陳 宇，吳曉剛，杜玖玉，孫金磊

（1.哈爾濱理工大學電氣與電子工程學院，哈爾濱 150006；2.清華大學，汽車安全與節(jié)能國家重點實驗室，北京 100084；3.南京理工大學自動化學院，南京 210094）

前言

為解決日益突出的能源危機和環(huán)境污染問題，面向碳中和的低碳、零碳乃至負碳技術將成為未來全球產(chǎn)業(yè)革命和科技競爭的關鍵。因此，光伏、風力等各種可再生能源發(fā)電在微電網(wǎng)中的滲入率逐年增加，電動汽車同時作為負載和移動儲能裝置，與微電網(wǎng)的融合和協(xié)同控制也成為研究的熱點。

光伏發(fā)電受到環(huán)境等因素影響具有很大的不確定性，電動汽車與電網(wǎng)之間的充放電行為也具有一定的隨機性，如果不能對其進行合理的管理與控制，可能造成峰值負荷增加、電能質量降低和切負荷量增加等一系列問題，從而對微電網(wǎng)的經(jīng)濟和穩(wěn)定運行產(chǎn)生重大影響。經(jīng)濟性與穩(wěn)定性是微電網(wǎng)建設中需要考慮的重要因素，通常根據(jù)可利用的能源情況和電網(wǎng)負荷要求，以經(jīng)濟性或供電可靠性等最優(yōu)為目標進行優(yōu)化，確定微電網(wǎng)中分布式電源的類型、容量，并保證電網(wǎng)運行的穩(wěn)定性，在此基礎上，進行微電網(wǎng)經(jīng)濟性調度和運行。

在微電網(wǎng)經(jīng)濟性調度研究方面，文獻［5］中以成本最低為目標，利用混合粒子群優(yōu)化算法在發(fā)電機組之間獲得最優(yōu)經(jīng)濟發(fā)電計劃，最終提高微電網(wǎng)的可調度性，降低微電網(wǎng)的運行成本。文獻［6］中提出了一種改進的帝企鵝優(yōu)化算法，在已投入運行的發(fā)電系統(tǒng)中尋找發(fā)電的經(jīng)濟調度，解決基于化石燃料和可再生能源系統(tǒng)的動態(tài)經(jīng)濟調度問題。文獻［7］中建立了用于電動汽車、可轉移負荷和其他分布式發(fā)電的微電網(wǎng)經(jīng)濟調度的多目標模型，并研究了電動汽車充放電行為和需求側響應對光伏并網(wǎng)系統(tǒng)經(jīng)濟運行的影響。文獻［8］中針對可再生能源和電動汽車充電的不確定性，利用不確定成本函數(shù)的1階導數(shù)和2階導數(shù)進行數(shù)學分析，構建了太陽能光伏發(fā)電、風力發(fā)電、插電式電動汽車和徑向水輪發(fā)電機的邊界不確定成本函數(shù)。文獻［9］中提出了以微電網(wǎng)系統(tǒng)效益最大化為目標函數(shù)的分布式優(yōu)化策略，儲能系統(tǒng)可根據(jù)歷史平均結算價格和充電成本價格實時調整充放電狀態(tài)，同時處理平衡和不平衡約束，隨時保證電力供需平衡。

在微電網(wǎng)結構與運行策略的研究方面，文獻［10］和文獻［11］中提出了儲能系統(tǒng)的運行策略，以解決光伏發(fā)電引起的功率變化和局部負荷波動問題。并以經(jīng)濟性為目標，制定了微網(wǎng)發(fā)電各部件、負荷和儲能電池之間的優(yōu)化調度計劃。文獻［12］中考慮了可轉移負荷對用戶滿意度的影響和可再生能源跟蹤負荷的能力，提出了熱電耦合微電網(wǎng)的最優(yōu)調度策略。文獻［13］中提出了一種雙層家庭微電網(wǎng)能量管理系統(tǒng)，上層使用模型預測的方法對家庭用電負荷分布進行優(yōu)化，下層采用實時控制器確定儲能系統(tǒng)最優(yōu)功率的輸入輸出，降低了家庭日常能源成本的同時將光伏利用最大化。文獻［14］中提出了一種適用于工業(yè)微電網(wǎng)的能量管理系統(tǒng)，一方面考慮電池儲能成本來確定最優(yōu)儲能規(guī)模，另一方面研究了考慮儲能效率、充放電速率等各種運行極限的微網(wǎng)運行成本問題，并根據(jù)隨機情景來解決不確定性。文獻［15］中基于使用負荷剖面和發(fā)電資源預測的功率提出了一種能量管理策略，以促進微電網(wǎng)中的電力分配，提高微電網(wǎng)在現(xiàn)有電網(wǎng)中的可靠性、控制水平和滲透率，并考慮了電網(wǎng)波動的穩(wěn)定性。文獻［16］和文獻［17］中考慮了社區(qū)微電網(wǎng)與電網(wǎng)的互聯(lián)，使用儲能系統(tǒng)作為調節(jié)，通過出售多余的可再生能源獲得最大利潤，同時使成本最小化以滿足微電網(wǎng)的負荷需求。

