0 引言
2020 年12 月，国务院新闻办发布的《新时代的中国能源发展》白皮书指出[1]，中国要在2060 年前实现碳中和[2-3]。为实现此目标，普及电动汽车（Electric Vehicle,EV）将成为一种趋势，因此，越来越多的EV 将被投入市场。据国家电网公司测算，若2040 年达到3 亿辆EV，其电池储存的总电量可达200 亿kW·h。随着新能源与EV 技术不断发展，EV 入网（EV to Grid,EV2G）模式被提出[4-6]，即EV 空闲时向电网传输功率，实现电能双向传输。现有EV 充放电形式主要包括换电站、无序充放电及有序充放电三种[7-10]。由于EV 用户行为的随机性强，且单台EV 蓄电池容量较小，常通过聚合商进行管理从而提高整体调度容量[11]。文献[12]提出包含日前、实时、结算三个阶段的EV 聚合商运行框架。文献[13]通过主辅联合市场分析验证了EV 聚合商在削峰填谷等方面的作用。当前研究中用于调度的EV 容量源于各时段用户上报的充放电功率及协议离网时间等，具有强随机性，不能很好地匹配系统运行情况。
为加强微电网（Micro-Grid,MG）与EV 用户间信息互通及用户主动参与，已有研究提出了充放电资源预约方式。文献[14]提出基于车载通信车载自组织网络（Vehicular Adhoc Networks,VANETs）的充放电资源预约服务协议，但未考虑与调度策略的配合。文献[15]提出基于负荷预测的移动PHEV 并联式混合动力电动汽车（Parallel Hybrid Electric Vehicle,PHEV）充放电资源预约方案与基于0/1 背包及博弈论的调度策略，但其提出的用户自主竞价博弈策略可能在一定程度上降低其收益进而影响参与的积极性。EV 参与电网调峰尤其是预约充放电机制仍处于起步阶段，对各参与方及EV 用户间的利益进行合理分配利于长期发展。另外，现有研究尚未考虑电动汽车的违约及其不确定性。综合考虑电动汽车违约不确定性能够抑制实际EV 放电量的随机波动对机制实现与调度策略的不利影响，因而具有现实意义。
现有EV 充放电策略多考虑停车时间、荷电状态等约束条件，以电站成本最小或用户满意度最高等为目标，以分时电价作为辅助引导[16-18]，并未考虑充电与放电两过程的差异性及EV 用户的不同需求。因EV 充电为用户固有需求，主要关注充电成本、等待时间等问题，故在分时电价引导下通常选择负荷低谷时段充电；而EV 并网放电并非用户的必然需求，用户主要考虑并网放电对用户出行、电池寿命的影响及相近荷电状态（State of Charge,SOC）水平下不同EV 用户间的放电收益是否平衡等。
在上述背景下，本文以MG 为研究对象，首先提出计及违约不确定性的EV 预约-违约放电机制，并基于此设计“MG-EV 聚合商-EV”两段式优化调度策略；然后，针对EV 放电功率分配问题，提出考虑荷电状态，以用户放电综合收益差最小为目标的功率分配策略；最后，通过算例验证了本文所提策略在减小系统运行成本、违约判定的有效性与应对措施等方面的效果。
1 微电网结构与EV 预约-违约放电机制
1.1 微电网结构
微电网结构如图1，典型MG 系统通常包含光伏、风力发电模块，储能模块，本地负荷及控制器等部分[19]。其中，光伏、风机、储能及EV 单元均通过聚合商进行整体调度。
图1 微电网结构
Fig.1 The structure diagram of microgrid
为研究EV 预约-违约机制下MG 调度方法，建立任意时刻t 的电动汽车i 的荷电状态和电池充放电功率模型，如式（1）、式（2）所示。
式中，SOCEVi,t为t 时段车辆i 的荷电状态，取值0～1；PEVi,tre 为t 时刻车辆i 实际充放电功率；ηEVi 为车辆i电池充放电效率；WEVi 为车辆i 电池总放电容量，WEVi=CEViUEVi，kW·h；CEVi 为电池容量，A·h；UEVi 为电池工作电压，kV；PEVi,t 为t 时段车辆i 放电功率决策值，PEVi,t≥0 时EV 放电，PEVi,t＜0 时充电。
考虑到蓄电池实际可用容量随放电倍率的增大而减小，故需对其充放电功率加以限制。以特斯拉Model S60D 为例，放电倍率与蓄电池实际可用容量的关系见表1[20]。
表1 放电倍率与实际容量关系
Tab.1 The relationship between discharge multiplier and capacity
1.2 EV 用户的行为特性
研究表明，分时电价[21]的引导作用使得EV 用户多在电价低谷时段充电，在高峰时段放电。除分时电价的引导外，有序充放电还应考虑用户用车习惯等因素。家用EV 闲置时间较公共汽车长，且出行情况规律性较强，掌握其出行规律对系统调度十分重要[22]。对居民群体而言，EV 出行目的主要为接送子女上下学以及通勤，见表2[23]。
表2 家用电动汽车出行目的
Tab.2 Purpose of home electric vehicle travel
对于通勤用EV，其出行高峰主要在工作日的7:00～9:00 时段，下班高峰期主要在17:00～20:00 时段；结合分时电价的引导作用，EV 放电预约时段主要集中于11:00～15:00 与18:00～22:00 两个时段，这与MG 用电高峰时段基本吻合。用于接送子女上下学的车辆，其出行时间主要集中在 6:30～8:30 与16:00～19:00 时段，而其他时段常处于闲置状态。
1.3 EV 预约-违约放电机制
对MG 而言，纳入EV 蓄电池的充放电特性可以调控系统的负荷特性，而对于EV 车主，若MG侧购电需求未知，直接将EV 连接至桩上或将出现长时间并网却未放电的情况，不但不能给EV 用户带来预期的放电收益而且存在电量损耗。进一步，若MG 不对大量EV 充放电特性进行约束，则可能存在“负荷高峰时段EV 集中充电”或“负荷低谷时段EV 集中放电”的情形，使得峰谷差加大而危及系统稳定。为保障MG 稳定运行，需对EV 充放电、特别是放电行为进行规范。
1.3.1 EV 充电行为与预约放电机制
为缓解负荷高峰时段MG 供电压力，实现削峰填谷，采用分时电价激励EV 用户在谷时充电[24]。即根据负荷变化情况，将一天划分为峰、平、谷等时段，制定不同的电价水平，鼓励用电客户合理安排用电时间。考虑到在分时电价的激励作用下，仍选择在用电高峰时段进行充电的EV 用户，其后续用车可能性较大，若对EV 充电进行调度难免对用户后续出行计划造成影响。因此，除用分时电价进行激励外，不采取额外策略。
预约放电机制是EV 用户根据所拥有车辆蓄电池的健康状况、荷电状态及自己的出行需求，结合MG 调度中心（Micro-grid Distribution Centre,MDC）根据负荷预测所发布的电能需求情况，合理选定EV放电时刻及放电量，并通过预约系统向MDC 提出预约放电申请，MDC 根据网内EV 的申请时段、放电量及相应时段的负荷曲线，对放电申请进行适当核减，并和EV 车主相互确认。在实际运行中，若任一方出现违约现象，须按其违约电量依据1.3.4 节方法判定并支付相应的违约惩罚。
预约-违约放电机制的提出背景主要包括两方面，一是从合同或契约精神的角度，一旦预约成功可视为双方签订了合同，依据市场经济运行规律，违反合同需支付相应违约金。当前我国正积极建设电力市场，遵守契约精神是电力市场的首要前提。二是从MG 稳定运行的角度，MG 中的光伏发电和风力发电具有较强的间歇性和随机性，且EV 规模随“碳达峰-碳中和”行动的实施将越来越大，如大量EV 以无序充放电方式并网将严重影响MG 安全经济运行[25]。同时，EV 预约-违约放电机制还会影响到MG 中各类电源及储能设备的优化配置、负荷预测及MG 调度等理论。因此，本文提出EV 预约-违约放电机制具有现实意义和理论价值。
1.3.2 EV 违约的不确定性
用户临时性需求及交通、环境等因素将导致预约EV 实际到桩情况与预约时不一致，即EV 具有违约的不确定性。一方面，EV 出行与交通网联系密切，交通堵塞、恶劣天气等因素均可使EV 到桩时间及SOC 发生改变；另一方面，还将受用户行为直接影响，如具有随机性的临时性用车需求。因而EV违约的不确定性必然导致调度中t 时段预约EV 实际到桩可放电量的不确定性问题。采用式（3）所示不确定集合描述EV 违约的不确定性。
式中，WEVi,tar 为t 时段第i 辆预约EV 到桩时的实际可放电量；WEVi,tef 为t 时段EV 的有效预约放电量；WEVi,tmax 和WEVi,tmin 分别为t 时段EV 可放电量的上、下限；WEVi,tar-ef 为t 时段EV 到桩时实际可放电量与有效预约放电量的最大偏移量； p 为EV 违约不确定度参数，p∈[0,1]，p=0 时即不考虑EV 违约不确性。
1.3.3 预约放电流程
EV 放电的预约过程示意图如图2 所示。为便于描述，将一日划分为T 个时段，时段间隔为Δt，文中所述第 t（1≤t≤T）个时段各功率值为该时段平均功率，t0 和tE 分别为t 时段开始时刻和结束时刻。
图2 预约过程示意图
Fig.2 The diagram of the reservation process
（1）预测MG 各时段的发电量及用电需求，模拟MG 孤网运行24h，得到各时段供需差额Plack,t。考虑到受诸多因素影响，EV 违约具有不确定性及负荷需求具有随机性，计及EV 违约不确定性及负荷波动确定波动裕度，得到最终放电预约需求Wt 如式（4）。综合考虑MG 计划向预约系统发布分时电价及t 时段放电预约需求总量Wt。
式中，μ∈[0,1]为实际负荷较预测值波动程度。记t 时段预约需求上、下限值为Wt,max 及Wt,min。
（2）EV 车主i 在用户侧发布所拥车辆的荷电状态SOCEVi,tsub，进一步依据MG 发布的预约需求自主选择放电时段t 及放电量WEVi,t。其中放电量WEVi,t根据式（5）确定。为保证预约机制的时效性，用户可在需求发布后至t 前一时段进行预约，并需在t 时段开始前将EV 挂至桩上等待放电信号。
式中，SOCEVi,min 为其最小可放电SOC；λi,t 为t 时段电动汽车i 的放电倍率。
（3）预约系统判断车辆i 的SOC 是否满足式（6）要求；进一步根据用户所申请的放电预约信息，根据式（7）所示条件查询系统需求池余量，若余量充足则接受本次预约，否则驳回预约申请。
（4）完成一次预约流程后，预约系统根据式（8）更新需求池，等待下一次申请。记更新后预约需求为 
，EV 整体有效预约放电量为WEV,tef，即
式中，ri,t 为t 时段电动汽车i 的预约结果标志位，r=1 表示接受预约，r=0 表示驳回预约。
1.3.4 违约判定
由前述，各方通过预约形式达成协议可视为签订合同，故在实际运行调度中出现违反预约协议的行为，应依据市场经济运行规律支付相应违约金。
（1）电动汽车的违约判定
EV 侧的违约根据调度时段内EV 整体实际响应情况判定。对于时段t，若实际放电量满足式（10）则判定EV 不违约，否则EV 违约。
式中，PEV,t 为t 时段MG 发布的EV 功率需求。
对于违约惩罚，则根据谁违约谁负责的原则判定。记第i 辆EV 违约惩罚为CEVi,tint，即
式中，cint 为违约惩罚系数，元/(kW·h)。
（2）微电网的违约判定
MG 的违约情况主要取决于其实际调度中对于EV 有效预约放电量的接受情况，若t 时段MG 对EV 的放电量需求满足式（12）则判定MG 不违约，否则MG 违约。MG 违约惩罚CMG,tint 为
MG 所支付的惩罚将用于对预约到桩用户进行补偿，按各EV 预约放电量与实际放电量差额占EV整体预约放电量与实际放电量差额的比例分配。车辆i 分得补偿CEVi,tc 为
（3）电动汽车聚合商的违约判定
EV 聚合商作为MG 与EV 用户的连接单元，调度结果具有特殊性，即MG 侧与EV 用户侧违约均可能导致聚合商违约，故判定聚合商违约惩罚需排除微网及用户的影响。
EV 聚合商的违约主要取决于其是否将MG 发布的购电需求全部分配至各 EV，其违约惩罚CEVA,tint 为
2 MG-EV 两段式调度策略
基于EV 聚合商的MG-EV 两段式调度策略如图3 所示。MG 发电单元来自风电、光伏等新能源，其随机性与间歇性的发电特点使得MG 在用电高峰等时段难以实现供需平衡，而一味增大储能配置或向电网购电将导致其运行成本的增加。为实现MG峰时供需平衡及降低运行成本，与用户签订放电预约协议，MG 通过EV 聚合商向用户发布各时段放电预约需求，EV 用户则根据自身情况进行预约。当MG 缺电时通过聚合商向EV 购电，即第一段调度，调度主体为MG，EV 聚合商依据EV 整合资源与 MG 进行交互，采用2.1 节所述策略。
图3 两段式控制结构图
Fig.3 Two-stage control structure diagram
EV 聚合商下包含n 台电动汽车，根据第一段调度得到的MG 向EV 购电量即EV 放电量，及各台EV 到桩状态，聚合商将EV 放电量分配至各台EV，即第二段调度，调度主体为聚合商，其根据MG发布的调度需求，采用2.2 节所述调度策略进行各EV 放电功率分配，依据结果发布放电控制信号，并整合响应情况返回至微网。各调度时段结束后，根据MG、EV 聚合商及EV 用户的充放电行为判定其违约情况并结算违约惩罚。
2.1 含电动汽车聚合商的微电网优化调度策略
2.1.1 目标函数
以MG 最小运行成本为目标函数，考虑各部分有功发电成本及违约惩罚。光伏和风力发电单元只考虑其运行维护成本并将其折算至与放电量成比例的函数。忽略各单元聚合商利益博弈，建立目标函数表达式为
式中，Cop,t 为MG 总运行成本；CNen,t、CBloss,t、CGpur,t、CEVpur,t、Cint,t 分别为t 时段新能源发电单元运维成本、蓄电池损耗成本、向电网购电成本、向EV 购电成本及违约惩罚；cpv、cwt、cBloss、cGpur、cEVpur 分别为光伏单元运维成本系数、风机单元运维成本系数、蓄电池损耗成本系数、向电网购电电价及EV 放电电价；Ppv,t、Pwt,t、Pbat,t、Pgrid,t 分别为t 时段光伏放电功率、风机放电功率、蓄电池充放电功率及电网放电功率；ξ 为违约标志，ξ=1 表示MG 违约，ξ=-1 表示EV 违约，ξ=0 表示均不违约。
2.1.2 系统约束条件
（1）系统功率约束
式中，Ppv,tmax、Pwt,tmax 分别为t 时段光、风机可发电功率上限；Pbat,max 为t 时段蓄电池可充放电功率上限；PG,max 为并网联络线交互功率上限；SOCb,min、SOCb,max 分别为蓄电池荷电状态下、上限值。
（2）功率平衡约束
（3）电动汽车约束
2.2 电动汽车放电功率分配策略
2.2.1 目标函数
由前述，用户主要考虑EV 放电对出行、电池寿命的影响以及相近荷电状态水平下用户间的放电收益。通过预约放电机制，用户根据自身需求自主选择放电时段可基本解决对出行的影响；在控制策略中对电池放电功率进行限制可减小对电池寿命的不利影响。因而相近荷电状态水平下用户间放电收益的差异将直接影响用户参与放电的主动性，此收益并非直观上的纯放电收益，而是考虑电池荷电状态水平等因素的综合放电收益。综上所述，本文提出以综合放电收益差最小为目标函数的EV 放电功率分配策略，即
式中，n 为进行放电功率分配的EV 辆数；Ki,t 为t时段电动汽车i 的荷电水平影响系数。
2.2.2 约束条件
式中，SOCEVi,max、SOCEVi,min 分别为第i 辆EV 荷电状态上、下限值。
2.3 电动汽车违约不确定性的应对策略
2.3.1 电动汽车协调
由于EV 违约是根据其整体放电量判定，当存在少部分电动汽车违约时，可由其他EV 补足放电量缺额，使其整体不违约；当出现大量EV 违约时，允许其以最大限制功率进行放电，以减少违约惩罚。
记第i 辆EV 到桩状态为（σi,t,SOCEVi,tar），EV到桩时实际可放电量WEVi,tar 为
式中，σi,t 为t 时段车辆i 到桩标志，σ=1 表示已到桩，σ=0 表示未到桩；λi,t∈[λmin,λmax]。
考虑到实际情况的复杂性，设置放电倍率取值区间，在预约阶段选取最小值计算预约放电量，当某EV 放电量无法达到预期时，允许其他EV 以较大放电倍率放电，从而保证整体响应效果，减少部分违约情况。EV 主要有以下三种到桩状态：
（1）EV 到桩时可放电量均达到预约值，即预约EV 的整体到桩可放电量WEV,tar 满足式（25），此时按正常功率分配策略即可。
（2）部分EV 可放电量WEVi,tar|λmin＜WEVi,tef，为保证EV 整体放电量，可适当增加其他车辆的放电倍率，即
若第i 辆EV 在t 时段后仍存在预约时段，为避免影响后续时段系统的正常运行，对其在t 时段最大放电量进行限制，即
式中，WEVi,tief 为第i 辆电动汽车在t 时段之后所有预约时段的预约放电总量。
（3）大部分电动汽车WEVi,tar|λmin＜WEVi,tef，且通过调整放电倍率无法使整体放电量达到预约值，如式（28）所示，此情况下已无法通过EV 间协调避免违约，故使EV 以最大功率放电，最大程度减少用户的违约惩罚。
2.3.2 紧急预约
通过调整放电倍率进行协调而增加整体EV 出力能减少部分违约情况。同时，可将时段t 内因EV故障或离桩等因素造成的违约电量整合为紧急需求池，通过紧急预约形式向其他用户发布需求。
将一时段等分为x 时刻，间隔为Δt/x，当tm 时刻存在因 EV 故障或提前离桩造成的违约，则记tm～tE 时间段紧急需求电量为Wtm，即
为控制MG 运行成本，紧急购电电价高于该时段EV 放电电价且不超过EV 违约电价。同时，考虑到紧急需求池较强的时效性，可进行以下限制。
（1）紧急预约仅面向t 时段在桩充电且荷电状态良好的未预约用户，通过车载通信及预约平台消息推送等方式向用户发布紧急预约需求。
（2）各时间段紧急预约需求有效时间为Δt/x，即EV 用户可在此时间内完成预约并等待放电信号。
2.4 优化算法求解
粒子群优化算法是一种基于群体智能的全局随机搜索算法[26-27]，求解过程包括六个步骤：①初始化粒子群；②计算各粒子适应度值Fa[y]；③寻找个体极值My；④寻找全局极值Mg；⑤根据式（30）、式（31）更新粒子位置Xyd 和速度Vyd；⑥满足结束条件（收敛误差足够或达到最大循环次数）则退出，否则继续进行迭代循环。
式中，ω 为惯性因子；L1、L2 为学习因子；Myd 为个体极值的第d 维；Mgd 为全局极值的第d 维；rand(0,1)为区间[0,1]上的随机数。
本文所提模型求解流程如图4 所示，步骤如下：
图4 优化算法求解流程
Fig.4 The flow chart of optimization algorithm solution
（1）输入MG 各模块成本系数、分时充放电电价、各约束条件等系统参数，获取t 时段MG 内负荷需求及发电情况。
（2）EV 聚合商查询t 时段第i 辆预约电动汽车的到桩情况，根据2.3.1 节所述方法确定其实际可放电量并上报。
（3）初始化MG 种群Y 即Y 个粒子，其中粒子y 包含t 时段MG 各模块充放电量，粒子适应值为MG 运行成本。计算粒子适应值，通过迭代求解得出MG 最优调度结果及运行成本。
（4）EV 聚合商获取t 时段EV 放电需求及各EV到桩状态。
（5）初始化EV 种群Z 即Z 个粒子，其中粒子z 包含t 时段各EV 放电功率，粒子适应值为EV 间综合放电收益差，参考步骤（3）迭代求解，输出各EV 最优放电功率。
（6）结算t 时段MG、EV 聚合商及EV 的收益及违约惩罚。
3 仿真验证
以某地MG 某日运行数据为基础[28]，设定一含60 户居民的并网型MG，其中50 户拥有型号为特斯拉Model S60D 的EV 并配有停车位及充电桩，参数见表3，SOC 限值分别设置为0.9 和0.2。风机容量200kW，光伏电源容量200kWp，蓄电池组额定容量500kW·h，最大充放电功率100W。并网联络线最大交换功率300kW，取1h 为最小决策时长。MG各部分成本系数见表4[29]。
表3 电动汽车参数
Tab.3 The parameters of electric vehicles
表4 微电网各部分成本系数
Tab.4 The cost factor of each component of the MG
为简化分析过程，以负荷需求150kW 为标准划分时段，选取EV 分时充放电价见表5[30]。由于新能源发电的特点MG 发电成本较电网低，故同时段向EV 购电价格一般低于电网。而对于MG，向EV购电不仅考虑经济因素，同时希望通过较少地向电网购电提高其独立性，故在制定价格时倾向于牺牲部分经济利益而提高对用户的吸引力。
表5 分时电价
Tab.5 The time-of -use power prices
3.1 放电预约信息获取仿真
以MG 光伏、风力发电及负荷需求数据为基础，获取各时段EV 放电预约的原始需如图5 所示。
图5 放电预约原始需求
Fig.5 The original demand for discharge appointments
由图5 可知，一天内主要存在午、晚两个用电高峰。午高峰时太阳辐照度强，光伏发电量显著提升，故时段内未出现明显功率缺额；而夜间虽风机发电量有所提升，但光伏缺少阳光照射不再发电，仅靠二者及自身储能无法满足负荷需求。综上所述，EV 放电需求主要分布在17:00～22:00，这符合1.2 节所述多数居民出行规律。同时，日可预约功率约占负荷需求总量的13.6%，加之系统可与电网交互功率，对系统稳定影响较小，能够满足稳定性要求。
为验证预约放电机制及考虑违约不确定度的影响，设置3.2 节所述三种典型场景。依据1.2 节所提用户行为特性随机生成无预约放电机制下各时段用户到桩预放电情况，其中EV 到桩预放电总量与预约需求总量相同；设定负荷波动率为0.05，取不考虑EV 违约不确定性及考虑0.05 不确定度分别确定波动裕度，生成各时段最终放电预约需求区间，并取预约需求Wt=(Wt,min+Wt,max)/2，生成t 时段预约机制下用户实际到桩预放电情况如图6 所示，并记为EV 到桩预放电功率PEV,tar。
图6 用户到桩预放电情况
Fig.6 User to pile pre-discharge situation
3.2 计及电动汽车放电的微电网优化调度仿真
以3.1 节EV 到桩情况为基础，以各供电单元出力为决策量，在以下三种场景中进行仿真，结果如图7 所示。
图7 不同场景下的电动汽车及并网放电功率
Fig.7 The electric vehicle and grid-connected discharge power under different scenarios
场景1：无预约-违约放电机制，用户完全依据个人出行意愿决定到桩时间。
场景2：考虑预约但不考虑违约的不确定性，即有预约-无违约机制，调度中不考虑由于用户个人因素导致的实际到桩与预约情况产生的差异。
场景3：考虑预约且考虑违约的不确定性，即预约-违约放电机制，考虑EV 实际到桩情况与预约时的差异，视其违约并采取2.3.1 节所述对策。
如图7 所示，在场景1 中，用户依据其出行意愿决定到桩时间，缺少与MG 间的信息互通，EV 到桩情况与系统运行情况存在偏差，故在20:00、22:00出现供电不足而向电网购电，以及在12:00 出现明显的未完全消纳EV 到桩预放电量的情况。
在场景2 中，用户结合MG 需求及自身需要进行预约，避免了到桩未放电现象；而用户行为仍存在违约的不确定性，实际到桩情况难免与预约时产生偏差，如18:00～20:00 由于未考虑此不确定性，只能向电网购电维持系统稳定。
在场景3 中，18:00～20:00 出现了EV 实际放电功率稍高于预约放电总量的情况，这是由于对违约不确定性的应对策略，即在约束范围内适当提高其他在桩车辆的放电倍率，以使整体放电量达标，这保证了用户临时用车情况时调度的灵活性。
3.3 违约不确定性影响分析
定义式（32）所示放电功率不匹配度S 为评价指标，反映EV 放电功率与系统功率缺额的匹配程度，S 值越小匹配度越高。
定义式（33）所示用户到桩放电率Q 反映用户到桩后实际放电情况。Q 值越大表示用户到桩后实际放电量越多，即付出时间成本后通过放电获得收益越多，故Q 值与用户满意度有密切联系。
比较不同场景下调度策略的匹配度S、并网发电功率、MG 运行成本及用户到桩放电率Q 等仿真结果见表6。
表6 结果对比
Tab.6 The comparison of results
由表6 可知，与无预约机制下的调度策略相比，预约放电机制下，用户根据MG 需求信息调整预约情况，因此EV 参与调度的规模与系统功率缺额匹配度更高，能够更好地缓解MG 峰时供电压力。
对EV 用户而言，预约机制下用户到桩放电率较无预约机制下得到提高，这是因为到桩情况与MG 需求更匹配时相同时段内得以放出更多的电量。预约-违约机制下，由于考虑了违约的不确定性并实行EV 协调调度策略，使得到桩用户总放电量可能稍高于预约总量，即Q 大于1 的情况。可见，由于用户与MG 间的信息交互，使得其总体放电量得到提升，即用户能够获取更多放电收益，预约-违约机制下此现象更为明显。
对MG 而言，预约机制下用户预约情况更符合其各时段用电需求，因而得以减少向电网购电量；不考虑违约的不确定性时，由于用户实际到桩情况难免与预约时有所偏差，故在这些时段仍需向电网购电；而考虑违约的不确定性，即在规划预约需求时考虑一定的裕度，这增加了MG 调度的保守性。此时向电网购电量可降至零，其运行成本较前两种方案均有所降低，较无预约-违约机制降低了0.74%。可知预约-违约机制下MG 经济性与独立性均得到提升。
3.4 电动汽车放电功率分配仿真
假设各预约时段开始时EV 初始SOC 符合正态分布，据此随机生成EV 初始SOC 及预约情况。以3.2 节MG 优化调度仿真中22:00 的EV 放电功率，即PEV,22=51.54kW 为例，本时段预约车辆数为5，其SOC 分别为0.665、0.732、0.513、0.851、0.612。
3.4.1 不同电动汽车到桩场景下功率分配结果
为验证EV 预约用户在不同到桩场景下的功率分配及违约判定情况，在MG 不违约时，分析三种EV 到桩情形：①所有EV 均正常到桩；②部分EV不正常到桩，但经EV 间的协调可使整体正常到桩；③EV 整体经协调控制后仍不正常到桩。分配结果见表7～表9。
表7 情形1 分配结果
Tab.7 The distribution results for Case 1
表8 情形2 分配结果
Tab.8 The distribution results for Case 2
表9 情形3 分配结果
Tab.9 The distribution results for Case 3
由表7～表9 可知，在情形1 中，调度中心按2.2节所提策略将MG 所分配的EV 功率需求分配到各EV，MG 侧与用户侧均未出现违约现象，此时MG无需向电网购电即可满足负荷需求；情形2 中，未正常到桩EV 按其最大放电功率进行放电，同时根据2.3 节所述违约应对策略，适当增加其他EV 放电功率从而使EV 整体放电量达标，于用户而言避免了部分违约惩罚，同时正常到桩用户获得了更多的放电收益，于微电网而言则减少了向电网购电量；情形3 中，未到桩或SOC 低于最小放电值的EV 无法放电，其他EV 均以最大放电功率放电仍无法达到放电需求，仅通过EV 间协调已无法完成MG 用电需求，此时MG 需向电网购电补足缺额以维持正常运行。此时EV 侧产生违约并按照个体违约电量进行惩罚结算。
用户收益主要包括放电收益、EV 聚合商及MG违约补偿等，若其违约还需扣除违约惩罚。理想情况下用户放出相同电量所得收益应一致，即综合收益差为0，而随着不同车辆到桩时状态及预约情况等因素的不同，其收益也将变化。分析表7～表9 中用户实际收益与综合收益差可知，用户放电所得收益大致与其到桩时的SOC 成正比关系，所有EV 正常到桩时，其综合收益差接近于理想情况；当出现部分EV 不正常到桩时，通过协调等策略使收益差能够维持在较低水平，这给予了用户一定的灵活性，同时其他用户获取了更多的收益；当出现较多EV不正常到桩时，违约情况的出现使得综合收益差明显增大，长远来看，这能够对用户起到一定激励与规范作用，有助于减少违约情况的发生，减少因EV违约而对MG、聚合商等产生的不利影响。
3.4.2 微电网违约时功率分配结果
当MG 在22:00 因某原因导致其负荷功率需求降低至PEV,22=23.07kW，而EV 均正常到桩时，EV功率分配及违约判定情况见表10。
表10 微电网违约时分配结果
Tab.10 Distribution results when the microgrid defaults
由表10 可知，在MG 违约的情况下，聚合商仍根据正常分配策略将 MG 发布的功率需求分配至各EV，此时MG 由于违约需支付违约惩罚，并根据EV 预约到桩放电量与实际放电量的差额按比例进行补偿。
4 结论
1）本文提出的预约-违约放电机制下的调度策略，注重MG 与EV 用户间的信息交互，用户以自主预约形式参与调度，有效突出了用户主动性；同时，考虑违约的不确定性降低了用户行为随机性对调度产生的不利影响，使各时段EV 到桩放电情况与系统各时段功率缺额更加匹配，能够有效地缓解MG 峰时供电压力。
2）本文提出的基于EV 聚合商的MG-EV 两段式调度策略，可使MG 更少地从电网购电即可满足系统功率平衡，一定程度上降低了其用电成本，从长远看有助于清洁能源的发展。其中EV 放电功率分配策略兼顾了EV 的荷电状态及用户所得收益的均衡性。
3）本文在满足正常运行的基础上设计了较为宽松的违约机制，通过为MG 侧提供合理调度区间及EV 侧以整体发电量判定违约与按个体结算违约惩罚等措施，保证了MG 调度及用户行为的灵活性，有利于此模式的发展。
4）本文主要针对所提预约-违约机制下的调度策略进行一系列仿真实验以验证机制有效性，在后续研究中将进一步结合实际从技术方案、工程应用等层面进行完善。
[1]中华人民共和国国务院新闻办公室.新时代的中国能源发展: (2020 年12 月)[N].人民日报,2020-12-22(10).
[2]程春田.碳中和下的水电角色重塑及其关键问题[J].电力系统自动化,2021,45(16): 29-36.Cheng Chuntian.Function remolding of hydropower systems for carbon neutral and its key problems[J].Automation of Electric Power Systems,2021,45(16): 29-36.
[3]杜祥琬,冯丽妃.碳达峰与碳中和引领能源革命[N].中国科学报,2020-12-22(1).
[4]刘东奇,曾祥君,王耀南.边缘计算架构下配电台区虚拟电站控制策略[J].电工技术学报,2021,36(13): 2852-2860,2870.Liu Dongqi,Zeng Xiangjun,Wang Yaonan.Control strategy of virtual power station in distribution transformer area under edge computing architecture[J].Transactions of China Electrotechnical Society,2021,36(13): 2852-2860,2870.
[5]孙惠,翟海保,吴鑫.源网荷储多元协调控制系统的研究及应用[J].电工技术学报,2021,36(15): 3264-3271.Sun Hui,Zhai Haibao,Wu Xin.Research and application of multi-energy coordinated control of generation,network,load and storage[J].Transactions of China Electrotechnical Society,2021,36(15): 3264-3271.
[6]陈丽娟,秦萌,顾少平,等.计及电池损耗的电动公交车参与V2G 的优化调度策略[J].电力系统自动化,2020,44(11): 52-60.Chen Lijuan,Qin Meng,Gu Shaoping,et al.Optimal dispatching strategy of electric bus participating in vehicle-to-grid considering battery loss[J].Automation of Electric Power Systems,2020,44(11): 52-60.
[7]Infante W,Ma Jin,Han Xiaoqing,et al.Optimal recourse strategy for battery swapping stations considering electric vehicle uncertainty[J].IEEE Transactions on Intelligent Transportation Systems,2020,21(4): 1369-1379.
[8]崔杨,刘柏岩,仲悟之,等.考虑积压惩罚机制的含BSS 微网联合系统优化调度策略[J].电网技术,2020,44(10): 3787-3793.Cui Yang,Liu Baiyan,Zhong Wuzhi,et al.Optimal scheduling strategy for joint system with micro-grid containing BSS considering overstock punishment mechanism[J].Power System Technology,2020,44(10): 3787-3793.
[9]杨晓东,张有兵,赵波,等.供需两侧协同优化的电动汽车充放电自动需求响应方法[J].中国电机工程学报,2017,37(1): 120-129.Yang Xiaodong,Zhang Youbing,Zhao Bo,et al.Automated demand response method for electric vehicles charging and discharging to achieve supplydemand coordinated optimization[J].Proceedings of the CSEE,2017,37(1): 120-129.
[10]孔顺飞,胡志坚,谢仕炜,等.含电动汽车充电站的主动配电网二阶段鲁棒规划模型及其求解方法[J].电工技术学报,2020,35(5): 1093-1105.Kong Shunfei,Hu Zhijian,Xie Shiwei,et al.Twostage robust planning model and its solution algorithm of active distribution network containing electric vehicle charging stations[J].Transactions of China Electrotechnical Society,2020,35(5): 1093-1105.
[11]Liu Wenjie,Chen Shibo,Hou Yunhe,et al.Optimal reserve management of electric vehicle aggregator: discrete bilevel optimization model and exact algorithm[J].IEEE Transactions on Smart Grid,2021,12(5): 4003-4015.
[12]吴洲洋,艾欣,胡俊杰.电动汽车聚合商参与调频备用的调度方法与收益分成机制[J].电网技术,2021,45(3): 1041-1049.Wu Zhouyang,Ai Xin,Hu Junjie.Dispatching and income distributing of electric vehicle aggregators' participation in frequency regulation[J].Power System Technology,2021,45(3): 1041-1049.
[13]魏震波,田轲,罗筱均,等.电动汽车聚合商参与下的主辅联合市场均衡分析[J].电力建设,2021,42(2): 50-57.Wei Zhenbo,Tian Ke,Luo Xiaojun,et al.Analysis on equilibrium of the main and auxiliary joint markets considering the aggregators of electric vehicles[J].Electric Power Construction,2021,42(2): 50-57.
[14]Said D,Mouftah H T.Novel communication protocol for the EV charging/discharging service based on VANETs[J].IEEE Transactions on Intelligent Vehicles,2017,2(1): 25-37.
[15]Kaur K,Dua A,Jindal A,et al.A novel resource reservation scheme for mobile PHEVs in V2G environment using game theoretical approach[J].IEEE Transactions on Vehicular Technology,2015,64(12): 5653-5666.
[16]许刚,张丙旭,张广超.电动汽车集群并网的分布式鲁棒优化调度模型[J].电工技术学报,2021,36(3): 565-578.Xu Gang,Zhang Bingxu,Zhang Guangchao.Distributed and robust optimal scheduling model for large-scale electric vehicles connected to grid[J].Transactions of China Electrotechnical Society,2021,36(3): 565-578.
[17]杨晓东,张有兵,蒋杨昌,等.微电网下考虑分布式电源消纳的电动汽车互动响应控制策略[J].电工技术学报,2018,33(2): 390-400.Yang Xiaodong,Zhang Youbing,Jiang Yangchang,et al.Renewable energy accommodation-based strategy for electric vehicle considering dynamic interaction in microgrid[J].Transactions of China Electrotechnical Society,2018,33(2): 390-400.
[18]崔金栋,罗文达,周念成.基于多视角的电动汽车有序充放电定价模型与策略研究[J].中国电机工程学报,2018,38(15): 4438-4450,4644.Cui Jindong,Luo Wenda,Zhou Niancheng.Research on pricing model and strategy of electric vehicle charging and discharging based on multi view[J].Proceedings of the CSEE,2018,38(15): 4438-4450,4644.
[19]李霞林,郭力,王成山,等.直流微电网关键技术研究综述[J].中国电机工程学报,2016,36(1): 2-17.Li Xialin,Guo Li,Wang Chengshan,et al.Key technologies of DC microgrids: an overview[J].Proceedings of the CSEE,2016,36(1): 2-17.
[20]范智伟,乔丹,崔海港.锂离子电池充放电倍率对容量衰减影响研究[J].电源技术,2020,44(3): 325-329.Fan Zhiwei,Qiao Dan,Cui Haigang.Influence of charge and discharge rate on capacity fade of lithium ion battery[J].Chinese Journal of Power Sources,2020,44(3): 325-329.
[21]Carmichael R,Gross R,Hanna R,et al.The demand response technology cluster: accelerating UK residential consumer engagement with time-of-use tariffs,electric vehicles and smart meters via digital comparison tools[J].Renewable and Sustainable Energy Reviews,2021,139: 110701.
[22]吴赋章,杨军,林洋佳,等.考虑用户有限理性的电动汽车时空行为特性[J].电工技术学报,2020,35(7): 1563-1574.Wu Fuzhang,Yang Jun,Lin Yangjia,et al.Research on spatiotemporal behavior of electric vehicles considering the users' bounded rationality[J].Transactions of China Electrotechnical Society,2020,35(7): 1563-1574.
[23]罗凡,陈渊,王伟,等.西北地区电动汽车发展策略探讨[J].电力需求侧管理,2017,19(5): 48-51.Luo Fan,Chen Yuan,Wang Wei,et al.Discussion on electric vehicles development in northwest area[J].Power Demand Side Management,2017,19(5): 48-51.
[24]胡鹏,艾欣,张朔,等.基于需求响应的分时电价主从博弈建模与仿真研究[J].电网技术,2020,44(2): 585-592.Hu Peng,Ai Xin,Zhang Shuo,et al.Modelling and simulation study of TOU stackelberg game based on demand response[J].Power System Technology,2020,44(2): 585-592.
[25]毛玉荣.电动汽车充放电与微电网运行的协调优化[D].长沙: 湖南大学,2016.
[26]赖纪东,谢天月,苏建徽,等.基于粒子群优化算法的孤岛微电网电压不平衡补偿协调控制[J].电力系统自动化,2020,44(16): 121-129.Lai Jidong,Xie Tianyue,Su Jianhui,et al.Coordinated control of voltage unbalance compensation in islanded microgrid based on particle swarm optimization algorithm[J].Automation of Electric Power Systems,2020,44(16): 121-129.
[27]Giacomuzzi S,Langwasser M,de Carne G,et al.Smart transformer-based medium voltage grid support by means of active power control[J].CES Transactions on Electrical Machines and Systems,2020,4(4): 285-294.
[28]苏粟,蒋小超,王玮,等.计及电动汽车和光伏—储能的微网能量优化管理[J].电力系统自动化,2015,39(9): 164-171.Su Su,Jiang Xiaochao,Wang Wei,et al.Optimal energy management for microgrids considering electric vehicles and photovoltaic-energy storage[J].Automation of Electric Power Systems,2015,39(9): 164-171.
[29]王凌云,安晓,杨波,等.考虑负荷聚合商参与下的微网双层两阶段优化调度[J].三峡大学学报(自然科学版),2021,43(2): 86-92.Wang Lingyun,An Xiao,Yang Bo,et al.Double level two-stage optimal scheduling of microgrid with the participation of load aggregator[J].Journal of China Three Gorges University (Natural Sciences),2021,43(2): 86-92.
[30]刘敦楠,徐尔丰,刘明光,等.面向分布式电源就地消纳的园区分时电价定价方法[J].电力系统自动化,2020,44(20): 19-28.Liu Dunnan,Xu Erfeng,Liu Mingguang,et al.TOU pricing method for park considering local consumption of distributed generator[J].Automation of Electric Power Systems,2020,44(20): 19-28.