張林茹， 呂麗霞， 劉長良， 李 靜， 劉衛(wèi)亮

(華北電力大學(xué) 控制與計算機工程學(xué)院，河北 保定 071003)

0 引 言

近年來,能源危機愈演愈烈,石油、天然氣、煤炭等化石能源正在迅速接近枯竭,新能源技術(shù)日漸發(fā)展。國家發(fā)改委[1]于2022年1月從基礎(chǔ)建設(shè)、技術(shù)研發(fā)、運維保障、安全監(jiān)管、財政支持等方面為新能源汽車產(chǎn)業(yè)的發(fā)展提供政策保障。電動汽車作為一種新型負荷,具有靈活性、隨機性等特點,其大規(guī)模接入電網(wǎng)勢必會給電網(wǎng)帶來巨大調(diào)峰調(diào)頻挑戰(zhàn)。同時,電動汽車本身具備儲能特性,通過分析電動汽車充電行為,可將電動汽車作為可調(diào)度資源參與電網(wǎng)調(diào)峰調(diào)頻、新能源消納,即將電動汽車充電負荷轉(zhuǎn)移到用電低谷期,實現(xiàn)負荷曲線的削峰填谷,同時可利用電動汽車電池放電特性進一步平緩負荷曲線,建立合理的調(diào)度模型與調(diào)度策略可使得新能源電力有更高的利用率[2]。目前對于車網(wǎng)互動優(yōu)化調(diào)度方面的研究多考慮電網(wǎng)經(jīng)濟成本與削峰填谷,較少能考慮到新能源消納及聚合商效益等同樣影響實際調(diào)度效果的重要因素。

基于電價激勵是目前用于EV參與調(diào)度的常用手段。龔誠嘉銳[3]以聚合商經(jīng)濟為主要目標函數(shù),考慮用戶側(cè)用電成本最低,建立經(jīng)濟性優(yōu)化模型,但是過于考慮經(jīng)濟性影響,在調(diào)峰、提高新能源利用率方面效果較差。韓帥[4]建立了EV參與調(diào)峰定價策略的兩階段優(yōu)化調(diào)度模型,有效降低EV參與調(diào)度的成本及峰谷差,模型合理有效,但是并沒有考慮新能源消納問題。楊鏡司[5]以電動汽車參與調(diào)峰過程作為主要研究對象,建立兩階段優(yōu)化調(diào)度模型,缺點是只考慮了調(diào)峰過程與用戶充電費用之間的影響,得到的結(jié)果不符合實際需求。楊曉東[6]建立了兼顧“削峰填谷”與減少充電耗損的優(yōu)化調(diào)度模型,基于虛擬電價激勵,保障調(diào)度實現(xiàn),經(jīng)仿真驗證得到該模型靈敏度較高、魯棒性較好,但是沒有考慮到新能源消納問題,電動汽車行為模型不夠細致,不能更加真實的描述EV在調(diào)度過程中的充放電行為。崔楊[7]、侯建朝[8]考慮了EV參與電網(wǎng)調(diào)度過程中的無功優(yōu)化問題與所帶來的環(huán)境污染問題,有效改善傳統(tǒng)無功補償設(shè)備的運行壓力與新能源消納。

本研究中建立了能合理有效描述EV充放電特性及行為特性的EV模型,充分考慮EV在參與電網(wǎng)調(diào)度過程中需要達到的目標及約束,使得得到的最優(yōu)調(diào)度方案更合理、更符合實際需求。

1 電動汽車行為建模

研究電動汽車的充放電調(diào)度問題首先應(yīng)對無序充電的電動汽車進行行為建模。電動汽車大致可分為公用車和私家車,相較于公用車,私家車在時間、空間上的調(diào)度靈活性較高。本研究主要研究對象為私家車,其余新能源汽車作為常規(guī)負荷接入電網(wǎng)。

1.1 電動汽車充放電模型

與電動汽車充放電相關(guān)的參數(shù)主要包括:電動汽車電池荷電狀態(tài)(State of Charge,SOC)、電池容量C、充電功率Pcharge、放電功率Pdischarge等。

