胡冠楠

安科瑞電氣股份有限公司 上海嘉定

摘要:規模日益增長(cháng)的電動(dòng)汽車(chē)和可再生能源帶來(lái)的不確定性給配電網(wǎng)的安全運營(yíng)帶來(lái)了嚴峻挑戰。為綜合考慮多重不確定性、平衡運營(yíng)成本與系統可靠性,首先,提出一種基于分布魯棒聯(lián)合機會(huì )約束的電動(dòng)汽車(chē)-配電網(wǎng)充放電調度模型。該模型將節點(diǎn)電壓、支路功率、備用需求等通過(guò)聯(lián)合機會(huì )約束建模,可以直觀(guān)地管理系統整體的可靠性。然后,為求解該模型,基于槜優(yōu)Bonferroni近似方法將聯(lián)合機會(huì )約束問(wèn)題轉化為混合整數二次規劃模型,其中,風(fēng)險等級也被視為決策變量。隨后,在不同電力系統上驗證了所提模型的有效性和可擴展性。結果表明,所提模型克服了經(jīng)典的隨機優(yōu)化和魯棒優(yōu)化存在的問(wèn)題,能夠有效平衡成本和可靠性,計算效率高、可擴展性好,較Bonferroni近似方法降低約6.5%的成本。

關(guān)鍵詞:電動(dòng)汽車(chē);配電網(wǎng);槜優(yōu)Bonferroni近似方法;不確定性;風(fēng)險管理

一、引言

截至2023年6月底,中國電動(dòng)汽車(chē)(EV)保有量已經(jīng)超過(guò)1200萬(wàn)輛,大規模接入電網(wǎng)的EV若不進(jìn)行合理調度,將對電網(wǎng)安全運營(yíng)帶來(lái)嚴峻挑戰。同時(shí),EV作為一種具有時(shí)空和容量高度靈活性的負荷,具有很大的調節潛力,可以作為靈活性資源為配電網(wǎng)提供輔助服務(wù)并帶來(lái)安全效益,增強電力系統管控不確定性風(fēng)險的能力。

單輛EV調節能力有限，無(wú)法參與電力市場(chǎng)EV聚合商作為EV與配電網(wǎng)的中間體,能夠管理EV充放電和電力市場(chǎng)交易,與配電網(wǎng)進(jìn)行互動(dòng)。通過(guò)建立EV聚合模型,便于從整體角度分析EV集群的可調節潛力,減少模型中的變量個(gè)數,降低模型復雜度與EV數量的關(guān)聯(lián)。EV接入和離開(kāi)充電站的時(shí)間、充電需求、滲透率日益增加的光伏/風(fēng)電等可再生能源、電網(wǎng)中的非靈活性負荷等均存在著(zhù)不確定性,如何處理不確定性是EV并網(wǎng)充放電調度研究中的關(guān)鍵性問(wèn)題。

二、 算法對比分析

現有處理不確定性的經(jīng)典方法包括隨機優(yōu)化(SO)、魯棒優(yōu)化(RO)、機會(huì )約束舊等。其中,SO一般以目標函數的數學(xué)期望為目標,考慮了EV到達/離開(kāi)時(shí)間、非靈活性負荷、市場(chǎng)價(jià)格的隨機性,槜大化配電網(wǎng)和EV聚合商利益的期望值。然而,SO往往需要場(chǎng)景驅動(dòng),復雜度與場(chǎng)景的數量高度相關(guān),場(chǎng)景過(guò)少可能導致對隨機性的刻畫(huà)不準確,場(chǎng)景過(guò)多則帶來(lái)很大的計算負擔，與SO不同,RO關(guān)注可能出現的最壞情況,考慮隨機的可再生能源出力和負荷,通過(guò)強對偶理論和列與約束生成算法來(lái)轉化和求解兩階段RO問(wèn)題。與SO問(wèn)題相比,RO復雜度與場(chǎng)景的個(gè)數關(guān)聯(lián)較低,但由于最壞的情況在實(shí)際中可能以很低的概率出現,這種方法可能過(guò)于保守。此外,由于SO和RO均未將風(fēng)險系數考慮在建模中,無(wú)法直觀(guān)地管理系統風(fēng)險。

