武光華，李宏勝，汪洋，蔡博武，廖菲

（1. 國網(wǎng)河北省電力有限公司營銷服務(wù)中心，石家莊 050000；2. 武漢大學(xué)電氣與自動化學(xué)院，武漢 430072）

0 引言

近年來，隨著能源危機和環(huán)境污染問題的不斷加劇，開發(fā)利用新能源、減少溫室氣體排放已成為國家生態(tài)文明建設(shè)的重點。相較于傳統(tǒng)燃油汽車，電動汽車（electric vehicle， EV）作為一種綠色交通工具得到快速發(fā)展，在減少二氧化碳排放、緩解能源危機等方面表現(xiàn)出強大的優(yōu)勢［1-4］。然而，當(dāng)電力系統(tǒng)中的電動汽車達到一定規(guī)模后，可能會對電網(wǎng)的安全、穩(wěn)定和經(jīng)濟運行造成一定程度的影響［5-7］。大量的負荷在某時間段聚集以及空間潮流分布不均勻現(xiàn)象的出現(xiàn)，嚴重時將發(fā)生阻塞等問題［7-9］。因此，對電動汽車群體進行必要的充電管理是提高用戶利益和保證電網(wǎng)安全穩(wěn)定運行的重要支撐。

目前國內(nèi)外針對電動汽車參與配電網(wǎng)優(yōu)化調(diào)度方面做了大量研究。其中文獻［10］考慮負荷聚合商參與電力系統(tǒng)調(diào)度，構(gòu)建基于雙層優(yōu)化的可削減負荷的調(diào)度模型；文獻［11］基于負荷聚合商實現(xiàn)源荷互動，建立了配電網(wǎng)雙層優(yōu)化調(diào)度模型。但上述文獻未考慮電動汽車負荷增大帶來的電網(wǎng)阻塞問題。為此文獻［12］將輸電系統(tǒng)中節(jié)點邊際電價的概念擴展到配電系統(tǒng)，提出了配電網(wǎng)節(jié)點邊際電價（distribution locational marginal price， DLMP）概念，在文獻［13-17］使用DLMP 來處理含分布式發(fā)電的配電系統(tǒng)中的阻塞。文獻［18］考慮了聚合商設(shè)定的充放電價和車輛荷電狀態(tài)對用戶充放電響應(yīng)度的影響，構(gòu)建電動汽車優(yōu)化調(diào)度策略。但上述文獻均通過直流潮流模型求解，而忽略了網(wǎng)損和無功功率對配電網(wǎng)安全的影響。

另一方面，隨著EV 滲透率的增大，需要優(yōu)化的決策變量數(shù)量增加，不可避免地會導(dǎo)致較高的計算復(fù)雜度。文獻［19］采用改進的基于非支配排序的多目標差分進化算法求解含風(fēng)電及電動汽車電力系統(tǒng)動態(tài)經(jīng)濟調(diào)度問題；文獻［20-21］基于交替方向乘子算法設(shè)計了主從結(jié)構(gòu)分布式求解方案；文獻［22-23］基于深度強化學(xué)習(xí)構(gòu)建電動汽車充電導(dǎo)航策略。但以上研究均未從模型上減少決策變量來提升求解效率。

針對以上問題，本文提出了考慮單個荷電狀態(tài)（state of charge，SOC）約束的電動汽車聚合方法，并基于虛擬聚合模型和交流最優(yōu)潮流（AC optimal power flow，ACOPF）構(gòu)建了電動汽車分散式調(diào)度策略。首先從分布式能源供應(yīng)商、聚合商和電動汽車服務(wù)提供商等市場主體協(xié)同關(guān)系出發(fā)，設(shè)計了電動汽車靈活負荷參與配電網(wǎng)調(diào)度的框架；其次結(jié)合電動汽車站內(nèi)充電時序關(guān)系建立電動汽車虛擬聚合模型，以通過聚合來減少目標函數(shù)中變量；然后考慮電動汽車負荷彈性，基于動態(tài)電價建立電動汽車群體參與配電網(wǎng)市場經(jīng)濟安全調(diào)度和站內(nèi)電動汽車調(diào)度雙層模型；最后，通過比較無聚集情況下得到的最優(yōu)解，驗證了所提方法的計算時間和最優(yōu)性。

