計及規模化電動汽車調控潛力的含風電系統優化調度策略

陳業夫，王欽，蔡新雷，喻振帆，宋東闊

（1.廣東電網有限責任公司電力調度控制中心，廣州 510277；2.國電南瑞科技股份有限公司，南京 211106）

0 引言

隨著“雙碳”戰略目標的推進，我國電網正加速向清潔化、智能化的新型電力系統轉型。為了實現這一目標，必須推進源荷端可調節資源的協同調度。風電作為一種技術較成熟、裝機容量較大、可調度能力較強的源端可調節資源，在國內外得到了快速發展［1］。同時，電動汽車作為一種常見的荷端可調節資源，具有清潔、無污染排放的特性，在民用汽車領域的滲透率快速提高。但鑒于風電與電動汽車的強隨機特性，如果二者不加調控地大規模并網會對電力系統的安全運行帶來極大威脅［2］，因此，應利用電動汽車自身的儲能特性，將其與風電進行協同調度，減少對電網的沖擊。單輛電動汽車可調節能力極弱，故常用EVPP（電動汽車虛擬電廠）技術將單臺容量小、數量眾多的電動汽車聚合為數個集群［3］，將集群作為虛擬儲能設備統一調度，以向電網提供足夠的靈活性與調度空間［4］，在滿足用戶出行需求的前提下減小電網負荷的峰谷差并實現對風電等新能源的消納。

目前，學界在電動汽車與風電等新能源協同優化調度領域已取得相當多的研究成果。文獻［1］對電動汽車進行空間聚類分群，并建立了考慮風電消納的電動汽車充電電價時段劃分模型。文獻［5］引入聚合商模型，在考慮風電不確定性的基礎上建立優化模型，引導電動汽車有序充放電。文獻［6-7］考慮到風電的不確定性，利用魯棒優化提出了電動汽車的調度模型。文獻［8］基于電動汽車的儲能特性，構建了含電動汽車及新能源的經濟調度模型。文獻［9-10］通過引導電動汽車有序充放電補償風電的不確定性，實現風電的消納。上述文獻采用的控制方式可以分為集中式控制與分布式控制兩種。集中式控制沒有將規模化電動汽車分群，求解算法的優化變量維數較高，算法性能低下。而分布式控制方法雖將電動汽車進行分群，但分群指標并不全面，難以全方位衡量電動汽車的調控潛力，影響電動汽車集群劃分方法的科學性與消納風電的能力。

電動汽車用戶的參與度與滿意度在電動汽車和新能源協同優化調度過程中起著關鍵作用［11］。為此，研究者普遍采用電價策略作為電動汽車優化調度過程中的需求響應激勵手段。文獻［12］提出了電動汽車負荷的最大調度潛力模型，通過仿真證明了分時電價機制對于引導電動汽車參與電網削峰填谷的作用。文獻［13-14］提出了一種綜合考慮系統負載條件、最大功率限制和用戶負載價格的新的電動汽車V2G（車網互動）定價策略，實現了運營商與用戶的利益最大化。文獻［15-16］提出了電動汽車充電負荷與電價聯動優化模型，以用戶成本最小等為目標優化電動汽車的充放電負荷。文獻［17］考慮電動汽車的風電消納量與電價補貼，制定了激勵電價以提高電動汽車的響應度。但上述文獻提出的電價策略直接用于全體電動汽車，忽視了電動汽車個體間的差異，對調控潛力較低的電動汽車給與高電價補貼造成浪費，對調控潛力較高的電動汽車給與低電價補貼造成其積極性不高。因此，這種未進行電動汽車分群的電價策略不利于引導電動汽車參與風電的消納。

