朱永勝，苗陽，謝曉峰，王東旭，楊俊林，王昊洋

（1.中原工學院電子信息學院，河南鄭州 450007；2.上海大學上海市電站自動化技術(shù)重點實驗室，上海 200072）

0 引言

電動汽車（Electrical Vehicle，EV）作為低碳出行的首選近年來發(fā)展迅速[1]，然而由我國一次能源利用現(xiàn)狀可知，EV 直接入網(wǎng)不僅不易達到低碳的預(yù)期，而且會增大負荷峰谷差進而影響系統(tǒng)運行的安全穩(wěn)定性[2]。對EV 接入新能源微網(wǎng)（New Energy Micro Grid，NEMG）進行統(tǒng)一調(diào)配管理可有效減緩規(guī)?；疎V 入網(wǎng)所帶來的消極影響，此策略不僅可實時消納清潔能源達成真正的綠色低碳理念[3-4]，還可利用車網(wǎng)互動（Vehicle-to-Grid，V2G）技術(shù)完成削峰填谷、提供輔助服務(wù)等目標，從而實現(xiàn)車網(wǎng)協(xié)同優(yōu)化的多重效益[5-6]。

EV 作為一種交通工具，其使用主體是具有社會屬性的群體，因此用戶參與調(diào)控的積極性應(yīng)放在考慮因素的首位。文獻[7]提出車網(wǎng)互動激勵價格機制，提升用戶參與度系數(shù)后使EV 參與V2G 的激勵價格與當前系統(tǒng)的削峰需求呈正相關(guān)增長趨勢。文獻[8]指出用戶的積極性對EV 的參與度起決定作用，當參與度小于最低臨界值時會使得網(wǎng)內(nèi)負荷曲線偏離正常趨勢。文獻[9]計及用戶滿意度與配網(wǎng)安全性建立“配網(wǎng)—充電站”雙側(cè)架構(gòu)，但模型中EV 的頻繁充放電會對電池產(chǎn)生較大負面影響。目前較多研究將EV 并入NEMG，以達到加強NEMG 經(jīng)濟性和安全性、改善資源配置、調(diào)節(jié)系統(tǒng)綜合性能的目的[10-14]。文獻[15-18]對于EV 接入NEMG 的優(yōu)化調(diào)度方式為集中式，隨著參與電力系統(tǒng)調(diào)度的參與方類型日益豐富，各利益主體的設(shè)備隱私需求也隨之增加，導(dǎo)致集中式調(diào)度難以獲取參與方整體信息進而限制電力系統(tǒng)的優(yōu)化，而多層級協(xié)同調(diào)度恰好可解決這一難題。

針對規(guī)模化EV 接入NEMG 的經(jīng)濟運行與負荷波動問題，本文提出考慮用戶積極性的NEMG 多層級車網(wǎng)協(xié)同優(yōu)化策略。根據(jù)各可調(diào)度單元屬性的差異將EV、清潔能源等歸納至相應(yīng)層級，每層充分考慮其運行特性設(shè)定相應(yīng)調(diào)度指標，以達到多方互利共贏的目標，最后通過微網(wǎng)系統(tǒng)驗證了所建架構(gòu)的合理性與有效性。

