孫志攀, 劉會(huì)蘭，栗然，陳宇，霍啟敬，鄭豪東

(1.華北電力大學(xué)電氣與電子工程學(xué)院, 河北省保定市 071003；2.國(guó)網(wǎng)浙江樂(lè)清市供電有限公司, 浙江省樂(lè)清市 325600)

0 引 言

近年來(lái)，隨著環(huán)境污染和化石能源短缺問(wèn)題日益嚴(yán)重，可再生能源和電動(dòng)汽車(chē)(electric vehicle, EV)受到廣泛關(guān)注[1-3]。EV電池技術(shù)的不斷發(fā)展使得EV成本逐漸降低，從而導(dǎo)致EV普及率大幅提高?？稍偕茉窗l(fā)電具有間歇性和波動(dòng)性，其滲透率的提升會(huì)給電網(wǎng)帶來(lái)一系列問(wèn)題[4]，而EV的普及有助于平抑可再生能源發(fā)電功率波動(dòng)[5]，提高其可調(diào)度性，從而在保障系統(tǒng)安全穩(wěn)定的同時(shí)提升可再生能源滲透率。

對(duì)于EV的接入，國(guó)內(nèi)外已有許多專家、學(xué)者對(duì)其進(jìn)行了研究。文獻(xiàn)[6]在分析EV電池特性的基礎(chǔ)上提出了EV分布式儲(chǔ)能的概念，并采用EV分布式儲(chǔ)能動(dòng)態(tài)控制策略以提高可再生能源的可調(diào)度性；文獻(xiàn)[7]提出了一種考慮需求側(cè)響應(yīng)的EV充放電時(shí)間管理策略；文獻(xiàn)[8]在考慮EV群和微電網(wǎng)運(yùn)營(yíng)商的關(guān)系多樣性的基礎(chǔ)上分別建立并優(yōu)化了2個(gè)不同目標(biāo)函數(shù)的含EV微網(wǎng)優(yōu)化調(diào)度模型，但僅將EV群看成固定儲(chǔ)能單元，沒(méi)有考慮其時(shí)空分布特性；文獻(xiàn)[9]采用優(yōu)先順序法對(duì)含EV的微網(wǎng)系統(tǒng)多目標(biāo)經(jīng)濟(jì)調(diào)度模型進(jìn)行優(yōu)化；文獻(xiàn)[10]在考慮峰谷分時(shí)電價(jià)的基礎(chǔ)上，提出了將EV充電負(fù)荷最大限度轉(zhuǎn)移到谷時(shí)段的有序充電控制方法；文獻(xiàn)[11]建立了含EV的交直流混合微電網(wǎng)規(guī)劃模型，但僅將EV作為充電負(fù)荷，并未考慮EV作為電源向電網(wǎng)反饋電能；文獻(xiàn)[12]建立了聯(lián)網(wǎng)儲(chǔ)能容量?jī)?yōu)化模型，運(yùn)用遍歷法對(duì)含EV的微網(wǎng)進(jìn)行經(jīng)濟(jì)性優(yōu)化，但缺乏對(duì)熱負(fù)荷的考慮。通過(guò)對(duì)上述研究的深入分析可知：(1)當(dāng)前EV模型忽略了用戶行為意愿對(duì)EV接入時(shí)其充放電行為的影響，使模型缺乏合理性；(2)當(dāng)前對(duì)EV建模主要在基本配電網(wǎng)或基本微電網(wǎng)模型基礎(chǔ)之上，而基于熱電聯(lián)供型微電網(wǎng)模型的研究較為缺乏；(3)當(dāng)前建立的含EV的微電網(wǎng)優(yōu)化調(diào)度模型主要以經(jīng)濟(jì)調(diào)度為主，而在EV有序充放電模型下應(yīng)計(jì)及發(fā)電功率波動(dòng)。

因此，本文在當(dāng)前熱電聯(lián)供型微網(wǎng)模型基礎(chǔ)上，深入研究用戶意愿對(duì)EV分類的影響，并基于其對(duì)EV分類建模；在考慮經(jīng)濟(jì)性的同時(shí)計(jì)及發(fā)電功率波動(dòng)，建立以最低經(jīng)濟(jì)成本和最低發(fā)電功率波動(dòng)為目標(biāo)的多目標(biāo)優(yōu)化模型；通過(guò)分段線性化的方法將優(yōu)化模型轉(zhuǎn)化為混合整數(shù)線性規(guī)劃模型，并使用Gurobi求解器求解；最后，通過(guò)分析對(duì)比不同場(chǎng)景下的優(yōu)化結(jié)果，驗(yàn)證該模型的合理性。

1 熱電聯(lián)供型微網(wǎng)結(jié)構(gòu)分析

文中給出的含可再生能源及EV的熱電聯(lián)供型微電網(wǎng)結(jié)構(gòu)如圖1所示，并根據(jù)設(shè)備出力類型和負(fù)荷類型將系統(tǒng)分為2部分。(1)電能部分：光伏電池、風(fēng)電機(jī)組、儲(chǔ)能電池和微型燃?xì)廨啓C(jī)向微網(wǎng)中電負(fù)荷供電；EV作為負(fù)荷或分布式儲(chǔ)能單元取決于系統(tǒng)調(diào)度結(jié)果；微網(wǎng)系統(tǒng)可通過(guò)與配電網(wǎng)進(jìn)行雙向功率交換來(lái)提高其供電可靠性：當(dāng)微網(wǎng)內(nèi)部電能出力小于電負(fù)荷總需求時(shí)，電能不足部分可從配電網(wǎng)獲得，反之可向配電網(wǎng)饋送多余電能。(2)熱能部分：由微型燃?xì)廨啓C(jī)和木屑鍋爐向微網(wǎng)中熱負(fù)荷供熱。

