考慮電動汽車分類的V2G消納風電優化策略*

劉都利，周任軍，孫洪

(長沙理工大學 智能電網運行與控制湖南省重點實驗室，長沙 410114)

0 引 言

隨著智能電網的發展，通過智能電網和電動汽車相結合的V2G技術實現網與車的雙向互動。在電網側，當負荷較低時電動汽車對過剩能量進行存儲；當負荷較高時電動汽車當作分布式電源進行“發電”[1-2]。在運營商方面，通過優化充放電策略以實現運營商利潤的最大化[3]。然而V2G優化策略中電動汽車種類多樣性以及車主充電行為的自主性決定了其不能簡單地被視為一個群整體模型，應充分考慮電動汽車合理分類后再進行有效調度。文獻[4]提出一種電動汽車分類調度策略，但將同一時段到站的車輛都按照相同的充電延時進行處理，忽視實際中不同車輛最大允許充電延時可能不同。文獻[5]只選取針對電動私家車進行分類后優化充電定價并未考慮其他類型的車以及放電定價。文獻[6]研究電動汽車充電設施綜合規劃，按照充電需求進行電動汽車不同類型的分類。總結目前考慮電動汽車分類的研究中，對分類的準則、分類的對象以及分類后研究的問題各有側重，極少有同時對不同的電動汽車依據各自充電需求偏好來進行分類。分類后的電動汽車中部分具備受控、可調度的屬性，利用充放電與間歇性新能源互補協調。

目前關于V2G參與風電消納的研究中，有計及碳排放的輸電網側風-車協調研究[7]、計及電動汽車負荷與風電出力不確定性的經濟調度研究[8]等。在市場方面的研究有通過電動汽車與電網互動減少棄風的商業模式與日前優化調度策略[9]，電動汽車與風機作為虛擬電場在電力市場中的競價策略[10]等。但已有相關研究對于電動汽車受控時段和充電需求進行簡化處理，很少將運營商的收益和電動汽車充放電對負荷影響共同考慮，優化策略上沒有考慮使用電價激勵與充電延時雙重結合的方法。

綜上所述，基于充電偏好和電動汽車出行特性將電動汽車分經濟型、合約型和常規型三類并分別功率建模，建立以運營商收益最大和電網負荷均方差最小的多目標函數。實現大規模電動汽車有序充放電以消納多余風電目標。通過對經濟型主要執行充放電價格激勵以消納多余的風電，對合約型主要采取延時充電方法以平抑需求側風谷差。算例對比三種優化策略，驗證了同時采取電價激勵和延時措施的策略能使綜合目標最優。

1 考慮偏好的電動汽車分類

1.1 電動汽車行使行為及其充電特性

現有觀念下的電動汽車基于用戶使用對象和用途一般分為公交車、出租車、公務車和私家車，其特性及其能源供給模式分析如表1所示。

表1 電動汽車行駛行為及其充電特性Tab.1 Driving behavior and charging characteristics of EV

1.2 考慮不同充電偏好的電動汽車分類及其特點

不同類型的電動汽車行駛行為和充電特征都不同，不能將其視為單一的群充電模型求解，但對于運營商而言，可以將符合同一滿意標準或者偏好的客戶進行歸類后統一調度充電。選取用戶最為關注的充放電價格、充放電電量、充放電時間等需求設置偏好，將電動汽車用戶對應地分為：經濟型、合約型和常規型三大類后進行分群充放電策略研究。各類具體特點及對比如表2所示。

經濟型用戶主要由私家車構成，因為群體多樣性，各車主的充放電電價期望標準不一致，所以當達不到自身期望電價時經濟型用戶表現為常規型。私家車每天的停駛率基本都在90%以上[7]，隨著大規模充電樁和充電站的建立及移動智能技術的發展，未來電動私家車經濟型用戶對電價作出迅速的響應成為可能，表現為不僅在電價低位對應的負荷低谷時進行充電，而且還能在電價高位對應的負荷高峰時向電網放電。

對于公交車和出租車而言，汽車每天行駛路線或者行程范圍固定、行為較簡單，此外為保證其運行可靠性，一般都有備用車輛可隨時(輪流)替補工作，因此公交車公司和出租車公司都可與運營商簽合約以獲取優惠電價，只要能充分保證下次正常用車時間有充足電量的車可供使用的前提下，車輛進站后可由運營商統一管理調配。與公交車類似的如環衛車、巡邏車、郵政車等部分公務車只要保證在使用時電量充足就可以，無需關注電量是在哪一段時間充滿,因此歸屬到合約型。

