葉 婷，鄧 星，黃 堃，梁加本，張智俊

（1.國(guó)網(wǎng)江蘇省電力有限公司 南京供電分公司，南京 210019；2.國(guó)電南瑞科技股份有限公司，南京 211100；3.南京郵電大學(xué)，南京 210023）

0 引言

伴隨新時(shí)代“能源革命”的推進(jìn)，以電動(dòng)汽車為代表的新能源為電網(wǎng)提供了源源不斷的能源供應(yīng)。與此同時(shí)，電動(dòng)汽車充放電的無序化、隨機(jī)化也給電網(wǎng)的運(yùn)行管理帶來了巨大的挑戰(zhàn)。為此，如何對(duì)電動(dòng)汽車進(jìn)行精準(zhǔn)預(yù)測(cè)并進(jìn)行優(yōu)化管理至關(guān)重要。通過對(duì)園區(qū)內(nèi)電動(dòng)汽車充換儲(chǔ)一體化電站、中斷負(fù)荷以及分布式發(fā)電源（distributed generator，DG）等重要元素進(jìn)行集中監(jiān)控管理，建立“區(qū)域協(xié)控虛擬電廠”典型模型，研究區(qū)域可調(diào)資源聚合技術(shù)，可下發(fā)實(shí)際調(diào)控指令，充分發(fā)揮電動(dòng)汽車充換儲(chǔ)一體化電站和分布式電源的靈活調(diào)節(jié)能力，在兼顧個(gè)體利益的前提下，實(shí)現(xiàn)區(qū)域整體利益最大化。

文獻(xiàn)［1］針對(duì)電動(dòng)汽車充電行為不確定性問題，建立了基于出行鏈理論的電動(dòng)汽車出行及電池電量變化模型，提出了引入馬爾科夫決策過程的電動(dòng)汽車用戶充電行為分析方法。文獻(xiàn)［2］提出了基于聚類分析的電動(dòng)汽車充電負(fù)荷預(yù)測(cè)方法，在分析常規(guī)充電負(fù)荷影響因素并初步建立概率分布模型的基礎(chǔ)上，對(duì)每段行程的行駛里程和行駛時(shí)間構(gòu)成的二維出行特征數(shù)據(jù)進(jìn)行聚類分析。文獻(xiàn)［3］以出行時(shí)間和行駛里程確定且充電時(shí)間不受分時(shí)電價(jià)影響的電動(dòng)公交車、出租車和公務(wù)車為研究對(duì)象，提出了一種根據(jù)某市現(xiàn)行峰平谷電價(jià)政策并綜合充電起始和結(jié)束時(shí)間所處的峰平谷階段動(dòng)態(tài)修正充電目標(biāo)的EV充電負(fù)荷預(yù)測(cè)方法。上述方法都能將不同層面的不確定因素考慮進(jìn)電動(dòng)汽車的用電預(yù)測(cè)過程中，在一定程度上改進(jìn)了預(yù)測(cè)性能。但這些現(xiàn)有方法也存在不足:都只考慮了出行習(xí)慣，忽略了要綜合氣象數(shù)據(jù)、預(yù)報(bào)信息，對(duì)影響電動(dòng)汽車用電需求的因素進(jìn)行深入分析，從多個(gè)方面一起考慮，進(jìn)而提升電動(dòng)汽車的用電功率預(yù)測(cè)的準(zhǔn)確性。

