綜合能源系統環境下電動汽車分群優化調度

2021-04-09 04:49:04黃偉葉波

電力建設 2021年4期

關鍵詞：系統

黃偉，葉波

(華北電力大學電氣與電子工程學院，北京市 102206)

0 引言

能源需求增長和能源緊缺、環境污染之間的矛盾急劇惡化，綜合能源系統(integrated energy system，IES)得到了廣泛的關注[1-4]。同時，電動汽車(electric vehicles, EV)作為一種靈活的分布式儲能單元，具有節能減排、綠色環保等優點[5-7]。

目前已有不少含電動汽車的綜合能源系統優化調度的研究。文獻[8]以風電消納能力最優為目標，構建了綜合能源系統多類型儲能優化調度模型，有效促進風電消納，提高能源利用率。文獻[9]將電動汽車視為可調度的調峰資源，建立了含電動汽車和多種分布式電源的區域綜合能源系統日前調度模型，實現系統綜合經濟效益最大化。

上述研究均將電動汽車當作一個整體，沒有考慮電動汽車的規模效益和內部功率分配。大規模電動汽車參與系統調度，計算維數龐大，優化難度增加，故而對電動汽車分群分層調度顯得尤為重要[10]。

目前常用的分群原則有期望充電完成時間[10]、出行鏈[11]、最大充電時延[12]等。針對集群內電動汽車功率分配問題，文獻[13]依據電動汽車的荷電狀態來實現功率分配，文獻[14]根據電動汽車閑置度實施充放電調度。

文獻[15]提出了兩層調度模型，上層以總成本最小為目標制定電動汽車充放電計劃，下層以最小偏差懲罰為目標，進一步安排每一輛電動汽車的充放電計劃。文獻[16]構建內外嵌套模型，外層以總有功網損最小為目標，計算出最優的電動汽車充放電時間和功率，內層具體優化各電動汽車子群的充放電時間和地點。上述文獻主要研究電動汽車在電力系統的分群分層調度。隨著綜合能源系統的蓬勃發展，電動汽車的大量接入給系統調度運行帶來一系列影響，如負荷峰谷差加大、成本增加等問題。綜合能源系統中如何充分發揮電動汽車的優勢，分群分層參與系統調度，亟待解決。

基于此，本文首先根據出行結束時刻和出行起始時刻，對電動汽車進行集群劃分，提出基于動態優先級的電動汽車充放電策略，建立含電動汽車的綜合能源系統兩層嵌套調度模型。調度計劃層以系統經濟性、安全性和環保性為目標，EV調度層以用戶滿意度為目標，依次求解出日前調度計劃和各EV集群的充放電計劃，并合理分配集群內各EV的充放電功率。最后，通過算例仿真，驗證所提模型的有效性。

1 電動汽車集群劃分和充放電策略

1.1 電動汽車集群劃分

本文以電動汽車為研究對象，其出行具有隨機、分散等特性，同時，電動汽車V2G(vehicle to grid)技術給調度帶來了一定的可控性[17]。根據用戶出行統計數據對電動汽車分群，原則如下：1)根據用戶是否愿意參與系統調度將EV分為參與調度和不參與調度兩大類；2)不參與調度的EV看作常規電負荷處理，參與調度的EV作分群處理；3)以典型工作日為代表，1 h為1個時段，共分24個時段；4)對于同一集群的電動汽車，其出行結束時刻在相同時段，出行起始時刻也在相同時段；5)集群個數由出行結束時刻所在時段和出行起始時刻所在時段共同決定。

1.2 基于動態優先級的電動汽車充放電策略

計算出各電動汽車集群各個時段的充放電功率后，制定適宜的電動汽車充放電策略可使功率合理分配，汽車有序充放電，滿足系統的運行要求。基于1.1節所提的分群原則，同一集群的電動汽車可調度時段一致，但荷電狀態(state of charge，SOC)不盡相同，因此定義松弛度φEV表示電動汽車參與調度的優先級，如式(1)所示。據此制定電動汽車充放電策略，如圖1所示。

(1)

注：EV以額定充/放電功率充/放電，按松弛度大小安排充放電計劃。圖1 基于動態優先級的電動汽車充放電策略Fig.1 Charge/discharge strategy of EVs applying dynamic priority

式中：Tdep和Tarr為電動汽車駛離時間和抵達時間，同一集群的電動汽車可近似一致；Sexp和Sini為電動汽車駛離時的期望SOC和抵達時的初始SOC；Ebat為電動汽車的電池容量；PEV,c和ηc表示電動汽車的充電功率和充電效率。

根據式(1)可知，φEV>0時，電動汽車處于可調度模式，可以根據調度需求進行充放電或者處于閑置狀態，優先級較低；φEV=0時，電動汽車處于不可調度模式，即電動汽車必須進行充電，否則無法在駛離時達到期望SOC，優先級較高。

