计及V2G价格激励的电动汽车削峰协同调度策略

2022-04-14王敏，吕林，向月

电力自动化设备 2022年4期

王敏，吕林，向月

（四川大学电气工程学院，四川成都 610065）

0 引言

2020 年国务院办公厅印发了《新能源汽车产业发展规划（2021—2035 年）》，明确提出了推动新能源汽车与能源、交通、信息通信全面深度融合，促进能源消费结构优化、交通体系和城市智能化水平提升，构建产业协同发展新格局［1］，并深化“三纵三横”研发局面，这为电动汽车EV（Electric Vehicle）入网参与削峰调度提供了技术保障。同时，文件指出进一步鼓励地方开展车网互动V2G（Vehicle to Grid）示范应用，统筹新能源汽车充放电与电力调度需求，综合运用峰谷电价差、新能源汽车充电优惠等政策，实现新能源汽车与电网能量的高效互动，降低新能源汽车的用电成本［2］。EV 作为一类高度灵活的移动储能设备，在优化负荷曲线、改善电能质量、提供应急辅助服务等方面具有巨大的应用潜力［3］。目前，江苏等多地已经开展了V2G 示范应用，但是由于缺乏针对分散性用户侧资源的准入政策和具有吸引力的补偿机制［4］，EV 用户参与辅助服务市场的竞价体系缺乏持续性［5］。同时，我国城市的峰谷电价差往往较小，EV 用户利用电价峰谷差进行套利的空间十分有限［6］，因此需要针对EV 设置不同于分时电价机制的灵活V2G 激励机制以提升EV 用户的利益［7］。

目前，关于EV 参与辅助服务市场经济调度的研究往往集中考虑配电网运营商DSO（Distribution System Operator）、EV 聚合商EVA（Electric Vehicle Aggregator）和EV 用户三方的利益。文献［8］从考虑DSO 的利益出发，提出了EV 实现城市配电网系统削峰填谷的动态经济调度策略，获取EV 的可调度容量，并分析了V2G 和网车互动G2V（Grid to Vehicle）负荷对动态经济调度的影响，但未考虑EV 用户的利益。在同时考虑DSO 和EV 用户经济性的基础上，文献［9］提出了EV多目标优化调度方案，但未从电网侧考虑减少系统负荷的波动。文献［10］考虑电力调度中心、EVA 和EV 用户三方的利益，以电力调度成本最小、EV 用户用电成本最小和EV 代理商收益最大为目标，建立了智能合约模型以优化充放电电价。虽然上述文献都从不同方面考虑了DSO、EVA 和EV 用户三者的利益，但是在对EV 用户的用电成本进行考量时，未区分EV参与经济调度的充电电价和放电电价。

此外，在同时考虑EV用户参与削峰填谷的经济效益和负荷峰谷差值最优的目标下，文献［11］提出了最小化系统网损成本、EV 用户成本和系统总负荷均方差的多目标双层优化模型，以优化EV参与日前调度的充放电功率，但是未考虑EV 用户的出行需求。文献［12］考虑用户参与调度的荷电状态SOC（State Of Charge），提出了采用分群优化的V2G 策略；文献［13］考虑EV 用户参与调度的意愿，建立了两阶段优化模型以得到EV 充放电调度策略。但是文献［12-13］没有对EV 用户的出行行为不确定性进行建模分析。文献［14］提出了一种基于模糊控制的V2G调度策略，以避免电网负荷低谷时段大量EV接入引起新负荷尖峰问题的发生。文献［15］提出了考虑EV 可转移充放电电量裕度的EV 实时调度策略，实现了系统削峰填谷的目标。可以看出，上述研究往往没有将EV 的移动特性以及出行需求的不确定性同时纳入用户参与辅助服务所获经济效益的考量中。

上述研究大多考虑EV 用户基于分时电价参与辅助服务市场经济调度，并假定EV参与削峰的充电电价与放电电价一致，EV 用户利用电价峰谷差进行套利，没有制定EV入网参与削峰辅助服务的放电电价，且部分研究未将EV 用户的出行行为纳入考量。基于上述分析，借鉴我国EV需求响应试点项目的定价方式［16］，本文首次引入基于DSO 削峰需求的V2G激励价格机制。考虑到EV用户的随机出行行为，采用出行链模拟EV用户的出行需求和移动特性，从而获得EV 集群的可调度容量，并将其作为DSO 与EVA 双方制定EV 参与削峰协同调度策略的约束条件。进一步地，提出考虑DSO 平滑负荷波动和EVA使EV用户用电成本最少的双目标协同调度模型，以优化EV参与削峰服务的放电容量。

