基于光熱電站與電動汽車的綜合能源系統風電消納策略

孟 明，臘志源，王喜平，包志永

（1.華北電力大學電氣與電子工程學院，河北 保定 071003；2.華北電力大學經濟管理系，河北 保定 071003）

為應對化石燃料枯竭與環境污染問題，國家大力推動能源革命，提倡建設以可再生能源為主導的能源供應體系，并打造以電動汽車（electric vehicle，EV）為載體的能源互聯網[1]。能源利用理念的變革，促使光熱電站（concentrating solar power，CSP）與EV在技術層面取得重大突破[2-3]，從而推進了區域綜合能源系統（regional integrated energy system，RIES）的發展[4-5]。

風電作為綠色RIES的主要供應來源，預計2050年裝機容量可達24億kW。然而受限于熱電聯產（combined heating and power，CHP）機組“以熱定電”運行約束，風電并網空間擁擠的特點十分顯著，綠色電能被迫浪費增加了化石能源的消耗，進而降低了系統的環保性[6-8]。

配有儲熱裝置的CSP具有能量時移以及熱電轉換的能力，可以有效緩解CHP機組“以熱定電”約束的局限，進而達到“以可再生能源消納可再生能源”的目的[9]。文獻[10-11]利用CSP熱能存儲的調度能力，平抑了可再生能源發電帶來的波動性。文獻[12]引入電加熱器輔助CSP聯合風電協調運行，提高了系統的環境效益。文獻[13-14]采用CSP替代CHP機組，通過與其他能量轉換設備的配合，降低了系統的運行成本以及棄風率。所述文獻驗證了CSP消納風電的可行性，但仍存在以下問題需要深入探討：一是在調度運行中未考慮CSP的最優配置容量；二是未充分發揮用能側可調度資源削峰填谷的潛力。

除了在源側引入CSP降低棄風量以外，合理調度用能側并網的大規模EV亦可作為提升RIES風電消納能力的有效措施。文獻[15]提出了基于動態分時電價的EV調度策略，通過控制中心與代理商的分層控制，增加了可再生能源的消納量。文獻[16]利用車網互動（vehicle to grid，V2G）策略應對風光高滲透率引起的高網損及電壓波動影響，提高了配電網的可靠性。文獻[17]結合了V2G及需求響應技術，加強了EV與電網間的協作，實現了負荷側可調度資源的削峰填谷。上述文獻均證明了EV具有協助RIES擴大風電并網空間的可觀效益，但并未打破源荷雙側協調優化調度的壁壘，風電消納水平仍存在較大提升空間。

聯合考慮源荷雙側可調度資源之間的互補調節能力，可以進一步降低RIES的棄風量[18-19]。但是，現有文獻中以CSP與EV為源荷協調優化對象的研究較少，且出發點多以降低凈負荷波動率或提升RIES調度靈活性為主[20-21]，并未考慮到EV不同并網方式對CSP容量配置的影響，同時也忽略了由風電及負荷預測誤差造成的風險損失。

綜上，本文在現有研究的基礎上，提出了一種計及條件風險價值（conditional value at risk，CVaR）下基于CSP與EV的RIES風電消納策略。首先，分別研究了CSP和EV對于風電消納的促進作用，通過分析源、荷2種調度方式的互補特性，體現了源荷協調優化策略在減少棄風限電方面的優勢；然后，以運行成本和CSP日投資成本最小為目標建立了日前經濟調度模型，探討了EV不同并網方式對CSP容量配置的影響，并引入CVaR衡量了由不確定因素引起的風險損失；最后，利用求解器CPLEX展開多場景對比分析，驗證了本文所提策略的有效性。

1 基于光熱電站與電動汽車的RIES優化架構

含CSP與EV的RIES源荷協調優化架構如圖1所示。能源供給側包含外部電網、風電、太陽光熱以及天然氣網，其中外部電網可以與RIES進行聯絡交易。天然氣網能夠為CHP機組補給燃料。

圖1 區域綜合能源系統架構Fig.1 Architecture of the regional integrated energy system

能源耦合設備包括光熱機組、電加熱器（electric heater，EH）、電儲能裝置（energy storage，ES）以及熱電聯產機組。其中，熱電聯產機組由燃氣輪機（gas turbine，GT）與余熱鍋爐共同構成，余熱鍋爐能夠利用GT的高溫余熱供應熱負荷；而EH作為CSP的附屬子系統，可通過消納夜間盈余的風電為CSP補充熱能；CSP作為電熱耦合設備，不僅可以利用太陽光熱以及EH提供的熱量達成電熱雙向轉換，還能通過與熱網進行充放熱聯絡來提高RIES調度運行的靈活性。

