陳 煒

（國網(wǎng)北京經(jīng)濟技術(shù)研究院，北京 102209）

0 引言

近些年來，隨著電網(wǎng)中分布式發(fā)電資源DER（Distributed Energy Resources）的不斷增多，國內(nèi)外學(xué)者針對DER的研究也越來越深入。其中，針對風(fēng)力發(fā)電的研究與應(yīng)用尤為突出。在歐洲，風(fēng)力發(fā)電的發(fā)電量已在總發(fā)電量中占據(jù)了很高的比例。其中，西班牙風(fēng)力發(fā)電占總發(fā)電量的11%，丹麥風(fēng)力發(fā)電所占比例更是達到了20%［1］。雖然風(fēng)力發(fā)電以其環(huán)保、成本相對其他可再生能源較低的優(yōu)勢得到了較好的應(yīng)用與發(fā)展，但風(fēng)力發(fā)電有著很明顯的短板，限制了其更加廣泛的普及與應(yīng)用［2-3］。風(fēng)力發(fā)電的不確定性與預(yù)測誤差大的特點，給電網(wǎng)運營商造成了很大的困擾。風(fēng)力發(fā)電一般在夜晚出力達到最大，而此時的電力需求較低，且電價也較低［4-5］。因此，從經(jīng)濟學(xué)角度而言，相對于其他成熟的發(fā)電形式，風(fēng)力發(fā)電在電力市場中則缺少了一定的競爭優(yōu)勢。

針對以上問題，許多國家都給予風(fēng)電高于市場價格的上網(wǎng)補貼。但是隨著風(fēng)電的發(fā)展規(guī)模越來越大，對風(fēng)力發(fā)電給予上網(wǎng)補貼顯然不是一個長久之計。基于此，需要研究一個更適用于風(fēng)力發(fā)電發(fā)展的策略，使其可以更加合理地參與到電力市場的運營中。

近年來國內(nèi)外研究學(xué)者提出了虛擬發(fā)電廠VPP（Virtual Power Plant）技術(shù)［6］。 VPP 可認為是通過先進的通信技術(shù)與軟件管理系統(tǒng)將配電網(wǎng)中的DER聚合與優(yōu)化，作為一個特別的電廠參與到電網(wǎng)運行中，進而協(xié)調(diào)電網(wǎng)與DER的矛盾［7-8］。儲能作為平衡風(fēng)力發(fā)電的一種有效手段得到了廣泛共識，但是儲能因其高成本的缺點，不能得到廣泛的推廣使用。但電動汽車作為電力系統(tǒng)中的一種儲能應(yīng)用形式有著很大的潛力，其在配電網(wǎng)中可與分布式風(fēng)力發(fā)電單元配合，進而平衡分布式風(fēng)力發(fā)電的不確定性。為此，本文利用電動汽車儲能解決風(fēng)力發(fā)電的不足，聯(lián)合配電網(wǎng)中的分布式風(fēng)力發(fā)電單元與電動汽車形成VPP，參與到日前電力市場中。

針對儲能與其他發(fā)電資源聯(lián)合發(fā)電的形式，文獻［9］分析了儲能與風(fēng)電聯(lián)合發(fā)電的經(jīng)濟效益，并利用動態(tài)規(guī)劃的方法分析了該組合形式在電力市場環(huán)境下的運行形式。但該文獻中的儲能與風(fēng)力發(fā)電屬于同一所有者，而本文所提出的利用電動汽車作為儲能形式的方法，電動汽車與風(fēng)力發(fā)電的所有者不屬于同一個所有者。文獻［10］研究了微型燃氣輪機與風(fēng)力發(fā)電的協(xié)調(diào)運行機制，使之形成一個VPP，進而研究VPP的在線協(xié)調(diào)控制機制。文獻［11］基于多代理方法研究了以聚合形式出現(xiàn)的電動汽車向電網(wǎng)輸送電能的機制與方法，但主要是以監(jiān)管者的角度進行分析研究，而非供電方角度。文獻［12］考慮風(fēng)電電源與電動汽車充放電負荷的雙隨機性，以最大化動態(tài)條件風(fēng)險備用為目標(biāo)，建立了電力系統(tǒng)短期充裕性多階段決策模型，實現(xiàn)了在購電成本約束下，電力公司購買不同類型電源的配比決策和電動汽車調(diào)度方案優(yōu)化。文獻［13］計及電動汽車數(shù)量與風(fēng)電機組出力的不確定性，同時在一系列假設(shè)的基礎(chǔ)上研究了含電動汽車和風(fēng)電機組的VPP協(xié)同競價問題。

