基于用户偏好的电动汽车储能V2G策略优化

2023-08-29洪睿洁顾丹珍莫阮清蔡思楠张超林

储能科学与技术 2023年8期

洪睿洁，顾丹珍，莫阮清，蔡思楠，张超林

（1上海电力大学，上海 200090；2国网上海市电力公司经济技术研究院，上海 200030）

近年来，碳减排已成为一个重大的全球性问题。交通运输作为能源消耗和温室气体排放的重点领域之一，2021 年将分别占中国和全球碳排放总量的10%和25%，其中公路运输占80%。汽车逐步电动化已经在全世界达成共识。在“双碳”背景下[1]，政府部门进一步提出推进新能源汽车与电网能量互动试点示范并且坚持市场主导、政府引导的思路[2]，通过引导电动汽车充放电行为，起到稳定电网和支持大规模可再生能源入网的作用。

目前V2G(vehicle-to-grid)[3]处于示范推广阶段，推广成本高及各方参与热情低是当前V2G 市场发展缓慢的瓶颈问题。准确把握消费者的偏好对提高用户参与V2G 的积极性以及聚合商进行精准调度具有重要意义。文献[4-7]研究结果表明，在限制和非限制城市以及不同发展阶段的城市中，消费者对电动汽车的偏好存在显著的异质性。行驶里程和充电站密度是消费者选择电动汽车的关键影响因素，不同的购买群体有不同的偏好。较多文献对V2G充放电建模进行了研究，对于充电建模通常基于大量的行为统计调查，从海量数据中以概率密度函数对其行为特性进行分析归纳[8-10]，而当前V2G 试点项目较少，数据有限，对V2G 建模的研究一般是将电动汽车用户放电作为随机行为，建模对象用车行为设定较为单一，缺少对不同偏好电动汽车用户参与V2G 用车行为的研究，而实际上电动汽车用户对汽车使用灵活性的渴望和对汽车停放时间的缺乏意识都会导致放电行为的不确定性[11-12]。因此无法模拟出电动汽车用户真实的放电行为。

目前有较多针对电动汽车充放电策略优化的研究，如文献[13-15]围绕了可再生能源消纳比率、可调度容量、调度响应时间、负荷平稳度和调度运行经济效益等多个指标建立了多目标优化模型，对V2G 调度优化的策略进行评估，但缺少对V2G 调度策略优化后社会效益的评估。文献[16-17]基于电力和交通系统建立了以成本和碳排放为目标的优化模型，但只采用了无序和有序充电模型进行分析，没有结合V2G模型进行分析。

鉴于此，本工作以电动汽车用户的放电截止电池容量和所需的插电时间为分类标准对其进行更加详细的群体划分，更加准确地模拟电动汽车用户的放电行为，进一步优化电动汽车V2G 的充放电策略。再结合案例进行分析，旨在评估该建模方法和优化策略的经济效益和社会效益。

1 电动汽车储能V2G策略优化框架

通过用车偏好的问卷调查结果，根据不同私家车的用车习惯将私家车用户分为Q个群体，并对各个群体的用车行为进行建模，得到各个用户群体的负荷特性曲线。当需要调度时，结合负荷特性曲线和优化模型，可求得完成指标所需各类群体的数量，根据该数量分布向电动汽车用户传达调度信息。

图1 优化框架Fig.1 Optimization framework

2 电动汽车V2G充放电模型

电动汽车的充电行为存在不确定性，各特征参数均呈现分布特性，故采用蒙特卡罗抽样法建立了电动汽车无序充电模型。建模过程中，仅考虑充电起始SOC(state of charge，剩余电量)、结束SOC和充电起始时刻的分布特性，其中充电起始SOC和结束SOC 均采用正态分布描述，采用概率描述分布充电起始时刻。

根据各类电动汽车习惯和充电行为特征，假设有N辆电动汽车，第n辆电动汽车用户的充电起始SOCn,begin服从期望μbegin，方差的正态分布[18]，充电结束SOCn,end服从期望μend，方差的正态分布，如式(1)和式(2)所示。

其中，tn,begin为第n辆车的充电起始时刻；tn,end为第n辆车的充电结束时刻；tn,length为第n辆车的充电时长；C为锂电池充电容量；Pcharge为充电功率；ηcharge为充电效率。

分时电价通常将一天分为峰时段、平时段和谷时段，在无序充电的基础上，若电动汽车在峰时段充电，认为该电动汽车具有参与有序充电的潜力，在该群体中随机抽取一定比例的电动汽车用户参与有序充电，将其充电起始时刻由峰时段转移至谷时段，得到每辆汽车的充电计划并对每辆电动汽车的充电负荷进行求和得到有序充电总负荷。

第n辆电动汽车的充电负荷如下:

其中，Qn,t为各时间段每辆电动汽车的充电功率；Pn为每辆电动汽车的充电负荷；fcharge为充电频次，即一周充电的次数；T为时间序列[T1,T2, …,Tj]。

