含电动汽车和冰蓄冷空调的微电网协同优化调度

赵文广; 夏令志; 王小明; 白云龙; 武建荣

doi:10.12404/j.issn.1671-1815.2505685

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (27) :11776-11785 DOI: 10.12404/j.issn.1671-1815.2505685

电工技术

含电动汽车和冰蓄冷空调的微电网协同优化调度

赵文广 ¹ ,
夏令志 ¹ ,
王小明 ¹^,^* ,
白云龙 ¹ ,
武建荣 ²^,³

作者信息 +

Coordinated Optimal Scheduling of Microgrid Considering Electric Vehicles and Ice Storage Air Conditioning

Author information +

文章历史 +

摘要

为进一步提升微电网系统的经济性与环保性,提出一种考虑电动汽车与冰蓄冷空调参与的微电网协同优化调度策略。首先,构建微电网系统中风力发电机、光伏发电机、柴油发电机、储能系统、电动汽车及冰蓄冷空调的数学模型;其次,在考虑功率平衡、设备出力限制等约束条件的基础上,以系统运维成本与环境治理成本最小化为优化目标,建立微电网优化调度模型,并采用Gurobi求解器对模型进行求解与分析。仿真结果显示,通过对比不同场景下的微电网运行数据,所提出的优化调度策略使系统风光消纳率提升2.59%,环境成本降低40.27%,运维成本下降41.49%,有效增强了可再生能源消纳能力,显著提升了微电网的经济性与环保性。

Abstract

In order to further enhance the economic efficiency and environmental performance of microgrid systems, a coordinated optimal scheduling strategy for a microgrid incorporating the participation of electric vehicles and ice storage air conditioning systems was proposed. First, mathematical models of wind turbines, photovoltaic generators, diesel generators, energy storage systems, electric vehicles, and ice storage air conditioning systems in the microgrid were established. Then, considering constraints such as power balance and equipment output limits, an optimal scheduling model of the microgrid was constructed with the minimization of operation and maintenance costs and environmental governance costs as the optimization objectives, and the model was solved and analyzed using the Gurobi solver. The results show that, through a comparison of microgrid operation under different scenarios, the proposed optimal scheduling strategy increases the wind-solar energy accommodation rate by 2.59%, reduces environmental costs by 40.27%, and decreases operation and maintenance costs by 41.49%, thereby effectively improving the capability of renewable energy utilization and enhancing the environmental friendliness and economic performance of the microgrid system.

Graphical abstract

关键词

微电网 / 优化调度 / 电动汽车 / 冰蓄冷空调 / 能源管理

Key words

microgrid / optimal scheduling / electric vehicles / ice storage air conditioning / energy management

引用本文

引用格式 ▾

赵文广, 夏令志, 王小明, 白云龙, 武建荣. 含电动汽车和冰蓄冷空调的微电网协同优化调度[J]. 科学技术与工程, 2026, 26(27): 11776-11785 DOI:10.12404/j.issn.1671-1815.2505685

ZHAO Wen-guang, XIA Ling-zhi, WANG Xiao-ming, BAI Yun-long, WU Jian-rong. Coordinated Optimal Scheduling of Microgrid Considering Electric Vehicles and Ice Storage Air Conditioning[J]. Science Technology and Engineering, 2026, 26(27): 11776-11785 DOI:10.12404/j.issn.1671-1815.2505685

登录浏览全文

4963

注册一个新账户忘记密码

随着中国新型电力系统的快速发展,可再生能源已逐渐成为未来能源发展的方向^[1-3]。微电网能够高效利用分布式能源,通过本地化的能源管理调度机制,有效提升系统的灵活性与可靠性,在推动新能源大规模接入及电力系统低碳化发展的进程中发挥着至关重要的作用^[4-6]。然而,受自然条件限制,风能、太阳能等可再生能源存在不可避免的波动性与间歇性,传统微电网调度策略在运行中仍面临运行成本高、可再生能源消纳率低等挑战^[7-8]。因此,制定合理的优化调度策略以实现微电网的低碳经济运行,是当前亟待解决的问题^[9-10]。

目前,针对微电网系统的最优运行控制问题,学者已取得一系列研究成果。文献[11]提出考虑分时电价并计及制热收益的微电网多目标能量调度模型,通过改进算法求解,使微网获得更优综合效益,降低了系统经济运行成本;文献[12]提出考虑电碳协同的园区微电网优化调度策略,有效降低了工业园区微电网的碳排放与总体运行成本;文献[13]提出改进的麻雀搜索算法,对冷热电联供微电网模型进行求解,成功解决了微电网经济调度问题;文献[14]提出以数字孪生技术为核心支撑的交直流混合微电网多目标优化调度方案,在兼顾储能装置健康度的前提下,提升了微电网的经济效益;文献[15]提出基于梯次偏离不确定集的孤岛型微电网鲁棒经济调度算法,针对孤岛型微电网取得优异控制性能,显著提高了微电网调度的经济性。然而,上述研究多侧重于单一可调度负荷资源的建模与优化,忽视了多种可调度负荷资源间协同运行所蕴含的调度优化潜力。在实际运行中,不同类型的可调度负荷具有各自的运行特性与调节优势,推动不同可调度负荷协同参与微电网调度,不仅能提升系统对可再生能源的消纳能力,还可进一步优化微电网的经济性与环保性能。鉴于此,将电动汽车集群与冰蓄冷空调系统作为典型可调度负荷引入微电网优化调度模型,深入研究其联合运行机制与协同调控策略。

电动汽车(electric vehicles,EVs)与冰蓄冷空调(ice storage air conditioning,ISAC)作为可调节负荷资源,在增强微电网运行灵活性方面展现出巨大潜力。一方面,电动汽车是具备储能特性的移动负荷,可通过有序充放电技术(vehicle-to-grid,V2G)实现与微电网的双向电力交互^[16-18]。具体而言,在满足车主用电需求的前提下,电动汽车集群可在电价低谷时段响应充电、在电价高峰时段反馈电力,从而实现负荷移峰填谷,平抑微电网的电力波动^[19-21]。另一方面,冰蓄冷空调是可蓄冰储冷与融冰供冷的空调系统,基于这一特性,其可在夜间用电低谷时段运行制冷机制冰,在白天用电高峰时段融冰释放冷量以满足供冷需求,实现在时域上的电力负荷平移,进而缓解高峰时段的负荷压力^[22-23]。因此,将电动汽车集群与冰蓄冷空调系统协同纳入微电网优化调度模型,对提升微电网调度灵活性具有重要意义。

综上分析,提出电动汽车有序充放电与冰蓄冷空调协同参与的微电网优化调度策略,以微电网运维成本与环境成本最小化为优化目标进行调度,并在算例仿真部分设置三个场景展开分析,通过对比验证所提调度策略的有效性与优越性。所提出的策略能够充分挖掘电动汽车与冰蓄冷空调的灵活调节潜力,可提高微电网对可再生能源的消纳能力,降低系统运行成本和碳排放水平。研究结果可为含多类型柔性负荷的微电网优化运行提供理论依据和决策参考,对促进新型电力系统建设和实现“双碳”目标具有一定的工程应用价值。