本文通過對VPP市場化建模，利用滾動時域分析方法，分析對比相對于無電動汽車參與的由配電網(wǎng)中分布式風(fēng)力發(fā)電單元所構(gòu)成的VPP，電動汽車與分布式風(fēng)力發(fā)電單元聯(lián)合所構(gòu)成的VPP在效益方面的表現(xiàn)。針對電動汽車儲能電池參與VPP后會造成損耗的問題，對其補償機制進行了分析研究。

1 市場環(huán)境下VPP模型建立

本文所提及的市場環(huán)境下VPP的參與方為配電網(wǎng)內(nèi)分布式風(fēng)力發(fā)電單元與電動汽車。因參與VPP運行后，電動汽車受VPP的統(tǒng)一控制，因此，本文不考慮電動汽車充放電的隨機性問題。同時，由于風(fēng)電的預(yù)測準(zhǔn)確性較差，本文所指VPP參與的市場為日前電力市場。

在日前電力市場中的第k-1日，VPP上報分時段的第k日電量供應(yīng)策略。其中風(fēng)力發(fā)電的出力基于第k日的天氣預(yù)報，同時考慮到愿意參與到第k日VPP中的電動汽車的數(shù)量，風(fēng)力發(fā)電運營商計算出在日前電力市場中，第k日最有利的供應(yīng)策略所需的電動汽車的數(shù)量。在第k日的實際運行中，基于VPP的實際運行情況，同時依據(jù)前一日所制定的合同，為了保證VPP運營效益最大化，虛擬發(fā)電廠運行控制中心VPPCC（Virtual Power Plant Control Center）進行持續(xù)優(yōu)化。

如前所述，VPP于第k-1日上報分時段的第k日的供電策略，設(shè)z（n）為第n個時段VPP預(yù)測可以產(chǎn)生的電量，電量z（n）可以直接輸送至電網(wǎng)，也可向電動汽車充電，或二者同時進行。此外，在相同時間段內(nèi)，VPP也可利用之前存儲在電動汽車中的電量，與z（n）一起向電網(wǎng)傳輸。具體在第n個時段采取什么樣的方式，取決于當(dāng)時的市場價格以及利用電動汽車儲能所產(chǎn)生的費用。

1.1 電動汽車補償機制

一般情況下，配電網(wǎng)中的分布式風(fēng)力發(fā)電單元與電動汽車的所有者不同，分布式風(fēng)力發(fā)電單元一般屬于風(fēng)電運營商，而電動汽車則屬于具體的電動汽車擁有者。同時，由于電動汽車參與到VPP中勢必會使充放電的頻率增多，這就會使電動汽車的電池壽命縮短。所以，建立一套電動汽車補償機制，使得電動汽車車主愿意參與到VPP運營中就顯得尤為重要。

在本文中，電動汽車的補償機制并不是通過直接向電動汽車車主發(fā)放補貼的方式體現(xiàn)。在電力市場電價機制中有零售電價與批發(fā)電價，零售電價通常要高于批發(fā)電價，通過利用這2種電價之間的差異則可建立電動汽車補償機制。需要指出，在建立補償機制時并不需要考慮輸配電費用，因為該費用已作為前期電動汽車充電設(shè)備安裝費用的一部分向電動汽車車主收取。

