計及電動汽車參與多元需求響應的微電網多時間尺度優化調度模型

2023-09-27 10:34:58劉又榕林順富沈運帷周波李東東許亮峰

電力建設 2023年10期

劉又榕,林順富,沈運帷,周波,李東東,許亮峰

(1. 上海電力大學電氣工程學院,上海市 200090;2. 上海市智能電網需求響應技術重點實驗室,上海市 200063)

0 引言

隨著全球日益嚴峻的能源短缺與環境污染等問題,加快供能側綠色低碳轉型是我國電力事業發展的重要方向[1-3]。微電網作為集合了來自源荷儲側各類資源的微型系統,為綠色能源開發與利用提供了良好的平臺基礎[4-6]。為了提高綠色清潔能源的利用效率,保障微電網系統的穩定可靠運行,發展多元的需求響應技術,以實現系統的高效優化調度成為近年來研究的熱點[7-8]。

電動汽車作為能夠實現雙向調節的需求響應資源,對其充放電行為進行有序優化,有助于緩解微電網的供電壓力,平滑負荷曲線[9-12]。目前電動汽車在調度方面研究人員主要將其與價格型需求響應(price-based demand response,PDR)相結合[13-18]。文獻[13-14]分別針對電動出租車與私家電動汽車提出了基于實時電價的車輛優化調度方法。文獻[15]基于分時電價策略在日前階段實現電動汽車與微電網的分層調度。文獻[16]采用博弈思想對基礎分時電價策略進一步進行優化。文獻[17]采用多個視角考慮定價策略,提出基于分時電價的多目標優化模型。文獻[18]基于用戶的充電行為偏好,對電動汽車進行了分類并參與微電網的經濟調度。然而,價格型需求響應技術難以充分挖掘電動汽車的調度潛力。

激勵型需求響應(incentive-based demand response,IDR)技術相比價格型,能夠通過簽訂協議實現對電動汽車的進一步調用[19-21]。文獻[22]基于電價與碳配額2種激勵手段,引導電動汽車進行有序充放電,實現新能源的完全消納。文獻[23]基于系統的削峰需求設置價格激勵,以此來激勵電動汽車參與削峰填谷。文獻[24]通過設置補償激勵,引導電動汽車進行多區域間的有序充電。以上研究都通過設置不同的激勵政策對電動汽車資源進行調度,但其對用戶參與優化的響應特性要求更高,可能與用戶自身意愿相沖突,故難以實現電動汽車資源的廣泛參與。

目前同時考慮電動汽車參與價格型與激勵型需求響應的研究還很少。文獻[25-26]均僅在日前階段對價格型與激勵型電動汽車資源進行優化,且沒有對二者的調度模型進行明顯的區分。一方面,日前階段源荷的預測曲線與實際場景具有一定的誤差,為提高調度計劃的可執行性,在日內階段,基于更接近實際場景的預測曲線,對日前的調度計劃進行修正具有十分重要的意義。另一方面,由于價格型與激勵型響應資源的響應特性不同,響應時間較長的價格型需求響應資源適合在日前階段進行調度,而響應時間較短的激勵型需求響應資源能夠在日內階段參與系統的優化調度[27]。

針對上述研究中存在的不足,本文提出一種計及電動汽車參與多元需求響應的微電網多時間尺度優化調度模型。以用戶是否簽訂激勵協議對電動汽車資源進行劃分。并基于預測曲線得到微電網一日的供需關系,設定分時電價策略。在日前階段,未簽訂激勵協議的電動汽車資源與價格型需求響應技術相結合?；陔妰r策略,以用戶的綜合滿意度為目標進行優化,并將優化結果傳遞給微網層。微網層基于該調度安排設計各側可調資源的出力計劃,以碳排放與運行成本最小、靈活性滿足度最大為目標進行調度。在日內階段,簽訂激勵協議的電動汽車資源與激勵型需求響應技術相結合,以微電網管理中心為主體,激勵型電動汽車群為從體,構建基于主從博弈的微電網調度模型,并進行滾動優化。最后,以含80輛電動汽車的微電網場景進行仿真驗證,結果表明本文所提模型能夠有效平滑負荷曲線,減小峰谷差,實現風電的全部消納。

