計及碳減排的電動汽車充換儲一體站與主動配電網協調規劃

何晨可 朱繼忠 劉 云 藍 靜 吳皖莉

計及碳減排的電動汽車充換儲一體站與主動配電網協調規劃

何晨可 朱繼忠 劉 云 藍 靜 吳皖莉

（華南理工大學電力學院 廣州 510641）

提出一種計及碳減排的電動汽車充換儲一體站（一體站）與主動配電網（ADN）協調規劃模型。根據設備資產歸屬權劃分ADN碳排放責任，并提出ADN碳減排機理。基于一體站結構、服務和運行特點，構建運行和配置模型。提出計及碳減排的ADN規劃方法：提出ADN網架規劃方法和分布式電源（DG）配置方法，結合ADN設備的能量損耗和出力，構建ADN碳凈增量模型及其碳交易機制，實現對計及碳減排的ADN運行模型的描述。計及碳交易費用，以規劃年綜合成本為目標建立一體站和ADN協調規劃模型，提出混沌模擬退火獅群算法進行求解。算例結果表明，考慮碳減排的ADN規劃的購電成本、規劃年綜合成本、節約年環境碳排量、階梯單位碳價分別約為不考慮碳減排ADN規劃的10%、35%、460%和4倍，從而驗證了所提模型與方法的可行性和有效性。

碳減排 電動汽車 充換儲一體站 主動配電網 協調規劃 混沌模擬退火獅群算法

0 引言

電動汽車（Electric Vehicle, EV）充換儲一體站（一體站）是一種新型EV集中性充換電設施[1]，集成快充系統、快換系統與梯級儲能系統于一體，具備EV負荷波動平抑[2]、削峰填谷[3]、輔助電網故障恢復[4]等優勢。主動配電網（Active Distribution Network, ADN）是實現分布式電源（Distributed Generation, DG）廣泛接入的重要技術手段，是實現終端電能低碳化的重要途徑[5]。對考慮碳減排的EV一體站和ADN合理的協調規劃將對含EV的主動配電系統的低碳化綜合規劃及運行帶來深遠影響，具有重要研究意義。

充電站[6]、換電站[7]及配套儲能電站與本文一體站[1-4]同屬于EV集中型充換電設施，存在一定的投資成本高、配電設施要求苛刻等問題，但大功率快速充電、充-放電綜合設施規劃是解決EV出行和提升EV便利性的必然選擇[8]，其統一調度和管理可實現整體最優[9]，同時，充電系統向著快速化、集成化方向發展[6]。此外，集中通信和控制的成本低，控制算法復雜性低，一體化綜合調度由電網統一調度大型集中儲能充電站的充放電，可實現EV有序充放電管理，克服EV難以計劃和控制，緩解EV對電網造成的潮流、諧波等不確定性的沖擊和影響[10]。與之相對，EV及其配套的儲能電站屬于分散式充電設施，分散EV調度問題異常復雜[9]，系統充電負荷空間分布復雜[7]，EV個體直接參與電網需求響應可能性較小[6]，造成電網潮流變化復雜，為電網運行帶來難題[10]。而有序充電是從電網角度出發，EV個體不存在有序或無序的區別，同時，分散充電EV的調度精度、有效性均難以保障，調度難度和成本巨大[10]。雖然可以采用儲能電站對分散EV進行調節，但仍無法達到集中型充換電設施在運行和調度上的優勢[6-10]。同時，電網運行人員不具備對EV個體直接調度的權限，需通過價格信號等吸引EV用戶參與調度[7]。電池所有權和充電決策權屬于EV用戶，用戶根據自身需求各自分散進行充電決策，而要吸引EV用戶接受電網調度，需要一系列的政策和服務手段，其調度精度和有效性均難以保證[10]。本文一體站是EV集中型充換電設施，與ADN同屬電網運營主體，集中了充電站、換電站和儲能電站的優勢[11]，對其規劃建設可有效緩解上述EV并網問題，其與ADN聯合優化運行，可滿足EV負荷需求、消納DG出力、平抑負荷波動、減少ADN運維費用，具有集約性、避免支路潮流多向傳輸、便于調度等優勢，發展前景良好[1-2]，是支撐EV和堅強電網共同發展的重要保證[11]。

現有考慮碳減排的充、換電站規劃研究較少[12-17]。一體站作為一種新型EV集中性充換電設施[1-2]，針對其規劃的研究也較少[3,18]，均未計及其碳減排效益，對一體站運行優化的研究也未考慮其輔助電網進行碳減排[1-2,4]。文獻[3]對交直流配電網下的一體站進行了優化規劃。文獻[18]提出了一種對一體站選址定容優化規劃方法。文獻[1-2]建立了含一體站的ADN優化調度模型。文獻[4]提出了一種一體站出力輔助ADN故障恢復方法。EV所耗電能由傳統機組提供時，等于“以煤代油”，并非真正新能源[12]。文獻[12]提出以低碳效益最大化為目標的DG和充電站協調投資方法。文獻[13]建立以EV駛向充電站引起的碳排放為目標的充電站規劃模型。文獻[14]建立了考慮碳排放的光儲充電站規劃模型。文獻[15]建立了考慮低碳收益的充電站規劃模型。文獻[16]以充電站碳減排收益分析為基礎，建立充電站規劃模型。文獻[17]建立了考慮碳足跡的充電站和風機（Wind Turbine, WT）規劃模型。還未見有考慮碳減排因素的一體站綜合規劃的研究報道，如何充分發揮一體站輔助ADN的碳減排作用，實現兩者低碳化協調規劃及互補運行，對一體站綜合運行和規劃配置數學模型的構建還需進一步研究。

目前考慮碳排放的ADN規劃研究較少[19-24]。WT和光伏（Photovoltaic, PV）等清潔能源發電可減少碳排放和化石能源消耗[12]。文獻[19]以年碳排放量為目標建立ADN的DG容量規劃模型。文獻[20]建立了低碳ADN擴展規劃模型。文獻[21]建立了低碳經濟下的ADN規劃模型。文獻[22]以低碳經濟為背景，建立了考慮大規模DG接入的ADN變電站規劃模型。文獻[23]對低碳經濟下的大量DG接入ADN的規劃技術進行了綜述。文獻[24]提出一種低碳經濟中廣泛引入DG的ADN變電站的規劃方法。上述研究未定義含EV的ADN碳排放責任，未對ADN資產設備的碳排放量模型及碳交易機制進行構建。文獻[25]構建了綜合能源系統碳交易機制。文獻[26]對發、輸、用各方碳排放責任分攤機制進行了明確，避免碳排放重復計算。ADN碳排放責任描述的準確性和合理性直接影響其碳排放量及其參與碳交易的優化分析的準確性。分析含EV充換電設施的ADN設備資產，明確ADN碳排放責任，并以此為基礎描述含充換電設施的ADN的碳增量以及碳交易機制，才能準確指導含EV的ADN低碳化規劃及運行。如何規劃配置計及碳減排的含EV的ADN各類設備，如何協調ADN設備參與碳減排，目前還未見有涉及碳減排的ADN網架規劃、DG容量配置方法，以及ADN碳凈增量模型及其碳交易機制的研究。

