多態(tài)場景下考慮出行鏈重構(gòu)的電動汽車多目標(biāo)協(xié)同優(yōu)化調(diào)度

朱永勝，孫 賢，謝曉峰，丁同奎，巫付專，史志鵬

（1.中原工學(xué)院電子信息學(xué)院，河南省鄭州市 450007；2.國網(wǎng)鄭州供電公司，河南省鄭州市 450052）

0 引言

近年來，隨著中國電動汽車（electric vehicle，EV）保有量的迅速上升，EV 集群作為分布式儲能資源，削峰填谷和節(jié)能減排的能力逐漸增強［1-4］。但是，用戶充電選擇上的主觀性導(dǎo)致了EV 的時空負荷具有較大的突變性，并對原有的充放電調(diào)度計劃造成破壞［5］。因此，盡可能充分考慮EV 充放電調(diào)度過程中的用戶主觀性，已經(jīng)成為了亟待解決的問題。

目前的研究工作主要以EV 確定的出行行為作為基礎(chǔ)進行充放電調(diào)度。文獻［6-10］模擬常態(tài)下EV 負荷需求的時空分布，得到EV 參與能量互動的穩(wěn)定時長，并設(shè)定不同調(diào)度目標(biāo)對EV 進行充放電調(diào)度。文獻［11］建立了出行修正模型，描述EV 受用戶主觀性的影響，行駛狀態(tài)中的目的地和入網(wǎng)時間改變的過程。文獻［12］提出隨機?？磕Ｐ?，模擬EV 在出行過程中的自主停靠行為，增加了EV 入網(wǎng)時間的不確定性。上述文獻僅考慮EV 在充電前的不確定性，忽略了用戶主觀性對EV 充放電過程的影響。

文獻［13］采用魯棒優(yōu)化方法，優(yōu)化某時段內(nèi)由于EV 異常進入或離開負荷聚合商所造成的異常功率波動，確保每輛EV 的充電安全。該文獻并未考慮到用戶實際的出行需求，僅提供了異常功率波動的解決方案。文獻［14］基于EV 行駛路徑的不確定性，建立了EV 在不同使用場景下的自適應(yīng)充放電策略。文獻［15］對每個充電時段進行兩階段分析，預(yù)測未來時段內(nèi)不確定的充電需求。文獻［16］通過信息間隙決策理論討論了EV 接入負荷聚合商時刻的不確定性。文獻［14-16］雖然考慮到EV 使用的不確定性，但仍然基于確定的負荷需求區(qū)間對EV的充放電進行預(yù)測及調(diào)度。文獻［17］雖然提出了EV 在某置信水平下的負荷區(qū)間預(yù)測方法，但沒有進一步討論EV 的充電過程在任意時刻均可中斷的可能性，以及特殊時段內(nèi)用戶對充電功率的最低要求。

文獻［18-20］討論了極端條件下EV 參與負荷恢復(fù)的過程。文獻［18-19］討論了以應(yīng)急發(fā)電車輛為供電主體，向區(qū)域電網(wǎng)進行供電，但并未充分發(fā)掘EV 作為分布式儲能資源的潛力。文獻［20］討論了在極端供電狀態(tài)下，EV 集群作為不可中斷電源向區(qū)域電網(wǎng)負荷供電的潛力，但忽略了用戶的出行需求。文獻［21-22］將EV 集群在不同時段視為容量不同的儲能單元，以此消納各時段多余的電力供給，但忽略了EV 集群可突變的儲能潛力。

綜上所述，目前對常態(tài)下EV 的不確定性研究集中在以負荷聚合商為調(diào)度主體，考慮EV 負荷區(qū)間的不確定性，或者將EV 個體視為具有最短充電時長的能量互動單元，對EV 個體進行充放電調(diào)度。未充分考慮常態(tài)下，由于用戶主觀性導(dǎo)致的充放電調(diào)度計劃的異常中斷、用戶對充放電功率的實際需求以及用戶出行鏈的改變對后續(xù)充放電調(diào)度計劃的影響。當(dāng)極端狀態(tài)發(fā)生時，對極端狀態(tài)下的研究工作僅考慮極端狀態(tài)前EV 的出行模型，EV 通常被視為儲能資源穩(wěn)定的能量供給和消納單元，未充分考慮用戶本身的出行需求。

據(jù)此，本文提出多態(tài)場景下考慮用戶出行鏈重構(gòu)的EV 電力調(diào)度策略。首先，模擬用戶自身充電意愿對充電選擇的影響，提出用戶充電意愿模型；然后，提出出行鏈重構(gòu)模型，模擬用戶在突發(fā)事件影響下出行鏈改變的過程；其次，提出多態(tài)場景下儲能站協(xié)同EV 的調(diào)度策略；最后，綜合以上模型，以用戶經(jīng)濟性和負荷需求穩(wěn)定性為目標(biāo)，構(gòu)建日前、實時雙階段調(diào)度模型，對EV 進行充放電調(diào)度。通過區(qū)域電網(wǎng)進行仿真，驗證了所提模型的有效性。

