計及電動汽車充電排隊的微電網優化調度研究

李媛媛，葛 愿，徐正偉，湯 程，朱 澈

(安徽工程大學 電氣工程學院，安徽 蕪湖 241000)

由于傳統能源資源有限以及環境問題日益突出，可再生和環保為特征的新能源越來越得到世界各國的重視。以風、光等可再生能源為代表的分布式清潔能源發電技術的快速發展，使得新能源發電和儲能作為主電源的新一代并網微電網顯示出廣闊的應用前景[1]。為促進可再生能源消納，降低棄風、棄光率，并保證微電網系統的經濟穩定運行,通常由能量管理系統對微電網進行調度決策。微電網的經濟運行本質上是一個復雜的系統優化問題,包含機組組合、經濟負荷分配等諸多經濟調度問題[2]，如何調度供需側的可調度負荷以實現發用電資源的整體優化是現有研究的重點內容之一。

國內外諸多學者從用戶角度對可調度負荷的優化調度問題進行了研究。文獻[3]提出了一種荷網源協調實時同步消納的流程思路,以及考慮電網消納能力情況下的棄風棄光消納增量評估方法。文獻[4]提出了一種計及風光出力預測誤差的電力系統經濟調度模型，對提高電力系統的風光消納能力具有積極的影響。文獻[5]將電動汽車(Electric Vehicles,EV)加入儲能系統中，建立考慮蓄電池與電動汽車聯合儲能的微網優化調度策略。文獻[6]建立儲能系統的穩態模型與機組組合調度模型，研究了儲能系統參與機組組合和多時間段最優潮流問題，驗證了儲能系統可使全天各個時間潮流分布產生耦合作用，平衡風力發電機組承擔負荷分布,降低發電成本。文獻[7-8]將所接入的電動汽車的電池作為一種移動分布式儲能裝置，提出具有電動汽車接入的微電網多目標最優負荷調度模型，在電動汽車協調充電模式下，不但能夠有效地提高電力系統運行的穩定性，而且能夠有效地降低用戶的用電成本和環境污染。文獻[9]提出了以運營方收益最大為目標的含電動汽車與可控負荷的光伏智能小區兩階段優化調度模型，充分發揮電動汽車與可控負荷的調度潛能,提升運營方收益,降低用戶費用,改善系統負荷特性。文獻[10]中EV到達的時間約為9時,離開車位的時間約為17時，在分時電價機制下,研究EV和可轉移負荷同時參與的光伏微電網優化調度問題。上述文獻對EV在不同場景和機制下進行了研究，但是針對微電網環境下,考慮EV充電排隊的研究尚不多。

隨著消費者節能環保意識的不斷提高，電動汽車的擁有量日漸增多。由于充電樁安裝成本較高，充電站規模有限，導致充電站內充電樁數量有限。在現實生活中，電動汽車用戶到達充電站進行充電時可能會出現排隊的情況。基于上述背景，開展計及電動汽車充電排隊的微電網優化調度研究，建立電動汽車充電站內實時排隊模型。在綜合考慮諸多約束條件下，采用粒子群優化算法對微電網系統進行優化，以最小化系統綜合運行成本，實現發用電資源的整體優化。

1 調度模型的基本結構

微電網系統采用并網模式，系統中包括光伏發電、風力發電、儲能裝置、電動汽車、基本負荷。所提出的調度模型的目標函數是最小化微電網系統綜合運行成本。除一般約束外，模型中還考慮了電動汽車充電站內充電樁數量約束，調度模型的基本結構如圖1所示。

圖1 調度模型的基本結構

2 電動汽車充電排隊模型

電動汽車數量為N，充電站內充電樁數量為M(0

2.1 無排隊情況

電動汽車用戶到達充電站時，若充電站內有充電樁空閑，則不需要排隊，直接接入充電樁。若有多個充電樁空閑，默認用戶則按照序號從小到大選擇，分為以下兩種情況：

情況1：每日到達充電站的前M輛電動汽車不需要排隊，按順序分別接入1～M充電樁；

情況2：當第H(M

圖2 無排隊情況

2.2 有排隊情況

電動汽車用戶到達充電站時，若充電站內沒有充電樁空閑，即所有充電樁已被占用完，甚至可能還存在排隊情況，此時到達的用戶需要進行排隊。通過計算每個充電樁上電動汽車的離樁時刻，排隊車輛按順序排在離樁時刻最小的電動汽車后等待接入電網，接入電網時刻等于對應充電樁前一車輛離開時刻，離開時刻等于此車輛到達時刻加上停車時刻。記錄電動汽車初始SOC值、充放電功率、到達時刻、接入充電樁時刻、停車時長、離開時刻以及目標充電容量等參數。有排隊情況如圖3所示。

