V2G模式下的EV建模研究

蒋成成，朱健安，朱成名，王 珂，章文俊

(上海工程技术大学 电子电气工程学院,上海 201620)

近年来，风电并网规模不断扩大，其出力的间歇性、不确定性、不可预测性给电力系统的可靠运行带来了巨大的挑战。旋转备用(Spinning Reserve，SR)的需求逐年增加，仅依靠火电机组提供SR无法满足实际应用的需求。因此，需要充分挖掘利用系统中的其他资源，并对SR容量进行合理的优化配置[1]。

文献[1～7]从不同角度提出了SR的优化方法，特别是将弃风、可中断负荷分别作为部分负、正SR融入发电日前调度计划的方案，缓解了SR不足的压力。参与竞标的旋转级备用分为发电侧和需求侧两种备用类型[8]，但文献[1～7]仅从发电侧考虑了SR的优化问题，对EV的研究较少。文献[9]提出了一种多场景下，基于备用措施代价性能比的备用优化方法，综合考虑了发需侧类型、旋转与非旋转等不同等级备用措施在场景集下的代价性能比。但文献[8～9]中的需求侧SR仅考虑了高赔偿可中断负荷，具有局限性。

由于风电出力具有间歇性和随机性，因此对风电进行精准预测有一定难度。随着研究的深入，在实际应用中，有可能减小风电预测误差的平均值，但难以降低最大瞬时误差[10]。电动汽车(Electric Vehicles，EV)兼顾负荷与储能特性，在调峰、调频、备用等方面的前景逐渐受到人们的重视[11]。EV与风力发电有良好相互消纳的物理基础，在V2G(Vehicle-to-Grid)的基础之上，EV与风电可以实现协调调度。文献[12]建立了一种计及多方因素的改进Bass模型，完成了区域EV保有量的预测。文献[13]以最小化等效负荷的标准差为优化目标，提出了EV移动储能调度策略。文献[14]重点研究了插入式EV作为分布式储能单元进行“削峰”的过程。文献[15]基于家庭与工作单位场景的转换，完成了关于EV最优调度的研究。但以上研究均没有将EV作为需求侧的SR来考虑。文献[16]将EV作为风电波动的备用，减轻了火电机组的负担。但其关于EV调度成本的考虑与目标函数构建不够完善。

基于上述研究成果与存在的不足，本文将EV作为需求侧的SR来考虑，分别从理论与仿真中来分析EV特性，并通过建立更为全面的机组模型来进行SR的优化研究。

1 EV特性分析

1.1 EV调度策略分析

EV既能充当负SR作为负荷消纳电能，又能充当正SR作为储能单元给电网供电。对于计及EV的SR优化，首先需要分析EV车主对于接受调度的积极性，以及当地的EV保有率。然后通过调整折扣系数与奖励系数等手段来控制作为SR的EV数量，其余签约EV可作为热备用储存。作为热备用的EV可随时升级为SR，作为SR的EV也可降级为热备用。随着EV保有率的增长，庞大的热备用储备将提高电网的可靠性，而灵活的升降级策略也可使EV的调度更加经济。

1.2 EV充放电策略

当用户有出行需求时，最关心的是EV能否在期望的时间达到期望的电量。在满足用户需求的前提下，合理利用EV电量能更好地缓解系统的备用压力。假设汽车以保底电量接入充电桩，则对EV电量的利用方式如图1所示。

图1 EV充放电策略

图1中，Elimit表示保底电量，Eexp表示期望电量，Emax表示电池最大容量，Tstart为开始充电时间，Texp为期望充电完成时间。S1表示正常充电，其中包含快充、慢充等充电方式。S2则表示充/放电，在正常充电到期望电量之后，可作为负SR发挥储能作用，而后再作为正SR给电网供电。其中EV由负SR到正SR转变的过程中，依据实际情况，可能存在一段“不充不放”的闲置期。S3表示延时充，EV接入充电桩时，可能碰上系统对正SR需求高的时期。由于EV以保底电量接入充电桩，不能给电网供电，故只能通过延时充的方式来缓解系统的用电压力。S4表示间歇充，其中包含直接间歇充与延时间歇充等充电方式。在充电过程中，EV可能在没有达到期望电量时碰到系统用电压力过大的情况，如果时间相对充裕，可以让汽车进入一段时间的闲置状态，经过电网的自动调节之后再继续充电。如果起始电量在保底电量之下，那么应尽快充到保底电量，此类EV不作为正SR考虑。

图1中只分析了EV以保底电量接入充电桩的情况，如果以相对充裕的电量接入充电桩或者以放电的目的接入充电桩，那么EV的电量利用方式将更加灵活，其作为旋转级备用的调节能力也会更强。

2 计及EV的机组模型

2.1 目标函数

EV兼具负荷与储能的特性，因此在目标函数中需要将EV的调度成本分情况讨论。根据成本效益分析法，本文构建了以发电成本、备用成本、EV调度成本之和最小的目标函数，即

(1)

Ci,t(Pi,t)=aiPi,t2+biPi,t+ci

(2)

式中，Ci,t(Pi,t)为机组发电成本；ai、bi、ci分别为发电成本的各项系数；αi、βi、γi分别为第i台机组的上调容量报价、下调容量报价、事故备用容量报价[17]；Ui,t、Di,t、Ri,t分别为第i台机组t时段内的上调容量、下调容量和备用容量；πdisc、πc分别为EV单位放电价格、单位充电价格；Pdisc、Pc分别表示EV作为SR调度的总放电量、总充电量；μt、ηt分别为奖励系数、折扣系数，其随着时段的变化做出调整。理论上来讲，当EV调度得当时，弃风和失负荷成本将减小，故本文不将其在目标函数中单独考虑。

