一种协调电动汽车参与辅助服务市场的储能优化配置方法

技术领域

本发明属于电动汽车储能优化配置技术领域，尤其是一种协调电动汽车参与辅助服务市场的储能优化配置方法。

背景技术

随着全球资源环境保护问题的日益突出，传统的能流结构亟需改善。我国电力市场改革进一步推进供需互动、鼓励第三方主体参与辅助服务，是能源互联网时代促进新能源消纳并提高能源利用效率重要的手段。我国新能源汽车发展迅速，预计到2030年中国电动汽车(Electric Vehicle，EV)数量将达到6000万辆，高峰充电负荷将达到479GW。同时，需求侧电动汽车参与辅助服务市场具有巨大的潜力，对于促进高比例可再生能源消纳、降低辅助服务成本和促进负荷稳定具有重要的作用。

电动汽车规模不断扩大以及V2G(Vehicle to Grid)技术的不断发展使得电动汽车参与电力辅助服务的研究具有重要意义。同时依据现有发展阶段，电动汽车参与辅助服务市场仍具有较大的不确定性，因此如何协调电动汽车参与辅助服务市场的储能优化配置是本领域技术人员亟需解决的技术难题。

发明内容

本发明的目的在于克服现有技术的不足，提供一种协调电动汽车参与辅助服务市场的储能优化配置方法，能够提高电动汽车参与辅助服务的可调容量。

本发明解决其技术问题是采取以下技术方案实现的：

一种协调电动汽车参与辅助服务市场的储能优化配置方法，包括以下步骤：

步骤1、收集电动汽车历史负荷情况，并采用最小二乘支持向量机预测电动汽车参与辅助服务市场的日度96点上报容量。

步骤2、通过步骤1收集的电动汽车历史总负荷分布情况，拟合得到电动汽车日度总负荷分布情况；

步骤3、将步骤1预测的日度电动汽车参与辅助服务市场的容量结果与实际负荷值做差可得到响应误差，确定上报容量与实际响应容量的误差分布情况；根据步骤2所得电动汽车日度总负荷分布函数，以蒙特卡洛模拟未来的电动汽车负荷的响应容量规模；

步骤4、基于步骤3得到的未来的电动汽车负荷的响应容量规模的模拟结果，通过CVaR计算日度参与协调电动汽车参与辅助服务的储能需求容量；

步骤5、基于步骤1所得日度96点上报容量曲线与步骤3所得日度电动汽车响应容量规模，结合步骤4储能资源容量配置下可补充的差额容量，构建出最小化辅助服务调度风险的目标函数，考虑不同响应误差的风险损失，实现储能容量的优化配置；

步骤6、以粒子群算法对步骤5的储能模型求解，输出最优化储能容量与储能功率的配置结果。

而且，所述步骤1的收集电动汽车历史负荷情况包括年度的每日负荷值和日度的96点负荷值。

而且，所述步骤1的采用最小二乘支持向量机预测电动汽车参与辅助服务市场的日度96点上报容量的具体步骤包括：

(1)建立经过非线性映射

其中，w∈R

(2)根据结构风险最小化原则，寻找最优w、b，得到预测电动汽车参与辅助服务市场的日度96点上报容量的最优化问题为：

其中，r＞0为惩罚参数，ξ

与标准支持向量机算法相比，存在约束条件的差异，如公式3所示；

(3)应用拉格朗日函数求解优化问题，则：

其中，α

则得到最终预测电动汽车参与辅助服务市场的日度96点上报容量的函数如公式(5)所示：

其中，

其中g为核函数的宽度系数，是一个常数。

而且，所述步骤2的具体方法为：

在曲线拟合过程中，采集年度电动汽车充电负荷值数据，并采用随机取样选取样本，对样本采用正态分布进行拟合，其中正态分布函数如式(7)：

则，对其进行求偏导得到参数估计值如式(8)、式(9)：

其中，μ和σ为电动汽车日度总负荷样本均值和电动汽车日度总负荷样本的方差，是正态分布函数的重要参数；

而且，所述步骤3的具体步骤包括：

(1)按照步骤1所提的最小二乘支持向量机预测方法，循环多次得到次日电动汽车参与辅助服务市场的上报容量计划，并将其与实际响应负荷值作差得到实际响应误差，统计其误差分布情况；

