基于GRU-MPC的光儲(chǔ)充電站日前-日內(nèi)兩階段優(yōu)化控制

王 陽，劉希喆

（華南理工大學(xué) 電力學(xué)院，廣東 廣州 510641）

0 引言

近年來，隨著能源短缺、氣候變暖等能源環(huán)境問題的日益嚴(yán)峻，電動(dòng)汽車EV（Electric Vehicle）行業(yè)得到了蓬勃發(fā)展，EV 充電站的數(shù)量也日益增多［1］。配置了光伏發(fā)電與儲(chǔ)能系統(tǒng)的快充站在日照時(shí)段利用光伏發(fā)電滿足部分日常負(fù)荷用電需求，基于分時(shí)電價(jià)，利用儲(chǔ)能系統(tǒng)的“低儲(chǔ)高放”獲取最大的經(jīng)濟(jì)利益，通過“削峰填谷”平抑負(fù)荷波動(dòng)，可在保證經(jīng)濟(jì)效益的同時(shí)促進(jìn)節(jié)能減排。目前，對光儲(chǔ)充電站的研究主要集中在優(yōu)化容量配置與日前控制策略方面。文獻(xiàn)［2-5］分別以投資成本與碳排放最小、電網(wǎng)出力曲線峰谷差減小、充電站經(jīng)濟(jì)效益最大作為優(yōu)化目標(biāo)，建立光儲(chǔ)充電站容量配置模型，基于典型日或多場景負(fù)荷數(shù)據(jù)，利用粒子群、遺傳算法等智能算法對模型進(jìn)行求解，得到最優(yōu)儲(chǔ)能、光伏的容量配置。為了實(shí)現(xiàn)充電站每日的最優(yōu)運(yùn)營，提高儲(chǔ)能的利用率，文獻(xiàn)［6-8］在現(xiàn)有充電站配置的基礎(chǔ)上建立儲(chǔ)能日前優(yōu)化模型，綜合考慮充電站經(jīng)濟(jì)效益與儲(chǔ)能系統(tǒng)的壽命損耗，求解出一日內(nèi)儲(chǔ)能系統(tǒng)的最優(yōu)出力計(jì)劃。日前計(jì)劃能否適用于實(shí)際日的關(guān)鍵在于對日內(nèi)負(fù)荷預(yù)測的準(zhǔn)確性，由于負(fù)荷的經(jīng)濟(jì)敏感性，對負(fù)荷預(yù)測的較小偏差都會(huì)造成日內(nèi)運(yùn)行無法實(shí)現(xiàn)經(jīng)濟(jì)最優(yōu)，因此，增強(qiáng)儲(chǔ)能控制策略對不確定負(fù)荷的跟蹤能力、實(shí)現(xiàn)光儲(chǔ)充電站的日內(nèi)滾動(dòng)優(yōu)化尤為重要。

關(guān)于微電網(wǎng)日內(nèi)滾動(dòng)優(yōu)化的研究主要集中在發(fā)電側(cè)與電網(wǎng)側(cè)，通常微電網(wǎng)的可控制量較多，調(diào)控空間較大，儲(chǔ)能僅作為一種輔助手段用于配合多尺度的調(diào)控計(jì)劃或促進(jìn)新能源的消納。文獻(xiàn)［9］通過場景生成法生成大量源荷相關(guān)場景，利用場景相似度對源荷進(jìn)行預(yù)測，以配電網(wǎng)期望運(yùn)行成本最小為目標(biāo)建立日前優(yōu)化模型，并在日內(nèi)階段采用模型預(yù)測控制MPC（Model Predictive Control）對機(jī)組、儲(chǔ)能、無功補(bǔ)償裝置等可調(diào)資源進(jìn)行調(diào)控。文獻(xiàn)［10］結(jié)合信息間隙決策理論IGDT（Information Gap Decision Theory）與MPC 建立區(qū)域能源系統(tǒng)的雙層能量優(yōu)化模型，通過在日前調(diào)度采用魯棒優(yōu)化以及在日內(nèi)階段采用MPC 滾動(dòng)優(yōu)化修正日前調(diào)度偏差，其中控制對象為燃?xì)廨啓C(jī)、余熱鍋爐以及各類儲(chǔ)能設(shè)備。文獻(xiàn)［11］將高壓配電網(wǎng)負(fù)荷轉(zhuǎn)供與儲(chǔ)能電站運(yùn)行相協(xié)調(diào)，在日內(nèi)階段采用滾動(dòng)優(yōu)化來精準(zhǔn)調(diào)控儲(chǔ)能電站出力，達(dá)到降低避峰切負(fù)荷風(fēng)險(xiǎn)、消除阻塞、提高能源消納水平的目的。光儲(chǔ)充電站屬于用戶側(cè)儲(chǔ)能，主要的控制對象是儲(chǔ)能系統(tǒng)，控制手段單一，實(shí)現(xiàn)精細(xì)化操控以及達(dá)到最優(yōu)化的難度較大。