含EV的配電系統的規劃研究較少[27-28]，對含EV的ADN的規劃研究文獻也鮮見[29-34]，充換電設施規劃必須與配電系統規劃相協調[27]。文獻[27]建立了充電網絡和配電網協調規劃模型。文獻[28]構建了儲能、充電站和配電網聯合規劃模型。文獻[29]建立了含充電站的ADN規劃模型。文獻[30]構建了含風、光、儲和充電站的ADN協同規劃模型。文獻[31]建立了基于EV調度的ADN規劃模型。文獻[32]提出一種含插電EV的ADN的儲能和DG規劃方法。文獻[33]建立了含共享EV、光伏、儲能的ADN拓展規劃模型。文獻[34]提出一種ADN中的EV充電站優化配置模型。上述研究驗證了協調規劃可提高供電可靠性和電能質量，平抑EV和DG功率波動，提升DG滲透率，減少規劃投資和資源浪費，提高運行效益，實現綜合經濟更優[27-34]。上述研究缺乏EV和ADN協調規劃及運行對碳減排影響的考慮。還未見有EV一體站和ADN協調規劃的相關研究文獻，對考慮碳減排的一體站和ADN協調規劃的研究報道更為鮮見。

獅群優化算法（Lion Swarm Optimization, LSO）尋優速度快、精度高，但算法存在早熟問題[35]。通過混沌過程隨機搜索特性[4]和模擬退火概率突跳特性[4]的算法改進LSO算法的全局最優性。還未見有綜合上述兩種方法對LSO算法性能進行改進，并利用改進算法對EV充換電設施和ADN綜合規劃問題進行求解的研究報道。

基于上述研究背景，本文進行以下研究：根據一體站結構和運行特點，建立一體站綜合運行和規劃配置模型；提出計及碳減排的ADN規劃方法：首先提出ADN網架規劃方法和DG容量優化配置方法，并構建ADN碳凈增量模型及其階梯碳交易機制，進而構建計及碳減排的ADN運行模型；建立計及碳減排的一體站和ADN協調規劃模型；提出混沌模擬退火獅群優化（Chaos Simulated Annealing LSO, CSLSO）算法求解本文規劃模型。

1 ADN碳減排責任劃分與機理分析

化石燃料燃燒產生溫室氣體形成碳排放[36]。發展低碳電力是電力行業可持續發展的必經之路[37]。面向低碳電網的規劃方法，可借助碳排放流進行分析[37]，關鍵是準確辨識電力系統中碳排放的“來龍去脈”[37]。電能作為商品的效用全部由消費者獲得，當不同地區間存在電能交換時，發電產生的能源消耗與碳排放卻不會隨著電能轉移。發電環節通常被認為是碳排放源頭，但實際上，需求引致生產，即電力負荷才是碳排放真正源頭[36]。而某種意義上，電網本身屬于發電側的電力負荷，而電網負荷節點又屬于電網的電力負荷。合理劃分各企業和用戶在電力交換情況下因支撐經濟發展伴隨的低碳責任，有利于電力系統低碳減排目標的合理分配。用戶功率需求引發發電側電力生產，引發的碳排放為用戶碳排放；電網電能傳輸（轉換）過程中產生損耗，造成發電側電力生產增量，引發的碳排放為電網碳排放，理論上，發電側向環境排放的碳排放總量應等于電網和用戶碳排放量之和[26]。

1.1 ADN碳排放責任劃分

本文主要根據設備（包括發電設備、供儲能設備及用電設備）的資產歸屬權對碳排放責任進行劃分，即將某個設備運行導致的碳排放增加量/減少量按照該設備的資產歸屬劃分至對應的企業或用戶。本文資產歸屬ADN的設備主要有ADN網架、EV充換電設施和DG。ADN碳流如圖1所示。

圖1 碳流

1.2 ADN碳減排機理

電網碳減排機理一般有：

1）吸收CO2減排機理。如配置電轉氣（Power to Gas, P2G）設備，將CO2作為P2G原料進行電轉氣，直接吸收CO2。若這部分P2G吸收的CO2消耗的電能由傳統機組發電得到，則對于整體環境而言并未減少總的碳排放量，反而增加由于電能從發電側經電網傳輸到P2G設備過程中產生的網損帶來的碳排放增加量，但電網作為P2G設備資產方，可利用這部分吸收減少的CO2參與碳交易。

2）間接減少傳統機組發電量的減排機理。通過規劃配置DG等清潔能源發電，從而降低傳統機組發電量，進而降低整個環境的碳排放量，同時，電網可以利用這部分DG發電減少的碳排放量進行碳交易。本文ADN規劃方法利用DG發電間接減少傳統機組發電量，實現ADN碳減排，碳減排機理如圖2所示。

圖2 本文規劃方法的碳減排機理

2 充換儲一體站模型

基于一體站結構及其站內系統的運行和服務方式，描述一體綜合運行和配置模型。

2.1 充儲一體站結構

一體站內主要由快充系統（Fast Charging System, FCS）、快換系統（Fast Swapping System, FSS）和梯級儲能系統（Cascade Energy Storage System, CESS）三部分組成[4]。FCS、FSS分別對充電EV(Plug EV, PEV）、換電公交車（Electric Bus, EB）提供快充、快換服務，CESS利用梯級儲能對負荷進行調節。一體站結構如圖3所示。

2.2 一體站綜合運行和規劃配置模型

為保證PEV快速充電需求的服務質量，FCS不參與放電。FSS內EB動力電池參與放電將大大縮短電池壽命，FSS不參與放電。FCS、FSS和CESS

圖3 充換儲一體站結構

出力分別滿足式（2）～式（4）。

同時，一體站各部分滿足如下配置模型。

1）FCS服務和配置模型

2）FSS服務和配置模型

EB屬于市政公共交通工具，營運時間長，購置成本高，資產歸公交公司，有嚴格行駛（發車/到站/停靠）時間和線路計劃，以保證市政公共交通服務水平。同時，政府從制度和公交專用車道建設方面來保證公交車輛“按時按點”運營。故EB在運營時間內出現電量偏低，前往FSS實現“即到即換”的快換服務，故FSS設備數量配置以實現EB快換需求為目標，滿足式（9）～式（14）。

