面向高比例新能源并網場景的風光-電動車協同調度方法

風電和光伏出力具有隨機性、波動性和不可控性等固有屬性，高比例新能源并網給電力系統的安全穩定運行帶來嚴峻考驗.同時，隨著電動汽車的大規模趨勢性發展，電動汽車充電負荷需求增加，其無序充電的不確定性同樣增加了電力系統調度的難度.但是，電動汽車充電負荷是具有可調度性的柔性負荷，加以引導變無序充電為有序充電能夠起到平滑等效負荷波動性的目的.因此，通過風光-電動汽車協同調度能夠有效降低風光出力和電動汽車無序充電等多重不確定性對電力系統的不利影響.

針對風光-電動汽車協同調度，國內外相關學者進行了相應研究.Song等提出的充放電策略考慮了電動汽車與風力發電在平抑負荷波動方面的互補效應；侯建朝等以等效負荷方差和車主支付費用最小為優化目標，構建風電與電動汽車協同調度模型；冉忠等以電動汽車消納后的風電棄風量最小為目標，建立電動汽車參與受阻風電消納的源荷優化控制模型；葛少云等通過遺傳算法求解以峰谷差率最小為目標的優化模型；郭春林等建立了電動汽車與可再生能源雙層協調優化模型，上層模型以等效負荷波動最小和可再生能源滲透率最大為雙優化目標，下層模型以實現電動汽車充放電負荷跟蹤為目標，并采用遺傳算法求解上下層的優化模型.同時，由于風電和光伏出力具有很強的隨機不確定性，在不同典型出力場景下，風電和光伏出力特性及其之間的互補關系具有明顯差異性，且對電力系統的影響規律不盡相同，在含大規模新能源的電力系統中，風光出力的隨機不確定性對電力系統的不利影響也愈發明顯.利用典型日聚類方式從大量風電/光伏歷史數據中提取典型出力場景集，以典型出力場景反映風光出力特性，并用于不同出力場景下優化調度的差異化建模分析，是目前電力系統調度分析常用的方法.

綜上所述，現階段風光-電動汽車協同調度模型多以等效負荷波動最小為優化目標，僅考慮了等效負荷的整體波動性，無法衡量風光出力與負荷的匹配度，且優化調度模型在不同出力場景下的適用性和魯棒性也并未展開分析.

（2）流程服務層：該層是開放式流程平臺的核心，將所有流程及表單的開發、運行環境統一起來，形成標準化的表單、標準化的流程圖、標準化的事件響應代碼，即實現流程服務的標準化和平臺化。

針對上述問題，提出一種面向高比例新能源并網場景的風光-電動車協同調度方法.首先，通過分析電動汽車行駛規律，構建基于蒙特卡羅模擬的電動汽車無序充電模型；其次，基于風光出力預測數據，構建基于Gap statistic和-means++算法的風光出力典型日劃分模型；再次，以等效負荷方差和負荷追蹤系數最小為雙優化目標，構建風光-電動汽車協同調度模型，并采用NSGA-II算法進行模型求解；最后，基于中國西北某省風光電站預測出力和電網預測負荷數據，驗證所提方法的適用性和魯棒性.

1 基于蒙特卡羅模擬的電動汽車無序充電模型

1.1 電動汽車行駛規律

電動汽車行駛規律主要包括車輛出發前往工作地點時間、返回住所時間、路程耗時和日行駛里程.2017年美國交通部對全美家庭出行調查結果反映了車輛一天中的行駛規律分布，考慮到中國與美國在工作時間上較為接近，均集中于9:00—17:00，可以假定兩國電動汽車具有相同的行駛規律.因此，基于上述調查結果對電動汽車充電曲線進行建模分析，得到電動汽車出發前往工作地點時刻符合混合高斯分布，概率密度表達式為

突然，他把手按到我的腹部。他的手指那么修長，以至于掌跟觸著我一邊的胸腔，指尖還能著另一邊。我的心跳得如此厲害，以至于胸口都有些疼了，我盯著他，眼睛睜得大大的。

(1)

式中：為時刻；=0830 3，為出發前往工作地點時刻，屬于第一個高斯模型概率；=7194 4 和=13147 7 分別為第一個和第二個高斯模型均值；=1508 0 和=8719 2分別為第一個和第二個高斯模型方差.