(2)按照步骤2拟合所得电动汽车日度总负荷分布函数，通过蒙特卡洛模拟一年365天的电动汽车负荷的响应容量规模；

其中，拟合函数的函数形式如式(10)：

其中，u为服从[0,1]均匀分布的随机数，是电动汽车日度总负荷在各个阶段分布的概率，z为服从正态分布的电动汽车日度总负荷的响应容量值。

而且，所述步骤4的具体方法为：

基于一定置信水平下的CVaR差额容量计算方法则可以表示为公式(13)，在该储能容量约定下，在一定置信水平下保证电动汽车响应容量得到补充：

P(f(t，P)≤VaR(p))＝1-p (12)

其中，f(t，P)为电动汽车的缺额功率；P

而且，所述步骤5的具体步骤包括：

(1)协调电动汽车参与辅助服务市场的储能优化配置过程中，为最小化聚合商在辅助服务市场中的年度调度风险，建立储能优化配置模型的目标函数(14)：

其中，Pro为聚合商年度调度风险计算式，通过寻优操作，优化储能容量Q：

(2)考虑到储能功率配置结果会影响其爬坡速率，设置储能功率P的约束函数：

其中，参数的计算方法如下：

①电动汽车参与辅助服务日度风险损失W

参与辅助服务市场后，电动汽车公司可以获得辅助服务补偿，通过市场调度补偿风险从而使得风险损失，其风险损失的计算公式如(17)所示：

其中，F

②电动汽车参与辅助的日度风险成本

在电动汽车参与辅助服务过程中，若实际填谷容量与上报容量之间的差额超出市场规定范围，则会有机会成本损失，单一时点的成本计算方法如公式(19)：

其中，A

对96点的调度成本进行求和即可得到日度风险成本

③直接参与辅助服务的储能风险损失

辅助服务直接收益计算公式如式(20)所示；辅助服务电价收益如(21)所示；辅助服务市场总风险损失如(22)所示：

其中，P

其中，E

④协调电动汽车的储能风险损失

协调储能的辅助服务市场的收益如式(23)所示；协调储能的峰谷电价差收益如式(24)所示；协调储能减少的机会损失计算如式(25)所示；协调储能的总收益如式(26)所示：

其中，P

⑤储能配置的年度成本A

在储能配置成本的计算中，按照蓄电池储能系统的年值计算公式作为储能成本测算方法，相关参数计算方法如下：

α＝λ×β (29)

L

其中，A

而且，所述步骤6的粒子群算法的计算步骤包括：

(1)参数确定：初始化粒子群算法参数，包括种群大小、初始位置、初始速度；

随机生成初始位置X

(2)适应值计算：计算各个粒子的适应值，并更新粒子的位置和速度；适应值为步骤5中的目标函数，计算公式如(14)；速度更新公式为公式(32)：

V

其中，V

位置更新公式为公式(33)。

X

最终通过优化结果可以得到最优的储能容量与功率配置结果。

本发明的优点和积极效果是：

本发明充分利用电动汽车可调容量大、成本低，储能资源灵活性强、成本高这些特点，应用储能协调电动汽车参与辅助服务的理念，能够在充分发挥储能资源的价值的同时充分发挥电动汽车可调潜力；所提基于最小化调度风险原则并采用CVaR方法调度储能参加辅助服务的方法，能够在保障系统可靠性的同时最小化系统的调度风险；本发明以最小化调度风险为原则，通过协调策略研究、辅助服务市场容量确定、调度风险确定以及优化计算，最终确定储能协调电动汽车参与辅助服务市场的最优规划策略和调度结果，提高电动汽车参与辅助服务的可调容量。

附图说明

图1是本发明的处理流程图；

图2是本发明的储能协调参与辅助服务策略示意图；

图3是本发明具体实施方式中上报容量与实际响应容量相对情况示意图；

图4是本发明具体实施方式中电动汽车负荷的容量规模的模拟结果示意图；

图5(a)是本发明具体实施方式中每日储能备用容量测算结果示意图(效益性储能配置结果)；

图5(b)是本发明具体实施方式中每日储能备用容量测算结果示意图(保障性储能配置结果)；

具体实施方式

以下结合附图对本发明实施例作进一步详述：

一种协调电动汽车参与辅助服务市场的储能优化配置方法，如图1所示，包括以下步骤：

步骤1、收集电动汽车历史负荷情况，并采用最小二乘支持向量机预测电动汽车参与辅助服务市场的日度96点上报容量。

在本实施例中，所述步骤1的收集电动汽车历史负荷情况包括年度的每日负荷值和日度的96点负荷值，其数据规模最少需要365天的日度负荷值和30个典型日的96点分布情况。

