基于需求响应的EVs参与风电功率分层优化调度策略研究

吴 爽,张 春*,吴零晨,童泽军,高鹏程,李浩宇

(1.高端装备先进感知与智能控制教育部重点实验室,安徽芜湖 241000;2.安徽工程大学电气工程学院,安徽芜湖 241000)

0 引言

随着全球可再生能源发电迅速增长以及电动汽车(ElectricVehicle,EV)等非常规负荷的接入,传统的电网协同调度方法已无法满足电力系统运行的需要[1].EVs的储能特性可视作电网中移动的储能电源,通过EV入网(Vehicle to Grid,V2G)技术可实现电网与EV的双向互动,并且EV具有极强的调度灵活性,可以有效弥补电力系统的旋转备用和峰荷电源[2].因此考虑EV如何参与风电协同调度是目前需要解决的问题之一.

针对EV入网对电力系统的影响,文献[3]对风光出力随机性以及电动汽车主动参与综合能源低碳经济调度问题进行了研究.文献[4]对电动汽车的时空负荷特性进行分析并结合限制的充放电功率制定了电动汽车有序充放电策略.文献[5]基于分时电价,提出了一种由集群代理商进行决策的充放电策略.与此同时,EV用户是否参与电网调度以及参与意愿是否强烈等会直接影响调度策略的运行效果,因此在调度过程中需要考虑EV用户参与电网调度这一重要因素.文献[6]提出了考虑用户积极性的电动汽车与机组联合调频的两阶段随机规划调度模型.文献[7]在提出大规模电动汽车有序充电策略基础上,提出了将该群体策略分配至每一辆电动汽车的负荷分配策略.文献[8]建立了考虑车主与电网互动意愿,基于电网调峰策略的换电站实时定价模型.

上述研究内容重点考虑了电动汽车集群的随机性问题,但是缺少对单个电动汽车行驶特性的深入研究.为此,本研究在已有研究基础之上,针对电动汽车充放电特性给微电网带来的影响,考虑电动汽车这一柔性负荷及其负荷可转移特性,建立电动汽车充电负荷模型.采用价格型需求响应,在电动汽车充放电调度部分进行分层控制,以分时电价引导用户转移电动汽车用能时段,使部分负荷发生转移,从而更多地消纳多余风电,构建以分时电价为引导的电动汽车优化调度策略.该策略通过在EV控制器内设定阈值来判断系统是否存在弃风,提高了系统的运行效率;同时考虑到电网的经济性、可持续发展以及用户自身满意度,建立多目标模型进行调度优化;最后通过算例验证了本调度策略的有效性.

1 电动汽车充电负荷模型

根据目前电动汽车发展情况,以利用分布式充电桩常规充电的私家电动汽车为对象,建立其充电负荷模型,并做出如下假设:

1)EV每100 km耗电量固定为15 kW·h;2)EV每次进行充电都将充满;3)本文中的V2G放电被看作是一个负的负荷,其相关特性与充电类似;4)本文中将电动汽车充电过程简化为恒功率充电,考虑到汽车在充电桩充电时为常规充电,其充电起始、结束时间相对于整个充电过程可以忽略;5)汽车的开始充电时间和日行驶里程是相互独立的随机变量.

1.1 行程结束时刻与日行驶里程概率模型

根据美国国家公路交通安全管理局在2019年公布的官方数据可知,所调查EV的行程结束时间和日行驶里程数满足对数正态分布[9].EV的行程结束时刻,即充电开始时刻,其概率分布函数如式(1).

(1)

式中,t为充电时刻,μs=17.6,σs=3.4.

电动汽车一天所消耗的电量由其日行驶里程决定,这也决定了用户对于参与电网调度的意愿程度.私家电动汽车每天行驶的路线相对固定,用户驾驶电动汽车与驾驶传统燃油汽车的行驶里程相近,因此假设每辆EV都满足传统汽车日行驶里程的分布.根据文献[10]的研究发现,EV每日行驶里程近似满足对数正态分布,其概率分布函数如式(2).

(2)

式中,r为电动汽车日行驶里程,μD=3.20,σD=0.88.

1.2 充放电负荷分布模型

电动汽车在一个完整的充放电周期内的规划用一个I×T的矩阵X表示.

(3)

其中,xi,t为第i辆EV在单位时间内的充放电功率.若xi,t>0,说明处于充电状态;若xi,t<0,说明处于放电状态.

