基于電動汽車參與調峰定價策略的區域電網兩階段優化調度

楊鏡司 秦文萍 史文龍 曹 銳 姚宏民

基于電動汽車參與調峰定價策略的區域電網兩階段優化調度

楊鏡司1秦文萍1史文龍2曹 銳3姚宏民1

（1. 太原理工大學電力系統運行與控制山西省重點實驗室 太原 030024 2. 中國電力科學研究院有限公司 北京 100192 3. 太原市優特奧科電子科技有限公司 太原 030006）

針對電動汽車（EV）和風電、光伏等新能源發電大規模入網造成的功率波動、調度成本過高以及運行穩定性差等問題，該文提出一種基于電動汽車參與調峰定價策略的區域電網兩階段優化調度方案。首先，根據EV負荷運行特性進行分類，分別建立剛性、可調度、靈活型和智能換電四種EV負荷模型；其次，考慮EV參與調峰的各項成本，基于模糊層次分析法（FAHP）,給出EV調峰定價策略；然后基于該策略對區域電網進行兩階段優化調度。在第一階段以負荷峰谷差最小為目標，并在此目標下對EV調峰定價進行決策，以降低電力系統調峰容量調整區域電網負荷分布；在第二階段依托第一階段得到的調峰定價曲線，以EV用戶充電費用最小為目標安排EV負荷。最后利用算例仿真驗證了EV參與調峰的有效性、合理性以及該定價策略的經濟性。

電動汽車 調峰定價策略 區域電網 模糊層次分析法 兩階段優化

0 引言

隨著“雙碳目標”的提出及新能源大規模并網，電力系統發展面臨巨大的挑戰。目前我國多地供電形勢緊張，電力系統等效負荷峰谷差在逐步增大，調峰壓力也越來越大[1], 需在用電高峰期實行錯峰用電。電動汽車（Electric Vehicles, EV）作為一種新型負荷，具有可調度性和靈活性，既能將EV負荷轉移到系統低谷時期，實現削峰填谷，又能通過EV饋電增強系統調峰能力[2]。通過合理的激勵引導EV充放電參與電力系統調峰具有重要意義，但是目前還沒有成熟的EV參與調峰定價策略，相應的區域電網優化調度策略也有待進一步研究。

EV參與調峰主要與其可轉移負荷特性相關聯。文獻[3]通過區域電網內EV與可控負荷的協調優化參與調度，并對參與調峰的系統進行兩階段優化；文獻[4]研究了EV充放電與風電、火電機組的聯合協調優化策略，但是未考慮EV參與調峰運行特性；文獻[5]針對EV可調特性，對大規模風電接入的系統機組組合相關調度問題進行研究，但是未將其可轉移特性運用到調峰優化。隨著分布式電源的廣泛應用，其接入電網時的功率波動及預測誤差將成為研究熱點。文獻[6]通過引導EV充放電，調節由于風電、光伏接入而產生的系統功率波動，從而參與系統調峰，但是預測誤差對系統功率波動的影響被理想化；文獻[7]研究了EV的種類和運行特性，考慮到負荷需求響應與需求差異得到了基于長短期記憶網絡的區域電網調度計劃，但是未研究風機及常規負荷預測誤差對EV運行的影響；文獻[8]對可充放電的EV進行容量調度，研究了風電接入下靈活性EV參與系統優化的特性，但是未研究EV如何參與系統調峰和風電預測誤差對系統功率的影響。以上研究均考慮了EV特性和參與調峰的可行性，忽略了分布式電源預測誤差對機組、負荷功率平衡的影響，但并未深入研究EV參與調峰的靈活性價值。

近年來關于智能換電EV的研究也逐步發展起來。文獻[9]引入換電站與換電EV，對電動公交車的行駛特性進行分析得到換電需求，對換電EV參與電網運行進行優化調度；文獻[10]提出了EV懲罰機制，對換電EV及含風電微電網結合的聯合系統進行優化調度；文獻[11]考慮需求響應負荷曲線，將換電EV作為輔助負荷，計及車輛轉移機制對微電網進行聯合優化調度。上述智能換電EV的研究將為電動汽車參與系統調峰運行帶來積極作用。

作為新型調峰輔助服務品種，EV負荷暫時還沒有合理的充放電電價機制，參與調峰的主動性和積極性也受到限制。為了提高EV參與調峰的積極性，本文提出了一種基于EV參與調峰定價策略的區域電網兩階段優化調度方案。首先對EV負荷模型進行分類，考慮了可調度EV負荷、靈活性EV負荷和智能換電EV負荷。其次利用模糊層次分析法（Fuzzy Analytic Hierarchy Process, FAHP）給出基于成本的調峰定價模型。然后基于定價策略對區域電網進行兩階段優化調度：在第一階段，考慮負荷峰谷差最小，得到各個EV負荷出力并在此目標下給出定價策略；在第二階段，基于BP神經網絡模擬訓練，考慮風、光及負荷預測誤差，以EV充電費用最小為目標，得到EV參與調峰的日內調度功率。最后通過算例對比本文所提定價策略與電力市場分時電價對EV充電費用的影響，驗證了EV參與調峰的有效性與合理性以及該定價策略的經濟性。

