考慮電動(dòng)汽車接入的主動(dòng)配電網(wǎng)優(yōu)化調(diào)度

諸曉駿,陳曦,李妍,王球,王瓊,李澤森

(國(guó)網(wǎng)江蘇省電力有限公司經(jīng)濟(jì)技術(shù)研究院,江蘇 南京 210008)

0 引言

當(dāng)今世界的能源政策和環(huán)境狀況受到普遍關(guān)注,風(fēng)能、太陽(yáng)能等一系列可再生能源迅速發(fā)展[1—4]。分布式能源的大量接入給電力系統(tǒng)的穩(wěn)定性和安全性帶來(lái)了較大挑戰(zhàn),大規(guī)模無(wú)序接入的電動(dòng)汽車負(fù)荷更是加劇了配電網(wǎng)的峰谷差,導(dǎo)致負(fù)荷高峰時(shí)期電能質(zhì)量降低[5—7]。主動(dòng)配電網(wǎng)(active distribution networks,ADN)可通過(guò)智能網(wǎng)絡(luò)控制手段對(duì)分布式電源(distributed generation,DG)和負(fù)荷進(jìn)行主動(dòng)控制和管理,其調(diào)度和運(yùn)行方式較傳統(tǒng)配電網(wǎng)更加復(fù)雜[8],近年來(lái)也愈加受到重視。

針對(duì)上述背景,研究電動(dòng)汽車接入ADN的有序充電模型并形成與之適應(yīng)的考慮源網(wǎng)荷的ADN優(yōu)化調(diào)度方法至關(guān)重要。目前關(guān)于這方面的研究仍然較少,大部分研究成果集中在從ADN的單個(gè)角度(如源、網(wǎng)或荷側(cè))進(jìn)行優(yōu)化。文獻(xiàn)[9]提供了基于風(fēng)能和太陽(yáng)能互補(bǔ)特性的ADN調(diào)度模型框架,通過(guò)協(xié)調(diào)控制風(fēng)能和太陽(yáng)能的輸出,有效降低風(fēng)能和太陽(yáng)能的波動(dòng)性。文獻(xiàn)[10]中,通過(guò)儲(chǔ)能的容量配置和優(yōu)化降低了風(fēng)能和太陽(yáng)能的波動(dòng)性,此方法是針對(duì)源側(cè)的調(diào)度優(yōu)化。關(guān)于網(wǎng)側(cè)調(diào)度優(yōu)化的研究可參見(jiàn)文獻(xiàn)[11—15],其中文獻(xiàn)[11—13]采用人工智算法實(shí)現(xiàn)網(wǎng)絡(luò)重構(gòu),提升了配電網(wǎng)的綜合效益,文獻(xiàn)[14—15]研究了故障恢復(fù)技術(shù)對(duì)配電網(wǎng)重構(gòu)的影響。對(duì)于荷側(cè),文獻(xiàn)[16]提出了一種基于分時(shí)電價(jià)模型的荷側(cè)調(diào)度方法。

此外,當(dāng)前的研究很少將電動(dòng)汽車充電行為和電網(wǎng)多維調(diào)度進(jìn)行協(xié)同優(yōu)化。文獻(xiàn)[17] 對(duì)由電動(dòng)汽車無(wú)序充電行為導(dǎo)致的電力傳輸損耗進(jìn)行了量化分析,研究表明大量隨機(jī)電動(dòng)汽車充電負(fù)荷的接入對(duì)電能質(zhì)量影響顯著。文獻(xiàn)[18]指出有序電動(dòng)汽車充電策略對(duì)提升傳輸線路的負(fù)載情況大有裨益。文獻(xiàn)[19]表明電動(dòng)汽車的充放電行為可以通過(guò)能量管理策略進(jìn)行有序化管理,從而減少化石燃料的消耗,提高電力傳輸網(wǎng)絡(luò)的穩(wěn)定性。

