一种含高渗透率光电微电网中的电动汽车优化调度方法技术领域
本发明涉及一种含高渗透率光电微电网中的电动汽车优化调度
方法。
背景技术
电力行业是节能减排的重点领域，作为节能减排的最佳途径之
一，电动汽车(electricvehicle,EV)产业获得了迅速的发展，逐渐成
为智能电网领域不可或缺的重要组成部分。电动汽车接入电网
(VehicletoGrid，V2G)概念的提出，使得大规模电动汽车入网将对
电力系统的规划、运行以及电力市场的运营产生深刻影响。然而，在
发电侧一次能源仍以煤炭为主的情形下，EV直接接入电网充电，会
带来大量的间接碳排放，相比传统燃油汽车，难以体现其节能减排优
势。现阶段，以光电为代表的新能源的战略地位开始由目前的补充能
源上升至替代能源，装机容量迅速提升。
从当前发展情况来看，通过调整电网侧一次能源结构的途径实现
对大规模光电的消纳会大幅增加电网改造成本，而以微电网为平台实
现EV对光电的集成利用，将成为未来大规模可再生能源并网的主要
方式之一，相对于传统电网，其主要优势体现在：实现高渗透率的光
电接入，具有较好的经济性和环保性。EV与光伏发电的本地化协调
控制更有利于EV备用功能的发挥以及系统电能质量和稳定性的提
高。
光伏发电的出力特性导致其规模化利用将给系统带来巨大挑战，
为了满足系统的安全、经济运行以及供电电能质量要求，已出现严重
的弃光现象。含高渗透率光电并网型微电网中，有效的调度和控制为
手段充分发挥EV集群的储能作用成为最大限度提高光伏发电利用
率、体现EV与大规模光电协同增效利用的关键。文献“含电动汽车
换电站的微电网孤岛运行优化”，电力自动化设备，2012，32(5)的研
究表明，EV换电站作为储能可以提高微电网的可再生能源接纳能力
和可靠性，并更具经济性,但较少涉及含高渗透率光电并网型微电网
环境下EV与光伏的协同增效模型；文献“Economicimpactsof
small-scaleowngeneratingandstorageunits,andelectricvehiclesunder
differentdemandresponsestrategiesforsmarthouseholds”，Applied
Energy，126(2014)针对智能家居，以需求响应视角进行了EV、光伏
和储能集成利用的经济性分析，为EV和可再生能源的协同利用研究
提供了借鉴，但属于集中式优化，优化效率仍存在提升空间；文献“A
decentralizedchargingcontrolstrategyforplug-inelectricvehiclesto
mitigatewindfarmintermittencyandenhancefrequencyregulation”，
JournalofPowerSources，248(2014)提出EV的分散式控制方法，并据
此侧重研究了EV的平抑风电出力波动以及调频作用，其并未着眼于
提高光伏并网效率。
发明内容
本发明提供一种含高渗透率光电微电网中的电动汽车优化调度
方法，本发明针对含EV集群、高渗透率光电的并网型微电网，研究
了EV与大规模光电协同增效利用的方法，提出的电动汽车优化调度
方法，更加符合光伏发电情况，从而提升光电利用率、提高微电网的
经济效益；基于光伏出力信息的虚拟费用理论，在此基础上构造了电
动汽车集群的非合作充放电(Non-cooperativeChargingand
Discharging，NCD)博弈模型，推导出博弈模型纳什均衡与集中式优
化模型最优解的一致性。
本发明的技术方案是：
一种含高渗透率光电微电网中的电动汽车优化调度方法，所述的
微电网由高渗透率光伏发电系统、储能系统、常规负荷和电动汽车集
群构成，常规负荷和电动汽车集群的充电负荷构成微电网总负荷，电