1 電動汽車負荷

1.1 剛性EV負荷模型

剛性EV負荷主要特性是充放電無序，無法對其進行調節[7]。不接受調度的電動私家車滿足剛性EV運行特性，將其歸為此類。剛性EV與常規負荷接入電網特性相似，為了便于研究，本文將剛性EV負荷視為常規負荷。

1.2 可調度EV負荷模型

可調度EV負荷在并網過程中接受EV聚合商的調度，但是不能向電網饋電，充電過程會造成一定的EV電池損耗，一般在用電低谷期進行調度，且聚合商會額外收取充電樁的相關運營服務費用[12]。

根據可調度EV的相關數據對可調度容量上、下限進行預測，根據時刻可調度EV的實際負荷量預測出可調度EV在下一時刻（+1時刻）的負荷最大值和最小值[7]。

圖1 可調度EV容量預測示意圖

1.3 靈活性EV負荷模型

靈活性EV負荷可以根據用電需求進行負荷轉移，在高峰期減少區域電網負荷，同時可以作為電源向系統饋電，相對于可調度EV負荷，它的電池損耗更大。靈活性EV負荷要求運營商提供的充電樁要有向電網放電的能力，并且享受政府的補貼。

圖2 靈活性EV充放電時間節點圖

由以上可得靈活性EV負荷的充放電表達式為

式中，c為靈活性EV充電功率；為靈活性EV的放電功率；s為電池容量；ev,d為EV的放電容量；ev,c為EV充電容量。

1.4 智能換電EV負荷模型

智能換電EV依托換電站對電池進行充電、為EV供給滿狀態電池、替換電量較低電池等。在滿足用戶對智能換電EV電量需求的情況下，換電站盡量在用電低谷期對電池充電。

在任意時刻，根據換電站中電池荷電狀態與充放電性質，可將電池狀態分為四類[13]：①滿負荷電狀態（M狀態）；②正在充電狀態（C狀態）；③正在放電狀態（D狀態）；④等待充電狀態（W狀態）。電池狀態轉換示意圖如圖3所示，EV在換電站進行換電的過程可以描述成這四種狀態的互相轉換。

圖3 電池狀態轉換示意圖

式中，c、d分別為充電機的充、放電額定功率。

2 計及成本的電動汽車FAHP調峰定價模型

2.1 基于FAHP的EV調峰定價策略

FAHP是一種將決策問題按照總目標以及評判準則進行求解權重系數的方法，此方法適用于不同的評估對象，但對于不同的決策因素以及目標函數，權重系數會發生改變[14]。該方法為本文量化需求關系、政府激勵及競爭關系三種評價指標，以及選擇最優權重系數提供了依據，增加了定價的準確性。

運行FAHP決策時大致可分為三個步驟：

（1）確定系統中各決策元素之間的因果關系，對同一層次的元素進行兩兩比較，根據目標函數及方案采用0.1～0.9標度法得到模糊判斷矩陣。

（2）根據模糊判斷矩陣求解得到各決策元素的權重。

本文EV調峰定價策略選擇的三個決策因素分別為需求關系、政府激勵措施以及EV負荷和火電機組的競爭關系。基于FAHP可以確定三種決策元素在定價模型中的權重。在2.2節中將計及定價過程中的各項成本，代入本節得到的權重系數，最終得到EV的調峰定價模型。

2.2 計及成本的EV調峰定價模型

2.2.1 EV參與調峰成本模型

定價之前需要明確區域電網的各項運營成本。EV投入運營主要與EV聚合商相關聯，除了區域電網內部的火電機組成本外，EV聚合商還承擔著向區域電網購電、充電樁與換電站的運行維護等相關責任。

當區域電力系統內部能源不足時，會從外部電網購電，購電單價為電網分時電價。

針對智能換電EV負荷，EV聚合商需要在換電站中準備足夠的鋰電池供電池更換。

鋰電池運行壽命為

式中，od()為鋰電池在時刻的放電深度；life()為鋰電池在時刻放電深度為od()下的循環壽命。

運行和維護成本為

式中，inv為鋰電池初始投資；bat()為鋰電池充放電功率；LB為鋰電池額定容量；ML為鋰電池的維護成本系數。

4）場地建設成本s

綜上所述，在調峰階段的運行成本為

2.2.2 EV參與調峰定價模型

在定價過程中，影響EV價格的因素很多，本文選取了較為典型的三個決策因素——政府激勵措施、需求關系和EV負荷與火電機組競爭關系。

風電、光伏、火電機組等新能源參與調峰會減少環境污染，政府會給予一定的價格補償[16]?；痣姍C組的調峰成本由其邊際成本決定，在EV參與調峰的區域電網內具有重要作用。根據火電機組調峰補償，列寫階梯式價格補償表達式為

