for improving flexibility of new power system[J]. Transactions of China Electrotechnical Society, 2023, 38(6): 1662-1677.

[6] 張靖, 張志文, 胡斯佳, 等. 獨立微電網(wǎng)風(fēng)儲協(xié)同調(diào)頻的功率柔性分配策略[J]. 電工技術(shù)學(xué)報, 2022, 37(15): 3767-3780. Zhang Jing, Zhang Zhiwen, Hu Sijia, et al. A flexible power distribution strategy with wind turbine generator and energy storage for frequency regulation in isolated microgrid[J]. Transactions of China Electrotechnical Society, 2022, 37(15): 3767-3780.

[7] Kempton W, Letendre S E. Electric vehicles as a new power source for electric utilities[J]. Transportation Research Part D: Transport and Environment, 1997, 2(3): 157-175.

[8] Xue Yusheng, Yu Xinghuo. Beyond smart grid—cyber–physical–social system in energy future[point of view[J]. Proceedings of the IEEE, 2017, 105(12): 2290-2292.

[9] Xue Yusheng, Wu Juai, Xie Dongliang, et al. Multi-agents modelling of EV purchase willingness based on questionnaires[J]. Journal of Modern Power Systems and Clean Energy, 2015, 3(2): 149-159.

[10] 薛禹勝. 新型電力系統(tǒng)通過CPSSE主動支撐中國的雙碳目標(biāo)[EB/OL]. 《電力系統(tǒng)自動化》微信公眾號, 2021-08-16, https://mp.weixin.qq.com/s/ z_hH6HUI40jnaBNqpXjXaQ. Xue Yusheng. The new-type power system supporting the dual carbon target of China via CPSSE [EB/OL]. WeChat Official Account of Automation of Electric Power Systems, 2021-08-16, https://mp.weixin.qq. com/s/z_hH6HUI40jnaBNqpXjXaQ.

[11] 冷俊, 薛禹勝. “雙碳”目標(biāo)下，新型電力系統(tǒng)發(fā)展路徑的優(yōu)化思路[J]. 中國電力企業(yè)管理, 2021(19): 11-13. Leng Jun, Xue Yusheng. Optimization of the development path of new power system under the goal of “double carbon”[J]. China Power Enterprise Management, 2021(19): 11-13.

[12] Daina N, Sivakumar A, Polak J W. Electric vehicle charging choices: modelling and implications for smart charging services[J]. Transportation Research Part C: Emerging Technologies, 2017, 81: 36-56.

[13] 師瑞峰, 李少鵬. 電動汽車V2G問題研究綜述[J]. 電力系統(tǒng)及其自動化學(xué)報, 2019, 31(6): 28-37. Shi Ruifeng, Li Shaopeng. Review on studies of V2G problem in electric vehicles[J]. Proceedings of the CSU-EPSA, 2019, 31(6): 28-37.

[14] Bo?mann T, Staffell I. The shape of future electricity demand: exploring load curves in 2050s Germany and Britain[J]. Energy, 2015, 90: 1317-1333.

[15] Ahmad M S, Sivasubramani S. Optimal number of electric vehicles for existing networks considering economic and emission dispatch[J]. IEEE Transactions on Industrial Informatics, 2019, 15(4): 1926-1935.

[16] Awadallah M A, Singh B N, Venkatesh B. Impact of EV charger load on distribution network capacity: a case study in Toronto[J]. Canadian Journal of Electrical and Computer Engineering, 2016, 39(4): 268-273.

[17] Muratori M. Impact of uncoordinated plug-in electric vehicle charging on residential power demand[J]. Nature Energy, 2018, 3(3): 193-201.

[18] 何晨可, 朱繼忠, 劉云, 等. 計及碳減排的電動汽車充換儲一體站與主動配電網(wǎng)協(xié)調(diào)規(guī)劃[J]. 電工技術(shù)學(xué)報, 2022, 37(1): 92-111. He Chenke, Zhu Jizhong, Liu Yun, et al. Coordinated planning of electric vehicle charging-swapping-storage integrated station and active distribution network considering carbon reduction[J]. Transactions of China Electrotechnical Society, 2022, 37(1): 92-111.

