基于粒子群算法的聚合电动汽车虚拟电厂经济性分析

薛 东

(安徽电气工程职业技术学院, 安徽 合肥 230051)

0 引言

近年来，中国能源需求的急剧增长打破了中国长期以来自给自足的能源供应格局，但中国化石能源尤其是石油和天然气生产量相对不足，对国际市场的依赖程度越来越高，不利于中国能源安全和经济发展，故开发利用风电、光伏为主的可再生能源对于中国构建可持续发展能源战略具有重要意义。2021年3月15日，中央财经委员会第九次会议指出要构建以新能源为主体的新型电力系统。随着人们环保意识的提升和全球能源短缺，近年来以风电、光伏为主的分布式绿色清洁能源在各国都得到了迅猛发展，但其出力不可控，大规模并网会对电网造成严重冲击，增加运行成本[1]。虚拟电厂[2](virtual power plant,VPP)利用先进的通信技术协同管控多个地域不同、类型各异的分布式新能源，通过合理构建和协调优化，灵活调度区内的燃气轮机和储能系统等可控电源来平抑风电、光伏等不可控新能源的随机性和波动性，实现对外出力的整体可控，从而可以像常规电厂一样参与电力市场交易和系统调度[3]。

电动汽车(Electric Vehicle, EV)作为我国的七大战略性新兴产业之一，它的推广和普及使用是党中央和国务院的重要战略举措，欧美和亚洲一些国家也在大力发展交通电气化。电动汽车发展规模越来越大，不同于风电、光伏，其响应速度快、灵活性强，可以兼负荷和电源，比如电动汽车可以作为可控能源参与对不可控新能源出力的平抑，利用其储能特性参与削峰填谷，并且将电动汽车聚合在虚拟电厂可减缓其大规模充电对电网造成的冲击。文献[4]研究了含电动汽车和风电机组的虚拟发电厂的竞价策略，文献[5]针对参与虚拟电厂电动汽车的充放电问题，利用大数据、云计算等先进手段设置理想方案，文献[6]用主从博弈思想协调含电动汽车虚拟电厂调度，文献[7]中电动汽车参与虚拟电厂新能源出力波动的平抑。

虚拟电厂的良好运行离不开合理的架构和良好的控制方法，本文构建了聚合电动汽车的虚拟电厂(Electric Vehicle Virtual Power Plant，EVPP)结构，提出了相应的运行策略、运行流程以及经济优化调度模型，并采用粒子群算法对模型中各时段虚拟电厂内部可控单元的出力进行了优化，分析了电动汽车参与虚拟电厂调度对EVPP经济性的影响。仿真结果表明，电动汽车参与虚拟电厂调度并和储能电池联合运行基本上可以满足平抑风电、光伏出力偏差的要求，且具有较好的经济性。

1 EVPP的内部结构

本文构建的EVPP结构如图1所示，包含风电场和光伏电站两种不可控电源以及燃气轮机、储能电池、电动汽车三种可控电源。

图1 EVPP结构图

2 EVPP的运行策略

EVPP要根据日前预测的次日风电、光伏出力情况综合考虑可控单元的出力能力，向系统上报出力计划；系统确认安排次日出力；根据次日实时的风电、光伏出力情况，实时调整内部可控单元的出力情况以满足系统安排的出力计划。

本着最大化利用新能源的目标，EVPP出力策略为：实时接收风电、光伏分布式电源出力，其出力偏差主要由电动汽车作为优先级、储能电池作为次优级组成的储能系统参与平抑，燃气轮机不考虑备用容量，但使用燃气轮机进行发电要考虑发电成本，高于售电成本时停机，剩余容量在低电价时段从电网购电储存，在高电价时段向电网售出以提高EVPP收益。

3 EVPP优化运行模型

3.1 EVPP出力计划

EVPP计划出力表达式如下所示：

(1)

式中：Gk——k时段EVPP的出力计划；

k——时间序列，以1小时为一个时间段，调度周期为1天共24个时段；

GGT——为燃气轮机的最大出力。

3.2 EVPP日内调度模型

本文构建的EVPP综合考虑了运行管理成本、燃气轮机燃料成本、电动汽车的充放电成本、储能电池的购电成本、偏离计划出力的惩罚成本6个方面，其日内调度模型目标函数为：

(2)

其中，k时段收益:

(3)

(4)

Gk——k时段EVPP对系统的售电量；

k时段管理成本：

(5)

式中:Kfd——风电运行管理系数；

Kgf——光伏运行管理系数；

Kgt——燃气轮机运行管理系数；

Kcd——储能电池运行管理系数；

Kev——电动汽车运行管理系数。

k时段燃气轮机的燃料成本：

(6)

rgt=rng/(ηeLng)

(7)

式中：rgt——燃气轮机单位发电燃料成本；

rng——天然气价格；

ηe——燃气轮机发电效率;

