計(jì)及電動汽車與溫控負(fù)荷需求響應(yīng)的分層能源系統(tǒng)優(yōu)化調(diào)度

任鑫芳，張志朝，許李天倫，王詩超，劉展志，許方圓

(1.中國南方電網(wǎng)超高壓輸電公司，廣州市 510670；2.中國能源建設(shè)集團(tuán)廣東省電力設(shè)計(jì)研究院有限公司，廣州市 510663；3.廣東工業(yè)大學(xué)自動化學(xué)院，廣州市 510006)

0 引 言

近年來，柔性負(fù)荷成為了國內(nèi)外學(xué)術(shù)研究的重點(diǎn)，柔性負(fù)荷的調(diào)度和調(diào)節(jié)是緩解供需矛盾的重要手段之一。當(dāng)前電力系統(tǒng)中典型的柔性負(fù)荷包括電動汽車(electric vehicle，EV)與溫控負(fù)荷(thermostatically controlled load，TCL)等[1-2]。在能源消費(fèi)側(cè)，EV和TCL(例如電加熱器和空調(diào))占比日益提高，與此同時(shí)EV和TCL也是不可或缺的需求響應(yīng)(demand response，DR)資源。由于單個(gè)EV或TCL的功率較小，單獨(dú)調(diào)度無法響應(yīng)電力系統(tǒng)的調(diào)度需求，因此有必要利用負(fù)荷聚合商將電動汽車和溫控負(fù)荷聚合控制，形成大功率、大容量的可調(diào)度負(fù)荷資源，這樣才能具備參與電力系統(tǒng)運(yùn)行和提供輔助服務(wù)的基礎(chǔ)條件。在此背景下，負(fù)荷聚合商如何制定優(yōu)化調(diào)度管理策略，對柔性負(fù)荷進(jìn)行管理調(diào)度并在分布式電力市場中進(jìn)行能源交易，就成為了亟需研究的問題。

當(dāng)接入電網(wǎng)的EV達(dá)到一定規(guī)模時(shí)，由于其駕駛行為的不確定性和充電時(shí)間的不固定性會給電網(wǎng)帶來嚴(yán)重的安全問題，還有可能產(chǎn)生新的用電高峰[3]。為了能更好地解決這些問題，文獻(xiàn)[4]提出了一種電動汽車到電動汽車(vehicle to vehicle, V2V)的充電策略和通信協(xié)議，以實(shí)現(xiàn)電動汽車協(xié)同充電。文獻(xiàn)[5]提出了一種基于電動汽車充電行為的強(qiáng)化學(xué)習(xí)算法，采用基于節(jié)點(diǎn)多目標(biāo)特征的最優(yōu)調(diào)度策略去處理大規(guī)模電動汽車調(diào)度問題。文獻(xiàn)[6]研究了如何減輕電動汽車并網(wǎng)帶來的電壓波動。文獻(xiàn)[7]提出在智能電網(wǎng)中電動汽車可以用作與可再生能源聯(lián)合調(diào)度的負(fù)載和能源參與能源局域網(wǎng)優(yōu)化調(diào)度。文獻(xiàn)[8-10]表明，通過對電動汽車的協(xié)調(diào)控制可以減少由間歇性可再生能源引起的頻率問題，此外，還可以有效減少電力系統(tǒng)的碳排放。文獻(xiàn)[11-13]提出了一個(gè)考慮日前市場的兩階段調(diào)度框架，但忽略了電網(wǎng)側(cè)的調(diào)度。電動汽車能否被調(diào)度在很大程度上取決于車主的駕駛行為。與電動汽車相比，溫控負(fù)荷更易于控制，并且還可以用作負(fù)荷調(diào)節(jié)[14]。文獻(xiàn)[15]建立了數(shù)學(xué)模型來描述溫控負(fù)荷的熱力學(xué)行為，并通過溫控負(fù)荷的聚合來建立其虛擬電池模型。此外，溫控負(fù)荷可以用于實(shí)時(shí)跟蹤由負(fù)荷活動和可再生能源注入引起的功率不匹配問題[16]。文獻(xiàn)[17-18]通過兩層框架簡化概括了電力系統(tǒng)，但忽略了分布式交易主體之間的能量交易。交易市場應(yīng)該允許不同的交易主體之間實(shí)現(xiàn)點(diǎn)對點(diǎn)(peer to peer, P2P)交易?？偟膩碚f，在電動汽車和溫控負(fù)荷靈活建模、優(yōu)化調(diào)度方面已有較多研究成果。