圖1 含EV熱電聯(lián)供型微網(wǎng)結(jié)構(gòu)Fig.1 Construction of microgrid with CHP and EVs

2 微網(wǎng)元件數(shù)學(xué)模型

2.1 微型燃?xì)廨啓C(jī)

微型燃?xì)廨啓C(jī)在t時(shí)刻有功出力與熱出力的關(guān)系如下：

(1)

(2)

(3)

式中：T為一個(gè)調(diào)度周期中的時(shí)間間隔總數(shù)；Δt為單位時(shí)間間隔；PMT(t)、QMT(t)分別為微型燃?xì)廨啓C(jī)在t時(shí)刻的有功出力、熱出力；ηe、ηt分別為其發(fā)電效率、發(fā)熱效率系數(shù)；VMT為微型燃?xì)廨啓C(jī)消耗的天然氣量；qLH，gas為天然氣低熱熱值；kMT為微型燃?xì)廨啓C(jī)的熱電效率比。

文中選用微型燃?xì)廨啓C(jī)的發(fā)電效率與有功出力關(guān)系可近似用式(4)表示：

(4)

式中a、b、c為常數(shù)[8]。

2.2 木屑鍋爐

木屑鍋爐熱出力與所消耗木屑量的關(guān)系如下：

(5)

式中：WWB為木屑鍋爐所消耗的木屑量；QWB(t)為木屑鍋爐在t時(shí)刻的熱出力；ηt′為木屑鍋爐的熱效率；qLH,wood為木屑低熱熱值。

2.3 儲(chǔ)能電池

本文對(duì)儲(chǔ)能電池模型的定義如下：

(6)

(7)

aS(t)+bS(t)≤1

(8)

SS(t)=SS(t-1)+

(9)

Smin≤SS(t)≤Smax

(10)

式(6)、(7)是對(duì)儲(chǔ)能電池充放電功率的約束；式(8)可以保證儲(chǔ)能電池不會(huì)同時(shí)充放電。

2.4 光伏和風(fēng)電模型

風(fēng)力發(fā)電和光伏發(fā)電受自然因素影響大，隨機(jī)性強(qiáng)，本文不將其作為主要研究對(duì)象，其出力曲線將直接在下文中給出。

2.5 EV模型

EV一般分為2類，公共EV和私家EV。公共EV每日閑置時(shí)間較短，且在中午、傍晚等負(fù)荷高峰期一般都處于工作狀態(tài)，不可參與微網(wǎng)調(diào)度, 而私家EV受不同用戶行為影響較大，具有較強(qiáng)靈活性，且每日閑置時(shí)間較長(zhǎng)，符合參與微網(wǎng)調(diào)度的條件。因此，本文選取私家EV接入微網(wǎng)，研究其不同充放電行為對(duì)微網(wǎng)優(yōu)化配置的影響。

2.5.1用戶分類

考慮到用戶行為意愿對(duì)EV功率需求影響[13]，本文首先對(duì)EV進(jìn)行分類，用戶的行為差異主要體現(xiàn)在以下2方面：(1)是否選擇有序充電；(2)是否允許EV在閑置時(shí)段對(duì)系統(tǒng)放電。根據(jù)用戶行為差異，將EV分為3類：消極型、中立型和積極型。

(1)消極型EV。此類EV用戶選擇無(wú)序充電，即在EV在接入微網(wǎng)時(shí)刻，系統(tǒng)便以額定充電功率對(duì)其進(jìn)行充電，且EV不向系統(tǒng)放電。

(2)中立型EV。此類EV用戶接受系統(tǒng)有序充電控制，即EV接入微網(wǎng)后，充電行為受調(diào)度控制，但EV不向系統(tǒng)放電。

(3)積極型EV。此類EV用戶接受系統(tǒng)的有序充放電控制，即在EV接入電網(wǎng)后的充放電行為受調(diào)度控制?？紤]到積極型EV對(duì)微網(wǎng)穩(wěn)定性和經(jīng)濟(jì)性的貢獻(xiàn)[14]及EV接入電網(wǎng)(vehicle to grid, V2G)行為會(huì)減少電池壽命，對(duì)此類EV用戶實(shí)行相應(yīng)激勵(lì)措施。

消極型、中立型和積極型的EV模型分別為：

(11)

(12)

(13)

2.5.2時(shí)間特性

EV的時(shí)間特性主要考慮電動(dòng)汽車(chē)最后一次出行的返回時(shí)刻，假設(shè)每位EV用戶都選擇在返回時(shí)刻立即將EV接入微網(wǎng)，則返回時(shí)刻即為其接入微網(wǎng)時(shí)刻。

(14)

式中：μ0為t0的期望，μ0=17.52;σ0為t0的標(biāo)準(zhǔn)差，σ0=3.37。

3 微網(wǎng)多目標(biāo)數(shù)學(xué)模型

多目標(biāo)優(yōu)化的數(shù)學(xué)模型一般式可由式(15)表示：

(15)

