考慮電動(dòng)汽車能量管理的微網(wǎng)分布式電源選址定容

張明銳，李路遙，杜志超，歐陽(yáng)麗

（1.同濟(jì)大學(xué) 電子與信息工程學(xué)院，上海 201804；2.上海電氣集團(tuán)股份有限公司中央研究院，上海 200070）

0 引言

微網(wǎng)中分布式電源DGs（Distributed Generators）的選址定容對(duì)微網(wǎng)運(yùn)行的經(jīng)濟(jì)性、可靠性和環(huán)境效益等都有著直接影響［1-3］。目前，DG選址定容研究已經(jīng)較為成熟，通常以投資成本、供電可靠性、網(wǎng)損和環(huán)境效益等為優(yōu)化目標(biāo)，考慮負(fù)荷時(shí)序特性及功率平衡約束等條件，求解DG的配置容量與安裝位置［4-7］。

實(shí)際上，電動(dòng)汽車 EVs（Electric Vehicles）大規(guī)模接入對(duì)微網(wǎng)規(guī)劃和運(yùn)行有著廣泛影響。一方面，EV作為交通工具，是一種移動(dòng)的電力負(fù)荷，大量EV接入微網(wǎng)使充電負(fù)荷迅速增長(zhǎng)，EV負(fù)荷的不確定性和流動(dòng)性加大了微網(wǎng)規(guī)劃和管理難度，對(duì)微網(wǎng)負(fù)荷平衡、電能質(zhì)量、新能源協(xié)調(diào)運(yùn)行有著復(fù)雜影響［8］。另一方面，通過有序電能管理，將EV作為可控負(fù)載和分布式儲(chǔ)能單元參與微網(wǎng)輔助服務(wù)，可增加系統(tǒng)靈活性，平抑負(fù)荷波動(dòng)，減小系統(tǒng)備用容量［9-12］。因此，在微網(wǎng)規(guī)劃階段考慮EV對(duì)DG選址定容的影響具有重要意義。

目前，關(guān)于EV能量管理對(duì)DG配置影響的研究相對(duì)較少。文獻(xiàn)［13］根據(jù)用戶用車習(xí)慣對(duì)EV進(jìn)行分類，確定各類別EV的日均行駛里程和無序充電負(fù)荷，并在此基礎(chǔ)上研究了EV充電負(fù)荷對(duì)微網(wǎng)內(nèi)風(fēng)機(jī)配置容量的影響。文獻(xiàn)［14］根據(jù)EV用戶行車需求，確定EV無序充電功率，并以系統(tǒng)投資成本最小和環(huán)境效益最大為目標(biāo)，優(yōu)化DG配置容量和安裝位置。文獻(xiàn)［13-14］僅將EV視作無序充電負(fù)荷，忽略了EV有序充電管理和放電上網(wǎng)V2G（Vehicle-to-Grid）對(duì)微網(wǎng)規(guī)劃和運(yùn)行的影響，可能造成DG配置容量過大，降低DG配置的經(jīng)濟(jì)性。文獻(xiàn)［15］在建立含EV的配網(wǎng)DG規(guī)劃模型時(shí)，考慮EV向電網(wǎng)反送電能，假設(shè)EV充放電功率與接入微網(wǎng)的EV數(shù)量和EV電池額定充放電功率成正比，根據(jù)EV參與電網(wǎng)調(diào)度意愿確定EV充放電對(duì)系統(tǒng)負(fù)荷的影響。文獻(xiàn)［16］則考慮EV在谷時(shí)段充電功率和峰時(shí)段放電功率的分布特性，通過在用電低谷時(shí)段和高峰時(shí)段對(duì)EV充放電進(jìn)行集中調(diào)度，減少EV充放電對(duì)系統(tǒng)造成的影響，并采用遺傳算法求解DG選址定容方案。文獻(xiàn)［15-16］提出了典型的考慮EV充放電負(fù)荷影響的DG配置策略，通過確定EV集群充放電負(fù)荷，結(jié)合系統(tǒng)負(fù)荷和DG發(fā)電功率，求解滿足系統(tǒng)總負(fù)荷需求的DG配置方案，但對(duì)于EV充放電過程和EV荷電狀態(tài)SOC（State Of Charge）變化對(duì)EV充放電功率的影響未作考慮。由于EV充放電會(huì)改變EV的SOC，SOC達(dá)到上／下限的EV無法繼續(xù)充／放電，EV充放電策略將影響EV集群充放電負(fù)荷［17-18］，進(jìn)而對(duì)系統(tǒng)總負(fù)荷和DG配置結(jié)果產(chǎn)生影響。同時(shí)，多數(shù)文獻(xiàn)在進(jìn)行微網(wǎng)DG選址定容時(shí)僅考慮聯(lián)網(wǎng)運(yùn)行，對(duì)孤島模式下DG運(yùn)行策略和EV輔助服務(wù)調(diào)度策略未做分析，無法檢驗(yàn)微網(wǎng)的孤島供電可靠性。因此，合理的EV充放電管理和EV孤島輔助服務(wù)調(diào)度策略對(duì)于DG選址定容具有重要意義，關(guān)系到DG選址定容方案的合理性和可行性［19］。

