摘要:規(guī)模日益增長的電動汽車和可再生能源帶來的不確定性給配電網(wǎng)的安全運營帶來了嚴峻挑戰(zhàn)。為綜合考慮多重不確定性、平衡運營成本與系統(tǒng)可靠性,首先,提出一種基于分布魯棒聯(lián)合機會約束的電動汽車-配電網(wǎng)充放電調度模型。該模型將節(jié)點電壓、支路功率、備用需求等通過聯(lián)合機會約束建模,可以直觀地管理系統(tǒng)整體的可靠性。然后,為求解該模型,基于最優(yōu)Bonferroni近似方法將聯(lián)合機會約束問題轉化為混合整數(shù)二次規(guī)劃模型,其中,風險等級也被視為決策變量。隨后,在不同電力系統(tǒng)上驗證了所提模型的有效性和可擴展性。結果表明,所提模型克服了經典的隨機優(yōu)化和魯棒優(yōu)化存在的問題,能夠有效平衡成本和可靠性,計算效率高、可擴展性好,較Bonferroni近似方法降低約6.5%的成本。

關鍵詞:電動汽車;配電網(wǎng);最優(yōu)Bonferroni近似方法;不確定性;風險管理

一、引言

截至2023年6月底,中國電動汽車(EV)保有量已經超過1200萬輛,大規(guī)模接入電網(wǎng)的EV若不進行合理調度,將對電網(wǎng)安全運營帶來嚴峻挑戰(zhàn)。同時,EV作為一種具有時空和容量高度靈活性的負荷,具有很大的調節(jié)潛力,可以作為靈活性資源為配電網(wǎng)提供輔助服務并帶來安全效益,增強電力系統(tǒng)管控不確定性風險的能力。

單輛EV調節(jié)能力有限，無法參與電力市場EV聚合商作為EV與配電網(wǎng)的中間體,能夠管理EV充放電和電力市場交易,與配電網(wǎng)進行互動。通過建立EV聚合模型,便于從整體角度分析EV集群的可調節(jié)潛力,減少模型中的變量個數(shù),降低模型復雜度與EV數(shù)量的關聯(lián)。EV接入和離開充電站的時間、充電需求、滲透率日益增加的光伏/風電等可再生能源、電網(wǎng)中的非靈活性負荷等均存在著不確定性,如何處理不確定性是EV并網(wǎng)充放電調度研究中的關鍵性問題。

二、 算法對比分析

現(xiàn)有處理不確定性的經典方法包括隨機優(yōu)化(SO)、魯棒優(yōu)化(RO)、機會約束舊等。其中,SO一般以目標函數(shù)的數(shù)學期望為目標,考慮了EV到達/離開時間、非靈活性負荷、市場價格的隨機性,最大化配電網(wǎng)和EV聚合商利益的期望值。然而,SO往往需要場景驅動,復雜度與場景的數(shù)量高度相關,場景過少可能導致對隨機性的刻畫不準確,場景過多則帶來很大的計算負擔，與SO不同,RO關注可能出現(xiàn)的最壞情況,考慮隨機的可再生能源出力和負荷,通過強對偶理論和列與約束生成算法來轉化和求解兩階段RO問題。與SO問題相比,RO復雜度與場景的個數(shù)關聯(lián)較低,但由于最壞的情況在實際中可能以很低的概率出現(xiàn),這種方法可能過于保守。此外,由于SO和RO均未將風險系數(shù)考慮在建模中,無法直觀地管理系統(tǒng)風險。

