商业大楼中的电动汽车与温控负荷联合优化调度

齐晓琳， 艾 欣， 唐 亮， 罗庚玉

(1. 新能源电力系统国家重点实验室， 华北电力大学， 北京 102206；2. 国网安徽省电力公司， 安徽 合肥 230022)

商业大楼中的电动汽车与温控负荷联合优化调度

齐晓琳1， 艾 欣1， 唐 亮2， 罗庚玉2

(1. 新能源电力系统国家重点实验室， 华北电力大学， 北京 102206；2. 国网安徽省电力公司， 安徽 合肥 230022)

随着电动汽车数量的日渐增加，其无序充电会给电网带来新的负荷高峰，从而造成局部变压器过载的情况。本文在电动汽车大量接入而配电网未来得及改造的背景下，以电动汽车向楼宇反向服务(V2B)技术为支撑，考虑到温控负荷的负荷反弹特性及可调度性，将温控负荷与电动汽车充放电协同调度。电网对温控负荷实行折扣电价，对电动汽车负荷考虑电池损耗而实行高价补偿。考虑室温的舒适度、电动汽车充放电次数、变压器容量等约束条件，以电网补贴成本最小和商业大楼的总电费最小为目标进行优化。结果表明，温控负荷与电动汽车负荷具有互补特性，两者联合调度可以达到在电网补偿费用最小的情况下变压器容量不过载的目的。

电动汽车向楼宇反向服务； 电动汽车； 温控负荷； 负荷反弹特性； 需求响应

1 引言

由于电动汽车(EV)的零排放、不依赖常规能源、热效率高等特点，各国都纷纷出台相应政策来推动电动汽车的快速发展与应用。但将来大规模电动汽车接入电网会对电力系统的规划和运行产生不可忽视的影响。大量电动汽车无序充电会导致电网(尤其是居民区等电动汽车聚集的局部区域)负荷增加，可能会引起新的负荷峰值或者峰上加峰，导致配电变压器过载、配电线路损耗增大、电压失稳等问题[1,2]。

文献[3,4]将电动汽车作为储能单元参与系统的削峰填谷及平抑可再生能源出力波动等，文献[5-7]将电动汽车作为电力系统的负荷备用，探讨了其低碳特性与备用市场竞价交易模式，均证明了电动汽车的可调控性。但由于现阶段电动汽车还没有大量普及，因此在全系统进行电动汽车充放电调度不够经济，并且由于电动汽车电池成本昂贵，如果单纯调度电动汽车来平抑负荷成本太大，因此V2B(Vehicle-to-Building)、V2H(Vehicle-to-Home)模式在短期内更容易实现。文献[8-10]从家庭电费角度对包括电动汽车在内的各种家用电器进行优先级排序，实现家庭用电最优化；文献[11,12]介绍了V2B模式下电动汽车与商业楼宇中的其他负荷联合调度，实现削减高峰负荷、稳定电压等目的，但文献[8-12]都是从车主电费角度或降低负荷角度考虑，未考虑电网调度电动汽车的成本。温控负荷主要指空调、电暖气、热水器等，如果短暂地降低此类负荷，由于热惯性，不会影响用户的舒适性。温控负荷一个显著的特点是负荷反弹特性[13,14]，以夏季空调负荷为例，在负荷高峰时期控制其中断后，室温会由于散热逐渐升高，达到用户可以忍受的最高温度后空调必须开启，因此在之后的一段时间内会产生负荷反弹。而电动汽车同样在调度停止充电或放电之后由于车主的行驶需求必须重新充电，也会产生负荷反弹。因此考虑将两者进行联合调度，以期达到互补的效果。

本文在大量电动汽车接入使得商业楼宇负荷超过变压器容量的背景下，将温控负荷与EV协同调度，以电网补贴成本最小为目标得到温控负荷的控制策略与电动汽车的最优充放电策略。本文的研究基于以下市场规则：在日前市场，温控负荷与EV负荷分别与电网签订合同，约定第二天的调度时间、补偿费用等。在实时市场中，通过合理的调度，使得整个大楼的负荷不超过配电变压器容量，使得电网可以少建或者缓建变压器、变电站、输电线路等设备。