动汽车集群由若干电动汽车构成，电动汽车既可作为充电负荷又可作
为移动储能单元向微电网供电，微电网内的高渗透率的光伏发电系
统、储能系统和作为移动储能单元时的电动汽车优先给微电网供电，
富余的电量送到地区大电网，当微电网供电不足时，再从地区大电网
购电，以满足微电网总负荷的需求；包括以下步骤：
S1：将全天24h均分为J个时段，对于任意第k时段，有
k∈{1,2,...,J}，且第k时段的时长为Δt，获取光伏发电的光照强度和
环境温度信息、储能系统的蓄电池容量信息以及微电网的常规负荷信
息；
S2：记录当前接入微电网的电动汽车的电池信息和客户充电需求
信息；
S3：根据步骤S1、S2获取的信息基于虚拟费用构建电动汽车集
群的NCD博弈模型；
S4：求解所构建的NCD博弈模型，以最大化利用光伏发电为目
的，获取电动汽车的最优充放电计划，以实现微电网内电动汽车的优
化调度。
进一步，本发明步骤S2中用一个七维行向量记录电动汽车的电
池信息和客户充电需求信息，假设接入微电网的电动汽车的总数为
N，对于任一电动汽车l∈{1,2,...,N}，则有：
Xl＝[Tin,l,Tout,l,S0,l,SE,l,Qs,l,Pc,l,Pd,l](1)
式中：
Tin,l、Tout,l分别表示电动汽车l接入微电网的时间和预期离开微电
网的时间；
S0,l、SE,l分别表示电动汽车l的电池的起始SOC(StateofCharge，
荷电状态，电池剩余能量与电池容量的比值)和离开微电网时客户期
望电池达到的SOC，0≤S0,l≤1、0≤SE,l≤1；
Qs,l表示电动汽车l的电池容量；
Pc,l、Pd,l分别表示电动汽车l的额定充、放电功率。
进一步，本发明所述步骤S3具体包括以下步骤：
S31.以所有接入微电网的电动汽车和微电网内储能系统的蓄电
池为博弈参与者，即决策主体U＝{1,2,...,N,N+1}，
构建任一博弈参与者i∈U的充放电计划模型；
对于博弈参与者之一的电动汽车l，其在全天J个时段内的充放
电计划可表示如下：
Pl＝(Pl(1),…,Pl(k),…,Pl(J))(2)
其中，Pl为电动汽车l的充放电计划；Pl(k)表示第k时段，电动
汽车l的充放电功率；
视电动汽车l的电池以恒功率充放电，忽略电池自身放电的影响，
建立电动汽车l的电池模型和约束条件分别如下：
Sl(k)＝Sl(k-1)+Pl(k)η(Pl(k))Δt/Qs,l(3)
SEV,min≤Sl(k)≤SEV,max(4)
-Pd,l≤Pl(k)≤Pc,l(5)
S 0 , l + Σ k = 1 J P l ( k ) η ( P l ( k ) ) Δ t Q s , l ≥ S E , l - - - ( 6 ) ]]>
其中：
式(3)是电动汽车l的电池模型，Sl(k-1)、Sl(k)分别表示电动
汽车l的电池在第k-1个和第k个时段的SOC，η(Pl(k))表示第k时段
的电动汽车l的充放电效率；
SEV,max、SEV,min分别为电动汽车l的电池的SOC的最大值和最小
值；
式(4)、(5)分别为电动汽车l的电池的SOC的约束和充放电
功率Pl(k)的约束；
式(6)表示客户充电需求的约束，即电动汽车l如约离开时，电
动汽车l的电池的SOC需满足客户期望；
微电网内储能系统的蓄电池是另一个博弈参与者，可视为一类无
充电负荷需求的特殊“电动汽车”，其充放电计划和约束条件可类比
于式(2)、式(4)～(5)；此外，储能系统的蓄电池需满足的等式
约束为：
Σ k = 1 J ( P B + ( k ) η B c + P B - ( k ) η B d ) Δ t = 0 - - - ( 7 ) ]]>
即全天J个时段内储能系统的蓄电池的总充、放电电量需相等以