三、 算法處理方法

為解決SO和RO方法存在的問題并平衡經濟成本與系統(tǒng)安全，分布式魯棒機會約束(distributionally robust chance constraint,DRCC)模型受到越來越多的關注。通過建立DRCC模型處理了非靈活性負荷、可再生能源出力、市場價格等不確定性因素。采用機會約束限制電壓、功率等范圍以確保配電網(wǎng)在一定概率下安全運行。采用DRCC模型對EV的可調空間進行建模。然而，上述研究中的多個機會約束是獨立的,忽視了機會約束之間可能存在的關聯(lián),同時在單一機會約束的風險參數(shù)選擇上具有一定主觀性,對每條約束取相同的風險等級，為此,有必要聯(lián)合考慮機會約束,將問題建模為分布式魯棒聯(lián)合機會約束(distributionally robust jointchance constraint,DRJCC)模型。然而,DRJCC模型是隱式的,難以求解，經典的Bonferroni 近似Bonferroni approximation,BA)方法直接將聯(lián)合約束轉化為獨立約束,并根據(jù)Bonferroni不等式預先分配獨立約束的風險等級,這可能導致模型過于保守為降低模型保守性,為此提出最優(yōu) Bonferroni 近似(optimized Bonferroni approximation,OBA)方法用于近似機會約束問題,這種方法在滿足Bonferroni不等式的前提下將獨立約束的風險等級也視為變量進行優(yōu)化,可以降低模型的保守性。進一步地,將 OBA方法求解DRJCC問題應用到考慮不確定性的潮流問題中,提出了基于多項式展開近似、連續(xù)凸近似等方法,并對比了不同近似方法的表現(xiàn)，盡管對采用 OBA方法求解的DRICC模型已有了初步的研究,但其應用在大規(guī)模EV接人配電網(wǎng)的調度研究中尚且罕見。為此,本文在大規(guī)模EV接人配電網(wǎng)的調度問題中建立了 DRJCC模型,聯(lián)合考慮了節(jié)點電壓、線路功率、備用需求,并采用OBA的方法求解。與相關研究相比,本文的主要貢獻如下:

1)為高效處理多重隨機性下EV接入配電網(wǎng)的調度問題,建立了DRJCC模型,算例表明所提模型緩解了 SO 模型求解時間長、RO的模型過于保守等問題。

2)為處理難以求解的聯(lián)合機會約束模型,提出一種 OBA方法,將風險等級也視為決策變量,將問題轉化成混合整數(shù)二次規(guī)劃模型,降低了模型的保守性,與預先確定風險等級的方法相比,在滿足可靠度要求的前提下降低約6.5%的成本。

3)所提模型將節(jié)點電壓、支路功率、備用需求等綜合考慮作為聯(lián)合機會約束建模,能夠通過設定系統(tǒng)整體風險等級參數(shù)以直觀管理系統(tǒng)風險,并便于平衡系統(tǒng)運營成本和可靠度。

三、 解決方案

圖1 有序充電管理系統(tǒng)示意圖

圖2平臺結構圖

有序充電管理系統(tǒng)由預測算法、能量管理策略、有序充電策略和充電樁運營管理系統(tǒng)等構成。預測算法包括光伏、風力發(fā)電預測和負荷預測，是利用歷史數(shù)據(jù)對未來 24 小時至72小時的風力、光伏發(fā)電和負荷需求進行預測，主要目的是為能量管理系統(tǒng)和有序充電策略提供未來時間的可用負荷容量和能量管理策略。通過對儲能裝置的充放電調控和引導充電需求，實現(xiàn)負荷的削峰填谷，提高電網(wǎng)運行穩(wěn)定性，降低充電成本，通過以上算法和軟件構成的一體化充電服務體系來提高運營競爭力。

四、安科瑞有序充電云平臺具體的功能

平臺除了對充電樁的監(jiān)控外，還對充電站的光伏發(fā)電系統(tǒng)、儲能系統(tǒng)以及供電系統(tǒng)進行集中監(jiān)控和統(tǒng)一協(xié)調管理，提高充電站的運行可靠性，降低運營成本，平臺系統(tǒng)及虛擬電廠的架構如圖3、圖4所示。

