摘 要：隨著以高速公路為代表的交通用能場景能源需求的增長，交通系統(tǒng)需要充分利用自身蘊(yùn)含的自然資源，形成適配交通用能特征的微網(wǎng)規(guī)劃方案?？紤]電動汽車負(fù)荷多種不確定因素，建立動態(tài)負(fù)荷預(yù)測模型。研究針對高速公路微電網(wǎng)容量配置問題，從投資者角度構(gòu)建以微電網(wǎng)綜合成本最小為目標(biāo)的優(yōu)化模型。以廣西某高速公路服務(wù)區(qū)為實(shí)例，選取6種典型場景，仿真結(jié)果表明，所提方法能夠解決高速公路用能場景下微電網(wǎng)容量配置問題，經(jīng)過經(jīng)濟(jì)性分析后，確定夏季典型日配置方案收益更優(yōu)，為新能源在交通領(lǐng)域的應(yīng)用提供可行的方法，有一定的理論研究和實(shí)踐意義。

關(guān)鍵詞：微電網(wǎng)容量配置；電動汽車；動態(tài)負(fù)荷；不確定因素；典型用能場景；交通能源融合

中圖分類號：TP39；TM715 文獻(xiàn)標(biāo)識碼：A 文章編號：2095-1302（2024）04-00-05

DOI：10.16667/j.issn.2095-1302.2024.04.019

0 引 言

近年來，隨著全球能源需求的不斷增長和環(huán)境問題的加劇，對于能源的可持續(xù)性和運(yùn)輸?shù)木G色化提出了更高要求。同時，能源與交通互聯(lián)程度不斷增強(qiáng)，交通能源融合成為能源領(lǐng)域研究的熱點(diǎn)之一[1]。公路是連接城市、縣鎮(zhèn)和鄉(xiāng)村的通道，大部分公路沿線缺乏穩(wěn)定可靠的能源供給[2]，利用可再生能源集中式開發(fā)存在難度大、遠(yuǎn)距離傳輸成本高、效率低下等問題。解決該問題的關(guān)鍵在于充分利用公路交通系統(tǒng)自身所蘊(yùn)含的自然資源稟賦，依托可再生能源、儲能等技術(shù)構(gòu)建微電網(wǎng)，實(shí)現(xiàn)道路交通系統(tǒng)能源需求的分布式自洽供

給[3-4]。已有文獻(xiàn)對我國風(fēng)、光資源分布情況進(jìn)行了劃分，為能源側(cè)提供了開發(fā)潛力。電動汽車（Electric Vehicle， EV）作為清潔能源交通的代表，逐漸成為解決城市交通污染和能源依賴的重要選擇[5]。隨著EV需求量大幅增長，高速公路微電網(wǎng)的發(fā)展前景逐漸清晰。文獻(xiàn)[6]建立了基于馬爾可夫鏈的交通仿真模型，研究了城市路網(wǎng)中快速充電站的負(fù)荷；文獻(xiàn)[7]采用道路起訖點(diǎn)分析法對交通流建模，建立了EV負(fù)荷時空模型并分析對接入配電網(wǎng)的影響。葛少云等[8-9]將EV作為路網(wǎng)和配電網(wǎng)的連接點(diǎn)，實(shí)現(xiàn)交通流的時空分布模擬，并對高速公路充電設(shè)施進(jìn)行了研究。文獻(xiàn)[10]在分析電動汽車換電需求基礎(chǔ)上，提出了一種高速服務(wù)區(qū)能量管理策略，但沒有考慮EV負(fù)荷的各種不確定因素。

針對EV負(fù)荷預(yù)測的不確定因素以往研究中已有考慮[11]，但計(jì)及溫度對電池容量的影響，轉(zhuǎn)換為對行駛里程的影響并綜合出行時間、初始SOC、行駛里程等多種不確定因素的高速公路EV充電需求計(jì)算沒有成熟的模型?；诖?，本文面向交通綠色化運(yùn)行需求，考慮多種典型用能場景，以此合理配置高速公路用能場景下微電網(wǎng)的能源，從投資者角度，關(guān)注壽命周期的效益，建立了以系統(tǒng)總成本最小為目標(biāo)的微電網(wǎng)優(yōu)化配置模型。