1 面向削峰的V2G激励价格设计

根据上海市EV 参与电力需求响应的试点报告［6］，EV 在不同充换电场所实现的响应效果存在较大的差别，其中私人充电桩的数量较多，但响应率较低，其需求响应的潜力仍有待提升，这是因为当前所执行的峰谷电价差较窄［16］，EV用户能获利的空间有限［17］。随着电池成本的降低，EV充放电的优势也将显现。因此，制定合理的EV集群参与削峰的放电服务价格，以激励更多的EV 用户参与电网削峰，这对于提升电网效益和EV 用户利益具有重要的意义［18］。EV 用户参与区域电力系统削峰调度的结构如附录A图A1所示。

制定EV参与削峰辅助服务的放电服务价格时，应将系统的负荷情况和电价纳入考量。若EV 用户在电网负荷波动较大时参与削峰，则其获利较多。将1 d 以1 h 为时间间隔分为24 个时段，若配电网在时段t的负荷Pt大于控制目标值——配电网的日平均负荷Pavr，则定义该时段为削峰时段。为了体现EV 用户在不同时段参与系统削峰的差异性，DSO 根据EV 参与辅助服务的质量制定V2G 服务补偿价格。引入削峰补偿系数KP，并设计如下补偿系数规则。削峰补偿系数KP与DSO 削峰需求量系数和EV用户参与度系数有关，可表示为：

式中：Kq为DSO 削峰需求量系数，DSO 根据系统负荷待削减量Pn确定其数值大小；Kj为EV 用户参与度补偿系数；ζ为削峰需求量价格补偿系数，本文取值为1.1［6］；kj为EV用户参与度调整系数；kjb为EV用户的参与度；Ntj为响应时段t签约参与V2G 的EV 用户数量；Na为EVA内EV用户总数量。

在结合城市分时电价λc，t的基础上，本文定义EV 参与削峰辅助服务的放电服务价格为λdc，t，且其满足一定的上下限约束，如式（3）所示。

式中：λdc，t，min、λdc，t，max分别为EV 参与削峰辅助服务的最小、最大放电服务价格。

2 V2G可调度容量

以电动私家车为研究对象，假设每辆EV均有双向V2G 设备，当EV 空闲时，均可连接到V2G 设备。同时，EVA 可通过V2G 设备的通信功能获取EV 用户的SOC、参与V2G削峰辅助服务的意愿、位置信息等。采用出行链模拟EV 用户的出行行为［18］，结合交通路网模型模拟EV 用户的行驶路径，预测EV 用户出行期间SOC的变化，进而确定每个调度时段EV用户的V2G可调度容量。

2.1 EV出行链模型

V2G 可调度容量具有时空双重属性，基于出行链理论，结合EV用户的出行时刻、行驶里程、行驶时长的概率分布，以城市交通路网为载体，采用蒙特卡洛抽样方法模拟EV 用户在出行期间SOC 的变化情况。电动私家车在工作日的行驶目的地较为固定，故本文仅考虑家庭地点（H）、商业休闲地点（S）和工作地点（W）作为电动私家车用户的主要出行目的地。EV 在上述3 个地点之间行驶，行驶过程中其充放电行为可能发生在这3 类节点。定义简单出行链H-W-H 表示用户从家庭地点出发到达工作地点且下班后回到家庭地点的出行路径；复杂链H-W-S-H则表示用户从家庭地点出发到达工作地点上班，下班后到商业休闲地点休息，最后返回家庭地点的出行路径。将EV用户的家庭地点作为行程起始点，可得EV 用户以家庭地点为起点的各种出行路径方案如附录A 表A1 所示。EV 与交通路网耦合的出行链示意图如附录A图A2所示。

2.2 EV出行行为的时空随机性建模

EV 用户的随机出行路径方案Etra可以由行程起始点Xs、目的地Xe、行驶里程Ltra、出行时刻Ts、停止时刻Te、行驶时长Ttra、停车时长Tl等状态变量表示，如式（4）所示。