目前對光儲(chǔ)充電站日內(nèi)優(yōu)化的研究較少。文獻(xiàn)［12］對含多條公交線路的光儲(chǔ)充電站進(jìn)行日內(nèi)優(yōu)化，通過改進(jìn)排隊(duì)理論對公交車的充電需求進(jìn)行預(yù)測，并利用滾動(dòng)優(yōu)化控制下一時(shí)段的儲(chǔ)能出力以降低車站的運(yùn)營成本，但其僅考慮公交車的充電，而未對隨機(jī)性更強(qiáng)的家用EV 的充電需求進(jìn)行分析。文獻(xiàn)［13］提出一種基于深度強(qiáng)化學(xué)習(xí)的光儲(chǔ)充電站儲(chǔ)能系統(tǒng)全壽命周期優(yōu)化運(yùn)行方法，在日內(nèi)調(diào)控階段考慮需求、光伏與電價(jià)的不確定性，并采用雙延遲深度確定性策略梯度算法進(jìn)行求解，但是深度學(xué)習(xí)需要大量的數(shù)據(jù)進(jìn)行預(yù)學(xué)習(xí)以及訓(xùn)練，在實(shí)際運(yùn)行中可能難以實(shí)現(xiàn)。

基于上述研究，為了充分發(fā)揮儲(chǔ)能與光伏系統(tǒng)的作用，實(shí)現(xiàn)充電站最優(yōu)經(jīng)濟(jì)效益運(yùn)行，本文建立光儲(chǔ)充電站日前-日內(nèi)兩階段優(yōu)化控制模型。在日前優(yōu)化階段，綜合考慮各類電費(fèi)成本以及儲(chǔ)能壽命損耗，建立以充電站日成本最低為目標(biāo)的優(yōu)化模型，并基于歷史負(fù)荷數(shù)據(jù)結(jié)合變分模態(tài)分解VMD（Variational Mode Decomposition）與門控循環(huán)單元GRU（Gate Recurrent Unit）（記為VMD-GRU）神經(jīng)網(wǎng)絡(luò)對后一日的負(fù)荷進(jìn)行預(yù)測，基于此，通過日前優(yōu)化模型得到日前經(jīng)濟(jì)最優(yōu)調(diào)度計(jì)劃。在日內(nèi)階段，以日前調(diào)度計(jì)劃作為參考軌跡，采用MPC 進(jìn)行滾動(dòng)優(yōu)化，并結(jié)合充電站能量管理系統(tǒng)能夠預(yù)測站內(nèi)超短期負(fù)荷的特點(diǎn)，在關(guān)鍵時(shí)間點(diǎn)對日前調(diào)度計(jì)劃進(jìn)行更新，使得參考軌跡更接近真實(shí)值。最后基于實(shí)際充電站算例，設(shè)計(jì)3 種控制方案進(jìn)行比較，結(jié)果表明本文提出的兩階段控制策略具有最好的經(jīng)濟(jì)效益。

1 基于VMD-GRU 神經(jīng)網(wǎng)絡(luò)的充電站負(fù)荷預(yù)測

GRU 神經(jīng)網(wǎng)絡(luò)是在長短期記憶LSTM（Long Short-Term Memory）神經(jīng)網(wǎng)絡(luò)模型的基礎(chǔ)上提出的，與LSTM 神經(jīng)網(wǎng)絡(luò)相比，GRU 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練參數(shù)較少，其保持了與LSTM 神經(jīng)網(wǎng)絡(luò)接近的預(yù)測效果，并且解決了傳統(tǒng)時(shí)序神經(jīng)網(wǎng)絡(luò)中容易出現(xiàn)的梯度爆炸問題，在電力負(fù)荷等長時(shí)間序列的預(yù)測方面應(yīng)用廣泛［14］。GRU神經(jīng)網(wǎng)絡(luò)的模型結(jié)構(gòu)圖如附錄A所示。

