柔性电动汽车和分布式电源的协同优化调度研究

王凌云，吴小婷，李黄强，童华敏，杨 剑

（1.三峡大学 电气与新能源学院，湖北 宜昌 443002； 2.国网宜昌供电公司，湖北 宜昌 443002）

0 引言

随着交通运输的电气化，加快发展新能源汽车产业，将有助于改善能源短缺与环境污染的现状[1]。 大规模电动汽车接入电网时，其充电负荷特性对电网产生巨大冲击，产生“峰上加峰”的影响，也对发电机组启停状态调度带来挑战[2]～[4]。 因此，亟需一种既能满足电动汽车供能又能降低对电网负面影响的策略。 另外，由于风电具有反调峰特性，因此可利用风电对电动汽车的充电行为进行合理调整，也为风电消纳提供有效途径[5]。

研究协同EV 与其他可控出力单元的优化调度技术，使电网运行在经济稳定状态，具有重要的意义[4]。 文献[6]将电动汽车分为私家车、公交车、出租车和公务车4 种类型，考虑电动汽车行驶规律的不确定性，建立电动汽车与电网互动的机组组合模型。 文献[7]，[8]依据车网互联技术，接入电网参与系统运行调控时的实时动态能量平衡能力，构建了V2G 有序充放电调度模型，确定可调度能力最优阈值。 文献[9]提出一种考虑电动汽车出行随机性因素的分布式电源优化配置方法，建立了电压偏移最小、网络损耗最低和系统安全性高的多目标优化模型。 文献[10]提出具有反向放电能力的电动汽车站靠近或介入中低压变电站，可充当备用电源或应急电源，并综合分析了各种典型的电动汽车充电设施入网方案。 文献[11]设计充电站群控操纵管理单元，等待充电的电动汽车可以在充电桩群中选择两个充电桩，并设置为主桩和辅桩，使不同类型电动汽车充电功率选择多元化。文献[12]通过充电站运营商调度电动汽车参与风电场出力，在考虑风储混合系统出力约束、储能蓄电池控制约束的基础上，确立风电场运行经济效益最大目标，采用混合整数规划技术和CPLEX 软件对模型进行求解。

上述文献主要考虑利用V2G 技术给发电侧、电网侧和用户侧带来收益，但未考虑柔性EV 实现智能充放电所需的用能成本，即电动汽车充放电服务智能管理的基础设施建设与维护成本和车网能量互动导致EV 电池老化的相关成本。 本文以公交车、出租车、环卫与物流专用车和公务车与私家车4 类电动汽车为研究对象，建立一种新的规划模型，共同优化发电资产和柔性需求的投资与管理。 本文验证了所提出的协同优化方法可合理分配传统机组组合，提高可再生能源消纳能力，降低EV 大量接入电网所带来的负面影响。

1 规模化电动汽车的灵活充放电模型

1.1 柔性电动汽车

柔性负荷技术能借助于不同类型的储能方式，及时重新分配用户的需求，产生可观的价值，而且综合考虑了源、网、荷三方的利益。柔性电动汽车能够实现充放电的智能化，具有以下两种特征[8]：①拥有存储电能的固有能力，具备显著的充放电灵活性；②具有电动汽车的静止特性，且在储能低电压环境下，自身损耗较低。 柔性需求的智能协调能够为系统提供备用电量或缓冲容量，因而降低对机组发电容量的要求，并限制峰值需求水平，显著提高未来低碳化电力系统的经济效率。

1.2 V2G智能调度管理系统

实现电动汽车充放电服务的智能管理，涉及测量、通信和控制等基础设施。 柔性电动汽车的用能成本包括充放电服务智能管理成本和车网能量互动导致的EV 电池老化成本[13]。 当电动汽车参与智能充放电时，将扮演柔性电动汽车的角色，在进行优化调度过程中须要利用基础设施；动力电池多次充放电过程会导致电池使用寿命降低，由此产生附加成本。 文献[14]提出一种基于物联网的充电设施柔性管理方案，建立面向不同电动汽车用户的充电服务管理平台。 目前，满足柔性需求须引入柔性电动汽车用能成本。 系统中柔性需求的效益只能通过综合投资计划模型准确计算，确定最佳的柔性EV 数量以及最优的机组组合。 本文考虑局域配电网内电动汽车充放电调度模型。 图1 为V2G 智能管理系统框架。

