基于V2G技術的電動汽車實時調度策略

陳凱炎，牛玉剛

基于V2G技術的電動汽車實時調度策略

陳凱炎，牛玉剛

(華東理工大學化工過程先進控制和優化技術教育部重點實驗室，上海 200237)

隨著電動汽車逐漸普及，其對電網的影響也不斷擴大。為加強電動汽車與電網間協作，充分利用電動汽車在電網能量調度中的高度靈活性，提出一種基于V2G技術的電動汽車實時調度策略。首先以降低充電成本和網損成本為目標，建立電動汽車調度模型。然后通過構建網損靈敏度指標分析電網節點性能，基于電網負荷制定分時電價，通過潮流計算和凸優化算法實時求解得到電動汽車充放電策略。最后以IEEE 33節點配電網為例驗證了所提策略可以有效降低充電成本與網損成本，同時分析了電動汽車滲透率、V2G占比對車網協作效果的影響。

電動汽車；V2G；網損；實時優化

0 引言

電動汽車(Electric Vehicle, EV)作為一種使用清潔能源、零排放的新型交通工具，在近年來得到廣泛使用。隨著電動汽車在電力系統中的滲透率逐步升高，其對電力系統的影響力也日益增大。自然狀態下電動汽車的充放電行為具有較大的盲目性和隨機性，難以實現個體與電網的協作。根據電動汽車相關統計，電動汽車入網時間分布與電網負荷變化規律大致吻合，即在峰值時刻充電需求大，非峰值時刻充電需求小。因此電動汽車無序充電極易加劇負荷峰谷差，使電網承擔更大的壓力。大量電動汽車的無協作充電則可能對電網整體穩定性產生不利影響，造成額外的經濟損失[1-3]。

電動汽車具有其他負荷類型所不具備的靈活性和可調度性。此外，部分電動汽車具有電池電量回饋電網(Vehicle-to-Grid, V2G)的能力，即該類電動汽車既可視為負荷，也可視為儲能電池[4-5]。若通過合理的調度策略充分利用V2G技術，對電動汽車充放電行為進行規劃，加強車車、車網之間的協作，不僅可以進一步降低電動汽車充電成本和網損成本，還可以達到服務電網，改善電網負荷曲線的效果[6-7]。

為對電動汽車進行有序控制，文獻[8]提出了一種集中式算法，使電動汽車在保證電網穩定的前提下最大化充電速率，結果表明有序充電下能量利用率和負荷曲線均有改善；文獻[9]以充電站運營商購電成本最小為目標，提出了電動汽車分時充電價格的制定方法，實現智能電網中充電負荷的友好接入；文獻[10]提出模糊化的電動汽車充電網絡規劃模型，采用遺傳算法對電動汽車充電進行多目標優化。這些研究表明電動汽車有序充電可以同時兼顧多個目標，效果顯著。但未考慮電動汽車能量回饋電網，僅將電動汽車視作一種高度靈活的負荷。

為加強電動汽車與電網的雙向協作，文獻[11]基于電力市場模型闡述了具有充放電能力的電動汽車對負荷調度、能源成本的影響；文獻[12]在滿足電網功率限制條件下提出了考慮用戶因素的電動汽車充放電控制策略，使運營商和用戶均獲益；文獻[13]通過對發電量和負載統計建模進行日前優化，使包含電動汽車負荷的日負荷曲線更好地跟蹤發電曲線。這些研究強調利用V2G技術，但未在調度中充分考慮網損等與電網密切相關的評價指標，其調度策略缺乏實際性。

基于上述分析，本文提出了一種結合電網模型的電動汽車實時調度策略，對大規模電動汽車進行有序控制。充分考慮電動汽車與電網的協作能力，通過構建網損靈敏度指標分析節點性能，將電動汽車充放電行為與網損成本結合，基于潮流計算和凸優化算法進行實時規劃，在保證按時完成充電任務的前提下充分利用電動汽車V2G功能降低充電成本和電網的網損成本，同時具有改善電網負荷波動、提升電網穩定性的效果。

