李 奇 ，黃蘭佳 ，邱宜彬 ，孫 彩 ，傅王璇 ，陳維榮

（西南交通大學(xué)電氣工程學(xué)院，四川 成都 610031）

隨著能源危機和環(huán)境污染的日益加劇以及新能源并網(wǎng)技術(shù)的發(fā)展，微電網(wǎng)作為可再生分布式電源發(fā)展的重要手段已成為了近年來各國的研究重點[1-2]，國家的節(jié)能減排政策也使得電動汽車（electric vehicles，EVs）得到發(fā)展和普及，電動汽車數(shù)量逐年增加.然而，電動汽車運行特性與用戶出行習(xí)慣相關(guān)，其大規(guī)模分散地接入電網(wǎng)中會產(chǎn)生大量隨機負(fù)荷，加大負(fù)荷的峰谷差，影響電能質(zhì)量[3].若考慮電動汽車運行時的源荷雙重特性，將其接入微電網(wǎng)中，有序進行充放電管理，能夠有效解決該問題，并為微電網(wǎng)帶來可觀的經(jīng)濟效益，實現(xiàn)雙贏.近年來，有關(guān)電動汽車接入微電網(wǎng)的系統(tǒng)運行研究受到廣泛關(guān)注.

微電網(wǎng)中諸如風(fēng)電、光伏發(fā)電出力的準(zhǔn)確預(yù)測尤為困難，用戶的負(fù)荷需求也存在著一定的波動，電動汽車無序的運行方式也會帶來較大的隨機負(fù)荷，上述的不確定因素都為微電網(wǎng)的調(diào)度帶來了挑戰(zhàn).對于此類不確定問題，現(xiàn)有的研究方法主要有隨機規(guī)劃和魯棒優(yōu)化.隨機規(guī)劃通過對隨機變量概率分布大量采樣獲得典型場景來描述隨機變量的不確定性[4-5].該方法隨著采樣場景的增多，求解規(guī)模呈指數(shù)型擴大，求解過程繁瑣復(fù)雜[6]，其概率論的數(shù)學(xué)本質(zhì)也使得優(yōu)化所得方案只能為其可行性提供概率保證，并不能可靠地應(yīng)對所有的不確定性.魯棒優(yōu)化則通過尋找隨機變量可能取值構(gòu)成的不確定區(qū)間內(nèi)的最惡劣場景，并針對該場景進行優(yōu)化，得到相應(yīng)的調(diào)度方案.該方法優(yōu)化過程無需考慮變量的具體概率分布，計算簡單，所得方案具有強魯棒性，能夠應(yīng)對不確定集合中的任意場景，因此，近年來該方法備受研究者青睞.文獻[7]針對系統(tǒng)中的不確定性建立了min-max-min兩階段魯棒模型，經(jīng)過一系列轉(zhuǎn)化和推導(dǎo)，將模型轉(zhuǎn)化為混合整數(shù)線性規(guī)劃模型以求解最惡劣場景下的最優(yōu)解.文獻[8]采用魯棒優(yōu)化方法考慮了孤島交直流微電網(wǎng)中各微源出力、負(fù)荷以及雙向換流器狀態(tài)的不確定性，提出了區(qū)間不確定性約束魯棒調(diào)度模型.文獻[9]針對并網(wǎng)型微電網(wǎng)，考慮交直流混合微電網(wǎng)系統(tǒng)中的不確定性，提出了一種雙層兩階段魯棒調(diào)度模型.