图1 V2G 智能管理系统框架Fig.1 Framework of V2G intelligent management system

由图1 可知，对构建的单辆EV 日内优先调度的策略：依据当前时间节点接入的EV，协调可支配资源对新接入EV 的充电模式进行判断，并执行决策步骤，具体调度与实现流程如下。

①获得包括连接时间、车载电池初始SOC、预期离开时间和期望SOC 的EV 实时充放电相关信息。

②综合评估可调度能力，根据EV 历史充放电数据及本次连接状态建立评价模型，准确分析接入EV 的可调度能力。

③利用充放电基础设施服务平台确定最优调度范围，根据综合评估结果判定该车辆是否参与智能充放电[7]。

1.3 电动汽车出行特性分析

目前，电动汽车的类型可分为4 类：电动公交车、电动出租车、电动环卫与物流专用车和电动公务车与私家车。 动力电池的电能供给有整车充电和电池更换两种方式。其中，整车充电方式又分为交流慢充和直流快充两种。 充电模式能够反映电动汽车接入电网的时长，交流慢充一般需要6～8 h 将电池充满，直流快充只需要几十分钟，电池更换方式所用时间最少。 电动汽车出行特性因素包括车辆并网时间、 离网时间和日行驶里程3 个方面。充放电行为特征量包括充电开始时刻、连接时长和充电电量[15]。根据已有的研究与调查报道，各类电动汽车每日在不同时段的充电方式如表1所示。

表1 电动汽车充电模式Table 1 Mode of charging for various types of electric vehicles

2 协同优化调度模型

风力发电具有的反调峰特性与电动汽车充电特性刚好互补，因此考虑风力发电与电动汽车的协同优化调度，一方面可以实现充电负荷对风电变化的跟踪，有效提高风能的消纳水平；另一方面对于电网负荷起到移峰填谷的作用，提高电网的供电质量[16]。 本文提出了考虑风电接入的电动汽车智能充放电的机组组合模型。

2.1 目标函数

在满足系统电力电量需求的前提下，含电动汽车的机组组合模型依据节能、经济的原则，对柔性EV 的充放电进行合理调度。取一年中每月上、中、下旬各一个典型日作为一个充电负荷场景，以所有场景下系统总成本最低为目标函数。

式中：Z1为常规发电机组投资、运行成本，包含机组启停、运行与维护、CO2排放成本和风电机组弃风惩罚成本；Z2为柔性EV 投资成本，具体为实现和协调柔性EV 充放电所需的测量、 通信和控制等基础设施成本和车网能量双向流动导致EV 电池损耗的费用。

式中：s 为电动汽车出行的场景编号；S 为场景总数；t 为时段编号；T 为时段总数；i 为发电机组台数编号；I 为发电机组总数为发电机组i 每次启动能耗；为场景s 下t 时段发电机组i 的启动次数；为发电机组 i 的运维成本；Psti为场景 s 下 t 时段发电机组 i 的出力为 CO2的排放成本为在场景s 下t 时段发电机组i 的CO2排放量为发电机组i 的每次停机能耗；为场景s 下t 时段发电机组 i 的停机次数；为场景 s 下 t 时段风力发电的弃风量；μWC为弃风惩罚因子。