1 電動汽車調度模型

電動汽車調度策略由調度中心制定并執行[14]。調度中心是一個負責實現區域內電動汽車與電網協作的信息中心，具有采集、發布信息和計算的能力。電動汽車入網后就需要接受調度中心的集中調度。如圖1所示，在用戶將電動汽車接入電網后，用戶需要為其車輛設定離網時間和目標電量，并將這些信息與電動汽車的初始電量等數據上傳到調度中心。在接入電網的時間內，電動汽車處于可調度狀態，其充放電行為受調度中心控制。調度中心在保證按時完成所有車輛充電任務的前提下制定充放電調度策略，并在電動汽車達到離網時間時將其切出電網。

其中：為第i輛電動汽車的可調度時間；為入網時間；為用戶設定的目標離網時間。

同時，電池電量在可調度時間內的任意時刻均滿足：

1.1 成本分析

1) 充電成本

系統實時電價關于每個時間段內的總負荷線性變化，即：

電動汽車充電總成本為

2) 網損成本

電動汽車接入電網節點后，以節點注入功率的形式對電網產生影響。在電網實際運行中，網損是造成的經濟損失的一大來源。對含有條支路的電網進行潮流計算，支路的有功損耗為

時間段內的網損成本為

則網損總成本為

3) 總成本

一個調度循環周期內所有電動汽車完成充電任務的總成本為

1.2 問題描述

本文目標為在保證完成電動汽車充放電任務的前提下，使總成本最小。則優化問題表述如下：

subject to:

(19)

2 電動汽車實時調度策略

2.1 實時算法的優化范圍

全局算法得到最優調度策略的前提是準確的電動汽車全天預測數據。而電動汽車入網時間、初始狀態具有較大的隨機性，不宜使用全局算法[15]。本文采用的實時調度策略不需要電動汽車全天預測信息，而是對每個時間段內處于可調度狀態的電動汽車進行實時優化，得到針對當前時間段的最優調度方案。

如圖2所示，為使實時算法的充放電規劃能充分配合一定時長內的基礎負荷變化情況，其優化范圍動態變化。優化范圍的大小取當前時間段可調度車輛的剩余可調度時間的最大值：

圖2 各時間段的優化范圍

如圖3所示，每個時間段計算得到的調度策略長度均為相應的優化時間窗，如Solution 1長度為3。電動汽車將收到的調度策略的首部作為當前時間段的充放電策略，如時間段2所選用的策略為S2-1。全天的調度策略即由這些部分組成。

圖3 各時間段的調度策略

2.2 網損靈敏度指標

電動汽車充放電行為引起的網損成本與節點性能緊密相關。同時，在優化迭代過程中調度策略會為各節點分配不同的負荷量，直接通過潮流計算的方式計算網損會大大增加優化過程的耗時，導致調度中心不能及時向所有電動汽車用戶提供充放電規劃。因此考慮使用網損靈敏度(Power Loss Sensitivity, PLS)作為決策的輔助手段。

網損靈敏度表示網損對節點注入功率的靈敏度，宏觀上可以視為電網節點增加單位負荷量后引起的網損大小。計算網損靈敏度時，首先將當前時間段的基礎負荷分配到電網中，再依次計算網損關于節點有功功率的偏微分，表達式為

此外，網損靈敏度基于電網基礎負荷計算得到，即每個時間段對應一組網損靈敏度。由于調度策略采用的基礎負荷為日前預測數據，因此可以在每日調度開始前將所有時間段的網損靈敏度離線計算完畢。在后續優化過程中只需要依據電動汽車在相應節點的充放電行為即可計算網損靈敏度指標，從而避免了反復進行潮流計算。

2.3 算法描述

根據上述分析，將1.3節的優化問題修改如下。

subject to:

由于目標函數為凸函數，并且所有約束條件均為線性約束，因此該優化問題可以采用凸優化方法解決。本文采用內點法進行求解。在得到充放電控制矩陣后取首列作為當前時間段的調度策略執行。將基礎負荷與電動汽車負荷更新到電網中進行潮流計算，計算當前時間段的網損成本和充電成本。在一個調度循環周期結束后計算總成本。

圖4 實時優化流程圖

3 仿真實例

3.1 仿真環境

仿真環境基于IEEE 33節點配電網測試系統建立[16]。該測試系統結構如圖5，電壓基準值12.66 kV，平衡節點為節點1。

負荷數據來自文獻[17]中的2011年美國交通部對全美家用車輛行駛的調查結果(National Household Travel Survey, NHTS)，包括電動汽車用戶的行駛特性、入網時間、初始荷電狀態等關鍵參數。

