相关论文：
-
-
全球能源互联网
第9卷 第1期 2026年01月；页码：160-170
考虑碳交易市场的电动汽车虚拟电厂优化策略
Consider the Optimization Strategy of Virtual Power Plants for Electric Vehicles in Carbon Trading Markets
- 1.上海工程技术大学电子电气工程学院，上海市 松江区 201620
- 2.桂林电力电容器有限责任公司，广西壮族自治区 桂林市 541001
- ZHANG Wenhu1, LI Donghao2, WEI Yunbing1* (1. School of Electronic and Electrical Engineering, Shanghai University of Engineering Science, Songjiang District,Shanghai 201620, China
- 2. Guilin Power Capacitor Co., Ltd., Guilin 541001, Guangxi Zhuang Autonomous Region, China
关键词
Keywords
摘 要
Abstract
虚拟电厂是电网分布式能源管理的重要解决方案，可以有效地应对能源就地消纳、分布式能源产生的不确定性问题。考虑参与碳交易可以提高整体收益，以及电动汽车接入虚拟电厂带来的各主体利益的冲突问题，提出了考虑碳交易市场的电动汽车虚拟电厂优化调度策略，虚拟电厂对分布式能源进行整合，同时对风光出力的不确定性进行处理，以虚拟电厂的整体利益最大作为目标函数，设计碳配额和分时电价双重激励，激励电动汽车用户更好的参与虚拟电厂制定的调度策略。算例分析表明，虚拟电厂通过整合电动汽车等多样化资源，并参与碳排放交易市场，能有效促进系统减少依赖传统燃煤发电机组，还可以通过向碳交易市场出售碳配额，增加系统整体收益。
Virtual power plants (VPPs) serve as a critical solution for the management of distributed energy resources within the power grid, effectively addressing the issues of local energy consumption and the uncertainties brought by distributed energy sources. Considering the participation in carbon trading can enhance overall benefits, as well as addressing the conflict of interests among various entities due to the integration of electric vehicles (EVs) into VPPs, this paper proposes an optimized scheduling strategy for EVs within a VPP framework that entails carbon trading. The strategy aims to consolidate distributed energy resources while managing the variability in wind and solar power outputs, with the primary objective of maximizing the VPP’s overall benefits. A dual-incentive scheme combining carbon quotas and time-of-use electricity pricing is designed to encourage EV owners to align with the VPP’s scheduling strategy effectively. Numerical analyses indicate that VPPs,by integrating diverse resources such as EVs and participating in carbon emission trading markets, can significantly mitigate reliance on conventional coal-fired power units and, by selling carbon credits, enhance the system’s total revenue.
0 引言
在实现“双碳”目标的过程中，中国将致力于构建一种以新能源为主要来源的电力系统，新型电力系统具备高比例可再生能源的特点，这种特点要求电力系统具有更大的调节潜力。为保障新型电力系统的稳定性以及可靠性，需要充分挖掘需求侧分布式能源，重点发挥虚拟电厂（virtual power plant，VPP）需求响应能力[1-6]。分布式能源（distributed energy recourse，DER）和电动汽车（electric vehicle，EV）[7]的引入能够在减少CO2排放的同时能够节省化石能源。然而，这种新型电力系统的建设面临着许多风险和挑战[8-10]。电动汽车具备可控性和空间移动性，同时具备柔性负荷和储能的双重特性[11-16]，这种特性使电动汽车具有了可以实现新能源消纳，降低网损和抑平负荷波动的能力。虚拟电厂可以将电动汽车和分布式能源等聚合在一起[17-20]，以实现借峰调频、促进新能源消纳等功能，从而实现电网、虚拟电厂和电动汽车三方利益的统筹兼顾。
由于全球范围内温室气体减排要求，碳交易机制的引入赋予了碳配额经济价值。针对电动汽车与电网互动问题，国内外研究已经有碳交易机制引入电力系统优化当中。例如，文献[21]结合了碳交易市场，采用阶梯碳价的方式定价，降低了用户的用电成本。文献[22]考察了碳配额政策对于电动汽车使用者成本影响的作用。文献[23]制定了分时电价激励策略，提高了用户参与微电网调度的积极性。
