朱永勝 ,王 杰 ,瞿博陽 ,李 健 ,SUGANTHAN P N
(1.鄭州大學(xué) 電氣工程學(xué)院,河南 鄭州 450001;2.中原工學(xué)院 電子信息學(xué)院,河南 鄭州 450007;3.南洋理工大學(xué) 電機(jī)與電子工程學(xué)院,新加坡 639798)
由于能源、環(huán)境的雙重壓力,電動(dòng)汽車EV(Electric Vehicle)受到了各國政府、能源企業(yè)以及汽車廠商的廣泛關(guān)注。研究表明,在中等的發(fā)展速度下,至2020年、2030年和2050年,美國汽車總量中電動(dòng)汽車的比例將分別達(dá)到35%、51%和62%[1]。我國純電動(dòng)汽車以及插電式混合動(dòng)力汽車的累計(jì)產(chǎn)銷量也將在 2020 年突破 500 萬輛[2]。
經(jīng)濟(jì)調(diào)度是電力系統(tǒng)優(yōu)化運(yùn)行的關(guān)鍵問題。未來如此大規(guī)模的電動(dòng)汽車充電負(fù)荷,受用戶出行需求、入網(wǎng)車輛數(shù)量、電池設(shè)備特性等多種因素的影響,在加重電網(wǎng)負(fù)擔(dān)的同時(shí),又具有典型的隨機(jī)不確定性[3];特別是車載儲(chǔ)能裝置以“車-網(wǎng)”互動(dòng) V2G(Vehicle to Grid)模式[4]接入電網(wǎng)后,其復(fù)雜的充放電行為使調(diào)度問題成為一個(gè)不同時(shí)段間聯(lián)系緊密的動(dòng)態(tài)耦合系統(tǒng),這將給傳統(tǒng)的經(jīng)濟(jì)調(diào)度特別是動(dòng)態(tài)經(jīng)濟(jì)調(diào)度DED(Dynamic Economic Dispatch)帶來新的挑戰(zhàn)[5],近年來已經(jīng)成為學(xué)者們的研究熱點(diǎn)[6-10]。
同時(shí),隨著國家對(duì)電力工業(yè)強(qiáng)制性減排要求的日益嚴(yán)苛以及全社會(huì)對(duì)環(huán)保問題的持續(xù)關(guān)注,環(huán)境因素在調(diào)度問題中的地位愈發(fā)重要,且這也更符合電動(dòng)汽車“節(jié)能”、“環(huán)?!钡淖陨矶ㄎ?。但如果再綜合環(huán)境調(diào)度目標(biāo),則上述動(dòng)態(tài)經(jīng)濟(jì)調(diào)度成為動(dòng)態(tài)環(huán)境經(jīng)濟(jì)調(diào)度DEED(Dynamic Economic Emission Dispatch)。相比于傳統(tǒng)的在單一調(diào)度時(shí)段內(nèi)以經(jīng)濟(jì)性最優(yōu)為唯一目標(biāo)的經(jīng)濟(jì)調(diào)度,DEED是典型的多目標(biāo)、多時(shí)段、高維度、強(qiáng)約束的非線性最優(yōu)化問題,尤其是在時(shí)間和能量上綜合考慮電動(dòng)汽車的行駛及充放電需求后,調(diào)度問題的建模和求解將更為復(fù)雜。因此,目前對(duì)含電動(dòng)汽車DEED問題的研究較少。
文獻(xiàn)[11]構(gòu)建了計(jì)及電動(dòng)汽車規(guī)?;尤氲亩嗄繕?biāo)動(dòng)態(tài)經(jīng)濟(jì)調(diào)度模型,并提出自適應(yīng)多目標(biāo)差分進(jìn)化算法求解,但環(huán)境因素在模型中僅作為約束存在,且其只討論了電動(dòng)汽車充電的場(chǎng)景;文獻(xiàn)[12-13]將燃料費(fèi)用、排放成本等多目標(biāo)問題轉(zhuǎn)化為社會(huì)總成本單目標(biāo)問題,并采用雙種群帶精英學(xué)習(xí)策略的微分進(jìn)化算法等方法求解,但僅靠充放電時(shí)間很難全面描述電動(dòng)汽車的V2G情況;文獻(xiàn)[14-15]建立了綜合考慮經(jīng)濟(jì)及環(huán)境因素的單目標(biāo)調(diào)度模型,并采用PSO等算法獲得最優(yōu)的調(diào)度方案,然而其對(duì)電動(dòng)汽車的建模也僅涉及注冊(cè)V2G電動(dòng)汽車數(shù)量與基本的電池容量約束,并未詳細(xì)考慮車主的出行需求及電池的充放電特征;文獻(xiàn)[16]建立了計(jì)及車輛行駛特征、電池充放電情況的多目標(biāo)動(dòng)態(tài)經(jīng)濟(jì)調(diào)度模型,并利用NSGA-Ⅱ算法求解,但環(huán)境因素僅作為模型眾多調(diào)度目標(biāo)之一,并未做深入討論,且所建模型忽略了涉及電量非線性平衡問題的電網(wǎng)有功損耗,在增大誤差的同時(shí)也降低了調(diào)度問題本身的難度。
