諸曉駿,陳曦,李妍,王球,王瓊,李澤森

(國網(wǎng)江蘇省電力有限公司經(jīng)濟技術(shù)研究院,江蘇 南京 210008)

0 引言

當(dāng)今世界的能源政策和環(huán)境狀況受到普遍關(guān)注,風(fēng)能、太陽能等一系列可再生能源迅速發(fā)展[1—4]。分布式能源的大量接入給電力系統(tǒng)的穩(wěn)定性和安全性帶來了較大挑戰(zhàn),大規(guī)模無序接入的電動汽車負(fù)荷更是加劇了配電網(wǎng)的峰谷差,導(dǎo)致負(fù)荷高峰時期電能質(zhì)量降低[5—7]。主動配電網(wǎng)(active distribution networks,ADN)可通過智能網(wǎng)絡(luò)控制手段對分布式電源(distributed generation,DG)和負(fù)荷進行主動控制和管理,其調(diào)度和運行方式較傳統(tǒng)配電網(wǎng)更加復(fù)雜[8],近年來也愈加受到重視。

針對上述背景,研究電動汽車接入ADN的有序充電模型并形成與之適應(yīng)的考慮源網(wǎng)荷的ADN優(yōu)化調(diào)度方法至關(guān)重要。目前關(guān)于這方面的研究仍然較少,大部分研究成果集中在從ADN的單個角度(如源、網(wǎng)或荷側(cè))進行優(yōu)化。文獻[9]提供了基于風(fēng)能和太陽能互補特性的ADN調(diào)度模型框架,通過協(xié)調(diào)控制風(fēng)能和太陽能的輸出,有效降低風(fēng)能和太陽能的波動性。文獻[10]中,通過儲能的容量配置和優(yōu)化降低了風(fēng)能和太陽能的波動性,此方法是針對源側(cè)的調(diào)度優(yōu)化。關(guān)于網(wǎng)側(cè)調(diào)度優(yōu)化的研究可參見文獻[11—15],其中文獻[11—13]采用人工智算法實現(xiàn)網(wǎng)絡(luò)重構(gòu),提升了配電網(wǎng)的綜合效益,文獻[14—15]研究了故障恢復(fù)技術(shù)對配電網(wǎng)重構(gòu)的影響。對于荷側(cè),文獻[16]提出了一種基于分時電價模型的荷側(cè)調(diào)度方法。

此外,當(dāng)前的研究很少將電動汽車充電行為和電網(wǎng)多維調(diào)度進行協(xié)同優(yōu)化。文獻[17] 對由電動汽車無序充電行為導(dǎo)致的電力傳輸損耗進行了量化分析,研究表明大量隨機電動汽車充電負(fù)荷的接入對電能質(zhì)量影響顯著。文獻[18]指出有序電動汽車充電策略對提升傳輸線路的負(fù)載情況大有裨益。文獻[19]表明電動汽車的充放電行為可以通過能量管理策略進行有序化管理,從而減少化石燃料的消耗,提高電力傳輸網(wǎng)絡(luò)的穩(wěn)定性。

為進一步研究大量電動汽車接入背景下的AND優(yōu)化,文中構(gòu)建了一套衡量ADN性能的綜合評估體系,并提出一種電動汽車智能充電策略和一套源網(wǎng)荷側(cè)多階段優(yōu)化調(diào)度方法,最后通過算例仿真驗證了優(yōu)化模型和調(diào)度策略的有效性。文中理論和模型可被廣泛運用于電力系統(tǒng)的日前調(diào)度,實現(xiàn)ADN的高效運行和管理。

1 AND評估體系

文中綜合考慮主動控制性、主動管理性和主動經(jīng)濟性,建立ADN評估體系,衡量電力系統(tǒng)運行的安全性、經(jīng)濟性和環(huán)境成本等多個指標(biāo)。