基于以上分析研究，本文針對含風電系統提出了基于電動汽車調控潛力評估的電動汽車充放電優化調度策略。在建立規模化電動汽車與風電協同調度的總體框架的基礎上，提出規模化電動汽車的調控潛力評估模型，按照調控潛力的大小對電動汽車進行分群；建立考慮電動汽車集群差異與風電消納的分群分時電價模型，在提高用戶響應度的同時避免電價補貼浪費；提出一種綜合考慮電網總負荷峰谷差與電動汽車用戶充電費用最低的優化模型，最大化電網及電動汽車用戶的利益。最后結合實例對所提方法進行驗證，采用廣東某區域電網的實際數據，使用YALMIP 工具箱調用CPLEX求解器進行仿真，驗證所提方法的有效性。

1 規模化電動汽車與風電協同調度總體框架

風電出力對外大多表現出反調峰特性，即風電出力的峰值和低谷分別出現在電網負荷的低谷和峰值時段，導致電網棄風與峰谷差值大幅升高［18］。因此，為了減少新能源的強不確定性給電網安全運行帶來的沖擊，更好地消納風電等新能源，電網調度中心需要通過使用合理的策略控制電動汽車的充放電行為。電動汽車接入充電站后，電網調度中心將根據此時電網負荷情況設置電動汽車的充放電狀態，讓電動汽車的充電時段盡可能避開電網等效負荷的高峰，并將充電負荷移至電網等效負荷的低谷時段。但由于城市電網中電動汽車基數過大，若將每輛電動汽車作為一個控制變量“一對一”制定調度策略極易導致維數災難［19］。

為解決這一問題，更好地引導電動汽車消納風電等新能源，本文以調控潛力大小作為規模化電動汽車分群的依據，并由電網調度中心根據下一時段的風電消納需求與電網負荷情況，針對每個集群分別制定分群分時電價，即電動汽車集群所具有的調控潛力越高，電網給與該集群的電價補貼也越高，其響應電網調度的積極性也越高，在提高用戶滿意度的同時促進風電消納與削峰填谷。同時，本文選取EVLA（電動汽車負荷聚合商）作為連接電網調度中心與電動汽車用戶之間的樞紐。作為電網調度中心與電動汽車用戶之間進行充放電信息與調度指令雙向溝通的主體，EVLA 可以極大地提高有限資源的配置水平，破解現有的需求響應手段主要依靠用戶自行參加的局限性［20］。電網調度中心將每一個電動汽車集群分別交由一個EVLA 管理，實現對規模化電動汽車充放電行為的控制。

規模化電動汽車參與電網調度總體架構如圖1所示。本文將一天作為一個調度周期，一個調度周期的調度時段個數T=96。在一個調度時段內，充電站的充電服務管理系統讀取每輛在網電動汽車的電池信息，結合用戶輸入的預計離開時間與期望SOC（荷電狀態）評估所有電動汽車的調控潛力，據此完成電動汽車集群的劃分，并將信息傳輸給管理該集群的EVLA；EVLA 收集完電動汽車集群的信息后將其上報電網調度中心；電網調度中心對下一時段內的出力值與負荷值進行實時預測，結合預測數據與EVLA 上報的電動汽車集群信息，制定下一時段電動汽車調度計劃并下發給中間的EVLA指導充電站實施。

圖1 規模化電動汽車參與電網調度總體架構Fig.1 The general architecture of large-scale EV's participation in power grid scheduling

定義電網等效負荷為基礎負荷、風電出力與火電出力的疊加，其曲線如圖2所示。在需求響應等手段的引導與EVLA 的統一管理下，電動汽車集群在系統負荷高峰時向電網放電，削減區域1與區域2的負荷值以拉低系統負荷高峰曲線，并在系統負荷低谷時進行充電，填補區域3的負荷值以抬升系統負荷低谷曲線，使得系統等效負荷的峰谷差從ΔP1降至ΔP2，有效緩解含風電系統在具有反調峰特性的風電并網情況下的削峰填谷壓力。