满足充放电的循环，式中分别为储能系统的蓄电池的
充、放电功率；ηBc、ηBd分别表示储能系统的蓄电池的充、放电效
率；
S32.生成所有博弈参与者的策略空间，即生成所有博弈参与者的
充放电计划集合[P1,P2,…,Pi,…,PN,PN+1]，其中
Pi＝(Pi(1),Pi(2),...Pi(k),...,Pi(J))表示博弈参与者i在J个时段内充放电
计划的集合，Pi(k)表示博弈参与者i在第k个时段的充放功率；在生
成策略空间的过程中，除了考虑步骤S31中如式(4)～(7)所述的
博弈参与者的运行约束外，还应考虑微电网与地区大电网之间的关系
约束，主要包括：
P P V ( k ) + P g r i d ( k ) = L B ( k ) + Σ i ∈ U P i ( k ) - - - ( 8 ) ]]>
Pgridout≤Pgridout,max(9)
式(8)表示微电网与地区大电网之间的功率传输平衡约束，其
中，PPV(k)表示第k时段，高渗透率光伏发电系统的光伏发电输出功
率，Pgrid(k)表示第k时段微电网与地区大电网的交互功率，Pgrid(k)>0表
示微电网从地区大电网购电，Pgrid(k)<0表示微电网向地区大电网倒送
输电，LB(k)表示第k时段微电网的常规负荷；
式(9)表示微电网向地区大电网倒送输电的倒送功率约束，其
中，Pgridout表示微电网向地区大电网倒送输电的倒送功率，Pgridout,max为
倒送功率允许的最大值；
综上，对于任一博弈参与者i的策略空间ρi可表示为：
ρi＝{Pi|constraint(2),(4),(5),(6),(7),(8),(9)}(10)
式(10)表示博弈参与者i的策略空间ρi包括博弈参与者i在J
个时段内的充放电计划集合以及所要满足的约束(Constraint)条件：
式(2)、式(4)～式(9)；
S33.电动汽车和储能系统的蓄电池接入微电网后，计算博弈参与
者i在J个时段内获得的虚拟利益；首先计算所有博弈参与者i的总
虚拟利益：
γ a = Σ i ∈ U γ i = Σ k = 1 J [ γ ( L B ( k ) , k ) - γ ( L a ( k ) , k ) ] - - - ( 11 ) ]]>
式中：
γa表示总虚拟利益；γi表示博弈参与者i的虚拟利益；
γ(LB(k),k)＝σ(LB(k)-PPV(k))2表示第k时段的基本虚拟费用；
γ(La(k),k)＝σ(La(k)-PPV(k))2表示第k时段的总虚拟费用；其中，
表示第k时段微电网总负荷；
σ表示虚拟系数，且σ>0；
与实际电费不同，虚拟费用仅作为规划博弈参与者充放电计划的
依据，用以制定各博弈参与者的最佳充放电计划；对于任一博弈参与
者i的虚拟利益γi与博弈参与者i的充电需求以及负荷转移能力密切
相关，假设博弈参与者i的负荷转移能力与其电池容量正相关，则博
弈参与者i分享总虚拟利益的比例为：
ϵ i = κQ s , i - E n e e d , i Σ i ∈ U ( κQ s , i - E n e e d , i ) - - - ( 12 ) ]]>
式中，εi为博弈参与者i分享总虚拟利益的比例；Eneed,i表示博弈
参与者i的充电需求量；κ表示正相关系数；特别地，由于接入微电
网的电动汽车总数为N，因此当i∈{1,2,...,N}时，博弈参与者i指电动
汽车，Eneed,i≠0；当i＝N+1时博弈参与者i指储能系统的蓄电池，且
有Eneed,i＝0，Qs,i表示储能系统的蓄电池的配置容量；
根据式(11)和式(12)便可计算博弈参与者i的虚拟利益γi：
γi＝εiγa(13)
S34.建立用于度量博弈参与者i参与博弈后的成本或效益的效用
