面向高比例新能源并網(wǎng)場景的風(fēng)光-電動車協(xié)同調(diào)度方法

風(fēng)電和光伏出力具有隨機(jī)性、波動性和不可控性等固有屬性，高比例新能源并網(wǎng)給電力系統(tǒng)的安全穩(wěn)定運(yùn)行帶來嚴(yán)峻考驗(yàn).同時，隨著電動汽車的大規(guī)模趨勢性發(fā)展，電動汽車充電負(fù)荷需求增加，其無序充電的不確定性同樣增加了電力系統(tǒng)調(diào)度的難度.但是，電動汽車充電負(fù)荷是具有可調(diào)度性的柔性負(fù)荷，加以引導(dǎo)變無序充電為有序充電能夠起到平滑等效負(fù)荷波動性的目的.因此，通過風(fēng)光-電動汽車協(xié)同調(diào)度能夠有效降低風(fēng)光出力和電動汽車無序充電等多重不確定性對電力系統(tǒng)的不利影響.

針對風(fēng)光-電動汽車協(xié)同調(diào)度，國內(nèi)外相關(guān)學(xué)者進(jìn)行了相應(yīng)研究.Song等提出的充放電策略考慮了電動汽車與風(fēng)力發(fā)電在平抑負(fù)荷波動方面的互補(bǔ)效應(yīng)；侯建朝等以等效負(fù)荷方差和車主支付費(fèi)用最小為優(yōu)化目標(biāo)，構(gòu)建風(fēng)電與電動汽車協(xié)同調(diào)度模型；冉忠等以電動汽車消納后的風(fēng)電棄風(fēng)量最小為目標(biāo)，建立電動汽車參與受阻風(fēng)電消納的源荷優(yōu)化控制模型；葛少云等通過遺傳算法求解以峰谷差率最小為目標(biāo)的優(yōu)化模型；郭春林等建立了電動汽車與可再生能源雙層協(xié)調(diào)優(yōu)化模型，上層模型以等效負(fù)荷波動最小和可再生能源滲透率最大為雙優(yōu)化目標(biāo)，下層模型以實(shí)現(xiàn)電動汽車充放電負(fù)荷跟蹤為目標(biāo)，并采用遺傳算法求解上下層的優(yōu)化模型.同時，由于風(fēng)電和光伏出力具有很強(qiáng)的隨機(jī)不確定性，在不同典型出力場景下，風(fēng)電和光伏出力特性及其之間的互補(bǔ)關(guān)系具有明顯差異性，且對電力系統(tǒng)的影響規(guī)律不盡相同，在含大規(guī)模新能源的電力系統(tǒng)中，風(fēng)光出力的隨機(jī)不確定性對電力系統(tǒng)的不利影響也愈發(fā)明顯.利用典型日聚類方式從大量風(fēng)電/光伏歷史數(shù)據(jù)中提取典型出力場景集，以典型出力場景反映風(fēng)光出力特性，并用于不同出力場景下優(yōu)化調(diào)度的差異化建模分析，是目前電力系統(tǒng)調(diào)度分析常用的方法.

綜上所述，現(xiàn)階段風(fēng)光-電動汽車協(xié)同調(diào)度模型多以等效負(fù)荷波動最小為優(yōu)化目標(biāo)，僅考慮了等效負(fù)荷的整體波動性，無法衡量風(fēng)光出力與負(fù)荷的匹配度，且優(yōu)化調(diào)度模型在不同出力場景下的適用性和魯棒性也并未展開分析.

（2）流程服務(wù)層：該層是開放式流程平臺的核心，將所有流程及表單的開發(fā)、運(yùn)行環(huán)境統(tǒng)一起來，形成標(biāo)準(zhǔn)化的表單、標(biāo)準(zhǔn)化的流程圖、標(biāo)準(zhǔn)化的事件響應(yīng)代碼，即實(shí)現(xiàn)流程服務(wù)的標(biāo)準(zhǔn)化和平臺化。

