陳業(yè)夫，王欽，蔡新雷，喻振帆，宋東闊

（1.廣東電網(wǎng)有限責(zé)任公司電力調(diào)度控制中心，廣州 510277；2.國電南瑞科技股份有限公司，南京 211106）

0 引言

隨著“雙碳”戰(zhàn)略目標(biāo)的推進(jìn)，我國電網(wǎng)正加速向清潔化、智能化的新型電力系統(tǒng)轉(zhuǎn)型。為了實(shí)現(xiàn)這一目標(biāo)，必須推進(jìn)源荷端可調(diào)節(jié)資源的協(xié)同調(diào)度。風(fēng)電作為一種技術(shù)較成熟、裝機(jī)容量較大、可調(diào)度能力較強(qiáng)的源端可調(diào)節(jié)資源，在國內(nèi)外得到了快速發(fā)展［1］。同時，電動汽車作為一種常見的荷端可調(diào)節(jié)資源，具有清潔、無污染排放的特性，在民用汽車領(lǐng)域的滲透率快速提高。但鑒于風(fēng)電與電動汽車的強(qiáng)隨機(jī)特性，如果二者不加調(diào)控地大規(guī)模并網(wǎng)會對電力系統(tǒng)的安全運(yùn)行帶來極大威脅［2］，因此，應(yīng)利用電動汽車自身的儲能特性，將其與風(fēng)電進(jìn)行協(xié)同調(diào)度，減少對電網(wǎng)的沖擊。單輛電動汽車可調(diào)節(jié)能力極弱，故常用EVPP（電動汽車虛擬電廠）技術(shù)將單臺容量小、數(shù)量眾多的電動汽車聚合為數(shù)個集群［3］，將集群作為虛擬儲能設(shè)備統(tǒng)一調(diào)度，以向電網(wǎng)提供足夠的靈活性與調(diào)度空間［4］，在滿足用戶出行需求的前提下減小電網(wǎng)負(fù)荷的峰谷差并實(shí)現(xiàn)對風(fēng)電等新能源的消納。

目前，學(xué)界在電動汽車與風(fēng)電等新能源協(xié)同優(yōu)化調(diào)度領(lǐng)域已取得相當(dāng)多的研究成果。文獻(xiàn)［1］對電動汽車進(jìn)行空間聚類分群，并建立了考慮風(fēng)電消納的電動汽車充電電價時段劃分模型。文獻(xiàn)［5］引入聚合商模型，在考慮風(fēng)電不確定性的基礎(chǔ)上建立優(yōu)化模型，引導(dǎo)電動汽車有序充放電。文獻(xiàn)［6-7］考慮到風(fēng)電的不確定性，利用魯棒優(yōu)化提出了電動汽車的調(diào)度模型。文獻(xiàn)［8］基于電動汽車的儲能特性，構(gòu)建了含電動汽車及新能源的經(jīng)濟(jì)調(diào)度模型。文獻(xiàn)［9-10］通過引導(dǎo)電動汽車有序充放電補(bǔ)償風(fēng)電的不確定性，實(shí)現(xiàn)風(fēng)電的消納。上述文獻(xiàn)采用的控制方式可以分為集中式控制與分布式控制兩種。集中式控制沒有將規(guī)?；妱悠嚪秩?，求解算法的優(yōu)化變量維數(shù)較高，算法性能低下。而分布式控制方法雖將電動汽車進(jìn)行分群，但分群指標(biāo)并不全面，難以全方位衡量電動汽車的調(diào)控潛力，影響電動汽車集群劃分方法的科學(xué)性與消納風(fēng)電的能力。