能源需求側包含電、熱負荷以及EV并網充電負荷。其中，電、熱負荷均由固定負荷、可轉移負荷以及可削減負荷構成，能在需求響應引導下平滑RIES的負荷波動率；EV并網方式可分為無序充電、有序充電以及V2G 3種模式，當EV處于V2G模式時能夠實現電能的雙向流動。

2 光熱電站模型及消納風電原理

2.1 CSP模型

CSP內部包含光場、傳熱介質、儲熱裝置（thermal energy storage，TES）、EH以及發電裝置。CSP利用光場吸收的太陽能輻射熱量加熱傳熱介質，并將熱能傳遞給發電裝置或儲存于TES內。TES既可釋放熱量加熱水蒸氣以推動汽輪機旋轉產生電能，也能根據調度指示與熱網進行充放熱聯絡達到熱能時移效果。CSP的傳熱模型如圖2所示。CSP內部熱能傳遞的數學模型為：

圖2 CSP傳熱模型Fig.2 Heat transfer model of CSP

式中：Hsolar.t為t時段光場吸收熱量；Hcurt.t、HSF.t分別為t時段傳熱介質舍棄與傳遞的熱量；HTC1.t、HTD1.t分別為t時段TES在CSP內部的充、放熱量；PEH.t、HEH.t分別為t時段EH的耗電量及產熱量；Hfd.t、Pcsp.t分別為t時段CSP發電所消耗的熱量及產電量；ηr-d為CSP熱電轉換效率；ηEH為EH轉換效率。

TES通常采用雙罐式儲熱，換熱循環簡便，安全系數較高，可憑借傳熱介質在“冷罐”和“熱罐”之間不斷交換熱量實現能量傳遞。TES數學模型為：

式中：ETS.t為t時段TES容量；HTC2.t、HTD2.t分別為t時段TES與熱網的聯絡熱量；HTC.max、HTD.max分別為TES充、放熱功率上限；σTloss、ηTCr及ηTDr分別為TES自損耗系數與充、放熱效率；ETS.0、ETS.T分別為調度周期起始與結束時TES的容量；ETS.max、ETS.min分別為TES容量上、下限；HTC.t、HTD.t分別為TES在t時段從內部傳熱介質及外部熱網吸收、放出的熱量之和。

由傳熱模型及儲熱模型可知，含TES和EH的CSP擁有熱能時移以及電熱雙向轉換的能力，因此具有配合CHP提升RIES風電消納量的潛質。

2.2 CSP配合CHP機組提升風電消納量的原理

CHP的熱電比可定義為同一調度時段內CHP機組熱出力與電出力的比值[22]：

傳統RIES內熱負荷完全由CHP機組提供，若夜間熱負荷過高，CHP機組為滿足熱負荷需求致使電出力高發，造成風電并網空間相對擁擠。引入CSP配合CHP機組協調運行后：1）當熱負荷較高，電負荷較低時，可利用CSP的熱能時移特性緩解CHP機組的供熱壓力，在減少熱電耦合發電功率的同時，能夠擴大RIES的風電并網空間，盈余的風電功率還可通過EH的電熱轉換得以消納，從而進一步降低系統的棄風量；2）當熱負荷較低，電負荷較高時，一方面可利用TES從熱網吸收熱量以加大CHP機組的電出力，另一方面還可通過CSP的熱電轉換能力協助CHP機組維持電力平衡，進而提高了RIES調度運行的靈活性。

因此，將CSP與CHP機組所構成的整體作為廣義熱電聯產機組供應電、熱負荷，通過控制TES的充放熱量以及CSP、EH的出力，可以打破“以熱定電”運行限制。由此推導出廣義CHP機組的熱電比為：

式中：γ1為廣義CHP機組的熱電比；PCHP1.t、HCHP1.t分別為引入CSP后t時段傳統CHP機組的電、熱出力；Hload.t為t時段的熱負荷量。

廣義CHP機組與傳統CHP機組的調峰可行域對比如圖3所示。其中，ABCDEF所圍部分為廣義CHP的可行域范圍，線段GH為傳統CHP機組的可行域范圍。由圖3可知，廣義CHP機組的調峰可行域范圍明顯較大，并且不再受限于固定熱電比約束的影響。其中，熱出力增量取決于TES與熱網的聯絡熱量，電出力增量取決于CSP的發電量及EH的耗電量。