2 綜合能源系統兩層嵌套調度模型

本節構建綜合能源系統兩層嵌套調度模型，以1天為調度周期，均分為24個調度時段，以實現綜合能源系統下電動汽車分群優化調度，如圖2所示。

圖2 綜合能源系統兩層嵌套調度模型Fig.2 Two-level scheduling model for IES

圖2外層為調度計劃層，綜合考慮調度方案成本、能量波動和環保性，制定日前調度計劃，包括各設備出力、電轉氣(power to gas, P2G)轉化量、EV總充放電功率、與上級主網電熱交易量以及應對負荷波動可提供的備用容量。內層為EV調度層，對EV分群調度，以最大化EV用戶滿意度為目標，求解各EV集群的充放電計劃和可提供的備用容量。針對每個EV集群，基于動態優先級制定電動汽車充放電策略，在每一時段后更新電動汽車的松弛度，可有效引導電動汽車實時、有序地充放電。

2.1 調度計劃層

調度計劃層從綜合能源系統調度層面出發，綜合考慮系統經濟性、安全性和環保性，分別以調度方案成本最少、能量波動最小和環保性最優為目標，建立多目標函數優化模型。

2.1.1目標函數

1)調度方案成本最少：

(2)

2)能量波動最小。

除常規電負荷外，接入電網的P2G裝置、EB和EV也等效為電負荷，CHP機組、GB和P2G裝置的產氣量決定了氣負荷的大小，而熱負荷僅為常規熱負荷，故能量波動僅考慮凈電負荷波動和凈氣負荷波動。目標函數如下式所示：

(3)

(4)

(5)

(6)

(7)

3)環保性最優。

本文選取綜合能源系統的總污染當量數為衡量系統的環保性指標，污染物主要為CO2和NOx[19]。CO2來源于天然氣燃燒和購電，NOx來源于系統設備的排放。目標函數如下式所示：

(8)

式中：ECO2、ENOx分別為CO2、NOx的排放量，計算公式見式(9)；θCO2、θNOx分別為CO2、NOx的污染當量值。

(9)

(10)

2.1.2約束條件

1)功率平衡約束。

綜合能源系統需滿足電功率、熱功率、氣負荷的時刻平衡，如式(11)—(13)所示：

(11)

(12)

(13)

2)設備出力上下限約束：

(14)

3)可控機組爬坡約束：

-rn,dΔt≤Pn,t-Pn,t-1≤rn,uΔt

(15)

式中：rn,u、rn,d分別為可控機組n的上、下坡速率；Δt為時間段長度。

4)可再生能源出力約束：

(16)

式中：PWT,max、PPV,max分別為風機、光伏出力的上限值。

5)電動汽車出力約束。

調度計劃層從系統層面出發，將電動汽車看成一個整體，式(17)為電動汽車整體充放電功率約束：

(17)

式中：PEV,c,max、PEV,c,min分別為電動汽車整體充電功率上、下限值；PEV,d,max、PEV,d,min分別為電動汽車整體放電功率上、下限值。式(18)為電動汽車平均SOC約束：

(18)

6)與上級主網交互功率約束：

(19)

式中：PEJ,max、PEJ,min分別為系統與上級電網交互功率的上、下限值；ΦHJ,max、ΦHJ,min分別為系統與上級熱網交互功率的上、下限值。

7)旋轉備用約束：

(20)

電-熱-氣網混合潮流的運行約束參見文獻[20]，在此不再贅述。

2.2 EV調度層

根據出行結束時刻和起始時刻，對EV進行分群調度，以最大化EV用戶滿意度為目標，制定各EV集群的充放電計劃，根據EV群內的EV數量，平均分配各EV集群需提供的備用容量。依據1.2節的充放電策略制定集群內各電動汽車的充放電計劃。

2.2.1目標函數

考慮EV群出行前平均SOC與期望SOC偏差最小為目標函數。同時，EV相鄰時段充放電狀態切換對電池損害較大。因此，增加罰函數以約束相鄰時段頻繁切換充放電狀態，目標函數如式(21)所示：

(21)

2.2.2約束條件

1)EV群平均SOC約束：

(22)

(23)

2)電動汽車充放電功率約束：

(24)

此約束對單輛汽車也適用。

3)旋轉備用約束：

(25)

3 模型求解算法與流程

本文綜合智能優化算法和傳統優化算法來求解綜合能源系統兩層嵌套調度模型，在保證計算速度的前提下，不失準確性。外層調度屬多目標優化問題，運用改進的多目標粒子群優化算法(multi-objective particle swarm optimization,MOPSO)和線性規劃，求取最優解，詳細流程見文獻[21]。內層調度屬于高維多約束非線性優化問題，采用改進粒子群優化算法求解[21]。調度模型的求解流程如圖3所示。