2 V2B技术支撑

V2B是一种特殊的集中式V2G (Vehicle-to-Grid)模式。由于V2G的实现需要整个系统中的智能充电站、换电站和各种通信设备的完善，因此在短期内还无法实现。V2B在实际中比V2G要更容易实现。

V2B的实现依托于商业大楼的智能车库的建设。当员工驾驶自己的电动汽车在特定时间到达智能车库后随即插入系统，充电桩的控制系统可以读取该电动汽车电池容量、目前的电量以及用户设定的离开时期望达到的荷电状态。配电网的控制系统可以通过智能车库获得某一时刻该商业大楼的电动汽车信息，并在需要调度电动汽车的时候向智能车库中下达调度命令，直接对智能充电桩进行控制。

单台配电变压器需要负担的负荷由于规模化电动汽车的无序充电发生了显著改变。在某些特定时段，例如居民负荷的18∶00～20∶00和商业大楼的9∶00～12∶00，由于电动汽车的集中充电会出现新的负荷高峰，如果对其充电行为不加以约束或者进行优化配置，会使得局部配电变压器过载。研究表明，由于电动汽车接入造成的负荷变化会导致变压器温度升高，这种温度变化会导致变压器油劣化变质、变压器内绝缘材料的加速老化，从而显著缩短变压器的寿命[15,16]。在室外平均温度为20℃时，电动汽车的接入会使得变压器的寿命由353年降低到25年[1]。

电动汽车无序充电对商业大楼负荷的影响如图1所示。商业大楼的车主一般在早上到达办公楼后将电动汽车接入电网充电，在9∶00～12∶00负荷会急剧增长，在未调度的情况下，总负荷远远高于变压器所允许的功率值。因此，在电动汽车快速发展而配电网改造升级落后的情况下，如何调度电动汽车充放电使得局域配电变压器不过载成为一个实际而有意义的问题。

图1 电动汽车无序充电对商业大楼负荷的影响Fig.1 Influence of EVs charging disorderly on load of commercial building

3 联合调度模型

3.1 两种负荷的补贴形式

本文的调度基于以下假设：

(1)在未调度之前，假设空调一直都设定某个温度，一直开着；在参与调度之后，根据用户舒适度，在某个温度范围内可短暂关闭。

(2)不考虑商业大楼中的电动汽车中途离开的情况，认为从上班到下班，所有电动汽车都连接在充电桩上。

对可调度负荷的补偿方式有两种：低电价和高赔偿[17]。对于电动汽车，因为其交通特性并且电池损耗成本较高，适合采用高赔偿方式，即在EV接受调度而停止充电甚至是放电时，电网根据实际调用电量进行高电价补偿；对于温控负荷，因为其调度频率较高，适合采取低电价补偿方式，即用户根据在日前市场申报并且成交的低电价，在第二日运行时电网收取比普通电价更低的低电价，但在中断时并不予以补偿。

3.2 目标函数

从电网的角度，由于对温控负荷和EV的调度都是在改变用户用电习惯的基础上进行的，因此电网公司要对参与调度的温控和EV负荷进行一定的补偿，目标函数为电网的补偿费用最低；从商业大楼管理者的角度，希望电费越低越好，即在变压器不过载的情况下使得总负荷最小，从而保证变压器的寿命。

因此总目标函数为：

minCdd+μpbPtotal

(1)

式中，Cdd为总的调度成本；pb为用电电价；Ptotal为总负荷；μ为权重系数，引入该参数可使多目标变成单目标进行优化。

(1)温控负荷调度成本

由于温控负荷一般调度频率较高，对调度方而言，在调度期间对温控负荷采用折扣电价模式较为经济。其调度成本CHVAC为：

(2)

式中，nHVAC为温控负荷数量；λ为温控的折扣率；xHVAC,i(t)为0-1变量，1表示温控负荷开启，0表示接受调度而中断；PHVAC,i(t)为t时刻第i个温控负荷的功率；Δt为时间间隔；N表示共有N个调度时段。

(2)EV调度成本

对EV采取在实际调度后给予高价补偿的方式。另外由于EV频繁充放电会显著降低电池寿命，因此必须考虑电池损耗成本。

充电调度成本Cch为：

(3)