為了促進(jìn)多能源互補(bǔ)及能源低碳化，文獻(xiàn)［4］提出了計(jì)及電轉(zhuǎn)氣協(xié)同的含碳捕集與垃圾焚燒虛擬電廠優(yōu)化調(diào)度模型。針對(duì)VPP 內(nèi)部風(fēng)光資源的不確定性給其參與調(diào)峰市場(chǎng)帶來影響的問題，一些文獻(xiàn)對(duì)以VPP 為主體參與調(diào)峰市場(chǎng)開展研究。文獻(xiàn)［5］采取VPP 同時(shí)參與直接電力交易市場(chǎng)與調(diào)峰市場(chǎng)的運(yùn)營(yíng)模式，計(jì)及風(fēng)光出力不確定性的影響，提出基于條件風(fēng)險(xiǎn)價(jià)值理論的VPP 日前優(yōu)化運(yùn)行模型，并利用Shapley值法對(duì)各成員聯(lián)合運(yùn)行后取得的期望成本進(jìn)行合理分配。但經(jīng)分析可知，文獻(xiàn)［4］、文獻(xiàn)［5］著重解決風(fēng)機(jī)、光伏等可再生電源參與虛擬電廠優(yōu)化調(diào)度帶來的不確定性問題，對(duì)解決大量可再生能源的并網(wǎng)消納問題提供了很多有效方法。但這些文獻(xiàn)也存在不足:在虛擬電廠優(yōu)化過程中，較少考慮電動(dòng)汽車和新能源同時(shí)進(jìn)行優(yōu)化調(diào)度，且少有算法能快速有效地求解出調(diào)度策略，實(shí)現(xiàn)能量互補(bǔ)和削峰填谷。

本文研究的虛擬電廠的運(yùn)營(yíng)模式是指通過建立虛擬電廠控制模型，挖掘包括充換儲(chǔ)一體化電站、可中斷負(fù)荷和分布式電源的時(shí)空互補(bǔ)特性，并對(duì)其運(yùn)行方式進(jìn)行最優(yōu)化控制，從而為電網(wǎng)提供輔助支撐服務(wù)。首先，綜合氣象數(shù)據(jù)、預(yù)報(bào)信息，對(duì)影響電動(dòng)汽車用電需求的因素進(jìn)行深入分析，實(shí)現(xiàn)對(duì)電動(dòng)汽車的用電功率預(yù)測(cè)；其次，基于提出的改進(jìn)粒子群算法，實(shí)現(xiàn)虛擬電廠的整體經(jīng)濟(jì)效益最大化，通過最優(yōu)化虛擬電廠各組成單元的運(yùn)行方式，實(shí)現(xiàn)發(fā)用電互補(bǔ)，從而為電網(wǎng)的削峰填谷提供一定的支撐能力。

1 電動(dòng)汽車負(fù)荷預(yù)測(cè)

電動(dòng)汽車行駛活動(dòng)具有很強(qiáng)的時(shí)空隨機(jī)性，為描述其動(dòng)態(tài)行駛過程，引入了出行鏈的概念，通過記錄用戶日常出行的首次出行地點(diǎn)和行程結(jié)束地點(diǎn)，直至這兩個(gè)地點(diǎn)重合，形成一個(gè)完整的“鏈條”［6—9］。用戶的日常出行特征可以用出行鏈完整地反映出來，基于所提出的出行鏈對(duì)其充電需求進(jìn)行分析，從而為其用電功率預(yù)測(cè)提供保障［8—9］。為了更好地了解出行鏈的概念，用虛線表示用戶出行的行駛過程，實(shí)線表示用戶出行的停車過程，實(shí)心點(diǎn)表示出行鏈的起點(diǎn)與終點(diǎn)，如圖1所示。

圖1 出行鏈?zhǔn)疽鈭DFig.1 Schematic diagram of travel chain

圖1 中，Ta,i、Td,i分別為到達(dá)、離開目的地i的時(shí)刻；Ta,j、Td,j分別為到達(dá)、離開目的地j的時(shí)刻；Tp,i為用戶在目的地i的停車時(shí)間；Ts、Tl分別為用戶出行鏈的起點(diǎn)、終點(diǎn)時(shí)刻；Ti-j為用戶從目的地i行駛至目的地j的花費(fèi)時(shí)長(zhǎng)。

1.1 出行鏈的時(shí)間分布

時(shí)間特征量在這次出行活動(dòng)中滿足如下公式

式中:Ta,i、Td,i分別為到達(dá)、離開目的地i的時(shí)刻；Ta,j、Td,j分別為到達(dá)、離開目的地j的時(shí)刻；Tp,i為用戶在目的地i的停車時(shí)間；Ti-j為用戶從目的地i行駛至目的地j的花費(fèi)時(shí)長(zhǎng)。

（1）首次出行時(shí)間概率分布

由文獻(xiàn)［9］可知，用戶每日出行鏈起點(diǎn)的時(shí)間概率密度f(t)服從正態(tài)分布，記作，其中，μs是出行鏈起點(diǎn)時(shí)間的均值，是出行鏈起點(diǎn)時(shí)間的方差，具體可以通過下式描述