1 交通流動態(tài)負(fù)荷不確定性建模

電動汽車作為高速公路路網(wǎng)的一種交通工具，是消耗能源的重要載體，因此，電動汽車的出行特性分析十分重要。

（1）出行時間

交通流時變趨勢曲線呈現(xiàn)馬鞍形。有早晚2個出行高峰，低谷時間一般是凌晨3點(diǎn)到4點(diǎn)。在t時刻車流量為：

（1）

式中：F（t）為t時刻車流量；f（t）為交通流分布概率；M表示日總交通流量。

（2）高速公路電動汽車日行駛里程

馬健等人[12]基于高速公路聯(lián)網(wǎng)數(shù)據(jù)分析，擬合得出車輛日行駛里程近似為對數(shù)正態(tài)分布，其密度分布函數(shù)為：

（2）

（3）初始SOC值

進(jìn)入高速公路的電動車都有一定的初始SOC，假設(shè)其分布滿足參數(shù)為（0.5，0.204）的正態(tài)分布[13]，則其概率密度函數(shù)為：

（3）

（4）出行溫度

溫度影響路況、空調(diào)能耗、電池性能等[14-15]，進(jìn)而影響電動汽車的續(xù)航里程，反映為對充電需求的影響。本文參考文獻(xiàn)[15]擬合得到電池相對容量與出行溫度的關(guān)系為：

（4）

式中：Ti為出行溫度；Ci為出行溫度Ti時電池的實(shí)際容量；λ為各項(xiàng)的影響因子。以25 ℃作為標(biāo)準(zhǔn)溫度，溫度Ti對應(yīng)電池容量可行駛里程為：

（5）

式中：Crated為電動汽車電池額定容量；Lrated為額定容量的行駛里程。

（5）高速公路電動汽車充電需求模型

EV在高速公路行駛消耗的電量比例為：

（6）

式中：d為行駛距離；L為續(xù)航里程。若單輛電動汽車有充電需求并且充至滿電，則充電時間為：

（7）

式中：Pch為充電功率。求得單輛電動車負(fù)荷后利用蒙特模擬法得出總電動汽車負(fù)荷分布。

2 微電網(wǎng)容量配置模型

2.1 目標(biāo)函數(shù)

電源規(guī)劃方案中規(guī)劃期內(nèi)的預(yù)投建機(jī)組包括風(fēng)電機(jī)組、光伏發(fā)電機(jī)組和柴油發(fā)電機(jī)。建立綜合成本最小為目標(biāo)的低碳電源規(guī)劃模型，包含成本和收益兩部分，目標(biāo)函數(shù)為：

（8）

（1）投資成本

（9）

式中：θEP為所有待選電廠的合集，包括風(fēng)電、光伏和柴油發(fā)電機(jī)組；Cunit，i為機(jī)組的單位容量投資成本；Pi表示機(jī)組i的裝機(jī)容量，kW；Cunit，EC和Cunit，EP為儲能的單位容量和單位功率成本；Pes和Ees表示儲能系統(tǒng)功率和容量。

（2）運(yùn)行維護(hù)成本

（10）

式中：Cfix，i和Cfix，es分別為發(fā)電機(jī)組和儲能單位容量運(yùn)行維護(hù)成本。

（3）電池退化成本

不同于常規(guī)機(jī)組相對固定的使用壽命，電池充放電深度對電池壽命有重要影響，參考文獻(xiàn)[16]建立二者間關(guān)系的擬合模型為：

（11）

電池的充放電總退化成本為：

（12）

式中：dr為額定放電深度；dB為實(shí)際放電深度；LB（dB）是放電深度為dB時電池的循環(huán)次數(shù)；Nr為額定放電深度對應(yīng)的電池循環(huán)次數(shù)；CB是電池更換成本；ηC、ηD分別是電池的充放電效率。

