考慮電動汽車用戶意愿的滾動優(yōu)化調(diào)度

王譽(yù)博，龔慶武，喬 卉，劉 棟，張勁弦

（武漢大學(xué) 電氣與自動化學(xué)院，湖北 武漢 430072）

0 引言

電動汽車（EV）的普及是實現(xiàn)碳中和的有效手段之一。隨著電池價格的不斷降低，電池的大規(guī)模應(yīng)用已成必然趨勢，會引起一場能源革命。EV 用戶的充放電需求各不相同，如果不進(jìn)行合理的規(guī)劃，則會導(dǎo)致無序充放電行為，其大規(guī)模接入電網(wǎng)時會對電網(wǎng)用戶側(cè)造成較大的沖擊與影響［1］。

目前，已有較多關(guān)于EV 調(diào)度策略的研究：文獻(xiàn)［2］綜合考慮風(fēng)力發(fā)電與EV 兩者的隨機(jī)性，將系統(tǒng)的等效負(fù)荷方差作為優(yōu)化目標(biāo)來抑制負(fù)荷的波動并增加對夜間溢出風(fēng)電的消耗，但并未考慮EV實際參與調(diào)度的意愿，且優(yōu)化目標(biāo)較單一；文獻(xiàn)［3］采用蒙特卡羅仿真方法，在考慮不同EV滲透率下充電行為對配電網(wǎng)造成影響的基礎(chǔ)上，給出了EV充放電功率曲線，并基于算例驗證了EV 在雙向車網(wǎng)互動V2G（Vehicle-to-Grid）模式下的充放電行為能夠?qū)ο到y(tǒng)起到削峰填谷的作用，但并未給出導(dǎo)致EV滲透率差異的影響因素，未能體現(xiàn)EV 參與調(diào)度的意愿；文獻(xiàn)［4］建立了一個隨機(jī)的經(jīng)濟(jì)調(diào)控模型，在充分考慮EV 與風(fēng)電出力隨機(jī)性的情況下，以最小化系統(tǒng)總發(fā)電成本期望值為目標(biāo)函數(shù)，并驗證了所提模型能夠減少發(fā)電成本，有效提高調(diào)度方案的經(jīng)濟(jì)性。上述研究主要從電網(wǎng)側(cè)角度出發(fā)，對于EV用戶的利益考慮較少。為了吸引EV 用戶主動參與調(diào)度，需要對EV 用戶的經(jīng)濟(jì)性多加考慮。文獻(xiàn)［5］考慮到未來EV 數(shù)量龐大，論述了調(diào)度機(jī)構(gòu)對EV 進(jìn)行直接控制的策略會增大優(yōu)化問題的求解難度，為此提出了對EV 充放電行為進(jìn)行分層管理優(yōu)化調(diào)度的理念。雖然分層管理可以有效優(yōu)化EV 調(diào)度問題，但是EV 是否愿意被調(diào)度仍無法確定。若不考慮EV 用戶的需求，則會大幅影響實際可調(diào)度EV 的數(shù)量。文獻(xiàn)［6］以配電網(wǎng)區(qū)域的網(wǎng)損最小為目標(biāo)函數(shù)，并綜合考慮了電力系統(tǒng)經(jīng)濟(jì)運(yùn)行等方面，通過算例仿真驗證了所提方法不僅能夠有效地降低配電網(wǎng)網(wǎng)損，還能夠?qū)ω?fù)荷起到削峰填谷的作用，并有效改善系統(tǒng)的電壓質(zhì)量。但是在EV不斷滲透的情況下，不能將優(yōu)化目標(biāo)僅局限于電網(wǎng)自身的運(yùn)行狀態(tài)，需要多關(guān)注EV這種特殊負(fù)荷的參與深度。文獻(xiàn)［7］在綜合考慮已有EV優(yōu)化充放電調(diào)度策略的基礎(chǔ)上，提出了配電網(wǎng)層面的未來EV 充電調(diào)度策略需要考慮用戶充電行為的隨機(jī)性。雖然文獻(xiàn)［7］中策略已初步考慮了EV參與調(diào)度的隨機(jī)性，但是對于如何刺激用戶主動參與調(diào)度還缺乏分析。文獻(xiàn)［8］建立了一種多目標(biāo)EV充電優(yōu)化調(diào)度策略模型，以充電費(fèi)用和蓄電池循環(huán)電量為多目標(biāo)進(jìn)行優(yōu)化，并與“停車即開始充電”方案進(jìn)行了仿真對比分析，驗證了所提調(diào)度策略的優(yōu)越性。文獻(xiàn)［8］涉及了EV 用戶的經(jīng)濟(jì)需求，但是沒有考慮EV 用戶的出行需求、參與意愿以及用車時間，且對于大量EV接入后如何保證電力系統(tǒng)穩(wěn)定運(yùn)行的問題仍缺乏深入研究。文獻(xiàn)［9］采用層區(qū)分離的方法對EV進(jìn)行充放電調(diào)度，選取負(fù)荷波動最小作為上層模型的目標(biāo)函數(shù)，對電力系統(tǒng)及各EV代理商進(jìn)行協(xié)調(diào)優(yōu)化，合理分配各代理商在各時段的充放電負(fù)荷；在下層模型中，通過調(diào)控可調(diào)度EV 群體各時段電池的充放電狀態(tài)，使各EV代理商能夠完成調(diào)度任務(wù)。若在下層模型中進(jìn)一步考慮EV 用戶的需求，則可以最大限度地吸引EV 用戶參與調(diào)度，即可以增大可調(diào)度EV的數(shù)量。

