計及靈活性負荷資源需求響應和不確定性的樓宇微網調度雙層優化模型

王萍萍，許建中，閆慶友，林宏宇

(1. 國網安徽省電力有限公司，合肥市 230061；2. 華北電力大學經濟與管理學院，北京市 102206)

0 引 言

隨著我國“雙碳”目標的提出和新型電力系統的建立，風光等清潔能源發電和電動汽車(electric vehicle, EV)等靈活性負荷資源參與系統調度成為關注重點及難點[1]。一方面，風光大規模發電并網導致配網運行難度增大，棄風棄光現象較為嚴重[2]；另一方面，EV大規模充電拉大負荷峰谷差，可能造成“峰上加峰”的局面[3]。因此，如何引導EV適時適量充電，提升風光等清潔能源消納，是當前新形勢下亟需解決的問題。

樓宇微網是促進清潔能源消納，實現“清潔、低碳、安全、高效”的能源體系建設目標的重要實現途徑之一[4]。文獻[5]從經濟效益出發，利用改進的粒子群算法對微網進行優化配置，提出了經濟可靠的微網配置方案。文獻[6]同樣從經濟角度出發，分析了含電轉氫和燃料電池的微網日前調度最優方案。文獻[7]以合肥某商業區為例，比較了電能替代、水源熱泵三聯供、綜合能源系統3種微網運行策略的經濟性。文獻[8]考慮新能源消納和微網運行成本，構建了日前、日內微網調度優化模型，提出了海島最優能量調度方法。上述文獻驗證了微網的運行優勢和經濟性，但未考慮微網運行的環境效益，以及微網中用戶作為重要主體的主動性和貢獻度。

靈活性負荷資源是微網運行過程中的重要參與者，現有文獻多以智能家居[9]和EV[10]作為研究對象，主要考慮需求響應對微網調度運行的效益[11-13]。文獻[11]以用戶利益角度出發，構建戶用型微網需求響應策略，在減少用戶用電成本的同時減小峰谷差。文獻[12]引入車輛轉移機制，針對含EV換電站微網系統，構建經濟調度優化模型，算例結果表明車輛轉移機制能夠有效平緩負荷曲線，同時分時電價能夠為系統帶來更大的收益。文獻[13]構建了含大規模清潔能源、EV、變頻空調的商業微網系統，將靈活資源分為單體資源和分群資源，以用戶體驗和系統成本為目標，構建調度優化模型。上述文獻豐富了靈活性負荷資源需求響應效應的研究成果。諸如EV這類靈活性資源，由于用戶個體的用電習慣和偏好不同，導致此類負荷的單體差異性較大，但上述文獻未考慮EV單體差異性帶來的不確定性對微網系統的影響。

對于電動汽車充電不確定性，處理方法除了采用場景生成-削減的方法[14-17]和魯棒優化方法[18-19]外，根據電動汽車出行特點可知，下一時點位置轉移狀態僅受當前時點位置狀態影響，與過去無關，這符合馬爾科夫屬性[20]，還可采用馬爾科夫鏈處理EV充電的不確定性。文獻[21-25]驗證了基于馬爾科夫鏈的充電負荷不確定性建模在電力系統中的積極效應，但這些文獻僅考慮了位置轉移、出行時間、停泊時間和行駛里程等EV單體差異特征，忽視了另一重要因素——行駛速度。不同行駛速度下EV的能耗程度不同，因此在處理過程中同樣需要著重考慮。

另一方面，上述文獻僅考慮了充電不確定性，而作為靈活性負荷資源，EV可能還存在放電的不確定性。對于這方面的研究，文獻[26]在放電時間上引入隨機數進行處理，但處理方式過于簡單，不能充分反映不確定性對系統的影響；文獻[27]采用深度強化學習模擬電動汽車實時放電；文獻[28]采用云模型進行放電功率預測；文獻[29]采用蒙特卡洛法生成了典型放電場景。上述幾種方法對參數概率分布的精準性和可靠性要求較高，同時需要大量的歷史數據進行擬合和訓練，增加了求解的難度。不同于上述方法，信息間隙決策理論(information gap decision theory, IGDT)在處理不確定性的過程中，僅需要預設決策者可接受的偏差范圍，在此前提下最大化不利擾動，從而得到可接受的偏差結果[30]。該方法不僅能得到魯棒最優解，還能在預設的機會收益水平下得出最優獲利偏差[31]。對于IGDT在電力系統的研究中，主要針對新能源出力[32]、電價波動[33-34]、長期負荷[35]為研究對象，尚未采用該理論研究EV放電不確定。

