綜合能源系統(tǒng)環(huán)境下電動汽車分群優(yōu)化調(diào)度

黃偉，葉波

(華北電力大學電氣與電子工程學院，北京市 102206)

0 引 言

能源需求增長和能源緊缺、環(huán)境污染之間的矛盾急劇惡化，綜合能源系統(tǒng)(integrated energy system，IES)得到了廣泛的關注[1-4]。同時，電動汽車(electric vehicles, EV)作為一種靈活的分布式儲能單元，具有節(jié)能減排、綠色環(huán)保等優(yōu)點[5-7]。

目前已有不少含電動汽車的綜合能源系統(tǒng)優(yōu)化調(diào)度的研究。文獻[8]以風電消納能力最優(yōu)為目標，構建了綜合能源系統(tǒng)多類型儲能優(yōu)化調(diào)度模型，有效促進風電消納，提高能源利用率。文獻[9]將電動汽車視為可調(diào)度的調(diào)峰資源，建立了含電動汽車和多種分布式電源的區(qū)域綜合能源系統(tǒng)日前調(diào)度模型，實現(xiàn)系統(tǒng)綜合經(jīng)濟效益最大化。

上述研究均將電動汽車當作一個整體，沒有考慮電動汽車的規(guī)模效益和內(nèi)部功率分配。大規(guī)模電動汽車參與系統(tǒng)調(diào)度，計算維數(shù)龐大，優(yōu)化難度增加，故而對電動汽車分群分層調(diào)度顯得尤為重要[10]。

目前常用的分群原則有期望充電完成時間[10]、出行鏈[11]、最大充電時延[12]等。針對集群內(nèi)電動汽車功率分配問題，文獻[13]依據(jù)電動汽車的荷電狀態(tài)來實現(xiàn)功率分配，文獻[14]根據(jù)電動汽車閑置度實施充放電調(diào)度。

文獻[15]提出了兩層調(diào)度模型，上層以總成本最小為目標制定電動汽車充放電計劃，下層以最小偏差懲罰為目標，進一步安排每一輛電動汽車的充放電計劃。文獻[16]構建內(nèi)外嵌套模型，外層以總有功網(wǎng)損最小為目標，計算出最優(yōu)的電動汽車充放電時間和功率，內(nèi)層具體優(yōu)化各電動汽車子群的充放電時間和地點。上述文獻主要研究電動汽車在電力系統(tǒng)的分群分層調(diào)度。隨著綜合能源系統(tǒng)的蓬勃發(fā)展，電動汽車的大量接入給系統(tǒng)調(diào)度運行帶來一系列影響，如負荷峰谷差加大、成本增加等問題。綜合能源系統(tǒng)中如何充分發(fā)揮電動汽車的優(yōu)勢，分群分層參與系統(tǒng)調(diào)度，亟待解決。

基于此，本文首先根據(jù)出行結束時刻和出行起始時刻，對電動汽車進行集群劃分，提出基于動態(tài)優(yōu)先級的電動汽車充放電策略，建立含電動汽車的綜合能源系統(tǒng)兩層嵌套調(diào)度模型。調(diào)度計劃層以系統(tǒng)經(jīng)濟性、安全性和環(huán)保性為目標，EV調(diào)度層以用戶滿意度為目標，依次求解出日前調(diào)度計劃和各EV集群的充放電計劃，并合理分配集群內(nèi)各EV的充放電功率。最后，通過算例仿真，驗證所提模型的有效性。

1 電動汽車集群劃分和充放電策略

1.1 電動汽車集群劃分

本文以電動汽車為研究對象，其出行具有隨機、分散等特性，同時，電動汽車V2G(vehicle to grid)技術給調(diào)度帶來了一定的可控性[17]。根據(jù)用戶出行統(tǒng)計數(shù)據(jù)對電動汽車分群，原則如下：1)根據(jù)用戶是否愿意參與系統(tǒng)調(diào)度將EV分為參與調(diào)度和不參與調(diào)度兩大類；2)不參與調(diào)度的EV看作常規(guī)電負荷處理，參與調(diào)度的EV作分群處理；3)以典型工作日為代表，1 h為1個時段，共分24個時段；4)對于同一集群的電動汽車，其出行結束時刻在相同時段，出行起始時刻也在相同時段；5)集群個數(shù)由出行結束時刻所在時段和出行起始時刻所在時段共同決定。

