考慮實(shí)時(shí)電力交易的電動(dòng)汽車群組充放電優(yōu)化策略

黃敬堯，朱嘉帥,2，侯登旭，孟明梅

(1. 三峽大學(xué)電氣與新能源學(xué)院，湖北 宜昌443002；2. 國(guó)網(wǎng)湖北省電力有限公司武漢供電公司，武漢430013；3. 國(guó)網(wǎng)湖北省電力有限公司孝感供電公司，湖北 孝感432100)

0 引言

隨著新一輪電力體制改革的逐步深入，國(guó)家發(fā)改委提出2020年開始我國(guó)將逐步建立發(fā)用電雙方帶曲線交易的模式，電力市場(chǎng)實(shí)時(shí)交易覆蓋面將進(jìn)一步擴(kuò)大[1 - 2]。同時(shí)，在政策與市場(chǎng)的雙重驅(qū)動(dòng)下電動(dòng)汽車產(chǎn)銷量不斷增長(zhǎng)，電動(dòng)汽車入網(wǎng)技術(shù)(vehicle-to-grid，V2G)使其與電網(wǎng)緊密聯(lián)系[3 - 4]，利用電動(dòng)汽車作為儲(chǔ)能裝置[5]可以根據(jù)電力市場(chǎng)的實(shí)時(shí)價(jià)格波動(dòng)，將富余的電能出售到電力市場(chǎng)“低買高賣”獲取收益，同時(shí)減少電動(dòng)汽車大規(guī)模接入電網(wǎng)帶來的功率波動(dòng)與負(fù)荷沖擊問題[6]。

目前，大量學(xué)者對(duì)電動(dòng)汽車的充放電優(yōu)化進(jìn)行了研究。文獻(xiàn)[7 - 8]引入了虛擬同步機(jī)技術(shù)，實(shí)現(xiàn)了對(duì)微電網(wǎng)頻率的無差調(diào)節(jié)，起到了減小負(fù)荷波動(dòng)率、削峰填谷、降低經(jīng)濟(jì)成本的作用；文獻(xiàn)[9]以換電模式作為電動(dòng)汽車的能源供給模式，構(gòu)建了基于排隊(duì)論的換電站運(yùn)行狀態(tài)轉(zhuǎn)移模型，實(shí)現(xiàn)了有序充電模型的快速求解。以上文獻(xiàn)僅從技術(shù)層面論證了有序充放電的優(yōu)勢(shì)，未考慮增加用戶的收益或減少用戶的成本。

針對(duì)參與電力交易的電動(dòng)汽車充放電優(yōu)化開展了相關(guān)研究。文獻(xiàn)[10]建立主從博弈模型，以主動(dòng)配電網(wǎng)與電動(dòng)汽車為對(duì)象，基于貪心策略進(jìn)行兩階段優(yōu)化，驗(yàn)證了充放電策略的經(jīng)濟(jì)性和有效性；文獻(xiàn)[11]基于蒙特卡洛模擬和粒子群算法進(jìn)行仿真計(jì)算，控制策略思路清晰，計(jì)算變量少；文獻(xiàn)[12]考慮動(dòng)力電池的損耗成本，采用迭代法對(duì)電池?fù)p耗成本和充電站的充放電計(jì)劃進(jìn)行聯(lián)動(dòng)優(yōu)化，驗(yàn)證了電動(dòng)公交車參與V2G時(shí)的優(yōu)越性；文獻(xiàn)[13]針對(duì)居民小區(qū)的個(gè)人用戶，考慮了配電變壓器供電容量限制，設(shè)計(jì)了求最優(yōu)網(wǎng)格選取結(jié)果的方法與步驟，降低了用戶成本，起到了削峰填谷的作用。但以上文獻(xiàn)均通過分時(shí)電價(jià)作為減少用戶成本的渠道，未考慮參加電力市場(chǎng)進(jìn)行電力交易；文獻(xiàn)[14]建立基于區(qū)塊鏈的充電權(quán)交易機(jī)制與模型，需通過雙向拍賣市場(chǎng)和P2P市場(chǎng)掛牌交易，使電動(dòng)汽車所有人和電力市場(chǎng)之間的電力交易受到一定的約束，且不是根據(jù)實(shí)時(shí)曲線進(jìn)行電力交易。

