計及電動汽車不確定性的微電網(wǎng)規(guī)劃研究*

蔣紅進，蔣紅彪，朱蘭，唐隴軍

(1．上海電力學(xué)院電氣工程學(xué)院，上海200090;2．金華供電公司計量室，浙江金華321000;3．國家電網(wǎng)華東電力調(diào)控分中心，上海200000)

0 引言

隨著環(huán)境污染和能源危機問題日益嚴(yán)峻，具有節(jié)能環(huán)保優(yōu)勢的分布式發(fā)電技術(shù)和電動汽車技術(shù)近年來得到快速發(fā)展［1］。分布式發(fā)電技術(shù)可以減小傳統(tǒng)火力發(fā)電給環(huán)境造成的壓力，將分布式發(fā)電接入電網(wǎng)，可以分擔(dān)電力負荷，但是由于大量分布式電源接入電網(wǎng)造成電力系統(tǒng)的不穩(wěn)定，針對這一問題，出現(xiàn)了通過微電網(wǎng)入網(wǎng)的形式。隨著政府政策的推廣和人們意識的提高，電動汽車也走入了人們的日常生活中，電動汽車屬于移動的儲能設(shè)備，若能充分利用電動汽車的儲能特性，在必要時刻通過電動汽車向電力系統(tǒng)反向送電(Vehicle-to-Grid，V2G)，將可以緩解電力負荷的壓力。基于兩者的優(yōu)點，微電網(wǎng)中接入電動汽車有可能成為一種緩解當(dāng)前能源需求與環(huán)境保護的有效模式［2］。

近年來，對于計及電動汽車的微電網(wǎng)相關(guān)專家已經(jīng)做了大量的研究。文獻［3-4］對電動汽車接入對電網(wǎng)、配網(wǎng)規(guī)劃的影響進行了綜述，文獻［5］提出了一種動態(tài)電價調(diào)整策略，充分調(diào)動電動汽車參與微電網(wǎng)的調(diào)度，實現(xiàn)微電網(wǎng)中可再生能源和電動汽車間的協(xié)調(diào)控制，文獻［6］提出了含電動汽車換電站的微電網(wǎng)優(yōu)化調(diào)度策略，并將換電站接入模式與傳統(tǒng)儲能電站接入模式進行了對比。文獻［7］建立了多時間尺度的電動汽車-風(fēng)電協(xié)同調(diào)度數(shù)學(xué)模型，分析了調(diào)度電動汽車充電以平滑電網(wǎng)等效負荷波動、消納夜間過剩風(fēng)電的可行性。文獻［8］從電動汽車參與微電網(wǎng)運行調(diào)度出發(fā)，建立了計及電動汽車的微電網(wǎng)電源優(yōu)化配置模型。文獻［9］從微電網(wǎng)的經(jīng)濟調(diào)度出發(fā)，建立了一種計及電動汽車的微電網(wǎng)儲能蓄電池容量的優(yōu)化模型。文獻［10］建立了考慮電動汽車儲能特性的電動汽車—微電網(wǎng)協(xié)調(diào)規(guī)劃模型，通過粒子群－模擬退火混合算法對最優(yōu)目標(biāo)下微電網(wǎng)系統(tǒng)能量單元規(guī)劃結(jié)果進行了研究。國內(nèi)外對計及電動汽車的微電網(wǎng)研究領(lǐng)域主要集中在微電網(wǎng)理論研究、微電網(wǎng)控制策略、微電網(wǎng)運行調(diào)度、微電網(wǎng)規(guī)劃的模型與算法等領(lǐng)域。已有的成果在對含電動汽車的微電網(wǎng)最優(yōu)規(guī)劃時較少涉及到電動汽車運行的不確定性，而準(zhǔn)確地對含電動汽車的微電網(wǎng)規(guī)劃研究有利于緩解由電動汽車接入電網(wǎng)所帶來的負荷壓力與分布式電源接入電網(wǎng)所帶來不穩(wěn)定性。

