竇信瑞,彭晨,吳游龍,牛亞杰,安耿
(1.吉首大學 通信與電子工程學院,湖南吉首,416000;2.吉首大學 計算機科學與工程學院,湖南吉首,416000)
隨著新能源汽車的普及,以充電樁為首的配套設施也需要相應的改善。大型電動汽車網(wǎng)絡的無序充電會對電力系統(tǒng)造成資源浪費和成本過高的影響。為了降低電力系統(tǒng)的資源浪費和過高的成本,提高其效率和可靠性,需要對電動汽車進行高效、有序的充電控制。在電動汽車充電電池容量、電網(wǎng)變壓器容量等約束條件的前提下,如何在短時間內(nèi)優(yōu)化電動汽車連接充電站的規(guī)劃,即如何提高規(guī)劃效率,使策略更加高效,是亟待解決的問題。目前有學者對充電樁群調(diào)度進行了研究,一些改進的算法也被用到優(yōu)化調(diào)度從而提升效率上來。如陳靜鵬等人通過實時電價差異引導電動汽車有序充電[1]。張怡冰等人采用模糊控制算法計算充放電功率并下發(fā)給各充電樁以改善區(qū)域電網(wǎng)的負荷特性[2]。周天沛等人建立了電動汽車充電路徑多目標優(yōu)化調(diào)度模型并采用基于細菌趨化的改進粒子群算法進行模型求解,實現(xiàn)了均衡化充電站利用率的目的[3]。王鑫等人通過集中調(diào)度實施充電優(yōu)化控制,減少負荷波動[4]。李春亭等人使用局部搜索與全局搜索相結(jié)合的新型蝙蝠算法實現(xiàn)了充電樁的最優(yōu)調(diào)度[5]。上述方法中充電站群調(diào)度算法都是近似算法或啟發(fā)式算法,尚未采用精確算法,其次,上述方法實驗仿真時采用的數(shù)據(jù)集是小規(guī)模局部采樣數(shù)據(jù),數(shù)據(jù)普適性遠低于大規(guī)模范圍調(diào)查數(shù)據(jù)。
基于以上分析,本文在充電樁群調(diào)度優(yōu)化算法上采用精確算法之一的分支限界法(B&B),數(shù)據(jù)集采用從2016年4 月到2017 年4 月在美國進行的美國家庭出行調(diào)查(2017 NHTS)。系統(tǒng)以降低充電站總充電成本為優(yōu)化目標,充分考慮車輛的實時充電時間、充電需求和充電樁額定功率等約束條件,求解出此策略的優(yōu)化充放電調(diào)度規(guī)劃,實現(xiàn)降低充電站總充電成本,以此來達到優(yōu)化充電樁群調(diào)度的目的。
V2G 的核心思想是利用大量電動汽車儲存的能量作為電網(wǎng)和可再生能源的緩沖。當電網(wǎng)負荷過高時,電動汽車儲存的能量饋入電網(wǎng);當電網(wǎng)負荷較低時,用于儲存電網(wǎng)多余的發(fā)電量,避免浪費。這樣,電動汽車用戶可以在電價低的時候從電網(wǎng)購電,在電價高的時候向電網(wǎng)售電,從而獲得一定的收益。在V2G 場景下,電動汽車可以作為用戶端的柔性負載和分布式電力設備,幫助調(diào)節(jié)電網(wǎng)的電力負荷,消納可再生能源,為電網(wǎng)提供調(diào)頻、備用等輔助服務[6~7]。本系統(tǒng)V2G 模型如圖1 所示。
圖1 V2G 模型
整體框架由一個數(shù)據(jù)生成模塊和一個MPC 控制框架組成:數(shù)據(jù)生成模塊對美國家庭出行調(diào)查(NHTS)數(shù)據(jù)進行對應城市和停車環(huán)境所停車輛進行隨機采樣,MPC 控制框架由V2G 調(diào)度優(yōu)化計算模塊和停車場環(huán)境仿真模塊組成,使用MPC 控制模擬車輛充電和停車場盈利情況,以此來評估停車場V2G 服務的性能??刂破鞯哪康氖窃诳紤]充電樁額定功率等各種約束條件的情況下[8][9],評估V2G 輸出能力和盈利能力。停車場整體框架如圖2 所示。
圖2 停車場整體框架圖
