計(jì)及電動(dòng)汽車需求差異的智能電網(wǎng)調(diào)度策略

史文龍，秦文萍，姚宏民，朱云杰，李家鈺

（電力系統(tǒng)運(yùn)行與控制山西省重點(diǎn)實(shí)驗(yàn)室（太原理工大學(xué)），山西省 太原市 030024）

0 引言

隨著人們對全球變暖和能源危機(jī)的日益關(guān)注，提高能源效率和大力發(fā)展可再生能源成為人們的共識，但我國部分地區(qū)出現(xiàn)嚴(yán)重的棄風(fēng)棄光問題[1]，給發(fā)電側(cè)的優(yōu)化調(diào)度帶來了巨大挑戰(zhàn)[2]。此外，對于人們不可或缺的交通需求，插電式電動(dòng)汽車(plug-in electric vehicles, PEV)提供了環(huán)保的選擇，PEV 的普及增加了這一領(lǐng)域研究的重要性[3-4]。PEV的優(yōu)點(diǎn)是能夠以充電的形式吸收可再生能源提供的多余電力[5]。同時(shí)，隨著電動(dòng)汽車與電網(wǎng)互動(dòng)(vehicle to grid, V2G)技術(shù)的發(fā)展，PEV 能夠開啟放電模式以在峰值期間向電網(wǎng)提供額外的功率[6]。PEV 通過V2G 技術(shù)不僅能夠降低區(qū)域智能電網(wǎng)的運(yùn)行成本，還能夠輔助電網(wǎng)提高對可再生能源的消納能力[7-10]?，F(xiàn)有文獻(xiàn)針對PEV 參與智能電網(wǎng)調(diào)度進(jìn)行了大量研究，可調(diào)度PEV 常用于大規(guī)模太陽能發(fā)電、參與調(diào)頻或調(diào)峰。文獻(xiàn)[11]將規(guī)?；疨EV 集中在一起，通過對其進(jìn)行集群式調(diào)度來優(yōu)化負(fù)荷曲線；文獻(xiàn)[12]考慮電動(dòng)汽車負(fù)荷和風(fēng)電出力的波動(dòng)性，建立了隨機(jī)經(jīng)濟(jì)調(diào)度模型來對PEV 進(jìn)行充放電調(diào)度；文獻(xiàn)[13] 利用V2G 技術(shù)反向供電，能夠?qū)崿F(xiàn)對電網(wǎng)負(fù)荷的削峰填谷；文獻(xiàn)[14]提出了規(guī)模化PEV 與儲能系統(tǒng)參與電網(wǎng)調(diào)度，確定了電動(dòng)汽車和儲能系統(tǒng)的調(diào)度優(yōu)先級；文獻(xiàn)[15]分析了電動(dòng)汽車的充電模式對傳統(tǒng)負(fù)荷曲線產(chǎn)生的影響。然而上述研究都沒有考慮PEV高低功率的調(diào)控差異性以及PEV 需求差異性對新能源消納及區(qū)域電網(wǎng)經(jīng)濟(jì)調(diào)度的影響。

為了靈活、可控地使用V2G 電源，本文將電動(dòng)汽車(Electric Vehicles, EV)聚合商(EV aggregator，EVA) 作為智能電網(wǎng)調(diào)度控制中心與用戶的中介[16]。EVA 考慮并網(wǎng)EV 需求差異，采取差異化的控制策略。EVA 可調(diào)度容量隨著PEV 的運(yùn)行狀態(tài)不斷波動(dòng)，因此，分析EVA 所控制容量的變化規(guī)律，并計(jì)算出可調(diào)度容量的大小是十分重要的。本文在計(jì)及PEV 需求差異下比較了不同出行需求情況的區(qū)域智能電網(wǎng)傳統(tǒng)機(jī)組的運(yùn)行成本和棄風(fēng)量、棄光量，仿真結(jié)果表明，智能電網(wǎng)調(diào)度高功率充電技術(shù)的PEV 比調(diào)度低功率V2G 技術(shù)的PEV 對于智能電網(wǎng)運(yùn)行成本更為經(jīng)濟(jì)，但是PEV 支付費(fèi)用略高。