1 微電網多時間尺度優化調度框架

本文以含電動汽車的微電網為應用場景,該場景包含微電網能量管理中心、電動汽車聚合商與電動汽車用戶3種主體。其中電動汽車聚合商主要起到輔助電動汽車參與需求響應的作用,因此本文重點描述電動汽車參與微電網優化調度的過程。

電動汽車用戶基于自身意愿選擇是否與電動汽車聚合商簽訂激勵協議。一部分用戶未簽訂協議歸為價格型需求響應資源,利用分時電價策略引導電動汽車制定有序充放電計劃。另一部分用戶完成協議簽訂歸為激勵型需求響應資源,用戶會將電動汽車的調度權授權給電動汽車聚合商,聚合商與管理中心共同決定補貼電價并完成優化調度。由于價格型與激勵型需求響應資源的響應特性不同,本文設定響應速度較慢的價格型需求響應參與日前優化,響應速度較快的激勵型需求響應參與日內優化。具體調度框架如圖1所示。

圖1 微電網多時間尺度優化調度框架Fig.1 Multi-time-scale optimization scheduling framework for microgrid

首先,在日前階段,根據源荷兩側預測曲線的供需關系制定分時電價策略。價格型電動汽車資源基于該電價策略,以用戶滿意度最高為目標確定充放電計劃。其次,基于上述充放電行為,在微網層以微電網經濟低碳成本最小與靈活性滿足度最大為目標進行優化。確定日前階段各類靈活性資源在各時段的調度安排,以提升系統應對不確定性的能力。最后,在日內階段考慮微電網主體與負荷用戶不同的利益訴求,分別以自身運營成本與用能成本最小為目標,構建基于主從博弈的微電網調度模型并進行求解,使得雙方都能獲得均衡解下的最優結果。

2 微電網日前優化調度模型

本文基于第二天的供需平衡關系設計分時電價策略。具體設定方法見附錄A。

2.1 日前電動汽車用戶優化模型

2.1.1 目標函數

考慮電動汽車用戶的經濟收益與出行滿意度,以所有用戶的綜合滿意度為目標進行優化。其中收益滿意度包含用戶的用能花費與電池損耗成本2個部分。

(1)

式中:UEVA為電動汽車用戶的綜合滿意度;γi,in、γi,SOC分別為第i輛電動汽車的收益滿意度權重與出行滿意度權重;Ui,in、Ui,SOC分別為第i輛電動汽車的收益滿意度與出行滿意度。

1)電動汽車用戶的收益滿意度Uin。

(2)

ΔCEV=CEV-CEV,min

(3)

(4)

2)電動汽車用戶的出行滿意度USOC。

(5)

式中:SEV,lea為離開時的電荷狀態;SEV,hope為期望電荷狀態;SEV,road為行駛所需的電荷大小;SEV.min為電動汽車最小電荷狀態。

2.1.2 約束條件

電動汽車的充放電功率與荷電狀態約束方程詳見文獻[15]。另外增加電動汽車的充電時間約束進行考慮。

0≤tEV,ch≤tEV,max

(6)

式中:tEV,ch為電動汽車的充電時長;tEV,max為最大充電時長。

2.2 微電網日前多目標優化模型

本文在日前調度階段分兩步確定價格型需求響應資源的調用計劃。第一步,以電動汽車用戶的綜合滿意度最優為目標,優化價格型電動汽車資源的充放電行為;第二步,通過雙目標優化模型確定其他價格型資源的調度安排,并將柴油機與蓄電池作為靈活性資源,保證系統在調度時段的靈活性可調裕度,以提高其日內應對不確定性的能力。

2.2.1 目標函數

1)經濟低碳目標。

為緩解目前日益嚴重的環境問題,構建經濟低碳優化目標對微電網優化調度具有重要意義。目標函數主要包含運行成本與碳排放成本2個方面,其中前者反映了微電網的經濟性需求,后者是低碳目標的體現。其中,碳排放主要產生于大電網與柴油機所排放的CO2與CO氣體。

minFin=CWT+Cab+CDE+Cbuy+CESS+Cca

(7)