函数；定义博弈参与者i的虚拟利益γi为博弈参与者的效用函数，则
博弈参与者i在充放电计划集合[P1,P2,…,Pi,…,PN,PN+1]下的效用函数
Fi(Pi,Pi-)表示为：
F i ( P i , P i - ) = γ i = ϵ i σ Σ k = 1 J { [ L B ( k ) - P P V ( k ) ] 2 - [ L a - i ( k ) + P i ( k ) - P P V ( k ) ] 2 } - - - ( 14 ) ]]>
式中，Pi-＝[P1,P2,…,Pi-1,Pi+1,…,PN,PN+1]，表示除博弈参与者i之
外的其他所有博弈参与者的充放电计划集合；
表示第k时段微电网内除博弈参与者i
的负荷之外的其他负荷之和，其中τ表示除博弈参与者i之外的任一
博弈参与者；
S35.构建决策主体的NCD博弈模型，博弈模型中，所有博弈参
与者都是独立的决策者，各博弈参与者通过观察微电网的常规负荷、
光伏发电输出功率以及其他博弈参与者的充放电计划来确定自身的
最优充放电计划，以最大化虚拟利益；根据步骤S31～S34建立NCD
博弈模型如下：
GNCD＝{U,{ρi}i∈U,{Fi}i∈U}(15)
基于上述NCD博弈模型，所有博弈参与者均会在假定其余博弈
参与者都已选最优充放电计划的前提下选择能使其虚拟利益最大的
最优充放电计划，即
P i * ∈ argmax P i ∈ ρ i F i - - - ( 16 ) ]]>
其中，Pi*为博弈参与者i的最优充放电计划；
在NCD博弈模型中，如果对于博弈参与者充放电计划的其中一
个集合 P * = [ P 1 * , P 2 * , ... P i * , ... , P N * , P N + 1 * ] ]]>满足如下条件：
Fi(Pi*,Pi*-)≥Fi(Pi,Pi*-),Pi∈ρi,i∈U(17)
则称P*为该NCD博弈模型的纳什均衡，即P*为各博弈参与者
的最优充放电计划集合；其中Pi*-表示除博弈参与者i之外的其他所
有博弈参与者的最优充放电计划集合。
进一步，本发明所述步骤S4中，基于NCD博弈模型的电动汽
车的最优充放电计划求解过程具体如下：
(1)初始化电动汽车和储能系统的蓄电池的参数、第k时段配电网
常规负荷LB(k)信息和光伏发电输出功率PPV(k)；
(2)能量管理系统实时更新该时段的微电网总负荷La(k)，并分享
给所有博弈参与者；
(3)对于任一博弈参与者i∈U，其收到微电网总负荷La(k)信息
后，计算出并以最大化式(14)为目标计算得到Pi*；
(4)如果计算得到的Pi*与当前最优值比较发生变化，更新Pi*，并
将Pi*反馈给能量管理系统，转至(2)；
(5)重复步骤(2)～(4)，直至结果收敛(即Pi*不再发生变化)，输出最
优充放电计划Pi*；
为提高NCD博弈模型收敛至纳什均衡点的速度，步骤(4)中的各
参与者可采用异步更新方式，即所有参与者不在同一时刻更新其充放
电计划。
本发明的有益效果是：
1)本发明不依托于能量管理系统的集中式优化，基于NCD博弈模
型发展EV及蓄电池的分散自治，大大降低决策难度，适于大规模、
分散式EV的优化调度。
2)采用本发明，能够在满足EV用户的用电需求前提下，有效改善
负荷特性，使其更加符合光伏发电情况，从而提升光电利用率、提高
微电网的经济效益。
3)以微电网为平台集成利用具有一定出行规律的EV与高渗透率光
电，能够有效发挥EV集群的分布式储能作用、降低储能配置需求，
提高微电网对光伏的消纳能力，是一种理想的协同增效利用模式。
附图说明
图1为年光照辐照度(即光照强度)曲线；
图2为微电网年常规负荷曲线；
图3为微电网日常规负荷和三种典型天气下的日光伏出力(即光
伏发电功率)曲线；