對于VPP而言，其向電網(wǎng)輸電時是按批發(fā)電價計算獲得收益的。而對于電動汽車車主而言，當(dāng)電動汽車充電時，電網(wǎng)是按零售電價計算收取費用的。如果電動汽車參與到VPP運行中，那么VPP為其充電將不再收取費用。作為回報，電動汽車需要參與到VPP的整體運行中，成為VPP的一部分。例如，設(shè)批發(fā)電價為 0.2 元 ／（kW·h），零售電價為 0.4 元 ／（kW·h）。VPP每向電動汽車輸送1 kW·h的電量，將會減少其向電網(wǎng)供電所獲得的0.2元的收益，但電動汽車車主則免去了向電網(wǎng)繳納0.4元的費用。雖然VPP減少了向電網(wǎng)的售電量，但VPP可通過利用這種補償機制所爭取到的電動汽車儲能，形成一個范圍更大、更加穩(wěn)定的VPP，進而更好地參與到電力市場中以獲取更高的收益。

1.2 電動汽車收益模型

為了體現(xiàn)參與VPP運行后對電動汽車電池使用壽命的影響，本文利用文獻［14］中所提的方法進行建模。

設(shè) LET為在某一特定放電深度 DOD（Depth-Of-Discharge）下，電池在其使用壽命內(nèi)的放電總量，cb為電池的成本，則電動汽車參與到VPP中的損耗CEV為：

其中，Es（DOD）為VPP在儲能電池特定的放電深度下，利用電動汽車儲能電池的容量。電池壽命一般通過可充電次數(shù)來表達，即通過特定的放電深度描述，即：

其中，L（DOD）為某一放電深度下電動汽車電池的使用壽命。

因此，電動汽車參與到VPP中的損耗CEV為：

本文利用文獻［15］中所提的電動汽車儲能電池放電深度與可利用次數(shù)間的關(guān)系，具體如表1所示。

表1 不同放電深度下的可充電次數(shù)Table 1 Life cycles for different values of DOD

作為電動汽車參與VPP的補償，電動汽車會從VPP得到一定免費的電能。設(shè)Ef（DOD）為電動汽車從VPP獲得的電量，假設(shè)零售電價為0.4元／（kW·h）。因此，電動汽車的利益函數(shù)為：

提供給VPP的放電深度是按電動汽車車主的意愿所決定的，較小的放電深度可延長電池的使用壽命，但同時收益將會減少。相反，較大的放電深度會縮短電池的壽命，但收益將增多。

1.3 VPP日前市場策略模型

為確定下一日的策略，含電動汽車儲能的VPP需要確定以下5個方面：（1）直接向電網(wǎng)輸送的電量，表示為 x；（2）向電動汽車輸送的電量，表示為 b；（3）電動汽車向電網(wǎng)輸送的電量，表示為d；（4）VPP所需利用的電動汽車儲能的容量（以確定含電動汽車儲能的VPP中所需電動汽車的數(shù)量），表示為y；（5）作為回報向電動汽車輸送的電量，表示為g。

設(shè)VPP可利用電動汽車儲能容量的最大值為s（即 y 的最大值），s=［s（0），s（1），…，s（N-1）］T，s（n）=其中 v∈V，V 為一組電動汽車集合。

設(shè)VPP向電網(wǎng)輸送電量（直接輸送或從所利用的電動汽車儲能輸送）時的電價為pe（n）。同時，設(shè)作為補償輸送給電動汽車的電量與所需利用的電動汽車儲能容量之比為 σ，σ∈［0，1］（σ≤g（n） ／y（n））。因通過電網(wǎng)向電動汽車充電時會產(chǎn)生損耗，同時電動汽車儲能參與到VPP運行中后，向電網(wǎng)送電也會產(chǎn)生損耗。故設(shè)η∈（0，1）為電池的整體轉(zhuǎn)換損失。同時，為了反映每個電動汽車單元真實的輸電電量，在數(shù)學(xué)表達式上需將原先一個單位的輸電電量變?yōu)椋?+η）個單位的輸電電量。

綜上，以最大化VPP效益建立模型，VPP日前市場策略模型如下。

目標(biāo)函數(shù)可表示為：

約束條件為：

其中，n=0，1，…，N-1；N 為總的時段數(shù)；p（x，d）為基于預(yù)測產(chǎn)生的電量z，VPP向電網(wǎng)輸送電能所獲得的收益；Δ（n）為時段n開始時電動汽車中所儲存的電量，可表示為式（7）。