式中:Fin為微電網運行成本;CWT為風機發電成本;Cab為棄風成本;CDE為柴油機出力成本;Cbuy為微電網購電成本;CESS為蓄電池調度成本;Cca為碳排放成本。

各成本具體模型如下所示:

(8)

(9)

(10)

(11)

(12)

(13)

2)靈活性目標。

為提升微電網系統應對日內源荷不確定性的能力,本文以柴油機與儲能為靈活性資源,以靈活性滿足度為靈活性目標,其中sup(t)與sdown(t)為0-1狀態變量,大小取決于t時刻的供需不平衡關系。柴油機與儲能相關靈活性公式詳見附錄B。

(14)

式中:Fflex為靈活性滿足度;Pup(t)、Pdown(t)分別為t時刻向上或向下的靈活性可調裕度;Pe(t)為t時刻需求側與供能側功率的差值。

2.2.2 約束條件

1)功率平衡約束。

(15)

式中:PPDR(t)為t時刻PDR資源的用電量;Pload(t)為t時刻基礎負荷用電功率。

2)聯絡線功率約束。

0≤Pbuy(t)≤Pbuy,max

(16)

式中:Pbuy,max為聯絡線最大傳輸功率。

3)PDR資源調度約束。

(17)

柴油機與蓄電池出力約束方程詳見文獻[28]。

3 微電網日內優化調度模型

為避免激勵型電動汽車追求收益最大化而產生過度放電行為,在日內階段以1 h為間隔,8 h為周期進行滾動優化。以日前調度計劃為參考,基于日內預測曲線對之前的調度安排進行修正。其中激勵型電動汽車群作為特殊的需求響應資源具有一定的議價能力,故可以與微電網主體基于主從博弈模型獲取補貼電價,以提升電動汽車用戶參與需求響應的積極性與經濟收益。

3.1 微電網能量管理中心的效用模型

微電網能量管理中心的效用目標FMG2主要包括運行成本與售電收益2個部分,其中需求響應調度成本主要來自于激勵型需求響應資源的調度成本,具體調度成本如下:

minFMG2=CWT+Cab+CDE+Cbuy+CESS+CIDR,all-Isell

(18)

CIDR,all=CIDR+CEV2

(19)

(20)

(21)

(22)

式中:CIDR,all為激勵型需求響應資源的調度成本;Isell為微電網能量管理中心一日的售電收益;CIDR、CEV2分別為IDR與電動汽車群的調度成本;KIDR為IDR單位調度成本;PIDR(t)為t時刻IDR的調度功率;KEV2(t)為t時刻電動汽車群單位補貼電價;PEV2(t)為t時刻電動汽車群調度功率;KEV(t)、PEV(t)分別為t時刻價格型電動汽車用戶的單位售電價格和充放電量大小。

3.2 電動汽車群的效用模型

通過電動汽車集群能夠將微電網系統內分散的可調度電動汽車單元進行聚合,在日內滾動優化過程中,根據微電網管理中心所發布的補貼政策,電動汽車集群整合自身資源進行響應。集群以自身用能成本最小化為目標,基于微電網能量管理中心設置的補貼價格不同,表現出不同的響應情況。

minFEV2=IEV2-CEV2

(23)

(24)

3.3 約束條件

1)功率平衡約束。

(25)

2)IDR資源調度約束。

(26)

3)電動汽車集群補貼電價約束。

電價補貼策略能夠在分時電價的基礎上進一步激勵電動汽車參與需求響應,進行削峰填谷,同時提升微電網與用戶兩方的經濟效益。根據價格約束[29],電價的設計不改變售電收益,即微電網售電收益Isell為恒定值且滿足式(24)。為保障各時段補貼電價的科學性與合理性,本文規定各時段補貼電價需大于等于0,小于等于微電網的購電電價與負荷側售電電價的差值。

KEV,min≤KEV(t)≤KEV,max

(27)

式中:KEV,min與KEV,max分別為電動汽車群的最小和最大補貼價格。

4)電動汽車群充放電約束。

根據文獻[30]中的研究內容可知,電動汽車群的充放電功率與停駛概率有關,故當日內參與響應的電動汽車數目為M時,其功率約束如下:

(28)

Mmax(t)=MGpark(t)

(29)

(30)

5)電動汽車群電荷狀態約束。

SEV2,minSM≤SEV2(t)≤SEV2,maxSM

(31)

(32)

SEV2,dr(t)=M[1-Gpark(t)]vEVEkm

(33)

3.4 主從博弈模型

本文所提的主從博弈模型,是以微電網能量管理中心為領導者,以電動汽車群為跟隨著,分別以各自的效用函數(式(20)、(25))為目標進行優化做出決策。博弈過程中由領導者先行制定補貼電價策略并傳遞給跟隨者,電動汽車群基于該策略做出充放電計劃,兩者不斷進行優化迭代直至納什均衡。該主從博弈模型為:

(34)

式中:MG與EV2分別為主從博弈的2個參與者;XMG與XEV2分別為二者的策略集合。

其中,博弈雙方分別進行獨立優化,迭代得到同時滿足雙方需求的納什均衡解,*表示納什均衡解,且所有策略均滿足上述約束條件。納什均衡解存在證明詳見附錄C[31]。

(35)

主從博弈具體實現過程如圖2所示。

圖2 主從博弈結構框圖Fig.2 Structure diagram of Stackelberg game

4 算例分析

為驗證所提調度模型的合理性,本文微電網中含有80輛可以接入車網的電動汽車,其中50輛參與價格型需求響應,30輛參與激勵型需求響應。根據其出行規律,電動汽車相關初始信息設置同文獻[30]。設非電動汽車的PDR資源與IDR資源變化范圍為總負荷的5%,其他具體參數與場景詳見附錄D。

本文采用GAMS與MATLAB軟件相結合的方式進行仿真求解,其中日前階段價格型電動汽車優化模型與日內階段主從博弈模型采用GAMS軟件進行求解,微電網日前雙目標優化模型采用MATLAB軟件進行求解。

4.1 日前電動汽車優化結果

為驗證日前電動汽車層所提調度模型的先進性與有效性,對以下3個策略的調度結果進行對比:

策略1：各電動汽車無序充電,按照用戶的自身意愿進行。

策略2：以用戶收益滿意度最高為目標進行優化,實現電動汽車的有序充放電。

策略3：以用戶的綜合滿意度最高為目標進行優化,實現電動汽車的有序充放電。

圖3為策略1—3調度后的負荷曲線。

圖3 3種策略下的負荷曲線Fig.3 The load curve under three strategies

由圖3可知,策略1中電動汽車的充電時間主要集中在18:00—24:00時段,即用戶下班回家開始充電,這段時間也是需求側用能的高峰時段,僅按照車主意愿進行無序充電會導致微電網供能壓力的增大。策略2中電動汽車僅以收益滿意度為目標,故車主為節約花費,在滿足日常行駛的需求后盡量不充電,曲線較為接近原始負荷。策略3中用戶同時有經濟性和舒適性的追求,為達到期望電量車主充電需求較高,基于分時電價策略,用戶更愿意在峰時放電,在谷時充電,因此負荷曲線較為平坦。

表1為3種策略調度后的數據對比結果。由表1可知,電動汽車的有序充電行為能夠有效地緩解系統在高峰時的供能壓力。其中策略3最能有效地實現系統內的“削峰填谷”,減小負荷曲線的峰谷差值,并能在一定程度上減免用戶花銷。同時隨著優化目標考慮的更加全面,策略3相比策略2用戶滿意度更高。

表1 3種策略下的數據對比Table 1 Comparison of data under three strategies

4.2 微電網日前優化結果

根據微電網日前預測曲線與4.1節中的優化結果,在日前階段采用灰狼算法對雙目標優化模型進行求解。設定狼群最大迭代次數為300,灰狼頭數為300。設置不同的日前優化調度方案進行對比。

