徐康儀

(1.新能源微電網(wǎng)湖北省協(xié)同創(chuàng)新中心 三峽大學(xué)，湖北 宜昌 443002;2.三峽大學(xué) 電氣與新能源學(xué)院, 湖北 宜昌 443002)

0 引言

近年來，能源與環(huán)境問題的日益嚴峻，作為一種綠色節(jié)能減排的交通工具，電動汽車(Electric Vehicle，EV)產(chǎn)業(yè)的發(fā)展受到了世界各國的大力推廣[1-4]，預(yù)計至2020年，我國電動汽車的累計產(chǎn)銷量將到達500萬輛[5]。大規(guī)模EV無序充放電會影響電力系統(tǒng)的安全經(jīng)濟運行，利用電價對電動汽車充放電行為進行引導(dǎo)，不僅能夠解決因無序充放電帶來的線路過載，電能質(zhì)量下降等問題，還能起到減小網(wǎng)損，削峰填谷，提高電網(wǎng)經(jīng)濟性和穩(wěn)定性的作用。

為有效地管理電動汽車充放電行為，諸多學(xué)者做了大量的研究，文獻[6]使用填谷的優(yōu)化方法來最小化發(fā)電成本和減小高峰負荷。文獻[7]建立了計及充電預(yù)測的EV實時充電優(yōu)化模型，該模型對EV的夜間充電進行了優(yōu)化，有良好的填谷效果。文獻[8]建立了規(guī)?；妱悠嚨闹悄艹潆姴呗郧蠼饽Ｐ停云交潆娋W(wǎng)日負荷曲線為目標(biāo)，并考慮各電動汽車用戶充電需求。文獻[9]以提高輸電層的經(jīng)濟性和降低配電層網(wǎng)損為目標(biāo)，提出了一種電動汽車充放電雙層優(yōu)化調(diào)度方法。文獻[10-12]對電動汽車的充放電進行分層分區(qū)調(diào)度，在上層調(diào)度中，以負荷波動最小為目標(biāo)，對電力系統(tǒng)和各電動汽車代理商(或各集群)進行協(xié)調(diào)優(yōu)化，分配各代理商(各集群)各時段的充放電電量；在下層調(diào)度中，各代理商(各集群)對管轄的電動汽車各時段的充放電狀態(tài)進行控制，完成調(diào)度任務(wù)。上述文獻均是從電網(wǎng)、代理商或者集群的單一角度出發(fā)，解決了線路過載、網(wǎng)損過大等問題，但未能充分考慮用戶的意愿和利益，制定相應(yīng)電價策略對用戶自身的充放電行為進行引導(dǎo)。

因此，本文在電網(wǎng)實時電價的環(huán)境下，建立了EV接入電網(wǎng)優(yōu)化充放電模型，以負荷曲線方差及實時電價下用戶的充放電總成本最小為目標(biāo)，求解得到集群最優(yōu)實時充放電功率后，對下層各輛電動汽車充放電功率進行實時分配，在保證電網(wǎng)穩(wěn)定運行的同時盡可能兼顧用戶的利益和充放電需求。

1 EV集群分層實時充放電控制框架

由于EV的移動特性，其充電的時間地點均具有較強的不確定性，因此將會給日前調(diào)度帶來極大的困難。然而在實時調(diào)度方法中，一旦EV接入充電樁，就能獲取其充放電信息。同時，區(qū)域EV聚合器將會收集EV實時充放電信息來制定調(diào)度計劃并反饋給充電樁，通過充電樁對EV的充放電行為進行控制。應(yīng)用實時調(diào)度方法來處理電動汽車充電的不確定性問題變得越來越現(xiàn)實。顯然，電動汽車的充放電策略應(yīng)該隨著新的電動汽車接入而重新規(guī)劃。

為了描述EV充放電過程，本文將一天分成96個時段，每個時段15 min，并對EV進行集群劃分。EV分層實時充放電控制框架如圖1所示。在圖1中，當(dāng)EV在t時段接入充電樁，車主需要通過充電樁的互動系統(tǒng)提供充電資料；隨后，用戶的充放電信息(包括是否愿意參與V2G過程、期望充電完成時間tend、期望電量等信息)將會通過通信設(shè)施及時的上傳給EV聚合器；然后，EV聚合器應(yīng)用優(yōu)化模型制定充放電策略，并將最優(yōu)策略發(fā)送到每個要執(zhí)行的充電樁對其接入的EV執(zhí)行充放電計劃。

