陳凱炎，牛玉剛

基于V2G技術(shù)的電動(dòng)汽車實(shí)時(shí)調(diào)度策略

陳凱炎，牛玉剛

(華東理工大學(xué)化工過程先進(jìn)控制和優(yōu)化技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室，上海 200237)

隨著電動(dòng)汽車逐漸普及，其對(duì)電網(wǎng)的影響也不斷擴(kuò)大。為加強(qiáng)電動(dòng)汽車與電網(wǎng)間協(xié)作，充分利用電動(dòng)汽車在電網(wǎng)能量調(diào)度中的高度靈活性，提出一種基于V2G技術(shù)的電動(dòng)汽車實(shí)時(shí)調(diào)度策略。首先以降低充電成本和網(wǎng)損成本為目標(biāo)，建立電動(dòng)汽車調(diào)度模型。然后通過構(gòu)建網(wǎng)損靈敏度指標(biāo)分析電網(wǎng)節(jié)點(diǎn)性能，基于電網(wǎng)負(fù)荷制定分時(shí)電價(jià)，通過潮流計(jì)算和凸優(yōu)化算法實(shí)時(shí)求解得到電動(dòng)汽車充放電策略。最后以IEEE 33節(jié)點(diǎn)配電網(wǎng)為例驗(yàn)證了所提策略可以有效降低充電成本與網(wǎng)損成本，同時(shí)分析了電動(dòng)汽車滲透率、V2G占比對(duì)車網(wǎng)協(xié)作效果的影響。

電動(dòng)汽車；V2G；網(wǎng)損；實(shí)時(shí)優(yōu)化

0 引言

電動(dòng)汽車(Electric Vehicle, EV)作為一種使用清潔能源、零排放的新型交通工具，在近年來得到廣泛使用。隨著電動(dòng)汽車在電力系統(tǒng)中的滲透率逐步升高，其對(duì)電力系統(tǒng)的影響力也日益增大。自然狀態(tài)下電動(dòng)汽車的充放電行為具有較大的盲目性和隨機(jī)性，難以實(shí)現(xiàn)個(gè)體與電網(wǎng)的協(xié)作。根據(jù)電動(dòng)汽車相關(guān)統(tǒng)計(jì)，電動(dòng)汽車入網(wǎng)時(shí)間分布與電網(wǎng)負(fù)荷變化規(guī)律大致吻合，即在峰值時(shí)刻充電需求大，非峰值時(shí)刻充電需求小。因此電動(dòng)汽車無序充電極易加劇負(fù)荷峰谷差，使電網(wǎng)承擔(dān)更大的壓力。大量電動(dòng)汽車的無協(xié)作充電則可能對(duì)電網(wǎng)整體穩(wěn)定性產(chǎn)生不利影響，造成額外的經(jīng)濟(jì)損失[1-3]。

電動(dòng)汽車具有其他負(fù)荷類型所不具備的靈活性和可調(diào)度性。此外，部分電動(dòng)汽車具有電池電量回饋電網(wǎng)(Vehicle-to-Grid, V2G)的能力，即該類電動(dòng)汽車既可視為負(fù)荷，也可視為儲(chǔ)能電池[4-5]。若通過合理的調(diào)度策略充分利用V2G技術(shù)，對(duì)電動(dòng)汽車充放電行為進(jìn)行規(guī)劃，加強(qiáng)車車、車網(wǎng)之間的協(xié)作，不僅可以進(jìn)一步降低電動(dòng)汽車充電成本和網(wǎng)損成本，還可以達(dá)到服務(wù)電網(wǎng)，改善電網(wǎng)負(fù)荷曲線的效果[6-7]。

為對(duì)電動(dòng)汽車進(jìn)行有序控制，文獻(xiàn)[8]提出了一種集中式算法，使電動(dòng)汽車在保證電網(wǎng)穩(wěn)定的前提下最大化充電速率，結(jié)果表明有序充電下能量利用率和負(fù)荷曲線均有改善；文獻(xiàn)[9]以充電站運(yùn)營商購電成本最小為目標(biāo)，提出了電動(dòng)汽車分時(shí)充電價(jià)格的制定方法，實(shí)現(xiàn)智能電網(wǎng)中充電負(fù)荷的友好接入；文獻(xiàn)[10]提出模糊化的電動(dòng)汽車充電網(wǎng)絡(luò)規(guī)劃模型，采用遺傳算法對(duì)電動(dòng)汽車充電進(jìn)行多目標(biāo)優(yōu)化。這些研究表明電動(dòng)汽車有序充電可以同時(shí)兼顧多個(gè)目標(biāo)，效果顯著。但未考慮電動(dòng)汽車能量回饋電網(wǎng)，僅將電動(dòng)汽車視作一種高度靈活的負(fù)荷。

