黃曉倩, 汪　沨, 譚陽紅, 王　睿, 邵靖珂, 陳　春

(湖南大學(xué) 電氣與信息工程學(xué)院, 湖南 長沙 410082)

?

本刊網(wǎng)址·在線期刊：http://www.journals.zju.edu.cn/gcsjxb

http://orcid.org/0000-0003-1213-8392

通信聯(lián)系人：汪沨(1972—),男,遼寧撫順人,教授,博士生導(dǎo)師,從事高電壓與絕緣技術(shù)等研究,E-mail:Wangfeng55@263.com.

考慮V2G模式的電動(dòng)汽車與可再生能源協(xié)同調(diào)度

黃曉倩, 汪沨, 譚陽紅, 王睿, 邵靖珂, 陳春

(湖南大學(xué) 電氣與信息工程學(xué)院, 湖南 長沙 410082)

摘要：為減小地區(qū)電網(wǎng)負(fù)荷峰谷差,增強(qiáng)電力系統(tǒng)接納可再生能源的能力,同時(shí)提高電動(dòng)汽車用戶響應(yīng)積極性,以地區(qū)電網(wǎng)等效負(fù)荷波動(dòng)最小和用戶充電費(fèi)用最低為目標(biāo)函數(shù),建立了考慮電動(dòng)汽車與電網(wǎng)互動(dòng)(vehicle-to-grid,V2G)模式并計(jì)及風(fēng)電和光伏出力的多目標(biāo)協(xié)同調(diào)度模型,以合理安排電動(dòng)汽車的充放電行為.定義了各目標(biāo)的隸屬度函數(shù),通過運(yùn)用最大模糊滿意度法,將該多目標(biāo)優(yōu)化問題轉(zhuǎn)化為單目標(biāo)非線性優(yōu)化問題,并應(yīng)用自適應(yīng)權(quán)重粒子群尋優(yōu)算法進(jìn)行求解,得到最優(yōu)調(diào)度方案.算例結(jié)果驗(yàn)證了模型的有效性和求解方法的可行性.

關(guān)鍵詞：電動(dòng)汽車； 風(fēng)光發(fā)電； 電動(dòng)汽車-電網(wǎng)互動(dòng)技術(shù)； 模糊理論； 自適應(yīng)權(quán)重粒子群算法

在能源和環(huán)境問題日益突出的背景下,電動(dòng)汽車作為新能源汽車的代表,在節(jié)能減排、降低對(duì)化石能源的依賴方面具有傳統(tǒng)汽車不可比擬的優(yōu)勢(shì),成為各國政府和汽車生產(chǎn)商的關(guān)注熱點(diǎn)[1-2].伴隨電動(dòng)汽車技術(shù)和電池技術(shù)的不斷發(fā)展,電動(dòng)汽車在技術(shù)方面獨(dú)具電動(dòng)汽車-電網(wǎng)互動(dòng)(vehicle-to-grid,V2G)優(yōu)勢(shì),從而開啟了一個(gè)新的收益機(jī)會(huì)：可在電價(jià)高的用電高峰期向電網(wǎng)輸送電能,既降低電網(wǎng)運(yùn)行費(fèi)用,也為用戶創(chuàng)造收益[3].

以可再生能源為基礎(chǔ)的發(fā)電規(guī)模正不斷增大.研究表明,在解決風(fēng)能和太陽能等可再生能源出力并網(wǎng)后維持電力出力平衡的方法中,固定的能源存儲(chǔ)系統(tǒng)和負(fù)荷調(diào)度控制是最可行的[2].據(jù)統(tǒng)計(jì),汽車每天的停駛率基本都在90%以上[4],因此可對(duì)具有V2G功能的電動(dòng)汽車采取有效的調(diào)度與控制策略,從而增強(qiáng)電力系統(tǒng)接納間歇性能源的能力,提高系統(tǒng)運(yùn)行的經(jīng)濟(jì)性與安全性[5].