1 多層級車網(wǎng)協(xié)同優(yōu)化策略框架

本文所研究的多層級車網(wǎng)協(xié)同優(yōu)化策略框架如圖1 所示。其中，PL(t) 為經(jīng)負荷層優(yōu)化后的NEMG 功率，PNL(t)為經(jīng)微網(wǎng)層優(yōu)化后NEMG 功率。由圖1 可知，所研究多層級車網(wǎng)互動系統(tǒng)包含風電機組（Wind Turbine，WT）、光伏機組（Photo Voltaic，PV）、燃氣輪機（Micro Turbine，MT）、熱電聯(lián)產(chǎn)機組（Cogeneration Units，CU）、蓄電池（Storage Battery，SB）、智能充電樁等設(shè)備。本文調(diào)度的EV 根據(jù)用戶上報給微網(wǎng)調(diào)控中心的數(shù)據(jù)分為EV 集群A 和EV集群B。當EV 集群A 用戶第2 天有出行計劃時，則需考慮用戶出行需求；當EV 集群B 用戶第2 天無出行計劃時，則此集群中EV 為實時可控EV。負荷層對NEMG 原始負荷“削峰填谷”的同時優(yōu)化EV用戶積極性；微網(wǎng)層利用EV 與SB 的儲能特性最大化消納清潔能源以減小凈負荷均值并縮減運行成本；配網(wǎng)層優(yōu)化MT 與主網(wǎng)聯(lián)絡(luò)線出力來削減綜合運行成本并減弱交互功率波動。

圖1 多層級車網(wǎng)協(xié)同優(yōu)化策略框架Fig.1 Framework of multi-level vehicle-grid collaborative optimization strategy

2 多層級優(yōu)化調(diào)度策略

2.1 負荷層

2.1.1 EV用戶積極性模型

負荷層將EV 作為調(diào)控負荷的手段。在負荷高峰時，制定較高交互電價促使EV 放電和減少充電行為；在負荷低谷時，制定較低交互電價促使EV 充電和減少放電行為，以達到通過分時電價引導(dǎo)EV 有序充放電來優(yōu)化負荷曲線的目的。此策略需要EV 用戶積極參與接受調(diào)度，便利性與經(jīng)濟性是影響用戶參與積極性的2 個重要因素，因此EV 用戶積極性模型由便利性與經(jīng)濟性構(gòu)成，對應(yīng)指標分別為EV 用戶出行充電需求指標與EV 用戶費用支出指標。

1）EV 用戶出行充電需求指標為：

式中：Sout,i為第i輛EV 離網(wǎng)時荷電狀態(tài)（State of Charging，SOC）；Qm,i為日常行駛?cè)萘浚籕s,i為電池容量；δ為不同SOC 的EV 離網(wǎng)時出行充電需求指數(shù)；Sb,i為用戶預(yù)期SOC；Qr,i為備用行駛?cè)萘俊?/p>

2）EV 用戶費用支出指標為：

式中：Z為EV 數(shù)量；?1和?2分別為EV 用戶出行充電需求指標系數(shù)和EV 用戶費用支出指標系數(shù)。

2.1.2 EV荷電狀態(tài)模型

EV 在行駛中，其行駛路程與車輛的SOC 呈現(xiàn)出線性關(guān)系[19]，且EV 充電功率恒定。單輛EV 的SOC 模型為：

式中：Ech,i為第i輛EV 充電電量；Sin,i為第i輛EV入網(wǎng)時SOC；Si(t+1)為第i輛EV的t+1時段SOC；Si(t)為第i輛EV的t時段SOC；Δt為單位時段；η為EV 充放電效率；Pmax為EV 最大充放電功率；Tin,i與Tout,i分別為EV 入網(wǎng)、離網(wǎng)時刻。

2.1.3 EV出行行為時空隨機性模型

EV 用戶每天的離網(wǎng)時刻與入網(wǎng)時刻分別服從均值6.92、方差1.24 和均值17.47、方差1.80 的正態(tài)分布[15]，則EV 出行行為時空隨機性模型為：

2.2 微網(wǎng)層

2.2.1 優(yōu)化目標

為保證系統(tǒng)經(jīng)濟性及充分消納清潔能源，微網(wǎng)層以NEMG 運行成本最少和凈負荷均值最低作為優(yōu)化目標，其表達式為：

2.2.2 約束條件

1）SB 荷電狀態(tài)約束為：

2）SB 出力上下限約束為：

3）EV 荷電狀態(tài)約束為：

2.3 配網(wǎng)層

2.3.1 優(yōu)化目標

為降低對主網(wǎng)的影響以及保證自身的經(jīng)濟性，配網(wǎng)層以MT 與主網(wǎng)聯(lián)絡(luò)線的綜合運行成本最少和主網(wǎng)交互功率波動最小為優(yōu)化指標，其表達式為：