2.2 约束条件

(1)系统有功功率平衡约束。火电机组的出力与系统负荷、风电场出力、EV出力应满足如下关系

(3)

(2)弃风概率约束如式(4)所示，事件A表示弃风，βW为可接受的置信度；

Pr{A}≤βw

(4)

(3)切负荷概率约束如式(5)所示，事件B表示切负荷，β1为可接受的置信度；

Pr{B}≤βl

(5)

(4)EV充放电功率约束。EV无论是充电功率还是放电功率都应有一个上限值的约束，如式(6)所示。

(6)

(5)电池荷电状态SOC约束。参与调度的EV电池荷电状态应满足式(7)和式(8)约束，以保证其既能充当正SR又能充当负SR接受调度。

SOCmin≤SOCstart(t)≤SOCmax

(7)

SOCmin≤SOCend(t)≤SOCmax

(8)

式中，SOCstart(t)为EV开始接受调度时的剩余电量；SOCend(t)表示EV调度结束时的剩余电量；SOCmin为EV作为SR接受调度时，剩余电量的下限；SOCmax为EV作为SR接受调度时，剩余电量的上限；

(6)车主引导约束。若需要EV按计划接受调度，还需在价格上引导车主。当EV作为正/负SR接受调度时，可以依据备用需求的大小确定奖励系数μ和折扣系数η的值。μ、η应满足式(9)

(9)

式中，μ为奖励系数；η为折扣系数。

3 算例与仿真

将EV的数目设置为20 000，将EV数目设为1 000，电池最大容量Emax设为50 kW·h，其允许的充放电范围为[0.15Emax,0.9Emax]，常规充电功率设为5 kW，快速充电功率设为50 kW，EV正常行驶每公里消耗0.17 kW·h。

算例具体步骤如下：

步骤1讨论EV的充放电情况，计算总的充放电量，并做出EV充放电情况的期望及标准差曲线；

步骤2确定出最佳的充放电时段，制定出针对EV的调度方案；

步骤3模拟出EV可接受调度时间与行驶里程的随机数，计算出EV的充电时间与电能需求情况；

步骤4引入分时电价策略，对EV的最佳充放电时间进行调整；

步骤5判断蒙特卡洛模拟的精度，绘制出V2G模式下EV的功率需求与接受调度曲线；

步骤6计算出EV是否接受调度对火电机组的影响。单辆EV充放电的期望和标准差如图2所示。

图2 平均单辆EV的充放电情况

从图2的期望曲线可以看出，EV充放电有着各自的峰值，在清晨5时左右EV充电达到峰值，约为3.2 kW；在夜晚23时附近，EV放电达到峰值，约为2.7 kW。其中，放电峰值小于充电峰值是由于EV电池存在保底电量。从标准差曲线可以看出，在夜晚23时附近标准差最大，说明系统在23时附近需要的正旋转备用较多，对EV的放电需求迅速增加。因此，在此时段的EV调度要加强政策引导，例如电价调整等。

分时电价对于引导EV用户参与电网调度意义重大，不实施分时电价的V2G功率曲线如图3所示。

图3 EV总功率需求

从图3可以看出，在不实施分时电价的情况下，EV的总功率需求均为正值。EV作为储能元件向系统提供电能的情况很少出现，其作为正旋转备用接受调度的情况也不符合预期。

接下来进行引入分时电价的仿真。本文研究重点是EV作为储能元件为系统提供电能的情况，所以此次仿真专门针对EV的放电情况进行观察。实施分时电价政策的EV接受调度情况如图4所示。

图4 V2G模式下EV接收调度的情况

从图4可以看出，在分时电价策略的引导下，EV起到明显的正SR作用。其中，在0点到3点，EV放电量最大。而另一段EV放电明显的时段是从19点左右开始，一直到24点结束，这段时间是系统正旋转备用需求最大的时段。EV如预期一样接收调度，但其峰值并没有0～3时时段高。考虑到电价只是影响车主意愿的一个因素，现实中的夜晚黄金时段车主的出行需求也是很高的，所以在实际调度中，也需对此类因素进行考量。

将EV作为SR调度之后，对火电机组的影响分为6个不同的场景进行研究。结果如图5、图6所示。

图5 不同场景下的机组运行费用

图6 不同场景下机组的失负荷概率

结合图5和图6可以看出，在同样的负荷需求下，EV作为SR参与调度之后机组的失负荷概率显著降低，其运行费用在多数场景下也较低。此外，由于EV的加入，系统的可靠性得到了明显提高。

4 结束语

本文考虑到EV的充放电特性，拟定出了EV作为SR接受调度的升降级策略。结合蒙特卡洛模拟对V2G模式下的EV进行仿真，绘制出了V2G模式下EV充放电曲线。采用成本效益分析法建立了计及系统发电成本、备用成本和EV调度成本的数学模型，以EV是否作为SR参与电网调度为变量进行仿真分析。通过算例分析得出以下结论：(1)基于V2G，EV作为SR与新能源发电协调调度是可行的，其起到了削峰填谷的作用，缓解了大规模风电并网带来的压力；(2)EV参与调度之后，机组的总运行费用多数场景下是降低的，个别场景下机组的总运行费用略有增长。总体上，EV参与调度的经济性较好；(3)EV参与调度之后，所有场景中系统的失负荷概率都明显降低，说明EV作为SR参与调度显著提高了系统运行的可靠性。