目前,已有部分學(xué)者對(duì)含電動(dòng)汽車充電負(fù)荷和可再生能源的協(xié)同調(diào)度進(jìn)行相關(guān)研究[5-6].文獻(xiàn)[7]從電力系統(tǒng)的安全性和經(jīng)濟(jì)運(yùn)行角度出發(fā),計(jì)及電動(dòng)汽車和風(fēng)電機(jī)組出力不確定性,建立了以系統(tǒng)總發(fā)電成本最小為目標(biāo)的隨機(jī)經(jīng)濟(jì)調(diào)度模型.文獻(xiàn)[8]研究了聯(lián)合光伏與電動(dòng)汽車分別在隨機(jī)充電、智能充電及V2G控制策略情況下的效益和影響分析,結(jié)果表明,智能充電控制和V2G能更好地吸納光伏能源并降低出力波動(dòng),并起到削減負(fù)荷高峰的作用.文獻(xiàn)[9]為平滑等效負(fù)荷波動(dòng)及消納過剩風(fēng)電,建立了多時(shí)間尺度的電動(dòng)汽車與風(fēng)電協(xié)同調(diào)度模型,但未計(jì)及電動(dòng)汽車的V2G功能.文獻(xiàn)[10]提出了一種計(jì)及風(fēng)電和光伏出力不確定性的地區(qū)電網(wǎng)電動(dòng)汽車充電調(diào)度方法,但同樣忽略了電動(dòng)汽車的V2G模式情況.文獻(xiàn)[11]考慮了電動(dòng)汽車的V2G功能,以可再生能源有功出力波動(dòng)最小為目標(biāo),構(gòu)建了隨機(jī)協(xié)同優(yōu)化調(diào)度模型,但只考慮了總功率波動(dòng)最小,并未顧及電動(dòng)汽車用戶的經(jīng)濟(jì)效益.

本文提出了考慮V2G模式運(yùn)行情況下的電動(dòng)汽車、風(fēng)力發(fā)電和光伏發(fā)電系統(tǒng)的多目標(biāo)協(xié)同調(diào)度模型.該模型以同時(shí)降低系統(tǒng)負(fù)荷波動(dòng)和電動(dòng)汽車用戶充電費(fèi)用為目標(biāo)函數(shù),通過對(duì)目標(biāo)函數(shù)的模糊處理,將需求解問題轉(zhuǎn)化為單目標(biāo)非線性優(yōu)化問題,并應(yīng)用自適應(yīng)權(quán)重粒子群優(yōu)化算法進(jìn)行求解,得到最優(yōu)調(diào)度方案.最后以某地區(qū)電網(wǎng)的數(shù)據(jù)為算例進(jìn)行仿真,結(jié)果表明,通過調(diào)度合理安排電動(dòng)汽車的充放電可顯著降低地區(qū)電網(wǎng)負(fù)荷峰谷差,同時(shí)為電動(dòng)汽車用戶帶來收益.這為電動(dòng)汽車的優(yōu)化調(diào)度提供了一條有效途徑.

1電動(dòng)汽車與可再生能源優(yōu)化調(diào)度模型

前文提及汽車在一天中有90%以上時(shí)間處于停駛狀態(tài),本文研究的對(duì)象為電動(dòng)私家車,其使用用途與傳統(tǒng)汽車并無明顯區(qū)別,因而假定具有相同的行駛規(guī)律.根據(jù)對(duì)居民汽車行駛規(guī)律調(diào)查統(tǒng)計(jì),得到電動(dòng)汽車典型的日停駛概率λp,t如圖1所示.

圖1　電動(dòng)汽車停駛概率Fig.1　Probability of EV to be parked

顯然,每個(gè)時(shí)段處于停駛狀態(tài)的電動(dòng)汽車數(shù)量即為該時(shí)段可入網(wǎng)電動(dòng)汽車數(shù)量的上限,電網(wǎng)可對(duì)其進(jìn)行優(yōu)化調(diào)度.