式中：F3為MT 與主網(wǎng)聯(lián)絡(luò)線綜合運行成本的目標函數(shù)；F4為主網(wǎng)交互功率波動的目標函數(shù)；CCO，CEN，CRMT分別為配網(wǎng)層發(fā)電費用、環(huán)境治理總費用、供熱的額外收益；PGRI(t)為t時段微網(wǎng)與主網(wǎng)間傳輸功率。

配網(wǎng)層發(fā)電費用CCO的表達式為：

式中：CMT為MT 發(fā)電費用；CGC為聯(lián)絡(luò)線交互費用；ψG和WLHV分別為天然氣價格與低熱值；ηMT，，PMT分別為MT 的效率、在t時段功率、裝機費用、額定功率；fMT為容量因子；h為折舊率；u為有效使用期限；KMT為單位運維費用系數(shù)；分別為向主網(wǎng)購、售電價格；分別為購、售電狀態(tài)。

傳統(tǒng)能源發(fā)電會帶來COx，SO2，NOx等一系列污染物，為實現(xiàn)綠色低碳理念，擴大清潔能源入網(wǎng)規(guī)模，引入環(huán)境治理費用CEN為：

式中：j為污染物種類；J為污染物種類總數(shù)；Cj為處理第j類污染物單位費用；λMT,j和λgri,j分別為MT和主網(wǎng)聯(lián)絡(luò)線污染物的單位排放量。

燃氣輪機提供電能的同時還可進行熱電聯(lián)產(chǎn)，以實現(xiàn)能量梯級利用，計算供熱額外收益CRMT為：

式中：ψR為供熱售賣價格；KR為供熱系數(shù)；ηre為余熱回收效率；Klos為熱量散失系數(shù)。

2.3.2 約束條件

1）傳輸功率約束為：

2）MT 出力約束為：

3）MT 爬坡約束為：

式中：PMT(t-1)為MT在t-1 時刻的功率；為MT 最大爬坡功率。

4）NEMG 購、售電狀態(tài)變量約束為：

5）功率平衡約束為：

3 求解方法

采用蒙特卡洛模擬算法和多目標粒子群優(yōu)化（Multiobjective Particle Swarm Optimization，MPSO）算法聯(lián)合求解本文所建模型。使用前者求解負荷層模型；后者求解微網(wǎng)層和配網(wǎng)層多目標、高維、非線性、多約束的優(yōu)化模型，并在求解同時對算法進行改進。

3.1 改進粒子更新策略

為使標準MPSO 算法在全局與局部都擁有較均衡的搜索能力，本文根據(jù)迭代次數(shù)y的不同來實時動態(tài)調(diào)節(jié)慣性權(quán)重，此方案可在算法前期保持多樣性、后期保持較好收斂性和搜索準確，慣性權(quán)重ω的調(diào)節(jié)表達式為：

式中：ωmin與ωmax分別為慣性權(quán)重最小值與最大值；y為迭代次數(shù)；ymax為最大迭代次數(shù)。

3.2 時變變異

考慮到MPSO 算法易在運算初期陷入局部最優(yōu)，優(yōu)選1 種時變變異算子ξ。將粒子變異通過調(diào)節(jié)算子來實現(xiàn)，其步驟如下：

1）選取位于[0，1]區(qū)間隨機數(shù)賦值給r1，r2。

2）當ξ＞r1，則在1 和決策變量維數(shù)n間取整數(shù)k；若ξ＜r1，則繼續(xù)變異循環(huán)。

3）對第a個粒子的第k維位置Xa,k利用Xa,k=Xmin+(Xmax-Xmin)r2進行變異。Xmin，Xmax分別為粒子a位置的最小值和最大值。

多層級車網(wǎng)協(xié)同優(yōu)化策略仿真計算流程如圖2所示。

圖2 多層級車網(wǎng)協(xié)同優(yōu)化策略仿真計算流程Fig.2 Simulation calculation process of multi-level vehicle-grid collaborative optimization strategy

