基于微網(wǎng)的電動汽車與電網(wǎng)互動技術

周天沛, 孫 偉

(1. 徐州工業(yè)職業(yè)技術學院機電工程學院, 江蘇省徐州市 221140; 2. 中國礦業(yè)大學信息與控制工程學院, 江蘇省徐州市 221008)

0 引言

由于電動汽車具有環(huán)保和節(jié)能的優(yōu)點,得到了廣泛的發(fā)展。不同于傳統(tǒng)燃油汽車,電動汽車采用對車載蓄電池充電進行能量補充。由于電動汽車車主的充電行為具有很強的隨機性,如果電動汽車的市場占有率不是很高,這種隨機性的充電行為并不會對電網(wǎng)的運行造成太大的影響[1]。但是隨著電動汽車的日益普及,滲透率變得越來越高,這種無序充電行為會帶來很多問題。首先,電動汽車的車載電池容量較大,如果大量電動汽車在同一個時段進行集中充電,會對電網(wǎng)產(chǎn)生巨大的負荷沖擊,影響電網(wǎng)峰谷平衡[2]。其次,為了滿足這些電動汽車隨時充電的負荷需求,電網(wǎng)需要增加更多的發(fā)電容量,這將增加電網(wǎng)的運行成本。再次,對于電動汽車用戶而言,如果他們還是采用隨用隨充的簡單充電方式,這樣會使得車主產(chǎn)生較高的充電成本[3]。1997年,美國特立華大學Willet Kempton教授率先提出了電動汽車與電網(wǎng)互動(V2G)的概念:電動汽車不再作為簡單的儲能資源只能進行充電,而是被看作動態(tài)的儲能資源,甚至當電網(wǎng)供電不足時可以被視為電源[4-5]。因此,如何對數(shù)量龐大的電動汽車的充放電行為進行有效引導,實現(xiàn)電動汽車與電網(wǎng)的合理互動,達到雙贏效果,將是一個重要的研究課題。

針對該問題,不少學者對此進行了深入研究,主要圍繞優(yōu)化電網(wǎng)運行為目標或者是以經(jīng)濟性為目標對電動汽車充放電行為進行研究。文獻[6]以最小配電網(wǎng)損耗為優(yōu)化目標建立電動汽車有序充放電控制模型。文獻[7]提出基于敏感度矩陣的電動汽車充放電控制策略,并以此建立了以減小充電對配電網(wǎng)節(jié)點電壓的影響為優(yōu)化目標的充放電優(yōu)化控制模型。在以電網(wǎng)運行經(jīng)濟性為優(yōu)化目標的研究中,文獻[8]建立了包含充電電能成本、電網(wǎng)損耗成本等因素在內(nèi)以充電總成本最小為優(yōu)化目標的電動汽車充放電優(yōu)化控制模型。文獻[9]以智能住宅內(nèi)的微網(wǎng)系統(tǒng)為研究對象,建立了以發(fā)用電總成本最小為目標的優(yōu)化模型。

上述電動汽車的充放電優(yōu)化模型多采用單目標優(yōu)化模型,存在著一定的局限性。因此本文提出了三個優(yōu)化目標:①微網(wǎng)負荷波動最小,即微網(wǎng)內(nèi)部電能供需的平衡度最佳;②可再生能源利用率最大,這樣從外部電網(wǎng)購電量就最少,可有效降低成本;③車主獲得的收益最大。為實現(xiàn)這些優(yōu)化目標,本文首先提出了變閾值優(yōu)化算法,并在此基礎上進行了改進,提出了充放電速率可調(diào)優(yōu)化算法。為了驗證所提算法的有效性,本文將其與未采用優(yōu)化算法和文獻[10]提出的尋谷優(yōu)化算法進行比較。比較結果證明，該算法能夠通過合理的調(diào)度來解決可再生能源利用率以及微網(wǎng)內(nèi)部電量供應和需求不平衡問題。

