考慮風(fēng)電消納的電動汽車充電站有序充電控制

段俊東，李高尚，李一石，付子恒，黃泓葉

（1河南理工大學(xué)電氣學(xué)院；2國網(wǎng)河南省電力公司焦作供電公司，河南 焦作454000）

隨著全球能源危機(jī)和環(huán)境問題日益嚴(yán)峻，電動汽車在全球范圍內(nèi)得到大力地發(fā)展。作為我國能源互聯(lián)網(wǎng)[1]的重要構(gòu)成部分，未來電動汽車的保有量會持續(xù)增加，但無序充電將給配網(wǎng)帶來大量的負(fù)荷增長，造成配網(wǎng)負(fù)荷峰谷差加大[2-3]、線路過載[4]等危害，電網(wǎng)為穩(wěn)定運(yùn)行需配置更多的調(diào)峰、調(diào)頻電源和備用容量，降低系統(tǒng)的經(jīng)濟(jì)性[5]。隨著電動汽車保有量的持續(xù)增多，如何讓電動汽車與配電網(wǎng)實(shí)現(xiàn)安全可靠經(jīng)濟(jì)的良性互動已是目前亟需解決的問題。

首先，現(xiàn)有許多文獻(xiàn)對充電負(fù)荷給電網(wǎng)運(yùn)行造成的不利影響進(jìn)行大量研究，并提出不同的有序充電方法。如文獻(xiàn)[6-7]以降低電網(wǎng)有功網(wǎng)損和負(fù)荷波動為目標(biāo)，按照充電計劃對接入的電動汽車進(jìn)行控制。文獻(xiàn)[8]采用分時電價，用戶為減少電費(fèi)支出而調(diào)整充電需求，實(shí)現(xiàn)充電負(fù)荷的轉(zhuǎn)移。文獻(xiàn)[9]研究表明，在靜態(tài)分時電價下，雖可實(shí)現(xiàn)充電負(fù)荷轉(zhuǎn)移到夜間用電谷時段，但容易導(dǎo)致夜間負(fù)荷出現(xiàn)另一個高峰。文獻(xiàn)[10]提出一種協(xié)調(diào)用戶和電網(wǎng)利益的供需響應(yīng)策略，實(shí)現(xiàn)用戶充放電收益，降低電網(wǎng)負(fù)荷的峰谷差。這些文獻(xiàn)均以有序的充電策略實(shí)現(xiàn)平抑電網(wǎng)負(fù)荷波動的目標(biāo)，但并未考慮對可再生能源的利用。

我國可再生能源發(fā)電量大，但并網(wǎng)消納難，建立電動汽車充電站與可再生能源發(fā)電系統(tǒng)的關(guān)聯(lián)，將成為可再生能源消納最直接的方式。文獻(xiàn)[11-15]通過微網(wǎng)系統(tǒng)直接對可再生能源就地消納。文獻(xiàn)[16-17]基于實(shí)測電網(wǎng)數(shù)據(jù)，仿真分析了采用電動汽車的可控充電負(fù)荷平衡過剩風(fēng)電的可行性。文獻(xiàn)[18-19]研究了響應(yīng)式電動汽車充電策略在緩解風(fēng)力發(fā)電波動對頻率穩(wěn)定性方面的顯著作用。文獻(xiàn)[20]提出了一種利用連接到相鄰風(fēng)電網(wǎng)絡(luò)的電動汽車的需求響應(yīng)的功率平滑服務(wù)，算例驗證了該策略在限制功率波動和及時為車輛充電方面的成功。文獻(xiàn)[21]提出了一種新穎的電動汽車與風(fēng)電場集成框架，利用車輛到電網(wǎng)(vehicle-to-grid，V2G)技術(shù)可以實(shí)現(xiàn)電網(wǎng)的削峰，但目前反向入網(wǎng)技術(shù)還未能大規(guī)模應(yīng)用。

在以上研究的基礎(chǔ)上，考慮電動汽車充電與風(fēng)電之間的潛在契合性，本文利用電動汽車充電負(fù)荷的可調(diào)性和快速響應(yīng)的特點(diǎn)，對風(fēng)電就地消納，以充電花費(fèi)最低為用戶經(jīng)濟(jì)指標(biāo)，以負(fù)荷峰谷差最小為電網(wǎng)優(yōu)化指標(biāo)，通過風(fēng)電出力制定分時電價引導(dǎo)用戶根據(jù)風(fēng)電功率的大小有序充電，從而實(shí)現(xiàn)降低充電負(fù)荷對電網(wǎng)沖擊和最大化風(fēng)電的利用。

