CN111641226A

CN111641226A - 一种计及自动需求响应的建筑型微电网光伏利用率提高方法

Info

Publication number: CN111641226A
Application number: CN202010425075.XA
Authority: CN
Inventors: 张有兵; 王国烽; 郑曼; 张瑜; 杨晓东; 王力成
Original assignee: Zhejiang University of Technology ZJUT
Current assignee: Zhejiang University of Technology ZJUT
Priority date: 2020-05-19
Filing date: 2020-05-19
Publication date: 2020-09-08
Anticipated expiration: 2040-05-19
Also published as: CN111641226B

Abstract

一种计及自动需求响应的建筑型微电网光伏利用率提高方法，包括以下步骤：对一天的时间进行离散化处理，均分为多个时段；构建建筑微电网结构模型及其调度模型；基于虚拟成本和虚拟实时价格机制，为博弈参与者制定非合作ADR博弈框架；各博弈参与者独立制定策略并进行交互博弈，求解各自的成本最小化优化策略，从而达到所有参与者最优的目标状态；最后利用非合作博弈机制模拟电力交易过程，以博弈方法实现对MIP集中式策略的改进，证明了所提方法的有效性。本发明建立了一个应用于建筑型微电网系统的非合作ADR博弈框架，旨在提高光伏发电的利用率以达到自主供需平衡的状态，并同时降低MG系统的总成本。

Description

一种计及自动需求响应的建筑型微电网光伏利用率提高方法

技术领域

本发明涉及一种计及自动需求响应的建筑型微电网光伏利用率提高方法。

背景技术

由于当前一次能源日益枯竭、环境问题日益严峻，而能源需求却持续增长，以光伏能源(PV)为代表的可再生能源的战略地位不断提升。但是，可再生能源来源(RES)的随机性以及微电网(MG)需求侧的能源消耗一定程度上成为其利用率的制约因素之一。

需求响应(DR)指用户对于电价变化或不同激励做出的能量使用策略的调整，被认为是最有效的解决方案，可以提高需求响应资源(DRR)的效率以平衡供需，并实现智能电网中的成本降低和负荷特性优化。随着能源互联网和电力市场的快速发展，自动需求响应(ADR)可以动态地调整负荷需求，以响应变化的电价或奖励金，这代表了需求响应的最新实现。

MG的基本职责是以优化调度方式维持供需平衡，而ADR的主要目标是减少高峰负荷和平衡供需两侧。为了实现带有RES的家庭或商业建筑MG系统的供需之间的自我平衡，一种有效的ADR方法是非常必要的，包括集中式和分散式两种方法。在集中式方法中，需要收集来自用户的所有信息，包括私人数据，以获得针对大规模用户的最佳调度计划。由于隐私暴露，交换数据流量以及解析难度，这将出现难以实际应用的问题。而在分散式方法中，解决方案之一是采用多智能体系统(MAS)在MG中建立能源市场，提供激励机制，以促进DRR和分布式发电机的管理。以分散方式研究ADR方法的一种分析工具是博弈论，在智能电网视觉中，它已应用于DRR的调度，能源管理和MG之间的能源交易，可对上述集中式方法进行改进。

发明内容

为了克服现有技术的不足，本发明面向包括建筑物负载、储能蓄电池(BatteryEnergy Storage，BES)和多个插入式电动汽车(Plug-in Electric Vehicle，PEV)的商业建筑构成的微电网系统，提出了一种计及自动需求响应的建筑型微电网光伏利用率提高方法。通过构建建筑型微电网结构模型并制定博弈参与者的非合作ADR博弈框架，以博弈方法实现对MIP集中式策略的改进，特别考虑高渗透率PV的情况，着重于定量分析DRR对储能型蓄电池系统(Battery Energy Storage System，BESS)的影响分配，旨在提高光伏发电的利用率以达到自主供需平衡的状态，并同时降低MG系统的总成本。