式中：X為決策向量；fn(X)為第n個(gè)目標(biāo)函數(shù)；H(X)=0為等式約束條件；G(X)≤0為不等式約束條件。

本文所建立的多目標(biāo)優(yōu)化調(diào)度模型以微網(wǎng)的經(jīng)濟(jì)成本和發(fā)電功率波動(dòng)最小化為優(yōu)化目標(biāo)。

3.1 經(jīng)濟(jì)成本f1

f1包括以下幾部分：微電網(wǎng)與配電網(wǎng)的功率交互成本E1、儲(chǔ)能運(yùn)行成本E2、對(duì)電動(dòng)汽車(chē)V2G行為的補(bǔ)償費(fèi)用E3、燃料成本E4和排放成本E5。目標(biāo)函數(shù)f1的計(jì)算式為

minf1=E1+E2+E3+E4+E5

(16)

3.1.1微網(wǎng)與配電網(wǎng)的功率交互成本

功率交互成本是指微網(wǎng)從配電網(wǎng)購(gòu)電所需成本與微網(wǎng)向配電網(wǎng)售電所得收益之差。

(17)

式中：prpur(t)、prsell(t)分別為t時(shí)刻微電網(wǎng)購(gòu)、售電電價(jià)；Ppur(t)、Psell(t)分別為t時(shí)刻微電網(wǎng)購(gòu)、售電電量。

3.1.2儲(chǔ)能運(yùn)行成本

儲(chǔ)能裝置的運(yùn)行成本主要與實(shí)際傳輸電能正相關(guān)，由式(18)表示：

(18)

式中kS為儲(chǔ)能裝置的運(yùn)行系數(shù)。

3.1.3對(duì)V2G行為的補(bǔ)償費(fèi)用

考慮到V2G行為對(duì)微網(wǎng)經(jīng)濟(jì)性、安全穩(wěn)定性的提升及EV的電池?fù)p耗，根據(jù)EV的放電量對(duì)用戶進(jìn)行相應(yīng)的補(bǔ)償，如式(19)所示：

(19)

式中kc為補(bǔ)償系數(shù)。

3.1.4燃料成本

燃料成本包括微型燃?xì)廨啓C(jī)消耗的天然氣成本和木屑鍋爐消耗的木屑成本。

E4=VMTprgas+WWBprwood

(20)

式中prgas、prwood分別為天然氣、木屑的單位售價(jià)。

3.1.5排放成本

排放成本包括微型燃?xì)廨啓C(jī)、木屑鍋爐的排放成本和微網(wǎng)從配電網(wǎng)購(gòu)電的等效排放成本。

ε3Ppur(t)]Δt

(21)

式中：ε1、ε2、ε3分別為微燃機(jī)、木屑鍋爐、大電網(wǎng)的排放因數(shù)；σ為單位排放成本。

3.2 微網(wǎng)發(fā)電功率波動(dòng)

由于新能源發(fā)電具有很大波動(dòng)性，在風(fēng)電、光伏發(fā)電高滲透率場(chǎng)景下，其發(fā)電功率波動(dòng)性對(duì)微網(wǎng)的頻率穩(wěn)定會(huì)造成很大影響，而通過(guò)對(duì)電動(dòng)汽車(chē)的有序接入及充放電的合理調(diào)度可對(duì)平抑分布式電源的功率波動(dòng)產(chǎn)生積極影響。因此，為了充分發(fā)揮電動(dòng)汽車(chē)充放電行為靈活的優(yōu)勢(shì)，提高可再生能源發(fā)電的可調(diào)度性，以相鄰時(shí)間段新能源與電動(dòng)汽車(chē)可調(diào)節(jié)總出力變化差值的絕對(duì)值之和最小為目標(biāo)函數(shù)f2，來(lái)抑制新能源發(fā)電功率波動(dòng)：

(22)

(23)

4 約束條件

4.1 微型燃?xì)廨啓C(jī)和木屑鍋爐約束

0≤PMT(t)≤PMTmax

(24)

0≤QWB(t)≤QWBmax

(25)

式中：PMTmax為微型燃?xì)廨啓C(jī)的有功出力上限；QWBmax為木屑鍋爐的熱出力上限。

4.2 儲(chǔ)能電池約束

除前文中式(6)—(10)，本文增設(shè)調(diào)度周期結(jié)束后儲(chǔ)能電池SOC約束：

SS,end=Smax

(26)

式中：SS,end為調(diào)度周期結(jié)束后儲(chǔ)能電池SOC；Smax為調(diào)度周期結(jié)束后儲(chǔ)能電池SOC最大值。

4.3 EV約束

(1)EV充放電功率的功率約束見(jiàn)式(11)—(13)。

(2)EV的SOC約束。

不同類型EV在t時(shí)刻的SOC可以用式(27)表示：

(27)

Smin≤Sn(t)≤Smax,?n∈N1,
?n∈N1∪N2∪N3

(28)

式(28)考慮到循環(huán)放電次數(shù)及放電深度對(duì)EV電池壽命的影響。同時(shí)，為了解決EV用戶的“里程焦慮”問(wèn)題[16]，應(yīng)保證每輛EV在充電結(jié)束時(shí)刻t1滿足式(29)要求：

Sn(t1)≥Sra

(29)

式中：Sn(t1)為第n輛EV在充電結(jié)束時(shí)刻t1時(shí)的SOC；Sra為考慮到里程焦慮問(wèn)題的SOC下限。

4.4 微電網(wǎng)熱電能量守恒約束

(30)

