王 毅，譚仕奇

(1.重慶郵電大學 通信與信息工程學院， 重慶 400065；2.國網(wǎng)重慶市電力公司電力科學研究院， 重慶 400014)

近些年來，新能源和電動汽車(electrical vehicle，EV)行業(yè)飛速發(fā)展，V2G(vehicle-to-grid，V2G)電動汽車日益普及。但不對EV集群和新能源加以控制就接入電網(wǎng)會給系統(tǒng)帶來不容小覷的沖擊，而采取合理有效的控制策略是解決此類問題的關(guān)鍵[1-4]。同時，由于EV的移動儲能特性和環(huán)保性，可以消納多余的可再生能源，因此，協(xié)調(diào)調(diào)度可再生能源和EV更利于智能電網(wǎng)與環(huán)境的和諧發(fā)展與穩(wěn)定。目前對EV充放電控制的研究中，對 EV的充放電控制主要通過在時間上轉(zhuǎn)移 EV負荷，控制方式主要分為集中式和分布式。

目前，國內(nèi)外研究者針對包含可再生能源和電動汽車的電網(wǎng)調(diào)度問題提出了很多模型。戴越繁等[3]提出一種考慮電池動態(tài)損耗的分層調(diào)度策略，分別從電動汽車用戶、本地調(diào)度機構(gòu)和配電網(wǎng)控制中心3個角度進行控制。侯慧等[5]根據(jù)微電網(wǎng)內(nèi)部的分布式能源對微電網(wǎng)運行的作用不同，提出一種包括負荷級、源荷級以及源網(wǎng)荷級的分級調(diào)度策略，通過仿真驗證了分級調(diào)度的有效性。楊曉東等[7]為避免集中優(yōu)化，構(gòu)造了以EV集群的充放電博弈模型，以光伏利用率、成本為評價指標，驗證了該策略的合理性。粟世瑋等[8]根據(jù)新能源出力大小更改分時電價，由用電成本驅(qū)動電動汽車有序充電，以實現(xiàn)新能源的本地消耗。趙興勇等[9]結(jié)合當日可再生能源的出力情況和常規(guī)負荷的實時數(shù)據(jù)，動態(tài)制定實時電價信息，充分引導電動汽車參與微電網(wǎng)的調(diào)度，仿真證明：該策略能適用于微電網(wǎng)并網(wǎng)和孤網(wǎng)等運行場合。上述研究大多只討論了可再生能源給電網(wǎng)帶來的影響，沒有考慮到可再生能源出力的不確定性。

電動汽車控制調(diào)度的研究中，主要是通過分配EV充放電時段對EV充放電進行控制，通過集中控制、分層控制和分散控制3種方式協(xié)調(diào)控制電動汽車的充放電，其中后兩者屬于分布式控制，這兩種控制方式都離不開實時通信系統(tǒng)的支持，一旦調(diào)度單元間不能及時通信，相關(guān)信息不能及時傳遞，則難以控制EV的充放電。王毅等[10-11]提出了一種邊緣控制方式，由充電樁獲取日前的相關(guān)信息對電動汽車進行控制：只針對了谷時段的充電策略，在其他時段沒有對EV進行控制；沒有考慮預測信息的不確定性對結(jié)果的影響。

本文中提出了一種在光儲微電網(wǎng)下，由智能充電樁自主控制的EV有序充放電控制策略。利用場景分析法考慮光伏出力的不確定性，在控制器中建立以蓄電池和EV綜合運行成本、總負荷方差和負荷率的目標函數(shù)，建立住宅區(qū)配電網(wǎng)日前優(yōu)化運行模型，求解得到次日各個時段的充放電裕度，將其量化為充放電離線概率表轉(zhuǎn)交給充電樁。在次日控制時段開始后，充電樁獲取電動汽車的狀態(tài)參數(shù)和用戶需求，依據(jù)概率表自主生成本次控制結(jié)果并展示給用戶選擇。

1 場景生成

一般來說，室外溫度變化會導致太陽能發(fā)電強度的變化以及常規(guī)負荷需求模式的變化[12]。例如，在夏季的典型白天，由于對舒適度的追求，家庭用電需求會更高；另外，由于光照強度更強和光照時間更長，光伏出力將更大。這就要求在光伏出力和常規(guī)負荷之間考慮一種相關(guān)結(jié)構(gòu)，以代表未來可能的場景。在生成場景過程中忽略二者之間的相關(guān)性可能會導致在較高光伏出力的情況下常規(guī)負荷需求較低。

1.1 拉丁超立方采樣

拉丁超立方采樣(LHS)是用采樣值表示隨機變量的一般分布的常用方法。與蒙特卡洛采樣相比，LHS在較小規(guī)模下也能覆蓋所有采樣區(qū)域，其計算精度更高[13-14]，其目的是要保證選取的采樣點能覆蓋所有范圍[15-16]，分為采樣和排序2個步驟。