假设EV用户每日的出行时刻Ts、停止时刻Te均服从正态分布［18］，其概率密度函数分别如式（5）和式（6）所示。假设EV 用户选择最短路径行驶，EV 用户在各个地点之间的行驶路径由Dijkstra 算法获取，行驶里程Ltra的概率密度函数如式（7）所示。EV 在不同地点之间的行驶时长如式（8）所示。

式中：μ1=6.92；σ1=1.24；μ2=17.47；σ2=1.80；μ3=2.78；σ3=0.82；T0a为道路零车流时的行驶时长；xa为道路的实时车流量；Ca为道路容量；αT、βT为模型参数，取值分别为0.15、0.4。

2.3 EV耗电量模型

本文近似认为在EV的行驶过程中，随着行驶距离Ld的增加，其SOC 和实时电量均线性减小［18］。单辆EV 的充放电模型如式（9）所示，EV 在行驶过程中实时电量Ci，t的计算式如式（10）所示，EV 到达下一地点时的SOC如式（11）所示。

2.4 EV集群参与V2G可调度容量计算

V2G 可调度容量的计算流程图如图1 所示。图中：Nr为出行链链长，若出行链为简单链则Nr=2，若为复杂链则Nr=3；N为EV 数量。EV 用户参与V2G 的可调度容量与EV 电池的SOC 有关，SOC 主要与EV 用户的行驶里程有关，为此首先构建关于EV行驶里程、行驶时长等的概率模型；然后，利用蒙特卡洛方法随机模拟得到EV用户的时空分布特征；最后，统计仿真结果，将EVA 内愿意参与削峰辅助服务的EV 用户在可调度时段内参与V2G 的可调度容量进行叠加，得到每个调度时段的总V2G 可调度容量。

图1 V2G可调度容量的计算流程图Fig.1 Flowchart of calculating V2G available scheduling capacity

EV 集群参与V2G 的可调度容量和最大可调度容量的计算步骤具体如下。

3 计及V2G激励价格的EV削峰协同调度模型

在本文所提EV 参与削峰辅助服务的协同调度模型中，DSO 向EVA 发布系统的削峰需求量、分时充电电价、EV 用户参与削峰的放电服务价格等数据信息；EVA 作为中间机构，获取有意愿参与削峰的EV 用户的电池SOC，在满足用户行驶需求和所设定SOC阈值的前提下，将每辆EV 的可调度电量纳入削减容量的范围，以最大限度地发挥EV集群的储能潜力，达到较好的削峰效果。

3.1 目标函数

3.2 约束条件

3.3 多目标协同调度模型的求解算法

为了加快求解速度，本文采用等分线性化方法［19］对DSO 的目标函数进行线性化。时段t的负荷均方差可表示为：

式中：Fe，max为配电网系统原日负荷均方差；Ce，max为EV 用户不参与削峰服务时的用电成本；ω1、ω2为2个目标函数的权重系数，且满足ω1+ω2=1。

多目标协同调度模型的具体求解步骤如下。

步骤1：设置原始数据，包括EV 数量、SOC 信息等，根据式（15）求解EV参与V2G的可调度容量。

步骤2：输入常规负荷数据，构建目标函数F，并满足相关约束条件。

步骤3：以最小化F为目标求解每个时段EV 参与V2G的最优响应容量。

4 算例分析

4.1 算例描述

以我国某城市区域的典型日负荷曲线为例进行仿真分析，如附录A 图A3所示。采用峰时段和谷时段电价数据。交通网结构如附录A 图A4所示，共有45 条道路和26 个节点，分为W 区、H 区、S 区。在算例仿真中，设置优化调度周期为1 d，以1 h为时段间隔将其划分为24 个时段，EV 接受削峰调度的周期为1 h。分时电价数据如附录A 表A2 所示。为了保证DSO 和EVA 的效益最大化，将多目标函数中的权重系数设置为ω1=ω2=0.5［11］。其他算例参数说明如下：设置该区域内有200 辆EV，EV 类型及相关性能参数如附录A 表A3 所示，EV 设备性能参数参照比亚迪E5系列设置；为了维持EV 电池性能，采用慢充慢放模式，慢充慢放功率为7 kW，充放电效率为98%；设定用户均可以进行多次放电，且1 d 内只充电1 次，每次的充放电行为由用户自身决定，且所有EV 用户在夜间低谷时段进行充电；不同时序下的路段饱和参数、路段长度分别如附录A 表A4 和表A5所示；考虑EV 用户的出行链包括简单链H-W-H、HS-H 以及复杂链H-W-S-H、H-S-W-H，占比分别为65%、25%、5%、5%；EV 用户的行程时间参考文献［18］设定。