工作日電動汽車離開工作地點返回住宅區時刻符合高斯分布，概率密度表達式為

()=

(2)

式中：=17.197 2，為離開工作地點時刻均值；=2.619 7，為離開工作地點時刻方差.

每日出發前往工作地點與從工作地返回住宅耗時均符合對數正態分布，概率密度表達式為

(3)

式中：=-1.052 6，為行程耗時期望均值；=0.749 1，為行程耗時方差.

每日行駛里程符合對數正態分布，概率密度表達式為

(4)

(3) 基于Gap statistic算法確定最佳聚類數.基于白天、夜間出力特征值矩陣，用Gap statistic 算法分別確定最佳聚類數.

1.2 假設條件

單臺電動汽車充電需求主要受電動汽車種類、行駛規律和充電功率等3個方面影響.參考目前電動汽車發展情況，對家用電動汽車作出如下假設：

(1) 百千米耗電為16.7 kW·h.

(2) 電動汽車一天僅需充電一次，電池容量為70 kW·h.

(3) 在工作區，如果時間允許，電動汽車采用慢充方式充電，否則采用快充方式充電；在住宅區，電動汽車采用慢充方式充電；電動汽車充電過程為恒功率，快充、慢充充電功率分別為8 kW和60 kW.

山西體育中心體育館工程是山西省重點工程，位于太原市晉源區，是一個能滿足籃球、排球、乒乓球、羽毛球、體操、摔跤等國際單項比賽的大型場館，建筑面積37 220 m2，總投資3.1億元，可容納觀眾8 102人。該工程是一項多功能、多設備、多專業、組織協調要求高、技術難度大的復雜工程，在兩年多的施工中采用了許多新技術、新工藝和新材料，克服了施工過程中的許多難點，獲得了市優良工程、省優良工程、太行杯和汾水杯獎等稱號。

(4) 每次充電均充至滿電量.

(5) 電動汽車每日出行時刻、出行耗時、日行駛里程均為獨立分布.

1.3 基于蒙特卡羅方法的電動汽車無序充電模擬

假設待研究區域的電動汽車總數為40萬輛，在無任何經濟措施誘導和限制時，工作日有40%的電動汽車選擇白天在辦公區域進行充電，60%的車輛選擇夜晚回家充電，用戶均選擇到達目的地后立刻充電，且每輛電動汽車在工作日的通勤規律一致.基于上述電動汽車行駛規律概率分布和假設條件，采用蒙特卡羅模擬法進行電動汽車無序充電模擬，單個用戶具體模擬過程如下：① 抽取出發前往工作地點時刻1；② 抽取前往工作地點耗時，計算到達工作地點時刻2；③ 抽取從工作地點返家時刻3；④ 抽取從工作地點返家耗時，計算到家時刻4；⑤ 抽取總行駛里程，計算所需充電電量；⑥ 抽取電動汽車充電地點，判斷電動汽車充電方式，生成充電功率曲線.

2 基于Gap statistic和K-means++算法的風光出力典型日劃分模型

風電和光伏出力受風能、太陽輻射強度等多種因素影響，不同典型日出力場景下風光出力特性及其對電力系統的影響規律不盡相同；為分析不同典型日下，所提模型和優化調度方法的適用性和魯棒性，基于風光出力預測數據，提出基于Gap statistic 和-means++算法的風光出力典型日劃分方法，并用于不同典型出力場景下風光-電動汽車協同調度的差異化建模分析.

2.1 Gap statistic算法

(1) 對已知觀測數據集進行聚類，計算：

式中：()為常規機組在時刻出力.

(5)

式中：為第簇數據中組內點間的歐氏距離之和；為屬于第簇的數據的個數；和為數據觀測點；為第簇數據集合；=1, 2, …,

(6)

土壤侵蝕是在各種外營力的作用下，土壤物質被剝離、遷移、沉積的過程，是地球表面最普遍的自然地理過程，在一定程度上可以表征自然及人類活動綜合作用的強度.侵蝕土壤不僅是河流及河口海岸輸沙的主要來源，同時，被侵蝕土壤是各種養分及污染物質的載體，隨雨水沖刷進入水中，對水環境的光學特性等物理性質及其化學與生物特性產生影響.入海河流及河口海岸帶作為全球水環境的重要一環，其理化特性的改變，又對陸地氣候等自然環境產生反饋反應.