電動汽車用戶的參與度與滿意度在電動汽車和新能源協(xié)同優(yōu)化調(diào)度過程中起著關(guān)鍵作用［11］。為此，研究者普遍采用電價策略作為電動汽車優(yōu)化調(diào)度過程中的需求響應(yīng)激勵手段。文獻(xiàn)［12］提出了電動汽車負(fù)荷的最大調(diào)度潛力模型，通過仿真證明了分時電價機(jī)制對于引導(dǎo)電動汽車參與電網(wǎng)削峰填谷的作用。文獻(xiàn)［13-14］提出了一種綜合考慮系統(tǒng)負(fù)載條件、最大功率限制和用戶負(fù)載價格的新的電動汽車V2G（車網(wǎng)互動）定價策略，實(shí)現(xiàn)了運(yùn)營商與用戶的利益最大化。文獻(xiàn)［15-16］提出了電動汽車充電負(fù)荷與電價聯(lián)動優(yōu)化模型，以用戶成本最小等為目標(biāo)優(yōu)化電動汽車的充放電負(fù)荷。文獻(xiàn)［17］考慮電動汽車的風(fēng)電消納量與電價補(bǔ)貼，制定了激勵電價以提高電動汽車的響應(yīng)度。但上述文獻(xiàn)提出的電價策略直接用于全體電動汽車，忽視了電動汽車個體間的差異，對調(diào)控潛力較低的電動汽車給與高電價補(bǔ)貼造成浪費(fèi)，對調(diào)控潛力較高的電動汽車給與低電價補(bǔ)貼造成其積極性不高。因此，這種未進(jìn)行電動汽車分群的電價策略不利于引導(dǎo)電動汽車參與風(fēng)電的消納。

基于以上分析研究，本文針對含風(fēng)電系統(tǒng)提出了基于電動汽車調(diào)控潛力評估的電動汽車充放電優(yōu)化調(diào)度策略。在建立規(guī)?；妱悠嚺c風(fēng)電協(xié)同調(diào)度的總體框架的基礎(chǔ)上，提出規(guī)模化電動汽車的調(diào)控潛力評估模型，按照調(diào)控潛力的大小對電動汽車進(jìn)行分群；建立考慮電動汽車集群差異與風(fēng)電消納的分群分時電價模型，在提高用戶響應(yīng)度的同時避免電價補(bǔ)貼浪費(fèi)；提出一種綜合考慮電網(wǎng)總負(fù)荷峰谷差與電動汽車用戶充電費(fèi)用最低的優(yōu)化模型，最大化電網(wǎng)及電動汽車用戶的利益。最后結(jié)合實(shí)例對所提方法進(jìn)行驗(yàn)證，采用廣東某區(qū)域電網(wǎng)的實(shí)際數(shù)據(jù)，使用YALMIP 工具箱調(diào)用CPLEX求解器進(jìn)行仿真，驗(yàn)證所提方法的有效性。

1 規(guī)?；妱悠嚺c風(fēng)電協(xié)同調(diào)度總體框架

風(fēng)電出力對外大多表現(xiàn)出反調(diào)峰特性，即風(fēng)電出力的峰值和低谷分別出現(xiàn)在電網(wǎng)負(fù)荷的低谷和峰值時段，導(dǎo)致電網(wǎng)棄風(fēng)與峰谷差值大幅升高［18］。因此，為了減少新能源的強(qiáng)不確定性給電網(wǎng)安全運(yùn)行帶來的沖擊，更好地消納風(fēng)電等新能源，電網(wǎng)調(diào)度中心需要通過使用合理的策略控制電動汽車的充放電行為。電動汽車接入充電站后，電網(wǎng)調(diào)度中心將根據(jù)此時電網(wǎng)負(fù)荷情況設(shè)置電動汽車的充放電狀態(tài)，讓電動汽車的充電時段盡可能避開電網(wǎng)等效負(fù)荷的高峰，并將充電負(fù)荷移至電網(wǎng)等效負(fù)荷的低谷時段。但由于城市電網(wǎng)中電動汽車基數(shù)過大，若將每輛電動汽車作為一個控制變量“一對一”制定調(diào)度策略極易導(dǎo)致維數(shù)災(zāi)難［19］。

