電動汽車接入微網(wǎng)優(yōu)化調(diào)度模型建立及其算例*

金商鶴，張 宇，，王育飛，時珊珊，王皓靖

(1.上海電力大學(xué) 電氣工程學(xué)院，上海 200090；2.國網(wǎng)上海市電力公司電力科學(xué)研究院，上海 200437)

0 引言

近年來微網(wǎng)和電動汽車發(fā)展突飛猛進(jìn)，風(fēng)、光出力波動性和電動汽車接入電網(wǎng)無序充電問題亟待解決[1]。為此國內(nèi)外學(xué)者構(gòu)想將電動汽車與微網(wǎng)協(xié)調(diào)運(yùn)行，以緩解兩者單獨(dú)接入電網(wǎng)的不利影響，促進(jìn)兩者的應(yīng)用和發(fā)展[2-5]。在微電網(wǎng)中連接電動汽車進(jìn)行儲能時，可以有效避免發(fā)生間歇性新能源出力的情況，現(xiàn)階段已有許多學(xué)者研究了將電動汽車與微網(wǎng)進(jìn)行連接時的優(yōu)化調(diào)度技術(shù)。例如，文獻(xiàn)[6]-[8]設(shè)計了一種對含有電動汽車的微網(wǎng)系統(tǒng)進(jìn)行多目標(biāo)調(diào)度的分析模型，結(jié)果發(fā)現(xiàn)采取有序充放電的方式可以獲得比無序充電入網(wǎng)方式更高的經(jīng)濟(jì)性；文獻(xiàn)[8]報道了由電動汽車構(gòu)成的光、風(fēng)、儲能微電網(wǎng)調(diào)度模型，通過引入更加協(xié)調(diào)的運(yùn)行模式能夠有效減小系統(tǒng)的運(yùn)行成本并降低電動汽車運(yùn)行費(fèi)用；文獻(xiàn)[9]同時分析了微網(wǎng)發(fā)電成本及其對環(huán)境造成的影響，對分布式電源的出力狀況進(jìn)行了動態(tài)分析，因此能夠?qū)崿F(xiàn)在低發(fā)電成本的條件下獲得更優(yōu)的環(huán)境效益；文獻(xiàn)[10]根據(jù)微網(wǎng)內(nèi)存在的不確定因素設(shè)計得到了具有良好魯棒性的經(jīng)濟(jì)調(diào)度模型，并達(dá)到了較低的電動車損耗，同時滿足魯棒性與經(jīng)濟(jì)性要求。現(xiàn)有文獻(xiàn)多通過直接負(fù)荷控制的方式滿足實施方需求，其對電動汽車特殊性的考慮不夠充分，較少關(guān)注單輛電動汽車參與激勵型需求響應(yīng)項目后的實際響應(yīng)效果[11-14]。文獻(xiàn)[15]-[16]以負(fù)荷峰值削減為目標(biāo)，制定有序的電動汽車充電策略，該類方法通常缺少對電動汽車參與響應(yīng)的效果評估，忽略用戶側(cè)需求[17]。上述文獻(xiàn)較少考慮電動汽車車主響應(yīng)意愿，單方面認(rèn)為入網(wǎng)的電動汽車皆可參與充放電調(diào)度；其次，優(yōu)化調(diào)度通常直接針對單輛電動汽車，電動汽車數(shù)量較多時容易引發(fā)“維數(shù)災(zāi)”問題。

本文從電動汽車用戶響應(yīng)意愿角度出發(fā)，建立兩階段優(yōu)化調(diào)度模型，兩階段優(yōu)化方法的決策變量數(shù)顯著減少，有利于大量電動汽車充放電優(yōu)化問題的快速求解。

1 兩階段優(yōu)化調(diào)度模型建立

1.1 日前集群調(diào)度模型

1.1.1 目標(biāo)函數(shù)

日前集群調(diào)度以風(fēng)光利用率最大為目標(biāo)：

式中，pw，t、ppv，t、pwv，t分別為微網(wǎng)在t時段的風(fēng)電、光伏出力預(yù)測值以及風(fēng)光利用功率，pload，t為 t時段微網(wǎng)基本負(fù)荷，PEV，t為 t時段電動汽車總的充放電功率，pB，t為 t時段微網(wǎng)中儲能電池的充放電功率。

1.1.2 約束條件

(1)功率平衡約束

微網(wǎng)為維持功率平衡，在t時段的購電量qt為：

(2)電動汽車集群充放電功率約束

式中，pcmax，l、pdmax，l為電動汽車的充、放電功率上限。

(3)儲能電池約束

儲能電池的安全運(yùn)行需考慮荷電狀態(tài)SB約束，且其充放電功率pB，t受其最大充放電功率約束，故有：

式中，SB，max、SB，min分別為儲能電池荷電狀態(tài)上、下限，pB，cmax、pB，dmax分別為儲能電池充、放電功率最大值，ηB，c、ηB，d分別為儲能電池的充、放電效率，CB為儲能電池容量。

