含電動(dòng)汽車和5G基站的綜合能源系統(tǒng)優(yōu)化調(diào)度

劉鍇泉，劉長良,2，劉衛(wèi)亮,2，王昕，康佳垚

含電動(dòng)汽車和5G基站的綜合能源系統(tǒng)優(yōu)化調(diào)度

劉鍇泉1，劉長良1,2，劉衛(wèi)亮1,2，王昕3，康佳垚3

（1.華北電力大學(xué) 控制與計(jì)算機(jī)工程學(xué)院，河北 保定 071003； 2.保定市綜合能源系統(tǒng)狀態(tài)檢測與優(yōu)化調(diào)控重點(diǎn)實(shí)驗(yàn)室（華北電力大學(xué)），河北 保定 071003； 3.國家能源集團(tuán)新能源技術(shù)研究院有限公司，北京 102200）

綜合能源系統(tǒng)中的風(fēng)光發(fā)電受環(huán)境因素影響較大，日間波動(dòng)劇烈。同時(shí)，多種能源之間的相互關(guān)系復(fù)雜，這使系統(tǒng)的優(yōu)化調(diào)度存在困難。為此，將電動(dòng)汽車與5G基站作為柔性負(fù)荷納入綜合能源系統(tǒng)中，并提出一種基于模糊均值–多元宇宙優(yōu)化算法的優(yōu)化調(diào)度方法。在原有電–冷–熱能源系統(tǒng)的基礎(chǔ)上，引入電動(dòng)汽車與5G基站的數(shù)學(xué)模型，分析了兩者的可調(diào)節(jié)潛力，同時(shí)考慮經(jīng)濟(jì)性與環(huán)保性指標(biāo)，建立了多目標(biāo)優(yōu)化調(diào)度模型。針對風(fēng)光發(fā)電的不確定性問題，通過模糊均值算法將風(fēng)光出力聚類為4種典型場景，并運(yùn)用多元宇宙優(yōu)化算法對模型進(jìn)行仿真驗(yàn)證。結(jié)果表明，所提方法可有效緩解綜合能源系統(tǒng)的用能壓力，使不同場景下的系統(tǒng)總體運(yùn)行成本平均下降11.0%，污染物排放量平均下降16.4%，系統(tǒng)的整體運(yùn)行品質(zhì)有效提高。

綜合能源系統(tǒng)；智能電網(wǎng)調(diào)控；新型電力系統(tǒng)；可再生能源；電動(dòng)汽車

0 引言

綜合能源系統(tǒng)作為一種靈活性高、設(shè)備種類豐富的多能源載體，近年來得到廣泛關(guān)注[1]。一方面，負(fù)荷側(cè)設(shè)備更加多元化，電動(dòng)汽車[2]、5G基站[3]等資源的大規(guī)模接入導(dǎo)致電力系統(tǒng)出現(xiàn)了用電負(fù)荷激增、運(yùn)行成本升高、環(huán)境污染加重等問題；另一方面，上述資源本身具備很好的儲(chǔ)能特性[4]，其廣泛應(yīng)用增強(qiáng)了負(fù)荷側(cè)的靈活可控性[5]，為電網(wǎng)調(diào)度提供了更多可能。協(xié)調(diào)控制電動(dòng)汽車、5G基站這類柔性負(fù)荷參與電網(wǎng)調(diào)控運(yùn)行，是當(dāng)前的重要研究方向。

柔性負(fù)荷優(yōu)化調(diào)度的前提是建立負(fù)荷的精細(xì)化數(shù)學(xué)模型。當(dāng)前，已有眾多學(xué)者對電動(dòng)汽車或5G基站的模型展開了研究。文獻(xiàn)[6]基于對私家車出行歷史數(shù)據(jù)的統(tǒng)計(jì)分析，得到了用戶起始充電時(shí)間與日行駛里程的概率密度函數(shù)；文獻(xiàn)[7]針對電動(dòng)汽車用戶出行行為的隨機(jī)性，采取蒙特卡洛法建立了電動(dòng)汽車的充電需求概率模型，得到了聚合后的電動(dòng)汽車充電負(fù)荷；文獻(xiàn)[8]建立了5G基站用電負(fù)荷與通信負(fù)載的線性模型，并基于基站用能特點(diǎn)分析了其參與電網(wǎng)需求響應(yīng)的潛力；文獻(xiàn)[9]基于5G基站的內(nèi)部結(jié)構(gòu)與運(yùn)行特性，建立了基站通信功耗模型與儲(chǔ)能電池充放電模型。

在建?；A(chǔ)上，眾多學(xué)者圍繞電動(dòng)汽車或5G基站參與電力系統(tǒng)優(yōu)化調(diào)度展開研究。文獻(xiàn)[10]提出了考慮電動(dòng)汽車集群可調(diào)度潛力的2階段低碳運(yùn)行策略，實(shí)現(xiàn)了電網(wǎng)運(yùn)營商與電動(dòng)汽車聚合商2主體的利益最大化；文獻(xiàn)[11]將電動(dòng)汽車與分布式能源整合進(jìn)虛擬電廠，并通過主從博弈模型引導(dǎo)電動(dòng)汽車有序充電，提高了系統(tǒng)運(yùn)行經(jīng)濟(jì)性；文獻(xiàn)[12]將5G基站儲(chǔ)能引入微電網(wǎng)，建立了多時(shí)間尺度優(yōu)化模型，降低了運(yùn)行成本；文獻(xiàn)[13]建立了含基站儲(chǔ)能聚合商的優(yōu)化調(diào)度模型，降低了電網(wǎng)用電負(fù)荷峰谷差，提高了通信運(yùn)營商收益。

上述文獻(xiàn)中闡述的關(guān)于電動(dòng)汽車或5G基站的建模與優(yōu)化調(diào)度方面的研究工作雖然有效提高了柔性負(fù)荷參與電網(wǎng)調(diào)控的性能，但仍存在一定不足：首先，對于5G基站的優(yōu)化調(diào)度，多數(shù)研究僅考慮了經(jīng)濟(jì)性目標(biāo)，忽略了其對于電力系統(tǒng)環(huán)保性的影響；其次，對于電動(dòng)汽車或5G基站的優(yōu)化調(diào)度考慮的負(fù)荷需求種類單一，忽略了多種負(fù)荷需求同時(shí)存在的情況，缺乏實(shí)際性；在電、冷、熱多種能源需求場景下，對電動(dòng)汽車與5G基站這2種柔性負(fù)荷同時(shí)參與電網(wǎng)優(yōu)化調(diào)控的模型與策略尚缺乏系統(tǒng)性研究。