綜上所述，已有研究對于EV用戶參與調(diào)度的意愿考慮較少，為此本文研究主要通過考慮EV用戶參與調(diào)度的意愿來吸引更多的EV用戶主動參與調(diào)度。首先，建立EV模型，并提出行為傾向函數(shù)，其中包含了EV的當(dāng)前狀態(tài)、剩余電量、未來出行距離、上一時段的充放電狀態(tài)、停車時長等信息，以此實現(xiàn)為EV用戶提供精準(zhǔn)服務(wù)；然后，根據(jù)EV 用戶的行為傾向?qū)V 進(jìn)行聚合分類，并針對每種類型EV 設(shè)計獨(dú)立的調(diào)度策略；最后，考慮EV 雙向互動參與下的配電網(wǎng)網(wǎng)損、風(fēng)電與EV 充電功率的匹配效果、充電時段內(nèi)負(fù)荷方差的大小構(gòu)建多目標(biāo)優(yōu)化調(diào)度策略，并在此基礎(chǔ)上綜合考慮每一輛EV 的荷電狀態(tài)SOC（State Of Charge）、EV用戶的實際需求、配電網(wǎng)的功率與電壓等約束條件，在全天時間尺度下對每種類型EV的充放電策略進(jìn)行動態(tài)優(yōu)化。

1 EV模型及行為傾向函數(shù)

EV 在電網(wǎng)中作為一種特殊的負(fù)荷，既具有電源性質(zhì)，又具有負(fù)荷性質(zhì)，其靈活性可以為電網(wǎng)的運(yùn)行帶來諸多益處。EV 用戶與調(diào)度中心的數(shù)據(jù)交互通過手機(jī)APP實現(xiàn)，由調(diào)度中心建立某種軟件為EV用戶提供服務(wù)，EV 用戶可以在該軟件上提交車輛是否處于行駛狀態(tài)、是否愿意參與調(diào)度、剩余電量以及預(yù)計出行距離等信息。

1.1 EV調(diào)度及充放電模型建立

本文采用馬爾可夫決策過程MDP（Markov Decision Process）構(gòu)建EV充放電調(diào)度模型［10］。MDP可用一個四元組M=(S，A，psa，R)表示，其中S為一組有限的狀態(tài)集，A為一組有限的行為集，psa為狀態(tài)轉(zhuǎn)移概率，R為回報函數(shù)。

t時段風(fēng)電與EV 組成的系統(tǒng)狀態(tài)空間St可表示為：

恒流-恒壓充放電模式是一種常用的電池充放電方式，該模式可以使調(diào)度控制的實施更加方便，所以本文中的所有EV 均采用恒流-恒壓模式進(jìn)行充放電。

t時段第k輛EV 的充電電量ec，t、放電電量ed，t可分別表示為：

由于本文利用EV 的初始停車時間和停車時長lk描述其停車事件，且與初始停車時間和所需充電電量相關(guān)，故假設(shè)模型中所有EV停車事件的停車時長lk均服從截斷高斯分布［11］。

假設(shè)EV 行駛距離服從自由度υ為3.487 5 的卡方分布，且耗電量與行駛距離成正比。因此，可以根據(jù)式（8）計算EV下一次出行時所需的最小電量ek。