1)電動汽車荷電狀態(tài)

(1)

其中,Cev(t)為當前時刻電動汽車電池電量,Cev為電動汽車電池額定容量。

2)充電模型

(2)

其中,Ec為電動汽車充電效率。

3)放電模型

(3)

其中,Ed為電動汽車放電效率。

除此之外,為了保證在用戶期望離站時間之前電動汽車電量滿足用戶期望電量,需要計算t時刻的計劃充電功率Pevplan,當Pevplan在電動汽車充電功率上下限內(nèi)才可參與調(diào)度。

(4)

其中,SOCq為用戶離站時的期望荷電量,tq、td分別為用戶期望離站時間及當前時刻。

1.2 電動汽車行為模型

電動汽車出行行為影響調(diào)度結(jié)果的因素主要包括電動汽車進站時間、離站時間?？蓪④囕v行為時刻分布通過極大似然估計近似為正態(tài)分布,經(jīng)統(tǒng)計學(xué)分析可得到正態(tài)分布的均值μ及方差σ[9]。

1)電動汽車進站時間

電動汽車進站時間近似等于開始充放電時間,正態(tài)分布均值μs=17.6、方差σs=3.4,電動汽車入網(wǎng)時間的概率密度函數(shù)為

fs(x)=

(5)

2)電動汽車離站時間

假設(shè)電動汽車離網(wǎng)即離站,汽車離站時間與進站時間及停車時長相關(guān),停車時長近似服從對數(shù)正態(tài)分布,均值μp=2.74、方差σp=1.21,停車時長的概率密度函數(shù)為

(6)

電動汽車離站時間與離站SOC為

tq=ts+tp,SOClea≥SOCq

(7)

其中,tp為電動汽車停車時長,SOClea為電動汽車離站時的荷電狀態(tài)。

3)初始SOC

初始SOC與日行程里程數(shù)有關(guān),電動汽車日行駛里程數(shù)近似服從對數(shù)正態(tài)分布,均值μd=3.2、方差σd=0.88,概率密度函數(shù)為

(8)

電動汽車初始SOC可表示為

(9)

其中,SOCinit為電動汽車進站初始荷電狀態(tài)、SOCq為電動汽車期望荷電量、dr為電動汽車日行駛里程數(shù)、de為電動汽車額定行駛里程數(shù)。

單臺電動汽車具有以上行為規(guī)律,通過蒙特卡洛抽樣法,抽取區(qū)域內(nèi)100 000臺電動汽車作為樣本,分析規(guī)?；妱悠嚨恼{(diào)度潛力。單臺電動汽車充放電行為服從平行四邊形法則,平行四邊形上邊界表示充電過程可調(diào)度上限,下邊界表示可調(diào)度下限,斜率表示當前功率值,如圖1所示。

圖1 電動汽車充放電調(diào)度潛力Fig.1 Electric vehicle charging and discharging scheduling potential

在調(diào)度上下限之間可以根據(jù)實際調(diào)度需求確定每個時段的充放電功率,如圖1紅線所示。圖中tmax為最大等待時間,即電動汽車入網(wǎng)后能保持不充電行為到達的最大時間為tmax,超過此時間點不進行充電操作會導(dǎo)致電動汽車離站時電量不滿足用戶期望(即到達此時刻,電動汽車必須進行充電)。

(10)

其中,Cevq、Cevs分別為期望電量與當前電量。

規(guī)?；妱悠噒時刻的調(diào)度潛力為區(qū)域內(nèi)參與調(diào)度的電動汽車可調(diào)度潛力總和。根據(jù)當前t時刻總功率值,可預(yù)測t+1時刻可調(diào)度充放電負荷的上下限[5]。

(11)

(12)

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

(13)

