計及不確定性的分布式微網參與電網優化調度方法綜述

譚九鼎，李帥兵*，李明澈，馬喜平，康永強，董海鷹

（1.蘭州交通大學 新能源與動力工程學院，蘭州 730070； 2.國網甘肅省電力公司電力科學研究院，蘭州 730070）

0 引言

隨著我國“雙碳”目標的持續推進，我國可再生能源發電產業得到了快速發展，能源系統深度脫碳勢在必行［1］。以風光為主體的分布式微源作為可再生能源的重要利用載體，憑借其高效利用可再生能源、耦合多能源協同作業以及選址建設靈活等優點，成為我國構建新型電力系統，推進能源清潔低碳轉型的重點研究對象。

大規模含分布式微源的微網并網給電力系統帶來低價清潔電能的同時，推動電力系統演變為高不確定性的暫態穩定系統。高不確定性電力系統的負面特征重點體現在技術層面和經濟層面2個方面。在技術層面，不同于傳統的可控式發電設備，以風電、光為主體的分布式微源出力在短時域內具有極強的波動性和隨機性，長時域內則具峰谷特性。短時域內，高比例可再生電能滲透主網將導致電網電壓波形、頻率等出現振蕩與偏離，降低電能質量；長時域內，微源出力的峰谷特性可能導致主網供能不足或供能冗余，導致電網供能穩定性下降。

另外，分布式微網出力的不確定性對接入系統經濟層面的影響也不容忽視，這些影響集中體現在對微源出力平抑過程中的調度成本上，包括功率峰谷平抑成本、頻率調節成本、電壓波形修正成本、儲能設備控制成本以及額外添置的無功補償設備和儲能設備的成本等。

為減小以上負面影響，推動以可再生能源為供能主體的新型電力系統發展，學術界提出了基于“風-光-柴-儲”微網結構的“主電網-微電網”協同調度模型，以期通過多目標協同調度，在消除分布式微源出力不確定影響的同時兼顧其他多項指標，達到精準高效控制機組啟停狀態及出力，平抑電網參數波動的目的。

截至目前，相關學者和從業人員對基于調度策略消除系統不確定性影響的方法進行了廣泛深入的研究。本文基于現有成果，首先從確定模型、隸屬度模型以及區間數據模型3個方面介紹不確定數據建模方法；在此基礎上，針對各類數據模型特征分別介紹隨機規劃模型、模糊規劃模型、魯棒規劃模型、分布式魯棒模型4 種調度模型以及各類具體優化計算方法，總結歸納各類算法的優缺點及其適配的調度模型；最后，總結現有研究的缺陷與遇到的問題，展望微網調度方法未來的發展方向。

1 含風、光等分布式微源的微網結構

1.1 典型分布式微網結構

含可再生微源的分布式微網建設普遍遵循“源-網-荷-儲”的結構［2］。微網源端結構通常由以柴油發電機等為主的可控發電設備和以光伏發電、風力發電為主的不可控發電設備構成；網層結構包括直流升壓設備、DC-AC 逆變設備、變壓器等傳輸設備；儲能元件的網間功率交互特性優秀，裝載于含分布式微源的微電網中，承擔調控新能源電力消納、平抑峰谷的職能；其他部件包含功率質量提升設備、無功功率補償設備等。典型的分布式微網結構如圖1所示。

由圖1 可以看出，分布式微網的不確定性不僅與分布式微源的不確定性有關，還與設備故障、設備失控等不可控事件相關。相比于設備故障、設備失控等不可預測的離散型不確定事件，風光新能源微源出力總體遵循一定規律，具有一定的可預測性。分布式微源的這一特征使得通過研究其出力特征，進而輔助開展調度工作以消除大規模微網并網對接入系統產生的負面影響成為可能。

1.2 微網優化調度的主要研究目標

在電力系統中，平抑微網不確定所造成影響的本質是“主電網-微電網”結構中各設備最優出力的分配。目前，大規模以分布式微源為供能主體的微網并網對系統的影響越來越顯著，研究人員從經濟最優、電能質量最優、環保性最優、用戶滿意度最優以及多目標協同優化5 個方面開展了研究。表1 歸納和總結了當前微網不確定優化調度的主要研究目標、研究內容及特點。

表1 微網不確定優化調度研究目標、內容及特點Table 1 Objectives， research contents， and characteristics of the microgrid optimized scheduling considering uncertainties

