史文龍，秦文萍，姚宏民，朱云杰，李家鈺

（電力系統(tǒng)運行與控制山西省重點實驗室（太原理工大學(xué)），山西省 太原市 030024）

0 引言

隨著人們對全球變暖和能源危機的日益關(guān)注，提高能源效率和大力發(fā)展可再生能源成為人們的共識，但我國部分地區(qū)出現(xiàn)嚴重的棄風棄光問題[1]，給發(fā)電側(cè)的優(yōu)化調(diào)度帶來了巨大挑戰(zhàn)[2]。此外，對于人們不可或缺的交通需求，插電式電動汽車(plug-in electric vehicles, PEV)提供了環(huán)保的選擇，PEV 的普及增加了這一領(lǐng)域研究的重要性[3-4]。PEV的優(yōu)點是能夠以充電的形式吸收可再生能源提供的多余電力[5]。同時，隨著電動汽車與電網(wǎng)互動(vehicle to grid, V2G)技術(shù)的發(fā)展，PEV 能夠開啟放電模式以在峰值期間向電網(wǎng)提供額外的功率[6]。PEV 通過V2G 技術(shù)不僅能夠降低區(qū)域智能電網(wǎng)的運行成本，還能夠輔助電網(wǎng)提高對可再生能源的消納能力[7-10]。現(xiàn)有文獻針對PEV 參與智能電網(wǎng)調(diào)度進行了大量研究，可調(diào)度PEV 常用于大規(guī)模太陽能發(fā)電、參與調(diào)頻或調(diào)峰。文獻[11]將規(guī)?；疨EV 集中在一起，通過對其進行集群式調(diào)度來優(yōu)化負荷曲線；文獻[12]考慮電動汽車負荷和風電出力的波動性，建立了隨機經(jīng)濟調(diào)度模型來對PEV 進行充放電調(diào)度；文獻[13] 利用V2G 技術(shù)反向供電，能夠?qū)崿F(xiàn)對電網(wǎng)負荷的削峰填谷；文獻[14]提出了規(guī)?；疨EV 與儲能系統(tǒng)參與電網(wǎng)調(diào)度，確定了電動汽車和儲能系統(tǒng)的調(diào)度優(yōu)先級；文獻[15]分析了電動汽車的充電模式對傳統(tǒng)負荷曲線產(chǎn)生的影響。然而上述研究都沒有考慮PEV高低功率的調(diào)控差異性以及PEV 需求差異性對新能源消納及區(qū)域電網(wǎng)經(jīng)濟調(diào)度的影響。

為了靈活、可控地使用V2G 電源，本文將電動汽車(Electric Vehicles, EV)聚合商(EV aggregator，EVA) 作為智能電網(wǎng)調(diào)度控制中心與用戶的中介[16]。EVA 考慮并網(wǎng)EV 需求差異，采取差異化的控制策略。EVA 可調(diào)度容量隨著PEV 的運行狀態(tài)不斷波動，因此，分析EVA 所控制容量的變化規(guī)律，并計算出可調(diào)度容量的大小是十分重要的。本文在計及PEV 需求差異下比較了不同出行需求情況的區(qū)域智能電網(wǎng)傳統(tǒng)機組的運行成本和棄風量、棄光量，仿真結(jié)果表明，智能電網(wǎng)調(diào)度高功率充電技術(shù)的PEV 比調(diào)度低功率V2G 技術(shù)的PEV 對于智能電網(wǎng)運行成本更為經(jīng)濟，但是PEV 支付費用略高。

1 模型設(shè)定

本文區(qū)域智能電網(wǎng)由風電場、光伏電站、傳統(tǒng)負荷、傳統(tǒng)機組和一個可以對規(guī)?；疨EV 進行有效調(diào)度的EVA5 部分組成，如圖1 所示。通過先進的物聯(lián)網(wǎng)、通信技術(shù)將上述各部分聯(lián)系到一起，可調(diào)度PEV 作為可控單元加入到傳統(tǒng)發(fā)電機組組合優(yōu)化中，可有效消納可再生能源，提高智能電網(wǎng)運行的經(jīng)濟性與穩(wěn)定性。