圖3 熱電聯產機組可行域范圍對比Fig.3 Comparison of feasible areas of CHP units

3 電動汽車并網模型與消納風電原理

3.1 電動汽車無序充電模型

根據美國交通部公布的車輛出行統計數據，電動汽車日行駛里程數的概率密度近似滿足對數正態分布，且返回時刻近似滿足正態分布[23]。對于無序充電而言，EV用戶返回時刻就是充電起始時刻，并將以恒定功率持續充電至滿荷電狀態。日行駛里程數及返回時刻的概率密度函數為：

式中：s為EV日行駛里程；ts為返回時刻；σs、σt、μs以及μt皆為系數。

EV充電時長及總充電功率可分別表示為：

式中：q100為100 km耗電量；Tc.n為第n輛EV充電時長；ηch為充電效率；Pch.n.t、Pch.t分別為t時段第n輛EV及所有EV的充電功率；N為EV總量。

基于上述模型，采用蒙特卡洛法對600輛EV抽樣模擬，得到EV無序充電負荷數據如圖4所示。

圖4 電負荷與風電出力Fig.4 Power load and wind power output

由圖4可知，EV用戶返回時刻多位于電負荷的高峰期，此時并網充電既加大了RIES的調峰壓力，又未達到源荷協調消納風電的目的。因此，必須采取適宜策略引導EV用戶有效配合風電并網。

3.2 V2G并網模型及EVA分層調控機制

相比于無序充電，有序充電及V2G并網狀態下的EV可視為大規模的柔性負荷資源。在滿足用戶出行需求的前提下，EV可以根據系統的調度指示決定充電時刻以及充電功率，通過將負荷高峰期的EV充電功率轉移至夜間風電高發時段，能夠有效降低系統的棄風量。此外，當EV處于V2G狀態時，RIES還能控制EV協助耦合設備維持功率平衡，進而提高了系統調度運行的靈活性。

電動汽車用戶的V2G模型為：

式中：SEV.n.t、SEV.n.max以及SEV.n.min分別為t時段第n輛EV的容量及其上、下限；SEV.n.T為調度周期結束時第n輛EV的容量；Pch.n.t、Pdch.n.t分別為t時段第n輛EV的充、放電功率；Pch.n.min、Pch.n.max及Pdch.n.min、Pdch.n.max分別為第n輛EV的充、放電功率最值；ηdch為放電效率；ts.n為第n輛EV返回時刻；T為調度周期；Pdch.t為t時段EV總放電功率。

鑒于有序充電是在V2G模型的基礎上僅進行充電而不放電，即令每輛EV的放電功率恒等于零，故在此不再展開敘述。

為防止由于EV并網數量的逐漸增長而加大了RIES的調度壓力，引入電動汽車聚合商（electric vehicle aggregator，EVA）實現調度中心與EV用戶之間信息流及資金流的分層控制。基于EVA的分層調控機制原理如圖5所示。

圖5 基于EVA的分層調控機制原理Fig.5 Hierarchical regulation mechanism based on EVA

4 源荷協調消納風電機理

經上述分析可知，在源側引入CSP以及在荷側合理調度EV均可提升系統的風電消納水平，但這二者也存在一定局限。

1）若系統僅在源側引入CSP時，考慮到CSP的建造成本較高，如果單純依靠CSP打破CHP機組“以熱定電”約束來擴大風電的并網空間，并不能使系統的經濟效益最大化。

2）若系統僅在荷側調度EV時，考慮到EV的調節范圍受制于用戶出行習慣的影響，且未從根本上實現CHP機組的熱電解耦，故當風電出力很高時，EV的調節效果并不理想。

本文考慮通過2種調度策略的協同配合，在達到源荷協調消納風電目標的同時，最大化系統的經濟效益。基于CSP與EV的源荷協調消納風電機理如圖6所示。由圖6可知，當夜間風電出力較高時，因為CHP機組“以熱定電”約束壓縮了風電的并網空間，造成系統的棄風量較多。CSP的引入不僅能夠緩解CHP的電熱耦合，還能利用EH將部分風電轉化為熱功率并存儲于TES內。同時，有序充電狀態下的EV，在接收到EVA的控制指令后，也可以通過提高電負荷低谷的用電需求來協助CSP擴大風電的并網空間；而V2G狀態下的EV，由于放電深度的增加，進一步提高了負荷低谷的用電量，因此RIES的棄風量將在源荷協調策略下維持在較低水平。