寫成統一形式為

式中，h為EV參與調峰的補償價格。

在電力市場機制下，供需與價格呈現負相關特性[17]。即當價格升高時，用戶對負荷的需求量降低，反之亦然。用線性函數表征這一關系為

式中，Ld為EV等效負荷量；、為電力市場逆需求函數參數，本文分別取值為=12和=0.06[18]。

在調峰市場中，EV參與調峰的成本低于火電機組靈活性改造成本[19]，因此EV負荷進行轉移調峰與火電機組出力調峰之間存在不完全競爭關系，即當EV參與調峰發生負荷轉移時，火電機組出力的競爭力就會小，呈現出“反競爭”的關系，可用函數關系式表達為

式中，為貨幣之間的換算系數，本文=6.48；為調峰的單位容量定價。

3 區域電網電動汽車定價策略及考慮預測誤差的兩階段優化調度模型

本節對EV參與調峰的區域電網進行兩階段優化，區域電網調度結構如圖4所示。

圖4 區域電網調度模型

在第一階段，區域電網調度中心可通過風機、光伏和常規負荷的預測值，以負荷峰谷差最小為目標，向火電機組發出調度指令，同時根據FAHP方法，考慮需求關系、政府激勵及競爭關系對EV進行定價；在第二階段，考慮新能源出力預測誤差和常規負荷預測誤差，根據第一階段定價策略，以EV充電費用最小為目標，EV聚合商可根據充電樁和換電站采集EV的充放電需求，響應區域電網調度。

3.1 第一階段EV參與調峰定價

第一階段，在已知風機功率、光伏功率、常規負荷和EV負荷日前預測數據的情況下，可建立混合整數規劃模型。

3.1.1 目標函數

第一階段將一天分為24個時間段，以1h為時間尺度，目標為負荷峰谷差最小，函數表達式為

結合第1節中EV負荷模型，在該目標函數下可確定第一階段參與調峰的EV負荷量；根據第2節關于定價策略與模型的分析，結合權重系數與相關參數，代入到式（26）可得到定價系數；再計及成本代入式（27）得到定價。

3.1.2 約束條件

1）區域電網功率平衡約束

2）EV約束條件

（1）可調度EV約束條件

（2）靈活性EV約束條件

（3）智能換電EV約束條件

智能換電EV可通過換電站的充、放電機實現與區域電網的能量交互[13]，其約束條件表示為

3）火電機組爬坡約束

3.2 第二階段區域電網優化調度

在第二階段考慮分布式電源、負荷的預測誤差，研究日內模擬調度和日內優化調度。

3.2.1 日內模擬/優化目標函數

日內階段以EV充電費用最小為目標。根據日前EV定價以及EV可調度容量，建立目標函數為

3.2.2 日內模擬調度

日內模擬調度階段將一天分為96個時段，時間尺度為15min。在該階段對風機、光伏、常規負荷的功率值增加擾動，模擬日內的實際數據，以第二階段目標函數進行優化，得到模擬調度數據，代入BP神經網絡中進行模擬訓練，求解得到日內調度模型[21]。本文將日前預測階段的風機功率、光伏功率、常規負荷功率作為輸入數據，對第二階段的目標函數進行求解，得到在此條件下各個單元調度的最優情況，并將可調度EV負荷量、智能換電EV負荷量、靈活性EV負荷充放電負荷量和火電機組功率作為輸出樣本。

考慮日內階段風機、光伏等新能源發電功率，常規負荷日前預測的誤差，在光伏和風機輸出功率預測過程中，光伏和風機的輸出功率在未達到裝機容量時，輸出功率的預測誤差符合正態分布，即

在訓練神經網絡模型過程中，新能源輸出功率和常規負荷疊加正態分布，作為日前階段預測誤差模擬值[22]。

3.2.3 日內優化調度

將日內風機、光伏、常規負荷短期預測數據輸入到日內調度模型中，得到日內調度數據，即可完成可調度EV、靈活EV、智能換電EV及火電機組的日內優化調度。同時，第一階段已經得到EV負荷參與調峰的定價曲線，第二階段可基于EV負荷模型，利用優化目標得到EV參與調峰負荷曲線，驗證該調峰定價策略的經濟性。