因此，文章將研究一種計及電動汽車不確定性的微電網(wǎng)規(guī)劃方法。首先，通過蒙特卡洛對電動汽車的使用特性進行仿真，得到電動汽車接入微電網(wǎng)時的荷電地點量(State of Charge，SOC)，接入微電網(wǎng)的時間段與離開微電網(wǎng)時的SOC限定值。然后，建立全壽命周期內(nèi)考慮電動汽車入網(wǎng)后的微電網(wǎng)規(guī)劃運行總成本最小的數(shù)學(xué)模型，最后，將上海市某辦公區(qū)域作為一個微電網(wǎng)，對其進行規(guī)劃和分析。

1 電動汽車

文中電動汽車均可以通過V2G技術(shù)接入微電網(wǎng)，就是把電動汽車作為一種移動儲能裝置。電動汽車作為分布式電源時，會受到電動汽車的使用特性、電池負荷容量以及電動汽車SOC值的限制。因此，對含電動汽車的微電網(wǎng)進行規(guī)劃之前，應(yīng)該先得到電動汽車接入微電網(wǎng)(下文出現(xiàn)的入網(wǎng)均指接入微電網(wǎng))時的初始SOC值、離開微電網(wǎng)(下文出現(xiàn)的離網(wǎng)均指離開微電網(wǎng))的SOC限定值和接入微電網(wǎng)的時間段。文中針對工作日下電動汽車的出行情況進行分析，電動汽車在辦公區(qū)與住宅區(qū)的停車時間較長，而休閑娛樂時間較短［11］，電動汽車在電量不足以下次出行的情況下，靠休閑區(qū)或商業(yè)區(qū)的短時充電可能會無法保證下次出行的需求，故設(shè)定工作日時電動汽車充電地點為住宅區(qū)和辦公區(qū)。文中從電動汽車的使用特性的角度出發(fā)，抽取入網(wǎng)之前的行駛里程、離網(wǎng)之后的行駛里程、入網(wǎng)的初始時間和停車時間，并且運用蒙特卡洛仿真來得到入網(wǎng)的初始SOC值、離網(wǎng)的SOC限定值和入網(wǎng)時間段。

1．1 電動汽車的使用特性

電動汽車早上離開家里出發(fā)去上班，行駛一定的里程后接入微電網(wǎng)，迎來電動汽車的停車高峰;在下午或夜晚返回家中，迎來電動汽車的駛離高峰［12］。電動汽車的時空特性見圖1。圖中EV(Electric Vehicle)表示電動汽車，T2、t1、t2和T1分別表示電動汽車的住宅區(qū)出發(fā)時刻、入網(wǎng)時刻、離網(wǎng)時刻和到達住宅區(qū)時刻。電動汽車早上受到上班時間的限制，途中的逗留時間很短，大概只有10 min～20 min左右，下午時間較寬裕，車主會因為休閑娛樂、購物吃飯等一些事務(wù)，在回家途中產(chǎn)生相對較長的逗留時間［13］。為了便于研究，文中僅考慮下班途中的逗留時間不計上班途中的逗留時間。

圖1 工作日電動汽車的時空特性Fig．1 Spatial and temporal characteristics of electric vehicles on working days

電動汽車下班后會呈現(xiàn)出回家，休閑娛樂和購物吃飯三種行為。根據(jù)馬爾科夫理論，車輛去往下一個地點的概率由當(dāng)前地點的行駛需求決定［14］。記Pij為從i地點轉(zhuǎn)為j地點的地點轉(zhuǎn)移概率。工作日電動汽車的出行鏈見圖2。出行鏈?zhǔn)侵笍某跏嫉爻霭l(fā)，經(jīng)過若干次出行之后，再次回到初始地的整個出行過程［15］。圖中 P12、P13和 P14分別為車主從辦公區(qū)行駛?cè)ネ蓍e區(qū)、住宅區(qū)和商業(yè)區(qū)的轉(zhuǎn)移概率，P23和P24分別為車主從休閑區(qū)去往住宅區(qū)和商業(yè)區(qū)的地點轉(zhuǎn)移概率，P43和P42分別為車主從商業(yè)區(qū)去往住宅區(qū)和休閑區(qū)的地點轉(zhuǎn)移概率。根據(jù)當(dāng)?shù)鼐用癯鲂姓{(diào)研數(shù)據(jù)統(tǒng)計，得到了不同轉(zhuǎn)移率的概率表。

