计及电动汽车参与多元需求响应的微电网多时间尺度优化调度模型

2023-09-27 10:34刘又榕林顺富沈运帷周波李东东许亮峰

电力建设 2023年10期

刘又榕,林顺富,沈运帷,周波,李东东,许亮峰

(1. 上海电力大学电气工程学院,上海市 200090;2. 上海市智能电网需求响应技术重点实验室,上海市 200063)

0 引言

随着全球日益严峻的能源短缺与环境污染等问题,加快供能侧绿色低碳转型是我国电力事业发展的重要方向[1-3]。微电网作为集合了来自源荷储侧各类资源的微型系统,为绿色能源开发与利用提供了良好的平台基础[4-6]。为了提高绿色清洁能源的利用效率,保障微电网系统的稳定可靠运行,发展多元的需求响应技术,以实现系统的高效优化调度成为近年来研究的热点[7-8]。

电动汽车作为能够实现双向调节的需求响应资源,对其充放电行为进行有序优化,有助于缓解微电网的供电压力,平滑负荷曲线[9-12]。目前电动汽车在调度方面研究人员主要将其与价格型需求响应(price-based demand response,PDR)相结合[13-18]。文献[13-14]分别针对电动出租车与私家电动汽车提出了基于实时电价的车辆优化调度方法。文献[15]基于分时电价策略在日前阶段实现电动汽车与微电网的分层调度。文献[16]采用博弈思想对基础分时电价策略进一步进行优化。文献[17]采用多个视角考虑定价策略,提出基于分时电价的多目标优化模型。文献[18]基于用户的充电行为偏好,对电动汽车进行了分类并参与微电网的经济调度。然而,价格型需求响应技术难以充分挖掘电动汽车的调度潜力。

激励型需求响应(incentive-based demand response,IDR)技术相比价格型,能够通过签订协议实现对电动汽车的进一步调用[19-21]。文献[22]基于电价与碳配额2种激励手段,引导电动汽车进行有序充放电,实现新能源的完全消纳。文献[23]基于系统的削峰需求设置价格激励,以此来激励电动汽车参与削峰填谷。文献[24]通过设置补偿激励,引导电动汽车进行多区域间的有序充电。以上研究都通过设置不同的激励政策对电动汽车资源进行调度,但其对用户参与优化的响应特性要求更高,可能与用户自身意愿相冲突,故难以实现电动汽车资源的广泛参与。

目前同时考虑电动汽车参与价格型与激励型需求响应的研究还很少。文献[25-26]均仅在日前阶段对价格型与激励型电动汽车资源进行优化,且没有对二者的调度模型进行明显的区分。一方面,日前阶段源荷的预测曲线与实际场景具有一定的误差,为提高调度计划的可执行性,在日内阶段,基于更接近实际场景的预测曲线,对日前的调度计划进行修正具有十分重要的意义。另一方面,由于价格型与激励型响应资源的响应特性不同,响应时间较长的价格型需求响应资源适合在日前阶段进行调度,而响应时间较短的激励型需求响应资源能够在日内阶段参与系统的优化调度[27]。

针对上述研究中存在的不足,本文提出一种计及电动汽车参与多元需求响应的微电网多时间尺度优化调度模型。以用户是否签订激励协议对电动汽车资源进行划分。并基于预测曲线得到微电网一日的供需关系,设定分时电价策略。在日前阶段,未签订激励协议的电动汽车资源与价格型需求响应技术相结合。基于电价策略,以用户的综合满意度为目标进行优化,并将优化结果传递给微网层。微网层基于该调度安排设计各侧可调资源的出力计划,以碳排放与运行成本最小、灵活性满足度最大为目标进行调度。在日内阶段,签订激励协议的电动汽车资源与激励型需求响应技术相结合,以微电网管理中心为主体,激励型电动汽车群为从体,构建基于主从博弈的微电网调度模型,并进行滚动优化。最后,以含80辆电动汽车的微电网场景进行仿真验证,结果表明本文所提模型能够有效平滑负荷曲线,减小峰谷差,实现风电的全部消纳。