4 算例分析

4.1 算例介紹

4.1.1 基本參數

本文采用改進的區域電網系統進行算例分析，該系統包含5臺火電機組，基本參數見表1。16個80MW容量的風電場，1個50MW容量的光伏電站；電動汽車聚合商向大電網購電電價參考文獻[11]，即谷時段電價0.35元/(kW?h) (0:00～7:00)、平時段電價0.68元/(kW?h) (7:00～11:00, 16:00～19:00, 22:00～ 24:00)和峰時段電價1.18元/(kW?h) (11:00～16:00, 19:00～22:00)；智能換電站基本參數見表2，含有的鋰電池參數見文獻[22]。

表1 火電機組基本參數

Tab.1 Basic parameters of thermal power unit

表2 智能換電站基本參數

Tab.2 Basic parameters of smart switching station

4.1.2 定價模型權重系數確定

本文第2節給出了各決策因素之間的關系，根據文獻[14]中專家調研及協商可以得到政府激勵措施、需求關系以及EV負荷與火電機組競爭關系三種因素的權重見表3。

表3 定價模型各決策元素權重系數的確定

Tab.3 Determination of the weight coefficient of each decision element in the pricing model

依據三個決策因素之間的相關性以及FAHP判斷矩陣的構建原則，得到判斷矩陣為

4.1.3 EV負荷參數

為便于分析，本文設置區域電網中有EV共11000輛，分別為可調度EV5000輛，靈活性EV 5 000輛，智能換電EV 1 000輛，此時的電動汽車負荷量占區域電網總負荷約為14%。為了減少電池損耗，假設EV剩余電量20%～50%時充電，離網時間設置為7h，離網時期望負荷服從80%～100%的均勻分布[7]。

可調度EV、靈活性EV的充放電容量如圖5所示，其中可調度EV無法向電網饋電，其放電容量為0；靈活性EV的放電電容量下限也為0。智能換電EV表征得到的換電站中鋰電池數量和圖6所示。

圖5 可調度EV、靈活性EV充放電容量

圖6 換電站鋰電池數量

4.2 第一階段EV參與調峰定價分析

第一階段火電機組的預測出力如圖7所示。由圖7可以看出火電機組出力跟隨負荷峰谷變化，負荷較大時火電機組出力較大；反之亦然。

風電、光伏及常規負荷的日前預測及日內實際值如圖8所示。由圖8可知，風機、光伏和常規負荷的日前預測數據和日內實際值之間存在較大誤差。目前常用的減少誤差的手段是火電機組調峰，但是文獻[19]指出EV參與調峰的成本遠低于火電機組的靈活性改造，因此，本文研究在區域電網中通過調度EV進行調峰。

圖7 火電機組日前預測出力

圖8 風機、光伏及常規負荷的日前預測結果與日內實際值

圖9是第一階段EV參與調峰定價時的成本負荷轉移示意圖。

圖9 第一階段EV參與調峰定價的成本負荷

由圖9可知，在EV參與調峰之前，區域電網內負荷的峰、谷時期集中且單一。引入EV之后，在9:00～16:00和18:00～21:00，智能換電EV減少充電，并通過換電站對區域電網進行放電，可調度EV減少充電需求，靈活性EV通過充電樁向系統放電，這個時間段對應于用電高峰期。在16:00～18:00，下班高峰期EV的使用量增加，也有了充電需求，智能換電EV可在換電站進行換電，站內空閑的滿電電池可通過換電站向區域電網放電，靈活性EV也可以在滿足自身使用的前提下向區域電網放電；在22:00～24:00和0:00～9:00，可調度EV和智能換電EV在這個時間段可選擇充電；靈活性EV此時可進行充電，滿足第二天的出行需求，這個時間段對應于用電低谷。通過EV在峰、谷時期充放電時期轉移或者充電需求的增減，可以實現區域電網的調峰。

由表3確定的權重系數及式（26）的定價模型，可以得到如圖10所示的EV參與調峰的定價曲線，該定價是在24h內相對固定的價格。當到達用電高峰期時，即11:00～13:00和19:00～22:00時，相應的EV充電定價最高，為225～389元/(MW?h)，此時EV參與調峰，充電需求較少，充電費用最低；當到達用電低谷期，即0:00～7:00、16:00～18:00和23:00～24:00時，相應的EV充電定價最低，此時EV有較大的充電需求，相對來說充電費用也會較低。

圖10 EV調峰定價曲線

由圖9和圖10可知，EV參與調峰時的轉移負荷在11:00～13:00,19:00～21:00達到高峰，EV充電費用高，旨在降低可調度EV在用電高峰時期的充電功率，靈活性EV可在此時增大放電功率或減少充電功率，引導換電站使用備用電池向區域電網放電或減少充電需求；反之亦然。與一般分時電價不同，該定價曲線參考多種決策因素，考慮了國家政策、需求關系、競爭關系等因素，增加了峰谷時期充電費用的差值，更有利于調動EV用戶在負荷低谷時充電、負荷高峰時放電或者減少充電的積極性。

