梅哲, 詹紅霞, 苑吉河, 黃虎, 張曦, 鄧強(qiáng)
(1.西華大學(xué)電氣與電子信息學(xué)院, 成都市 610039;2.國網(wǎng)重慶電力公司南岸供電分公司, 重慶市 400060)
當(dāng)今能源問題,讓人們逐漸意識到傳統(tǒng)燃油汽車對環(huán)境以及可持續(xù)發(fā)展戰(zhàn)略的負(fù)面影響。最近幾年,發(fā)展和使用電動汽車成為一種趨勢。雖然電動汽車能帶來很多益處,但大量文獻(xiàn)研究表明,電動汽車的無序入網(wǎng)會給電網(wǎng)的安全穩(wěn)定運(yùn)行帶來挑戰(zhàn),比如進(jìn)一步增大負(fù)荷峰值[1]、增大網(wǎng)損和影響電能質(zhì)量[2]、減少變壓器的壽命[3]等。因此,為了合理地使用電動汽車,對其進(jìn)行有序充放電的引導(dǎo)十分有必要,V2G(vehicle to grid)模式則是良好的實(shí)現(xiàn)途徑與解決辦法。所謂V2G指的是,在電網(wǎng)負(fù)荷低谷利用電動汽車充電,而在負(fù)荷高峰時(shí)利用其向電網(wǎng)反饋電能,能夠有效地削峰填谷與優(yōu)化間歇性能源入網(wǎng)[4]。
針對電動汽車無序入網(wǎng)所帶來的不良影響,國內(nèi)外研究人員和學(xué)者做了大量研究。文獻(xiàn)[5]以充電費(fèi)用最低和電網(wǎng)的負(fù)荷方差最小為目標(biāo),提出了一種電動汽車智能充電調(diào)度策略,但是只將電動汽車當(dāng)作用電負(fù)荷來優(yōu)化,并未考慮其放電策略。文獻(xiàn)[6]考慮到電動汽車用戶的支持是實(shí)現(xiàn)V2G的基礎(chǔ),建立了包含電動汽車用戶成本的多目標(biāo)優(yōu)化模型,所得結(jié)果也更符合實(shí)際情況,但并未考慮用戶充電滿意度與電網(wǎng)負(fù)荷方差。文獻(xiàn)[7]提出了兩階段優(yōu)化的電動汽車充電策略,以總成本最低為目標(biāo)并且考慮了可再生能源的不確定性,但并未考慮放電的情況。
對于引導(dǎo)電動汽車有序充放電,有群體調(diào)度與個(gè)體調(diào)度2種策略。個(gè)體調(diào)度適用于電動汽車數(shù)量較少的情況,文獻(xiàn)[8]搭建了對每輛電動汽車進(jìn)行充放電優(yōu)化的實(shí)時(shí)調(diào)度模型,但隨著入網(wǎng)車輛增多,會使得變量維度過于龐大,求解困難甚至無解。文獻(xiàn)[9]構(gòu)建了電動汽車集群模型,并用于電力市場分析中。文獻(xiàn)[10]提出了一種動態(tài)分群策略,求解速度較快且經(jīng)濟(jì)性也有所改善。文獻(xiàn)[11]為了對電動汽車進(jìn)行調(diào)度,利用遺傳算法搭建隨機(jī)參數(shù)的電動汽車集群模型。群體調(diào)度雖然大大減少了算法維度,但不能完全考慮到單輛汽車的電量、充電時(shí)間等特性參數(shù),所以并不能很好滿足車主的出行需求,理論性強(qiáng),難以適用于實(shí)際情況。文獻(xiàn)[12]提出了考慮了用戶滿意度的分群策略,但對于電動汽車的優(yōu)化只考慮了時(shí)間維度,空間維度并未考慮。
本文在上述研究的基礎(chǔ)上,為了減小電動汽車無序入網(wǎng)與分布式能源的波動性給電網(wǎng)帶來的影響,提出一種V2G模式下基于電動汽車分群方法的配電網(wǎng)多目標(biāo)優(yōu)化運(yùn)行策略。該策略對源網(wǎng)荷(分布式能源、配電網(wǎng)、電動汽車負(fù)荷)三方進(jìn)行協(xié)調(diào)優(yōu)化,基于電動汽車充放電與分布式能源配合,得到配電網(wǎng)的最優(yōu)運(yùn)行工況。該策略也提出了一種電動汽車分群方法,在減少變量維度的同時(shí)保障了車主的出行需求。