在上述背景下，本文針對(duì)商用電動(dòng)汽車群組有序充放電問題，設(shè)計(jì)將電動(dòng)汽車電池中儲(chǔ)備的富余電能出售到電力市場(chǎng)中參加實(shí)時(shí)電力交易的電動(dòng)汽車充放電優(yōu)化策略。在保障電力系統(tǒng)安全的情況下，以電力交易收益和車輛運(yùn)營(yíng)收益最大化為目標(biāo)，基于多目標(biāo)決策理論建立優(yōu)化模型，通過遺傳算法求解。最后，基于新加坡能源市場(chǎng)計(jì)算用戶收益并將該策略有序充電與無序充電情況進(jìn)行對(duì)比，驗(yàn)證本策略的有效性。

1 電動(dòng)汽車群組調(diào)度架構(gòu)

1.1 電動(dòng)汽車調(diào)度策略

本文提出的充放電優(yōu)化策略適用的對(duì)象為商用電動(dòng)汽車群組，以作為電動(dòng)汽車群組運(yùn)營(yíng)主體的商業(yè)用戶的收益最大化為導(dǎo)向。要增加電動(dòng)汽車所有者的收益主要通過參與實(shí)時(shí)電力市場(chǎng)交易和優(yōu)化電動(dòng)汽車運(yùn)營(yíng)來實(shí)現(xiàn)：一方面，將電力市場(chǎng)的實(shí)時(shí)電價(jià)傳遞到電動(dòng)汽車群組，在電動(dòng)汽車群組有富余電能的情況下，將電能釋放出來參與實(shí)時(shí)電力市場(chǎng)進(jìn)行交易，實(shí)現(xiàn)“低買高賣”獲取利潤(rùn)，同時(shí)也節(jié)省充電支出；另一方面，使電動(dòng)汽車周轉(zhuǎn)效率最大化，在相同情況下完成更多的業(yè)務(wù)，增加電動(dòng)汽車的運(yùn)行收益。

與此同時(shí)，為了保障電網(wǎng)系統(tǒng)的安全穩(wěn)定運(yùn)行，充電站的負(fù)荷不應(yīng)超出電網(wǎng)的承受范圍。因此，本文將討論電網(wǎng)的安全約束條件，以確保不影響電網(wǎng)的安全運(yùn)行。

1.2 智能充電站工作場(chǎng)景

電動(dòng)汽車充電站的結(jié)構(gòu)如圖1所示。當(dāng)電動(dòng)汽車連接到電網(wǎng)時(shí)，可以將其看作一個(gè)儲(chǔ)能裝置。為便于電力市場(chǎng)和電動(dòng)汽車間信息的交互，本文引入聚合器作為兩者聯(lián)系的橋梁[15]，同時(shí)發(fā)出指令對(duì)電動(dòng)汽車的運(yùn)營(yíng)進(jìn)行調(diào)度。商用電動(dòng)汽車群組產(chǎn)權(quán)所有者為商業(yè)用戶，聚合器及電網(wǎng)在內(nèi)的設(shè)備產(chǎn)權(quán)所有者均為電網(wǎng)公司。

圖1 電動(dòng)汽車充電站結(jié)構(gòu)圖Fig.1 Structure of an electric vehicle charging station

1.3 電動(dòng)汽車充放電流程

考慮到商用電動(dòng)汽車群組用戶的運(yùn)行要求以及電動(dòng)汽車是否有富余的電能參加電力交易，本文設(shè)計(jì)了如圖2所示的充放電控制流程圖。