Lng——天然气低位热值。

k时段储能电池在系统的购电成本：

(8)

k时段EVPP出力偏差引起的惩罚成本:

(9)

(10)

Gk——k时段虚拟电厂对系统的计划出力;

k1——日前计划时间序列;

k2——日内调度时间序列。

3.3 EVPP约束条件

EVPP内部各分布式电源满足一定的约束条件才能保证日内调度的正常运行，该模型的6个约束条件分别是：功率平衡约束、风电出力约束、光伏出力约束、燃气轮机出力约束、储能电池充放电约束、电动汽车充放电约束。

1)EVPP功率平衡约束:

(11)

2)风电出力约束:

(12)

3)光伏出力约束:

(13)

4)燃气轮机约束:

(14)

(15)

γd——燃气轮机的向下爬坡速率；

γu——燃气轮机的向上爬坡速率。

5)电动汽车充放电约束:

(16)

(17)

(18)

(19)

(20)

(21)

(22)

λ——电动汽车单位里程耗电量；

6)储能电池的容量和充放电约束:

(23)

(24)

(25)

(26)

(27)

ηc——充电效率；

ηd——放电效率；

4 算例分析

4.1 模型参数

算例中EVPP中各部分相关参数如表1～表6所示。

表1 风电场参数

表2 光伏电站参数

表3 燃气轮机参数

表4 储能电池参数

表5 电动汽车参数

表6 各时段EVPP对系统的批发电价和购电电价

EVPP内聚合的电动汽车看作一个整体，数量增加认为只有电动汽车入网，数量减少认为只有电动汽车离网，除行驶外均与EVPP连接，充放的电量平均到每个电动汽车上，为防止电动汽车过度充放电，每辆荷电状态设定在0.2～1，电动汽车单次平均行驶里程为13.1 km，百公里耗电量为21.46 kW·h。

4.2 求解方法

EVPP经济性优化模型的目标函数是非凸的且涉及的约束条件及变量比较多。粒子群算法[8]作为智能优化算法中比较典型的一种，对目标函数不要求可微可导，在优化非凸函数上有很好的表现。本文采用粒子群算法对其进行求解。

4.3 EVPP优化结果分析

4.3.1 各分布式电源优化结果分析

由于风电、光伏等新能源发电出力不确定等特点，EVPP在制定出力计划时需要对其进行预测，出力偏差需满足规定的误差范围。由图2和图3可以看出风电预测误差为10.35%，光伏预测误差为5.93%，均符合相关要求。

图2 风电预测出力和实际出力对比

图3 光伏预测出力和实际出力对比

燃气轮机的使用要考虑成本，当发电成本高于售电电价时，停机，反之参与EVPP调度，不需考虑留出备用容量，根据EVPP实际运行情况实时调度调节出力。图4中23时～7时因使用成本停机运行，其余时段根据EVPP调度调节自身出力。

图4 燃气轮机各时段出力情况

由于不同时段对系统的售电电价和购电电价不同的，储能电池通过低电价时段从系统购电，高电价时段向系统售电来参与系统的消峰填谷，提高净收益。对比图5和图6看出在1时～7时低电价时段，EVPP储能电池的蓄电量不断增加，在平抑风电、光伏出力偏差的同时进行削峰填谷从系统购电，在8时～23时高电价时段售出以获取电价差收益。

图5 各时段EVPP对系统的批发电价和购电电价

图6 各时段EVPP储能电池蓄电量变化情况

4.3.2 电动汽车参与EVPP调度情况分析

电动汽车不同于以上分布式电源，首先是因为其具有储能和耗能双重属性，并且由于具有一定的自主性和单个汽车运行的独立性也不能当作储能电池等常规的储能系统来考虑，在EVPP中需要满足电动车主自身的用车需求外参与其充放电调度。

从图7可以看出在7时～9时、16时～19时用车高峰时段，电动车数量减少，且在图8中7时和17时附近，电动汽车的荷电量都达到电动汽车出行期望值，以满足出行需求。

图7 各时段EVPP内聚合的电动汽车数量

图8 各时段电动汽车平均荷电量

在图9中，数值大于0代表出力或出力偏差为正，反之代表出力或出力偏差为负，可以看出各个电动汽车出力和储能电池平抑偏差出力之和基本等于风电光伏的偏差出力，表明电动汽车和储能电池联合运行基本上可以满足平抑风电、光伏出力偏差的要求。

图9 电动汽车平抑出力、储能电池平抑偏差出力、风电光伏出力偏差

5 结语

本文构建了聚合风电、光伏、燃气轮机、储能电池以及电动汽车的EVPP结构以及经济优化调度模型，采用粒子群算法对优化模型进行求解，优化各时段EVPP内部可控单元的出力，分析电动汽车参与EVPP调度对EVPP经济性的影响。仿真结果表明，电动汽车参与EVPP调度可以和储能电池联合运行，基本上可以满足平抑风电、光伏出力偏差的要求，有很好的的社会效益。