電動汽車負(fù)荷與分布式能源接入配電網(wǎng)后,為了使源網(wǎng)荷三者協(xié)調(diào)互動起來,本文提出的優(yōu)化運(yùn)行模型有3個(gè)目標(biāo)函數(shù):電動汽車車主費(fèi)用最低、配電網(wǎng)負(fù)荷均方差最小以及配電網(wǎng)網(wǎng)損最小。由于源網(wǎng)荷三者的關(guān)系是“供銷用”,因此三者在收益層面不可能同時(shí)為最優(yōu),但卻可以“各取所需”。車主利用分時(shí)電價(jià)政策少花錢,則電網(wǎng)的收益會降低,但是卻換來負(fù)荷的平穩(wěn)及電網(wǎng)的安全運(yùn)行,通過對電動汽車合理充放電管理可消納更多的分布式能源,從而增加源側(cè)收益。當(dāng)然這都是基于電動汽車與電網(wǎng)的良性互動,因此首先要保證車主的利益;配電網(wǎng)的平穩(wěn)運(yùn)行是最終要求,則網(wǎng)側(cè)的負(fù)荷波動與網(wǎng)損要??;在保證網(wǎng)荷利益的基礎(chǔ)上,源側(cè)利用分布式能源與電動汽車充放電配合,使配電網(wǎng)處在一個(gè)最優(yōu)運(yùn)行狀態(tài)。該模型有多個(gè)目標(biāo)、多個(gè)約束,前2個(gè)目標(biāo)是系統(tǒng)宏觀層面上的,與網(wǎng)絡(luò)結(jié)構(gòu)關(guān)系不大;而網(wǎng)損則涉及到配電網(wǎng)拓?fù)浣Y(jié)構(gòu),因此為了更好地對模型求解,將模型拆解為內(nèi)外嵌套模型。內(nèi)層模型的目標(biāo)是電動汽車車主費(fèi)用最低、配電網(wǎng)負(fù)荷均方差最小,外層模型目標(biāo)則為配電網(wǎng)網(wǎng)損最小。
上述內(nèi)外嵌套模型,內(nèi)層模型優(yōu)化所得結(jié)果會作為初值反映在外層模型中,外層模型得出的結(jié)果也會反饋在內(nèi)層模型中,進(jìn)行下一次的迭代。這樣反復(fù)迭代,當(dāng)滿足終止條件時(shí),優(yōu)化迭代就結(jié)束,輸出最優(yōu)結(jié)果。內(nèi)外嵌套模型的求解流程如圖1所示。
圖1 內(nèi)外嵌套模型求解流程圖Fig.1 Flowchart to solve internal and external nested model
內(nèi)外層模型的目標(biāo)均是最優(yōu)化問題,因此采用GA-PSO(genetic and particle swarm optimization algorithm)混合優(yōu)化算法對該模型求解。該算法既有PSO算法的快速尋優(yōu)能力,又有GA算法能跳出局部最優(yōu)陷阱的能力,很好解決了單一算法的局限性。
1.2.1目標(biāo)函數(shù)
(1)電動汽車車主費(fèi)用最低。車主費(fèi)用的高低決定著電動汽車參與程度,因此要保證車主的利益。
λEV[PEVD(i,t)μEVD(i,t)+PEVC(i,t)μEVC(i,t)]-
CEVD(i,t)PEVD(i,t)μEVD(i,t)}ΔT
(1)
式中:FEV表示車主費(fèi)用,考慮車主充電費(fèi)用、充放電對電池壽命造成的損失以及向配電網(wǎng)放電所得收益,其值為前兩者之和減去后者;T表示優(yōu)化周期;ΔT為優(yōu)化步長;NEV表示電動汽車數(shù)量;CEVC(i,t)表示t時(shí)段電動汽車i的單位充電電價(jià);PEVC(i,t)表示t時(shí)段電動汽車i的充電功率;μEVC(i,t)表示t時(shí)段電動汽車i的充電狀態(tài),為0或1;同理,CEVD(i,t)表示t時(shí)段電動汽車i的單位放電電價(jià);PEVD(i,t)表示t時(shí)段電動汽車i的放電功率;μEVD(i,t)表示t時(shí)段電動汽車i的放電狀態(tài);λEV表示電動汽車的電池老化系數(shù)。
(2)以配電網(wǎng)負(fù)荷均方差最小為目標(biāo)。其表征電網(wǎng)的負(fù)荷波動情況,值越小則表示負(fù)荷變化越平穩(wěn)。
式中:FLSD表示配電網(wǎng)的負(fù)荷均方差;FLVA表示配電網(wǎng)負(fù)荷方差;Pload(t)表示t時(shí)段配電網(wǎng)原有負(fù)荷大??;PDG(i,t)為t時(shí)段分布式能源機(jī)組i的出力;NDG為分布式能源機(jī)組數(shù)量;Pave表示配電網(wǎng)原有負(fù)荷、分布式能源機(jī)組出力和電動汽車充放電功率的平均值。
