含電動汽車充電站的風/光/柴獨立微電網分層優化調度

肖朝霞，張可信，馮 冀

（1. 天津工業大學 天津市電工電能新技術重點實驗室，天津 300087；2.國網天津市電力公司 電纜分公司，天津 300300）

為推動我國能源整體轉型，實現“碳達峰”和“碳中和”的戰略目標[1]，探索微電網內可再生能源與電動汽車的耦合方式成為我國構建多元化清潔能源供應體系的方式之一[2-5]。以分布式清潔能源發電為主的微電網易受溫度、風速等天氣因素的影響，可再生能源發電功率具有波動性，產生棄風棄光和發電功率短缺等功率不平衡現象[6-8]。電動汽車產業的發展減輕了傳統汽車對一次能源的消耗，同時集群電動汽車發揮“移動儲能”的優勢可降低微電網投資和運行成本[9-10]，但對于含電動汽車充電站的微電網來說，無序充電的隨機性會引起微電網負荷功率出現“峰上加峰”現象，同時電動汽車充電站與微電網屬于不同利益主體，這也給微電網能量管理系統增加了不確定性和管理維度[11-13]。因此如何最大化發揮二者協同增效的優勢是研究的關鍵。

現階段，國內外研究學者對電動汽車與微電網的優化調度方向進行了大量研究，大部分研究成果是主要利用電動汽車充放電解決微電網負荷側功率波動問題，而對微電網供電側和用電側的功率平衡以及不同利益主體下的綜合能源管理方法研究較少。針對電動汽車有序充放電引導策略，文獻[14]為解決電動汽車無序充放電對微電網造成“峰上加峰”的問題，引入區塊鏈對電動汽車鏈上交易機制執行過程進行分析，并建立雙層調度模型引導電動汽車有序充放電，實現微電網內部供求平衡；文獻[15]利用電動汽車儲能特性平抑負荷波動，并通過多目標粒子群優化算法調度電動汽車消納可再生能源；文獻[16]考慮電動汽車用戶行為意愿，建立基于分時電價的含電動汽車的微電網系統優化調度模型。針對不同利益主體下的優化管理研究，文獻[17]提出將微電網調度過程分為負荷層和源儲層，即負荷層在保證電動汽車用戶利益前提下利用電動汽車儲能特性平抑微電網負荷峰值，源儲層利用電動汽車消納多余風光出力；文獻[18]基于分析目標級聯的方法，根據不同的利益相關者，以最佳發電效率為目標，建立微電網與電動汽車充電站之間電力相互作用的優化模型。本文面向建設在工業園區內的含電動汽車充電站的風/光/柴獨立微電網，提出一種多時間尺度分層優化調度方法。

1 含電動汽車充電站的風/光/柴微電網分層優化體系

含電動汽車充電站的風/光/柴獨立微電網包括2個利益主體：微電網運營商和電動汽車充電站。微電網運營商希望充分發揮可再生能源發電的經濟效益，根據自身運行狀態決定是否向電動汽車充電；電動汽車充電站希望向微電網支付的充電費用最小并在放電過程中獲得合理的經濟補償。2 個利益主體具有部分從屬關系。建立含電動汽車充電站的風/光/柴微電網分層優化體系如圖1 所示。

圖1 含電動汽車充電站的風/光/柴微電網分層優化體系Fig.1 Hierarchical optimization system of wind/PV/diesel microgrid with electric vehicle charging station

微電網作為上層決策者，考慮運行成本制定分時充電電價；充電站作為下層從屬者，依據分時充電價格建立有序充電計劃。同時，微電網考慮電動汽車群的“儲能”特性，制定“短時功率支持”電價引導機制，引導電量滿足要求的電動汽車群放電，滿足微電網內重要負荷的供電可靠性。