1.1 主動控制性

主動控制性反映了調(diào)度運行方法對電力系統(tǒng)穩(wěn)定性和安全性方面的影響,該效益可以通過電壓合格率U(t)、主要線路負(fù)載率L(t)、網(wǎng)絡(luò)重構(gòu)頻率πswitch來表示。U(t)體現(xiàn)了控制手段的有效性；L(t)反映了區(qū)域電網(wǎng)線路傳輸容量的實際使用程度和區(qū)域電網(wǎng)的建設(shè)水平；πswitch是衡量網(wǎng)絡(luò)重構(gòu)合理性的重要參數(shù),其可折算成調(diào)度成本進行表征。

1.2 主動管理性

文中將電動汽車有序充電調(diào)度以及切負(fù)荷操作納入主動管理性的優(yōu)化范疇,并基于此提出以下3項基本指標(biāo)。

1.2.1 電動汽車用戶滿意度

合適的電動汽車充電策略會引導(dǎo)用戶調(diào)整充電時間,降低充電成本,也可以優(yōu)化控制每輛充電汽車的充電電量,進而影響用戶滿意度。文中用區(qū)域電網(wǎng)內(nèi)電動汽車平均充電費用Cavg和電動汽車平均滿充率Efull反映用戶滿意度。

1.2.2 等效負(fù)荷曲線標(biāo)準(zhǔn)差

在有序充電模式下,電動汽車的充電優(yōu)化調(diào)度管理可以更好地實現(xiàn)削峰填谷,文中采用等效負(fù)荷曲線標(biāo)準(zhǔn)差Se量化有序充電策略對ADN中負(fù)荷曲線優(yōu)化管理的有效性。

1.2.3 可中斷負(fù)荷補償成本

在與用戶簽訂供電協(xié)議后,電力公司可以在系統(tǒng)過載時切斷部分協(xié)議內(nèi)的負(fù)荷,同時按照合同約定的價格為用戶提供切負(fù)荷補償ΠIL(t)。

1.3 主動經(jīng)濟性

隨著環(huán)境保護意識日漸增強,環(huán)境效益在電網(wǎng)規(guī)劃中占有越來越重要的地位,文中提出3個動態(tài)經(jīng)濟指標(biāo)。

1.3.1 網(wǎng)損費用

網(wǎng)損費用πl(wèi)oss不僅反映了電網(wǎng)結(jié)構(gòu)的合理性,也反映了電網(wǎng)運行的經(jīng)濟性。

1.3.2 新能源接入費用

文中考慮的新能源接入費用Πsource包含風(fēng)能、太陽能、微型燃氣輪機的接入電網(wǎng)費用,也包含了從上級電網(wǎng)購電的費用。

1.3.3 環(huán)境污染懲罰費用

文中選擇了二氧化碳(CO2)和二氧化硫(SO2)作為2種典型污染物,將環(huán)境污染作為懲罰進行了經(jīng)濟性折算,得到環(huán)境污染懲罰費用Πpenalty。

2 ADN三階段優(yōu)化調(diào)度模型

為了抑制和補償源側(cè)間歇性能源和荷側(cè)電動汽車大規(guī)模接入給電網(wǎng)帶來的波動,文中建立了源-網(wǎng)-荷三階段協(xié)同優(yōu)化調(diào)度模型,該模型的優(yōu)化方向和優(yōu)化目標(biāo)均以第1章評估體系涵蓋的指標(biāo)為基礎(chǔ),具體對應(yīng)關(guān)系見圖1,其中K為開關(guān)動作次數(shù)。

圖1 ADN三階段優(yōu)化調(diào)度模型Fig.1 Three-stage optimization scheduling model of ADN

2.1 電動汽車有序充電調(diào)度

該階段是以電動汽車負(fù)荷為主的荷側(cè)調(diào)度,調(diào)度目標(biāo)為ADN評估體系中的主動管理性相關(guān)指標(biāo),助力充電負(fù)荷移峰填谷。隨著信息通信技術(shù)的快速發(fā)展,電動汽車智能調(diào)度系統(tǒng)可以為電動汽車充電搭建有力的網(wǎng)絡(luò)化支撐平臺。典型電動汽車智能調(diào)度模型如圖2所示。

