电动汽车充电站整合与备用容量提供的随机机会约束双层优化:智能能源管理框架

2026-11-19 13:23:58 点击: 次

 

摘要

本文提出了一种随机机会约束双层优化框架,用于电动汽车充电站(EVCS)的接入与备用容量提供,采用智能配电系统的单节点等效模型,实现日前能量与备用容量的协调调度。上层模型最小化配电网运营商(DSO)的运行成本,而下层模型则通过在不确定性环境下响应DSO给出的经济信号,调度电动汽车车队的充电、放电及备用容量提供,从而最小化停车场运营商(PLO)自身的净运行成本。该框架综合考虑了可再生能源发电预测误差、不确定负荷需求以及异构电动汽车(EV)车队随时间变化的可用性。可再生能源预测误差会影响备用需求,而服从正态分布的到达和离开时间则决定了各车辆类别的每小时连接概率。各类别内车辆连接状态的聚合促使我们对类别可用性进行高斯近似。在规定的置信水平下,计算各车辆类别的保守可用性,并将其聚合以得出随时间变化的电动汽车充电站功率和能量限制,以及与电动汽车可用性相关的备用裕度。负荷需求机会约束可得出相应的风险调整需求和相关的负荷不确定性裕度。运行成本目标也考虑了电池退化。利用KKT条件将双层模型转化为带均衡约束的数学规划(MPEC),随后通过大M线性化方法将其重构为混合整数线性规划(MILP)。该框架在24小时范围内对三个测试系统进行了评估,这些系统包含3至80台分布式发电机和260至1100辆电动汽车。在所考察的置信水平下,电动汽车充电站的备用容量配置可降低1.7%至7.7%的运行成本,而更高的置信水平会增加调度成本。

 

1. 引言

电动汽车渗透率的不断提高正在将充电基础设施从被动负荷转变为柔性资源,能够通过协调的充放电和车辆到电网(V2G)运行,支持可再生能源整合、峰值管理和辅助服务 [1,2,3,4]。同时,电动汽车的接入引入了与充电需求、用户行为、车辆可用性以及可再生能源发电波动性相关的各种不确定性[1,5],这使得可靠的电动汽车充电站调度对于配电系统运行变得日益重要。
EVCS的灵活性随时间变化,因为车辆的到达、离开、电池容量和运行限制决定了每个调度周期可用的总功率和能量能力。当EVCS提供备用时,这种依赖性尤为重要,因为能量交换和备用承诺都依赖于相同的车队能力。因此,假设固定的额定容量可能会高估系统可靠可用的灵活性。停车场运营商(PLO)负责管理充电设施,并协调参与电动汽车的聚合充电、放电及备用容量提供。该角色可由配备电动汽车充电基础设施的停车库、超市、购物中心或其他商业场所的运营商承担。
这些与车队相关的各种不确定性与不确定的读档需求及可再生能源发电预测相互作用,影响着计划供应和备用需求。因此,协调调度必须考虑系统需求和电动汽车充电站(EVCS)可用性的不确定性。由于配电网运营商(DSO)和公共交通运营商(PLO)追求不同的运行目标,双层优化为表示它们的相互作用提供了一个合适的结构。

1.1. 文献综述

双层优化已被广泛用于表示配电系统运营商与柔性资源之间的分层协调,这些资源包括可调度微型燃气轮机(MT)、燃料电池(FC)和提供受控充放电及备用容量的电动汽车充电站(EVCS),以及风能和光伏(PV)发电。Aghajani和Kalantar [6] 开发了一个DSO-PLO调度框架,其中停车场通过基于互补性的双层公式参与充放电和备用容量提供。Li等人 [7] 通过在双层框架内协调灵活需求响应、可再生能源发电不确定性和电动汽车充电站运行,扩展了此类模型,并采用了机会约束和混合整数线性规划重构。Chen等人 [8] 考虑了在多种不确定性来源下,配备光伏充电站的配电系统的随机双层调节策略。最近,Lotfi [9] 研究了包含分布式电源(DG)和电动汽车集成的动态配电网络的随机双层优化,而Zare等人 [10] 开发了一种随机混合整数线性规划(MILP)模型,用于不确定性环境下主动配电网扩展规划中的电动汽车充电站(EVCS)整合。
] 的一系列研究则聚焦于电动汽车行为和充电需求的随机性。James和Jasmin [11] 对电动汽车充电进行了随机建模,并评估了其对电力系统的影响,而Castillo等人 [12] 研究了不确定电动汽车需求条件下的概率性充电基础设施需求。刘等人 [13] 在机会约束调度框架下考虑了聚合电动汽车车队的一次调频(PFR)能力的不确定性,并在数值研究中使用了相对于预测车队能力的比例不确定性离散表示。这些研究强调,与车辆相关的不确定性会显著影响与电动汽车充电基础设施相关的电力需求和运行能力。
最近的研究还强调了电动汽车车队提供电网支持服务的能力。Zheng等人[14]研究了电动汽车虚拟电厂用于削峰辅助服务的分层控制。Yang等人[15]考虑了换电站对电动汽车在二次调频中的行为影响,而Sun等人[16]提出了一种用于微电网环境下电动汽车协调充放电的双层实时策略。这些研究证实了电动汽车灵活性在辅助服务提供和协调系统运行中日益重要的地位。
现有研究以不同方式探讨了双层协调、不确定性建模以及电动汽车备用容量提供问题。所提出的框架将不确定的车队可用性与电动汽车充电站的每小时功率和能量限制相联系,将这些限制整合到协调的能量和备用调度中,并考虑了与计划运行相关的电池退化问题。表1展示了代表性研究与所提框架的对比。
表1。代表性研究与本文提出框架的对比。