1 微电网体系结构

微电网系统是集分布式发电、储能与负荷控制于一体的区域性小型电力系统,具有灵活性高、可控性强等特点^[24]。微电网系统主要包括风力发电系统(wind turbine,WT)、光伏发电系统(photovoltaic,PV)、储能系统(energy storage system,ESS)、柴油发电机(diesel generator,DG)、电动汽车集群(EVs)、冰蓄冷空调(ISAC)及基础负荷。各设备单元通过控制中心实现能源调度,在保证系统稳定运行与基础负荷需求的前提下,最大限度利用可再生能源,降低系统运行成本与环境成本,其内部结构如图1所示。

2 微电网优化调度模型

2.1 WT模型

WT的输出功率随风速变化而变化,其功率与风速之间的非线性关系可用数学模型表示为

(1)P_wt(v)=$\left\{\begin{array}{ll}0,& \mathit{v}{\mathit{v}}_{\mathit{c}\mathit{i}},\mathit{v}{\mathit{v}}_{\mathit{c}\mathit{o}}\\ \frac{{\mathit{v}}^{3}-{\mathit{v}}_{\mathit{c}\mathit{i}}^{3}}{{\mathit{v}}_{0}^{3}-{\mathit{v}}_{\mathit{c}\mathit{i}}^{3}}{\mathit{P}}_{0},& {\mathit{v}}_{\mathit{c}\mathit{i}}\le \mathit{v}{\mathit{v}}_{0}\\ {\mathit{P}}_{0},& {\mathit{v}}_{0}\le \mathit{v}\le {\mathit{v}}_{\mathit{c}\mathit{o}}\end{array}\right.$

式(1)中:P_wt(v)为WT在风速为v时的发电输出功率;P₀为WT的额定输出功率;v_ci、v₀和v_co分别为切入风速、额定风速和切出风速。

2.2 PV模型

PV的输出功率受多种环境因素的影响,主要取决于光照强度和周围温度条件,其输出功率的数学表达式为

(2)P_pv=P_vs$\frac{\mathit{G}}{{\mathit{G}}_{\mathit{v}\mathit{s}}}$[1+k(T_c-T_vs)]

式(2)中:P_pv为PV的实际运行输出功率;P_vs为标准测试条件下的输出功率;G为实际的太阳辐射强度;G_vs为标准测试条件下的太阳辐射强度;k为光伏组件的温度系数;T_c为光伏组件的实际运行温度;T_vs为标准测试条件下的温度。

2.3 ESS模型

ESS主要是由电池组成,在电力供应过剩时储存多余的能量,在负荷需求增加或可再生能源出力不足时释放能量。通常用荷电状态(state of charge,SOC)来表征其充放电过程,表示为

(3)

$\begin{array}{l}\mathit{S}\mathit{O}{\mathit{C}}^{\mathit{e}\mathit{s}\mathit{s}}\left(\mathit{t}\right)=\\ \mathit{　}\mathit{　}\left\{\begin{array}{ll}\mathit{S}\mathit{O}{\mathit{C}}^{\mathit{e}\mathit{s}\mathit{s}}(\mathit{t}-1)+{\mathit{\eta }}_{\mathit{e}\mathit{s}\mathit{s}}^{\mathit{c}\mathit{h}}{\mathit{P}}_{\mathit{e}\mathit{s}\mathit{s}}^{\mathit{c}\mathit{h}}\left(\mathit{t}\right)\mathit{\Delta }\mathit{t}/{\mathit{E}}_{\mathit{m}\mathit{a}\mathit{x}}^{\mathit{e}\mathit{s}\mathit{s}},& \mathrm{充}\mathrm{电}\\ \mathit{S}\mathit{O}{\mathit{C}}^{\mathit{e}\mathit{s}\mathit{s}}(\mathit{t}-1)-{\mathit{P}}_{\mathit{e}\mathit{s}\mathit{s}}^{\mathit{d}\mathit{i}\mathit{s}}\left(\mathit{t}\right)\mathit{\Delta }\mathit{t}/{\mathit{\eta }}_{\mathit{e}\mathit{s}\mathit{s}}^{\mathit{d}\mathit{i}\mathit{s}}{\mathit{E}}_{\mathit{m}\mathit{a}\mathit{x}}^{\mathit{e}\mathit{s}\mathit{s}},& \mathrm{放}\mathrm{电}\end{array}\right.\end{array}$

式(3)中:SOC(t-1)和SOC(t)分别为的ESS在t-1时刻和t时刻的荷电状态;

${\mathit{\eta }}_{\mathit{e}\mathit{s}\mathit{s}}^{\mathit{c}\mathit{h}}$

和

${\mathit{\eta }}_{\mathit{e}\mathit{s}\mathit{s}}^{\mathit{d}\mathit{i}\mathit{s}}$

分别为ESS的充电和放电效率;

${\mathit{P}}_{\mathit{e}\mathit{s}\mathit{s}}^{\mathit{c}\mathit{h}}$

(t)和

${\mathit{P}}_{\mathit{e}\mathit{s}\mathit{s}}^{\mathit{d}\mathit{i}\mathit{s}}$

(t)分别为ESS在t时刻的充电和放电功率;Δt为时间间隔;

${\mathit{E}}_{\mathit{m}\mathit{a}\mathit{x}}^{\mathit{e}\mathit{s}\mathit{s}}$

为ESS的容量上限。

2.4 DG模型

DG是微电网系统中重要的可控发电单元,在可再生能源输出不足且ESS存储电能不足时,DG作为重要的补充电源,为系统提供功率支撑,以确保系统电力运行的连续性和可靠性。DG的燃料成本主要取决于其输出功率,表示为

(4)C_dg(t)=α_d${\mathit{P}}_{\mathit{d}\mathit{g}}^{2}$(t)+β_dP_dg(t)+γ_d

式(4)中: C_dg为DG的燃料成本;P_dg(t)为DG的在t时段的输出功率;α_d、β_d和γ_d为燃料成本函数的系数。

2.5 EV模型

EVs的充放电行为特征主要与其行驶里程和充电起止时间有关。EVs的日行驶距离可近似服从对数正态分布,对应的概率密度函数表达式^[25]为

(5)f(x_m)=$\frac{1}{\sqrt{2\mathit{\pi }{\mathit{\sigma }}_{\mathit{m}}^{2}}}$exp$\left[-\frac{(\mathit{l}\mathit{n}{\mathit{x}}_{\mathit{m}}-{\mathit{\mu }}_{\mathit{m}}{)}^{2}}{2{\mathit{\sigma }}_{\mathit{m}}^{2}}\right]$

