考虑用户需求差异的源-车-储微电网优化调度方法

2020-12-09

浙江电力 2020年11期

（广东电网有限责任公司清远供电局，广东清远 511500）

0 引言

随着社会和经济的高速发展，大量化石能源的使用导致环境污染、资源短缺等问题愈发严重。在这种背景下，可再生能源发电技术和EV（电动汽车）受到广泛的关注和发展。EV 因其环保、节能等优势得到了各国政府的大量支持[1-3]。EV 电池技术的发展使得EV 成本不断下降，普及率得到了较大提升。然而，大量EV 并网给电网行业带来了新的挑战。

微电网技术是集分布式电源、负荷及相关控制器于一体的小型发配电系统，是解决大量分布式电源并网问题的有效方法之一。微电网能独立控制网内电源和负荷，构成一个相对主网而言的功率可控单元。微电网技术也是解决EV 并网问题的有效途径。目前，已有大量学者针对微电网优化调度问题从不同角度开展了研究，主要从经济性、环保性、可靠性等性能指标方面构建目标函数，综合考虑技术性的约束，建立微电网调度模型[4-8]。文献[6]以提高微电网经济效益为目标，通过控制储能单元的运行方式进行优化调度；文献[7]构建经济性和环保性的目标函数，控制柴油发电机和储能系统的功率，采用NSGA-Ⅱ算法求解微电网多目标优化调度问题。有学者从环保、节能方面研究微电网调度问题，文献[8]建立了计及污染物排放量的微电网多目标优化调度模型，通过实例仿真验证该模型不仅减少了运行费用和污染物排放量，而且提高了微电网的环保性。

上述文献在不同程度上研究了微电网优化调度问题，但关于EV 与微电网协同优化调度的研究有待深入。在含EV 的微电网优化调度研究中，以不同的EV 并网模型进行划分，主要有EV 充换电站模型、EV 群模型及单一EV 模型。考虑不同的EV 并网模型，研究的微电网调度优化效果也不同，具体以实际工程需求为准[9-13]。如文献[10]针对EV 充换储一体化电站，构建基于Stackelberg 博弈微电网双层优化调度模型，有效提高了微电网的经济性，充分利用了EV 的响应能力；文献[11]以EV 群为单位建立微电网多目标分级优化调度模型，降低了微电网运行成本，提高了可再生能源利用率；文献[12]研究含EV 的家庭微电网能量调度问题，建立了计及不确定性的单台EV 响应模型，并提出全局在线优化的微电网调度方法。有学者通过刻画EV 的V2G 响应边界模型来研究微电网源-车协同优化调度[13]。虽然已有学者在不同方面研究了含EV 的微电网优化调度问题，但上述文献中并未考虑EV 用户的需求差异性，对EV 并网方式的选择上未作分析和建模。

综上所述，本文提出一种考虑用户需求差异的源-车-储微电网优化调度方法。首先，分析不同EV 用户的需求特性，建立不同类型EV 群响应边界模型。从技术性和经济性方面考虑微电网的运行约束，构建源-车-储微电网优化调度模型。通过分段线性化将非线性优化模型转化为混合整数线性规划问题，利用YALMIP/GUROBI 求解优化模型。最后，以某微电网为实例，对所提模型的有效性进行仿真验证。

1 源-车-储微电网结构

微电网是解决分布式电源和EV 并网问题的有效方法之一。集成EV、分布式电源及负荷的微电网结构如图1 所示。微电网的可再生能源发电系统由光伏发电系统和风力发电机组构成，储能系统为蓄电池组，除了网内普通负荷，还有EV充电站的特殊负荷。微电网能量管理调度系统根据收集到的4 个部分特征信息，合理安排各部分的运行方式，以实现经济、可靠的微电网最佳运行方式。

图1 源-车-储微电网结构

2 考虑用户需求差异的EV 群响应边界模型

2.1 EV 用户分类

微电网运营商可以通过提供激励条款来提高EV 用户的响应程度，但用户是高度自主的个体，最终选择何种EV 充能方式还是取决于其个人的意愿和实际需求。EV 并网状态共有充电和放电两种方式，不同的用户行为将生成不同的EV 充能方式。本文根据用户的需求差异性，将EV 的响应类型分为刚性EV、弹性EV 和灵活EV。

（1）刚性EV 模型（第1 类）。该类型EV 用户选择即插即用，用户不参与微电网调度或EV 实际情况不满足调度的要求（充电周期过短），属于无序充电范畴。通过普通用电负荷模型对其进行描述，以额定充电功率为用户EV 充能，表达式为：

（2）弹性EV 模型（第2 类）。该类EV 用户的充电方式受微电网调度，在满足用户出行的电能需求前提下，允许运营商改变其充电时段，属于有序充电范畴。弹性EV 的充电功率表示为：

