計及用戶電池損耗的電動汽車分布式兩階段調度策略

王晞，汪偉，王海燕，陳博，茍競，李怡然

(1.國網四川省電力公司經濟技術研究院，成都 610000； 2. 四川大學 電氣工程學院，成都 610065)

0 引 言

在推進電能替代、努力實現“碳中和”的背景下，電動汽車在電網中的滲透率日益增長[1]。電動汽車充電行為具有時空隨機性，大規模EV的無序充電將會給電力系統帶來一系列負面影響[2-3]，包括變壓器過載、電壓越限、網絡損耗增大以及諧波污染等，危害電力系統的安全與經濟運行。但同時因其用電靈活性，電動汽車在電網中具有較強的需求響應的潛能。有序的調度可以緩解隨機充電對電網負荷劇增、峰谷差增大等一系列問題[4-5]。如何有效合理地進行電動汽車充電調度控制，是電動汽車并網發展所面臨的一個核心問題。

在智能電網的環境下，電網可以通過和用戶簽訂相關協議，實現電動汽車充電的智能化管理[6]，避免了人為實現需求響應時存在的可靠性低、響應延遲、效率較低等問題。目前電動汽車的充放電調度可分為集中式調度和分布式調度。文獻[7]進行集中式實時調度，由電網控制中心獲取電動汽車的狀態信息和需求信息，再分別下達調度指令。但是隨著電動汽車使用的日益增長，集中調度面臨運算復雜性增加以及處理數據維數過大等問題，難以適應大規模電動汽車的優化調度。而分布式調度在電網和用戶之間引入集群代理商(Aggregator)[8]，每個代理商在一定程度上承擔了控制計劃的安排，簡化了調度時需要處理的信息量，使得優化更為靈活、快速，在電網調度中得到了重視。文獻[9]提出了柔性負荷分布式調度策略，文獻[10]考慮電網側的利益提出了電動汽車分布式調度模型，但采用模型沒有充分考慮到用戶的利益問題。

分時電價引導用戶為降低充電成本在谷時充電，可以確保用戶的利益，但在電價引導下可能會在電價谷時進行聚集性的充電行為，繼而引發新的負荷高峰[11]，因此計及分時電價考慮合理的充電策略具有重要意義。文獻[12]提出的充電調度策略有效地減少了充電的經濟成本，但未能考慮到電網側需求。文獻[13]分析用戶對峰谷電價政策的響應度，但缺乏考慮用戶對策略的響應度。此外，調度中為滿足優化目標會產生充電狀態的不斷切換，過于頻繁的充電行為會造成消耗電池壽命影響用戶利益[14]。因此在制定調度策略時，有必要對電池損耗進行考慮。

根據上述研究現狀，雖然針對電動汽車充電調度策略已經展開較多的研究，但仍存在一定的不足：分布式實時調度優化目標簡單，用戶側優化多考慮用戶成本，缺乏考慮用戶參與調度的意愿以及調度中頻繁充電造成的電池損耗。因此文中在分時電價的背景下，提出一種計及用戶側電池損耗的分布式兩階段調度策略。解決了現有策略對調度需求考慮較為單一且忽略調度可行性的問題，同時可避免集中式調度會出現的狀態測量處理維數災和運行復雜性等問題。本策略首先評估入網車輛的可調度性并篩選可調度車輛，之后建立了計及用戶充電損耗的兩階段優化模型。第一階段考慮多方面的用戶需求，除了優化用戶充電成本，還提出了平均充電率指標，從頻繁充電行為造成的電池損耗角度計及用戶側的利益。第二階段計及電網需求優化負荷峰谷差從而確保電網可以安全經濟地運行，優化得到最終調度安排。最后，通過算例進行仿真分析，文中所提策略在改善電網負荷的同時，有效地減少了充電成本和電池損耗，同時保障了電網和用戶的利益。驗證了文中策略的有效性。

1 調度技術架構及功能

考慮到電動汽車較強的時空不確定性，日前調度所用的負荷預測信息與實際情況往往存在一定差異[15]，為了減小預測上的偏差，本調度策略采用日內實時調度。以15 min為一個間隔將24 h分為96個時段，并在每個時段更新并網車輛的信息從而進行相應地調度安排，如圖1所示。

圖1 日內調度Fig.1 Intra-day scheduling

時段1內車輛a并網，則在時段1結束時刷新車輛a的相關信息并調度安排，同時時段2內沒有并網車輛，則不進行安排。同理，時段3內對新入網車輛b和車輛c，在時段4開始時刻對車輛b和車輛c進行安排，時段5開始時刻對車輛d進行調度安排。

基于智能電網背景，文中所提策略的技術架構是由集群代理商聚合用戶集群，調度中心實施調度優化，通過智能充電裝置來響應，進行分布式日內實時調度。具體調度技術架構及功能如圖2所示。

圖2 智能充電調度架構Fig.2 Intelligent charge scheduling architecture

該充電調度的具體實施環節為：EV用戶接入智能充電裝置后，由智能充電裝置通過信息和傳感技術讀取車輛的剩余荷電狀態信息(State of Charge, SOC)、電池容量信息等，同時通過充電裝置相應的人機交互界面收集用戶的需求信息。