針對以上問題，在考慮電、冷、熱負(fù)荷需求的綜合能源系統(tǒng)中，本文建立了含電動(dòng)汽車與5G基站的多能互補(bǔ)協(xié)調(diào)機(jī)制。首先，結(jié)合電動(dòng)汽車的用戶充電行為與5G基站的運(yùn)行特性，建立了合理有效的數(shù)學(xué)模型，并深入挖掘了兩者的可調(diào)節(jié)潛力。其次，以系統(tǒng)運(yùn)行成本最小和污染物排放量最少為目標(biāo)，考慮電、冷、熱多種能源平衡等約束條件，建立了多目標(biāo)優(yōu)化調(diào)度模型。然后，針對風(fēng)光出力的不確定性，在確定最佳聚類數(shù)目的基礎(chǔ)上，利用模糊均值算法生成了4種風(fēng)光出力典型場景，并以電動(dòng)汽車與5G基站是否參與系統(tǒng)調(diào)度設(shè)置了2種不同模式。最后，在不同典型場景下，運(yùn)用多元宇宙算法對不同模式的優(yōu)化模型開展算例仿真驗(yàn)證。

1 綜合能源系統(tǒng)結(jié)構(gòu)

綜合能源系統(tǒng)通過轉(zhuǎn)換化石能源與可再生能源來滿足用戶的多種能量需求[14,15]。本文研究的綜合能源系統(tǒng)結(jié)構(gòu)如圖1所示。圖中，風(fēng)力發(fā)電、光伏發(fā)電和燃?xì)廨啓C(jī)負(fù)責(zé)系統(tǒng)內(nèi)的電力供應(yīng)。當(dāng)系統(tǒng)內(nèi)的電力供應(yīng)不能滿足用電負(fù)荷需求時(shí)，外部電網(wǎng)作為電源為負(fù)荷提供電能。當(dāng)系統(tǒng)內(nèi)的電力供應(yīng)超過用電負(fù)荷需求時(shí)，外部電網(wǎng)吸收富余的電能；電制冷設(shè)備、吸收式制冷機(jī)可用于滿足系統(tǒng)的供冷需求；電制熱設(shè)備、余熱回收鍋爐、熱交換器可用于滿足系統(tǒng)的供熱需求。電動(dòng)汽車與5G基站作為柔性負(fù)荷，靈活響應(yīng)系統(tǒng)實(shí)際調(diào)度策略。

圖1 綜合能源系統(tǒng)結(jié)構(gòu)

2 柔性負(fù)荷建模及可調(diào)度潛力分析

2.1 電動(dòng)汽車模型

電動(dòng)汽車本身具備很好的儲(chǔ)能特性，蘊(yùn)含調(diào)度潛力。通過研究電動(dòng)汽車的充放電模型和用戶行為規(guī)律，可以建立電動(dòng)汽車的可調(diào)節(jié)潛力模型。

2.1.1 電動(dòng)汽車充放電模型

影響電動(dòng)汽車充放電的相關(guān)參數(shù)主要包括：電動(dòng)汽車的電池荷電狀態(tài)、電池容量、電池充放電功率、電池充放電效率等。

1）電池荷電狀態(tài)。

2）電動(dòng)汽車充電模型。

3）電動(dòng)汽車放電模型。

2.1.2 電動(dòng)汽車行為模型

本文研究的電動(dòng)汽車用戶行為主要涵蓋以下方面：日行駛里程、行駛荷電狀態(tài)、進(jìn)站充電時(shí)間以及離站出行時(shí)間。以靈活性較強(qiáng)的電動(dòng)私家車為例進(jìn)行研究，根據(jù)相關(guān)文獻(xiàn)中家用車輛出行調(diào)查結(jié)果，可將車輛行為時(shí)間分布通過極大似然估計(jì)近似為正態(tài)分布[16]。

1）日行駛里程模型。

日行駛里程可近似為對數(shù)正態(tài)分布。

2）行駛荷電狀態(tài)模型。

3）進(jìn)站充電時(shí)間模型。

假設(shè)電動(dòng)汽車在進(jìn)站后立刻開始充電，則進(jìn)站充電時(shí)間的概率密度函數(shù)可表示為：

4）離站出行時(shí)間模型。

電動(dòng)汽車離站出行時(shí)間q與進(jìn)站時(shí)間s和停車時(shí)長z有關(guān)。停車時(shí)長服從對數(shù)正態(tài)分布。電動(dòng)汽車停車時(shí)長概率密度函數(shù)可表示為：

2.1.3 電動(dòng)汽車可調(diào)度潛力分析

通過上述的電動(dòng)汽車模型，可以模擬電動(dòng)汽車用戶的充電行為。常見的模擬方法有蒙特卡洛法、超立方抽樣等算法。本文采用蒙特卡洛法模擬用戶出行規(guī)律，并進(jìn)一步分析電動(dòng)汽車的可調(diào)度潛力。

圖2 電動(dòng)汽車可調(diào)度潛力

3）規(guī)?；妱?dòng)汽車的調(diào)度潛力為系統(tǒng)內(nèi)參與調(diào)度的電動(dòng)汽車可調(diào)度潛力總和。對存在調(diào)度潛力的電動(dòng)汽車，可結(jié)合實(shí)際調(diào)度需求確定各時(shí)段的充放電功率。

2.2 5G基站模型

5G基站分為通信模塊與供電模塊，其中供電模塊主要由電源和儲(chǔ)能電池構(gòu)成。為防止市電停供對基站通信造成影響，需要儲(chǔ)能電池作為后備供電來保障基站供電的可靠性。當(dāng)前基站建設(shè)過程中，大都按照儲(chǔ)能電池備電4 h進(jìn)行設(shè)計(jì)[20]。在實(shí)際運(yùn)行過程中，基站負(fù)載會(huì)因基站時(shí)空分布不同而存在較大差異，其儲(chǔ)能電池的裝機(jī)容量在某些時(shí)段存在冗余，蘊(yùn)含一定的調(diào)度潛力。