式中:ΔPevcharge(t+1)為t+1調(diào)度時刻必須增加的EV負荷,ΔPevexcharge_c(t+1)、ΔPevexcharge_d(t+1)分別表示只進行充電調(diào)度增加的EV負荷與只進行放電調(diào)度減少的EV負荷,ΔPcharge(t+1)、ΔPdischarge(t+1)分別為t+1時刻增加的EV負荷與減少的EV負荷,ΔPevexcharge(t+1)為t+1調(diào)度時刻根據(jù)調(diào)度需求增加的EV負荷功率。

2 多目標車網(wǎng)互動優(yōu)化調(diào)度模型

針對發(fā)電系統(tǒng)主要由風、光、火、儲組成的某區(qū)域電網(wǎng),建立以區(qū)域電網(wǎng)經(jīng)濟性為主體,兼?zhèn)洹跋鞣逄罟取薄⑿履茉聪{、環(huán)保性的優(yōu)化調(diào)度模型。

其中,區(qū)域電網(wǎng)與聚合商交換功率,為聚合商提供電力來源,并向聚合商提出例如經(jīng)濟效益、“削峰填谷”、新能源消納、環(huán)保性等調(diào)度要求;聚合商作為電力分銷商,同時承擔調(diào)配EV參與電網(wǎng)調(diào)度的主要責任;EV作為被調(diào)度個體,與聚合商在經(jīng)濟聯(lián)系的前提下受聚合商調(diào)配,從而間接參與電網(wǎng)調(diào)度。

2.1 待優(yōu)化參數(shù)

將某個調(diào)度周期分為24個調(diào)度時段,決策變量為x,分別取電動汽車與充電站交換功率Pevexcharge、區(qū)域電網(wǎng)與外部電網(wǎng)交換功率Pgrid、火力發(fā)電功率Pf、風力發(fā)電功率Pw、光伏發(fā)電功率Ppv、電儲能充放電功率Pb作為決策變量,變量及釋義如表1所示。

表1 決策變量及釋義

2.2 目標函數(shù)

2.2.1 經(jīng)濟性目標函數(shù)

區(qū)域電網(wǎng)經(jīng)濟性目標Cag[11-13]即考慮區(qū)域電網(wǎng)與外部電網(wǎng)交換功率成本Cgrid、風力發(fā)電維護成本Cw、光伏發(fā)電維護成本Cpv、火力發(fā)電維護成本Cf、電儲能設(shè)備充放電成本Cb,即:

(14)

區(qū)域電網(wǎng)與外部電網(wǎng)交換功率成本Cgrid為

(15)

其中,Ccb_grid為區(qū)域電網(wǎng)與外部電網(wǎng)單位交換功率價格。

風力發(fā)電維護成本Cw為

(16)

光伏發(fā)電維護成本Cpv為

(17)

火力發(fā)電維護成本Cf為

(18)

電儲能設(shè)備充放電成本Cb為

(19)

其中,Ccb_w、Ccb_pv、Ccb_f、Ccb_b為風力發(fā)電、光伏發(fā)電、火力發(fā)電單位發(fā)電量維護成本及電儲能設(shè)備單位充放電成本。

2.2.2 削峰填谷目標函數(shù)

削峰填谷的目標是使負荷曲線降低峰峰值,降低峰谷差,計算方式是使負荷曲線方差最小[14,15],即:

(20)

2.2.3 新能源消納目標函數(shù)

(21)

經(jīng)濟性目標考慮了電網(wǎng)的運行成本、削峰填谷目標考慮電網(wǎng)的安全性,盡可能平滑負荷,減少峰谷差、新能源消納目標在經(jīng)濟性與環(huán)保性方面均有貢獻,三個目標函數(shù)相互制約、相互排斥,使得得到的目標函數(shù)值呈此消彼長趨勢。

2.3 約束條件

對于?t∈θT,各變量應(yīng)滿足如下約束條件。

1)功率平衡約束

(22)

其中,PImload(t)為t時刻常規(guī)電負荷功率預(yù)測值。

2)功率上下限約束

(23)

3)電儲能設(shè)備荷電狀態(tài)約束[10]

(24)