1.2.2約束條件
(1)系統(tǒng)有功平衡約束。
式中:Pg(t)為t時(shí)段上級電網(wǎng)向配電網(wǎng)注入有功功率;Ploss(t)為t時(shí)段配電網(wǎng)網(wǎng)損大小。
(2)峰谷差約束。優(yōu)化之后的負(fù)荷峰谷差要小于原始負(fù)荷的峰谷差。
Pload,max-Pload,min (6) 式中:Pload0,max、Pload0,min分別表示配電網(wǎng)原負(fù)荷峰值、谷值;Pload,max、Pload,min分別表示優(yōu)化之后的負(fù)荷峰值、谷值。 (3)本文考慮的分布式能源有小水電,其約束條件不同于風(fēng)光等新能源。式(7)表示水電機(jī)組水電轉(zhuǎn)換關(guān)系約束,式(8)為水電機(jī)組出力上下限約束,式(9)表示水電機(jī)組發(fā)電引用流量上下限約束,式(10)為水庫庫容量約束,式(11)表示水量平衡約束。 PHP(i,t)=KHP(i)qi,tHi,t (7) PHP(i,min)≤PHP(i,t)≤PHP(i,max) (8) qi,min≤qi,t≤qi,max (9) Vk,tmin≤Vk,t≤Vk,tmax (10) Vk,t+1=Vk,t+(Ik,t-qk,t-dk,t)ΔT (11) 式中:PHP(i,t)為t時(shí)段水電機(jī)組i的出力;KHP(i)表示水電機(jī)組i所在水電廠的發(fā)電出力系數(shù);qi,t為t時(shí)段水電機(jī)組i的發(fā)電引用量;Hi,t表示t時(shí)段水電機(jī)組i的水頭,為上下游的水位差;PHP(i,max)、PHP(i,min)表示水電機(jī)組i的出力上下限;qi,max、qi,min表示水電機(jī)組i的發(fā)電引用流量上下限;Vk,t表示t時(shí)段水電廠k的庫容量;Vk,tmax、Vk,tmin表示t時(shí)段水電廠k庫容量上下限;Ik,t表示t時(shí)段第k級水電站的入庫徑流量;qk,t為t時(shí)段水電廠k的總發(fā)電引用流量;dk,t表示t時(shí)段水電廠k的棄水量。 1.3.1目標(biāo)函數(shù) 該層的目標(biāo)是配電網(wǎng)的總有功網(wǎng)損最小。 式中Floss表示優(yōu)化周期內(nèi)的配電網(wǎng)總網(wǎng)損。 1.3.2約束條件 外層模型的目標(biāo)是網(wǎng)損最優(yōu),與分布式能源和電動汽車的接入位置及容量有關(guān)系,因此約束有潮流約束、電壓約束和電動汽車約束。本文提出的充放電策略實(shí)質(zhì)上是一種延遲優(yōu)化策略,電動汽車出行結(jié)束開始接入充電樁充電時(shí),該優(yōu)化策略會依據(jù)此時(shí)配電網(wǎng)的負(fù)荷情況,同時(shí)對車輛的開始充電時(shí)刻與電量情況進(jìn)行判斷,決定車輛是充電還是放電,并計(jì)算出最優(yōu)的電動汽車充放電時(shí)間與功率。 (1)多時(shí)段潮流平衡約束。 (13) (14) 式中:Pm,t、Qm,t分別表示t時(shí)段節(jié)點(diǎn)m的有功、無功注入;Nno表示系統(tǒng)節(jié)點(diǎn)總數(shù);Um,t、Un,t分別表示t時(shí)段節(jié)點(diǎn)m、n的電壓幅值;Gmn、Bmn分別為節(jié)點(diǎn)m、n之間的電導(dǎo)和電納;θmn表示節(jié)點(diǎn)m與n之間的電壓相角差。 (2)節(jié)點(diǎn)電壓約束。 Um,min≤Um,t≤Um,max (15) 式中Um,max、Um,min為節(jié)點(diǎn)m的點(diǎn)電壓幅值上下限。 (3)電動汽車充放電功率約束。 PEVC,min≤PEVC(i,t)≤PEVC,max (16) PEVD,min≤PEVD(i,t)≤PEVD,max (17) 式中:PEVC,max、PEVC,min表示電動汽車充電功率的上下限;PEVD,max、PEVD,min表示電動汽車放電功率的上下限。 (4)電動汽車電池容量約束。 