計(jì)及風(fēng)電與電動(dòng)汽車隨機(jī)性的兩階段機(jī)組組合研究

王若谷，陳果，王秀麗，錢濤，高欣

(1.國網(wǎng)陜西省電力公司電力科學(xué)研究院，西安市 710100；2.西安交通大學(xué)電氣工程學(xué)院，西安市 710049)

0 引 言

當(dāng)今時(shí)代，風(fēng)電等新能源和電動(dòng)汽車在給國家能源產(chǎn)業(yè)和環(huán)境問題帶來巨大機(jī)遇的同時(shí)，也給電力系統(tǒng)運(yùn)行和調(diào)度帶來了巨大的挑戰(zhàn)[1-2]。并且隨著風(fēng)電和電動(dòng)汽車并網(wǎng)規(guī)模的增大，這種影響也將與日俱增。風(fēng)電出力的隨機(jī)性和間歇性以及電動(dòng)汽車充電負(fù)荷的不確定性讓傳統(tǒng)的電力系統(tǒng)調(diào)度方案不再適用，如何在考慮到風(fēng)電與電動(dòng)汽車影響的基礎(chǔ)上，保證電力系統(tǒng)的穩(wěn)定可靠運(yùn)行，盡量減少系統(tǒng)的運(yùn)行成本已經(jīng)成為當(dāng)下的研究熱點(diǎn)。

近年來，國內(nèi)外的研究學(xué)者對風(fēng)電出力不確定性建模方法進(jìn)行了廣泛的研究[3-6]。其中，場景分析是最為有效且簡便的方法之一。文獻(xiàn)[7-8]基于場景分析建立了隨機(jī)調(diào)度模型，實(shí)現(xiàn)了對風(fēng)電不確定性的定量分析。在這種描述不確定性的方法中，場景的生成方式至關(guān)重要。本文采用生成對抗網(wǎng)絡(luò)(generative adversarial network, GAN)方法來生成場景，通過生成模型(generator)和判別模型(discriminator)的互相博弈學(xué)習(xí)使生成場景與真實(shí)數(shù)據(jù)具有相同的分布。相對于基于采樣的場景生成方法，GAN方法的優(yōu)勢是其完全是數(shù)據(jù)驅(qū)動(dòng)的，生成場景的質(zhì)量由所觀測到的歷史數(shù)據(jù)決定[9-10]。

關(guān)于電動(dòng)汽車建模方法的研究也有很多[10-15]，一般都會(huì)在電動(dòng)汽車的模型中考慮電動(dòng)汽車的充放電功率約束以及能量守恒約束。很多研究都是基于單個(gè)電動(dòng)汽車來建立模型，并添加上述約束條件。針對電動(dòng)汽車個(gè)體建模的方式實(shí)現(xiàn)起來較為簡便，但是隨著電動(dòng)汽車規(guī)模的增加，約束條件的個(gè)數(shù)也會(huì)迅速增加，使問題的規(guī)模增大到不能接受的程度。在有些研究中[14]，為了克服這種缺點(diǎn)，會(huì)對電動(dòng)汽車分組并假設(shè)同一組中的電動(dòng)汽車(EV fleet)有相同的參數(shù)和特點(diǎn)，這樣盡管減小了問題的規(guī)模，但卻與現(xiàn)實(shí)情況不太相符。在文獻(xiàn)[11,15]中，電動(dòng)汽車被考慮為通過一個(gè)充電聚集商(EV aggregator)來與電力系統(tǒng)進(jìn)行功率交換。在這種模式下，電動(dòng)汽車不再作為個(gè)體來與電力系統(tǒng)交互，同屬一個(gè)充電聚集商的電動(dòng)汽車也不必被強(qiáng)制設(shè)定為具有相同的參數(shù)，有效地解決了以上問題，但是這些研究在考慮電動(dòng)汽車的基礎(chǔ)上，并未討論或者僅僅只是簡單地考慮了風(fēng)電不確定性對結(jié)果的影響，并未深入討論風(fēng)電不確定性的建模以及其與電動(dòng)汽車隨機(jī)性的耦合關(guān)系。

在未來，風(fēng)電和電動(dòng)汽車的規(guī)模都將顯著增加，其給電力系統(tǒng)帶來的巨大挑戰(zhàn)不容小視。然而，充分并且同時(shí)考慮到兩者不確定性的研究尚不成熟。因此，本文旨在采用合適的方法對風(fēng)電與電動(dòng)汽車進(jìn)行不確定性建模，并將兩者結(jié)合起來考慮，探究兩者對電力系統(tǒng)可能帶來的影響。

