苗軼群，江全元，曹一家

（1.浙江大學 電氣工程學院，浙江 杭州 310027；2.湖南大學 電氣與信息工程學院，湖南 長沙 410082）

0 引言

電動汽車 EV（Electric Vehicle）可以有效緩解能源緊缺、環(huán)境污染等問題，國家近年來出臺了一系列政策支持EV產(chǎn)業(yè)的發(fā)展［1］。國家電網(wǎng)公司已建成多個EV能源供給設施示范工程［2］。EV可通過交流充電樁分散式接入電網(wǎng)進行充電，也可以駛入大型充換電站進行集中快速充電或更換電池。EV如果具有 V2G（Vehicle to Grid）功能［3］，還可以在閑置時向電網(wǎng)輸送能量，從而可作為移動分散式儲能單元與電網(wǎng)實現(xiàn)互動。

對于EV個體，在分散式接入方式下，受充電裝置容量的限制，一般采用慢速充電方式，充電功率小，對電池壽命影響較?。?］，但充電時間較長。對于大量EV無序充電，其整體行為將導致電網(wǎng)安全性降低、網(wǎng)損增加、網(wǎng)絡阻塞加劇等負面結果，有必要在智能電網(wǎng)和可再生能源利用環(huán)境下對其調度和控制進行優(yōu)化管理［4］。

微網(wǎng)是將可再生能源、微型燃氣輪機（MT）、燃料電池（FC）等分布式電源發(fā)電裝置，以及負荷、儲能裝置等有機結合并接入到電網(wǎng)的技術［5-6］。作為分散式儲能單元的EV接入微網(wǎng)，可用于接納可再生能源可能出現(xiàn)的能量過剩，也可作為備用提高微網(wǎng)的可靠性。

文獻［7］提出了包含風、光、儲、EV等的微網(wǎng)經(jīng)濟調度模型，分析了EV對微網(wǎng)經(jīng)濟性的影響：節(jié)約儲能設備投資，減少微網(wǎng)和EV用戶的運行費用。但文中對EV行為的假設過于單一，忽視了大量EV行駛過程、充電過程中體現(xiàn)出的隨機特性，與實際差異較大。文獻［8］考慮了EV開始充電時刻和日行駛里程的統(tǒng)計規(guī)律，建立了EV功率需求的統(tǒng)計模型，可用于研究EV充電對電網(wǎng)的影響。對于研究具有V2G功能的EV的充放電行為，需要考慮更多的隨機因素，如EV充放電功率曲線與EV充放電時刻、荷電狀態(tài)SOC（State Of Charge）有關，而充放電時刻、SOC又與EV駕駛行為直接相關。文獻［9］建立了含大規(guī)模可入網(wǎng)混合動力EV的電網(wǎng)安全約束機組組合優(yōu)化模型，將充放電過程按照時段分別考慮，忽略了SOC對混合動力EV的V2G功能的影響。在將EV的整體功率具體分配到每輛EV時，或在微網(wǎng)中每輛EV的功率和容量與儲能設備的功率和容量相比不能忽略時，有必要考慮EV荷電量對其充放電功率的影響。

本文以微網(wǎng)系統(tǒng)為基礎，提出了一種EV智能接入模式，對EV充放電進行控制，建立了EV智能接入模式下的微網(wǎng)優(yōu)化調度模型。最后，基于EV行駛統(tǒng)計規(guī)律，對EV的行為進行模擬，比較了智能充放電控制模式與隨機充電模式、錯峰充電模式下的微網(wǎng)優(yōu)化調度效果。

1 EV接入模式

隨機充電模式中，EV在最后一次行程結束回到家后，開始充電直至電池組充滿。充電行為體現(xiàn)出較強的隨機性。

隨著EV數(shù)量增多，充電功率可能對系統(tǒng)負荷產(chǎn)生較大影響，甚至出現(xiàn)新的負荷峰值［10］。可以通過延遲EV的充電時間，在負荷低谷時，如假設在24∶00后開始充電［11］，可以起到很好的移峰填谷的作用，即錯峰充電模式。

