陳小波，楊秀媛

（北京信息科技大學自動化學院，北京市 海淀區(qū) 100192）

0 引言

隨著新能源并網(wǎng)技術(shù)的發(fā)展，大規(guī)模的風力發(fā)電已成為當前新能源利用的主要形式[1]。但由于風電的波動性與隨機性，現(xiàn)階段大規(guī)模風電并網(wǎng)給電力系統(tǒng)帶來很大的波動影響[2-4]，電網(wǎng)接納風電的能力受電網(wǎng)自身因素與風能特殊性的限制，使很多風電場大部分時間都不得不關停大部分甚至全部風機，造成了很大的能源浪費。

目前有學者提出了采用風水互補來平抑風力發(fā)電帶來的影響[5-9]，應用水力發(fā)電出力來填補風力發(fā)電出力的變化與波動，使協(xié)同發(fā)電出力穩(wěn)定保持在一定范圍內(nèi)，如在系統(tǒng)潮流方面，在保證系統(tǒng)潮流安全下控制水輪機組出力，使潮流穩(wěn)定；或從風功率預測入手，通過提高風功率預測水平降低次日水力發(fā)電計劃誤差，提升風力發(fā)電與水力發(fā)電協(xié)同運行系統(tǒng)響應速度。盡管互補方式及其技術(shù)手段逐步成熟，但有時在發(fā)電側(cè)解決風電對電網(wǎng)的沖擊問題依舊遇到很大瓶頸[10-11]。

本文考慮從負荷側(cè)入手，結(jié)合泛在電力物聯(lián)網(wǎng)(ubiquitous power internet of things，UPIoT)對信息的快速傳遞與實時交互[12-13]的特點及優(yōu)勢，對電動汽車(electric vehicle，EV)充電負荷進行集中控制，在已有預測的風功率數(shù)據(jù)基礎上，以電動汽車的充放電功率、電池容量及荷電狀態(tài)為約束條件，以響應負荷曲線的等效負荷方差最小為目標，對不同數(shù)量電動汽車入網(wǎng)后的平抑效果進行算例分析與比較。

1 泛在電力物聯(lián)網(wǎng)

泛在電力物聯(lián)網(wǎng)是一項基于5G、IPv6和因特網(wǎng)相結(jié)合，實現(xiàn)能源轉(zhuǎn)型、提升新能源使用效率、提高電網(wǎng)資產(chǎn)管理水平的新技術(shù)，它將發(fā)電、用電和用戶三者聯(lián)系起來實現(xiàn)智能電力網(wǎng)絡。泛在物聯(lián)網(wǎng)是能夠?qū)崿F(xiàn)人與人、人與物乃至物與物之間隨時隨地溝通的全新網(wǎng)絡環(huán)境。泛在電力物聯(lián)網(wǎng)是泛在物聯(lián)網(wǎng)技術(shù)在電力系統(tǒng)行業(yè)上的具體應用，通過與泛在電力物聯(lián)網(wǎng)相結(jié)合，配電網(wǎng)可以具有信息感知能力，使電網(wǎng)更經(jīng)濟、更高度自動化、智能化運行。將需求響應及時和實時應用于負荷錯峰、降低網(wǎng)損和系統(tǒng)調(diào)頻，對于解決可能出現(xiàn)的因大規(guī)模負荷同投同退或頻繁投退導致的威脅電網(wǎng)安全穩(wěn)定運行和新能源并網(wǎng)、提升新能源利用率等問題有很大幫助[14-15]，如圖1所示。

圖1 泛在電力物聯(lián)網(wǎng)的信息交融模型 Fig. 1 Information blending model of UPIoT

2 考慮風電的電動汽車充放電調(diào)度模型

2.1 目標函數(shù)

電動汽車作為一種新型并且廣泛的充電負荷，可有效地參與電網(wǎng)功率調(diào)節(jié)[16-18]。

本文將全天每1 h作為一個時段，共分為24個時段，以電動汽車充放電功率為變量，求系統(tǒng)負荷均方差最小為目標，建立目標函數(shù)：

式中：N為電動汽車的數(shù)量；PL(t)為t時段系統(tǒng)負荷功率； PEV,i(t)為電動汽車i在t時段內(nèi)與所在區(qū)域電網(wǎng)的交換功率，由充電功率 Pi,ch(t)和放電功率 Pi,dis(t)決定； Pw(t)為t時段風功率；Pav為系統(tǒng)平均負荷功率。

2.2 約束條件

電動汽車參與電網(wǎng)調(diào)節(jié)的約束條件可分為電動汽車所允許的充放電功率、電動汽車的荷電狀態(tài)(state of charge，SOC)以及電動汽車的剩余電量4類，按照文獻[19]所提出的數(shù)學模型建立如下約束：

電動汽車的充放電功率需要滿足自身所允許的最大充放電功率約束：

式中：Pch(t)為t時段電動汽車的充電功率；Pdis(t)為t時段電動汽車放電功率；Pch,max和Pdis,max分別為電動汽車的最大充電和放電功率。

在經(jīng)過充放電后，電動汽車SOC的最終狀態(tài)由式(6)確定：

式中：Sinit為充電前的初始荷電狀態(tài)，它與電動汽車的電池容量Bc、日行駛里程d、每百千米耗電量ΔB有關；chη為充電效率；disη為放電效率；Tstart、Tend分別為充放電開始、結(jié)束時間。