基于以上分析,本文構(gòu)建了計(jì)及電動(dòng)汽車可調(diào)度V2G接入模式的電力多目標(biāo)DEED模型,該模型能夠同時(shí)兼顧系統(tǒng)的經(jīng)濟(jì)和環(huán)境效益,且在常規(guī)電力約束外,充分考慮了參與調(diào)度電動(dòng)汽車的出行需求以及車載電池的充放電特性等因素;并在前期多目標(biāo)進(jìn)化算法的研究基礎(chǔ)上,設(shè)計(jì)一種采用改進(jìn)MOEA/D,即IMOEA/D(Improved Multi-Objective Evolutionary Algorithm based on Decomposition)的優(yōu)化調(diào)度求解方法。仿真驗(yàn)證了所提調(diào)度模型的合理性以及求解算法的有效性。
(1)燃料費(fèi)用。
系統(tǒng)的燃料費(fèi)用目標(biāo)函數(shù)采用下式表示[14]:
其中,T為調(diào)度時(shí)段數(shù);N為常規(guī)機(jī)組的臺(tái)數(shù);Pi,t為常規(guī)機(jī)組 i在時(shí)段 t的有功出力;ai、bi、ci為機(jī)組 i的費(fèi)用系數(shù)。
(2)污染排放。
系統(tǒng)的污染氣體排放目標(biāo)函數(shù)可表示為[15]:
其中,αi、βi、γi、ζi、φi為常規(guī)機(jī)組 i的排放系數(shù)。
(1)功率平衡約束。
系統(tǒng)的功率平衡以等式約束形式給出:
其中,PCh,t為電動(dòng)汽車在時(shí)段 t的充電負(fù)荷;PDch,t為電動(dòng)汽車在時(shí)段t的放電負(fù)荷;PD,t為時(shí)段t的系統(tǒng)負(fù)荷;PL,t為時(shí)段t的網(wǎng)損,本文采用B系數(shù)法求得,其計(jì)算式如式(4)所示[15]。
其中,Bij、Bi0和 B00為網(wǎng)損參數(shù)。
(2)電池剩余電量約束。
電動(dòng)汽車儲(chǔ)能電池在時(shí)段t的剩余電量St為:
其中,ηC、ηD分別為充、放電效率;Δt為調(diào)度時(shí)間間隔;STrip,t為電動(dòng)汽車在時(shí)段t行駛過程中消耗的電量。
其中,ΔS為單位距離的平均耗電量;L為行駛里程。
為保證電池的壽命和運(yùn)行安全,其剩余容量St要滿足:
其中,Smax、Smin分別為電池電量的上、下限。
(3)電動(dòng)汽車充、放電功率約束。
一般情況下,電動(dòng)汽車充放電功率不能超過其額定充放電功率:
其中,PNCh、PNDch分別為電動(dòng)汽車的額定充、放電功率,具體受電池特點(diǎn)及線路容量影響。
(4)車主出行需求約束。
電動(dòng)汽車的基本功能是要滿足車主的出行需求。假設(shè)電動(dòng)汽車在一個(gè)調(diào)度周期內(nèi)完成一次充放電循環(huán),則應(yīng)有:
(5)常規(guī)機(jī)組出力約束。
其中,Pi,max、Pi,min分別為機(jī)組 i出力的上、下限。
(6)常規(guī)機(jī)組爬坡約束。
其中,URi、DRi分別為常規(guī)機(jī)組i的升、降爬坡速率。
(7)旋轉(zhuǎn)備用約束。
其中,SR,t為時(shí)段t系統(tǒng)的旋轉(zhuǎn)備用容量需求。
針對(duì) DEED問題,文獻(xiàn)[17]提出了一種基于MOEA/D的調(diào)度求解新方法。該方法利用分解算法將多目標(biāo)環(huán)境經(jīng)濟(jì)調(diào)度問題轉(zhuǎn)化為一定數(shù)量的單目標(biāo)優(yōu)化子問題,并利用進(jìn)化算法在指定的鄰域內(nèi)同時(shí)對(duì)各子問題進(jìn)行優(yōu)化計(jì)算,并且方法中加入了相關(guān)約束處理及進(jìn)化控制策略,最終通過多次迭代實(shí)現(xiàn)對(duì)最優(yōu)前沿的有效逼近。該方法計(jì)算速度快、收斂特性好,且能得到在目標(biāo)空間分布均勻的Pareto最優(yōu)解集。
(1)分解算法。
利用Tchebycheff分解算法獲得一定數(shù)量單目標(biāo)優(yōu)化子問題的計(jì)算方法如下[17-18]:
