價格與激勵聯(lián)合需求響應下電動汽車長時間尺度充放電調(diào)度

侯 慧，唐俊一，王逸凡，夏曉榮，王 飛，胡鵬飛

（1. 武漢理工大學自動化學院,湖北省武漢市 430070；2. 武漢理工大學深圳研究院,廣東省深圳市 518000；3. 國網(wǎng)荊門供電公司,湖北省荊門市 448000）

0 引言

隨著交通電氣化及“碳達峰、碳中和”等目標的提出,居民、商用等交通出行需求逐漸過渡到由各種電氣化交通工具完成,給電力系統(tǒng)帶來更大挑戰(zhàn)［1］。在充電基礎設施尚未完善的情況下［2］,有必要對電動汽車進行優(yōu)化調(diào)度,降低電動汽車接入對電網(wǎng)的影響［3］。

近年來,電動汽車優(yōu)化調(diào)度策略得到了許多研究者的關注。需求響應被廣泛用于調(diào)度方實施引導調(diào)度策略［4］,按照響應規(guī)則可分為價格型需求響應與激勵型需求響應［5］。在價格型需求響應方面,文獻［6］基于分時電價提出了一種電動汽車在線充電調(diào)度策略；文獻［7］描述了現(xiàn)行電動汽車充放電定價的分類依據(jù),從多個角度解析了電動汽車有序充放電定價模型；文獻［8-9］在實時電價的基礎上,分別針對光伏輔助充電站內(nèi)充電過程及電動汽車與電網(wǎng)互動（vehicle to grid,V2G）過程進行優(yōu)化,有效提高了策略效益。在激勵型需求響應方面,文獻［10］為車聯(lián)網(wǎng)開發(fā)了一個分布式、隱私保護和激勵兼容的需求響應機制；文獻［11］應用激勵型需求響應,提出了一種兼顧電網(wǎng)、電動汽車聚合商與車主等三方利益的多目標分布式優(yōu)化模型；文獻［12］提出了一種新的安全電力交易及激勵合同模型,基于收益回報的激勵合同能夠促進電動汽車之間的良性互動。然而,上述文獻大多僅考慮了單一類型的需求響應,且常常忽略了電動汽車用戶對于需求響應措施的意愿與選擇,導致對電動汽車調(diào)度程度不夠或假設過強等情況。

電動汽車接受調(diào)度的時間尺度也是影響需求響應效果的關鍵因素之一［13］。現(xiàn)有研究多側(cè)重于短時間尺度調(diào)度問題,如出行途中1 h 或停留期間若干小時［14］。文獻［15］提出一種有序充電控制方法,控制當日傍晚至次日早上時段電動汽車充電負荷進行移峰填谷。文獻［16］提出使用不同充電方式給當日停留電動汽車充電以轉(zhuǎn)移充電負荷。盡管上述研究的短時間尺度優(yōu)化效果顯著,但有可能由于短時間局部優(yōu)化而造成長時間尺度效益惡化。

此外,為保證電動汽車用戶對調(diào)度策略的響應,需要考慮調(diào)度策略對電動汽車用戶綜合效益的影響［17］。文獻［18］量化了電動汽車電池損耗成本,并最小化包含電池損耗成本在內(nèi)的經(jīng)濟成本。文獻［19］在電池損耗成本基礎上,研究了電動汽車用戶參與V2G 的成本效益。除經(jīng)濟成本外,部分文獻考慮了電動汽車用戶對出行方面的滿意度。文獻［20］量化了電動汽車用戶的經(jīng)濟滿意度與舒適滿意度。文獻［21］建立了包含電動汽車用戶出行便利度及充放電經(jīng)濟度的綜合滿意度模型。但上述文獻對電動汽車用戶的里程焦慮等心理效應考慮較少［22-23］。

針對當前研究存在的不足,本文首先構(gòu)建了結(jié)合價格型與激勵型需求響應的聯(lián)合需求響應措施,以這兩類需求響應對電動汽車進行分群,并針對不同電動汽車群分別進行長時間尺度優(yōu)化。其次,以電動汽車聚合商凈收益最大及負荷波動最小為目標建立電動汽車聚合商優(yōu)化調(diào)度模型,以電動汽車調(diào)度成本最小及心理效應最小為目標建立電動汽車長時間尺度調(diào)度模型。最后,以100 輛電動汽車為例的仿真結(jié)果表明,所提調(diào)度策略能在長時間宏觀尺度上有效提高電動汽車聚合商凈收益,同時減小負荷波動及降低電動汽車調(diào)度成本。

