-
随着电动汽车保有量的增长，通过电动汽车负荷聚合商统一管理调度电动汽车参与电力市场成为了重要形式[1]。Vagropoulos S I等人引入了电动汽车分区分层管理的理念，通过负荷聚合商整合分散的电动汽车参与系统调度，达到削峰填谷的效果[2]。Vaya M G等人利用V2G技术合理地控制电动汽车充放电，为系统提供辅助服务，改善了电网运行的经济性和安全性，同时也增加了电动汽车车主的收益[3]。Ruelens F等人的研究表明电动汽车负荷聚合商的预测电价与实际出清电价之间的偏差会影响负荷聚合商的利润[4]。但上述研究均没有考虑出清电价的不确定性对电动汽车负荷聚合商投标决策带来的风险。
Momber I等人将条件风险价值(conditional value at risk，CVaR)作为风险控制措施，优化了插入式电动汽车负荷聚合商在日前交易市场上的充放电策略[5]。但CVaR直接将风险作为额外成本，不仅增加了计算量，还不能保证负荷聚合商收益的稳定性。杨甲甲等人利用鲁棒优化方法计及虚拟电厂出力、电动汽车及市场电价的不确定性，并通过算例验证了所提方法的有效性[6]。但鲁棒优化方法需要输入变量不确定性程度的准确表示。间隙决策(information gap decision theory，IGDT)理论是一种根据决策者对不确定性带来的威胁接受程度确定变量波动范围的优化方法[7]，它不需要不确定性变量的概率分布，而是针对预测值与实际值的偏差进行建模，现已被广泛应用于电力系统中[8-10]。因此，利用IGDT理论处理电力市场电价的不确定性对不同风险态度的电动汽车负荷聚合商决策的影响是可行的。
面对电动汽车负荷聚合商的不同风险态度，基于IGDT理论，本文构建了悲观型聚合商与乐观型聚合商的需求侧放电投标模型，并求解出了在不同期望收益目标下电动汽车负荷聚合商的投标策略。算例分析验证了所提策略的有效性。
-
电动汽车负荷聚合商是实现管理一定区域内的电动汽车群来参与电力市场的重要途径。作为电动汽车车主与电力调度中心的中间桥梁，负荷聚合商对所管理的电动汽车具有绝对的控制权，电动汽车负荷聚合商的作用如图1所示。
图 1 电动汽车负荷聚合商的作用
Figure 1. Role of electric vehicle load aggregators
电动汽车负荷聚合商的收益来源于电力调度中心，而因电动汽车充电产生的费用，由车主直接与电力调度中心进行交易[11]。电力调度中心对电动汽车负荷聚合商的投标方案统一出清，出清电价为
${\omega _t}$ ；为了充分调动电动汽车用户的积极性，因调度电动汽车参与放电而导致的电池损耗，负荷聚合商将以${K_t}$ 倍的价格支付给电动汽车用户一部分补偿费用[12]。电动汽车负荷聚合商的收益目标如下：$$\max R = \sum\limits_{t = 1}^T {{\omega _t}{P_t}} - \sum\limits_{t = 1}^T {{K_t}{P_t}} $$ (1) 式(1)定义的目标函数由两部分组成。第一部分是负荷聚合商参与电网调峰的收入，其中
${P_t}$ 表示$t$ 时段负荷聚合商管理区域内电动汽车的放电电量，需要满足投标容量约束如下：$$0 \leqslant {P_t} \leqslant P_t^{\max }$$ (2) $${P_t}{\rm{ = }}\sum\limits_{i = 1}^N {{p_{i,t}}} $$ (3) 第二部分表示由于V2G放电，负荷聚合商补偿给电动汽车车主的电动汽车电池损耗成本。本文假定电动汽车负荷聚合商管理区域内的电动汽车采用同一款电池，且充放电需满足动力电池的充放电等式约束、用户出行需求约束、充放电状态转换约束，如下：
$$E_{t + 1}^{} = E_t^{} + p_{i,t}^{{\rm{ch}}}\Delta t{\eta _{{\rm{ch}}}} - p_{i,t}^{{\rm{dis}}}\Delta t/{\eta _{{\rm{dis}}}}$$ (4) $$E_0^{} = E_{\rm{T}}^{}$$ (5) $$0 \leqslant p_{i,t}^{{\rm{ch}}} \leqslant p_i^{{\rm{ch,max}}}U_{i,t}^{{\rm{ch}}}$$ (6) $$0 \leqslant p_{i,t}^{} \leqslant p_i^{{\rm{max}}}U_{i,t}^{{\rm{dis}}}$$ (7) $$U_{i,t}^{{\rm{ch}}} + U_{i,t}^{{\rm{dis}}} = 1$$ (8) $$\sum\limits_{t = 1}^{\rm{T}} {\left| {U_{i,t}^{\operatorname{dis} } - U_{i,t - 1}^{{\rm{dis}}}} \right|} \leqslant {N_{{\rm{bat}}}}$$ (9) 式中：
${P_{i,t}}$ 为第$i$ 辆电动汽车在t时段的放电功率；${\eta _{{\rm{ch}}}}$ 为电动汽车的充电效率；${\eta _{dis}}$ 为电动汽车的放电效率；${E_0}$ 为充电初始时刻的电动汽车功率；${E_{\rm{T}}}$ 为充电终止时刻用户需要的电动汽车功率；${P^{{\rm{dis,max}}}}$ 和${P^{{\rm{ch,max}}}}$ 分别为电动汽车的最大放电功率和最大充电功率；$U_{i,t}^{{\rm{ch}}}$ 为第$i$ 辆电动汽车在$t$ 时段的充电状态，为0时表示充电，为1时表示放电；$U_{i,t}^{{\rm{dis}}}$ 为第$i$ 辆电动汽车在$t$ 时段的放电状态，为0时表示放电，为1时表示充电；${N_{{\rm{bat}}}}$ 为电动汽车充放电转换次数限值。 -
