CN115829224A - 电动汽车集群可调度能力的多主体两阶段低碳优化运行方法 - Google Patents

电动汽车集群可调度能力的多主体两阶段低碳优化运行方法 Download PDF

Info

Publication number
CN115829224A
CN115829224A CN202211319879.7A CN202211319879A CN115829224A CN 115829224 A CN115829224 A CN 115829224A CN 202211319879 A CN202211319879 A CN 202211319879A CN 115829224 A CN115829224 A CN 115829224A
Authority
CN
China
Prior art keywords
power
cluster
time
formula
model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202211319879.7A
Other languages
English (en)
Inventor
谢丽蓉
章攀钊
王智勇
宋新甫
崔传世
马兰
卞一帆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xinjiang University
Original Assignee
Xinjiang University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xinjiang University filed Critical Xinjiang University
Priority to CN202211319879.7A priority Critical patent/CN115829224A/zh
Publication of CN115829224A publication Critical patent/CN115829224A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Supply And Distribution Of Alternating Current (AREA)

Abstract

电动汽车集群可调度能力的多主体两阶段低碳优化运行方法，首先，根据电动汽车出行习惯的不确定性，考虑在蒙特卡洛抽样下基于闵可夫斯基和建立电动汽车集群的荷储可调度能力模型。然后，考虑配电网运营商与电动汽车聚合商的利益冲突以及电动汽车的灵活性，结合荷储可调度能力构建碳交易机制下配电网运营商与电动汽车聚合商两主体利益最大化的日前主从博弈模型和实时分配、调整偏差模型。最后，将日前双层模型转化为单层规划问题，并在改进IEEE33节点系统进行验证。结果表明，电动汽车集群荷储可调度能力模型能够提高调度的灵活性，解决模型变量维度；所提策略降低了系统碳排放，实现了配电网内多主体利益共赢。