V2G是指电动汽车与电网进行双向互动，即电动汽车既可以充电也可以放电。假设电动汽车可在某个负荷高峰时段向电网放电，当电动汽车电量大于A时，可参与放电。放电截止容量为Soc,v2g。假设可放电时间段为Γ，首先判断第n辆车是否满足放电条件：当第n辆车不在放电时段充电并且在可放电时间段内电量大于A，即tn,end∉Γ并且SOCend>A时认为该车满足放电条件，则满足放电条件的第i辆电动汽车可在Γ时间段内进行放电。假设电动汽车放电功率为Punit,v2g，放电效率为ηv2g，则第i辆电动汽车的放电时长和放电结束时间如式(8)和式(9)所示：

其中，ti,v2g,length为第i辆车放电时长；SOCi,end为第i辆车参与放电时的电量；ti,v2g,begin为第i辆车放电起始时刻；ti,v2g,end为第i辆车放电结束时刻。

第i辆电动汽车Γ时段参与放电后于谷时进行充电，使其充完电的电量与放电前电量保持一致，第i辆电动汽车充放电模型如下：

其中，Qi,t,v2g为第i辆车各时间段的充放电功率；为放电后电动汽车参与有序充电的充电时长；为放电后电动汽车参与有序充电的充电结束时刻；Pv2g为V2G 参与度为β时的充电负荷；P∗为有序充电负荷；fv2g为电动汽车用户参与V2G的频次，即一周参与V2G的次数。

3 车-网互动调度优化模型

文献[19]使用来自全国偏好调查的数据，对V2G电动汽车的潜在消费者需求进行了研究。并在选择实验中，将“所需的插电时间”和“保证的最小行驶里程”作为偏好属性对3029 名受访者进行了问卷调查并将他们对于油车与V2G 电动汽车的偏好进行了比较。基于此将问卷中电动汽车用户最小行驶里程的指标换算成放电截止电池容量即电动汽车用户参与放电时能够接受的最小放电截止容量，并将放电截止电池容量和所需的插电时间作为指标对私家车用户群进行分类建模。假设某一私家车空闲时间为tfree，放电截止容量为Soc,v2g，放电起始容量为，放电起始时刻为tv2g,begin，放电起始时长为tv2g,length，结合某电动汽车APP 中的放电试点中的规定：放电上下限差值最小为30%，即参与V2G放电的用户放电量不得小于30%。由第2章的V2G原始模型可知，该模型只对参与放电时间和参与放电时的电量进行了约束，因此在该模型的基础上增加对电动汽车用户空闲时间和截至放电时的电池容量的条件约束，如式(13)～(14)所示：当电动汽车空闲时间大于其放电至截止电池容量时所需放电的时间则按正常计划进行放电，当电动汽车空闲时间小于所需放电时间时并且在空闲时间内放电上下限值大于30%，则仅在空闲时间放电，空闲时间结束时中止放电。

基于文献[20]中所述的电动汽车聚合商参与电动汽车调度策略可知，汽车聚合商的收益的主要来源是电力公司根据电动汽车聚合商对当日调度计划的执行情况进行的报酬与结算。为了达到目标负荷的削峰效果并且同时降低电力公司的负荷调度成本，当电动汽车聚合商的出力大于调度目标时则按照调度计划结算，若聚合商出力小于调度目标时则按照实际削减量结算，但若调度的偏差超过电力公司所允许的最大值λmax时，电力公司可以对电动汽车聚合商进行罚款，假设超出部分的罚款为λ，则电动汽车聚合商的收入为：

其中，PV2G,t为t时刻电动汽车参与V2G的总负荷，Fpunish为聚合商调度偏差超过电力公司允许最大值时需缴纳的罚款，q为聚合商给予用户的放电损耗，Pneed,t为当日t时刻的调度计划。

由于本工作聚合商收益模型的求解是非线性规划问题，因此采用粒子群算法对目标函数进行求解。首先导入已建立好的基本电动汽车充放电模型，再基于提前设定的分类标准对导入的用户数据进行筛选和分类，并初始化粒子信息和参数，分别求出每个粒子的适应度和个体最优，通过对比个体最优和全局最优来更新全局最优同时更新粒子的速度和位置，直至满足进化的最大次数，优化模型求解流程如图2所示。

图2 粒子群优化模型求解流程图Fig.2 Flow chart of particle swarm optimization model solution

4 V2G节能减排效益评估模型

本工作使用的电动汽车电耗折算方法采用GB/T37340—2019《电动汽车耗能折算方法》中的CO2排放折算法，此方法通过与传统燃油车燃料燃烧产生的CO2进行换算，将电动汽车消耗的电量转化为发电阶段产生的CO2排放量。具体换算方法如下：