針對風(fēng)電和電動(dòng)汽車的不確定性，本文建立基于多場景分析并考慮EV充電聚集商的兩階段隨機(jī)機(jī)組組合模型。對于風(fēng)電，主要通過場景分析和分階段建模來定量分析其不確定性。對于電動(dòng)汽車來說，則將其分為不可調(diào)度和可調(diào)度兩類來分別建模。對于不可調(diào)度的電動(dòng)汽車，本文旨在得到其典型的負(fù)荷曲線，并將其直接視為系統(tǒng)負(fù)荷的一部分，而不考慮其不確定性；對于可調(diào)度的電動(dòng)汽車則建立了EV充電聚集商模型，并通過抽樣對每個(gè)充電聚集商管轄區(qū)內(nèi)的電動(dòng)汽車行為進(jìn)行模擬，以此來體現(xiàn)其不確定性。本文采用混合整數(shù)線性規(guī)劃(mixed integer linear programming，MILP)的方法進(jìn)行求解，并通過IEEE 54機(jī)118節(jié)點(diǎn)系統(tǒng)的分析計(jì)算驗(yàn)證所提方法的有效性。

1 風(fēng)電場景的生成和電動(dòng)汽車的典型負(fù)荷曲線與隨機(jī)模擬

本文基于場景分析來描述風(fēng)電的不確定性，并通過隨機(jī)模擬來描述電動(dòng)汽車的不確定性。在建立完整的隨機(jī)機(jī)組組合模型之前，先對場景生成的方式和電動(dòng)汽車進(jìn)行隨機(jī)模擬的方法予以交代。

1.1 風(fēng)電場景的生成

本文通過GAN來實(shí)現(xiàn)場景的生成。生成模型和判別模型都采用4層的神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)。在初始化神經(jīng)網(wǎng)絡(luò)參數(shù)后，通過迭代訓(xùn)練神經(jīng)網(wǎng)絡(luò)，在每次迭代中，先固定生成模型的參數(shù)，訓(xùn)練判別模型，使其能最大程度上分辨真實(shí)風(fēng)電數(shù)據(jù)和由生成模型生成的場景。再固定判別模型的參數(shù)，訓(xùn)練生成模型，使其生成的場景在判別模型中的得分盡量接近真實(shí)數(shù)據(jù)。經(jīng)過多次迭代后，GAN就能根據(jù)給定的歷史風(fēng)電數(shù)據(jù)生成所需的風(fēng)電場景。本文使用GAN生成風(fēng)電場景的框架如圖1所示。

在迭代訓(xùn)練過程中，針對損失函數(shù)使用梯度下降法來進(jìn)行網(wǎng)絡(luò)權(quán)值的更新。生成模型和判別模型的損失函數(shù)為：

(1)

(2)

(3)

1.2 不可調(diào)度電動(dòng)汽車的典型負(fù)荷曲線

針對一般的電動(dòng)汽車負(fù)荷曲線，本文利用k均值聚類的方法來獲得電動(dòng)汽車的幾類典型負(fù)荷曲線。具體來說，將每一個(gè)電動(dòng)汽車的負(fù)荷曲線視為用于聚類分析的一個(gè)多維數(shù)據(jù)點(diǎn)(在進(jìn)行聚類分析時(shí)須對每個(gè)數(shù)據(jù)點(diǎn)進(jìn)行歸一化處理)，k均值聚類算法旨在通過迭代從所有的數(shù)據(jù)點(diǎn)中挑選出k個(gè)聚類中心[16]，這k個(gè)聚類中心就可以近似代表不可調(diào)度電動(dòng)汽車的幾類典型負(fù)荷曲線。

在實(shí)際計(jì)算過程中，點(diǎn)與點(diǎn)之間的距離采用傳統(tǒng)的歐幾里得距離，即：

(4)

每次迭代后新聚類的中心通過計(jì)算新聚類中各個(gè)數(shù)據(jù)點(diǎn)的均值得到。

為簡單計(jì)，本文將不可調(diào)度電動(dòng)汽車直接視為確定性電力負(fù)荷的一部分，當(dāng)然，其具體的變化趨勢和大小要考慮不可調(diào)度電動(dòng)汽車的典型負(fù)荷曲線以及規(guī)模等因素。