市场出清电价取决于所有需求响应参与者的报价，因此电动汽车负荷聚合商在需求侧放电投标时，首先对出清电价进行预测。负荷聚合商的预测电价与市场出清电价存在的偏差会导致最终结算利润不确定。不同的负荷聚合商可承受的风险水平不同，为此，本文利用IGDT理论，对预测电价与市场出清电价之间的偏差进行建模，得到考虑出清电价不确定性不同风险态度下的电动汽车负荷聚合商需求侧放电电量。
-
IGDT理论首先确定系统的输入/输出结构。对电动汽车负荷聚合商参与电网调峰模型而言，系统模型的输入结构为不确定变量，即需求侧调峰的出清电价ωt；决策变量为电动汽车负荷聚合商的放电电量Pt；输出结构为电动汽车负荷聚合商的收益R。
-
在实际电动汽车负荷聚合商参与需求侧放电竞价的过程中，电力市场需求侧放电竞价的出清电价与负荷聚合商预测电价之间存在差异。如果不考虑二者之间的差异，电动汽车负荷聚合商的收益将会受到影响，所以需要建立考虑电价不确定性的模型。如图2所示，出清电价围绕着预测电价上下波动。因此，出清电价可以用IGDT模型来表示：
图 2 日前出清电价的波动范围
Figure 2. Fluctuation range of day-ahead electricity price
$$\Gamma (\alpha ,\omega ) = \left\{ {{\omega _t}:\left| {\frac{{{\omega _t} - {{\bar {\omega} }_{tt}}}}{{{{\bar {\omega} }_{tt}}}}} \right|\alpha } \right\}\;\;\;\;\alpha \geqslant 0$$ (10) 式中：
${\bar \omega _t}$ 为负荷聚合商的预测电价；${\omega _t}$ 为出清电价；α为出清电价的波动幅度。由式(10)可得，不确定性范围的长度等于$\alpha {\bar \omega _t}$ 。这意味着${\bar \omega _t}$ 的值越大，导致的可容忍的风险就越大。由于高价期间的价格预测误差大于其他时期的价格预测误差，因此将$\alpha {\bar \omega _t}$ 作为边际价格差是合适的。 -
性能要求表示系统所能达到的利益。电网调峰出清电价的变化可能会影响系统的整体利益。面对不确定性变量带来的风险，不同的决策者有不同的态度。根据电动汽车负荷聚合商对风险的偏好程度，本文可将其分为乐观型聚合商和悲观型聚合商。乐观型聚合商通常追求有实现可能的较大期望收益目标，而悲观型聚合商追求的是稳定性收益，要尽可能地规避不确定性带来的风险。
针对悲观型聚合商的特点，本文选择鲁棒函数来抵抗不确定性。在确定期望收益的前提下，以最大化不确定变量的波动幅度为目标，求解鲁棒模型得到的决策解可以保证在波动幅度内始终满足期望收益。针对乐观型聚合商的特点，本文选择机会函数来享受不确定性带来的收益，也就是在确定期望收益的前提下，以最小化出清电价的波动幅度为目标，求解机会函数得到决策解。鲁棒函数和机会函数表示如下：
$${\alpha _{{\rm{neg}}}}({P_t},R) = \mathop {{\rm{max}}}\limits \left\{ {\alpha :\mathop {\min }\limits_{{\omega _t} \in \Gamma ({P_t},{{\bar \omega }_t})} R({P_t},{\omega _t}) \geqslant {R_i}} \right\}$$ (11) $${\alpha _{{\rm{opt}}}}({P_t},R) = \mathop {{\rm{min}}}\limits \left\{ {\alpha :\mathop {\max }\limits_{{\omega _t} \in \Gamma ({P_t},{{\bar \omega }_t})} R({P_t},{\omega _t}) \geqslant {R_j}} \right\}$$ (12) 式(11)代表悲观型聚合商，追求低风险低收益。在任何情况下，悲观型聚合商在不确定变量影响下的收益通常都要远远大于期望收益
${R_i}$ 。在任何情况下，悲观型聚合商意外收益通常远远大于期望收益。式(12)代表乐观型聚合商，追求高风险高收益。因此，要求满足在最低水平的不确定变量条件下确定的最大收益大于意外收益Rj。 -
悲观型聚合商追求的是稳定性收益，要尽可能地规避不确定性带来的风险。决策者通常要求保证某一期望收益目标的实现，即在满足最小收益不小于某一期望收益Ri的前提下，追求使得能抵抗参与调峰的需求侧放电电量的出清电价波动幅度最大化的放电投标策略。根据IGDT理论，可建立如下悲观型聚合商可调度参与电网调峰的电动汽车放电电量的决策投标模型：
