《Energy Strategy Reviews》:Strategic energy management of renewable-integrated EV charging and battery swapping systems for resilient distribution networks under uncertainty
编辑推荐:
摘要翻译(基于上传文本的摘要性核心内容):研究人员开发了一个统一的分布鲁棒多目标框架,用于可再生(Renewable)能源集成的电动汽车(EV)充电与电池更换系统;提出了在全交流(AC)潮流约束下的电动汽车充电站(EVCS)—电池更换站(BSS)集成调度,以支
摘要翻译(基于上传文本的摘要性核心内容):研究人员开发了一个统一的分布鲁棒多目标框架,用于可再生(Renewable)能源集成的电动汽车(EV)充电与电池更换系统;提出了在全交流(AC)潮流约束下的电动汽车充电站(EVCS)—电池更换站(BSS)集成调度,以支持可靠且高效的配电网运行;引入了故障感知韧性建模与未供能量(Energy Not Supplied, ENS)最小化,以提高故障期间的可靠性;将碳排放最小化与Jain公平指数(Jain’s fairness index)相结合,以实现可持续且公平的EV能量分配;提出了具有自适应自调谐(adaptive self-tuning)和Lévy飞行(Lévy flight)的AST-COA,以提高收敛性、鲁棒性和可扩展性。
研究背景方面,交通电气化被视为缓解全球变暖、降低化石燃料使用和促进可再生能源利用的重要途径,电动汽车(EV)因零排放和能效优势快速普及,并可通过车辆到电网(Vehicle-to-Grid, V2G)为电网提供支撑。但高功率、随机性EV充电负荷对原本未按此类负荷设计的配电网造成馈线/变压器过载、设备磨损、电压偏差、网损增加和电能质量下降,径向配电网(Radial Distribution System, RDS)运行自由度更低,问题更突出;V2G在可再生富余和本地低需求时还可能引起反向潮流,增加电压控制与保护难度。高比例可再生能源(Renewable Energy Sources, RES)尤其是光伏(PV)和风电(WT)又带来供给不确定性,与动态充电需求失配形成风险管理挑战。电池更换站(Battery Swapping Station, BSS)可解耦充电时间与行驶时间、提升用户便利性,但EVCS与BSS缺乏协调会增加充电过程复杂性。线路停运和设备故障等 contingency 还会造成未供能量(Energy Not Supplied, ENS),降低可靠性和用户满意度;同时碳减排和EV充电资源公平分配也需纳入。现有研究多分散于EV充电、可再生集成、BSS、韧性或分布鲁棒优化(Distributionally Robust Optimization, DRO)等单一侧面,缺少在交流(AC)潮流约束下同时协调EVCS–BSS、V2G、电池储能系统(Battery Energy Storage System, BESS)、可再生不确定性、韧性、碳排放和公平性的统一框架。因此,研究人员开展本研究的核心不是单一技术组件创新,而是将既有组件在数学上集成为统一的AC约束DRO多目标优化问题,并在不确定和故障条件下进行协调调度。该研究发表于《Energy Strategy Reviews》。
关键技术方法不超过250字:研究人员构建DRO ambiguity set,利用经验均值、协方差和 bounded support 表征PV、WT和EV需求不确定性;采用Monte Carlo生成相关场景,并以Fast Forward场景削减获得代表性场景;在完整AC潮流约束下建立EVCS、BSS、V2G、BESS、RES和电网协调的多目标优化模型,目标涵盖网损、电压偏差、碳排放、ENS、换电服务短缺、运行利润和Jain公平指数;采用自适应自调谐猎豹优化算法(Adaptive Self-Tuning Cheetah Optimization Algorithm, AST-COA),结合自适应参数、多样性反馈、Lévy flight、自适应惩罚、可行性支配和修复机制求解;验证采用IEEE 69-bus RDS,未涉及样本队列来源。
