面向高比例光伏接入的农村电网储能电站优化配置方法

doi:10.16513/j.2096-2185.DE.2409606

面向高比例光伏接入的农村电网储能电站优化配置方法

刘苑红^,¹, 张伟¹, 于辉¹, 孙丽敬¹, 林志法²

1．国网上海能源互联网研究院有限公司，上海市　浦东新区　200131

2．国网北京市电力公司，北京市　西城区　100031

Optimal Configuration Method of Energy Storage Power Station in Rural Power Grid for High Proportion of Photovoltaic Access

LIU Yuanhong^,¹, ZHANG Wei¹, YU Hui¹, SUN Lijing¹, LIN Zhifa²

1. State Grid Shanghai Energy Interconnection Research Institute Co., Ltd., Pudong New Area, Shanghai 200131, China

2. State Grid Beijing Electric Power Company, Xicheng District, Beijing 100031, China

收稿日期: 2024-07-13

基金资助:

国家电网公司科技项目. 5400-202355766A-3-5-YS

Received: 2024-07-13

Fund supported:

Science and Technology Project of State Grid Corporation of China. 5400-202355766A-3-5-YS

作者简介 About authors

刘苑红(1984)，女，通讯作者，硕士，高级工程师，研究方向为分布式能源消纳分析及配电网规划研究，liuyuanhong0532@126.com； , E-mail：liuyuanhong0532@126.com

张　伟(1988)，男，硕士，高级工程师，研究方向为配电网规划方向；。

于　辉(1978)，女，硕士，教授级高级工程师，主要从事分布式电源并网方向的研究；。

孙丽敬(1981)，女，硕士，教授级正高级工程师，研究方向为分布式电源并网、微电网运行控制及配电网电力电子技术；。

林志法(1992)，男，硕士，工程师，研究方向为分布式电源接入及消纳等。

摘要

随着电动汽车保有量与普及率的逐年提升，农村地区现有充电设施布局不均衡、数量不充足，已成为制约农村地区新能源汽车发展的主要原因。基于主从博弈定价策略，建立了面向高比例光伏渗透农村电网的充储电站优化配置模型。首先，基于主从博弈理论建立面向高比例光伏渗透农村电网的充储电站优化配置模型：上层领导者为充储电站投资方，综合考虑农村配电网与充储电站建设运行条件，优化决策充储电站建设位置、配套储能设备容量及电价策略；下层跟随者为电动汽车车主，根据上层领导者模型制定的电价策略，优化决策电动汽车充电策略。其次，利用Karush Kuhn Tucker (KKT)条件与对偶原理实现模型转换，获得易于求解的混合整数线性规划模型。最后，利用包含2个充电区域的IEEE 33节点典型算例进行算法验证。算例分析表明所提模型能够协调充储电站投资方与电动汽车车主的利益，获得经济效益好、光伏消纳能力强的充储电站配置运行策略。

关键词： 农村配电网 ; 高比例光伏 ; 主从博弈 ; 充储电站 ; 优化配置

Abstract

With the increase in the number and penetration rate of electric vehicles year by year, the uneven layout and insufficient number of existing charging facilities in rural areas have become the main reason restricting the development of new energy vehicles in rural areas. Based on the master-slave game pricing strategy, this paper establishes a charging and storage plant optimisation model for rural power grids with a high percentage of photovoltaic penetration. First of all, based on the master-slave game theory to establish the charging and storage power station optimization model for the high proportion of PV penetration of rural power grid: the upper leader is the charging and storage power station investor, taking into account the construction and operation conditions of the rural distribution network and charging and storage power station, to optimize the decision-making charging and storage power station construction location, the supporting capacity of the storage equipment and the tariff strategy; the lower follower is the electric vehicle owner, according to the tariff strategy formulated in the upper leader model, to optimize the decision-making charging strategy for the electric vehicle. The lower level followers are EV owners, who make optimal decisions on EV charging strategies based on the tariff strategies developed by the upper level leader model. Secondly, the Karush Kuhn Tucker (KKT) condition and the dyadic principle are used to transform the model to obtain an easy-to-solve mixed-integer linear programming model. Finally, the algorithm is validated using a typical IEEE 33-node arithmetic system containing two charging regions. The example analysis shows that the proposed model can coordinate the interests of charging and storage plant investors and EV owners, and obtain a charging and storage plant configuration and operation policy with good economic benefits and strong PV consumption capacity.

