配網中電動汽車調度策略及其經濟效益評估

戴欣，袁越，王敏，劉冠群，徐石明，張敏（．河海大學能源與電氣學院，南京0098；．國電南瑞科技股份有限公司，南京006）

配網中電動汽車調度策略及其經濟效益評估

戴欣1，袁越1，王敏1，劉冠群1，徐石明2，張敏2
（1．河海大學能源與電氣學院，南京210098；2．國電南瑞科技股份有限公司，南京210061）

大量電動汽車無序充電會對電網造成巨大的沖擊，對其進行合理調度不僅可以減小沖擊，還能激發潛在的經濟效益。首先具體分析每一項潛在價值，建立配網中電動汽車經濟效益評估模型；然后應用粒子群算法，以經濟效益最大為目標函數，基于充電需求分類的調度策略，利用電動汽車支持配網高峰用電并充當備用容量，得到每一輛電動汽車各時段的充放電功率。算例結果證明了該模型和調度策略的有效性。

電動汽車；配電網；經濟效益；調度策略；粒子群算法

面臨日益加深的能源危機，發展電動汽車EV（electric vehicle），推進低碳型交通，已經成為中國及世界主要發達國家政府關注的熱點，各國均加大了對電動汽車的政策扶持力度，可以預知，未來將有大量電動汽車接入電網。然而，大規模電動汽車的無序充電行為不僅會進一步增大電網的峰谷差，還有可能造成電網局部過負荷、線路擁塞等問題，給電網的經濟和穩定運行帶來較大的問題。事實上，電動汽車作為一種移動分散式的儲能裝置，不僅可以從電網中吸收電能，還可以向電網反饋電能。通過這種車網互聯技術V2G（vehicle to grid），電動汽車可以參與電力系統的運行與控制[1-4]，合理的調度策略可以激發電動汽車的多種潛在價值。因此，對電動汽車調度策略及其經濟效益進行研究是很有必要的。

國內外學者在有關方面做了較多的研究。文獻[5-8]分析了V2G模式下，電動汽車的多種潛在經濟收益，指出電動汽車可以作為移動分散式儲能裝置，為電網提供容量支持，解決電能無法大量儲存的困境，但沒有具體分析配網中電動汽車的經濟效益；文獻[9-13]分析了系統側和用戶側電池儲能裝置的各種潛在收益，提出了計算最佳充放電策略和最佳安裝容量的方法，但其研究對象是大型電池儲能裝置，沒有考慮電動汽車的分散性和隨機性；文獻[14-16]綜合考慮電動汽車充放電功率及可用容量等約束條件，闡述了電動汽車充放電控制策略總體思路，建立了移動儲能系統參與電網調度的模型，但忽視了頻繁的充放電過程對電池壽命的不利影響，并且未深入探討多輛電動車充放電過程的分解協調問題；文獻[17]深入探討了多輛電動汽車充放電過程的分解協調問題，并提出了充放電功率分配的基本原則與方法，但代價是每輛電動汽車的頻繁充放電，對電池壽命有較大影響。

綜上所述，現有的研究中，缺乏對配網中電動汽車經濟效益建模的研究；忽視了電池充放電次數的約束；未深入探討多輛電動汽車充放電過程的分解協調問題。針對以上不足，本文對電動汽車的調度策略及其經濟效益評估進行了深入具體的研究。首先歸納總結了配網中電動汽車的多種潛在價值，主要包括延緩線路升級改造、降低網損、低儲高發套利、減少分布式新能源發電備用容量等，對這些潛在價值進行了具體的分析，并建立了相應的經濟效益評估模型；其次，考慮充放電次數的限制，提出了一種基于充電需求分類的電動汽車調度策略，將電動汽車群的充放電功率具體分配到每一輛電動汽車；最后，以某地區配電網為算例，利用粒子群優化算法對電動汽車的調度策略進行了仿真，計算結果驗證了模型和調度策略的有效性。

1 配網中電動汽車充放電收益分析

1.1 延緩線路升級改造

在配電網中，當某一線路負荷超過其容量而發生阻塞時，則需要對該線路進行升級改造，這將耗費大量的資金，尤其是在城市中心，其代價將更加昂貴。隨著電動汽車數量的不斷增多，其充電負荷也越來越大，任其自由充電可能會進一步導致線路的阻塞，但是通過合理的調度，盡量使電動汽車在負荷低谷時充電，高峰時放電，可以使線路的阻塞得到改善，延緩線路的改造升級[9]。電動汽車合理調度在延緩線路改造的收益等值到每年的現值R1為