集群劃分首先要根據(jù)車主的意愿，將EV分為參加車輛到電網(wǎng)(Vehicle-to-grid，V2G)和不參加V2G兩大類，然后判斷有意愿參加V2G的EV是否具備參與V2G的能力，為了簡化模型，按照時間段t對愿意且可以參加V2G的EV進行細致的集群劃分，即可按照時間段分成96個集群，將時間段t內(nèi)可充放電的EV規(guī)劃到相同的集群，并將不愿意或者不能參加V2G的EV劃分到集群零(接入就充電，充電收費較高)，隨著時段的變化，同一輛EV會被劃分到不同的集群中。

充電裕度系數(shù)k表示EV入網(wǎng)的時間與最短充放電時間的比值[12]，可以通過k值來衡量EV的V2G能力，當(dāng)充放電裕度系數(shù)k>1時，EV具備參加V2G的能力，k值越大EV可調(diào)度潛力越大。而當(dāng)k略大于1時，EV的可調(diào)度潛力較小，通常此類EV不參與V2G，因此本文只對k>1.5的EV進行優(yōu)化調(diào)度。

2 EV充放電策略優(yōu)化模型

為了便于管理和計算維度，本文分兩層對EV進行優(yōu)化調(diào)度，上層以負荷曲線方差及實時電價下用戶的充放電總成本最小為目標(biāo)，求解出集群的實時最優(yōu)總充放電功率，并將集群的電動汽車充放電負荷與電價聯(lián)動調(diào)整。下層引入充放電優(yōu)先級指數(shù)，利用能量緩沖一致性算法，將集群的實時最優(yōu)總充放電功率優(yōu)化分配到集群內(nèi)的各輛EV，制定出集群內(nèi)的各輛EV的實時充放電策略。

2.1 上層中集群的優(yōu)化模型

一旦EV接入充電樁，EV聚合器將會通過充電樁收集EV的充放電信息，包括接入時間、離開時間、EV初始荷電狀態(tài)、EV充放電電量，并實時回饋當(dāng)前電價信息來引導(dǎo)EV集群充放電調(diào)度。本文在保證配電網(wǎng)的安全運行的前提下最大化系統(tǒng)的經(jīng)濟效益，在實時電價的機制下，通過控制集群的充放電功率來響應(yīng)電價。

本文以優(yōu)化時間段內(nèi)的負荷方差最小以及總的充放電成本最小為目標(biāo)建立上層優(yōu)化模型，表達式如下：

minF=αF1+βF2.

(1)

式中：F1表示集群所在區(qū)域的電力系統(tǒng)負荷方差最小，F(xiàn)2表示系統(tǒng)總的充放電費用最??；α，β分別為各項的權(quán)重系數(shù)[15]。

F1，F(xiàn)2表達式如下：

(2)

(3)

F2=CEVc+CEVf.

(4)

式中：Pcon,t為t時段不包括EV負荷的電網(wǎng)基礎(chǔ)負荷；Pavg為優(yōu)化周期內(nèi)配電網(wǎng)總負荷的平均值；Pt表示時段t的集群總的充放電功率；CEVc表示EV充電總費用，CEVf表示EV放電總費用。

CEVc，CEVf的表達式如下：

(5)

(6)

2.2 約束條件

(1)用戶充放電需求約束：

(7)

(8)

(9)

式中：cmax,m為第m輛EV的電池容量；SSOC,m表示第m輛EV接入電網(wǎng)時的荷電狀態(tài)；Si為集群的總放充電需求。式(7)表示所提策略要滿足集群所有用戶的充放電需求；式(8)表示在優(yōu)化開始到優(yōu)化過程中的任意時段充放電總電量不能超過集群的總充放電需求，以免發(fā)生過度充電。

(2)電動汽車充放電功率約束：

(10)

(3)蓄電池安全狀態(tài)約束：

SSOCm,min≤SSOCm,t≤SSOCm,max.