圖2 典型電動汽車智能調(diào)度模型Fig.2 Typical intelligent scheduling model of electric vehicles

當(dāng)用戶選擇電動汽車充電調(diào)度系統(tǒng)時,用戶會對峰谷電價進行充電行為響應(yīng)。此外,在充電調(diào)度系統(tǒng)的策略下,電動汽車充電地點也得到優(yōu)化,不僅可提高充電效率,還可提升電動汽車用戶的滿意度。文中綜合充電時間、充電地點以及充電方式等因素,提出電動汽車充電調(diào)度模型。

2.1.1 充電時間優(yōu)化

無序充電模式下,用戶一旦到了充電站就會對電動汽車充電。而在電動汽車智能調(diào)度系統(tǒng)下,用戶可以在充電樁處輸入到達充電場所時間、預(yù)計離開充電場所時間以及預(yù)期充電量。然后,電動汽車智能調(diào)度系統(tǒng)依據(jù)停車期間的峰谷電價制定電動汽車優(yōu)化充電策略。

假設(shè)電動汽車的到達時間和預(yù)計離開時間分別為tarr,tdep,對應(yīng)的電動汽車電量狀態(tài)分別為W1,W2,則預(yù)計的停車時間為：

Tp=tdep-tarr

(1)

預(yù)計的充電量為：

Wch=W2-W1

(2)

完全充滿電所需時間為：

Tr=Wch/Pch

(3)

式中：Pch為電動汽車充電功率。

在停車期間,電動汽車充電調(diào)度系統(tǒng)可以盡量確保用戶在最低電價時最早充上電。這樣不僅可以削峰填谷,還可以提高電動汽車用戶的滿意度。充電的實際開始時間tch和充電成本p分別如式(4)、式(5)所示。

(4)

(5)

2.1.2 充電地點優(yōu)化

無序充電模式下,當(dāng)現(xiàn)有充電站的所有充電樁均被占用時,用戶不得不等待較長時間才能有充電機會。而電動汽車充電調(diào)度系統(tǒng)可考慮對充電地點進行優(yōu)化,用戶可以根據(jù)指示導(dǎo)航到最近的有閑置充電樁的充電站進行充電。

(6)

式中：q為t時刻電動汽車充電調(diào)度系統(tǒng)提供的充電地址代碼；At,Bt分別為t時刻不可用、可用充電站的集合。

2.1.3 充電方式優(yōu)化

電動汽車慢充方式對電動汽車的電池比較有利,但其通常會耗費較長時間(一般為6～8 h)才能完全充滿電。同時,充電站的慢速充電樁被長時間占用也會導(dǎo)致后到達的電動汽車無法充電。而快充方式充電速度快,可以滿足日益增加的電動汽車用戶需求,但不可避免地會影響電池壽命。

文中提出一種綜合充電方式,以快充為主,慢充為輔,并作了如下假設(shè)：當(dāng)電動汽車用戶在白天很早就到達辦公地區(qū)附近的充電站時,其傾向于選擇快充方式；當(dāng)電動汽車用戶在夜間停放在居住地區(qū)附近的充電站時,傾向于選擇慢充方式。

2.2 DG和網(wǎng)絡(luò)結(jié)構(gòu)調(diào)度

該階段綜合考慮光伏、風(fēng)電的荷側(cè)調(diào)度和配電網(wǎng)結(jié)構(gòu)的網(wǎng)側(cè)調(diào)度,調(diào)度目標(biāo)為ADN評估體系中的主動控制性和主動經(jīng)濟性相關(guān)指標(biāo),旨在滿足電網(wǎng)調(diào)度的安全性和經(jīng)濟性,并提高新能源消納能力。通過引入權(quán)重系數(shù)及納入懲罰函數(shù),將多目標(biāo)函數(shù)轉(zhuǎn)化成單目標(biāo)函數(shù)。主目標(biāo)函數(shù)為：

