基于電動汽車充放電的Prosumer單元并網(wǎng)優(yōu)化研究

程韌俐，王穎，劉東洋，程維杰，馬偉哲，翁毅選，馬剛

(1. 深圳供電局有限公司，廣東 深圳 518001；2.南京師范大學(xué)，江蘇 南京 210023；3.國電南瑞科技股份有限公司，江蘇 南京 211106)

近年來環(huán)境污染與能源危機日益加劇，開展節(jié)能環(huán)?？滩蝗菥廩1-3]。在各大汽車企業(yè)、各國政府與科研機構(gòu)的共同努力下，電動汽車充放電技術(shù)與電池技術(shù)得到了快速發(fā)展。電動汽車逐漸取代燃油汽車，受到了人們的廣泛關(guān)注，成為眾多家庭出行的代步工具[4-7]。

新能源電源與負荷逐步滲入家庭用電單元中，使得家庭能源管理變得更為復(fù)雜，既是電能消費者又是電能生產(chǎn)者的這類家庭單元稱為“Prosumer”[8]。目前國內(nèi)外已有眾多學(xué)者對Prosumer的負荷模型與能量管理等展開研究。在Prosumer單元負荷建模方面，J Munkhammar[9]以倫敦威斯敏斯特市為例，分別對家庭用電量、電動汽車家庭充電與光伏發(fā)電量建模，分析家庭負荷用電、電動汽車家庭充電與分布式光伏發(fā)電相結(jié)合的整個家庭一年四季的用電情況；J Munkhammar[10]針對用戶光伏發(fā)電和家庭電力消耗在晝夜和季節(jié)上的不匹配問題，利用卷積方法將3個獨立的現(xiàn)有概率分布模型合并，并提出一個結(jié)合家庭用電量、電動汽車家庭充電和光伏發(fā)電的模型。在Prosumer單元能量管理方面，M. H Nazari[11]在Prosumer概念的基礎(chǔ)上，提出一種電能系統(tǒng)的分布式頻率調(diào)節(jié)框架，但未考慮電動汽車家庭充電情況。在家庭能量管理策略方面，姚鋼[12]以住戶用能費用最少為目標(biāo)，利用二進制粒子群優(yōu)化(particle swarm optimization,PSO)算法進行求解，但并未研究將其接入Prosumer單元中的能量管理策略；李中偉[13]為實現(xiàn)家庭能量管理系統(tǒng)的經(jīng)濟運行、提高用戶能量收益和減少用戶用能成本，提出一種基于實時電價和NSGA-Ⅱ算法的家庭能量管理系統(tǒng)多目標(biāo)能量調(diào)度優(yōu)化策略，但NSGA-Ⅱ算法操作較為復(fù)雜，影響到家庭能量管理的效率；王瓏[14]提出一種基于用戶滿意度的光蓄互補型家庭能量管理的協(xié)調(diào)優(yōu)化調(diào)度策略，但并未加入算法對控制策略進行優(yōu)化。

在上述研究的基礎(chǔ)上，本文考慮電動汽車接入Prosumer單元充放電，提出一種Prosumer單元的并網(wǎng)優(yōu)化方法。首先分析深圳配電網(wǎng)負荷分類及其構(gòu)成，并根據(jù)其特性建立深圳配電網(wǎng)負荷模型；其次，基于電動汽車充放電技術(shù)，建立電動汽車充放電模型，并充分考慮其特性，建立Prosumer單元負荷模型；接著，基于改進粒子群優(yōu)化(modified particle swarm optimization，MPSO)算法，對多個Prosumer單元接入配電網(wǎng)能量進行優(yōu)化管理，使配電網(wǎng)負荷波動最小化；最后，利用IEEE 33節(jié)點配電網(wǎng)模型，對本文提出的多個Prosumer單元并網(wǎng)優(yōu)化方法進行驗證。