本文在相關(guān)文獻(xiàn)基礎(chǔ)上，針對大規(guī)模電動汽車和溫控負(fù)荷聚合對電力系統(tǒng)不同物理層帶來的影響進(jìn)行進(jìn)一步分析。在基于卷積神經(jīng)網(wǎng)絡(luò)和長短期記憶(convolutional neural networks-long short-term CNN-LSTM)混合模型預(yù)測日前市場基本負(fù)荷、電動汽車負(fù)荷和溫控負(fù)荷基礎(chǔ)上[19]，提出一種貫穿整個(gè)電力系統(tǒng)的能源調(diào)度模型。所建模型不僅考慮電動汽車和溫控負(fù)荷的聚合控制，還考慮負(fù)荷聚合商之間的P2P電力交易以及對于火電、風(fēng)電的集中優(yōu)化調(diào)度。通過對電動汽車和溫控負(fù)荷制定不同的調(diào)度策略，研究在不同的能源層面、不同的目標(biāo)函數(shù)和約束條件下，電動汽車、溫控負(fù)荷和負(fù)荷聚合商之間的P2P電力交易對電網(wǎng)調(diào)度產(chǎn)生的影響。

1 分層能源管理系統(tǒng)框架

電力系統(tǒng)由發(fā)電系統(tǒng)、送變電系統(tǒng)、供配電系統(tǒng)和用電系統(tǒng)等環(huán)節(jié)組成。本文將其劃分為三個(gè)網(wǎng)絡(luò)層面：能源供給層、能源調(diào)度層和能源消費(fèi)層，其中，能源供給層包含發(fā)電系統(tǒng)和送變電系統(tǒng)，能源調(diào)度層包括供配電系統(tǒng)，能源消費(fèi)層包含電動汽車和溫控負(fù)荷等用電系統(tǒng)。本文提出的基于負(fù)荷聚合商的分層能源管理框架如圖1所示。隨著近年來電動汽車入網(wǎng)技術(shù)(vehicle to grid, V2G)的快速發(fā)展[20-21]，EV實(shí)現(xiàn)了“源-荷”之間的角色轉(zhuǎn)變，EV不僅可以從電網(wǎng)中消耗電能，也可以向電網(wǎng)釋放電能。而溫控負(fù)荷作為不可多得的需求側(cè)響應(yīng)能源，也可以大量參與到電網(wǎng)能源的調(diào)度之中。因此，能源消費(fèi)層的負(fù)荷調(diào)度將影響整個(gè)能源網(wǎng)絡(luò)。

圖1 基于負(fù)荷聚合商的分層能源管理框架

在能源消費(fèi)層，實(shí)現(xiàn)對電動汽車和溫控負(fù)荷需求管理。電動汽車和溫控負(fù)荷的聚合商將首先基于深度學(xué)習(xí)方法預(yù)測得到次日負(fù)荷曲線，然后考慮電動汽車在現(xiàn)實(shí)生活中的駕駛行為，通過V2G優(yōu)化電動汽車的充放電行為。聚合商將EV作為優(yōu)先級調(diào)度資源，最大程度地?cái)M合預(yù)測負(fù)荷曲線，減少預(yù)測負(fù)荷曲線和實(shí)際負(fù)荷曲線之間的誤差。溫控負(fù)荷將作為輔助資源進(jìn)一步修正負(fù)荷誤差。

在能源調(diào)度層，鼓勵(lì)負(fù)荷聚合商和配電系統(tǒng)運(yùn)營商(distribution system operators, DSO)進(jìn)行P2P電力交易。由于無需集中的交易平臺，在聚合商能源交易信息有限的情況下，運(yùn)用分布式優(yōu)化方法尋找全局最優(yōu)。在本地能源交易進(jìn)行之后，如本地能源不能滿足負(fù)荷需求，還需要從能源供給層購買多余的能源。