研究结果方面:4.1 实验设置与测试系统描述:研究人员在IEEE 69-bus RDS(12.66 kV、100 kVA、69节点68线路)中配置PV、WT、BESS、EVCS和BSS,设置24 h逐时调度、可再生与EV需求不确定性及线路9–10故障情景,通过该测试系统评估框架。4.2 场景设计与系统级性能:4.2.1 场景设计与不确定性表示:构建Case 1 nominal、Case 2高可再生与高EV需求、Case 3馈线故障、Case 4最坏组合场景,通过DRO ambiguity set和场景评估检验最坏期望性能。4.2.2 跨场景系统级性能:通过四场景对比得出,Case 1网损最低且公平性最高,Case 2碳减排最高但损耗略增,Case 3通过V2G和BESS协调将ENS控制在0.97 MWh,Case 4网损和公平性压力最大但电压仍可接受。4.2.3 比较性能摘要:通过汇总指标得出框架在效率、环境与公平间取得折中,故障下仍保持服务连续性。4.2.4 Pareto权衡解释:通过非支配解分析得出利润、韧性、可再生利用和公平性之间存在工程权衡,Pareto前沿可作为运行决策支持。4.2.5 基础设施层面分析:通过电池库存动态分析得出持续高需求下电池库存耗尽成为换电服务短缺的主要瓶颈,而非电网约束。4.3 多维性能分析:4.3.1 多目标性能:通过24 h MOF比较得出Case 1稳定最低、Case 3故障时段升高后恢复、Case 4最高但仍在可接受范围。4.3.2 电压稳定性评估:通过最低母线电压分析得出Case 1/2高于0.96 p.u.,Case 3故障时降至0.944 p.u.,V2G和BESS支撑防止进一步下降。4.3.3 环境影响:通过碳排放比较得出Case 2最低、Case 4最高,日间可再生高时排放低、夜间电网依赖增加时排放高。4.3.4 公平与韧性评估:通过Jain公平指数和故障响应得出Case 1公平性最高,Case 3故障时暂降后恢复,Case 4最低但可接受,Case 3体现V2G/BESS协调韧性。4.4 算法性能与统计验证:4.4.1 Pareto前沿分析:通过与PSO、GWO、DE和COA比较得出AST-COA的Pareto前沿支配对比算法。4.4.2 收敛性能:通过迭代收敛比较得出AST-COA收敛更快且最终目标值更低。4.4.3 统计验证:通过30次运行、HV、IGD、Wilcoxon秩和检验和Friedman排序得出AST-COA的HV最高(0.842±0.012)、IGD最低(0.021±0.004)、差异显著且平均秩最优(1.32)。4.5 基线与消融验证:通过确定性、随机和逐项去除协调、V2G、公平、韧性目标的消融得出完整框架网损2.56 MWh、ENS 0.97 MWh、碳减排24%、Jain指数>0.92、MOF 0.247,说明改善来自集成协调而非仅算法。4.6 敏感性与可扩展性分析:4.6.1 EV与可再生渗透敏感性:通过25%–150% EV渗透和50%–200%可再生渗透分析得出EV渗透提高使网损由2.30升至3.11 MWh但最低电压仍>0.953 p.u.,可再生渗透提高使电网输入和排放下降,但200%时弃电达5.1%。4.6.2 计算可扩展性分析:通过种群规模30–100的收敛分析得出增大种群改善多样性和MOF但增加计算成本,70/100表现更稳定。
讨论与结论部分,原文指出该框架在IEEE 69-bus系统24 h验证中实现网损2.56 MWh、最低母线电压0.944–0.965 p.u.、碳减排约24%、Jain公平指数>0.90;线路9–10故障下通过V2G和BESS协调将ENS降至0.97 MWh;AST-COA取得HV 0.842和IGD 0.021,重复运行统计表现一致。结论翻译/浓缩为:研究人员提出了面向径向配电网中可再生集成EVCS和BSS协调运行的分布鲁棒且韧性感知多目标优化框架,联合考虑可再生和EV需求不确定性、EVCS–BSS协调、V2G和BESS运行、AC潮流约束、韧性、碳排放和充电公平;方法贡献在于将既有模型集成为单一AC约束DRO框架并联合优化,基线与消融表明性能提升来自协调集成;Pareto解为运行人员提供技术、经济、环境、韧性和公平之间的权衡方案。重要工程发现是电网可行性并不保证BSS服务质量,持续高需求下电池库存耗尽是主要运行瓶颈,因此智能调度需与电池库存规模、充电容量和补充策略配合。结论也指出DRO性能依赖ambiguity set构建与校准,较大系统下AST-COA需更多计算和参数调节,验证限于IEEE 69-bus系统、假设EV和可再生曲线以及代表性单一馈线故障情景,未来需在更大系统、真实数据、多重故障、计算效率和实际通信/硬件在环条件下扩展。作者包括 T. Yuvaraj、Rampelli Manojkumar、R. Vijayakumar、Wesley Jeevadason Aruldoss、Mohit Bajaj、Vojtech Blazek、Lukas Prokop。