1 V2G的控制模式

根據(jù)電動汽車充放電控制方式的不同,V2G的控制模式主要分為以下三種模式。

1)集中控制模式

在這種模式下,某一區(qū)域內(nèi)的所有電動汽車是作為一個整體接入大電網(wǎng),接受大電網(wǎng)的能量調(diào)度[11]。這種模式的優(yōu)點是增加了可供調(diào)度的容量且易于控制,對電網(wǎng)“削峰填谷”的效果更明顯,但建設成本比較高,比較適合于較大規(guī)模的電動汽車有序充放電過程。

2)分散式模式

在這種模式下,單輛電動汽車通過智能充放電機與大電網(wǎng)相連,智能充放電機根據(jù)電網(wǎng)的可用資源和電動汽車的剩余電量等因素來綜合協(xié)調(diào)該輛電動汽車的充放電行為[12]。這種模式的優(yōu)點是電動汽車充放電不受時間和空間的約束,建設成本低;但由于電動汽車接入具有隨機性,其控制協(xié)調(diào)難度要比集中式模式高,比較適合于較少數(shù)量的電動汽車有序充放電過程。

3)基于微網(wǎng)的V2G模式

在這種模式下,電動汽車并不像前兩種模式,直接與大電網(wǎng)相連,而是通過微網(wǎng)與大電網(wǎng)相連。電動汽車主要與微網(wǎng)進行能量的雙向交換。微網(wǎng)調(diào)度中心根據(jù)各個分布式電源的出力情況、負荷需求以及包括電動汽車在內(nèi)的儲能裝置的荷電狀態(tài)(SOC)來決定電動汽車是處于充電狀態(tài)和放電狀態(tài)[13]。同時如果微網(wǎng)中各個分布式電源的發(fā)電量加上電動汽車的放電量都不能滿足負荷需求,微網(wǎng)則需要向大電網(wǎng)購電,相反,微網(wǎng)中各個分布式電源的發(fā)電量要大于負荷的需求量加上電動汽車的充電量,微網(wǎng)則可以向大電網(wǎng)售電。這種模式結合了集中控制模式和分散模式的優(yōu)點,因此在本文中,電動汽車采用這種控制模式與電網(wǎng)進行互動。

2 電動汽車有序充放電的多目標優(yōu)化模型

2.1 優(yōu)化目標

1)微網(wǎng)負荷波動最小

將一天分為24個時段,將風力發(fā)電、光伏發(fā)電、微網(wǎng)基本負荷和電動汽車組成的微網(wǎng)等效負荷的波動最小作為優(yōu)化目標[14-15]。即

minF1=

(1)

式中:m為電動汽車數(shù)量;Pwind,t為t時段風力發(fā)電機組的輸出功率;PPV,t為t時段光伏陣列的輸出功率;Pload,t為t時段的微網(wǎng)負荷消耗功率;PEVi,t為t時段內(nèi)第i輛電動汽車的充/放電功率(充電時取負號,放電時取正號)。

(2)

式中:α的值越小,表示微網(wǎng)負荷波動越小。

2)可再生能源利用率最大

為充分發(fā)揮可再生能源在電動汽車有序充放電控制中的作用和效益,本文將最大化可再生能源出力作為優(yōu)化目標之一。即

(3)

式中:NW為系統(tǒng)內(nèi)可再生能源發(fā)電單元的數(shù)量;PW,i(t)為第i個可再生能源發(fā)電單元在t時段的出力;NG為系統(tǒng)內(nèi)火電機組數(shù)量;PG,j(t)為第j個火電機組在t時段的出力。

(4)

式中:β的值越小,表示可再生能源利用率越大。

3)車主獲得的收益最大

電動汽車車主為了能夠獲得一定的經(jīng)濟收益,一般會選擇在電價較低時進行充電,電價較高時進行放電[16]。在本文中,將一天劃分為24個時段,電動汽車車主在每個時段可以根據(jù)實時電價,選擇充電或是放電來實現(xiàn)與電網(wǎng)或微網(wǎng)的能量交換,其優(yōu)化目標是使車主獲得的經(jīng)濟收益最大。

maxF3=

(5)