在以上研究的基礎(chǔ)上，本文考慮EV移動(dòng)負(fù)載特性和儲(chǔ)能特性，通過電價(jià)引導(dǎo)機(jī)制，制定EV有序充電和有序充放電能量管理模式，研究EV能量管理模式對(duì)微網(wǎng)DG選址定容的影響?？紤]微網(wǎng)與公共電網(wǎng)交互功率限制和孤島供電可靠性，制定聯(lián)網(wǎng)模式電池儲(chǔ)能系統(tǒng)BESS（Battery Energy Storage System）能量管理策略和孤島模式BESS及EV輔助服務(wù)調(diào)度策略，引入聯(lián)網(wǎng)交互功率波動(dòng)率及孤島失負(fù)荷率目標(biāo)函數(shù)，以日投資成本、交互功率波動(dòng)率和孤島失負(fù)荷率最小為目標(biāo)，采用基于精英策略的非支配排序遺傳算法 NSGA-Ⅱ（Non-dominated Sorting Genetic AlgorithmⅡ）求解DG選址定容方案。通過聯(lián)網(wǎng)和孤島運(yùn)行分析，驗(yàn)證所配置DG選址定容方案的有效性。

1 EV、BESS能量管理

1.1 EV有序充電模式

假設(shè)所有EV用戶是理智用電、對(duì)電價(jià)敏感的，EV通過智能裝置接入微網(wǎng)，且功率實(shí)時(shí)可調(diào)。通過提高EV峰時(shí)充電價(jià)格，降低谷時(shí)充電價(jià)格，制定EV充電引導(dǎo)電價(jià)，引導(dǎo)EV用戶錯(cuò)峰充電：

其中，Pbase，j和分別為 j時(shí)段基本負(fù)荷和 EV 總充電功率；Co，j為負(fù)荷功率達(dá)到設(shè)定值 Po，j時(shí)的電網(wǎng)電價(jià)；Cks為比例系數(shù)為j時(shí)段EV的充電價(jià)格。

EV在電價(jià)引導(dǎo)下進(jìn)行有序充電，但不提供放電服務(wù)。從EV用戶群體利益出發(fā)，最小化微網(wǎng)區(qū)域內(nèi)所有EV全天充電成本：

其中，N 為 EV 的總數(shù)為第 i輛 EV 在 j時(shí)段內(nèi)的充電功率；tj為EV時(shí)間步長(zhǎng)，本文取1 h。

EV充電優(yōu)化問題的約束包括充電功率、充電期望、電量和?？考s束。

a.充電功率約束。

其中，PR為EV額定充電功率。假設(shè)EV配備統(tǒng)一規(guī)格電池，具有相同的額定功率、電量和充放電效率，電池額定充電功率等于額定放電功率。

b.充電期望和電量約束。

其中，SOCi、SOCmin，i和 SOCmax，i分別為第 i輛 EV 的電池初始荷電量、最小荷電量限值和最大荷電量限值；SOCexp，i為第i個(gè)EV用戶充電完成時(shí)的電池期望荷電量；ηch為單臺(tái)EV的電池充電效率。

c.?？考s束。

考慮到EV的行駛需求，EV駛離微網(wǎng)區(qū)域的時(shí)段內(nèi)充放電功率為0。

其中，Ωj為j時(shí)段駛離微網(wǎng)的EV集合。

1.2 EV有序充放電模式

有序充放電模式下，EV放電參與微網(wǎng)調(diào)峰并從中獲得放電收益。微網(wǎng)通過提高EV放電電價(jià)，鼓勵(lì)EV放電參與調(diào)峰，EV放電引導(dǎo)電價(jià)如下：

其中為 j時(shí)段 EV 總放電功率為 j時(shí)段 EV放電電價(jià)。

EV通過賺取上網(wǎng)電價(jià)和充電電價(jià)的差價(jià)盈利。以EV充電成本和放電收益之差作為所有EV全天成本

其中為第i輛EV在j時(shí)段內(nèi)的放電功率。

有序充放電以EV全天成本最小為目標(biāo)，約束條件如下。

a.充放電功率約束。

b.充電期望和電量約束。

c.?？考s束。

d.充放電不同時(shí)進(jìn)行約束。

通過制定合理的有序充放電價(jià)格，引導(dǎo)EV用戶充放電行為，在有序充放電模式下，EV用戶不需要被動(dòng)接受電網(wǎng)調(diào)控，而是根據(jù)引導(dǎo)電價(jià)主動(dòng)設(shè)定充放電時(shí)段，以減小充電成本并獲得放電收益，可避免一般商業(yè)模式對(duì)車主車輛支配權(quán)的控制［20］。