根據(jù)歷史數(shù)據(jù)對未來時(shí)段的負(fù)荷進(jìn)行預(yù)測屬于回歸任務(wù)，因此，本文選取均方誤差MSE（Mean Square Error）作為神經(jīng)網(wǎng)絡(luò)的損失函數(shù)，具體公式為：

式中：εMSE為MSE；N為樣本總數(shù)；fi、yi分別為第i個(gè)樣本的預(yù)測值與實(shí)際值。

電力負(fù)荷具有隨機(jī)性、波動(dòng)性的特點(diǎn)，單一神經(jīng)網(wǎng)絡(luò)往往無法對其中的規(guī)律性進(jìn)行很好的擬合，因此，本文提出采用VMD 對負(fù)荷信號(hào)進(jìn)行預(yù)處理。VMD 是一種自適應(yīng)、完全非遞歸的模態(tài)變分和信號(hào)處理方法，可以降低復(fù)雜度高和非線性強(qiáng)的時(shí)間序列非平穩(wěn)性，發(fā)現(xiàn)時(shí)間序列在不同時(shí)間尺度下的變化規(guī)律。本文采用VMD 將復(fù)合序列分解為多個(gè)子序列，對于每個(gè)子序列都采用GRU 神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測，再將預(yù)測結(jié)果重構(gòu)生成最終的負(fù)荷數(shù)據(jù)?？紤]到預(yù)測算法存在多種超參數(shù)，本文增加粒子群優(yōu)化算法進(jìn)行參數(shù)尋優(yōu)。

2 光儲(chǔ)充電站運(yùn)行模型

2.1 儲(chǔ)能系統(tǒng)

儲(chǔ)能電池被廣泛應(yīng)用于智能電網(wǎng)與分布式發(fā)電系統(tǒng)的建設(shè)中，在發(fā)電、輸電與配電方面都起到了巨大的作用［15］。儲(chǔ)能系統(tǒng)主要由電池電堆、儲(chǔ)能變流器系統(tǒng)和電池管理系統(tǒng)組成。儲(chǔ)能電池通過當(dāng)前時(shí)刻的運(yùn)行狀態(tài)和剩余容量狀態(tài)確定下一時(shí)刻的充、放電功率和運(yùn)行模式。儲(chǔ)能電池的輸入、輸出功率與損耗計(jì)算如下：

2.2 光伏系統(tǒng)

光伏發(fā)電系統(tǒng)一般由太陽能電池方陣、逆變器、交流配電柜、太陽跟蹤控制系統(tǒng)等設(shè)備組成。光伏陣列的直流功率輸出與當(dāng)?shù)氐墓庹辗怠囟茸兓嘘P(guān)［16］，即：

式中：PPV(t)為t時(shí)刻光伏系統(tǒng)的交流出力；Ppmpp為在25 ℃、1 kW／m2光照下最大出力基準(zhǔn)值；PI(t)為t時(shí)刻與1 kW／m2對應(yīng)的光照幅值比例因子；PT(t)為t時(shí)刻與25 ℃對應(yīng)的溫度特性比例因子；ηeff為逆變器的轉(zhuǎn)換效率。

3 日前-日內(nèi)經(jīng)濟(jì)優(yōu)化模型

3.1 日前優(yōu)化模型

1）目標(biāo)函數(shù)。

模型的目標(biāo)函數(shù)為光儲(chǔ)充電站的日內(nèi)運(yùn)行總成本最小，其中包括充電電費(fèi)、固定電費(fèi)與儲(chǔ)能投資成本?？刂泼總€(gè)時(shí)刻儲(chǔ)能的充、放電功率，使儲(chǔ)能的經(jīng)濟(jì)效益達(dá)到最大，并利用雨流計(jì)數(shù)法將儲(chǔ)能的壽命年限與儲(chǔ)能投資成本結(jié)合并折算為儲(chǔ)能系統(tǒng)總投資成本。計(jì)算公式如式（6）—（8）所示。

