考慮風(fēng)光不確定性與電動(dòng)汽車的綜合能源系統(tǒng)低碳經(jīng)濟(jì)調(diào)度

張 程，匡 宇，鄒復(fù)民，2，劉佳靜，李傳棟

（1. 福建工程學(xué)院 智能電網(wǎng)仿真分析與綜合控制福建省高校工程研究中心，福建 福州 350118；2. 福建省汽車電子與電驅(qū)動(dòng)技術(shù)重點(diǎn)實(shí)驗(yàn)室，福建 福州 350118；3. 國(guó)網(wǎng)福建省電力有限公司 電力科學(xué)研究院，福建 福州 350007）

0 引言

目前，由于氣候變化與能源供應(yīng)短缺問(wèn)題，傳統(tǒng)電力系統(tǒng)正向低碳綠色的綜合能源系統(tǒng)IES（Integrated Energy System）轉(zhuǎn)型。我國(guó)提出在2060 年前達(dá)到碳中和的目標(biāo)，因此構(gòu)建以新能源為主體的可持續(xù)能源系統(tǒng)已成為必經(jīng)之路［1-2］。IES 作為分布式電源、電儲(chǔ)能裝置EES（Electrical Energy Storage device）以及多種負(fù)載的載體，能滿足多能源的并網(wǎng)需求。

當(dāng)前國(guó)內(nèi)外已對(duì)IES 優(yōu)化調(diào)度進(jìn)行了大量研究。文獻(xiàn)［3-4］都考慮了價(jià)格型需求響應(yīng)對(duì)IES經(jīng)濟(jì)運(yùn)行的影響，前者分析多能源的不同價(jià)格產(chǎn)生的影響，后者分析不同電價(jià)對(duì)含碳捕集設(shè)備的IES 影響，但其都未考慮到IES 中風(fēng)光與負(fù)荷的多種不確定因素的影響。文獻(xiàn)［5］提出的優(yōu)化策略通過(guò)協(xié)調(diào)多個(gè)能源載體的互補(bǔ)運(yùn)行，有效提高IES 的低碳經(jīng)濟(jì)性，但是由于未考慮風(fēng)光隨機(jī)性，給經(jīng)濟(jì)調(diào)度帶來(lái)一定困難。文獻(xiàn)［6］利用歷史數(shù)據(jù)構(gòu)建風(fēng)電出力的模糊集，該模糊集具有歷史數(shù)據(jù)統(tǒng)計(jì)信息，能得到風(fēng)電出力較為準(zhǔn)確的不確定區(qū)間，提高IES 調(diào)度經(jīng)濟(jì)性，但其并未綜合考慮由于追求經(jīng)濟(jì)性給環(huán)境帶來(lái)的影響，優(yōu)化目標(biāo)較為單一。

隨著電動(dòng)汽車EV（Electric Vehicle）負(fù)荷進(jìn)一步接入IES，IES 的經(jīng)濟(jì)穩(wěn)定運(yùn)行將會(huì)受到影響，因此EV 與IES 深度融合的低碳經(jīng)濟(jì)運(yùn)行問(wèn)題成為研究的熱點(diǎn)。針對(duì)IES與EV的不確定性問(wèn)題，文獻(xiàn)［7-8］利用可調(diào)節(jié)的魯棒參數(shù)靈活設(shè)置調(diào)度方案，協(xié)調(diào)方案的魯棒性與經(jīng)濟(jì)性，但魯棒優(yōu)化方案所采用的不確定性區(qū)間對(duì)預(yù)測(cè)數(shù)據(jù)的依賴性強(qiáng)；文獻(xiàn)［9］利用風(fēng)-光-氫為主體的IES，采用核密度估計(jì)與K-means聚類算法構(gòu)建風(fēng)光出力的不確定性與EV 充電隨機(jī)性模型，給出經(jīng)濟(jì)與環(huán)保最優(yōu)的調(diào)度策略，能夠在一定程度上降低碳排放量。文獻(xiàn)［10］利用拉丁超立方采樣LHS（Latin Hypercube Sampling）生成風(fēng)電出力場(chǎng)景，然后利用同步回代法對(duì)場(chǎng)景進(jìn)行削減，在考慮風(fēng)光不確定性與電價(jià)的基礎(chǔ)上，實(shí)現(xiàn)經(jīng)濟(jì)調(diào)度。文獻(xiàn)［11］考慮多風(fēng)電場(chǎng)間的相關(guān)性，采用蒙特卡羅法進(jìn)行風(fēng)電出力抽樣，利用快速前代消除技術(shù)削減風(fēng)電場(chǎng)景，減少電網(wǎng)調(diào)度經(jīng)濟(jì)誤差。文獻(xiàn)［12］以電熱聯(lián)產(chǎn)為基礎(chǔ)，考慮EV 參與經(jīng)濟(jì)調(diào)度，可以有效降低運(yùn)行成本，但該方法僅考慮EV 充電行為，并未考慮EV 的需求響應(yīng)。為了使EV 主動(dòng)參與調(diào)度過(guò)程，文獻(xiàn)［13］考慮較大規(guī)模EV 接入風(fēng)-光-熱聯(lián)合系統(tǒng)，將EV 負(fù)荷分為有序、無(wú)序和EV 入網(wǎng)V2G（Vehicle to Grid）這3 類，得出增大有序負(fù)荷的滲透率，減少無(wú)序充電占比，可降低凈負(fù)荷方差，提高風(fēng)光可再生能源的消納率。文獻(xiàn)［14］通過(guò)“車網(wǎng)互動(dòng)型”價(jià)格機(jī)制，調(diào)整電網(wǎng)負(fù)荷分布，降低峰谷差，通過(guò)將EV 分類，提高定價(jià)策略的經(jīng)濟(jì)性。文獻(xiàn)［15］根據(jù)EV不同的充放電價(jià)格對(duì)充電站經(jīng)濟(jì)性與電網(wǎng)穩(wěn)定性進(jìn)行優(yōu)化調(diào)度，但未考慮充電站-用戶之間的利益關(guān)系，不能實(shí)現(xiàn)多方共贏。