2 微電網分布式電源及負荷成本模型

2.1 分布式電源出力模型與成本模型

2.1.1 光伏發電系統出力模型與成本模型

光伏發電系統的出力模型為[19]：

式中：PSTC、GSTC分別為標準測試條件下最大測試功率和太陽能輻射強度；kp為功率溫度系數，取值-0.004 7 K；選定環境參考溫度Tr的值為298.15 K；Gc為光伏陣列實際運行光照強度；Tc為實際運行下的環境溫度。

光伏發電系統的成本模型為[20]：

式中：MPV為光伏維修系數；IPV為初始投資成本系數。

2.1.2 風機發電系統出力模型與成本模型

風機發電系統的出力模型為[21]：

式中：vci為切入風速；vco為切出風速；vr為額定風速；PWT，rated為在額定風速下風機的輸出功率；kw1=PWT，rated/

風機發電系統的成本模型為[22]：

式中：MWT為風機維修系數；IWT為風機投資成本系數。

2.1.3 柴油發電機組出力模型與成本模型

柴油發電機組效率特性曲線如圖2 所示。考慮到風機、光伏發電系統的發電功率具有波動性，在微電網運行過程中，始終保持柴油發電機組在低效區和高效區運行。

圖2 柴油發電機燃油消耗特性曲線Fig.2 Fuel consumption characteristic curve of diesel generator

圖2中，Prate為柴油機額定運行功率，為60 kW。根據柴油發電機輸出功率的范圍，將柴油機工作區域分為：截止區0~18 kW（≥0 kW，≤18 kW）、低效區18~42 kW（≥18 kW，＜42 kW）和高效區42~60 kW（≥42 kW，≤62 kW）[23]。

柴油發電機組的成本模型為：

式中：Cfuel為燃油費用；MDG為柴油機維修系數；IDG為柴油機成本系數；EDG為環境成本系數。

綜上，各分布式電源的運行費用參數如表1 所示。

表1 分布式電源運行維護費用Tab.1 Operation cost of distributed generation

2.2 可平移負荷懲罰費用模型

考慮用戶側用電滿意度，引入轉移可平移負荷的懲罰費用模型。數學表達式如下：

式中：Ptran（t）為t時刻可平移負荷轉移量；Pmost（t）為t時刻微電網總負荷；kt1和kt2均為懲罰系數。

3 電動汽車分時充電/短時放電定價機制

3.1 分時充電電價制定

微電網運營商考慮分布式電源發電成本同時兼顧期望收益制定分時充電電價。主要有3 種方式充電：風光發電系統出力；提高柴油發電機組輸出功率；轉移可平移負荷。

當風光發電系統出力有盈余時，有以下2 種計算充電電價的方式。

（1）計算風光發電系統和柴油發電機組共同出力下的平均成本電價Cg，EV，DG，t：

式中：CDG，Pmin，t為柴油發電機在最低功率運行下的發電成本；Csurplus，t為t時刻風光盈余量的發電成本；PDG，min，t為柴油發電機最低輸出功率；Psurplus，t為t時刻風光盈余量。

（2）計算風光發電系統出力并轉移可平移負荷產生的平均成本電價Cg，EV，tran，t：

式中：CEV，tran，t為t時刻轉移可平移負荷懲罰成本，見式（6）；PEV，tran，t為t時刻可平移負荷轉移量。

比較以上2 種情況的成本電價，取價格最低的作為該時段充電成本電價Ccost，grid，t：

當風光發電系統出力無盈余時，只能提高柴油發電機輸出功率和轉移可平移負荷。假定電動汽車充電站的充電樁額定功率為7 kW，滿足充電能力的柴油發電機輸出功率范圍是18~53 kW，可平移負荷功率范圍是大于7 kW。

（1）柴油機正常運行且輸出功率小于53 kW，可平移負荷大于7 kW：此時提高柴油發電機出力和轉移該時段可平移負荷均滿足充電要求。分別計算2 種充電方式下的發電成本CEV，DG，t、CEV，tran，t：