分析5G基站儲(chǔ)能電池的可調(diào)度潛力，需要先研究基站能耗模型與基站儲(chǔ)能電池模型。

2.2.1 基站能耗模型

5G基站的電能消耗可以分為靜態(tài)能耗與動(dòng)態(tài)能耗2部分。靜態(tài)能耗主要來自于電子元件和空調(diào)等設(shè)備的耗能，不受數(shù)據(jù)傳輸或通信工況的影響，通常是固定的基礎(chǔ)能量消耗。動(dòng)態(tài)能耗則是指基站在傳輸和接收數(shù)據(jù)時(shí)所消耗的能量，與基站通信量呈線性關(guān)系，隨基站實(shí)時(shí)用戶數(shù)量變化而變化[21]。

2.2.2 基站儲(chǔ)能電池模型

1）基站儲(chǔ)能電池充電模型。

2）基站儲(chǔ)能電池放電模型。

式中：G(+1)、G()分別為基站儲(chǔ)能電池+1、時(shí)刻的荷電狀態(tài)；Gchr()、Gdis()分別為基站儲(chǔ)能電池的充、放電功率；Gchr、Gdis分別為基站儲(chǔ)能電池的充、放電效率；G為基站儲(chǔ)能電池的額定容量。

2.2.3 基站儲(chǔ)能電池可調(diào)度潛力分析

圖3示出了5G基站儲(chǔ)能電池可調(diào)度潛力。圖中，low為防過放荷電狀態(tài)下限，high為防過充荷電狀態(tài)上限。

圖3 5G基站儲(chǔ)能電池可調(diào)度潛力

在調(diào)度過程中，為保證基站的穩(wěn)定運(yùn)行，儲(chǔ)能電池備電荷電狀態(tài)下限取決于基站對應(yīng)時(shí)段未來4 h內(nèi)的負(fù)載電量。同時(shí)，考慮到儲(chǔ)能電池充、放電的安全性，需比較基站儲(chǔ)能電池備電荷電狀態(tài)下限與電池防過放荷電狀態(tài)下限。如圖3所示，取兩者間較大值作為5G基站儲(chǔ)能電池的可調(diào)度潛力下限，電池防過充荷電狀態(tài)上限作為儲(chǔ)能電池的可調(diào)度潛力上限。根據(jù)這一約束，結(jié)合實(shí)際調(diào)度需求可以確定各時(shí)段儲(chǔ)能電池的充放電功率。

3 多目標(biāo)優(yōu)化調(diào)度模型

為緩解綜合能源系統(tǒng)的用能壓力、降低運(yùn)行成本、減少污染物排放，采用多目標(biāo)優(yōu)化調(diào)度方法，考慮電動(dòng)汽車和5G基站等設(shè)備的相關(guān)約束，建立兼顧系統(tǒng)經(jīng)濟(jì)性與環(huán)保性的優(yōu)化調(diào)度模型。

3.1 目標(biāo)函數(shù)

3.1.1 經(jīng)濟(jì)性目標(biāo)函數(shù)

經(jīng)濟(jì)性目標(biāo)函數(shù)考慮了綜合能源系統(tǒng)總體運(yùn)行成本：

式中：tal為系統(tǒng)總體運(yùn)行成本；gd為系統(tǒng)與電網(wǎng)之間的電能交互成本；gas為天然氣成本；G為5G基站儲(chǔ)能設(shè)備充放電成本；PV為光伏發(fā)電維護(hù)成本；wind為風(fēng)力發(fā)電維護(hù)成本；E為電制熱/冷設(shè)備維護(hù)成本；MT為燃?xì)廨啓C(jī)及余熱回收系統(tǒng)維護(hù)成本。

系統(tǒng)與電網(wǎng)之間的電能交互成本為：

天然氣成本為：

5G基站儲(chǔ)能設(shè)備充放電成本為：

設(shè)備使用維護(hù)成本為：

3.1.2 環(huán)保性目標(biāo)函數(shù)

環(huán)保性目標(biāo)函數(shù)考慮了綜合能源系統(tǒng)的污染物排放量。系統(tǒng)內(nèi)的污染物排放主要來自天然氣發(fā)電和向電網(wǎng)購電[22]。本文假定向電網(wǎng)購電均為燃煤發(fā)電。燃煤發(fā)電與天然氣發(fā)電的污染物排放系數(shù)如表1所示。

表1 燃煤發(fā)電、天然氣發(fā)電污染物排放系數(shù)

環(huán)保性目標(biāo)函數(shù)為：

式中：ep()為系統(tǒng)污染物排放量；m為燃煤發(fā)電總排放系數(shù)；r為天然氣發(fā)電總排放系數(shù)。

3.2 約束條件

1）電功率平衡約束。

2）熱功率平衡約束。

式中：WHR()為熱交換器輸出熱功率；ER()為電制熱設(shè)備輸出熱功率；hld()為熱負(fù)荷。

3）冷功率平衡約束。

式中：AFR()為吸收式制冷機(jī)輸出冷功率；EC()為電制冷設(shè)備輸出冷功率；cld()為冷負(fù)荷。

4）電動(dòng)汽車充放電約束。

5）5G基站儲(chǔ)能充放電約束。

6）冷熱電聯(lián)產(chǎn)機(jī)組運(yùn)行約束。

冷熱電聯(lián)產(chǎn)機(jī)組的主要組成設(shè)備包括燃?xì)廨啓C(jī)、余熱回收裝置、吸收式制冷機(jī)等[23]。其中，燃?xì)廨啓C(jī)通過消耗天然氣發(fā)電。燃燒天然氣產(chǎn)生的熱量經(jīng)過余熱回收鍋爐進(jìn)行回收之后，一部分由熱交換器供給熱負(fù)荷，一部分由吸收式制冷機(jī)供給冷負(fù)荷。