在EV 交通能量補(bǔ)給與IES 的規(guī)劃方面，文獻(xiàn)［16］考慮天然氣網(wǎng)、電力與交通的耦合，以全系統(tǒng)投資與運(yùn)行費(fèi)用最低，得到耦合網(wǎng)絡(luò)中充電樁與加氣站的布局，改善能源與交通系統(tǒng)的互動(dòng)潛力。文獻(xiàn)［17］基于交通流量進(jìn)行天然氣、配電網(wǎng)、交通網(wǎng)以及IES的系統(tǒng)規(guī)劃，為有序與無(wú)序充電制定最佳的出行路線，為充電站投資建設(shè)提供指導(dǎo)，但其未涉及風(fēng)光不確定性。文獻(xiàn)［18］基于電力-交通網(wǎng)的時(shí)空耦合模型，利用雙向波動(dòng)態(tài)過(guò)程描述隨時(shí)間與空間變化的交通流，并基于節(jié)點(diǎn)邊際電價(jià)，根據(jù)交通流的變化制定EV充電價(jià)格，利用不動(dòng)點(diǎn)映射算法求解兩網(wǎng)耦合的均衡問(wèn)題。文獻(xiàn)［19］提出了一種有效的動(dòng)態(tài)零售定價(jià)機(jī)制，該機(jī)制將通過(guò)減少旅行延誤和消除充電站排隊(duì)來(lái)降低電力成本，但這些定價(jià)對(duì)運(yùn)行條件與網(wǎng)絡(luò)特性比較敏感。

基于上述背景，本文對(duì)風(fēng)光出力隨機(jī)性以及EV主動(dòng)參與IES 低碳經(jīng)濟(jì)調(diào)度問(wèn)題進(jìn)行研究。首先，利用構(gòu)建場(chǎng)景法處理風(fēng)光不確定性，采用改進(jìn)快速前代消除技術(shù)進(jìn)行場(chǎng)景削減。其次，計(jì)及風(fēng)光出力不確定性與EV、燃?xì)廨啓C(jī)GT（Gas Turbine）、EES 和電網(wǎng)的備用容量，構(gòu)建上層IES 與下層EV 的雙層優(yōu)化模型，從系統(tǒng)整體用電負(fù)荷與可再生能源的角度出發(fā)，利用新能源與總負(fù)荷的匹配度提出一種動(dòng)態(tài)定價(jià)機(jī)制來(lái)引導(dǎo)EV 進(jìn)行充放電，使EV 積極參與調(diào)度過(guò)程。該定價(jià)機(jī)制不依賴電網(wǎng)的具體物理模型，且能提升消納風(fēng)光的能力和降低系統(tǒng)碳排放量，同時(shí)實(shí)現(xiàn)IES 與EV 的共贏。最后，通過(guò)仿真算例驗(yàn)證本文優(yōu)化方法的低碳經(jīng)濟(jì)性與有效性。

1 IES與EV系統(tǒng)建立

IES 可以有效整合各種類型的分布式能源、負(fù)載、EES等設(shè)備和控制系統(tǒng)。本文將IES作為上層優(yōu)化模型，系統(tǒng)包括風(fēng)機(jī)WT（Wind Turbine）、光伏組件PV（PhotoVoltaic module）、GT、EES、儲(chǔ)熱裝置TES（Thermal Energy Storage device）、電鍋爐EB（Electrical Boiler）和溴冷機(jī)（WT、PV、GT、EES 可為上層與下層充電EV 提供電功率，TES、EB、溴冷機(jī)為上層提供熱功率）；將EV作為下層優(yōu)化模型，系統(tǒng)包含充電樁以及多輛EV。IES 與EV 系統(tǒng)拓?fù)浣Y(jié)構(gòu)見(jiàn)圖1?？紤]到實(shí)際系統(tǒng)中某時(shí)段風(fēng)光可能沒(méi)有功率輸出，IES 必須提供足夠的旋轉(zhuǎn)儲(chǔ)備來(lái)維持系統(tǒng)輸出的連續(xù)性，但會(huì)產(chǎn)生額外的成本。各模型的具體公式見(jiàn)附錄A式（A1）—（A7）。