圖2 電動汽車集群參與風電消納Fig.2 EV clusters participating in wind power consumption

2 規模化電動汽車的調控潛力評估模型

電動汽車的調控潛力受到多種因素的影響。為更科學地衡量電動汽車所具有的調控潛力，本文從時間和空間兩個角度出發，分別提出電動汽車的可調度時間評估指標與可調度容量評估指標，將二者結合提出調控潛力評估總指標，以此為依據進行規模化電動汽車的集群劃分。

2.1 電動汽車可調度時間評估指標

第i輛電動汽車充電所需時長Tneed，i定義為其充電預計所需電量與充電功率的比值，表達式如下：

式中：S0，i為第i輛電動汽車的起始SOC 值；Saim，i為第i輛電動汽車的目標SOC 值；Ei為第i輛電動汽車的電池容量；Pcha為電動汽車的充電功率；ηcha為電動汽車的充電效率。

第i輛電動汽車的停留時間Tstay，i的表達式為：

式中：tdep，i為第i輛電動汽車的預計離開時間；tarr，i為第i輛電動汽車的到達時間。tdep，i

第i輛電動汽車的可調度時間Tadj，i的表達式如下：

綜上，第i輛電動汽車的可調度時間評估指標Ctime，i的表達式如下：

2.2 電動汽車可調度容量評估指標

電動汽車的可調度空間采用可調度容量衡量。在一般的評估模型中，可調度容量一般等價于電動汽車的預計所需充電量，但后者實際上是可調度時間指標計算公式的一部分，影響電動汽車調控潛力評估的科學性。為此，本文提出一種新的電動汽車可調度容量評估指標。

定義CEV，i為第i輛電動汽車的平均可調度功率影響因子，Cequ，l為第i輛電動汽車的平均等效負荷影響因子，則有：

式中：Pequ，i為第i輛電動汽車在接入時段內除電動汽車負荷外的電網等效負荷的平均值；Pwind，l、Pther，l、Pbase，l分別為第l個時段的風電出力、火電機組出力與基礎負荷；Ni，l為第i輛電動汽車接入時段電網中接入的電動汽車總數量。

定義Cvol，i為第i輛電動汽車的可調度容量評估指標，其表達式為：

2.3 電動汽車調控潛力評估總指標

電動汽車調控潛力評估總指標衡量了電動汽車在可調度時間指標與可調度容量指標上的綜合表現。第i輛電動汽車的調控潛力評估總指標為：

3 基于調控潛力評估的規模化電動汽車分群策略與分群分時電價模型

為盡可能規避集中式控制帶來的維數災難等問題，本文基于調控潛力的大小將規模化電動汽車分群，以集群為單位進行電動汽車的調度，使優化模型中控制變量的維數等于電動汽車集群的個數，大大降低了求解難度。同時，集群內電動汽車個體調控潛力的相似性保證了集群調度的統一性，便于規模化電動汽車參與風電等新能源的消納。

3.1 規模化電動汽車分群策略

根據規模化電動汽車調控潛力評估模型生成的評估結果，將所有接入電網的電動汽車進行科學分群。考慮到電網在不同調度場景中對規模化電動汽車的可調度時間與可調度容量有著不同的調度需求，因此定義---→----為電動汽車分群權重向量，表示電網調度時的側重，表達式為：

式中：α和β分別為可調度時間評估指標和可調度容量評估指標的權值。

定義Cdiv，i為第i輛電動汽車的分群指標，表達式為：

規模化電動汽車集群劃分原則如下：

1）將所有電動汽車劃分為不可調度大類和可調度大類，劃分的主要依據是電動汽車是否愿意接受電網調度及具備V2G 條件［21］，具體劃分規則為：

若第i輛電動汽車的充電所需時長Tneed，i與停留時間Tstay，i滿足式（12）且愿意接受電網調度，則將其劃分到可調度大類。

反之，若該電動汽車不愿意接受電網調度或者不具備V2G條件，則將其劃分到不可調度大類。

2）將所有屬于可調度大類的電動汽車進一步劃分為4個集群，劃分規則為4個集群所轄的電動汽車數量之比約為1∶1∶1∶1，按照分群指標Cdiv，i的大小，給4個集群分別指定集群編號k為1、2、3、4。

