空调及电动汽车响应下馈线可开放容量评估

2022-08-31陈群杰杨金豪程健安

电力科学与工程 2022年8期

陈群杰，卢炜，杨金豪，程健安，任惠

（1. 国网浙江省电力有限公司杭州市钱塘新区供电公司，浙江杭州 310020；2. 华北电力大学电力工程系，河北保定 071003）

0 引言

受用地条件限制，城市配电网新建馈线会存在一定的困难。挖掘现有馈线的供电潜力，不仅能够缓解这一矛盾，同时也能够提高供电公司效益，进一步加深主动配电网的建设[1]。

馈线可开放容量是用户申报容量介入时的重要参考数据。文献[2]考虑N–1安全和网络重构，建立了配电网可开放容量评估模型；在保证供电可靠性的前提下，挖掘了切换操作带来的可开放容量空间；但是，文中没有考虑需求侧管理对供电能力的影响。文献[3]在这一方面进行了补充，建立了以用户收益最大为目标的响应模型，评估了需求响应对可开放容量的影响及作用机理。

目前，尚无公认有效的用户负荷响应差异性刻画方法。城市配电网中，居民和商业用户数目较多，且用电量差异较大、响应的随机性较高；所以，基于弹性系数的建模方法，更适用于此类定性研究。

随着电力物联网的建设，电网对商业及居民用户的感知能力逐渐加强，基于用户实际用电数据的分析成为可能。文献[4]对居民空调设备和热水器等设备的负荷响应能力进行了研究。该研究并非基于实际用电数据，并未考虑空调用户改变设定温度后，由于空调运行时段的位移，其调节量是否对馈线最大负荷产生显著影响。

绿色出行愿景下，大量电动汽车（electric vehicle，EV）接入，其中通勤用户、宅居用户的日耗电量有限，所以闲置的EV电池可以作为小型分布式储能设备，参与到电网的日常运行之中。随着电池成本的下降，这种方案可行性逐步上升[5,6]。

综上，在配电网可开放容量评估中，有必要计及空调设备的节能能力及EV的V2G能力。本文首先给出计及设备同时率的馈线可开放容量计算方法，进而通过分析空调、EV用户的用电历史数据，估计改变空调设定温度以及EV参与V2G对负荷曲线的影响。

1 计及同时率的可开放容量计算

计及设备同时率的馈线可开放容量可以通过公式（1）计算[7]：

式中：G为馈线k所负载的设备组；Tcj为馈线组中第j台设备的报装容量；Fk为馈线k的容量；kμ为馈线k所负载的设备组的同时率，为小于1的正数。

用电设备组同时率kμ定义为：

式中：Smaxk为计及大量EV用户V2G能力和空调负荷节能能力后的该用电设备组“等效负荷”的最大值。

计及空调用户节能及 EV用户的负荷响应（demand response，DR）能力，能够降低Smaxk，从而提高馈线的可开放容量。由公式（2）可知，正确评估Smaxk是馈线可开放容量评估的关键。

2 用户负荷响应能力的Smaxk估计

本节以文献[8]开源的高分辨率居民用电数据为基础展开分析。

2.1 空调节能能力评估方法

采用文献[9]方法，利用无侵入式数据分析，单独分离出用户的空调用电数据，如图1所示。

图1 空调日用电数据Fig. 1 Daily consumption data of AC

图1中，空调用户日用电数据曲线可以表示为：

通常情况下（比如制冷），空调设定的温度值越低，则空调压缩机工作的时间越长，耗电量越大。因此，可以认为，提高设定温度，可以缩短空调压缩机的工作时间，进而减少耗电量。

为了简化分析，假定如下计算条件：（1）忽略设定温度变化对停机时长的影响。（2）以提高设定温度1 ℃则节约用电6%进行估算。

调整空调设定值前后，单一用户空调用电示意图如图2所示。

图2 空调设定值调整前后用电示意图Fig. 2 Schematic diagram of electricity consumption before and after adjustment of air conditioner settings