為加強(qiáng)電動(dòng)汽車與電網(wǎng)的雙向協(xié)作，文獻(xiàn)[11]基于電力市場模型闡述了具有充放電能力的電動(dòng)汽車對(duì)負(fù)荷調(diào)度、能源成本的影響；文獻(xiàn)[12]在滿足電網(wǎng)功率限制條件下提出了考慮用戶因素的電動(dòng)汽車充放電控制策略，使運(yùn)營商和用戶均獲益；文獻(xiàn)[13]通過對(duì)發(fā)電量和負(fù)載統(tǒng)計(jì)建模進(jìn)行日前優(yōu)化，使包含電動(dòng)汽車負(fù)荷的日負(fù)荷曲線更好地跟蹤發(fā)電曲線。這些研究強(qiáng)調(diào)利用V2G技術(shù)，但未在調(diào)度中充分考慮網(wǎng)損等與電網(wǎng)密切相關(guān)的評(píng)價(jià)指標(biāo)，其調(diào)度策略缺乏實(shí)際性。

基于上述分析，本文提出了一種結(jié)合電網(wǎng)模型的電動(dòng)汽車實(shí)時(shí)調(diào)度策略，對(duì)大規(guī)模電動(dòng)汽車進(jìn)行有序控制。充分考慮電動(dòng)汽車與電網(wǎng)的協(xié)作能力，通過構(gòu)建網(wǎng)損靈敏度指標(biāo)分析節(jié)點(diǎn)性能，將電動(dòng)汽車充放電行為與網(wǎng)損成本結(jié)合，基于潮流計(jì)算和凸優(yōu)化算法進(jìn)行實(shí)時(shí)規(guī)劃，在保證按時(shí)完成充電任務(wù)的前提下充分利用電動(dòng)汽車V2G功能降低充電成本和電網(wǎng)的網(wǎng)損成本，同時(shí)具有改善電網(wǎng)負(fù)荷波動(dòng)、提升電網(wǎng)穩(wěn)定性的效果。

1 電動(dòng)汽車調(diào)度模型

電動(dòng)汽車調(diào)度策略由調(diào)度中心制定并執(zhí)行[14]。調(diào)度中心是一個(gè)負(fù)責(zé)實(shí)現(xiàn)區(qū)域內(nèi)電動(dòng)汽車與電網(wǎng)協(xié)作的信息中心，具有采集、發(fā)布信息和計(jì)算的能力。電動(dòng)汽車入網(wǎng)后就需要接受調(diào)度中心的集中調(diào)度。如圖1所示，在用戶將電動(dòng)汽車接入電網(wǎng)后，用戶需要為其車輛設(shè)定離網(wǎng)時(shí)間和目標(biāo)電量，并將這些信息與電動(dòng)汽車的初始電量等數(shù)據(jù)上傳到調(diào)度中心。在接入電網(wǎng)的時(shí)間內(nèi)，電動(dòng)汽車處于可調(diào)度狀態(tài)，其充放電行為受調(diào)度中心控制。調(diào)度中心在保證按時(shí)完成所有車輛充電任務(wù)的前提下制定充放電調(diào)度策略，并在電動(dòng)汽車達(dá)到離網(wǎng)時(shí)間時(shí)將其切出電網(wǎng)。

其中：為第i輛電動(dòng)汽車的可調(diào)度時(shí)間；為入網(wǎng)時(shí)間；為用戶設(shè)定的目標(biāo)離網(wǎng)時(shí)間。

同時(shí)，電池電量在可調(diào)度時(shí)間內(nèi)的任意時(shí)刻均滿足：

1.1 成本分析

1) 充電成本

系統(tǒng)實(shí)時(shí)電價(jià)關(guān)于每個(gè)時(shí)間段內(nèi)的總負(fù)荷線性變化，即：

電動(dòng)汽車充電總成本為

2) 網(wǎng)損成本

電動(dòng)汽車接入電網(wǎng)節(jié)點(diǎn)后，以節(jié)點(diǎn)注入功率的形式對(duì)電網(wǎng)產(chǎn)生影響。在電網(wǎng)實(shí)際運(yùn)行中，網(wǎng)損是造成的經(jīng)濟(jì)損失的一大來源。對(duì)含有條支路的電網(wǎng)進(jìn)行潮流計(jì)算，支路的有功損耗為

時(shí)間段內(nèi)的網(wǎng)損成本為

則網(wǎng)損總成本為

3) 總成本

一個(gè)調(diào)度循環(huán)周期內(nèi)所有電動(dòng)汽車完成充電任務(wù)的總成本為

1.2 問題描述

本文目標(biāo)為在保證完成電動(dòng)汽車充放電任務(wù)的前提下，使總成本最小。則優(yōu)化問題表述如下：

subject to:

(19)