圖1 IES與EV系統(tǒng)拓?fù)浣Y(jié)構(gòu)圖Fig.1 Topology structure diagram of IES and EV system

2 風(fēng)光不確定性與場(chǎng)景削減

由于WT、PV 發(fā)電受環(huán)境影響因素較大，其出力具有一定的不確定性，本文采取LHS［10］對(duì)風(fēng)光隨機(jī)變量進(jìn)行采樣。假設(shè)在調(diào)度周期內(nèi)，風(fēng)速近似服從Weibull 分布，太陽(yáng)輻照度近似服從Beta 分布，通過(guò)相應(yīng)變換可得風(fēng)光出力?？紤]到LHS生成場(chǎng)景數(shù)量較多，采取基于概率距離的快速前代消除技術(shù)［11］進(jìn)行場(chǎng)景削減速度較慢，所以對(duì)其削減速度進(jìn)行改進(jìn)，步驟如下。

1）步驟1。假設(shè)對(duì)風(fēng)光隨機(jī)變量進(jìn)行LHS 后共生成K個(gè)場(chǎng)景，計(jì)算集合中每對(duì)場(chǎng)景(ci，cj)的二范數(shù)s(ci，cj)，如式（1）所示。

對(duì)于集合D中的元素，根據(jù)其概率距離進(jìn)行從小到大排序（數(shù)據(jù)參考文獻(xiàn)［20］）：當(dāng)前20%數(shù)據(jù)的平均概率距離小于后20%數(shù)據(jù)平均概率距離的10%時(shí)，削減速度V（表示每次削減場(chǎng)景的個(gè)數(shù)）變大，V=v1K（v1為決策變量）；當(dāng)前20%數(shù)據(jù)的平均概率距離大于等于后20%數(shù)據(jù)平均概率距離的10%并小于其15%時(shí)，削減速度減小，V=v2K（v2為決策變量）；當(dāng)前20%數(shù)據(jù)的平均概率距離大于等于后20%數(shù)據(jù)平均概率距離的15%時(shí)，V=1。

4）步驟4。根據(jù)步驟3，削減V個(gè)滿足式（3）的場(chǎng)景cs*，以剔除不具代表性且發(fā)生概率很低的場(chǎng)景。

式中：p(s*)為削減場(chǎng)景cs*發(fā)生的概率；p(m)為場(chǎng)景cm發(fā)生的概率。

5）步驟5。首先求出與被削減場(chǎng)景概率距離最小的場(chǎng)景，然后更新該場(chǎng)景概率，其等于該場(chǎng)景原始概率加上被削減場(chǎng)景的概率，最后更新場(chǎng)景集D中元素的數(shù)量。

6）步驟6。重復(fù)步驟2—5，若滿足剩余場(chǎng)景數(shù)（人為設(shè)定），則停止運(yùn)行；否則，繼續(xù)削減。

完成上述步驟后，以削減后的場(chǎng)景與初始場(chǎng)景的概率距離最小為目標(biāo)，利用粒子群優(yōu)化算法對(duì)決策變量v1、v2進(jìn)行求解。

3 雙層優(yōu)化調(diào)度策略

3.1 IES目標(biāo)函數(shù)

上層IES 運(yùn)行成本C由以下9 個(gè)部分組成：IES向電網(wǎng)購(gòu)電費(fèi)用C1；電網(wǎng)、EES 以及EV 向IES 提供備用費(fèi)用C2；EES折舊成本C3；EV向IES購(gòu)買(mǎi)用電收益C4；碳排放費(fèi)用C5；GT 運(yùn)行成本C6；IES 向EV 購(gòu)電費(fèi)用C7；需求響應(yīng)的補(bǔ)償費(fèi)用C8；回收制熱成本C9。上層IES的目標(biāo)函數(shù)為：

3.2 EV目標(biāo)函數(shù)

下層EV運(yùn)行成本F由以下3個(gè)部分組成：EV向電網(wǎng)購(gòu)電成本F1；EV 向IES 購(gòu)電成本F2；EV 向IES提供備用收益F3。下層EV的目標(biāo)函數(shù)為：