為解決這一問題，更好地引導(dǎo)電動汽車消納風(fēng)電等新能源，本文以調(diào)控潛力大小作為規(guī)?；妱悠嚪秩旱囊罁?jù)，并由電網(wǎng)調(diào)度中心根據(jù)下一時段的風(fēng)電消納需求與電網(wǎng)負(fù)荷情況，針對每個集群分別制定分群分時電價，即電動汽車集群所具有的調(diào)控潛力越高，電網(wǎng)給與該集群的電價補(bǔ)貼也越高，其響應(yīng)電網(wǎng)調(diào)度的積極性也越高，在提高用戶滿意度的同時促進(jìn)風(fēng)電消納與削峰填谷。同時，本文選取EVLA（電動汽車負(fù)荷聚合商）作為連接電網(wǎng)調(diào)度中心與電動汽車用戶之間的樞紐。作為電網(wǎng)調(diào)度中心與電動汽車用戶之間進(jìn)行充放電信息與調(diào)度指令雙向溝通的主體，EVLA 可以極大地提高有限資源的配置水平，破解現(xiàn)有的需求響應(yīng)手段主要依靠用戶自行參加的局限性［20］。電網(wǎng)調(diào)度中心將每一個電動汽車集群分別交由一個EVLA 管理，實(shí)現(xiàn)對規(guī)模化電動汽車充放電行為的控制。

規(guī)模化電動汽車參與電網(wǎng)調(diào)度總體架構(gòu)如圖1所示。本文將一天作為一個調(diào)度周期，一個調(diào)度周期的調(diào)度時段個數(shù)T=96。在一個調(diào)度時段內(nèi)，充電站的充電服務(wù)管理系統(tǒng)讀取每輛在網(wǎng)電動汽車的電池信息，結(jié)合用戶輸入的預(yù)計離開時間與期望SOC（荷電狀態(tài)）評估所有電動汽車的調(diào)控潛力，據(jù)此完成電動汽車集群的劃分，并將信息傳輸給管理該集群的EVLA；EVLA 收集完電動汽車集群的信息后將其上報電網(wǎng)調(diào)度中心；電網(wǎng)調(diào)度中心對下一時段內(nèi)的出力值與負(fù)荷值進(jìn)行實(shí)時預(yù)測，結(jié)合預(yù)測數(shù)據(jù)與EVLA 上報的電動汽車集群信息，制定下一時段電動汽車調(diào)度計劃并下發(fā)給中間的EVLA指導(dǎo)充電站實(shí)施。

圖1 規(guī)?；妱悠噮⑴c電網(wǎng)調(diào)度總體架構(gòu)Fig.1 The general architecture of large-scale EV's participation in power grid scheduling

定義電網(wǎng)等效負(fù)荷為基礎(chǔ)負(fù)荷、風(fēng)電出力與火電出力的疊加，其曲線如圖2所示。在需求響應(yīng)等手段的引導(dǎo)與EVLA 的統(tǒng)一管理下，電動汽車集群在系統(tǒng)負(fù)荷高峰時向電網(wǎng)放電，削減區(qū)域1與區(qū)域2的負(fù)荷值以拉低系統(tǒng)負(fù)荷高峰曲線，并在系統(tǒng)負(fù)荷低谷時進(jìn)行充電，填補(bǔ)區(qū)域3的負(fù)荷值以抬升系統(tǒng)負(fù)荷低谷曲線，使得系統(tǒng)等效負(fù)荷的峰谷差從ΔP1降至ΔP2，有效緩解含風(fēng)電系統(tǒng)在具有反調(diào)峰特性的風(fēng)電并網(wǎng)情況下的削峰填谷壓力。

圖2 電動汽車集群參與風(fēng)電消納Fig.2 EV clusters participating in wind power consumption

2 規(guī)?；妱悠嚨恼{(diào)控潛力評估模型

電動汽車的調(diào)控潛力受到多種因素的影響。為更科學(xué)地衡量電動汽車所具有的調(diào)控潛力，本文從時間和空間兩個角度出發(fā)，分別提出電動汽車的可調(diào)度時間評估指標(biāo)與可調(diào)度容量評估指標(biāo)，將二者結(jié)合提出調(diào)控潛力評估總指標(biāo)，以此為依據(jù)進(jìn)行規(guī)?；妱悠嚨募簞澐?。

2.1 電動汽車可調(diào)度時間評估指標(biāo)

第i輛電動汽車充電所需時長Tneed，i定義為其充電預(yù)計所需電量與充電功率的比值，表達(dá)式如下：

式中：S0，i為第i輛電動汽車的起始SOC 值；Saim，i為第i輛電動汽車的目標(biāo)SOC 值；Ei為第i輛電動汽車的電池容量；Pcha為電動汽車的充電功率；ηcha為電動汽車的充電效率。