式中：CDG，t為該時段下柴油發電成本；PDG，t為該時段下的柴油機輸出功率；CEV，tran，t見式（6）。

比較2 種充電方式下的電價大小，取價格最低作為此時的充電成本電價。

（2）柴油機正常運行且輸出功率小于53 kW，可平移負荷小于7 kW：此時僅柴油機滿足充電要求，因此柴油機的成本電價為電動汽車充電的成本電價。

（3）柴油機正常運行且輸出功率大于53 kW，可平移負荷大于7 kW：此時僅轉移可平移負荷滿足充電要求。因此轉移可平移負荷的單位懲罰成本為電動汽車充電的成本電價。

（4）柴油機正常運行且輸出功率大于53 kW，可平移負荷小于7 kW：此時提高柴油發電機出力和轉移可平移負荷均不滿足充電要求，因此不再考慮為電動汽車充電。

綜合考慮影響微電網發電成本因素，制定日前分時充電電價：

式中：kpf為充電收益系數；Ccost，grid，t為微電網在各時段的發電成本電價。

綜上，分時充電電價制定流程如圖3 所示。

圖3 充電電價制定流程Fig.3 Flow chart of charging price-fixing

3.2 短時放電電價制定

電動汽車的放電成本考慮3 個因素：①考慮電動汽車充電站的經濟利益，取平均充電電價作為電動汽車購電成本；②考慮不同放電深度下電池壽命，結合電池購置成本計算電動汽車電池單次放電產生的損耗成本；③考慮不同放電深度下電池壽命，將電池購置成本折算為單位電量放電成本。

首先定義每輛電動汽車電池放電深度SDOD：

式中：Pdischarge，t為短時預測15 min 內重要負荷缺失功率；n為參與放電電動汽車數量；Es為電動汽車電池容量（30 kWh）。

電池循環壽命與工作方式有關，放電深度越大，循環壽命越小。定義L為在放電深度SDOD下的電池循環壽命次數。放電深度與循環壽命的關系為[24]：

定義LET為在放電深度為SDOD下的電池總放電電量。放電深度與電池總放電電量的關系為：

式中：Cbat為電池購置成本，取45 000 元。

綜上，短時放電電價Cdischarge，ave為：

式中：Ccharge，ave為日前電動汽車平均充電電價；kdr為放電收益系數。

不同放電深度下短時放電電價如圖4 所示。由圖4 可知，放電深度增大加劇電池的損耗，放電電價也隨之增加。

圖4 不同放電深度與放電電價的關系Fig.4 Relationship between different depths of discharge and discharge price

短時放電電價制定流程如圖5 所示。

圖5 放電電價制定流程Fig.5 Flow chart of discharging price-fixing

4 含電動汽車充電站的風/光/柴微電網日前/短時優化調度模型

含電動汽車充電站的風/光/柴微電網日前/短時優化調度原理如圖6 所示。該調度過程分日前和短時2 個階段：日前優化階段制定分時充電電價引導電動汽車有序充電，并求解考慮電動汽車充電負荷的日前最終調度計劃；短時優化對日前調度計劃進行調整，并制定短時放電電價引導電動汽車向微電網作“功率支持”，保證微電網的供電可靠性。

圖6 日前與短時優化調度原理Fig.6 Principle of combining day-ahead and short-term optimal scheduling