1.3 可調(diào)度電動(dòng)汽車的隨機(jī)模擬

本文采用EV充電聚集商的模型來對大規(guī)模電動(dòng)汽車進(jìn)行描述。在此假設(shè)每個(gè)電動(dòng)汽車只受一個(gè)EV充電聚集商管轄，并且電動(dòng)汽車與電力系統(tǒng)之間可以進(jìn)行雙向的電能輸送，即電動(dòng)汽車受到汽車-電網(wǎng)(vehicle-to-grid, V2G)技術(shù)的支持[17-18]。并且假設(shè)EV充電聚集商的管轄區(qū)內(nèi)有足夠多的充電設(shè)備，從而每輛電動(dòng)汽車可以在行程結(jié)束后立刻接上充電設(shè)備。

根據(jù)日常生活經(jīng)驗(yàn)，假設(shè)電動(dòng)汽車駕駛者的出行需求和行車習(xí)慣不會(huì)改變。基于這個(gè)假設(shè)，本文通過電動(dòng)汽車的相關(guān)統(tǒng)計(jì)數(shù)據(jù)得到其相關(guān)概率分布信息，然后通過蒙特卡洛模擬方法就可以對轄區(qū)內(nèi)電動(dòng)汽車的出行規(guī)律進(jìn)行隨機(jī)模擬。

(5)

(6)

在對充電聚集商管轄區(qū)內(nèi)的電動(dòng)汽車數(shù)量動(dòng)態(tài)變化進(jìn)行模擬后，可以進(jìn)一步計(jì)算得出充電聚集商的相應(yīng)屬性參數(shù)：

(7)

(8)

與電動(dòng)汽車數(shù)量動(dòng)態(tài)變化不同的是，其能量的動(dòng)態(tài)變化不僅與電動(dòng)汽車的出行規(guī)律有關(guān)，也與充電聚集商或者說電動(dòng)汽車的實(shí)際充放電過程有關(guān)。

(9)

假設(shè)當(dāng)EV離開充電站時(shí)，其電池的存儲(chǔ)能量需要達(dá)到某一特定的水平kh，由此可以得到：

(10)

(11)

(12)

利用式(5)—(12)就可以實(shí)現(xiàn)對可調(diào)度電動(dòng)汽車行為的隨機(jī)模擬，并得到EV充電聚集商的相應(yīng)參數(shù)。

2 考慮EV充電聚集商的兩階段隨機(jī)機(jī)組組合模型

該模型是一個(gè)兩階段的隨機(jī)調(diào)度模型，在第一階段決策常規(guī)機(jī)組的啟停狀態(tài)和預(yù)留備用量，目的在于求得約束條件下最優(yōu)的機(jī)組組合方式，而第二階段考慮了應(yīng)對各場景時(shí)運(yùn)行成本的期望值，并評估在第一階段中確定的機(jī)組組合方式的可行性。本文采用MILP算法并利用CPLEX來對問題進(jìn)行求解，因此，對兩階段的約束條件都會(huì)進(jìn)行線性化處理[19]。具體模型如下詳述。

2.1 目標(biāo)函數(shù)

模型的決策目標(biāo)是機(jī)組啟停成本，機(jī)組預(yù)留備用成本，各個(gè)場景下機(jī)組燃料成本以及棄風(fēng)、切負(fù)荷的損失費(fèi)用的期望值之和達(dá)到最小。

(13)

2.2 第一階段約束條件

1)功率平衡約束。

(14)

2)機(jī)組出力及備用約束。

Pi,t+ri,t≤Pmax,ivi,t

(15)

Pi,t-ri,t≥Pmin,ivi,t

(16)

(17)

式中：vi,t表示機(jī)組的啟停狀態(tài)，是一個(gè)0-1變量；Pmax,i、Pmin,i分別表示第i臺(tái)機(jī)組的最大、最小輸出功率；RUi、RDi分別為機(jī)組的上爬坡能力和下爬坡能力。本文假設(shè)機(jī)組的上備用量與下備用量相同。式(17)對機(jī)組的備用量進(jìn)行了約束[20]。

