新型電力系統下綜合電動汽車充電站的優化運行

顏勤，涂曉帆

（長沙理工大學電氣與信息工程學院，湖南長沙 410114）

“雙碳”目標下，新能源發電在中國能源結構中將逐漸占據主導地位，交通電氣化也成為了一個重要的發展趨勢.作為新能源交通工具，插電式電動汽車（Plug-in Electric Vehicles，PEV）是一種極佳的可控負荷和電源資源，可通過調控來緩解新能源發電帶來的功率波動，提升新能源消納水平，其技術發展和推廣使用將加快實現“雙碳”目標，助力構建新型電力系統［1］.

中國建筑運行能耗占全國能源消耗總量21.7%，碳排放占比21.9%［2］，加之商業用電負荷呈大都市化趨勢，負荷波動性強及用電峰谷差較大等問題突出，將商業建筑物用電與新能源及靈活資源（如電動汽車到建筑物（V2B）的運行模式）相融合進行統一調度，不僅能降低碳排放、降低能源成本、提高電能供應可靠性［3］，還具有巨大的商業潛力［4］.大型住宅樓和商業樓上寬敞的屋頂空間及光伏板作為遮蓋保護汽車免遭暴曬的能力使得光伏發電（Photovoltaic Generation，PV）的利用成為了滿足建筑能耗的有效途徑［3］.

許多研究將PEV 充電站與光伏發電結合起來以幫助降低成本及減少碳排放［5-6］.為解決可再生能源的隨機性，常使用額外的儲能或旋轉備用［7-8］.

針對PEV、充電站與樓宇之間的關系，目前已提出了一些優化模型和調度策略［5，9-11］.文獻［9］考慮用戶響應度和樓宇用電最大需求量約束，建立了基于V2B 的PEV 智慧充電樁群模型；文獻［5］為實現不間斷充電及成本最小化，提出了一種集成PV、儲能、電網和柴油發電機組的充電站；文獻［10］考慮分布式發電市場化交易和用戶充放電意愿，提出帶PV 的智能樓宇與PEV 之間的能量調度策略；文獻［11］提出“專變共享”模式，充電站靠租借樓宇的冗余容量來滿足PEV 需求.但目前研究中很少提出將集成儲能及PV 的PEV 充電站直接與樓宇相結合的方式，也沒有綜合考慮運營成本、用戶滿意度、負荷損失及充電站利潤.文獻［12］按照不同的用途、［13］根據各車型充電方式與出行特點對PEV 進行分類，但根據實時狀態和收費標準對PEV 分類更有實時性.不少文獻研究了降低優化算法復雜度的方法，如通過舍棄最小性能差，如文獻［14］中的計算復雜度為O(T3)，各階段計算時間為1～10 s/PEV，要實現實時調控就需減少計算時間.

針對上述問題，本文針對集可再生能源（如太陽能光伏發電PV）、固定蓄電池和商業建筑于一體的綜合電動汽車充電站（Integrated Electric Vehicle Charging Station，IEVCS），提出了一種新的四階段優化控制算法.算法分為日前及時前預測優化調度和實時控制兩大部分，以降低綜合運行成本為目標，建立考慮潛在不確定性和顧客滿意度指標的運營成本優化模型，再實時分層控制協調供需平衡，同時可節省總體計算時間.用電負荷按重要性及靈活性、PEV按電池狀態及充電需求進行實時分類.通過最大化用戶參與獎勵來鼓勵吸引更多PEV 用戶參與到放電方案中，提供更大的彈性來應對不可預測的情況，更可靠地為用戶服務.

1 綜合電動汽車充電站模型

雙向IEVCS 新模式，如圖1 所示，連接配電網及終端電力用戶，其設計位于商業建筑物內或周邊停車場，屬于商業建筑物附屬充電站或合作關系.

