電動汽車與分布式電源的微網經濟調度

談麗娟，趙彩虹，陳子奇，胡駿

（南京師范大學電氣與自動化工程學院，江蘇 南京 210042）

電動汽車與分布式電源的微網經濟調度

談麗娟，趙彩虹，陳子奇，胡駿

（南京師范大學電氣與自動化工程學院，江蘇 南京 210042）

微網［1-2］是一種將分布式電源、儲能單元和負荷等集中在一起，形成新的可控單元的能源模式，由于能夠很好地消納各種分布式能源，正受到越來越多的關注。太陽能和風能由于本身具有的隨機性和波動性，在微網中必須配置一定的儲能裝置才能正常運行，這也增加了微網的運行成本［3］。而電動汽車作為一種特殊的負荷，其特有的電動汽車入網技術（V2G）對于接入微網運行具有很大的益處。

需求側管理（Demand Side Management，DSM）是指采用有效的方式來引導用戶優化用電方式，從而優化資源配置，改善和保護環境以達到最小成本電力服務的目的［4］。在分時電價的背景下，以微網作為運行平臺，用戶側根據自己的需求來調度電動汽車的充放電行為，并與分布式電源的發電進行協調互補，將有利于微網的穩定經濟運行。

目前，已有一些文獻對可再生資源與電動汽車的聯合調度問題做了一些研究［5-6］。文獻［7］構建了計及可入網電動汽車和風電機組的不確定性的隨機經濟調度模型并以IEEE118節點系統為例說明了所提出的隨機經濟調度模型的基本特征。文獻［8］提出了一種考慮風電和光伏出力不確定性的地區電網的電動汽車充電調度方法，建立了電動汽車充電的多目標非線性混合整數優化調度模型，但是對基于微網系統的電動汽車與分布式電源的經濟調度方面的研究還比較少。本文在分析分布式發電模型的基礎上，提出了電動汽車與風光電能協同調度的多目標優化模型，并基于微網系統驗證了其有效性。

1 微網單元模型

1.1 風電模型

本文假設風速滿足Weibull分布［9］，其概率密度函數為：

式（1）中，v為風速；k為形狀參數；c為尺度參數。

風力發電機發出的有功功率與風速之間滿足如下的函數關系式［10］：

式（2）中，Pr為風力發電機的額定功率，kW；vci為切入風速；vco為切出風速；vr為額定風速；v為實際風速，m/s。

1.2 光伏發電模型

在最大功率追蹤模式下，可用下式計算任意條件下PV的最佳工作電流、電壓［7］：式（3）—（4）中，IPV、VPV為任意條件下光伏電池的最佳工作點電流和電壓；Isc為短路電流；Voc為開路電壓；Imp、Vmp為最大功率點電流和電壓；TA為環境溫度；α為光伏電池組件電流溫度系數；β為光伏電池組件電壓溫度系數。

因此，光伏陣列的輸出功率為PPV=IPVVPV。

1.3 蓄電池模型

蓄電池由于具有電壓穩定，供電可靠的優點，故將其作為微網的儲能單元。蓄電池在t時刻的儲能狀態與t-1時刻的電池荷電量以及t-1至t時刻的系統總體儲能狀況有關。當系統發電量大于負荷電量時，蓄電池處于充電狀態；系統發電量不足以供負荷用電時，且蓄電池還存有電量時，則放電充當電源的作用。蓄電池在t時刻的荷電量可以表示為：

2 多目標優化模型

經濟調度問題是一個多目標優化問題，包含多種指標和約束條件，與傳統的單目標函數優化不同，本文從系統運行和用戶參與等多角度提出電動汽車和分布式電源調度的多目標優化模型。數學模型可描述為：

式（5）中，gi（x）為m個不等式約束條件；hj（x）為n個等式約束條件。

2.1 目標函數

1）發電系統的運行成本f1最低。該成本包括風力發電機和光伏陣列的運行維護成本fw和管理成本fm。

其中，

式（5）—（8）中，fw為各發電單元的運行維護成本總和，元；Kw（w）、Kw（pv）、Kw（ev）、Kw（ba）分別為風力發電機、光伏陣列、電動汽車放電和蓄電池的運行維護系數，元/（kW·h）；Pw，i（t）、Ppv，i（t）、Pev，i（t）、Pba，i（t）分別為風力發電機、光伏陣列、電動汽車和蓄電池在t時段發出的功率，kW；Δtw為各發電單元每個時段的運行時間，h；fm為各發電單元的運行管理成本總和，元；Km（w）、Km（pv）分別為風力發電機和光伏陣列的運行管理成本系數，元/（kW·h）；Δtw為各發電單元每個時段的運行時間，h。相關參數值參考表1。