針對上述問題，提出一種面向高比例新能源并網(wǎng)場景的風(fēng)光-電動車協(xié)同調(diào)度方法.首先，通過分析電動汽車行駛規(guī)律，構(gòu)建基于蒙特卡羅模擬的電動汽車無序充電模型；其次，基于風(fēng)光出力預(yù)測數(shù)據(jù)，構(gòu)建基于Gap statistic和-means++算法的風(fēng)光出力典型日劃分模型；再次，以等效負(fù)荷方差和負(fù)荷追蹤系數(shù)最小為雙優(yōu)化目標(biāo)，構(gòu)建風(fēng)光-電動汽車協(xié)同調(diào)度模型，并采用NSGA-II算法進(jìn)行模型求解；最后，基于中國西北某省風(fēng)光電站預(yù)測出力和電網(wǎng)預(yù)測負(fù)荷數(shù)據(jù)，驗(yàn)證所提方法的適用性和魯棒性.

1 基于蒙特卡羅模擬的電動汽車無序充電模型

1.1 電動汽車行駛規(guī)律

電動汽車行駛規(guī)律主要包括車輛出發(fā)前往工作地點(diǎn)時間、返回住所時間、路程耗時和日行駛里程.2017年美國交通部對全美家庭出行調(diào)查結(jié)果反映了車輛一天中的行駛規(guī)律分布，考慮到中國與美國在工作時間上較為接近，均集中于9:00—17:00，可以假定兩國電動汽車具有相同的行駛規(guī)律.因此，基于上述調(diào)查結(jié)果對電動汽車充電曲線進(jìn)行建模分析，得到電動汽車出發(fā)前往工作地點(diǎn)時刻符合混合高斯分布，概率密度表達(dá)式為

突然，他把手按到我的腹部。他的手指那么修長，以至于掌跟觸著我一邊的胸腔，指尖還能著另一邊。我的心跳得如此厲害，以至于胸口都有些疼了，我盯著他，眼睛睜得大大的。

(1)

式中：為時刻；=0830 3，為出發(fā)前往工作地點(diǎn)時刻，屬于第一個高斯模型概率；=7194 4 和=13147 7 分別為第一個和第二個高斯模型均值；=1508 0 和=8719 2分別為第一個和第二個高斯模型方差.

工作日電動汽車離開工作地點(diǎn)返回住宅區(qū)時刻符合高斯分布，概率密度表達(dá)式為

()=

(2)

式中：=17.197 2，為離開工作地點(diǎn)時刻均值；=2.619 7，為離開工作地點(diǎn)時刻方差.

每日出發(fā)前往工作地點(diǎn)與從工作地返回住宅耗時均符合對數(shù)正態(tài)分布，概率密度表達(dá)式為

(3)

式中：=-1.052 6，為行程耗時期望均值；=0.749 1，為行程耗時方差.

每日行駛里程符合對數(shù)正態(tài)分布，概率密度表達(dá)式為

(4)

(3) 基于Gap statistic算法確定最佳聚類數(shù).基于白天、夜間出力特征值矩陣，用Gap statistic 算法分別確定最佳聚類數(shù).

1.2 假設(shè)條件

單臺電動汽車充電需求主要受電動汽車種類、行駛規(guī)律和充電功率等3個方面影響.參考目前電動汽車發(fā)展情況，對家用電動汽車作出如下假設(shè)：

(1) 百千米耗電為16.7 kW·h.

(2) 電動汽車一天僅需充電一次，電池容量為70 kW·h.

(3) 在工作區(qū)，如果時間允許，電動汽車采用慢充方式充電，否則采用快充方式充電；在住宅區(qū)，電動汽車采用慢充方式充電；電動汽車充電過程為恒功率，快充、慢充充電功率分別為8 kW和60 kW.

山西體育中心體育館工程是山西省重點(diǎn)工程，位于太原市晉源區(qū)，是一個能滿足籃球、排球、乒乓球、羽毛球、體操、摔跤等國際單項(xiàng)比賽的大型場館，建筑面積37 220 m2，總投資3.1億元，可容納觀眾8 102人。該工程是一項(xiàng)多功能、多設(shè)備、多專業(yè)、組織協(xié)調(diào)要求高、技術(shù)難度大的復(fù)雜工程，在兩年多的施工中采用了許多新技術(shù)、新工藝和新材料，克服了施工過程中的許多難點(diǎn)，獲得了市優(yōu)良工程、省優(yōu)良工程、太行杯和汾水杯獎等稱號。

(4) 每次充電均充至滿電量.