在電動汽車與微電網(wǎng)的調(diào)度方面，國內(nèi)外學(xué)者也做了大量研究.文獻[10]為實現(xiàn)EVs與電網(wǎng)的有效交互，結(jié)合EVs充電站的建設(shè)，建立了基于粒子群優(yōu)化算法的充放電模型.文獻[11]針對EVs能量的雙向流動性，提出了包含風(fēng)、光、儲、EVs等的微電網(wǎng)經(jīng)濟調(diào)度策略和模型.文獻[12]建立了計及電動汽車充放電的微電網(wǎng)分級調(diào)度模型，分成負(fù)荷級及源荷級進行優(yōu)化，得出了各級的最優(yōu)調(diào)度策略，有效地利用EVs進行負(fù)荷轉(zhuǎn)移.但上述文獻并未充分考慮系統(tǒng)中諸多的不確定因素.文獻[13]針對微網(wǎng)中不確定因素，建立了極端場景集下的含電動汽車的魯棒調(diào)度模型，通過評估系統(tǒng)棄光和棄負(fù)荷成本，提出風(fēng)險成本模型，綜合考慮方案的經(jīng)濟性與運行可靠性.文獻[14]考慮電動汽車負(fù)荷需求的用電方案，將風(fēng)電運行成本和電動汽車充電成本函數(shù)進行加權(quán)，將魯棒問題轉(zhuǎn)換為魯棒隨機最短路徑問題進行求解.文獻[15]利用魯棒優(yōu)化對含電動汽車與可再生能源的微網(wǎng)系統(tǒng)協(xié)同優(yōu)化進行建模，調(diào)度電動汽車有序充電實現(xiàn)系統(tǒng)削峰填谷，消納可再生能源目的，但其所使用的魯棒優(yōu)化方法依然具有“過度保守”問題.

近年來，交直流混合微電網(wǎng)以其能夠兼容交直流負(fù)荷，促進風(fēng)光能源的互補利用，提高新能源利用率和微電網(wǎng)運行效率的優(yōu)點得到了研究者的重視[16].本文為探討含電動汽車的交直流混合微電網(wǎng)日前優(yōu)化調(diào)度問題，建立了含電動汽車充放電的交直流混合微電網(wǎng)兩階段魯棒調(diào)度模型.魯棒調(diào)度最忌模型保守性，本文建立模型時，采用盒式不確定集描述不確定性，引入不確定預(yù)算靈活調(diào)節(jié)模型的保守性，通過強對偶理論及BIG-M法，將模型轉(zhuǎn)換為混合整數(shù)線性規(guī)劃模型，最后采用列約束生成算法（column and constraint generation algorithm，C&CG）進行求解.結(jié)合算例對電動汽車接入微電網(wǎng)的影響進行分析，得出了當(dāng)前算例下的電動汽車最優(yōu)接入輛數(shù)，而后，基于最優(yōu)接入輛數(shù)分析了模型的經(jīng)濟性與可行性.

1 含EVs的交直流混合微電網(wǎng)系統(tǒng)結(jié)構(gòu)描述

本文研究對象含EVs交直流混合微電網(wǎng)系統(tǒng)結(jié)構(gòu)如圖1.圖中，風(fēng)力發(fā)電單元、微型燃?xì)廨啓C和交流負(fù)荷連接至交流母線構(gòu)成交流供電區(qū)域，光伏發(fā)電單元、儲能、電動汽車及直流負(fù)荷連接至直流母線構(gòu)成直流供電區(qū)域.交流供電區(qū)域可通過公共連接（point of common coupling，PCC）節(jié)點連接至配電網(wǎng)，進行功率交互.雙向AC/DC換流器與交流母線和直流母線連接，兩區(qū)域可通過換流器進行功率交互.該系統(tǒng)主要包含以下運行特點：

圖1 含電動汽車的交直流混合微電網(wǎng)模型Fig.1 AC-DC hybrid microgrid model with electric vehicles

1）系統(tǒng)分為交流區(qū)域和直流區(qū)域，各區(qū)域主要通過分布式發(fā)電為區(qū)域內(nèi)的負(fù)荷供電.區(qū)域間通過AC/DC雙向換流器進行功率交換，實現(xiàn)區(qū)域內(nèi)部電能的供需平衡.

2）電動汽車用戶可通過與微電網(wǎng)簽訂協(xié)議，在滿足自己出行需求的條件下參與調(diào)度，獲取需求響應(yīng)收益.本文對電動汽車采取集中調(diào)度的方式，電動汽車的購置成本由用戶承擔(dān).