1 電動汽車充放電調(diào)度總體框架

多數(shù)情況下,電動汽車在一日出行結(jié)束后,仍能支持后續(xù)出行,可選擇隔日充電,本文將此場景稱為長時間尺度下的電動汽車調(diào)度問題［13］。在長時間尺度下,本文所提價格與激勵聯(lián)合需求響應下電動汽車充放電調(diào)度策略總體框架如圖1 所示。

圖1 電動汽車充放電調(diào)度策略總體框架Fig.1 Overall framework of charging and discharging scheduling strategy for electric vehicles

首先,輸入電動汽車相關參數(shù),包括電動汽車電池參數(shù)、電動汽車出行時間參數(shù)、電動汽車聚合商需求響應參數(shù)等。其次,在電動汽車每日調(diào)度中,當前調(diào)度日電動汽車會根據(jù)前一日電動汽車充放電過程,以及價格型與激勵型需求響應信息,選擇對其更優(yōu)的需求響應方式。當電動汽車選擇價格型需求響應時,由電動汽車車載優(yōu)化器對充放電過程進行調(diào)度優(yōu)化［24］,確定其調(diào)度成本與心理效應；當電動汽車選擇激勵型需求響應時,首先需確定充放電成本與獨立電價補償?shù)?再由電動汽車聚合商完成集中式調(diào)度,確定其調(diào)度成本與心理效應。

在若干電動汽車確定其需求響應策略后,便匯集至電動汽車聚合商處,由電動汽車聚合商完成調(diào)度。其中,由于參與價格型需求響應的電動汽車群已由車載優(yōu)化器完成充放電調(diào)度,電動汽車聚合商僅匯集其充電負荷與充電收益；而參與激勵型需求響應的電動汽車群,則以電動汽車聚合商凈收益最大及負荷波動最小為目標接受電動汽車聚合商集中式調(diào)度,完成充放電過程。

當前調(diào)度日電動汽車均已完成調(diào)度后,調(diào)度時序便轉(zhuǎn)移至下一調(diào)度日,且當前調(diào)度日電動汽車充放電過程會對下一調(diào)度日電動汽車需求響應方式的選擇產(chǎn)生影響。

最后,在長時間尺度下,以電動汽車總調(diào)度成本及總心理效應最小為目標對整個調(diào)度周期內(nèi)電動汽車充放電過程進行優(yōu)化,輸出電動汽車聚合商與電動汽車協(xié)同優(yōu)化結(jié)果。

2 價格與激勵聯(lián)合需求響應

本文考慮的聯(lián)合需求響應結(jié)合了價格型與激勵型兩種響應方式。其中,價格型需求響應為分時電價,激勵型需求響應措施包括激勵折扣優(yōu)惠及獨立電價補償［25］。

1）激勵折扣優(yōu)惠是指參與激勵型需求響應的電動汽車會享受到一定程度的折扣優(yōu)惠。

式中:Cds為參與激勵型需求響應電動汽車需要支付的充電費用；t為時段編號；P(t)為參與激勵型需求響應電動汽車的充電功率；ηc為電動汽車充電系數(shù)；Δt為調(diào)度時段長度；r(t)為充電分時電價；φ為激勵折扣；i為電動汽車編號；Ei,st為第i輛參與激勵型需求響應電動汽車的初始電量；Edep為參與激勵型需求響應電動汽車用戶調(diào)度完成離開時需要達到的電量；C為電動汽車電池容量；Sdep為參與激勵型需求響應電動汽車用戶調(diào)度完成離開時需要達到的荷電狀態(tài)（state of charge,SOC）。

2）獨立電價補償是指在獨立于充電電價的基礎上,對參與激勵型需求響應電動汽車的某些特性進行補償。由于電動汽車參與調(diào)度的主要因素包括電量與時間等,故本文考慮的獨立電價補償主要分為對可調(diào)度電量的補償及對可調(diào)度時間的補償。當電動汽車可調(diào)度電量與可調(diào)度時間超過補償閾值時,即對其進行補償。