(5) 電動汽車每日出行時刻、出行耗時、日行駛里程均為獨(dú)立分布.

1.3 基于蒙特卡羅方法的電動汽車無序充電模擬

假設(shè)待研究區(qū)域的電動汽車總數(shù)為40萬輛，在無任何經(jīng)濟(jì)措施誘導(dǎo)和限制時，工作日有40%的電動汽車選擇白天在辦公區(qū)域進(jìn)行充電，60%的車輛選擇夜晚回家充電，用戶均選擇到達(dá)目的地后立刻充電，且每輛電動汽車在工作日的通勤規(guī)律一致.基于上述電動汽車行駛規(guī)律概率分布和假設(shè)條件，采用蒙特卡羅模擬法進(jìn)行電動汽車無序充電模擬，單個用戶具體模擬過程如下：① 抽取出發(fā)前往工作地點(diǎn)時刻1；② 抽取前往工作地點(diǎn)耗時，計(jì)算到達(dá)工作地點(diǎn)時刻2；③ 抽取從工作地點(diǎn)返家時刻3；④ 抽取從工作地點(diǎn)返家耗時，計(jì)算到家時刻4；⑤ 抽取總行駛里程，計(jì)算所需充電電量；⑥ 抽取電動汽車充電地點(diǎn)，判斷電動汽車充電方式，生成充電功率曲線.

2 基于Gap statistic和K-means++算法的風(fēng)光出力典型日劃分模型

風(fēng)電和光伏出力受風(fēng)能、太陽輻射強(qiáng)度等多種因素影響，不同典型日出力場景下風(fēng)光出力特性及其對電力系統(tǒng)的影響規(guī)律不盡相同；為分析不同典型日下，所提模型和優(yōu)化調(diào)度方法的適用性和魯棒性，基于風(fēng)光出力預(yù)測數(shù)據(jù)，提出基于Gap statistic 和-means++算法的風(fēng)光出力典型日劃分方法，并用于不同典型出力場景下風(fēng)光-電動汽車協(xié)同調(diào)度的差異化建模分析.

2.1 Gap statistic算法

(1) 對已知觀測數(shù)據(jù)集進(jìn)行聚類，計(jì)算：

式中：()為常規(guī)機(jī)組在時刻出力.

(5)

式中：為第簇?cái)?shù)據(jù)中組內(nèi)點(diǎn)間的歐氏距離之和；為屬于第簇的數(shù)據(jù)的個數(shù)；和為數(shù)據(jù)觀測點(diǎn)；為第簇?cái)?shù)據(jù)集合；=1, 2, …,

(6)

土壤侵蝕是在各種外營力的作用下，土壤物質(zhì)被剝離、遷移、沉積的過程，是地球表面最普遍的自然地理過程，在一定程度上可以表征自然及人類活動綜合作用的強(qiáng)度.侵蝕土壤不僅是河流及河口海岸輸沙的主要來源，同時，被侵蝕土壤是各種養(yǎng)分及污染物質(zhì)的載體，隨雨水沖刷進(jìn)入水中，對水環(huán)境的光學(xué)特性等物理性質(zhì)及其化學(xué)與生物特性產(chǎn)生影響.入海河流及河口海岸帶作為全球水環(huán)境的重要一環(huán)，其理化特性的改變，又對陸地氣候等自然環(huán)境產(chǎn)生反饋反應(yīng).

(7)

式中：和為中間變量.

2.2 對風(fēng)險(xiǎn)的控制。對風(fēng)險(xiǎn)的控制是指風(fēng)險(xiǎn)管理人員在識別和衡量風(fēng)險(xiǎn)后，需要判別風(fēng)險(xiǎn)類型、風(fēng)險(xiǎn)值大小、風(fēng)險(xiǎn)潛在原因等，并以此制定合理的綜合性防治措施，實(shí)現(xiàn)對風(fēng)險(xiǎn)的有效控制。風(fēng)險(xiǎn)控制中應(yīng)用的主要手段包括指導(dǎo)書的編制、作業(yè)前的風(fēng)險(xiǎn)識別和落實(shí)重點(diǎn)措施等。