QMT(t)+QWB(t)≥QL(t)

(31)

式中：Ppv(t)為時(shí)刻t的光伏電池組出力；Pwind(t)為時(shí)刻t的風(fēng)電機(jī)組出力；PL(t)為時(shí)刻t的電負(fù)荷；QL(t)為時(shí)刻t的熱負(fù)荷。

式(30)為微網(wǎng)的電量守恒約束；式(31)為微網(wǎng)的熱量守恒約束。

4.5 微網(wǎng)與配網(wǎng)交互功率約束

0≤Ppur(t)≤aL(t)·Ppurmax

(32)

0≤Psell(t)≤bL(t)·Psellmax

(33)

aL(t)+bL(t)≤1

(34)

式中：aL(t)、bL(t)分別為時(shí)刻t微網(wǎng)和配電網(wǎng)間購(gòu)電、售電狀態(tài)，為0-1型變量，aL(t)=1，表示時(shí)刻t微網(wǎng)從配網(wǎng)購(gòu)電，aL(t)=0，表示時(shí)刻t微網(wǎng)不從配網(wǎng)購(gòu)電，bL(t)=1，表示時(shí)刻t微網(wǎng)向配網(wǎng)售電，bL(t)=0，表示時(shí)刻t微網(wǎng)不向配網(wǎng)售電；Ppurmax、Psellmax分別為最大購(gòu)、售電功率。

式(32)—(34)保證聯(lián)絡(luò)線傳輸功率在一定范圍內(nèi)，使聯(lián)絡(luò)線的功率輸送更具安全性且符合微網(wǎng)接入的條件。

5 模型求解

對(duì)于上述微網(wǎng)模型，若僅以f1為目標(biāo)函數(shù)，優(yōu)化結(jié)果會(huì)因EV在某時(shí)段充電過(guò)多或放電過(guò)少導(dǎo)致總發(fā)電功率波動(dòng)過(guò)大，而僅以f2為目標(biāo)函數(shù)又會(huì)導(dǎo)致整個(gè)模型缺乏經(jīng)濟(jì)性。鑒于線性規(guī)劃較智能算法計(jì)算速度更快且搜索全局最優(yōu)解的能力更可靠，因此在Matlab平臺(tái)搭建多目標(biāo)優(yōu)化模型，并用Yalmip/Gurobi進(jìn)行求解。Gurobi求解器以其優(yōu)良的求解速度和計(jì)算精度，被越來(lái)越多地運(yùn)用到規(guī)劃問(wèn)題中。

5.1 多目標(biāo)加權(quán)模糊優(yōu)化模型

本文采用多目標(biāo)加權(quán)模糊優(yōu)化模型來(lái)處理多目標(biāo)優(yōu)化問(wèn)題，該模型考慮各目標(biāo)的不同重要程度，權(quán)重的改變不影響等價(jià)模型的形式，不增加求解的復(fù)雜程度和工作量[17]。定義fi(X)的隸屬度函數(shù)為

(35)

式中：fi,min為第i個(gè)目標(biāo)函數(shù)的最小解；βi為第i個(gè)目標(biāo)函數(shù)的彈性因子。

μ(fi(X))=0，表示對(duì)目標(biāo)函數(shù)值滿意度最??；μ(fi(X))=1，表示對(duì)目標(biāo)函數(shù)值滿意度最大。本文采用最大滿意度法，通過(guò)把目標(biāo)函數(shù)轉(zhuǎn)化為各目標(biāo)滿意度之和來(lái)求解，如式(36)所示：

(36)

式中αi為第i個(gè)目標(biāo)的權(quán)重因子。

(37)

5.2 目標(biāo)函數(shù)線性化

上文目標(biāo)函數(shù)中的E4為非線性函數(shù)，無(wú)法通過(guò)混合整數(shù)線性規(guī)劃進(jìn)行求解，通過(guò)下述步驟對(duì)其進(jìn)行線性化處理：

(2)引入實(shí)數(shù)變量wk將x和f(x)表示為：

(38)

(39)

(3)引入0-1變量zk，則wk、zk滿足如下約束：

(40)

6 算例分析

6.1 參數(shù)設(shè)置

本文所搭建熱電聯(lián)供型微網(wǎng)模型包含太陽(yáng)能電池組、風(fēng)力發(fā)電機(jī)組、微型燃?xì)廨啓C(jī)、木屑鍋爐、儲(chǔ)能電池和EV。調(diào)度周期為24 h，考慮到用戶一般在上午出行時(shí)對(duì)EV電量的要求，調(diào)度時(shí)間選擇從當(dāng)日07:00至次日07:00，單位時(shí)間間隔Δt=1 h?？紤]到本文所搭建的微電網(wǎng)系統(tǒng)規(guī)模，假設(shè)電動(dòng)汽車(chē)共75輛，3種類型用戶所占比重相同；EV額定充電功率為3.5 kW，Sra=0.8；每輛EV返程后接入微網(wǎng)時(shí)的初始SOC為在0.1～0.5均勻分布的隨機(jī)數(shù)，返程時(shí)刻根據(jù)EV的時(shí)間特性概率密度函數(shù)通過(guò)蒙特卡洛模擬獲得；天然氣售價(jià)取3.27元/kg，木屑價(jià)格取1.13元/kg；排放處理價(jià)格為3.74元/kg。本文采用2017年上海市分時(shí)電價(jià)，見(jiàn)附錄圖A1；某微網(wǎng)典型日負(fù)荷及新能源發(fā)電量[18]見(jiàn)附錄圖A2；微網(wǎng)各設(shè)備參數(shù)見(jiàn)附錄表A1、A2。

