基于信息間隙決策理論與動態(tài)分時(shí)電價(jià)的電動汽車接入虛擬電廠雙層經(jīng)濟(jì)調(diào)度策略

咼金瑞，張智俊，竇春霞

（1. 南京郵電大學(xué) 碳中和先進(jìn)技術(shù)研究院，江蘇 南京 210023；2. 南京郵電大學(xué) 自動化學(xué)院、人工智能學(xué)院，江蘇 南京 210023）

0 引言

當(dāng)前，能源危機(jī)與全球變暖問題日益顯著，引起了人們的廣泛關(guān)注［1］。虛擬電廠（VPP）是利用先進(jìn)的通信技術(shù)與控制理論聚合大量分布式資源的虛擬發(fā)電廠［2］，在解決上述問題方面發(fā)揮了重要的作用。此外，VPP 通過內(nèi)部的優(yōu)化調(diào)控使大量開發(fā)的分布式電源（DG）、大規(guī)模推廣使用的電動汽車（EV）等多種類型的分布式資源協(xié)調(diào)運(yùn)行，實(shí)現(xiàn)其內(nèi)部資源的有效分配?？梢?，VPP對節(jié)約能源、減少溫室氣體排放以及達(dá)成“雙碳”戰(zhàn)略目標(biāo)具有重要的意義［3］。然而，DG 出力的間隙性［4］會導(dǎo)致系統(tǒng)發(fā)生功率波動，并增大VPP 調(diào)度的難度［5］。同時(shí)，隨著EV 的大規(guī)模推廣使用，EV 的無序充電行為也加劇了EV 聚合商（EVA）的調(diào)度難度［6］。因此，如何在考慮DG 出力間隙性與EV 無序充電的場景下使VPP 與EVA 協(xié)調(diào)以達(dá)到整體成本最優(yōu)，是一個(gè)具有挑戰(zhàn)性的問題。

目前，已有大量關(guān)于VPP優(yōu)化控制、經(jīng)濟(jì)調(diào)度方面的研究。文獻(xiàn)［7］采用集中控制結(jié)構(gòu)實(shí)現(xiàn)VPP（包括熱電廠、風(fēng)電場、光伏電站）內(nèi)部風(fēng)電、供熱設(shè)備的運(yùn)行調(diào)度，但該控制結(jié)構(gòu)會導(dǎo)致在優(yōu)化過程中出現(xiàn)“維數(shù)災(zāi)難”問題。文獻(xiàn)［8］提出了一種自下而上的VPP 分散控制方法，基于激勵(lì)-響應(yīng)控制策略對VPP中的光伏、EV、空調(diào)等靈活性設(shè)備進(jìn)行優(yōu)化控制管理。文獻(xiàn)［9］基于多智能體結(jié)構(gòu)建立了VPP 調(diào)度模型，采用完全分散控制方式對各分布式單元進(jìn)行控制與調(diào)度。上述研究均針對“維數(shù)災(zāi)難”問題提出了很好的優(yōu)化控制解決方法，但未考慮DG 出力的間隙性。文獻(xiàn)［10］針對DG 出力的不確定性，提出了隨機(jī)規(guī)劃模型，并通過協(xié)調(diào)系統(tǒng)設(shè)備互補(bǔ)運(yùn)行以最大化收益。文獻(xiàn)［11］建立了以最小化系統(tǒng)總運(yùn)行成本為目標(biāo)的魯棒優(yōu)化調(diào)度模型，用于解決DG 出力的間隙性問題。文獻(xiàn)［12］采用概率模型來描述DG出力的不確定性，并調(diào)節(jié)靈活負(fù)載以實(shí)現(xiàn)能量優(yōu)化管理。然而，在上述研究中，VPP的優(yōu)化調(diào)度仍存在如下問題：①在不確定性方面，隨機(jī)規(guī)劃會導(dǎo)致計(jì)算效率低、魯棒優(yōu)化調(diào)度結(jié)果過于保守等問題；②在需求響應(yīng)方面，較少關(guān)注EV與柔性負(fù)荷。而在實(shí)際的運(yùn)行過程中，EV 與柔性負(fù)荷都是重要的靈活性調(diào)節(jié)響應(yīng)資源，所以在研究DG 出力間隙性的同時(shí)，考慮EV與柔性負(fù)荷的調(diào)度策略很有必要。

