考虑电动汽车分类的V2G消纳风电优化策略*

刘都利，周任军，孙洪

(长沙理工大学 智能电网运行与控制湖南省重点实验室，长沙 410114)

0 引 言

随着智能电网的发展，通过智能电网和电动汽车相结合的V2G技术实现网与车的双向互动。在电网侧，当负荷较低时电动汽车对过剩能量进行存储；当负荷较高时电动汽车当作分布式电源进行“发电”[1-2]。在运营商方面，通过优化充放电策略以实现运营商利润的最大化[3]。然而V2G优化策略中电动汽车种类多样性以及车主充电行为的自主性决定了其不能简单地被视为一个群整体模型，应充分考虑电动汽车合理分类后再进行有效调度。文献[4]提出一种电动汽车分类调度策略，但将同一时段到站的车辆都按照相同的充电延时进行处理，忽视实际中不同车辆最大允许充电延时可能不同。文献[5]只选取针对电动私家车进行分类后优化充电定价并未考虑其他类型的车以及放电定价。文献[6]研究电动汽车充电设施综合规划，按照充电需求进行电动汽车不同类型的分类。总结目前考虑电动汽车分类的研究中，对分类的准则、分类的对象以及分类后研究的问题各有侧重，极少有同时对不同的电动汽车依据各自充电需求偏好来进行分类。分类后的电动汽车中部分具备受控、可调度的属性，利用充放电与间歇性新能源互补协调。

目前关于V2G参与风电消纳的研究中，有计及碳排放的输电网侧风-车协调研究[7]、计及电动汽车负荷与风电出力不确定性的经济调度研究[8]等。在市场方面的研究有通过电动汽车与电网互动减少弃风的商业模式与日前优化调度策略[9]，电动汽车与风机作为虚拟电场在电力市场中的竞价策略[10]等。但已有相关研究对于电动汽车受控时段和充电需求进行简化处理，很少将运营商的收益和电动汽车充放电对负荷影响共同考虑，优化策略上没有考虑使用电价激励与充电延时双重结合的方法。

综上所述，基于充电偏好和电动汽车出行特性将电动汽车分经济型、合约型和常规型三类并分别功率建模，建立以运营商收益最大和电网负荷均方差最小的多目标函数。实现大规模电动汽车有序充放电以消纳多余风电目标。通过对经济型主要执行充放电价格激励以消纳多余的风电，对合约型主要采取延时充电方法以平抑需求侧风谷差。算例对比三种优化策略，验证了同时采取电价激励和延时措施的策略能使综合目标最优。

1 考虑偏好的电动汽车分类

1.1 电动汽车行使行为及其充电特性

现有观念下的电动汽车基于用户使用对象和用途一般分为公交车、出租车、公务车和私家车，其特性及其能源供给模式分析如表1所示。

表1 电动汽车行驶行为及其充电特性Tab.1 Driving behavior and charging characteristics of EV

1.2 考虑不同充电偏好的电动汽车分类及其特点

不同类型的电动汽车行驶行为和充电特征都不同，不能将其视为单一的群充电模型求解，但对于运营商而言，可以将符合同一满意标准或者偏好的客户进行归类后统一调度充电。选取用户最为关注的充放电价格、充放电电量、充放电时间等需求设置偏好，将电动汽车用户对应地分为：经济型、合约型和常规型三大类后进行分群充放电策略研究。各类具体特点及对比如表2所示。

经济型用户主要由私家车构成，因为群体多样性，各车主的充放电电价期望标准不一致，所以当达不到自身期望电价时经济型用户表现为常规型。私家车每天的停驶率基本都在90%以上[7]，随着大规模充电桩和充电站的建立及移动智能技术的发展，未来电动私家车经济型用户对电价作出迅速的响应成为可能，表现为不仅在电价低位对应的负荷低谷时进行充电，而且还能在电价高位对应的负荷高峰时向电网放电。

对于公交车和出租车而言，汽车每天行驶路线或者行程范围固定、行为较简单，此外为保证其运行可靠性，一般都有备用车辆可随时(轮流)替补工作，因此公交车公司和出租车公司都可与运营商签合约以获取优惠电价，只要能充分保证下次正常用车时间有充足电量的车可供使用的前提下，车辆进站后可由运营商统一管理调配。与公交车类似的如环卫车、巡逻车、邮政车等部分公务车只要保证在使用时电量充足就可以，无需关注电量是在哪一段时间充满,因此归属到合约型。