1.1.1采樣

假設有L個隨機變量，Xl(l=1，2，…L)為其中一個隨機變量，其分布函數(shù)可表示為Yl=Fl(Xl)。LHS的采樣示意圖如圖1。

圖1 拉丁超立方采樣示意圖

1.1.2排序

若問題中的隨機變量之間存在相關(guān)性，則產(chǎn)生的樣本矩陣為相關(guān)矩陣，因此，需要對該矩陣進行重新排列。 Cholesky分解排序法計算復雜度低且精度高，所以采用 Cholesky分解排序法進行排序，以此產(chǎn)生具有特定相關(guān)系數(shù)的樣本矩陣[16]。

遵循王玲玲等[17]的基于Cholesky分解法的排序過程，考慮到隨機變量之間的相關(guān)性，可以生成場景共同表示我們的隨機參數(shù)。

1.2 K-means聚類

K-means聚類算法是一種經(jīng)典的聚類算法，采用距離判斷是否屬于一類，即認為2個對象的距離越近，其相似度就越大[18]。本文中由LHS-CD得到2 000組光伏出力序列和常規(guī)負荷序列，然后根據(jù)K-means 聚類算法篩選出4個小區(qū)典型日光伏出力的場景，并用于后續(xù)模型計算。

2 日前優(yōu)化策略

電網(wǎng)運行通常涉及電網(wǎng)損耗等問題，用戶通常最關(guān)注的是成本，所以分別以負荷率、小區(qū)電網(wǎng)總負荷方差、運行總成本作為目標，在控制器中建立日前充放電優(yōu)化模型，把光伏出力看作負的負荷，與常規(guī)負荷疊加在一起，定義為等效負荷。

2.1 目標函數(shù)

1) 電動汽車接入后，為最大化利用住宅區(qū)配電網(wǎng)的電氣設備，則應以日負荷率最大為目標：

(1)

Pdx(i)=PL(i)-PPV(i)

(2)

(3)

式中：x(i)和Pes(i)為優(yōu)化對象，即優(yōu)化模型下i時段的最佳充電負荷和儲能出力，kW；PL(i)為i時段的常規(guī)負荷需求，kW；PPV(i)為i時段的光伏出力，kW；Pdx(i)為i時段小區(qū)電網(wǎng)的等效負荷，kW；P0為EV接入后小區(qū)電網(wǎng)的平均負荷，kW；T為控制時段，取24 h。

2) 為減小光伏和EV接入電網(wǎng)造成的沖擊，使電網(wǎng)安全運行，則應使EV接入后的總負荷方差最小：

(4)

3) 為提高用戶參與V2H的積極性和提高經(jīng)濟性，則應使車主充電費用和儲能成本最?。?/p>

(5)

式中：ci為i時刻的充電單價，kes為儲能單元的運行成本系數(shù)。

顯然各目標函數(shù)量綱不一樣，因此，對各目標函數(shù)進行歸一化，將多目標轉(zhuǎn)化為單目標函數(shù)F：

(6)

式中：f1min、f2max和f3max分別為小區(qū)電網(wǎng)日前預測無序充電情況下的負荷率、總負荷方差和總充電費用。假定在無序充電情況下，EV即到即充，充滿即走。其中μ1、μ2、μ3為熵權(quán)法求得的各個目標函數(shù)的系數(shù)[19]。

2.2 約束條件

1) 功率平衡約束

PPV(i)+Pgrid(i)+Pes(i)=PL(i)+x(i)

(7)

式中：Pgrid(i)表示i時刻小區(qū)與電網(wǎng)交互功率。

2) 充電總功率約束

(8)

式中：Ppre表示日前預測EV充電總負荷。

3) 光伏出力約束

(9)

4) 儲能出力約束

(10)

5) 負荷波動約束

(11)

式中：φ%表示小區(qū)負荷波動功率的限制，取φ%=0.6。

2.3 充電樁自主決策

2.3.1生成概率表

對2.1和2.2所提模型進行求解，得到EV充電負荷在時間上的最優(yōu)分布，將其轉(zhuǎn)化為各個時段的充放電裕度，結(jié)合預測信息將其量化為充放電概率表。其中，充電裕度Pc(i)用求解模型得到的優(yōu)化負荷表示；放電裕度Pd(i)用預測負荷和優(yōu)化負荷的差值表示[11]，定義為：

(12)

式中：x′(i)表示i時段預測的充電負荷。

假設EV充電時長最多為8 h，同理放電時長最多也為8 h，因此，只考慮充放電時長1～8 h的各時段充放電概率表。方法如下：

1) 充電概率表C

C=(c1c2c3c4c5c6c7c8)