图4为微电网总成本和光伏发电利用率φPPUR与储能配置量(即
储能系统蓄电池的容量)的关系；
图5为不同电动汽车总数下微电网总成本与储能配置量的关系；
图6为本发明的不同电动汽车总数下φPPUR与储能配置量的关系。
具体实施方式
一种含高渗透率光电微电网中的电动汽车优化调度方法，所述的
微电网由高渗透率光伏发电系统、储能系统、常规负荷和电动汽车集
群构成，常规负荷和电动汽车集群的充电负构成荷微电网总负荷，电
动汽车集群由若干电动汽构成，电动汽车既可作为充电负荷又可作为
移动储能单元向微电网供电，微电网内的高渗透率的光伏发电系统、
储能系统和作为移动储能单元时的电动汽车优先给微电网供电，富余
的电量送到地区大电网，当微电网供电不足时，再从地区大电网购电，
以满足微电网总负荷的需求；包括以下步骤：
S1：将全天24h均分为J个时段，对于任意第k时段，有
k∈{1,2,...,J}，且第k时段的时长为Δt，获取光伏发电的光照强度和
环境温度信息、储能系统的蓄电池容量信息以及微电网的常规负荷信
息；
S2：记录当前接入微电网的电动汽车的电池信息和客户充电需求
信息；
S3：根据步骤S1、S2获取的信息基于虚拟费用构建电动汽车集
群的NCD博弈模型；
S4：求解所构建的NCD博弈模型，以最大化利用光伏发电为目
的，获取电动汽车的最优充放电计划，以实现微电网内电动汽车的优
化调度。
进一步，本发明步骤S2中用一个七维行向量记录电动汽车的电
池信息和客户充电需求信息，假设接入微电网的电动汽车的总数为
N，对于任一电动汽车l∈{1,2,...,N}，则有：
Xl＝[Tin,l,Tout,l,S0,l,SE,l,Qs,l,Pc,l,Pd,l](1)
式中：
Tin,l、Tout,l分别表示电动汽车l接入微电网的时间和预期离开微电
网的时间；
S0,l、SE,l分别表示电动汽车l的电池的起始SOC(StateofCharge，
荷电状态，电池剩余能量与电池容量的比值)和离开微电网时客户期
望电池达到的SOC，0≤S0,l≤1、0≤SE,l≤1；
Qs,l表示电动汽车l的电池容量；
Pc,l、Pd,l分别表示电动汽车l的额定充、放电功率。
进一步，本发明所述步骤S3具体包括以下步骤：
S31.以所有接入微电网的电动汽车和微电网内储能系统的蓄电
池为博弈参与者，即决策主体U＝{1,2,...,N,N+1}，
构建任一博弈参与者i∈U的充放电计划模型；
对于博弈参与者之一的电动汽车l，其在全天J个时段内的充放
电计划可表示如下：
Pl＝(Pl(1),…,Pl(k),…,Pl(J))(2)
其中，Pl为电动汽车l的充放电计划；Pl(k)表示第k时段，电动
汽车l的充放电功率；
视电动汽车l的电池以恒功率充放电，忽略电池自身放电的影响，
建立电动汽车l的电池模型和约束条件分别如下：
Sl(k)＝Sl(k-1)+Pl(k)η(Pl(k))Δt/Qs,l(3)
SEV,min≤Sl(k)≤SEV,max(4)
-Pd,l≤Pl(k)≤Pc,l(5)
S 0 , l + Σ k = 1 J P l ( k ) η ( P l ( k ) ) Δ t Q s , l ≥ S E , l - - - ( 6 ) ]]>
其中：
式(3)是电动汽车l的电池模型，Sl(k-1)、Sl(k)分别表示电动
汽车l的电池在第k-1个和第k个时段的SOC，η(Pl(k))表示第k时段
的电动汽车l的充放电效率；
SEV,max、SEV,min分别为电动汽车l的电池的SOC的最大值和最小
值；
式(4)、(5)分别为电动汽车l的电池的SOC的约束和充放电
功率Pl(k)的约束；
式(6)表示客户充电需求的约束，即电动汽车l如约离开时，电
动汽车l的电池的SOC需满足客户期望；
