考慮電動汽車共享儲能特性的園區(qū)綜合能源系統(tǒng)低碳運行

王 義，靳梓康，王要強，劉明洋，梁 軍

（1.鄭州大學(xué)電氣與信息工程學(xué)院,河南省鄭州市 450001；2.河南省電力電子與電能系統(tǒng)工程技術(shù)研究中心,河南省鄭州市 450001；3.國網(wǎng)河南省電力公司電力科學(xué)研究院,河南省鄭州市 450052；4.卡迪夫大學(xué)工程學(xué)院,卡迪夫 CF243AA,英國）

0 引言

園區(qū)綜合能源系統(tǒng)（park-level integrated energy system,PIES）,又稱微網(wǎng)綜合能源系統(tǒng)［1］,由于其內(nèi)部具有多種用能需求,需結(jié)合用戶側(cè)負(fù)荷特性處理微網(wǎng)運營商（microgrid operator,MGO）與用戶聚合商（user aggregator,UA）的經(jīng)濟效益問題［2-3］。

針對PIES 的經(jīng)濟效益問題,文獻［4］基于園區(qū)電-熱-氣特性,分析了氫儲能設(shè)備對電熱價格的影響。文獻［5］考慮在綜合能源系統(tǒng)中建立供熱精細(xì)化模型,從電熱特性方面考慮UA 的成本。文獻［6］通過加入余熱回收裝置與碳捕集電廠,提高了系統(tǒng)經(jīng)濟性。文獻［7］建立了一種電/熱混合儲能模型提高PIES 經(jīng)濟性。然而,上述文獻未考慮MGO 的定價策略與UA 用能策略的關(guān)系,忽略了MGO 的利益。

PIES 對儲能部分有較高的需求。由于個體儲能價格偏高且利用率較低,共享儲能模型被提出。文獻［8］鼓勵UA 通過共享儲能裝置錯峰充放電以實現(xiàn)利益最大化。文獻［9］在考慮共享儲能設(shè)備的基礎(chǔ)上,通過規(guī)劃多園區(qū)不同參與方的充放電時間來提高系統(tǒng)經(jīng)濟性。文獻［10］提出了一種考慮共享儲能參與的綜合微網(wǎng)系統(tǒng),降低了微網(wǎng)的用能成本。上述研究未在PIES 中考慮電動汽車（electric vehicle,EV）集群共享儲能特性。相較于儲能設(shè)備前期投資較高以及儲能利用率偏低等規(guī)劃不合理的問題［11］,EV 集群用作儲能的成本更低。

目前,已有部分學(xué)者針對EV 集群可調(diào)度潛力的問題進行了探索。文獻［12］提出了一種考慮EV集群參與電網(wǎng)調(diào)峰調(diào)頻的控制策略。文獻［13］通過建立充電站投標(biāo)模型充分挖掘EV 集群可調(diào)度潛力。文獻［14］將EV 集群可調(diào)度潛力模型視作儲能設(shè)備參與MGO 的博弈過程。上述研究在建立EV集群模型時未考慮EV 集群的參數(shù)不確定性。文獻［15］利用雙向長短期記憶（bi-directional long shortterm memory,Bi-LSTM）網(wǎng)絡(luò)法處理EV 集群的不確定性,但并未考慮EV 集群的共享儲能特性。

針對PIES 的碳排放問題,文獻［16-17］在系統(tǒng)優(yōu)化的過程中引入階梯式碳排放權(quán)交易（carbon emission trading,CET）機制。文獻［18］在傳統(tǒng)碳捕集模型的基礎(chǔ)構(gòu)建了自由CO2濃度分布模型。文獻［19］通過加入CO2儲液罐降低了系統(tǒng)碳排放。文獻［20］提出帶有賞罰因數(shù)的CET 機制,降低了系統(tǒng)的用能成本。

綜上,針對PIES 進行優(yōu)化調(diào)度時,少有文獻考慮基于EV 集群可調(diào)度潛力的共享儲能特性對于儲能設(shè)備的代替作用。事實上,隨著PIES 的發(fā)展與EV 保有量的提高,EV 作為儲能設(shè)備,是結(jié)合PIES實現(xiàn)“光儲直柔”戰(zhàn)略的重要一環(huán)［2］。同時,現(xiàn)有研究大多側(cè)重于UA 的成本最低,未能充分考慮MGO的利益,不能使各參與方滿意。