Keywords： rural distribution network ; high proportion of photovoltaics ; master-slave game ; charging and storage power stations ; configuration optimization

PDF (1846KB) 元数据多维度评价相关文章导出 EndNote| Ris| Bibtex 收藏本文

本文引用格式

刘苑红, 张伟, 于辉, 孙丽敬, 林志法. 面向高比例光伏接入的农村电网储能电站优化配置方法. 分布式能源[J], 2024, 9(6): 47-55 doi:10.16513/j.2096-2185.DE.2409606

LIU Yuanhong, ZHANG Wei, YU Hui, SUN Lijing, LIN Zhifa. Optimal Configuration Method of Energy Storage Power Station in Rural Power Grid for High Proportion of Photovoltaic Access. Distributed Energy[J], 2024, 9(6): 47-55 doi:10.16513/j.2096-2185.DE.2409606

0　引言

2024年中央一号文件指出，要“加强重点村镇新能源汽车充换电设施规划建设”^[1]。中国现有充电桩保有量超过500万台，充电桩数量、覆盖面积均居世界首位。然而，仅有5%的公共充电桩配置于乡镇农村区域，无法满足充电设适度超前下乡的要求^[2]。目前，充电设施布局不均衡、数量不充足已成为制约农村地区新能源汽车发展的主要原因^[3]。

国内外学者针对新能源汽车充电策略与充电站优化配置方法展开了大量研究。文献[4]基于卷积神经网络对车辆调峰意愿与调峰能力进行集群分类，建立了考虑用户调峰参与意愿的新能源汽车集群调度策略。文献[5]对不同台区负荷调度及电动汽车充放电特征进行建模，基于电动汽车侧资源态势分析，实现台区负荷弹性优化调度，有力应对了柔性负荷无序接入对电网造成的冲击。文献[6]利用蒙特卡洛法模拟电动汽车无序充电行为，利用电动汽车的储能特性，实现“尖峰平谷”四个聚类时段内充电行为的聚合管控。区别于传统充电站，光储充一体化充电站将光伏、储能设备与电动汽车充电站协同配置，近年来成为研究热点^[7]。文献[8]建立了基于深度强化学习的光储充电站优化运行策略，计及储能的复杂性及光伏、电动汽车的不确定性，提升光储充一体化电站的经济效益。文献[9]提出了计及碳减排的充换储一体站与配电网协调规划模型，探讨了主动配电网碳交易机制与碳净增量模型对主动配电网规划的影响，实现了经济效益与环境效益的双提升。文献[10]进一步研究了光伏不确定性与碳交易双重背景下的光储充一体化电站优化运行策略，构建充电站-电动汽车主从博弈模型，实现各利益相关方互利共赢。然而，现有研究大多以城市区域为背景，针对配电网基础设施薄弱^[11,12,13]、分布式光伏大量接入的农村区域，电动汽车充电站优化配置方法仍有待深化。

从电网发展现状角度考虑，农村区域电网存在以下特点：一是电网基础设施薄弱，存在供电半径大、设备容量小、磨损老化严重等现象。电动汽车充电站存在充电负荷不确定性强、冲击性大等特点给农网运行带来新的挑战^[14]。因此，充电站选址时应考虑农网潮流、电压等运行约束。二是屋顶光伏、水上光伏等多种形式分布式光伏大量接入，部分农网午时因光伏出力较多出现反向潮流，光伏消纳压力日益增加^[15,16]。大规模发展光储充一体化电站会进一步增加农网区域并网光伏容量。与之相对，仅将储能设备与充电站联合配置构成充储电站，不增加农网区域光伏并网容量的同时，有利于提高农网区域光伏消纳，与农网匹配程度更高。