$$\begin{array}{l} \quad\quad\quad\quad \max \quad {\alpha _{{\rm{neg}}}} \\ s.t.\left\{ {\begin{array}{*{20}{c}} {\mathop {\min }\limits_{{\omega _t} \in \Gamma ({\alpha _{{\rm{neg}}}},{{\bar \omega }_t})} R({P_t},{\omega _t}) \geqslant {R_i}}\\ {\left| {\dfrac{{{\omega _t} - {{\bar \omega }_t}}}{{{{\bar \omega }_t}}}} \right| \leqslant{\alpha _{{\rm{neg}}}},\;{\alpha _{{\rm{neg}}}} \geqslant 0}\\ {{\text{约束}}\left( 2 \right) - \left( 9 \right)} \end{array}} \right. \end{array}$$ (13) 此时，不确定变量电价的波动幅度αneg称为鲁棒系数。假设输入参数为确定值时，优化模型求得的最优解为R0。存在不确定性时，实际输入参数对应解难以达到最优解。为保证优化结果，决策者根据要求设定一个最低期望目标Ri。Ri可由R0表示如下：
$${R_i} = \left( {1 - a} \right){R_0}$$ (14) 式中a表示悲观型聚合商放电决策模型偏差因子，即期望目标与确定性模型最优解之间的偏差程度。为保证决策方案的鲁棒性，期望目标值高于决策值，因此a的取值范围为
$[0,1)$ 。a的值越大表示决策解对风险的规避程度越大。传统的优化方法很难处理鲁棒优化，因此，本文首先利用拉格朗日松弛算法求解电动汽车负荷聚合商的最小收益。
$$\begin{split} & \min R({P_t},{\omega _t}) = \sum\limits_{t = 1}^T {({\omega _t}{P_t} - {K_t}{P_t}} ) \\ & \quad\quad{{\rm{s.t.}}}\quad\quad\left| {\frac{{{\omega _t} - {{\bar \omega }_t}}}{{{{\bar \omega }_t}}}} \right| \leqslant {\alpha _{{\rm{neg}}}} \end{split} $$ (15) 由于上述为凸优化问题，利用拉格朗日松弛算法，可将其表示为
$${\nabla _\mu }\left\{ {{\omega _t}{P_t} - {K_t}{P_t} + \mu \left(\alpha _{neg}^2 - {{\left(\frac{{{\omega _t} - {{\bar \omega }_t}}}{{{{\bar \omega }_t}}}\right)}^2}\right)} \right\} = 0$$ (16) 式中μ表示拉格朗日乘子。计算结果如下：
$${\omega _{\rm{t}}} = {\bar \omega _t} \pm {\alpha _{{\rm{neg}}}}{\bar \omega _t}$$ (17) 考虑到不确定变量为正数，当需求侧放电出清电价取最小值时，电动汽车负荷聚合商的收益最小[14]。此时，
$${\omega _{\rm{t}}} = {\bar \omega _t} - {\alpha _{{\rm{neg}}}}{\bar \omega _t}$$ (18) 将式(18)代入式(1)，整理可得：
$$\min R = ({\bar \omega _t} - {\alpha _{{\rm{neg}}}}{\bar \omega _t}){P_t} - {K_t}{P_t}$$ (19) 从电动汽车负荷聚合商的态度出发，其最小收益至少为电动汽车负荷聚合商的最低期望目标值Ri，即
$${R_i} = ({\bar \omega _t} - {\alpha _{{\rm{neg}}}}{\bar \omega _t}){P_t} - {K_t}{P_t}$$ (20) 整理可得，鲁棒系数
${\alpha _{{\rm{neg}}}}$ 可表示为$${\alpha _{neg}} = \frac{{\displaystyle\sum\limits_{t = 1}^T {{{\bar \omega }_t}{P_t} - \displaystyle\sum\limits_{t = 1}^T {{K_t}{P_t}} - {R_i}} }}{{\displaystyle\sum\limits_{t = 1}^T {{{\bar \omega }_t}{P_t}} }}$$ (21) 综上，悲观型聚合商的放电决策模型可简化为
$$\begin{array}{*{20}{c}} {}&{} \end{array}\max \frac{{\displaystyle\sum\limits_{t = 1}^T {{{\bar \omega }_t}{P_t} - \displaystyle\sum\limits_{t = 1}^T {{K_t}{P_t}} - (1 - a){R_0}} }}{{\displaystyle\sum\limits_{t = 1}^T {{{\bar \omega }_t}{P_t}} }}$$ (22) 约束条件为式(2)—(9)。
-
乐观型聚合商是风险投机者，通常追求有实现可能的较大期望收益目标，即在满足调度区域内电动汽车放电所得到的最大收益(最好情况)大于某一期望收益Rj的前提下，追求使得所需要的参与调峰的需求侧放电电量的出清电价波动幅度最小化的放电电量投标策略。根据IGDT理论，可建立乐观型聚合商的放电决策模型：
