考慮EV和需求側(cè)響應(yīng)的社區(qū)微網(wǎng)能量管理

陸燕娟，陳友芹，潘庭龍

（江南大學(xué)物聯(lián)網(wǎng)工程學(xué)院，江蘇 無錫214000）

獨(dú)立型社區(qū)微網(wǎng)具有高度自治、因地制宜等特點(diǎn)，多采用光伏、風(fēng)電等清潔能源，不僅有效緩解化石能源短缺以及環(huán)境問題，而且可作為分散城市電力需求的一條有效途徑。目前國內(nèi)外學(xué)者對微網(wǎng)單目標(biāo)優(yōu)化調(diào)度研究較多，文獻(xiàn)[1-2]采用“需求側(cè)響應(yīng)管理”的方法對微網(wǎng)能量進(jìn)行經(jīng)濟(jì)調(diào)度。文獻(xiàn)[3]建立了計(jì)及分類負(fù)荷需求響應(yīng)模型，以經(jīng)濟(jì)性為主要目標(biāo)運(yùn)行優(yōu)化微網(wǎng)源荷及儲能間的協(xié)調(diào)關(guān)系。文獻(xiàn)[4-5]對求解所建立的微網(wǎng)經(jīng)濟(jì)調(diào)度模型的單目標(biāo)智能算法進(jìn)行了改進(jìn)。微網(wǎng)多目標(biāo)優(yōu)化調(diào)度問題也得到越來越多的研究，例如一些文獻(xiàn)將環(huán)保等其他因素考慮在內(nèi)。文獻(xiàn)[6]研究了以最小化切負(fù)荷量和運(yùn)行成本為目標(biāo)的微網(wǎng)經(jīng)濟(jì)調(diào)度問題，并采用多目標(biāo)遺傳算法求解?，F(xiàn)有文獻(xiàn)在微網(wǎng)能量調(diào)度方面的目標(biāo)函數(shù)比較單一，在生產(chǎn)實(shí)際運(yùn)用中具有一定局限性。

近年來，對于考慮電動汽車的微網(wǎng)能量管理研究得到了廣泛的關(guān)注，利用其特有的“源-儲”特點(diǎn)參與微網(wǎng)的調(diào)度運(yùn)行，文獻(xiàn)[7-9]根據(jù)用戶的出行習(xí)慣利用蒙特卡洛模擬法預(yù)測分析不同時(shí)段、季節(jié)下電動汽車的充電負(fù)荷，分析了電動汽車負(fù)荷對微網(wǎng)能量調(diào)度影響。文獻(xiàn)[10]在計(jì)及電動汽車充電的前提下，構(gòu)建了基于需求側(cè)響應(yīng)的微網(wǎng)多目標(biāo)優(yōu)化模型。以上文獻(xiàn)對微網(wǎng)能量管理以及考慮電動汽車充放電問題展開研究，但是針對計(jì)及電動汽車充放電和居民負(fù)荷需求側(cè)響應(yīng)的獨(dú)立型社區(qū)微網(wǎng)的研究很少，沒有大電網(wǎng)的支撐需充分考慮社區(qū)微網(wǎng)供能與負(fù)荷之間的協(xié)調(diào)關(guān)系，且清潔能源發(fā)電具有間歇性，因此建設(shè)合理的能量管理系統(tǒng)對提高社區(qū)微網(wǎng)運(yùn)行的穩(wěn)定性、經(jīng)濟(jì)性以及環(huán)保性具有重要意義。

根據(jù)以上分析，本文以典型社區(qū)搭建的獨(dú)立微網(wǎng)為背景，在分時(shí)電價(jià)機(jī)制的引導(dǎo)下，考慮電動汽車有序充放電、需求側(cè)響應(yīng)等因素，以最小化微網(wǎng)運(yùn)行成本、污染氣體排放量和負(fù)荷波動，構(gòu)建多目標(biāo)能量優(yōu)化管理模型，采用帶精英策略的非支配排序遺傳算法(non-dominant sorting genetic algorithm，NSGA-Ⅱ)對模型進(jìn)行求解。

1 獨(dú)立型社區(qū)微網(wǎng)系統(tǒng)

圖1 社區(qū)微網(wǎng)系統(tǒng)Fig.1 Community micro-grid system

社區(qū)微網(wǎng)系統(tǒng)由光伏電池、微型燃?xì)廨啓C(jī)、儲能系統(tǒng)(battery energy system，BES)、電動汽車和居民日常負(fù)荷組成，如圖1所示。由于光伏電池發(fā)電具有間隙性，將微型燃?xì)廨啓C(jī)、儲能系統(tǒng)和電動汽車作為輔助供電電源，保證獨(dú)立微網(wǎng)電能的可靠輸出。系統(tǒng)內(nèi)光伏電池、微型燃?xì)廨啓C(jī)以及儲能系參考文獻(xiàn)[11]所示數(shù)學(xué)模型。