式中:Si,j為第i輛電動汽車在j時刻的售電收益;Ci,j為第i輛電動汽車在j時刻的充電成本;Li,j為第i輛電動汽車蓄電池在j時刻的損耗費用;Ri,j,dis為第i輛電動汽車在j時刻向電網(wǎng)的售電價格;Pi,j,dis為第i輛電動汽車在j時刻的放電量;Ri,j,cha為第i輛電動汽車在j時刻的充電價格;Pi,j,cha為第i輛電動汽車在j時刻的充電量;RBat為電動汽車蓄電池的價格;Ci,j,Bat為第i輛電動汽車蓄電池在j時刻的容量;Ti,cha為第i輛電動汽車蓄電池充滿電所需時間;Ni,cycle為第i輛電動汽車蓄電池的最大充放電次數(shù);ε為一個很小的正數(shù)。

(6)

式中:γ的值越小,表示車主獲得的收益越大。

當放電收益≤充電成本+蓄電池損耗費用,表示此時無收益或是收益為負,此時F3為ε,由于ε為一個很小的正數(shù),從而保證γ的值很大,不是最優(yōu)值。

綜上所述,電動汽車有序充放電的多目標優(yōu)化函數(shù)為:

minF=λ1α+λ2β+λ3γ

(7)

式中:λ1,λ2和λ3分別為目標函數(shù)F1,F2和F3對應的加權系數(shù),且λ1+λ2+λ3=1。

2.2 約束條件

1)電池的可用容量約束

電動汽車車載蓄電池的容量是一定的,為了減小電池過度充電和深度放電對電池造成的不利影響,因此電池的可用容量應保持在一定的范圍內(nèi)[17],即

Smin≤Si,t≤Smax

(8)

式中:Si,t為第i輛電動汽車在t時刻的容量;Smin為電池容量的下限;Smax為電池容量的上限。

2)次日行駛需求約束

考慮到電動汽車車主第二天還要上班需要使用車輛,因此車輛在離開充放電站時應保持一定的最低電池容量,以滿足次日行駛需求[18]。其約束條件如下:

Si,depart≥Si,set

(9)

式中:Si,depart為第i輛電動汽車離開時電池的荷電狀態(tài);Si,set為第i輛電動汽車期望荷電狀態(tài)。

3)電網(wǎng)的功率平衡

考慮到全網(wǎng)的有功功率要達到平衡,其約束條件如下[19]:

Pwind,t+PPV,t+Pg,t±PEV,t-Ploss,t-Pload,t=0

(10)

式中:Pg,t為t時刻常規(guī)發(fā)電機組的輸出功率;Ploss,t為網(wǎng)損功率;PEV,t為t時段內(nèi)電動汽車的充/放電功率(充電時取負號,放電時取正號)。

3 多目標優(yōu)化模型的求解

一般來說,白天時段是用電高峰期,此時電動汽車可看作發(fā)電源向微網(wǎng)提供電能;而在夜晚時段是用電低谷期,這時電動汽車又被看作負荷來吸收過剩的電能。在某種意義上,無論是在用電高峰時通過增加發(fā)電量提供電能,還是在用電低谷期通過增加負荷量吸收電能,都可以看作是一個“填谷”的過程。因此在進行電動汽車充放電優(yōu)化控制時,會選擇找尋白天時段供電曲線和夜晚時段負荷曲線的最低點,即“谷點”,然后利用電動汽車的放電或充電來實現(xiàn)“填谷”。該種方法可以稱之為尋谷優(yōu)化算法。

在該方法中,由于在某個時段內(nèi)負荷/供電曲線的“谷點”是不變的,很容易出現(xiàn)更新的負荷曲線超過供電曲線或是更新后的供電曲線超過負荷需求的現(xiàn)象,這使得充放電時段被分割成多個時間段,這樣算法的靈活性被大大地限制了,這使得在用電高峰期時電動汽車無法完全釋放電能給微網(wǎng),在用電低谷期時電動汽車無法完全吸收分布式電源發(fā)出的過剩電能,導致可再生能源的利用率降低。為了解決這個問題,本文在尋谷優(yōu)化算法的基礎上,提出了變閾值優(yōu)化算法。