1 風(fēng)電充電站系統(tǒng)設(shè)計

電動汽車風(fēng)電充電站系統(tǒng)結(jié)構(gòu)如圖1所示，風(fēng)電充電站按照功能可劃分為：風(fēng)電系統(tǒng)、配電網(wǎng)系統(tǒng)、中央控制器、DC/AC變換器及充電樁。

在充電站內(nèi)，風(fēng)電作為電網(wǎng)供電的補(bǔ)充，直接向電動汽車充電，減少充電負(fù)荷對電網(wǎng)供電的需求。電動汽車作為一種可轉(zhuǎn)移性很強(qiáng)的充電負(fù)荷，充電價格按照這一時段風(fēng)電功率劃分，用戶為了降低充電花費(fèi)，會選擇在風(fēng)電價格較低，即風(fēng)電功率較高的時段充電。此策略在不影響用戶充電需求下，將充電負(fù)荷集中到風(fēng)電的高出力時段，實(shí)現(xiàn)對風(fēng)電的直接消納與充分利用。

2 電動汽車充電需求計算

電動汽車充電負(fù)荷的準(zhǔn)確預(yù)測是研究其參與電網(wǎng)運(yùn)行調(diào)度的基礎(chǔ)。其中，電動汽車充電負(fù)荷受電動汽車數(shù)量、充電功率、動力電池容量、初始荷電狀態(tài)(state of charge，SOC)等因素的影響。

目前，電動汽車的推廣還處于初級階段，針對電動汽車充電需求的計算，本文以不改變私人車主出行習(xí)慣為前提，根據(jù)用戶的出行規(guī)律，得到電動汽車的日行駛距離、起始充電時間的概率分布，采用蒙特卡羅(Monte Carlo)法[22]對不同數(shù)量的電動汽車進(jìn)行負(fù)荷預(yù)測。

圖1 電動汽車風(fēng)電充電站系統(tǒng)結(jié)構(gòu)圖Fig.1 Structure diagram of wind power for EV charging station system

2.1 電動汽車出行特性

考慮私人乘用車的首要使用價值是滿足用戶上下班、商城購物、休閑娛樂等，所以電動汽車與傳統(tǒng)汽車的這種行駛規(guī)律相同，根據(jù)美國交通部對全美私家車調(diào)查(National Household Travel Survey，NHTS)的統(tǒng)計數(shù)據(jù)，利用MATLAB 軟件分析，得到電動汽車的日行駛距離的概率分布，如圖2 所示。日行駛距離近似滿足對數(shù)正態(tài)分布，其概率密度函數(shù)可表示為

式中，σD=3.2；μD=0.88。

圖2 日行駛距離的概率分布Fig.2 The probability distribution of the daily travel distance

圖3 初始充電時間的概率分布Fig.3 The probability distribution of the daily initial charging time

隨機(jī)無序充電時，電動汽車初始充電時間可看作是傳統(tǒng)汽車當(dāng)天行程的結(jié)束時刻，根據(jù)NHTS的調(diào)查數(shù)據(jù)，得到初始充電時間的概率分布，如圖3所示，近似滿足正態(tài)分布。

其概率密度函數(shù)可表示為

式中，σS=3.4；μS=17.6。

2.2 充電負(fù)荷建模

根據(jù)動力電池的充放電特性，電動汽車常規(guī)充電方式下充電過程主要處在恒功率階段，其充電開始和結(jié)束階段暫時忽略，假定電動汽車為恒功率充電

單輛電動汽車的充電時長為

式中，W100為電動汽車百千米耗電量；d 為電動汽車日行駛里程。

計算出一輛電動汽車的充電負(fù)荷，然后根據(jù)疊加原理求得第t時間段區(qū)域內(nèi)電動汽車總充電負(fù)荷

式中，Pev(t)為電動汽車i 在第t 時段充電功率，鑒于目前動力電池的充放電成本，本文只考慮充電情形，故其恒為正值；N為電動汽車總數(shù)量。

2.3 基于Monte Carlo 模擬的電動汽車充電負(fù)荷計算

假設(shè)在無控制狀態(tài)下，即無序的充電情形，每輛電動汽車的充電模式、充電功率、充電時間等不受外界約束且相互獨(dú)立。根據(jù)輸入的EV 數(shù)量、充電模式等信息，根據(jù)Monte Carlo 法隨機(jī)抽樣，求得單輛電動汽車的充電負(fù)荷曲線，通過疊加求得該時間段區(qū)域內(nèi)電動汽車總充電負(fù)荷。具體計算流程如圖4所示。