式中，nEV为电动汽车数量；γ为调度之后的补偿率(γ>1)，即电网对参与充电调度的电量的补贴电费为γpb；xEVin,i(t)为0-1变量，表示电动汽车的充电状态，1表示计划充电但由于调度而终止充电，0表示未接受调度继续充电；Pmax,i、PEV,i(t)分别表示第i辆电动汽车的最大充电功率和t时刻的实际充电功率。

电动汽车放电的单位电量储能成本Pdch为[18，19]：

(4)

式中，VEV为电动汽车电池的价格(元/(kW·h))；NEV为电动汽车在寿命周期内电池的可充放电次数。

因此放电补贴成本Cdch为：

(5)

式中，xEVout,i(t)为0-1变量，表示电动汽车的放电状态，1表示接受调度而放电，0表示未接受调度不放电；PEVout,i(t)表示第i辆电动汽车t时刻的放电功率；ηdch为放电效率。

温控与EV联合调度的总成本为：

Cdd=CHVAC+Cch+Cdch

(6)

3.3 约束条件

本文以空调为例来描述温控负荷的特征及约束条件。

(1)温控负荷的最大可中断时间τoff和最小连续启动时间τon约束

假设只要空调开启就是一个恒定的功率PHVAC，控制周期内外界环境温度恒定Tout，室内温度用户可忍受的温度区间为[Tmin,Tmax]，由空调机组的热动力学模型[20]可以求解得到空调的最大可中断时间τoff和最小连续启动时间τon，即

Tmax=Tout(1-ετoff)+Tminετoff

(7)

Tmin=(Tout-ηP/A)(1-ετon)+Tmaxετon

(8)

式中，Tout为室外温度(℃)；ε为散热函数，ε=e-τ/Tc，其中τ为控制时间，Tc为时间常数，本文取ε为0.98；η为空调能效比，ηP为空调的额定制冷量；A为导热系数，本文取0.18。

空调开关状态的约束为：

ont+offt≤1

(9)

xHVAC,i(t)-xHVAC,i(t-1)=ont-1-offt-1

(10)

(11)

(12)

式中，ont、offt分别表示空调在t时段末是否进行开机或关机操作，1表示“是”，0表示“否”；xHVAC,m表示m时刻空调的状态。式(9)表示同一时刻不可能既开机又关机，式(11)表示最小运行时间不可以低于τon，式(12)表示最大运行时间不能超过τoff。

(2)电动汽车电池容量SOC约束

(13)

SOCmin≤SOCi(t)≤SOCmax

(14)

式中，SOCi(0)、SOCi(t)分别为初始时刻和t时刻电动汽车的电量；ηch为充电效率；为了防止深度放电，并且考虑到用户的行驶需求，要求电池电量有个最小值SOCmin；SOCmax为最大容量限制，本文取电动汽车电池总容量值。

(3)用户意愿约束

调度时间为电动汽车连接到电网的时间

ti,start≤ti≤ti,end

(15)

最后离开时应满足车主所希望达到的SOC值

Si(end)≥Si,set

(16)

式中，tstart、tend分别为调度的起止时刻；Si(end)为第i辆车离开大楼时的电量；Si,set为第i量车的车主希望离开时达到的电量值。

(4)充放电次数限制

文献[4]认为电动汽车的状态是非充即放(即不是充电就是放电)的，但实际上电动汽车慢充大概在4～6h就能充满，如果用此约束就会强制电动汽车放电而造成电动汽车的电池损耗。因此本文在智能充电桩技术的背景下，认为电动汽车的状态分为充电、放电和非充非放(即既不充电也不放电)三种。

xEVin(t)+xEVout,i(t)≤1

(17)

(18)

(19)

onin(t)+offin(t)≤1

(20)

xEVin(t+1)-xEVin(t)=onin(t)-offin(t)

(21)

onout(t)+offout(t)≤1

(22)

xEVout(t+1)-xEVout(t)=onout(t)-offout(t)

(23)