（3）灵活EV 模型（第3 类）。该类EV 用户在并网期间接受微电网调度，在满足用户出行的电能需求前提下，允许运营商改变其并网状态，不仅可以改变充电方式，而且支持对电网放电。灵活EV 的充放电功率表示为：

2.2 EV 集群响应边界模型

以EV 群为单位的变量有利于提高优化模型的求解效率。根据2.1 节所提的EV 分类方式，本文参考文献[13]和文献[14]所提的V2G 响应模型，构建不同EV 用户类型的响应模型。EV 并网后以额定功率进行充放电或最长延迟充放电，经计算可得EV 响应容量和响应功率的上、下边界，具体如图2 所示。

图2 EV 响应边界模型

用户在并网前需要上传EV 参数、出行计划以及充能方式（如并网时刻、出行需求电量、离网时刻），微电网能量控制系统根据用户信息和实际情况对EV 进行分类，整合不同EV 群的响应模型。任一类型EV 群的响应容量和响应功率表达式为：

式中： Eev，n（t）为第n 类用户EV 群在t 时段的响应容量；为第n 类用户的第k 辆EV 响应容量；分别为第n 类用户EV 群在t时段的充、放电功率；Kn为第n 类EV 的集合。需要注意的是，文中所述第n 种EV 的具体含义为：刚性EV 为1，弹性EV 为2，灵活EV 为3。

对于任一种类型EV 群的响应容量边界模型可以写为：

EV 群的响应功率表达式为：

由此，微电网能量管理系统根据划分好的EV 群响应模型，结合分布式电源和负荷的功率情况进行优化调度。

3 源-车-储微电网优化调度模型

微电网可以通过控制储能系统和EV 的充放电方式来实现削峰填谷，优化电源和负荷之间的不平衡功率。本文从经济性方面构建目标函数来优化微电网调度模型。

3.1 目标函数

微电网优化调度的目标是最小化调度成本函数。该函数由电能交互成本CEX、储能系统调度成本CESS以及EV 调度成本CEV构成，总表达式为：

（1）电能交互成本。为微电网与配电网进行电能交换时产生的费用，由微电网的购电成本和售电收益组成，计算式为：

式中： Ppur（t），Psel分别为微电网在t 时段的购电功率和售电功率；cpur，t，csel，t分别为t 时段的购电电价和售电电价；T 为微电网的调度周期。

（2）储能系统调度成本。储能设备频繁地充放电操作时将降低设备寿命，产生储能系统损耗成本。本文参考总吞吐量法来构建储能系统调度成本[15-16]，具体表达式为：

（3）EV 调度成本。微电网调用EV 群需要向用户支付一定的经济补偿，针对弹性EV 群和灵活EV 群的充放电响应，充电响应采用优惠电价的方式进行补偿，放电响应则采用一定比例的售电价格进行补偿。具体表达式如下：

式中： CEV_ch，CEV_dis分别为EV 充电响应和放电响应的补偿成本；α 为微电网对EV 充电响应的补偿系数；β 为微电网对EV 放电响应的补偿系数。

3.2 约束条件

3.2.1 微电网功率平衡约束

微电网实时运行过程中需要满足有功功率的平衡关系，包含源荷不平衡功率Pun、储能系统充放电功率PESS、EV 群充放电功率PEV及微电网购售电功率Ppur，Psel。

式中： PWT（t），PPV（t）分别为风电机组和光伏阵列在t 时段的发电功率；PL（t）为微电网在t 时段的负荷功率；PESS（t），PEV（t）分别为储能系统和EV群在t 时段的充放电功率。

3.2.2 储能运行约束

本文的储能系统采用蓄电池组，蓄电池组的充放电功率和蓄电容量的约束有利于提高储能系统的使用年限，降低运行成本。储能系统运行约束的具体表达式如下：

3.2.3 EV 群响应约束

EV 群的运行受到响应边界模型约束，分别是响应容量约束和响应功率约束。响应容量约束由能量守恒和容量边界构成，该约束具体的表达式为：

EV 群的响应功率约束则由功率边界组成，具体表达式为：

3.2.4 联络线功率约束

为了防止微电网与主网之间大量功率交互而影响系统安全运行和电能质量，需对联络线功率进行约束，表达式为：

3.2.5 源荷不平衡功率波动率约束

电源功率和负荷功率的差额为源荷不平衡功率。为防止源荷不平衡功率波动过大而影响微电网和主网的运行稳定性[17]，本文通过源荷不平衡功率波动率指标进行约束，具体表达式为：