式中：cin為線路改造所需的一次性成本；e為通貨膨脹率；d為貼現率；ΔN為延緩的年限；λ為電動汽車的削峰功率與電動汽車無序充電情況下負荷峰值功率的比值；τ為負荷的年增長率。

1.2 降低網損

電動汽車無序充電可能會引起新的負荷高峰，增大線路電流，從而增大網損，對其進行合理調度可以降低配網的負荷高峰，平滑負荷曲線，從而降低網損[13]，其年收益R2可表示為

式中：K為一年工作日的天數；Z為電動汽車接入點的線路等效電阻；U為配網的額定電壓；P2i為電動汽車無序充電情況下i時段的負荷功率；P1i為電動汽車合理調度情況下i時段負荷從電網中吸收的功率；ci為i時段的大工業電價。

1.3 低儲高發套利

對電動汽車進行合理調度，使其在電價低谷時存儲電能，在電價高峰時釋放電能。在這個低價儲電、高價賣出的過程中，實現其顯性經濟收益的年值R3可表示為

1.4 減少分布式新能源發電備用容量

隨著分布式新能源發電（主要是風電和光伏發電）容量的不斷增加，需要電網中配備更多的備用容量實現功率調節，電池儲能裝置可以快速調節其消耗和發出的功率，代替常規電源作為新能源發電的備用容量。

大量的研究表明：風電和太陽能等新能源的有功出力分布呈現出近似的正態分布特性[18，19]。所以可采用正態分布來擬合新能源發電，則電動汽車代替的備用容量的年收益R4可表示為

式中：cs為備用容量的價格；Ph為電動汽車代替的備用設備功率期望值；Pb為電網消納新能源發電而不需要配備相應的備用設備功率限值；P2max為電動汽車無序充電情況下負荷峰值功率；P1max為電動汽車合理調度情況下負荷從電網中吸收的最大功率；Pβ為新能源發電功率的均值；Pα為新能源發電功率的波動偏差。

2 電動汽車調度策略及其經濟效益評估模型

2.1 調度策略

本文考慮充放電次數的限制，提出一種基于充電需求分類的電動汽車調度策略，該策略的核心思想是將電動汽車按其充電需求分類調度，從而降低調度控制的復雜性，將電動汽車群的充放電功率具體分配給每一輛電動汽車，其流程如圖1所示，實施步驟如下。

圖1 電動汽車參與電網的調度策略流程Fig.1 Flow chart of scheduling strategy ofelectric vehicles participation in grid

步驟1確定調度時間，一般選取白天工作時間或是晚上休息時間。

步驟2依次檢測每輛電動汽車的電池容量、最大充放電功率和充電需求（充電量占電池容量的百分比），將全部電動汽車的充電需求（0～90%）按5%的梯度進行分類并取余數。例如，將充電需求為24%的電動汽車歸并到20%的類別里，其充電需求余數為4%。

步驟3分別計算每類電動汽車的數量，得到每類電動汽車群的可調度容量和最大充放電功率。

步驟4不考慮充電需求余數，在滿足約束條件的前提下，計算得到使目標函數值最優化的每類電動汽車群各時刻的總充放電功率。

步驟5將每類電動汽車群各時刻的總充放電功率按最大充放電功率的大小分配到每輛電動汽車。

步驟6檢測每輛電動汽車的充電功率，尋找電價低的充電時段將充電需求的余數插入其中，從而得到每輛電動汽車各時刻最終的調度策略。

2.2 目標函數及約束條件

設目標函數A為電動汽車的充放電收益，則有

式（7）實質是進行多目標優化。基于相同量綱，本文在考慮經濟效益最大化的前提下，沒有考慮這些不同的目標之間權重。事實上，權重對優化結果有一定的影響。在不考慮權重的情況下，調度策略優先選擇低儲高發；如果增加R1和R2的權重，調度策略會兼顧考慮系統的可靠性和負荷率。

（1）考慮電動汽車最大充放電功率的約束為

（2）考慮電池容量的約束為

式中socij為第i輛電動汽車在j時段的荷電狀態。

（3）考慮電動汽車充放電需求的約束為

式中：Wi為第i輛電動汽車的電池容量；β為電動汽車的充電需求（占電池容量的百分比），可由車主自主設定；η為電池充放電效率。

（4）考慮電動汽車充放電次數的約束為

式中，mi為第i輛電動汽車1 d的充放電次數。考慮到電池的昂貴造價和有限的使用壽命，電動汽車在1 d最多進行1次充放電。

最后需要指出的是，目標A是以a為單位，而約束條件是以d為單位。但是本文的調度策略是以1 d 24 h為單位，因此將它們放在同一個模型中進行優化，并不存在時間上的協調問題。