3)機(jī)組啟停成本約束。

為了對機(jī)組啟動(dòng)成本約束進(jìn)行線性化處理，需要先對啟動(dòng)成本曲線進(jìn)行離散化處理，用一個(gè)階梯狀的曲線來近似代替原本的啟動(dòng)成本曲線。

(18)

(19)

(20)

(21)

4)最小開停機(jī)時(shí)間約束。

最小開機(jī)時(shí)間約束為：

(22)

(23)

(24)

最小停機(jī)時(shí)間約束為：

(25)

(26)

(27)

5)電動(dòng)汽車相關(guān)約束。

(28)

(29)

(30)

(31)

式中：kl為由于技術(shù)層面原因，電動(dòng)汽車所能存儲(chǔ)電能的最低水平。式(28)、(29)為最大充放電功率約束，對EV充電聚集商的充放電功率大小進(jìn)行限制。式(30)、(31)分別從充電聚集商的存儲(chǔ)容量以及電動(dòng)汽車的行車需求方面對充電聚集商的能量進(jìn)行了約束。

6)網(wǎng)絡(luò)安全約束。

(32)

式中：Fl為線路l的傳輸功率極限；πil為從機(jī)組i到線路l的功率分布因子；πwl為從風(fēng)電站w到線路l的功率分布因子；πjl、πkl分別為從常規(guī)負(fù)荷j、EV充電聚集商k到線路l相應(yīng)的功率分布因子；I、W、J、K分別為常規(guī)機(jī)組、風(fēng)電站、電力負(fù)荷結(jié)點(diǎn)和EV充電聚集商的數(shù)量。

2.3 第二階段約束條件

1)功率平衡約束。

(33)

(34)

式(33)實(shí)際上表示的是各個(gè)場景下的功率平衡條件，并計(jì)及了極端場景中可能出現(xiàn)的棄風(fēng)和失負(fù)荷現(xiàn)象。

2)機(jī)組出力與備用約束。

(35)

(36)

(37)

3)機(jī)組燃料成本約束。

與機(jī)組啟動(dòng)成本約束的處理方法類似，對機(jī)組的燃料成本特性曲線進(jìn)行分段線性化。

(38)

式中：gi,n(·)為燃料成本的分段線性函數(shù)；NLi為分段數(shù)。

4)機(jī)組爬坡約束。

本文不考慮爬坡約束對其他約束的影響。

(39)

(40)

式中：SUi、SDi分別為機(jī)組i的開機(jī)爬坡能力和關(guān)機(jī)滑坡能力。式(39)和式(40)保證了機(jī)組出力在相鄰時(shí)段內(nèi)的差值在上爬坡能力RUi和下爬坡能力RDi的限制范圍內(nèi)，并且在機(jī)組開機(jī)爬坡和關(guān)機(jī)滑坡時(shí)爬坡速率受到開機(jī)爬坡能力SUi和關(guān)機(jī)滑坡能力SDi的限制。

5)電動(dòng)汽車相關(guān)約束。

考慮與第一階段相同的約束條件，但此時(shí)的約束對應(yīng)于每個(gè)實(shí)際場景。

(41)

(42)

(43)

(44)

(45)

式(5)—(45)構(gòu)成了兩階段隨機(jī)優(yōu)化模型，使用YALMIP在Matlab中進(jìn)行模型搭建，并利用CPELX進(jìn)行計(jì)算求解。具體求解的流程如圖2所示。

圖2 兩階段隨機(jī)優(yōu)化模型求解流程Fig.2 Flow chart of modeling and solving

3 算例分析

3.1 算例數(shù)據(jù)

本文通過標(biāo)準(zhǔn)IEEE 118母線54機(jī)系統(tǒng)來驗(yàn)證模型的有效性和可靠性。該標(biāo)準(zhǔn)系統(tǒng)屬于地區(qū)級網(wǎng)絡(luò)，考慮系統(tǒng)中存在6個(gè)風(fēng)電站以及6個(gè)EV充電聚集商。

電動(dòng)汽車的總量考慮為120 000個(gè)，使其最大的充電功率達(dá)到系統(tǒng)最大負(fù)荷的10%。對可調(diào)度電動(dòng)

汽車，假設(shè)電動(dòng)汽車的種類相同，每輛電動(dòng)汽車存儲(chǔ)容量為20 kW·h，最大充放電功率為6.4 kW，每km耗電為0.15 kW·h，充放電效率均為0.8，最低存儲(chǔ)電量水平為0.2，能夠離站的存儲(chǔ)電量水平為0.8。電動(dòng)汽車的行駛距離和行駛速度都近似認(rèn)為服從正態(tài)分布，其中行駛距離的期望值考慮為50 km，行駛速度的期望值考慮為30 km/h。

