王易雯，應(yīng)利

（1.三峽大學(xué) 電氣與新能源學(xué)院，湖北宜昌 443002；2.國網(wǎng)四川省電力公司簡陽市供電分公司，四川簡陽 641400）

引言

目前我國電動(dòng)汽車（EV）接入微電網(wǎng)充電對(duì)負(fù)荷側(cè)沖擊加劇，傳統(tǒng)能源機(jī)組發(fā)電供應(yīng)短缺和各類污染物對(duì)環(huán)境的影響日益嚴(yán)重。針對(duì)負(fù)荷側(cè)電動(dòng)汽車入網(wǎng)導(dǎo)致的負(fù)荷波動(dòng)，國內(nèi)外主要研究其對(duì)電力系統(tǒng)的整體運(yùn)行調(diào)度的影響[1,2]，同時(shí)協(xié)調(diào)平衡經(jīng)濟(jì)性和穩(wěn)定性之間的矛盾。文獻(xiàn)[3]以電動(dòng)汽車作為研究對(duì)象，驗(yàn)證基于自然選擇機(jī)理的粒子群算法相比傳統(tǒng)粒子群算法的優(yōu)越性。文獻(xiàn)[4]采用激勵(lì)型DR構(gòu)建基于負(fù)荷價(jià)格彈性的系數(shù)矩陣模型，結(jié)合EV建立多目標(biāo)函數(shù)分析。文獻(xiàn)[5]采用有序充放電策略考慮EV入網(wǎng)的“移動(dòng)充電”作用，增加電網(wǎng)備用容量，并采用粒子群—模擬遺傳混合算法優(yōu)化求解模型。文獻(xiàn)[6]以電動(dòng)汽車調(diào)度成本和心理效應(yīng)為目標(biāo)，提出價(jià)格與激勵(lì)聯(lián)合需求響應(yīng)下EV長時(shí)間尺度充放電調(diào)度策略。文獻(xiàn)[7]采用分時(shí)電價(jià)動(dòng)態(tài)優(yōu)化方法，以充電量和充電成本最小作為目標(biāo)函數(shù)，驗(yàn)證模型對(duì)負(fù)荷側(cè)具有削峰填谷的能力。文獻(xiàn)[8]建立電動(dòng)汽車充放電兩階段模型，運(yùn)用PSO進(jìn)行模型優(yōu)化求解。目前針對(duì)EV入網(wǎng)導(dǎo)致的負(fù)荷波動(dòng)，較少將有序充放電策略與改進(jìn)優(yōu)化算法結(jié)合融入微電網(wǎng)多目標(biāo)的經(jīng)濟(jì)調(diào)度研究，因此本研究在有序充放電策略基礎(chǔ)上，提出一種改進(jìn)混沌映射粒子群算法（CMPSO）與微電網(wǎng)負(fù)荷側(cè)不確定性和經(jīng)濟(jì)優(yōu)化調(diào)度相結(jié)合，并通過算例對(duì)比驗(yàn)證此算法的有效性。相較于常規(guī)PSO，改進(jìn)算法可在大幅度降低負(fù)荷峰谷差的前提下，減少負(fù)荷波動(dòng)帶來的運(yùn)行費(fèi)用上升，協(xié)調(diào)魯棒性與經(jīng)濟(jì)性之間矛盾并尋求最優(yōu)平衡點(diǎn)。

1 負(fù)荷側(cè)EV不確定性分析

1.1 有序充放電策略

EV有序充放電策略是在V2G技術(shù)的基礎(chǔ)上建立相應(yīng)的功率函數(shù)來進(jìn)一步構(gòu)建控制模型。目前我國電網(wǎng)采用此策略的具體流程是上級(jí)調(diào)度中心首先按EV用戶接入充電樁充電的方式實(shí)時(shí)收集各類EV信息，同時(shí)用戶將未來預(yù)計(jì)離開和返回時(shí)段、電池容量以及荷電狀態(tài)等相關(guān)信息傳給中心匯總處理；然后調(diào)度中心根據(jù)動(dòng)態(tài)電價(jià)和短期負(fù)荷預(yù)測將最合適的充放電時(shí)間段實(shí)時(shí)更新并傳遞給EV用戶；最后用戶根據(jù)個(gè)人情況選擇最合適的出行、返回時(shí)間段接入充電樁充放電，生成有序充放電策略[9]。電動(dòng)汽車充電調(diào)度模型架構(gòu)見圖1。

圖1 電動(dòng)汽車充電調(diào)度模型架構(gòu)