1 EV 出行行為模型

1.1 EV 分類

考慮到用戶充電需求差異，本文將EV 分為3 類:1）剛性EV，此類EV 以當(dāng)前節(jié)點的最大充電功率進行充電，不參與調(diào)度；2）慢充EV，此類EV 是參與充放電調(diào)度的主體，并以不大于節(jié)點的最大慢充功率進行充電，本文假設(shè)該類EV 在停駐時會與充電樁相連［23］；3）快充EV，進行充放電調(diào)度時，需要首先滿足用戶的出行需求。

任意一輛EV 的狀態(tài)可以用一維矩陣表示:

式中:D為表示EV 是否參與調(diào)度的0-1 變量，值為0、1 分別表示不參與調(diào)度和參與調(diào)度；G為EV 充放電類型，值為-1、1、2 和3 分別表示維持原有的充放電計劃、調(diào)度計劃改變、以最大慢充功率充電和以最大快充功率充電；Cn，t為第n輛EV 在t時 段的充放電標(biāo)識，處于放電狀態(tài)時，放電標(biāo)識C為1、充電標(biāo)識C為0，而處于充電狀態(tài) 時C為1、C為0，其余 狀 態(tài) 時C和C均為0；Sn，t為 第n輛EV 在t時段的電量；Tin、Tout分別為EV 的入網(wǎng)時段、離網(wǎng)時段；Eh為二進制數(shù)，值為1 和0 分別表示出行鏈重構(gòu)事件發(fā)生和不發(fā)生；Ec為出行鏈重構(gòu)事件類型；Et為出行鏈重構(gòu)事件發(fā)生的實際時刻；i和U分別表示第幾次出行和總的出行次數(shù)；S為第n輛EV 的里程焦慮值；L為EV 第i次出行中路段節(jié)點的有序集合，L={LS，LM，LD，LF}，其中，LS、LM、LD和LF分別為當(dāng)前所在節(jié)點、中間節(jié)點、原出行鏈目的地節(jié)點和距離最近的快充站節(jié)點。

1.2 出行鏈重構(gòu)事件

EV 處于行駛狀態(tài)中發(fā)生出行鏈重構(gòu)事件時，需要對該段行程的目的地和行駛路徑進行調(diào)整。EV 處于停駐狀態(tài)時，本文提出4 種出行鏈重構(gòu)事件模擬出行鏈重構(gòu)對停駐階段的影響，如圖1 所示。

圖1 出行鏈重構(gòu)事件示意圖Fig.1 Schematic diagram of trip chain reconstruction events

本文對停駐狀態(tài)下的EV 出行鏈重構(gòu)事件分類如下:1）緊急且必要事件，往往時效性較短，但重要性較強，需要用戶即刻處理；2）緊急不必要事件，時效性較短，重要性較低，用戶需要抉擇是否進行處理；3）必要不緊急事件，時效性較長，對用戶來講重要性較強，本文設(shè)定用戶選擇在原出行鏈的基礎(chǔ)上，以最短出行距離完成該事件；4）不緊急不必要事件，時效性較長，本文設(shè)定用戶回家之后再處理。

1.3 EV 出行鏈模型

本文采用交通節(jié)點和配電網(wǎng)節(jié)點一一對應(yīng)的方式刻畫路-網(wǎng)耦合關(guān)系圖，如附錄A 圖A1、圖A2 和表A1 所示。本文依據(jù)文獻［24］的出行鏈理論以及NHTS2017 數(shù)據(jù)［25］，構(gòu)建EV 時空分布模型，如附錄A 圖A3 所 示。

EV 在不同區(qū)域停駐時長具有不同形式的分布函數(shù)，本文將城市區(qū)域劃分為三大類:居民區(qū)（H）、工作區(qū)（W）和商業(yè)區(qū)域（O）。

居民區(qū)（H）停駐時長為:

工作區(qū)（W）停駐時長為:

商業(yè)區(qū)（O）停駐時長為:

式中:T為當(dāng)前時刻；ΔTP為T時刻EV 進行停駐的停駐時長。

通過式（5）描述氣溫對電池的影響。

式 中:Ht為t時 段 的 氣 溫；Qn，t和QO，n，t分 別 為 第n輛EV 在t時段的實際電池容量和電池原本容量。通過Dijkstra 算法以最短用時規(guī)劃行駛路徑。