1 電動汽車調(diào)度整體框架

從電網(wǎng)運行的角度看，配電網(wǎng)阻塞不利于電力系統(tǒng)維持安全穩(wěn)定運行狀態(tài)；從用戶的角度看，配電網(wǎng)阻塞會導(dǎo)致用戶產(chǎn)生額外的阻塞成本，同時也會導(dǎo)致用戶的用電計劃不能得到滿足；從電力市場的角度看，配電網(wǎng)阻塞會增加額外的市場力量，不利于市場正常交易［24］。因此，本文采取電力市場的手段去引導(dǎo)市場主體主動參與配電網(wǎng)調(diào)控，保證系統(tǒng)的安全和經(jīng)濟運行［25-26］。在未來的配電系統(tǒng)中，可能的市場參與者包括分布式能源供應(yīng)商、聚合商和電動汽車服務(wù)提供商（包括家庭住宅區(qū)的充放電服務(wù)以及商用集中式充換電站服務(wù)）等。配電系統(tǒng)調(diào)度機構(gòu)（ DSO）主要負責(zé)維護配電系統(tǒng)安全和經(jīng)濟運行，同時確保電力系統(tǒng)中的電能質(zhì)量。在含有大量電動汽車靈活負荷的配電網(wǎng)中，由于EV集中充電可能導(dǎo)致電網(wǎng)出現(xiàn)阻塞。此時DSO需要根據(jù)用戶需求特性及配電網(wǎng)的運行狀態(tài)，對各個靈活負荷發(fā)出調(diào)整信號或指令，使系統(tǒng)維持安全穩(wěn)定運行。

含電動汽車靈活負荷的配電系統(tǒng)市場結(jié)構(gòu)如圖1 所示，其中實線箭頭表示電能傳輸過程，虛線箭頭表示市場信號交換過程。在該市場結(jié)構(gòu)中，電能由發(fā)電、輸電系統(tǒng)經(jīng)配電系統(tǒng)送到居民用戶；DSO作為主要調(diào)度機構(gòu)預(yù)測配電網(wǎng)次日的負荷需求，并通過電動汽車聚合商與電動汽車用戶簽訂長期售電合同；聚合商以合同中的協(xié)議價格向電動汽車用戶出售電能，并提交日前市場出清。

圖1 含電動汽車靈活負荷的配電系統(tǒng)市場結(jié)構(gòu)圖Fig. 1 Distribution system market structure diagram with flexible loads for electric vehicles

電動汽車充電優(yōu)化具體流程如圖2 所示，DSO首先從聚合商或其自身的預(yù)測中獲取EV 的需求數(shù)據(jù)，如能源需求和供應(yīng)可用性，DSO還需要相關(guān)的配電網(wǎng)信息和預(yù)測的現(xiàn)貨價格。假如電動汽車聚合商初定的用電計劃會引起配電系統(tǒng)阻塞，此時DSO將會計算由于電動汽車等可控靈活負荷引起的阻塞價格發(fā)布給電動汽車聚合商；在接收到來自DSO的電價信息后，聚合商根據(jù)電價再次預(yù)測動態(tài)價格，并分別制定自己的最優(yōu)充電計劃；最后，聚合商向現(xiàn)貨市場提交他們的能源計劃市場出清。

圖2 配電網(wǎng)中電動汽車充電優(yōu)化流程Fig. 2 Optimization process of EV charging in distribution network

