考虑电动汽车灵活储能的微电网双重激励优化调度.pdf

第 12 卷 第 8 期2023 年 8 月Vol.12 No.8Aug.2023储能科学与技术Energy Storage Science and Technology考虑电动汽车灵活储能的微电网双重激励优化调度张响1，段俊东1,2，康博阳1（1河南理工大学电气工程与自动化学院；2河南省煤矿装备智能检测与控制重点实验室，河南 焦作 454003）摘要：针对电力系统采用分时电价单一激励下电动汽车有序充电难以应对风力发电与日内负荷的供需变化，从而形成峰谷差的问题，提出一种基于电动汽车灵活储能的分时电价与动态碳配额双重激励调度策略。首先，根据蒙特卡洛对电动汽车充电负荷进行预测，并建立其电池损耗模型。在此基础上，根据日前预测中各个时段不同供电设备的出力以及碳排放与碳配额的占比，在考虑微电网发电成本以及用户期望荷电状态的前提下以微电网并网功率均方差最小和用户收益最大为优化目标。通过动态调整分时电价和阶梯碳价，并运用优化的灰狼算法对模型进行求解，制定出合理的充放电计划以充分发挥电动汽车作为柔性负荷的特点，从而实现平抑微电网负荷曲线波动的目的。最后，将所提策略与无激励和单一激励策略进行仿真分析对比，结果显示负荷峰谷差分别降低了30.1%和18.6%，验证了其有效性和优越性。同时车主用户收益的提高和碳排放量的降低，验证了电动汽车的环保特性需要与清洁能源协同发展。关键词：电动汽车；双重激励；微电网；碳配额；阶梯碳价doi：10.19799/ki.2095-4239.2023.0077 中图分类号：TM 73 文献标志码：A 文章编号：2095-4239（2023）08-2556-09Dual incentive optimal scheduling of microgrid considering flexible energy storage of electric vehiclesZHANG Xiang1,DUAN Jundong1,2,KANG Boyang1(1College of Electrical Engineering,Henan Polytechnic University;2Henan Key Laboratory of Intelligent Detection and Control of Coal Mine Equipment,Jiaozuo 454003,Henan,China)Abstract:A dual incentive adjustment strategy is proposed based on flexible energy storage of electric vehicles to address the problem of peak valley differences caused by the difficulty in orderly charging of electric vehicles under a single incentive,such as time-of-use electricity pricing,within the power system,which is difficult to cope with the supply and demand fluctuations caused by wind power generation and daily load patterns.To address this issue,our strategy incorporates several key elements.Firstly,the charging load of electric vehicles is predicted based on Monte Carlo simulations,and a battery loss model is established.On this basis,the optimization objectives are defined by considering the output of different power supply equipment in different periods,the proportion of carbon emissions,carbon quotas in the daily forecast,the cost of microgrid power generation,and the expected state of charge of users to minimize 储能系统与工程收稿日期：2023-02-20；修改稿日期：2023-05-11。基金项目：国家自然科学基金项目（61703144）。第一作者及通讯联系人：张响（1999），男，硕士研究生，研究方向为电力系统及其自动化，E-mail：。引用本文：张响,段俊东,康博阳.考虑电动汽车灵活储能的微电网双重激励优化调度J.