3 基于粒子群算法的電動汽車調度策略優化

由于電動汽車的數量眾多，其調度策略的優化求解是一個高維數的優化問題。粒子群算法依賴的經驗參數少，收斂速度快，比較適合求解此類優化問題。

3.1 粒子群算法的改進

粒子群算法來源于對鳥類捕食行為的研究。粒子的特征用位置、速度和適應度值來表示。粒子的位置代表問題的潛在解，粒子的速度決定了粒子移動的方向和距離，適應度值由適應度函數決定，其值的好壞表示粒子的優劣。粒子通過跟蹤個體極值和群體極值更新個體位置，尋找最優解[20-21]。

粒子群算法經過多年的發展，出現了眾多的改進方法。本文采用文獻[20]的方法，其粒子的更新公式為

式中：ω為慣性權重；k為當前迭代次數；vid為粒子的速度；Yid為粒子的位置；Gid為個體適應度值最優位置；Ggd為群體適應度值最優位置；Igd為每次迭代過程中群體適應度值最優位置；a1、a2、a3為加速因子；b1、b2、b3為[0，1]區間的隨機數。

3.2 算法流程

將粒子群算法應用到電動汽車充放電控制策略及其經濟效益評估中，通過優化電動汽車在各個時段的充放電功率，使目標函數最優。本文問題中粒子的維度為24v，v為電動汽車充電需求分類的數量。則粒子的位置可表示為

粒子群算法的具體流程如下。

（1）確定基本參數值，初始化粒子的位置和速度。

（2）根據電動汽車充放電約束條件修改粒子的位置和速度。

（3）計算粒子適應度值，記錄個體極值和群體極值。

（4）更新粒子的位置和速度。

（5）根據充放電約束條件修改粒子的位置和速度。

（6）計算粒子適應度值，記錄個體極值和群體極值。

（7）判斷是否達到最大迭代次數。若是，則停止；否則轉到步驟（4）。

4 算例分析

以某地區配電網為例，其日負荷曲線及分時電價如圖2所示。

電動汽車的發展趨向于標準化，而電網調峰的時間主要集中在白天。故假設條件如下：

（1）電動汽車的電池容量標準化，均為30 kW·h；

（2）電動汽車的最大充放電功率標準化，均為5 kW；

（3）電動汽車的充電需求符合以45%為中心的正態分布；

（4）相對1 d中其他時段，電動汽車在白天工作時間更具有集中調控的特點，即多數電動汽車在工作時間處于靜止狀態。因此調度時間設定為8：00—17：00，期間不考慮電動汽車因故離開的情況。

圖3 算例中電動汽車充電需求分類Fig.3 Charge demand classification ofelectric vehicles in example

由圖3可見，該配電網參與V2G調度的電動汽車共有1 090輛。經濟效益模型中的相關數據如表1所示。算法中設粒子數目為200；最大迭代次數Tmax=200；粒子速度vmax=0.02，vmin=-0.02；加速因子a1=1.54，a2=1.54，a3=0.154；慣性權重系數ω采用線性遞減策略，取值為

表1 算例數據Tab.1 Example data

式中：ωmax=0.9，ωmin=0.4；t為當前迭代次數。

求解得到的電動汽車各時刻總充放電功率如圖4所示，由圖可以看出，電動汽車參與調度，降低了負荷從電網中吸收的功率峰值，減小了電網的運行壓力。

圖4 電動汽車充放電及負荷功率Fig.4 Charge and discharge power ofelectric vehicles and load power

由于電動汽車數量眾多，數據量過于龐大，無法一一展開。以某輛充電需求為24%的電動汽車為例，首先計算出充電需求為20%的電動汽車群充放電功率，如圖5所示；然后將其平均分配到每輛電動汽車（由于電動汽車標準化，最大充放電功率一致），如圖6實線所示；最后將4%的充電需求余數尋找電價低的時段插入，即得到這輛電動汽車各時段充放電功率，如圖6虛線所示。

圖5 電動汽車群各時段充放電功率Fig.5 Electric vehicle aggregator charge and discharge power at various time periods

圖6 電動汽車各時段充放電功率Fig.6 Electric vehicle charge and discharge power at various time periods

經過計算，算例中電動汽車充放電的年收益為248.68萬元，其中：R1=8.17萬元，R2=8.98萬元，R3=208.11萬元，R4=23.39萬元。

對圖4和圖6進一步分析，可以發現：①由于電動汽車參與調度，電價高峰時段的負荷被轉移到了電價低谷時段，為配電網帶來了較大的經濟效益；②在經濟效益最大的前提下，本文的調度策略避免了電池頻繁的充放電，延長了電池的使用壽命。