此外，已有研究考慮了EV 無序充電的EVA 優(yōu)化調(diào)度問題。文獻(xiàn)［13］針對大規(guī)模EV 無序充電的問題，基于分時(shí)電價(jià)（TOUP）提出了EV有序充電的方法，但只考慮了EV的充電行為。文獻(xiàn)［14］采用靜態(tài)TOUP 模型引導(dǎo)EV 進(jìn)行充放電以提高EV 的靈活性，但不能動態(tài)劃分各時(shí)段［15］，難以使EV 靈活參與系統(tǒng)調(diào)度，還可能發(fā)生大量EV選擇夜間低價(jià)時(shí)段充電所導(dǎo)致的另一負(fù)荷高峰的現(xiàn)象。文獻(xiàn)［16］提出了一種考慮電動出租車車網(wǎng)互動協(xié)同策略，以改善區(qū)域電網(wǎng)的可靠性，但僅考慮了電動出租車車主的收益。綜上可知，EV的無序充電行為對系統(tǒng)的穩(wěn)定、經(jīng)濟(jì)運(yùn)行有重要的影響，但已有研究主要集中在僅考慮EV有序充放電管理的EVA 經(jīng)濟(jì)調(diào)度方面，而在EVA 與VPP間的協(xié)調(diào)優(yōu)化調(diào)度方面仍缺乏充分的研究。

在我國“雙碳”戰(zhàn)略目標(biāo)的背景下，為了緩解DG出力間隙性帶來的系統(tǒng)功率波動及EV 無序充電行為導(dǎo)致的調(diào)度困難問題，本文從EVA 與VPP 協(xié)調(diào)優(yōu)化運(yùn)行的角度出發(fā)，提出了一種基于信息間隙決策理論（IGDT）與動態(tài)分時(shí)電價(jià)（DTOUP）的EV 接入VPP雙層經(jīng)濟(jì)調(diào)度策略。首先，針對DG出力的間隙性問題，采用IGDT 魯棒模型改善系統(tǒng)的穩(wěn)定性；其次，為了提高EV的靈活性，提出了基于“車-路”信息融合驅(qū)動的EV充電模型，并設(shè)計(jì)了基于模糊隸屬度函數(shù)的DTOUP模型與整體最優(yōu)指標(biāo)，以改善EVA與VPP 整體的經(jīng)濟(jì)性；然后，結(jié)合DTOUP 與“車-路”信息，構(gòu)建了以EVA 與VPP 交互成本和EV 里程焦慮成本最小化為目標(biāo)的EVA 優(yōu)化調(diào)度模型；最后，通過算例仿真驗(yàn)證了所提策略的優(yōu)越性，并詳細(xì)分析了相關(guān)參數(shù)、指標(biāo)對所提策略的影響。

1 VPP結(jié)構(gòu)及模型

1.1 VPP結(jié)構(gòu)

VPP 通常由多類型、多區(qū)域的分布式能源構(gòu)成，通過聚合多種能源來有效地降低DG 給電網(wǎng)運(yùn)行帶來的風(fēng)險(xiǎn)，并充分利用DG 效益以提高自身的靈活性與經(jīng)濟(jì)性。本文主要考慮的VPP 結(jié)構(gòu)如圖1 所示，其包含不可控的發(fā)電單元（風(fēng)電、光伏）、儲能系統(tǒng)（ESS）、負(fù)荷單元（可平移負(fù)荷（SL）、可中斷負(fù)荷（IL）、不可控的基礎(chǔ)負(fù)荷（BL））及大量具有靈活性的EV 充電站。其中，VPP 通過管控中心對各聚合單元進(jìn)行統(tǒng)一管理與控制。

圖1 VPP結(jié)構(gòu)Fig.1 Structure of VPP

1.2 基于“車-路”信息融合驅(qū)動的EV充電模型

本文構(gòu)建的基于“車-路”信息融合驅(qū)動的EV充電模型框架如附錄A 圖A1所示，該模型框架分為信息層、模型層、算法層3 層。首先，利用信息層生成模型層所需數(shù)據(jù)，模型層基于EV信息數(shù)據(jù)建立包含具體類型、駛?cè)耄偝鰰r(shí)刻等信息的EV 充電模型，并基于全球定位系統(tǒng)（GPS）信息數(shù)據(jù)構(gòu)建交通道路模型［17］；然后，利用算法層的蒙特卡羅抽樣方法生成一系列的EV 充電參數(shù)，并結(jié)合模型層中的速度-流量實(shí)用模型，根據(jù)最短行駛時(shí)間，確定EV 的最佳行駛路徑；最后，基于所得充電信息進(jìn)行反復(fù)抽樣，確定EV的充電功率曲線。

