计及电动汽车和可控负荷的需求侧能源交易机制

doi:10.3969/j.issn.1000-7229.2019.11.004

电力建设 ›› 2019, Vol. 40 ›› Issue (11): 24-30.doi: 10.3969/j.issn.1000-7229.2019.11.004

• 可交易能源系统·栏目主持文福拴教授、杨甲甲博士、刘伟佳博士· • 上一篇下一篇

计及电动汽车和可控负荷的需求侧能源交易机制

刘伟佳1，文福拴1，马莉2，薛松2

1. 浙江大学电气工程学院，杭州市 310027;2.国网能源研究院有限公司，北京市 102209

出版日期:2019-11-01
作者简介:刘伟佳 (1989)，男，博士后，主要从事电力系统恢复和智能电网等方面的研究工作; 文福拴 (1965)，男，通信作者，博士，教授，博士生导师，主要从事电力系统故障诊断与系统恢复、电力经济与电力市场、智能电网与电动汽车等方面的研究工作；马莉 (1975)，女，博士，教授级高级工程师，主要从事电力体制改革、电力市场建设、配售电改革等方面的研究工作；薛松 (1986)，男，博士，高级工程师，主要从事配售电改革、电力市场与能源经济等方面的研究工作。
基金资助:
国家电网公司科技项目“支撑客户侧综合资源互动交易服务的‘区块链’技术”

Demand-Side Transactive Energy Mechanism Considering Electric Vehicles and Controlable Loads

LIU Weijia1， WEN Fushuan1， MA Li2， XUE Song2

1. College of Electrical Engineering， Zhejiang University， Hangzhou 310027， China;2. State Grid Energy Research Institute Co.， Ltd.， Beijing 102209， China

Online:2019-11-01
Supported by:
This work is supported by “Block chain technology for supporting integrated energy interactive trading services at the customer side” from State Grid Corporation of China.

摘要/Abstract

摘要： 分布式可再生能源发电渗透率的提高对电力系统尤其是配电系统的优化运行提出了更高的要求。作为新兴的协调分布式能源的市场机制，能源交易为分布式可再生能源发电大量接入配电系统提供了可行的解决方案。在此背景下，以需求侧能源交易为例，研究能源交易的机制设计和潜在的经济效益。首先构建能源交易的整体框架，制定能源交易和出清规则。在此基础上，考虑电动汽车和可控负荷的特性，建立需求侧负荷响应的数学模型并采用机会约束对不确定性进行处理。结合需求侧模型和能源交易体系，建立了能源交易的最优竞价模型。最后，采用算例系统对所提能源交易模型和方法进行了仿真验证。

关键词: 能源交易, 分布式能源, 电动汽车, 可控负荷, 需求侧响应, 机会约束规划

Abstract: The ever increasing penetration of distributed renewable energy generating units imposes higher requirements for the power system， especially the distribution system. As one of the emerging market-based mechanism to coordinate distributed energy resources， transactive energy has provided a viable solution to accommodate a high penetration level of distributed renewable energy sources. Given this background， this paper focuses on transactive energy at demand-side and aims to examine appropriate mechanism design and analyze potential economic benefits. First， the overall framework of transactive energy is proposed， and the rules of energy transactions and market clearing procedures are introduced. The mathematical models of responsive demands are developed considering the characteristics of electric vehicles and controllable loads. Uncertainties are addressed through an analytic chance constrained programming reformulation method. On the basis of the presented transactive energy mechanism and demand-side models， an optimal bidding model is proposed. Finally， the effectiveness of the proposed model and method is demonstrated by case studies.

Key words: transactive energy, distributed energy resource, electric vehicle, controllable load, demand response, chance-constrained programming

中图分类号:

TM 73

刘伟佳，文福拴，马莉，薛松. 计及电动汽车和可控负荷的需求侧能源交易机制[J]. 电力建设, 2019, 40(11): 24-30.