式中：Ssoc.min、Ssoc.max分別為儲(chǔ)能電池電量的最小值與最大值，分別為額定滿電量的10%和90%。

為了保障儲(chǔ)能電池的安全運(yùn)行，每個(gè)時(shí)刻電池的容量與充、放電功率均需要限制在規(guī)定的范圍內(nèi)，即：

式中：Pcs(t)為t時(shí)刻臺(tái)區(qū)凈負(fù)荷；PEV(t)為t時(shí)刻EV充電負(fù)荷；Pin，out(t)表示Pin(t)或者Pout(t)；Pmax為設(shè)定的充電站臺(tái)區(qū)最大負(fù)荷；PPV.max為光伏系統(tǒng)最大出力。為了避免因儲(chǔ)能電池的放電功率大于EV 充電負(fù)荷而造成潮流逆轉(zhuǎn)，以及因臺(tái)區(qū)負(fù)荷越限而不利于變壓器的經(jīng)濟(jì)運(yùn)行，需要對充電站臺(tái)區(qū)的總體負(fù)荷進(jìn)行約束。

3.2 日內(nèi)滾動(dòng)優(yōu)化模型

3.2.1 MPC優(yōu)化

EV充電需求與光伏出力具有不確定性且光儲(chǔ)充電站屬于用戶側(cè)微電網(wǎng)，控制對象與控制方法較少，日前調(diào)度計(jì)劃與日內(nèi)的實(shí)際運(yùn)行情況往往存在一定偏差，若按照日前計(jì)劃進(jìn)行儲(chǔ)能控制，則無法達(dá)到經(jīng)濟(jì)最優(yōu)甚至?xí)斐商潛p，因此本文設(shè)計(jì)基于MPC 的日內(nèi)滾動(dòng)優(yōu)化模型。MPC具有一定的預(yù)測系統(tǒng)未來動(dòng)態(tài)行為的能力，可以有效克服過程的不確定性，在日內(nèi)實(shí)際運(yùn)行中保證模型運(yùn)行的經(jīng)濟(jì)性［17-18］。

MPC 的基礎(chǔ)是設(shè)定預(yù)測模型，考慮到光儲(chǔ)充電站的優(yōu)化調(diào)度屬于含非線性、不確定性的多輸入、輸出問題，將狀態(tài)空間表達(dá)式作為預(yù)測模型，具體的狀態(tài)空間表達(dá)式為：

3.2.2 基于關(guān)鍵時(shí)刻更新的優(yōu)化機(jī)制

傳統(tǒng)的MPC 通過將控制序列中的第1項(xiàng)作為系統(tǒng)輸入以及在每次采樣的初期將狀態(tài)矩陣的初始值更新為狀態(tài)量的實(shí)際測量值完成反饋矯正，在時(shí)域上不斷迭代進(jìn)行滾動(dòng)優(yōu)化，具有一定的魯棒性與穩(wěn)定性。但MPC 的控制效果仍然取決于參考軌跡的選擇，當(dāng)日內(nèi)實(shí)際的負(fù)荷變化與參考軌跡差別較大時(shí)，最終的控制結(jié)果也會(huì)有較大誤差，不能達(dá)到經(jīng)濟(jì)最優(yōu)。因此，本文結(jié)合光儲(chǔ)充電站管理系統(tǒng)，根據(jù)站內(nèi)實(shí)時(shí)的充電EV 數(shù)量、充電情況對短期EV 負(fù)荷進(jìn)行精確預(yù)測，設(shè)計(jì)一種在關(guān)鍵時(shí)間點(diǎn)更新參考軌跡的方法，將站內(nèi)超短期負(fù)荷預(yù)測的結(jié)果與日前預(yù)測結(jié)果相結(jié)合，并將新生成的負(fù)荷數(shù)據(jù)代入日前控制模型來生成新的參考軌跡。EV 負(fù)荷與光伏出力的短期負(fù)荷更新公式為：

式中：P′EV(t′+T)、P′PV(t′+T)分別為預(yù)測時(shí)域T內(nèi)的更新預(yù)測負(fù)荷與光伏出力，t′為關(guān)鍵時(shí)間點(diǎn)；Ps(t′+T)為充電樁s在預(yù)測時(shí)域內(nèi)的計(jì)劃充電功率；S為充電樁總數(shù)；ε為均勻分布的測量誤差。預(yù)測時(shí)域內(nèi)的溫度與光照信息由天氣預(yù)報(bào)得到。

利用關(guān)鍵時(shí)間點(diǎn)進(jìn)行更新，有效避免了每個(gè)采樣時(shí)刻參考軌跡都變化所造成的控制效果保守的問題。具體的算法流程圖如圖1所示。

