考虑电动汽车随机接入的微网优化调度

2013-10-17苗轶群江全元曹一家

电力自动化设备 2013年12期

苗轶群，江全元，曹一家

（1.浙江大学电气工程学院，浙江杭州 310027；2.湖南大学电气与信息工程学院，湖南长沙 410082）

0 引言

电动汽车 EV（Electric Vehicle）可以有效缓解能源紧缺、环境污染等问题，国家近年来出台了一系列政策支持EV产业的发展［1］。国家电网公司已建成多个EV能源供给设施示范工程［2］。EV可通过交流充电桩分散式接入电网进行充电，也可以驶入大型充换电站进行集中快速充电或更换电池。EV如果具有 V2G（Vehicle to Grid）功能［3］，还可以在闲置时向电网输送能量，从而可作为移动分散式储能单元与电网实现互动。

对于EV个体，在分散式接入方式下，受充电装置容量的限制，一般采用慢速充电方式，充电功率小，对电池寿命影响较小［1］，但充电时间较长。对于大量EV无序充电，其整体行为将导致电网安全性降低、网损增加、网络阻塞加剧等负面结果，有必要在智能电网和可再生能源利用环境下对其调度和控制进行优化管理［4］。

微网是将可再生能源、微型燃气轮机（MT）、燃料电池（FC）等分布式电源发电装置，以及负荷、储能装置等有机结合并接入到电网的技术［5-6］。作为分散式储能单元的EV接入微网，可用于接纳可再生能源可能出现的能量过剩，也可作为备用提高微网的可靠性。

文献［7］提出了包含风、光、储、EV等的微网经济调度模型，分析了EV对微网经济性的影响：节约储能设备投资，减少微网和EV用户的运行费用。但文中对EV行为的假设过于单一，忽视了大量EV行驶过程、充电过程中体现出的随机特性，与实际差异较大。文献［8］考虑了EV开始充电时刻和日行驶里程的统计规律，建立了EV功率需求的统计模型，可用于研究EV充电对电网的影响。对于研究具有V2G功能的EV的充放电行为，需要考虑更多的随机因素，如EV充放电功率曲线与EV充放电时刻、荷电状态SOC（State Of Charge）有关，而充放电时刻、SOC又与EV驾驶行为直接相关。文献［9］建立了含大规模可入网混合动力EV的电网安全约束机组组合优化模型，将充放电过程按照时段分别考虑，忽略了SOC对混合动力EV的V2G功能的影响。在将EV的整体功率具体分配到每辆EV时，或在微网中每辆EV的功率和容量与储能设备的功率和容量相比不能忽略时，有必要考虑EV荷电量对其充放电功率的影响。

本文以微网系统为基础，提出了一种EV智能接入模式，对EV充放电进行控制，建立了EV智能接入模式下的微网优化调度模型。最后，基于EV行驶统计规律，对EV的行为进行模拟，比较了智能充放电控制模式与随机充电模式、错峰充电模式下的微网优化调度效果。

1 EV接入模式

随机充电模式中，EV在最后一次行程结束回到家后，开始充电直至电池组充满。充电行为体现出较强的随机性。

随着EV数量增多，充电功率可能对系统负荷产生较大影响，甚至出现新的负荷峰值［10］。可以通过延迟EV的充电时间，在负荷低谷时，如假设在24∶00后开始充电［11］，可以起到很好的移峰填谷的作用，即错峰充电模式。

V2G概念的提出，使闲置的EV在电池组容量允许的条件下，在负荷高峰时将电池组中的能量返送回电网，将进一步提高移峰填谷的能力［3］。

智能接入模式中，EV用户与微网签订协议，EV接入充放电装置后，其充放电过程可由微网调度，车主可以通过人机接口对充放电过程提出要求，比如保留足够的电量满足临时出行，下一次出行时间、行驶里程等。为便于微网制定日前计划，EV用户还要根据自身需要对下一日行驶计划进行估计，给出EV闲置并可被调度的时间范围。

2 EV随机、错峰充电模式下的微网优化调度

EV接入微网后，成为微网的设备。微网在满足EV能量需求的同时，协调内部设备，使微网运行更加经济。EV充电功率是微网总负荷的一部分，即微网的参数是优化调度的重要数据。然而充电功率与EV行驶里程、充电时间等不确定因素有关，因此需要通过生成服从统计规律的随机事件对逐辆EV进行仿真。将所有EV功率曲线叠加就可得到总的充电功率曲线，更新微网优化调度问题中的相关参数，通过优化得到结果，其流程图如图1所示。