支持向量机在预测场景中具有广泛的应用，并取得丰硕的成果，它对于小样本、高纬度的数据具有优秀的处理能力。这对于多能耦合季度数据相对少、系统结构较为复杂的情况具有良好的适用性。同时最小二乘支持向量机相对于传统支持向量机在预测精度上具有明显的提升，因此，我们将粒子群算法(Particle Swarm Algorithm，PSO)优化的最小二乘支持向量机(Least Squares Support Vector Machines，LSSVM)用于预测电动汽车参与辅助服务市场的日度上报容量；

非线性回归支持向量机通过核函数将输入样本空间的数据通过非线性变换至高维线性特征空间，在特征空间中利用线性方法解决非线性问题，并获得全局最优解。而最小二乘支持向量回归机在标准支持向量机的基础上将不等式约束换为等式约束从而加速计算、提高精度。

在本实施例中，所述步骤1的采用最小二乘支持向量机预测电动汽车参与辅助服务市场的日度96点上报容量的具体步骤包括：

(1)建立经过非线性映射

其中，w∈R

(2)根据结构风险最小化原则，寻找最优w、b，得到预测电动汽车参与辅助服务市场的日度96点上报容量的最优化问题为：

其中，r＞0为惩罚参数，ξ

与标准支持向量机算法相比，存在约束条件的差异，如公式3所示；

(3)应用拉格朗日函数求解优化问题，则：

其中，α

则得到最终预测电动汽车参与辅助服务市场的日度96点上报容量的函数如公式(5)所示：

其中，

其中g为核函数的宽度系数，是一个常数；

步骤2、通过步骤1收集的电动汽车历史总负荷分布情况，拟合得到电动汽车日度总负荷分布情况；

所述步骤2的具体方法为：

在曲线拟合过程中，采集年度电动汽车充电负荷值数据，并采用随机取样选取样本，对样本采用正态分布进行拟合，其中正态分布函数如式(7)：

则，对其进行求偏导得到参数估计值如式(8)、式(9)：

其中，μ和σ为电动汽车日度总负荷样本均值和电动汽车日度总负荷样本的方差，是正态分布函数的重要参数；

步骤3、将步骤1预测的日度电动汽车参与辅助服务市场的容量结果与实际负荷值做差可得到响应误差，确定上报容量与实际响应容量的误差分布情况；根据步骤2所得电动汽车日度总负荷分布函数，以蒙特卡洛模拟未来的电动汽车负荷的响应容量规模；

所述步骤3的具体步骤包括：

(1)按照步骤1所提的最小二乘支持向量机预测方法，循环多次得到次日电动汽车参与辅助服务市场的上报容量计划，并将其与实际响应负荷值作差得到实际响应误差，统计其误差分布情况；

(2)按照步骤2拟合所得电动汽车日度总负荷分布函数，通过蒙特卡洛模拟一年365天的电动汽车负荷的响应容量规模；

其中，拟合函数的函数形式如式(10)：

其中，u为服从[0,1]均匀分布的随机数，是电动汽车日度总负荷在各个阶段分布的概率，z为服从正态分布的电动汽车日度总负荷的响应容量值。

步骤4、基于步骤3得到的未来的电动汽车负荷的响应容量规模的模拟结果，通过CVaR计算日度参与协调电动汽车参与辅助服务的储能需求容量；

所述步骤4的具体方法为：

基于一定置信水平下的CVaR差额容量计算方法则可以表示为公式(13)，在该储能容量约定下，在一定置信水平下保证电动汽车响应容量得到补充：

P(f(t，P)≤VaR(p))＝1-p (12)

其中，f(t，P)为电动汽车的缺额功率；P

步骤5、基于步骤1所得日度96点上报容量曲线与步骤3所得日度电动汽车响应容量规模，结合步骤4储能资源容量配置下可补充的差额容量，构建出最小化辅助服务调度风险的目标函数，考虑不同响应误差的风险损失，实现储能容量的优化配置；