2 電動(dòng)汽車實(shí)時(shí)調(diào)度策略

2.1 實(shí)時(shí)算法的優(yōu)化范圍

全局算法得到最優(yōu)調(diào)度策略的前提是準(zhǔn)確的電動(dòng)汽車全天預(yù)測數(shù)據(jù)。而電動(dòng)汽車入網(wǎng)時(shí)間、初始狀態(tài)具有較大的隨機(jī)性，不宜使用全局算法[15]。本文采用的實(shí)時(shí)調(diào)度策略不需要電動(dòng)汽車全天預(yù)測信息，而是對(duì)每個(gè)時(shí)間段內(nèi)處于可調(diào)度狀態(tài)的電動(dòng)汽車進(jìn)行實(shí)時(shí)優(yōu)化，得到針對(duì)當(dāng)前時(shí)間段的最優(yōu)調(diào)度方案。

如圖2所示，為使實(shí)時(shí)算法的充放電規(guī)劃能充分配合一定時(shí)長內(nèi)的基礎(chǔ)負(fù)荷變化情況，其優(yōu)化范圍動(dòng)態(tài)變化。優(yōu)化范圍的大小取當(dāng)前時(shí)間段可調(diào)度車輛的剩余可調(diào)度時(shí)間的最大值：

圖2 各時(shí)間段的優(yōu)化范圍

如圖3所示，每個(gè)時(shí)間段計(jì)算得到的調(diào)度策略長度均為相應(yīng)的優(yōu)化時(shí)間窗，如Solution 1長度為3。電動(dòng)汽車將收到的調(diào)度策略的首部作為當(dāng)前時(shí)間段的充放電策略，如時(shí)間段2所選用的策略為S2-1。全天的調(diào)度策略即由這些部分組成。

圖3 各時(shí)間段的調(diào)度策略

2.2 網(wǎng)損靈敏度指標(biāo)

電動(dòng)汽車充放電行為引起的網(wǎng)損成本與節(jié)點(diǎn)性能緊密相關(guān)。同時(shí)，在優(yōu)化迭代過程中調(diào)度策略會(huì)為各節(jié)點(diǎn)分配不同的負(fù)荷量，直接通過潮流計(jì)算的方式計(jì)算網(wǎng)損會(huì)大大增加優(yōu)化過程的耗時(shí)，導(dǎo)致調(diào)度中心不能及時(shí)向所有電動(dòng)汽車用戶提供充放電規(guī)劃。因此考慮使用網(wǎng)損靈敏度(Power Loss Sensitivity, PLS)作為決策的輔助手段。

網(wǎng)損靈敏度表示網(wǎng)損對(duì)節(jié)點(diǎn)注入功率的靈敏度，宏觀上可以視為電網(wǎng)節(jié)點(diǎn)增加單位負(fù)荷量后引起的網(wǎng)損大小。計(jì)算網(wǎng)損靈敏度時(shí)，首先將當(dāng)前時(shí)間段的基礎(chǔ)負(fù)荷分配到電網(wǎng)中，再依次計(jì)算網(wǎng)損關(guān)于節(jié)點(diǎn)有功功率的偏微分，表達(dá)式為

此外，網(wǎng)損靈敏度基于電網(wǎng)基礎(chǔ)負(fù)荷計(jì)算得到，即每個(gè)時(shí)間段對(duì)應(yīng)一組網(wǎng)損靈敏度。由于調(diào)度策略采用的基礎(chǔ)負(fù)荷為日前預(yù)測數(shù)據(jù)，因此可以在每日調(diào)度開始前將所有時(shí)間段的網(wǎng)損靈敏度離線計(jì)算完畢。在后續(xù)優(yōu)化過程中只需要依據(jù)電動(dòng)汽車在相應(yīng)節(jié)點(diǎn)的充放電行為即可計(jì)算網(wǎng)損靈敏度指標(biāo)，從而避免了反復(fù)進(jìn)行潮流計(jì)算。

2.3 算法描述

根據(jù)上述分析，將1.3節(jié)的優(yōu)化問題修改如下。

subject to:

由于目標(biāo)函數(shù)為凸函數(shù)，并且所有約束條件均為線性約束，因此該優(yōu)化問題可以采用凸優(yōu)化方法解決。本文采用內(nèi)點(diǎn)法進(jìn)行求解。在得到充放電控制矩陣后取首列作為當(dāng)前時(shí)間段的調(diào)度策略執(zhí)行。將基礎(chǔ)負(fù)荷與電動(dòng)汽車負(fù)荷更新到電網(wǎng)中進(jìn)行潮流計(jì)算，計(jì)算當(dāng)前時(shí)間段的網(wǎng)損成本和充電成本。在一個(gè)調(diào)度循環(huán)周期結(jié)束后計(jì)算總成本。

