安科瑞 陳聰

摘(zhāi)要:規模(mó)日益增長(cháng)的(dí)電動汽車和可再(zài)生(shēng)能(néng)源帶來(lái)的不(bù)確(què)定性給配電(diàn)網的(dí)安(ān)全運營帶(dài)來(lái)了(liǎo)嚴(yán)峻挑(tiāo)戰。為綜(zōng)合(hé)考慮多重不確(què)定性，平(píng)衡(héng)運營成(chéng)本與係統(tǒng)可(kě)靠性,首先(xiān),提(tí)出一種基於分(fēn)布魯(lǔ)棒聯(lián)合(hé)機(jī)會(huì)約束(shù)的(dí)電動(dòng)汽車-配(pèi)電(diàn)網充(chōng)放電調度(dù)模型。該模型(xíng)將(jiāng)節點(diǎn)電(diàn)壓，支路功率，備用(yòng)需求等通過聯(lián)合(hé)機會約束建模,可以(yǐ)直(zhí)觀地管(guǎn)理(lǐ)係統整體的可靠性(xìng)。然後(hòu),為(wéi)求(qiú)解該模型,基於(yú)*優Bonferroni近似方法將(jiāng)聯合機(jī)會約束問(wèn)題(tí)轉化為混合整數(shù)二(èr)次規劃(huá)模(mó)型,其(qí)中(zhōng),風險等(děng)級(jí)也被視(shì)為(wéi)決策(cè)變(biàn)量(liáng)。隨後(hòu),在(zài)不同電(diàn)力(lì)係(xì)統上驗(yàn)證(zhèng)了(liǎo)所(suǒ)提模型的有效(xiào)性和(hé)可擴展性。結果(guǒ)表明,所(suǒ)提(tí)模(mó)型克(kè)服了經(jīng)典的隨機優(yōu)化(huà)和(hé)魯棒優化(huà)存(cún)在(zài)的問題,能(néng)夠(gòu)有效(xiào)平衡(héng)成本和(hé)可靠(kào)性(xìng),計(jì)算(suàn)效(xiào)率高，可擴展性(xìng)好(hǎo),較(jiào)Bonferroni近似方(fāng)法降(jiàng)低約6.5%的成本。

關鍵(jiàn)詞:電動(dòng)汽車(chē);配電網;*優(yōu)Bonferroni近似方法(fǎ);不確定性;風(fēng)險管(guǎn)理

一，引(yǐn)言

截至(zhì)2023年(nián)6月底(dǐ),中國(guó)電動汽(qì)車(chē)(EV)保有(yǒu)量已經(jīng)超過(guò)1200萬(wàn)輛,大(dà)規模(mó)接(jiē)入(rù)電(diàn)網的EV若(ruò)不(bù)進行(háng)合理(lǐ)調(tiáo)度,將對電(diàn)網(wǎng)安(ān)全(quán)運營帶(dài)來(lái)嚴(yán)峻挑戰。同(tóng)時,EV作為(wéi)一種具有時空和容(róng)量高度靈活性(xìng)的負荷,具有(yǒu)很大的調節(jié)潛力(lì),可以(yǐ)作為(wéi)靈活性資源為配(pèi)電網提供(gōng)輔(fǔ)助(zhù)服務並帶來安(ān)全(quán)效益,增強電力係(xì)統(tǒng)管控(kòng)不(bù)確(què)定性風(fēng)險(xiǎn)的能力。

單輛(liàng)EV調(tiáo)節(jié)能力有(yǒu)限，無(wú)法參與(yǔ)電力(lì)市(shì)場EV聚合商作(zuò)為EV與(yǔ)配(pèi)電網的(dí)中間體(tǐ),能(néng)夠管理(lǐ)EV充(chōng)放(fàng)電和(hé)電力市場交易,與(yǔ)配(pèi)電(diàn)網進行互動(dòng)。通(tōng)過建(jiàn)立(lì)EV聚合模型(xíng),便於(yú)從(cóng)整(zhěng)體角(jiǎo)度分析EV集群的可調(tiáo)節(jié)潛(qián)力,減少模型中的變(biàn)量個數,降(jiàng)低模型復(fù)雜度(dù)與(yǔ)EV數量(liáng)的(dí)關聯(lián)。EV接(jiē)入和離開(kāi)充電(diàn)站的(dí)時(shí)間(jiān)，充電需求(qiú)，滲(shèn)透率(shuài)日益增加的光(guāng)伏/風(fēng)電等可再生能(néng)源，電(diàn)網(wǎng)中的非靈(líng)活性負荷(hé)等(děng)均(jūn)存在(zài)著不(bù)確(què)定性,如何(hé)處理不(bù)確定性是EV並網充放(fàng)電(diàn)調度研(yán)究(jiū)中(zhōng)的關鍵性(xìng)問(wèn)題。