系統(tǒng)收益考慮光伏補(bǔ)貼收益、余電上網(wǎng)的售電收益和碳減排收益3部分。

（1）光伏補(bǔ)貼收益

國家對分布式發(fā)電項(xiàng)目按電量給予補(bǔ)貼，收益為：

（13）

式中：rs為補(bǔ)貼標(biāo)準(zhǔn)；Gs為光伏發(fā)電量。

（2）售電收益

微網(wǎng)用戶主體參與大電網(wǎng)能量互動將余電上網(wǎng)可以獲得收益：

（14）

式中：rg為上網(wǎng)電價；Pg為向電網(wǎng)傳輸功率。

（3）碳減排收益

使用風(fēng)電和光伏替代傳統(tǒng)能源，促進(jìn)低碳電力系統(tǒng)的構(gòu)建，將碳減排量通過碳交易轉(zhuǎn)化為收益衡量。

（15）

式中：rCO2為碳交易價格；MCO2為碳減排量。

2.2 約束條件

（1）裝機(jī)規(guī)模約束。各電源機(jī)組的裝機(jī)容量應(yīng)滿足負(fù)荷最大需求量。

（16）

式中：Pload， max為系統(tǒng)最大負(fù)荷，kW。

（2）電量平衡約束。各電源機(jī)組的發(fā)電量應(yīng)不小于負(fù)荷的用電量需求。

（17）

式中：Eload為系統(tǒng)電力需求量，kW·h；RE表示電量備用系數(shù)。

（3）機(jī)組出力約束。各電源機(jī)組有功出力不超過其上、

下限。

Pmin，i≤Pi≤Pmax，i （18）

式中：Pmin，i、Pmax，i分別為各發(fā)電單元的出力上、下限。

（4）場地面積約束。以往的文獻(xiàn)較少在約束中考慮新能源機(jī)組可利用面積。在高速公路用能場景下主要考慮道路沿線的邊坡、匝道和服務(wù)區(qū)建筑屋頂?shù)目捎妹娣e。

（19）

式中：rarea，i表示新能源機(jī)組i的占地系數(shù)；ssingle，i為單塊光伏板或單臺風(fēng)機(jī)的占地面積；sarea為區(qū)域可利用總面積。

（5）極端天氣約束?？紤]極端天氣情況下新能源機(jī)組不能發(fā)電，僅有儲能供電時最低保障時間。

（20）

式中：tmin為新能源不出力僅有儲能供電的持續(xù)供電小時數(shù)。

（6）儲能性能約束。為了盡量延長蓄電池的使用壽命，其SOC應(yīng)處在合適的區(qū)間。

SOCmin≤SOC≤SOCmax （21）

式中：通常取SOCmin為0.2，SOCmax為0.9。

3 模型求解

本文采用MATLAB軟件以及Cplex 求解器進(jìn)行優(yōu)化模型的計(jì)算，具體計(jì)算流程如圖1所示。

首先建立高速公路用能場景下的微電網(wǎng)系統(tǒng)結(jié)構(gòu)，獲取基本氣象數(shù)據(jù)，利用隨機(jī)概率分布預(yù)測風(fēng)電和光伏出力；接著對高速公路交通流負(fù)荷存在的不確定性問題進(jìn)行分類與建模，確定交通流負(fù)荷分布的幾種典型情況；之后分析微網(wǎng)各部分成本和收益，并建立計(jì)及電動汽車動態(tài)負(fù)荷不確定性的微網(wǎng)優(yōu)化配置模型；將風(fēng)光出力和EV負(fù)荷預(yù)測數(shù)據(jù)帶入模型中通過Cplex求解器對模型求解。

4 算例分析

選取廣西某服務(wù)區(qū)為本文研究對象，由于高速公路上雙向行駛的車輛互不影響，僅以單側(cè)作為研究對象。該地區(qū)氣候溫和，年均溫度19.3 ℃，光照充足，風(fēng)資源偏弱，基本氣象數(shù)據(jù)見表1所列。

4.1 負(fù)荷計(jì)算

高速公路服務(wù)區(qū)基礎(chǔ)設(shè)施主要包括收費(fèi)、通信、監(jiān)控設(shè)施用電及滿足服務(wù)區(qū)運(yùn)營管理所需的辦公和生活用電，基礎(chǔ)設(shè)施的用電情況如圖2所示。

該地區(qū)由于推廣政策利好和合適的氣候與地理環(huán)境，新能源汽車滲透率較高。經(jīng)調(diào)研，車輛在不同典型日表現(xiàn)出不同的交通流變化趨勢。定義6種典型場景：

（1）夏季工作日典型日；

（2）夏季周末典型日；

（3）冬季工作日典型日；

（4）冬季周末典型日；

（5）高速免費(fèi)通行節(jié)假日；

（6）高速不免費(fèi)通行節(jié)假日。

按日期類型的3類典型場景分時交通流分布如圖3所示。

不同日期類型車輛的出行時間分布均呈馬鞍形，高峰流量占一天總流量的40%以上。節(jié)假日出行分散，高峰持續(xù)時間更長。

假設(shè)在該高速公路上行駛的電動汽車的電量警戒值均為20%，充電方式為恒功率快充。利用蒙特卡洛模擬法得到各場景下典型日的電動汽車充電負(fù)荷如圖4所示。