本文構(gòu)建了4個(gè)不同場(chǎng)景，對(duì)比分析了不同場(chǎng)景下的優(yōu)化結(jié)果。各場(chǎng)景具體配置見(jiàn)表1。

表1 場(chǎng)景分類及配置Table 1 Details of four scenes

6.2 場(chǎng)景分析

6.2.1場(chǎng)景1

首先以微電網(wǎng)的經(jīng)濟(jì)成本最低為目標(biāo)函數(shù)對(duì)整個(gè)微網(wǎng)模型進(jìn)行優(yōu)化。優(yōu)化后各單元的電功率平衡、熱功率平衡和發(fā)電功率PG波動(dòng)狀況分別如圖2—4所示。

圖2 場(chǎng)景1電能平衡分布圖Fig.2 Electric power balance of scene 1

圖3 場(chǎng)景1熱能平衡分布圖Fig.3 Heating power balance of scene 1

圖4 場(chǎng)景1 PG出力曲線Fig.4 Output of PG in scene 1

圖2、3中，07:00—11:00，微網(wǎng)中電負(fù)荷較少，新能源發(fā)電量大于基本電負(fù)荷，但因熱負(fù)荷較多，在木屑鍋爐滿發(fā)的情況下，還須微燃機(jī)運(yùn)行供熱，因此，該時(shí)段有更多剩余電量，可以通過(guò)向配電網(wǎng)售電來(lái)獲取收益；09:00—11:00為分時(shí)電價(jià)峰時(shí)段，因儲(chǔ)能成本較低，從而可以通過(guò)儲(chǔ)能放電獲取售電利潤(rùn)；12:00—13:00為電價(jià)平時(shí)段，儲(chǔ)能繼續(xù)放電獲取收益的經(jīng)濟(jì)性較低，因此系統(tǒng)控制儲(chǔ)能和EV進(jìn)行充電來(lái)消耗多余電量；14:00—16:00，EV接入量逐漸增加，新能源發(fā)電量和基本負(fù)荷相對(duì)持平，系統(tǒng)通過(guò)儲(chǔ)能放電和從配電網(wǎng)購(gòu)電來(lái)維持電能平衡；17:00—23:00，新能源發(fā)電量明顯低于基本負(fù)荷量，微網(wǎng)系統(tǒng)開(kāi)始大量從配電網(wǎng)購(gòu)電，同時(shí)控制儲(chǔ)能和積極型EV進(jìn)行放電來(lái)滿足基本負(fù)荷和EV充電負(fù)荷，由于微型燃?xì)廨啓C(jī)發(fā)電成本高于此時(shí)電價(jià)，其出力在滿足熱負(fù)荷供應(yīng)的情況下沒(méi)有進(jìn)行多發(fā)來(lái)供應(yīng)電負(fù)荷；24:00—次日07:00為電價(jià)谷時(shí)段，且負(fù)荷量很低，為了滿足用戶出行要求及次日儲(chǔ)能的正常運(yùn)行，在電功率平衡的前提下通過(guò)購(gòu)電對(duì)EV和儲(chǔ)能進(jìn)行充電。

對(duì)比圖3中木屑鍋爐與微燃機(jī)出力，木屑鍋爐出力成本應(yīng)低于微型燃?xì)廨啓C(jī)，因此除熱負(fù)荷較高，僅由木屑鍋爐供熱不能滿足需求時(shí)須微燃機(jī)輔助供熱外，其余時(shí)段僅須木屑鍋爐供熱。

由圖4的PG曲線可知，在以成本最低為單目標(biāo)優(yōu)化時(shí)，并不會(huì)考慮到出力波動(dòng)，導(dǎo)致曲線波動(dòng)較大。

6.2.2場(chǎng)景2

求解多目標(biāo)加權(quán)模糊優(yōu)化模型后，各單元的電功率平衡、熱功率平衡和發(fā)電功率PG波動(dòng)狀況如圖5—7所示。

圖5 場(chǎng)景2電能平衡分布圖Fig.5 Electric power balance of scene 2

圖6 場(chǎng)景2熱能平衡分布圖Fig.6 Heating power balance of scene 2

圖7 場(chǎng)景2 PG出力曲線Fig.7 Output of PG in scene 2

由圖5可知，經(jīng)過(guò)多目標(biāo)優(yōu)化后的微網(wǎng)各單元狀態(tài)變化與經(jīng)濟(jì)成本最低時(shí)較為相似。07:00—11:00，微網(wǎng)中新能源發(fā)電量充足，在與微燃機(jī)一起滿足基本電負(fù)荷的同時(shí)，通過(guò)將剩余電量向配電網(wǎng)輸送來(lái)獲取收益；10:00—11:00，儲(chǔ)能受分時(shí)電價(jià)平時(shí)段影響，通過(guò)放電向配電網(wǎng)售電獲取收益；12:00—13:00，該時(shí)段處于分時(shí)電價(jià)的平時(shí)段，多余發(fā)電量用于給儲(chǔ)能和EV充電；14:00—16:00，新能源發(fā)電量與基本負(fù)荷相持平，系統(tǒng)通過(guò)控制儲(chǔ)能少量放電或從配電網(wǎng)少量購(gòu)電來(lái)維持電能平衡；17:00—23:00，新能源發(fā)電量已明顯低于基本電負(fù)荷需求，系統(tǒng)控制儲(chǔ)能和積極型EV放電，同時(shí)從配電網(wǎng)大量購(gòu)電來(lái)滿足基本負(fù)荷和EV充電需求；24:00—次日07:00，電價(jià)處于谷時(shí)段，通過(guò)從配電網(wǎng)購(gòu)電來(lái)滿足儲(chǔ)能和EV的充電需求。