为了实现上述目的，本发明的技术方案包括以下步骤：

一种计及自动需求响应的建筑型微电网光伏利用率提高方法，该方法包括以下步骤：

S1：将一天离散的分为K个等长的周期,时间间隔为Δt，并用k表示任意时段，κ＝{1，2,…,K}表示操作周期的集合，将N⁺表示为PEV和BESS的集合,N⁺＝{1，2,…,N}；

S2：构建建筑型微电网结构模型，包括供应侧，能量服务平台ESP和需求侧，在此基础上建立一个基于混合整数规划MIP的集中式调度模型，并确定该调度模型中的约束条件；

S3：基于虚拟成本和虚拟实时价格vRTP机制，为博弈参与者制定非合作ADR博弈框架，以实现优化目标；

S4：在博弈设定的策略空间中，各博弈参与者根据初始状态和消费需求，考虑设备运行约束和系统约束，独立进行优化决策求解各自的成本最小化优化策略；

S5：证明博弈模型的纳什均衡解存在的唯一性以及纳什均衡与帕累托最优的一致性，达到所有参与者全局最优的目标状态，并证明该纳什均衡解与基于MIP的操作模型的最优解相吻合，以博弈方法实现对MIP集中式策略的改进；

S6：由系统判断是否达到纳什均衡，若是，则输出最终优化策略集合作为所有参与者的优化结果，求解完成；若否，返回步骤S4根据更新后的状态信息重新进行优化。

进一步，在所述步骤S2中，建筑微电网结构模型及其调度模型的构建包括以下过程：

S2-1：将建筑微电网分为：供应侧、ESP和需求侧，供应侧：分布式光伏机组和BESS，并与电网进行能量交换；ESP：对负荷需求进行预测、汇总、更新和广播；需求侧：需求侧负荷可分为两组，即可转移负荷和不可转移负荷；

S2-2：构建建筑微电网结构模型：

1)构建供应侧PV模型

光伏发电是利用半导体“光生伏打效应”将太阳辐射能直接转换为电能的发电方式，单个光伏电池的输出功率很小，因此光伏发电单元将大量的光伏电池串并联，形成光伏阵列；光伏系统通常使用最大功率点跟踪MPPT来使光伏模块在变化的环境中以最大功率点工作，采用现有的光伏电池发电器模型，参数会随着环境的变化而变化，需根据实际的光照强度和温度确定，则k时段的光伏阵列输出功率

表示为：

式中，U_k和I_k分别为单个光伏组件在k时段的电压和电流；为C^a光伏组件的串联个数；C^b为光伏组件串的并联个数；τ^PV为损失因子；

2)构建需求侧PEV模型

用一个七维行向量记录电动汽车的电池信息和客户充电需求信息，设该微电网接入的车辆集合为N，则车辆规模为n＝N，对于任意车辆l∈N，其相关参数为：

式中，

分别表示车辆l接入微电网的时间和预期离开时间；

分别表示车辆动力电池的起始SOC和离开微电网时的期望SOC，SOC表示电池剩余能量与电池容量的比值，因此有

表示PEV电池容量；

分别表示额定充、放电功率；

S2-3：在此基础上建立一个基于混合整数规划MIP的集中式调度模型：

V_G表示光伏利用率，当V_G越小，表示光伏利用率越小；

表示k时刻的基础负荷，P_i,k表示在k时刻时，第i个PEV或者BESS的功率，

表示在k时刻的光伏功率；

S2-4：在建立一个目标函数后，要对其进行约束以符合实际情况，在这个目标函数下，需要考虑以下约束：

1)系统功率平衡约束：

2)能量交换约束：

3)PEV约束：

4)BESS约束：

其中，

表示在时刻k从电网中获得的能量，它受能量交换平衡的约束，即从电网获电时，有上限

当向电网反向输电时，有上限

和

都为二进制数。P_l,k为第l个PEV的功率，

和

为PEV充电功率的上下限，

和

为PEV放电功率的上下限

为包含

的周期集合，长度为N_l。S_l,k表示第l个PEV的工作状态，有上限

和下限

η(P_l,k)表示第l个PEV的功率交换效率，

表示第l个PEV的电池容量；

和

分别为k时刻BESS的充放电功率，η^Bc和η^Bd为其充放电效率；此外还考虑了电池的损耗，y^B表示电池寿命，L_DOD表示总次数，L^ann为一年的循环次数。