圖6 源荷協調應對風電消納分析Fig.6 Analysis of coordinated source-load response to wind power consumption

以上分析為風電位于某一高峰時段內源荷雙側協調調度的優勢。當風電位于低谷時，其協調配合機理如圖7所示。由圖7可知，當風電位于低谷時，CSP可以利用光熱功率降低CHP機組的電出力，但由于EV無序充電負荷較大，致使CSP的投資成本較高，系統的經濟性欠佳。在EV有序充電模式下，通過轉出用電高峰期部分EV的充電功率，可以適當減少CSP的投資成本；而當EV處于V2G模式時，EV電能的高效反饋能夠協助RIES進一步降低CSP各設備的配置容量，從而促使系統的經濟效益最優。

圖7 源荷協調應對風電不足分析Fig.7 Analysis of coordinated source-load response to wind power shortage

綜上所述，合理利用荷側的EV調度資源配合源側CSP協調運行，能夠在有效降低系統棄風量的同時，提升RIES的調度靈活性以及運行經濟性。

5 區域綜合能源系統源荷協調優化模型

5.1 RIES確定性調度模型

RIES總調度成本Ftotal由運行成本FOP和CSP日投資成本Finv組成，各成本為：

式中：FGE為購能成本；pGS.t為t時段購氣價格；FGT.t為t時段GT耗氣量；Pbuy.t、Psell.t分別為t時段RIES與外網的聯絡電量；pbuy.t、psell.t分別為外網的聯絡電價。

式中：FOM為運維成本；Pi.t為t時段第i個設備出力值；ki為第i個設備單位運維成本。

式中：FEN為環境成本；PGT.t為t時段GT產電量；ρGT為GT單位發電量所產生的CO2量；ρbuy為RIES從外網購買單位電量所產生的CO2量；σg為單位CO2的治理成本。

式中：FWS為棄風懲罰成本；σQ為單位棄風量的懲罰成本；Pws.t為t時段棄風量。

式中：FDR為需求響應成本；δEV、δDLC、δTL、δDHC以及δTH分別為EV放電補償系數、用戶削減和轉移電、熱負荷的補償系數；PDLC.t、PTLD.t、HDHC.t以及HTHD.t分別為用戶削減和轉出的電、熱負荷功率。

式中：r為貼現率；Y為使用年限；Cpinv、Chinv和Pcsp.inv、ETS.inv分別為CSP發電裝置、儲熱裝置的單位投資成本以及配置容量。

5.2 計及CVaR的RIES不確定性調度模型

由于CSP能夠利用TES的儲熱量平抑光照輻射指數預測誤差的影響，同時考慮到EV的日行駛里程、返回時刻等數據本身就來自于蒙特卡洛抽樣，故本文不確定因素僅含風電及電負荷2類[24]。

RIES經濟調度的CVaR表達式為：

式中：ξ為計算CVaR引入的決策變量，其最優值為風險價值；λ為置信水平；K表示場景集；ρk為某一場景的概率；ψ為成本損失函數，其表達式為ψ=(Ftotal.k-FYC)+，Ftotal.k為場景k時RIES的總成本，FYC為預計成本，(x)+=max(x,0)。

將RIES的“期望運行成本”和“平均風險損失成本”通過風險偏好系數聯系起來，即可得到計及CVaR的總體目標函數為：

式中：β為風險偏好系數。

5.3 約束條件

1）電功率平衡約束為：

式中：PGT.t、Pwl.t分別為t時段GT發電量和風電消納量；Pload.t為t時段電負荷功率；PESC.t、PESD.t分別為t時段電儲能的充、放電功率；PTLC.t為t時段經需求響應轉入的電負荷功率。

