计及用户电池损耗的电动汽车分布式两阶段调度策略

王晞，汪伟，王海燕，陈博，苟竞，李怡然

(1.国网四川省电力公司经济技术研究院，成都 610000； 2. 四川大学 电气工程学院，成都 610065)

0 引 言

在推进电能替代、努力实现“碳中和”的背景下，电动汽车在电网中的渗透率日益增长[1]。电动汽车充电行为具有时空随机性，大规模EV的无序充电将会给电力系统带来一系列负面影响[2-3]，包括变压器过载、电压越限、网络损耗增大以及谐波污染等，危害电力系统的安全与经济运行。但同时因其用电灵活性，电动汽车在电网中具有较强的需求响应的潜能。有序的调度可以缓解随机充电对电网负荷剧增、峰谷差增大等一系列问题[4-5]。如何有效合理地进行电动汽车充电调度控制，是电动汽车并网发展所面临的一个核心问题。

在智能电网的环境下，电网可以通过和用户签订相关协议，实现电动汽车充电的智能化管理[6]，避免了人为实现需求响应时存在的可靠性低、响应延迟、效率较低等问题。目前电动汽车的充放电调度可分为集中式调度和分布式调度。文献[7]进行集中式实时调度，由电网控制中心获取电动汽车的状态信息和需求信息，再分别下达调度指令。但是随着电动汽车使用的日益增长，集中调度面临运算复杂性增加以及处理数据维数过大等问题，难以适应大规模电动汽车的优化调度。而分布式调度在电网和用户之间引入集群代理商(Aggregator)[8]，每个代理商在一定程度上承担了控制计划的安排，简化了调度时需要处理的信息量，使得优化更为灵活、快速，在电网调度中得到了重视。文献[9]提出了柔性负荷分布式调度策略，文献[10]考虑电网侧的利益提出了电动汽车分布式调度模型，但采用模型没有充分考虑到用户的利益问题。

分时电价引导用户为降低充电成本在谷时充电，可以确保用户的利益，但在电价引导下可能会在电价谷时进行聚集性的充电行为，继而引发新的负荷高峰[11]，因此计及分时电价考虑合理的充电策略具有重要意义。文献[12]提出的充电调度策略有效地减少了充电的经济成本，但未能考虑到电网侧需求。文献[13]分析用户对峰谷电价政策的响应度，但缺乏考虑用户对策略的响应度。此外，调度中为满足优化目标会产生充电状态的不断切换，过于频繁的充电行为会造成消耗电池寿命影响用户利益[14]。因此在制定调度策略时，有必要对电池损耗进行考虑。

根据上述研究现状，虽然针对电动汽车充电调度策略已经展开较多的研究，但仍存在一定的不足：分布式实时调度优化目标简单，用户侧优化多考虑用户成本，缺乏考虑用户参与调度的意愿以及调度中频繁充电造成的电池损耗。因此文中在分时电价的背景下，提出一种计及用户侧电池损耗的分布式两阶段调度策略。解决了现有策略对调度需求考虑较为单一且忽略调度可行性的问题，同时可避免集中式调度会出现的状态测量处理维数灾和运行复杂性等问题。本策略首先评估入网车辆的可调度性并筛选可调度车辆，之后建立了计及用户充电损耗的两阶段优化模型。第一阶段考虑多方面的用户需求，除了优化用户充电成本，还提出了平均充电率指标，从频繁充电行为造成的电池损耗角度计及用户侧的利益。第二阶段计及电网需求优化负荷峰谷差从而确保电网可以安全经济地运行，优化得到最终调度安排。最后，通过算例进行仿真分析，文中所提策略在改善电网负荷的同时，有效地减少了充电成本和电池损耗，同时保障了电网和用户的利益。验证了文中策略的有效性。

1 调度技术架构及功能

考虑到电动汽车较强的时空不确定性，日前调度所用的负荷预测信息与实际情况往往存在一定差异[15]，为了减小预测上的偏差，本调度策略采用日内实时调度。以15 min为一个间隔将24 h分为96个时段，并在每个时段更新并网车辆的信息从而进行相应地调度安排，如图1所示。

图1 日内调度Fig.1 Intra-day scheduling

时段1内车辆a并网，则在时段1结束时刷新车辆a的相关信息并调度安排，同时时段2内没有并网车辆，则不进行安排。同理，时段3内对新入网车辆b和车辆c，在时段4开始时刻对车辆b和车辆c进行安排，时段5开始时刻对车辆d进行调度安排。

基于智能电网背景，文中所提策略的技术架构是由集群代理商聚合用户集群，调度中心实施调度优化，通过智能充电装置来响应，进行分布式日内实时调度。具体调度技术架构及功能如图2所示。

图2 智能充电调度架构Fig.2 Intelligent charge scheduling architecture

该充电调度的具体实施环节为：EV用户接入智能充电装置后，由智能充电装置通过信息和传感技术读取车辆的剩余荷电状态信息(State of Charge, SOC)、电池容量信息等，同时通过充电装置相应的人机交互界面收集用户的需求信息。