式中:μ_m=3.2为EV行驶里程的期望值;σ_m=0.88为EV行驶里程的标准差。EVs的充电开始时刻可近似为正态分布,其概率密度函数表示^[25]为

(6)

$\begin{array}{c}\mathit{f}\left({\mathit{t}}_{\mathit{d}}\right)=\left\{\begin{array}{l}\frac{1}{\sqrt{2\mathit{\pi }{\mathit{\sigma }}_{\mathit{d}}^{2}}}\mathit{e}\mathit{x}\mathit{p}\left[-\frac{({\mathit{t}}_{\mathit{d}}+24-{\mathit{\mu }}_{\mathit{d}}{)}^{2}}{2{\mathit{\sigma }}_{\mathit{d}}^{2}}\right],\\ \mathit{　}\mathit{　}0\mathit{x}\le {\mathit{\mu }}_{\mathit{d}}-12\\ \frac{1}{\sqrt{2\mathit{\pi }{\mathit{\sigma }}_{\mathit{d}}^{2}}}\mathit{e}\mathit{x}\mathit{p}\left[-\frac{({\mathit{t}}_{\mathit{d}}-{\mathit{\mu }}_{\mathit{d}}{)}^{2}}{2{\mathit{\sigma }}_{\mathit{d}}^{2}}\right],\\ \mathit{　}\mathit{　}{\mathit{\mu }}_{\mathit{d}}-12\mathit{x}\le 24\end{array}\right.\end{array}$

式(6)中:μ_d=17.6为EVs充电开始时刻的期望值,σ_d=3.4为充电开始时刻的标准差。EVs充电结束时刻满足正态分布,概率密度函数表示^[25]为

(7)f(t_e)=$\left\{\begin{array}{l}\frac{1}{\sqrt{2\mathit{\pi }{\mathit{\sigma }}_{\mathit{e}}^{2}}}\mathit{e}\mathit{x}\mathit{p}\left[-\frac{({\mathit{t}}_{\mathit{e}}-{\mathit{\mu }}_{\mathit{e}}{)}^{2}}{2{\mathit{\sigma }}_{\mathit{e}}^{2}}\right],\\ \mathit{　}\mathit{　}0\mathit{x}\le {\mathit{\mu }}_{\mathit{e}}+12\\ \frac{1}{\sqrt{2\mathit{\pi }{\mathit{\sigma }}_{\mathit{e}}^{2}}}\mathit{e}\mathit{x}\mathit{p}\left[-\frac{({\mathit{t}}_{\mathit{e}}-24-{\mathit{\mu }}_{\mathit{e}}{)}^{2}}{2{\mathit{\sigma }}_{\mathit{e}}^{2}}\right],\\ \mathit{　}\mathit{　}{\mathit{\mu }}_{\mathit{e}}+12\mathit{x}\le 24\end{array}\right.$

式(7)中:μ_e=8.9为EVs充电结束时刻的期望值, σ_e=3.24为EVs充电结束时刻的标准差。

EVs参与优化调度的充电模式分为无序充电和有序充电。无序充电是微电网运营商不采取特殊的充电策略,EV车主根据自己的出行轨迹来决定自己的充电行为,一般表现为车主在出行结束时立即开始充电,达到期望SOC后就结束充电。无序充电的EVs会充当冲击负荷,影响微电网的稳定运行。第i辆EV日电量损失表示为

(8)SO${\mathit{C}}_{\mathit{i},\mathit{l}\mathit{o}\mathit{s}\mathit{s}}^{\mathit{e}\mathit{v}}$=$\frac{{\stackrel{-}{\mathit{x}}}_{\mathit{i}}{\mathit{s}}_{100}}{100{\mathit{E}}_{\mathit{i}}}$

式(8)中:

${\stackrel{-}{\mathit{x}}}_{\mathit{i}}$

为第i辆EV日均行驶里程;s₁₀₀为EV每行驶100 km的耗电量;E_i为EV电池的额定容量。将各时段EVs的充电功率求和,可得到各时段的EVs充电的总负荷,表示为

(9)${\mathit{P}}_{\mathit{e}\mathit{v}}^{\mathit{l}\mathit{o}\mathit{a}\mathit{d}}$(t)=$\sum _{\mathit{i}=1}^{\mathit{I}}{\mathit{P}}_{\mathit{e}\mathit{v},\mathit{i}}^{\mathit{c}\mathit{h}}$(t)

式(9)中:

${\mathit{P}}_{\mathit{e}\mathit{v},\mathit{i}}^{\mathit{c}\mathit{h}}$

(t)为第i辆EV在t时段的充电功率;I为EVs的数量。

有序充电是指参与V2G的EVs在入网至离网时段内作为移动储能进行充放电参与微电网调度。在满足EVs充电需求的前提下,调整EVs的充电和放电时段,将EVs从传统用电负荷转化为灵活调节资源,助力电网削峰填谷并提高资源利用率。EVs充放电过程中,用SOC的动态变化来表征其充放电特性,表示为

(10)SOC^ev,ⁱ(t)=SOC^ev,ⁱ(t-1)+${\mathit{X}}_{\mathit{i}}^{\mathit{c}\mathit{h}}$(t)${\mathit{P}}_{\mathit{e}\mathit{v},\mathit{i}}^{\mathit{c}\mathit{h}}$(t)${\mathit{\eta }}_{\mathit{e}\mathit{v}}^{\mathit{c}\mathit{h}}$/${\mathit{E}}_{\mathit{i}}^{\mathit{m}\mathit{a}\mathit{x}}$-${\mathit{X}}_{\mathit{i}}^{\mathit{d}\mathit{i}\mathit{s}}$(t)${\mathit{P}}_{\mathit{e}\mathit{v},\mathit{i}}^{\mathit{d}\mathit{i}\mathit{s}}$(t)/

${\mathit{\eta }}_{\mathit{e}\mathit{v}}^{\mathit{d}\mathit{i}\mathit{s}}{\mathit{E}}_{\mathit{i}}^{\mathit{m}\mathit{a}\mathit{x}}$

式(10)中:SOC^ev,ⁱ(t-1)和SOC^ev,ⁱ(t)分别为第i辆EV在t-1时段和t时段的荷电状态;

${\mathit{P}}_{\mathit{e}\mathit{v},\mathit{i}}^{\mathit{c}\mathit{h}}$

(t)和

${\mathit{P}}_{\mathit{e}\mathit{v},\mathit{i}}^{\mathit{d}\mathit{i}\mathit{s}}$

(t)分别为第i辆EV在t时段的充放电功率;

${\mathit{\eta }}_{\mathit{e}\mathit{v}}^{\mathit{c}\mathit{h}}$

和

${\mathit{\eta }}_{\mathit{e}\mathit{v}}^{\mathit{d}\mathit{i}\mathit{s}}$

为充放电效率;

