CN111762051B - 基于聚合商的电动汽车参与受端电网低谷调峰需求响应调控方法 - Google Patents

Abstract

本发明公开了一种基于聚合商的电动汽车参与受端电网低谷调峰需求响应调控方法。聚合商将来自电网运营商的低谷调峰需求响应邀约下发至电动汽车，根据EV的参与情况将其划分为灵活性EV负荷和非灵活性EV负荷，并通过聚类分析方法从历史充电数据提取出EV的典型充电模式用于EV负荷预测。电网运营商基于负荷预测数据，建立考虑电动汽车参与低谷调峰需求响应的滚动机组组合模型，确定机组发电计划和需求响应资源调度计划。本发明的需求响应调控方法充分考虑用户意愿和电网需求，有效协调和最大化了双方利益，并通过聚类分析提高了资源调度效率。本发明能有效激励电动汽车积极参与低谷调峰，降低受端电网低谷调峰压力，减少电网运行成本。

Description

基于聚合商的电动汽车参与受端电网低谷调峰需求响应调控 方法

技术领域

本发明涉及电力系统及其自动化技术领域，尤其是涉及一种基于聚合商的电动汽车参与受端电网低谷调峰需求响应调控方法。

背景技术

我国电力资源的地理位置分布与电力需求由西向东呈逆向趋势，在经济发达的东部地区电力需求量高，但是能源较为短缺，而西部地区拥有丰富的可再生能源如水力、风电等。为解决资源和需求不平衡的问题，我国大力发展“西电东送”项目，通过高压直流输电线路将西部丰富的电力资源输送至东部受端电网。但这一举措使东部受端电网的受电比例逐年升高，以上海地区为例，2018年外来电比例已经超过50％，在七月和八月的水电汛期，该比例可高达将近60％。由于外来电的可调节性弱，而本地机组调峰能力有限，高受电比例引发了受端电网低谷调峰能力不足的问题。

在发电侧能力不足的情况下，需求响应作为一种有效激励用电侧灵活性的手段，可为受端电网低谷调峰问题提供一种解决方案。需求响应(Demand Response，DR)是指通过一系列激励手段鼓励消费者改变他们的电力消费模式。随着电动汽车(Electric Vehicle，EV)数量的与日俱增，大规模电动汽车充电对电网的影响已经不容小觑，而且由于电动汽车停放的时间远超使用时间，其充电过程在时间上具有极大的灵活性。因此，城市电动汽车是最有潜力的需求响应参与者之一。大约61％的电动汽车是私人通勤所用，车主一般会选择在回家之后为车充电直至第二天离开家。这段充电时间与电网负荷谷期高度重合，如果有序控制电动汽车充电参与低谷调峰，不仅可以达到电网“填谷”的效果，还可避免电动汽车无序充电引起的电网负荷波动。电动汽车参与受端电网低谷调峰对电网的稳定运行有积极影响，因此很有必要加强对电动汽车参与电网需求响应的研究。

目前有许多涉及电动汽车参与电网需求响应的研究。一般是将电动汽车视为一个灵活的储能元件，通过智能充电设备对其充放电过程进行优化控制，从而达到为电网调峰或者调频等辅助服务的目的。一般对电动汽车的控制可分为集中控制和分布控制：集中控制指由电力系统运营商对所有电动汽车充电过程进行统一优化调度；分布控制指每辆车对其自身充电过程独立地进行优化控制，分布控制相关的部分研究中还涉及聚合商(也称代理商)，通过多级聚合商将车与电网层层联系、分级优化。已有的研究多围绕以上两种电动汽车控制方式展开。

专利公开号CN110556822A，名为“一种含电动汽车消纳大规模风电机组的组合计算方法”，公开了系统总运行成本最小为目标的含电动汽车消纳大规模风电的机组组合模型。该方法对电动汽车的充放电功率、效率、电池老化成本以及相应的充放电总成本进行研究，验证了对电动汽车进行集中控制可有效降低系统成本。但是集中控制可能不适合消费者，因为他们习惯于对自己的电力消费模式拥有完全的决策权。