其中,gte代表分解后的優(yōu)化子問題;M為目標(biāo)函數(shù)個(gè)數(shù),對(duì)于 EED 問題,M=2;fm(x)為第 m 個(gè)調(diào)度目標(biāo)函數(shù);x 為決策變量;S 為可行解的區(qū)域?yàn)樗惴ǖ膮⒖键c(diǎn);λ=[λ1,…,λM]T為算法的權(quán)重向量。 對(duì)于 m=1,2,…,M,存在且
(2)進(jìn)化算法。
針對(duì)種群中的第 i個(gè)個(gè)體 xi(i=1,2,…,Np,Np為種群規(guī)模),根據(jù)單純形格子點(diǎn)設(shè)計(jì)法,計(jì)算相應(yīng)的權(quán)重向量[17-18],并定義與其權(quán)重向量歐氏距離相近的 H 個(gè)個(gè)體為其進(jìn)化鄰域,記為 B(i)= {i1,…,iH}。隨機(jī)從其鄰域 B(i)內(nèi)選擇父代 r1、r2和 r3,且 r1≠r2≠r3≠i,然后進(jìn)行差分進(jìn)化計(jì)算產(chǎn)生其子代y。
其中,F(xiàn)S和CR為進(jìn)化控制參數(shù)。
含電動(dòng)汽車的DEED問題是在傳統(tǒng)多目標(biāo)動(dòng)態(tài)負(fù)荷調(diào)度的基礎(chǔ)上,綜合考慮電動(dòng)汽車的行駛及充放電等因素限制,其模型更復(fù)雜且變量及約束間的耦合度更高。為此,本文在上述方法的基礎(chǔ)上進(jìn)行適應(yīng)性改進(jìn),以獲得所建模型最優(yōu)的調(diào)度方案。
(1)種群設(shè)置。
在本文的調(diào)度模型中,決策變量設(shè)置為各個(gè)調(diào)度時(shí)段常規(guī)機(jī)組的出力以及電動(dòng)汽車的充放電功率,算法的種群x表示為:
個(gè)體xi為其中的一個(gè)調(diào)度方案:
每個(gè)個(gè)體共有(N+1)×T 維。 其中,Pev,t(t=1,2,…,T)為時(shí)段t的充放電功率:當(dāng)電動(dòng)汽車在該時(shí)段處于充電狀態(tài)時(shí),Pev,t=PCh,t;而當(dāng)電動(dòng)汽車在該時(shí)段處于放電狀態(tài)時(shí),Pev,t=PDch,t。
(2)約束處理。
MOEA/D設(shè)計(jì)之初是用來解決無約束優(yōu)化問題的,而所建模型具有各種等式及不等式約束。因此,本文復(fù)雜約束的有效處理是解決該調(diào)度問題的關(guān)鍵。本文采用懲罰函數(shù)法,利用所求解問題的目標(biāo)函數(shù)和約束條件,構(gòu)造無約束的增廣目標(biāo)函數(shù),把非線性的約束規(guī)劃問題轉(zhuǎn)化成無約束規(guī)劃問題求解。
模型的等式約束包括系統(tǒng)功率平衡約束及車主出行需求約束,將其直接計(jì)入增廣目標(biāo)函數(shù)存在一定困難。為此,本文在算法中設(shè)計(jì)一種決策變量的兩步制處理策略,首先對(duì)等式約束進(jìn)行調(diào)整:
a.針對(duì)模型的出行需求等式約束,根據(jù)式(9)調(diào)整不同時(shí)段的V2G功率以滿足電量平衡;
b.在獲得電動(dòng)汽車充放電功率的基礎(chǔ)上,根據(jù)式(3)依次調(diào)整各個(gè)時(shí)段的常規(guī)機(jī)組出力,以保證系統(tǒng)的功率平衡。
以上分步處理過程是通過調(diào)用決策變量動(dòng)態(tài)調(diào)整模塊來實(shí)現(xiàn)的,其主要步驟如下。
a.針對(duì)不同的等式約束,計(jì)算其約束違反量θ,如果θ小于或等于事先設(shè)定的閾值ε,或調(diào)整次數(shù)達(dá)到最大調(diào)整次數(shù)K,則轉(zhuǎn)步驟c;否則執(zhí)行步驟b。
b.根據(jù)所調(diào)整決策變量的情況,將θ/n(n為時(shí)段數(shù)或者機(jī)組數(shù))疊加到每個(gè)決策變量,并根據(jù)變量的出力上下限,進(jìn)行越界處理。
c.如果是針對(duì)車主出行需求約束中的充放電功率,則結(jié)束調(diào)整;如果是系統(tǒng)功率平衡約束中的機(jī)組出力,則待所有時(shí)段都調(diào)整完成后,結(jié)束處理過程。
以上等式約束的具體處理流程見圖1。
圖1 兩步制等式約束處理流程圖Fig.1 Flowchart of two-step equality constraint processing
對(duì)于調(diào)度模型中的不等式約束,本文采用如下分類處理的方法。
a.將其中的電動(dòng)汽車充放電功率約束、機(jī)組出力約束、爬坡約束,納入到以上動(dòng)態(tài)調(diào)整模塊的越界處理中[17]。