表2 考慮不同偏好的電動汽車分類及其特點Tab.2 Classification and characteristics of EV with different preferences

部分私家車和公務車以隨時用車和隨時充電作為自己偏好標準，這部分劃分到常規型。但當經濟型用戶沒有達到自身充放電電價偏好標準時，因不受電價激勵作用，此時表現為常規型。

2 各類型電動汽車充放電功率建模

2.1 經濟型客戶充放電功率建模

充電需求函數關系[6]：

(1)

(2)

(3)

放電需求函數關系：

(4)

P1,ev,t=N1C(t)p1C-N1D(t)p1D

(5)

(6)

(7)

2.2 合約型客戶充電功率建模

公交車公司或出租車公司與運營商簽訂固定合約后，公司旗下電動汽車到達充電站后，運營商讀取車載電池管理系統數據，收集汽車編號L、剩余電量、所需行駛里程，計算出編號L車此次充電時間tev,l。收集到站時間Tstart,L、下次用車時間Tnext,L，結合充電時間計算出最大可允許延時td,max。然后按這兩個數據歸類到統計矩陣Atev×tdmax×T：(1)按照充電時長tev不同分為3組(tev=1,2,3)。電動公交一般充電3～4小時可充滿，考慮公交車規定返回站點需剩一定電量，所以取充電時長最大取3；(2)按最大可允許延時td,max分為5組，合約型規定最小起步延時為4小時(td,max=0,4,5…,7)。td,max=0對應為立即充電無法延時，T表示一天24個時段。

延時矩陣Tdtev×tdmax×T為待優化變量，表示對應Atev×tdmax×T中各元素所需優化延時多久充電。規定t時段內可允許的最大延時時間相同的每列優化的延遲時間相同，反應在Td矩陣中表現為列向量相同。區別于文獻[5]僅考慮按不同的充電時間tev做不同的延時，將tev分3類再按可最大允許延時td,j,max分類后做不同延時，這樣的好處是更能充分滿足合約型客戶的滿意度。充電時長保證了合約型用戶對充電電量的偏好，而最大可允許延時的設置又充分考慮了車主的自主意愿。

未優化延時充電前，電動公交車一般早上6點開始運行，在運行7個小時后即下午13點需進站充電，得到公交車到站時刻概率分布圖如圖1所示[11]。

圖1 公交車到充電站時刻概率分布圖Fig.1 Probability distribution diagram of bus to station

未優化延時充電前，第t時刻合約型充電車輛：

N2,t,bofore=Ai,j,t+A2,j,t-1+A3,j,t-1+A3,j,t-2

i=1,2,3;j=1,2,…,5

(8)

而考慮了延時優化后的狀態矩陣:

(9)

注意此式表示的是一種邏輯關系而不是數量關系。具體的計算如下：

(10)

延時優化后配電網中所有合約型電動汽車在t時刻的充電車輛為：

N2,t,after=Bi,1,t+Bi,2,t-4+Bi,3,t-5+Bi,4,t-6+Bi,5,t-7+B2,j,t-1+B3,j,t-1+B3,j,t-2+B2,2,t-5+B3,2,t-5+B2,3,t-6+B3,3,t-6+B3,2,t-6+B2,4,t-7+B3,4,t-7+

B3,3,t-7+B2,5,t-8+B3,5,t-8+B3,4,t-8+B3,5,t-9

i=1,2,3;j=1,2,...,5

(11)

采取延時優化后，第t時刻合約型充電功率：

P2,ev,after=N2,ev,afterP2,0

(12)

式中P2,0為每臺合約型電動汽車充電功率。

2.3 常規型充電客戶功率建模

常規型汽車由于自主無序的充電特性，采用美國交通部關于全美家庭用車的調查統計數據來描述此類用戶的駕駛習慣和出行特點[12]。

常規型汽車充電起始時刻概率密度函數如下：

(13)

式中μs=17.6；σs=3.4。

常規型汽車日行駛里程數的概率密度函數：

(14)

式中μD=3.2；σD=0.88；

充電時長表達式為：

(15)

式中s為日行駛距離km；W100為電動汽車百公里耗能kW·h/100km；P3,0為充電功率。由此聯立前式可得到充電時長的概率分布f3,tev(x)。

常規型汽車t時刻正在充電(ζt=1)的概率為：

(16)

式中f3,tev為常規型充電時長的概率密度;ft為電動汽車充電起始時刻概率密度;t3,ev為常規型電動汽車充電時長;tevmax為常規型電動汽車充電時長t3,ev最大值。