表2 考虑不同偏好的电动汽车分类及其特点Tab.2 Classification and characteristics of EV with different preferences

部分私家车和公务车以随时用车和随时充电作为自己偏好标准，这部分划分到常规型。但当经济型用户没有达到自身充放电电价偏好标准时，因不受电价激励作用，此时表现为常规型。

2 各类型电动汽车充放电功率建模

2.1 经济型客户充放电功率建模

充电需求函数关系[6]：

(1)

(2)

(3)

放电需求函数关系：

(4)

P1,ev,t=N1C(t)p1C-N1D(t)p1D

(5)

(6)

(7)

2.2 合约型客户充电功率建模

公交车公司或出租车公司与运营商签订固定合约后，公司旗下电动汽车到达充电站后，运营商读取车载电池管理系统数据，收集汽车编号L、剩余电量、所需行驶里程，计算出编号L车此次充电时间tev,l。收集到站时间Tstart,L、下次用车时间Tnext,L，结合充电时间计算出最大可允许延时td,max。然后按这两个数据归类到统计矩阵Atev×tdmax×T：(1)按照充电时长tev不同分为3组(tev=1,2,3)。电动公交一般充电3～4小时可充满，考虑公交车规定返回站点需剩一定电量，所以取充电时长最大取3；(2)按最大可允许延时td,max分为5组，合约型规定最小起步延时为4小时(td,max=0,4,5…,7)。td,max=0对应为立即充电无法延时，T表示一天24个时段。

延时矩阵Tdtev×tdmax×T为待优化变量，表示对应Atev×tdmax×T中各元素所需优化延时多久充电。规定t时段内可允许的最大延时时间相同的每列优化的延迟时间相同，反应在Td矩阵中表现为列向量相同。区别于文献[5]仅考虑按不同的充电时间tev做不同的延时，将tev分3类再按可最大允许延时td,j,max分类后做不同延时，这样的好处是更能充分满足合约型客户的满意度。充电时长保证了合约型用户对充电电量的偏好，而最大可允许延时的设置又充分考虑了车主的自主意愿。

未优化延时充电前，电动公交车一般早上6点开始运行，在运行7个小时后即下午13点需进站充电，得到公交车到站时刻概率分布图如图1所示[11]。

图1 公交车到充电站时刻概率分布图Fig.1 Probability distribution diagram of bus to station

未优化延时充电前，第t时刻合约型充电车辆：

N2,t,bofore=Ai,j,t+A2,j,t-1+A3,j,t-1+A3,j,t-2

i=1,2,3;j=1,2,…,5

(8)

而考虑了延时优化后的状态矩阵:

(9)

注意此式表示的是一种逻辑关系而不是数量关系。具体的计算如下：

(10)

延时优化后配电网中所有合约型电动汽车在t时刻的充电车辆为：

N2,t,after=Bi,1,t+Bi,2,t-4+Bi,3,t-5+Bi,4,t-6+Bi,5,t-7+B2,j,t-1+B3,j,t-1+B3,j,t-2+B2,2,t-5+B3,2,t-5+B2,3,t-6+B3,3,t-6+B3,2,t-6+B2,4,t-7+B3,4,t-7+

B3,3,t-7+B2,5,t-8+B3,5,t-8+B3,4,t-8+B3,5,t-9

i=1,2,3;j=1,2,...,5

(11)

采取延时优化后，第t时刻合约型充电功率：

P2,ev,after=N2,ev,afterP2,0

(12)

式中P2,0为每台合约型电动汽车充电功率。

2.3 常规型充电客户功率建模

常规型汽车由于自主无序的充电特性，采用美国交通部关于全美家庭用车的调查统计数据来描述此类用户的驾驶习惯和出行特点[12]。

常规型汽车充电起始时刻概率密度函数如下：

(13)

式中μs=17.6；σs=3.4。

常规型汽车日行驶里程数的概率密度函数：

(14)

式中μD=3.2；σD=0.88；

充电时长表达式为：

(15)

式中s为日行驶距离km；W100为电动汽车百公里耗能kW·h/100km；P3,0为充电功率。由此联立前式可得到充电时长的概率分布f3,tev(x)。

常规型汽车t时刻正在充电(ζt=1)的概率为：

(16)

式中f3,tev为常规型充电时长的概率密度;ft为电动汽车充电起始时刻概率密度;t3,ev为常规型电动汽车充电时长;tevmax为常规型电动汽车充电时长t3,ev最大值。

