含電動汽車和5G基站的綜合能源系統優化調度

劉鍇泉，劉長良,2，劉衛亮,2，王昕，康佳垚

含電動汽車和5G基站的綜合能源系統優化調度

劉鍇泉1，劉長良1,2，劉衛亮1,2，王昕3，康佳垚3

（1.華北電力大學 控制與計算機工程學院，河北 保定 071003； 2.保定市綜合能源系統狀態檢測與優化調控重點實驗室（華北電力大學），河北 保定 071003； 3.國家能源集團新能源技術研究院有限公司，北京 102200）

綜合能源系統中的風光發電受環境因素影響較大，日間波動劇烈。同時，多種能源之間的相互關系復雜，這使系統的優化調度存在困難。為此，將電動汽車與5G基站作為柔性負荷納入綜合能源系統中，并提出一種基于模糊均值–多元宇宙優化算法的優化調度方法。在原有電–冷–熱能源系統的基礎上，引入電動汽車與5G基站的數學模型，分析了兩者的可調節潛力，同時考慮經濟性與環保性指標，建立了多目標優化調度模型。針對風光發電的不確定性問題，通過模糊均值算法將風光出力聚類為4種典型場景，并運用多元宇宙優化算法對模型進行仿真驗證。結果表明，所提方法可有效緩解綜合能源系統的用能壓力，使不同場景下的系統總體運行成本平均下降11.0%，污染物排放量平均下降16.4%，系統的整體運行品質有效提高。

綜合能源系統；智能電網調控；新型電力系統；可再生能源；電動汽車

0 引言

綜合能源系統作為一種靈活性高、設備種類豐富的多能源載體，近年來得到廣泛關注[1]。一方面，負荷側設備更加多元化，電動汽車[2]、5G基站[3]等資源的大規模接入導致電力系統出現了用電負荷激增、運行成本升高、環境污染加重等問題；另一方面，上述資源本身具備很好的儲能特性[4]，其廣泛應用增強了負荷側的靈活可控性[5]，為電網調度提供了更多可能。協調控制電動汽車、5G基站這類柔性負荷參與電網調控運行，是當前的重要研究方向。

柔性負荷優化調度的前提是建立負荷的精細化數學模型。當前，已有眾多學者對電動汽車或5G基站的模型展開了研究。文獻[6]基于對私家車出行歷史數據的統計分析，得到了用戶起始充電時間與日行駛里程的概率密度函數；文獻[7]針對電動汽車用戶出行行為的隨機性，采取蒙特卡洛法建立了電動汽車的充電需求概率模型，得到了聚合后的電動汽車充電負荷；文獻[8]建立了5G基站用電負荷與通信負載的線性模型，并基于基站用能特點分析了其參與電網需求響應的潛力；文獻[9]基于5G基站的內部結構與運行特性，建立了基站通信功耗模型與儲能電池充放電模型。

在建?；A上，眾多學者圍繞電動汽車或5G基站參與電力系統優化調度展開研究。文獻[10]提出了考慮電動汽車集群可調度潛力的2階段低碳運行策略，實現了電網運營商與電動汽車聚合商2主體的利益最大化；文獻[11]將電動汽車與分布式能源整合進虛擬電廠，并通過主從博弈模型引導電動汽車有序充電，提高了系統運行經濟性；文獻[12]將5G基站儲能引入微電網，建立了多時間尺度優化模型，降低了運行成本；文獻[13]建立了含基站儲能聚合商的優化調度模型，降低了電網用電負荷峰谷差，提高了通信運營商收益。

上述文獻中闡述的關于電動汽車或5G基站的建模與優化調度方面的研究工作雖然有效提高了柔性負荷參與電網調控的性能，但仍存在一定不足：首先，對于5G基站的優化調度，多數研究僅考慮了經濟性目標，忽略了其對于電力系統環保性的影響；其次，對于電動汽車或5G基站的優化調度考慮的負荷需求種類單一，忽略了多種負荷需求同時存在的情況，缺乏實際性；在電、冷、熱多種能源需求場景下，對電動汽車與5G基站這2種柔性負荷同時參與電網優化調控的模型與策略尚缺乏系統性研究。