圖3 兩層嵌套調度模型求解流程Fig.3 Flow chart of two-level scheduling model

4 算例分析

4.1 算例說明

本文采用的電-熱-氣綜合能源系統算例包含修改的IEEE-14節點系統、比利時20節點天然氣系統[22]、14節點熱力系統[23]，結構圖見附錄圖B1。在原始IEEE-14節點系統加入分布式發電、電動汽車、以及電熱氣系統之間的耦合設備，天然氣與熱力系統參數見文獻[22]和[23]，各設備的參數設置詳見附錄表C1[24]。運用本文所提模型進行日前調度并求解。仿真中，天然氣價格固定為3.5元/m3，主網電價、主網熱價、備用價格以及可中斷負荷的補償價格見附錄表C2。綜合能源系統中負荷數據和可再生能源出力參考北方某地區實際數據，各時段熱負荷預測期望值、可再生能源出力期望值如附錄圖B2、B3所示。

該地區有1 028輛電動汽車愿意參與系統調度，統計分析該地區電動汽車在典型工作日的出行情況，依據1.1節分群原則進行集群劃分，如表1所示。集群內初始SOC服從正態分布，EV出行行駛里程ld服從對數正態分布，即ln(ld)～N(3.2,0.882)[25]。此外，EV的電池容量為20 kW·h，額定充放電功率均為4 kW，充放電效率為95%，用戶期望荷電狀態為1，100 km耗電量為12 kW·h。

表1 電動汽車集群劃分及參數Table 1 Cluster division and parameters of EVs

4.2 不同系統下日前調度結果分析

為驗證綜合能源系統協同調度的優勢，設置以下3種場景進行對比：

場景1：僅電力系統，CHP機組承擔熱負荷，不含GB、EB和P2G裝置。

場景2：綜合能源系統非協同調度。電力系統和熱力系統分別負責50%熱負荷，不含EB、P2G裝置。

場景3：綜合能源系統協同調度。常規電負荷波動為16.02 MW，常規氣負荷波動為326 m3。

三種場景調度結果如表2所示。可以看出，場景1，即僅電力系統日前調度情況下，經濟效益、能量波動、環境效益都是最差的。和非協同調度相比，綜合能源協同調度在經濟性、安全性、環保性上都有著相對的優勢，其中，調度方案成本降低了3.03%，凈電負荷波動減少了0.92 MW，凈氣負荷波動減少了116 m3，系統總污染當量降低了5.87%。仿真結果說明了與僅電力系統的傳統調度、綜合能源系統非協同調度相比，多種能源耦合的綜合能源系統協同調度的優勢較大，經濟性、環保性好，負荷曲線平緩。

表2 三種場景調度結果對比Table 2 Optimization results in three sceneries

附圖B4—B5(a)為場景1和場景3的日前調度計劃(包括各設備出力、P2G轉化量、EV總充放電功率以及與上級主網電熱交易量)，可見，電動汽車在傳統電力系統和綜合能源系統環境下，受電價和目標函數引導都體現出很好的削峰填谷特性。相比較來說，綜合能源系統環境下存在耦合設備，電動汽車和其他設備相互配合，能達到更優的目標。

4.3 EV不同充放電方式下調度結果分析

為驗證本文所提模型的有效性，設置EV有序調度和無序調度兩種方式，采用改進的MOPSO算法進行綜合能源系統日前調度優化。EV無序調度是指EV接入系統后立即以最大充電功率充電，直至充滿。

本文以調度方案成本>環保性>能量波動為優先級順序，確定兩種方式下綜合能源系統調度結果，如表3所示。日前調度計劃、考慮負荷波動±5%可提供的上旋備用容量和下旋備用容量，詳見附錄圖B5—B7。

表3 兩種方式調度結果對比Table 3 Optimization results in two modes

由表3可知，EV有序參與綜合能源系統協同優化調度可以降低系統調度方案成本，緩和負荷波動，減少污染物排放。同EV無序調度相比，EV有序調度制定充放電計劃靈活，可使系統調度方案成本減少2.32%，凈電/氣負荷波動分別下降17.83%和34.26%，系統總污染當量降低5.87%。

圖4給出了系統的能量波動情況。兩種方式下電動汽車的充放電功率和SOC情況如圖5所示，兩種方式下電動汽車的初始SOC均為0.5，EV無序調度下電動汽車立即充電直至充滿，在出行結束后亦如此，而電動汽車出行結束適逢用電高峰，無疑會增加電負荷峰值，造成“峰上加峰”。相比較下，EV有序參與綜合能源系統調度，電動汽車合理充放電，使得電負荷峰谷差變小，有效地抑制了電負荷波動，電負荷曲線有了較大改善。EV作為一種調度資源，參與綜合能源系統調度，系統合理安排調度計劃，使得氣負荷曲線平緩、系統穩定運行。