1.2 基于動態(tài)優(yōu)先級的電動汽車充放電策略

計算出各電動汽車集群各個時段的充放電功率后，制定適宜的電動汽車充放電策略可使功率合理分配，汽車有序充放電，滿足系統(tǒng)的運行要求?；?.1節(jié)所提的分群原則，同一集群的電動汽車可調(diào)度時段一致，但荷電狀態(tài)(state of charge，SOC)不盡相同，因此定義松弛度φEV表示電動汽車參與調(diào)度的優(yōu)先級，如式(1)所示。據(jù)此制定電動汽車充放電策略，如圖1所示。

(1)

注：EV以額定充/放電功率充/放電，按松弛度大小安排充放電計劃。圖1 基于動態(tài)優(yōu)先級的電動汽車充放電策略Fig.1 Charge/discharge strategy of EVs applying dynamic priority

式中：Tdep和Tarr為電動汽車駛離時間和抵達時間，同一集群的電動汽車可近似一致；Sexp和Sini為電動汽車駛離時的期望SOC和抵達時的初始SOC；Ebat為電動汽車的電池容量；PEV,c和ηc表示電動汽車的充電功率和充電效率。

根據(jù)式(1)可知，φEV>0時，電動汽車處于可調(diào)度模式，可以根據(jù)調(diào)度需求進行充放電或者處于閑置狀態(tài)，優(yōu)先級較低；φEV=0時，電動汽車處于不可調(diào)度模式，即電動汽車必須進行充電，否則無法在駛離時達到期望SOC，優(yōu)先級較高。

2 綜合能源系統(tǒng)兩層嵌套調(diào)度模型

本節(jié)構建綜合能源系統(tǒng)兩層嵌套調(diào)度模型，以1天為調(diào)度周期，均分為24個調(diào)度時段，以實現(xiàn)綜合能源系統(tǒng)下電動汽車分群優(yōu)化調(diào)度，如圖2所示。

圖2 綜合能源系統(tǒng)兩層嵌套調(diào)度模型Fig.2 Two-level scheduling model for IES

圖2外層為調(diào)度計劃層，綜合考慮調(diào)度方案成本、能量波動和環(huán)保性，制定日前調(diào)度計劃，包括各設備出力、電轉(zhuǎn)氣(power to gas, P2G)轉(zhuǎn)化量、EV總充放電功率、與上級主網(wǎng)電熱交易量以及應對負荷波動可提供的備用容量。內(nèi)層為EV調(diào)度層，對EV分群調(diào)度，以最大化EV用戶滿意度為目標，求解各EV集群的充放電計劃和可提供的備用容量。針對每個EV集群，基于動態(tài)優(yōu)先級制定電動汽車充放電策略，在每一時段后更新電動汽車的松弛度，可有效引導電動汽車實時、有序地充放電。

2.1 調(diào)度計劃層

調(diào)度計劃層從綜合能源系統(tǒng)調(diào)度層面出發(fā)，綜合考慮系統(tǒng)經(jīng)濟性、安全性和環(huán)保性，分別以調(diào)度方案成本最少、能量波動最小和環(huán)保性最優(yōu)為目標，建立多目標函數(shù)優(yōu)化模型。

2.1.1目標函數(shù)

1)調(diào)度方案成本最少：

(2)

2)能量波動最小。

除常規(guī)電負荷外，接入電網(wǎng)的P2G裝置、EB和EV也等效為電負荷，CHP機組、GB和P2G裝置的產(chǎn)氣量決定了氣負荷的大小，而熱負荷僅為常規(guī)熱負荷，故能量波動僅考慮凈電負荷波動和凈氣負荷波動。目標函數(shù)如下式所示：

(3)

(4)

(5)

(6)

(7)

3)環(huán)保性最優(yōu)。

本文選取綜合能源系統(tǒng)的總污染當量數(shù)為衡量系統(tǒng)的環(huán)保性指標，污染物主要為CO2和NOx[19]。CO2來源于天然氣燃燒和購電，NOx來源于系統(tǒng)設備的排放。目標函數(shù)如下式所示：

(8)

式中：ECO2、ENOx分別為CO2、NOx的排放量，計算公式見式(9)；θCO2、θNOx分別為CO2、NOx的污染當量值。

(9)

(10)

2.1.2約束條件

1)功率平衡約束。

綜合能源系統(tǒng)需滿足電功率、熱功率、氣負荷的時刻平衡，如式(11)—(13)所示：

(11)

(12)

(13)

2)設備出力上下限約束：

(14)

3)可控機組爬坡約束：

-rn,dΔt≤Pn,t-Pn,t-1≤rn,uΔt

(15)

式中：rn,u、rn,d分別為可控機組n的上、下坡速率；Δt為時間段長度。

4)可再生能源出力約束：

(16)