在所述步骤S3中，非合作ADR博弈框架的制定包括以下内容：

S3-1：由于ADR的特殊性，ADR业务需要不同领域的主体协同配合，通过ADR系统实现需求响应业务自动化的功能，该系统包括自动需求响应服务器，需求响应运行管理系统和DR客户端；

ADR服务器基于系统内的常规负荷、可再生能源出力水平及PEV集群、储能功率信息制定虚拟实时电价，发布DR事件通知；

DR运行管理监测系统内的可再生能源出力和负荷水平，形成DR需求，并把需求发给ADR服务器；监视系统运行、监测DR实施效果；

ADR客户端向下连接DR用户的各类负荷，收集各PEV和储能的充放电迫切水平参数，并将ADR服务器制定的虚拟价格、FG信号发布给系统内的所有响应主体；

响应主体包括PEV集群和储能系统，ADR项目的针对对象，将响应主体集合设为N⁺；

S3-2：ADR框架的输入、输出数据：

输入数据：供电侧风、光电等可再生能源出力和储能系统的充放电功率信息采集；需求侧常规负荷、PEV集群用电信息采集；响应主体的迫切性水平参数。

输出数据：vRTP价格信号和FG补偿状态信号；

S3-3：虚拟成本表示的是日常负荷需求与光伏生产的匹配程度：

γC(L_k,k)为k时刻的虚拟成本，σ为正虚拟参数，v_k是周期k的独立标准电荷，γC_a为总的虚拟收益，

为微电网系统中总的负载，虚拟收益与能量需求和转移负载的能力相关，第i个PEV或BESS对于总的收益的贡献为ε_i，其中

和

为消耗需求和BESS的容量，α是正相关系数；

S3-4：本发明采用拥塞价格算法定义vRTP机制；

在所针对的含高渗透率可再生能源微电网环境下，电能供应量与需求侧使用量之间的功率差额即为系统所需的补偿需求量，需要响应主体共同出力补偿，记k时段的补偿需求量为

定义如下：

式中，

是k时段的常规负荷功率；

的正、负分别表示当前功率补偿状态需求是从电网充电还是将电能反送至电网；

表示未处于响应状态下的PEV充电功率；

虚拟电价vRTP_k取决于微电网中的补偿需求量：

其中，vRTP_k是在k时段的虚拟电价；P_i,k是在k时段i用户的供应量；a和γ均为常数；

S3-5：ADR架构旨在实现当可再生能源出力高于负荷水平时，作为响应主体的电动汽车与储能能够根据虚拟价格信号进入充电模式，及时消纳过多的可再生能源；而当可再生能源出力较低时能够根据虚拟信号的引导进行一定程度的放电，从而提高供需平衡度，同时降低系统运行成本；

ADR流程如下：

1)收集供电侧出力信息和需求侧用电信息，计算补偿需求量；

2)如果存在供需不平衡现象，则触发DR事件。收集响应主体的迫切水平参数，根据补偿供应量和补偿需求量制定虚拟实时价格信号以及FG信号，并通知微网系统中的所有响应主体；

3)对于

其在接收到虚拟价格信号后，结合自身情况，可自动调整功率需求：

P_i,k+1＝P_i,k+φ_i(UL_i,k-P_i,kvRTP_k) (21)

式中，φ_i是一个影响算法收敛速度的参数；UL_i,k是在k时段响应主体i的充/放电迫切水平参数；T_k表示当前k时段；

S3-6：建立非合作ADR博弈框架：

PEV和BESS的所有用户都互为博弈方，通过最大化博弈方的虚拟收益使光伏利用率达到最大，同时确定优化策略；

ρ_i为可行的策略集，P_i为第i个参与者的优化策略。

ρ_i＝{P_i|约束为(4)-(6),(8)-(13)}(23)

