基于光储充电站的电动汽车分层优化调度

胡超，彭文河，方支剑

（1.华电湖北发电有限公司，武汉 430063； 2.中国地质大学（武汉） 自动化学院，武汉 430074）

0 引言

2020年，我国明确提出力争2030年前实现碳达峰，2060 年前实现碳中和的“双碳”目标，以可再生能源为主体的绿色、低碳、清洁能源体系建设成为我国乃至全世界的能源战略选择［1-2］。近年来，我国能源结构不断向清洁化、多元化转变［3-4］，其中最具代表性的风电与光伏装机容量不断增大。此外，电动汽车（Electric Vehicle，EV）因污染小、效率高等特点，成为近年来的研究热点［5-7］。

EV 充电具有很强的随机性，变化的EV 负荷会改变配网的负荷特性，给配网稳定运行带来不利影响。因此，规划一体化光储充电站不仅可以就地消纳光伏资源，还能减少充电站对配电网造成的冲击，实现EV 与可再生能源的衔接，也是建设能源互联网战略的重要举措［8］。但随着EV 保有量的不断增加，由于用户需求和行为的不确定性，EV 大规模充电可能会引起配网电能质量下降、峰谷差加剧等［9-10］。为保证系统安全稳定运行，有必要研究光储充电站优化调度策略。

当前，大多数国家对EV 的充电管理并未规划，仍然处于用电充电状态，随着EV 数量的增多，将会对电网安全运行产生影响，因此，有学者开始研究EV 与电网的交互问题。文献［11］建立了以低碳排放为目标的风电-EV 调度模型，验证了风电与EV结合的有效性。文献［12］以火力发电运行成本和二氧化碳排放成本最优为目标建立优化调度模型，验证了该模型可有效促进风电并网。文献［13］利用车辆到电网（Vehicle to Grid，V2G）技术，控制EV与电网进行能量的互通互动。文献［14］通过V2G技术根据电网指令和EV 自身储能需求进行充放电。综上所述，通过对EV 进行充放电调度管理，可有效降低电网峰值期间的供电压力并为电网提供移动储能资源。

当前EV 有序充放电调度主要采用集中控制的管理模式，文献［15-16］以微网综合运行成本、光伏利用率以及微网与主电网之间的功率波动为目标，进行充放电优化。文献［17］提出了一种基于充电紧迫性指标的EV 充电协调调度方法，将负载需求从高峰时段转移到低谷时段。文献［18］以系统运行成本为目标，建立了考虑EV 灵活性与风电消纳的区域电网多时间尺度调度方法。文献［19］针对大规模EV 无序接入电网给电力系统带来的负荷压力问题，提出一种含不确定性电源的EV 有序充放电控制策略。文献［20］建立了一个以EV 充放电费用最小、EV接入所引起的电网损失最小以及对电压稳定性影响最小为优化目标的EV 充放电调度数学模型。

以上文献大都采用集中控制的方式，将优化任务集中计算，模式比较简单，但在大量EV 接入时，可能会出现“维数灾难”，响应速度难以满足实际需求。因此，本文以光储充电站作为研究背景，考虑实时电价，提出一种基于光储充电站的EV 分层充放电优化策略。

1 微网内部组成单元模型

1.1 EV单体充放电模型

EV被用作储能元件参与微网系统的电力调度。EV 到达充电站时，微网可在所需荷电状态（State of Charge，SOC）的约束下进行电力调度，包括EV 用户所需的SOC值以及充电和放电时间限制。

图1描述了充电或放电过程中EV 的SOC变化。图中：SOC，min和SOC，max分别为EV 参与电力调度时的最小和最大允许SOC 限值；ta和tl分别为EV 到达和离开微网EV 充电站的时间；SOC，s为接入电力系统时的初始SOC 值；SOC，u为用户所需的SOC 值；A—B—C为EV 参与调度时SOC 的最大边界值，表示EV 到达充电站后立即充电，当SOC值达到SOC，max时，EV 充电完成，剩余时间SOC 保持不变；D—E—F为SOC 的最小边界值，表示EV 立即放电，当SOC 值降至最小值时，放电无法继续；如果EV 在充电站中停留很长一段时间，可以保持不充电状态，但当到达强制充电时间时，须对电池进行充电，充电模式为快充，以确保用户的出行需求，E—F为强制充电过程。

