含电动汽车集群的微电网多时间尺度优化调度

doi:10.16513/j.2096-2185.DE.2409303

含电动汽车集群的微电网多时间尺度优化调度

杨康¹, 石璐杉², 周航¹, 王钊洋³, 王博仑¹, 周霞^,³, 唐昊²

1．国网江苏省电力有限公司，江苏省　南京市210008

2．南瑞集团电网安全稳定控制技术分公司，江苏省　南京市　211000

3．南京邮电大学，江苏省　南京市　210023

Multi-Time Scale Optimization Scheduling for Microgrids Containing Electric Vehicle Clusters

YANG Kang¹, SHI Lushan², ZHOU Hang¹, WANG Zhaoyang³, WANG Bolun¹, ZHOU Xia^,³, TANG Hao²

1. State Grid Jiangsu Electric Power Co., Ltd., Nanjing 210008, Jiangsu Province, China

2. Grid Safety and Stability Control Technology Branch Company of Nanjing Nari Group Corporation, Nanjing 211000, Jiangsu Province, China

3. Nanjing University of Posts and Telecommunications, Nanjing 210023, Jiangsu Province, China

收稿日期: 2024-02-28

基金资助:

国家自然科学基金项目. 52377085

Received: 2024-02-28

Fund supported:

National Natural Science Foundation of China. 52377085

作者简介 About authors

杨　康(1990)，男，硕士，工程师，主要从事电力电子技术研究工作；。

石璐杉(1996)，女，学士，助理工程师，主要从事电气工程研究工作；。

周　航(1992)，男，硕士，工程师，主要从事电网调度运行研究工作；。

王钊洋(1999)，男，硕士，主要从事微电网优化调度研究工作；。

王博仑(1993)，男，硕士，工程师，主要从事电力系统调度运行研究工作；。

周　霞(1978)，女，博士，高级工程师，主要从事电力系统安全稳定分析与控制研究工作，zhouxia@njupt.edu.cn； , E-mail：zhouxia@njupt.edu.cn

唐　昊(1996)，男，硕士，助理工程师，主要从事视频多播、网络资源分配研究工作。

摘要

电动汽车放电时可作为电网的一种分布式储能装置，参与缓解高比例新能源接入微电网的供电压力。基于多时间尺度下分时电价的特点，提出一种考虑电动汽车集群的微电网多时间尺度优化调度方法。在日前调度阶段，基于分时电价对微电网内部储能、可中断负荷、可转移负荷等设备出力进行优化调度；在日内优化调度阶段，将电动汽车集群纳入到微电网能量调度中来，通过分析各电动汽车集群的调度潜力来实现合理的充放电。为验证所提方案的有效性，选取不同的用电峰平谷时段分时电价，让电动汽车集群参与微电网能量调度，结果证明考虑电动汽车集群参与的微电网多时间尺度优化调度能充分利用电动汽车集群的储能资源，提升微电网调度运行的灵活性和经济性。

关键词： 微电网 ; 多时间尺度 ; 电动汽车集群 ; 分时电价 ; 优化调度

Abstract

When discharging, electric vehicles can serve as distributed energy storage units of the power grid to alleviate the power supply pressure of microgrids with high proportions of new energy integration. Capitalizing on the characteristics of time-of-use tariffs across multi-time scales, this study proposes a multi-time scale optimization scheduling method for microgrids that takes into account clusters of electric vehicles. In day-ahead scheduling phase, the equipment output such as internal energy storage, interruptible loads and transferable loads in the microgrid is optimized based on time of use tariffs; During intra-day optimization scheduling phase, electric vehicle clusters will be included in the energy scheduling of microgrids, and reasonable charging and discharging can be achieved by analyzing the scheduling potential of each electric vehicle cluster. To verify the effectiveness of the proposed scheme, electric vehicle clusters are selected to participate in microgrid energy scheduling based on variable time of use tariffs during peak, flat, and valley periods. The results show that the multi-time scale optimization scheduling for microgrids considering the participation of electric vehicle clusters can make full use of the energy storage resources of electric vehicle clusters and improve the flexibility and economy of microgrid scheduling operation.

