基于用戶意愿的電動汽車備用容量多目標(biāo)優(yōu)化

邵 萍, 楊之樂, 李 慷, 朱曉東

(1. 鄭州大學(xué) 電氣與信息工程學(xué)院, 鄭州 450001; 2. 中國科學(xué)院深圳先進(jìn)技術(shù)研究院,廣東 深圳 518000; 3. 利茲大學(xué) 電子與電氣工程學(xué)院,英國 利茲 LS2 9JT)

隨著全球能源危機(jī)和環(huán)境污染問題[1]日益嚴(yán)峻,2020年9月,國家主席習(xí)近平提出我國力爭“2030年碳達(dá)峰、2060年碳中和”的目標(biāo)[2].為了促進(jìn)能源電力的高質(zhì)量發(fā)展,構(gòu)建以新能源為主體的新型電力系統(tǒng)已成為未來能源電力的發(fā)展趨勢,而高比例波動性新能源接入對電力系統(tǒng)的靈活運行構(gòu)成新挑戰(zhàn)[3].與此同時,電動汽車(EV)因節(jié)能、零排放[4]的優(yōu)點得到不同國家的大力支持,其保有量不斷增加.EV[5]的快速化和規(guī)模化發(fā)展為提高電力系統(tǒng)的靈活性、緩解能源[6]危機(jī)和改善環(huán)境污染問題提供了新的解決方案.但是大量EV無序充放電可能會進(jìn)一步加重電網(wǎng)的峰谷差[7],造成電網(wǎng)峰值負(fù)荷激增,影響電網(wǎng)的經(jīng)濟(jì)穩(wěn)定運行,甚至可能造成配電系統(tǒng)崩潰[8].EV的電池可以快速響應(yīng)信號,然而大多數(shù)私人EV都處于怠速狀態(tài),一天中大部分時間沒有駕駛,這成為EV調(diào)控調(diào)度的現(xiàn)實條件以及有利因素.由于EV兼具可調(diào)控負(fù)荷和儲能的特性[9],不僅可以作為常規(guī)負(fù)載從電網(wǎng)中汲取電能,還可以利用汽車入網(wǎng)(V2G)技術(shù)[10]接入電網(wǎng)作為儲能為電網(wǎng)提供備用服務(wù)[11].如果基于用戶的需求和意愿對EV的充電和放電行為加以合理調(diào)節(jié)和控制,可以有效達(dá)到減小電網(wǎng)負(fù)荷波動、削峰填谷[12]以及將EV作為一種備用電源向電網(wǎng)供電,提供備用和輔助服務(wù)[13-14]的目的.

目前,對EV參與電網(wǎng)提供輔助備用服務(wù)的優(yōu)化調(diào)度問題已有一定研究.文獻(xiàn)[15]中基于EV的運行約束研究其聚合模型,并提出EV參與電網(wǎng)調(diào)度滿足旋轉(zhuǎn)備用需求的方案,從而提升系統(tǒng)的穩(wěn)定性和經(jīng)濟(jì)性.文獻(xiàn)[16]中提出一種基于雙重激勵機(jī)制(DIM)的EV充/放電日前調(diào)度策略以提高EV的備用服務(wù)能力.文獻(xiàn)[17]中提出計及多因素的系統(tǒng)及各分區(qū)的備用需求容量設(shè)置方法,并構(gòu)建區(qū)域聯(lián)合優(yōu)化出清數(shù)學(xué)模型.文獻(xiàn)[18]中針對用戶側(cè)用電需求不確定性及調(diào)頻備用需求,建立EV參與調(diào)頻輔助服務(wù)的備用優(yōu)化與實時調(diào)度模型,有效提高聚合商參與輔助服務(wù)的魯棒性和經(jīng)濟(jì)性.文獻(xiàn)[19]中提出一種多市場優(yōu)化模型,用于最小化EV充電的凈運營成本,以確定EV聚合的最優(yōu)運營策略和每輛EV的充電功率.文獻(xiàn)[20]中考慮影響系統(tǒng)備用需求的隨機(jī)性因素,并構(gòu)建以備用服務(wù)的經(jīng)濟(jì)性、可靠性及碳排放的多目標(biāo)競價模型.文獻(xiàn)[21]中將EV用戶成本及經(jīng)濟(jì)調(diào)度成本作為目標(biāo)函數(shù),并將EV有序充放電作為經(jīng)濟(jì)調(diào)度時的備用容量.然而以上研究模型大多以經(jīng)濟(jì)性為導(dǎo)向,單純追求微電網(wǎng)運行的經(jīng)濟(jì)性而未考慮用戶的參與意愿以及負(fù)荷預(yù)測的誤差,難以適用于實際情況.

