天氣影響下基于風險評估的電動汽車光伏充電站需求響應

作者簡介：顏勤（1988—），女，博士，講師，主要從事電動汽車及新能源接入電力系統運行優化研究，（E-mail） qin.yan@csust.edu.cn。

摘要：在“碳達峰、碳中和”背景下，新能源發電逐漸占主導地位，電動汽車數量增長顯著，電動汽車光伏充電站將在需求響應方面有重要作用。該文提出一種天氣影響下基于風險評估的電動汽車光伏充電站的需求響應方案，根據構建的“預測—預防—響應”三階段流程圖，結合電網及天氣的地理信息系統（geographic information system， GIS）數據進行多層時空數據整合分析，作出風險地圖；并據此進行天氣對用戶影響的風險評估，對裝備有光伏發電的電動汽車充電站的運行成本進行建模，優化充電站資源在日前儲備市場的參與方案；在用戶參與下分別進行需求側管理（demand side management， DSM）和停電應急管理（outage management， OM），并進行案例研究。該文研究能有效預測天氣對電力用戶影響并將其可視化，并驗證了帶有光伏發電的電動汽車充電站，有助于減輕天氣對電力供應造成負面影響的作用。

關鍵詞：插電式電動汽車；光伏充電站；風險評估；需求響應；停電應急管理

中圖分類號：TM732" " " " " 文獻標志碼：A" " " 文章編號：1000?582X（2023）04?037?09

Abstract： In the context of achieving “carbon peak and carbon neutrality” target in China， renewable energy is gradually taking the dominant role and the number of electric vehicle （EV） is growing significantly. The photovoltaic （PV） EV charging stations will play an important role in demand response of EV. This paper proposes a demand response plan of PV charging stations for EVs under the influence of weather based on risk assessment. According to the “predictive-preventive-corrective” framework， firstly， a risk map is produced by integrating and analyzing the multi-layer spatial-temporal data combing the GIS data of power grid and weather. Next， risk assessment considering the impact of the predicted weather on the customers is performed， the operating cost of PV charging station including the charging/discharging expense is modeled， and the day-ahead reserve market participation strategy of the aggregated resources is optimized. Finally， demand side management and outage management involving PV and charging/discharging of EVs are discussed and case studies are carried out. This paper effectively predicts and visualizes the weather impact on the electricity users， and verifies the roles of PV EV charging stations on mitigating the negative impact of weather on the power supply.

Keywords： plug-in electric vehicle; photovoltaic charging station; risk assessment; demand response; outage management

為緩解與日俱增的環境污染及能源緊缺問題，中國制定了“碳達峰、碳中和”節能減排目標，以構建清潔低碳、安全高效的能源體系，促進能源轉型及綠色發展［1］。可再生能源如光伏因其零邊際成本、零碳排放等優勢，成為能源轉型中大規模替代傳統能源的主體［2］。電動汽車作為汽油車替代品，也是減少碳排放的重要途徑。插電式電動汽車（plug-in electric vehicle， PEV）電池作為移動式儲能，可通過“電網-車輛”（grid-to-vehicle， G2V）作為“負載”進行充電［3］，也可通過“車輛-電網”（vehicle-to-grid， V2G）作為“發電機”或“備用存儲”［4?5］進行放電，甚至擴展到車輛與外界一切的交互（vehicle-to-everything， V2X）。

中國局部地區系統調峰、棄風、棄光、供暖季電熱矛盾等現象日益凸顯，需建立電力輔助服務市場機制來緩解［6］。隨著電力需求側管理（demand side management， DSM）及停電應急管理（outage management， OM）的逐漸成熟，儲能技術的高速發展，以及電力體制改革的深入，國家出臺了相應政策來鼓勵分布式儲能設備主動參與電網需求響應、削峰填谷、旋轉備用、調頻、黑啟動等輔助服務，充分利用需求響應資源［7］。

由全球氣候變化引起的惡劣天氣因素導致的電力供應的可靠性和可用性問題正在影響用戶［8?9］。需求響應提供者可以參與輔助服務市場，并以用戶響應市場調度計劃的能力提供投標。批發市場經營者利用輔助服務來更好地處理可能由天氣引起的供需不平衡［10］甚至停電現象。通過對光伏發電和電動汽車儲能的合理控制，用戶的用電需求可能會更加靈活［11?12］。這種需求靈活性使需求響應提供商有更多的能力來響應電力供需變化。