Keywords： microgrids ; multi-time scale ; electric vehicle cluster ; time of use tariffs ; optimization scheduling

PDF (5903KB) 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

杨康, 石璐杉, 周航, 王钊洋, 王博仑, 周霞, 唐昊. 含电动汽车集群的微电网多时间尺度优化调度. 分布式能源[J], 2024, 9(3): 21-30 doi:10.16513/j.2096-2185.DE.2409303

YANG Kang, SHI Lushan, ZHOU Hang, WANG Zhaoyang, WANG Bolun, ZHOU Xia, TANG Hao. Multi-Time Scale Optimization Scheduling for Microgrids Containing Electric Vehicle Clusters. Distributed Energy[J], 2024, 9(3): 21-30 doi:10.16513/j.2096-2185.DE.2409303

0　引言

近年来伴随着国家对可再生清洁能源建设的大力扶持，可再生能源的出力占比在逐渐递增^[1,2,3,4,5]。分布式发电系统靠近用电负荷，可有效减低能量传输网损。伴随着风电、光伏等清洁能源占比的提高，对于化石能源的替代性增强，分布式发电系统的经济效益和环境效益越发明显^[6,7]。但是大规模分布式清洁能源发电接入配电网，尤其是风电、光伏等不可控电源接入系统的规模逐渐增大，会对电力系统的安全稳定运行带来隐患^[8,9,10]。

在能源互联网观念的不断渗透下，风光热储多能互补的微电网协同优化发展形式成为解决分布式可再生能源有效利用的重要途径^[11,12,13]。目前，已经有许多学者对微电网的优化调度问题进行了深入研究，微电网的优化调度须考虑可再生能源的出力、负荷消纳及系统元件的运行状态等诸多因素，如风电、光伏等能源出力的不确定性与波动性^[14,15]，对微电网内部的可控机组及储能容量的调度具有一定影响。文献[16]建立了微电网日前经济调度模型，提出了基于多储能预测控制的能量优化调度策略；文献[17]提出了基于热-电多储能的供暖期与非供暖期两阶段多时间尺度的优化配置策略；文献[18]量化了微网污染物排放的环保性指标，建立了经济性与环保性结合的多目标优化调度。上述研究多侧重于传统微电网内部的优化调度，目前不断发展并趋于规模化的电动汽车充电站大规模地接入微电网，在一定程度上改变了微电网内部能量优化配置格局^[19,20]。电动汽车作为一种清洁能源，通过有效聚合电池的特性，规模化、集群化的电动汽车电池储能容量加之合理的调度，不仅能缓解风电、光伏等可再生能源间歇性和不确定性带来的冲击，在一定程度上还能为电网提供调频调峰等辅助服务^[21,22]。

作为需求侧灵活性储能资源，集群化的电动汽车参与微电网的优化调度能进一步提升系统运行可靠性，已有不少学者对含电动汽车的微电网综合能源系统运行优化调度展开了研究。文献[23]通过区域化分层控制的策略构建电动汽车分区分层优化调度模型；文献[24]通过优化电动汽车换电站充放电策略来协调电网的削峰填谷；文献[25]基于电动汽车用户充放电需求建立了电动汽车需求侧响应的控制策略；文献[26]基于电动汽车充放电形式的不同将电动汽车进行集群划分，并通过管理集群充放电来实现车与电网的能量互通。但上述文献均未考虑基于分时电价下的电动汽车集群参与微电网经济调度的多时间尺度分析。

本文在考虑风电、光伏不确定性能源出力及基于负荷重要度的可中断负荷、可转移负荷的资源调度基础上，提出考虑电动汽车集群的微电网多时间尺度优化调度策略。首先，对可控储能、负荷、柴油发电机组等进行建模，将设备运维成本、经济补偿及微电网收益纳入模型中；然后，在多时间尺度能量管理框架中分别建立电动汽车集群参与的日前运行优化调度模型和日内运行优化调度模型；最后，以2023年某市区的典型微电网运行数据为例，在Matlab中搭建模型进行仿真试验，通过算例分析验证本文所提方法的有效性。

1　考虑电动汽车集群参与的微电网多时间调度框架

本文以含电动汽车集群的微电网为应用场景，该应用系统内部包含小型柴油发电机组、储能机组、风力发电机组和光伏发电机组，通过热、电联合优化及多设备之间的协调优化控制，实现微电网的协调优化运行，为充分利用电动汽车集群的电池储能资源，将微电网内部的电动汽车充电站集群纳入到资源优化调度中去。其中，所研究微网群系统架构如图1所示。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1 微网群系统架构