3）CESS運行和配置模型

EV電池全壽命利用后，容量和充放電效率均發生部分衰減，將難以繼續達到EV正常行駛的技術標準，成為退役電池，經過回收、拆解、檢測和重組，并配置于CESS中梯級利用。梯級電池可實現容量重組標準化，但充放電效率等特性則難以完全修復，本文CESS運行優化主要考慮梯級儲能的充放電效率損失。與常規全新儲能系統相比，CESS可最大限度地發揮退役電池殘余價值，提高儲能經濟性，降低EV退役電池處理的經濟和環境壓力。FCS和FSS均為快速EV電能補充設施，配備CESS對兩者以及站外負荷進行調節，CESS出力計劃策略：根據ADN從大電網的分時購電電價以及ADN的EV負荷和DG出力的變化對ADN進行調節，降低ADN購電成本。CESS運行和配置約束滿足

3 計及碳減排的主動配電網規劃方法

3.1 主動配電網網架規劃方法

對于任意兩個節點之間，只能規劃建設同種容量規格的一條線路，滿足

同時，通過式（27）保證ADN輻射狀網絡約束。

考慮當某條線路配置DG后，線路優化規格可能小于未配置DG時，同時考慮DG出力不確定性，優化比較是否配置DG（或出力為0，即最惡劣工況）時的線路容量規格，則取兩者中較大的值。

3.2 DG容量優化配置方法

3.2.1 風機容量配置

WT裝機容量大于其出力上限，滿足式（28）。以風速為自變量描述WT出力模型[40]，滿足式（29）。

3.2.2 光伏容量配置

PV裝機容量大于其出力上限，PV出力和光照強度的變化保持一致[40]，其裝機容量和運行模型分別滿足

3.3 計及碳減排的主動配電網運行模型

首先根據ADN碳排放責任建立ADN碳凈增量模型，進而構建ADN階梯碳交易機制。

3.3.1 ADN碳凈增量模型

充分利用DG可獲得更好環境效益[12,19]。將電能用戶有功需求引發的碳排放歸為用戶碳排放，電能傳輸過程中的損耗為電網碳排放[26]。ADN碳排放責任：屬于ADN設備資產的網架以及EV充換電設施的運行產生能耗將增加ADN碳排放，而屬于ADN資產的DG發電將減少其碳排量。本文對ADN碳凈增量的描述為

3.3.2 ADN階梯碳交易機制

ADN參與碳交易市場，根據實際碳排放量購買或出售相應的碳排放權[25]。當碳排放量小于免費分配的碳排放額（基礎碳配額）時，則ADN可以在碳交易市場出售多余的碳排放配額，從而獲得碳交易收益，故此時碳交易單價為負值；當碳排放量大于免費分配的碳排放額時，表示ADN需要在碳交易市場購買碳排放權，以支付超額的碳排放量，產生碳交易成本，故此時碳交易單價為正值。本文ADN階梯單位碳交易費用滿足

ADN階梯單位碳交易費用示意圖如圖4所示。

圖4 ADN階梯單位碳交易費用示意圖

4 計及碳減排的一體站和ADN協調規劃模型

本文以計及碳交易費用的規劃年綜合成本為目標，建立計及碳減排的一體站和ADN協調規劃模型，對含有WT、PV和一體站的ADN進行綜合規劃及運行狀態優化。

4.1 目標函數

各類費用滿足

4.2 約束條件

規劃滿足如下約束。

1）電網潮流約束[41-42]

2）功率平衡約束

3）儲能運行電量約束

4）變電站擴容約束

5）一體站建站約束

6）一體站變壓器容量約束

5 模型求解

5.1 混沌模擬退火獅群算法原理

LSO算法是一種基于獅群協作捕獵機制的優化算法[35]。本文針對LSO算法存在的一定的早熟問題[35]，將混沌映射和模擬退火過程[4]融入LSO算法，提出CSLSO算法，求解本文規劃模型，算法流程如圖5所示，具體步驟如下。

（2）獅子位置更新。本文CSLSO算法利用模擬退火概率判定獅子是否更新位置，更新策略滿足

（3）判斷停止。判斷是否達到搜索次數上限，若是則輸出獅王，即最優解；若不滿足則對獅群進行重新排序，重新確定三類獅子的位置，并返回步驟（2）繼續迭代。

圖5 混沌模擬退火獅群算法流程

5.2 模型求解流程

本文規劃模型包含一體站選址定容、ADN網架及DG容量規劃，同時優化含一體站的ADN的運行工況，模型求解框架如圖6所示。

圖6 模型求解框架圖

具體步驟如下：

（3）模型優化。執行CSLSO算法優化，優化AND網架、DG容量、一體站建站位置及規模，同時優化一體站和AND運行工況，并計算潮流[45]和目標函數值。

6 算例

6.1 參數設置

算例以某地區實際規劃區為例，如圖7所示。

圖7 規劃區示意圖

抽樣預測每輛PEV的產生充電需求的時間和位置。PEV首先行駛到最近的道路節點，進而通過規劃區道路行駛到一體站。根據前文2.2節FCS服務和配置模型中對PEV的電量狀態和進站快速充電服務需求的分析，該文設PEV進站SOC為電池SOC下限。規劃區共10輛EB，運營時段為5:00～24:00，路線為逆時針環線，EB在運營時段可近似視為一直行駛。算法基本參數見文獻[4,35,43]。其他參數見附圖1～附圖4和附表1～附表5。

采用本文提出的模型和求解方法，分兩種場景進行規劃研究：①場景1為考慮碳減排的一體站和ADN協調規劃；②場景2為不考慮碳減排的一體站和ADN協調規劃（優化時目標函數去除碳交易費用，最后根據優化規劃結果計算碳減排費用）。