圖4 實(shí)時(shí)優(yōu)化流程圖

3 仿真實(shí)例

3.1 仿真環(huán)境

仿真環(huán)境基于IEEE 33節(jié)點(diǎn)配電網(wǎng)測試系統(tǒng)建立[16]。該測試系統(tǒng)結(jié)構(gòu)如圖5，電壓基準(zhǔn)值12.66 kV，平衡節(jié)點(diǎn)為節(jié)點(diǎn)1。

負(fù)荷數(shù)據(jù)來自文獻(xiàn)[17]中的2011年美國交通部對(duì)全美家用車輛行駛的調(diào)查結(jié)果(National Household Travel Survey, NHTS)，包括電動(dòng)汽車用戶的行駛特性、入網(wǎng)時(shí)間、初始荷電狀態(tài)等關(guān)鍵參數(shù)。

圖5 IEEE 33節(jié)點(diǎn)配電網(wǎng)測試系統(tǒng)

圖6 各時(shí)間段入網(wǎng)電動(dòng)汽車數(shù)量

圖7 電動(dòng)汽車初始荷電狀態(tài)

其他仿真相關(guān)參數(shù)設(shè)置如表1。其中，電動(dòng)汽車電池最大容量15 kWh，用戶的目標(biāo)離網(wǎng)電量為滿電，充電、放電速率上限均為3 kW。

表1 仿真相關(guān)參數(shù)設(shè)置

考慮到調(diào)度策略的連續(xù)性，要求每日6:00前完成當(dāng)前周期內(nèi)所有車輛充電任務(wù)，同時(shí)更新日基礎(chǔ)負(fù)荷預(yù)測數(shù)據(jù)。因此，本文仿真的初始時(shí)刻為6:00，至次日6:00結(jié)束。

在原始狀態(tài)下，電動(dòng)汽車從接入電網(wǎng)開始以允許的最大充電速率充電，電池充電完畢后切出電網(wǎng)。由此得到原始動(dòng)態(tài)下總負(fù)荷與基礎(chǔ)負(fù)荷對(duì)比情況如圖8所示。電動(dòng)汽車大量接入的時(shí)刻與基礎(chǔ)負(fù)荷的峰值時(shí)刻相近，導(dǎo)致大量電動(dòng)汽車在電網(wǎng)負(fù)擔(dān)較大時(shí)進(jìn)行充電，充電成本和網(wǎng)損成本大大增加。而在3:00附近為電網(wǎng)非峰值時(shí)刻，電網(wǎng)負(fù)擔(dān)較小，電價(jià)較低，僅有少量電動(dòng)汽車進(jìn)行充電。

圖8 原始狀態(tài)總負(fù)荷與基礎(chǔ)負(fù)荷對(duì)比

基于基礎(chǔ)負(fù)荷計(jì)算各時(shí)間段的網(wǎng)損靈敏度。圖9為=1時(shí)的各電網(wǎng)節(jié)點(diǎn)網(wǎng)損靈敏度。

圖9 t=1時(shí)各電網(wǎng)節(jié)點(diǎn)網(wǎng)損靈敏度

顯然節(jié)點(diǎn)18、節(jié)點(diǎn)33等節(jié)點(diǎn)具有較大的網(wǎng)損靈敏度，在網(wǎng)損靈敏度指標(biāo)計(jì)算中會(huì)產(chǎn)生較大的影響。其中節(jié)點(diǎn)1為電網(wǎng)模型中的平衡節(jié)點(diǎn)，網(wǎng)損靈敏度為0，且該節(jié)點(diǎn)禁止接入電動(dòng)汽車。

3.2 仿真結(jié)果分析

3.2.1充放電行為分析

根據(jù)圖10、圖11的負(fù)荷統(tǒng)計(jì)，調(diào)度中心針對(duì)出現(xiàn)在12:00附近、20:00附近的基礎(chǔ)負(fù)荷峰值均進(jìn)行了規(guī)避，避免高電價(jià)充電。由于峰值大小間接決定了調(diào)度中心的調(diào)度能力，因此在峰谷差距較小的12:00附近，電動(dòng)汽車凈負(fù)荷變化并不明顯。導(dǎo)致這一現(xiàn)象的另一原因是此時(shí)接入電網(wǎng)并可供調(diào)度的電動(dòng)汽車數(shù)量有限，無法實(shí)現(xiàn)接大規(guī)模的負(fù)荷轉(zhuǎn)移。由圖12可以看到，在12:00附近，V2G車輛放電供應(yīng)其他車輛充電，使得電動(dòng)汽車凈負(fù)荷接近于零。