Fig.1 System architecture of microgrid group

通常，一天内用电高峰期和低谷时段所对应的实时电价有所不同。为充分考虑分时电价影响下电动汽车集群参与微电网削峰填谷资源调度的经济性，实现微电网内部资源的充分利用，减少微电网向外购电量，增加微电网对外的售电量，实现经济增收，本文提出的微电网多时间尺度优化调度框架如图2所示。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2 微电网多时间尺度优化调度框架

Fig.2 Multi-time scale optimization scheduling framework for microgrids

在日前阶段，对第2天风、光的能源出力情况进行预测，当日内实时运行偏离日前预测时，调度计划可灵活调整。在日内优化调度阶段，通过利用集群化电动汽车的闲置储能容量，对日前优化调度进行修正，当系统能量调度因风电、光伏等不可控出力因素影响导致偏离时，基于分时电价下电动汽车闲置储能进行资源调配，实现系统的削峰填谷，提高新能源消纳，有效减少系统内部储能系统的容量配置，极大降低系统建设成本。

2　微电网多时间尺度优化调度模型

2.1　日前运行阶段建模

(1)储能设备建模。

电池储能出力数学建模包括功率约束、荷电状态(state of charge，SOC)约束及相邻时段电池储能电量平衡约束。当储能单元正常运行时，须满足SOC上下限与调度周期始末SOC相等约束：

(1) $s_{SOC}^{min} \leq s_{SOC} (t) \leq s_{SOC}^{max}$

(2) $s_{SOC, 0} = s_{SOC, T}$

式中： $s_{SOC}^{\max}$ 和 $s_{SOC}^{\min}$ 分别为储能单元SOC的上下限；s_SOC，0和s_SOC，T分别为储能单元的初始和调度完成时的SOC；T为调度周期。

储能设备在t时刻的储能电量为

(3) $E_{B, t} = (1 - γ) E_{B, t - 1} + η_{c, t} P_{c, t} Δ t - \frac{P_{d, t}}{η_{d, t}} Δ t$

式中：γ为储能的自放电率；E_B，t－1为储能设备在前一时刻的储能电量；η_c，t和η_d，t分别为t时刻储能设备的充/放电效率；P_c，t和P_d，t分别为t时刻储能设备的充/放电功率；Δt为时段。

储能设备的运行成本F_BC为

(4) $F_{BC} = \sum_{i \in M} (b_{i, t} f_{dis} P_{cd, i, t} + f_{cycle})$

式中：M为储能设备的集合；b_i，t表示储能设备i在t时刻的充放电状态，b_i，t＝1表示储能处于充电状态，b_i，t＝0表示储能处于放电状态；f_dis为放电维护费用；P_cd，i，t为储能设备i在t时刻的充放电功率；f_cycle为储能设备寿命损耗对应的成本。

(2)负荷建模。

微电网内部负荷基于其重要程度和参与需求侧响应程度不同可按一级负荷、二级负荷和三级负荷的等级进行划分。一级负荷供电重要等级最高，因此不能中断供电；二级负荷和三级负荷可参与需求侧管理，包括可中断负荷、可平移负荷与弹性负荷，微电网能对其进行合理的调配、中断等操作并给与一定的经济补偿。

各重要等级的负荷在调度周期内为微电网带来的收益或补偿所产生的费用包括负荷中断补偿费用F_IL和转移负荷补偿费用F_LT：

(5) $F_{IL} = u_{cut, t} P_{cut, t} d_{cut}$

(6) $F_{LT} = u_{shift, t} | u_{s, t} - u_{shift, t} | d_{shift}$

式中：u_cut，t为t时刻可中断负荷的优化运行状态，u_cut，t＝1表示t时刻负荷处于切除状态，u_cut，t＝0表示t时刻负荷处于运行状态；P_cut，t为t时刻能调度的功率；d_cut、d_shift分别为可中断负荷及可平移负荷所对应的电价；u_s，t、u_shift，t分别为t时刻可平移负荷的用户意愿运行状态和优化运行状态，当用户意愿运行状态与实际优化运行状态不同时，即当|u_s，t－u_shift，t|＝1时，需向用户进行相应的转移负荷补偿。