微电网内储能系统的蓄电池是另一个博弈参与者，可视为一类无
充电负荷需求的特殊“电动汽车”，其充放电计划和约束条件可类比
于式(2)、式(4)～(5)；此外，储能系统的蓄电池需满足的等式
约束为：
Σ k = 1 J ( P B + ( k ) η B c + P B - ( k ) η B d ) Δ t = 0 - - - ( 7 ) ]]>
即全天J个时段内储能系统的蓄电池的总充、放电电量需相等以
满足充放电的循环，式中分别为储能系统的蓄电池的
充、放电功率；ηBc、ηBd分别表示储能系统的蓄电池的充、放电效
率；
S32.生成所有博弈参与者的策略空间，即生成所有博弈参与者的
充放电计划集合[P1,P2,…,Pi,…,PN,PN+1]，其中
Pi＝(Pi(1),Pi(2),...Pi(k),...,Pi(J))表示博弈参与者i在J个时段内充放电
计划的集合，Pi(k)表示博弈参与者i在第k个时段的充放功率；在生
成策略空间的过程中，除了考虑步骤S31中如式(4)～(7)所述的
博弈参与者的运行约束外，还应考虑微电网与地区大电网之间的关系
约束，主要包括：
P P V ( k ) + P g r i d ( k ) = L B ( k ) + Σ i ∈ U P i ( k ) - - - ( 8 ) ]]>
Pgridout≤Pgridout,max(9)
式(8)表示微电网与地区大电网之间的功率传输平衡约束，其
中，PPV(k)表示第k时段，高渗透率光伏发电系统的光伏发电输出功
率，Pgrid(k)表示第k时段微电网与地区大电网的交互功率，Pgrid(k)>0表
示微电网从地区大电网购电，Pgrid(k)<0表示微电网向地区大电网倒送
输电，LB(k)表示第k时段微电网的常规负荷；
式(9)表示微电网向地区大电网倒送输电的倒送功率约束，其
中，Pgridout表示微电网向地区大电网倒送输电的倒送功率，Pgridout,max为
倒送功率允许的最大值；
综上，对于任一博弈参与者i的策略空间ρi可表示为：
ρi＝{Pi|constraint(2),(4),(5),(6),(7),(8),(9)}(10)
式(10)表示博弈参与者i的策略空间ρi包括博弈参与者i在J
个时段内的充放电计划集合以及所要满足的约束(Constraint)条件：
式(2)、式(4)～式(9)；
S33.电动汽车和储能系统的蓄电池接入微电网后，计算博弈参与
者i在J个时段内获得的虚拟利益；首先计算所有博弈参与者i的总
虚拟利益：
γ a = Σ i ∈ U γ i = Σ k = 1 J [ γ ( L B ( k ) , k ) - γ ( L a ( k ) , k ) ] - - - ( 11 ) ]]>
式中：
γa表示总虚拟利益；γi表示博弈参与者i的虚拟利益；
γ(LB(k),k)＝σ(LB(k)-PPV(k))2表示第k时段的基本虚拟费用；
γ(La(k),k)＝σ(La(k)-PPV(k))2表示第k时段的总虚拟费用；其中，
表示第k时段微电网总负荷；
σ表示虚拟系数，且σ>0；
与实际电费不同，虚拟费用仅作为规划博弈参与者充放电计划的
依据，用以制定各博弈参与者的最佳充放电计划；对于任一博弈参与
者i的虚拟利益γi与博弈参与者i的充电需求以及负荷转移能力密切
相关，假设博弈参与者i的负荷转移能力与其电池容量正相关，则博
弈参与者i分享总虚拟利益的比例为：
ϵ i = κQ s , i - E n e e d , i Σ i ∈ U ( κQ s , i - E n e e d , i ) - - - ( 12 ) ]]>
式中，εi为博弈参与者i分享总虚拟利益的比例；Eneed,i表示博弈
参与者i的充电需求量；κ表示正相关系数；特别地，由于接入微电
