计及EV参与的微网储能调度研究

娄 阳，冯泽华，何 超，张鹏坤，邱革非

（昆明理工大学 电力工程学院，云南 昆明 650500）

0 引言

2021年上半年，国内累计光伏并网容量超253 GW，国内新增新型储能装机规模超过10 GW。虽然储能调峰爆发式增长，但仅依靠储能系统（energy storage system，ESS）调峰仍然有容量不足的问题，且成本较高。

引入社会中闲置电动汽车（electric vehicles，EV）储能资源可显著缓解ESS调峰压力。工业园区（industrial parks，IPs）内EV车主具有稳定的出行特征，且 EV峰谷用电量具有显著差异。引入 EV集群的园区微网，不仅可满足生产用电需求，还可利用社会闲置的 EV储能资源减少 ESS的投资运维成本，提升新能源利用率、降低一次能源浪费。

当前，针对园区微网调度中 EV集群储能协同新能源发电的应用，已有学者开展了大量的研究。文献[1]通过构建包括 EV快充负荷、光伏及配电网原有负荷在内的随机鲁棒混合优化调度模型，提出一种计及光储快充一体站的配电网日前优化调度方法。该方法优点是改善充电负荷大规模接入带来的运行问题。文献[2]提出一种光储充电塔日前能量–备用协同优化方法。为实现调度策略对不确定性的调整，采用两阶段自适应鲁棒优化处理系统不确定性。该方法优点是充分考虑光电能分配与备用容量对 EV的影响。文献[3]提出了一种考虑电动汽车运行不确定性和减少动力电池充放电切换次数的电动汽车分布式储能控制方法，优点是提升了分布式能源的可调度性。文献[1-3]均考虑了不确定性场景对EV储能策略的影响。文献[4]通过构建 EV与可再生能源的双层优化模型，实现以下层各个时段调度的电动汽车充电功率与上层计划之间最小偏差为目标，使下层模型中 EV的充放电负荷能够跟踪上层模型中EV的调度计划。文献[5]分别从运营商与配电网的角度出发，构建有序充电上下层控制模型，使充电成本、最低充电负荷方差最小，以分时电价优化电动公交车的充电时段，优点是避免了因为电动公交车的大规模接入而造成新的负荷高峰。文献[6]在日前负荷预测的基础上，提出了一种无需集中式通信的 EV控制模型。通过日前预测负荷信息，计算生成次日各时间段的充放电概率并下发至充电桩。该方法缺点是 EV充电负荷预测的精确性将会直接影响充电桩自主决策行为。文献[4-6]分别从 EV集群功率上下层追踪差值、综合运行收益角度确定 EV日前或日内调度计划。文献[7]基于车辆类型、荷电状态、停车时长及车主意愿4个指标，将EV按电池约束和时间约束条件划分成群。该方法的优点是对 EV总的充放电功率进行优化控制的同时，充分考虑了当前电网的实际状况以及各子群的电能需求和充放电能力。文献[8]提出一种基于出行链随机模拟EV充电负荷时空分布的方法。通过建立EV用户一天行驶的时空分布特征量和状态量，从而模拟EV的空间转移特性。该方法优点是构建的模型可以较准确模拟EV在不同时空分布下的充电需求。文献[9]提出电动汽车交直流调控分群准则，在电动汽车规模化渗透场景下建立了电动汽车与含交直流混合配网综合能源系统的分群互动模型和分群调控模型。模型考虑了电动汽车类型、接入系统的位置、可调控时段，该方法优点是提高了EV互动能力的同时降低系统运行成本。文献[7-9]分别从预计电池充电荷电状态与预计完成时间、出行链、出行时空信息进行 EV分类。这种方法优点是 EV集群分类依据简单清晰；缺点是采用固定分群机制的EV集群与ESS协同调峰时，EV集群荷电量与剩余调度时长误差较大。

本文采用基于最大充电时延序列的动态分群机制，根据充电时延指标在不同调度时段动态调整分群方案，充分利用在网 EV的荷电量与剩余调度时长。为了有效利用EV参与IPs微网的需求响应，在已有研究的基础上，首先，建立以分布式光伏为发电主体、外部电网辅助购电，以 ESS与 EV集群协同储能参与调峰优化模型。然后，考虑EV集群与ESS设备的配合，以及EV集群内部差异性管理策略，引入时延序列控制概念。根据峰谷分时电价，主动调度ESS、EV协同储能系统参与移峰填谷，提升用电效益。最后，通过选取某工业园区微网作为分析实例，仿真验证所提模型的合理性及有效性。