对每辆EV，大约有14%的概率不会出行［12］，如果出行，其日行驶里程d近似服从对数正态分布［13］，其概率密度函数为：

其中，μd、σd为分布参数，可根据EV行驶里程的统计均值mn、标准差sd求得：

相应的第i辆EV充电电量需求ei为：

在随机充电模式下，第i辆EV充电开始时刻ti，A为接入电网时刻，可认为是每天最后行驶结束时刻，近似服从正态分布［8］：

其中，μA=17.6，σA=3.4。

在错峰充电模式下，EV充电被延后至负荷水平较低的时段，如 ti，A可取为 00∶00—01∶00 范围内服从均匀分布的随机数。

图1 EV随机、错峰充电模式下微网优化调度分析Fig.1 Analysis of optimal microgrid dispatch in random and off-peak EV charging modes

EV连续充电直至满足充电电量需求ei。由于过充、过放都会对电池组寿命产生不良影响，所以电池组SOC在使用过程中一般被限定在某一范围内，如30%～90%之间。而在这一区间进行充电时，充电功率可近似为常数［8］，设为p+，则EV充电功率曲线可表示为：

其中，ti，#为充电结束时刻。

将所有EV的功率曲线叠加即可得到每一时刻所有EV总的充电负荷。

以上EV接入模式下，微网优化调度模型的目标是使微网运行成本最小、收益最大。微网运行成本包括微网从配电网购电成本、微网内部各元件运行成本；微网运行收益包括向配电网售电收益。约束条件包括微网内元件的运行条件约束，如微型电源的功率、爬坡率，储能电站 ESS（Energy Storage Station）的功率、功率变化率、SOC等约束。

微网内功率平衡约束可表示为：

微网系统的备用约束为：

3 EV智能接入模式下微网优化调度

有统计表明在某一时刻至少88%的EV是处于闲置状态的［14］。此时，可将EV通过智能装置连接于微网，由微网控制其充电或放电。

当EV充电、V2G功能可控时，微网可充分利用EV分散式储能的潜力，提高经济性。这种模式下EV的充放电状态为自变量，相应的功率为因变量。EV何时充电、何时放电由微网调度根据EV行驶状态、与配电网交换电价、可再生能源功率等因素，基于全部时段进行综合考虑，与其他可控变量，如微型可控电源、ESS等进行协调配合。

EV在充电或V2G状态时，电池组SOC均被限定于30%～90%，相应充电功率、V2G功率都可近似为常数。V2G功率设为p-。

充放电功率还要受电池组SOC限制，当SOC接近90%时，将停止充电；SOC接近EV用户设定值时，将停止放电。即SOC为重要的因变量，其状态与EV的行驶里程相关，也就需要对EV进行更详细的模拟。EV智能接入模式下的微网优化调度流程如图2所示。

EV行驶里程生成如前文所述。假设第i辆EV全天行驶里程平均等效至首次和末次行程，EV首次行程开始前电量满，则首次行程结束后的有效荷电量，即初始时刻 ti，L荷电量为：

图2 智能接入模式下微网优化调度分析Fig.2 Analysis of optimal microgrid dispatch in smart EV integration mode

首次出行开始时刻ti，L近似服从正态分布：

其中，μL=7.2，σL=2.1。

全天行程终止时刻ti，A与前文一致。

将 ti，L～ti，A时段内每 30 min 划分为一个子时段，根据EV行驶统计规律，确定每个子时段EV处于行驶状态还是闲置状态。图3所示为EV在每个时段处于闲置状态的概率［14］。由统计可知，由于每次出行时间平均为17.5 min［15］，所以EV在每个子时段是否处于行驶状态彼此独立。在 ti，L～ti，A时段外，EV 处于闲置状态。由此得到EV全天闲置时段，此时EV可由微网调度。

图3 EV在每个时段的闲置概率Fig.3 Out-of-use probability of EV

EV用户会根据预留里程dr设定的下限，以保证有足够的电量满足出行。在 ti，L～ti，A时段内，dr包括回程里程和备用里程dB。回程里程为di/2，备用里程是为了满足临时购物、紧急就医等计划外的行驶需要而保留的，可取为 32 km［16］。在 ti，L～ti，A时段外，dr仅可取为 dB。的下限可表示为：