LIU Weijia， WEN Fushuan， MA Li， XUE Song. Demand-Side Transactive Energy Mechanism Considering Electric Vehicles and Controlable Loads[J]. Electric Power Construction, 2019, 40(11): 24-30.

参考文献

［1］IPAKCHI A， ALBUYEH F. Grid of the future［J］. IEEE Power and Energy Magazine， 2009， 7(2): 52-62.
［2］WU Y， TAN X Q， QIAN L P， et al. Optimal pricing and energy scheduling for hybrid energy trading market in future smart grid［J］. IEEE Transactions on Industrial Informatics， 2015， 11(6): 1585-1596.
［3］KIM B， REN S L， VAN D S M， et al. Bidirectional energy trading and residential load scheduling with electric vehicles in the smart grid［J］. IEEE Journal on Selected Areas in Communications， 2013， 31(7): 1219-1234.
［4］HU J J， YANG G Y， KOK K， et al. Transactive control: A framework for operating power systems characterized by high penetration of distributed energy resources［J］. Journal of Modern Power Systems and Clean Energy， 2017， 5(3): 451-464.
［5］WANG Z Y， CHEN B K， WANG J H， et al. Coordinated energy management of networked microgrids in distribution systems［J］. IEEE Transactions on Smart Grid， 2015， 6(1): 45-53.
［6］LIU N， HE L， YU X H， et al. Multiparty energy management for grid-connected microgrids with heat- and electricity-coupled demand response［J］. IEEE Transactions on Industrial Informatics， 2018， 14(5): 1887-1897.
［7］YU M M， HONG S H. A real-time demand-response algorithm for smart grids: A stackelberg game approach［J］. IEEE Transactions on Smart Grid， 2016，7(2):879-888.
［8］DAGDOUGUI H， SACILE R. Decentralized control of the power flows in a network of smart microgrids modeled as a team of cooperative agents［J］. IEEE Transactions on Control Systems Technology， 2014， 22(2): 510-519.
［9］HUG G， KAR S， WU C Y. Consensus + innovations approach for distributed multiagent coordination in a microgrid［J］. IEEE Transactions on Smart Grid， 2015， 6(4): 1893-1903.
［10］NUNNA H， SRINIVASAN D. Multiagent-based transactive energy framework for distribution systems with smart microgrids［J］. IEEE Transactions on Industrial Informatics， 2017， 13(5): 2241-2250.
［11］WECKX S， DHULST R， CLAESSENS B， et al. Multiagent charging of electric vehicles respecting distribution transformer loading and voltage limits［J］. IEEE Transactions on Smart Grid， 2014， 5(6): 2857-2867.
［12］KANG J W， YU R， HUANG X M， et al. Enabling localized peer-to-peer electricity trading among plug-in hybrid electric vehicles using consortium blockchains［J］. IEEE Transactions on Industrial Informatics， 2017，13(6):3154-3164.
［13］LIU W J， ZHAN J P， CHUNG C Y. A novel transactive energy control mechanism for collaborative networked microgrids［J］. IEEE Transactions on Power Systems， 2019， 34(3): 2048-2060.
［14］徐熙林，宋依群，姚良忠，等. 高比例可再生能源受端区域电网调峰的出力网际分配［J］. 电力自动化设备， 2017， 37(8): 43-51.
XU Xilin， SONG Yiqun， YAO Liangzhong， et al. Power-output allocation for peak regulation of regional grid with high penetration of renewable energy resources［J］. Electric Power Automation Equipment， 2017， 37(8): 43-51.
［15］韩海腾，高山，吴晨，等. 基于Nataf变换的电网不确定性多点估计法［J］. 电力系统自动化， 2015， 39(7): 28-34.
HAN Haiteng， GAO Shan， WU Chen， et al. Uncertain power flow solved by multi-point estimate method based on nataf transformation［J］. Automation of Electric Power Systems， 2015， 39(7): 28-34.
［16］王锐，顾伟，吴志. 含可再生能源的热电联供型微网经济运行优化［J］. 电力系统自动化， 2011， 35(8): 22-27.
WANG Rui， GU Wei， WU Zhi. Economic and optimal operation of a combined heat and power microgrid with renewable energy resources［J］. Automation of Electric Power Systems， 2011， 35(8): 22-27.
［17］ROALD L， MISRA S， KRAUSE T， et al. Corrective control to handle forecast uncertainty: A chance constrained optimal power flow［J］. IEEE Transactions on Power Systems， 2017，32（2）：1626-1637.