2.2 K-means++算法

-means++聚類算法是基于-means的改進(jìn)算法，能夠有效克服-means算法對孤立點(diǎn)較敏感，聚類結(jié)果易受初始聚類中心的影響等問題.-means++算法基本思想為假設(shè)已選取個初始聚類中心(1<<)，則在選取第+1個聚類中心時，距離當(dāng)前個聚類中心越遠(yuǎn)的點(diǎn)會有更高的概率被選為第+1個聚類中心；隨機(jī)選取第一個聚類中心(=1)-means++算法的具體步驟如下：

取清潔(CL)級ICR小鼠48只,隨機(jī)分為6組,每組8只,試驗(yàn)前2 h禁止進(jìn)食和飲水。分組包括4個精油組、空白對照組和地西泮組; 精油組用1%的吐溫80溶液將苦水玫瑰精油或大馬士革玫瑰精油分別稀釋至0.01、0.1、1和10 mg/mL的濃度。

(1) 給定含有個樣本的數(shù)據(jù)集=(,, …,)，從數(shù)據(jù)集中隨機(jī)選取一個樣本作為初始聚類中心.

新能源出力約束：

(8)

(3) 計(jì)算每個樣本被選為下一個聚類中心的概率：

(9)

(8) 重復(fù)(6)～(7)直至聚類中心不再發(fā)生變化，從而得到最佳聚類結(jié)果.

(5) 重復(fù)(2)～(4)直至選取個聚類中心.

(6) 計(jì)算每個其他樣本數(shù)據(jù)對象與各類聚類中心的距離，將其賦給最近的類.

(7) 計(jì)算每類數(shù)據(jù)對象的平均值，將其作為每一類新的聚類中心.

(4) 在[0, 1]區(qū)間生成一個隨機(jī)數(shù)，用依次減去，，…，，取差值首次小于或等于0時對應(yīng)的對象為下一個聚類中心.

2.3 風(fēng)光出力典型日劃分流程

基于Gap statistic和-means++算法的風(fēng)光出力典型日劃分的具體步驟如下：

(1) 數(shù)據(jù)采集及歸一化處理.基于風(fēng)電場和光伏電站預(yù)測出力數(shù)據(jù)獲取新能源預(yù)測出力數(shù)據(jù)，采用最大最小歸一化方法將其映射至[0, 1]區(qū)間，并將其處理為×96維新能源標(biāo)準(zhǔn)出力矩陣(為采樣天數(shù)).

自1865年以來，ZENITH始終本著真實(shí)、勇敢和激情的宗旨，推動卓越、精準(zhǔn)和創(chuàng)新。高瞻遠(yuǎn)矚的制表師Georges Favre-Jacot在瑞士力洛克創(chuàng)立ZENITH之后不久，就獲得了精密時計(jì)認(rèn)證，并在短短一個半世紀(jì)的時間內(nèi)榮獲2333個精密時計(jì)獎項(xiàng)，創(chuàng)造了無與倫比的紀(jì)錄。今天，ZENITH在測時方面又出新猷，其中包括測時精確到1/100秒Defy El Primero 21機(jī)心；并賦予世界上最精確的腕表21世紀(jì)的Defy Lab以全新機(jī)械精度。通過加強(qiáng)引以為豪的傳統(tǒng)活力和前衛(wèi)思想之間的紐帶，ZENITH正在書寫其未來……以及整個瑞士制表業(yè)的未來。

(2) 新能源出力特征值提取.考慮到光伏僅在白天存在出力，且新能源出力對夜間負(fù)荷影響較大，將每天6:00—18:00劃分為白天，其余時間段劃分為夜間，選取白天和夜間新能源出力均值和出力標(biāo)準(zhǔn)差作為特征值，得到兩組×2維特征值矩陣.

式中：=2.831 4，為日行駛里程期望均值；=1.057 5，為日行駛里程方差.

(4) 基于-means++算法進(jìn)行聚類分析.根據(jù)最佳聚類數(shù)，以白天、夜間出力特征值矩陣為輸入，采用-means++聚類算法分別對白天、夜間新能源出力進(jìn)行聚類分析.