(3)柴油发电机建模。

柴油发电机组在Δt时段运维成本F_DE，Δt包含启机费用及运行费用：

(7) $F_{DE, Δ t} = \sum_{m \in M_{DE}} (S_{start, t} d_{m} + u_{DE, t} f_{DE, Δ t} P_{DE, Δ t})$

式中：M_DE为柴油发电机组集合；S_start，t＝1时表示柴油发电机在t时刻由停机状态转为开机状态，S_start，t＝0时表示柴油发电机在t时刻由开机状态转为停机状态；d_m为柴油发电机m的启动成本；u_DE，t＝1时表示t时刻柴油发电机组处于运行状态，u_DE，t＝0时表示t时刻柴油发电机组处于停机状态；f_DE，Δt和P_DE，Δt分别为Δt时段柴油机运行功率费用系数和发电功率，f_DE，ΔtP_DE，Δt为Δt时段柴油发电机组的运行成本。

柴油发电机组应满足如下出力限值约束：

(8) $u_{DE, t} P_{DE}^{min} \leq P_{DE, t} \leq u_{DE, t} P_{DE}^{max}$

式中： $P_{DE}^{\max}$ 和 $P_{DE}^{\min}$ 分别为柴油机运行状态下最大和最小发电功率。

2.2　日前运行阶段优化调度

微电网的优化调度作为一个多约束问题，通过对各能源、负荷的运行情况及预测数据进合理规划，实现源储荷有序调度。日前调度的时间尺度为1 h，日前调度周期为24 h，以微电网总运行成本F_Q最小为目标，包括可再生能源发电成本、可控柴油机组运行成本、中断与转移负荷成本和电池储能运维与老化成本。目标函数为

(9) $F_{Q} = min (F_{RE} + F_{DE} + F_{IL} + F_{BC} + F_{LT})$

式中F_RE为微电网系统内可再生能源发电成本。微电网系统Δt时段可再生能源发电成本F_RE，Δt为

(10) $F_{RE, Δ t} = u_{wt} P_{wt, Δ t} + u_{PV} P_{PV, Δ t}$

式中：u_wt、u_PV分别为风力发电、光伏发电的单位发电成本；P_wt，Δt、P_PV，Δt分别为Δt时段风电机组和光伏机组的发电功率。

2.3　日内运行阶段调度修正

在日内调度阶段，通过电动汽车集群能将微电网系统单元内部较为分散的电动汽车单元进行聚合。基于电动汽车聚合商对区域内部的电动汽车进行优化调度时，各电动汽车的充电时间决定了该电动汽车能否参与该时段的调度任务。通过对电动汽车到站时刻、离站时刻、并网时刻、离网时刻进行数据采集获取电动汽车驻站时长，将驻站时长满足该时段调度任务的电动汽车进行筛取；然后对于所筛取出来的可参与调度的电动汽车用户意愿度进行采集，考虑到用户参与响应意愿度具有不确定性，给出该区域内电动汽车平均响应率 $\bar{φ}$ ，当该辆车响应率大于该区域平均响应率 $\bar{φ}$ 时，则视该车愿意参与本次响应。平均响应率 $\bar{φ}$ 为

(11) $\bar{φ} = \frac{1}{N} \sum_{j = 1}^{n} \frac{x_{i, j}}{y_{i, j}}$

式中：N为车辆总数；x_i，j为车辆总数N中第i辆电动汽车在第j天的响应次数；n为总天数；y_i，j为电网在第j天向第i辆电动汽车发起响应的次数。

电动汽车可调特征信息数据采集量化后，可对某时段该区域内部电动汽车的可调性进行判断，获取该区域内某时段规模化电动汽车可调性识别结果；并基于该可调结果对可调电动汽车集群充电电量进行计算，以获取可调电动汽车集群信息。

以日前调度计划作为参考，基于对电动汽车集群的优化调度来对日前调度进行修正。在对日内滚动优化的过程中，电动汽车集群基于集群内部可调度的资源及实时电价、补贴政策等因素进行相应调度。电动汽车集群以自身用电成本F_EVN最小为目标，基于各电动汽车集群内部可调度资源的不同表现出不同的响应情况。因此日内优化调度的目标函数为