2 電動汽車群體虛擬聚合

為了構(gòu)建聚合模型，假設(shè)已知每一輛電動汽車的充電信息（包含充電起始時間、連接時長等），在電動汽車調(diào)度時，DSO 可獲得電動汽車連接時間、電池容量、初始荷電狀態(tài)（SOC）和充電需求作為輸入。如圖3所示，每個電動汽車用表示，其中n為車輛索引，用于區(qū)分連接在同一時段的車輛。即：

圖3 站內(nèi)電動汽車充電時序表Fig. 3 Charging sequence table of electric vehicles in the station

3 基于SOC-ACOPF 的電動汽車優(yōu)化調(diào)度模型

3.1 配電網(wǎng)經(jīng)濟安全優(yōu)化模型

電動汽車聚合商作為經(jīng)濟理性的市場參與者，在對電動汽車的充電行為進行優(yōu)化調(diào)度時，大量電動汽車必然在電價低谷的時進行充電，進而導(dǎo)致負荷增加。當(dāng)電動汽車容量達到一定程度時，可能會導(dǎo)致新的負荷高峰，嚴重時可能造成配電網(wǎng)阻塞，進而影響配電網(wǎng)的安全運行。DSO作為配電系統(tǒng)的運營中心，需要對系統(tǒng)阻塞情況做出判斷，并給出解決阻塞問題的價格信號，達到緩解系統(tǒng)阻塞的效果。

3.1.1 目標函數(shù)

考慮到需求價格彈性，本文采用動態(tài)電價對電動汽車進行充電引導(dǎo)，其中包含與電動汽車負荷有關(guān)的部分，預(yù)測的動態(tài)電價由市場基礎(chǔ)電價加上對需求預(yù)測的一個線性分量組成，如圖4 所示。因此，在時段t的預(yù)測現(xiàn)貨電價如式（9）所示。

圖4 考慮價格彈性的動態(tài)電價組成Fig. 4 Dynamic electricity price composition considering price elasticity

式中：EEV，t為電動汽車總負荷需求；yt為考慮了靈活負荷需求的系統(tǒng)電價；ct為系統(tǒng)基礎(chǔ)電價，表示為滿足系統(tǒng)中滿足常規(guī)負荷需求的發(fā)電邊際成本；βt為需求的價格敏感系數(shù)，電動汽車作為可控靈活負荷的一種典型負荷，當(dāng)其需求改變時會對電價帶來影響，該系數(shù)通常由系統(tǒng)的電動汽車調(diào)度情況決定。

目標函數(shù)為總配電系統(tǒng)中的總用電費用最小，包括電動汽車充電成本和常規(guī)負荷需求成本兩部分，目標函數(shù)如式（10）所示，目標函數(shù)中第一項為電動汽車充電成本，第二項為常規(guī)負荷需求成本，在基礎(chǔ)電價cj，t確定時常規(guī)負荷成本為常數(shù)。

式中：fDSO為總配電系統(tǒng)中的總用電費用；cj，t為基礎(chǔ)電價；βj，t為價格敏感系數(shù)；Pcj，t為t時間段內(nèi)位于節(jié)點j的充電站總的充電功率；PLj，t為配電網(wǎng)中t時段內(nèi)節(jié)點j的常規(guī)負荷；J為配電網(wǎng)的負荷節(jié)點集合；T為時間段集合。

3.1.2 約束條件

1） 電力系統(tǒng)功率平衡約束

式中：PG，t為DSO 在t時段內(nèi)的購電總量；Ploss，t為時間段t內(nèi)的配電網(wǎng)總網(wǎng)損；PLk，t為配電網(wǎng)中t時段內(nèi)節(jié)點k的常規(guī)負荷；L為配網(wǎng)的線路集合；rij為配電網(wǎng)中線路ij之間的電阻；iij，t為t時段內(nèi)線路ij的電流；Ns為充電站集合。