7）電制冷/熱設(shè)備運(yùn)行約束。

電制冷/電制熱系統(tǒng)通過消耗電能來制冷/制熱，其數(shù)學(xué)模型與運(yùn)行約束如下：

8）電網(wǎng)交互功率約束。

9）設(shè)備唯一性約束。

3.3 基于模糊C均值算法的風(fēng)光出力場景聚類

風(fēng)光出力易受環(huán)境因素影響，具有隨機(jī)性與波動(dòng)性的特點(diǎn)。本文利用場景聚類法來處理風(fēng)光出力不確定性，其核心思想是從復(fù)雜多樣的歷史數(shù)據(jù)中聚類出少量代表性出力場景，從而模擬風(fēng)光發(fā)電實(shí)際情況。

模糊均值（Fuzzy-means，F(xiàn)CM）聚類算法的原理是通過隸屬度來確定每個(gè)數(shù)據(jù)點(diǎn)屬于某個(gè)類別的程度。通過不斷迭代，使被劃分到同一類別的對象之間相似度最大，不同類別的對象之間相似度最小。

利用FCM聚類算法在計(jì)算隸屬度矩陣時(shí)，需要先給出聚類數(shù)目。不同的聚類數(shù)目對最終的聚類效果影響很大。Calinski-Harabaz指數(shù)（CHI）是一種可以衡量聚類有效性的指標(biāo)，其定義為類間分散度與類內(nèi)分散度的比值，計(jì)算公式如下：

式中：分子為類間分散程度；分母為類內(nèi)分散程度；μ為每個(gè)樣本對每個(gè)類別的隸屬度；為模糊指數(shù)；y為第類聚類中心；u為第個(gè)樣本；為聚類中心數(shù)目；為樣本數(shù)量；ave為所有樣本的平均值。

可以看出，CHI指標(biāo)越大，聚類效果越好。

3.4 多元宇宙優(yōu)化算法

多元宇宙算法遵循以下幾個(gè)規(guī)則[24]：首先，不同宇宙的膨脹率不同。膨脹率越高，越容易生成白洞；反之，越容易生成黑洞。其次，算法通過白洞/黑洞隧道和蟲洞對初始宇宙進(jìn)行循環(huán)迭代，在搜索空間中逐漸趨于最優(yōu)解。其中，生成白洞的宇宙會(huì)排斥物體，生成黑洞的宇宙會(huì)吸引物體。最后，不考慮膨脹率的高低，蟲洞總是作為傳輸通道，用于其他宇宙將物體傳輸?shù)阶顑?yōu)宇宙。

本文采用多元宇宙算法進(jìn)行優(yōu)化模型求解，算法相關(guān)流程如下。

1）算法初始化。

假設(shè)初始化隨機(jī)宇宙矩陣為：

式中：為變量個(gè)數(shù)；為宇宙數(shù)量。

2）選擇機(jī)制。

各宇宙位置的更新遵循輪盤賭機(jī)制。

3）移動(dòng)更新機(jī)制。

為實(shí)現(xiàn)宇宙?zhèn)€體局部改變和提高自身膨脹率，宇宙內(nèi)部物體需要不斷移動(dòng)更新。移動(dòng)機(jī)制為：

4 算例模擬

4.1 基本數(shù)據(jù)

綜合能源系統(tǒng)的配置如下：風(fēng)力發(fā)電額定容量為2.5 MW；光伏發(fā)電額定容量為2 MW；參與調(diào)度的電動(dòng)汽車電池總?cè)萘繛?5 MW·h，充放電功率上限為3 MW；5G基站集群的儲(chǔ)能電池容量為1.7 MW·h，充放電功率上限為500 kW；綜合能源系統(tǒng)與電網(wǎng)交互功率上限為5 MW；天然氣價(jià)格為4元/m3。系統(tǒng)內(nèi)其余設(shè)備參數(shù)值如表2所示。電網(wǎng)電價(jià)采用分時(shí)電價(jià)，如表3所示。設(shè)置仿真周期為24 h，仿真步長為1 h，系統(tǒng)內(nèi)冷、熱、電負(fù)荷如圖4所示。

表2 設(shè)備參數(shù)

表3 電網(wǎng)分時(shí)電價(jià)

圖4 系統(tǒng)冷、熱、電負(fù)荷示意圖

從表3和圖4可以看出，基礎(chǔ)電負(fù)荷、冷熱負(fù)荷高峰時(shí)段，電網(wǎng)電價(jià)較高，系統(tǒng)整體運(yùn)行成本較高。

對系統(tǒng)內(nèi)風(fēng)電與光伏發(fā)電的歷史數(shù)據(jù)進(jìn)行提取匯總，得到的風(fēng)光出力之和如圖5所示。

圖5 風(fēng)光出力歷史數(shù)據(jù)

由圖5可知，系統(tǒng)內(nèi)不同時(shí)期的風(fēng)光出力差異較大，這會(huì)對優(yōu)化結(jié)果產(chǎn)生影響。通過運(yùn)用FCM算法對風(fēng)光出力歷史數(shù)據(jù)進(jìn)行場景聚類，得到的聚類有效性指標(biāo)如圖6所示。

圖6 聚類有效性指標(biāo)

由圖6可知，聚類有效性指標(biāo)的拐點(diǎn)出現(xiàn)在類別數(shù)為4時(shí)。此時(shí)聚類指標(biāo)CHI最高，聚類效果最好。在此基礎(chǔ)上，通過FCM算法聚類得到了4種典型場景，不同場景下的風(fēng)光出力之和如圖7所示。

圖7中，不同顏色的風(fēng)光出力曲線代表了不同典型場景下的風(fēng)光出力情況，包含了風(fēng)光發(fā)電由低到高的出力水平。

場景一。整體出力水平較低。凌晨風(fēng)光出力逐漸下降，隨后白天出力逐漸增加，于午時(shí)到達(dá)峰值，夜晚出力逐漸下降。

圖7 風(fēng)光出力聚類場景

場景二。出力趨勢與場景一相似，但整體出力水平與出力變化速度要高于場景一。

場景三。風(fēng)光出力整體水平高于場景二，出力波動(dòng)較大。

場景四。整體出力水平最高。發(fā)電功率先上升后下降，出力波動(dòng)較小。

4種不同場景下的風(fēng)光出力變化趨勢與原始數(shù)據(jù)的主要趨勢一致，所得場景具有代表性。

4.2 模式設(shè)置

每種典型場景下設(shè)置以下2種模式：

模式一：電動(dòng)汽車無序充電，5G基站不參與調(diào)度，兩者作為負(fù)荷接入。電動(dòng)汽車無序充電負(fù)荷與5G基站運(yùn)行功耗如圖8所示。