對(duì)比圖7和圖4，發(fā)電功率波動(dòng)明顯降低，這是對(duì)模型進(jìn)行多目標(biāo)優(yōu)化的結(jié)果。

6.2.3場(chǎng)景3

設(shè)75輛EV的返程時(shí)間和初始SOC不變，用戶類型全都為消極型?？紤]到EV為無(wú)序充電，作為不可調(diào)節(jié)的負(fù)荷，無(wú)法平抑新能源發(fā)電功率波動(dòng)，因此，以經(jīng)濟(jì)性成本最低為目標(biāo)對(duì)模型進(jìn)行優(yōu)化，求解后各單元的電功率平衡、熱功率平衡情況如圖8、9所示。

圖8 場(chǎng)景3電能平衡分布圖Fig.8 Electric power balance of scene 3

圖9 場(chǎng)景3熱能平衡分布圖Fig.9 Heating power balance of scene 3

由圖8可知，07:00—10:00，無(wú)EV駛?cè)?，新能源發(fā)電量充足，在供應(yīng)基本負(fù)荷的情況下，與微型燃?xì)廨啓C(jī)、儲(chǔ)能一起向配電網(wǎng)售電獲取收益；11:00起，有EV充電負(fù)荷接入，系統(tǒng)在滿足基本電負(fù)荷和EV充電負(fù)荷的前提下繼續(xù)售電；12:00—13:00，電價(jià)處于平時(shí)段，系統(tǒng)安排儲(chǔ)能充電；14:00—15:00，新能源發(fā)電量與基本電負(fù)荷需求量相對(duì)持平，通過(guò)購(gòu)電來(lái)維持電能供需平衡；16:00起，EV充電負(fù)荷迅速增加，且此時(shí)新能源發(fā)電量很低，基本負(fù)荷到達(dá)峰時(shí)段，系統(tǒng)控制儲(chǔ)能放電、內(nèi)燃機(jī)發(fā)電和從配電網(wǎng)購(gòu)電來(lái)滿足用電需求；24:00—次日07:00，負(fù)荷較低，新能源發(fā)電量較大，對(duì)儲(chǔ)能和EV進(jìn)行充電，由于EV無(wú)序充電，夜間充電需求較低，即使電價(jià)處于谷時(shí)段，也將多余電量向配網(wǎng)輸送來(lái)獲取收益。

由圖9可知，19:00—22:00，微型燃?xì)廨啓C(jī)出力較多，特別在20:00出現(xiàn)熱供應(yīng)溢出的現(xiàn)象，這是由于此時(shí)段電負(fù)荷太大，僅靠新能源發(fā)電、儲(chǔ)能放電和從配電網(wǎng)購(gòu)電不足以支撐負(fù)荷量，須微型燃?xì)廨啓C(jī)多發(fā)來(lái)滿足負(fù)荷需求。

6.2.4場(chǎng)景4

由于此場(chǎng)景僅考慮發(fā)電功率波動(dòng)性，優(yōu)化結(jié)果的調(diào)度方案無(wú)明顯分析價(jià)值，此處不贅述。

6.3 優(yōu)化結(jié)果比較

上述場(chǎng)景的各項(xiàng)結(jié)果見(jiàn)表2。

表2 各場(chǎng)景優(yōu)化結(jié)果Table 2 optimal results of all scenes

由表2可知，場(chǎng)景1以經(jīng)濟(jì)成本最低為目標(biāo)，優(yōu)化得出的發(fā)電功率波動(dòng)比最低發(fā)電功率波動(dòng)高109.3%，發(fā)電功率穩(wěn)定性很差；場(chǎng)景4以發(fā)電功率波動(dòng)最低為目標(biāo)，優(yōu)化得出的經(jīng)濟(jì)成本比最低經(jīng)濟(jì)成本高124.3%，經(jīng)濟(jì)性很差；多目標(biāo)加權(quán)模糊優(yōu)化得出的經(jīng)濟(jì)成本比最低經(jīng)濟(jì)成本高0.6%，發(fā)電功率波動(dòng)性比最低發(fā)電功率波動(dòng)高1.6%，僅犧牲了很小的經(jīng)濟(jì)性，卻帶來(lái)了穩(wěn)定性的巨大提升，實(shí)現(xiàn)了經(jīng)濟(jì)性和穩(wěn)定性的綜合提升。

此外，對(duì)比場(chǎng)景2、3，在相同負(fù)荷的情況下，相比EV無(wú)序充電模型，考慮用戶意愿的不同充放電行為相結(jié)合的混合型EV模型，對(duì)每輛EV進(jìn)行充放電調(diào)度，在保證合理性的基礎(chǔ)上，既節(jié)省了微網(wǎng)運(yùn)行成本，又平抑了發(fā)電功率波動(dòng)，效果顯著。