2）熱功率平衡約束為：

式中：HHB.t為t時段余熱鍋爐產熱功率；HTHC.t為t時段經需求響應轉入的熱負荷功率。

3）聯絡線約束包括售電約束與購電約束：

式中：Pbuy.max、Psell.max分別為RIES購、售電功率上限。

4）CSP的熱電轉換及熱能傳遞約束如2.1節CSP模型所示，除此之外還包括設備出力約束以及容量配置約束等。

式中：Pcsp.max、ETS.max分別為CSP發電裝置及儲熱裝置的配置容量上限；Pcsp.min分別為CSP電出力最小值，Rup.csp、Rdn.csp分別為CSP發電裝置爬坡上、下限。

5）EH約束為：

式中：PEH.max、PEH.min分別為EH出力上、下限。

6）風電出力約束為：

式中：Pw.t為t時段風電出力預測值。

7）電儲能約束為：

式中：SES.t為t時段ES容量；σESloss和ηESC、ηESD分別為ES的自損耗系數及充、放電效率；SES.0、SES.T分別為ES初始容量與調度周期結束時的容量；PESC.max、PESD.max分別為ES充、放電功率最大值；SES.max、SES.min分別為ES容量上、下限。

8）CHP出力約束與爬坡約束為：

式中：ηGT、ηL分別為GT產電效率與散熱損失系數；LHV為天然氣低熱值；HGT.t為t時段GT的產熱量；PGT.max、PGT.min分別為GT出力上、下限；Rup.GT、Rdn.GT分別為GT爬坡上、下限；ηHB為余熱鍋爐效率。

9）本文電熱負荷均由固定負荷、可削減與可轉移負荷構成，約束條件包括可削減、可轉移負荷最值約束以及用戶滿意度約束。考慮到文章篇幅限制，此處不再詳細展開，具體約束可參考文獻[25]。

6 算例分析

為驗證本文源荷協調優化策略對提升系統風電消納水平的有效性，選取西北地區某RIES為研究對象，利用CPLEX對4種不同的確定性場景進行優化求解，各場景設置見表1。其中，RIES內各設備參數見表2，新能源及電、熱負荷功率預測值如圖8所示，分時購能價格如圖9所示。

表1 4種不同的確定性場景Tab.1 Four different deterministic scenarios

表2 RIES各設備參數Tab.2 RIES equipment parameters

圖8 預測功率Fig.8 The predicted power

圖9 能源交易價格Fig.9 The energy transaction prices

針對其中棄風量最小且總成本最優的場景做不確定性調度研究。以風電及電負荷每時刻預測量為均值，0.2為標準差，通過蒙特卡洛以及K-means聚類分析法共獲取100種調度場景，據此分析RIES所面臨的風險損失。

6.1 確定性場景調度結果分析

6.1.1 各場景優化結果對比分析

表1中4種確定性場景的優化結果對比見表3。

表3 各場景優化結果對比Tab.3 The optimization results in each scenario

對比表3中場景2與場景1的優化結果，驗證了CSP對提升系統風電消納能力的有效性。若單純依靠用戶側可轉移、可削減負荷的需求響應能力，并不能有效應對高比例新能源并網帶來的調峰壓力。而在源側引入CSP配合CHP機組協同運行后，一方面CSP作為靈活可控的熱源，可以在降低CHP機組供熱壓力的同時為風電并網騰出空間，使RIES的風電消納量提升了36.5%；另一方面CSP還能利用發電裝置的熱電轉換能力協助CHP機組維持電力平衡，使系統的購能成本降低了37.7%。

對比表3中場景2至場景4的優化結果，佐證了合理調度負荷側的EV對提升系統風電消納能力的促進作用。當EV并網方式由無序充電逐次轉換為有序充電及V2G后，RIES有效發揮了柔性負荷資源的可調節能力，使得系統的購能成本分別降低了10.7%、17.2%，總調度成本下降了16.1%、25.2%，并且風電消納量也分別提升了10.9%、19.1%。

綜合對比場景1至場景4的優化結果，可體現本文所提源荷協調優化策略的優越性如下。

1）棄風消納方面 在源側通過利用CSP打破CHP機組“以熱定電”運行約束，充分釋放了CHP機組的調峰能力；在荷側通過調度V2G并網模式下充電需求更高的EV，有效彌補了電負荷在風電高峰期的匱乏。在二者聯合作用下，場景4的棄風量相對于場景1減少了55.6%。

2）經濟效益方面 雖然場景4的運維成本相比場景1有所增加，但由于CSP及EV能夠協助CHP機組維持功率平衡，使系統的購能成本相比于場景1降低了48.4%。此外，通過合理利用需求側的大規模EV群進行有序充放電，CSP的投資成本相比場景2降低了26.3%。二者聯合可使場景4的總成本優于其他各個場景。

