計及EV參與的微網儲能調度研究

婁 陽，馮澤華，何 超，張鵬坤，邱革非

（昆明理工大學 電力工程學院，云南 昆明 650500）

0 引言

2021年上半年，國內累計光伏并網容量超253 GW，國內新增新型儲能裝機規模超過10 GW。雖然儲能調峰爆發式增長，但僅依靠儲能系統（energy storage system，ESS）調峰仍然有容量不足的問題，且成本較高。

引入社會中閑置電動汽車（electric vehicles，EV）儲能資源可顯著緩解ESS調峰壓力。工業園區（industrial parks，IPs）內EV車主具有穩定的出行特征，且 EV峰谷用電量具有顯著差異。引入 EV集群的園區微網，不僅可滿足生產用電需求，還可利用社會閑置的 EV儲能資源減少 ESS的投資運維成本，提升新能源利用率、降低一次能源浪費。

當前，針對園區微網調度中 EV集群儲能協同新能源發電的應用，已有學者開展了大量的研究。文獻[1]通過構建包括 EV快充負荷、光伏及配電網原有負荷在內的隨機魯棒混合優化調度模型，提出一種計及光儲快充一體站的配電網日前優化調度方法。該方法優點是改善充電負荷大規模接入帶來的運行問題。文獻[2]提出一種光儲充電塔日前能量–備用協同優化方法。為實現調度策略對不確定性的調整，采用兩階段自適應魯棒優化處理系統不確定性。該方法優點是充分考慮光電能分配與備用容量對 EV的影響。文獻[3]提出了一種考慮電動汽車運行不確定性和減少動力電池充放電切換次數的電動汽車分布式儲能控制方法，優點是提升了分布式能源的可調度性。文獻[1-3]均考慮了不確定性場景對EV儲能策略的影響。文獻[4]通過構建 EV與可再生能源的雙層優化模型，實現以下層各個時段調度的電動汽車充電功率與上層計劃之間最小偏差為目標，使下層模型中 EV的充放電負荷能夠跟蹤上層模型中EV的調度計劃。文獻[5]分別從運營商與配電網的角度出發，構建有序充電上下層控制模型，使充電成本、最低充電負荷方差最小，以分時電價優化電動公交車的充電時段，優點是避免了因為電動公交車的大規模接入而造成新的負荷高峰。文獻[6]在日前負荷預測的基礎上，提出了一種無需集中式通信的 EV控制模型。通過日前預測負荷信息，計算生成次日各時間段的充放電概率并下發至充電樁。該方法缺點是 EV充電負荷預測的精確性將會直接影響充電樁自主決策行為。文獻[4-6]分別從 EV集群功率上下層追蹤差值、綜合運行收益角度確定 EV日前或日內調度計劃。文獻[7]基于車輛類型、荷電狀態、停車時長及車主意愿4個指標，將EV按電池約束和時間約束條件劃分成群。該方法的優點是對 EV總的充放電功率進行優化控制的同時，充分考慮了當前電網的實際狀況以及各子群的電能需求和充放電能力。文獻[8]提出一種基于出行鏈隨機模擬EV充電負荷時空分布的方法。通過建立EV用戶一天行駛的時空分布特征量和狀態量，從而模擬EV的空間轉移特性。該方法優點是構建的模型可以較準確模擬EV在不同時空分布下的充電需求。文獻[9]提出電動汽車交直流調控分群準則，在電動汽車規模化滲透場景下建立了電動汽車與含交直流混合配網綜合能源系統的分群互動模型和分群調控模型。模型考慮了電動汽車類型、接入系統的位置、可調控時段，該方法優點是提高了EV互動能力的同時降低系統運行成本。文獻[7-9]分別從預計電池充電荷電狀態與預計完成時間、出行鏈、出行時空信息進行 EV分類。這種方法優點是 EV集群分類依據簡單清晰；缺點是采用固定分群機制的EV集群與ESS協同調峰時，EV集群荷電量與剩余調度時長誤差較大。

本文采用基于最大充電時延序列的動態分群機制，根據充電時延指標在不同調度時段動態調整分群方案，充分利用在網 EV的荷電量與剩余調度時長。為了有效利用EV參與IPs微網的需求響應，在已有研究的基礎上，首先，建立以分布式光伏為發電主體、外部電網輔助購電，以 ESS與 EV集群協同儲能參與調峰優化模型。然后，考慮EV集群與ESS設備的配合，以及EV集群內部差異性管理策略，引入時延序列控制概念。根據峰谷分時電價，主動調度ESS、EV協同儲能系統參與移峰填谷，提升用電效益。最后，通過選取某工業園區微網作為分析實例，仿真驗證所提模型的合理性及有效性。

