基于需求響應的EVs參與風電功率分層優化調度策略研究

吳 爽,張 春*,吳零晨,童澤軍,高鵬程,李浩宇

(1.高端裝備先進感知與智能控制教育部重點實驗室,安徽蕪湖 241000;2.安徽工程大學電氣工程學院,安徽蕪湖 241000)

0 引言

隨著全球可再生能源發電迅速增長以及電動汽車(ElectricVehicle,EV)等非常規負荷的接入,傳統的電網協同調度方法已無法滿足電力系統運行的需要[1].EVs的儲能特性可視作電網中移動的儲能電源,通過EV入網(Vehicle to Grid,V2G)技術可實現電網與EV的雙向互動,并且EV具有極強的調度靈活性,可以有效彌補電力系統的旋轉備用和峰荷電源[2].因此考慮EV如何參與風電協同調度是目前需要解決的問題之一.

針對EV入網對電力系統的影響,文獻[3]對風光出力隨機性以及電動汽車主動參與綜合能源低碳經濟調度問題進行了研究.文獻[4]對電動汽車的時空負荷特性進行分析并結合限制的充放電功率制定了電動汽車有序充放電策略.文獻[5]基于分時電價,提出了一種由集群代理商進行決策的充放電策略.與此同時,EV用戶是否參與電網調度以及參與意愿是否強烈等會直接影響調度策略的運行效果,因此在調度過程中需要考慮EV用戶參與電網調度這一重要因素.文獻[6]提出了考慮用戶積極性的電動汽車與機組聯合調頻的兩階段隨機規劃調度模型.文獻[7]在提出大規模電動汽車有序充電策略基礎上,提出了將該群體策略分配至每一輛電動汽車的負荷分配策略.文獻[8]建立了考慮車主與電網互動意愿,基于電網調峰策略的換電站實時定價模型.

上述研究內容重點考慮了電動汽車集群的隨機性問題,但是缺少對單個電動汽車行駛特性的深入研究.為此,本研究在已有研究基礎之上,針對電動汽車充放電特性給微電網帶來的影響,考慮電動汽車這一柔性負荷及其負荷可轉移特性,建立電動汽車充電負荷模型.采用價格型需求響應,在電動汽車充放電調度部分進行分層控制,以分時電價引導用戶轉移電動汽車用能時段,使部分負荷發生轉移,從而更多地消納多余風電,構建以分時電價為引導的電動汽車優化調度策略.該策略通過在EV控制器內設定閾值來判斷系統是否存在棄風,提高了系統的運行效率;同時考慮到電網的經濟性、可持續發展以及用戶自身滿意度,建立多目標模型進行調度優化;最后通過算例驗證了本調度策略的有效性.

1 電動汽車充電負荷模型

根據目前電動汽車發展情況,以利用分布式充電樁常規充電的私家電動汽車為對象,建立其充電負荷模型,并做出如下假設:

1)EV每100 km耗電量固定為15 kW·h;2)EV每次進行充電都將充滿;3)本文中的V2G放電被看作是一個負的負荷,其相關特性與充電類似;4)本文中將電動汽車充電過程簡化為恒功率充電,考慮到汽車在充電樁充電時為常規充電,其充電起始、結束時間相對于整個充電過程可以忽略;5)汽車的開始充電時間和日行駛里程是相互獨立的隨機變量.

1.1 行程結束時刻與日行駛里程概率模型

根據美國國家公路交通安全管理局在2019年公布的官方數據可知,所調查EV的行程結束時間和日行駛里程數滿足對數正態分布[9].EV的行程結束時刻,即充電開始時刻,其概率分布函數如式(1).

(1)

式中,t為充電時刻,μs=17.6,σs=3.4.

電動汽車一天所消耗的電量由其日行駛里程決定,這也決定了用戶對于參與電網調度的意愿程度.私家電動汽車每天行駛的路線相對固定,用戶駕駛電動汽車與駕駛傳統燃油汽車的行駛里程相近,因此假設每輛EV都滿足傳統汽車日行駛里程的分布.根據文獻[10]的研究發現,EV每日行駛里程近似滿足對數正態分布,其概率分布函數如式(2).

(2)

式中,r為電動汽車日行駛里程,μD=3.20,σD=0.88.

1.2 充放電負荷分布模型

電動汽車在一個完整的充放電周期內的規劃用一個I×T的矩陣X表示.

