胡超，彭文河，方支劍

（1.華電湖北發(fā)電有限公司，武漢 430063； 2.中國地質大學（武漢） 自動化學院，武漢 430074）

0 引言

2020年，我國明確提出力爭2030年前實現(xiàn)碳達峰，2060 年前實現(xiàn)碳中和的“雙碳”目標，以可再生能源為主體的綠色、低碳、清潔能源體系建設成為我國乃至全世界的能源戰(zhàn)略選擇［1-2］。近年來，我國能源結構不斷向清潔化、多元化轉變［3-4］，其中最具代表性的風電與光伏裝機容量不斷增大。此外，電動汽車（Electric Vehicle，EV）因污染小、效率高等特點，成為近年來的研究熱點［5-7］。

EV 充電具有很強的隨機性，變化的EV 負荷會改變配網(wǎng)的負荷特性，給配網(wǎng)穩(wěn)定運行帶來不利影響。因此，規(guī)劃一體化光儲充電站不僅可以就地消納光伏資源，還能減少充電站對配電網(wǎng)造成的沖擊，實現(xiàn)EV 與可再生能源的銜接，也是建設能源互聯(lián)網(wǎng)戰(zhàn)略的重要舉措［8］。但隨著EV 保有量的不斷增加，由于用戶需求和行為的不確定性，EV 大規(guī)模充電可能會引起配網(wǎng)電能質量下降、峰谷差加劇等［9-10］。為保證系統(tǒng)安全穩(wěn)定運行，有必要研究光儲充電站優(yōu)化調(diào)度策略。

當前，大多數(shù)國家對EV 的充電管理并未規(guī)劃，仍然處于用電充電狀態(tài)，隨著EV 數(shù)量的增多，將會對電網(wǎng)安全運行產(chǎn)生影響，因此，有學者開始研究EV 與電網(wǎng)的交互問題。文獻［11］建立了以低碳排放為目標的風電-EV 調(diào)度模型，驗證了風電與EV結合的有效性。文獻［12］以火力發(fā)電運行成本和二氧化碳排放成本最優(yōu)為目標建立優(yōu)化調(diào)度模型，驗證了該模型可有效促進風電并網(wǎng)。文獻［13］利用車輛到電網(wǎng)（Vehicle to Grid，V2G）技術，控制EV與電網(wǎng)進行能量的互通互動。文獻［14］通過V2G技術根據(jù)電網(wǎng)指令和EV 自身儲能需求進行充放電。綜上所述，通過對EV 進行充放電調(diào)度管理，可有效降低電網(wǎng)峰值期間的供電壓力并為電網(wǎng)提供移動儲能資源。

當前EV 有序充放電調(diào)度主要采用集中控制的管理模式，文獻［15-16］以微網(wǎng)綜合運行成本、光伏利用率以及微網(wǎng)與主電網(wǎng)之間的功率波動為目標，進行充放電優(yōu)化。文獻［17］提出了一種基于充電緊迫性指標的EV 充電協(xié)調(diào)調(diào)度方法，將負載需求從高峰時段轉移到低谷時段。文獻［18］以系統(tǒng)運行成本為目標，建立了考慮EV 靈活性與風電消納的區(qū)域電網(wǎng)多時間尺度調(diào)度方法。文獻［19］針對大規(guī)模EV 無序接入電網(wǎng)給電力系統(tǒng)帶來的負荷壓力問題，提出一種含不確定性電源的EV 有序充放電控制策略。文獻［20］建立了一個以EV 充放電費用最小、EV接入所引起的電網(wǎng)損失最小以及對電壓穩(wěn)定性影響最小為優(yōu)化目標的EV 充放電調(diào)度數(shù)學模型。

以上文獻大都采用集中控制的方式，將優(yōu)化任務集中計算，模式比較簡單，但在大量EV 接入時，可能會出現(xiàn)“維數(shù)災難”，響應速度難以滿足實際需求。因此，本文以光儲充電站作為研究背景，考慮實時電價，提出一種基于光儲充電站的EV 分層充放電優(yōu)化策略。