Description

电动汽车集群可调度能力的多主体两阶段低碳优化运行方法
技术领域
本发明涉及电动汽车集群可调度能力的多主体两阶段低碳优化运行策略领域，特别涉及电动汽车集群可调度能力的多主体两阶段低碳优化运行方法。
背景技术
近些年，交通运输绿色低碳越来越必要。以新能源为主体的新型电力系统与电动汽车(electric vehicle，EV)协同发展成为必然。预计到2030年世界各国EV总保有量为2.4亿辆，但是当前EV通常作为需求侧的常规负荷。据统计每辆EV超过90％的时间都是未行驶状态[3]，当高空闲的EV集群并网且与配电网有效互动，EV可作为柔性储能资源。同时，EV集群与配电网系统灵活交互时，配电网运营商(distribution system operator，DSO)与EV聚合商(EV aggregator，EVA)属于不同利益主体，且都从自身主体利益出发，这将会产生利益冲突。因此，有必要在系统低碳运行前提下对新型配电网系统内多主体的利益冲突和调度管理重新优化。
在相关研究的基础上，提出考虑EV集群可调度能力的多主体两阶段低碳优化策略。为表征EV个体出行习惯和挖掘EV集群荷储能力，基于闵可夫斯基和构建柔性EV集群荷储可调度能力域。在此基础上，日前定价及预调度管理阶段综合采用碳交易/EV碳排放配额机制，建立DSO与EVA利益共赢的主从博弈模型，并采用KKT(Karush-Kuhn-Tucker)条件、对偶定理与互补松弛条件将双层博弈模型转化为单层规划问题求解；实时阶段考虑EV行为习惯和跟踪预调度计划，根据EV需求对车辆电量进行分配和偏差调整。经过两阶段优化后，在降低模型变量维度的同时兼顾多主体利益，实现系统的低碳性。
发明内容
为解决上述现有技术存在的问题，本发明的目的在于提供电动汽车集群可调度能力的多主体两阶段低碳优化运行方法。
为达到上述目的，本发明的技术方案为：
电动汽车集群可调度能力的多主体两阶段低碳优化运行方法，EVA作为EV的中介；DSO以其收益最大构建上层模型，负责基础负荷用电与EVA充放电的电价策略；EVA在满足需求的前提下以其用电费用最小构建下层模型，负责集群荷储的预调度计划；实时分配及调整阶段，EVA根据日前电价、预调度计划以自身收益最大分配EV充放电电量并调整日前预调度偏差；经过两个阶段优化后，各主体能得到合理电价及最优充放电决策。
进一步的，该方法包括
步骤一、EV集群荷储可调度能力模型；
(1)EV个体充放电模型；
(2)EV集群的荷储可调度能力模型；
步骤二、多主体两阶段低碳优化模型；
(1)日前主从博弈定价及预调度管理阶段，包括上层DSO决策模型和下层EVA决策模型；
(2)实时分配及调整阶段；
步骤三、模型的求解与转化
(1)主从博弈的纳什均衡解
博弈互动过程由DSO与EVA两主体构成，其内部联系为电价与功率的决策，最优纳什均衡解是两主体在追求各自利益最大化的过程中得到；纳什均衡解的存在性与唯一性需满足：1)存在性：各主体策略集合为非空连续凸集；2)唯一性：领导者给出策略后，跟随者仅存在唯一最优策略；由上层DSO主体决策模型易知，其约束条件为线性约束和二阶锥松弛约束且变量都有上下边界，因此可构成策略集合的拟凸函数；由上述分析可知，日前主从博弈模型具有存在且唯一的纳什均衡解；
(2)模型转化及纳什均衡解求解
本发明所提的两阶段优化调度模型，求解难度源于日前主从博弈阶段的目标函数存在非线性关系，即充放电电价与其功率的乘积，难以求得最优纳什均衡解，故需将双层模型转化为单层模型进行求解；下层EVA主体决策模型为连续凸优化问题，基于KKT条件和对偶理论将下层模型转化为上层决策模型的附加条件；因此，日前主从博弈阶段的双层模型等效为式(21)所示；
Figure SMS_1
式中：
Figure SMS_2
和
Figure SMS_3
为下层模型约束条件的对偶变量；由式(21)可知，等效后的单层模型为混合整数二阶锥规划问题；实时分配调整阶段为混合整数规划问题，能够采用MATLAB环境下的YALMIP优化工具箱与CPLEX求解器对两个规划问题进行求解。
进一步的，步骤一中，EV个体充放电模型具体为：
EV接入配电网后，在满足EV个体需求的前提下，借助车网互动技术可参与到配电网的调度计划中；EV个体分为快充和慢充两种模式，由于快充模式不可控制，本发明采用慢充模式；EV个体充放电模型如式(1)、式(2)所示；
Figure SMS_4
Figure SMS_5
式中：
Figure SMS_8
和
Figure SMS_10
分别为第i辆EV在t时刻的充放电功率；
Figure SMS_13
和
Figure SMS_7
分别为第i辆EV离网和并网时的荷电状态(state of charge，SOC)；
Figure SMS_9
为EV的电池容量；Ta和Ti,ar、Ti,eq分别为第i辆EV的并网时段和接入、离开时刻；
Figure SMS_12
和
Figure SMS_14
为第i辆EV额定充放电功率；Si,t为第i辆EV在t时刻的SOC；ηc和ηd分别为充电和放电效率；
Figure SMS_6
和
Figure SMS_11
分别为第i辆EV的最大SOC和最小SOC；Δt为时间步长。
进一步的，步骤一中，EV集群的荷储可调度能力模型具体为：
由于EV个体荷储容量有限，且当大规模EV并网后会引入大量变量，易造成计算压力问题；同时，EV个体的预测具有很大的随机性，且不能满足配电网灵活调度的门槛；因此构建EV集群荷储模型对配电网灵活调度EV是十分重要的；
EV充放电功率的互补条件是冗余的，即
Figure SMS_15
一定为0；由于EV并网时间Ta存在差异性，且采用闵可夫斯基和的前提是所有变量满足同一定义域，因此需要将EV个体并网时间Ta处理为相同时间调度域T；故对EV集群内EV个体的定义域进行扩展，引入布尔变量u(1为并网，反之离网)对并网约束
Figure SMS_16
进行变换，可得到一个调度周期时间域T内EV个体充放电模型，如式(3)所示；
Figure SMS_17
式中：t∈T；ui,t＝0为第i辆EV在t时刻未并网，反之第i辆EV并网；Ei,t为第i辆EV在t时刻的电池电量，即Ei,t＝Si,tPi ev,m；
Figure SMS_18
和
Figure SMS_19
分别为第i辆EV最小和最大的安全电量边界；
对式(3)中EV充放电功率边界、电池安全电量边界采用闵可夫斯基和[14,15]得到EV集群荷储可调度能力上下边界，如式(4)所示；
Figure SMS_20
式中：t∈T；
Figure SMS_21
和
Figure SMS_22
分别为EV集群v在t时刻最大可调度的充放电功率；
Figure SMS_23
为集群v中EV个体数量的集合；
Figure SMS_24
和
Figure SMS_25
分别为EV集群v在t时刻可调度的最大和最小储能电量；
考虑EV集群内存在多辆EV同时并网、离网瞬间可能会造成阶跃电量，进而出现瞬时功率不平衡现象；EV集群阶跃电量在并网或离网时发生，即EV已在并网状态，ΔEv,t＝0；当EV并网瞬间，
Figure SMS_26
当EV离网瞬间，
Figure SMS_27
因闵可夫斯基和必要条件限制，需将上述三个时间段整合为一个时间调度域T；本发明采用布尔变量对EV是否并网和离网状态替换，即EV并网瞬间的时间t由
Figure SMS_28
等价；EV离网后的时间t由
Figure SMS_29
等价；因此，为解决瞬时阶跃电量现象，对EV集群的动态储能电量校正，可得动态阶跃偏差电量如式(5)所示；
Figure SMS_30
式中：t∈T；ΔEv,t为集群v中EV在t时刻并网或离网时产生的阶跃电量；
Figure SMS_31
和
Figure SMS_32
分别为第i辆EV接入和离开的电池电量；
综上，基于闵可夫斯基和将所有EV个体的多维决策变量映射成单维决策变量，并将其参与配电网系统调控时的动态能量平衡能力称为EV集群荷储可调度能力，其模型如式(6)所示；
Figure SMS_33
式中：t∈T；
Figure SMS_34
和
Figure SMS_35
分别为集群v在t时刻可调度的总充放电功率；Ev,t为集群v在t时刻可调度的总储能容量；式(6)将EV变量集成化，实质上是将EV的所有变量映射至多维空间，降低了决策变量的维度，刻画了EV集群的荷储可调度能力；
与传统储能模型相比，EV集群荷储可调度能力模型具有较强的充放电灵活性，其灵活性因素主要体现在所有EV个体的接入电量及期望电量、并网时长(接入/离开时间)和最大充放电功率；理论上，集群内EV变量样本越多，荷储可调度能力越准确；当集群内EV数量增多时，可调度能力模型具有极高的准确性和规律性，EVA可利用其特性以及历史数据预测荷储可调度能力；本发明采用蒙特卡洛抽样法对大量历史EV个体充放电行为的不确定性进行抽样，其中日前阶段荷储可调度能力根据各个参数的抽样平均值得到；实时阶段荷储可调度能力根据集群内EV历史数据进行预测。
进一步的，步骤二中，具体为：
多主体两阶段低碳优化模型
结合荷储可调度能力建立多主体两阶段低碳优化运行模型，日前主从博弈阶段是在碳交易机制下计算DSO的最优定价与EVA的最优充放电功率；实时阶段是EVA根据日前预调度计划及荷储可调度能力预测偏差对集群内实时EV个体充放电功率分配及偏差调整；
日前主从博弈定价及预调度管理阶段
日前主从博弈阶段将一天分为24个时段，步长为1h；DSO作为领导者，以其收益最大化为目标优化EVA预调度电价及其它单元出力计划；EVA作为跟随者，以其用电费用最小为目标优化EV集群荷储预调度合同电量；