1.2.1 交通道路模型

1）道路拓?fù)浣Y(jié)構(gòu)。

本文研究的道路拓?fù)浣Y(jié)構(gòu)如附錄A 圖A2 所示。圖中，所有連接的道路均為雙行道，充電站1—3 分別位于道路節(jié)點(diǎn)2—4 處。本文基于圖論方法對道路拓?fù)溥M(jìn)行說明［18］，令G(V，E)表示道路網(wǎng)，V為道路節(jié)點(diǎn)集合，E為道路集合，則道路網(wǎng)的鄰接矩陣D如式（1）所示，節(jié)點(diǎn)g與節(jié)點(diǎn)k之間的道路長度dgk如式（2）所示。

式中：?gk為鄰接矩陣D的第g行第k列元素；∞表示兩節(jié)點(diǎn)之間不相連。

2）速度-流量實(shí)用模型。

在道路網(wǎng)中，EV 的行駛速度會受到該道路容量與車流量的影響［19］。本文在研究EV 的行駛過程時(shí)，采用速度-流量實(shí)用模型對t時(shí)段EV 在道路gk上的車速vgk(t)進(jìn)行描述，如式（3）所示。

式中：vgk，ff為道路gk的自由流速度；qgk(t)為t時(shí)段道路gk的車流量；egk為道路gk的實(shí)際通行能力，其大小與該道路的等級相關(guān)；qgk(t)/egk為t時(shí)段道路gk的飽和度；φ為關(guān)于qgk(t)/egk的非線性函數(shù)；m、n、ε為不同道路等級下的自適應(yīng)系數(shù)［19］。

1.2.2 EV充電模型

1）EV類型。

依據(jù)不同功能EV 的出行特點(diǎn)，可將EV 劃分為以下2類。

（1）電動出租車與非工作的電動私家車。它們的出行路線存在較大的隨機(jī)性，且出行次數(shù)多，充電地點(diǎn)也相對不固定，時(shí)空隨機(jī)性較大。

（2）其他類型的EV，如上班用的電動私家車、電動公務(wù)車及電動公交車。它們的出行路線較固定，充電地點(diǎn)也相對固定，時(shí)空規(guī)律性較強(qiáng)，因此本文不將其作為研究對象。

2）時(shí)空特性。

根據(jù)2009 年美國家庭出行調(diào)研數(shù)據(jù)，EV 行駛結(jié)束即開始充電時(shí)刻τ、日行駛里程d大致分別服從正態(tài)分布、對數(shù)正態(tài)分布［20］，其概率密度函數(shù)分別為：

式中：Wd，100為EV 行駛100 km 所需的電量；Pch為EV的充電功率；ηEVc為EV的充電效率。

根據(jù)上述模型，采用蒙特卡羅方法模擬EV日負(fù)荷并進(jìn)行累加，可得到VPP 內(nèi)EV 負(fù)荷的時(shí)空分布，并將其作為EV負(fù)荷的初始值代入雙層調(diào)度模型。

1.3 DTOUP模型

考慮到EV 充電負(fù)荷受用戶需求的影響而具有較大的充電時(shí)空隨機(jī)性，為了充分發(fā)揮EV 的靈活性，以有效地實(shí)施充電站的充放電調(diào)度計(jì)劃，本文基于模糊隸屬度函數(shù)建立DTOUP 模型，即上層VPP 管控中心根據(jù)每天的負(fù)荷用電以及DG 出力情況，重新選取分時(shí)段的區(qū)域，并給下層EVA 制定該時(shí)段的電價(jià)。DTOUP模型的具體描述如下。

通過制定DTOUP，下層EVA 內(nèi)的EV 用戶可以根據(jù)電價(jià)進(jìn)行靈活的充放電安排，選擇在電價(jià)較低的時(shí)段充電，并在電價(jià)較高的時(shí)段放電，以降低用電成本。進(jìn)一步地，上層基于下層反饋的充電計(jì)劃，重新修改DTOUP。