目前虚拟电厂参与电力系统运行的问题研究，主要集中于虚拟电厂的构成、内部资源的协调以及特定运行环境下的优化策略，例如文献[24]构建了包含光伏、风电、储能系统的虚拟电厂模型，并求解最优运行优化策略，减少用户的用电成本。文献[25-27]建立包含EV的虚拟电厂模型，利益电动汽车的储能特性，降低系统的投入成本。文献[28]研究了用户侧需求响应约束的虚拟电厂两阶段优化调度问题。
可以看出目前绝大多数研究仅考虑虚拟电厂内部资源调度的优化[29]，仍存在电力市场与碳交易市场相对独立运行，多方利益主体的利益存在冲突，不能充分发挥电动汽车的双向调节作用，对可再生能源出力的不确定性处理的问题。
针对上述问题，以及虚拟电厂和电动汽车的属性，本文提出了一种考虑参与碳交易市场的电动汽车虚拟电厂调度优化策略。首先，虚拟电厂作为聚合商，将微型燃气轮机、分布式能源、储能系统、电动汽车通过虚拟电厂联系在一起，参与电网购电、售电和碳交易市场，并制定满足自身以及电动汽车用户利益的优化电价。电动汽车用户则根据虚拟电厂聚合商的优化分时电价参与虚拟电厂调度。其次，利用电动汽车可移动、可以储能的特性，构建虚拟电厂聚合电动汽车的优化模型。最后，算例分析结果表明，通过虚拟电厂聚合电动汽车参与碳交易市场，可以做到促进电网稳定运行，在多方利益矛盾冲突中可以满足多方利益最大化。
1 虚拟电厂系统结构分析
虚拟电厂是一种整合多种能源的系统，并实现各个子系统的优化调度与协调计划，实现系统的经济优化[30-33]。虚拟电厂将分布式电源、电动汽车等组成部分进行整合。电动汽车用户通过向虚拟电厂提出购电需求量，签订充电协议，从而获得更加优惠的购电价格。虚拟电厂通过历史新能源出力数据进行场景生成和场景削减，采用概率最大的场景作为风光发电预测数据，根据预测的数据，制定满足内部常规负荷用电需求和运行成本最低的出力优化策略。次日，虚拟电厂通过光伏、风电的实际出力调整燃气轮机出力、储能充放电和电动汽车调度策略。电动汽车用户根据虚拟电厂提供的优化电价进行调度。最后，在碳交易市场出售未使用的碳配额和电动汽车用户转让的碳配额，获得最佳利益。具体框架模型如图1所示。
图1 系统结构框图
Fig. 1 System structure diagram
在双层优化模型中，上层模型以虚拟电厂为博弈过程中的领导者，负责电网、电动车用户的的功率交换，分布式能源的不确定性处理，以自身利益最大化为目标函数，并指定满足多方利益的优化电价；下层调度模型以电动车用户的充电需求、行驶习惯建立模型，并将自身的充放电行为反馈给上层，为博弈中的跟随者。
2 基于虚拟电厂的含EV的优化调度策略
2.1 碳交易市场计算方案
为实现减少碳排放的目标，各国目前都在积极推动碳交易市场建设，通过交易碳排放权来实现调控和减少碳排放量。碳交易是一种通过将碳排放量转化为商品，并允许进行买卖的交易机制。具体流程图如图2所示。
图2 虚拟电厂碳交易流程图
Fig. 2 Carbon trading process diagram for virtual power plants
虚拟电厂可以根据各个单位提供的发电数据向环境管理部门申请免费的碳配额，当碳排放量低于分配的碳排放量可以向碳交易市场出售碳配额盈利，反之则需要向市场购买碳配额。由于参与碳交易市场，电动汽车、光伏发电与风力机组的环保价值得到量化，收益增加，相反传统火电机组的发电成本增加，虚拟电厂为了寻求最佳的利益，会更趋向于使用清洁能源发电，减少对火电机组的使用，从而能够促使新能源消纳。
2.2 虚拟电厂各个部分碳配额计算
针对国内目前情况，碳配额申请方法主要有两种：基准线法和历史法。本文采用基准线法来确认各个部分碳配额。微型燃气轮机组在t时刻获得的碳配额如下：
式中：DMF(t)为微型燃气轮机组在t时刻分配的免费碳配额；ω为t时刻碳排放分配的碳配额系数；PM,i(t)为t时刻微型燃气轮机i的发电量。微型燃气轮机的碳交易成本以及所需的总碳配额如下：
式中：DM(t)为t时刻微型燃气轮机所需要的总碳配额，当其为正值时，需要从碳交易市场购买配额，当其为负值时则可以向碳交易市场出售配额赚取利益；Eth为燃气轮机组单位电量的碳排放因子；CM(t)为碳交易利润；qth为碳交易的单位价格。
光伏和风电的特点是零碳排放，它们被视为碳市场中的可再生能源项目，是虚拟电厂与碳交易市场交互的主要利益来源。因此，在实际操作中，对于虚拟电厂的主体，通常会直接按照所有机组的发电量发放碳排放配额。这样的做法简化了碳市场的管理和监测，同时也有利于更广泛地促进可再生能源的发展和利用。光伏与风电的碳配额如下：
向电网购电的碳配额：
式中：Db(t)为电网购电碳配额；Pb(t)为电网购电电量。
EV的碳排放属性可以从两个维度进行分析：EV充电造成的碳排放量以及EV能够产生的碳配额。因EV充电需要的电能由虚拟电厂提供，所以EV在充电过程中产生的碳排放量已被包括在虚拟电厂的碳排放统计中。电动汽车的碳配额如下：
式中：s为汽车行驶的里程数；Dev1为传统燃油车行驶单位里程数所产生的碳排放量；ωe为电动汽车消耗单位电量所产生的碳排放量；Ie为电动汽车行驶单位里程数的耗电量。
2.3 电动汽车行为模型
根据美国交通部私家车出行报告，可得出电动汽车的出行规律。已有研究表明，行驶里程、并网时间、离网时间的分布函数均满足正态分布[34-35]：
式中：t1、t2为并网、离网时间；µ0、µ1、µs为期望；σ0、σ1、σs为标准差。
2.4 VPP不确定性处理
在虚拟电厂中，基于概率距离的场景生成与削减方法被广泛用来处理调度资源的不确定性。本文通过采用蒙特卡罗法来解决不确定性源的随机特性。利用历史数据作为样本，生成符合这些特性的场景。并使用曼哈顿距离来衡量场景间的几何距离，从而评估它们的相似度。通过计算概率距离矩阵，筛选出两个与其余场景的概率距离之和最小的待削减场景，将这两个场景进行削减并合并成一个新场景。通过重复执行这一削减过程，最终得到一组经过削减后的k个场景（k为任意正整数），以及每个场景经削减后对应的概率。
本文使用场景生成与削减法利用历史数据处理风光出力的不确定性，得到场景与对应场景概率，并得出等效的风光出力。
2.5 双重激励模型
在不考虑碳交易时，虚拟电厂仅作为聚合商聚合电动车，但是，电动汽车和虚拟电厂是两个不同的利益主体，都追求各自的利益最大化，产生利益矛盾。为了使多边利益最大化，发挥电动汽车灵活、方便调度的特点，本文通过VPP调度EV用户，并实施分时电价和碳配额奖励双重激励政策。在保证系统整体利益的前提下，充分利用分时电价和碳配额奖励的激励作用，引导电动汽车用户按照优化策略调度，避免弃风弃电现象，并提高用户有序充放电的积极性。