1.1目標(biāo)函數(shù)

為使電動(dòng)汽車與可再生能源兩者充分發(fā)揮低碳優(yōu)勢(shì),降低可再生能源出力波動(dòng)對(duì)電網(wǎng)的影響,同時(shí)為使電動(dòng)汽車用戶充分響應(yīng)調(diào)度控制策略,本文以等效負(fù)荷的波動(dòng)(即等效負(fù)荷的方差和)最小及電動(dòng)汽車用戶的充電成本最低為優(yōu)化目標(biāo),1 d為一個(gè)調(diào)度周期,1 h作為一個(gè)調(diào)度時(shí)間窗口的話,則將一天分為24個(gè)時(shí)間段,優(yōu)化變量為每個(gè)時(shí)間段內(nèi)電動(dòng)汽車的充放電功率.電動(dòng)汽車與可再生能源協(xié)同調(diào)度的總目標(biāo)函數(shù)可表示為

F=min(F1,F2)，

(1)

式中：F1為等效負(fù)荷方差和；F2為電動(dòng)汽車用戶充電費(fèi)用.優(yōu)化的最終目的是使總體目標(biāo)函數(shù)最小.

1)以等效負(fù)荷方差和最小為優(yōu)化目標(biāo).具體目標(biāo)函數(shù)如下：

(2)

(3)

式中：PL,t為第t時(shí)間段的電網(wǎng)負(fù)荷；Pw,t和Ps,t分別為第t時(shí)間段的風(fēng)電接入功率和光伏接入功率；Pev,t為第t時(shí)間段內(nèi)所有電動(dòng)汽車的充放電功率,充電取正,放電取負(fù)；Pavg為等效負(fù)荷的平均值.

2)以電動(dòng)汽車用戶充電費(fèi)用最優(yōu)為目標(biāo)函數(shù),同時(shí)考慮到電動(dòng)汽車充放電過程中的電能損失和電池壽命折損帶來的成本[12-13],通過折算制定為相應(yīng)的充放電電價(jià).則目標(biāo)函數(shù)可以描述為

(4)

式中：C1,t和C2,t分別為t時(shí)間段的充電電價(jià)和放電電價(jià)；Δt為一個(gè)時(shí)間窗口的時(shí)間長度；定義其余2個(gè)符號(hào)函數(shù)如下：

由于Pev,t正值代表充電,負(fù)值代表放電,則F2為正值時(shí)表示充電費(fèi)用,為負(fù)值時(shí)表示放電收益.

1.2約束條件

電動(dòng)汽車參與電網(wǎng)互動(dòng)受到的約束條件主要為可用時(shí)間、電池可用容量與充放電功率三個(gè)方面.

1)本文假定電動(dòng)汽車可用時(shí)間為24 h.

2)電池剩余電量的約束.

設(shè)時(shí)段t開始時(shí),系統(tǒng)中所有電動(dòng)汽車的電池剩余電量為St,則從時(shí)段t+1開始,儲(chǔ)存的總電量St+1滿足以下約束：

St+1=St+ηPev,tΔt-Sdr,t，

(5)

Sdr,t=Ndr,tSdr,av，

(6)

Ndr,t=Nev(1-λp,t)，

(7)

Sdr,av=SkmVevΔt，

(8)

式中：η為電動(dòng)汽車的充放電效率；Sdr,t為時(shí)間段t內(nèi)所有電動(dòng)汽車的行駛耗電量；Ndr,t為時(shí)間段t內(nèi)正在行駛的電動(dòng)汽車的數(shù)量；Sdr,av為電動(dòng)汽車在一個(gè)時(shí)間窗口中的平均行駛耗電量；Nev為系統(tǒng)中電動(dòng)汽車的總量；λp,t為時(shí)間段t內(nèi)電動(dòng)汽車處于停駛狀態(tài)的概率；Skm和Vev分別為電動(dòng)汽車的平均每公里行駛耗電量和平均行駛速度.

電池剩余電量的上下限約束為

Smin≤St≤Smax，

(9)

式中Smax和Smin分別為電池儲(chǔ)存電量的上、下限.

為避免電動(dòng)汽車過度充放電,電池的荷電狀態(tài)應(yīng)保持在一定范圍內(nèi),至少保有ε電量,且至多保有γ電量,則有

(10)

式中Sev,max為每輛電動(dòng)汽車的平均最大容量.

3)電動(dòng)汽車充放電功率約束.

假定電動(dòng)汽車以恒功率充放電,若充電為正,放電為負(fù),則電動(dòng)汽車的充放電功率不應(yīng)超過電動(dòng)汽車的最大充放電能力,如下式表示：

(11)

式中：pmax為每輛電動(dòng)汽車的平均最大充放電功率；Np,t為時(shí)段t處于停駛狀態(tài)的電動(dòng)汽車數(shù)量.