智能充電裝置通過分析采集信息進行可調度車輛的篩選與判別，并將信息上傳到集群代理商處。由其基于采集用戶信息匯總負荷集群信息并上傳至調度中心，調度中心收集匯總EV和電網信息，通過文中所提的策略對電動汽車進行對應性調度安排，并將指令反饋至充電裝置進行線下響應。

2 電動汽車分布式兩階段調度策略

兩階段優化具有計算效率高、計算量少、模型較為簡單等優點，得到了廣泛應用[14-16]。文中提出了兩階段規劃方法，為了提升用戶對于調度的響應度，優先保證用戶側利益進行優化，因此所提策略按照“先用戶后電網”的原則進行。

2.1 篩選可調度車輛

在EV并網后，先根據智能裝置收集的信息進行調度可行性篩選，如果能夠滿足調度要求則將其納入代理商的安排范圍。如果不能滿足，則不安排調度。從主觀客觀兩個角度[17]將調度可行性定性為可調度能力和可調度意愿兩個方面進行篩選。

(1)可調度能力

以并網時間和電池電量來約束電動汽車可調度能力，對EV進行調度時，應優先確保滿足用戶的充電需求。

(1)

(2)可調度意愿

在實際調度中，用戶對于策略的響應意愿會影響最終調度的效果，所以有必要對各個EV用戶的調度意愿進行充分考慮。通過智能裝置的人機交互界面提供 “正常充”和“有序充”的選擇。“正常充”模式下：用戶對價格敏感度較低，不受經濟激勵引導，愿意發給較高的充電費用達成充電目標，此時調度計劃便安排充電裝置以額定功率立刻充電，以盡快滿足充電需求。“有序充”模式下：用戶相比于充電過程更關注能夠實現充電需求與充電成本兼顧，此時系統對用戶的充電時段進行統一優化編排，從而調度控制。在充電容量分配過程中，“正常充”將優先于“有序充”。

考慮到用戶對于調度的響應程度具有差異性，在此引入用戶響應度β來反映愿意參與調度的用戶占比。

(2)

式中NEV為接入充電裝置的EV數量；NV2G為愿意參與調度的車輛總數。

(3)

2.2 優化目標

2.2.1 第一階段優化目標

確保EV用戶利益可以有效提升用戶響應調度的意愿，因此為了實現調度，第一階段優化應充分考慮滿足用戶側需求。

(1)充電成本

在分時電價背景下，將最小化用戶成本設置為用戶側優化目標。用戶成本C的計算如下：

(4)

(2)電池損耗

由于頻繁的充電狀態切換，電池的損耗需要考慮。在計及電動汽車的充電成本時，應該盡量降低充電狀態切換次數。文中采用平均充電率指標σ如式(5)所示：

(5)

所提策略進行第一階段的用戶側優化時，綜合充電成本和電池損耗采用線性加權法進行多目標優化，此外，考慮到量綱不同，對兩個目標函數分別進行歸一化處理最后得到優化目標：

(6)

式中Ck和σk表示針對調度時段k的優化計算，優化對象為該時段刷新入網信息的車輛。采用主觀賦值法分別設置權重λ1、λ2為0.6和0.4，保證最低用戶成本可得到優先考慮。

2.2.2 第二階段優化目標

minF2=maxPZ-minPZ

(7)

式中PZ為計及電動汽車負荷后的該局部配電網的總負荷。

2.3 約束條件

為了滿足電網側的經濟和安全以及用戶對電動汽車充電的需求，需要同時考慮多個約束條件。

(1)荷電狀態安全性

(8)

(9)

由于電池過度充電會有損耗，因此設置第i輛車在任意時刻的荷電狀態應在安全限值以內。

(2)變壓器功率

(10)

式(10) 表示時刻k、基礎負荷Pload,k以及充電負荷不會使對應的配電變壓器過負荷運行。

(3)用戶出行需求

(11)

(4)允許調度時間

(12)

電動汽車的調度安排需要在并網時間內，車主在并網前后不進行調度。

文中在進行優化時，將在第一階段獲得的支付成本以及平均充電率指標作為第二階段的約束。

(13)

2.4 策略求解流程

如圖3所示,文中所提策略流程如下:

(1)在調度時段內收集代理商范圍內的并網信息，對并網車輛進行可調度判斷。篩選出可用于調度的車輛，并將其車輛的剩余荷電狀態信息、電池容量信息等參數上傳至后臺數據庫；

(2)開始第一階段計及電動汽車用戶側需求的優化。本階段是以電動汽車平均充電率指標最低為優化目標，考慮配電變壓器的容量限制，電動汽車的損耗限制以及電動汽車車主的充電需求限制等多個約束進行優化；

(3)開始第二階段計及電網側負荷特性指標的優化。本階段是以電網負荷峰谷差最小為優化目標。把在第一階段優化獲得的支付成本以及平均充電率指標作為本階段約束條件。聯立兩個階段的目的是可以保證第二階段的優化結果優于第一階段；