式中：PWT,max、PPV,max分別為風機、光伏出力的上限值。

5)電動汽車出力約束。

調(diào)度計劃層從系統(tǒng)層面出發(fā)，將電動汽車看成一個整體，式(17)為電動汽車整體充放電功率約束：

(17)

式中：PEV,c,max、PEV,c,min分別為電動汽車整體充電功率上、下限值；PEV,d,max、PEV,d,min分別為電動汽車整體放電功率上、下限值。式(18)為電動汽車平均SOC約束：

(18)

6)與上級主網(wǎng)交互功率約束：

(19)

式中：PEJ,max、PEJ,min分別為系統(tǒng)與上級電網(wǎng)交互功率的上、下限值；ΦHJ,max、ΦHJ,min分別為系統(tǒng)與上級熱網(wǎng)交互功率的上、下限值。

7)旋轉(zhuǎn)備用約束：

(20)

電-熱-氣網(wǎng)混合潮流的運行約束參見文獻[20]，在此不再贅述。

2.2 EV調(diào)度層

根據(jù)出行結束時刻和起始時刻，對EV進行分群調(diào)度，以最大化EV用戶滿意度為目標，制定各EV集群的充放電計劃，根據(jù)EV群內(nèi)的EV數(shù)量，平均分配各EV集群需提供的備用容量。依據(jù)1.2節(jié)的充放電策略制定集群內(nèi)各電動汽車的充放電計劃。

2.2.1目標函數(shù)

考慮EV群出行前平均SOC與期望SOC偏差最小為目標函數(shù)。同時，EV相鄰時段充放電狀態(tài)切換對電池損害較大。因此，增加罰函數(shù)以約束相鄰時段頻繁切換充放電狀態(tài)，目標函數(shù)如式(21)所示：

(21)

2.2.2約束條件

1)EV群平均SOC約束：

(22)

(23)

2)電動汽車充放電功率約束：

(24)

此約束對單輛汽車也適用。

3)旋轉(zhuǎn)備用約束：

(25)

3 模型求解算法與流程

本文綜合智能優(yōu)化算法和傳統(tǒng)優(yōu)化算法來求解綜合能源系統(tǒng)兩層嵌套調(diào)度模型，在保證計算速度的前提下，不失準確性。外層調(diào)度屬多目標優(yōu)化問題，運用改進的多目標粒子群優(yōu)化算法(multi-objective particle swarm optimization,MOPSO)和線性規(guī)劃，求取最優(yōu)解，詳細流程見文獻[21]。內(nèi)層調(diào)度屬于高維多約束非線性優(yōu)化問題，采用改進粒子群優(yōu)化算法求解[21]。調(diào)度模型的求解流程如圖3所示。

圖3 兩層嵌套調(diào)度模型求解流程Fig.3 Flow chart of two-level scheduling model

4 算例分析

4.1 算例說明

本文采用的電-熱-氣綜合能源系統(tǒng)算例包含修改的IEEE-14節(jié)點系統(tǒng)、比利時20節(jié)點天然氣系統(tǒng)[22]、14節(jié)點熱力系統(tǒng)[23]，結構圖見附錄圖B1。在原始IEEE-14節(jié)點系統(tǒng)加入分布式發(fā)電、電動汽車、以及電熱氣系統(tǒng)之間的耦合設備，天然氣與熱力系統(tǒng)參數(shù)見文獻[22]和[23]，各設備的參數(shù)設置詳見附錄表C1[24]。運用本文所提模型進行日前調(diào)度并求解。仿真中，天然氣價格固定為3.5元/m3，主網(wǎng)電價、主網(wǎng)熱價、備用價格以及可中斷負荷的補償價格見附錄表C2。綜合能源系統(tǒng)中負荷數(shù)據(jù)和可再生能源出力參考北方某地區(qū)實際數(shù)據(jù)，各時段熱負荷預測期望值、可再生能源出力期望值如附錄圖B2、B3所示。

該地區(qū)有1 028輛電動汽車愿意參與系統(tǒng)調(diào)度，統(tǒng)計分析該地區(qū)電動汽車在典型工作日的出行情況，依據(jù)1.1節(jié)分群原則進行集群劃分，如表1所示。集群內(nèi)初始SOC服從正態(tài)分布，EV出行行駛里程ld服從對數(shù)正態(tài)分布，即ln(ld)～N(3.2,0.882)[25]。此外，EV的電池容量為20 kW·h，額定充放電功率均為4 kW，充放電效率為95%，用戶期望荷電狀態(tài)為1，100 km耗電量為12 kW·h。