6.4 EV數(shù)量對(duì)計(jì)算效率的影響

為了驗(yàn)證本文優(yōu)化算法的適用性，將EV數(shù)量從75輛增加至150輛，并對(duì)比了兩種規(guī)模下的優(yōu)化效率，見(jiàn)表3。

考慮到一般微網(wǎng)系統(tǒng)規(guī)模及Gurobi求解器求解混合整數(shù)線性規(guī)劃的計(jì)算速度，本文所構(gòu)建的微網(wǎng)優(yōu)化調(diào)度模型具有較高的適用性。

表3 計(jì)算時(shí)間對(duì)比Table 3 Comparison of computation time

7 結(jié) 論

本文構(gòu)建了一個(gè)含不同類型EV的熱電聯(lián)供型微電網(wǎng)系統(tǒng)多目標(biāo)優(yōu)化調(diào)度模型，以一個(gè)含風(fēng)、光、儲(chǔ)、EV、微型燃?xì)廨啓C(jī)、木屑鍋爐及熱電負(fù)荷的具體熱電聯(lián)供型微網(wǎng)為例，在把目標(biāo)函數(shù)線性化和運(yùn)用多目標(biāo)模糊加權(quán)優(yōu)化理論的基礎(chǔ)上，采用最大滿意度法將多目標(biāo)優(yōu)化問(wèn)題轉(zhuǎn)換為單目標(biāo)優(yōu)化問(wèn)題，在MATLAB平臺(tái)運(yùn)用Yalmip/Gurobi優(yōu)化了基于實(shí)時(shí)電價(jià)的并網(wǎng)型熱電聯(lián)供型微電網(wǎng)各單元運(yùn)行狀態(tài)，并對(duì)比分析了不同場(chǎng)景下的優(yōu)化結(jié)果，所得結(jié)論如下詳述。

(1)對(duì)比EV無(wú)序充電模型，采用考慮用戶意愿的無(wú)序充電、有序充電和有序充放電相結(jié)合的混合型EV模型不僅合理，又可將大部分充電負(fù)荷轉(zhuǎn)移到電負(fù)荷較低的時(shí)段，使系統(tǒng)在穩(wěn)定性提高的同時(shí)具備經(jīng)濟(jì)性。

(2)電負(fù)荷峰時(shí)段，由于儲(chǔ)能和積極型EV的存在，使得并網(wǎng)型微電網(wǎng)可以在滿足電負(fù)荷的前提下更少地從配電網(wǎng)購(gòu)電，實(shí)現(xiàn)滿足經(jīng)濟(jì)性的同時(shí)減小了配網(wǎng)的供電壓力。

(3)多目標(biāo)模型能更好地權(quán)衡經(jīng)濟(jì)性與發(fā)電功率波動(dòng)性，在盡可能小的波動(dòng)范圍內(nèi)更多地降低經(jīng)濟(jì)成本。

本文對(duì)含電動(dòng)汽車(chē)的熱電聯(lián)供型微網(wǎng)的優(yōu)化運(yùn)行做了研究，但對(duì)可再生能源發(fā)電的模型處理相對(duì)簡(jiǎn)單，沒(méi)有考慮其隨機(jī)性，這將是下一步的研究重點(diǎn)。

8 參考文獻(xiàn)

[1] 王錫凡, 邵成成, 王秀麗,等. 電動(dòng)汽車(chē)充電負(fù)荷與調(diào)度控制策略綜述[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2013, 33(1):1-10.

WANG Xifan, SHAO Chengcheng, WANG Xiuli, et al. Survey of electric vehicle charging load and dispatch control strategies[J]. Proceedings of the CSEE, 2013, 33(1):1-10.

[2] 趙俊華, 文福拴, 楊愛(ài)民,等. 電動(dòng)汽車(chē)對(duì)電力系統(tǒng)的影響及其調(diào)度與控制問(wèn)題[J]. 電力系統(tǒng)自動(dòng)化, 2011, 35(14):2-10.

ZHAO Junhua, WEN Fushuan, YANG Aimin, et al. Impacts of electric vehicles on power systems as well as the associated dispatching and control problem[J]. Automation of Electric Power Systems, 2011, 35(14):2-10.

[3] 朱永勝, 王杰, 瞿博陽(yáng),等. 含電動(dòng)汽車(chē)的電力系統(tǒng)動(dòng)態(tài)環(huán)境經(jīng)濟(jì)調(diào)度[J]. 電力自動(dòng)化設(shè)備, 2016, 36(10):16-23.

ZHU Yongsheng, WANG Jie, QU Boyang, et al. Dynamic environmental and economic dispatch of power system with EVs[J]. Electric Power Automation Equipment, 2016, 36(10):16-23.

[4] 李和明, 張祥宇, 王毅,等. 基于功率跟蹤優(yōu)化的雙饋風(fēng)力發(fā)電機(jī)組虛擬慣性控制技術(shù)[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2012, 32(7):32-39.

LI Heming, ZHANG Xiangyu, WANG Yi, et al. Virtual inertia control of DFIG-based wind turbines based on the optimal power tracking[J]. Proceedings of the CSEE, 2012, 32(7): 32-39.

[5] 鮑諺, 姜久春, 張維戈,等. 電動(dòng)汽車(chē)移動(dòng)儲(chǔ)能系統(tǒng)模型及控制策略[J]. 電力系統(tǒng)自動(dòng)化, 2012, 36(22):36-43.