3 考虑双重激励的VPP优化调度模型求解
3.1 虚拟电厂收益及目标函数
虚拟电厂聚合多种资源，主要的收益构成为：向电网出售电量的收益、向电动汽车用户提供充电服务并从中获取的收入、将拥有的多余的碳排放配额放在碳交易市场上出售的收入。具体公式如下：
式中：CG为在一个交易周期内的电网市场售电收入；CC为碳交易市场碳配额交易收入；CEV为电动汽车充电向VPP购电收益；Csell为上级电网市场制定的售电价格；PG(t)为t时刻系统向电网售电的功率；DZ(t)为t时刻虚拟电厂所持有的总的碳配额；Pev.i(t)为第i辆电动汽车在t时刻的充放电功率，当其为正值时为充电，相反当其为负值时为放电，此处只考虑充电。
系统的成本主要为：燃气轮机在发电过程中产生的材料、劳动力成本和发电过程中产生的碳排放成本、VPP运营中所面临的各种风险的相关成本、电动汽车储能成本。B代表系统中不同部分的运行成本。
具体公式如下：
式中：BPV为光伏发电成本；BPW为风力发电成本；BMT为燃气轮机成本；BMT,R为燃气轮机运行成本；BMT,C为燃气轮机碳排放成本；BEV为电动汽车成；aMT、bMT、cMT为燃气轮机运行发电成本系数。
由于光伏和风电的出力在VPP中占比较低，为简化运算，本文忽略光伏电源与风力发电的运行成本。
虚拟电厂为领导者，引导下层电动汽车用户充放电，追求系统利益最优，以自身收益最大化为优化目标。即：
EV为跟随者，根据虚拟电厂根据碳配额激政策制定的分时电价合理调整自己的充放电时间，以自身的成本最低为目标函数。即：
3.2 约束条件
1） 燃气轮机出力约束。
式中：PM.min和PM.max为燃气轮机的理论出力下限和上限；ε1和ε2为机组向下和向上的爬坡率。
2）风电机组出力约束。
式中：PPW.max为风电机组的出力最大值。
3）光伏机组出力约束。
式中：PPV.max为光伏机组的出力最大值。
4）EV约束与储能系统约束
式中：PEV.max为电动汽车在系统中充放电时的最大功率；SOCEV.i(t)为第i辆电动车t时刻的电动车蓄电池电量；SOCEV.i.max和SOCEV.i.min为电动汽车的电池电量最大值和最小值；PES.max为储能系统在系统中充放电时的最大功率；SOCES(t)为t时刻的储能系统电池电量；SOCES.min和SOCES.max为储能系统电量最大值和最小值。
5） 功率平衡约束。
式中：PEV.i.s(t)和PEV.i.c(t)代表第i辆电动车在t时刻的向虚拟电厂的售电和充电功率；Pdb(t)为t时刻向电力市场购电；Pds(t)为t时刻向电力市场的售电；PEload为系统用户基础负荷。
3.3 模型求解
本文构建的目标函数为虚拟电厂系统收益最大化问题，目标函数转换后为典型的混合整数非线性规划模型，采用MATLAB中的YALMIP工具箱Cplex求解器进行求解，并利用改进粒子群算法实现动态博弈电价，来进行求解主从博弈优化调度模型。主从博弈优化模型中，每个电价粒子被看作一个智能体，它参与下层的电动汽车模型，以引导电动汽车充放电功率种群朝着用户成本最小化的目标靠近。然后，通过返回的充放电功率，在上层的聚合商模型中寻找运营利润最大的粒子适应度函数值。接下来，根据预先设定的参数，根据电价粒子的速度和位置进行更新，利用博弈过程构建出合理的组合策略。通过不断迭代和博弈过程，找到最优的电价粒子组合策略，实现优化模型的目标。
4 算例分析
4.1 参数设置
以1台微型燃气机组、1个风电机组、1个光伏机组、1个储能系统、虚拟电厂基础负荷用户以及100辆电动汽车组成的虚拟电厂为例，来验证本文策略的有效性。其中燃气轮机机组的最大出力和最小技术出力分别设置为500 kW和100 kW，碳排放系数为0.98 kg/kWh，微型燃气轮机组的运行成本系数a、b、c分别为0.001 65元/kWh，0.215元/kWh，0.1元/h。储能系统的容量为2000 kWh，最大充放电功率均为800 kW。
对于电动车而言，本文将500组电动汽车数据进行聚类分成3类，每类电动车的参数如表1所示，本文不考虑快充情况。碳配额的相关参数详情见表2，电网购电售电电价见表3、表4。
表 1 电动汽车参数
Table 1 Electric vehicle parameters
EV类型 最大充放电功率/kW 电池容量/kWh 初始电量/kWh EV1 6 40 15 EV2 6 32 16 EV3 6 24 12
表 2 碳配额相关参数
Table 2 Carbon quota related parameters
碳配额相关参数 数值大小单位电量所分配的碳配额/ （kg·kWh-1） 0.79燃油车行驶产生的碳排放量/ （kg·km-1） 0.209 7 0.15 0.79 0.08 1.2 0.4电动汽车每公里平均耗电量/ （kWh·km-1）EV单位电量的碳排放量/ （kg·kWh-1）单位碳排放权在市场售价/ （元·kg-1）系统功率不平衡电网购电/ （元·kWh-1）系统功率不平衡电网售电/ （元·kWh-1）
表 3 电网分时购电电价
Table 3 Time of use electricity purchase price of the power grid
具体时段 电价/ （元·kWh-1）1,2,3,4,5,6,7,23,24 8,9,10,11,15,16,17,18 12,13,14,19,20,21,22 0.4 0.75 1.2
表 4 电网分时售电电价
Table 4 Time of use electricity price of the power grid
具体时段 电价/ （元·kWh-1）1,2,3,4,5,6,7,23,24 8,9,10,11,15,16,17,18 12,13,14,19,20,21,22 0.2 0.4 0.6
本文新能源主要考虑光伏和风力发电，采用2.4节所介绍方法进行算例场景生成与削减，初始数据参数[36]。各个场景的概率如图3所示。
选择最大概率典型场景作为算例场景，得出的等效新能源出力曲线如图4所示。
图3 各个场景概率图
Fig. 3 Probability maps for each scenario