在能源供給層，由于能源需求比較明確，可以運(yùn)用集中優(yōu)化去處理能源供給層的調(diào)度問題。建立考慮發(fā)電成本、風(fēng)能溢出量和CO2排放的多目標(biāo)模型，對電力實(shí)時(shí)市場中的風(fēng)電和火電機(jī)組進(jìn)行集中優(yōu)化調(diào)度以滿足能源消費(fèi)層的多余能源需求。

2 分層模型建立

2.1 能源消費(fèi)層：需求響應(yīng)

2.1.1 電動汽車充放電策略

電動汽車充放電結(jié)構(gòu)如圖2所示。當(dāng)電動汽車與電網(wǎng)以充放電的方式連接時(shí)，可以將其視為一個(gè)儲能裝置。負(fù)荷聚合商管理電動汽車集群，可以發(fā)出指令對電動汽車進(jìn)行充放電控制以及與電網(wǎng)進(jìn)行信息交互，從而實(shí)現(xiàn)電動汽車的優(yōu)化調(diào)度。因此，負(fù)荷聚合商選擇的充放電策略將直接影響到負(fù)荷需求曲線。

圖2 電動汽車充放電結(jié)構(gòu)

假設(shè)負(fù)荷聚合商管理電動汽車集群的充放電策略為使得預(yù)測負(fù)荷曲線與實(shí)際負(fù)荷曲線之間的最小二乘誤差最小化。目標(biāo)函數(shù)及約束條件如式(1)—(9)所示。

(1)

(2)

(3)

(4)

(5)

(6)

(7)

(8)

(9)

2.1.2 溫控負(fù)荷

溫控負(fù)荷主要包括居民或小型商業(yè)用戶中的暖通空調(diào)、電冰箱和電熱水器等具有熱能儲能能力的負(fù)荷。由于溫控負(fù)荷優(yōu)良的運(yùn)行特性，本文將溫控負(fù)荷的調(diào)度作為輔助資源以解決在可用電動汽車資源不夠情況下精確擬合預(yù)測負(fù)荷曲線問題。溫控負(fù)荷的熱力學(xué)行為如式(10)所示：

(10)

式中：Ce為室內(nèi)等效熱容；Tj(t)為時(shí)段t溫控負(fù)荷j所在的室內(nèi)溫度；To為室外溫度；R為室內(nèi)與室外的能量傳遞熱阻，℃/kW；Ptcl,r為溫控負(fù)荷額定功率。

(11)

式中：η為溫控負(fù)荷性能系數(shù)；Tset為室內(nèi)溫度設(shè)定值；Pbaseline為基準(zhǔn)功率。

假設(shè)用戶可接受的溫度變化范圍為2δ。仿照荷電狀態(tài)的定義提出虛擬儲能荷電狀態(tài)(virtual state of charge，VSOC)，定義如式(12)所示：

(12)

當(dāng)溫控負(fù)荷以高于基準(zhǔn)功率的功率工作時(shí)表示虛擬儲能正在充電，此時(shí)溫控負(fù)荷需要從電網(wǎng)吸收更多的功率并以熱量的形式存儲。相反，如果溫控負(fù)荷的工作功率低于基準(zhǔn)功率，則表示此時(shí)虛擬儲能系統(tǒng)正在放電。虛擬儲能系統(tǒng)的充電和放電功率如式(13)和式(14)所示：

Pc(j,t)=Sj(t)[1-Sj(t-1)][Ptcl(j,t)-Pbaseline]

(13)

Pd(j,t)=Sj(t-1)[1-Sj(t)][Ptcl(j,t)-Pbaseline]

(14)

式中：Ptcl(j,t)為溫控負(fù)荷j在時(shí)段t的實(shí)際功率；Pc(j,t)和Pd(j,t)為虛擬儲能(即溫控負(fù)荷)j的實(shí)際充放電功率；Sj(t)為t時(shí)段第j個(gè)溫控負(fù)荷的開關(guān)狀態(tài)，斷開為0，閉合(受控)為1。