綜上，在可再生能源構建的微電網(wǎng)系統(tǒng)運行控制的研究方面，大部分圍繞微電網(wǎng)的結構、算法和策略進行研究。少有從微電網(wǎng)的經(jīng)濟性和穩(wěn)定性需求，優(yōu)化電動汽車的充電規(guī)則的報道。本文中以哈爾濱市出租車出行特征和運行工況作為背景，將出租車空駛率、負荷穩(wěn)定性和系統(tǒng)經(jīng)濟性研究相結合，對電動出租車的充電規(guī)則進行了優(yōu)化。

1 直流微電網(wǎng)結構與各分布式電源模型

1.1 直流微電網(wǎng)結構與調度規(guī)則

圖1為所研究的直流微電網(wǎng)系統(tǒng)的結構，主要包括發(fā)電部分（光伏發(fā)電、燃氣輪機發(fā)電、燃料電池發(fā)電）和負荷部分（出租車、本地負荷、儲能電池），各部分分別通過電力電子變換器接入直流母線。

圖1 直流微電網(wǎng)系統(tǒng)結構圖

根據(jù)光伏發(fā)電和電動出租車的實際工況調整燃氣輪機、燃料電池等發(fā)電環(huán)節(jié)的發(fā)電情況，利用儲能系統(tǒng)實現(xiàn)微電網(wǎng)的輔助控制，從而達到系統(tǒng)功率平衡的目的，在調整過程中優(yōu)先考慮系統(tǒng)的可靠性和經(jīng)濟性。整個系統(tǒng)的調度規(guī)則為：

（1）光伏發(fā)電單元由于具有可再生和清潔特性，被作為主力電源優(yōu)先輸出；

（2）燃氣輪機和燃料電池具有靈活的可調度性，因此它們在系統(tǒng)負荷量過大導致光伏發(fā)電供給不足時工作；

（3）儲能電池在系統(tǒng)發(fā)電量富余時充當負荷來儲存能量，在系統(tǒng)發(fā)電量不足時又可作為后備電源發(fā)電。

1.2 分布式電源成本計算模型

1.2.1 光伏發(fā)電成本模型

光伏（photovoltaic，PV）將光能直接轉化為電能。參照文獻［18］中的光伏發(fā)電模型，將光伏發(fā)電量與光照強度和溫度的關系擬合得到24 h內光伏發(fā)電單元的發(fā)電功率數(shù)學模型：

光伏電池發(fā)電功率為

式中：為光伏電池發(fā)電功率，W；為光照強度，W/m；為標準測試條件下（光照強度為1 000 W/m，環(huán)境溫度為25℃）的最大測試功率，W；為標準測試條件下的光照強度，其值取1 000 W/m；為功率溫度系數(shù)，℃；為電池板工作溫度，℃；為參考溫度，℃。

光伏發(fā)電的運行成本為

式中：表示 PV的運行管理成本，元；為PV的運行維護成本系數(shù)，元/（W·s）；為時間間隔數(shù)；Δ為時間間隔，s；（）為第時刻PV輸出功率，W。

1.2.2 燃氣輪機成本模型

燃氣輪機（gas turbine，GT）主要考慮其運行管理成本和燃料成本兩部分，即

式中：表示 GT 的運行管理成本，元；為GT的運行維護成本系數(shù)，元/（W·s）；（）為第時刻 GT 發(fā)電功率，W；為 GT 的燃料成本，元；為天然氣的低熱值，J/m；為 GT 的燃料氣體天然氣單價，元/m；為GT的發(fā)電效率。