圖2 充放電控制流程圖Fig.2 Charge and discharge control flowchart

2 多目標(biāo)決策條件建模

2.1 經(jīng)濟(jì)收益建模

2.1.1 電力交易收益

電動(dòng)汽車作為實(shí)時(shí)電力市場(chǎng)的參與者，可以為實(shí)際交易的電能收益或支出相應(yīng)的能源費(fèi)用。根據(jù)實(shí)際情況，電動(dòng)汽車可以進(jìn)行正調(diào)節(jié)或負(fù)調(diào)節(jié)：在正調(diào)節(jié)時(shí)，將能源費(fèi)用支付給提供電動(dòng)汽車所有者；在負(fù)調(diào)節(jié)時(shí)，參與者支付從電網(wǎng)獲取的能源費(fèi)用。提供負(fù)調(diào)節(jié)Wneg給電動(dòng)汽車充電，其值受到之前用于駕駛的能量的限制：

(1)

式中：dd為當(dāng)天行駛的路程，km；ηveh為功耗， kWh/km；ηcharge為充電效率。

通過將可用能量Wneg除以相應(yīng)的調(diào)度時(shí)間tdisp,d(每輛電動(dòng)汽車每天參與交易時(shí)間的平均值)可以求出負(fù)調(diào)節(jié)時(shí)每個(gè)電動(dòng)汽車可以提供的功率Pneg。

(2)

電動(dòng)汽車每天接通電源的時(shí)間tplug乘以能源消耗的概率，可以求出tdisp,d，這個(gè)概率可以通過Rd-c來估計(jì)，Rd-c是實(shí)際每天消耗的能源Edisp和潛在的合同能源Econtr之間的比率。

(3)

tdisp,d=Rd-ctplug

(4)

1輛車參與電力交易的最大有功功率Pmax受充電器容量PC和最大安全充電功率Pm的限制。

Pmax=min{Pc,Pm}

(5)

N輛電動(dòng)汽車和T個(gè)時(shí)間段的每日總收益為：

(6)

式中：p(cap,j)為第j小時(shí)的容量?jī)r(jià)格；Pi為車輛i的充電功率；c(pe)j為第j小時(shí)的現(xiàn)貨市場(chǎng)能源價(jià)格；p(el)j為第j小時(shí)的規(guī)定能源價(jià)格；E(disp)i,j為第j小時(shí)的車輛i的分解能量；ton,i為車輛i接通電源的時(shí)刻；tplug,i為車輛i接通電源的時(shí)長(zhǎng)。

2.1.2 車輛運(yùn)營(yíng)收益

在電動(dòng)汽車連接充電站進(jìn)行充放電時(shí)，無法進(jìn)行正常運(yùn)營(yíng)，過多的電動(dòng)汽車連接到充電站，勢(shì)必會(huì)影響到商業(yè)用戶的正常運(yùn)營(yíng)。對(duì)運(yùn)營(yíng)的影響程度本文用運(yùn)營(yíng)影響系數(shù)來表達(dá)，以研究對(duì)正常運(yùn)營(yíng)影響最小的情況。

為便于分析，本文規(guī)定電動(dòng)汽車到達(dá)和離開充電站的時(shí)間是固定的，電動(dòng)汽車群組所有者通過估計(jì)業(yè)務(wù)出現(xiàn)的時(shí)刻和業(yè)務(wù)處理時(shí)長(zhǎng)來使業(yè)務(wù)等待時(shí)間最小化，推薦的車輛參數(shù)可以從排隊(duì)論中定義的M/M/s模型獲取[16]。則所有n輛車都可用的概率p0為：

(7)

式中：s為電動(dòng)汽車的數(shù)量；λ為每個(gè)時(shí)間單位的預(yù)期干預(yù)次數(shù)；μ為每個(gè)時(shí)間單位內(nèi)完成的預(yù)期干預(yù)次數(shù)。

系統(tǒng)中存在n個(gè)業(yè)務(wù)需要處理的概率pn為：

(8)

系統(tǒng)中每輛電動(dòng)汽車的預(yù)期業(yè)務(wù)數(shù)量L如下：

(9)

將等待時(shí)間用W表示，在穩(wěn)態(tài)排隊(duì)過程中每輛電動(dòng)汽車的預(yù)期業(yè)務(wù)數(shù)量為：

L=λW

(10)

(11)

