考虑用户出行需求的电动汽车充放电优化调度策略

南京理工大学自动化学院 吴宇翔 杨 伟

随着科技的不断进步，电动汽车的成本日益降低，其保有量逐年增加。而一定规模的电动汽车无序充电易使得电网负荷“峰上加峰”[1-2]，不利于电网的安全稳定运行。本文提出一种考虑用户出行需求的电动汽车充放电优化调度策略，建立了兼顾电网负荷方差和用户充放电费用的多目标优化模型。采用基于杂交的混合粒子群算法求解，算例对不同电价下优化调度的结果进行了对比分析，结果表明，较大的峰谷分时电价差会使用户通过响应电网来获得更大的收益，充分调动用户参与电网调度的积极性，从而可以使电网的负荷曲线更加平缓。

1 电动汽车充放电调度模型

本文提出的考虑用户出行需求的电动汽车充放电优化调度策略以分时电价机制为基础，充分考虑到用户的日常用车需求，以平衡电网负荷和降低用户的用电成本为目标进行优化。

1.1 目标函数

1.1.1 目标函数1

电网侧负荷方差最小。负荷方差可以较为直观的反应电网负荷的波动情况，方差越小负荷变化越平稳。以电网侧负荷方差[3]最小为目标函数：

式中：PLj为j 时段电网的常规负荷（未考虑电动汽车充放电负荷）；Pij为电动汽车i 在j 时段的充放电功率，充电功率为正，放电功率为负；Pave为考虑电动汽车负荷后电网总负荷的平均值；n 表示电动汽车数量。

1.1.2 目标函数2：用户用电成本最小

为调动用户响应电网调度的积极性，结合分时电价[4]的情况，以用户用电成本最低为目标，用电成本由充电费用、放电补贴和电池损耗费用三部分组成， 即，式中：Sj为j 时段的电价，电动汽车的充电电价为正、放电电价为负，包括放电时的电网电价和国家分布式发电的补贴电价。对以上三个目标函数进行归一化处理，建立综合目标函数为：式中：T1max为只考虑常规负荷的电网负荷方差；T2max为不参与电网调度下车主的最大充电费用，即车主从到达就开始充电，直到电量充满为止的费用。λ1为电网负荷波动的权重系数，λ2为电动汽车用户充放电费用的权重系数。

1.2 约束条件

本文主要考虑充放电功率约束、电池容量约束、出行需求约束。

充放电功率约束Pmin≤Pij≤Pmax，式中：Pij为电动汽车i 在j 时段的充放电功率，Pmax表示电动汽车在每个时段的最大充电功率；Pmin为最小放电功率。

电池可用容量约束SOCmin≤SOCij≤SOCmax，式中：SOCij为电动汽车i 在j 时段的电池电量；SOCmax和SOCmin分别为电池电量的上下限。考虑到蓄电池的充放电安全，取SOCmin为0.2，SOCmax为0.9。

出行SOC 需求约束。电动汽车的出行需要约束SOCi(t)≥SOCi(need),tc≤t ≤24， 式中：SOCi(need)为电动汽车满足日常出行所需的荷电状态，本文取0.5；tc为电动汽车充电到电池荷电状态大于等于SOCi(need),的时刻；SOCi(t)表示电动汽车i 在t 时段的荷电状态。

1.3 调度策略求解方法

粒子群算法与传统优化算法相比，是一种参数少、收敛快且易于实现的智能算法，在求解非线性优化问题时被广泛应用。本文借鉴遗传算法的思想，将遗传算法中的交叉遗传的步骤加入粒子群算法中，新加入的交叉遗传步骤可以有效提高算法的收敛精度，更大概率收敛于全局最优解。

2 算例分析

2.1 基本参数设置

本文采用某商用建筑日用电负荷数据进行仿真。算例中电动汽车的电池容量为24kWh；电动汽车充放电功率的约束范围设置为-3～3kW。本文取1万元进行电池的损耗费用计算。电动汽车起始时刻的SOC 设定为0.3。目标函数归一化参T1max=4561.8，T2max=66.54。算例中的粒子数N 为20，惯性权重w 取0.9，最大迭代次数为2000，每个粒子速度取值范围为[-0.4，0.4]。

2.2 结果分析

图1为两种分时电价下优化后的负荷曲线，并和初始的负荷曲线进行了比较。由图1可看出，与固定电价相比，分时电价下电网侧负荷的方差以及峰谷差都有显著的降低，负荷率也略有提升。这说明分时电价策略更能调动用户参与电网调度的积极性，可以更好地平衡电网负荷。而分时电价的峰谷时间段和电网原始负荷的峰谷时间段大致相同，用户放电不仅能获得国家给予的放电补贴，同时在电价低时充电、电价高时放电，赚取充放电电价的差值，从而降低自己的充电成本。

通过图1可以看出，在分时电价2下，电网侧负荷的方差、峰谷差和负荷率的优化结果均是优于分时电价1的，这是因为与分时电价1相比分时电价2的峰谷差值更大、电价均值更高，并含有尖峰电价。通常情况下车辆充电集中在谷时，更低的谷时电价可以进一步削减充电费用。而受到尖峰电价的影响，用户为了赚取更多收益，将按照电价稍微改变放电时间段，更多的选择在峰时段尤其是电价的尖峰时段放电，以获得更多的放电收益。电价峰谷时段与负荷峰谷时段更对应的分时电价2在进一步降低用户成本的同时，也使得负荷波动更加平缓，可以获得更好的优化效果。

图1 两种分时电价下优化后的负荷曲线

3 结语

本文针对充放电调度策略问题，建立了考虑分时电价和电池损耗的电动汽车充放电优化调度策略，采用交叉遗传粒子群算法求解，所得结果揭示了固定电价和不同分时电价对调度策略的影响。结果显示：增加峰谷分时电价差对电网的削峰填谷效果明显，同时较大的峰谷分时电价差也会使用户通过响应电网来获得更大的收益，调动用户参与电网调度的积极性。

本文充分考虑用户的日常出行需要，提出了满足用户出行需要的最低电量约束。虽然电动汽车不能参与电网调度深度充放电，在平衡负荷曲线和增加自身充放电收益上或许有所不足，但这样可以确保用户随时使用电动汽车，并且没有深度充放电也可以大大延长电池的使用寿命，降低每次充放电的电池损耗成本，对用户来说利大于弊。

总体来说，本文在分时电价2下实现了电网负荷平衡和用户收益的双赢，但是本文的电池购置成本是以未来电池技术发展以及国家对电动汽车的大力支持为前提的。要想进一步平衡电网负荷并增加用户参与调度的收益，需要进一步研究来寻找更加合理且分段更细的分时电价制度、或者进一步增加国家对分布式电源放电的补贴。