圖8 電動(dòng)汽車與5G基站負(fù)荷

模式二：電動(dòng)汽車與5G基站參與調(diào)度，充分考慮電動(dòng)汽車與5G基站的可調(diào)節(jié)潛力，基站儲(chǔ)能與電動(dòng)汽車充放電受電網(wǎng)調(diào)控。

4.3 仿真結(jié)果分析

通過多元宇宙算法對不同場景下不同模式的模型進(jìn)行尋優(yōu)求解，選取最大宇宙數(shù)量為200個(gè)，最大迭代次數(shù)為600次。

4.3.1 模式一的調(diào)度方案

以場景一中的模式一為例，優(yōu)化求解得到的Pareto前沿如圖9所示。

圖9 Pareto前沿分布

圖9中，經(jīng)濟(jì)目標(biāo)與環(huán)保目標(biāo)呈現(xiàn)此消彼長的趨勢，位于Pareto前沿邊緣的解分別代表了最經(jīng)濟(jì)方案與最環(huán)保方案。不同調(diào)度方案的系統(tǒng)運(yùn)行成本與污染物排放量如表4所示。

表4 調(diào)度方案目標(biāo)函數(shù)值

分析表4可知，最環(huán)保方案比最經(jīng)濟(jì)方案系統(tǒng)總體運(yùn)行成本上升了1.333 5萬元，但污染物排放量減少了3.627 9 t。表中最優(yōu)方案是采用TOPSIS法，綜合考慮2種目標(biāo)，對解集進(jìn)行評價(jià)打分后選取的折衷調(diào)度方案。最優(yōu)方案的系統(tǒng)運(yùn)行成本與污染物排放量介于最經(jīng)濟(jì)與最環(huán)保方案之間，在保證綜合能源系統(tǒng)具有較高經(jīng)濟(jì)性的同時(shí)，限制系統(tǒng)污染物的排放。

為更好地對比分析不同方案下系統(tǒng)內(nèi)各設(shè)備的運(yùn)行情況，繪制模式一中的3種調(diào)度方案優(yōu)化結(jié)果直條圖，如圖10—12所示。

圖10 最經(jīng)濟(jì)調(diào)度方案

由圖10可知，在最經(jīng)濟(jì)調(diào)度方案中，在冷熱負(fù)荷需求較低時(shí)段，燃?xì)廨啓C(jī)出力較少，冷負(fù)荷主要由電制冷設(shè)備供給；在冷熱負(fù)荷峰值時(shí)段，熱交換器與電制熱設(shè)備共同出力滿足熱能需求，電制冷設(shè)備出力較高，吸收式制冷機(jī)出力較少；在用電負(fù)荷峰值時(shí)段，系統(tǒng)向電網(wǎng)購電功率較高，減少了燃?xì)廨啓C(jī)出力，限制了系統(tǒng)運(yùn)行成本，但污染物排放量較高。最環(huán)保調(diào)度方案見圖11。

圖11 最環(huán)保調(diào)度方案

由圖11可知，相較于最經(jīng)濟(jì)調(diào)度方案，在最環(huán)保調(diào)度方案中，冷熱負(fù)荷主要由熱交換器與吸收式制冷機(jī)供給，電制熱、電制冷功率下降；在用電負(fù)荷峰值時(shí)段，電網(wǎng)購電功率降低，燃?xì)廨啓C(jī)功率升高；系統(tǒng)內(nèi)的富余電能增多，減少了污染物排放量，但系統(tǒng)運(yùn)行成本較高。

分析：天然氣發(fā)電成本高于燃煤發(fā)電成本，所以在最經(jīng)濟(jì)方案中系統(tǒng)通過多向電網(wǎng)購電和多利用電制冷/熱設(shè)備來降低燃?xì)廨啓C(jī)功率，減少天然氣使用。但在同等發(fā)電量前提下，天然氣發(fā)電的污染物排放量低于燃煤發(fā)電，所以在最環(huán)保方案中，相應(yīng)時(shí)段電網(wǎng)購電功率較低，燃?xì)廨啓C(jī)功率較高，從而減少污染物排放。最優(yōu)調(diào)度方案見圖12。

圖12 最優(yōu)調(diào)度方案

由圖12可知，最優(yōu)方案中的電網(wǎng)購電功率、電制熱/冷功率低于最經(jīng)濟(jì)方案，高于最環(huán)保方案；燃?xì)廨啓C(jī)功率、吸收式制冷機(jī)功率、熱交換器功率高于最經(jīng)濟(jì)方案，低于最環(huán)保方案。相較于其余2種方案，最優(yōu)方案既可保證系統(tǒng)具有較高的經(jīng)濟(jì)性，也可以限制污染物排放。

4.3.2 模式二的調(diào)度方案

以場景一中的模式二為例，因求解得到的最經(jīng)濟(jì)方案、最環(huán)保方案與最優(yōu)方案的對比規(guī)律與模式一相似。

繪制模式二的最優(yōu)調(diào)度方案優(yōu)化結(jié)果直條圖如圖13所示。

在模式一中，電動(dòng)汽車無序充電，受用戶出行規(guī)律影響。16:00—21:00為電動(dòng)汽車充電高峰，充電負(fù)荷與系統(tǒng)用電高峰疊加，導(dǎo)致在負(fù)荷與電價(jià)峰值時(shí)段，電網(wǎng)購電功率與燃?xì)廨啓C(jī)功率均很高。而在0:00—12:00的負(fù)荷與電價(jià)谷值或平值時(shí)段，充電的電動(dòng)汽車數(shù)量較少，充電功率較低，電網(wǎng)購電功率較低，這不利于系統(tǒng)的經(jīng)濟(jì)環(huán)保運(yùn)行。