智能充电装置通过分析采集信息进行可调度车辆的筛选与判别，并将信息上传到集群代理商处。由其基于采集用户信息汇总负荷集群信息并上传至调度中心，调度中心收集汇总EV和电网信息，通过文中所提的策略对电动汽车进行对应性调度安排，并将指令反馈至充电装置进行线下响应。

2 电动汽车分布式两阶段调度策略

两阶段优化具有计算效率高、计算量少、模型较为简单等优点，得到了广泛应用[14-16]。文中提出了两阶段规划方法，为了提升用户对于调度的响应度，优先保证用户侧利益进行优化，因此所提策略按照“先用户后电网”的原则进行。

2.1 筛选可调度车辆

在EV并网后，先根据智能装置收集的信息进行调度可行性筛选，如果能够满足调度要求则将其纳入代理商的安排范围。如果不能满足，则不安排调度。从主观客观两个角度[17]将调度可行性定性为可调度能力和可调度意愿两个方面进行筛选。

(1)可调度能力

以并网时间和电池电量来约束电动汽车可调度能力，对EV进行调度时，应优先确保满足用户的充电需求。

(1)

(2)可调度意愿

在实际调度中，用户对于策略的响应意愿会影响最终调度的效果，所以有必要对各个EV用户的调度意愿进行充分考虑。通过智能装置的人机交互界面提供 “正常充”和“有序充”的选择。“正常充”模式下：用户对价格敏感度较低，不受经济激励引导，愿意发给较高的充电费用达成充电目标，此时调度计划便安排充电装置以额定功率立刻充电，以尽快满足充电需求。“有序充”模式下：用户相比于充电过程更关注能够实现充电需求与充电成本兼顾，此时系统对用户的充电时段进行统一优化编排，从而调度控制。在充电容量分配过程中，“正常充”将优先于“有序充”。

考虑到用户对于调度的响应程度具有差异性，在此引入用户响应度β来反映愿意参与调度的用户占比。

(2)

式中NEV为接入充电装置的EV数量；NV2G为愿意参与调度的车辆总数。

(3)

2.2 优化目标

2.2.1 第一阶段优化目标

确保EV用户利益可以有效提升用户响应调度的意愿，因此为了实现调度，第一阶段优化应充分考虑满足用户侧需求。

(1)充电成本

在分时电价背景下，将最小化用户成本设置为用户侧优化目标。用户成本C的计算如下：

(4)

(2)电池损耗

由于频繁的充电状态切换，电池的损耗需要考虑。在计及电动汽车的充电成本时，应该尽量降低充电状态切换次数。文中采用平均充电率指标σ如式(5)所示：

(5)

所提策略进行第一阶段的用户侧优化时，综合充电成本和电池损耗采用线性加权法进行多目标优化，此外，考虑到量纲不同，对两个目标函数分别进行归一化处理最后得到优化目标：

(6)

式中Ck和σk表示针对调度时段k的优化计算，优化对象为该时段刷新入网信息的车辆。采用主观赋值法分别设置权重λ1、λ2为0.6和0.4，保证最低用户成本可得到优先考虑。

2.2.2 第二阶段优化目标

minF2=maxPZ-minPZ

(7)

式中PZ为计及电动汽车负荷后的该局部配电网的总负荷。

2.3 约束条件

为了满足电网侧的经济和安全以及用户对电动汽车充电的需求，需要同时考虑多个约束条件。

(1)荷电状态安全性

(8)

(9)

由于电池过度充电会有损耗，因此设置第i辆车在任意时刻的荷电状态应在安全限值以内。

(2)变压器功率

(10)

式(10) 表示时刻k、基础负荷Pload,k以及充电负荷不会使对应的配电变压器过负荷运行。

(3)用户出行需求

(11)

(4)允许调度时间

(12)

电动汽车的调度安排需要在并网时间内，车主在并网前后不进行调度。

文中在进行优化时，将在第一阶段获得的支付成本以及平均充电率指标作为第二阶段的约束。

(13)

2.4 策略求解流程

如图3所示,文中所提策略流程如下:

(1)在调度时段内收集代理商范围内的并网信息，对并网车辆进行可调度判断。筛选出可用于调度的车辆，并将其车辆的剩余荷电状态信息、电池容量信息等参数上传至后台数据库；

(2)开始第一阶段计及电动汽车用户侧需求的优化。本阶段是以电动汽车平均充电率指标最低为优化目标，考虑配电变压器的容量限制，电动汽车的损耗限制以及电动汽车车主的充电需求限制等多个约束进行优化；

(3)开始第二阶段计及电网侧负荷特性指标的优化。本阶段是以电网负荷峰谷差最小为优化目标。把在第一阶段优化获得的支付成本以及平均充电率指标作为本阶段约束条件。联立两个阶段的目的是可以保证第二阶段的优化结果优于第一阶段；