式中，onin(t)、offin(t)、onout(t)、offout(t)为0-1变量，onin(t)为1时表示EV在t时刻末由未充电变为充电状态，offin(t)为1时表示t时刻末EV由充电变成不充电状态，onout(t)为1时表示t时刻末EV由未放电变成放电状态，offout(t)为1时表示t时刻末电动汽车由放电变成不放电状态；式(17)表示任一时刻电动汽车不能同时充放电，式(18)表示调度时段内充电总次数不超过一次，式(19)表示调度时段内放电总次数不超过一次，式(20)～式(23)是变量应该满足的约束条件。

(5)变压器容量约束

Pelse(t)+PHVAC(t)+PEVin(t)-PEVout(t)≤S

(24)

式中，PHVAC(t)、PEVin(t)、PEVout(t)、Pelse(t)分别表示t时刻的温控负荷、电动汽车充电负荷、电动汽车放电负荷以及除温控和电动汽车之外的负荷；S为变压器容量。

此模型为混合整数线性规划问题，变量为各个时刻的温控的开关状态以及电动汽车的充放电状态，采用商业软件CPLEX12.6进行求解。

4 算例

算例取某商业大楼中可调度空调50台，每台空调功率为2.5kW。电动汽车30辆，假设都是比亚迪e6[19]，其参数如表1所示。

表1 比亚迪e6参数Tab.1 BYD e6 parameters

30辆电动汽车的电量初始值在电池容量的20%～50%范围内随机生成，车主希望最后离开时达到的电量值在电池容量的50%～80%范围内随机生成。由于商业大楼里的公司一般早上8∶30左右上班，下午5∶30左右下班，因此总调度时间为9∶00～17∶00。

假设用户可忍受的室内温度范围为22℃～28℃，调度期间室外温度为30℃～35.5℃，图2为最大中断时间、最小连续开启时间与温度的关系曲线。

图2 空调的τoff、τon与外界温度的关系曲线Fig.2 Relationship between outdoor temperature and τoff，τon

取15min为一个调度时段，λ=0.5，γ=0.5，pb=0.4元/(kW·h)，此时温控负荷的折扣电价为0.2元/(kW·h)，电动汽车充电补偿为0.2元/(kW·h)，放电补偿为0.68元/(kW·h)。假设除空调和电动汽车之外的其他负荷为50kW，一台10kV配电变压器容量为315kV·A，根据JGJ16-2008《民用建筑电气设计规范》的规定，配电变压器长期工作负荷率不宜大于85%[21]，因此取调度时的变压器容量为268kV·A，权重系数取0.5。

如果单独调度空调或单独调度电动汽车，得到的负荷曲线如图3所示。单独调度空调时，补贴费用为41.25元，但是在电动汽车充电高峰阶段，仍有变压器负荷越限的情况存在；单独调度电动汽车时，补贴费用为435元，此时负荷没有越限但是几乎达到了变压器的最高限额，并且调度费用偏高。

图3 单独调度时的负荷曲线Fig.3 Load curves when separately scheduling

联合调度的结果如图4所示。此时得到的调度费用为412元，其中温控调度费用为87.5元，EV充电调度费用为324.5元，由于放电费用过高，因此并没有调度电动汽车放电。可知空调与电动汽车的联合调度不仅比单独调度两者的费用低，并且在可以保证变压器不越限的同时降低了变压器的负荷率，两者的联合调度可以实现1+1>2的效果。

图4 调度前后的负荷曲线图Fig.4 Load curves before and after scheduling

图5为空调总负荷曲线与电动汽车总负荷曲线的对比。可见经过联合优化调度后，在满足各自约束条件的同时，电动汽车充电与空调开闭呈互补状态。

(1)电池损耗成本的影响

根据国务院于2012年6月发布的《节能与新能源汽车产业发展规划(2012～2020)》，到2020年，纯电动汽车和插电式混合动力汽车生产能力达到200万辆，累计产销量超过500万辆，动力电池模块成本降至1.5元/(W·h)以下[2]，此时放电成本的降低使得调度电动汽车放电成为可能。因此如果将放电成本降低到与充电补偿费用一样为0.2元/(kW·h)，此时会调度电动汽车放电，负荷曲线如图6所示。

图5 温控负荷与EV的互补曲线Fig.5 Complementary curves of thermostatically-controlled loads and EV