其中，P_-i＝[P₁,P₂,…,P_i-1,P_i+1,…,P_n+1]表示除了第i个PEV或BESS的消费调度计划集，

表示在k时刻，整个微电网系统中除了第i个PEV或BESS的总负载需求。

进一步，在所述步骤S4中，非合作ADR博弈过程包括以下步骤：

S4-1：以系统常规负载需求，光伏生产功率和每一个博弈方的消费需求为输入列向量，形成所有参与者的初始状态空间；

S4-2：各博弈方根据初始状态空间，同时考虑设备运行约束、系统约束以及其消费需求选择其调度策略作为初始策略，并广播给其他博弈方；

S4-3：计算并记录各博弈方初始状态下的效用函数，记为目前选用策略的效用函数，用以计算其初始策略的成本，每个博弈方都希望将自己的能源成本降到最低，并且会倾向于选择一个能够最大化自己收益的消费计划，作为应对供需不匹配的电力和其他博弈方选择的策略的最佳策略，即找到一个优化策略P_i ^*：

S4-4：各博弈方进行操作以期望达到目标状态，计算与记录所得k时段的效用函数，在每个时段k迭代确定其最优消费调度计划P_i，以使其虚拟利润最大化。因此，建立了各博弈方之间的ADR博弈如下：

S4-5：若所得k时段的效用函数小于目前选用策略的效用函数，则更新操作后的策略为目前选用策略，并向其他参与者广播；否则不改变目前选用策略以及不向其他参与者广播；

S4-6：若博弈方进行优化后的选用策略相较于操作前的选用策略效用有了提高，即优化后的选用策略的效用函数小于操作前的选用策略的效用函数，则更新自己的策略；否则，选择目前选用策略作为参与者的最终输出结果，即最优策略；

在每次迭代中，每一个博弈方根据(25)求解优化问题以获得其当前的最优策略，并且通过ESP交流实时信息，重复上述过程，直到博弈收敛到纳什均衡解为止；

为一个策略集，当满足上式条件时，P^*为ADR博弈的纳什均衡解。

在所述步骤S5中，博弈模型纳什均衡解存在的唯一性以及纳什均衡与帕累托最优的一致性证明包括以下步骤：

S5-1：证明博弈模型纳什均衡解的存在唯一性：

收益(效用函数)相对于决策变量P_i,k的二阶导数为

显然为严格凹函数，可得ADR博弈是典型的严格n人博弈，因此证明了纳什均衡解的存在唯一性；

S5-2：证明ADR博弈的唯一纳什均衡解与帕累托最优解的一致性：

帕累托最优是资源配置的一种理想状态，这意味着在不恶化任何一方的情况下，不可能使至少一方的利益更好；设

为ADR博弈的纳什均衡解，

为改变策略后的纳什均衡解；

和

表示的是改变策略后和之前的收益，

为基于MIP集中调度的最优解，因此由上式得如果

即，

总之，任何博弈方都不能从改变策略中获益，因此，得出结论，ADR博弈的唯一纳什均衡解与帕累托最优解是一致的，即通过ADR博弈模型达到所有参与者全局最优的目标状态；

S5-3：证明ADR博弈的最优解与基于MIP的调度优化问题的最优解相吻合：

基于MIP集中调度优化问题为如下：

其优化策略集为

因为基于MIP集中调度问题是最小化问题，那么显然

由于上述方程适用于任何一个i∈N⁺，遵循(27)中的条件，得出集中调度问题的最优解

构成ADR博弈的纳什均衡解，因此证明了ADR博弈的最优解与基于MIP的调度优化问题的最优解相吻合，体现了以博弈方法实现对MIP集中式策略的改进。

本发明的有益效果是：

1、提出了一种基于MIP的建筑MG运行集中调度框架，在满足用户需求的同时，提高了光伏发电的利用率。

2、引入了MG系统供需不匹配的虚拟成本机制，指导PEVs和BESS的需求响应策略。

3、制定了ADR博弈模型来模拟虚拟交易过程，其中每个用户可以通过分散式的方法获得其最优调度，并给出了求解平衡解的方法和步骤，以博弈方法实现对MIP集中式策略的改进。