式中：dk為第k輛EV 的行駛距離；ω為EV 每行駛1 km的耗電量。

第k輛EV的初始剩余電量ecap，k服從均值為0.6、標(biāo)準(zhǔn)差為0.1的正態(tài)分布［12］，即可表示為：

式中：X為正態(tài)分布的隨機(jī)變量。

1.2 考慮EV用戶行為傾向的EV聚合分類

本文提出了一種評估函數(shù)用于評估EV 用戶的主觀行為傾向，以此衡量EV停車接入充電樁后充放電行為的傾向，以便統(tǒng)計得到各時段參與電網(wǎng)調(diào)度的EV 數(shù)量。通過計算實現(xiàn)EV 分類，使得EV 的充放電行為達(dá)到用戶側(cè)經(jīng)濟(jì)性最優(yōu)，有效地減少EV電池狀態(tài)頻繁切換帶來的電池?fù)p耗，同時滿足用戶下一次出行電量需求。

1.2.1 行為傾向評估函數(shù)構(gòu)建

本文構(gòu)建函數(shù)FInc用于評估EV 的充放電行為傾向，如式（10）所示。

式中：α、β、γ為權(quán)重系數(shù)，滿足α+β+γ=1；Ecap為EV車載電池的容量；prav為每天的平均電價；pt為當(dāng)前t時段的分時電價；Scha為EV 停車后充放電狀態(tài)切換次數(shù)。

1.2.2 EV聚合分類

由式（10）可知行為傾向評估函數(shù)FInc的取值范圍為[-1，1]∪{2}。為了便于調(diào)度方案的規(guī)劃，遵循同類別內(nèi)個體EV的狀態(tài)不能相差過大的原則，本文根據(jù)一定的劃分方式，將FInc取值在(-1，1)范圍內(nèi)的EV 劃分為10 種類型，這一部分EV 的充放電狀態(tài)是未定的，且FInc取值越接近-1，該EV 在當(dāng)前時段內(nèi)放電的傾向越高；FInc取值越接近1，該EV 在當(dāng)前時段內(nèi)充電的傾向越高；當(dāng)FInc取值為0時，表示EV 用戶既不想充電也不想放電。因此，這10 種類型EV接入電網(wǎng)后可以參與調(diào)度。而根據(jù)行為傾向評估函數(shù)自身含義的制約，當(dāng)FInc取值為-1、1、2 時，EV 的充放電狀態(tài)是確定的，即：當(dāng)FInc=1 時，EV 處于充電狀態(tài)；當(dāng)FInc=-1 時，EV 處于放電狀態(tài)；當(dāng)FInc=2 時，EV處于不接入電網(wǎng)的狀態(tài)。

由上述分析可知，除了充放電狀態(tài)已經(jīng)確定的3 種類型EV 之外，各時段真正參與電網(wǎng)優(yōu)化調(diào)度的EV 為FInc取值在(-1，1)范圍內(nèi)的10 種類型EV。本文采用均分EV 數(shù)量的方法，即將所有EV 的FInc取值按照從小到大的順序排序后統(tǒng)計EV數(shù)量，然后按照每種類型EV數(shù)量相等的原則進(jìn)行分類，當(dāng)分類結(jié)果出現(xiàn)非整數(shù)時，前9 種類型EV 數(shù)量的確定采用四舍五入的原則，剩余EV 則劃分為第10 種類型。例如：若FInc取值在(-1，1)范圍內(nèi)的EV 共有503 輛，則前9 種類型EV 數(shù)量分別為50 輛，第10 種類型EV 數(shù)量為53 輛；若FInc取值在(-1，1)范圍內(nèi)的EV 共有497 輛，則前9 種類型EV 數(shù)量分別為50 輛，第10 種類型EV 數(shù)量為47 輛。根據(jù)上述方法進(jìn)行EV 聚合分類的優(yōu)點在于可以保證每種類型EV 的可調(diào)度總電量差異較小。