圖1 綜合電動汽車充電站IEVCS網絡Fig.1 Network of the integrated electric vehicle charging station（IEVCS）

當電力供給與需求失衡時，優先內部自我消化.建筑物負荷應是IEVCS 的“責任”，其電費或負荷損失都歸為其運營成本.當IEVCS 有電力剩余時用來支持建筑物負荷需求，仍有富余且電網處于峰值負荷需額外供給時，允許返售電量給電網，但需優先保障內部負荷供應并根據負荷種類優先級進行調配，包括PEV 充電、儲能充電及建筑物負荷需求.在滿足用戶用電要求及電網需求的前提下，可調整或平移PEV 充/放電、儲能充/放電或建筑物靈活負荷.考慮到電池充放電效率，當有其他可用能源時儲能放電不是優先選擇.根據光伏板輸出功率大小、電網供需狀態、PEV 充電需求、固定儲能電量狀態及當前電價等條件，針對不同的優化目標，IEVCS 可運行在不同模式下，電力潮流方向也會隨之改變.

2 四階段優化控制模型

該優化控制模型可按時間線分為四個階段（如圖2 所示）：1）日前優化：制定日前優化能源管理計劃；2）根據日前計劃，更新多層PEV 充電分時定價方案，計算放電參與補貼上限；3）時前優化：制定時前優化能源管理計劃；4）實時控制：根據時前計劃及實時數據反饋，實施實時控制策略.

圖2 四階段優化控制算法框架Fig.2 Schema of the four-stage optimization and control algorithm

各階段優化控制算法流程圖如圖3 所示.日前優化計劃會改變負荷需求預測，因此根據負荷峰谷時間段，在階段II 中將基于多層分時定價方案［15］對PEV 充電電價及在保證特定成本邊界條件下的PEV放電參與補貼上限進行更新，滿足充電站需求的同時給PEV 用戶帶來最大程度的經濟激勵以深入參與市場調控.階段III 的優化在時前15 min 進行，考慮了時前預測數據及階段II 中的價格更新，每次的優化涵蓋了下一個小時至最后一輛PEV 離開時間.因此設計時前優化是為了使優化更加精確以及考慮當天的突發狀況，而階段IV 是為了處理實時數據與預測數據之間的偏差來調整時前計劃.基于時前結果的實時控制不僅可節省更多的運行成本，也可更大程度地使IEVCS 具備應對供需關系變化的能力.

圖3 優化控制算法流程圖Fig.3 Flowchart of the four-stage optimization and control algorithm

2.1 PEV及建筑物負荷建模

通常來說，一天（24 h）是一個完整的仿真周期，但充電站里一天之中最后一個離開的PEV 通常會停留至凌晨之后.因此，在提出的算法中，仿真周期依然是24 h（從凌晨開始算），但每次仿真的覆蓋時間由一天之內到達但最后離開的PEV決定.

日前PEV 行程預測數據通過統計分析方法計算.每一輛到達的PEV 用戶都會設置目標離開時間及目標電量值.當電池容量為的PEVi在時刻接入時電量為（初始電荷狀態SOC 為），離開時的目標電量為Ei（目標電荷狀態SOC 為），在連接時間段Ti內每一時刻t的充電、放電功率為，則PEVi需滿足：

負荷可大致分為4 類：重要負荷、功率可控負荷、可平移負荷、一般負荷.重要負荷的電能供給需保障；功率可控負荷重要但靈活可控，如空調、取暖器之類的溫控設備；可平移負荷一般為洗衣機、洗碗機之類的可平移用電時間段的設備；余下的可靈活選擇性負荷為一般負荷.一個商業建筑物的各種類負荷大致分布如圖4所示［16］.

圖4 典型商業建筑物各類型負荷分布Fig.4 Power consumption of a commercial building

2.2 階段I及III中的優化模型

優化模型的目標函數包括了每一時刻t的電網供電成本、光伏發電及儲能設備的運行成本、負荷損失成本（expected energy not supplied，EENS）、PEV 放電補貼成本、PEV 充電收益以及電量返售電網收益.

式中：σ為單位電網電價；σG、σEV分別為返售電網單位電價及參與放電業務的PEV 的單位放電電價；分別為IEVCS與電網之間買、賣電交易功率；θEV、θPV、θBS分別為PEV 充電、PV 運行及儲能設備運行的單位成本；為PV的發電容量及儲能的電池容量；EENS的計算根據負荷需求及實際負荷供給決定，每種負荷根據其重要性與緊急性而有不同的單位負荷損失成本.