策略4：僅考慮經濟低碳目標的微電網日前優化調度模型。

策略5：僅考慮靈活性評價指標的微電網日前優化調度模型。

策略6：采用灰狼算法求解的微電網日前多目標優化模型。

策略4和策略5中的日前調度結果詳見附錄圖E1和E2,圖4為策略6微電網日前調度結果。

由圖4可以看出,08:00—12:00時段是基礎負荷用能的高峰時段,柴油機與儲能裝置發揮了明顯的供能作用,節約了微電網的運行成本。但系統仍然難以滿足負荷側的用能需求,微電網需從主網大量購電,以滿足負荷的用能需求。在19:00—24:00時段,雖然也處于負荷用電的高峰時段,但風電出力充足,且經過電動汽車層優化后,負荷側能夠較好地消納新能源的出力,在該時段較好地緩解柴油機與儲能的調度壓力。

策略4—6中柴油機的日前調度安排對比結果如圖5所示。

圖5 策略4—6中柴油機的日前調度結果對比Fig.5 Comparison of day-ahead scheduling results for diesel generators in strategy 4,5 and 6

由圖5可知,策略4與策略6的調度安排比較相似,策略5與其他策略的調度安排差異較大。這是因為優化目標所期望的調度方向具有一定差異。由于柴油機作為微電網系統碳排放的主要來源,在經濟低碳優化目標中所占成本較高,因此策略4與策略6中柴油機的調度安排高度相似,僅在16:00時出力明顯降低。

策略4—6中的儲能裝置的日前調度安排對比結果如圖6所示。

圖6 策略4—6中儲能裝置的日前調度結果對比Fig.6 Comparison of day-ahead scheduling results of energy storage devices in strategy 4,5 and 6

圖6中數值為正表示儲能充電,數值為負則表示儲能放電。由于儲能不僅是重要的靈活性資源,且調度成本較低,故3種策略下,儲能裝置的調度安排差異較大。在策略4中,儲能作為可調資源,在風電出力不足時放電,在風電充足時充電,起到了削峰填谷的作用。策略5中,儲能作為靈活性資源,為追求靈活性指標的最大化,其充放電行為不僅受靈活性需求的影響,也受到了凈負荷大小的影響。策略6與其他策略相比,能夠較好地平衡2種需求,避免儲能在凈負荷較小的時段大量充放電的行為。

策略4—6中的數據結果對比如表2所示。

表2 策略4—6下的數據對比Table 2 Comparison of data in strategy 4,5 and 6

由表2可以看出,策略6與策略4相比總成本有所增加,靈活性指標有所提升。由于儲能相比柴油機單位調度成本更低,且不會產生碳排放,因此儲能作為更加經濟的靈活性資源滿足了更多的靈活性需求。策略6與策略5相比總成本、購電成本、碳排放成本與棄風率大量降低,且靈活性指標降低較少。這主要是由于柴油機與儲能作為靈活性資源,當策略限制了其發揮“削峰填谷”的作用,會造成運行成本的大量增加和風力資源的浪費。故本文所提的日前調度方法(策略6),相比其他方法,能夠有效發揮可調資源的調度潛力與靈活性資源的靈活特性,在保障微電網經濟低碳運行的基礎上,提升系統內的靈活性裕度,具有較高的“性價比”。

4.3 微電網日內優化結果

根據微電網日內預測曲線與4.2節中的優化結果,本文設置了3個策略進行對比:

策略7：微電網整體滾動優化模型,不計電動汽車參與日內優化,電動汽車進行無序充電。

策略8：微電網整體滾動優化模型,計及電動汽車參與優化,其調度產生的相關成本由微電網承擔。

策略9：微電網日內主從博弈模型,即本文所提的日內調度方法。

策略7和策略8中的日內調度結果詳見附錄E中圖E3和E4。為詳細說明策略9中的博弈過程,選用16:00的博弈仿真過程進行分析。圖7為策略9中16:00的博弈仿真過程。

圖7 策略9的博弈仿真過程Fig.7 Game simulation in strategy 9

從圖7可以看出,微電網運營成本與用戶用能成本通過不斷博弈達到均衡點,博弈過程中雙方均在對方所提策略的限制下進行優化。在博弈開始階段為降低調度成本,微電網補貼電價設定較低,電動汽車群為減少自身的用電成本較少做出響應,使得微電網需從大電網處進行購電。為減少購電成本,微電網對補貼電價策略進行調整,電動汽車群根據新的補貼電價策略進行響應。第1～7次迭代過程中參與者雙方的博弈關系較為激烈,雙方每次調整幅度較大。第8～22次迭代過程中參與者雙方的博弈關系較為緩和,博弈結果逐漸達到最優。在22次迭代以后博弈過程達到最優解,參與者雙方不再調整自身策略。