图6 电池成本降低后的负荷曲线Fig.6 Load curve after battery cost reduced

此时的调度费用仍为404元，温控调度费用为87.5元，电动汽车充电调度费用为302.5元，放电调度费用为31元。对比图6和图3可以发现，电动汽车放电参与调度之后，变压器的负载率由0.641降低到0.623，对变压器寿命有利。并且可发现放电行为主要集中在第12～24调度时段(即12∶00～15∶00)，此时室外温度较高，由式(7)可知空调的最小中断时间较小，即此时空调的可调度性降低，需要电动汽车放电来实现总负荷的降低。

(2)充放电次数约束的影响

如果不对电动汽车的充放电次数进行限制，得到的电动汽车补贴成本和商业大楼的电费对比如表2所示。可见如果没有充放电次数约束，电动汽车可能在一天内会频繁充放电，导致电网补贴成本增高，此时对于电网来说调度电动汽车来平抑负荷是不经济的；但从商业大楼管理者的角度来说，对电动汽车的多次调度会降低其电费，并且变压器负荷率降低。因此对于充放电次数的约束与否与约束次数的限制主要取决于两个目标函数的权重。

(3)权重系数的影响

权重系数的大小代表了在总目标函数中负荷侧利益的比重。表3为改变经济当量折算系数后的调度总成本和负荷率。由表3可以看出，经济当量折算系数越大，表明总负荷最小目标的比重越大，变压器的负荷率越小，但调度成本会变大，说明两个目标是矛盾的，在实际调度中，应根据调度者的意愿与需求适当选取经济当量折算系数。

表3 权重系数λ与负荷率的关系Tab.3 Relationship between λ and loading rate

当权重系数大于0.75时，负荷曲线与调度成本不再变化，这说明此时已经是在满足电动汽车充电要求和空调开启要求下可以实现的最小负荷率。

5 结论

随着大规模电动汽车的接入，在变压器容量还未来得及改造的背景下，变压器过载情况会越来越严重。本文通过对商业大楼中的空调负荷与电动汽车负荷进行联合调度，主要结论有：

(1)以空调为代表的温控负荷的反弹特性可以与调度电动汽车产生的充电反弹负荷进行互补调度，降低负荷。

(2)对空调的最大中断时间和最小连续开启时间进行限制，对电动汽车每天的充放电次数和离开时要达到的最小荷电状态进行限制，使得整个调度都是在保证用户满意度的基础上进行的。

(3)对空调的调度采用低电价折扣的方式，对电动汽车充电采用高电价补偿方式，电动汽车放电补偿电价中考虑电池损耗成本，以电网调度成本最低和负荷侧电费最小为目标，可以在保证变压器不过载的情况下使得补贴成本最低。

(4)在未来电池损耗成本降低之后，将电动汽车作为储能模型，调度其放电，可使得变压器负荷率进一步降低。

本文是在次日的电动汽车充电功率和室外温度已知的情况下进行优化的，但实际上电动汽车的充放电时间、需求以及环境情况会随时发生变化，在优化过程中应考虑不确定性因素的影响。针对电动汽车的不确定性优化一般有三类：①通过概率分布函数处理数据的随机规划[22，23]；②将充放电时间及各用户最终希望达到的充电量等变量作为模糊变量来描述不确定性的模糊规划[2]；③采用集合的形式对约束条件进行修改的鲁棒优化[24，25]。因此今后的研究重点应是对比分析这三类不确定性优化的优缺点并找出适合电动汽车充放电的优化模型。

[1] 张晨曦(Zhang Chenxi).电动汽车入网技术及社会综合效益研究(Analysis on electric vehicle integration technology and social comprehensive benefits)[D]. 杭州：浙江大学(Hangzhou: Zhejiang University)，2013.

[2] 丁孝华(Ding Xiaohua).智能电网与电动汽车(Smart grid and electric vehicles)[M].北京：中国电力出版社(Beijing: China Power Press)，2014.

[3] 鲍谚，姜久春，张维戈，等(Bao Yan， Jiang Jiuchun， Zhang Weige， et al.). 电动汽车移动储能系统模型及控制策略(Model and control strategy of electric vehicle mobile energy storage system)[J].电力系统自动化(Automation of Electric Power Systems)， 2012，36(22)：36-43.