問題求解在PC機(jī)上進(jìn)行，CPU為酷睿(core)i7-8700，主頻為3.2 GHz，內(nèi)存(RAM)為8 GB。

3.2 算例分析

1)兩階段隨機(jī)優(yōu)化在備用安排上的優(yōu)勢。

在實(shí)際電力系統(tǒng)調(diào)度中，往往會(huì)采用確定性的備用安排策略，也就是根據(jù)系統(tǒng)中的不確定性因素，給各發(fā)電機(jī)組安排一定比例的備用容量[7,15]。這樣安排備用的方式缺少可靠性保證，在機(jī)組出力變化的時(shí)候，很可能會(huì)造成輸電網(wǎng)絡(luò)阻塞的情況。為了避免這種情況的發(fā)生又可能會(huì)使備用容量安排過多，造成資源浪費(fèi)和運(yùn)行成本的增加。而在兩階段隨機(jī)優(yōu)化模型下的備用計(jì)算充分考慮了系統(tǒng)中的隨機(jī)性因素，能夠更加合理地安排備用容量。2種備用安排策略下的機(jī)組組合結(jié)果如圖3所示。

從圖3的結(jié)果可以看出，兩階段隨機(jī)優(yōu)化模型下系統(tǒng)所需的總備用容量和總運(yùn)行費(fèi)用更小。事實(shí)上，相較于確定性備用安排策略來說，兩階段隨機(jī)優(yōu)化模型將備用容量作為決策變量，能在充分考慮風(fēng)電和電動(dòng)汽車不確定性的情況下，給出更為經(jīng)濟(jì)的決策方案，避免資源浪費(fèi)，而這種安排的可靠性由約束式(35)—(37)來保證。

圖3 2種備用安排策略的結(jié)果比較Fig.3 Comparison of different reserve models

2)電動(dòng)汽車對風(fēng)電和電力系統(tǒng)的影響。

為研究不可調(diào)度和可調(diào)度電動(dòng)汽車對電力系統(tǒng)的影響，以及電動(dòng)汽車與風(fēng)電之間的相互影響，本文設(shè)計(jì)了3種算例場景：

算例1：系統(tǒng)中不含電動(dòng)汽車；

算例2：系統(tǒng)中只含有可調(diào)度的電動(dòng)汽車(該電動(dòng)汽車支持V2G技術(shù))；

算例3：在算例2的基礎(chǔ)上額外考慮不可調(diào)度的電動(dòng)汽車。

在計(jì)算中，假設(shè)可調(diào)度電動(dòng)汽車與不可調(diào)度電動(dòng)汽車的規(guī)模相等。3種情況下由兩階段機(jī)組組合模型所得到的總備用量、場景平均棄風(fēng)量、機(jī)組運(yùn)行總成本以及啟停機(jī)成本如圖4所示。

圖4 3種算例下的結(jié)果比較Fig.4 Comparison of result of 3 cases

(1)可調(diào)度電動(dòng)汽車對電力系統(tǒng)的影響。

從圖4中可以看到，算例2相對于算例1，機(jī)組的總運(yùn)行成本有所上升，而機(jī)組的啟停機(jī)成本、備用量有所降低。

機(jī)組總運(yùn)行成本增大主要是因?yàn)榇笠?guī)模電動(dòng)汽車的接入增加了系統(tǒng)的負(fù)荷，從而增大了機(jī)組的燃料費(fèi)用。機(jī)組啟停機(jī)成本減少說明可調(diào)度電動(dòng)汽車可以起到一定程度的削峰填谷作用，平滑常規(guī)能源的負(fù)荷曲線。可調(diào)度電動(dòng)汽車平滑負(fù)荷曲線的效果(藍(lán)線是平滑后的結(jié)果)如圖5所示。

圖5 常規(guī)負(fù)荷與電動(dòng)汽車充電情況Fig.5 Curve of conventional load and EV charging power

備用量的減少是因?yàn)殡妱?dòng)汽車的可調(diào)度性，或者說是靈活性，可以在風(fēng)能不確定性較大的情況下，通過充電、暫停充電、甚至放電等方式為電力系統(tǒng)提供臨時(shí)備用。電動(dòng)汽車這樣的調(diào)度靈活性相當(dāng)于為電力系統(tǒng)提供了一部分的等效備用量。