綜上分析，本文以居民樓宇為研究對象，以EV為靈活性資源構建微電網系統。首先，采用馬爾科夫鏈構建基于數量轉移、里程差異、車速差異的充電負荷不確定性模型，采用IGDT構建EV放電不確定性模型；其次，引入電價型需求響應(price-based demand response, PBDR)和激勵型需求響應(incentive-based demand response，IBDR)調整充電負荷曲線；最后，從經濟、能耗、環境、用戶滿意度等角度，構建樓宇微網調度優化模型。

1 樓宇微網系統結構設計

本文所構建的樓宇微網系統結構如圖1所示。在該微網系統中，用戶除自用EV需要充電外，還可參與PBDR和IBDR，其中PBDR指用戶通過分時電價主動轉移或削減充電負荷，IBDR指根據系統指令在特定時段進行增負荷或減負荷操作。另一方面，EV還可作為儲能設備，在特定時段進行充電或放電。在系統內部，需求側主要包括生活用電基本需求和EV充電需求；供給側包括分布式光伏、EV和燃氣機組(gas-fired generator, GFG)，其中分布式光伏優先對建筑內部進行供電，剩余需求由EV、燃氣機組和外部公網依次進行供應。

圖1 系統供能結構

2 靈活性負荷資源相關模型構建

2.1 靈活資源需求響應模型構建

2.1.1 PBDR

利用EV用戶的價格敏感心理，通過設置峰谷電價，引導用戶在谷時段充電，從而避開用電高峰，達到“削峰填谷“的效果。PBDR可用需求彈性系數表示[36]，具體為：

(1)

式中：Ebe、Eaf分別表示PBDR實施前后的負荷量；ρbe、ρaf分別表示PBDR實施前后的充電價格；e表示需求彈性系數。需求彈性系數包括自彈性系數和交叉彈性系數。自彈性系數指某時段價格變化對自身的影響，交叉彈性系數指某時段價格變化對其他時段的影響。因此，需求彈性系數矩陣可表示為：

(2)

式中：epp、eff、evv分別表示峰、平、谷時段的自彈性系數；其他元素則表示交叉彈性系數。結合式(1)，可計算出需求響應后的負荷需求曲線。

2.1.2 IBDR

用戶參與激勵型需求響應的方式是與供應商簽訂合約，當系統需要負荷增加或減少時，用戶根據情況主動做出用電計劃調整，同時獲得一定的補償[37]。IBDR階梯型補償機制如圖2所示。

圖2 IBDR階梯型補償機制

相應的IBDR模型為：

Rmin≤ΔRh≤Rh,h=1

(3)

0≤ΔRh≤Rh-Rh-1,h=2,3,…,H

(4)

(5)

式中：Rmin表示IBDR的最小可調度量；Rh表示IBDR的累計響應量；ΔRh表示第h階段的IBDR調度量；R表示第h階段IBDR的累計調度量。

2.2 靈活資源作為用能主體的不確定性處理

2.2.1 基于馬爾科夫鏈的EV數量轉移計算

EV當前位置狀態表示為St，下一狀態表示為St+1，那么馬爾科夫條件概率可表示為：

P(St→St+1)=P(St+1|S1,S2,S3,…,St)=P(St+1=j|St=i)=pij

(6)

式中：pij表示EV轉移概率值，其中i表示其在t時刻的位置狀態，j表示t+1時刻的位置狀態。基于美國家庭出行調查(national household travel survey，NHTS)2017年數據，將EV轉移區域分為家庭區、工作區和其他區域，那么位置轉移頻數矩陣Mt,t+1可表示為：

(7)

式中：Nt、Nt+1分別表示t時刻和t+1時刻的狀態；sh、sw、so分別表示處于家庭區、工作區和其他區域的EV狀態；na,b表示從區域a(a=h，w，o)轉移到區域b(b=h，w，o)的EV數量。以從家庭區轉移到工作區的EV轉移概率為例，其計算公式為：

(8)

式中：ph,w表示從家庭區轉移到工作區的EV轉移概率。同理，可計算得到轉移概率矩陣Pt,t+1為：

(9)

式中：pa,b表示從區域a(a=h，w，o)轉移到區域b(b=h，w，o)的EV轉移概率。

2.2.2 EV充電負荷模型構建

獲得居民區EV數量轉移曲線后，除EV物理參數外，還須構建日里程函數、車速-能耗關系函數、行駛耗能函數、充電時長計算和充電總需求分解等計算模型，最終得到充電負荷曲線。