4.3 第二階段區域電網優化調度分析

4.3.1 日內模擬優化調度條件

在日內模擬優化調度階段，在光伏、風機、常規負荷的基礎上增加模擬誤差，模擬誤差服從正態分布，置信區間為95%，模擬運行得到的數據按照輸入、輸出樣本輸入BP神經網絡，經過300次訓練后得到日內調度模型，仿真環境為Intel(R) Core(TM) i7-10750H CPU@2.60GHz 2.59 GHz，利用MatlabR2014a軟件進行計算，模型訓練時間為8min，調用模型時間為0.002 13s，算法求解效率滿足日內調度需求。

4.3.2 日內優化與日后驗證

圖11所示為第一階段優化得到的外部電網注入功率。

圖11 外部電網注入功率

圖11表示配電網與區域電網交互功率，是日前階段以峰谷差最小求解得到的，基于此電網外部注入功率，在第二階段的日內優化考慮減少區域電網對配電網的影響，按照此既定功率運行。

圖12是火電機組在日內優化調度階段出力圖。由圖12可知，在EV參與調峰之后火電機組在用電高峰期的出力降低，減少火電機組在負荷高峰時的壓力，增加火電機組在負荷低谷時的出力，有利于機組長期穩定運行。

圖12 火電機組日內調度階段出力

日內階段，考慮光伏、風機、常規負荷的實際波動，對區域電網進行日內優化調度，圖13和圖14所示分別為可調度EV、智能換電EV和靈活性EV參與調峰定價的日內調度、日后驗證對比圖。

圖13 可調度/智能換電EV日內調度與日后驗證對比

由圖13可以看出，可調度EV負荷的日內調度功率與日后驗證功率曲線大體一致，但是在17:00～18:00和20:00～22:00有較大偏差，這是因為可調度EV的可調度容量較大，在參與調度時允許出現較大誤差。智能換電EV的日內調度功率與日后驗證曲線基本一致，但在11:00～13:00有較大差別，這是因為換電站既需要滿足電池滿狀態的數量要求，又需要在區域電網內用電高峰期時充當放電單元。由圖14可知，靈活性EV的日內充放電調度功率和日后驗證曲線基本一致，不僅平抑了充電過程中大部分時段的波動尖峰，還對放電功率進行了調整，在用電高低峰時期的充放電特征明顯。

圖14 靈活性EV日內調度與日后驗證對比

日內調度與日后驗證誤差對比分析見表4。可以看出，可調度EV、靈活性EV與智能換電EV的日內調度和日后驗證的方均根誤差、相對誤差最大值均在可接受范圍內，說明日內調度策略具有有效性與合理性。

表4 日內調度與日后驗證誤差對比分析

Tab.4 Future verification and intra-day scheduling error analysis

文獻[23]構建計及車入網參與輔助服務的EV充電計劃經濟調控模型，在用電高峰期時EV反向放電，利用峰谷價差獲得調峰收益；在用電低谷期時EV充電，獲得在低谷充電的額外補償收益。將文獻[23]調峰策略與本文調峰策略進行對比，可得到圖15和圖16所示第二階段區域電網調度功率對比圖。

由圖15和圖16可知，本文的調峰策略相比于文獻[23]的調峰策略效果更好。以圖16靈活性EV在不同調峰策略下的充放電調度功率對比為例，在用電低谷時采用本文調度策略的充電功率大，填谷效果更理想，且功率波動相比于文獻[23]得到的功率波動更??；在用電高峰期時采用本文調度策略的放電功率大，削峰效果更明顯，且功率平穩性更好。

圖16 靈活性EV在不同調峰策略下的對比

表5所示是在日內調度與日后階段對本文定價策略的驗證。這里采用的分時電價視EV種類不同而有區別[24-25]：對于可調度EV的充電電價，峰時段（10:00～15:00,18:00～21:00）為265元/(MW?h)，平時段（7:00～10:00,15:00～18:00，21:00～23:00）為116元/(MW?h)，谷時段（23:00～7:00）為85元/(MW?h)；對于靈活性EV充電電價，峰時段為366元/(MW?h)，平時段為153元/(MW?h)，谷時段為71元/(MW?h)，放電電價為205元/(MW?h)；對于智能換電EV充放電電價與靈活性EV一致。

表5 電動汽車充電費用

Tab.5 Electric vehicle charging costs

在日內調度與日后驗證階段采用本文給出的定價曲線時，充電費用分別為200 447元/(MW?h)和192 710元/(MW?h)；采用電力市場分時電價時，充電費用分別為223 871元/(MW·h)、214 890元/(MW?h)。可以看出，EV參與調峰的充電費用是最低的，且相比于現有的電力市場分時電價而言，充電費用也低，這可以在滿足區域電網調峰要求的同時提高EV參與調峰的積極性。并且EV更環保，在未來將其成本降低后，在區域電網乃至整個微電網調峰市場也會有更廣闊的前景。