为建模方便,假设每辆EV均从整数时刻开始进行充电,即从k时刻开始充电,公式为:

(4)

式中,Nk(k=1,2,…,24)表示EV从k时刻到k+1时刻开始充电的数量,N为EV的总数量.

考虑到电动汽车会有不同的日行驶里程,对日行驶里程在某一范围的汽车进行归类:如果某一辆EV日行驶里程在0～n km内,就认为该辆汽车的日行驶里程是n km,归为第一组EV;日行驶里程处于n～2n km内,就认为该辆汽车的日行驶里程是2n km,归为第二组EV;其他同理,后续不同日行驶里程的EV将会归为不同组别.

根据上述分析可知,在k时刻开始充电的日行驶里程为第a组的EV数量为:

(5)

在k时刻开始充电的日行驶里程为第a组的EV的充电时间为:

(6)

式中,W表示EV每100 km消耗的电能,Sa表示第a组EV的日行驶里程,Pc表示充电功率.

1.3 泊车概率分布

由EV的日行驶里程概率分布可知,EV的日行驶里程小于100 km所占的比例达到90%以上,行驶时间大部分处于两个小时以内.一天当中会有很大数量的EV处于停泊状态,这些处于停泊状态的EV将会有更长的时间跨度参与到电力调度.为建模方便,设定所有处于停泊状态的EV都用来参与电力调度,即停泊状态的EV数量就是参与电力调度的EV数量,EV的日内泊车概率如图1所示.

图1 泊车概率分布Fig.1 Probability distribution of parking

2 系统优化调度策略

针对传统能源供应网络应对负荷波动手段单一的缺点,引入电动汽车来缓解能源网络中负荷波动,减少峰谷比,并通过协调各个机组能源出力实现多能互补,增加风电消纳,减少系统运行成本和碳排放.由于引入电动汽车作为储能设备,改变了传统供能网络的结构,因此应研究发电机组与电动汽车间协调运行策略.针对风电系统制定相应的动态分时电价,在划分当天分时电价时段时,将用电负荷和风电数据结合考虑.具体划分方法如图2所示.

图2 动态分时电价时段划分示意图Fig.2 Time division diagram of DTOU electricity price

动态分时电价划分可表示为:

(7)

Peq(t)=Pload(t)+Pwf(t)

(8)

(9)

(10)

式中,e0为平时电价,β为在平时时段电价基础上高电价和低电价上下波动范围系数,Peq(t)为电负荷与风电的等效负荷,Pload(t)为系统电负荷,Pwf(t)为风电预测出力,Peq,max和Peq,min分别为等效负荷最大值和最小值,Ph为等效负荷的峰谷差,Pav为等效负荷的均值.

构建电动汽车参与风电协同调度的系统结构如图3所示.采用价格型需求侧响应,通过分时电价机制引导用户改变电动汽车用能时段,使部分负荷发生转移,从而更多地消纳多余风电.当风机出力较大,而电负荷较小时,风电的反调特性将引起弃风,此时应优先减少传统供电机组的输出,并通过电动汽车以V2G技术消纳多余风电.而在风机低发、电负荷高峰时段,风电将会被全部消耗,传统机组出力增加,此时电动汽车作为储能设备输出电能,消弱电负荷峰值,并利用峰谷电价差盈利.

系统中充放电调度部分由上层调度中心和下层EV控制层两层构成.上层的调度中心将EV控制器所收集的电动汽车用电情况进行汇总分析.调度中心根据获得的风电预测出力数据、负荷预测数据和集群电动汽车用电信息进行组合优化,得出最优调度结果后下发调度计划至发电机组、风力发电和EV控制器.下层的EV控制层通过控制器收集整个区域的电动汽车用电信息,对其量化建模;EV控制器根据接收到的调度计划合理安排整个区域内的EV进行充放电控制.

考虑到消纳弃风,提升系统供能效率及经济性,减少不必要的能量转换,电动汽车应采用弃风启停控制策略,即EV控制器根据有无弃风现象来决定电动汽车V2G的启动和停止.有无弃风判断如下:

(11)

式中,k1=1表示有弃风,k1=0表示无弃风,PGASF(t)表示t时段燃气机组强迫出力,PCONF(t)表示t时段火电机组强迫出力,Pload(t)表示系统电负荷,Pwf(t)表示风电预测出力.