圖3充電樁運營管理平臺系統(tǒng)架構

圖4 虛擬電廠與電力交易結構圖

能源規(guī)劃：采用魯棒優(yōu)化方法進行優(yōu)化配置，提供經濟最優(yōu)的容量規(guī)劃方案。

圖5 虛能源規(guī)劃示意圖

優(yōu)化調度：提高新能源消納

圖6 優(yōu)化調度示意圖

儲能峰谷套利：不僅可以平衡電網(wǎng)負荷，還可以節(jié)省電費，增加收益

圖7 優(yōu)化儲能峰谷套利調度示意圖

削峰填谷：配合儲能設備、低充高放

圖8 削峰填谷示意圖

需量控制：能量儲存、充放電功率跟蹤

圖8 削峰填谷示意圖

柔性擴容：短期用電功率大于變壓器容量時，儲能快速放電，滿足負載用能要求

圖9 柔性擴容示意圖

五、產品選型

5.1充電樁

安科瑞為廣大用戶提供慢充和快充兩種充電方式，便攜式、壁掛式、落地式等多種類型的充電樁，包含智能7kw/21kw交流充電樁，30kw直流充電樁，60kw/80kw/120kw/180kw直流一體式充電樁來滿足新能源汽車行業(yè)快速、經濟、智能運營管理的市場需求。實現(xiàn)對動力電池快速、高效、安全、合理的電量補給，同時為提高公共充電樁的效率和實用性，具有有智能監(jiān)測：充電樁智能控制器對充電樁具備測量、控制與保護的功能；智能計量：輸出配置智能電能表，進行充電計量，具備完善的通信功能；云平臺：具備連接云平臺的功能，可以實現(xiàn)實時監(jiān)控，財務報表分析等等；遠程升級：具備完善的通訊功能，可遠程對設備軟件進行升級；保護功能：具備防雷保護、過載保護、短路保護，漏電保護和接地保護等功能；適配車型：滿足國標充電接口，適配所有符合國標的電動汽車，適應不同車型的不同功率。下面是具體產品的型號和技術參數(shù)。

5.2儲能產品

5.3監(jiān)測、保護、治理的相關產品

六、應用案例

案例一：江陰某光儲充微電網(wǎng)項目

案例二：江陰某研究院微電網(wǎng)項目

七、結論

本文將考慮輔助市場的EV-配電網(wǎng)充放電調度問題建模為 DRJCC模型,以平衡運營成本和可靠性并克服經典SO和RO的缺點。然后，基于OBA方法,將無法求解的聯(lián)合機會約束轉化為混合整數(shù)二次規(guī)劃模型求解,與BA方法不同的是,風險等級也被視為決策變量進行優(yōu)化,降低了模型的保守性。最后,通過算例驗證了模型平衡成本和風險的有效性、對EV數(shù)量和更大電力系統(tǒng)的可擴展性。本文研究未考慮擬合得到的隨機變量概率分布與真實分布之間可能存在的偏差。未來,將進一步研究基于模糊概率分布的分布式魯棒優(yōu)化模型,并增加對光伏、風電、負荷、EV充電行為等多維不確定因素之間的相關性研究。

參 考 文 獻：

[1] BLAABJERG F, WANG H, VERNICA I, et al. Reliability ofpower electronic systems for EV/HEV applications [I].Proceedings of the IEEE, 2021,109(6):1060-1076.

[2]裴振坤,王學梅,康龍云.電動汽車參與電網(wǎng)輔助服務的控制策略綜述[J].電力系統(tǒng)自動化,2023,47(18):17-32.

PEI Zhenkun, WANG Xuemei, KANG Longyun. Review oncontrol strategies for electric vehicles participating in ancillaryservices of power grid [I]. Automation of Electric PowerSystems,2023，47(18):17-32.

[3]吳巨愛,薛禹勝,謝東亮.電動汽車聚合商對備用服務能力的優(yōu)化[J].電力系統(tǒng)自動化,2019,43(9):75-81.

WU Juai,XUE Yusheng,XIE Dongliang.Optimization ofreserve service capability made by electric vehicle aggregator[J].Automation of Electric Power Systems, 2019,43(9):75-81.

[4]方曉濤,嚴正,王晗,等.考慮“路-車-源-荷”多重不確定性的交通網(wǎng)與配電網(wǎng)概率聯(lián)合流分析[J1.電力系統(tǒng)自動化,2022.46(12):76-87.

FANG Xiaotao, YAN Zheng,WANG Han, et al. Analysis onprobabilistic joint flow for transportation network and distributionnetwork considering multiple uncertainties of road-vehicle-source-load[J].Automation of Electric Power Systems, 2022,46(12):76-87.

[5]WANG ZF,JOCHEM P, FICHTNER W.A scenario-basedstochastic optimization model for charging scheduling of electricvehicles under uncertainties of vehicle availability and chargingdemand[J]. Journal of Cleaner Production, 2020,254:119886.

[6]許夢瑤,艾小猛,方家琨,等.考慮用戶積極性的電動汽車與機組聯(lián)合調頻的兩階段隨機優(yōu)化調度模型[J1.電網(wǎng)技術,2022,46(6):2033-2041.

