基于规模化电动汽车接入的微电网优化调度策略

闫福标， 张 艳

（安徽工程大学 电气工程学院， 安徽 芜湖 241000）

随着城市工业化进程的加快，污染已经成为我们日常生活中的一大挑战。化石燃料的燃烧带来了许多有害气体，对环境，生态系统的平衡造成严重的影响，为了响应国家节能减排的号召，对零排放，零污染的可再生能源的利用成为当前一个研究热点。

微电网的产生为可再生能源的消纳提供一个新的途径。微电网主要由储能设备、能量转换系统、负荷监测、分布式电源和一系列保护装置组成的小型发电系统[1]。组成分布式电源包含燃气轮机组，光伏机组，风力发电机组等小型发电设备。 微电网具有污染低，成本较小，易于管控和维护等特点。既可以在孤岛模式下进行自我保护，故障检测，功率平衡控制等复杂的功能[2]。 也可以同大电网在并网模式下进行能量互通。

由于可再生能源具有波动性，对产生电能的质量造成影响，使微电网的供电具有不稳定性。 因此当前对微电网的研究主要集中在优化调度和能量管理，文献[3]考虑到可再生能源发电的不确定性，为了解决AC/DC 混合微电网优化问题， 提出了需求侧响应策略，以电价引导用户进行合理充电，同时采用非支配排序遗传算法以及整型规划策略对多目标问题进行优化。 文献[4]考虑可再生能源出力的不确定性。根据蒙特卡洛方法估计成本函数值的期望和方差，同时采用粒子群优化算法构造了基本电源调度方案以及利用BP 神经网络构造了调频电源的调频策略，最终得到了孤岛微电网情况下的两阶段调度方法。文献[5,6]针对传统粒子群算法容易陷入一个局部最优解，收敛速度变得缓慢或者出现较早收敛的情况[7]，把粒子群算法同其他算法相结合，提出改进的粒子群算，得到了更优的处理结果。

鉴于电动汽车具有充-放电双重行为， 以电动汽车户用的充-放电意愿出发， 将规模化电动汽车接入微电网， 为微电网的优化提供了一个新的途径，通过在负荷高峰期进行放电，负荷低谷进行充电的行为，能够较好的起到“移峰填谷”的作用，从而减少电网的负荷波动， 同时对电动汽车用户而言，可以产生一个更小的充电费用。

本文以社区微电网作为研究背景，将微电网的运行总收益为优化对象， 从电动汽车户用的充-放电意愿出发，提出电动汽车充放电优化策略；并构建一个含有风光燃储车的优化调度模型，通过改进粒子群算法中的惯性权重、个体学习因子和社会学习因子对优化调度模型进行寻优，给出规模化电动汽车接入的社区微电网优化调度策略。

1 微电网系统结构

本文的微电网主要由风能发电机组，光伏发电机组，储能电池组，燃气轮机组，电动汽车群构成。在并网模式下，调度过程如下：

（1）为了响应环保的指令，优先使用可再生能源（风，光）出力，在风光出力不能满足区域负荷的情况下，使用燃气轮机为主要供给能源，储能电池，电动汽车作为辅助能源进行电量补给，如果依然不能满足区域负荷需求，需要从大电网购电补偿。

图1 微电网系统

（2）在可再生能源（风，光）出力能够满足区域负荷需求且有大量负荷剩余的情况下，可以给储能电池和电动汽车进行充电， 同时可以卖电给大电网，以保证对可再生能源的最大程度利用。

1.1 发电单元和储能元件的数学模型

1.1.1 风能发电机组

风能发电机组组输出功率和风速大小有关，风能发电输出功率如公式所示[8]：

其中v,vin,vout，ve分别为实际风速， 风机切入风速，风机切出风速和风机额定风速，单位m/s。 ω1，ω2，ω3是发电机的特征参数，其中ω1在实际计算中认为零，Pe是风力发电机的额定功率，单位kW。

1.1.2 光伏发电机组

光伏发电机组的输出功率主要和光照强度，环境温度等决定，光照强度越高。 光伏电池的最大输出功率也将变大，环境温度的提升会影响光伏电池内部组件的温度，进而导致光伏电池的最大输出功率变小。 光伏电池的理论输出功率的表达式为[9,10]：

其中PPV为光伏电池组的理论输出功率，PSTC为光伏电池组基准测量下的最大输出功率，G 为光照强度的强弱，GSTC表示在基准测量下的光照强度强弱，αPV为光照温度系数，TC表示光伏电池组表面温度，TSTC为光伏电池组组的参考温度。

由于存在天气等不稳定因素，光伏电池组的实际输出功率是小与理论输出功率的，其实际输出的功率可表示为:

其中Ptrue·PV为光伏电池组的实际输出功率，fPV为光伏电池组的输出效率，NPV为光伏电池组的电池数量。

1.1.3 燃气轮机组

燃气轮机主要燃料为天然气和甲烷，其燃料费用数学模型可以表示为[11]：

其中CMT为燃料成本（即发电所需费用），Cfu为燃气的单位价格， 本文采用本地天然气的价格2.6元/m3，LHV 为天然气的低热值， 通常为9.7kW/m3，PMT燃气轮机组的输出功率，η 表示燃气轮机组的效率。

1.1.4 储能电池组

储能电池主要有充电和放电两种状态，某一时刻，储能电池的荷电状态关系式有[8]：

其中，SOC(t)为储能电池在t 时刻的剩余电量，δ 为储能电池的固有放电效率（维持自身化学反应所需耗电率），λ 为储能电池的充电和放电效率（大致相同），Pin(t)，Pout(t)分别为充电和放电的功率，Pe为储能电池的额定容量。

1.1.5 电动汽车充放电成本模型

电动汽车的剩余行驶里程、预期行驶里程以及续航里程决定了电动汽车参与充放电的行为和充放电用时，本小节首先给出充放电参与时间的数学模型：

（1）预期充电持续时间

则：预期充电结束时间为t2=t2-CX+t1，用t3表示实际充电结束时间，t1表示实际充电开始时间，充电功率为P1。

（2）实际放电持续时间

其中，电动汽车剩余行驶里程为S1,预期行驶里程S2，续航里程为S3，百公里耗电量L，放电功率为P2。

以一天为周期，用T=[T0,T1,…,T23]表示一个周期的时间向量，其中Tk为第k 时刻。24 个时间段的分时电价为：C=[C0,C1,…,C23]，其中Ck为[Tk,Tk+1),k=0,1,…,23 时间段对应的电价。充放电序列用j=[j0,j1,…,j23]表示，其中

为了获得优化的电价策略，减少用户的充电成本，可根据用户的充电允许时间，在分时电价序列中选取电价较低的时间段进行充电，其充电序列寻优策略的思想如下：

步骤1寻找允许充电时间段中的最高电价所对应的时间序列的下标，其表达式为：

subsc{ai}表示取向量a={a1,a2,L,ai,L,an}中元素ai的下标i；max{a}表示取向量a 的最大元素；j充⊗C=j充kck表示向量j充与C 中对应元素相乘。

步骤2若t3>t2+1，则最高电价时间段i，电动汽车可以不参与充电，此时令ji=0，则充放电序列j充充的元素更新为：

可得到充电序列寻优策略流程图如下：

注释1图2 中的判断⎿t3-t2」<1，运算符⎿·」表示下限取整。

图2 电动车充电序列寻优策略流程图

同理，用户的放电策略可根据用户的放电允许时间，在分时电价序列中选取放电电价较低的时间段不参与放电，其放电序列寻优策略的思想如下：

步骤1先寻找允许放电时间段中的最低电价所对应的时间序列的下表，其表达式为：

其中min{a}表示取向量a 的最小元素。

步骤2令ji=0，即最低电价时间段，电动汽车不参与放电；由公式（9）推得

更新放电时间序列，则j放=(jk)。

电动汽车放电序列寻优策略流程图可参考图2 类推，此处不再缀写。

综上可得充电费用和放电收益可表示：

2 微电网收益数学建模

2.1 目标函数

微电网优化调度优先考虑最大化消纳可再生能源，其运行收益作为需要优化的对象。

2.1.1 微电网运行收益

微电网运行收益可表示为：

其中，Cincome，C1，C2，C3，分别为机组发电获得的收入，机组的燃料成本，机组运行维护所需费用，微电网和主网能量交换成本。

Cfuel表示燃气轮机的燃料成本，LHV 表示燃料的低位热值，η 表示燃气轮机的效率，Ci，i=1,2,3,4分别表示光伏发电机，风能发电机，燃气轮机和储能电池模块所需运维费用。Cin(t)表示微电网从大电网购电的电价，Pin(t)为微电网从大电网购电量。 Cout(t)表示微电网向大电网卖电的电价，Pout(t)为微电网向大电网卖电的电量。

2.2 约束条件

为了微电网能够稳定的运行，需满足以下约束条件：

（1）微电网系统功率平衡约束：

其中PEV(out)(t),PEV(in)(t),PL(t),PPV(t),PWT(t),PMT(t),Pbat(t),Pgrid(t)分别对电动汽车充放电，居民负荷，风力机组，光伏机组，燃气轮机组，蓄电池组以及大电网在t 时刻的输出功率。