為了保證在選擇和調用需求響應能力時的高效部署，配電系統運營商可在正常運行或故障情況下使用戶參與DSM和OM方案以確保可靠的能源供應［13?15］。文獻［13］提出的市場架構中，微電網可通過PEV車主和共享私人車位主的交易匹配模型來成功匹配的PEV群進行DSM從而獲益。文獻［14］為了在停電期間公平分配PEV的可用能量，提出了一種多準則PEV優先排序方案。文獻［15］利用BP人工神經網絡預測典型負荷日負荷數據，采用進化策略算法求解，并提出了考慮可中斷負荷管理和分布式電源及PEV并網的綜合規劃方案。

該文研究以集成了光伏（photovoltaic， PV）及PEV電池儲能的電動汽車光伏充電站為單位參與DSM及OM的效益，以減輕天氣影響下的用戶損失風險。根據時間軸提出一個包含風險評估、市場參與及優化調度的三階段架構，分析整合歷史數據、確定風險評估相關指標、改進用戶中斷成本（customer interruption cost， CIC）［16?17］指數計算方式，以對天氣變化引起的潛在停電及需求波動進行風險評估，根據評估結果并以總運行成本最小為目標整合PEV儲能及PV發電能力參與日前應急儲備服務（contingency reserve service， CRS）市場，并根據負荷類型及負荷需求等進行DSM和OM的優化調度。

1 “預測—預防—響應”三階段架構

該文提出的方法按時間軸遵循“預測—預防—響應”的順序，如圖1所示。首先根據特定區域的歷史事件、歷史天氣情況、負荷分布等的數據分析整合以及特定時間段的天氣預測對該區域進行負荷損失風險評估，提供潛在天氣影響的預測評估結果。根據預測結果，管理光伏充電站的負荷集成商利用聚集的用戶資源參與CRS市場，在預測的天氣影響下預防性地儲備一定的應急能力。最后由負荷集成商來優化調度PV及PEV儲能充放電來進行DSM或OM，作為緩解惡劣天氣影響的實時響應措施。

2 風險評估

基于文獻［17］中評估天氣對電力用戶影響的風險評估框架，風險指數R由危害P（T）、易損性P（C|T）和價值損失u（C）3個要素來表示：

如圖2所示，危害為可能導致停電的特定天氣情況（威脅天氣條件T）的概率，主要基于天氣數據預測的準確性；易損性為發生T時造成電網供電不足C的條件概率，根據天氣導致的歷史停電數據判斷；價值損失為綜合考慮供電不足情況對用戶損失的估計，該文研究天氣導致的電力需求變化（需要DSM）和天氣導致的供電中斷事故（需要OM）下的用戶損失估計，考慮了目標區域的配電網及覆蓋用戶的基本信息，如人口、用戶類型、預期用電量等。

2.1 天氣危害評估

危害評估僅由天氣數據決定，其描述了該地區發生特定天氣條件的可能性。該文考慮的天氣數據分為兩類：用于訓練模型的歷史數據及用于實時決策的預測數據。主要考慮的天氣參數有溫度、濕度、降水量、風速、暴風雨、閃電、冰雹等。根據所列參數值，天氣條件被劃分為若干組，然后根據天氣預測數據將危害概率分配給每一組。

2.2 易損性評估

易損性評估利用歷史停電數據及與之對應的歷史天氣數據來估計目標預測天氣情況下發生停電的概率。可使用支持向量機算法（support vector machine， SVM）用于預測，將訓練數據分為天氣條件導致停電和非天氣條件導致停電2種情況。

1）對電力系統資產的直接影響：包括所有惡劣天氣條件直接導致設備故障的情況，如雷電擊中輸電線路或電力設備、風使樹木或樹枝接觸到輸電線路等。在故障后分析時，通常將該類停電標記為天氣導致的停電。

2）對電力系統資產的間接影響：天氣沒有直接導致停電卻間接造成設備故障的情況，如炎熱天氣增加負荷需求導致線路過載、設備長期暴露在特定天氣條件下導致部件老化等。停電可能發生在影響時間之后。在故障后分析中，這類停電被標記為設備故障。

該文重點考慮天氣對電力系統資產的直接影響。因此，在分析停電數據時，只使用標記為天氣導致停電的數據。

2.3 用戶損失評估

電力供應中斷會給用戶帶來大量的成本，如損壞易腐材料/食品、損壞設備、造成生產損失、收入損失、健康影響和額外費用等。氣溫大幅度變化、異常濕度、強降水、大風、能見度差等，會加劇惡劣天氣條件的影響。一旦超出人類的舒適范圍，可導致大量的健康問題，尤其是受傷或生病人群，如極度依賴輸液或呼吸器等需電力操作的醫療設備的患者，即使僅數小時的斷電也可能是致命的，如加熱器、風扇這樣簡單的電器不工作也可導致健康問題。除個人健康問題，由于街燈和安全系統不運行而增加的搶劫率也可引起安全問題。