為進(jìn)一步研究大量電動(dòng)汽車接入背景下的AND優(yōu)化,文中構(gòu)建了一套衡量ADN性能的綜合評(píng)估體系,并提出一種電動(dòng)汽車智能充電策略和一套源網(wǎng)荷側(cè)多階段優(yōu)化調(diào)度方法,最后通過(guò)算例仿真驗(yàn)證了優(yōu)化模型和調(diào)度策略的有效性。文中理論和模型可被廣泛運(yùn)用于電力系統(tǒng)的日前調(diào)度,實(shí)現(xiàn)ADN的高效運(yùn)行和管理。

1 AND評(píng)估體系

文中綜合考慮主動(dòng)控制性、主動(dòng)管理性和主動(dòng)經(jīng)濟(jì)性,建立ADN評(píng)估體系,衡量電力系統(tǒng)運(yùn)行的安全性、經(jīng)濟(jì)性和環(huán)境成本等多個(gè)指標(biāo)。

1.1 主動(dòng)控制性

主動(dòng)控制性反映了調(diào)度運(yùn)行方法對(duì)電力系統(tǒng)穩(wěn)定性和安全性方面的影響,該效益可以通過(guò)電壓合格率U(t)、主要線路負(fù)載率L(t)、網(wǎng)絡(luò)重構(gòu)頻率πswitch來(lái)表示。U(t)體現(xiàn)了控制手段的有效性；L(t)反映了區(qū)域電網(wǎng)線路傳輸容量的實(shí)際使用程度和區(qū)域電網(wǎng)的建設(shè)水平；πswitch是衡量網(wǎng)絡(luò)重構(gòu)合理性的重要參數(shù),其可折算成調(diào)度成本進(jìn)行表征。

1.2 主動(dòng)管理性

文中將電動(dòng)汽車有序充電調(diào)度以及切負(fù)荷操作納入主動(dòng)管理性的優(yōu)化范疇,并基于此提出以下3項(xiàng)基本指標(biāo)。

1.2.1 電動(dòng)汽車用戶滿意度

合適的電動(dòng)汽車充電策略會(huì)引導(dǎo)用戶調(diào)整充電時(shí)間,降低充電成本,也可以優(yōu)化控制每輛充電汽車的充電電量,進(jìn)而影響用戶滿意度。文中用區(qū)域電網(wǎng)內(nèi)電動(dòng)汽車平均充電費(fèi)用Cavg和電動(dòng)汽車平均滿充率Efull反映用戶滿意度。

1.2.2 等效負(fù)荷曲線標(biāo)準(zhǔn)差

在有序充電模式下,電動(dòng)汽車的充電優(yōu)化調(diào)度管理可以更好地實(shí)現(xiàn)削峰填谷,文中采用等效負(fù)荷曲線標(biāo)準(zhǔn)差Se量化有序充電策略對(duì)ADN中負(fù)荷曲線優(yōu)化管理的有效性。

1.2.3 可中斷負(fù)荷補(bǔ)償成本

在與用戶簽訂供電協(xié)議后,電力公司可以在系統(tǒng)過(guò)載時(shí)切斷部分協(xié)議內(nèi)的負(fù)荷,同時(shí)按照合同約定的價(jià)格為用戶提供切負(fù)荷補(bǔ)償ΠIL(t)。

1.3 主動(dòng)經(jīng)濟(jì)性

隨著環(huán)境保護(hù)意識(shí)日漸增強(qiáng),環(huán)境效益在電網(wǎng)規(guī)劃中占有越來(lái)越重要的地位,文中提出3個(gè)動(dòng)態(tài)經(jīng)濟(jì)指標(biāo)。

1.3.1 網(wǎng)損費(fèi)用

網(wǎng)損費(fèi)用πl(wèi)oss不僅反映了電網(wǎng)結(jié)構(gòu)的合理性,也反映了電網(wǎng)運(yùn)行的經(jīng)濟(jì)性。

1.3.2 新能源接入費(fèi)用

文中考慮的新能源接入費(fèi)用Πsource包含風(fēng)能、太陽(yáng)能、微型燃?xì)廨啓C(jī)的接入電網(wǎng)費(fèi)用,也包含了從上級(jí)電網(wǎng)購(gòu)電的費(fèi)用。