圖2 工作日電動汽車的出行鏈Fig．2 Trip chains of electric vehicles on working day

1．2 電動汽車行駛里程

從圖1中可以知道，在計算電動汽車入網(wǎng)的初始SOC時，需要考慮入網(wǎng)之前的行駛里程;而在計算電動汽車離網(wǎng)時的SOC限定值時，需要考慮離網(wǎng)之后的行駛里程，同時，電動汽車在行駛途中可能會存在一些其他的用車需求，一般下午的行駛過程中產(chǎn)生的會比較多［11］。如果電動汽車的日行駛里程為d1，電動汽車早上從住宅區(qū)到辦公區(qū)之間的行駛里程為d2，電動汽車下午從辦公區(qū)到住宅區(qū)的行駛里程為d3，則三者滿足關(guān)系式(1)。由于d2和d3不一定相同，所以我們需要分開考慮行駛里程d2和行駛里程d3。

d1=d2+d3，d3≥ d2(1)

從圖2中可以得到，電動汽車在離網(wǎng)之后會呈現(xiàn)出不同的行駛鏈。現(xiàn)將圖2中的地點轉(zhuǎn)移概率轉(zhuǎn)化為電動汽車離網(wǎng)后所呈現(xiàn)出不同行駛鏈的概率，寫成矩陣形式為:

同樣根據(jù)概率矩陣P可寫出相對應(yīng)的不同行駛鏈的行駛里程矩陣d，表示為:

d= ( d4+d6+d7d4+d8d5+d6d5+d6+d8d2) (3)

式中d4為辦公區(qū)到休閑區(qū)的行駛距離;d5為辦公區(qū)到商業(yè)區(qū)的行駛距離;d6為休閑區(qū)到商業(yè)區(qū)的行駛距離;d7為商業(yè)區(qū)到住宅區(qū)的行駛距離;d8為休閑區(qū)到住宅區(qū)的行駛距離。

將不同行駛鏈的概率矩陣和同行駛鏈的行駛里程矩陣進行相乘，即得到了電動汽車離網(wǎng)后從辦公區(qū)到住宅區(qū)的行駛里程d3。

d3=dP (4)

1．3 電動汽車模型

1．3．1 電動汽車入/離網(wǎng)SOC限制

為了保證電動汽車隔天的行駛順利，車主回到住宅區(qū)時會將電動汽車充滿，也就是電動汽車會以滿電的地點離開家。從圖1中知道，電動汽車在入網(wǎng)之前行駛了d2的里程，行駛過程中會消耗一部分電動汽車電量，假設(shè)電動汽車到達住宅區(qū)時的荷電地點量為SOC1，表達式如式(5)所示。為了讓電動汽車離網(wǎng)時能夠順利地進行下一次的行駛，剩余電量應(yīng)該滿足出行里程為d3的需求。基于電池壽命的考慮，一般不會將電池電量耗盡才進行充電，假定剩余電量不應(yīng)低于20%［16］，所以，電動汽車離網(wǎng)時荷電地點SOC2應(yīng)滿足式(6)。

式中SOCm為電動汽車離開住宅區(qū)時的荷電地點量;Q為電動汽車每公里耗電量;Ebat為電動汽車電池容量。

1．3．2 蒙特卡洛仿真

對含電動汽車的微電網(wǎng)進行規(guī)劃研究之前，首先抽取入網(wǎng)之前的行駛里程d2，電動汽車到達辦公區(qū)的時間t1，停車時間ΔT1和電動汽車下班后辦公區(qū)到住宅區(qū)可能的行駛里程 d4，d5，d6，d7，d8，然后運用蒙特卡洛仿真對電動汽車使用特性進行模擬，最后得到所有電動汽車的入網(wǎng)的初始SOC值、離網(wǎng)的SOC限定值和入網(wǎng)的時間段。