1 园区微网控制框架

工业园区用电耗量大、峰谷分布不规律。分布式光伏发电作为园区供电主体，需经储能系统配合才能满足工业负荷用电要求[10]。园区微网的构成主要包括光伏、协同储能、园区工业负荷。协同储能设备包括ESS储能设备与EV集群。由于各设备电压等级与容量均不相同，且 EV个体众多，园区控制中心无法直接对单个设备直接控制。有效的解决方案是采用图1所示的分层架构[11]并建立双层调度优化模型。不同设备分别设立相应管理中心，形成一定规模后统一接受园区管理。首先，园区控制中心从负荷管理中心、光伏发电（photovoltaic，PV）管理中心分别获得相应日前预估曲线，在上层调度中根据峰谷电价初步确定储能充放电策略与外购电策略。下层模型中，EV车主上报给集群汽车管理中心（Aggregator）次日出行计划与预估入网电量；根据给定的储能策略指令，Aggregator得出各时段内的EV集群充放电方案并上报给园区控制中心。园区控制中心根据充放电策略与充放电方案匹配情况，决定直接执行或者修正任务后执行。

图1 园区设备分层架构Fig. 1 IPs equipment layered architecture

2 最大充电时延序列控制模型

考虑 EV个体的入离网时间、充放电功率、电池容量、荷电状态变化情况等多属性特征，制定出以最大充电时延作为衡量可调度能力的指标。根据 EV最大充电时延确定动态响应分群方案建立协同储能充放电模型。

2.1 EV最大充电时延

假设个体 EVi以额定功率进行充放电，分别为充放电效率。EVi在时刻接入电网，此时的荷电状态（state of charge，SOC）为。车主自行决定在离开 电网，其离网最低荷电期望为，而实际离网SOC为。在满足EVi的充电要求的前提下，Aggregator根据园区储能需求调整。从当前时刻t开始计算，EVi在网必要充电时间为：

2.2 基于最大充电时延的预备响应方案

EVi入网前需提前一天向 Aggregator上报信息，包括。假设入网时 EVi的已知。Aggregator首先针对t时刻已入网的EV集群，建立基于的充电意向和放电意向队列。对相同的区间做序列调整，保证调用 EV期间满足稳定出力要求，生成实际预充放电调度队列。Aggregator依据园区调度指令选取EV并确定调度方案，具体步骤如下。

（1）确定状态意向队列

Aggregator计算t时刻全部入网Nt辆EV的，并生成充电意向升序队列和放电意向降序队列。

其中，Ncha,t，Ndis,t分别为t时刻的意向充放电EV数量。因为部分不参与V2G调度的EV车主仅允许其EV间断充电，所以

（2）修正状态意向队列

Aggregator需避免频繁调度部分EV。当EVi执行任务时，EV荷电水平指标（Hi,t）越大，意味着EVi将优先动作。低荷电水平EV优先充电，高荷电水平EV优先放电。最终使相同的EV之间荷电状态St尽可能在同一水平。

若存在相同Hi,t，则采用离网较早的EV优先调度原则修正。基于离网时间tout升序排列，对相同、相同 Hi,t对应区间修正，使离网时间早的EV优先调度。

（3）确定实际预调度队列

式中：tunit为单位调度时长。不满足稳定出力判断条件的 EVi从充放电意向队列中删除，从而生成修正后实际预调度队列

式中：Ncha,fix,t，Ndis,fix,t分别为t时刻实际可充放电的EV数量。

园区控制中心根据Aggregator上报的EV集群出力方案，确定任务执行或者修正EV与ESS的任务分配，最终形成响应时延子群Trep,t参与调度。响应时延充电、放电子群见式（10），非响应时延充电、放电子群见式（11）。

基于最大充电时延序列控制模型的调度流程框架见图2。

图2 序列控制模型的调度流程框架Fig. 2 Scheduling process structure for sequence control model

2.3 基于可调度空间的EV差异性计费

Aggregator与车主双方签订合约后，合约内容通过EV差异性计费体现，计算公式如式（13）所示。

2.4 园区内设备配合运行方案

Aggregator通过最大充电时延策略调度EV集群，使其与ESS、PV、负荷管理中心配合，具体措施如下：首先判断发电用电功率差额，然后基于的充放电策略将功率差额分为8种情况，详见表1。

表1 功率差额情况Tab. 1 Power difference situation

如果发电盈余，则依次判断EV与ESS是否可消纳。若EV与ESS有剩余消纳空间，则遵守EV优先充电原则对EV与ESS充电，EV集群内部则通过最大充电时延策略对不同EV依次充电；若EV与ESS均无消纳能力，发电盈余弃电。若EV与 ESS消纳余光后仍有剩余消纳空间，则根据市场电价决定是否采购电量[13]。