1.3.3 環(huán)境污染懲罰費(fèi)用

文中選擇了二氧化碳(CO2)和二氧化硫(SO2)作為2種典型污染物,將環(huán)境污染作為懲罰進(jìn)行了經(jīng)濟(jì)性折算,得到環(huán)境污染懲罰費(fèi)用Πpenalty。

2 ADN三階段優(yōu)化調(diào)度模型

為了抑制和補(bǔ)償源側(cè)間歇性能源和荷側(cè)電動(dòng)汽車大規(guī)模接入給電網(wǎng)帶來(lái)的波動(dòng),文中建立了源-網(wǎng)-荷三階段協(xié)同優(yōu)化調(diào)度模型,該模型的優(yōu)化方向和優(yōu)化目標(biāo)均以第1章評(píng)估體系涵蓋的指標(biāo)為基礎(chǔ),具體對(duì)應(yīng)關(guān)系見(jiàn)圖1,其中K為開(kāi)關(guān)動(dòng)作次數(shù)。

圖1 ADN三階段優(yōu)化調(diào)度模型Fig.1 Three-stage optimization scheduling model of ADN

2.1 電動(dòng)汽車有序充電調(diào)度

該階段是以電動(dòng)汽車負(fù)荷為主的荷側(cè)調(diào)度,調(diào)度目標(biāo)為ADN評(píng)估體系中的主動(dòng)管理性相關(guān)指標(biāo),助力充電負(fù)荷移峰填谷。隨著信息通信技術(shù)的快速發(fā)展,電動(dòng)汽車智能調(diào)度系統(tǒng)可以為電動(dòng)汽車充電搭建有力的網(wǎng)絡(luò)化支撐平臺(tái)。典型電動(dòng)汽車智能調(diào)度模型如圖2所示。

圖2 典型電動(dòng)汽車智能調(diào)度模型Fig.2 Typical intelligent scheduling model of electric vehicles

當(dāng)用戶選擇電動(dòng)汽車充電調(diào)度系統(tǒng)時(shí),用戶會(huì)對(duì)峰谷電價(jià)進(jìn)行充電行為響應(yīng)。此外,在充電調(diào)度系統(tǒng)的策略下,電動(dòng)汽車充電地點(diǎn)也得到優(yōu)化,不僅可提高充電效率,還可提升電動(dòng)汽車用戶的滿意度。文中綜合充電時(shí)間、充電地點(diǎn)以及充電方式等因素,提出電動(dòng)汽車充電調(diào)度模型。

2.1.1 充電時(shí)間優(yōu)化

無(wú)序充電模式下,用戶一旦到了充電站就會(huì)對(duì)電動(dòng)汽車充電。而在電動(dòng)汽車智能調(diào)度系統(tǒng)下,用戶可以在充電樁處輸入到達(dá)充電場(chǎng)所時(shí)間、預(yù)計(jì)離開(kāi)充電場(chǎng)所時(shí)間以及預(yù)期充電量。然后,電動(dòng)汽車智能調(diào)度系統(tǒng)依據(jù)停車期間的峰谷電價(jià)制定電動(dòng)汽車優(yōu)化充電策略。

假設(shè)電動(dòng)汽車的到達(dá)時(shí)間和預(yù)計(jì)離開(kāi)時(shí)間分別為tarr,tdep,對(duì)應(yīng)的電動(dòng)汽車電量狀態(tài)分別為W1,W2,則預(yù)計(jì)的停車時(shí)間為：

Tp=tdep-tarr

(1)

預(yù)計(jì)的充電量為：

Wch=W2-W1

(2)

完全充滿電所需時(shí)間為：

Tr=Wch/Pch

(3)

式中：Pch為電動(dòng)汽車充電功率。

在停車期間,電動(dòng)汽車充電調(diào)度系統(tǒng)可以盡量確保用戶在最低電價(jià)時(shí)最早充上電。這樣不僅可以削峰填谷,還可以提高電動(dòng)汽車用戶的滿意度。充電的實(shí)際開(kāi)始時(shí)間tch和充電成本p分別如式(4)、式(5)所示。