三、 算法處理方法

為解決SO和RO方法存在的問(wèn)題并平衡經(jīng)濟成本與系統安全，分布式魯棒機會(huì )約束(distributionally robust chance constraint,DRCC)模型受到越來(lái)越多的關(guān)注。通過(guò)建立DRCC模型處理了非靈活性負荷、可再生能源出力、市場(chǎng)價(jià)格等不確定性因素。采用機會(huì )約束限制電壓、功率等范圍以確保配電網(wǎng)在一定概率下安全運行。采用DRCC模型對EV的可調空間進(jìn)行建模。然而，上述研究中的多個(gè)機會(huì )約束是獨立的,忽視了機會(huì )約束之間可能存在的關(guān)聯(lián),同時(shí)在單一機會(huì )約束的風(fēng)險參數選擇上具有一定主觀(guān)性,對每條約束取相同的風(fēng)險等級，為此,有必要聯(lián)合考慮機會(huì )約束,將問(wèn)題建模為分布式魯棒聯(lián)合機會(huì )約束(distributionally robust jointchance constraint,DRJCC)模型。然而,DRJCC模型是隱式的,難以求解，經(jīng)典的Bonferroni 近似Bonferroni approximation,BA)方法直接將聯(lián)合約束轉化為獨立約束,并根據Bonferroni不等式預先分配獨立約束的風(fēng)險等級,這可能導致模型過(guò)于保守為降低模型保守性,為此提出槜優(yōu) Bonferroni 近似(optimized Bonferroni approximation,OBA)方法用于近似機會(huì )約束問(wèn)題,這種方法在滿(mǎn)足Bonferroni不等式的前提下將獨立約束的風(fēng)險等級也視為變量進(jìn)行優(yōu)化,可以降低模型的保守性。進(jìn)一步地,將 OBA方法求解DRJCC問(wèn)題應用到考慮不確定性的潮流問(wèn)題中,提出了基于多項式展開(kāi)近似、連續凸近似等方法,并對比了不同近似方法的表現，盡管對采用 OBA方法求解的DRICC模型已有了初步的研究,但其應用在大規模EV接人配電網(wǎng)的調度研究中尚且罕見(jiàn)。為此,本文在大規模EV接人配電網(wǎng)的調度問(wèn)題中建立了 DRJCC模型,聯(lián)合考慮了節點(diǎn)電壓、線(xiàn)路功率、備用需求,并采用OBA的方法求解。與相關(guān)研究相比,本文的主要貢獻如下:

1)為高效處理多重隨機性下EV接入配電網(wǎng)的調度問(wèn)題,建立了DRJCC模型,算例表明所提模型緩解了 SO 模型求解時(shí)間長(cháng)、RO的模型過(guò)于保守等問(wèn)題。

2)為處理難以求解的聯(lián)合機會(huì )約束模型,提出一種 OBA方法,將風(fēng)險等級也視為決策變量,將問(wèn)題轉化成混合整數二次規劃模型,降低了模型的保守性,與預先確定風(fēng)險等級的方法相比,在滿(mǎn)足可靠度要求的前提下降低約6.5%的成本。

3)所提模型將節點(diǎn)電壓、支路功率、備用需求等綜合考慮作為聯(lián)合機會(huì )約束建模,能夠通過(guò)設定系統整體風(fēng)險等級參數以直觀(guān)管理系統風(fēng)險,并便于平衡系統運營(yíng)成本和可靠度。

三、 解決方案

圖1 有序充電管理系統示意圖

圖2平臺結構圖

有序充電管理系統由預測算法、能量管理策略、有序充電策略和充電樁運營(yíng)管理系統等構成。預測算法包括光伏、風(fēng)力發(fā)電預測和負荷預測，是利用歷史數據對未來(lái) 24 小時(shí)至72小時(shí)的風(fēng)力、光伏發(fā)電和負荷需求進(jìn)行預測，主要目的是為能量管理系統和有序充電策略提供未來(lái)時(shí)間的可用負荷容量和能量管理策略。通過(guò)對儲能裝置的充放電調控和引導充電需求，實(shí)現負荷的削峰填谷，提高電網(wǎng)運行穩定性，降低充電成本，通過(guò)以上算法和軟件構成的一體化充電服務(wù)體系來(lái)提高運營(yíng)競爭力。

四、安科瑞有序充電云平臺具體的功能

平臺除了對充電樁的監控外，還對充電站的光伏發(fā)電系統、儲能系統以及供電系統進(jìn)行集中監控和統一協(xié)調管理，提高充電站的運行可靠性，降低運營(yíng)成本，平臺系統及虛擬電廠(chǎng)的架構如圖3、圖4所示。