6.1.2 EV并網方式對CSP容量配置的影響分析

場景2至場景4中CSP各設備的容量配置結果見表4，圖10為上述場景中的EV充放電功率曲線對比。

表4 CSP各設備容量配置結果對比 單位：kWTab.4 The CSP configuration results

圖10 EV充放電功率Fig.10 Charge and discharge power of EV

由圖10可知：

1）場景2中RIES只能利用TES在夜間放熱來降低系統的棄風率，調控手段較為單一，致使TES的配置要求達到2 739 kW。另外，無序充電模式的反調峰特性又增加了CSP發電裝置的配置容量，因而在場景2中CSP的投資成本最高。

2）場景3相比于場景2，引入有序充電模式后，CSP的建造成本下降了4.68%。這是因為：在有序充電模式下，EVA接收到RIES的控制指令后，轉移了處于電負荷高峰期的EV充電功率，從而令CSP發電裝置的配置容量降低了4.71%；此外，轉移到夜間的EV充電功率增加了01:00—06:00負荷低谷的用電量，進而使TES的配置容量降低了4.60%。

3）場景4相比于場景3，引入V2G策略后，CSP的建造成本降低了22.7%。總體看，V2G狀態下的EV不僅可以做到充電負荷的有序轉移，還能在電負荷較高時段實現電池能量的高效反饋。由于EV放電深度的增加使01:00—06:00的電能需求進一步升高，CHP的電熱耦合程度得到了有效改善，從而大幅降低了CSP各設備的配置容量。

6.1.3 各場景設備出力對比分析

1）場景1調度結果分析

場景1為傳統模型，調度周期內電負荷主要由CHP機組、風機、ES以及聯絡功率協同供給，熱負荷通過余熱鍋爐吸收GT的高溫余熱來滿足，具體調度結果如圖11所示。由圖11可見：由于固定熱電比約束限制了CHP機組的調峰能力，造成23:00—24:00、01:00—06:00 2個時段CHP機組的耦合發電量較多，此時因聯絡功率達到了傳輸容量上限，富足風電功率被迫棄用；11:00—16:00熱負荷及風電出力位于低谷，考慮到CHP機組不能靈活參與供電調節，剩余電負荷則需通過向外部電網購電予以滿足；17:00—20:00電負荷處于高峰，而EV的無序充電行為進一步加大了系統的調度壓力，導致系統的供能可靠性及運行經濟性較差。

圖11 場景1調度結果Fig.11 Scheduling results in scenario 1

2）場景2調度結果分析

將含TES和EH的CSP引入傳統模型后，CSP可與CHP協同供給電、熱負荷需求，具體調度結果如圖12所示。

圖12 場景2調度結果Fig.12 Scheduling results in scenario 2

由圖12可知：10:00—17:00光照輻射熱量充足，CSP一方面利用其熱電轉換能力配合CHP維持電力平衡，另一方面將盈余的光熱功率存儲于TES內；23:00—24:00、01:00—07:00熱負荷及風電出力均處于峰值，為加大RIES的風電并網空間，CSP不僅能夠使用EH消納部分棄風量，還能利用TES存儲的熱量協助CHP實現熱電解耦，從而使CHP能夠靈活參與供電調節。由此可知：通過合理利用CSP熱能時移的特性以及電熱雙向轉換的能力，可以達到“以可再生能源消納可再生能源”的目的。

3）場景3調度結果分析

場景3在場景2的基礎上引入了EV有序充電并網模式，增加了負荷側的調度靈活性，具體調度結果如圖13所示。由圖13可見：在01:00—06:00、23:00—24:00這2個時段內，EV在RIES的引導下將充電功率轉移至負荷低谷處理，與CSP共同作用進一步降低了系統的棄風率；此外，由于在17:00—20:00的購能價格較高，而峰時負荷的轉移減少了RIES的購能成本，因此系統的調度經濟性也有所提高。

圖13 場景3調度結果Fig.13 Scheduling results in scenario 3

4）場景4調度結果分析

根據本文所提調度模型，優化得出場景4下的各設備電、熱出力如圖14、圖15所示。由圖14、圖15可知，11:00—15:00熱負荷處于低谷而電負荷相對較大。考慮到該時段的購氣價格較高，為減少系統的購氣成本，CSP將利用充裕的光照輻射熱量持續運行在最高電出力水平；此外，EVA也在RIES的調度指令下加大了EV的電能反饋力度，二者聯合使CHP運行在最小出力狀態。