關(guān)于大規(guī)模EV用戶和上級(jí)電網(wǎng)控制中心之間信息通訊，目前普遍通過實(shí)時(shí)收集匯總電動(dòng)汽車用戶居住分布情況和充電樁使用頻率，在傳輸系統(tǒng)中設(shè)置多個(gè)EV充電站將作為樞紐的EV代理層與EV用戶聯(lián)系起來，實(shí)現(xiàn)用戶實(shí)時(shí)信息更新和指令傳達(dá)，從而準(zhǔn)確制定有序充放電策略并快速傳遞給用戶，提高負(fù)荷峰谷時(shí)段的削峰填谷作用。

1.2 構(gòu)建計(jì)及EV有序充放電策略的多目標(biāo)函數(shù)模型

1.2.1 負(fù)荷側(cè)需求波動(dòng)量模型

基于所涉及微電網(wǎng)區(qū)域內(nèi)計(jì)及EV入網(wǎng)，并考慮EV用戶響應(yīng)有序策略的非強(qiáng)制性，僅部分用戶自發(fā)響應(yīng)有序策略[10]，根據(jù)負(fù)荷波動(dòng)情況建立周期T內(nèi)負(fù)荷總波動(dòng)量F1：

式中，PLoadi(t)表示t時(shí)段未接入EV時(shí)的原負(fù)荷，hstate=1,0表示EV是否充電，γ(t)為用戶響應(yīng)有序策略響應(yīng)度，PN(t)，PL(t)分別為無序、有序策略下的總負(fù)荷功率，PL,ch(t)、PL,dis(t)分別是EV充電和放電功率。在此模型基礎(chǔ)上采用蒙特卡洛法抽樣[11]，求得負(fù)荷側(cè)的總負(fù)荷曲線如圖3，4所示。

1.2.2 微電網(wǎng)綜合調(diào)度費(fèi)用模型

計(jì)及EV接入微電網(wǎng)后負(fù)荷變化情況，構(gòu)建綜合調(diào)度費(fèi)用模型[12]，其中機(jī)組燃料發(fā)電運(yùn)行費(fèi)用和維護(hù)成本為：

式中，k1、k2、k3、hm分別為機(jī)組運(yùn)行和維護(hù)成本系數(shù)，W mf,W mx分別表示運(yùn)行和維護(hù)成本。用戶響應(yīng)有序策略產(chǎn)生的激勵(lì)成本W(wǎng)ex(t)、上級(jí)電網(wǎng)購電成本W(wǎng)grid(t)、EV充放電價(jià)格差懲罰成本W(wǎng)c(t)和考慮環(huán)保性后污染物治理費(fèi)用Wh分別為：

式中，λex(t)為用戶響應(yīng)有序策略的激勵(lì)單位費(fèi)用（0.37元/kW），cgrid,f(t),m(t)分別表示t時(shí)刻電網(wǎng)協(xié)議制定分時(shí)電價(jià)和用戶向上級(jí)電網(wǎng)放、充電的單位電價(jià)。上述所有種類調(diào)度費(fèi)用的匯總即為該區(qū)域微電網(wǎng)運(yùn)行調(diào)度總費(fèi)用F2：

1.3 約束條件

1.3.1 EV荷電狀態(tài)約束

式中，SOCi,max、SOCi,min分別表示EV荷電狀態(tài)上下限，SOCi,desire、SOCi(tleave)分別為充放電完成后預(yù)期和實(shí)際動(dòng)力電池荷電狀態(tài)；SOCi(t)、SOCi(t+1)分別為第i輛車在t、t+1時(shí)段電池的荷電狀態(tài)，△tch,i、△td,i分別為EV充、放電持續(xù)時(shí)長。

1.3.2 EV充電樁功率上下限約束[13]

1.3.3 EV充放電時(shí)間約束

式中，tV2G,i為第i輛EV可參與充放電的時(shí)間，tout,i、tre,i分別為EV出行和返回時(shí)刻，EV用戶在其他時(shí)間段不參與有序充放電策略。

1.3.4 微電網(wǎng)運(yùn)行功率平衡約束

1.3.5 變壓器容量約束

在任意調(diào)度時(shí)刻，接入EV后的負(fù)荷功率總和應(yīng)低于變壓器容量上限；ST為變壓器最大容量。

1.4 基于CMPSO的多目標(biāo)模型求解

由于構(gòu)建的兩個(gè)目標(biāo)函數(shù)內(nèi)容和單位均不相同，無法直接通過線性加權(quán)成單一目標(biāo)函數(shù)后運(yùn)用算法進(jìn)行后續(xù)分析，故首先引入模糊隸屬度函數(shù)將F1和F2分別模糊化處理，再通過歸一化加權(quán)成綜合單目標(biāo)函數(shù)，最后提出改進(jìn)混沌映射粒子群算法[14]求解。

