基于市场控制与配电网约束的电动汽车充电

www.engineering.org.cn第1卷·第4期·2015年月工程453研究智能电网-文章工程2015，1（4）：453-结合市场控制与配电网约束的电动汽车充电Geert Deconinck1*，Klaas De Craemer2，Bert Claessens2摘要电动汽车的充电对配电网产生影响，其成本取决于充电时的电价。负责大型电动汽车车队的聚合器可以使用基于市场的控制算法来协调这些车辆的充电，以最大限度地降低成本。在这种优化中，不考虑EV所连接的配电网的操作参数。这可能导致违反网格的技术约束（例如，欠压、相位不平衡）;例如，因为许多车辆在价格低时同时开始充电。同时考虑经济和技术方面的优化是复杂的，因为它必须将市场层面的时间驱动控制与操作层面的事件驱动控制相结合。不同的案例研究调查在何种情况下，基于市场的控制，协调电动汽车充电，与配电网的运营约束冲突。特别是在弱电网中，高比例的电动汽车。在EV的充电点处的低电平电压下垂控制器可用于通过在局部电压过低的情况下减小充电功率来避免许多电网约束违反。虽然这一行动意味着偏离成本最优的操作点，它表明，这对聚合器的商业案例的影响非常有限，并且能够遵守技术配电网的限制，即使在弱配电网与许多电动汽车。关键词电动汽车充电，配电网，技术和经济目标相结合，分布式控制1引言在智能电网中，需求侧的贡献是平衡电网的关键。需求响应（DR）允许调整从电力需求到来自例如可再生能源的变化的电力供应。能源服务公司的出现，将小型电器的需求汇总成可以在电力市场中发挥作用的数量。本研究的重点是利用电动汽车（EV）的灵活性，这是从配电网充电的聚合器。为了控制其EV，聚合器通常基于电能价格（经济目标）来确定用于电动汽车的集体充电时间表。然而，在充电时，电动汽车物理连接到低压配电网，这固有地受到其基础设施的限制。为了保证配电网的正确运行，配电系统运营商（DSO）可以通过使用电网阻塞管理机制来实施技术约束。为了在EV充电协调中整合聚合器（经济目标）和DSO（技术目标）的目标，确定了两个操作级别[1，2]。• 市场运行水平需要采取行动，目标是跟踪电力批发市场上先前的交易量，其中交易在相对长期的规模（月、季）上进行，并且量被表示为能量数量-通常为MW·h-在通常为15min或1 h的时间段内。时间驱动的方法非常适合这里。• 实时操作水平需要采取行动，以符合即时消费者的喜好，并尊重当地电网的限制（如电压限制）。在该水平上，由于变化和控制相对更即时和动态，实时操作（或技术操作）通常以电功率的量（例如kW）表示。粒度在分钟到秒的范围内。在这个层面上，快速响应是重要的，需要限制通信量。事件驱动的方法非常适合这里。关于电动汽车整合的很大一部分研究旨在最佳协调市场运营商的充电1KU Leuven-EnergyVille，Leuven 3001，Belgium;2 VITO-EnergyVille，Mol 2400，Belgium* 通讯作者。电子邮件：geert. kuleuven.be接收日期：2015年9月9日;接收日期：2015年11月27日;接受日期：2015年12月1日作者（S）2015出版社：Engineering Sciences Press这是CC BY许可下的开放获取文章（http：//creativecommons.org/licenses/by/4.0/）454工程第1卷·第4期·2015年12www.engineering.org.cn研究智能电网-文章发电水平，促进可再生能源的更大份额或提供系统范围的辅助服务，或最小化充电的电力成本[3-5]。与此同时，文献中的大量工作已经朝着使用EV来避免电网过载或减少电网损耗的方向进行[6在协调电动汽车充电时，经济市场运行和技术实时运行之间的相互作用通常不被考虑[2]，除非在与车辆到电网能量转移相同的背景下考虑[11，12]。然而，经济和技术水平可能会发生冲突，这通常发生在配电网达到其约束条件时（即，电压、电流、不平衡等），在这一点上，技术目标将干预经济市场目标。由于市场运作被否决，消费可能会偏离聚合商的预期，影响聚合商的业务情况。本文通过在一组不同的配电网场景中模拟技术、实时操作水平对经济市场操作水平的影响，分析了这两个水平。对于市场操作水平，使用用于协调EV充电的现有事件驱动的基于市场的控制（MBC）。当存在来自实时操作级别的约束时，它将优先。此外，电压下降控制器可用于减轻局部电压限制。