(13)

式中：ck表示當充電時長為k，各時段作為充電初始時段的概率集合，k∈[1，8]。以k=2為例進行說明。概率集合c2為：

c2=[c1～2c2～3…c23～24c24～1]T

(14)

(15)

P1=Pc(1)+Pc(2); …P23=Pc(23)+Pc(24)

P24=Pc(24)+Pc(1)

(16)

式中：c1～2和P1分別表示充電時間為1時段和2時段的充電概率和充電裕度值。其余參數(shù)同理。通過式(14)求得從各時段起連續(xù)充電2h的充電概率表。同理，可求得從各時段連續(xù)充電1～8 h的充電概率表，從而得到總的充電概率表C。

2) 放電概率表D

假定某時段的放電裕度大于0，則說明該時段EV可以通過放電減輕小區(qū)電網(wǎng)壓力。

D=(d1d2d3d4d5d6d7d8)

(17)

式中：dk表示當放電時長為K，各時段作為放電初始時段的概率集合，k∈[1，8]。

放電概率表生成方式與充電概率表相同，需要注意的是如果某時段不滿足連續(xù)放電的要求，則概率為0。得到充放電概率表之后連同等效負荷通過在線或者離線的方式下發(fā)至智能充電樁，實現(xiàn)充電樁自主決策EV充放電的功能。

2.3.2充電樁決策流程

充電樁在EV接入后，可獲取相關(guān)充電信息[SOCtar，Tle，SOC，W，p]，分別為目標荷電狀態(tài)、離開時刻、初始荷電狀態(tài)、電池容量、充放電功率。其中前兩項為車主輸入。由式(17)求得充電時間Tneed和停留時間Tstay。結(jié)合充放電概率表[C，D]及預測的等效負荷Pdx自主控制EV的充放電，引導用戶參與調(diào)控。

(18)

式中：Tback表示EV接入時刻；η表示充電效率；「?表示向上取整。充電樁具體工作流程如圖2所示。

圖2 充電樁自行控制流程框圖

首先充電樁需要對EV進行判斷，根據(jù)是否符合調(diào)度條件選擇調(diào)度模式。

1) 判斷條件：

① 放電條件：

EV停留時長大于完成充電需求時長且EV停留時段內(nèi)包含放電時段，即停留時段內(nèi)放電裕度總和大于0。

② 先放后充條件：

EV初始荷電狀態(tài)高于20%且EV接入后的下一時段是放電時段。

2) 調(diào)度模式：

① 單一充電模式

充電樁首先保證EV的充電完成時間不得多于EV停留時間。充電樁在充電概率表C中尋找符合條件的且概率最高的時段，從該時段開始充電。若最高概率值不止一個，則比較對應起始時段的等效負荷值，選取等效負荷值最小的時段。

② 先放后充模式

根據(jù)式(18)更新充放電時長t1、t2，放電過程中保證SOC在20%以上。在充放電概率表C和D中尋找概率值最高時段，從該時段開始進行控制。

(19)

③ 先充后放模式

由式(19)更新充放電時長t11、t22，以及充電補償時間t33；其中t33是為了保證能在出行時有足夠的電量。同理，在充放電概率表C和D中尋找概率值最高時段，從該時段開始進行控制。

(20)

3 結(jié)合天牛須搜索的粒子群算法

采用天牛須搜索(BAS)和粒子群算法相結(jié)合的智能優(yōu)化算法(BSO)對模型進行求解。用天牛代替粒子進行迭代尋優(yōu)，每個天牛的位置和速度的更新規(guī)則與標準的PSO相似，且在迭代尋優(yōu)過程中都判斷天牛的環(huán)境空間，即比較每個天牛左右兩須之間的適應度函數(shù)值，使天牛們朝著更好的適應度函數(shù)值處移動。這種方法結(jié)合兩種算法的優(yōu)點，穩(wěn)定性更好，不易陷入局部最優(yōu)，又避免了BAS算法搜索空間的局限性問題[6]。算法流程如圖3所示。

圖3 BSO算法流程框圖

4 算例分析

4.1 基礎(chǔ)參數(shù)設置

現(xiàn)模擬某小區(qū)微網(wǎng)，其拓撲結(jié)構(gòu)如圖4所示。該小區(qū)配有1 500 m2的光伏面板，500輛服從本策略調(diào)度的EV，且其容量在20～30 kW·h呈均勻分布。假設參與本策略的EV為恒功率充放電，且額定充放電功率均為4 kW，充放電效率為0.95。 假定EV用戶每次充電的期望荷電量SOCtar為1，充放電效率均為95%，假設充放電價格一致，小區(qū)內(nèi)的充電樁是具有數(shù)據(jù)存儲和計算功能的智能儲充一體式充電樁，可以滿足所有電動汽車同時充電。