基于Monte Carlo 仿真方法，可以得到不同數(shù)量的EVs(=100、200、300、400、500)序充電的負(fù)荷需求如圖5所示，無序狀態(tài)下不同數(shù)量EVs充電負(fù)荷對電網(wǎng)的影響如圖6所示?？梢钥闯?，如果越來越多的電動汽車直接接入配網(wǎng)充電而不加控制，電網(wǎng)負(fù)荷曲線將進(jìn)一步惡化。因此，合理的優(yōu)化充電方案解決電動汽車充電問題具有重要意義。

3 用戶動態(tài)電價時段的制定方法

圖4 動汽車充電負(fù)荷計算流程圖Fig.4 Low chart of EV charging load calculation

圖5 不同數(shù)量EVs無序狀態(tài)的充電負(fù)荷Fig.5 Charging loads with different amounts of EVs in uncoordinated state

圖6 不同數(shù)量EVs無序充電對電網(wǎng)影響Fig.6 The influence of different amount of EVs uncoordinated charging on power grid

目前電動汽車有序充電策略中兩類常見模式分別為分時電價引導(dǎo)和直接負(fù)荷控制。直接負(fù)荷控制是調(diào)度中心根據(jù)原電網(wǎng)用電量，決定聯(lián)網(wǎng)電動汽車的可接入時段，該策略的缺點(diǎn)：①頻繁的控制充電樁的通斷和充電功率，影響電池壽命，降低用戶服務(wù)水平；②在線求解復(fù)雜，它不適用于大量電動汽車充電。分時電價是電網(wǎng)公司通過電價差來影響一部分電力用戶，實(shí)現(xiàn)充電負(fù)荷的轉(zhuǎn)移，以達(dá)到電力資源的合理配置，根據(jù)用電負(fù)荷將一天劃分為這三個時段：高峰時段(8:00—11:00，18:00—23:00)；低谷時段(23:00—7:00)；平時段(7:00—8:00，11:00—18:00)，每個時段制定一個新電價，根據(jù)電價，用戶可以避開高峰時段。但是，當(dāng)具有不確定性特點(diǎn)的風(fēng)電加入運(yùn)行時，采用原有時段下劃分的分時電價，可能進(jìn)一步惡化配網(wǎng)負(fù)荷曲線。

綜上分析，本文提出一種基于風(fēng)電功率大小劃分充電電價的控制方案，通過用戶對電價差的響應(yīng)，從而調(diào)整和改變充電負(fù)荷時段分布，以此實(shí)現(xiàn)配電網(wǎng)的移峰填谷和對可再生風(fēng)電的消納。該方案以相同的時間區(qū)間Δt把一天時長分隔T時間段，根據(jù)時段內(nèi)對應(yīng)的風(fēng)電功率，充電電價可分成高-低-平三類。以下是具體劃分方法：根據(jù)每個時段內(nèi)的風(fēng)電出力計算出一天風(fēng)電功率的平均值，當(dāng)某一時段風(fēng)電功率高于平均功率125%為高出力時段，此時的充電電價為低電價；當(dāng)風(fēng)電出力低于平均功率75%時制定為高電價；其余時段的充電電價設(shè)定為平電價，其值參照無序充電時充電站統(tǒng)一的充電電價。在統(tǒng)一電價的基礎(chǔ)上，高低電價上下波動為60%。動態(tài)分時電價時段制定的具體流程見圖7。

圖7 態(tài)分時電價時段制定流程圖Fig.7 Low chart of dynamic time-of-use(TOU)pricing time division