圖5 IEEE 33節點配電網測試系統

圖6 各時間段入網電動汽車數量

圖7 電動汽車初始荷電狀態

其他仿真相關參數設置如表1。其中，電動汽車電池最大容量15 kWh，用戶的目標離網電量為滿電，充電、放電速率上限均為3 kW。

表1 仿真相關參數設置

考慮到調度策略的連續性，要求每日6:00前完成當前周期內所有車輛充電任務，同時更新日基礎負荷預測數據。因此，本文仿真的初始時刻為6:00，至次日6:00結束。

在原始狀態下，電動汽車從接入電網開始以允許的最大充電速率充電，電池充電完畢后切出電網。由此得到原始動態下總負荷與基礎負荷對比情況如圖8所示。電動汽車大量接入的時刻與基礎負荷的峰值時刻相近，導致大量電動汽車在電網負擔較大時進行充電，充電成本和網損成本大大增加。而在3:00附近為電網非峰值時刻，電網負擔較小，電價較低，僅有少量電動汽車進行充電。

圖8 原始狀態總負荷與基礎負荷對比

基于基礎負荷計算各時間段的網損靈敏度。圖9為=1時的各電網節點網損靈敏度。

圖9 t=1時各電網節點網損靈敏度

顯然節點18、節點33等節點具有較大的網損靈敏度，在網損靈敏度指標計算中會產生較大的影響。其中節點1為電網模型中的平衡節點，網損靈敏度為0，且該節點禁止接入電動汽車。

3.2 仿真結果分析

3.2.1充放電行為分析

根據圖10、圖11的負荷統計，調度中心針對出現在12:00附近、20:00附近的基礎負荷峰值均進行了規避，避免高電價充電。由于峰值大小間接決定了調度中心的調度能力，因此在峰谷差距較小的12:00附近，電動汽車凈負荷變化并不明顯。導致這一現象的另一原因是此時接入電網并可供調度的電動汽車數量有限，無法實現接大規模的負荷轉移。由圖12可以看到，在12:00附近，V2G車輛放電供應其他車輛充電，使得電動汽車凈負荷接近于零。

圖10 調度后總負荷與基礎負荷對比

圖11 調度后電動汽車凈負荷

在峰谷差距較大的20:00附近，電動汽車凈負荷為負，電動汽車的充放電行為具體表現為大量V2G車輛向電網饋電，少部分僅支持充電的電動汽車進行充電。由圖12可以看到20:00附近由于大量電動汽車進行放電，調度后總負荷明顯低于基礎負荷曲線，負荷峰值時期的充電成本與網損成本得到大幅降低。

圖12 電動汽車充放電行為記錄

此外，在3:00、15:00等非峰值時刻，電網整體負擔較輕，電動汽車的充放電行為具體表現為集體充電，抬高了非峰值時刻總負荷。

對具體數據分析發現，原始狀態下電網總負荷峰值為19:00的826.5 kW，次峰值為12:00的791.0 kW，總負荷最低值為4:00的601.8 kW，峰谷差為224.7 kW，標準差為73.7。應用調度策略后總負荷峰值為14:00的777.9 kW，并且在11:00至21:00內總負荷均保持在745.3~777.9 kW。總負荷最低值為5:00的654.7 kW，峰谷差為123.2 kW，標準差為46.5。

從宏觀上來看，實時算法實現了在較大時間范圍內的負荷轉移，達到了削峰填谷的效果。這也是所提策略能夠降低各項成本的主要原因。

3.2.2充電成本與網損成本分析

2.2節的分析表明，充電成本與網損成本均與總負荷曲線緊密相關。

對調度前后的案例進行成本分析。原始狀態下充電成本為1 931.4元，網損成本177.5元，平均每車每日總成本為21.1元；調度后充電成本為1 743.5元，網損成本為163.4元，平均每車每日總成本為19.1元。

調度后充電成本降低9.7%，網損成本降低7.9%，平均每車每日總成本降低9.5%。

圖12同時也表明大部分電動汽車的充放電行為較為規律，表現為峰值時期放電，低谷時期充電。僅有極少量電動汽車在入網時間內進行了反復多次的充放電，因此本調度策略也在一定程度上降低了電池損耗的成本。