SSOC(i,min)≤SSOC(i,t)≤SSOC(i,max) (18) 式中:SSOC(i,t)為t時(shí)段電動汽車i的電池荷電狀態(tài)(state of charge,SOC);SSOC(i,max)、SSOC(i,min)表示電動汽車i的SOC上下限。 (5)電動汽車車主期望電量約束。 SSOC,departure(i)≥SSOC,expect(i) (19) 式中:SSOC,departure(i)為電動汽車i離開時(shí)的SOC水平;SSOC,expect(i)為電動汽車i車主希望達(dá)到的SOC水平。 (6)電動汽車電量平衡約束。 SSOC(i,t+1)=SSOC(i,t)+[μEVC(i,t)× PEVC(i,t)-μEVD(i,t)PEVD(i,t)]ΔT/EEV(i) (20) 式中EEV(i)表示車輛i的電池容量。 (7)充放電時(shí)間約束。對于電動汽車的充放電優(yōu)化策略是在不影響車主正常出行的條件下進(jìn)行的,假設(shè)車主每天08:00出門上班,那么在08:00前車輛的電量必須要達(dá)到車主的要求。式(21)表示電動汽車最大充放電延遲時(shí)間約束;式(22)為放電電量約束,為了延長電池使用壽命,不能對電動汽車進(jìn)行過放[13];式(23)為充放電時(shí)間約束[12]。 (22) Td,i+TdEVD,i+TEVD,i+TdEVC,i+TAEVC,i≤Tdmax.i (23) 式中:Tdmax,i表示電動汽車i的最大充放電延遲時(shí)間;TCX,i為用戶i出行時(shí)刻,本文假設(shè)的是每天08:00;TKC,i表示電動汽車i開始充電時(shí)刻,即出行結(jié)束接入充電樁時(shí)刻;TEVC,i為達(dá)到用戶期望電量所需的充電時(shí)間;TEVD,KC表示放電開始時(shí)刻;TEVD,END表示放電結(jié)束時(shí)刻;ΔtEVD為放電周期間隔;α為最低放電系數(shù),一般取20%;Td,i表示車輛i的充電延遲時(shí)間;TdEVD,i與TEVD,i分別表示車輛i的放電延遲時(shí)間與放電時(shí)間;TdEVC,i表示放電結(jié)束再充電延遲時(shí)間;TAEVC,i為再次充電達(dá)到用戶電量需求持續(xù)時(shí)間。 (8)電動汽車充放電狀態(tài)約束,同一輛電動汽車不能同時(shí)充放電。 μEVC(i,t)+μEVD(i,t)≤1 (24) 由于電動汽車數(shù)量眾多,每輛車的開始充電時(shí)刻、充放電時(shí)間等車輛特征信息都不盡相同,如果一一對每輛車充放電優(yōu)化,這就意味著待優(yōu)化的變量眾多,導(dǎo)致算法維度過大,使得求解困難甚至無解。為此,本文提出了一種對電動汽車分群的方法,該方法在符合實(shí)際情況易于求解的同時(shí),也考慮了車主的出行需求。 本文提出的方法是對于周期為24 h的優(yōu)化分群,可將同一時(shí)間段內(nèi)開始充電的電動汽車分為同一類群,比如在同一小時(shí)內(nèi)的分為一類;在同一時(shí)段內(nèi)的汽車所需充電時(shí)間亦不一樣,將充電時(shí)間接近的汽車分為一類。據(jù)統(tǒng)計(jì)數(shù)據(jù),大部分電動汽車的充電時(shí)間都在3 h內(nèi),因此可將其再進(jìn)行分類,如把充電至車主期望電量所需時(shí)間在1 h內(nèi)的分為一類,1~3 h的分為一類,大于3 h的分為一類。因此就有了電動汽車分群特征值TKC和TEVC,這里TKC表示電動汽車的開始充電時(shí)刻,TEVC表示充電至車主期望電量所需時(shí)間。 將電動汽車分群處理后,每個(gè)子群的車輛何時(shí)該放電,何時(shí)該充電呢?而且為了保護(hù)電動汽車電池壽命,不能隨意地對其一天內(nèi)進(jìn)行多次充放電。為此,本文提出了一種基于分群方法的充放電策略,將充放電形式分為2種,一是充電-放電-充電,二是放電-充電-充電。 (1)充放電形式一:充電-放電-充電,其充放電示意圖如圖2所示。 