2） 電網(wǎng)潮流約束

式中：Pij，t為t時段內(nèi)線路ij傳輸?shù)挠泄β剩籔kj，t為t時段內(nèi)線路kj傳輸?shù)挠泄β?；Qkj，t為t時段內(nèi)線路kj傳輸?shù)臒o功功率；u(j)為節(jié)點j的子節(jié)點集合；Qij，t為t時段內(nèi)線路ij傳輸?shù)臒o功功率；xij為線路ij的電抗；QLj，t為t時段內(nèi)節(jié)點j的基礎(chǔ)負荷無功功率；uj，t為t時段內(nèi)節(jié)點j的電壓。

3） 節(jié)點電壓約束

式中：umin，j和umax，j分別為j節(jié)點電壓的最低、最高安全邊界。

4） 線路傳輸容量約束

式中Smax，ij為線路j的傳輸容量。

5） 充電站容量約束

式中Pcmax，j為充電站j的最大充電功率。

6） 充電需求等式約束

式中Qj為DSO 預(yù)測的充電站j全天的充電電量需求。

3.2 站內(nèi)虛擬電動汽車調(diào)度模型

在DSO 發(fā)布動態(tài)電價至聚合商之后，聚合商需要綜合考慮電動汽車的可調(diào)度情況和接收到的電價，并結(jié)合單臺電動汽車SOC約束，調(diào)整電動汽車的充電計劃，并通過用戶充電成本最小為目標，來實現(xiàn)電動汽車對DSO 價格信號的自主響應(yīng)，從而達到緩解配電網(wǎng)阻塞的效果。DSO制定日前電能計劃完成市場出清，并得到動態(tài)電價（DLMP），作為充電站引導(dǎo)電動汽車調(diào)度的價格信號。

3.2.1 動態(tài)電價制定

充電站應(yīng)以成本最小為目標，目標函數(shù)為式（21），約束條件同式（11）—（20）。

式中fCS為配電網(wǎng)中所有充電站的購電費用總和。

由于式（11）和式（18）含有二次變量使得模型非凸，將其線性化可得式（22）—（23）。

式中：DF0，t為t時段內(nèi)平衡節(jié)點的有功功率傳輸靈敏系數(shù)；DFj，t為t時間段內(nèi)節(jié)點j的有功功率傳輸靈敏系數(shù)；J'為配電網(wǎng)中的所有節(jié)點集合；為平衡節(jié)點的功率傳輸分布因子；為節(jié)點j的功率傳輸分布因子；Pmax，ij為線路ij的有功功率傳輸能力。

通過對偶原理，可得式（21）—（23）對應(yīng)的拉格朗日函數(shù)如式（24）所示。

式中：G 為拉格朗日函數(shù)；λt和μij，t分別為式（22）和式（23）的對偶變量。

動態(tài)電價由三部分組成，如式（25）所示，其中第一項為基礎(chǔ)電價，第二項為網(wǎng)損邊際電價，第三項為阻塞電價。

式中πj，t為t時段內(nèi)節(jié)點j的動態(tài)電價。

3.2.2 虛擬電動汽車調(diào)度

電動汽車群體能夠根據(jù)價格信號分散式優(yōu)化其電能計劃，故站內(nèi)虛擬電動汽車調(diào)度優(yōu)化目標如下：

式中fVEV為虛擬電動汽車充電費用總和。

約束條件如下。

1） 充電需求約束

式中：T'/T為每個小時所包含的調(diào)度時間段集合；Nsj為充電站j預(yù)測的站內(nèi)車輛；pn，t為t時段第n輛EV的充電需求。

2） SOC約束

3） 充電功率約束

式中pmin和pmax分別為電動汽車最小、最大充電功率。

4 模型轉(zhuǎn)換與求解

4.1 二階錐松弛線性化

在配電網(wǎng)經(jīng)濟安全優(yōu)化模型中，由于潮流方程的非凸性，原問題難以獲得全局最優(yōu)解，且模型中式（10）—（20）構(gòu)成了一個非線性規(guī)劃問題。通過二階錐松弛（second order cone， SOC）能夠?qū)⒃瓎栴}轉(zhuǎn)化為凸優(yōu)化問題以快速求解，則原問題為二階錐直流最優(yōu)潮流模型（SOC-ACOPF）。