1.3目標(biāo)函數(shù)的模糊化

為使所求的解最符合決策者的要求,本文選用模糊決策方法.通過計(jì)算各目標(biāo)函數(shù)的隸屬度函數(shù),將多目標(biāo)優(yōu)化問題模糊化,以隸屬度的大小來反映決策者對(duì)于目標(biāo)值的滿意程度.然后用最大模糊滿意度法將多目標(biāo)優(yōu)化問題轉(zhuǎn)化為非線性的單目標(biāo)優(yōu)化問題來求解[14],可以較好地解決多目標(biāo)優(yōu)化問題中權(quán)重較難確定和量綱不一致的問題.

確定各目標(biāo)的隸屬度函數(shù)是多目標(biāo)模糊優(yōu)化建模的關(guān)鍵.對(duì)于本文所建的優(yōu)化調(diào)度模型,期望其在滿足所有約束的前提下,等效負(fù)荷的波動(dòng)越小越好,充電費(fèi)用越低越好,都為有上限而無下限的情況,因此本文選用降半直線形為2個(gè)優(yōu)化目標(biāo)的梯形隸屬度函數(shù),如圖2所示.隸屬度函數(shù)的數(shù)學(xué)計(jì)算表達(dá)式如式(12)及式(13)所示.

圖2　降半直線梯形隸屬度函數(shù)Fig.2　Trapezoidal membership function

(12)

(13)

式中：μ(f(x))和μ(h(x))分別為目標(biāo)F1和F2的隸屬度函數(shù)；f2和h2分別為最大可接受的方差和與最大充電費(fèi)用,可根據(jù)優(yōu)化前的方差及充電費(fèi)用通過適當(dāng)伸縮確定；f1和h1分別為目標(biāo)函數(shù)F1和F2的期望方差和與期望充電費(fèi)用,可通過求解每個(gè)目標(biāo)函數(shù)的單目標(biāo)優(yōu)化極值來確定.

根據(jù)模糊集理論的最大最小法則[15],定義λ為μ(f(x))和μ(h(x))的滿意度,是所有隸屬度函數(shù)的最小值,即

(14)

那么問題就被轉(zhuǎn)化為求滿足所有約束條件的滿意度λ最大化問題,也就是maxλ問題.

2模型的求解

2.1APSO優(yōu)化算法

傳統(tǒng)的PSO算法收斂精度不高,易陷入局部極值造成算法早熟.為克服以上缺陷,實(shí)現(xiàn)目標(biāo)函數(shù)的快速尋優(yōu),本文采用自適應(yīng)粒子群優(yōu)化算法(adaptive particle swarm optimization,APSO)求解.

PSO算法的數(shù)學(xué)模型中粒子根據(jù)下列公式更新自己的速度和位置：

(15)

慣性權(quán)重因子ω使粒子保持其運(yùn)動(dòng)慣性,決定了微粒的局部搜索能力和全局搜索能力.較大的ω有利于提高算法的全局搜索能力,而較小的ω會(huì)增強(qiáng)算法的局部搜索能力.本文運(yùn)用非線性的動(dòng)態(tài)慣性權(quán)重策略來自適應(yīng)調(diào)節(jié)ω：

(16)

式中:ωmax,ωmin分別為ω的最大與最小值;f為微粒當(dāng)前的適應(yīng)度值,favg為當(dāng)前所有微粒的平均適應(yīng)度值,fmin為當(dāng)前所有微粒的最小適應(yīng)度值.

在式(16)的算法運(yùn)行中,粒子適應(yīng)度值較好趨向于局部最優(yōu)時(shí),將使ω增大,而粒子的適應(yīng)度值相對(duì)分散時(shí)將使ω減小.同時(shí)對(duì)于適應(yīng)度值優(yōu)于平均適應(yīng)度值的微粒,其對(duì)應(yīng)的ω較小,從而保留了該微粒,反之適應(yīng)度值差于平均適應(yīng)度值的微粒,其對(duì)應(yīng)的ω較大,使得該微粒以較大步長對(duì)可行域進(jìn)行“全局粗略探測(cè)”向較好的搜索區(qū)域靠攏.可以看出,ω會(huì)隨微粒的適應(yīng)度值而自適應(yīng)改變,這可以使粒子群保持多樣性和良好的收斂特性,提高了APSO算法的收斂速度和精度.