专利公开号CN109088454A，名为“一种基于自动需求响应与实时电价的电动汽车充电方法”，公开了一种电动汽车利用负荷需求值模型进行自主充电的方法。电动汽车通过比较负荷需求值和设定阈值决定是否进行充电，其中负荷需求值取决于充电负荷需求迫切度、实时电价以及蓄电池启停惩罚。该方法仅从用户费用角度出发，可能会出现用户集中在低价时间段充电的情况，从而造成另一个高峰，不利于电网稳定运行。

专利公开号CN110509788A，名为“深化调峰的电动汽车群组合优化充放电方法”，公开了一种旨在缩小负荷峰谷差的电动汽车群有序充放电控制方法。该方法根据私家车和出租车不同的行为特性提出不同的充放电策略，并根据车主对充放电电价响应度，确定车主在“是否选择有序充电”以及“是否允许电动汽车向电网放电”上的意愿，利用电动汽车的综合信息评估每辆车的充电迫切程度和放电利用能力，最后以调峰为目标对电动汽车群进行有序充放电控制。该方法中，调度中心需要收集、分析所有车辆的信息并对每辆车进行有序充放电控制，当电动汽车数量规模较大时，由于需要频繁的通信和庞大的计算量，这一措施很难真正实施，因此以聚合商的方式对大规模车辆进行分布式管理相对来说更为可行。

专利公开号CN107150601B，名为“一种基于多代理商的电动汽车有序充电方法”，公开了分布式电动汽车协调控制方式。该方法中家庭代理商和变电站代理商协同工作，服务于电网代理商。其中家庭代理商获取管辖范围内接入电网的电动汽车信息后，建立实时充电模型，并将预计充电曲线发送到变电站代理商，变电站代理商将不符合要求的数据返回给家庭代理商，不断迭代直至收敛。这种方法耗时较长，迭代期间接入电网的电动汽车可能还在不断变化。

专利公开号CN110503309A，名为“基于主动需求响应的电动汽车充电调度方法”，公开了一种应用主动需求响应来优化聚合商利润的方法。该方法同时考虑私家车用户和出租车用户，获取有充电需求的用户提交的放弃充电所要求的经济激励值，进而构建经济激励值-用电量曲线，再根据最优充电调度模型确定激励值和充电量。由于是用户自主上报经济激励值，考虑到电动汽车用户数量庞大，除了上报、信息收集过程繁琐、可能难以被用户接受之外，还存在用户集体抬价的风险。

专利公开号CN106934542A，名为“一种基于斯塔克伯格博弈论的电动汽车需求响应调控方法”，公开了一种聚合商通过制定价格以得到期望的需求响应资源，用户根据自身需求、收益以及用电满意度安排电动汽车充电过程。该方法中聚合商在保证用户利益最大化的情况下，还可与其他聚合商竞争，保证自身利益。但存在不同聚合商可能发布的电价不同的问题，用户接受度不高。

发明内容

针对上述现有技术中的缺陷，本发明的目的在于克服上述现有技术中的缺陷，既保证全面协调电网需求和电动汽车充电过程的可行性，又充分考虑车主参与需求响应的意愿以及对车辆的控制权，以提供一种具有实际操作性的电动汽车参与受端电网低谷调峰需求响应调控方法。

本发明“基于聚合商的电动汽车参与受端电网低谷调峰需求响应调控方法”要解决的技术问题体现在以下几点。

(1)考虑到对数量庞大电动汽车进行集中统一控制难以实际操作，本发明引入聚合商作为电网运营商和电动汽车用户之间信息和能量的协调者，聚合商利用聚类分析技术帮助电网运营商预测电动汽车充电负荷，聚类分析技术可有效减少电网接收信息的冗余，提升电网运营商和聚合商之间的信息传输效率，还可简化电网层级优化模型，提升模型求解效率。

(2)考虑到静态分时电价等需求响应策略引导电动汽车用户有序充电会带来另一个晚间高峰，本发明中聚合商在接到电网的优化调度结果后，在协议时间段内可对电动汽车充电过程进行直接控制。既可避免用户全自主控制带来的另一负荷高峰，还可免去车主自行操作的复杂性。

(3)考虑到消费者心理，电动车主一般愿意对车的充电过程享有控制权。因此在本发明中基于聚合商的需求响应调控方法在普通聚合商功能的基础上，会在低谷调峰需求响应项目执行之前向车主发出邀约，只会对接受邀约的车进行充电控制，对于不接受邀约的车辆，聚合商仅充当一个电能供给者的角色。