3 多目标优化调度

3.1 目标函数

本文建立的模型是基于电动汽车参与消纳风电,以运行成本、碳排放和改进型用户满意度为目标的优化方法.在减少系统运行成本的同时,既把双碳目标政策考虑在内,又顾及到用户侧对用能满意度的要求.

目标一考虑到电网运行的经济性,建立计及系统运行成本的目标函数f1为:

(12)

式中,a1表示天然气价格,a2表示单位燃煤价格,a3表示电动汽车单位放电功率运行费用,a4表示电动汽车负荷转移费用,Vbuy(t)表示t时段天然气购买量,FCON(t)表示t时段纯凝火电机组耗煤量,PEV(t)表示t时段电动汽车放电功率,PEV_Z(t)表示t时段电动汽车负荷转移量,CEV(t)表示电动汽车负荷转移给用户补偿费用.

目标二考虑到“双碳”目标政策,建立计及系统碳排放的目标函数f2为:

(13)

目标三以EV用户满意度为目标.由于EV负荷的转移或削减可能会对用户的满意度产生影响,因此本文针对EV负荷参与下的系统调度,提出了改进型EV用户满意度计算模型.文献[11]中提出的用户满意度ξ为:

(14)

考虑到EV用户的用能需求,将系统电负荷、分时电价与用户满意度结合,并与系统运行成本和碳排放相融合,实现多目标优化,提升系统调度的真实性和可靠性.EV用户满意度目标函数f3计算为:

f3=1-Fξ

(15)

(16)

式中,ΔWl(t)和ΔC(t)分别表示调度前后电负荷和电价的变化量,Wl(t)和C(t)表示原始电负荷和平时电价.调度前后的数据变化量越大,说明用户负荷调整行为越多,Fξ值越大,即EV用户满意度越低.

3.2 多目标函数处理

因上述目标函数间存在量纲差异问题,采取min-max标准化的方法对各目标函数进行归一化处理.

(17)

经式(17)处理后,采取加权法将多目标优化变成单目标优化,计算公式为:

(18)

ω1+ω2+ω3=1

(19)

式中,ω1、ω2和ω3分别表示各目标函数的权重系数,根据需求进行调整.

3.3 约束条件

电功率平衡约束为:

PGAS(t)+PCON(t)+Pw(t)=Pload(t)+k1PEV(t)

(20)

式中,PGAS(t)表示t时段燃气机组电功率,PCON(t)表示t时段纯凝火电机组电功率,Pw(t)表示t时段风机电功率.

机组的天然气消耗量与燃气轮机电功率关系为:

(21)

式中,b1、b2、b3表示燃气轮机的拟合常数,Vf表示燃气机组天然气消耗量.

其中,燃气机组发电应满足以下条件:

(22)

(23)

纯凝火电机组出力约束为:

(24)

风电场出力约束为:

(25)

电动汽车约束为:

(26)

Smin≤S(t)≤Smax

(27)

Smin=d1NEVSEVmax

(28)

Smax=d2NEVSEVmax

(29)

3.4 模型求解

采用改进粒子群算法对模型进行求解.考虑到在对模型求解过程中会得到大量不可行解,这将消耗大量时间在众多解中寻求可行解,严重影响算法的寻优速度.因此在传统粒子群算法基础上引入约束自调节环节,对调度模型中的等式约束与不等式约束进行自调节,使其满足约束条件,每次计算使可行解比例不断增加,同时算法的寻优速度也会大大提升,求解流程如图4所示.

图4 改进粒子群算法流程图Fig.4 Improved particle swarm algorithm flow chart

每台机组的电功率调节结果为:

(30)

4 算例分析

根据本文所提的优化调度模型,设调度周期为24 h,调度间隔为1 h.由于私家车相对于共用车来说,其参与调度的可能性更大,因此,文中所提及的电动汽车均为私家车,并假设每辆车都有对应的充电桩,该区域内所有可供调度的电动汽车数量为5 000辆,具体参数见表1.图5所示为电负荷需求曲线及预测风力发电曲线.