（2）電池荷電狀態(tài)分布和充電時(shí)長(zhǎng)

設(shè)電動(dòng)汽車在當(dāng)前時(shí)刻T0的荷電狀態(tài)為SOC(T0)，則它在T時(shí)刻的荷電狀態(tài)SOC(T)，可以通過下式計(jì)算

式中:s為T0時(shí)刻到T時(shí)刻的行使距離；Taverage為日行駛時(shí)間的平均值；Dmax為最大行駛距離。

一輛電動(dòng)汽車的充電時(shí)長(zhǎng)主要取決于其充電時(shí)長(zhǎng)、其充電接口功率Pc、和其電池的荷電狀態(tài)，表示如下

式中:Cbattery為電池容量；η為充電機(jī)的充電效率。

1.2 出行鏈的空間分布和充電時(shí)間的概率密度

由文獻(xiàn)［10］可知，用戶的出行鏈服從馬爾科夫鏈，即用戶下一時(shí)刻的出行地點(diǎn)只跟當(dāng)前時(shí)刻的出行地點(diǎn)有關(guān)，并將用戶出行鏈中的每個(gè)地點(diǎn)表示為狀態(tài)，通過狀態(tài)之間的轉(zhuǎn)換表示其出行地點(diǎn)的變化。

記用戶車輛的狀態(tài)集為:{E1,E2,…,En}，用戶車輛從狀態(tài)Ei轉(zhuǎn)為狀態(tài)Ej的狀態(tài)轉(zhuǎn)移概率用pi-j表示，則pi-j滿足條件如下

本文中，當(dāng)前時(shí)刻用戶的行駛地點(diǎn)集合被構(gòu)建為:{辦公區(qū)W，住宅區(qū)H，娛樂區(qū)E}，則用戶車輛從任一地點(diǎn)i行駛到下一個(gè)目的地j的狀態(tài)轉(zhuǎn)移概率Pi-j可以表示為

式中:fc(t)為起始充電時(shí)間的概率密度，則fc(t)基本服從分段正態(tài)分布［1］如下

式中:μt、δt分別為充電起始時(shí)間的期望、方差。

1.3 電動(dòng)汽車的負(fù)荷預(yù)測(cè)

基于上述對(duì)電動(dòng)汽車時(shí)空特性的分析與建模，本文采用蒙特卡洛算法并綜合不同功能區(qū)的停車需求模型，得到其負(fù)荷曲線，從而實(shí)現(xiàn)電動(dòng)汽車的負(fù)荷預(yù)測(cè)。

我們以第n輛電動(dòng)汽車到達(dá)目的地i的情況為例進(jìn)行分析:在電動(dòng)汽車到達(dá)目的地的時(shí)刻Ti,s時(shí)汽車到達(dá)目的地并進(jìn)行時(shí)長(zhǎng)為ΔT的充電工作。由于起始充電時(shí)間與充電時(shí)長(zhǎng)是相互獨(dú)立的參數(shù)，所以根據(jù)已知的電動(dòng)汽車所需要的充電時(shí)長(zhǎng)的概率密度，可以結(jié)合已知的不同充電方式下電動(dòng)汽車起始充電時(shí)間的概率密度函數(shù)得到2 者的聯(lián)合概率分布函數(shù)Fs,c服從以下條件

式中:Fs為采用快速充電方式下起始時(shí)刻的概率密度函數(shù)；Fc為采用常規(guī)充電方式下起始時(shí)刻的概率密度。

進(jìn)一步可以求得，在T時(shí)段，電動(dòng)汽車充電的概率為

在T時(shí)段，令Eij(T)×Fck為采用常規(guī)充電方式的電動(dòng)汽車數(shù)量，Eij(T)×Ffk為采用快速充電方式的電動(dòng)汽車數(shù)量。則采用常規(guī)、快速充電方式的負(fù)荷Qi-j,c(T)、Qi-j,f(T)可計(jì)算如下