图2中，每一个矩形块的面积为轮停工作模式下空调的一次启动运行所耗电量，可以称为一个能量块。

当相邻能量块之间的时间间隔小于Tth时，认为相邻能量块为同一个用电事件。当第i个和第i–1个空调用电模块的时间间隔大于Tth，则认为第i个空调用电能量块为一次新的空调用电事件。例如，在第i–1次空调用电模块结束后，用户离开室内，关闭空调；经过若干时间（大于Tth），用户从户外回到了户内，打开空调，于是产生了第i个空调用电模块。第i个能量块属于新的用电事件。

温度设定值升高后，空调压缩机的工作时间缩短。对此，可以缩短图1给出的空调用户用电曲线中每一个能量块宽度，进而得到设定值调整后的空调用户用电曲线。根据假设，相邻能量块的时间间隔不变，则第一个能量块之后的能量块的起始时刻发生变化，如图2（b）所示。需要注意的是，在分析计算时，无需改变一个新的空调用电事件的起始时刻。

根据上述思想，得到节能后的空调负荷用电序列，如公式（3）所示。用提高设定值后的空调负荷减去原始空调负荷数据时间序列，得到的差值负荷时间序列，如公式（4）所示。差值负荷功率曲线如图3所示。由于每一个空调负荷用电模块发生了位移，因此公式（3）和（4）中用电模块的起止时间并不相同。

图3 节能前后空调用户的差值功率曲线Fig. 3 The differential load curve of a given AC user before and after energy conservation

2.2 EV用户V2G能力分析方法

EV在非行驶时刻，可以看作是分布式储能设备。若 EV电池的放电控制影响到用户的出行，则可能引发用户对参与负荷响应的抵触。因此，在制定可开放容量规划时，若计及 EV用户的负荷响应能力，则必须首先研究用户的出行数据，合理规划EV的V2G时段和V2G能力，保证方案的可执行性。

2.2.1 用户分类

基于前期研究成果[10]，用一组行为标签标记用户，并依据行为标签对EV用户进行分类。

用户充电行为的基本特征包括充电时段、充电间隔、每次充电量和日充电量。定义用户的行为标签包括：

①习惯起始充电时段Tus：用户“开始充电”发生频率最高的时段。

②习惯起始充电时段可信度fT-us：某时段居民用户在家充电的频率值。

③工作时段起始充电可信度fT-w：用户在工作时段开始充电的频率值。

④日充电量Qd：一日内的各次充电量的累加值。

⑤充电间隔期望值E(I)：用户每次充电间隔的期望值，h。

⑥电池容量E：用户电池容量大小，kW·h。

本节仅以工作日数据为例进行分析。假设电动汽车的电力传动效率为0.15 W·h/m。考虑本文所使用的数据特点，将工作时间设置为：上班族在工作日的工作时段为 09:00—16:00，在工作日的通勤时段为07:00—09:00和16:00—18:00。

基于行为标签及上述假设，可以将 EV用户分为：长程早晚通勤上班族、短程早晚通勤上班族、早中晚通勤族、休闲居家族和宅居族。

基于 EV用户历史数据的分析，定义各类用户的特征分类标准如表1所示。附录A给出了针对各EV用户的充电特征的详细分析结果。

表1 EV用户分类标准Tab. 1 Classification standard of EV users

上班族：包含短程早晚通勤、长程早晚通勤用户。该族工作时段在家充电的可信度低，根据数据集数据分布暂定为“小于0.2”；上下班日行驶距离大于20 km，充电量大于3 kW·h，且集中在非工作时间进行充电（多集中在晚上或凌晨）。

短程早晚通勤：日均行驶距离20 km～40 km，对应日充电量期望值为3 kW·h ～6 kW·h。

长程早晚通勤：日均行驶距离超过 40 km，对应日充电量期望值大于6 kW·h。

宅居族：偶尔出行。充电间隔时长In>60 h；日充电量期望值往往很小，。

休闲居家族：工作时段，居家充电行为较多；日行驶距离和充电间隔与短程早晚通勤上班族无明显差异。。

频繁充电用户：对各类型用户进行数据分析，发现有一部分用户具有频繁充电的行为特点（在凌晨、中午、晚上都有充电行为）。分析其原因为，该类用户一天充一次电无法满足日常出行需求或具有较强的“里程焦虑”。由于此类用户没有明显的出行规律，为了避免考虑此类用户影响V2G策略的规划的可行性，所以将该类用户剔除。