(5) 白天和夜間聚類結(jié)果融合.采用時間對標(biāo)法對白天和夜間聚類結(jié)果進(jìn)行融合，獲取不同出力場景下新能源出力.

(6) 不同出力場景典型日確定.由于融合后無法確定聚類中心位置，所以本文通過計(jì)算不同類別內(nèi)各樣本與其余樣本的歐氏距離，以歐氏距離之和最小的樣本序列為該類別的聚類中心，即該出力場景下的典型日.

3 風(fēng)光-電動汽車協(xié)同調(diào)度模型

3.1 優(yōu)化目標(biāo)

等效負(fù)荷方差通過計(jì)算等效負(fù)荷在調(diào)度周期內(nèi)的離散程度來衡量等效負(fù)荷整體波動性，負(fù)荷追蹤系數(shù)通過比較新能源出力與負(fù)荷的時序波動特性來衡量新能源出力與負(fù)荷的匹配程度.考慮等效負(fù)荷整體波動和風(fēng)光出力與負(fù)荷的匹配度，構(gòu)建以等效負(fù)荷方差和負(fù)荷追蹤系數(shù)最小為雙優(yōu)化目標(biāo)的風(fēng)光-電動汽車協(xié)同調(diào)度模型.

(1) 等效負(fù)荷方差().等效負(fù)荷方差主要衡量等效負(fù)荷整體波動性：

(10)

(2) 負(fù)荷追蹤系數(shù).等效負(fù)荷方差僅能衡量等效負(fù)荷整體波動性，無法衡量風(fēng)光出力與負(fù)荷的匹配度.為了使風(fēng)光互補(bǔ)發(fā)電系統(tǒng)能夠更好地跟隨負(fù)荷變化，保障系統(tǒng)安全穩(wěn)定運(yùn)行，從源荷匹配度角度出發(fā)，采用能夠衡量風(fēng)光出力與負(fù)荷匹配關(guān)系的負(fù)荷追蹤系數(shù)()為優(yōu)化目標(biāo)：

周邊居民沒人明白何故又修這條路，阿東更是不介意。阿東每天騎車直接從東亭拐入東湖路。他不需要迎賓大道，修不修這條路跟他的生活毫無關(guān)系。阿東眼下的滿門心思是要不要去追資料員小丁。他覺得自己是有點(diǎn)喜歡她的了。他甚至暗中了解到她是師專畢業(yè)。阿東想，自己怎么也是碩士，就算家里窮，配一個大專生也應(yīng)該是有資格的。

(11)

式中：′()和′()分別為最大最小歸一化處理后時刻的新能源出力和負(fù)荷；Δ′()和Δ′()分別時刻為新能源出力和負(fù)荷的波動量標(biāo)幺值；()為時刻新能源出力與負(fù)荷變化量變化的一致性.負(fù)荷追蹤系數(shù)越接近于0，表明新能源出力與負(fù)荷在調(diào)度周期內(nèi)的變化特性越一致，新能源聯(lián)合出力與負(fù)荷匹配性越好.

（2）年際變化上，全疆、北疆、南疆線性傾向率均為正值，表明年降水量總體呈增加趨勢；5a滑動平均過程線表示，年降水量總體呈顯著增加趨勢，局部（1970年代前后）呈不顯著波動趨勢。

3.2 約束條件

系統(tǒng)運(yùn)行需滿足如下約束.

系統(tǒng)功率平衡約束：

()+()=()

(12)

由圖1可以看出，硫酸亞鐵、硫酸銅和鹽酸甜菜堿對金色鏈霉菌搖瓶發(fā)酵效價(jià)有促進(jìn)作用，而氯化鈷對其有抑制作用。硫酸亞鐵在濃度0.002%時促進(jìn)作用最明顯，較對照提高15.9%；硫酸銅在濃度0.005%時促進(jìn)作用最明顯，較對照提高6.9%；鹽酸甜菜堿在濃度0.03%時促進(jìn)作用最明顯，較對照提高9.6%；而氯化鈷在濃度0.004%時抑制作用最為明顯，較對照降低28.3%。因此可在基礎(chǔ)發(fā)酵培養(yǎng)基中加入一定濃度梯度的硫酸亞鐵、硫酸銅和鹽酸甜菜堿以提高發(fā)酵效價(jià)。