3）儲能單元權(quán)屬于微電網(wǎng)，在調(diào)度過程中，蓄電池和作為動態(tài)儲能的電動汽車的聯(lián)合充放電完成負(fù)荷需求響應(yīng)，實現(xiàn)電量存儲和負(fù)荷的削峰填谷，最大限度地利用可再生能源.

4）當(dāng)系統(tǒng)內(nèi)部電量供需不足時，微電網(wǎng)可通過PCC節(jié)點向配電網(wǎng)購電以維持功率平衡.反之，當(dāng)系統(tǒng)在滿足內(nèi)部負(fù)荷需求還有富余時，可向配電網(wǎng)售電以賺取收益，降低系統(tǒng)的運行成本.

2 交直流混合微電網(wǎng)日前魯棒調(diào)度模型

2.1 目標(biāo)函數(shù)

綜合考慮系統(tǒng)的運維成本、聯(lián)絡(luò)線交互成本、燃料成本、儲能損耗成本以及電動汽車的補貼成本，所建立的目標(biāo)函數(shù)為

式中：COM為包含風(fēng)機、光伏、換流器以及微型燃?xì)廨啓C單元的運維費用，如式（2）；Cgrid為系統(tǒng)向配電網(wǎng)的購售電成本，如式（3）；Cfuel為微型燃?xì)廨啓C的燃料成本，如式（4）；CES為儲能單元調(diào)度的損耗成本，如式（5）；CEV為微電網(wǎng)對電動汽車用戶配合調(diào)度的補貼，如式（6）.

式（2）～（6）中： Δt為調(diào)度步長，本文取值為 1 h；t為時段；T為調(diào)度周期，本文取值為 24 h；mWT、mPV、mBC、mMT分別為風(fēng)機（WT）、光伏（PV）、換流器和微型燃?xì)廨啓C的運維系數(shù)；PWT，t、PPV，t、PMT，t分別為時段t風(fēng)機、光伏和微型燃?xì)廨啓C的出力；（）為時段t經(jīng)換流器由交（直）流側(cè)轉(zhuǎn)換至直（交）流側(cè)的功率；λt為微電網(wǎng)在調(diào)度各時段日前交易電價；為微電網(wǎng)在時段t向配電網(wǎng)的購（售）電量；aMT為燃料成本系數(shù)；mES為考慮蓄電池?fù)p耗的靜態(tài)儲能調(diào)度成本系數(shù)；為蓄電池的充（放）電效率；為儲能在時段t的充（放）電功率；為時段t第i輛電動汽車對微電網(wǎng)的充（放）電功率；I為電動汽車輛數(shù)；mEV為微電網(wǎng)對電動汽車配合調(diào)度的補貼成本系數(shù).

考慮電動汽車充放電損耗，mEV可由式（7）估算得出[13].

式中：mBat為電動汽車電池購買成本；EEV為電池容量；LDoD為放電深度；Nc為在放電深度為LDoD下電池的循環(huán)次數(shù).

2.2 約束條件

交直流混合微電網(wǎng)的日前魯棒調(diào)度模型需要滿足以下約束條件.

1）微源出力約束

微型燃?xì)廨啓C的出力（PMT,t）需在最大和最小出力之間，如式（8）.

2）儲能單元約束

儲能的充放電功率約束為

儲能單元還需滿足容量約束，如式(10)、(11).

3）換流器運行約束

運行時換流器應(yīng)滿足換流功率約束和換流狀態(tài)約束，如式(12).

由于換流器功率波動較大時會對電能質(zhì)量造成影響，需對換流器相鄰時段換流功率波動進行約束，如式(13).

4）配網(wǎng)功率交互約束

與配電網(wǎng)的功率交互需滿足式（14）約束.

5）EVs約束

EVs參與微電網(wǎng)調(diào)度需在式（15）約束下進行.

調(diào)度過程中，考慮動力電池的使用壽命問題，EVs容量EEVi,t需在最大和最小容量之間，如式（16）.