从充储电站建设者角度考虑，农村区域道路建设不完善，电动汽车保有量少、充电需求小，充储电站建设项目存在利润低、收益小等问题^[17]。如何提高充储电站建设项目收益率，成为吸引运营商投资建设充储电站、提高农网充储电站覆盖率的关键。文献[18,19]指出，合理的定价策略可以充分考虑网-站-车多方利益，提高充储电站运营利润，降低电动汽车充电费用。因此，农网区域内充储电站优化配置模型中，有必要计及定价策略对各方利益的影响。

本文面向高比例光伏接入的农村电网，基于考虑网站车多方利益的主从博弈定价策略建立充储电站优化配置模型。首先，基于主从博弈理论建立充储电站优化配置模型。其次，利用Karush Kuhn Tucker (KKT)条件与对偶原理将双层主从博弈模型转换为单层混合整数线性规划模型，并调用商用求解器求解。最后，通过算例分析验证所提模型的可行性与优越性。

1　基于主从博弈的充储电站配置模型

基于主从博弈理论^[20]建立面向高比例光伏渗透农村电网的充储电站优化配置模型，实现充储电站位置及配套储能设施容量的优化配置。含充储电站的待规划农村配电网结构如图1所示。充储电站从配电网获取电能，可直接通过充电桩供给电动汽车充电负荷，也可暂时存储于储能设备。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1 含充储电站的配电网结构图

Fig.1 Structure of the distribution network with charging and storage stations

1.1　上层领导者模型

上层领导者为充储电站投资方，综合电网运行约束与充储电站建设、运行约束，优化决策充储电站建设位置、配套储能设备容量以及电价策略，同时将电价策略传递给下层跟随者模型，具体如下。

1.1.1　电网运行约束

电网运行约束如式(1)—(8)所示。式(1)为潮流约束^[21]，式(2)—(4)为功率平衡约束，式(5)(6)为设备容量约束，式(7)为节点电压约束，式(8)为负荷功率因数约束。

(1) $U_{i, t}^{2} - U_{j, t}^{2} = 2 (r_{i j} P_{i j, t}^{LINE} + x_{i j} Q_{i j, t}^{LINE})$

(2) $P_{i, t}^{SUB} + P_{i, t}^{PV} = \sum_{j \in Φ_{i}} P_{i j, t}^{LINE} + P_{i, t}^{LOAD} + P_{i, t}^{PLANT}$

(3) $Q_{i, t}^{SUB} = \sum_{j \in Φ_{i}} Q_{i j, t}^{LINE} + Q_{i, t}^{LOAD}$

(4) $P_{i, t}^{PLANT} = P_{i, t}^{DAY} + P_{i, t}^{BUY} - P_{i, t}^{SELL}$

(5) $0 \leq P_{i, t}^{PV} \leq P_{i}^{PV} γ_{t}^{PV}$

(6) ${\begin{array}{l} - S_{i j}^{LINE} \leq P_{i j, t}^{LINE} \leq S_{i j}^{LINE} \\ - S_{i j}^{LINE} \leq Q_{i j, t}^{LINE} \leq S_{i j}^{LINE} \\ - \sqrt{2} S_{i j}^{LINE} \leq P_{i j, t}^{LINE} + Q_{i j, t}^{LINE} \leq \sqrt{2} S_{i j}^{LINE} \\ - \sqrt{2} S_{i j}^{LINE} \leq P_{i j, t}^{LINE} - Q_{i j, t}^{LINE} \leq \sqrt{2} S_{i j}^{LINE} \end{array}$