1 模型設(shè)定

本文區(qū)域智能電網(wǎng)由風(fēng)電場、光伏電站、傳統(tǒng)負(fù)荷、傳統(tǒng)機(jī)組和一個(gè)可以對規(guī)?；疨EV 進(jìn)行有效調(diào)度的EVA5 部分組成，如圖1 所示。通過先進(jìn)的物聯(lián)網(wǎng)、通信技術(shù)將上述各部分聯(lián)系到一起，可調(diào)度PEV 作為可控單元加入到傳統(tǒng)發(fā)電機(jī)組組合優(yōu)化中，可有效消納可再生能源，提高智能電網(wǎng)運(yùn)行的經(jīng)濟(jì)性與穩(wěn)定性。

圖1 區(qū)域智能電網(wǎng)模型Fig. 1 The model for regional smart grid

2 區(qū)域智能電網(wǎng)模型

2.1 電動(dòng)汽車需求差異建模

用戶受到EVA 的激勵(lì)積極響應(yīng)其調(diào)度策略[17]，但用戶作為高度自主性個(gè)體，其并網(wǎng)需求最終仍取決于用戶的意愿。電動(dòng)物流車、電動(dòng)公交車、電動(dòng)出租車等公共服務(wù)類車輛和部分私家車的特點(diǎn)是平均每天行車時(shí)間相對較長，對充電速度和充電時(shí)間要求較高，不能參與電網(wǎng)互動(dòng)；大多數(shù)電動(dòng)私家車的特點(diǎn)是閑置狀態(tài)時(shí)間較長，每天行駛里程較短，有充足的時(shí)間和電池容量參與電網(wǎng)互動(dòng)。高功率電動(dòng)汽車充電樁充分滿足了消費(fèi)者使用的便利性以及電網(wǎng)調(diào)度的靈活性，同時(shí)高功率充電給電動(dòng)汽車帶來了一定的損耗，低功率電動(dòng)汽車充電樁投資成本較低，但是調(diào)度靈活性較差。本文將電動(dòng)汽車分為5 類：第1 類是無序充電PEV，第2 類是低功率可調(diào)度充電PEV，第3類是高功率可調(diào)度充電PEV，第4 類是低功率可調(diào)度充放電PEV，第5 類是高功率可調(diào)度充放電PEV。

5 類PEV 構(gòu)成的集合分別記為EV1, EV2, EV3,EV4, EV5集。實(shí)際場景中，PEV 并網(wǎng)即確定所屬集：電動(dòng)汽車用戶與EVA 互動(dòng)自主確定。EVA針對用戶差異化需求采用差異化計(jì)費(fèi)或激勵(lì)措施。

2.2 PEV 狀態(tài)矩陣

任意一輛PEV 在行駛結(jié)束時(shí)的狀態(tài)都可用一個(gè)一維矩陣來表示：

式中：L表示電動(dòng)汽車負(fù)荷類型；N表示電動(dòng)汽車充放電標(biāo)識，處于充電模式為1，放電模式為-1，其余時(shí)刻為0；Sn和Se分別表示PEV 停駛時(shí)的荷電狀態(tài)和離網(wǎng)時(shí)用戶期望的荷電狀態(tài)；T0和T1分別表示電動(dòng)汽車入網(wǎng)時(shí)間和用戶離網(wǎng)時(shí)刻。

2.2.1 無序充電PEV 模型

本文無序充電PEV 主要針對不參與電網(wǎng)調(diào)度的私家車。文獻(xiàn)[18]通過分析2009 年美國燃油私家車行駛數(shù)據(jù)，得出全美家用車輛日行駛里程和最后一次出行結(jié)束時(shí)間近似服從對數(shù)正態(tài)分布和Weibull 分布。本文做出假設(shè)如下：無序PEV剩余電量在20%—50%時(shí)才會充電，無序PEV充電完成時(shí)間設(shè)置為T1，無序充電PEV 離網(wǎng)期望電荷為Se。運(yùn)用蒙特卡洛方法對PEV 狀態(tài)矩陣中PEV 最后一次行駛結(jié)束時(shí)間和PEV 結(jié)束行駛時(shí)的荷電狀態(tài)等元素進(jìn)行抽取生成無序PEV 模型?？紤]到無序充電汽車對充電速度和充電時(shí)間要求較高，無序充電PEV 模型采用高功率版本。利用蒙特卡洛模擬方法計(jì)算無序PEV 充電負(fù)荷的算法流程圖見附圖A1。