图4 新能源日出力等效曲线
Fig. 4 Equivalent curve of daily output of new energy
图5 电价曲线
Fig. 5 Electricity price curve
4.2 仿真结果分析
4.2.1 VPP在不同场景下的调度对比
为说明体现本文所提出的模型具有良好的经济效益与环保特性，设置了6种情况进行算例分析对比，场景1为本文策略。
场景1：虚拟电厂参与碳交易，且电动汽车采用双重激励调度策略。
场景2：考虑电动汽车参与虚拟电厂调度策略，但不考虑碳市场交易利益。
场景3：仅考虑虚拟电厂自身交易利润，与自身系统碳配额参与碳交易市场利润，但不考虑电动汽车用户参与虚拟电厂调度。
场景4：虚拟电厂参与碳交易，但对于电动汽车用户并不采用虚拟电厂系统优化电价，采用电网电价。
场景5：增加新能源出力占比，设置为2个风电机组、2个光伏机组，系统其他组成成分不变。
场景6：仅不考虑储能系统，系统其他组成成分不变。
1）虚拟电厂对电动汽车用户的优化电价。
虚拟电厂在参与电网市场时，由于其可控制的资源有限，很难对电网交易价格造成影响，因此电交易市场给出的买电电价与售电电价作为优化电价的上下限，在这个包络线内制定优化电价策略，为博弈的双方同时提供比电网交易价格更能获利的优化电价，在图5中为场景1的优化电价。可以看出在虚拟电厂需求量大的时刻00:00—07:00和09:00—11:00，需要将优化电价提升到上限；同样在12:00和18:00—22:00虚拟电厂需求量大的时刻出现了峰值。而在虚拟电厂需求量小的时间段则降低电价，从而实现利润的最大的目标，而优惠的电价同时激励了电动汽车用户积极参与调度策略，提升了虚拟电厂的自身收益。
2）虚拟电厂能量交换分析。
图6为场景1中电动汽车与储能系统的充放电量图，如图6所示，由于电动汽车用户的出行习惯和汽车电池容量的不同，充电和放电功率之间存在明显的差异。但也有相同之处，大多数用户在虚拟电厂给出的优化电价策略下，在电价较低的时段进行充电，在电价较高的时刻进行电动汽车放电，同时弥补风力和光伏发电出力的不足。然而，鉴于电动汽车的电池容量有限，虚拟电厂有时需要在电价较低的时段给电动汽车充电，并充分利用电动汽车的储能特性，在电价较高的时段进行放电，以获取更高的收益。
图6 充放电功率曲线
Fig. 6 Charging and discharging power curve
3）电动汽车参与虚拟电厂调度的影响。
场景3与场景1、场景2的VPP出力对比曲线如图7所示，可以看出场景1与场景2的总输出功率明显低于场景3，可以看出，由于EV的柔性负荷储能作用，参与虚拟电厂调度可以有效降低虚拟电厂总出力的峰值。
4）参与碳交易可行性。
为证明虚拟电厂参与碳交易市场的合理性以及经济性，对比分析场景1与场景2的情况。两种场景下的燃气轮机出力情况如图6所示。由图6分析可以得出，参与碳市场对于减少燃气轮机发电量具有促进作用。通过参与碳市场，虚拟电厂需要购买排放配额来弥补其碳排放量，这意味着需要减少碳排放或采用清洁能源来降低碳排放。因此，虚拟电厂减少了燃气轮机的发电，以减少碳排放并符合碳市场的要求，并为可持续能源发展和碳减排目标做出了积极的贡献。
图7 场景出力曲线
Fig. 7 Scenario power output curve
4.2.2 VPP在不同场景下的经济效益对比
不同场景下的经济效益对比如表5、表6和表7所示，系统的主要收益来源是通过电能市场售电所获得的收入，而主要的成本则是由燃气轮机的发电成本构成。
表 5 不同场景收支对比
Table 5 Comparison of revenue and expenditure across different scenarios
元
收支 场景1 场景2 场景3电力市场销售收入 2 703.8 2 724.5 2 763.9系统碳配额收入 662.5 0 619.9向电动汽车售电收入 861.0 902.3 0燃气轮机发电成本 911.4 931.9 909.2燃气轮机碳排放成本 192.2 0 191.8储能成本 32.1 32.1 44.8电力市场买电成本 721.5 721.5 405.4
根据表5与表6的总结对比，可以看出场景1中碳交易收入占总体收入的19.8%，场景3碳交易收入占总体收入的23.3%，可见，参与碳交易市场对于提升虚拟电厂整体的财务收益具有积极作用。
表 6 不同场景利润对比
Table 6 Comparison of profit in different scenarios元
利润 场景1 场景2 场景3碳交易利润 470.3 0 428.1电力市场利润 1 899.8 1 941.2 1 404.5总利润 2 370.1 1 941.2 1 832.6
在场景1和场景2的对比中，两个场景下虚拟电厂的收益构成表现出明显差异。场景1之所以收益优于场景2，关键在于虚拟电厂将电动汽车所获得的碳配额及系统自身的碳配额输入碳市场进行交易，由此获取额外的利润。在虚拟电厂参与碳市场之前，其在电能市场的售电收入较高。然而，由于参与碳市场导致燃气轮机的出力减少，并在一定程度上增加了不平衡电量，进而增加了成本，导致VPP在电能市场的售电收入相对较低。尽管如此，VPP通过参与碳市场获得了额外的收益，从而提高了整体收益水平。
由场景1与场景3对比可知，场景3缺少电动汽车储能带来的效益。由于缺乏电动汽车作为储能的调节能力，VPP在场景3中损失了一定的收益——这包括出售电能给电动汽车用户和通过代理电动汽车参与碳交易所获得的利益。显然，如果没有电动汽车的储能参与，场景3的经济表现不如预期，电动汽车的储能作用对于增加虚拟电厂收益有着积极作用。
根据表7，由场景1与场景4对比可知场景1系统利润高于场景4，主要原因是，场景4中未对电动汽车用户实施优化的分时电价策略，而是依照电网标准电价对电动汽车进行充放电。这导致电动汽车用户未能按照系统的最优化策略行动，从而缩减了系统通过售电给电动汽车用户获得的收入。由此证明，实施分时电价激励策略对优化系统收益具有积极意义。
表 7 不同场景收支对比
Table 7 Comparison of revenue and expenditure across different scenarios元