圖1 區(qū)域智能電網(wǎng)模型Fig. 1 The model for regional smart grid

2 區(qū)域智能電網(wǎng)模型

2.1 電動汽車需求差異建模

用戶受到EVA 的激勵積極響應(yīng)其調(diào)度策略[17]，但用戶作為高度自主性個體，其并網(wǎng)需求最終仍取決于用戶的意愿。電動物流車、電動公交車、電動出租車等公共服務(wù)類車輛和部分私家車的特點是平均每天行車時間相對較長，對充電速度和充電時間要求較高，不能參與電網(wǎng)互動；大多數(shù)電動私家車的特點是閑置狀態(tài)時間較長，每天行駛里程較短，有充足的時間和電池容量參與電網(wǎng)互動。高功率電動汽車充電樁充分滿足了消費者使用的便利性以及電網(wǎng)調(diào)度的靈活性，同時高功率充電給電動汽車帶來了一定的損耗，低功率電動汽車充電樁投資成本較低，但是調(diào)度靈活性較差。本文將電動汽車分為5 類：第1 類是無序充電PEV，第2 類是低功率可調(diào)度充電PEV，第3類是高功率可調(diào)度充電PEV，第4 類是低功率可調(diào)度充放電PEV，第5 類是高功率可調(diào)度充放電PEV。

5 類PEV 構(gòu)成的集合分別記為EV1, EV2, EV3,EV4, EV5集。實際場景中，PEV 并網(wǎng)即確定所屬集：電動汽車用戶與EVA 互動自主確定。EVA針對用戶差異化需求采用差異化計費或激勵措施。

2.2 PEV 狀態(tài)矩陣

任意一輛PEV 在行駛結(jié)束時的狀態(tài)都可用一個一維矩陣來表示：

式中：L表示電動汽車負荷類型；N表示電動汽車充放電標識，處于充電模式為1，放電模式為-1，其余時刻為0；Sn和Se分別表示PEV 停駛時的荷電狀態(tài)和離網(wǎng)時用戶期望的荷電狀態(tài)；T0和T1分別表示電動汽車入網(wǎng)時間和用戶離網(wǎng)時刻。

2.2.1 無序充電PEV 模型

本文無序充電PEV 主要針對不參與電網(wǎng)調(diào)度的私家車。文獻[18]通過分析2009 年美國燃油私家車行駛數(shù)據(jù)，得出全美家用車輛日行駛里程和最后一次出行結(jié)束時間近似服從對數(shù)正態(tài)分布和Weibull 分布。本文做出假設(shè)如下：無序PEV剩余電量在20%—50%時才會充電，無序PEV充電完成時間設(shè)置為T1，無序充電PEV 離網(wǎng)期望電荷為Se。運用蒙特卡洛方法對PEV 狀態(tài)矩陣中PEV 最后一次行駛結(jié)束時間和PEV 結(jié)束行駛時的荷電狀態(tài)等元素進行抽取生成無序PEV 模型?？紤]到無序充電汽車對充電速度和充電時間要求較高，無序充電PEV 模型采用高功率版本。利用蒙特卡洛模擬方法計算無序PEV 充電負荷的算法流程圖見附圖A1。

2.2.2 可調(diào)度充電PEV 模型

對于大量電動私家車而言，其閑置狀態(tài)時長遠大于實際充電時長。如圖2 所示，通過在PEV停駛時長期間選取合適的充電時長實現(xiàn)用戶充電需求。

圖2 PEV 充電時間調(diào)度示意圖Fig. 2 Sketch map of dispatching of PEV charging time

通過可調(diào)度充電PEV 狀態(tài)矩陣可得可調(diào)度充電PEV 在t時刻的實際負荷，由此可預(yù)測可調(diào)度充電PEV 在下一時刻所能達到的最大負荷和最小負荷 ，如式(2)—(5)所示。