如果发电不足，则优先考虑园区内部电价与外部市场电价的差额，在成本优势的基础上考虑EV与 ESS放电能力能否满足负荷需求。若外部市场电价具有成本优势，直接采购外部电量供给负荷。反之，遵守ESS优先放电原则优先采用ESS放电。在ESS不足以支持负荷需求情况下，判断实际预调度放电队列能否满足强制充电EV需求：若能满足强制充电EV需求，EV设备放电供给负荷；若未满足，采购外部电量供给负荷。

3 园区微网运行优化模型

3.1 系统运行架构

本文采用双层优化处理园区微网日前调度。上层调度中，微网对协同储能设备运行出力进行初步决策。下层调度中，以时延序列控制模型确定不同EV的充放电时间，从而修正EV集群的运行功率，进而对上层给出的协同储能设备运行出力结果进行修正[14]。基于时延序列的 EV集群控制流程如图3所示。

图3 基于时延序列的EV集群控制流程Fig. 3 EV cluster control flow based on time delay sequences

3.2 目标函数

上层以日运行收益f1最大为目标。下层以外购电费用与协同储能运行维护费用f2最小为目标[15]。式（17）～（20）分别表示购电费用、售电收入、总运行维护成本、碳排放交易收入组成。

3.3 约束条件

（1）功率平衡约束

（2）潮流与节点电压约束

式中：Nnode为节点数；Gnj，Bnj，θnj分别为节点n与节点j之间的电导、电纳、电压相角差[16]；Un,t，Uj,t分别为 t时刻节点 n，节点 j的电压；Umax，Umin分别是节点电压Un,t的上下限。

（3）功率与容量约束

（4）充放电功率约束

3.4 模型求解

综上所述，基于时延序列控制模型的园区微网日前调度采用上下层模型交替求解。本文建立的上下层模型均为MILP模型，使用Yalmip建立模型输入，调用Gurobi9求解。

4 算例分析

为了分析时延序列模型在提升园区电网运行效益中的作用，本文选取 IPs园区某日基本运行情况为分析对象，以15 min为一个调度周期，分别对是否含有充电时延序列的入网控制策略进行仿真计算。算例1为仅含ESS储能的园区的情况。算例2在算例1的基础上，加入无序列控制的EV集群。算例3在算例2的基础上，考虑了序列控制模型下的EV集群。

4.1 系统结构与参数

以修改后 IEEE33节点配电系统为例[17]，修改后的33节点系统结构见图4。在原有网络的基础上，节点15、27处加入10 MW与15 MW的光伏发电设备。在节点8、12处分别加入最大充放电功率为1.75 MW的EV充放电站、4 MW的储能电站。储能电站以4 MW的额定功率充放电，最多可持续3.8 h。现有A、B、C 3种品牌的EV接受 Aggregator管理，详细参数见表 2。市场峰谷电价[10]见表3，EV基准购电电价为1元/(kW·h)[14]。设备运行参数[18]见表4。

图4 修改后的33节点系统结构Fig. 4 Modified 33-node system structure

表2 入网EV情况Tab. 2 EV connected to the grid

表3 电价参数设置Tab. 3 Tariff parameter setting

表4 运行参数设置Tab. 4 Operation parameter setting

4.2 基于场景对比的优化调度分析

不含储能的园区基本运行情况如图5所示，不同算例的调度效果差异如表5所示。

表5 不同算例的调度效果差异Tab. 5 Differences in scheduling effects of different algorithms

图5 不含储能的基本运行情况Fig. 5 Basic operation without energy storage

从表5中可以看出，仅使用ESS设备调峰效果最好，此时购电峰谷差仅为16 190 kW；但此时经济优势不显著，总收入为仅为69 358元。园区引入 EV集群后，高峰期购电量显著下降。相比仅使用ESS设备调峰，引入无序控制的EV后经济优势扩大，此时总收入上升6.7%。采用序列模型控制的 EV购电峰谷差相较无序控制下降了11.2%，此时总收入在无序控制的基础上提升2.9%。不同算例下的全天96个时刻的下层调度结果如图6所示。

