唐菁敏，王杰，劉思淼

含電動汽車參與的微電網調度策略研究

唐菁敏，王杰，劉思淼

（昆明理工大學 信息工程與自動化學院，云南 昆明 650500）

大量電動汽車入網無序充電會給電網穩(wěn)定性和可靠性造成不利影響?？紤]到電動汽車充放電，以及蓄電池損耗成本和峰谷電價對微電網運行產生的影響，建立以微電網運行成本和環(huán)境保護成本最小化為目標的微電網調度模型。應用基于差分進化的改進多目標免疫算法對模型進行優(yōu)化。通過算例仿真，對比分析在微電網環(huán)境下電動汽車無序和有序的調度模式，證明了電動汽車的有序充放電對微電網的經濟效益和環(huán)境保護效益有積極的作用，驗證了基于差分進化的改進多目標免疫算法在調度優(yōu)化上的有效性。

有序充電；峰谷電價；微電網；多目標優(yōu)化

0 引言

隨著社會環(huán)保意識和能源安全意識的提高，人們逐漸認識到傳統(tǒng)電網的固有缺陷。智能微電網技術為各國建設綠色、安全、可持續(xù)的供電系統(tǒng)提供了創(chuàng)新性解決方案。微電網中可再生能源出力的不確定性，可能會影響大電網的穩(wěn)定性[1]。為了推動智能電網的發(fā)展和應用，更應該對微電網的優(yōu)化調度做更多的研究。未來電動汽車大量并網對電網產生不利影響，使其參與微電網的運行調度，與可再生能源協(xié)調運行，在一定程度上可緩解電網的壓力[2]。

文獻[3]建立以儲能系統(tǒng)壽命最長為目標的優(yōu)化調度模型，運用粒子群算法優(yōu)化系統(tǒng)機組和儲能的出力，但是并沒有進一步利用電動汽車集群提高微電網運行的水平。文獻[4]考慮到微電網整體效益和環(huán)境代價，建立了含電動汽車的微電網經濟調度模型，結果證明了電動汽車集群參與微電網調度能夠減少運行成本，但是忽略了儲能系統(tǒng)損耗成本對微電網的影響。文獻[5]建立微電網為主側，電動汽車為從側的博弈模型，通過分時電價和碳排放配額的雙重激勵政策來引導電動汽車的充放電，使雙方的利益更高。文獻[6]考慮電動汽車的出行特性和風光等可再生能源出力的間歇性，運用動態(tài)電價來激勵更多的用戶參與微電網調度，實現(xiàn)微電網中分布式電源和電動汽車的協(xié)調控制，但是目標函數(shù)中沒有考慮到環(huán)境效益。文獻[7]分析了電動汽車參與需求的比例對微電網經濟和環(huán)保運行的影響。文獻[8]建立電動汽車對電價的響應模型，證明分時電價下電動汽車有序充放電策略能有效減小微電網運行成本，但沒有充分考慮用戶的響應度。文獻[9]考慮到電動汽車的充電需求，分析電動汽車在家庭充電樁和公共充電站的智能充電優(yōu)化方法，但是未考慮電動汽車放電。文獻[10]考慮用戶、微電網的成本以及EV的調度費用，建立了含EV的微電網經濟調度模型。

針對上述研究中的不足，本文綜合考慮了儲能和車聯(lián)網（vehicle-to-grid，V2G）損耗成本對微電網運行調度的影響，重新建立微電網優(yōu)化調度模型，通過對柴油機、微型渦輪機出力、儲能系統(tǒng)充放電功率及與配電網交互功率進行協(xié)同優(yōu)化，降低微電網運行成本和環(huán)境保護成本。應用差分進化策略和自適應變異算子對免疫算法進行改進，驗證了所提調度策略的有效性。

1 系統(tǒng)模型

1.1 分布式發(fā)電模型

在本文研究的系統(tǒng)模型中，微電網主要由WT（風機）、PV（光伏發(fā)電裝置）、MT（微型渦輪）、DE（柴油機）、儲能裝置和其他常規(guī)負荷組成。

（1）電池充放電功率

蓄電池作為微電網運行必不可少的部分，當其參與到系統(tǒng)調度時，蓄電池的充放電狀態(tài)極大影響系統(tǒng)的運行[11]。因此，其充放電模型如下：

式中：()為時刻電池的電量情況；(–1)為–1時刻蓄電池剩余電量；為電池的自放電系數(shù)；c為電池的充電效率；bat為電池容量；Δ為電池持續(xù)時間；d為電池放電效率。