4 算例分析

4.1 參數(shù)設(shè)定

本文以某并網(wǎng)型NEMG 為例，得到EV 相關(guān)參數(shù)、NEMG 系統(tǒng)各單元相關(guān)參數(shù)、污染物排放及處理參數(shù)[20-25]分別如表1—3 所示。

表1 EV相關(guān)參數(shù)Table 1 Related parameters of EV

表2 NEMG系統(tǒng)各單元相關(guān)參數(shù)Table 2 Parameters related to each unit in NEMG system

表3 污染物排放及處理參數(shù)Table 3 Parameters of pollutant discharge and treatment

4.2 實驗結(jié)果分析

4.2.1 負荷層優(yōu)化結(jié)果

在負荷層對EV 集群A 進行3 方面比較，分別為綜合指標最優(yōu)的EV 有序充放電調(diào)度、用戶便利性最優(yōu)的EV 無序充電調(diào)度和用戶經(jīng)濟性最優(yōu)的EV 有序充放電調(diào)度。以原始負荷為參照，3 種調(diào)度方案的負荷曲線如圖3 所示。

圖3 3種調(diào)度方案的負荷曲線Fig.3 Load curves of three dispatching schemes

由圖3 可知，在用戶便利性最優(yōu)情況下，EV 的充電時間集中在8:00—12:00 與18:00—22：00，此充電時間與用戶工作生活規(guī)律高度重合，該充電模式進一步加劇負荷“峰上加峰”，對NEMG 產(chǎn)生消極作用。在用戶經(jīng)濟性最優(yōu)情況下，EV 的充電時間集中在電價低谷的22:00—24:00 與1:00—6:00，為獲取收益在電價高峰的17:00—21:00 時段內(nèi)放電，因“同群效應(yīng)”的影響此方案將會產(chǎn)生新的負荷峰谷。在綜合指標最優(yōu)情況下EV 負荷可進行轉(zhuǎn)移，當負荷高峰時，符合條件的EV 可向NEMG 輸送部分電能，以緩解高峰負荷帶來的負面影響并可產(chǎn)生一定收益，度過負荷高峰時段后EV 可在電價較低時段充電，以滿足出行需求并可減少用電費用支出。

3 種方案的指標對比如表4 所示。

表4 3種方案的指標對比Table 4 Comparison of indicators among three schemes

由表4 可知，綜合積極性系數(shù)越大代表用戶參與調(diào)度的積極性越強烈。用戶便利性最優(yōu)方案的凈支出費用與負荷峰谷差均為最大值。用戶經(jīng)濟性最優(yōu)方案與綜合指標最優(yōu)方案相比，雖然凈支出費用略低但負荷峰谷差較大，因此對NEMG 產(chǎn)生的消極影響較大。由上述方案對比可知，本文所提方案不僅兼顧用戶出行便利性與經(jīng)濟性，令用戶積極性綜合指標達到最大，更使EV 合理充放電達成“削峰填谷”的目標。

4.2.2 微網(wǎng)層優(yōu)化結(jié)果

將負荷層優(yōu)化得到的EV 充放電功率與基礎(chǔ)負荷疊加傳送至微網(wǎng)層，與該層的風光出力共同組成凈負荷。微網(wǎng)層采用第3 節(jié)所述方法求解，通過調(diào)控SB 以及EV 集群B 的出力來進行凈負荷的優(yōu)化配置，取微網(wǎng)層運行成本為1.540×103元、凈負荷均值為613.03 kW 為最優(yōu)折中解。