1.3 BESS能量管理

BESS由電池儲(chǔ)能單元組成，并由微網(wǎng)統(tǒng)一調(diào)度管理。為減少BESS充放電次數(shù)，避免頻繁充放電給BESS帶來的負(fù)面影響，本文通過設(shè)置BESS放電臨界值 PEth，制定聯(lián)網(wǎng)模式 BESS 充放電策略［21］。

a.充電模式：風(fēng)光發(fā)電功率大于總負(fù)荷功率時(shí)，BESS充電消納過剩電能。

b.空閑模式：風(fēng)光發(fā)電功率小于總負(fù)荷功率且功率缺額小于PEth時(shí)，BESS不充放電，微網(wǎng)向公共電網(wǎng)購(gòu)電填補(bǔ)功率缺額。

c.放電模式：風(fēng)光發(fā)電功率小于總負(fù)荷功率且功率缺額大于PEth時(shí)，BESS放電提供功率支撐，若功率仍有缺額，微網(wǎng)向公共電網(wǎng)購(gòu)電。

BESS運(yùn)行約束包括功率、電量和充放電不同時(shí)進(jìn)行約束。

a.功率約束。

其中分別為 j時(shí)段 BESS 充、放電功率；n 為儲(chǔ)能單元數(shù)量；PER為儲(chǔ)能單元額定充放電功率。

b.電量約束。

其中，SOCE，j為 j時(shí)段儲(chǔ)能單元荷電量；SOCmin，E和SOCmax，E分別為儲(chǔ)能單元最小荷電量限值和最大荷電量限值分別為儲(chǔ)能單元充、放電效率。

c.充放電不同時(shí)進(jìn)行約束。

1.4 EV、BESS孤島模式充放電策略

微網(wǎng)進(jìn)入孤島后，應(yīng)首先保證關(guān)鍵負(fù)荷供電，通過綜合調(diào)度BESS和EV出力，減少負(fù)荷切除量，維持網(wǎng)內(nèi)供需平衡。假設(shè)各時(shí)段微網(wǎng)進(jìn)入孤島的概率相同，且孤島持續(xù)時(shí)間為1 h。

孤島運(yùn)行時(shí)，EV和BESS充放電策略與聯(lián)網(wǎng)運(yùn)行時(shí)不同。風(fēng)光發(fā)電功率大于總負(fù)荷功率時(shí)，BESS充電，EV維持有序充電。風(fēng)光發(fā)電功率小于總負(fù)荷功率時(shí)，則優(yōu)先調(diào)度BESS放電，若功率仍有缺額，則調(diào)度EV延遲充電或放電輔助服務(wù)［22］，即通過向EV提供高額輔助服務(wù)補(bǔ)貼，鼓勵(lì)EV停止充電并放電提供功率支撐，孤島運(yùn)行結(jié)束后恢復(fù)EV充電。

事實(shí)上，?？康腅V是否參與輔助服務(wù)與其SOC及用戶行程計(jì)劃有關(guān)［23］?？紤]到EV用戶的用車需求及里程憂慮心理［24］，本文通過設(shè)定EV輔助服務(wù)SOC期望值，反映EV用戶參與輔助服務(wù)的意愿，并提高EV孤島輔助服務(wù)收益，激勵(lì)EV用戶積極響應(yīng)孤島調(diào)度。為簡(jiǎn)化模型，本文采用統(tǒng)一的SOC期望值。無序充電模式下，EV用戶充電行為自由，在接入微網(wǎng)后立即開始充電，孤島時(shí)不響應(yīng)微網(wǎng)調(diào)度。有序充電模式下，充電中EV的SOC大于延遲充電期望值SOCde時(shí)，通過延遲充電參與孤島輔助服務(wù)，停止充電行為，減小孤島供電壓力。有序充放電模式下，?？康腅V在延遲充電基礎(chǔ)上，SOC大于放電期望值SOCd時(shí)，以額定功率放電為孤島微網(wǎng)提供功率支撐。

孤島模式EV運(yùn)行約束包括延遲充電、放電功率及電量約束，?？亢统浞烹姴煌瑫r(shí)進(jìn)行約束，BESS運(yùn)行約束包括充放電功率、電量和充放電不同時(shí)進(jìn)行約束。

a.EV延遲充電、放電功率及電量約束。

b.EV?？考s束。

c.EV充放電不同時(shí)進(jìn)行約束。

d.BESS充放電功率和電量約束。

e.BESS充放電不同時(shí)進(jìn)行約束。

其中，SOCi，j為第i輛 EV在j時(shí)段的電池初始荷電量分別為 j時(shí)段孤島第 i輛 EV 的充電功率、延遲充電功率和放電功率分別為 j時(shí)段孤島BESS充、放電功率。

2 DG選址定容模型

2.1 目標(biāo)函數(shù)

a.綜合成本。

本文配置的DG類型為風(fēng)機(jī)WT（Wind Turbine）、光伏PV（PhotoVoltaic）和BESS。微網(wǎng)一日內(nèi)綜合成本Cd由DG投資成本 Cinv、DG安裝成本 Cinst、DG運(yùn)行維護(hù)成本Com、向公共電網(wǎng)購(gòu)電成本Cpg、EV聯(lián)網(wǎng)調(diào)峰成本Ctf和微網(wǎng)支付EV孤島輔助服務(wù)的成本Cg構(gòu)成。

