一种计及电动汽车群双重不确定性的社区备用服务决策方法

1.本发明涉及一种计及电动汽车群双重不确定性的社区备用服务决策方法，属于电力系统备用服务技术领域。


背景技术：

2.受新能源波动性、随机性等特性影响，未来新型电力系统将面临功角电压稳定、调控复杂等一系列挑战，对电力辅助服务提出更多、更快和更准要求。作为一种公共产品，电力辅助服务贡献是由电力系统各个环节受益，其引发的成本也应由电力市场各类主体共同承担。为鼓励辅助服务市场多元化发展，近年来国家级、地区级辅助服务市场文件政策密集出台，明确“建立电力用户参与承担辅助服务费用的机制，鼓励储能设施、电动汽车等第三方参与辅助服务市场”、要求“引入更多类型的市场主体，提高市场交易的竞争度与活跃度”，进一步丰富电力市场主体类型和提升辅助服务市场灵活性，深入促进资源合理优化配置。
3.当前，以住宅和商业建筑为主的社区已成为城市基本用能单元，拥有电动汽车(electricvehicle，ev)、电储能(electrical energy storage，ees)和智能家居等大量柔性资源，具有地理位置集中、需求时段规律、个体需求差异大和部分负荷随机性强等特点,是参与电网备用服务的天然主体。另一方面，以ev为代表的柔性资源具有主体多样、信用不一、单体容量小和行为随机等特点，可调时间或容量上均具有较大不确定性，聚合能力难以精确评估，备用服务品质无法保证。因此，急需开展计及电动汽车群双重不确定性的社区备用服务决策方法研究。