4.1 含電動汽車充電站日前調度數學模型

4.1.1 基于蒙特卡洛法的電動汽車負荷預測

電動汽車用戶的充電行為具有隨機性。蒙特卡洛法以隨機抽樣為基礎，將離散的實驗數據擬合，使研究對象呈現出一定規律。

本文對工業園區內的20 輛私家電動汽車1 天中的無序充電行為進行分析，統計電動汽車用戶到達充電站時間和充電電量的歷史數據，建立蒙特卡洛概率模型如下：

式中：起始充電時間滿足正態分布N（8.4，3.3），日均需求電量滿足正態分布N（11.9，5.8）。

該區域電動汽車充電站負荷預測結果如圖7 所示。由圖7 可知，電動汽車充電站日均需求電量約為WEV，sum=350 kWh。

圖7 無序充電負荷預測結果Fig.7 Prediction of disordered charging load

4.1.2 電動汽車有序充電優化模型

（1）目標函數。有序充電優化模型目標是電動汽車充電站總充電費用最低，目標函數如下：

式中：Tt為優化時段；PEV，t為電動汽車充電站的有序充電功率；Ccharge，t為分時充電電價。

（2）約束條件。約束條件包括充電功率約束、充電時間約束和能量平衡約束。

充電功率約束：

式中：PEV，t為充電站每小時總充電功率；Pmax，t為每小時最大充電功率，由微電網在不同時段向電動汽車供電的發電方式決定。

充電時間約束：

式中：Treach為電動汽車到達充電站的時間，取8 ∶00；Taway為電動汽車離開充電站的時間，取18 ∶00。

能量平衡約束：

4.1.3 日前調度數學模型

（1）目標函數。微電網日前調度分為2 個階段：第1 階段不考慮電動汽車充電負荷求解初始調度計劃，利用調度結果制定分時充電電價；第2 階段將電動汽車有序充電功率作為微電網重要負荷重新進行調度，得到最終的優化結果。日前優化調度的目標函數為：

式中：Csum為微電網的總運行費用；包括光伏發電成本CPV，見式（2）；風力發電成本CWT，見式（4）；柴油發電機組發電成本CDG，見式（5）；Ctran為可平移負荷轉移后產生的懲罰費用，見式（6）；CEV為電動汽車總充電費用，見式（22）。

（2）約束條件。約束條件包括功率平衡約束、可再生能源發電系統功率約束和柴油發電機組功率約束。

功率平衡約束：

式中：Pless（t）為t時刻重要負荷功率；Pmost（t）為t時刻總負荷功率；PEV（t）為t時刻電動汽車充電負荷功率；PWT（t）、PPV（t）、PDG（t）分別為風力發電系統、光伏發電系統、柴油發電機組t時刻的輸出功率。

可再生能源發電系統功率約束：

式中：PWT，max為風力發電系統最大輸出功率；PPV，max為光伏發電系統最大輸出功率。

柴油發電機組功率約束：

式中：PDG，min為柴油發電機組最小輸出功率；PDG，rated為柴油發電機的額定功率。

4.2 含電動汽車充電站短時調度數學模型

4.2.1 電動汽車短時放電優化模型

（1）目標函數。短時放電目標函數是微電網中重要負荷切斷量最小，目標函數如下：

式中：ΔPless為重要負荷切斷量；Pdischarge為單輛電動汽車放電功率；n為電動汽車放電數量；Pno為微電網重要負荷功率缺額。

（2）約束條件。約束條件包括放電深度約束和電動汽車SOC 約束。

放電深度約束：

式中：Wdischarge為每輛電動汽車的放電量；WBattery，ratde為電動汽車電池額定容量。

電動汽車SOC 約束：

式中：SOCEV，t為電動汽車在t時刻的SOC。

4.2.2 短時調度數學模型

（1）目標函數。短時調度以未來一小時作為優化區間，15 min 為優化步長，滾動更新預測天氣數據和負荷信息。采用混合整數線性規劃的方法，對日前調度計劃進行優化與調整。短時優化調度目標函數如下。

i）對日前調度計劃調整最小：

式中：ΔPWT、ΔPPV、ΔPDG分別為風力發電機、光伏、柴油發電機短時調度與日前調度之間輸出功率變化量。

ii）棄風棄光量最小：

式中：Ploss為系統總棄風棄光量；Prenewable，max為微電網在各個時段內風光發電系統的最大輸出功率；Prenewable為風光發電系統實際輸出功率。

（2）約束條件。短時調度模型約束條件與日前調度模型約束條件一致，不再贅述。

5 算例仿真

本文對建設在工業園區內含電動汽車充電站的風/光/柴獨立微電網進行分析。其中柴油發電機組額定功率為60 kW；風力發電系統總額定功率為85 kW；光伏發電系統總額定功率為100 kW。參數如表2、表3 所示。