5 結論

本文針對當前新能源大規模入網引起的電網功率波動等問題，提出了一種基于電動汽車參與調峰定價策略的區域電網兩階段優化調度方案，得到如下結論：

1）本文將EV引入區域電網參與調峰，考慮預測誤差及三種EV負荷實現日內調度并進行日后驗證，相比于主流調度策略可以更有效地緩解區域電網的調峰壓力，降低成本，減少負荷峰谷差，提高風電光伏的消納水平。

2）本文將EV參與調峰與電力輔助服務市場結合，設計了基于各項成本和三個決策因素的定價模型。第一階段以區域電網負荷峰谷差最小，第二階段計及預測誤差，以充電費用最小為目標進行調度與日后驗證，可以提升EV參與調峰的積極性。

3）算例驗證了本文所提出的EV參與調峰定價策略的有效性，EV參與調峰定價策略可以提高EV調峰積極性，改善區域電網的靈活性，同時也為可轉移負荷參與調峰進行了有益的嘗試。

本文針對EV參與調峰的相關問題提出了可行方案，將得到的定價曲線與電力市場分時電價進行對比研究，可以為我國電力輔助服務市場和區域電網日內調度提供參考。

[1] 崔楊, 張家瑞, 仲悟之, 等. 計及電熱轉換的含儲熱光熱電站與風電系統優化調度[J].中國電機工程學報, 2020, 40(20): 6482-6494.

Cui Yang, Zhang Jiarui, Zhong Wuzhi, et al. Optimal scheduling of concentrating solar power plant with thermal energy storage and wind farm considering electric-thermal conversion[J]. Proceedings of the CSEE, 2020, 40(20): 6482-6494.

[2] Fang Chen, Zhao Xiaojin, Xu Qin, et al. Aggregator-based demand response mechanism for electric vehicles participating in peak regulation in valley time of receiving-end power grid[J]. Global Energy Interconnection, 2020, 3(5): 453-463.

[3] 鞠立偉, 于超, 譚忠富. 計及需求響應的風電儲能兩階段調度優化模型及求解算法[J]. 電網技術, 2015, 39(5): 1287-1293.

Ju Liwei, Yu Chao, Tan Zhongfu. A two-stage scheduling optimization model and corresponding solving algorithm for power grid containing wind farm and energy storage system considering demand response[J]. Power System Technology, 2015, 39(5): 1287-1293.

[4] 劉東奇, 王耀南, 袁小芳. 電動汽車充放電與風力/火力發電系統的協同優化運行[J]. 電工技術學報, 2017, 32(3): 18-26.

Liu Dongqi, Wang Yaonan, Yuan Xiaofang. Cooperative dispatch of large-scale electric vehicles with wind-thermal power generating system[J]. Transactions of China Electrotechnical Society, 2017, 32(3): 18-26.

[5] 師景佳, 袁鐵江, Saeed Ahmed Khan, 等. 計及電動汽車可調度能力的風/車協同參與機組組合策略[J]. 高電壓技術, 2018, 44(10): 3433-3440.

Shi Jingjia, Yuan Tiejiang, Saeed Ahmed Khan, et al. Unit commitment strategy considering cooperated dispatch of electric vehicles based on scheduling capacity and wind power generation[J]. High Voltage Engineering, 2018, 44(10): 3433-3440.

[6] 姚一鳴,趙溶生,李春燕,等.面向電力系統靈活性的電動汽車控制策略[J/OL].電工技術學報: 1-12[2021-09-18].https://doi.org/10.19595/j.cnki.1000-6753.tces. 210515.

Yao Yiming, Zhao Rongsheng, Li Chunyan, et,al. Control strategy of electric vehicles oriented to power system flexibility[J/OL]. Transactions of China Electrotechnical Society: 1-12[2021-09-18].https:// doi.org/10.19595/j. cnki.1000-6753.tces.210515.

[7] 史文龍, 秦文萍, 王麗彬, 等. 計及電動汽車需求和分時電價差異的區域電網 LSTM 調度策略[J]. 中國電機工程學報, https://doi.org/10.13334/j. 0258- 8013. pcsee.202473.

Shi Wenlong, Qin Wenping, Wang Libin, et al. Regional power grid LSTM dispatch strategy considering the difference between electric vehicle demand and time-of-use electricity price[J]. Proceedings of the CSEE, https:// doi.org/10.13334/j. 0258-8013.pcsee.202473.

[8] Liu Yujun, Xu Qingshan, Zang Haixiang, et al. Research on the evaluation method of capacity on electric-vehicle energy storage system[J]. Proceedings-2014 IEEE International Workshop on Intelligent Energy Systems, 2014: 88-92.

[9] 劉靈愷, 雷霞, 李竹, 等. 電動汽車換電站可用電池組數動態調度策略[J].電工技術學報, 2017, 32(22): 242-250.