式中:SAl為參與激勵型需求響應電動汽車的獨立電價補償；s1為電量補償系數(shù)；Si,st為第i輛參與激勵型需求響應電動汽車的初始SOC；Sset為電動汽車聚合商設定的SOC 補償閾值；s2為時間補償系數(shù)；Ti,st為第i輛參與激勵型需求響應電動汽車的可調(diào)度時間長度；Tset為電動汽車聚合商設定的時間補償閾值。

3 電動汽車長時間尺度充放電調(diào)度模型

在每一調(diào)度日,由電動汽車聚合商根據(jù)調(diào)度模型對參與激勵型需求響應電動汽車充放電過程進行調(diào)度；由電動汽車車載優(yōu)化器對參與價格型需求響應電動汽車充放電過程進行調(diào)度。最后,由電動汽車長時間尺度調(diào)度模型對整個調(diào)度周期內(nèi)電動汽車充放電過程進行優(yōu)化,從而實現(xiàn)長時間尺度的效益協(xié)同優(yōu)化。

3.1 電動汽車聚合商調(diào)度模型

電動汽車聚合商調(diào)度模型的調(diào)度對象為參與激勵型需求響應的電動汽車群,目標為最大化電動汽車聚合商凈收益及最小化負荷波動。

式中:ΔSl(t)為第l天開始調(diào)度時刻至t時段的SOC變化量；t(l)in為第l天電動汽車調(diào)度開始時刻；k為充

3.2 電動汽車長時間尺度調(diào)度模型

電動汽車在不同調(diào)度日內(nèi)可以選擇不同的需求響應,以長時間尺度內(nèi)電動汽車調(diào)度成本及心理效應最小為目標建立電動汽車長時間尺度調(diào)度模型。

3.3 求解方法

對于電動汽車聚合商調(diào)度模型和電動汽車長時間尺度調(diào)度模型的多目標求解問題,采用非支配排序 遺 傳 算 法（non-dominated sorting genetic algorithm-Ⅱ,NSGA-Ⅱ）進行求解［27］。NSGA-Ⅱ具有優(yōu)良的搜索能力,其帕累托解的多樣性也能得到保證,適用于多目標問題求解。與其他啟發(fā)式算法（如多目標粒子群優(yōu)化算法）相比,NSGA-Ⅱ具有更優(yōu)異的搜索能力,可以拓展采樣空間,有效保證最佳個體的遺傳,保證帕累托解的多樣性。

4 仿真分析

4.1 參數(shù)及場景設置

首先,通過蒙特卡洛法模擬生成100 輛電動汽車出行里程數(shù)據(jù)。調(diào)度時間長度假設為一個工作日周期,即5 d。假設100 輛電動汽車開始調(diào)度時刻服從正態(tài)分布,行駛里程服從對數(shù)正態(tài)分布［28］。生成的電動汽車開始調(diào)度時刻分布如附錄A 圖A1 所示,里程分布如圖A2 所示。以15 min 為一個調(diào)度時段,不足一個調(diào)度時段的不計在內(nèi)。

本文以電動汽車充放電分時電價以及折扣優(yōu)惠與獨立電價補償作為電動汽車聚合商調(diào)度電動汽車的引導措施,其中電動汽車充放電分時電價及電動汽車聚合商向電網(wǎng)購售電分時電價［11］如附錄A 表A1 所示。表中,假設電動汽車聚合商與電動汽車的售電/放電電價與購電/充電電價相同。電動汽車聚合商激勵折扣優(yōu)惠及獨立電價補償相關參數(shù)如表A2 所示。當電動汽車用戶參與激勵型需求響應時,電動汽車聚合商承諾調(diào)度結(jié)束時SOC 為0.75 及以上。

設置4 種調(diào)度場景來對比驗證本文所提策略的有效性:

1）無序充電場景,即不考慮電動汽車聚合商的引導作用,電動汽車在接入電網(wǎng)時立即進行充電,不對其充放電過程進行優(yōu)化；

2）有序充電場景,即不考慮電動汽車聚合商的激勵型需求響應,電動汽車僅在價格型需求響應的引導下向低電價時段轉(zhuǎn)移充電負荷,不考慮放電操作；

3）長時間尺度場景,即不考慮電動汽車聚合商的激勵型需求響應,電動汽車僅在價格型需求響應的引導下,以長時間尺度調(diào)度成本及心理效應為優(yōu)化目標進行充放電優(yōu)化；