1 園區微網控制框架

工業園區用電耗量大、峰谷分布不規律。分布式光伏發電作為園區供電主體，需經儲能系統配合才能滿足工業負荷用電要求[10]。園區微網的構成主要包括光伏、協同儲能、園區工業負荷。協同儲能設備包括ESS儲能設備與EV集群。由于各設備電壓等級與容量均不相同，且 EV個體眾多，園區控制中心無法直接對單個設備直接控制。有效的解決方案是采用圖1所示的分層架構[11]并建立雙層調度優化模型。不同設備分別設立相應管理中心，形成一定規模后統一接受園區管理。首先，園區控制中心從負荷管理中心、光伏發電（photovoltaic，PV）管理中心分別獲得相應日前預估曲線，在上層調度中根據峰谷電價初步確定儲能充放電策略與外購電策略。下層模型中，EV車主上報給集群汽車管理中心（Aggregator）次日出行計劃與預估入網電量；根據給定的儲能策略指令，Aggregator得出各時段內的EV集群充放電方案并上報給園區控制中心。園區控制中心根據充放電策略與充放電方案匹配情況，決定直接執行或者修正任務后執行。

圖1 園區設備分層架構Fig. 1 IPs equipment layered architecture

2 最大充電時延序列控制模型

考慮 EV個體的入離網時間、充放電功率、電池容量、荷電狀態變化情況等多屬性特征，制定出以最大充電時延作為衡量可調度能力的指標。根據 EV最大充電時延確定動態響應分群方案建立協同儲能充放電模型。

2.1 EV最大充電時延

假設個體 EVi以額定功率進行充放電，分別為充放電效率。EVi在時刻接入電網，此時的荷電狀態（state of charge，SOC）為。車主自行決定在離開 電網，其離網最低荷電期望為，而實際離網SOC為。在滿足EVi的充電要求的前提下，Aggregator根據園區儲能需求調整。從當前時刻t開始計算，EVi在網必要充電時間為：

2.2 基于最大充電時延的預備響應方案

EVi入網前需提前一天向 Aggregator上報信息，包括。假設入網時 EVi的已知。Aggregator首先針對t時刻已入網的EV集群，建立基于的充電意向和放電意向隊列。對相同的區間做序列調整，保證調用 EV期間滿足穩定出力要求，生成實際預充放電調度隊列。Aggregator依據園區調度指令選取EV并確定調度方案，具體步驟如下。

（1）確定狀態意向隊列

Aggregator計算t時刻全部入網Nt輛EV的，并生成充電意向升序隊列和放電意向降序隊列。

其中，Ncha,t，Ndis,t分別為t時刻的意向充放電EV數量。因為部分不參與V2G調度的EV車主僅允許其EV間斷充電，所以

（2）修正狀態意向隊列

Aggregator需避免頻繁調度部分EV。當EVi執行任務時，EV荷電水平指標（Hi,t）越大，意味著EVi將優先動作。低荷電水平EV優先充電，高荷電水平EV優先放電。最終使相同的EV之間荷電狀態St盡可能在同一水平。

若存在相同Hi,t，則采用離網較早的EV優先調度原則修正。基于離網時間tout升序排列，對相同、相同 Hi,t對應區間修正，使離網時間早的EV優先調度。

（3）確定實際預調度隊列

式中：tunit為單位調度時長。不滿足穩定出力判斷條件的 EVi從充放電意向隊列中刪除，從而生成修正后實際預調度隊列

式中：Ncha,fix,t，Ndis,fix,t分別為t時刻實際可充放電的EV數量。

園區控制中心根據Aggregator上報的EV集群出力方案，確定任務執行或者修正EV與ESS的任務分配，最終形成響應時延子群Trep,t參與調度。響應時延充電、放電子群見式（10），非響應時延充電、放電子群見式（11）。

基于最大充電時延序列控制模型的調度流程框架見圖2。

圖2 序列控制模型的調度流程框架Fig. 2 Scheduling process structure for sequence control model

2.3 基于可調度空間的EV差異性計費

Aggregator與車主雙方簽訂合約后，合約內容通過EV差異性計費體現，計算公式如式（13）所示。

2.4 園區內設備配合運行方案

Aggregator通過最大充電時延策略調度EV集群，使其與ESS、PV、負荷管理中心配合，具體措施如下：首先判斷發電用電功率差額，然后基于的充放電策略將功率差額分為8種情況，詳見表1。

表1 功率差額情況Tab. 1 Power difference situation

如果發電盈余，則依次判斷EV與ESS是否可消納。若EV與ESS有剩余消納空間，則遵守EV優先充電原則對EV與ESS充電，EV集群內部則通過最大充電時延策略對不同EV依次充電；若EV與ESS均無消納能力，發電盈余棄電。若EV與 ESS消納余光后仍有剩余消納空間，則根據市場電價決定是否采購電量[13]。