1 深圳配電網(wǎng)負荷特性

深圳電網(wǎng)負荷以工業(yè)和商業(yè)為主，即負荷節(jié)點的性質(zhì)受工業(yè)和商業(yè)負荷影響比較大，而受農(nóng)業(yè)負荷影響相對較小。本文將深圳市電網(wǎng)負荷劃分為工業(yè)負荷、商業(yè)負荷、居民負荷、其他負荷4個類別，其中其他負荷為包含機構(gòu)、中小學(xué)等除工業(yè)、商業(yè)和居民負荷以外的負荷類別[15]。

根據(jù)深圳2012年夏季最高負荷時刻的負荷數(shù)據(jù)，以紅嶺變電站為例，其負荷由各個分類負荷累加而成，合計24 963 kW。其中：工業(yè)負荷類用戶共1戶，平均負荷128 kW，占比0.51%；商業(yè)負荷用戶共34戶，平均負荷累計9 672 kW，占比38.75%；居民負荷類用戶共11戶，平均負荷累計2 903 kW；其他負荷類用戶42戶，平均負荷累計12 260 kW，占比49.11%[16]。

可見，深圳市電網(wǎng)負荷受商業(yè)影響較大，但商業(yè)負荷與工業(yè)負荷均屬于重要負荷，負荷控制較為困難，若大規(guī)模參與日常配電網(wǎng)負荷調(diào)控，可能會造成一定經(jīng)濟損失。因此，相比較而言，居民負荷所占比例較高且可控性較強，選擇一定比例的居民負荷參與到配電網(wǎng)的負荷調(diào)控中具有實際意義。

2 基于電動汽車充放電的Prosumer單元負荷模型

以深圳市負荷特性為例，使居民負荷參與到配電網(wǎng)的負荷調(diào)控中，以緩解配電網(wǎng)負荷峰谷差問題，需要對居民負荷進行建模。目前電動汽車逐漸取代了燃油汽車，成為眾多家庭出行的選擇；因此，本文首先對電動汽車家庭充電模型進行建模，將其充放電特性納入Prosumer單元負荷模型中，結(jié)合家庭日常用電負荷模型，搭建Prosumer單元的負荷模型。

2.1 電動汽車充電負荷模型

電動汽車充電負荷受多方面因素的影響，主要有電動汽車充電模式、充電時間、用戶行為習(xí)慣、電池特性等。電動汽車的充電時長、用戶行為習(xí)慣等因素均是隨機變量，在時間、空間上都存在不確定性，因此，無法用確定性的方法對電動汽車家庭充電負荷進行計算分析[17]。

快速充電在10～15 min內(nèi)使電動汽車電量超過80%，充電功率能高達100 kW，其充電站一般建設(shè)在公共場所，如大面積的泊車場、酒店、購物商場等停車時間較短的地方，不適用于Prosumer單元[18]；因此，本文考慮電動汽車接入Prosumer單元中充放電時，選擇電動汽車慢充電模式。

依據(jù)美國家用車輛調(diào)查(National Household Travel Survey，NHTS)的統(tǒng)計數(shù)據(jù)可知[19]，電動汽車的日行駛里程r和起始時間tstart基本符合正態(tài)分布，其概率密度函數(shù)fD(r)、fs(tstart)分別為：

(1)

(2)

式(1)—(2)中：x為概率密度函數(shù)中的tstart變量；μD、σD均為里程系數(shù)，分別取值3.2、0.88；μs、σs均為時間系數(shù)，分別取值17.6、3.4。

利用蒙特卡洛仿真法模擬家庭電動汽車1 d(24 h)內(nèi)的充電負荷曲線，如圖1所示。

圖1 家庭電動汽車充電日負荷曲線Fig.1 Daily charging daily load curve of household electric vehicle

2.2 Prosumer單元負荷模型

電動汽車作為分布式能源，可接入Prosumer單元中充放電，且具有即插即用的功能。結(jié)合電動汽車家庭充電模型與家庭用電日負荷模型，建立Prosumer單元日負荷模型。

家庭用電同樣具有隨機性，目前一般用Weibull分布和對數(shù)正態(tài)分布來模擬家庭用電[10]，本文通過Weibull概率密度函數(shù)對家庭用電建模。Weibull函數(shù)利用最大似然法對每小時、每天、每周、每年的數(shù)據(jù)類別進行估計，結(jié)果一共有24×7×12=2 016個分布[20]。家庭日負荷概率模型如圖2所示。

圖2 家庭日負荷概率模型Fig.2 Household daily load probability model

將電動汽車接入家庭中充放電，結(jié)合家庭用電模型，建立以家庭為單位的Prosumer單元負荷模型為

PP(T)=PH(T)+PEV(T).