針對上述問題,在現(xiàn)有研究背景下,綜合考慮集電商的經(jīng)濟(jì)性、微電網(wǎng)功率波動和用戶滿意度,建立基于用戶意愿的EV備用容量多目標(biāo)優(yōu)化模型.同時考慮日前預(yù)測負(fù)荷誤差的影響,在日前和日內(nèi)多種時間尺度上進(jìn)行多目標(biāo)優(yōu)化調(diào)度分析.最后對一個微電網(wǎng)案例進(jìn)行仿真分析,采用NSGA-III 算法對模型進(jìn)行優(yōu)化,同時將NSGA-II 和MOEA/D算法作為對比算法,通過3種算法的對比選出綜合最優(yōu)的調(diào)度方案,實驗結(jié)果證明了所提基于用戶意愿的EV備用容量的多目標(biāo)優(yōu)化模型的有效性和合理性.

1 調(diào)度架構(gòu)及可信備用容量的獲取

1.1 調(diào)度架構(gòu)

在電力系統(tǒng)日前調(diào)度計劃中,發(fā)電側(cè)調(diào)度計劃完成后會同時發(fā)布分時電價引導(dǎo)需求側(cè)負(fù)荷的分布導(dǎo)向,因此在日內(nèi)短期計劃中發(fā)電側(cè)的調(diào)度計劃不會更改.而負(fù)荷預(yù)測具有不準(zhǔn)確性,較長時間的調(diào)度計劃難以保證在較短時間尺度[22]上順利進(jìn)行,為此提出基于日前調(diào)度計劃和日內(nèi)修正計劃的EV備用容量的優(yōu)化調(diào)度模型,如圖1所示.

圖1 日前日內(nèi)調(diào)度計劃

在日前調(diào)度階段:集電商匯集負(fù)荷預(yù)測信息和具有參與V2G意愿的EV用戶信息,以集電商經(jīng)濟(jì)性、微電網(wǎng)功率波動和用戶滿意度為目標(biāo)做出日前階段每小時的EV調(diào)度計劃.日前調(diào)度以一天為周期,每24 h調(diào)度一次,調(diào)度時段為1 h,從每天中午12:00到次日中午12:00,因此市場負(fù)荷需求以及EV車主申報信息需要在12:00之前獲取.

在日內(nèi)調(diào)度階段,當(dāng)日內(nèi)實時負(fù)荷需求信息和日前預(yù)測信息出現(xiàn)偏差時,日前微電網(wǎng)制定的調(diào)度計劃已經(jīng)不能滿足市場的負(fù)荷需求,需要啟動日內(nèi)短期滾動調(diào)度計劃.此時集電商根據(jù)實際負(fù)荷信息和日前調(diào)度的EV每小時備用容量信息制定日內(nèi)15 min時段的調(diào)度計劃.其調(diào)度目標(biāo)仍為集電商經(jīng)濟(jì)性、微電網(wǎng)功率波動和用戶滿意度,除此之外將日前調(diào)度結(jié)果中的備用容量作為日內(nèi)調(diào)度計劃中的容量約束.日內(nèi)調(diào)度每隔15 min進(jìn)行一次,調(diào)度時段為當(dāng)前時刻至調(diào)度周期的剩余時段.其中日內(nèi)調(diào)度需結(jié)合日前調(diào)度結(jié)果做容量約束,制定當(dāng)天剩余時段的短期調(diào)度計劃并對日前調(diào)度計劃修正.