将分析在市场层面上使用下垂控制对聚合器目标的定量影响第2节讨论了现有的算法和模型的市场和实时操作水平。第3节详细介绍了市场操作水平的算法选择并激发了其动机。第4节描述了一组相关的配电网场景，以及对模拟模型和假设的解释。在第5节中，在这些预定义的场景中模拟了所选算法，并深入分析了实时操作对市场级对象的影响。2 背景2.1 市场级运作关于在经济市场层面上DR参与者集群的优化和协调的研究，可以根据使用集中式、分布式和聚合调度算法执行优化的方式大致划分（图1）。图1.市场级需求响应（DR）的三种算法和协调的说明。对于集中式算法，中央参与者从DR设备收集信息。该信息可以包括单独的约束和最后期限或舒适度设置。使用收集的知识，并可能包括额外的信息，如预测，中央协调器执行一个单一的优化，返回一个最佳的时间表，满足所有的约束一次。该过程固有地使得集中式算法的可扩展性较低，因为随着参与设备数量的增加，优化过程变得非常计算密集。此外，与中心行动者的沟通构成了潜在的瓶颈.提出了几种解决方案，有助于克服易处理性问题[11，13]。另一方面，分布式算法在参与设备本身执行优化过程的重要部分。通过这种方式，找到合适的解决方案的计算复杂性分散在集群上，通常使用迭代过程，其中信息在参与者之间进行通信。这种分布式方面不排除存在负责发起或协调迭代收敛的实体。文献中的一部分分布式算法基于分布式优化技术，其中大型优化问题被划分为可以迭代和独立求解的较小部分[14-17]。特别是，梯度上升法及其衍生物，如对偶分解，是常见的。聚合调度算法在某种程度上结合了这两种方法。它们将目标的优化与其结果的调度解耦。聚合分派机制允许来自和去往中央实体的信息（诸如约束）被聚合，从而降低优化的复杂性并提高可扩展性，但是携带关于结果的最优性的某些折衷或约束。Refs的工作。[18#20020;的想法。虽然分布式和集中式算法可以在给定电器的约束或市场数据的情况下确定最优DR调度聚合调度机制是一种折衷方案，允许在有限的最优性损失下实现可扩展和低成本的实现[3]。在这项研究中，MBC被选为聚合调度算法的特定实例（见第3节）。2.2 实时水平和网格拥塞由于电网不能物理拥塞，术语“电网拥塞”是指对有功功率的需求超过电网的标称功率传输能力的情况[21]。网格拥塞可以被映射为在其连接点处违反一个或多个约束。在本文中，这些违规行为将主要是在配电网的电能质量问题的形式，并可以归因于配电网的电阻和不平衡的性质。2.2.1 网格拥塞度量关于公共配电系统供电电压特性的EN 50160标准描述了，除其他外，智能电网-文章研究455www.engineering.org.cn第1卷·第4期·2015年12月工程以下是一些重要的规格。• 过压和欠压：每周测量一次，10分钟平均RMS电压偏差不应超过± 10%。对于欠电压，测量程序允许更宽的范围：-15%至-10%，最大值为一周的5%。• 电压暂降：允许每年发生1000次电压暂降，在此期间，电压最多降至其标称值的85%，持续时间小于1 min。中断（定义为持续时间小于180 s）每年应发生少于500次。• 电压不平衡系数（VUF）：VUF的10分钟平均RMS值应在95%的时间内低于2%，每周测量一次。2.2.2 拥塞缓解面对电网拥塞问题，DSO可以选择许多缓解策略。• 无功功率和电压控制，以增加（本地）传输容量：该策略已用于连接到中压网络的风力发电机。在配电网中，无功功率和电压控制可以通过使用抽头变换器和电容器组来实现，并且它们的切换是使用负荷预测来规划的。在实践中，需要自动化和远程控制的有载分接开关，但由于成本原因，它们在配电网中的使用仍然保留到少数测试案例。• 通过转移或削减需求来协调功率下降[21]：该策略可以通过实施DR或强制实施电压下降控制等机制来实现。• 通过更换或升级设备（增加或更换电缆、安装更大的Transformer等）增加当地电网的传输能力：虽然这一选择很有吸引力，因为它限制了DSO的参与（保持被动角色，没有预测等），这一备选办法的费用可能很高，因此只有在其他解决办法都已用尽或被认为不可行时才予以考虑。在本文中，阻塞管理被认为是根据第二个选项：协调有功功率需求在拥挤的电网位置通过电压下垂控制。2.2.3 电压下降控制配电线的行为是电磁的而不是电磁的。当从电网中抽取大量有功功率时，此特性会导致沿线电压偏差。电压偏差可能会受到影响，因为充电速率电动汽车的速度可以在时间上任意变化和移位。