(7)

式中：和為中間變量.

2.2 對風險的控制。對風險的控制是指風險管理人員在識別和衡量風險后，需要判別風險類型、風險值大小、風險潛在原因等，并以此制定合理的綜合性防治措施，實現對風險的有效控制。風險控制中應用的主要手段包括指導書的編制、作業前的風險識別和落實重點措施等。

2.2 K-means++算法

-means++聚類算法是基于-means的改進算法，能夠有效克服-means算法對孤立點較敏感，聚類結果易受初始聚類中心的影響等問題.-means++算法基本思想為假設已選取個初始聚類中心(1<<)，則在選取第+1個聚類中心時，距離當前個聚類中心越遠的點會有更高的概率被選為第+1個聚類中心；隨機選取第一個聚類中心(=1)-means++算法的具體步驟如下：

取清潔(CL)級ICR小鼠48只,隨機分為6組,每組8只,試驗前2 h禁止進食和飲水。分組包括4個精油組、空白對照組和地西泮組; 精油組用1%的吐溫80溶液將苦水玫瑰精油或大馬士革玫瑰精油分別稀釋至0.01、0.1、1和10 mg/mL的濃度。

(1) 給定含有個樣本的數據集=(,, …,)，從數據集中隨機選取一個樣本作為初始聚類中心.

新能源出力約束：

(8)

(3) 計算每個樣本被選為下一個聚類中心的概率：

(9)

(8) 重復(6)～(7)直至聚類中心不再發生變化，從而得到最佳聚類結果.

(5) 重復(2)～(4)直至選取個聚類中心.

(6) 計算每個其他樣本數據對象與各類聚類中心的距離，將其賦給最近的類.

(7) 計算每類數據對象的平均值，將其作為每一類新的聚類中心.

(4) 在[0, 1]區間生成一個隨機數，用依次減去，，…，，取差值首次小于或等于0時對應的對象為下一個聚類中心.

2.3 風光出力典型日劃分流程

基于Gap statistic和-means++算法的風光出力典型日劃分的具體步驟如下：

(1) 數據采集及歸一化處理.基于風電場和光伏電站預測出力數據獲取新能源預測出力數據，采用最大最小歸一化方法將其映射至[0, 1]區間，并將其處理為×96維新能源標準出力矩陣(為采樣天數).

自1865年以來，ZENITH始終本著真實、勇敢和激情的宗旨，推動卓越、精準和創新。高瞻遠矚的制表師Georges Favre-Jacot在瑞士力洛克創立ZENITH之后不久，就獲得了精密時計認證，并在短短一個半世紀的時間內榮獲2333個精密時計獎項，創造了無與倫比的紀錄。今天，ZENITH在測時方面又出新猷，其中包括測時精確到1/100秒Defy El Primero 21機心；并賦予世界上最精確的腕表21世紀的Defy Lab以全新機械精度。通過加強引以為豪的傳統活力和前衛思想之間的紐帶，ZENITH正在書寫其未來……以及整個瑞士制表業的未來。

(2) 新能源出力特征值提取.考慮到光伏僅在白天存在出力，且新能源出力對夜間負荷影響較大，將每天6:00—18:00劃分為白天，其余時間段劃分為夜間，選取白天和夜間新能源出力均值和出力標準差作為特征值，得到兩組×2維特征值矩陣.

式中：=2.831 4，為日行駛里程期望均值；=1.057 5，為日行駛里程方差.

(4) 基于-means++算法進行聚類分析.根據最佳聚類數，以白天、夜間出力特征值矩陣為輸入，采用-means++聚類算法分別對白天、夜間新能源出力進行聚類分析.

(5) 白天和夜間聚類結果融合.采用時間對標法對白天和夜間聚類結果進行融合，獲取不同出力場景下新能源出力.