V2G概念的提出，使閑置的EV在電池組容量允許的條件下，在負荷高峰時將電池組中的能量返送回電網(wǎng)，將進一步提高移峰填谷的能力［3］。

智能接入模式中，EV用戶與微網(wǎng)簽訂協(xié)議，EV接入充放電裝置后，其充放電過程可由微網(wǎng)調度，車主可以通過人機接口對充放電過程提出要求，比如保留足夠的電量滿足臨時出行，下一次出行時間、行駛里程等。為便于微網(wǎng)制定日前計劃，EV用戶還要根據(jù)自身需要對下一日行駛計劃進行估計，給出EV閑置并可被調度的時間范圍。

2 EV隨機、錯峰充電模式下的微網(wǎng)優(yōu)化調度

EV接入微網(wǎng)后，成為微網(wǎng)的設備。微網(wǎng)在滿足EV能量需求的同時，協(xié)調內部設備，使微網(wǎng)運行更加經(jīng)濟。EV充電功率是微網(wǎng)總負荷的一部分，即微網(wǎng)的參數(shù)是優(yōu)化調度的重要數(shù)據(jù)。然而充電功率與EV行駛里程、充電時間等不確定因素有關，因此需要通過生成服從統(tǒng)計規(guī)律的隨機事件對逐輛EV進行仿真。將所有EV功率曲線疊加就可得到總的充電功率曲線，更新微網(wǎng)優(yōu)化調度問題中的相關參數(shù)，通過優(yōu)化得到結果，其流程圖如圖1所示。

對每輛EV，大約有14%的概率不會出行［12］，如果出行，其日行駛里程d近似服從對數(shù)正態(tài)分布［13］，其概率密度函數(shù)為：

其中，μd、σd為分布參數(shù)，可根據(jù)EV行駛里程的統(tǒng)計均值mn、標準差sd求得：

相應的第i輛EV充電電量需求ei為：

在隨機充電模式下，第i輛EV充電開始時刻ti，A為接入電網(wǎng)時刻，可認為是每天最后行駛結束時刻，近似服從正態(tài)分布［8］：

其中，μA=17.6，σA=3.4。

在錯峰充電模式下，EV充電被延后至負荷水平較低的時段，如 ti，A可取為 00∶00—01∶00 范圍內服從均勻分布的隨機數(shù)。

圖1 EV隨機、錯峰充電模式下微網(wǎng)優(yōu)化調度分析Fig.1 Analysis of optimal microgrid dispatch in random and off-peak EV charging modes

EV連續(xù)充電直至滿足充電電量需求ei。由于過充、過放都會對電池組壽命產(chǎn)生不良影響，所以電池組SOC在使用過程中一般被限定在某一范圍內，如30%～90%之間。而在這一區(qū)間進行充電時，充電功率可近似為常數(shù)［8］，設為p+，則EV充電功率曲線可表示為：

其中，ti，#為充電結束時刻。

將所有EV的功率曲線疊加即可得到每一時刻所有EV總的充電負荷。

以上EV接入模式下，微網(wǎng)優(yōu)化調度模型的目標是使微網(wǎng)運行成本最小、收益最大。微網(wǎng)運行成本包括微網(wǎng)從配電網(wǎng)購電成本、微網(wǎng)內部各元件運行成本；微網(wǎng)運行收益包括向配電網(wǎng)售電收益。約束條件包括微網(wǎng)內元件的運行條件約束，如微型電源的功率、爬坡率，儲能電站 ESS（Energy Storage Station）的功率、功率變化率、SOC等約束。

微網(wǎng)內功率平衡約束可表示為：

微網(wǎng)系統(tǒng)的備用約束為：

3 EV智能接入模式下微網(wǎng)優(yōu)化調度

有統(tǒng)計表明在某一時刻至少88%的EV是處于閑置狀態(tài)的［14］。此時，可將EV通過智能裝置連接于微網(wǎng)，由微網(wǎng)控制其充電或放電。

當EV充電、V2G功能可控時，微網(wǎng)可充分利用EV分散式儲能的潛力，提高經(jīng)濟性。這種模式下EV的充放電狀態(tài)為自變量，相應的功率為因變量。EV何時充電、何時放電由微網(wǎng)調度根據(jù)EV行駛狀態(tài)、與配電網(wǎng)交換電價、可再生能源功率等因素，基于全部時段進行綜合考慮，與其他可控變量，如微型可控電源、ESS等進行協(xié)調配合。