4）協(xié)同優(yōu)化場景,即同時考慮價格型需求響應與激勵型需求響應,在兩種需求響應的引導下,以電動汽車聚合商凈收益與負荷波動,以及電動汽車長時間尺度調(diào)度成本與心理效應為優(yōu)化目標進行充放電協(xié)同優(yōu)化。

4.2 場景對比分析

本文策略涉及電動汽車聚合商及電動汽車雙方,因此,場景對比分析的指標主要為電動汽車聚合商凈收益與負荷波動,以及電動汽車調(diào)度成本與心理效應。4 種場景下的電動汽車聚合商凈收益如圖2 所示。

圖2 4 種場景下的電動汽車聚合商凈收益Fig.2 Net profit of electric vehicle aggregator in 4 scenarios

由圖2 可知,4 種場景中協(xié)同優(yōu)化場景的電動汽車聚合商凈收益在整個調(diào)度周期內(nèi)最高,共901.14 元,較凈收益次高場景提高了92.06%。此外,協(xié)同優(yōu)化場景與長時間尺度場景在第5 調(diào)度日的凈收益均低于無序充電場景及有序充電場景。其原因在于,第5 調(diào)度日內(nèi)電動汽車放電操作較多。為鼓勵電動汽車放電以減少峰時段負荷,電動汽車聚合商向電動汽車購電電價比向電網(wǎng)售電電價高0.2 元/（kW·h）,因此電動汽車聚合商凈收益較低,甚至出現(xiàn)虧損。但在整個調(diào)度周期內(nèi),電動汽車聚合商的凈收益仍能得到保障。

4 種場景下的電動汽車聚合商負荷波動如附錄A 圖A3 所示。由圖A3 可知,4 種場景中協(xié)同優(yōu)化場景電動汽車聚合商負荷波動在整個調(diào)度周期內(nèi)最低,且在每個調(diào)度日內(nèi)均保持最低。其原因在于,協(xié)同優(yōu)化場景采用了激勵型需求響應,當電動汽車選擇激勵型需求響應時,電動汽車聚合商有權(quán)調(diào)度這些電動汽車進行充放電以優(yōu)化負荷波動。而在其他3 種場景下,電動汽車僅接受分時電價的引導,電動汽車聚合商無法直接調(diào)度這些電動汽車進行負荷波動優(yōu)化。

4 種場景下的電動汽車總調(diào)度成本如附錄A 圖A4 所示。由圖A4 可知,由于長時間尺度與協(xié)同優(yōu)化場景中電動汽車可進行放電操作,電動汽車總調(diào)度成本明顯低于無序充電與有序充電場景。其中,長時間尺度場景中的電動汽車總調(diào)度成本為860.08元,比無序充電場景降低了148.78%,比有序充電場景降低了114.65%。而協(xié)同優(yōu)化場景中,電動汽車用戶可選擇對其更優(yōu)的需求響應方式,故其總調(diào)度成本更低,比長時間尺度場景降低了153.51%。顯然在調(diào)度成本方面,協(xié)同優(yōu)化場景對電動汽車用戶更有利。

4 種場景下的電動汽車用戶平均心理效應如附錄A 圖A5 所示。由圖A5 可知,長時間尺度與協(xié)同優(yōu)化場景的電動汽車用戶平均心理效應均大于無序充電與有序充電場景。其原因在于,無序充電場景與有序充電場景設定電動汽車充電至接近滿狀態(tài),因此電動汽車用戶心理效應極低。對于長時間尺度與協(xié)同優(yōu)化場景,除第5 調(diào)度日外,其他4 個調(diào)度日的電動汽車用戶平均心理效應均低于0.2。而第5調(diào)度日由于電動汽車放電操作較多,導致用戶心理效應較高。