1.4 EV 用戶充電意愿模型

當(dāng)EV 電量低于里程焦慮值時，EV 用戶會選擇立即前往充電［26-29］；當(dāng)EV 電量高于里程焦慮值但低于充電意愿閾值時，用戶會衡量能否到達該行駛階段的目的地，如附錄A 圖A4 所示。

當(dāng)用戶判斷該電量能夠抵達該行駛階段的目的地時，用戶會下調(diào)充電意愿閾值并繼續(xù)行駛。當(dāng)用戶判斷不能到達目的地時，則選擇距當(dāng)前位置節(jié)點最近的充電節(jié)點進行充電。

式 中:KLS，LD，n為 第n輛EV 在 當(dāng) 前 位 置 節(jié) 點LS距 本段路程的終點LD的距離；α為第n輛EV 在該路段出行過程中的充電意愿系數(shù)；Ki，n為第n輛EV 在第i次出行中的路徑長度；Sax，n為第n輛EV 用戶的原始 充 電 意 愿；S為 第n輛EV 用 戶 調(diào) 整 之 后 的 充電意愿閾值。

2 EV 出行鏈重構(gòu)

EV 發(fā)生出行鏈重構(gòu)事件，并且EV 按照重構(gòu)后的出行鏈行駛時，EV 的出行鏈應(yīng)當(dāng)?shù)玫饺缦抡{(diào)整:

式 中:Un為 第n輛EV 總 的 出 行 次 數(shù)；Pn，Et～96和Et～96分別為EV 在Et到第96 個時段出行鏈重構(gòu)前后 的 功 率；Scon、S′con分 別 為EV 在Et到 第96 個 時 段出 行鏈重構(gòu)前、后的路程約束；Eu，un，h為判斷是否出行 的 變 量，Eu，un，h為0 時 表 示 不 出 行，為1 時 表 示 出行。

2.1 行駛狀態(tài)

當(dāng)EV 行駛過程中發(fā)生出行鏈重構(gòu)事件時，需要對EV 出行的目的地和路徑進行調(diào)整:

式 中:LD，i為 第i次 出 行 中 原 來 的 目 的 地；ΔTLS，LD表示從LS到LD所消耗的時間；vˉ為平均速度；δ為交通擁堵系數(shù)，如附錄A 表A2 所示表示向上取整。

2.2 停駐狀態(tài)

2.2.1 緊急且必要事件

這類事件時效性短、重要性強，需要用戶迅速前往目的地。因此，需要EV 的電量能夠滿足接下來的行程或能夠到達距離目的地最近的充電站。本文設(shè)計了3 種充電方案，力求在此類事件發(fā)生的情況下，保證用戶能在最短時間內(nèi)到達目的地。下文將此類事件命名為事件1。

1）EV 在當(dāng)前所在地LS以最大慢充功率充電，使得EV 在出發(fā)時的電量大于LS到LM的行程消耗量S與LM到LD的 行 程 消 耗 量S之 和，再 出發(fā)至出行鏈重構(gòu)事件發(fā)生位置LM，最后到達原定出行鏈目的地LD。

2）EV 在當(dāng)前所在地LS前往距離最近的快充站節(jié)點LF進行快充，并使得充電結(jié)束后的電量大于LF到LM的 行 程 消 耗 量S與S之 和，再 出 發(fā) 至LM，最后到達LD。

3）用戶的電量能夠到達LM，并且在該目的地的停駐階段以最大慢充功率充電時，其再次出發(fā)的電量能夠滿足S。

在事件1 中，需要用戶能夠在最短時間內(nèi)到達目的地，本文設(shè)定該類事件發(fā)生后忽略用戶充電意愿閾值。當(dāng)該類事件發(fā)生時，EV 的狀態(tài)為:

式中:Scon的下標(biāo)表示發(fā)生出行鏈重構(gòu)事件前，滿足該 段 路 程 電 量 約 束 的 起 止 節(jié) 點；Tu，n，1、Tu，n，2和Tu，n，3為3 種充電方案到達LM的時間；P為第n輛EV 的充放電功率，上標(biāo)c 和d 分別為充電和放電標(biāo)識，上標(biāo)s和f 分別為慢充和快充標(biāo)識，上標(biāo)max 為最大功率標(biāo)識；Pc，max，fn和Pc，max，sn分別為第n輛EV 在當(dāng)前節(jié)點的最大快充功率和最大慢充功率；Sn，Et為第n輛EV在Et時段的電量；Tout和Tin的數(shù)字下標(biāo)為該次事件的入網(wǎng)和離網(wǎng)次數(shù)；表示向下取整；S′n，Tout表示出行鏈重構(gòu)后，第n輛EV 在離網(wǎng)時間Tout之后的行程約 束；ΔTLS，LF，LM表 示 從LS到LF再 到LM所 消 耗 的時間。