(4)

(5)

2.1.2 充電地點(diǎn)優(yōu)化

無(wú)序充電模式下,當(dāng)現(xiàn)有充電站的所有充電樁均被占用時(shí),用戶不得不等待較長(zhǎng)時(shí)間才能有充電機(jī)會(huì)。而電動(dòng)汽車充電調(diào)度系統(tǒng)可考慮對(duì)充電地點(diǎn)進(jìn)行優(yōu)化,用戶可以根據(jù)指示導(dǎo)航到最近的有閑置充電樁的充電站進(jìn)行充電。

(6)

式中：q為t時(shí)刻電動(dòng)汽車充電調(diào)度系統(tǒng)提供的充電地址代碼；At,Bt分別為t時(shí)刻不可用、可用充電站的集合。

2.1.3 充電方式優(yōu)化

電動(dòng)汽車慢充方式對(duì)電動(dòng)汽車的電池比較有利,但其通常會(huì)耗費(fèi)較長(zhǎng)時(shí)間(一般為6～8 h)才能完全充滿電。同時(shí),充電站的慢速充電樁被長(zhǎng)時(shí)間占用也會(huì)導(dǎo)致后到達(dá)的電動(dòng)汽車無(wú)法充電。而快充方式充電速度快,可以滿足日益增加的電動(dòng)汽車用戶需求,但不可避免地會(huì)影響電池壽命。

文中提出一種綜合充電方式,以快充為主,慢充為輔,并作了如下假設(shè)：當(dāng)電動(dòng)汽車用戶在白天很早就到達(dá)辦公地區(qū)附近的充電站時(shí),其傾向于選擇快充方式；當(dāng)電動(dòng)汽車用戶在夜間停放在居住地區(qū)附近的充電站時(shí),傾向于選擇慢充方式。

2.2 DG和網(wǎng)絡(luò)結(jié)構(gòu)調(diào)度

該階段綜合考慮光伏、風(fēng)電的荷側(cè)調(diào)度和配電網(wǎng)結(jié)構(gòu)的網(wǎng)側(cè)調(diào)度,調(diào)度目標(biāo)為ADN評(píng)估體系中的主動(dòng)控制性和主動(dòng)經(jīng)濟(jì)性相關(guān)指標(biāo),旨在滿足電網(wǎng)調(diào)度的安全性和經(jīng)濟(jì)性,并提高新能源消納能力。通過(guò)引入權(quán)重系數(shù)及納入懲罰函數(shù),將多目標(biāo)函數(shù)轉(zhuǎn)化成單目標(biāo)函數(shù)。主目標(biāo)函數(shù)為：

(7)

式中：ω1,ω2,ω3,ω4分別為開(kāi)關(guān)操作成本系數(shù)、系統(tǒng)網(wǎng)損成本系數(shù)、新能源接入費(fèi)用系數(shù)、環(huán)境懲罰系數(shù)。

懲罰函數(shù)為：

P(t)=p1[1-U(t)]+p2l(t)

(8)

(9)

式中：p1為電壓不合格率懲罰系數(shù)；p2為與主線路負(fù)載率相關(guān)的懲罰系數(shù)；L0為主線路最大可接受負(fù)載率；l(t)為t時(shí)刻主要線路過(guò)載水平。

因此,本階段的優(yōu)化目標(biāo)為：

min[M(t)+P(t)]

(10)

優(yōu)化過(guò)程中,需要滿足電力系統(tǒng)中的潮流約束、節(jié)點(diǎn)電壓限值約束、線路最大傳輸容量約束和電源容量約束。此外,還必須滿足整個(gè)配電網(wǎng)中的連通約束和輻射約束等。文中在迭代優(yōu)化過(guò)程中使用了遺傳算法進(jìn)行優(yōu)化,并采用根節(jié)點(diǎn)融合法對(duì)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行了修復(fù)和完善,實(shí)現(xiàn)網(wǎng)絡(luò)結(jié)構(gòu)的迭代優(yōu)化。