表1 發電系統成本參數Tab.1 Cost parameters of power systems

2）系統等效負荷波動f2最小。標準差越小表明各數據點距離平均值的距離越短，即負荷波動越小，對于系統的穩定運行也更有利；反之則波動大。由于風力發電和光伏發電具有波動性，供電可靠性不高，通過優化電動汽車的充放電行為可以有效地平抑負荷波動，從而減少因負荷波動引起的設備頻繁動作，減小分布式電源對系統運行的影響。式（9）—（11）中，T為一天的時長；NK為一天中的采樣點總數，即24；Pav為平均負荷功率；Ps（t）、P（t）、Pev（t）、Pw（t）、Ppv（t）分別為t時段系統的等效負荷功率、負荷功率、電動汽車充放電功率、風電功率和光伏發電功率。

3）電動汽車車主的充放電成本f3最低。車主通過選擇在電價低的谷時充電儲存電能，在電價相對較高的負荷高峰期通過V2G服務將電能釋放出來，從而獲得一定的收益。

式（12）中，r（t）為t時段電動汽車車主給汽車充電的價格；q（t）為t時段電動汽車車主參與V2G活動時提供電能的電價；Δt為每個時段的充放電時間。Pev（t）＞0為充電過程；Pev（t）＜0為放電過程.

2.2 約束條件

1）系統功率供需平衡。式（13）中，Pload（t）為t時刻系統中所有的負荷功率，kW；Pw（t）、Ppv（t）為t時刻風力發電機和光伏陣列提供的功率，kW；Pev（t）為t時刻電動汽車的充放電功率，kW。

2）為了保證各分布式電源的穩定運行，每臺分布式電源的發電容量必須滿足相應的上下限。式（14）中，PmaxDG，i、PminDG，i為第i臺DG的出力上下限。本文風機和光伏發電系統的出力上限分別為60 kW和30 kW。

3）電動汽車充放電功率限制

電動汽車充放電時，需要考慮單位時段的充放電的最大和最小功率值，可表示為：式（15）中分別為第i臺電動汽車在時段t的充放電功率上下限。

4）電池荷電狀態值SOC

SOC值是指電池處在一定放電倍率下，余電量與相同條件下額定容量的比值。通過SOC值可以很好地反映電池的剩余電量，充放電過程中電池的SOC值有一定的限制。

式（16）中，SOCev，i為第i臺電動汽車的荷電狀態、分別為電動汽車荷電狀態的上下限。本文取

2.3 多目標遺傳算法

本文采用含約束條件處理的NSGA-II［11］算法來求解以上模型。NSGA-II是在NSGA的基礎上改進而得出的，最重要的特點是采用了快速非支配排序和擁擠機制。前者使得搜索過程收斂到Pareto最優解，降低了計算非支配序的復雜度，后者則保證了Pareto最優解的多樣性。

3 算例分析

本文以某地區的微網為例進行優化調度的仿真分析。調度周期為一天，時段為24 h。假設該系統獨立運行，即整個微網不從電網吸收功率，用電負荷由內部的分布式風力發電、光伏發電、蓄電池儲能系統和電動汽車聯合提供電能。

3.1 仿真數據

1）與微網相對應的秋季典型日負荷曲線如圖1所示。

圖1 微網日負荷曲線Fig.1 Daily load demand of microgrid

2）由式（1）計算出風速，然后通過式（2）求得風力發電機的輸出功率。根據當天每分鐘的光照量和環境溫度，結合式（3），利用最大功率跟蹤法可以求得光伏電池組的輸出功率。根據風速和光照強度數據采用本文的分布式發電模型生成的分布式發電有功出力數據如圖2所示。

圖2 可再生資源發電量Fig.2 Power generation of renewable sources

3）假定微網中可供負荷調配的電動汽車共有30輛，每小時充電功率上限為12 kW，放電功率上限為30 kW，即。

3.2 仿真結果

本文采用NSGA-II來求解提出的多目標優化模型，其具體參數設置如下：種群規模pop=100，進化代數gen=200，交叉概率Pc=0.9，變異概率Pm=0.05。其充放電價格參考表2。