1.2.3 燃料電池成本模型

燃料電池（fuel cell，F(xiàn)C）使用成本主要可分為運行管理成本和燃料成本兩部分，即

式中：表示 FC 的運行管理成本，元；為FC的運行維護成本系數(shù)，元/（W·s）；（）為第時刻 FC 發(fā)電功率，W；為 FC 的燃料成本，元；為氫氣的低熱值，J/m；為 FC的燃料氣體氫氣單價，元/m；為FC的發(fā)電效率。

1.2.4 儲能電池成本模型

本文中電池儲能系統(tǒng)（energy storage，ES）的電能是光伏發(fā)電儲存得到的，故其使用成本主要是運行管理成本：

式中：SOC（）為時刻 ES 荷電狀態(tài)；和分別為ES的充電和放電效率；為額定功率；表示 ES的運行管理成本；為ES的運行維護成本系數(shù)；（）為第時刻ES輸出功率。

2 出租車充電場景的設定

2.1 基于出租車出行特征的充電場景設定

利用GPS對哈爾濱出租車出行特征數(shù)據(jù)進行調研與分析，圖2為哈爾濱市出租車在不同時間段內的空駛率（出租車在正常運行時，空載的里程或時間占行駛的總里程或時間的比例）分布特點。

圖2 哈爾濱市出租車載客空駛率分布

由圖2可以看出，哈爾濱出租車載客空駛率通常在20%~50%之間，工作日比節(jié)假日的總空駛率略高，但在時間分布上沒有明顯的差異。本文選取節(jié)假日與工作日的平均載客空駛率進行分析。晚上22點至凌晨6點時出租車平均載客空駛率為38.9%，中午12點至下午17點時出租車平均載客空駛率為31.938%，這兩個時間段是出租車載客空駛率相對較高的兩個時間段。

根據(jù)哈爾濱市出租車出行特點和出租車公司輪班制度，設置以下幾種可能出現(xiàn)的電動出租車充電場景。

場景一：晚上空駛率開始上升時直接下班，對電動出租車進行充電。

場景二：晚上空駛率升高一段時間后，再下班進行充電，白天駕駛員交接班時再進行一次充電。

場景三：以最小化出租車空載率為目標進行充電，當空載率高于設定值時，安排電量低的出租車充電。

2.2 基于微電網(wǎng)負荷穩(wěn)定性的充電場景設定

某住宅區(qū)用戶日用電功率統(tǒng)計數(shù)據(jù)如圖3所示。日用電功率集中在70~150 kW之間，負荷谷值出現(xiàn)在1點至5點與下午12點至14點兩個時間段。

圖3 住宅用電負荷分布

由此設定出租車充電場景四，即以優(yōu)先安排在負荷曲線的谷底時段進行充電為原則，當住宅在線負荷低于設定閾值時，未載客出租車可進行充電。

2.3 綜合優(yōu)化充電場景設定

在用電低峰期調配出租車去充電，可能會影響人們的出行，因此本文提出了綜合考慮負荷穩(wěn)定性與出租車出行特征的充電場景。結合哈爾濱市出租車載客空駛率分布曲線、住宅負荷分布曲線和光伏發(fā)電分布曲線，綜合進行策略優(yōu)化計算，優(yōu)先安排在用戶用車需求低且空駛率高的時段進行充電，由此設置出租車充電場景五，即同時設定住宅在線負荷閾值與出租車載客空駛率閾值，在滿足兩個約束條件下才可進行充電。

2.4 無序充電場景設定

在微電網(wǎng)能量管理系統(tǒng)出現(xiàn)問題時，可能會出現(xiàn)網(wǎng)內出租車無法進行有序充電的情況。因此須明晰這種情況下的各分布式電源的發(fā)電情況和系統(tǒng)成本，由此設置出租車充電場景六。根據(jù)文獻［21］，電動汽車充電起始SOC呈現(xiàn)正態(tài)分布，因此本文對電動出租車充電起始時間不做約束，充電起始SOC在（0.2，0.8）內采用normrnd函數(shù)在正態(tài)分布中生成隨機數(shù)，即

起始充電時間為

起始充電能量狀態(tài)為隨機函數(shù)為

2.5 無經(jīng)濟性優(yōu)化充電場景設定

基于以上6個充電場景，設置確定的約束閾值，進行不涉及經(jīng)濟性優(yōu)化的案例仿真，具體參數(shù)設置如圖4所示。

圖4 不同場景下充電閾值的設置

在對微電網(wǎng)系統(tǒng)中各分布式電源不進行以經(jīng)濟性為目標的優(yōu)化求解時，須提前設定好各分布式電源的發(fā)電順序，從環(huán)境友好性和經(jīng)濟性角度出發(fā)，配置各分布式電源的發(fā)電順序為光伏發(fā)電、燃氣輪機發(fā)電、燃料電池發(fā)電和儲能電池發(fā)電。