2.2求解流程

本文以所有電動(dòng)汽車在各個(gè)調(diào)度時(shí)間窗口的充放電功率總和為決策變量,即設(shè)定決策變量為[Pev1,Pev2,…,Pev24].應(yīng)用APSO算法求解模型時(shí),一個(gè)粒子就是電動(dòng)汽車一種調(diào)度策略.原始數(shù)據(jù)包括各時(shí)段用電負(fù)荷、各時(shí)段風(fēng)電場(chǎng)和光伏輸出功率、各時(shí)段的電價(jià)、各時(shí)段電動(dòng)汽車停駛概率、電池剩余電量的上下限值和單位時(shí)段的充放電功率限制、電動(dòng)汽車初始電量等.基于APSO算法求解本文多目標(biāo)優(yōu)化問題的具體流程如圖3所示.

圖3　基于APSO算法的求解流程Fig.3　Solving flow chart besed on APSO algorithm

3算例分析

本文以某地用電負(fù)荷及當(dāng)?shù)仫L(fēng)電場(chǎng)和光伏發(fā)電系統(tǒng)為例,可供調(diào)度的電動(dòng)汽車數(shù)量為50 000輛.圖4給出了某地典型的日負(fù)荷需求以及風(fēng)電和光伏各自的輸出功率曲線圖.為方便計(jì)算,將功率單位用標(biāo)幺值(per unit)表示,基準(zhǔn)值取100 MW.

圖4　各時(shí)段負(fù)荷值及風(fēng)光發(fā)電出力Fig.4　Load value and wind and photovoltaic generation outputs in each time

本算例假設(shè)電動(dòng)汽車初始時(shí)刻電池均含有50%的電量,充放電功率均為3.6 kW,充放電效率均為0.75,電池的容量均為21.6 kWh,平均行駛速度取40 km/h,平均行駛耗電量為0.139 kW·h/km；取ε=0.2,γ=0.9.根據(jù)某地的實(shí)際用電情況并結(jié)合文獻(xiàn)[12]和[16],制定分時(shí)充放電電價(jià)如表1所示.粒子群規(guī)模為50,學(xué)習(xí)因子c1,c2及慣性權(quán)重的最大、最小值ωmax,ωmin分別設(shè)為2,2,0.9,0.6,迭代次數(shù)為300.

表1　分時(shí)電價(jià)參數(shù)設(shè)置

輸入電網(wǎng)的原始數(shù)據(jù),求解2個(gè)目標(biāo)函數(shù)的單目標(biāo)模型最優(yōu)值以及各個(gè)時(shí)段電動(dòng)汽車的總充放電功率,具體見表2和表3.再根據(jù)單目標(biāo)優(yōu)化的結(jié)果經(jīng)過適當(dāng)?shù)纳炜s確定各模糊參數(shù),其中期望的方差和f1=454.887 3,最大可接受的等效負(fù)荷方差和f2=697.236 6,期望的充電費(fèi)用h1=-60.826 73萬元,最大可接受的充電費(fèi)用h2=-18.355 93萬元.用APSO算法計(jì)算得到的多目標(biāo)優(yōu)化計(jì)算結(jié)果如表3所示.為更直觀地查看,表3中將負(fù)值的充電費(fèi)用等效為正值的放電收益.

表2　各目標(biāo)最優(yōu)時(shí)各時(shí)段電動(dòng)汽車充放電功率

注：1)時(shí)段1表示00：00：00—01：00:00，依此類推，時(shí)段24表示23：00:00—00：00:00；

2)各優(yōu)化結(jié)果單位用標(biāo)幺值表示.

