基于车网互动的区域电网优化调度研究

2024-04-17张林茹吕丽霞刘长良刘卫亮

华北电力大学学报(自然科学版) 2024年1期

张林茹，吕丽霞，刘长良，李静，刘卫亮

(华北电力大学控制与计算机工程学院，河北保定 071003)

0 引言

近年来,能源危机愈演愈烈,石油、天然气、煤炭等化石能源正在迅速接近枯竭,新能源技术日渐发展。国家发改委[1]于2022年1月从基础建设、技术研发、运维保障、安全监管、财政支持等方面为新能源汽车产业的发展提供政策保障。电动汽车作为一种新型负荷,具有灵活性、随机性等特点,其大规模接入电网势必会给电网带来巨大调峰调频挑战。同时,电动汽车本身具备储能特性,通过分析电动汽车充电行为,可将电动汽车作为可调度资源参与电网调峰调频、新能源消纳,即将电动汽车充电负荷转移到用电低谷期,实现负荷曲线的削峰填谷,同时可利用电动汽车电池放电特性进一步平缓负荷曲线,建立合理的调度模型与调度策略可使得新能源电力有更高的利用率[2]。目前对于车网互动优化调度方面的研究多考虑电网经济成本与削峰填谷,较少能考虑到新能源消纳及聚合商效益等同样影响实际调度效果的重要因素。

基于电价激励是目前用于EV参与调度的常用手段。龚诚嘉锐[3]以聚合商经济为主要目标函数,考虑用户侧用电成本最低,建立经济性优化模型,但是过于考虑经济性影响,在调峰、提高新能源利用率方面效果较差。韩帅[4]建立了EV参与调峰定价策略的两阶段优化调度模型,有效降低EV参与调度的成本及峰谷差,模型合理有效,但是并没有考虑新能源消纳问题。杨镜司[5]以电动汽车参与调峰过程作为主要研究对象,建立两阶段优化调度模型,缺点是只考虑了调峰过程与用户充电费用之间的影响,得到的结果不符合实际需求。杨晓东[6]建立了兼顾“削峰填谷”与减少充电耗损的优化调度模型,基于虚拟电价激励,保障调度实现,经仿真验证得到该模型灵敏度较高、鲁棒性较好,但是没有考虑到新能源消纳问题,电动汽车行为模型不够细致,不能更加真实的描述EV在调度过程中的充放电行为。崔杨[7]、侯建朝[8]考虑了EV参与电网调度过程中的无功优化问题与所带来的环境污染问题,有效改善传统无功补偿设备的运行压力与新能源消纳。

本研究中建立了能合理有效描述EV充放电特性及行为特性的EV模型,充分考虑EV在参与电网调度过程中需要达到的目标及约束,使得得到的最优调度方案更合理、更符合实际需求。

1 电动汽车行为建模

研究电动汽车的充放电调度问题首先应对无序充电的电动汽车进行行为建模。电动汽车大致可分为公用车和私家车,相较于公用车,私家车在时间、空间上的调度灵活性较高。本研究主要研究对象为私家车,其余新能源汽车作为常规负荷接入电网。

1.1 电动汽车充放电模型

与电动汽车充放电相关的参数主要包括:电动汽车电池荷电状态(State of Charge,SOC)、电池容量C、充电功率Pcharge、放电功率Pdischarge等。

1)电动汽车荷电状态

(1)

其中,Cev(t)为当前时刻电动汽车电池电量,Cev为电动汽车电池额定容量。

2)充电模型

(2)

其中,Ec为电动汽车充电效率。

3)放电模型

(3)

其中,Ed为电动汽车放电效率。

除此之外,为了保证在用户期望离站时间之前电动汽车电量满足用户期望电量,需要计算t时刻的计划充电功率Pevplan,当Pevplan在电动汽车充电功率上下限内才可参与调度。

(4)

其中,SOCq为用户离站时的期望荷电量,tq、td分别为用户期望离站时间及当前时刻。

1.2 电动汽车行为模型

电动汽车出行行为影响调度结果的因素主要包括电动汽车进站时间、离站时间。可将车辆行为时刻分布通过极大似然估计近似为正态分布,经统计学分析可得到正态分布的均值μ及方差σ[9]。

1)电动汽车进站时间

电动汽车进站时间近似等于开始充放电时间,正态分布均值μs=17.6、方差σs=3.4,电动汽车入网时间的概率密度函数为

fs(x)=

(5)

2)电动汽车离站时间

假设电动汽车离网即离站,汽车离站时间与进站时间及停车时长相关,停车时长近似服从对数正态分布,均值μp=2.74、方差σp=1.21,停车时长的概率密度函数为

(6)

电动汽车离站时间与离站SOC为

tq=ts+tp,SOClea≥SOCq

(7)

其中,tp为电动汽车停车时长,SOClea为电动汽车离站时的荷电状态。

3)初始SOC

初始SOC与日行程里程数有关,电动汽车日行驶里程数近似服从对数正态分布,均值μd=3.2、方差σd=0.88,概率密度函数为

(8)