因此,本文針對此類含有MGO、EV 以及UA 的PIES,在MGO 制定售能價格的基礎(chǔ)上,同時考慮需求響應(yīng)、EV 集群共享儲能和階梯式CET 機制,建立基于主從博弈理論與基于EV 集群可調(diào)度潛力的共享儲能特性的PIES 低碳優(yōu)化模型,通過算例分析驗證了所提方案的有效性。

1 考慮CET 機制的PIES 運行框架

為便于統(tǒng)一規(guī)劃安排,本文將PIES 內(nèi)分散的用戶計為UA 模型,EV 統(tǒng)一在充電站進行充放電。同時,考慮UA、MGO、電網(wǎng)及EV 充電站之間的能量交互過程。其中,UA 側(cè)的電負(fù)荷與熱負(fù)荷主要由MGO 側(cè)的燃?xì)鈾C組（MT）供能,少數(shù)由UA 側(cè)光伏與電制熱設(shè)備供能。UA 可向EV 充電站購買電能,具體場景如圖1 所示。

圖1 PIES 框架示意圖Fig.1 Schematic diagram of PIES framework

MGO 為利用MT 對UA 進行電能與熱能供應(yīng)的商戶,其掌握UA 的用能需求并根據(jù)自身利益向UA 報價。MGO 根據(jù)UA 提供的信息制定每小時的電價與熱價,通過與UA 進行能源交易獲取收益。此外,MGO 可將多余電量出售給電網(wǎng)獲取利潤。同時,MGO 側(cè)加入了帶有賞罰因數(shù)的階梯式CET機制,在系統(tǒng)碳排放高于配額時進行額外懲罰,在碳排放低于配額時進行獎勵,促進系統(tǒng)降低碳排放。

假設(shè)園區(qū)的儲能設(shè)備完全由EV 充電站代替,用于降低前期的建設(shè)成本并提升儲能利用率,同時提高UA 側(cè)負(fù)荷的靈活性。EV 充電站根據(jù)當(dāng)前停放在充電站內(nèi)EV 的可用電量為UA 提供儲能服務(wù)。UA 可以選擇在用電高峰期時取用充電站內(nèi)的電量,在滿足EV 期望電量的情況下獲取更高的收益。

UA 側(cè)的用能需求主要有電需求與熱需求。園區(qū)內(nèi)每個用戶都根據(jù)“光儲直柔”相關(guān)政策的要求安裝光伏與電制熱裝置。假設(shè)MGO 制定的電價不超過電網(wǎng)分時電價,基于此本文假定UA 的電能來源于MGO 與EV 充電站,不再向電網(wǎng)購電。當(dāng)UA 側(cè)光伏裝置產(chǎn)生的電量不能滿足其用電需求時,UA可向MGO 購買電量,或從EV 充電站中取用電量。同時,在UA 電量充足且熱能仍有缺額時,其可通過電制熱設(shè)備獲取熱能。

基于上述分析得出的PIES 運行方式為：MGO根據(jù)電網(wǎng)的購、售電價格與UA 的歷史購熱價格分別制定合理的售能策略；UA 根據(jù)自身電、熱負(fù)荷的情況選取最優(yōu)用能方案,同時優(yōu)化自身電、熱負(fù)荷分布；EV 充電站可以在電價較低時充電并通過向UA出售充電站內(nèi)EV 的電量獲取收益。

2 MGO 模型

MGO 側(cè)MT 產(chǎn)出的熱能與電能供UA 使用。MT 的耗氣成本與其輸出電功率的關(guān)系可表示為：

式中：E為t時段內(nèi)MT 的耗氣成本；η為MT 的發(fā)電效率；P為t時段內(nèi)MT 輸出的電功率；Pgas為天然氣價格；P為MT 輸出功率最大值。