(4)为量化电动汽车参与需求响应为电网带来的实际效益，引入电网机组组合模型。由于电动汽车的充电过程一般会横跨两天，而传统的机组组合问题优化周期一般为一天，考虑到两者优化时间不匹配的问题，本发明采用滚动的机组组合模型。

本发明提供了一种基于聚合商的电动汽车参与受端电网低谷调峰需求响应调控方法。该需求响应调控方法不仅可以在考虑车主意愿的前提下充分发挥电动汽车提供低谷调峰服务的潜力，还可结合电网中机组的运行状态真正协调机组发电计划和电动汽车资源调度计划，从而减少电网运行成本。这种调控方法的主要参与者包括电网运营商、聚合器和电动汽车，其中聚合商通常由车企或充电桩运营商担任。

本发明具体包括以下步骤：

步骤1：电网运营商提前几天或几个小时向聚合商发送低谷调峰需求响应邀约，包括低谷调峰需求响应协议时间(例如从23:00pm到07:00am)和聚合商反馈车辆参与情况的截止时间t_ddl。

步骤2：各个聚合商将低谷调峰需求响应邀约分发给管辖范围内的电动汽车。如果电动汽车车主决定参加低谷调峰需求响应计划，他们需要向聚合商上报参与意愿以及离开时期望的电池荷电状态(State of Charge，SOC)。

步骤3：聚合商根据电动汽车用户是否参与低谷调峰需求响应将电动汽车分为灵活性EV负荷和非灵活性EV负荷，其中对于不参与低谷调峰需求响应的非灵活性EV负荷而言，聚合商仅为一个电能提供者。对于灵活性EV负荷和非灵活性EV负荷，聚合商根据他们的历史充电数据，利用聚类分析的方法提取出典型EV充电模式(包括充电时间段、所需充电能量)，用以预测低谷调峰当天的灵活性EV负荷和非灵活性EV负荷，这两类负荷数据会不断更新直至反馈截止日期。典型EV充电模式由一个向量描述为：

其中下标s和π表示第s个聚合商管理下的第π类典型EV充电模式，s＝1,2,...,N_A，π＝1,2,...,Π_s；

和

分别表示电动汽车典型充电模式插入充电桩时间和拔出充电桩时间，

表示所需的充电能量，v_s,π表示该聚类的车辆数。满足：

其中N_EV是电动汽车总数量。

步骤4：反馈截止前，聚合商将经聚类分析后的灵活性EV负荷和非灵活性EV负荷最新数据发送给电网运营商。

步骤5：电网运营商基于EV负荷(包括灵活性EV负荷和非灵活性EV负荷)和非EV负荷预测数据，以最大化社会福利(本例中也就是最小化电网运行成本)为目标，建立考虑电动汽车参与低谷调峰需求响应的滚动机组组合模型。在滚动机组组合模型中，优化窗口时长为72h，但仅执行前24h的优化结果，即聚合商与车主签订协议的时间段。电网运营商将发电计划和需求响应资源调度计划分别下发给发电厂和各个聚合商。

其中，所述的滚动机组组合模型的目标函数为：

目标函数是最小化系统中发电机组的总成本，包括燃料成本、启动成本和停机成本，本文没有考虑外部电源的成本。其中，N_G是发电机组数量，T是一个滚动优化窗口内的时间段数，cp_i,t、cu_i,t和cd_i,t分别是时间t时的机组i的发电成本、启动成本和停机成本。

所述的滚动机组组合模型的约束条件包括：机组约束(机组启停逻辑约束、最小启停时间约束、机组出力上下限约束、机组爬坡上下限约束)，系统约束(系统功率平衡约束、系统旋转备用约束)，基于聚合商的需求响应约束(电动汽车充电能量约束、电动汽车充电功率上下限约束、电动汽车总功率平衡约束)。

步骤6：聚合商提前通知参加低谷调峰需求响应的车主。

步骤7：聚合商在低谷调峰需求响应协议时间内根据电网运营商的调度计划对灵活性EV负荷的充电过程进行控制。

与现有技术相比，本发明的有益效果是：

1)这种低谷调峰需求响应调控方法会在电动汽车参与需求响应前向车主发出邀请，聚合商只能对接受邀请的电动汽车在协议时间内进行充电过程控制，充分尊重用户意愿，保证了用户对车辆充电的优先决策权，避免了集中控制电动汽车所带来的用户反感的问题。