3）將所有屬于不可調度大類的電動汽車劃入同一個集群，集群編號k=5。對該集群中的電動汽車j，定義其分群指標Cdiv，j為：

3.2 分群分時電價數學模型

當前，分時電價憑借其可以改善負荷特性的優勢，已被廣泛用于引導用戶參與充放電功率調控等電網調度活動中。分時電價的設置會對分群分時電價在引導用戶參與電網調度及加強電網運行安全性等方面產生巨大影響。

目前，廣東地區分時電價的設置是基本保持不變的。此類固定的分時電價雖然有助于負荷功率預測并在某些情況下激勵用戶參與調峰，但在廣東地區大量海上風電接入電網的背景下難以適應電力系統負荷大幅變化的情況［22］，不利于電網消納風電，影響電網削峰填谷的效果。

為了提高電動汽車用戶響應電網調度的積極性，本文在充分考慮風電出力不確定性的情況下，針對含風電系統中的電動汽車用戶制定了一種充電場景下的分群分時電價方案。該方案綜合考慮各集群調控潛力大小與電網風電消納需求，對各個集群進行差異化的充電電價補貼，實現在提高各集群對電網調度響應度的同時避免電價補貼的浪費。

設Zk，l為第k個電動汽車集群在第l個時段的充電電價，其數學表達式為：

式中：cl為第l個時段的峰谷基礎電價；Ilevel，k，l為第k個集群的調控潛力激勵因子；δp，l為風電消納激勵因子，l=1，2，3，…，T。

式中：a和b為常量參數，由各地方電網結合本地實際情況選取；Nk，l為第k個電動汽車集群在第l個時段所轄的電動汽車數量。

4 計及規模化電動汽車調控潛力的含風電系統優化調度策略

在電動汽車參與電網調度的情況下，不僅需要保證含風電系統的安全運行，也要兼顧電動汽車用戶的充電成本。為此，本文在風電出力不確定性和電動汽車充電負荷約束的基礎上，建立了以電網峰谷差最小和用戶充電成本最低為目標的函數，指導電動汽車集群進行有序充放電。

4.1 目標函數

電網總負荷定義為火電機組出力、風電預測出力、電動汽車充放電負荷、基礎負荷四者的疊加，常作為衡量電網調峰措施有效性的重要依據。因此選取電網總負荷峰谷差為目標函數F1，表達式為：

式中：Pmax和Pmin分別為電網總負荷的最大值與最小值。

電動汽車用戶滿意度可通過用戶充電費用衡量。本文中，電動汽車的充電費用按照分群分時電價方案收取。選取電動汽車用戶的總和充電成本為目標函數F2，表達式為：

式中：Pdis為電動汽車的放電功率；pd，k，l為第k個電動汽車集群在第l個時段的放電電價；δc，k，l和δd，k，l分別為第k個電動汽車集群在第l個時段的充電狀態與放電狀態。