1.3 模型的約束條件

1）EV充放電功率約束。

t時段第k輛EV所需電量應(yīng)滿足：

3）潮流等式約束。

2 EV滾動優(yōu)化調(diào)度策略

在線調(diào)度是與靜態(tài)離線調(diào)度相對的一種動態(tài)調(diào)度策略，為了計及風(fēng)電和EV 的不確定性，本文采用基于蒙特卡羅模擬［15-16］的滾動調(diào)度策略在線更新優(yōu)化調(diào)度方案。蒙特卡羅模擬方法的基本求解思路為：建立一個概率模型或隨機(jī)過程，通過隨機(jī)抽樣獲得近似解。本文中每輛EV 的停車事件可以通過調(diào)度機(jī)構(gòu)的大數(shù)據(jù)預(yù)測模型得到其概率分布，而EV的充電、放電模式選擇行為是一個0-1 離散變量，且在EV 充放電模式選定的情況下，對EV 進(jìn)行充放電的動作指令也是一個0-1離散變量。

由于風(fēng)電功率波動大，對其預(yù)測較困難，且精確到分秒的EV實時調(diào)度太過繁瑣，為了減小調(diào)度方案的誤差，及時有效地調(diào)度可用EV，本文選擇以1 h為時段間隔（即將1 d 分為24 個時段進(jìn)行調(diào)度），統(tǒng)計EV 信息和風(fēng)電機(jī)組的實時發(fā)電情況，每經(jīng)過1 h 對數(shù)據(jù)進(jìn)行1次采樣，系統(tǒng)的狀態(tài)也相應(yīng)變化一次。

2.1 滾動調(diào)度策略的優(yōu)化目標(biāo)

1）配電網(wǎng)網(wǎng)損最小化。

本文所考慮的風(fēng)力發(fā)電站采用并網(wǎng)運(yùn)行的方式，因此需要將配電網(wǎng)的輸電成本考慮在目標(biāo)函數(shù)之內(nèi)，采用配電網(wǎng)區(qū)域內(nèi)的有功網(wǎng)損進(jìn)行衡量，如式（17）所示。

2）風(fēng)電與負(fù)荷的匹配偏差度最小化。

為了最大化風(fēng)能利用率以減少棄風(fēng)現(xiàn)象的發(fā)生，在本文所提EV 充放電調(diào)度策略中，需要考慮EV作為負(fù)荷時其充電功率以及常規(guī)用電負(fù)荷與風(fēng)力發(fā)電站所發(fā)功率之間的匹配問題。為了衡量匹配效果是否合理，本文定義了式（18）所示匹配偏差度Mt。風(fēng)電與負(fù)荷之間的匹配度越高，則匹配偏差度越小，表明EV 作為負(fù)荷較好地吸收了風(fēng)力發(fā)電站提供的多余電能。

3）負(fù)荷方差最小化。

為了防止EV 聚集在某一時段充電造成新的負(fù)荷高峰，從而危害電網(wǎng)的運(yùn)行安全，本文引入負(fù)荷方差作為優(yōu)化目標(biāo)函數(shù)之一，用以平滑負(fù)荷曲線。由于本文是基于多時間尺度下的分時段調(diào)度，可以通過預(yù)測未來接入電網(wǎng)的EV 數(shù)量并結(jié)合其他用戶的用電情況來實現(xiàn)負(fù)荷預(yù)測?？傌?fù)荷方差FΔ可以表示為：

2.2 調(diào)度策略的目標(biāo)函數(shù)

基于上述優(yōu)化目標(biāo)，綜合考慮系統(tǒng)需求，建立t時段調(diào)度策略的優(yōu)化目標(biāo)函數(shù)Ct(St，Aa，t)為：

綜合上述內(nèi)容可以看出，基于EV 在當(dāng)前時段的行為狀態(tài)，根據(jù)式（23）能確定該時段內(nèi)EV的充放電調(diào)度策略。

3 算例仿真

為了驗證本文所提方法的有效性，以IEEE 33節(jié)點系統(tǒng)為算例進(jìn)行測試。根據(jù)不同的情況獲得配電網(wǎng)網(wǎng)損、匹配偏差度、負(fù)荷方差、充電費(fèi)用等數(shù)據(jù)，并進(jìn)行比較分析。

3.1 測試環(huán)境及相關(guān)參數(shù)

IEEE 33 節(jié)點系統(tǒng)是一個三相平衡徑向配電系統(tǒng)，本文選取節(jié)點1、9、18 分別作為風(fēng)力發(fā)電站、EV充電站、火電廠的接入節(jié)點，其余節(jié)點作為普通用戶群節(jié)點。本文中的EV 為比亞迪E6 型EV，其車載電池的相關(guān)參數(shù)［17］如下：電池容量為60 kW·h，充電、放電功率均為3 kW，單位耗電量為0.195 kW·h／km，循環(huán)使用次數(shù)一般大約為4 000 次。優(yōu)化仿真的EV總數(shù)量為500 輛。EV 充電的峰谷分時電價參考文獻(xiàn)［18］。