[19] 李長云, 徐敏靈, 蔡淑媛. 計及電動汽車違約不確定性的微電網(wǎng)兩段式優(yōu)化調(diào)度策略[J]. 電工技術(shù)學(xué)報, 2023, 38(7): 1838-1851. Li Changyun, Xu Minling, Cai Shuyuan. Two-stage optimal scheduling strategy for micro-grid considering EV default uncertainty[J]. Transactions of China Electrotechnical Society, 2023, 38(7): 1838-1851h

[20] 陳嘉鵬, 湯乃云, 王雪松. 基于電動汽車入網(wǎng)特性的電網(wǎng)經(jīng)濟調(diào)度研究[J]. 電氣技術(shù), 2019, 20(3): 24-30, 36. Chen Jiapeng, Tang Naiyun, Wang Xuesong. Research on economic dispatch of power grid based on vehicle to grid characteristics of electric vehicle[J]. Electrical Engineering, 2019, 20(3): 24-30, 36.

[21] 胡俊杰, 周華嫣然, 李陽. 集群電動汽車平抑光伏波動實時調(diào)度策略[J]. 電網(wǎng)技術(shù), 2019, 43(7): 2552-2560. Hu Junjie, Zhou Huayanran, Li Yang. Real-time dispatching strategy for aggregated electric vehicles to smooth power fluctuation of photovoltaics[J]. Power System Technology, 2019, 43(7): 2552-2560.

[22] 曾憲鍇, 楊蘋, 劉璐瑤, 等. 電力現(xiàn)貨市場環(huán)境下電動汽車充換電站的優(yōu)化調(diào)控策略[J]. 電力自動化設(shè)備, 2022, 42(10): 38-45. Zeng Xiankai, Yang Ping, Liu Luyao, et al. Optimal regulation strategy of battery charging and swapping station for electric vehicles under electricity spot market environment[J]. Electric Power Automation Equipment, 2022, 42(10): 38-45.

[23] Hu Junjie, Yang Guangya, Ziras C, et al. Aggregator operation in the balancing market through network-constrained transactive energy[J]. IEEE Transactions on Power Systems, 2019, 34(5): 4071-4080.

[24] 石劍濤, 郭燁, 孫宏斌, 等. 備用市場機制研究與實踐綜述[J]. 中國電機工程學(xué)報, 2021, 41(1): 123-134, 403. Shi Jiantao, Guo Ye, Sun Hongbin, et al. Review of research and practice on reserve market[J]. Proceedings of the CSEE, 2021, 41(1): 123-134, 403.

[25] 吳巨愛, 薛禹勝, 謝東亮, 等. 電動汽車參與運行備用的能力評估及其仿真分析[J]. 電力系統(tǒng)自動化, 2018, 42(13): 101-107, 168. Wu Juai, Xue Yusheng, Xie Dongliang, et al. Evaluation and simulation analysis of reserve capability for electric vehicles[J]. Automation of Electric Power Systems, 2018, 42(13): 101-107, 168.

[26] 吳巨愛, 薛禹勝, 謝東亮. 電動汽車聚合商對備用服務(wù)能力的優(yōu)化[J]. 電力系統(tǒng)自動化, 2019, 43(9): 75-81. Wu Juai, Xue Yusheng, Xie Dongliang. Optimization of reserve service capability made by electric vehicle aggregator[J]. Automation of Electric Power Systems, 2019, 43(9): 75-81.

[27] 陸凌蓉, 文福拴, 薛禹勝, 等. 電動汽車提供輔助服務(wù)的經(jīng)濟性分析[J]. 電力系統(tǒng)自動化, 2013, 37(14): 43-49, 58. Lu Lingrong, Wen Fushuan, Xue Yusheng, et al. Economic analysis of ancillary service provision by plug-in electric vehicles[J]. Automation of Electric Power Systems, 2013, 37(14): 43-49, 58.

[28] Wu Juai, Xue Yusheng, Xie Dongliang, et al. Multi-agent modeling and analysis of EV users’ travel willingness based on an integrated causal/ statistical/ behavioral model[J]. Journal of Modern Power Systems and Clean Energy, 2018, 6(6): 1255-1263.

[29] Vatandoust B, Ahmadian A, Golkar M A, et al. Risk-averse optimal bidding of electric vehicles and energy storage aggregator in day-ahead frequency regulation market[J]. IEEE Transactions on Power Systems, 2019, 34(3): 2036-2047.