針對以上問題，在考慮電、冷、熱負荷需求的綜合能源系統中，本文建立了含電動汽車與5G基站的多能互補協調機制。首先，結合電動汽車的用戶充電行為與5G基站的運行特性，建立了合理有效的數學模型，并深入挖掘了兩者的可調節潛力。其次，以系統運行成本最小和污染物排放量最少為目標，考慮電、冷、熱多種能源平衡等約束條件，建立了多目標優化調度模型。然后，針對風光出力的不確定性，在確定最佳聚類數目的基礎上，利用模糊均值算法生成了4種風光出力典型場景，并以電動汽車與5G基站是否參與系統調度設置了2種不同模式。最后，在不同典型場景下，運用多元宇宙算法對不同模式的優化模型開展算例仿真驗證。

1 綜合能源系統結構

綜合能源系統通過轉換化石能源與可再生能源來滿足用戶的多種能量需求[14,15]。本文研究的綜合能源系統結構如圖1所示。圖中，風力發電、光伏發電和燃氣輪機負責系統內的電力供應。當系統內的電力供應不能滿足用電負荷需求時，外部電網作為電源為負荷提供電能。當系統內的電力供應超過用電負荷需求時，外部電網吸收富余的電能；電制冷設備、吸收式制冷機可用于滿足系統的供冷需求；電制熱設備、余熱回收鍋爐、熱交換器可用于滿足系統的供熱需求。電動汽車與5G基站作為柔性負荷，靈活響應系統實際調度策略。

圖1 綜合能源系統結構

2 柔性負荷建模及可調度潛力分析

2.1 電動汽車模型

電動汽車本身具備很好的儲能特性，蘊含調度潛力。通過研究電動汽車的充放電模型和用戶行為規律，可以建立電動汽車的可調節潛力模型。

2.1.1 電動汽車充放電模型

影響電動汽車充放電的相關參數主要包括：電動汽車的電池荷電狀態、電池容量、電池充放電功率、電池充放電效率等。

1）電池荷電狀態。

2）電動汽車充電模型。

3）電動汽車放電模型。

2.1.2 電動汽車行為模型

本文研究的電動汽車用戶行為主要涵蓋以下方面：日行駛里程、行駛荷電狀態、進站充電時間以及離站出行時間。以靈活性較強的電動私家車為例進行研究，根據相關文獻中家用車輛出行調查結果，可將車輛行為時間分布通過極大似然估計近似為正態分布[16]。

1）日行駛里程模型。

日行駛里程可近似為對數正態分布。

2）行駛荷電狀態模型。

3）進站充電時間模型。

假設電動汽車在進站后立刻開始充電，則進站充電時間的概率密度函數可表示為：

4）離站出行時間模型。

電動汽車離站出行時間q與進站時間s和停車時長z有關。停車時長服從對數正態分布。電動汽車停車時長概率密度函數可表示為：

2.1.3 電動汽車可調度潛力分析

通過上述的電動汽車模型，可以模擬電動汽車用戶的充電行為。常見的模擬方法有蒙特卡洛法、超立方抽樣等算法。本文采用蒙特卡洛法模擬用戶出行規律，并進一步分析電動汽車的可調度潛力。

圖2 電動汽車可調度潛力

3）規?；妱悠嚨恼{度潛力為系統內參與調度的電動汽車可調度潛力總和。對存在調度潛力的電動汽車，可結合實際調度需求確定各時段的充放電功率。

2.2 5G基站模型

5G基站分為通信模塊與供電模塊，其中供電模塊主要由電源和儲能電池構成。為防止市電停供對基站通信造成影響，需要儲能電池作為后備供電來保障基站供電的可靠性。當前基站建設過程中，大都按照儲能電池備電4 h進行設計[20]。在實際運行過程中，基站負載會因基站時空分布不同而存在較大差異，其儲能電池的裝機容量在某些時段存在冗余，蘊含一定的調度潛力。

分析5G基站儲能電池的可調度潛力，需要先研究基站能耗模型與基站儲能電池模型。

2.2.1 基站能耗模型

5G基站的電能消耗可以分為靜態能耗與動態能耗2部分。靜態能耗主要來自于電子元件和空調等設備的耗能，不受數據傳輸或通信工況的影響，通常是固定的基礎能量消耗。動態能耗則是指基站在傳輸和接收數據時所消耗的能量，與基站通信量呈線性關系，隨基站實時用戶數量變化而變化[21]。