附图说明

图1是计及自动需求响应的建筑型微电网光伏利用率提高方法流程图。

图2是微电网最佳调度的示意图。

图3是模拟场景中一年的仿真图。

图4是3季3周的模拟结果。

图5是所提方案与现有方案的比较结果，(a)：MILP方案的动态价格信号的选定曲线；(b)：四种方案下的系统净负荷曲线。

图6是总成本、光伏生产和BESS安装容量之间的关系。

图7是总成本、光伏生产和BESS容量与PEV数量之间的关系。

图8是不同数量PEV下总成本和光伏生产的随机情景分析结果。

具体实施方式

下面结合附图对本发明做进一步说明。

参照图1～图8，一种计及自动需求响应的建筑型微电网光伏利用率提高方法，该方法包括以下步骤：

S1：将一天离散的分为K个等长的周期,时间间隔为Δt，并用k表示任意时段，κ＝{1,2,…,K}表示操作周期的集合，将N⁺表示为PEV和BESS的集合,N⁺＝{1,2,…,N}；

S2-2：构建建筑微电网结构模型：

1)构建供应侧PV模型

光伏发电是利用半导体“光生伏打效应”将太阳辐射能直接转换为电能的发电方式，单个光伏电池的输出功率很小，因此光伏发电单元将大量的光伏电池串并联，形成光伏阵列；光伏系统通常使用最大功率点跟踪(MPPT)来使光伏模块在变化的环境中以最大功率点工作，采用现有的光伏电池发电器模型，参数会随着环境的变化而变化，需根据实际的光照强度和温度确定。则k时段的光伏阵列输出功率

表示为：

2)构建需求侧PEV模型

式中，

分别表示车辆l接入微电网的时间和预期离开时间；

表示PEV电池容量；

分别表示额定充、放电功率；

V_G表示光伏利用率，当V_G越小，表示光伏利用率越小。

表示在k时刻的光伏功率；

1)系统功率平衡约束：

2)能量交换约束：

3)PEV约束：

4)BESS约束：

其中，

当向电网反向输电时，有上限

和

都为二进制数，P_l,k为第l个PEV的功率，

和

为PEV充电功率的上下限，

和

为PEV放电功率的上下限，

为包含

和下限

η(P_l,k)表示第l个PEV的功率交换效率，

表示第l个PEV的电池容量，

和

在所述步骤S3中，非合作ADR博弈框架的制定包括以下过程：

S3-1：由于ADR的特殊性，ADR业务需要不同领域的主体协同配合，通过ADR系统实现需求响应业务自动化的功能，该系统包括自动需求响应服务器，需求响应运行管理系统和DR客户端等；

ADR相关的系统和设备描述如下：

ADR客户端向下连接DR用户的各类负荷，收集各PEV和储能的充放电迫切水平参数，并将ADR服务器制定的虚拟价格、FG信号发布给系统内的所有响应主体。

S3-2：ADR框架的输入、输出数据：

输出数据：vRTP价格信号和FG补偿状态信号；

γC(L_k,k)为k时刻的虚拟成本，σ为正虚拟参数，v_k是周期k的独立标准电荷。γC_a为总的虚拟收益。

和

为消耗需求和BESS的容量，α是正相关系数；

S3-4：采用拥塞价格算法定义vRTP机制；

定义如下：

式中，

是k时段的常规负荷功率；

表示未处于响应状态下的PEV充电功率；

虚拟电价vRTP_k取决于微电网中的补偿需求量：

其中，P_i,k是在k时段i用户的供应量；a和γ均为常数；

ADR流程如下：

3)对于

P_i,k+1＝P_i,k+φ_i(UL_i,k-P_i,kvRTP_k) (21)

式中，φ_i是一个影响算法收敛速度的参数；UL_i,k是在k时段响应主体i的充/放电迫切水平参数；vRTP_k是在k时段的虚拟价格信号,T_k表示当前k时段；

S3-6：建立非合作ADR博弈框架：

ρ_i为可行的策略集，P_i为第i个参与者的优化策略。

ρ_i＝{P_i|约束为(4)-(6),(8)-(13)} (23)