如果全天 EV 未行驶过，则 ti，L、ti，A都取为 μL，di取为 0，初始取为 e0。

EV智能接入模式下，微网优化调度模型的目标函数与以上2种模式一致。加入EV相关的新约束。

EV荷电量约束：

EV功率定义：

EV荷电量与功率满足：

充放电状态互斥约束：

在下一天EV出发前充满电量：

功率平衡约束：

系统备用约束：

紧急情况时将EV状态设置为放电，即由EV提供附加备用为：

4 算例分析

4.1 微网系统参数

微网系统结构如图4所示［17］，其中可控微型电源包括微型燃气轮机、3台柴油发电机（DE）、燃料电池，分别采用分段线性化模型描述功率成本关系，如图5所示；不可控可再生能源包括风力发电机（WT）、光伏电站（PV）。微网区域常规负荷、光伏电源和风电的功率典型曲线如图6所示。

图4 微网结构Fig.4 Structure of microgrid

图5 分段线性化后的成本-功率曲线Fig.5 Cost-power curve after piecewise linearization

图6 负荷、光伏和风电的功率典型曲线Fig.6 Typical power curves of load，photovoltaic and wind power

ESS为集中式储能元件，容量400 kW·h，假设在30%～90%之间变化，最多可充电240 kW·h，其他参数如下：最大功率100 kW，功率变化率300 kW/h，维护成本0.05元/（kW·h），状态转换损耗80元/次。EV作为分散式储能单元通过充电桩（CP）接入微网，可以充电，也可以利用V2G功能放电，充放电功率p+、p-都取为4 kW。EV标准动力电池组总容量50 kW·h，有效荷电量 30kW·h，每百km 耗电量 20kW·h，满电量可行驶里程150 km。电价如图7所示。

图7 电价曲线Fig.7 Power price curve

4.2 优化结果

随机产生1000个场景，每个场景50辆EV，按照图1、图2所示流程对随机充电模式下、错峰充电模式下及智能接入模式下所有场景进行随机模拟，利用CPLEX软件①IBM Corporation.IBM ILOG CPLEX 12.1 user’s manual.2009.对优化模型进行求解，得到3种模式下微网运行成本如表1所示。在满足EV能量需求的相同条件下，智能接入模式较随机充电模式节约平均成本约31%，较错峰充电模式节约平均成本约26%，经济性较好。

表1 微网运行成本Tab.1 Operational cost of microgrid

在某一场景内3种接入模式下EV功率曲线与原有负荷及可再生能源功率的叠加效果如图8所示。微网与配电网间交换功率如图9所示。

图8 负荷与可再生能源功率之差Fig.8 Power difference between load and renewable energy

图9 PCC交换功率Fig.9 Power exchange at PCC

在无EV接入的微网中，负荷与可再生能源功率之差表征功率的缺额，需要对微型电源、ESS等可控单元进行优化调度以保证运行经济并最大限度地利用可再生能源。

随机充电模式下，EV充电主要集中在17∶00以后，此时电价较高，微网以向配电网卖电为主。充电功率影响外送功率，减少了收益。在00∶00—05∶00微网内可再生能源功率过剩，除部分储存于ESS内，其他只能以较低价格出售。

错峰充电模式下，EV充电主要集中在00∶00—04∶00，有效利用了可再生能源的过剩功率，略微提高了经济性。

在智能接入模式下，EV作为分散式储能装置，与ESS协调配合，在电价较低，即配电网负荷低谷时，集中充电；在电价较高，即配电网负荷高峰时，集中放电，进一步提高了微网的经济性，对配电网起到“移峰填谷”的作用。ESS循环次数减少，延长了使用寿命，如图10所示。

图10 储能电站荷电量Fig.10 Energy of ESS

所有EV以及某1辆EV的充放电功率、等效荷电量如图11、图12所示。EV首次出行前充满电量，即06∶00左右荷电量接近最高值。首次出行结束后，可以利用较低电价继续充电，补充行驶所耗能量。10∶00—15∶00，大部分 EV 处于闲置状态，可被微网调度，在电价较高时段放电。17∶00—21∶00，EV 放电功率略有减小，这是因为此时段为EV末次出行集中时段，EV处于行驶状态，不可被调度。EV在全天电价较低时充电。EV在行驶时，充放电功率为0，全天行驶里程所耗电量被平均等效至首、末2次出行时段，如图12所示。