2.2.2 基站儲能電池模型

1）基站儲能電池充電模型。

2）基站儲能電池放電模型。

式中：G(+1)、G()分別為基站儲能電池+1、時刻的荷電狀態；Gchr()、Gdis()分別為基站儲能電池的充、放電功率；Gchr、Gdis分別為基站儲能電池的充、放電效率；G為基站儲能電池的額定容量。

2.2.3 基站儲能電池可調度潛力分析

圖3示出了5G基站儲能電池可調度潛力。圖中，low為防過放荷電狀態下限，high為防過充荷電狀態上限。

圖3 5G基站儲能電池可調度潛力

在調度過程中，為保證基站的穩定運行，儲能電池備電荷電狀態下限取決于基站對應時段未來4 h內的負載電量。同時，考慮到儲能電池充、放電的安全性，需比較基站儲能電池備電荷電狀態下限與電池防過放荷電狀態下限。如圖3所示，取兩者間較大值作為5G基站儲能電池的可調度潛力下限，電池防過充荷電狀態上限作為儲能電池的可調度潛力上限。根據這一約束，結合實際調度需求可以確定各時段儲能電池的充放電功率。

3 多目標優化調度模型

為緩解綜合能源系統的用能壓力、降低運行成本、減少污染物排放，采用多目標優化調度方法，考慮電動汽車和5G基站等設備的相關約束，建立兼顧系統經濟性與環保性的優化調度模型。

3.1 目標函數

3.1.1 經濟性目標函數

經濟性目標函數考慮了綜合能源系統總體運行成本：

式中：tal為系統總體運行成本；gd為系統與電網之間的電能交互成本；gas為天然氣成本；G為5G基站儲能設備充放電成本；PV為光伏發電維護成本；wind為風力發電維護成本；E為電制熱/冷設備維護成本；MT為燃氣輪機及余熱回收系統維護成本。

系統與電網之間的電能交互成本為：

天然氣成本為：

5G基站儲能設備充放電成本為：

設備使用維護成本為：

3.1.2 環保性目標函數

環保性目標函數考慮了綜合能源系統的污染物排放量。系統內的污染物排放主要來自天然氣發電和向電網購電[22]。本文假定向電網購電均為燃煤發電。燃煤發電與天然氣發電的污染物排放系數如表1所示。

表1 燃煤發電、天然氣發電污染物排放系數

環保性目標函數為：

式中：ep()為系統污染物排放量；m為燃煤發電總排放系數；r為天然氣發電總排放系數。

3.2 約束條件

1）電功率平衡約束。

2）熱功率平衡約束。

式中：WHR()為熱交換器輸出熱功率；ER()為電制熱設備輸出熱功率；hld()為熱負荷。

3）冷功率平衡約束。

式中：AFR()為吸收式制冷機輸出冷功率；EC()為電制冷設備輸出冷功率；cld()為冷負荷。

4）電動汽車充放電約束。

5）5G基站儲能充放電約束。

6）冷熱電聯產機組運行約束。

冷熱電聯產機組的主要組成設備包括燃氣輪機、余熱回收裝置、吸收式制冷機等[23]。其中，燃氣輪機通過消耗天然氣發電。燃燒天然氣產生的熱量經過余熱回收鍋爐進行回收之后，一部分由熱交換器供給熱負荷，一部分由吸收式制冷機供給冷負荷。

7）電制冷/熱設備運行約束。

電制冷/電制熱系統通過消耗電能來制冷/制熱，其數學模型與運行約束如下：

8）電網交互功率約束。

9）設備唯一性約束。

3.3 基于模糊C均值算法的風光出力場景聚類

風光出力易受環境因素影響，具有隨機性與波動性的特點。本文利用場景聚類法來處理風光出力不確定性，其核心思想是從復雜多樣的歷史數據中聚類出少量代表性出力場景，從而模擬風光發電實際情況。

模糊均值（Fuzzy-means，FCM）聚類算法的原理是通過隸屬度來確定每個數據點屬于某個類別的程度。通過不斷迭代，使被劃分到同一類別的對象之間相似度最大，不同類別的對象之間相似度最小。

利用FCM聚類算法在計算隸屬度矩陣時，需要先給出聚類數目。不同的聚類數目對最終的聚類效果影響很大。Calinski-Harabaz指數（CHI）是一種可以衡量聚類有效性的指標，其定義為類間分散度與類內分散度的比值，計算公式如下：