6.2 算例分析

規劃項目各類年成本見表1。

表1 規劃項目各類年成本

由表1可知，由于場景1配備較多的DG，并導致ADN網架規模的增大，場景1基建費用較場景2高572.97萬元。儲能成本由一體站的FSS和CESS儲能配置產生，2個場景儲能費用相同。由于場景1大容量DG出力承擔較多用電負荷，使得場景1購電成本大幅下降，場景1比場景2低2 141.80萬元（場景2購電費用接近場景1的11倍）。也正因為場景1的DG和ADN網架配置規模較大，所以場景1運維費用較場景2高179.24萬元。由于對DG的合理配置和出力優化，兩個場景ADN均實現了在碳交易市場中出售碳排放配額以獲得收益，場景1碳交易帶來的收益比場景2高1 509.43萬元，兩個場景ADN不僅未使用免費碳配額，反而使碳凈排放量達到負值，場景1和2的年碳凈排放量（等效電量）分別達到-79 064.03MW?h和-17 370.32MW?h，對應的階梯單位碳價分別為－200萬元/MW?h和 －50萬元/(MW?h)，節約常規發電機組年環境碳排量分別為85389.15t和18 759.95t（常規機組碳排量1.08t/（MW?h）[25]）。這表明本文建立的計及碳減排的協調規劃方法，給ADN帶來更好的碳交易經濟效益，提高了ADN環保性和經濟性。雖然場景1在基建、運維費用上略高于場景2，但是由于場景1在購電、碳交易費用上具有的較大優勢，所以場景1年綜合成本比場景2低2 899.02萬元（場景2年綜合成本接近場景1的3倍）。綜上所述，本文計及碳減排的一體站和ADN協調規劃方法具有更好的綜合經濟優勢和環境優勢。

規劃年均基建投資費用見表2，圖8為ADN網架和一體站布局優化結果，ADN線路配置結果見表3，變電站擴容容量見表4，DG容量配置結果見表5，一體站建站規模見表6。

表2 規劃年均基建投資費用

Tab.2 Annual construction cost of planning project

圖8 網架和一體站布局優化結果

表3 線路配置結果

表4 變電站擴容容量

Tab.4 Capacity expansion of each substation

表5 DG容量配置結果

表6 一體站建站規模

Tab.6 The construction scale of CSSIS

由表2～表6和圖8的數據可以看出，出于對碳減排的考慮，場景1的風機和光伏總容量比場景2分別高8 400kV?A和6 000kV?A，使得場景1在ADN網架局部線路規格大于場景2，這也是場景1的DG、網架投資分別高于場景2為749.99萬元和218.35萬元的原因，也導致場景1的DG投資在總基建投資中占比較大，為44.46%。相比場景2，場景1更多的ADN負荷被DG所承擔，降低ADN對外部電網的功率需求，使得場景1的ADN變電站的擴容建設規模比場景2小9 700 kV?A，導致場景1變電站擴容投資比場景2低395.38萬元，這也是場景2變電站擴容投資在總基建投資中占高達34.84%的原因。而兩個場景的一體站建站規模相同，導致一體站投資相同。因為上述原因，使得場景1總基建投資相對較高。

由圖8和表3、表4可知，場景1和場景2中ADN網架的拓撲優化結果一致，本文提出的ADN網架規劃方法較好地實現了對ADN所有節點的供電路徑優化，和對線路規格的優化選型，同時網架結構滿足輻射狀分布，線路規劃結果滿足DG出力的要求，并且得到了變電站擴容結果，使規劃具有較高的綜合性和全面性。

由表5可知，場景1各DG容量達到配置上限，而場景2中DG容量相對較小，說明場景1中DG配置受到碳交易成本影響較大，而場景2的DG配置主要受到DG和網架單位成本以及負荷和電價影響。這表明本文考慮碳減排的ADN規劃方法有利于提高系統的分布式清潔能源的滲透率，具有一定的優勢。

由表6可知，由于規劃區EV負荷整體水平和分布相同，故兩個場景一體站布局相同，整個規劃區內一體站的各類站內設備以及占地均分別相同。另外，各一體站CESS儲能按照上限進行配置，可知CESS儲能配置主要受電價和站外負荷的影響，而FSS儲能配置主要取決于儲能價格。同時，通過最短路徑優化算法優化分配規劃區一體站站間負荷，導致同場景中兩個一體站建站規模的差異。

場景1和2的ADN負載率對比見表7，可知場景1中ADN線路平均負載率和平均最大負載率比場景2分別低5.99%和5.07%，同時，場景1的變電站平均負載率和平均最大負載率分別比場景2低9.70%和1.94%。充裕度是傳統配電系統可靠性分析的主導因素[46]，由對表7的分析可知，相比于場景2，采用本文提出的考慮碳減排協調規劃方法優化得到的ADN系統，在具備較高規劃綜合經濟性的同時，具有較低的線路和變壓器負載率水平，ADN具有較高的線路傳輸裕度以及變電裕度，減少ADN網絡越限的情況，在一定程度上提高ADN供電可靠性。

表7 ADN負載率對比

由圖9的一體站運行狀況可知，在ADN高購電電價時段11:00～12:00、19:00～20:00，場景1和2的一體站均降低對ADN的負荷需求甚至對外放電，在其余低購電電價時充電，提高ADN運行經濟性。以一體站A為例分析，可知兩個場景的一體站FSS運行電量均不低于各時段EB負荷電量需求，表明FSS規劃結果滿足快換負荷需求。通過對兩個場景FSS和CESS優化結果對比可知，兩個場景FSS和CESS出力波動趨勢分別具有一定的相似性。場景1的FSS波動性更大，說明在兩個場景FSS配置容量相同的前提下，場景1的FSS儲能配置具有更好的負荷調節能力，而場景2的FSS的電量曲線和EB負荷電量需求較為接近，場景2的FSS儲能配置更多只為滿足EB負荷實時快換電量需求，調節冗余性較小。

圖9 一體站系統運行狀況

場景1和2的ADN波動性指標對比見表8。由表8可知，場景2的ADN波動性指標比場景1的大59.47%。由此可知，場景1中ADN雖然配備更多DG，但由于場景1在計及碳減排因素下對DG和一體站進行協調規劃及運行優化，更好地實現了DG和EV一體站的互補運行，降低ADN整體功率需求的波動性，有利于ADN的安全運行。

表8 ADN波動性指標對比

場景1和2的節點故障平均失負荷率指標對比見表9。由表9可知，場景1的節點故障平均失負荷率比場景2低2.58%。這是由于場景1配備更多的DG，在某一節點（線路）故障切除后，大容量DG出力可實現更好的孤島供電。本文提出的考慮碳減排的協調規劃方法，還可降低ADN故障失電范圍程度，降低了ADN系統容量不足的風險，提高網絡的供電可靠性。