圖4 小區(qū)微網(wǎng)拓撲結(jié)構(gòu)示意圖

根據(jù)文獻[4]所提車輛出行特性進行EV充電負荷仿真模擬，其中EV開始充電和充電結(jié)束的時間的概率密度函數(shù)均符合正態(tài)分布函數(shù)，即Ton，l～N(17.1，3.32)，Toff，l～N(8.92，3.242)，每日行駛距離服從對數(shù)正態(tài)分布，即ln(Dl)～N(3.2，0.882)。根據(jù)EV每日行駛距離求EV的初始荷電狀態(tài)SOC0，計算公式如式(21)。

(21)

式中：Dl為第l輛EV的日行駛距離(km)；P100為EV百公里耗電量(kW·h)；Ql為第l輛EV的電池容量。

4.2 光伏出力場景

從文獻[20]獲得全年24 h歷史光伏出力數(shù)據(jù)，根據(jù)歷史數(shù)據(jù)擬合出1天24 h的光伏出力概率密度函數(shù)，然后通過LHS-CD方法采樣，由K-means聚類算法篩選4個典型場景，如圖5所示，在光伏出力和負荷需求不確定性的場景下，通過場景分析法，分別對典型場景進行優(yōu)化，可以將電動汽車充放電優(yōu)化策略這一不確定性問題轉(zhuǎn)化為多個確定性場景問題。

圖5 光伏出力典型場景

通過蒙特卡洛算法對500輛EV進行充電模擬，得到EV無序充電的負荷與小區(qū)等效負荷疊加曲線，如圖6。由于光伏出力集中在中午時段，所以等效負荷較平時偏低。另外，如果EV不加以控制直接接入電網(wǎng)充電，其充電負荷會集中在居民用電高峰時段，導致“峰上加峰”。小區(qū)實行峰谷分時電價，如表1所示。

圖6 EV無序充電下小區(qū)負荷曲線

表1 分時電價

4.3 BSO參數(shù)設置

以每個時段的最優(yōu)充電負荷作為變量空間的維度數(shù)目，因此，模型為24維問題。天牛群設為100，迭代次數(shù)設為2 000次，使用的算法因子c1、c2分別設為2、3。每次迭代中的學習因子都不同。

4.4 仿真結(jié)果

以場景1為例，EV無序充電和兩種調(diào)度策略有序充電兩種情況下接入電網(wǎng)，電網(wǎng)的相應負荷曲線如圖7所示。

圖7 有序充電下小區(qū)負荷曲線

從圖7可以看出，若EV充電時不加以引導，會導致電動汽車隨機充電的充電負荷集中在傍晚用電高峰期，等效負荷曲線峰上加峰，容易造成電網(wǎng)的超負荷運行，引起安全隱患；采用本文所提策略能使EV無序充電負荷從傍晚時期轉(zhuǎn)移到光伏出力高峰期和居民用電低谷期，降低了總負荷峰谷差，平緩了電網(wǎng)總負荷曲線。另外，圖7中對比了在建立日前優(yōu)化模型時對光伏出力不加以考慮時的優(yōu)化情況，可以看出，雖然也將EV充電負荷從用電高峰期轉(zhuǎn)移到非高峰期，但是相較于考慮光伏加入的調(diào)度，小區(qū)電網(wǎng)等效負荷曲線更加平緩，更加利于電網(wǎng)的平穩(wěn)運行。

在EV隨機充電情況下和本文中所提有序充電控制情況下的總負荷峰谷差、總負荷方差、總成本的仿真結(jié)果見表2。

表2 有序充電和無序充電仿真結(jié)果

以場景1為例，電動汽車在有序充放電情況下，電網(wǎng)負荷峰谷差降低了43.8%，負荷方差從214 769 kW2降低至54 377 kW2，效果顯著，大大緩解了電網(wǎng)負荷的波動，提高了配電設備運行效率；節(jié)省運行成本4 594 元，使小區(qū)微網(wǎng)運行更加經(jīng)濟化。

5 結(jié)論

結(jié)合可再生能源出力的不確定性，建立了小區(qū)微網(wǎng)中電動汽車充放電的日前優(yōu)化模型，利用BSO算法求解得到充電負荷在各個時段的最優(yōu)分布，將其量化為充放電概率表下發(fā)至智能充電樁，實現(xiàn)充電樁自主決策對電動汽車充放電的控制；該控制策略在通信故障的情況下也能實現(xiàn)對EV的充放電的控制作用，引導EV充電負荷向高光伏出力時段和小區(qū)用電谷時段轉(zhuǎn)移，有助于EV和可再生能源的和諧入網(wǎng)。

所建立模型只考慮了光伏出力和儲能單元，未考慮微電網(wǎng)中其他分布式能源的情況，有待進一步完善。