當(dāng)用戶完成緊急且必要事件后，用戶的充電意愿和里程焦慮對EV 充放電調(diào)度的影響應(yīng)當(dāng)重新納入考慮范圍。

2.2.2 緊急不必要事件

緊急不必要事件對用戶的影響通常較小。例如，用戶偶然得知某超市在某時段內(nèi)打折等，用戶綜合考慮成本和收益后決定是否出行。

本文設(shè)定此類事件發(fā)生后，用戶需要判斷在該停駐時段結(jié)束并到達目的地時，該事件是否仍然存在，如果存在則在該停駐時段結(jié)束后立即出行；如果該事件不存在，但用戶選擇在當(dāng)前所在節(jié)點立即出發(fā)，并且抵達LM后該事件仍然存在，則用戶選擇對充放電計劃調(diào)整后完成該事件；如果都不滿足則仍然按照原出行鏈進行出行過程。下文將此類事件命名為事件2。

式 中:TEu，un為 該 事 件 的 持 續(xù) 時 間；max為 第n輛EV在當(dāng)前節(jié)點的最大充電功率，其中，Tout，1同式（12）。

2.2.3 必要不緊急事件和不緊急不必要事件

必要不緊急事件對用戶重要性較強，但是實施時間可以自由確定，如約會、團建和健身等，用戶在這類事件發(fā)生時會選擇在回家之前，以最短行程距離完成該事件。因此，對Et之后所有時段的充放電調(diào)度計劃進行調(diào)整:

不緊急不必要事件對用戶日間的生活和工作影響很小。例如，臨時起意的夜間旅行、夜間臨時值班等，用戶會在回家之后再決定是否出門。

式中:TLH～96為用戶回家后至24:00 的任意時刻。

當(dāng)必要不緊急事件和不緊急不必要事件發(fā)生時，EV 服從優(yōu)化調(diào)度。在優(yōu)化調(diào)度過程中EV 除一般約束條件外，不存在某時段內(nèi)強制性的充電功率限制，并且執(zhí)行兩種事件的具體時間通常距當(dāng)前時刻較遠，經(jīng)過優(yōu)化后對負荷需求影響較小。因此，下文將這兩種事件統(tǒng)稱為事件3，并一同分析。

3 多態(tài)能源系統(tǒng)框架

本文采用火電機組、風(fēng)電機組、儲能站和EV 分布式能源共同組成能源系統(tǒng)。其中，火電機組、風(fēng)電機組作為常規(guī)供電單元［30］。常態(tài)下，通過對EV 的充放電調(diào)度實現(xiàn)削峰填谷，儲能站作為儲能設(shè)備協(xié)同EV 參與能量互動［31］；極端狀態(tài)下，儲能站和EV應(yīng)當(dāng)承擔(dān)起供電或消納任務(wù):

1）作為斷電狀態(tài)下的后備能源。當(dāng)常規(guī)供電單元因不可抗力而無法正常供電時，儲能站作為應(yīng)急供電單元協(xié)同EV 向一級負荷和二級負荷供電。

2）作為極端狀態(tài)下的消納單元。由于風(fēng)電等新能源機組發(fā)電的不確定性，儲能站和EV 作為容量可觀的負荷消納端，能夠消耗多余的電量。

為此，本文設(shè)置儲能站常態(tài)下的上限臨界值為80%，剩余容量作為消納負荷容量，設(shè)置儲能站常態(tài)下的下限臨界值為20%，作為備用能源。

常態(tài)下，當(dāng)儲能站在t時段存儲的電量高于上限臨界值時，則在t+1 時段需要由儲能站作為供電主體，風(fēng)電機組出力由電轉(zhuǎn)氣設(shè)備消納。

當(dāng)儲能站在t時段存儲的電量低于上限臨界值并高于下限臨界值時，則在t+1 時段由風(fēng)電機組、儲能站和火電機組共同參與供電。

當(dāng)儲能站在t時段的存儲的電量低于下限臨界值時，則在t+1 時段中儲能站不參與供電，僅由風(fēng)電機組和火電機組供電，風(fēng)電機組產(chǎn)生的多余電力優(yōu)先由儲能站存儲。能源系統(tǒng)框架圖如附錄A 圖A5 所示。

各機組在常態(tài)條件下的出力如下。

1）儲能站機組:

式 中:Ps，t為t時 段 內(nèi) 儲 能 站 的 出 力；Ss，t為t時 段 內(nèi) 儲能站的電量；M為儲能站容量上限；Pw，t為t時段內(nèi)風(fēng)電機組出力；Po，t為優(yōu)化之后t時段的負荷需求；Pb，t為t時 段 的 基 礎(chǔ) 負 荷；Pcn，t和Pdn，t分 別 為 第n輛EV在t時段的充電功率和放電功率；N為EV 總數(shù)。