(2) 計(jì)算每個樣本與當(dāng)前聚類中心之間的最短距離：

-means++算法需要事先確定聚類數(shù)目，對此采用Gap statistic算法分別確定白天、夜間新能源出力最佳聚類數(shù)，聚類范圍選定為1～10類.白天、夜間不同聚類數(shù)下Gap值如圖1所示.根據(jù)Gap statistic原理，當(dāng)聚類數(shù)分別為5和4時，白天和夜間的Gap值第一次滿足條件，因此確定白天和夜間最佳聚類數(shù)分別為5類和4類.

猛一下子由無所事事的公務(wù)員轉(zhuǎn)變?yōu)槊γβ德档拇蚬ふ?，工作?jié)奏的驟然加快，令高潮很長時間都難以適應(yīng)。在經(jīng)過幾次老板炒他魷魚和他炒老板魷魚之后，高潮終于決定不打他娘的工了，自己做老板。對于創(chuàng)業(yè)的規(guī)劃，高潮從打工那天開始，就一直在心里暗暗盤算。因?yàn)楦叱卑l(fā)表過一些詩歌，認(rèn)為自己是個不折不扣的文化人了，因此，他都是選擇到一些雜志、網(wǎng)站做編輯，對這些身份不太明確的媒體的運(yùn)作程序漸漸有所了解。甫一辭職，高潮就花了伍佰圓錢，請人做了一個名為“焦點(diǎn)調(diào)查”的網(wǎng)站，開始了他的創(chuàng)業(yè)之旅。

(13)

≥′

(14)

電動汽車電量約束：

≤()≤

(15)

(+1)=()+()Δ

(16)

式中：()為時刻電動汽車電量；和分別為電動汽車電池儲存容量的上下限；()為時刻電動汽車充電功率；Δ為充電時長.

3.3 求解方法

所提風(fēng)光-電動汽車協(xié)同調(diào)度模型為多目標(biāo)優(yōu)化問題，采用NSGA-II多目標(biāo)優(yōu)化算法進(jìn)行模型求解.NSGA-II算法通過引入快速非支配排序技術(shù)，提高了算法的速度，具有結(jié)構(gòu)簡單、收斂速度快、魯棒性能好的優(yōu)點(diǎn)，算法具體實(shí)施步驟見文獻(xiàn)[21].

在多目標(biāo)優(yōu)化問題中，一般不存在一組解使得所有目標(biāo)函數(shù)值同時達(dá)到各自的最優(yōu)值，只能求得非支配解集或 Pareto解集.因此，本文采用模糊隸屬度函數(shù)分別表示每個Pareto解中各目標(biāo)函數(shù)對應(yīng)的滿意度，通過滿意度比較找出最優(yōu)折衷解.

4 算例分析

基于中國西北某省2019年風(fēng)光電站預(yù)測出力和電網(wǎng)預(yù)測負(fù)荷數(shù)據(jù)進(jìn)行算例分析，數(shù)據(jù)時間長度為1年，時間分辨率為15 min.風(fēng)電、光伏以及電網(wǎng)負(fù)荷比約為11∶9∶13，風(fēng)電場并網(wǎng)裝機(jī)容量為 11 160 MW，光伏電站并網(wǎng)裝機(jī)容量為 9 180 MW，電網(wǎng)最大負(fù)荷為 12 900 MW，風(fēng)光裝機(jī)容量達(dá)全省總裝機(jī)容量的40%，屬于高比例新能源電網(wǎng)；假定該省共有40萬輛電動汽車可供調(diào)度.