二， 算法(fǎ)對(duì)比分析

現(xiàn)有處(chǔ)理不確定性(xìng)的經典方法(fǎ)包括隨機優化(huà)(SO)，魯棒(bàng)優化(huà)(RO)，機會約(yuē)束舊等(děng)。其(qí)中,SO一(yī)般以(yǐ)目標(biāo)函(hán)數的數學期(qī)望(wàng)為目(mù)標,考慮(lǜ)了(liǎo)EV到(dào)達/離開時間(jiān)，非(fēi)靈活(huó)性負荷，市場(cháng)價(jià)格的(dí)隨機性(xìng),*大(dà)化配電網(wǎng)和EV聚(jù)合(hé)商利益(yì)的期望值。然而,SO往往(wǎng)需要(yào)場(cháng)景驅動,復(fù)雜(zá)度與場景的(dí)數(shù)量高度相關(guān),場(cháng)景(jǐng)過(guò)少(shǎo)可(kě)能(néng)導致對隨機(jī)性的(dí)刻畫不準(zhǔn)確(què),場景過(guò)多則(zé)帶來很大的(dí)計(jì)算負(fù)擔，與SO不同(tóng),RO關注可能出(chū)現的最壞(huài)情況,考(kǎo)慮隨機的可再生能源(yuán)出力和(hé)負(fù)荷,通過強(qiáng)對偶理論和列(liè)與(yǔ)約(yuē)束生(shēng)成算法(fǎ)來轉化和求解(jiě)兩階(jiē)段(duàn)RO問(wèn)題。與SO問(wèn)題相(xiāng)比,RO復雜度與場(cháng)景(jǐng)的個(gè)數關聯(lián)較低(dī),但由於最(zuì)壞(huài)的情(qíng)況在實際(jì)中可能以(yǐ)很(hěn)低的概(gài)率(shuài)出(chū)現,這種(zhǒng)方(fāng)法(fǎ)可能過(guò)於保(bǎo)守。此(cǐ)外,由於SO和RO均(jūn)未將風險係(xì)數考慮(lǜ)在(zài)建(jiàn)模(mó)中,無法(fǎ)直觀地(dì)管理係統風險(xiǎn)。