為了更加直觀地以使用經(jīng)濟(jì)性來評(píng)估調(diào)度結(jié)果，本節(jié)將運(yùn)營(yíng)影響系數(shù)用經(jīng)濟(jì)指標(biāo)進(jìn)行了相應(yīng)轉(zhuǎn)化。假定完成一個(gè)業(yè)務(wù)的收益為c0，則商用電動(dòng)汽車用戶的總收益C為：

(12)

式中N為電動(dòng)汽車的數(shù)量。

基于需要處理的業(yè)務(wù)可以等待的最長(zhǎng)時(shí)間spref,j=f(Wmax)，可以計(jì)算滿足條件的當(dāng)前可用車輛數(shù)的最小值。一定數(shù)量的可用車輛能保證車輛運(yùn)營(yíng)收益C最大，有：

(13)

式中：spref,j為每小時(shí)首選車輛數(shù)量，使用N輛電動(dòng)汽車和T個(gè)時(shí)間段，通過最小化與該值的偏差進(jìn)行單準(zhǔn)則優(yōu)化。

2.2 電力系統(tǒng)安全約束

2.2.1 電力容量約束

在本文提出的電動(dòng)汽車充放電策略中，智能充電站內(nèi)有聚合器，根據(jù)單輛電動(dòng)汽車的耗電量計(jì)算出每個(gè)小時(shí)的總充電需求，即為充電站每小時(shí)需要提供的電能。為了保障電力系統(tǒng)的安全穩(wěn)定運(yùn)行，充電站所能提供的電能不應(yīng)超過充電站的最大容量，充電約束關(guān)系為：

0

(14)

式中：pt為t時(shí)刻電網(wǎng)負(fù)荷的預(yù)測(cè)值：pmax為充電站所能提供的最大充電功率：τ為充電站的充電效率。

2.2.2 電池容量約束

本文將電動(dòng)汽車的電池作為儲(chǔ)能設(shè)施建模，其容量等于充電站中所有電動(dòng)汽車電池容量的總和。總?cè)萘繒?huì)隨著時(shí)間的變化而變化，因?yàn)橥＼噲?chǎng)中可用的電動(dòng)汽車數(shù)量是變化的。下面兩式分別表示停車場(chǎng)儲(chǔ)能設(shè)施在t小時(shí)的最大容量和最小容量。

(15)

(16)

得到充電站電動(dòng)汽車電池總?cè)萘康淖畲笾岛妥钚≈?，則電動(dòng)汽車參與實(shí)時(shí)電力交易的容量如式(17)所示。

(17)

式中Et為電動(dòng)汽車參與實(shí)時(shí)電力交易的容量。

充電功率可以通過減載裝置進(jìn)行降低，即車輛連接后不立即開始充電，而是通過聚合器結(jié)合電力市場(chǎng)實(shí)時(shí)電價(jià)和商業(yè)運(yùn)營(yíng)的要求，在滿足車輛正常運(yùn)行及不超過充電設(shè)施最大功率限制的前提下，再進(jìn)行針對(duì)性充放電。

3 優(yōu)化模型求解

3.1 多屬性效用理論

多屬性效用理論定義了多屬性效用的結(jié)果，它是各個(gè)屬性的效用函數(shù)。多屬性效用理論規(guī)定了幾種可能的函數(shù)以及每種函數(shù)的適用條件。如果存在相互獨(dú)立效用，則多屬性效用函數(shù)如式(18)所示。

(18)

式中：ui(xi)為屬性i的單屬性效用值，其值為xi(xi范圍為0～1)；ki為屬性i的權(quán)衡參數(shù)；K為歸一化常數(shù)。

如果給定X2=x2時(shí)X1的隨機(jī)變量的結(jié)果不取決于x2的水平，則屬性X1的效用獨(dú)立于X2。如果滿足累加條件獨(dú)立性(更嚴(yán)格的偏好條件)，則偏好由邊際決定，而不是由每個(gè)績(jī)效指標(biāo)的聯(lián)合分布決定。

如果存在累加條件獨(dú)立性，則多屬性效用函數(shù)具有累加性，如式(19)所示。

(19)

(20)