3.3 約束條件

3.3.1 電功率平衡約束

為了確保系統(tǒng)安全穩(wěn)定地運(yùn)行，電功率平衡約束為：

3.3.3 供電系統(tǒng)需求響應(yīng)約束和設(shè)備出力約束

上層IES 模型考慮需求響應(yīng)約束，對(duì)可時(shí)移與可中斷負(fù)荷有一定的限制，電網(wǎng)與GT 出力上、下限的約束為：

3.4 動(dòng)態(tài)定價(jià)機(jī)制

IES調(diào)度中，分時(shí)電價(jià)可以有效顯示各時(shí)段負(fù)荷水平，但在系統(tǒng)中加入EV，會(huì)導(dǎo)致各時(shí)段的負(fù)荷水平發(fā)生變化，電價(jià)與負(fù)荷水平不匹配，分時(shí)電價(jià)不能有效引導(dǎo)EV 利用風(fēng)光出力進(jìn)行充放電，為指導(dǎo)EV 有效消納IES中的風(fēng)光出力，本文提出基于風(fēng)光出力與負(fù)荷相匹配的動(dòng)態(tài)定價(jià)機(jī)制，將這種動(dòng)態(tài)定價(jià)機(jī)制作為上下層優(yōu)化模型的紐帶。定價(jià)機(jī)制可以描述為：

1）步驟1。初始化縱橫交叉算法參數(shù)與動(dòng)態(tài)電價(jià)的待優(yōu)化價(jià)格系數(shù)h，h對(duì)應(yīng)種群內(nèi)的粒子X(jué)。

2）步驟2。將h傳入上層IES 模型中，計(jì)算上層模型的調(diào)度成本與機(jī)組出力。

3）步驟3。下層EV 獲得上層IES 調(diào)度信息與動(dòng)態(tài)電價(jià)，根據(jù)此電價(jià)進(jìn)行優(yōu)化調(diào)度，計(jì)算運(yùn)行成本與EV充放電計(jì)劃。

4）步驟4。將下層的EV 充放電計(jì)劃傳到上層IES，不斷上下交替迭代求得初始適應(yīng)度值。

5）步驟5。橫向交叉，將初始種群內(nèi)的粒子X(jué)代入式（19）進(jìn)行橫向交叉，計(jì)算適應(yīng)度值Shc并與父代適應(yīng)度值比較，更新X。

式中：r為［0，1］間的隨機(jī)數(shù)。因?yàn)樵摬襟E只有1 個(gè)變量，所以粒子X(jué)的不同維度取值相同。

7）步驟7。步驟6 中所得最優(yōu)粒子X(jué)即為所求h，將其代入步驟2 中，在滿足迭代次數(shù)后，輸出最優(yōu)成本、調(diào)度方案與h。

通過(guò)動(dòng)態(tài)定價(jià)機(jī)制，EV 可以選擇在新能源比例較高的時(shí)段進(jìn)行充電，此時(shí)充電電價(jià)較低，用戶可以進(jìn)行充電來(lái)降低電力成本。因此，用戶有足夠的動(dòng)機(jī)調(diào)整EV用電行為，降低下層運(yùn)行成本。

3.5 雙層優(yōu)化求解流程

為了獲得雙層優(yōu)化策略的最優(yōu)解，其聯(lián)合優(yōu)化目標(biāo)可表示為：

式中：Ffin為最終的聯(lián)合優(yōu)化目標(biāo)。本文優(yōu)化策略利用MATLAB 調(diào)用CPLEX 進(jìn)行求解，具體流程如附錄A圖A1所示。

4 算例分析

4.1 風(fēng)光場(chǎng)景削減

根據(jù)某地風(fēng)光實(shí)測(cè)數(shù)據(jù)，采用第2 節(jié)提出的風(fēng)光不確定性處理方法，經(jīng)過(guò)LHS后可得到1000個(gè)風(fēng)光出力場(chǎng)景及其對(duì)應(yīng)的削減場(chǎng)景，如附錄B 圖B1、B2 所示?？梢钥闯鱿鳒p后的風(fēng)光場(chǎng)景出力曲線與削減前的風(fēng)光出力曲線趨勢(shì)基本一致，說(shuō)明利用改進(jìn)快速前代消除技術(shù)處理風(fēng)光出力的隨機(jī)性是有效的。最后得到3 個(gè)典型的風(fēng)光場(chǎng)景出力，場(chǎng)景1—3的概率分別為0.237、0.410與0.353。

附錄B 表B1 為利用不同參數(shù)對(duì)風(fēng)電出力進(jìn)行削減的結(jié)果。由表可知：原始快速前代消除技術(shù)相對(duì)文獻(xiàn)［20］與本文方法運(yùn)行時(shí)間較長(zhǎng)；文獻(xiàn)［20］方法雖然比原始快速前代消除技術(shù)與本文方法計(jì)算速度快，但是削減前、后概率距離明顯增大，削減精度較差；K-means聚類算法的運(yùn)行時(shí)間隨場(chǎng)景規(guī)模的擴(kuò)大而顯著增加，削減后的概率距離比本文方法也有所增加；本文方法相比其他方法減少了場(chǎng)景削減前后的概率距離，提升了削減精度，比原始快速前代消除技術(shù)速度更快。

4.2 算例基礎(chǔ)數(shù)據(jù)

為驗(yàn)證本文所提模型及優(yōu)化策略的可行性，以某IES 與EV 為具體算例進(jìn)行仿真分析。電網(wǎng)分時(shí)電價(jià)數(shù)據(jù)如附錄B表B2所示。