不同日期類型的電動汽車負(fù)荷曲線與交通流時變趨勢相符。因?yàn)榭紤]到冬季電池容量變化，冬季典型日負(fù)荷高于夏季，而高速免費(fèi)通行的節(jié)假日車流量激增，因此負(fù)荷遠(yuǎn)高于工作日，且節(jié)假日出行較為分散，日間負(fù)荷波動幅度略小于工

作日。

4.2 參數(shù)設(shè)置

模型參數(shù)：RE取0.10，tmin取6 h，rarea，pv取0.998，rarea，wt取1.5，sarea為7 000 m2，單塊光伏板的占地面積ssingle，pv為

1.1 m×1.2 m，單臺風(fēng)力發(fā)電機(jī)的占地面積ssingle，wt為

17 m×17 m。微網(wǎng)系統(tǒng)所選各電源成本費(fèi)用系數(shù)見表2所列。

4.3 仿真結(jié)果

利用MATLAB的混合整數(shù)規(guī)劃求解器Cplex求解本文提出的配置模型，6種典型場景下的配置結(jié)果見表3所示。

由表3可見，不同典型日下微網(wǎng)配置方案存在一定差異。冬季和夏季典型日基礎(chǔ)負(fù)荷接近，但電動汽車動態(tài)負(fù)荷需求明顯較高，而冬季風(fēng)資源更豐富，配置更多的風(fēng)機(jī)可滿足負(fù)荷需求。節(jié)假日典型日中電動汽車動態(tài)負(fù)荷對配置方案起決定性作用，節(jié)假日電動汽車一方面使得總體負(fù)荷需求增加，另一方面負(fù)荷波動性增大，需要配置更多儲能適應(yīng)負(fù)荷波動性，同時作為備用電源的柴油發(fā)電機(jī)數(shù)量也應(yīng)增多。

4.4 經(jīng)濟(jì)性分析

各配置方案的總現(xiàn)值和收益見表4所列。

由表4可知，不同典型日的配置方案經(jīng)濟(jì)性水平各異。從總現(xiàn)值來看，高速免費(fèi)通行的節(jié)假日總現(xiàn)值最高，即微網(wǎng)總投資最高；從綜合收益率來看，夏季典型場景的配置方案最高，冬季典型日配置方案收益率最低，差距達(dá)20%，因?yàn)槎竟夥隽档颓译妱悠噭討B(tài)負(fù)荷增加。從日期類型方面對比，夏季與冬季場景的周末典型日配置方案收益率均略低于工作日，這是由于周末出行量的增加帶來微網(wǎng)投資成本的增加相對于系統(tǒng)收益更為顯著。因此，從微網(wǎng)投資者角度，夏季工作日典型日配置方案為最優(yōu)選擇。

成本回收年限也是微網(wǎng)投資者重要的參考因素，表5為各規(guī)劃方案預(yù)計(jì)成本回收年限。

不同配置方案的收益年限有很大差距，冬季典型日的成本回收年限超過10年，而夏季和節(jié)假日典型日配置方案回收年限相對較短，更可能成為微網(wǎng)投資者的選擇。

本文考慮收益包括光伏補(bǔ)貼收益、余電上網(wǎng)的售電收益和碳減排收益。不同配置方案的3種收益占比見表6所列。

由表6對比可見，3種收益類型中，光伏補(bǔ)貼收益在各場景中占比較低，系統(tǒng)收益主要來源為余電上網(wǎng)產(chǎn)生的收益和由風(fēng)力光伏發(fā)電減少的碳排放轉(zhuǎn)化為碳交易額的減排收益。其中，冬季兩典型日的配置方案碳減排收益占比最高，說明該配置方案新能源出力占比高，環(huán)境效益更優(yōu)，但冬季典型日經(jīng)濟(jì)效益不佳。按照夏季典型日配置的方案有較高的綜合收益率。

5 結(jié) 語

本文面向交通綠色化運(yùn)行需求，以交通能源融合為切入點(diǎn)，研究了計(jì)及電動汽車動態(tài)負(fù)荷的高速公路服務(wù)區(qū)用能場景下微電網(wǎng)容量配置問題。本文主要結(jié)論如下：

（1）從車流量入手，分析了電動汽車不確定因素，建立了計(jì)及溫度對電池容量影響的EV動態(tài)負(fù)荷需求模型。

（2）從微電網(wǎng)投資者角度，通過考慮微網(wǎng)的供電能力、負(fù)荷需求和極端天氣等因素，提出總成本最低為目標(biāo)的微電網(wǎng)優(yōu)化配置模型。

（3）選擇廣西一高速服務(wù)區(qū)作為實(shí)例，選取典型場景評估所提方法的經(jīng)濟(jì)性，能夠?yàn)槲⒕W(wǎng)投資者提供決策支持。

參考文獻(xiàn)

[1]楊勇平，武平，程鵬，等.我國陸路交通能源系統(tǒng)發(fā)展戰(zhàn)略研究

[J].中國工程科學(xué)，2022，24（3）：153-162.