3.1 變閾值優(yōu)化算法

該算法與尋谷優(yōu)化算法不同的是其充放電過程是可以進行調(diào)整的。這種調(diào)整是通過改變電動汽車充/放電量的“閾值”來實現(xiàn)的,即如果出現(xiàn)尋谷優(yōu)化算法中更新的負荷曲線超過供電曲線或是更新后的供電曲線超過負荷需求的現(xiàn)象時,可以通過增加“閾值線”的方式來保證充放電時段不被分割。為了保證安全,在電動汽車的充電過程中,該“閾值線”不能大于分布式電源的最大發(fā)電量,在放電過程中,不能大于微網(wǎng)中的負荷值。該算法將夜晚用電低谷期微網(wǎng)不含電動汽車的基本負荷的最小值作為充電過程中“閾值線”的初始值,白天用電高峰期微網(wǎng)分布式電源發(fā)電量的最小值作為放電過程中“閾值線”的初始值。在每一次迭代過程中,“閾值線”都會增加δ,以滿足下一個時段負荷的需求和過剩風光發(fā)電能的消納量,如式(11)和式(12)所示。

(11)

(12)

本次迭代過程的終止條件可以是參與調(diào)度的電動汽車充電至Smax或者放電至最低荷電狀態(tài)Smin;也可以是當前迭代次數(shù)大于最大迭代次數(shù)。其求解過程如下:

(13)

(14)

(15)

(16)

Lc(nΔt)=

(17)

(18)

在夜晚時段(23:00至次日07:00),為吸收微網(wǎng)中分布式電源發(fā)出的過剩電能,電動汽車被看作負荷。在Pload(nΔt)

(19)

式中:Crate為充電速率。

同理,在白天用電高峰時段(10:00—15:00,18:00—21:00),為彌補微網(wǎng)中分布式電源發(fā)電量的不足,電動汽車看作電源向微網(wǎng)供電,為了能夠更加精確地供電,不造成浪費,通過將放電比較點Ld(nΔt)與當前供電量Pgen(nΔt)進行比較,找到Pgen(nΔt)

(20)

式中:Drate為放電速率。

3.2 充放電速率可調(diào)優(yōu)化算法

Crate,i(nΔt)=Lc(nΔt)-Pload(nΔt)

(21)

Drate,i(nΔt)=Ld(nΔt)-Pgen(nΔt)

(22)

通過式(21)計算而得的電動汽車在充電過程中的充電速率需要滿足以下兩個條件:一個是該電動汽車充電速率不能超過其最大充電速率,如式(23)所示;另一個是通過該充放電速率更新的電動汽車最大充電量不能大于電池容量的上限Smax,如式(24)所示。

(23)

(24)

如果不能滿足以上兩個條件,可以采用式(25)和式(26)進行修正。

(25)

(26)

同理,電動汽車放電速率也需要滿足以下兩個條件:一個是該電動汽車放電速率不能超過其最大放電速率,如式(27)所示;另一個是通過該放電速率更新的電動汽車最大剩余電量不能小于最低荷電狀態(tài)Smin,如式(28)所示。

(27)

(28)

如果不能滿足以上兩個條件,可以采用式(29)和式(30)進行修正。

(29)

(30)

當參與微網(wǎng)能量調(diào)度的電動汽車完成一次充電或放電后,當前的負荷曲線、最大充電量和供電曲線、最大剩余電量都要進行更新。更新公式如下:

(31)

(32)