表9 ADN網架節點故障失負荷率

Tab.9 Node fault load loss rate of

從圖10的ADN功率平衡優化結果可以直觀地看出，由于碳交易成本的促使，直接影響了ADN分布式清潔能源的裝機容量以及出力。相比場景2，場景1的DG容量大、出力上限高，在ADN高負荷時DG出力盡可能滿足ADN負荷，同時一體站參與充放電，當ADN低負荷時，DG在滿足ADN基本負荷和EV負荷的同時，反向為主網提供電能，從而使得場景1具有較好的綜合經濟性和環保性。同時，由附圖5的ADN節點電壓可知，兩個場景雖然在DG出力上有較大差別，但系統電壓均能滿足約束要求，說明本文考慮場景1在提高ADN碳減排效益的同時，能保證系統安全運行。

圖10 功率平衡優化結果

為驗證CSLSO算法的優勢，同時因篇幅所限，對比分析場景1的一體站在固定站址（A、B站建站站址分別為節點7、43）時的算法性能，利用CSLSO算法、LSO算法[35]、SA算法[48]、PSO算法[49]和GA算法[50]分別對本文模型優化20次，取結果最好的一組分析。各算法適應度曲線如圖11所示，不同算法的性能比較見表10。

圖11 各算法適應度曲線

表10 不同算法的性能

Tab.10 Different algorithms performance

由圖11和表10可知，相比之下，本文CSLSO算法能快速收斂到最優解，優化所得最優值最小，方均差相對最小，迭代次數和優化耗時相對較少、尋優率相對較高，所以本文CSLSO算法性能更優。同時，本文CSLSO算法通過混沌過程和模擬退火過程的融入，較好地改善了LSO算法的早熟問題。

7 結論

本文提出了一種計及碳減排的EV一體站與ADN協調規劃方法，結論如下：

1）通過對一體站綜合運行和規劃配置的合理建模優化，使其有效響應ADN功率調節和碳減排，實現充分考慮含一體站的ADN低碳化規劃及運行，提高系統安全可靠經濟環保性，提高規劃合理性和準確性。

2）提出的ADN規劃方法明確了其碳排放責任，分析ADN資產設備的碳凈增量，通過碳交易獎懲機制促使ADN主動減排獲得碳收益。最終實現ADN網架結構及線路規格的優化，保證網架滿足DG出力以及輻射狀要求，并得到變電站擴容結果，驗證了本文ADN規劃方法的有效性、綜合性與合理性。

3）充分計及碳減排效益的EV一體站和ADN協調規劃，可提高ADN的DG滲透率，使DG盡可能地出力，促使ADN參與環境碳減排，使ADN獲得更好的碳交易收益，并大幅降低ADN購能費用，降低ADN負載率和故障失負荷率，提高ADN電能傳輸可靠性及裕度，降低ADN和主網的交互功率波動性，進一步提升EV一體站與ADN低碳化協調規劃和互補運行的系統安全性、可靠性、經濟性和環保性。

4）在LSO算法的基礎上，引入混沌過程和模擬退火過程，提出混沌模擬退火獅群（CSLSO）算法對求解一體站與ADN協調規劃模型進行求解時具有較高的尋優速度和全局最優性，實現了LSO算法易早熟的問題的改善。

本文所提方法對于解決計及碳減排的EV一體站和ADN協調規劃問題具有快速性、可行性和有效性，為含EV充換電設施的ADN綜合規劃提供一定的理論依據。

附 錄

附圖1 基本負荷曲線及分時購電電價

App.Fig.1 Basic load curves and time-sharing electricity purchase price

附圖2 風速和光照強度

App.Fig.2 Wind speed and light intensity

附圖3 變壓器額定容量規格

App.Fig.3 Rated capacity specifications of transformer

附圖4 EV負荷曲線及分布

App.Fig.4 Load curve and distribution of EV

附表1 待選線路規格參數

App.Tab.1 Parameters of pending power line

參數線路I線路II線路III線路IV 線路容量/(MV?A)13510 單位長度電阻/(Ω/km)0.50.40.30.2 單位長度電抗/(Ω/km)0.350.3250.30.275 基建費用/(萬元/km)50100150200 運維費用/(萬元/km)0.10.20.30.5

附表2 一體站設備參數

App.Tab.2 Equipment parameters of CSSIS

設備類型額定功率/kW單位費用單位運維費用 快充機5020萬元/臺0.05萬元/(臺·年) 慢充機20025萬元/臺0.02萬元/(臺·年) 快換機2020萬元/臺0.01萬元/(臺·年) 充放電機20010萬元/臺0.1萬元/(臺·年) FSS儲能—0.1[萬元/(kW·h)]0.005萬元/(kW·h·年) CESS儲能—0.05[萬元/(kW·h)]0.002萬元/(kW·h·年) 站內變壓器—0.025[萬元/(kV·A)]0.001萬元/(kW·h·年)

附表3 DG參數

App.Tab.3 Parameters of DG

DG類型WTPV 單位裝機容量規格/kW200200 單位裝機容量費用/[萬元/(kV·A)]0.30.5 單位裝機容量運維費用/[萬元/ (kV·A·年)]0.010.02

附表4 待選站址地價

App.Tab.4 Land prices of candidate stations

節點編號購地單價/(萬元/m2)節點編號購地單價/(萬元/m2) 20.2260.3 50.35270.4 70.3400.35 230.5430.2

附表5 算例參數

App.Tab.5 Parameters of case study

參數數值參數數值 0.20.95 0.250 0.91 2000.2 0.21 0.26 100.9 0.9200 10.9 0.25 000 5 0001 1 0004 5020 000 1050 0.065 3652 0.324 20.003 0.22 10025 0.70.2 0.60.2 0.7 0.9

App.Fig.5 Node voltage of ADN

[1] 袁洪濤, 韋鋼, 張賀, 等. 計及充換儲一體站的主動配電網魯棒優化調度[J]. 中國電機工程學報, 2020, 40(8): 2453-2468.

Yuan Hongtao, Wei Gang, Zhang He, et al. Robust optimal scheduling of active distribution network considering with the charging-swapping-storage integrated station[J]. Proceedings of the CSEE, 2020, 40(8): 2453-2468.

[2] 袁洪濤, 韋鋼, 張賀, 等. 基于模型預測控制含充換儲一體站的配電網優化運行[J]. 電力系統自動化, 2020, 44(5): 187-197.

Yuan Hongtao, Wei Gang, Zhang He, et al. Model predictive control based optimal operation of distribution network with charging-swapping-storage integrated station[J]. Automation of Electric Power Systems, 2020, 44(5): 187-197.

[3] 曾夢隆, 韋鋼, 朱蘭, 等. 交直流配電網中電動汽車充換儲一體站規劃[J]. 電力系統自動化, 2021, 45(18): 52-60.