第i輛電動汽車的停留時間Tstay，i的表達(dá)式為：

式中：tdep，i為第i輛電動汽車的預(yù)計離開時間；tarr，i為第i輛電動汽車的到達(dá)時間。tdep，i

第i輛電動汽車的可調(diào)度時間Tadj，i的表達(dá)式如下：

綜上，第i輛電動汽車的可調(diào)度時間評估指標(biāo)Ctime，i的表達(dá)式如下：

2.2 電動汽車可調(diào)度容量評估指標(biāo)

電動汽車的可調(diào)度空間采用可調(diào)度容量衡量。在一般的評估模型中，可調(diào)度容量一般等價于電動汽車的預(yù)計所需充電量，但后者實(shí)際上是可調(diào)度時間指標(biāo)計算公式的一部分，影響電動汽車調(diào)控潛力評估的科學(xué)性。為此，本文提出一種新的電動汽車可調(diào)度容量評估指標(biāo)。

定義CEV，i為第i輛電動汽車的平均可調(diào)度功率影響因子，Cequ，l為第i輛電動汽車的平均等效負(fù)荷影響因子，則有：

式中：Pequ，i為第i輛電動汽車在接入時段內(nèi)除電動汽車負(fù)荷外的電網(wǎng)等效負(fù)荷的平均值；Pwind，l、Pther，l、Pbase，l分別為第l個時段的風(fēng)電出力、火電機(jī)組出力與基礎(chǔ)負(fù)荷；Ni，l為第i輛電動汽車接入時段電網(wǎng)中接入的電動汽車總數(shù)量。

定義Cvol，i為第i輛電動汽車的可調(diào)度容量評估指標(biāo)，其表達(dá)式為：

2.3 電動汽車調(diào)控潛力評估總指標(biāo)

電動汽車調(diào)控潛力評估總指標(biāo)衡量了電動汽車在可調(diào)度時間指標(biāo)與可調(diào)度容量指標(biāo)上的綜合表現(xiàn)。第i輛電動汽車的調(diào)控潛力評估總指標(biāo)為：

3 基于調(diào)控潛力評估的規(guī)?；妱悠嚪秩翰呗耘c分群分時電價模型

為盡可能規(guī)避集中式控制帶來的維數(shù)災(zāi)難等問題，本文基于調(diào)控潛力的大小將規(guī)模化電動汽車分群，以集群為單位進(jìn)行電動汽車的調(diào)度，使優(yōu)化模型中控制變量的維數(shù)等于電動汽車集群的個數(shù)，大大降低了求解難度。同時，集群內(nèi)電動汽車個體調(diào)控潛力的相似性保證了集群調(diào)度的統(tǒng)一性，便于規(guī)?；妱悠噮⑴c風(fēng)電等新能源的消納。

3.1 規(guī)?；妱悠嚪秩翰呗?/h3>

根據(jù)規(guī)模化電動汽車調(diào)控潛力評估模型生成的評估結(jié)果，將所有接入電網(wǎng)的電動汽車進(jìn)行科學(xué)分群?？紤]到電網(wǎng)在不同調(diào)度場景中對規(guī)?；妱悠嚨目烧{(diào)度時間與可調(diào)度容量有著不同的調(diào)度需求，因此定義---→----為電動汽車分群權(quán)重向量，表示電網(wǎng)調(diào)度時的側(cè)重，表達(dá)式為：

式中：α和β分別為可調(diào)度時間評估指標(biāo)和可調(diào)度容量評估指標(biāo)的權(quán)值。

定義Cdiv，i為第i輛電動汽車的分群指標(biāo)，表達(dá)式為：

規(guī)?；妱悠嚰簞澐衷瓌t如下：

1）將所有電動汽車劃分為不可調(diào)度大類和可調(diào)度大類，劃分的主要依據(jù)是電動汽車是否愿意接受電網(wǎng)調(diào)度及具備V2G 條件［21］，具體劃分規(guī)則為：

若第i輛電動汽車的充電所需時長Tneed，i與停留時間Tstay，i滿足式（12）且愿意接受電網(wǎng)調(diào)度，則將其劃分到可調(diào)度大類。