如果發電不足，則優先考慮園區內部電價與外部市場電價的差額，在成本優勢的基礎上考慮EV與 ESS放電能力能否滿足負荷需求。若外部市場電價具有成本優勢，直接采購外部電量供給負荷。反之，遵守ESS優先放電原則優先采用ESS放電。在ESS不足以支持負荷需求情況下，判斷實際預調度放電隊列能否滿足強制充電EV需求：若能滿足強制充電EV需求，EV設備放電供給負荷；若未滿足，采購外部電量供給負荷。

3 園區微網運行優化模型

3.1 系統運行架構

本文采用雙層優化處理園區微網日前調度。上層調度中，微網對協同儲能設備運行出力進行初步決策。下層調度中，以時延序列控制模型確定不同EV的充放電時間，從而修正EV集群的運行功率，進而對上層給出的協同儲能設備運行出力結果進行修正[14]。基于時延序列的 EV集群控制流程如圖3所示。

圖3 基于時延序列的EV集群控制流程Fig. 3 EV cluster control flow based on time delay sequences

3.2 目標函數

上層以日運行收益f1最大為目標。下層以外購電費用與協同儲能運行維護費用f2最小為目標[15]。式（17）～（20）分別表示購電費用、售電收入、總運行維護成本、碳排放交易收入組成。

3.3 約束條件

（1）功率平衡約束

（2）潮流與節點電壓約束

式中：Nnode為節點數；Gnj，Bnj，θnj分別為節點n與節點j之間的電導、電納、電壓相角差[16]；Un,t，Uj,t分別為 t時刻節點 n，節點 j的電壓；Umax，Umin分別是節點電壓Un,t的上下限。

（3）功率與容量約束

（4）充放電功率約束

3.4 模型求解

綜上所述，基于時延序列控制模型的園區微網日前調度采用上下層模型交替求解。本文建立的上下層模型均為MILP模型，使用Yalmip建立模型輸入，調用Gurobi9求解。

4 算例分析

為了分析時延序列模型在提升園區電網運行效益中的作用，本文選取 IPs園區某日基本運行情況為分析對象，以15 min為一個調度周期，分別對是否含有充電時延序列的入網控制策略進行仿真計算。算例1為僅含ESS儲能的園區的情況。算例2在算例1的基礎上，加入無序列控制的EV集群。算例3在算例2的基礎上，考慮了序列控制模型下的EV集群。

4.1 系統結構與參數

以修改后 IEEE33節點配電系統為例[17]，修改后的33節點系統結構見圖4。在原有網絡的基礎上，節點15、27處加入10 MW與15 MW的光伏發電設備。在節點8、12處分別加入最大充放電功率為1.75 MW的EV充放電站、4 MW的儲能電站。儲能電站以4 MW的額定功率充放電，最多可持續3.8 h。現有A、B、C 3種品牌的EV接受 Aggregator管理，詳細參數見表 2。市場峰谷電價[10]見表3，EV基準購電電價為1元/(kW·h)[14]。設備運行參數[18]見表4。

圖4 修改后的33節點系統結構Fig. 4 Modified 33-node system structure

表2 入網EV情況Tab. 2 EV connected to the grid

表3 電價參數設置Tab. 3 Tariff parameter setting

表4 運行參數設置Tab. 4 Operation parameter setting

4.2 基于場景對比的優化調度分析

不含儲能的園區基本運行情況如圖5所示，不同算例的調度效果差異如表5所示。

表5 不同算例的調度效果差異Tab. 5 Differences in scheduling effects of different algorithms

圖5 不含儲能的基本運行情況Fig. 5 Basic operation without energy storage

從表5中可以看出，僅使用ESS設備調峰效果最好，此時購電峰谷差僅為16 190 kW；但此時經濟優勢不顯著，總收入為僅為69 358元。園區引入 EV集群后，高峰期購電量顯著下降。相比僅使用ESS設備調峰，引入無序控制的EV后經濟優勢擴大，此時總收入上升6.7%。采用序列模型控制的 EV購電峰谷差相較無序控制下降了11.2%，此時總收入在無序控制的基礎上提升2.9%。不同算例下的全天96個時刻的下層調度結果如圖6所示。