其中，NWT、NPV和 NB分別為 WT、PV 和 BESS 的安裝組數(shù)；CWT，l、CPV，m和 CB，b分別為第 l組 WT、第 m 組 PV和第 b組 BESS的容量；λDG為 DG折現(xiàn)系數(shù)；r和Na分別為DG折現(xiàn)率與使用年限，分別取8%和20a；分別為 WT、PV、BESS 的單位容量投資成本和安裝成本分別為WT、PV、BESS 的單位電量運(yùn)行維護(hù)成本和分別為j時(shí)段第l組WT、第m組PV的發(fā)電功率和第b組BESS的充放電功率；Pg，j為j時(shí)段微網(wǎng)與公共電網(wǎng)的交互功率，微網(wǎng)向公共電網(wǎng)購(gòu)電時(shí)有Pg，j>0，微網(wǎng)向公共電網(wǎng)返送電能時(shí)有 Pg，j<0；TOUj為 j時(shí)段微網(wǎng)向公共電網(wǎng)購(gòu)電電價(jià)；pj為j時(shí)段微網(wǎng)進(jìn)入孤島概率，取0.1%分別為j時(shí)段孤島EV延遲充電和放電輔助服務(wù)收益電價(jià)；ks和Cw分別為EV輔助服務(wù)激勵(lì)系數(shù)和放電上網(wǎng)補(bǔ)貼電價(jià)，分別取 10 和 0.42 元 ／（kW·h）［6］。

b.孤島失負(fù)荷率。

取一日內(nèi)最大孤島失負(fù)荷率LPSP（Loss of Power Supply Probability）作為微網(wǎng)供電可靠性指標(biāo)。

其中，SN為微網(wǎng)額定容量；LPSj為j時(shí)段孤島失負(fù)荷量。

c.交互功率波動(dòng)率。

取一日內(nèi)交互功率方差Svar作為交互功率波動(dòng)指標(biāo)［25］。

2.2 約束條件

a.聯(lián)網(wǎng)功率平衡約束。

b.交互功率約束。

其中，PWT，j和 PPV，j分別為 j時(shí)段風(fēng)、光發(fā)電功率；PLoss，j為j時(shí)段微網(wǎng)網(wǎng)損；Pgmax為微網(wǎng)與公共電網(wǎng)的最大交互功率限值。

c.孤島功率平衡約束。

2.3 模型求解

考慮EV能量管理的微網(wǎng)DG選址定容是一個(gè)含約束的非線性多目標(biāo)優(yōu)化問題。本文綜合考慮EV能量管理策略、BESS電能調(diào)度策略對(duì)微網(wǎng)聯(lián)網(wǎng)和孤島運(yùn)行的影響，首先在AMPL（A Mathematical Programming Language）中建立EV能量管理與優(yōu)化運(yùn)行模型，使用MINOS求解器對(duì)管理策略仿真求解；根據(jù)EV集群充放電負(fù)荷與微網(wǎng)基礎(chǔ)負(fù)荷、風(fēng)光發(fā)電時(shí)序特性，在MATLAB中建立DG選址定容模型，結(jié)合EV、BESS聯(lián)網(wǎng)和孤島能量管理策略，對(duì)聯(lián)網(wǎng)和孤島微網(wǎng)進(jìn)行潮流計(jì)算，并采用NSGA-Ⅱ優(yōu)化目標(biāo)函數(shù)，求解最優(yōu)DG配置方案。通過引入快速非支配排序算法與精英策略，采用擁擠度比較算子，降低算法復(fù)雜度。采用整數(shù)編碼方式，每個(gè)染色體代表一個(gè)選址定容方案，包含DG的類型、接入位置及接入數(shù)量信息，編碼形式如下：

其中，T為DG類型，表示節(jié)點(diǎn)接入的是WT、PV或是BESS；L為DG的接入節(jié)點(diǎn)；M為DG單元的接入數(shù)量；NDG為DG的最大安裝組數(shù)。

初始種群大小為100，進(jìn)化代數(shù)取100，交叉概率和變異概率分別取0.6和0.05；選擇操作采用輪盤賭選擇并加入最優(yōu)個(gè)體保持策略。采用罰函數(shù)法處理約束條件，將目標(biāo)函數(shù)和經(jīng)懲罰的約束項(xiàng)組合成適應(yīng)度函數(shù)。算法流程如圖1所示。

圖1 NSGA-Ⅱ流程框圖Fig.1 Flowchart of NSGA-Ⅱ

2.4 最優(yōu)方案選取

NSGA-Ⅱ求得的選址定容方案是一組Pareto解集，使用模糊隸屬度函數(shù)選取最優(yōu)方案［26］。通過隸屬度的大小表示決策者對(duì)優(yōu)化目標(biāo)的滿意程度，根據(jù)決策者偏好設(shè)置優(yōu)化目標(biāo)的權(quán)重值，通過式（40）、（41）計(jì)算多目標(biāo)函數(shù)的隸屬度加權(quán)值，所得最大值對(duì)應(yīng)的Pareto解即為最優(yōu)解。