储能科学与技术,2023,12(8):2556-2564.Citation：ZHANG Xiang,DUAN Jundong,KANG Boyang.Dual incentive optimal scheduling of microgrid considering flexible energy storage of electric vehiclesJ.Energy Storage Science and Technology,2023,12(8):2556-2564.第 8 期张响等：考虑电动汽车灵活储能的微电网双重激励优化调度the mean square deviation of microgrid connected to power while maximizing user benefits.By dynamically adjusting the time-of-use electricity price and implementing a tiered carbon price,the optimized Grey Wolf algorithm is used to solve the model and formulate a reasonable charging and discharging plan to fully utilize the characteristics of electric vehicles as flexible loads,thereby suppressing the fluctuations in the load curve of the microgrid.Finally,simulation analysis is conducted to compare the proposed strategy with both non-incentive and single-incentive strategies,and the results showed that the peak-to-valley load difference decreases by 30.1%and 18.6%,respectively,verifying the effectiveness and superiority of our approach.Furthermore,the improvement of the owner-user benefits and the reduction of carbon emissions have verified that the environmental characteristics of electric vehicles require coordinated development with clean energy.Keywords:electric vehicle;dual incentive;microgrid;carbon quota;ladder carbon valence近年来，能源短缺和气候变暖等问题日益严重，电动汽车(electric-vehicle，EV)因其经济、绿色、智能等优点发展迅速，而随着电动汽车-电网(vehicle to grid，V2G)技术的逐渐成熟，EV接入微电网得到普及1。因为清洁能源以及EV的充电具有随机性和不确定性，这些特性会给系统造成线路过载2、峰上加峰3-4等危害，因此采用何种调度策略促使EV与微电网实现良性互动，降低其造成的负面影响是目前亟需解决的问题。目前针对EV大规模、无序接入配电网影响供电可靠性的问题已经有较多研究。分时电价因实用性及调度引导能力强等优点成为主要的控制手段，文献5-7以负荷波动以及用户收益为目标建立经济调度模型，通过不同时段的电价引导用户进行充电从而解决负荷尖峰问题。文献8提出一种利用EV灵活特性，建立其与风电和电网负荷的风电协同利用模型，以负荷均方差最小为目标函数，通过对在不同风电渗透率下的正反调峰情况比较，验证所提策略的有效性。文献9将电动汽车归属为不同代理商，建立了控制中心与代理商双层控制模型，提出了一种基于动态分时电价时段制定方法的负荷优化配置策略，实现了对风电的消纳，削弱了EV并网对电网的冲击。文献10-12通过对峰谷时段的合理划分，改进了分时电价模型，并对不同的充电策略进行仿真分析从而实现削峰填谷。上述文献大多研究了由分时电价引导进行负荷转移的优化调度策略，然而单一的激励措施及不妥的电价设置难以应对负荷及风电的随机波动，大量EV在谷时充电容易造成新的用电高峰13。故综合考虑到EV的灵活储能特性14-17，以及其与绿色能源发展的潜在契合特性，本工作在分时电价基础上，将EV引入到碳交易系统中，提出了一种双重激励策略。首先，采用蒙特卡洛对EV充电负荷进行预测，并建立其电池损耗模型。其次，基于日前预测数据以用户收益最大为经济指标，以并网功率方差最小为优化指标，兼顾微电网运行成本，制定出当日的分时电价与阶梯碳价，便于用户的集群响应。