图6 设备运行结果Fig. 6 Equipment operation results

（1）在05:00—07:00的谷期期间。

园区控制中心检测到节点13间歇性负荷需求增加，此时EV还未入网。算例1中仅使用ESS设备，园区迅速调用ESS设备放电稳定线路传输功率，避免造成其他节点的负荷受节点13影响。算例2受无序EV集群影响，ESS储能设备始终保持较高的荷电状态，ESS此时仅少量放电稳定线路传输功率。算例1与2均采用放电策略，虽可稳定线路传输功率，但谷期放电经济性较差。算例3中，因采用时延控制模型，可预见EV集群充电行为，所以ESS设备无需保持较高的荷电状态：故采用ESS间歇性充电策略，不仅稳定了线路传输功率，谷期ESS设备充电也提升了园区运行经济效益。

（2）在23:00—24:00的平期期间。

EV均离开园区。算例1中，ESS储能因有较高的荷电量，采用了持续放电策略，平抑负荷波动效果良好；但ESS在平期深度放电无明显经济优势。算例2中，以ESS放电策略为主。算例3中，以ESS静置策略为主。算例2中，放电量较多，但在平抑负荷波动方面与算例3相比无显著差别。

（3）在15:00—17:00的峰期期间。

光伏出力显著下降。算例1中，ESS设备充分消纳余光后转为静置，为弥补夜间高峰用电缺口而保留放电能力。虽然晚间削峰效果较好，但ESS设备在峰期静置经济性较差。算例 2采取以ESS为主、EV为辅的放电策略，但无序列控制的 EV放电响应程度低。算例 3采用基于序列控制的放电策略，ESS与EV充分执行放电任务，且EV深度参与辅助放电，执行效果优于算例 2。

4.3 EV时延序列模型对协同储能的影响分析

在算例1中，当光伏出力较好时，为了避免突然因负荷需求下降导致的功率波动，ESS储能设备控制策略相对保守，ESS荷电峰值不高且充放电转化次数较低。如图 7（a）15:30—17:30时段曲线所示，ESS设备荷电量始终低于85%。如图7（b）所示，算例2中，在引入EV集群后，负荷功率波动问题转移到由EV承担，从而使ESS设备可以采用相对激进的控制策略。ESS设备在峰平转化期间，如16:30—18:00期间，ESS短时放电后转为充电。EV与ESS在16:00—17:00放电期间，在有序EV影响下，ESS电量从88.0%下降到58.0%后停止放电，转为静置状态；而无序EV影响下的ESS电量从74.5%下降到44.5%后继续放电，最终在17:15转向充电，此时ESS已经电量过低。与无序策略相比，EV时延序列控制策略避免了 ESS荷电量过低对剩余时段的调度计划产生不利影响。

图7 协同储能荷电状态Fig. 7 State of charge for the cooperative energy storage system

图8 考虑时延序列控制模型的EV集群功率Fig. 8 EV cluster power considering time-delay sequence control model

无时延序列控制模型的方法与有时延序列控制模型的方法均能使ESS的充放电灵活度进一步提升，从而提高ESS利用效率；但采用时延序列控制模型的方法后，EV集群的充放电行为具有一定可预见性，而无序 EV集群的行为则使短期内ESS频繁无效调用。采用时延模型可降低ESS储能的运行维护费用，也降低了因短期内ESS设备放电策略过于激进，导致后续调度时段储能容量不足的风险，从而提升园区运行安全性。

4.4 EV时延序列模型对园区收入的影响分析

不同地区电价存在差异，峰谷差价影响园区的运行收入。如图9所示，在表3的定价基础上，针对不同的峰谷价差进一步计算。结果表明峰谷差价率较高时，园区收入也随之增加，且计及时延序列控制模型的园区盈利高于不计时延序列控制的园区盈利。随着峰谷差价率上升，计及时延序列控制模型的园区盈利优势进一步扩大。

图9 峰谷价差率Fig. 9 Price difference rate of peak-to-valley

5 结论

本文建立了一种基于 EV最大充电时延序列的控制模型。该模型考虑了多属性差异下的不同EV充放电紧迫程度，并据此制定EV内部充放电策略与ESS配合运行策略。通过分析研究算例可以得出以下结论：

（1）EV集群引入时延序列控制模型后，有效降低了峰期外购电量且稳定了线路传输功率，降低了园区运行成本。

（2）EV集群引入时延序列控制模型后，改变了ESS设备原有的控制策略，使ESS设备在保留后续调度安全容量的前提下，提升了ESS设备的日活跃响应程度，从而提升了ESS设备的日内利用效率。

（3）在峰谷差价率高的场景下，相比未引入时延序列控制模型，引入时延序列控制模型的园区电网盈利更多。

本文提出的策略在满足园区运营商、EV车主双方要求的前提下，使参与双方共同获益，对合理高效地消纳分布式发电具有一定的参考意义。