含电动汽车参与的微电网调度策略研究

唐菁敏，王杰，刘思淼

含电动汽车参与的微电网调度策略研究

唐菁敏，王杰，刘思淼

（昆明理工大学 信息工程与自动化学院，云南 昆明 650500）

大量电动汽车入网无序充电会给电网稳定性和可靠性造成不利影响。考虑到电动汽车充放电，以及蓄电池损耗成本和峰谷电价对微电网运行产生的影响，建立以微电网运行成本和环境保护成本最小化为目标的微电网调度模型。应用基于差分进化的改进多目标免疫算法对模型进行优化。通过算例仿真，对比分析在微电网环境下电动汽车无序和有序的调度模式，证明了电动汽车的有序充放电对微电网的经济效益和环境保护效益有积极的作用，验证了基于差分进化的改进多目标免疫算法在调度优化上的有效性。

有序充电；峰谷电价；微电网；多目标优化

0 引言

随着社会环保意识和能源安全意识的提高，人们逐渐认识到传统电网的固有缺陷。智能微电网技术为各国建设绿色、安全、可持续的供电系统提供了创新性解决方案。微电网中可再生能源出力的不确定性，可能会影响大电网的稳定性[1]。为了推动智能电网的发展和应用，更应该对微电网的优化调度做更多的研究。未来电动汽车大量并网对电网产生不利影响，使其参与微电网的运行调度，与可再生能源协调运行，在一定程度上可缓解电网的压力[2]。

文献[3]建立以储能系统寿命最长为目标的优化调度模型，运用粒子群算法优化系统机组和储能的出力，但是并没有进一步利用电动汽车集群提高微电网运行的水平。文献[4]考虑到微电网整体效益和环境代价，建立了含电动汽车的微电网经济调度模型，结果证明了电动汽车集群参与微电网调度能够减少运行成本，但是忽略了储能系统损耗成本对微电网的影响。文献[5]建立微电网为主侧，电动汽车为从侧的博弈模型，通过分时电价和碳排放配额的双重激励政策来引导电动汽车的充放电，使双方的利益更高。文献[6]考虑电动汽车的出行特性和风光等可再生能源出力的间歇性，运用动态电价来激励更多的用户参与微电网调度，实现微电网中分布式电源和电动汽车的协调控制，但是目标函数中没有考虑到环境效益。文献[7]分析了电动汽车参与需求的比例对微电网经济和环保运行的影响。文献[8]建立电动汽车对电价的响应模型，证明分时电价下电动汽车有序充放电策略能有效减小微电网运行成本，但没有充分考虑用户的响应度。文献[9]考虑到电动汽车的充电需求，分析电动汽车在家庭充电桩和公共充电站的智能充电优化方法，但是未考虑电动汽车放电。文献[10]考虑用户、微电网的成本以及EV的调度费用，建立了含EV的微电网经济调度模型。

针对上述研究中的不足，本文综合考虑了储能和车联网（vehicle-to-grid，V2G）损耗成本对微电网运行调度的影响，重新建立微电网优化调度模型，通过对柴油机、微型涡轮机出力、储能系统充放电功率及与配电网交互功率进行协同优化，降低微电网运行成本和环境保护成本。应用差分进化策略和自适应变异算子对免疫算法进行改进，验证了所提调度策略的有效性。

1 系统模型

1.1 分布式发电模型

在本文研究的系统模型中，微电网主要由WT（风机）、PV（光伏发电装置）、MT（微型涡轮）、DE（柴油机）、储能装置和其他常规负荷组成。

（1）电池充放电功率

蓄电池作为微电网运行必不可少的部分，当其参与到系统调度时，蓄电池的充放电状态极大影响系统的运行[11]。因此，其充放电模型如下：

式中：()为时刻电池的电量情况；(–1)为–1时刻蓄电池剩余电量；为电池的自放电系数；c为电池的充电效率；bat为电池容量；Δ为电池持续时间；d为电池放电效率。

（2）电动汽车模型

私家车具有很大的随机性。然而研究表明，电动汽车的使用习惯遵循正态分布。因为私家车更具有普遍性，所以本文针对装有铅酸电池的私家车进行了研究。该类电池的容量是30 kW·h，充放电效率均为0.9。电动汽车的充电行为可用如下模型[8]表示：