為消除量綱影響，采用線性加權法將多目標優化問題轉化為單目標優化問題并進行歸一化，轉化后的目標函數為：

式中：F1max和F2max分別為電動汽車無序充電情況下電網負荷峰谷差與用戶充電費用；ω1和ω2分別為目標函數F1與F2的權重系數。

4.2 約束條件

1）電動汽車充電電價約束

任意電動汽車集群在任意時段l內的充電電價應限制在充電基礎電價范圍內，即：

式中：cl，min和cl，max分別為峰谷基礎電價的下限與上限。

2）電動汽車集群充放電唯一性約束

為方便管理，同一個電動汽車集群統一進行充放電調度，且同一個時段一個集群不能同時處于充電或者放電狀態，即：

3）電動汽車集群充放電功率約束

電動汽車集群每個時段的充放電功率應小于該時段集群所轄電動汽車的充放電功率總和，即：

式中：Pk，l為第k個電動汽車集群在第l個時段的充放電功率。

4）電動汽車集群SOC約束

任意電動汽車集群在任意時段的平均SOC 應限制在一定范圍內，即：

5）電動汽車集群充電量約束

為保證電動汽車的出行需求，集群k的充放電電量總和不得低于總的充電需求，即：

式中：Ek為所有時段內第k個電動汽車集群充放電電量的總和；Nk為第k個電動汽車集群所有電動汽車的總數。

5 算例分析

5.1 參數設置

CPLEX 是一種具有強魯棒性、高優化效率、不會陷入局部最優解等特性的高性能求解器，適用于求解本文提出的優化模型。本文通過YALMIP 工具箱調用CPLEX 在96 個調度時段分別對所提出的多目標優化模型進行求解，得到每個時段電動汽車的最優調度計劃，驗證所提出的優化調度模型的有效性。

采用廣東某區域電網的實際數據進行仿真驗證，其中電網日基礎負荷如圖3所示。區域電網包含10 臺總裝機容量為1 500 MW 的常規火電機組及1個150 MW的風電場。所有負荷均由火電機組與風電提供。

圖3 電網日基礎負荷Fig.3 Daily basic load of the power grid

電網等效功率定義為電網日基礎負荷與火電機組最小出力之和，等效負荷定義為等效功率與風電出力之和。具有反調峰特性的風電出力曲線、電網等效功率曲線和等效負荷曲線如圖4所示。

圖4 等效功率曲線、風電出力曲線與等效負荷曲線Fig.4 The equivalent power curve，wind power output curve and equivalent load curve

本文的研究對象為采用慢充方式進行充電的私家電動汽車，并假設所有電動汽車型號一致且均配有對應的充電樁；由于設置了電價補貼，因此假設所有電動汽車用戶均愿意接受調度；設置了5 個EVLA 分別指導5 個電動汽車集群的充放電。根據美國家庭車輛行駛調查數據，采用蒙特卡洛法生成了3 000 輛電動汽車的充電開始時間、起始SOC值等基礎負荷數據。本文采用了文獻［1］所提供的電動汽車參數值，具體如表1所示。

表1 電動汽車參數值Table 1 Parameter values of EV

電動汽車的充電基礎電價采用廣東電網設置的廣州市峰谷電價，如表2所示。

表2 電動汽車充電電價Table 2 Charging tariff of EV

所有新入網電動汽車調控潛力評估的分群權重向量中參數α與β均取0.5；為了體現對電網負荷優化目標的重視程度，目標函數F1的權重系數ω1=0.6，F2的權重系數ω2=0.4；各電動汽車集群的充電電價下限cl，min=0.236，上限cl，max=1.058；分群分時電價的常量參數a和b均取3；為最大程度延長電動汽車電池的壽命，本文取Smin=0.2，Smax=0.9。

5.2 結果分析

圖5 各個電動汽車集群的平均調控潛力評估總指標Fig.5 General indicators for the assessment of the average regulatory potential of EV clusters

根據規模化電動汽車的調控潛力評估結果，得到各個電動汽車集群的分群分時電價如圖6所示。

圖6 電動汽車分群分時電價Fig.6 Clustering-based ToU price for EVs

電網等效負荷曲線與電動汽車負荷曲線如圖7所示，可以看出：

圖7 不同條件下電網等效負荷與電動汽車負荷曲線Fig.7 Curves of equivalent load of power grid and EV load under different conditions