(7) $U_{i, min}^{2} \leq U_{i, t}^{2} \leq U_{i, max}^{2}$

(8) $Q_{i, t}^{LOAD} = P_{i, t}^{LOAD} tan ε$

式中：U_i，t为节点i在t时刻的电压：r_ij、x_ij为线路电阻、电抗； $P_{i j, t}^{LINE}$ 、 $Q_{i j, t}^{LINE}$ 为线路有功、无功功率； $P_{i, t}^{SUB}$ 、 $Q_{i, t}^{SUB}$ 为变压器有功、无功功率； $P_{i, t}^{PV}$ 为光伏实际出力； $P_{i, t}^{LOAD}$ 、 $Q_{i, t}^{LOAD}$ 为节点有功、无功负荷； $P_{i, t}^{PLANT}$ 为充储电站与电网交互的功率； $P_{i, t}^{DAY}$ 为充储电站运营商在日前市场的购电功率； $P_{i, t}^{BUY}$ 为充储电站运营商在实时市场的购电功率； $P_{i, t}^{SELL}$ 为充储电站运营商在实时市场的售电功率； $P_{i}^{PV}$ 为光伏机组额定功率； $γ_{i}^{PV}$ 为典型时刻内单位容量光伏出力； $S_{i j}^{LINE}$ 为线路容量；U_i，min为节点电压下限值； U_i，max为节点电压上限值；ε为负荷功率因数角；∀i∈Ф_DN、∀j∈Ф_DN、∀ij∈Ф_DL，Ф_DN、Ф_DL分别为农网节点、农网线路的集合；Ф_i为节点i连接的节点集合。

1.1.2　充储电站约束

充储电站约束如式(9)—(17)所示。式(9)(10)为充电价格约束，式(11)为充储电站功率平衡约束，式(12)—(14)为储能设备运行约束^[22]，式(15)—(17)为充储电站建设逻辑约束。

(9) $c_{i, t}^{min} \leq c_{i, t} \leq c_{i, t}^{max}$

(10) $\frac{1}{N_{T}} \sum_{t \in Φ_{T}} c_{i, t} = c_{av}$

(11) $\sum_{m} P_{m, i, t}^{CAR} + P_{i, t}^{CHA} - P_{i, t}^{DIS} = P_{i, t}^{PLANT}$

(12) $S_{i, t + 1}^{ESD} = S_{i, t}^{ESD} + P_{i, t}^{DIS} / η^{DIS} + P_{i, t}^{CHA} η^{CHA}$

(13) $\sum_{t \in Φ_{T}} (P_{i, t}^{DIS} / η^{DIS} + P_{i, t}^{CHA} η^{CHA}) = 0$

(14) ${\begin{array}{l} 0 \leq S_{i, t}^{ESD} \leq S_{i}^{ESD} \\ 0 \leq P_{i, t}^{CHA} \leq μ S_{i}^{ESD} \\ 0 \leq P_{i, t}^{DIS} \leq μ S_{i}^{ESD} \end{array}$

(15) $0 \leq S_{i}^{ESD} \leq z_{i}^{PLANT} S_{i, max}^{ESD}$

(16) ${\begin{array}{l} 0 \leq P_{m, i, t}^{CAR} \leq M z_{i}^{PLANT} \\ 0 \leq P_{i, t}^{DAY} \leq M z_{i}^{PLANT} \\ 0 \leq P_{i, t}^{BUY} \leq M z_{i}^{PLANT} \\ 0 \leq P_{i, t}^{SELL} \leq M z_{i}^{PLANT} \end{array}$

(17) $z_{i}^{PLANT} \in {0, 1}$

式中：c_i，t为电动汽车充电电价； $c_{i, t}^{\max}$ 为充电电价上限； $c_{i, t}^{\min}$ 为充电电价下限；Ф_T为典型时刻序号构成的集合； N_T为典型时刻数量；c_av为平均电价；m为充电的电动汽车序号； $P_{m, i, t}^{CAR}$ 为电动汽车充电功率； $P_{i, t}^{CHA}$ 为储能设备充电功率； $P_{i, t}^{DIS}$ 为储能设备放电功率； $P_{i, t}^{PLANT}$ 为充储电站功率； $S_{i, t}^{ESD}$ 为储能设备内储存的电能； $P_{i, t}^{CHA}$ 为储能设备充电功率；η^CHA为储能设备充电效率； $P_{i, t}^{DIS}$ 为储能设备放电功率；η^DIS为储能设备放电效率； $S_{i}^{ESD}$ 为建设的储能设备容量；μ为储能设备最大功率与设备容量的比值； $z_{i}^{PLANT}$ 为表征充储电站建设状态的布尔变量； $S_{i, \max}^{ESD}$ 为允许建设的储能设备容量上限；M为极大常数。

