李永剛， 林 卉

(華北電力大學(xué) 電氣與電子工程學(xué)院，河北 保定 071003)

0 引 言

環(huán)境污染和資源枯竭等問題日益嚴(yán)重,大力發(fā)展清潔能源已經(jīng)成為世界各國(guó)應(yīng)對(duì)該問題的共識(shí)。為實(shí)現(xiàn)“雙碳”目標(biāo),構(gòu)建以新能源為主體的新型電力系統(tǒng),一方面,目前部分電網(wǎng)公司采用單一類型移動(dòng)儲(chǔ)能提供保供電、應(yīng)急等服務(wù),并未統(tǒng)籌協(xié)調(diào)多類型移動(dòng)儲(chǔ)能,并發(fā)揮其在配電網(wǎng)優(yōu)化運(yùn)行方面的作用,造成移動(dòng)資源閑置與浪費(fèi);另一方面,電網(wǎng)中火電成本上升導(dǎo)致火力發(fā)電份額下降,而且新能源發(fā)電可靠性低、波動(dòng)性強(qiáng),加之冬季供暖等因素引起負(fù)荷激增,發(fā)電峰值期與負(fù)荷高峰期存在時(shí)空匹配度低的問題,出現(xiàn)配電網(wǎng)綜合線損高、負(fù)荷峰谷差大等問題;“三北”地區(qū)經(jīng)濟(jì)發(fā)展相對(duì)滯后、電力需求不足,而化石能源和新能源都比較富足,風(fēng)能與光能充足,即使火電機(jī)組全停仍有棄風(fēng)棄光。隨著可再生能源在配電網(wǎng)中滲透率的不斷提升,其出力不確定性導(dǎo)致的棄風(fēng)、棄光現(xiàn)象日趨嚴(yán)重。針對(duì)該問題,在高比例可再生能源背景下提出一種含三類移動(dòng)儲(chǔ)能協(xié)調(diào)調(diào)度的方法。

為平抑新能源發(fā)電功率的波動(dòng),儲(chǔ)能技術(shù)受到廣泛關(guān)注[1]。隨著大容量?jī)?chǔ)能電池[2]的出現(xiàn)、氫燃料發(fā)電車的興起及電動(dòng)汽車數(shù)量的高速增長(zhǎng),各類型移動(dòng)儲(chǔ)能資源[3]的容量及規(guī)模已達(dá)到支撐配電網(wǎng)優(yōu)化運(yùn)行的要求。近年來出現(xiàn)的全電驅(qū)動(dòng)移動(dòng)式儲(chǔ)能兼具規(guī)?；瘍?chǔ)能和動(dòng)態(tài)轉(zhuǎn)移的能力[4],與傳統(tǒng)的固定儲(chǔ)能相比具有更高的靈活性。為了減少負(fù)荷峰谷差、降低網(wǎng)損,已有的研究對(duì)電動(dòng)汽車參與調(diào)度的定價(jià)已經(jīng)開展了不少的工作。文獻(xiàn)[5]確定了電動(dòng)汽車需求響應(yīng)控制方法;文獻(xiàn)[6]提出了一種在V2G模型下考慮供需雙方需求的電動(dòng)汽車日內(nèi)調(diào)度策略;文獻(xiàn)[7]提出了計(jì)及用戶響應(yīng)電價(jià)關(guān)聯(lián)和多主體共贏的電動(dòng)汽車充放電定價(jià)多目標(biāo)優(yōu)化方法。上述研究中并未計(jì)及交通能耗并進(jìn)行電價(jià)補(bǔ)貼,僅考慮用戶出行特性[8]設(shè)置電價(jià)。文獻(xiàn)[9]提出了一種考慮風(fēng)電概率的并網(wǎng)微電網(wǎng)能源優(yōu)化調(diào)度新專家能源管理系統(tǒng);文獻(xiàn)[10]建立了一種考慮風(fēng)力發(fā)電機(jī)和電動(dòng)汽車的不確定性的契約模型;文獻(xiàn)[11]提出了園區(qū)級(jí)能源互聯(lián)網(wǎng)的能源效率優(yōu)化調(diào)度?，F(xiàn)有的研究對(duì)清潔能源發(fā)電的新型電力系統(tǒng)下的儲(chǔ)能調(diào)度已有一定的研究,但并未涉及提高新能源利用率的優(yōu)化調(diào)度。