常規型總的充電功率如下：

P3,ev(t)=p3,0×(Nall-Nbus-N1C,t-N1D,t)×P(ζt=1)

(17)

式中Nall、Nbus分別為城市內電動汽車總的保有量和合約型車(本文只考慮電動公交車)總的保有量。

3 電動汽車參與V2G消納風力的多目標調度策略的建立

為調動運營商積極參與消納風電的積極性以及考慮電網的安全運行的約束，建立以運營商收益最大化和電網負荷均方差最小的多目標優化函數。

3.1 第一目標函數

對于充電運營商而言，其目標是最大化V2G調控的收益。優化模型的目標函數如下：

(18)

(19)

(20)

3.2 第二目標函數

負荷均方差可用于表征電網負荷的波動情況，均方差越小，負荷變化越平穩，大規模電動汽車充放電需考慮對電網的影響。

(21)

式中PLoad,t、Pevt、PW分別為原配電網中負荷、電動汽車在t時刻的充電功率，以及風電系統在t時刻棄風功率。該式表征了電動汽車對負荷及風力發電系統出力日內波動的平抑能力。待優化變量為各時段內充、放電價和合約型用戶的充電延時間。

3.3 總目標函數

運營商期望收益函數f1越大越好，但為不造成負荷波動，又需負荷均方差f2小，建立總目標函數如下：

minF=λ2f2-λ1f1

(22)

式中λ1、λ2為權重，運營商基于充電需求函數、電動汽車出行特征以及棄風曲線、負荷等，將充電電價和充電延遲時間必須協調優化。一方面通過充放電價格信號激勵經濟型用戶參與系統調度，以消納新能源獲取收益;另一方面，根據合約型用戶能夠接受的最大允許延時tdmax，進行分組延時充電，以平抑配電網日內負荷波動。

注意到f1與f2表征物理意義不同，量綱不一致，分別除以不加任何優化措施下的初始值進行標幺化，得到最終目標函數：

minF=λ2f2/f2,0-λ1f1/f1,0

(23)

3.4 相關約束條件

電能平衡約束:

(24)

運營商為激勵經濟型用戶充放電行為應滿足：

(25)

(26)

針對合約車允許最大可延時時間：

td,j,max≤Tnext-Tstart-tev

(27)

(28)

式中tev由運營商根據車所剩電量、此次期望充電和平均充電功率確定；E為電池總容量。

合約型車采取了延時策略后的充電費用應小于未采取延時前的費用，有：

(29)

(30)

商業合作各參與方的風電消納收益分成因子的和應為1：

α1+α2+αoprater+αgrid+αpw=1

(31)

式中α1，α2，αoperator，αgrid，αpw分別為經濟型用戶、合約型用戶、運營商、電網和風電場的收益分成因子。

4 算例仿真結果分析

4.1 數據處理

城市電動汽車保有量總數Nall=50 000，公交車總數Nbus=5 000，經濟型車充電功率P1c=10 kW/h，放電功率P1d=10 kW/h，合約型車充電功率P2,0=90 kW/h，常規型車充電功率P3,0=90 kW/h，kkc=1.12，N1cmax=10 000,N1dmax=10 000,pd0=1,λ1=0.6、λ2=0.4。采用粒子群算法，對72個變量優化求解，取N=100，C1=2,C2=2,w=0.6,M=500,D=72。

運營商從電網購電電價如圖2所示，17點到19點因負荷一般處于高峰期間而電價較高，晚間24點到5點因負荷水平低所以電價較低[13]。

圖2 運營商從電網購電電價Fig.2 Operators purchase electricity price from Grid

4.2 不采取任何優化措施分析

延遲時間為0，所以P2,ev,before=P2,ev,after，如圖3各類型電動汽車充電曲線。

合約型汽車延時前后為同一負荷曲線，圖中兩處高峰是合約型汽車到站后因不延時而立即充電，新增充電車輛與原有充電車輛充電疊加的結果。又由于不采取電價激勵措施，故經濟型用戶表現為常規型，在圖中表現為經濟型用戶沒有曲線。

仿真一天24小時，不采取任何優化措施時，電動汽車充放電與棄風曲線共同對配電網負荷的影響。

圖3 各類型電動汽車充電曲線Fig.3 Various types of EV charging curves

圖4中“+”型實線代表多余風電(棄風曲線)情形，表示午夜2點至凌晨6點棄風嚴重。“*”形實線代表原有負荷、電動汽車、棄風曲線三者疊加結果。午夜2點至凌晨6點時段由于負荷處于低谷期，多余風電往往無法正常消納，導致棄風現象嚴重，多余風電接入配電網造成晚間負荷低谷更低的現象。而另一方面，由上文分析到大規模電動汽車的無序充電又會造成16點和19點高峰更高的現象。綜合來看，兩者加劇配電網一天負荷的峰谷差，給系統安全和經濟運行帶來挑戰。