2 微網中不確定性微源描述方法

不確定理論是以概率論、可信性理論為主體來分析無法具象描述的隨機性數據的一種方法論，在電力系統和新能源發電領域應用廣泛。風、光等微源出力受自然環境影響，在短時間尺度上呈間歇性與波動性，但在中、長時間尺度上輸出功率曲線平滑且遵循一定的數學規律。因此，利用合理的數學模型提取功率曲線的數學特征，可使利用不確定理論表征微源成為可能。目前，含不確定性微源的微網建模方法中，主流的不確定數據建模方法主要有確定化模型法、隸屬度模型法和區間模型法。

2.1 確定化模型描述法

2.1.1 概率模型描述法

概率模型是一種統計學模型，其原理是通過統計歷史數據并逆求解假設模型得到模型各參數，由此提取歷史數據特征。目前應用較多的概率模型為離散概率模型和連續概率模型。離散概率模型偏向描述獨立離散事件的概率分布，難以與風速、光照等連續型變量適配，因此學術界普遍利用連續概率模型描述微源出力。常見的連續概率分布有正態分布、Weibull分布、瑞利分布及Beta分布等。

作為解釋性強的經典方法，概率模型在表述微源出力不確定性方面有著廣泛應用。文獻［14］使用Weibull模型、Beta模型分別表述了風電出力和光伏出力歷史數據；文獻［15］使用兩參數Weibull概率模型表征風電出力，使用對數正態分布表征光伏出力；文獻［16］將常規發電組件、供熱設備輸出功率以正態分布表示，風、光出力分別由Weibull 分布和Beta分布表示；文獻［17］使用多參數Weibull模型描述風電功率分布特征，提升了描述精度。

2.1.2 具象化場景描述法

具象化場景描述法的原理是用具有典型特征的具象場景替代不確定場景。目前主流的具象化場景描述法主要有隨機采樣法和曲線擬合法。

（1） 隨機采樣法。隨機采樣法是一種用具象化場景描述不確定參數的經典方法。該方法的原理是基于歷史數據約束及概率模型約束，在不確定區間生成具體數據場景并使用該場景表示整體系統。隨機采樣方法中，蒙特卡洛及其衍生類方法應用最為廣泛，其次是場景樹模擬。傳統隨機采樣方法難以對邊緣低概率極端場景進行采樣，采樣得到的場景集數據特征表征能力不佳。為解決上述缺陷，相關學者開發了各類改進隨機采樣方法，見表2。此外，場景樹法作為隨機采樣法的一種典型方法，是一種可視化描述不確定性問題的樹形場景集結構。它將不確定問題分解成一系列細分且獨立的具象化場景，場景間的支路隱含場景選取概率，指代場景在動態變化過程中的隨機性，如圖2所示［18］。

表2 隨機采樣方法Table 2 Random sampling methods

圖2 場景樹模擬示意Fig.2 Simulation of the scenario tree

隨機采樣方法在表述不確定特征方面理解性強、延展性高、應用廣泛。文獻［19］利用改進蒙特卡洛方法對分布式風光微源出力及負荷進行采樣，基于此數據使用粒子群算法開展優化；文獻［20］使用拉丁超立方采樣方法在Weibull 風電功率概率模型中采樣，生成風電隨機場景集；文獻［21］使用馬爾科夫鏈蒙特卡洛采樣方法實現動態場景集采樣，生成風電功率場景序列。

（2）曲線擬合法。曲線擬合法的原理是將時間序列上獨立點狀場景串聯成線形場景序列，用此特殊場景序列代表整體場景的數據特征［22］。傳統曲線擬合使用殘差平方差、殘差均方根作為擬合標準。針對分布式微源出力短時波動幅度較大且數據變化非線性程度高的問題，相關學者提出基于總體噪聲水平、概率密度誤差、置信區間以及貝葉斯統計等來進一步精確衡量曲線擬合質量。

求解曲線擬合最優參數較為常見的方法有最小二乘法、智能優化法、確定過程法及人工神經網絡法。其中，人工神經網絡法由于其數據覆蓋范圍極廣、自適應性極強和可全局優化收斂而得到廣泛關注與應用。目前普遍應用的人工神經網絡有反向傳播（Back Propagation，BP）神經網絡、遞歸神經網絡、卷積神經網絡、長短時記憶網絡等。