選擇某典型日電動汽車充放電過程展示4 種場景調(diào)度的區(qū)別。該典型日電動汽車接入時刻為20:46,離開時刻為次日08:18,調(diào)度區(qū)間為21:00—次日08:15,行駛里程為33.97 km［28］。4 種場景下的電動汽車充放電過程如附錄A 圖A6 所示。由圖A6可知,該電動汽車在無序充電、有序充電、長時間尺度場景中均僅進行充電操作,而協(xié)同優(yōu)化場景中電動汽車聚合商控制該電動汽車在21:00—23:00 平時段進行放電,在23:00—次日07:00 谷時段進行充電,在次日07:00—10:00 平時段繼續(xù)放電,以追求效益最大化,同時也能滿足電動汽車充電需求。長時間尺度場景未進行放電操作的原因在于電動汽車平時段放電獲得的收益并不高,出于宏觀優(yōu)化的考慮,電動汽車在該調(diào)度日充電、在后續(xù)調(diào)度日的峰時段放電更合理。

4.3 電動汽車聚合商效益分析

長時間尺度與協(xié)同優(yōu)化場景中,電動汽車存在放電操作,會對電動汽車聚合商效益造成較大影響。本節(jié)對長時間尺度與協(xié)同優(yōu)化場景中的電動汽車聚合商效益進行分析。兩種場景中的電動汽車聚合商收入、成本、凈收益如圖3 所示。

由圖3 可知,協(xié)同優(yōu)化場景中電動汽車聚合商向電網(wǎng)購電成本低于長時間尺度場景,且電動汽車聚合商向電網(wǎng)購電成本均為負值,說明其向電網(wǎng)售電獲得的收益高于向電網(wǎng)購電的支出。盡管長時間尺度場景中電動汽車聚合商的收入在某些調(diào)度日高于協(xié)同優(yōu)化場景,但協(xié)同優(yōu)化場景電動汽車聚合商凈收益還是比長時間尺度場景高出107.06%。

圖3 電動汽車聚合商效益對比Fig.3 Profit comparison of electric vehicle aggregator

以長時間尺度與協(xié)同優(yōu)化場景中電動汽車聚合商第1 調(diào)度日與第2 調(diào)度日向電網(wǎng)購售電曲線為例,分析電動汽車聚合商的調(diào)度過程。電動汽車聚合商第1 調(diào)度日與第2 調(diào)度日向電網(wǎng)購售電曲線分別如附錄A 圖A7、圖A8 所示。由圖A7 與圖A8 可知,協(xié)同優(yōu)化場景中電動汽車聚合商會更多地在峰、平時段進行放電操作,在谷時段進行充電操作以降低向電網(wǎng)購電支出并提高向電網(wǎng)售電收益。因此,協(xié)同優(yōu)化場景中電動汽車聚合商能夠獲得更大凈收益的原因在于其可調(diào)度的電動汽車數(shù)量更多,且可以利用充放電時段間的電價差來降低購電支出并提高售電收益,以此提高凈收益。

4.4 靈敏度分析

在協(xié)同優(yōu)化場景中,激勵型需求響應涉及激勵折扣與獨立電價補償。因此,本節(jié)對激勵折扣與獨立電價補償相關參數(shù)進行靈敏度分析,以進一步優(yōu)化電動汽車聚合商與電動汽車的利益。

1）激勵折扣分析

假設電量補償系數(shù)為1 元,時間補償系數(shù)為0.1 元/h 且保持不變,將激勵折扣從0.50 降低至0.10,以0.05 為分析單位。不同激勵折扣下的電動汽車聚合商凈收益如圖4 所示。

圖4 不同激勵折扣下的電動汽車聚合商凈收益Fig.4 Net profit of electric vehicle aggregator with different incentive discounts

由圖4 可知,不同激勵折扣下,電動汽車聚合商凈收益并非隨著激勵折扣的降低而逐漸增大,而是出現(xiàn)了明顯的波峰。在激勵折扣從0.25 下降到0.20時,電動汽車聚合商凈收益達到最大。隨著激勵折扣的增加,電動汽車聚合商對電動汽車的吸引力增大,但激勵折扣的增加也降低了電動汽車聚合商收入,故電動汽車聚合商凈收益并沒有增加。而隨著激勵折扣的降低,電動汽車聚合商對電動汽車的吸引力降低,其可直接調(diào)度電動汽車減少,向電網(wǎng)購電成本增加,同樣使得凈收益降低。因此,在激勵折扣從0.25 下降到0.20 時,電動汽車聚合商在收入與向電網(wǎng)購電成本間達到平衡,凈收益最大。