從安全性和可持續(xù)性角度出發(fā)，儲能電池在整個調(diào)度周期的充放電電量需維持平衡。

1.2 日內(nèi)實時調(diào)度模型

1.2.1 目標(biāo)函數(shù)

計及風(fēng)電、光伏出力預(yù)測誤差，結(jié)合電動汽車分類，日內(nèi)實時調(diào)度以與日前集群調(diào)度結(jié)果偏差最小為目標(biāo)：

1.2.2 約束條件

(1)功率約束

式中，Nt1、Nt2和Nt3分別為恒功率充電、響應(yīng)充電和響應(yīng)充放電的電動汽車數(shù)量。

(2)荷電狀態(tài)約束

式中，ηl，c、ηl，d分別為電動汽車 l的充、放電效率。

(3)出行需求約束

電動汽車l接入微網(wǎng)的持續(xù)時間為：Tcon，l=Tout，l-Tin，l，Tcon，l包含的時間段集合為，則電動汽車在離開時要滿足期望電量要求：

式中，S0，l為電動汽車l接入微電網(wǎng)的初始荷電狀態(tài)。

1.3 兩階段優(yōu)化調(diào)度流程圖

電動汽車分類接入微網(wǎng)兩階段優(yōu)化調(diào)度流程如圖1所示。

本文在MATLAB環(huán)境下應(yīng)用Yalmip工具箱調(diào)用Gurobi求解器方法，先后對兩階段優(yōu)化調(diào)度模型進(jìn)行求解。

2 算例分析

2.1 基本參數(shù)

圖1 兩階段優(yōu)化調(diào)度流程圖

將一天分為96個時段，調(diào)度間隔15 min。有100輛電動汽車接入微網(wǎng)充電，電動汽車容量統(tǒng)一為25 kW·h，充、放電功率上限為 3.6 kW，充、放電效率分別為0.95、0.9，荷電狀態(tài)上、下限分別為 1、0.2，由電動汽車功率需求模型隨機(jī)生成電動汽車充電需求信息，假設(shè)I類、II類和III類電動汽車分別占比20%、30%和50%。假設(shè)風(fēng)光出力預(yù)測誤差服從正態(tài)分布，預(yù)測誤差方差為0.2。日前微網(wǎng)源荷信息如圖2所示，包括微網(wǎng)中的基本負(fù)荷、日前風(fēng)電和光伏出力預(yù)測，以及電動汽車各時段的無序充電需求。

圖2 日前微網(wǎng)源荷信息

2.2 結(jié)果分析

2.2.1 電動汽車日前集群調(diào)度與日內(nèi)實時調(diào)度

電動汽車日前集群調(diào)度和日內(nèi)實時調(diào)度計劃如圖3所示。由圖3可知，日前集群調(diào)度和日內(nèi)實時調(diào)度當(dāng)日電動汽車充放電計劃不完全重合，但兩條曲線整體趨勢近似一致，在風(fēng)電過剩的0時～7時，電動汽車選擇充電響應(yīng)；在風(fēng)、光出力不足的17時～23時，電動汽車選擇放電響應(yīng)。

2.2.2 3類單輛電動汽車充放電計劃

葉舒憲指出：“原型是人類長期的心理積淀中未被直接感知到的集體無意識的呈現(xiàn)，因而是作為潛在的無意識進(jìn)入創(chuàng)作過程的。但它們又必須得到外化，最終呈現(xiàn)一種‘原始意象’，在遠(yuǎn)古的時候表現(xiàn)為神話形象，然后再不同時期通過藝術(shù)在無意識中激活轉(zhuǎn)變?yōu)樗囆g(shù)形象?！盵2]神話原型中出現(xiàn)了最初的意象，后世作品多會受它影響。這就意味著作者對紅銅色月亮情境的設(shè)置并不是獨(dú)創(chuàng)的，只不過是對先前意識的一種借鑒。是作者吸收了前人的經(jīng)驗，再結(jié)合自身心理感知，對的二次藝術(shù)構(gòu)思。

圖3 電動汽車日前集群調(diào)度和日內(nèi)實時調(diào)度計劃

隨機(jī)抽取I、II、III類電動汽車各一輛，其充放電計劃如圖4所示。由圖可知，當(dāng)日行程結(jié)束接入微網(wǎng)后，I類電動汽車直接以最大功率充電，II類電動汽車選擇在風(fēng)光出力充足時段充電，III類電動汽車在當(dāng)日行程結(jié)束入網(wǎng)的一段時間內(nèi)優(yōu)先放電響應(yīng)，這是因為該段時間內(nèi)風(fēng)光出力不足，III類電動汽車為滿足微網(wǎng)基本負(fù)荷和部分電動汽車充電負(fù)荷的電量需求向微網(wǎng)反向供電，24時后風(fēng)光出力先后逐漸盈余，電動汽車按實時調(diào)度計劃充滿電量。