MT 的供熱、供電關(guān)系可表示為：

式中：P為t時段MT 輸出的熱功率；ηh為熱電比系數(shù)。

考慮到MT 產(chǎn)生的熱量全部供給UA,故UA 購買MGO 的熱功率L為：

MGO 的策略集為出售給UA 的熱價與電價,并利用主從博弈求出最優(yōu)的售價策略集。MGO 制定的電價與熱價約束為［10］：

式中：T為一天內(nèi)的總時間。

以上各項可以詳細(xì)表示為：

碳排放配額公式為：

式中：Eq為系統(tǒng)整體的碳排放配額；er為MT 單位碳排放配額；ceh為MT 發(fā)電量的折算系數(shù)；eg為購電的碳排放配額；Pe,buyt為t時段MGO 的購電量。

碳排放Eall計算公式為：

式中：es為MT 單位碳排放系數(shù)；eu為上級購電的碳排放系數(shù)［17］。

考慮賞罰的階梯式CET 成本計算公式如下：

式中：σ為CET 基礎(chǔ)價格；x為懲罰因子,取0.25；y為獎賞因子,取0.2；d為碳排放區(qū)間的長度。

3 EV 模型

3.1 EV 個體模型

EV 在進入充電站后根據(jù)自身用能需求與經(jīng)濟效益進行充放電操作。EV 個體充放電模型如下：

3.2 EV 集群可調(diào)度潛力模型

由于EV 個體到達、離開充電站的時間及其初始SOC 往往具有較大不確定性,無法充分發(fā)揮EV 的共享儲能特性。因此,本文構(gòu)建EV 集群可調(diào)度潛力模型,集群內(nèi)EV 的樣本數(shù)量越多,可調(diào)度潛力越準(zhǔn)確。EV 可調(diào)度潛力指通過對EV 到達、離開充電站時間及初始SOC 等歷史數(shù)據(jù)進行預(yù)測,進而明確實時階段EV 共享儲能容量及充放電功率的范圍［14］。本文通過閔可夫斯基求和理論將EV 集群聚合為共享儲能模型,并計算EV 集群可調(diào)度潛力的包絡(luò)空間邊界。閔可夫斯基求和示意圖見附錄A 圖A1。

由于個體EV 在計算充放電功率時考慮了布爾變量,其出入站時間屬于同一可行域,EV 個體具備閔可夫斯基可加性。EV 集群的上下邊界為：

式中：NEV為EV 的種類集合,文中考慮3 種工作在不同時段的EV；sarrn、sdepn分別為EV 到達與離開充電站時的電量。詳細(xì)推導(dǎo)過程見文獻［13］。

式（15）不僅建立了具有物理意義的EV 集群共享儲能模型,而且從優(yōu)化可行域的角度實現(xiàn)了EV個體決策空間的聚合。

綜上,EV 集群共享儲能模型可表示為：

3.3 基于Bi-LSTM 的EV 集群參數(shù)預(yù)測方法

由式（15）、式（16）可知,已知充電站內(nèi)EV 的充放電最大功率及儲能上下限等歷史數(shù)據(jù)后,可以計算出EV 在實時階段的共享儲能參數(shù)范圍。采用有較強規(guī)律計算能力的算法對這些實時數(shù)據(jù)進行預(yù)測可以盡可能地消除不確定性帶來的影響［15］。因此,本文采用Bi-LSTM 法對EV 集群的初始SOC、出入站時間3 個歷史數(shù)據(jù)進行分析。相較于LSTM 等預(yù)測方法,Bi-LSTMM 能夠進一步發(fā)掘當(dāng)前數(shù)據(jù)與過去及未來時刻數(shù)據(jù)的聯(lián)系,提高預(yù)測精度。Bi-LSTM 法示意圖見附錄A 圖A2。

綜上,EV 充電站向電網(wǎng)的購電成本可表示為：

式中：EEV-為EV 充電站一天的購電成本；λc為EV 的充電成本系數(shù)；N為EV 的數(shù)量。

同時,EV 充電站向UA 售電的收益可表示為：

式中：EEV+為EV 充電站向UA 售電獲取的收益；λEVt為UA 購買電量時的成本系數(shù)。

因此,一天內(nèi)EV 充電站獲取的收益可表示為：

4 UA 模型

本文中UA 側(cè)電負(fù)荷可分為固定負(fù)荷與柔性負(fù)荷,柔性負(fù)荷又可以分為可轉(zhuǎn)移負(fù)荷與可削減負(fù)荷。UA 可以根據(jù)MGO 提供的價格,靈活選取柔性負(fù)荷的供電時間,進而實現(xiàn)需求響應(yīng)。同時,UA 配有電制熱設(shè)備充當(dāng)柔性熱負(fù)荷,在電價較低或電量充足時通過電制熱獲取熱能。