1 微电网多时间尺度优化调度框架

本文以含电动汽车的微电网为应用场景,该场景包含微电网能量管理中心、电动汽车聚合商与电动汽车用户3种主体。其中电动汽车聚合商主要起到辅助电动汽车参与需求响应的作用,因此本文重点描述电动汽车参与微电网优化调度的过程。

电动汽车用户基于自身意愿选择是否与电动汽车聚合商签订激励协议。一部分用户未签订协议归为价格型需求响应资源,利用分时电价策略引导电动汽车制定有序充放电计划。另一部分用户完成协议签订归为激励型需求响应资源,用户会将电动汽车的调度权授权给电动汽车聚合商,聚合商与管理中心共同决定补贴电价并完成优化调度。由于价格型与激励型需求响应资源的响应特性不同,本文设定响应速度较慢的价格型需求响应参与日前优化,响应速度较快的激励型需求响应参与日内优化。具体调度框架如图1所示。

图1 微电网多时间尺度优化调度框架Fig.1 Multi-time-scale optimization scheduling framework for microgrid

首先,在日前阶段,根据源荷两侧预测曲线的供需关系制定分时电价策略。价格型电动汽车资源基于该电价策略,以用户满意度最高为目标确定充放电计划。其次,基于上述充放电行为,在微网层以微电网经济低碳成本最小与灵活性满足度最大为目标进行优化。确定日前阶段各类灵活性资源在各时段的调度安排,以提升系统应对不确定性的能力。最后,在日内阶段考虑微电网主体与负荷用户不同的利益诉求,分别以自身运营成本与用能成本最小为目标,构建基于主从博弈的微电网调度模型并进行求解,使得双方都能获得均衡解下的最优结果。

2 微电网日前优化调度模型

本文基于第二天的供需平衡关系设计分时电价策略。具体设定方法见附录A。

2.1 日前电动汽车用户优化模型

2.1.1 目标函数

考虑电动汽车用户的经济收益与出行满意度,以所有用户的综合满意度为目标进行优化。其中收益满意度包含用户的用能花费与电池损耗成本2个部分。

(1)

式中:UEVA为电动汽车用户的综合满意度;γi,in、γi,SOC分别为第i辆电动汽车的收益满意度权重与出行满意度权重;Ui,in、Ui,SOC分别为第i辆电动汽车的收益满意度与出行满意度。

1)电动汽车用户的收益满意度Uin。

(2)

ΔCEV=CEV-CEV,min

(3)

(4)

2)电动汽车用户的出行满意度USOC。

(5)

式中:SEV,lea为离开时的电荷状态;SEV,hope为期望电荷状态;SEV,road为行驶所需的电荷大小;SEV.min为电动汽车最小电荷状态。

2.1.2 约束条件

电动汽车的充放电功率与荷电状态约束方程详见文献[15]。另外增加电动汽车的充电时间约束进行考虑。

0≤tEV,ch≤tEV,max

(6)

式中:tEV,ch为电动汽车的充电时长;tEV,max为最大充电时长。

2.2 微电网日前多目标优化模型

本文在日前调度阶段分两步确定价格型需求响应资源的调用计划。第一步,以电动汽车用户的综合满意度最优为目标,优化价格型电动汽车资源的充放电行为;第二步,通过双目标优化模型确定其他价格型资源的调度安排,并将柴油机与蓄电池作为灵活性资源,保证系统在调度时段的灵活性可调裕度,以提高其日内应对不确定性的能力。

2.2.1 目标函数

1)经济低碳目标。

为缓解目前日益严重的环境问题,构建经济低碳优化目标对微电网优化调度具有重要意义。目标函数主要包含运行成本与碳排放成本2个方面,其中前者反映了微电网的经济性需求,后者是低碳目标的体现。其中,碳排放主要产生于大电网与柴油机所排放的CO2与CO气体。

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

(7)