${\mathit{X}}_{\mathit{i}}^{\mathit{c}\mathit{h}}$

(t)=1为充电状态,

${\mathit{X}}_{\mathit{i}}^{\mathit{d}\mathit{i}\mathit{s}}$

(t)=1表示放电状态;

${\mathit{E}}_{\mathit{i}}^{\mathit{m}\mathit{a}\mathit{x}}$

为电池电量上限。

2.6 ISAC建模

ISAC的运行过程包括蓄冷和供冷两个阶段,在电力负荷较低的夜间时段,ISAC可以利用制冷机制冰蓄冷;在电力负荷较高的日间时段,ISAC可进行融冰释放冷量满足供冷需求。ISAC的运行模式分为三种:制冷机独立供冷、融冰机供冷、制冷机和融冰机联合供冷,其数学模型表示为

(11)${\mathit{S}}_{\mathit{i}}^{\mathit{i}\mathit{s}}$(t+1)=$\left\{\begin{array}{ll}(1-\mathit{\epsilon }){\mathit{S}}_{\mathit{i}}^{\mathit{i}\mathit{s}}\left(\mathit{t}\right)+{\sum }_{\mathit{t}\in {\mathit{T}}_{\mathit{i}\mathit{s}}}^{}{\mathit{Q}}_{\mathit{i}}^{\mathit{i}\mathit{s}}\left(\mathit{t}\right)\mathit{\Delta }\mathit{t},& \mathrm{蓄}\mathrm{冰}\mathrm{时}\mathrm{段}\\ (1-\mathit{\epsilon }){\mathit{S}}_{\mathit{i}}^{\mathit{i}\mathit{s}}\left(\mathit{t}\right)-{\sum }_{\mathit{t}\in {\mathit{T}}_{\mathit{m}\mathit{i}}}^{}{\mathit{Q}}_{\mathit{i}}^{\mathit{m}\mathit{i}}\left(\mathit{t}\right)\mathit{\Delta }\mathit{t},& \mathrm{融}\mathrm{冰}\mathrm{供}\mathrm{冷}\mathrm{时}\mathrm{段}\end{array}\right.$

式(11)中:

${\mathit{S}}_{\mathit{i}}^{\mathit{i}\mathit{s}\mathit{t}}$

(t)为ISAC在t时段的蓄冰量;ε为自损耗系数;T_is和T_mi分别为蓄冰和融冰时段;

${\mathit{Q}}_{\mathit{i}}^{\mathit{i}\mathit{s}}$

(t)和

${\mathit{Q}}_{\mathit{i}}^{\mathit{m}\mathit{i}}$

(t)分别为t时段的蓄冰和融冰速率。

ISAC制冷机组的电功率表示为

(12)${\mathit{P}}_{\mathit{i}}^{\mathit{a}\mathit{c}}$(t)=$\frac{{\mathit{Q}}_{\mathit{i}}^{\mathit{a}\mathit{c}}\left(\mathit{t}\right)}{{\mathit{\eta }}_{\mathit{a}\mathit{c}}\left\{\mathit{\alpha }{\left[\frac{{\mathit{Q}}_{\mathit{i}}^{\mathit{a}\mathit{c}}\left(\mathit{t}\right)}{{\mathit{Q}}_{\mathit{a}\mathit{c}}^{\mathit{m}\mathit{a}\mathit{x}}}\right]}^{2}+\mathit{\beta }\frac{{\mathit{Q}}_{\mathit{i}}^{\mathit{a}\mathit{c}}\left(\mathit{t}\right)}{{\mathit{Q}}_{\mathit{a}\mathit{c}}^{\mathit{m}\mathit{a}\mathit{x}}}+\mathit{\gamma }\right\}}$

(13)${\mathit{Q}}_{\mathit{i}}^{\mathit{a}\mathit{c}}$(t)=$\left\{\begin{array}{ll}{\mathit{Q}}_{\mathit{i}}^{\mathit{i}\mathit{s}}\left(\mathit{t}\right),& \mathrm{机}\mathrm{组}\mathrm{蓄}\mathrm{冷}\mathrm{时}\mathrm{段}\\ {\mathit{Q}}_{\mathit{i}}^{\mathit{c}\mathit{s}}\left(\mathit{t}\right),& \mathrm{机}\mathrm{组}\mathrm{供}\mathrm{冷}\mathrm{时}\mathrm{段}\end{array}\right.$

式中:

${\mathit{Q}}_{\mathit{i}}^{\mathit{a}\mathit{c}}$

(t)为ISAC在t时段的输出冷量;

${\mathit{Q}}_{\mathit{a}\mathit{c}}^{\mathit{m}\mathit{a}\mathit{x}}$

为ISAC输出冷量的最大值;η_ac为额定能效比;α、β和γ为拟合系数。

将每个时段的ISAC的用电量进行求和,得到各时段的ISAC的总负荷,表示为

(14)P^ac(t)=$\sum _{\mathit{i}=0}^{\mathit{J}}{\mathit{P}}_{\mathit{i}}^{\mathit{a}\mathit{c}}$(t)

式(14)中:J为ISAC的总数量。

3 微电网系统的目标优化

3.1 目标函数

微电网的优化目标是实现系统的总运行成本最小化,目标函数表示为

(15)minf=C₁+C₂

式(15)中:C₁为系统运维成本;C₂为系统污染治理成本。C₁表示为

(16)C₁=C_wt+C_pv+C_dg+C_ess+C_grid+C_ev+C_ac

式中:C_wt为风力发电系统的运维成本;C_pv为光伏发电系统的运维成本;C_dg为柴油发电机的运维成本;C_ess为储能系统的运维成本;C_grid为与主网交换电力的成本;C_ev为给电动汽车用户的补偿成本;C_ac为空调用户的补偿成本。各设备的运维成本计算公式为

(17)C_wt=$\sum _{\mathit{t}=1}^{\mathit{T}}$M_wtP_wt(t)

(18)C_pv=$\sum _{\mathit{t}=1}^{\mathit{T}}$M_pvP_pv(t)

(19)C_dg=$\sum _{\mathit{t}=1}^{\mathit{T}}$α_d${\mathit{P}}_{\mathit{d}\mathit{g}}^{2}$(t)+β_dP_dg(t)+γ_d+M_dgP_dg(t)

(20)C_ess=$\sum _{\mathit{t}=1}^{\mathit{T}}$M_ess

$\left|{\mathit{P}}_{\mathit{e}\mathit{s}\mathit{s}}^{\mathit{c}\mathit{h}}\left(\mathit{t}\right)+{\mathit{P}}_{\mathit{e}\mathit{s}\mathit{s}}^{\mathit{d}\mathit{i}\mathit{s}}\left(\mathit{t}\right)\right|$

(21)C_grid=$\sum _{\mathit{t}=1}^{\mathit{T}}$δ_g[P_g-b(t)-P_g-s(t)]

