Page 87 - 《中国电力》2026年第4期

李欣等：计及源荷双重不确定性的高速路域虚拟电厂运行优化策略 2026 年第 4 期

−(s−τ 1 ) 2 大功率。
1 2δ 2
f(S OCend ) = √ e 1 （10） 本文根据车辆 3 个维度状态统计的状态转移
2πδ 0
行为，抽取每个步骤中的随机数，求取单台 EV
式中： f(S OCend )为 EV 在高速服务服务区充电结束
充电负荷特征，累加后得到大规模 EV 充电的总
时的目标 SOC 的概率密度；τ 、δ 为正态分布参
1
1
数；S OCen d 为 EV 在高速服务区的充电结束时的目 充电负荷曲线，根据蒙特卡洛抽样得到不同节点
一天之内的充电需求。EV 充电负荷需求预测流
标 SOC。
程如图 2 所示。
2.3.3 充电时长
假设每辆电动车充电都为连续充电的完整过
程且充电过程功率恒定，则充电时长 t c 为 电动汽车用户状态
(S OCend −S OC0 )E ev
t c = （11） 荷电状态 用户位置 电池剩余电量
P c η ch
式中：E 为 v EV 的电池额定能量容量，kW·h；P c 用户当前时刻 用户充电
e
状态记录 充电时长 需求更新
为 EV 的额定功率，kW；η 为充电效率。
h
c
基于不同用户出行习惯的差异性及用户充电
生成总充电负荷需求曲线
需求的随机性，将 EV 所在位置、荷电状态、电

池充电状态作为 EV 的状态向量的 3 个元素，建
图 2 EV 充电负荷需求预测流程
立 EV 三维状态向量 S [20] 为 Fig. 2 Electric vehicle charging load prediction process

S = [s 1 s 2 s 3 ] （12）
2.4 源荷出力的场景生成及削减
Q i + P ch ∆tη ch /(CV nom ), 充电


 2.4.1 基于 MCMC 的源荷场景生成

Q i+1 = Q i − P disch ∆tη ch /(CV nom η disch ), 放电 （13）


 法源荷出力生成的具体步骤如下。
 MCMC
Q i , 停止

1） 初始化：选择初始状态 x ，搜集历史数
0
式中：s 为用户位置状态，s =(x, y)，(x, y) 为 EV 据 ， 包 括 风 电 、 光 伏 和 相 应 的 EV 数 据 ； 构 造
1
1
的位置坐标；s 为荷电状态，即 EV 当前剩余电
2
N×M 维的出力矩阵，其中 N 为生成场景数量，M
量 ， s =Q， Q∈[0, 1]， 表 示 剩 余 电 量 的 百 分 比 ， 为时间序列长度。得到源荷功率的概率密度分布
2
最低为 0，最高为 100%；Q 、Q i+ 1 分别为当前时 函数，即目标分布。
i
刻与下一时刻的 SOC；s 为 3 EV 的电池行为状态，
2） 标准化：基于当前状态，通过提议分布
有 放 电 、 快 充 、 停 止 状 态 ， 确 定 充 电 状 态 后 对
生产下一个时刻的候选功率值，建议分布通常为
EV 充电负荷进行状态统计与更新；P 、P disc h 分 当前状态为均值的正态分布；对数据进行标准化
ch
别为充、放电功率；η disc h 为放电效率；C 为额定 处理。选择目标分布与提议分布。
电荷容量； V nom 为电池额定电压。
3） 采用蒙特卡洛采样算法设定目标分布为
根据不同用户出行习惯差异性以及用户充电
已拟合的边缘分布。
需求随机性，建立 EV 充电负荷预测模型。假设
4） 迭代过程：对上述步骤循环 W 次，得到
出行时间与出行 EV 数量已知的情况下，将荷电
包 含 W 个 场 景 的 初 始 出 力 场 景 集 S， 本 文 W 取
状态、EV 到达时间转化为状态变量，通过马尔
2 000 次。

可夫链蒙特卡洛生成状态矩阵，建立 EV 日出行
2.4.2 场景削减的步骤
模型，即
在电力系统源荷出力预测中，通过 MCMC 或
（14）
S OCres = |D i − D s | P dis
者蒙特卡洛方法生成的场景数量通常十分庞大，
P ch = min{P c1 ,P c2 } （15） 直接用于运行优化计算成本极高。
式中： S OCres 为出行后的剩余电量； P dis 为单位里 概率距离削减方法通过筛选合并场景，对生
程电量消耗率； D i 、 D s 分别为出发地与目的地位 成的出力场景进行削减以保留具有代表性的出力
置； P c1 、P c2 分别为充电桩提供与 EV 能接收的最 场景。步骤如下。
83