S4-4：各博弈方进行操作以期望达到目标状态，计算与记录所得k时段的效用函数，在每个时段k迭代确定其最优消费调度计划P_i，以使其虚拟利润最大化，因此，建立了各博弈方之间的ADR博弈如下：

S5-1：证明博弈模型纳什均衡解的存在唯一性：

收益(效用函数)相对于决策变量P_i,k的二阶导数为

为ADR博弈的纳什均衡解，

为改变策略后的纳什均衡解；

和

表示的是改变策略后和之前的收益，

为基于MIP集中调度的最优解，因此由上式得如果

即，

基于MIP集中调度优化问题为如下：

其优化策略集为

因为基于MIP集中调度问题是最小化问题，那么显然

为使本领域技术人员更好地理解本发明，申请人以某商业建筑微电网为实施例验证本项目所提ADR优化方法的有效性。

一、测试系统和参数设置

该微电网的光伏装机容量为1500kW，我们获取了三周的光伏发电数据和不可转移的负荷需求，这些数据是从一整年的夏季，冬季和中期(例如春季或秋季)中选择的。由于这是一种商用MG测试方案，因此PEV的连接期是高峰电价时期，业主不愿为其PEV充电。因此，我们设

相关参数设置如表1所示

表1

在我们的模拟场景中，我们将ADR博弈模型的优化范围设置为一天，这是一年模拟的基础。在完成一年模拟之后，我们评估了性能ADR博弈的计算基于光伏发电利用率(PPUR，φ^PV)和年度总成本两个指标。

二、仿真结果与分析

我们考虑一个PEV值为n＝20且BESS的安装容量为1200kWh的建筑物MG。使用本发明提出的优化模型后，为期3季的3周模拟结果如图4所示。

图4表明，在实施ADR博弈之后，需求侧的负荷曲线与供给侧的PV生产更加一致。提出的ADR博弈可以利用PEV的潜力进行辅助存储，从而可以将负载从PV功率不足的时期转移到PV输出过剩的时期，从而有效地改善MG的负载特性。

三、与现有方案的比较

为了清楚地说明所提出的博弈论ADR方案的有效性，我们重点介绍本发明与分散式智能计费方案和集中式混合整数线性规划(MILP)方案的详细比较。

1)智能充电方案：一种基于优先级的智能充电方案，其中每个PEV和BESS均根据当前系统信息独立确定其策略，以最大程度地利用PV能源。

2)MILP方案：其目标是以集中方式将每日总的用电成本降至最低。注意，MILP方案是由随时间变化的价格信号驱动的，如图5(a)所示，该价格信号可通过AMI获得。

图5(b)给出了四种方案下系统净负荷曲线的比较结果。此外，表2报告了通过提出的ADR方案以及上述两个现有方案实现的系统性能的统计分析。

表2

从图5(b)和表2可以清楚地看出，与智能充电方案和MILP方案相比，拟议的ADR方案在净负载特性，相对峰值降低(RPR)和电池利用率方面均表现出出色的性能。PV能量，有助于提高MG系统的独立运行能力。例如，拟议的ADR计划下的PPUR为95.95％，比智能充电计划和MILP计划下的PPUR分别高7.69％和3.17％。

智能充电方案是为较小规模的MG设计的，而PEV充电模式仅根据当前系统信息确定，因此很难充分考虑全局信息以最大程度地利用PV能源。结果，智能充电方案响应可用功率的能力小于所提出的方案。MILP计划着重于使整个MG的每日总成本最小化，而不是致力于最大程度地利用MG内的PV能量，因此，提出方案产生的PPUR和净负荷特性略好于MG给出的MILP计划。此外，随着该MILP方案中PEV数量的进一步增加，很容易在非高峰价格时段提供新的负荷峰值。由于这些差异，提出的ADR方案在所示的大多数性能中都优于在图5(b)和表2中所述的现有方案。

四、ADR的表现与分析

我们模拟了PEV和BESS典型配置的四种情况，并从各个方面评估了它们的性能。比较结果列于表3。

表3

1)BESS的影响

图6显示了总成本，φ^PV和BESS安装容量之间的关系。从图6中可以看出，随着BESS的安装容量的增加，总成本首先下降，之后上升。具体来说，当容量达到2200kWh时，MG具有良好的经济性，总成本为$25.4230×10⁴。另一方面，随着BESS容量的增加，MG中的PPUR继续增加，呈现出单调增加的趋势。