利润 场景1 场景4 场景5 场景6电力市场销售收入 2 703.8 1 909.9 6 020.1 1 909.9系统碳配额收入 662.5 663.5 1 123.6 662.5向电动汽车售电收入 861.0 560.7 861.0 861.0燃气轮机发电成本 911.4 948.7 931.9 911.4燃气轮机碳排放成本 192.2 197.2 191.9 192.2储能成本 32.1 32.1 49.7 0电力市场买电成本 721.5 721.5 303.8 182.9总利润 2 370.1 2 004.8 6 506.9 2 104.5
进一步分析场景1与场景5的对比结果，可以发现，通过增加新能源的占比输出，在系统结构和负荷不变的前提下，有效减少了从电网购电的费用，增加了在电力市场的售电收益及碳交易市场的利润。这表明，本文所提出的策略适用于新能源接入比例较高的虚拟电厂系统，并且显著提升了系统的整体收益。
从场景1与场景6的对比中可以得出，降低系统中储能系统的比例会使系统整体收益受损。这主要是因为系统缺失了储能系统调节不平衡电量的作用。因此，保持一定比例的新能源储能系统对于提升系统效率和经济效益至关重要。
5 结论
针对具有高比例可再生能源与电动汽车参与的新型电力系统，本文提出了一种考虑碳交易市场的电动汽车虚拟电厂优化策略。采用场景生成以及场景削减法对分布式能源出力的不确定性进行处理，以虚拟电厂聚合商利润最大为上层模型，电动汽车用户充电成本最低为下层模型，采用粒子群算法与Cplex进行博弈求解，经博弈求出纳什均衡解，实现虚拟电厂以及电动汽车用户利益均衡。
算例分析表明：考虑碳交易市场的电动汽车虚拟电厂系统，利用EV的储能特性，可以降低系统整体的出力峰值，优化能源调度，可以有效提升削峰填谷能力。同时，增加EV参与碳市场的便利性，可以激励更多的电动汽车用户愿意参与碳市场交易，解决了虚拟电厂和电动汽车用户多边利益的矛盾问题，同时相比于未考虑碳交易以及电动汽车参与的虚拟电厂系统提升了整体收益，对电动汽车参与的虚拟电厂利益分配最优化有一定的参考意义。
参考文献
-
[1]
易俊，林伟芳，任萱，等. 新型电力系统发展水平指标体系构建及综合评价方法研究[J]. 电网技术，2024，48(9)：3758-3768.YI Jun, LIN Weifang, REN Xuan, et al. Research on construction of index system and comprehensive evaluation method of development level of new power system[J]. Power System Technology, 2024, 48(9): 3758-3768(in Chinese). [百度学术]
-
[2]
国家发展改革委 工业和信息化部 财政部 住房城乡建设部国务院国资委 国家能源局. 关于印发《电力需求侧管理办法（2023年版）》的通知（发改运行规〔2023〕1283号）[Z].中华人民共和国国务院公报. [百度学术]
-
[3]
高明，曾平良，冯永朝. 新型电力系统中的虚拟电厂研究综述[J]. 电力工程技术，2025，44(6)：143-154.GAO Ming, ZENG Pingliang, FENG Yongchao. Review of virtual power plant in new power system[J]. Electric Power Engineering Technology, 2025, 44(6): 143-154(in Chinese). [百度学术]
-
[4]
李晓露，王嘉信，柳劲松，等. 考虑多重不确定性的虚拟电厂多主体协同交易优化策略[J]. 电力系统保护与控制，2025，53(21)：133-145.LI Xiaolu, WANG Jiaxin, LIU Jinsong, et al. Multi-stakeholder collaborative trading optimization strategy for virtual power plants considering multiple uncertainties[J]. Power System Protection and Control, 2025, 53(21): 133-145(in Chinese). [百度学术]
-
[5]
王宇绅，陈皓勇，黄宇翔，等. 多重不确定性下的虚拟电厂参与电能量和需求响应市场鲁棒优化调度策略[J]. 发电技术，2024，45(6)：1173-1185.WANG Yushen, CHEN Haoyong, HUANG Yuxiang, et al.Robust optimal scheduling strategy for virtual power plant participation in electric energy and demand response markets under multiple uncertainties[J]. Power Generation Technology,2024, 45(6): 1173-1185(in Chinese). [百度学术]
-
[6]
陶伟健，艾芊，李晓露. 虚拟电厂协同调度及市场交易的研究现状及展望[J]. 南方电网技术，2024，18(12)：62-76.TAO Weijian, AI Qian, LI Xiaolu. Research status and prospects of collaborative scheduling and market trading of virtual power plants[J]. Southern Power System Technology,2024, 18(12): 62-76(in Chinese). [百度学术]
-
[7]
WANG W, CHEN P, ZENG D L, et al. Electric vehicle fleet integration in a virtual power plant with large-scale wind power[J]. IEEE Transactions on Industry Applications, 2020,56(5): 5924-5931. [百度学术]
-
[8]