2.2.2 可調(diào)度充電PEV 模型

對于大量電動(dòng)私家車而言，其閑置狀態(tài)時(shí)長遠(yuǎn)大于實(shí)際充電時(shí)長。如圖2 所示，通過在PEV停駛時(shí)長期間選取合適的充電時(shí)長實(shí)現(xiàn)用戶充電需求。

圖2 PEV 充電時(shí)間調(diào)度示意圖Fig. 2 Sketch map of dispatching of PEV charging time

通過可調(diào)度充電PEV 狀態(tài)矩陣可得可調(diào)度充電PEV 在t時(shí)刻的實(shí)際負(fù)荷，由此可預(yù)測可調(diào)度充電PEV 在下一時(shí)刻所能達(dá)到的最大負(fù)荷和最小負(fù)荷 ，如式(2)—(5)所示。

如圖4 所示，對于t+2 時(shí)刻電動(dòng)汽車負(fù)荷最大最小值的預(yù)測需要用到從t時(shí)刻預(yù)測出的t+1時(shí)刻 的 最大負(fù)荷和最小負(fù)荷，將處于最大負(fù)荷時(shí)所有電動(dòng)汽車的狀態(tài)矩陣和處于最小負(fù)荷時(shí)所有電動(dòng)汽車的狀態(tài)矩陣做公式(2)—(5)相同的計(jì)算。由此可以得到電動(dòng)汽車處在最大負(fù)荷狀態(tài)下，在下一時(shí)刻的最大負(fù)荷和最小負(fù)荷。同樣可以得到電動(dòng)汽車處在最小負(fù)荷狀態(tài)下，在下一時(shí)刻的最大負(fù)荷和 最小 負(fù) 荷。 下 一時(shí)刻t+2 可調(diào)度電動(dòng)汽車的最大負(fù)荷和最小 負(fù) 荷分 別為這4 個(gè)值中的最大值和最小值。之后所有時(shí)刻電動(dòng)汽車可調(diào)度容量范圍的預(yù)測都以此類推。文中按照功率模式將可調(diào)度充放電PEV 分為高功率可調(diào)度充放電PEV 和低功率可調(diào)度充放電PEV。可調(diào)度充電PEV 容量范圍預(yù)測流程圖參見附圖2。

圖3 可調(diào)度充電PEV 容量上下限示意圖Fig. 3 Sketch map of the top and bottom limitation of the schedulable charge PEV

圖4 電動(dòng)汽車可調(diào)度負(fù)荷上下限遞推示意圖Fig. 4 Sketch map of the recurrence of the top and bottom limitation of schedulable load

2.2.3 可調(diào)度充放電PEV 模型

一輛電動(dòng)汽車在可調(diào)度充放電過程中存在幾個(gè)關(guān)鍵時(shí)間節(jié)點(diǎn)，圖5 所示為可調(diào)度充放電PEV的SOC 時(shí)間節(jié)點(diǎn)圖。

圖5 電動(dòng)汽車調(diào)度時(shí)間節(jié)點(diǎn)示意圖Fig. 5 Sketch map of the schedulable time nodes of EV

tarrive表示PEV 接入電網(wǎng)時(shí)刻，此時(shí)PEV 的荷電狀態(tài)(State of Charge, SoC)為Qarrive，Tnow表示PEV 在接入電網(wǎng)的當(dāng)前時(shí)刻，此時(shí)PEV 的SoC狀 態(tài)為Qnow。 從Tarrive到Tnow是PEV 已 調(diào) 度 的 時(shí)間段，從tnow到Tleave為PEV 待調(diào)度的時(shí)間段。在PEV待調(diào)度期間，放電過程從Tnow一直持續(xù)到tlim，tlim為PEV 放電極限點(diǎn)，PEV 在tlim的 SoC 狀態(tài)為Qlim。從tlim到Tleave的這段時(shí)間為電動(dòng)汽車放電后需要充電的時(shí)段。相關(guān)參數(shù)計(jì)算如式(6)-(8)：