(22)C_ev=$\sum _{\mathit{i}=1}^{\mathit{I}}\sum _{\mathit{t}=1}^{\mathit{T}}$[ϑ_bat|${\mathit{P}}_{\mathit{i}}^{\mathit{e}\mathit{v}}$(t)|Δt-δ_b(t)${\mathit{P}}_{\mathit{i}}^{\mathit{e}\mathit{v},\mathit{c}\mathit{h}}$(t)Δt+δ_s(t)${\mathit{P}}_{\mathit{i}}^{\mathit{e}\mathit{v},\mathit{d}\mathit{i}\mathit{s}}$(t)Δt]

(23)C_ac=$\sum _{\mathit{t}=1}^{\mathit{T}}$β_acP_ac(t)

式中:M_wt、M_pv、M_dg和M_ess分别为WT、PV、DG和ESS的运维成本系数;

${\mathit{P}}_{\mathit{e}\mathit{s}\mathit{s}}^{\mathit{c}\mathit{h}}$

(t)和

${\mathit{P}}_{\mathit{e}\mathit{s}\mathit{s}}^{\mathit{d}\mathit{i}\mathit{s}}$

(t)分别为ESS在t时段的充放电功率;δ_g为微电网和配电网的电力交互价格;δ_b(t)和δ_s(t)分别为t时段EVs向微电网的购电价格和售电价格;P_g-b(t)和P_g-s(t)分别为t时段从配电网购买的电量和向配电网出售的电量;

${\mathit{P}}_{\mathit{i}}^{\mathit{c}\mathit{h}}$

(t)和

${\mathit{P}}_{\mathit{i}}^{\mathit{d}\mathit{i}\mathit{s}}$

(t)分别为第i辆EV在t时段的充放电功率;

${\mathit{\eta }}_{\mathit{e}\mathit{v}}^{\mathit{c}\mathit{h}}$

和

${\mathit{\eta }}_{\mathit{e}\mathit{v}}^{\mathit{d}\mathit{i}\mathit{s}}$

分别为第i辆EV的充放电效率;ϑ_bat为EV的电池维护成本;

${\mathit{P}}_{\mathit{i}}^{\mathit{e}\mathit{v}}$

(t)为第i辆EV在t时段的充放电功率;β_ac为ISAC的功率补偿成本。

污染治理成本C₂主要包括柴油发电机和配电网所产生污染物的治理成本,表示为

(24)C₂=C_dg,env+C_grid,env=$\sum _{\mathit{t}=1}^{\mathit{T}}\sum _{\mathit{i}=1}^{\mathit{m}}$[Λ_iH_dg,_iP_dg(t)+Λ_iH_grid,_iP_b(t)]

式(24)中:C_dg,env和C_grid,env分别为DG和配电网污染物治理成本;Λ_i为治理i类污染物的成本系数;H_dg,_i和H_grid,_i分别为DG和配电网运行时单位电力的污染物排放量。

3.2 约束条件

3.2.1 功率平衡约束

在任意时段,微电网系统的总发电量与总用电量保持平衡,表示为

(25)P_wt(t)+P_pv(t)+P_dg(t)+P_grid(t)=P_L(t)+P_ev(t)+P_ac(t)+P_ess(t)

式(25)中:P_grid(t)为t时段微电网与配电网的交互功率;P_L(t)为t时段的基础负荷需求;P_ev(t)为EVs在t时段的充放电功率,充电为正,放电为负;P_ac(t)为ISAC在t时段的用电功率;P_ess(t)为ESS在t时段的充放电功率,充电为正,放电为负。

3.2.2 各设备单元的功率约束

各设备的输出功率要保持在其额定范围内,表示为

(26)P_i_,_min≤P_i(t)≤P_i_,_max

式(26)中:P_i_,min和P_i_,max分别为设备单元i输出功率的上下限。

3.2.3 爬坡约束

DG的功率变化速率要在规定范围内,表示为

(27)R_dg_,_min≤P_dg(t)-P_dg(t-1)≤R_dg_,_max

式(27)中:R_dg,max和R_dg,min分别为DG的爬坡功率上下限。

3.2.4 电池约束

ESS的充放电过程中,荷电状态要保持在电池容量范围内,表示为

(28)SO${\mathit{C}}_{\mathit{m}\mathit{i}\mathit{n}}^{\mathit{e}\mathit{s}\mathit{s}}$≤SOC^ess(t)≤SO${\mathit{C}}_{\mathit{m}\mathit{a}\mathit{x}}^{\mathit{e}\mathit{s}\mathit{s}}$

(29)${\mathit{P}}_{\mathit{e}\mathit{s}\mathit{s}}^{\mathit{c}\mathit{h}}$(t)${\mathit{P}}_{\mathit{e}\mathit{s}\mathit{s}}^{\mathit{d}\mathit{i}\mathit{s}}$(t)=0

式中:SO

${\mathit{C}}_{\mathit{m}\mathit{i}\mathit{n}}^{\mathit{e}\mathit{s}\mathit{s}}$

和SO

${\mathit{C}}_{\mathit{m}\mathit{a}\mathit{x}}^{\mathit{e}\mathit{s}\mathit{s}}$

分别为ESS允许的最小和最大荷电状态。

3.2.5 联络线约束

(30)P_grid_,_min≤P_g(t)≤P_grid_,_max

式(30)中:P_grid,max和P_grid,min分别为单位时间与配电网进电力交互的功率上下限。

3.2.6 EV约束

(31)SO${\mathit{C}}_{\mathit{m}\mathit{i}\mathit{n}}^{\mathit{e}\mathit{v}}$≤SOC_ev,_i(t)≤SO${\mathit{C}}_{\mathit{m}\mathit{a}\mathit{x}}^{\mathit{e}\mathit{v}}$

(32)${\mathit{P}}_{\mathit{m}\mathit{i}\mathit{n}}^{\mathit{e}\mathit{v},\mathit{c}\mathit{h}}$≤${\mathit{P}}_{\mathit{e}\mathit{v},\mathit{i}}^{\mathit{c}\mathit{h}}$(t)≤${\mathit{P}}_{\mathit{m}\mathit{a}\mathit{x}}^{\mathit{e}\mathit{v},\mathit{c}\mathit{h}}$

(33)${\mathit{P}}_{\mathit{m}\mathit{i}\mathit{n}}^{\mathit{e}\mathit{v},\mathit{d}\mathit{i}\mathit{s}}$≤${\mathit{P}}_{\mathit{e}\mathit{v},\mathit{i}}^{\mathit{d}\mathit{i}\mathit{s}}$(t)≤${\mathit{P}}_{\mathit{m}\mathit{a}\mathit{x}}^{\mathit{e}\mathit{v},\mathit{d}\mathit{i}\mathit{s}}$

(34)0≤${\mathit{X}}_{\mathit{i}}^{\mathit{c}\mathit{h}}$+${\mathit{X}}_{\mathit{i}}^{\mathit{d}\mathit{i}\mathit{s}}$≤1