2.3 可中斷負(fù)荷調(diào)度

該階段是以切負(fù)荷為主的荷側(cè)調(diào)度,調(diào)度目標(biāo)為ADN評(píng)估體系中的主動(dòng)管理性、主動(dòng)控制性和主動(dòng)經(jīng)濟(jì)性相關(guān)指標(biāo),旨在保證電網(wǎng)的安全穩(wěn)定運(yùn)行。當(dāng)前述2個(gè)階段的優(yōu)化方法仍不能有效處理系統(tǒng)運(yùn)行中某時(shí)刻的低電壓、線路過(guò)載等問(wèn)題時(shí),需采用該階段的調(diào)度優(yōu)化方法。

該階段的優(yōu)化包含兩部分：削減電動(dòng)汽車負(fù)荷；削減可中斷負(fù)荷。在電動(dòng)汽車充電樁接收到電動(dòng)汽車充電調(diào)度系統(tǒng)的指令后,將會(huì)臨時(shí)關(guān)停部分充電樁,并在收到重啟指令前一直保持?jǐn)嚯姞顟B(tài)。

在削減電動(dòng)汽車負(fù)載后,如果電網(wǎng)運(yùn)行水平仍不能滿足要求,可中斷負(fù)荷則會(huì)參與調(diào)度。該階段的優(yōu)化目標(biāo)為：

min{pshedPshed(t)+p1[1-U(t)]+p2l(t)}

(11)

式中：pshed為切負(fù)荷的補(bǔ)償成本系數(shù)；Pshed(t)為t時(shí)刻的切負(fù)荷量。

Pshed,i(t)≤ηPi(t)

(12)

式中：Pshed,i(t)為t時(shí)刻節(jié)點(diǎn)i的負(fù)荷量；Pi(t)為t時(shí)刻節(jié)點(diǎn)i的負(fù)荷；η為電力公司和用戶共同約定的切負(fù)荷系數(shù)。

該階段優(yōu)化需滿足潮流、電壓等多種約束,和DG和網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化調(diào)度階段相同,文中采用遺傳算法進(jìn)行求解。

3 案例分析

為驗(yàn)證所提方法的有效性,采用如圖3所示的IEEE 33節(jié)點(diǎn)系統(tǒng)進(jìn)行算例仿真。

圖3 IEEE 33節(jié)點(diǎn)網(wǎng)絡(luò)拓?fù)銯ig.3 Topology of IEEE 33-bus test system

假設(shè)居民負(fù)荷分別位于節(jié)點(diǎn)22,23,24,28,29,30,31,32,商用負(fù)荷則分布在其余節(jié)點(diǎn),(1)—(37)為開(kāi)關(guān)編號(hào)。當(dāng)前區(qū)域內(nèi)共配置20座電動(dòng)汽車充電站,每個(gè)充電站配置35個(gè)充電樁。電動(dòng)汽車共500輛,每輛電動(dòng)汽車的電池容量為32 kW·h。慢充和快充方式下的充電功率分別設(shè)為3.2 kW,15 kW。此外,2座風(fēng)電場(chǎng)分別接在節(jié)點(diǎn)17,21,2座太陽(yáng)能充電站則分別接在節(jié)點(diǎn)3,24。

3.1 電動(dòng)汽車有序充電調(diào)度結(jié)果

對(duì)典型日20座電動(dòng)汽車充電站的充電狀態(tài)進(jìn)行模擬。不同充電模式下的電動(dòng)汽車滿充率如表1所示。C0,C1,C2,C3分別表示無(wú)序充電模型、時(shí)間-有序充電模型(考慮充電時(shí)間優(yōu)化的有序充電模型)、時(shí)間-地點(diǎn)有序充電模型(考慮充電時(shí)間和充電地點(diǎn)優(yōu)化的有序充電模型)和時(shí)間-地點(diǎn)-方式有序充電模型(同時(shí)考慮充電時(shí)間、充電地點(diǎn)優(yōu)化和充電方式的有序充電模型)。