算法流程如附錄A圖A1所示。

4 仿真算例

以某一區(qū)域的微網(wǎng)為例,該微網(wǎng)的分布式發(fā)電源由60臺風力發(fā)電機和1 000個光伏陣列組成,單個風力發(fā)電機的額定功率為100 kW,其對應的切入風速、切出風速和額定風速分別為3.5,25,15 m/s。光伏陣列由4×5光伏電池板組成,其額定功率為4 kW。該區(qū)域內(nèi)參與V2G服務的電動汽車數(shù)量為2 000輛,其電池的容量為20 kW·h,其價格為2 000元/(kW·h),最大充放電次數(shù)為1 000次。由于電動汽車不可能24 h都在充電站,需要正常出行,一般來說,大部分電動汽車主要以上下班為主要使用目的,可設定每天07:00—09:00和17:00—19:00為上下班時段,電動汽車處于行駛狀態(tài)。根據(jù)有關資料,私家車的日平均行駛里程約為40 km,上下班時段各為20 km,電動汽車蓄電池每千米耗電量為0.15 kW·h,電動汽車上下班分別需要消耗電能3 kW·h,折算到荷電狀態(tài)為0.15[20]。因此為了保證安全出行,電池的初始荷電狀態(tài)設為0.6,電池的最低荷電狀態(tài)設為0.2,電動汽車蓄電池的額定充放電速率均為0.2C(4 kW),最大充放電速率均為0.25C(5 kW)。此外該微網(wǎng)的日負荷功率值(Δt=15 min為間隔)如附錄A表A1所示。

為驗證本文所提算法的效果,本文將未采用優(yōu)化算法、尋谷優(yōu)化算法、變閾值優(yōu)化算法和充放電速率可調(diào)優(yōu)化算法來比較控制效果,未采用優(yōu)化算法下的微網(wǎng)供電/負荷曲線變化情況如圖1所示,而采用優(yōu)化算法下的供電曲線/負荷曲線變化情況如圖2所示。

圖1 未采用優(yōu)化算法下的微網(wǎng)供電/負荷曲線變化情況Fig.1 Power/load change curves of microgrid without optimization algorithm

圖2 不同優(yōu)化算法下微網(wǎng)供電/負荷曲線變化情況Fig.2 Power/load change curves of microgrid adopting different optimization algorithms

從圖1可以看出,電動汽車如果沒有參加充放電優(yōu)化控制,在白天用電高峰期,微網(wǎng)內(nèi)部各分布式電源發(fā)出的電能遠不能滿足負荷的需求,需要向大電網(wǎng)購買電量,使得微網(wǎng)運行成本大大增加,而到了夜晚用電低谷期,微網(wǎng)內(nèi)部各分布式電源發(fā)出的電能又遠超過負荷的需求,導致這部分能量無法使用,不得不丟棄,使得可再生能源的利用率不能得到有效的利用。其供電曲線和負荷曲線波動性較大,且存在很大的不平衡性。

當微網(wǎng)中的電動汽車參與充放電調(diào)度時,就可以在白天用電高峰期向微網(wǎng)增加電能供應量或者在夜晚用電低谷期增加從微網(wǎng)電能吸收量,可以實現(xiàn)V2G在負荷高峰期放電、負荷低谷充電的作用。從圖2可以看出,如果采用尋谷優(yōu)化算法,其供電曲線和負荷曲線波動性與圖1相比,波動性大為降低。但是微網(wǎng)中的供電曲線和負荷曲線仍存在一定的不平衡度。而本文提出的變閾值優(yōu)化算法和充放電速率可調(diào)優(yōu)化算法可以更好地改善微網(wǎng)內(nèi)部供電曲線和負荷曲線的平衡度,從圖2(b)和圖2(c)可以看出,供電曲線和負荷曲線基本吻合,尤其是變充放電速率調(diào)度算法控制效果最佳。究其原因,是因為這兩種算法都可以調(diào)整充放電過程,其中充放電速率調(diào)度算法還可以調(diào)整充放電速率,這使得電動汽車有了更大的自由度根據(jù)微網(wǎng)的供電和負荷情況來釋放或吸收電能,因此可以很好地解決可再生能源發(fā)電和電動汽車充放電的隨機性問題以及微網(wǎng)內(nèi)部電量供求不平衡問題。