在此基础上，运用优化的灰狼算法对模型进行求解，制定出合理的充放电计划。最后，算例结果表明，由日前预测的风电冗余功率制定的电价以及由微电网的碳排放量制定的阶梯碳价能够促进微电网的稳态运行，增加用户的收益有效提升用户参与调度的积极性。1 微电网的系统结构分析含EV的微电网系统如图1所示，系统内包含风力发电机组、微燃机、储能装置，负荷分为常规负荷和EV负荷。在微电网系统中，风电经过调度中心调配向居民及EV供电，在需求较大时向电网购电，从而减小对电网用电的需求。2 EV的充电模型搭建2.1EV负荷建模EV充电负荷的预测是微电网日前调度的基础，本工作考虑的为家用轿车，因此应在优先满足用户期望荷电状态(SOC)的前提下，根据微电网的情况进行灵活的优化调度。25572023 年第 12 卷储能科学与技术家用车作为日常的代步工具，其主要需求是“朝九晚五”的上下班，休闲娱乐等。因此本工作根据美国交通部对私家车辆出行调查结果的统计，建立基于蒙特卡洛(Monte Carlo)法18对不同数量EV的负荷预测。由统计数据可得家用EV的日行驶距离近似服从正态分布fm(L)，其当天结束使用的时刻可近似看作为EV的入网时刻，服从正态分布fs(T)，如式(1)和式(2)所示。fm(L)=1Lm2exp-()lnx-m222m(1)fs(T)=1s2exp-()T-s222s，s-12 T 241s2exp-()T+24-s222s，0 T s-12 (2)式中，m=3.2，m=0.88，s=3.4，s=17.6。当无序充电时，每辆EV的充电时间，充电功率等均不受外界影响，由式(1)可得单辆EV当日的充电时长，如式(3)所示：Tc=dE100100 km Pc(3)式中，d为EV的日行驶距离；E100为EV每百公里的耗电量；Pc为EV的充电功率。在求得每辆车的充电时长后，根据EV的入网时刻及其充电功率，由叠加定理可求得各时段EV的充电功率，如式(4)所示：Pev(t)=n=1NPev，n()t(4)式中，Pev(t)为t时段EV总的充电功率；Pev,n(t)为第n辆EV在t时段充电功率。2.2EV电池损耗成本EV因其使用性质可以当作一种特殊的储能装置，但不合理的充放电会加速动力电池的老化，缩短其使用寿命。当前EV的动力电池多为锂电池，其寿命受到多种因素的影响，如放电深度、充放电时电池及环境的温度、充电方式等。因放电深度对电池寿命的影响较大且为可控因素，因此本工作考虑其对电池寿命的影响，图2为放电深度和电池寿命的关系19。图1微电网系统结构Fig.1Microgrid system structure diagram图2锂电池放电深度与循环寿命的关系Fig.2The relationship between discharge depth and cycle life of lithium batteries2558第 8 期张响等：考虑电动汽车灵活储能的微电网双重激励优化调度 D()t=Ss()t-Sf()tLD=694D()t-0.795(5)式中，D(t)、Ss(t)、Sf(t)分别为t时刻电池的放电深度、开始充电时的荷电状态、结束充电时的荷电状态；LD是图2关于锂电池放电深度与循环寿命的拟合函数。由式(5)可得t时刻电池总放电量LET(t)，进而求得t时刻相应的电池损耗成本Cd(t)：LET()t=LDSmaxBAD()tCd()t=CbatLET()t(6)式中，SmaxBA为电池的最大电量。2.3EV负荷计算在MATLAB中，根据Monte Carlo随机抽样法由日行驶距离概率分布抽取单量EV的行驶里程，结合式(3)求得充电时长后，再随机抽取入网时间，结合式(4)通过叠加定理可求得不同数量的EV充电负荷，如图3所示。从图中可以看出，随着EV数量的增加，充电需求有较明显的提升，易引起“峰上加峰”，从而对系统造成冲击。因此制定合理有效的引导策略对微电网的稳态运行有现实意义。3 双重激励优化调度模型目前所实施的有序充电策略主要分为分时电价的引导和充电负荷的直接控制20。在满足EV充电需求前提下，本工作提出了一种基于风电冗余功率制定的分时电价机制和碳配额阶梯碳价奖励机制的双重激励策略，为用户提供更多充放电选择的同时，充分挖掘EV的“源-荷”作用，降低微电网的峰谷差。3.1动态分时电价模型分时电价是国家电网为应对居民集中用电对电网造成危害，以电价为信号来引起部分用户的响应，从而实现需求侧用电负荷转移的措施。通常分为峰、平、谷三个时段，根据每个时段的电价，用户可以根据自己的需求避开高峰时段，但若以固定时段划分峰平谷时，无法应对变化的场景，甚至可能会恶化负荷曲线，造成新的波峰波谷。本工作定义风电冗余功率为风电功率与负荷需求的差值，更能体现微电网此刻电能的供需关系，若以此划分分时时段，能有效削峰填谷，从而减少对微电网的冲击，增加对风力能源的消纳。Pmore(t)=Pwind(t)-Pload(t)(7)-Pmore=1Tt=1TPmore()t(8)式中，Pmore(t)为t时刻时的冗余功率；Pwind(t)为t时刻风力发电大小；Pload(t)为t时刻的基础负荷；-Pmore为冗余功率的平均值；T为一天划分的时间段数。