2 微電網(wǎng)模型

文中研究的微電網(wǎng)系統(tǒng)是由光伏電池，風(fēng)機，柴油機，儲能蓄電池，電動汽車以及負荷組成，其中電動汽車在負荷高峰時，作為電源接入電網(wǎng)，向負荷供電;負荷低谷時，電動汽車又可以作為負荷接入電網(wǎng)充電，故電動汽車與電網(wǎng)交流母線的電能交換采用了雙向符號表示。各微源出力模型見文獻［17］。

3 含電動汽車的微電網(wǎng)規(guī)劃模型

3．1 決策變量

決策變量定義如下:Xk為微電網(wǎng)第k個微電源的規(guī)劃容量;Pk(t)為第k個微電源在第t個時段的出力;PkEV(t)為第k輛電動汽車在第t個時段的放電功率(電動汽車充電功率為負，放電功率為正)。

3．2 供電經(jīng)濟性

3．2．1 設(shè)備成本

設(shè)備主要考慮微電網(wǎng)中的光伏電池、風(fēng)機、柴油機和蓄電池，電動汽車為私人所持有，購車成本和運行維護不計入此部分成本。設(shè)備成本考慮初始投資成本、運行維護成本和置換成本，可表示為:

式中f(c1)為設(shè)備等年值總成本;i為貼現(xiàn)率;l為系統(tǒng)壽命期望值;fc1－()q為設(shè)備的全壽命周期總成本;f(c1－init) ，f(c1－om) ，f(c1－rep) 分別為設(shè)備初始投資成本、運行維護成本現(xiàn)值和置換成本現(xiàn)值;f(cpv－init) ，f(cwt－init) ，f(cbess－init) ，f(cde－init) 分別為光電，風(fēng)電，蓄電池和柴油機的初始投資成本現(xiàn)值;f(cpv－om) ，f(cwt－om) ，f(cbess－om) ，f(cde－om) 分別為光電，風(fēng)電，蓄電池和柴油機的運行和維護成本現(xiàn)值;f(cbess－rep)，f(cde－rep) 為蓄電池和柴油機的置換成本現(xiàn)值。通常光伏電池和風(fēng)機的壽命預(yù)計可達15年，而柴油機和蓄電池的壽命相對較短，文中系統(tǒng)全壽命周期為15年。因此，全壽命周期內(nèi)光伏電池和風(fēng)機不存在置換成本，柴油機和蓄電池存在置換成本。

3．2．2 燃料費用

由于光伏和風(fēng)力發(fā)電利用的是可再生能源，沒有燃料費用的投入，文中的燃料費用指的是柴油機的燃料費用。可表示為:率;pde為柴油機的燃料價格;Pde(t)為t時段的柴油發(fā)電機發(fā)電功率。

3．2．3 電動汽車交互費用

負荷高峰時，電動汽車作為電源接入電網(wǎng)，向負荷供電，此時微電網(wǎng)將向電動汽車支付一定的費用;負荷低谷時，電動汽車又可以作為負荷接入微電網(wǎng)充電，此時微電網(wǎng)將賺取電動汽車的購電費用。

f(c3) =f(c3－di) － f(c3－ch) (9)

式中f( c3)為電動汽車與微電網(wǎng)的交互費用;f(c3－di)為電動汽車放電費用;f(c3－ch)為電動汽車充電費用;N為電動汽車的數(shù)量;ptdi為t時段電動汽車放電價格;ptch為t時段電動汽車充電價格。

結(jié)合以上的3個經(jīng)濟指標(biāo)，微電網(wǎng)的總等年值成本可表示為:

f=f( c1)+f( c2)+f( c3)(10)

3．3 優(yōu)化目標(biāo)