此算法在傳統(tǒng)粒子群算法基礎(chǔ)上，通過引入尋優(yōu)遍歷性極高且重復(fù)度較低的混沌算法與傳統(tǒng)PSO結(jié)合，盡可能避免陷入早熟和局部收斂的問題，提升了求解出全局最優(yōu)解的概率，并引入小概率變異概念，將適應(yīng)度較差且密度較高的粒子進(jìn)行替換，選出個(gè)體最優(yōu)值pkbest和全局最優(yōu)值Gkbest，并代入下式進(jìn)行粒子速度、位置更新。

vi，xi分別代表粒子的速率和位置，w為可變慣性權(quán)重，c1，c2為學(xué)習(xí)因子，r1，r2為[0-1]范圍內(nèi)的均勻隨機(jī)數(shù)，算法具體流程圖如圖2所示。

圖2 改進(jìn)混沌映射粒子群算法（CMPSO）流程圖

2 算例分析

2.1 EV入網(wǎng)有序策略的有效性分析

本文基于某MW級(jí)別的實(shí)際工業(yè)園區(qū)域微電網(wǎng)，假定該區(qū)域參與優(yōu)化調(diào)度的同種類EV有100輛，其充放電效率、功率均相同，其百千米的耗電量為13.9 kW·h，運(yùn)行額定充放電功率為300 kW，電池容量上限為52.5 kW·h。該區(qū)域典型風(fēng)光發(fā)電功率預(yù)測值與初始、實(shí)際負(fù)荷功率曲線如圖3所示。

圖3 典型風(fēng)光發(fā)電機(jī)組出力與負(fù)荷功率曲線

在一個(gè)調(diào)度周期內(nèi)選取幾種不同EV充放電模型進(jìn)行對(duì)比分析：①未接入EV的初始與實(shí)際負(fù)荷模型；②用戶自主進(jìn)行EV無序充放電模型；③基于峰谷分時(shí)電價(jià)有序充放電模型。統(tǒng)計(jì)數(shù)據(jù)得不同V2G模式下EV充放電功率時(shí)序圖及其擬合曲線，計(jì)算此微網(wǎng)區(qū)域內(nèi)接入100輛EV的總負(fù)荷波動(dòng)圖，如圖4，5所示。

圖4 有序、無序兩種模式下功率擬合曲線

對(duì)比圖5中不同EV策略下的波動(dòng)曲線可知，用戶隨機(jī)進(jìn)行無序充電會(huì)導(dǎo)致整個(gè)周期內(nèi)總負(fù)荷上升，且在波動(dòng)峰段急劇增加。若用戶響應(yīng)調(diào)度信息，負(fù)荷峰谷差值由821.699 kW降為725.379 kW，起到良好的削峰填谷作用，降低負(fù)荷波動(dòng)帶來的不利影響。

圖5 不同EV接入策略下的總負(fù)荷時(shí)序曲線

2.2 EV用戶響應(yīng)有序策略在不同參與度下可控單元和運(yùn)行費(fèi)用波動(dòng)情況

為進(jìn)一步分析用戶在響應(yīng)有序充放電策略的不同參與度下，微電網(wǎng)內(nèi)部各可控單元出力情況和規(guī)劃調(diào)度費(fèi)用以及負(fù)荷側(cè)具體波動(dòng)情況，選取用戶參與程度以10%的步長從0%逐步增加到100%，得一個(gè)調(diào)度周期內(nèi)區(qū)域微電網(wǎng)的可控單元和不同目標(biāo)函數(shù)的波動(dòng)變化情況，如圖6～8所示。

圖6 可控單元GRID出力情況

圖7 可控單元MT出力情況

據(jù)圖6，7可知，隨著用戶參與程度的增加，可控單元MT和GRID的功率出力情況在常規(guī)工作時(shí)段均隨之下降，EV入網(wǎng)所導(dǎo)致的負(fù)荷驟增現(xiàn)象有明顯減少；而在非常規(guī)用電時(shí)段有功功率有大幅度的增加，可作為負(fù)荷驟增而導(dǎo)致機(jī)組供電不足情況下的備用儲(chǔ)能，有效降低微電網(wǎng)向上級(jí)大電網(wǎng)的購電成本，從而減少微電網(wǎng)運(yùn)行調(diào)度總費(fèi)用。