上层DSO决策模型
DSO通过收益与成本的差值使自身利益最大化，目标函数包括EVA用能收益CEVA、EV等效碳配额收益
Figure SMS_36
基础负荷用电收益CL、燃气轮机运行成本CTH、向输电网购电成本CD和碳排放成本
Figure SMS_37
具体目标函数描述为：
Figure SMS_38
Figure SMS_39
式中：
Figure SMS_42
和
Figure SMS_43
分别为t时刻EVA的充电电价、放电电价、基础负荷用电电价和输电网实时电价；cm和cth分别为EV等效碳排放配额售价和燃气轮机碳交易成本；
Figure SMS_45
为节点j处集群v在t时刻的等效碳排放配额量；
Figure SMS_41
和
Figure SMS_44
分别为节点j处t时刻的基础负荷和DSO向输电网的购电量；ah、bh和ch为燃气轮机h的成本系数；
Figure SMS_46
和
Figure SMS_47
分别为节点j处燃气轮机h在t时刻的有功出力、实际出力碳排放量和碳排放配额；Jev、Jl、Jth、Jw和Jd为各个单元的节点集合；N为燃气轮机h的集合；
Figure SMS_40
下同；
约束条件如下：
(1)潮流平衡约束
根据基尔霍夫定理，节点流入功率与流出功率应相等，在忽略对地电容和电纳的情况下，支路的潮流方程(Distflow)采用二阶锥松弛后的形式表示，如式(9)所示；松弛过程和精确性[27]证明见附录A；
Figure SMS_48
式中：Pkj,t、Qkj,t和Ikj,t分别为主线路kj在t时刻传输的有功功率、无功功率和电流i的平方
Figure SMS_49
Pjo,t和Qjo,t分别为子线路jo在t时刻传输的有功功率和无功功率；
Figure SMS_50
为节点j处t时刻风电有功预测值；
Figure SMS_51
分别为节点j处t时刻燃气轮机h、输电网和负荷的无功功率；Uj,t和Uk,t分别为节点j和节点k处t时刻电压u的平方(U＝u2)；rkj和xkj分别为线路kj的电阻和电抗；k∈w(j)和o∈s(j)分别为以首端节点k流向尾端各节点j的集合和以首端节点j流向尾端各节点o的集合；
(2)向输电网购电功率约束
由于风电出力和EV充放电行为均具有随机性，所以增加向输电网购电功率保证配电网系统的稳定性，如式(10)所示；
Figure SMS_52
式中：M为足够大的正数；Pd和Qd均为单位功率；
(3)燃气轮机约束
燃气轮机约束包括上下爬坡速率约束和有功功率与无功功率约束，如式(11)所示；
Figure SMS_53
式中：
Figure SMS_54
为燃气轮机h的上、下爬坡速率；
Figure SMS_55
和
Figure SMS_56
为燃气轮机h在t时刻的最大有功、无功功率和最小有功、无功功率；
(4)安全约束
为了保证配电网的用电质量及支路安全，配电网安全约束包括电压电流的上下限约束和支路传输功率约束，如式(12)所示；
Figure SMS_57
式中：
Figure SMS_58
和
Figure SMS_59
分别为节点j处最大最小安全电压的平方；
Figure SMS_60
为支路kj的最大安全电流的平方；
Figure SMS_61
和
Figure SMS_62
分别为支路kj的最大有功、无功容量和最小有功、无功容量；
(5)风电出力约束
Figure SMS_63
式中：
Figure SMS_64
为节点j处t时刻风电并网功率；
(6)碳交易约束
碳交易机制是碳交易市场的一种规范制度，可约束系统碳排放，本发明燃气轮机的碳排放配额采用无偿分配方式；未来的EV能够参与到碳交易市场出售碳排放配额获取收益[8]；为激励DSO积极调度EV以及降低调度门槛，本发明假设EV产生的碳配额收益由DSO进行管理，并在碳交易市场出售获益；因此，约束条件包括燃气轮机的碳交易约束和EV等效碳排放配额约束，如式(14)所示；
Figure SMS_65
式中：δh和
Figure SMS_66
分别为燃气轮机h的碳排放系数和碳排放配额系数；Lev为EV单位电量下行驶的里程；Egas为燃油汽车单位行驶里程的碳排放量；Enet为EV单位充电电量的等效碳排放量，即考虑其充电电量源于电网发电侧的等效碳排放量；
(7)充放电电价约束
DSO制定电价时需考虑EVA的响应程度，同时DSO制定的均价不得高于向其它配电网购售电的均价，如式(15)所示；
Figure SMS_67
式中：
Figure SMS_68
和
Figure SMS_69
分别为DSO向EVA制定充放电电价的最大值和最小值；
下层EVA决策模型
EVA在满足用户需求下通过电价调整向DSO的购售电策略，以用电费用成本最小为目标，决策变量为
Figure SMS_70
和Ev,t，如式(16)所示；
Figure SMS_71
约束条件如下：
虽然集群v可作为柔性荷储资源，但也需满足期望电量；同时避免集群v在同一时刻既作为柔性负荷又作为储能资源，所以式(6)由式(17)表示；
Figure SMS_72
式中：
Figure SMS_73
为EV集群v的期望电量；μv,t为布尔变量，避免集群v存在同时充放电；
实时分配及调整阶段
实时分配及调整阶段将一天分为96个时段，步长为15min；虽然EV集群可调度能力的预测精度比EV个体较高，但日前可调度能力与实时可调度能力仍存在偏差，所以EVA仍需以最小偏差调整成本对日前预调度计划进行修正；同时本发明考虑EV用户参与放电计划时EV电池的损耗，添加EVA对EV电池放电的损耗补偿成本；因此，EVA根据日前预调度计划以其实时利益最大分配及调整并网EV的充放电功率，具体目标函数描述为：
Figure SMS_74
式中：
Figure SMS_75
和
Figure SMS_76
分别为t时刻集群内EV实时充放电电价和放电损耗补偿系数；
Figure SMS_77
为t时刻偏差调整成本系数；
Figure SMS_78
和
Figure SMS_79
分别为集群v在t时刻的实时调整电量；
约束条件如下：
(1)功率平衡约束
此过程是为了弥补日前预调度计划与实时的偏差，所以平衡约束如式(19)所示；
Figure SMS_80
式中：
Figure SMS_81
和
Figure SMS_82
分别为集群v在日前t时刻的预调度充电功率和放电功率；
(2)EV充放电及电量安全约束
此约束见式(1)和式(3)所示，在此不赘述；
(3)EV集群边界约束
EV集群边界约束如式(20)所示；
Figure SMS_83
式中：
Figure SMS_84
和
Figure SMS_85
分别为集群v中EV在t时刻的实时总充/放电功率；
Figure SMS_86
和
Figure SMS_87
分别为EV集群v在t时刻实时最大可调度的充放电功率；σv,t为布尔变量，避免集群v存在同时充放电。
相对于现有技术，本发明的有益效果为：
1)充分表征了EV个体出行行为习惯和挖掘EV集群荷储能力，基于闵可夫斯基和构建了EV集群荷储可调度能力模型，既不增加变量维度又不对约束变量进行假设，提高了大规模EV集群预调度的灵活性和准确性。
2)碳交易和EV碳配额机制协同提高DSO与大规模EV集群互动的积极性和消纳可再生能源的能力，实现配电网内多参与主体的低碳互补优势。
3)根据EV出行习惯和博弈论建立了两阶段优化模型，结合KKT和强对偶理论求解了模型的纳什均衡解，并在满足自身利益的情况下结合EV实时状态对车辆进行分配，实现了DSO、EVA与EV的多主体共赢。
附图说明
图1总体框图
图2 EV集群电池电量示意图
图3模型求解流程图
图4改进的IEEE 33节点配电网系统
图5典型日风电和基础负荷曲线
图6 EV集群的荷储功率边界
图7日前不同场景的调度计划
图8日前最优充放电电价与功率策略
图9集群1中各个EV电池电量
图10实时偏差调整及充放电结果
图11不同场景下的碳排放量
图12不同场景下配电网节点电压
具体实施方式
下面结合附图和具体实施方式对本发明技术方案做进一步详细描述：
如图1-12所示，
电动汽车集群可调度能力的多主体两阶段低碳优化运行方法；
1总体架构框图
考虑EV集群可调度能力的多主体两阶段低碳优化运行策略总体框图如图1所示。EVA作为EV的中介，不仅能对EV充放电统一管理，还能有效与DSO灵活互动和通信，能够降低变量维度，解决维数灾难问题。日前主从博弈阶段，DSO以其收益最大构建上层模型，负责基础负荷用电与EVA充放电的电价策略；EVA在满足需求的前提下以其用电费用最小构建下层模型，负责集群荷储的预调度计划。实时分配及调整阶段，EVA根据日前电价、预调度计划以自身收益最大分配EV充放电电量并调整日前预调度偏差。经过两个阶段优化后，各主体能得到合理电价及最优充放电决策。随着集群内EV数量增多，EVA能够作为分布式柔性储能资源，可削减配电网内储能设备的配置容量，因此本发明不考虑除EV以外的储能设备。
2 EV集群荷储可调度能力模型
2.1 EV个体充放电模型
EV接入配电网后，在满足EV个体需求的前提下，借助车网互动技术可参与到配电网的调度计划中。EV个体分为快充和慢充两种模式，由于快充模式不可控制，本发明采用慢充模式。EV个体充放电模型如式(1)、式(2)所示。
Figure SMS_88
Figure SMS_89
式中：
Figure SMS_91
和
Figure SMS_95
分别为第i辆EV在t时刻的充放电功率；
Figure SMS_98
和
Figure SMS_92
分别为第i辆EV离网和并网时的荷电状态(state of charge，SOC)；