其中：

式中： Pun2（t）为微电网调度后的源荷不平衡功率；εlim为最大允许的波动率；为调度前的源荷不平衡功率平均值。

4 模型求解

4.1 模型线性化处理

由于微电网调度成本函数中储能系统调度成本计算存在非线性部分，增加了优化模型的求解复杂性，故本文将损耗成本函数进行分段线性化，以便于计算，将式（9）变形为：

采用积分方式计算损耗系数函数fess（Soc（t）），并通过分段线性化处理后得到分段线性的累积函数Flinear（Soc（t）），将其代入式（21）有：

由于式（22）含有非线性的绝对值表达，故需要线性化该等式[18]，同时分段线性化将产生相关约束，具体表达式如下：

由此，微电网调度的非线性优化问题转化为MILP（混合整数线性规划）问题，可直接采用求解器GUROBI 计算。

4.2 求解流程

本文所提的源-车-储微电网优化调度模型是一个MILP 问题，其中涉及到多个计算过程，有EV 用户的分类及其边界模型的建立，还有微电网调度模型的计算。具体流程如下：

（1）输入微电网数据及其参数初始化，包括微电网、负荷功率、光照强度、风速及温度等数据。生成微电网初始数据，如分布式电源输出功率。

（2）收集EV 用户信息，包括用户车辆参数、充能方案及出行计划等。

（3）微电网能量管理系统根据用户信息进行EV 分类，并生成对应的响应边界模型、集总数据。

（4）整合电源、负荷及EV 群信息，通过求解器GUROBI 计算源-车-储微电网优化调度问题。

（5）输出微电网的最优调度计划。

5 算例仿真与分析

5.1 算例概述

本文以广东省某市微电网项目作为验证算例，选取一典型日仿真。微电网内光伏发电系统容量为600 kW，风力发电机组容量为650 kW。分布式电源发电功率和负荷功率如图3 所示。分时电价的数据见表1。微电网内含有300 辆EV，单台EV 容量为24 kWh，额定充、放电功率为3 kW，补偿系数α 和β 分别为0.2 和1。微电网调度周期为24 h，仿真计算步长为1 h。储能系统容量为650 kW，初始荷电状态为0.6，运行范围为[0.2，0.95]，充、放电效率分别为90%和85%；源荷不平衡功率的最大允许波动率为15%。

图3 电源功率和负荷功率

表1 分时电价数据

5.2 结果分析

为了考虑用户需求差异性对源-车-储微电网优化调度影响，本文将300 辆EV 分为刚性EV群100 辆、弹性EV 群100 辆、灵活EV 群100辆，根据第2 节所提的EV 群响应边界模型，可以计算得出第2 类和第3 类EV 群的响应容量边界模型，如图4 所示。

图4 EV 群响应容量的边界模型

由图4 可以看出，EV 在下午时段接入微电网的数量较多，在凌晨00:00 时响应容量达到峰值，而在次日06:00 时离网数量开始增加。可见EV 群的调度时段集中在下午至凌晨时段。相比弹性EV 群，灵活EV 群的响应容量下界更小，具有更大幅度的响应容量，这是因为灵活EV 群支持双向充放电功能，弹性EV 群仅在充电行为上接受调度，故灵活EV 群的响应效果优于弹性EV 群。

EV 群充放电功率如图5 所示。源-车-储微电网的最大源荷不平衡功率波动率为12%，调度总成本为3 759 元，其中电能交互成本为2 072元，储能系统调度成本为957 元，EV 调度成本为729 元。可见EV 群的调度成本较低，且可调特性强于储能系统。增大EV 群的响应容量有利于微电网的运行稳定性和调度经济性。需要说明，本节各功率图中充电功率和负荷功率以负值表示，而电源功率和放电功率为正值。

图5 微电网EV 群充放电功率

由图5 可知，微电网可调度的EV 群起到了削峰填谷的作用。在微电网严重缺少电源功率时，EV 群减少充电功率并增加了放电功率；在微电网电源功率相对富余时，EV 群增加了充电功率来满足负荷的充电需求。微电网的负荷功率在电价尖峰时刻（18:00）开始出现峰值，随后EV群转移了部分充电功率，并进行适当放电操作，有效减小了源荷不平衡功率的波动，提高了微电网运行的稳定性。

微电网运行情况如图6 所示。对比图5 的源荷不平衡功率，图6 中计及EV 群的源荷不平衡功率曲线更为平缓，有利于提高微电网的运行稳定性。储能系统选择在电价尖峰时刻放电，而在电价低谷期充电，降低了微电网的购电成本。同时，储能系统的充放电行为具有削峰填谷的作用，在用电高峰放电，而在用电低谷时充电。在电能交互方面，微电网售电功率基本为0，这是因为微电网内部电源无法全天满足负荷的用电需求。购电功率根据不平衡功率进行匹配，微电网通过在电价低谷时段购买更多电能来提高自身的经济性。