如圖4 所示，對于t+2 時刻電動汽車負荷最大最小值的預(yù)測需要用到從t時刻預(yù)測出的t+1時刻 的 最大負荷和最小負荷，將處于最大負荷時所有電動汽車的狀態(tài)矩陣和處于最小負荷時所有電動汽車的狀態(tài)矩陣做公式(2)—(5)相同的計算。由此可以得到電動汽車處在最大負荷狀態(tài)下，在下一時刻的最大負荷和最小負荷。同樣可以得到電動汽車處在最小負荷狀態(tài)下，在下一時刻的最大負荷和 最小 負 荷。 下 一時刻t+2 可調(diào)度電動汽車的最大負荷和最小 負 荷分 別為這4 個值中的最大值和最小值。之后所有時刻電動汽車可調(diào)度容量范圍的預(yù)測都以此類推。文中按照功率模式將可調(diào)度充放電PEV 分為高功率可調(diào)度充放電PEV 和低功率可調(diào)度充放電PEV?？烧{(diào)度充電PEV 容量范圍預(yù)測流程圖參見附圖2。

圖3 可調(diào)度充電PEV 容量上下限示意圖Fig. 3 Sketch map of the top and bottom limitation of the schedulable charge PEV

圖4 電動汽車可調(diào)度負荷上下限遞推示意圖Fig. 4 Sketch map of the recurrence of the top and bottom limitation of schedulable load

2.2.3 可調(diào)度充放電PEV 模型

一輛電動汽車在可調(diào)度充放電過程中存在幾個關(guān)鍵時間節(jié)點，圖5 所示為可調(diào)度充放電PEV的SOC 時間節(jié)點圖。

圖5 電動汽車調(diào)度時間節(jié)點示意圖Fig. 5 Sketch map of the schedulable time nodes of EV

tarrive表示PEV 接入電網(wǎng)時刻，此時PEV 的荷電狀態(tài)(State of Charge, SoC)為Qarrive，Tnow表示PEV 在接入電網(wǎng)的當前時刻，此時PEV 的SoC狀 態(tài)為Qnow。 從Tarrive到Tnow是PEV 已 調(diào) 度 的 時間段，從tnow到Tleave為PEV 待調(diào)度的時間段。在PEV待調(diào)度期間，放電過程從Tnow一直持續(xù)到tlim，tlim為PEV 放電極限點，PEV 在tlim的 SoC 狀態(tài)為Qlim。從tlim到Tleave的這段時間為電動汽車放電后需要充電的時段。相關(guān)參數(shù)計算如式(6)-(8)：

式中：Pc為PEV 充電功率；Pd為PEV 放電功率；Cs為PEV 放電功率；Pev,d為PEV 可調(diào)度放電容量；Pev,c為PEV 可調(diào)度充電容量。通過確定每輛PEV的可調(diào)度充放電容量，將其疊加到可調(diào)度放電容量曲線和充電容量曲線中，便可以得到規(guī)?；疨EV 充放電容量調(diào)度范圍曲線?？烧{(diào)度充放電PEV 容量范圍預(yù)測流程圖參見附圖3。

3 智能電網(wǎng)多目標優(yōu)化模型

3.1 子目標函數(shù)

由于可再生能源具有不污染環(huán)境、經(jīng)濟性等點，在《可再生能源法》中已經(jīng)確定了對可再生能源全額上網(wǎng)的扶持政策[19]，文中區(qū)域智能電網(wǎng)在經(jīng)濟調(diào)度過程中不考慮風電和光伏的出力成本，優(yōu)化目標簡化為智能電網(wǎng)運行成本最小和電動汽車車主支付費用最小的多目標優(yōu)化調(diào)度模型。

3.1.1 智能電網(wǎng)運行成本最小

將一天分為24 個時段，目標函數(shù)計及常規(guī)機組的燃料成本、啟停成本、太陽能電站的棄光懲罰成本和風電場的棄風懲罰成本。日前調(diào)度目標函數(shù)為:

式中：F1為智能電網(wǎng)在一個調(diào)度日內(nèi)的總運行成本；T為優(yōu)化時段；Ng為機組數(shù)；為機組i在t時段的燃料成本函數(shù)；PtGi為機組i在t時段的發(fā)電功率；Iit為機組i在t時段的啟停狀態(tài)；Sti為機組i在t時段的啟停成本函數(shù)；kcw和kcp分別表示棄風和棄光懲罰成本系數(shù)；Pcwt和Pcpt分別表示時段t的棄風和棄光功率； αi、βi為機組i的啟動耗量常數(shù)；τi為鍋爐的冷卻時間常數(shù)；xoifft為機組i在t時段持續(xù)停運時間。在實際計算中，由于機組需要滿足最小停運時間約束，因此，其啟動耗量也常簡化為常數(shù)考慮。

3.1.2 電動汽車車主支付費用最小

目標函數(shù)為：

式中：F2為電動汽車車主在一個調(diào)度日內(nèi)支付的費用；T為優(yōu)化時段；EV為電動汽車類別；為第i類電動汽車在t時段的充電功率；為第i類電動汽車在t時段的放電功率； μc為電動汽車在t時段的充電電價； μd為電動汽車在t時段的放電電價；kev為電動汽車的電池損耗成本系數(shù)。

3.1.3 基于模糊邏輯理論的多目標函數(shù)處理

把多目標函數(shù)F1和F2采用加權(quán)系數(shù)法轉(zhuǎn)化為單目標函數(shù)，對子目標函數(shù)值進行規(guī)范化處理，采用線性加權(quán)法轉(zhuǎn)換后的單目標優(yōu)化問題為：

式中： ω1和 ω2分別為兩個目標函數(shù)的權(quán)重；F1和F1max為目標函數(shù)1 的實際值和最大值；F2和F2max分別為目標函數(shù)2 的實際值和最大值。

根據(jù)文獻[20-21]，當智能電網(wǎng)運行成本較小時，ω1可能取較小值；當電動汽車車主對電價波動不敏感時，ω2可能取較小值。ω1和ω2是帶有主觀因素的模糊判斷。

3.2 約束條件

3.2.1 發(fā)電機組約束條件

風電出力約束條件：

光伏出力約束條件：

常規(guī)機組出力約束條件：

啟停約束：

出力上下限約束：

爬坡約束：

3.2.2 負荷平衡約束條件

3.2.3 EVA 約束條件

式中： 分別為可調(diào)度充電容量上下限。

可調(diào)度充放電PEV 約束條件：

4 算例分析

4.1 算例描述

本文的算例分析暫未考慮光伏發(fā)電、風力發(fā)電及負荷的不確定性對區(qū)域智能電網(wǎng)調(diào)度帶來的影響，本文采用10 機系統(tǒng)為例進行分析和計算，10 機系統(tǒng)機組具體參數(shù)參見附表A1。其中傳統(tǒng)機組裝機容量1662 MW，在原有系統(tǒng)中增加100 MW風電場10 座和120 MW 光伏電站10 座，風電數(shù)據(jù)、光伏數(shù)據(jù)、常規(guī)負荷數(shù)據(jù)和30 萬輛EV1如圖6 所示。圖6 中可以看出，白天EV1負荷充電需求低迷，其中充電習慣集中在17:00-22:00，此時EV1充電功率需求導(dǎo)致“峰上加峰”，增加了社區(qū)微網(wǎng)安全穩(wěn)定運行的壓力。

圖6 可再生能源出力曲線和負荷曲線Fig. 6 Output curve and load curve of renewable energy sources

本文設(shè)置區(qū)域各類PEV 基數(shù)分別為10 萬輛，可調(diào)度PEV 根據(jù)充電樁功率分為高低功率兩個版本。高功率版本，充放電功率Pc=Pd=7 kW,電池容 量為Cs=35 kWh；低功率版本Pc=Pd=3.5 kW，電池容量為Cs=35 kWh。計及運營商服務(wù)費的電動汽車充放電電價如表1 所示[22]，本文規(guī)定電動汽車僅在用電高峰期進行放電。

