微网下基于V2G 的电动汽车并网研究∗

刘 郑 孙志峰 蒋 燕 李 熙 周智睿

（国网湖北省电力有限公司信息通信公司 武汉 430077）

1 引言

随着清洁能源的日益发展，以微网为代表的新型发电系统，将分布式能源和储能系统、负荷紧密地联系在一起［1］。同时电动汽车作为一种新能源汽车，可在很大程度上降低交通系统对环境的污染，因此越来越受到国家和政府的支持［2］。然而，当电动汽车较大规模且无序并入电网后，将对电网的稳定性带来巨大影响［3］。随着电动汽车入网（vehicle-to-grid，V2G）技术的提出，将大大缓解了这一难题，所谓V2G［4］，电动汽车动力电池作为分布式储能装置，不仅可从电网补充电能，还可在用电高峰期时将电动汽车动力电池中的能量注入电网，实现能量的双向流动。从而在很大程度上减少备用需求，提升电网运行的经济性［5～6］。

因此，将可入网电动汽车引入微网，参与微网系统的联合调度将是未来的一个发展趋势。电动汽车无序充电的负荷将给电网带来很大的冲击，应该采取有效措施对电动汽车的充放电进行合理的调度，将影响降到最低。合理有效地控制与调度方法是目前研究的关键［7］，文献［8～9］建立了计及电动汽车和可再生能源协同调度的数学模型，验证了电动汽车参与调度可以有效平抑电网等效负荷波动。文献［10］综合考虑了运行成本和污染物排放这两个目标函数，结合IEEE标准测试系统采用NSGA-II 算法进行计算，但是微网与IEEE 标准测试系统还存在着很大的差异，而且再加入电动汽车，就使得差异更加显著。

本文基于蒙特卡洛模拟法，首先计算电动汽车的充电负荷，经过计算后，得出电动汽车的充电负荷分布图，验证电动汽车的无序加入会引起一些时段负荷的明显上升，尤其在用电高峰时段。为了满足负荷需求，如果增加发电容量，会导致整个电力系统的投资和运行成本增加，为了解决这一问题，我们引入了更加经济环保的微网系统，以一个办公场所内的微网系统为研究对象，且通过V2G技术将电动汽车接入微网，在此基础上建立了基于V2G模式的充放电模型，对所建模型采用一种新型的变惯性权值的粒子群算法进行优化求解，使算法的全局和局部搜索能力更强，最后通过得到各机组的组合出力情况，对整个办公场所的用电成本进行了比对分析。

2 微网系统结构概述

当前，对于微网的定义还没有达成共识。其中具有代表性的定义是［11～12］:微网是一个整体系统，由一些分布式电源和负荷所构成，可以实现电热联供；微网可通过电力电子等器件来转换能量。相比于大电网，微网不仅可以通过手段进行控制，而且能够保障用户用电的电能质量以及可靠性。

微网的组成结构较多，可按照工程实际需求进行灵活选配，微网组成结构中，较为典型的结构主要包含了各种负载、分布式电源以及电力电子元器件等相关设施［13］。微网中的供电模块主要由分布式电源提供。传统的微网结构中的负荷就是所供电对象即用户侧的使用负荷，在此，我们将微网系统和电动汽车这一可变负荷结合起来，这将增大了对微网的研究难度。

本文在上述研究的基础上，建立了一个小型的办公场所内的微网系统，其中包含有光伏电池、风力发电机、微型燃气轮机、燃料电池、蓄电池、电动汽车及基本负荷等的微网系统。其结构图如图1所示。

图1 微网系统结构图

3 模型建立及相关参数设置

3.1 优化调度模型的建立

本文重点研究各种分布式电源在微网下的经济调度性，因此分布式电源的初期建设成本不纳入考虑范围，只考虑分布式电源的维护和燃料支出成本；因为电动汽车为车主私有，所以维护和购买电动汽车的所有费用不算作微网的运行成本［14～15］。因此，在电动汽车并网后，微网的运行成本目标函数主要包括运行维护费用、分布式电源的燃料费用、微网向电动汽车购电的费用、微网向大电网购电费用以及向大电网售电的收入。故目标函数可表示为