EV在充電或V2G狀態(tài)時，電池組SOC均被限定于30%～90%，相應充電功率、V2G功率都可近似為常數(shù)。V2G功率設為p-。

充放電功率還要受電池組SOC限制，當SOC接近90%時，將停止充電；SOC接近EV用戶設定值時，將停止放電。即SOC為重要的因變量，其狀態(tài)與EV的行駛里程相關，也就需要對EV進行更詳細的模擬。EV智能接入模式下的微網(wǎng)優(yōu)化調度流程如圖2所示。

EV行駛里程生成如前文所述。假設第i輛EV全天行駛里程平均等效至首次和末次行程，EV首次行程開始前電量滿，則首次行程結束后的有效荷電量，即初始時刻 ti，L荷電量為：

圖2 智能接入模式下微網(wǎng)優(yōu)化調度分析Fig.2 Analysis of optimal microgrid dispatch in smart EV integration mode

首次出行開始時刻ti，L近似服從正態(tài)分布：

其中，μL=7.2，σL=2.1。

全天行程終止時刻ti，A與前文一致。

將 ti，L～ti，A時段內每 30 min 劃分為一個子時段，根據(jù)EV行駛統(tǒng)計規(guī)律，確定每個子時段EV處于行駛狀態(tài)還是閑置狀態(tài)。圖3所示為EV在每個時段處于閑置狀態(tài)的概率［14］。由統(tǒng)計可知，由于每次出行時間平均為17.5 min［15］，所以EV在每個子時段是否處于行駛狀態(tài)彼此獨立。在 ti，L～ti，A時段外，EV 處于閑置狀態(tài)。由此得到EV全天閑置時段，此時EV可由微網(wǎng)調度。

圖3 EV在每個時段的閑置概率Fig.3 Out-of-use probability of EV

EV用戶會根據(jù)預留里程dr設定的下限，以保證有足夠的電量滿足出行。在 ti，L～ti，A時段內，dr包括回程里程和備用里程dB。回程里程為di/2，備用里程是為了滿足臨時購物、緊急就醫(yī)等計劃外的行駛需要而保留的，可取為 32 km［16］。在 ti，L～ti，A時段外，dr僅可取為 dB。的下限可表示為：

如果全天 EV 未行駛過，則 ti，L、ti，A都取為 μL，di取為 0，初始取為 e0。

EV智能接入模式下，微網(wǎng)優(yōu)化調度模型的目標函數(shù)與以上2種模式一致。加入EV相關的新約束。

EV荷電量約束：

EV功率定義：

EV荷電量與功率滿足：

充放電狀態(tài)互斥約束：

在下一天EV出發(fā)前充滿電量：

功率平衡約束：

系統(tǒng)備用約束：

緊急情況時將EV狀態(tài)設置為放電，即由EV提供附加備用為：

4 算例分析

4.1 微網(wǎng)系統(tǒng)參數(shù)

微網(wǎng)系統(tǒng)結構如圖4所示［17］，其中可控微型電源包括微型燃氣輪機、3臺柴油發(fā)電機（DE）、燃料電池，分別采用分段線性化模型描述功率成本關系，如圖5所示；不可控可再生能源包括風力發(fā)電機（WT）、光伏電站（PV）。微網(wǎng)區(qū)域常規(guī)負荷、光伏電源和風電的功率典型曲線如圖6所示。

圖4 微網(wǎng)結構Fig.4 Structure of microgrid

圖5 分段線性化后的成本-功率曲線Fig.5 Cost-power curve after piecewise linearization

圖6 負荷、光伏和風電的功率典型曲線Fig.6 Typical power curves of load，photovoltaic and wind power

ESS為集中式儲能元件，容量400 kW·h，假設在30%～90%之間變化，最多可充電240 kW·h，其他參數(shù)如下：最大功率100 kW，功率變化率300 kW/h，維護成本0.05元/（kW·h），狀態(tài)轉換損耗80元/次。EV作為分散式儲能單元通過充電樁（CP）接入微網(wǎng)，可以充電，也可以利用V2G功能放電，充放電功率p+、p-都取為4 kW。EV標準動力電池組總容量50 kW·h，有效荷電量 30kW·h，每百km 耗電量 20kW·h，滿電量可行駛里程150 km。電價如圖7所示。