4.2 算例结果分析

DSO 制定的EV 参与V2G 的激励价格如图2 所示。由图2 可以看出，V2G 激励价格根据DSO 的削峰需求实时变化。当系统削峰需求量较大时，DSO制定的V2G 激励价格较高；当系统削峰需求量较小时，制定的V2G 激励价格较低。同时，在削峰时段即当网络有削峰需求时，DSO 制定的V2G 激励价格总是大于此时的充电价格，相比于用户仅从峰谷电价差获取收益的方式，EV 参与削峰的策略不仅满足了系统自身削峰的需求，而且增大了用户参与V2G获取收益的空间，进而提高了EV用户参与削峰经济调度的积极性。

图2 EV参与V2G的激励价格曲线Fig.2 Incentive price curve of EVs’participation in V2G

改变用户参与度系数，可得不同用户参与度系数下DSO 制定的V2G 激励价格曲线如图3所示。由图可知：当用户参与度系数提升至95%时，根据第1节所述机制确定EV参与削峰服务价格，V2G激励价格相应增大，相较于用户参与度系数为85%时的激励价格，两者最大的价格差值达到0.237元／kW，最小的价格差值为0.092 元／kW；当提升用户参与度系数后，EV参与V2G的激励价格与当前系统的削峰需求呈正相关增长趋势。

图3 不同用户参与度系数下的激励价格Fig.3 Incentive prices with different user participation coefficients

DSO 改变V2G 激励价格，EVA 内的EV 用户在图3 所示V2G 激励价格激励下各时段的总放电功率如图4 所示。图中V2G 激励价格1 和V2G 激励价格2 分别对应图3 中用户参与度系数为85%和95%时的激励价格。由图4 可以看出：在V2G 激励价格1 和V2G 激励价格2 下，DSO 与EV 用户交易的总放电功率均在时段21 达到最大值，分别为578.90、600.77 kW，双方交易的功率受V2G 激励价格的刺激，增长趋势较为明显，但是受EV出行需求的约束，用户在时段17、18 的总放电功率增长趋势不明显；在时段10—12、21、22 均出现EVA 内EV 用户参与V2G 的放电功率小高峰，这是因为此时系统的削峰需求大，且DSO 制定的V2G 激励价格较高，更多的EV 用户选择参与V2G；在V2G 激励价格1 的引导下，EV 用户在时段10、11、21、22 的总放电功率分别为555.75、532.25、578.90、545.75 kW，可见EV 用户参与系统削峰的效果明显；在V2G 激励价格2 的激励下，EV 用户在时段10、21 的总放电功率分别为582.62、600.77 kW，相较于V2G 激励价格1，此时的放电功率增幅较为明显。受用户出行需求的约束，从图4 中还可以发现：虽然时段17、18 的V2G 激励价格均大于时段15、16 的价格，但是时段17、18 的EV 总放电功率明显减少，时段15 的EV 总放电功率占总负荷的比例为8.144%，时段17 的EV 总放电功率占总负荷的比例为2.403%，这是因为采用出行链模型模拟用户的出行行为，时段17 的大多数私家车用户处于不可调度时段，所以此时用户参与V2G的可调度容量较少，这与用户的日常出行规律相一致。

图4 EV参与V2G后的系统日负荷对比Fig.4 Comparison of system daily load after EVs’participation in V2G

V2G 激励价格1、2 下EV 用户的收益与采用分时电价参与V2G 削峰的收益对比如图5 所示。由图可看出：在考虑DSO 削峰需求的V2G 激励价格1下，时段21 的EV 用户放电收益最大，达到515.17 元，而EV 用户采用分时电价进行削峰时的最大收益为196.82 元；在V2G 激励价格2 下，相较于采用分时电价进行削峰的收益差值最大为452.00 元。综上可知，EV 用户采用分时电价参与削峰协同调度和采用基于削峰需求的V2G 激励价格进行协同调度的收益差距较大，且在时段21达到差值最大值。