计及电动汽车充电排队的微电网优化调度研究

李媛媛，葛 愿，徐正伟，汤 程，朱 澈

(安徽工程大学 电气工程学院，安徽 芜湖 241000)

由于传统能源资源有限以及环境问题日益突出，可再生和环保为特征的新能源越来越得到世界各国的重视。以风、光等可再生能源为代表的分布式清洁能源发电技术的快速发展，使得新能源发电和储能作为主电源的新一代并网微电网显示出广阔的应用前景[1]。为促进可再生能源消纳，降低弃风、弃光率，并保证微电网系统的经济稳定运行,通常由能量管理系统对微电网进行调度决策。微电网的经济运行本质上是一个复杂的系统优化问题,包含机组组合、经济负荷分配等诸多经济调度问题[2]，如何调度供需侧的可调度负荷以实现发用电资源的整体优化是现有研究的重点内容之一。

国内外诸多学者从用户角度对可调度负荷的优化调度问题进行了研究。文献[3]提出了一种荷网源协调实时同步消纳的流程思路,以及考虑电网消纳能力情况下的弃风弃光消纳增量评估方法。文献[4]提出了一种计及风光出力预测误差的电力系统经济调度模型，对提高电力系统的风光消纳能力具有积极的影响。文献[5]将电动汽车(Electric Vehicles,EV)加入储能系统中，建立考虑蓄电池与电动汽车联合储能的微网优化调度策略。文献[6]建立储能系统的稳态模型与机组组合调度模型，研究了储能系统参与机组组合和多时间段最优潮流问题，验证了储能系统可使全天各个时间潮流分布产生耦合作用，平衡风力发电机组承担负荷分布,降低发电成本。文献[7-8]将所接入的电动汽车的电池作为一种移动分布式储能装置，提出具有电动汽车接入的微电网多目标最优负荷调度模型，在电动汽车协调充电模式下，不但能够有效地提高电力系统运行的稳定性，而且能够有效地降低用户的用电成本和环境污染。文献[9]提出了以运营方收益最大为目标的含电动汽车与可控负荷的光伏智能小区两阶段优化调度模型，充分发挥电动汽车与可控负荷的调度潜能,提升运营方收益,降低用户费用,改善系统负荷特性。文献[10]中EV到达的时间约为9时,离开车位的时间约为17时，在分时电价机制下,研究EV和可转移负荷同时参与的光伏微电网优化调度问题。上述文献对EV在不同场景和机制下进行了研究，但是针对微电网环境下,考虑EV充电排队的研究尚不多。

随着消费者节能环保意识的不断提高，电动汽车的拥有量日渐增多。由于充电桩安装成本较高，充电站规模有限，导致充电站内充电桩数量有限。在现实生活中，电动汽车用户到达充电站进行充电时可能会出现排队的情况。基于上述背景，开展计及电动汽车充电排队的微电网优化调度研究，建立电动汽车充电站内实时排队模型。在综合考虑诸多约束条件下，采用粒子群优化算法对微电网系统进行优化，以最小化系统综合运行成本，实现发用电资源的整体优化。

1 调度模型的基本结构

微电网系统采用并网模式，系统中包括光伏发电、风力发电、储能装置、电动汽车、基本负荷。所提出的调度模型的目标函数是最小化微电网系统综合运行成本。除一般约束外，模型中还考虑了电动汽车充电站内充电桩数量约束，调度模型的基本结构如图1所示。

图1 调度模型的基本结构

2 电动汽车充电排队模型

电动汽车数量为N，充电站内充电桩数量为M(0

2.1 无排队情况

电动汽车用户到达充电站时，若充电站内有充电桩空闲，则不需要排队，直接接入充电桩。若有多个充电桩空闲，默认用户则按照序号从小到大选择，分为以下两种情况：

情况1：每日到达充电站的前M辆电动汽车不需要排队，按顺序分别接入1～M充电桩；

情况2：当第H(M

图2 无排队情况

2.2 有排队情况

电动汽车用户到达充电站时，若充电站内没有充电桩空闲，即所有充电桩已被占用完，甚至可能还存在排队情况，此时到达的用户需要进行排队。通过计算每个充电桩上电动汽车的离桩时刻，排队车辆按顺序排在离桩时刻最小的电动汽车后等待接入电网，接入电网时刻等于对应充电桩前一车辆离开时刻，离开时刻等于此车辆到达时刻加上停车时刻。记录电动汽车初始SOC值、充放电功率、到达时刻、接入充电桩时刻、停车时长、离开时刻以及目标充电容量等参数。有排队情况如图3所示。