The Joint Risk Dispatch of Electric Vehicle in Day-Ahead Electricity Energy Market and Reserve Market

Wu Juai1Xue Yusheng2Xie Dongliang2Yue Dong1,3Xue Feng2

（1. College of Automation & College of Artificial Intelligence Nanjing University of Posts and Telecommunications Nanjing 210023 China 2. NARI Group Corporation (State Grid Electric Power Research Institute) Nanjing 211000 China 3. Institute of Advanced Technology Nanjing University of Posts and Telecommunications Nanjing 210023 China）

Electric vehicle (EV) is a kind of distributed electrochemical energy storage resource. As the intermediate link between EV users and power grid, EV aggregator needs to manage the contract game with users and the decision-making strategy in the power market, and faces the coupling problem of trading products when EV participates in multiple markets. In order to solve the above problems, the contract mechanism between the aggregator and EV users is proposed, the reserve auxiliary service market mechanism compatible with the aggregator’s participation is designed, and a joint dispatching optimization model of the aggregator participate in the day-ahead electricity energy market and the reserve market at the same time under multiple scenarios is constructed.

Firstly, the interaction relationship between various market participants in the process of providing reserve by EV is analyzed, and the contract mechanism between aggregator and EV users is put forward: aggregator gives discount coefficients of charging price corresponding to different pricing element parameter values, that is, the types of orderly charging/discharging contract packages that users can participate in, and users compare which contract package meets the expected discount coefficient, and submit the information of using EV demand (that is, set the corresponding parameter values of each pricing element). Then, two kinds of coupling effects (the first kind of coupling effect: the coupling of reserve electricity and reserve capacity; the second kind of coupling effect: the coupling of reserve electricity and spot electricity) of EV clusters participate in the electricity energy market and reserve market at the same time are put forward and analyzed, and the prevention control before the occurrence of reserve shortage events are carried out through risk optimization in multiple scenarios to eliminate the influence of the first kind of coupling effect; for the second kind of coupling effect, the actually dispatched reserve electricity will be included in the electricity energy market system, but it will be distinguished in the settlement. Finally, with the objective of maximizing the risk revenue of the aggregator, a joint dispatching optimization model is constructed in which the aggregator participates in the day-ahead electricity energy market and the reserve market at the same time under multiple scenarios, in which the reserve market revenue includes day-ahead reserve capacity revenue and intra-day reserve electricity revenue after the reserve capacity being dispatched, and the decision variables of the optimization model is the day-ahead scheduled power of each EV.

Several scenarios of uncertain intra-day reserve shortage events are constructed, and the case simulation results show that the day-ahead optimal risk prevention control of EV aggregator when intra-day reserve dispatching is uncertain is realized through the above dispatching optimization model. With the increase of the occurrence probability of the reserve shortage event, the higher the certainty of the charging/discharging strategy formulated by aggregator and the bidding quantity in day-ahead reserve market, the higher the risk revenue of aggregator.

Based on the idea of “decoupling and coordination”, a joint optimization model of the dispatching strategy of the aggregator in electricity energy market and reserve market with the objective of maximizing the risk revenue is proposed. On the one hand, the proposed model and strategy theoretically verify the feasibility of EV’s participation in two markets at the same time, and realize the day-ahead optimal risk prevention control of aggregators. On the other hand, the win-win situation of multiple market participants is realized under market environment, which provides practical feasibility for EV providing reserve service.

Electric vehicle, reserve, dispatch, market mechanism, joint optimization

10.19595/j.cnki.1000-6753.tces.221386

TM73

國家自然科學(xué)基金（61933005）、江蘇省自然科學(xué)基金（BK20230369）、江蘇省高等學(xué)?；A(chǔ)科學(xué)（自然科學(xué)）研究項目（21KJB470027）、江蘇省配電網(wǎng)智能技術(shù)與裝備協(xié)同創(chuàng)新中心開放基金項目（XTCX202104）資助。

2022-07-19

2022-08-27

吳巨愛 男，1989年生，博士，講師，研究方向為電力市場仿真、電力需求側(cè)管理、用戶行為建模。E-mail：wujuai@njupt.edu.cn

薛禹勝 男，1941年生，院士，博士生導(dǎo)師，研究方向為電力系統(tǒng)自動化。E-mail：xueyusheng@sgepri.sgcc.com.cn（通信作者）

（編輯 赫蕾）