式中：Pc為PEV 充電功率；Pd為PEV 放電功率；Cs為PEV 放電功率；Pev,d為PEV 可調(diào)度放電容量；Pev,c為PEV 可調(diào)度充電容量。通過確定每輛PEV的可調(diào)度充放電容量，將其疊加到可調(diào)度放電容量曲線和充電容量曲線中，便可以得到規(guī)模化PEV 充放電容量調(diào)度范圍曲線。可調(diào)度充放電PEV 容量范圍預(yù)測流程圖參見附圖3。

3 智能電網(wǎng)多目標(biāo)優(yōu)化模型

3.1 子目標(biāo)函數(shù)

由于可再生能源具有不污染環(huán)境、經(jīng)濟(jì)性等點(diǎn)，在《可再生能源法》中已經(jīng)確定了對可再生能源全額上網(wǎng)的扶持政策[19]，文中區(qū)域智能電網(wǎng)在經(jīng)濟(jì)調(diào)度過程中不考慮風(fēng)電和光伏的出力成本，優(yōu)化目標(biāo)簡化為智能電網(wǎng)運(yùn)行成本最小和電動(dòng)汽車車主支付費(fèi)用最小的多目標(biāo)優(yōu)化調(diào)度模型。

3.1.1 智能電網(wǎng)運(yùn)行成本最小

將一天分為24 個(gè)時(shí)段，目標(biāo)函數(shù)計(jì)及常規(guī)機(jī)組的燃料成本、啟停成本、太陽能電站的棄光懲罰成本和風(fēng)電場的棄風(fēng)懲罰成本。日前調(diào)度目標(biāo)函數(shù)為:

式中：F1為智能電網(wǎng)在一個(gè)調(diào)度日內(nèi)的總運(yùn)行成本；T為優(yōu)化時(shí)段；Ng為機(jī)組數(shù)；為機(jī)組i在t時(shí)段的燃料成本函數(shù)；PtGi為機(jī)組i在t時(shí)段的發(fā)電功率；Iit為機(jī)組i在t時(shí)段的啟停狀態(tài)；Sti為機(jī)組i在t時(shí)段的啟停成本函數(shù)；kcw和kcp分別表示棄風(fēng)和棄光懲罰成本系數(shù)；Pcwt和Pcpt分別表示時(shí)段t的棄風(fēng)和棄光功率； αi、βi為機(jī)組i的啟動(dòng)耗量常數(shù)；τi為鍋爐的冷卻時(shí)間常數(shù)；xoifft為機(jī)組i在t時(shí)段持續(xù)停運(yùn)時(shí)間。在實(shí)際計(jì)算中，由于機(jī)組需要滿足最小停運(yùn)時(shí)間約束，因此，其啟動(dòng)耗量也常簡化為常數(shù)考慮。

3.1.2 電動(dòng)汽車車主支付費(fèi)用最小

目標(biāo)函數(shù)為：

式中：F2為電動(dòng)汽車車主在一個(gè)調(diào)度日內(nèi)支付的費(fèi)用；T為優(yōu)化時(shí)段；EV為電動(dòng)汽車類別；為第i類電動(dòng)汽車在t時(shí)段的充電功率；為第i類電動(dòng)汽車在t時(shí)段的放電功率； μc為電動(dòng)汽車在t時(shí)段的充電電價(jià)； μd為電動(dòng)汽車在t時(shí)段的放電電價(jià)；kev為電動(dòng)汽車的電池?fù)p耗成本系數(shù)。

3.1.3 基于模糊邏輯理論的多目標(biāo)函數(shù)處理

把多目標(biāo)函數(shù)F1和F2采用加權(quán)系數(shù)法轉(zhuǎn)化為單目標(biāo)函數(shù)，對子目標(biāo)函數(shù)值進(jìn)行規(guī)范化處理，采用線性加權(quán)法轉(zhuǎn)換后的單目標(biāo)優(yōu)化問題為：