网的电动汽车总数为N，因此当i∈{1,2,...,N}时，博弈参与者i指电动
汽车，Eneed,i≠0；当i＝N+1时博弈参与者i指储能系统的蓄电池，且
有Eneed,i＝0，Qs,i表示储能系统的蓄电池的配置容量；
根据式(11)和式(12)便可计算博弈参与者i的虚拟利益γi：
γi＝εiγa(13)
S34.建立用于度量博弈参与者i参与博弈后的成本或效益的效用
函数；定义博弈参与者i的虚拟利益γi为博弈参与者的效用函数，则
博弈参与者i在充放电计划集合[P1,P2,…,Pi,…,PN,PN+1]下的效用函数
Fi(Pi,Pi-)表示为：
F i ( P i , P i - ) = γ i = ϵ i σ Σ k = 1 J { [ L B ( k ) - P P V ( k ) ] 2 - [ L a - i ( k ) + P i ( k ) - P P V ( k ) ] 2 } - - - ( 14 ) ]]>
式中，Pi-＝[P1,P2,…,Pi-1,Pi+1,…,PN,PN+1]，表示除博弈参与者i之
外的其他所有博弈参与者的充放电计划集合；
表示第k时段微电网内除博弈参与者i
的负荷之外的其他负荷之和，其中τ表示除博弈参与者i之外的任一
博弈参与者；
S35.构建决策主体的NCD博弈模型，博弈模型中，所有博弈参
与者都是独立的决策者，各博弈参与者通过观察微电网的常规负荷、
光伏发电输出功率以及其他博弈参与者的充放电计划来确定自身的
最优充放电计划，以最大化虚拟利益；根据步骤S31～S34建立NCD
博弈模型如下：
GNCD＝{U,{ρi}i∈U,{Fi}i∈U}(15)
基于上述NCD博弈模型，所有博弈参与者均会在假定其余博弈
参与者都已选最优充放电计划的前提下选择能使其虚拟利益最大的
最优充放电计划，即
P i * ∈ argmax P i ∈ ρ i F i - - - ( 16 ) ]]>
其中，Pi*为博弈参与者i的最优充放电计划；
在NCD博弈模型中，如果对于博弈参与者充放电计划的其中一
个集合 P * = [ P 1 * , P 2 * , ... P i * , ... , P N * , P N + 1 * ] ]]>满足如下条件：
Fi(Pi*,Pi*-)≥Fi(Pi,Pi*-),Pi∈ρi,i∈U(17)
则称P*为该NCD博弈模型的纳什均衡，即P*为各博弈参与者
的最优充放电计划集合；其中Pi*-表示除博弈参与者i之外的其他所
有博弈参与者的最优充放电计划集合。
进一步，本发明所述步骤S4中，基于NCD博弈模型的电动汽
车的最优充放电计划求解过程具体如下：
(1)初始化电动汽车和储能系统的蓄电池的参数、第k时段配电网
常规负荷LB(k)信息和光伏发电输出功率PPV(k)；
(2)能量管理系统实时更新该时段的微电网总负荷La(k)，并分享
给所有博弈参与者；
(3)对于任一博弈参与者i∈U，其收到微电网总负荷La(k)信息
后，计算出并以最大化式(14)为目标计算得到Pi*；
(4)如果计算得到的Pi*与当前最优值比较发生变化，更新Pi*，并
将Pi*反馈给能量管理系统，转至(2)；
(5)重复步骤(2)～(4)，直至结果收敛(即Pi*不再发生变化)，输出最
优充放电计划Pi*；
为提高NCD博弈模型收敛至纳什均衡点的速度，步骤(4)中的各
参与者可采用异步更新方式，即所有参与者不在同一时刻更新其充放
电计划。
以某办公楼所在微电网为例验证本发明所述的电动汽车优化调
度方法的有效性。该微电网的光伏发电系统的装机容量为1500kW，
该地区年辐照度曲线如附图1所示，微电网年常规负荷曲线如附图2
所示；微电网日常规负荷曲线和三种典型天气下的日光伏出力曲线如
附图3所示。