三， 算法(fǎ)處理方法

為(wéi)解決(jué)SO和RO方(fāng)法(fǎ)存在的(dí)問題(tí)並平衡(héng)經(jīng)濟(jì)成本與係統(tǒng)安(ān)全，分布式(shì)魯(lǔ)棒(bàng)機(jī)會(huì)約(yuē)束(distributionally robust chance constraint,DRCC)模型(xíng)受到越來越(yuè)多(duō)的關注(zhù)。通(tōng)過建(jiàn)立DRCC模(mó)型處理了非靈(líng)活性負(fù)荷(hé)，可(kě)再生(shēng)能源出力(lì)，市場價格(gé)等(děng)不(bù)確(què)定性因素(sù)。采用機(jī)會(huì)約束(shù)限(xiàn)製電壓(yā)，功(gōng)率(shuài)等(děng)範(fàn)圍以(yǐ)確保配電(diàn)網(wǎng)在(zài)一定(dìng)概率下(xià)安全(quán)運(yùn)行(háng)。采用(yòng)DRCC模型對EV的可調空(kōng)間進行建(jiàn)模。然而(ér)，上述研究中(zhōng)的(dí)多(duō)個(gè)機會(huì)約束是(shì)獨(dú)立(lì)的,忽視了機(jī)會(huì)約束之(zhī)間(jiān)可能存在的關聯,同時在單(dān)一機(jī)會約束的(dí)風險參(cān)數(shù)選擇上具(jù)有一(yī)定主觀性,對(duì)每條(tiáo)約束(shù)取相(xiāng)同的(dí)風(fēng)險等級，為此(cǐ),有必要聯合考(kǎo)慮(lǜ)機會(huì)約束,將問題(tí)建模(mó)為(wéi)分(fēn)布(bù)式魯棒(bàng)聯(lián)合(hé)機(jī)會約(yuē)束(shù)(distributionally robust jointchance constraint,DRJCC)模(mó)型。然而,DRJCC模型是隱式(shì)的(dí),難(nán)以(yǐ)求解，經(jīng)典(diǎn)的Bonferroni 近似Bonferroni approximation,BA)方法直(zhí)接(jiē)將聯合(hé)約束轉化(huà)為獨(dú)立(lì)約束(shù),並(bìng)根(gēn)據(jù)Bonferroni不等式預先分配獨(dú)立約(yuē)束(shù)的風險等級,這可(kě)能(néng)導(dǎo)致模型(xíng)過(guò)於(yú)保守(shǒu)為降低模型(xíng)保守性(xìng),為此(cǐ)提出(chū)*優 Bonferroni 近(jìn)似(sì)(optimized Bonferroni approximation,OBA)方法用於近似(sì)機會(huì)約束問題,這(zhè)種(zhǒng)方法(fǎ)在滿足Bonferroni不等(děng)式的前提(tí)下將獨立約(yuē)束的(dí)風險等級也視為(wéi)變量進(jìn)行優化,可以降(jiàng)低(dī)模(mó)型(xíng)的(dí)保(bǎo)守性(xìng)。進一步(bù)地,將(jiāng) OBA方法求解(jiě)DRJCC問題(tí)應用(yòng)到(dào)考慮(lǜ)不(bù)確(què)定性(xìng)的潮流問題中,提出了(liǎo)基(jī)於多(duō)項(xiàng)式(shì)展開(kāi)近(jìn)似，連(lián)續(xù)凸近(jìn)似(sì)等(děng)方(fāng)法,並對比了不同(tóng)近(jìn)似方法的表現(xiàn)，盡管對采(cǎi)用(yòng) OBA方(fāng)法求(qiú)解(jiě)的(dí)DRICC模(mó)型已有(yǒu)了(liǎo)初(chū)步的研究,但(dàn)其(qí)應(yīng)用(yòng)在大規模(mó)EV接人(rén)配(pèi)電(diàn)網的(dí)調度(dù)研究(jiū)中尚(shàng)且(qiě)罕見(jiàn)。為此,本文在大規(guī)模(mó)EV接人配電(diàn)網(wǎng)的(dí)調度問題中建立了(liǎo) DRJCC模(mó)型,聯(lián)合考(kǎo)慮(lǜ)了節點(diǎn)電(diàn)壓，綫(xiàn)路功(gōng)率(shuài)，備用需求(qiú),並采用OBA的方法求(qiú)解(jiě)。與相關(guān)研(yán)究相比(bǐ),本(běn)文(wén)的(dí)主(zhǔ)要(yào)貢獻如(rú)下:

1)為高效處理多重(zhòng)隨(suí)機性(xìng)下EV接(jiē)入(rù)配電網的(dí)調度(dù)問(wèn)題,建立(lì)了DRJCC模型(xíng),算(suàn)例(lì)表(biǎo)明(míng)所(suǒ)提模型(xíng)緩(huǎn)解了 SO 模型(xíng)求(qiú)解時間長，RO的(dí)模型(xíng)過(guò)於保守(shǒu)等問(wèn)題(tí)。

2)為(wéi)處(chǔ)理(lǐ)難以求(qiú)解(jiě)的(dí)聯合(hé)機會約束(shù)模型,提出一種(zhǒng) OBA方(fāng)法,將風險等級(jí)也(yě)視(shì)為(wéi)決策變量(liáng),將(jiāng)問(wèn)題轉(zhuǎn)化(huà)成(chéng)混合整(zhěng)數(shù)二次規(guī)劃模型(xíng),降(jiàng)低(dī)了模型的(dí)保守(shǒu)性(xìng),與(yǔ)預先(xiān)確定風(fēng)險(xiǎn)等級的方法相比,在滿(mǎn)足可靠(kào)度要求的前提下(xià)降低約6.5%的成本。