用戶出行時，動力電池應(yīng)處于最大容量狀態(tài)，應(yīng)滿足式（17）約束.

此外，電動汽車需在滿足自身出行電量下參與調(diào)度，故其放電量應(yīng)當(dāng)滿足式（18）約束.

式中：si為第i輛電動汽車的日出行里程；W100為電動汽車行駛100 km所需電量.

6）系統(tǒng)功率平衡約束

調(diào)度過程中，系統(tǒng)應(yīng)保持交流區(qū)域和直流區(qū)域的功率平衡，即

2.3 不確定集

本文研究過程中所涉及的不確定變量包括交流側(cè)的風(fēng)機出力、交流負(fù)荷、直流側(cè)的光伏出力以及直流負(fù)荷，設(shè)不確定集W中的元素為wj，則對于變量wj在時段t的區(qū)間估計為

盒式不確定集在描述不確定性時，會為調(diào)度帶來嚴(yán)重的保守性，由中心極限定理[17]，實際運行中不太可能發(fā)生所有變量同時達到邊界的情況，故此引入不確定性預(yù)算約束，改善不確定集的保守性，引入不確定性預(yù)算約束后的盒式不確定集合表示形式為

式中：Γj為不確定預(yù)算.

由式（21）可知：Γj取值越大，優(yōu)化過程中考慮的不確定性就越多，優(yōu)化所得調(diào)度方案就越保守，相反則越為冒險；當(dāng)取值為0時，表明實際運行情況與預(yù)測場景沒有偏差，不確定性優(yōu)化隨即轉(zhuǎn)變?yōu)榇_定性優(yōu)化.

2.4 兩階段魯棒優(yōu)化模型

將上述目標(biāo)函數(shù)和約束條件進行整理，所得兩階段魯棒優(yōu)化模型的矩陣形式為

式中：x、y分別為第一階段決策的二進制狀態(tài)變量和第二階段決策的輸出變量，如式（23）；u= （wWT，t，wPV，t，wLA，t，wLD，t）T為第二階段不確定變量構(gòu)成的不確定場景；Ω（x，u）為給定x、u下y的可行域.

式（22a）對應(yīng)式（1）～（6）的目標(biāo)函數(shù)，Dy ≥d對應(yīng)的約束為式（8）、（11）、（13）、（16），Ay= 0 對應(yīng)的約束為式（11）、（19），F(xiàn)y ≥ h-Gx對應(yīng)的約束為式（9）、（12）、式（14）～（15），Jy=u為不確定變量的約束；c、D、A、F、G、J為對應(yīng)約束的系數(shù)矩陣；d、h為對應(yīng)約束的常數(shù)列向量.

式（22）中的三層模型對應(yīng)了一個兩階段問題，其中，對應(yīng)的第一階段決定了儲能、電動汽車及系統(tǒng)購售電的運行狀態(tài)，該階段需保證系統(tǒng)能夠應(yīng)對不確定集中任意場景，在一階段決策的狀態(tài)下，第二階段則需求出各單元的輸出變量，并求解出最惡劣的運行場景.

3 模型求解

目前，解決兩階段模型問題的算法主要有Benders分解算法[18]和 C&CG 算法.與 Benders分解算法相比，C&CG算法的迭代次數(shù)更少，收斂速度更快[19].故本文采用C&CG算法進行模型求解.C&CG算法將“min-max-min”問題分為主問題和子問題進行求解.

1）主問題

主問題為外層的“min”問題，用于求解最小成本.假設(shè)主問題能在l次迭代后求得最優(yōu)解，在得到子問題第k次的最優(yōu)解（xk，uk）后，將子問題的解帶入主問題，主問題的形式為

2）子問題

子問題為內(nèi)層“max-min”問題，用于求解最惡劣場景.根據(jù)強對偶理論，引入對偶變量將其轉(zhuǎn)化為max問題，轉(zhuǎn)化后如式(25)、(26)所示.