式中:Pc為常規(guī)充電功率；Pf為快速充電功率。

基于式（10）、式（11），在T時(shí)段，電動(dòng)汽車總負(fù)荷Qi可以由下式進(jìn)行計(jì)算

式中:Qi-j,c(T)為常規(guī)充電方式下電動(dòng)汽車從地點(diǎn)i行駛至地點(diǎn)j對(duì)應(yīng)的充電負(fù)荷；Qi-j,f(T)為快速充電方式下電動(dòng)汽車從地點(diǎn)i行駛至地點(diǎn)j對(duì)應(yīng)的充電負(fù)荷。

基于上述各時(shí)段電動(dòng)汽車的負(fù)荷預(yù)測(cè)，結(jié)合電動(dòng)汽車充換儲(chǔ)一體化電站的儲(chǔ)能容量，即可獲得電動(dòng)汽車充換儲(chǔ)一體化電站可調(diào)度最大容量。

2 基于電動(dòng)汽車預(yù)測(cè)的源荷儲(chǔ)協(xié)同調(diào)度策略

基于園區(qū)內(nèi)電動(dòng)汽車充換儲(chǔ)一體化電站、中斷負(fù)荷以及分布式發(fā)電等重要可調(diào)控單元，建立“區(qū)域協(xié)控虛擬電廠”典型優(yōu)化模型。

2.1 優(yōu)化目標(biāo)函數(shù)

式中:F(P)為目標(biāo)函數(shù)，即整個(gè)虛擬電廠的運(yùn)行成本；Ng為分布式電源個(gè)數(shù)；ai0、ai1和ai2為成本系數(shù)；PG,i(t)為第i個(gè)分布式單元在t時(shí)刻的出力；ΔPk,load(t)為第k個(gè)可中斷負(fù)荷；Ξk為第k個(gè)可中斷負(fù)荷賠償成本；λ2為電池的損耗成本；ts為運(yùn)行初始時(shí)刻；ηc(t)、ηD(t)分別為電動(dòng)汽車充換儲(chǔ)一體化電站在t時(shí)刻的充、放電效率，放電時(shí)μ=1，充電時(shí)μ=0；DOD為放電深度；SOC(t)為電動(dòng)汽車充換儲(chǔ)一體化電站在t時(shí)刻的荷電狀態(tài)；SOCmax為電動(dòng)汽車充換儲(chǔ)一體化電站最高荷電狀態(tài)；Ps(t)為電動(dòng)汽車充換儲(chǔ)一體化電站在t時(shí)刻的調(diào)度功率。

（1）約束條件

功率平衡約束

式中:ΔPload(t)為可中斷負(fù)荷；Pload(t)為負(fù)荷在t時(shí)刻的預(yù)測(cè)功率；PPV(t)為負(fù)荷在t時(shí)刻的光伏發(fā)電功率，μ代表放電狀態(tài)，放電時(shí)μ=1，充電時(shí)μ=0。

發(fā)電機(jī)組出力約束

式中:PG,i,min為發(fā)電機(jī)組出力的最小值；PG,i,max為發(fā)電機(jī)組出力的最大值；PG,i為發(fā)電機(jī)組出功。

可中斷負(fù)荷出力約束

式中:ΔPk,load,max、ΔPk,load,min分別為可中斷負(fù)荷的最大值、最小值；ΔPk,load(t)為t時(shí)刻的可中斷負(fù)荷出力。

儲(chǔ)能充放電約束

爬坡率約束

式中:Rdown為爬坡率的下限；Rup為爬坡率的上限。

2.2 優(yōu)化目標(biāo)函數(shù)求解

對(duì)于模型的求解，采用改進(jìn)的粒子群的優(yōu)化方法。

在園區(qū)虛擬電廠經(jīng)濟(jì)調(diào)度優(yōu)化模型中，關(guān)于等式約束的處理，采用動(dòng)態(tài)處理的方法，使得每個(gè)粒子在尋優(yōu)的過程中可以始終滿足等式約束。具體過程如下［11—12］:

①優(yōu)先設(shè)置索引時(shí)間段t以及粒子群算法尋優(yōu)過程初始化系數(shù)（粗調(diào)系數(shù)Jcoarse、細(xì)調(diào)系數(shù)Jfine），其具體值如下