式中Uj，t、Iij，t分別為替換后的變量。

采用上式對原變量進行替換，轉(zhuǎn)換為以下形式。

4.2 模型求解流程

本文提出了電動汽車聚集方法和多階段優(yōu)化方法來解決充放電調(diào)度問題。首先，將單個電動汽車聚合成虛擬電動汽車，即電動汽車聚合集群模型，以減少目標函數(shù)中變量的數(shù)量，進而減少計算量。其次，轉(zhuǎn)向多階段優(yōu)化。優(yōu)化的第一階段建立配電網(wǎng)經(jīng)濟安全優(yōu)化模型（稱為階段A），考慮電網(wǎng)的經(jīng)濟安全約束，得到每個充電站的最優(yōu)功率計劃和動態(tài)電價。第二階段（階段B）在考慮單個電動汽車荷電狀態(tài)約束的同時，將虛擬電動汽車充放電能量分配給單個電動汽車。如果由于優(yōu)化的結(jié)果不滿足階段A 的約束，則將給定的虛擬電動汽車解送回A 階段。階段A 更新虛擬電動汽車的約束條件。具體求解流程如圖5所示。

圖5 模型求解流程Fig. 5 Model solving process

5 算例分析

5.1 參數(shù)設(shè)置

本文的仿真采用IEEE 33 節(jié)點標準配電系統(tǒng)，并對其負荷情況進行修改。配電網(wǎng)的拓撲圖與聚合商的位置如圖6所示，該系統(tǒng)一共包含33個節(jié)點和32 條支路，其中0 節(jié)點為平衡節(jié)點，一共包含6 個充電站，分別位于1、2、13、21、23、28 節(jié)點處，線路容量的上限為9 000 kW。此時，由于大量電動汽車負荷的接入，首端線路最容易發(fā)生配電網(wǎng)阻塞，因此本文選擇對線路1-2 的負載情況進行分析。

圖6 IEEE 33節(jié)點配電系統(tǒng)Fig. 6 IEEE 33 power distribution system

假設(shè)配電系統(tǒng)內(nèi)共有3 200 位居民用戶，除平衡節(jié)點0之外，其余每個充電站節(jié)點均包含40輛電動汽車。本文假設(shè)不同節(jié)點之間的常規(guī)負荷和電動汽車的用電特性及參數(shù)均相同，而同一個負荷節(jié)點的常規(guī)負荷和電動汽車的用電特性和參數(shù)各不相同。其中每條線路的常規(guī)負荷如圖7 所示，01：00—06：00 期間由于大部分居民均處于睡眠時段，因此負荷較低；而在19：00 左右時段由于大部分居民在家中導(dǎo)致常規(guī)負荷增大。電動汽車參數(shù)信息如表1 所示，電動汽車可控率可由電動汽車駕駛模式調(diào)查［20］中獲得，給定仿真時限T=24 h，并以1 h 為時段單位進行算例分析。電動汽車的充電信息取自華北地區(qū)某一充電站1 月某日實際數(shù)據(jù)，基礎(chǔ)電價如圖8所示。