最后需要指出的是，該調度策略的成本主要是電池壽命的損耗。根據文獻[22]的研究，電動汽車參與充放電的成本是0.42元/（kW·h），經過計算，算例中年調度成本為183.42萬元，占收益的73.8%。由此看出，電池的損耗成本過高，很大程度上制約了電動汽車參與電網調度的經濟性。因此，車載電池技術的不斷進步是推動電動汽車參與電網調度的關鍵因素。

5 結論

（1）本文提出的基于充電需求分類的電動汽車調度策略簡單實用，能將電動汽車群的充放電功率分配到每一輛電動汽車，并且電池的充放電次數不大于1次。

（2）電動汽車參與配電網調度的潛在價值比較大，但是昂貴的電池壽命成本制約了調度經濟性的提高，電池技術的進步將是推動電動汽車參與電網調度的關鍵因素。

[1]Boulanger A G，Chu A C，Maxx S，et al．Vehicle electrification：status and issues[J]．Proceedings ofthe IEEE，2011，99（6）：1116-1138．

[2]高賜威，張亮（Gao Ciwei，Zhang Liang）．電動汽車充電對電網影響的綜述（A survey ofinfluence ofelectrics vehicle charging on power grid）[J]．電網技術（Power System Technology），2011，35（2）：127-131．

[3]Tomic J，Kempton W．Using fleets of electric-drive vehicles for grid support[J]．Journalof Power Sources，2007，168（2）：459-468．

[4]Tu Yiyun，Li Can，Cheng Lin，et al．Research on vehicleto-grid technology[C]//International Conference on Computer Distributed Control and Intelligent Environmental Monitoring.Changsha，China：2011．

[5]錢科軍，周承科，袁越（Qian Kejun，Zhou Chengke，Yuan Yue）．純電動汽車與電網相互關系的研究現狀（A review of research on the interaction between fully electric vehicles and power systems）[J]．電網與清潔能源（Power System and Clean Energy），2010，26（11）：1-7．

[6]孫波，廖強強，謝品杰，等（Sun Bo，Liao Qiangqiang，Xie Pinjie，etal）．車電互聯削峰填谷的經濟成本效益分析（A cost-benefit analysis model of vehicle-to-gid for peak shaving）[J]．電網技術（Power System Technology），2012，36（10）：30-34．

[7]楊黎暉，許昭，Stergaard J，等（Yang Lihui，Xu Zhao，Ster-gaard J，etal）．電動汽車在含大規模風電的丹麥電力系統中的應用（Electric vehicles in Danish power system with large penetration of wind power）[J]．電力系統自動化（Automation of Electric Power Systems），2011，35（14）：43-47．

[8]茆美琴，孫樹娟，蘇建徽（Mao Meiqin，Sun Shujuan，Su Jianhui）．包含電動汽車的風/光/儲微電網經濟性分析（Economic analysis ofa microgrid with wind/photovoltaic/ storages and electric vehicles）[J]．電力系統自動化（Automation of Electric Power Systems），2011，35（14）：30-35．

[9]Chacra F A，Bastard P，Fleury G，et al．Impact of energy storage costs on economical performance in a distribution substation[J]．IEEE Trans on Power Systems，2005，20（2）：684-691．

[10]Lee Tsung-Ying，Chen Nanming．Determination ofoptimal contract capacities and optimal sizes of battery energy storage systems for time-of-use rates industrial customers [J]．IEEE Trans on Energy Conversion，1995，10（3）：562-568．

[11]Lo C H，Anderson M D．Economic dispatch and optimal sizing ofbatter energy storage systems in utility load-leveling operations[J]．IEEE Trans on Energy Conversion，1999，14（3）：824-829．

[12]Hu Weihao，Chen Zhe，Bak-Jensen B．Optimal operation strategy ofbattery energy storage system to real-time electricity price in Denmark[C]//IEEE Power and Energy Society GeneralMeeting.Minneapolis，USA：2010．

[13]顏志敏，王承民，鄭健，等（Yan Zhimin，Wang Chengmin，Zheng Jian，etal）．配電網中蓄電池儲能系統的價值評估模型（Value assessment model of battery energy storage system in distribution network）[J]．電力自動化設備（Electric Power Automation Equipment），2013，33（2）：57-61．