b.在等式約束的動(dòng)態(tài)調(diào)整過程中達(dá)到最大調(diào)整次數(shù)后,仍然可能得到不可行解,算法將這些解的等式約束違反量,以及電池剩余容量約束和旋轉(zhuǎn)備用約束違反量,記為系統(tǒng)的總約束違反量V(x),其計(jì)算式如下:
模型的增廣目標(biāo)函數(shù)F(x)以基本的調(diào)度目標(biāo)函數(shù)f(x)與總約束違反量罰函數(shù)之和的形式給出:
其中,s為罰系數(shù)。
最終,在對(duì)多目標(biāo)函數(shù)分解、進(jìn)化的基礎(chǔ)上,利用基于罰函數(shù)的約束處理方法,實(shí)現(xiàn)迭代計(jì)算過程中對(duì)不可行解的有效處理。
針對(duì)含電動(dòng)汽車的DEED問題,采用IMOEA/D的求解步驟如下。
(1)參數(shù)設(shè)置。
設(shè)置電動(dòng)汽車、電力系統(tǒng)及IMOEA/D的具體參數(shù)。
(2) 初始化。
a.初始化算法的種群Np、權(quán)重向量λ,并計(jì)算每個(gè)個(gè)體對(duì)應(yīng)的進(jìn)化鄰域;
b.針對(duì)每個(gè)個(gè)體xi,利用兩步制算法對(duì)等式約束中的決策變量進(jìn)行動(dòng)態(tài)調(diào)整,并對(duì)不等式約束進(jìn)行分類處理,計(jì)算包含總約束違反量V(xi)在內(nèi)的目標(biāo)函數(shù)值F(xi),確定IMOEA/D的參考點(diǎn)z=[z1,z2]T,其中
c.迭代次數(shù)gen置零。
(3)算法更新。
a.對(duì)每個(gè)個(gè)體xi,利用差分進(jìn)化生成新的個(gè)體y,并對(duì)y進(jìn)行前述的等式及不等式約束處理,計(jì)算新的目標(biāo)函數(shù) F(y)。 如果 zm>Fm(y),則更新參考點(diǎn)值 zm=Fm(y)。
b.對(duì)鄰域 B(i)內(nèi)的個(gè)體 xr,利用 Tchebycheff法進(jìn)行分解計(jì)算。如果 gte(y|λr,z)≤gte(xr|λr,z),則更新最優(yōu)解 xr=y,且 F(xr)=F(y)。
(4)終止迭代。
如果gen等于最大迭代次數(shù),則終止迭代計(jì)算;否則,gen=gen+1,返回步驟(3)。
(5)輸出結(jié)果。
輸出目標(biāo)值、最優(yōu)解及Pareto最優(yōu)前沿,并應(yīng)用模糊集理論[11]確定最優(yōu)折中解。
本文采用10機(jī)系統(tǒng)進(jìn)行調(diào)度研究,調(diào)度周期24 h,機(jī)組參數(shù)及負(fù)荷數(shù)據(jù)見文獻(xiàn)[19]。電網(wǎng)內(nèi)共有50000輛電動(dòng)汽車,其電池容量為24kW·h(以Nissan Leaf為例),每 100 km 耗電 15 kW·h。
假定電動(dòng)汽車在每天早上離家時(shí)的荷電狀態(tài)SOC(State Of Charge)為 100%,并且在 07:00以及17:00開始的1 h內(nèi)行駛在上下班路上(共50 km),其余時(shí)間均可參與電網(wǎng)調(diào)度。調(diào)度周期內(nèi)的最低SOC限制及額定充放電功率限制均設(shè)定為其額定值的20%,車載電池的充、放電效率為0.85,系統(tǒng)的旋轉(zhuǎn)備用需求設(shè)為各時(shí)段負(fù)荷值的10%。
首先,為保證IMOEA/D求解結(jié)果的真實(shí)可信,同時(shí)利用NSGA-Ⅱ算法求解該調(diào)度模型,以進(jìn)行對(duì)比。IMOEA/D的種群規(guī)模設(shè)為100,鄰域H為20,迭代次數(shù)為 5000 次,ε、K 分別取 10-6、10,罰系數(shù)s設(shè)為100,其余參數(shù)與文獻(xiàn)[17]相同。NSGA-Ⅱ算法的交叉、變異概率分別取0.9、0.2,交叉、變異算子的分布指數(shù)取20,且采用本文的個(gè)體及約束處理機(jī)制,種群規(guī)模與迭代次數(shù)也與本文算法保持一致。2種算法得到的Pareto最優(yōu)前沿和最優(yōu)解分別見圖2和表1。
圖2 Pareto最優(yōu)前沿比較Fig.2 Comparison of Pareto optimal fronts
表1 極端解和最優(yōu)折中解比較Table 1 Comparison of extreme solutions and best compromise solutions