(7)

式中：ω1,ω2,ω3,ω4分別為開關(guān)操作成本系數(shù)、系統(tǒng)網(wǎng)損成本系數(shù)、新能源接入費用系數(shù)、環(huán)境懲罰系數(shù)。

懲罰函數(shù)為：

P(t)=p1[1-U(t)]+p2l(t)

(8)

(9)

式中：p1為電壓不合格率懲罰系數(shù)；p2為與主線路負(fù)載率相關(guān)的懲罰系數(shù)；L0為主線路最大可接受負(fù)載率；l(t)為t時刻主要線路過載水平。

因此,本階段的優(yōu)化目標(biāo)為：

min[M(t)+P(t)]

(10)

優(yōu)化過程中,需要滿足電力系統(tǒng)中的潮流約束、節(jié)點電壓限值約束、線路最大傳輸容量約束和電源容量約束。此外,還必須滿足整個配電網(wǎng)中的連通約束和輻射約束等。文中在迭代優(yōu)化過程中使用了遺傳算法進行優(yōu)化,并采用根節(jié)點融合法對網(wǎng)絡(luò)結(jié)構(gòu)進行了修復(fù)和完善,實現(xiàn)網(wǎng)絡(luò)結(jié)構(gòu)的迭代優(yōu)化。

2.3 可中斷負(fù)荷調(diào)度

該階段是以切負(fù)荷為主的荷側(cè)調(diào)度,調(diào)度目標(biāo)為ADN評估體系中的主動管理性、主動控制性和主動經(jīng)濟性相關(guān)指標(biāo),旨在保證電網(wǎng)的安全穩(wěn)定運行。當(dāng)前述2個階段的優(yōu)化方法仍不能有效處理系統(tǒng)運行中某時刻的低電壓、線路過載等問題時,需采用該階段的調(diào)度優(yōu)化方法。

該階段的優(yōu)化包含兩部分：削減電動汽車負(fù)荷；削減可中斷負(fù)荷。在電動汽車充電樁接收到電動汽車充電調(diào)度系統(tǒng)的指令后,將會臨時關(guān)停部分充電樁,并在收到重啟指令前一直保持?jǐn)嚯姞顟B(tài)。

在削減電動汽車負(fù)載后,如果電網(wǎng)運行水平仍不能滿足要求,可中斷負(fù)荷則會參與調(diào)度。該階段的優(yōu)化目標(biāo)為：

min{pshedPshed(t)+p1[1-U(t)]+p2l(t)}

(11)

式中：pshed為切負(fù)荷的補償成本系數(shù)；Pshed(t)為t時刻的切負(fù)荷量。

Pshed,i(t)≤ηPi(t)

(12)

式中：Pshed,i(t)為t時刻節(jié)點i的負(fù)荷量；Pi(t)為t時刻節(jié)點i的負(fù)荷；η為電力公司和用戶共同約定的切負(fù)荷系數(shù)。

該階段優(yōu)化需滿足潮流、電壓等多種約束,和DG和網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化調(diào)度階段相同,文中采用遺傳算法進行求解。

3 案例分析

為驗證所提方法的有效性,采用如圖3所示的IEEE 33節(jié)點系統(tǒng)進行算例仿真。

圖3 IEEE 33節(jié)點網(wǎng)絡(luò)拓?fù)銯ig.3 Topology of IEEE 33-bus test system

假設(shè)居民負(fù)荷分別位于節(jié)點22,23,24,28,29,30,31,32,商用負(fù)荷則分布在其余節(jié)點,(1)—(37)為開關(guān)編號。當(dāng)前區(qū)域內(nèi)共配置20座電動汽車充電站,每個充電站配置35個充電樁。電動汽車共500輛,每輛電動汽車的電池容量為32 kW·h。慢充和快充方式下的充電功率分別設(shè)為3.2 kW,15 kW。此外,2座風(fēng)電場分別接在節(jié)點17,21,2座太陽能充電站則分別接在節(jié)點3,24。