綜上,UA 在t時段的電負(fù)荷可表示為：

式中：L和L分別為UA 側(cè)柔性電負(fù)荷的最大、最小值；Lˉe,st為需求響應(yīng)后UA 側(cè)的柔性電負(fù)荷值；為UA 在t時間段內(nèi)進行需求響應(yīng)的電負(fù)荷量；k為UA 側(cè)柔性電負(fù)荷的占比。k值越大,系統(tǒng)需求響應(yīng)能力越強。

在PIES 中加入EV 充電站后,UA 可以根據(jù)自身的用電需求從中獲取電能?；诖说贸鯱A 在t時段的凈電負(fù)荷為：

式中：Lt為UA 從MGO 購入的電能為UA 完成電、熱柔性負(fù)荷調(diào)整后的電負(fù)荷為UA 側(cè)的光伏裝置發(fā)出的電功率。

在供熱方面,UA 可在MGO 提供的電價較低或自身電能充足時通過電制熱設(shè)備獲取熱能,電價較高時從MGO 購買熱能,進而實現(xiàn)電能和熱能的相互轉(zhuǎn)換,這類負(fù)荷稱為可替代負(fù)荷,其模型為：

式中：Le,ht為電制熱設(shè)備產(chǎn)生的熱功率；ηe,h為電制熱設(shè)備的轉(zhuǎn)化效率；Le,hmax為電制熱設(shè)備的最大出力。

可替代負(fù)荷需要考慮最大、最小可替代負(fù)荷量約束：

式中：ΔL和ΔL分別為可替代電負(fù)荷上、下限。

基于此得出UA 在t時段的凈熱負(fù)荷Lht：

式中：L為可削減熱負(fù)荷；L為可削減熱負(fù)荷的最大值。

綜上,UA 的收益Euser可表示為：

式中：E為UA 側(cè)的用電效用函數(shù)［21］；為調(diào)整后的電負(fù)荷；a、b、c為用電效用函數(shù)的參數(shù)。

5 基于主從博弈理論的MGO 定價模型及求解策略

5.1 MGO 與UA 的主從博弈過程

MGO 通過與UA 進行主從博弈確定最優(yōu)的售能方案,UA 將MGO 的售電方案與EV 充電站的價格對比,合理使用EV 充電站服務(wù)以及電制熱設(shè)備,并對自身電、熱柔性負(fù)荷進行動態(tài)調(diào)整。

若MGO 制定的價格與預(yù)期不符,UA 將調(diào)整自身柔性負(fù)荷的占比與購能量；同時,MGO 也將根據(jù)UA 購能量的變化動態(tài)調(diào)整定價方案。可以看出,兩者的決策方案具有先后順序,MGO 為決策主導(dǎo)者,UA 為決策跟隨者。因此,本模型可視為主從博弈模型,主從博弈證明過程見附錄B。本文模型的博弈過程如圖2 所示。

圖2 主從博弈過程示意圖Fig.2 Schematic diagram of Stackelberg game process

5.2 主從博弈的模型求解方法及流程

MGO 的目標(biāo)是收益最大,在此基礎(chǔ)上設(shè)計最優(yōu)電價與熱價出售方案；上層MGO 的價格策略由遺傳算法進行初始化與更新,下層UA 在收到上層MGO 的價格后,由CPLEX 求解器求解最優(yōu)收益。求解流程如附錄C 圖C1 所示。