由優(yōu)化結(jié)果可見,針對(duì)此類多目標(biāo)問題,并不存在使2個(gè)調(diào)度目標(biāo)同時(shí)最優(yōu)的絕對(duì)最優(yōu)解,取而代之的是Pareto最優(yōu)解。若運(yùn)行人員僅考慮經(jīng)濟(jì)效益而選擇經(jīng)濟(jì)最優(yōu)方案時(shí),對(duì)環(huán)保不利;反之若僅考慮污染氣體排放量最小而選擇環(huán)境最優(yōu)方案時(shí),則以增加燃料費(fèi)用為代價(jià)。因此,在多目標(biāo)問題特別是DEED的決策方面,要充分挖掘Pareto最優(yōu)解集所蘊(yùn)含的信息,并綜合考慮各方面的因素,進(jìn)行科學(xué)合理決策。
同時(shí),由圖2可見,由于該調(diào)度問題的復(fù)雜性,傳統(tǒng)的NSGA-Ⅱ算法并不能獲得完整的最優(yōu)前沿,相比之下,本文IMOEA/D得到的最優(yōu)前沿范圍更廣,分布更為均勻。且通過表1可看出,NSGA-Ⅱ算法找到的只是局部最優(yōu)解,明顯劣于IMOEA/D的極端解和最優(yōu)折中解。所以,本文算法能為經(jīng)濟(jì)效益和環(huán)境保護(hù)目標(biāo)間的相互妥協(xié)提供更為豐富的調(diào)度信息,充分顯示了該算法的優(yōu)越性。
為驗(yàn)證調(diào)度方案的正確性,表2給出IMOEA/D最優(yōu)折中解的具體情況,圖3則給出了不同方案下電動(dòng)汽車的充放電功率和SOC(圖中時(shí)段1表示01:00—02:00,其他依此類推)。
表2 IMOEA/D的最優(yōu)折中解Table 2 Best compromise solutions of IMOEA/D
圖3 不同解的電動(dòng)汽車充放電情況對(duì)比Fig.3 Comparison of EV charge/discharge power among different solutions
由圖3可以看出,極端解和最優(yōu)折中解對(duì)應(yīng)的電動(dòng)汽車充放電規(guī)律比較相似,兩者只是在具體功率上有所不同,這也就改變了常規(guī)機(jī)組之間的負(fù)荷分配,導(dǎo)致最終的燃料費(fèi)用及污染氣體排放量的差異較大。
綜合圖3(a)、(b),電動(dòng)汽車在22:00至次日 06:00,基本處于充電狀態(tài),以保證日間的出行及調(diào)度需求,至07:00出發(fā)時(shí)SOC達(dá)到100%;07:00—08:00車輛行駛在路上,車載電池放電,SOC有所下降;08:00—15:00為負(fù)荷的高峰期,最高達(dá)到2150 MW,最低也有1776 MW,在此期間,電動(dòng)汽車基本處于放電狀態(tài),以緩解常規(guī)火電機(jī)組壓力,SOC持續(xù)下降;由于17:00—18:00車主的行駛需求,車輛在16:00進(jìn)行充電,SOC有所上升;而20:00及21:00是夜間的負(fù)荷高峰,電動(dòng)汽車?yán)^續(xù)放電直至SOC達(dá)到下限,然后在夜間負(fù)荷低谷時(shí)補(bǔ)充電量直至次日出行。
(1)不同場(chǎng)景的調(diào)度研究。
在以上工作的基礎(chǔ)上,為深入驗(yàn)證所提調(diào)度模型及調(diào)度方法,分別對(duì)以下場(chǎng)景進(jìn)行動(dòng)態(tài)環(huán)境經(jīng)濟(jì)調(diào)度研究。
場(chǎng)景1:無電動(dòng)汽車接入系統(tǒng)。
場(chǎng)景2:50000輛電動(dòng)汽車接入系統(tǒng),采用直接控制充電方式[3],對(duì)充電時(shí)間加以限定,即電動(dòng)汽車在18:00到家后開始充電,至第2天07:00離家時(shí)結(jié)束。假定在此期間其所充電量滿足均勻分布,50 000輛電動(dòng)汽車共需電能375 MW·h。
場(chǎng)景3:50000輛電動(dòng)汽車接入系統(tǒng),采用可調(diào)度的V2G模式。
在上述3個(gè)場(chǎng)景中,場(chǎng)景1只進(jìn)行基本的DEED計(jì)算,其余的2個(gè)場(chǎng)景均有電動(dòng)汽車參與。所有場(chǎng)景都采用本文的IMOEA/D進(jìn)行求解,且算法種群、迭代次數(shù)以及其他參數(shù)與3.2節(jié)保持一致。限于篇幅,在此只給出了不同場(chǎng)景下的極端解和折中解對(duì)應(yīng)的負(fù)荷曲線,分別見表3和圖4。
表3 不同場(chǎng)景的極端解Table 3 Extreme solutions of different scenarios