文獻(xiàn)[12]提出了一種基于移動(dòng)儲(chǔ)能的用于系統(tǒng)管理的提前一天能源管理系統(tǒng);文獻(xiàn)[13]提出了一種基于移動(dòng)儲(chǔ)能和電力交易的毫米波系統(tǒng)柔性增強(qiáng)策略。對(duì)于現(xiàn)有的與移動(dòng)儲(chǔ)能調(diào)度相關(guān)的研究中,均是對(duì)電動(dòng)汽車、以卡車為載體的移動(dòng)儲(chǔ)能進(jìn)行研究,且移動(dòng)儲(chǔ)能類型單一。

文獻(xiàn)[14]研究了一種考慮用戶滿意度的負(fù)載聚合器參與的雙層最優(yōu)調(diào)度策略;文獻(xiàn)[15]以微網(wǎng)運(yùn)行成本和環(huán)境保護(hù)成本為目標(biāo)建立微網(wǎng)經(jīng)濟(jì)調(diào)度模型。已有研究中并未涉及以負(fù)荷峰谷差、網(wǎng)損、新能源利用率、配電網(wǎng)運(yùn)行成本四個(gè)指標(biāo)為目標(biāo)的調(diào)度模型。

針對(duì)上述問題,本文通過BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)風(fēng)力發(fā)電、光伏發(fā)電及需求側(cè)負(fù)荷用電量確定移動(dòng)儲(chǔ)能充放電時(shí)間段,移動(dòng)儲(chǔ)能分為電動(dòng)汽車、移動(dòng)儲(chǔ)能車、氫燃料發(fā)電車三類,計(jì)算移動(dòng)儲(chǔ)能前往充電站的交通能耗,針對(duì)電動(dòng)汽車交通能耗,建立相應(yīng)的補(bǔ)貼體系,以吸引電動(dòng)汽車用戶參與調(diào)度。其余類型則只計(jì)及交通能耗成本,不進(jìn)行相應(yīng)補(bǔ)貼。然后,建立以的配電網(wǎng)負(fù)荷峰谷差、新能源利用率、配電網(wǎng)運(yùn)行成本為目標(biāo),利用超平面的概念自適應(yīng)地確定不同目標(biāo)函數(shù)的權(quán)重,將多目標(biāo)歸一化,建立三類移動(dòng)儲(chǔ)能協(xié)調(diào)調(diào)度模型。而后,使用改進(jìn)蝙蝠算法求解,得到多類型移動(dòng)儲(chǔ)能協(xié)同調(diào)度的方案。其中,基本蝙蝠算法進(jìn)行了K-means算法初始化、自適應(yīng)步長(zhǎng)速度更新、反向搜索、變異操作、引入高斯和柯西混合算子等改進(jìn),得到改進(jìn)蝙蝠算法,該算法有效提升計(jì)算速度、優(yōu)化速度、局部和全局搜索能力。

1 移動(dòng)儲(chǔ)能參與配電網(wǎng)優(yōu)化運(yùn)行調(diào)度的行為分析

1.1 移動(dòng)儲(chǔ)能參與配電網(wǎng)運(yùn)行調(diào)度的方式

調(diào)度移動(dòng)儲(chǔ)能參與配電網(wǎng)運(yùn)行,可減少負(fù)荷峰谷差、提高新能源利用率。電網(wǎng)調(diào)度中心根據(jù)24小時(shí)新能源、用電負(fù)荷預(yù)測(cè)功率,采集移動(dòng)儲(chǔ)能每一時(shí)段可參與調(diào)度功率、實(shí)時(shí)位置等信息,考慮負(fù)荷峰谷差、新能源利用率、配電網(wǎng)運(yùn)行成本目標(biāo),優(yōu)化移動(dòng)儲(chǔ)能24小時(shí)功率調(diào)度指令并下發(fā)給各移動(dòng)儲(chǔ)能,移動(dòng)儲(chǔ)能按照功率指令執(zhí)行。