3)所提(tí)模型將節(jié)點電壓(yā)，支(zhī)路功率(shuài)，備(bèi)用需求等綜(zōng)合考慮作(zuò)為(wéi)聯(lián)合機(jī)會(huì)約束(shù)建模(mó),能夠通(tōng)過(guò)設(shè)定(dìng)係(xì)統整(zhěng)體(tǐ)風險等級(jí)參(cān)數以(yǐ)直觀管理(lǐ)係(xì)統(tǒng)風險,並便於(yú)平衡(héng)係(xì)統運營成本和可(kě)靠度。

三， 解(jiě)決(jué)方案(àn)

圖1 有(yǒu)序充(chōng)電管(guǎn)理(lǐ)係(xì)統(tǒng)示意圖

圖2平台結構(gòu)圖

有序充電管(guǎn)理(lǐ)係統由(yóu)預(yù)測算法(fǎ)，能量管理(lǐ)策略，有序(xù)充(chōng)電策略(lüè)和充電樁運營管(guǎn)理係統等(děng)構成。預測算法(fǎ)包括光(guāng)伏，風力發電(diàn)預測和負(fù)荷預測(cè)，是(shì)利用(yòng)歷(lì)史(shǐ)數(shù)據(jù)對未來(lái) 24 小時至72小時的風(fēng)力，光伏發電(diàn)和負荷需(xū)求進行(háng)預測(cè)，主要(yào)目(mù)的是(shì)為能量管理係統和有序(xù)充電(diàn)策略(lüè)提(tí)供未來時(shí)間(jiān)的(dí)可用負荷(hé)容(róng)量(liáng)和能量管理(lǐ)策略(lüè)。通過對(duì)儲能裝(zhuāng)置(zhì)的充放(fàng)電調(tiáo)控和引導充電(diàn)需求，實現(xiàn)負荷(hé)的削峰填(tián)穀(gǔ)，提高(gāo)電網運行穩定(dìng)性(xìng)，降(jiàng)低充(chōng)電成本，通過(guò)以上算法和軟(ruǎn)件構成的一體(tǐ)化(huà)充(chōng)電(diàn)服務(wù)體係來(lái)提高運營競爭(zhēng)力。

四，安科(kē)瑞(ruì)有(yǒu)序充電(diàn)雲平(píng)台(tái)具體的功(gōng)能

平(píng)台(tái)除了對充電樁的監(jiān)控外(wài)，還對(duì)充電站(zhàn)的(dí)光伏發電係統，儲(chǔ)能係(xì)統以及供電係統(tǒng)進(jìn)行(háng)集(jí)中(zhōng)監控和(hé)統一(yī)協(xié)調(tiáo)管(guǎn)理(lǐ)，提(tí)高充(chōng)電站的運行可(kě)靠性，降低(dī)運營(yíng)成本(běn)，平台係統及(jí)虛擬電(diàn)廠的架構(gòu)如圖(tú)3，圖4所示。

圖3 充電樁運(yùn)營管理(lǐ)平(píng)台係(xì)統架構

圖4 虛(xū)擬電廠與電(diàn)力交易結構(gòu)圖(tú)

能(néng)源規(guī)劃(huá)：采用魯(lǔ)棒(bàng)優化(huà)方(fāng)法(fǎ)進(jìn)行優(yōu)化配置，提(tí)供經(jīng)濟(jì)*優(yōu)的容量(liáng)規劃方(fāng)案。

圖(tú)5 虛(xū)能源(yuán)規劃示意(yì)圖

優化(huà)調度：提高新(xīn)能源消(xiāo)納(nà)

圖(tú)6 優(yōu)化調度(dù)示(shì)意圖

儲(chǔ)能(néng)峰穀(gǔ)套利(lì)：不(bù)僅可以平衡(héng)電(diàn)網負(fù)荷，還可以節(jié)省電(diàn)費，增加收(shōu)益(yì)

圖(tú)7 優(yōu)化(huà)儲能峰(fēng)穀(gǔ)套利調度示意(yì)圖

削峰(fēng)填(tián)穀：配合儲(chǔ)能設備，低充高放

圖(tú)8 削(xiāo)峰(fēng)填穀示意圖

需量控(kòng)製：能量(liáng)儲存(cún)，充(chōng)放(fàng)電功率(shuài)跟蹤

圖8 削峰(fēng)填穀示意(yì)圖(tú)