電動汽車充電電價與各時段風(fēng)電功率的關(guān)系可表示為

式中，c0為無序充電時的統(tǒng)一充電電價；Pw(t)為第t時段的風(fēng)電出力大??；T為一天劃分的時間段數(shù)；為一天風(fēng)電出力的平均功率。

4 電動汽車充電優(yōu)化模型及求解

根據(jù)上述分析，為提高風(fēng)電的利用量，避免充電負(fù)荷造成電網(wǎng)“峰上加峰”。本文以一天為周期，在考慮風(fēng)電出力和充電負(fù)荷約束的基礎(chǔ)上，建立原配網(wǎng)峰谷差最小和用戶的充電費(fèi)用最低的目標(biāo)函數(shù)，實(shí)現(xiàn)充電站內(nèi)電動汽車的有序充電。

4.1 目標(biāo)函數(shù)

4.1.1 負(fù)荷峰谷差最小

峰谷差通常作為電網(wǎng)調(diào)峰節(jié)電措施的重要依據(jù)，以其最小化作為優(yōu)化目標(biāo)，可降低電動汽車充電對配網(wǎng)的沖擊，提高系統(tǒng)運(yùn)行的經(jīng)濟(jì)性，目標(biāo)函數(shù)表示為

式中，PL(t)為第t時段電網(wǎng)基礎(chǔ)負(fù)荷；P(t)為第t時段含充電負(fù)荷的電網(wǎng)負(fù)荷。

4.1.2 用戶充電費(fèi)用最低

本文結(jié)合風(fēng)電出力以充電價格引導(dǎo)電動汽車有序充電，不僅要考慮電網(wǎng)的利益，還要考慮用戶充電的經(jīng)濟(jì)性，以用戶充電成本最低為優(yōu)化目標(biāo)，可促進(jìn)風(fēng)電消納，目標(biāo)函數(shù)為

式中，Pev,i(t)為第t 時間段電動汽車i 的充電功率。

4.2 約束條件

4.2.1 功率平衡約束

式中，Pgrid(t) 為第t 時段電網(wǎng)購電功率；Ploss(t)為第t 時段電動汽車充電增加的線路損耗；Pw(t)為第t時段的風(fēng)電的發(fā)電功率。

4.2.2 充電功率約束

式中，SOCend,i為電動汽車i充電結(jié)束時的荷電狀態(tài)；SOCdesire,i為電動汽車i用戶期望的荷電狀態(tài)；SOCmax為動力電池設(shè)定的充電上限。

4.3 模型求解

基本的粒子群算法(Particle Swarm Optimizer，PSO)存在過早收斂，容易陷入局部最優(yōu)的問題，為解決這種現(xiàn)象，本文采用自適應(yīng)度變異的PSO算法求解目標(biāo)函數(shù)，對滿足一定條件的Pgd按Pm概率變異，通過這些變化改變粒子原先運(yùn)動的方向，更好地全局尋優(yōu)。

定義粒子群的適應(yīng)度方差σ2如下

式中，n 是粒子數(shù)目；fi是第i 個粒子的適應(yīng)度；favg是當(dāng)前的平均適應(yīng)度；f為歸一化因子，用來限定粒子適應(yīng)度方差的值。

算法流程如圖8所示。

5 算例分析

5.1 參數(shù)設(shè)置

圖8 算法流程圖Fig.8 Algorithm flow chart

以風(fēng)電為例，采用所提策略對充電站內(nèi)電動汽車充電仿真，其中基礎(chǔ)負(fù)荷為某地夏季典型日負(fù)荷曲線，風(fēng)電機(jī)組裝機(jī)容量為1.6 MW，服務(wù)的電動汽車規(guī)模為500輛。電動汽車的動力電池容量和充電功率因車而異，本文所選車型為比亞迪e6，電池容量為82 kW·h，續(xù)航里程為400 km，常規(guī)充電模式下充電功率為7 kW，假設(shè)每天早上8 點(diǎn)電動汽車離開小區(qū)，日行駛里程服從均值為0.88，標(biāo)準(zhǔn)差為3.2 的對數(shù)正態(tài)分布，用戶離開時的期望荷電狀態(tài)為1，下班回家開始充電時間服從均值為17.6，標(biāo)準(zhǔn)差為3.4 的正態(tài)分布。因頻繁的電價更新會失去用戶對電價的響應(yīng)，本文算例設(shè)定電價更新的時間間隔Δt 為1 h，時間段數(shù)T 為24，c0為0.8元/(kW·h)。