1.2 電網(wǎng)源荷特性

根據(jù)電網(wǎng)小時(shí)級(jí)風(fēng)力發(fā)電功率、光伏發(fā)電功率、負(fù)荷功率的歷史數(shù)據(jù),采用BP神經(jīng)網(wǎng)絡(luò)[16]預(yù)測(cè)第二日新能源出力功率及負(fù)荷功率。基于文獻(xiàn)[17]所提短期負(fù)荷預(yù)測(cè)模型,預(yù)測(cè)模型在一周的預(yù)測(cè)誤差最小。

1.3 移動(dòng)儲(chǔ)能充放電調(diào)度

通過特定的軟件獲得所有移動(dòng)儲(chǔ)能的預(yù)約信息,其中包括下一時(shí)段移動(dòng)儲(chǔ)能是否參與調(diào)度,若參與調(diào)度可提供的功率及容量,對(duì)不同種類移動(dòng)儲(chǔ)能進(jìn)行功率分配。移動(dòng)儲(chǔ)能在不同時(shí)段充電或放電取決于預(yù)測(cè)需求側(cè)負(fù)荷大小、電動(dòng)汽車隨機(jī)充電功率、新能源發(fā)電利用率。

1.4 移動(dòng)儲(chǔ)能充放電交通軌跡及能耗

本文在移動(dòng)儲(chǔ)能調(diào)度模型中考慮了交通網(wǎng)絡(luò)的實(shí)時(shí)路況信息[18],通過移動(dòng)儲(chǔ)能開始位置與充電站之間的最短路徑結(jié)合實(shí)時(shí)路況信息計(jì)算移動(dòng)儲(chǔ)能前往充電站的交通能耗。A*算法[19]是啟發(fā)式搜索算法中的一種,利用路徑搜索算法,從移動(dòng)儲(chǔ)能設(shè)置的起點(diǎn)開始,搜索到目標(biāo)點(diǎn),計(jì)算相應(yīng)的阻抗成本,最終可以得到成本最優(yōu)的充電可行路徑規(guī)劃。

先通過交通路網(wǎng)確定移動(dòng)儲(chǔ)能行駛路線的數(shù)量及位置,以路口為交叉點(diǎn),為每條路徑標(biāo)號(hào),通過A*算法計(jì)算移動(dòng)儲(chǔ)能當(dāng)前位置與充電站的距離,根據(jù)每公里電耗或油耗,求得移動(dòng)儲(chǔ)能的交通能耗。

1.5 移動(dòng)儲(chǔ)能運(yùn)行特性建模

1)電動(dòng)汽車

本文從電動(dòng)汽車用戶自身參與意愿的角度考慮,對(duì)電動(dòng)汽車從實(shí)時(shí)位置至充電站這一路段中,對(duì)電動(dòng)汽車的交通能耗進(jìn)行直接的電價(jià)補(bǔ)貼,這一舉措極大地提升了電動(dòng)汽車參與調(diào)度的意愿,進(jìn)而擴(kuò)大了電動(dòng)汽車時(shí)空及功率調(diào)度范圍。

在可參與調(diào)度的電動(dòng)汽車中同意參與下一時(shí)段調(diào)度的電動(dòng)汽車功率總量如下:

(1)

(2)

配電網(wǎng)需要支付給參與充、放電調(diào)度的電動(dòng)汽車的總成本如下:

(3)

(4)

電動(dòng)汽車t時(shí)段參與調(diào)度總功率如下:

(5)