總體效用函數(shù)可以反映各個(gè)標(biāo)準(zhǔn)之間的3種不同類型的關(guān)系。本文使用多屬性效用理論進(jìn)行優(yōu)化，該理論允許決策者對(duì)風(fēng)險(xiǎn)采取不同的態(tài)度：在補(bǔ)償情況下，可以通過一項(xiàng)標(biāo)準(zhǔn)的執(zhí)行彌補(bǔ)另一項(xiàng)標(biāo)準(zhǔn)的不足，如式(21)(a)中所示；在累加情況下，一個(gè)標(biāo)準(zhǔn)的執(zhí)行與其他標(biāo)準(zhǔn)的值無關(guān)，如式(21)(b)中所示；在互補(bǔ)情況下，通過一項(xiàng)標(biāo)準(zhǔn)獲得最優(yōu)結(jié)果是首要目標(biāo)，如式(21)(c)中所示。

(21)

可以根據(jù)決策者的多元風(fēng)險(xiǎn)狀況來區(qū)分這3種情況。第1種情況代表風(fēng)險(xiǎn)規(guī)避，第2種情況代表風(fēng)險(xiǎn)中等，第3種情況代表風(fēng)險(xiǎn)尋求。在本文確定函數(shù)的方法中使用的方法是通過每個(gè)u(x)確定kj的值，并進(jìn)行迭代求解找到K值。

(22)

3.2 多目標(biāo)優(yōu)化

通常有兩種方法生成多目標(biāo)優(yōu)化的解集：標(biāo)量化和非標(biāo)量化方法。標(biāo)量化方法明確地使用標(biāo)量化函數(shù)將問題轉(zhuǎn)換成單目標(biāo)問題，也是本文所采用的方法。調(diào)度優(yōu)化首先對(duì)先前分析的電力交易收入函數(shù)和車輛運(yùn)營(yíng)收入函數(shù)進(jìn)行單目標(biāo)優(yōu)化，該優(yōu)化輸出的是基于電力交易收益UR和車輛運(yùn)營(yíng)收益UC的單一最大值的效用函數(shù)。接下來，將多屬性效用理論應(yīng)用于聚合效用來執(zhí)行多目標(biāo)優(yōu)化，分別如式(23)—(24)所示。

(23)

(24)

式中：R(x)為電力交易收益；C(x)為車輛運(yùn)營(yíng)收益。

多目標(biāo)優(yōu)化函數(shù)為：

(25)

式中：K為歸一化常數(shù)；k1和k2分別為電力交易收益和車輛運(yùn)營(yíng)收益的權(quán)衡參數(shù)。

在本文中，將使用非線性(25)和加性模型效用函數(shù)(26)：

U=k1UR+k2UC

(26)

優(yōu)化問題是對(duì)偶的，有兩種解決方法。一種需要找到由二進(jìn)制變量組成的矩陣，另一種僅需找到整數(shù)變量。本文采用后一種方法，從而大大減少了變量數(shù)量，并將優(yōu)化問題設(shè)置為混合整數(shù)非線性規(guī)劃問題。優(yōu)化函數(shù)是非線性的，具有式(27)所示的線性約束。

(27)

式中：T(min,on),i和T(max,on),i分別為車輛i的最早和最晚連接時(shí)刻；T(min,plug),i和T(max,plug),i分別為車輛i的最短和最長(zhǎng)連接時(shí)長(zhǎng)；Pi,max為車輛i的最大充電功率。

第1個(gè)約束將車輛活動(dòng)限制在1天內(nèi)(24 h)，第2個(gè)約束給出了決策者允許車輛停放而不使用的時(shí)間范圍?？赡艿亩萝嚂r(shí)間范圍由第3個(gè)約束條件設(shè)定，每輛車的最短和最長(zhǎng)連接時(shí)長(zhǎng)如式(28)所示。

(28)

式中：Wi為車輛i的等待時(shí)間；Rd-c為每天實(shí)際消耗的能源和潛在的合同能源間的比率；Pmax,i為車輛i所連接充電樁的最大功率；Tservice,i為車輛的預(yù)期運(yùn)營(yíng)時(shí)間。

