计及多重不确定性的规模化电动汽车接入配电网调度方法及解决方案.pdf

计及多重不确定性的规模化电动汽车接入配电网调度方法

及解决方案

师晴晴

江苏安科瑞电器制造有限公司江苏江阴214405

摘要:规模日益增长的电动汽车和可再生能源带来的不确定性给配电网的安全运营带来了严

峻挑战。为综合考虑多重不确定性、平衡运营成本与系统可靠性,首先,提出一种基于分布鲁

棒联合机会约束的电动汽车-配电网充放电调度模型。该模型将节点电压、支路功率、备用

需求等通过联合机会约束建模,可以直观地管理系统整体的可靠性。然后,为求解该模型,基

于优Bonferroni近似方法将联合机会约束问题转化为混合整数二次规划模型,其中,风险等

级也被视为决策变量。随后,在不同电力系统上验证了所提模型的有效性和可扩展性。结果

表明,所提模型克服了经典的随机优化和鲁棒优化存在的问题,能够有效平衡成本和可靠性,

计算效率高、可扩展性好,较Bonferroni近似方法降低约6.5%的成本。

关键词:电动汽车;配电网;Bonferroni近似方法;不确定性;风险管理

一、引言

截至2023年6月底,中国电动汽车(EV)保有量已经超过1200万辆,大规模接入电网的

EV若不进行合理调度,将对电网安全运营带来严峻挑战。同时,EV作为一种具有时空和容量

高度灵活性的负荷,具有很大的调节潜力,可以作为灵活性资源为配电网提供辅助服务并带

来安全效益,增强电力系统管控不确定性风险的能力。

单辆EV调节能力有限，无法参与电力市场EV聚合商作为EV与配电网的中间体,能够管

理EV充放电和电力市场交易,与配电网进行互动。通过建立EV聚合模型,便于从整体角度分

析EV集群的可调节潜力,减少模型中的变量个数,降低模型复杂度与EV数量的关联。EV接

入和离开充电站的时间、充电需求、渗透率日益增加的光伏/风电等可再生能源、电网中的

非灵活性负荷等均存在着不确定性,如何处理不确定性是EV并网充放电调度研究中的关键

性问题。

二、算法对比分析

现有处理不确定性的经典方法包括随机优化(SO)、鲁棒优化(RO)、机会约束旧等。其

中,SO一般以目标函数的数学期望为目标,考虑了EV到达/离开时间、非灵活性负荷、市场

价格的随机性,最大化配电网和EV聚合商利益的期望值。然而,SO往往需要场景驱动,复杂

度与场景的数量高度相关,场景过少可能导致对随机性的刻画不准确,场景过多则带来很大

的计算负担，与SO不同,RO关注可能出现的最坏情况,考虑随机的可再生能源出力和负荷,

通过强对偶理论和列与约束生成算法来转化和求解两阶段RO问题。与SO问题相比,RO复杂

度与场景的个数关联较低,但由于最坏的情况在实际中可能以很低的概率出现,这种方法可

能过于保守。此外,由于SO和RO均未将风险系数考虑在建模中,无法直观地管理系统风险。

三、算法处理方法

为解决SO和RO方法存在的问题并平衡经济成本与系统安全，分布式鲁棒机会约束

(distributionallyrobustchanceconstraint,DRCC)模型受到越来越多的关注。通过建立

DRCC模型处理了非灵活性负荷、可再生能源出力、市场价格等不确定性因素。采用机会约

束限制电压、功率等范围以确保配电网在一定概率下安全运行。采用DRCC模型对EV的可调

空间进行建模。然而，上述研究中的多个机会约束是独立的,忽视了机会约束之间可能存在

的关联,同时在单一机会约束的风险参数选择上具有一定主观性,对每条约束取相同的风险

等级，为此,有必要联合考虑机会约束,将问题建模为分布式鲁棒联合机会约束

(distributionallyrobustjointchanceconstraint,DRJCC)模型。然而,DRJCC模型是隐

式的,难以求解，经典的Bonferroni近似Bonferroniapproximation,BA)方法直接将联合

约束转化为独立约束,并根据Bonferroni不等式预先分配独立约束的风险等级,这可能导致

模型过于保守为降低模型保守性,为此提出最优Bonferroni近似(optimizedBonferroni

approximation,OBA)方法用于近似机会约束问题,这种方法在满足Bonferroni不等式的前

提下将独立约束的风险等级也视为变量进行优化,可以降低模型的保守性。进一步地,将OBA

方法求解DRJCC问题应用到考虑不确定性的潮流问题中,提出了基于多项式展开近似、连续