反之，若該電動汽車不愿意接受電網(wǎng)調(diào)度或者不具備V2G條件，則將其劃分到不可調(diào)度大類。

2）將所有屬于可調(diào)度大類的電動汽車進(jìn)一步劃分為4個集群，劃分規(guī)則為4個集群所轄的電動汽車數(shù)量之比約為1∶1∶1∶1，按照分群指標(biāo)Cdiv，i的大小，給4個集群分別指定集群編號k為1、2、3、4。

3）將所有屬于不可調(diào)度大類的電動汽車劃入同一個集群，集群編號k=5。對該集群中的電動汽車j，定義其分群指標(biāo)Cdiv，j為：

3.2 分群分時電價數(shù)學(xué)模型

當(dāng)前，分時電價憑借其可以改善負(fù)荷特性的優(yōu)勢，已被廣泛用于引導(dǎo)用戶參與充放電功率調(diào)控等電網(wǎng)調(diào)度活動中。分時電價的設(shè)置會對分群分時電價在引導(dǎo)用戶參與電網(wǎng)調(diào)度及加強(qiáng)電網(wǎng)運(yùn)行安全性等方面產(chǎn)生巨大影響。

目前，廣東地區(qū)分時電價的設(shè)置是基本保持不變的。此類固定的分時電價雖然有助于負(fù)荷功率預(yù)測并在某些情況下激勵用戶參與調(diào)峰，但在廣東地區(qū)大量海上風(fēng)電接入電網(wǎng)的背景下難以適應(yīng)電力系統(tǒng)負(fù)荷大幅變化的情況［22］，不利于電網(wǎng)消納風(fēng)電，影響電網(wǎng)削峰填谷的效果。

為了提高電動汽車用戶響應(yīng)電網(wǎng)調(diào)度的積極性，本文在充分考慮風(fēng)電出力不確定性的情況下，針對含風(fēng)電系統(tǒng)中的電動汽車用戶制定了一種充電場景下的分群分時電價方案。該方案綜合考慮各集群調(diào)控潛力大小與電網(wǎng)風(fēng)電消納需求，對各個集群進(jìn)行差異化的充電電價補(bǔ)貼，實(shí)現(xiàn)在提高各集群對電網(wǎng)調(diào)度響應(yīng)度的同時避免電價補(bǔ)貼的浪費(fèi)。

設(shè)Zk，l為第k個電動汽車集群在第l個時段的充電電價，其數(shù)學(xué)表達(dá)式為：

式中：cl為第l個時段的峰谷基礎(chǔ)電價；Ilevel，k，l為第k個集群的調(diào)控潛力激勵因子；δp，l為風(fēng)電消納激勵因子，l=1，2，3，…，T。

式中：a和b為常量參數(shù)，由各地方電網(wǎng)結(jié)合本地實(shí)際情況選?。籒k，l為第k個電動汽車集群在第l個時段所轄的電動汽車數(shù)量。

4 計及規(guī)?；妱悠囌{(diào)控潛力的含風(fēng)電系統(tǒng)優(yōu)化調(diào)度策略

在電動汽車參與電網(wǎng)調(diào)度的情況下，不僅需要保證含風(fēng)電系統(tǒng)的安全運(yùn)行，也要兼顧電動汽車用戶的充電成本。為此，本文在風(fēng)電出力不確定性和電動汽車充電負(fù)荷約束的基礎(chǔ)上，建立了以電網(wǎng)峰谷差最小和用戶充電成本最低為目標(biāo)的函數(shù)，指導(dǎo)電動汽車集群進(jìn)行有序充放電。

4.1 目標(biāo)函數(shù)

電網(wǎng)總負(fù)荷定義為火電機(jī)組出力、風(fēng)電預(yù)測出力、電動汽車充放電負(fù)荷、基礎(chǔ)負(fù)荷四者的疊加，常作為衡量電網(wǎng)調(diào)峰措施有效性的重要依據(jù)。因此選取電網(wǎng)總負(fù)荷峰谷差為目標(biāo)函數(shù)F1，表達(dá)式為：