其中為Pareto解集中第s個(gè)解中目標(biāo)函數(shù)h的隸屬度為第s個(gè)解中目標(biāo)函數(shù)h的值分別為目標(biāo)函數(shù)h的最小值和最大值；us為多目標(biāo)函數(shù)的隸屬度加權(quán)值；Np為種群個(gè)體數(shù)目；Nobj為目標(biāo)函數(shù)個(gè)數(shù)；λh為目標(biāo)函數(shù)h的取值權(quán)重。

3 算例分析

3.1 仿真模型及參數(shù)

本文采用的FREEDM環(huán)形微網(wǎng)模型額定容量為 1 MW，額定電壓為 10 kV，節(jié)點(diǎn) 5、7和 11設(shè)有EV充電站。假設(shè)微網(wǎng)與公共電網(wǎng)交互功率最大值為500 kW，BESS放電臨界值為300 kW。EV電池額定電量為64 kW·h，延遲充電和放電SOC期望值分別為32 kW·h和40 kW·h。典型風(fēng)光出力特性曲線如圖2所示，圖中所給數(shù)值表示其出力與額定容量的百分比，功率因數(shù)取0.95。負(fù)荷功率見圖2，關(guān)鍵負(fù)荷占總負(fù)荷的比例為30%。微網(wǎng)向公共電網(wǎng)購(gòu)電電價(jià)采用峰平谷電價(jià)，如表1所示。微網(wǎng)負(fù)荷數(shù)據(jù)和線路參數(shù)見表2和表3，表3中電阻、電抗、對(duì)地電納均為標(biāo)幺值。

圖2 典型風(fēng)光出力、負(fù)荷功率曲線Fig.2 Typical power curves of wind-turbine output，photovoltaic output and load

表1 峰平谷電價(jià)Table 1 Peak，ordinary and valley electricity prices

表2 FREEDM系統(tǒng)負(fù)荷數(shù)據(jù)Table 2 Load data of FREEDM system

表3 FREEDM系統(tǒng)線路參數(shù)Table 3 Transmission line parameters of FREEDM system

假設(shè)微網(wǎng)區(qū)域內(nèi)共有300輛EV，考慮使用隨機(jī)性，EV停靠曲線如圖3所示，按照20%的充電概率接入微網(wǎng)充電［5］。鑒于EV停靠時(shí)SOC是隨機(jī)的，采用蒙特卡羅隨機(jī)觀察試驗(yàn)，抽取每輛EV的起始SOC。為防止過充放電，可用電量上、下限分別設(shè)為總電量的95%和20%，EV通過充電機(jī)進(jìn)行充放電，充電機(jī)額定充放電功率為7 kW，充放電效率為90%。

圖3 微網(wǎng)中EV平均?？柯蔉ig.3 Average parking rate of EV in microgrid

WT、PV和BESS的單機(jī)容量及成本如表4所示，儲(chǔ)能單元額定電量為80 kW·h，平均初始電量為40 kW·h，額定充放電功率為10 kW，充放電效率為90%［27］。

3.2 EV充放電負(fù)荷及成本

不同能量管理模式下，EV的充放電功率如圖4—6 所示。式（1）和式（7）中 Po，j和 Co，j分別取 100 kW和 0.356元／（kW·h），EV充放電引導(dǎo)電價(jià)隨系統(tǒng)基本負(fù)荷功率和EV集群總充放電功率改變而改變。在滿足期望充電量的前提下，EV無序充電造成負(fù)荷峰谷差加劇最嚴(yán)重的一種充電工況見圖4，大量EV在09：00集中充電使總負(fù)荷達(dá)到1200 kW，超過微網(wǎng)額定容量。在有序充放電模式下，EV峰時(shí)最大充電電價(jià)由 1.197 元／（kW·h）提高到 1.505 元／（kW·h），谷時(shí)最小充電電價(jià)由0.356元／（kW·h）降低到0.219元／（kW·h），峰時(shí)最大放電電價(jià)則為2.243元 ／（kW·h）。EV用戶受電價(jià)引導(dǎo)，在充電價(jià)格較低的谷時(shí)段充電，并且在放電價(jià)格較高的峰時(shí)段放電參與調(diào)峰。EV有序充電有效避免了EV集中充電而引起的過負(fù)荷，起到填谷作用，EV有序充放電則起到削峰填谷的效果。

表4 各類型DG單機(jī)容量及成本Table 4 Unit capacity and cost of DGs

圖4 EV無序充電Fig.4 Uncoordinated charging of EVs

圖5 EV有序充電Fig.5 Coordinated charging of EVs

圖6 EV有序充放電Fig.6 Coordinated charging／discharging of EVs

不同EV能量管理模式下，負(fù)荷峰谷差、EV充電成本及放電收益如表5所示。通過電價(jià)引導(dǎo)策略，EV有序充電和有序充放電模式能夠起到削峰填谷作用，并降低自身充電成本，帶來放電收益，使微網(wǎng)和EV用戶雙贏。

表5 負(fù)荷峰谷差及EV充放電成本Table 5 Peak-valley load difference，EV charging cost and EV discharging benefit

