考虑环境温度与绩效奖惩机制的快充电站-光伏-储能系统分布网络联合规划

《Energy Conversion and Management-X》：Temperature-aware stochastic joint planning of fast charging stations and distributed energy resources capturing regulatory incentives

　　

研究人员提出了一种考虑环境温度依赖性资产模型与绩效奖惩机制(Penalty-Reward Model, PRM)的快充电站(Fast Charging Station, FCS)、光伏发电(Photovoltaic, PV)及储能系统(Energy Storage System, ESS)配电网联合规划两阶段随机混合整数线性规划(Two-Stage Stochastic Mixed-Integer Linear Programming, MILP)框架。为克服传统规划模型中假设设备额定参数不随环境温度变化的缺陷，该模型将环境温度对电动汽车(Electric Vehicle, EV)能耗系数βtωoCity、最大充电功率pˉjDch,ESS、充电机转换效率ηCh,City、ESS充放电效率及ESS老化退化成本因子FtωoDeg的影响显式嵌入运行约束中。不确定性通过vine copula方法生成太阳辐射辐照度、环境温度和电负荷的联合相依情景并按概率ρω缩减保留尾部依赖关系。Phase I先求解无新增设备的基准运行得到上游变电站期望购电量ESub与峰值功率对应能量EPeak，据此设定自给率(Self-sufficiency)与削峰(Peak Shaving)奖惩基准BaselineSuf与BaselinePeak。Phase II以含投资icCS、icPV、icESS、运维omc、ESS退化dgcESS减售电收入orvD、orvCS及PRM奖励rewSuf、rewPeak的总净成本最小为目标，决策FCS选址定容xjCS、njCS、PV单元数npPV、ESS配置xsESS及运行变量，受限于DistFlow潮流、FCS预设配置、EV车队流量与荷电状态(State of Charge, SoC)守恒、温度相关PV出力pptωoPV=PˉpPV·npPV·Gtωo/GSTC·[1+αPV(TtωoAmb-TSTC)]、ESS能量平衡与充放电互斥约束及奖惩分段线性化辅助变量(ySuf, xSuf, σSuf等)。算例结果表明所提温度感知规划较传统恒温假设方案显著增大ESS与PV容量以避免低温高EV能耗及高温效率衰减导致的供电不足，且在PRM激励下优先部署具备就地消纳与削峰能力的FCS-PV-ESS一体化节点，在不同气候分区具更强运行韧性与经济合理性。

论文解读：考虑环境温度与绩效奖惩机制的FCS-PV-ESS配电网联合规划研究

研究背景与意义

随着交通与能源部门脱碳化推进，电动汽车(Electric Vehicle, EV)及分布式能源(Distributed Energy Resources, DER)大规模接入，快充电站(Fast Charging Station, FCS)成为配电系统关键环节，但其高功率冲击引发电压偏差、变压器过载及峰谷差加剧。现有FCS-PV-ESS联合规划多假定设备运行参数（EV能耗、充电机效率、PV效率、ESS效率与寿命）不随环境温度变动，且目标函数忽略使投资行为契合系统级效益的监管激励机制(Performance-Based Regulation, PBR)，常用惩罚—奖励模型(Penalty-Reward Model, PRM)仅用于配网运行考核而未纳入规划决策。此外，随机规划常独立抽样或简单相关处理日照、气温与负荷，忽视其联合极端事件（冷阴天高供暖负荷等）。上述局限致规划结果在实际温度极值下容量不足或经济性偏差。本文发表于《Energy Conversion and Management: X》，提出温敏资产模型耦合PRM激励的两阶段随机规划框架，填补温度—监管双因素集成规划空白。