式中：为车主日行程结束时刻；s为开始充电时刻的标准差；s为开始充电时间的期望值。根据相关研究，s=3.4，s=17.6。

电动汽车的日行驶里程服从对数正态分布，概率密度函数为：

式中：为1天内行驶的公里数；d为标准差；p为期望值，d=3.2，p=0.88。

1.2 目标函数

在含电动汽车的微电网环境下，在微电网运行的过程中，不仅要考虑到微电网公司收益，还要考虑到微电网运行对环境造成的影响。基于此，本文以微电网的运行成本和环境保护为目标函数，建立考虑电动汽车影响的微电网调度模型，并考虑了电池和电动汽车损失的成本，得到微电网运行成本和环境补偿成本的计算方法如下：

目前要求企业在进行生产的时候不能以破坏环境为代价，在获得收益的同时，也必须考虑到环境保护的效益。因此，微电网的经济调度目标为式（4），包括微电网的成本1和环境补偿成本2两个部分。

微电网的成本1由式（5）表示，主要包括以下几个部分：发电的燃料费fuel、设备维护费用in、买电费用buy和卖电的收益sell、电动汽车损耗成本费用补偿b。

式（6）表示环境补偿成本2，包括柴油机和燃气轮机化石能源燃烧的环境补偿成本和主电网化石能源燃烧的环境补偿成本。式（6）中：为该设备产生污染物的类型；为包含总的污染物的种类，如二氧化碳、二氧化硫、氮氧化物都是设备运行会产生的污染物；DE,h、MT,h为柴油机和微型涡轮机的型污染物的补偿费用；buy,h为主要网络污染物的补偿费。

微电网中柴油机和微型涡轮机的运转发电需要燃料来提供动能，所以购买燃料的费用fuel由式（7）表示，DE和MT分别表示柴油机和微型涡轮机所需的燃料费用。

微网中各个发电的设备在工作一段时间后，都需要进行故障检测和维护，避免影响后续的发电工作，其运营和维护费用如式（8）所述[12]。式中：in,i为设备维护的系数；P()为发电机的输出功率。

式（9）表示微电网购电和售电的费用，因为微电网运行中功率输出具有不确定性，在微电网与大电网之间存在电量交易[13]。

式（9）中：buy()为微电网购电的成本；sell()为时刻微电网售电的收益；()为时刻的电价。

1.3 约束条件

（1）供需平衡制约

微电网的发电量要能满足接入负荷的用电需求。

（2）分布式发电功率限制

为了不损坏发电设备，延长各个发电设备的使用寿命，对输出功率进行设置，满足以下条件：

（3）电网中的电力交换约束

微网并网时，对主网的供电应满足联络线的上下限，使其能合理交换电能。

（4）EV充放电过程中的功率限制

董喜阳，1986年生于吉林九台。文学硕士。诗人、作家，兼事文学、美术评论。鲁迅文学院第三十四届中青年作家高级研讨班（青年作家班）学员。中国作协会员。作品散见于《诗刊》《人民日报》《大家》《诗选刊》等刊物。现居长春。

EV在参与V2G技术时，有充电和放电两种模式，充放电时，功率应满足上下限。

（5）电荷状态限制

在微电网中，电池与电动汽车电池进行电能交换时，电池的最大电量和最小电量存在临界值，使电池使用的时间更长。

2 基于改进免疫算法的微电网优化调度策略

本文建立的模型是含有多变量和多约束优化的问题。多目标免疫算法（MOIA）的优越性能一直被用在解决各种优化问题上。然而，现有的MOIA仍然难以获得高质量的结果。为了找到一组接近Pareto最优前沿解[13]，提出了差分免疫算法DE-MOIA，使用两种差分进化策略和自适应变异算子，尽可能避免MOIA算法陷入局部最优解中，确保全局搜索能力和局部搜索能力优于其他算法，流程如下：