3.3 DG選址定容

不同EV能量管理模式下，DG選址定容優(yōu)化結(jié)果如圖7所示，Pareto解集中各解之間不存在支配關(guān)系。日投資成本、失負(fù)荷率及交互功率波動(dòng)率權(quán)重值分別取 0.4、0.4和 0.2，通過式（41）計(jì)算隸屬度加權(quán)值，從Pareto解集中選擇最優(yōu)方案。最優(yōu)方案節(jié)點(diǎn)信息、配置結(jié)果和綜合成本組成見表6—8。

綜上，EV無序接入微網(wǎng)，會(huì)增加微網(wǎng)投資成本，降低DG配置的經(jīng)濟(jì)性。EV經(jīng)過有序引導(dǎo)和管理接入微網(wǎng)，可減少DG配置容量，降低綜合投資成本，有效平抑交互功率波動(dòng)，并顯著提高微網(wǎng)供電可靠性。

3.4 最優(yōu)方案運(yùn)行分析

3.4.1 聯(lián)網(wǎng)運(yùn)行

圖7 不同EV能量管理模式下Pareto解集Fig.7 Pareto sets for three EV energy management modes

表6 不同EV能量管理模式下最優(yōu)方案節(jié)點(diǎn)信息Table 6 Node data of optimal schemes for three EV energy management modes

聯(lián)網(wǎng)運(yùn)行時(shí)，不同EV能量管理模式下，微網(wǎng)與公共電網(wǎng)間交互功率及BESS儲(chǔ)能單元SOC如圖8所示。EV無序充電時(shí)，夜間風(fēng)電功率過剩嚴(yán)重，BESS無法消納過剩風(fēng)電，微網(wǎng)向公共電網(wǎng)返送電能。日間EV集中充電，微網(wǎng)需向公共電網(wǎng)大量購(gòu)電，功率雙向流動(dòng)使交互功率大范圍波動(dòng)。

表7 不同EV能量管理模式下最優(yōu)方案配置結(jié)果Table 7 Results of optimal schemes for three EV energy management modes

表8 不同EV能量管理模式下最優(yōu)方案綜合成本組成Table 8 Cost components of optimal schemes for three EV energy management modes 元

圖8 不同EV能量管理模式交互功率及儲(chǔ)能單元SOCFig.8 Interactive power and BESS SOC of three EV energy management modes

有序充放電模式下，EV 在 08：00—11：00 通過放電共提供211.11 kW功率支撐。由于該時(shí)段內(nèi)風(fēng)光發(fā)電效率較低，相比增加DG配置容量，通過電價(jià)激勵(lì)機(jī)制引導(dǎo)EV有序充放電，減小負(fù)荷峰谷差，平抑交互功率波動(dòng)，具有更好的經(jīng)濟(jì)性和靈活性。

BESS聯(lián)網(wǎng)運(yùn)行至24：00，儲(chǔ)能單元SOC為34.75 kW·h，一日內(nèi)充放電次數(shù)為4次，最大充放電深度為37.58%。BESS在消納夜間過剩風(fēng)電和提供功率補(bǔ)償?shù)耐瑫r(shí)，將交互功率控制在預(yù)期范圍之內(nèi)，證明所制定BESS充放電策略和所配置BESS容量具有可行性和有效性。

3.4.2 孤島運(yùn)行

孤島運(yùn)行時(shí)，EV有序充電和有序充放電模式下，各孤島時(shí)段功率缺額、BESS放電功率及EV輔助服務(wù)功率如圖9所示。

圖9 有序充電模式、有序充放電模式下孤島功率缺額及EV、BESS功率Fig.9 Islanded microgrid power shortage，interactive power，EV power and BESS power in coordinated charging and coordinated charging／discharging modes

有序充電模式下，EV經(jīng)電價(jià)引導(dǎo)，在負(fù)荷水平較低的時(shí)段完成充電，微網(wǎng)在負(fù)荷較高時(shí)段進(jìn)入孤島時(shí)，EV未提供延遲充電服務(wù)，功率缺額最大達(dá)230.79kW。

有序充放電模式下，EV通過延遲充電和放電響應(yīng)孤島微網(wǎng)調(diào)度，配合BESS放電，保證孤島負(fù)荷供電的同時(shí)，可滿足部分EV充電需求。18：00后，EV?？柯手饾u上升，微網(wǎng)范圍內(nèi)停靠的EV數(shù)量增加，達(dá)到輔助服務(wù)SOC期望值的EV數(shù)量增多，19：00時(shí)EV延遲充電和放電輔助服務(wù)可提供295.19 kW功率支撐。

4 結(jié)論

EV有序能量管理策略可以減小微網(wǎng)負(fù)荷峰谷差，平抑DG出力波動(dòng)，提高分布式發(fā)電利用率。EV有序充放電模式可以有效減少微網(wǎng)DG配置容量，降低綜合投資成本，EV延遲充電和放電輔助服務(wù)可以顯著提高孤島微網(wǎng)供電可靠性。