1)日里程函數。

日里程函數服從對數正態分布，具體為：

(10)

式中：d、x分別表示日里程和對應的EV數量；μ、σ分別表示期望值和標準差，擬合得到μ=1.205 1，σ=1.276 6。

2)車速-能耗函數和行駛耗能函數。

(11)

式中：Ee表示單位耗電量；v表示行車速度；a、b、c表示對應速度參數；Epc表示EV的耗電量；ε表示耗電效率。

3)充電時長。

(12)

式中：TL表示充電時長；Echar表示EV的充電需求；pe表示充電功率；Srem表示EV的剩余荷電狀態；E表示額定容量。

4)充電需求分解。

一輛EV總充電需求可分解為多個連續充電時段，將每個時段的單體充電需求進行疊加，具體公式為：

(13)

式中：DEV,t表示t時刻系統的總充電負荷；Pi,t表示t時刻第i輛EV的充電負荷；N表示EV數量。

2.3 靈活資源作為發電主體的不確定性處理

考慮到EV用戶數量較多，用戶充放電行為特性存在差異，因此在非聚合情景下，當EV作為儲能設備放電時，可能出現用戶臨時改變用車計劃而導致一定的不確定性。本文引入信息間隙決策理論進行處理。

2.3.1 IGDT基本思想

IGDT的基本思想是通過雙層優化模型解決不確定性造成的收益風險。在第一層中，利用不確定參數的預測值計算決策者期望的最優決策值；在第二層中，考慮不確定參數實際值與預測值的偏差，降低決策者的目標期望，預留一定的收益變化偏差，在偏差范圍內不確定變量可隨意波動，從而降低不確定性造成的突發風險帶來的損失。IGDT包括系統模型、不確定模型、最低需求模型三部分。

2.3.2 系統模型

系統模型指假定不確定變量是已知、確定的情況(即預測值)下的初始優化模型，具體可表示為：

(14)

式中：F(u,o)表示目標函數；H(u,o)和G(u,o)分別表示等式約束和不等式約束；u表示不確定變量；o表示決策變量。系統模型所涉及的目標函數和約束條件等在第3節具體給出。

2.3.3 不確定模型

實際上，u存在隨機性和波動性，不能直接采用預測值來表示實際情況，其波動可表示為：

(15)

2.3.4 最低需求模型

面對不確定性風險，可能存在規避風險型決策者和機會追尋型決策者，本文將系統決策者視為規避風險型，探討風險魯棒策略(即決策者能接受的最低需求)，模型如下：

(16)

式中：F0表示采用不確定參數預測值計算出的收益函數最優值；βa表示收益實際值與預測值的可接受偏差。約束條件中的最小化公式表示不確定系數α達到最大值時，原目標函數F仍能大于決策者的最小期望值，即魯棒型不確定系數α可以保證所有目標函數值均不小于(1-βa)F0。

基于上述3個部分，可將含不確定變量的優化模型進行簡化，具體見2.3.5節。

2.3.5 最惡劣場景轉換

風險規避策略的目的是保證變量不確定性在預期范圍內變動，從而使得最終決策結果依舊在決策者的可接受水平之內。EV放電不確定性可表示為：

(17)

式中：下標加ev的參數分別為EV的不確定性參數。

(18)

3 確定型樓宇微網低碳經濟調度優化模型

3.1 機組模型構建

3.1.1 出力模型

除EV外，電源主要包括分布式光伏和燃氣機組，具體出力模型如下：

1)分布式光伏。

光伏出力滿足Beta分布，出力gpv(t)為：

gpv(t)=ηpvSpvθt

(19)

式中：ηpv表示光伏出力效率；Spv表示光伏板總面積；θt表示光伏受光照時間。

2)燃氣機組。

燃氣機組出力受其發電效率的影響，具體為：

gpower,g(t)=Fg(t)ηg

(20)

式中：gpower,g(t)表示燃氣機組的在t時刻的發電量；Fg(t)表示燃氣機組在t時刻耗氣量；ηg表示發電效率。

3.1.2 效益模型

1)分布式光伏。

光伏收益主要包括度電成本和售電收入，具體模型為：

(21)

2)燃氣機組。

燃氣機組收益主要包括運維成本、燃料成本和售電收入，具體模型為：

(22)

(23)

3)EV。

EV用戶收益主要包括參與PBDR的成本節約量、參與IBDR的補償收益和作為儲能設備的價差收益，具體模型為：

(24)