為了探討不同電動汽車接入情況下微電網(wǎng)的供電經(jīng)濟型，規(guī)劃的目標(biāo)函數(shù)為minf。

以微電網(wǎng)的總等年值成本為目標(biāo)，通過尋優(yōu)得到微電網(wǎng)的最優(yōu)供電方案。

3．4 約束條件

(1)功率平衡約束

在規(guī)劃期內(nèi)微電網(wǎng)中所有的微電源，包括接入的電動汽車在內(nèi)，在第t個時段發(fā)的功率之和不小于第t個時段的負荷。

Ppv(t)+Pwt(t)+Pbess(t)+Pde(t)+PEV(t)=P(t)

(11)

式中Ppv(t)、Pwt(t)和Pde(t)和分別為t時段光電、風(fēng)電和柴油機的發(fā)電功率;Pbess(t)為t時段蓄電池放電功率;PEV(t)為t時段電動汽車放電功率;P(t)為負荷功率。

(2)微電網(wǎng)中各微源的規(guī)劃容量約束

Xpvmin≤Xpv≤Xpvmax(12)

Xwtmin≤Xwt≤Xwtmax(13)

Xdemin≤Xde≤Xdemax(14)

式中Xpvmax，Xpvmin分別為光伏電池的容量上下限;Xwtmax，Xwtmin分別為風(fēng)機的容量上下限;Xdemax，Xdemin分別為柴油機的容量上下限。

(3)微電網(wǎng)中各微源出力約束

Ppvmin≤Ppv(t)≤Ppvmax(15)

Pwtmin≤Pwt(t)≤Pwtmax(16)

Pdemin≤Pde(t)≤Pdemax(17)

式中Ppvmax，Ppvmin分別為光伏電池的出力上下限;Pwtmax，Pwtmin分別為風(fēng)機的出力上下限;Pdemax，Pdemin分別為柴油機的出力上下限。

(4)蓄電池荷電地點上下限約束

SOCbessmin≤SOCbess(t)≤SOCbessmax(18)

式中 SOCbessmin為蓄電池剩余容量最小值;SOCbessmax為蓄電池剩余容量最大值。

(5)蓄電池充放電功率約束

Pbessmin≤Pbess(t)≤Pbessmax(19)

式中Pbessmin為蓄電池充電功率上下限;Pbessmax為蓄電池放電功率上限(蓄電池充電功率為負，放電功率為正)。

(6)蓄電池最大充電率限制約束

－Pbess(t)≤［SOCbessmax－SOCbess(t)］αc(20)式中αc為蓄電池的最大充電率。

(7)電動汽車動力電池荷電地點約束

SOCEVmin≤SOCEV()t≤SOCEVmax(21)

式中SOCEVmin為電動汽車動力電池最小允許剩余容量值;SOCEVmax為電動汽車動力電池最大允許剩余容量值。

(8)電動汽車動力電池放電功率約束。PEVmin≤PEV()t≤PEVmax(22)式中PEVmin為電動汽車動力電池充電功率下限;PEVmax為電動汽車動力電池放電功率上限。

4 算例分析

4．1 參數(shù)設(shè)置

選取上海某辦公區(qū)的微電網(wǎng)數(shù)據(jù)進行仿真求解及分析［18］。該地區(qū)平均輻照度是4．161 kW·h/(m2·d)，平均風(fēng)速約為3．7 m/s，日最大負荷221 kW。該算例的微電網(wǎng)中包括容量上限為100 kW的光伏電池;容量上限為33 kW的風(fēng)電機組;容量上限為310 kW的柴油發(fā)電機;容量上限為100 kW·h的鉛酸蓄電池組;同一車型的電動汽車20輛。仿真中設(shè)置柴油機的燃料價格為6．4 ￥/L，柴油機的發(fā)電率為0．4 kW·h/L。電動汽車的平均行駛速度為25 km/h，具體參數(shù)附錄表1已給出。電動汽車入網(wǎng)之前的行駛里程d2和離網(wǎng)之后可能的行駛里程d4～d8均服從對數(shù)正態(tài)分布，其中 lnd2服從 N(3．1，0．3)，lnd4和 lnd5服從 N(2．5，0．25)，lnd6服從 N(1．8，0．3)，lnd7和 lnd8服從 N(3．3，0．35)，單位均為km［19］。電動汽車入網(wǎng)時刻t1遵循正態(tài)分布N(8，0．8)，單位為h。電動汽車入網(wǎng)停車時間ΔT1服從正態(tài)分布 N(480，40)。