2.2 约束条件

2.2.1 火电机组约束

火电机组约束条件如下。

①供需平衡约束

②系统备用需求

上备用约束：

下备用约束：

③机组出力上下限约束

式中：Nsti为场景s 下t 时段发电机组i 的运行状态，Nsti=1 为机组 i 运行，Nsti=0 为机组 i 停机。

④火电机组最小启停约束

⑤CO2排放约束

2.2.2 电动汽车相关约束

作为行驶交通工具的电动汽车，其出行规律具有一定的随机性。在某个时间段，电动汽车行驶起始时间及结束时间决定可行的充放电区间，每次充放电初始与结束时的SOC 决定V2G 能量互动的电量。 车辆日行驶里程决定当日电量需求。

①电动汽车充放电功率

各类电动汽车的充放电行为不具同步性，考虑大规模电动汽车用户的充放电行为，须将同一时段电动汽车的充放电功率进行累加，得到总充放电功率。

②电量平衡约束

电动汽车在接入电网的时间段内，满足充放电电量平衡：

③电池电量状态限制

电动汽车充放电应在其荷电状态限值内：

式中：SOCmin为车载电池荷电状态下限；SOCmax为车载电池荷电状态上限。

④充电电量约束

车辆的充电量保证不超过当前电池最大可充电范围：

⑤放电电量约束

车辆的放电量保证不超过当前电池最大可放电范围：

⑥柔性EV 投资约束

3 基于混合整数线性规划法的模型求解

目前，对EV 日前或实时动态的优化大多以单辆EV 作为调度对象，这种做法虽能满足每辆车出行特性约束，但当大规模EV 接入时势必引入大量变量，甚至产生维数灾问题[17]。采用聚类分析具有相似随机特性的EV，并以同样的方法应用于发电机组组合，减少决策变量与约束条件，避免非线性，通过混合整数线性规划法可以较好地解决该调度问题。

整数规划中，一部分变量为整数一部分为非负整数，称为混合整数线性规划。所建立的基于风电作为补充的电动汽车接入的机组组合模型，将发电投资总成本与柔性EV 可用能成本之和最小作为优化目标，以柔性EV 比例与发电机组组合为决策变量，考虑火电机组与电动汽车相关约束。本文融合混合整数线性规划中分支定界法和0-1型整数规划求解所提模型，利用Ipsolve 线性解算器计算得出结果。 图2 所示为利用该规划法的模型求解流程。

图2 求解流程Fig.2 Flow chart of solution

4 仿真算例

为了使EV 在每个时刻进行最佳充放电管理，假设车辆在接入电网后开始对电池充电或放电，直到充、放电结束为止，采用实时信息来调度柔性EV。 首先，根据每辆EV 出行规律，产生不同表征EV 特性的数据，每组EV 数据由开始时间、结束时间和充电量需求组成。 然后，将不同类型的电动汽车分为4 种充放电情景： 第一种称为 “公交车情景”，一般在终点站进行充放电；第二种称为“出租车情景”，考虑其每日出行时间较长，不参与V2G能量互动，仅向电网购电而不考虑售电；第三种称为“环卫、物流专用车情景”，其行驶位置根据工作地点而定；第四种称为“公务车、私家车情景”，充电地点较固定，主要在单位停车场和居民小区充电站。 最后，4 种充放电情景叠加为一个充放电场景。 车辆在第一次行程结束和第二次行程开始的时间段内考虑是否连接电网，作为柔性EV 的主要组成部分参与智能充放电。

4.1 规划区域及算例数据

本文以某城市各类电动汽车为研究对象，考虑不同电动汽车的渗透率和风力发电容量水平。在全面量化柔性EV 用能成本基础上，采用灵敏度分析法探究不同用能值的影响。 根据车辆出行规律以及优化调度策略引导，柔性EV 的充放电集中在电网用电负荷谷时和峰时，其中，谷时段为23：00-6：00，峰时段为 12：00-14：00 和 18：00-22：00，用能成本随着参与智能充放电电动汽车数量的增加而增大，在不同时段用能成本的多少各异。 设定一组柔性EV 用能成本值，如表2 所示。依据10 台机组以及区域内电动汽车充电负荷总功率的具体算例进行测算分析[6]。