1.2 可信備用容量的獲取

EV兼具可調(diào)控負(fù)荷和儲能的特性, 可迅速切換充、放電狀態(tài)提供瞬時響應(yīng),是需求側(cè)重要的潛在備用措施.EV功率理論上具有雙向可調(diào)的特性,其備用能力按調(diào)節(jié)方向可分為上備用能力和下備用能力兩類.目前EV充電負(fù)荷建模的方法主要根據(jù)美國公布的私家車出行數(shù)據(jù)假設(shè)用戶的初始充電狀態(tài)(SOC)遵循一定的正態(tài)分布,再使用蒙特卡羅方法繪制EV的出行和到達(dá)時間、行駛里程和初始SOC樣本,以計算每日充電負(fù)荷曲線[23-24].還可使用基于馬爾可夫隨機(jī)過程的出行鏈理論來描述用戶出行行為的時空隨機(jī)性[25].然而EV車主的出行信息受出行的便利性、用戶的偏好性和經(jīng)濟(jì)性等多種因素影響,美國家庭出行數(shù)據(jù)并不一定適合現(xiàn)有的實際場景.為了刻畫EV用戶每個時段的可信備用容量,基于文獻(xiàn)[26]的研究,首先采用問卷調(diào)查的形式對EV車主的出行信息和參與V2G的意愿進(jìn)行知識提取,構(gòu)建反映用戶意愿不確定性統(tǒng)計分布的多代理模型.然后分析采集到的EV出行數(shù)據(jù),采用蒙特卡洛法抽樣形成與多代理個體對應(yīng)的EV狀態(tài)參數(shù).最后構(gòu)建用戶意愿影響因素與EV狀態(tài)信息對應(yīng)關(guān)系,分析用戶參與車網(wǎng)互動意愿.抽取一定規(guī)模的EV信息,與多代理個體心理閾值比較,可進(jìn)行愿意或不愿意參與調(diào)控的EV用戶分類.通過此方法判定的EV用戶被認(rèn)為已經(jīng)達(dá)到其參與調(diào)度的心理閾值,其次日信息不會改變.以某小區(qū)的微電網(wǎng)系統(tǒng)為例,根據(jù)用戶決策模型得到的200輛EV的上下可信備用容量如圖2所示.其中可信備用容量是基于EV用戶充電需求被滿足的前提下得到的每小時可被調(diào)度上下可信備用容量.

2 多時間尺度調(diào)度模型

2.1 日前調(diào)度

2.1.1目標(biāo)函數(shù)

F1=max(CR-CU+CG)

(1)

式中:F1為集電商的經(jīng)濟(jì)收益,主要由三部分構(gòu)成,分別為EV參與V2G提供備用服務(wù)的收益CR、集電商與電網(wǎng)交互的購電成本CU和集電商與用戶之間的零售收益CG.其中備用服務(wù)的收益CR表示為

Pu,i,tVu,tΔt+Pd,i,tVd,tΔt+uPue,i,tVue,tΔt]

(2)

式中:t為調(diào)度時段;T表示調(diào)度周期,為24 h;i為被調(diào)度的車輛;M=200代表集電商所負(fù)責(zé)區(qū)域的總EV數(shù)量;Vb為EV充放電之間狀態(tài)切換的損耗價格;u、v為一對關(guān)于EV上下備用電量的決策因子,表示實際場景中EV充電和放電不可同時進(jìn)行;Pue,i,t、Pde,i,t為每輛EV每小時實際參與調(diào)用時通過向電網(wǎng)放電提供的上、下備用容量;Δt為調(diào)度時間段1 h;Pu,i,t、Pd,i,t分別為每輛EV每小時的上下可信備用容量;Vu,t、Vd,t分別為EV參與備用服務(wù)的上下可信備用容量價格;Vue,t為EV為參與電網(wǎng)互動提供備用服務(wù)后每小時放電的價格.

集電商向電網(wǎng)交付的購電成本CU是其所負(fù)責(zé)區(qū)域內(nèi)EV的充電費用:

(3)

式中:Vbat為集電商長期與電網(wǎng)交易所定的平均價格.

集電商與EV用戶之間的零售收益CG是所負(fù)責(zé)區(qū)域內(nèi)參與V2G提供備用服務(wù)的EV日內(nèi)24 h內(nèi)實際充電的費用:

(4)

式中:Vde,t為EV用戶為參與電網(wǎng)互動提供備用服務(wù)市場后每小時充電的價格.

微電網(wǎng)功率波動的情況以需求側(cè)的等效負(fù)荷均方差表示:

(5)

式中:Pl,t為日前的負(fù)荷需求預(yù)測值.F2越小對電網(wǎng)的經(jīng)濟(jì)性和安全性越有利.