式中： ω1和 ω2分別為兩個(gè)目標(biāo)函數(shù)的權(quán)重；F1和F1max為目標(biāo)函數(shù)1 的實(shí)際值和最大值；F2和F2max分別為目標(biāo)函數(shù)2 的實(shí)際值和最大值。

根據(jù)文獻(xiàn)[20-21]，當(dāng)智能電網(wǎng)運(yùn)行成本較小時(shí)，ω1可能取較小值；當(dāng)電動(dòng)汽車車主對電價(jià)波動(dòng)不敏感時(shí)，ω2可能取較小值。ω1和ω2是帶有主觀因素的模糊判斷。

3.2 約束條件

3.2.1 發(fā)電機(jī)組約束條件

風(fēng)電出力約束條件：

光伏出力約束條件：

常規(guī)機(jī)組出力約束條件：

啟停約束：

出力上下限約束：

爬坡約束：

3.2.2 負(fù)荷平衡約束條件

3.2.3 EVA 約束條件

式中： 分別為可調(diào)度充電容量上下限。

可調(diào)度充放電PEV 約束條件：

4 算例分析

4.1 算例描述

本文的算例分析暫未考慮光伏發(fā)電、風(fēng)力發(fā)電及負(fù)荷的不確定性對區(qū)域智能電網(wǎng)調(diào)度帶來的影響，本文采用10 機(jī)系統(tǒng)為例進(jìn)行分析和計(jì)算，10 機(jī)系統(tǒng)機(jī)組具體參數(shù)參見附表A1。其中傳統(tǒng)機(jī)組裝機(jī)容量1662 MW，在原有系統(tǒng)中增加100 MW風(fēng)電場10 座和120 MW 光伏電站10 座，風(fēng)電數(shù)據(jù)、光伏數(shù)據(jù)、常規(guī)負(fù)荷數(shù)據(jù)和30 萬輛EV1如圖6 所示。圖6 中可以看出，白天EV1負(fù)荷充電需求低迷，其中充電習(xí)慣集中在17:00-22:00，此時(shí)EV1充電功率需求導(dǎo)致“峰上加峰”，增加了社區(qū)微網(wǎng)安全穩(wěn)定運(yùn)行的壓力。

圖6 可再生能源出力曲線和負(fù)荷曲線Fig. 6 Output curve and load curve of renewable energy sources

本文設(shè)置區(qū)域各類PEV 基數(shù)分別為10 萬輛，可調(diào)度PEV 根據(jù)充電樁功率分為高低功率兩個(gè)版本。高功率版本，充放電功率Pc=Pd=7 kW,電池容 量為Cs=35 kWh；低功率版本Pc=Pd=3.5 kW，電池容量為Cs=35 kWh。計(jì)及運(yùn)營商服務(wù)費(fèi)的電動(dòng)汽車充放電電價(jià)如表1 所示[22]，本文規(guī)定電動(dòng)汽車僅在用電高峰期進(jìn)行放電。

4.2 算例場景

文中考慮到實(shí)際情況，為比較不同類型PEV以及不同功率版本的PEV 接入?yún)^(qū)域智能電網(wǎng)下的傳統(tǒng)機(jī)組運(yùn)行成本、風(fēng)電棄風(fēng)量和光伏棄光量，對以下四種電動(dòng)汽車接入模式進(jìn)行分析：

表1 具體電價(jià)參數(shù)設(shè)置Table 1 Parameter setting of concrete electricity price

模式1：30 萬輛EV1接入?yún)^(qū)域智能電網(wǎng)，考慮到無序電動(dòng)汽車一般對充電時(shí)間要求比較高，統(tǒng)一將無序充電PEV 設(shè)置為高功率版本；

模 式2：10 萬 輛EV1、10 萬 輛EV2和10 萬輛EV3接入?yún)^(qū)域智能電網(wǎng)；

模 式3：10 萬 輛EV1、10 萬 輛EV2和10 萬輛EV4接入?yún)^(qū)域智能電網(wǎng);