表2 電動汽車充放電價格Tab.2 Charge and discharge price of EV元/（kW·h）

3.2.1 不考慮EV的放電

情景一下將電動汽車只作為充電負荷調度，不考慮其放電作為電源的作用。當分布式電源提供的電量不足以滿足負荷的要求，蓄電池進行放電補充，若電池電量放完也無法滿足，只能采用切負荷的方式。若系統提供的電量能滿足負荷的用電量要求，且有剩余的電量，蓄電池也處于適宜充電的狀態，則給電池充電儲存電量。在情景一下得出的Pareto最優解如圖3和表3所示。

圖3 情景一的Pareto最優解分布圖Fig.3 Distribution of Pareto optimal solution for Scenario 1

表3 情景一的Pareto前沿解集Tab.3 Pareto frontier solution set of Scenario1

本文對最終方案的選取原則是：首先，滿足系統的等效負荷波動最小，有利于系統的穩定運行，提高供電可靠性；其次，為了鼓勵用戶參與到微網的聯合調度，盡量使用戶的充電成本最小；最后，系統的供電成本也要控制在一定的范圍之內，即本文的多目標選擇先后順序為f2-f3-f1。經過比較分析，電動汽車的充電選擇表3的方案1，如圖4所示。

圖4 電動汽車充電功率Fig.4 Charging power of electric vehicles

由電動汽車的充電負荷分布圖3—4可以看出，當系統所需電力負荷不多，并且分布式電源的發電量比較充足時，是電動汽車的充電高峰期，如圖時段9：00-16：00。當系統電力負荷需求較多，而分布式電源出力不是很充足時，電動汽車充電量較少，如時段18：00-24：00?？紤]到晨間充電電價較低，時段1：00-7：00為電動汽車充電高峰期。

3.2.2考慮EV的充放電

在此情景二下不再只把電動汽車作為負荷來考慮，發揮出儲能優勢，在供電充足的情況下，將多余的電能存儲在電動汽車電池中，用電緊張時作為移動式儲能電源供應電能，從而平衡供用電。為了顧及電動汽車用戶的利益，電動汽車電池的儲能順序要優先于蓄電池儲能。在情景二下得出的Pareto最優解如圖5和表4所示。

圖5 情景二的Pareto最優解分布圖Fig.5 Distribution of Pareto optimal solution for Scenario 2

表4 情景二的Pareto前沿解集Tab.4 Pareto frontier solution set of Scenario2

比較圖6和圖1、圖2可以發現，電動汽車的充放電分布符合一定的規律，在早間時段1：00-8：00，此時負荷需求量不大，而且充電價格也相對便宜，電動汽車用戶的充電行為較為集中；在時段13：00-23：00，隨著供電負荷的需求增加和風機和光伏電池的發電量減少，電動汽車的放電次數也隨之增加，向微網釋放電能以緩解用電壓力。

圖6 電動汽車充放電功率Fig.6 Charging and discharge power of electric vehicles

通過比較情景一和情景二的仿真結果表3和表4，可以看出由于加入了電動汽車的儲能作用，雖然作為分布式電源的供電成本有一定的增加，情景二的f1數值較情景一略有增長，但是給電動汽車用戶帶來了可觀的收益，由原來的支付充電成本變為獲得放電收入，有效地提高了用戶參與微網調度的積極性，并減少了系統的負荷波動，提高了微網運行的經濟性和可靠性。同時也利用電動汽車電池的儲能吸收了可再生能源的發電量，減少了資源的浪費。

4 結論

本文通過建立電動汽車和分布式電源的經濟調度的多目標優化模型，從不同角度考慮了多方的利益，并通過不同的方案設計加以比較分析。在含有分布式發電的微網系統中加入電動汽車特有的儲能功能進行充放電，可以更好地匹配分布式電源和負荷功率的波動，最大限度地利用可再生資源，節省儲能配置費用，并使車主獲得經濟收益，減少充電成本。

［1］丁明，張穎媛，茆美琴，等.包含鈉硫電池儲能的微網系統經濟運行優化［J］.中國電機工程學報，2011，31（4）：7-14.

DING Ming，ZHANG Yingyuan，MAO Meiqin，et al. Economic operation optimization for microgrids including Na/S battery storage［J］.Proceeding of the CSEE，2011，31（4）：7-14（in Chinese）.

［2］TSIKAL AKIS A G，HATZIARGYRIOU N D.Centralized control for optimizing microgrids operation［J］.IEEE Trans on Energy Conversion，2008，23（1）：241-248.

［3］李樂，黃偉，馬雪玲.超級電容器儲能系統在微電網中的應用［J］.陜西電力，2010（8）：12-16.