3 直流微電網(wǎng)能量管理優(yōu)化方法

在已建立的微電網(wǎng)最優(yōu)經(jīng)濟運行模型的基礎上，根據(jù)負荷、光伏功率和6種充電場景下的出租車充電負荷，對微電網(wǎng)未來24 h的分布式電源輸出進行優(yōu)化。采用蒙特卡洛（MC）方法實現(xiàn)對未來出租車負荷分布的預測，同時利用粒子群優(yōu)化算法求解模型，如圖5所示。

圖5 微電網(wǎng)經(jīng)濟調度模型

3.1 目標函數(shù)與約束條件的制定

以微電網(wǎng)總發(fā)電成本最優(yōu)為目標，建立考慮可再生能源發(fā)電不確定性的孤島型微電網(wǎng)經(jīng)濟調度模型，即目標函數(shù)為

微電網(wǎng)在制定調度計劃時，應滿足安全、可靠的運行條件，因此各單元應滿足以下約束條件。

①儲能電池充放電約束：

②燃氣輪機約束：<<

③燃料電池約束：<<

④功率平衡約束：+++=+式中和分別為出租車充電功率和住宅用電功率。

3.2 出租車充電負荷預測

根據(jù)不同充電場景下出租車充電起始時間和充電起始SOC約束，計算產(chǎn)生的充電負荷和需要的充電時長，結合出租車相關參數(shù)，設置100次蒙特卡羅算法對出租車有序充放電負荷進行預測，過程如圖6所示。

圖6 出租車負荷預測算法流程圖

3.3 基于粒子群優(yōu)化算法的直流微電網(wǎng)能量管理優(yōu)化

粒子群算法的目標是使所有粒子在多維超體（multi?dimensional hyper?volume）中找到最優(yōu)解，如圖7所示。本文將所建立的微電網(wǎng)經(jīng)濟調度模型采用粒子群算法進行求解。

圖7 應用粒子群算法的模型求解過程

首先輸入各分布式電源參數(shù)，設置HPSO參數(shù)，初始化粒子的位置和速度，產(chǎn)生初始粒子群；再根據(jù)分布式電源產(chǎn)生的輸出和負載，調整分布式電源功率和儲能系統(tǒng)，以滿足負載平衡和輸出的約束；以目標函數(shù)作為適應度值，更新粒子的速度和位置，同時根據(jù)計算出的適應值更新最優(yōu)個體粒子和最優(yōu)全局粒子，執(zhí)行交叉和變異操作，個體最優(yōu)交叉的新粒子通過個體最優(yōu)粒子的交叉獲得，通過個體最優(yōu)粒子和全局最優(yōu)粒子的交叉，得到全局最優(yōu)交叉的新粒子；判斷迭代次數(shù)Ngen是否達到預設數(shù)量maxgen，若未達到，則進入下一步迭代，若達到，則結束循環(huán)迭代，輸出全局最優(yōu)和最優(yōu)粒子位置，即在調度期間微型資源和能量存儲系統(tǒng)的最優(yōu)經(jīng)濟成本和輸出。

4 仿真與結果分析

針對出租車充電行為不確定性問題共設置6種充電場景。在此基礎上，對每種充電策略優(yōu)化前后的出租車空載率、在線負荷峰谷差率和微電網(wǎng)系統(tǒng)運行總成本進行對比。

4.1 仿真參數(shù)設定

選取哈爾濱市某辦公區(qū)的微電網(wǎng)數(shù)據(jù)進行仿真求解和分析，該算例的微電網(wǎng)中包括容量上限為100 kW的光伏電池，容量上限為150 kW的微型燃氣輪機，容量上限為100 kW的燃料電池和容量上限為100 kW·h的儲能電池；同一車型的電動出租車20輛，平均行駛速度為30 km/h，具體參數(shù)如表1所示。

表1 微電網(wǎng)系統(tǒng)各單元基本參數(shù)

其中，基于歷史數(shù)據(jù)的光伏發(fā)電分布如圖8所示，光伏發(fā)電數(shù)據(jù)來自于晴天條件下的光照強度與溫度數(shù)據(jù)的統(tǒng)計采用式（1）計算而得。