式中：分子為類間分散程度；分母為類內分散程度；μ為每個樣本對每個類別的隸屬度；為模糊指數；y為第類聚類中心；u為第個樣本；為聚類中心數目；為樣本數量；ave為所有樣本的平均值。

可以看出，CHI指標越大，聚類效果越好。

3.4 多元宇宙優化算法

多元宇宙算法遵循以下幾個規則[24]：首先，不同宇宙的膨脹率不同。膨脹率越高，越容易生成白洞；反之，越容易生成黑洞。其次，算法通過白洞/黑洞隧道和蟲洞對初始宇宙進行循環迭代，在搜索空間中逐漸趨于最優解。其中，生成白洞的宇宙會排斥物體，生成黑洞的宇宙會吸引物體。最后，不考慮膨脹率的高低，蟲洞總是作為傳輸通道，用于其他宇宙將物體傳輸到最優宇宙。

本文采用多元宇宙算法進行優化模型求解，算法相關流程如下。

1）算法初始化。

假設初始化隨機宇宙矩陣為：

式中：為變量個數；為宇宙數量。

2）選擇機制。

各宇宙位置的更新遵循輪盤賭機制。

3）移動更新機制。

為實現宇宙個體局部改變和提高自身膨脹率，宇宙內部物體需要不斷移動更新。移動機制為：

4 算例模擬

4.1 基本數據

綜合能源系統的配置如下：風力發電額定容量為2.5 MW；光伏發電額定容量為2 MW；參與調度的電動汽車電池總容量為15 MW·h，充放電功率上限為3 MW；5G基站集群的儲能電池容量為1.7 MW·h，充放電功率上限為500 kW；綜合能源系統與電網交互功率上限為5 MW；天然氣價格為4元/m3。系統內其余設備參數值如表2所示。電網電價采用分時電價，如表3所示。設置仿真周期為24 h，仿真步長為1 h，系統內冷、熱、電負荷如圖4所示。

表2 設備參數

表3 電網分時電價

圖4 系統冷、熱、電負荷示意圖

從表3和圖4可以看出，基礎電負荷、冷熱負荷高峰時段，電網電價較高，系統整體運行成本較高。

對系統內風電與光伏發電的歷史數據進行提取匯總，得到的風光出力之和如圖5所示。

圖5 風光出力歷史數據

由圖5可知，系統內不同時期的風光出力差異較大，這會對優化結果產生影響。通過運用FCM算法對風光出力歷史數據進行場景聚類，得到的聚類有效性指標如圖6所示。

圖6 聚類有效性指標

由圖6可知，聚類有效性指標的拐點出現在類別數為4時。此時聚類指標CHI最高，聚類效果最好。在此基礎上，通過FCM算法聚類得到了4種典型場景，不同場景下的風光出力之和如圖7所示。

圖7中，不同顏色的風光出力曲線代表了不同典型場景下的風光出力情況，包含了風光發電由低到高的出力水平。

場景一。整體出力水平較低。凌晨風光出力逐漸下降，隨后白天出力逐漸增加，于午時到達峰值，夜晚出力逐漸下降。

圖7 風光出力聚類場景

場景二。出力趨勢與場景一相似，但整體出力水平與出力變化速度要高于場景一。

場景三。風光出力整體水平高于場景二，出力波動較大。

場景四。整體出力水平最高。發電功率先上升后下降，出力波動較小。

4種不同場景下的風光出力變化趨勢與原始數據的主要趨勢一致，所得場景具有代表性。

4.2 模式設置

每種典型場景下設置以下2種模式：

模式一：電動汽車無序充電，5G基站不參與調度，兩者作為負荷接入。電動汽車無序充電負荷與5G基站運行功耗如圖8所示。

圖8 電動汽車與5G基站負荷

模式二：電動汽車與5G基站參與調度，充分考慮電動汽車與5G基站的可調節潛力，基站儲能與電動汽車充放電受電網調控。

4.3 仿真結果分析

通過多元宇宙算法對不同場景下不同模式的模型進行尋優求解，選取最大宇宙數量為200個，最大迭代次數為600次。

4.3.1 模式一的調度方案

以場景一中的模式一為例，優化求解得到的Pareto前沿如圖9所示。

圖9 Pareto前沿分布

圖9中，經濟目標與環保目標呈現此消彼長的趨勢，位于Pareto前沿邊緣的解分別代表了最經濟方案與最環保方案。不同調度方案的系統運行成本與污染物排放量如表4所示。

表4 調度方案目標函數值

分析表4可知，最環保方案比最經濟方案系統總體運行成本上升了1.333 5萬元，但污染物排放量減少了3.627 9 t。表中最優方案是采用TOPSIS法，綜合考慮2種目標，對解集進行評價打分后選取的折衷調度方案。最優方案的系統運行成本與污染物排放量介于最經濟與最環保方案之間，在保證綜合能源系統具有較高經濟性的同時，限制系統污染物的排放。