该动态定价模型的划分方法如下：（1）由每个时段内的基础负荷和风力发电功率求出各个时段的冗余功率Pmore(t)，以及-Pmore。（2）当该时段风电的冗余功率高于平均功率-Pmore与倍的冗余功率峰谷差之和时，证明该时段Pwind(t)较大，需要提高负荷去消纳多余的有功出力，所以降低电价引导EV充电。（3）当该时段风电的冗余功率低于平均功率-Pmore与倍的冗余功率峰谷差之差时，证明此时Pwind(t)不足，需要微燃机发电或向外购电，因此可实施高峰电价，高电价的实施有助于降低充电功率，鼓励部分用户放电减小微电网的供电压力。其余时段实施平时电价。因此，EV分时电价的关系表达式为：c(t)=()1-0.6 c0，Pmore()t-Pmore+0.25Phc0，-Pmore-0.25Ph Pmore()t-Pmore+0.25Ph()1+0.6 c0，Pmore()t-Pmore-0.25Ph (9)式中，c0为一天平时段时的充放电电价；Ph为冗余功率的峰谷差。3.2碳交易成本模型碳交易是为了实现绿色发展而把碳排放量作为图3不同数量EV无序充电总功率Fig.3Total charging power without order with different number of EVs25592023 年第 12 卷储能科学与技术合法交易商品的一种交易机制，在碳交易机制中，预先给参与交易的主体发放碳排放配额，其运行流程如图4所示。风机在t时刻获得的碳配额如下：Mw(t)=Pw(t)(10)式中，Mw(t)为风机在t时刻获得的碳配额；为碳配额分配系数；Pw(t)为t时刻风力发电的大小。微燃机发电及外部购电时需购买的碳配额如下：Mc(t)=EthPc(t)-Pc(t)(11)Pc(t)=i=1IPMT，i()t+PGrid(t)(12)式中，Mc(t)为t时刻微燃机和外部购电需购买的总碳配额；Eth为单位发电量的碳排放因子；Pc(t)为t时刻微燃机发电和外部购电的总和；PMT,i(t)为t时刻微燃机i的发电量；PGrid(t)为t时刻的外部购电量。为了鼓励EV积极参与微电网的负荷侧响应，将EV引入碳交易体系中，用微燃机发电与外部购电之和的占比，定义EV的碳排放量，同时为更好应对日内新能源发电的随机性制定了阶梯碳价，其EV的碳配额收益为：Mev1(t)=Pev(t)tLevEgas(13)Mev2(t)=Pev(t)tPc()tPc()t+Pw()tEth(14)Cev(t)=qev(t)Mev1(t)-Mev2(t)(15)式中，Mev1(t)为传统燃油车与EV行驶相同的里程数所产生的碳排放量；Pev(t)为EV在t时刻的充放电功率；Lev为单位电量EV可行驶的里程数；Egas为传统燃油车单位行驶里程产生的碳排放量；Mev2(t)为充电时EV产生的碳排放；Cev(t)为t时刻碳交易的收益；qev(t)为t时刻碳配额的售价。因此基于碳配额奖励机制的主要思想为：（1）当微电网的碳配额大于碳排放量时，说明此时微电网风电充裕，风力发电占比较大，此时给予较低的碳配额价格，并奖励进行充电的用户，鼓励用户在此时充电，促进多余风电的消纳。（2）当微电网的碳配额小于碳排放量时，说明风力发电占比减小，考虑到现实中用户的放电积极性不高，为鼓励用户放电，微电网给予EV的碳配额奖励价格会随着碳排放量的增加而逐层增加，此时奖励进行放电的用户，若用户选择在此时放电，会有较为可观的收益。在t时刻的碳价格如下式：qev(t)=qbaseev()tPw()t+Pc()t EthPc()t()1+qbaseev，tPw()t+Pc()t EthPc()t Pw()t+Pc()t+L()1+2 qbaseev，tPw()t+Pc()t+L EthPc()t Pw()t+Pc()t+2L()1+3 qbaseev，tEthPc()t Pw()t+Pc()t+2L(16)式中，qev(t)为t时刻的碳配额价格；qbaseev(t)为碳配额基础价格；L为碳配额区间长度；为碳配额区间增长幅度。3.3双重激励政策在不考虑引入碳交易政策时，EV仅在分时电价的引导下充放电，因为风电的随机性以及激励政策单一性，易造成新的峰谷差，进而恶化负荷曲线。为了发挥电动汽车作为柔性负荷的特点，提升用户的积极性，同时响应国家碳减排政策，本工作实施分时电价与动态碳配额的双重激励政策。在保证EV离网时期望SOC的前提下，充分利用分时电价与动态碳配额的引导作用，避免新的波峰波谷形成，增大激励力度，提高用户有序充放电的参与度。4 EV充放电模型求解为避免EV的充电给微电网造成的不利影响，设定以并网功率波动方差最小和用户收益最大为目标函数，同时加入微电网运行成本惩罚系数，减少微电网的运行成本。4.1目标函数4.1.1负荷均方差最小本工作以微电网的并网功率方差最小为系统运行稳定性指标，并加入微电网运行惩罚成本，目标图4碳交易流程Fig.4Carbon trading flow chart2560第 8 期张响等：考虑电动汽车灵活储能的微电网双重激励优化调度函数为：F1=1Tt=1TPload(t)+Pev(t)+PBA(t)-PMT(t)-Pwind(t)-Pavg2+CG(17)式中，PBA(t)为t时刻蓄电池的充放电功率；Pavg为t时刻并网功率平均值；为微电网运行成本惩罚系数，CG为微电网运行成本。