TCDC,I=TKC+Td+TFEVC (25) TCDC,II=TCDC,I+TdEVD+TEVD (26) TCDC,III=TCDC,II+TdEVC+TEVC (27) 式中:TCDC,I表示充放電形式一的第I階段結(jié)束時(shí)刻;TCDC,II表示充放電形式一的第II階段結(jié)束時(shí)刻;TCDC,III表示充放電形式一的第III階段結(jié)束時(shí)刻;TKC為電動汽車的開始充電時(shí)刻,指的是電動汽車接入充電樁的物理開始時(shí)刻,僅表示此刻車主將電動汽車接入充電樁,而真正與電網(wǎng)交換電能的時(shí)刻還與其余優(yōu)化變量有關(guān)系;Td表示開始充電時(shí)對應(yīng)的充電延遲時(shí)間;TFEVC表示剛接入時(shí)到充滿所需時(shí)間;TdEVD為放電延遲時(shí)間;TEVD為放電時(shí)間;TdEVC為再次充電延遲時(shí)間;TEVC表示充電至車主期望電量所需時(shí)間。 圖2 充放電形式一示意圖Fig.2 Diagram of charging and discharging Form 1 結(jié)合圖2對公式(25)—(27)進(jìn)行說明。式(25)為電動汽車接入到電量充滿階段,對應(yīng)圖2中階段I;式(26)為從充滿到放電階段,對應(yīng)圖2中階段II;式(27)為放電結(jié)束到充電至車主期望電量階段,對應(yīng)圖2中階段III。充放電形式一適用于電動汽車剛接入時(shí)電量不充足的情況,對應(yīng)子群內(nèi)所需充電時(shí)間較長的電動汽車。 (2)充放電形式二:放電-充電-充電,其充放電示意圖如圖3所示。 TDCC,I=TKC+TdEVD+TEVD (28) (29) TDCC,III=TDCC,II+Td+TEVC (30) 式中:TDCC,I表示充放電形式二的第I階段結(jié)束時(shí)刻;TDCC,II表示充放電形式二的第II階段結(jié)束時(shí)刻;TDCC,III表示充放電形式二的第III階段結(jié)束時(shí)刻;PC與PD分別表示充放電功率,所在分式含義為求出充回放掉電量所需時(shí)間。 圖3 充放電形式二示意圖Fig.3 Diagram of charging and discharging Form 2 結(jié)合圖3對公式(28)—(30)進(jìn)行說明。式(28)為接入到放電階段,對應(yīng)圖3中階段I;式(29)為放電結(jié)束到充電至剛接入時(shí)刻電量的階段,對應(yīng)圖3中階段II;式(30)為繼續(xù)充電至車主期望電量階段,對應(yīng)圖3中階段III。充放電形式二適用于對應(yīng)子群內(nèi)充電所需時(shí)間較短的電動汽車。 對于同一子群的電動汽車,執(zhí)行相同的充放電策略,即有相同的充電延時(shí)、放電延時(shí)、放電時(shí)間及放電后再充電延時(shí),而充電至車主期望所需電量時(shí)間仍按照每輛車的實(shí)際情況來決定,這樣既大大減少了變量維度,又保障了車主出行需求?;诒疚姆秩悍椒ǖ某浞烹姴呗裕沟秒妱悠囈惶靸?nèi)不會多次隨意充放電,保護(hù)了電池,延長了車輛使用壽命;也對數(shù)量眾多的電動汽車進(jìn)行分群優(yōu)化,更符合實(shí)際情況且利于調(diào)度;同時(shí)也保證了車主的用車需求。 本文采用修改過的IEEE 33節(jié)點(diǎn)配電系統(tǒng),來驗(yàn)證提出的V2G模式下基于電動汽車分群方法的配電網(wǎng)多目標(biāo)優(yōu)化運(yùn)行模型與分群理論的有效性。本文提出的模型優(yōu)化運(yùn)行周期考慮為一天24 h,因此需要每1 h的負(fù)荷數(shù)據(jù),依據(jù)各個(gè)節(jié)點(diǎn)有功功率占系統(tǒng)總有功功率比例不變的假設(shè)[14],將某區(qū)域電網(wǎng)典型日負(fù)荷折算到修改過的IEEE 33節(jié)點(diǎn)系統(tǒng)上。修改后的IEEE 33節(jié)點(diǎn)配電系統(tǒng)示意圖如圖4所示,圖中EV、WT、HP分別代表電動汽車、風(fēng)電與水電的接入。 圖4 修改后的IEEE 33節(jié)點(diǎn)示意圖Fig.4 Diagram of modified IEEE 33-bus distribution system 由于風(fēng)、水2種資源具有很好的互補(bǔ)性[15],因此假設(shè)配電系統(tǒng)中分布式能源有風(fēng)電與小水電,2臺基準(zhǔn)有功出力為400 kW的風(fēng)機(jī)分別接在12和21號節(jié)點(diǎn)上。