圖8 光伏發(fā)電功率分布

采用蒙特卡洛算法，分別針對以上6種充電場景下出租車產(chǎn)生的負荷進行預測，結果如圖9所示。

圖9 基于MC算法的出租車負荷分布

4.2 不考慮經(jīng)濟性優(yōu)化的微電網(wǎng)各分布式電源發(fā)電分配

根據(jù)住宅用電負荷、光伏發(fā)電曲線，結合不考慮經(jīng)濟性優(yōu)化電動出租車充電場景一至六，對微電網(wǎng)內分布式電源未來24 h的發(fā)電情況進行分配，各分布式電源的發(fā)電計劃如圖10所示。將各分布式電源發(fā)電情況代回成本計算模型中，算得調度期間系統(tǒng)運行總成本，如表2所示。

表2 經(jīng)濟性優(yōu)化前后不同充電場景系統(tǒng)成本的對比

圖10 無優(yōu)化條件下不同充電場景的分布式電源發(fā)電情況

由圖10和表2可以看出，在不考慮經(jīng)濟性優(yōu)化時，各充電場景下的分布式電源發(fā)電情況相似。燃氣輪機長期工作在滿載狀態(tài)，一方面會縮短設備使用壽命，另一方面很大程度上增加了運維成本。同時，燃料電池起到電量補充的效果，而儲能電池基本不發(fā)揮任何作用。無序充電的場景六的系統(tǒng)總成本比前5種充電場景都高。

4.3 考慮經(jīng)濟性優(yōu)化的微電網(wǎng)各分布式電源發(fā)電分配

根據(jù)住宅用電量、光伏發(fā)電曲線，結合考慮經(jīng)濟性優(yōu)化電動出租車充電場景一至六，對微電網(wǎng)內分布式電源未來24 h的發(fā)電情況進行分配，各分布式電源的發(fā)電計劃如圖11~圖14所示。下面對各場景下的優(yōu)化結果進行具體分析。

圖11 場景一、二、三下考慮經(jīng)濟性優(yōu)化的各分布式電源發(fā)電情況

4.3.1 基于出租車出行特征的充電行為下的能量管理優(yōu)化結果

在建立的微電網(wǎng)最優(yōu)經(jīng)濟運行模型的基礎上，根據(jù)住宅用電量、光伏發(fā)電曲線，結合基于出租車出行特征的充電行為下場景一、二、三，對微電網(wǎng)內分布式電源未來24 h的發(fā)電情況進行優(yōu)化。各場景下的最優(yōu)發(fā)電計劃如圖11所示。

從圖11可以看出，場景一下電動出租車只在夜晚充電，減小了白天微電網(wǎng)的負荷，光伏發(fā)電量基本滿足負荷用電需求，GT只需進行小功率發(fā)電，ES在10：00~15：00期間進行持續(xù)性充電。在夜晚電動出租車入網(wǎng)充電，電網(wǎng)負荷量增加，GT與FC工作在高功率狀態(tài)，ES也開始釋放白天存儲的能量，僅存在一次充放電。在場景二和三下，分別是電動出租車兩次充電的時間段內和出租車空載率較高的時間段內GT與FC發(fā)電量較大，ES同樣只進行一次充放電，情況與場景一類似。

4.3.2 基于微電網(wǎng)負荷穩(wěn)定充電行為下的能量管理優(yōu)化結果

在建立的微電網(wǎng)最優(yōu)經(jīng)濟運行模型的基礎上，根據(jù)住宅用電量、光伏發(fā)電曲線，結合基于微電網(wǎng)負荷穩(wěn)定充電行為下的場景五，對微電網(wǎng)內分布式電源未來24 h的出力進行優(yōu)化。其最優(yōu)發(fā)電計劃如圖12所示。

圖12 場景四下考慮經(jīng)濟性優(yōu)化的各分布式電源發(fā)電情況

從圖12可以看出，場景四下為保持微電網(wǎng)系統(tǒng)實時在線負荷量的穩(wěn)定，讓電動出租車充電負荷起到削峰填谷的作用，在這樣的條件下各分布式電源發(fā)電也變得更加穩(wěn)定，成本有所降低，更加符合期望。如前文所說場景四下用出租車進行調峰，但未考慮出行需求，可能會造成處于工作狀態(tài)中的出租車不能滿足人們出行需求的情況。