由于頻繁的工作狀態(tài)切換會給溫控負(fù)荷帶來沉重的機(jī)械負(fù)擔(dān)，并縮短設(shè)備的使用壽命。因此在溫控負(fù)荷的目標(biāo)函數(shù)中，控制溫控負(fù)荷來擬合預(yù)測負(fù)荷曲線的同時(shí)，還需要將溫控負(fù)荷的總切換周期最小化，因此建立的目標(biāo)函數(shù)如下所示：

(15)

(16)

(17)

-1≤VSOC(j,t)≤1

(18)

Sj(t)∈{0,1}

(19)

式中：N為溫控負(fù)荷數(shù)量；Pagg(t)為在t時(shí)段負(fù)荷聚合商控制溫控負(fù)荷所需的功率；Prp,j為第j個(gè)溫控負(fù)荷的額定功率；Pcd(j,t)為充/放電功率，充電為Pc(j,t)，放電為Pd(j,t)。

2.2 能源調(diào)度層：點(diǎn)對點(diǎn)(P2P)交易

2.2.1 P2P交易

能源調(diào)度層交易主體進(jìn)行的分布式P2P電能交易如圖3所示。在這種分布式P2P市場交易體制下，電能交易主體不僅能與配電網(wǎng)運(yùn)營商進(jìn)行電能交易，在簽訂議價(jià)協(xié)議后交易主體彼此間也可進(jìn)行電能交易，且議價(jià)協(xié)議由交易主體在市場監(jiān)管下自行簽訂。各主體間進(jìn)行P2P電能交易的前提是P2P交易可以增加交易主體雙方的利益。

圖3 P2P交易系統(tǒng)結(jié)構(gòu)

由于本文只考慮電動汽車負(fù)荷和溫控負(fù)荷兩種負(fù)荷的調(diào)度，為了簡化模型，假設(shè)在能源調(diào)度層交易中只有賣方和買方。買賣雙方在P2P交易中能獲得的最大利益如式(20)所示:

(20)

由于買方的購電成本和賣方的售電收入等同，將式(20)簡化如下：

(21)

PSpq=PBpq

(22)

Cp(PSp)=Ap(PSp)2+Bp(PSp)+Dp

(23)

(24)

(25)

(26)

2.2.2 分布式優(yōu)化

傳統(tǒng)的集中式求解方法需要收集能源調(diào)度層電力交易市場的電力交易信息，而本文提出的能源調(diào)度層P2P電能交易系統(tǒng)與集中式交易不同，分布式P2P交易平臺只需要負(fù)責(zé)交易主體間期望信息的交互。為此，采用分布式優(yōu)化方法來求解上述買賣雙方利益模型，各交易主體在日前市場交易中僅需通過P2P電能交易平臺交換期望的交易信息即可。

將式(20)這個(gè)帶有約束的優(yōu)化問題通過拉格朗日乘子變化成一個(gè)無約束的優(yōu)化問題，可以同時(shí)計(jì)算目標(biāo)函數(shù)的梯度與約束條件的梯度，根據(jù)相關(guān)性質(zhì)尋找局部最優(yōu)解，再通過次梯度法進(jìn)行求解。式(21)—(26)的拉格朗日函數(shù)如式(27)所示。

L(PSpq,PBpq,λpq,μPSmax,p,μPSmin,p,μPBmax,q,μPBmax,q)=

(27)

式中：μPSmax,p、μPSmin,p、μPBmax,q、μPBmin,q為拉格朗日乘子。

由于式(27)為一個(gè)全局性問題，需要運(yùn)用分布式優(yōu)化將其分解為多個(gè)子問題。因此，將目標(biāo)函數(shù)重新表述為式(28)—(30)。

(28)

g(x)≤0

(29)

h(x)=0

(30)