表1 電動汽車集群劃分及參數(shù)Table 1 Cluster division and parameters of EVs

4.2 不同系統(tǒng)下日前調(diào)度結果分析

為驗證綜合能源系統(tǒng)協(xié)同調(diào)度的優(yōu)勢，設置以下3種場景進行對比：

場景1：僅電力系統(tǒng)，CHP機組承擔熱負荷，不含GB、EB和P2G裝置。

場景2：綜合能源系統(tǒng)非協(xié)同調(diào)度。電力系統(tǒng)和熱力系統(tǒng)分別負責50%熱負荷，不含EB、P2G裝置。

場景3：綜合能源系統(tǒng)協(xié)同調(diào)度。常規(guī)電負荷波動為16.02 MW，常規(guī)氣負荷波動為326 m3。

三種場景調(diào)度結果如表2所示。可以看出，場景1，即僅電力系統(tǒng)日前調(diào)度情況下，經(jīng)濟效益、能量波動、環(huán)境效益都是最差的。和非協(xié)同調(diào)度相比，綜合能源協(xié)同調(diào)度在經(jīng)濟性、安全性、環(huán)保性上都有著相對的優(yōu)勢，其中，調(diào)度方案成本降低了3.03%，凈電負荷波動減少了0.92 MW，凈氣負荷波動減少了116 m3，系統(tǒng)總污染當量降低了5.87%。仿真結果說明了與僅電力系統(tǒng)的傳統(tǒng)調(diào)度、綜合能源系統(tǒng)非協(xié)同調(diào)度相比，多種能源耦合的綜合能源系統(tǒng)協(xié)同調(diào)度的優(yōu)勢較大，經(jīng)濟性、環(huán)保性好，負荷曲線平緩。

表2 三種場景調(diào)度結果對比Table 2 Optimization results in three sceneries

附圖B4—B5(a)為場景1和場景3的日前調(diào)度計劃(包括各設備出力、P2G轉(zhuǎn)化量、EV總充放電功率以及與上級主網(wǎng)電熱交易量)，可見，電動汽車在傳統(tǒng)電力系統(tǒng)和綜合能源系統(tǒng)環(huán)境下，受電價和目標函數(shù)引導都體現(xiàn)出很好的削峰填谷特性。相比較來說，綜合能源系統(tǒng)環(huán)境下存在耦合設備，電動汽車和其他設備相互配合，能達到更優(yōu)的目標。

4.3 EV不同充放電方式下調(diào)度結果分析

為驗證本文所提模型的有效性，設置EV有序調(diào)度和無序調(diào)度兩種方式，采用改進的MOPSO算法進行綜合能源系統(tǒng)日前調(diào)度優(yōu)化。EV無序調(diào)度是指EV接入系統(tǒng)后立即以最大充電功率充電，直至充滿。

本文以調(diào)度方案成本>環(huán)保性>能量波動為優(yōu)先級順序，確定兩種方式下綜合能源系統(tǒng)調(diào)度結果，如表3所示。日前調(diào)度計劃、考慮負荷波動±5%可提供的上旋備用容量和下旋備用容量，詳見附錄圖B5—B7。

表3 兩種方式調(diào)度結果對比Table 3 Optimization results in two modes

由表3可知，EV有序參與綜合能源系統(tǒng)協(xié)同優(yōu)化調(diào)度可以降低系統(tǒng)調(diào)度方案成本，緩和負荷波動，減少污染物排放。同EV無序調(diào)度相比，EV有序調(diào)度制定充放電計劃靈活，可使系統(tǒng)調(diào)度方案成本減少2.32%，凈電/氣負荷波動分別下降17.83%和34.26%，系統(tǒng)總污染當量降低5.87%。

圖4給出了系統(tǒng)的能量波動情況。兩種方式下電動汽車的充放電功率和SOC情況如圖5所示，兩種方式下電動汽車的初始SOC均為0.5，EV無序調(diào)度下電動汽車立即充電直至充滿，在出行結束后亦如此，而電動汽車出行結束適逢用電高峰，無疑會增加電負荷峰值，造成“峰上加峰”。相比較下，EV有序參與綜合能源系統(tǒng)調(diào)度，電動汽車合理充放電，使得電負荷峰谷差變小，有效地抑制了電負荷波動，電負荷曲線有了較大改善。EV作為一種調(diào)度資源，參與綜合能源系統(tǒng)調(diào)度，系統(tǒng)合理安排調(diào)度計劃，使得氣負荷曲線平緩、系統(tǒng)穩(wěn)定運行。

圖4 兩種方式能量波動情況對比Fig.4 Energy fluctuation in two modes

圖5 兩種方式充放電功率和荷電狀態(tài)情況Fig.5 Charge/discharge power and SOC in two modes

本文以調(diào)度方案成本為依據(jù)，畫出EV有序調(diào)度下MOPSO算法的收斂曲線，如附錄圖B8所示，算法迭代到231次收斂，計算時間為277 s。