3.2 不同權(quán)重系數(shù)下的優(yōu)化調(diào)度結(jié)果對比

由于本文的滾動優(yōu)化調(diào)度方法涉及多個目標(biāo)函數(shù)，不同的權(quán)重系數(shù)取值會產(chǎn)生不同的仿真結(jié)果：當(dāng)λ1=1、λ2=λ3=0，即僅考慮配電網(wǎng)網(wǎng)損時，所得優(yōu)化調(diào)度結(jié)果如附錄A 表A1 和圖A1 所示；當(dāng)λ2=1、λ1=λ3=0，即僅考慮匹配偏差度時，所得優(yōu)化調(diào)度結(jié)果如附錄A 表A1 和圖A2 所示；當(dāng)λ3=1、λ1=λ2=0，即僅考慮負(fù)荷方差時，所得優(yōu)化調(diào)度結(jié)果如附錄A 表A1和圖A3所示。

當(dāng)λ1=1、λ2=λ3=0 時，以配電網(wǎng)網(wǎng)損最小為目標(biāo)進(jìn)行優(yōu)化。由附錄A 表A1 和圖A1 可知，此時的配電網(wǎng)網(wǎng)損最小，但負(fù)荷方差明顯較大。這是因為：為了保持配電網(wǎng)網(wǎng)損最小，EV 參與放電的總電量較小，EV 群體表現(xiàn)出的負(fù)荷性質(zhì)較多，而表現(xiàn)出的儲能性質(zhì)較少，導(dǎo)致系統(tǒng)的負(fù)荷方差較大。同時可以看出，此時的平均放電費(fèi)用小于平均充電費(fèi)用，導(dǎo)致EV 用戶在參與電網(wǎng)調(diào)度過程中所獲收益減少，這是因為EV參與放電時段的電價不高，而充電時段的電價較高，且充電時長遠(yuǎn)大于放電時長，所以總充電費(fèi)用遠(yuǎn)大于總放電費(fèi)用，這會對EV用戶主動參與調(diào)度的積極性產(chǎn)生影響。

當(dāng)λ2=1、λ1=λ3=0 時，以匹配偏差度最小為目標(biāo)進(jìn)行優(yōu)化。由附錄A 表A1 和圖A2 可以看出：此時風(fēng)電與負(fù)荷之間的匹配度最高，說明EV的參與使得風(fēng)電功率與負(fù)荷功率之間的匹配性最好；此時的配電網(wǎng)網(wǎng)損有所增大，但負(fù)荷方差相比λ1=1、λ2=λ3=0 的情況有了明顯的改善，這是因為系統(tǒng)為了保證風(fēng)電功率與負(fù)荷功率有更好的匹配性，使得EV參與調(diào)度的容量明顯增加，EV 群體不僅表現(xiàn)出負(fù)荷性質(zhì)，還表現(xiàn)出優(yōu)質(zhì)的儲能性質(zhì)，促使負(fù)荷發(fā)生轉(zhuǎn)移。此時的平均放電費(fèi)用大于平均充電費(fèi)用，表明EV作為負(fù)荷的充電時段被轉(zhuǎn)移至電價較低的時段。為了滿足EV 用戶的出行需求，必須保證EV 的剩余電量充足，所以充電容量大于放電容量，導(dǎo)致總充電費(fèi)用大于總放電費(fèi)用。但是這種情況大幅降低了EV 用戶的總費(fèi)用，這會促使EV 用戶積極主動地參與調(diào)度。

當(dāng)λ3=1、λ1=λ2=0 時，以負(fù)荷方差最小為目標(biāo)進(jìn)行優(yōu)化。由附錄A 表A1 和圖A3 可知，此時的負(fù)荷方差值最小，風(fēng)電與負(fù)荷之間的匹配度較高，與λ2=1、λ1=λ3=0 情況的優(yōu)化結(jié)果相差無幾。這說明EV 參與負(fù)荷調(diào)整的同時也可以使風(fēng)電功率與負(fù)荷功率具有很好的匹配性。從平均充電費(fèi)用較低而平均放電費(fèi)用較高可以看出，EV 的充電時段均安排在電價較低的時段，而放電時段被安排在電價較高的時段。而電價較低的時段恰是普通負(fù)荷用電較少的時段，此時EV 表現(xiàn)出負(fù)荷性質(zhì)；電價較高的時段是普通負(fù)荷用電較多的時段，此時EV 體現(xiàn)出儲能性質(zhì)。這種錯峰充放電的安排使得峰值負(fù)荷得到了有效轉(zhuǎn)移，因此此時的負(fù)荷方差最小。但是由于EV的放電電量有限，這導(dǎo)致總放電費(fèi)用較總充電費(fèi)用低，致使EV用戶在參與調(diào)度時獲得的收益有限。