[4] Zhengshuo Li，Qinglai Guo，Hongbin Sun，et al. Storage-like devices in load leveling:：Complementarity constraints and a new and exact relaxation method [J]. Applied Energy，2015，151：13-22.

[5] 刘晓，艾欣，杨俊(Liu Xiao，Ai Xin，Yang Jun).考虑未来碳排放交易的需求侧备用竞价与调度模式设计(Design of demand side reserve bid-scheduling strategy considering future carbon emission trading)[J].电力系统自动化(Automation of Electric Power Systems)，2011，35(2)：38-42.

[6] 刘晓，艾欣，彭谦(Liu Xiao，Ai Xin，Peng Qian).计及需求响应的含风电场电力系统发电与碳排放权联合优化调度(Optimal dispatch coordinating power generation with carbon emission permit for wind farms integrated with power grid considering demand side)[J].电网技术(Power System Technology)，2012，36(1)：213-218.

[7] 张谦，史乐峰，任玉珑，等(Zhang Qian， Shi Lefeng， Ren Yulong et al.).计及V2G备用服务的交易模式(The reserve trading model considering vehicle-to-grid reserve)[J].中国电机工程学报(Proceedings of the CSEE)，2012，32(31)：59-67.

[8] 阳小丹，李扬(Yang Xiaodan， Li Yang).家庭用电响应模式研究(Household electricity response mode)[J].电力系统保护与控制(Power System Protection and Control)，2014，42(12)：51-56.

[9] 周磊，李扬(Zhou Lei， Li Yang).分时电价环境下基于家居能量管理系统的家居负荷建模与优化运行(Modeling and optimal dispatch for residential load based on home energy management system under time-of-use pricing)[J].电网技术(Power System Technology)，2015，39(2)：367-374.

[10] 汤奕， 鲁针针， 宁佳，等(Tang Yi， Lu Zhenzhen， Ning Jia, et al.).基于电力需求响应的智能家电管理控制方案(Management and control scheme for intelligence appliances based on electricity demand response)[J].电力系统自动化(Automation of Electric Power Systems)，2014，38(9)：93-99.

[11] L A Hurtado，A Syed，P H Nguyen, et al. Multi-agent based electric vehicle charging method for smart grid-smart building energy management[A]. 2015 IEEE Eindhoven PowerTech[C]. 2015. 1-6.

[12] E Saberbari，H Saboori，S Saboori. Utilizing PHEVs for peak-shaving, loss reduction and voltage profile improvement via V2B mode[A]. 2014 19th Conference on Electrical Power Distribution Networks (EPDC) [C]. 2014. 59-65.

[13] Kun-Yuan Huang，Yann-Chang Huang. Integrating direct load control with interruptible load management to provide instantaneous reserves for ancillary services[J]. IEEE Transactions on Power Systems, 2004，19(3)：1626-1634.

[14] 乐小江(Le Xiaojiang). 考虑直接负荷控制的机组组合问题研究(Research on unit commitment with direct load control)[D]. 北京：华北电力大学(Beijing: North China Electric Power University)，2012.

[15] M J Rutherford，V Yousefzadeh. The impact of electric vehicle battery charging on distribution transformers [A]. 2011 Twenty-Sixth Annual IEEE Applied Power Electronics Conference and Exposition (APEC) [C]. 2011. 369-400.

[16] A Maitra，J Taylor，D Brooks, et al. Integrating plug-in- electric vehicles with the distribution system [A]. 20th International Conference on Electricity Distribution[C]. 2009. 1-5.

[17] 罗运虎，薛禹胜，Gerard Ledwich, 等(Luo Yunhu， Xue Yusheng， Gerard Ledwich, et al.).低电价与高赔偿2种可中断负荷的协调(Coordination of low price interruptible load and high compensation interruption load)[J].电力系统自动化(Automation of Electric Power Systems)，2007，31(11)：17-21.

[18] 孙波，廖强强，谢品杰, 等(Sun Bo， Liao Qiangqiang， Xie Pinjie, et al.).车电互联削峰填谷的经济成本效益分析(A cost-benefit analysis model for vehicle-to-grid peak shaving)[J].电网技术(Power System Technology)，2012，36(10)：30-34.