為更好地對比分析不同方案下系統內各設備的運行情況，繪制模式一中的3種調度方案優化結果直條圖，如圖10—12所示。

圖10 最經濟調度方案

由圖10可知，在最經濟調度方案中，在冷熱負荷需求較低時段，燃氣輪機出力較少，冷負荷主要由電制冷設備供給；在冷熱負荷峰值時段，熱交換器與電制熱設備共同出力滿足熱能需求，電制冷設備出力較高，吸收式制冷機出力較少；在用電負荷峰值時段，系統向電網購電功率較高，減少了燃氣輪機出力，限制了系統運行成本，但污染物排放量較高。最環保調度方案見圖11。

圖11 最環保調度方案

由圖11可知，相較于最經濟調度方案，在最環保調度方案中，冷熱負荷主要由熱交換器與吸收式制冷機供給，電制熱、電制冷功率下降；在用電負荷峰值時段，電網購電功率降低，燃氣輪機功率升高；系統內的富余電能增多，減少了污染物排放量，但系統運行成本較高。

分析：天然氣發電成本高于燃煤發電成本，所以在最經濟方案中系統通過多向電網購電和多利用電制冷/熱設備來降低燃氣輪機功率，減少天然氣使用。但在同等發電量前提下，天然氣發電的污染物排放量低于燃煤發電，所以在最環保方案中，相應時段電網購電功率較低，燃氣輪機功率較高，從而減少污染物排放。最優調度方案見圖12。

圖12 最優調度方案

由圖12可知，最優方案中的電網購電功率、電制熱/冷功率低于最經濟方案，高于最環保方案；燃氣輪機功率、吸收式制冷機功率、熱交換器功率高于最經濟方案，低于最環保方案。相較于其余2種方案，最優方案既可保證系統具有較高的經濟性，也可以限制污染物排放。

4.3.2 模式二的調度方案

以場景一中的模式二為例，因求解得到的最經濟方案、最環保方案與最優方案的對比規律與模式一相似。

繪制模式二的最優調度方案優化結果直條圖如圖13所示。

在模式一中，電動汽車無序充電，受用戶出行規律影響。16:00—21:00為電動汽車充電高峰，充電負荷與系統用電高峰疊加，導致在負荷與電價峰值時段，電網購電功率與燃氣輪機功率均很高。而在0:00—12:00的負荷與電價谷值或平值時段，充電的電動汽車數量較少，充電功率較低，電網購電功率較低，這不利于系統的經濟環保運行。

圖13 場景一中模式二的調度方案

由圖13可以看出，在模式二中，電動汽車和5G基站參與調度，有效緩解了系統的用能壓力。

1）在22:00—6:00負荷與電價較低時段。對電動汽車進行集中充電，充電功率較高，可以保證用戶的正常出行需求；5G基站儲能以充電為主。對比模式一，電網購電功率增加，經濟成本較低。

2）在7:00—12:00時段。電價小幅升高；系統內的電動汽車大部分離網出行，汽車數量減少；空閑的電動汽車以充電為主，充電功率降低；系統內的電能富余或空缺由5G基站儲能及時消納或填補，因電能多發而導致的能量富余現象消失。

3）在13:00—22:00時段。系統內的電動汽車接受調度進行放電，5G基站儲能以放電為主。兩者在避開負荷與電價高峰的同時，為系統供給電能。增加的電能使電制熱出力增多，熱交換器出力減少。

相較于模式一，模式二中電動汽車和5G基站可以更好地滿足調度需求，通過與系統內的其他資源彼此互補協調，使得各設備出力更加合理高效，從而有效降低了運行成本、限制污染物排放。

4.3.3 不同風光出力場景的調度結果對比

通過對各個場景下的不同模式進行最優方案求解，得到的調度結果如表5所示。

表5 不同場景下各模式調度結果

分析表5可以得出以下結論：

1）風光出力水平變化會對最終的調度結果產生影響。從場景一到場景四，系統整體運行成本與污染物排放量逐漸降低。基于系統內的電功率平衡約束，風光出力水平的提高減少了系統內的電網購電量與天然氣發電量，進而降低了系統的總體運行成本，減少了污染物排放。