式中:Fin为微电网运行成本;CWT为风机发电成本;Cab为弃风成本;CDE为柴油机出力成本;Cbuy为微电网购电成本;CESS为蓄电池调度成本;Cca为碳排放成本。

各成本具体模型如下所示:

(8)

(9)

(10)

(11)

(12)

(13)

2)灵活性目标。

为提升微电网系统应对日内源荷不确定性的能力,本文以柴油机与储能为灵活性资源,以灵活性满足度为灵活性目标,其中sup(t)与sdown(t)为0-1状态变量,大小取决于t时刻的供需不平衡关系。柴油机与储能相关灵活性公式详见附录B。

(14)

式中:Fflex为灵活性满足度;Pup(t)、Pdown(t)分别为t时刻向上或向下的灵活性可调裕度;Pe(t)为t时刻需求侧与供能侧功率的差值。

2.2.2 约束条件

1)功率平衡约束。

(15)

式中:PPDR(t)为t时刻PDR资源的用电量;Pload(t)为t时刻基础负荷用电功率。

2)联络线功率约束。

0≤Pbuy(t)≤Pbuy,max

(16)

式中:Pbuy,max为联络线最大传输功率。

3)PDR资源调度约束。

(17)

柴油机与蓄电池出力约束方程详见文献[28]。

3 微电网日内优化调度模型

为避免激励型电动汽车追求收益最大化而产生过度放电行为,在日内阶段以1 h为间隔,8 h为周期进行滚动优化。以日前调度计划为参考,基于日内预测曲线对之前的调度安排进行修正。其中激励型电动汽车群作为特殊的需求响应资源具有一定的议价能力,故可以与微电网主体基于主从博弈模型获取补贴电价,以提升电动汽车用户参与需求响应的积极性与经济收益。

3.1 微电网能量管理中心的效用模型

微电网能量管理中心的效用目标FMG2主要包括运行成本与售电收益2个部分,其中需求响应调度成本主要来自于激励型需求响应资源的调度成本,具体调度成本如下:

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

(18)

CIDR,all=CIDR+CEV2

(19)

(20)

(21)

(22)

式中:CIDR,all为激励型需求响应资源的调度成本;Isell为微电网能量管理中心一日的售电收益;CIDR、CEV2分别为IDR与电动汽车群的调度成本;KIDR为IDR单位调度成本;PIDR(t)为t时刻IDR的调度功率;KEV2(t)为t时刻电动汽车群单位补贴电价;PEV2(t)为t时刻电动汽车群调度功率;KEV(t)、PEV(t)分别为t时刻价格型电动汽车用户的单位售电价格和充放电量大小。

3.2 电动汽车群的效用模型

通过电动汽车集群能够将微电网系统内分散的可调度电动汽车单元进行聚合,在日内滚动优化过程中,根据微电网管理中心所发布的补贴政策,电动汽车集群整合自身资源进行响应。集群以自身用能成本最小化为目标,基于微电网能量管理中心设置的补贴价格不同,表现出不同的响应情况。

minFEV2=IEV2-CEV2

(23)

(24)

3.3 约束条件

1)功率平衡约束。

(25)

2)IDR资源调度约束。

(26)

3)电动汽车集群补贴电价约束。

电价补贴策略能够在分时电价的基础上进一步激励电动汽车参与需求响应,进行削峰填谷,同时提升微电网与用户两方的经济效益。根据价格约束[29],电价的设计不改变售电收益,即微电网售电收益Isell为恒定值且满足式(24)。为保障各时段补贴电价的科学性与合理性,本文规定各时段补贴电价需大于等于0,小于等于微电网的购电电价与负荷侧售电电价的差值。

KEV,min≤KEV(t)≤KEV,max

(27)

式中:KEV,min与KEV,max分别为电动汽车群的最小和最大补贴价格。

4)电动汽车群充放电约束。

根据文献[30]中的研究内容可知,电动汽车群的充放电功率与停驶概率有关,故当日内参与响应的电动汽车数目为M时,其功率约束如下:

(28)

Mmax(t)=MGpark(t)

(29)

(30)

5)电动汽车群电荷状态约束。

SEV2,minSM≤SEV2(t)≤SEV2,maxSM

(31)

(32)

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

(33)

3.4 主从博弈模型

本文所提的主从博弈模型,是以微电网能量管理中心为领导者,以电动汽车群为跟随着,分别以各自的效用函数(式(20)、(25))为目标进行优化做出决策。博弈过程中由领导者先行制定补贴电价策略并传递给跟随者,电动汽车群基于该策略做出充放电计划,两者不断进行优化迭代直至纳什均衡。该主从博弈模型为:

(34)

式中:MG与EV2分别为主从博弈的2个参与者;XMG与XEV2分别为二者的策略集合。

其中,博弈双方分别进行独立优化,迭代得到同时满足双方需求的纳什均衡解,*表示纳什均衡解,且所有策略均满足上述约束条件。纳什均衡解存在证明详见附录C[31]。

(35)

主从博弈具体实现过程如图2所示。

图2 主从博弈结构框图Fig.2 Structure diagram of Stackelberg game

4 算例分析

为验证所提调度模型的合理性,本文微电网中含有80辆可以接入车网的电动汽车,其中50辆参与价格型需求响应,30辆参与激励型需求响应。根据其出行规律,电动汽车相关初始信息设置同文献[30]。设非电动汽车的PDR资源与IDR资源变化范围为总负荷的5%,其他具体参数与场景详见附录D。

本文采用GAMS与MATLAB软件相结合的方式进行仿真求解,其中日前阶段价格型电动汽车优化模型与日内阶段主从博弈模型采用GAMS软件进行求解,微电网日前双目标优化模型采用MATLAB软件进行求解。

4.1 日前电动汽车优化结果

为验证日前电动汽车层所提调度模型的先进性与有效性,对以下3个策略的调度结果进行对比:

策略1：各电动汽车无序充电,按照用户的自身意愿进行。

策略2：以用户收益满意度最高为目标进行优化,实现电动汽车的有序充放电。

策略3：以用户的综合满意度最高为目标进行优化,实现电动汽车的有序充放电。

图3为策略1—3调度后的负荷曲线。

图3 3种策略下的负荷曲线Fig.3 The load curve under three strategies

由图3可知,策略1中电动汽车的充电时间主要集中在18:00—24:00时段,即用户下班回家开始充电,这段时间也是需求侧用能的高峰时段,仅按照车主意愿进行无序充电会导致微电网供能压力的增大。策略2中电动汽车仅以收益满意度为目标,故车主为节约花费,在满足日常行驶的需求后尽量不充电,曲线较为接近原始负荷。策略3中用户同时有经济性和舒适性的追求,为达到期望电量车主充电需求较高,基于分时电价策略,用户更愿意在峰时放电,在谷时充电,因此负荷曲线较为平坦。

表1为3种策略调度后的数据对比结果。由表1可知,电动汽车的有序充电行为能够有效地缓解系统在高峰时的供能压力。其中策略3最能有效地实现系统内的“削峰填谷”,减小负荷曲线的峰谷差值,并能在一定程度上减免用户花销。同时随着优化目标考虑的更加全面,策略3相比策略2用户满意度更高。

表1 3种策略下的数据对比Table 1 Comparison of data under three strategies

4.2 微电网日前优化结果

根据微电网日前预测曲线与4.1节中的优化结果,在日前阶段采用灰狼算法对双目标优化模型进行求解。设定狼群最大迭代次数为300,灰狼头数为300。设置不同的日前优化调度方案进行对比。