式中：α、β、γ、χ分別為式（22b）中系數(shù)矩陣對應(yīng)的對偶變量，uTχ為雙線性項，轉(zhuǎn)化后的max問題為NP-hard問題.

針對本文研究對象而言，極端場景即為風(fēng)光微源出力在各調(diào)度周期各時段皆處于預(yù)測區(qū)間最小值，交直流負(fù)荷則在各調(diào)度時段皆處于預(yù)測區(qū)間最大值.結(jié)合文獻[20]結(jié)論可知：極端場景是不確定集W的極點，即不確定集的邊界，故當(dāng)Γj取為整數(shù)時，對應(yīng)的或取為1，轉(zhuǎn)化成了二進制變量.故采用BIG-M法[21]，通過引入連續(xù)輔助變量和相關(guān)約束，經(jīng)過推導(dǎo)和轉(zhuǎn)換，將子問題轉(zhuǎn)換為混合整數(shù)線性規(guī)劃問題進行求解.

分解后采用C&CG算法求解，流程如圖2所示.

圖2 C&CG 算法流程Fig.2 Flowchart of column and constraint generation algorithm

4 算例分析

本文選取某地交直流微電網(wǎng)夏季典型日的風(fēng)速、光照以及交直流負(fù)荷數(shù)據(jù)為例進行仿真，分析了EVs的運行方式對微電網(wǎng)經(jīng)濟運行的影響，得出了在魯棒最優(yōu)成本下最優(yōu)接入輛數(shù)，在電動汽車接入最優(yōu)情況下分析了調(diào)度方案的經(jīng)濟性和有效性.

考慮風(fēng)機、光伏以及交直流負(fù)荷的波動性，分別取最大波動為預(yù)測值的20%、15%以及10%[22]，仿真相關(guān)基本參數(shù)如表1所示，光伏、風(fēng)機的預(yù)測出力及交直流負(fù)荷功率如圖3、4所示.表1中：EEvi,o為第i輛車的初始容量.微電網(wǎng)日前交易電價以配電網(wǎng)分時電價作為參考，如表2所示.電動汽車動力電池參數(shù)見文獻[13].由于電動汽車的頻繁充放電對動力電池壽命有較大影響，結(jié)合用戶出行規(guī)律、負(fù)荷的峰谷期及電價水平，考慮電動汽車的接入時間為00：00—07：00 以及 17：00—24：00.

表1 基本參數(shù)設(shè)置Tab.1 Basic parameter setting

表2 配電網(wǎng)分時電價Tab.2 Time-of-use prices for distribution network

圖3 風(fēng)機、光伏出力不確定集Fig.3 Uncertainty set of wind turbine and photovoltaic output

圖4 交流負(fù)荷及直流負(fù)荷不確定集Fig.4 Uncertainty set of AC load and DC load

4.1 EVs接入對微電網(wǎng)的影響分析

1）EVs隨機充電模式對微網(wǎng)經(jīng)濟運行的影響

電動汽車隨機充電負(fù)荷可根據(jù)文獻[23]中的用戶出行模型模擬得出.考慮50輛EVs接入微網(wǎng)運行的情況，采用蒙特卡洛算法進行模擬，得到電動汽車出行負(fù)荷如圖5所示.

圖5 電動汽車隨機充電負(fù)荷（50 輛）Fig.5 Random charging load of 50 electric vehicles

將充電負(fù)荷代入模型中進行仿真計算調(diào)度方案運行成本，并將運行成本與集中調(diào)度模式下有序充放電調(diào)度方案的運行成本對比，結(jié)果見表3.