圖13 場景一中模式二的調(diào)度方案

由圖13可以看出，在模式二中，電動(dòng)汽車和5G基站參與調(diào)度，有效緩解了系統(tǒng)的用能壓力。

1）在22:00—6:00負(fù)荷與電價(jià)較低時(shí)段。對電動(dòng)汽車進(jìn)行集中充電，充電功率較高，可以保證用戶的正常出行需求；5G基站儲(chǔ)能以充電為主。對比模式一，電網(wǎng)購電功率增加，經(jīng)濟(jì)成本較低。

2）在7:00—12:00時(shí)段。電價(jià)小幅升高；系統(tǒng)內(nèi)的電動(dòng)汽車大部分離網(wǎng)出行，汽車數(shù)量減少；空閑的電動(dòng)汽車以充電為主，充電功率降低；系統(tǒng)內(nèi)的電能富余或空缺由5G基站儲(chǔ)能及時(shí)消納或填補(bǔ)，因電能多發(fā)而導(dǎo)致的能量富余現(xiàn)象消失。

3）在13:00—22:00時(shí)段。系統(tǒng)內(nèi)的電動(dòng)汽車接受調(diào)度進(jìn)行放電，5G基站儲(chǔ)能以放電為主。兩者在避開負(fù)荷與電價(jià)高峰的同時(shí)，為系統(tǒng)供給電能。增加的電能使電制熱出力增多，熱交換器出力減少。

相較于模式一，模式二中電動(dòng)汽車和5G基站可以更好地滿足調(diào)度需求，通過與系統(tǒng)內(nèi)的其他資源彼此互補(bǔ)協(xié)調(diào)，使得各設(shè)備出力更加合理高效，從而有效降低了運(yùn)行成本、限制污染物排放。

4.3.3 不同風(fēng)光出力場景的調(diào)度結(jié)果對比

通過對各個(gè)場景下的不同模式進(jìn)行最優(yōu)方案求解，得到的調(diào)度結(jié)果如表5所示。

表5 不同場景下各模式調(diào)度結(jié)果

分析表5可以得出以下結(jié)論：

1）風(fēng)光出力水平變化會(huì)對最終的調(diào)度結(jié)果產(chǎn)生影響。從場景一到場景四，系統(tǒng)整體運(yùn)行成本與污染物排放量逐漸降低?；谙到y(tǒng)內(nèi)的電功率平衡約束，風(fēng)光出力水平的提高減少了系統(tǒng)內(nèi)的電網(wǎng)購電量與天然氣發(fā)電量，進(jìn)而降低了系統(tǒng)的總體運(yùn)行成本，減少了污染物排放。

2）在4種風(fēng)光出力典型場景下，對比2種不同模式的調(diào)度，發(fā)現(xiàn)在電動(dòng)汽車和5G基站參與系統(tǒng)協(xié)調(diào)優(yōu)化后，綜合能源系統(tǒng)的經(jīng)濟(jì)性和環(huán)保性全部有所提高。4種典型場景下，系統(tǒng)的整體運(yùn)行成本均有所下降，平均降低了0.907 89萬元；系統(tǒng)內(nèi)的污染物排放量均有所下降，平均降低了1.873 8 t。

綜上所述，本文所提優(yōu)化調(diào)度方法可以充分利用電動(dòng)汽車與5G基站的可調(diào)節(jié)潛力，緩解系統(tǒng)的用能壓力，在保證系統(tǒng)整體經(jīng)濟(jì)性的同時(shí)降低對周圍生態(tài)環(huán)境的影響，有利于綜合能源系統(tǒng)的長期穩(wěn)定運(yùn)行。

5 結(jié)論

本文提出了一種含電動(dòng)汽車和5G基站的綜合能源系統(tǒng)優(yōu)化調(diào)度方法。為兼顧系統(tǒng)的經(jīng)濟(jì)性與環(huán)保性，建立了多目標(biāo)優(yōu)化調(diào)度模型，并在不同風(fēng)光出力典型場景下對所述方法進(jìn)行仿真驗(yàn)證，對比分析不同模式下的仿真結(jié)果，得到以下結(jié)論：

1）針對風(fēng)光發(fā)電的不確定性，利用模糊均值算法對風(fēng)光出力歷史數(shù)據(jù)進(jìn)行場景聚類的方法可行有效；結(jié)合CHI評價(jià)指標(biāo)，可以確定最優(yōu)聚類數(shù)目與典型出力場景。通過運(yùn)用多元宇宙優(yōu)化算法求解優(yōu)化調(diào)度模型，可以得到兼顧經(jīng)濟(jì)性與環(huán)保性的最佳調(diào)度方案。

2）在電動(dòng)汽車和5G基站參與優(yōu)化調(diào)度后，通過充分利用兩者的可調(diào)節(jié)潛力，系統(tǒng)總體運(yùn)行成本和污染物排放量下降，綜合能源系統(tǒng)的經(jīng)濟(jì)性與環(huán)保性有效提高。

3）本文所提供的優(yōu)化調(diào)度方法可實(shí)現(xiàn)系統(tǒng)內(nèi)多種能源的互補(bǔ)協(xié)調(diào)，并在不同風(fēng)光出力場景中驗(yàn)證有效。在滿足電、冷、熱負(fù)荷需求的同時(shí)，充分發(fā)揮電動(dòng)汽車與5G基站的靈活調(diào)節(jié)特性，可有效緩解系統(tǒng)的用能壓力。

[1] 楊龍, 張沈習(xí), 程浩忠, 等. 區(qū)域低碳綜合能源系統(tǒng)規(guī)劃關(guān)鍵技術(shù)與挑戰(zhàn)[J]. 電網(wǎng)技術(shù), 2022, 46(9): 3290-3304.YANG Long, ZHANG Shenxi, CHENG Haozhong, et al. Regional low-carbon integrated energy system planning: key technologies and challenges[J]. Power System Technology, 2022, 46(9): 3290-3304(in Chinese).

[2] WEI H, ZHANG Y, WANG Y, et al. Planning integrated energy systems coupling V2G as a flexible storage[J]. Energy, 2022, 239: 122215.