圖8為策略9微電網日內調度結果,圖9為策略8和策略9中電動汽車有序充放電的調度計劃對比。

圖8 策略9的微電網日內調度結果Fig.8 Intra-day scheduling results of microgrid in strategy 9

圖9 策略8和策略9中電動汽車群的調度結果對比Fig.9 Comparison of scheduling results of electric vehicle clusters in strategy 8 and 9

可以看出,在用能高峰時段,參與日內優化的電動汽車大量放電,既緩解了微電網的供能壓力,又節約了微電網的購電支出。與策略8相比,策略9中電動汽車為追求自身用能成本的最小化,基本僅在電價谷時進行充電,在峰時進行放電。其中放電時段集中在07:00—12:00之間,主要是由于該時段售電收益較高;由于20:00—24:00等時段購電成本較低,故充電時段主要集中在這些時段。其中,前一個時段大量購電,既能滿足電動汽車自身的用能需求,又能在電價高峰時出售,以增加收益。后一個時段大量充電既實現了盈余風電的消納,又為電動汽車用戶保存了較多電量,以備用戶的行駛需求。

策略7—9中的數據結果對比如表3所示。

表3 策略7—9下的數據對比Table 3 Comparison of data in strategy 7, 8 and 9

由表3可以看出,與策略7相比,日內階段電動汽車進行有序充電能夠有效提高微電網的運營收入,節約電動汽車用戶的用能成本,同時還能夠降低碳排放,實現系統綠色低碳運行。策略9與策略8相比,雖然犧牲了微電網主體的部分利益,但是節約了較多的電動汽車用能成本,達到了雙方的最優。

5 結論

基于電動汽車參與多元需求響應的角度,提出了一種電動汽車結合價格型與激勵型需求響應2種調度方式的微電網多時間尺度優化調度模型。在日前基于分時電價與用戶綜合滿意度進行價格型電動汽車資源調度,并考慮微電網經濟性與靈活性的運行需求,以應對日內不確定性。在日內階段基于主從博弈模型對激勵型電動汽車群的充放電策略與微電網補貼電價進行求解。通過算例分析,得到如下結論:

1)電動汽車優化與價格型需求響應技術結合,能夠有效提升用戶的綜合滿意度,減小負荷曲線的峰谷差。

2)在日前調度階段,同時考慮微電網的經濟性與靈活性需求,能夠在保障經濟低碳運行的基礎上,增加系統的靈活性裕度,以提升其抗干擾能力。

3)在日內調度階段,電動汽車參與優化實現有序充電,能夠實現微電網與電動汽車雙方的“共贏”,既提升了微電網的運營收益,又能降低用戶的用能成本。

4)電動汽車優化與激勵型需求響應技術結合,進行微電網與用戶的科學博弈,能夠有效提升用戶的經濟效益,實現新能源的完全消納。

附錄A

采用微電網當天供能與需求側預測曲線的差值,獲得一天各時段系統內的供需關系,以峰、谷、平3種電價檔位,基于供需關系的不平衡程度優化設定一日的分時電價政策,具體設定方法如下所示:

Pe(t)=Pload,pre(t)-PWT(t)

(A1)

(A2)

式中:Pe(t)為t時刻凈負荷需求功率;Pload,pre(t)為t時刻原始負荷需求;PWT(t)為t時刻風電的出力大小;ρbuy(t)為t時刻負荷側單位購電電價;ρ1、ρ2與ρ3分別為峰、平、谷時電價;Pf、Pg分別為微電網需求過量限值與微電網供能過量限值。

在日前階段,為鼓勵電動汽車積極參與微電網的能量優化管理,以微電網的分時電價政策為基礎,電動汽車放電行為能獲得一定比例的經濟補貼。本文場景下電動汽車的基礎購售電價格如圖A1所示。