2.2 隸屬度模型描述法

隸屬度模型是通過隸屬度參數表征原始數據不確定程度的數據模型。隸屬度模型的核心在于構建參數與目標之間的隸屬度矩陣。隸屬度是一個［0，1］區間內的實數，表示參數x與數集A之間的映射密切程度，隸屬度越接近1 則與目標集合的關系越緊密。典型的隸屬度函數有三角形函數、梯形函數、矩形函數和高斯函數［23］。表3 列舉了典型隸屬度函數及表達式（表中：W為微電網功率；μ為W的隸屬度，0 ≤μ≤1）。

表3 典型隸屬度函數及表達式Table 3 Typical membership functions and their representations

隸屬度函數以隸屬度為判定規則，定量描述不確定變量，這使得隸屬度數據模型有極強的多參數耦合能力。從模型整體看，可構建貫穿數據源層、調度模型層、優化計算層的多層聯合調度模型；從多源協同運行角度看，隸屬度函數可通過調整隸屬度函數交互點以自適應改變子問題耦合權重系數，從而實現多源協同調度。

2.3 魯棒不確定集描述方法

魯棒不確定集是由簡單區間衍生出的封閉非線性參數模型。簡單不確定區間利用已知數據最大值和最小值組成區間［xmin，xmax］，表征不確定參數，此區間包含一切該變量的可能取值。

基于簡單不確定區間開展調度可使調度過程僅需考慮極端場景，極大提升了求解速度。但此模型得到的調度結果通常過于保守且會對邊緣場景過擬合，難以綜合考慮全局數據特征。因此，精細化的多邊形魯棒不確定集得到了廣泛應用。

將簡單不確定數區間分解為較小子集，即可得到魯棒不確定集，目前較主流的魯棒不確定集有盒式不確定集、多面體不確定集以及橢球不確定集3種形式［24］，如圖3所示（圖中：ζux，ζdx，ζuy，ζdy，分別為x軸和y軸不確定參數的期望值上、下限；Ωx，Ωy分別為x軸和y軸不確定參數的期望基值）。

圖3 魯棒不確定集Fig.3 Robust uncertainty set

魯棒不確定集內含大量非線性隨機過程，利用魯棒不確定集進行優化涉及凸優化模型求解，基于線性規劃的常規算法難以求解。但隨著以元啟發算法為體系的智能算法的逐漸成熟，多目標博弈、自適應搜尋Pareto 解集成為可能。智能算法與魯棒不確定集兩者結合的魯棒優化成為學術界研究的熱點。

3 含不確定性微源的微網優化調度模型

微網調度模型是含不確定微源的微網實現多能互補、多目標優化的核心。調度模型本身并不直接進行求解，而是為優化算法提供了響應微源出力、統籌微網內設備運行約束、搜尋最優化調度解的求解平臺。圖4簡要說明了基于調度模型的運行框架［25］。

圖4 微網優化調度流程Fig.4 Optimization process of the microgrid

正確合理地選取優化調度模型，對優化算法收斂速度、算法求解精度、方案全局優化等有重要影響?；谇拔膶Σ淮_定數據模型的分類，可以將優化調度模型分為基于確定場景集調度的隨機優化模型、利用魯棒不確定集調度的魯棒優化模型以及定向利用隸屬度數集調度的模糊規劃模型3類。

3.1 隨機規劃模型及其衍生模型

隨機規劃模型的重要特征是將不確定參數轉化為隨機參數，作為模型驅動數據開展調度。面對出力高度非線性的風光微源，隨機規劃模型通常與確定數據模型適配運行，將不確定數據轉化為隨機數據并基于線性約束開展調度。

隨機規劃模型雖然利用確定數據模型部分消除了數據不確定性帶來的影響，但導致調度結果的精準度會依賴原始數據建模的準確性；此外，基于具象化場景消除參數不確定性將給模型帶來巨量數據輸入，使模型求解緩慢；最后，部分低概率極端場景在優化過程中難以覆蓋，導致優化結果魯棒性不足。面對以上缺陷，有學者開發了期望值隨機規劃模型和機會約束隨機規劃模型2 種衍生模型，見表4（表中：xj為決策向量；y為由x決策的目標函數；c為常數矩陣；α為約束調度結果的最大可信區間；ω為魯棒優化和分布式魯棒優化中表征風光不確定性的隨機變量，可進一步保證調度結果收斂，不會使結果進入無解的空集狀態；λ為人工權值，以精確搜索最優調度方案；g(xj)為將決策變量轉換為模糊變量的模糊函數）。