Zeng Menglong, Wei Gang, Zhu Lan, et al. Planning of integrated electric vehicle charging-swapping- storage station in AC/DC distribution network[J]. Automation of Electric Power Systems, 2021, 45(18): 52-60.

[4] 何晨可, 韋鋼, 袁丁, 等. 計及充換放儲一體化電站的主動配電網故障恢復[J]. 電力系統自動化, 2020, 44(13): 32-38.

He Chenke, Wei Gang, Yuan Ding, et al．Fault recovery of active distribution network considering charging-swapping-discharging-storage integrated power station[J]. Automation of Electric Power Systems, 2020, 44(13): 32-38.

[5] 曾博, 劉念, 張玉瑩, 等. 促進間歇性分布式電源高效利用的主動配電網雙層場景規劃方法[J]. 電工技術學報, 2013, 28(9): 155-163, 171.

Zeng Bo; Liu Nian; Zhang Yuying, et al. Bi-level scenario programming of active distribution network for promoting intermittent distributed generation utilization[J]. Transactions of China Electrotechnical Society, 2013, 28(9): 155-163,171.

[6] 馬玲玲, 楊軍, 付聰, 等. 電動汽車充放電對電網影響研究綜述[J]. 電力系統保護與控制, 2013, 41(3): 140-148.

Ma Lingling, Yang Jun, Fu Cong, et al. Review on impact of electric car charging and discharging on power grid[J]. Power system protection and control, 2013, 41(3): 140-148.

[7] 王錫凡, 邵成成, 王秀麗, 等. 電動汽車充電負荷與調度控制策略綜述[J]. 中國電機工程學報, 2013, 33(1): 1-10.

Wang Xifan, Shao Chengcheng, Wang Xiuli, et al. Survey of electric vehicle charging load and dispatch control strategies[J]. Proceeding of the CSEE, 2013, 33(1): 1-10.

[8] 師瑞峰, 李少鵬. 電動汽車V2G問題研究綜述[J].電力系統及其自動化學報, 2019, 31(6): 28-37.

Shi Ruifeng, Li Shaopeng. Review on studies of V2G problem in electric vehicles[J]. Proceedings of the CSU-EPSA, 2019, 31(6): 28-37.

[9] 劉曉飛, 張千帆, 崔淑梅. 電動汽車V2G技術綜述[J]. 電工技術學報, 2012, 27(2): 121-127.

Liu Xiaofei, Zhang Qianfan, Cui Shumei. Review of electric vehicle V2G technology[J]. Transactions of China Electrotechnical Society, 2012, 27(2): 121-127.

[10] 薛飛, 雷憲章, 張野飚, 等. 電動汽車與智能電網從V2G到B2G的全新結合模式[J]. 電網技術, 2012, 36(2): 29-34.

Xue Fei, Lei Zhangzhang, Zhang Yebiao, et al. A brand-new approach of connecting electrical vehicles with smart grid from vehicle-to-grid mode to battery-to-grid[J]. Power System Technology, 2012, 36(2): 29-34.

[11] 馮俊淇, 解大, 賈玉健, 等. 電動汽車充放儲一體化電站調度參數分析[J]. 電網技術, 2013, 37(12): 3325-3330.

Feng Junqi, Xie Da, Jia Yujian, et al. Dispatch parameters analysis of charging/discharging and storage integrated station for electric vehicles[J]. Power System Technology, 2013, 37 (12): 3325-3330.

[12] 盧志剛, 姜春光, 李學平, 等. 清潔能源與電動汽車充電站協調投資的低碳效益分析[J]. 電工技術學報, 2016, 31(19): 163-171.

Lu Zhigang, Jiang Chunguang, Li Xueping, et al. Low-carbon benefit analysis on coordinating investment for clean energy and electric vehicle charging stations[J]. Transactions of China Electrotechnical Society, 2016, 31(19): 163-171.

[13] 陳光, 毛召磊, 李濟沅, 等. 計及碳排放的電動汽車充電站多目標規劃[J]. 電力系統自動化, 2014, 38(17): 49-53, 136.

Chen Guang, Mao Zhaolei, Li Jiyuan, et al. Multi-objective optimal planning of electric vehicle charging stations considering carbon emission[J]. Automation of Electric Power Systems, 2014, 38(17): 49-53, 136.

[14] 劉國明, 于暉, 康凱, 等. 考慮需求響應與碳排放的光儲充電站容量配置[J]. 電力系統及其自動化學報, 2021, 33(7): 106-112.

Liu Guoming, Yu Hui, Kang Kai, et al. Capacity optimization of PV-storage-charging stations considering demand response and carbon emission[J]. Proceedings of the CSU-EPSA, 2021, 33(7): 106-112.

[15] 程宏波, 肖永樂, 王勛, 等. 考慮低碳收益的電動汽車充電站選址規劃[J]. 中國電力, 2016, 49(7): 118-121.

Cheng Hongbo, Xiao Yongle, Wang Xun, et al. Site planning of EV charging station by considering low carbon emission[J]. Electric Power, 2016, 49(7): 118-121.

[16] 官嘉玉, 江修波, 劉麗軍. 考慮電動汽車隨機充電行為及低碳效益的充電站規劃[J]. 電力科學與技術學報, 2019, 34(4): 93-100.

Guan Jiayu, Jiang Xiubo, Liu Lijun. Optimal allocation of charging stations considering the stochastic charging behavior and low carbon efficiency of electric vehicles[J]. Journal of Electric Power Science and Technology, 2019, 34(4): 93-100.

[17] Amer A, Azab A, Azzouz M A, et al. A stochastic program for siting and sizing fast charging stations and small wind turbines in urban areas[J]. IEEE Transactions on Sustainable Energy, 2021, 12(2): 1217-1228.

[18] 何晨可, 韋鋼, 朱蘭, 等. 電動汽車充換放儲一體化電站選址定容[J]. 中國電機工程學報, 2019, 39(2): 479-489.

He Chenke, Wei Gang, Zhu Lan, et al. Locating and sizing of electric vehicle charging-swapping- discharging-storage integrated station[J]. Proceeding of the CSEE, 2019, 39(2): 479-489.

[19] 張沈習, 李珂, 程浩忠, 等. 間歇性分布式電源在主動配電網中的優化配置[J]. 電力自動化設備, 2015, 35(11): 45-51.

Zhang Shenxi, Li Ke, Cheng Haozhong, et al. Optimal allocation of intermittent distributed generator in active distribution network[J]. Electric Power Automation Equipment, 2015, 35(11): 45-51.