2）火電機組用于補足風(fēng)力和儲能站發(fā)電未滿足的負荷需求:

式 中:Pf，t為t時 段 內(nèi) 火 電 機 組 出 力。

4 日前-實時EV 調(diào)度模型

基于附錄A 圖A6 所示的調(diào)度框架，針對配電網(wǎng)和EV 進行多目標(biāo)協(xié)同優(yōu)化調(diào)度。本文綜合考慮EV 里程需求、用戶成本和電網(wǎng)安全等因素，以充分發(fā)揮EV 充放電潛力為導(dǎo)向，實現(xiàn)負荷需求的削峰填谷，增強電力系統(tǒng)穩(wěn)定性。

4.1 日前-實時調(diào)度模型架構(gòu)

4.1.1 目標(biāo)函數(shù)

1）日前階段

本文假設(shè)在日前階段不發(fā)生出行鏈重構(gòu)事件，以負荷需求波動最小和用戶總成本最低為目標(biāo)，對EV 進行充放電調(diào)度，構(gòu)建日前階段的多目標(biāo)函數(shù)為:

式中:F為日前階段的日負荷方差，用來表示配電網(wǎng)系統(tǒng)的負荷波動情況，F(xiàn)值越大表明負荷波動越明顯，F(xiàn)值越小表明負荷變化越平穩(wěn)；Pav為日平均負荷；F為日前階段用戶充放電總成本；和分別為t時段的充電電價和放電收益；θ為電池損耗費用；ΔTc為充電時長；ΔTd為放電時長。

2）實時階段

由于充放電功率影響的無前溯性［32］，在實時階段，只對出行鏈重構(gòu)事件發(fā)生時段Et及之后的時段進行充放電調(diào)度優(yōu)化。目標(biāo)函數(shù)為:

式中:F為實時階段的日負荷方差；F為實時階段用戶充放電總成本。

3）多目標(biāo)函數(shù)處理

將日前階段和實時階段的日負荷方差和用戶總充放電成本加權(quán)求和，得到兩個階段的評價函數(shù):

式中:ω1、ω2、ω3和ω4為權(quán)重因子；FBD和FAD分別為日前階段和實時階段的評價函數(shù)。

4）極端狀態(tài)下的評價函數(shù):

式中:P為極端狀態(tài)下t時段中可調(diào)度的EV 功率總 量；P為 第n輛EV 在t時 段 的 最 大 放 電 功 率；R為EV 在極端事件中的狀態(tài)，值為1 表示消納狀態(tài)，值為2 表示供電狀態(tài)。本文假設(shè)在極端狀態(tài)下，EV 只保證一天最低的行程容量，僅考慮用戶本身的里程焦慮值。

4.1.2 約束條件

1）EV 功率約束

EV 的充放電行為應(yīng)在停駐階段，同時EV 的充放電行為不能同時發(fā)生:

式中:上標(biāo)min 和max 分別為最小和最大功率標(biāo)識。

2）電池荷電狀態(tài)約束

EV 電量受電池容量約束，因此，經(jīng)過Δt時段之后，EV 電池的電荷狀態(tài)約束為:

式中:Δtn，t為第n輛EV 在t時段的充放電時長。

3）EV 行程約束

EV 在充電結(jié)束后的電量能夠滿足之后的行程:

式 中:S為 第n輛EV 下 一 次 行 程 的 最 低 電 量，出 行鏈?zhǔn)录l(fā)生之后，該值需要進行立即調(diào)整；為 下一段充電的開始時段。式（50）描述了第n輛EV 的電量Sn，Tin，n經(jīng)過Tin，n至Tout，n時段的充放電 過 程后，其電量應(yīng)當(dāng)滿足行程約束并高于充電意愿值。

4）EV 充放電狀態(tài)約束

EV 的運動狀態(tài)和充放電狀態(tài)不能同時發(fā)生，同時，EV 的充放電時間段不能超出該輛EV 的停駐時段，即

式中:T′out，n，t為出行鏈?zhǔn)录绊懴碌膶嶋H離網(wǎng)時間。

5）功率平衡

多態(tài)能源系統(tǒng)應(yīng)當(dāng)滿足供需平衡:

6）充電意愿約束

用戶的里程焦慮值應(yīng)不大于用戶的充電意愿:

式中:S為用戶的里程焦慮閾值。

7）節(jié)點功率平衡

區(qū)域能源系統(tǒng)中整體電力負荷需求為該時段所有配電網(wǎng)充電負荷需求之和:

式中:Na為區(qū)域節(jié)點總數(shù)，a為節(jié)點編號；Pa，t表示配電網(wǎng)節(jié)點a在t時段的負荷需求。

4.2 模型求解

本文提出的日前-實時兩階段調(diào)度模型求解流程圖如圖2 所示。

圖2 模型的求解流程圖Fig.2 Flow chart of model solution

5 案例分析

5.1 系統(tǒng)數(shù)據(jù)描述

以某城市區(qū)域的典型日負荷曲線為例進行仿真分析。采用峰時段、谷時段和平時段電價數(shù)據(jù)，具體數(shù)據(jù)詳見附錄A 表A3，共有45 條道路和26 個節(jié)點。

根據(jù)文獻［33-34］，本文以在該區(qū)域內(nèi)的50 輛EV 為例進行研究，EV 參數(shù)詳見附錄A 表A4?？紤]到EV 負荷轉(zhuǎn)移問題，將EV 的初始電量設(shè)置期望為8、方差為1 的正態(tài)分布。設(shè)置調(diào)度周期為24 h，以15 min 為時段間隔，劃分為96 個時段，EV 接受充放電調(diào)度的周期為15 min。本文設(shè)置出行鏈重構(gòu)事件發(fā)生的概率為100%，事件1、事件2 和事件3 發(fā)生的概率分別為25%、25%和50%。

5.2 不同場景的調(diào)度分析

本文研究5 種場景對調(diào)度結(jié)果的影響，結(jié)果如表1 所示。本文設(shè)基礎(chǔ)負荷的日負荷方差為10 242.00。

表1 不同場景下的調(diào)度結(jié)果Table 1 Dispatch results in different scenarios

場景1:所有EV 均不參與調(diào)度且不發(fā)生出行鏈重構(gòu)事件。

場景2:所有EV 均參與調(diào)度但不發(fā)生出行鏈重構(gòu)事件。

場景3:所有EV 均不參與調(diào)度但發(fā)生出行鏈重構(gòu)事件。

場景4:所有EV 均參與調(diào)度且發(fā)生出行鏈重構(gòu)事件。

場景5:EV 調(diào)度參與率為50%，且所有EV 均發(fā)生出行鏈重構(gòu)事件。

圖3 描述了不同場景下，EV 充放電對負荷需求的影響。通過5 個場景之間的對比可以看出，當(dāng)EV參與充放電調(diào)度時，日負荷方差均會降低，總充放電成本也會減少。因此，EV 與電網(wǎng)穩(wěn)定有效的互動有利于電網(wǎng)和用戶雙贏。

圖3 不同場景下的總負荷和EV 出力Fig.3 Total load and EV output in different scenarios

場景3 的日負荷方差比場景1 的日負荷方差小646.36，充放電總成本降低1 814 元。這是因為當(dāng)用戶不參與調(diào)度時，直接影響日負荷方差和充電成本的因素是EV 接入電網(wǎng)的時間。因此，出行鏈重構(gòu)事件發(fā)生后，用戶接入電網(wǎng)的總時長減少，充放電總成本和日負荷方差降低。而且，當(dāng)所有EV 均不參與調(diào)度時，由于出行鏈重構(gòu)事件造成充電EV 數(shù)量下降，導(dǎo)致了負荷總需求的下降，引起了碳排放總量下降了15.04 t。

場景2 比場景1 日負荷方差減少了3 371.4，充放電總成本少12 126.12 元，場景4 比場景3 的日負荷方差降低了2 339.33，充放電總成本降低了10 355.25 元，比場景2 的日負荷方差增加了385.744，充放電總成本增加了43.13 元。對比結(jié)果表明，當(dāng)用戶參與調(diào)度時有利于電力系統(tǒng)的穩(wěn)定和取得更低的成本。同時，EV 出行鏈重構(gòu)事件會對既定調(diào)度計劃產(chǎn)生破壞，增加負荷需求波動，不利于電力系統(tǒng)的穩(wěn)定運行。隨著負荷需求的增加，場景4 比場景2 的碳排放總量增加14.48 t。

場景4 出行鏈重構(gòu)前后EV 的功率和負荷需求變化見附錄B 圖B1 和圖B2。場景5 的日負荷方差相比較于場景3 的日負荷方差減少了759.641 4，場景4 的日負荷方差相比較于場景5 的日負荷方差減少了1 579.7。場景5 的充放電總成本相比較于場景3 減少了10 084.67 元，場景4 的充放電總成本相比較于場景5 減少了270.58 元，碳排放總量依次減少40.6 t、52.03 t。這說明EV 積極參與電力調(diào)度有利于提升電力系統(tǒng)穩(wěn)定性和安全性，減少用戶成本和碳排放。