4.4 電動汽車分群優(yōu)化調(diào)度仿真

以調(diào)度計劃層優(yōu)化得到的電動汽車總充放電功率為條件，考慮EV用戶滿意度最大，采用改進的PSO算法求解各EV集群各個時段的充放電功率，在迭代178次時收斂，計算時間為8.7 s，各EV集群優(yōu)化調(diào)度結果如圖6所示。

圖6 各EV集群優(yōu)化調(diào)度結果Fig.6 Optimization results of each EV cluster

EV群優(yōu)化調(diào)度后各個時段的SOC情況如圖7所示，出行前的SOC見表4?？芍?，電動汽車分群優(yōu)化調(diào)度后，出行前的荷電狀態(tài)均能滿足出行需求，且充放電狀態(tài)切換少。一個調(diào)度周期內(nèi)，荷電狀態(tài)始終在0.2至1之間；一個調(diào)度周期后，各EV集群SOC與初始SOC保持一致。

圖7 各EV集群SOC變化曲線Fig.7 SOC curve of each EV cluster

表4 優(yōu)化調(diào)度后各EV集群出行前SOCTable 4 SOC of each EV cluster before travel after scheduling

4.5 集群內(nèi)電動汽車充放電調(diào)度仿真

對于EV調(diào)度層求解出的各EV集群的優(yōu)化調(diào)度結果，基于動態(tài)優(yōu)先級制定電動汽車充放電策略。以集群4為例，給出其中6輛車出行前SOC情況和調(diào)度策略，分別見表5和附錄表C3。由此可知，以動態(tài)優(yōu)先級合理安排電動汽車充放電，使得各EV出行前SOC均能滿足出行需求。

表5 集群內(nèi)電動汽車出行前SOCTable 5 SOC of EVs in the cluster before travel

5 結 論

本文構建了綜合能源系統(tǒng)兩層嵌套調(diào)度模型，對大規(guī)模EV進行分群分層優(yōu)化調(diào)度。通過算例分析得出以下結論：

1)綜合能源系統(tǒng)協(xié)同調(diào)度與傳統(tǒng)電力系統(tǒng)調(diào)度、非協(xié)同調(diào)度相比，經(jīng)濟性和環(huán)保性更優(yōu)，負荷曲線得到更好優(yōu)化。

2)EV充放電方式影響調(diào)度優(yōu)化結果。與無序充電相比，EV有序參與綜合能源系統(tǒng)協(xié)同調(diào)度能有效降低調(diào)度方案成本和污染物排放，緩和負荷波動。

3)EV調(diào)度層以用戶滿意度最好為目標進行分群調(diào)度，出行前各集群的荷電狀態(tài)均能滿足出行需求。

4)基于動態(tài)優(yōu)先級制定集群內(nèi)各電動汽車的充放電策略，引導其合理充放電，出行前SOC均能滿足出行需求。

本文尚未計及電動汽車空間特性對系統(tǒng)調(diào)度的影響，后續(xù)的研究將重點考慮電動汽車時空特性，建立更加完善的綜合能源系統(tǒng)優(yōu)化調(diào)度模型。

附錄A

(A1)

(A2)

(A3)

附錄B

圖B1 綜合能源系統(tǒng)拓撲圖Fig.B1 Topology of integrated energy system

圖B2 熱負荷預測期望值曲線圖Fig.B2 Predicted curve of heat load

圖B3 各時段可再生能源出力期望值曲線Fig.B3 Predicted curve of renewable energy output in each period

圖B4 僅電力系統(tǒng)的日前調(diào)度計劃Fig.B4 Day-ahead scheduling plan for power system

圖B5 兩種方式日前調(diào)度計劃Fig.B5 Day-ahead scheduling plan in two modes

圖B6 兩種方式上旋備用容量Fig.B6 Spin-up reserve in two modes

圖B7 兩種方式下旋備用容量Fig.B7 Spin-down reserve in two modes

圖B8 MOPSO算法收斂曲線Fig.B8 Convergence curve of MOPSO algorithm

附錄C

表C1 設備參數(shù)Table C1 Parameters of devices

表C2 主網(wǎng)電價、主網(wǎng)熱價、備用價格及可中斷負荷的補償價格Table C2 Electricity price, heat price, reserve price and compensation price for interruptible load 元/(MW·h)

表C3 集群內(nèi)電動汽車各時刻充放電策略Table C3 Charge-discharge strategy of EVs in the cluster