柔性(xìng)擴(kuò)容：短期用(yòng)電(diàn)功率(shuài)大(dà)於變壓器(qì)容量時，儲能快速放(fàng)電，滿足(zú)負載(zǎi)用(yòng)能要求(qiú)

圖(tú)9 柔性(xìng)擴容示意圖

五，產品(pǐn)選(xuǎn)型

5.1充電樁(zhuāng)

安(ān)科(kē)瑞為(wéi)廣(guǎng)大(dà)用戶(hù)提供慢充(chōng)和(hé)快充兩(liǎng)種充(chōng)電方式，便(biàn)攜(xié)式(shì)，壁掛式(shì)，落地式(shì)等(děng)多(duō)種類型(xíng)的充電(diàn)樁(zhuāng)，包含智(zhì)能(néng)7kw/21kw交流(liú)充電樁，30kw直流充(chōng)電樁，60kw/80kw/120kw/180kw直(zhí)流(liú)一(yī)體(tǐ)式(shì)充電(diàn)樁來(lái)滿足(zú)新能源汽車行業快速(sù)，經濟，智能運(yùn)營管(guǎn)理(lǐ)的(dí)市場需求。實(shí)現對(duì)動(dòng)力電池(chí)快(kuài)速(sù)，高效，安全，合理的電量補(bǔ)給，同時(shí)為提高(gāo)公共充(chōng)電樁的效(xiào)率和(hé)實用性，具有(yǒu)有(yǒu)智(zhì)能(néng)監(jiān)測(cè)：充電樁(zhuāng)智能控製(zhì)器對充電樁(zhuāng)具(jù)備(bèi)測(cè)量(liáng)，控製(zhì)與保(bǎo)護的(dí)功(gōng)能(néng)；智(zhì)能計量：輸出(chū)配置智(zhì)能(néng)電(diàn)能表(biǎo)，進(jìn)行(háng)充電計量，具備*的通(tōng)信(xìn)功能(néng)；雲平台(tái)：具(jù)備連接(jiē)雲平(píng)台(tái)的功(gōng)能(néng)，可以(yǐ)實(shí)現(xiàn)實時監控，財(cái)務報(bào)表分析等(děng)等；遠(yuǎn)程(chéng)升(shēng)級：具(jù)備(bèi)*的(dí)通訊(xùn)功能，可(kě)遠程(chéng)對(duì)設備(bèi)軟件(jiàn)進行升級；保護(hù)功能：具備(bèi)防(fáng)雷保護，過載保護，短路保護，漏(lòu)電保(bǎo)護(hù)和接地保護等(děng)功能(néng)；適(shì)配(pèi)車(chē)型(xíng)：滿足國(guó)標(biāo)充(chōng)電(diàn)接(jiē)口(kǒu)，適配(pèi)所有符(fú)合(hé)國標(biāo)的(dí)電動汽(qì)車(chē)，適(shì)應(yīng)不同(tóng)車型的不同功率(shuài)。下(xià)麵是(shì)具體(tǐ)產品(pǐn)的(dí)型(xíng)號和(hé)技術參(cān)數(shù)。