2)聚合商使用聚类分析技术提取典型车辆充电模式，从而对电动汽车充电模式进行预测。聚类分析技术可有效减少电网运营商接收信息的冗余，提升电网运营商和聚合商之间的信息传输效率，还可通过简化灵活电动汽车负荷变量来简化电网层级优化模型，提升模型求解效率。

3)该调控方法有效协调了电网和用户双方的利益。由于优化模型时在电网层级进行，以最大化社会福利为优化目标，基于滚动机组组合模型对发电资源和需求响应资源进行优化调度，电网层级实现了低谷调峰效果，用户层级也获得相应经济激励，有效避免了仅从用户层级考虑反而会引起晚间另一负荷高峰的问题。

4)这种需求响应调控方法提升了电动汽车参与电网需求响应实际可操作性。聚合商会提前向用户发出邀约，用户只需上报参与意愿以及离开时期望的SOC。聚合商通过远控智能充电桩对接受邀约的电动汽车进行充电控制，无需用户自己操作，过程简便。且低谷调峰的时间符合大部分车主的充电需求，不影响车主日常用车，因此用户接受程度更高。

5)这种需求响应调控方法通过利用电动汽车充电的灵活性替换受端电网本地机组频繁的开关机，从而减少电网运行成本；通过充电负荷的转移降低受端电网的负荷峰谷差。有效缓解受端电网低谷调峰能力不足的问题，有利于电网的安全稳定运行。

6)考虑到随着社会经济发展，未来将有更大规模的电动汽车数量，相应的算例可进一步验证这种基于聚合商的电动汽车参与受端电网低谷调峰需求响应调控方法在未来的巨大潜力和可行性。为未来电动汽车参与电网辅助服务提供有力的参考和支撑。

附图说明

图1基于聚合商的电动汽车参与需求响应调控方法结构示意图

图2基于聚合商的电动汽车参与需求响应调控方法步骤流程图

具体实施方式

下面结合附图及具体实施例对本发明方案进行进一步的详细说明。对于本发明实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。图1是低谷调峰需求响应调控方法结构示意图，如图中所示，该需求响应调控方法涉及的主体有电动汽车、聚合商和电网运营商，聚合商主要负责电动汽车信息的收集和预测以及控制灵活性EV负荷的充电过程，电网运营商主要负责优化调度机组发电计划和需求响应资源。通过电网运营商、聚合商一层层对电动汽车的控制，可提升对大规模电动汽车的管理效率。

如图2的步骤流程图所示，本发明实施例提供了一种基于聚合商的电动汽车参与受端电网低谷调峰需求响应调控方法，包括以下步骤：

步骤1：电网运营商针对受端电网低谷调峰能力不足的问题，考虑到电动汽车大规模充电资源的潜力，制定电动汽车参与受端电网低谷调峰需求响应计划。电网运营商提前几天或几个小时向聚合商发送需求响应邀约，包括低谷调峰需求响应协议时间(例如从23:00pm到07:00am)和聚合商反馈车辆参与情况的截止时间t_ddl。

步骤2：各个聚合商将低谷调峰需求响应邀约分发给管辖范围内的所有电动汽车。如果电动汽车车主决定参加低谷调峰需求响应计划，他们需要向聚合商上报参与意愿以及离开时期望的电池荷电状态(SOC)。

步骤3：聚合商根据电动汽车用户是否参与低谷调峰需求响应将电动汽车分为灵活性EV负荷和非灵活性EV负荷，其中对于不参与低谷调峰需求响应的非灵活性EV负荷而言，聚合商仅为一个电能提供者。对于灵活性EV负荷和非灵活性EV负荷，考虑到精确预测每辆车的负荷数据是即为困难的，且减少变量数目可降低模型求解的复杂度，因此聚合商根据车辆的历史充电数据，利用聚类分析的方法提取出典型EV充电模式(包括充电时间段、所需充电能量)，用以预测低谷调峰当天的灵活性EV负荷和非灵活性EV负荷，这两类负荷数据会不断更新直至反馈截止日期。