(6) 不同出力場景典型日確定.由于融合后無法確定聚類中心位置，所以本文通過計算不同類別內各樣本與其余樣本的歐氏距離，以歐氏距離之和最小的樣本序列為該類別的聚類中心，即該出力場景下的典型日.

3 風光-電動汽車協同調度模型

3.1 優化目標

等效負荷方差通過計算等效負荷在調度周期內的離散程度來衡量等效負荷整體波動性，負荷追蹤系數通過比較新能源出力與負荷的時序波動特性來衡量新能源出力與負荷的匹配程度.考慮等效負荷整體波動和風光出力與負荷的匹配度，構建以等效負荷方差和負荷追蹤系數最小為雙優化目標的風光-電動汽車協同調度模型.

(1) 等效負荷方差().等效負荷方差主要衡量等效負荷整體波動性：

(10)

(2) 負荷追蹤系數.等效負荷方差僅能衡量等效負荷整體波動性，無法衡量風光出力與負荷的匹配度.為了使風光互補發電系統能夠更好地跟隨負荷變化，保障系統安全穩定運行，從源荷匹配度角度出發，采用能夠衡量風光出力與負荷匹配關系的負荷追蹤系數()為優化目標：

周邊居民沒人明白何故又修這條路，阿東更是不介意。阿東每天騎車直接從東亭拐入東湖路。他不需要迎賓大道，修不修這條路跟他的生活毫無關系。阿東眼下的滿門心思是要不要去追資料員小丁。他覺得自己是有點喜歡她的了。他甚至暗中了解到她是師專畢業。阿東想，自己怎么也是碩士，就算家里窮，配一個大專生也應該是有資格的。

(11)

式中：′()和′()分別為最大最小歸一化處理后時刻的新能源出力和負荷；Δ′()和Δ′()分別時刻為新能源出力和負荷的波動量標幺值；()為時刻新能源出力與負荷變化量變化的一致性.負荷追蹤系數越接近于0，表明新能源出力與負荷在調度周期內的變化特性越一致，新能源聯合出力與負荷匹配性越好.

（2）年際變化上，全疆、北疆、南疆線性傾向率均為正值，表明年降水量總體呈增加趨勢；5a滑動平均過程線表示，年降水量總體呈顯著增加趨勢，局部（1970年代前后）呈不顯著波動趨勢。

3.2 約束條件

系統運行需滿足如下約束.

系統功率平衡約束：

()+()=()

(12)

由圖1可以看出，硫酸亞鐵、硫酸銅和鹽酸甜菜堿對金色鏈霉菌搖瓶發酵效價有促進作用，而氯化鈷對其有抑制作用。硫酸亞鐵在濃度0.002%時促進作用最明顯，較對照提高15.9%；硫酸銅在濃度0.005%時促進作用最明顯，較對照提高6.9%；鹽酸甜菜堿在濃度0.03%時促進作用最明顯，較對照提高9.6%；而氯化鈷在濃度0.004%時抑制作用最為明顯，較對照降低28.3%。因此可在基礎發酵培養基中加入一定濃度梯度的硫酸亞鐵、硫酸銅和鹽酸甜菜堿以提高發酵效價。

(2) 計算每個樣本與當前聚類中心之間的最短距離：

-means++算法需要事先確定聚類數目，對此采用Gap statistic算法分別確定白天、夜間新能源出力最佳聚類數，聚類范圍選定為1～10類.白天、夜間不同聚類數下Gap值如圖1所示.根據Gap statistic原理，當聚類數分別為5和4時，白天和夜間的Gap值第一次滿足條件，因此確定白天和夜間最佳聚類數分別為5類和4類.

猛一下子由無所事事的公務員轉變為忙忙碌碌的打工者，工作節奏的驟然加快，令高潮很長時間都難以適應。在經過幾次老板炒他魷魚和他炒老板魷魚之后，高潮終于決定不打他娘的工了，自己做老板。對于創業的規劃，高潮從打工那天開始，就一直在心里暗暗盤算。因為高潮發表過一些詩歌，認為自己是個不折不扣的文化人了，因此，他都是選擇到一些雜志、網站做編輯，對這些身份不太明確的媒體的運作程序漸漸有所了解。甫一辭職，高潮就花了伍佰圓錢，請人做了一個名為“焦點調查”的網站，開始了他的創業之旅。

(13)

≥′

(14)

電動汽車電量約束：

≤()≤

(15)

(+1)=()+()Δ

(16)

式中：()為時刻電動汽車電量；和分別為電動汽車電池儲存容量的上下限；()為時刻電動汽車充電功率；Δ為充電時長.