圖10 調(diào)度后總負(fù)荷與基礎(chǔ)負(fù)荷對(duì)比

圖11 調(diào)度后電動(dòng)汽車凈負(fù)荷

在峰谷差距較大的20:00附近，電動(dòng)汽車凈負(fù)荷為負(fù)，電動(dòng)汽車的充放電行為具體表現(xiàn)為大量V2G車輛向電網(wǎng)饋電，少部分僅支持充電的電動(dòng)汽車進(jìn)行充電。由圖12可以看到20:00附近由于大量電動(dòng)汽車進(jìn)行放電，調(diào)度后總負(fù)荷明顯低于基礎(chǔ)負(fù)荷曲線，負(fù)荷峰值時(shí)期的充電成本與網(wǎng)損成本得到大幅降低。

圖12 電動(dòng)汽車充放電行為記錄

此外，在3:00、15:00等非峰值時(shí)刻，電網(wǎng)整體負(fù)擔(dān)較輕，電動(dòng)汽車的充放電行為具體表現(xiàn)為集體充電，抬高了非峰值時(shí)刻總負(fù)荷。

對(duì)具體數(shù)據(jù)分析發(fā)現(xiàn)，原始狀態(tài)下電網(wǎng)總負(fù)荷峰值為19:00的826.5 kW，次峰值為12:00的791.0 kW，總負(fù)荷最低值為4:00的601.8 kW，峰谷差為224.7 kW，標(biāo)準(zhǔn)差為73.7。應(yīng)用調(diào)度策略后總負(fù)荷峰值為14:00的777.9 kW，并且在11:00至21:00內(nèi)總負(fù)荷均保持在745.3~777.9 kW。總負(fù)荷最低值為5:00的654.7 kW，峰谷差為123.2 kW，標(biāo)準(zhǔn)差為46.5。

從宏觀上來看，實(shí)時(shí)算法實(shí)現(xiàn)了在較大時(shí)間范圍內(nèi)的負(fù)荷轉(zhuǎn)移，達(dá)到了削峰填谷的效果。這也是所提策略能夠降低各項(xiàng)成本的主要原因。

3.2.2充電成本與網(wǎng)損成本分析

2.2節(jié)的分析表明，充電成本與網(wǎng)損成本均與總負(fù)荷曲線緊密相關(guān)。

對(duì)調(diào)度前后的案例進(jìn)行成本分析。原始狀態(tài)下充電成本為1 931.4元，網(wǎng)損成本177.5元，平均每車每日總成本為21.1元；調(diào)度后充電成本為1 743.5元，網(wǎng)損成本為163.4元，平均每車每日總成本為19.1元。

調(diào)度后充電成本降低9.7%，網(wǎng)損成本降低7.9%，平均每車每日總成本降低9.5%。

圖12同時(shí)也表明大部分電動(dòng)汽車的充放電行為較為規(guī)律，表現(xiàn)為峰值時(shí)期放電，低谷時(shí)期充電。僅有極少量電動(dòng)汽車在入網(wǎng)時(shí)間內(nèi)進(jìn)行了反復(fù)多次的充放電，因此本調(diào)度策略也在一定程度上降低了電池?fù)p耗的成本。

3.3 V2G比例對(duì)車網(wǎng)協(xié)作的影響

如圖13所示，隨著V2G比例的升高，總負(fù)荷曲線逐漸趨于平緩。在抑制負(fù)荷波動(dòng)的效果上，三個(gè)案例均取得良好的效果，這主要是因?yàn)樗惴▽?duì)充電行為也進(jìn)行了充分規(guī)劃，起到了負(fù)荷轉(zhuǎn)移的作用，而放電行為的規(guī)劃令負(fù)荷曲線進(jìn)一步趨于平滑。三個(gè)案例中，50%比例相對(duì)于25%比例提升較為明顯，在峰值時(shí)期負(fù)荷有較為明顯的降落，在非峰值時(shí)刻負(fù)荷有較為明顯的抬升，峰谷差縮小。而75%比例相對(duì)于50%比例有一定的改善，但提升較小。本算法對(duì)V2G比例的要求并不嚴(yán)苛，在V2G比例為50%左右時(shí)，即可取得比較理想的結(jié)果。

圖13 不同V2G比例下的負(fù)荷調(diào)度情況

表2表明，在本文的電價(jià)制度下，對(duì)于電動(dòng)汽車用戶來說，電動(dòng)汽車放電是一種降低總成本的有效手段。當(dāng)電網(wǎng)中的電動(dòng)汽車V2G比例較低時(shí)，出現(xiàn)負(fù)荷緊張時(shí)對(duì)放電行為的需求度較高，電動(dòng)汽車放電效果明顯，成本大幅降低；但是當(dāng)V2G比例較高時(shí)，電量需求被大幅稀釋，因此成本無法進(jìn)一步降低。