式（6）中，第1個約束條件為時段n直接送向電網(wǎng)的電量x（n）、轉(zhuǎn)化儲存在電動汽車儲能中的電量b（n）、作為參與補償輸送給電動汽車的電量 g（n）三者之和等于VPP預(yù)測產(chǎn)生的電量z（n）；第2個約束條件保證了有足夠的電動汽車滿足需要存儲的電量；第3個約束條件保證了電動汽車中存儲的電量滿足輸出的要求；第4個約束條件保證電動汽車所獲得的補償電量至少達到VPP所需利用儲能容量的規(guī)定比例（即σ）。

2 滾動時域優(yōu)化方法

為解決大規(guī)模優(yōu)化決策中計算難處理的問題與反映復(fù)雜動態(tài)環(huán)境的優(yōu)化決策過程，控制領(lǐng)域在20世紀(jì)70年代提出了滾動時域控制和預(yù)測控制概念。預(yù)測控制與傳統(tǒng)的最優(yōu)控制有著很大的不同，預(yù)測控制因其基本原理對于復(fù)雜工業(yè)環(huán)境有著很強的適應(yīng)性，使其在工業(yè)過程中得到了廣泛的應(yīng)用。這些原理主要包含模型預(yù)測、滾動優(yōu)化、反饋矯正。滾動時域優(yōu)化方法是借鑒預(yù)測控制的思想，通過預(yù)測模型計算該時段內(nèi)的最優(yōu)控制，并將得到的最優(yōu)策略應(yīng)用到該時段內(nèi)。到下一個時間段的起點時，系統(tǒng)狀態(tài)再次更新，滾動時域控制再次計算該時段的最優(yōu)控制，依此類推。預(yù)測控制中的滾動時域方法實質(zhì)上是利用隨時間反復(fù)進行的一系列小規(guī)模優(yōu)化問題求解的過程取代一個靜態(tài)的大規(guī)模優(yōu)化問題求解的結(jié)果，從而達到在優(yōu)化前提下降低計算量并適應(yīng)不確定性的目的［16］。

從時間維度而言，滾動時域優(yōu)化方法在有限時域內(nèi)采用滾動式的優(yōu)化策略，也就意味著該優(yōu)化策略不是一次完成的，而是隨著時間的推移反復(fù)進行，即優(yōu)化策略只是在基于當(dāng)前采樣時間之后的未來有限時間段內(nèi)進行，并在基于當(dāng)前采樣時間的滾動窗口內(nèi)執(zhí)行決策結(jié)果。在下一個采樣時間點，優(yōu)化時段會向后移動。所以滾動時域優(yōu)化方法不是以一個對整體相同的優(yōu)化指標(biāo)，而是在每個采樣時間都有一個相對于該時段的局部優(yōu)化指標(biāo)。這2種優(yōu)化指標(biāo)在形式上是相同的，但其包含的時間段不同［17］。

從問題維度而言，滾動時域優(yōu)化方法將一個整體的問題分拆成若干個子問題。根據(jù)在采樣時間之前所獲得的反饋信息和當(dāng)前預(yù)測窗口的預(yù)測信息，在每個采樣時間做出決策，進而解決當(dāng)前時段的子問題［17］。

3 基于滾動時域優(yōu)化方法的VPP日前市場策略模型

在電能輸送的第k日當(dāng)天，越接近每個時間段，越能更加準(zhǔn)確地預(yù)測該時間段所產(chǎn)生的電量。在第k日的任意時間段內(nèi)，因第k-1日預(yù)測會出現(xiàn)誤差，1.3節(jié)中的模型需要進行一定的調(diào)整，以適應(yīng)這一誤差。

為此，針對上述問題，本文利用滾動時域優(yōu)化方法進行處理。 設(shè) z′t=［z′t（t），z′t（t+1），…，z′t（N-1）］T為一天內(nèi)剩余N-t個時間段在時段t已知的新預(yù)測VPP 產(chǎn)生的出力，z′t（t）、z′t（t+1）、…、z′t（N-1）分別為時段 t對時段 t、t+1、…、N-1 的預(yù)測出力。 同理，s′t=［s′t（t），s′t（t+1），…，s′t（N-1）］T為一天內(nèi)剩余 N-t個時間段在時段t VPP可以利用的儲能容量新的最大值。設(shè)pup為實際的送電量小于日前市場所簽訂的合同值時的懲罰費用量。但是，如果送電量高于合同值，多送出的電量的價格不高于合同所簽訂的價格pe，這2個價格的差異（合同價格減去實際的盈余價格）用 pdown表示。 即：pdown（n）=pe（n）-psurplus（n），其中psurplus（n）為時段n多送出電量的價格。由此可得到 pdown≥0。