在该算法输入端，为种群的代数；A为活跃的种群数；D为优势种群数；C为克隆种群的大小；A为输出得到的最后活跃种群数。

（1）随机产生个初始抗体，=D+C，得到初始抗体群0；

（2）算法进入主循环，直到值达到最大迭代次数；

（3）使用NSGA II[14]中提出的拥挤比较算子，从初始抗体P中选择优势抗体D作为显性抗体D；

（4）从D中选择非支配的个体，得到A，如果|A|>A，则从A中丢弃A–|A|抗体；

（5）通过在A上成比例的进行克隆，经过C次克隆过程，得到C；

2.1 比例克隆

式中：(a)为抗体a的拥挤距离，在公式中边界解的值是趋于无穷的。因此，边界抗体的值是除边界抗体外所有抗体最大值的两倍[15]。

2.2 差异进化

式中：a1、a2、a3是从D中随机选出；best是从A中随机选出；=0.5；=rand[0,1]。

2.3 自适应变异算子

式中：和l分别为当前总体中所有解的第个决策变量的最大值和最小值。

式中：=20。

突变概率值p表示为：

式中：=0.5；b为当前的迭代次数；max为允许的最大迭代次数。

3 仿真结果分析

3.1 实验场景及相关数据

本文的实验数据来自某市微电网项目。微电网主要使用清洁可再生能源，包括风和光，其他的发电单元柴油机、燃气轮机等都是辅助作用。系统中风、光和负载的输出功率如图1所示。从图1可以看出，8:00—23:00是用电高峰期，在时段24:00—7:00之间为用电低谷，其中最小负荷为45.45 kW，最大负荷为149.64 kW。

图1 负荷曲线和风光出力曲线

在模型中设置无序充放电和有序充放电两个场景。因此，可以根据用户的充电行为和市场价格行为分别模拟电动汽车的无序充放电功率和有序充放电功率。在微电网中主要利用风、光的发电量，把电动汽车的充电功率都叠加在原负荷上，并在有序和无序两种模式下进行优化求解。

相关环境补偿参数如表1所示。发电设备运行约束如表2所示。各设备的成本参数见表3。微电网的峰谷电价具体资费信息见表4。

表1 环境补偿成本及排放系数

表2 各分布式电源的运行约束

表3 发电单元的成本参数

表4 峰谷电价

3.2 输出结果分析

基于含电动汽车参与的微电网调度模型，使用MATLAB仿真软件对模型进行优化，设定模型中种群大小为100，最大迭代次数为100，克隆种群的大小为100，活性抗体种群的大小为30，电动汽车的数量设置为100辆。

3.2.1 EVS无序充电下微电网运行优化

微电网内电动汽车无序充放电时中各个发电单元的出力情况如图2所示。

图2 无序充电下分布式能源出力情况

从图2可以看出，在时间段1:00—8:00之间柴油机和微型涡轮机的输出功率都为零，这时电网的电价为0.3元/kW·h，总体来看，购电成本比发电成本更低，所以微电网主要接受大电网和蓄电池供电。在9:00—13:00主要以微型涡轮机和柴油机发电为主。14:00—17:00时段，负荷减少，微型涡轮机和柴油机出力上升，污染排放物减少。18:00—22:00是用电高峰期，大电网出力急剧上升，蓄电池也大量放电满足用电高峰期负荷需求。

3.2.2 EVS有序充电下微电网运行优化

从图3微网内各个分布式能源在有序充电下出力情况可以看出，DE和MT在1:00—8:00（谷时段）出力几乎为零，此时大电网电价最低，优先安排从电网购电和储能系统放电，增加了系统的售电收益，减少了污染排放。在13:00—17:00（平时段），MT和DE的出力也较少。这是因为电动汽车作为移动储能参与放电，代替了部分DE和MT的出力，从而减少了DE和MT发电的燃料成本，保证了微电网的经济效益和环境效益。在9:00—13:00和18:00—22:00（峰时段），微电网购电的成本相对较高，优先安排DE、MT发电和蓄电池放电。