表1 電動汽車參數(shù)信息Tab. 1 Parameter information electric vehicle

圖7 常規(guī)負荷曲線Fig. 7 Conventional load curve

圖8 基礎(chǔ)電價Fig. 8 Base price

5.2 仿真結(jié)果

5.2.1 阻塞管理效果對比分析

為了清楚地突出本文提出的調(diào)度策略的效果進行了兩種情況對比分析。

場景一：系統(tǒng)未采用動態(tài)電價機制；

場景二：系統(tǒng)中采用動態(tài)電價機制對電動汽車充電進行有序引導(dǎo)。

采用動態(tài)電價前后的線路1-2 負荷情況如圖9所示。由圖9（a）可以看出，在03：00 和04：00 時線路1-2 由于電動汽車集中充電使得負荷超過了線路容量限制，即此時線路1-2 發(fā)生了配電網(wǎng)阻塞。而由圖9（b）可以看出，經(jīng)過調(diào)整之后，原04：00 和05：00 內(nèi)線路負荷轉(zhuǎn)移至02：00 內(nèi)，即電動汽車充電負荷分布在電價較低的幾個小時內(nèi)，而不是在1 h 內(nèi)對所有的電動汽車負載進行充電。證明了動態(tài)電價能準確反映阻塞線路的微增率，并通過電價的形式對電動汽車充電進行有序引導(dǎo)，以達到規(guī)避系統(tǒng)阻塞的效果。

圖9 采用動態(tài)電價機制前后線路1-2負荷Fig. 9 Line 1-2 loads before and after using dynamic electricity price mechanism

5.2.2 最優(yōu)潮流策略分析

表2 比較了無序充電模式與兩種最優(yōu)潮流模式下配電網(wǎng)的各項指標。相比于無序充電模式，在最優(yōu)潮流模式下DSO 的購電費用、峰谷差和網(wǎng)損均有所降低，同時無序充電會導(dǎo)致配電網(wǎng)部分節(jié)點電壓跌落。DC-OPF 模型由于未考慮網(wǎng)損，因此網(wǎng)損為0，但會導(dǎo)致峰谷差增大，而二階錐直流最優(yōu)潮流模型（SOC-ACOPF）保證配電網(wǎng)的電壓質(zhì)量在安全運行范圍內(nèi)。可見，本文所提的SOC-ACOPF 策略有助于配電網(wǎng)安全經(jīng)濟運行。

表2 交流最優(yōu)潮流優(yōu)化結(jié)果Tab. 2 Result of SOC-ACOPF

為了證明本文提出的求解策略的有效性，對DSO模型和聚合商模型的電動汽車優(yōu)化調(diào)度結(jié)果進行了對比分析，負荷計劃對比如圖10所示。

圖10 負荷計劃對比Fig. 10 Comparison of load plan

通過圖10 可以看出，兩種情景之下的DSO 模型和聚合商模型的調(diào)度結(jié)果完全相同，即本文提出的動態(tài)電價能準確反映阻塞線路微增率。與證明過程結(jié)合，進一步證明了本文提出的求解策略的有效性，另一方面也證明了本文提出的節(jié)點邊際電價制定模型中，DSO總是能準確地預(yù)測聚合商的負荷計劃這一結(jié)論的正確性。

5.2.3 調(diào)度結(jié)果經(jīng)濟性對比分析

將系統(tǒng)中基礎(chǔ)電價與動態(tài)電價進行對比，如圖11 所示，在線路1-2 發(fā)生阻塞的時段，即03：00 和04：00 時，對應(yīng)的動態(tài)電價會比基礎(chǔ)電價相對高，這是由于該時段系統(tǒng)出現(xiàn)了阻塞，因此市場運營商需要通過抬高電價的方式來引導(dǎo)電動汽車用戶選擇其他的充電時段以減小該時段的負荷。而邊際電價與基礎(chǔ)電價相差的數(shù)值為線路的阻塞成本，反映了該節(jié)點的負荷微增率。

圖11 基礎(chǔ)電價與動態(tài)電價Fig. 11 Base price and dynamic price

通過分析，充電站會在動態(tài)電價的引導(dǎo)下結(jié)合單個電動汽車SOC 以約束修改EV 充電計劃，使得線路1-2 的最大負載率顯著降低。同時，在動態(tài)電價的引導(dǎo)下，電動汽車的充電時間也會有所改變，避免了大規(guī)模的集中充電。相應(yīng)地動態(tài)電價中的阻塞成本導(dǎo)致聚合商的總購電成本提高，即用戶的總充電成本提高，統(tǒng)計結(jié)果如表3 所示。通過上述分析可以得出，本文所提出的方法可以通過電價機制引導(dǎo)電動汽車有序充電，進而有效避免線路阻塞，保證電力系統(tǒng)的安全運行。