為滿足車主的使用需求，電動汽車SOC需要滿足下述約束：

式中：SOCfinal,t為任一充放電時刻t下的SOC值，SOCmax和SOCmin均為保證電池壽命的約束，即要求在任意時段的荷電狀態(tài)不能超出上限與下限范圍，分別用于防止電池過度充電和過度放電；SOCfinal,min為充電結(jié)束時車主可接受的最低SOC值，通常由車主根據(jù)各自的實際使用情況明確該值，電動汽車充電完成后最終的SOC，即SOCfinal不得小于SOCfinal,min。

3 算例分析

粒子群優(yōu)化算法(particle swarm optimization，PSO)的優(yōu)勢在于擴大了全局搜索能力，并且收斂速度快，穩(wěn)定性好，復雜程度低。經(jīng)過粒子群算法優(yōu)化后控制策略可有效地實現(xiàn)電動汽車有序充放電，PSO算法適合高維、多峰的復雜函數(shù)求解。將PSO算法應用到電動車參與負荷平抑控制策略中，通過優(yōu)化每一輛電動車每一時段與電網(wǎng)之間的交換功率，使目標函數(shù)最小。其具體流程為：

1）確定基本參數(shù)值，初始化粒子群中的粒子位置與速度。

2）根據(jù)約束條件式(4)、(5)修改各功率值。

3）計算目標函數(shù)適應度值(即目標函數(shù)值)，記錄最好的粒子解及函數(shù)值。

4）更新粒子速度與位置。

5）按式(6)、(7)對SOC進行計算，按式(8)、(9)判斷SOC是否滿足約束條件，若不滿足，則修改功率值，否則進行下一步。

6）重新計算粒子適應度值，記錄最好的粒子解及函數(shù)值。

7）判斷是否滿足條件，若滿足，則結(jié)束計算并輸出最優(yōu)結(jié)果，否則返回4）。

以一個含有風電、電動汽車及系統(tǒng)負荷的電力系統(tǒng)為例進行分析。本文所采用的系統(tǒng)負荷數(shù)據(jù)與風電出力數(shù)據(jù)引用了文獻[20]所提供的數(shù)據(jù)。其中，風力發(fā)電的裝機容量為1 000 kW，全天出力波動范圍在800~964 kW，如圖2所示。

圖2 風電出力功率曲線 Fig. 2 Wind output power curve

通過對風電并網(wǎng)前后系統(tǒng)功率曲線進行分析可知，風電并網(wǎng)前的系統(tǒng)功率為6 653~10 630 kW，峰谷差為3 977 kW；并網(wǎng)后的系統(tǒng)功率為7 565~ 11 450 kW，峰谷差為3 885 kW。并網(wǎng)前后網(wǎng)上的系統(tǒng)功率峰谷差變化不大，但是明顯提升了系統(tǒng)的整體功率，低谷功率提升了8.61%，高峰功率提升了5.5%，功率提升最高處出現(xiàn)在t=3 h，系統(tǒng)功率提升了13.8%。此外，系統(tǒng)的整體功率波動也明顯增加，對系統(tǒng)整體安全穩(wěn)定運行造成了影響，如圖3所示。

圖3 風電并網(wǎng)前后系統(tǒng)功率曲線 Fig. 3 System power curves before and after wind power grid connection

本文考察不同數(shù)量的電動汽車參與風電并網(wǎng)后的電網(wǎng)功率調(diào)節(jié)，目標是：不僅能夠有效地消除風電對電力系統(tǒng)帶來的功率波動影響，還可以降低系統(tǒng)功率波動并降低整體負荷，從而使系統(tǒng)的整體運行穩(wěn)定性達到最優(yōu)。

設置種群規(guī)模為100，迭代次數(shù)為1 000次，每輛電動汽車的最大充電功率為15 kW，最大放電功率為7 kW，初始SOC為0.2，車主滿意度SOC為0.3，分別考察50、100、150、200、250及300輛電動汽車的調(diào)節(jié)情況。理論上認為，電動汽車數(shù)量越多，則對電網(wǎng)的整體平抑效果越好，但通過仿真驗證得知并非如此。