圖6 設備運行結果Fig. 6 Equipment operation results

（1）在05:00—07:00的谷期期間。

園區控制中心檢測到節點13間歇性負荷需求增加，此時EV還未入網。算例1中僅使用ESS設備，園區迅速調用ESS設備放電穩定線路傳輸功率，避免造成其他節點的負荷受節點13影響。算例2受無序EV集群影響，ESS儲能設備始終保持較高的荷電狀態，ESS此時僅少量放電穩定線路傳輸功率。算例1與2均采用放電策略，雖可穩定線路傳輸功率，但谷期放電經濟性較差。算例3中，因采用時延控制模型，可預見EV集群充電行為，所以ESS設備無需保持較高的荷電狀態：故采用ESS間歇性充電策略，不僅穩定了線路傳輸功率，谷期ESS設備充電也提升了園區運行經濟效益。

（2）在23:00—24:00的平期期間。

EV均離開園區。算例1中，ESS儲能因有較高的荷電量，采用了持續放電策略，平抑負荷波動效果良好；但ESS在平期深度放電無明顯經濟優勢。算例2中，以ESS放電策略為主。算例3中，以ESS靜置策略為主。算例2中，放電量較多，但在平抑負荷波動方面與算例3相比無顯著差別。

（3）在15:00—17:00的峰期期間。

光伏出力顯著下降。算例1中，ESS設備充分消納余光后轉為靜置，為彌補夜間高峰用電缺口而保留放電能力。雖然晚間削峰效果較好，但ESS設備在峰期靜置經濟性較差。算例 2采取以ESS為主、EV為輔的放電策略，但無序列控制的 EV放電響應程度低。算例 3采用基于序列控制的放電策略，ESS與EV充分執行放電任務，且EV深度參與輔助放電，執行效果優于算例 2。

4.3 EV時延序列模型對協同儲能的影響分析

在算例1中，當光伏出力較好時，為了避免突然因負荷需求下降導致的功率波動，ESS儲能設備控制策略相對保守，ESS荷電峰值不高且充放電轉化次數較低。如圖 7（a）15:30—17:30時段曲線所示，ESS設備荷電量始終低于85%。如圖7（b）所示，算例2中，在引入EV集群后，負荷功率波動問題轉移到由EV承擔，從而使ESS設備可以采用相對激進的控制策略。ESS設備在峰平轉化期間，如16:30—18:00期間，ESS短時放電后轉為充電。EV與ESS在16:00—17:00放電期間，在有序EV影響下，ESS電量從88.0%下降到58.0%后停止放電，轉為靜置狀態；而無序EV影響下的ESS電量從74.5%下降到44.5%后繼續放電，最終在17:15轉向充電，此時ESS已經電量過低。與無序策略相比，EV時延序列控制策略避免了 ESS荷電量過低對剩余時段的調度計劃產生不利影響。

圖7 協同儲能荷電狀態Fig. 7 State of charge for the cooperative energy storage system

圖8 考慮時延序列控制模型的EV集群功率Fig. 8 EV cluster power considering time-delay sequence control model

無時延序列控制模型的方法與有時延序列控制模型的方法均能使ESS的充放電靈活度進一步提升，從而提高ESS利用效率；但采用時延序列控制模型的方法后，EV集群的充放電行為具有一定可預見性，而無序 EV集群的行為則使短期內ESS頻繁無效調用。采用時延模型可降低ESS儲能的運行維護費用，也降低了因短期內ESS設備放電策略過于激進，導致后續調度時段儲能容量不足的風險，從而提升園區運行安全性。

4.4 EV時延序列模型對園區收入的影響分析

不同地區電價存在差異，峰谷差價影響園區的運行收入。如圖9所示，在表3的定價基礎上，針對不同的峰谷價差進一步計算。結果表明峰谷差價率較高時，園區收入也隨之增加，且計及時延序列控制模型的園區盈利高于不計時延序列控制的園區盈利。隨著峰谷差價率上升，計及時延序列控制模型的園區盈利優勢進一步擴大。

圖9 峰谷價差率Fig. 9 Price difference rate of peak-to-valley

5 結論

本文建立了一種基于 EV最大充電時延序列的控制模型。該模型考慮了多屬性差異下的不同EV充放電緊迫程度，并據此制定EV內部充放電策略與ESS配合運行策略。通過分析研究算例可以得出以下結論：

（1）EV集群引入時延序列控制模型后，有效降低了峰期外購電量且穩定了線路傳輸功率，降低了園區運行成本。

（2）EV集群引入時延序列控制模型后，改變了ESS設備原有的控制策略，使ESS設備在保留后續調度安全容量的前提下，提升了ESS設備的日活躍響應程度，從而提升了ESS設備的日內利用效率。

（3）在峰谷差價率高的場景下，相比未引入時延序列控制模型，引入時延序列控制模型的園區電網盈利更多。

本文提出的策略在滿足園區運營商、EV車主雙方要求的前提下，使參與雙方共同獲益，對合理高效地消納分布式發電具有一定的參考意義。