电动汽车电池交换站与微网的协调优化调度

李智轩， 蔺 红

(新疆大学 电气工程学院, 新疆 乌鲁木齐 830017)

0 引言

为了确保“碳达峰、碳中和”目标早日实现,电动汽车并入微电网的车入网方式得到了国家大力推广[1-2].目前,电动汽车以充电模式和换电模式作为主要充能方式,研究表明换电模式较即时充电模式更能提升微网的经济性[3].BSS可以有效减小电动汽车无序充电对微网系统造成的影响,提高微网整体的经济性.同时微网需有效引导BSS合理进行充、放电,从而实现对网内负荷“削峰填谷”的目的.但随着国家对换电模式的大力推广,新晋BSS企业逐渐发展为独立经营,其所有权并不属于微网,这对微网的稳定运行提出新的挑战.

随着电动汽车数量的日益增多以及新能源发电的不确定性,传统的微网调度策略已无法完全适用于此情况,因此相关学者将研究重心转移到含有电动汽车接入的微网系统[4-8].文献[9]针对含有完全可调度电动汽车的微网系统,提出多目标分级的微网调度策略,虽提高了可再生能源利用率以及微网的经济性,但此策略高度依赖电动汽车的可控性.文献[10]针对不接受微网直接调度的电动汽车,提出了一种实时电价制定方法,引导车主进行有序充、放电.但从电网角度来看,让单个电动汽车用户服从微网的引导并不简单,而换电模式中BSS的集中式换电经过车辆与电池解耦后更利于微网对整个BSS内的电池组进行调度.

文献[11]基于影子价格理论解决了微网优化调度模型与确定电池交换站电力调度的混合整数线性问题,虽然完成了微网与BSS二者间的协调优化,但并未考虑换电需求不确定性对整体优化的影响,仅适用于理想情况.文献[12]将主网中风电场与BSS构建成联合系统,同时考虑了风电与换电需求的不确定性,建立多目标的相关机会目标规划模型,实现二者的效能互补.但若将地理位置相距较远的风电场与BSS构成联合系统时,又会增加能量损耗,违背新能源就地消纳的初衷.文献[13]提出了考虑微网与BSS二者互动的调度模型,通过改变电价来引导BSS参与系统优化,利用盒式鲁棒优化处理了换电需求不确定性,实现BSS利润最大化,但文中未提及个性化电价的制定原则,并且盒式鲁棒优化过于保守,不适用于各风险偏好不同的BSS运营商.随着国家对换电模式的推广及电动汽车数量的不断增加,BSS与微网之间的依赖性也随之变大[14-15],因此有必要就充分发挥二者特性的优势来提高双方利益进行深入研究.

本文首先考虑电动汽车用户换电概率不确定性建立了BSS模型.接着针对主网分时电价不完全适用于微网的情况,提出了基于主网分时电价和微网常规负荷的微网实时电价制定方法,引导BSS主动参与微网优化.最后建立了一种BSS参与微网系统的双层优化模型,上、下层皆采用混合整数线性规划的优化方法,通过Yalmip调用Cplex分别对上下层模型求解,循环求解得到最优调度结果.

1 含BSS的微网系统优化结构

微网需以个性化电价去引导BSS参与系统的优化,因此本文含BSS的微网系统优化结构如图1所示,主要由以下部分组成:微型燃气轮机MT(Micro Turbine)、燃料电池FC(Fuel Cell)、风电机组WT(Wind Turbine)、光伏发电PV(Photovoltaic)、BSS运营商以及常规负荷.最后,整个系统通过PCC连接点经联络线与主网相连,形成并网型微网.

图1 含BSS的微网系统结构

1.1 BSS换电模型

1.1.1 电动汽车换电需求建模

BSS各时段所需满足的电动汽车换电需求Nneed(t)即用户前来更换的电池数,Nneed(t)可根据电动汽车电池的SOC状态及日行驶规律所确定.由文献[16]可知,由式(1)(电池初始SOC低于换电阈值)或式(2)(电池初始SOC高于换电阈值)可得电动汽车换电行为发生的时刻,将每一时段换电车辆数累加即得到各时段的换电需求Nneed(t).

(1)

(2)

1.1.2 电动汽车换电需求概率模型

(3)

式(3)中:t表示时间;x表示通过蒙特卡洛模拟得出的t时段换电车辆数.

其次考虑到电动汽车实际换电需求是以换电车辆个数为单位的,而非连续性的,因此需要将式(3)所表示的换电需求概率进行离散化处理.首先设定多状态概率序列Nneed,t(iNt),其长度为LNneed,t:

(4)

(5)

式(5)中:Nnned,t(iNt)表示t时段不同换电需求数量的概率;LNneed,t为t时段换电需求波动的最大值.

1.1.3 BSS充放电模型

BSS完成换电车辆数的概率预测后,需根据站内各情况,制定最优的充放电计划.

