基于改進CMPSO和EV有序充放電策略的微電網(wǎng)不確定性研究

王易雯，應利

（1.三峽大學 電氣與新能源學院，湖北宜昌 443002；2.國網(wǎng)四川省電力公司簡陽市供電分公司，四川簡陽 641400）

引言

目前我國電動汽車（EV）接入微電網(wǎng)充電對負荷側沖擊加劇，傳統(tǒng)能源機組發(fā)電供應短缺和各類污染物對環(huán)境的影響日益嚴重。針對負荷側電動汽車入網(wǎng)導致的負荷波動，國內(nèi)外主要研究其對電力系統(tǒng)的整體運行調度的影響[1,2]，同時協(xié)調平衡經(jīng)濟性和穩(wěn)定性之間的矛盾。文獻[3]以電動汽車作為研究對象，驗證基于自然選擇機理的粒子群算法相比傳統(tǒng)粒子群算法的優(yōu)越性。文獻[4]采用激勵型DR構建基于負荷價格彈性的系數(shù)矩陣模型，結合EV建立多目標函數(shù)分析。文獻[5]采用有序充放電策略考慮EV入網(wǎng)的“移動充電”作用，增加電網(wǎng)備用容量，并采用粒子群—模擬遺傳混合算法優(yōu)化求解模型。文獻[6]以電動汽車調度成本和心理效應為目標，提出價格與激勵聯(lián)合需求響應下EV長時間尺度充放電調度策略。文獻[7]采用分時電價動態(tài)優(yōu)化方法，以充電量和充電成本最小作為目標函數(shù)，驗證模型對負荷側具有削峰填谷的能力。文獻[8]建立電動汽車充放電兩階段模型，運用PSO進行模型優(yōu)化求解。目前針對EV入網(wǎng)導致的負荷波動，較少將有序充放電策略與改進優(yōu)化算法結合融入微電網(wǎng)多目標的經(jīng)濟調度研究，因此本研究在有序充放電策略基礎上，提出一種改進混沌映射粒子群算法（CMPSO）與微電網(wǎng)負荷側不確定性和經(jīng)濟優(yōu)化調度相結合，并通過算例對比驗證此算法的有效性。相較于常規(guī)PSO，改進算法可在大幅度降低負荷峰谷差的前提下，減少負荷波動帶來的運行費用上升，協(xié)調魯棒性與經(jīng)濟性之間矛盾并尋求最優(yōu)平衡點。

1 負荷側EV不確定性分析

1.1 有序充放電策略

EV有序充放電策略是在V2G技術的基礎上建立相應的功率函數(shù)來進一步構建控制模型。目前我國電網(wǎng)采用此策略的具體流程是上級調度中心首先按EV用戶接入充電樁充電的方式實時收集各類EV信息，同時用戶將未來預計離開和返回時段、電池容量以及荷電狀態(tài)等相關信息傳給中心匯總處理；然后調度中心根據(jù)動態(tài)電價和短期負荷預測將最合適的充放電時間段實時更新并傳遞給EV用戶；最后用戶根據(jù)個人情況選擇最合適的出行、返回時間段接入充電樁充放電，生成有序充放電策略[9]。電動汽車充電調度模型架構見圖1。

圖1 電動汽車充電調度模型架構

關于大規(guī)模EV用戶和上級電網(wǎng)控制中心之間信息通訊，目前普遍通過實時收集匯總電動汽車用戶居住分布情況和充電樁使用頻率，在傳輸系統(tǒng)中設置多個EV充電站將作為樞紐的EV代理層與EV用戶聯(lián)系起來，實現(xiàn)用戶實時信息更新和指令傳達，從而準確制定有序充放電策略并快速傳遞給用戶，提高負荷峰谷時段的削峰填谷作用。

1.2 構建計及EV有序充放電策略的多目標函數(shù)模型

1.2.1 負荷側需求波動量模型

基于所涉及微電網(wǎng)區(qū)域內(nèi)計及EV入網(wǎng)，并考慮EV用戶響應有序策略的非強制性，僅部分用戶自發(fā)響應有序策略[10]，根據(jù)負荷波動情況建立周期T內(nèi)負荷總波動量F1：

式中，PLoadi(t)表示t時段未接入EV時的原負荷，hstate=1,0表示EV是否充電，γ(t)為用戶響應有序策略響應度，PN(t)，PL(t)分別為無序、有序策略下的總負荷功率，PL,ch(t)、PL,dis(t)分別是EV充電和放電功率。在此模型基礎上采用蒙特卡洛法抽樣[11]，求得負荷側的總負荷曲線如圖3，4所示。