4)環(huán)保性約束

假設(shè)區(qū)域電網(wǎng)向外部電網(wǎng)購電來源均為傳統(tǒng)燃煤發(fā)電,則污染物主要來源為外網(wǎng)購電及區(qū)域電網(wǎng)火力發(fā)電排放的CO2、SO2、NOx三種污染氣體。

(25)

其中,λe為污染物排放系數(shù),具體取值見表2。

表2 污染物排放系數(shù)

表3 調(diào)度方案目標函數(shù)值

5)電動汽車調(diào)度潛力約束

Pev_low(t)≤Pevexcharge(t)≤Pev_high(t)

(26)

其中,Pev_low(t)、Pev_high(t)分別為t時段電動汽車充放電調(diào)度下限功率與調(diào)度上限功率。

6)聚合商經(jīng)濟性約束

(27)

其中,Cagg_grid(t)、Cagg_ev(t)分別為聚合商與電網(wǎng)及電動汽車單位交換功率價格,Pagg_grid(t)、Pagg_ev(t)分別為聚合商與電網(wǎng)及電動汽車t時段交換功率值。

3 算例分析

本研究中區(qū)域電網(wǎng)配置包括,風力發(fā)電裝機容量100 MW、光伏發(fā)電裝機容量50 MW、火力發(fā)電裝機容量1 300 MW、儲能設(shè)備蓄電池容量60 MW·h,可用于調(diào)度的電動汽車最大容量為800 MW·h。區(qū)域電網(wǎng)與外部電網(wǎng)交換功率上限為100 MW,聚合商向區(qū)域電網(wǎng)購售電分時電價與區(qū)域電網(wǎng)向外部電網(wǎng)購售電分時電價[16-19]如圖2所示。

圖2 購售電分時電價示意圖Fig.2 Schematic diagram of time of use tariff

3.1 含電動汽車的多目標優(yōu)化調(diào)度模型求解

設(shè)置NSGA-Ⅱ算法中的種群規(guī)模Npop=100,最大迭代次數(shù)gmax=100 000,突變率Pm=0.9,交叉率Pc=1.2。模型求解得到Pareto前沿,目標函數(shù)值分布如圖3所示。

圖3 目標函數(shù)值分布圖Fig.3 Objective function value distribution

選取三種極端場景下的優(yōu)化調(diào)度方案進行分析,通過AHP決策分析方法確定最滿足用戶需求的優(yōu)化調(diào)度方案。不同調(diào)度方案下的目標函數(shù)值如表3所示,顯然,由于火力發(fā)電成本低于新能源發(fā)電成本,電網(wǎng)經(jīng)濟性指標與削峰填谷指標、新能源消納能力指標呈此消彼長趨勢。

繪制經(jīng)濟性最好、削峰填谷效果最優(yōu)、新能源消納能力最高的三種優(yōu)化調(diào)度方案仿真結(jié)果,如圖4～6所示。

圖4 經(jīng)濟性最好調(diào)度方案Fig.4 Best economic scheduling scheme

對于經(jīng)濟性最好的調(diào)度方案,在電價較高時段(即用電高峰)區(qū)域電網(wǎng)向大電網(wǎng)購電較低售電增加,導(dǎo)致風光火發(fā)電功率增加,而電網(wǎng)傳輸功率限制導(dǎo)致棄風棄光較高,反之,在電價較低時段(即用電低谷)區(qū)域電網(wǎng)向大電網(wǎng)購電較多,風光火發(fā)電功率降低;儲能設(shè)備參與調(diào)度成本較低,因此儲能參與調(diào)度出力較高,電動汽車參與調(diào)度功率下降,系統(tǒng)削峰填谷能力較低。

圖5 削峰填谷效果最優(yōu)方案Fig.5 Optimal scheme for peak shaving and valley filling

對于削峰填谷效果最優(yōu)方案,為使負荷曲線最平緩,縮小峰谷差,電動汽車與儲能設(shè)備在用電低谷進行大功率充電,在用電高峰進行大功率放電,同時在用電高峰期火力發(fā)電出力降低,新能源發(fā)電功率增大,在用電低谷期火力發(fā)電出力增大,以適應(yīng)負荷需求變化,由于新能源出力較高,電網(wǎng)效益降低,新能源利用率較高。