由此可以將整個(gè)拉格朗日函數(shù)分解為多個(gè)拉格朗日函數(shù)的總和，如式(31)所示，局部拉格朗日函數(shù)如式(32)所示，其中λ=[λ1，λ2，…，λz,…，λNS+NB]、μ[μ1，μ2，…，μz,…，μN(yùn)S+NB]均為拉格朗日乘子。

(31)

Lz(x,λz,μz)=fz(xz)+λzh(xz)+μzg(xz)

(32)

次梯度法有多個(gè)可采用的步長，采用次梯度法求解局部問題主要依賴于鄰域間的步長，決策變量和拉格朗日乘子的更新迭代可以表示為式(33)—(35)。

(33)

(34)

(35)

2.3 能源供給層：多目標(biāo)優(yōu)化模型

在能源調(diào)度層實(shí)現(xiàn)了電能的P2P交易后，將能源調(diào)度層剩余的負(fù)荷需求信息發(fā)送給能源供給層，供給層將通過調(diào)度發(fā)電廠的電能來滿足能源消費(fèi)層的負(fù)荷需求。由此，建立考慮系統(tǒng)運(yùn)行成本、CO2排放和風(fēng)能溢出的多目標(biāo)優(yōu)化模型來測算由負(fù)荷預(yù)測差異引發(fā)的不同調(diào)度策略對能源供給層的影響。

目標(biāo)函數(shù)1(系統(tǒng)運(yùn)行成本最小)：

(36)

式中：NG為火力發(fā)電機(jī)組的數(shù)量；NW為風(fēng)電場的數(shù)量；av、bv和cv為燃料成本系數(shù)；Pg,v(t)為第v個(gè)火力發(fā)電機(jī)組在t時(shí)段的功率；Pw,u(t)為第u個(gè)風(fēng)電場在t時(shí)段的功率；wu為風(fēng)力發(fā)電廠的成本系數(shù)。

目標(biāo)函數(shù)2(碳排放量最小)：

(37)

式中：αv、βv、γv為CO2排放系數(shù)。

目標(biāo)函數(shù)3(風(fēng)能溢出量最小)：

(38)

式中：Pwr,u(t)為t時(shí)段第u個(gè)風(fēng)電場的額定功率。

約束條件：

(39)

BIJθIJ(t)=SIJ(t)

(40)

(41)

Pg,I(t)-Pg,I(t-1)≤VG,I

(42)

Pg,I(t-1)-Pg,I(t)≤DG,I

(43)

本節(jié)建立的多目標(biāo)模型，采用分布式優(yōu)化和集中式優(yōu)化聯(lián)合求解。對能源消費(fèi)層，可認(rèn)為負(fù)荷聚合商充分掌握EV和TCL的狀態(tài)信息，二者的優(yōu)化調(diào)度采用遺傳算法等集中優(yōu)化方法求解。對能源調(diào)度層，由于負(fù)荷聚合商不完全了解相互的供需情況和成本函數(shù)，因此，采用分布式優(yōu)化尋找有限信息交換前提下的全局最優(yōu)值。首先將全局優(yōu)化模型通過分布式優(yōu)化分解成多個(gè)局部拉格朗日函數(shù)；其次，采用次梯度法更新各拉格朗日乘子，負(fù)荷聚合商利用拉格朗日乘子蘊(yùn)含的交易信號進(jìn)行決策，最終實(shí)現(xiàn)利益最優(yōu)。對于能源供給層，由于火電、風(fēng)電等發(fā)電公司的生產(chǎn)成本等信息相對透明，因此，可采用NSGA-II集中優(yōu)化方法進(jìn)行求解。

3 仿真驗(yàn)證

3.1 求解流程

上述模型的求解流程如圖4所示。首先利用卷積神經(jīng)網(wǎng)絡(luò)和長短期記憶網(wǎng)絡(luò)(convolutional neural networks and long short-term memory，CNN-LSTM)模型對負(fù)荷進(jìn)行預(yù)測，根據(jù)電動汽車的出行規(guī)律，利用蒙特卡羅模擬方法模擬電動汽車到達(dá)時(shí)間、日行駛距離和出發(fā)時(shí)間等不確定性問題，EV和TCL的能源調(diào)度優(yōu)化模型則通過遺傳算法求解。由于P2P電力交易模型最終的目標(biāo)函數(shù)是凸函數(shù)，因此運(yùn)用分布式優(yōu)化方法解決該問題。最后建立的多目標(biāo)優(yōu)化模型對剩余的能源需求采用NSGA-II算法求解最優(yōu)帕累托前沿。