(11)

式中SSOCm,t為時段t的集群中第m輛t時刻的SOC值；EV的SSOCm,min，SSOCm,max分別為時段t的集群中第m輛EV的最小和最大的SOC值。

2.3 基于集群響應(yīng)的動態(tài)電價

本文的動態(tài)電價是指當(dāng)上層的集群經(jīng)過優(yōu)化調(diào)度確定集群充放電功率后，算法根據(jù)當(dāng)前的負荷和上一時刻的負荷計算實時充電電價。電價模型可以反映電價與負荷之間的關(guān)系，電價的變化趨勢與負荷的變化趨勢呈正相關(guān)，通過實時電價可以引導(dǎo)用戶的充放電行為，使負荷從高峰時段向低谷時段跨時段轉(zhuǎn)移。由于缺乏實際的數(shù)據(jù)，放電電價沒有參考依據(jù)，此處電價模型特指充電電價模型。

文獻[13]對美國PJM2015年1月電力供給曲線進行線性化處理，得到電價與負荷之間的關(guān)系式如下：

(12)

式中：pt，pt+1分別為受負荷影響調(diào)整前和調(diào)整后的電價；0.001用于將千瓦轉(zhuǎn)化為兆瓦；假設(shè)某負荷節(jié)點的電動汽車充電行為能代表其他節(jié)點的電動汽車充電行為，則系數(shù)b為某區(qū)域所有電動汽車的數(shù)量與該負荷節(jié)點的電動汽車總量的比值；Qt表示時段t包括基礎(chǔ)負荷與EV負荷在內(nèi)的電網(wǎng)總負荷。

將t時段EV集群的充放電負荷代入式(12)，對電價進行更新得到t+1時段的充電電價，每次更新后將新的電價代入式(5)，通過優(yōu)化上層集群調(diào)度目標(biāo)函數(shù)(1)，進一步優(yōu)化EV集群的充放電負荷，凸顯了電價與負荷的關(guān)聯(lián)性。

2.4 下層單輛EV的優(yōu)化調(diào)度策略

上層調(diào)度模型優(yōu)化得到各EV集群的充放電功率后，需要對集群內(nèi)各輛EV制定詳細的功率分配計劃，要求集群內(nèi)EV充分響應(yīng)EV聚合器傳遞的功率指令。由于集群內(nèi)各輛EV電池額定容量、充放電需求量以及接入和接出時間有差異，若簡單將上層優(yōu)化得到的集群總功率平均分配給各EV，將會出現(xiàn)個別充電需求較大的EV在集群總功率為負時電池才達到其最低限值，這會影響EV電池壽命且不能保障用戶出行需求；而個別充電需求較小的EV在集群功率為正時容易過早充滿，不能充分發(fā)揮EV的V2G潛力。這兩種情況都會使集群下的各EV難以充分響應(yīng)EV聚合器下達的充放電指令。

一致性算法[14]在解決多智能體協(xié)同優(yōu)化問題上有著高效率、快速的優(yōu)點，有較強的實用性，可以用于解決集群內(nèi)各EV功率分配及響應(yīng)等問題。但一致性算法只能對集群內(nèi)各EV功率進行簡單的分配，無法直接根據(jù)EV充放電的緊急程度對其進行分配，依然會存在功率分配不精準的問題。充放電優(yōu)先級指數(shù)可以通過充放電需求和所剩的充放電時間之比來確定EV充放電的緊急程度，因此本文引入了充放電優(yōu)先級指數(shù)來改進能量緩沖一致性算法，利用改進后的能量緩沖一致性算法對各EV進行細致功率分配。

(13)

(14)

(15)

能量緩沖一致性因子λ可定義為：

(16)

(17)

(18)

需注意的是，能量緩沖一致性因子λt大小由EV的特性(cmax)、荷電狀態(tài)(SSOC)、剩余的可充放電時段數(shù)(NRem)及集群總功率(Pt)共同決定，在優(yōu)化過程中會隨時段t變動，所以本文所提的一致性算法的前提是總功率分配后的同一集群內(nèi)汽車同一時段的能量緩沖因子λ達到一致。在該算法下，當(dāng)Pt>0時，優(yōu)先級指數(shù)越大的EV所分配到的充電功率越大；當(dāng)Pt<0時，優(yōu)先級指數(shù)越小的EV所分配到的放電功率越大，即充電需求越緊急的 EV所承擔(dān)的功率份額越大。因此，在優(yōu)化時段的最后，集群內(nèi)各EV的SSOC能夠有效地趨于一致，并都在期望充電完成時間結(jié)束之前達到期望電量，充分解決了由于集群內(nèi)各輛EV電池額定容量、充放電需求量以及接入和接出時間的差異給功率分配造成的難題。

3 模型求解

3.1 仿真算法及其流程圖

在MATLAB軟件上利用自適應(yīng)變異粒子群算法對模型進行求解，算法中設(shè)定粒子數(shù)為50，迭代次數(shù)為600，學(xué)習(xí)因子為2，慣性權(quán)重從0.4～0.9線性遞增。模型具體實施流程圖如圖2所示。