聚类分析的常用方法包括K-均值聚类算法、高斯混合原型聚类法和均值漂移算法等。从技术上讲，所有这些聚类算法都可以用于生成典型的电动汽车充电模式。由于聚类的具体数目未知，不需要预先设定聚类数目的聚类算法在本发明中对于聚合商获取典型EV充电模式更具有说服力和实用性，又考虑到数据量极大，因此本发明采用均值漂移算法作为聚类算法。

一般车辆的充电模式由一个向量描述：(t^plug-in,t^plug-out,E^ch)，其中t^plug-in和t^{plug -out}分别表示电动汽车充电模式插入充电桩时间和拔出充电桩时间，E^ch表示所需的充电能量(由电动汽车用户所需的SOC、初始SOC和电池容量决定)。通过聚类过程，将具有最相似充电模式的电动汽车划分至同一聚类，以该聚类的典型EV充电模式为代表。典型EV充电模式的向量描述为：

其中下标s和π表示第s个聚合商管理下的第π类典型EV充电模式，s＝1,2,...,N_A，π＝1,2,...,Π_s，v_s,π表示该聚类的车辆数。满足：

其中N_EV是电动汽车总数量。

聚类分析可以显著降低优化问题的复杂度和电动汽车充电负荷的预测误差，同时可以简化聚合商与电网运营商之间的通信。

步骤4：反馈截止前，聚合商将经聚类分析后的灵活性EV负荷和非灵活性EV负荷最新数据发送给电网运营商。

步骤5：电网运营商基于EV负荷(包括灵活性EV负荷和非灵活性EV负荷)和常规负荷(即非EV负荷)预测数据，以最大化社会福利(本例中也就是最小化电网运行成本)为目标，建立考虑电动汽车参与低谷调峰需求响应的滚动机组组合模型。

一般机组发电计划是以24小时为周期进行日前调度，而电动汽车参与电网低谷调峰的充电过程一般从晚上持续到第二天早上，这会横跨两天的机组发电计划。在很多其他发明中，会用实际分布于第二天凌晨的负荷作为当天凌晨的负荷，这显然是不符合实际的。考虑到机组组合问题的调度周期和电动汽车充电过程的不匹配问题，本发明在传统机组组合模型的基础上引入滚动优化过程，形成滚动机组组合模型。滚动优化过程是一种控制技术，其基本思想是每一次都要解决有限时间范围内的最优控制问题，而只执行前几个时间段内的控制计划。

在本发明的滚动机组组合模型中，优化窗口时长为72小时，优化步长为15分钟。需要注意的是：在72小时窗口中的最后12小时内，电动汽车的充电过程可能跨越前后两个优化窗口，因此在最后12时内不考虑低谷调峰需求响应。在低谷调峰需求响应反馈时间截止后，电网运营商获取电动汽车负荷和常规负荷的最新预测信息，然后滚动优化过程开始工作。滚动优化的具体步骤如下：

步骤5.1：测量实际系统中参数的初始信息，预测滚动优化窗口其他时间段内参数的信息。最初24小时内有部分电动汽车和聚合商已签订低谷调峰需求响应协议，除此之外，如果其他时间段内中没有可用的预测数据，将使用以前的预测数据或者历史数据。

步骤5.2：电网运营商通过建立机组组合模型在滚动优化窗口内进行机组发电计划调度和需求响应资源调度。在这个72小时优化周期中，发电厂和聚合商仅执行前24小时内的调度计划。

步骤5.3：电力系统保持状态持续更新直至24小时后下一个滚动优化周期来临，重复步骤5.1和步骤5.2。

其中，所述的滚动机组组合模型的目标函数为：

(2)中目标函数是最小化系统中发电机组的总成本，包括燃料成本、启动成本和停机成本，本文没有考虑外部电源的成本。其中，N_G是发电机组数量，T是一个滚动优化窗口内的时间段数，cp_i,t、cu_i,t和cd_i,t分别是时间t时的机组i的发电成本、启动成本和停机成本。其中cp_i,t、cu_i,t和cd_i,t的详细表达式分别是：

cu_i,t＝y_i,tCStart_i (4)

cd_i,t＝z_i,tCShut_i (5)

其中p_i,t是机组i在时间t时的发电量；u_i,t是二进制变量，当机组处于运行状态时为1，机组处于关机状态时为0；CA_i、CB_i和CC_i是机组i的发电成本参数。y_i,t/z_i,t是二进制变量，当机组i在时间t开机/关机为1；CStart_i和CShut_i分别是机组i一次的开机成本和关机成本。式(3)可以通过分段线性化的方法转为线性约束。