式中，FCCO2为当量燃油消耗量，L/100 km；E为车辆的电能消耗量，kWh/100 km；FCO2为CO2折算因子，L/kWh，由式(20)计算得到。

式中，TЕ为火电供电标准煤耗，kg/kWh，本工作取值为0.306；TC为燃料煤的CO2排放因子，即单位煤燃烧所产生的CO2排放量，kg/kg，取值为2.53；φ为火力发电比例，取值为70.19；TF为燃料的CO2排放因子，即单位燃料燃烧所产生的CO2排放量，汽油为2.38 kg/L；tM为燃料煤与标准煤的折标系数，取值0.91；ich为充电效率，取值为90%；itr为线损率，即输送和分配电能过程中损失的电量占供电量的百分比，取值为5.62%。将已知参数代入式(20)得到CO2折算因子为0.3。

5 算例分析

5.1 算例数据

本部分将电动汽车用户最小行驶里程的指标换算成放电截止电池容量，得到20%、30%、40%三个偏好，对应的放电截止电池容量需求分别是低、中、高，并将每天所需插电时间分为小于等于5 h和大于5 h，由此计算可得参与放电最小时间为3 h，即空闲时间较少的用户参与放电时间为3～5 h，由此得到如表1所示的六类用户群。

表1 用户群偏好分类Table 1 User group preference classification

A 类电动汽车用户对放电截止容量需求较低，并且空闲时间较少，即当其参与放电时，放电时长超过3 h，便随时可能中止放电，或者电量到达20%左右中止放电。B类电动汽车用户的空闲时间较多，对于放电时长没有要求，因此开始放电后电量到达20%左右中止放电。由此类推，C、D、Е、F 类用户相较于A 和B 类用户对于放电截止容量需求更高。

5.2 不同偏好电动汽车群体放电负荷特性

结合第2部分V2G放电模型和第3部分优化模型对A～F 类电动私人乘用车群体和公务乘用车进行建模并用正态分布函数进行拟合，得到单台私人乘用车的放电负荷特性曲线如图3所示，单台公务乘用车的放电负荷特性曲线如图4所示。

图3 各类私人乘用车负荷特性曲线Fig.3 Load characteristic curves of all types of private passenger vehicles

图4 各类公务乘用车负荷特性曲线Fig.4 Load characteristic curves of various official passenger vehicles

由A～F 类电动汽车用户群负荷特性曲线拟合可知A、C、Е 类放电时间较集中，并且最大放电功率较一致而其余类型用户的负荷特性曲线较分散，相较于私人乘用车，公务乘用车负荷特性曲线较集中，并且私人乘用车和公务乘用车的F类负荷特性曲线相差较大，前者放电高峰位于15∶00，后者位于17∶00。

5.3 调度优化结果

基于文献[21-22]中多个聚合商的调度信息，设置六组调度目标如表2所示，根据上节负荷特性曲线和函数模型可得到不同调度目标下各类电动汽车用户群最优数量分布如图5所示。

表2 六组调度目标 (单位：MW)Table 2 Six scheduling objectives (unit: MW)

图5 不同车型用户群最优数量分布Fig.5 Optimal quantity distribution of user groups of different vehicle types

根据图5的用户群最优数量分布可知，不同的调度目标下，对于各类用户的需求不同，如在第一组调度目标下，对Е类私人乘用车需求较大，调度时聚合商可将调度信息优先发布给Е类用户，根据Е类用户的响应情况进行后续调度，如果Е类用户响应不足，则再将对D 类用户进行调度，由此类推，根据最优数量分布进行分层调度。

根据上图的最优数量分布可求得优化前后聚合商收入进行对比，如图6所示。

图6 优化前后聚合商收入对比Fig.6 Comparison of aggregator revenue before and after optimization

由图6可知，不论是私人乘用车参与调度还是公务乘用车参与调度，优化后聚合商的收益均有明显提高，根据图中收益增加率曲线可知，私人乘用车参与优化后聚合商收益率平均增加98%，公务乘用车参与优化后聚合商收益率平均增加89%。为了进一步研究两种车型同时参与V2G调度优化效果，求取私人乘用车和公务乘用车同时参与V2G 调度优化的用户群最优数量分布，并求取优化后的聚合商收益，将其与私人乘用车和公务乘用车单独参与调度优化的收益进行对比如图7所示。

图7 组合优化收益Fig.7 Combinatorial optimization income

由图7可知，私人乘用车和公务乘用车同时参与优化调度时聚合商收益最高，比私人乘用车和公务乘用车单独参与优化收益平均提高了11%，由此可得组合优化后的聚合商收益最高，即经济效益最好。

5.4 V2G节能减排效果评估

结合前一节各类电动汽车用户群最优数量分布数据和第4 部分中电动汽车耗电量数据并根据式(19)、(20)对比计算优化前后电动汽车的日碳排放量，得到图8所示减排潜力预测。由预测结果可知，优化后，私人乘用车平均节能减排率均为20%，公务乘用车平均节能减排率均为22%，组合优化后平均节能减排率达到27%，由此可见，组合优化后的社会效益最好。