目标函数中的相关函数如下：Pavg=1Tt=1TPload()t+Pev()t+PBA()t-PMT()t-Pwind()tCG=Cgen+CCO2+Cd()t+Closs()tCgen=Pw()t Cw+PMT()t CMT+Pgrid()t CgridCCO2=EthPc()tCloss()t=|Pev()tc()tPMT()t=i=1IPMT，i()t(18)式中，CG为微电网的运行成本，Cgen、CCO2为微电网的发电成本和碳排放成本；Closs(t)为EV充放电时功率损耗成本；为功率损耗比；CW、CMT、Cgrid为风力发电成本、微燃机发电成本和向电网的购电成本；PMT(t)为t时刻微燃机发电的总功率。4.1.2用户充放电收益最大以用户的收益最大，即用户的充放电成本最小为经济指标设定目标函数，目标函数F2为：F2=mint=1TPev()t c()t-Cev()t(19)式中，c(t)为EV在t时刻充放电的电价。4.2约束条件4.2.1功率平衡约束Pload(t)+Pev(t)+PBA(t)+Ploss(t)=PMT(t)+Pwind(t)+Pgrid(t)(20)4.2.2微燃机出力约束PminMT，i(t)PMT，i(t)PmaxMT，i(t)(21)式中，PminMT,i(t)、PmaxMT,i(t)为第i个微燃机组在t时段的功率上限和下限。4.2.3风电出力约束Pminw Pw(t)Pmaxw(22)式中，PminW、PmaxW分别为风机在t时刻的最小发电功率和最大发电功率。4.2.4EV功率约束-PmaxD(t)Pev(t)PmaxC(t)(23)式中，PmaxD(t)、PmaxC(t)分别为在t时刻EV最大放电功率和最大充电功率。4.2.5EV的SOC约束SOCdesire SOCend SOCmax(24)式中，SOCdesire为EV期望的荷电状态；SOCend为EV结束充电时的荷电状态；SOCmax为EV最大荷电状态。4.2.6蓄电池功率约束-PmaxBA，D(t)PBA(t)PmaxBA，C(t)(25)式中，PmaxBA,D(t)、PmaxBA,C(t)分别为蓄电池放电和充电的最大功率。4.2.7蓄电池电量约束SminBA(t)SBA(t)SmaxBA(t)(26)式中，SminBA(t)、SmaxBA(t)分别为蓄电池电量的上限和下限；SBA(t)为t时刻蓄电池的电量。4.3模型求解本工作采取多目标灰狼优化算法对目标函数进行求解。灰狼优化算法(GWO)是受狼群捕食猎物的启发而研究的一种算法，它具有收敛性强、参数少、易实现等优点21。该算法中引入了非支配排序，考虑拥挤度，保持所得解的多样性，从而实现更好的全局寻优。5 算例分析5.1基础参数设置以风电作为清洁能源，其中风机的装机容量为2 MW，微电网的电压等级为10 kV，假设以某小区300辆EV，且其电池容量为60 kWh进行分析，常规模式下EV的充放电功率均为5.4 kW，单位电量的行驶里程为 5 km，微燃机最大发电功率为300 kW，微电网的接线参考图1，各单元通过调度中心统一协调，大电网与微电网通过交流母线进行电能传输，部分参数参考文献22，碳配额的相关参数详见表1，时间间隔设置为1 h，微电网运行成本惩罚系数设为0.7，基于日前预测的分时电价见表2。5.2仿真结果分析5.2.1EV在不同场景下的调度结果（1）等效负荷曲线对比图5为EV无序充电前后微电网的等效负荷，由图可知，在18 0021 00时，风力发电较小，而居民处在用电高峰期，EV无序充电会造成本就处于用电高峰的基础负荷峰上加峰，从而会对微电网的稳态运行形成冲击。25612023 年第 12 卷储能科学与技术加入适当的激励措施引导EV有序充放电，会促进微电网的稳定运行，因此结合不同时段的碳配额和碳排放量，制定了相对应的碳配额奖励机制及阶梯碳价，见表3。为证明所提策略的有效性，本工作选取不同场景进行对比，场景设置见表4，场景3下设备出力及EV的平均SOC如图6所示。图7为不同场景下等效负荷曲线对比，12 0013 00为高电价时段，在场景2情况下结合图5并分析可得，此时段风机出力不断变小，居民负荷小幅增大，从而导致功率缺额不断上升。但因为电价激励措施的单一影响，部分EV在高电价时选择集中放电，此时进行放电易形成新的波谷。表5为不同场景下负荷峰谷差、用户收益及微电网运行费用对比。通过表5与图7可以看出，在加入碳配额奖励后，微电网的等效负荷曲线得到了更为有效平抑，且场景3相较于场景1的等效负荷峰谷差降低了30.1%，与场景2相比降低了18.6%。