6 算例分析

本文算例以某市PIES 為研究對象,假設(shè)一天分為24 個時段,MGO 側(cè)MT 的參數(shù)及電網(wǎng)分時電價等數(shù)據(jù)見文獻［4］；EV 的相關(guān)參數(shù)見文獻［22］；UA側(cè)柔性負(fù)荷占比與熱負(fù)荷上下限等參數(shù)見文獻［11］；遺傳算法的相關(guān)參數(shù)見文獻［10］。為結(jié)合園區(qū)中存在多用戶的實際情況,針對不同用戶的用能需求進行計算,本文假設(shè)UA 中存在3 位用戶,其負(fù)荷及光伏出力參數(shù)見附錄D 圖D1；同時,考慮3 類EV 集群模型與4 類EV 充電站［13］,相關(guān)參數(shù)見附錄D 表D1。本文對EV 集群的歷史數(shù)據(jù)采用Bi-LSTM 法進行處理,處理結(jié)果見附錄D 圖D2。針對本文引入的含賞罰因素的CET 機制與EV 集群共享儲能特性的PIES 模型,通過MATLAB 建立4 種場景進行對比分析,并從PIES 經(jīng)濟性與碳排放的角度分析所提模型的相對優(yōu)勢。4 種場景設(shè)置如下：

場景1：考慮儲能,不考慮階梯式CET 機制；

場景2：考慮EV,不考慮階梯式CET 機制；

場景3：考慮階梯式CET 機制,不考慮EV；

場景4：考慮EV 與階梯式CET 機制。

4 種場景的優(yōu)化運行結(jié)果如表1 所示。

表1 不同場景收益與成本分析Table 1 Benefit and cost analysis in different scenarios

分析表1 數(shù)據(jù)可知,相較于考慮普通儲能裝置而不考慮EV 充電站以及CET 機制（場景1）,分別考慮CET 機制（場景3）與EV 充電站（場景2）后可以為PIES 帶來更高的收益。其中,場景2 的EV 集群共享儲能模型相較于場景1 碳排放下降1 242 kg,UA 與EV 的收入和增加1 042 元。這是由于EV 的加入,UA 可以選擇在MGO 提供的電價較高時選擇向EV 充電站購電,減少自身購能成本,并促使MT出力下降,減少PIES 的碳排放量。

場景3 通過考慮CET 機制,相較于場景1,PIES的碳排放減少6 325 kg。這是因為加入CET 機制后,為促使系統(tǒng)減排,MGO 側(cè)MT 的出力下降,UA優(yōu)先為自身電負(fù)荷供能,增加電制熱設(shè)備的工作時段,減少從MGO 的購熱量,降低了用能成本。

場景4 結(jié)合場景2 和場景3 的優(yōu)點,相較于場景2 與場景3 分別減少碳排放7 309 kg 與2 226 kg,大幅減少了PIES 的碳排放；同時,相較于場景3,場景4 在加入EV 后UA 的收入提高836 元。證明了加入基于EV 集群共享儲能模型后可以大幅減小系統(tǒng)碳排放,驗證了其合理性。此外,加入EV 充電站后PIES 的整體收入得到了一定幅度的提升,相較于傳統(tǒng)儲能設(shè)備,不僅降低了園區(qū)前期投入成本,同時為UA 與PIES 帶來額外的經(jīng)濟收入。

本文將重點針對場景1 與場景4 對于UA 側(cè)負(fù)荷轉(zhuǎn)移特性以及系統(tǒng)碳排放的影響進行討論,主要分析普通儲能設(shè)備與EV 集群作為儲能時上層MGO 制定售能價格的區(qū)別,同時分析EV 集群共享儲能對于提高UA 側(cè)柔性負(fù)荷占比的貢獻,并重點分析場景4 中EV 集群共享儲能的充放電特性。