1.4 柔性負(fù)荷模型

1.4.1 SL模型

VPP 中SL 的總用電量是一定的，且其在各時(shí)段的用電量是可靈活調(diào)整的。SL模型可以表示為：

2 雙層經(jīng)濟(jì)調(diào)度模型

2.1 上層模型

2.1.1 目標(biāo)函數(shù)

上層模型以最小化VPP 總成本為目標(biāo)函數(shù)，其中VPP 總成本由VPP 與電網(wǎng)交互成本、需求響應(yīng)補(bǔ)償成本、VPP 與EVA 交互成本、ESS 運(yùn)行維護(hù)成本組成。

1）VPP與電網(wǎng)交互成本。

考慮到VPP 在運(yùn)行過程中會受到DG 出力間歇性等的影響而發(fā)生功率波動，可以通過向外部電網(wǎng)購售電以維持系統(tǒng)的功率平衡。t時(shí)段的VPP 與電網(wǎng)交互成本CVPPt可表示為：

式中：λSL、λIL分別為SL、IL的補(bǔ)償系數(shù)。

3）VPP與EVA交互成本。

上層VPP經(jīng)濟(jì)調(diào)度的目標(biāo)是在滿足系統(tǒng)內(nèi)各單元運(yùn)行約束的條件下，通過對各聚合單元進(jìn)行決策控制，使VPP總成本最小。則目標(biāo)函數(shù)可以表示為：

2.1.2 約束條件

在VPP 的運(yùn)行過程中，其內(nèi)部各單元需要滿足如下約束條件。

1）功率約束。

VPP 內(nèi)參與維持系統(tǒng)功率平衡的單元包括ESS、DG、EV 和負(fù)荷單元，功率平衡約束如式（19）所示。此外，VPP 與外部電網(wǎng)之間聯(lián)絡(luò)線的傳輸功率不能超過其安全范圍限制，即需滿足式（20）。

3）柔性負(fù)荷約束。

柔性負(fù)荷約束如式（12）和式（13）所示。

2.2 下層模型

2.2.1 目標(biāo)函數(shù)

下層模型以最小化EVA 內(nèi)EV 用戶總成本為目標(biāo)函數(shù)，其中EV 用戶總成本包括EVA 與VPP 交互成本和EV里程焦慮成本。

1）EVA與VPP交互成本。

VPP 制定DTOUP，EVA 內(nèi)的EV 用戶可以選擇在DTOUP 谷時(shí)段充電，在峰時(shí)段通過放電以降低自身的充電成本。t時(shí)段的EVA 與VPP 交互成本C～EVt可表示為：

式中：γ為單位時(shí)間與里程費(fèi)用的換算系數(shù)；ΔTgk為EV在道路gk上的行駛時(shí)間。

下層EVA 經(jīng)濟(jì)調(diào)度的目標(biāo)是在滿足EV 用戶充電需求的條件下，根據(jù)上層VPP 制定的DTOUP 對EV 的充放電計(jì)劃進(jìn)行決策安排，使EVA 內(nèi)的EV 用戶總成本最小。則目標(biāo)函數(shù)可以表示為：

2）EV電量約束。

在EVA 的調(diào)度過程中，為了確保EV 電量不會超過其電池容量，并保證在充電站結(jié)束充電時(shí)的電量能滿足用戶需求，需滿足如下約束：

3 IGDT魯棒模型

為了應(yīng)對VPP 中DG 單元出力具有嚴(yán)重不確定性的問題，本文采用IGDT 對上層模型中的DG 出力不確定性進(jìn)行建模。IGDT 是一種可以在不確定性因素的情形下有效對模型進(jìn)行優(yōu)化與控制的方法。IGDT 應(yīng)對不確定性的機(jī)制如附錄A 圖A4 所示［22］，圖中IGDT 包含了風(fēng)險(xiǎn)規(guī)避、機(jī)會尋求這2 個(gè)智能體。為了確定最佳決策變量，風(fēng)險(xiǎn)規(guī)避智能體最大化不確定性，而機(jī)會尋求智能體最大化目標(biāo)函數(shù)值減少的機(jī)會以確定最佳決策變量集合。