式中:SO

${\mathit{C}}_{\mathit{m}\mathit{a}\mathit{x}}^{\mathit{e}\mathit{v}}$

和SO

${\mathit{C}}_{\mathit{m}\mathit{i}\mathit{n}}^{\mathit{e}\mathit{v}}$

分别为EV荷电状态的上下限;

${\mathit{P}}_{\mathit{m}\mathit{a}\mathit{x}}^{\mathit{e}\mathit{v},\mathit{c}}$

和

${\mathit{P}}_{\mathit{m}\mathit{i}\mathit{n}}^{\mathit{e}\mathit{v},\mathit{c}}$

分别为EV充电时功率上下限;

${\mathit{P}}_{\mathit{m}\mathit{a}\mathit{x}}^{\mathit{e}\mathit{v},\mathit{d}}$

和

${\mathit{P}}_{\mathit{m}\mathit{i}\mathit{n}}^{\mathit{e}\mathit{v},\mathit{d}}$

分别为EV放电时功率上下限。

3.2.7 ISAC约束

(35)${\mathit{S}}_{\mathit{m}\mathit{i}\mathit{n}}^{\mathit{i}\mathit{s}}$≤${\mathit{S}}_{\mathit{i}}^{\mathit{i}\mathit{s}}$(t)≤${\mathit{S}}_{\mathit{m}\mathit{a}\mathit{x}}^{\mathit{i}\mathit{s}}$

(36)0≤${\mathit{Q}}_{\mathit{i}}^{\mathit{i}\mathit{s}}$(t)≤${\mathit{Q}}_{\mathit{m}\mathit{a}\mathit{x}}^{\mathit{i}\mathit{s}}$

(37)$\sum _{\mathit{i}=1}^{\mathit{J}}$[${\mathit{Q}}_{\mathit{i}}^{\mathit{m}\mathit{i}}$(t)+${\mathit{Q}}_{\mathit{i}}^{\mathit{c}\mathit{s}}$(t)]=Q_a(t)

(38)0≤${\mathit{Q}}_{\mathit{i}}^{\mathit{m}\mathit{i}}$(t)≤Q_a(t)

(39)0≤${\mathit{Q}}_{\mathit{i}}^{\mathit{c}\mathit{s}}$(t)≤min{${\mathit{Q}}_{\mathit{m}\mathit{a}\mathit{x}}^{\mathit{m}\mathit{i}}$,Q_a(t)}

式中:

${\mathit{S}}_{\mathit{m}\mathit{a}\mathit{x}}^{\mathit{i}\mathit{s}}$

和

${\mathit{S}}_{\mathit{m}\mathit{i}\mathit{n}}^{\mathit{i}\mathit{s}}$

为冰ISAC蓄冰量的上下限;

${\mathit{Q}}_{\mathit{m}\mathit{a}\mathit{x}}^{\mathit{i}\mathit{s}}$

分别表示蓄冰速率的上下限;Q_a(t)为ISAC在t时段的冷负荷需求;

${\mathit{Q}}_{\mathit{m}\mathit{a}\mathit{x}}^{\mathit{m}\mathit{i}}$

为融冰速率的上限。

4 算例分析

4.1 算例设置

以典型园区型微电网为研究对象,该园区涵盖办公建筑、商业负荷及配套停车场,具备一定规模的电动汽车集中接入条件,同时配置冰蓄冷空调以满足夏季集中供冷需求。此类微电网广泛应用于工业园区及商业综合体等场景,具有分布式风光装机容量占比高、电动汽车集中接入规模大、空调冷负荷显著等特点。实际运行中,这类园区微电网普遍面临新能源出力波动大、负荷峰谷差明显、调度灵活性不足等问题,因此对电动汽车与冰蓄冷空调等可调节负荷资源的协同优化调度存在较强现实需求。该微电网系统包含WT(风力发电机)、PV(光伏组件)、DG(柴油发电机)、ESS(储能系统)、EVs(电动汽车)和ISAC(冰蓄冷空调)等设备单元,以24 h为一个调度周期,仿真步长为1 h。基于文中构建的优化调度模型,采用Gurobi求解器对该优化问题进行求解。各设备单元的参数如表1所示;污染物治理系数如表2所示;ESS的相关参数如表3所示;假设园区内配置100辆电动汽车,约占园区日常停车车辆的40%~50%,这一比例与当前园区型微电网的电动汽车接入水平基本一致,同时配置100台冰蓄冷空调,用于实现集中供冷负荷的削峰填谷运行。电动汽车的参数如表4所示;ISAC的参数如表5所示;分时电价如图2所示。

4.2 场景分析

选取夏季工作日高负荷典型日作为调度对象,调度时间间隔为1 h。该运行日中空调冷负荷需求处于较高水平,同时电动汽车集中接入微电网,且风光出力具有一定随机波动特性,能够较为全面地反映园区级微电网在实际运行中的典型调度工况。风光的出力预测以及负荷需求如图3所示。构建以下3种微电网场景并调用Gurobi求解器分别进行求解。

场景1:EVs无序充电和普通空调参与微电网优化调度。

场景2:EVs有序充电和普通空调参与微电网优化调度。

场景3:EVs有序充电和ISAC参与的微电网优化调度。3种场景的微电网运行结果如表6所示,功率平衡图如图4所示。

对比场景1和场景2可知,EVs有序充电参与下的微电网,环境成本降低了18.59%,运维成本下降了25.54%,总成本下降了24.84%,风光消纳率提高了2.1%。对比场景2和场景3可知,在引入ISAC后,环境成本降低了26.63%,运维成本下降了21.28%,总成本下降了21.98%,风光消纳率提高了2.59%。对比场景3和场景1可知,引入EVs有序充放电和ISAC协同优化调度后,环境成本降低了40.27%,运维成本下降了41.49%,总成本下降了41.36%,风光消纳率提高了4.79%。由上述数据可得,场景3中EVs和ISAC协同参与的微电网调度效果最优,显著降低了总成本,提高了风光消纳率。图4(a)展示了场景1中采用无序充电策略的EVs和普通空调参与的微电网调度的功率平衡情况。由图可知,微电网运行过程中的正负功率保持平衡状态,但负荷侧呈现明显的峰谷特征。WT和PV是微电网的主要电力来源,其中WT在夜间风速较大时发电功率较高,PV功率输出主要集中在日间时段。当两者输出不足时,微电网通过DG或者与电网交互来补充电力需求。图4(b)展示了场景2中采用有序充放电策略的EVs和普通空调参与的微电网调度的功率平衡情况。与场景1相比,场景2中有序充电模式使得EV充电负荷从高峰期转移到了低谷期,部分EVs在电力高峰期进行放电,参与微电网的削峰填谷。图4(c)展示了场景3中采用有序充放电策略的EVs和 ISAC参与的微电网调度的功率平衡情况。与前两个场景相比,场景3体现了最优的功率平衡效果。ISAC在夜间电价低谷期大功率运行进行蓄冰储冷,在白天电价高峰期进行融冰供冷,从而减少了高峰时段的电力消耗。这与EVs有序充放电模式形成协同效应,有效实现了削峰填谷效果。由功率平衡图可知,负荷分布更加均衡,峰谷差进一步减小,可再生能源消纳率显著提高。