式中:μ為充放電狀態(tài)，放電時(shí)μ=1，充電時(shí)μ=0；Ps(t)為電動(dòng)汽車充換儲(chǔ)一體化電站在時(shí)刻的調(diào)度功率；ΔPPV(t)為t時(shí)刻的光伏出功變化量；ΔPload(t)為t時(shí)刻的負(fù)荷需求變化量；Pload(t)為t時(shí)刻負(fù)荷初始需求量。

總功率差ΔP可以由式（20）獲得，如果ΔP滿足在允許的總的功率差ε的范圍，轉(zhuǎn)至步驟⑤，否則，進(jìn)行步驟②。

通過式（2）可以獲得發(fā)電機(jī)組在每個(gè)時(shí)間段內(nèi)的發(fā)電需求功率，并基此進(jìn)行調(diào)整，檢查是否發(fā)電機(jī)組，其中分別是第i個(gè)發(fā)電機(jī)組的功率額定上、下限。在有Ns個(gè)發(fā)電源的系統(tǒng)中，調(diào)整后第i個(gè)電源的出功PG,i(t)為

②若粗調(diào)系數(shù)Jcoarse低于粗調(diào)系數(shù)上限Jmax，即Jcoarse

③利用Ns個(gè)發(fā)電機(jī)組中選擇的一個(gè)隨機(jī)指數(shù)r，結(jié)合式（8）中得到的總的功率差，通過式（10）對(duì)每個(gè)發(fā)電機(jī)組的輸出功率進(jìn)行調(diào)整，并執(zhí)行步驟④。

④若細(xì)調(diào)系數(shù)Jfine低于粗調(diào)系數(shù)上限J'max，即Jfine

⑤如果t

基于粒子群算法能夠很好的解決提出的電網(wǎng)經(jīng)濟(jì)調(diào)度模型。

求解流程如圖2所示。

圖2 電動(dòng)汽車負(fù)荷預(yù)測(cè)流程Fig.2 Electric vehicle load forecasting flow

3 仿真驗(yàn)證

本文將根據(jù)前面所述的模型，對(duì)某市經(jīng)濟(jì)開發(fā)區(qū)的電動(dòng)汽車充放電進(jìn)行預(yù)測(cè)，表1給出了不同用地的使用情況。而仿真平臺(tái)主要采用windows7操作系統(tǒng)的高性能計(jì)算機(jī)。主要配置四核CPU、2.5 GHz主頻、16 G內(nèi)存、500 GB 硬盤。主要的仿真軟件為MATLAB/simulink2013a軟件。本節(jié)電動(dòng)汽車數(shù)據(jù)來源于（2021版）江蘇省南京市新能源汽車產(chǎn)業(yè)投資布局分析報(bào)告與《南京市打造新能源汽車產(chǎn)業(yè)地標(biāo)行動(dòng)計(jì)劃》。對(duì)于風(fēng)機(jī)、光伏、儲(chǔ)能和可切負(fù)載的數(shù)據(jù)則是借鑒文獻(xiàn)［13］和文獻(xiàn)［14］中的相關(guān)數(shù)據(jù)人為選定的。對(duì)這些數(shù)據(jù)而言，可以進(jìn)行變更，只需在算法中將相關(guān)數(shù)據(jù)對(duì)應(yīng)替換即可，并不影響優(yōu)化問題的求解過程。

表1 不同用地的相關(guān)參數(shù)Table 1 Relevant data of different areas

按照該市發(fā)展電動(dòng)汽車的規(guī)劃，預(yù)計(jì)到2030年，該市電動(dòng)汽車的保有量大概為5.2 萬輛。根據(jù)對(duì)該地區(qū)私家車日出行情況的調(diào)研，可知車輛的日均行駛距離為37.85 km。圖3表示的是車輛從辦公區(qū)到住宅區(qū)之間行駛距離的擬合情況，原始數(shù)據(jù)直接從園區(qū)的歷史記錄中獲取。

圖3 電動(dòng)汽車預(yù)測(cè)結(jié)果對(duì)比Fig.3 Comparison of electric vehicle prediction results

通常情況下，不同用戶的充電行為不相同，使得電動(dòng)汽車的空間分布不同。電動(dòng)汽車充電前剩余SOC閾值分別為90%、60%、30%時(shí)，住宅區(qū)私家車負(fù)荷曲線如圖4所示。