EV大量接入加大了微網(wǎng)規(guī)劃和管理難度，本文從經(jīng)濟(jì)性、可靠性角度，研討了EV能量管理模式對(duì)微網(wǎng)DG選址定容的影響。后續(xù)工作還將考慮風(fēng)光出力和EV使用不確定性，研究考慮不確定性的微網(wǎng)DG選址定容策略，并分析交互功率限制、負(fù)荷波動(dòng)等對(duì)DG規(guī)劃運(yùn)行的影響。此外，輔助服務(wù)作為發(fā)揮EV儲(chǔ)能特性的重要手段，在提高微網(wǎng)供電可靠性方面具有較大潛力，建立EV用戶對(duì)微網(wǎng)調(diào)度的響應(yīng)度指標(biāo)，值得進(jìn)一步研究。

參考文獻(xiàn)：

［1］MOHAMMAD H M，MOHSEN E，S MAHDI H.Operational strategy optimization in an optimal sized smart microgrid［J］.IEEE Trans on Smart Grid，2015，6（3）：1087-1095.

［2］ARASH N，MOGHADDAS T S M，MOSTAFA B，et al.Optimal sizing of distributed energy resources in microgrid considering wind energy uncertainty with respect to reliability［C］∥2010 IEEE International Energy Conference.Manama，Bahrain：［s.n.］，2010：820-825.

［3］LIU K，SHENG W，LIU Y，et al.Optimal sitting and sizing of DGs in distribution system considering time sequence characteristics of load and DGs［J］.Electrical Power and Energy Systems，2015，69：430-440.

［4］徐迅，陳楷，龍禹，等.考慮環(huán)境成本和時(shí)序特性的微網(wǎng)多類型分布式電源選址定容規(guī)劃［J］.電網(wǎng)技術(shù)，2013，37（4）：914-921.XU Xun，CHEN Kai，LONG Yu，et al.Optimal site selection and capacity determination of multi-types of distributed generation in microgrid considering environment cost and timing characteristics［J］.Power System Technology，2013，37（4）：914-921.

［5］郭賢，程浩忠，Masoud Bazargan，等.基于自適應(yīng)離散粒子群優(yōu)化算法的微網(wǎng)中 DG 選址定容［J］.水能源科學(xué)，2013，31（9）：220-225.GUO Xian，CHENG Haozhong，MASOUD B，et al.Optimal siting and sizing ofdistributed generation in microgrid based on adaptive DPSO［J］.Water Resources and Power，2013，31（9）：220-225.

［6］李亮，唐巍，白牧可，等.考慮時(shí)序特性的多目標(biāo)分布式電源選址定容規(guī)劃［J］.電力系統(tǒng)自動(dòng)化，2013，37（3）：58-63.LI Liang，TANG Wei，BAI Muke，et al.Multi-objective locating and sizing of distributed generators based on time-sequence characteristics［J］.Automation of Electric Power Systems，2013，37（3）：58-63.

［7］KHODAEI A，BAHRAMIRAD S，SHAHIDEHPOUR M.Microgrid planning under uncertainty［J］.IEEE Trans on Power Systems，2015，30（5）：2417-2425.

［8］王錫凡，邵成成，王秀麗，等.電動(dòng)汽車充電負(fù)荷與調(diào)度控制策略綜述［J］.中國(guó)電機(jī)工程學(xué)報(bào)，2013，33（1）：1-10.WANG Xifan，SHAO Chengcheng，WANG Xiuli，et al.Survey of electric vehicle charging load and dispatch control strategies［J］.Proceedings of the CSEE，2013，33（1）：1-10.

［9］ZHANG M，CHEN J.The energy management and optimized operation of electric vehicles based on microgrid［J］.IEEE Trans on Power Delivery，2014，29（3）：1427-1435.

［10］張明銳，謝青青，歐陽(yáng)麗.考慮電動(dòng)汽車的并網(wǎng)型微網(wǎng)儲(chǔ)能選址定容［J］.電力自動(dòng)化設(shè)備，2016，36（9）：25-32.ZHANG Mingrui，XIE Qingqing，OUYANG Li.Sizing and siting of BESS for grid-connected microgrid with electric vehicles［J］.Electric Power Automation Equipment，2016，36（9）：25-32.

［11］翁國(guó)慶，黃飛騰，張有兵，等.電動(dòng)公交汽車電池集群參與海島微網(wǎng)能量調(diào)度的 V2G 策略［J］.電力自動(dòng)化設(shè)備，2016，36（10）：31-37.WENG Guoqing，HUANG Feiteng，ZHANG Youbing，et al.V2G strategy for energy dispatch of island microgrid with EBBG［J］.Electric Power Automation Equipment，2016，36（10）：31-37.

［12］朱永勝，王杰，瞿博陽(yáng)，等.含電動(dòng)汽車的電力系統(tǒng)動(dòng)態(tài)環(huán)境經(jīng)濟(jì)調(diào)度［J］.電力自動(dòng)化設(shè)備，2016，36（10）：16-23.ZHU Yongsheng，WANG Jie，QU Boyang，et al.Dynamic environment and economic dispatch of power system with EVs ［J］.Electric Power Automation Equipment，2016，36（10）：16-23.