表2 不同V2G比例下的調(diào)度效果

3.4 滲透率對(duì)車網(wǎng)協(xié)作的影響

統(tǒng)計(jì)數(shù)據(jù)表明電動(dòng)汽車正處于高速發(fā)展中，電動(dòng)汽車在電網(wǎng)中的滲透率也隨之升高?？剂坎煌瑵B透率下電動(dòng)汽車對(duì)電網(wǎng)的影響非常重要[18-20]。不同滲透率的電動(dòng)汽車在本算法調(diào)度下表現(xiàn)如圖14。

圖14 不同滲透率下的負(fù)荷調(diào)度情況

電動(dòng)汽車滲透率分別為10%、20%、30%時(shí)的負(fù)荷曲線表明隨著滲透率增加，電動(dòng)汽車削峰填谷的能力得到增強(qiáng)，負(fù)荷曲線更加平坦，意味著在本文電價(jià)制度下總成本進(jìn)一步降低。調(diào)度效果如表3所示。

值得注意的是，在12:00的次峰值附近，三種滲透率的負(fù)荷曲線區(qū)別不大。一是由于此時(shí)可調(diào)度車輛較少；二是由于此時(shí)負(fù)荷波動(dòng)幅度較小，在滲透率較小的情況下電動(dòng)汽車也能起到良好的調(diào)節(jié)效果。在20:00的峰值附近和3:00的低谷值附近，30%滲透率的電動(dòng)汽車表現(xiàn)明顯優(yōu)于其余兩者，表明較高的滲透率保證了電動(dòng)汽車有充足的負(fù)荷吞吐量，用于應(yīng)對(duì)大規(guī)模的負(fù)荷波動(dòng)[21-22]，防止出現(xiàn)某一時(shí)間段的充電成本與網(wǎng)損成本過高的情況。

表3 不同滲透率下的調(diào)度效果

以上實(shí)驗(yàn)表明，采用所提的調(diào)度策略對(duì)電動(dòng)汽車充放電行為進(jìn)行規(guī)劃時(shí)，所有電動(dòng)汽車均能按時(shí)按量完成用戶設(shè)定的充電任務(wù)。在此基礎(chǔ)上，調(diào)度策略有效降低了充電成本與網(wǎng)損成本，同時(shí)還具有改善電網(wǎng)負(fù)荷曲線的效果。

調(diào)度策略對(duì)V2G比例的要求并不苛刻。V2G比例為25%時(shí)依然可以取得較好的效果。隨著V2G比例的提升，調(diào)度效果有所改善。

調(diào)度策略的效果對(duì)電動(dòng)汽車滲透率比較敏感。在高滲透率的案例中，總成本與負(fù)荷曲線的改善效果更明顯。從調(diào)度循環(huán)周期來看，在初始時(shí)段電網(wǎng)中的可調(diào)度車輛總數(shù)較少，對(duì)電能的吞吐量不足，調(diào)度中心對(duì)電網(wǎng)負(fù)荷的調(diào)節(jié)能力相對(duì)薄弱；在中間時(shí)段隨著大量電動(dòng)汽車入網(wǎng)，調(diào)度中心對(duì)負(fù)荷峰值的響應(yīng)能力大大提升，能更好地實(shí)現(xiàn)降低成本的調(diào)度目標(biāo)。

4 結(jié)論

本文提出了一種基于V2G技術(shù)的電動(dòng)汽車實(shí)時(shí)調(diào)度策略，根據(jù)網(wǎng)損靈敏度值表分析節(jié)點(diǎn)性能，利用潮流計(jì)算與凸優(yōu)化算法得到充放電策略。仿真表明本文方法能夠有效降低電動(dòng)汽車充電成本與電網(wǎng)的網(wǎng)損成本。主要結(jié)論如下：

1) 在分時(shí)電價(jià)制度下，采用凸優(yōu)化算法實(shí)時(shí)求解得到的充放電策略可以在按時(shí)完成充電任務(wù)的前提下有效降低充電成本與網(wǎng)損成本。

2) 策略制定時(shí)通過構(gòu)建網(wǎng)損靈敏度指標(biāo)充分考慮了節(jié)點(diǎn)性能對(duì)成本的影響，同時(shí)簡化了網(wǎng)損成本計(jì)算過程。

3) 所提策略在不同的電動(dòng)汽車滲透率和V2G占比下均有降低成本、優(yōu)化負(fù)荷曲線的效果。

[1] HAFIZ F, DE QUIEROZ A R, HUSAIN I, et al. Charge scheduling of a plug-in electric vehicle considering load demand uncertainty based on multi-stage stochastic optimization[C] // North American Power Symposium, September 17-19, 2017, Morgantown, WV, USA: 1-6.

[2] WEN C K, CHEN J C, TENG J H, et al. Decentralized plug-in electric vehicle charging selection algorithm in power systems[J]. IEEE Transactions on Smart Grid, 2012, 3(4): 1779-1789.