（2）電動汽車模型

私家車具有很大的隨機性。然而研究表明，電動汽車的使用習慣遵循正態(tài)分布。因為私家車更具有普遍性，所以本文針對裝有鉛酸電池的私家車進行了研究。該類電池的容量是30 kW·h，充放電效率均為0.9。電動汽車的充電行為可用如下模型[8]表示：

式中：為車主日行程結束時刻；s為開始充電時刻的標準差；s為開始充電時間的期望值。根據(jù)相關研究，s=3.4，s=17.6。

電動汽車的日行駛里程服從對數(shù)正態(tài)分布，概率密度函數(shù)為：

式中：為1天內行駛的公里數(shù)；d為標準差；p為期望值，d=3.2，p=0.88。

1.2 目標函數(shù)

在含電動汽車的微電網環(huán)境下，在微電網運行的過程中，不僅要考慮到微電網公司收益，還要考慮到微電網運行對環(huán)境造成的影響。基于此，本文以微電網的運行成本和環(huán)境保護為目標函數(shù)，建立考慮電動汽車影響的微電網調度模型，并考慮了電池和電動汽車損失的成本，得到微電網運行成本和環(huán)境補償成本的計算方法如下：

目前要求企業(yè)在進行生產的時候不能以破壞環(huán)境為代價，在獲得收益的同時，也必須考慮到環(huán)境保護的效益。因此，微電網的經濟調度目標為式（4），包括微電網的成本1和環(huán)境補償成本2兩個部分。

微電網的成本1由式（5）表示，主要包括以下幾個部分：發(fā)電的燃料費fuel、設備維護費用in、買電費用buy和賣電的收益sell、電動汽車損耗成本費用補償b。

式（6）表示環(huán)境補償成本2，包括柴油機和燃氣輪機化石能源燃燒的環(huán)境補償成本和主電網化石能源燃燒的環(huán)境補償成本。式（6）中：為該設備產生污染物的類型；為包含總的污染物的種類，如二氧化碳、二氧化硫、氮氧化物都是設備運行會產生的污染物；DE,h、MT,h為柴油機和微型渦輪機的型污染物的補償費用；buy,h為主要網絡污染物的補償費。

微電網中柴油機和微型渦輪機的運轉發(fā)電需要燃料來提供動能，所以購買燃料的費用fuel由式（7）表示，DE和MT分別表示柴油機和微型渦輪機所需的燃料費用。

微網中各個發(fā)電的設備在工作一段時間后，都需要進行故障檢測和維護，避免影響后續(xù)的發(fā)電工作，其運營和維護費用如式（8）所述[12]。式中：in,i為設備維護的系數(shù)；P()為發(fā)電機的輸出功率。

式（9）表示微電網購電和售電的費用，因為微電網運行中功率輸出具有不確定性，在微電網與大電網之間存在電量交易[13]。

式（9）中：buy()為微電網購電的成本；sell()為時刻微電網售電的收益；()為時刻的電價。

1.3 約束條件

（1）供需平衡制約

微電網的發(fā)電量要能滿足接入負荷的用電需求。

（2）分布式發(fā)電功率限制

為了不損壞發(fā)電設備，延長各個發(fā)電設備的使用壽命，對輸出功率進行設置，滿足以下條件：

（3）電網中的電力交換約束

微網并網時，對主網的供電應滿足聯(lián)絡線的上下限，使其能合理交換電能。

（4）EV充放電過程中的功率限制

董喜陽，1986年生于吉林九臺。文學碩士。詩人、作家，兼事文學、美術評論。魯迅文學院第三十四屆中青年作家高級研討班（青年作家班）學員。中國作協(xié)會員。作品散見于《詩刊》《人民日報》《大家》《詩選刊》等刊物?，F(xiàn)居長春。

EV在參與V2G技術時，有充電和放電兩種模式，充放電時，功率應滿足上下限。

（5）電荷狀態(tài)限制

在微電網中，電池與電動汽車電池進行電能交換時，電池的最大電量和最小電量存在臨界值，使電池使用的時間更長。

2 基于改進免疫算法的微電網優(yōu)化調度策略

本文建立的模型是含有多變量和多約束優(yōu)化的問題。多目標免疫算法（MOIA）的優(yōu)越性能一直被用在解決各種優(yōu)化問題上。然而，現(xiàn)有的MOIA仍然難以獲得高質量的結果。為了找到一組接近Pareto最優(yōu)前沿解[13]，提出了差分免疫算法DE-MOIA，使用兩種差分進化策略和自適應變異算子，盡可能避免MOIA算法陷入局部最優(yōu)解中，確保全局搜索能力和局部搜索能力優(yōu)于其他算法，流程如下：