1.2. 本文贡献

为填补上述研究空白,本文开发了一个随机机会约束双层框架,用于配电系统与电动汽车充电站的协同运行。本文的主要贡献如下:
  • 不确定性的综合处理:该框架结合了不确定的负荷需求、可再生能源发电的备用需求以及异性恋电动汽车车队随时间变化的可用性。负荷需求和电动汽车可用性的机会约束在每个预设置信水平下被转换为解析的确定性等价形式。
  • 基于类别的电动汽车充电站(EVCS)运行能力:车辆的到达与离开特性决定了各电动汽车类别的每小时参考可用性。保守的类别级可用性决定了EVCS的功率与能量限制,以及包含在备用需求中的电动汽车可用性裕度。
  • 协调的能量与备用调度:双层模型将配电网运营商(DSO)的运行成本最小化与配电网运营商(PLO)的充电、放电、功率交换及备用决策相结合,同时将计划的电池退化成本纳入上层目标函数。下层问题被其KKT条件取代,所得的互补关系通过大M法线性化,从而得到混合整数线性规划(MILP)模型。
所提出的框架在三个测试系统上进行了24小时跨度的评估,并考虑了六个置信水平。对比了无EVCS备用容量和有EVCS备用容量的情况在运行成本、发电与备用分配、EVCS运行、电池退化以及计算性能方面的差异。本文其余部分安排如下:
  • 第2节介绍了所提出的方法,包括负荷需求和异性恋EV可用性的不确定性表示、随机双层DSO–PLO模型、基于KKT的单层重构、Big-M MILP转换以及整体求解流程。
  • 第3节描述了三个测试系统和模拟设置,并讨论了数值结果,包括发电与备用调度、EVCS充放电行为、置信水平和备用容量对运行成本、EVCS荷电状态、备用分配、电池退化以及计算性能的影响。
  • 第4节总结了本研究的主要发现和结论。

2. 提出的方法论

2.1. 问题描述与建模框架

图1展示了系统资源和DSO–PLO协调结构。智能配电系统包括公共连接点(PCC)的上游电网连接、可调度微型涡轮机(MTs)和燃料电池(FCs)、风能和光伏发电、电力需求以及电动汽车充电站(EVCS)。单母线等效模型捕捉了它们在不确定性下的协调日前能量和备用容量调度。该模型强制执行总有功功率平衡、上游连接处调度功率和备用的共享容量限制、分布式电源(DG)运行限制,以及EVCS功率和储能限制。交流/直流潮流、电压幅值限制和线路热容量约束不包含在此聚合调度表示中。
图1。不确定性下的配电网架构与双层DSO-PLO调度框架。
电动汽车充电站(EVCS)可容纳具有不同电池容量、到达和离开特征的异构车队。联网车辆在充电时取电,在放电时注入电能;其聚合灵活性还支持车辆到电网框架内的备用容量提供[17]。因此,EVCS的运行受限于联网车队的功率和储能能力。EVCS的净功率定义为:向配电网注入电能时为正,充电时为负。
参与的电动汽车用户被假定已授权PL(平行宇宙)在连接期间安排充电,并在适用情况下进行车网互动操作。此授权定义了PL对参与车队的控制;个体的参与决策和客户偏好未被显式建模。
两个运营商之间的交互被表述为一个双层优化问题,遵循电力系统应用中已建立的分层和基于互补性的表述方法[6,18,19,20在上层,DSO通过调度电网购电、分布式电源运行和备用容量采购,并考虑PLO响应,来最小化系统总运行成本。在下层,PLO在EVCS功率和能量限制内调度充电、放电和备用容量提供,以最小化EVCS净运行成本。这两个层级通过EVCS功率交换和备用容量贡献相互耦合,分别进入系统功率平衡和备用容量需求。
调度过程跨越24小时周期进行。机会约束体现了电力需求和电动汽车可用性的不确定性,从而得出风险调整后的需求值和电动汽车充电站运行限制,同时风能和光伏预测误差通过预设系数对备用需求产生影响。随后,下层最优性条件被嵌入上层问题中,由此产生的互补条件被线性化,以获得混合整数线性规划(MILP)模型。
该框架解决了日前能源和备用容量调度问题,其中PLOs响应DSO给出的经济信号。EVCS的灵活性被表示为一个聚合虚拟电池。在优化之前,会针对每个规定的置信水平计算风险调整后的需求、EVCS运行限制和不确定性裕度。实时备用激活及随后的修正调度构成了一个独立于当前数学模型之外的运行阶段。

2.2. 数学符号

本节介绍了数学模型中使用的集合与索引、参数、决策变量、拉格朗日乘子以及互补二值变量。

2.2.1. 集合与索引

符号 描述