1.1 電動汽車模型

電動汽車在環(huán)境保護(hù)和減少能源消耗方面起著非常重要的作用，根據(jù)居民的出行習(xí)慣，本文選用容量為24 kW·h 的動力電池，可行駛總里程約200 km，為防止過度充放電，設(shè)定荷電狀態(tài)的上限為0.95，下限為0.2，且最大充放電功率為3 kW。

根據(jù)美國交通部對家用車輛的調(diào)查結(jié)果，家用車輛每日行駛里程數(shù)近似符合對數(shù)正態(tài)分布[12]，其概率密度函數(shù)為

式中，μ=3.2，δ=0.88。

1.1.1 無序充電模型

在社區(qū)微網(wǎng)應(yīng)用背景下，居民不受任何機(jī)制的引導(dǎo)和激勵(lì)，根據(jù)自身對電動汽車的使用習(xí)慣進(jìn)行無序充電，車主出行返程時(shí)刻即電動汽車初始充電時(shí)刻，其滿足正態(tài)分布

式中，μs=17.6，δs=3.4。采用蒙特卡洛模擬法對社區(qū)內(nèi)100輛電動汽車無序充電功率需求進(jìn)行預(yù)測，如圖2所示。

圖2 電動汽車無序功率需求Fig.2 Disordered power demand of electric vehicles

由圖2可知，電動汽車無序充電情況下，白天居民充電需求低迷，其充電習(xí)慣集中在17∶00—22∶00，也為日常負(fù)荷的峰時(shí)段，此時(shí)電動汽車充電功率需求導(dǎo)致“峰上加峰”，增加了社區(qū)微網(wǎng)安全穩(wěn)定運(yùn)行的壓力。

1.1.2 有序充電模型

為減輕社區(qū)微網(wǎng)峰時(shí)負(fù)荷壓力，平抑負(fù)荷波動，引入峰谷分時(shí)電價(jià)機(jī)制引導(dǎo)車主實(shí)行有序充放電，將充電負(fù)荷進(jìn)行合理轉(zhuǎn)移。峰時(shí)段起始時(shí)刻和結(jié)束時(shí)刻分別為tp1和tp2，第i 輛EV 的返程時(shí)刻為tback(i)，當(dāng)tback(i)＜tp1,tback(i)≥tp時(shí)，電動汽車可選擇充電起始時(shí)刻tchar(i)，且當(dāng)tback(i)＜tp1時(shí)，充電時(shí)長tc(i)＜tp1-tback(i)；當(dāng)tp1≤tback(i)＜tp2，電動汽車可選擇放電起始時(shí)刻tdischar(i)，放電時(shí)長td(i)＜tp2-tp1。

電動汽車參與微網(wǎng)能量管理時(shí)首先需要滿足居民的出行需求，其次放電時(shí)不能低于其荷電狀態(tài)下限，取兩者中的較小值為最大放電量

式中，Cev為動力電池的容量；Sev為荷電狀態(tài)；s(i)為電動汽車i 的日里程數(shù)；γ 和λ 分別為動力電池每千米的耗電量及其最大放電深度。

1.2 居民負(fù)荷

居民負(fù)荷根據(jù)重要程度分為不同的優(yōu)先級，一級負(fù)荷為基礎(chǔ)電力設(shè)施，需保持穩(wěn)定供電，二級負(fù)荷為可以靈活安排使用時(shí)間的電器設(shè)備，三級負(fù)荷為供電不足時(shí)可切斷的負(fù)荷，其模型為

式中，PL、P1st、P2nd、P3rd分別居民負(fù)荷總功率、一級負(fù)荷、二級負(fù)荷和三級負(fù)荷。

2 能量管理策略

圖3 社區(qū)微網(wǎng)分級能量管理策略Fig.3 Community micro-grid management strategy

本文建立的分級能量管理策略如圖3所示，每級有著不同的優(yōu)化目標(biāo)。負(fù)荷級對象為電動汽車和居民負(fù)荷，降低微網(wǎng)原始負(fù)荷峰谷差；源荷級對象為光伏電池、微型燃?xì)廨啓C(jī)及儲能，考慮需求側(cè)響應(yīng)，通過電價(jià)機(jī)制制定能量生產(chǎn)調(diào)度計(jì)劃引導(dǎo)居民調(diào)整可控負(fù)荷，進(jìn)一步優(yōu)化社區(qū)微網(wǎng)負(fù)荷曲線，最小化微網(wǎng)運(yùn)行成本、污染物排放量以及清潔能源浪費(fèi)率，實(shí)現(xiàn)獨(dú)立微網(wǎng)經(jīng)濟(jì)可靠運(yùn)行。