不同激勵折扣下的電動汽車聚合商負荷波動如附錄A 圖A9 所示。由圖A9 可知,電動汽車聚合商負荷波動隨著激勵折扣的降低而逐漸增加,其原因在于隨著激勵折扣的降低,電動汽車聚合商可調(diào)度電動汽車數(shù)量減少,使得通過調(diào)度電動汽車來降低負荷波動的效果也隨之降低。

不同激勵折扣下的電動汽車總調(diào)度成本如附錄A 圖A10 所示。由圖A10 可知,隨著激勵折扣的降低,電動汽車總調(diào)度成本顯著增加,且每個調(diào)度日均隨之增加。例如,激勵折扣為0.10 時的總調(diào)度成本比激勵折扣為0.50 時的總調(diào)度成本增加了111.37%。但盡管如此,激勵折扣為0.10 時的總調(diào)度成本仍然比長時間尺度場景降低了37.25%,比有序充電場景降低了194.62%。

不同激勵折扣下的電動汽車用戶平均心理效應如附錄A 圖A11 所示。由圖A11 可知,隨著激勵折扣的降低,電動汽車用戶的心理效應實際上變化不大。第1 調(diào)度日至第4 調(diào)度日電動汽車用戶心理效應均保持在0.2 以下,對應的SOC 水平保持在0.75以上,能夠滿足大多數(shù)情況下的出行需求。而第5調(diào)度日電動汽車用戶心理效應較高的原因在于,該調(diào)度日大部分電動汽車選擇價格型需求響應進行放電操作以提高放電收益,只有少數(shù)選擇激勵型需求響應的電動汽車供電動汽車聚合商調(diào)度,使得這些電動汽車放電程度較大。

不同激勵折扣下參與激勵型需求響應電動汽車的數(shù)量如附錄A 圖A12 所示。由圖A12 可知,參與激勵型需求響應電動汽車的數(shù)量隨著激勵折扣的降低而減少,使得電動汽車聚合商可調(diào)度電動汽車數(shù)量減少,負荷波動增加。此外,參與激勵型需求響應電動汽車數(shù)量的減少也使得電動汽車聚合商向電網(wǎng)購電成本增加,盡管隨著激勵折扣的降低,電動汽車聚合商收入增加,但凈收益還是如圖4 所示,呈現(xiàn)出波峰的趨勢。

不同激勵折扣下調(diào)度時段為日間的激勵型需求響應電動汽車的數(shù)量如附錄A 圖A13 所示。由圖A13 可知,在激勵折扣優(yōu)惠與獨立電價補償?shù)奈?選擇參與激勵型需求響應電動汽車的數(shù)量較多。在每一調(diào)度日,隨著激勵折扣的降低,參與激勵型需求響應電動汽車的數(shù)量有所減少,但總數(shù)仍然較多,且調(diào)度時段為日間的電動汽車占比逐漸上升,說明存在一些調(diào)度時段為日間的電動汽車受激勵措施影響較小。對于這些電動汽車,即使激勵折扣降低至0.10,激勵型需求響應仍然優(yōu)于價格型需求響應。結(jié)合電動汽車出行時間可知,在參與調(diào)度的100 輛電動汽車中存在一些調(diào)度時段為日間且調(diào)度時間較短的電動汽車,由于沒有對參與激勵型需求響應的電動汽車設置要求,故接受其參與激勵型需求響應。對于電動汽車聚合商而言,這些電動汽車可調(diào)度時間短,調(diào)度價值較低。因此,如何提高電動汽車聚合商對可調(diào)度時間較長電動汽車的吸引力,同時降低對可調(diào)度時間較短電動汽車的吸引力,是本文下一步的研究方向。

2）補償參數(shù)分析

設置10 種不同補償方式,如附錄A 表A3 所示。不同激勵折扣下,各補償方式下的電動汽車聚合商凈收益如圖5 所示,圖中數(shù)據(jù)值為5 個調(diào)度日的平均值。

由圖5 可知,在不同補償方式與激勵折扣下,電動汽車聚合商的凈收益變化趨勢不同。對于激勵折扣較大的情況,如激勵折扣為0.50 或0.45 時,電動汽車聚合商的凈收益出現(xiàn)明顯的波峰,說明補償系數(shù)并不是越高越好,當電動汽車聚合商對電動汽車的吸引力達到一個極值后,繼續(xù)增加補償系數(shù)并不能增加參與調(diào)度電動汽車的數(shù)量,反而會使電動汽車聚合商部分讓利給電動汽車用戶,因此電動汽車聚合商凈收益呈現(xiàn)波峰的趨勢。但隨著激勵折扣的降低,如激勵折扣從0.25 下降到0.10 時,補償系數(shù)越高則電動汽車聚合商的凈收益越大,呈單調(diào)增長趨勢。