[3] 王彪, 尹霞. 實(shí)時(shí)電價(jià)下含V2G功能的電動(dòng)汽車?yán)硇猿浞烹娔Ｐ图捌浞治鯷J]. 電力系統(tǒng)保護(hù)與控制, 2016, 44(24): 90-96.

WANG Biao, YIN Xia. Modeling and analysis on the rational charging and discharging of electric vehicle with V2G function under real-time prices[J]. Power System Protection and Control, 2016, 44(24): 90-96.

[4] 張祥文, 江星星, 王龍. 配電網(wǎng)接納電動(dòng)汽車能力評(píng)估方法研究[J]. 電力系統(tǒng)保護(hù)與控制, 2015, 43(12): 14-20.

ZHANG Xiangwen, JIANG Xingxing, WANG Long. Research on assessment methods of distribution network’s ability of admitting electric vehicles[J]. Power System Protection and Control, 2015, 43(12): 14-20.

[5] 馬益平. 考慮電動(dòng)汽車調(diào)度的微電網(wǎng)混合儲(chǔ)能容量優(yōu)化配置[J]. 電力系統(tǒng)保護(hù)與控制, 2017, 45(23): 98-107.

MA Yiping. Hybrid energy storage capacity optimization configuration for micro-grid considering EV scheduling[J]. Power System Protection and Control, 2017, 45(23): 98-107.

[6] 肖浩, 裴瑋, 孔力. 含大規(guī)模電動(dòng)汽車接入的主動(dòng)配電網(wǎng)多目標(biāo)優(yōu)化調(diào)度方法[J]. 電工技術(shù)學(xué)報(bào), 2017, 32(增刊2): 179-189.

XIAO Hao, PEI Wei, KONG Li. Multi-objective optimization scheduling method for active distribution network with large scale electric vehicles[J]. Transactions of China Electrotechnical Society, 2017, 32(S2): 179-189.

[7] 舒雋, 唐剛, 韓冰. 電動(dòng)汽車充電站最優(yōu)規(guī)劃的兩階段方法[J]. 電工技術(shù)學(xué)報(bào), 2017, 32(3): 10-17.

SHU Jun, TANG Gang, HAN Bing. Two stage method for optimal planning of electric vehicle charging station[J]. Transactions of China Electrotechnical Society, 2017, 32(3): 10-17.

[8] RICHARDSON P, FLYNN D, KEANE A. Local versus centralized charging strategies for electric vehicles in low voltage distribution systems[J]. IEEE Transactions on Smart Grid, 2012, 3(2): 1020-1028.

[9] 常方宇, 黃梅, 張維戈. 分時(shí)充電價(jià)格下電動(dòng)汽車有序充電引導(dǎo)策略[J]. 電網(wǎng)技術(shù), 2016, 40(9): 2609-2615.

CHANG Fangyu, HUANG Mei, ZHANG Weige. Research on coordinated charging of electric vehicles based on TOU charging price[J]. Power System Technology, 2016, 40(9): 2609-2615.

[10] 丁丹軍, 戴康, 張新松, 等. 基于模糊多目標(biāo)優(yōu)化的電動(dòng)汽車充電網(wǎng)絡(luò)規(guī)劃[J]. 電力系統(tǒng)保護(hù)與控制, 2018, 46(3): 43-50.

DING Danjun, DAI Kang, ZHANG Xinsong, et al. Network planning for electric vehicle charging based on fuzzy multi-objective optimization[J]. Power System Protection and Control, 2018, 46(3): 43-50.

[11] VAGROPOULOS S I, BALASKAS G A, BAKIRTZIS A G. An investigation of plug-in electric vehicle charging impact on power systems scheduling and energy costs[J]. IEEE Transactions on Power Systems, 2017, 32(3): 1902-1912.

[12] 王鑫, 周步祥, 唐浩. 考慮用戶因素的電動(dòng)汽車有序充放電控制策略[J]. 電力系統(tǒng)保護(hù)與控制, 2018, 46(4): 64-69.

WANG Xin, ZHOU Buxiang, TANG Hao. A coordinated charging/discharging strategy for electric vehicles considering customers’ factors[J]. Power System Protection and Control, 2018, 46(4): 64-69.

[13] 劉東奇, 王耀南, 袁小芳. 電動(dòng)汽車充放電與風(fēng)力/火力發(fā)電系統(tǒng)的協(xié)同優(yōu)化運(yùn)行[J]. 電工技術(shù)學(xué)報(bào), 2017, 32(3): 18-26.

LIU Dongqi, WANG Yaonan, YUAN Xiaofang. Cooperative dispatch of large-scale electric vehicles with wind-thermal power generating system[J]. Transactions of China Electrotechnical Society, 2017, 32(3): 18-26.

[14] XIA M, LAI Q, ZHONG Y, et al. Aggregator-based interactive charging management system for electric vehicle charging[J]. Energies, 2016, 9(3): 1-14.