策略4：仅考虑经济低碳目标的微电网日前优化调度模型。

策略5：仅考虑灵活性评价指标的微电网日前优化调度模型。

策略6：采用灰狼算法求解的微电网日前多目标优化模型。

策略4和策略5中的日前调度结果详见附录图E1和E2,图4为策略6微电网日前调度结果。

由图4可以看出,08:00—12:00时段是基础负荷用能的高峰时段,柴油机与储能装置发挥了明显的供能作用,节约了微电网的运行成本。但系统仍然难以满足负荷侧的用能需求,微电网需从主网大量购电,以满足负荷的用能需求。在19:00—24:00时段,虽然也处于负荷用电的高峰时段,但风电出力充足,且经过电动汽车层优化后,负荷侧能够较好地消纳新能源的出力,在该时段较好地缓解柴油机与储能的调度压力。

策略4—6中柴油机的日前调度安排对比结果如图5所示。

图5 策略4—6中柴油机的日前调度结果对比Fig.5 Comparison of day-ahead scheduling results for diesel generators in strategy 4,5 and 6

由图5可知,策略4与策略6的调度安排比较相似,策略5与其他策略的调度安排差异较大。这是因为优化目标所期望的调度方向具有一定差异。由于柴油机作为微电网系统碳排放的主要来源,在经济低碳优化目标中所占成本较高,因此策略4与策略6中柴油机的调度安排高度相似,仅在16:00时出力明显降低。

策略4—6中的储能装置的日前调度安排对比结果如图6所示。

图6 策略4—6中储能装置的日前调度结果对比Fig.6 Comparison of day-ahead scheduling results of energy storage devices in strategy 4,5 and 6

图6中数值为正表示储能充电,数值为负则表示储能放电。由于储能不仅是重要的灵活性资源,且调度成本较低,故3种策略下,储能装置的调度安排差异较大。在策略4中,储能作为可调资源,在风电出力不足时放电,在风电充足时充电,起到了削峰填谷的作用。策略5中,储能作为灵活性资源,为追求灵活性指标的最大化,其充放电行为不仅受灵活性需求的影响,也受到了净负荷大小的影响。策略6与其他策略相比,能够较好地平衡2种需求,避免储能在净负荷较小的时段大量充放电的行为。

策略4—6中的数据结果对比如表2所示。

表2 策略4—6下的数据对比Table 2 Comparison of data in strategy 4,5 and 6

由表2可以看出,策略6与策略4相比总成本有所增加,灵活性指标有所提升。由于储能相比柴油机单位调度成本更低,且不会产生碳排放,因此储能作为更加经济的灵活性资源满足了更多的灵活性需求。策略6与策略5相比总成本、购电成本、碳排放成本与弃风率大量降低,且灵活性指标降低较少。这主要是由于柴油机与储能作为灵活性资源,当策略限制了其发挥“削峰填谷”的作用,会造成运行成本的大量增加和风力资源的浪费。故本文所提的日前调度方法(策略6),相比其他方法,能够有效发挥可调资源的调度潜力与灵活性资源的灵活特性,在保障微电网经济低碳运行的基础上,提升系统内的灵活性裕度,具有较高的“性价比”。

4.3 微电网日内优化结果

根据微电网日内预测曲线与4.2节中的优化结果,本文设置了3个策略进行对比:

策略7：微电网整体滚动优化模型,不计电动汽车参与日内优化,电动汽车进行无序充电。

策略8：微电网整体滚动优化模型,计及电动汽车参与优化,其调度产生的相关成本由微电网承担。

策略9：微电网日内主从博弈模型,即本文所提的日内调度方法。

策略7和策略8中的日内调度结果详见附录E中图E3和E4。为详细说明策略9中的博弈过程,选用16:00的博弈仿真过程进行分析。图7为策略9中16:00的博弈仿真过程。

图7 策略9的博弈仿真过程Fig.7 Game simulation in strategy 9

从图7可以看出,微电网运营成本与用户用能成本通过不断博弈达到均衡点,博弈过程中双方均在对方所提策略的限制下进行优化。在博弈开始阶段为降低调度成本,微电网补贴电价设定较低,电动汽车群为减少自身的用电成本较少做出响应,使得微电网需从大电网处进行购电。为减少购电成本,微电网对补贴电价策略进行调整,电动汽车群根据新的补贴电价策略进行响应。第1～7次迭代过程中参与者双方的博弈关系较为激烈,双方每次调整幅度较大。第8～22次迭代过程中参与者双方的博弈关系较为缓和,博弈结果逐渐达到最优。在22次迭代以后博弈过程达到最优解,参与者双方不再调整自身策略。