(4)最后代理商將計算獲得的車輛充電安排結果下發至智能充電裝置。智能充電樁按照調度策略對并網車輛執行充電安排。當新的調度時間開始時，流程返回步驟1循環進行調度策略的求解。

圖3 調度策略求解流程Fig.3 Flow chart of solving scheduling strategy

3 算例分析

3.1 算例設置

為了對文中所提調度策略進行仿真驗證，文中進行如下假設：

(1)仿真環境為有200輛電動汽車的居民小區，供電環境為4臺1 600 kV·A的變壓器，其功率因數為0.85、效率為0.95[18]；

(2)充電裝置以7 kW的充電功率進行恒功率充電，設置充電效率為90%。考慮到電池的安全性將荷電狀態上下限分別設置為0.1和0.9[19-20]；

(3)分析的用戶特性采用蒙特卡洛法[20-21]]對電動汽車充電需求進行建模；

(5)所提調度策略基于分時電價背景，具體電價設置如表1所示。

表1 分時電價設置Tab.1 Time-of-use pricing settings

(6)為對比所提策略的優化效果設置不同的場景，并將各場景下用戶響應度設為100%。

場景一：無序充電，不加以調度控制；

場景二：分時電價引導下進行充電調度；

場景三：采用文中所提出的有序充電調度。

3.2 仿真分析

基于3.1中所設置的算例場景，對上述不同策略進行仿真分析結果如下。圖4為該居民區的電動汽車在三種場景下的負荷曲線，結合表2和表3分別對電網側和用戶側的相應指標進行分析。

圖4 不同場景下的負荷曲線Fig.4 Load curve uner different scenarios

(1)電網側指標分析

基于圖4仿真結果和表2中的指標對比可以發現，圖4(a)在無序充電的場景下，電動汽車會按照自身的情況在最短的時間內充電。其充電時間會與居民區負荷峰值重疊，造成負荷“峰上加峰”的情況。表2中可見，無序充電的峰值達到了5 276.82 kW，同時還拉大了峰谷差、負荷波動指標也相應增加。

表2 不同場景的電網側指標Tab.2 Grid side indices under different scenarios

圖4(b)考慮分時電價的影響，這個場景的優化目標為價格最低。EV會在谷時電價時段00:00～08:00集中充電，在谷時形成新的負荷高峰，峰值達到4 737.26 kW，當EV規模增大時可能會使設備過載。

相比于以上場景，由圖4(c)可以發現根據所提策略進行電動汽車充電調度時，利用分時電價的激勵措施，可以引導用戶在夜間谷時進行集中充電。方法在考慮電網安全指標的前提下進行負荷曲線的填谷，可以減小電網側的負荷波動和峰谷差。

(2)用戶側指標分析

對用戶側選取充電成本和平均充電率進行對比分析如表3所示。

場景一的充電時間集中在峰時電價時期，充電成本3 160.6元。場景二在最低成本導向下，充電成本顯著減小至2 136.30元，但是場景二的策略對用戶電池的考慮較少，通過以增加電池損耗為代價，降低了充電成本。由表3知，這種場景下，電動汽車的平均充電顯著提升到了3.4。

表3 不同場景的用戶側指標Tab.3 User side indices under different scenarios

相比于上述場景，在文中所提策略下，通過調度有效減少了平均充電率，在改善充電成本的同時，有效地緩解了由于頻繁控制EV充電狀態切換而產生的電池損耗。

4 結束語

文中提出了一種計及用戶電池損耗的EV分布式兩階段調度策略。基于智能充電樁獲取電動汽車的基本信息對車輛進行調度篩選。通過對EV的可調度能力和用戶可調度意愿兩個維度進行綜合評估，篩選出能夠滿足調度的車輛。在兩階段的優化過程中，文章策略是以用戶充電成本最小，電動汽車電池損耗最小以及電網側負荷峰谷差最小為優化目標。論文以含大規模電動汽車的小區集中充電站為算例進行驗證，大量場景仿真表明：

(1)相比于無序充電，所提策略通過對EV進行合理充電調度，轉移了EV用戶的充電時間，在減少用戶支付的充電費用的同時有效減小了電網的峰谷差和負荷波動方差，緩解了無序充電產生的負面影響。既保證了電網側安全性也保障了EV車主的收益；

(2)相比于以成本導向的EV充電策略，文中方法在考慮充電成本的基礎上，利用平均充電率指標，對調度中因頻繁切換充電狀態而導致的電池損耗進行了考慮。在降低用戶充電成本的同時，通過優化充電次數有效降低了對電池的損耗，更為全面地保證了用戶利益；

(3)所提策略只針對電動汽車充電場景的調度策略制定，隨著當前技術發展，電網與電動汽車雙向互動(Vehicle to Grid, V2G)具有一定的研究前景和價值。在V2G場景下如何提出合理有效的調度策略是接下來值得研究的方向；

(4)在能源轉型背景下，分布式電源將會不斷發展，其并網時也會改變傳統的電網結構，如何計及光伏、風電等新能源進行合理地協同調度優化也是未來的研究方向。