EV用戶對優(yōu)化調(diào)度結(jié)果的滿意度(F3)表示為其調(diào)度中每個參與V2G的時段提供的上下備用容量能與實際申報時最大程度相近,即

(6)

式中:G、H分別為擁有提供上、下備用能力的車輛.只有EV用戶在長時間內(nèi)對調(diào)度結(jié)果保持一定的滿意度,EV參與V2G向電網(wǎng)提供備用容量才有意義.

2.1.2約束條件 主要從集電商的角度出發(fā),考慮集電商的經(jīng)濟(jì)效益,同時兼顧電網(wǎng)的負(fù)荷波動和EV用戶對調(diào)度結(jié)果的滿意度,因而約束條件主要偏向于集電商和用戶層.

(1) 充放電狀態(tài)約束.

EV在實際應(yīng)用場景中,上下備用電量不能同時被調(diào)用.因此引入決策因子u、v,滿足如下條件:

u+v≤1,u,v∈{0, 1}

(7)

(2) 系統(tǒng)功率平衡約束.

電力系統(tǒng)調(diào)度的基本要求是系統(tǒng)的發(fā)電功率和負(fù)載功率保持平衡,當(dāng)發(fā)電量小于負(fù)載需求電量時就需要調(diào)用上備用容量,反之當(dāng)發(fā)電量大于負(fù)載的需求量時需調(diào)用下備用容量.因此,對于系統(tǒng)總體的功率平衡約束可表示為

(8)

式中:Pg,t表示微電網(wǎng)每個時段t的發(fā)電功率.

(3) 備用容量約束.

EV備用容量的獲取以用戶意愿為前提,在調(diào)度過程中不可忽略用戶意愿,EV備用容量實際參與調(diào)用時上下備用容量不應(yīng)超過其上下可信備用容量,即

0≤Pue,i,t≤Pu,i,t

(9)

0≤Pde,i,t≤Pd,i,t

(10)

2.2 日內(nèi)調(diào)度模型

日內(nèi)短時間尺度的調(diào)度計劃是基于日前調(diào)度的結(jié)果將EV每個時段的可信備用容量限制在日前調(diào)度結(jié)果中的備用容量之間.以15 min為尺度進(jìn)行滾動優(yōu)化,當(dāng)需求側(cè)預(yù)測負(fù)荷與實際場景中負(fù)荷需求量不一致時啟動日內(nèi)調(diào)度計劃.

2.2.1目標(biāo)函數(shù) 日內(nèi)調(diào)度模型仍以集電商經(jīng)濟(jì)收益最大化、EV用戶參與V2G的滿意度最大化和微電網(wǎng)的功率波動最小為目標(biāo)進(jìn)行多目標(biāo)優(yōu)化調(diào)度.

Pu,i,tVu, tΔt+Pd,i,tVd,tΔt+vPde,i,tVde,tΔt-

vPde,i,tVbatΔt+uPue,i,tVue,tΔt]

(11)

式中:z為日內(nèi)需求側(cè)負(fù)荷與預(yù)測負(fù)荷不匹配的第1個時段.與日前調(diào)度目標(biāo)不同,Δt代表的時段為0.25 h.

(12)

(13)

F2和F3與日前調(diào)度模型保持一致.日前和日內(nèi)調(diào)度模型中,差異之處主要體現(xiàn)在調(diào)度時段和起始時間的差異.另外,日前調(diào)度和日內(nèi)調(diào)度在已知信息上需求側(cè)負(fù)荷也不一樣,日前調(diào)度的需求側(cè)負(fù)荷為預(yù)測負(fù)荷而日內(nèi)調(diào)度負(fù)荷為真實的負(fù)荷信息,日內(nèi)調(diào)度是在日前調(diào)度的基礎(chǔ)上在更精細(xì)時間顆粒度下的優(yōu)化和微調(diào).

2.2.2約束條件 日內(nèi)調(diào)度模型除了滿足日前調(diào)度模型中所提約束條件外,還需滿足日前修正條件.

日前修正約束:將日前調(diào)度的每輛EV每個小時的上下備用容量作為日內(nèi)滾動調(diào)度每15 min的上界.保證日內(nèi)滾動調(diào)度在不影響發(fā)電側(cè)整體調(diào)度計劃的同時滿足應(yīng)對預(yù)測誤差的影響,為電力系統(tǒng)提供備用服務(wù).