2）在4種風光出力典型場景下，對比2種不同模式的調度，發現在電動汽車和5G基站參與系統協調優化后，綜合能源系統的經濟性和環保性全部有所提高。4種典型場景下，系統的整體運行成本均有所下降，平均降低了0.907 89萬元；系統內的污染物排放量均有所下降，平均降低了1.873 8 t。

綜上所述，本文所提優化調度方法可以充分利用電動汽車與5G基站的可調節潛力，緩解系統的用能壓力，在保證系統整體經濟性的同時降低對周圍生態環境的影響，有利于綜合能源系統的長期穩定運行。

5 結論

本文提出了一種含電動汽車和5G基站的綜合能源系統優化調度方法。為兼顧系統的經濟性與環保性，建立了多目標優化調度模型，并在不同風光出力典型場景下對所述方法進行仿真驗證，對比分析不同模式下的仿真結果，得到以下結論：

1）針對風光發電的不確定性，利用模糊均值算法對風光出力歷史數據進行場景聚類的方法可行有效；結合CHI評價指標，可以確定最優聚類數目與典型出力場景。通過運用多元宇宙優化算法求解優化調度模型，可以得到兼顧經濟性與環保性的最佳調度方案。

2）在電動汽車和5G基站參與優化調度后，通過充分利用兩者的可調節潛力，系統總體運行成本和污染物排放量下降，綜合能源系統的經濟性與環保性有效提高。

3）本文所提供的優化調度方法可實現系統內多種能源的互補協調，并在不同風光出力場景中驗證有效。在滿足電、冷、熱負荷需求的同時，充分發揮電動汽車與5G基站的靈活調節特性，可有效緩解系統的用能壓力。

[1] 楊龍, 張沈習, 程浩忠, 等. 區域低碳綜合能源系統規劃關鍵技術與挑戰[J]. 電網技術, 2022, 46(9): 3290-3304.YANG Long, ZHANG Shenxi, CHENG Haozhong, et al. Regional low-carbon integrated energy system planning: key technologies and challenges[J]. Power System Technology, 2022, 46(9): 3290-3304(in Chinese).

[2] WEI H, ZHANG Y, WANG Y, et al. Planning integrated energy systems coupling V2G as a flexible storage[J]. Energy, 2022, 239: 122215.

[3] 麻秀范, 孟祥玉, 朱秋萍, 等. 計及通信負載的5G基站儲能調控策略[J]. 電工技術學報, 2022, 37(11): 2878-2887.MA Xiufan, MENG Xiangyu, ZHU Qiuping, et al. Control strategy of 5G base station energy storage considering communication load[J]. Transactions of China Electrotechnical Society, 2022, 37(11): 2878-2887(in Chinese).

[4] 楊鈺君, 于艾清, 丁麗青. 基于停車需求的電動汽車移動儲能多目標充放電協調控制[J]. 電力科學與技術學報, 2022, 37(4): 65-77.YANG Yujun, YU Aiqing, DING Liqing. Multi-objective charge and discharge coordination control of electric vehicle mobile energy storage based on parking demand[J]. Journal of Electric Power Science and Technology, 2022, 37(4): 65-77(in Chinese).

[5] 張翔, 廖海君, 周振宇, 等. 含規?；?G基站租賃共享儲能的配電網混合博弈優化調度[J]. 電測與儀表, 2023, 60(5): 23-32.ZHANG Xiang, LIAO Haijun, ZHOU Zhenyu, et al. Hybrid game optimal dispatching for distribution network with large-scale 5G base station leasing shared energy storage[J]. Electrical Measurement & Instrumentation, 2023, 60(5): 23-32(in Chinese).

[6] HOU H, XUE M, XU Y, et al. Multi-objective economic dispatch of a microgrid considering electric vehicle and transferable load[J]. Applied Energy, 2020, 262: 114489.

[7] 華遠鵬, 王圓圓, 白宏坤, 等. 含電動汽車虛擬電廠的區間主從博弈優化調度[J]. 熱力發電, 2022, 51(7): 163-170.HUA Yuanpeng, WANG Yuanyuan, BAI Hongkun, et al. Interval master-slave game optimal scheduling of virtual power plant with electric vehicle[J]. Thermal Power Generation, 2022, 51(7): 163-170(in Chinese).