图8为策略9微电网日内调度结果,图9为策略8和策略9中电动汽车有序充放电的调度计划对比。

图8 策略9的微电网日内调度结果Fig.8 Intra-day scheduling results of microgrid in strategy 9

图9 策略8和策略9中电动汽车群的调度结果对比Fig.9 Comparison of scheduling results of electric vehicle clusters in strategy 8 and 9

可以看出,在用能高峰时段,参与日内优化的电动汽车大量放电,既缓解了微电网的供能压力,又节约了微电网的购电支出。与策略8相比,策略9中电动汽车为追求自身用能成本的最小化,基本仅在电价谷时进行充电,在峰时进行放电。其中放电时段集中在07:00—12:00之间,主要是由于该时段售电收益较高;由于20:00—24:00等时段购电成本较低,故充电时段主要集中在这些时段。其中,前一个时段大量购电,既能满足电动汽车自身的用能需求,又能在电价高峰时出售,以增加收益。后一个时段大量充电既实现了盈余风电的消纳,又为电动汽车用户保存了较多电量,以备用户的行驶需求。

策略7—9中的数据结果对比如表3所示。

表3 策略7—9下的数据对比Table 3 Comparison of data in strategy 7, 8 and 9

由表3可以看出,与策略7相比,日内阶段电动汽车进行有序充电能够有效提高微电网的运营收入,节约电动汽车用户的用能成本,同时还能够降低碳排放,实现系统绿色低碳运行。策略9与策略8相比,虽然牺牲了微电网主体的部分利益,但是节约了较多的电动汽车用能成本,达到了双方的最优。

5 结论

基于电动汽车参与多元需求响应的角度,提出了一种电动汽车结合价格型与激励型需求响应2种调度方式的微电网多时间尺度优化调度模型。在日前基于分时电价与用户综合满意度进行价格型电动汽车资源调度,并考虑微电网经济性与灵活性的运行需求,以应对日内不确定性。在日内阶段基于主从博弈模型对激励型电动汽车群的充放电策略与微电网补贴电价进行求解。通过算例分析,得到如下结论:

1)电动汽车优化与价格型需求响应技术结合,能够有效提升用户的综合满意度,减小负荷曲线的峰谷差。

2)在日前调度阶段,同时考虑微电网的经济性与灵活性需求,能够在保障经济低碳运行的基础上,增加系统的灵活性裕度,以提升其抗干扰能力。

3)在日内调度阶段,电动汽车参与优化实现有序充电,能够实现微电网与电动汽车双方的“共赢”,既提升了微电网的运营收益,又能降低用户的用能成本。

4)电动汽车优化与激励型需求响应技术结合,进行微电网与用户的科学博弈,能够有效提升用户的经济效益,实现新能源的完全消纳。

附录A

采用微电网当天供能与需求侧预测曲线的差值,获得一天各时段系统内的供需关系,以峰、谷、平3种电价档位,基于供需关系的不平衡程度优化设定一日的分时电价政策,具体设定方法如下所示:

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

(A1)

(A2)

式中:Pe(t)为t时刻净负荷需求功率;Pload,pre(t)为t时刻原始负荷需求;PWT(t)为t时刻风电的出力大小;ρbuy(t)为t时刻负荷侧单位购电电价;ρ1、ρ2与ρ3分别为峰、平、谷时电价;Pf、Pg分别为微电网需求过量限值与微电网供能过量限值。

在日前阶段,为鼓励电动汽车积极参与微电网的能量优化管理,以微电网的分时电价政策为基础,电动汽车放电行为能获得一定比例的经济补贴。本文场景下电动汽车的基础购售电价格如图A1所示。