圖4 電動汽車與棄風曲線共同對電網負荷的影響Fig.4 Influence of EV and wind abandon on network load

4.3 采取不同優化策略結果分析

4.3.1 策略1：只采取價格激勵措施

從圖5看出，優化后綜合曲線對比優化前在4點到7點出現向上偏移，而16點至22點間段內則表現為優化后比優化前的綜合曲線向下偏移，這是因為：受夜間多余風電的影響，風電場為消納多余風電，主動降低電價吸引經濟型用戶選擇晚間4點到7點充電。同時在10點到18點原有負荷較高時段內，經濟型用戶有V2G放電行為，向電網輸送電力。

然而，圖中綜合負荷曲線比原負荷曲線在14點到23點時間段還要多，表明只采取電價激勵的優化策略不足以降低峰谷差。

圖5 策略1下綜合負荷曲線圖Fig.5 Comprehensive load curve under the strategy of 1

4.3.2 策略2：只采取延時措施

如圖6所示，優化后綜合曲線比優化前24點至7點出現向上偏移，而15點至21點時間段內則表現為優化后比優化前的綜合曲線向下偏移，這是因為大規模合約型汽車充電時間段的延遲對晚間峰谷的“填平”作用以及消納風電的影響。

圖6 策略2下綜合負荷曲線圖Fig.6 Comprehensive load curve under the strategy of 2

然而，在16點到20點時間段，圖中綜合負荷曲線，比虛線代表的原綜合負荷曲線降低的額度有限，表面只采取延時的優化策略“填谷”作用明顯但“削峰”作用不明顯。

4.3.3 策略3：同時采用價格激勵與延時措施

經濟型用戶受電價激勵作用，從常規型表現為經濟型，在圖7中體現為經濟型用戶優化前沒有曲線而優化后有曲線。正因為部分常規型轉化為經濟型，所以常規型用戶數量減少。另外，由于采取延時措施，所以優化后的合約型車輛充電曲線相比于優化前表現為向后平移，原在16點的第一波充電負荷高峰因為延時出現在晚上21點，原出現在21點的第二波充電負荷高峰因為延時策略出現在晚上24點。

圖8可看出，優化后綜合曲線比優化前在24點到7點出現向上偏移，而16點到23點時間段內則表現為優化后綜合曲線比優化前向下偏移，這是因為：(1)大規模合約型汽車充電時間段避開晚高峰的“削峰”和延遲到晚低谷充電的“填平”作用;(2)受電價激勵策略影響，經濟型用戶在負荷高峰時段進行放電，并在夜間負荷低谷且風電出現富余時進行充電。

圖8 策略3下綜合負荷曲線圖Fig.8 Comprehensive load curve under the strategy of 3

4.3.4 三種策略的比較

從表3三種優化策略下的目標函數值可以看出，采取電價激勵措施的策略1和策略3收益明顯高于無優化和策略2時的收益，采取延遲措施的策略2和策略3的均方差比無優化和策略1要小。策略3綜合效果最優，這是因為：同時采取電價激勵措施和延時充電的雙重優化策略不僅能使經濟型用戶消納廉價風電增加利潤，而且還能調控合約型汽車將負荷高峰充電時間段移至低谷充電，有效地平抑了負荷波動。

圖9 三種策略綜合負荷曲線比較Fig.9 Comparison of three kinds of comprehensive load curves

表3 三種優化策略下目標函數值的比較Tab.3 Comparison of objective function values under three kindsof optimization strategies

5 結束語

針對V2G的電動汽車調度不能簡單被視為群整體模型問題，文章考慮充電偏好將電動汽車合理分為經濟型、合約型和常規型三類，建立以運營商收益最大和電網負荷均方差最小的多目標函數。得到以下結論：

(1)考慮電動汽車充電偏好的分類不僅保證用戶滿意度，而且給運營商提供了電動汽車調控權；

(2)對電動汽車的合理優化調度可有效降低電網等效負荷波動，增加棄風電場發電收入，增加電網、運營商售電利潤，以及電動汽車用戶滿足各自偏好的前提下降低充電成本；

(3)對比三種優化策略，運營商同時采取電價激勵和充電延時相結合的措施，能實現利潤與平抑負荷的綜合最優。為未來大規模電動汽車與新能源協同調度提供參考。