Liu Lingkai, Lei Xia, Li Zhu, et al. Dynamic scheduling strategy for available battery number of electric vehicle in battery-swap station[J]. Transactions of China Electrotechnical Society, 2017, 32(22): 242-250.

[10] 崔楊, 劉柏巖, 仲悟之, 等. 考慮積壓懲罰機制的含BSS微網聯合系統優化調度策略[J]. 電網技術, 2020, 44(10): 3787-3793.

Cui Yang, Liu Baiyan, Zhong Wuzhi, et al. Optimal scheduling strategy for joint system with micro-grid containing BSS considering overstock punishment mechanism[J]. Power System Technology, 2020, 44(10): 3787-3793.

[11] 崔楊, 劉柏巖, 趙鈺婷, 等. 計及車輛轉移機制的含BSS微網聯合系統優化調度策略[J]. 高電壓技術, https://doi.org/10.13336/j.1003-6520.hve.20201633.

Cui Yang, Liu Baiyan, Zhao Yuting, et al. Optimal scheduling strategy for joint system with microgrid containing BSS considering vehicle transfer mechanism[J]. High Voltage Engineering, https://doi.org/ 10.13336/j.1003-6520.hve. 20201633.

[12] 許剛, 張丙旭, 張廣超. 電動汽車集群并網的分布式魯棒優化調度模型[J]. 電工技術學報, 2021, 36(3): 565-578.

Xu Gang, Zhang Bingxu, Zhang Guangchao. Distributed and robust optimal scheduling model for large-scale electric vehicles connected to grid[J]. Transactions of China Electrotechnical Society, 2021, 36(3): 565-578.

[13] 張立靜, 婁素華, 陳艷霞, 等. 基于電池租賃模式的電動汽車換電站電池容量優化[J].電網技術, 2016,40(6):1730-1735.

Zhang Lijing, Lou Suhua, Chen Yanxia, et al. Battery capacity optimization of electric vehicle swapping station based on leasing mode[J]. Power System Technology, 2016, 40(6): 1730-1735.

[14] 時珉, 許可, 王玨, 等. 基于灰色關聯分析和GeoMAN模型的光伏發電功率短期預測[J]. 電工技術學報, 2021, 36(11): 2298-2305.

Shi Min, Xu Li, Wang Jue, et al. Short-term photovoltaic power forecast based on grey relational analysis and GeoMAN model[J]. Transactions of China Electrotechnical Society, 2021, 36(11): 2298-2305.

[15] 崔楊, 修志堅, 劉闖, 等. 計及需求響應與火-儲深度調峰定價策略的電力系統雙層優化調度[J]. 中國電機工程學報, 2021, 41(13): 4403-4414.

Cui Yang, Xiu Zhijian, Liu Chuang, et al. Dual level optimal dispatch of power system considering demand response and pricing strategy on deep peak regulation[J]. Proceedings of the CSEE, 2021, 41(13): 4403-4414.

[16] 王軼禹, 馬世俊, 皮俊波, 等. 關于國調直調電廠“兩個細則”的討論[J].電力系統自動化, 2018, 42(16): 174-179, 186.

Wang Yiyu, Ma Shijun, Pi Junbo, et al. Key parameter design of smart grounding distribution systems[J]. Automation of Electric Power Systems, 2018, 42(16): 174-179, 186.

[17] 張文韜, 王秀麗, 吳雄, 等. 大規模風電接入下含大用戶直購電的電力系統調度模型研究[J]. 中國電機工程學報, 2015, 35(12): 2927-2935.

Zhang Wentao, Wang Xiuli, Wu Xiong, et al. An analysis model of power system with large-scale wind power and transaction mode of direct power purchase by large consumers involved in system scheduling[J]. Proceedings of the CSEE, 2015, 35(12): 2927-2935.

[18] 宋藝航, 何楠, 張會娟, 等. 電力市場下發電企業碳排放定價模型[J].中國電力, 2013, 46(10): 151-154.

Song Yihang, He Nan, Zhang Huijuan, et al. Carbon pricing model for power generation enterprises in electricity markets[J]. Electric Power, 2013, 46(10): 151-154.

[19] 蘇南. 電動汽車儲能參與電網優化調度, 調峰成本遠低于火電機組靈活性改造[N]. 中國能源報, 2021-01-13, https://finance.eastmoney.com/a/202101131773649198.html.

Sunan. Electric vehicle energy storage participates in the optimal dispatch of the power grid, and the cost of peak shaving is much lower than the flexible transformation of thermal power units[N]. China Energy News, 2021-01-13, https:// finance.eastmoney.com/a/202101131773649198.html.

[20] 羅桓桓, 王昊, 葛維春, 等. 考慮報價監管的動態調峰輔助服務市場競價機制設計[J]. 電工技術學報, 2021, 36(9): 1935-1947, 1955.