$$\begin{array}{l} \begin{array}{*{20}{c}} {\begin{array}{*{20}{c}} {}&{} \end{array}}&{} \end{array}\min \begin{array}{*{20}{c}} {}&{{\alpha _{{\rm{opt}}}}} \end{array}\\ \\ {\rm{s.t.}}\left\{ {\begin{array}{*{20}{c}} {\mathop {\max }\limits_{{\omega _t} \in \Gamma ({\alpha _{{\rm{opt}}}}{\rm{,}}{{\bar \omega }_t})} R({P_t},{\omega _t}) \geqslant {R_i}}\\ {\left| {\dfrac{{{\omega _t} - {{\bar \omega }_t}}}{{{{\bar \omega }_t}}}} \right| \leqslant {\alpha _{{\rm{opt}}}},\;{\alpha _{{\rm{opt}}}} \geqslant 0}\\ {{\text{约束}}\left( 2 \right) - \left( 9 \right)} \end{array}} \right. \end{array}$$ (23) 此时，不确定变量电价的波动幅度
${\alpha _{{\rm{opt}}}}$ 称为机会系数。为保证优化结果，乐观决策者根据要求设定一个最低预期目标Rj：$${R_j} = \left( {1 + b} \right){R_0}$$ (24) 式中b为乐观型聚合商放电投标决策模型的偏差因子，即预期目标与确定性模型最优解之间的偏差程度，取值范围为[0, 1)。b的值越大表示决策解对风险的追求程度越大。
通常，当需求侧放电出清电价取最大值时，乐观型聚合商的收益最大，此时：
$${\omega _t} = {\bar \omega _t} + {\alpha _{{\rm{opt}}}}{\bar \omega _t}$$ (25) 将式(25)代入式(1)，整理可得：
$$\max R = ({\bar \omega _t} + {\alpha _{{\rm{opt}}}}{\bar \omega _t}){P_t} - {K_t}{P_t}$$ (26) 乐观型聚合商的最大收益至少等于Rj，即：
$${R_j} = ({\bar \omega _t} + {\alpha _{{\rm{opt}}}}{\bar \omega _t}){P_t} - {K_t}{P_t}$$ (27) 整理可得因而上述模型可简化为
$${\alpha _{{\rm{opt}}}} = \frac{{{R_j} - \displaystyle\sum\limits_{t = 1}^T {{{\bar \omega }_t}{P_t} + \displaystyle\sum\limits_{t = 1}^T {{K_t}{P_t}} } }}{{\displaystyle\sum\limits_{t = 1}^T {{{\bar \omega }_t}{P_t}} }}$$ (28) 综上，乐观型聚合商的放电决策模型为
$$\begin{split} &\min \dfrac{{{R_j} - \displaystyle\sum\limits_{t = 1}^T {{{\bar \omega }_t}{P_t} + \displaystyle\sum\limits_{t = 1}^T {{K_t}{P_t}} } }}{{{{\bar \omega }_t}}}\\ & {\rm{s.t.}} \quad {{\text{约束}}\left( 2 \right){\rm{ - }}\left( 9 \right)} \end{split}$$ (29) -
假设某地区发生电力短缺现象，电力调度中心为保证电力系统的稳定运行发布调峰需求。假设电力调度中心的调度间隔为30 min，某日电力调度中心向负荷商发布次日电网需要调峰的时段为11:00—16:00之间的12个时段。各个时段需要的功率见表1。
表 1 高峰各时段调峰需求量
Table 1. Demanded peak load regulation quantity at various peak load time intervals
时段 P/MW 时段 P/MW 时段 P/MW 1 25 2 25 3 30 4 30 5 35 6 35 7 40 8 40 9 45 11 45 12 40 13 40 电动汽车的出行在空间和时间上都具有随机性，考虑车主出行习惯和峰谷分时电价机制，本文以私家电动车为研究对象，做出以下假设：
1）电动汽车的电池容量在20~30 kWh范围内均匀分布；且其可用容量范围为10%~90%。
2）不考虑环境因素的影响，电动汽车充放电功率服从3~5 kW的均匀分布。
3）电动汽车车主响应峰谷分时电价控制电动汽车充放电行为。假设按照表2所示的峰谷分时电价表对用电进行划分。
表 2 分时电价表
Table 2. Peak-valley price table
时段划分 时间 电价/(元/(kW·h)) 峰时段 11:00—23:00 1.082 平时段 23:00—次日1:00; 8:00—11:00 0.649 谷时段 1:00—8:00 0.312 需要调峰的时段为11:00—16:00，均为峰时段。预测电价统一为1.082元/kW·h。