4.3 场景3 中EVs和空调出力分析

如图5所示为3种场景中EVs在1 d内的充放电调度结果。场景1中EVs采用无序充电策略,由图5可知,EVs的充电功率呈现出典型的峰谷特征,这加剧了微电网的峰谷差。在场景2和场景3中,EVs采用有序充电策略,EVs可进行充放电,有效参与微电网的电力调度。由图可知,EVs主要集中在夜间用电低谷时段进行充电,在用电高峰时段部分EVs进行放电,向微电网反馈电力,这对于削峰填谷起到了重要作用。

如图6所示为3种场景中空调的调度结果。场景1和场景2中空调为普通空调,其用电特性展现出了典型的峰谷特征。与场景1和场景2相比,场景3中ISAC的用电特性发生显著变化。在夜间电力低谷时段,ISAC大功率运行进行蓄冰储冷;在白天电力高峰时段,ISAC进行融冰供冷。这有效地使制冷负荷从用电高峰期转移到了用电低谷期,有效平缓了微电网运行的峰谷差。

上述结果表明,在典型高负荷运行工况下,电动汽车与冰蓄冷空调作为两类时间尺度互补的可调节负荷资源,其协同参与能够显著提升微电网的调度灵活性和新能源消纳能力,不仅实现了削峰填谷,还减少了微电网的总成本,在实际应用中具有广泛的技术可行性。

5 结论

构建了电动汽车和冰蓄冷空调参与的微电网优化调度模型,模型以系统总运维成本和环境成本最小为优化目标,通过算例系统地分析了不同场景下微电网运行结果。得到以下结论。

(1)电动汽车有序充放电和冰蓄冷空调协同参与的微电网优化调度策略使得微电网运行环境成本降低了40.27%,运维成本下降了41.49%,风光消纳率提高了2.59%。所提出的调度策略显著提升了微电网系统运行的经济性和环保性,同时提高了可再生能源消纳率。

(2)冰蓄冷空调负荷转移特性和电动汽车集群的移动储能特性形成良好的协同优化效应,在两者共同优化调度作用下,有效降低了微电网运行的峰值负荷和总体成本,增强了系统的稳定性。

综上所述,将电动汽车集群和冷蓄冰空调引入微电网优化调度模型,不仅实现了削峰填谷,还减少了微电网的总成本,在实际应用中具有广泛的技术可行性。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	张智刚, 康重庆. 碳中和目标下构建新型电力系统的挑战与展望[J]. 中国电机工程学报, 2022, 42(8): 2806-2819.

[2]	Zhang Zhigang, Kang Chongqing. Challenges and prospects for constructing the new-type power system towards a carbon neutrality future[J]. Proceedings of the CSEE, 2022, 42(8): 2806-2819.

[3]	郑晓亮, 杨晓亮, 来文豪. 新能源发电预测方法分类及研究进展[J]. 科学技术与工程, 2024, 24(34): 14503-14521.

[4]	Zheng Xiaoliang, Yang Xiaoliang, Lai Wenhao. Classification and research progress of new energy power generation forecasting methods[J]. Science Technology and Engineering, 2024, 24(34): 14503-14521.

[5]	何洁, 刘强, 赵雯, 等. “双碳”目标下考虑可再生能源的市场化交易体系[J]. 科学技术与工程, 2021, 21(36): 15476-15484.

[6]	He Jie, Liu Qiang, Zhao Wen, et al. Market-oriented trading system considering renewable energy under the goal of carbon peak and neutrality[J]. Science Technology and Engineering, 2021, 21(36): 15476-15484.

[7]	岳应娟, 凤林, 蔡艳平, 等. 交直流混合微电网运行控制技术[J]. 科学技术与工程, 2022, 22(28): 12242-12252.

[8]	Yue Yingjuan, Feng Lin, Cai Yanping, et al. AC-DC hybrid microgrid operation control technology[J]. Science Technology and Engineering, 2022, 22(28): 12242-12252.

[9]	杨新法, 苏剑, 吕志鹏, 等. 微电网技术综述[J]. 中国电机工程学报, 2014, 34(1): 57-70.

[10]	Yang Xinfa, Su Jian, Lü Zhipeng, et al. Overview on micro-grid technology[J]. Proceedings of the CSEE, 2014, 34(1): 57-70.

[11]	胡晨阳, 杨俊杰. 工业微电网分组储能控制策略[J]. 科学技术与工程, 2022, 22(3): 1032-1038.

[12]	Hu Chenyang, Yang Junjie. Control strategy of group energy storage in industrial microgrid[J]. Science Technology and Engineering, 2022, 22(3): 1032-1038.

[13]	党皓严, 吴振奎, 张继红, 等. 多场景下户用热泵直流微电网系统优化调度[J]. 科学技术与工程, 2025, 25(31): 13437-13445.

[14]	Dang Haoyan, Wu Zhenkui, Zhang Jihong, et al. Optimized scheduling of DC microgrid systems for domestic heat pumps in multiple scenarios[J]. Science Technology and Engineering, 2025, 25(31): 13437-13445.

[15]	陈卫东, 吴宁, 黄彦璐, 等. 基于深度学习的微电网优化调度辅助决策方法[J]. 南方电网技术, 2022, 16(1): 117-126.

[16]	Chen Weidong, Wu Ning, Huang Yanlu, et al. Auxiliary decision-making method of optimal dispatching for microgrid based on deep learning[J]. Southern Power System Technology, 2022, 16(1): 117-126.

[17]	李咸善, 鄂璇. 分档电价和碳配额激励的含电动汽车微电网优化调度策略[J]. 科学技术与工程, 2022, 22(16): 6537-6546.

[18]	Li Xianshan, E Xuan. Optimal dispatching strategy for electric vehicle microgrid incentivized by ladder electricity price and carbon quota[J]. Science Technology and Engineering, 2022, 22(16): 6537-6546.

[19]	田立亭, 程林, 郭剑波, 等. 虚拟电厂对分布式能源的管理和互动机制研究综述[J]. 电网技术, 2020, 44(6): 2097-2108.

[20]	Tian Liting, Cheng Lin, Guo Jianbo, et al. A review on the study of management and interaction mechanism for distributed energy in virtual power plants[J]. Power System Technology, 2020, 44(6): 2097-2108.

[21]	周磊, 董学育, 孙飞, 等. 含热电联合系统的微电网运行优化[J]. 科学技术与工程, 2020, 20(27): 11131-11136.