3.3 V2G比例對車網協作的影響

如圖13所示，隨著V2G比例的升高，總負荷曲線逐漸趨于平緩。在抑制負荷波動的效果上，三個案例均取得良好的效果，這主要是因為算法對充電行為也進行了充分規劃，起到了負荷轉移的作用，而放電行為的規劃令負荷曲線進一步趨于平滑。三個案例中，50%比例相對于25%比例提升較為明顯，在峰值時期負荷有較為明顯的降落，在非峰值時刻負荷有較為明顯的抬升，峰谷差縮小。而75%比例相對于50%比例有一定的改善，但提升較小。本算法對V2G比例的要求并不嚴苛，在V2G比例為50%左右時，即可取得比較理想的結果。

圖13 不同V2G比例下的負荷調度情況

表2表明，在本文的電價制度下，對于電動汽車用戶來說，電動汽車放電是一種降低總成本的有效手段。當電網中的電動汽車V2G比例較低時，出現負荷緊張時對放電行為的需求度較高，電動汽車放電效果明顯，成本大幅降低；但是當V2G比例較高時，電量需求被大幅稀釋，因此成本無法進一步降低。

表2 不同V2G比例下的調度效果

3.4 滲透率對車網協作的影響

統計數據表明電動汽車正處于高速發展中，電動汽車在電網中的滲透率也隨之升高。考量不同滲透率下電動汽車對電網的影響非常重要[18-20]。不同滲透率的電動汽車在本算法調度下表現如圖14。

圖14 不同滲透率下的負荷調度情況

電動汽車滲透率分別為10%、20%、30%時的負荷曲線表明隨著滲透率增加，電動汽車削峰填谷的能力得到增強，負荷曲線更加平坦，意味著在本文電價制度下總成本進一步降低。調度效果如表3所示。

值得注意的是，在12:00的次峰值附近，三種滲透率的負荷曲線區別不大。一是由于此時可調度車輛較少；二是由于此時負荷波動幅度較小，在滲透率較小的情況下電動汽車也能起到良好的調節效果。在20:00的峰值附近和3:00的低谷值附近，30%滲透率的電動汽車表現明顯優于其余兩者，表明較高的滲透率保證了電動汽車有充足的負荷吞吐量，用于應對大規模的負荷波動[21-22]，防止出現某一時間段的充電成本與網損成本過高的情況。

表3 不同滲透率下的調度效果

以上實驗表明，采用所提的調度策略對電動汽車充放電行為進行規劃時，所有電動汽車均能按時按量完成用戶設定的充電任務。在此基礎上，調度策略有效降低了充電成本與網損成本，同時還具有改善電網負荷曲線的效果。

調度策略對V2G比例的要求并不苛刻。V2G比例為25%時依然可以取得較好的效果。隨著V2G比例的提升，調度效果有所改善。

調度策略的效果對電動汽車滲透率比較敏感。在高滲透率的案例中，總成本與負荷曲線的改善效果更明顯。從調度循環周期來看，在初始時段電網中的可調度車輛總數較少，對電能的吞吐量不足，調度中心對電網負荷的調節能力相對薄弱；在中間時段隨著大量電動汽車入網，調度中心對負荷峰值的響應能力大大提升，能更好地實現降低成本的調度目標。

4 結論

本文提出了一種基于V2G技術的電動汽車實時調度策略，根據網損靈敏度值表分析節點性能，利用潮流計算與凸優化算法得到充放電策略。仿真表明本文方法能夠有效降低電動汽車充電成本與電網的網損成本。主要結論如下：

1) 在分時電價制度下，采用凸優化算法實時求解得到的充放電策略可以在按時完成充電任務的前提下有效降低充電成本與網損成本。

2) 策略制定時通過構建網損靈敏度指標充分考慮了節點性能對成本的影響，同時簡化了網損成本計算過程。

3) 所提策略在不同的電動汽車滲透率和V2G占比下均有降低成本、優化負荷曲線的效果。

[1] HAFIZ F, DE QUIEROZ A R, HUSAIN I, et al. Charge scheduling of a plug-in electric vehicle considering load demand uncertainty based on multi-stage stochastic optimization[C] // North American Power Symposium, September 17-19, 2017, Morgantown, WV, USA: 1-6.