BHUIYAN E A, HOSSAIN M Z, MUYEEN S M, et al.Towards next generation virtual power plant: technology review and frameworks[J]. Renewable and Sustainable Energy Reviews, 2021, 150: 111358. [百度学术]
-
[9]
NAVAL N, YUSTA J M. Virtual power plant models and electricity markets - A review[J]. Renewable and Sustainable Energy Reviews, 2021, 149: 111393. [百度学术]
-
[10]
GOIA B, CIOARA T, ANGHEL I, et al. Virtual power plant optimization in smart grids: a narrative review[J]. Future Internet, 2022, 14(5): 128. [百度学术]
-
[11]
蒋玮，单沫文，邓一帆，等. 虚拟电厂聚合电动汽车参与碳市场的优化调度策略[J]. 电力工程技术，2023，42(4)：13-22.JIANG Wei, SHAN Mowen, DENG Yifan, et al. Optimization strategy for aggregating electric vehicles through VPP to participate in the carbon market[J]. Electric Power Engineering Technology, 2023, 42(4): 13-22(in Chinese). [百度学术]
-
[12]
TAN C X, WANG J, GENG S P, et al. Three-level market optimization model of virtual power plant with carbon capture equipment considering copula-CVaR theory[J]. Energy, 2021,237: 121620. [百度学术]
-
[13]
刘卫亮，闫倩文，张启亮，等. 基于虚拟电厂区间主从博弈的车网互动优化调度[J]. 系统仿真学报，2024，36(7)：1559-1572.LIU Weiliang, YAN Qianwen, ZHANG Qiliang, et al. Optimal scheduling of vehicle-network interaction based on interval Stackelberg game of virtual power plant[J]. Journal of System Simulation, 2024, 36(7): 1559-1572(in Chinese). [百度学术]
-
[14]
杨贤东，袁旭峰，熊炜，等. 考虑源荷不确定性的风光火储系统低碳经济调度[J]. 智慧电力，2022，50(8)：22-29.YANG Xiandong, YUAN Xufeng, XIONG Wei, et al. Lowcarbon economic dispatch of wind-solar-fired-storage system considering source-load uncertainty[J]. Smart Power, 2022,50(8): 22-29(in Chinese). [百度学术]
-
[15]
WANG H, RIAZ S, MANCARELLA P. Integrated technoeconomic modeling, flexibility analysis, and business case assessment of an urban virtual power plant with multi-market co-optimization[J]. Applied Energy, 2020, 259: 114142. [百度学术]
-
[16]
宋晓通，吕倩楠，孙艺，等. 基于电价引导的电动汽车与综合能源系统交互策略[J]. 高电压技术，2021，47(10)：3744-3756.SONG Xiaotong, LÜ Qiannan, SUN Yi, et al. Interactive strategy of electric vehicles and integrated energy system based on electricity price guidance[J]. High Voltage Engineering,2021, 47(10): 3744-3756(in Chinese). [百度学术]
-
[17]
何家乐，姜超，孙正龙，等. 含虚拟电厂的互联电力系统负荷频率预测控制[J/OL]. 电源学报：1-13[2024-04-28]. http://kns.cnki.net/kcms/detail/12.1420.TM.20231023.1601.008.html. [百度学术]
-
[18]
孔月萍，陈宇沁，王国际，等. 计及不确定性新能源消纳的海量分布式灵活资源虚拟电厂调控策略[J]. 电力需求侧管理，2025，27(6)：45-50.KONG Yueping, CHEN Yuqin, WANG Guoji, et al. Massive distributed flexible resource virtual power plant control strategy considering uncertain new energy consumption[J].Power Demand Side Management, 2025, 27(6): 45-50(in Chinese). [百度学术]
-
[19]