5.2 仿真結(jié)果

隨機(jī)選取區(qū)域內(nèi)一天的風(fēng)電功率輸出曲線如圖9所示，在夜間風(fēng)力充足，風(fēng)電發(fā)電量大，大部分時間充電電價低于平時段電價；白天時段風(fēng)電較小，充電價格等于或高于平時段電價，基于風(fēng)電輸出功率劃分的動態(tài)分時電價結(jié)果如表1所示。

為了驗證所提策略的控制效果，還計算了電動汽車不加控制的無序充電情形，這里的充電價格全天采用平時段電價，對兩種情形的計算結(jié)果進(jìn)行對比分析。如圖10 所示為無序充電和有序充電情形下疊加了充電負(fù)荷的電網(wǎng)負(fù)荷曲線，圖11 所示為無序和有序充電情形下風(fēng)電利用量。

圖9 風(fēng)電功率輸出曲線Fig.9 Wind power output curve

表1 動態(tài)分時電價劃分結(jié)果Table 1 The division result of dynamic time-of-use(TOU)pricing

圖10 無序和有序充電情形的電網(wǎng)負(fù)荷曲線Fig.10 Grid load curves under uncoordinated and coordinated charging

圖11 無序和有序充電情形的風(fēng)電利用量Fig.11 Wind power utilization under uncoordinated and coordinated charging

由圖10～圖11 可見：無序充電的情形下，電動汽車的隨機(jī)充電行為帶來的負(fù)荷增長主要集中在傍晚居民用電的高峰時段，二者疊加后使配網(wǎng)峰谷差進(jìn)一步加大；在16:00—19:00 時刻風(fēng)電的中等出力階段，風(fēng)電恰好提供一部分用戶的充電需求，但用戶的充電行為不會對電價做出響應(yīng)，以至于在夜間風(fēng)電高出力(低充電電價)階段，充電負(fù)荷不會跟隨風(fēng)電功率的變化較完全地吸收風(fēng)能，造成車輛因電量充滿而出現(xiàn)“棄風(fēng)”現(xiàn)象。在有序的充電情形下，充電負(fù)荷轉(zhuǎn)移的總體趨勢是從電網(wǎng)負(fù)荷高峰期向風(fēng)力充足和用電量低谷的時段，它能有效吸收風(fēng)電的波動，實(shí)現(xiàn)對電網(wǎng)負(fù)荷曲線的削峰填谷。

表2給出了分別在兩種情形下充電時，電網(wǎng)的負(fù)荷峰谷差、風(fēng)電利用量和電動汽車充電費(fèi)用的仿真結(jié)果。與無序時的情形相比，由于電動汽車負(fù)荷集中到了風(fēng)力充足時段，配網(wǎng)峰谷差減少2364 kW，充電站的風(fēng)電利用量增加251.2 kW·h；對于電動汽車用戶來說，總充電成本降低了6158.9 元。在目前電動汽車購入費(fèi)用高昂、充電設(shè)施不完善的背景下，所提策略可直接促進(jìn)風(fēng)電的消納，減小電動汽車負(fù)荷和風(fēng)電接入的不確定性對原配網(wǎng)的沖擊，并且用戶方有較低的充電成本，適應(yīng)于未來電動汽車廣泛的推行，實(shí)現(xiàn)電網(wǎng)和用戶雙贏。

表2 無序和有序充電情形的仿真結(jié)果對比Table 2 Comparison of simulation results under uncoordinated and coordinated charging

6 結(jié) 論

針對大量電動汽車充電負(fù)荷對電網(wǎng)運(yùn)行帶來的不利影響，以風(fēng)電作為電動汽車充電負(fù)荷的補(bǔ)充，提出考慮風(fēng)電消納的電動汽車有序充電的優(yōu)化策略，該策略通過風(fēng)電功率的大小制定動態(tài)分時電價實(shí)現(xiàn)風(fēng)電最大程度地消納。通過仿真表明，在滿足充電需求的情況下，所提策略提升可再生能源利用的同時，可有效降低充電負(fù)荷增長對電網(wǎng)的沖擊，并且節(jié)約用戶的充電成本，適合未來電動汽車大量地推行與普及。