最后，每個(gè)車輛的最大充電功率由第4個(gè)約束給出。

由于根據(jù)不同的運(yùn)營(yíng)情況，電動(dòng)汽車的使用時(shí)間是隨機(jī)的。因此，白天行駛的公里數(shù)范圍是應(yīng)用M/M/s模型進(jìn)行運(yùn)營(yíng)的泊松概率分布的結(jié)果。

(29)

式中μ為每個(gè)時(shí)間單位內(nèi)完成的預(yù)期干預(yù)次數(shù)。

接下來，使用遺傳算法解決優(yōu)化問題。首先確定每個(gè)條件的效用函數(shù)，然后將多屬性方法用于車輛調(diào)度。完整的優(yōu)化過程如圖3所示。

圖3 優(yōu)化過程圖Fig.3 Optimization process diagram

4 仿真算例分析4.1 參數(shù)設(shè)置

本文以某充電站為例，研究?jī)?yōu)化電動(dòng)汽車調(diào)度的方法，假設(shè)其擁有10輛電動(dòng)汽車組成的小型電動(dòng)汽車群組。電動(dòng)汽車的運(yùn)行業(yè)務(wù)以M/M/s模型建模，一輛車每小時(shí)平均已完成業(yè)務(wù)μ=2， 允許的最大等待時(shí)間Wmax=30 min。通過3.1節(jié)可知，最佳的未運(yùn)營(yíng)車輛數(shù)量spref(t)和運(yùn)營(yíng)車輛數(shù)量N-spref(t)。其中，該電動(dòng)汽車每千米耗電參數(shù)dd=0.15 kWh/km，充電效率ηcharge=0.95。

圖4中給出了1天中各時(shí)段的平均業(yè)務(wù)數(shù)λ(t)，圖5給出了最優(yōu)的運(yùn)行和停放車輛數(shù)量。

圖4 各時(shí)段平均業(yè)務(wù)圖Fig.4 Average service graph during every period

圖5 最優(yōu)運(yùn)行和停放車輛圖Fig.5 Optimal operation and parking of vehicles diagram

利用每輛車進(jìn)行運(yùn)營(yíng)的泊松分布，求出每輛車在運(yùn)行時(shí)間內(nèi)已完成任務(wù)的概率分布。接著將概率分布離散化，以便獲得每輛車的實(shí)際業(yè)務(wù)數(shù)量，M/M/s模型應(yīng)用程序的最終結(jié)果是每輛車的預(yù)期千米數(shù)。車輛充電參數(shù)見表1，計(jì)算參數(shù)見表2。

表1 輸入充電參數(shù)Tab.1 Input charging parameters

表2 單目標(biāo)優(yōu)化的第一步優(yōu)化結(jié)果Tab.2 First-step optimization results for single-objective optimization

本算例選擇了新加坡能源市場(chǎng)公司2020年4月22日24 h實(shí)時(shí)價(jià)格進(jìn)行計(jì)算[17]，如圖6所示。

圖6 新加坡電力市場(chǎng)能源價(jià)格Fig.6 Energy prices in electricity market of Singapore

4.2 各方案調(diào)度對(duì)比分析

根據(jù)前文提出的兩步法，首先對(duì)電力交易收益和車輛運(yùn)營(yíng)收益函數(shù)在約束條件下執(zhí)行單目標(biāo)優(yōu)化，然后構(gòu)建效用函數(shù)優(yōu)化目標(biāo)。接下來使用遺傳算法，對(duì)3種不同類型的目標(biāo)函數(shù)執(zhí)行多目標(biāo)優(yōu)化，具體取決于決策者的風(fēng)險(xiǎn)態(tài)度，3種方案的最佳調(diào)度安排見表3。

3種可能的情況反映了3.2節(jié)中的3種不同的決策策略：風(fēng)險(xiǎn)規(guī)避、風(fēng)險(xiǎn)中等和風(fēng)險(xiǎn)尋求。表5中列出了優(yōu)化問題的最終結(jié)果和3種方案的情況。圖7和圖8分別是白天的計(jì)劃充電功率和進(jìn)行充電的電動(dòng)汽車數(shù)量。