本模型的第2個優(yōu)化目標是可再生能源利用率最大,要想實現(xiàn)該目標,就需要分布式電源中的可再生能源發(fā)出的電量要盡量使用,不要有過剩電量存在,同時也要盡量少從外部電網(wǎng)購電。表1為不同算法下的分布式電源過剩發(fā)電量和從外部電網(wǎng)購電量。

表1 分布式電源過剩發(fā)電量和從外部電網(wǎng)購電量Table 1 Excess generation for distributed generatorand purchase of electricity from main grid

從表1中可以看出,如果該微網(wǎng)中沒有電動汽車進行調(diào)度,其分布式電源過剩發(fā)電量和從外部電網(wǎng)購電量都是最高的,這說明不含電動汽車調(diào)度的微網(wǎng)存在較大的能量使用不平衡性。而尋谷優(yōu)化算法、變閾值優(yōu)化算法和充放電速率可調(diào)優(yōu)化算法下的分布式電源過剩發(fā)電量相對于不含電動汽車的情況分別下降了66.7%,91.1%,96%,從外部電網(wǎng)購電量分別下降了70%,92.1%,97.4%。從下降幅度可以看出,充放電速率可調(diào)優(yōu)化算法的性能指標是最好的。

本模型的第3個優(yōu)化目標是車主獲得的收益最大,要想實現(xiàn)該目標,需要車主在電價較低時進行充電,電價較高時向電網(wǎng)售電。一天中電動汽車通過微網(wǎng)從外部電網(wǎng)購電和向外部電網(wǎng)售電分為谷時、平時和峰時三個時段,根據(jù)國網(wǎng)北京市電力公司的數(shù)據(jù),各個時段的分時購電、售電電價如附錄A表A2所示,每位車主每月獲得的平均收益如表2所示。

當微網(wǎng)中的電動汽車不參與充放電調(diào)度時,車主只能從電網(wǎng)購電來滿足電動汽車的充電需求,其收益為負值。而當車主參與V2G服務后,其將獲得一定的收益,但是由于車主參與V2G服務會造成電池額外的充放電,使得電池的損耗成本有所增加,從表2中可以看出,采用尋谷優(yōu)化算法時,由于充放電過程不可以調(diào)整,其收益仍為負值,而采用了后兩種優(yōu)化算法,充放電過程可以根據(jù)實際情況進行調(diào)整,其中充放電速率調(diào)度算法還可以調(diào)整充放電速率,使得充放電次數(shù)減少,從而有效降低電池的損耗成本,其收益為正值,這與前面的分析基本相同。

表2 每位車主每月獲得的平均收益Table 2 Average benefit of each electric vehicleowner per month

5 結論

為了有效地引導電動汽車有序充放電,即電動汽車在用電高峰期作為發(fā)電源向電網(wǎng)供電,在用電低谷期作為負荷從電網(wǎng)吸收電能,實現(xiàn)電動汽車與電網(wǎng)之間的合理互動。本文重點對基于微網(wǎng)的V2G模式進行了研究,建立了以微網(wǎng)負荷波動最小、可再生能源利用率最大及車主獲得的收益最大為優(yōu)化目標的多目標優(yōu)化模型。針對該優(yōu)化模型的求解,提出了變閾值優(yōu)化算法,并在此基礎上進行了改進,提出了充放電速率可調(diào)優(yōu)化算法用于協(xié)調(diào)電動汽車與微網(wǎng)之間的能量交換。優(yōu)化結果表明,這兩種充放電優(yōu)化算法都能夠在一定程度上增加可再生能源利用率,改善微網(wǎng)內(nèi)部電量供應和需求不平衡問題以及提高電動汽車車主的收益,其中以變充放電速率調(diào)度算法的控制效果最佳。在本文中與微網(wǎng)進行能量交換的電動汽車主要是私家電動汽車,并未考慮公交車、出租車等不同類型的電動汽車。在未來研究過程中,要充分考慮不同類型的電動車汽車的充放電行為,并根據(jù)其充放電行為研究更為合理的調(diào)度算法。

附錄見本刊網(wǎng)絡版(http://www.aeps-info.com/aeps/ch/index.aspx)。

[1] 楊玉紅,張峰,張艷芳.電動汽車參與電網(wǎng)調(diào)峰的分析研究[J].電力學報,2012,38(4):306-309.