0≤Pue,i,t≤Pgue,i,t

(14)

0≤Pde,i,t≤Pgde,i,t

(15)

式中:Pgue,i,t、Pgde,i,t分別為日前調(diào)度的每輛電動汽在每個小時內(nèi)所提供的上下備用容量.

3 算例分析

3.1 參數(shù)說明

以深圳市某小區(qū)的微電網(wǎng)系統(tǒng)為例對200輛EV參與V2G提供備用容量的模型進(jìn)行分析和討論.針對以上EV備用容量多目標(biāo)優(yōu)化模型中高維多目標(biāo)的特點,選擇多目標(biāo)優(yōu)化算法中較為主流的NSGA-III 算法對模型進(jìn)行求解,同時將MOEA/D、NSGA-II 作為對比算法.通過3種算法求解該模型的實驗結(jié)果,對比選出最適合求解該模型的算法并采取該算法所優(yōu)化的帕累托前沿中綜合最優(yōu)的EV備用容量多目標(biāo)優(yōu)化調(diào)度方案.該區(qū)域每小時的預(yù)測負(fù)荷數(shù)據(jù)是綜合深圳市的平均負(fù)荷需求得到的,該微電網(wǎng)系統(tǒng)中分時電價如圖3所示.Vbat設(shè)為商業(yè)電價的0.6倍,Vb設(shè)為 0.043 75 美元/(kW·h)[27],微電網(wǎng)每小時的負(fù)荷預(yù)測和發(fā)電功率如表1所示. NSGA-III 和NSGA-II 算法的參數(shù)選擇如下:種群個體數(shù)為 130, 交叉率為 0.8, 變異率為 0.1,交叉參數(shù)為2,變異參數(shù)為5. 設(shè)定最大迭代次數(shù)為800.MOEA/D算法的參數(shù)為種群個體數(shù)300, 鄰居個數(shù)20,交叉率0.8, 變異率0.1,交叉參數(shù)2,變異參數(shù)5,最大迭代次數(shù)800.

表1 模型參數(shù)值

圖3 分時電價

3.2 結(jié)果分析

3.2.1多目標(biāo)優(yōu)化算法 將主流多目標(biāo)優(yōu)化算法NSGA-III 作為主要的模型求解算法.NSGA-III 算法是針對NSGA-II 算法在處理高維多目標(biāo)問題時由于優(yōu)化計算代價大,難以挑選帕累托解的情況而開發(fā)的,基本流程與NSGA-II 相似,但選擇個體時結(jié)合了基于參考點的方法,能夠有效降低計算代價,適用于求解高維多目標(biāo)問題.NSGA-III 算法步驟描述如下:

(2) 對初始化后的上下備用容量種群進(jìn)行充放電狀態(tài)約束、系統(tǒng)功率平衡約束、EV充放電功率約束和備用容量約束等約束處理.

(3) 種群進(jìn)化.父代種群X通過錦標(biāo)賽選擇策略、模擬二項式交叉和多項式變異產(chǎn)生子代種群Y,合并父代種群和子代種群,則混合種群規(guī)模為2N.同時,對進(jìn)化后的種群進(jìn)行(2)中的約束處理.

(5) 環(huán)境選擇.對混合種群進(jìn)行快速非支配排序操作,并利用小生境選擇策略對個體進(jìn)行選擇,得到個體數(shù)為N的新種群.如果非支配臨界層Fj中的個體全部選擇超出種群數(shù)目N,則標(biāo)準(zhǔn)化目標(biāo)空間、根據(jù)參考點Z*計算參考線、進(jìn)行個體與參考線關(guān)聯(lián)操作并根據(jù)參考線關(guān)聯(lián)的個體數(shù)從臨界非支配層中Fj選擇剩余個體進(jìn)入新一代種群中.

(6) 判斷是否達(dá)到迭代次數(shù),如果達(dá)到迭代次數(shù)則結(jié)束日前調(diào)度,否則執(zhí)行步驟(3).

使用NSGA-III 算法求解EV備用容量的多目標(biāo)優(yōu)化模型的總體流程圖如圖4所示.