EV 系統(tǒng)中含有1 座充電站，共10 個(gè)充電樁，每個(gè)充電樁的充電功率為15 kW，園區(qū)內(nèi)共有15 輛EV，每輛EV 的電池容量為60 kW·h，電網(wǎng)、ESS 和EV 的備用價(jià)格均為0.04 元／（kW·h），可中斷負(fù)荷功率的上限為各時(shí)段電負(fù)荷需求的10%。碳配額額度設(shè)置為每個(gè)時(shí)段熱、電負(fù)荷總和的5%，碳交易價(jià)格為0.5 元／kg。系統(tǒng)的總備用容量設(shè)置為風(fēng)光出力的百分比，算例分析中設(shè)置為40%（此時(shí)聯(lián)合成本最低，將在4.3節(jié)進(jìn)行分析說(shuō)明）。IES當(dāng)日調(diào)度的電、熱負(fù)荷、室內(nèi)外溫度差以及風(fēng)光期望出力（以場(chǎng)景2 為例）如附錄B 圖B3 所示，其他參數(shù)如附錄B表B3所示。

4.3 仿真結(jié)果分析

通過(guò)蒙特卡羅法模擬EV無(wú)序充電計(jì)劃，并將其作為IES 第一次優(yōu)化時(shí)的EV 調(diào)度結(jié)果。無(wú)序充電計(jì)劃如附錄B圖B4所示。

風(fēng)光出力以場(chǎng)景2 為例，計(jì)及EV、EES、GT 以及EV 備用的情況，根據(jù)不同的價(jià)格機(jī)制進(jìn)行調(diào)度。利用縱橫交叉算法對(duì)3.4 節(jié)描述的電價(jià)系數(shù)h進(jìn)行迭代求解，結(jié)果如圖2 所示。由圖可知，利用縱橫交叉算法求解該電價(jià)系數(shù)h是有效的，重復(fù)30次實(shí)驗(yàn)后，可得迭代100 次的最小聯(lián)合成本約為804.3 元，此時(shí)對(duì)應(yīng)的h為0.67。

圖2 聯(lián)合成本與價(jià)格系數(shù)h的變化關(guān)系Fig.2 Relationship between joint cost and price coefficient h

采用動(dòng)態(tài)電價(jià)機(jī)制和分時(shí)電價(jià)機(jī)制的電力需求調(diào)度結(jié)果分別如附錄B 圖B5（a）、（b）所示。由圖可知，由于風(fēng)光出力向上層IES 提供電量不需要支付費(fèi)用，上層IES 優(yōu)先消納風(fēng)光出力。一方面，采用動(dòng)態(tài)電價(jià)機(jī)制，電網(wǎng)單位出力價(jià)格較采用分時(shí)電價(jià)時(shí)有所降低，從而降低了IES 的用電成本。另一方面，采用動(dòng)態(tài)電價(jià)機(jī)制和分時(shí)電價(jià)機(jī)制的最大差別在于可控負(fù)荷大?。簞?dòng)態(tài)電價(jià)機(jī)制下的可控負(fù)荷明顯減少，由電功率平衡約束可知，動(dòng)態(tài)電價(jià)機(jī)制下電網(wǎng)出力與負(fù)載之間差額小，整個(gè)系統(tǒng)運(yùn)行更加合理，有利于提高系統(tǒng)經(jīng)濟(jì)性。此外，系統(tǒng)內(nèi)設(shè)備在不同機(jī)制下出力情況也有不同：EES 在［01:00，04:00］時(shí)段和［12:00，14:00］時(shí)段內(nèi)進(jìn)行充電，在［18:00，21:00］時(shí)段內(nèi)，此時(shí)為用電高峰期，GT 與電網(wǎng)單位出力價(jià)格均大于ESS，故采用EES 放電來(lái)彌補(bǔ)系統(tǒng)功率不足。由附錄B 圖B5（b）可知，在［22:00，24:00］時(shí)段內(nèi)，電負(fù)荷較少，電網(wǎng)單位出力價(jià)格低于GT，故采用電網(wǎng)出力彌補(bǔ)系統(tǒng)功率不足，而由附錄B 圖B5（a）可知，同一時(shí)段中系統(tǒng)功率不足完全由風(fēng)光出力供給，減少了電網(wǎng)出力。綜上說(shuō)明采用動(dòng)態(tài)電價(jià)機(jī)制可提高系統(tǒng)的經(jīng)濟(jì)性與環(huán)保性。