Figure SMS_94
为EV的电池容量；Ta和Ti,ar、Ti,eq分别为第i辆EV的并网时段和接入、离开时刻；
Figure SMS_96
和
Figure SMS_97
为第i辆EV额定充放电功率；Si,t为第i辆EV在t时刻的SOC；ηc和ηd分别为充电和放电效率；
Figure SMS_90
和
Figure SMS_93
分别为第i辆EV的最大SOC和最小SOC；Δt为时间步长。
2.2 EV集群的荷储可调度能力模型
由于EV个体荷储容量有限，且当大规模EV并网后会引入大量变量，易造成计算压力问题。同时，EV个体的预测具有很大的随机性，且不能满足配电网灵活调度的门槛。因此构建EV集群荷储模型对配电网灵活调度EV是十分重要的。
EV充放电功率的互补条件是冗余的，即
Figure SMS_99
一定为0。由于EV并网时间Ta存在差异性，且采用闵可夫斯基和的前提是所有变量满足同一定义域，因此需要将EV个体并网时间Ta处理为相同时间调度域T。故对EV集群内EV个体的定义域进行扩展，引入布尔变量u(1为并网，反之离网)对并网约束
Figure SMS_100
进行变换，可得到一个调度周期时间域T内EV个体充放电模型，如式(3)所示。
Figure SMS_101
式中：t∈T；ui,t＝0为第i辆EV在t时刻未并网，反之第i辆EV并网；Ei,t为第i辆EV在t时刻的电池电量，即Ei,t＝Si,tPi ev,m；
Figure SMS_102
和
Figure SMS_103
分别为第i辆EV最小和最大的安全电量边界。
对式(3)中EV充放电功率边界、电池安全电量边界采用闵可夫斯基和[14,15]得到EV集群荷储可调度能力上下边界，如式(4)所示。
Figure SMS_104
式中：t∈T；
Figure SMS_105
和
Figure SMS_106
分别为EV集群v在t时刻最大可调度的充放电功率；
Figure SMS_107
为集群v中EV个体数量的集合；
Figure SMS_108
和
Figure SMS_109
分别为EV集群v在t时刻可调度的最大和最小储能电量。
考虑EV集群内存在多辆EV同时并网、离网瞬间可能会造成阶跃电量，进而出现瞬时功率不平衡现象，根据图2所示的示意图进行简单分析。
图2中，EV集群阶跃电量在并网或离网时发生，即EV已在并网状态，ΔEv,t＝0。当EV并网瞬间，
Figure SMS_110
当EV离网瞬间，
Figure SMS_111
因闵可夫斯基和必要条件限制，需将上述三个时间段整合为一个时间调度域T。本发明采用布尔变量对EV是否并网和离网状态替换，即EV并网瞬间的时间t由
Figure SMS_112
等价；EV离网后的时间t由
Figure SMS_113
等价。因此，为解决瞬时阶跃电量现象，对EV集群的动态储能电量校正，可得动态阶跃偏差电量如式(5)所示。
Figure SMS_114
式中：t∈T；ΔEv,t为集群v中EV在t时刻并网或离网时产生的阶跃电量；
Figure SMS_115
和
Figure SMS_116
分别为第i辆EV接入和离开的电池电量。
综上，基于闵可夫斯基和将所有EV个体的多维决策变量映射成单维决策变量，并将其参与配电网系统调控时的动态能量平衡能力称为EV集群荷储可调度能力，其模型如式(6)所示。
Figure SMS_117
式中：t∈T；
Figure SMS_118
和
Figure SMS_119
分别为集群v在t时刻可调度的总充放电功率；Ev,t为集群v在t时刻可调度的总储能容量。式(6)将EV变量集成化，实质上是将EV的所有变量映射至多维空间，降低了决策变量的维度，刻画了EV集群的荷储可调度能力。
与传统储能模型相比，EV集群荷储可调度能力模型具有较强的充放电灵活性，其灵活性因素主要体现在所有EV个体的接入电量及期望电量、并网时长(接入/离开时间)和最大充放电功率。理论上，集群内EV变量样本越多，荷储可调度能力越准确。当集群内EV数量增多时，可调度能力模型具有极高的准确性和规律性，EVA可利用其特性以及历史数据预测荷储可调度能力。本发明采用蒙特卡洛抽样法对大量历史EV个体充放电行为的不确定性进行抽样，其中日前阶段荷储可调度能力根据各个参数的抽样平均值得到；实时阶段荷储可调度能力根据集群内EV历史数据进行预测。
3多主体两阶段低碳优化模型
结合荷储可调度能力建立多主体两阶段低碳优化运行模型，日前主从博弈阶段是在碳交易机制下计算DSO的最优定价与EVA的最优充放电功率；实时阶段是EVA根据日前预调度计划及荷储可调度能力预测偏差对集群内实时EV个体充放电功率分配及偏差调整。
3.1日前主从博弈定价及预调度管理阶段
日前主从博弈阶段将一天分为24个时段，步长为1h。DSO作为领导者，以其收益最大化为目标优化EVA预调度电价及其它单元出力计划；EVA作为跟随者，以其用电费用最小为目标优化EV集群荷储预调度合同电量。
3.1.1上层DSO决策模型
DSO通过收益与成本的差值使自身利益最大化，目标函数包括EVA用能收益CEVA、EV等效碳配额收益
Figure SMS_120
基础负荷用电收益CL、燃气轮机运行成本CTH、向输电网购电成本CD和碳排放成本
Figure SMS_121
具体目标函数描述为：
Figure SMS_122
Figure SMS_123
式中：
Figure SMS_125
和
Figure SMS_127
分别为t时刻EVA的充电电价、放电电价、基础负荷用电电价和输电网实时电价；cm和cth分别为EV等效碳排放配额售价和燃气轮机碳交易成本；
Figure SMS_130
为节点j处集群v在t时刻的等效碳排放配额量；
Figure SMS_126
和
Figure SMS_128
分别为节点j处t时刻的基础负荷和DSO向输电网的购电量；ah、bh和ch为燃气轮机h的成本系数；
Figure SMS_129
和
Figure SMS_131
分别为节点j处燃气轮机h在t时刻的有功出力、实际出力碳排放量和碳排放配额；Jev、Jl、Jth、Jw和Jd为各个单元的节点集合；N为燃气轮机h的集合；
Figure SMS_124
下同。
约束条件如下：
(1)潮流平衡约束
根据基尔霍夫定理，节点流入功率与流出功率应相等，在忽略对地电容和电纳的情况下，支路的潮流方程(Distflow)采用二阶锥松弛后的形式表示，如式(9)所示。松弛过程和精确性[27]证明见附录A。
Figure SMS_132
式中：Pkj,t、Qkj,t和Ikj,t分别为主线路kj在t时刻传输的有功功率、无功功率和电流i的平方
Figure SMS_133
Pjo,t和Qjo,t分别为子线路jo在t时刻传输的有功功率和无功功率；
Figure SMS_134
为节点j处t时刻风电有功预测值；
Figure SMS_135
分别为节点j处t时刻燃气轮机h、输电网和负荷的无功功率；Uj,t和Uk,t分别为节点j和节点k处t时刻电压u的平方(U＝u2)；rkj和xkj分别为线路kj的电阻和电抗；k∈w(j)和o∈s(j)分别为以首端节点k流向尾端各节点j的集合和以首端节点j流向尾端各节点o的集合。
(2)向输电网购电功率约束
由于风电出力和EV充放电行为均具有随机性，所以增加向输电网购电功率保证配电网系统的稳定性，如式(10)所示。
Figure SMS_136
式中：M为足够大的正数；Pd和Qd均为单位功率。
(3)燃气轮机约束
燃气轮机约束包括上下爬坡速率约束和有功功率与无功功率约束，如式(11)所示。
Figure SMS_137
式中：
Figure SMS_138
为燃气轮机h的上、下爬坡速率；
Figure SMS_139
和
Figure SMS_140
为燃气轮机h在t时刻的最大有功、无功功率和最小有功、无功功率。
(4)安全约束
为了保证配电网的用电质量及支路安全，配电网安全约束包括电压电流的上下限约束和支路传输功率约束，如式(12)所示。
Figure SMS_141
式中：
Figure SMS_142
和
Figure SMS_143
分别为节点j处最大最小安全电压的平方；
Figure SMS_144
为支路kj的最大安全电流的平方；
Figure SMS_145
和
Figure SMS_146
分别为支路kj的最大有功、无功容量和最小有功、无功容量。
(5)风电出力约束
Figure SMS_147
式中：
Figure SMS_148
为节点j处t时刻风电并网功率。
(6)碳交易约束
碳交易机制是碳交易市场的一种规范制度，可约束系统碳排放，本发明燃气轮机的碳排放配额采用无偿分配方式。未来的EV能够参与到碳交易市场出售碳排放配额获取收益[8]。为激励DSO积极调度EV以及降低调度门槛，本发明假设EV产生的碳配额收益由DSO进行管理，并在碳交易市场出售获益。因此，约束条件包括燃气轮机的碳交易约束和EV等效碳排放配额约束，如式(14)所示。
Figure SMS_149
式中：δh和
Figure SMS_150
分别为燃气轮机h的碳排放系数和碳排放配额系数；Lev为EV单位电量下行驶的里程；Egas为燃油汽车单位行驶里程的碳排放量；Enet为EV单位充电电量的等效碳排放量，即考虑其充电电量源于电网发电侧的等效碳排放量。
(7)充放电电价约束
DSO制定电价时需考虑EVA的响应程度，同时DSO制定的均价不得高于向其它配电网购售电的均价，如式(15)所示。
Figure SMS_151
式中：
Figure SMS_152
和
Figure SMS_153