1.1.3　目标函数

上层领导者模型的目标函数为充储电站投资利益最大，包含充电桩收费、实时市场售电获得的利益及实时市场购电、日前市场购电、充储电站建设所需的成本五部分，即

(18) $\begin{array}{l} max {\sum_{i \in Φ_{P}} N [\sum_{m} \sum_{t \in Φ_{T}} c_{i, t} P_{m, i, t}^{CAR} + \sum_{t \in Φ_{T}} c_{t}^{SELL} P_{i, t}^{SELL} - \\ \sum_{t \in Φ_{T}} c_{t}^{BUY} P_{i, t}^{BUY} - \sum_{t \in Φ_{T}} c_{t}^{DAY} P_{i, t}^{DAY} - \\ κ (c_{S}^{ESD} S_{i}^{ESD} + c_{P}^{ESD} P_{i}^{ESD}) / N - c_{M}^{ESD} S_{i}^{ESD} / N]} \end{array}$

(19) $κ = r {[1 - {(1 + r)}^{- T}]}^{- 1}$

式中：N为一年内典型时刻出现的次数； $c_{t}^{SELL}$ 为实时市场售电电价； $c_{t}^{BUY}$ 为实时市场购电电价； $c_{t}^{DAY}$ 为日前市场购电电价； $c_{S}^{ESD}$ 为储能设备单位容量建设成本； $c_{P}^{ESD}$ 为储能设备单位功率投资成本； $c_{M}^{ESD}$ 为设备运行维护成本；κ为年金现值系数；r为年利率；T为规划周期。

1.2　下层跟随者模型

下层跟随者为电动汽车车主，以上层领导者给出的电价策略为基础，确定充电成本最小的充电策略，模型如式(20)—(23)所示。式(20)为下层模型目标函数，式(21)(22)为电动汽车充电约束。

(20) $min(\sum_{t \in Φ_{T}} c_{i, t} P_{m, i, t}^{CAR})$

(21) $\sum_{t \in Φ_{TA}} P_{m, i, t}^{CAR} = 0.9 S_{m, t}^{CAR} - S_{m, t}^{CAR, 0}$

(22) ${\begin{array}{l} 0 \leq P_{m, i, t}^{CAR} \leq P_{m, i, max}^{CAR}, & t \in Φ_{TA} \\ P_{m, i, t}^{CAR} = 0, & t \notin Φ_{TA} \end{array}$

式中：Ф_TA为可以充电的典型时刻序号集合； $S_{m, i}^{CAR}$ 为电动汽车电池的容量； $S_{m, i}^{CAR, 0}$ 为电动汽车充电前电量； $P_{m, i, \max}^{CAR}$ 为电动汽车最大充电功率。

1.3　主从博弈模型

基于主从博弈原理的充储电站优化配置模型如图2所示，上层领导者以利益最大化为目标，配置充储电站位置、储能设备容量，同时确定电价策略并传递给下层跟随者，下层跟随者以充电费用最小为目标，根据电价策略确定自身充电策略并传递给上层跟随者。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2 充储电站优化配置主从博弈模型

Fig.2 Master-slave game model for optimal allocation of charging and storage power stations

2　模型转化与求解流程

基于主从博弈的充储电站配置模型存在两方面问题导致难以求解：一是领导者与跟随者的博弈过程^[23]，可利用KKT条件将下层跟随者模型转换为上层模型的附加约束，实现双层模型向单层模型的转化；二是上层领导者模型目标函数中包含非线性项，可基于对偶原理利用线性项替代非线性项^[24]。模型转化与求解流程如图3所示。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3 模型转化求解结构图

Fig.3 Structure of model transformation solution

2.1　基于KKT条件的下层模型转化

在下层跟随者模型中，充电价格c_i，t为常量，因此下层模型为线性规划问题，可利用KKT条件将下层模型式(20)—(22)转化为约束条件，如式(23)—(27)所示。