在該算法輸入端，為種群的代數(shù)；A為活躍的種群數(shù)；D為優(yōu)勢種群數(shù)；C為克隆種群的大小；A為輸出得到的最后活躍種群數(shù)。

（1）隨機產生個初始抗體，=D+C，得到初始抗體群0；

（2）算法進入主循環(huán)，直到值達到最大迭代次數(shù)；

（3）使用NSGA II[14]中提出的擁擠比較算子，從初始抗體P中選擇優(yōu)勢抗體D作為顯性抗體D；

（4）從D中選擇非支配的個體，得到A，如果|A|>A，則從A中丟棄A–|A|抗體；

（5）通過在A上成比例的進行克隆，經過C次克隆過程，得到C；

2.1 比例克隆

式中：(a)為抗體a的擁擠距離，在公式中邊界解的值是趨于無窮的。因此，邊界抗體的值是除邊界抗體外所有抗體最大值的兩倍[15]。

2.2 差異進化

式中：a1、a2、a3是從D中隨機選出；best是從A中隨機選出；=0.5；=rand[0,1]。

2.3 自適應變異算子

式中：和l分別為當前總體中所有解的第個決策變量的最大值和最小值。

式中：=20。

突變概率值p表示為：

式中：=0.5；b為當前的迭代次數(shù)；max為允許的最大迭代次數(shù)。

3 仿真結果分析

3.1 實驗場景及相關數(shù)據(jù)

本文的實驗數(shù)據(jù)來自某市微電網項目。微電網主要使用清潔可再生能源，包括風和光，其他的發(fā)電單元柴油機、燃氣輪機等都是輔助作用。系統(tǒng)中風、光和負載的輸出功率如圖1所示。從圖1可以看出，8:00—23:00是用電高峰期，在時段24:00—7:00之間為用電低谷，其中最小負荷為45.45 kW，最大負荷為149.64 kW。

圖1 負荷曲線和風光出力曲線

在模型中設置無序充放電和有序充放電兩個場景。因此，可以根據(jù)用戶的充電行為和市場價格行為分別模擬電動汽車的無序充放電功率和有序充放電功率。在微電網中主要利用風、光的發(fā)電量，把電動汽車的充電功率都疊加在原負荷上，并在有序和無序兩種模式下進行優(yōu)化求解。

相關環(huán)境補償參數(shù)如表1所示。發(fā)電設備運行約束如表2所示。各設備的成本參數(shù)見表3。微電網的峰谷電價具體資費信息見表4。

表1 環(huán)境補償成本及排放系數(shù)

表2 各分布式電源的運行約束

表3 發(fā)電單元的成本參數(shù)

表4 峰谷電價

3.2 輸出結果分析

基于含電動汽車參與的微電網調度模型，使用MATLAB仿真軟件對模型進行優(yōu)化，設定模型中種群大小為100，最大迭代次數(shù)為100，克隆種群的大小為100，活性抗體種群的大小為30，電動汽車的數(shù)量設置為100輛。

3.2.1 EVS無序充電下微電網運行優(yōu)化

微電網內電動汽車無序充放電時中各個發(fā)電單元的出力情況如圖2所示。

圖2 無序充電下分布式能源出力情況

從圖2可以看出，在時間段1:00—8:00之間柴油機和微型渦輪機的輸出功率都為零，這時電網的電價為0.3元/kW·h，總體來看，購電成本比發(fā)電成本更低，所以微電網主要接受大電網和蓄電池供電。在9:00—13:00主要以微型渦輪機和柴油機發(fā)電為主。14:00—17:00時段，負荷減少，微型渦輪機和柴油機出力上升，污染排放物減少。18:00—22:00是用電高峰期，大電網出力急劇上升，蓄電池也大量放電滿足用電高峰期負荷需求。

3.2.2 EVS有序充電下微電網運行優(yōu)化

從圖3微網內各個分布式能源在有序充電下出力情況可以看出，DE和MT在1:00—8:00（谷時段）出力幾乎為零，此時大電網電價最低，優(yōu)先安排從電網購電和儲能系統(tǒng)放電，增加了系統(tǒng)的售電收益，減少了污染排放。在13:00—17:00（平時段），MT和DE的出力也較少。這是因為電動汽車作為移動儲能參與放電，代替了部分DE和MT的出力，從而減少了DE和MT發(fā)電的燃料成本，保證了微電網的經濟效益和環(huán)境效益。在9:00—13:00和18:00—22:00（峰時段），微電網購電的成本相對較高，優(yōu)先安排DE、MT發(fā)電和蓄電池放電。