圖3 有排隊情況

3 微電網經濟調度模型

3.1 目標函數

大電網在發電過程中會產生硫化物、碳化物和氮氧化物等環境污染物，所以微電網的負荷優化調度不能只考慮經濟目標，也應滿足建設環境友好型社會的需要，因此，在調度模型中需要考慮環保成本。微電網的運行成本包括微電網與大電網之間的交易成本及環保成本，故所提出的調度模型的運行成本定義如下：

C=Cgrid+Cep,

(1)

式中,C表示微電網運行成本;Cgrid表示微電網與大電網之間交易成本;Cep表示環保成本。

(2)

(3)

大電網的能源結構主要由煤炭組成，在發電過程中會產生大氣污染物，有碳化物、氮化物、硫化物等，目標運行成本中應考慮環保成本[7，9]。

(4)

式中,r是污染物種類;R是污染物種類總數;ugrid為污染物排放系數;Cr為污染物處理成本。

3.2 系統約束條件

(1)微電網系統的功率平衡約束。微電網系統必須在電力供需之間保持平衡，這個等式約束可以描述如下：

Pwt+Ppv+Pgrid=Pload+Pev+Pbalt，

(5)

(2)電池充放電功率約束。電池充、放電功率過高都會對電池造成損害。為了延長電池的使用壽命，電池可以按照以下[11]的特定速率充電或放電：

(6)

(3)電池容量限制。電池的荷電狀態是指剩余容量與額定容量的比值。為防止儲能電池和電動汽車電池過充過放而降低其使用壽命，在參與調度的過程中，電池的SOC必須保持在一定范圍內，即有

(7)

4 算例分析

4.1 基礎數據

調度周期T取值24，以小時為單位進行仿真。光伏發電額定功率為110 kW，風力發電額定功率為50 kW，用于仿真實驗輸入的新能源發電的24 h輸出功率及基本負荷曲線如圖4所示。大電網與微電網之間的售/購電交易采用分時電價，假設售/購電價相同，具體價格如表1所示[10]。

圖4 新能源出力及基本負荷曲線 圖5 停車時長的概率密度曲線

表1 分時電價

假設電動汽車有5種車型，用戶擁有的車輛是5種車型中的隨機1種。為延長電池使用壽命，設置電動汽車充電容量為總容量的85%，電動汽車參數如表2所示。

表2 電動汽車參數

車型電池總容量/kWh充/放電功率/kW447.35.0538.17.2

停車時長在1～24時內服從比例參數為6，形狀參數為5的韋伯(Weibull)分布，停車時長的概率密度曲線如圖5所示。到達充電站時間在8～21時服從參數率為2.5的指數分布，到達時間的概率密度曲線如圖6所示。到達充電站時的初始SOC在變量20～70內服從標準差為45、均值為7的正太分布，到達時SOC的概率密度曲線如圖7所示。

圖6 到達時間的概率密度曲線 圖7 到達時SOC的概率密度曲線

4.2 求解方法

粒子群算法(Particle Swarm Optimization，PSO)是近年來由Eberhart博士等開發的一種新的進化算法，粒子僅具有兩個屬性：速度V和位置X，其中，V代表移動的快慢；X代表移動的方向。每個粒子通過跟蹤兩個“最優值”(個體最優值pbest，全局最優值gbest)來更新其速度和位置，速度和位置更新公式表示為：

Vi=ωVi+c1r1(pbesti-Xi)+c2r2(gbesti-Xi),

(8)

Xi=Xi+Vi,

(9)

式中，i=1,2,…，D,D為粒子總數；ω為慣性權重因子；c1和c2為學習因子；r1和r2為介于(0,1)之間的隨機數；ωs和ωe為慣性權重因子的初始值和終止值；l=1,2m，…,L,L為慣性權重為終止值時的值，默認為1 500。