相关参数设置如表1所示，由于本实施例针对办公楼区域微电网
进行能量调度，车辆接入时段为高峰电价时段，车主并不希望在该种
情况下为电动汽车补充能量，因此本实施例设SE,l＝S0,l,微
电网相关设备规格及价格参数如表2所示；办公楼区域峰谷电价如表
3所示。
表1参数设置
表2设备参数
表3办公楼区域峰谷电价
基于蒙特卡洛仿真方法模拟电动汽车的充电行为，根据所述的客
户日充电需求数据分布情况，随机抽取电动汽车的电池的初始SOC、
充电起止时间，根据本发明提出的优化调度方法，在Matlab中进行
建模、求解，得到几种典型配置方案下的光伏电利用率φPPUR、微电
网总等年值成本等微电网运行性能仿真结果，如表4所示。
表4几种典型配置方案下的微电网系统运行性能对比
表4中，倒送量和购电量分别指微电网向地区大电网的倒送量和
购电量；PV成本是光伏发电总等年值成本；储能成本指储能系统的
总等年值成本；Grid成本指微电网向地区大电网年购电成本，EV补
偿指为EV辅助服务年补偿费用；PV补偿指光伏年发电补贴；总成
本指微电网总等年值成本。
微电网总成本和φPPUR与储能系统蓄电池的配置量的关系如附图
4所示；从图中可以看出，微电网总成本曲线呈现“U”型，即随着储
能系统储能容量增加，微电网总成本先减少后增加，在储能容量达到
2200kW·h时，微电网经济性最优，总成本最低为186.19万元；另
一方面，随着储能容量增加，微电网内的光电利用率持续增加，呈现
单调向好趋势。
对比表4中情况1和情况2可以看出，尽管增加储能成本32.87
万元，情况2仍具有较好的经济性，总成本相比于情况1减少了11.28
万元；主要原因在于添加储能系统组成光储微电网后，弃光量减少，
φPPUR从74.67％增加到88.06％，从而使得微电网净出力减少，导致
向地区大电网购电成本减少25.95万元以及光伏发电补贴增加16.82
万元。
可见单一的分布式光伏发电系统增加储能系统组成光储微电网
后可以有效提高φPPUR和系统经济性，弃光问题得到有效的改善。
对比表4中情况2和情况3可以看出，在储能系统蓄电池配置量
相同情况下，接入有序控制下的EV集群，可以使微电网净出力和光
伏弃电量有所减少，使得向地区大电网购电成本减少11.11万元及光
伏发电补贴增加11.22万元；φPPUR由88.06％提高到97.00％；进一
步分析，可见EV集群改善微电网运行效果明显，在本发明设定的负
荷转移补偿价格下EV集群的补偿成本14.25万元，但微电网总成本
减少达10.72万元，可见EV集群的接入，能够有效提高φPPUR、降
低微电网总成本。
对比表4中情况2和情况4可以看出，在接入总数为20辆的EV
集群后，最优储能容量配置需求从2200kW·h降低至1200kW·h，
使储能成本减少14.86万元，情况4微电网总成本比情况2总成本减
少12.83万元；可见从经济性角度出发，V2G模式下EV的优化调度
可以有效减少微电网储能配置容量，进而获得更好的经济效益。
附图5为不同EV接入规模下系统总成本与储能配置容量的关
系；从图中可以看出，EV接入规模增加，最优储能配置需求减少，
系统总成本会进一步降低。附图6为不同EV接入规模下φPPUR与储能
配置容量的关系，同一电动汽车总数下，φPPUR随储能配置量的增加
而持续增大，直至光电被完全消纳时稳定；在光电饱和利用之前，相
同储能配置下，接入车辆总数越大，φPPUR越大。本说明书实施例所述
的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围不应
当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也包括
本领域技术人员根据本发明构思所能够想到的等同技术手段。