多目標(biāo)優(yōu)化下權(quán)重系數(shù)的取值情況較多，以下給出了3 種常見情況：當(dāng)λ1=0.6、λ2=0.1、λ3=0.3 時，優(yōu)化調(diào)度結(jié)果如附錄A 表A2 和圖A4 所示；當(dāng)λ1=0.2、λ2=0.7、λ3=0.1時，優(yōu)化調(diào)度結(jié)果如附錄A 表A2和圖A5 所示；當(dāng)λ1=0.3、λ2=0.2、λ3=0.5 時，優(yōu)化調(diào)度結(jié)果如附錄A 表A2 和圖A6 所示。從上述結(jié)果中可以看出：相較于單目標(biāo)優(yōu)化，多目標(biāo)優(yōu)化下的結(jié)果中沒有極端數(shù)據(jù)出現(xiàn)；對于EV 用戶而言，多目標(biāo)優(yōu)化下的收益較高，這對EV用戶主動參與調(diào)度有更大的吸引力。但是上述情況并不是多目標(biāo)優(yōu)化的最優(yōu)情況。

通過多次對比測試發(fā)現(xiàn)，當(dāng)λ1=0.2、λ2=0.4、λ3=0.4 時，所得優(yōu)化調(diào)度結(jié)果最優(yōu)，將此時的權(quán)重系數(shù)稱為最優(yōu)權(quán)重系數(shù)。最優(yōu)權(quán)重系數(shù)下的優(yōu)化調(diào)度結(jié)果如表1和圖1所示。圖中：總充電功率和總放電功率分別為10 種類型EV 的充電功率（為正值）和放電功率（為負(fù)值）之和；總充放電功率為總充電功率與總放電功率之和。由于需要尊重EV用戶的意愿，所以每一種類型EV都有獨(dú)立的充放電策略，這會導(dǎo)致某些時段某幾種類型EV 正在充電，而某幾種類型EV正在放電的情況。

圖1 最優(yōu)權(quán)重系數(shù)下的優(yōu)化調(diào)度結(jié)果Fig.1 Optimal scheduling results under optimum weight coefficients

表1 最優(yōu)權(quán)重系數(shù)下的優(yōu)化調(diào)度結(jié)果Table 1 Optimal scheduling results under optimum weight coefficients

由表1和圖1可以看出，最優(yōu)權(quán)重系數(shù)下的總匹配偏差度、配電網(wǎng)網(wǎng)損和總負(fù)荷方差結(jié)果均不是最優(yōu)的，但最優(yōu)權(quán)重系數(shù)下的總匹配偏差度與僅考慮匹配偏差度的單目標(biāo)優(yōu)化結(jié)果相差很小，最優(yōu)權(quán)重系數(shù)下的配電網(wǎng)網(wǎng)損僅比僅考慮配電網(wǎng)網(wǎng)損的單目標(biāo)優(yōu)化結(jié)果稍高，最優(yōu)權(quán)重系數(shù)下的負(fù)荷方差比僅考慮負(fù)荷方差的單目標(biāo)優(yōu)化結(jié)果高25%左右。與其他多目標(biāo)優(yōu)化情況相比，最優(yōu)權(quán)重系數(shù)情況所得結(jié)果都較好，而且此時的總充電費(fèi)用與總放電費(fèi)用的差值最小，這意味著EV用戶在參與調(diào)度時可以最大限度地獲得利益。該情況可以非常高效地吸引EV用戶主動參與調(diào)度。

3.3 傳統(tǒng)調(diào)度策略與本文調(diào)度策略對比

為了證明本文所提多次預(yù)測滾動優(yōu)化調(diào)度策略在全天時間尺度下優(yōu)化結(jié)果相較于傳統(tǒng)調(diào)度策略的優(yōu)越性，采用控制單變量方法以便進(jìn)行直觀的比對，分別以配電網(wǎng)網(wǎng)損、總匹配偏差度、總負(fù)荷方差最優(yōu)為目標(biāo)，得到某7天的調(diào)度結(jié)果如表2所示。