为了使BSS模型便于仿真,同时又不会脱离实际情况,做出以下假设:

(1)BSS运营商为了减少电池寿命损耗,设定当电池组处于充电或放电过程中,则必须充满(设定电池SOC≥95%为充满)或放空(设定电池SOC≤20%为放空)才可进行后续服务.

(2)BSS中所有电池组为同一型号,即容量Cbat相同,额定充电功率Pch、充电效率ηch相同,以实际充电功率Pch-s充电时需要Tch个时段可将空电池充满;额定放电功率Pdc、放电效率ηdc相同,以实际放电功率Pdc-s放电时需要Tdc个时段可将满电电池放空.

(3)任意时段初期,BSS内的满电电池组数量可以满足该时段换电需求的概率不低于BSS运营商设定的置信水平α.

BSS内各时段的满电电池组数量Ns(t)随各时段处于最后一段充程的充电和处于第一段放程放电的电池组数量以及上一时段换电车辆Nneed(t-1)决定:

(6)

(7)

实际BSS运营时会出现换电需求预测存在误差的情况,因此本文利用建立机会约束的方法,设定置信水平α.α是影响BSS制定充放电计划的重要因素,目的是为了保证实际BSS内满电电池数满足换电需求的概率不低于给定的置信水平α.设定以下机会约束不等式:

(8)

根据式(5)求得离散化的换电需求概率序列,从而得到t时段换电需求的累积分布函数DNneed,t(x)为:

(9)

为了将式(8)中的机会约束转换为确定性约束,首先引入0-1型状态变量Mx(t).其满足以下关系式:

(10)

式(10)表示对任何时段t,当且仅当完全满足换电需求约束时,Mx(t)等于1.其它情况皆等于0.最终结合以上(9)、(10)两式,可将式(8)化简为:

min{x|Mx(t)·DNneed,t+1(x)}≥a

(11)

式(11)表示在t时段内,BSS内满电电池数量Ns(t)大于t+1时段换电数量x的最小概率不低于置信度a.因此可以推出式(11)与式(8)等价,至此完成了机会约束的确定性转化.

1.2 微网系统内部实时电价制定方法

主网峰谷分时电价在各划分时段内是固定的,对于微网内不同的负荷分布情况适用性不高[18,19].而实时电价可通过用户实时负荷水平zt进行调节,通过实时电价引导BSS参与微网优化调度,可使BSS错峰充电,减小网内负荷峰值.实时电价制定方法有以下两条:

(1)zt≥0.6时,根据当前时段主网平时段电价Wp、网内负荷水平zt以及日平均负荷d制定实时电价,步骤如下:

①根据负荷预测数据dt,计算常规负荷总值D、BSS负荷DBSS占总常规负荷D的比重m=DBSS/D、日平均负荷d、实时负荷水平zt=dt/d.

②t时段实时电价由zt决定,关系如表1所示.zt的取值变化波动,直接决定了网内针对BSS的实时电价Wt.n1、…、n5为负荷水平常数.

表1 实时电价与负荷水平映射表

(2)zt≤0.6时,为了避免电价过低不符合实用性,做出电价最低额度限定:

Wt=Wlmin,zt≤0.6

(12)

式(12)中:Wlmin表示0.6

2 含BSS的微网双层优化调度模型

2.1 上层微网优化模型

2.1.1 目标函数

微网运行成本包括四个方面:与大电网间的交互净成本、微燃机燃料成本、与BSS间的购售电净成本和弃风弃光惩罚成本.为了使微网总运行成本最低,设定目标函数如下:

(13)

(14)

(15)

(16)

(17)

(18)

2.1.2 约束条件

(1)可控微源有功出力约束

(19)

(2)系统功率平衡约束

(20)

(3)可控微源爬坡率约束

(21)

(4)主网联络线约束

(22)

2.2 下层BSS优化模型

2.2.1 目标函数

考虑BSS运营商的收益由三个方面决定:充电成本、换电与放电收入以及电池折旧成本.因此建立以BSS收益最大化的下层优化目标函数:

maxY2=max(CBSS+Cex+Cdep)

(23)

(24)

(25)

(26)

2.2.2 约束条件

(1)电池数量平衡约束

(27)

式(27)中:Nf(t)与Ne(t)分别表示t时段站内满电电池数与空电电池数;Z表示站内总电池数量.

(2)充放电机位约束

(28)

(3)充电状态电池组数量平衡约束

(29)

(4)放电状态电池组数量平衡约束

(30)

(5)空电电池数量平衡约束

(31)

(6)BSS所需满足换电需求约束见式(11).

3 模型求解方法

双层协调优化模型可在Matlab平台调用由IBM公司开发的Cplex求解器进行仿真求解[21],优化流程如图2所示.

图2 双层协调优化模型求解流程图

4 算例分析

4.1 算例介绍

选并网型微网作为算例进行研究分析[22],调度周期为1 d,每1 h为一个优化阶段.微网内部各分布式电源的运行参数如表2所示;微网削峰填谷政策补贴取2元/kW·h;分时电价如表3所示.