本文采用包絡(luò)約束對系統(tǒng)內(nèi)DG 出力不確定性進(jìn)行建模［22］，如式（35）所示。

4 模型求解

4.1 IGDT魯棒模型的求解流程

由式（36）可知，該模型求解較困難，其解與DG出力的波動區(qū)間有關(guān)聯(lián)，且波動區(qū)間也是模型求解的優(yōu)化目標(biāo)。由于這2 個(gè)問題之間存在相互聯(lián)系，故需建立上層以不確定區(qū)間最大化、下層以VPP 總成本最小化為目標(biāo)的雙層優(yōu)化模型［23］。附錄B。

4.2 雙層經(jīng)濟(jì)調(diào)度模型的求解流程

雙層經(jīng)濟(jì)調(diào)度模型的求解流程圖如圖2 所示，具體步驟見附錄C。

圖2 雙層經(jīng)濟(jì)調(diào)度模型的求解流程圖Fig.2 Flowchart of solving bi-level economic dispatch model

4.3 整體最優(yōu)指標(biāo)

為了確定上層與下層的最優(yōu)調(diào)度方案，本文定義了式（37）所示整體最優(yōu)指標(biāo)κ，其值越小，則整體優(yōu)化效果越好。

式中：f1、f2分別為上、下層的最優(yōu)調(diào)度成本。

5 算例分析

5.1 算例說明

為了驗(yàn)證本文所提雙層經(jīng)濟(jì)調(diào)度策略的有效性，基于圖1 所示的VPP 架構(gòu)進(jìn)行仿真，并與TOUP模型進(jìn)行對比分析。VPP 包含1 個(gè)發(fā)電單元、1 個(gè)儲能單元、3 座充電站及負(fù)荷單元，TOUP 采用的是與電網(wǎng)交易的電價(jià)。為了進(jìn)一步說明基于“車-路”信息融合驅(qū)動的EV充電模型的優(yōu)越性，基于附錄A圖A2 所示的道路拓?fù)洌瑢⑵渑c不考慮道路信息的情況進(jìn)行仿真對比分析。

本文假設(shè)該區(qū)域共有40 輛電動出租車和80 輛非工作的電動私家車，且車輛均需從圖A2中的節(jié)點(diǎn)1和節(jié)點(diǎn)5出發(fā)選擇充電站進(jìn)行充電。其中，設(shè)定電動出租車與非工作的電動私家車均可以多次放電，分別采用快速、慢速充放電方式進(jìn)行電能交互，每座充電站均配有交流和直流充電樁。

5.2 EV充電負(fù)荷的時(shí)空分布

基于蒙特卡羅方法模擬EV 充電負(fù)荷［17，19］，仿真次數(shù)為1 000 次，仿真周期為24 h，且以1 h 為時(shí)段間隔將其分為24 個(gè)時(shí)段。每條道路上的EV 充電需求時(shí)空分布及仿真區(qū)域的EV 充電負(fù)荷總需求分別如附錄D 圖D1 和圖D2 所示。各座充電站的EV 充電負(fù)荷曲線如圖3所示。

圖3 各座充電站的EV充電負(fù)荷曲線Fig.3 EV charging load curve of each charging station

由圖D1 可知：在時(shí)間分布上，EV 充電需求呈現(xiàn)2 個(gè)高峰時(shí)段，分別為時(shí)段3 和時(shí)段12，這2 個(gè)高峰時(shí)段有充電需求的EV 數(shù)量分別為12、16 輛；在空間分布上，EV 充電需求分布不均勻，這是因?yàn)榭紤]到不同時(shí)段道路的擁堵狀況不同，用戶有時(shí)會選擇路徑更長的道路前往充電站進(jìn)行充電，進(jìn)而導(dǎo)致充電需求在空間分布上存在差異。

由圖3 可知，EV 充電負(fù)荷呈現(xiàn)顯著的“雙高峰”特征，這是因?yàn)槌潆娬?、2在高峰時(shí)段對電動出租車進(jìn)行了快充服務(wù)。而在圖3（b）中，充電站2的EV 充電負(fù)荷也呈現(xiàn)“雙高峰”特征，這是因?yàn)榍巴潆娬? 的道路1-3、道路5-3 為最短路徑，在不考慮道路擁堵的情況下，有更多的電動出租車前往充電站2 充電，所以造成了“雙高峰”現(xiàn)象。通過對比分析可知，本文在考慮道路信息的情況下避免了同一充電站出現(xiàn)“雙高峰”充電負(fù)荷，有利于充電站的穩(wěn)定運(yùn)行。