图3 有序充电下分布式能源出力情况

在以上这两种调度模式下，微电网运行成本和环境保护成本如表5所示。

表5 微电网运行成本和环境保护成本

从表5看出，电动汽车的有序充放电降低微电网的运行成本与气体排放量，提升微电网的经济效益和环境效益，因为电动汽车参与V2G可以在峰谷电价的引导下选择在夜间充电，降低了高电价时的用电量。

4 结论

本文主要研究了基于差分进化的多目标免疫算法对微电网调度策略的优化。提出在峰谷电价机制下，在无序和有序充放电两种模式下，以微网运行成本和环境保护成本最小化为目标的调度机制。在保证微网稳定的前提下，合理配置各个分布式发电单元的出力情况，协调调度策略。该模型不仅考虑了电动汽车参与V2G对调度的影响，还考虑到蓄电池的损耗成本和能量损失。对于最后调度结果的优化，提出了一种基于差分进化的改进多目标免疫优化算法，对提出的调度策略在电动汽车有序和无序充放电两种情况下进行验证，求出了最优调度策略，验证了该算法在降低微电网运行成本和环境成本上的有效性。

[1] 张颖, 容展鹏, 张宇雄, 等. 基于微电网的电网需求响应研究[J]. 电力系统保护与控制, 2015, 43(21): 20-26. ZHANG YING, RONG ZHANPENG, ZHANG YUXIONG, et al. Study of grid demand response based on micro grid[J]. Power System Protection and Control, 2015, 43(21): 20-26(in Chinese).

[2] 毛玉荣. 电动汽车充放电与微电网运行的协调优化[D]. 长沙: 湖南大学, 2016. MAO YURONG. Coordinated optimization of EV charge-discharge and microgrid operation[D]. Changsha: Hunan University, 2016(in Chinese).

[3] 沈玉明, 胡博, 谢开贵, 等.计及储能寿命损耗的孤立微电网最优经济运行[J]. 电网技术, 2014, 38(9): 2371-2378. SHEN YUMING, HU BO, XIE KAIGUI, et al. Optimal economic operation of isolated microgrid considering battery life loss[J]. Power System Technology, 2014, 38(9): 2371-2378(in Chinese).

[4] 李恒杰, 巩旭, 陈伟, 等. 基于改进粒子群算法的含电动汽车的微电网经济调度[J]. 兰州理工大学学报, 2019, 45(2): 97-102. LI HENGJIE, GONG XU, CHEN WEI, et al. Economic scheduling of microgrid with electric vehicles based on improved particle swarm optimization algorithm[J]. Journal of Lanzhou University of Technology, 2019, 45(2): 97-102(in Chinese).

[5] 李咸善, 陈敏睿, 程杉, 等. 基于双重激励协同博弈的含电动汽车微电网优化调度策略[J]. 高电压技术, 2020, 46(7): 2286-2296. LI XIANSHAN, CHEN MINRUI, CHENGSHAN, et al. Research on optimal scheduling strategy of microgrid with electric vehicles based on dual incentive cooperative game[J]. High VoltageEngineering, 2020, 46(7): 2286-2296(in Chinese).

[6] 魏大钧, 张承慧, 孙波, 等. 基于分时电价的电动汽车充放电多目标优化调度[J]. 电网技术, 2014, 38(11): 2972-2977. WEI DAYUN, ZHANG CHENGHUI, SUN BO, et al. A time-of-use price based multi-objective optimal dispatchingfor charging and discharging of electric vehicles[J]. Power grid technology, 2014, 38(11): 2972-2977(in Chinese).

[7] 孙丛丛, 王致杰, 江秀臣, 等. 分时电价环境下计及电动汽车充放电影响的微电网优化控制策略[J]. 可再生能源, 2018, 36(1): 64-71. SUN CONGCONG, WANG ZHIJIE, JIANG XIUCHEN, et al. Optimal control strategy for microgrid considering charging/discharging of electric vehicles under time-of-use tariffs[J]. Renewable Energy Resources, 2018, 36(1): 64-71(in Chinese).