[22]	Zhou Lei, Dong Xueyu, Sun Fei, et al. Optimization on microgrid with integrated power and heat system[J]. Science Technology and Engineering, 2020, 20(27): 11131-11136.

[23]	李玲芳, 游广增, 张席, 等. 考虑电碳协同的工业园区微电网群优化调度策略研究[J]. 供用电, 2025, 42(3): 37-45, 67.

[24]	Li Lingfang, You Guangzeng, Zhang Xi, et al. Research on optimization scheduling strategy for industrial park microgrids considering electricity-carbon coordination[J]. Distribution & Utilization, 2025, 42(3): 37-45, 67.

[25]	匡洪海, 李星宇, 王凯, 等. 基于改进麻雀算法的冷热电微电网优化调度[J]. 科学技术与工程, 2025, 25(19): 8108-8116.

[26]	Kuang Honghai, Li Xingyu, Wang Kai, et al. Optimal scheduling of cooling heating and power microgrid based on improved sparrow algorithm[J]. Science Technology and Engineering, 2025, 25(19): 8108-8116.

[27]	张冬生, 刘洪, 李朝锋. 基于数字孪生的混合微电网多目标优化调度[J]. 太阳能学报, 2025, 46(2): 184-192.

[28]	Zhang Dongsheng, Liu Hong, Li Chaofeng. Digital twin-based multi-objective optimal scheduling for hybrid microgrids[J]. Acta Energiae Solaris Sinica, 2025, 46(2): 184-192.

[29]	王雅琳, 郑鹏远, 秦海杰, 等. 基于性能的微电网鲁棒经济调度[J]. 科学技术与工程, 2023, 23(26): 11248-11257.

[30]	Wang Yalin, Zheng Pengyuan, Qin Haijie, et al. Robust economic dispatch for microgrid based on performance of expected scenario set[J]. Science Technology and Engineering, 2023, 23(26): 11248-11257.

[31]	翁志鹏, 周京华, 李津, 等. 面向电动汽车有序充放电研究综述[J]. 科学技术与工程, 2023, 23(14): 5827-5839.

[32]	Weng Zhipeng, Zhou Jinghua, Li Jin, et al. Review of research on orderly charging and discharging of electric vehicles[J]. Science Technology and Engineering, 2023, 23(14): 5827-5839.

[33]	李一鸣, 王江江, 金莺, 等. 计及电动汽车有序调度的社区微网能量管理[J]. 科学技术与工程, 2024, 24(19): 8090-8098.

[34]	Li Yiming, Wang Jiangjiang, Jin Ying, et al. Energy management of community micro grid considering the orderly scheduling[J]. Science Technology and Engineering, 2024, 24(19): 8090-8098.

[35]	周玮, 蓝嘉豪, 麦瑞坤, 等. 无线充电电动汽车V2G模式下光储直流微电网能量管理策略[J]. 电工技术学报, 2022, 37(1): 82-91.

[36]	Zhou Wei, Lan Jiahao, Mai Ruikun, et al. Research on power management strategy of DC microgrid with photovoltaic, energy storage and EV-wireless power transfer in V2G mode[J]. Transactions of China Electrotechnical Society, 2022, 37(1): 82-91.

[37]	王璟, 王利利, 郭勇, 等. 计及电动汽车的微电网经济调度方法[J]. 电力系统保护与控制, 2016, 44(17): 111-117.

[38]	Wang Jing, Wang Lili, Guo Yong, et al. Microgrid economic dispatch method considering electric vehicles[J]. Power System Protection and Control, 2016, 44(17): 111-117.

[39]	谭维玉, 雷雨, 李军, 等. 计及动态分时电价的电动汽车参与电网调度研究[J]. 可再生能源, 2020, 38(11): 1515-1522.

[40]	Tan Weiyu, Lei Yu, Li Jun, et al. Research on the participation of electric vehicles in power system dispatching considering dynamic time-of-use price[J]. Renewable Energy Resources, 2020, 38(11): 1515-1522.

[41]	吴宣儒, 李萍. 考虑电动汽车及需求侧响应的综合能源系统优化调度[J]. 科学技术与工程, 2022, 22(9): 3585-3593.

[42]	Wu Xuanru, Li Ping. Optimal dispatch of integrated energy system including electric vehicles and electric and heat demand-side response[J]. Science Technology and Engineering, 2022, 22(9): 3585-3593.

[43]	程杉, 黄天力, 魏荣宗. 含冰蓄冷空调的冷热电联供型微网多时间尺度优化调度[J]. 电力系统自动化, 2019, 43(5): 30-38.

[44]	Cheng Shan, Huang Tianli, Wei Rongzong. Multi-time-scale optimal scheduling of CCHP microgrid with ice-storage air-conditioning[J]. Automation of Electric Power Systems, 2019, 43(5): 30-38.

[45]	常春, 徐啸宇, 郑嘉盈, 等. 面向电网调峰的盘管式冰蓄冷空调技术研究[J]. 中国电机工程学报, 2024, 44(12): 4799-4815.

[46]	Chang Chun, Xu Xiaoyu, Zheng Jiaying, et al. Research on coil type ice storage air conditioning technology for power grid peak regulation[J]. Proceedings of the CSEE, 2024, 44(12): 4799-4815.

[47]	侯媛媛, 曾君, 罗燕, 等. 社区微网主动能量管理协同与优化方法研究[J]. 电网技术, 2023, 47(4): 1548-1557.

[48]	Hou Yuanyuan, Zeng Jun, Luo Yan, et al. Research on collaborative and optimization methods of active energy management in community microgrid[J]. Power System Technology, 2023, 47(4): 1548-1557.

[49]	田立亭, 史双龙, 贾卓. 电动汽车充电功率需求的统计学建模方法[J]. 电网技术, 2010, 34(11): 126-130.

[50]	Tian Liting, Shi Shuanglong, Jia Zhuo. A statistical model for charging power demand of electric vehicles[J]. Power System Technology, 2010, 34(11): 126-130.

基金资助

国网安徽省电力有限公司科技项目(B3120524000W)

国家自然科学基金(62203172)

PDF (6050KB)

访问

被引

详细

导航

Received	Published	Revised
2025-08-01	2026-09-28	2026-01-17
Online Date
2026-10-09

摘要

Abstract

Graphical abstract

关键词

Key words

中图分类号

引用本文

1 微电网体系结构

2 微电网优化调度模型

2.1 WT模型

2.2 PV模型

2.3 ESS模型

2.4 DG模型

2.5 EV模型

2.6 ISAC建模

3 微电网系统的目标优化

3.1 目标函数

3.2 约束条件

3.2.1 功率平衡约束

3.2.2 各设备单元的功率约束

3.2.3 爬坡约束

3.2.4 电池约束

3.2.5 联络线约束

3.2.6 EV约束

3.2.7 ISAC约束

4 算例分析

4.1 算例设置

4.2 场景分析

4.3 场景3 中EVs和空调出力分析

5 结论

参考文献

基金资助