[8] 雍培, 張寧, 慈松, 等. 5G通信基站參與需求響應：關鍵技術與前景展望[J]. 中國電機工程學報, 2021, 41(16): 5540-5552.YONG Pei, ZHANG Ning, CI Song, et al. 5G communication base stations participating in demand response: key technologies and prospects[J]. Proceedings of the CSEE, 2021, 41(16): 5540-5552(in Chinese).

[9] 喬銳勛, 王軍華, 韋道明, 等. 計及后備儲能及空調調度潛力的5G基站多時間尺度優化方法[J]. 電力系統自動化, 2023, 47(4): 111-120.QIAO Ruixun, WANG Junhua, WEI Daoming, et al. Multi-time-scale optimization method for 5G base station considering backup energy storage and air-conditioning scheduling potential[J]. Automation of Electric Power Systems, 2023, 47(4): 111-120(in Chinese).

[10] 章攀釗, 謝麗蓉, 馬瑞真, 等. 考慮電動汽車集群可調度能力的多主體兩階段低碳優化運行策略[J]. 電網技術, 2022, 46(12): 4809-4825.ZHANG Panzhao, XIE Lirong, MA Ruizhen, et al. Multi-player two-stage low carbon optimal operation strategy considering electric vehicle cluster schedulability[J]. Power System Technology, 2022, 46(12): 4809-4825(in Chinese).

[11] 張高, 王旭, 蔣傳文. 基于主從博弈的含電動汽車虛擬電廠協調調度[J]. 電力系統自動化, 2018, 42(11): 48-55.ZHANG Gao, WANG Xu, JIANG Chuanwen. Stackelberg game based coordinated dispatch of virtual power plant considering electric vehicle management[J]. Automation of Electric Power Systems, 2018, 42(11): 48-55(in Chinese).

[12] 張麗婧. 考慮5G運營商備用儲能參與的電力系統優化調度[D]. 北京: 華北電力大學, 2022.ZHANG Lijing. Optimal scheduling of power system considering the participation of 5G operator’s backup energy storage[D]. Beijing: North China Electric Power University, 2022(in Chinese).

[13] 毛安家, 張麗婧, 盛倩倩. 考慮通信可靠性的5G基站儲能聚合商優化調度研究[J]. 電工技術學報, 2023, 38(9): 2364-2374.MAO Anjia, ZHANG Lijing, SHENG Qianqian. Research on optimal scheduling of 5G base station energy storage aggregators considering communication reliability[J]. Transactions of China Electrotechnical Society, 2023, 38(9): 2364-2374(in Chinese).

[14] FAN W, JU L, TAN Z, et al. Two-stage distributionally robust optimization model of integrated energy system group considering energy sharing and carbon transfer[J]. Applied Energy, 2023, 331: 120426.

[15] WANG J, HUO S, YAN R, et al. Leveraging heat accumulation of district heating network to improve performances of integrated energy system under source-load uncertainties[J]. Energy, 2022, 252: 124002.

[16] 趙冬梅, 馬泰屹. 基于動態分時電價的含電動汽車電網無功優化策略[J]. 華北電力大學學報(自然科學版), 2022, 49(1): 1-11.ZHAO Dongmei, MA Taiyi. Reactive power optimization strategy of power grid with electric vehicles based on dynamic time-of-use tariffs[J]. Journal of North China Electric Power University (Natural Science Edition), 2022, 49(1): 1-11(in Chinese).

[17] 田立亭, 史雙龍, 賈卓. 電動汽車充電功率需求的統計學建模方法[J]. 電網技術, 2010, 34(11): 126-130.TIAN Liting, SHI Shuanglong, JIA Zhuo. A statistical model for charging power demand of electric vehicles[J]. Power System Technology, 2010, 34(11): 126-130(in Chinese).

[18] 楊祺銘, 李更豐, 別朝紅, 等. 臺風災害下基于V2G的城市配電網彈性提升策略[J]. 電力系統自動化, 2022, 46(12): 130-139.YANG Qiming, LI Gengfeng, BIE Zhaohong, et al. Vehicle-to-grid based resilience promotion strategy for urban distribution network under typhoon disaster[J]. Automation of Electric Power Systems, 2022, 46(12): 130-139(in Chinese).