由圖D2 可以看出，電動出租車采用快充方式，使時(shí)段4 與時(shí)段13 出現(xiàn)了負(fù)荷高峰，充電負(fù)荷分別為337.50、296.25 kW。本文將該EV 充電負(fù)荷總需求曲線作為第1次迭代過程中的EV負(fù)荷初始值。

5.3 調(diào)度成本及整體最優(yōu)指標(biāo)對比

基于DTOUP 模型和TOUP 模型的上層VPP 總成本、下層EV 用戶總成本和整體最優(yōu)指標(biāo)κ對比分別見圖4 和圖5。由圖可知：DTOUP 模型所得整體最優(yōu)指標(biāo)結(jié)果比TOUP 模型的??；基于DTOUP 模型的上層VPP 總成本、下層EV 用戶總成本在第2 次迭代時(shí)達(dá)到整體最優(yōu)，而TOUP模型在第1次迭代時(shí)就達(dá)到了整體最優(yōu)。但通過對比分析可知，本文所提基于DTOUP 模型的雙層經(jīng)濟(jì)調(diào)度策略比基于TOUP模型的策略效果好。因此，下文的相關(guān)分析都基于DTOUP模型第2次迭代所得雙層調(diào)度方案。

圖4 不同電價(jià)模型下的成本對比Fig.4 Comparison of cost between different price models

圖5 不同電價(jià)模型下的整體最優(yōu)指標(biāo)對比Fig.5 Comparison of overall optimal indicator between different price models

5.4 調(diào)度優(yōu)化結(jié)果

5.4.1 上層調(diào)度優(yōu)化結(jié)果

不同電價(jià)模型下的上層調(diào)度結(jié)果對比見附錄D圖D3。由圖可知，在本文所提DTOUP 模型下，VPP與電網(wǎng)的部分交互功率及ESS的部分充放電功率得到了提高，減少了負(fù)荷單元的功率調(diào)節(jié)。這表明DTOUP 模型對EV 充放電進(jìn)行調(diào)整能使系統(tǒng)運(yùn)行更加靈活。

5.4.2 下層調(diào)度優(yōu)化結(jié)果

不同電價(jià)模型下的下層調(diào)度結(jié)果對比見附錄D圖D4。由圖可知：EV 在DTOUP 模型下參與系統(tǒng)調(diào)度比在TOUP 模型下更加積極，避免了在系統(tǒng)負(fù)荷高峰時(shí)段進(jìn)行集中充電；此外，基于DTOUP 模型，EV 用戶選擇在低價(jià)時(shí)段充電、在高價(jià)時(shí)段放電，這樣不僅減少了自身的成本，還提高了VPP 整體的經(jīng)濟(jì)效益。

5.5 需求響應(yīng)分析

上層柔性負(fù)荷的需求響應(yīng)調(diào)度結(jié)果見附錄D 圖D5。由圖可知，負(fù)荷在電價(jià)較低時(shí)段響應(yīng)增加，在電價(jià)較高時(shí)段響應(yīng)降低。柔性負(fù)荷參與需求響應(yīng)減少了系統(tǒng)的調(diào)度成本，從而提高了系統(tǒng)運(yùn)行的經(jīng)濟(jì)性。

5.6 偏差因子β的影響分析

為了研究不同偏差因子β的影響，首先設(shè)置β的取值范圍為［0，0.2］，然后計(jì)算可接受的最大目標(biāo)函數(shù)值f′，最后得到最大的不確定性區(qū)間α、雙層調(diào)度成本及整體最優(yōu)指標(biāo)κ。

5.6.1β對α的影響

不同β取值下的α見圖6?？梢姡S著β增大，α也增大。這是因?yàn)棣猎龃?，PDGt在U(α，P～DGt)內(nèi)波動都可以使調(diào)度成本小于可接受的最大目標(biāo)函數(shù)值f′。

圖6 不同β取值下的αFig.6 α under different values of β

5.6.2β對雙層調(diào)度成本及整體最優(yōu)指標(biāo)的影響

不同β取值下的雙層調(diào)度成本及整體最優(yōu)指標(biāo)κ結(jié)果分別如圖7 和圖8 所示。由圖可知，隨著β增大，上層VPP 總成本與κ逐漸增大，而下層EV 用戶總成本幾乎保持不變，這主要是因?yàn)殡S著β增大，α也增大，決策者會考慮PDGt所導(dǎo)致的功率嚴(yán)重不平衡情況，致使需要更多的電能來保持功率平衡，進(jìn)而導(dǎo)致上層VPP總成本增大。由于上層通過柔性負(fù)荷進(jìn)行調(diào)節(jié)，使得系統(tǒng)的凈負(fù)荷變化較小，因此DTOUP 模型對下層沒有較大的影響，所以下層EV用戶總成本幾乎保持不變，但整體優(yōu)化效果逐漸變差，故隨著β增大，κ逐漸變大。