表2 風力發電系統參數Tab.2 Parameters of wind power generation system

表3 光伏發電系統參數Tab.3 Parameters of photovoltaic power generation system

5.1 正常天氣算例分析

5.1.1 日前算例分析

正常天氣下，首先對某工業園區典型日未來24 h的溫度、光照強度、風速以及微電網中的各類負荷進行預測，預測結果如圖8 所示。然后將預測信息輸入至日前調度模型進行第1 階段優化，優化結果如圖9所示。

圖8 日前典型日天氣、負荷數據（正常天氣）Fig.8 Weather and load data of typical day of day-ahead（normal weather）

由圖9（a）可知，日前調度第1 階段計算出微電網分布式電源的初始運行狀態，且風光發電系統發電功率遠小于額定功率，若沒有電動汽車參與到微電網能量管理中，將造成大量棄風棄光現象。由圖9（b）可知，分時充電電價呈現出“日間低，夜間高”的現象，這是由于日間風光充足且成本較低，因此圖9（c）電動汽車選擇日間充電，提高風光能源的利用率，同時也降低了電動汽車充電站的充電成本。

圖9 日前調度第1 階段優化結果（正常天氣）Fig.9 Optimization results of the first stage of day-ahead scheduling（normal weather）

最后進行日前調度第2 階段優化，優化結果如圖10 所示。

由圖10（a）可知，與日前第1 階段調度計劃相比，柴油發電機組出力未發生變化，風力發電系統和光伏發電系統輸出功率升高，提高了風光能源利用率。由圖10（b）可知，少量可平移負荷轉移至18 ∶00-19 ∶00，對微電網中的負荷未產生斷電影響。

圖10 日前調度第2 階段優化結果（正常天氣）Fig.10 Optimization results of the second stage of day-ahead scheduling（normal weather）

5.1.2 短時算例分析

對風速、光照強度、溫度以及系統負荷進行短時預測。預測數據如圖11 所示。經優化得到短時調度結果如圖12 所示。

圖11 短時典型日天氣、負荷數據（正常天氣）Fig.11 Weather and load data of typical day of short-term（normal weather）

圖12 短時調度優化結果（正常天氣）Fig.12 Optimization results of short-time scheduling（normal weather）

由圖12（a）可知，與日前第2 階段調度計劃相比，柴油機出力變化較為明顯，多表現在某15 min 出現的功率增長，風機與光伏的出力波動變化在正常范圍內上下浮動。由圖12（b）可知，轉移的可平移負荷功率較大，且平移時段較多，因此短時調度對日前調度的矯正是十分必要的。

正常天氣下短時調度計劃與日前最終調度計劃對比如表4 和表5 所示。

由表4 和表5 可知，短時調度下的棄風棄光率和微電網總成本相較于日前調度較高，但誤差在正常允許范圍內，因此說明了短時優化調度對日前計劃調整的有效性。

表4 微電網日前與短時棄風棄光對比（正常天氣）Tab.4 Microgrid′s final power generation plan（normal weather）

表5 微電網日前與短時發電成本（正常天氣）Tab.5 Power generation costs of micrograd under day-ahead and short-term scheduling（normal weather） 元

5.2 突變天氣算例分析

5.2.1 日前算例分析

假設下午13 ∶00-14 ∶00 天氣發生突變，風速下降，光照強度減弱，溫度降低，其他時段的天氣情況與正常天氣相同，預測結果如圖13 所示。日前第一階段優化結果如圖14 所示。

圖13 日前典型日天氣、負荷數據（突變天氣）Fig.13 Weather and load data of typical day of day-ahead（abrupt weather）

圖14 日前調度第1 階段優化結果（突變天氣）Fig.14 Optimization results of the first stage of day-ahead scheduling（abrupt weather）