1 微網(wǎng)內(nèi)部組成單元模型

1.1 EV單體充放電模型

EV被用作儲能元件參與微網(wǎng)系統(tǒng)的電力調(diào)度。EV 到達充電站時，微網(wǎng)可在所需荷電狀態(tài)（State of Charge，SOC）的約束下進行電力調(diào)度，包括EV 用戶所需的SOC值以及充電和放電時間限制。

圖1描述了充電或放電過程中EV 的SOC變化。圖中：SOC，min和SOC，max分別為EV 參與電力調(diào)度時的最小和最大允許SOC 限值；ta和tl分別為EV 到達和離開微網(wǎng)EV 充電站的時間；SOC，s為接入電力系統(tǒng)時的初始SOC 值；SOC，u為用戶所需的SOC 值；A—B—C為EV 參與調(diào)度時SOC 的最大邊界值，表示EV 到達充電站后立即充電，當SOC值達到SOC，max時，EV 充電完成，剩余時間SOC 保持不變；D—E—F為SOC 的最小邊界值，表示EV 立即放電，當SOC 值降至最小值時，放電無法繼續(xù)；如果EV 在充電站中停留很長一段時間，可以保持不充電狀態(tài)，但當?shù)竭_強制充電時間時，須對電池進行充電，充電模式為快充，以確保用戶的出行需求，E—F為強制充電過程。

圖1 單一EV充放電模型Fig.1 Charging/discharging model of a single EV

EV狀態(tài)可以描述為

EV 參與電力調(diào)度的約束如下（EV 不可同時充放電）

式中：SOC，min，SOC，max分別為EV最小、最大荷電狀態(tài)。

1.2 儲能電池充放電模型

由于儲能成本過高，為了提高其經(jīng)濟性，考慮分時電價的影響，在低電價時段買入電能，在平價或高價時段賣出電能，獲取售電收益。

儲能電池荷電狀態(tài)為

1.3 EV充放電動態(tài)電價模型

在配電網(wǎng)系統(tǒng)中，分時電價可以有效顯示各時段負荷水平，但EV 加入微網(wǎng)中后，微網(wǎng)負荷特性發(fā)生變化，電價水平與負荷水平不匹配，不能有效引導EV 進行充放電；同時，采用分時電價會導致EV出現(xiàn)集群效應，出現(xiàn)新的負荷尖峰。因此，為了解EV是否有效消納微網(wǎng)中的光伏出力，提出基于微網(wǎng)負荷、光伏出力與EV負荷相匹配的動態(tài)電價機制。

（1）EV 放電激勵調(diào)度價格動態(tài)更新策略。EV放電激勵調(diào)度價格綜合考慮微網(wǎng)運行特點，由微網(wǎng)根據(jù)削峰填谷需求和EV 充電率進行更新，更新策略如下。

式中：pdi，t為t時段微網(wǎng)的EV 放電激勵調(diào)度價格；pbd為EV 基礎放電激勵調(diào)度價格，取0.35 元/（kW·h）；為EV放電激勵調(diào)度價格調(diào)整系數(shù)，電網(wǎng)出現(xiàn)峰值需求時為正，否則為0。

式中：rd為微網(wǎng)放電激勵價格調(diào)節(jié)系數(shù)分別為微網(wǎng)削峰系數(shù)和EV 激勵系數(shù)；Pa為EV 平均充電功率；ηt為EV 充電樁利用率，為充分激發(fā)EV 的調(diào)度潛力，利用率較高時應給予更多的激勵補貼，因此設定了3 個折扣范圍；kds1t，kds2t，kds3t為不同區(qū)間的激勵力度；為利用率區(qū)間；Ns為微網(wǎng)EV 的充電樁數(shù)量，實際情況中往往是一樁一車為電動汽車充電站充電總功率為微網(wǎng)負荷。

（2）EV 充電價格的動態(tài)更新策略。EV 充電服務費由微網(wǎng)制定和更新，根據(jù)微網(wǎng)運行狀態(tài)、光伏輸出功率和EV充電率進行動態(tài)調(diào)整。