不同數(shù)量電動汽車的適應度及其迭代曲線分別如表1和圖4所示?？梢姡S著電動汽車數(shù)量的增加，適應度值在電動汽車數(shù)量達到250輛時為最優(yōu)，即Fmin=12.014 GW，此時迭代曲線幾乎無較大波動情況。但是當電動汽車達到300輛時，最佳適應度值反而出現(xiàn)上升，而且無法繼續(xù)優(yōu)化。這是由于在一個固定區(qū)域內(nèi)，系統(tǒng)負荷及風電出力是一定的，特別是電力系統(tǒng)負荷的調(diào)節(jié)能力是有限的，同時電動汽車還有充電需求，因此不能無休止地增加負荷。此外，由于電動汽車受到車主的使用限制，因此電動汽車具有節(jié)制性和規(guī)律性的充放電要求，僅能作為負荷調(diào)節(jié)的輔助方式，不能隨意充放電，而且電動汽車要以“充電為主、放電為輔”的原則來參與電網(wǎng)調(diào)節(jié)，否則就失去了電動汽車的實際使用意義，因而不能完全把電動汽車視作儲能單元，這也造成了在一定區(qū)域內(nèi)的電動汽車數(shù)量是具有一定上限要求的，否則數(shù)量過多反而會破壞電力系統(tǒng)運行的穩(wěn)定性。

表1 不同數(shù)量電動汽車的適應度 Tab. 1 Adaptability with different numbers of EVs

圖4 不同數(shù)量電動汽車的迭代曲線 Fig. 4 Iterative curves for different numbers of EVs

不同數(shù)量電動汽車入網(wǎng)后的電網(wǎng)功率及其曲線分別如表2和圖5所示，可知，隨著電動汽車數(shù)量的增加，在等效負荷方差逐步下降的同時，系統(tǒng)的總功率曲線波動在逐步減小。

表2 不同數(shù)量電動汽車入網(wǎng)后電網(wǎng)峰、谷功率及峰谷差 Tab. 2 Peak, valley power and peak-valley difference after different numbers of EVs connected to the grid

圖5 不同數(shù)量電動汽車入網(wǎng)后的電網(wǎng)功率曲線 Fig. 5 Grid power curves after different numbers of EVs connected to the grid

不同數(shù)量電動汽車入網(wǎng)后電網(wǎng)功率波動的改善效果如表3所示。由表3可知，隨著系統(tǒng)中入網(wǎng)調(diào)節(jié)的電動汽車數(shù)量增加，對電網(wǎng)功率的改善效果是顯著增加的。

表3 不同數(shù)量電動汽車入網(wǎng)后電網(wǎng)功率波動的改善效果 Tab. 3 Improvement effect of grid power fluctuations after different numbers of EVs connected to the grid

當系統(tǒng)中入網(wǎng)調(diào)節(jié)的電動汽車數(shù)量達到300輛時，盡管負荷曲線有所改善，但是相比之下，與250輛電動汽車的改善效果不僅沒有進一步提升，反而有變差的趨勢。具體體現(xiàn)如下：在用電低谷時段改善效果不大，僅比250輛電動汽車入網(wǎng)調(diào)節(jié)時提升了0.06%，但用電高峰比250輛電動汽車入網(wǎng)參與調(diào)節(jié)時反而降低了1.12%，同時峰谷差也比250輛電動汽車入網(wǎng)參與調(diào)節(jié)時降低了5.37%。

不同數(shù)量輛電動汽車入網(wǎng)后的總充放電功率曲線如圖6所示，通過分析可知，隨著電動汽車數(shù)量的增加，充放電功率曲線的波動幅度也開始增加，這是由于隨著電動汽車數(shù)量越多，為了盡可能地平抑功率波動，系統(tǒng)中參與調(diào)節(jié)的電動汽車整體充放電功率就會增加。盡管250輛車在

圖6 不同數(shù)量輛電動汽車入網(wǎng)后的 總充放電功率曲線 Fig. 6 Total charge and discharge power curves after different numbers of EVs connected to the grid

4 結(jié)論

結(jié)合泛在電力物聯(lián)網(wǎng)將電動汽車引入到電網(wǎng)運行調(diào)度中，可以起到平衡電網(wǎng)功率、提高風能利用率并增強電網(wǎng)系統(tǒng)整體消納風電的作用。結(jié)果表明：

1）結(jié)合泛在電力物聯(lián)網(wǎng)，可以保證電動汽車的充放電負荷需求與充放電信息進行交互，同時t=11 h時的放電功率較高，但充放電功率波動依舊是低于300輛車時，通過對比可知：250輛電動汽車的整體充放電標準差為681.2 kW；300輛電動汽車的整體充放電標準差為741.2 kW。

因此，250輛電動汽車的改善效果是比較好的，不僅有效地平抑了風功率對配電網(wǎng)帶來的功率波動，還較好地起到削峰填谷的作用。

以上仿真結(jié)果驗證了基于PSO算法的電動汽車充放電控制策略的適用性及有效性，也表明在一個固定的電力系統(tǒng)區(qū)域內(nèi)，參與電網(wǎng)功率調(diào)節(jié)的電動汽車數(shù)量是具有一定要求的。 可將負荷側(cè)的資源靈活性充分發(fā)揮出來并予以充分利用。

2）引入PSO算法，通過算例驗證了算法優(yōu)化電動車充放電控制策略的有效性。在保證配電系統(tǒng)安全可靠運行的同時，一定數(shù)量范圍內(nèi)的電動汽車的充放電功能不僅可以優(yōu)化負荷曲線，降低電網(wǎng)整體的負荷功率，同時也起到了削峰填谷的作用，并提升了電網(wǎng)整體消納風力發(fā)電出力的能力。