(25)

3.2 目標函數

本文構建系統凈收益最大化、光伏消納最大化、二氧化碳排放量最小化、用戶滿意度最大化等目標函數，具體如下：

1)系統凈收益。

f1=maxReco=Rpv+Rg+REV-Cgrid-CIBDR

(26)

式中：Reco表示系統總收益；Cgrid表示從公網的購電成本；CIBDR表示系統支付給用戶的IBDR補償成本。

2)光伏消納率。

(27)

式中：gpv表示光伏發電總量。

3)二氧化碳排放量。

f3=minOenv

(28)

式中：Oenv表示二氧化碳總排放量，主要來源機組為燃氣機組和公網。

(29)

4)用戶滿意度。

以用戶收益表示用戶參與調度的滿意度，即

f4=maxREV

(30)

5)綜合多目標。

首先對各目標函數下的目標函數值通過式(31)進行無量綱化處理，其次設置各目標權重，通過式(32)利用線性加權的方式，將上述多目標函數轉換成單目標函數。

(31)

ψ=w1f′1+w2f′2+w3f′3+w4f′4

(32)

式中：ψ表示轉換后的綜合多目標函數；fi和f′i分別表示無量綱化前后的子目標值；fmax表示4個目標中的最大值；fmin表示4個目標中的最小值；wi表示第i個函數對應的權重，本文中均設定為1/4。

3.3 約束條件

約束條件包括供需平衡約束、機組出力約束、EV充放電約束、需求響應約束等。

1)供需平衡約束。

首先要保證系統內的負荷需求得以滿足，即供需平衡約束，具體如下：

gPV+gg+gEV=Dfixed+DEV

(33)

式中：gPV表示光伏有功出力；gg表示燃氣機組有功出力；gEV表示EV放電出力；Dfixed表示用戶生活用電需求；DEV表示EV充電需求。

其次樓宇總負荷不能超過微網負載極限，即

max(Dfixed,t+DEV,t)

(34)

式中：Dfixed,t表示t時刻的生活基本負荷；Pmc表示變壓器額定容量。

2)機組出力約束。

發電機組主要包括分布式光伏和燃氣機組，具體約束為：

(35)

(36)

3)EV充放電約束。

EV的充放電行為應在合理范圍之內，包括安全存儲范圍、充電約束范圍、放電約束范圍，具體為：

Eraξ≤En≤Eraζ

(37)

Pt,min≤Pt≤Pt,max

(38)

式中：En表示EV的現存電量；Era表示EV的額定電量；ζ和ξ分別表示電池的安全儲電上下限系數；Pt,max和Pt,min分別表示充電負荷的最大值與最小值。放電約束與式(37)、(38)同理，不再贅述。

另外，對于不參與需求響應和聚合放電的用戶，系統還需要滿足其充電時間約束，即

Tchar≤Texp

(39)

式中：Tchar表示實際充電時間；Texp表示用戶期望的充電結束時間。

4)需求響應約束。

在PBDR中，為防止峰谷倒掛現象，峰時段的最小負荷應大于谷時段最大負荷，并且PBDR的負荷削減量應在5%內。具體為：

(40)

(41)

在IBDR中，用戶負荷變動量不能超過IBDR合約規定的范圍，具體為：

ΔRt,min≤ΔRt≤ΔRt,max

(42)

ΔRmin≤ΔR≤ΔRmax

(43)

式中：ΔRt表示用戶在t時刻的負荷削減量；ΔRt,min和ΔRt,max表示t時刻負荷削減量下限和上限值；ΔR表示用戶一天內的累計負荷削減量；ΔRmin和ΔRmax表示一天內的累計負荷削減量的下限和上限值。

3.4 模型求解

本文采用混沌粒子群算法進行求解。基礎粒子群算法具有較快的收斂速度，但易于陷入局部最優，而混沌搜索具有較好的遍歷性，彌補了粒子群算法的局部最優缺陷[38]。具體算法原理參考文獻[39]，求解步驟如圖3所示。

圖3 求解步驟

3.5 優化模型結構框架

基于不確定性的處理和優化函數的求解，本文的優化模型結構框架如圖4所示。

圖4 優化模型結構框架

4 算例分析

4.1 充電負荷不確定性處理結果

基于NHTS 2017數據庫，篩選出在本文設定的安全儲值范圍[10%, 85%]內的電動汽車出行數據，擬合結果如圖5所示。相應的參數值為μ=1.205 1，σ=1.276 6，均方根誤差為6.729，R2=0.987 8，擬合效果要優于文獻[20]。