算法流程具體步驟如下：

步驟1：輸入分時電價、新能源出力、儲能電池參數、環保參數、電動汽車及充電樁數量等參數；

步驟2：對電動汽車與充電樁進行配置，得到每個電動汽車對應參數及車輛充電排序結果；

步驟3：初始化PSO的參數,Y為最大迭代次數；

步驟4：開始迭代y=1；

步驟8：j=j+1，如果j

步驟9：y=y+1，如果y

步驟10：如果y>Y，則輸出全局最優解，過程結束。

4.3 仿真與分析

假設有20輛電動汽車，充電站內有8個充電樁，電動汽車排序結果如表3所示。當電動汽車接入充電樁，如電動汽車到達時間與停車時長之和大于24，那么離開時間設為24時。當車輛需要排隊充電時，車輛到達充電站時間與停車時長之和比前一車輛離開時間大3，這時車輛可以接入充電樁，接入充電樁的時間等于前一車輛離開時間，離開時間為到達充電站時間與停車時長的總和。由于充電樁數量及停車時長等約束條件限制，有電動汽車不能接入充電樁。

表3 電動汽車排序結果

將基本負荷加入系統中，系統調度方式有并網、儲能電池充放電、電動汽車充放電。將電動汽車按照排序結果接入充電樁，接下來對電動汽車和儲能電池進行調度，以最小化系統用電成本。利用粒子群優化算法對并網模式微電網進行負荷優化分配，優化分配結果如圖8所示。

圖8 并網模式負荷優化分配結果

由圖4和圖8可以看出，大約在01：00-09：00時段，PV及WT發電較少，不滿足負荷需求，且此時段電價較低，并網模式微電網向大電網購電較多，用于滿足負荷需求及給儲能電池充電；大約在10：00-12：00時段電價較高，儲能電池放電，電動汽車負荷總功率為正但負荷曲線存在波谷，此時段電動汽車總充電功率大于總放電功率，此時供電量大于需求電量，將剩余電量出售給大電網；大約在13：00-17：00時段，新能源發電充足且電價較低，儲能電池充電，此時段電動汽車總充電功率大于總放電功率，在不能滿足負荷需求時向大電網購電；大約在18：00-20：00時段電價較高，光伏發電較少，用戶用電量增加，風力發電不滿足負荷需求，此時段儲能電池放電，電動汽車在此時段部分時間段總放電功率大于總充電功率，并將多余電量出售給電網獲取更多收益。

電動汽車不參與充電排隊時指任意數量電動汽車任何時間到達充電站都可以接入充電樁。在不包含充電樁安裝成本與充電站占地成本的情況下，電動汽車參與充電排隊模型與電動汽車不參與充電排隊模型的運行成本如表4所示。由表4可知，在不包含充電樁安裝成本與充電站占地成本的條件下，電動汽車參與充電排隊模型的運行成本比電動汽車不參與充電排隊模型的運行成本低。由于充電樁安裝成本較高，如果電動汽車不參與充電排隊，需安裝更多充電樁，不僅占用更多公共土地資源，也會造成充電樁使用率降低。

表4 電動汽車排序結果

5 結論

開展計及電動汽車充電排隊的微電網優化調度研究，將基本負荷作為固定負荷加入并網微電網系統，采用粒子群算法對模型求解，通過對調度結果的分析，有如下結論：根據實際情況考慮充電樁數量限制，電動汽車按照先到先服務原則接入充電樁，合理安排使用次序，減少用戶排隊時間，提高充電樁使用率，降低微電網運行成本。所提調度策略可降低微電網系統綜合運行成本，為電動汽車需要排隊充電的并網微電網系統運行提供輔助決策支撐，提升調度運行的科學性及合理性，對微電網日后發展具有一定指導意義。需要指出的是，本電動汽車排序未考慮用戶的行為影響，例如有突發情況需要提前離開和因等待時間過長而選擇不在此充電站充電等情況。在未來研究中，將對電動汽車充電排隊模型做更深一步優化，綜合考慮快充和慢充，使之更貼近現實生活，完善并網微電網系統的調度模型。