[19] 王浩林. 電動汽車時空多維度負荷預測及其可調度潛力容量評估方法[D]. 廣州: 華南理工大學, 2020.WANG Haolin. Spatio-temporal multi-dimensional load forecasting of electric vehicles and its schedulable potential capacity assessment method[D]. Guangzhou: South China University of Technology, 2020(in Chinese).

[20] 劉雨佳, 樊艷芳. 計及5G基站儲能和技術節能措施的虛擬電廠調度優化策略[J]. 電力系統及其自動化學報, 2022, 34(1): 8-15.LIU Yujia, FAN Yanfang. Optimal scheduling strategy for virtual power plant considering 5G base station technology, energy-storage, and energy-saving measures[J]. Proceedings of the CSU-EPSA, 2022, 34(1): 8-15(in Chinese).

[21] 林固靜, 高賜威, 宋夢, 等. 含通信基站備用儲能的虛擬電廠構建及調度方法[J]. 電力系統自動化, 2022, 46(18): 99-107.LIN Gujing, GAO Ciwei, SONG Meng, et al. Construction and dispatch method of virtual power plant with backup energy storage in communication base stations[J]. Automation of Electric Power Systems, 2022, 46(18): 99-107(in Chinese).

[22]AFZALI S F, MAHALEC V. Novel performance curves to determine optimal operation of CCHP systems[J]. Applied Energy, 2018, 226: 1009-1036.

[23] 林玲. 基于典型場景的微能源網多目標優化調度及共享儲能容量配置研究[D]. 杭州: 浙江大學, 2021. LIN LING. Research on multi-objective optimal dispatch and shared energy storage capacity allocation of micro-energy grid based on typical scenarios[D]. Hangzhou: Zhejiang University, 2021(in Chinese).

[24] 劉京昕. 多元宇宙優化算法的改進及應用[D]. 南寧:廣西民族大學, 2020. LIU JINGXIN. Improvement and application of multi-verse optimization[D]. Nanning: Guangxi Minzu University, 2020(in Chinese).

Optimal Scheduling of Integrated Energy System Including Electric Vehicles and 5G Base Stations

LIU Kaiquan1, LIU Changliang1,2, LIU Weiliang1,2, Wang Xin3, Kang Jiayao3

(1.School of Control and Computer Engineering, North China Electric Power University, Baoding 071003, China; 2.Key Laboratory of State Detection and Optimization Regulation for Integrated Energy System of Baoding, Baoding 071003, China; 3.National Energy Group New Energy Technology Research Institute Co., Ltd., Beijing 102200, China)

Wind and solar power generation is affected by environmental factors in integrated energy system, with sharp daytime fluctuations and complex interrelationships among various energy resources, which makes optimal scheduling of system difficult. Therefore, electric vehicles and 5G base stations are brought into the integrated energy system as flexible loads, and an optimal scheduling method based on fuzzy-mean-multi-verse optimization algorithm is proposed. On the basis of the original electricity-cooling-heating energy system, the mathematical model of electric vehicle and 5G base station is introduced, and their adjustable potential is analyzed. Besides, a multi-objective optimal scheduling model is established considering the economic and environmental protection indicators. Aiming at the uncertainty problem of wind and solar power generation, the fuzzy-means algorithm is used to cluster the wind-photoelectricity output into four typical scenarios, and the multi-verse optimizer is used to simulate and verify the model. The results show that the proposed method can effectively alleviate the energy pressure of the integrated energy system, and the overall operating cost of the system under different scenarios reduces by 11.0% on average; the pollutant emission reduces by 16.4% on average, and the overall operation quality of the system is effectively improved.

integrated energy system; smart grid control; new power system; renewable energy; electric vehicles

10.3969/j.ISSN.1672-0792.2024.03.003

TM734

A

1672-0792(2024)03-0020-14

國家自然科學基金資助項目(62203172)；國家能源集團科技項目（GJNY-21-98）。

2023-10-15

劉鍇泉（1999—），男，碩士研究生，研究方向為系統建模與仿真，新能源發電；

劉長良（1965—），男，教授，研究方向為風力發電技術及故障診斷；

劉衛亮（1983—），男，副教授，研究方向為新能源發電與微電網控制；

王昕（1990—），男，工程師，研究方向為綜合能源系統優化調度；

康佳垚（1994—），男，工程師，研究方向為綜合能源系統優化調度。

劉衛亮