5.2儲能產品

5.3監測，保(bǎo)護，治(zhì)理(lǐ)的相(xiāng)關(guān)產品

六(liù)，應(yīng)用案例

案例(lì)一：江陰某光儲(chǔ)充微(wēi)電網項目

案例(lì)二：江陰(yīn)某研(yán)究院微電(diàn)網(wǎng)項目

七，結(jié)論

本(běn)文將考(kǎo)慮(lǜ)輔助市(shì)場(cháng)的(dí)EV-配(pèi)電(diàn)網充放電調度(dù)問題(tí)建模(mó)為 DRJCC模型,以平衡運營(yíng)成本和可(kě)靠性(xìng)並(bìng)克(kè)服經(jīng)典SO和RO的(dí)缺點。然後(hòu)，基於(yú)OBA方法(fǎ),將(jiāng)無(wú)法(fǎ)求(qiú)解(jiě)的聯(lián)合(hé)機(jī)會(huì)約束(shù)轉(zhuǎn)化為(wéi)混合整(zhěng)數(shù)二(èr)次規劃模(mó)型(xíng)求解(jiě),與BA方法(fǎ)不同的是(shì),風險等(děng)級也被視(shì)為決策變(biàn)量(liáng)進(jìn)行(háng)優化(huà),降(jiàng)低了模型的保守性。最後(hòu),通過算(suàn)例驗證(zhèng)了模(mó)型(xíng)平衡成(chéng)本和風險的有效性(xìng)，對EV數量(liáng)和(hé)更(gēng)大(dà)電(diàn)力(lì)係(xì)統(tǒng)的可擴展(zhǎn)性(xìng)。本文(wén)研究(jiū)未(wèi)考慮(lǜ)擬合(hé)得到的隨機(jī)變量(liáng)概(gài)率(shuài)分(fēn)布(bù)與真(zhēn)實分布之(zhī)間可(kě)能存在(zài)的(dí)偏差。未來,將進一(yī)步研究(jiū)基(jī)於模糊(hū)概率分布的分布式(shì)魯(lǔ)棒(bàng)優化(huà)模型,並(bìng)增加對(duì)光(guāng)伏，風電(diàn)，負荷，EV充電行為(wéi)等多維不確定因素(sù)之(zhī)間(jiān)的相(xiāng)關性研究。

參 考 文(wén) 獻(xiàn)：

[1] BLAABJERG F, WANG H, VERNICA I, et al. Reliability ofpower electronic systems for EV/HEV applications [I].Proceedings of the IEEE, 2021,109(6):1060-1076.

[2]裴振坤(kūn),王學(xué)梅,康龍(lóng)雲(yún).電動(dòng)汽(qì)車參(cān)與(yǔ)電(diàn)網輔助服務的(dí)控(kòng)製(zhì)策略(lüè)綜(zōng)述(shù)[J].電(diàn)力係統(tǒng)自(zì)動(dòng)化,2023,47(18):17-32.

PEI Zhenkun, WANG Xuemei, KANG Longyun. Review oncontrol strategies for electric vehicles participating in ancillaryservices of power grid [I]. Automation of Electric PowerSystems,2023，47(18):17-32.

[3]吳(wú)巨(jù)愛(ài),薛禹勝(shèng),謝(xiè)東(dōng)亮(liàng).電(diàn)動(dòng)汽車聚合商對備(bèi)用服務(wù)能(néng)力的(dí)優化[J].電力係(xì)統(tǒng)自動化(huà),2019,43(9):75-81.

WU Juai,XUE Yusheng,XIE Dongliang.Optimization ofreserve service capability made by electric vehicle aggregator[J].Automation of Electric Power Systems, 2019,43(9):75-81.

[4]方曉濤,嚴正(zhèng),王晗,等.考(kǎo)慮“路-車-源-荷”多重不(bù)確(què)定(dìng)性的交通網(wǎng)與配電(diàn)網(wǎng)概率(shuài)聯(lián)合流分析(xī)[J1.電(diàn)力係(xì)統自動化,2022.46(12):76-87.

FANG Xiaotao, YAN Zheng,WANG Han, et al. Analysis onprobabilistic joint flow for transportation network and distributionnetwork considering multiple uncertainties of road-vehicle-source-load[J].Automation of Electric Power Systems, 2022,46(12):76-87.

[5]WANG ZF,JOCHEM P, FICHTNER W.A scenario-basedstochastic optimization model for charging scheduling of electricvehicles under uncertainties of vehicle availability and chargingdemand[J]. Journal of Cleaner Production, 2020,254:119886.

[6]許夢(mèng)瑤,艾(ài)小猛(měng),方(fāng)家琨(kūn),等(děng).考(kǎo)慮(lǜ)用戶積極性的(dí)電(diàn)動汽車(chē)與機組聯合(hé)調(tiáo)頻的(dí)兩階段隨(suí)機優化(huà)調度(dù)模型[J1.電(diàn)網技(jì)術(shù),2022,46(6):2033-2041.

XU Mengyao, Al Xiaomeng, FANG Jiakun, et al. Two-stagestochastic optimal scheduling model for joint regulation of EV andthermal units considering users enthusiasm [J]. Power SystemTechnology,2022,46(6):2033-2041.

[7]CAO Y,HUANG L, LI Y Q, et al. Optimal scheduling ofelectric vehicles aggregator under market price uncertainty usingrobust optimization technique [J]. International Journal ofElectrical Power &, Energy Systems, 2020, 117: 105628.