(23) $c_{i, t} - α_{m, i} - β_{m, i, t}^{+} - β_{m, i, t}^{-} - λ_{m, i, t} = 0$

(24) $\sum_{t \in Φ_{TA}} P_{m, i, t}^{CAR} = 0.9 S_{m, t}^{CAR} - S_{m, t}^{CAR, 0}$

(25) $0 \leq β_{m, i, t}^{-} ⊥ P_{m, i, t}^{CAR} \geq 0, t \in Φ_{TA}$

(26) $0 \geq β_{m, i, t}^{+} ⊥ P_{m, i, t}^{CAR} - P_{m, i, max}^{CAR} \leq 0, t \in Φ_{TA}$

(27) ${\begin{array}{l} λ_{m, i, t} = 0, & t \in Φ_{TA} \\ P_{m, i, t}^{CAR} = 0, & t \notin Φ_{TA} \end{array}$

式中：α_m，i、 $β_{m, i, t}^{+}$ 、 $β_{m, i, t}^{-}$ 、λ_m，i，t为对偶变量。

2.2　基于互补松弛的约束线性化

KKT条件式(25)(26)中存在连续变量与布尔变量相乘项，可利用大M法实现非线性项互补松弛^[25]，如式(28)—(32)所示。

(28) $0 \leq β_{m, i, t}^{-} \leq M δ_{m, i, t}^{-}$

(29) $0 \leq P_{m, i, t}^{CAR} \leq M (1 - δ_{m, i, t}^{-})$

(30) $0 \leq β_{m, i, t}^{+} \leq M δ_{m, i, t}^{+}$

(31) $0 \leq P_{m, i, t}^{CAR} - P_{m, i, max}^{CAR} \leq M (1 - δ_{m, i, t}^{+})$

(32) ${\begin{array}{l} δ_{m, i, t}^{+} \in {0, 1} \\ δ_{m, i, t}^{-} \in {0, 1} \end{array}$

式中： $δ_{m, i, t}^{+}$ 、 $δ_{m, i, t}^{-}$ 为辅助变量。

2.3　基于对偶定理的目标函数线性化

在上层领导者模型中，充电价格c_i，t为决策量，因此目标函数中 $c_{i, t} P_{m, i, t}^{CAR}$ 为2个连续变量相乘，导致模型难以求解。根据对偶定理，在线性规划问题最优解处，原问题与对偶问题目标函数相等，如式(33)所示。利用式(33)右侧线性项代替非线性项 $c_{i, t} P_{m, i, t}^{CAR}$ ，可实现目标函数线性化。

(33) $\begin{array}{l} \sum_{t \in Φ_{T}} c_{i, t} P_{m, i, t}^{CAR} = & α_{m, i} (0.9 S_{m, i}^{CAR} - S_{m, i}^{CAR, 0}) + \\ β_{m, i, t}^{+} P_{m, i, max}^{CAR} \end{array}$

转化后线性化目标函数为

(34) $\begin{array}{l} f = & \sum_{i \in Φ_{P}} N [\sum_{m} \sum_{t \in Φ_{T}} α_{m, i} (0.9 S_{m, i}^{CAR} - S_{m, i}^{CAR, 0}) + \\ β_{m, i, t}^{+} P_{m, i, max}^{CAR} + \sum_{t \in Φ_{T}} c_{t}^{SELL} P_{i, t}^{SELL} - \\ \sum_{t \in Φ_{T}} c_{t}^{BUY} P_{i, t}^{BUY} - \sum_{t \in Φ_{T}} c_{t}^{DAY} P_{i, t}^{DAY} - \\ c_{M}^{ESD} S_{i}^{ESD} / N - κ (c_{S}^{ESD} S_{i}^{ESD} + c_{P}^{ESD} P_{i}^{ESD}) / N] \end{array}$

2.4　混合整数线性规划模型

利用KKT条件与对偶定理，双层主从博弈模型转换为单层混合整数线性规划模型，如式(35)所示，该模型可调用商用求解器GUROBI直接求解。

(35) ${\begin{array}{l} min f \\ s . t . 式 (1) — (17) \\ 式 (23) — (24) \\ 式 (27) — (32) \end{array}$