對于IEVCS 中的每一個元件在任一時刻都要滿足其約束條件.例如，對于每一輛PEVi需滿足：

此外，任一時刻需滿足功率平衡方程、潮流方程、電壓限制及節點功率傳輸限制等條件［17］.

2.3 階段IV中的控制策略

本文運用的控制策略重點在于不同比較結果下的場景區分、PEV 實時分類、針對不同預測偏差的優化邏輯等.

具體流程見圖5.Dif 表示在實時狀況下是否存在發電量多于用電需求或用電負荷增加的情況.控制路徑取決于Dif、各類用電電價、各類負荷單位損失成本等，其中電網電價的高低體現了該時刻負荷的峰谷情況.該實時控制的基本原則為：

圖5 IEVCS實時運行控制策略Fig.5 Flowchart of the control strategy

1）為減少新能源棄風棄光現象，采取“能并盡并”、“多發滿發”原則.

2）實時數據跟預測數據進行比較，比較變量有PV 輸出功率、建筑物負荷需求、在站PEV 數量及充電需求、儲能設備的電荷狀態等.

3）PEV 根據其充電需求及出發時間分為3 大類：①現時刻必須充電以滿足用戶要求；②可以按需求靈活調控充電時間；③與預測值一致，按時前優化計劃操作.

4）判斷邏輯和優先級根據控制路徑有區別.

5）當發電量大于預測值，如果電網電價高則減少電網供電量，反之則減少儲能設備供電或增加電量儲備.

6）當負荷需求大于預測值，需根據電網電價高低考慮從儲能還是電網增加供電，再依次考慮調整第2 類、第3 類PEV 用戶的充放電安排，以及第3 類建筑物負荷的用電時間.

該控制策略根據優先級順序進行調控，為突發天氣變化或負荷變化狀況提供了很大的富余.事實上，由于PEV 及新能源發電的高隨機性及不確定性，預測數據通常有很大可能的偏差，這些所有可能的場景都在控制策略中有所考慮.該實時控制的大致流程如表1所示.

表1 實時控制流程Tab.1 Flowchart of the control

3 仿真驗證

圖1 中的整個IEVCS 連接在IEEE 33 節點測試系統［18］的節點18 上.設置目標區域人口為300 人，PEV 市場占有率約30%，再根據統計數據估計PEV的日前預測數據，每次優化的仿真時間涵蓋至隔天的凌晨5：00（29 h）.儲能的最大容量設定為113.4 kWh，最大充放電功率為70.875 kW/h；PV 的最大輸出功率設定為153 kW.充電站內設置有18 個充電樁，最大充電功率為7.2 kW/h.

為了驗證該四階段優化控制算法中每個階段及對于涵蓋時間延長的作用及必要性，本文假定PV 受到突發天氣影響導致發電功率在9：00-15：00 受限的情況［19］，以及PEV 實時隨機數據與日前預測數據的差別，并設置了多種場景進行仿真比較.

3.1 日前計劃與時前計劃比較

為了驗證加入時前優化的作用，場景比較設置為直接用日前優化進行基本控制（場景1）與加入時前優化后再進行基本控制（場景2）.顯然時前預測數據比日前預測數據要更精確，但由于每小時進行的時前優化調整該小時開始直至隔天凌晨5 點的運行計劃，可平移負荷可能會因為前幾小時的發電不足推遲至25～29 h 內，但平移的負荷需要在一天之內補償，所以盡管時前優化會給出當前小時的最優計劃，也可能導致調整的負荷堆積在后面幾個小時內，造成更高的運行成本.

比較結果如圖6 所示，突發狀況確實會導致供電負擔集中在當日后幾小時內，但較場景1 中靈活負荷因8：00-11：00 電價高而大量推后，場景2 因每小時的及時反饋使得儲能在電價低的時段（2：00-7：00）存儲大量電能，為10：00-15：00應對天氣變化節省了大量成本，總運行成本約為場景1的1/15.