[2]蔣海峰，黃森炎，劉志強(qiáng)，等.公路交通設(shè)施與清潔能源融合創(chuàng)新技術(shù)與發(fā)展[J].公路交通科技，2020，37（s2）：1-5.

[3]賈利民，師瑞峰，吉莉，等.我國道路交通與能源融合發(fā)展戰(zhàn)略研究[J].中國工程科學(xué)，2022，24（3）：163-172.

[4]胡海濤，鄭政，何正友，等.交通能源互聯(lián)網(wǎng)體系架構(gòu)及關(guān)鍵技術(shù)[J].中國電機(jī)工程學(xué)報(bào)，2018，38（1）：12-24.

[5]王海鑫，袁佳慧，陳哲，等.智慧城市車-站-網(wǎng)一體化運(yùn)行關(guān)鍵技術(shù)研究綜述及展望[J].電工技術(shù)學(xué)報(bào)，2022，37（1）：112-132.

[6] ARIAS M B，KIM M，BAE S. Prediction of electric vehicle charging-power demand in realistic urban traffic networks [J]. Applied energy，2017，195：738-753.

[7] MU Y F，WU J Z，JENKINS N，et al. A spatial-temporal model for grid impact analysis of plug-in electric vehicles [J]. Applied energy， 114（2014）456-465.

[8]葛少云，朱林偉，柳洪，等.基于動態(tài)交通仿真的高速公路電動汽車充電站規(guī)劃[J].電工技術(shù)學(xué)報(bào)，2018，33（13）：2991-3001.

[9]劉洪，李榮，葛少云，等.基于動態(tài)車流模擬的高速公路充電站多目標(biāo)優(yōu)化規(guī)劃[J].電力系統(tǒng)自動化，2015，39（24）：56-62.

[10]王飆，趙微微，林少軍，等.基于改進(jìn)的多目標(biāo)量子遺傳算法的高速服務(wù)區(qū)綜合能源管理[J].電網(wǎng)技術(shù)，2022，46（5）：1742-1750.

[11] DONG X H，MU Y F，JIA H J，et al. Planning of fast EV charging stations on a round freeway [J]. IEEE transactions on sustainable energy，2016，7（4）：1452-1461.

[12]馬健，肖潤謀，王博慧.高速公路乘用車出行空間分布及行駛特征研究[J].大連交通大學(xué)學(xué)報(bào)，2020，41（5）：14-19.

[13]葛少云，馮亮，劉洪，等.考慮電量分布及行駛里程的高速公路充電站規(guī)劃[J].電力自動化設(shè)備，2013，33（7）：111-116.

[14] YAN J，ZHANG J，LIU Y Q，et al. EV charging load simulation and forecasting considering traffic jam and weather to support the integration of renewables and EVs [J]. Renewable energy，2020，159：623-641.

[15]張新城，劉志珍，侯延進(jìn)，等.考慮出行溫度影響的電動汽車充電功率需求分析[J].電力科學(xué)與技術(shù)學(xué)報(bào)，2021，36（4）：124-131.

[16] HAN S，AKI H.A practical battery wear model for electric vehicle charging applications [J]. Applied energy，2014（113）：1100-1108.

收稿日期：2023-12-24 修回日期：2024-01-25

基金項(xiàng)目：國家重點(diǎn)研發(fā)計(jì)劃項(xiàng)目（2021YFB2601300）；中央高?；究蒲袠I(yè)務(wù)費(fèi)專項(xiàng)資金項(xiàng)目（300102383202）；陜西省重點(diǎn)研發(fā)計(jì)劃（2023-YBSF-285）；貴州省科技支撐計(jì)劃（黔科合支撐[2023]一般409）

作者簡介：馬德草（1999—），女，碩士在讀，研究方向?yàn)榻煌茉慈诤稀?/p>