圖7 電價曲線Fig.7 Power price curve

4.2 優(yōu)化結果

隨機產(chǎn)生1000個場景，每個場景50輛EV，按照圖1、圖2所示流程對隨機充電模式下、錯峰充電模式下及智能接入模式下所有場景進行隨機模擬，利用CPLEX軟件①IBM Corporation.IBM ILOG CPLEX 12.1 user’s manual.2009.對優(yōu)化模型進行求解，得到3種模式下微網(wǎng)運行成本如表1所示。在滿足EV能量需求的相同條件下，智能接入模式較隨機充電模式節(jié)約平均成本約31%，較錯峰充電模式節(jié)約平均成本約26%，經(jīng)濟性較好。

表1 微網(wǎng)運行成本Tab.1 Operational cost of microgrid

在某一場景內3種接入模式下EV功率曲線與原有負荷及可再生能源功率的疊加效果如圖8所示。微網(wǎng)與配電網(wǎng)間交換功率如圖9所示。

圖8 負荷與可再生能源功率之差Fig.8 Power difference between load and renewable energy

圖9 PCC交換功率Fig.9 Power exchange at PCC

在無EV接入的微網(wǎng)中，負荷與可再生能源功率之差表征功率的缺額，需要對微型電源、ESS等可控單元進行優(yōu)化調度以保證運行經(jīng)濟并最大限度地利用可再生能源。

隨機充電模式下，EV充電主要集中在17∶00以后，此時電價較高，微網(wǎng)以向配電網(wǎng)賣電為主。充電功率影響外送功率，減少了收益。在00∶00—05∶00微網(wǎng)內可再生能源功率過剩，除部分儲存于ESS內，其他只能以較低價格出售。

錯峰充電模式下，EV充電主要集中在00∶00—04∶00，有效利用了可再生能源的過剩功率，略微提高了經(jīng)濟性。

在智能接入模式下，EV作為分散式儲能裝置，與ESS協(xié)調配合，在電價較低，即配電網(wǎng)負荷低谷時，集中充電；在電價較高，即配電網(wǎng)負荷高峰時，集中放電，進一步提高了微網(wǎng)的經(jīng)濟性，對配電網(wǎng)起到“移峰填谷”的作用。ESS循環(huán)次數(shù)減少，延長了使用壽命，如圖10所示。

圖10 儲能電站荷電量Fig.10 Energy of ESS

所有EV以及某1輛EV的充放電功率、等效荷電量如圖11、圖12所示。EV首次出行前充滿電量，即06∶00左右荷電量接近最高值。首次出行結束后，可以利用較低電價繼續(xù)充電，補充行駛所耗能量。10∶00—15∶00，大部分 EV 處于閑置狀態(tài)，可被微網(wǎng)調度，在電價較高時段放電。17∶00—21∶00，EV 放電功率略有減小，這是因為此時段為EV末次出行集中時段，EV處于行駛狀態(tài)，不可被調度。EV在全天電價較低時充電。EV在行駛時，充放電功率為0，全天行駛里程所耗電量被平均等效至首、末2次出行時段，如圖12所示。

圖11 所有EV荷電量與功率Fig.11 Energy and power of all EVs

圖12 某輛EV荷電量及功率Fig.12 Energy and power of one EV

5 結論

由于EV接入電網(wǎng)具有很強的不確定性，在隨機充電模式和錯峰充電模式下很難建立嚴格的數(shù)學模型，利用隨機模擬方法對EV充電功率曲線進行研究。提出了EV智能接入模式，并建立了相應的微網(wǎng)優(yōu)化調度模型。以14節(jié)點微網(wǎng)為例，利用CPLEX軟件求解混合整數(shù)線性規(guī)劃問題，給出每輛EV的充放電策略。

智能接入模式既可以滿足EV行駛的需求，又充分利用EV閑置的電量，發(fā)揮其分散式儲能的功能，實現(xiàn)移峰填谷的作用，提高了微網(wǎng)的經(jīng)濟性。