(4)最后代理商将计算获得的车辆充电安排结果下发至智能充电装置。智能充电桩按照调度策略对并网车辆执行充电安排。当新的调度时间开始时，流程返回步骤1循环进行调度策略的求解。

图3 调度策略求解流程Fig.3 Flow chart of solving scheduling strategy

3 算例分析

3.1 算例设置

为了对文中所提调度策略进行仿真验证，文中进行如下假设：

(1)仿真环境为有200辆电动汽车的居民小区，供电环境为4台1 600 kV·A的变压器，其功率因数为0.85、效率为0.95[18]；

(2)充电装置以7 kW的充电功率进行恒功率充电，设置充电效率为90%。考虑到电池的安全性将荷电状态上下限分别设置为0.1和0.9[19-20]；

(3)分析的用户特性采用蒙特卡洛法[20-21]]对电动汽车充电需求进行建模；

(5)所提调度策略基于分时电价背景，具体电价设置如表1所示。

表1 分时电价设置Tab.1 Time-of-use pricing settings

(6)为对比所提策略的优化效果设置不同的场景，并将各场景下用户响应度设为100%。

场景一：无序充电，不加以调度控制；

场景二：分时电价引导下进行充电调度；

场景三：采用文中所提出的有序充电调度。

3.2 仿真分析

基于3.1中所设置的算例场景，对上述不同策略进行仿真分析结果如下。图4为该居民区的电动汽车在三种场景下的负荷曲线，结合表2和表3分别对电网侧和用户侧的相应指标进行分析。

图4 不同场景下的负荷曲线Fig.4 Load curve uner different scenarios

(1)电网侧指标分析

基于图4仿真结果和表2中的指标对比可以发现，图4(a)在无序充电的场景下，电动汽车会按照自身的情况在最短的时间内充电。其充电时间会与居民区负荷峰值重叠，造成负荷“峰上加峰”的情况。表2中可见，无序充电的峰值达到了5 276.82 kW，同时还拉大了峰谷差、负荷波动指标也相应增加。

表2 不同场景的电网侧指标Tab.2 Grid side indices under different scenarios

图4(b)考虑分时电价的影响，这个场景的优化目标为价格最低。EV会在谷时电价时段00:00～08:00集中充电，在谷时形成新的负荷高峰，峰值达到4 737.26 kW，当EV规模增大时可能会使设备过载。

相比于以上场景，由图4(c)可以发现根据所提策略进行电动汽车充电调度时，利用分时电价的激励措施，可以引导用户在夜间谷时进行集中充电。方法在考虑电网安全指标的前提下进行负荷曲线的填谷，可以减小电网侧的负荷波动和峰谷差。

(2)用户侧指标分析

对用户侧选取充电成本和平均充电率进行对比分析如表3所示。

场景一的充电时间集中在峰时电价时期，充电成本3 160.6元。场景二在最低成本导向下，充电成本显著减小至2 136.30元，但是场景二的策略对用户电池的考虑较少，通过以增加电池损耗为代价，降低了充电成本。由表3知，这种场景下，电动汽车的平均充电显著提升到了3.4。

表3 不同场景的用户侧指标Tab.3 User side indices under different scenarios

相比于上述场景，在文中所提策略下，通过调度有效减少了平均充电率，在改善充电成本的同时，有效地缓解了由于频繁控制EV充电状态切换而产生的电池损耗。

4 结束语

文中提出了一种计及用户电池损耗的EV分布式两阶段调度策略。基于智能充电桩获取电动汽车的基本信息对车辆进行调度筛选。通过对EV的可调度能力和用户可调度意愿两个维度进行综合评估，筛选出能够满足调度的车辆。在两阶段的优化过程中，文章策略是以用户充电成本最小，电动汽车电池损耗最小以及电网侧负荷峰谷差最小为优化目标。论文以含大规模电动汽车的小区集中充电站为算例进行验证，大量场景仿真表明：

(1)相比于无序充电，所提策略通过对EV进行合理充电调度，转移了EV用户的充电时间，在减少用户支付的充电费用的同时有效减小了电网的峰谷差和负荷波动方差，缓解了无序充电产生的负面影响。既保证了电网侧安全性也保障了EV车主的收益；

(2)相比于以成本导向的EV充电策略，文中方法在考虑充电成本的基础上，利用平均充电率指标，对调度中因频繁切换充电状态而导致的电池损耗进行了考虑。在降低用户充电成本的同时，通过优化充电次数有效降低了对电池的损耗，更为全面地保证了用户利益；

(3)所提策略只针对电动汽车充电场景的调度策略制定，随着当前技术发展，电网与电动汽车双向互动(Vehicle to Grid, V2G)具有一定的研究前景和价值。在V2G场景下如何提出合理有效的调度策略是接下来值得研究的方向；

(4)在能源转型背景下，分布式电源将会不断发展，其并网时也会改变传统的电网结构，如何计及光伏、风电等新能源进行合理地协同调度优化也是未来的研究方向。