图1 单一EV充放电模型Fig.1 Charging/discharging model of a single EV

EV状态可以描述为

EV 参与电力调度的约束如下（EV 不可同时充放电）

式中：SOC，min，SOC，max分别为EV最小、最大荷电状态。

1.2 储能电池充放电模型

由于储能成本过高，为了提高其经济性，考虑分时电价的影响，在低电价时段买入电能，在平价或高价时段卖出电能，获取售电收益。

储能电池荷电状态为

1.3 EV充放电动态电价模型

在配电网系统中，分时电价可以有效显示各时段负荷水平，但EV 加入微网中后，微网负荷特性发生变化，电价水平与负荷水平不匹配，不能有效引导EV 进行充放电；同时，采用分时电价会导致EV出现集群效应，出现新的负荷尖峰。因此，为了解EV是否有效消纳微网中的光伏出力，提出基于微网负荷、光伏出力与EV负荷相匹配的动态电价机制。

（1）EV 放电激励调度价格动态更新策略。EV放电激励调度价格综合考虑微网运行特点，由微网根据削峰填谷需求和EV 充电率进行更新，更新策略如下。

式中：pdi，t为t时段微网的EV 放电激励调度价格；pbd为EV 基础放电激励调度价格，取0.35 元/（kW·h）；为EV放电激励调度价格调整系数，电网出现峰值需求时为正，否则为0。

式中：rd为微网放电激励价格调节系数分别为微网削峰系数和EV 激励系数；Pa为EV 平均充电功率；ηt为EV 充电桩利用率，为充分激发EV 的调度潜力，利用率较高时应给予更多的激励补贴，因此设定了3 个折扣范围；kds1t，kds2t，kds3t为不同区间的激励力度；为利用率区间；Ns为微网EV 的充电桩数量，实际情况中往往是一桩一车为电动汽车充电站充电总功率为微网负荷。

（2）EV 充电价格的动态更新策略。EV 充电服务费由微网制定和更新，根据微网运行状态、光伏输出功率和EV充电率进行动态调整。

式中：rc为微网的充电服务费调节系数为EV 调节系数，为了降低EV 用户的充电成本，利用率较高时应给予更多的折扣，设定了3 个折扣范围；，分别为不同范围的折扣系数和为充电桩利用率范围为微网的填谷系数和分别为微网负荷的最大值和最小值为光伏与EV充电负荷的匹配系数；为光伏功率。

（3）电价限制。

2 光储充电站优化架构与策略

2.1 光储充电站优化架构

光储充电站调度框架如图2所示，将系统分为3层调度系统，其中最底层为光储充电站，中间层为微网系统，最上层为配网系统。首先，光储充电站将EV 的充放电需求上传给微网，微网以运行成本、EV调度成本最小以及联络线功率波动最小为目标，考虑电力供需平衡约束、联络线功率限制、EV 和储能功率约束进行优化；然后，将优化后的联络线功率上传给配网系统，配网进行潮流计算并将潮流约束信息返回给微网，如果潮流越限，微网重新进行优化，直到优化结果满足所有层级的约束；最后，将EV 充放电计划返回给光储充电站，实现EV 的有序充放电控制。

图2 光储充电站调度框架Fig.2 Structure of the PV-power storage charging station

2.2 底层EV调度模型

要对EV 进行调度，必须综合考虑EV 的SOC、停车时长、车主意愿以及调度结束时EV 的荷电状态能否满足车主未来的出行需求。当车主拒绝调度时，EV充电功率不变，按照原计划进行充电；当车主接受调度时，通过以下公式判断是否满足参与的调度条件。

式（12）和式（13）分别为EV 的电池约束和时间约束，若EV 在有限的停留时间内持续充电未能达到预期的荷电状态，应立即为EV进行充电。

当满足EV 调度约束时，计算EV 的可调度能力，为防止电池过充，t时段EV的可充电最大功率为

评估EV 的放电能力时，需保证EV 出行时满足预期电量并防止EV 过放，t时段EV 的可放电最大功率为

2.3 微网目标函数与约束条件

2.3.1 系统运行成本

系统运行成本包括EV 的调度成本和微网与配网的互动成本。

式中：C为微电网运行成本；CG为微网与配网之间的交互成本；CEV为EV调度成本。

EV和配网之间的互动成本可以描述为

式中：PG为充电站与主电网之间的传输功率，正值表示配网向充电站传输电力，负值表示配网从充电站吸收电力；pt为t时段的电价，正值表示充电站在购买电力，负值表示充电站在出售电力。