(12) $F_{EVN} = min (F_{EVn} - F_{EVS})$

(13) $F_{EVn} = \sum_{t = 1}^{T} (ω_{buy, t} P_{EVch, t} - ω_{sell, t} P_{EVdis, t})$

(14) $F_{EVS} = \sum_{t = 1}^{T} (B_{EV, t} | P_{EV, t} |)$

式中：F_EVn为日内电动汽车集群的总体用能成本；F_EVS为日内电动汽车集群调度收益；ω_buy，t、ω_sell，t分别为t时刻电动汽车调度购、售电价格；P_EVch，t、P_EVdis，t分别为t时刻电动汽车的充、放电功率；B_EV，t为t时刻电动汽车调度的单位补贴电价；P_EV，t为t时刻电动汽车集群的调度功率。

(1)功率平衡约束。

(15) $P_{WT, t} + P_{PV, t} + P_{DE, t} + P_{B, t}^{dis} + P_{EVN, t}^{dis} = P_{B, t}^{ch} + P_{load, t} + P_{EVN, t}^{ch} + P_{DR, t}$

式中： $P_{B, t}^{dis}$ 为t时刻储能的放电功率； $P_{EVN, t}^{dis}$ 为t时刻电动汽车集群的出力调度功率； $P_{B, t}^{ch}$ 为t时刻储能的充电功率；P_load，t为t时刻微电网系统内部负荷消纳功率； $P_{EVN, t}^{ch}$ 为t时刻电动汽车集群的充电功率；P_DR，t为t时刻微电网内部资源需求响应调度消耗功率。

(2)电动汽车集群充放电约束。

电动汽车集群的充放电功率大多都与集群内电动汽车的行驶停放概率有关，则电动汽车集群的功率约束为

(16) $0 \leq P_{EVdis, t} \leq N_{t, max} P_{EVdis}^{max}$

(17) $0 \leq P_{EVch, t} \leq N_{t, max} P_{EVch}^{max}$

式中：N_t，max为t时刻集群内可参与调度的电动汽车的最大数目； $P_{EVch}^{\max}$ 、 $P_{EVdis}^{\max}$ 分别为单个电动汽车的最大充/放电功率。

(3)电动汽车集群SOC约束。

基于不同集群内电动汽车的需求驾驶电量与集群内电动汽车个体数量不同，根据集群内电动汽车充放电效率、耗电量及平均SOC值来获取电动汽车集群的SOC值范围：

(18) $s_{SOC, EV}^{min} N_{min, t} \leq s_{SOC, t}^{EV} \leq s_{SOC, EV}^{max} N_{max, t}$

(19) $s_{SOC, t}^{EV} - s_{SOC, t - 1}^{EV} = s_{SOC, t}^{EVch} - s_{SOC, t}^{EVdis} - s_{SOC, t}^{EVdr}$

(20) $s_{SOC, t}^{EVdr} = N v_{EV} E_{km}$

式中： $s_{SOC, t}^{EV}$ 为t时刻电动汽车集群的荷电量； $s_{SOC, EV}^{\min}$ 、 $s_{SOC, EV}^{\max}$ 分别为单个电动汽车SOC的最小值和最大值；N_min，t为t时刻集群内可参与调度的电动汽车的最小数目； $s_{SOC, t}^{EVch}$ 、 $s_{SOC, t}^{EVdis}$ 和 $s_{SOC, t}^{EVdr}$ 分别为t时刻电动汽车集群的充电电量、放电电量和电动汽车集群用户驾驶需求电量；v_EV为电动汽车平均驾驶速度；E_km为电动汽车每百公里的耗电量。

根据微电网系统内部风电、光伏的预测值求解主问题，计算得到各机组第2天最优出力方案、系统备用容量设置和最小运行成本，将求解所得最优解带入子问题maxmin模型中，检验调度的备用容量配置是否足以应对不确定变量的波动，并基于分时电价将电动汽车集群储能容量参与到系统能量调度中，求解子问题目标函数的容量调度配置。以上的主问题与子问题均在Matlab下调用CPLEX求解器直接进行求解，并采用Matlab语言编制共轭梯度(conjugate gradient, CG)算法求解该模型。