式中，CM是微网运行总成本；N为分布式电源的数量；T 为调度时间；COM为分布式电源的运行维护成本；Cfuel为分布式电源的燃料成本；为微网与大电网之间的交换功率；C1为大电网电价；电动汽车输出功率；C2为电动汽车与微网的电量交易价格；为各分布式电源的运行维护系数；Pit为分布式电源在t时间内的输出功率。

其中，由于风力发电机和光伏电池不需要消耗燃料，故它们的燃料成本为0，因此燃料成本只有微型燃气轮机和燃料电池。但是维护成本包括光伏电池、风力发电机、燃料电池、微型燃气轮机。

相关约束条件如下:

1）功率平衡约束

3）电动汽车输出功率

式中:PEV( t )为电动汽车t 时刻的输出功率；、分别为电动汽车的最小和最大输出功率；SOCEV( t )为t时刻电动汽车的SOC状态。、分别为电动汽车核电状态的最小值和最大值。

3.2 电动汽车相关参数设置

本文是建立在一个办公场所的微网系统上，工作日，电动私家车的主要做上、下班交通工具使用，使用高峰时间分别为 7:00～9:00 与 17:00～19:00。对车主来说，可以选择工作时间段在公司的停车场进行常规充电，或者晚上回到家之后在住宅区进行常规充电。但是目前的研究下可以有两种接入模式，一种就是现阶段的随机充电，即电动车车主一到公司，就将电动汽车接入微电网进行充电，直到充满电为止；另一种则是将电动汽车以V2G的模式接入微电网，在用电高峰时段，充当蓄电池，对整个办公场所的用电量进行一个适当的补充，如果还不能满足需求，则从大电网购电。

3.3 其他相关参数设置

本文采用的电动汽车的容量为60kWh，除去其正常驾驶所需的电能，能提供给微网的容量为40kWh。蓄电池的容量设置为 50kWh［16～18］。微网中各分布式电源的参数如表1所示。

表1 各分布式电源的参数［19］

本文研究的微网系统，其发电主要为满足公司的用电负荷需求而设计。通过对典型微网下日负荷数据的拟合，可得出曲线图如图2所示。

图2 某公司微网日负荷曲线

由图2 不难看出，一天24h 内用电高峰时段出现在 13:00～15:00 左右，峰值大约在 140kW 左右，该研究就是建立在这样的用电负荷基础上。依据本文前面所述的微网所含电源特性可知，风力发电机、光伏电池受到天气条件的影响较大，对于电网的供电情况有着一定的波动性。所以在微网优化调度方面，风力发电机和光伏电池一般不作为调动机组，在这样的前提下将其视为负的负荷处理，本研究的调度策略为优先考虑分布式电源的出力，如果还是不能满足负荷需求，则由电动汽车一起参与发电。

4 算例分析

4.1 控制算法

由于传统的粒子群算法具有“早熟”等缺陷，为了增加其全局寻优能力和对不同优化问题的适应度，本文采用变惯性权值的粒子群算法，以分析微网的优化调度模型，针对粒子群算法，采用随迭代次数线性减小的惯性权值，其表达式如式（8）所示:

式中，Wmax是W 在迭代过程中的最大值而Wmin是最小值，这些值是W在优化开始以及优化结束时的取值，经过大量实验计算发现，取值Wmax=0.9 ，Wmin=0.4 时，粒子群算法的性能会大大提高，相比较基本粒子群算法，其收敛速度和求解精度都将更高。k 是当前迭代次数；K 为最大迭代次数。此算法优势在于寻优前期能够扩大查询范围，后期能加强对局部区域的收敛。改进粒子群算法的流程图如图3所示。