4.2 計算結(jié)果

用Lingo軟件編程規(guī)劃優(yōu)化算法。為便于分析，將未考慮電動汽車接入的微電網(wǎng)規(guī)劃方案稱為方案1，考慮電動汽車接入微電網(wǎng)規(guī)劃方案稱為方案2，進行仿真。方案1和方案2的規(guī)劃結(jié)果如表1所示。

從表1中可以看出，該微電網(wǎng)規(guī)劃中各種微源的配置并沒有發(fā)生改變，可能是由于本算例中電動汽車接入微電網(wǎng)的時間段較少包含晚上的用電高峰時段，為了在負荷高峰時滿足用電需求，仍需配置相應(yīng)容量的微源，表2是對各項投資進行列表研究。

表1 方案1和方案2的規(guī)劃結(jié)果對比Tab．1 Comparison of planning results for scenario 1 and scenario 2

表2 方案1和方案2的投資費用對比Tab．2 Comparison of investment costs for scenario 1 and scenario 2

從表2中可以看出，運行程序結(jié)果方案1的總費用為1 082 151．6 ￥，方案2的總費用為1 013 806．4￥，比方案1減少了6．3%，可見考慮電動汽車接入微電網(wǎng)，參與V2G模式可以實現(xiàn)規(guī)劃總成本的降低，在這兩個方案中，太陽能電池均配置到最大容量，而風(fēng)機均配置為11 kW，是由于當(dāng)?shù)氐奶柲苜Y源相對豐富而風(fēng)力資源相對匱乏。

4 ．3 深入分析與探討

(1)以最大負荷日當(dāng)天為例來分析接入電動汽車的柴油機的出力變化情況。

表3 方案1和方案2柴油機出力對比Tab．3 Comparison of diesel engine output for scenario 1 and scenario 2

圖3 柴油機在有無電動汽車接入下出力情況對比Fig．3 Comparison of diesel engine output in the presence of electric vehicles

由表3的列表數(shù)據(jù)可以得到柴油機在最大負荷日當(dāng)天的總出力情況，不接入電動汽車時一天總的出力為2 364．736 kW·h，接入電動汽車的情況下一天總的出力為 2 292．996 kW·h，減少了 71．74 kW·h。由圖3的柴油機出力的變化曲線也可以看出，電動汽車接入微電網(wǎng)后，柴油機的總體出力情況是有所減少的，這是因為在本方案中柴油機的發(fā)電價格為2．56￥/kW·h，而電動汽車作為電源向微電網(wǎng)負荷供電，微電網(wǎng)系統(tǒng)支付給電動汽車用戶的價格為0．8￥/kW·h，相比較之下，從電動汽車處購電的成本小于柴油機的發(fā)電成本，優(yōu)先考慮從電動汽車處充電，因此電動汽車作為移動儲能裝置的接入，代替了部分柴油機的出力，從而減少了柴油機發(fā)電所需要的燃料費用，降低了規(guī)劃成本。

(2)電動汽車接入時間變化對規(guī)劃結(jié)果的影響。

通過Matlab對電動汽車使用特性進行蒙特卡洛仿真模擬發(fā)現(xiàn):方案2中，絕大部分電動汽車接入微電網(wǎng)的時間為8:00～18:00。圖3可以看出，該日的負荷曲線高峰出現(xiàn)在20:00，數(shù)值為221 kW，而此時微電網(wǎng)系統(tǒng)中，電動汽車作為電源的出力非常少，若要研究電動汽車的調(diào)峰作用，需要改變程序中電動汽車的接入時間，讓大部分電動汽車的接入時間覆蓋峰荷峰值的時間段，為了便于分析，現(xiàn)將全部電動汽車的接入時間延長3個小時，使大部分電動汽車接入微電網(wǎng)時間為8:00～21:00，記該方案為方案3，進行仿真，觀察結(jié)果的變化情況如表4所示。