3　算例分析

本章进行高比例光伏接入农网区域充储电站主从博弈优化配置模型的算例对比验证。模型基于Matlab R2020a平台，利用GUROBI 9.1.2求解。

3.1　算例介绍

测试系统结构如图4所示，为改进的IEEE 33节点电网。为表征农村电网设备老化、容量不足的特点，修改典型IEEE 33节点电网数据，线路阻抗值增大为1.2倍，最大载流量减少至80%。区域1内节点2、19、23、26连接分布式光伏，节点2、21、23、30为备选充储电站建设节点；区域2内节点7、14连接分布式光伏，节点6、10、13、16为备选充储电站建设节点。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4 测试系统结构图

Fig.4 Test system structure

为保证配置方案适应性，选取春夏秋冬4个典型日进行运行场景模拟，每个典型日包含24个典型时刻，共计4×24＝96个典型时刻。每个典型日代表1个季节，即91天，每个典型时刻在典型日内仅出现1次，因此N＝91。典型时刻日前电价、节点负荷及光伏出力参数如图5所示。

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5 典型时刻参数

Fig.5 Typical moment parameters

为表征电动汽车充电行为的差异，将电动汽车分为3组：第1组仅在白天充电，代表夜班人群；第2组在夜间及午间充电，代表正常作息人群；第3组仅在夜间充电，代表早出晚归人群^[18]。3组电动汽车具体可充电时段如图6所示。区域1内3组电动汽车数量分别为25、15、10，区域2内3组电动汽车数量分别为10、20、20。

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6 电动汽车可充电时段

Fig.6 Rechargeable hours for electric vehicles

充储电站内储能设备参数：容量上限为5 MW，功率容量比为0.3，充电效率为0.95，放电效率为0.95，建设成本为2 000元/(kW·h)。

电动汽车参数：电池容量为24 kW·h，充电前电量为9.6 kW·h，最大充电功率为3 kW。

电价参数：实时市场购电、售电电价为日前市场购电电价的1.2倍；充电电价上限、下限分别为日前市场购电电价的1.2、0.8倍；平均电价为0.55元/(kW·h)。

年利率设置为5%，规划周期设置为15年。

设置4组对比算例。

Case1：基于主从博弈定价的充储电站配置。

Case2：基于日前市场定价的充储电站配置。

Case3：基于实时市场定价的充储电站配置。

Case4：基于主从博弈定价的充电站配置，不进行储能设备的协同配置。

3.2　结果分析

3.2.1　优化结果

Case1中充储电站建设方案收支情况如表1所示，区域1、区域2内充储电站投资方分别获利18.88万、18.03万元，共计获利36.91万元。

表1 Case1方案收益成本表

Table 1 Program benefit-cost table of case one　10⁴元

发电机标号	区域1	区域2	总收益
充电桩收费	8.429	5.622	14.050
实时市场售电	217.090	202.800	419.900
实时市场购电	0.000	0.000	0.000
日前市场购电	－75.690	－68.880	－144.600
设备建设成本	－130.900	－121.500	－252.400
总收益	18.880	18.030	36.910

新窗口打开| 下载CSV

Case1电价优化结果如图7(a)所示。充储电站投资方通过与电动汽车车主的博弈过程，在电价上下限间确定最优电价策略并传递给电动汽车车主，保证双方利益的同时使电动汽车充电行为更加有序。

图7

新窗口打开| 下载原图ZIP| 生成PPT

图7 Case1优化结果

Fig.7 Optimization results of Case one

Case1充储电站能量平衡如图7(b)所示。充储电站投资方通过优化购售电策略及储能设备充放电策略，为电动汽车车主提供充电服务。

Case1电动汽车充电功率与充电电价对应情况如图7(c)所示。理智的电动汽车车主会在自身可充电时段内，倾向于选择电价低的时段充电，以降低自身充电费用。

各算例求解时间如表2所示。各算例求解时间为秒级，其中Case4求解时间最长为10.3 s，证明了所提算法的求解效率。

表2 算例求解时间对比

Table 2 Solving time comparison

比较项目	求解时间/s
Case1	8.69
Case2	7.87
Case3	3.23
Case4	10.3

新窗口打开| 下载CSV

3.2.2　网侧对比

图8展示了Case1与Case4电网侧能量平衡情况。相较于Case4传统充电站，Case1中充储电站可以发挥储能设备的优势，在午间分布式光伏出力较多的时段吸收过剩电能，提升高比例光伏接入农网区域的光伏消纳率，缓解农网光伏消纳压力。