5.3 事件類型敏感度分析

不同的事件類型對充放電計劃的影響不同。事件1 的緊急性和重要性，會造成當(dāng)前時段EV 立即離網(wǎng)或EV 以最大功率充電的行為。事件2 會在Et時段發(fā)生最大功率充電，并影響之后的調(diào)度計劃。事件3 僅需調(diào)整Et之后時段的調(diào)度安排。本文設(shè)計了敏感度系數(shù)，如式（57）所示，體現(xiàn)不同事件在場景3、場景4 和場景5 中對充放電調(diào)度的影響，結(jié)果如表2 所示。

表2 各場景對不同事件的敏感度系數(shù)Table 2 Sensitivity coefficients of each scenario for different events

表2 計算了各場景對不同事件的敏感度系數(shù)的平均值，部分?jǐn)?shù)據(jù)詳見附錄B 表B1。對比可見，用戶參與度越低，3 種事件影響越小。當(dāng)EV 不參與調(diào)度時，由于出行鏈重構(gòu)會破壞之前的充電行為，產(chǎn)生了削峰現(xiàn)象，故敏感度系數(shù)小于1。當(dāng)用戶參與度超過50%時，對日前調(diào)度計劃的重構(gòu)導(dǎo)致敏感度系數(shù)大于1。

附錄B 圖B3 比較了同一輛EV 在3 種事件下的功率變化。通過對比圖B3 和表2 可見，事件1 對調(diào)度計劃的影響較大。這是因為事件1 導(dǎo)致EV 的充放電功率立即發(fā)生改變，而其余2 種事件均對之后時段進行調(diào)整，通過長時段的優(yōu)化減少了事件造成的影響。

5.4 調(diào)度策略分析

5.4.1 調(diào)度目標(biāo)分析

當(dāng)充放電調(diào)度主體不同時，EV 的充放電調(diào)度策略也不盡相同，造成的影響也有差異。由表3 可見，不同的調(diào)度策略會導(dǎo)致不同的調(diào)度結(jié)果。

表3 不同調(diào)度策略EV 成本、收益和日負荷方差Table 3 EV costs, benefits, and daily load square deviation under different dispatch strategies

隨著優(yōu)化調(diào)度主體從電網(wǎng)逐漸轉(zhuǎn)化到用戶的過程中，日負荷方差依次增加1 690.33 和1 321，用戶總成本依次下降106.39 元和42.99 元。從表3 可以看出，當(dāng)以用戶成本為優(yōu)化主體時，相比于無序充電，用戶總成本下降了10 504.63 元，但是日負荷方差相比于無序充電，增加了672。而以電網(wǎng)為優(yōu)化調(diào)度主體時，相比于無序充電，日負荷方差下降了2 339.33。

5.4.2 調(diào)度規(guī)模分析

EV 集群的規(guī)模大小決定了單位時間內(nèi)的調(diào)度潛力。因此，不同規(guī)模的EV 集群會有不同的調(diào)度結(jié)果，具體結(jié)果如表4 和圖4 所示。

表4 不同車輛規(guī)模優(yōu)化調(diào)度結(jié)果Table 4 Optimal dispatch results for different vehicle numbers

圖4 不同車輛規(guī)模的負荷需求Fig.4 Load demand of different vehicle numbers

從表4 可以看出，隨著EV 規(guī)模的逐漸上升，日前階段的日負荷方差依次減少了1 380.87 和193.95，碳排放依次增加了7.91 t 和7.89 t；實時階段的日負荷方差依次減少了1 882.53 和169.68，碳排放依次增加了11.58 t 和13.16 t。因此，EV 集群規(guī)模的擴大有利于負荷需求的穩(wěn)定，但是負荷需求和碳排放總量也會隨之增加。

同時，從表4 和圖4 可以看出，隨著車輛規(guī)模的上升，出行鏈重構(gòu)事件也會增大對既定調(diào)度計劃的破壞，增大負荷需求的波動。

5.4.3 用戶參與度分析

本文提出EV 參與負荷需求總量λt來衡量EV與電網(wǎng)之間的能量互動，如式（58）所示。

由表5 和圖3 的結(jié)果可見，隨著EV 參與度的不斷上升，EV 參與負荷需求總量也在上升，負荷需求曲線受優(yōu)化調(diào)度影響，日負荷方差逐漸降低，負荷需求總量降低，碳排放總量隨之減少。

表5 不同用戶參與度分析Table 5 Analysis of different user engagement levels

5.5 極端條件下EV 參與調(diào)度分析

5.5.1 主要供電機組癱瘓

在供電機組癱瘓的狀態(tài)下，需要迅速且持久地向一級負荷和二級負荷供電。因此，分析3 種場景在各個時段的供電時長和平均負荷下的供電時長，結(jié)果如圖5 和表6 所示。