LI Le，HUANG Wei，MA Xueling.Application of super capacitor energy storage in micro-grid［J］.Shaanxi Electric Power，2010（8）：12-16（in Chinese）.

［4］王蓓蓓，李楊，高賜威.智能電網框架下的需求側管理展望與思考［J］.電力系統自動化，2009，33（20）：17-22.

WANG Beibei，LI Yang，GAO Ciwei.Demand side management outlook under smart grid infrastructure［J］. Automation of Electric Power System，2009，33（20）：17-22（in Chinese）.

［5］于大洋，宋曙光，張波，等.區域電網電動汽車充電與風電協同調度的分析［J］.電力系統自動化，2011，35（14）：24-29.YU Dayang，SONG Shuguang，ZHANG Bo，et al.synergistic dispatch of PEVs charging and wind power regional Power Grids［J］.Automation of Electric Power System，2011，35（14）：24-29（in Chinese）.

［6］HERTZER J，YU DC，BHATTARAI K.An economic dispatch moedel incorporating wind power［J］.IEEE Trans on Energy Conversion，2008，23（2）：603-611.

［7］ZHAO Junhua，WEN Fushuan，YANG Zhao，et al.Dong optimal dispatch of electric vehicles and wind power using enhanced particle swarm optimization［J］.IEEE Transactions on Industrial Informatics，2012，8（4）：889-899.

［8］張學清，梁軍，張利，等.計及風光電源的一種地區電網電動汽車充電調度方法［J］.電工技術學報，2013，28（2）：28-35.

ZHANG Xueqing，LIANG Jun，ZHANG Li，et al.Approach for plug-in electric vehicles charging scheduling considering wind and photovoltaic power in Chinese regional power grids［J］.Transactions of China Electrotechnical Society，2013，28（2）：28-35（in Chinese）.

［9］WANG M Q，GOOI H B.Spinning reserve estimation in microgrids［J］.IEEE Trans.Power System，2011，26（3）：1164-1174.

［10］王瑞琪，李珂，張承惠.基于混沌多目標遺傳算法的微網系統容量優化［J］.電力系統保護與控制，2011，39（22）：16-22.

WANG Ruiqi，LI Ke，ZHANG Chenghui.Optimization allocation of microgrid capacity based on chaotic multiobjective genetic algorithm［J］.Power System Protection and Control，2011，39（22）：16-22（in Chinese）.

［11］李惠玲，白曉民，譚聞，等.基于智能電網的動態經濟調度研究［J］.電網技術，2013，37（6）：1547-1554.

LI Huiling，BAI Xiaomin，TAN Wen，et al.Research on dynamic economic dispatch based on smart grid［J］.Power System Technology，2013，37（6）：1547-1554（in Chinese）.

（編輯 徐花榮）

Economical Dispatch for Microgrids of Electric Vehicles and Distributed Power

TAN Lijuan，ZHAO Caihong，CHEN Ziqi，HU Jun

（Department of Electrical and Automation Engineering，Nanjing Normal University，Nanjing 210042，Jiangsu，China）

微網的運行可以很好地利用分布式能源，并實現需求側管理的效益最大化，但是分布式電源的波動性使得微網的運行風險增加，同時也需要一定的儲能投資。電動汽車電池作為一種儲能裝置可以為微網系統運行提供輔助服務。建立了分布式發電和電動汽車經濟調度的多目標優化模型，以微網系統運行成本最低、系統等效負荷波動最小以及電動汽車車主的充電成本最少為目標，求得電動汽車的充放電功率，很好地配合了系統負荷以及分布式電源的出力波動，優化了系統的運行。

微網；電動汽車；分布式電源；多目標優化

The operation of microgrids can make good use of distributed energy and achieve maximum benefit of demand side management，but the volatility of distributed power increases the risk of running microgrids and requires certain investments for storage.Electric vehicles battery as a storage device can provide support services for the operation of micro-grid system.The multi-objective economical dispatch optimization model of distributed generation and electric vehicles is established in this paper which aims at the lowest operating costs of microgrid system，minimum equivalent load fluctuations of system and minimal charging cost of electric vehicle owners to obtain the electric vehicle charging and discharging power.The model has proved to able to well coordinate with the system load and fluctuations of distributed power output and optimize the operation of the system.

microgrid；electric vehicle；distributed generation；multi-objective optimize

1674-3814（2015）04-0100-06

TM734

A

2014-10-22。

談麗娟（1990—），女，碩士研究生，研究方向為電動汽車入網；

趙彩虹（1958—），女，教授，研究方向為智能電網、電力系統穩定與控制。