表4 優化調度模型及其衍生模型Table 4 Optimization scheduling model and its derivatives

期望值隨機規劃模型用期望值特殊樣本代表全體數據特征，最大限度減少了調度過程中的樣本數據生成量。機會約束隨機規劃模型通過設置最大容忍度等人工約束，放大調度過程的隨機搜索范圍并可顧及極端場景，保證調度結果的魯棒性。

目前，隨機規劃模型的應用與改進側重于準確表述驅動數據、構建求解高效的約束條件2個方面。例如：文獻［26］使用常規場景樹模擬風光電功率序列，在隨機規劃模型中則構建了風光微源功率的二階錐約束，高效求解了調度成本最優的優化目標；文獻［27］以可再生能源出力預測誤差、可變負荷功率以及隨機停電為機會約束條件，利用線性求解方法求解，在有效削減隨機采樣數據規模的同時提升了日前調度的計算效率與調度精度，相較于蒙特卡洛隨機采樣方法更具應用優勢。

3.2 魯棒規劃模型

魯棒規劃模型基于魯棒不確定集數據模型，依據悲觀決策準則展開調度，抗風險抗波動能力極強。對于含風、光等微源的微網，魯棒規劃模型僅需提取風光微源出力區間即可開展調度，進一步減少了調度過程中數據的采集量。

魯棒規劃模型作為近年來最熱門的優化方法，在微網優化調度應用方面還存在一些缺點。一方面是調度結果魯棒性側重過強，導致結果保守；另一方面是魯棒模型求解通常為復雜的非線性問題求解，求解時需要將問題轉化為具有多項式計算復雜度的凸優化問題［28］，求解過程復雜繁瑣。

為彌補以上缺陷，業內學者提出了結合動態優化算法的分段式求解模型以提升求解效率，并引入自適應原理避免結果過度保守。文獻［29］為降低調度結果的保守性，構建了多重不確定等級對目標分別評定，并結合自適應原理實現動態經濟最優目標優化。文獻［30］在魯棒模型中引入自適應原則，既保留了魯棒調度結果的保守性，又提升了Pareto解集逼近能力。文獻［31］將魯棒模型與動態優化算法結合，構建了多時段、多對象的多階魯棒模型，再利用動態優化算法分段求解，有效提升了模型的求解效率。

3.3 分布式魯棒規劃模型

相較于傳統魯棒模型，分布式魯棒模型考慮了隨機變量概率分布的特征，在優化結果保守性方面有一定改善。目前，分布式魯棒模型構建的主要方向是基于矩信息的分布式魯棒和基于概率距離的分布式魯棒2種。

分布式魯棒模型通過提取參數矩信息達到描述不確定參數概率分布的目的。應用較多的矩信息包含均值（一階矩）、方差或散度（二階矩）、斜率（三階矩）；基于信息掌握程度可再細分為基于確定矩的分布式魯棒規劃模型和基于不確定矩的分布式魯棒模型?；诟怕示嚯x的分布式魯棒模型通常采用凱利離散度（Kullback-Leibler Divergence，KL）、Wasserstein 距離等概率距離描述參數分布特征。

為進一步精簡分布式魯棒模型的計算流程，兼顧提升模型多目標調度的效能，業內學者提出了結合多階規劃模型的分布式魯棒模型并得到了廣泛應用。文獻［32］在分布式魯棒模型中引入風險價值理論并利用多階規劃方法求解目標函數。文獻［33］構建了多階分布式魯棒規劃模型，第1 階段確定風電容量分配決策，第2 階段確定運行決策?？紤]線性算法在計算速率上的優勢，文獻［34］在構建多階魯棒模型開展調度的同時，利用線性列和約束生成（Column and Constraint Generation，C&CG）算法求解模型經濟最優目標，有效提升了模型的運行效率。

3.4 模糊規劃模型

模糊規劃模型是定向利用隸屬度數據模型開展調度的規劃模型。由于隸屬度模型能定量描述原始數據關聯程度、多目標耦合程度等模糊參數特征，因此，模糊規劃模型具有極高的靈活性和數據耦合能力。以上數據特征令模糊規劃模型在多能流互補調度、長短時時域規劃、多目標協同優化等應用場景中具有突出優勢。