4.3.3 基于綜合優(yōu)化充電行為下的能量管理優(yōu)化結果

在建立的微電網(wǎng)最優(yōu)經(jīng)濟運行模型的基礎上，根據(jù)預測的基于微電網(wǎng)負荷穩(wěn)定充電行為，結合基于綜合優(yōu)化充電行為下的場景五，對微電網(wǎng)內分布式電源未來24 h的發(fā)電情況進行優(yōu)化。其最優(yōu)發(fā)電計劃如圖13所示。

圖13 場景五下考慮經(jīng)濟性優(yōu)化的各分布式電源發(fā)電情況

從圖13可以看出，與場景四相比，場景五下各分布式電源發(fā)電不僅穩(wěn)定性方面沒有下降，且GT工作在較低功率狀態(tài)下，成本也有所降低，同時考慮出租車空載率的問題，更加符合現(xiàn)實情況。

4.3.4 基于出租車無序充電行為下的能量管理優(yōu)化結果

在建立的微電網(wǎng)最優(yōu)經(jīng)濟運行模型的基礎上，根據(jù)預測的家用負荷、光伏發(fā)電曲線，結合電動出租車無序充電的場景六，對微電網(wǎng)內各分布式電源未來24 h的發(fā)電情況進行優(yōu)化求解。其最優(yōu)發(fā)電計劃如圖14所示。

圖14 場景六下考慮經(jīng)濟性優(yōu)化的各分布式電源發(fā)電情況

從圖14可以看出，場景六下由于電動出租車隨機入網(wǎng)充電，各分布式電源發(fā)電情況受到家庭用電時間分布不均的影響，會有所波動。

經(jīng)濟性優(yōu)化后不同場景下系統(tǒng)成本一并列于表2中。為更形象地對比，同時繪出對應的直方圖，如圖15所示。

圖15 不同充電場景下的系統(tǒng)運營成本

4.4 結果對比分析

根據(jù)以上仿真結果，從微電網(wǎng)系統(tǒng)運行總成本和出租車空載率與在線的負荷峰谷差率幾個方面進行對比。

由表2和圖15可見，充電場景五在考慮與不考慮經(jīng)濟性優(yōu)化的條件下都是最低的，且經(jīng)濟性優(yōu)化后總費用降低了21.2%。在不考慮經(jīng)濟性優(yōu)化時，綜合考慮出租車出行特征與微電網(wǎng)負荷穩(wěn)定性的充電場景五的總費用相較于場景六降低了18.1%。在考慮經(jīng)濟性優(yōu)化時，綜合考慮出租車出行特征與微電網(wǎng)負荷穩(wěn)定性的充電場景五的總費用相較于成本最高的場景六降低了22.3%，即場景五在保證了空載率和負荷峰谷差率較優(yōu)的前提下經(jīng)濟性也優(yōu)于其他幾種充電場景，更符合商業(yè)原則。

有序充電行為下的出租車負荷與住宅用電負荷的總負荷曲線如圖16所示。表3列出不同充電場景下的出租車平均空載率和負荷峰谷差率的計算結果。

圖16 出租車充電對微電網(wǎng)負荷的影響

由表3可見，場景一至場景三，峰谷差率都大于0.5，顯然偏大；接著，場景五的空駛率和峰谷差率都比場景六小，說明場景五優(yōu)于場景六；最后，對比場景五和場景四，后者雖然負荷峰谷差率很小，但空載率較大。因此，綜合考慮出租車出行特征與微電網(wǎng)負荷穩(wěn)定性，最終，平均空載率和負荷峰谷差率均小于0.3的場景五達到最好效果，有利于電網(wǎng)的安全運行。

表3 不同充電場景下的出租車平均空載率和負荷峰谷差率

5 結論

以實測數(shù)據(jù)為基礎，考慮出租車充電的不確定性，通過充電起始時間和持續(xù)時間，得到出租車充電負荷的時間分布，在此基礎上制定了用戶充電行為規(guī)則。以系統(tǒng)運行總成本為目標函數(shù)，并通過罰函數(shù)法構建適應度函數(shù)，建立計及出租車充電的微電網(wǎng)經(jīng)濟調度模型，對出租車不同充電場景進行經(jīng)濟性優(yōu)化求解。結果表明，綜合優(yōu)化充電行為的空載率和負荷峰谷差率都在可接受范圍內，且相比于未經(jīng)經(jīng)濟性優(yōu)化的充電行為其系統(tǒng)總成本可降低21.2%，更適合于實際應用。