水電站由2臺基準(zhǔn)有功出力800 kW的水電機(jī)組構(gòu)成,分別接在節(jié)點(diǎn)29與30上。其水位與庫容的關(guān)系見表1,水電機(jī)組發(fā)電出力系數(shù)為7.5,單機(jī)最大發(fā)電引用流量為3.56 m/s。電動汽車充電點(diǎn)設(shè)在3,16,22,25,31這5個(gè)節(jié)點(diǎn)。負(fù)荷數(shù)據(jù)如圖5中原負(fù)荷所示,典型日風(fēng)電有功出力值如圖6中風(fēng)電所示。 表1水位與庫容關(guān)系 電動汽車型號假設(shè)都為比亞迪e6,其參數(shù)來源于比亞迪官網(wǎng),汽車電池容量82 kW·h,最大行駛距離400 km。相較于公用車,私家車可調(diào)度性更大,因此假設(shè)電動汽車類型都為私家車,用于上下班通勤,且本文數(shù)據(jù)都為工作日數(shù)據(jù)。為了簡化模型,減少變量維度,認(rèn)為充電功率恒定為7.8 kW,充電效率為0.9。由于V2G模式現(xiàn)在尚未普及,所以假設(shè)放電功率與充電功率相同。電池老化系數(shù)為0.13元/(kW·h)。電動汽車車主期望所需電量設(shè)置為95%。電動汽車充電分時(shí)電價(jià)如表2所示,同樣假設(shè)放電電價(jià)與同時(shí)段充電電價(jià)相同。電動汽車出行結(jié)束時(shí)刻服從正態(tài)分布,均值為17.6,標(biāo)準(zhǔn)差為3.4,假設(shè)電動汽車出行結(jié)束時(shí)刻即開始充電時(shí)刻。電動汽車日行里程服從均值為3.7,標(biāo)準(zhǔn)差為0.9的對數(shù)正態(tài)分布[16]。 表2電動汽車充電分時(shí)電價(jià) 利用基于蒙特卡洛法的電動汽車充電負(fù)荷模型[17]先對2 000輛電動汽車無序充電進(jìn)行仿真,得到每輛電動汽車的起始充電時(shí)刻、電池初始SOC,進(jìn)而計(jì)算出充電至車主期望所需電量時(shí)間和電動汽車無序充電負(fù)荷。根據(jù)蒙特卡洛仿真得出的每輛電動汽車分群特征值,開始充電時(shí)刻TKC和充電至車主期望電量所需時(shí)間TEVC對這2 000輛汽車進(jìn)行子群劃分,分群原則與第2節(jié)中分群方法敘述舉例一致。以子群為單位對本文所提優(yōu)化模型求解,得到每一子群的充電延時(shí)、放電延時(shí)、放電時(shí)間及放電后再充電延時(shí)這4個(gè)特征控制量及小水電的優(yōu)化出力。值得注意的是,每一子群內(nèi)的每輛電動汽車充電時(shí)間仍是以每輛電動汽車各自的充電至車主期望所需電量時(shí)間為準(zhǔn),因此保障了車主的出行需求和充電滿意度。 對于本文所提出的優(yōu)化運(yùn)行策略,在只有電動汽車無序接入(場景1)、分布式能源與電動汽車無序接入(場景2)、電動汽車有序充放電(場景3)和V2G模式下電動汽車與分布式能源配合(場景4)這4種場景下進(jìn)行仿真。基于MATLAB平臺采用GA-PSO混合算法對其進(jìn)行求解,得到4種場景下的仿真結(jié)果對比,以驗(yàn)證本文所提出的優(yōu)化策略的有效性。4種場景下配電網(wǎng)中各種有功功率曲線仿真計(jì)算結(jié)果如圖5—8所示。 圖5中電動汽車無序充電負(fù)荷高峰主要集中在17:00—24:00,這是由于車主從17:00開始陸續(xù)下班,驅(qū)車到家之后,立即就對電動汽車充電。在此后的幾個(gè)時(shí)段內(nèi),充電負(fù)荷持續(xù)高峰,并且大部分電動汽車已在此高峰時(shí)段完成充電任務(wù)(完成充電后充電樁自動切斷電源),因此夜間時(shí)段充電負(fù)荷較小。圖5表明,電動汽車的無序接入會使得配電網(wǎng)負(fù)荷急劇增大,出現(xiàn)峰上加峰的情況。結(jié)合圖6,可以看出分布式能源接入后,能起到改善負(fù)荷的作用,但此場景下電動汽車處于無序充電的情況,并未與分布式能源配合,因此對于負(fù)荷波動的平抑、峰谷差的控制都不盡如人意。