(3)

其中,xi,t為第i輛EV在單位時間內的充放電功率.若xi,t>0,說明處于充電狀態;若xi,t<0,說明處于放電狀態.

為建模方便,假設每輛EV均從整數時刻開始進行充電,即從k時刻開始充電,公式為:

(4)

式中,Nk(k=1,2,…,24)表示EV從k時刻到k+1時刻開始充電的數量,N為EV的總數量.

考慮到電動汽車會有不同的日行駛里程,對日行駛里程在某一范圍的汽車進行歸類:如果某一輛EV日行駛里程在0～n km內,就認為該輛汽車的日行駛里程是n km,歸為第一組EV;日行駛里程處于n～2n km內,就認為該輛汽車的日行駛里程是2n km,歸為第二組EV;其他同理,后續不同日行駛里程的EV將會歸為不同組別.

根據上述分析可知,在k時刻開始充電的日行駛里程為第a組的EV數量為:

(5)

在k時刻開始充電的日行駛里程為第a組的EV的充電時間為:

(6)

式中,W表示EV每100 km消耗的電能,Sa表示第a組EV的日行駛里程,Pc表示充電功率.

1.3 泊車概率分布

由EV的日行駛里程概率分布可知,EV的日行駛里程小于100 km所占的比例達到90%以上,行駛時間大部分處于兩個小時以內.一天當中會有很大數量的EV處于停泊狀態,這些處于停泊狀態的EV將會有更長的時間跨度參與到電力調度.為建模方便,設定所有處于停泊狀態的EV都用來參與電力調度,即停泊狀態的EV數量就是參與電力調度的EV數量,EV的日內泊車概率如圖1所示.

圖1 泊車概率分布Fig.1 Probability distribution of parking

2 系統優化調度策略

針對傳統能源供應網絡應對負荷波動手段單一的缺點,引入電動汽車來緩解能源網絡中負荷波動,減少峰谷比,并通過協調各個機組能源出力實現多能互補,增加風電消納,減少系統運行成本和碳排放.由于引入電動汽車作為儲能設備,改變了傳統供能網絡的結構,因此應研究發電機組與電動汽車間協調運行策略.針對風電系統制定相應的動態分時電價,在劃分當天分時電價時段時,將用電負荷和風電數據結合考慮.具體劃分方法如圖2所示.

圖2 動態分時電價時段劃分示意圖Fig.2 Time division diagram of DTOU electricity price

動態分時電價劃分可表示為:

(7)

Peq(t)=Pload(t)+Pwf(t)

(8)

(9)

(10)

式中,e0為平時電價,β為在平時時段電價基礎上高電價和低電價上下波動范圍系數,Peq(t)為電負荷與風電的等效負荷,Pload(t)為系統電負荷,Pwf(t)為風電預測出力,Peq,max和Peq,min分別為等效負荷最大值和最小值,Ph為等效負荷的峰谷差,Pav為等效負荷的均值.

構建電動汽車參與風電協同調度的系統結構如圖3所示.采用價格型需求側響應,通過分時電價機制引導用戶改變電動汽車用能時段,使部分負荷發生轉移,從而更多地消納多余風電.當風機出力較大,而電負荷較小時,風電的反調特性將引起棄風,此時應優先減少傳統供電機組的輸出,并通過電動汽車以V2G技術消納多余風電.而在風機低發、電負荷高峰時段,風電將會被全部消耗,傳統機組出力增加,此時電動汽車作為儲能設備輸出電能,消弱電負荷峰值,并利用峰谷電價差盈利.

系統中充放電調度部分由上層調度中心和下層EV控制層兩層構成.上層的調度中心將EV控制器所收集的電動汽車用電情況進行匯總分析.調度中心根據獲得的風電預測出力數據、負荷預測數據和集群電動汽車用電信息進行組合優化,得出最優調度結果后下發調度計劃至發電機組、風力發電和EV控制器.下層的EV控制層通過控制器收集整個區域的電動汽車用電信息,對其量化建模;EV控制器根據接收到的調度計劃合理安排整個區域內的EV進行充放電控制.

考慮到消納棄風,提升系統供能效率及經濟性,減少不必要的能量轉換,電動汽車應采用棄風啟停控制策略,即EV控制器根據有無棄風現象來決定電動汽車V2G的啟動和停止.有無棄風判斷如下:

(11)

式中,k1=1表示有棄風,k1=0表示無棄風,PGASF(t)表示t時段燃氣機組強迫出力,PCONF(t)表示t時段火電機組強迫出力,Pload(t)表示系統電負荷,Pwf(t)表示風電預測出力.