[2] WEN C K, CHEN J C, TENG J H, et al. Decentralized plug-in electric vehicle charging selection algorithm in power systems[J]. IEEE Transactions on Smart Grid, 2012, 3(4): 1779-1789.

[3] 王彪, 尹霞. 實時電價下含V2G功能的電動汽車理性充放電模型及其分析[J]. 電力系統保護與控制, 2016, 44(24): 90-96.

WANG Biao, YIN Xia. Modeling and analysis on the rational charging and discharging of electric vehicle with V2G function under real-time prices[J]. Power System Protection and Control, 2016, 44(24): 90-96.

[4] 張祥文, 江星星, 王龍. 配電網接納電動汽車能力評估方法研究[J]. 電力系統保護與控制, 2015, 43(12): 14-20.

ZHANG Xiangwen, JIANG Xingxing, WANG Long. Research on assessment methods of distribution network’s ability of admitting electric vehicles[J]. Power System Protection and Control, 2015, 43(12): 14-20.

[5] 馬益平. 考慮電動汽車調度的微電網混合儲能容量優化配置[J]. 電力系統保護與控制, 2017, 45(23): 98-107.

MA Yiping. Hybrid energy storage capacity optimization configuration for micro-grid considering EV scheduling[J]. Power System Protection and Control, 2017, 45(23): 98-107.

[6] 肖浩, 裴瑋, 孔力. 含大規模電動汽車接入的主動配電網多目標優化調度方法[J]. 電工技術學報, 2017, 32(增刊2): 179-189.

XIAO Hao, PEI Wei, KONG Li. Multi-objective optimization scheduling method for active distribution network with large scale electric vehicles[J]. Transactions of China Electrotechnical Society, 2017, 32(S2): 179-189.

[7] 舒雋, 唐剛, 韓冰. 電動汽車充電站最優規劃的兩階段方法[J]. 電工技術學報, 2017, 32(3): 10-17.

SHU Jun, TANG Gang, HAN Bing. Two stage method for optimal planning of electric vehicle charging station[J]. Transactions of China Electrotechnical Society, 2017, 32(3): 10-17.

[8] RICHARDSON P, FLYNN D, KEANE A. Local versus centralized charging strategies for electric vehicles in low voltage distribution systems[J]. IEEE Transactions on Smart Grid, 2012, 3(2): 1020-1028.

[9] 常方宇, 黃梅, 張維戈. 分時充電價格下電動汽車有序充電引導策略[J]. 電網技術, 2016, 40(9): 2609-2615.

CHANG Fangyu, HUANG Mei, ZHANG Weige. Research on coordinated charging of electric vehicles based on TOU charging price[J]. Power System Technology, 2016, 40(9): 2609-2615.

[10] 丁丹軍, 戴康, 張新松, 等. 基于模糊多目標優化的電動汽車充電網絡規劃[J]. 電力系統保護與控制, 2018, 46(3): 43-50.

DING Danjun, DAI Kang, ZHANG Xinsong, et al. Network planning for electric vehicle charging based on fuzzy multi-objective optimization[J]. Power System Protection and Control, 2018, 46(3): 43-50.

[11] VAGROPOULOS S I, BALASKAS G A, BAKIRTZIS A G. An investigation of plug-in electric vehicle charging impact on power systems scheduling and energy costs[J]. IEEE Transactions on Power Systems, 2017, 32(3): 1902-1912.

[12] 王鑫, 周步祥, 唐浩. 考慮用戶因素的電動汽車有序充放電控制策略[J]. 電力系統保護與控制, 2018, 46(4): 64-69.

WANG Xin, ZHOU Buxiang, TANG Hao. A coordinated charging/discharging strategy for electric vehicles considering customers’ factors[J]. Power System Protection and Control, 2018, 46(4): 64-69.

[13] 劉東奇, 王耀南, 袁小芳. 電動汽車充放電與風力/火力發電系統的協同優化運行[J]. 電工技術學報, 2017, 32(3): 18-26.

LIU Dongqi, WANG Yaonan, YUAN Xiaofang. Cooperative dispatch of large-scale electric vehicles with wind-thermal power generating system[J]. Transactions of China Electrotechnical Society, 2017, 32(3): 18-26.