對比圖7與圖5,可以發(fā)現(xiàn)引導(dǎo)電動汽車有序充放電能有效地降低負(fù)荷峰谷差、緩和負(fù)荷波動,但此場景下的負(fù)荷仍處于較高水平。 圖5 電動汽車無序接入(場景1)時(shí)各有功功率曲線Fig.5 Active power curves with disordered charging of electric vehicles (Scenario 1) 圖6 分布式能源與電動汽車無序接入(場景2)時(shí)各有功功率曲線Fig.6 Active power curves with distributed energy resource and disordered charging of electric vehicles (Scenario 2) 圖8表明,V2G模式下電動汽車充放電與分布式能源相互配合,即電動汽車在負(fù)荷高峰時(shí)段與分布式能源一起向配電網(wǎng)供電,在負(fù)荷低谷時(shí)段充電消納多余的分布式能源,此場景下,負(fù)荷水平相較與場景3有了約1/4的降低,負(fù)荷波動情況更是相較于場景1、場景2有了大幅改善。 圖7 電動汽車有序充放電(場景3)時(shí)各有功功率曲線Fig.7 Active power curves with orderly charging and discharging electric vehicles (Scenario 3) 圖8 電動汽車與分布式能源配合(場景4)時(shí)各有功功率曲線Fig.8 Active power curves with coordination of electric vehicles and distributed energy resource (Scenario 4) 值得注意的是,圖8中電動汽車充電負(fù)荷從02:00到04:00有一個(gè)小幅波動,這主要是因?yàn)殡妱悠嚦浞烹姇r(shí)間約束的限制,本文所提優(yōu)化策略考慮的是08:00前要滿足車主的充電需求。該策略實(shí)質(zhì)上是一種延遲優(yōu)化策略,具有負(fù)荷轉(zhuǎn)移的作用,可將高峰充電負(fù)荷轉(zhuǎn)移至凌晨負(fù)荷低谷時(shí)刻。 凌晨充電負(fù)荷慢慢變大,即從00:00開始負(fù)荷慢慢增加,這是整體充電負(fù)荷變化趨勢,因此02:00時(shí)刻負(fù)荷增加;但由于電動汽車接入數(shù)量眾多,每輛車的充電需求時(shí)間都不盡相同,有一些接入時(shí)刻較靠前且所需充電時(shí)間較短的電動汽車在03:00前已完成充電,所以在03:00時(shí)刻充電負(fù)荷又突然下降了一些;至于04:00充電負(fù)荷再次增加,也是本文所提優(yōu)化延時(shí)策略的原因,雖然該策略具有負(fù)荷轉(zhuǎn)移作用,但對于電動汽車充電負(fù)荷也是需要分配的,不然只是將17:00—24:00的充電負(fù)荷高峰轉(zhuǎn)移至凌晨,變成凌晨負(fù)荷高峰、出現(xiàn)峰谷倒置的現(xiàn)象也是沒有意義的。 基于此策略,高峰時(shí)段轉(zhuǎn)移過來的電動汽車實(shí)際開始充電時(shí)刻也是不同的,使得在04:00有一些接入時(shí)刻靠后且所需充電時(shí)間較長的電動汽車開始充電,使得充電負(fù)荷增加。其次,電動汽車的充放電優(yōu)化還要考慮與分布式能源出力配合,使配電網(wǎng)的負(fù)荷變化趨于平緩,本身分布式能源出力就有波動性,因此也造成了轉(zhuǎn)移充電負(fù)荷在小范圍的波動,有一定的隨機(jī)性。但電動汽車充放電整體走勢,依然是在配電網(wǎng)負(fù)荷高峰放電,在負(fù)荷低谷充電,與分布式能源配合,起到了削峰填谷的作用。 同時(shí),也能得出這4種場景下網(wǎng)損與電壓的對比。圖9是24 h網(wǎng)損的變化,圖10是18:00時(shí)4種場景下的電壓水平情況。 圖9 4種場景下的網(wǎng)損Fig.9 Power losses of network in four scenarios 圖9表明,場景1、2的網(wǎng)損波動較大,場景3、4較平緩,且場景4網(wǎng)損水平最低。