圖4 不同場(chǎng)景的負(fù)荷曲線Fig.4 Load curves of different scenarios
對(duì)比以上解的情況和負(fù)荷曲線,若電動(dòng)汽車采用場(chǎng)景2的常規(guī)充電方式接入電網(wǎng),相比于無電動(dòng)汽車接入的場(chǎng)景1,系統(tǒng)的最優(yōu)燃料費(fèi)用和最優(yōu)污染排放分別增加了$28800和6 070 lb??梢?,電動(dòng)汽車雖然能減少車輛在行駛過程中的污染排放,但單一的充電模式,特別是對(duì)傳統(tǒng)化石能源的過度依賴,反而使充電過程中的經(jīng)濟(jì)與環(huán)境問題更加突出。同時(shí),此場(chǎng)景下負(fù)荷增長集中在18:00至次日07:00,雖然有一定的填谷作用,但與原有的夜間負(fù)荷高峰期疊加,增加了系統(tǒng)的容量需求且影響系統(tǒng)安全。
而如果電動(dòng)汽車采用場(chǎng)景3的可調(diào)度V2G接入模式,其最優(yōu)燃料費(fèi)用和最優(yōu)污染排放反而比場(chǎng)景1分別減少了$11300和8310 lb。所以,相比于場(chǎng)景2的單一充電模式,采用可調(diào)度的智能充放電方式,通過其有效的雙向能量交換,在高峰重負(fù)荷時(shí)緩解了常規(guī)機(jī)組的壓力,能有效減少總的燃料費(fèi)用和污染氣體排放量;且場(chǎng)景3的充電行為集中在22:00至次日06:00,放電行為集中在08:00—15:00,這明顯改善了系統(tǒng)的負(fù)荷特性,其峰谷差率降為35.89%,負(fù)荷率升至84.85%。3個(gè)場(chǎng)景的具體負(fù)荷特性指標(biāo)見表4。
(2)不同電動(dòng)汽車規(guī)模的調(diào)度研究。
為研究不同電動(dòng)汽車接入規(guī)模對(duì)系統(tǒng)調(diào)度結(jié)果影響,本文借鑒文獻(xiàn)[20]對(duì)風(fēng)電的處理思路,定義電動(dòng)汽車的滲透率為:
表4 負(fù)荷特性指標(biāo)對(duì)比Table 4 Comparison of load characteristic indexes
其中,PD.peak為系統(tǒng)的峰值負(fù)荷。不同滲透率下的極端解及其變化趨勢(shì)見表5和圖5、圖6。
表5 不同滲透率的極端解Table 5 Extreme solutions of different penetrations
圖5 最優(yōu)燃料費(fèi)用隨不同滲透率的變化趨勢(shì)Fig.5 Curve of best fuel cost vs.penetration
圖6 最優(yōu)污染排放隨不同滲透率的變化趨勢(shì)Fig.6 Curve of best pollution emission vs.penetration
由以上結(jié)果可以看出,隨著電動(dòng)汽車接入規(guī)模的不斷擴(kuò)大,其滲透率不斷提高,相應(yīng)的最優(yōu)燃料費(fèi)用及最優(yōu)污染排放也隨之不斷減小。可見,電動(dòng)汽車以V2G形式接入電網(wǎng)并參與電網(wǎng)調(diào)度,在初期確實(shí)能夠緩解常規(guī)火電機(jī)組的經(jīng)濟(jì)與環(huán)境壓力。
然而,在本模型接入60000輛電動(dòng)汽車(滲透率13.40%)后,隨著電動(dòng)汽車規(guī)模的繼續(xù)擴(kuò)大,最優(yōu)燃料費(fèi)用及最優(yōu)污染排放反而由最低點(diǎn)向上攀升。這說明,隨著電動(dòng)汽車滲透率逐漸達(dá)到拐點(diǎn),其對(duì)經(jīng)濟(jì)和環(huán)境效益的改善效果不斷減弱,取而代之的是大規(guī)模電動(dòng)汽車充電需求的不斷增加,系統(tǒng)為應(yīng)對(duì)此額外的充電負(fù)荷需犧牲一定的燃料費(fèi)用及污染氣體排放量。所以,在考慮電動(dòng)汽車接入水平及制定相關(guān)規(guī)劃時(shí),并非接入規(guī)模越大越好,而是要根據(jù)系統(tǒng)實(shí)際情況進(jìn)行綜合評(píng)價(jià)。
基于電動(dòng)汽車規(guī)?;尤腚娋W(wǎng)這一應(yīng)用背景,針對(duì)電力系統(tǒng)多目標(biāo)DEED問題,本文主要做了以下工作。