圖7 不同β 取值下的成本Fig.7 Costs under different values of β

圖8 不同β取值下的整體最優(yōu)指標(biāo)Fig.8 Overall optimal indicators under different values of β

5.7 IGDT模型的有效性分析

為了驗(yàn)證IGDT 模型處理PDGt不確定性的有效性，將其與文獻(xiàn)［24］中的多場景分析法（MSAM）進(jìn)行對比分析。IGDT 模型與MSAM 所得調(diào)度成本見附錄D 圖D6。由圖可知，隨著α增大，IGDT 模型所得調(diào)度成本也增大，而MSAM 所得調(diào)度成本幾乎保持不變，且都顯著大于IGDT 模型所得結(jié)果，這表明相較于MSAM，IGDT 模型更加符合實(shí)際情況。通過對比發(fā)現(xiàn)，IGDT模型的經(jīng)濟(jì)效益高于MSAM。

5.8 調(diào)度策略的計(jì)算時(shí)間分析

為了評估經(jīng)濟(jì)調(diào)度策略的實(shí)用性，附錄D 表D1給出了優(yōu)化流程迭代及整個(gè)優(yōu)化流程的計(jì)算時(shí)間。由表可見，整個(gè)優(yōu)化流程的總計(jì)算時(shí)間不超過5 min，且根據(jù)前文分析可知，第2 次迭代就產(chǎn)生了整體最優(yōu)調(diào)度方案，所需時(shí)間不超過1 min?？梢?，本文所提策略可以在較短的時(shí)間內(nèi)確定最優(yōu)調(diào)度方案。

6 結(jié)論

本文考慮DG 出力的間歇性和EV 的靈活性，提出了一種基于IGDT 與DTOUP 的EV 接入VPP 雙層經(jīng)濟(jì)調(diào)度策略。采用IGDT對DG出力不確定性進(jìn)行魯棒建模，基于模糊隸屬度函數(shù)設(shè)計(jì)了DTOUP 模型與整體最優(yōu)指標(biāo)，在EV充電負(fù)荷模型中融合了“車-路”多源信息?；谒憷抡骝?yàn)證了所提調(diào)度策略的有效性，所得結(jié)論如下。

1）本文采用的IGDT 魯棒模型總能得到比決策者制定的目標(biāo)函數(shù)值小的調(diào)度成本，且相較于傳統(tǒng)的MSAM，IGDT 魯棒模型更加合理，經(jīng)濟(jì)性更高。同時(shí)，所考慮的需求響應(yīng)模型提高了系統(tǒng)的供需平衡能力及經(jīng)濟(jì)性。

2）與傳統(tǒng)的TOUP 模型相比，本文設(shè)計(jì)的DTOUP 模型可以更靈活地引導(dǎo)EV 進(jìn)行充放電，使EVA 與VPP 整體的經(jīng)濟(jì)效益得到進(jìn)一步提升。此外，所提整體最優(yōu)指標(biāo)κ能夠更好地確定雙層最優(yōu)調(diào)度方案，使得調(diào)度策略更加合理。

3）考慮道路擁堵信息，本文所提模型避免了充電站的“雙高峰”充電負(fù)荷，有利于充電站的穩(wěn)定運(yùn)行，EVA 能更合理地進(jìn)行充放電規(guī)劃。同時(shí)，從調(diào)度策略的計(jì)算時(shí)間結(jié)果可看出，本文所提策略可在較短的時(shí)間內(nèi)確定最優(yōu)調(diào)度方案以滿足實(shí)際應(yīng)用需求。

本文采用蒙特卡羅方法模擬EV充電負(fù)荷，其精度與計(jì)算速度還有待提高。此外，在EV充電模型中還存在復(fù)雜的多源信息。因此，采用改進(jìn)的抽樣算法模擬EV充電負(fù)荷以及在EV充電模型中考慮氣候環(huán)境信息將是下一步的研究重點(diǎn)。

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