表1 不同充電模式下的滿充率Table 1 The fully-charged ratio in different charging modes %

由表1可知,C1模式中的滿充率比C0模式小,這與用戶對(duì)充電價(jià)格的響應(yīng)機(jī)制有關(guān)。由于對(duì)較低充電價(jià)格的傾向性,同一充電站的用戶很可能在某個(gè)時(shí)間段內(nèi)集中充電,因此早到的用戶提前占用了充電樁,進(jìn)一步降低了滿充率。為解決這一問(wèn)題,在電動(dòng)汽車智能調(diào)度系統(tǒng)中,引入充電地點(diǎn)和充電方式的優(yōu)化,滿充率顯著提高,見(jiàn)C2,C3模式。

在電動(dòng)汽車智能調(diào)度系統(tǒng)中,比較不同的充電時(shí)間、充電位置和充電方式帶來(lái)的影響,如圖4所示,20種顏色的曲線代表20個(gè)充電站分別對(duì)應(yīng)的充電汽車數(shù)量。

圖4 不同充電模式下的電動(dòng)汽車充電站狀態(tài)Fig.4 The status of electric vehicle charging stations in different charging scheduling modes

由圖 4可知,當(dāng)充電模式為C1,C2,C3時(shí),電動(dòng)汽車充電時(shí)間段較為分散,與C0模式明顯不同。表明當(dāng)前的調(diào)度方法可以分散用戶的充電時(shí)段,顯著減緩電動(dòng)汽車充電的擁擠問(wèn)題,也說(shuō)明電動(dòng)汽車智能調(diào)度系統(tǒng)可為充電站建設(shè)提供指導(dǎo)意見(jiàn)。

此外,文中就電動(dòng)汽車智能調(diào)度系統(tǒng)對(duì)日負(fù)荷曲線的影響進(jìn)行分析,如圖5所示。由圖5可知,引入電動(dòng)汽車智能調(diào)度系統(tǒng)后,充電時(shí)段可有效分散,起到了削峰填谷作用。

圖5 不同充電模式下的等效日負(fù)荷對(duì)比Fig.5 The comparison of daily load under different electric vehicle charging modes

根據(jù)指標(biāo)結(jié)果計(jì)算,在引入電動(dòng)汽車優(yōu)化調(diào)度系統(tǒng)后,電動(dòng)汽車充電成本降低,滿充率提高,用戶滿意度明顯上升。同樣,曲線標(biāo)準(zhǔn)偏差減小,曲線變得更加平滑。

3.2 DG和網(wǎng)絡(luò)結(jié)構(gòu)調(diào)度結(jié)果

該調(diào)度階段的總負(fù)荷為經(jīng)過(guò)電動(dòng)汽車有序充電調(diào)度階段優(yōu)化后的負(fù)荷。假設(shè)3個(gè)微型燃汽輪機(jī)分別接在節(jié)點(diǎn)12,23,31,(1)—(32)為常規(guī)開(kāi)關(guān),(33)—(37)為聯(lián)絡(luò)開(kāi)關(guān)。開(kāi)關(guān)狀態(tài)、微型燃汽輪機(jī)輸出功率以及階段二調(diào)度前后的U(t)分別如表2、圖6和圖7所示。

表2 開(kāi)關(guān)和網(wǎng)絡(luò)重構(gòu)狀態(tài)Table 2 The Status of switch and network reconfiguration

圖6 微型燃?xì)廨啓C(jī)輸出功率Fig.6 Outputs of microturbines

圖7 DG和網(wǎng)絡(luò)結(jié)構(gòu)調(diào)度階段前后的U(t)Fig.7 U(t) before and after DG and network structure scheduling stage

由表2可知,3次網(wǎng)絡(luò)重構(gòu)分別發(fā)生在11:00,17:00,20:00。由圖6可知,微型燃?xì)廨啓C(jī)在10:00,14:00—21:00啟動(dòng),優(yōu)化了ADN的運(yùn)行。由圖7可知,除了20:00,21:00的U(t)不達(dá)標(biāo)外,其余時(shí)刻的U(t)在DG和網(wǎng)絡(luò)結(jié)構(gòu)調(diào)度階段優(yōu)化后達(dá)到了100%,ADN評(píng)估體系中幾乎所有指標(biāo)參數(shù)(除了開(kāi)關(guān)動(dòng)作成本)均得到提升。