場景4 的收斂曲線見附錄C 圖C2,場景1 與場景4 中MGO 的售能價格曲線見附錄C 圖C3。

圖3 分別展示了場景1 與場景4 中用戶3 的電熱功率平衡曲線。場景4 中用戶1、2 的電熱功率平衡曲線見附錄D 圖D3。相較于考慮儲能設(shè)備的場景1,場景4 在PIES 中將其替換為EV 集群共享儲能模型并考慮含賞罰因數(shù)的CET 后,可以看出場景4 中用戶3 的可轉(zhuǎn)移負(fù)荷與可削減負(fù)荷可用時段相比場景1 更多,這是由于為降低自身的用能成本,UA 選擇將柔性負(fù)荷從用能價格較高的時段轉(zhuǎn)移至用能價格較低的時段,證明了EV 集群共享儲能模型可以提高UA 側(cè)負(fù)荷的靈活性。同時,在MGO 供熱價格高于其供電價格的時段內(nèi),相較于場景1,場景4 中UA 選擇使用可削減負(fù)荷的時段更多,說明其電熱負(fù)荷的靈活性較強,且加入含賞罰因數(shù)的CET 機制可以更好地鼓勵UA 使用電制熱設(shè)備與需求響應(yīng),降低系統(tǒng)碳排放與用能成本。

圖3 不同場景下用戶3 的電熱功率平衡圖Fig.3 Electric and heating power balance diagram of user 3 in different scenarios

圖4 與圖5 分別為4 類EV 充電站總儲能容量變化圖與各充電站充放電功率變化圖。根據(jù)圖4 中分時電價曲線以及圖4、圖5 中EV 集群的電量變化圖可知,EV 集群選擇在00：00—09：00、14：00—18：00、21：00—24：00 時段進行充電。這是因為分時電價較低,此時充電可以降低成本；在電價較高的10：00—14：00、18：00—21：00 時段內(nèi),4 類充電站均不同程度地進行了放電操作,說明在電價較高時UA 選擇從EV 中獲取電量,進而減少自身購能成本。同時,圖5 還表明,當(dāng)EV 集群充放電功率在可調(diào)度潛力邊界范圍內(nèi)時,EV 集群共享儲能模型具有較好的魯棒性,為后續(xù)園區(qū)的規(guī)劃提供儲能余量。

圖4 場景4 的EV 共享儲能容量變化圖Fig.4 Capacity change diagram of EV shared energy storage in scenario 4

圖5 場景4 下各充電站電量變化圖Fig.5 Electricity quantity change diagram of each charging station in scenario 4

7 結(jié)語

本文構(gòu)建了適用于工業(yè)園區(qū)的PIES,針對園區(qū)儲能設(shè)備前期投入較高等問題,提出了利用基于EV 集群可調(diào)度潛力的共享儲能模型作為儲能設(shè)備參與調(diào)度過程,同時建立了MGO 與UA 間的主從博弈模型,有效增加了UA 收入,大幅減少了系統(tǒng)碳排放,實現(xiàn)兩者的雙贏。得到的主要結(jié)論如下：

1）本文所提模型充分挖掘了EV 集群的共享儲能特性,由EV 充電站自主決定其充放電過程,為園區(qū)帶來收益的同時降低了園區(qū)的碳排放量。同時,EV 集群共享儲能模型具有較好的魯棒性與可擴展性,為后續(xù)園區(qū)的規(guī)劃提供儲能余量。

2）加入EV 集群共享儲能模型能夠提高UA 側(cè)負(fù)荷的靈活性,降低UA 的用能成本,同時為上層MGO 的定價策略提供思路。

3）引 入CET 機 制 后,MGO 通 過 調(diào) 整MT 機 組的出力改變自身的售能策略。結(jié)果表明,系統(tǒng)的碳排放下降了15%,證明引入含賞罰因數(shù)的階梯式CET 機制在降低碳排放方面具有一定優(yōu)勢。

本文所提策略利用EV 集群共享儲能特性降低園區(qū)用能成本,有助于“雙碳”目標(biāo)下PIES 的建設(shè)。若MGO 中沒有燃?xì)鈾C組,本文模型可簡化為MGO向電網(wǎng)購能并出售給用戶獲取利潤,熱能部分由各用戶根據(jù)自身情況產(chǎn)熱或從外界購熱,EV 集群共享儲能模型仍然為用戶提供儲能服務(wù)。后續(xù)研究將進一步發(fā)掘EV 路徑規(guī)劃在PIES 中的應(yīng)用以及UA中用戶之間的合作博弈過程。

附錄見本刊網(wǎng)絡(luò)版（http：//www.aeps-info.com/aeps/ch/index.aspx），掃英文摘要后二維碼可以閱讀網(wǎng)絡(luò)全文。