[20] 寧超, 張峰, 李衛華, 等. 基于空間負荷布局的低碳主動配電網擴展規劃研究[J]. 電網與清潔能源, 2020, 36(9): 37-42.

Ning Chao, Zhang Feng, Li Weihua, et al. Research on expansion planning of low carbon active distribution network based on space load layout[J]. Power System and Clean Energy, 2020, 36(9): 37-42.

[21] 李昱佳, 董川. 基于兩種仿生算法的低碳主動配電網規劃[J]. 中國電力, 2017, 50(4): 66-70.

Li Yujia, Dong Chuan. low-carbon active distribution network planning based on two bionic algorithms[J]. Electric Power, 2017, 50(4): 66-70.

[22] Wang Shiju, Wang Zhe, Xu Jing, et al. Substation planning method for active distribution network in the context of energy internet[C]//2016 China International Conference on Electricity Distribution (CICED), Xi’an, China, 2016, doi: 10.1109/ CICED. 2016. 7576131.

[23] Cui Rongjian, Hou Hui, Deng Xiangtian, et al. An overview of planning technology for active distribution network[C]//2019 IEEE Innovative Smart Grid Technologies-Asia (ISGT Asia), Chengdu, China, 2019: 1947-1951.

[24] Ge Shaoyun, Wang Shiju, Lu Zhiyin, et al. Substation planning method in an active distribution network under low-carbon economy[J]. Journal of Modern Power Systems and Clean Energy, 2015, 3(4): 468-474.

[25] 張曉輝, 劉小琰, 鐘嘉慶. 考慮獎懲階梯型碳交易和電-熱轉移負荷不確定性的綜合能源系統規劃[J]. 中國電機工程學報, 2020, 40(19): 6132-6141.

Zhang Xiaohui, Liu Xiaoyan, Zhong Jiaqing. Integrated energy system planning considering a reward and punishment ladder-type carbon trading and electric-thermal transfer load uncertainty[J]. Proceedings of the CSEE, 2020, 40(19): 6132-6141.

[26] 陳藝璇, 張孝順, 郭樂欣, 等. 基于多智能體遷移強化學習算法的電力系統最優碳-能復合流求解[J]. 高電壓技術, 2019, 45(3): 863-872.

Chen Yixuan, Zhang Xiaoshun, Guo Lexin, et al. Optimal carbon-energy combined flow in power system based on multi-agent transfer reinforcement learning[J]. High Voltage Engineering, 2019, 45(3): 863-872.

[27] 姚偉鋒, 趙俊華, 文福拴, 等. 配電系統與電動汽車充電網絡的協調規劃[J]. 電力系統自動化, 2015, 39(9): 10-18.

Yao Weifeng, Zhao Junhua, Wen Fushuan, et al. Coordinated planning for power distribution system and electric vehicle charging infrastructures[J]. Automation of Electric Power Systems, 2015, 39(9): 10-18.

[28] 賈龍, 胡澤春, 宋永華, 等. 儲能和電動汽車充電站與配電網的聯合規劃研究[J]. 中國電機工程學報, 2017, 37(1): 73-83.

Jia Long, Hu Zechun, Song Yonghua, et al. Joint planning of distribution networks with distributed energy storage systems and electric vehicle charging stations[J]. Proceedings of the CSEE, 2017, 37(1): 73-83.

[29] 孔順飛, 胡志堅, 謝仕煒, 等. 含電動汽車充電站的主動配電網二階段魯棒規劃模型及其求解方法[J]. 電工技術學報, 2020, 35(5): 1093-1105.

Kong Shunfei, Hu Zhijian, Xie Shiwei, et al. Two-stage robust planning model and its solution algorithm of active distribution network containing electric vehicle[J]. Transactions of China Electrotechnical Society, 2020, 35(5): 1093-1105.

[30] 孔順飛, 胡志堅, 謝仕煒, 等. 計及風光儲與充電站的主動配電網雙層協同規劃[J]. 電測與儀表, 2019, 56(17): 60-68.

Kong Shunfei, Hu Zhijian, Xie Shiwei, et al. Bi-level collaborative planning of active distribution network considering wind-solar-storage and charging stations[J]. Electrical Measurement & Instrumentation, 2019, 56(17): 60-68.

[31] 馬文彪, 程亮, 陳紅坤. 考慮電動汽車有序充電的主動配電網網架規劃[J]. 電力科學與技術學報, 2020, 35(3): 83-91.

Ma Wenbiao, Cheng Liang, Chen Hongkun. Framework planning considering coordinated charging of electric vehicles in active distribution networks[J]. Journal of Electric Power Science and Technology, 2020, 35(3): 83-91.

[32] Ahmadian A, Sedghi M, Aliakbar-Golkar M. Fuzzy load modeling of plug-in electric vehicles for optimal storage and DG planning in active distribution network[J]. IEEE Transactions on Vehicular Technology, 2017, 66(5): 3622-3631.

[33] Wang Shu, Dong Zhaoyang, Chen Chen, et al. Expansion Planning of active distribution networks with multiple distributed energy resources and EV sharing system[J]. IEEE Transactions on Smart Grid, 2020, 11(1): 602-611.

[34] Zeb M Z, Imran K, Khattak A, et al. Optimal placement of electric vehicle charging stations in the active distribution network[J]. IEEE Access, 2020, 8(1): 68124-68134.

[35] 張瓊藝, 劉立群, 劉天保, 等. 基于改進獅群算法的主動配電網綜合優化研究[J]. 太原科技大學學報, 2020, 41(3): 176-182.

Zhang Qiongyi, Liu Liqun, Liu Tianbao, et al. The comprehensive optimization of active distribution network based on improved lion swarm algorithm[J]. Journal of Taiyuan University of Science and Technology, 2020, 41(3): 176-182.

[36] 周天睿, 康重慶, 徐乾耀, 等. 電力系統碳排放流分析理論初探[J]. 電力系統自動化, 2012, 36(7): 38-43, 85.

Zhou Tianrui, Kang Chongqing, Xu Qianyao, et al. Preliminary theoretical investigation on power system carbon emission flow[J]. Automation of Electric Power Systems, 2012, 36(7): 38-43, 85.

[37] 周天睿, 康重慶, 徐乾耀, 等. 電力系統碳排放流的計算方法初探[J]. 電力系統自動化, 2012, 36(11): 44-49.