3.3 可中斷負(fù)荷調(diào)度結(jié)果

在前述兩階段的優(yōu)化調(diào)度后,20:00,21:00的U(t)未達(dá)到100%。因此,采用了第三階段的可中斷負(fù)荷調(diào)度。假設(shè)優(yōu)先進(jìn)行電動(dòng)汽車切負(fù)荷操作。在20:00和21:00閉鎖充電樁后,雖然總負(fù)荷有所減少,但U(t)仍未達(dá)到100%。因此繼續(xù)執(zhí)行可中斷負(fù)荷調(diào)度操作,20:00和21:00切除的負(fù)荷分別為269.82 kW,440.71 kW,此操作后U(t)從90.91%提高至100%。

3.4 ADN調(diào)度結(jié)果評(píng)估

根據(jù)文中所提建模和分析方法,多階段調(diào)度優(yōu)化后的最終結(jié)果見(jiàn)表3。

表3 ADN多階段調(diào)度優(yōu)化結(jié)果Table 3 ADN multi-stage scheduling optimization results

由表3可知,在主動(dòng)控制性上,U(t)從81.99%/d提高至100%/d；L(t)在通過(guò)網(wǎng)絡(luò)重構(gòu)、可中斷負(fù)荷優(yōu)化后,從41.65%/d降低至37.31%/d。在主動(dòng)管理性方面,電動(dòng)汽車用戶滿意度水平提升；等效日負(fù)荷曲線在電動(dòng)汽車優(yōu)化調(diào)度系統(tǒng)和切負(fù)荷的操作下,變得更加平滑。同時(shí),經(jīng)濟(jì)成本顯著降低,主動(dòng)經(jīng)濟(jì)性得到提升。πl(wèi)oss從3 308.79元/d減少至2 116.84元/d；Πsource從44 772.57元/d降低至43 796.32元/d；Πpenalty從1 692.41元/d降低至1 605.80元/d。

4 結(jié)論

文中提出了一種計(jì)及電動(dòng)汽車智能充電策略的ADN多階段優(yōu)化調(diào)度模型。首先,從主動(dòng)控制性、主動(dòng)管理性和主動(dòng)經(jīng)濟(jì)性角度出發(fā),建立了ADN的綜合評(píng)估體系。其次,綜合電動(dòng)汽車智能充電策略、DG優(yōu)化、網(wǎng)絡(luò)重構(gòu)以及切負(fù)荷等手段,以ADN性能評(píng)價(jià)體系為優(yōu)化方向,構(gòu)建了ADN的三階段優(yōu)化調(diào)度模型。最后,對(duì)該多階段優(yōu)化調(diào)度模型進(jìn)行了仿真,并分析了該模型對(duì)ADN優(yōu)化調(diào)度的有效性。文中研究表明：

(1) 電動(dòng)汽車智能調(diào)度系統(tǒng)對(duì)于電動(dòng)汽車用戶滿意度的提升有明顯的促進(jìn)作用。同時(shí),在高比例間歇性能源接入電網(wǎng)的場(chǎng)景下,該系統(tǒng)能夠有效削峰填谷。

(2) 構(gòu)建的ADN性能評(píng)估指標(biāo)涉及主動(dòng)控制性、主動(dòng)管理性和主動(dòng)經(jīng)濟(jì)性,可用作ADN性能的量化評(píng)估。

(3)在ADN的性能評(píng)估體系基礎(chǔ)上搭建的多階段優(yōu)化調(diào)度模型,可用于指導(dǎo)當(dāng)前ADN源、網(wǎng)、荷側(cè)的規(guī)劃、調(diào)度和運(yùn)行。

本文得到國(guó)網(wǎng)江蘇省電力有限公司科技項(xiàng)目(J2019054)資助,謹(jǐn)此致謝！