假设电动汽车负荷聚合商管理区域内有2万辆电动汽车参与放电调峰，根据表2所示的峰谷分时电价表，利用蒙特卡洛法模拟出电动汽车群各时段有序充放电的功率曲线，其中，电动汽车日行里程服从均值为3.7，标准差为0.9的对数正态分布[15]。各时段的充放电功率如图3所示。
图 3 两万辆电动汽车有序充放电功率示意图
Figure 3. Schematic diagram of well-organized charging and discharging power of 20,000 electric vehicles
进而，得到各电动汽车负荷聚合商在高峰时段可调度的电动汽车放电量的最大值，如表3所示。
表 3 高峰各时段最大放电量
Table 3. Maximum discharge capacity at various peak load time interval
时段 P/MW 时段 P/MW 时段 P/MW 1 8.5 2 8.5 3 16.8 4 16.8 5 25.6 6 25.6 7 32.4 8 32.4 9 36.9 10 36.9 11 38.4 12 38.4 -
对建立的电动汽车负荷聚合商放电决策模型进行求解，可得到不考虑日前电价不确定性的情况下的收益为48684元，本文将此类负荷聚合商定义为中性聚合商。当考虑出清电价的不确定性时，通过改变偏差因子，确定不同的期望目标，求解IGDT决策模型，得到不确定电价的最大波动幅度以及电动汽车放电方案，见附表A1、A2。IGDT评价系数与偏差因子的关系如图4所示。
表 A1 悲观型聚合商投标方案
Table A1. Bidding schemes for pessimistic aggregators
偏差因子 0.1 0.2 0.3 0.4 0.5 0.6 0.7 鲁棒系数 0.08 0.32 0.47 0.60 0.87 1.50 1.62 时段1 1.830 1.825 1.823 1.823 1.568 1.254 0.941 时段2 1.845 1.840 1.835 1.835 1.578 1.262 0.9465 时段3 5.610 5.324 5.010 5.010 4.309 3.447 2.585 时段4 5.625 5.356 5.210 5.210 4.480 3.584 2.688 时段5 5.645 5.455 5.320 5.320 4.575 3.660 2.745 时段6 5.645 5.326 5.560 5.560 4.782 3.826 2.870 时段7 9.839 9.421 9.080 9.080 7.809 6.247 4.685 时段8 9.992 9.633 9.770 9.770 8.402 6.722 5.042 时段9 9.729 9.729 10.110 10.110 8.695 6.948 5.211 时段10 9.802 9.998 10.234 10.234 8.801 7.041 5.281 时段11 11.342 11.112 11.012 11.012 9.470 7.576 5.682 时段12 11.323 11.233 11.323 11.323 9.738 7.790 5.843 期望收益/¥ 43815.6 38947.2 34078.8 29210.4 24342 19473.6 14605.2 表 A2 乐观型聚合商投标方案
Table A2. Bidding schemes for optimistic aggregators
偏差因子 0.1 0.2 0.3 0.4 0.5 0.6 0.7 机会系数 0.28 0.43 0.52 0.82 0.97 1.21 1.43 时段1 1.468 1.596 1.735 1.869 2.001 2.287 2.431 时段2 1.560 1.688 1.835 1.976 2.117 2.258 2.401 时段3 5.120 5.542 6.024 6.488 6.948 7.414 7.881 时段4 5.542 5.998 6.520 7.022 7.521 8.024 8.530 时段5 4.526 4.899 5.325 5.735 6.142 5.554 6.967 时段6 4.955 5.364 5.830 6.279 6.725 7.175 7.627 时段7 9.351 10.121 11.001 11.848 12.689 13.539 14.392 时段8 9.632 10.425 11.332 12.204 13.071 13.947 14.826 时段9 13.335 14.433 15.688 16.896 18.096 19.308 20.524 时段10 13.675 14.801 16.088 17.327 18.557 19.800 21.048 时段11 11.048 11.958 12.998 13.999 14.993 15.997 17.005 时段12 11.558 12.510 13.598 14.645 15.685 16.736 17.790 期望收益/¥ 53552.4 58420.8 63289.2 68157.6 73026 77894.4 82762.8 由图4可知，偏差因子与鲁棒系数呈负相关关系，即随着决策者期望收益的下降，鲁棒系数增加。当有利目标价格从48684元下降到14605.2元时，鲁棒系数从0增加到1.62。这是因为期望收益越低，决策者可接受的风险程度越低，此时决策者追求稳健收益，因此允许的不确定性波动范围就越大。相比之下，偏差因子与机会系数呈正相关关系，即随着决策者期望收益的增加，机会系数也随之增加。当机会系数从0到1.43之间变化时，乐观型聚合商收益从48684元增加到了82762.8元。此时，电动汽车负荷聚合商的期望收益越高，其要采取更乐观的风险态度，需要的价格波动范围也更大。