電動(dòng)汽車調(diào)度流程如圖1所示。

圖1 電動(dòng)汽車調(diào)度流程圖Fig.1 Electric vehicle participation scheduling process

2)移動(dòng)儲(chǔ)能車

移動(dòng)儲(chǔ)能車為配電網(wǎng)資源,當(dāng)移動(dòng)儲(chǔ)能車需要充當(dāng)應(yīng)急電源車時(shí),在固定的位置進(jìn)行應(yīng)急供電,此時(shí)無法參與調(diào)度;當(dāng)移動(dòng)儲(chǔ)能車處于閑置狀態(tài)時(shí),且其電量在可調(diào)度范圍內(nèi)時(shí),可以參與調(diào)度,其前往充電站調(diào)度的距離同樣可以用A*算法求解,以此得到交通能耗,由于移動(dòng)儲(chǔ)能車行駛為油耗,移動(dòng)儲(chǔ)能車參與調(diào)度的成本僅為充電成本與行駛油耗成本。移動(dòng)儲(chǔ)能車還需要作為應(yīng)急電源車,根據(jù)以往數(shù)據(jù),計(jì)算出移動(dòng)儲(chǔ)能車需要進(jìn)行應(yīng)急的時(shí)間段以及數(shù)量,在應(yīng)急時(shí)段的移動(dòng)儲(chǔ)能車無法參與調(diào)度,而電量不足以充電1小時(shí)的移動(dòng)儲(chǔ)能車不參與充電調(diào)度,電量不足以放電1小時(shí)的移動(dòng)儲(chǔ)能車不參與放電調(diào)度。

t時(shí)段移動(dòng)儲(chǔ)能車充、放電總功率如下:

(6)

(7)

實(shí)際參與調(diào)度的移動(dòng)儲(chǔ)能車數(shù)量少于移動(dòng)儲(chǔ)能車總數(shù)與其參與調(diào)度的幾率之積,t時(shí)段移動(dòng)儲(chǔ)能車參與調(diào)度的充電總成本如下:

(8)

移動(dòng)儲(chǔ)能車參與調(diào)度時(shí),前往充電站行駛的油耗總成本與每公里油耗、行駛距離有關(guān),移動(dòng)儲(chǔ)能車參與調(diào)度交通能耗成本如下:

(9)

計(jì)算移動(dòng)儲(chǔ)能車每一時(shí)段的可調(diào)度容量流程如圖2所示。

圖2 移動(dòng)儲(chǔ)能車調(diào)度流程圖Fig.2 Scheduling flow chart of mobile energy storage vehicle

3)氫燃料發(fā)電車

氫燃料發(fā)電車為配電網(wǎng)資源,但其僅能放電,其他步驟與移動(dòng)儲(chǔ)能車一致。

氫燃料發(fā)電車參與放電的總功率與氫燃料發(fā)電車的總量、參與調(diào)度幾率、放電功率有關(guān),計(jì)算如下:

(10)

氫燃料發(fā)電車充氫總成本與氫燃料發(fā)電車充氫單位成本、t時(shí)段實(shí)際參與放電調(diào)度的氫燃料發(fā)電車數(shù)量有關(guān),氫燃料發(fā)電車充氫總成本計(jì)算如下:

(11)

氫燃料發(fā)電車參與調(diào)度時(shí),前往充電站行駛的油耗總成本為每公里油耗與行駛距離之積,如下:

(12)

計(jì)算氫燃料發(fā)電車每一時(shí)段的可調(diào)度容量流程如圖3所示。

圖3 氫燃料發(fā)電車調(diào)度流程圖Fig.3 Scheduling flow chart of hydrogen fuel generator vehicle

2 移動(dòng)儲(chǔ)能參與配電網(wǎng)優(yōu)化運(yùn)行的調(diào)度模型

2.1 目標(biāo)函數(shù)

移動(dòng)儲(chǔ)能調(diào)度總功率如下:

(13)

式中:Pmess(t)為t時(shí)段移動(dòng)儲(chǔ)能調(diào)度總功率。

負(fù)荷峰谷差為峰值時(shí)段負(fù)荷與谷值時(shí)段負(fù)荷的差值,移動(dòng)儲(chǔ)能調(diào)度前后負(fù)荷峰谷差如下:

(14)

min[Plo(t)+Pmess(t)]

(15)

負(fù)荷峰谷差過大會(huì)有相應(yīng)的負(fù)荷峰谷差懲罰成本,通過調(diào)度移動(dòng)儲(chǔ)能減少的負(fù)荷峰谷差懲罰成本如下:

(16)

通過調(diào)度移動(dòng)儲(chǔ)能減少負(fù)荷峰谷差所減少的負(fù)荷峰谷差懲罰成本如下:

(17)

新能源利用率如下:

(18)

式中:ηN(t)為新能源利用率。

通過調(diào)度移動(dòng)儲(chǔ)能減少的新能源棄電懲罰成本如下:

(19)

式中:fxny為配電網(wǎng)提高新能源利用率所得利潤(rùn),?xny為新能源棄電單位懲罰成本,Pxin(t)為t時(shí)段減少的棄風(fēng)棄光量。

以配電網(wǎng)運(yùn)行成本最小為目標(biāo),計(jì)算公式如下:

(20)

式中:Pfpdw為配電網(wǎng)降低的運(yùn)行成本。

當(dāng)使用加權(quán)和方法求解多目標(biāo)優(yōu)化問題時(shí),目標(biāo)函數(shù)可視為在目標(biāo)空間中運(yùn)動(dòng)的超平面。它的目的是尋找使不同目標(biāo)的線性加權(quán)和值最小的最優(yōu)解。超平面是比其周圍空間小一維的子空間,如超平面是二維空間中的一條線,三維空間中的一個(gè)平面。本文利用超平面的概念確定自適應(yīng)權(quán)值。目標(biāo)函數(shù)定義為沖突目標(biāo)函數(shù)Efgc、fxny、Profitpdw的線性加權(quán)和,超平面的斜率分別為權(quán)重值w1、w2、w3。為了在求解到平衡解前找到一個(gè)新的解,在該方法中,構(gòu)造一個(gè)超平面來通過三個(gè)已知的解(q1、q2、q3),并使用超平面的系數(shù)作為下一個(gè)權(quán)值。通過求解矩陣形式的方程確定新的權(quán)值w1、w2、w3,如下所示:

(21)

其中第一個(gè)3×3矩陣包含已知解在目標(biāo)空間中的位置,在已得到的權(quán)值基礎(chǔ)上,逐步進(jìn)行多目標(biāo)優(yōu)化,尋找新的最優(yōu)解,從而得到最后的最優(yōu)權(quán)重。

將多目標(biāo)轉(zhuǎn)換為單目標(biāo)函數(shù):

f=w1Efgc+w2fxny+w3Pfpdw

(22)

式中:f為最終求解的目標(biāo)函數(shù)值。

2.2 約束條件

1)電動(dòng)汽車充電電價(jià)約束

從配電網(wǎng)角度出發(fā),為了引導(dǎo)更多電動(dòng)汽車參與調(diào)度,必須設(shè)定合理的補(bǔ)貼電價(jià)。

?chmin≤?ch(t)≤?chmax

(23)

?dismin≤?dis(t)≤?dismax

(24)

式中:?chmin、?chmax分別為電動(dòng)汽車充電電價(jià)的最小、大值。?dismin、?dismax分別為電動(dòng)汽車放電電價(jià)的最小、大值。

2)移動(dòng)儲(chǔ)能充放電功率約束

移動(dòng)儲(chǔ)能充放電功率必須小于等于最大值,如式(32)所示。

(25)

3 移動(dòng)儲(chǔ)能參與配電網(wǎng)優(yōu)化運(yùn)行調(diào)度模型的求解算法

基礎(chǔ)蝙蝠算法隨著算法迭代次數(shù)的增加,在以后的迭代中,群體的個(gè)體差異越來越大。群體的多樣性越來越小,最終趨于零。在這方面,對(duì)基礎(chǔ)蝙蝠算法進(jìn)行了改進(jìn),并提出了一種改進(jìn)蝙蝠算法。

1)K-均值算法初始化:先隨機(jī)生成N只蝙蝠作為聚類中心,有多個(gè)聚類,重復(fù)隨機(jī)生成N只蝙蝠,并將每只蝙蝠分成最近的一組,計(jì)算聚類中心,直到集群中心的變化區(qū)域小于給定閾值Δ,將最后的聚類中心輸出為初始種群N中的蝙蝠個(gè)體。