天氣對不同類別用戶的影響程度各不相同。室內住宅用戶可能不受風雨影響，但雷雨可能會破壞裸露的莊稼或損壞一些行業的室外設備。惡劣天氣造成的交通不便可能讓商家失去生意，影響企業的產品運輸和醫療中心的病人轉移等。評估用戶影響通常會考慮財產損失和業務中斷這些明顯且易于量化的損失，對用戶健康的影響雖很難評估卻不可忽視。因此設計一種指標計算方法來估計天氣因素造成的停電情況下用戶可能的財務和健康損失，并將其量化為即將發生的事件風險值，可作為參考以了解即將發生的事件對用戶可能造成影響的嚴重程度及采取緩解措施來避免損失的必要性。

該文在潛在電力中斷風險評估中使用的總用戶損失模型為：

式中：i為時間指標；F為饋線區域；x為所有用戶；C為負荷損失函數，包含負荷損失成本（expected energy not supplied， EENS）；E為由環境因素引起的額外損失函數；H為用戶健康損失函數；為持續時間；d為事件發生時的季節、周數及星期數等影響因素；為用戶類型、人數、時間安排、電力相關設備使用等用戶特征；w為溫度、濕度、風速、降雨量、風暴類型等天氣因素；為用戶類型，設定（醫療設施）、2（工業）、3（學校）、4（商業設施）、5（住宅家庭）等。對于DSM，為該類型用戶因需求變化引起的未供給電量的百分比；對于OM，為該類型用戶因斷電引起的未供給電量的百分比。

2.4 時空數據整合

圖3展示了風險分析的數據整合步驟。輸入數據包括以下地理信息系統（geographic information system， GIS）數據層：電網數據、天氣數據、歷史停電數據、用戶分布數據、人口統計數據等。

預處理時，對所有真實歷史數據和靜態數據進行分析，利用歷史停電數據來選擇分析時間模塊，并關聯該時間模塊的歷史天氣參數，為預測模型提供訓練數據集。靜態映射（如人口統計、用戶分布和用戶類型）用于計算歷史停電的關聯損失。這些數據是隨時間變化的，這些變化及數據可用性每幾年才出現一次，因此相較于每幾分鐘到幾小時就可能變化一次的天氣數據來說可被認為是靜態數據。實時預測時，由NDFD（national digital forecast database）獲得的天氣預報數據每三小時下載一次，然后與電網數據層及用戶靜態數據層進行疊加。

5 案例研究

該文選取一個有20個饋線［18］和45 000個用戶的真實配電網進行研究，如圖4所示。共模擬15 000輛PEV和140 MW PV發電容量參與輔助服務。從氣象站獲得歷史天氣數據，從NDFD獲得天氣預測數據，利用ArcGIS軟件實現風險評估在時空上的可視化。設置DSM與OM 2個場景進行分析。

5.1 場景1：使用DSM緩解天氣影響

場景1考慮因天氣變化而可能導致的負荷高峰供需不平衡。天氣變化預測發生在次日10：00-17：00，需求變化可能導致不平衡的風險嚴重程度如圖5（a）所示，不同的顏色表示各種風險指數值。結合圖4來看，在一些地區天氣對用戶的影響比較大，特別是饋線區域11和17的風險指數相對較高，因其用電需求可能受到天氣變化影響的重要用戶數量較高且發生概率較大。

比較2種案例下天氣對用戶的影響：案例1無PEV儲能及PV發電參與；案例2有PEV儲能及PV發電參與，PEV儲能及PV發電的市場參與情況如圖6所示。圖中PV和EV的發電量均在停電或峰值負荷預測時段內達到峰值。

該文提出的投標策略利用負荷的靈活性，在用電非高峰時段從電網購買更多的電能，用于PEV電池充電和儲存能量，從而在用電高峰時段需購買的電能更少，必要時可從PEV電池儲能中放電供應電能。因而當預測天氣變化發生時，計劃購買的電能更少，備用能源更多，靈活性更大。PEV儲能與PV發電共同作為備用能源，使PV能源在一定程度上得以儲存，以應對可能出現的停電和負荷高峰，緩解惡劣天氣影響。