采用動(dòng)態(tài)電價(jià)機(jī)制和分時(shí)電價(jià)機(jī)制的熱需求調(diào)度結(jié)果分別如附錄B 圖B6（a）、（b）所示。由圖可知：在［04:00，07:00］時(shí)段內(nèi)，系統(tǒng)熱負(fù)荷較多，此時(shí)考慮移除一部分熱負(fù)荷，與此同時(shí)TES開(kāi)始放熱；在［11:00，14:00］時(shí)段內(nèi)，熱負(fù)荷較少，此時(shí)TES進(jìn)行蓄熱，同時(shí)系統(tǒng)轉(zhuǎn)入少量熱負(fù)荷；在［18:00，20:00］時(shí)段內(nèi)，此時(shí)風(fēng)光出力較少，電網(wǎng)單位出力價(jià)格較高，所以通過(guò)GT 與溴冷機(jī)提供熱量，此外TES 放熱，系統(tǒng)轉(zhuǎn)出一部分熱負(fù)荷；在［22:00，24:00］、［00:00，05:00］時(shí)段內(nèi)，由于電網(wǎng)單位出力價(jià)格較低，所以電網(wǎng)負(fù)責(zé)主要的出力。上述分析說(shuō)明本文所設(shè)計(jì)的以經(jīng)濟(jì)性為目標(biāo)的熱需求調(diào)度模型較為合理。

采用動(dòng)態(tài)電價(jià)機(jī)制和分時(shí)電價(jià)機(jī)制的下層EV調(diào)度結(jié)果如圖3 所示。由圖可知：與分時(shí)電價(jià)相比，采用動(dòng)態(tài)電價(jià)機(jī)制可以使EV 更加積極參與IES 運(yùn)行，可以有效利用風(fēng)光進(jìn)行充電。例如：在［13:00，15:00］時(shí)段內(nèi)，風(fēng)光出力遠(yuǎn)大于IES 中的電、熱負(fù)荷之和，動(dòng)態(tài)電價(jià)較低且不處于用電高峰期，EV 充電既可以消納風(fēng)光又能夠存儲(chǔ)足夠的電量，可在IES負(fù)荷水平較高時(shí)給其供電；而在［01:00，03:00］時(shí)段與［22:00，24:00］時(shí)段內(nèi)，風(fēng)光功率不足，此時(shí)EV 給IES 供電，給用戶帶來(lái)一定收益，同時(shí)也能減少上層IES 中的購(gòu)電量與GT 出力。因此在動(dòng)態(tài)電價(jià)機(jī)制下，電網(wǎng)單位出力價(jià)格的調(diào)整能引導(dǎo)EV更加靈活地進(jìn)行充放電，使其充放電配置更合理，避免了EV 在IES 電、熱負(fù)荷較多時(shí)充電，使得EV 與IES 的深度融合調(diào)度更具經(jīng)濟(jì)與環(huán)保性。

圖3 EV調(diào)度結(jié)果Fig.3 EV dispatch results

采用動(dòng)態(tài)電價(jià)機(jī)制和分時(shí)電價(jià)機(jī)制時(shí)整個(gè)調(diào)度周期內(nèi)系統(tǒng)電負(fù)荷變化如附錄B 圖B7 所示。由圖可知：在［22:00，24:00］、［00:00，04:00］時(shí)段內(nèi)，電網(wǎng)單位出力價(jià)格較低，負(fù)荷與風(fēng)光出力差距較大，此時(shí)EV 進(jìn)行充電使得系統(tǒng)電負(fù)荷整體提高；在［13:00，15:00］時(shí)段內(nèi)，EV 進(jìn)行充電，雖然一定程度上增大了峰谷差，但是實(shí)現(xiàn)了電價(jià)與負(fù)荷水平相互匹配，有利于提高系統(tǒng)的經(jīng)濟(jì)性與環(huán)保性。采用動(dòng)態(tài)電價(jià)機(jī)制后，［13:00，15:00］時(shí)段內(nèi)可時(shí)移負(fù)荷較少，且此時(shí)有一部分可中斷負(fù)荷降低負(fù)載，EV 能利用比分時(shí)電價(jià)低的價(jià)格進(jìn)行充電，所以用電高峰期轉(zhuǎn)移到下午的平時(shí)段［12:00，15:00］。分時(shí)電價(jià)下的用電高峰與動(dòng)態(tài)電價(jià)機(jī)制類似，但是其負(fù)荷量的增加主要是轉(zhuǎn)移負(fù)荷的移入導(dǎo)致的。

采用動(dòng)態(tài)電價(jià)機(jī)制和分時(shí)電價(jià)機(jī)制后各時(shí)段的碳排放量如附錄B 圖B8 所示?？梢钥闯鲈冢?2:00，24:00］時(shí)段內(nèi)，采用動(dòng)態(tài)電價(jià)機(jī)制前EV 進(jìn)行充電功率較大，但此時(shí)風(fēng)光出力不足，導(dǎo)致該時(shí)段的電網(wǎng)用電量較大，碳排放量較多。采用動(dòng)態(tài)電價(jià)機(jī)制后整個(gè)調(diào)度周期內(nèi)的碳排放量比采用分時(shí)電價(jià)后約減少了183.2 kg。