图3 有排队情况

3 微电网经济调度模型

3.1 目标函数

大电网在发电过程中会产生硫化物、碳化物和氮氧化物等环境污染物，所以微电网的负荷优化调度不能只考虑经济目标，也应满足建设环境友好型社会的需要，因此，在调度模型中需要考虑环保成本。微电网的运行成本包括微电网与大电网之间的交易成本及环保成本，故所提出的调度模型的运行成本定义如下：

C=Cgrid+Cep,

(1)

式中,C表示微电网运行成本;Cgrid表示微电网与大电网之间交易成本;Cep表示环保成本。

(2)

(3)

大电网的能源结构主要由煤炭组成，在发电过程中会产生大气污染物，有碳化物、氮化物、硫化物等，目标运行成本中应考虑环保成本[7，9]。

(4)

式中,r是污染物种类;R是污染物种类总数;ugrid为污染物排放系数;Cr为污染物处理成本。

3.2 系统约束条件

(1)微电网系统的功率平衡约束。微电网系统必须在电力供需之间保持平衡，这个等式约束可以描述如下：

Pwt+Ppv+Pgrid=Pload+Pev+Pbalt，

(5)

(2)电池充放电功率约束。电池充、放电功率过高都会对电池造成损害。为了延长电池的使用寿命，电池可以按照以下[11]的特定速率充电或放电：

(6)

(3)电池容量限制。电池的荷电状态是指剩余容量与额定容量的比值。为防止储能电池和电动汽车电池过充过放而降低其使用寿命，在参与调度的过程中，电池的SOC必须保持在一定范围内，即有

(7)

4 算例分析

4.1 基础数据

调度周期T取值24，以小时为单位进行仿真。光伏发电额定功率为110 kW，风力发电额定功率为50 kW，用于仿真实验输入的新能源发电的24 h输出功率及基本负荷曲线如图4所示。大电网与微电网之间的售/购电交易采用分时电价，假设售/购电价相同，具体价格如表1所示[10]。

图4 新能源出力及基本负荷曲线 图5 停车时长的概率密度曲线

表1 分时电价

假设电动汽车有5种车型，用户拥有的车辆是5种车型中的随机1种。为延长电池使用寿命，设置电动汽车充电容量为总容量的85%，电动汽车参数如表2所示。

表2 电动汽车参数

车型电池总容量/kWh充/放电功率/kW447.35.0538.17.2

停车时长在1～24时内服从比例参数为6，形状参数为5的韦伯(Weibull)分布，停车时长的概率密度曲线如图5所示。到达充电站时间在8～21时服从参数率为2.5的指数分布，到达时间的概率密度曲线如图6所示。到达充电站时的初始SOC在变量20～70内服从标准差为45、均值为7的正太分布，到达时SOC的概率密度曲线如图7所示。

图6 到达时间的概率密度曲线 图7 到达时SOC的概率密度曲线

4.2 求解方法

粒子群算法(Particle Swarm Optimization，PSO)是近年来由Eberhart博士等开发的一种新的进化算法，粒子仅具有两个属性：速度V和位置X，其中，V代表移动的快慢；X代表移动的方向。每个粒子通过跟踪两个“最优值”(个体最优值pbest，全局最优值gbest)来更新其速度和位置，速度和位置更新公式表示为：

Vi=ωVi+c1r1(pbesti-Xi)+c2r2(gbesti-Xi),

(8)

Xi=Xi+Vi,

(9)

式中，i=1,2,…，D,D为粒子总数；ω为惯性权重因子；c1和c2为学习因子；r1和r2为介于(0,1)之间的随机数；ωs和ωe为惯性权重因子的初始值和终止值；l=1,2m，…,L,L为惯性权重为终止值时的值，默认为1 500。