表3 電動汽車隨機充電與有序充放電仿真結(jié)果對比Tab.3 Simulation results of randomly charging and orderly charging and discharging for electric vehicles

從表3可以看出：在隨機充電模式下，系統(tǒng)雖節(jié)省了對電動汽車用戶的補貼成本，但其日運行成本較有序充放電模式下的成本高出1 069.7元，向配電網(wǎng)的凈購電量也有所增加.這是由于在隨機充電模式下，電動汽車僅充當(dāng)了負(fù)荷的角色，且該負(fù)荷主要集中在系統(tǒng)的用電高峰時期，造成了總體負(fù)荷的“峰上加峰”，增加了微電網(wǎng)在電價高峰時期的購電量，進而增加了系統(tǒng)的運行成本.綜上，合理運用EVs的源荷特性，能夠有效降低微電網(wǎng)的日運行成本，提高系統(tǒng)運行經(jīng)濟性.

2）EVs有序充電模式對微網(wǎng)經(jīng)濟運行的影響

不同EVs輛數(shù)下的微電網(wǎng)日前調(diào)度成本曲線如圖6所示.

圖6 不同電動汽車輛數(shù)下的調(diào)度運行成本Fig.6 Operation costs for different numbers of electric vehicles

從圖6可以看到：隨著參與調(diào)度的EVs輛數(shù)的增加，調(diào)度費用呈現(xiàn)出先下降后上升的趨勢.其原因在于隨著EVs的增加，其存儲電量也隨之增加，在一定數(shù)目下，EVs可與儲能單元一同放電實現(xiàn)負(fù)荷的削峰填谷，減少微電網(wǎng)在電價峰值時的購電費用，降低運行成本，但EVs增加的同時，也減少了儲能在電價低谷時段的充電電量.電價低谷時段，直流區(qū)域的電能主要來自交流區(qū)域的換流功率，當(dāng)接入的電動汽車過多時，換流功率將滿足不了直流負(fù)荷與EVs充電負(fù)荷的需求，此時只能通過儲能放電給EVs充電，這就造成了調(diào)度費用的疊加，從而導(dǎo)致運行成本增加.故當(dāng)換流功率恰好能滿足EVs所需功率及直流負(fù)荷功率時，系統(tǒng)運行成本取最小值.EVs最優(yōu)接入輛數(shù)Ibest可通過式（27）得，所得最優(yōu)接入輛數(shù)為74輛.

式中：tdep為電動汽車離家時間.

4.2 模型分析

1）優(yōu)化結(jié)果分析

綜上EVs接入對微網(wǎng)的影響分析可知，合理安排電動汽車的有序充放電能夠有效減少系統(tǒng)運行成本，提高微電網(wǎng)運行的經(jīng)濟性與供電可靠性.故本文取魯棒最低成本下的接入輛數(shù)（74輛）為例，分析本文搭建的模型的科學(xué)性和有效性.優(yōu)化結(jié)果如圖7所示.

圖7中：在 00：00—07：00電價低谷時段，燃?xì)廨啓C的調(diào)度費用高于電價，故其一直以最小出力運行；除去08：00—09：00時段由于最大售電功率的限制，其余時段為應(yīng)對峰平時段的負(fù)荷高峰，微型燃?xì)廨啓C一直以最大功率運行，由于夜間無光照，微電網(wǎng)主要通過風(fēng)機出力及向配網(wǎng)購電維持運營，換流器以最大換流功率從交流區(qū)域輸送電能至直流區(qū)域，以保證直流負(fù)荷正常運行以及儲能單元和EVs的充電；8：00—14：00時段，光伏出力逐漸增大，在滿足直流區(qū)域的負(fù)荷供給下，直流區(qū)域的電能通過換流器流入交流區(qū)域，以保證系統(tǒng)運行，并在電能富余時向電網(wǎng)售電；在12：00—15：00時段，由于換流功率限制，直流側(cè)多余的電能由儲能吸收，7：00—17：00為EVs出行時段，不參與系統(tǒng)調(diào)度；在17：00后電動汽車用戶回到家中，由于負(fù)荷晚高峰的到來，EVs及儲能協(xié)同放電以減少系統(tǒng)向配網(wǎng)的購電量，實現(xiàn)負(fù)荷的削峰填谷，降低系統(tǒng)運行費用.