表1 給出了不同場(chǎng)景下采用分時(shí)電價(jià)和動(dòng)態(tài)電價(jià)機(jī)制下上層IES 與下層EV 的運(yùn)行成本。表中：將風(fēng)光出力分別采用本文方法削減后的3 個(gè)場(chǎng)景數(shù)據(jù)進(jìn)行調(diào)度的方案記為場(chǎng)景1—3；概率成本和為場(chǎng)景1—3中IES、EV 的運(yùn)行成本與該場(chǎng)景對(duì)應(yīng)發(fā)生的概率乘積之和，記為場(chǎng)景4。將風(fēng)光出力采用原始風(fēng)光數(shù)據(jù)進(jìn)行調(diào)度的方案記為場(chǎng)景5。由表可知，無(wú)論哪種場(chǎng)景，動(dòng)態(tài)電價(jià)機(jī)制下上層IES 與下層EV 運(yùn)行成本均低于分時(shí)電價(jià)機(jī)制，約分別減少了83、50元。場(chǎng)景1—3 的動(dòng)態(tài)電價(jià)機(jī)制的聯(lián)合成本較分時(shí)電價(jià)機(jī)制的聯(lián)合成本分別降低了10.9%、10.7%和10.6%，這說(shuō)明本文所提動(dòng)態(tài)電價(jià)機(jī)制可有效提高IES 與EV 聯(lián)合運(yùn)行的經(jīng)濟(jì)性。同時(shí)可發(fā)現(xiàn)，動(dòng)態(tài)電價(jià)機(jī)制下IES 與EV 之間的成本差值較分時(shí)電價(jià)小，證明了動(dòng)態(tài)電價(jià)機(jī)制可協(xié)調(diào)其利益相關(guān)性。動(dòng)態(tài)電價(jià)機(jī)制下場(chǎng)景4聯(lián)合成本較場(chǎng)景5有所降低，故本文采用的場(chǎng)景削減方式也可在一定程度上降低系統(tǒng)運(yùn)行成本。

表1 不同電價(jià)機(jī)制下各場(chǎng)景的運(yùn)行成本Table 1 Operating costs of scenarios under different electricity price mechanisms

場(chǎng)景2 中采用分時(shí)電價(jià)和動(dòng)態(tài)電價(jià)機(jī)制下運(yùn)行成本C1—C9、F1—F3如附錄B 表B4 所示。由表可知，動(dòng)態(tài)電價(jià)機(jī)制下下層EV 來(lái)自IES 的充電成本比分時(shí)電價(jià)降低13.5%，放電收益也有所提高。動(dòng)態(tài)電價(jià)機(jī)制下的碳交易成本比分時(shí)電價(jià)降低91.6 元，EV 向電網(wǎng)購(gòu)電成本也降低了39.6%，有利于實(shí)現(xiàn)低碳經(jīng)濟(jì)調(diào)度。

4.3.1 不同備用容量與碳交易價(jià)格對(duì)經(jīng)濟(jì)性的影響

表2 給出了采用分時(shí)電價(jià)和動(dòng)態(tài)電價(jià)機(jī)制后場(chǎng)景2 在不同總備用容量下優(yōu)化后上、下層系統(tǒng)的運(yùn)行成本及二者聯(lián)合成本。由表可知，上層IES 成本隨著總備用容量的變化呈現(xiàn)先減后増的趨勢(shì)，其受總備用容量的影響較大，當(dāng)總備用容量為40%時(shí)，上層IES 運(yùn)行成本最低。EV 的變化與IES 類似，但其變化幅度較小。總體而言，在不同總備用容量下，動(dòng)態(tài)電價(jià)機(jī)制引導(dǎo)的聯(lián)合成本都低于分時(shí)電價(jià)，系統(tǒng)整體可獲得更可觀的經(jīng)濟(jì)效益。當(dāng)總備用容量超過(guò)50%的風(fēng)光出力后，EV 由于提供的備用服務(wù)已達(dá)到上限，所以成本基本不變。

表2 不同總備用容量下的成本Table 2 Costs under different total backup capacities

不同碳交易價(jià)格下上、下兩層系統(tǒng)成本對(duì)比如附錄B 圖B9 所示。由圖可知，對(duì)于本文所提調(diào)度優(yōu)化策略，碳交易價(jià)格對(duì)IES 系統(tǒng)的影響呈現(xiàn)先增后減的趨勢(shì)，當(dāng)碳交易價(jià)格低于0.6 元／kg 時(shí)，IES成本逐漸增加。對(duì)于EV 而言，當(dāng)碳交易價(jià)格低于0.3元／kg，成本基本持平。碳交易價(jià)格從0.4元／kg升高為0.6 元／kg 時(shí)，EV 成本降低，這是因?yàn)镋V 向電網(wǎng)提供的電量增加，獲得了一定的經(jīng)濟(jì)效益。此外當(dāng)碳交易價(jià)格的區(qū)間為［0.4，0.5］元／kg 時(shí)，系統(tǒng)整體的聯(lián)合成本最低，上下兩層的經(jīng)濟(jì)性也較協(xié)調(diào)。