3　算例分析

为验证本文所提调度模型的合理性，本文实验样本数据为2023年某市区典型微电网运行数据，包含可控型储能装置、柴油发电机组、风电光伏发电机组及电动汽车充电站运行数据。考虑到电动汽车集群内部不同电动汽车用户的充放电需求的不同，按表1所示3类充电需求对充电站内的电动汽车充电类型进行筛选分类。

表1 电动汽车的充电类型

Table 1 Charging types of electric vehicles

充电类型	充电特点
速充型	快速充至指定电量后离开
缓充型	在指定时间内充至最低期望电量
夜充型	夜间到次日工作时间前充满

新窗口打开| 下载CSV

采用蒙特卡洛法抽样得到不同类型的电动汽车并分配到不同的充电站。本文以4个充电站为例进行电动汽车集群划分，采样获取充电站集群内1 000次电动汽车充放电的历史数据，并对采样的1 000次充电数据进行分析；通过对于停靠的电动汽车充放电功率、停泊及充电类型、储能容量分析其调度潜力。

在实际场景中，一天中不同时段内基于电网用电峰谷的不同，所对应的电价也有所差异，本文采用表2所示的峰平谷时段来划定不同时段下的分时电价。

表2 峰平谷时段划分

Table 2 Peak-flat-valley time division

峰时段	平时段	谷时段
10：00—15：00 18：00—21：00	23：00—07：00	07：00—10：00
		15：00—18：00
		21：00—23：00

新窗口打开| 下载CSV

3.1　不确定性风光出力预测

对于风电、光伏机组的不确定性出力，本文采用基于经验模态分解、主成分分析和长短时记忆网络(empirical mode decomposition, principal component analysis, and long-short-term memory networks, EMD-PCA-LSTM)的功率预测方法，针对该冀北微电网2023年某日的光伏阵区实测光伏功率时间序列数据和风机运行数据及功率时间序列数据进行分析，将原始数据序列通过EMD算法分解，通过获取数据序列的固有模态函数(intrinsic mode functions，IMF)分量和剩余分量来凸显原始数据序列的局部特征。以光伏机组出力预测为例，图3为光伏机组特征数据的EMD分解图。图中：P₀为原始时间序列信号的幅值；P_IMFi(i＝1，2，…，6)分别为分解出的IMF值；P_res为残余分量。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3 光伏特征序列数据的EMD分解

Fig.3 EMD decomposition of photovoltaic characteristic sequence data

通过对数据序列EMD分解后，为除去特征序列中所存在的噪声干扰，须再次进行PCA分析，将筛选出来的主成分代表原始特征序列，对上述数据进行降维处理，降低数据的输入维度和复杂程度，构建基于EMD-PCA-LSTM的光伏预测模型并完成对光伏出力的预测，结果如图4所示。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4 基于EMD-PCA-LSTM的预测结果

Fig.4 Prediction results based on EMD-PCA-LSTM method

3.2　不含电动汽车集群的微电网调度

在日前规划阶段，当电动汽车集群未参与微电网用电调度时，微电网系统内部的负荷基于重要程度进行合理的转移或中断来参与能源调度，该微电网内部可中断负荷参与基于分时电价的调度响应结果如图5所示。

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5 可中断负荷调度响应结果

Fig.5 Dispatch response results of interruptable loads

由图5可见，在用电高峰时段，可通过对重要等级相对较低的可中断负荷进行控制，降低其负荷量来减轻微电网内部负荷的用电负担。

此外，微电网系统内部可控柴油机组发电出力及储能的充放电根据一天中各用电高峰及电网购售电价的不同进行资源调配，基于分时电价下微电网内部储能参与调度的优化结果如图6所示。

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6 基于分时电价的储能优化调度

Fig.6 Energy storage optimization scheduling based on time of use tariffs

由图6可见：当电动汽车集群未参与微电网优化调度时，在用电高峰时段，电价出现上涨，此时微电网内部储能装置进行放电来为微电网内部负荷进行供电；当微电网内用电高峰过后，电价下调时，储能在用电低谷时段进行充电，以实现电能及时储备。

3.3　含电动汽车集群的微电网调度

在日内滚动优化调度阶段，将电动汽车集群参与到微电网能量优化调度中来。本文基于对某地电动汽车充电站获取的1 000次采样数据进行分析，选取4个电动汽车充电站集群作为研究对象，通过历史数据分析4个电动汽车集群在不同时段下可参与调度的电动汽车及可参与调度的电池储能电量，并基于分时电价完成电动汽车集群的充放电优化调度。

