电动汽车接入微网优化调度模型建立及其算例*

2021-01-22金商鹤王育飞时珊珊王皓靖

电子技术应用 2021年1期

金商鹤，张宇，，王育飞，时珊珊，王皓靖

(1.上海电力大学电气工程学院，上海 200090；2.国网上海市电力公司电力科学研究院，上海 200437)

0 引言

近年来微网和电动汽车发展突飞猛进，风、光出力波动性和电动汽车接入电网无序充电问题亟待解决[1]。为此国内外学者构想将电动汽车与微网协调运行，以缓解两者单独接入电网的不利影响，促进两者的应用和发展[2-5]。在微电网中连接电动汽车进行储能时，可以有效避免发生间歇性新能源出力的情况，现阶段已有许多学者研究了将电动汽车与微网进行连接时的优化调度技术。例如，文献[6]-[8]设计了一种对含有电动汽车的微网系统进行多目标调度的分析模型，结果发现采取有序充放电的方式可以获得比无序充电入网方式更高的经济性；文献[8]报道了由电动汽车构成的光、风、储能微电网调度模型，通过引入更加协调的运行模式能够有效减小系统的运行成本并降低电动汽车运行费用；文献[9]同时分析了微网发电成本及其对环境造成的影响，对分布式电源的出力状况进行了动态分析，因此能够实现在低发电成本的条件下获得更优的环境效益；文献[10]根据微网内存在的不确定因素设计得到了具有良好鲁棒性的经济调度模型，并达到了较低的电动车损耗，同时满足鲁棒性与经济性要求。现有文献多通过直接负荷控制的方式满足实施方需求，其对电动汽车特殊性的考虑不够充分，较少关注单辆电动汽车参与激励型需求响应项目后的实际响应效果[11-14]。文献[15]-[16]以负荷峰值削减为目标，制定有序的电动汽车充电策略，该类方法通常缺少对电动汽车参与响应的效果评估，忽略用户侧需求[17]。上述文献较少考虑电动汽车车主响应意愿，单方面认为入网的电动汽车皆可参与充放电调度；其次，优化调度通常直接针对单辆电动汽车，电动汽车数量较多时容易引发“维数灾”问题。

本文从电动汽车用户响应意愿角度出发，建立两阶段优化调度模型，两阶段优化方法的决策变量数显著减少，有利于大量电动汽车充放电优化问题的快速求解。

1 两阶段优化调度模型建立

1.1 日前集群调度模型

1.1.1 目标函数

日前集群调度以风光利用率最大为目标：

式中，pw，t、ppv，t、pwv，t分别为微网在t时段的风电、光伏出力预测值以及风光利用功率，pload，t为 t时段微网基本负荷，PEV，t为 t时段电动汽车总的充放电功率，pB，t为 t时段微网中储能电池的充放电功率。

1.1.2 约束条件

(1)功率平衡约束

微网为维持功率平衡，在t时段的购电量qt为：

(2)电动汽车集群充放电功率约束

式中，pcmax，l、pdmax，l为电动汽车的充、放电功率上限。

(3)储能电池约束

储能电池的安全运行需考虑荷电状态SB约束，且其充放电功率pB，t受其最大充放电功率约束，故有：

式中，SB，max、SB，min分别为储能电池荷电状态上、下限，pB，cmax、pB，dmax分别为储能电池充、放电功率最大值，ηB，c、ηB，d分别为储能电池的充、放电效率，CB为储能电池容量。

从安全性和可持续性角度出发，储能电池在整个调度周期的充放电电量需维持平衡。

1.2 日内实时调度模型

1.2.1 目标函数

计及风电、光伏出力预测误差，结合电动汽车分类，日内实时调度以与日前集群调度结果偏差最小为目标：

1.2.2 约束条件

(1)功率约束

式中，Nt1、Nt2和Nt3分别为恒功率充电、响应充电和响应充放电的电动汽车数量。

(2)荷电状态约束

式中，ηl，c、ηl，d分别为电动汽车 l的充、放电效率。

(3)出行需求约束

电动汽车l接入微网的持续时间为：Tcon，l=Tout，l-Tin，l，Tcon，l包含的时间段集合为，则电动汽车在离开时要满足期望电量要求：

式中，S0，l为电动汽车l接入微电网的初始荷电状态。

1.3 两阶段优化调度流程图

电动汽车分类接入微网两阶段优化调度流程如图1所示。

本文在MATLAB环境下应用Yalmip工具箱调用Gurobi求解器方法，先后对两阶段优化调度模型进行求解。

2 算例分析

2.1 基本参数

图1 两阶段优化调度流程图

将一天分为96个时段，调度间隔15 min。有100辆电动汽车接入微网充电，电动汽车容量统一为25 kW·h，充、放电功率上限为 3.6 kW，充、放电效率分别为0.95、0.9，荷电状态上、下限分别为 1、0.2，由电动汽车功率需求模型随机生成电动汽车充电需求信息，假设I类、II类和III类电动汽车分别占比20%、30%和50%。假设风光出力预测误差服从正态分布，预测误差方差为0.2。日前微网源荷信息如图2所示，包括微网中的基本负荷、日前风电和光伏出力预测，以及电动汽车各时段的无序充电需求。