分别为DSO向EVA制定充放电电价的最大值和最小值。
3.1.2下层EVA决策模型
EVA在满足用户需求下通过电价调整向DSO的购售电策略，以用电费用成本最小为目标，决策变量为
Figure SMS_154
和Ev,t，如式(16)所示。
Figure SMS_155
约束条件如下：
虽然集群v可作为柔性荷储资源，但也需满足期望电量；同时避免集群v在同一时刻既作为柔性负荷又作为储能资源，所以式(6)由式(17)表示。
Figure SMS_156
式中：
Figure SMS_157
为EV集群v的期望电量；μv,t为布尔变量，避免集群v存在同时充放电。
3.2实时分配及调整阶段
实时分配及调整阶段将一天分为96个时段，步长为15min。虽然EV集群可调度能力的预测精度比EV个体较高，但日前可调度能力与实时可调度能力仍存在偏差，所以EVA仍需以最小偏差调整成本对日前预调度计划进行修正；同时本发明考虑EV用户参与放电计划时EV电池的损耗，添加EVA对EV电池放电的损耗补偿成本。因此，EVA根据日前预调度计划以其实时利益最大分配及调整并网EV的充放电功率，具体目标函数描述为：
Figure SMS_158
式中：
Figure SMS_159
和
Figure SMS_160
分别为t时刻集群内EV实时充放电电价和放电损耗补偿系数；
Figure SMS_161
为t时刻偏差调整成本系数；
Figure SMS_162
和
Figure SMS_163
分别为集群v在t时刻的实时调整电量。
约束条件如下：
(1)功率平衡约束
此过程是为了弥补日前预调度计划与实时的偏差，所以平衡约束如式(19)所示。
Figure SMS_164
式中：
Figure SMS_165
和
Figure SMS_166
分别为集群v在日前t时刻的预调度充电功率和放电功率。
(2)EV充放电及电量安全约束
此约束见式(1)和式(3)所示，在此不赘述。
(3)EV集群边界约束
EV集群边界约束如式(20)所示。
Figure SMS_167
式中：
Figure SMS_168
和
Figure SMS_169
分别为集群v中EV在t时刻的实时总充/放电功率；
Figure SMS_170
和
Figure SMS_171
分别为EV集群v在t时刻实时最大可调度的充放电功率；σv,t为布尔变量，避免集群v存在同时充放电。
4模型的求解与转化
4.1主从博弈的纳什均衡解
博弈互动过程由DSO与EVA两主体构成，其内部联系为电价与功率的决策，最优纳什均衡解是两主体在追求各自利益最大化的过程中得到。纳什均衡解的存在性与唯一性需满足：1)存在性：各主体策略集合为非空连续凸集；2)唯一性：领导者给出策略后，跟随者仅存在唯一最优策略。由上层DSO主体决策模型易知，其约束条件为线性约束和二阶锥松弛约束且变量都有上下边界，因此可构成策略集合的拟凸函数。由上述分析可知，日前主从博弈模型具有存在且唯一的纳什均衡解。
4.2模型转化及纳什均衡解求解
本发明所提的两阶段优化调度模型，求解难度源于日前主从博弈阶段的目标函数存在非线性关系，即充放电电价与其功率的乘积，难以求得最优纳什均衡解，故需将双层模型转化为单层模型进行求解。下层EVA主体决策模型为连续凸优化问题，基于KKT条件和对偶理论将下层模型转化为上层决策模型的附加条件，具体推导过程见附录B。因此，日前主从博弈阶段的双层模型等效为式(21)所示。
Figure SMS_172
式中：
Figure SMS_173
和
Figure SMS_174
为下层模型约束条件的对偶变量。
由式(21)可知，等效后的单层模型为混合整数二阶锥规划(mixed integersecond-order cone programming，MISOCP)问题；实时分配调整阶段为混合整数规划(mixed integer programming，MIP)问题，能够采用MATLAB环境下的YALMIP优化工具箱与CPLEX求解器对两个规划问题进行求解。基于EV集群可调度能力的多主体两阶段低碳优化运行策略具体求解步骤流程如图3所示。
5算例分析
5.1算例说明
本发明对改进的IEEE 33节点配电网系统进行分析，节点位置分布如图4所示。其额定电压等级为12.66kV，功率基准值为100MVA，电压幅值为±1.07pu，最大有功负荷为9547kW，总无功负荷为2415kVA，选节点33为平衡节点，节点参数见文献[30]。以输电网的市场电价为基准，日前充/放电电价上限和下限分别为1.1/1.3倍和0.8/0.8倍；实时充/放电电价为日前EVA最优充/放电电价的1.5/0.8倍；实时调整成本系数为0.8倍；EV放电损耗补偿系数为0.25元/kW.h。假设各节点风电预测场景相同，根据模糊C均值聚类算法选取典型日风电和基础负荷，如图5所示；各燃气轮机的参数见表1，其碳交易成本为120元/t，碳配额系数为0.798kg/kW.h。假设该系统中含有2个EV集群，EV个体分为夜间并网型和白天并网型，其并网行为习惯采用蒙特卡洛法抽样得到，其参数设置见表2。EV电池容量为35kW.h，其充、放电功率均为6.6kW，SOC在0.1～0.95之间，充/放电效率均为95％。本发明假设EV在单位电量下可行驶7km、等效碳排放量为0.5kg/km.h；燃油汽车单位行驶里程的碳排放量为0.197kg/km；EV碳排放配额售价为100元/t。
表1燃气轮机参数
Table 1 Gas turbine parameters
Figure SMS_175
表2 EV行为习惯抽样参数
Table 2 Sampling parameters of ev behavioral habits
Figure SMS_176
注：N(x,y)为正态分布；U(x,y)为均匀分布。
5.2结果分析
5.2.1 EV集群荷储可调度能力
为验证EV集群荷储可调度能力，通过蒙特卡洛法对历史数据进行抽样得到各集群日前和实时的荷储可调度能力值，如图6所示。
由图6可知，两个EV集群的荷储功率边界具有相似性，这是因为2个集群中EV并网数量相同、行为习惯不同，且EV电池容量固定，荷储功率边界仅由此时段EV并网数量决定。同时，日前和实时的荷储可调度能力值几乎重合验证了EV集群模型的有效性，但EV个体在实时并网过程具有随机性，所以仍存在偏差。而且集群1比集群2的偏差大，这是因为集群2并网时间正态分布的误差方差较小。在时段7:00-9:00左右白天并网型的EV与时段16:00-21:00左右夜间并网型的EV逐渐接入，集群内荷储可调度能力开始增大；在夜晚时段21:00-次日4:00左右与白天时段9:00-16:00左右，夜晚比白天的荷储可调度能力大，这是因为白天并网EV数量较少导致，符合实际出行习惯；而且此时段内集群荷储可调度能力趋于稳定，可作为稳定的荷储资源充放电，这也为电网的调度提供了便捷性和灵活性；在次日时段4:00-6:00左右夜间并网型的EV逐渐离开，集群内荷储可调度能力开始减小。
5.2.2日前多场景结果分析
(1)不同场景下的利益分析
为验证本发明所提方法的有效性，设置4种场景进行对比：
场景1：EV集群不参与充放电调度，按照EV并网先后顺序进行充电，达到期望电量停止充电，即无序充电策略。充电电价为
Figure SMS_177
场景2：仅以DSO利益最大化为目标，EV集群根据DSO电价进行有序充放电。充/放电电价分别为
Figure SMS_178
场景3：考虑DSO-EVA两主体利益的最大化，但EV集群不参与电网互动行为的充电策略。
场景4：以DSO-EVA两主体利益最大化为目标，同时EV集群考虑车网行为的充放电优化策略。
对上述4种场景进行仿真，得到各场景的优化结果如表3所示；各场景下的调度计划如图7所示。
表3不同场景的优化结果
Table 3 Optimization results with different scenarios
Figure SMS_179
由表3可知，在DSO收益方面，场景2最大，场景4次之，场景1、3最小，这是因为场景2仅从自身利益出发。在EVA用能成本方面，场景3、4最低，场景1、2最高，这是因为场景1仅从自身需求出发进行无序充电，场景2虽然进行有序充放电，但此策略未能考虑到EVA的利益，反之场景3/4考虑两主体利益，使得用能成本较低。从等效碳配额收益和向输电网购电成本来看，EV与配电网互动，能够获得较多的碳排放配额收益，同时可以减少向输电网的购电压力，即在增加收益的同时还达了碳减排的效果。就燃气轮机碳交易成本而言，在兼顾两主体利益的场景3/4下低碳燃气轮机出力比仅考虑单方面利益的场景1/2较多，DSO能够将多余碳排放配额出售到碳市场获取收益，进而使得比仅考虑单方面利益的获益高，同时还达到低碳减排效果。综上分析，在双方利益博弈时，都牺牲了以单独一方为主的利益，但能够很好地使双方达到整体利益均衡，增加各方主体的积极性，验证了本发明所提策略在兼顾系统运行的低碳性和各主体利益经济性上都具有很好的效果。
由图7可知，从EV集群的充放电策略、并网互动行为以及碳交易机制下系统的低碳性三个方面对不同场景下的调度计划进行分析。需要说明的是本发明模型及对比场景考虑了每个集群在同一时刻不能既存在充电又存在放电，然而图中绘制的是2个集群充放电功率的总和，因此出现了既充电又放电假象。同时图中未绘制配电网潮流分布的节点注入功率，使得负荷和出力单元存在偏差。