算法流程具体步骤如下：

步骤1：输入分时电价、新能源出力、储能电池参数、环保参数、电动汽车及充电桩数量等参数；

步骤2：对电动汽车与充电桩进行配置，得到每个电动汽车对应参数及车辆充电排序结果；

步骤3：初始化PSO的参数,Y为最大迭代次数；

步骤4：开始迭代y=1；

步骤8：j=j+1，如果j

步骤9：y=y+1，如果y

步骤10：如果y>Y，则输出全局最优解，过程结束。

4.3 仿真与分析

假设有20辆电动汽车，充电站内有8个充电桩，电动汽车排序结果如表3所示。当电动汽车接入充电桩，如电动汽车到达时间与停车时长之和大于24，那么离开时间设为24时。当车辆需要排队充电时，车辆到达充电站时间与停车时长之和比前一车辆离开时间大3，这时车辆可以接入充电桩，接入充电桩的时间等于前一车辆离开时间，离开时间为到达充电站时间与停车时长的总和。由于充电桩数量及停车时长等约束条件限制，有电动汽车不能接入充电桩。

表3 电动汽车排序结果

将基本负荷加入系统中，系统调度方式有并网、储能电池充放电、电动汽车充放电。将电动汽车按照排序结果接入充电桩，接下来对电动汽车和储能电池进行调度，以最小化系统用电成本。利用粒子群优化算法对并网模式微电网进行负荷优化分配，优化分配结果如图8所示。

图8 并网模式负荷优化分配结果

由图4和图8可以看出，大约在01：00-09：00时段，PV及WT发电较少，不满足负荷需求，且此时段电价较低，并网模式微电网向大电网购电较多，用于满足负荷需求及给储能电池充电；大约在10：00-12：00时段电价较高，储能电池放电，电动汽车负荷总功率为正但负荷曲线存在波谷，此时段电动汽车总充电功率大于总放电功率，此时供电量大于需求电量，将剩余电量出售给大电网；大约在13：00-17：00时段，新能源发电充足且电价较低，储能电池充电，此时段电动汽车总充电功率大于总放电功率，在不能满足负荷需求时向大电网购电；大约在18：00-20：00时段电价较高，光伏发电较少，用户用电量增加，风力发电不满足负荷需求，此时段储能电池放电，电动汽车在此时段部分时间段总放电功率大于总充电功率，并将多余电量出售给电网获取更多收益。

电动汽车不参与充电排队时指任意数量电动汽车任何时间到达充电站都可以接入充电桩。在不包含充电桩安装成本与充电站占地成本的情况下，电动汽车参与充电排队模型与电动汽车不参与充电排队模型的运行成本如表4所示。由表4可知，在不包含充电桩安装成本与充电站占地成本的条件下，电动汽车参与充电排队模型的运行成本比电动汽车不参与充电排队模型的运行成本低。由于充电桩安装成本较高，如果电动汽车不参与充电排队，需安装更多充电桩，不仅占用更多公共土地资源，也会造成充电桩使用率降低。

表4 电动汽车排序结果

5 结论

开展计及电动汽车充电排队的微电网优化调度研究，将基本负荷作为固定负荷加入并网微电网系统，采用粒子群算法对模型求解，通过对调度结果的分析，有如下结论：根据实际情况考虑充电桩数量限制，电动汽车按照先到先服务原则接入充电桩，合理安排使用次序，减少用户排队时间，提高充电桩使用率，降低微电网运行成本。所提调度策略可降低微电网系统综合运行成本，为电动汽车需要排队充电的并网微电网系统运行提供辅助决策支撑，提升调度运行的科学性及合理性，对微电网日后发展具有一定指导意义。需要指出的是，本电动汽车排序未考虑用户的行为影响，例如有突发情况需要提前离开和因等待时间过长而选择不在此充电站充电等情况。在未来研究中，将对电动汽车充电排队模型做更深一步优化，综合考虑快充和慢充，使之更贴近现实生活，完善并网微电网系统的调度模型。