2.2.2 日可参与V2G时段

根据工作时间设置，日可参与V2G时段设定如下。

时段1：0:00—TV2G；

时段2：9:30—15:30；

时段3：18:30—24:30。

时段1中，TV2G为7:00向前推移EjΔTmin/Cj_max后的时刻。

对于早中晚通勤族V2G时段，应在时段2中扣除午间通勤时间段11:30—13:30。

宅居族和休闲居家族日可 V2G时段为全部时段。

2.2.3 EV用户日可信V2G电量

定义：在置信水平为1–α下，第j个EV用户的日均耗电量为：

第j个EV用户日V2G电量与其日均耗电量Cj_ad和电池能量BE有关。假设用户每日出行开始前EV为充满状态，考虑V2G对电池带来的损耗以及防止电池过放电，用户j的日V2G电量可定义为：

式中：E为电动汽车的电池能量；Cj_ad为EV用户的日均耗电量。

结合EV出行时段，对于通勤用户：在时段1和3，可参与V2G的电量为0.8E；在时段2，可参与V2G的电量可由公式（6）计算得到。

2.3 计及空调节能及EV的馈线组Smaxk

已知原始日最大负荷曲线{D[i]}。通过求解非线性优化问题，确定各时隙的V2G电量。非线性优化的目标函数旨在实现计及空调节能和 EV参与V2G之后的负荷峰谷差最小。待优化变量为每一辆EV在第1～N个时隙的V2G电量。f为等效负荷曲线的方差。f越小，峰谷差越小，则等效负荷曲线的峰值越小。

式中：D′[i]为计及空调节能效果后的负荷，是第i个时隙的原始负荷D[i]与公式（4）所示差值负荷曲线的求和值；ΔTmin为时隙时间，h；N为日总时隙数目；M为EV用户群体；Cj[i]为第j个EV用户第i个时隙的V2G电量；Cj_avail为第j辆EV日可用V2G电量；Cj_max为第j辆EV受充放电设施限制下的单位时间最大充/放电电量。

由于EV用户在参与V2G后，需要在谷荷期间进行充电，并确保7:00之前达到满荷电状态；因此，第k个馈线组的最大负荷Smaxk根据下述方法计算：

式中：Pbar为计及空调节能效果后的年内日平均负荷的最大值；PD为D′[i]补偿V2G电量后的最大负荷。

3 算例分析

本节采用文献[8]（Pecan Street Inc, 2018）开源的居民用户空调用电数据和 EV充电数据作为算例，分析空调和电动汽车参与负荷响应对馈线可开放容量的影响。

配网其他参数参考IEEE的RBTS-bus4算例数据[3]。该算例主变S1—S4的容量为16 MVA，S5—S6的容量为10 MVA。变电站SP1、SP2下的馈线容量为 6.91 MVA，SP3下的馈线容量为5.83 MVA，功率因素为0.9。负荷曲线选用文献[11]给出的负荷曲线。

以SP3下的容量为5.83 MVA的馈线为例进行分析。假设该馈线送电区域有 300个空调用户以及表2中所列出的16个EV用户参与负荷响应。

表2 部分典型用户类型及标签Tab. 2 Types and labels of some typical users

3.1 空调用户节能对Smaxk的影响

图4所示为空调用户日总用电负荷曲线。

图4 300户空调日负荷曲线Fig. 4 Daily load curve of 300 air conditioners

空调用户用电事件间隔时间分布如图5所示。定义概率大于95%的间隔时间为Tth。根据图5，可确定Tth的取值。

图5 空调用电事件间隔时间概率分布Fig. 5 Probability distribution of time intervals of AC consumption event

通过改变空调制冷设定值实现节能。将用户设定温度提高1 ℃后，得到300个空调用户日总用电负荷与原日总用电负荷的日差额功率曲线如图6所示。差额功率即为节能功率。由图6可知，300个空调用户日最大节能功率小于0.006 MW。因此，在不给用户带来明显不良体验的前提下，提升空调设定温度，对提升馈线可开放容量并无明显作用。

图6 空调集群差值负荷曲线Fig. 6 Air-conditioning cluster differential load curve

如果配网在峰荷时段发起基于激励的负荷响应项目，则空调用户短时关闭空调，于是可得到如图7所示响应后的负荷曲线（浅蓝）。300户空调在高峰负荷时段参与基于激励性的负荷响应，可将最高负荷降低5.8%。