[1]	张卫国, 陈良亮, 成海生, 付蓉, 季娟. 基于电动汽车供电资源态势感知的台区负荷弹性调度策略[J]. 电力建设, 2020, 41(8): 48-56.
[2]	吴钉捷, 李晓露. 基于实时出行需求和交通路况的电动汽车充电负荷预测[J]. 电力建设, 2020, 41(8): 57-67.
[3]	魏震波，任小林，黄宇涵. 考虑综合需求侧响应的区域综合能源系统多目标优化调度[J]. 电力建设, 2020, 41(7): 92-99.
[4]	谭忠富，谭彩霞，蒲雷，杨佳澄. 基于协同免疫量子粒子群优化算法的虚拟电厂双层博弈模型[J]. 电力建设, 2020, 41(6): 9-17.
[5]	胡珏，韦钢，袁洪涛，罗志刚. 电动汽车充换储一体站的建模[J]. 电力建设, 2020, 41(6): 44-51.
[6]	刘辉，谢良峰，谢海敏，阳育德，覃智君. 考虑电动汽车响应AGC的系统网损评估[J]. 电力建设, 2020, 41(6): 52-59.
[7]	周斌，张卫国，崔文佳，毛东宇，陈中. 考虑预警负荷的电动汽车充放电优化策略[J]. 电力建设, 2020, 41(4): 10-21.
[8]	赵文会，张九阳，高姣倩，宋亚君. 考虑动态电量和无限次博弈的电动汽车上网电价模型#br#[J]. 电力建设, 2020, 41(4): 30-37.
[9]	王李龑，许强，黄开艺，吴健，艾芊，张亚新，贾轩. 计及新能源及负荷不确定性的多能微网系统两阶段随机规划方法[J]. 电力建设, 2020, 41(4): 100-108.
[10]	周洪益，钱苇航，柏晶晶，卫志农，孙国强，臧海祥. 能源区块链的典型应用场景分析及项目实践[J]. 电力建设, 2020, 41(2): 11-20.
[11]	蒋浩，林舜江，卢艺，何森. 考虑时间相关性的电动汽车充电站负荷概率建模及场景生成[J]. 电力建设, 2020, 41(2): 47-57.
[12]	刘明华，刘文霞，刘晨苗，刘宗歧，李守强，张鹤，闫浩，朴折勇. 电极式锅炉参与电网调频服务下供热系统日前优化调度[J]. 电力建设, 2020, 41(1): 1-2.
[13]	张宇威, 杨军，吴赋章，詹祥澎，龙雪梅，张俊，徐箭. 基于电网-交通网耦合的充电站故障传播分析框架[J]. 电力建设, 2020, 41(1): 13-22.
[14]	廖家齐，钱科军，方华亮，周承科，徐彦. 基于泛在电力物联网的电动汽车充电站运维关键技术[J]. 电力建设, 2019, 40(9): 20-26.
[15]	谭凯，李中伟，关亚东，叶麟，佟为明，张宝军. 电动汽车充电桩轻量级密钥管理方案[J]. 电力建设, 2019, 40(9): 73-81.

计及电动汽车和可控负荷的需求侧能源交易机制

Demand-Side Transactive Energy Mechanism Considering Electric Vehicles and Controlable Loads

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价