Zhou Tianrui, Kang Chongqing, Xu Qianyao, et al. Preliminary investigation on a method for carbon emission flow calculation of power system[J]. Automation of Electric Power Systems, 2012, 36(11): 44-49.

[38] 田立亭, 史雙龍, 賈卓. 電動汽車充電功率需求的統計學建模方法[J]. 電網技術, 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.

[39] 盛萬興, 段青, 王良, 等. 基于多代理協調機制的能量路由器群組與配電網綜合規劃[J]. 高電壓技術, 2021, 47(1): 1-11.

Sheng Wanxing, Duan Qing, Wang Liang, et al. Comprehensive planning for energy routers and distribution network based on multi-agent system coordination[J]. High Voltage Engineering, 2021, 47(1):1-11.

[40] 李揚, 韋鋼, 李功新, 等. 含DG的主動配電網供電路徑優化的研究[J]. 中國電機工程學報, 2018, 38(7): 1971-1979.

Li Yang, Wei Gang, Li Gongxin, et al. Research on optimization of power supply route of active distribution network considering DG[J]．Proceedings of the CSEE, 2018, 38(7): 1971-1979.

[41] Zhu J Z. Optimization of power system operation[M]. Wiley-IEEE Press, 2015.

[42] 劉文霞, 富夢迪, 李涵深, 等. 計及信息失效的柔性配電系統集中-分散協調控制策略優化[J]. 電工技術學報, 2021, 36(22): 4749-4759.

Liu Wenxia, Fu Mengdi, Li Hanshen, et al. Centralized-decentralized control strategies optimization for flexible distribution network considering cyber failures[J]. Transactions of China Electrotechnical Society, 2021, 36(22): 4749-4759.

[43] Du Yan, Li Fangxing, Zheng Tongxin, et al. Fast cascading outage screening based on deep convolutional neural network and depth-first search[J]. IEEE Transactions on Power Systems, 2020, 35(4): 2704-2715.

[44] 張丹紅, 陳文文, 張華軍, 等. A*算法與蟻群算法相結合的無人艇巡邏路徑規劃[J]. 華中科技大學學報(自然科學版), 2020, 48(6): 13-18.

Zhang Danhong, Chen Wenwen, Zhang Huajun,et al. Patrol path planning of unmanned surface vehicle based on A* algorithm and ant colony algorithm[J]. Journal of Huazhong University of Science and Technology (Nature Science Edition), 2020, 48(6): 13-18.

[45] 朱繼忠. 電網安全經濟運行理論與技術[M]. 北京: 中國電力出版社, 2018.

[46] 孫瑜, Math Bollen, Graham Ault. 孤島狀態下含分布式電源的配電系統可靠性分析[J]. 電網技術, 2008, 32(23): 77-81.

Sun Yu, Math Bollen, Graham Ault. Reliability analysis of islanded distribution systems with distributed energy resourses[J]. Power System Technology, 2008, 32(23): 77-81.

[47] 邵志芳, 趙強, 張玉瓊. 獨立型微電網源荷協調配置優化[J]. 電網技術, 2021, 45(10): 3935-3946.

Shao Zhifang, Zhao Qiang, Zhang Yuqiong. Source side and load side coordinated configuration optimization for stand-alone micro-grid[J]. Power System Technology, 2021, 45(10): 3935-3946.

[48] 劉娜, 譚亦旻, 莫偉強, 等.基于模擬退火算法的Halbach直線發電機優化設計[J]. 電工技術學報, 2021, 36(6): 1210-1218.

Liu Na, Tan Yimin, Mo Weiqiang, et al. Optimization design of Halbach linear generator with simulated annealing algorithm[J]. Transactions of China Electrotechnical Society, 2021, 36(6): 1210-1218.

[49] 李家祥, 汪鳳翔, 柯棟梁, 等. 基于粒子群算法的永磁同步電機模型預測控制權重系數設計[J]. 電工技術學報, 2021, 36(1): 50-59, 76.

Li Jiaxiang, Wang Fengxiang, Ke Dongliang, et al. Weighting factors design of model predictive control for permanent magnet synchronous machine using particle[J]. Transactions of China Electrotechnical Society, 2021, 36(1): 50-59, 76.

[50] 袁立強, 陸子賢, 孫建寧, 等. 電能路由器設計自動化綜述—設計流程架構和遺傳算法[J]. 電工技術學報, 2020, 35(18): 3878-3893.

Yuan Liqiang, Lu Zixian, Sun Jianning, et al. Design automation for electrical energy router-design workflow framework and genetic algorithm: a review[J]. Transactions of China Electrotechnical Society, 2020, 35(18): 3878-3893.

Coordinated Planning of Electric Vehicle Charging-Swapping-Storage Integrated Station and Active Distribution Network Considering Carbon Reduction

He Chenke Zhu Jizhong Liu Yun Lan Jing Wu Wanli

（School of Electric Power Engineering South China University of Technology Guangzhou 510641 China）

A coordinated planning model of electric vehicle charging-swapping-storage integrated station (CSSIS) and active distribution network (ADN) considering carbon reduction was proposed. According to the ownership of equipment, the carbon emission responsibility and reduction mechanism of ADN were proposed. Based on the structure and operation characteristic of CSSIS, the models of operation and plan of CSSIS were built. Then, an ADN planning method considering carbon was proposed. Planning methods of network and distributed generation (DG) were built. And combing the energy loss and output of ADN equipment, carbon increment model and trading mechanism were proposed to build an ADN operation model considering carbon. A coordinated planning model of CSSIS and ADN was built with the goal of planning annual comprehensive cost considering carbon. A chaotic simulated annealing lion swarm algorithm was proposed to solve the planning model. And the case study results show that the electricity purchasing cost, annual comprehensive, carbon savings, and unit carbon price of the ADN planning considering the carbon are about 10%, 35%, 460%, and 4 times of the plan without considering the carbon, respectively. Finally, the feasibility and effectiveness of the model and method proposed in this paper are verified.

Carbon reduction, electric vehicle, charging-swapping-storage integrated station, active distribution network, coordinated planning, chaotic simulated annealing lion swarm algorithm

10.19595/j.cnki.1000-6753.tces.211255

TM715

廣東省科技計劃資助項目（2020A0505100004）。

2021-08-11

2021-09-20

何晨可 男，1993年生，博士研究生，研究方向為含電動汽車主動配電網規劃與優化等。E-mail：1197958177@qq.com

朱繼忠 男，1965年生，教授，博士生導師，研究方向為綜合智慧能源系統優化運行與控制等方面。E-mail：zhujz@scut.edu.cn（通信作者）

（編輯 郭麗軍）