3 多目標優化調度

3.1 目標函數

本文建立的模型是基于電動汽車參與消納風電,以運行成本、碳排放和改進型用戶滿意度為目標的優化方法.在減少系統運行成本的同時,既把雙碳目標政策考慮在內,又顧及到用戶側對用能滿意度的要求.

目標一考慮到電網運行的經濟性,建立計及系統運行成本的目標函數f1為:

(12)

式中,a1表示天然氣價格,a2表示單位燃煤價格,a3表示電動汽車單位放電功率運行費用,a4表示電動汽車負荷轉移費用,Vbuy(t)表示t時段天然氣購買量,FCON(t)表示t時段純凝火電機組耗煤量,PEV(t)表示t時段電動汽車放電功率,PEV_Z(t)表示t時段電動汽車負荷轉移量,CEV(t)表示電動汽車負荷轉移給用戶補償費用.

目標二考慮到“雙碳”目標政策,建立計及系統碳排放的目標函數f2為:

(13)

目標三以EV用戶滿意度為目標.由于EV負荷的轉移或削減可能會對用戶的滿意度產生影響,因此本文針對EV負荷參與下的系統調度,提出了改進型EV用戶滿意度計算模型.文獻[11]中提出的用戶滿意度ξ為:

(14)

考慮到EV用戶的用能需求,將系統電負荷、分時電價與用戶滿意度結合,并與系統運行成本和碳排放相融合,實現多目標優化,提升系統調度的真實性和可靠性.EV用戶滿意度目標函數f3計算為:

f3=1-Fξ

(15)

(16)

式中,ΔWl(t)和ΔC(t)分別表示調度前后電負荷和電價的變化量,Wl(t)和C(t)表示原始電負荷和平時電價.調度前后的數據變化量越大,說明用戶負荷調整行為越多,Fξ值越大,即EV用戶滿意度越低.

3.2 多目標函數處理

因上述目標函數間存在量綱差異問題,采取min-max標準化的方法對各目標函數進行歸一化處理.

(17)

經式(17)處理后,采取加權法將多目標優化變成單目標優化,計算公式為:

(18)

ω1+ω2+ω3=1

(19)

式中,ω1、ω2和ω3分別表示各目標函數的權重系數,根據需求進行調整.

3.3 約束條件

電功率平衡約束為:

PGAS(t)+PCON(t)+Pw(t)=Pload(t)+k1PEV(t)

(20)

式中,PGAS(t)表示t時段燃氣機組電功率,PCON(t)表示t時段純凝火電機組電功率,Pw(t)表示t時段風機電功率.

機組的天然氣消耗量與燃氣輪機電功率關系為:

(21)

式中,b1、b2、b3表示燃氣輪機的擬合常數,Vf表示燃氣機組天然氣消耗量.

其中,燃氣機組發電應滿足以下條件:

(22)

(23)

純凝火電機組出力約束為:

(24)

風電場出力約束為:

(25)

電動汽車約束為:

(26)

Smin≤S(t)≤Smax

(27)

Smin=d1NEVSEVmax

(28)

Smax=d2NEVSEVmax

(29)

3.4 模型求解

采用改進粒子群算法對模型進行求解.考慮到在對模型求解過程中會得到大量不可行解,這將消耗大量時間在眾多解中尋求可行解,嚴重影響算法的尋優速度.因此在傳統粒子群算法基礎上引入約束自調節環節,對調度模型中的等式約束與不等式約束進行自調節,使其滿足約束條件,每次計算使可行解比例不斷增加,同時算法的尋優速度也會大大提升,求解流程如圖4所示.

圖4 改進粒子群算法流程圖Fig.4 Improved particle swarm algorithm flow chart

每臺機組的電功率調節結果為:

(30)

4 算例分析

根據本文所提的優化調度模型,設調度周期為24 h,調度間隔為1 h.由于私家車相對于共用車來說,其參與調度的可能性更大,因此,文中所提及的電動汽車均為私家車,并假設每輛車都有對應的充電樁,該區域內所有可供調度的電動汽車數量為5 000輛,具體參數見表1.圖5所示為電負荷需求曲線及預測風力發電曲線.