图2 日前微网源荷信息

2.2 结果分析

2.2.1 电动汽车日前集群调度与日内实时调度

电动汽车日前集群调度和日内实时调度计划如图3所示。由图3可知，日前集群调度和日内实时调度当日电动汽车充放电计划不完全重合，但两条曲线整体趋势近似一致，在风电过剩的0时～7时，电动汽车选择充电响应；在风、光出力不足的17时～23时，电动汽车选择放电响应。

2.2.2 3类单辆电动汽车充放电计划

叶舒宪指出：“原型是人类长期的心理积淀中未被直接感知到的集体无意识的呈现，因而是作为潜在的无意识进入创作过程的。但它们又必须得到外化，最终呈现一种‘原始意象’，在远古的时候表现为神话形象，然后再不同时期通过艺术在无意识中激活转变为艺术形象。”[2]神话原型中出现了最初的意象，后世作品多会受它影响。这就意味着作者对红铜色月亮情境的设置并不是独创的，只不过是对先前意识的一种借鉴。是作者吸收了前人的经验，再结合自身心理感知，对的二次艺术构思。

图3 电动汽车日前集群调度和日内实时调度计划

随机抽取I、II、III类电动汽车各一辆，其充放电计划如图4所示。由图可知，当日行程结束接入微网后，I类电动汽车直接以最大功率充电，II类电动汽车选择在风光出力充足时段充电，III类电动汽车在当日行程结束入网的一段时间内优先放电响应，这是因为该段时间内风光出力不足，III类电动汽车为满足微网基本负荷和部分电动汽车充电负荷的电量需求向微网反向供电，24时后风光出力先后逐渐盈余，电动汽车按实时调度计划充满电量。

图4 3类单辆电动汽车充放电计划

2.2.3 电动汽车无序充电与两阶段调度对比

用微网内负荷与风光出力的差值α衡量微网源荷供需平衡情况。α=0表示微网内风光出力与各类负荷供需平衡；α＜0表示风光出力过剩；α＞0表示微网供电不足。电动汽车无序充电与两阶段调度方式下α值变化如图5所示。可以看出，与无序充电相比，对电动汽车进行两阶段调度的微网，在负荷峰、谷时段的α值都有明显减小，且基本维持在120 kW以内，即此时的储能单元基本能满足微网运行需求。

图5 两种方式下α值变化对比

表1 电动汽车无序充电与两阶段优化调度结果对比

电动汽车无序充电与两阶段优化调度结果对比如表1所示。由表可得，对电动汽车实施两阶段优化调度的微网风光利用率高达95.43%，与无序充电方式对比，风光利用率提高了15.22%；无序充电时，微网从大电网的购电量是两阶段调度的近13倍，两阶段优化调度策略的购电量仅为95.9 kW·h，说明对风光出力的高效利用基本能满足微网基本负荷和电动汽车的电量需求，使得微网购电成本显著降低。电动汽车无序充电时，微网α最大值为273.9 kW，而储能单元的放电功率上限为120 kW，两阶段优化调度方式下联络线交换功率仅为24.2 kW，则显著减小了微网风光出力波动对大电网的影响。

综上，电动汽车分类接入微网的两阶段优化调度策略可以显著提高风光利用率，降低微网购电量，改善微网功率波动对大电网的影响。

2.2.4 响应充放电调度比例灵敏度分析

由图1可知，微网给予电动汽车用户的激励程度不同时，II类和III类的电动汽车占比会相应变化，电动汽车分类接入微网两阶段优化调度后的风光利用率也会有所区别，故此对响应充放电调度比例灵敏度分析如图6所示。

由图6可以看出，随着III类电动汽车占比的逐渐增加，微网的风光利用率呈明显的上升趋势，且III类电动汽车占比在0～50%的风光利用率上升曲线陡峭，占比50%后的上升趋势明显减缓。这是因为I类电动汽车对激励不敏感，该部分调度容量不能高效利用，III类电动汽车占比在50%之后，其对风光利用率的调节能力逐渐逼近上限。但通过增大III类电动汽车占比来提高风光利用率也会相应增加微网运行的激励支出，故此微网运营商应根据实际的电动汽车的入网规模，合理优化设置相应的激励形式和激励水平。