YANG Yuhong, ZHANG Feng, ZHANG Yanfang. Analysis of power grid peak shaving with electric vehicles[J]. Journal of Electric Power, 2012, 38(4): 306-309.

[2] 劉利兵,劉天琪,張濤,等.計及電池動態(tài)損耗的電動汽車有序充放電策略優(yōu)化[J].電力系統(tǒng)自動化,2016,40(5):83-90.DOI:10.7500/AEPS20150324001.

LIU Libing, LIU Tianqi, ZHANG Tao, et al. Orderly charging and discharging strategy optimization for electric vehicles considering dynamic battery-wear model[J]. Automation of Electric Power Systems, 2016, 40(5): 83-90. DOI: 10.7500/AEPS20150324001.

[3] 吳紅斌,侯小凡,趙波,等.計及可入網(wǎng)電動汽車的微網(wǎng)系統(tǒng)經(jīng)濟調(diào)度[J].電力系統(tǒng)自動化,2014,38(9):77-84.DOI:10.7500/AEPS20130911002.

WU Hongbin, HOU Xiaofan, ZHAO Bo, et al. Economical dispatch of microgrid considering plug-in electric vehicles[J]. Automation of Electric Power Systems, 2014, 38(9): 77-84. DOI: 10.7500/AEPS20130911002.

[4] 羅卓偉,胡澤春,宋永華,等.大規(guī)模電動汽車充放電優(yōu)化控制及容量效益分析[J].電力系統(tǒng)自動化,2012,36(10):19-26.

LUO Zhuowei, HU Zechun, SONG Yonghua, et al. Coordinated charging and discharging of large-scale plug-in electric vehicles with cost and capacity benefit analysis [J]. Automation of Electric Power Systems, 2012, 36(10): 19-26.

[5] CHUKWU U C, MAHAJAN S M. Real-time management of power systems with V2G facility for smart-grid applications[J]. IEEE Transactions on Sustainable Energy, 2014, 5(2): 558-556.

[6] 占愷嶠,宋永華,胡澤春.以降損為目標的電動汽車有序充電優(yōu)化[J].中國電機工程學報,2012,32(31):11-18.

ZHAN Kaiqiao, SONG Yonghua, HU Zechun. Coordination of electric vehicle charging to minimize active power losses[J]. Proceedings of the CSEE, 2012, 32(31): 11-18.

[7] KARFOPOULOS E L, PANOURGIAS K A, HATZIARGYRIOU N D. Distributed coordination of electric vehicles providing V2G regulation services[J]. IEEE Transactions on Power Systems, 2016, 31(4): 2834-2846.

[8] CROW M M L. Cost-constrained dynamic optimal electric vehicle charging[J]. IEEE Transactions on Sustainable Energy, 2017, 8(2): 716-724.

[9] 王姝凝,楊少兵.居民小區(qū)電動汽車充電負荷有序控制策略[J].電力系統(tǒng)自動化,2016,40(4):71-77.DOI:10.7500/AEPS20150429013.

WANG Shuning, YANG Shaobing. A coordinated charging control strategy for electric vehicles charging load in residential area[J]. Automation of Electric Power Systems, 2016, 40(4): 71-77. DOI: 10.7500/AEPS20150429013.

[10] JIN Chenrui, TANG Jian, GHOSH P. Optimizing electric vehicle charging: a customer’s perspective[J]. IEEE Transactions on Vehicular Technology, 2013, 62(7): 2919-2927.

[11] ORTEGA-VAZQUEZ M A. Optimal scheduling of electric vehicle charging and vehicle-to-grid services at household level including battery degradation and price uncertainty[J]. IET Generation, Transmission & Distribution, 2014, 8(6): 1007-1016.