圖7 優(yōu)化結(jié)果Fig.7 Optimization results

2）經(jīng)濟性分析

微電網(wǎng)調(diào)度分為日前調(diào)度和實時調(diào)度兩個階段.日前調(diào)度階段，微電網(wǎng)需根據(jù)優(yōu)化結(jié)果制定調(diào)度計劃上報給配網(wǎng)以供配網(wǎng)參考.實時調(diào)度階段中，微電網(wǎng)需根據(jù)出力與負(fù)荷的實時功率進行調(diào)整，保證系統(tǒng)可靠運行.當(dāng)微電網(wǎng)出力減小或是負(fù)荷功率增大時，系統(tǒng)就需要向?qū)崟r電力市場購電以保證供需平衡，因此在實時調(diào)度過程中會產(chǎn)生日前調(diào)度計劃外的額外費用，即補償成本.由于實時市場的價格一般要高于日前電價，考慮實時電力市場電價為日前電價的兩倍[24]，在本文所考慮的不確定區(qū)間范圍內(nèi)生成實際運行數(shù)據(jù)，為分析模型的經(jīng)濟性，選取4種不確定預(yù)算情況，計算模型在不同不確定預(yù)算下的日前調(diào)度成本及實時運行時的補償成本，結(jié)果如圖8所示.

由圖8可知：隨著不確定預(yù)算的增加，模型保守性增大，日前調(diào)度成本也不斷增大，與此同時，系統(tǒng)的魯棒性也隨之提升，在實時調(diào)度階段，實時調(diào)整成本隨著不確定預(yù)算的增大而減小，最終所得的綜合運行成本也隨之減小，說明了本文搭建模型的經(jīng)濟性.

圖8 不同不確定預(yù)算下微電網(wǎng)綜合運行成本Fig.8 Integrated operation cost of microgrid under different uncertain budgets

值得注意的是：當(dāng)不確定預(yù)算均為0時，模型為確定性優(yōu)化，對比魯棒優(yōu)化，確定性優(yōu)化的日前調(diào)度成本是最小的，但結(jié)合實時調(diào)整成本后，綜合成本確是最大，這就意味著，微網(wǎng)在確定性優(yōu)化所得方案下運行會為系統(tǒng)帶來較大的風(fēng)險，反映了微電網(wǎng)優(yōu)化運行中考慮不確定性的重要性.

5 結(jié) 論

本文結(jié)合電動汽車的源荷特性，考慮交直流微網(wǎng)中的微源出力與負(fù)荷功率的不確定性，搭建了基于兩階段魯棒調(diào)度的含電動汽車的交直流微電網(wǎng)的運行優(yōu)化模型，采用C&CG算法進行求解.分析結(jié)果表明：

1）與EVs無序充電接入微網(wǎng)相比，EVs的充放電模式能夠有效降低系統(tǒng)向配網(wǎng)的購電量，降低系統(tǒng)運行成本.

2）由于換流器功率限制，當(dāng)接入EVs超過一定數(shù)量時，換流功率不再能滿足EVs充電負(fù)荷需求，此時會造成調(diào)度費用的疊加，運行成本反而增加.故適當(dāng)增加換流器配置能夠有效接納EVs，提高系統(tǒng)運行的經(jīng)濟性.

3）在日前調(diào)度階段，與確定性調(diào)度相比，魯棒調(diào)度的成本較高，但結(jié)合次日實時調(diào)度中所產(chǎn)生的調(diào)整成本，魯棒調(diào)度的綜合成本較確定性調(diào)度低，說明了魯棒模型可抵御實時運行中的價格波動風(fēng)險，降低系統(tǒng)的實時調(diào)整成本，從而降低綜合運行成本.

4）不確定預(yù)算能夠靈活調(diào)節(jié)模型的保守性，不確定預(yù)算增大，模型的魯棒性能也隨之增強.在實際運營中，調(diào)度人員可通過調(diào)節(jié)不確定預(yù)算大小在系統(tǒng)魯棒性及經(jīng)濟性之間進行合理選擇.