圖3 有序充電下分布式能源出力情況

在以上這兩種調度模式下，微電網運行成本和環(huán)境保護成本如表5所示。

表5 微電網運行成本和環(huán)境保護成本

從表5看出，電動汽車的有序充放電降低微電網的運行成本與氣體排放量，提升微電網的經濟效益和環(huán)境效益，因為電動汽車參與V2G可以在峰谷電價的引導下選擇在夜間充電，降低了高電價時的用電量。

4 結論

本文主要研究了基于差分進化的多目標免疫算法對微電網調度策略的優(yōu)化。提出在峰谷電價機制下，在無序和有序充放電兩種模式下，以微網運行成本和環(huán)境保護成本最小化為目標的調度機制。在保證微網穩(wěn)定的前提下，合理配置各個分布式發(fā)電單元的出力情況，協(xié)調調度策略。該模型不僅考慮了電動汽車參與V2G對調度的影響，還考慮到蓄電池的損耗成本和能量損失。對于最后調度結果的優(yōu)化，提出了一種基于差分進化的改進多目標免疫優(yōu)化算法，對提出的調度策略在電動汽車有序和無序充放電兩種情況下進行驗證，求出了最優(yōu)調度策略，驗證了該算法在降低微電網運行成本和環(huán)境成本上的有效性。

[1] 張穎, 容展鵬, 張宇雄, 等. 基于微電網的電網需求響應研究[J]. 電力系統(tǒng)保護與控制, 2015, 43(21): 20-26. ZHANG YING, RONG ZHANPENG, ZHANG YUXIONG, et al. Study of grid demand response based on micro grid[J]. Power System Protection and Control, 2015, 43(21): 20-26(in Chinese).

[2] 毛玉榮. 電動汽車充放電與微電網運行的協(xié)調優(yōu)化[D]. 長沙: 湖南大學, 2016. MAO YURONG. Coordinated optimization of EV charge-discharge and microgrid operation[D]. Changsha: Hunan University, 2016(in Chinese).

[3] 沈玉明, 胡博, 謝開貴, 等.計及儲能壽命損耗的孤立微電網最優(yōu)經濟運行[J]. 電網技術, 2014, 38(9): 2371-2378. SHEN YUMING, HU BO, XIE KAIGUI, et al. Optimal economic operation of isolated microgrid considering battery life loss[J]. Power System Technology, 2014, 38(9): 2371-2378(in Chinese).

[4] 李恒杰, 鞏旭, 陳偉, 等. 基于改進粒子群算法的含電動汽車的微電網經濟調度[J]. 蘭州理工大學學報, 2019, 45(2): 97-102. LI HENGJIE, GONG XU, CHEN WEI, et al. Economic scheduling of microgrid with electric vehicles based on improved particle swarm optimization algorithm[J]. Journal of Lanzhou University of Technology, 2019, 45(2): 97-102(in Chinese).

[5] 李咸善, 陳敏睿, 程杉, 等. 基于雙重激勵協(xié)同博弈的含電動汽車微電網優(yōu)化調度策略[J]. 高電壓技術, 2020, 46(7): 2286-2296. LI XIANSHAN, CHEN MINRUI, CHENGSHAN, et al. Research on optimal scheduling strategy of microgrid with electric vehicles based on dual incentive cooperative game[J]. High VoltageEngineering, 2020, 46(7): 2286-2296(in Chinese).

[6] 魏大鈞, 張承慧, 孫波, 等. 基于分時電價的電動汽車充放電多目標優(yōu)化調度[J]. 電網技術, 2014, 38(11): 2972-2977. WEI DAYUN, ZHANG CHENGHUI, SUN BO, et al. A time-of-use price based multi-objective optimal dispatchingfor charging and discharging of electric vehicles[J]. Power grid technology, 2014, 38(11): 2972-2977(in Chinese).

[7] 孫叢叢, 王致杰, 江秀臣, 等. 分時電價環(huán)境下計及電動汽車充放電影響的微電網優(yōu)化控制策略[J]. 可再生能源, 2018, 36(1): 64-71. SUN CONGCONG, WANG ZHIJIE, JIANG XIUCHEN, et al. Optimal control strategy for microgrid considering charging/discharging of electric vehicles under time-of-use tariffs[J]. Renewable Energy Resources, 2018, 36(1): 64-71(in Chinese).