技术实现要素：

4.本发明的目的在于提供一种计及电动汽车群双重不确定性的社区备用服务决策方法，以解决现有技术以ev为代表的柔性资源具有主体多样、信用不一、单体容量小和行为随机等特点，可调时间或容量上均具有较大不确定性，聚合能力难以精确评估，备用服务品质无法保证的缺陷。
5.与现有技术相比，本发明所达到的有益效果：在电力辅助服务市场多元化发展，所提方法可以普遍应用于拥有电动汽车和电储能等大量柔性资源的社区，充分发挥社区在聚合管理分散、空闲的柔性资源的能力和优势，能够进一步丰富电力市场主体类型和提升辅助服务市场灵活性，深入促进资源合理优化配置，同时有助于建立社区参与备用服务的常态化交易体系。
附图说明
6.图1为根据本发明实施例提供的一种计及电动汽车群双重不确定性的社区备用服务决策方法的总体流程图；
7.图2为根据本发明实施例提供的一种计及电动汽车群双重不确定性的社区备用服
务决策方法中十类场景下12:00时刻ev群的soc数据；
8.图3为根据本发明实施例提供的一种计及电动汽车群双重不确定性的社区备用服务决策方法中十类场景下ev群响应率及其出力。
具体实施方式
9.为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。
10.如图1-图3所示，公开了本发明的目的是提供一种计及电动汽车群双重不确定性的社区备用服务决策方法，可以普遍应用于以住宅和商业建筑为主的社区，本发明建立了以收益最大为目标的社区备用服务决策模型，充分发挥社区在聚合管理分散、空闲的柔性资源的能力和优势，能够进一步丰富电力市场主体类型和提升辅助服务市场灵活性，深入促进资源合理优化配置，同时有助于建立社区参与备用服务的常态化交易体系。
11.实施例1：
12.本实施例中，阐述了应用本发明进行计及电动汽车双重不确定性的社区柔性资源备用服务决策。令备用市场周期为30天，备用时段为12:00-14:00，备用调用率σ为30％，仿真时段为15min。假设社区有1000辆ev(参数：容量为64kwh，最大充放电功率为10kw)和1000kwh储电池，考虑到ev持续提供备用的能力有限，为不失一般性，对ev单次连续运行时间设置定为1h，各类技术经济参数如表1所示。
13.表1
14.[0015][0016]
具体方法包括以下六个步骤：
[0017]
步骤1：提出以电动汽车群放电为主，储能为辅的社区备用服务架构和假设条件；
[0018]
作为备用市场和用户资源之间的中间商，社区将散落在用户侧的ev群和储能整合起来，对上与备用市场进行需求交互、市场竞价与调用服务，获得相应备用收益；对下与用户资源签订备用合约，通过激励机制聚合管理柔性资源支撑对上的备用服务。
[0019]
为社区在申报备用容量时，过高将面临备用惩罚风险，过低会带来柔性资源冗余或备用激励过高的支出风险。因此，社区应综合考虑资源需求和约束特性等一系列因素，通过合理优化对上申报容量和对下激励价格来实现经济最优。对社区参与备用服务有如下假设：
[0020]
1)社区柔性资源以不确定性电动汽车群和确定性储能为主，仅考虑社区参与上备用服务，按照月度申报备用容量。
[0021]
2)社区作为普通主体参与备用市场，按照备用市场规则出清和结算。考虑到合约时效性和可执行性，社区与柔性资源合约周期为月度。
[0022]
3)考虑到社区备用容量有限，对备用市场出清结果影响较小，将社区视为价格接受者参与备用市场，采用报量不报价形式。
[0023]
4)假设电动汽车群参数均相同，在提供备用服务期间控制权转交给社区，由社区统一调用。因电动汽车群群在线率、入网电量和响应率等不确定因素导致的聚合风险由社区承担。
[0024]
5)电费结算时电动汽车群和储能充电费用按照其入网电量与离网电量差值计算，即电动汽车群和储能不会因为提供备用服务产生新的电费支出，因放电带来的充电费用由社区承担。
[0025]
步骤2：基于所提备用服务架构，考虑响应意愿、运行特性和出行约束等多种因素，采用基础和调用备用激励相结合方式，设计了兼顾时间、物理和经济需求的电动汽车群月度备用合约机制。
[0026]
电动汽车群月度备用合约机制包括时间、物理和经济三类约束，时间约束主要是
指合约周期和备用时段约束；物理约束主要是指入网时间/离网时间、入网电量/离网期望电量、ev运行约束和ev调用约束；经济约束主要包括调用备用激励和基础备用激励约束，具体如下：
[0027]
1)合约周期m和备用时段[ts,te]
[0028]
考虑到合约时效性和可执行性，令社区与柔性资源合约周期为月，合约天数为m(m∈m)；备用时段是指备用开始时刻ts至备用结束时刻te。
[0029]
2)入网时间/离网时间
[0030]
为保证备用时段内第k(k∈k)辆ev具备调用能力，对其和进行约束，如式(1)所示。
[0031][0032]
式中：δt
gap
为社区设定的备用缓冲时间，确保该ev在备用时段内在线可调用，min。
[0033]
3)入网电量/离网期望电量
[0034]
ev参与备用时仍需满足用户出行需求，包括：
①
第k辆ev离网时刻其电量需大于等于离网期望电量
②
第k辆ev电量需始终大于等于保底电量以保障用户不定时用车需求；
③
为保证ev可调用性，第k辆ev入网电量需大于某一电量阈值，如式(2)所示。
[0035][0036]
式中：为ev最小入网电量阈值，kwh。
[0037]
4)ev运行约束
[0038]
ev应满足充放电功率、储电量等多个约束条件，如式(3)所示。
[0039][0040]
式中：和分别为t时刻第k辆ev的充电和放电功率，kw；和分别为ev的最大充电和放电功率，kw；σ
ev
为ev自放电率，％；η
ev,c
和η
ev,d
为ev充电效率和放电效率，kw；和分别为t时刻第k辆ev充电和放电状态变量，为0-1变量；δt为仿真时长，h；和分别为ev最小和最大储电量，kwh。
[0041]
5)ev调用约束
[0042]
为避免过多、频繁调用ev，对合约周期内ev调用行为进行规范，如式(4)所示：
[0043][0044]
式中：n
d,k
为第m天第k辆ev调用状态，1为被调用，0为未被调用；为合约周期内第k辆ev最大允许调用次数；为备用时段内第k辆ev最大允许调用持续时间，h；e
d,max