式中：rc為微網(wǎng)的充電服務費調(diào)節(jié)系數(shù)為EV 調(diào)節(jié)系數(shù)，為了降低EV 用戶的充電成本，利用率較高時應給予更多的折扣，設定了3 個折扣范圍；，分別為不同范圍的折扣系數(shù)和為充電樁利用率范圍為微網(wǎng)的填谷系數(shù)和分別為微網(wǎng)負荷的最大值和最小值為光伏與EV充電負荷的匹配系數(shù)；為光伏功率。

（3）電價限制。

2 光儲充電站優(yōu)化架構與策略

2.1 光儲充電站優(yōu)化架構

光儲充電站調(diào)度框架如圖2所示，將系統(tǒng)分為3層調(diào)度系統(tǒng)，其中最底層為光儲充電站，中間層為微網(wǎng)系統(tǒng)，最上層為配網(wǎng)系統(tǒng)。首先，光儲充電站將EV 的充放電需求上傳給微網(wǎng)，微網(wǎng)以運行成本、EV調(diào)度成本最小以及聯(lián)絡線功率波動最小為目標，考慮電力供需平衡約束、聯(lián)絡線功率限制、EV 和儲能功率約束進行優(yōu)化；然后，將優(yōu)化后的聯(lián)絡線功率上傳給配網(wǎng)系統(tǒng)，配網(wǎng)進行潮流計算并將潮流約束信息返回給微網(wǎng)，如果潮流越限，微網(wǎng)重新進行優(yōu)化，直到優(yōu)化結果滿足所有層級的約束；最后，將EV 充放電計劃返回給光儲充電站，實現(xiàn)EV 的有序充放電控制。

圖2 光儲充電站調(diào)度框架Fig.2 Structure of the PV-power storage charging station

2.2 底層EV調(diào)度模型

要對EV 進行調(diào)度，必須綜合考慮EV 的SOC、停車時長、車主意愿以及調(diào)度結束時EV 的荷電狀態(tài)能否滿足車主未來的出行需求。當車主拒絕調(diào)度時，EV充電功率不變，按照原計劃進行充電；當車主接受調(diào)度時，通過以下公式判斷是否滿足參與的調(diào)度條件。

式（12）和式（13）分別為EV 的電池約束和時間約束，若EV 在有限的停留時間內(nèi)持續(xù)充電未能達到預期的荷電狀態(tài)，應立即為EV進行充電。

當滿足EV 調(diào)度約束時，計算EV 的可調(diào)度能力，為防止電池過充，t時段EV的可充電最大功率為

評估EV 的放電能力時，需保證EV 出行時滿足預期電量并防止EV 過放，t時段EV 的可放電最大功率為

2.3 微網(wǎng)目標函數(shù)與約束條件

2.3.1 系統(tǒng)運行成本

系統(tǒng)運行成本包括EV 的調(diào)度成本和微網(wǎng)與配網(wǎng)的互動成本。

式中：C為微電網(wǎng)運行成本；CG為微網(wǎng)與配網(wǎng)之間的交互成本；CEV為EV調(diào)度成本。

EV和配網(wǎng)之間的互動成本可以描述為

式中：PG為充電站與主電網(wǎng)之間的傳輸功率，正值表示配網(wǎng)向充電站傳輸電力，負值表示配網(wǎng)從充電站吸收電力；pt為t時段的電價，正值表示充電站在購買電力，負值表示充電站在出售電力。

EV的調(diào)度成本為

式中：Nf為EV充電的數(shù)量。

2.3.2 微網(wǎng)優(yōu)化調(diào)度目標

微網(wǎng)能量優(yōu)化調(diào)度目標是使t時刻的聯(lián)絡線功率波動最小。

綜上所述，微網(wǎng)綜合優(yōu)化目標函數(shù)為

式中：w1，w2分別為C和ΔP的權重系數(shù)。

2.3.3 約束條件

本文主要考慮電力供需平衡約束、微網(wǎng)與主電網(wǎng)之間的線路傳輸能力約束和EV 的充放電功率約束。

（1）電力供需平衡約束。

（2）傳輸功率的限制。微電網(wǎng)與主電網(wǎng)連接需要簽署電力傳輸協(xié)議，微電網(wǎng)與主電網(wǎng)之間的傳輸功率不能超過限制。

（3）儲能功率限制。

式中：Pc，max，Pd，max分別為儲能充電、放電最大功率。

3 算例仿真

3.1 算例參數(shù)