所述的滚动机组组合模型的约束条件包括：

机组约束(机组启停逻辑约束、最小启停时间约束、机组出力上下限约束、机组爬坡上下限约束)，对应式(6)至(12)；系统约束(系统功率平衡约束、系统旋转备用约束)，对应式(13)和(14)；基于聚合商的需求响应约束(电动汽车充电能量约束、电动汽车充电功率上下限约束、电动汽车总功率平衡约束)，对应式(1)和(15)至(17)。下面将详细介绍：

机组约束：

u_i,t-u_i,t-1＝y_i,t-z_i,t (6)

y_i,t+z_i,t≤1 (7)

u_i,tP_i ^min≤p_i,t≤u_i,tP_i ^max (10)

p_i,t-p_i,t-1≤u_i,t-1P_up,i (11)

p_i,t-1-p_i,t≤u_i,t-1P_down,i (12)

约束式(6)可确保当机组运行状态u_i,t发生变化时，开机变量y_i,t和关机变量z_i,t取正确的值。约束式(7)限制开机动作和关机动作同时发生。式(8)和(9)是最小启停时间约束，其中T_on,i和T_off,i分别是机组i允许的最小连续开机时间和最小连续停机时间。约束式(10)是机组i发电功率p_i,t上下限约束。约束式(11)和(12)是机组爬坡约束，其中P_up,i和P_down,i分别是机组i最大上爬坡率和最大下爬坡率。

系统约束：

约束式(13)表示系统功率平衡，其中P_D,t包括预测的常规负荷和非灵活性EV负荷，P_EV,t仅包含灵活性EV负荷，P_loss,t是系统在时间t的网络损耗。约束式(14)是旋转备用约束，其中R_t是系统旋转备用容量。

基于聚合商的需求响应约束，除了式(1)，还包括：

是属于灵活性EV负荷的典型充电模式集合，表示第s个聚合商管理下的第π类典型EV充电模式。对于某一典型EV充电模式来说，约束式(15)保证在充电时间段内预测所需的充电能量

均能得到满足，其中T_s,π由聚类(s,π)的插入充电桩时间和拔出充电桩时间决定，η是充电效率，p_s,π,t是聚类(s,π)在时间t时的总充电功率；Δt是时间步长。约束式(16)表示电动汽车充电功率p_s,π,t上下限约束。约束式(17)把所有类别的电动汽车充电功率聚集到灵活性EV负荷P_EV,t中。通过求解优化模型得到聚类(s,π)的最优充电功率

将被平均分配至该类别下每一辆电动汽车。

本发明中滚动的机组组合模型可表示为具有多个线性约束条件的混合整数线性规划问题(Mixed-Integer Linear Programming，MILP)，并可由商用MILP求解器进行有效求解。

步骤6：聚合商提前通知参加低谷调峰需求响应的车主。

步骤7：聚合商在低谷调峰需求响应协议时间内根据电网运营商的调度计划对灵活性EV负荷的充电过程进行控制。

另外，本实施例还具有以下步骤：

为了量化电动汽车参与受端电网低谷调峰的价值，以典型受端电网——上海电网为例，进行算例分析验证方法的有效性。

以华东地区典型的受端电网——上海电网为例，采用上海夏季历史日负荷数据和外来电数据。上海电网的负荷谷期一般是0:00am-08:00am，外来电全天波动较小，峰谷差大于10000MW，谷期时外来电占负荷比例可达50％-65％。且上海本地机组的调峰能力不足，外来电给上海电网低谷调峰造成了极大压力。考虑到外来电调节性极弱，为展示上海电网的真实情况，在接下来的数据展示中，所有关于峰谷差及峰谷差率的计算均基于扣除了外来电后的基础负荷数据。

算例中上海共有74台本地机组，包括40台火电机组、25台气电机组和9台热电机组。火电机组可以通过基本调峰、深度调峰、短时间启停调峰等方式参与调峰，但后两种调峰方式成本较高。燃气机组因其启动快、停机快的特点，通常以昼开夜停的运行方式在负荷高峰时段参与调峰。此外，不间断的供热需求限制了火电机组的调峰容量。因此，上海电网仅依靠本地机组进行低谷调峰是不够的。