3.3 求解方法

所提風光-電動汽車協同調度模型為多目標優化問題，采用NSGA-II多目標優化算法進行模型求解.NSGA-II算法通過引入快速非支配排序技術，提高了算法的速度，具有結構簡單、收斂速度快、魯棒性能好的優點，算法具體實施步驟見文獻[21].

在多目標優化問題中，一般不存在一組解使得所有目標函數值同時達到各自的最優值，只能求得非支配解集或 Pareto解集.因此，本文采用模糊隸屬度函數分別表示每個Pareto解中各目標函數對應的滿意度，通過滿意度比較找出最優折衷解.

4 算例分析

基于中國西北某省2019年風光電站預測出力和電網預測負荷數據進行算例分析，數據時間長度為1年，時間分辨率為15 min.風電、光伏以及電網負荷比約為11∶9∶13，風電場并網裝機容量為 11 160 MW，光伏電站并網裝機容量為 9 180 MW，電網最大負荷為 12 900 MW，風光裝機容量達全省總裝機容量的40%，屬于高比例新能源電網；假定該省共有40萬輛電動汽車可供調度.

4.1 典型日劃分

受后期構造影響，部分礦體形態會變得復雜，如出現分支復合和犬牙交錯現象。褶皺過程中，巖層(或礦層)在翼部的物質向著核部塑性流動，尤其為緊密褶皺時，在向斜核部有礦層加厚現象。在后期的混合巖化作用下，磁鐵石英巖中的部分磁鐵礦顆粒變粗。

采用-means++算法對新能源出力特征值進行聚類分析，聚類結果如圖2所示.新能源白天出力可劃分為5類波動情況，夜間出力可劃分為4類波動情況.從均值看，白天對應的低出力小波動、低出力波動、中出力波動、高出力波動、高出力大波動分別分布在(0.05，0.22)、(0.21，0.33)、(0.32，0.43)、(0.44，0.58)、(0.56，0.75)區間；夜間對應的低出力小波動、低出力波動、中出力波動、高出力波動分別分布在(0，0.13)、(0.11，0.24)、(0.19，0.32)、(0.30，0.48)區間.從方差看，白天對應的低出力小波動、低出力波動、中出力波動、高出力波動、高出力大波動的方差逐漸增大，表明新能源出力波動越大；夜間對應的低出力小波動、低出力波動、中出力波動方差逐漸增大，高出力波動時新能源出力波動性有所降低，表明夜間風電高出力時全省風電平滑效應較好.

采用時間對標法對白天和夜間聚類結果進行融合，獲取不同典型日對應的新能源出力，如圖3所示.圖中，時間分辨率為15 min，全年共可劃分為16類典型日，不同典型出力場景下新能源出力具有一定差異性，但同時具有一定相似性，且白天出力較大.將其按照出力大小進行劃分，主要可劃分為全天低出力波動(典型日1～4)，主要包括白天、夜間低出力場景，出現率為43.73%；白天低出力波動(典型日5和6)，主要包括白天低出力、夜間中出力場景，出現率為5.29%；夜間低出力波動(典型日7～10)，主要包括夜間低出力和白天中、高出力場景，出現率為27.30%；中出力波動(典型日11～14)，主要包括白天、夜間中出力場景，出現率為15.04%；全天高出力波動(典型日15和16)，主要包括白天、夜間高出力波動場景，出現率為8.64%；該地區新能源出力主要為全天低出力類型.