(3)

式中：PP(T)為Prosumer單元的實時功率；PH(T)為Prosumer單元中家庭負荷的實時功率；PEV(T)為Prosumer單元中電動汽車充電的實時功率。

電動汽車可在電能充裕且無外出需求的情況下向Prosumer單元放電。若PEV符號為正，電動汽車處于充電狀態(tài)；若PEV符號為負，則電動汽車處于放電狀態(tài)。若僅允許電動汽車接入Prosumer單元無序充電，Prosumer單元的日負荷模型如圖3所示。

圖3 Prosumer單元的日負荷模型Fig.3 Daily load model of Prosumer

當(dāng)電動汽車接入Prosumer單元無序充電時，其充電負荷會使得Prosumer單元日負荷波動增大，同時增大了Prosumer單元的峰谷差?？梢?，當(dāng)電動汽車接入Prosumer單元后，會使大量Prosumer單元日負荷波動疊加，導(dǎo)致配電網(wǎng)日負荷波動加劇，即增大了配電網(wǎng)的峰谷差；因此，Prosumer單元中應(yīng)利用電動汽車有序的充放電行為，來緩解大量Prosumer單元并網(wǎng)時對配電網(wǎng)負荷波動及網(wǎng)損的影響。

3 基于MPSO算法的Prosumer單元并網(wǎng)優(yōu)化

本文應(yīng)用MPSO算法來計算在滿足電動汽車需求的前提下，電動汽車接入Prosumer單元中1 d(24 h)內(nèi)的實時充放電功率最優(yōu)解。

3.1 約束條件及目標(biāo)函數(shù)

本文利用電動汽車充放電參與配電網(wǎng)負荷調(diào)控，求解1 d(24 h)內(nèi)電動汽車實時充放電功率PEV(T)，使得Prosumer單元日負荷波動最小。因此，目標(biāo)函數(shù)為

(4)

搜索空間中的任意一個位置可表示為

x=(m1,m2,m3,…,mn).

(5)

式中mi為電動汽車在第i時間的充放電功率。搜索空間中的任何一個位置都對應(yīng)著一種可能存在的求解結(jié)果。

由于是對電動汽車充放電行為進行優(yōu)化，電動汽車的電池對功率有一定承受度，且電池容量也存在著容許范圍；因此，根據(jù)電動汽車電池容量，設(shè)定其容許功率值，即約束條件為：

(6)

式中：PEVd_min與PEVc_max分別為電動汽車放電功率的最小值及電動汽車充電功率的最大值；Smin、Smax為電動汽車電池荷電狀態(tài)所能容許保存的最小值與最大值。

3.2 優(yōu)化模型

假設(shè)具有j個粒子的種群在n維搜索空間中進行搜索，粒子i在第t次迭代時的起始位置為

xi=(xi_1(t),xi_2(t),xi_3(t),…,xi_n(t)).

(7)

相應(yīng)的速度為

vi=(vi_1(t),vi_2(t),vi_3(t),…,vi_n(t)).

(8)

其中各維度分量均滿足

vmin≤vi_d(t)≤vmax.