圖6 場景1與場景2的運行成本比較Fig.6 Scenario 1 vs.Scenario 2 in hourly operational cost

3.2 基本控制與實時控制比較

為了驗證加入實時控制策略的作用，場景比較設置為采用基本控制策略（場景3）與采用所提出的實時控制策略（場景4）.基本控制策略的原則是，當發電功率高于負荷需求時，優先將電量存儲在儲能設備中，反之則多出的負荷需求由電網供應.

從比較結果來看，場景3 的總運行成本是場景4的1.55 倍，實時控制使得10：00 PV 發電功率變化時儲能放電更多（如圖7 所示），11：00 時可平移負荷消耗更少，在電價不高時段存儲在儲能里的電量更多.可見，當預測數據相對準確時，兩場景成本差異不大，不可預見性越大，成本差異越明顯.因此，實時控制策略更有效地利用儲能設備及可調整負荷為可能發生的不利情況做了更充分的準備.

圖7 場景3與場景4的儲能設備電量比較Fig.7 Scenario 3 vs.Scenario 4 in battery storage SOC

3.3 階段I價格與階段II價格比較

為了驗證加入階段II的PEV 充電價格及放電補貼更新后運行成本是否會變化，場景比較設置為采用階段I價格（場景5）與采用階段II更新后價格進行后續優化控制（場景6）.價格根據日前優化給出的建筑物及PEV 負荷曲線進行更新.給PEV 用戶提供更大的經濟激勵必然會導致IEVCS 的整體成本增加，且PEV 放電需求量越大，成本增加越多.為了權衡收益，當需要額外供電時，PEV 放電的優先級也會相應降低.因此該比較目的在于，判斷為了更大的經濟激勵而付出的成本代價是否值得.比較結果見表2，總成本差別幾乎可以忽略.

表2 場景5與場景6的總運行成本比較Tab.2 Scenario 5 vs.Scenario 6 in total operational cost

3.4 涵蓋24 h 與涵蓋時間延長至最后的PEV 離開時間比較

為了驗證采用覆蓋到達PEV 所有時間段的方法是否優于固定24 h，場景比較設置為仿真時間覆蓋凌晨至次日凌晨（場景7）與延長覆蓋凌晨至次日最后一輛PEV 離開（場景8）.雖然每次仿真時間延長了，但控制周期仍然是24 h.延長的目的在于不把過夜PEV 分至兩天優化，設置當天結束的中間目標SOC 會縮小優化模型的可行域從而限制優化結果.但基于3.1節中提到可平移負荷的消耗問題，這個比較是非常必要的.為了簡化仿真，該比較基于場景1的基礎進行.

比較結果見圖8，場景8 選擇在電價高的時間段供應更多可平移負荷來減少一天的負荷損失，場景7的總成本是場景8 的1.4 倍.可見延長覆蓋時間為未知狀況提供了更大的包容性和靈活性.

圖8 場景7與場景8的比較Fig.8 Scenario 7 vs.Scenario 8

3.5 計算效率分析

為節省計算時間及簡化仿真，非線性潮流方程用來檢驗優化結果是否滿足電壓限制，不滿足則繼續求解.一臺四核處理器（1.6 GHz Intel i5 8 GB RAM）計算機處理階段III的優化模型耗時約17 s，另外0.0136 s 來獲得實時數據.一臺二核處理器（2 GHz Intel i5 8 GB RAM）計算機耗時0.03403 s完成實時控制，其中包括實時數據的提取.不同的計算機偏差在0.02 s 內.相較于文［24］中的計算復雜度，本文算法可將計算時間進一步縮短.雖然采用實時優化會使結果更加理想，但優化效果僅差0.4%，計算時間卻大大增加.

4 結論

該文提出的雙向IEVCS 新集成模式及其協同互動的四階段智能優化控制算法，涵蓋了日前、時前及實時3 個時間維度，綜合考慮了其運行成本并充分融入了用戶滿意度及市場經濟激勵，提供了新的控制策略來提高運行效果，將PEV 負荷及建筑物負荷進行實時分類來提高負荷的可控性，通過IEVCS 的靈活調節能力及自愈能力給電網提供更大的彈性，大幅提升電網性能和供電可靠性.