模 式4：10 萬 輛EV1、10 萬 輛EV3和10 萬輛EV5接入?yún)^(qū)域智能電網(wǎng)。

4.3 優(yōu)化結(jié)果分析

4.3.1 四種模式優(yōu)化結(jié)果對比分析

表2 為4 種模式下的2 個(gè)目標(biāo)成本比較以及棄風(fēng)棄光比較。目標(biāo)函數(shù)的權(quán)重系數(shù)根據(jù)實(shí)際調(diào)度需求進(jìn)行調(diào)節(jié)，目標(biāo)函數(shù)權(quán)重系數(shù)分別為0.5,0.5 時(shí)，優(yōu)化結(jié)果對比如下。

表2 4 種模式比較Table 2 Comparison of 4 modes

表2 中模式1 的智能電網(wǎng)運(yùn)行成本、棄風(fēng)量、棄光量和電動(dòng)汽車車主支付費(fèi)用遠(yuǎn)高于其他3 個(gè)模式的成本；模式2 的智能電網(wǎng)運(yùn)行成本比模式3 減少了3.46 萬元，但是電動(dòng)汽車車主支付費(fèi)用比模式3 高出8.22 萬元；模式2 的棄風(fēng)量比模式1 降低了78.42%，比模式3 降低了1.45%；模式2 的棄光量比模式1 降低了76.87%，比模式3 降低了23.78%；模式4 的智能電網(wǎng)運(yùn)行成本、棄風(fēng)量、棄光量和電動(dòng)汽車車主支付費(fèi)用與模式2 和模式1 相比，智能電網(wǎng)運(yùn)行成本分別降低了60.79%和1.7%，棄風(fēng)量分別降低了79.27%和4.65%，棄光量分別降低了77.36%和2.12%?？梢钥闯觯吖β士烧{(diào)度充放電汽車這種既可以充電又可以向電網(wǎng)放電的電動(dòng)汽車可以使得智能電網(wǎng)運(yùn)行成本和汽車車主支付費(fèi)用都達(dá)到最小值，同時(shí)極大地消納了可再生能源。這是由于電動(dòng)汽車在進(jìn)行轉(zhuǎn)移充電時(shí)段的同時(shí)還在負(fù)荷高峰期間對電網(wǎng)進(jìn)行了反向放電，而且反向放電可以使得電動(dòng)汽車車主降低一部分成本。模式2 在沒有采用V2G 技術(shù)的情況下，各項(xiàng)指標(biāo)均優(yōu)于模式3，接近于模式4?？梢钥闯?，在不考慮高功率建設(shè)成本的情況下高功率可調(diào)度充電電動(dòng)汽車在智能電網(wǎng)調(diào)度過程中調(diào)度成本要優(yōu)于低功率V2G 電動(dòng)汽車。

4.3.2 模式4 優(yōu)化結(jié)果分析

模式4 的智能電網(wǎng)運(yùn)行成本和用戶支付費(fèi)用均為最低。表3 為不同權(quán)重時(shí)模式4 優(yōu)化結(jié)果分析。由表3 可知，相較于ω1=ω2=0.5，當(dāng)ω1(智能電網(wǎng)運(yùn)行成本)取值較大時(shí)，用戶的成本稍微增加，但是系統(tǒng)運(yùn)行成本降低；當(dāng)ω2(電動(dòng)汽車車主支付費(fèi)用)取值較大時(shí)，智能電網(wǎng)運(yùn)行成本增加，同時(shí)棄光、棄風(fēng)量增加。

表3 不同權(quán)重時(shí)各目標(biāo)函數(shù)優(yōu)化數(shù)值Table 3 Optimized numerical values of objective functions under different weights

圖7 和圖8 分別為模式4 的高功率可調(diào)度充電電動(dòng)汽車調(diào)度結(jié)果和模式4 的高功率可調(diào)度充放電電動(dòng)汽車調(diào)度結(jié)果。從圖7 和圖8 中可以看出，模式4 中的可調(diào)度電動(dòng)汽車有效避開了10:00-14:00 和18:00-20:00 的傳統(tǒng)負(fù)荷高峰，也有效避開了無序充電電動(dòng)汽車負(fù)荷高峰。模式4 中的可調(diào)度充放電電動(dòng)汽車在避開負(fù)荷高峰的同時(shí)，還在10:00-15:00 和18:00-21:00 的傳統(tǒng)負(fù)荷的用電高峰階段對電網(wǎng)進(jìn)行了放電，在15:00-18:00 的負(fù)荷低谷未進(jìn)行放電，對電網(wǎng)削峰填谷產(chǎn)生了積極作用。對比模式3 中的可調(diào)度電動(dòng)汽車，高功率可調(diào)度充放電電動(dòng)汽車響應(yīng)速度更加積極，在傳統(tǒng)負(fù)荷低谷階段的充電負(fù)荷較高，有效增強(qiáng)了電網(wǎng)的穩(wěn)定性。