(9)

式中：vi_d(t)為第i個粒子在第t次迭代時的第d維度速度分量；vmin、vmax為粒子迭代速度分量的最小值與最大值。

設(shè)個體最優(yōu)位置pi_best(t)表示第i個粒子在第t次迭代時的歷史軌跡中優(yōu)化目標(biāo)f最小的位置，全局最優(yōu)位置pg_best(t)表示種群中所有粒子在第t次迭代時的歷史軌跡中優(yōu)化目標(biāo)f最小的位置，則第i個粒子在第(t+1)次迭代時的速度更新公式為[21]

vi(t+1)=wvi(t)+c1r1(pi_best(t)-

xi(t))+c2r2(pg_best(t)-xi(t)).

(10)

式中：w為慣性權(quán)重；c1為跟蹤自身最優(yōu)位置的權(quán)重；c2為跟蹤全局最優(yōu)位置的權(quán)重；r1與r2為0～1之間服從均勻分布的隨機數(shù)。第i個粒子在第(t+1)次迭代時的位置更新公式為[22]

xi(t+1)=xi(t)+kvi(t+1).

(11)

式中k為位置更新的約束因子。

根據(jù)經(jīng)驗，傳統(tǒng)的PSO算法中參數(shù)的取值見表1。

表1 PSO算法參數(shù)取值Tab.1 Parameter values of PSO algorithm

在傳統(tǒng)的PSO算法中，除了r1與r2以外的參數(shù)均是靜態(tài)的，如果粒子經(jīng)歷過的最好位置pbest和種群經(jīng)歷過的最好位置gbest將當(dāng)前粒子引導(dǎo)到不同的方向，這個粒子將在可行空間中波動。另一方面，如果pbest和gbest與當(dāng)前粒子的方向相同，粒子將遵循相同的進化方向。在這種情況下，如果gbest距離全局最優(yōu)點很遠，粒子就無法擺脫局部最優(yōu)點。為了克服傳統(tǒng)PSO算法存在的缺陷，本文采用了MPSO算法，其本質(zhì)在于動態(tài)的改變PSO算法中的參數(shù)，即：

(12)

MPSO算法中引入了變異操作。為了不讓粒子陷入局部最優(yōu)的困境，引入另一個最優(yōu)粒子來激勵粒子，從而保證在優(yōu)化過程中粒子能夠走向不同的方向，使得粒子跳出局部最優(yōu)進而探索全局最優(yōu)位置[23]。

本文提出的基于MPSO算法的Prosumer并網(wǎng)優(yōu)化算法的基本流程如圖4所示。

4 仿真驗證

采用IEEE 33節(jié)點配電網(wǎng)模型(圖5)，結(jié)合深圳地區(qū)配電網(wǎng)負荷特性，對本文提出的基于電動汽車充放電的Prosumer單元并網(wǎng)優(yōu)化方法進行驗證。

4.1 Prosumer單元優(yōu)化結(jié)果

分別利用傳統(tǒng)PSO算法和MPSO算法對Prosumer單元中電動汽車充電情況進行優(yōu)化，每個優(yōu)化算法隨機進行50次，記錄優(yōu)化目標(biāo)的平均值、最小值、最大值與標(biāo)準(zhǔn)差，見表2。

圖4 基于MPSO算法的Prosumer并網(wǎng)優(yōu)化流程Fig.4 Prosumer grid-connected optimization flow chart based on MPSO algorithm

圖5 IEEE 33節(jié)點配電網(wǎng)拓撲模型Fig.5 Topology model of IEEE 33 node distribution network

表2 傳統(tǒng)PSO算法與MPSO算法對比Tab.2 The comparison between traditional PSO and MPSO algorithm

由表2可見，與傳統(tǒng)的PSO算法相比，MPSO算法性能有了較大的提高，經(jīng)過50次隨機優(yōu)化仿真后，標(biāo)準(zhǔn)差僅1.96×10-6。

利用MPSO算法，對基于電動汽車充放電的Prosumer單元功率負荷模型進行優(yōu)化，在電動汽車充放電功率范圍與電池容量限制的前提下，使Prosumer單元日負荷波動最小。

將未優(yōu)化的Prosumer負荷與經(jīng)MPSO算法優(yōu)化后的Prosumer負荷對比，如圖6所示。

圖6 Prosumer單元優(yōu)化前后負荷對比Fig.6 Comparison of load before and after optimization of Prosumer