為了進(jìn)一步驗(yàn)證可調(diào)度電動(dòng)汽車減少系統(tǒng)備用量的可能性，在算例2的基礎(chǔ)上減少或者增加可調(diào)度電動(dòng)汽車的規(guī)模，并觀察電力系統(tǒng)的預(yù)留備用量，結(jié)果如圖6所示。從圖6中可以看到，隨著電動(dòng)汽車規(guī)模的增大(每個(gè)充電聚集商管轄的電動(dòng)汽車數(shù)量相同)，電力系統(tǒng)需要的預(yù)留備用量相應(yīng)減少。

圖6 可調(diào)度電動(dòng)汽車規(guī)模的影響Fig.6 Influence of the quantity of EVs

(2)可調(diào)度電動(dòng)汽車對風(fēng)電的影響。

從圖4中可以看到，算例2相對于算例1，場景的平均棄風(fēng)量大大降低。事實(shí)上，各個(gè)場景出現(xiàn)棄風(fēng)的情況一般發(fā)生在常規(guī)負(fù)荷低谷期(如圖5中的04:00)此時(shí)也正好處于風(fēng)電出力的高峰期，為了維持系統(tǒng)功率平衡便會(huì)出現(xiàn)棄風(fēng)。而可調(diào)度電動(dòng)汽車可以通過在該時(shí)段增大充電功率來減少對應(yīng)的棄風(fēng)量，具體情況如圖5所示。由此可以說明可調(diào)度電動(dòng)汽車有利于系統(tǒng)對于風(fēng)電的消納。

(3)不可調(diào)度電動(dòng)汽車對電力系統(tǒng)的影響。

從圖4中還可以看到，算例3相對于算例2來說，總運(yùn)行成本和啟停機(jī)成本都有所增加，而備用量也有所增加。算例3相對于算例2來說，加入了不可調(diào)度的電動(dòng)汽車，總運(yùn)行成本的增加同樣是由于電動(dòng)汽車的接入增加了系統(tǒng)的負(fù)荷，從而增大了機(jī)組的燃料費(fèi)用。由聚類分析得到的不可調(diào)度電動(dòng)汽車的典型負(fù)荷曲線如圖7所示。從圖7可以看到，不可調(diào)度電動(dòng)汽車的用電高峰和一般常規(guī)負(fù)荷的高峰重合嚴(yán)重，這增大了常規(guī)負(fù)荷的峰谷差，從而增加了系統(tǒng)調(diào)度的難度并相應(yīng)增加了機(jī)組的啟停機(jī)成本。

圖7 常規(guī)負(fù)荷與不可調(diào)度電動(dòng)汽車典型負(fù)荷曲線對比Fig.7 Curve of conventional load and demand of non-schedulable EVs

4 結(jié) 論

本文在充分考慮高比例風(fēng)電出力和電動(dòng)汽車充電需求不確定性的基礎(chǔ)上建立了電網(wǎng)優(yōu)化調(diào)度和備用計(jì)算模型。通過GAN生成風(fēng)電場景來模擬其不確定性，并通過隨機(jī)模擬建立充電聚集商模型來應(yīng)對電動(dòng)汽車的不確定性。通過在第二階段引入EV充電聚集商模型來實(shí)現(xiàn)任一風(fēng)電場景下風(fēng)電與電動(dòng)汽車的配合。最終建立的基于場景分析并考慮EV充電聚集商的兩階段隨機(jī)機(jī)組組合模型同時(shí)考慮了系統(tǒng)中風(fēng)電和電動(dòng)汽車的隨機(jī)性并實(shí)現(xiàn)了電動(dòng)汽車、新能源和傳統(tǒng)電源的合理配合。兩階段隨機(jī)優(yōu)化模型所確定的備用安排策略相較于傳統(tǒng)的確定性備用安排策略更加靈活經(jīng)濟(jì)，在保證可靠性的基礎(chǔ)上有效減少了所需的備用容量。算例分析結(jié)果驗(yàn)證了所提模型的有效性，并且表明可調(diào)度電動(dòng)汽車具有降低系統(tǒng)備用和提高系統(tǒng)風(fēng)電消納能力的潛力。