圖14 場景4各設備電出力Fig.14 The electric output of devices in Scenario 4

圖15 場景4各設備熱出力Fig.15 The thermal output of devices in Scenario 4

18:00—20:00電負荷處于高峰，而熱負荷相對較小。鑒于固定熱電比約束限制了傳統CHP的發電量，又加之RIES為滿足EV的出行需求不再調度其進行大規模放電，因此，為提高RIES的供能可靠性，CSP一方面通過TES從熱網吸收熱量以加大CHP的電出力，另一方面利用其發電單元為系統補發缺額的電能。

23:00—24:00、01:00—07:00熱負荷位于峰值，電負荷位于谷值。RIES將大規模EV的充電功率轉移到該時段，并利用CSP協助CHP參與供熱，同時令CSP保持最小電出力來為夜間高發的風電騰出并網空間。盈余的風電量還能通過ES與EH的能量轉換特性存儲于系統內，有效提高了RIES的可再生能源利用率。

CSP儲熱裝置充放熱情況如圖16所示。結合圖16和上述分析可知：23:00—24:00、01:00—07:00 TES在CSP內部的充熱量主要來自于EH的電熱轉換，由于此時TES需要向熱網釋放熱能以配合CHP實現熱電解耦，因此TES儲熱狀態將處于較低水平；10:00—16:00CSP吸收到的光熱功率遠高于熱網所需的放熱功率，TES的儲熱狀態將逐漸上升至最大值；18:00—20:00光熱功率下降，TES不斷從熱網吸收熱量，使儲熱狀態維持在較高水平，進而為夜間提高RIES的風電消納量奠定了基礎。

圖16 儲熱裝置充放熱情況Fig.16 Charging and discharging situation of thermal energy storage device

6.2 不確定性調度結果分析

由上述分析可知，場景4具有良好的經濟效益和環保價值，因此在該場景中引入CVaR以分析由風電及電負荷預測誤差引起的風險損失，具體優化結果如圖17、圖18所示。

圖17不同置信水平下的總成本Fig.17 Total cost at different confidence levels

圖18 各因素下的風險損失成本Fig.18 Risk loss costs with various factors

置信水平代表了調度人員對風險損失的重視程度。由圖17可見，預計成本為7 500元，當置信水平從0.05依次升高至0.95時，總成本從9 345元逐步增長至9 585元。置信水平越高，表示RIES的最大損失超出平均風險損失的可能性越小。當置信水平為0.9時，計算得到風險損失成本為1 244元，這意味著在未來24 h內，調度人員有90%的把握保證在調度周期內最大損失不會超過1 244元。

預計成本能夠映射調度人員面對風險損失的保守程度。由圖18可知，取置信水平為0.6，當預計成本從7 500元不斷增長至8 300元時，風險損失成本將從1 156元逐步降低為356元。由此表明：引入CVaR后，調度人員能通過犧牲一定的經濟效益來應對不確定性預測誤差造成的風險影響。

7 結 論

為有效應對高比例可再生能源并網帶來的調峰壓力，本文提出一種基于光熱電站與電動汽車源荷協調優化以降低棄風量的調度策略。在此基礎上，構建了計及CVaR的不確定性優化調度模型，并探討了EV不同并網方式對CSP建造成本的影響。算例結果表明：

1）將光熱電站與電動汽車源荷協調優化策略引入RIES后，系統的總調度成本明顯下降，并在兼顧運行可靠性的前提下實現了風電的有效消納，滿足了現代化綠色能源利用理念的需求。

2）采用光熱電站與熱電聯產機組聯合運行能夠有效擴大電熱供應范圍，合理應對多種負荷場景，既提高了RIES的調度靈活性，又達到了促進風電消納、節能減排的目的。

3）處于V2G并網模式下的EV能夠使源荷之間的協調能力最大化，不僅可以有效配合CSP減少RIES的棄風量，還能在優化運行中合理降低CSP的投資建造成本。

4）條件風險價值能夠衡量系統所面臨的潛在風險，置信水平越高、預計成本越低將會導致系統的損失成本越大。調度人員可根據實際情況選取合適的置信水平及預計成本值，從而采取相應的調度策略以降低系統的風險損失。