4.2 風光-電動汽車協同調度結果

為驗證所提模型的適用性和魯棒性，根據圖3典型日劃分結果，隨機選取5種典型日出力場景，分別構建以等效負荷方差最小為單優化目標、以等效負荷方差和負荷追蹤系數最小為雙優化目標的風光-電動汽車協同調度模型，以等效負荷峰谷差()為指標評價不同優化結果.單目標優化模型采用遺傳算法進行求解，各項參數與NSGA-II 算法具有相同設置.5種典型日出力場景下優化調度結果如表1所示.不同典型日出力場景下，相比單目標優化調度模型，雙目標優化調度模型的等效負荷峰谷差平均降低了19%.表明所提優化模型可以在降低等效負荷整體波動性的基礎上，提升新能源出力與電網負荷匹配度，緩解風光出力和電動汽車無序充電等多重不確定性對電力系統的不利影響，且在不同典型出力場景下均具有良好的適用性和魯棒性.

為分析不同典型日對優化調度結果的影響，選取出力情況差異較大的典型日5和15進行具體分析，如圖4所示，其中為功率.在圖4(a)和4(b)中，從新能源預測出力曲線可知，典型日5在凌晨 2:00—5:00 出力較大；未進行調度時在 5:00 左右等效負荷波動存在低谷期.對比圖4(a)和4(b)新能源實際出力曲線可知，雙目標優化時限電時刻更集中，主要發生于凌晨 3:00 左右；對比電動汽車有序充電曲線可知，二者整體趨勢相似，均集中于凌晨進行充電.

圖4(c)和4(d)中，從新能源預測出力曲線可知，典型日15新能源出力主要集中在白天10:00—14:00；未進行優化調度時，受新能源出力影響，等效負荷在午間存在低谷期且該時段內波動較大.對比圖4(c)和4(d)可知，雙目標優化限電主要集中于等效負荷低谷期；電動汽車充電時段盡可能集中于新能源出力最大時期，在全天其余時段，則盡可能平滑充電以降低對電網負荷的影響.

對比不同典型日雙目標優化結果可知，新能源出力限電行為均主要發生在新能源出力較大和等效負荷波動較大的時刻；優化后電動汽車充電曲線根據典型日出力特性不同，隨新能源出力變化而變化以降低新能源出力對電網負荷的影響.

為進一步分析出力場景對優化調度結果的影響，分別從典型日5和15中任選一天進行風光-電動汽車協同調度，與典型日優化調度結果進行對比分析，優化結果如圖5所示.

圖5中，不同出力場景下，優化后新能源限電行為均集中于出力較大時刻.對比圖4(b)與圖5(a)可知，調度后電動汽車主要集中于夜間充電以降低新能源出力對電網負荷的不利影響；對比圖4(d)與圖5(b)可知，雖然新能源高出力時段存在差別，但電動汽車充電均集中于中午12: 00.受新能源出力特性影響，在同一出力場景下，電動汽車充電效果具有很強的相似性；在不同出力場景下電動汽車充電效果具有明顯的差異性.

綜上所述，在不同出力場景下，電動汽車充電效果主要與此類典型日固有特征相關；所提優化調度模型在不同典型出力場景下均具有良好的適用性與魯棒性.

5 結論

提出一種面向高比例新能源并網場景的風光-電動車協同調度方法，所得結論如下：

(1) 基于Gap statistic和-means++算法的風光出力典型日劃分模型能夠實現白天和夜間新能源出力典型日的有效劃分，新能源白天出力可劃分為低出力小波動、低出力波動、中出力波動、高出力波動、高出力大波動共5類波動情況；夜間出力可劃分為低出力小波動、低出力波動、中出力波動、高出力波動共4類波動情況，融合后共劃分為16類典型出力場景.

通過農業推廣渠道，建立“機構+企業+基地+農戶”的聯結機制，以科技創新消除產業融合的經濟技術障礙。加大農村科研平臺建設力度，全面完善科技創新體系，重點打造農村一、二、三產業可持續發展平臺。鼓勵企業加大研發力度，加快研發符合市場需求的養殖、種植新工藝、新品種、新技術。

(2) 以等效負荷方差和負荷追蹤系數最小為雙優化目標的源荷協同調度模型能夠有效降低等效負荷波動性，提高新能源出力與電網負荷匹配度，從而減輕高比例可再生能源場景下風光出力和電動汽車無序充電不確定性對電力系統的不利影響.