式中：Pmax和Pmin分別為電網(wǎng)總負(fù)荷的最大值與最小值。

電動汽車用戶滿意度可通過用戶充電費(fèi)用衡量。本文中，電動汽車的充電費(fèi)用按照分群分時電價方案收取。選取電動汽車用戶的總和充電成本為目標(biāo)函數(shù)F2，表達(dá)式為：

式中：Pdis為電動汽車的放電功率；pd，k，l為第k個電動汽車集群在第l個時段的放電電價；δc，k，l和δd，k，l分別為第k個電動汽車集群在第l個時段的充電狀態(tài)與放電狀態(tài)。

為消除量綱影響，采用線性加權(quán)法將多目標(biāo)優(yōu)化問題轉(zhuǎn)化為單目標(biāo)優(yōu)化問題并進(jìn)行歸一化，轉(zhuǎn)化后的目標(biāo)函數(shù)為：

式中：F1max和F2max分別為電動汽車無序充電情況下電網(wǎng)負(fù)荷峰谷差與用戶充電費(fèi)用；ω1和ω2分別為目標(biāo)函數(shù)F1與F2的權(quán)重系數(shù)。

4.2 約束條件

1）電動汽車充電電價約束

任意電動汽車集群在任意時段l內(nèi)的充電電價應(yīng)限制在充電基礎(chǔ)電價范圍內(nèi)，即：

式中：cl，min和cl，max分別為峰谷基礎(chǔ)電價的下限與上限。

2）電動汽車集群充放電唯一性約束

為方便管理，同一個電動汽車集群統(tǒng)一進(jìn)行充放電調(diào)度，且同一個時段一個集群不能同時處于充電或者放電狀態(tài)，即：

3）電動汽車集群充放電功率約束

電動汽車集群每個時段的充放電功率應(yīng)小于該時段集群所轄電動汽車的充放電功率總和，即：

式中：Pk，l為第k個電動汽車集群在第l個時段的充放電功率。

4）電動汽車集群SOC約束

任意電動汽車集群在任意時段的平均SOC 應(yīng)限制在一定范圍內(nèi)，即：

5）電動汽車集群充電量約束

為保證電動汽車的出行需求，集群k的充放電電量總和不得低于總的充電需求，即：

式中：Ek為所有時段內(nèi)第k個電動汽車集群充放電電量的總和；Nk為第k個電動汽車集群所有電動汽車的總數(shù)。

5 算例分析

5.1 參數(shù)設(shè)置

CPLEX 是一種具有強(qiáng)魯棒性、高優(yōu)化效率、不會陷入局部最優(yōu)解等特性的高性能求解器，適用于求解本文提出的優(yōu)化模型。本文通過YALMIP 工具箱調(diào)用CPLEX 在96 個調(diào)度時段分別對所提出的多目標(biāo)優(yōu)化模型進(jìn)行求解，得到每個時段電動汽車的最優(yōu)調(diào)度計劃，驗(yàn)證所提出的優(yōu)化調(diào)度模型的有效性。

采用廣東某區(qū)域電網(wǎng)的實(shí)際數(shù)據(jù)進(jìn)行仿真驗(yàn)證，其中電網(wǎng)日基礎(chǔ)負(fù)荷如圖3所示。區(qū)域電網(wǎng)包含10 臺總裝機(jī)容量為1 500 MW 的常規(guī)火電機(jī)組及1個150 MW的風(fēng)電場。所有負(fù)荷均由火電機(jī)組與風(fēng)電提供。

圖3 電網(wǎng)日基礎(chǔ)負(fù)荷Fig.3 Daily basic load of the power grid

電網(wǎng)等效功率定義為電網(wǎng)日基礎(chǔ)負(fù)荷與火電機(jī)組最小出力之和，等效負(fù)荷定義為等效功率與風(fēng)電出力之和。具有反調(diào)峰特性的風(fēng)電出力曲線、電網(wǎng)等效功率曲線和等效負(fù)荷曲線如圖4所示。

圖4 等效功率曲線、風(fēng)電出力曲線與等效負(fù)荷曲線Fig.4 The equivalent power curve，wind power output curve and equivalent load curve