再分析圖8可得：負(fù)荷需求波動(dòng)量和運(yùn)行費(fèi)用隨著EV用戶響應(yīng)度的增加而逐漸降低。但考慮微電網(wǎng)實(shí)際運(yùn)行情況下，發(fā)電機(jī)組裝機(jī)容量有限，其發(fā)電量無法一直滿足因EV入網(wǎng)所致的負(fù)荷需求量增加，因此參與度分別在50%和70%的情況下，負(fù)荷波動(dòng)量和運(yùn)行費(fèi)用降至最低值，之后呈反彈上升趨勢。根據(jù)計(jì)算可得，參與度在50%～70%范圍內(nèi)，負(fù)荷需求波動(dòng)增加量的懲罰費(fèi)用遠(yuǎn)低于運(yùn)行總費(fèi)用的降低值，綜合考慮微電網(wǎng)運(yùn)行穩(wěn)定性和經(jīng)濟(jì)性，選取用戶有序充放電策略參與度為70%，作為EV入網(wǎng)所帶來的負(fù)荷側(cè)不確定性的最優(yōu)情況，代入后續(xù)多目標(biāo)函數(shù)求解。

圖8 上級(jí)電網(wǎng)向區(qū)域微電網(wǎng)供電量波動(dòng)曲線

2.3 不同權(quán)重系數(shù)對(duì)微電網(wǎng)各項(xiàng)指標(biāo)的影響

由于前文所建立多目標(biāo)函數(shù)模型需要綜合考慮運(yùn)行穩(wěn)定性和經(jīng)濟(jì)性，此處選取11組典型的權(quán)重系數(shù)組進(jìn)行分析，對(duì)比結(jié)果如表1和圖9所示。分析表1和圖9可知，隨著權(quán)重系數(shù)λ1的增加和λ2的減少，調(diào)度費(fèi)用和污染物治理費(fèi)用均有所下降，同時(shí)負(fù)荷需求波動(dòng)量逐步上升。最后在這11組數(shù)據(jù)的基礎(chǔ)上，運(yùn)用客觀賦權(quán)法中的熵權(quán)法[15]計(jì)算得到一組最優(yōu)解，此時(shí)λ1、λ2分別為0.587、0.413，運(yùn)行調(diào)度費(fèi)用為31 875.64元，污染治理成本為7 753.68元，負(fù)荷需求波動(dòng)量為134.28 kW。

表1 不同權(quán)重系數(shù)組對(duì)微電網(wǎng)指標(biāo)的優(yōu)化結(jié)果對(duì)比

圖9 不同權(quán)重系數(shù)組下微電網(wǎng)指標(biāo)結(jié)果對(duì)比圖

2.4 不同算法優(yōu)化結(jié)果的對(duì)比分析

為進(jìn)一步驗(yàn)證CMSPO算法相較于其他算法的優(yōu)越性，選取傳統(tǒng)粒子群算法PSO、遺傳算法GA、混沌粒子群算法CPSO和CMPSO算法進(jìn)行對(duì)比分析，收斂迭代對(duì)比曲線如圖10所示。

圖10 不同算法的迭代過程對(duì)比圖

據(jù)圖10可知，上述4種算法均可降低運(yùn)行費(fèi)用，并隨著迭代次數(shù)的增加而收斂。其中GA和PSO收斂速度均較快，但都極易陷入局部收斂；CPSO在傳統(tǒng)PSO的基礎(chǔ)上，疊加了混沌搜索策略，提升了全局搜索精度，但仍無法收斂至最優(yōu)解；CMPSO算法加強(qiáng)對(duì)優(yōu)勢個(gè)體進(jìn)行局部搜索的深度，運(yùn)行調(diào)度成本最低，尋優(yōu)收斂效果最佳。

3 結(jié)論

（1）采用的有序充放電策略可針對(duì)EV入網(wǎng)導(dǎo)致的負(fù)荷波動(dòng)起到良好的削峰填谷作用，降低電網(wǎng)因超負(fù)荷運(yùn)行導(dǎo)致的過載現(xiàn)象出現(xiàn)的概率。

（2）當(dāng)權(quán)重系數(shù)分別為0.587、0.413時(shí)，可控發(fā)電單元出力方案最佳，此時(shí)微電網(wǎng)的調(diào)度費(fèi)用和負(fù)荷需求波動(dòng)均取得最優(yōu)解。

（3）接下來將主要針對(duì)發(fā)電側(cè)的新能源機(jī)組發(fā)電波動(dòng)不確定性，結(jié)合EV入網(wǎng)的負(fù)荷波動(dòng)性，尋求源-荷不確定性共同作用下的最優(yōu)調(diào)度策略。