电动汽车初始SOC可表示为

(9)

其中,SOCinit为电动汽车进站初始荷电状态、SOCq为电动汽车期望荷电量、dr为电动汽车日行驶里程数、de为电动汽车额定行驶里程数。

单台电动汽车具有以上行为规律,通过蒙特卡洛抽样法,抽取区域内100 000台电动汽车作为样本,分析规模化电动汽车的调度潜力。单台电动汽车充放电行为服从平行四边形法则,平行四边形上边界表示充电过程可调度上限,下边界表示可调度下限,斜率表示当前功率值,如图1所示。

图1 电动汽车充放电调度潜力Fig.1 Electric vehicle charging and discharging scheduling potential

在调度上下限之间可以根据实际调度需求确定每个时段的充放电功率,如图1红线所示。图中tmax为最大等待时间,即电动汽车入网后能保持不充电行为到达的最大时间为tmax,超过此时间点不进行充电操作会导致电动汽车离站时电量不满足用户期望(即到达此时刻,电动汽车必须进行充电)。

(10)

其中,Cevq、Cevs分别为期望电量与当前电量。

规模化电动汽车t时刻的调度潜力为区域内参与调度的电动汽车可调度潜力总和。根据当前t时刻总功率值,可预测t+1时刻可调度充放电负荷的上下限[5]。

(11)

(12)

ΔPevcharge(t+1)=ΔPcharge(t+1)+ΔPdischarge(t+1)

(13)

式中:ΔPevcharge(t+1)为t+1调度时刻必须增加的EV负荷,ΔPevexcharge_c(t+1)、ΔPevexcharge_d(t+1)分别表示只进行充电调度增加的EV负荷与只进行放电调度减少的EV负荷,ΔPcharge(t+1)、ΔPdischarge(t+1)分别为t+1时刻增加的EV负荷与减少的EV负荷,ΔPevexcharge(t+1)为t+1调度时刻根据调度需求增加的EV负荷功率。

2 多目标车网互动优化调度模型

针对发电系统主要由风、光、火、储组成的某区域电网,建立以区域电网经济性为主体,兼备“削峰填谷”、新能源消纳、环保性的优化调度模型。

其中,区域电网与聚合商交换功率,为聚合商提供电力来源,并向聚合商提出例如经济效益、“削峰填谷”、新能源消纳、环保性等调度要求;聚合商作为电力分销商,同时承担调配EV参与电网调度的主要责任;EV作为被调度个体,与聚合商在经济联系的前提下受聚合商调配,从而间接参与电网调度。

2.1 待优化参数

将某个调度周期分为24个调度时段,决策变量为x,分别取电动汽车与充电站交换功率Pevexcharge、区域电网与外部电网交换功率Pgrid、火力发电功率Pf、风力发电功率Pw、光伏发电功率Ppv、电储能充放电功率Pb作为决策变量,变量及释义如表1所示。

表1 决策变量及释义

2.2 目标函数

2.2.1 经济性目标函数

区域电网经济性目标Cag[11-13]即考虑区域电网与外部电网交换功率成本Cgrid、风力发电维护成本Cw、光伏发电维护成本Cpv、火力发电维护成本Cf、电储能设备充放电成本Cb,即:

(14)

区域电网与外部电网交换功率成本Cgrid为

(15)

其中,Ccb_grid为区域电网与外部电网单位交换功率价格。

风力发电维护成本Cw为

(16)

光伏发电维护成本Cpv为

(17)

火力发电维护成本Cf为

(18)

电储能设备充放电成本Cb为

(19)

其中,Ccb_w、Ccb_pv、Ccb_f、Ccb_b为风力发电、光伏发电、火力发电单位发电量维护成本及电储能设备单位充放电成本。

2.2.2 削峰填谷目标函数

削峰填谷的目标是使负荷曲线降低峰峰值,降低峰谷差,计算方式是使负荷曲线方差最小[14,15],即:

(20)

2.2.3 新能源消纳目标函数

(21)

经济性目标考虑了电网的运行成本、削峰填谷目标考虑电网的安全性,尽可能平滑负荷,减少峰谷差、新能源消纳目标在经济性与环保性方面均有贡献,三个目标函数相互制约、相互排斥,使得得到的目标函数值呈此消彼长趋势。

2.3 约束条件

对于∀t∈θT,各变量应满足如下约束条件。

1)功率平衡约束

(22)

其中,PImload(t)为t时刻常规电负荷功率预测值。

2)功率上下限约束

(23)

3)电储能设备荷电状态约束[10]

(24)

4)环保性约束

假设区域电网向外部电网购电来源均为传统燃煤发电,则污染物主要来源为外网购电及区域电网火力发电排放的CO2、SO2、NOx三种污染气体。

(25)