Luo Huanhuan, Wang Hao, Ge Weichun, et al. Design of dynamic peak regulation ancillary service market bidding mechanism considering quotation supervision[J].Transactions of China Electrotechnical Society, 2021, 36(9): 1935-1947, 1955.

[21] 朱云杰, 秦文萍, 于浩, 等. 基于神經網絡的微電網參與上層電網實時優化調度策略[J]. 電力建設, 2020, 41(10): 9-19.

Zhu Yunjie, Qin Wenping, Yu Hao, et al. Strategy based on neural network for microgrid participating in real-time optimal scheduling of upper grid[J]. Electric Power Construction, 2020, 41(10): 9-19.

[22] 于浩, 秦文萍, 魏斌, 等. 考慮預測誤差的交直流混合微電網經濟調度策略[J].電網技術, 2019, 43(11): 3987-3996.

Yu Hao, Qin Wenping, Wei Bin, et al. Economic dispatch of hybrid AC/DC microgrid considering prediction error[J]. Power System Technology, 2019, 43(11): 3987-3996.

[23] 周椿奇, 向月, 張新, 等. V2G輔助服務調節潛力與經濟性分析: 以上海地區為例[J]. 電力自動化設備, 2021, 41(8):135-141.

Zhou Chunqi, Xiang Yue, Zhang Xin, et al. Potential regulation ability and economy analysis of auxiliary service by V2G: taking Shanghai area for an example[J]. Electric Power Automation Equipment, 2021, 41(8): 135-141.

[24] 尹琦琳, 秦文萍, 于浩, 等. 計及風電波動性和電動汽車隨機性的電力現貨市場交易模型[J]. 電力系統保護與控制, 2020, 48(11): 1-12.

Yin Qilin, Qin Wenping, Yu Hao, et al. Transaction model for electricity spot market considering the volatility of wind power and the randomness of electric vehicles[J]. Power System Protection and Control, 2020, 48(11): 1-12.

[25] 文雯. 《電動汽車與電網互動的商業前景——上海市需求響應試點案例》報告發布 需求響應破解電動汽車發展難題[J]. 環境經濟, 2020(12):36-38.

Wen Wen. The report of “The Commercial Prospects of the Interaction of Electric Vehicles and Grids-Shanghai Demand Response Pilot Cases” is released. Demand response solves the problems of electric vehicle development[J]. Environmental Economy, 2020(12): 36-38.

Two-Stage Optimal Dispatching of Regional Power Grid Based on Electric Vehicles' Participation in Peak-Shaving Pricing Strategy

Yang Jingsi1Qin Wenping1Shi Wenlong2Cao Rui3Yao Hongmin1

（1. Shanxi Provincial Key Laboratory of Power System Operation and Control Taiyuan University of Technology Taiyuan 030024 China 2.China Electric Power Research Institute Co. Ltd Beijing 100192 China 3. Taiyuan Youteaoke Electronic Technology Co. Ltd Taiyuan 030006 China）

In response to problems such as power fluctuations, high dispatching cost and poor operation stability caused by the large-scale access of electric vehicles(EV), wind power, photovoltaics and other new energy power generation to the grid, this paper proposes a strategy，two-stage optimized dispatching plan for the regional power grid，based on the participation of EV in peak shaving. Firstly, classify according to the EV load operating characteristics, and establish four EV load models: rigid, schedulable, flexible, and smart swapping; secondly, considering the cost of EV participation in peak shaving, and giving EV peak shaving pricing strategy based on the Fuzzy Analytic Hierarchy Process (FAHP); then based on this strategy, a two-stage optimal dispatching of the regional power grid is carried out. In the first stage, the goal is to minimize the load peak-valley difference, and to make decisions on EV peak shaving pricing under this target, so as to reduce the peak shaving capacity of the power system and adjust the regional grid load distribution; in the second stage, relying on the peak shaving pricing curve obtained in the first stage, the EV load is arranged with the goal of minimizing the charging cost of EV users; finally, a simulation example is used to verify the effectiveness and rationality of EV participation in peak shaving and the economics of the pricing strategy.

Electric vehicles, peak shaving pricing strategy, regional power grid, fuzzy analytic hierarchy process, two-stage optimization

10.19595/j.cnki.1000-6753.tces.211274

TM724

國家自然科學基金（51777132）和山西省科技重大專項（20181102028）資助項目。

2021-08-13

2021-08-27

楊鏡司 女，1997年生，碩士研究生，研究方向為交直流微電網能量管理及優化運行控制。E-mail：1638214845@qq.com

秦文萍 女，1972年生，教授，博士生導師，研究方向為電力系統可靠性分析、微電網運行與控制、新能源發電技術和微機保護。E-mail：qinwenping@tyut.edu.cn（通信作者）

（編輯 郭麗軍）