[8] 禹威威, 刘世林, 陈其工, 等. 考虑电动汽车充电和需求侧响应的光伏微电网多目标优化调度[J]. 电力系统及其自动化学报, 2018, 30(1): 88-97. YU WEIWEI,LIU SHILIN, CHEN QIGONG, et al. Multi-objective optimization scheduling for PV microgrid considering electric vehicle charging and demand response[J].Proceedings of the CSU-EPSA, 2018, 30(1): 88-97(in Chinese).

[9] SRIVASTAVA A K, ANNABATHINA B, KAMALASADAN S. The challenges and policy options for integrating plug -in hybrid electric vehicle into the electric grid[J]. Electricity Journal, 2017, 23(3): 83-91.

[10] 陈浩宇. 考虑电动汽车的并网型微电网优化协调调度[D]. 太原: 山西大学, 2018. CHEN HAOYU. Optimized and coordinated dispatch of grid-connected microgrid considering electric vehicles[D]. Taiyuan: Shanxi University, 2018(in Chinese).

[11] 马益平. 考虑电动汽车调度的微电网混合储能容量优化配置[J]. 电力系统保护与控制, 2017, 45(23): 104-113. MA YIPING. Optimal configuration of hybrid energy storage capacity of microgrid considering electric vehicle dispatching[J]. Power System Protection and Control, 2017, 45(23): 104-113(in Chinese).

[12] 宋泽宇. 含电动汽车与可再生能源的微电网协同调度策略研究[D]. 秦皇岛: 燕山大学, 2019. SONG ZEYU. Research on cooperative dispatching strategy of microgrid including electric vehicles and renewable energy[D]. Qinhuangdao: Yanshan University, 2019(in Chinese).

[13] MOHAMED F A, KOIVO H N. System modelling and online optimal management of microgrid using multiobjective optimization[C]// International Conference on Clean Electrical Power, 2007: 148-153.

[14] DEB K, PRATAP A, AGARWAL S, et al. A fast and elitist multiobjective genetic algorithm: NSGA-II[J]. IEEE Transactions on Evolutionary Computation, 2002, 6(2): 182-197.

[15] WANG ZEHUA, ZANG WENKE, JIANG DONG. An improved multi-objective immune algorithm based on differential evolution[C]// 2019 10th International Conference on Information Technology in Medicine and Education (ITME). 2019: 597-601.

[16] ZITZLER E, DEB K, THIELE L. Comparison of multiobjective evolutionary algorithms: empirical results[J]. Evolutionary Computation, 2000, 8(2): 173-195.

[17] 张大鹏. 含电动汽车负荷的微电网调度研究[D]. 天津: 河北工业大学, 2016. ZHANG DAPENG. Research on dispatch of microgrid with electric vehicles load[D]. Tianjin: Hebei University of Technology, 2016(in Chinese).

Research on Dispatching Strategy of Microgrid with Electric Vehicle

TANG Jingmin, WANG Jie, LIU Simiao

(Faculty of Information Engineering and Automation, Kunming University of Science and Technology, Kunming 650500, China)

The disorderly charging of a large number of electric vehicles into the grid will adversely affect the stability and reliability of the grid. Taking into account the impact of the charging and discharging of electric vehicles, the cost of battery loss and the influence of peak-valley price on the operation of the microgrid, a microgrid dispatching model with the goal of minimizing microgrid operating costs and environmental protection costs is established. The improved multi-objective immune algorithm based on differential evolution is used to optimize the model. Through example simulation, comparative analysis of the disorderly and orderly dispatching modes of electric vehicles in the microgrid environment is carried out, and it is proved that the orderly charging of electric vehicles has a positive effect on the economic and environmental benefits of the microgrid. And it is verified that improved multi-objective immune algorithm based on differential evolution is effective in scheduling optimization.

orderly charging; peak-valley price; microgrid; multi-objective optimization

10.3969/j.ISSN.1672-0792.2021.02.004

TM72

A

1672-0792(2021)02-0025-07

2020-09-29

国家自然科学基金（61761025）

唐菁敏（1979—），男，副教授，主要研究方向为无线协作通信，认知无线电网络，Ad-hoc网络和物联网技术，智能电网；

王 杰（1995—），男，硕士研究生，主要研究方向智能电网；

刘思淼（1995—），女，硕士研究生，主要研究方向智能电网。

王 杰