王家怡，贺帅佳. 计及新型分布式资源与电碳交易的虚拟电厂分布鲁棒低碳调度模型[J]. 电力建设，2025，46(7)：13-26.WANG Jiayi, HE Shuaijia. Distributionally robust lowcarbon scheduling model for virtual power plants considering emerging distributed resources and electricity carbon trading[J]. Electric Power Construction, 2025, 46(7): 13-26(in Chinese). [百度学术]
-
[20]
杨丰任，王鸿，王致杰. 基于碳排放生产优先级的综合能源虚拟电厂优化运行策略[J]. 电力科学与技术学报，2024，39(5)：192-202.YANG Fengren, WANG Hong, WANG Zhijie. Optimal operation strategy of integrated energy virtual power plant based on production priority of carbon emission[J]. Journal of Electric Power Science and Technology, 2024, 39(5): 192-202(in Chinese). [百度学术]
-
[21]
李咸善，陈敏睿，程杉，等. 基于双重激励协同博弈的含电动汽车微电网优化调度策略[J]. 高电压技术，2020，46(7)：2286-2295.LI Xianshan, CHEN Minrui, CHENG Shan, et al. Research on optimal scheduling strategy of microgrid with electric vehicles based on dual incentive cooperative game[J]. High Voltage Engineering, 2020, 46(7): 2286-2295(in Chinese). [百度学术]
-
[22]
檀勤良，代美，梅书凡. 考虑电动汽车碳配额及需求响应的电力系统调度研究[J]. 电网与清洁能源，2021，37(7)：79-86.TAN Qinliang, DAI Mei, MEI Shufan. Research on electric vehicle carbon quota and demand response in electric power system dispatching[J]. Power System and Clean Energy, 37(7):79-86(in Chinese). [百度学术]
-
[23]
刘雨佳，樊艳芳. 计及5G基站储能和技术节能措施的虚拟电厂调度优化策略[J]. 电力系统及其自动化学报，2022，34(1)：8-15.LIU Yujia, FAN Yanfang. Optimal scheduling strategy for virtual power plant considering 5G base station technology,energy-storage, and energy-saving measures[J]. Proceedings of the CSU-EPSA, 2022, 34(1): 8-15(in Chinese). [百度学术]
-
[24]
张亚朋，穆云飞，贾宏杰，等. 电动汽车虚拟电厂的多时间尺度响应能力评估模型[J]. 电力系统自动化，2019，43(12)：94-103.ZHANG Yapeng, MU Yunfei, JIA Hongjie, et al. Response capability evaluation model with multiple time scales for electric vehicle virtual power plant[J]. Automation of Electric Power Systems, 2019, 43(12): 94-103(in Chinese). [百度学术]
-
[25]
王瑞东，吴杰康，蔡志宏，等. 多协同市场下含电动汽车虚拟电厂的优化调度[J]. 南方电网技术，2021，15(12)：45-55.WANG Ruidong, WU Jiekang, CAI Zhihong, et al. Optimal dispatching of virtual power plant containing electric vehicles in multi-cooperative market[J]. Southern Power System Technology, 2021, 15(12): 45-55(in Chinese). [百度学术]
-
[26]
陈启鑫，高洪超，冯成，等. 虚拟电厂动态构建与可信量化：理论分析与关键技术[J]. 电力系统自动化，2022，46(18)：26-36.CHEN Qixin, GAO Hongchao, FENG Cheng, et al. Dynamic construction and trustworthy quantification of virtual power plant: theoretical analysis and key technologies[J]. Automation of Electric Power Systems, 2022, 46(18): 26-36(in Chinese). [百度学术]
-
[27]
丛琳，王冰，王楠，等. 考虑需求侧多能源响应的虚拟电厂优化运行策略[J]. 科学技术与工程，2021，21(17)：7133-7142.CONG Lin, WANG Bing, WANG Nan, et al. Optimal operation strategy of virtual power plant considering integrated demand response in demand side[J]. Science Technology and Engineering, 2021, 21(17): 7133-7142(in Chinese). [百度学术]
-
[28]