4.1 典型日劃分

受后期構(gòu)造影響，部分礦體形態(tài)會變得復(fù)雜，如出現(xiàn)分支復(fù)合和犬牙交錯現(xiàn)象。褶皺過程中，巖層(或礦層)在翼部的物質(zhì)向著核部塑性流動，尤其為緊密褶皺時，在向斜核部有礦層加厚現(xiàn)象。在后期的混合巖化作用下，磁鐵石英巖中的部分磁鐵礦顆粒變粗。

采用-means++算法對新能源出力特征值進(jìn)行聚類分析，聚類結(jié)果如圖2所示.新能源白天出力可劃分為5類波動情況，夜間出力可劃分為4類波動情況.從均值看，白天對應(yīng)的低出力小波動、低出力波動、中出力波動、高出力波動、高出力大波動分別分布在(0.05，0.22)、(0.21，0.33)、(0.32，0.43)、(0.44，0.58)、(0.56，0.75)區(qū)間；夜間對應(yīng)的低出力小波動、低出力波動、中出力波動、高出力波動分別分布在(0，0.13)、(0.11，0.24)、(0.19，0.32)、(0.30，0.48)區(qū)間.從方差看，白天對應(yīng)的低出力小波動、低出力波動、中出力波動、高出力波動、高出力大波動的方差逐漸增大，表明新能源出力波動越大；夜間對應(yīng)的低出力小波動、低出力波動、中出力波動方差逐漸增大，高出力波動時新能源出力波動性有所降低，表明夜間風(fēng)電高出力時全省風(fēng)電平滑效應(yīng)較好.

采用時間對標(biāo)法對白天和夜間聚類結(jié)果進(jìn)行融合，獲取不同典型日對應(yīng)的新能源出力，如圖3所示.圖中，時間分辨率為15 min，全年共可劃分為16類典型日，不同典型出力場景下新能源出力具有一定差異性，但同時具有一定相似性，且白天出力較大.將其按照出力大小進(jìn)行劃分，主要可劃分為全天低出力波動(典型日1～4)，主要包括白天、夜間低出力場景，出現(xiàn)率為43.73%；白天低出力波動(典型日5和6)，主要包括白天低出力、夜間中出力場景，出現(xiàn)率為5.29%；夜間低出力波動(典型日7～10)，主要包括夜間低出力和白天中、高出力場景，出現(xiàn)率為27.30%；中出力波動(典型日11～14)，主要包括白天、夜間中出力場景，出現(xiàn)率為15.04%；全天高出力波動(典型日15和16)，主要包括白天、夜間高出力波動場景，出現(xiàn)率為8.64%；該地區(qū)新能源出力主要為全天低出力類型.

4.2 風(fēng)光-電動汽車協(xié)同調(diào)度結(jié)果

為驗(yàn)證所提模型的適用性和魯棒性，根據(jù)圖3典型日劃分結(jié)果，隨機(jī)選取5種典型日出力場景，分別構(gòu)建以等效負(fù)荷方差最小為單優(yōu)化目標(biāo)、以等效負(fù)荷方差和負(fù)荷追蹤系數(shù)最小為雙優(yōu)化目標(biāo)的風(fēng)光-電動汽車協(xié)同調(diào)度模型，以等效負(fù)荷峰谷差()為指標(biāo)評價(jià)不同優(yōu)化結(jié)果.單目標(biāo)優(yōu)化模型采用遺傳算法進(jìn)行求解，各項(xiàng)參數(shù)與NSGA-II 算法具有相同設(shè)置.5種典型日出力場景下優(yōu)化調(diào)度結(jié)果如表1所示.不同典型日出力場景下，相比單目標(biāo)優(yōu)化調(diào)度模型，雙目標(biāo)優(yōu)化調(diào)度模型的等效負(fù)荷峰谷差平均降低了19%.表明所提優(yōu)化模型可以在降低等效負(fù)荷整體波動性的基礎(chǔ)上，提升新能源出力與電網(wǎng)負(fù)荷匹配度，緩解風(fēng)光出力和電動汽車無序充電等多重不確定性對電力系統(tǒng)的不利影響，且在不同典型出力場景下均具有良好的適用性和魯棒性.

為分析不同典型日對優(yōu)化調(diào)度結(jié)果的影響，選取出力情況差異較大的典型日5和15進(jìn)行具體分析，如圖4所示，其中為功率.在圖4(a)和4(b)中，從新能源預(yù)測出力曲線可知，典型日5在凌晨 2:00—5:00 出力較大；未進(jìn)行調(diào)度時在 5:00 左右等效負(fù)荷波動存在低谷期.對比圖4(a)和4(b)新能源實(shí)際出力曲線可知，雙目標(biāo)優(yōu)化時限電時刻更集中，主要發(fā)生于凌晨 3:00 左右；對比電動汽車有序充電曲線可知，二者整體趨勢相似，均集中于凌晨進(jìn)行充電.