圖4 3類單輛電動汽車充放電計劃

2.2.3 電動汽車無序充電與兩階段調(diào)度對比

用微網(wǎng)內(nèi)負(fù)荷與風(fēng)光出力的差值α衡量微網(wǎng)源荷供需平衡情況。α=0表示微網(wǎng)內(nèi)風(fēng)光出力與各類負(fù)荷供需平衡；α＜0表示風(fēng)光出力過剩；α＞0表示微網(wǎng)供電不足。電動汽車無序充電與兩階段調(diào)度方式下α值變化如圖5所示?？梢钥闯觯c無序充電相比，對電動汽車進(jìn)行兩階段調(diào)度的微網(wǎng)，在負(fù)荷峰、谷時段的α值都有明顯減小，且基本維持在120 kW以內(nèi)，即此時的儲能單元基本能滿足微網(wǎng)運(yùn)行需求。

圖5 兩種方式下α值變化對比

表1 電動汽車無序充電與兩階段優(yōu)化調(diào)度結(jié)果對比

電動汽車無序充電與兩階段優(yōu)化調(diào)度結(jié)果對比如表1所示。由表可得，對電動汽車實施兩階段優(yōu)化調(diào)度的微網(wǎng)風(fēng)光利用率高達(dá)95.43%，與無序充電方式對比，風(fēng)光利用率提高了15.22%；無序充電時，微網(wǎng)從大電網(wǎng)的購電量是兩階段調(diào)度的近13倍，兩階段優(yōu)化調(diào)度策略的購電量僅為95.9 kW·h，說明對風(fēng)光出力的高效利用基本能滿足微網(wǎng)基本負(fù)荷和電動汽車的電量需求，使得微網(wǎng)購電成本顯著降低。電動汽車無序充電時，微網(wǎng)α最大值為273.9 kW，而儲能單元的放電功率上限為120 kW，兩階段優(yōu)化調(diào)度方式下聯(lián)絡(luò)線交換功率僅為24.2 kW，則顯著減小了微網(wǎng)風(fēng)光出力波動對大電網(wǎng)的影響。

綜上，電動汽車分類接入微網(wǎng)的兩階段優(yōu)化調(diào)度策略可以顯著提高風(fēng)光利用率，降低微網(wǎng)購電量，改善微網(wǎng)功率波動對大電網(wǎng)的影響。

2.2.4 響應(yīng)充放電調(diào)度比例靈敏度分析

由圖1可知，微網(wǎng)給予電動汽車用戶的激勵程度不同時，II類和III類的電動汽車占比會相應(yīng)變化，電動汽車分類接入微網(wǎng)兩階段優(yōu)化調(diào)度后的風(fēng)光利用率也會有所區(qū)別，故此對響應(yīng)充放電調(diào)度比例靈敏度分析如圖6所示。

由圖6可以看出，隨著III類電動汽車占比的逐漸增加，微網(wǎng)的風(fēng)光利用率呈明顯的上升趨勢，且III類電動汽車占比在0～50%的風(fēng)光利用率上升曲線陡峭，占比50%后的上升趨勢明顯減緩。這是因為I類電動汽車對激勵不敏感，該部分調(diào)度容量不能高效利用，III類電動汽車占比在50%之后，其對風(fēng)光利用率的調(diào)節(jié)能力逐漸逼近上限。但通過增大III類電動汽車占比來提高風(fēng)光利用率也會相應(yīng)增加微網(wǎng)運(yùn)行的激勵支出，故此微網(wǎng)運(yùn)營商應(yīng)根據(jù)實際的電動汽車的入網(wǎng)規(guī)模，合理優(yōu)化設(shè)置相應(yīng)的激勵形式和激勵水平。

圖6 響應(yīng)充放電調(diào)度比例靈敏度

3 結(jié)論

本文根據(jù)電動汽車用戶對激勵因素的敏感程度不同，建立電動汽車分類接入微網(wǎng)兩階段優(yōu)化調(diào)度模型，算例分析得到：

(1)在風(fēng)電過剩的0時～7時，電動汽車選擇充電響應(yīng)；在風(fēng)、光出力不足的17時～23時，電動汽車選擇放電響應(yīng)。

(2)當(dāng)日行程結(jié)束接入微網(wǎng)后，I類電動汽車直接以最大功率充電，II類電動汽車選擇在風(fēng)光出力充足時段充電，III類電動汽車在當(dāng)日行程結(jié)束入網(wǎng)的一段時間內(nèi)優(yōu)先放電響應(yīng)。

(3)與無序充電相比，對電動汽車進(jìn)行兩階段調(diào)度的微網(wǎng)，在負(fù)荷峰、谷時段的α值都有明顯減小，儲能單元基本能滿足微網(wǎng)運(yùn)行需求。對電動汽車實施兩階段優(yōu)化調(diào)度的微網(wǎng)風(fēng)光利用率高達(dá)95.43%，兩階段優(yōu)化調(diào)度方式下聯(lián)絡(luò)線交換功率僅為24.2 kW，則顯著減小了微網(wǎng)風(fēng)光出力波動對大電網(wǎng)的影響。

(4)隨著III類電動汽車占比的逐漸增加，微網(wǎng)的風(fēng)光利用率呈明顯的上升趨勢，且III類電動汽車占比在0～50%的風(fēng)光利用率上升曲線陡峭，占比50%后的上升趨勢明顯減緩。