a.構(gòu)建計(jì)及電動(dòng)汽車可調(diào)度V2G接入模式的多目標(biāo)DEED模型,并在模型中充分考慮了電動(dòng)汽車能量屬性與交通屬性的耦合,以及系統(tǒng)的網(wǎng)絡(luò)損耗等因素。該模型在兼顧經(jīng)濟(jì)和環(huán)境效益的同時(shí),很好地體現(xiàn)了電動(dòng)汽車接入對(duì)系統(tǒng)調(diào)度的影響。
b.設(shè)計(jì)一種基于改進(jìn)MOEA/D的優(yōu)化調(diào)度求解方法,提出針對(duì)系統(tǒng)多等式約束的決策變量?jī)刹街铺幚聿呗?,并通過對(duì)違反量的適當(dāng)懲罰,最終實(shí)現(xiàn)對(duì)模型復(fù)雜約束的有效處理。
c.以10機(jī)電力系統(tǒng)進(jìn)行DEED仿真計(jì)算,并對(duì)不同的調(diào)度方案進(jìn)行分析研究,結(jié)果驗(yàn)證了所提調(diào)度模型及方法的合理性及有效性。
參考文獻(xiàn):
[1]DUVALL M,KNIPPING E,ALEXANDER M,etal.Environmental assessment of plug-in hybrid electric vehicles.volume 1:nationwide greenhouse gas emissions[R].Palo Alto,USA:Electric Power Research Institute,2007.
[2]中華人民共和國國務(wù)院. 《節(jié)能與新能源汽車產(chǎn)業(yè)發(fā)展規(guī)劃(2012—2020 年)》[EB/OL]. (2012-06-28)[2015-05-08].http:∥www.gov.cn /zwgk /2012-07 /09 /content_2179032.htm.
[3]王錫凡,邵成成,王秀麗,等.電動(dòng)汽車充電負(fù)荷與調(diào)度控制策略綜述[J]. 中國電機(jī)工程學(xué)報(bào),2013,33(1):1-10.WANG Xifan,SHAO Chengcheng,WANG Xiuli,et al.Survey of electric vehicle charging load and dispatch control strategies[J].Proceedings of the CSEE,2013,33(1):1-10.
[4]KEMPTON W,TOMIC'J.Vehicle-to-grid power fundamentals:calculating capacity and net revenue[J].Journal of Power Sources,2005,144(1):268-279.
[5]郭建龍,文福拴.電動(dòng)汽車充電對(duì)電力系統(tǒng)的影響及其對(duì)策[J]. 電力自動(dòng)化設(shè)備,2015,35(6):1-9.GUO Jianlong,WEN Fushuan. Impact of electric vehicle chargingon powersystem and relevantcountermeasures[J].Electric Power Automation Equipment,2015,35(6):1-9.
[6]趙俊華,文福拴,薛禹勝,等.計(jì)及電動(dòng)汽車和風(fēng)電出力不確定性的隨機(jī)經(jīng)濟(jì)調(diào)度[J]. 電力系統(tǒng)自動(dòng)化,2010,34(20):22-29.ZHAO Junhua,WEN Fushuan,XUE Yusheng,et al.Power system stochastic economic dispatch considering uncertain outputs from plug-in electric vehicles and wind generators[J].Automation of Electric Power Systems,2010,34(20):22-29.
[7]HE Y,VENKATESH B,GUAN L.Optimal scheduling for charging and discharging of electric vehicles[J].IEEE Transactions on Smart Grid,2012,3(3):1095-1105.
[8]DERAKHSHANDEHSY,MASOUMAS,DEILAMIS,etal.Coordination of generation scheduling with PEVs charging in industrial microgrids[J].IEEE Transactions on Power Systems,2013,28(3):3451-3461.