4.2 电动汽车无序充电负荷计算

一般情况下，电动汽车车主一到单位随即进行充电，且充电行为不受控，那么对其充电负荷计算的结果如图4所示。

图3 优化算法流程图

图4 不受控的电动汽车充电功率图

由图4 可以看出，原始的对大电网内不受控的电动汽车进行充电，会在早上上班高峰时段8:00～9:00 出现一个充电负荷最大值，充电时间大约为8:00～11:00，最大负荷大约为90kW，参照图2 可以看出，电动汽车的这一充电负荷相当于整个办公楼所有负荷的一半以上，这对整个办公场所来说，并不是一个小的负荷，这个突然增加的负荷会对大电网的供电可靠性产生很大的威胁，因此需要对其的充电行为进行一定的限制，对其进行有效的调度将显得尤为重要。结合图2 和图4 可以看出，办公场所内一天内的用电量非常多，如果全部从大电网购入，将是一笔不小的开支，而且突然增加这么多的负荷，为了保障电力系统的可靠运行，就必须增加其装机容量，这对于企业来说，又是一笔不小的开支。因此，我们提出了更加环保、经济的微网系统。

4.3 含电动汽车的微网优化结果分析

通过以上的研究，对上述所建模型采用变惯性权值的粒子群算法进行求解，得出优化后的各机组的出力情况如图5所示。

图5 各机组出力图

如上图数据所示，我们可以看出，在其他任意机组均不供电的情况下，且负荷较低时，均是由燃料电池供电，而且在一天24 小时内，燃料电池几乎都是以最大功率在输出功率，由此可见燃料电池的成本最低，系统优先安排其出力。当负荷需求逐渐增大时，燃料电池的出力满足不了负荷需求时，安排微型燃气轮机出力，这样就说明微型燃气轮机的运行成本仅次于燃料电池，但是相比较而言，又比其他分布式电源高。当到了上班的时间，用电负荷逐步增多，且员工大多数都已经到了公司，电动汽车也已经接入电网，听候调度，大约从9:00 开始，燃料电池和微型燃气轮机都是以最大的功率在进行输出，这时电动汽车逐步参与进来，在大约10:00 就已经以最大功率进行出力，这就说明优先安排电动汽车对电能进行补充，可以一定程度上节约成本，其成本仅次于燃料电池和微型燃气轮机。但是随着负荷的不断增加，还不能满足负荷需求，并且出于对电动汽车电池的保护，电动汽车的放电将被截止，转由柴油发电机进行供能，但是在12:00～16:00 之间，由于负荷水平已经超出了分布式电源和电动汽车的供电水平，剩余的电能将从大电网吸收，由此可见向大电网购电成本是最高的，因此优先对其他的供电设备进行调度。而电动汽车车主将选择回家后，利用用电低谷的电价对电动汽车进行满电充电，以满足第二天的能耗需求。通过图5各机组的出力，对其发电成本进行了一个大体计算，其计算结果如图6所示。

由上面的折线图，不难计算出一天24 小时内该企业的用电成本，现将进行三种不同的分析。1）企业不采用微网系统，所用电能全部由大电网提供，每日的用电成本；2）企业采用微网系统，所有的电动汽车均不参与调度，每日的用电成本；3）企业在采用微网系统的基础上，将员工的电动汽车采用V2G模式接入电网，参与整体的调度后每日的用电成本。

图6 电动汽车参与微网调度的成本图

通过计算，如果该企业用电全部向大电网购电，其成本相比较后两者而言要高出好几倍，因此发展微网很有必要，不仅可以提供供电可靠性，还可以降低成本。而在V2G 模式下的电动汽车接入电网，也会一定程度上节省开支，虽然节省的数值不是很多，但是因为本研究选取的对象为一个办公楼，对象较少，放眼社会，可以大大降低企业或者个人的购电成本，因此对其深入的研究就显得特别重要。

5 结语

以V2G模式将电动汽车接入微网，可以有效地节省开支，本文就是通过一个简单的办公场所内的微网系统，根据其日负荷曲线，来优化各机组的出力，以目标以成本最低为原则，最终得到三组数据的对比，结果显示对含电动汽车的微网进行调度，将会大大降低企业的用电成本。但是研究的主体太过于局限，而且对于微网的建立也过于简单，但是此方法可以用作日后的研究工作，为进一步寻求最优调度方案打下基础。