圖6 新能源消納能力最高方案Fig.6 Scheme with the highest consumption capacity of new energy

對于新能源消納能力最高的優(yōu)化方案,風、光發(fā)電機組在每個調(diào)度時刻均保持相對較高的發(fā)電功率,由于風光發(fā)電成本較高,因此該方案發(fā)電成本較高;風光發(fā)電出力隨環(huán)境因素變化,火力發(fā)電在風光發(fā)電低谷期出力較高,在風光發(fā)電出力高峰期出力降低;EV參與調(diào)度出力在風光發(fā)電低谷期放電功率較高充電功率較低,在風光發(fā)電高峰期放電功率較低充電功率較高。

依據(jù)專家打分結(jié)果,構(gòu)建兩兩比較判斷矩陣A,分析三個決策因素的權(quán)重,如表4所示。

表4 兩兩比較矩陣A

經(jīng)一致性校驗、層次單排序,各指標歸一化權(quán)重值為W=[0.104 7 0.637 0 0.258 3],選取最佳調(diào)度方案。

最優(yōu)調(diào)度方案下各決策變量功率如圖7所示。

圖7 決策變量分時功率Fig.7 Decision variable time-sharing power

由圖可知電動汽車分時購電電價反映供電需求的高低,電動汽車充電多發(fā)生在電價較低時段,放電多發(fā)生在電價較高時段,用來平衡負荷波動。

3.2 比較驗證

建立電動汽車作為常規(guī)負荷不參與調(diào)度的區(qū)域電網(wǎng)調(diào)度模型,以電網(wǎng)經(jīng)濟性、新能源消納為目標函數(shù),火力發(fā)電功率、光伏發(fā)電功率、風力發(fā)電功率作為決策變量,得到最優(yōu)Pareto解集及前沿,基于AHP法得到最優(yōu)調(diào)度方案。EV參與調(diào)度與不參與調(diào)度兩種情況下的結(jié)果對比如圖8所示。

圖8 兩種調(diào)度結(jié)果對比圖Fig.8 Comparison diagram of two scheduling results

由電動汽車參與調(diào)度得到的優(yōu)化調(diào)度結(jié)果與電動汽車不參與調(diào)度的仿真結(jié)果進行對比可知,電動汽車在平衡用電負荷、削峰填谷方面具有明顯優(yōu)勢,用電負荷波動率降低38.2 %;EV參與調(diào)度使得火力發(fā)電在用電高峰出力降低,在用電低谷出力提高,保證機組長期穩(wěn)定運行;棄風棄光率降低31.2 %。電動汽車作為一個容量較大的靈活儲能設(shè)備在參與電網(wǎng)削峰填谷、降低電網(wǎng)運行成本、新能源消納方面具有不可忽視的作用。

4 結(jié) 論

電動汽車充電行為具有靈活性、不確定性等特性,大規(guī)模電動汽車接入電網(wǎng)進行無序充電大幅增加電網(wǎng)壓力。電動汽車作為具有儲能作用的設(shè)備,將其作為調(diào)度資源,基于分時電價激勵,對其進行充放電調(diào)度,得到如下結(jié)論:

(1)采用電動汽車作為區(qū)域電網(wǎng)平抑負荷波動的調(diào)度資源,相較于單純采用與外部電網(wǎng)交換功率作為平抑手段,能進一步降低波動率。

(2)EV聚合商作為調(diào)度中介既保證了車、網(wǎng)、聚合商三方的經(jīng)濟效益,又保證了削峰填谷、新能源消納的需求。

(3)電動汽車作為調(diào)度資源,有效緩解電網(wǎng)調(diào)峰壓力、增加新能源消納、降低電網(wǎng)運行成本,同時降低了火力發(fā)電出力,減少了環(huán)境污染。