所述步骤5的具体步骤包括：

(1)协调电动汽车参与辅助服务市场的储能优化配置过程中，为最小化聚合商在辅助服务市场中的年度调度风险，建立储能优化配置模型的目标函数(14)：

其中，Pro为聚合商年度调度风险计算式，W

Q＝Q

(2)考虑到储能功率配置结果会影响其爬坡速率，设置储能功率P的约束函数：

P≥E

E

其中主要参数的计算方法如下：

①电动汽车参与辅助服务日度风险损失W

参与辅助服务市场后，电动汽车公司可以获得辅助服务补偿，通过市场调度补偿风险从而使得风险损失，本发明以华北辅助服务市场为例，其风险损失的计算公式如(17)所示：

其中，F

②电动汽车参与辅助的日度风险成本

在电动汽车参与辅助服务过程中，若实际填谷容量与上报容量之间的差额超出市场规定范围，则会有机会成本损失，单一时点的成本计算方法如公式(19)：

其中，A

对96点的调度成本进行求和即可得到日度风险成本

③直接参与辅助服务的储能风险损失

如图2所示的储能协调参与辅助服务策略示意图，其中，E

其中，辅助服务直接收益计算公式如式(20)所示；辅助服务电价收益如(21)所示；辅助服务市场总风险损失如(22)所示：

其中，P

④协调电动汽车的储能风险损失

协调储能的辅助服务市场的收益如式(23)所示；协调储能的峰谷电价差收益如式(24)所示；协调储能减少的机会损失计算如式(25)所示；协调储能的总收益如式(26)所示。

其中，P

⑤储能配置的年度成本A

在储能配置成本的计算中，按照蓄电池储能系统的年值计算公式作为储能成本测算方法，相关参数计算方法如下：

α＝λ×β (29)

L

其中，A

步骤6、以粒子群算法对步骤5的储能模型求解，输出最优化储能容量与储能功率的配置结果。

所述步骤6的粒子群算法的计算步骤包括：

(1)参数确定：初始化粒子群算法参数，包括种群大小、初始位置、初始速度等。

随机生成初始位置X

(2)适应值计算：计算各个粒子的适应值，并更新粒子的位置和速度；适应值为步骤5中的目标函数，计算公式如(14)；速度更新公式为公式(32)：

V

其中，V

位置更新公式为公式(33)。

X

最终通过优化结果可以得到最优的储能容量与功率配置结果。

下面通过具体算例对本发明作进一步说明：

步骤1、收集电动汽车历史负荷情况，确定电动汽车参与辅助服务市场的日度上报容量计算方案。

收集电动汽车历史的负荷情况，包括年度的每日负荷值、日度的96点负荷值，数据规模最少需要365天的日度负荷值，以及30个典型日的96点分布情况。确定电动汽车参与辅助服务市场的日度上报容量的计算方法，即通过时间序列或者大数据等方法进行预测的具体方案。本发明采用支持向量机方法进行预测。

收集北京市电动汽车2019年负荷的响应容量数据。模型通过支持向量机模型来对响应容量进行预测，并作为日度容量上报计划。其中，某日的实际响应容量与上报容量曲线的相对情况如图3所示。

步骤2、通过步骤1收集的历史电动汽车负荷分布情况，拟合电动汽车负荷分布情况。

曲线拟合过程中，采集年度电动汽车充电负荷值数据，并采用随机取样选取样本。对样本采用正态分布进行拟合，其中正态分布函数如式(1)。

则，对其进行求偏导得到参数估计值如式(2)、式(3)。

其中，μ和σ为正态分布函数的重要参数，

即可以得到年度电动汽车负荷的分布情况。

拟合过程中，随机取样100天的辅助服务市场响应规模以拟合分布函数，结果显示日度响应容量规模服从均值为368.88、方差为24.34的正态分布。

步骤3、通过步骤1的日度电动汽车参与辅助服务市场的容量计算方法进行测算，并将计算结果与实际负荷值做差得到响应误差，确定上报容量与实际响应容量的误差分布情况；通过步骤2所得电动汽车负荷分布函数，以蒙特卡洛模拟未来的电动汽车负荷的容量规模。

按照步骤1所提支持向量机预测方法，循环多次得到次日电动汽车擦参与辅助服务市场的上报容量计划，并将其与实际响应负荷值作差得到实际响应误差，同统计其误差分布情况。按照步骤2所得拟合函数，通过蒙特卡洛模拟一年365天的电动汽车响应容量规模。

其中，其反函数形式如式(4)。

其中，u为服从[0,1]均匀分布的随机数，z为服从正态分布的响应容量值。

基于步骤1所得响应容量上报方案计算960次日内负荷曲线，其响应偏差分布情况如表1所示。

表1上报容量与实际响应容量的偏差分布情况

基于步骤2所得正态分布函数，结合MATLAB中的normrnd函数，模拟365天的电动汽车参与市场的容量规模，结果如图4所示。图4中，十字标点即为日度电动汽车参与辅助服务的市场规模。