圖4 日前的調(diào)度流程圖

為了驗證所提EV備用容量的多目標(biāo)優(yōu)化模型的有效性,采取主流的NSGA-III 算法對模型進(jìn)行求解,同時將MOEA/D、NSGA-II 算法作為對比算法.對日前時間尺度和日內(nèi)時間尺度模型做優(yōu)化調(diào)度,分析日前和日內(nèi)EV備用容量和各個目標(biāo)之間的關(guān)系,同時選擇合適的算法以求調(diào)度方案在3個目標(biāo)之間綜合表現(xiàn)最優(yōu).其中日前3種算法的調(diào)度結(jié)果如圖5所示,從圖中可以看出NSGA-III 算法的帕累托前沿在右上角,而MOEA/D和NSGA-II 的帕累托前沿總體偏左下方.這意味著NSGA-III 在集電商經(jīng)濟(jì)性和用戶滿意度方面有絕對優(yōu)勢.與MOEA/D相比,NSGA-II 在集電商經(jīng)濟(jì)性方面表現(xiàn)較優(yōu),每日經(jīng)濟(jì)收益集中于13 000美元,而MOEA/D經(jīng)濟(jì)收益分布在11 800～12 600美元.相反,MOEA/D算法在減小微電網(wǎng)功率波動方面明顯比NSGA-II 更有優(yōu)勢,在用戶滿意度方面二者表現(xiàn)相差不大.

圖5 日前調(diào)度結(jié)果對比

當(dāng)日前預(yù)測負(fù)荷與日內(nèi)實際負(fù)荷需求不匹配時,啟動日內(nèi)短期滾動調(diào)度方案.在日前調(diào)度中EV的上下備用容量均留有一定裕量以應(yīng)對隨時發(fā)生的負(fù)荷需求變化,文中以17:00負(fù)荷需求激增的變化場景為例,模擬當(dāng)日前調(diào)度不滿足實際情況下的日內(nèi)短期滾動調(diào)度情況.同時對MOEA/D、NSGA-II 和NSGA-III 3種算法求解日內(nèi)調(diào)度模型的實驗結(jié)果進(jìn)行對比,結(jié)果如圖6所示.

圖6 日內(nèi)調(diào)度算法對比

對比日內(nèi)調(diào)度中3種算法的帕累托前沿可知, NSGA-III 算法在經(jīng)濟(jì)收益上比其他兩種算法表現(xiàn)更好,集電商經(jīng)濟(jì)效益穩(wěn)定在8 800 美元/d.NSGA-II 算法次之,而MOEA/D算法表現(xiàn)效果最差,這與日前調(diào)度的表現(xiàn)一致.在平滑微電網(wǎng)的功率波動方面MOEA/D比NSGA-III 和NSGA-II 算法更有優(yōu)勢.在用戶滿意度方面MOEA/D算法和NSGA-II 算法表現(xiàn)相近,NSGA-III 算法表現(xiàn)最優(yōu).總而言之,NSGA-III 在3個目標(biāo)上綜合表現(xiàn)最優(yōu).

選擇MOEA/D、NSGA-II 和NSGA-III 算法對上述應(yīng)用場景進(jìn)行優(yōu)化后得到的解為帕累托前沿,而在實際應(yīng)用系統(tǒng)中只能采用一種調(diào)度方案,因此需要從帕累托前沿中選擇一個相對而言綜合最優(yōu)的解.考慮到在EV備用容量的多目標(biāo)優(yōu)化模型中所有目標(biāo)對于評價體系的作用相同,不存在某一個目標(biāo)函數(shù)影響更大的情況,因此3個目標(biāo)函數(shù)權(quán)重均相同,通過正向化和歸一化后加權(quán)和選出在3個目標(biāo)上綜合表現(xiàn)最優(yōu)的解.表2中的數(shù)據(jù)為經(jīng)過加權(quán)和方法在日前調(diào)度和日內(nèi)調(diào)度的時間尺度上選出的3種算法的綜合最優(yōu)解.從3種算法的最優(yōu)解方面來看,對比日前日內(nèi)調(diào)度的數(shù)據(jù),NSGA-III 在經(jīng)濟(jì)收益和用戶滿意度方面的表現(xiàn)明顯優(yōu)于其他兩種算法,且在平滑微電網(wǎng)的功率波動方面日前優(yōu)化更有優(yōu)勢.該數(shù)據(jù)進(jìn)一步證實NSGA-III 算法對于求解EV備用容量多目標(biāo)優(yōu)化模型的優(yōu)越性.