2017 NHTS 是在2016 年4 月至2017 年4 月在美國進行的一項大規(guī)模的全國旅游調(diào)查。涉及人口統(tǒng)計、家庭相關特征、日常旅行和車輛的詳細信息。分為四個數(shù)據(jù)集:人數(shù)據(jù)集、家庭數(shù)據(jù)集、旅行數(shù)據(jù)集和車輛數(shù)據(jù)集。2017 NHTS數(shù)據(jù)集包含129696 家庭中264234 人擁有的總共256115輛汽車[10],相比于小規(guī)模的局部采樣數(shù)據(jù)更具有普適性。本系統(tǒng)使用2017 NHTS 數(shù)據(jù),并利用過濾器選擇固定城市為“紐約市”和停車場的類型為“工作場所”的數(shù)據(jù)生成電動汽車行程序列。2017 NHTS 數(shù)據(jù)集具體框架如圖3 所示。
圖3 2017 NHTS 數(shù)據(jù)集框架
圖4 模型預測控制模塊框架
停車場環(huán)境包括停車位、停車位是否有電動汽車充電、電動汽車當前電量、充電需求、電池SoC、電池充電效率等充/放電時間表信息。停車場環(huán)境在每一個時間間隔點根據(jù)模型預測控制器計算下一個時間間隔的充電功率,并對未來多個時間間隔進行規(guī)劃,環(huán)境通過與智能體交互,根據(jù)智能體提供指令進入下一個狀態(tài),以上過程不斷迭代。
在模型預測模塊中,對于當天控制,控制器獲得充電器使用情況和電動汽車序列狀態(tài)(連接、電池SoC、設定出發(fā)時間等)。設定間隔為15 分鐘,并使用最新信息不斷優(yōu)化充電/放電時間表。對于前一天計劃,使用這些數(shù)據(jù)的電動汽車序列預測。圖3 為模型預測控制模塊框架。
2.4.1 停車場約束
公式(1)(2)(3)(4)限制規(guī)定了電動汽車何時可以主動充電/放電:
在停車場中,每個充電樁c通過額定功率為PcEVr的DC/AC交流逆變器連接到電網(wǎng),這里不考慮光伏源。每個充電樁c在停車場中可以多路復用,最多可連接Ncconn個電動汽車。連接模式用kv,t,c表示,其中kv,t,c=1 表示車輛v在時間t與充電樁c連接,否則為零。因此,它滿足?c,t。此外,每個充電樁c都有數(shù)量為的隔離式DC/AC轉(zhuǎn)換器(每個轉(zhuǎn)換器的額定功率為PcEVr,用于給電動汽車充電),這允許充電樁c同時對最大數(shù)量為Ncch連接的電動汽車進行充電/放電。讓Tva和Tvd分別設定電動汽車v的到達時間和離開時間。使用激活指示器來考慮到車輛的到達和離開時間。
公式(5)(6)(7)(8)約束規(guī)定了V2G 運行功率限制:
公式(9)(10)(11)(12)(13)是電池電量演化的約束條件:
其中常數(shù)avB表示電動汽車v的到達電池電量,bv,t表示電動汽車的電池電量作為不同時間t的決策變量,Evtarget是電動汽車的充電需求。假設在長度為?T的每個控制時間間隔內(nèi),電動汽車要么以效率η+v充電,要么以ηv-效率放電,并且在每個時間間隔內(nèi)沒有發(fā)生切換。
公式(14)(15)(16)是每個充電樁的電力交換約束:
其中表示每個充電樁從停車場交流電網(wǎng)獲取電能,表示其向停車場交流電網(wǎng)輸送電能,受其DC/AC交流逆變器端口的額定功率限制。一個二進制變量,用于指示充電樁c是否在時間t從停車場獲取電能或向停車場輸送電能。
公式(17)(18)(19)是停車場從配電網(wǎng)輸入或輸出到配電網(wǎng)的總功率約束條件:
其中ptimp代表輸入功率,ptexp代表輸出功率,分別受ptDN+和ptDN-限制這可由配網(wǎng)運營商等設定。
2.4.2 決策約束和優(yōu)化目標
公式(20)為電動汽車充電需求約束:
其中Tv=Tvd-Tva是電動汽車v的預計停留時間,Bvmax是電動汽車v的最大電池電量,pca是策略保證的平均充電功率。