圖3 充電樁運營(yíng)管理平臺系統架構

圖4 虛擬電廠(chǎng)與電力交易結構圖

能源規劃：采用魯棒優(yōu)化方法進(jìn)行優(yōu)化配置，提供經(jīng)濟槜優(yōu)的容量規劃方案。

圖5 虛能源規劃示意圖

優(yōu)化調度：提高新能源消納

圖6 優(yōu)化調度示意圖

儲能峰谷套利：不僅可以平衡電網(wǎng)負荷，還可以節省電費，增加收益

圖7 優(yōu)化儲能峰谷套利調度示意圖

削峰填谷：配合儲能設備、低充高放

圖8 削峰填谷示意圖

需量控制：能量?jì)Υ?、充放電功率跟?/p>

圖8 削峰填谷示意圖

柔性擴容：短期用電功率大于變壓器容量時(shí)，儲能快速放電，滿(mǎn)足負載用能要求

圖9 柔性擴容示意圖

五、產(chǎn)品選型

5.1充電樁

安科瑞為廣大用戶(hù)提供慢充和快充兩種充電方式，便攜式、壁掛式、落地式等多種類(lèi)型的充電樁，包含智能7kw/21kw交流充電樁，30kw直流充電樁，60kw/80kw/120kw/180kw直流一體式充電樁來(lái)滿(mǎn)足新能源汽車(chē)行業(yè)快速、經(jīng)濟、智能運營(yíng)管理的市場(chǎng)需求。實(shí)現對動(dòng)力電池快速、高效、安全、合理的電量補給，同時(shí)為提高公共充電樁的效率和實(shí)用性，具有有智能監測：充電樁智能控制器對充電樁具備測量、控制與保護的功能；智能計量：輸出配置智能電能表，進(jìn)行充電計量，具備完善的通信功能；云平臺：具備連接云平臺的功能，可以實(shí)現實(shí)時(shí)監控，財務(wù)報表分析等等；遠程升級：具備完善的通訊功能，可遠程對設備軟件進(jìn)行升級；保護功能：具備防雷保護、過(guò)載保護、短路保護，漏電保護和接地保護等功能；適配車(chē)型：滿(mǎn)足國標充電接口，適配所有符合國標的電動(dòng)汽車(chē)，適應不同車(chē)型的不同功率。下面是具體產(chǎn)品的型號和技術(shù)參數。

5.2儲能產(chǎn)品

5.3監測、保護、治理的相關(guān)產(chǎn)品

六、應用案例

案例一：江陰某光儲充微電網(wǎng)項目

案例二：江陰某研究院微電網(wǎng)項目

七、結論

本文將考慮輔助市場(chǎng)的EV-配電網(wǎng)充放電調度問(wèn)題建模為 DRJCC模型,以平衡運營(yíng)成本和可靠性并克服經(jīng)典SO和RO的缺點(diǎn)。然后，基于OBA方法,將無(wú)法求解的聯(lián)合機會(huì )約束轉化為混合整數二次規劃模型求解,與BA方法不同的是,風(fēng)險等級也被視為決策變量進(jìn)行優(yōu)化,降低了模型的保守性。最后,通過(guò)算例驗證了模型平衡成本和風(fēng)險的有效性、對EV數量和更大電力系統的可擴展性。本文研究未考慮擬合得到的隨機變量概率分布與真實(shí)分布之間可能存在的偏差。未來(lái),將進(jìn)一步研究基于模糊概率分布的分布式魯棒優(yōu)化模型,并增加對光伏、風(fēng)電、負荷、EV充電行為等多維不確定因素之間的相關(guān)性研究。

參 考 文 獻：

[1] BLAABJERG F, WANG H, VERNICA I, et al. Reliability ofpower electronic systems for EV/HEV applications [I].Proceedings of the IEEE, 2021,109(6):1060-1076.

[2]裴振坤,王學(xué)梅,康龍云.電動(dòng)汽車(chē)參與電網(wǎng)輔助服務(wù)的控制策略綜述[J].電力系統自動(dòng)化,2023,47(18):17-32.

PEI Zhenkun, WANG Xuemei, KANG Longyun. Review oncontrol strategies for electric vehicles participating in ancillaryservices of power grid [I]. Automation of Electric PowerSystems,2023，47(18):17-32.

[3]吳巨愛(ài),薛禹勝,謝東亮.電動(dòng)汽車(chē)聚合商對備用服務(wù)能力的優(yōu)化[J].電力系統自動(dòng)化,2019,43(9):75-81.

WU Juai,XUE Yusheng,XIE Dongliang.Optimization ofreserve service capability made by electric vehicle aggregator[J].Automation of Electric Power Systems, 2019,43(9):75-81.

[4]方曉濤,嚴正,王晗,等.考慮“路-車(chē)-源-荷"多重不確定性的交通網(wǎng)與配電網(wǎng)概率聯(lián)合流分析[J1.電力系統自動(dòng)化,2022.46(12):76-87.

FANG Xiaotao, YAN Zheng,WANG Han, et al. Analysis onprobabilistic joint flow for transportation network and distributionnetwork considering multiple uncertainties of road-vehicle-source-load[J].Automation of Electric Power Systems, 2022,46(12):76-87.

[5]WANG ZF,JOCHEM P, FICHTNER W.A scenario-basedstochastic optimization model for charging scheduling of electricvehicles under uncertainties of vehicle availability and chargingdemand[J]. Journal of Cleaner Production, 2020,254:119886.