[3] 麻秀范, 孟祥玉, 朱秋萍, 等. 計(jì)及通信負(fù)載的5G基站儲(chǔ)能調(diào)控策略[J]. 電工技術(shù)學(xué)報(bào), 2022, 37(11): 2878-2887.MA Xiufan, MENG Xiangyu, ZHU Qiuping, et al. Control strategy of 5G base station energy storage considering communication load[J]. Transactions of China Electrotechnical Society, 2022, 37(11): 2878-2887(in Chinese).

[4] 楊鈺君, 于艾清, 丁麗青. 基于停車需求的電動(dòng)汽車移動(dòng)儲(chǔ)能多目標(biāo)充放電協(xié)調(diào)控制[J]. 電力科學(xué)與技術(shù)學(xué)報(bào), 2022, 37(4): 65-77.YANG Yujun, YU Aiqing, DING Liqing. Multi-objective charge and discharge coordination control of electric vehicle mobile energy storage based on parking demand[J]. Journal of Electric Power Science and Technology, 2022, 37(4): 65-77(in Chinese).

[5] 張翔, 廖海君, 周振宇, 等. 含規(guī)模化5G基站租賃共享儲(chǔ)能的配電網(wǎng)混合博弈優(yōu)化調(diào)度[J]. 電測與儀表, 2023, 60(5): 23-32.ZHANG Xiang, LIAO Haijun, ZHOU Zhenyu, et al. Hybrid game optimal dispatching for distribution network with large-scale 5G base station leasing shared energy storage[J]. Electrical Measurement & Instrumentation, 2023, 60(5): 23-32(in Chinese).

[6] HOU H, XUE M, XU Y, et al. Multi-objective economic dispatch of a microgrid considering electric vehicle and transferable load[J]. Applied Energy, 2020, 262: 114489.

[7] 華遠(yuǎn)鵬, 王圓圓, 白宏坤, 等. 含電動(dòng)汽車虛擬電廠的區(qū)間主從博弈優(yōu)化調(diào)度[J]. 熱力發(fā)電, 2022, 51(7): 163-170.HUA Yuanpeng, WANG Yuanyuan, BAI Hongkun, et al. Interval master-slave game optimal scheduling of virtual power plant with electric vehicle[J]. Thermal Power Generation, 2022, 51(7): 163-170(in Chinese).

[8] 雍培, 張寧, 慈松, 等. 5G通信基站參與需求響應(yīng)：關(guān)鍵技術(shù)與前景展望[J]. 中國電機(jī)工程學(xué)報(bào), 2021, 41(16): 5540-5552.YONG Pei, ZHANG Ning, CI Song, et al. 5G communication base stations participating in demand response: key technologies and prospects[J]. Proceedings of the CSEE, 2021, 41(16): 5540-5552(in Chinese).

[9] 喬銳勛, 王軍華, 韋道明, 等. 計(jì)及后備儲(chǔ)能及空調(diào)調(diào)度潛力的5G基站多時(shí)間尺度優(yōu)化方法[J]. 電力系統(tǒng)自動(dòng)化, 2023, 47(4): 111-120.QIAO Ruixun, WANG Junhua, WEI Daoming, et al. Multi-time-scale optimization method for 5G base station considering backup energy storage and air-conditioning scheduling potential[J]. Automation of Electric Power Systems, 2023, 47(4): 111-120(in Chinese).

[10] 章攀釗, 謝麗蓉, 馬瑞真, 等. 考慮電動(dòng)汽車集群可調(diào)度能力的多主體兩階段低碳優(yōu)化運(yùn)行策略[J]. 電網(wǎng)技術(shù), 2022, 46(12): 4809-4825.ZHANG Panzhao, XIE Lirong, MA Ruizhen, et al. Multi-player two-stage low carbon optimal operation strategy considering electric vehicle cluster schedulability[J]. Power System Technology, 2022, 46(12): 4809-4825(in Chinese).

[11] 張高, 王旭, 蔣傳文. 基于主從博弈的含電動(dòng)汽車虛擬電廠協(xié)調(diào)調(diào)度[J]. 電力系統(tǒng)自動(dòng)化, 2018, 42(11): 48-55.ZHANG Gao, WANG Xu, JIANG Chuanwen. Stackelberg game based coordinated dispatch of virtual power plant considering electric vehicle management[J]. Automation of Electric Power Systems, 2018, 42(11): 48-55(in Chinese).

[12] 張麗婧. 考慮5G運(yùn)營商備用儲(chǔ)能參與的電力系統(tǒng)優(yōu)化調(diào)度[D]. 北京: 華北電力大學(xué), 2022.ZHANG Lijing. Optimal scheduling of power system considering the participation of 5G operator’s backup energy storage[D]. Beijing: North China Electric Power University, 2022(in Chinese).

[13] 毛安家, 張麗婧, 盛倩倩. 考慮通信可靠性的5G基站儲(chǔ)能聚合商優(yōu)化調(diào)度研究[J]. 電工技術(shù)學(xué)報(bào), 2023, 38(9): 2364-2374.MAO Anjia, ZHANG Lijing, SHENG Qianqian. Research on optimal scheduling of 5G base station energy storage aggregators considering communication reliability[J]. Transactions of China Electrotechnical Society, 2023, 38(9): 2364-2374(in Chinese).

[14] FAN W, JU L, TAN Z, et al. Two-stage distributionally robust optimization model of integrated energy system group considering energy sharing and carbon transfer[J]. Applied Energy, 2023, 331: 120426.

[15] WANG J, HUO S, YAN R, et al. Leveraging heat accumulation of district heating network to improve performances of integrated energy system under source-load uncertainties[J]. Energy, 2022, 252: 124002.

[16] 趙冬梅, 馬泰屹. 基于動(dòng)態(tài)分時(shí)電價(jià)的含電動(dòng)汽車電網(wǎng)無功優(yōu)化策略[J]. 華北電力大學(xué)學(xué)報(bào)(自然科學(xué)版), 2022, 49(1): 1-11.ZHAO Dongmei, MA Taiyi. Reactive power optimization strategy of power grid with electric vehicles based on dynamic time-of-use tariffs[J]. Journal of North China Electric Power University (Natural Science Edition), 2022, 49(1): 1-11(in Chinese).