由圖14（a）可知，與正常天氣第一階段調度結果對比，柴油發電機在13 ∶00-14 ∶00 發電功率增加，風光發電功率已經達到最大。由圖14（b）可知，受天氣因素影響，13 ∶00-14 ∶00 電價由正常天氣下1.35 元/kWh上漲至1.79 元/kWh；12 ∶00-13 ∶00 充電價格最低為1.34 元/kWh。因此由圖14（c）可知，從微電網運行經濟性和電動汽車充電站利益角度出發，該時段電動汽車充電功率為91 kW，13 ∶00-14 ∶00 不提供電能。

接著進行日前調度第2 階段優化，優化結果如圖15 所示。由圖15 可知，在13 ∶00-14 ∶00 各分布式電源輸出功率均升高，且轉移部分可平移負荷至18 ∶00-19 ∶00。

圖15 日前調度第2 階段仿真結果（突變天氣）Fig.15 Optimization results of the second stage of day-ahead scheduling（abrupt weather）

5.2.2 短時算例分析

突變天氣下，對風速、光照強度、溫度以及各類負荷進行短時預測，預測結果如圖16 所示。

圖16 短時典型日天氣、負荷數據（突變天氣）Fig.16 Weather and load data of typical day of short-term（abrupt weather）

由圖16 可知，12 ∶45 到13 ∶30 時段，氣溫下降、風速降低、光照強度減弱。在13 ∶15-13 ∶30 降到最低，13 ∶30-13 ∶45 氣溫、風速和光照強度開始回升。短時調度仿真結果如圖17 所示。

由圖17（c）可知，在13 ∶15-13 ∶30 時間段重要負荷出現被切斷的情況，為保證微電網供電可靠性，制定短時放電電價，引導電動汽車短時放電。短時放電電價和放電功率如圖18 所示。放電價格為2.41 元/kWh，總放電功率為10 kW。

圖17 短時調度仿真結果（突變天氣）Fig.17 Optimization results of short-term scheduling（abrupt weather）

圖18 短時放電電價/放電功率（突變天氣）Fig.18 Short-term discharge price/discharging power of EV charging station（abrupt weather）

突變天氣下短時調度計劃與日前最終調度計劃對比如表6 和表7 所示。可見，棄風棄光率較低，且在誤差允許范圍內；微電網總成本較正常天氣有所升高。

表6 微電網日前與短時棄風棄光對比（突變天氣）Tab.6 Comparison of abandonment of wind and photovoltaics of microgrid under day-ahead and short-term scheduling（abrupt weather）

表7 微電網日前與短時發電成本（突變天氣）Tab.7 Power generation costs of microgrid under day-ahead and short-term scheduling（abrupt weather）

表8給出微電網各電源的發電成本以及電動汽車充電站平均充/放電價。由表8 可知，各單元發電成本和充/放電價符合目前電價市場的實際情況。

表8 電源發電成本與充放電平均電價Tab.8 Power generation cost and average charge or discharge price

綜上，含電動汽車充電站的風/光/柴獨立微電網分層調度體系發揮了電動汽車充電站和微電網之間協同增效的優勢，同時實現二者“有序能量支持”和“短時功率支持”。日前與短時相結合的多時間尺度調度模型既保證了微電網的運行經濟性，也提高了可再生能源的利用率。

6 結 論

本文面向建設在工業園區含電動汽車充電站的風/光/柴獨立運行微電網，主要解決了電動汽車通過有序充/放電參與微電網運行的多利益主體分層優化調度的問題，實現電動汽車群對風/光/柴微電網的“有序充電-能量支持，短時放電-功率支持”與電動汽車用戶和微電網運營商兩個利益主體之間的協同增效。

（1）建立了充/放電定價機制，引導電動汽車群有序充電與短時放電。

（2）建立了含電動汽車充電站的風/光/柴微電網分層調度體系。

（3）考慮分布式電源和負荷預測的準確度，建立了含電動汽車充電站的風/光/柴微電網日前/短時優化調度模型。仿真結果證實了該方案既可以減少電動汽車對大電網電能的需求，也能夠充分利用可再生能源，使電動汽車充電能夠實現真正意義上的減少碳排放。