其中,λe为污染物排放系数,具体取值见表2。

表2 污染物排放系数

表3 调度方案目标函数值

5)电动汽车调度潜力约束

Pev_low(t)≤Pevexcharge(t)≤Pev_high(t)

(26)

其中,Pev_low(t)、Pev_high(t)分别为t时段电动汽车充放电调度下限功率与调度上限功率。

6)聚合商经济性约束

(27)

其中,Cagg_grid(t)、Cagg_ev(t)分别为聚合商与电网及电动汽车单位交换功率价格,Pagg_grid(t)、Pagg_ev(t)分别为聚合商与电网及电动汽车t时段交换功率值。

3 算例分析

本研究中区域电网配置包括,风力发电装机容量100 MW、光伏发电装机容量50 MW、火力发电装机容量1 300 MW、储能设备蓄电池容量60 MW·h,可用于调度的电动汽车最大容量为800 MW·h。区域电网与外部电网交换功率上限为100 MW,聚合商向区域电网购售电分时电价与区域电网向外部电网购售电分时电价[16-19]如图2所示。

图2 购售电分时电价示意图Fig.2 Schematic diagram of time of use tariff

3.1 含电动汽车的多目标优化调度模型求解

设置NSGA-Ⅱ算法中的种群规模Npop=100,最大迭代次数gmax=100 000,突变率Pm=0.9,交叉率Pc=1.2。模型求解得到Pareto前沿,目标函数值分布如图3所示。

图3 目标函数值分布图Fig.3 Objective function value distribution

选取三种极端场景下的优化调度方案进行分析,通过AHP决策分析方法确定最满足用户需求的优化调度方案。不同调度方案下的目标函数值如表3所示,显然,由于火力发电成本低于新能源发电成本,电网经济性指标与削峰填谷指标、新能源消纳能力指标呈此消彼长趋势。

绘制经济性最好、削峰填谷效果最优、新能源消纳能力最高的三种优化调度方案仿真结果,如图4～6所示。

图4 经济性最好调度方案Fig.4 Best economic scheduling scheme

对于经济性最好的调度方案,在电价较高时段(即用电高峰)区域电网向大电网购电较低售电增加,导致风光火发电功率增加,而电网传输功率限制导致弃风弃光较高,反之,在电价较低时段(即用电低谷)区域电网向大电网购电较多,风光火发电功率降低;储能设备参与调度成本较低,因此储能参与调度出力较高,电动汽车参与调度功率下降,系统削峰填谷能力较低。

图5 削峰填谷效果最优方案Fig.5 Optimal scheme for peak shaving and valley filling

对于削峰填谷效果最优方案,为使负荷曲线最平缓,缩小峰谷差,电动汽车与储能设备在用电低谷进行大功率充电,在用电高峰进行大功率放电,同时在用电高峰期火力发电出力降低,新能源发电功率增大,在用电低谷期火力发电出力增大,以适应负荷需求变化,由于新能源出力较高,电网效益降低,新能源利用率较高。

图6 新能源消纳能力最高方案Fig.6 Scheme with the highest consumption capacity of new energy

对于新能源消纳能力最高的优化方案,风、光发电机组在每个调度时刻均保持相对较高的发电功率,由于风光发电成本较高,因此该方案发电成本较高;风光发电出力随环境因素变化,火力发电在风光发电低谷期出力较高,在风光发电出力高峰期出力降低;EV参与调度出力在风光发电低谷期放电功率较高充电功率较低,在风光发电高峰期放电功率较低充电功率较高。

依据专家打分结果,构建两两比较判断矩阵A,分析三个决策因素的权重,如表4所示。

表4 两两比较矩阵A

经一致性校验、层次单排序,各指标归一化权重值为W=[0.104 7 0.637 0 0.258 3],选取最佳调度方案。

最优调度方案下各决策变量功率如图7所示。

图7 决策变量分时功率Fig.7 Decision variable time-sharing power

由图可知电动汽车分时购电电价反映供电需求的高低,电动汽车充电多发生在电价较低时段,放电多发生在电价较高时段,用来平衡负荷波动。

3.2 比较验证

建立电动汽车作为常规负荷不参与调度的区域电网调度模型,以电网经济性、新能源消纳为目标函数,火力发电功率、光伏发电功率、风力发电功率作为决策变量,得到最优Pareto解集及前沿,基于AHP法得到最优调度方案。EV参与调度与不参与调度两种情况下的结果对比如图8所示。

图8 两种调度结果对比图Fig.8 Comparison diagram of two scheduling results

由电动汽车参与调度得到的优化调度结果与电动汽车不参与调度的仿真结果进行对比可知,电动汽车在平衡用电负荷、削峰填谷方面具有明显优势,用电负荷波动率降低38.2 %;EV参与调度使得火力发电在用电高峰出力降低,在用电低谷出力提高,保证机组长期稳定运行;弃风弃光率降低31.2 %。电动汽车作为一个容量较大的灵活储能设备在参与电网削峰填谷、降低电网运行成本、新能源消纳方面具有不可忽视的作用。