步骤4、基于电动汽车负荷的响应容量规模的模拟结果，通过CVaR计算日度参与协调电动汽车参与辅助服务的储能需求容量。

基于一定置信水平下的CVaR差额容量计算方法则可以表示为公式(8)，在该储能容量约定下，可以在一定置信水平下保证电动汽车响应容量得到补充；

其中，f(t，P)为缺额功率；P

根据负荷情况模拟结果，首先取置信度为90％，采用CVaR方法对每日调峰备用储能容量进行测算。定义保障性储能与效益性储能，其中，保障性储能即为使得电动汽车负荷误差保持在市场临界线内而配置的储能容量；效益性储能即为使得电动汽车负荷误差尽可能贴近零而配置的储能容量。测算结果分布情况如图5所示，其中，图5(a)为效益性储能配置结果，即该情况下能够保证调整后负荷曲线能够完全对应报量曲线，图5(b)为保障性储能配置结果，即该情况下能够使得调整后负荷误差在允许范围之内。该算例中，储能充足的情况下，优先选择效益性储能配置方法；储能不足的情况下选择保障性储能配置方法；不能满足要求的情况下，储能选择直接参与辅助服务市场，不负责调整电动汽车负荷曲线。

步骤5、基于步骤1所得每日上报容量曲线与步骤3所得日度电动汽车响应容量规模，结合步骤4储能资源容量配置下可补充的差额容量，构建出最小化辅助服务调度风险的目标函数，考虑不同响应误差的风险损失，实现储能容量的优化配置。

协调电动汽车参与辅助服务市场的储能优化配置过程中，为最小化聚合商在辅助服务市场中的年度调度风险，建立目标函数(28)。

其中，Pro为聚合商年度调度风险计算式。通过寻优操作，优化储能容量Q：

考虑到储能功率配置结果会影响其爬坡速率，设置储能功率P的约束函数：

P≥E

其中主要参数的计算方法如下：

1)电动汽车参与辅助服务日度风险损失W

参与辅助服务市场后，电动汽车公司可以获得辅助服务补偿，通过市场调度可以补偿风险从而使得风险损失，本文以华北辅助服务市场为例，其风险损失的计算公式如(13)所示。

其中，F

2)电动汽车参与辅助的日度风险成本

在电动汽车参与辅助服务过程中，若实际填谷容量与上报容量之间的差额超出市场规定范围，则会有机会成本损失，单一时点的成本计算方法如公式(15)。

其中，A

对96点的调度成本进行求和即可得到日度风险成本

3)直接参与辅助服务的储能风险损失

其中，E

其中，辅助服务直接收益计算公式如式(16)所示；辅助服务电价收益如(17)所示；辅助服务市场总风险损失如(18)所示。

其中，P

4)协调电动汽车的储能风险损失

协调储能的辅助服务市场的收益如式(19)所示；协调储能的峰谷电价差收益如式(20)所示；协调储能减少的机会损失计算如式(21)所示；协调储能的总收益如式(22)所示。

其中，P

5)储能配置的年度成本A

在储能配置成本的计算中，按照蓄电池储能系统的年值计算公式作为储能成本测算方法，相关参数计算方法如下：

α＝λ·β (25)

L

其中，A

步骤6、以粒子群算法进行模型求解，输出结果即为最优化储能容量与储能功率的配置结果。

设定辅助服务市场误差范围不超过5％，辅助服务出清价格为300元/MWh；按北京市一般工商业电价取峰谷电价差为1030元/MWh，峰平电价差为500元/MWh；投资成本为5166000元/MWh，维护成本为174000元/MWh/year[28]，λ储能系统功率投资与容量投资费用比为1.172，市场利率水平为8％。据此展开计算，有如下仿真结果。

基于最优储能配置策略，对其上报容量、电动汽车负荷占比、储能负荷占比、协调调度容量和机会损失进行测算，测算结果如表2所示。

表2典型日市场运行模拟结果：

在每日的运行过程中，储能通过不断的充放电调整，使得电动汽车的负荷曲线尽可能贴近实际上报曲线，从而尽可能地增加了电动汽车参与辅助服务的市场收益。

需要强调的是，本发明所述的实施例是说明性的，而不是限定性的，因此本发明包括并不限于具体实施方式中所述的实施例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，同样属于本发明保护的范围。