XU Mengyao, Al Xiaomeng, FANG Jiakun, et al. Two-stagestochastic optimal scheduling model for joint regulation of EV andthermal units considering users enthusiasm [J]. Power SystemTechnology,2022,46(6):2033-2041.

[7]CAO Y,HUANG L, LI Y Q, et al. Optimal scheduling ofelectric vehicles aggregator under market price uncertainty usingrobust optimization technique [J]. International Journal ofElectrical Power &, Energy Systems, 2020, 117: 105628.

[8]石錦凱,鮑諺,陳振,等.計及充電負荷不確定性的充電站儲能魯棒優(yōu)化配置方法[J].電力系統(tǒng)自動化,2021,45(20):49-58.

SHI Jinkai, BAO Yan, CHEN Zhen, et al. Robust optimizationconfiguration method of energy storage for charging stationsconsidering charging load uncertainty[J]. Automation of ElectricPower Systems,2021,45(20):49-58.

[9]SABER H,RANIBAR H,EHSAN M,et al. Transactivecharging management of electric vehicles in office buildings: adistributionally robustchance-constrainedapproach [J].Sustainable Cities and Society, 2022,87: 104171.

[10]陳巖,靳偉,王文賓,等.基于電動汽車分群的“風-網(wǎng)-車”聯(lián)合消納調度策略[J].中國電力,2021,54(4):107-118.

CHEN Yan, JN Wei, WANG Wenbin, et al. Schedulingstrategy for “wind-network-vehicle” joint accommodation basedon electric vehicle clustering[J]. Electric Power, 2021, 54(4):107-118.

[11]LEMESKI A T,EBRAHIMI R,ZAKARIAZADEH A.Optimal decentralized coordinated operation of electric vehicleaggregators enabling vehicle to grid option using distributedalgorithm[J]. Journal of Energy Storage, 2022,54: 105213.

[12]CHEN LM,TANG HL,wU JK, et al. A robustoptimization framework for energy management of CCHP userswith integrated demand response in electricity market [J]International Journal of Electrical Power &, Energy Systems,2022，141:108181.

[13]RAYATI M，BOZORG M，CHERKAOUI R,et al.Distributionally robust chance constrained optimization forproviding flexibility in an active distribution network[J]. EEETransactions on Smart Grid,2022,13(4):2920-2934.

[14]NGUYEN H T, CHO D H. Decentralized distributionallyrobust coordination between distribution system and chargingstation operators in unbalanced distribution systems[J]. EEETransactions on Smart Grid, 2023,14(3):2164-2177.

[15]SHI XY,XU YL,GUo Q L,et al. Day-aheaddistributionally robust optimization-based schedulingfordistribution systems with electric vehicles [I]. IEEETransactions on Smart Grid,2023,14(4):2837-2850.

[16]文藝林,胡澤春,寧劍,等.基于分布魯棒機會約束的充電運營商參與調峰市場投標策略[J1.電力系統(tǒng)自動化,2022,46(7):23-32.

WEN Yilin, HU Zechun, NING Jian, et al. Bidding strategy ofcharging operator participating in peak regulation market basedon distributionally robust chance constraint[J]. Automation ofElectric Power Systems, 2022,46(7):23-32.

[17]XIE WJ, AHMED S,JANG R W. Optimized Bonferroniapproximations of distributionally robust joint chance constraints[J].Mathematical Programming: Series A and B, 2022, 191(1):79-112.

[18]YANG L,XU YL,SUN HB, et al. Tractable convexapproximations for distributionally robust joint chance-constrained optimal power flow under uncertainty [J. EEETransactions on Power Systems,2022,37(3):1927-1941.

[19]RAFIQUE S, NIZAMI M S H, IRSHAD U B, et al. A two-stage multi-objective stochastic optimization strategy tominimize cost for electric bus depot operators [J]. Journal ofCleaner Production,2022,332:129856.

[20]徐湘楚,米增強,詹澤偉,等.考慮多重不確定性的電動汽車聚合商參與能量-調頻市場的魯棒優(yōu)化模型[J].電工技術學報,2023,38(3):793-805.

XU Xiangchu, MI Zengqiang, ZHAN Zewei, et al. A robustoptimization model for electric vehicle aggregator participation inenergy and frequency regulation markets considering multipleuncertainties Jl. Transactions of ChinaElectrotechnicalSociety,2023,38(3):793-805.

審核編輯 黃宇