表4 方案3規(guī)劃結(jié)果Tab．4 Planning results for scenario 3

從表4中可以看出，方案3的電源配置發(fā)生了變化，主要體現(xiàn)在柴油機容量減少了19 kW，相應(yīng)的總投資和燃料費用也得到了減少。具體的投資費用如表5所示。

表5 方案1、方案2和方案3投資費用對比Tab．5 Comparison of investment costs for scenario 1，scenario 2 and scenario 3

從表5中可以看出，方案3的總投資為985 120￥，比方案2的總投資1 013 806．4 ￥減少了3%，主要是由于電源的配置發(fā)生了改變，柴油機的容量減小了19 kW，導(dǎo)致初始的投資和運行維護費用以及燃料費用都會有所減少，具體來說，方案3中，柴油機的燃料費用為825 882 ￥，比方案2中的860 756．4 ￥減少了4%，相應(yīng)的，由于電動汽車參與了夜間高峰的出力，對應(yīng)的電動汽車交互費用，也就是微電網(wǎng)支付給電動汽車用戶的購電費用有所增加，由方案2中的31 066．172 ￥變化為方案3中的41 964．16 ￥，比方案2增加了35%。隨著電動汽車入網(wǎng)時間的延長，電動汽車會在高峰時段進行放電，同時也會需要向微電網(wǎng)獲得更多的電量來使它能夠在負荷高峰時段放電，這導(dǎo)致表6中柴油機最大負荷日的出力只有小幅度的減少。總體來說，總投資還是有所減少。

表6 方案1，方案2和方案3柴油機出力對比Tab．6 Comparison of diesel engine output for scenario 1，scenario 2 and scenario 3

為了更好地分析電動汽車的調(diào)峰效果，這里用最大負荷日的日負荷曲線來進行分析。

圖4 日負荷曲線在電動汽車是否參與晚間調(diào)峰的變化情況對比Fig．4 Comparison of daily load curve in the electric vehicle whether to participate in eve-peak regulation

圖4 所示為最大負荷日曲線在沒接入電動汽車、接入電動汽車但不參與晚間調(diào)峰與接入電動汽車并參與晚間調(diào)峰3種情況下的曲線變化，由圖可以看出，該日的峰荷出現(xiàn)在20:00左右，其值為221 kW，接入電動汽車并且延長其接入時間至21:00，可以看出峰值降低為188 kW，降幅為33 kW，達到15%，在負荷高峰時，電動汽車作為電源向負荷供電，分擔(dān)了其他分布式電源出力的壓力。

(3)電動汽車數(shù)量變化對規(guī)劃結(jié)果的影響。

在方案2中，由于接入微電網(wǎng)的電動汽車數(shù)量不多，導(dǎo)致柴油機的總體出力減小的并不是很多，若要研究電動汽車數(shù)量對微電網(wǎng)規(guī)劃的影響，這時需要改變電動汽車接入微電網(wǎng)的數(shù)量。因此，現(xiàn)將電動汽車數(shù)量增加到40輛，記該方案為方案4，進行仿真，觀察結(jié)果的變化情況如表7所示。

表7 方案4規(guī)劃結(jié)果Tab．7 Planning results for scenario 4

由表7可以看出，各個電源的容量配置較方案1、2并沒有發(fā)生改變，是因為夜間高峰還是只有極少數(shù)量的電動汽車接入，其他微源的出力要滿足負荷的需求，故與沒有電動汽車接入的情況下微源的配置情況一樣。下面分析規(guī)劃投資費用，費用列表見表8。

表8 方案1，方案2和方案4投資費用對比Tab．8 Comparison of investment costs for scenario 1，scenario 2 and scenario 4