图6 微电网运行情况

综上所述，源-车-储微电网的优化调度结果表明EV 群和储能系统均起到了削峰填谷的作用，有效提高了微电网运行的经济性和稳定性。

5.3 模型对比分析

为了验证本文所提模型的实用性，设置三种场景进行对比分析，考量用户需求差异性对微电网优化调度的影响程度。场景Ⅰ，未考虑用户需求差异的源-车-储微电网（即EV 均为刚性EV群）；场景Ⅱ，考虑用户弹性充电需求的源-车-储微电网（即100 辆刚性EV 群和200 辆弹性EV 群）；场景Ⅲ，充分考虑用户需求差异的源-车-储微电网（即刚性EV 群、弹性EV 群和灵活EV 群各100辆）。场景Ⅰ和场景Ⅱ的微电网运行情况如图7、图8 所示，三种场景的调度结果如表2 所示。

由图7 可知，当EV 群均为刚性需求时，计及EV 的源荷不平衡功率值增大，微电网在下午和晚上时段的功率波动幅度较大，这不利于微电网系统的运行稳定性。由于EV 群没有可响应容量，故需要储能系统增加充放电次数及其功率，以提高微电网运行的经济性。同样的，储能系统起到了削峰填谷的作用。

由图8 可知，场景Ⅱ考虑了用户弹性充电行为后，微电网的不平衡功率曲线比场景Ⅰ（图7）更平缓些，但由于缺少灵活EV 群用户，其不平衡功率波动仍较大。场景Ⅱ储能系统充放电次数较场景Ⅰ更少，这是因为微电网有弹性EV 群的响应容量。

图7 场景Ⅰ微电网运行情况

图8 场景Ⅱ微电网运行情况

表2 不同场景的源-车-储微电网优化调度结果

由表2 可知，场景Ⅰ未考虑用户需求差异的源-车-储微电网表现最差，在技术性和经济性方面，场景Ⅰ的性能均低于场景Ⅱ和场景Ⅲ。由于场景Ⅱ微电网有弹性EV 群响应容量进行调度，节约了电能交互成本和储能调度成本，提高了经济性。场景Ⅱ的最大源荷不平衡功率波动率较场景Ⅰ降低了20.58%，微电网的运行稳定性得到提高。场景Ⅲ的微电网在经济性和技术性上均优于场景Ⅰ和场景Ⅱ，更多类EV 群和更大响应容量使得微电网运行的经济性和技术性均为最优，其中最大源荷不平衡功率波动率仅为12%，可见考虑用户需求差异性的微电网运行稳定性更强。场景Ⅲ的电能交互成本最小，表明该微电网系统对外网的依赖性更小，供电可靠性更高。通过场景Ⅲ和场景Ⅱ对比可知，灵活EV 群的响应效果较弹性EV 群的更好。此外，场景Ⅲ的EV 用户拥有更多并网方式的选择，符合工程实际情况。

综上所述，本文所提考虑用户需求差异的源-车-储微电网模型的经济性和技术性更优，并且充分考虑到EV 用户需求差异性，符合实际工程情况。

5.4 孤岛运行分析

微电网支持并网运行和孤岛运行两种模式，正常情况下微电网以并网运行为主。当主网发生故障时，为了保障微电网的可靠运行，采用孤岛运行模式。在孤岛运行模式中，微电网接入400 kW 柴油发电机作为备用电源来实现网内功率平衡。为了研究孤岛模式下源-车-荷微电网模型效果，设置并网和孤岛两种情景进行对比分析。在孤岛运行下，微电网的总调度成本需计及柴油发电机的发电成本CDE，具体表达式如下[19]：

式中： PDE（t）为柴油发电机的输出功率；cfuel为燃料的单位价格，取6 元/L；ζDE为柴油发电机的油耗系数，取0.3 L/kWh。本文所提模型的微电网孤岛运行情况如图9 所示，两种情景的对比结果如表3 所示。

图9 微电网孤岛运行情况

表3 不同情景的微电网调度结果元

由图9 可知，当微电网孤岛运行时，由于网内可再生能源发电功率不足，需要柴油发电机增加出力，保障微电网的供电可靠性。蓄电池组在系统电源功率充裕时充电，在系统电源功率不足时放电，起到削峰填谷的作用。由源荷不平衡功率曲线可知，计及EV 群响应的源荷不平衡功率变化更平缓，尤其在次日05:00 时较大地降低了源荷不平衡功率的波动，有利于保障微电网孤岛运行的稳定性。

由表3 可知，源-车-储微电网在孤岛模式下的总调度成本远大于并网模式，主要是因为柴油发电机发电成本和电能交互成本的差异较大，电能交互所需的成本远小于柴油发电机发电成本，故孤岛模式的微电网经济性较差。但孤岛模式的微电网不依赖主网运行，具有高供电可靠性[20-28]。在储能和EV 群的调度成本方面，二者的差异性较小。综上所述，源-车-储微电网能在孤岛模式下稳定、可靠地运行，但经济性会有所降低。