其調(diào)度過程如下。

（1）通過電價(jià)機(jī)制引導(dǎo)電動汽車有序充放電，優(yōu)化原始負(fù)荷曲線。

（2）比較光伏電池平抑后微網(wǎng)剩余凈負(fù)荷與儲能的功率關(guān)系，若儲能供能充足則微型燃?xì)廨啓C(jī)不工作；反之其開啟。

（3）如微網(wǎng)剩余凈負(fù)荷需求大于燃?xì)廨啓C(jī)與儲能的聯(lián)合供給，則進(jìn)行切負(fù)荷操作。

（4）如負(fù)荷非常小，開啟儲能充電模式，根據(jù)情況切部分光伏電池。

3 微網(wǎng)多目標(biāo)優(yōu)化模型及求解算法

3.1 子目標(biāo)函數(shù)

3.1.1 微網(wǎng)運(yùn)行成本最小

將一天時(shí)間步長取1 h，將光伏電池、微型燃?xì)廨啓C(jī)、儲能、居民負(fù)荷和電動汽車組成的社區(qū)微網(wǎng)運(yùn)行成本最小作為優(yōu)化目標(biāo)，即

式中，Com為各微源發(fā)電運(yùn)維成本；λi、Pi,t分別為第i 種發(fā)電單元的維護(hù)系數(shù)和t 時(shí)段的出力；Cfuel為微型燃?xì)廨啓C(jī)的燃料成本；ηMT為MT 的運(yùn)行效率；CMT、LHV 分別為燃?xì)獾膯蝺r(jià)和熱值，LHV 取9.7 kW·h/m3；Closs為供能不足微網(wǎng)的補(bǔ)貼和污染氣體處理成本；βi為污染氣體處理成本系數(shù)；ε 為補(bǔ)貼系數(shù)；CEV,cost為電動汽車放電對車主補(bǔ)貼；CEV為統(tǒng)一補(bǔ)貼電價(jià)。

3.1.2 能源浪費(fèi)率最低

本文研究對象為獨(dú)立型微網(wǎng)，需保證供電穩(wěn)定性，且結(jié)合電動汽車有序充放電最大化可再生能源利用率，使能源浪費(fèi)率降到最低，即最小化供電量與負(fù)荷需求的差值。

式中，ΔPt=PPV,t+PMT,t+|Pbat,t|+|PEV,t|-PL,t，ΔPt≥0，Pbat,t≤0，PEV,t≤0，PL,t為t時(shí)刻負(fù)荷需求。

3.1.3 污染氣體排放量最小

提高微網(wǎng)系統(tǒng)環(huán)境效益是國家綠色電力的發(fā)展要求，微網(wǎng)燃?xì)廨啓C(jī)會排放一定的污染氣體，因此將環(huán)保指標(biāo)納入微網(wǎng)能量管理

式中，K 為污染氣體種類數(shù)量；αi為微型燃?xì)廨啓C(jī)污染氣體排放系數(shù)。

3.2 約束條件

為了社區(qū)微網(wǎng)的安全穩(wěn)定運(yùn)行，以下約束條件需要滿足

（1）微網(wǎng)有功功率平衡約束，社區(qū)微網(wǎng)運(yùn)行時(shí)應(yīng)保持每個(gè)發(fā)電單元的發(fā)電功率與負(fù)荷需求的平衡

（2）蓄電池荷電狀態(tài)約束，過度充放電將會對蓄電池的壽命產(chǎn)生嚴(yán)重影響，考慮其儲能性質(zhì)設(shè)定荷電狀態(tài)約束，通常SSOC,min取0.2，SSOC,max取0.9

（3）電動汽車充放電約束，保證每輛電動汽車不同時(shí)進(jìn)行充放電，本文中電動汽車電池容量為24 kW·h，里程200 km，充放電功率上下限為3 kW，為延長電池使用壽命，設(shè)定荷電狀態(tài)gi(x)上限為0.95，下限為0.2

（4）微型燃?xì)庾畲蟪隽s束

3.3 求解方法

本文采用蒙特卡洛模擬算法求解負(fù)荷級電動汽車有序充放電模型；采用帶精英策略的非支配遺傳算法求解源荷級多目標(biāo)優(yōu)化調(diào)度模型，該算法在處理復(fù)雜計(jì)算問題時(shí)具有較好的收斂性和魯棒性，最終得到帕累托(Parteo)前沿，即非劣解集合。其求解流程如圖4所示。