[14]韓海英，和敬涵，王小君，等（Han Haiying，He Jinghan，Wang Xiaojun，etal）．基于改進粒子群算法的電動車參與負荷平抑策略（An improved particle swarm optimization-based load response strategy with participation ofvehicle to grid）[J]．電網技術（Power System Technology），2011，35（10）：165-169．

[15]鮑諺，姜久春，張維戈，等（Bao Yan，Jiang Jiuchun，Zhang Weige，etal）．電動汽車移動儲能系統模型及控制策略（Model and control strategy of electric vehicle mobile energy storage system）[J]．電力系統自動化（Automation of Electric Power Systems），2012，36（22）：36-43．

[16]張麗，王媚，杜成剛，等（Zhang Li，Wang Mei，Du Chenggang，etal）．一種V2G充放電控制策略算法應用（Application ofan algorithm ofcontrolstrategy for charging& discharging system based on V2G）[J]．華東電力（East China Electric Power），2010，38（11）：1675-1677．

[17]Ota Y，Taniguchi H，Nakajima T，et al．Autonomous distributed V2G（vehicle-to-grid）satisfying scheduled charging[J]．IEEE Trans on Smart Grid，2012，3（1）：559-564．

[18]于晗，鐘志勇，黃杰波，等（Yu Han，Chung C Y，Wong K P，etal）．考慮負荷和風電出力不確定性的輸電系統機會約束規劃（A chance constrained transmission network expansion planning method associated with load and wind farm variations）[J]．電力系統自動化（Automation of Electric Power Systems），2009，33（2）：20-24．

[19]姚國平，余岳峰，王志征（Yao Guoping，Yu Yuefeng，Wang Zhizheng）．如東沿海地區風速數據分析及風力發電量計算（Wind data analysis and wind power generation calculation）[J]．電力自動化設備（Electric Power Automation Equipment），2004，24（4）：12-14．

[20]Lee Tsung-Ying．Operating schedule of battery energy storage system in a time-of-use rate industrial user with wind turbine generators：a multipass iteration particle swarm optimization approach[J]．IEEE Trans on Energy Conversion，2007，22（3）：774-782．

[21]蒙文川，邱家駒（Meng Wenchuan，Qiu Jiaju）．電力系統經濟負荷分配的混沌粒子群優化算法（Chaotic particle swarm optimization algorithm for economic load dispatch ofpower system）[J]．電力系統及其自動化學報（Proceedings ofthe CSU-EPSA），2007，19（2）：114-119．

[22]羅卓偉，胡澤春，宋永華，等（Luo Zhuowei，Hu Zechun，Song Yonghua，etal）．大規模電動汽車充放電優化控制及容量效益分析（Coordinated charging and discharging of large-scale plug-in electric vehicles with cost and capacity benefitanalysis）[J]．電力系統自動化（Automation ofElectric Power Systems），2012，36（10）：19-26．

Scheduling Strategy and Economic Benefits Evaluation of Electric Vehicles in Distribution Network

DAIXin1，YUAN Yue1，WANG Min1，LIU Guanqun1，XU Shiming2，ZHANG Min2
（1．College ofEnergy and ElectricalEngineering，HohaiUniversity，Nanjing 210098，China；2．NARITechnology DevelopmentCo．，Ltd．，Nanjing 210061，China）

Impactofnumerous electric vehicles random charge from electric grid is significant，and reasonable dispatch can notonly reduce the impact，butalso stimulate the potentialeconomic benefits．Initially，potentialvalues are specifically analyzed，economic benefitassessmentmodelofelectric vehicles in distribution network is established．Then，with maximized economic benefits，discharge power of electric vehicles is calculated by particle swarm optimization algorithm which is utilized to supportpeak demand and serve as reserve capacity based on charge demand classification．The validity ofthe modeland controlstrategy is proved by the results ofcalculation example．

electric vehicle；distribution network；economic benefit；scheduling strategy；particle swarm optimization（PSO）algorithm

TP614.5

A

1003-8930（2015）03-0042-06

10.3969/j.issn.1003-8930.2015.03.08

戴欣（1990—），男，碩士研究生，研究方向為電動汽車充放電策略及其經濟效益研究。Email：hhdaixin@163.com袁越（1966—），男，博士，教授，研究方向為可再生能源發

電技術、分布式發電與供電技術、微型電網、智能電網等。Email：yyuan@hhu.edu.cn

王敏（1974—），女，博士，副教授，研究方向為可再生能源

發電技術、微型電網。Email：zhixinfu@yahoo.com.cn

2013-08-09；

2013-11-16

國家電網公司科技項目（電動乘用車充換電技術研究與示范）