[17] 田立亭, 史雙龍, 賈卓. 電動(dòng)汽車充電功率需求的統(tǒng)計(jì)學(xué)建模方法[J]. 電網(wǎng)技術(shù), 2010, 34(11): 126-130.TIAN Liting, SHI Shuanglong, JIA Zhuo. A statistical model for charging power demand of electric vehicles[J]. Power System Technology, 2010, 34(11): 126-130(in Chinese).

[18] 楊祺銘, 李更豐, 別朝紅, 等. 臺風(fēng)災(zāi)害下基于V2G的城市配電網(wǎng)彈性提升策略[J]. 電力系統(tǒng)自動(dòng)化, 2022, 46(12): 130-139.YANG Qiming, LI Gengfeng, BIE Zhaohong, et al. Vehicle-to-grid based resilience promotion strategy for urban distribution network under typhoon disaster[J]. Automation of Electric Power Systems, 2022, 46(12): 130-139(in Chinese).

[19] 王浩林. 電動(dòng)汽車時(shí)空多維度負(fù)荷預(yù)測及其可調(diào)度潛力容量評估方法[D]. 廣州: 華南理工大學(xué), 2020.WANG Haolin. Spatio-temporal multi-dimensional load forecasting of electric vehicles and its schedulable potential capacity assessment method[D]. Guangzhou: South China University of Technology, 2020(in Chinese).

[20] 劉雨佳, 樊艷芳. 計(jì)及5G基站儲(chǔ)能和技術(shù)節(jié)能措施的虛擬電廠調(diào)度優(yōu)化策略[J]. 電力系統(tǒng)及其自動(dòng)化學(xué)報(bào), 2022, 34(1): 8-15.LIU Yujia, FAN Yanfang. Optimal scheduling strategy for virtual power plant considering 5G base station technology, energy-storage, and energy-saving measures[J]. Proceedings of the CSU-EPSA, 2022, 34(1): 8-15(in Chinese).

[21] 林固靜, 高賜威, 宋夢, 等. 含通信基站備用儲(chǔ)能的虛擬電廠構(gòu)建及調(diào)度方法[J]. 電力系統(tǒng)自動(dòng)化, 2022, 46(18): 99-107.LIN Gujing, GAO Ciwei, SONG Meng, et al. Construction and dispatch method of virtual power plant with backup energy storage in communication base stations[J]. Automation of Electric Power Systems, 2022, 46(18): 99-107(in Chinese).

[22]AFZALI S F, MAHALEC V. Novel performance curves to determine optimal operation of CCHP systems[J]. Applied Energy, 2018, 226: 1009-1036.

[23] 林玲. 基于典型場景的微能源網(wǎng)多目標(biāo)優(yōu)化調(diào)度及共享儲(chǔ)能容量配置研究[D]. 杭州: 浙江大學(xué), 2021. LIN LING. Research on multi-objective optimal dispatch and shared energy storage capacity allocation of micro-energy grid based on typical scenarios[D]. Hangzhou: Zhejiang University, 2021(in Chinese).

[24] 劉京昕. 多元宇宙優(yōu)化算法的改進(jìn)及應(yīng)用[D]. 南寧:廣西民族大學(xué), 2020. LIU JINGXIN. Improvement and application of multi-verse optimization[D]. Nanning: Guangxi Minzu University, 2020(in Chinese).

Optimal Scheduling of Integrated Energy System Including Electric Vehicles and 5G Base Stations

LIU Kaiquan1, LIU Changliang1,2, LIU Weiliang1,2, Wang Xin3, Kang Jiayao3

(1.School of Control and Computer Engineering, North China Electric Power University, Baoding 071003, China; 2.Key Laboratory of State Detection and Optimization Regulation for Integrated Energy System of Baoding, Baoding 071003, China; 3.National Energy Group New Energy Technology Research Institute Co., Ltd., Beijing 102200, China)

Wind and solar power generation is affected by environmental factors in integrated energy system, with sharp daytime fluctuations and complex interrelationships among various energy resources, which makes optimal scheduling of system difficult. Therefore, electric vehicles and 5G base stations are brought into the integrated energy system as flexible loads, and an optimal scheduling method based on fuzzy-mean-multi-verse optimization algorithm is proposed. On the basis of the original electricity-cooling-heating energy system, the mathematical model of electric vehicle and 5G base station is introduced, and their adjustable potential is analyzed. Besides, a multi-objective optimal scheduling model is established considering the economic and environmental protection indicators. Aiming at the uncertainty problem of wind and solar power generation, the fuzzy-means algorithm is used to cluster the wind-photoelectricity output into four typical scenarios, and the multi-verse optimizer is used to simulate and verify the model. The results show that the proposed method can effectively alleviate the energy pressure of the integrated energy system, and the overall operating cost of the system under different scenarios reduces by 11.0% on average; the pollutant emission reduces by 16.4% on average, and the overall operation quality of the system is effectively improved.

integrated energy system; smart grid control; new power system; renewable energy; electric vehicles

10.3969/j.ISSN.1672-0792.2024.03.003

TM734

A

1672-0792(2024)03-0020-14

國家自然科學(xué)基金資助項(xiàng)目(62203172)；國家能源集團(tuán)科技項(xiàng)目（GJNY-21-98）。

2023-10-15

劉鍇泉（1999—），男，碩士研究生，研究方向?yàn)橄到y(tǒng)建模與仿真，新能源發(fā)電；

劉長良（1965—），男，教授，研究方向?yàn)轱L(fēng)力發(fā)電技術(shù)及故障診斷；

劉衛(wèi)亮（1983—），男，副教授，研究方向?yàn)樾履茉窗l(fā)電與微電網(wǎng)控制；

王昕（1990—），男，工程師，研究方向?yàn)榫C合能源系統(tǒng)優(yōu)化調(diào)度；

康佳垚（1994—），男，工程師，研究方向?yàn)榫C合能源系統(tǒng)優(yōu)化調(diào)度。

劉衛(wèi)亮