在每個時間段t，根據(jù)日前市場簽訂的合同，即VPP需要提供w（w=x+d）的電量，含電動汽車儲能的VPP現(xiàn)需要計算出針對1.3節(jié)中所提到的5個量對于一天中剩余的 N-t個時間段的更新量 x′t、b′t、d′t、 g′t、 y′t。 因 此 新 的 供 應(yīng) 電 量為 w′t=x′t+d′t，需要在每個時段 t都計算一遍，其中 t∈｛0，1，…，N-1｝。同時為在時段 t少送出的電量值=［max（0，w（t）-w′t（t）），max（0，w（t+1）-w′t（t+1）），…，max（0，w（N-1）-w′t（N-1））］T，同理為在時段 t多送出的電量值= ［max（0，w′t（t）-w（t）），max（0，w′t（t+1）-w（t+1）），…，max（0，w′t（N-1）-w（N-1））］T。

因此，綜上所述，考慮了不平衡懲罰量的VPP利益函數(shù)為：

3.1 目標(biāo)函數(shù)

盡管式（8）為凹函數(shù)，但由于其含有max函數(shù)，故不是處處可微，因此將式（8）修改成式（9）。

為此，基于滾動時域優(yōu)化方法的VPP日前市場策略模型的目標(biāo)函數(shù)為：

其中，α（n）、β（n）為去除式（8）中不可微量的變量。

3.2 約束條件

（1）能量平衡約束。

該約束條件為每個時段t直接送向電網(wǎng)的電量 x′t（n）、轉(zhuǎn)化儲存在電池中的電量 b′t（n）、作為補償輸送給電動汽車的電量 g′t（n）三者之和等于 VPP每個時段 t產(chǎn)生的電量 z′t（n）。 其中，n ∈（t，t+1，…，N-1）。

（2）所需儲能約束。

該約束條件保證了在每個時段t有足夠的電動汽車滿足所需存儲的電量。其中，Bt為每個時段t電動汽車的電量；y′t（n）為每個時段 t需要利用電動汽車儲能的容量；Δ′t（n）為每個時段 t電動汽車儲存的電量，可表示為：

（3）輸出約束。

該約束條件保證了在每個時段t內(nèi)電動汽車中所儲存的電量滿足輸出的要求。 其中，d′t（n）為每個時段t電動汽車向電網(wǎng)輸送的電量。

（4）消耗補償約束。

該約束條件保證了在每個時段t內(nèi)電動汽車所獲得的補償電量至少達到VPP所需利用儲能容量的規(guī)定比例（即 σ）。其中，g′t（n）為每個時段 t作為回報向電動汽車輸送的電量。

（5）VPP 需求約束。

該約束條件保證了在每個時段t內(nèi)作為回報向電動汽車輸送的電量與VPP所需利用的儲能容量之和不能大于VPP所能利用儲能的最大值。其中，s′t（n）為每個時段 t VPP所能利用儲能容量的最大值（即 y′t（n）的最大值）。

（6）其他約束。

每天系統(tǒng)運行中，式（9）在每個時段t都需要求解一遍，并且在時間段 t所用的值為：x′t（n）、b′t（n）、d ′t（n）、g′t（n）。

4 算例分析

4.1 算例描述

為了驗證所提模型的有效性，本文選取由10個分布式風(fēng)力發(fā)電單元所組成的VPP為例進行分析，其中每個分布式風(fēng)力發(fā)電單元的標(biāo)稱功率為1.3 MW。因需要向下一日市場提交發(fā)電策略，風(fēng)電運營商需要根據(jù)下一日01:00—24:00的風(fēng)力預(yù)測值，估計計劃出力z。同時，為了體現(xiàn)風(fēng)電的預(yù)測誤差，本文收集了某地連續(xù)2個月01:00—24:00的風(fēng)力預(yù)測值以及實際值，然后對時段t風(fēng)力預(yù)測誤差進行計算，對于每個時段t的預(yù)測誤差，計算其平均值與方差值，最終通過平均值與方差值確定出預(yù)測誤差的正態(tài)分布。為了仿真電力市場價格變動，本文利用某地的歷史電價信息［18］。每個電動汽車電池容量取值為 30 kW·h，總的電池轉(zhuǎn)換參數(shù)取為 0.27［14］。