圖1 算法流程圖Fig.1 Algorithm flowchart

4 算例分析

4.1 基于VMD-GRU神經(jīng)網(wǎng)絡(luò)的負(fù)荷預(yù)測結(jié)果

在日前負(fù)荷預(yù)測方面，將我國華南某地區(qū)兩年間每天48 個(gè)采樣點(diǎn)的EV 充電負(fù)荷作為實(shí)驗(yàn)樣本數(shù)據(jù)集，共35 040 個(gè)采樣點(diǎn)。首先利用VMD 將負(fù)荷時(shí)間序列進(jìn)行分解，設(shè)置模態(tài)分解個(gè)數(shù)為5，分解結(jié)果如圖2所示。

由圖2 可以看出，IMF1與IMF2分量體現(xiàn)了負(fù)荷在長時(shí)間尺度下的變化規(guī)律，IMF3—IMF5分量體現(xiàn)了負(fù)荷在較短時(shí)間尺度下的變化規(guī)律，因此采用VMD可以更清晰地提取時(shí)間序列的變化規(guī)律。

圖2 VMD結(jié)果圖Fig.2 Diagram of VMD results

將標(biāo)準(zhǔn)化處理后的負(fù)荷分解數(shù)據(jù)按7∶2∶1 的比例分為訓(xùn)練集、測試集和驗(yàn)證集。為了實(shí)現(xiàn)通過前7 d 的負(fù)荷預(yù)測后1 d 的負(fù)荷，以前7 d 中7×48 個(gè)時(shí)刻與后1 d 中48 個(gè)時(shí)刻的數(shù)據(jù)構(gòu)建時(shí)間滑窗。利用GRU 神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，每次迭代的樣本批次為32，節(jié)點(diǎn)數(shù)為64，學(xué)習(xí)率設(shè)置為0.001，選用Adam 算法進(jìn)行梯度優(yōu)化，最終得到不同網(wǎng)絡(luò)預(yù)測的日負(fù)荷曲線，如圖3所示。不同神經(jīng)網(wǎng)絡(luò)的性能比較如表1所示，表中RMSE、MAPE分別為均方根誤差和平均絕對百分比誤差。

表1 不同神經(jīng)網(wǎng)絡(luò)性能比較Table 1 Performance comparison of different neural networks

圖3 不同神經(jīng)網(wǎng)絡(luò)的預(yù)測曲線Fig.3 Prediction curves of different neural networks

由圖3 可知，VMD-GRU 神經(jīng)網(wǎng)絡(luò)對負(fù)荷預(yù)測有著較好的表現(xiàn)，其預(yù)測曲線與實(shí)際值的整體相似程度較高，準(zhǔn)確捕捉到了時(shí)序負(fù)荷序列的典型規(guī)律特征與隨機(jī)波動(dòng)。結(jié)合表1 可知，VMD-GRU 神經(jīng)網(wǎng)絡(luò)的負(fù)荷預(yù)測效果最優(yōu)，尤其是負(fù)荷高峰時(shí)段（10:00—12:00、18:00—21:00）的負(fù)荷預(yù)測效果，這說明VMD可以較好地提取負(fù)荷高峰時(shí)段的負(fù)荷變化規(guī)律，也更有利于后續(xù)日內(nèi)控制對儲(chǔ)能進(jìn)行提前存儲(chǔ)等動(dòng)作。CNN-GRU神經(jīng)網(wǎng)絡(luò)與XGboost的負(fù)荷預(yù)測效果次優(yōu)，其全時(shí)段MAPE與VMD-GRU神經(jīng)網(wǎng)絡(luò)的相差不大，但這2 種神經(jīng)網(wǎng)絡(luò)對負(fù)荷高峰時(shí)段的負(fù)荷預(yù)測效果稍差。CNN 的負(fù)荷預(yù)測效果最差，這是因?yàn)镃NN 適用于處理多維數(shù)據(jù)，對1 維時(shí)間序列的預(yù)測能力不如其他網(wǎng)絡(luò)。