圖7 模式4 高功率充電汽車調(diào)度結(jié)果Fig. 7 Dispatching results of mode 4 under high power charge EV

圖8 模式4 高功率充放電汽車調(diào)度結(jié)果Fig. 8 Dispatching results of high-power chargingdischarging EV under mode 4

圖9和圖10 分別為模式4 棄風(fēng)率和棄光率。從圖9 和圖10 中可以看出，對比模式1、模式4的棄風(fēng)率和棄光率大大降低。模式1 在6:00-24:00 均存在大量棄風(fēng)現(xiàn)象，模式4 由于可調(diào)度電動(dòng)汽車在6:00-11:00 靈活性較差，在該時(shí)段存在少量棄風(fēng)現(xiàn)象。模式1 在6:00-15:00 棄光現(xiàn)象嚴(yán)重，模式4 在8:00-13:00 存在少量棄光現(xiàn)象。

圖9 模式4 棄風(fēng)率Fig. 9 Wind curtailment rate under mode 4

圖10 模式4 棄光率Fig. 10 Curtailment rate of PV output under mode 4

5 結(jié)論

1）基于區(qū)域內(nèi)傳統(tǒng)負(fù)荷和無序電動(dòng)汽車負(fù)荷特性，通過挖掘可調(diào)度電動(dòng)汽車和火電機(jī)組靈活性，對智能電網(wǎng)源-荷進(jìn)行有效優(yōu)化，大幅提高了可再生能源利用率。分時(shí)電價(jià)下的可調(diào)度PEV參與區(qū)域智能電網(wǎng)調(diào)度可以有效降低智能電網(wǎng)運(yùn)行成本和電動(dòng)汽車車主支付費(fèi)用。

2）從智能電網(wǎng)成本的角度出發(fā)，高功率可調(diào)度充電PEV 參與區(qū)域智能電網(wǎng)調(diào)度比低功率可調(diào)度充放電PEV 更加經(jīng)濟(jì)；從電動(dòng)汽車車主支付費(fèi)用的角度出發(fā)，可調(diào)度充放電PEV 參與智能電網(wǎng)經(jīng)濟(jì)調(diào)度的過程中比高功率可調(diào)度充電PEV 支付費(fèi)用更低。同時(shí)考慮智能電網(wǎng)運(yùn)行成本與電動(dòng)汽車用戶支付費(fèi)用，如何使二者達(dá)到綜合最優(yōu)受目標(biāo)函數(shù)權(quán)重的影響很大。高功率可調(diào)度充放電PEV 在區(qū)域智能電網(wǎng)調(diào)度過程中優(yōu)勢最為顯著，在實(shí)際中可優(yōu)先考慮對高功率版本的可調(diào)度充放電PEV 進(jìn)行調(diào)度。

3）研究多目標(biāo)優(yōu)化控制策略權(quán)重的動(dòng)態(tài)變化對調(diào)度結(jié)果的影響和如何合理地挖掘電動(dòng)汽車調(diào)度靈活性是值得進(jìn)一步探討的問題。

（本刊附錄請見網(wǎng)絡(luò)版，印刷版略）

附錄 A

附圖 A1 PEV 無序充電負(fù)荷預(yù)測流程圖Fig. A1 Flow chart of unordered charge load forecasting of PEV

附圖 A2 可調(diào)度PEV 負(fù)荷建模流程Fig. A2 Load modeling process for schedulable PEV

附圖 A3 可調(diào)度充放電PEV 預(yù)測流程Fig. A3 Forecasting process of schedulable charge-discharge PEV

附表 A1 10 機(jī)系統(tǒng)機(jī)組參數(shù)Table A1 Unit parameters of 10 machine system