圖4 分層模型求解流程

3.2 算例分析

本文采用IEEE 30節(jié)點(diǎn)系統(tǒng)對所提出的調(diào)度策略進(jìn)行仿真分析。在該系統(tǒng)中包含3個(gè)火電廠、3個(gè)風(fēng)電場、4個(gè)負(fù)荷聚合商和4個(gè)配電系統(tǒng)運(yùn)營商。3個(gè)火力發(fā)電站分別位于節(jié)點(diǎn)1、2和13；3個(gè)風(fēng)力發(fā)電場位于節(jié)點(diǎn)22、23和27；7號、14號、17號和26號節(jié)點(diǎn)上有電動汽車和溫控負(fù)荷的負(fù)荷聚合商和配電系統(tǒng)運(yùn)營商?；緟?shù)設(shè)置如表1所示。

表1 仿真基本參數(shù)設(shè)置

案例重點(diǎn)研究節(jié)點(diǎn)17處的負(fù)荷聚合商。用以下3種不同的調(diào)度策略對比說明電動汽車和溫控負(fù)荷的協(xié)同調(diào)度對電網(wǎng)的影響。

案例1：電動汽車采用智能充電策略，但溫控負(fù)荷無法調(diào)度。

案例2：電動汽車采用延時(shí)充電策略，溫控負(fù)荷可調(diào)度。

案例3：電動汽車采用智能充電策略并且考慮電動汽車和溫控負(fù)荷的協(xié)調(diào)調(diào)度。

案例1的負(fù)荷預(yù)測和調(diào)度結(jié)果如圖5所示，負(fù)荷聚合商可以通過調(diào)度電動汽車去匹配預(yù)測的負(fù)荷曲線，當(dāng)電動汽車連接到充電樁時(shí)，可以通過適當(dāng)充放電減少電網(wǎng)某一時(shí)刻的峰值。但是由于每個(gè)電動汽車都有自己獨(dú)特的駕駛行為，因此電動汽車無法通過V2G行為去完全匹配預(yù)測負(fù)荷。從圖5中可以看出原始負(fù)荷疊加調(diào)度的電動汽車負(fù)荷后不能較好地?cái)M合預(yù)測負(fù)荷曲線。

圖5 案例1調(diào)度結(jié)果

案例2的仿真結(jié)果如圖6所示，電動汽車不能被調(diào)度來匹配預(yù)測的負(fù)荷曲線，而負(fù)荷聚合商只是控制電動汽車在電價(jià)較低時(shí)充電。只有溫控負(fù)荷可作為調(diào)度資源，大量的電動汽車在電價(jià)低谷期突然進(jìn)入電網(wǎng)，導(dǎo)致出現(xiàn)了新的用電高峰時(shí)期。雖然此時(shí)負(fù)荷聚合商可通過調(diào)度溫控負(fù)荷來匹配預(yù)測負(fù)荷，但調(diào)度結(jié)果并不理想。

圖6 案例2調(diào)度結(jié)果

案例3的調(diào)度結(jié)果如圖7所示，在大多數(shù)時(shí)期，調(diào)度后的負(fù)荷結(jié)果與預(yù)測曲線是基本匹配的。由于溫控負(fù)荷必須在可接受最低和最高的溫度之間來回切換，晚上調(diào)度后負(fù)荷曲線存在部分超出預(yù)測負(fù)荷的現(xiàn)象，但超出的負(fù)荷基本是按照預(yù)測負(fù)荷曲線的趨勢增加的，總體匹配效果與預(yù)期結(jié)果是較理想的。