4.2 日前優(yōu)化結(jié)果分析

根據(jù)當(dāng)?shù)氐呢?fù)荷需求情況，以一座有10 個(gè)充電樁的快充光儲(chǔ)充電站作為算例進(jìn)行分析，每個(gè)充電樁的快充功率為120 kW，儲(chǔ)能容量為1 300 kW·h。考慮到充電站屋頂面積的限制，光伏系統(tǒng)容量為50 kW。為了避免多次存儲(chǔ)造成功率損耗，光伏系統(tǒng)采取“自發(fā)自用”的策略，不考慮儲(chǔ)能存儲(chǔ)光伏電能，日前模型的光伏出力由預(yù)測的天氣數(shù)據(jù)換算得到。除去從存儲(chǔ)介質(zhì)向電能轉(zhuǎn)換相關(guān)的充、放電損耗后，儲(chǔ)能電池的平均充、放電能量效率為90%，逆變器的轉(zhuǎn)換效率為95%，儲(chǔ)能系統(tǒng)整體充、放電效率為73%。儲(chǔ)能系統(tǒng)的配置價(jià)格為4 500 元／（kW·h）。選取2019 年5 月5 日的預(yù)測負(fù)荷作為日前控制模型的負(fù)荷數(shù)據(jù)，日前與日內(nèi)優(yōu)化模型均采用YALMIP軟件包中的CPLEX 求解器進(jìn)行求解，模型的優(yōu)化結(jié)果如圖4所示。

由圖4 可知，分時(shí)電價(jià)為儲(chǔ)能日前優(yōu)化中最主要的導(dǎo)向因素，儲(chǔ)能系統(tǒng)在夜間電價(jià)較低的時(shí)段進(jìn)行充電，在電價(jià)最高的11:00、15:00—16:00 進(jìn)行放電，以獲得最高的經(jīng)濟(jì)利益，同時(shí)為了彌補(bǔ)電池容量的不足，選擇在午間電價(jià)稍低的時(shí)段進(jìn)行二次充電。在減少固定電費(fèi)方面，日前計(jì)劃中綜合考慮儲(chǔ)能充電導(dǎo)致的站內(nèi)凈負(fù)荷攀升與EV峰值負(fù)荷，對該日內(nèi)充電站的峰值負(fù)荷進(jìn)行一定的削減。最終，經(jīng)過日前優(yōu)化，該日充電電費(fèi)共節(jié)省18.4%，約為999 元，固定電費(fèi)節(jié)省18.9%，約為139.2 元，結(jié)合儲(chǔ)能折算成本，該日凈收益為337.1元。

圖4 日前優(yōu)化結(jié)果Fig.4 Day-ahead optimization results

4.3 日內(nèi)優(yōu)化結(jié)果分析

在日內(nèi)優(yōu)化階段，本文設(shè)置3 種方案進(jìn)行對比：方案1，利用CNN-GRU 神經(jīng)網(wǎng)絡(luò)預(yù)測數(shù)據(jù)生成日前控制計(jì)劃，在此基礎(chǔ)上進(jìn)行MPC 日內(nèi)滾動(dòng)優(yōu)化；方案2，利用VMD-GRU 神經(jīng)網(wǎng)絡(luò)預(yù)測數(shù)據(jù)生成的參考軌跡進(jìn)行MPC 日內(nèi)滾動(dòng)優(yōu)化；方案3，在方案2 的基礎(chǔ)上增加關(guān)鍵節(jié)點(diǎn)負(fù)荷更新操作。MPC預(yù)測時(shí)域?yàn)? h，時(shí)間分辨率為30 min，站內(nèi)能量系統(tǒng)負(fù)荷預(yù)測時(shí)域?yàn)?.5 h，以08:00、11:00、14:00、18:00 作為關(guān)鍵時(shí)間點(diǎn)。最優(yōu)方案與3 種對比方案運(yùn)行后的站內(nèi)凈負(fù)荷對比曲線如圖5 所示，其中最優(yōu)方案是指在實(shí)際充電負(fù)荷與光伏出力已知的情況下運(yùn)行日前模型得到的最優(yōu)方案。方案1—3 的凈負(fù)荷曲線與最優(yōu)負(fù)荷的誤差如表2所示。