公式(21)描述了停車場需要滿足的V2G 輸出需求:
其中,Tv2g表示V2G 輸出時間段,即需要V2G 服務的一組時刻,pv2g是承諾的V2G 輸出功率。
公式(22)(23)為未滿足充電需求的電動汽車和輸入電力成本??刂破鞯哪繕耸亲钚』娏Τ杀炯由衔茨軡M足電動汽車充電需求的懲罰。enff表示未滿足充電需求的電動汽車,cimp表示停車場輸入電力成本。其中,Ctbuy為時間t的電網(wǎng)輸入電價,此處?T為15 分鐘,T= (60/15) × 24 = 96。
公式(24)為優(yōu)化目標。其中Cp是未能滿足充電需求的懲罰系數(shù)。這里,Cp設置為與enff相比非常大,因此未滿足充電需求的電動汽車enff的減少將始終優(yōu)先于輸入電力成本cimp的減少。
MILP 的精確算法框架中最核心的是B&B,顧名思義就是將問題分割成若干子問題進行求解,其求解過程則是樹狀的過程。
基本的基于線性規(guī)劃的分支限界是從最初的MILP 開始,首先去除所有的整數(shù)約束,得到的線性規(guī)劃(LP)稱為原始MILP 的線性規(guī)劃松弛。當解這個LP 之后恰巧滿足所有的整數(shù)約束時,那么這個結(jié)果就是原始MILP 的最優(yōu)解,運算結(jié)束。
在本文中,通過把停車場約束、決策約束和優(yōu)化約束問題建模成MILP 問題,運用python 中的SCIP 求解器實現(xiàn)分支限界法,求解已經(jīng)建模成MILP 問題的充電站停車場電動汽車充電樁充放電調(diào)度問題,求解出每一個時間段輸出最優(yōu)功率后再分配給對應時間段進入充電樁充電的電動汽車。
這里取一天各個時間段內(nèi)進入充電站停車場充電的電動汽車數(shù)量變化情況的數(shù)據(jù),停車場車輛變化如圖5 所示。
圖5 停車場車輛變化折線圖
如圖5 所示,從早上5 點左右陸續(xù)有車進入停車場使用充電樁充電;7 點到10 點這個時間段來充電的車輛數(shù)呈增長趨勢,10 點左右才逐漸趨于平緩,11 點左右停車場內(nèi)車輛總數(shù)達到一天內(nèi)的峰值,13 點左右直至24 點停車場內(nèi)電動汽車總量逐步減少。
本文的方法以當前電動汽車充電樁充電普遍使用的恒定功率法實現(xiàn)充電樁的優(yōu)化調(diào)度作對比,恒定功率法即配電網(wǎng)、充電樁等輸入輸出功率保持恒定不變,兩個方法數(shù)據(jù)集都是采用2017 NHTS 數(shù)據(jù)集中的數(shù)據(jù)。不同充放電調(diào)度方法各時間段內(nèi)所用充電費用對比表格如表1 所示,其中充電費用精確到整數(shù),下降率=(恒定功率法電費-分支限界法電費)/恒定功率法電費×100%(0 除外),一天內(nèi)充電費用總下降率為8.22%。
表1 不同方法對電動汽車進行調(diào)度各時間段電費對比詳情
綜上所述,使用分支限界法對電動汽車進行充放電調(diào)度產(chǎn)生的充電費用明顯低于使用恒定功率法實現(xiàn)充電樁充放電調(diào)度產(chǎn)生的充電費用。實驗結(jié)果表明,用分支限界法進行電動汽車充放電調(diào)度減少了充電成本,達到了優(yōu)化電動汽車充放電調(diào)度的目的。
本文使用2017 NHTS 數(shù)據(jù),相比于小規(guī)模的局部采樣數(shù)據(jù)更具有普適性。V2G 充電樁群優(yōu)化調(diào)度使用了精確算法之一的B&B 算法,求解出每一個時間段內(nèi)輸出最優(yōu)功率后再分配給對應時間段內(nèi)進入停車場充電樁充電的電動汽車。通過MPC 模擬電動汽車行程和充電樁調(diào)度來評估停車場V2G 輸出能力和V2G 盈利能力。實驗結(jié)果表明此方法降低了充電站內(nèi)的總充電成本,達到了優(yōu)化電動汽車充放電調(diào)度的目的。