從表8中可以看出，方案 4的總投資為966 968．8 ￥，比方案2的總投資1 013 806．4￥減少了4．6%，主要是由于微電網(wǎng)向電動汽車的購電成本價格低于柴油機的發(fā)電成本，更多的電動汽車接入微電網(wǎng)，導(dǎo)致初始的投資和運行維護費用以及燃料費用都會有所減少，具體來說，方案4中，柴油機的燃料費用為792 628．4 ￥，比方案2中的860 756．4 ￥減少了7．9%，相應(yīng)的，由于更多電動汽車接入微電網(wǎng)，對應(yīng)的電動汽車交互費用，也就是微電網(wǎng)支付給電動汽車用戶的購電費用有所增加，由方案2中的31 066．172￥變化為方案4中的52 356．24￥，比方案2增加了68．53%。

為了更好地分析電動汽車數(shù)量改變的效果，這里以最大負荷日的柴油機的出力來進行分析。

圖5 柴油機的出力情況Fig．5 Situation of diesel engine output situation

圖5 所示為柴油機在沒接入電動汽車、接入20輛電動汽車與接入40輛電動汽車3種情況下的出力變化情況，圖中可以看出，當(dāng)更多的電動汽車接入微電網(wǎng)后，柴油機的總體出力情況會有明顯的減少。

(4)分析放電電價改變對規(guī)劃結(jié)果的影響。

考慮到電動汽車的放電成本，研究電動汽車放電電價對本算例規(guī)劃的影響，改變放電電價，使其為2．6 ￥/kW·h，記該種情況為方案5，進行仿真，得到表9所示結(jié)果。

表9 方案5規(guī)劃結(jié)果Tab．9 Planning results for scenario 5

表10 方案1 和方案5 投資費用對比Tab． 10 Comparison of investment costs for scenario 1 and scenario 5

由規(guī)劃結(jié)果可以看出，方案5的規(guī)劃結(jié)果與方案1不帶有電動汽車的規(guī)劃結(jié)果完全相同，并且規(guī)劃投資沒有改變，在本方案中取柴油機的發(fā)電價格為2．56￥/kW·h，而電動汽車作為電源向微電網(wǎng)負荷供電，微電網(wǎng)系統(tǒng)支付給電動汽車用戶的價格，即購電的成本價格為2．6 ￥/kW·h，相比較下，從電動汽車處購電的成本大于柴油機的發(fā)電成本，優(yōu)先考慮選擇柴油機發(fā)電。因此在放電電價為2．6￥/kW·h的情況下，接入電動汽車的規(guī)劃方案并不經(jīng)濟，無法減少微電網(wǎng)的規(guī)劃成本，因此這種情況下還是選擇原有的規(guī)劃方案成本最低。

5 結(jié)束語

結(jié)合具體的算例，對帶有電動汽車的微電網(wǎng)規(guī)劃進行研究分析。首先，運用蒙特卡洛對電動汽車的使用特性進行了仿真，然后，采用Lingo編程解決非線性規(guī)劃模型，得到計及電動汽車不確定性的微電網(wǎng)最經(jīng)濟的電源配置情況。分析結(jié)果表明，電動汽車的接入減少了微電網(wǎng)的規(guī)劃成本，在方案2中通過電動汽車代替微電源中的柴油機出力，從而減少柴油機發(fā)電的燃料成本來降低微電網(wǎng)系統(tǒng)的規(guī)劃總投資。在方案3中，電動汽車參與夜間調(diào)峰，使得規(guī)劃結(jié)果中柴油機的配置容量有所減小，從而減小了初始投資以及運行和燃料費用，從而減小了總投資。在方案4中，增加電動汽車的數(shù)量，使更多的電動汽車代替柴油機，同樣減小了總投資。在方案5中，改變了電動汽車的放電價格，價格的提高使得微電網(wǎng)不選擇從電動汽車處購電而是采取原有的規(guī)劃方案來保證投資的最小化，這種情況說明，電動汽車的放電價格對本例的規(guī)劃有一定的影響，當(dāng)電動汽車的放電電價過高不利于經(jīng)濟性時，系統(tǒng)還是會選擇建立微源來保證投資的最小化。