表2 3種算法的最優(yōu)目標(biāo)值

3.2.2日前日內(nèi)時間尺度的優(yōu)化調(diào)度 將日前NSGA-III 算法優(yōu)化調(diào)度的最優(yōu)結(jié)果和日內(nèi)的最優(yōu)結(jié)果在集電商經(jīng)濟(jì)性、微電網(wǎng)的功率波動情況和用戶滿意度這3個目標(biāo)上的表現(xiàn)做對比,分析日前和日內(nèi)調(diào)度的情況.從表2可以看出,NSGA-III 算法的折衷解在日前調(diào)度中F1的最優(yōu)值為 13 362.74 美元,而日內(nèi)調(diào)度剩余時段的經(jīng)濟(jì)收益為 8 947.78 美元;加之前5 h的經(jīng)濟(jì)收益為 7 086 美元,累計日內(nèi)為 16 033 美元,日內(nèi)調(diào)度相比日前調(diào)度在集電商的經(jīng)濟(jì)性上提高20%.而在用戶滿意度方面,日前調(diào)度的NSGA-III 算法的F3折衷解為11.53,日內(nèi)調(diào)度為16.59,用戶滿意度提高44%.

圖7展示了在負(fù)荷預(yù)測產(chǎn)生誤差的情況下,日前調(diào)度和日內(nèi)調(diào)度在之后8 h的目標(biāo)值變化情況.日內(nèi)調(diào)度以15 min為周期進(jìn)行調(diào)度,即每15 min為1個時段.從圖中可以看出日內(nèi)調(diào)度的結(jié)果變化相對于日前調(diào)度結(jié)果變化更加平緩,一直在穩(wěn)步提高.這說明日內(nèi)調(diào)度時段在應(yīng)對實際負(fù)荷與預(yù)測負(fù)荷相比負(fù)荷激增或者負(fù)荷驟降的情況下更有優(yōu)勢,即日內(nèi)調(diào)度的靈敏度更高,這也說明了多時間尺度的必要性.圖7(a)為集電商的經(jīng)濟(jì)性變化情況,圖中顯示在20～40這個時段日內(nèi)調(diào)度的集電商收益更高,這是由于需求側(cè)負(fù)荷激增所以EV需要在允許調(diào)度范圍內(nèi)最大程度上調(diào)用更多的上備用容量以滿足需求差額,而集電商作為中間商則可以從中獲取更多經(jīng)濟(jì)效益.而在40～50這個時段其集電商收益反而不及日前調(diào)度的經(jīng)濟(jì)收益,這主要是因為在20～40時段增加調(diào)用EV的備用容量對剩余時段產(chǎn)生影響.圖7(b)為用戶滿意度變化情況,從圖中可以明顯看出日內(nèi)調(diào)度的方案對于EV用戶來說更容易接受.日內(nèi)調(diào)度是基于用戶意愿對可信備用容量的多目標(biāo)優(yōu)化,其優(yōu)化是在日前調(diào)度基礎(chǔ)上針對負(fù)荷需求差額變化的微調(diào).對于EV用戶來說微調(diào)意味著為了應(yīng)對突增的負(fù)荷需求需要調(diào)用更多的上備用容量,也即收益更多用戶滿意度更大.

圖7 日前日內(nèi)調(diào)度方案的目標(biāo)對比

圖8為日前日內(nèi)調(diào)度在第2個目標(biāo)微電網(wǎng)的功率波動情況,圖8(a)為日前調(diào)度前后的等效負(fù)荷,即需求側(cè)常規(guī)負(fù)荷與EV上下備用容量的等效負(fù)荷.在問題設(shè)計中,認(rèn)為微電網(wǎng)的功率波動一定程度上代表削峰填谷的效果,峰谷差越小,微電網(wǎng)的功率波動即F2取值越小.將圖8模型優(yōu)化前后的負(fù)荷曲線作對比觀察削峰填谷的效果.由圖可見,原始負(fù)荷曲線的峰時是11:00和19:00, 谷時是16:00.EV的可信上備用容量主要集中在 0:00—5:00和 15:00—16:00,可信下備用容量主要是 5:00—6:00 和 17:00—22:00.原始負(fù)荷曲線的第2個峰值時刻在EV的可信備用容量覆蓋區(qū)域內(nèi),經(jīng)過優(yōu)化后其峰值從 16 020.19 kW降到 14 880.32 kW.同理,在圖8(b)日內(nèi)調(diào)度的曲線上,可以看到優(yōu)化后的等效負(fù)荷相對于日前優(yōu)化等效負(fù)荷峰時的值從 4 005 kW降低到 3 925 kW,在可信備用容量允許范圍內(nèi)有效地達(dá)到了削峰目的.