3.2 仿真參數(shù)設(shè)置

為了證明所提模型和算法能夠有效地引導(dǎo)和控制大規(guī)模EV有序入網(wǎng)，本文參考典型工作日中汽車停車加油的情況對某區(qū)域內(nèi)500輛EV進行仿真模擬，仿真時間為當(dāng)日的早上00：00至次日的早上00：00，將其分成96個時段，每時段間隔Δt=15 min。其他條件設(shè)置如下：

(1)參與優(yōu)化調(diào)度的EV相關(guān)參數(shù)[15]見表1。

表1 參與優(yōu)化調(diào)度的EV相關(guān)參數(shù)

(2)車主在EV接入充電樁上傳信息后不再變更出行計劃。

(3)在電價激勵機制下，所有符合V2G條件的EV有80%的車主愿意參加V2G。

(4)充電樁裝有功率調(diào)節(jié)裝置，其充放電功率連續(xù)可調(diào)。

3.3 仿真分析

將本文所提的集群有序充放電策略進行模擬仿真，得到負荷曲線如圖3所示。

從圖3可以看出，采用本文所提的有序充放電策略對EV的充放電進行優(yōu)化會明顯地改善負荷曲線。在時段4-24即01∶00-06∶00，考慮到基礎(chǔ)負荷低對應(yīng)的實時電價也低，本策略利用較低的實時電價引導(dǎo)大量的EV在這些時段進行充電，對負荷曲線有良好的填谷作用；時段44-52和時段68-84即11∶00-13∶00和17∶00-21∶00，考慮到基礎(chǔ)負荷高對應(yīng)的實時電價也高，本策略利用此時較高的實時電價吸引大量的EV進行放電，對負荷曲線有良好的填谷作用。

優(yōu)化前后的電價曲線如圖4所示。

初始電價為與每一時段基礎(chǔ)負荷對應(yīng)的電價。由圖4可以看出，優(yōu)化后的電價變化波動比優(yōu)化前的波動小，趨于平穩(wěn)狀態(tài)。即隨著電動汽車充電負荷增長，不同時刻之間電價的差異逐漸減小，這意味著在電動汽車負荷快速增長的階段，實時電價以較大峰谷差來引導(dǎo)EV充電，避免EV大量集中時段充電，且當(dāng)電網(wǎng)負荷處于峰時期時引導(dǎo)EV放電，以此達到削峰填谷的效果。

抽取500輛EV中第16輛接入電網(wǎng)的EV，得到該EV16在各時段的功率指令曲線和實際功率響應(yīng)曲線如圖5所示。

由圖5可知，實際充放電功率響應(yīng)曲線和功率指令基本吻合。因此可以說明聚合器會充分考慮EV對電能的消納能力來制定EV充放電計劃，并發(fā)出功率指令；同時，基于EV充放電優(yōu)先級的能量緩沖一致性集群功率再分配過程，可以使EV充分快速地響應(yīng)功率指令，體現(xiàn)了本文所提的功率再分配方法在單輛EV調(diào)度過程中的優(yōu)越性。

將優(yōu)化前后用戶的經(jīng)濟效益進行對比，如表2所示。

表2 用戶的經(jīng)濟效益

通過表2對比分析說明了本文所建模型的經(jīng)濟性，無序充放電只有負收益，而在有序充放電的情況下用戶每天的人均收益達到了8.3元/天，凈增長了14.5元/天。說明本文所提的實時電價優(yōu)化調(diào)度模型可以提高EV用戶的收益，調(diào)動EV用戶的積極性，從而吸引更多的用戶參與調(diào)度，具有較強實際意義。

4 總結(jié)

本文提出了一種基于實時電價的EV集群充放電雙層調(diào)度模型，上層以負荷曲線方差及實時電價下用戶的充放電總成本最小為目標(biāo)，求解出集群的最優(yōu)實時充放電功率，并將集群的電動汽車充放電負荷與電價聯(lián)動調(diào)整；下層以基于充放電優(yōu)先級指數(shù)的能量緩沖一致性算法，制定出集群內(nèi)的各輛電動汽車的實時充放電策略。最后的仿真結(jié)果表明該模型能夠?qū)﹄娋W(wǎng)的負荷曲線起到削峰填谷的作用，并提高了用戶的經(jīng)濟效益。本文尚未考慮電池老化對充放電成本的影響，后續(xù)工作可以考慮將電池老化、可再生能源消納能力等因素加入調(diào)度模型中進行進一步的分析。