图7为基于分时电价的电动汽车集群1—4参与充放电的调度结果。可见，4个电动汽车集群在用电低谷时段进行充电，当用电高峰来临之际，电价出现涨幅，微电网内部用电负荷增多；供电压力增大时，电动汽车集群可利用其可调电池储能电量来参与微电网的电能调度，从而实现对微电网电能的供给。

图7

新窗口打开| 下载原图ZIP| 生成PPT

图7 基于分时电价的电动汽车集群参与的优化调度

Fig.7 Optimization scheduling for electric vehicle cluster participation based on time of use tariffs

考虑到一天中不同时段下电网负荷量会有所不同以及微电网自身能量调度也可能存在变化，因此对用电的峰平谷时间段进行变更，以验证本文所提方法的有效性，优化调度结果如图8所示。

图8

新窗口打开| 下载原图ZIP| 生成PPT

图8 可变分时电价下电动汽车集群的优化调度

Fig.8 Optimization scheduling of electric vehicle clusters under variable time of use tariffs

由图8可见，伴随着用电的峰平谷时段发生变化，不同时段下的电价也产生相对应的改变，4个电动汽车集群同样能实现在电价较低的用电低谷时段进行充电，在负荷增加、用电高峰的电价涨幅阶段进行放电。

伴随着电动汽车集群参微电网内部的能量调度，与大电网电能交互中，微电网可根据自身灵活的能量管控策略实现购售电交易，以电动汽车集群参与带来的微电网能量调度灵活性的优势实现微电网经济增长。图9为电动汽车集群参与调度下，微电网内部能量优化调度情况以及基于分时电价下的微电网向大电网购售电情况。

图9

新窗口打开| 下载原图ZIP| 生成PPT

图9 含电动汽车集群的微电网能量调度结果

Fig.9 Energy scheduling results of microgrids containing electric vehicle clusters

基于上述优化调度分析，结合不同调度策略进行微电网优化调度的经济性对比。分别对未进行调度、不含电动汽车多时间尺度调度和含电动汽车多时间尺度调度的3种调度策略进行对比，结果如表3所示。

表3 不同调度策略的经济对比

Table 3 Economic comparison of different scheduling strategies

调度策略	日前成本/(10⁴元)	日内成本/元	总调度成本/(10⁴元)
未进行调度	4.292 7	1 264	4.419 1
不含电动汽车的调度	4.1732	796	4.252 8
含电动汽车的调度	4.026 4	561	4.082 5

新窗口打开| 下载CSV

由表3可见，伴随着电动汽车集群参与微电网能量优化调度，充分利用电动汽车集群的可调度容量参与充放电，在一定程度上增加微电网可调度储能电量，基于用电峰平谷时段的分时电价完成微电网能量调度，并通过微电网可调度潜力合理向大电网进行购售电，从而增加微电网的经济收益。

4　结论

本文面向含电动汽车集群参与的微电网多时间尺度能量优化管理系统，针对用电峰平谷时段下分时电价等因素，考虑微电网内部能源不确定性及可控能源的稳定性，在日前阶段对储能、可中断负荷及可转移负荷进行日前优化调度；在日内优化阶段，将电动汽车集群纳入微电网能量管控中，充分利用电动汽车可调资源，基于分时电价实现电动汽车集群对微电网负荷需求的充放电。

本文通过对微电网日前、日内多时间尺度的能量管控，通过储能、可中断负荷的日前调度，以及电动汽车集群参与的日内优化调度来实现考虑电动汽车集群参与的微电网多时间尺度能量优化调度，并且改变不同的峰平谷用电时段来验证本文所提方法的有效性，为“双碳”背景下大规模新能源电动汽车接入微电网，参与微电网电力运行能量优化的研究提供了一种多时间尺度的思考视角，对于充分利用电动汽车闲置电池储能容量，合理规划微电网内部资源调度的研究有着重要意义。

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]

肖浩，裴玮，孔力.

基于模型预测控制的微电网多时间尺度协调优化调度

[J]. 电力系统自动化，2016, 40(18): 7-14, 55.