當次日確實出現了負荷高峰，就需要根據當時可用資源調用DSM來削峰。根據饋線區域覆蓋的用戶類型的嚴重程度、參與市場的可用PV發電量、需要保留的PEV充電電量，分配參與的PEV儲能向用戶供電。圖7比較了案例1和案例2中所有饋線區域的用戶損失評估結果。結果表明，DSM整合PEV和PV所預留的可用容量，可以幫助降低由于天氣影響導致需求變化所造成的用戶損失評估值達94%。

5.2 場景2：使用OM緩解天氣影響

場景2考慮因天氣變化而可能導致的電力中斷。預測在次日中午12：00左右將發生惡劣天氣，電力中斷可能導致的風險嚴重程度如圖5（b）所示。結合圖4來看，在一些地區，天氣對用戶的影響非常嚴重，與場景1類似，特別是饋線區域11和17的風險指數非常高，因為這些地區有較大比例的人受到影響，或是重要用戶的比例高且發生概率大。

同樣比較2種案例下的天氣對用戶的影響：案例3無PEV儲能及PV發電參與；案例4有PEV儲能及PV發電參與，PEV儲能及PV發電的市場參與情況如圖6所示。場景2的用戶影響更大，在PV發電的容量相對固定的情況下，對PEV儲能的市場參與需求更大，因此在預測的停電時段，傾向于提供更多的PEV儲能容量作為預防備用。

當次日預測停電發生時，按照與場景1類似的流程，需根據當時可用資源調用OM來分配參與的PEV儲能向用戶供電。圖7比較了案例3和案例4中所有饋線區域的用戶損失評估結果。相較于饋線區域7只有住宅用戶，17的PEV參與度要高得多，因為該區域有6家醫院、5個社區、1家企業和3所學校。值得注意的是，除了風險指數大的饋線區域11、17之外，還出現了類似饋線區域2、15的小高峰，是因為該區域雖然發生停電概率較低，但重要用戶較多，一旦發生用戶影響較大，仍需預留一定的備用容量。結果表明，OM整合PEV和PV所預留的可用容量，可以幫助降低由于天氣影響可能導致停電所造成的用戶損失評估值達73%。

6 結" 論

該文構建了天氣影響下基于風險評估的電動汽車光伏充電站的“預測—預防—響應”三階段需求響應方案，總結如下：

1）整合分析多層時空數據層，并通過計算改進的用戶損失模型，創建可視化ArcGIS風險地圖，來預測天氣對用戶電力供應的影響；

2）提出預防策略，使管理光伏充電站的負荷集成商能夠利用聚集的用戶資源，在未來的日前備用市場同時提供其PEV儲能和PV發電能源，同時考慮到自身的總運行成本最小化；

3）根據需求，實施DSM和OM將各饋線區域的分布式PEV儲能和PV發電進行優化調度，同時考慮用戶類型、重要性和風險指標；

4）通過案例分析驗證了PEV儲能和PV發電在緩解天氣對電力供應的負面影響方面的作用及潛能。

參考文獻

［1］" 國家發展改革委， 國家能源局. 關于推進電力源網荷儲一體化和多能互補發展的指導意見［R］.2021.

National Development and Reform Commission， National Energy Administration. Guidance about boosting the integration of source-net-load-storage and development of multi-energy complement［R］. 2021. （in Chinese）

［2］" 卓振宇， 張寧， 謝小榮， 等. 高比例可再生能源電力系統關鍵技術及發展挑戰［J］. 電力系統自動化， 2021， 45（9）： 171-191.

Zhuo Z Y， Zhang N， Xie X R， et al. Key technologies and developing challenges of power system with high proportion of renewable energy［J］. Automation of Electric Power Systems， 2021， 45（9）： 171-191.（in Chinese）

［3］" 邵成成， 李徐亮， 錢濤， 等. 基于交通均衡的電動汽車快速充電負荷模擬［J］. 中國電機工程學報， 2021， 41（4）： 1368-1376， 1543.

Shao C C， Li X L， Qian T， et al. Simulation of EV fast charging load based on traffic equilibrium［J］. Proceedings of the CSEE， 2021， 41（4）： 1368-1376， 1543.（in Chinese）

［4］" Li S Q， Gu C H， Li J W， et al. Boosting grid efficiency and resiliency by releasing V2G potentiality through a novel rolling prediction-decision framework and deep-LSTM algorithm［J］. IEEE Systems Journal， 2021， 15（2）： 2562-2570.

［5］" 余蘇敏， 杜洋， 史一煒， 等. 考慮V2B智慧充電樁群的低碳樓宇優化調度［J］. 電力自動化設備， 2021， 41（9）： 95-101.