[9]張新松,顧菊平,袁越,等.電動(dòng)汽車最優(yōu)充電模型及其近似求解方法[J]. 中國電機(jī)工程學(xué)報(bào),2014,34(19):3148-3155.ZHANG Xinsong,GU Juping,YUAN Yue,et al.Optimum electric vehicle charging model and its approximate solving technique[J].Proceedings of the CSEE,2014,34(19):3148-3155.
[10]魏大鈞,張承慧,孫波,等.基于分時(shí)電價(jià)的電動(dòng)汽車充放電多目標(biāo)優(yōu)化調(diào)度[J]. 電網(wǎng)技術(shù),2014,38(11):2972-2977.WEI Dajun,ZHANG Chenghui,SUN Bo,et al.A time-of-use price based multi-objective optimal dispatching forcharging and discharging of electric vehicles[J].Power System Technology,2014,38(11):2972-2977.
[11]邱威,張建華,劉念,等.計(jì)及插電式混合動(dòng)力汽車規(guī)模化接入的多目標(biāo)發(fā)電優(yōu)化調(diào)度[J]. 電工技術(shù)學(xué)報(bào),2013,28(12):160-167.QIU Wei,ZHANG Jianhua,LIU Nian,etal.Multi-objective optimal generation dispatching with large-scale plug-in hybrid electric vehicles penetration[J].Transactions of China Electrotechnical Society,2013,28(12):160-167.
[12]何明杰,彭春華,曹文輝,等.考慮電動(dòng)汽車規(guī)?;刖W(wǎng)的動(dòng)態(tài)經(jīng)濟(jì)調(diào)度[J]. 電力自動(dòng)化設(shè)備,2013,33(9):82-88.HE Mingjie,PENG Chunhua,CAO Wenhui,etal.Dynamic economic dispatch considering large-scale integration of electric vehicles[J].Electric PowerAutomation Equipment,2013,33(9):82-88.
[13]蔡秋娜,文福拴,薛禹勝,等.基于SCUC的可入網(wǎng)混合電動(dòng)汽車優(yōu)化調(diào)度方法[J]. 電力系統(tǒng)自動(dòng)化,2012,36(1):38-46.CAIQiuna,WEN Fushuan,XUE Yusheng,etal.AnSCUC-based optimization approach for power system dispatching with plug-in hybrid electric vehicles [J].Automation of Electric Power Systems,2012,36(1):38-46.
[14]SABER A Y,VENAYAGAMOORTHY G K.Plug-in vehicles and renewable energy sources for cost and emission reductions[J].IEEE Transactions on Industrial Electronics,2011,58(4):1229-1238.
[15]GHOLAMIA,ANSARIJ,JAMEIM,etal.Environmental/economic dispatch incorporating renewable energy sources and plug-in vehicles[J].IET Generation,Transmission&Distribution,2014,8(12):2183-2198.
[16]李惠玲,白曉民,譚聞,等.基于智能電網(wǎng)的動(dòng)態(tài)經(jīng)濟(jì)調(diào)度研究[J]. 電網(wǎng)技術(shù),2013,37(6):1547-1554.LI Huiling,BAI Xiaomin,TAN Wen,et al. Research on dynamiceconomicdispatch based on smartgrid [J].Power System Technology,2013,37(6):1547-1554.
[17]朱永勝,王杰,瞿博陽,等.含風(fēng)電場(chǎng)的多目標(biāo)動(dòng)態(tài)環(huán)境經(jīng)濟(jì)調(diào)度[J]. 電網(wǎng)技術(shù),2015,39(5):1315-1322.ZHU Yongsheng,WANG Jie,QU Boyang,et al.Multi-objective dynamic economic emission dispatching of power grid containing wind farms[J].Power System Technology,2015,39(5):1315-1322.
[18]LI H,ZHANG Q.Multiobjective optimization problems with complicatedParetosets,MOEA /D andNSGA-Ⅱ[J].IEEE Transactions on Evolutionary Computation,2009,13(2):284-302.
[19]BASU M.Dynamic economic emission dispatch using nondominated sorting genetic algorithm-Ⅱ[J].International Journal of Electrical Power&Energy Systems,2008,30(2):140-149.
[20]王彩霞,喬穎,魯宗相,等.低碳經(jīng)濟(jì)下風(fēng)火互濟(jì)系統(tǒng)日前發(fā)電計(jì)劃模式分析[J].電力系統(tǒng)自動(dòng)化,2011,35(22):111-117.WANG Caixia,QIAO Ying,LU Zongxiang,etal. Day-ahead dispatch mode for wind thermal power system in low-carbon economy[J].Automation of Electric Power Systems,2011,35(22):111-117.