为ev允许的日最大放电量，kwh。式(7)中，第1个公式为ev累计调用次数约束；第2个公式是ev日调用持续时间约束；第3个公式是指备用时段内ev最多调用1次；第4个公式为ev日最大放电量约束。
[0045]
6)ev备用激励r
ev
[0046]
类比于电网侧备用市场
[4]
，ev备用激励r
ev
由基础备用激励r
ev,base
和调用备用激励r
ev,act
组成。
[0047][0048]
式中：是指社区为激励第k辆ev参与备用而给予的基础激励费用，按天计算，与第k辆ev是否被调用无关，如式(5)所示。
[0049][0050]
式中：γ
base
为基础激励价格，元/天；dk为第k辆ev提供的备用天数，天。
[0051]
第k辆ev调用备用激励是根据其实际调用程度而给予的激励费用，如式(7)所示。
[0052][0053]
式中：γ为调用激励价格，元/kwh。
[0054]
步骤3：建立ev群入网电量不确定性模型，输入ev群入网电量历史参数，设置目标场景数，采用场景分析法求解ev群入网电量场景集及其概率；
[0055]
具体到本实例中，步骤3细化为：
[0056]
场景生成。利用历史数据产生1000个场景，数据来源某省充电设施运行监测平台，数据时间为2020年7月15日-7月18日12:00-14:00，平台监测到的ev入网电量场景集合称为场景集w
*
；
[0057]
场景缩减。对ev入网电量场景集进行削减，合并相近场景后给出多个ev入网电量场景及相应概率，从而使得削减后典型场景集与原有场景集保持趋势一致。
[0058]
令场景集为10，场景缩减法后的ev群入网电量的10类典型场景集如表2所示，假设ev入网后平均在线充电时间为2小时，基于表2和第k辆ev调用备用激励计算公式，得出备用开始12:00时刻十类场景下ev群soc数值分布，如图2所示。
[0059]
表2
[0060][0061]
步骤4：建立ev群响应率不确定性模型，输入ev群响应率模型参数及范围，采用拉丁超采样法均匀抽样生成同一调用激励下ev群响应率数据；
[0062]
具体到本实例中，步骤4细化为：
[0063]
ev群响应率δβ(γ)不确定性计算公式为：δβ(γ)＝δβm(γ)+δβ
err
，式中，γ为激励水平；δβm(γ)为激励水平γ下ev群响应率均值，计算公式为：式中，δβ
up
,δβ
down
代表时段t响应率不确定性的上限和下限；δβ
err
为激励水平γ下ev群随机响应率，是一个随机变量，认为在[δβ
up
(λ)，δβ
down
(λ))]内服从均值为δβm(λ)的均匀分布。
[0064]
步骤5：基于步骤2、3和4，构建以收益最大为目标的社区备用服务决策模型；
[0065]
社区备用收益g的计算公式为：
[0066][0067]
式中，w为场景数；πw为第w类场景发生的标准化概率；为第w类场景下社区备用容量收益；为第w类场景下社区提供备用被实际调用的电能收益；为第w类场景下社区未满足备用容量而支付的惩罚成本；为第w类场景下社区支付ev群的备用激励成本；为第w类场景下ees备用成本。
[0068]
具体地，社区备用收益社区提供备用被实际调用的电能收益社区未满足备用容量而支付的惩罚成本社区支付ev群的备用激励成本ees备用成本的计算公式为：
[0069][0070]
式中：γr和γe分别为备用容量和电能市场价格；γc为非备用时段充电平均价格；γ
p
为未满足备用容量时惩罚价格；p
app
为社区申报的备用容量；tr为备用持续时间；d为合作周期，d∈d；μ
w,d
为第w类场景下第d天社区是否被调用，0-1变量，0为未调用，1为调用；ts为备用开始时刻；te为备用结束时刻；k为ev总数，k∈k；为第w类场景下第k辆ev第d天t时刻的放电功率；为第w类场景下第d天t时刻ees放电功率；为第w类场景下第d天t时刻社区备用缺额，该部分将折算成备用惩罚成本；r
ev
为ev备用激励；γ
ees
为运维单位成本；为备用开始时刻ess储存电量；为备用结束时刻ess储存电量。
[0071]
模型约束条件包括：
[0072]
1)备用平衡约束，由ev和ees协同运行提供备用容量p
app
，当社区容量不足时，剩余部分看作备用缺额。
[0073][0074]
2)最大备用缺额率约束
[0075][0076]
式中：θ
r,max
是备用市场允许的最大备用缺额，kw。
[0077]
3)ev群响应率约束，为避免过度响应，备用时段内ev群实际调用率应小于或等于可能最大响应率。
[0078][0079]
4)备用调用率约束，备用调用率σ是指以月为周期下社区参与备用市场的概率；该值为社区对备用市场的预判值。
[0080][0081]
步骤6：结合遗传算法与混合整数规划法求解社区备用服务决策模型，得到社区最优申报备用容量、电动汽车群激励价格、电动汽车群和储能放电策略。
[0082]
经优化，社区申报备用容量优化结果为2087.3kw，申报容量为2100kw，社区收益为6453.8元，ev群均响应率为34％，ev群均出力为1480.8kw，ees均出力为427.5kw，备用缺额
为191.7kw，备用缺额率为9.13％。十类场景下社区收益如表3所示，十类场景下ev群响应率及其出力如图3所示。
[0083]
表3
[0084][0085]
场景1/2下，所有evsoc不足50％，均未满足放电条件，此时ees负责放电，整体备用缺额为1672.5kw，考虑场景概率后场景1和2的社区收益分别为-347.6元和-695.3元。
[0086]
场景3下，大部分ev均可执行放电策略，但受最小保底电量限制，所有ev均不可持续放电1h，社区优化调用激励价格至0.3元/kwh，ev群响应率达到最大值50％，ees出力为427.5kw，ev群出力为529.9kw，备用缺额为1142.5kw，考虑场景概率后社区收益为-842.8元。
[0087]
场景4下，所有ev均可执行放电策略，80.5％ev可持续放电1h，调用激励价格为0.27元/kwh，响应率达到42％，ev群出力为1672.5kw，考虑场景概率后社区收益为1375.2元。
[0088]
场景5/6/7/8/9/10下，所有ev均可持续放电1h，此时ev群整体可调用潜力增大，调用激励价格为0.24元/kwh，ev响应率为33％，ev群出力为1672.5kw。
[0089]
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。