EV的调度成本为

式中：Nf为EV充电的数量。

2.3.2 微网优化调度目标

微网能量优化调度目标是使t时刻的联络线功率波动最小。

综上所述，微网综合优化目标函数为

式中：w1，w2分别为C和ΔP的权重系数。

2.3.3 约束条件

本文主要考虑电力供需平衡约束、微网与主电网之间的线路传输能力约束和EV 的充放电功率约束。

（1）电力供需平衡约束。

（2）传输功率的限制。微电网与主电网连接需要签署电力传输协议，微电网与主电网之间的传输功率不能超过限制。

（3）储能功率限制。

式中：Pc，max，Pd，max分别为储能充电、放电最大功率。

3 算例仿真

3.1 算例参数

采用图3所示的IEEE 33节点系统，系统基准功率为10 MV·A，基准电压为12.66 kV，总负荷为3.715 MW+j2.30 MV·A，总有功网损为0.199 8 MW。将微网接入节点6。微网常规负荷、光伏出力以及分时电价如图4所示。

图3 IEEE 33节点系统Fig.3 IEEE 33 node system

图4 微网常规负荷、光伏出力及分时电价Fig.4 Microgrid loads， PV outputs and time-of-use tariff

以自适应充电网络（Adaptive Charging Network，ACN）提供的充电站实际充电数据为基础，随机抽取其中一天的数据，以5 min 为步长进行仿真，中间层采用自适应粒子群算法进行求解。

3.2 仿真分析

为了直观地反映光储充电站EV 分层优化调度方案的控制效果，本文进行了基于分层的光储充电站EV 优化调度仿真及基于无序充电的光储充电站分层优化仿真。

（1）基于分层的光储充电站EV 优化调度仿真的EV 调度后的充放电负荷、储能充放电功率、微网调度前后的负荷曲线、配网节点电压电流和网损以及调度结束后EV的SOC如图5—11所示。

图5 EV调度前后的充电负荷Fig.5 EV charging loads before and after the schedule

从图5 和图7 可以看出，微网的负荷高峰主要集中在15：00—19：00，通过控制EV 在这个时段的放电，缓解了微网供电压力，实现了对微网负荷的削峰，微网负荷方差减少了24.93%。从图6 可以看出，储能系统在低电价时段进行充电，在电价平价和高价时段进行放电，主要集中在15：00—19：00进行放电，有效缓解了微网的供电压力，实现了负荷的“移峰”。由图8—9可以看出，优化后的配电网节点电压和电流均没有越限。由图10可以看出，通过对光储充电站和配网的协同优化，配网网损没有出现急剧变化。从图11 可以看出，调度后的EV 可以满足车主的出行需求，没有出现失配情况。

图6 储能系统充放电功率Fig.6 Charging and discharging power of the energy storage system

图7 微网调度前后的负荷Fig.7 Microgrid loads before and after the schedule

图8 配网节点电压Fig.8 Distribution of network node voltage

图9 配网节点电流Fig.9 Distribution of network node current

图10 配网网损Fig.10 Network loss

图11 调度结束后EV的SOCFig.11 SOC of the EV after the schedule

（2）EV 采用无序充电模式，EV 充放电成本及微网优化成本见表1。通过表1 可以看出，对EV 进行有序充放电，可以极大地优化配网网损，降低EV 充电成本及微网优化成本。

表1 EV充放电成本及微网优化成本Table 1 Charging cost of EVs and optimization cost of the microgrid元

4 结束语

本文以光储充电站为研究背景，考虑实时电价，提出一种基于光储充电站的EV 分层充放电优化策略。从仿真结果可以看出，EV 的接入起到了“削峰填谷”的作用，极大减少了EV 充电成本和微网优化成本并可以满足车主的出行需求，验证了本文提出的优化调度策略的可行性和有效性。