从EV集群的充放电策略来看，场景1仅考虑自身需求，并网就开始充电，但其无序充电行为主要集中在基础负荷的“双高峰”时段，造成严重的“峰上加峰”现象。其它3种场景均在电价的驱动下进行有序充电，避免了“峰上加峰”现象，其中场景2在高峰时段进行放电、低谷时段进行充电，弥补了谷时基础负荷与向输电网的购电行为；场景3/4充电行为主要集中在低电价时段和谷时基础负荷与风电出力较高时段，促进了风电消纳，但若在低谷负荷和低电价时段存在大量充电负荷，可能会存在“峰谷倒置”现象。同时，场景2/4均在高峰时段进行集中放电、低谷时段充电，弥补了谷时基础负荷与向输电网的购电行为，场景4尤为明显。
从EV集群并网互动行为来看，场景1/3仅有充电行为，相当于配网系统没有柔性储能资源的参与，使得在基础负荷的峰时段需向输电网进行购电来平衡配电网电能平衡。场景2/4均存在放电行为，在基础负荷的峰时段EV集群进行放电，弥补了向输电网的购能计划，且减少了燃气轮机的出力计划，相当于促进了配电网系统的低碳性。同时，场景4在多个时段进行充放电，增加了与配电网互动的灵活性，也提高了大规模EV集群调度的灵活性。
从系统的低碳性来看，场景1/3中没有车网互动行为，均向输电网购买高碳排放的能源，其中场景1在负荷低谷时段也出现少量弃风；场景2/4中存在车网互动的情况，未向输电网购电行为，相对减少了系统的碳排放量，且场景2也存在少量弃风，新能源利用率相对降低。场景3/4中存在各主体的利益博弈，EV充电行为能跟踪新能源出力，完全消纳了零碳排放的新能源，其中场景4较场景3而言存在车网互动行为，减少向上级购买高碳排放的能源，达到低碳减排的效果。在各场景下，就3台燃气轮机而言，低碳燃气轮机出力远高于高碳燃气轮机，且高碳机组多数在负荷高峰时段出力来弥补系统电量平衡，实现了新型配电系统的低碳目标。
(2)日前定价及充放电策略
日前主从博弈阶段DSO的定价策略以及EVA向DSO反馈的充放电策略结果如图8所示。
由图8可知，2个EVA的充放电功率计划及DSO制定的电价具有相似性，这是因为每个EVA管理的EV数量相同；但在同一时段不同EV集群的充放电功率存在差异性，这是EV个体并网及可调度能力不同导致。从各个集群的充放电预调度计划来看，EV集群可作为柔性储能设备的可控能源，这为未来新型电力系统柔性储能的配置提供了参考。在两主体博弈时，EVA为使其用电电能成本最小化，2个EV集群的荷储功率可调度行为均在低电价时段进行充电，高电价时段进行放电。DSO制定的电价跟随实时市场电价的变化，且在市场电价的基础上进行波动并不超过市场电价的均值，这是因为两主体在博弈过程中都从自身利益出发，在满足基本约束条件下实现各自利益最大化。
5.2.3实时分配及调整结果分析
(1)集群内EV实时分配结果
实时阶段EVA为使实时功率跟随日前预调度计划，同时在满足EV并网需求下对其充放电功率分配，以集群1为例，其电池电量结果如图9所示。
由图9可知，实时阶段EV数量(按并网顺序计数)随着时间先急剧增加后缓慢、再急剧增加后缓慢的趋势变化，与日前EV集群荷储功率可调度能力相似。投影中黑线的左侧为EV并网时的初始电量，即EV离网状态。当并网的EV数量在1—184辆之间时(白天并网型)，EV先充电后放电再充电，最后离网时达到电量期望值；当并网的EV数量在184—460辆之间时(夜间并网型)，多数EV先放电再充电，在离网时达到期望电量值，均符合电价响应行为。从投影中的颜色来看，每辆EV在每一时刻的充放电功率几乎均匀分配，且分配策略按照当前并网数量实时调整。同时部分夜间并网型EV比白天并网型提前达到电量期望，这是因为此刻EV需离网出行导致，且与日前荷储功率可调度能力边界下降趋势相符，实现EV功率的实时分配。
(2)EVA实时偏差调整结果
实时充放电过程考虑EV并网时刻及EV集群的预测偏差，EVA需在日前预调度计划上以最小调整成本进行修正，其偏差调整结果如图10所示。
由图10可知，EV集群内实时充放电偏差调整量很小，意味着实时调整阶段能够很好地跟踪日前预调度计划。各集群在时刻7:00—9:00左右充电偏差调整量最大，这是因为EVA实时观测的EV集群储能可调度能力低于日前预测值；在次日3:00左右集群调整量较大且超出实时边界值，这是因为实时阶段以EVA最大利益为优化目标致使出现短暂放电现象以及日前预测值比实时观测到的储能可调度能力高。实时调整阶段与日前博弈阶段相比，车辆的预测行为存在偏差，当EV集群实时充放电功率达到该阶段荷储可调度能力的最大值时，集群内EV能够很好地补偿日前预调度计划的预测偏差；当EV集群实时充放电功率在荷储可调度边界以下范围内波动时，集群不需要对实时与日前车辆预测行偏差调整，这是因为实时充放电功率达不到边界值，相当于增加了系统的容许偏差和鲁棒性，且实时充放电功率与边界值的差值亦可称为EV集群的备用容量，即不需要进行偏差补偿。
5.2.4各场景下系统低碳优化运行分析
为进一步分析碳交易机制下不同场景的碳排放量，对燃气轮机的碳排放量、向输电网购电的碳排放量和EV等效碳排放配额分析，如图11所示。
如图11所示，以及结合前文表3中的碳交易成本，场景1/2中燃气轮机的总碳排放量整体最高，场景4与其它场景相比，燃气轮机的总碳排放量整体都有所下降，这是因为在运行阶段场景4中的低碳排放机组运行出力较多，解决了系统的总碳排放问题。场景1/3与场景2/4相比在负荷高峰时段碳排放量增加，这是因为EV不进行车到网的反向放电，高峰时刻需要向输电网购买高碳排放能源使系统功率达到平衡，其它时刻系统功率平衡满足，不购买高碳排放能源。场景3/4中的EV等效碳排放配额与风电出力呈正相关性，这说明在双方博弈的情况下，EV受动态定价和碳减排的驱动，能够很好地消纳新能源出力；其中EV等效碳排放配额为负值表示此刻EV放电时替代了其它碳排能源的出力，降低了系统的总碳排放量。由此可见，EV通过车网互动技术，能够与其它出力能源形成优势互补，达到整体碳减排的效果，实现系统的低碳性。
5.2.5各场景下配电网潮流分析
为进一步分析不同EV充放电策略对配网安全运行的影响，对场景1—4的节点电压计算分析，所有节点电压的均值分别为1.0263pu、1.0303pu、1.0253pu、1.0194pu，节点电压分布图如图12所示。
由图12可知，4种场景的高节点电压幅值均集中在燃气轮机接入(节点17、24、32)的节点处，场景1最为明显，场景2、3次之，场景4最不明显，这是受燃气轮机出力高低的影响；配电网电压降落幅度较大的节点主要集中在夜间时段的节点6至节点17及节点26至节点32处，这是受此时段基础负荷较低的影响。场景2/3/4与场景1相比，均增加了夜间时段节点电压的降幅，将对配电网安全运行造成严重影响，但场景3/4均改善了白天时段节点电压的高电压幅值分布，尤其场景4最为明显。同时，场景4与其它各场景节点电压标幺值的平均值相比，场景4最小，说明本发明所提策略也可提高配电网的电压质量，确保配电网的安全运行。
6结论
低碳背景下针对大规模分散EV并网后调度困难和DSO与EVA利益冲突问题，提出考虑EV集群可调度能力的多主体两阶段低碳优化运行策略。利用节点系统验证模型的有效性，结论如下：
1)充分表征了EV个体出行行为习惯和挖掘EV集群荷储能力，基于闵可夫斯基和构建了EV集群荷储可调度能力模型，既不增加变量维度又不对约束变量进行假设，提高了大规模EV集群预调度的灵活性和准确性。
2)碳交易和EV碳配额机制协同提高DSO与大规模EV集群互动的积极性和消纳可再生能源的能力，实现配电网内多参与主体的低碳互补优势。
3)根据EV出行习惯和博弈论建立了两阶段优化模型，结合KKT和强对偶理论求解了模型的纳什均衡解，并在满足自身利益的情况下结合EV实时状态对车辆进行分配，实现了DSO、EVA与EV的多主体共赢。
本发明所提策略有助于电力行业和交通领域的低碳发展，在提高计算效率的同时也兼顾了配电网内多主体的利益，具有一定的实际意义。今后的研究将进一步考虑EV集群可调度能力和可再生能源出力的不确定性对系统经济性的影响以及EV的实时响应意愿。
附录
下层EVA决策模型的原目标函数：
Figure SMS_180
原始约束条件如下：
Figure SMS_181
采用KKT条件和对偶理论对上述模型转化，可得：
(1)下层约束条件的等价变换
Figure SMS_182
(2)下层模型的拉格朗日函数
Figure SMS_183
式中：
Figure SMS_184
和
Figure SMS_185
分别为式(B3)约束条件的对偶变量。
(3)等式约束
Figure SMS_186
Figure SMS_187
分别对变量
Figure SMS_188
和Ev,t求偏导，可得：
Figure SMS_189
(4)互补松弛条件
对式(B3)中的不等式条件采用互补松弛条件的形式等价，如式(B8)所示。
Figure SMS_190
式中：0≤x⊥y≥0表示式中对应的标量最多只有一个大于0，即x≥0、y≥0且x*y＝0。
(5)互补松弛条件的线性不等式约束
Figure SMS_191
式中：M为足够大的正数；
Figure SMS_192
和
Figure SMS_193
分别为互补松弛条件对应的布尔变量。
综上所述，根据线性规划问题的对偶理论可知，在模型最优解处原始非线性的解和对偶问题的解相等。采用KKT条件可将日前原始下层目标函数等价为：
Figure SMS_194
由此，日前主从博弈模型即可转化为单层混合整数二阶锥规划(MISOCP)问题，可直接采用CPLEX求解器求解。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何不经过创造性劳动想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书所限定的保护范围为准。