表3多目標(biāo)模糊優(yōu)化與單目標(biāo)優(yōu)化的目標(biāo)值比較

Table 3Comparison of objective values of multi-objective and single-objective optimization

目標(biāo)單目標(biāo)F1優(yōu)化單目標(biāo)F2優(yōu)化多目標(biāo)模糊優(yōu)化方差和/104MW2454.8873542.9920469.8154收益/萬元22.7819260.8267341.63426

從表2可看出,電動(dòng)汽車的多目標(biāo)優(yōu)化結(jié)果表現(xiàn)為在用電的高峰時(shí)段對(duì)電網(wǎng)輸送電能,而在負(fù)荷低谷時(shí)段進(jìn)行充電,與分時(shí)電價(jià)相協(xié)調(diào),既降低了電網(wǎng)負(fù)荷的峰谷差，也為用戶帶來效益.

由表3可得：采用多目標(biāo)模糊優(yōu)化模型時(shí),等效負(fù)荷的方差和比單目標(biāo)F1優(yōu)化模型增大了3.28%,但比F2優(yōu)化模型減少了13.48%；充電收益比單目標(biāo)F2優(yōu)化模型減少了31.55%,但比單目標(biāo)優(yōu)化模型F1增大了82.75%.

以上分析可知,采用多目標(biāo)模糊優(yōu)化時(shí),對(duì)電動(dòng)汽車的優(yōu)化調(diào)度綜合考慮了等效負(fù)荷波動(dòng)和充電費(fèi)用的因素,本文提出的多目標(biāo)模糊優(yōu)化模型能較好地兼顧對(duì)2個(gè)目標(biāo)的綜合要求,更符合實(shí)際情況,比單目標(biāo)優(yōu)化調(diào)度模型更具優(yōu)勢(shì).

另外,為驗(yàn)證電動(dòng)汽車并網(wǎng)數(shù)量對(duì)系統(tǒng)負(fù)荷波動(dòng)的影響,分別選取2.5×104，5×104，7.5×104和10×104輛電動(dòng)汽車進(jìn)行仿真分析,運(yùn)用最大模糊滿意度法進(jìn)行求解,尋優(yōu)所得結(jié)果見圖5和表4.

圖5　需求負(fù)荷曲線對(duì)比Fig.5　Demand load curve comparison

Table 4Comparison of the main items of fuzzy optimization results

366.567.6數(shù)量/104輛2.557.510方差和/104MW2537.2802469.8154438.9965413.4366峰荷/MW2615.132531.922579.662530.56谷荷/MW989.551077.151167.891227.6

由圖5可以看出,隨著電動(dòng)汽車并網(wǎng)數(shù)量的逐漸增加,負(fù)荷需求曲線的波動(dòng)程度會(huì)逐漸趨于平緩,降低峰谷差的效果也愈發(fā)明顯.從表4可知,電動(dòng)汽車的數(shù)量為2.5×104輛時(shí),峰谷差為1 625.58 MW,當(dāng)電動(dòng)汽車數(shù)量達(dá)到10×104輛時(shí),峰谷差減少到1 302.96 MW,峰谷差降低了20%.可見隨著電動(dòng)汽車滲透率的提高,降低峰谷差效果更為顯著.

4結(jié)論

電動(dòng)汽車的入網(wǎng)給電力系統(tǒng)的安全與穩(wěn)定運(yùn)行帶來新的挑戰(zhàn),有必要對(duì)電動(dòng)汽車進(jìn)行優(yōu)化調(diào)度.本文在地區(qū)電網(wǎng)含有風(fēng)電和光伏等可再生能源發(fā)電系統(tǒng)的條件下,建立了V2G模式情況下電動(dòng)汽車充放電的多目標(biāo)優(yōu)化調(diào)度模型.對(duì)某地區(qū)電網(wǎng)的數(shù)據(jù)利用APSO算法進(jìn)行仿真分析,結(jié)果表明,對(duì)電動(dòng)汽車的合理優(yōu)化調(diào)度可以有效降低電網(wǎng)等效負(fù)荷波動(dòng),同時(shí)為電動(dòng)汽車用戶帶來一定收益,兼顧了促進(jìn)可再生能源吸納、減少棄風(fēng)光和提高用戶滿意度等方面的需求.并且隨著電動(dòng)汽車滲透率的提高,優(yōu)化效果更佳,有利于電動(dòng)汽車的推廣.