圖8 日前日內(nèi)調(diào)度方案的等效負(fù)荷

EV日前調(diào)度結(jié)果的熱力圖如圖9所示,以20輛EV為例,由圖可知EV的上備用容量調(diào)用集中在1:00—6: 00和15:00—18:00,該段時間為EV使用的非高峰階段,EV用戶可在不影響日常生活的同時賺取一定經(jīng)濟(jì)收益.下備用容量的調(diào)用集中在6:00—8:00以及18:00—24:00,即上班之前和下班之后,可以有效地利用富余時間進(jìn)行充電.5:00—7:00 為充電電價的低谷時段.在不影響EV用戶日常生活的前提下通過調(diào)度時段將備用容量參與電網(wǎng)出售為電網(wǎng)提供備用服務(wù)即可滿足電網(wǎng)的備用需求,用戶和集電商還可獲取一定經(jīng)濟(jì)收益.

圖9 日前調(diào)度中EV備用容量優(yōu)化結(jié)果

EV日內(nèi)調(diào)度結(jié)果如圖10所示,選取同樣的20輛EV為例.由圖可知,在4～20時段EV調(diào)用的上備用容量可以達(dá)到10～13 kW,而該時段對應(yīng)著日前的18:00—22:00,相比日前該時段的調(diào)用有所增加.與此同時,在32～52時段上備用容量調(diào)用較多,這對應(yīng)于1:00—6:00.下備用容量主要集中在8～28時段和52～56時段,對應(yīng) 19:00—24:00 和 6:00—7:00.總體來說和日前調(diào)度的結(jié)果保持一致,在17:00 預(yù)測負(fù)荷發(fā)生偏差時及時調(diào)整上備用容量的調(diào)用以應(yīng)對日前調(diào)度中不能滿足的情況.

圖10 日內(nèi)調(diào)度中EV備用容量優(yōu)化結(jié)果

4 結(jié)語

建立基于用戶意愿的EV備用容量多目標(biāo)優(yōu)化調(diào)度模型.考慮集電商調(diào)度EV的綜合經(jīng)濟(jì)成本、用戶對調(diào)度結(jié)果滿意度以及微電網(wǎng)的功率波動情況;同時考慮到預(yù)測誤差的影響,對模型進(jìn)行日前和日內(nèi)兩個時間尺度上的調(diào)度分析;并通過NSGA-III、NSGA-II 和MOEA/D等3種多目標(biāo)智能優(yōu)化算法對模型進(jìn)行求解分析.對比3種算法發(fā)現(xiàn):NSGA-III 算法在日前時間尺度和日內(nèi)時間尺度上的優(yōu)化調(diào)度均達(dá)到集電商的經(jīng)濟(jì)性、微電網(wǎng)的功率波動和用戶滿意度3個目標(biāo)上的綜合最優(yōu).實驗結(jié)果證明所構(gòu)建模型的有效性和合理性.

然而,本文EV的可信備用容量基于問卷調(diào)查生成的用戶意愿多代理模型進(jìn)而產(chǎn)生各個時段的上下備用容量,不能保證用戶的實際行為和代理模型決策的完全一致.未來將考慮通過商業(yè)化運行來規(guī)避調(diào)度偏差產(chǎn)生的風(fēng)險并分?jǐn)傁鄳?yīng)成本.另外,在日內(nèi)時間尺度的滾動調(diào)度中,實驗場景僅考慮實際負(fù)荷需求與預(yù)測負(fù)荷相比突增的情況,沒有考慮負(fù)荷需求突然降低的情況.未來將進(jìn)一步研究不同場景下EV參與V2G提供備用服務(wù)的情況.