因此，除了市场层面的协调之外，还可以在充电器内部实施快速作用的电网支持行为[22，23];这种实施方式可以在欠压情况下降低充电速率（或在过压情况下增加充电速率）。这种下垂控制方案是鲁棒的并且易于实现，因为它仅需要本地电压测量和调整本地有功或无功功率设置的方式。不需要沟通。图2示出图2.用于电动车辆（EV）充电器的电压下垂控制特性的示例。EV充电器的电压下降曲线的示例。当其连接点处的电压下降到每单位（pu）0.9以下时，功率线性降低，直到0.85 pu，在该点充电完全停止。不利的是，技术操作层面的下垂激活将影响和影响经济市场层面的协调[24]。例如，在某个时刻，聚合器将向车辆代理发送其最优功率设定点或同等优先级，但是由于本地电网问题，充电器可能被迫降低功率;这种情况可能导致与最优市场级能量计划的偏差，以及对聚合器的潜在惩罚。3 市场级运营：电动汽车MBCMBC的概念植根于微观经济学，其中经济活动被建模为追求其私人利益的个体各方的相互作用[25]。所应用的市场机制提供了一种激励被称为经济代理人的各方以某种方式行事的方式。在参考文献[26]中，DR集群中的设备由多代理系统（MAS）中的软件代理表示。它们可以控制一个或多个本地进程（例如，加热水或为电动汽车的电池充电3.1 架构MBC系统已用于多个现场测试，商业上称为PowerMatcher。在Refs市场的清算。[26，27]在周期性的基础上操作（例如，15分钟的时隙长度）或使用事件，并且以分层的、树状的方式实现[25]。在层次结构的顶部是一个拍卖代理，它直接连接到许多集中器代理。拍卖商代理是一种特殊类型的集中商代理，负责定价过程，就像瓦尔拉斯拍卖一样。在层次结构中较低的集中器代理聚集其子代理的需求功能。因为在级别之间使用统一接口，可以使用无限数量的这种聚集级别。最终，在层次结构的底部，可以找到设备代理本身。考虑到受控设备的特定约束，设备代理组装表示其支付和消耗电力的意愿的需求函数。需求函数被向上发送，拍卖代理执行与生产代理的匹配过程。一个均衡价格被反馈给代理人，他们开始在均衡水平上消费或生产这研究智能电网-文章456工程第1卷·第4期·2015年12www.engineering.org.cnDEPP最大最大max maxreqP fE ，，Ptt EPt过程如图3所示。如果均衡价格被视为一个纯粹的控制信号，使没有直接的链接到能源成本，MAS MBC机制可以被视为一个调度方法的聚合器的商业案例。在这种情况下，需求函数数据被视为调度算法的输入，而均衡价格（或者更好的是，均衡优先级）被视为引导集群走向其结果的信号。3.1.1 EV设备代理的需求函数代表性的需求函数可以使用各种方法来构建，但是在EV的情况下，一种直接的方法是3.2 MAS MBC的优点和缺点使用MAS MBC系统进行DR（以Pow- erMatcher为例）可提供多项好处。• 可扩展性：在集中式系统中，中心实体必须处理所有传入和 传出 的 消息 ， O（ n ） ，快 速 创建 通 信瓶 颈 。 由于PowerMatcher中的多个级别上的聚合，每个代理必须处理的消息数量可以减少到O（logn）。• 低复杂性：需求函数数据的构建和匹配过程本身是简单的，并且不基于任何模型。确定需求通过组合每个代理i请求时间到可以在其开发期间完成设备的功能。最大充电功率iP创造-• 开放性：任何类型的设备都可以集成到DEP沿着倾斜的曲线iPMax（方程式（1）），如下所示每个EV集群，因为操作只依赖于交换在图3（a）和（b）中。如果没有足够的时间来接收所请求的能量（即，t临界发生在当前时间之前），可以使用不灵活的需求函数，使得充电在最大功率下发生，而不管控制信号如何（等式10）。（2））。需求函数和价格。不具有可伸缩性的器械由非弹性需求函数表示。• 隐私：由于需求功能是聚合的，因此没有收集所有信息的中央实体。此外，还对设备的物理过程、投标策略、我我我dem req dep max（一）用户的需求功能和动机都是通过需求功能抽象出来的。我我关键我我req maxdep（二）然而，原始PowerMatcher方法的一个更显著的缺点是缺乏前瞻功能。建筑需求函数的详细描述，这方面的EV可以在参考文献中找到。[2、3]。3.1.2 浓缩剂和聚合在集中器代理级别，n个代理的各个需求函数被聚合到单个曲线中3.3 增加调度功能和控制目标对于可以存储电能的负载，例如EV，能量约束图可以用于捕获在某个时间范围内的可用灵活性。这张图是介绍-在Ref的工作中引入[3]的文件。对于每个EVi，两个向量iEPg（方程式（3）），如图3（c）所示在拍卖行，以及igmin 添加到信息iPdem中Max从设备该聚合曲线用于找到对应于DR集群的期望功率设置P_c的均衡优先级p_equi（等式2）。（4））。代理人对拍卖人的代理人（Eq.（5））。iEiEminiP，in聚合物德姆德姆（三）你不知道0，1，你，我不知道（五）第一章1iEiEmaxiE阿吉什特 塔西坡，0个聚磷块体 P（四）敏敏最小要求最大要求埃基代姆Ctrl你不知道0，1，你，我不知道Pcycle的值由业务代理确定。DEP图3. （a）MAS MBC中的控制结构的概述;（b）如由设备代理从充电EV向上发送的需求函数ipdem;（c）在聚合各个需求函数之后，确定平衡优先级pequi并将其发送回代理。dem智能电网-文章研究457www.engineering.org.cn第1卷·第4期·2015年12月工程tt地平线E矢量iEMax 是EV代理i的能量路径，如果它必须开始充电im-t层在最大功率下运行，然后（在t空闲时）保持空闲，直到其离开时间EminCt不.另一方面，iE表示其中充电被推迟以等待充电的情况。Et100（七）DEPmin与CP E尽可能长（直到T临界）。这些情况用Eq.（5）及─tt不图4（a）。iE之间的所有区域充电过程。Max 以及igmin 代表了因为这是线性目标，所以可以预期EV的开关控制行为。• 投资组合平衡，其中聚合器的目标是使用EV灵活性来限制其投资组合的风力发电暴露于不平衡市场。该目标意味着在地平线上找到EV的最佳能量轨迹EEV，使得风能的短期预测Ewind与其日预测E wind之间的差小于其日预测E wind。图4. （a）单个车辆i的能量约束图;（b）聚合能量约束图和通过它的一些预定路径E。为了表示n辆车的整个EV电池组的电池约束，前面 提名 E名 是迷你-mized（方程式）（8））：t水平线聚集体聚集体Eopt 最小值EV，t 风，t将两个约束聚合成集体电池约束Emax和Emin 、Et中间代理人和拍卖代理人。拍卖者代理现在可以使用集体能量约束来确定最优路径Eoptover 根据某个目标函数C（等式2），（6））：（八）14nomin，t4与EtEopt arg minCEt（六）在这种特定情况下，要求以小时为基础提供前一天的提名，而以小时为基础提供短期提名。S.T.PP限值E聚集体 BEE聚合物tt地平仪风力发电预测按季度（提前15分钟）公布，Et1EtPt24小时的水平，如图5所示。EV的控制变量可以是其中，Et是在时间t处的集群的集体能量;并且Pt是功率控制。由集群在时间t到t期间求和。任何目标C（E）都可以用来阻止-挖掘EV集群的路径; 4.1节讨论了两个这样的目标。4 仿真目标和模型研究了一种情况，其中聚合器基于市场级目标协调一组电动汽车，但大部分或所有车辆都位于薄弱且受约束的配电网内。出现了不同的问题，例如• 电压下降控制器的使用在消除或减少电网拥堵问题？• 这些技术目标在多大程度上影响了聚合器案件？为了回答这些问题，开发了一个模拟框架。该框架的一个基于Java的部分允许对代理之间的交互进行建模，而市场级优化则在Matlab中使用CPLEX进行。为了模拟配电网中电压的影响，基于Matlab的向后-向前扫描负荷潮流求解器被集成到框架中。除了框架之外，还需要几个模型和数据集，以便正确地表示参与者及其行为。4.1 聚合器市场级目标考虑了拍卖人代理人的两个市场级目标• 使用时间（ToU），其中聚合器(7))：在任意的时间基础上。因此，随着在提名之后更准确的风力预测变得可用，优化将尝试使用EV来限制差异，并且由于二次项，将有助于在一段时间内分散剩余的不平衡，直到所考虑的时间范围。4.2 电动汽车、风力发电和负载的模型模拟中的（插电式）电动汽车模型由两个主要部分组成：电池模型和使用或驾驶配置文件。图5.平衡目标的说明。2min，ttmax，t研究智能电网-文章458工程第1卷·第4期·2015年12www.engineering.org.cn• 所有EV实例均配备相同的20 kW· h可用电池容量。例如，该含量对应于25 kW· h电池的10%和90%充电状态。假设车辆希望其可用电池内容在离开时完全充电。• 充电发生在0和3.3千瓦之间的可变功率水平从配电网的单相连接。• 关于车辆在白天的状态的数据（即，在家闲着、开车、没空等）行驶时的能耗取自Ref. [28].• 风力涡轮机的可再生能源生产数据基于参考文献[29]，并适用于2.5 MW涡轮机。为了能够模拟它们对配电网电压质量的影响，需要真实的家庭消费概况。使用了“线性”智能电网项目[30]的数据4.3 弱网格拓扑与Agent体系结构当调查协调充电对配电网状态的影响时，反之亦然，重点关注弱电网配置是有意义的，因为这更有可能发生问题。图 6 显 示 了 模 拟 中 使 用 的 基 本 拓 扑 。一 个 400 kVA 的Transformer为几个并联馈线供电。然后，每个馈线为多个家庭负载供电，使等效Transformer负载达到191个家庭。馈线之一，馈线0，链接到线段供应 38个单相家庭连接。这些连接交替地连接到相1到3并以距离D2间隔开。从Transformer到第一个家庭连接的距离为D1。从每个连接点，长度为D3的电缆从线 路 延 伸 到 家 庭 的 电 源 终 端 。 在 模 拟 模 型 中 ， 连 接 到Transformer的其他馈线和负载（153户）被集中到一个单一的实体（馈线1），因为它们的影响没有详细研究。电缆参数取自地下配电电缆NBN C33-322的设计规范。 使用EIAJB 1 kV（3 mm × 70 mm + 1 mm × 50 mm）电缆对于主馈线和线路（D1，D2），而EXVB 1 kV（4 mm × 16 mm）型电缆用于将家庭供电终端连接到主电缆（D3）。表1显示了此拓扑的各种变体，这些变体将在下一节中进行评估。案例NS和NL在Transformer和第一个家用终端（100 m）之间具有相对较短的电缆。案例NL和FL代表了由于家庭连接点之间的距离较长而具有相当长的总电缆长度（914 m和805m）的场景。如图6（b）所示，代表充电车辆的软件代理的组织与电网拓扑无关。但是，假设物理连接到同一个Transformer的车辆的所有代理都分组在单个集中器代理下。与此同时，为了使聚合器处的市场操作正常运行，集群中的可伸缩性应该比基础拓扑中的38辆车所提供的可伸缩性更大。为此，集群被扩展，使得根据场景，总共200或1000个车辆代理参与协调充电。这些附加代理不属于负载流量计算的一部分。图6.（a）物理网格拓扑的单个实例;（b）与物理网格相关的代理拓扑。表1.物理基础拓扑的变化，代表各种弱网格。案例名称缩写D1（m）D2（m）D3（m）总长度（m）近Transformer短电缆NS1001520655靠近Transformer的长电缆NL1002220914远Transformer短电缆FS250720509远Transformer长电缆FL2501520805智能电网-文章研究459www.engineering.org.cn第1卷·第4期·2015年12月工程为了测试弱配电网内的EV的额外份额，通过具有多个基本拓扑来创建代理结构的额外变化。这些倍数 见表2。案例编号后的后缀确定拓扑中使用的代理的份额。表2.代理拓扑结构的变化，代表位于弱网格中的不同数量的车辆。案例名称弱电网内的电动汽车x-3838x-11438 × 3型号：380× 10电话：+86-760- 8888888传真：+86-760 -88888885 聚合器案例：模拟和结果本节研究了在上一节的配电网场景中，使用市场级目标的协调充电对本地电网拥塞的影响。除了之前概述的基于MAS MBC事件的实现之外，还包括不协调（哑）充电场景，在此期间，车辆插入并在到达其最大额定功率Pmax时开始充电。第一组场景涉及一个聚合器，该聚合器试图最小化电动汽车车队的充电成本，给出了特定的ToU费率（第5.1节）。第二组情景分析考虑了一个聚合商，当与日前市场发生偏差时，该聚合商必须平衡其投资组合，因为投资组合包含风力发电（第5.2节）。在这两组中，技术限制作为实时水平的结果进行了讨论，经济方面作为市场水平的结果进行了讨论。5.1 具有ToU成本目标的聚合器在ToU场景期间，聚合器的目标是以最小化车辆电池的充电成本的方式响应24小时地平线ToU费率。在这种情况下，24小时电价是基于比利时BELPEX日前市场的每小时批发能源价格。由于家庭消费和关税的季节性影响，配电网问题与一年中的时间有关。为了限制日期的选择对为了得到一个全面的情况，产生并测试了一组随机的设想方案参数。随机化参数包括关税被取消的日期。选择，车辆驾驶配置文件和家庭负载配置文件。根据EN 50160标准，显示了每种情况下100个随机参数集的电压问题结果。不同的场景根据几个维度对问题空间进行采样：• 物理网格拓扑，表示网格的不同弱点（NS、NL、FS、FL）;• 电动汽车渗透率，代表电动汽车的不同份额（x-38，x-114等）;和• 协调技术（仅家庭（HHOnly）=没有EV的参考情况，Dumb =不协调的充电，Event =仅考虑成本目标的MBC，Event + droop =同时考虑经济和技术约束）。5.1.1 实时水平结果查看图7中的HHOnly结果，很明显，只要不引入EV，所选择的拓扑就工作良好。当电动汽车以不协调的方式充电时，电压问题超出了EN 50160规范，保证金很大，确认电网拓扑结构符合“弱网格”如图7（a）所示，电压在超过5%的时间内定期降至0.9 pu以下，并且如图7（b）所示，电压降至0.85 pu以下的事件非常常见。此外，如图7（c）所示，在相位之间发生太多的不平衡。在相连接不平衡、充电电流较高和家用负载增加的情况下，这些问题会变得更糟。尽管如此，配电网问题的严重性在很大程度上取决于电网拓扑结构，如NS、NL、FS和FL例所示。FL例具有最长的电缆段连接负载，导致最高的电压幅度和最多的VUF问题，而NS和FS例遇到的问题最少。然而，观察到的趋势是相同的：不协调的充电是造成晚上高峰与家庭负荷高峰重叠的原因。仅基于ToU成本最小化的充电协调导致较少的电压问题;然而，仍然存在太多的电压问题。这些持续存在的问题的原因是，虽然家庭负载和充电的重合已经消失，但现在要求所有可用的车辆在白天的一个或两个点开始充电。这种同步性创造了足以产生电压问题的新峰值。当使用电压下降控制器时，电压下降的严重程度图7.EN 50160电压幅值和不平衡问题在7天的过程中，100随机天。（ a）电压低于0.9 pu;(b)电压低于0.85 pu;（c）VUF大于2%。研究智能电网-文章460工程第1卷·第4期·2015年12www.engineering.org.cn偏差减少了然而，由于电压下降控制仅在低于0.9 pu时激活，0.9 pu偏差仍然经常超出EN 50160标准的5%规定。与以下电压相关的问题0.85 PU完全解决了。通过调整控制器的设定点使得其更快地干预（例如，在0.95 pu），弱网格可以完全符合EN 50160。5.1.2 市场一级的成果表3显示了200辆电动汽车集群的充电成本。由于技术上的限制，这八个案件是分批模拟的。由于每个批次生成不同的随机参数集，因此无法简单地比较案例之间的总成本值。表3. ToU场景的成本结果，以及由于在EV充电器中使用电压下降控制而导致的差异;还显示了由于未输送能量而导致的成本差异。问题，因为当市场价格低时，倾向于同步切换大量受控负载，从而产生大的功率峰值。基于ToU的优化对配电网状态的影响甚至可能比不使用协调充电（哑充电）时更差。事实上，这种情况包含两个特殊的缓解因素：家庭连接点的相位沿线路交替分布，聚合器使用的价格分布使车辆的电力峰值远离家庭的晚上高峰。如果这两个因素不存在，EN 50160结果会更差。从积极的一面来看，使用简单的电压下降控制器实际上解决了所有遇到的电能质量问题，并能够通过一些调整使相对较弱的配电网恢复到EN 50160标准。然而，随着充电成本的增加，下垂控制器的使用对聚合器的商业案例情况事件MBC+下降成本差异到期上，少数车辆没有得到他们所需的名称DumbEvent MBC不含E赤字wE定义电压下降在出发时间收费但是，从数量上讲，只有在以下情况下，差异才开始变得显著（> 2%）：聚合器的大部分（> 50%）5.2具有平衡目标的在上一节中，市场层面协调充电的目标是整个车队的充电成本，考虑到即将到来的24小时的ToU费率和车辆的限制。或者，聚合器可以使用在下垂控制干预期间，一些车辆可能在脱离时电池未完全充电。由于这一结果影响成本数，因此必须将成本附加到所产生的能量亏损上。E不足等于请求的电池电量与车辆离开时的电量之间的差值（公式10）。（9））： 在作出前一天的承诺后，减少其投资组合的不确定性，以限制其在平衡市场中的风险敞口。在欧洲，平衡服务是交易的在不同的市场上比批发能源[31]。虽然这些服务的价格与能源市场的价格相关，但价格往往更高。平衡的责任和成本通常归因于访问-响应-E亏缺 iE要求，t  IE巴特 tit （九）可行方（ARP），它更愿意重新安排自己的不 吉吉而不是暴露于平衡-50欧元（MW· h）-1的成本当然，赤字的数量与可能遭受配电网问题的车辆数量直接相关。在薄弱的配电网之外的车辆显然永远不会失去能量。虽然下垂控制器对电压问题的发生具有积极的影响，但它也增加了对电池充电的成本，因为在不方便的时间段内消耗了更多的能量。在不考虑出发时的能源短缺的情况下，x-38案例的成本已经小幅增加了0.6%，x-114案例的成本增加了近2%，其中近60%的电动汽车位于薄弱的配电网中。考虑到E赤字，这一成本增加了一倍，累计电池赤字量占总输送能量的1.15%。5.1.3 关于ToU情景的从结果可以看出，基于ToU的受控EV充电有可能创造显著的电能质量ing市场。例如，对于风力发电场，风力发电预测用于建立估计的生产概况和所需的前一天提名。由于预测并不完美，实际产出将在当天本身偏离前一天的预测，如果不进行干预，这种差异将导致正或负的失衡，并产生相关成本。通过利用充电车辆的能量灵活性，聚合器可以减少这种风的不平衡。假设风电场不直接连接到电动汽车所连接的配电网;也就是说，只有风力发电的有功功率方面需要电动汽车进行平衡，并且电压分布不受风力发电厂的影响。然而，用电动汽车补偿风力发电预测误差的主要困难在于，巨大的不平衡需要改变相当大一部分的发电机可用灵活性。因为车队的驾驶行为24小时的周期，并保持相对恒定，NS-38805.46欧元595.00欧元596.71欧元598.03欧元+0.28%NL-38795.83欧元589.72欧元594.25欧元600.02欧元+0.77%FS-38814.26欧元604.59欧元606.71欧元608.20欧元+0.35%FL-38806.75欧元603.77欧元609.84欧元616.50欧元+1.00%NS-114792.28欧元580.16欧元585.32欧元589.99欧元+0.89%NL-114823.00欧611.03626.54欧元645.26欧元+2.50%智能电网-文章研究461www.engineering.org.cn第1卷·第4期·2015年12月工程时间，每天充电能量的量具有相同的特征。此外，风力预测误差不会在一天内抵消，而是持续更长的时间段。因此，在一天的早些时候使用所有的EV不平衡性意味着不能再补偿后来的不平衡。一个可能的解决方案包括结合随机优化和日内预测更新，以完善调度过程。为了平衡光伏或其他可再生分布式能源的可变性，可以考虑类似的推理。另一个可能的不平衡来源在于提名的时间分辨率;比利时日前市场的提名要求以小时为基础的能量值。但是，不平衡容量以15分钟为基础进行解决。即使ARP对其投资组合具有高分辨率和准确度的预测，仍然会出现不平衡，因为指定值是每小时的平均值。这个优化问题的描述在前面的第4.1节中提供（方程：（8））。指定能量Enomin由EV风速和日前风力预测的指定组成，分辨率为1 h，持续24 h（方程2）。（10））。系统的行为根据MAS MBC算法与规划，并最大限度地减少瞬时不平衡。为了评估使用该目标的益处，添加了新的“哑”场景，在该场景期间，聚合器仅尝试保持能量消耗尽可能接近提名（被称为利用标签跟踪提名）。所有场景都使用基于事件的MAS MBC系统来协调节点，但在跟踪场景中，没有优化来最小化与使用短期风力数据的提名的差异。5.2.1 模拟场景和性能指标由于模拟时间相对较长，需要预先确定风和EV的提名数据，并且参数集呈指数增长，因此选择固定模拟情况进行模拟。选择了一个案例，其中一周的风力和车辆分布从数据集中的特定一天开始，以便包括前三天风力不平衡相对较小而后三天不平衡相对较大的一周。为了最终获得大量的能源消耗，电动汽车集群由1000辆汽车组成，而不是200辆Enomin，t EEV，nomin，t  E风，nomin，t（十）如前一种情况。与上述ToU情景类似，选择了不同的ve份额的此类提名必须由ARP或聚合器确定;例如，通过使用历史记录或估计。由于整个发动机的驾驶行为（如果足够大）是稳定和可预测的，因此可以合理地使用前一天或前一周的功率曲线作为发动机的命名。当使用历史能量约束图时，在任何给定时间的可伸缩性的量可以通过根据以下等式遵循通过图的能量路径来最大化：Eaggreg和Eaggreg之间的固定比率例如为1/2或1/3。hicles位于薄弱的配电网内（表2）。主要性能指标包括剩余一刻钟不平衡的总电量和由此产生的成本，基于2012年比利时市场的正负不平衡价格的市场数据。除非能源灵活性与风力发电的比率非常高，否则在预测困难的高风力发电条件下，很难达到不平衡。然而，目标的二次性质将有利于尽可能地分散不平衡，Max min图8示出了这样的规划路径。然后，可以将对应于该路径的功率值转换为每小时的能量值，以便组成EEV，nomin，t。可以添加额外的衰减项γ，以减少目标函数中长期信息的影响（等式2）。（11））。在γ= 1的情况下，应获得相对较宽的不平衡分布。因此，仅将剩余不平衡体积视为性能的度量并不能捕获算法目标的意图。事实上，一个短视的算法，即时匹配不平衡的数字与EV的可伸缩性，将在减少剩余的不确定性，Eoptt层最小γt层位EEEV，t  E风，t  1E4nomin，t4（十一）平衡体积。因为平滑或阻止事件发生的能力t0γ1将为在时间上最接近的1/4小时不平衡值分配更高的优化成本。在极限情况下，γ→ 0意味着系统将表现为近视，因为没有考虑到关于未来的信息的图8.基于历史聚合能量约束数据的EV指定能量的示例。的不平衡可能对ARP非常有益，它使看看不平衡曲线的可变性是有意义的。通过对32个轮廓样本的滑动窗口进行傅立叶变换求和，获得不平衡轮廓的频谱内容。接下来，减去平均值以去除DC分量，并保留频谱图下的面积，以kW Hz表示。该值越高，剩余不平衡的功率分布的可变性越大。为了评估实时水平的影响，这里也使用了ToU案例的EN50160规范和性能指标。5.2.2 市场一级的成果在第一次模拟中，只研究了市场层面的行为，完全忽略了配电网。在图9（a）中，15分钟不平衡量为2研究智能电网-文章462工程第1卷·第4期·2015年12www.engineering.org.cn针对不同的γ值绘制了一个涵盖七天的模拟。很明显，基于事件的平衡成功地完全减少了提名的不平衡量。较小的γ值会导致上述近视行为，并迫使不平衡曲线接近于零，直到聚集器耗尽短期不稳定性。在图9（b）中，绘制了傅立叶变换的不平衡体积。因此，该图包括不平衡体积的频率分量。在平衡优化场景的情况下，很明显，不平衡分布包含的高频分量比不进行平衡优化时更少。这一观察结果证实了图9（a）中的结果，即γ= 1的平衡优化情况比γ值较小的情况能够更好地分散剩余的不平衡。在上述情况下，风力发电的提名和测量以因子W= 0.5进行缩放，以获得1.25 MW的峰值风力发电输出。还对风力和车辆的不同比例进行了检查，结果见表4。与跟踪情况相比，剩余不平衡量的改善在20%-30%之间。较小的γ值导致在7天内剩余的稍微较小的不平衡。然而，由于优化的目标与优化范围内的二次不平衡有关，因此基于总剩余不平衡的近视算法性能更好的结论将是误导性的。这一结论必须与剩余不平衡的“扩散”一起考虑对于更大的风功率比例因子，并且因此更大的风功率预测误差，在重新计算中的改进是必要的。主不平衡度下降到16%-21%。对于光谱含量值也观察到类似的效果。可以推断，基于这种平衡方法，图9. （a）不平衡情景，在7天的过程中，对于不同的γ值和1.25兆瓦（W=0.5）的峰值风力发电输出，以及跟踪情景，剩余不平衡分布;（b）功率分布的谱图，表示剩余不平衡的可变性。表4.对于不同的风电比例参数值，连续七天和1000辆电动汽车集群的平衡情况模拟结果W和折扣因子γ。参数不平衡体积不平衡体积差频谱光谱差异(MW·h）成本（%）(kWHz）（%）W= 0.05（0.125 MWp）跟踪提名2.543171.2欧元02.70平衡γ= 12.087128.7欧元-17.92.5-7.4平衡γ= 0.11.988120.9欧元-21.83.1+14.8平衡γ= 0.011.967117.1欧元22.73.5+29.6W= 0.2（0.5 MWp）跟踪提名8.633580.3欧元09.30平衡γ= 16.832434.3欧元-20.73.3-64.5平衡γ= 0.16.322397.8欧元-26.86.2-33.3平衡γ= 0.016.131379.7欧元-28.98.0-14.0W= 0.5（1.25 MWp）跟踪提名21.056€1413023.20平衡γ= 116.680€1091-20.87.6-67.2平衡γ= 0.115.775€1014-25.113.2-43.1平衡γ= 0.0115.313989.4欧元-27.316.9-27.2W= 0.7（1.75 MWp）跟踪提名29.364€1970032.50平衡γ= 123.888€1570-18.612.2-62.5平衡γ= 0.122.860€1471-2