4.3.2 不同EV數(shù)量對(duì)經(jīng)濟(jì)性與碳排放量的影響

圖4 為不同EV 數(shù)量下棄風(fēng)棄光量與運(yùn)行時(shí)間。由圖可知，2 種定價(jià)機(jī)制在風(fēng)光消納上有差別。當(dāng)EV 數(shù)量為15 輛時(shí)，動(dòng)態(tài)電價(jià)機(jī)制的棄風(fēng)棄光量約為分時(shí)電價(jià)的50%，隨著EV 數(shù)量的增加，采用動(dòng)態(tài)電價(jià)機(jī)制后，系統(tǒng)能夠快速消納風(fēng)光，而采用分時(shí)機(jī)制后系統(tǒng)消納風(fēng)光速率較慢，從側(cè)面可以反映EV在動(dòng)態(tài)電價(jià)激勵(lì)下能主動(dòng)參與調(diào)度運(yùn)行。在EV 數(shù)量達(dá)到35 輛后，分時(shí)機(jī)制下的棄風(fēng)棄光量不變化，EV充電樁的負(fù)荷已經(jīng)飽和。隨著EV數(shù)量的增加，雙層優(yōu)化調(diào)度時(shí)間差別較小。

圖4 運(yùn)行時(shí)間與棄風(fēng)棄光量Fig.4 Running time and amount of wind and PV power curtailment

本文進(jìn)一步分析增加EV 數(shù)量的情況下碳排放量以及系統(tǒng)成本的變化情況，結(jié)果如附錄B 圖B10所示。由圖可知，隨著EV 數(shù)量的增加，碳排放量先減小后增加。當(dāng)EV 數(shù)量為20 輛時(shí)，碳排放量呈現(xiàn)最低狀態(tài)，因?yàn)樵黾? 輛EV 可以為IES 提供更多的電力，減少GT 與電網(wǎng)的部分出力。超過(guò)20 輛后，由于沒(méi)有多余的風(fēng)光，EV 充電需向電網(wǎng)、IES 購(gòu)電，產(chǎn)生更多的碳排量。當(dāng)EV 數(shù)量小于等于30 輛時(shí)，系統(tǒng)的聯(lián)合運(yùn)行成本上漲幅度低于EV 數(shù)量超過(guò)30 輛的情況，因?yàn)轱L(fēng)光出力與負(fù)荷的比值減小，所以EV充電價(jià)格更高，此外也需要更多的電力供給，增加了碳排量。

4.3.3 EV電池容量對(duì)成本的影響

圖5 給出當(dāng)EV 數(shù)量為15 輛時(shí)，EV 電池容量在不同電價(jià)機(jī)制下對(duì)EV 成本、IES 成本以及聯(lián)合成本的影響。由圖可知：在不同EV 電池容量下，動(dòng)態(tài)電價(jià)機(jī)制有利于降低EV 與IES 的運(yùn)行成本；從整體趨勢(shì)來(lái)看，IES 與EV 的成本都隨著EV 電池容量的增加而提高；另外，隨著EV電池容量的增加，分時(shí)電價(jià)的成本變化較為平緩，動(dòng)態(tài)電價(jià)機(jī)制的變化存在明顯起伏變化，說(shuō)明動(dòng)態(tài)電價(jià)機(jī)制能夠有效促進(jìn)IES與EV的協(xié)調(diào)優(yōu)化。

圖5 EV電池容量對(duì)成本的影響Fig.5 Impact of EV battery capacity on cost

5 結(jié)論

本文通過(guò)不同風(fēng)光場(chǎng)景提出了考慮風(fēng)光出力不確定的IES 與EV 聯(lián)合運(yùn)行的雙層日前優(yōu)化調(diào)度策略。該優(yōu)化策略還考慮了不同定價(jià)機(jī)制對(duì)整個(gè)調(diào)度周期經(jīng)濟(jì)性與碳排放的影響，旨在發(fā)揮2 個(gè)利益相關(guān)者之間協(xié)調(diào)參與能力。得到的結(jié)論如下：

1）通過(guò)風(fēng)光出力與總負(fù)荷之間的匹配關(guān)系構(gòu)建的動(dòng)態(tài)電價(jià)機(jī)制可靈活引導(dǎo)EV 充放電并參與IES優(yōu)化調(diào)度，同時(shí)降低IES 與EV 的聯(lián)合運(yùn)行成本與碳排放量，此外，通過(guò)EV參與提供旋轉(zhuǎn)備用服務(wù)，使兩者的經(jīng)濟(jì)性也得到改善，實(shí)現(xiàn)了低碳經(jīng)濟(jì)運(yùn)行；

2）動(dòng)態(tài)電價(jià)機(jī)制能激發(fā)EV需求響應(yīng)潛力，提高風(fēng)光消納率，通過(guò)不同的碳交易價(jià)格引導(dǎo)，雙層優(yōu)化調(diào)度策略可在不同程度上協(xié)調(diào)IES與EV的利益；

3）采用LHS與基于改進(jìn)概率距離的場(chǎng)景削減技術(shù)模擬風(fēng)光出力隨機(jī)特點(diǎn)，可以提高削減精度，使決策方案更合理，較原始風(fēng)光出力相比，有利于提高優(yōu)化調(diào)度經(jīng)濟(jì)性。

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