圖4(c)和4(d)中，從新能源預(yù)測出力曲線可知，典型日15新能源出力主要集中在白天10:00—14:00；未進(jìn)行優(yōu)化調(diào)度時，受新能源出力影響，等效負(fù)荷在午間存在低谷期且該時段內(nèi)波動較大.對比圖4(c)和4(d)可知，雙目標(biāo)優(yōu)化限電主要集中于等效負(fù)荷低谷期；電動汽車充電時段盡可能集中于新能源出力最大時期，在全天其余時段，則盡可能平滑充電以降低對電網(wǎng)負(fù)荷的影響.

對比不同典型日雙目標(biāo)優(yōu)化結(jié)果可知，新能源出力限電行為均主要發(fā)生在新能源出力較大和等效負(fù)荷波動較大的時刻；優(yōu)化后電動汽車充電曲線根據(jù)典型日出力特性不同，隨新能源出力變化而變化以降低新能源出力對電網(wǎng)負(fù)荷的影響.

為進(jìn)一步分析出力場景對優(yōu)化調(diào)度結(jié)果的影響，分別從典型日5和15中任選一天進(jìn)行風(fēng)光-電動汽車協(xié)同調(diào)度，與典型日優(yōu)化調(diào)度結(jié)果進(jìn)行對比分析，優(yōu)化結(jié)果如圖5所示.

圖5中，不同出力場景下，優(yōu)化后新能源限電行為均集中于出力較大時刻.對比圖4(b)與圖5(a)可知，調(diào)度后電動汽車主要集中于夜間充電以降低新能源出力對電網(wǎng)負(fù)荷的不利影響；對比圖4(d)與圖5(b)可知，雖然新能源高出力時段存在差別，但電動汽車充電均集中于中午12: 00.受新能源出力特性影響，在同一出力場景下，電動汽車充電效果具有很強(qiáng)的相似性；在不同出力場景下電動汽車充電效果具有明顯的差異性.

綜上所述，在不同出力場景下，電動汽車充電效果主要與此類典型日固有特征相關(guān)；所提優(yōu)化調(diào)度模型在不同典型出力場景下均具有良好的適用性與魯棒性.

5 結(jié)論

提出一種面向高比例新能源并網(wǎng)場景的風(fēng)光-電動車協(xié)同調(diào)度方法，所得結(jié)論如下：

(1) 基于Gap statistic和-means++算法的風(fēng)光出力典型日劃分模型能夠?qū)崿F(xiàn)白天和夜間新能源出力典型日的有效劃分，新能源白天出力可劃分為低出力小波動、低出力波動、中出力波動、高出力波動、高出力大波動共5類波動情況；夜間出力可劃分為低出力小波動、低出力波動、中出力波動、高出力波動共4類波動情況，融合后共劃分為16類典型出力場景.

通過農(nóng)業(yè)推廣渠道，建立“機(jī)構(gòu)+企業(yè)+基地+農(nóng)戶”的聯(lián)結(jié)機(jī)制，以科技創(chuàng)新消除產(chǎn)業(yè)融合的經(jīng)濟(jì)技術(shù)障礙。加大農(nóng)村科研平臺建設(shè)力度，全面完善科技創(chuàng)新體系，重點(diǎn)打造農(nóng)村一、二、三產(chǎn)業(yè)可持續(xù)發(fā)展平臺。鼓勵企業(yè)加大研發(fā)力度，加快研發(fā)符合市場需求的養(yǎng)殖、種植新工藝、新品種、新技術(shù)。

(2) 以等效負(fù)荷方差和負(fù)荷追蹤系數(shù)最小為雙優(yōu)化目標(biāo)的源荷協(xié)同調(diào)度模型能夠有效降低等效負(fù)荷波動性，提高新能源出力與電網(wǎng)負(fù)荷匹配度，從而減輕高比例可再生能源場景下風(fēng)光出力和電動汽車無序充電不確定性對電力系統(tǒng)的不利影響.