实施例1：

截止至2019年2月，上海的电动汽车数量已经达到25万辆，因此设N_EV＝250,000。假设只有家用充电桩充电模式(即分布式的低速充电模式)才是潜在的灵活性EV负荷。而非灵活性EV负荷则是指车主不愿参加或不能参加低谷调峰需求响应计划的负荷，假设此类车主一到家就开始充电(即无序充电模式)。电动汽车最大充电率为7kw，充电效率为90％。设算例一中不考虑电动汽车参与低谷调峰需求响应，而算例二中有30％左右的电动汽车参与低谷调峰需求响应。

结果表明，在算例一不考虑电动汽车参与低谷调峰需求响应的情况下，无序的充电行为导致大量电动汽车在18:00pm到20:00pm的高峰时段充电，导致受端电网峰时负荷进一步提高。这不仅不利于电网的稳定运行，而且会导致机组状态频繁变化，缩短机组的使用寿命。在算例二中，电动汽车充电负荷通过需求响应由峰时段转移至谷时段，有助于减小受端电网峰谷差。结果表明，以最小化运行成本为目标函数的最优解几乎等于均匀填谷效果，从而达到受端电网削峰填谷的目的。表1详细了对比两种算例中某一个滚动优化窗口的优化结果：

表1 算例优化结果

算例	启停成本(×10<sup>5</sup>￥)	总成本(×10<sup>5</sup>￥)	峰谷差率(％)
				算例一	512.54	15836.27	61.51
算例二	295.06	15626.62	58.59

与算例一的结果相比，算例二中基于聚合商的电动汽车参与需求响应调控方法可以将受端电网的总成本从15836.27×10⁵￥降低至15626.62×10⁵￥，约降低209.65×10⁵￥(1.32％)。从表1中可以看出，两个算例的机组启停成本存在明显的差距，这一定程度上决定了系统运行总成本的差距。这是因为算例二中聚合商控制部分电动汽车在谷时对其进行充电，避免了部分机组频繁的开机和关机，从而避免了相应的开关机成本。基于扣除了外来电后的基础负荷数据，峰谷差率由算例一的61.51％降至算例二的58.59％，这在一定程度上缓解了受端电网谷时调峰的压力。

实施例2：

预计至2030年，在常速发展情况下上海的电动汽车总量将达到155万辆，在高速发展条件下将达到245万辆。这种大规模的电动汽车无序充电，一方面会进一步增加受端电网峰时负荷，但另一方面潜在的需求响应资源也会更加丰富。为了进一步说明未来本发明的可行性和巨大潜力，接下来通过多种不同电动汽车数量的算例进行分析验证。设低谷调峰需求响应的参与率仍然为30％，电网容量和非电动汽车负荷仍保持不变。结果如表2和表3所示。

表2 不同数量的电动汽车对电网峰谷差的影响

电动汽车数量(×10<sup>4</sup>)	0	25	50	100	155	245
							峰谷差(MW)	10483	10073	9831	9792	9190	9137
峰谷差率(％)	61.33	58.59	56.84	55.94	51.79	50.10

表3 不同数量的电动汽车对电网运行成本的影响

电动汽车数量(×10<sup>4</sup>)	25	50	100	155	245
						算例一总成本(×10<sup>5</sup>￥)	15836.27	15932.75	16392.59	16761.78	17678.49
算例二总成本(×10<sup>5</sup>￥)	15626.62	15687.51	16120.93	16433.03	17210.45
						成本节约率(％)	1.32	1.54	1.65	1.96	2.65

结果表明，随着电动汽车数量的增加，电网峰时负荷也随之增加，因为即便考虑了低谷调峰需求响应，大多数电动汽车(70％)的充电行为也是无序的，恶化了电网在高峰时段的运行状态。同时，随着电动汽车总数量的增加，参与低谷调峰需求响应的电动汽车数量也在增加，填谷容量明显增加。所以即使峰值负载在逐渐增加,低谷调峰需求响应调控方法仍降低了受端电网的峰谷差和峰谷差率，如表2所示。