4.2 算例場景

文中考慮到實際情況，為比較不同類型PEV以及不同功率版本的PEV 接入?yún)^(qū)域智能電網(wǎng)下的傳統(tǒng)機組運行成本、風電棄風量和光伏棄光量，對以下四種電動汽車接入模式進行分析：

表1 具體電價參數(shù)設(shè)置Table 1 Parameter setting of concrete electricity price

模式1：30 萬輛EV1接入?yún)^(qū)域智能電網(wǎng)，考慮到無序電動汽車一般對充電時間要求比較高，統(tǒng)一將無序充電PEV 設(shè)置為高功率版本；

模 式2：10 萬 輛EV1、10 萬 輛EV2和10 萬輛EV3接入?yún)^(qū)域智能電網(wǎng)；

模 式3：10 萬 輛EV1、10 萬 輛EV2和10 萬輛EV4接入?yún)^(qū)域智能電網(wǎng);

模 式4：10 萬 輛EV1、10 萬 輛EV3和10 萬輛EV5接入?yún)^(qū)域智能電網(wǎng)。

4.3 優(yōu)化結(jié)果分析

4.3.1 四種模式優(yōu)化結(jié)果對比分析

表2 為4 種模式下的2 個目標成本比較以及棄風棄光比較。目標函數(shù)的權(quán)重系數(shù)根據(jù)實際調(diào)度需求進行調(diào)節(jié)，目標函數(shù)權(quán)重系數(shù)分別為0.5,0.5 時，優(yōu)化結(jié)果對比如下。

表2 4 種模式比較Table 2 Comparison of 4 modes

表2 中模式1 的智能電網(wǎng)運行成本、棄風量、棄光量和電動汽車車主支付費用遠高于其他3 個模式的成本；模式2 的智能電網(wǎng)運行成本比模式3 減少了3.46 萬元，但是電動汽車車主支付費用比模式3 高出8.22 萬元；模式2 的棄風量比模式1 降低了78.42%，比模式3 降低了1.45%；模式2 的棄光量比模式1 降低了76.87%，比模式3 降低了23.78%；模式4 的智能電網(wǎng)運行成本、棄風量、棄光量和電動汽車車主支付費用與模式2 和模式1 相比，智能電網(wǎng)運行成本分別降低了60.79%和1.7%，棄風量分別降低了79.27%和4.65%，棄光量分別降低了77.36%和2.12%。可以看出，高功率可調(diào)度充放電汽車這種既可以充電又可以向電網(wǎng)放電的電動汽車可以使得智能電網(wǎng)運行成本和汽車車主支付費用都達到最小值，同時極大地消納了可再生能源。這是由于電動汽車在進行轉(zhuǎn)移充電時段的同時還在負荷高峰期間對電網(wǎng)進行了反向放電，而且反向放電可以使得電動汽車車主降低一部分成本。模式2 在沒有采用V2G 技術(shù)的情況下，各項指標均優(yōu)于模式3，接近于模式4?？梢钥闯觯诓豢紤]高功率建設(shè)成本的情況下高功率可調(diào)度充電電動汽車在智能電網(wǎng)調(diào)度過程中調(diào)度成本要優(yōu)于低功率V2G 電動汽車。

4.3.2 模式4 優(yōu)化結(jié)果分析

模式4 的智能電網(wǎng)運行成本和用戶支付費用均為最低。表3 為不同權(quán)重時模式4 優(yōu)化結(jié)果分析。由表3 可知，相較于ω1=ω2=0.5，當ω1(智能電網(wǎng)運行成本)取值較大時，用戶的成本稍微增加，但是系統(tǒng)運行成本降低；當ω2(電動汽車車主支付費用)取值較大時，智能電網(wǎng)運行成本增加，同時棄光、棄風量增加。

表3 不同權(quán)重時各目標函數(shù)優(yōu)化數(shù)值Table 3 Optimized numerical values of objective functions under different weights