表6 供電機組癱瘓時的平均供電時長Table 6 Average power supply duration when power supply unit is paralyzed

圖5 各時段中備用能源的最長供電時長Fig.5 Longest power supply duration of backup energy in each time period

本文僅討論了儲能站儲能處于下限臨界值的供電時長。由圖5 和表6 對比可以看出，在有EV 參與出力的場景下，供電時長有所增加，儲能站協(xié)同EV在日前調(diào)度階段和實時調(diào)度階段的供電場景，相比較于僅儲能站參與供電的場景，供電時長分別增加了135 min 和103 min。

由于EV 出行鏈的重構(gòu)事件減少了EV 參與能量互動的時間，EV 在不發(fā)生重構(gòu)事件的供電時長整體高于EV 發(fā)生重構(gòu)事件時的供電時長。從圖5可以看出，21:00 之后EV 參與供電的供電時長遠高于僅儲能供電的供電時長。這是由于21:00 之后，大量EV 返回居民區(qū)結(jié)束出行，增加了調(diào)度資源。

5.5.2 突發(fā)性供電增多

由于可再生能源具有突變性，本文僅討論了儲能站的儲能處于上限臨界值時，與EV 共同參與負荷消納的情況。附錄B 圖B4 展示了各個時段可消納負荷總量，表7 說明了平均消納負荷總量。

表7 平均負荷消納量Table 7 Average load consumption

對比儲能站協(xié)同EV 在日前調(diào)度階段和實時調(diào)度階段的消納場景可見，相比于僅儲能站參與供電的場景，平均負荷消納總量增加了117.84 kW·h 和101.09 kW·h。這一結(jié)果說明了EV 作為分布式儲能資源，能夠增加需求側(cè)的負荷消納能力。

附錄B 圖B4 描述了由于出行鏈重構(gòu)事件，導(dǎo)致可調(diào)度EV 總量的減少，造成EV 參與能量互動時長的減少，引起各個時段可消納負荷總量的降低。

5.6 不同風(fēng)電規(guī)模分析

本文僅討論常態(tài)下風(fēng)電機組的余電通過儲能站存儲或棄風(fēng)方式消納。由圖6 可見，隨著風(fēng)電規(guī)模的增加，火電機組的參與度迅速下降，削減了碳排放總量。

圖6 不同風(fēng)電規(guī)模儲能站出力Fig.6 Output of energy storage stations with different wind power capacities

通過圖6 中不同風(fēng)電規(guī)模的儲能站出力和表8中5 種場景在不同風(fēng)電規(guī)模的碳排放核算對比可以看出，大量的EV 參與調(diào)度計劃起到的削峰填谷和不參與調(diào)度造成的峰上加峰現(xiàn)象會改變總負荷需求，進而影響火電機組的出力和碳排放總量。同時，出行鏈重構(gòu)事件對既定充放電計劃的影響會由EV的調(diào)度參與度對火電機組出力產(chǎn)生不同的影響。

表8 不同規(guī)模風(fēng)電場對比Table 8 Comparison of wind farms with different capacities

6 結(jié)語

為了解決多態(tài)場景下，EV 協(xié)同儲能站在出行鏈重構(gòu)事件中的電力調(diào)度問題，本文基于路網(wǎng)和配電網(wǎng)耦合場景，提出了EV 的出行鏈重構(gòu)模型，并針對不同出行鏈重構(gòu)事件，提供常態(tài)下EV 的充放電調(diào)度計劃，以及極端條件下儲能站協(xié)同EV 的調(diào)度策略。

實驗結(jié)果表明，常態(tài)下的出行鏈重構(gòu)事件會影響EV 的充放電過程，改變每個時段的負荷需求總量。同時，需求側(cè)的影響也會波及供電側(cè)可再生能源的利用率，影響碳排放總量。極端狀態(tài)下的出行鏈重構(gòu)事件會通過用戶實際使用需求的改變，影響各時段的能源供給量和負荷消納量。本文提出的調(diào)度策略能夠有效緩解常態(tài)下的出行鏈重構(gòu)事件對既定調(diào)度計劃的破壞，進而最大限度地平抑負荷需求波動，以及增加儲能站和EV 在極端條件下的供電量和負荷消納量。

在后續(xù)的研究中將進一步討論交通路網(wǎng)和配電網(wǎng)耦合的場景下，大規(guī)模EV 集群的調(diào)度問題，完善EV 與配電網(wǎng)之間的能量互動，研究EV 在復(fù)雜路網(wǎng)中的出行鏈重構(gòu)行為。

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。