實際應用過程中模糊規劃模型也存在一些缺點：一方面，模糊規劃模型中隸屬度函數的選取暫無體系學說，導致模型調度過程始終具有一定誤差；另一方面，模糊規劃模型具有靜態性，自適應能力不足，面對動態隨機性強的風光微源出力序列，其精準調整系數能力不足。

模糊規劃模型因多目標表述能力較好，通常與綜合能源系統的多能互補調度工作相結合。在系統各電源耦合協同供能方面，文獻［35］利用隸屬度函數表征光熱、光電、風電多能流的耦合程度，形成多源耦合協同調度模型。在系統多目標協同優化方面，文獻［36］設定隸屬度μ為子問題耦合比例系數，解決了動態多目標優化問題中子問題重要性自適應分配問題。文獻［37］用隸屬度函數表示風電機組出力、功率爬坡持續時間，再利用隸屬度表示最優解與目標函數值之間的關系，實現了調度過程全隸屬度化。在多電源耦合方面，文獻［38］利用隸屬度函數建立墨西哥東部的局部風電場與水電廠聯合模糊規劃模型并開展經濟優化調度。另外，為解決隸屬度函數動態修正能力較差的問題，文獻［39］在模糊規劃模型中引入自適應指標，使模型能基于歷史數據自行調整隸屬度。

4 微網優化調度求解方法

研究表明，電力調度優化問題實質上是優化規劃問題［40］，根據各類調度模型的分類，具體優化算法如圖5所示，各優化調度算法的特點見表5［41］。

表5 優化調度算法對比［41］Table 5 Comparison of different optimization dispatching algorithms［41］

圖5 優化算法樹狀圖Fig.5 Optimization algorithm tree diagram

4.1 常規優化算法

常規優化算法包括線性優化算法及其衍生算法，其中衍生算法以傳統線性算法為基礎，結合迭代、整數規劃等原理構建而成。目前，應用廣泛的優化算法有線性規劃、非線性規劃、混合整數規劃、動態規劃等，見表6。

表6 常規優化算法［42］Table 6 Regular optimization model and its derivatives［42］

常規優化算法結構簡單、計算流程理解性強且應用廣泛，但面向微源為主的不確定數據源，還需考慮額外線性化步驟初始化參數，因此常規算法在開展優化調度時通常與確定性數據模型相結合使用。文獻［50］是典型常規算法在調度方面的應用，首先將不確定參數線性化，然后構建隨機規劃模型并通過線性規劃方法求解，實現了風電不確定波動的無功優化調度。

在實際應用方面，目前有將魯棒不確定集與常規算法相結合的案例。文獻［51］設定?效率指標來評估調度質量，構建了多階目標函數，開展多目標區間線性規劃調度；文獻［52］采用區間模型描述風光微源出力的不確定性，隨后利用區間線性規劃法求解效益最大化的日前調度方案。上述文獻基本實現了調度質量最優前提下的調度成本最優，但總體優化效果不夠理想。

綜上所述，常規算法在面向線性條件約束的凸優化問題求解方面具有良好的泛化性能、準確性和快速性，但在處理非線性的風光微源出力約束、非凸多目標問題時，常規算法求解過程復雜且結果全局最優性較差。學界試圖通過引入魯棒區間變量提升參數線性化指標，構造多階調度算法等人工因子來改進常規優化算法。另外，以Benders 分解算法（Benders Decomposition Algorithm）［48］和C&CG 算法［49］為代表的混合整數規劃方法，以分段式優化方法為代表的動態規劃方法也在微網優化調度方面得到了應用。

4.2 多目標啟發式算法

在微網調度多目標優化方面，已有方法主要分為多個目標協同優化和將多目標匯集為單目標優化的2 類方法。傳統非啟發式優化算法應對以上2種模式的自適應效果均不理想，且在高維約束條件內開展自搜尋逼近優化解集的能力有限，因此，多目標優化算法更多采用啟發式優化算法。

啟發式優化算法是一種群體智能算法，求解步驟為：（1）基于設定規則生成大規模滿足約束超空間的個體；（2）個體在約束超空間內隨機運動，模擬搜尋并選取相對最優個體；（3）選取并令下一子代“繼承”局部最優解特征，再次隨機運動；（4）迭代逼近最優解集。不難看出，啟發式算法不需要約束條件或輸入參數嚴格線性化，求解過程為非線性的隨機過程，面對多目標協同求解時不會陷入不收斂的情況，對多目標求解適配性較強。