圖4 NSGA-Ⅱ求解流程Fig.4 NSGA-Ⅱalgorithm flow chart

（1）①輸入種群規(guī)模N、迭代次數(shù)gen、交叉變異概率、光伏電池預(yù)測功率、電動汽車有序充放電優(yōu)化后的社區(qū)負(fù)荷等參數(shù)；②取儲能充放電功率Pbat,t和微型燃?xì)廨啓C(jī)功率PMT,t為決策變量并對其進(jìn)行編碼，其中Pbat,t取值控制在區(qū)間[-50,100]，PMT,t取值控制在[0,450]之間；③根據(jù)按需求側(cè)響應(yīng)制定能量管理策略生成初始化種群P0。

（2）根據(jù)式(5)～式(11)計(jì)算種群中個(gè)體i 的三個(gè)目標(biāo)函數(shù)值即函數(shù)適應(yīng)度值。

（3）①由函數(shù)適應(yīng)度值的支配關(guān)系確定種群個(gè)體的支配等級ri，將擁擠度值初始化，按升序排列種群中個(gè)體的三個(gè)函數(shù)適應(yīng)度值，根據(jù)式(16)計(jì)算個(gè)體間的擁擠度距離Γi，其中fmax和fmin為個(gè)體排序后所在支配層的最值

②對種群個(gè)體進(jìn)行非支配排序，如果ri≥rj且Γi＞Γj，則個(gè)體i位置排在個(gè)體j前面。

（4）進(jìn)行遺傳操作，選取原種群P0中前N個(gè)個(gè)體作為新的種群P，根據(jù)錦標(biāo)賽準(zhǔn)則進(jìn)行選擇操作、根據(jù)基本位和單點(diǎn)交叉算子對個(gè)體進(jìn)行交叉變異操作，生成子代種群。

（5）利用精英保留策略，將父代種群與子代種群合并，重復(fù)步驟(3)選擇出N個(gè)最優(yōu)個(gè)體形成產(chǎn)生新的種群。

（6）判斷是否已達(dá)到迭代次數(shù)200，否則重復(fù)步驟(3)。

（7）得到Pareo前沿，采用模糊隸屬度函數(shù)選擇合適的最優(yōu)折中解，即根據(jù)式(17)求出各個(gè)帕累托解xk第i個(gè)子目標(biāo)函數(shù)的隸屬度向量

式中，M和N分別是帕累托解的個(gè)數(shù)和目標(biāo)函數(shù)的個(gè)數(shù)。

4 算例分析

4.1 基礎(chǔ)參數(shù)

本文的算例分析暫未考慮光伏電池及負(fù)荷的不確定性對微網(wǎng)能量管理帶來的影響，以某華東地區(qū)典型社區(qū)搭建的獨(dú)立微網(wǎng)系統(tǒng)為例，優(yōu)化周期為24 h，如圖5為秋季典型日太陽輻照強(qiáng)度數(shù)據(jù)，各微源相關(guān)費(fèi)用、污染氣體相關(guān)參數(shù)[11]見表1、表2。系統(tǒng)內(nèi)含有容量為200 kW·h 的鈉硫蓄電池組，初始荷電狀態(tài)為0.5，考慮負(fù)荷級100 輛電動汽車根據(jù)電價(jià)引導(dǎo)機(jī)制有序充放電，優(yōu)化原始負(fù)荷曲線。

圖5 典型日光輻照強(qiáng)度數(shù)據(jù)Fig.5 Hourly solar radiation in typical day

表1 社區(qū)微網(wǎng)微源基本參數(shù)Table 1 parameters of micro source

表2 污染排放系數(shù)和治理成本Table 2 Pollution emission factors and treatment costs

4.2 仿真結(jié)果與分析

4.2.1 負(fù)荷級電動汽車優(yōu)化

采用分時(shí)電價(jià)機(jī)制引導(dǎo)社區(qū)內(nèi)100輛電動汽車有序充放電，利用蒙特卡洛算法進(jìn)行模擬，得到圖6所示電動汽車無序充電和有序充放電情況下對微網(wǎng)原始負(fù)荷的影響。