（2）发电系统最大功率约束，本文主要指燃气轮机出力约束：

（3）储能电池电量约束，过多的充放电行为会对储能电池造成严重损耗，减少使用寿命，故需对电池的荷电状态进行约束：

通常SOCmin 取值0.3，SOCmax 取值0.95。

3 改进的粒子群算法

粒子群算法是一种进化计算技术的智能算法，通过观察自然界鸟群觅食的行为，进而采用无质量的粒子来模拟鸟群觅食的一种过程.它的核心思想是通过个体间的信息共享和协同合作来获得最优解。 基本流程如下：

图3 粒子群算法流程图

开始随机初始化一群粒子，粒子位置为：

粒子速度为：

粒子通过下列公式更新速度和位置信息，并不断的迭代寻优，直达找到最优解。

式中,i=1,2,3…,m；r1,r2取0 到1 之间随机数；表示粒子i 在第k 次迭代过程中第d 维的位置以及速度；ω 为惯性权重；c1，c2表示学习因子；分别表示为在第k 次迭代过程中第d维第i 个粒子的个体最优解和全局最优解。

本文采用粒子群算法时，每个粒子个体都包含光伏，风力发电，燃气轮机，储能电池等微型电源单元，也就是说每个粒子都表示为一种电力系统的运行方式。

(1)调整粒子的惯性权重：

为了满足算法前期进行全局搜索，后期进行局部搜索， 且根据惯性权重ω 较大时有利于全局搜索，较小时有利于局部搜索的特点。 故采用一个递减的的惯性权重。

其中k 表示为当前迭代的代数。 kmax表示总迭代代数。

(2)调整粒子的学习因子：

c1较大时全局搜索能力强，c2较大时局部搜索能力强， 在迭代过程中考虑先全局搜索后局部搜索。 故提出下列学习因子的改进。

其中k 表示为当前迭代的代数。 kmax表示总迭代代数。由于c1，c2的取值范围并不固定，在采用几组已经提出的数值范围后，得出在1～2 这个范围优化结果相对更优，故取值c11=2,c12=1,c21=1,c22=1。

4 算例分析

4.1 算例数据

本文采用并网型风/光/燃/储，电动汽车微电网系统，由风力发电机组，光伏发电机组，燃气轮机组，储能电池组，电动汽车及大电网构成。以一天为一个周期，在并网情况下，微电网向大电网购电费用采用华东地区某市的两时段电价：8:00-22:00 电价为0.5953 元/kwh，谷时段：22:00-次日8:00 电价为0.3153 元/kwh。 大电网向微电网购电的补贴电价为：0.7 元/kwh。而微电网可以通过调节电价间接的控制电动汽车的充放电行为，本例中电动汽车向微电网充电电价和放电电价如表1 所示：

表1 电动汽车向微电网充、放电电价表

4.2.1 电动汽车接入前后的负荷变化

鉴于电动汽车的充放电功能，图4 给出了电动汽车参与前后基于有序充放电策略的负荷功率图。由图可知，电动汽车很好的起到了一个“削峰填谷”的效果。

图4 电动汽车参与前后的负荷曲线图

4.2.2 各单元输出功率

在并网情况下，用电负荷由微电网中各个发电单元提供，在必要时由大电网补偿性出力。 经过优化后各个单元的功率曲线见图5，其中“+”表示输出功率，“-”表示吸收功率。

图5 各发电单元功率输出

从图中可以看出：在夜间00：00-05:30 这段时间，由于缺乏光照，光伏发电机组停止运行，这段时间居民负荷处于低谷时期，完全由风力发电机组提供电能，同时剩余的电能卖给大电网和给储能电池和电动汽车进行充电。从05:30-12:00 这段时间，光伏机组开始运行，随着时间的推移，居民负荷在正午时段来到了一个小高峰，可再生能源产生的能量不足以支撑负荷需求，此时燃气轮机和储能电池开始工作， 同时电动汽车在10:00-13:00 进行放电行为，消纳一部分居民负荷。

在16:00-22:00 这段时间， 光照强度的减弱使光伏发电机组出力不足，此时燃气轮机和储能电池重新开始了工作， 同时电动汽车从18:00-22:00 开始进行放电，在七点到九点这一区间，居民负荷达到了一个最高峰，各个发电单元总出力难以满足负荷需求，这时需要从大电网购电，用来维持居民高峰用电。

4.3 改进算法下的运行收益

图6 算法优化下的运行收益

其中本文改进的粒子群算法得到的运行收益为8105.7 元，文献[12]的算法得到的运行收益为8084.3元。

5 结论

本文以社区微电网作为研究背景，将微电网的运行总收益为优化对象， 从电动汽车用户的充-放电意愿出发，提出电动汽车充放电优化策略。 并构建一个含有风光燃储车的优化调度模型，从仿真结果可以看出，电动汽车的接入起到了“削峰填谷”的作用，同时通过改进的粒子群算法得到了一个较优的运行收益， 验证了本文所研究的可行性和有效性。