圖5 各補償方式下的電動汽車聚合商凈收益Fig.5 Net profit of electric vehicle aggregator with different compensation methods

不同激勵折扣下,各補償方式下的電動汽車聚合商負荷波動如附錄A 圖A14 所示。由圖A14 可知,不同補償方式下,電動汽車聚合商負荷波動隨補償系數(shù)的增加而下降,且激勵折扣越小下降幅度越大。出現(xiàn)這種情況的原因是隨著補償系數(shù)的增加,電動汽車聚合商對電動汽車的吸引力增大,可調(diào)度電動汽車數(shù)量增多,使得負荷波動降低。當激勵折扣較小時,增加補償系數(shù)對電動汽車的吸引效果比激勵折扣較大時更顯著。

不同激勵折扣下,各補償方式下的電動汽車總調(diào)度成本如附錄A 圖A15 所示。由圖A15 可知,不同補償方式下的電動汽車總調(diào)度成本隨補償系數(shù)的增加而顯著降低,且激勵折扣對調(diào)度成本的影響同樣顯著。隨著激勵折扣的降低,電動汽車總調(diào)度成本顯著增加。

不同激勵折扣下,各補償方式下的電動汽車用戶平均心理效應如附錄A 圖A16 所示。由圖A16可知,不同補償方式下的電動汽車用戶平均心理效應差別不大,均在0.20～0.24 之間。但隨著補償系數(shù)的增加,電動汽車用戶平均心理效應有著較為微弱的下降。

綜上所述,4 種調(diào)度場景中協(xié)同優(yōu)化場景對電動汽車聚合商和電動汽車最有利。通過對激勵型需求響應相關參數(shù)的靈敏度分析可知,電動汽車聚合商凈收益與負荷波動,以及電動汽車調(diào)度成本受激勵折扣與獨立電價補償影響較大,而電動汽車用戶心理效應受激勵折扣與獨立電價補償影響較小。

5 結(jié)語

本文提出了一種價格與激勵聯(lián)合需求響應下電動汽車長時間尺度充放電調(diào)度策略。首先,制定了考慮分時電價作為價格型需求響應,以及激勵折扣優(yōu)惠及獨立電價補償作為激勵型需求響應的聯(lián)合需求響應。其次,以聯(lián)合需求響應為調(diào)度手段,對電動汽車聚合商及電動汽車利益進行協(xié)同優(yōu)化,在電動汽車聚合商調(diào)度模型中,以電動汽車聚合商凈收益最大及負荷波動最小為目標,對電動汽車進行優(yōu)化調(diào)度；在電動汽車長時間尺度調(diào)度模型中,以電動汽車調(diào)度成本及心理效應最小為目標,對需求響應類型及電動汽車充放電過程進行優(yōu)化。仿真結(jié)果表明,本文所提調(diào)度策略能夠在長時間宏觀尺度上提升電動汽車聚合商凈收益,減小負荷波動以及降低電動汽車調(diào)度成本。對激勵型需求響應相關參數(shù)的靈敏度分析表明,電動汽車聚合商凈收益與負荷波動,以及電動汽車調(diào)度成本受激勵折扣與獨立電價補償影響較大,而電動汽車用戶心理效應受激勵折扣與獨立電價補償影響較小。

需要指出的是,本文在進行優(yōu)化調(diào)度時主要考慮了電動汽車與電動汽車聚合商的效益互動,對于電網(wǎng)側(cè)效益僅涉及負荷波動。因此,如何綜合考慮電動汽車-電動汽車聚合商-電網(wǎng)間的多方博弈將是下一步的研究重點。

本文研究得到深圳市科技計劃項目(JCYJ20210324131409026)及國網(wǎng)荊門供電公司項目(SGHBJM00FCJS2100782)資助，特此感謝！

附錄見本刊網(wǎng)絡版（http：//www.aeps-info.com/aeps/ch/index.aspx），掃英文摘要后二維碼可以閱讀網(wǎng)絡全文。