[19] 雷治国，张承宁，雷学国, 等(Lei Zhiguo, Zhang Chengning, Lei Xueguo, et al.).电动汽车用锂离子电池热特性和热模型研究(Research on thermal characteristics and thermal model of EVs lithium-ion battery)[J].电工电能新技术(Advanced Technology of Electrical Engineering and Energy)，2015，34(12)：59-63.

[20] 樊玮，周楠，刘念, 等(Fan Wei, Zhou Nan, Liu Nian, et al.).基于需求响应的空调分时调度模型及其收益分配(Time-sharing scheduling model of air conditioning based on demand response and profit allocation)[J].电工电能新技术(Advanced Technology of Electrical Engineering and Energy)，2016，35(8)：29-35.

[21] 曾以雄(Zeng Yixiong).变压器运行效率与最佳运行效率的计算(Calculation of operating efficiency and optimal operating efficiency of transformer)[J].建筑电气(Building Electricity)，2014，(1):14-18.

[22] 赵俊华，文福拴，薛禹胜, 等(Zhao Junhua，Wen Fushuan， Xue Yusheng, et al.).计及电动汽车和风电出力不确定性的随机经济调度(Power system stochastic economic dispatch considering uncertain outputs from plug-in electric vehicles and wind generators)[J].电力系统自动化(Automation of Electric Power Systems)，2010，34(20)：22-29.

[23] 田立亭，史双龙，贾卓(Tian Liting，Shi Shuanglong， Jia Zhuo).电动汽车充电功率需求的统计学建模方法(A statistical model for charging power demand of electric vehicles)[J].电网技术(Power System Technology)，2010，34(11)：126-130.

[24] 彭春华，谢鹏，黄戡(Peng Chunhua，Xie Peng，Huang Kan).计及入网电动汽车不确定性的电网鲁棒优化调度(Power grid robust optimized dispatch considering vehicle-to-grid uncertainty)[J].华东电力(East China Electric Power)，2014，42(10)：2022-2027.

[25] 梅生伟，郭文涛，王莹莹, 等(Mei Shengwei， Guo Wentao，Wang Yingying, et al.).一类电力系统鲁棒优化问题的博弈模型及应用实例(A game model for robust optimization of power systems and its application)[J].中国电机工程学报(Proceedings of the CSEE)，2013，33(19)：47-56.

Joint optimal dispatch of electric vehicles and thermostatically-controlled loads in commercial buildings

QI Xiao-lin1, AI Xin1, TANG Liang2, LUO Geng-yu2

(1. State Key Laboratory of Alternate Electrical Power System with Renewable Energy Sources, North China Electric Power University, Beijing 102206, China; 2． State Grid Anhui Electric Power Company, Hefei 230022, China)

With the increasing number of electric vehicles (EV), disordered charging will result in a new peak load to the grid, thus leads to the overload of local transformers. Due to large number of EVs access to the grid while distribution network is not in time to upgrade, this paper scheduled the thermostatically-controlled loads and EVs cooperatively considering the rebound characteristics and schedulability of thermostatically-controlled loads, with the Vehicle-to-Building (V2B) as technology support. The power grid provided discount price for thermostatically-controlled loads and compensation for EVs due to its battery loses. Under the constraint conditions of comfort room temperature, and charging and discharging times of EV and transformer capacity, this paper established the optimum aim of minimum of the grid’s dispatching cost and minimum of the electricity fees of total loads. Results show that the thermostatically-controlled loads and EVs has complementary characteristics and joint scheduling of both can achieve the purpose of transformer not overloaded while achieving the minimal dispatching cost.

vehicle-to-building (V2B); electrical vehicle; thermostatically-controlled load; load rebound characteristics; demand response

2016-05-05

国家高技术研究发展计划(863计划)项目(2015AA050102)、 国家自然科学基金项目(513111122)

齐晓琳(1992-)， 女， 河北籍， 硕士研究生， 研究方向为新能源电力系统及需求响应； 艾 欣(1964-)， 男， 辽宁籍， 教授， 博导， 博士， 研究方向为新能源电力系统及微网。

TM721

A

1003-3076(2017)04-0051-08