圖7 和圖8 分別為模式4 的高功率可調(diào)度充電電動汽車調(diào)度結(jié)果和模式4 的高功率可調(diào)度充放電電動汽車調(diào)度結(jié)果。從圖7 和圖8 中可以看出，模式4 中的可調(diào)度電動汽車有效避開了10:00-14:00 和18:00-20:00 的傳統(tǒng)負荷高峰，也有效避開了無序充電電動汽車負荷高峰。模式4 中的可調(diào)度充放電電動汽車在避開負荷高峰的同時，還在10:00-15:00 和18:00-21:00 的傳統(tǒng)負荷的用電高峰階段對電網(wǎng)進行了放電，在15:00-18:00 的負荷低谷未進行放電，對電網(wǎng)削峰填谷產(chǎn)生了積極作用。對比模式3 中的可調(diào)度電動汽車，高功率可調(diào)度充放電電動汽車響應(yīng)速度更加積極，在傳統(tǒng)負荷低谷階段的充電負荷較高，有效增強了電網(wǎng)的穩(wěn)定性。

圖7 模式4 高功率充電汽車調(diào)度結(jié)果Fig. 7 Dispatching results of mode 4 under high power charge EV

圖8 模式4 高功率充放電汽車調(diào)度結(jié)果Fig. 8 Dispatching results of high-power chargingdischarging EV under mode 4

圖9和圖10 分別為模式4 棄風率和棄光率。從圖9 和圖10 中可以看出，對比模式1、模式4的棄風率和棄光率大大降低。模式1 在6:00-24:00 均存在大量棄風現(xiàn)象，模式4 由于可調(diào)度電動汽車在6:00-11:00 靈活性較差，在該時段存在少量棄風現(xiàn)象。模式1 在6:00-15:00 棄光現(xiàn)象嚴重，模式4 在8:00-13:00 存在少量棄光現(xiàn)象。

圖9 模式4 棄風率Fig. 9 Wind curtailment rate under mode 4

圖10 模式4 棄光率Fig. 10 Curtailment rate of PV output under mode 4

5 結(jié)論

1）基于區(qū)域內(nèi)傳統(tǒng)負荷和無序電動汽車負荷特性，通過挖掘可調(diào)度電動汽車和火電機組靈活性，對智能電網(wǎng)源-荷進行有效優(yōu)化，大幅提高了可再生能源利用率。分時電價下的可調(diào)度PEV參與區(qū)域智能電網(wǎng)調(diào)度可以有效降低智能電網(wǎng)運行成本和電動汽車車主支付費用。

2）從智能電網(wǎng)成本的角度出發(fā)，高功率可調(diào)度充電PEV 參與區(qū)域智能電網(wǎng)調(diào)度比低功率可調(diào)度充放電PEV 更加經(jīng)濟；從電動汽車車主支付費用的角度出發(fā)，可調(diào)度充放電PEV 參與智能電網(wǎng)經(jīng)濟調(diào)度的過程中比高功率可調(diào)度充電PEV 支付費用更低。同時考慮智能電網(wǎng)運行成本與電動汽車用戶支付費用，如何使二者達到綜合最優(yōu)受目標函數(shù)權(quán)重的影響很大。高功率可調(diào)度充放電PEV 在區(qū)域智能電網(wǎng)調(diào)度過程中優(yōu)勢最為顯著，在實際中可優(yōu)先考慮對高功率版本的可調(diào)度充放電PEV 進行調(diào)度。

3）研究多目標優(yōu)化控制策略權(quán)重的動態(tài)變化對調(diào)度結(jié)果的影響和如何合理地挖掘電動汽車調(diào)度靈活性是值得進一步探討的問題。

（本刊附錄請見網(wǎng)絡(luò)版，印刷版略）

附錄 A

附圖 A1 PEV 無序充電負荷預(yù)測流程圖Fig. A1 Flow chart of unordered charge load forecasting of PEV

附圖 A2 可調(diào)度PEV 負荷建模流程Fig. A2 Load modeling process for schedulable PEV

附圖 A3 可調(diào)度充放電PEV 預(yù)測流程Fig. A3 Forecasting process of schedulable charge-discharge PEV

附表 A1 10 機系統(tǒng)機組參數(shù)Table A1 Unit parameters of 10 machine system