表2 2種調(diào)度策略的單目標(biāo)優(yōu)化調(diào)度結(jié)果對比Table 2 Comparison of single objective optimal scheduling results between two scheduling strategies

在傳統(tǒng)調(diào)度策略下，每個調(diào)度時段的尋優(yōu)往往只保證當(dāng)前時段的結(jié)果最優(yōu)，這樣會使得全天的調(diào)度結(jié)果不一定是最優(yōu)的；而本文所提多次預(yù)測滾動優(yōu)化調(diào)度策略因加入了日前預(yù)測以及實時的未來預(yù)測，從而可以從全局的角度出發(fā)確保全天調(diào)度結(jié)果最優(yōu)。由表2 可見，從全天的角度來看，本文調(diào)度策略的優(yōu)化調(diào)度結(jié)果明顯優(yōu)于傳統(tǒng)調(diào)度策略。

多目標(biāo)優(yōu)化調(diào)度策略與單目標(biāo)優(yōu)化調(diào)度策略有所不同，因為多目標(biāo)優(yōu)化調(diào)度策略需要兼顧3 個影響因素，所以其優(yōu)化結(jié)果的優(yōu)勢并不一定非常明顯。2 種調(diào)度策略的多目標(biāo)優(yōu)化調(diào)度結(jié)果對比如表3 所示。由表可知，相較于傳統(tǒng)調(diào)度策略，本文調(diào)度策略下每個優(yōu)化目標(biāo)的結(jié)果都有一定的優(yōu)勢，雖然提升的空間不夠大，但是從全天時間尺度的結(jié)果而言仍具有一定的優(yōu)勢。這說明本文調(diào)度策略能夠在保證配電網(wǎng)網(wǎng)損處于較低水平的同時，平滑負(fù)荷曲線并提升EV就地消納風(fēng)電的能力，從而驗證了所提策略是切實、有效的。

表3 2種調(diào)度策略的多目標(biāo)優(yōu)化調(diào)度結(jié)果對比Table 3 Comparison of multi-objective optimal scheduling results between two scheduling strategies

4 結(jié)論

未來EV 大量普及，這既是電網(wǎng)發(fā)展的一個機(jī)遇，也是一個挑戰(zhàn)。本文所提滾動優(yōu)化調(diào)度策略綜合考慮了EV 的移動儲能特性以及新能源風(fēng)電出力的不確定性，在分析EV各時段充放電行為傾向的前提下，從全天時間尺度對EV充放電行為進(jìn)行優(yōu)化調(diào)度。基于算例結(jié)果可得如下結(jié)論：

1）提出了EV充放電行為傾向評估函數(shù)，對各時段的EV 進(jìn)行聚合調(diào)度并規(guī)定其可選擇的充放電狀態(tài)，保證了充放電策略在用戶視角下的經(jīng)濟(jì)性；

2）以各時段配電網(wǎng)網(wǎng)損、匹配偏差度、負(fù)荷方差最小為優(yōu)化目標(biāo)，綜合規(guī)劃調(diào)度策略，并利用負(fù)荷方差的約束作用有效地抑制了EV 充電行為可能帶來的負(fù)荷高峰；

3）提出了一種基于日前預(yù)測的在線滾動調(diào)度策略用于篩選最優(yōu)策略，考慮當(dāng)前時段的充放電行為對未來系統(tǒng)狀態(tài)的影響，滾動更新實時數(shù)據(jù)，給出當(dāng)前時段的EV調(diào)度策略；

4）以IEEE 33 節(jié)點配電網(wǎng)系統(tǒng)為算例，分析了不同調(diào)度策略下的優(yōu)化調(diào)度結(jié)果，驗證了本文所提調(diào)度策略的有效性，表明在本文所提策略下以配電網(wǎng)網(wǎng)損、匹配偏差度以及負(fù)荷方差聯(lián)合作為優(yōu)化目標(biāo)，不僅能夠較好地消納風(fēng)能，還能防止出現(xiàn)新的負(fù)荷高峰，有效降低系統(tǒng)網(wǎng)損。

附錄見本刊網(wǎng)絡(luò)版（http：//www.epae.cn）。