圖4 不同充電SOC 閾值選擇下的負(fù)荷曲線Fig.4 Load curves in different charging SOC situations

由圖4分析可知，住宅區(qū)的負(fù)荷一般高于辦公區(qū)和娛樂區(qū)負(fù)荷。住宅區(qū)有2 個(gè)負(fù)荷高峰，隨著選擇SOC 閾值的降低，負(fù)荷由中午向夜晚轉(zhuǎn)移。由此可得，電動(dòng)汽車的充放電受用戶充電行為所影響。

圖5表示在圖3所示的電動(dòng)汽車接入情況下，含有電動(dòng)汽車充換儲(chǔ)一體化電站（正為放電，負(fù)為充電）、儲(chǔ)能設(shè)備和可中斷負(fù)載的調(diào)控量。設(shè)定在該仿真模型中，電動(dòng)汽車充換儲(chǔ)一體化電站、儲(chǔ)能設(shè)備、可中斷負(fù)荷及分布式電源所對(duì)應(yīng)的最大容量分別為100 kW、60 kW、20 kW和10 kW。其中，9:00—11:00無exchange power 就代表該時(shí)間段內(nèi)僅靠分布式電源出力（該階段光伏出功與風(fēng)機(jī)出功都足夠大）與和儲(chǔ)能設(shè)備出力，即可滿足負(fù)載需求。圖5 中對(duì)應(yīng)各時(shí)間點(diǎn)的優(yōu)化調(diào)度策略如下:對(duì)于風(fēng)光等可再生能源而言，始終運(yùn)行于最大功率點(diǎn)跟蹤模式。充換儲(chǔ)一體化電站在1:00—8:00、12:00—23:00都處于供電狀態(tài)；儲(chǔ)能設(shè)備在0:00—5:00、12:00—15:00 和23:00都處于充電狀態(tài)，在6:00—8:00和16:00—19:00都處于放電狀態(tài)，其余時(shí)間點(diǎn)既不充電也不放電；可中斷負(fù)載在9:00—11:00 和17:00—20:00 都處于被切除狀態(tài)，在其余狀態(tài)都處于連接狀態(tài)。

圖5 日經(jīng)濟(jì)優(yōu)化調(diào)度值Fig.5 Daily economy optimal dispatch value

表2 表示在表1 和圖3 所示的電動(dòng)汽車接入情況下，該系統(tǒng)分別在僅分布電源參與調(diào)度，分布式電源與可中斷負(fù)荷調(diào)度，本文虛擬電廠調(diào)度策略等3類情況下的運(yùn)行成本。

表2 調(diào)度策略運(yùn)行成本比較Table 2 Cost comparison of scheduling strategies

從表2 可以看出，基于本文提出的虛擬電廠優(yōu)化調(diào)度策略，該系統(tǒng)的用電運(yùn)行成本降低了9.12%，運(yùn)行更加經(jīng)濟(jì)。

4 結(jié)束語(yǔ)

本文提出一種針對(duì)電動(dòng)汽車充換儲(chǔ)一體化電站、可中斷負(fù)荷以及分布式電站組成的虛擬電廠，以經(jīng)濟(jì)效益最大化為目標(biāo)構(gòu)建綜合目標(biāo)函數(shù)，通過確定電動(dòng)汽車充放電功率大小、儲(chǔ)能電池充放電策略和可中斷負(fù)荷的調(diào)度策略，保證了多種微電源組合下經(jīng)濟(jì)、高效和低碳運(yùn)行。該虛擬電廠模式正常情況下為一種純用能負(fù)荷，也具備向電網(wǎng)反向饋電的能力，在形成一定規(guī)模的情況下，可作為一種高效率儲(chǔ)能系統(tǒng)，實(shí)現(xiàn)調(diào)度層面削峰填谷、應(yīng)急支撐的功能。該研究為打造國(guó)家電網(wǎng)公司區(qū)域協(xié)調(diào)控制系統(tǒng)虛擬電廠功能應(yīng)用“可實(shí)行、可復(fù)制、可推廣”的典范提供了理論依據(jù)。