3.1 電動汽車有序充電調(diào)度結(jié)果

對典型日20座電動汽車充電站的充電狀態(tài)進行模擬。不同充電模式下的電動汽車滿充率如表1所示。C0,C1,C2,C3分別表示無序充電模型、時間-有序充電模型(考慮充電時間優(yōu)化的有序充電模型)、時間-地點有序充電模型(考慮充電時間和充電地點優(yōu)化的有序充電模型)和時間-地點-方式有序充電模型(同時考慮充電時間、充電地點優(yōu)化和充電方式的有序充電模型)。

表1 不同充電模式下的滿充率Table 1 The fully-charged ratio in different charging modes %

由表1可知,C1模式中的滿充率比C0模式小,這與用戶對充電價格的響應(yīng)機制有關(guān)。由于對較低充電價格的傾向性,同一充電站的用戶很可能在某個時間段內(nèi)集中充電,因此早到的用戶提前占用了充電樁,進一步降低了滿充率。為解決這一問題,在電動汽車智能調(diào)度系統(tǒng)中,引入充電地點和充電方式的優(yōu)化,滿充率顯著提高,見C2,C3模式。

在電動汽車智能調(diào)度系統(tǒng)中,比較不同的充電時間、充電位置和充電方式帶來的影響,如圖4所示,20種顏色的曲線代表20個充電站分別對應(yīng)的充電汽車數(shù)量。

圖4 不同充電模式下的電動汽車充電站狀態(tài)Fig.4 The status of electric vehicle charging stations in different charging scheduling modes

由圖 4可知,當(dāng)充電模式為C1,C2,C3時,電動汽車充電時間段較為分散,與C0模式明顯不同。表明當(dāng)前的調(diào)度方法可以分散用戶的充電時段,顯著減緩電動汽車充電的擁擠問題,也說明電動汽車智能調(diào)度系統(tǒng)可為充電站建設(shè)提供指導(dǎo)意見。

此外,文中就電動汽車智能調(diào)度系統(tǒng)對日負(fù)荷曲線的影響進行分析,如圖5所示。由圖5可知,引入電動汽車智能調(diào)度系統(tǒng)后,充電時段可有效分散,起到了削峰填谷作用。

圖5 不同充電模式下的等效日負(fù)荷對比Fig.5 The comparison of daily load under different electric vehicle charging modes

根據(jù)指標(biāo)結(jié)果計算,在引入電動汽車優(yōu)化調(diào)度系統(tǒng)后,電動汽車充電成本降低,滿充率提高,用戶滿意度明顯上升。同樣,曲線標(biāo)準(zhǔn)偏差減小,曲線變得更加平滑。

3.2 DG和網(wǎng)絡(luò)結(jié)構(gòu)調(diào)度結(jié)果

該調(diào)度階段的總負(fù)荷為經(jīng)過電動汽車有序充電調(diào)度階段優(yōu)化后的負(fù)荷。假設(shè)3個微型燃汽輪機分別接在節(jié)點12,23,31,(1)—(32)為常規(guī)開關(guān),(33)—(37)為聯(lián)絡(luò)開關(guān)。開關(guān)狀態(tài)、微型燃汽輪機輸出功率以及階段二調(diào)度前后的U(t)分別如表2、圖6和圖7所示。

表2 開關(guān)和網(wǎng)絡(luò)重構(gòu)狀態(tài)Table 2 The Status of switch and network reconfiguration

圖6 微型燃氣輪機輸出功率Fig.6 Outputs of microturbines

圖7 DG和網(wǎng)絡(luò)結(jié)構(gòu)調(diào)度階段前后的U(t)Fig.7 U(t) before and after DG and network structure scheduling stage