将表1中的案例1和案例2进行比较，我们发现，尽管由于配备了BESS，BESS成本增加了$4.7776×10⁴，但案例2的经济性仍然更好，其总成本降低了$1.6395×10⁴。原因是，随着BESS的添加，7PV从74.67％增加到88.06％，导致购电成本降低了$3.7719×10⁴，光伏发电补贴增加了$2.4448×10⁴。

需要强调的是，与单一分布式光伏系统不同，在结合了光伏系统和BESS的建筑物MG中，有效减少了光伏功率的消耗，因此φ^PV和MG的经济性大大提高。

2)PEV的影响

将表2中的案例2与案例3进行比较，可以看出，当BESS容量相同时，PEV的最佳调度有助于提高PV能源的利用率，从而使φ^PV从88.06％增加到97.00％。此外，购电成本降低了$1.6148×10⁴，光伏发电补贴提高了$1.6308×10⁴。结果，在情况3中，总成本降低了$1.5582×10⁴。从显然结果可以看出，基于ADR游戏的PEV调度可以有效地提高φ^PV并实现MG节省成本。

将表2中的案例2与案例4进行比较，可以看出，当PEV数量为20时，BESS的最佳安装容量从2200kWh降低到1200kWh，BESS的年度成本减少了$2.1599×10⁴，因此与案例2相比，案例4的总成本降低了$1.8649×10⁴。可以得出结论，在ADR博弈的推动下，带有V2G选件的PEV有助于降低BESS安装容量的需求，这可以对MG带来显著的经济利益。

图7显示了在不同数量的PEV的情况下，总成本，φ^PV和BESS安装容量之间的关系。根据图7，可以得出以下结论：

1)随着PEV数量的增加，BESS安装的最佳要求降低，总成本进一步降低。

2)在相同的PEV数下，φ^PV随BESS的安装容量逐渐增加，直到完全利用PV功率为止。同样，在完全利用PV功率之前，很明显，在相同的BESS容量下，具有更多PEV的MG系统具有更大的φ^PV。

3)尽管φ^PV随着BESS安装容量的增加而增加，但MG的总成本与BESS的安装容量没有正相关，但存在最佳安装容量。因此，我们可能需要根据特定要求选择合理的BESS安装容量，以实现这两个指标之间的折衷。

总之，随着V2G技术的发展，PEV能够作为移动存储单元提供有价值的辅助服务，可以代替部分固定存储。显然，PEV有助于提高光伏发电的利用率并有效降低MG的总成本。

五、敏感性分析

实际上，由于不可预测的因素，PEV的初始插件时间，计划的离开时间和初始SOC表现出很大的不确定性。因此，φ^PV和MG的总成本随上述不确定性而变化。为了探索不确定性对所提出的ADR博弈模型的影响，我们使用随机情景模拟方法研究了PEV数量变化较大时ADR博弈的性能。我们将BESS的安装容量设置为1200kWh。此外，为了在基于场景的随机方法的仿真精度和计算时间之间进行权衡，还生成了600个场景。

图8显示了在不同数量的PEV下总成本和φ^PV的随机情景分析结果，该结果表明，随着PEV数量的增加，MG的总成本不断下降并最终稳定下来。另一方面，当PEV数为60时，φ^PV逐渐增加并达到100％左右。此外，总成本和φ^PV的不确定性随PEV数而增加。但是，当PV利用率接近饱和时，两者的不确定性会降低，并且当PV电量完全耗尽时，它们的不确定性趋于零。

综上可知，本发明基于非合作博弈的自动需求响应方法促进PV能源的利用，从算例分析中，可以得出本发明所提方法能有效地促进光伏能源的利用，同时降低MG系统的总成本。并且证明了在ADR博弈下PEV的调度有助于降低BESS的安装能力，从而可以进一步为MG节省成本。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。