[8] 禹威威, 劉世林, 陳其工, 等. 考慮電動汽車充電和需求側響應的光伏微電網多目標優(yōu)化調度[J]. 電力系統(tǒng)及其自動化學報, 2018, 30(1): 88-97. YU WEIWEI,LIU SHILIN, CHEN QIGONG, et al. Multi-objective optimization scheduling for PV microgrid considering electric vehicle charging and demand response[J].Proceedings of the CSU-EPSA, 2018, 30(1): 88-97(in Chinese).

[9] SRIVASTAVA A K, ANNABATHINA B, KAMALASADAN S. The challenges and policy options for integrating plug -in hybrid electric vehicle into the electric grid[J]. Electricity Journal, 2017, 23(3): 83-91.

[10] 陳浩宇. 考慮電動汽車的并網型微電網優(yōu)化協(xié)調調度[D]. 太原: 山西大學, 2018. CHEN HAOYU. Optimized and coordinated dispatch of grid-connected microgrid considering electric vehicles[D]. Taiyuan: Shanxi University, 2018(in Chinese).

[11] 馬益平. 考慮電動汽車調度的微電網混合儲能容量優(yōu)化配置[J]. 電力系統(tǒng)保護與控制, 2017, 45(23): 104-113. MA YIPING. Optimal configuration of hybrid energy storage capacity of microgrid considering electric vehicle dispatching[J]. Power System Protection and Control, 2017, 45(23): 104-113(in Chinese).

[12] 宋澤宇. 含電動汽車與可再生能源的微電網協(xié)同調度策略研究[D]. 秦皇島: 燕山大學, 2019. SONG ZEYU. Research on cooperative dispatching strategy of microgrid including electric vehicles and renewable energy[D]. Qinhuangdao: Yanshan University, 2019(in Chinese).

[13] MOHAMED F A, KOIVO H N. System modelling and online optimal management of microgrid using multiobjective optimization[C]// International Conference on Clean Electrical Power, 2007: 148-153.

[14] DEB K, PRATAP A, AGARWAL S, et al. A fast and elitist multiobjective genetic algorithm: NSGA-II[J]. IEEE Transactions on Evolutionary Computation, 2002, 6(2): 182-197.

[15] WANG ZEHUA, ZANG WENKE, JIANG DONG. An improved multi-objective immune algorithm based on differential evolution[C]// 2019 10th International Conference on Information Technology in Medicine and Education (ITME). 2019: 597-601.

[16] ZITZLER E, DEB K, THIELE L. Comparison of multiobjective evolutionary algorithms: empirical results[J]. Evolutionary Computation, 2000, 8(2): 173-195.

[17] 張大鵬. 含電動汽車負荷的微電網調度研究[D]. 天津: 河北工業(yè)大學, 2016. ZHANG DAPENG. Research on dispatch of microgrid with electric vehicles load[D]. Tianjin: Hebei University of Technology, 2016(in Chinese).

Research on Dispatching Strategy of Microgrid with Electric Vehicle

TANG Jingmin, WANG Jie, LIU Simiao

(Faculty of Information Engineering and Automation, Kunming University of Science and Technology, Kunming 650500, China)

The disorderly charging of a large number of electric vehicles into the grid will adversely affect the stability and reliability of the grid. Taking into account the impact of the charging and discharging of electric vehicles, the cost of battery loss and the influence of peak-valley price on the operation of the microgrid, a microgrid dispatching model with the goal of minimizing microgrid operating costs and environmental protection costs is established. The improved multi-objective immune algorithm based on differential evolution is used to optimize the model. Through example simulation, comparative analysis of the disorderly and orderly dispatching modes of electric vehicles in the microgrid environment is carried out, and it is proved that the orderly charging of electric vehicles has a positive effect on the economic and environmental benefits of the microgrid. And it is verified that improved multi-objective immune algorithm based on differential evolution is effective in scheduling optimization.

orderly charging; peak-valley price; microgrid; multi-objective optimization

10.3969/j.ISSN.1672-0792.2021.02.004

TM72

A

1672-0792(2021)02-0025-07

2020-09-29

國家自然科學基金（61761025）

唐菁敏（1979—），男，副教授，主要研究方向為無線協(xié)作通信，認知無線電網絡，Ad-hoc網絡和物聯(lián)網技術，智能電網；

王 杰（1995—），男，碩士研究生，主要研究方向智能電網；

劉思淼（1995—），女，碩士研究生，主要研究方向智能電網。

王 杰