表2 微网系统中分布式电源参数

表3 主网分时电价

微网典型日常规负荷曲线及风、光出力预测曲线如图3所示[11].

图3 风、光出力及常规负荷预测值

BSS参数如下:电池交换站内共有100个电池组用于正常租赁服务,其容量皆为30 kW·h;共设置20个充、放电机位,其额定充、放电功率分别为15 kW和30 kW,充、放电效率均取0.95;完整充、放电一次的电池折旧费取5元,换电零售价取1.5元/(kW·h),为方便计算,换电服务费已并入换电零售价中.

4.2 换电需求及实时电价

利用文献[16]中的统计数据,模拟出规模为100辆电动汽车的全天换电需求预测值及微网实时电价如图4、5所示.

图4 电动汽车换电需求预测值

图5 微网实时电价

4.3 不同策略下的优化结果分析

场景1:微网不对BSS进行充放电引导(固定电价);场景2:微网对BSS进行有序充放电引导(分时电价);场景3:微网对BSS进行有序充放电引导(实时电价).

同时取相同的置信度α=0.95进行优化,微网运行成本和BSS总收益如表4所示.

表4 各场景下的成本及收益对比

从表4可知:场景1为固定电价,即BSS为无序充放电行为,由于各时段电价相同,BSS放电反而会损失自身利益,所以全天只进行充电行为.场景2与场景3中的BSS收益明显高于场景1,同时微网运行成本又低于场景1,说明在电价引导下的BSS有序充放电行为比BSS无序即换即充模式更利于提高微网系统整体的利益.场景2为分时电价,但是由于固定的分时电价无法契合微网内负荷用电情况,无法深度引导BSS的放电行为,BSS放电量仅约为场景3的35.4%.场景3中的微网运行成本最低,同时BSS的收益却最高,说明本文所提策略在场景2的基础上进一步增加了双方的利益.

不同场景下含BSS的微网内净负荷曲线如图6所示,网内峰谷差率如表5所示.

图6 不同场景下净负荷曲线

表5 各场景下微网总负荷峰谷差情况

结合图6与表5中的峰谷差数据来看,场景3中净负荷曲线的峰值最低,同时网内峰谷差率最低,说明本文所提优化方法可大幅降低网内峰谷差率.

为了表明BSS受微网实时电价的激励而做出的响应情况,以图7不同场景中BSS用电价格及其充放电功率做出对比.

图7 BSS实际充放电功率及电价对比

如图7所示结果来看,场景1中BSS无序充放电策略下BSS充电负荷高峰期与微网日常负荷高峰期重叠,加大了网内负荷的峰值.场景2中的微网虽然在11:00～12:00这个负荷高峰段引导BSS放出一部分电力并不再进行充电,但在22:00时BSS为了能保证后续电动汽车的换电服务,还是在此用电高峰期进行了充电.而场景3中的微网不仅在11:00～12:00这个时段抑制了BSS的充电行为,还在21:00～22:00的常规负荷高峰期引导BSS释放大量电能,进一步降低网内总负荷峰值.

4.4 不同置信度对优化结果的影响

这里对场景3进行单独研究,在其他参数都不变的情况下,将机会约束中的置信度α分别设定为95%、75%以及55%.三种不同α对应的微网运行成本和BSS收益关系对比结果如图8所示.

在图8中，α表示BSS满足电动汽车换电时站内拥有足够满电电池数量的置信度.可以看出随着α的增大,即BSS运营商满足换电需求的概率越大,这时站内可以用来放电的电池组数量越小,即减小了BSS参与微网引导的放电容量,导致整体收益下降.然而α越大,以实时电价作为激励手段,间接使得微网从BSS获得的利润变大,微网运行的成本就会减小.同时α越大,电动汽车用户的换电体验就会提高,促进BSS的良性运营.综合以上三点来看:α的选取同时关系到微网与BSS的利益与风险,BSS运营商需与微网调度中心协商确定合适的α,这样才利于整个系统的协调优化.

图8 不同α下的微网运行成本和BSS收益对比

5 结论

针对微网与BSS在新型合作关系下优化调度困难的问题,本文建立了BSS与微网协调优化模型,利用机会约束的方法完成了换电概率的确定性转换,考虑了微网和BSS的运行约束,兼顾了双方的利益.经算例验证可得以下结论:

(1)文中的微网内实时电价可以引导BSS参与微网优化运行,在微网负荷低谷期多充电,负荷高峰期多放电,提高了微网与BSS双方利益的同时减小了微网内部负荷峰谷差,利于微网内新能源的就地消纳.

(2)在微网系统各不确定因素影响相同的情况下,BSS对置信度α的选择成为了影响双方利益的关键因素,因此本文可为以后建立BSS并入微网的电动汽车换电公司提供参考作用.