圖6 電動汽車無序/有序充放電微網(wǎng)負(fù)荷曲線Fig.6 Load curve of micro-net

由圖6可知，電動汽車無序充電使得原始負(fù)荷“峰上加峰”，使得微網(wǎng)在用電高峰期時(shí)供電壓力增加，從而影響系統(tǒng)的穩(wěn)定運(yùn)行。而有序充放電模式下，電動汽車在社區(qū)用電早高峰開始已充完電離開，在電價(jià)谷時(shí)充電，車主可節(jié)省充電費(fèi)用，在8∶00—16∶00 時(shí)間段電動汽車不進(jìn)行充放電活動，在17∶00—24∶00 原始負(fù)荷高峰期參與放電，同時(shí)車主可獲得相應(yīng)的放電補(bǔ)貼，合理轉(zhuǎn)移負(fù)荷。不同電動汽車模式對原始負(fù)荷的影響見表3，電動汽車有序充放電模式下峰谷差及峰谷差率明顯降低，且負(fù)荷率有所上升，優(yōu)化了原始負(fù)荷曲線，有利于微網(wǎng)的穩(wěn)定。

表3 不同電動汽車模式對原始負(fù)荷的影響Table 3 Impact of different EV modes on original load

4.2.2 源荷級優(yōu)化結(jié)果

源荷級將負(fù)荷級優(yōu)化后的負(fù)荷結(jié)果、光伏電池預(yù)測功率、微型燃?xì)廨啓C(jī)以及儲能相關(guān)參數(shù)代入多目標(biāo)優(yōu)化調(diào)度模型，根據(jù)按需求側(cè)響應(yīng)制定的電力生產(chǎn)調(diào)度計(jì)劃，并采用NSGA-Ⅱ求解得到如圖7所示社區(qū)微網(wǎng)能量優(yōu)化調(diào)度結(jié)果。

圖7 帕累托前沿Fig.7 Pareto frontier

通過算法求解出的3個(gè)目標(biāo)函數(shù)的帕累托前沿可以發(fā)現(xiàn)運(yùn)行成本、污染氣體排放量與能源浪費(fèi)率三者是相互制約的，因此根據(jù)式(18)選取貼合度最高的Pareto解作為最優(yōu)折中解，經(jīng)計(jì)算最優(yōu)折中解為：運(yùn)行成本360.6 元，污染氣體排放量3.7 kg，能源浪費(fèi)率29.8%。

圖8 微網(wǎng)能量管理結(jié)果Fig.8 Micro-grid energy management results

由圖8可知，獨(dú)立型社區(qū)微網(wǎng)在9∶00—15∶00時(shí)間段主要依靠光伏電池供電，且儲能電池進(jìn)行充電消納可再生能源，微型燃?xì)廨啓C(jī)不工作；在17∶00—24∶00 時(shí)間段主要依靠微型燃?xì)廨啓C(jī)進(jìn)行供電，儲能系統(tǒng)輔助供電；在10∶00—12∶00 和20∶00—24∶00 時(shí)間段通過需求側(cè)響應(yīng)，平抑負(fù)荷高峰期波動，進(jìn)一步優(yōu)化負(fù)荷曲線，提高微網(wǎng)供電的穩(wěn)定性和能源的利用率。

在不考慮電動汽車有序充放電和需求側(cè)響應(yīng)的能量管理情況下，采用NSGA-Ⅱ算法對調(diào)度模型進(jìn)行求解，同樣采用隸屬度函數(shù)決策法選擇最優(yōu)折中解，兩種能量管理方式結(jié)果對比見表4。

表4 兩種能量管理方式運(yùn)行結(jié)果對比Table 4 Results of two energy management methods

由表4可以看出考慮電動汽車有序充放電和需求側(cè)響應(yīng)的能量管理方式在經(jīng)濟(jì)性和環(huán)保性能上均優(yōu)于不考慮兩者的能量管理方式，且前者能量管理方式負(fù)荷曲線波動更小，更有利于微網(wǎng)的安全穩(wěn)定運(yùn)行。

5 結(jié) 論

（1）所提出的社區(qū)微網(wǎng)能量管理策略在經(jīng)濟(jì)和環(huán)保方面有一定的改善，建立微網(wǎng)多目標(biāo)優(yōu)化調(diào)度模型，更加全面得考慮優(yōu)化指標(biāo)，使得模型更加符合實(shí)際情況，可為獨(dú)立社區(qū)微網(wǎng)的能量管理模式提供一定的參考。

（2）負(fù)荷級采用蒙特卡洛算法模擬電動汽車有序/無序充放電，優(yōu)化原始負(fù)荷曲線，有利于微網(wǎng)運(yùn)行的穩(wěn)定。

（3）源荷級采用NSGA-Ⅱ算法求解不同能量管理模式下最優(yōu)折中解，經(jīng)對比分析結(jié)果得出考慮電動汽車有序充放電和需求側(cè)響應(yīng)的能量管理方式在經(jīng)濟(jì)性、穩(wěn)定性和環(huán)保性方面更好。