2)自適應(yīng)步長(zhǎng):提出了一種基于自適應(yīng)步長(zhǎng)的蝙蝠速度更新方法,蝙蝠速度根據(jù)以下公式更新如下,該算法的初始步長(zhǎng)較大,從而提高了收斂速度。在算法的后期,步長(zhǎng)變小,搜索得到細(xì)化。

(26)

(27)

式中:stepmin為最小步長(zhǎng),Tmax為最大的迭代次數(shù),t為當(dāng)前的迭代次數(shù),K為系數(shù)。

3)反向搜索和變異

所有蝙蝠都按照適應(yīng)度從高到低的順序排列,選中適應(yīng)度,最后一個(gè)蝙蝠排名N2,產(chǎn)生一個(gè)隨機(jī)數(shù)字rand3值為0-1,當(dāng)rand3>0.5時(shí),根據(jù)公式(28)更新其位置,使種群向兩個(gè)方向進(jìn)化,從而增加種群的多樣性。當(dāng)0

(28)

(29)

式中:rand為0-1的隨機(jī)數(shù),xmax為蝙蝠的最大位置,xmin為蝙蝠的最小位置。

4)引入柯西變異逆累積分布函數(shù)

通過柯西逆累積分布函數(shù)對(duì)蝙蝠進(jìn)行變異:

(30)

(31)

4 算例分析

4.1 算例參數(shù)

本文選取IEEE 33節(jié)點(diǎn)電網(wǎng)為例對(duì)充放電場(chǎng)景進(jìn)行仿真驗(yàn)證。建立仿真場(chǎng)景,以中國(guó)某地區(qū)的負(fù)荷、風(fēng)力發(fā)電、光伏發(fā)電數(shù)據(jù)為例進(jìn)行分析。以一天24小時(shí)為一個(gè)周期,時(shí)間尺度為1小時(shí)。電動(dòng)汽車以比亞迪e6[20]為研究對(duì)象,充放電功率為7 kW,電池容量為82 kW·h。移動(dòng)儲(chǔ)能車的充放電為功率100千瓦,電池容量450千瓦時(shí)。氫燃料發(fā)電車的額定輸出功率為110千瓦,單臺(tái)氫燃料發(fā)電車的輸總?cè)萘繛?00 kW·h。

4.2 算例結(jié)果

分別對(duì)以下6種場(chǎng)景進(jìn)行仿真研究。

表1 6種場(chǎng)景

圖4 移動(dòng)儲(chǔ)能參與調(diào)度功率Fig.4 Mobile energy storage participating in power dispatching

圖4分別為場(chǎng)景1～6的移動(dòng)儲(chǔ)能參與調(diào)度功率分布圖,除場(chǎng)景2為單一類型移動(dòng)儲(chǔ)能參與調(diào)度外,其余場(chǎng)景均為三類移動(dòng)儲(chǔ)能參與調(diào)度,蝙蝠算法和改進(jìn)蝙蝠算法求解的場(chǎng)景中移動(dòng)儲(chǔ)能車和氫燃料發(fā)電車參與調(diào)度的功率遠(yuǎn)大于電動(dòng)汽車的功率,這是由于求解多目標(biāo)函數(shù)時(shí),權(quán)重會(huì)改變,當(dāng)權(quán)重不同時(shí),移動(dòng)儲(chǔ)能參與調(diào)度的功率分配也會(huì)不同。從整體來看,移動(dòng)儲(chǔ)能的種類與數(shù)量越多,移動(dòng)儲(chǔ)能的利用率越高,參與調(diào)度功率越大。

參考表2的數(shù)據(jù),其中場(chǎng)景1、2的削峰填谷效果最差,可以得知當(dāng)移動(dòng)儲(chǔ)能類型單一或移動(dòng)儲(chǔ)能數(shù)量較少時(shí),負(fù)荷峰谷差的減少量較小。對(duì)比場(chǎng)景3、4、6可以看出,用改進(jìn)蝙蝠算法求解的削峰填谷效果最優(yōu),蝙蝠算法求解的效果最差?？偟膩碇v,移動(dòng)儲(chǔ)能數(shù)量與種類越多,削峰填谷的效果越好,且由改進(jìn)蝙蝠算法求解的效果最優(yōu)。