目前較主流的啟發式算法有粒子群算法［53］、進化算法、禁忌搜索算法、帝國算法等。為提升算法效能，啟發式算法通常與退火算法、專家系統、神經網絡［54］等方法相結合，形成了啟發式混合優化算法。啟發式算法及其混合算法以其優秀的優化效果以及強適配性，得到了學術界的廣泛應用。

啟發式算法及其混合算法在處理各類優化問題時性能良好，但構建流程復雜，計算過程可控性相對較差，因此需考慮基礎數據、模型種類的實際情況選取具體算法。如文獻［4］結合遺傳算法交叉變異原理改進粒子群算法實現最優解集搜尋，得到了最優多目標Pareto 解集；文獻［8］采用NSGA-II 求解系統節點電壓降、碳排放、網損的多目標解。

5 結論與展望

利用分布式微網“源-網-荷-儲”結構與主電網交互消除微網不確定性的調度策略在平抑精度、響應速度以及多目標聯合優化等方面具有突出優勢，得到了廣泛且深入的研究與應用，但在實踐過程中許多技術問題也逐漸顯現。

首先，傳統IEEE模型難以對接入分布式微源的節點進行定義和分類，出力隨機性極強的分布式微源將使IEEE模型的潮流分布不確定程度上升，導致電網調度困難；其次，目前研究的配電網局限于輻射狀或帶狀節點模型，但現實中電網更多為網狀且具有局部環流和孤島節點，如何建立具有普適性的配電網約束模型是學術界的研究重點；然后，如何精準高效地實時預測風光可再生能源出力，以實現較高新能源消納率的日內調度是一個亟待解決的學科問題；最后，微網調度模型需要在高效響應不確定參數變動、精準迅速完成調度方面進一步發展與提升。為響應上述需求和解決相關問題，未來微網調度方法研究將圍繞著以下幾點展開。

（1）儲能設備作為“削峰填谷”的核心設備，在平抑風、光等分布式電源出力波動方面起到了重要支撐作用，但微電網優化調度中反映儲能設備真實出力特征的模型相對匱乏，對儲能設備電氣潮流方向過于理想化。未來對于儲能設備的建模將一方面集中于儲能設備出力特征，另一方面在于構建可真實反映儲能設備在微電網中運行狀態的精確控制模型。

（2）隨著微電網優化目標的多樣化與原始數據的多維化，開發可深度挖掘原始數據特征的多目標智能優化算法以應對復雜的調度場景，將成為未來發展的一個主要方向。微電網優化調度算法總體向模糊數據處理方向發展，預計未來算法在數據處理方面將向著自主化修正、無監督學習的自適應方向發展，智能化程度高、自主性強的算法將逐漸取代傳統人工設定規則的調度方法；另外，如何將算法與以上模型結合生成對抗網絡，將新一代數據驅動技術與現有模型結合是未來算法發展的重要方向。

（3）建立具有普遍應用價值的含分布式微源接入的IEEE 模型，對精確描述調度對象和實現高精度、高效率日內實時主動配電調度有著重要推動作用。目前應用較為廣泛的基于節點法和支路法的潮流計算方法難以應對具有隨機性的電網模型，傳統節點分類方式也難以對模型各節點進行分類。目前，學者研究重點集中在電網重構和網內多節點交互模型上，旨在構建能夠表征潮流環流和潮流孤島場景的IEEE模型和精準快速開展潮流計算算法。

（4）構建電氣化交通與分布式微網的融合供能體系需求旺盛。電動汽車（Electrical Vehicle， EV）近年來保有量大幅上漲，持續穩定向EV 供能的同時保證電網穩定成為一項新挑戰。相較于一般儲能設備， EV 負荷的時空分布隨機性更強， EV 電池也不具備一般儲能設備的統一電池容量水平，將導致各充電節點負荷功率不統一；另外，EV 電池與電網具有雙向互動特性，部分負荷節點會向著供能節點轉變。以上現象將增加分布式微網的不確定性，加劇微網潮流混亂，因此，建立考慮EV 設備接入的微網模型具有重要現實意義。