圖7 案例3調(diào)度結(jié)果

為了進(jìn)一步對比這3種調(diào)度方案的效果，分析了3種不同調(diào)度策略下負(fù)荷峰值谷值差異比、谷值差異比、峰值差異比、標(biāo)準(zhǔn)偏差以及與預(yù)測負(fù)荷曲線的均方根誤差，以此作為新的評價(jià)指標(biāo)進(jìn)一步分析這3種調(diào)度方案的削峰填谷效果。評估結(jié)果如圖8所示，顯然，案例3由于具有最低的均方根誤差和誤差波動，調(diào)度效果優(yōu)于其他方案，此外相比其他兩種調(diào)度策略還具有更好的削峰填谷性能。

圖8 不同案例的評價(jià)指標(biāo)對比情況

在能源調(diào)度層，考慮在負(fù)荷聚合商之間進(jìn)行P2P交易，鼓勵(lì)本地能源參與能源交易。使用案例3的調(diào)度策略，假設(shè)在節(jié)點(diǎn)17有4個(gè)負(fù)荷聚合商，其中2個(gè)是賣家，2個(gè)是買家。交易模式如圖9所示，其中x11、x12、x21、x22、y11、y12、y22、y21表示P2P交易中負(fù)荷聚合商之間的交易數(shù)量信息；λ11、λ12、λ21、λ22表示負(fù)荷聚合商之間的交易價(jià)格信息；a表示交易渠道權(quán)重。價(jià)格和數(shù)量的收斂性能及交易結(jié)果如圖10和11所示。結(jié)果表明，電能交易價(jià)格和數(shù)量都會達(dá)到一定的收斂值，并滿足所有參與交易主體的約束條件。同時(shí)，所有參與交易主體的結(jié)算價(jià)格最終也會達(dá)到一定的收斂值。

圖9 P2P交易中的交易信息

圖10 電能交易價(jià)格演變曲線

圖11 電能交易數(shù)量演變曲線

圖12是能源供給層中這3種案例下多目標(biāo)函數(shù)的Pareto前沿。對比案例1、2、3和無調(diào)度情況下的Pareto前沿進(jìn)一步說明電動汽車和溫控負(fù)荷的協(xié)調(diào)優(yōu)化調(diào)度策略對能源供給層的影響。結(jié)果表明，案例3中的電動汽車和溫控負(fù)荷的協(xié)調(diào)優(yōu)化調(diào)度可以最大程度地提高系統(tǒng)中風(fēng)力發(fā)電的消納能力，同時(shí)也能最大程度地減少CO2排放，系統(tǒng)運(yùn)行成本也較低。

圖12 多目標(biāo)優(yōu)化模型的Pareto前沿

4 結(jié) 論

本文構(gòu)建了一種基于電動汽車及溫控負(fù)荷需求響應(yīng)的分層能源系統(tǒng)管理框架，框架旨在研究在能源消費(fèi)層、能源調(diào)度層、能源供給層等不同的能源層面、不同的目標(biāo)函數(shù)和約束條件下，制定電動汽車和溫控負(fù)荷協(xié)調(diào)調(diào)度策略，從而實(shí)現(xiàn)電力系統(tǒng)經(jīng)濟(jì)效益和環(huán)境效益最優(yōu)。仿真結(jié)果表明：

1)在能源消費(fèi)層，對電動汽車采用智能充電策略且考慮電動汽車和溫控負(fù)荷的協(xié)調(diào)調(diào)度能較好地與預(yù)測負(fù)荷曲線擬合，并實(shí)現(xiàn)負(fù)荷的削峰填谷。

2)在能源調(diào)度層，應(yīng)鼓勵(lì)本地能源參與能源交易，在負(fù)荷聚合商進(jìn)行本地P2P交易情況下，交易主體能獲得更好的經(jīng)濟(jì)效益。

3)在能源供給層，如果由電力系統(tǒng)火電、風(fēng)電等機(jī)組提供能源消費(fèi)側(cè)剩余的能源需求，采取電動汽車和溫控負(fù)荷的協(xié)調(diào)優(yōu)化調(diào)度策略，能更好地減少風(fēng)電溢出量和CO2排放，給電力系統(tǒng)帶來良好的經(jīng)濟(jì)效益和環(huán)境效益。