本文的研究對象為采用慢充方式進(jìn)行充電的私家電動汽車，并假設(shè)所有電動汽車型號一致且均配有對應(yīng)的充電樁；由于設(shè)置了電價補(bǔ)貼，因此假設(shè)所有電動汽車用戶均愿意接受調(diào)度；設(shè)置了5 個EVLA 分別指導(dǎo)5 個電動汽車集群的充放電。根據(jù)美國家庭車輛行駛調(diào)查數(shù)據(jù)，采用蒙特卡洛法生成了3 000 輛電動汽車的充電開始時間、起始SOC值等基礎(chǔ)負(fù)荷數(shù)據(jù)。本文采用了文獻(xiàn)［1］所提供的電動汽車參數(shù)值，具體如表1所示。

表1 電動汽車參數(shù)值Table 1 Parameter values of EV

電動汽車的充電基礎(chǔ)電價采用廣東電網(wǎng)設(shè)置的廣州市峰谷電價，如表2所示。

表2 電動汽車充電電價Table 2 Charging tariff of EV

所有新入網(wǎng)電動汽車調(diào)控潛力評估的分群權(quán)重向量中參數(shù)α與β均取0.5；為了體現(xiàn)對電網(wǎng)負(fù)荷優(yōu)化目標(biāo)的重視程度，目標(biāo)函數(shù)F1的權(quán)重系數(shù)ω1=0.6，F(xiàn)2的權(quán)重系數(shù)ω2=0.4；各電動汽車集群的充電電價下限cl，min=0.236，上限cl，max=1.058；分群分時電價的常量參數(shù)a和b均取3；為最大程度延長電動汽車電池的壽命，本文取Smin=0.2，Smax=0.9。

5.2 結(jié)果分析

圖5 各個電動汽車集群的平均調(diào)控潛力評估總指標(biāo)Fig.5 General indicators for the assessment of the average regulatory potential of EV clusters

根據(jù)規(guī)模化電動汽車的調(diào)控潛力評估結(jié)果，得到各個電動汽車集群的分群分時電價如圖6所示。

圖6 電動汽車分群分時電價Fig.6 Clustering-based ToU price for EVs

電網(wǎng)等效負(fù)荷曲線與電動汽車負(fù)荷曲線如圖7所示，可以看出：

圖7 不同條件下電網(wǎng)等效負(fù)荷與電動汽車負(fù)荷曲線Fig.7 Curves of equivalent load of power grid and EV load under different conditions

1）無序充電下，等效負(fù)荷指電網(wǎng)原等效負(fù)荷與電動汽車無序充電負(fù)荷的疊加值。

2）有序充放電下，等效負(fù)荷指電網(wǎng)原等效負(fù)荷與電動汽車有序充放電負(fù)荷的疊加值。

3）電動汽車無序充電指電網(wǎng)將立即為接入的電動汽車充電至Saim，i或時間達(dá)到預(yù)計離開時間tdep，i的情況。

4）電動汽車有序充放電指電網(wǎng)采用本文所提策略控制電動汽車有序充放電的情況。

電動汽車無序充電場景下，電動汽車負(fù)荷在74 時段達(dá)到最高峰，而此時電網(wǎng)含風(fēng)電出力的總等效負(fù)荷也同步達(dá)峰，電動汽車無序充電極大地加劇了電網(wǎng)負(fù)荷高峰，對電網(wǎng)安全穩(wěn)定運(yùn)行產(chǎn)生嚴(yán)重威脅。電動汽車有序充放電場景下，電動汽車集群在75—80 時段的電網(wǎng)等效負(fù)荷高峰處進(jìn)行反向供電，有效協(xié)助了電網(wǎng)平抑負(fù)荷。為補(bǔ)足此時間段內(nèi)電動汽車用戶的電量損失、滿足用戶電量需求，電網(wǎng)調(diào)度中心將75—80 時段的充電需求移至該時間段的前后時段。在風(fēng)電出力的高峰1—30時段，電網(wǎng)含風(fēng)電出力的等效負(fù)荷小于0，電網(wǎng)調(diào)度中心指導(dǎo)電動汽車集群充電，使得電動汽車充電負(fù)荷跟蹤風(fēng)電出力，與風(fēng)電棄風(fēng)高峰同步，有效地減少了棄風(fēng)。