這是因?yàn)榫W(wǎng)損與負(fù)荷水平呈正相關(guān)的聯(lián)系,場景1、2負(fù)荷波動大因而網(wǎng)損也波動大,場景4負(fù)荷水平最低因而網(wǎng)損也最低。從圖10可以看出,場景1、2都出現(xiàn)了電壓越限的情況,場景3、4則沒有出現(xiàn)且場景4電壓一直維持在較高水平,表明電動汽車合理的優(yōu)化以及與分布式能源的配合,對于電壓也能起到改善作用。 圖10 18:00時(shí)4種場景下的電壓Fig.10 Voltage at 18:00 in four scenarios 表3是4種場景下的車主費(fèi)用、負(fù)荷均方差、網(wǎng)損、峰谷差與電壓的數(shù)據(jù)對比。表3中,場景1與場景2的車主費(fèi)用較高是因?yàn)殡妱悠嚧罅吭谪?fù)荷高峰時(shí)段充電,此時(shí)電價(jià)較高;場景3、4由于得到了合理的優(yōu)化,在高峰放電、低谷充電,因而車主費(fèi)用較低。4種場景下負(fù)荷均方差、網(wǎng)損、峰谷差與電壓的數(shù)據(jù)變化也與上述分析一致,這里就不再贅述了。表3顯示,場景4各項(xiàng)指標(biāo)均是最優(yōu),為配電網(wǎng)提供了一種運(yùn)行策略使其處在最優(yōu)的狀態(tài),驗(yàn)證了本文提出優(yōu)化策略的正確性。 表34種場景下結(jié)果對比 對于電動汽車的優(yōu)化,基于本文提出的分群方法將電動汽車分為了63個(gè)子群,每個(gè)子群被優(yōu)化得到相同控制策略,從而對該子群內(nèi)的電動汽車進(jìn)行具體充放電時(shí)間和地點(diǎn)的引導(dǎo)。表4是場景4優(yōu)化后的各子群的特征控制量,由于子群數(shù)量太多,本文只列舉其中10個(gè)子群的數(shù)據(jù)。 電動汽車的優(yōu)化不僅存在著時(shí)間上的控制,為了使配電網(wǎng)網(wǎng)損最小,也存在著空間上的控制。圖11是對電動汽車各接入點(diǎn)充放電功率的分配。圖11顯示,電動汽車在16:00—20:00之間向配電網(wǎng)反向供能,其余時(shí)刻則充電。 表4各電動汽車子群控制特征量 min 圖11 電動汽車接入點(diǎn)功率分配Fig. 11 Power distribution at access points of electric vehicles 本文提出了一種V2G模式下基于電動汽車分群方法的配電網(wǎng)優(yōu)化運(yùn)行策略,對源網(wǎng)荷三方進(jìn)行了協(xié)調(diào)優(yōu)化。搭建了配電網(wǎng)多目標(biāo)模型,考慮了車主利益,電動汽車與電網(wǎng)的良性互動因此得到了保障;考慮了配電網(wǎng)的負(fù)荷均方差和網(wǎng)損,使其峰谷差大幅減小、負(fù)荷變化趨于平緩,運(yùn)行經(jīng)濟(jì)性也得到保障;分布式能源與電動汽車相互配合,使配電網(wǎng)處在一種最優(yōu)運(yùn)行狀態(tài)。為更方便地對該模型求解,提出了一種電動汽車分群方法,基于電動汽車的開始充電時(shí)刻和車主期望電量充電所需時(shí)間2個(gè)特征值,得出了各電動汽車子群控制特征量與電動汽車充放電功率時(shí)空分配。4種場景下的算例分析表明,該策略在保障電動汽車車主利益的同時(shí),可有效降低配電網(wǎng)負(fù)荷水平、平抑負(fù)荷波動、減小峰谷差、改善電壓水平以及減小網(wǎng)損。1.3 外層模型
2 電動汽車分群方法
2.1 分群特征值
2.2 基于分群方法的電動汽車充放電策略
3 算例分析
3.1 算例數(shù)據(jù)
Table1Relationbetweenwaterlevelandcapacityofreservoir
Table2Time-of-useelectricitypriceofelectricvehiclescharging3.2 仿真結(jié)果與分析
Table3Comparisonofresultsinfourscenarios
Table4Controleigenvaluesofelectricvehiclesubgroups4 結(jié) 論