图 4 IGDT评价系数与偏差因子的关系曲线
Figure 4. Relation curve between IGDT evaluation coefficient and the deviation factor
对一个悲观型聚合商而言，当Ri为34078.8元时，偏差因子为0.3，鲁棒系数为0.47。通过对接入电网的电动汽车进行调度，得到如图5所示的管理区域内电动汽车放电投标策略。
图 5 悲观型聚合商与中性聚合商投标电量对比
Figure 5. Comparison of bidding electric quantity between pessimistic aggregator and neutral aggregator
对一个乐观型聚合商而言，当Bj为63289.2元时，偏差因子为0.3，鲁棒系数为0.52，得出此时负荷聚合商的放电投标策略如图6所示。
图 6 乐观型聚合商与中性聚合商投标电量对比
Figure 6. Comparison of bidding electric quantity between optimistic aggregator and neutral aggregator
由图5、6可知，相较于中性聚合商而言，悲观型聚合商放电投标量略低，此时悲观型聚合商选择放弃由于价格不确定性影响而调度电动汽车放电所获得的收益来规避风险。对于乐观型聚合商，选择调度电动汽车放电增加总收入，这种调度方式有利于电动汽车负荷聚合商通过电价获得高回报。总之，悲观型聚合商倾向于采取保守策略来最大限度地实现其收益，乐观型聚合商倾向于采取冒险策略实现其期望目标。
-
本文基于IGDT理论，提出一种电动汽车负荷聚合商需求侧放电的投标策略，综合考虑了负荷聚合商对待电力市场价格不确定性的不同风险态度，得到以下结论：
1）提出基于IGDT理论的悲观型聚合商的放电决策模型和乐观型聚合商的放电决策模型，可针对电动汽车负荷聚合商不同风险态度，在保证聚合商期望收益的前提下，降低日前出清电价不确定的影响。
2）验证了电动汽车负荷聚合商通过调度管理区域内的电动汽车参与电力市场可获得一定的经济收益，提高了其参与需求侧放电的积极性。
3）与传统的投标决策方法相比，提出的基于IGDT理论的决策模型不需要电价不确定的概率分布，有效减少了计算负担，为实际应用提供了有效途径。
（本刊附录请见网络版，印刷版略）
IGDT-based Demand Side Discharge Bidding Decision Strategy for Electric Vehicle Load Aggregator
-
摘要: 针对现货市场电价的不确定性对电动汽车负荷聚合商的影响，首先通过蒙特卡罗模拟得到负荷聚合商管理区域内次日可参与电力市场的投标电量，再利用信息间隙决策理论量化出清电价与预测电价之间的偏差，并以电动汽车负荷聚合商利益最大化为目标构建需求侧放电投标模型。算例分析表明所提出的投标决策方法在经济性，灵活性等方面具有有效性，同时提高了电动汽车车主参与电力市场竞价的积极性。Abstract: In allusion to the serious affect of uncertainty of electricity price in the spot market on electric vehicle load aggregator, firstly by use of Monte Carlo simulation the bidding electric quantity in the management area of the load aggregator who could participate in electricity market next day, was obtained. Secondly, utilizing information gap decision theory (IGDT) the deviation between the market cleaning price and the forecasted price was quantized, and then taking the profit maximization of electric vehicle load aggregator as the objective a demand side discharging bidding model was constructed. Analysis on calculating example shows that the proposed bidding decision method possesses availability in economy and flexibility and so on; meanwhile the enthusiasm of electric vehicle owners to take part in the electricity market bidding will be improved.
-
图 3 两万辆电动汽车有序充放电功率示意图
Figure 3. Schematic diagram of well-organized charging and discharging power of 20,000 electric vehicles
图 4 IGDT评价系数与偏差因子的关系曲线
Figure 4. Relation curve between IGDT evaluation coefficient and the deviation factor
图 5 悲观型聚合商与中性聚合商投标电量对比
Figure 5. Comparison of bidding electric quantity between pessimistic aggregator and neutral aggregator
图 6 乐观型聚合商与中性聚合商投标电量对比
Figure 6. Comparison of bidding electric quantity between optimistic aggregator and neutral aggregator
表 1 高峰各时段调峰需求量
Table 1. Demanded peak load regulation quantity at various peak load time intervals
时段 P/MW 时段 P/MW 时段 P/MW 1 25 2 25 3 30 4 30 5 35 6 35 7 40 8 40 9 45 11 45 12 40 13 40 
下载: 导出CSV
表 2 分时电价表
Table 2. Peak-valley price table
时段划分 时间 电价/(元/(kW·h)) 峰时段 11:00—23:00 1.082 平时段 23:00—次日1:00; 8:00—11:00 0.649 谷时段 1:00—8:00 0.312
下载: 导出CSV
表 3 高峰各时段最大放电量
Table 3. Maximum discharge capacity at various peak load time interval
时段 P/MW 时段 P/MW 时段 P/MW 1 8.5 2 8.5 3 16.8 4 16.8 5 25.6 6 25.6 7 32.4 8 32.4 9 36.9 10 36.9 11 38.4 12 38.4
下载: 导出CSV
A1 悲观型聚合商投标方案
A1. Bidding schemes for pessimistic aggregators
偏差因子 0.1 0.2 0.3 0.4 0.5 0.6 0.7 鲁棒系数 0.08 0.32 0.47 0.60 0.87 1.50 1.62 时段1 1.830 1.825 1.823 1.823 1.568 1.254 0.941 时段2 1.845 1.840 1.835 1.835 1.578 1.262 0.9465 时段3 5.610 5.324 5.010 5.010 4.309 3.447 2.585 时段4 5.625 5.356 5.210 5.210 4.480 3.584 2.688 时段5 5.645 5.455 5.320 5.320 4.575 3.660 2.745 时段6 5.645 5.326 5.560 5.560 4.782 3.826 2.870 时段7 9.839 9.421 9.080 9.080 7.809 6.247 4.685 时段8 9.992 9.633 9.770 9.770 8.402 6.722 5.042 时段9 9.729 9.729 10.110 10.110 8.695 6.948 5.211 时段10 9.802 9.998 10.234 10.234 8.801 7.041 5.281 时段11 11.342 11.112 11.012 11.012 9.470 7.576 5.682 时段12 11.323 11.233 11.323 11.323 9.738 7.790 5.843 期望收益/¥ 43815.6 38947.2 34078.8 29210.4 24342 19473.6 14605.2
下载: 导出CSV
A2 乐观型聚合商投标方案
A2. Bidding schemes for optimistic aggregators
偏差因子 0.1 0.2 0.3 0.4 0.5 0.6 0.7 机会系数 0.28 0.43 0.52 0.82 0.97 1.21 1.43 时段1 1.468 1.596 1.735 1.869 2.001 2.287 2.431 时段2 1.560 1.688 1.835 1.976 2.117 2.258 2.401 时段3 5.120 5.542 6.024 6.488 6.948 7.414 7.881 时段4 5.542 5.998 6.520 7.022 7.521 8.024 8.530 时段5 4.526 4.899 5.325 5.735 6.142 5.554 6.967 时段6 4.955 5.364 5.830 6.279 6.725 7.175 7.627 时段7 9.351 10.121 11.001 11.848 12.689 13.539 14.392 时段8 9.632 10.425 11.332 12.204 13.071 13.947 14.826 时段9 13.335 14.433 15.688 16.896 18.096 19.308 20.524 时段10 13.675 14.801 16.088 17.327 18.557 19.800 21.048 时段11 11.048 11.958 12.998 13.999 14.993 15.997 17.005 时段12 11.558 12.510 13.598 14.645 15.685 16.736 17.790 期望收益/¥ 53552.4 58420.8 63289.2 68157.6 73026 77894.4 82762.8
下载: 导出CSV
-
[1] 王锡凡, 邵成成, 王秀丽, 等. 电动汽车充电负荷与调度控制策略综述[J]. 中国电机工程学报,2013,33(1):1 − 10. WANG Xifan, SHAO Chengcheng, WANG Xiuli, et al. Overview of charging load and dispatch control strategies for electric vehicles[J]. Proceedings of the CSEE,2013,33(1):1 − 10(in Chinese). [2] Vagropoulos S I, Bakirtzis A G. Optimal bidding strategy for electric vehicle aggregators in electricity markets[J]. IEEE Transactions on Power Systems,2013,28(4):4031 − 4041. doi: 10.1109/TPWRS.2013.2274673 [3] Vayá M G, Andersson G. Optimal bidding strategy of a plug-in electric vehicle aggregator in day-ahead electricity markets under uncertainty[J]. IEEE Transactions on Power Systems,2015,30(5):2375 − 2385. doi: 10.1109/TPWRS.2014.2363159 [4] F. Ruelens, S. Weckx, W. Leterme, S. Vandael, B. J. Claessens and R. Belmans. Stochastic portfolio management of an electric vehicles aggregator under price uncertainty[J]. IEEE PES ISGT Europe,2013,4(1):1 − 5. [5] Momber I, Siddiqui A, Román T G S, et al. Risk averse scheduling by a PEV aggregator under uncertainty[J]. IEEE Transactions on Power Systems,2015,30(2):882 − 891. doi: 10.1109/TPWRS.2014.2330375 [6] 杨甲甲, 赵俊华, 文福拴, 等. 含电动汽车和风电机组的虚拟发电厂竞价策略[J]. 电力系统自动化,2014,38(13):92 − 102. doi: 10.7500/AEPS20140212010 YANG Jiajia, ZHAO Junhua, WEN Fuzhen, et al. Competitive strategy of virtual power plants containing electric vehicles and wind turbines[J]. Automation of Electric Power Systems,2014,38(13):92 − 102(in Chinese). doi: 10.7500/AEPS20140212010 [7] WRIGHT L F. Information gap decision theory: decisions under severe uncertainty by Y. Ben-Haim[J]. Journal of the Royal Statistical Society,2010,167(1):185 − 186. [8] 宋坤隆, 谢云云, 陈晞, 等. 基于信息间隙决策理论的电网负荷恢复鲁棒优化[J]. 电力系统自动化,2017,41(15):113 − 120, 175. SONG Kunlong, XIE Yunyun, CHEN Wei, et al. Robust load recovery robust optimization based on information gap decision theory[J]. Automation of Electric Power Systems,2017,41(15):113 − 120, 175(in Chinese). [9] 马欢, 刘玉田. 基于IGDT鲁棒模型的风电爬坡事件协调调度决策[J]. 中国电机工程学报,2016,36(17):4580 − 4588. MA Huan, LIU Yutian. Coordinated scheduling decision of wind power climbing event based on IGDT robust model[J]. Proceedings of the CSEE,2016,36(17):4580 − 4588(in Chinese). [10] ZHAO J, WAN C, XU Z, et al. Risk-based day-ahead scheduling of electric vehicle aggregator using information gap decision theory[J]. IEEE Transactions on Smart Grid,2017,8(4):1609 − 1618. doi: 10.1109/TSG.2015.2494371 [11] 潘樟惠, 高赐威, 刘顺桂. 基于需求侧放电竞价的电动汽车充放电调度研究[J]. 电网技术,2016,40(4):1140 − 1146. PAN Zhanghui, GAO Zhiwei, LIU Shungui. Research on charge and discharge scheduling of electric vehicle based on demand side discharge auction[J]. Power System Technology,2016,40(4):1140 − 1146(in Chinese). [12] 刘利兵, 刘天琪, 张涛, 等. 计及电池动态损耗的电动汽车有序充放电策略优化[J]. 电力系统自动化,2016,40(05):83 − 90. LIU Libing, LIU Tianqi, ZHANG Tao, et al. Optimization of ordered charge and discharge strategy for electric vehicles considering battery dynamic loss[J]. Automation of Electric Power Systems,2016,40(05):83 − 90(in Chinese). [13] 赵琛, 张少华. 基于信息间隙决策理论的发电商电量分配策略[J]. 控制与决策,2017,32(04):751 − 754. ZHAO Chen, ZHANG Shaohua. Power generation strategy of power generation based on information clearance decision theory[J]. Control and Decision,2017,32(04):751 − 754(in Chinese). [14] NOJAVAN S, GHESMATI H, ZARE K. Robust optimal offering strategy of large consumer using IGDT considering demand response programs[J]. Electric Power Systems Research,2016,130:46 − 58. doi: 10.1016/j.jpgr.2015.08.017 [15] 张洪财, 胡泽春, 宋永华, 等. 考虑时空分布的电动汽车充电负荷预测方法[J]. 电力系统自动化,2014,38(1):13 − 20. doi: 10.7500/AEPS20130613009 ZHANG Hongcai, HU Zechun, SONG Yonghua, et al. Charge load forecasting method for electric vehicles considering time and space distribution[J]. Automation of Electric Power Systems,2014,38(1):13 − 20(in Chinese). doi: 10.7500/AEPS20130613009 -
点击查看大图
计量
- 文章访问数: 468
- HTML全文浏览量: 106
- PDF下载量: 26
- 被引次数: 0