图7 空调集群参与负荷响应的效果Fig. 7 Effect of air-conditioning cluster participating in load response

3.2 EV用户参与V2G对Smaxk的影响

表3给出了16个EV用户在时段2的V2G容量。其中：SDMEC和LDMEC用户总的日V2G电量为0.123 56 MW·h，MNEC用户总的日V2G电量为0.026 46 MW·h，LU和IU用户总的日V2G电量为0.065 43 MW·h。日V2G总电量为0.215 MW·h。

表3 部分EV用户时段2日可V2G容量Tab. 3 Daily V2G capacity of partial EV users during period 2 MW

图8给出了给定负荷曲线下，16个EV参与V2G对负荷曲线产生的影响。图8（a）负荷曲线的平均负荷Pbar为2.08 MW。在高峰负荷时段，本组EV通过V2G共放电0.196 9 MW·h。由于调整后的峰荷时刻与电动汽车出行时刻冲突，有0.018 MW·h的V2G电量未能参与放电。考虑V2G后，最大负荷Smaxk为 3.79 MW，可开放容量较EV参与V2G前增加11%。

图8 给定负荷曲线下EV放电对负荷曲线的影响Fig. 8 The influence of EV discharge on load curve under the given load curve

EV用户的出行规律影响EV用户群组日实际V2G电量的大小及可以放电的时刻，进而改变对馈线可开放容量的影响。

根据2.2.1节对EV用户的分类及其出行规律的分析可知，LDMEC、SDMEC用户和MNEC用户无法参与15:30—18:30的V2G，只有LU和IU用户可以参与该时段的V2G。而MNEC无法参与11:30—13:30的 V2G，其他类型用户可以参与该时段的V2G。因此，本部分通过改变几种属性EV用户的占比，研究 EV用户类型改变对馈线可开放容量的影响。

令长程早晚通勤上班族和短程早晚通勤上班族、早中晚通勤族以及休闲居家族和宅居族的比例分别为：（1）4.5:1:2.5；（2）2.5:1:4.5；（3）4.5:2.5:1。表4给出了该条件下的仿真结果。

表4 EV用户不同组成对可开放容量的影响Tab. 4 The influence of differnet composition of EV users on available open capacity

在图8（a）给出的负荷曲线中，在下午15:30之后存在负荷高峰。然而为了保证用户出行的刚性需求，通勤用户无法参与15:30之后的V2G。IU和LU用户很少出行，可以在全时段参与V2G。因此：提升 IU和 LU用户占比，可以在总的日V2G容量不变的情况下，更充分地利用EV用户的V2G电量，进而提高馈线可开放容量提升的程度；而降低IU和LU的占比，则会导致馈线可开放容量的下降。

4 结论

本文提出了基于空调用户和 EV用户历史用电数据分析的馈线可开放容量评估方法。针对空调用户，采用温度设定值升高1 ℃，节能0.06%的估算方法——避免了直接分析聚合用户带来的用电时段的误差，且避免了逐一建模导致的复杂度。针对 EV用户，则通过分析其历史充电数据来估计其日V2G时段及日V2G容量。最后，通过本文提出的方法，评估了 EV用户对馈线可开放容量的影响。

研究结果表明：

正常运行时，升高空调用户温度设定值1 ℃，对降低馈线最大负荷没有明显效果。在紧急情况下，可以通过短时切断一定数量的空调用户的用电，来降低馈线最大负荷。以本文算例为例，考虑到空调负荷的实际用电时段，可以将最大负荷降低5.8%。

由于 EV用户的用电及出行时段具有一定规律性，可以在馈线可开放容量规划中考虑 EV用户的V2G能力。分析表明，在计及EV用户的刚性需求、在峰荷时段不同、同一组 EV用户中各类用户占比不同的计算条件下，参与常态化的负荷响应对增加馈线可开放容量的影响不同。

通过本文提出的方法，结合实际馈线负荷曲线，可以得到客观的估计结果；该结果可为业扩业务提供参考。

在下一步研究中，将会考虑在系统发生N–1故障时，切换操作对馈线可开放容量的影响。

附录A

针对各类EV用户充电特征的详细分析图。