[15] SACHAN S, ADNAN N. Stochastic charging of electric vehicles in smart power distribution grids[J]. Sustainable Cities and Society, 2018, 40: 91-100.

[16] BARAN M E, WU F F. Network reconfiguration in distribution systems for loss reduction and load balancing[J]. IEEE Transactions on Power Delivery, 1989, 4(2): 1401-1407.

[17] GARCíA-VILLALOBOS J, ZAMORA I, EGUIA P, et al. Modelling social patterns of plug-in electric vehicles drivers for dynamic simulations[C] // 2014 IEEE International Electric Vehicle Conference, December 17-19, 2014, Florence, Italy: 1-7.

[18] 劉琰, 何偉哲. 電動(dòng)汽車充電模式選擇與充電負(fù)荷計(jì)算的研究[J]. 電網(wǎng)與清潔能源, 2017, 33(10): 129-133.

LIU Yan, HE Weizhe. Research on charging mode selection and charging load calculation of electric vehicles[J]. Power System and Clean Energy, 2017, 33(10): 129-133.

[19] 周天沛, 孫偉. 基于微網(wǎng)的電動(dòng)汽車與電網(wǎng)互動(dòng)技術(shù)[J]. 電力系統(tǒng)自動(dòng)化, 2018, 42(3): 98-104.

ZHOU Tianpei, SUN Wei. Electric vehicle-to-grid technology based on microgrid[J]. Automation of Electric Power Systems, 2018, 42(3): 98-104.

[20] MOON S K, KIM J O. Balanced charging strategies for electric vehicles on power systems[J]. Applied Energy, 2017, 189: 44-54.

[21] 婁素華, 張立靜, 吳耀武, 等. 低碳經(jīng)濟(jì)下電動(dòng)汽車集群與電力系統(tǒng)間的協(xié)調(diào)優(yōu)化運(yùn)行[J]. 電工技術(shù)學(xué)報(bào), 2017, 32(5): 176-183.

LOU Suhua, ZHANG Lijing, WU Yaowu, et al. Coordination operation of electric vehicles and power system under low-carbon economy[J]. Transactions of China Electrotechnical Society, 2017, 32(5): 176-183.

[22] 周強(qiáng). 電動(dòng)汽車充電服務(wù)互聯(lián)互通問題的探討[J]. 供用電, 2017, 34(1): 19-23.

ZHOU Qiang. Discussion on the interconnection of electric vehicle charging service[J]. Distribution & Utilization, 2017, 34(1): 19-23.

Real-time scheduling strategy of electric vehicle based on vehicle-to-grid application

CHEN Kaiyan, NIU Yugang

(Key Lab of Advanced Control and Optimization for Chemical Process, Ministry of Education, East China University of Science & Technology, Shanghai 200237, China)

As electric vehicles become more popular, their impact on the power grid is also increasing.In order to enhance the cooperation between electric vehicles and power grids and make full use of the high flexibility of electric vehicles in grid energy dispatching, this paper proposes a real-time dispatching strategy for electric vehicles based on V2G technology.To reduce the cost of charging and power loss, an electric vehicle scheduling model is established.Then, the grid node performance is analyzed by constructing the network loss sensitivity index, and the time-of-use electricity price is determined based on the grid load.Finally, the power flow calculation and convex optimization algorithm are used to solve the electric vehicle charging and discharging optimal strategy in real time. The proposed strategy is verified by IEEE 33-node distribution system, and the influence of electric vehicle penetration and V2G ratio on the cooperation between electric vehicle and grid is analyzed.

This work is supported by National Natural Science Foundation of China (No. 61673174).

electric vehicle; vehicle to grid; power loss; real-time optimization

轉(zhuǎn)載自《電力系統(tǒng)保護(hù)與控制》2019年47卷14期

陳凱炎, 牛玉剛. 基于V2G技術(shù)的電動(dòng)汽車實(shí)時(shí)調(diào)度策略[J]. 電力系統(tǒng)保護(hù)與控制, 2019, 47(14): 1-9.

CHEN Kaiyan, NIU Yugang. Real-time scheduling strategy of electric vehicle based on vehicle-to-grid application[J]. Power System Protection and Control, 2019, 47(14): 1-9.

10.19783/j.cnki.pspc.181011

國家自然科學(xué)基金項(xiàng)目資助(61673174)

2018-08-08；

2019-01-18

陳凱炎(1994—)，男，碩士研究生，研究方向?yàn)殡娋W(wǎng)與電動(dòng)汽車負(fù)荷調(diào)度；E-mail: 2461365998@qq.com

牛玉剛(1964—)，男，教授，博士生導(dǎo)師，研究方向?yàn)殡S機(jī)系統(tǒng)、無線傳感網(wǎng)絡(luò)、智能電網(wǎng)。