圖8展示了電動汽車無序充電場景與有序充放電場景下的棄風(fēng)曲線。相比于無序充電場景，采用本文策略的電動汽車在有序充放電場景下棄風(fēng)總量降低了14.422 8 MW，證明了本文所提方法在消納風(fēng)電方面的有效性。

圖8 不同場景下的棄風(fēng)量Fig.8 Wind power curtailment in different scenarios

為便于對比，將按照文獻(xiàn)［23］的傳統(tǒng)分群方法進(jìn)行電動汽車分群并采用廣州標(biāo)準(zhǔn)分時電價調(diào)度方法得到的電動汽車有序充放電結(jié)果作為對照組。表3 給出了3 種充放電方法在等效負(fù)荷峰谷差、用戶充電費(fèi)用和相較無優(yōu)化減少的棄風(fēng)量上的對比結(jié)果。相較于無序充電場景，本文有序充放電方法將電網(wǎng)等效負(fù)荷峰谷差降低了2.56%，將用戶總和充電費(fèi)用降低了53.61%；相較于對照方法有序充放電場景，本文有序充放電方法將電網(wǎng)等效負(fù)荷峰谷差降低了0.40%，將用戶總和充電費(fèi)用降低了40.368%；將相較無優(yōu)化減少的棄風(fēng)量增加了150.40%。

表3 不同電動汽車充電方法下的指標(biāo)對比Table 3 Comparison of indicators under different charging methods for EVs

圖7、圖8 及表3 的仿真結(jié)果表明，相較于無優(yōu)化方法與對照方法，本文所提方法顯著降低了用戶充電費(fèi)用與電網(wǎng)的棄風(fēng)量，并在參與調(diào)度的電動汽車數(shù)量有限的條件下大幅減小了電網(wǎng)等效負(fù)荷峰谷差。由此可見，本文所提方法在提高含風(fēng)電系統(tǒng)運(yùn)行的安全可靠性、風(fēng)電消納能力和用戶參與度方面是有效的。

6 結(jié)語

由于風(fēng)電具有強(qiáng)隨機(jī)性與反調(diào)峰特性，導(dǎo)致電網(wǎng)出現(xiàn)了嚴(yán)重的棄風(fēng)現(xiàn)象。為了在解決這一問題的同時降低規(guī)模化電動汽車并網(wǎng)對電網(wǎng)的沖擊，考慮到傳統(tǒng)電動汽車分群方法難以全面描述每一類電動汽車的調(diào)控特性，本文提出了一種計及規(guī)?；妱悠囌{(diào)控潛力的含風(fēng)電系統(tǒng)優(yōu)化調(diào)度策略，得到如下結(jié)論：

1）所提規(guī)模化電動汽車的調(diào)控潛力評估模型可以對電動汽車的調(diào)控潛力進(jìn)行較為全面的評估，可作為規(guī)?；妱悠嚳茖W(xué)分群的合理依據(jù)。

2）所提分群分時電價模型綜合考慮了各集群調(diào)控潛力大小與電網(wǎng)風(fēng)電消納需求，既提高電動汽車用戶的參與度，也減少了棄風(fēng)現(xiàn)象。

3）所提優(yōu)化模型從電網(wǎng)及電動汽車用戶的利益出發(fā)，顯著降低了電網(wǎng)的等效負(fù)荷峰谷差、電網(wǎng)棄風(fēng)量與電動汽車用戶充電費(fèi)用，實(shí)現(xiàn)電網(wǎng)與電動汽車用戶的雙贏。

考慮到本文所提優(yōu)化模型中目標(biāo)函數(shù)的權(quán)重系數(shù)采用了固定值，因此后續(xù)研究工作可以本文為基礎(chǔ)，采用自適應(yīng)的方式得出最佳權(quán)重系數(shù)，使得優(yōu)化模型可以更好地適應(yīng)各時段下不同的負(fù)荷、電價與電動汽車可調(diào)度潛力等條件，進(jìn)一步提升優(yōu)化效果；也可添加對電動汽車負(fù)荷聚合商方利益的考慮，建立不同利益主體之間的博弈模型，為電動汽車負(fù)荷聚合商參與需求側(cè)競價提供指導(dǎo)。