图8

新窗口打开| 下载原图ZIP| 生成PPT

图8 Case1与Case4区域电网能量平衡对比

Fig.8 Comparison of regional grid energy balance for case one and case four

3.2.3　站侧对比

各算例中充储电站配置方案如表3所示。Case1中分别选择在节点6、节点30建设充储电站，并分别建设4 531、4 203 kW·h储能设备。

表3 充储电站配置方案对比

Table 3 Comparison of charging and storage plant configuration options

比较项目		电站建设节点	储能设备容量/(kW·h)
Case1	区域1	6	4 531
Case1	区域2	30	4 203
Case2	区域1	10	4 444
Case2	区域2	30	4 289
Case3	区域1	10	4 230
Case3	区域2	30	4 503
Case4	区域1	2	0
Case4	区域2	13	0

新窗口打开| 下载CSV

各算例配置方案总收益对比如表4所示。相较于按照日前市场、实时市场定价的Case2、Case3，基于主从博弈定价的Case1总收益分别提高了14.45%、8.14%。相较于未配置储能的Case4，Case1总收益提高了36.06万元，即相较于传统配置模型，所提模型能够提高充储电站投资方的收益。

表4 配置方案总收益对比

Table 4 Comparison of total benefits of configuration scenarios　10⁴元

比较项目	区域1收益	区域2收益	总收益
Case1	18.880	18.030	36.910
Case2	17.930	14.330	32.250
Case3	21.360	12.770	34.130
Case4	1.883	－1.030	0.853

新窗口打开| 下载CSV

考虑到部分电动汽车车主对充电价格不敏感，电价策略无法有效影响其充电行为，有必要研究充电价格敏感客户所占比例不同时各算例对应配置方案的总收益，如图9所示。当价格敏感客户比例为20%～100%，Case1中配置方案的总收益均高于Case2与Case3。

图9

新窗口打开| 下载原图ZIP| 生成PPT

图9 价格敏感客户比例不同时的总收益

Fig.9 Revenue with various price-sensitive customers

3.2.4　车侧对比

对于电动汽车车主，可以直接从实时市场获取电能，此时充电费用应与按照实时市场定价的Case3相同。Case1与Case3中电动汽车充电费用对比如图10所示。

图10

新窗口打开| 下载原图ZIP| 生成PPT

图10 Case1与Case3电动汽车充电费用对比

Fig.10 Comparison of EV charging costs for case one and case three

Case1充电费用相较于Case3降低了16.2%，即相较于直接从实时市场购电，通过充储电站进行充电更符合电动汽车车主的利益。

4　结论

本文面向高比例光伏接入的农网区域提出了基于主从博弈定价策略的充储电站优化配置模型，规划了农村区域光储电站的位置及配套储能设备的容量。算例对比表明：(1)从电网角度，充储电站优化配置方案能够提升高比例光伏接入农网区域的光伏消纳率，缓解农网光伏消纳压力；(2)从充储电站角度，基于主从博弈定价策略的充储电站配置模型能够提高充储电站投资方的收益；(3)从电动汽车角度，基于主从博弈的定价策略能够降低电动汽车充电费用，更符合电动汽车车主的利益。

另外，所提模型未能计及储能装置生命周期、运行损耗等因素，未来可针对该方向展开进一步研究与探讨。

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

中华人民共和国国务院.

中共中央国务院关于学习运用“千村示范、万村整治”工程经验有力有效推进乡村全面振兴的意见

[EB]. 中华人民共和国国务院公报. [2024-02-03].