1）無序充電下，等效負荷指電網原等效負荷與電動汽車無序充電負荷的疊加值。

2）有序充放電下，等效負荷指電網原等效負荷與電動汽車有序充放電負荷的疊加值。

3）電動汽車無序充電指電網將立即為接入的電動汽車充電至Saim，i或時間達到預計離開時間tdep，i的情況。

4）電動汽車有序充放電指電網采用本文所提策略控制電動汽車有序充放電的情況。

電動汽車無序充電場景下，電動汽車負荷在74 時段達到最高峰，而此時電網含風電出力的總等效負荷也同步達峰，電動汽車無序充電極大地加劇了電網負荷高峰，對電網安全穩定運行產生嚴重威脅。電動汽車有序充放電場景下，電動汽車集群在75—80 時段的電網等效負荷高峰處進行反向供電，有效協助了電網平抑負荷。為補足此時間段內電動汽車用戶的電量損失、滿足用戶電量需求，電網調度中心將75—80 時段的充電需求移至該時間段的前后時段。在風電出力的高峰1—30時段，電網含風電出力的等效負荷小于0，電網調度中心指導電動汽車集群充電，使得電動汽車充電負荷跟蹤風電出力，與風電棄風高峰同步，有效地減少了棄風。

圖8展示了電動汽車無序充電場景與有序充放電場景下的棄風曲線。相比于無序充電場景，采用本文策略的電動汽車在有序充放電場景下棄風總量降低了14.422 8 MW，證明了本文所提方法在消納風電方面的有效性。

圖8 不同場景下的棄風量Fig.8 Wind power curtailment in different scenarios

為便于對比，將按照文獻［23］的傳統分群方法進行電動汽車分群并采用廣州標準分時電價調度方法得到的電動汽車有序充放電結果作為對照組。表3 給出了3 種充放電方法在等效負荷峰谷差、用戶充電費用和相較無優化減少的棄風量上的對比結果。相較于無序充電場景，本文有序充放電方法將電網等效負荷峰谷差降低了2.56%，將用戶總和充電費用降低了53.61%；相較于對照方法有序充放電場景，本文有序充放電方法將電網等效負荷峰谷差降低了0.40%，將用戶總和充電費用降低了40.368%；將相較無優化減少的棄風量增加了150.40%。

表3 不同電動汽車充電方法下的指標對比Table 3 Comparison of indicators under different charging methods for EVs

圖7、圖8 及表3 的仿真結果表明，相較于無優化方法與對照方法，本文所提方法顯著降低了用戶充電費用與電網的棄風量，并在參與調度的電動汽車數量有限的條件下大幅減小了電網等效負荷峰谷差。由此可見，本文所提方法在提高含風電系統運行的安全可靠性、風電消納能力和用戶參與度方面是有效的。

6 結語

由于風電具有強隨機性與反調峰特性，導致電網出現了嚴重的棄風現象。為了在解決這一問題的同時降低規模化電動汽車并網對電網的沖擊，考慮到傳統電動汽車分群方法難以全面描述每一類電動汽車的調控特性，本文提出了一種計及規模化電動汽車調控潛力的含風電系統優化調度策略，得到如下結論：

1）所提規模化電動汽車的調控潛力評估模型可以對電動汽車的調控潛力進行較為全面的評估，可作為規模化電動汽車科學分群的合理依據。

2）所提分群分時電價模型綜合考慮了各集群調控潛力大小與電網風電消納需求，既提高電動汽車用戶的參與度，也減少了棄風現象。

3）所提優化模型從電網及電動汽車用戶的利益出發，顯著降低了電網的等效負荷峰谷差、電網棄風量與電動汽車用戶充電費用，實現電網與電動汽車用戶的雙贏。

考慮到本文所提優化模型中目標函數的權重系數采用了固定值，因此后續研究工作可以本文為基礎，采用自適應的方式得出最佳權重系數，使得優化模型可以更好地適應各時段下不同的負荷、電價與電動汽車可調度潛力等條件，進一步提升優化效果；也可添加對電動汽車負荷聚合商方利益的考慮，建立不同利益主體之間的博弈模型，為電動汽車負荷聚合商參與需求側競價提供指導。