表2 不同时段柔性EV 用能成本Table 2 Flexible EV enablement costs at different time periods

以国内某品牌电动私家车为例，对于EV 电池的参数说明如下：SOCmax取值为 0.8；SOCmin取值为0.2；充电效率为 0.95；放电效率为 0.90；充电功率为 4 kW；放电功率为 3.5 kW；车辆 100 km 耗电量 Uν为 14 kW·h； 电池容量 Bv为30 kW·h。 须要说明的是，其他各类电动汽车车载电池参数取值在以上取值基础上略有差异。

4.2 求解结果

根据不同场景EV 充放电功率，分析规模化电动汽车与分布式风电协同优化调度过程。 针对柔性EV 用能成本值和不同的EV 渗透率及风力发电容量水平，对比系统总成本的变化量和CO2排放量的变化，如图3，4 所示。

图4 不同风电接入水平下用能成本对系统影响曲线Fig.4 System influence curve of enabling cost under different wind power access levels

由图3 可见，系统总成本减少量与CO2排放减少量均随着用能成本的增加而降低，这是由于用能成本增加而导致参与智能充放电的用户减少。当不计柔性EV 成本时，即用能成本为零，柔性EV 所占的比例最大； 当柔性EV 比例为总量的10%时，用能成本超过600 元。随着该成本的增加，柔性EV 的比例降低，系统总成本增加，当用能成本超过9 600 元时，柔性EV 应用的经济性差。 CO2排放量的减少量随着用能成本的增加而上升，并且随着电动汽车的渗透率的增大，该变化越加明显。 这说明应对未来电动汽车保有量的增加，须考虑柔性电动汽车用能成本的必要性。

由图4 可知，随着调度的风电量增加，需要更多的柔性负荷来吸纳由风电引入的不确定容量，并且提供更充分的储备容量，系统总成本减少量与CO2排放减少量增大。 当用能成本增加时，总成本与CO2减少量降低。 当用能成本超过4 800元，将大于系统成本的减少量。对于相同的用能成本值，随着风能渗透接入水平的增加，由于柔性EV 能够消耗分布式电源的可变出力，因而EV 灵活性更高，对系统影响更大。

4.3 柔性EV的影响

图5 为电动汽车充放电负荷曲线。

图5 EV 充放电负荷曲线Fig.5 Load curve of EV charge and discharge

由图5 可见，与不含柔性 EV 的总负荷相比，含柔性EV 的系统总负荷的峰谷差明显降低，减少峰时段负荷20.6%，提高谷时段负荷53.2%，其他时段负荷也较为平缓，起到了良好的削峰填谷作用。 这说明运用V2G 技术时，尽管引入了用能成本，但由于降低了系统发电成本，从而增加了柔性EV 的运行价值，在用电负荷峰谷时段可提供灵活的备用量。

从环境角度来看，更大比例的柔性电动汽车可以增加灵活的低碳发电容量，显著减少CO2排放量，实现碳减排的目标。从经济性角度看，基于平时段和峰时段发电运行要求高、投资成本高的特点，随着EV 渗透率的提升和风力发电容量水平的提高，将有效地提高系统稳定性及运营收益。

5 结束语

本文分析了4 类电动汽车的出行特征。 考虑不同的充放电场景，统计在1 h 内充放电负荷的总功率，建立了考虑柔性EV 与风电协同优化的、以系统总成本与柔性EV 用能成本之和最低为目标函数的机组组合模型。 以某市电动汽车出行随机特性历史数据为基础，带入相关约束，采用10机组系统仿真得到优化结果。

①考虑源、网、荷三方利益，确立最优的柔性EV 比例与火电机组出力，降低系统总成本，减少CO2排放量。

②运用V2G 技术的机组组合模型，能够起到削峰填谷、提高电网供电质量的作用。

③制定合理的风、火电日前优化调度方案，促进风电消纳，使机组出力调整更灵活，提高电力系统运行的稳定性。