Claims (5)

1.电动汽车集群可调度能力的多主体两阶段低碳优化运行方法，其特征在于，EVA作为EV的中介；DSO以其收益最大构建上层模型，负责基础负荷用电与EVA充放电的电价策略；EVA在满足需求的前提下以其用电费用最小构建下层模型，负责集群荷储的预调度计划；实时分配及调整阶段，EVA根据日前电价、预调度计划以自身收益最大分配EV充放电电量并调整日前预调度偏差；经过两个阶段优化后，各主体能得到合理电价及最优充放电决策。
2.根据权利要求1所述的方法，其特征在于，该方法包括
步骤一、EV集群荷储可调度能力模型；
(1)EV个体充放电模型；
(2)EV集群的荷储可调度能力模型；
步骤二、多主体两阶段低碳优化模型；
(1)日前主从博弈定价及预调度管理阶段，包括上层DSO决策模型和下层EVA决策模型；
(2)实时分配及调整阶段；
步骤三、模型的求解与转化
(1)主从博弈的纳什均衡解
博弈互动过程由DSO与EVA两主体构成，其内部联系为电价与功率的决策，最优纳什均衡解是两主体在追求各自利益最大化的过程中得到；纳什均衡解的存在性与唯一性需满足：1)存在性：各主体策略集合为非空连续凸集；2)唯一性：领导者给出策略后，跟随者仅存在唯一最优策略；由上层DSO主体决策模型易知，其约束条件为线性约束和二阶锥松弛约束且变量都有上下边界，因此可构成策略集合的拟凸函数；由上述分析可知，日前主从博弈模型具有存在且唯一的纳什均衡解；
(2)模型转化及纳什均衡解求解
本发明所提的两阶段优化调度模型，求解难度源于日前主从博弈阶段的目标函数存在非线性关系，即充放电电价与其功率的乘积，难以求得最优纳什均衡解，故需将双层模型转化为单层模型进行求解；下层EVA主体决策模型为连续凸优化问题，基于KKT条件和对偶理论将下层模型转化为上层决策模型的附加条件；因此，日前主从博弈阶段的双层模型等效为式(21)所示；
Figure QLYQS_1
式中：
Figure QLYQS_2
和
Figure QLYQS_3
为下层模型约束条件的对偶变量；由式(21)可知，等效后的单层模型为混合整数二阶锥规划问题；实时分配调整阶段为混合整数规划问题，能够采用MATLAB环境下的YALMIP优化工具箱与CPLEX求解器对两个规划问题进行求解。
3.根据权利要求2所述的方法，其特征在于：步骤一中，EV个体充放电模型具体为：
EV接入配电网后，在满足EV个体需求的前提下，借助车网互动技术可参与到配电网的调度计划中；EV个体分为快充和慢充两种模式，由于快充模式不可控制，本发明采用慢充模式；EV个体充放电模型如式(1)、式(2)所示；
Figure QLYQS_4
Figure QLYQS_5
式中：
Figure QLYQS_7
和
Figure QLYQS_11
分别为第i辆EV在t时刻的充放电功率；
Figure QLYQS_13
和
Figure QLYQS_8
分别为第i辆EV离网和并网时的荷电状态(state of charge，SOC)；
Figure QLYQS_10
为EV的电池容量；Ta和Ti,ar、Ti,eq分别为第i辆EV的并网时段和接入、离开时刻；
Figure QLYQS_12
和
Figure QLYQS_14
为第i辆EV额定充放电功率；Si,t为第i辆EV在t时刻的SOC；ηc和ηd分别为充电和放电效率；
Figure QLYQS_6
和
Figure QLYQS_9
分别为第i辆EV的最大SOC和最小SOC；Δt为时间步长。
4.根据权利要求2所述的方法，其特征在于：步骤一中，EV集群的荷储可调度能力模型具体为：
由于EV个体荷储容量有限，且当大规模EV并网后会引入大量变量，易造成计算压力问题；同时，EV个体的预测具有很大的随机性，且不能满足配电网灵活调度的门槛；因此构建EV集群荷储模型对配电网灵活调度EV是十分重要的；
EV充放电功率的互补条件是冗余的，即
Figure QLYQS_15
一定为0；由于EV并网时间Ta存在差异性，且采用闵可夫斯基和的前提是所有变量满足同一定义域，因此需要将EV个体并网时间Ta处理为相同时间调度域T；故对EV集群内EV个体的定义域进行扩展，引入布尔变量u(1为并网，反之离网)对并网约束
Figure QLYQS_16
Figure QLYQS_17
进行变换，可得到一个调度周期时间域T内EV个体充放电模型，如式(3)所示；
Figure QLYQS_18
式中：t∈T；ui,t＝0为第i辆EV在t时刻未并网，反之第i辆EV并网；Ei,t为第i辆EV在t时刻的电池电量，即Ei,t＝Si,tPi ev,m；
Figure QLYQS_19
和
Figure QLYQS_20
分别为第i辆EV最小和最大的安全电量边界；
对式(3)中EV充放电功率边界、电池安全电量边界采用闵可夫斯基和[14,15]得到EV集群荷储可调度能力上下边界，如式(4)所示；
Figure QLYQS_21
式中：t∈T；
Figure QLYQS_22
和
Figure QLYQS_23
分别为EV集群v在t时刻最大可调度的充放电功率；
Figure QLYQS_24
为集群v中EV个体数量的集合；
Figure QLYQS_25
和
Figure QLYQS_26
分别为EV集群v在t时刻可调度的最大和最小储能电量；
考虑EV集群内存在多辆EV同时并网、离网瞬间可能会造成阶跃电量，进而出现瞬时功率不平衡现象；EV集群阶跃电量在并网或离网时发生，即EV已在并网状态，ΔEv,t＝0；当EV并网瞬间，
Figure QLYQS_27
当EV离网瞬间，
Figure QLYQS_28
因闵可夫斯基和必要条件限制，需将上述三个时间段整合为一个时间调度域T；本发明采用布尔变量对EV是否并网和离网状态替换，即EV并网瞬间的时间t由
Figure QLYQS_29
等价；EV离网后的时间t由
Figure QLYQS_30
等价；因此，为解决瞬时阶跃电量现象，对EV集群的动态储能电量校正，可得动态阶跃偏差电量如式(5)所示；
Figure QLYQS_31
式中：t∈T；ΔEv,t为集群v中EV在t时刻并网或离网时产生的阶跃电量；
Figure QLYQS_32
和
Figure QLYQS_33
分别为第i辆EV接入和离开的电池电量；
综上，基于闵可夫斯基和将所有EV个体的多维决策变量映射成单维决策变量，并将其参与配电网系统调控时的动态能量平衡能力称为EV集群荷储可调度能力，其模型如式(6)所示；
Figure QLYQS_34
式中：t∈T；
Figure QLYQS_35
和
Figure QLYQS_36
分别为集群v在t时刻可调度的总充放电功率；Ev,t为集群v在t时刻可调度的总储能容量；式(6)将EV变量集成化，实质上是将EV的所有变量映射至多维空间，降低了决策变量的维度，刻画了EV集群的荷储可调度能力；
与传统储能模型相比，EV集群荷储可调度能力模型具有较强的充放电灵活性，其灵活性因素主要体现在所有EV个体的接入电量及期望电量、并网时长(接入/离开时间)和最大充放电功率；理论上，集群内EV变量样本越多，荷储可调度能力越准确；当集群内EV数量增多时，可调度能力模型具有极高的准确性和规律性，EVA可利用其特性以及历史数据预测荷储可调度能力；本发明采用蒙特卡洛抽样法对大量历史EV个体充放电行为的不确定性进行抽样，其中日前阶段荷储可调度能力根据各个参数的抽样平均值得到；实时阶段荷储可调度能力根据集群内EV历史数据进行预测。
5.根据权利要求2所述的方法，其特征在于：步骤二中，具体为：
多主体两阶段低碳优化模型
结合荷储可调度能力建立多主体两阶段低碳优化运行模型，日前主从博弈阶段是在碳交易机制下计算DSO的最优定价与EVA的最优充放电功率；实时阶段是EVA根据日前预调度计划及荷储可调度能力预测偏差对集群内实时EV个体充放电功率分配及偏差调整；
日前主从博弈定价及预调度管理阶段
日前主从博弈阶段将一天分为24个时段，步长为1h；DSO作为领导者，以其收益最大化为目标优化EVA预调度电价及其它单元出力计划；EVA作为跟随者，以其用电费用最小为目标优化EV集群荷储预调度合同电量；
上层DSO决策模型
DSO通过收益与成本的差值使自身利益最大化，目标函数包括EVA用能收益CEVA、EV等效碳配额收益
Figure QLYQS_37
基础负荷用电收益CL、燃气轮机运行成本CTH、向输电网购电成本CD和碳排放成本
Figure QLYQS_38
具体目标函数描述为：
Figure QLYQS_39
Figure QLYQS_40
式中：
Figure QLYQS_42
和
Figure QLYQS_44
分别为t时刻EVA的充电电价、放电电价、基础负荷用电电价和输电网实时电价；cm和cth分别为EV等效碳排放配额售价和燃气轮机碳交易成本；
Figure QLYQS_46
为节点j处集群v在t时刻的等效碳排放配额量；
Figure QLYQS_43
和
Figure QLYQS_45
分别为节点j处t时刻的基础负荷和DSO向输电网的购电量；ah、bh和ch为燃气轮机h的成本系数；
Figure QLYQS_47
和
Figure QLYQS_48
分别为节点j处燃气轮机h在t时刻的有功出力、实际出力碳排放量和碳排放配额；Jev、Jl、Jth、Jw和Jd为各个单元的节点集合；N为燃气轮机h的集合；
Figure QLYQS_41
下同；
约束条件如下：
(1)潮流平衡约束
根据基尔霍夫定理，节点流入功率与流出功率应相等，在忽略对地电容和电纳的情况下，支路的潮流方程(Distflow)采用二阶锥松弛后的形式表示，如式(9)所示；松弛过程和精确性[27]证明见附录A；
Figure QLYQS_49
式中：Pkj,t、Qkj,t和Ikj,t分别为主线路kj在t时刻传输的有功功率、无功功率和电流i的平方
Figure QLYQS_50
Pjo,t和Qjo,t分别为子线路jo在t时刻传输的有功功率和无功功率；
Figure QLYQS_51
为节点j处t时刻风电有功预测值；
Figure QLYQS_52
分别为节点j处t时刻燃气轮机h、输电网和负荷的无功功率；Uj,t和Uk,t分别为节点j和节点k处t时刻电压u的平方(U＝u2)；rkj和xkj分别为线路kj的电阻和电抗；k∈w(j)和o∈s(j)分别为以首端节点k流向尾端各节点j的集合和以首端节点j流向尾端各节点o的集合；
(2)向输电网购电功率约束
由于风电出力和EV充放电行为均具有随机性，所以增加向输电网购电功率保证配电网系统的稳定性，如式(10)所示；
Figure QLYQS_53
式中：M为足够大的正数；Pd和Qd均为单位功率；
(3)燃气轮机约束
燃气轮机约束包括上下爬坡速率约束和有功功率与无功功率约束，如式(11)所示；
Figure QLYQS_54
式中：
Figure QLYQS_55
为燃气轮机h的上、下爬坡速率；
Figure QLYQS_56
和
Figure QLYQS_57
为燃气轮机h在t时刻的最大有功、无功功率和最小有功、无功功率；
(4)安全约束
为了保证配电网的用电质量及支路安全，配电网安全约束包括电压电流的上下限约束和支路传输功率约束，如式(12)所示；
Figure QLYQS_58
式中：
Figure QLYQS_59
和
Figure QLYQS_60
分别为节点j处最大最小安全电压的平方；
Figure QLYQS_61
为支路kj的最大安全电流的平方；
Figure QLYQS_62
和
Figure QLYQS_63
分别为支路kj的最大有功、无功容量和最小有功、无功容量；
(5)风电出力约束
Figure QLYQS_64
式中：
Figure QLYQS_65
为节点j处t时刻风电并网功率；
(6)碳交易约束
碳交易机制是碳交易市场的一种规范制度，可约束系统碳排放，本发明燃气轮机的碳排放配额采用无偿分配方式；未来的EV能够参与到碳交易市场出售碳排放配额获取收益[8]；为激励DSO积极调度EV以及降低调度门槛，本发明假设EV产生的碳配额收益由DSO进行管理，并在碳交易市场出售获益；因此，约束条件包括燃气轮机的碳交易约束和EV等效碳排放配额约束，如式(14)所示；
Figure QLYQS_66
式中：δh和
Figure QLYQS_67
分别为燃气轮机h的碳排放系数和碳排放配额系数；Lev为EV单位电量下行驶的里程；Egas为燃油汽车单位行驶里程的碳排放量；Enet为EV单位充电电量的等效碳排放量，即考虑其充电电量源于电网发电侧的等效碳排放量；
(7)充放电电价约束
DSO制定电价时需考虑EVA的响应程度，同时DSO制定的均价不得高于向其它配电网购售电的均价，如式(15)所示；
Figure QLYQS_68
式中：
Figure QLYQS_69
和
Figure QLYQS_70
分别为DSO向EVA制定充放电电价的最大值和最小值；
下层EVA决策模型
EVA在满足用户需求下通过电价调整向DSO的购售电策略，以用电费用成本最小为目标，决策变量为
Figure QLYQS_71
和Ev,t，如式(16)所示；
Figure QLYQS_72
约束条件如下：
虽然集群v可作为柔性荷储资源，但也需满足期望电量；同时避免集群v在同一时刻既作为柔性负荷又作为储能资源，所以式(6)由式(17)表示；
Figure QLYQS_73
式中：
Figure QLYQS_74
为EV集群v的期望电量；μv,t为布尔变量，避免集群v存在同时充放电；
实时分配及调整阶段
实时分配及调整阶段将一天分为96个时段，步长为15min；虽然EV集群可调度能力的预测精度比EV个体较高，但日前可调度能力与实时可调度能力仍存在偏差，所以EVA仍需以最小偏差调整成本对日前预调度计划进行修正；同时本发明考虑EV用户参与放电计划时EV电池的损耗，添加EVA对EV电池放电的损耗补偿成本；因此，EVA根据日前预调度计划以其实时利益最大分配及调整并网EV的充放电功率，具体目标函数描述为：
Figure QLYQS_75
式中：
Figure QLYQS_76
和
Figure QLYQS_77
分别为t时刻集群内EV实时充放电电价和放电损耗补偿系数；
Figure QLYQS_78
为t时刻偏差调整成本系数；
Figure QLYQS_79
和
Figure QLYQS_80
分别为集群v在t时刻的实时调整电量；
约束条件如下：
(1)功率平衡约束
此过程是为了弥补日前预调度计划与实时的偏差，所以平衡约束如式(19)所示；
Figure QLYQS_81
式中：
Figure QLYQS_82
和
Figure QLYQS_83
分别为集群v在日前t时刻的预调度充电功率和放电功率；
(2)EV充放电及电量安全约束
此约束见式(1)和式(3)所示，在此不赘述；
(3)EV集群边界约束
EV集群边界约束如式(20)所示；
Figure QLYQS_84
式中：
Figure QLYQS_85
和
Figure QLYQS_86
分别为集群v中EV在t时刻的实时总充/放电功率；
Figure QLYQS_87
和
Figure QLYQS_88
分别为EV集群v在t时刻实时最大可调度的充放电功率；σv,t为布尔变量，避免集群v存在同时充放电。
CN202211319879.7A 2022-10-26 2022-10-26 电动汽车集群可调度能力的多主体两阶段低碳优化运行方法 Pending CN115829224A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211319879.7A CN115829224A (zh) 2022-10-26 2022-10-26 电动汽车集群可调度能力的多主体两阶段低碳优化运行方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211319879.7A CN115829224A (zh) 2022-10-26 2022-10-26 电动汽车集群可调度能力的多主体两阶段低碳优化运行方法