參考文獻(xiàn)：

[1] 王錫凡,邵成成,王秀麗,等.電動(dòng)汽車充電負(fù)荷與調(diào)度控制策略綜述[J].中國電機(jī)工程學(xué)報(bào),2013,33(1)：1-10．

WANG Xi-fan,SHAO Cheng-cheng,WANG Xiu-li,et al.Survey of electric vehicle charging load and dispatch control strategies[J].Proceedings of the CSEE,2013,33(1)：1-10．

[2] MWASILU F,JUSTO J J,KIM E,et al.Electric vehicles and smart grid interaction：a review on vehicle to grid and renewable energy sources integration[J].Renewable and Sustainable Energy Reviews,2014,34:501-516．

[3] DRUDE L,JUNIOR L C P,RUTHER R.Photovoltaics (PV) and electric vehicle-to-grid (V2G) strategies for peak demand reduction in urban regions in Brazil in a smart grid environment[J].Renewable Energy,2014,68:443-451．

[4] 韓海英,和敬涵,王小君,等.基于改進(jìn)粒子群算法的電動(dòng)車參與負(fù)荷平抑策略[J].電網(wǎng)技術(shù),2011,35(10)：165-169．

HAN Hai-ying,HE Jing-han,WANG Xiao-jun,et al.An improved particle swarm optimization-based load response strategy with participation of vehicle to grid[J].Power System Technology,2011,35(10)：165-169．

[5] 趙俊華,文福拴,楊愛民,等.電動(dòng)汽車對(duì)電力系統(tǒng)的影響及其調(diào)度與控制問題[J].電力系統(tǒng)自動(dòng)化,2011,35(14)：2-10．

ZHAO Jun-hua,WEN Fu-shuan,YANG Ai-min,et al.Impacts of electric vehicles on power systems as well as the associated dispatching and control problem [J].Automation of Electric Power Systems,2011,35(14)：2-10．

[6] 李正爍,孫宏斌,郭慶來,等.計(jì)及碳排放的輸電網(wǎng)側(cè)：“風(fēng)-車協(xié)調(diào)”研究[J].中國電機(jī)工程學(xué)報(bào),2012,32(10)：41-48．

LI Zheng-shuo,SUN Hong-bin,GUO Qing-lai,et al.Study on wind-EV complementation on the transmission grid side considering carbon emission[J].Proceedings of the CSEE,2012,32(10)：41-48．

[7] 趙俊華,文福栓,薛禹勝,等.計(jì)及電動(dòng)汽車和風(fēng)電出力不確定性的隨機(jī)經(jīng)濟(jì)調(diào)度[J].電力系統(tǒng)自動(dòng)化,2010,34(20)：22-29．

ZHAO Jun-hua,WEN Fu-shuan,XUE Yu-sheng,et al.Power system stochastic dispatch considering uncertain outputs from plug-in electric vehicles and wind generators[J].Automation of Electric Power Systems,2010,34(20)：22-29．

[8] FATTORI F,ANGLANI N,MULIERE G.Combining photovoltaic energy with electric vehicles,smart charging and vehicle-to-grid[J].Solar Energy,2014,110:438-451.

[9] 于大洋,宋曙光,張波,等.區(qū)域電網(wǎng)電動(dòng)汽車充電與風(fēng)電協(xié)同調(diào)度的分析[J].電力系統(tǒng)自動(dòng)化,2011,35(14)：24-29．

YU Da-yang,SONG Shu-guang,ZHANG Bo,et al.Synergistic dispatch of PEVs charging and wind power in Chinese regional power grids [J].Automation of Electric Power Systems,2011,35(14)：24-29．

[10] 張學(xué)清,梁軍,張利,等.計(jì)及風(fēng)光電源的一種地區(qū)電網(wǎng)電動(dòng)汽車充電調(diào)度方法[J].電工技術(shù)學(xué)報(bào),2013,28(2)：28-35．

ZHANG Xue-qing,LIANG Jun,ZHANG Li,et al.Approach for plug-in electric vehicles charging scheduling considering wind and photovoltaic power in Chinese regional power grids [J].Transactions of China Electrotechnical Society,2013,28(2)：28-35．

[11] 王貴斌,趙俊華,文福拴,等.配電系統(tǒng)中電動(dòng)汽車與可再生能源的隨機(jī)協(xié)同調(diào)度[J].電力系統(tǒng)自動(dòng)化,2012,36(19)：22-29．