采用圖3所示的IEEE 33節(jié)點系統(tǒng)，系統(tǒng)基準功率為10 MV·A，基準電壓為12.66 kV，總負荷為3.715 MW+j2.30 MV·A，總有功網(wǎng)損為0.199 8 MW。將微網(wǎng)接入節(jié)點6。微網(wǎng)常規(guī)負荷、光伏出力以及分時電價如圖4所示。

圖3 IEEE 33節(jié)點系統(tǒng)Fig.3 IEEE 33 node system

圖4 微網(wǎng)常規(guī)負荷、光伏出力及分時電價Fig.4 Microgrid loads， PV outputs and time-of-use tariff

以自適應充電網(wǎng)絡（Adaptive Charging Network，ACN）提供的充電站實際充電數(shù)據(jù)為基礎，隨機抽取其中一天的數(shù)據(jù)，以5 min 為步長進行仿真，中間層采用自適應粒子群算法進行求解。

3.2 仿真分析

為了直觀地反映光儲充電站EV 分層優(yōu)化調(diào)度方案的控制效果，本文進行了基于分層的光儲充電站EV 優(yōu)化調(diào)度仿真及基于無序充電的光儲充電站分層優(yōu)化仿真。

（1）基于分層的光儲充電站EV 優(yōu)化調(diào)度仿真的EV 調(diào)度后的充放電負荷、儲能充放電功率、微網(wǎng)調(diào)度前后的負荷曲線、配網(wǎng)節(jié)點電壓電流和網(wǎng)損以及調(diào)度結束后EV的SOC如圖5—11所示。

圖5 EV調(diào)度前后的充電負荷Fig.5 EV charging loads before and after the schedule

從圖5 和圖7 可以看出，微網(wǎng)的負荷高峰主要集中在15：00—19：00，通過控制EV 在這個時段的放電，緩解了微網(wǎng)供電壓力，實現(xiàn)了對微網(wǎng)負荷的削峰，微網(wǎng)負荷方差減少了24.93%。從圖6 可以看出，儲能系統(tǒng)在低電價時段進行充電，在電價平價和高價時段進行放電，主要集中在15：00—19：00進行放電，有效緩解了微網(wǎng)的供電壓力，實現(xiàn)了負荷的“移峰”。由圖8—9可以看出，優(yōu)化后的配電網(wǎng)節(jié)點電壓和電流均沒有越限。由圖10可以看出，通過對光儲充電站和配網(wǎng)的協(xié)同優(yōu)化，配網(wǎng)網(wǎng)損沒有出現(xiàn)急劇變化。從圖11 可以看出，調(diào)度后的EV 可以滿足車主的出行需求，沒有出現(xiàn)失配情況。

圖6 儲能系統(tǒng)充放電功率Fig.6 Charging and discharging power of the energy storage system

圖7 微網(wǎng)調(diào)度前后的負荷Fig.7 Microgrid loads before and after the schedule

圖8 配網(wǎng)節(jié)點電壓Fig.8 Distribution of network node voltage

圖9 配網(wǎng)節(jié)點電流Fig.9 Distribution of network node current

圖10 配網(wǎng)網(wǎng)損Fig.10 Network loss

圖11 調(diào)度結束后EV的SOCFig.11 SOC of the EV after the schedule

（2）EV 采用無序充電模式，EV 充放電成本及微網(wǎng)優(yōu)化成本見表1。通過表1 可以看出，對EV 進行有序充放電，可以極大地優(yōu)化配網(wǎng)網(wǎng)損，降低EV 充電成本及微網(wǎng)優(yōu)化成本。

表1 EV充放電成本及微網(wǎng)優(yōu)化成本Table 1 Charging cost of EVs and optimization cost of the microgrid元

4 結束語

本文以光儲充電站為研究背景，考慮實時電價，提出一種基于光儲充電站的EV 分層充放電優(yōu)化策略。從仿真結果可以看出，EV 的接入起到了“削峰填谷”的作用，極大減少了EV 充電成本和微網(wǎng)優(yōu)化成本并可以滿足車主的出行需求，驗證了本文提出的優(yōu)化調(diào)度策略的可行性和有效性。