［13］MOSTAFA F S，YASSER M A，EL-SAADANY E F.PEVs modeling and impact mitigation in distribution networks［J］.IEEE Trans on Power Systems，2013，28（2）：1122-1131.

［14］SHAABAN M，EL-SAADANY E F.Accommodating high penetrations of PEVs and renewable DG considering uncertainties in distribution systems［J］.IEEE Trans on Power Systems，2014，29（1）：259-270.

［15］李振坤，田源，董成明，等.基于隨機(jī)潮流的含電動(dòng)汽車配電網(wǎng)內(nèi)分布式電源規(guī)劃［J］.電力系統(tǒng)自動(dòng)化，2014，38（16）：60-66.LI Zhenkun，TIAN Yuan，DONG Chengming，et al.Distributed generators programming in distribution network involving vehicle to grid based on probabilistic power flow［J］.Automation of Electric Power Systems，2014，38（16）：60-66.

［16］劉志鵬，文福拴，薛禹勝，等.計(jì)及可入網(wǎng)電動(dòng)汽車的分布式電源最優(yōu)選址和定容［J］.電力系統(tǒng)自動(dòng)化，2011，35（18）：11-16.LIU Zhipeng，WEN Fushuan，XUE Yusheng，et al.Optimal siting and sizing of distributed generators considering plug-in electric vehicles［J］.Automation of Electric Power Systems，2011，35（18）：11-16.

［17］ZHANG Hongcai，HU Zechun，SONG Yonghua.Evaluation of achievable vehicle-to-grid capacity using aggregate PEV model［J］.IEEE Trans on Power Systems，2017，32（1）：784-794.

［18］LAM A，LEUNG K，LI V.Capacity estimation for vehicle-to-grid frequency regulation services with smart charging mechanism［J］.IEEE Trans on Smart Grid，2016，7（1）：156-166.

［19］胡澤春，宋永華，徐智威，等.電動(dòng)汽車接入電網(wǎng)的影響與利用［J］.中國(guó)電機(jī)工程學(xué)報(bào)，2012，32（4）：1-10.HU Zechun，SONG Yonghua，XU Zhiwei，etal.Impactsand utilization of electric vehicles integration into power systems［J］.Proceedings of the CSEE，2012，32（4）：1-10.

［20］項(xiàng)頂，宋永華，胡澤春，等.電動(dòng)汽車參與V2G的最優(yōu)峰谷電價(jià)研究［J］.中國(guó)電機(jī)工程學(xué)報(bào)，2013，33（31）：15-25.XIANG Ding，SONG Yonghua，HU Zechun，et al.Research on optimal time of use price for electric vehicle participating V2G［J］.Proceedings of the CSEE，2013，33（31）：15-25.

［21］肖峻，張澤群，張磐，等.用于優(yōu)化微網(wǎng)聯(lián)絡(luò)線功率的混合儲(chǔ)能容量?jī)?yōu)化方法［J］.電力系統(tǒng)自動(dòng)化，2014，38（12）：19-26.XIAO Jun，ZHANG Zequn，ZHANG Pan，et al.A capacity optimizaiton method of hybrid energy storage system for optimizing tie-line power in microgrids［J］.Automation of Electric Power Systems，2014，38（12）：19-26.

［22］CAO Y，TANG S，LI C，et al.An optimized EV charging model considering TOU price and SOC curve［J］.IEEE Trans on Smart Grid，2012，3（1）：388-393.

［23］MISRA S，BERA S，OJHA T.D2P：distributed dynamic pricing policy in smart grid for PHEVs management［J］.IEEE Trans on Parallel and Distributed Systems，2015，26（3）：702-712.

［24］LOJOWSKA A，KUROWICKA D，PAPAEFTHYMIOU G，et al.Stochastic modeling of power demand due to EVs using Copula［J］.IEEE Trans on Power Systems，2012，27（4）：1960-1968.

［25］張明銳，陳潔，杜志超，等.考慮交互功率控制的微網(wǎng)經(jīng)濟(jì)運(yùn)行［J］.中國(guó)電機(jī)工程學(xué)報(bào)，2014，34（7）：1013-1023.ZHANG Mingrui，CHEN Jie，DU Zhichao，et al.Economic opera-tion of micro-grid considering regulation of interactive power［J］.Proceedings of the CSEE，2014，34（7）：1013-1023.

［26］盛萬(wàn)興，葉學(xué)順，劉科研，等.基于NSGA-Ⅱ算法的分布式電源與微電網(wǎng)分組優(yōu)化配置［J］.中國(guó)電機(jī)工程學(xué)報(bào)，2015，35（18）：4655-4662.SHENG Wanxing，YE Xueshun，LIU Keyan，et al.Optimal allocation between distributed generations and microgrid based on NSGA-Ⅱ algorithm［J］.Proceedings of the CSEE，2015，35（18）：4655-4662.

［27］SHI Z，PENG Y，WEI W.Optimal sizing of DGs and storage for microgrid with interruptible load using improved NSGA-Ⅱ［C］∥2014 IEEE Congress on Evolutionary Computation（CEC）.Beijing，China：［s.n.］，2014：2108-2115.