WANG Gui-bin,ZHAO Jun-hua,WEN Fu-shuan,et al.Stochastic optimization dispatching of plug-in hybrid electric vehicles in coordination with renewable generation in distribution systems [J].Automation of Electric Power Systems,2012,36(19)：22-29．

[12] 項(xiàng)頂,宋永華,胡澤春,等.電動(dòng)汽車參與V2G最優(yōu)峰谷電價(jià)研究[J].中國電機(jī)工程學(xué)報(bào),2013,33(31)：15-25．

XIANG Ding,SONG Yong-hua,HU Ze-chun,et al.Research on optimal time of use price for electric vehicle participating V2G [J].Proceedings of the CSEE,2013,33(31)：15-25．

[13] 于浩明,黃純,張磊,等.基于分時(shí)電價(jià)機(jī)制的電動(dòng)汽車用戶側(cè)有序充放電控制策略[J].中國電力,2014,47(12)：95-98．

YU Hao-ming,HUANG Chun,ZHANG Lei,et al.Coordinated charge and discharge control strategy based on time-of-use price from electric vehicle customer side [J].Electric Power,2014,47(12)：95-98．

[14] 胡國強(qiáng),賀仁睦.梯級(jí)水電站多目標(biāo)模糊優(yōu)化調(diào)度模型及其求解方法[J].電工技術(shù)學(xué)報(bào),2007,22(1)：154-158．

HU Guo-qiang,HE Ren-mu.Model and algorithm of multi-objective fuzzy optimal scheduling for cascaded hydroelectric power plant[J].Transactions of China Electrotechnical Society,2007,22(1)：154-158．

[15] 劉合香.模糊數(shù)學(xué)理論及應(yīng)用[M].北京：科學(xué)出版社,2012:185-196．

LIU He-xiang.Fuzzy mathematics theory and applications [M].Beijing：Science Press,2012:185-196．

[16] CAO Yi-jia,TANG Sheng-wei,LI Can-bing,et al.An optimized EV charging model considering TOU price and SOC curve[J].IEEE Transactions on Smart Grid,2012,3(1)：388-393．

Coordinatedschedulingofelectricvehiclesandrenewablegenerationconsideringvehicle-to-gridmode

HUANG Xiao-qian, WANG Feng, TAN Yang-hong, WANG Rui, SHAO Jing-ke, CHEN Chun

(College of Electrical and Information Engineering, Hunan University, Changsha 410082, China)

Abstract：For the purpose of reducing the difference between the peak and the valley for load of regional power grid，strengthening the ability of power grid accepting renewable energy and improving the response positivity of electric vehicles (EVs) users，taking the minimized equivalent load fluctuation of regional power grid and the minimized charging price of EVs users as objective function and considering the vehicle-to-grid (V2G)mode，a multi-objective coordinated scheduling model，in which the EVs，wind power and photovoltaic generation system were taken into account simultaneously，was established，so that charging and discharging behavior of EVs could be arranged reasonably．Defining each objective membership function，multi-objective optimization problem was reformulated into a nonlinear single-objective programming problem by means of fuzzy satisfaction-maximizing method，and this nonlinear single-objective programming problem was solved by using adaptive particle swarm optimization algorithm．Simulation results show the effectiveness of multi-objective model and the feasibility of solving method．

Key words：electric vehicle； wind and photovoltaic power； vehicle-to-grid (V2G) technology； fuzzy theory； adaptive particle swarm optimization algorithm

中圖分類號(hào)：TM73；U469.72

文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1006-754X(2016)01-0067-07

DOI:10.3785/j.issn. 1006-754X.2016.01.011

作者簡(jiǎn)介：黃曉倩(1990—),女,福建廈門人,碩士生,從事電動(dòng)汽車充放電技術(shù)研究,E-mail:xiaoqianhnu@163.com.

基金項(xiàng)目：國家自然科學(xué)基金資助項(xiàng)目(61102039)；高校博士學(xué)科點(diǎn)專項(xiàng)科研基金資助項(xiàng)目(20120161110009)．

收稿日期：2015-09-16.