图7不同场景下的等效负荷对比Fig.7Comparison of equivalent loads in different scenarios表1碳配额相关参数Table 1Relevant parameters of carbon quota碳配额相关参数微燃机单位电量的碳配额/(kg/kW)微燃机单位电量的碳排放/(kg/kW)燃油车每公里的碳排放量/(kg/km)电网购电单位电量的碳配额/(kg/kW)电网购电单位电量的碳排放/(kg/kW)碳排放区间/kg电网购电价格/(元/kWh)数值0.61120.71090.1970.72010.8891400.8表2配电网动态分时电价Table 2Dynamic time-of-use electricity price of distribution network具体时段1，2，3，4，5，6，7，248，9，10，11，14，15，16，1712，13，18，19，20，21，22，23电价/(元/kWh)0.250.50.8表4不同场景的设置方案Table 4Setting schemes for different scenarios场景123考虑分时电价考虑碳交易表3配电网的碳价格Table 3Carbon price of distribution network具体时段1，2，3，4，5，6，7，8，22，23，242110，12，13，17，199，11，14，15，16，18，20碳价/(元/kWh)0.200.240.260.28图5EV入网前后等效负荷对比Fig.5Comparison of equivalent load before and after EV access图6场景3下设备出力及EV的SOCFig.6Equipment output and SOC of EV under scenario 32562第 8 期张响等：考虑电动汽车灵活储能的微电网双重激励优化调度（2）收益对比由表5可知，用户在满足离网预期SOC的前提下，相对于分时电价的单一激励，通过碳配额的转化可增加1倍以上的用户收益，因EV充放电时的线路损耗成本及电池损耗成本，单一激励相较于无序充电微电网的运行成本小幅增加。5.2.2动静态碳配额价格的调度结果对比从图8可以看出，在静态碳配额价格加入后，虽然增加了新的激励措施，但由于固定的碳配额价格，并不会对用户有较强的引导作用，因此中午时段还是会形成新的波谷；而动态碳配额价格的加入，会给一些停驶的车辆或不急于充电的车辆提供更多更优选项，更能适配微电网日内所面对的随机性。5.2.3不同数量EV的调度结果对比本工作分别选取了200、250、300辆EV在场景3下进行对比，其等效负荷的峰谷差和日负荷方差见表6，该地区典型日负荷曲线如图9所示。结合表6和图9可知，EV的数量为300辆时相较于200辆时的峰谷差降低了14.9%，相较于250辆时降低了7.1%。因此在一定数量范围内时，随着EV的增多，其削峰填谷的作用会更加明显，微电网的稳定性亦会增加。6 结论本工作提出的双重激励调度策略解决了因EV充电及新能源发电的随机性形成峰谷差的问题：（1）将EV引入碳交易系统后实施的双重激励策略与原始负荷曲线相比峰谷差降低了30.1%，相较于分时电价单一策略降低了18.6%且用户的收益提升1倍，削峰填谷能力得到有效提升的同时提高了用户参与微电网调度的积极性。（2）相较于静态的碳配额价格，动态价格及不同情况下的奖惩机制更能适应风电的随机性，负荷曲线得到了有效平抑。且在合理的范围内，EV数量增多50辆使其峰谷差下降约7%，有利于微电网的优化调度。（3）在今后工作中，应综合考虑更多典型日的不同情况，使其更具有普适性。参 考 文 献1 郭永强,张靖,何宇,等.考虑电动汽车充放电响应的微电网混合储能配置J.电网与清洁能源,2022,38(8):82-93.GUO Y Q,ZHANG J,HE Y,et al.Hybrid energy storage configuration of micro-grid considering charge-discharge response of EVsJ.Power System and Clean Energy,2022,38(8):82-93.2 RAHBARI-ASR N,CHOW M Y,CHEN J M,et al.Distributed real-表5不同场景下的峰谷差比值Table 5Peak to valley difference ratio under different scenarios场景场景1场景2场景3负荷峰谷差/kW2655.62280.21856.2用户收益/元1549.33683.2微电网运行费用/元543535726254390表6不同数量EV的对比Table 6Comparison of different number of electric vehicles数量/辆200250300峰谷差/kW2180.21998.71856.2日负荷方差/kW2137370.0110740.051962.0图8动静态碳配额价格等效负荷对比Fig.8Comparison of dynamic and static carbon quota price