[6]許夢(mèng)瑤,艾小猛,方家琨,等.考慮用戶(hù)積極性的電動(dòng)汽車(chē)與機組聯(lián)合調頻的兩階段隨機優(yōu)化調度模型[J1.電網(wǎng)技術(shù),2022,46(6):2033-2041.

XU Mengyao, Al Xiaomeng, FANG Jiakun, et al. Two-stagestochastic optimal scheduling model for joint regulation of EV andthermal units considering users enthusiasm [J]. Power SystemTechnology,2022,46(6):2033-2041.

[7]CAO Y,HUANG L, LI Y Q, et al. Optimal scheduling ofelectric vehicles aggregator under market price uncertainty usingrobust optimization technique [J]. International Journal ofElectrical Power &, Energy Systems, 2020, 117: 105628.

[8]石錦凱,鮑諺,陳振,等.計及充電負荷不確定性的充電站儲能魯棒優(yōu)化配置方法[J].電力系統自動(dòng)化,2021,45(20):49-58.

SHI Jinkai, BAO Yan, CHEN Zhen, et al. Robust optimizationconfiguration method of energy storage for charging stationsconsidering charging load uncertainty[J]. Automation of ElectricPower Systems,2021,45(20):49-58.

[9]SABER H,RANIBAR H,EHSAN M,et al. Transactivecharging management of electric vehicles in office buildings: adistributionally robust chance-constrained approach [J].Sustainable Cities and Society, 2022,87: 104171.

[10]陳巖,靳偉,王文賓,等.基于電動(dòng)汽車(chē)分群的“風(fēng)-網(wǎng)-車(chē)"聯(lián)合消納調度策略[J].中國電力,2021,54(4):107-118.

CHEN Yan, JN Wei, WANG Wenbin, et al. Schedulingstrategy for “wind-network-vehicle" joint accommodation basedon electric vehicle clustering[J]. Electric Power, 2021, 54(4):107-118.

[11]LEMESKI A T,EBRAHIMI R,ZAKARIAZADEH A.Optimal decentralized coordinated operation of electric vehicleaggregators enabling vehicle to grid option using distributedalgorithm[J]. Journal of Energy Storage, 2022,54: 105213.

[12]CHEN LM,TANG HL,wU JK, et al. A robustoptimization framework for energy management of CCHP userswith integrated demand response in electricity market [J]International Journal of Electrical Power &, Energy Systems,2022，141:108181.

[13]RAYATI M，BOZORG M，CHERKAOUI R,et al.Distributionally robust chance constrained optimization forproviding flexibility in an active distribution network[J]. EEETransactions on Smart Grid,2022,13(4):2920-2934.

[14]NGUYEN H T, CHO D H. Decentralized distributionallyrobust coordination between distribution system and chargingstation operators in unbalanced distribution systems[J]. EEETransactions on Smart Grid, 2023,14(3):2164-2177.

[15]SHI XY,XU YL,GUo Q L,et al. Day-aheaddistributionally robust optimization-based schedulingfordistribution systems with electric vehicles [I]. IEEETransactions on Smart Grid,2023,14(4):2837-2850.

[16]文藝林,胡澤春,寧劍,等.基于分布魯棒機會(huì )約束的充電運營(yíng)商參與調峰市場(chǎng)投標策略[J1.電力系統自動(dòng)化,2022,46(7):23-32.

WEN Yilin, HU Zechun, NING Jian, et al. Bidding strategy ofcharging operator participating in peak regulation market basedon distributionally robust chance constraint[J]. Automation ofElectric Power Systems, 2022,46(7):23-32.

[17]XIE WJ, AHMED S,JANG R W. Optimized Bonferroniapproximations of distributionally robust joint chance constraints[J].Mathematical Programming: Series A and B, 2022, 191(1):79-112.

[18]YANG L,XU YL,SUN HB, et al. Tractable convexapproximations for distributionally robust joint chance-constrained optimal power flow under uncertainty [J. EEETransactions on Power Systems,2022,37(3):1927-1941.

[19]RAFIQUE S, NIZAMI M S H, IRSHAD U B, et al. A two-stage multi-objective stochastic optimization strategy tominimize cost for electric bus depot operators [J]. Journal ofCleaner Production,2022,332:129856.

[20]徐湘楚,米增強,詹澤偉,等.考慮多重不確定性的電動(dòng)汽車(chē)聚合商參與能量-調頻市場(chǎng)的魯棒優(yōu)化模型[J].電工技術(shù)學(xué)報,2023,38(3):793-805.

XU Xiangchu, MI Zengqiang, ZHAN Zewei, et al. A robustoptimization model for electric vehicle aggregator participation inenergy and frequency regulation markets considering multipleuncertainties Jl. Transactions of ChinaElectrotechnicalSociety,2023,38(3):793-805.

作者介紹：