表2 不同場(chǎng)景下的負(fù)荷峰谷差

參考表3的數(shù)據(jù),當(dāng)僅有電動(dòng)汽車參與調(diào)度和由蝙蝠算法求解時(shí),棄風(fēng)棄光不僅沒有減少,反而增加了,這是因?yàn)樵谇蠼舛嗄繕?biāo)函數(shù)時(shí),多目標(biāo)的自適應(yīng)權(quán)重會(huì)改變,因此出現(xiàn)了棄風(fēng)棄光量增加的情況。當(dāng)計(jì)及交通能耗時(shí)棄風(fēng)棄光降低量要低于不計(jì)及交通能耗的降低量?？偟膩碚f,多類移動(dòng)儲(chǔ)能參與調(diào)度、計(jì)及交通能耗并用改進(jìn)蝙蝠算法求解時(shí)棄風(fēng)棄光量最小。

表3 不同場(chǎng)景下棄風(fēng)棄光量

由表4可以看出,由于電動(dòng)汽車參與調(diào)度時(shí)時(shí),配電網(wǎng)的成本最高,僅由電動(dòng)汽車參與調(diào)度時(shí)降低的運(yùn)行成本是最小的。當(dāng)移動(dòng)儲(chǔ)能類型單一時(shí),降低的運(yùn)行成本遠(yuǎn)低于多類型移動(dòng)儲(chǔ)能協(xié)調(diào)調(diào)度。使用不同算法求解時(shí),改進(jìn)蝙蝠算法求解的效果最佳?？偟膩碇v,由多類移動(dòng)儲(chǔ)能參與調(diào)度、計(jì)及交通能耗并用改進(jìn)蝙蝠算法求解時(shí)配電網(wǎng)調(diào)度后降低的運(yùn)行成本最多。

表4 不同場(chǎng)景下的配電網(wǎng)調(diào)度后降低的運(yùn)行成本

當(dāng)使用不同算法求解時(shí)多目標(biāo)權(quán)重會(huì)改變,無法保證使用改進(jìn)蝙蝠算法求解時(shí)每個(gè)目標(biāo)的效果均為最優(yōu),但在本文的3個(gè)目標(biāo)中,2個(gè)目標(biāo)最優(yōu),因此從整體效果上而言,使用改進(jìn)蝙蝠算法求解的效果最好。

5 結(jié) 論

本文將電動(dòng)汽車、移動(dòng)儲(chǔ)能車、氫燃料發(fā)電車三類移動(dòng)儲(chǔ)能作為調(diào)度對(duì)象,對(duì)三類移動(dòng)儲(chǔ)能分別建立含交通能耗的模型,得到不同時(shí)段三類移動(dòng)儲(chǔ)能的可調(diào)度功率,建立負(fù)荷峰谷差、新能源利用率、配電網(wǎng)運(yùn)行成本多目標(biāo),通過改進(jìn)蝙蝠算法求解出三類移動(dòng)儲(chǔ)能協(xié)調(diào)調(diào)度的最優(yōu)方案。算例驗(yàn)證表明:

(1)參與調(diào)度的移動(dòng)儲(chǔ)能容量越大對(duì)減少負(fù)荷峰谷差、提高新能源利用率、降低配電網(wǎng)運(yùn)行成本的效果越好。

(2)考慮交通能耗并對(duì)交通能耗進(jìn)行電價(jià)補(bǔ)貼時(shí),參與調(diào)度的移動(dòng)儲(chǔ)能功率遠(yuǎn)大于不計(jì)及交通能耗,且計(jì)及交通能耗后調(diào)度的總體效果更優(yōu)。

(3)使用改進(jìn)蝙蝠算法求解后,減少負(fù)荷峰谷差、提升新能源利用率、降低配電網(wǎng)運(yùn)行成本的總體效果優(yōu)于粒子群算法和蝙蝠算法求解的效果。

未來可考慮移動(dòng)儲(chǔ)能參與調(diào)度對(duì)電壓合格率、供電可靠性的影響,進(jìn)一步提升移動(dòng)儲(chǔ)能調(diào)度為配電網(wǎng)提升的安全性。