[12] 鄭穎,孫近文,張沖.考慮電動汽車接入的配電系統(tǒng)靜態(tài)電壓穩(wěn)定裕度研究[J].電工技術學報,2014,29(8):20-26.

ZHENG Ying, SUN Jinwen, ZHANG Chong. Study of voltage stability margin for the distribution network with electric vehicle integration[J]. Transactions of China Electrotechnical Society, 2014, 29(8): 20-26.

[13] 楊曉東,張有兵,任帥杰,等.含高滲透率光伏發(fā)電并網(wǎng)型微網(wǎng)中的電動汽車優(yōu)化調(diào)度方法[J].電力系統(tǒng)自動化,2016,40(18):15-23.DOI:10.7500/AEPS20151102011.

YANG Xiaodong, ZHANG Youbing, REN Shuaijie, et al. Optimal scheduling scheme of electric vehicles in grid-connected microgrid with high penetration photovoltaic power[J]. Automation of Electric Power Systems, 2016, 40(18): 15-23. DOI: 10.7500/AEPS20151102011.

[14] GUO Qinglai, XIN Shujun, SUN Hongbin. Rapid-charging navigation of electric vehicles based on real-time power systems and traffic data[J]. IEEE Transactions on Smart Grid, 2014, 5(4): 1969-1979.

[15] TANG Yuchen, ZHONG Jin, BOLLEN M. Aggregated optimal charging and vehicle-to-grid control for electric vehicles under large electric vehicle population[J]. IET Generation, Transmission & Distribution, 2016, 10(8): 2012-2018.

[16] RIGAS E S, RAMCHURN S D, BASSILIADES N. Managing electric vehicles in the smart grid using artificial intelligence: a survey[J]. IEEE Transactions on Intelligent Transportation Systems, 2015, 16(4): 1619-1635.

[17] BAI Xiaoqing, QIAO Wei. Robust optimization for bidirectional dispatch coordination of large-scale V2G[J]. IEEE Transactions on Smart Grid, 2015, 6(4): 1944-1954.

[18] 陳靜鵬,艾芊,肖斐.基于用戶出行需求的電動汽車充電站規(guī)劃[J].電力自動化設備,2016,36(6):34-39.

CHEN Jingpeng, AI Qian, XIAO Fei. EV charging station planning based on travel demand[J]. Electric Power Automation Equipment, 2016, 36(6): 34-39.

[19] 李正爍,郭慶來,孫宏斌,等.計及電動汽車充電預測的實時充電優(yōu)化方法[J].電力系統(tǒng)自動化,2014,38(9):61-68.DOI:10.7500/AEPS20130506019.

LI Zhengshuo, GUO Qinglai, SUN Hongbin, et al. Real-time charging optimization method considering vehicle charging prediction[J]. Automation of Electric Power Systems, 2014, 38(9): 61-68. DOI: 10.7500/AEPS20130506019.

[20] 楊曉東,任帥杰,張有兵,等.電動汽車可調(diào)度能力模型與日內(nèi)優(yōu)先調(diào)度策略[J].電力系統(tǒng)自動化,2017,41(2):84-93.DOI:10.7500/AEPS20160323006.

YANG Xiaodong, REN Shuaijie, ZHANG Youbing, et al. Schedulable ability model and priority-based intraday scheduling strategy for electric vehicle[J]. Automation of Electric Power Systems, 2017, 41(2): 84-93. DOI: 10.7500/AEPS20160323006.

周天沛(1977—),男,博士,副教授,主要研究方向:微電網(wǎng)優(yōu)化運行、電動汽車充電站布局最優(yōu)規(guī)劃。E-mail： zhoutianpei_001@163.com

孫 偉(1963—),男,通信作者,博士,教授,博士生導師,主要研究方向:分布式智能微電網(wǎng)建設以及優(yōu)化運行。E-mail: sw3883204@163.com

(編輯孔麗蓓)

( continuedonpage117)( continuedfrompage104)