1.2.2 微電網(wǎng)綜合調度費用模型

計及EV接入微電網(wǎng)后負荷變化情況，構建綜合調度費用模型[12]，其中機組燃料發(fā)電運行費用和維護成本為：

式中，k1、k2、k3、hm分別為機組運行和維護成本系數(shù)，W mf,W mx分別表示運行和維護成本。用戶響應有序策略產(chǎn)生的激勵成本W(wǎng)ex(t)、上級電網(wǎng)購電成本W(wǎng)grid(t)、EV充放電價格差懲罰成本W(wǎng)c(t)和考慮環(huán)保性后污染物治理費用Wh分別為：

式中，λex(t)為用戶響應有序策略的激勵單位費用（0.37元/kW），cgrid,f(t),m(t)分別表示t時刻電網(wǎng)協(xié)議制定分時電價和用戶向上級電網(wǎng)放、充電的單位電價。上述所有種類調度費用的匯總即為該區(qū)域微電網(wǎng)運行調度總費用F2：

1.3 約束條件

1.3.1 EV荷電狀態(tài)約束

式中，SOCi,max、SOCi,min分別表示EV荷電狀態(tài)上下限，SOCi,desire、SOCi(tleave)分別為充放電完成后預期和實際動力電池荷電狀態(tài)；SOCi(t)、SOCi(t+1)分別為第i輛車在t、t+1時段電池的荷電狀態(tài)，△tch,i、△td,i分別為EV充、放電持續(xù)時長。

1.3.2 EV充電樁功率上下限約束[13]

1.3.3 EV充放電時間約束

式中，tV2G,i為第i輛EV可參與充放電的時間，tout,i、tre,i分別為EV出行和返回時刻，EV用戶在其他時間段不參與有序充放電策略。

1.3.4 微電網(wǎng)運行功率平衡約束

1.3.5 變壓器容量約束

在任意調度時刻，接入EV后的負荷功率總和應低于變壓器容量上限；ST為變壓器最大容量。

1.4 基于CMPSO的多目標模型求解

由于構建的兩個目標函數(shù)內(nèi)容和單位均不相同，無法直接通過線性加權成單一目標函數(shù)后運用算法進行后續(xù)分析，故首先引入模糊隸屬度函數(shù)將F1和F2分別模糊化處理，再通過歸一化加權成綜合單目標函數(shù)，最后提出改進混沌映射粒子群算法[14]求解。

此算法在傳統(tǒng)粒子群算法基礎上，通過引入尋優(yōu)遍歷性極高且重復度較低的混沌算法與傳統(tǒng)PSO結合，盡可能避免陷入早熟和局部收斂的問題，提升了求解出全局最優(yōu)解的概率，并引入小概率變異概念，將適應度較差且密度較高的粒子進行替換，選出個體最優(yōu)值pkbest和全局最優(yōu)值Gkbest，并代入下式進行粒子速度、位置更新。

vi，xi分別代表粒子的速率和位置，w為可變慣性權重，c1，c2為學習因子，r1，r2為[0-1]范圍內(nèi)的均勻隨機數(shù)，算法具體流程圖如圖2所示。

圖2 改進混沌映射粒子群算法（CMPSO）流程圖

2 算例分析

2.1 EV入網(wǎng)有序策略的有效性分析

本文基于某MW級別的實際工業(yè)園區(qū)域微電網(wǎng)，假定該區(qū)域參與優(yōu)化調度的同種類EV有100輛，其充放電效率、功率均相同，其百千米的耗電量為13.9 kW·h，運行額定充放電功率為300 kW，電池容量上限為52.5 kW·h。該區(qū)域典型風光發(fā)電功率預測值與初始、實際負荷功率曲線如圖3所示。

圖3 典型風光發(fā)電機組出力與負荷功率曲線

在一個調度周期內(nèi)選取幾種不同EV充放電模型進行對比分析：①未接入EV的初始與實際負荷模型；②用戶自主進行EV無序充放電模型；③基于峰谷分時電價有序充放電模型。統(tǒng)計數(shù)據(jù)得不同V2G模式下EV充放電功率時序圖及其擬合曲線，計算此微網(wǎng)區(qū)域內(nèi)接入100輛EV的總負荷波動圖，如圖4，5所示。

圖4 有序、無序兩種模式下功率擬合曲線

對比圖5中不同EV策略下的波動曲線可知，用戶隨機進行無序充電會導致整個周期內(nèi)總負荷上升，且在波動峰段急劇增加。若用戶響應調度信息，負荷峰谷差值由821.699 kW降為725.379 kW，起到良好的削峰填谷作用，降低負荷波動帶來的不利影響。