常规型总的充电功率如下：

P3,ev(t)=p3,0×(Nall-Nbus-N1C,t-N1D,t)×P(ζt=1)

(17)

式中Nall、Nbus分别为城市内电动汽车总的保有量和合约型车(本文只考虑电动公交车)总的保有量。

3 电动汽车参与V2G消纳风力的多目标调度策略的建立

为调动运营商积极参与消纳风电的积极性以及考虑电网的安全运行的约束，建立以运营商收益最大化和电网负荷均方差最小的多目标优化函数。

3.1 第一目标函数

对于充电运营商而言，其目标是最大化V2G调控的收益。优化模型的目标函数如下：

(18)

(19)

(20)

3.2 第二目标函数

负荷均方差可用于表征电网负荷的波动情况，均方差越小，负荷变化越平稳，大规模电动汽车充放电需考虑对电网的影响。

(21)

式中PLoad,t、Pevt、PW分别为原配电网中负荷、电动汽车在t时刻的充电功率，以及风电系统在t时刻弃风功率。该式表征了电动汽车对负荷及风力发电系统出力日内波动的平抑能力。待优化变量为各时段内充、放电价和合约型用户的充电延时间。

3.3 总目标函数

运营商期望收益函数f1越大越好，但为不造成负荷波动，又需负荷均方差f2小，建立总目标函数如下：

minF=λ2f2-λ1f1

(22)

式中λ1、λ2为权重，运营商基于充电需求函数、电动汽车出行特征以及弃风曲线、负荷等，将充电电价和充电延迟时间必须协调优化。一方面通过充放电价格信号激励经济型用户参与系统调度，以消纳新能源获取收益;另一方面，根据合约型用户能够接受的最大允许延时tdmax，进行分组延时充电，以平抑配电网日内负荷波动。

注意到f1与f2表征物理意义不同，量纲不一致，分别除以不加任何优化措施下的初始值进行标幺化，得到最终目标函数：

minF=λ2f2/f2,0-λ1f1/f1,0

(23)

3.4 相关约束条件

电能平衡约束:

(24)

运营商为激励经济型用户充放电行为应满足：

(25)

(26)

针对合约车允许最大可延时时间：

td,j,max≤Tnext-Tstart-tev

(27)

(28)

式中tev由运营商根据车所剩电量、此次期望充电和平均充电功率确定；E为电池总容量。

合约型车采取了延时策略后的充电费用应小于未采取延时前的费用，有：

(29)

(30)

商业合作各参与方的风电消纳收益分成因子的和应为1：

α1+α2+αoprater+αgrid+αpw=1

(31)

式中α1，α2，αoperator，αgrid，αpw分别为经济型用户、合约型用户、运营商、电网和风电场的收益分成因子。

4 算例仿真结果分析

4.1 数据处理

城市电动汽车保有量总数Nall=50 000，公交车总数Nbus=5 000，经济型车充电功率P1c=10 kW/h，放电功率P1d=10 kW/h，合约型车充电功率P2,0=90 kW/h，常规型车充电功率P3,0=90 kW/h，kkc=1.12，N1cmax=10 000,N1dmax=10 000,pd0=1,λ1=0.6、λ2=0.4。采用粒子群算法，对72个变量优化求解，取N=100，C1=2,C2=2,w=0.6,M=500,D=72。

运营商从电网购电电价如图2所示，17点到19点因负荷一般处于高峰期间而电价较高，晚间24点到5点因负荷水平低所以电价较低[13]。

图2 运营商从电网购电电价Fig.2 Operators purchase electricity price from Grid

4.2 不采取任何优化措施分析

延迟时间为0，所以P2,ev,before=P2,ev,after，如图3各类型电动汽车充电曲线。

合约型汽车延时前后为同一负荷曲线，图中两处高峰是合约型汽车到站后因不延时而立即充电，新增充电车辆与原有充电车辆充电叠加的结果。又由于不采取电价激励措施，故经济型用户表现为常规型，在图中表现为经济型用户没有曲线。

仿真一天24小时，不采取任何优化措施时，电动汽车充放电与弃风曲线共同对配电网负荷的影响。

图3 各类型电动汽车充电曲线Fig.3 Various types of EV charging curves

图4中“+”型实线代表多余风电(弃风曲线)情形，表示午夜2点至凌晨6点弃风严重。“*”形实线代表原有负荷、电动汽车、弃风曲线三者叠加结果。午夜2点至凌晨6点时段由于负荷处于低谷期，多余风电往往无法正常消纳，导致弃风现象严重，多余风电接入配电网造成晚间负荷低谷更低的现象。而另一方面，由上文分析到大规模电动汽车的无序充电又会造成16点和19点高峰更高的现象。综合来看，两者加剧配电网一天负荷的峰谷差，给系统安全和经济运行带来挑战。