张丽娟，保富. 含分布式新能源的多虚拟电厂协同运行[J].电测与仪表，2025，62(9)：134-141.ZHANG Lijuan, BAO Fu. Coordinated operation of multiple virtual power plants integrated with distributed renewable energy[J]. Electrical Measurement & Instrumentation, 2025,62(9): 134-141(in Chinese). [百度学术]
-
[29]
张响，段俊东，康博阳. 考虑电动汽车灵活储能的微电网双重激励优化调度[J]. 储能科学与技术，2023，12(8)：2556-2564.ZHANG Xiang, DUAN Jundong, KANG Boyang. Dual incentive optimal scheduling of microgrid considering flexible energy storage of electric vehicles[J]. Energy Storage Science and Technology, 2023, 12(8): 2556-2564(in Chinese). [百度学术]
-
[30]
李旭东，杨烨，李帆琪，等. 计及电价不确定性和容量衰减的电动汽车充放电商业模式[J]. 中国电力，2023，56(1)：38-48.LI Xudong, YANG Ye, LI Fanqi, et al. Business models of electric vehicle aggregators considering electricity price uncertainty and capacity decay[J]. Electric Power, 2023, 56(1):38-48(in Chinese). [百度学术]
-
[31]
黄汉远，顾丹珍，郑德博. 远期大规模的电动汽车与分布式光伏接入配电网的负荷预测模型[J]. 可再生能源，2021，39(5)：650-657.HUANG Hanyuan, GU Danzhen, ZHENG Debo. The load forecasting model of long-term large-scale electric vehicle and distributed photovoltaic access distribution network[J].Renewable Energy Resources, 2021, 39(5): 650-657(in Chinese). [百度学术]
-
[32]
王健，郑峻峰，黄际元，等. 虚拟电厂关键技术综述与发展展望[J]. 供用电，2023，40(12)：43-54.WANG Jian, ZHENG Junfeng, HUANG Jiyuan, et al. Key technology and development prospects of virtual power plants[J]. Distribution & Utilization, 2023, 40(12): 43-54(in Chinese). [百度学术]
-
[33]
王云会，郑强仁，郭淼，等. 配电网中广义虚拟电厂的柔性优化规划问题研究[J]. 供用电，2022，39(3)：18-24.WANG Yunhui, ZHENG Qiangren, GUO Miao, et al. Research on flexible optimal planning of generalized virtual power plant in distribution network[J]. Distribution & Utilization, 2022,39(3): 18-24(in Chinese). [百度学术]
-
[34]
王浩林，张勇军，毛海鹏. 基于时刻充电概率的电动汽车充电负荷预测方法[J]. 电力自动化设备，2019，39(3)：207-213.WANG Haolin, ZHANG Yongjun, MAO Haipeng. Charging load forecasting method based on instantaneous charging probability for electric vehicles[J]. Electric Power Automation Equipment, 2019, 39(3): 207-213(in Chinese). [百度学术]
-
[35]
董晓红，孔华志，丁飞，等. 考虑电池老化的电动汽车中长期充电负荷预测方法[J]. 电力系统自动化，2024，48(13)：109-119.DONG Xiaohong, KONG Huazhi, DING Fei, et al. Mediumand long-term charging load forecasting method for electric vehicles considering battery aging[J]. Automation of Electric Power Systems, 2024, 48(13): 109-119(in Chinese). [百度学术]
-
[36]
税纪钧，彭道刚，宋炎侃，等. 计及风光不确定性含碳排放和碳惩罚的虚拟电厂优化调度策略[J]. 系统仿真学报，2024，36(2)：305-319.SHUI Jijun, PENG Daogang, SONG Yankan, et al. Optimal scheduling strategy of virtual power plant with carbon emission and carbon penalty considering uncertainty of wind power and photovoltaic power[J]. Journal of System Simulation, 2024,36(2): 305-319(in Chinese). [百度学术]
基金项目
国家自然科学基金项目(62173222)。
National Natural Science Foundation of China(62173222).
作者简介
-
张文虎
-
李东浩
-
魏云冰