equivalent load图9不同数量EV的典型日负荷曲线Fig.9Typical daily load curve of different number of electric vehicles25632023 年第 12 卷储能科学与技术time pricing control for large-scale unidirectional V2G with multiple energy suppliersJ.IEEE Transactions on Industrial Informatics,2016,12(5):1953-1962.3 RAGHAVAN S S,KHALIGH A.Electrification potential factor:Energy-based value proposition analysis of plug-in hybrid electric vehiclesJ.IEEE Transactions on Vehicular Technology,2012,61(3):1052-1059.4 MA Z J,CALLAWAY D S,HISKENS I A.Decentralized charging control of large populations of plug-in electric vehiclesJ.IEEE Transactions on Control Systems Technology,2013,21(1):67-78.5 黄柏强,陈建基,李盛佳,等.分时电价背景下光伏出力园区电动汽车的有序充电策略J.电器与能效管理技术,2022(9):58-65.HUANG B Q,CHEN J J,LI S J,et al.Orderly charging strategy of electric vehicles in photovoltaic output park under the background of time-of-use electricity priceJ.Electrical&Energy Management Technology,2022(9):58-65.6 徐嘉启,郭红霞,邹桂林.基于实时电价的含电动汽车微电网两阶段优化调度J.科学技术与工程,2023,23(13):5571-5578.XU J Q,GUO H X,ZOU G L.Two-stage optimization scheduling of microgrid with electric vehicles based on real-time electricity priceJ.Science Technology and Engineering,2023,23(13):5571-5578.7 刘明杭,田书,梁英达.考虑电动汽车用户满意度的微电网双层多目标优化调度J.分布式能源,2022,7(2):18-25.LIU M H,TIAN S,LIANG Y D.Double-level multi-objective optimal scheduling of microgrid considering customer satisfaction of electric vehiclesJ.Distributed Energy,2022,7(2):18-25.8 李雪亮,吴奎华,冯亮,等.电动汽车动力电池与风电协同利用的优化调度策略研究J.电子测量与仪器学报,2017,31(4):501-509.LI X L,WU K H,FENG L,et al.Optimization scheduling strategy research on synergistic utilization of electric vehicle batteries and wind powerJ.Journal of Electronic Measurement and Instrumentation,2017,31(4):501-509.9 朱磊,黄河,高松,等.计及风电消纳的电动汽车负荷优化配置研究J.中国电机工程学报,2021,41(S1):194-203.ZHU L,HUANG H,GAO S,et al.Research on optimal load allocation of electric vehicle considering wind power consumptionJ.Proceedings of the CSEE,2021,41(S1):194-203.10 包宁宁,刘晓波.分时电价下电动汽车有序充放电优化策略J.电力科学与工程,2023,39(2):14-20.BAO N N,LIU X B.Optimal strategy of orderly charging and discharging of electric vehicles under time-of-use electricity priceJ.Electric Power Science an