Yu S M， Du Y， Shi Y W， et al. Optimal scheduling of low-carbon building considering V2B smart charging pile groups［J］. Electric Power Automation Equipment， 2021， 41（9）： 95-101.（in Chinese）

［6］nbsp; 楊梓俊， 荊江平， 鄧星， 等. 虛擬電廠參與江蘇電網輔助服務市場的探討［J］. 電力需求側管理， 2021， 23（4）： 90-95.

Yang Z J， Jing J P， Deng X， et al. Discussion on virtual power plant participating in ancillary service market of Jiangsu power grid［J］. Power Demand Side Management， 2021， 23（4）： 90-95.（in Chinese）

［7］" 曹敏， 徐杰彥， 巨健， 等. 用戶側儲能設備參與電網輔助服務的技術經濟性分析［J］. 電力需求側管理， 2019， 21（1）： 52-55.

Cao M， Xu J Y， Ju J， et al. Technical and economic analysis of user side energy storage equipment participating in power grid ancillary services［J］. Power Demand Side Management， 2019， 21（1）： 52-55.（in Chinese）

［8］" Trakas D N， Hatziargyriou N D. Resilience constrained day-ahead unit commitment under extreme weather events［J］. IEEE Transactions on Power Systems， 2020， 35（2）： 1242-1253.

［9］" 李雪， 孫霆鍇， 侯愷， 等. 極端天氣下電力系統大范圍隨機設備故障的N-k安全分析及篩選方法［J］. 中國電機工程學報， 2020， 40（16）： 5113-5126.

Li X， Sun T K， Hou K， et al. N-k security assessment and screening for large-scale random equipment faults in bulk power grid under extreme weather［J］. Proceedings of the CSEE， 2020， 40（16）： 5113-5126.（in Chinese）

［10］" 文福拴， 林鴻基， 胡嘉驊. 需求響應的商業機制與市場框架初探［J］. 電力需求側管理， 2019， 21（1）： 4-9.

Wen F S， Lin H J， Hu J H. A preliminary investigation on commercial mechanism and market framework for demand response［J］. Power Demand Side Management， 2019， 21（1）： 4-9.（in Chinese）

［11］" Sun Y Y， Yue H， Zhang J F， et al. Minimization of residential energy cost considering energy storage system and EV with driving usage probabilities［J］. IEEE Transactions on Sustainable Energy， 2019， 10（4）： 1752-1763.

［12］" Kikusato H， Fujimoto Y， Hanada S I， et al. Electric vehicle charging management using auction mechanism for reducing PV curtailment in distribution systems［J］. IEEE Transactions on Sustainable Energy， 2019， 11（3）： 1394-1403.

［13］" 張淼， 陳栩杰， 康家熙， 等. 考慮電動汽車與共享私人車位交易的微電網需求側管理［J］. 智慧電力， 2020， 48（5）： 34-40， 46.

Zhang M， Chen X J， Kang J X， et al. Demand side management of microgrid considering the transaction between electric vehicles and shared private parkings［J］. Smart Power， 2020， 48（5）： 34-40， 46.（in Chinese）

［14］" Hussain A， Kim H M. EV prioritization and power allocation during outages： a lexicographic method-based multiobjective optimization approach［J］. IEEE Transactions on Transportation Electrification， 2021， 7（4）： 2474-2487.

［15］" 姜思坤. 考慮電動汽車并網的主動配電網需求側管理機制綜合規劃研究［D］. 青島： 青島大學， 2020.

Jiang S K. Comprehensive planning of the demand side management mechanism considering the grid connection of electric vehicles［D］. Qingdao： Qingdao University， 2020. （in Chinese）

［16］" 周賢正， 郭創新， 董樹鋒， 等. 考慮配電網重構的城市多能源配電/氣/熱網擴展規劃［J］. 電力系統自動化， 2019， 43（7）： 23-33.

Zhou X Z， Guo C X， Dong S F， et al. Expansion planning of urban multi-energy electricity-gas-heating distribution network incorporating electrical reconfiguration［J］. Automation of Electric Power Systems， 2019， 43（7）： 23-33.（in Chinese）

［17］" Yan Q， Dokic T， Kezunovic M. GIS-based risk assessment for electric power consumers under severe weather conditions［C］//2016 18th Mediterranean Electrotechnical Conference （MELECON）. April 18-20， 2016， Lemesos， Cyprus. IEEE， 2016： 1-6.

［18］" Esri. Storm vulnerability assessment［EB/OL］. （2020-01-01）［2021-11-28］. https：//www.esri.com/en-us/arcgis/products/arcgis-solutions/resources.

（編輯" 詹燕平）