表2 不同方案的負(fù)荷誤差Table 2 Load error of different schemes

圖5 日內(nèi)優(yōu)化結(jié)果Fig.5 Intra-day optimization results

由圖5 與表2 可知：方案1 的控制效果最差，這是因?yàn)轭A(yù)測日負(fù)荷與實(shí)際日負(fù)荷在負(fù)荷高峰與高電價(jià)時(shí)段有一定差異，按照預(yù)測日的數(shù)據(jù)進(jìn)行調(diào)控不僅在高電價(jià)時(shí)段沒有最大限度放電來將負(fù)荷削減到最低，而且在19:00—21:00 的負(fù)荷高峰時(shí)段對峰值負(fù)荷的抑制效果也較差，同時(shí)由于對未來負(fù)荷預(yù)測得不夠準(zhǔn)確，二次充電時(shí)“峰上加峰”帶來的新的峰值負(fù)荷影響了日內(nèi)經(jīng)濟(jì)運(yùn)行；相較于方案1，方案2有更好的優(yōu)化效果，但是由于預(yù)測日負(fù)荷與實(shí)際日負(fù)荷間存在一定誤差，最終的控制效果無法達(dá)到最優(yōu)；相較于方案2，方案3 的凈負(fù)荷曲線與最優(yōu)方案的曲線最為相似，其全時(shí)段與高電價(jià)時(shí)段的MAPE均為最低，這是因?yàn)榉桨? 加入了站內(nèi)超短期負(fù)荷預(yù)測操作，并在關(guān)鍵時(shí)間點(diǎn)對參考軌跡進(jìn)行了更新，使得其在日內(nèi)的參考軌跡均最接近真實(shí)值，相較于方案1 和方案2，其峰值負(fù)荷誤差最小，高電價(jià)時(shí)段放出的電量最多。為了進(jìn)一步分析3 種方案的經(jīng)濟(jì)效益，表3 給出了各類成本效益數(shù)據(jù)，其中貼現(xiàn)率r=0.03。

表3 各類成本效益數(shù)據(jù)Table 3 Various cost-benefit data

由表3 可知：方案1 的優(yōu)化效果最差，其在二次充電時(shí)的充電功率過大，導(dǎo)致負(fù)荷攀升，從而出現(xiàn)了較大的峰值負(fù)荷，因此折算固定電費(fèi)較高；方案2 的整體經(jīng)濟(jì)優(yōu)化水平較為中庸，該方案雖然有一定的反饋機(jī)制，但是未深入地與實(shí)際源荷情況相結(jié)合，導(dǎo)致魯棒性不足；相較于方案1 與方案2，方案3 在電量電費(fèi)、折算固定電費(fèi)和電池日折算成本方面均有更好的經(jīng)濟(jì)效益，其運(yùn)行期間日收益比前2 種方案分別增加26.7%與9.8%，優(yōu)化效果與理想情況最接近，運(yùn)行期間日收益約為理想情況的85.0%。

5 結(jié)論

EV 充電負(fù)荷與光伏出力具有很強(qiáng)的隨機(jī)性與不確定性，為了減少預(yù)測誤差造成的調(diào)控運(yùn)行偏差所帶來的經(jīng)濟(jì)損失，本文利用VMD-GRU 神經(jīng)網(wǎng)絡(luò)對后一日的負(fù)荷進(jìn)行預(yù)測，在日內(nèi)根據(jù)站內(nèi)實(shí)時(shí)的充電狀態(tài)對預(yù)測負(fù)荷進(jìn)行精準(zhǔn)更新，并綜合各類成本建立經(jīng)濟(jì)最優(yōu)的光儲(chǔ)充電站日前-日內(nèi)兩階段優(yōu)化控制模型，仿真分析得到了以下結(jié)論。

1）結(jié)合歷史負(fù)荷數(shù)據(jù)，通過VMD-GRU 神經(jīng)網(wǎng)絡(luò)對后一日的EV充電負(fù)荷進(jìn)行預(yù)測，所得預(yù)測值與實(shí)際值偏差較小，在峰值負(fù)荷的預(yù)測上有較好的效果。

2）本文建立充電站兩階段優(yōu)化控制模型，在日前階段綜合考慮電量電費(fèi)、固定電費(fèi)與電池成本，結(jié)合精準(zhǔn)的負(fù)荷預(yù)測算法，最終的結(jié)果為日內(nèi)階段提供了較好的參考軌跡。在日前優(yōu)化的基礎(chǔ)上，日內(nèi)階段采用基于關(guān)鍵時(shí)間點(diǎn)更新軌跡的MPC 對儲(chǔ)能系統(tǒng)進(jìn)行滾動(dòng)優(yōu)化控制。與其他控制策略的仿真結(jié)果對比表明，本文所提策略可以節(jié)省最多的充電成本，為日后的實(shí)際運(yùn)營提供了理論參考。

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