[14] XIA M, LAI Q, ZHONG Y, et al. Aggregator-based interactive charging management system for electric vehicle charging[J]. Energies, 2016, 9(3): 1-14.

[15] SACHAN S, ADNAN N. Stochastic charging of electric vehicles in smart power distribution grids[J]. Sustainable Cities and Society, 2018, 40: 91-100.

[16] BARAN M E, WU F F. Network reconfiguration in distribution systems for loss reduction and load balancing[J]. IEEE Transactions on Power Delivery, 1989, 4(2): 1401-1407.

[17] GARCíA-VILLALOBOS J, ZAMORA I, EGUIA P, et al. Modelling social patterns of plug-in electric vehicles drivers for dynamic simulations[C] // 2014 IEEE International Electric Vehicle Conference, December 17-19, 2014, Florence, Italy: 1-7.

[18] 劉琰, 何偉哲. 電動汽車充電模式選擇與充電負荷計算的研究[J]. 電網與清潔能源, 2017, 33(10): 129-133.

LIU Yan, HE Weizhe. Research on charging mode selection and charging load calculation of electric vehicles[J]. Power System and Clean Energy, 2017, 33(10): 129-133.

[19] 周天沛, 孫偉. 基于微網的電動汽車與電網互動技術[J]. 電力系統自動化, 2018, 42(3): 98-104.

ZHOU Tianpei, SUN Wei. Electric vehicle-to-grid technology based on microgrid[J]. Automation of Electric Power Systems, 2018, 42(3): 98-104.

[20] MOON S K, KIM J O. Balanced charging strategies for electric vehicles on power systems[J]. Applied Energy, 2017, 189: 44-54.

[21] 婁素華, 張立靜, 吳耀武, 等. 低碳經濟下電動汽車集群與電力系統間的協調優化運行[J]. 電工技術學報, 2017, 32(5): 176-183.

LOU Suhua, ZHANG Lijing, WU Yaowu, et al. Coordination operation of electric vehicles and power system under low-carbon economy[J]. Transactions of China Electrotechnical Society, 2017, 32(5): 176-183.

[22] 周強. 電動汽車充電服務互聯互通問題的探討[J]. 供用電, 2017, 34(1): 19-23.

ZHOU Qiang. Discussion on the interconnection of electric vehicle charging service[J]. Distribution & Utilization, 2017, 34(1): 19-23.

Real-time scheduling strategy of electric vehicle based on vehicle-to-grid application

CHEN Kaiyan, NIU Yugang

(Key Lab of Advanced Control and Optimization for Chemical Process, Ministry of Education, East China University of Science & Technology, Shanghai 200237, China)

As electric vehicles become more popular, their impact on the power grid is also increasing.In order to enhance the cooperation between electric vehicles and power grids and make full use of the high flexibility of electric vehicles in grid energy dispatching, this paper proposes a real-time dispatching strategy for electric vehicles based on V2G technology.To reduce the cost of charging and power loss, an electric vehicle scheduling model is established.Then, the grid node performance is analyzed by constructing the network loss sensitivity index, and the time-of-use electricity price is determined based on the grid load.Finally, the power flow calculation and convex optimization algorithm are used to solve the electric vehicle charging and discharging optimal strategy in real time. The proposed strategy is verified by IEEE 33-node distribution system, and the influence of electric vehicle penetration and V2G ratio on the cooperation between electric vehicle and grid is analyzed.

This work is supported by National Natural Science Foundation of China (No. 61673174).

electric vehicle; vehicle to grid; power loss; real-time optimization

轉載自《電力系統保護與控制》2019年47卷14期

陳凱炎, 牛玉剛. 基于V2G技術的電動汽車實時調度策略[J]. 電力系統保護與控制, 2019, 47(14): 1-9.

CHEN Kaiyan, NIU Yugang. Real-time scheduling strategy of electric vehicle based on vehicle-to-grid application[J]. Power System Protection and Control, 2019, 47(14): 1-9.

10.19783/j.cnki.pspc.181011

國家自然科學基金項目資助(61673174)

2018-08-08；

2019-01-18

陳凱炎(1994—)，男，碩士研究生，研究方向為電網與電動汽車負荷調度；E-mail: 2461365998@qq.com

牛玉剛(1964—)，男，教授，博士生導師，研究方向為隨機系統、無線傳感網絡、智能電網。