微網(wǎng)層各單元出力曲線如圖4 所示。

圖4 微網(wǎng)層各單元出力曲線Fig.4 Output curves of each unit at microgrid layer

由圖4 可知，EV 與SB 在風光出力較低的時段18:00—24：00 與1:00—9:00 放電，該時段內(nèi)清潔能源供給量小于NEMG 負荷的需求量。EV 與SB 在清潔能源出力盈余的時間段10:00—18:00 充電，該時段內(nèi)清潔能源供給量大于NEMG 負荷的需求量。優(yōu)化后的NEMG 負荷曲線大體上已貼合清潔能源出力態(tài)勢，可達到盡可能多消納清潔能源以降低運行成本與碳排放的目的。

4.2.3 配網(wǎng)層優(yōu)化結(jié)果

將微網(wǎng)層優(yōu)化得到的NEMG 凈負荷傳送至配網(wǎng)層，該層調(diào)度單元為MT 與交互功率。配網(wǎng)層與微網(wǎng)層求解方法相同，取配網(wǎng)層運行成本為1.710×104元、交互功率波動為412.348 kW 為最優(yōu)折中解。

配網(wǎng)層各單元出力曲線如圖5 所示。

圖5 配網(wǎng)層各單元出力曲線Fig.5 Output curves of each unit at distribution network layer

由圖5 可知，相對于主網(wǎng)發(fā)電的大量污染物排放，MT 發(fā)電不論污染物排放量還是運行成本都相對較低，其在每個凈負荷為正的時段均有出力，當不足以支撐需求量時才從主網(wǎng)購買。在10:00—17:00這個時間段內(nèi)，清潔能源出力充沛而微網(wǎng)層不足以完全消納，此時將電能出售給主網(wǎng)，不僅可以獲取收益提升經(jīng)濟性還可完全消納清潔能源，杜絕棄風、棄光現(xiàn)象的發(fā)生。在18:00—24：00 與1:00—9:00 這2 個時間段內(nèi)MT 幾乎一直處于全額出力狀態(tài)，但由于機組數(shù)量限制與凈負荷較大，主網(wǎng)出力還是占據(jù)主要部分。

4.2.4 對比分析

將NEMG 不分層級調(diào)度策略與本文所提的NEMG 多層級調(diào)度策略的結(jié)果進行對比，2 種策略下NEMG 運行結(jié)果對比如表5 所示。

表5 2種策略下NEMG運行結(jié)果對比Table 5 Comparison of NEMG operating results under two strategies

由表5 可知，與本文所提策略運行結(jié)果相對比，采用不分層級調(diào)度策略時其交互功率波動擴大11.1%、系統(tǒng)綜合運行成本增加17.5%、凈負荷均值擴大30.5%。通過數(shù)據(jù)對比說明不分層級調(diào)度策略各項指標均遠不及本文所提多層級調(diào)度策略。

5 結(jié)論

本文針對規(guī)?；疎V 接入NEMG 的經(jīng)濟運行與負荷波動問題，提出一種考慮用戶積極性的NEMG 多層級車網(wǎng)協(xié)同優(yōu)化策略。負荷層慮EV 用戶積極性前提下，改善了EV 充放電計劃；微網(wǎng)層調(diào)動儲能與EV 最大化消納清潔能源以實現(xiàn)低碳理念并節(jié)約成本；配網(wǎng)層調(diào)度分布式電源出力以減少運行成本、穩(wěn)定交互波動。通過算例分析所得結(jié)論如下：

1）所提考慮EV 用戶積極性模型令用戶積極性大幅提升，不僅在實現(xiàn)“削峰填谷”目標中發(fā)揮良好作用，還使EV 充放電調(diào)度更加貼合實際。

2）通過與不分層級調(diào)度策略對照，本文所提多層級調(diào)度策略調(diào)節(jié)了系統(tǒng)的綜合性能，可實現(xiàn)系統(tǒng)經(jīng)濟性、穩(wěn)定性、環(huán)境效益等方面的互利共贏。