主要关键技术方法

研究人员采用两阶段随机混合整数线性规划(Two-Stage Stochastic MILP)：①用vine copula构建日照辐照度G_tωo、环境温度T_tωo^Amb与基础电负荷P_dtωo^D的联合分布并Fast Forward选择缩减情景(ρ_ω)；②Phase I以原网最小化购电成本求基准期望变电站受入电量E^Sub=Σ_i,t,ω,oρ_ωφ_oΔT·p_itωo^Sub及日峰值功率对应能量E^Peak=ΔT·Σ_i,ω,oρ_ωφ_oP_iωo^Sub,Peak，设奖惩触发点Baseline^Suf=E^Sub·(1-β^Suf)、Baseline^Peak=E^Peak·(1-β^Peak)；③Phase II决策变量含FCS二进制选址x_j^CS与配置选项u_jq^CS确定桩数n_j^CS=Σ_qu_jq^CSN_q^CS、PV单元数n_p^PV、ESS二进制安装x_s^ESS，运行变量含变电站注入p_itωo^Sub、DG出力p_gtωo^DG、支路潮流f_pl、节点电压v_ntωo、FCS总充电功率Σ_jp_jtωo^EV受温度折减pˉ_j^CS·F_tωo^Ch,Max、PV出力引入温度修正系数[1+α_PV(T_tωo^Amb-T_STC)]、ESS能e_stωo^ESS受充放效率η_Ch/Dch(T_tωo^Amb)与二次老化因子F_tωo^Deg=C^D(T_tωo^Amb)²+B^DT_tωo^Amb+A^D、EV城市池SoC动态含温度相关单车能耗E_Cons=β_tωo^City·D_City与温度降效充电效率η^Ch,City(T_tωo^Amb)，FCS-SoC守恒带到达soc_tωo^Ar,City与离开soc_tωo^Dep,City、行驶耗散soc_tωo^Con,City；④PRM奖励用big-M法引入连续y^Suf、二进制σ^Suf与辅助x^Suf线性化分段函数rew^Suf=IRR·min(max(0, Baseline^Suf-E_new^Sub), RCP^Suf-RP^Suf)，同理rew^Peak，无惩罚项。算例基于改进IEEE 33节点配网叠加典型城市场景交通OD矩阵，对比恒温模型、无PRM模型及不同β因子情形。

研究结果

1. Introduction（引言）

综述FCS-DER联合规划、温度效应与PRM监管文献指出三大缺口：未同时建模EV/充电器/ESS温变性能；忽略PRM货币化系统服务（自给与削峰）；忽视环境变量尾部相依性。本文贡献为温变物理模型嵌入两阶段随机规划及PRM奖惩内化。

2. Problem Formulation（数学模型）

分为Phase I基线计算与Phase II规划模型。Phase I以现存网最小化期望运行费得基准E^Sub、E^Peak及奖惩门槛。Phase II目标函数为min obj=ic^CS+ic^PV+ic^ESS+omc^Up+omc^CS+omc^PV+omc^ESS+omc^DG+dgc^ESS-orv^D-orv^CS-rew^Suf-rew^Peak。约束含DistFlow节点功率平衡、DG/线路/电压限值、FCS离散配置（每站选一种桩数组合u_jq^CS，x_j^CS≤n_j^CS≤Nˉ_j^CSx_j^CS）、EV流量n_tωo^City递推与SoC池soc_tωo^City温度修正更新、PV温度折减出力、ESS能平衡e_s(t+1)ωo^ESS=e_stωo^ESS+η_Ch(T)p_stωo^Ch,ESSΔT-p_stωo^Dch,ESSΔT/η_Dch(T)与SOC上下界、充放互斥二进制、PRM奖励线性化辅助约束。

3. Numerical Analysis（算例分析）

基于某城市四季典型气象与交通数据，在IEEE 33节点系统测试。(a)温度感知模型在-10℃工况强制放大ESS容量18%并增配PV以应对EV单位里程能耗升35%及充电功率为额定60%；(b)引入PRM(β^Suf=0.15, β^Peak=0.10)使净现值降低约12%且引导FCS选址靠近高PV渗透节点实现就地消纳；(c)vine copula情景相较独立抽样低估极寒阴雨天风险，前者规划容量富余度提升9%。多气候带对比显示温变模型在寒冷地区节约全寿命周期惩罚支出最显著。

4. Conclusions（结论）

研究人员证实：①将环境温度对EV能耗β_tωo^City、DC快充功率上限pˉ_j^CS折减因子F_tωo^Ch,Max、充电机效率η^Ch,City(T)、PV温系α_PV及ESS退化F_tωo^Deg(T)显式耦合入两阶段随机MILP，可避免传统恒参规划在极端天气的容量失配；②嵌入基于基准性能改善因子的单侧PRM奖励机制(rew^Suf, rew^Peak)使投资方主动选择具高自发自用率与削峰贡献的FCS-PV-ESS协同站点， aligning private CAPEX/OPEX with DSO operational targets；③vine copula生成保留日照—温度—负荷尾部相依性的情景集较独立抽样更贴合复合应力事件真实分布，提升规划鲁棒性。本框架适用于多气候区配网FCS-DER协同扩建决策。

总结讨论

本文提出并验证了温度感知联合规划范式，证明在配网FCS-PV-ESS扩容决策中纳入环境温度物理效应与监管绩效激励可产出兼具技术充裕性与经济合规性的方案，为未来智能充电微网规划提供理论依据。后续可拓展至多类型EV电池温度特性差异化及动态电价下PRM时变参数校准。