4.2 算例結(jié)果分析

本文通過對比相同地點，相對于無電動汽車儲能參與的分布式風(fēng)力發(fā)電單元所構(gòu)成的VPP，電動汽車儲能與分布式風(fēng)力發(fā)電單元聯(lián)合所構(gòu)成的VPP在效益方面的優(yōu)異性。利用MATLAB仿真軟件實現(xiàn)滾動時域優(yōu)化方法的求解。設(shè)p（x，d）為電動汽車儲能與分布式風(fēng)力發(fā)電單元相聯(lián)合所構(gòu)成的VPP參與到日前電力市場所獲得的實際效益（即去除作為補貼向電動汽車輸送的電量與實際運行中支付市場的不平衡懲罰量后所獲得的效益），p（x，d|s=0）為僅由分布式風(fēng)力發(fā)電單元構(gòu)成的VPP獲得的實際效益（即實際運行中支付市場的不平衡懲罰量后所獲得的效益）。

本文所提方法多獲得的收益以式（17）形式表示：

圖1給出了不同σ取值下每個月含電動汽車儲能的VPP所多獲得的收益，σ的取值分別為0.05、0.1、0.15。 由圖1可看出，在風(fēng)力較大的冬季和春季含電動汽車儲能的VPP所多獲取的收益更多；相對于不含電動汽車儲能的VPP，含電動汽車儲能的VPP所獲得的收益多出了25%以上（例如3月與12月，而在1月更是多出將近45%）；當(dāng)σ為0.05時，由于利用電動汽車儲能相對比較便宜，則VPP就會盡可能多地利用儲能；但隨著σ值增大，由于利用儲能的代價越來越大，當(dāng)σ取值為0.1、0.15時含電動汽車儲能的VPP所多獲取的收益將減少。

圖1 不同σ取值下含電動汽車儲能的VPP所多獲得的收益Fig.1 Extra profit of VPP with EVs for different values of σ

圖2給出了含電動汽車儲能的VPP獲取最優(yōu)收益時，利用電動汽車儲能發(fā)出的電能所占的百分比。由圖2可看出，隨著利用儲能代價的增大（即σ值的增加），利用儲能所占的百分比隨之減少。

圖2 不同σ取值下含電動汽車儲能的VPP收益最優(yōu)時電動汽車儲能所占百分比Fig.2 Percentage of EV energy storage in VPP with optimal profit for different values of σ

假設(shè)1月是VPP需要利用儲能最多的月份，則當(dāng) σ=0.05時，VPP需要的可利用儲能容量為60 MW·h，當(dāng) σ=0.15時，VPP 需要的可利用儲能容量為20 MW·h。由此就產(chǎn)生了一個問題，到底需要多少電動汽車滿足最佳儲存容量需求。這一問題需要通過分析電動汽車放電深度來解決。假設(shè)每輛電動汽車通過提供對其最有益的放電深度向VPP提供儲能服務(wù)，即放電深度為40%時（如圖3所示），則每輛電動汽車可提供 0.4×30=12（kW·h）的容量，VPP就需要1667～5000輛電動汽車以滿足VPP對儲能20～60 MW·h的需求。