由表2可知,3次網(wǎng)絡(luò)重構(gòu)分別發(fā)生在11:00,17:00,20:00。由圖6可知,微型燃氣輪機在10:00,14:00—21:00啟動,優(yōu)化了ADN的運行。由圖7可知,除了20:00,21:00的U(t)不達標(biāo)外,其余時刻的U(t)在DG和網(wǎng)絡(luò)結(jié)構(gòu)調(diào)度階段優(yōu)化后達到了100%,ADN評估體系中幾乎所有指標(biāo)參數(shù)(除了開關(guān)動作成本)均得到提升。

3.3 可中斷負(fù)荷調(diào)度結(jié)果

在前述兩階段的優(yōu)化調(diào)度后,20:00,21:00的U(t)未達到100%。因此,采用了第三階段的可中斷負(fù)荷調(diào)度。假設(shè)優(yōu)先進行電動汽車切負(fù)荷操作。在20:00和21:00閉鎖充電樁后,雖然總負(fù)荷有所減少,但U(t)仍未達到100%。因此繼續(xù)執(zhí)行可中斷負(fù)荷調(diào)度操作,20:00和21:00切除的負(fù)荷分別為269.82 kW,440.71 kW,此操作后U(t)從90.91%提高至100%。

3.4 ADN調(diào)度結(jié)果評估

根據(jù)文中所提建模和分析方法,多階段調(diào)度優(yōu)化后的最終結(jié)果見表3。

表3 ADN多階段調(diào)度優(yōu)化結(jié)果Table 3 ADN multi-stage scheduling optimization results

由表3可知,在主動控制性上,U(t)從81.99%/d提高至100%/d；L(t)在通過網(wǎng)絡(luò)重構(gòu)、可中斷負(fù)荷優(yōu)化后,從41.65%/d降低至37.31%/d。在主動管理性方面,電動汽車用戶滿意度水平提升；等效日負(fù)荷曲線在電動汽車優(yōu)化調(diào)度系統(tǒng)和切負(fù)荷的操作下,變得更加平滑。同時,經(jīng)濟成本顯著降低,主動經(jīng)濟性得到提升。πl(wèi)oss從3 308.79元/d減少至2 116.84元/d；Πsource從44 772.57元/d降低至43 796.32元/d；Πpenalty從1 692.41元/d降低至1 605.80元/d。

4 結(jié)論

文中提出了一種計及電動汽車智能充電策略的ADN多階段優(yōu)化調(diào)度模型。首先,從主動控制性、主動管理性和主動經(jīng)濟性角度出發(fā),建立了ADN的綜合評估體系。其次,綜合電動汽車智能充電策略、DG優(yōu)化、網(wǎng)絡(luò)重構(gòu)以及切負(fù)荷等手段,以ADN性能評價體系為優(yōu)化方向,構(gòu)建了ADN的三階段優(yōu)化調(diào)度模型。最后,對該多階段優(yōu)化調(diào)度模型進行了仿真,并分析了該模型對ADN優(yōu)化調(diào)度的有效性。文中研究表明：

(1) 電動汽車智能調(diào)度系統(tǒng)對于電動汽車用戶滿意度的提升有明顯的促進作用。同時,在高比例間歇性能源接入電網(wǎng)的場景下,該系統(tǒng)能夠有效削峰填谷。

(2) 構(gòu)建的ADN性能評估指標(biāo)涉及主動控制性、主動管理性和主動經(jīng)濟性,可用作ADN性能的量化評估。

(3)在ADN的性能評估體系基礎(chǔ)上搭建的多階段優(yōu)化調(diào)度模型,可用于指導(dǎo)當(dāng)前ADN源、網(wǎng)、荷側(cè)的規(guī)劃、調(diào)度和運行。

本文得到國網(wǎng)江蘇省電力有限公司科技項目(J2019054)資助,謹(jǐn)此致謝！