圖5 里程擬合結果

同樣選擇上述數據，對EV用戶車速進行擬合，擬合結果為μ=3.265 1，σ=0.979 2，均方根誤差為6.289 4，R2=0.974 4，擬合效果良好。設定居民區、工作區和其他區域的初始EV數量分別為200、50、75輛，計算數量轉移概率矩陣，最終得出家庭區EV數量和充電負荷曲線如圖6所示。

圖6 EV數量與充電負荷曲線

由圖6可知，數量變化和充電負荷變化趨勢一致，夜間充電的用戶較多，05:00后開始下降，此時正好是上班通勤的開始時間；隨著時間推移，返家的用戶逐漸增加，曲線由此也逐步上升，該結果符合實際生活情況，因此可通過馬爾科夫鏈處理充電負荷不確定性。

4.2 調度優化模型有效性驗證

4.2.1 情景設置

本文共設置5個情景，具體如表1所示。

表1 情景設置

情景1：基礎情景，該情景下不考慮需求響應和EV儲能，EV充電負荷直接與生活用電需求疊加，光伏、燃氣機組和公網共同供能，優先序為光伏>燃氣機組>公網。

情景2：在情景1基礎上，引入PBDR，EV用戶主動調整充電計劃后再與生活用電需求疊加，不考慮EV儲能。

情景3：在情景2的基礎上，引入IBDR，設置10%的用戶IBDR響應度，不考慮EV作為儲能設備進行放電。

情景4(聚合放電情景)：在情景3的基礎上，另將20%的EV用戶視為儲能設備進行放電，假設該部分用戶完全響應系統調度。

情景5(非聚合放電情景)：在情景4的基礎上，考慮EV放電的不確定性，即用戶可能由于自身原因，在充電后不參與放電或僅部分放電。

4.2.2 基礎數據

微網系統中燃氣機組容量為900 kW，額定效率為85%，啟動條件為額定容量的5%，單位運維成本為0.056元/(kW·h)，天然氣熱值取36 MJ/m3，天然氣價格為3.45元/m3；光伏機組容量為1300 kW，度電成本為0.6元/(kW·h)；發電機組CO2排放因子如表2所示[40]。生活基本用電需求參考文獻[40]，設置微網內生活基本用電價格為0.581 3元/(kW·h)，公網價格為0.781 3元/(kW·h)，用電總負荷如圖7所示。

圖7 用電負荷及光伏發電曲線

表2 CO2排放因子

參考北京某品牌充電樁，設定EV充電分時價格如表3所示，初始價格為1.44元/(kW·h)，EV物理參數設定如表4所示[19]，EV需求彈性系數矩陣為

表3 時段劃分及充電價格

表4 EV物理參數

4.2.3 結果分析

1)情景1。

情景1機組出力情況如圖8所示。由于用電負荷與光伏出力在時間上不匹配，導致在光伏高發期10—15時段內出現棄光現象，而在用電高峰時段17—24微網出力不足以滿足用能需求，因而從公網購電，且該時段公網的購電量較大。情景1作為基礎情景，不體現EV的靈活性。

圖8 情景1機組出力

2)情景2。

通過彈性系數矩陣和充電價格變動，對PBDR后的充電負荷進行計算，結果如圖9所示。采用分時電價后，價格敏感型用戶將主動調整充電計劃，減少峰時段用電，部分負荷向谷時段轉移，平時段基本保持不變。最終負荷削減量為3.16%，在約束范圍內；負荷轉移量為1.31%；峰谷差從326 kW下降至270 kW。因此，通過引入電價型需求響應機制，EV用戶能夠在系統調度優化前對負荷進行主動預調整，在一定程度上起到“削峰填谷”的作用。通過充電負荷的主動調整，促進光伏高發時段的電能消納。

圖9 PBDR前后充電負荷曲線及機組出力

3)情景3。

通過與用戶簽訂合約實施IBDR，充電負荷變動情況和機組出力如圖10所示。用戶充電功率為10 kW，在穩定充電的條件下，達到安全儲能上限需要7 h。假定00:00—01:00(即時段1)為充電的初始時段，根據供需情況，系統向用戶發起削負荷要求，在時段1—7 EV不充電；從時段9起發出增負荷要求，EV在第9—15時段進行充電。通過系統要求負荷轉移的形式，在光伏高發時減少棄光量。