基于1.2節(jié)所述的電動汽車收益模型可得不同σ與放電深度值下的電動汽車年收益，如圖3所示。

圖3 不同DOD取值下電動汽車的年收益Fig.3 Annual profit of EV for different values of σ

由圖3可看出，當(dāng)σ=0.05時，儲能的利用代價較低，較多的電動汽車儲能被利用，對于電動汽車車主而言，雖然每次獲得的收益較低（免費獲得的電力較少），但是從長期的角度而言，因為參與VPP運行的次數(shù)較多，反而獲得了更好的收益。但隨著σ值的增大，VPP利用儲能的代價增大，故電動汽車儲能利用的頻率也隨之降低，因此電動汽車車主所獲得收益也隨之減少。由此可看出，σ值越小，電動汽車儲能利用的次數(shù)增多，電動汽車車主的收益就會越多，足以滿足電動汽車儲能電池參與VPP后充放電次數(shù)增多所造成的損失。當(dāng)電動汽車儲能電池最佳放電利用深度DOD=40%，σ=0.05，可充電次數(shù)12000次，電池容量 30 kW·h，零售電價 0.4 元 ／（kW·h），電動汽車車主在其儲能電池壽命內(nèi)可由VPP獲得57600元的電能，參考文獻［15］所提供的電動汽車儲能電池的成本相當(dāng)于50400元，因此電動汽車參與VPP所造成的損失足以得到補償。

5 結(jié)論

本文主要研究了VPP內(nèi)部分布式發(fā)電資源優(yōu)化運行方式。為了使風(fēng)電這類具有間歇性、可預(yù)測性差、受自然環(huán)境影響較大的新能源能參與到電力市場中，本文利用電動汽車作為儲能解決風(fēng)力發(fā)電的不足，聯(lián)合配電網(wǎng)中的分布式風(fēng)力發(fā)電單元與電動汽車形成VPP，進而參與到日前電力市場中。

本文建立了日前電力市場環(huán)境下的VPP模型，該模型以VPP效益最大化為目標(biāo)，對由電動汽車儲能與分布式風(fēng)力發(fā)電單元聯(lián)合構(gòu)成的VPP進行了分析。利用某地風(fēng)電的實際數(shù)據(jù)，采用滾動時域分析方法，對本文所提出的模型與機制進行了仿真分析。通過仿真驗證了含電動汽車儲能的VPP在效益方面可獲得較大的提升。

同時，由于電動汽車與分布式風(fēng)力發(fā)電單元的所有者不同，本文闡述了電動汽車參與VPP運行后的補償機制，算例表明該補償機制具有良好的可行性。

利用本文所提出的模式，如何使其他不可控能源與可控能源相配合，以及利用不可控能源在時域、空域間的互補特性，使更多的能源更深入地參與到電力市場中來將是下一步的主要研究內(nèi)容。

參考文獻：

［1］汪新園.大規(guī)模風(fēng)電接入電力系統(tǒng)的可靠性評估及儲能策略研究［D］. 杭州：浙江大學(xué)，2013.WANG Xinyuan.Research on reliability assessment and storage strategy on power system with large-scale wind power penetration［D］.Hangzhou：Zhejiang University，2013.

［2］杜雄，李珊瑚，劉義平，等.直驅(qū)風(fēng)力發(fā)電故障穿越控制方法綜述［J］. 電力自動化設(shè)備，2013，33（3）：129-135.DU Xiong，LI Shanhu，LIU Yiping，et al.Review of fault ridethrough control for direct-drive wind turbine ［J］.Electric Power Automation Equipment，2013，33（3）：129-135.

［3］王增平，戴志輝.含風(fēng)力發(fā)電的配網(wǎng)電流保護運行風(fēng)險評估［J］.電力自動化設(shè)備，2013，33（6）：7-12.WANG Zengping，DAIZhihui.Operation risk assessmentfor current protection of distribution network with wind farm ［J］.Electric Power Automation Equipment，2013，33（6）：7-12.

［4］龔文明，胡書舉，許洪華.一種適用于大型風(fēng)電場實時仿真的雙饋風(fēng)力發(fā)電機響應(yīng)模型［J］. 電力自動化設(shè)備，2014，34（4）：114-119.GONG Wenming，HU Shuju，XU Honghua.Response model of DFIG forreal-time simulation oflarge-scalewind farms［J］.Electric Power Automation Equipment，2014，34（4）：114-119.

［5］宋藝航，譚忠富，李歡歡，等.促進風(fēng)電消納的發(fā)電側(cè)、儲能及需求側(cè)聯(lián)合優(yōu)化模型［J］. 電網(wǎng)技術(shù)，2014，38（3）：610-615.SONG Yihang，TAN Zhongfu，LI Huanhuan，et al.An optimization model combining generation side and energy storage system with demand side to promote accommodation of wind power［J］.Power System Technology，2014，38（3）：610-615.