經(jīng)MPSO算法優(yōu)化電動汽車在Prosumer單元中的充放電行為之后，Prosumer單元的日負荷波動略有下降，由優(yōu)化前的1.083 1 kW下降到0.485 7 kW，降幅55.16%?？梢钥闯?，Prosumer單元在16：00—22：00時段的負荷有明顯下降，22：00—06：00(次日)時段的負荷略有上升，即將電動汽車充電時間從負荷高峰期轉(zhuǎn)移至負荷低谷時間段，使得Prosumer單元的日負荷有明顯下降，起到了在Prosumer單元中削峰填谷的作用。

4.2 Prosumer單元接入配電網(wǎng)的影響

為研究Prosumer單元接入配電網(wǎng)對配電網(wǎng)電壓的影響，選取IEEE 33節(jié)點配電網(wǎng)模型，將優(yōu)化前與優(yōu)化后的Prosumer單元接入節(jié)點5，分析其接入后對配電網(wǎng)節(jié)點電壓與配電網(wǎng)網(wǎng)損的影響。

Prosumer單元優(yōu)化前后接入配電網(wǎng)的節(jié)點電壓對比如圖7所示?？梢钥闯鰞?yōu)化后的節(jié)點電壓更為平穩(wěn)，盡管在00：00—07：00和10：00—14：00時段優(yōu)化后的節(jié)點電壓更低，但在配電網(wǎng)負荷高峰期的18：00—22：00時段，配電網(wǎng)節(jié)點電壓明顯提高，電壓波動明顯減小。

將優(yōu)化前后的Prosumer單元接入節(jié)點5，配電網(wǎng)網(wǎng)損數(shù)據(jù)見表3?？梢钥闯觯潆娋W(wǎng)網(wǎng)損的變化趨勢與Prosumer負荷變化趨勢強相關(guān)。

由表3可見，經(jīng)過本文方法優(yōu)化后，將配電網(wǎng)負荷峰時段的負荷壓力轉(zhuǎn)移到平時段與谷時段，降低了配電網(wǎng)負荷的峰谷差，因此在平時段與谷時段，配電網(wǎng)網(wǎng)損略有升高。關(guān)鍵在于經(jīng)優(yōu)化的Prosumer單元接入配電網(wǎng)后，在配電網(wǎng)負荷峰時段的網(wǎng)損降幅較大，基本均降低了10%～12%。

圖7 配電網(wǎng)節(jié)點電壓對比Fig.7 Comparison of node voltages before and after Prosumer unit accessing distribution network

表3 配電網(wǎng)網(wǎng)損對比Tab.3 Comparison of distribution network loss

注：時段1為00：00—01：00，以此類推。

綜合分析圖7與表3可知：Prosumer單元接入配電網(wǎng)后，在負荷高峰期利用電動汽車V2G技術(shù)在Prosumer中對負荷和功率的調(diào)控作用，降低了Prosumer單元的峰谷差，從而減小了配電網(wǎng)的峰谷差，有效降低了配電網(wǎng)負荷高峰期時的電壓偏移和網(wǎng)損。

5 結(jié)束語

本文提出了一種基于電動汽車充放電的Prosumer單元并網(wǎng)優(yōu)化模型。在充分考慮深圳地區(qū)負荷特性的基礎(chǔ)上，結(jié)合電動汽車充放電技術(shù)，建立了Prosumer單元的日負荷模型，利用MPSO算法，對Prosumer單元并網(wǎng)能量流通進行優(yōu)化。電動汽車通過在家庭Prosumer單元中的充放電行為，參與配電網(wǎng)負荷調(diào)控。仿真結(jié)果驗證了該方法可減小Prosumer單元負荷的峰谷差，間接緩解了深圳地區(qū)配電網(wǎng)負荷峰谷差問題，在負荷高峰時間段減小了配電網(wǎng)節(jié)點電壓偏移，也降低了配電網(wǎng)的總網(wǎng)損，具有一定實際意義。