表3 線路1-2最大負載率和成本比較Tab. 3 Line 1-2 maximum load rate and cost comparison

5.2.4 算法求解效率對比分析

為驗證本文提出的SOC-ACOPF 的準確性，本文對比了以下幾種最優(yōu)潮流計算方法。

1） DC-OPF（direct current optimal power flow），直流潮流計算；

2） ACOPF，源于MATPOWER 6.0的交流最優(yōu)潮流計算程序；

3） L-ACOPF，線性化最優(yōu)潮流計算［25］；SOCACOPF；

4） 本文的求解算法。

由于日前調(diào)度結(jié)果通常在報價結(jié)束的幾個小時后才發(fā)布，因此日前調(diào)度結(jié)果主要關(guān)注準確性及收斂穩(wěn)定性。計算結(jié)果如表4 所示，可以看到，由于DC-OPF 不考慮網(wǎng)損和無功損耗，計算時間最短，但存在較大的誤差。此外，由于L-ACOPF 計算速度相對于傳統(tǒng)ACOPF 快，但因其網(wǎng)損是基于靈敏度求解，會出現(xiàn)損耗為負值的情況導(dǎo)致誤差相對偏高。而本文計及虛擬聚合的SOC-ACOPF 方法能保證計算精度的同時加快求解速率，相對普通線性最優(yōu)潮流及傳統(tǒng)最優(yōu)潮流方法在可行性方面有一定優(yōu)勢。

表4 最優(yōu)潮流計算對比結(jié)果Tab. 4 Optimal tide calculation comparison results

圖12 為隨著電動汽車數(shù)量增加，獲取電動汽車調(diào)度計劃的計算時間。最優(yōu)調(diào)度考慮所有單個電動汽車的SOC約束，但計算時間隨著電動汽車數(shù)量的增加呈指數(shù)增長。另一方面，基于該方法的600輛電動汽車的計算時間是傳統(tǒng)方法的51%。隨著協(xié)同電動汽車數(shù)量的增加，傳統(tǒng)方法的計算時間呈指數(shù)增長，本文所提出的方法具有更大的優(yōu)勢。

圖12 常規(guī)方法和虛擬聚合法的求解時間Fig. 12 The solution times of conventional method and virtual polymerization method

6 結(jié)論

本文綜合考慮動態(tài)電價和市場機制，設(shè)計了電動汽車靈活負荷參與配電網(wǎng)調(diào)度阻塞管理模型，通過算例分析，比較了不同機制下DSO 的收益以及常規(guī)方法和虛擬聚合法的求解時間。主要結(jié)論如下。

1） 基于ACOPF 策略能夠降低DSO 的購電費用，并能降低配電網(wǎng)的網(wǎng)損和峰谷差，提高配電網(wǎng)的電壓質(zhì)量。

2） 動態(tài)電價中包含了分時電價、網(wǎng)損均攤費用以及阻塞費用，能夠作為公平的價格信號引導(dǎo)電動汽車有序充電，在保證配電網(wǎng)安全經(jīng)濟運行的同時能夠降低充電成本。

3） 電動汽車虛擬聚合提高求解效率，基于該方法的600 輛電動汽車的計算時間是傳統(tǒng)方法的51%。隨著協(xié)同電動汽車數(shù)量的增加，該方法具有更大的優(yōu)勢。

本文的下一步研究方向包括：考慮不同類型電動汽車的行為，并通過節(jié)點邊際電價策略衡量功率對降低電網(wǎng)網(wǎng)損、提高電網(wǎng)電壓質(zhì)量以及解決線路阻塞問題的貢獻。