圖5 電負荷需求曲線及預測風力發電曲線Fig.5 Electricity load demand curve and forecast wind power generation curve

圖5 電負荷需求曲線及預測風力發電曲線Fig.5 Electricity load demand curve and forecast wind power generation curve

風電的反調峰特性導致電網在夜間電負荷低谷時期無法消納多余風電,白天風電低發,無法在電力高峰期給電網提供電力補充,為解決這種用電不平衡現象,通過引入電動汽車來實現電力的供需平衡.為驗證所研究能源調度策略消納棄風效果與經濟性,設置3種場景進行對比分析:場景1不配置任何消納棄風裝置;場景2有EV但不執行分時電價策略;場景3有EV并執行分時電價策略.

為了順利執行分時電價機制并發揮其作用,針對包含風電的系統制定相應的分時電價,在對分時電價時段進行劃分時,將風電功率和基本負荷信息歸納考慮,得出風電和基本負荷的等效負荷,劃分結果如圖6所示.為分析該調度策略在減小峰谷差、緩解電力系統供能壓力方面的作用,對調度周期內的電動汽車運行情況做了詳細分析,圖7為優化前后電動汽車充放電功率分布圖.

圖6 基于等效負荷的分時電價劃分結果Fig.6 Results of time-of-use tariff classification based on equivalent load圖7 優化前后電動汽車充放電功率分布Fig.7 Electric vehicle charging and discharging power distribution before and after optimization

由圖6和圖7可知,在執行分時電價后,電動汽車由無序充電變為有序充電,汽車的充電時間被分配到負荷低谷且風電出力較大的時段,既降低了用戶的用電成本,又消納了系統中多余的風電.另外,電動汽車能通過V2G技術在負荷高峰時期作為移動電源,補充電力系統用電缺額,緩解電網的供能壓力.而在負荷低谷時期,風電出力過大,電力系統無法消耗全部電能,此時電動汽車可作為負載,消耗系統多余電能.

為了較為直觀地比較調度策略執行前后的優化效果,對場景2與3優化前后的電負荷需求響應情況進行對比分析,圖8為調度策略執行前后的電負荷響應量.由圖8可見在調度策略執行后算法完成了對負荷曲線的優化,優化后的負荷峰值有所減少,降低了系統的運行成本,減小峰谷差并且使得負荷曲線較為平滑,優化前后系統的負荷峰谷差減小了7.65%,達到了削峰填谷的作用.圖9為風電預測出力和不同場景下的風電上網功率曲線.

圖8 電負荷需求響應量Fig.8 The amount of response to electrical load demand圖9 不同場景下風電上網功率曲線Fig.9 Wind power feed-in power curves under different scenarios

由圖8和圖9可知,所述調度策略能夠達到減少棄風的目的.結合電負荷需求和電動汽車充放電功率的變化可知,在執行調度策略前,在22∶00—05∶00時段風力發電充足,但電負荷處于低谷時期,此時會導致風電功率無法被完全消耗,產生棄風.執行調度策略后,電動汽車會根據調度指令轉移用電時段,大部分充電時刻會被分配到風力發電充足的時段,消納多余風電,由圖可知棄風功率有明顯的降低.與此同時,由于風電利用率的提高,傳統火力發電的出力也會相應降低,即碳排放會減少.

表2給出了3種場景下的系統總成本、總碳排放量以及用戶滿意度優化結果.

由圖9和表2可以看出,場景2相較于場景1而言,三個目標都有所減少.場景3相對于場景2來說,其總碳排放量降低了2.87%,用戶滿意度減少0.079 2,但總成本提升了1.15%,這是由于在執行優化調度策略后,電動汽車負荷發生轉移,產生了調度成本和對用戶的補償費用,雖然成本有所提升,但是其碳排放量和棄風率都達到了較低水平.總體而言,本文所提調度策略在提高風電消納,緩解電力系統在負荷高峰期供電壓力方面有較好的作用,并且也能減少系統運行成本.

5 結論

建立了電動汽車-風電協同調度模型,提出以降低運行成本、減少碳排放和改進用戶滿意度為目標的優化策略.在減少系統運行成本的同時,既把雙碳目標政策考慮在內,又顧及到用戶側對用能滿意度的要求.考慮到用戶利益問題,采用價格型需求響應,以分時電價為基礎,利用V2G技術使得用戶在電動汽車的充放電時段做出改變.另外在調度策略中設定閾值來判斷系統是否存在棄風,提高了系統的運行效率.算例證明了本調度策略的有效性.該調度策略在對多目標優化的同時實現了對負荷曲線的削峰填谷,提高了對風電出力的消納及對環境的保護,為微電網的發展和雙碳目標的實現提供了有效思路.