Publications (1)

Publication Number Publication Date
CN115829224A true CN115829224A (zh) 2023-03-21

Family

ID=85525501

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211319879.7A Pending CN115829224A (zh) 2022-10-26 2022-10-26 电动汽车集群可调度能力的多主体两阶段低碳优化运行方法

Country Status (1)

Country Link
CN (1) CN115829224A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117526453A (zh) * 2024-01-04 2024-02-06 国网浙江省电力有限公司 一种基于电动汽车集群的配电网光伏消纳调度方法
CN117613906A (zh) * 2024-01-24 2024-02-27 南京邮电大学 分布式源荷参与下的配电系统多主体实时协同降碳方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117526453A (zh) * 2024-01-04 2024-02-06 国网浙江省电力有限公司 一种基于电动汽车集群的配电网光伏消纳调度方法
CN117526453B (zh) * 2024-01-04 2024-03-22 国网浙江省电力有限公司 一种基于电动汽车集群的配电网光伏消纳调度方法
CN117613906A (zh) * 2024-01-24 2024-02-27 南京邮电大学 分布式源荷参与下的配电系统多主体实时协同降碳方法
CN117613906B (zh) * 2024-01-24 2024-03-22 南京邮电大学 分布式源荷参与下的配电系统多主体实时协同降碳方法

Similar Documents

Publication Publication Date Title
CN110188950B (zh) 基于多代理技术的虚拟电厂供电侧和需求侧优化调度建模方法
Zheng et al. Integrating plug-in electric vehicles into power grids: A comprehensive review on power interaction mode, scheduling methodology and mathematical foundation
CN109146201A (zh) 基于合作博弈的充换储一体化电站微电网优化调度方法
CN108944531A (zh) 一种电动汽车有序充电控制方法
CN110826880B (zh) 一种大规模电动汽车接入的主动配电网优化调度方法
CN115829224A (zh) 电动汽车集群可调度能力的多主体两阶段低碳优化运行方法
CN111310966A (zh) 含电动汽车充电站的微电网选址及优化配置方法
Yao et al. A fuzzy logic based charging scheme for electric vechicle parking station
Beyazıt et al. Cost optimization of a microgrid considering vehicle-to-grid technology and demand response
CN111740403A (zh) 一种电网运营商与电动汽车集群的主从博弈调度策略
CN113326467B (zh) 基于多重不确定性的多站融合综合能源系统多目标优化方法、存储介质及优化系统
CN116402307A (zh) 考虑可调度柔性资源运行特性的电网规划容量分析方法
CN116632896A (zh) 一种多光储充电站的电动汽车充放电协同调度方法及系统
CN105576684A (zh) 一种含高渗透率光电微电网中的电动汽车优化调度方法
Ren et al. Multitime scale coordinated scheduling for electric vehicles considering photovoltaic/wind/battery generation in microgrid
CN116090739A (zh) 一种综合考虑电动汽车有序充电的虚拟电厂优化调度方法
Huu A three-stage of charging power allocation for electric two-wheeler charging stations
Zhang et al. Multi-objective optimal scheduling strategy of microgrid based on v2g technology
CN115907488A (zh) 考虑用户积极性的新能源微电网多层级车网协同优化方法
CN115000985A (zh) 一种用户侧分布式储能设施聚合管控方法及系统
CN116404629A (zh) 一种高比例分布式光伏配电网中的电动汽车协调充电方法
Chen et al. Optimal operation between electric power aggregator and electric vehicle based on Stackelberg game model
Zhuang et al. Capacity configuration and control strategy of ev charging station with integrated wind power and energy storage based on ssa
Dicorato et al. Optimal operation and reserve provision planning for an EV-oriented DC microgrid
CN115693737A (zh) 一种基于v2g电动汽车聚合参与配电网调度的方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication