第50卷第7期电力系统保护与控制Vol.50 No.7 2022年4月1日 Power System Protection and Control Apr. 1, 2022 DOI: 10.19783/jki.pspc.211181
考虑碳排放的光储充一体站日前运行策略
薛贵挺1，汪柳君1，刘 哲1，刘长江1，陈涵冰2，孙伟卿2
(1.国网北京海淀供电公司，北京 100195；2.上海理工大学机械工程学院，上海 200093)
摘要：“双碳”背景下，光储充一体站不仅能够缓解大量电动汽车充电对电网带来的冲击，而且能够利用新能源减少二氧化碳排放，逐渐成为未来电动汽车充电站的一种主流形式。为使光储充一体站在满足负荷需求的前提下减少碳排放，并且获取最优的运行经济性，提出一种考虑碳排放的光储充一体站日前运行策略。首先，通过数据-模型混合驱动的方式进行场景生成，采用改进的kernel k-means算法对历史数据进行聚类，进而生成光伏出力场景，并通过变分自编码器生成负荷场景。然后，建立以购电成本、碳排放成本、容量电费等为目标函数的日前经济运行策略的数学模型。最后，基于北京地区某光储充一体站的历史运营数据开展算例分析，对比结果表明，光储充一体站使用所提日前策略能够获得更高的经济效益，验证了所提策略的有效性。
关键词：电动汽车；光储充一体站；碳排放；数据-模型混合驱动；日前运行策略
Day-ahead operation strategy of an integrated photovoltaic storage and charging
station considering carbon emissions
XUE Guiting1, WANG Liujun1, LIU Zhe1, LIU Changjiang1, CHEN Hanbing2, SUN Weiqing2
(1. State Grid Beijing Haidian Electric Power Supply Company, Beijing 100195, China; 2. School of Mechanical Engineering,
University of Shanghai for Science and Technology, Shanghai 200093, China)
Abstract: Given a background of "dual carbon", an integrated photovoltaic storage and charging station (IPSCS) can not only alleviate the impact of a large number of electric vehicles charging on the grid, but also can use new energy to reduce carbon dioxide emissions. It is gradually becoming a mainstream form of electric vehicle charging station. In order to reduce carbon emissions and obtain the optimal operating economy of the IPSCS while meeting load demand, a day-ahead operation strategy of the IPSCS considering carbon emissions is proposed. First, a scene generation is made in
a data-model hybrid manner, and the improved kernel k-means algorithm is used to cluster historical
data. This in turn
generates photovoltaic power scenarios. The load scene is generated by a variational autoencoder. Then, a mathematical model of day-ahead economic operation strategy with the objective function of power purchase cost, carbon emission cost, and capacity electricity fee is established. Finally, based on the historical operating data of an IPSCS in the Beijing area, the results show that the IPSCS uses the above-mentioned day-earlier strategy to obtain higher benefits and verify the validity of the strategy.
This work is supported by the National Natural Science Foundation of China (No. 51777126).
Key words: electric vehicle; photovoltaic storage and charging station; carbon emission; hybrid data and model driven;
day-ahead operation strategy
0 引言
为实现“双碳”目标，储能从“锦上添花”转变为“不可或缺”，电动汽车(Electric Vehicle, EV)
基金项目：国家自然科学基金项目资助(51777126)；国网北京市电力公司科技项目资助(520204200068) 也逐渐进入我们的生活，为缓解用户的“里程焦虑”，充电站等设施迅速发展。大量EV充电会给电网带来冲击，为了促进新能源消纳以及平抑这种冲击，“光储充一体站”应运而生[1]。此系统能够解决土地资源不足的问题，实现光伏自发自用，提高新能源利用率，降低碳排放量，削峰填谷，达到经济效益最大化。
. All Rights Reserved.
- 104 - 电力系统保护与控制
银行个人贷款业务文献[2-3]介绍了光储充一体站的工程配置原则和实际建设情况。目前对充电站的选址规划[4]以及容量配置[5]问题已经有了一定的研究，文献[6-7]基于分时电价对系统进行了优化配置及调度。文献[8-11]针对分时电价机制，建立了EV有序充电的优化调度数学模型，相比无序充电，不仅可减少购电费用，还能够实现削峰填谷。文献[12-14]表明结合光伏和储能可有效提高能源效率和经济效益。其中文献[12]以运行成本最小为目标，日前阶段确定次日储能初始荷电状态，在日内进行滚动优化，确定充电站的运行策略。文献[15]考虑了储能寿命损耗，利用分段线性化的储能循环寿命损耗进行计算，提出能够使储能系统在一定的寿命损耗下实现削峰填谷的策略。
另外，对于光伏出力场景生成的方法，文献[16]提出一种基于贝叶斯自举法的分位数回归模型，以提
高准确性，文献[17]通过非参数核密度估计和Copula函数生成风光出力场景。针对光储充一体站负荷预测，通常使用蒙特卡洛方法[18]和排队论理论[19]模拟车辆依次到达快充站的过程。文献[20-21]依据车辆出行的目的构造出行链，模拟用户出行行为，然后计算出不同的充电负荷需求。
综上，仅通过模型驱动进行场景预测与实际场景存在较大的差距，而数据和模型混合驱动的场景生成方法可以充分利用历史数据，得到更加合理的场景。文中在混合驱动的基础上提出考虑碳排放的光储充一体站日前运行策略，首先采用改进的kernel k-means算法将历史数据进行聚类，进而生成光伏出力场景，通过变分自编码器生成充电负荷典型场景。然后考虑碳排放成本等因素，以充电站经济性最优为目标建立日前优化模型。最后对模型进行求解，通过对比分析，证明所提方法的经济性。
1 光储充一体站系统结构与运行策略
光储充一体站由供配电系统、储能系统、光伏发电系统、充电系统等组成，如图1所示。系统包括太阳能电池阵列、光伏逆变器、电池、双向交流器以及充电桩、DC-DC变换器等设备，图中箭头表示能量传输的方向，光储充一体站与0.4 kV交流母线相连。
根据车辆的充电行为和光伏出力，制定日前运行策略。一体站内，光伏发电系统所发电能首先满足充电站需求，当不满足负荷需求时，储能系统放电，若仍不能满足，则从电网购电；当光伏出力过剩时，可将过剩的电能给储能系统充电，也可以向电网售电，从而获得一定的收益。储能随光伏发电及
电价情况灵活调整充放电方式，减小充电站的峰谷差，实现耦合增效，提高系统的经济性和清洁性。
图1 光储充一体站系统结构图
Fig. 1 System structure diagram of the integrated
photovoltaic storage and charging station
2 基于混合驱动的运营场景生成
光伏出力和EV充电都具有较强的随机性和不确定性，场景生成法可以通过随机采样模拟其不确定性，生成具有概率特性的场景，在一定程度上提高预测的准确性。基于混合驱动的场景生成方法通常有两类：1)已知概率分布模型，通过样本数据求出模型参数，再生成新的具有随机性的场景；2)未知概率分布模型，通过数据驱动模型拟合概率分布，从而生成新的场景。
2.1 光伏出力场景生成
光伏出力的大小取决于光照强弱，不同天气的光伏出力有很大区别，而一天的天气情况变化较为复杂，难以直接根据天气来区分光伏的出力水平。故文中采用北京某光储充一体站2020年光伏历史运行数据进行聚类，得到几种典型出力水平的数据集，再分别针对不同的出力水平情况进行场景生成。
由于传统k-means算法存在不足，文中采用一种改进的k-means算法。改进主要有两点：1)为避免初
始点的选择导致陷入局部聚类，本文选取彼此相距较远的点作为初始点；2)传统k-means以欧氏距离判断样本点之间的相似性，会使变化趋势不同但欧式距离相同的点归为同一类，为突出样本数据之间的区别，本文利用核函数的思想将样本数据映射至更高维度的特征空间，再进行一般意义的k-means聚类。步骤如下：
(1) 选择核函数，通过多种核函数比较，发现高
. All Rights Reserved.
薛贵挺，等 考虑碳排放的光储充一体站日前运行策略 - 105 -
斯核函数的效果更优。
22
(,)exp 2i j
i j x x x x κσ⎛⎞
−⎜⎟=−⎜⎟⎝⎠
(1) 式中：i x 、j x 为样本数据；σ为带宽，控制核函数
的局部作用范围。当i x 、j x 的欧式距离在某一范围内时，若固定x j ，则(,)i j x x κ随i x 的变化非常明显。 (2) 根据“肘部法”确认光伏出力数据的聚类数k 。
(3) 生成k 个初始聚类中心：12,,,k c c c "。为了避免陷入局部聚类，选取彼此之间相聚最远的点作为初始聚类中心[22]。
(4) 计算各点到k 个聚类中心的距离，
将距离最小的聚类中心所在的簇作为该点所属的簇。
(5) 对每个簇重新计算新的聚类中心。
1i j x C i c x C ∈=∑ (2)
真心话式中：i C 为第i 个簇；x 为簇内的点。
(6) 重复步骤(4)、(5)，直至所有数据点到聚类中心的距离之和最小，得到的结果作为聚类的结果。
为判断不同聚类的效果可采用轮廓系数来衡量。聚类完成后，单个样本数据的轮廓系数s 计算
方法为
max()
b a
s a,b −=
(3)
式中：a 为该样本与自身所在簇内的其他样本的平均距离；b 则为该样本与距离最近的簇各样本的平均距离。
由式(3)知，轮廓系数的值介于[-1, 1]之间。当s 越接近1，表明该样本与簇内其他样本更相似，聚类效果好；当0s =，表明该样本与簇内和簇外样本属于同一类，聚类不充分；当s 越接近-1，表明该样本与簇外样本更相似，聚类效果差。因此，平均轮廓系数值越大，聚类效果越好。
聚类出不同的光伏数据集后，分别生成光伏场景。根据研究，光伏出力的概率分布主要采用Beta 分布[23]来描述。不同时刻的出力值服从的Beta 分布各不相同，若采用统一分布来描述，则会造成某些时刻的误差较大。因此，采取分别训练各时刻的Beta 概率分布，其概率密度函数为
11.min
.max .min ()()()(1)()()t t t f r P r P r P P r αβαβαβ−−Γ+⎧=−⎪ΓΓ⎪
⎨−⎪=
−⎪⎩
(4) 式中：.max t P 、.min t P 分别为t 时刻光伏出力功率的最大、最小值；P 为t 时刻光伏出力值；α、β 为Beta 分布的形状参数；Γ表示伽马函数。α、β 能够由给定时间间隔内r 的期望值μ和方差δ求得，方法如下。
2
(1)1μμαμδ−⎡⎤
=−⎢⎥⎣⎦ (5) 2
(1)(1)1μμβμδ−⎡⎤
=−−⎢⎥⎣⎦
(6) 设一段时期内某一时刻的历史数据12[,,Y P P =
34,,]P P "，令其最大值为.max t P ，最小值为.min t P 。首先，计算出该时刻的μ和δ，根据式(5)、式(
6)求出对应的α、β，得到Beta 分布的概率密度曲线。其次，对概率密度曲线进行累计积分，得到各时刻的概率分布函数。
()d ()x
f x x F x −∞=∫ (7)
式中：x 为随机变量；()f x 为概率密度函数；()F x 为概率分布函数。
再者，利用蒙特卡罗采样法在概率分布函数上随机采样，采得一个随机的概率值Y 。利用式(7)求逆，即可得到与Y 值对应的x 的值r ，进而得到该时刻下光伏出力P 。采集n 次后，分别得到n 组不同的P ，取其平均值作为该时刻的出力值。最后将各时刻出力值连接起来，生成具有一般性的光伏出力曲线。
2.2 负荷场景生成
与光伏场景生成不同，EV 的负荷需求本身没有特定的概率分布模型，与车主自身需求、行驶距离和出行习惯均有关。而且随着不同地点，不同的车辆类型，其概率分布有很大的区别。因此，可以通过变分自编码器(Variational Autoencoder, VAE)训练充电站历史数据。由于是否为工作日对于EV 的使用情况有一定影响，故分别对工作日和非工作
日的负荷需求学习其概率模型，最后得到两个场景。
VAE 场景生成的过程如图2所示。
图2 V AE 场景生成流程图 Fig. 2 Flow chart of V AE scene generation
. All Rights Reserved.
- 106 - 电力系统保护与控制
VAE 分为编码器和解码器，编码器用来训练EV 充电的负荷数据集X ，得到每个隐属性的概率分布，并求得其对应的均值和方差。然后，从高斯分布N (0,1)中随机采样，通过计算来生成向量Z 作为解码器的输入。最后，经过解码器解码后，可得到充电站工作日与非工作日的充电负荷曲线。
3 光储充一体站日前运行优化模型
3.1 目标函数
优化模型的目标函数包括售电收益、购电成本、碳排放成本、容量电费以及运维成本等，具体如下。
()EV G G C R PV BS 1max W
w w w w w w C E E C C C C C α==+−−−−−∑
(8)
式中：C 为充电站日收益；w 为场景序号；w α为场
景w 出现的概率；EV w
E 为场景w 向EV 充电的收益；
G
w
E 为场景w 向电网售电的收益；G w
C 为场景w 下充电站的购电成本；C w C 为场景w 下充电站CO 2排放
费用；R C 为容量电费；PV C 、BS C 分别为光伏和储能的运维成本。
(1) 售电收益
售电收益包括向EV 售电的收益以及依据分时
电价向电网售电的收益。
24
,EV
EV EV 1
()w
w t
t E
P t θ==××Δ∑ (9) 24,G G G 1
()w t
w t t E c P t −==××Δ∑ (10)
头像 简单 漂亮式中：EV θ为向EV 充电的单位收益；G
t
c 为t 时段向电网售电的单位收益；,EV
w t
P 为在场景w 下t 时段的充电功率；,G w t P −为在场景w 下t 时段充电站向电网输送的功率。
(2) 购电成本
当光伏出力以及储能放电满足不了充电站需求时，充电站需向电网购电。
24
,G G 1()w t w t t C c P t +==××Δ∑ (11)
式中：c t
为t 时段的购电单位电价；,G
w t P +为在场景
w 下t 时段从电网获取的功率。
(3) 碳排放成本
充电站向电网所购的电由燃烧煤炭的火力发电厂发出，相应的碳排放成本由充电站承担。
224
,C
co G
1()w w t t t C c P
t λ+==×××Δ∑ (12)
式中：t λ为t 时段的碳排放因子；2co c 为每千克CO 2
的排放费用。
(4) 容量成本
充电站采用两部制电价，因此每日的容量费用如式(13)所示。
max R R L 1
30
C c P = (13)
式中：R c 为单位容量电费；max L P 为一个月中每30 min 平均负荷的最大值。
(5) 运维成本
运维成本包括光伏和储能运维成本，储能运维成本包括固定和可变两部分，其中可变部分由储能系统充放电电量决定。
max PV PV PV
(1+)[(1+)1]
p p y
p y r r C θP r =− (14) 24
max c,d,BS E BS
BS BS BS 1
(1)[(1)1]y t t
y t r r C E P P t r θθ′′=′′+⎡⎤=++Δ⎣⎦′+−∑ (15) 式中：PV θ、E θ、BS θ分别为光伏单位运维成本、储
能单位容量运维成本、单位电量动态成本；max
PV P 为光伏最大功率；max
BS
E 为储能额定容量；p r 、r ′为光伏和储能设备折现率；y 、y ′分别为光伏和储能设
备使用寿命；c,BS
t P 、d,BS t P 分别为各场景t 时段储能的充放电功率。
3.2 约束条件 3.2.1储能约束
储能的充放电功率受双向功率变换器额定容量的约束，SOC 始末状态需保持一致，当前荷电状态等约束具体如式(16)—式(21)所示。
max
c,max,c c BS max 1BS
BS c
min ,t t t E SOC SOC P P s t η−⎛⎞
−⎜⎟Δ⎝⎠≤ (16) max
d d,max,d d 1BS min BS BS ()min ,t
t t SOC E SOC P P s t η−⎛⎞−⎜⎟Δ⎝⎠
≤ (17)
c d
1t t s s +≤ (18)
c,c d,d BS BS 1max
BS
(/)t t t t P P t
SOC SOC E ηη−−Δ=+ (19) fin 0SOC SOC = (20)
min max t SOC SOC SOC ≤≤ (21)
式中：max,c max,d
BS BS P P 、分别为储能最大充放电功率；
c t s 、
d t s 为0-1变量，表示储能的充放电状态；c η、
黄圣依二胎再添子d η分别为储能的充放电效率；0SOC 、fin SOC 分别
为储能一天始末的荷电状态；t SOC 为储能t 时段末的荷电状态；max SOC 、min SOC 分别为最大最小荷电状态。
. All Rights Reserved.
薛贵挺，等 考虑碳排放的光储充一体站日前运行策略 - 107 -
3.2.2功率平衡约束
,d,c,BS BS BS w t t t P P P =− (22)
,,,,,EV G PV BS G w t w t w t w t
w t P P P P P −++=++ (23)
式中，,BS
w t
P 为场景w 储能的等效出力。
3.2.3充电站与电网功率交换约束
充电站与大电网的传输功率受配变容量的影响，不能超过传输容量的最大值。
,b b,max G G 0w t t P u P +≤≤ (24) ,s s,max G
G
0w t t P
u P
−≤≤ (25)
b s 1t t u u +≤ (26)
式中：b t u 、s t u 为0-1变量，表示充电站与电网交换
功率的方向；b,max G P 、s,max
十大品牌包包G P 分别为充电站与电网间
最大交换功率。
4 算例分析
4.1 参数设置
根据北京市某光储充一体站实际参数进行设置，储能额定容量为300 kWh ，最大充放电功率为54 kW ，最大放电深度为90%，光伏最大发电功率
为146 kW ，
各成本系数[24-26]如表1所示，考虑大量风光加入电网对碳排放因子的影响，各时段度电
CO 2排放因子如图3所示，呈鸭型曲线形状，其均值为表1中λ的值。
表1 设备参数表 Table 1 Equipment parameters
光伏
储能
充电站
E 926/kWh θ=元 EV 1.6/kWh θ=元 PV 77/(kW )θ=⋅元年
BS 5/(kWh )θ=⋅元年
CO 0.075/kg c =元
0.05r =；20y =年 0.05r ′=；10y ′=年 0.997kg/kWh λ=
图3 CO 2排放因子 Fig. 3 CO 2 emission factor
购电电价为北京市城区大工业10 kV 以下电
价，如表2所示；容量电费为48元/(kW·月)。假设充电站余电上网价格为其购电分时电价的80%。
梦见许多坟墓
表2 充电站的购电分时电价
Table 2 Time-of-use electricity price of charging station
时间段 电价/(元/kWh)
谷
00：00—07：00, 23：00—00：00 0.334 2
平
07：00—10：00,
15：00—18：00, 21：00—23：00
0.634 6 峰
10：00—15：00, 18：00—21：00
0.944 0 根据文中第2节所述方法进行场景生成。光伏
场景生成利用“手肘法”确定最佳聚类数k =4，文中采用三种不同的方式进行聚类，以平均轮廓系数作为聚类效果的判定依据，结果如表3所示。
表3 不同聚类的聚类效果对比
Table 3 Comparison of clustering effects of different clusters
效果算法 k-means
k-means++
本文改进k-means
平均轮廓系数
0.58 0.62
0.671
由表3可知，改进k-means 相较于另外两种方法聚类效果更好，于是，通过此法进行聚类得到4种光伏出力数据集，最后由蒙特卡洛采样得到以下4个场景。
图4 光伏出力曲线 Fig. 4 Photovoltaic output curve
通过变分自编码器训练后生成得到工作日/非工作日的充电场景如图5所示。 4.2 仿真结果与分析
将光伏出力与充电负荷曲线组成8个不同的场景，各场景出现概率如表4所示，在Matlab 中调用CPLEX 进行求解。各场景下储能的充放电功率如图6所示，充电站与电网的交换功率如图7所示。
. All Rights Reserved.
版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。
发表评论