[8]石錦凱,鮑諺(yàn),陳振,等(děng).計及充電負(fù)荷不確定性(xìng)的充(chōng)電站儲能(néng)魯棒(bàng)優(yōu)化(huà)配置(zhì)方(fāng)法(fǎ)[J].電力係統自動化(huà),2021,45(20):49-58.

SHI Jinkai, BAO Yan, CHEN Zhen, et al. Robust optimizationconfiguration method of energy storage for charging stationsconsidering charging load uncertainty[J]. Automation of ElectricPower Systems,2021,45(20):49-58.

[9]SABER H,RANIBAR H,EHSAN M,et al. Transactivecharging management of electric vehicles in office buildings: adistributionally robust chance-constrained approach [J].Sustainable Cities and Society, 2022,87: 104171.

[10]陳(chén)岩,靳(jìn)偉,王文賓,等.基於(yú)電動汽(qì)車分群的“風(fēng)-網-車”聯合消納(nà)調(tiáo)度(dù)策略[J].中國電(diàn)力(lì),2021,54(4):107-118.

CHEN Yan, JN Wei, WANG Wenbin, et al. Schedulingstrategy for “wind-network-vehicle” joint accommodation basedon electric vehicle clustering[J]. Electric Power, 2021, 54(4):107-118.

[11]LEMESKI A T,EBRAHIMI R,ZAKARIAZADEH A.Optimal decentralized coordinated operation of electric vehicleaggregators enabling vehicle to grid option using distributedalgorithm[J]. Journal of Energy Storage, 2022,54: 105213.

[12]CHEN LM,TANG HL,wU JK, et al. A robustoptimization framework for energy management of CCHP userswith integrated demand response in electricity market [J]International Journal of Electrical Power &, Energy Systems,2022，141:108181.

[13]RAYATI M，BOZORG M，CHERKAOUI R,et al.Distributionally robust chance constrained optimization forproviding flexibility in an active distribution network[J]. EEETransactions on Smart Grid,2022,13(4):2920-2934.

[14]NGUYEN H T, CHO D H. Decentralized distributionallyrobust coordination between distribution system and chargingstation operators in unbalanced distribution systems[J]. EEETransactions on Smart Grid, 2023,14(3):2164-2177.

[15]SHI XY,XU YL,GUo Q L,et al. Day-aheaddistributionally robust optimization-based schedulingfordistribution systems with electric vehicles [I]. IEEETransactions on Smart Grid,2023,14(4):2837-2850.

[16]文藝林(lín),胡(hú)澤春,寧(níng)劍(jiàn),等.基於(yú)分布(bù)魯棒機會(huì)約(yuē)束(shù)的充(chōng)電運營(yíng)商參(cān)與調峰市場投標策略[J1.電力係統自(zì)動(dòng)化,2022,46(7):23-32.

WEN Yilin, HU Zechun, NING Jian, et al. Bidding strategy ofcharging operator participating in peak regulation market basedon distributionally robust chance constraint[J]. Automation ofElectric Power Systems, 2022,46(7):23-32.

[17]XIE WJ, AHMED S,JANG R W. Optimized Bonferroniapproximations of distributionally robust joint chance constraints[J].Mathematical Programming: Series A and B, 2022, 191(1):79-112.

[18]YANG L,XU YL,SUN HB, et al. Tractable convexapproximations for distributionally robust joint chance-constrained optimal power flow under uncertainty [J. EEETransactions on Power Systems,2022,37(3):1927-1941.

[19]RAFIQUE S, NIZAMI M S H, IRSHAD U B, et al. A two-stage multi-objective stochastic optimization strategy tominimize cost for electric bus depot operators [J]. Journal ofCleaner Production,2022,332:129856.

[20]徐湘楚,米增強,詹(zhān)澤偉,等.考(kǎo)慮多(duō)重(zhòng)不(bù)確定(dìng)性的電動汽(qì)車(chē)聚合商參與能量(liáng)-調頻市場的(dí)魯(lǔ)棒(bàng)優化模型[J].電工技術學(xué)報(bào),2023,38(3):793-805.

XU Xiangchu, MI Zengqiang, ZHAN Zewei, et al. A robustoptimization model for electric vehicle aggregator participation inenergy and frequency regulation markets considering multipleuncertainties Jl. Transactions of ChinaElectrotechnicalSociety,2023,38(3):793-805.