圖5 不同EV接入策略下的總負荷時序曲線

2.2 EV用戶響應有序策略在不同參與度下可控單元和運行費用波動情況

為進一步分析用戶在響應有序充放電策略的不同參與度下，微電網(wǎng)內(nèi)部各可控單元出力情況和規(guī)劃調度費用以及負荷側具體波動情況，選取用戶參與程度以10%的步長從0%逐步增加到100%，得一個調度周期內(nèi)區(qū)域微電網(wǎng)的可控單元和不同目標函數(shù)的波動變化情況，如圖6～8所示。

圖6 可控單元GRID出力情況

圖7 可控單元MT出力情況

據(jù)圖6，7可知，隨著用戶參與程度的增加，可控單元MT和GRID的功率出力情況在常規(guī)工作時段均隨之下降，EV入網(wǎng)所導致的負荷驟增現(xiàn)象有明顯減少；而在非常規(guī)用電時段有功功率有大幅度的增加，可作為負荷驟增而導致機組供電不足情況下的備用儲能，有效降低微電網(wǎng)向上級大電網(wǎng)的購電成本，從而減少微電網(wǎng)運行調度總費用。

再分析圖8可得：負荷需求波動量和運行費用隨著EV用戶響應度的增加而逐漸降低。但考慮微電網(wǎng)實際運行情況下，發(fā)電機組裝機容量有限，其發(fā)電量無法一直滿足因EV入網(wǎng)所致的負荷需求量增加，因此參與度分別在50%和70%的情況下，負荷波動量和運行費用降至最低值，之后呈反彈上升趨勢。根據(jù)計算可得，參與度在50%～70%范圍內(nèi)，負荷需求波動增加量的懲罰費用遠低于運行總費用的降低值，綜合考慮微電網(wǎng)運行穩(wěn)定性和經(jīng)濟性，選取用戶有序充放電策略參與度為70%，作為EV入網(wǎng)所帶來的負荷側不確定性的最優(yōu)情況，代入后續(xù)多目標函數(shù)求解。

圖8 上級電網(wǎng)向區(qū)域微電網(wǎng)供電量波動曲線

2.3 不同權重系數(shù)對微電網(wǎng)各項指標的影響

由于前文所建立多目標函數(shù)模型需要綜合考慮運行穩(wěn)定性和經(jīng)濟性，此處選取11組典型的權重系數(shù)組進行分析，對比結果如表1和圖9所示。分析表1和圖9可知，隨著權重系數(shù)λ1的增加和λ2的減少，調度費用和污染物治理費用均有所下降，同時負荷需求波動量逐步上升。最后在這11組數(shù)據(jù)的基礎上，運用客觀賦權法中的熵權法[15]計算得到一組最優(yōu)解，此時λ1、λ2分別為0.587、0.413，運行調度費用為31 875.64元，污染治理成本為7 753.68元，負荷需求波動量為134.28 kW。

表1 不同權重系數(shù)組對微電網(wǎng)指標的優(yōu)化結果對比

圖9 不同權重系數(shù)組下微電網(wǎng)指標結果對比圖

2.4 不同算法優(yōu)化結果的對比分析

為進一步驗證CMSPO算法相較于其他算法的優(yōu)越性，選取傳統(tǒng)粒子群算法PSO、遺傳算法GA、混沌粒子群算法CPSO和CMPSO算法進行對比分析，收斂迭代對比曲線如圖10所示。

圖10 不同算法的迭代過程對比圖

據(jù)圖10可知，上述4種算法均可降低運行費用，并隨著迭代次數(shù)的增加而收斂。其中GA和PSO收斂速度均較快，但都極易陷入局部收斂；CPSO在傳統(tǒng)PSO的基礎上，疊加了混沌搜索策略，提升了全局搜索精度，但仍無法收斂至最優(yōu)解；CMPSO算法加強對優(yōu)勢個體進行局部搜索的深度，運行調度成本最低，尋優(yōu)收斂效果最佳。

3 結論

（1）采用的有序充放電策略可針對EV入網(wǎng)導致的負荷波動起到良好的削峰填谷作用，降低電網(wǎng)因超負荷運行導致的過載現(xiàn)象出現(xiàn)的概率。

（2）當權重系數(shù)分別為0.587、0.413時，可控發(fā)電單元出力方案最佳，此時微電網(wǎng)的調度費用和負荷需求波動均取得最優(yōu)解。

（3）接下來將主要針對發(fā)電側的新能源機組發(fā)電波動不確定性，結合EV入網(wǎng)的負荷波動性，尋求源-荷不確定性共同作用下的最優(yōu)調度策略。