图5 电负荷需求曲线及预测风力发电曲线Fig.5 Electricity load demand curve and forecast wind power generation curve

图5 电负荷需求曲线及预测风力发电曲线Fig.5 Electricity load demand curve and forecast wind power generation curve

风电的反调峰特性导致电网在夜间电负荷低谷时期无法消纳多余风电,白天风电低发,无法在电力高峰期给电网提供电力补充,为解决这种用电不平衡现象,通过引入电动汽车来实现电力的供需平衡.为验证所研究能源调度策略消纳弃风效果与经济性,设置3种场景进行对比分析:场景1不配置任何消纳弃风装置;场景2有EV但不执行分时电价策略;场景3有EV并执行分时电价策略.

为了顺利执行分时电价机制并发挥其作用,针对包含风电的系统制定相应的分时电价,在对分时电价时段进行划分时,将风电功率和基本负荷信息归纳考虑,得出风电和基本负荷的等效负荷,划分结果如图6所示.为分析该调度策略在减小峰谷差、缓解电力系统供能压力方面的作用,对调度周期内的电动汽车运行情况做了详细分析,图7为优化前后电动汽车充放电功率分布图.

图6 基于等效负荷的分时电价划分结果Fig.6 Results of time-of-use tariff classification based on equivalent load图7 优化前后电动汽车充放电功率分布Fig.7 Electric vehicle charging and discharging power distribution before and after optimization

由图6和图7可知,在执行分时电价后,电动汽车由无序充电变为有序充电,汽车的充电时间被分配到负荷低谷且风电出力较大的时段,既降低了用户的用电成本,又消纳了系统中多余的风电.另外,电动汽车能通过V2G技术在负荷高峰时期作为移动电源,补充电力系统用电缺额,缓解电网的供能压力.而在负荷低谷时期,风电出力过大,电力系统无法消耗全部电能,此时电动汽车可作为负载,消耗系统多余电能.

为了较为直观地比较调度策略执行前后的优化效果,对场景2与3优化前后的电负荷需求响应情况进行对比分析,图8为调度策略执行前后的电负荷响应量.由图8可见在调度策略执行后算法完成了对负荷曲线的优化,优化后的负荷峰值有所减少,降低了系统的运行成本,减小峰谷差并且使得负荷曲线较为平滑,优化前后系统的负荷峰谷差减小了7.65%,达到了削峰填谷的作用.图9为风电预测出力和不同场景下的风电上网功率曲线.

图8 电负荷需求响应量Fig.8 The amount of response to electrical load demand图9 不同场景下风电上网功率曲线Fig.9 Wind power feed-in power curves under different scenarios

由图8和图9可知,所述调度策略能够达到减少弃风的目的.结合电负荷需求和电动汽车充放电功率的变化可知,在执行调度策略前,在22∶00—05∶00时段风力发电充足,但电负荷处于低谷时期,此时会导致风电功率无法被完全消耗,产生弃风.执行调度策略后,电动汽车会根据调度指令转移用电时段,大部分充电时刻会被分配到风力发电充足的时段,消纳多余风电,由图可知弃风功率有明显的降低.与此同时,由于风电利用率的提高,传统火力发电的出力也会相应降低,即碳排放会减少.

表2给出了3种场景下的系统总成本、总碳排放量以及用户满意度优化结果.

由图9和表2可以看出,场景2相较于场景1而言,三个目标都有所减少.场景3相对于场景2来说,其总碳排放量降低了2.87%,用户满意度减少0.079 2,但总成本提升了1.15%,这是由于在执行优化调度策略后,电动汽车负荷发生转移,产生了调度成本和对用户的补偿费用,虽然成本有所提升,但是其碳排放量和弃风率都达到了较低水平.总体而言,本文所提调度策略在提高风电消纳,缓解电力系统在负荷高峰期供电压力方面有较好的作用,并且也能减少系统运行成本.

5 结论

建立了电动汽车-风电协同调度模型,提出以降低运行成本、减少碳排放和改进用户满意度为目标的优化策略.在减少系统运行成本的同时,既把双碳目标政策考虑在内,又顾及到用户侧对用能满意度的要求.考虑到用户利益问题,采用价格型需求响应,以分时电价为基础,利用V2G技术使得用户在电动汽车的充放电时段做出改变.另外在调度策略中设定阈值来判断系统是否存在弃风,提高了系统的运行效率.算例证明了本调度策略的有效性.该调度策略在对多目标优化的同时实现了对负荷曲线的削峰填谷,提高了对风电出力的消纳及对环境的保护,为微电网的发展和双碳目标的实现提供了有效思路.