［6］FENIX.Flexible electricity networks to integrate the expected energy evolution［EB ／OL］. （2008-11-01）［2015-08-25］.http：∥www.fenix-poject.org.

［7］陳春武，李娜，鐘朋園，等.虛擬電廠發(fā)展的國際經(jīng)驗及啟示［J］.電網(wǎng)技術(shù)，2013，37（8）：2258-2263.CHEN Chunwu，LINa，ZHONG Pengyuan，etal.Review of virtualpowerplanttechnology abroad and enlightenmentto China［J］.Power System Technology，2013，37（8）：2258-2263.

［8］SABOORI H，MOHAMMADI M，TAGHE R.Virtual Power Plant（VPP），definition，concept，components and types［C］∥Asia-Pacific Power and Energy Engineering Conference（APPEEC）.Wuhan，China：IEEE Power&Energy Society（PES），2011：1-4.

［9］CPSTA L M，BOURRY F，JUBAN J，et al.Management of energy storage coordinated with wind power under electricity market conditions［C］∥Proceedings of the 10th International Conference on Probabilistic Methods Applied to Power Systems，2008.Estoril，Portugal：［s.n.］，2008：1-8.

［10］HOUWING M，PAPAEFTHYMIOU G，HEIJNEN PW，etal.Balancing wind power with virtual power plants of micro-CHPs［C］∥IEEE BucharestPowerTech.Bucharest，Romania：IEEE，2009：1-6.

［11］KAMBOG S，KEMPTON W，DEKER K S.Deploying power gridintegrated electric vehicles as a multi-agent system［C］∥International Conference on Autonomous Agents&Multiagent Systems.Taiwan，China：［s.n.］，2011：13-20.

［12］薛志英，周明，李庚銀.基于條件風(fēng)險價值的電力系統(tǒng)短期充裕性決策［J］. 中國電機工程學(xué)報，2014，34（1）：96-104.XUE Zhiying，ZHOU Ming，LIGengyin.Short-term adequacy decision of power systems based on CAaR［J］.Proceedings of the CSEE，2014，34（1）：96-104.

［13］楊甲甲，趙俊華，文福拴，等.含電動汽車和風(fēng)電機組的虛擬發(fā)電廠競價策略［J］.電力系統(tǒng)自動化，2014，38（13）：92-102.YANG Jiajia，ZHAO Junhua，WEN Fushuan，et al.Development ofbidding strategies for virtualpower plants considering uncertain outputsfrom plug-in electric vehiclesand wind generators［J］.Automation of Electric Power Systems，2014，38（13）：92-102.

［14］KEMPTON W，TOMIC J.Vehicle-to-grid power fundamentals：calculating capacity and netrevenue ［J］.JournalofPower Sources，2005，144（1）：268-279.

［15］DUVALL M，ALEXANDER M.Batteriesforelectric drive vehicles-status 2005［J］.Electric Power Systems Research，2005，35（11）：74-86.

［16］王冰.滾動時域調(diào)度方法及其性能分析研究［D］.上海：上海交通大學(xué)，2005.WANG Bing.Rolling horizon scheduling procedures and performance analysis［D］.Shanghai：Shanghai Jiao Tong University，2005.

［17］胡訓(xùn)強，謝曉方，孫濤，等.基于滾動時域優(yōu)化的機場起降動態(tài)調(diào)度［J］.計算機與現(xiàn)代化，2012，201（5）：101-105.

（continued on page 59）（continued from page 50）HU Xunqiang，XIE Xiaofang，SUN Tao，et al.Dynamic departure and landing scheduling in military airport based on receding horizon optimization［J］.Computer and Modernization，2012，201（5）：101-105.

［18］國家發(fā)改委.國家發(fā)展改革委關(guān)于福建省峰谷電價有關(guān)問題的批復(fù)［EB／OL］. （2004-03-19）［2015-08-25］.http：∥www.fjjg.gov.cn ／fjwjj／jgfw ／gjjgzc ／webinfo ／2004 ／03 ／1187774413397925.html.