表3列出了在一个滚动优化周期内，两种情况下电动汽车数量改变时的总成本以及低谷调峰需求响应调控方法带来的成本节约率。其中，成本节约率等于节省成本占算例一总成本的比例。从表3可以看出，无论是否有低谷调峰需求响应调控方法，更多的电动汽车接入电网必然会增加电网的总成本。同时，随着电动汽车数量的增加，本发明提出的低谷调峰需求响应调控方法节约成本的效果逐渐显著。综上所述，增加电动汽车数量的算例分析进一步验证了未来本发明提出的电动汽车需求响应调控方法的可行性和巨大潜力。

Claims (5)

1.一种基于聚合商的电动汽车参与受端电网低谷调峰需求响应调控方法，其特征在于，该方法包括：

步骤1：电网运营商向聚合商发送低谷调峰需求响应邀约，包括低谷调峰需求响应协议时间和聚合商反馈车辆参与情况的截止时间t_ddl；

步骤2：各个聚合商将低谷调峰需求响应邀约分发给管辖范围内的电动汽车用户，如电动汽车用户决定参加低谷调峰需求响应，则需要向聚合商上报参与意愿以及离开时期望的电池荷电状态，并被计入灵活性EV负荷；如不参加，则被计入非灵活性EV负荷；

步骤3：聚合商根据电动汽车用户是否参与低谷调峰需求响应，将电动汽车分为灵活性EV负荷和非灵活性EV负荷，对于灵活性EV负荷和非灵活性EV负荷，聚合商根据他们的历史充电数据，利用聚类分析的方法提取出典型EV充电模式，用以预测低谷调峰当天的灵活性EV负荷和非灵活性EV负荷，这两类负荷数据会不断更新直至反馈截止日期；

步骤4：反馈截止前，聚合商将经聚类分析后的灵活性EV负荷和非灵活性EV负荷最新数据发送给电网运营商；

步骤5：电网运营商根据EV负荷预测数据和非EV负荷预测数据，建立考虑电动汽车参与低谷调峰需求响应的滚动机组组合模型，电网运营商将发电计划和需求响应资源调度计划分别下发给发电厂和各个聚合商；

所述的滚动机组组合模型的目标函数为：

目标函数是最小化系统中发电机组的总成本，包括燃料成本、启动成本和停机成本，其中，N_G是发电机组数量，T是一个滚动优化窗口内的时间段数，cp_i,t、cu_i,t和cd_i,t分别是时间t时的机组i的发电成本、启动成本和停机成本；

步骤6：聚合商通知参加低谷调峰需求响应的车主；

步骤7：聚合商在低谷调峰需求响应协议时间内根据电网运营商的调度计划对灵活性EV负荷的充电过程进行控制。

2.根据权利要求1所述的基于聚合商的电动汽车参与受端电网低谷调峰需求响应调控方法，其特征在于，所述的典型EV充电模式，包括充电时间段和所需充电能量，由向量描述为：

其中下标s和π表示第s个聚合商管理下的第π类典型EV充电模式，s＝1,2,...,N_A，π＝1,2,...,Π_s；

和

分别表示电动汽车典型充电模式插入充电桩时间和拔出充电桩时间，

表示所需的充电能量，v_sπ表示聚类的车辆数；满足：

其中N_EV是电动汽车总数量。

3.根据权利要求2所述的基于聚合商的电动汽车参与受端电网低谷调峰需求响应调控方法，其特征在于，聚合商向管辖范围内所有电动汽车发出低谷调峰需求响应邀约后，在反馈车辆参与情况的截止时间之前，一旦有车辆接受邀约，聚合商将立即更新灵活性EV负荷直至反馈时间截止，然后聚合商将拒绝邀约或者未反馈的车辆计入非灵活性EV负荷。

4.根据权利要求1所述的基于聚合商的电动汽车参与受端电网低谷调峰需求响应调控方法，其特征在于，所述的滚动机组组合模型的约束条件包括：机组约束、系统约束和基于聚合商的需求响应约束；机组约束包括：机组启停逻辑约束、最小启停时间约束、机组出力上下限约束、机组爬坡上下限约束；系统约束包括：系统功率平衡约束、系统旋转备用约束；基于聚合商的需求响应约束包括：电动汽车充电能量约束、电动汽车充电功率上下限约束、电动汽车总功率平衡约束。

5.根据权利要求1所述的基于聚合商的电动汽车参与受端电网低谷调峰需求响应调控方法，其特征在于，所述的EV负荷预测数据包括灵活性EV负荷预测数据和非灵活性EV负荷预测数据。

Images