BAO Yan, JIANG Jiuchun, ZHANG Weige, et al. Model and control strategy of electric vehicle mobile energy storage system[J]. Automation of Electric Power Systems, 2012, 36(22):36-43.

[6] 李志偉, 趙書(shū)強(qiáng), 劉應(yīng)梅. 電動(dòng)汽車(chē)分布式儲(chǔ)能控制策略及應(yīng)用[J]. 電網(wǎng)技術(shù), 2016, 40(2):442-450.

LI Zhiwei, ZHAO Shuqiang, LIU Yingmei. Control strategy and application of distributed electric vehicle energy storage[J]. Power System Technology, 2016, 40(2):442-450.

[7] SHINDE P, SWARUP K S. Optimal Electric Vehicle charging schedule for demand side management[C]// International Conference on Sustainable Green Buildings and Communities. Chennai, IEEE, 2017:1-6.

[8] ALUISIO B, CONSERVA A, DICORATO M, et al. Optimal operation planning of V2G-equipped Microgrid in the presence of EV aggregator[J]. Electric Power Systems Research, 2017, 152:295-305.

[9] 吳紅斌, 侯小凡, 趙波,等. 計(jì)及可入網(wǎng)電動(dòng)汽車(chē)的微網(wǎng)系統(tǒng)經(jīng)濟(jì)調(diào)度[J]. 電力系統(tǒng)自動(dòng)化, 2014, 38(9):77-84.

WU Hongbin, HOU Xiaofan, ZHAO Bo, et al. Economical dispatch of microgrid considering plug-in electric vehicles[J]. Automation of Electric Power Systems, 2014, 38(9):77-84.

[10] 蘇海鋒, 梁志瑞. 基于峰谷電價(jià)的家用電動(dòng)汽車(chē)居民小區(qū)有序充電控制方法[J]. 電力自動(dòng)化設(shè)備, 2015, 35(6):17-22.

SU Haifeng, LIANG Zhirui. Orderly charging control based on peak-valley electricity tariffs for household electric vehicles of residential quarter[J]. Electric Power Automation Equipment, 2015, 35(6):17-22.

[11] 馬玲玲, 楊軍, 付聰,等. 電動(dòng)汽車(chē)充放電對(duì)電網(wǎng)影響研究綜述[J]. 電力系統(tǒng)保護(hù)與控制, 2013(3):140-148.

MA Lingling, YANG Jun, FU Cong, et al. Review on impact of electric car charging and discharging on power grid[J]. Power System Protection and Control, 2013(3):140-148.

[12] 丁明, 史盛亮, 潘浩,等. 含電動(dòng)汽車(chē)充電負(fù)荷的交直流混合微電網(wǎng)規(guī)劃[J]. 電力系統(tǒng)自動(dòng)化, 2018, 42(1):32-38.

DING Ming, SHI Shengliang, PAN Hao, et al. Planning of AC/DC microgrid with electric vehicles charging load integration[J]. Automation of Electric Power Systems, 2018, 42(1):32-38.

[13] 齊峰, 張華一, 文福拴,等. 計(jì)及電動(dòng)汽車(chē)車(chē)主意愿的集成光熱充電站優(yōu)化運(yùn)行策略[J]. 電力自動(dòng)化設(shè)備, 2017, 37(6):229-235.

QI Feng, ZHANG Huayi, WEN Fushuan ,et al. Optimal operating strategy considering EV owner’s willingness for CSP-based EV charging station[J]. Electric Power Automation Equipment, 2017, 37(6):229-235.

[14] 張明銳, 謝青青, 李路遙，等. 考慮電動(dòng)汽車(chē)能量管理的微網(wǎng)儲(chǔ)能容量?jī)?yōu)化[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2015, 35(18): 4663-4673.

ZHANG Mingrui, XIE Qingqing, LI Luyao, et al. Optimal sizing of energy storage for microgrids considering energy management of electric vehicles[J]. Proceedings of the CSEE, 2015, 35(18): 4663-4673.

[15] 田立亭, 史雙龍, 賈卓. 電動(dòng)汽車(chē)充電功率需求的統(tǒng)計(jì)學(xué)建模方法[J]. 電網(wǎng)技術(shù), 2010, 34(11):126-130.

TIAN Liting, SHI Shuanglong, JIA Zhuo. A statistical model for charging power demand of electric vehicles[J]. Power System Technology, 2010, 34(11):126-130.

[16] HAFEZ O, BHATTACHARYA K. Optimal design of electric vehicle charging stations considering various energy resources[J]. Renewable Energy, 2017, 107:576-589.

[17] 張國(guó)立, 李庚銀, 謝宏,等. 多目標(biāo)加權(quán)模糊非線性規(guī)劃[J]. 華北電力大學(xué)學(xué)報(bào)(自然科學(xué)版), 2004, 31(1):33-35.

ZHANG Guoli, LI Gengyin, XIE Hong, et al. Multi-objective weighted fuzzy nonlinear programming[J]. Journal of North China Electric Power University, 2004, 31(1):33-35.

[18] TUSHAR W, YUEN C, HUANG S, et al. Cost minimization of charging stations with photovoltaics: an approach with EV classification[J]. IEEE Transactions on Intelligent Transportation Systems, 2015, 17(1):156-169.