图4 电动汽车与弃风曲线共同对电网负荷的影响Fig.4 Influence of EV and wind abandon on network load

4.3 采取不同优化策略结果分析

4.3.1 策略1：只采取价格激励措施

从图5看出，优化后综合曲线对比优化前在4点到7点出现向上偏移，而16点至22点间段内则表现为优化后比优化前的综合曲线向下偏移，这是因为：受夜间多余风电的影响，风电场为消纳多余风电，主动降低电价吸引经济型用户选择晚间4点到7点充电。同时在10点到18点原有负荷较高时段内，经济型用户有V2G放电行为，向电网输送电力。

然而，图中综合负荷曲线比原负荷曲线在14点到23点时间段还要多，表明只采取电价激励的优化策略不足以降低峰谷差。

图5 策略1下综合负荷曲线图Fig.5 Comprehensive load curve under the strategy of 1

4.3.2 策略2：只采取延时措施

如图6所示，优化后综合曲线比优化前24点至7点出现向上偏移，而15点至21点时间段内则表现为优化后比优化前的综合曲线向下偏移，这是因为大规模合约型汽车充电时间段的延迟对晚间峰谷的“填平”作用以及消纳风电的影响。

图6 策略2下综合负荷曲线图Fig.6 Comprehensive load curve under the strategy of 2

然而，在16点到20点时间段，图中综合负荷曲线，比虚线代表的原综合负荷曲线降低的额度有限，表面只采取延时的优化策略“填谷”作用明显但“削峰”作用不明显。

4.3.3 策略3：同时采用价格激励与延时措施

经济型用户受电价激励作用，从常规型表现为经济型，在图7中体现为经济型用户优化前没有曲线而优化后有曲线。正因为部分常规型转化为经济型，所以常规型用户数量减少。另外，由于采取延时措施，所以优化后的合约型车辆充电曲线相比于优化前表现为向后平移，原在16点的第一波充电负荷高峰因为延时出现在晚上21点，原出现在21点的第二波充电负荷高峰因为延时策略出现在晚上24点。

图8可看出，优化后综合曲线比优化前在24点到7点出现向上偏移，而16点到23点时间段内则表现为优化后综合曲线比优化前向下偏移，这是因为：(1)大规模合约型汽车充电时间段避开晚高峰的“削峰”和延迟到晚低谷充电的“填平”作用;(2)受电价激励策略影响，经济型用户在负荷高峰时段进行放电，并在夜间负荷低谷且风电出现富余时进行充电。

图8 策略3下综合负荷曲线图Fig.8 Comprehensive load curve under the strategy of 3

4.3.4 三种策略的比较

从表3三种优化策略下的目标函数值可以看出，采取电价激励措施的策略1和策略3收益明显高于无优化和策略2时的收益，采取延迟措施的策略2和策略3的均方差比无优化和策略1要小。策略3综合效果最优，这是因为：同时采取电价激励措施和延时充电的双重优化策略不仅能使经济型用户消纳廉价风电增加利润，而且还能调控合约型汽车将负荷高峰充电时间段移至低谷充电，有效地平抑了负荷波动。

图9 三种策略综合负荷曲线比较Fig.9 Comparison of three kinds of comprehensive load curves

表3 三种优化策略下目标函数值的比较Tab.3 Comparison of objective function values under three kindsof optimization strategies

5 结束语

针对V2G的电动汽车调度不能简单被视为群整体模型问题，文章考虑充电偏好将电动汽车合理分为经济型、合约型和常规型三类，建立以运营商收益最大和电网负荷均方差最小的多目标函数。得到以下结论：

(1)考虑电动汽车充电偏好的分类不仅保证用户满意度，而且给运营商提供了电动汽车调控权；

(2)对电动汽车的合理优化调度可有效降低电网等效负荷波动，增加弃风电场发电收入，增加电网、运营商售电利润，以及电动汽车用户满足各自偏好的前提下降低充电成本；

(3)对比三种优化策略，运营商同时采取电价激励和充电延时相结合的措施，能实现利润与平抑负荷的综合最优。为未来大规模电动汽车与新能源协同调度提供参考。