表3 針對(duì)3種方案的最佳調(diào)度Tab.3 Optimal scheduling for three scenarios

表4 3種方案下的最終結(jié)果Tab.4 Final results under the three schemes

圖7 各時(shí)段計(jì)劃充電功率Fig.7 Planned charging powers for each period

圖8 各時(shí)段運(yùn)行的電動(dòng)汽車數(shù)量Fig.8 Numbers of electric vehicles running during each period

通過對(duì)優(yōu)化得出的結(jié)果進(jìn)行對(duì)比可知：方案1(風(fēng)險(xiǎn)規(guī)避)的綜合效果最佳；方案2(風(fēng)險(xiǎn)中等)中某一方面的突出表現(xiàn)不及整體平衡重要，其綜合效果不盡人意；方案3(風(fēng)險(xiǎn)尋求)中一個(gè)條件的執(zhí)行不與其他條件的相關(guān)，但是由于各個(gè)條件的關(guān)聯(lián)性較低，因此也能達(dá)到良好的總體效果。

優(yōu)化結(jié)果同時(shí)得出，在選擇方案1的情況下，每輛電動(dòng)汽車每年的平均電力交易收益為425.17美元(約合人民幣2 965.48元)，綜合收益為人民幣18 796.48元，具有一定的經(jīng)濟(jì)效益。

4.3 考慮有序充電的必要性

為了進(jìn)一步研究本文充放電策略下電動(dòng)汽車群組優(yōu)化調(diào)度的效果，分別在無序充電與本策略有序充電的情況下，對(duì)擁有100輛電動(dòng)汽車的中型商用電動(dòng)汽車群組進(jìn)行分析。圖9是100輛電動(dòng)汽車在兩種情況下的日負(fù)荷曲線圖。

圖9 有序充電與無序充電的日負(fù)荷曲線圖Fig.9 Daily load curves of ordered charging and disordered charging

由圖9可知，使用本文充放電策略的優(yōu)化調(diào)度降低了電動(dòng)汽車大規(guī)模、集中性接入電網(wǎng)時(shí)的負(fù)荷沖擊，起到了“削峰填谷”、錯(cuò)峰充電的作用，更加合理地配置了智能充電站的設(shè)施使用。

綜上所述，運(yùn)用補(bǔ)償效用函數(shù)的方案一是最佳選擇，其使得包含電力交易收益和車輛運(yùn)營(yíng)收益在內(nèi)的總收益最大化，并且不會(huì)影響電網(wǎng)的安全穩(wěn)定運(yùn)行，與此同時(shí)還可以起到“削峰填谷”的有益作用。

5 結(jié)論

本文在新電改推進(jìn)實(shí)時(shí)電力交易的背景下，基于電動(dòng)汽車大規(guī)模商用的趨勢(shì)，考慮到用戶的需求和收益，以及電網(wǎng)的安全性，提出了一種參加實(shí)時(shí)電力市場(chǎng)交易的電動(dòng)汽車的充放電策略。主要工作和得出的具體結(jié)論如下。

本文在電動(dòng)汽車充放調(diào)度優(yōu)化中，對(duì)實(shí)時(shí)電力交易收益、車輛運(yùn)營(yíng)收益以及充電設(shè)施安全約束進(jìn)行建模，并使用多屬性效用理論優(yōu)化了該模型，最后通過算例驗(yàn)證了該模型。

商用電動(dòng)汽車群組用戶在參與電力市場(chǎng)帶曲線實(shí)時(shí)交易中可以獲得一定的收益，且商業(yè)用戶的日常運(yùn)營(yíng)不會(huì)受到明顯影響，同時(shí)對(duì)電網(wǎng)的安全性也不會(huì)造成影響。另外，通過在本策略下進(jìn)行有序充電和無序充電進(jìn)行對(duì)比，證明本策略可以起到“削峰填谷”的作用，緩解了電網(wǎng)“負(fù)荷尖峰”的問題。