圖10 IBDR前后充電負荷曲線及機組出力

4)情景4。

在情景4中，參與IBDR的用戶同時作為儲能設備，可進行自由放電，充放電情況和機組出力如圖11所示。進行放電的EV選擇在第18—24時段進行放電。從用戶角度來看，通過低谷時段充電，高峰時段放電，利用充電價差獲得收益，提高了用戶參與系統調度的滿意度；從系統角度來看，用戶放電滿足了部分高峰負荷，減少了從外網購電的成本，提高了系統凈收益。

圖11 EV放電前后充電負荷曲線及機組出力

5)情景5。

在該情景下，考慮到EV用戶個體差異性，可能存在放電不確定性。設定系統決策者可接受風險偏差率為5%，考慮不確定性的充電負荷變化情況及機組出力如圖12所示。在可接受偏差率范圍內，放電不確定性最大可達到0.937 4，此時充電負荷變化趨勢及出力情況與情景3接近。

圖12 考慮不確定性前后充電負荷及機組出力

對不確定性做敏感性分析，當可接受風險偏差率設置在0～5%范圍內時，對應的收益魯棒值和不確定性系數的變化軌跡如圖13所示。當可接受風險偏差率增大時，不確定性系數逐漸增大，收益魯棒值逐漸減小，這說明決策者對用戶放電波動持悲觀態度，以期以更保守的調度計劃面對放電不確定性，從而使系統的魯棒性也進一步提高。

圖13 收益魯棒值和不確定性系數變化軌跡

4.2.4 情景對比

各情景計算結果如表5所示。情景2通過PBDR鼓勵用戶自主調整用電計劃進行削峰填谷，充電低谷恰好是光伏高發時段，填谷的負荷促進光伏消納率提升0.92%，由于光伏的二氧化碳排放水平最低，因此二氧化碳排放量有所減少；雖然光伏發電成本最小，但由于PBDR實施過程中，存在一定的用戶自主削減負荷的情況，因此售電收益有所減少，最終導致系統凈收益低于情景1；用戶通過PBDR轉移或削減了部分充電負荷，節約了成本460.66元。

表5 各情景計算結果對比

情景3通過實施IBDR，在特定時段向用戶發起增減負荷信號，將光伏發電低谷時段的部分用電負荷向高發時段轉移，進一步促進光伏消納率提升了5.1%，二氧化碳排放量減少，向公網購電的成本減少，成本節約收益能夠彌補PBDR導致的負荷削減的收益損失，因此系統凈收益提高；同時，用戶參與IBDR獲得補償，用戶滿意度也進一步提高了407.75元。

情景4將參與IBDR的用戶視為儲能設備，其在光伏高發時段所充蓄的電能在第2個充電高峰時段進行釋放，抵沖公網購電，有效節約了發電成本，從而進一步提高了系統凈收益，同時降低了二氧化碳的排放量(公網二氧化碳排放水平>微網內光伏排放水平)；參與儲能的用戶除獲得IBDR補償外，通過峰谷電價獲得額外的價差收益，用戶滿意度較情景3增加了178.64元。此情景下無負荷轉移，因而光伏消納情況同情景3一致。

情景5最大化放電不確定性的消極影響，使EV作為儲能的作用降到最低，因此結果與情景3基本一致。

總體來看，情景1—4優化效果呈現向好遞進的趨勢；情景5在情景4的基礎上，提升了系統的魯棒性，體現了系統決策者對風險波動的不同容忍度。

5 結 論

本文以含靈活性負荷資源的樓宇微網為研究對象，考慮EV需求響應，并從用能主體和發電主體2個角色出發，分別采用馬爾科夫鏈和IGDT模型處理EV充放電不確定性，進而構建樓宇微網低碳經濟調度優化模型。算例分析表明：

1)馬爾科夫鏈可有效預測EV的數量轉移狀態，處理結果符合現實變化情況。

2)電價型需求響應和激勵型需求響應通過電價傳導信息和合約補償方式，激勵用戶調整用電計劃，平緩負荷曲線，同時盡可能響應光伏等清潔能源發電，是減少清潔能源棄能的重要手段。

3)在聚合情景下，EV利用其充放電靈活的特性，通過存儲富余的清潔能源低成本發電，在用電高峰時段放電，實現低碳經濟調度。

4)在非聚合情景下，信息間隙決策理論能夠在不借助概率分布的情況下，得到系統的收益魯棒值，EV放電出力在最大范圍內隨意波動，都能使得系統凈收益不低于最低預期值；該方法有效刻畫了不確定參數變化范圍與預期目標之間的關系，為系統決策者優化調度提供了決策參考。