高速公路用能場景下微電網容量優化配置研究

摘 要：隨著以高速公路為代表的交通用能場景能源需求的增長，交通系統需要充分利用自身蘊含的自然資源，形成適配交通用能特征的微網規劃方案。考慮電動汽車負荷多種不確定因素，建立動態負荷預測模型。研究針對高速公路微電網容量配置問題，從投資者角度構建以微電網綜合成本最小為目標的優化模型。以廣西某高速公路服務區為實例，選取6種典型場景，仿真結果表明，所提方法能夠解決高速公路用能場景下微電網容量配置問題，經過經濟性分析后，確定夏季典型日配置方案收益更優，為新能源在交通領域的應用提供可行的方法，有一定的理論研究和實踐意義。

關鍵詞：微電網容量配置；電動汽車；動態負荷；不確定因素；典型用能場景；交通能源融合

中圖分類號：TP39；TM715 文獻標識碼：A 文章編號：2095-1302（2024）04-00-05

DOI：10.16667/j.issn.2095-1302.2024.04.019

0 引 言

近年來，隨著全球能源需求的不斷增長和環境問題的加劇，對于能源的可持續性和運輸的綠色化提出了更高要求。同時，能源與交通互聯程度不斷增強，交通能源融合成為能源領域研究的熱點之一[1]。公路是連接城市、縣鎮和鄉村的通道，大部分公路沿線缺乏穩定可靠的能源供給[2]，利用可再生能源集中式開發存在難度大、遠距離傳輸成本高、效率低下等問題。解決該問題的關鍵在于充分利用公路交通系統自身所蘊含的自然資源稟賦，依托可再生能源、儲能等技術構建微電網，實現道路交通系統能源需求的分布式自洽供

給[3-4]。已有文獻對我國風、光資源分布情況進行了劃分，為能源側提供了開發潛力。電動汽車（Electric Vehicle， EV）作為清潔能源交通的代表，逐漸成為解決城市交通污染和能源依賴的重要選擇[5]。隨著EV需求量大幅增長，高速公路微電網的發展前景逐漸清晰。文獻[6]建立了基于馬爾可夫鏈的交通仿真模型，研究了城市路網中快速充電站的負荷；文獻[7]采用道路起訖點分析法對交通流建模，建立了EV負荷時空模型并分析對接入配電網的影響。葛少云等[8-9]將EV作為路網和配電網的連接點，實現交通流的時空分布模擬，并對高速公路充電設施進行了研究。文獻[10]在分析電動汽車換電需求基礎上，提出了一種高速服務區能量管理策略，但沒有考慮EV負荷的各種不確定因素。

針對EV負荷預測的不確定因素以往研究中已有考慮[11]，但計及溫度對電池容量的影響，轉換為對行駛里程的影響并綜合出行時間、初始SOC、行駛里程等多種不確定因素的高速公路EV充電需求計算沒有成熟的模型。基于此，本文面向交通綠色化運行需求，考慮多種典型用能場景，以此合理配置高速公路用能場景下微電網的能源，從投資者角度，關注壽命周期的效益，建立了以系統總成本最小為目標的微電網優化配置模型。

1 交通流動態負荷不確定性建模

電動汽車作為高速公路路網的一種交通工具，是消耗能源的重要載體，因此，電動汽車的出行特性分析十分重要。

（1）出行時間

交通流時變趨勢曲線呈現馬鞍形。有早晚2個出行高峰，低谷時間一般是凌晨3點到4點。在t時刻車流量為：

（1）

式中：F（t）為t時刻車流量；f（t）為交通流分布概率；M表示日總交通流量。

（2）高速公路電動汽車日行駛里程

馬健等人[12]基于高速公路聯網數據分析，擬合得出車輛日行駛里程近似為對數正態分布，其密度分布函數為：

（2）

（3）初始SOC值

進入高速公路的電動車都有一定的初始SOC，假設其分布滿足參數為（0.5，0.204）的正態分布[13]，則其概率密度函數為：

（3）

（4）出行溫度

溫度影響路況、空調能耗、電池性能等[14-15]，進而影響電動汽車的續航里程，反映為對充電需求的影響。本文參考文獻[15]擬合得到電池相對容量與出行溫度的關系為：

（4）

式中：Ti為出行溫度；Ci為出行溫度Ti時電池的實際容量；λ為各項的影響因子。以25 ℃作為標準溫度，溫度Ti對應電池容量可行駛里程為：

（5）

式中：Crated為電動汽車電池額定容量；Lrated為額定容量的行駛里程。

（5）高速公路電動汽車充電需求模型

EV在高速公路行駛消耗的電量比例為：

（6）

式中：d為行駛距離；L為續航里程。若單輛電動汽車有充電需求并且充至滿電，則充電時間為：

（7）

式中：Pch為充電功率。求得單輛電動車負荷后利用蒙特模擬法得出總電動汽車負荷分布。

2 微電網容量配置模型

2.1 目標函數

電源規劃方案中規劃期內的預投建機組包括風電機組、光伏發電機組和柴油發電機。建立綜合成本最小為目標的低碳電源規劃模型，包含成本和收益兩部分，目標函數為：

（8）

（1）投資成本

（9）

式中：θEP為所有待選電廠的合集，包括風電、光伏和柴油發電機組；Cunit，i為機組的單位容量投資成本；Pi表示機組i的裝機容量，kW；Cunit，EC和Cunit，EP為儲能的單位容量和單位功率成本；Pes和Ees表示儲能系統功率和容量。

（2）運行維護成本

（10）

式中：Cfix，i和Cfix，es分別為發電機組和儲能單位容量運行維護成本。

（3）電池退化成本

不同于常規機組相對固定的使用壽命，電池充放電深度對電池壽命有重要影響，參考文獻[16]建立二者間關系的擬合模型為：

（11）

電池的充放電總退化成本為：

（12）

式中：dr為額定放電深度；dB為實際放電深度；LB（dB）是放電深度為dB時電池的循環次數；Nr為額定放電深度對應的電池循環次數；CB是電池更換成本；ηC、ηD分別是電池的充放電效率。

系統收益考慮光伏補貼收益、余電上網的售電收益和碳減排收益3部分。

（1）光伏補貼收益

國家對分布式發電項目按電量給予補貼，收益為：

（13）

式中：rs為補貼標準；Gs為光伏發電量。

（2）售電收益

微網用戶主體參與大電網能量互動將余電上網可以獲得收益：

（14）

式中：rg為上網電價；Pg為向電網傳輸功率。

（3）碳減排收益

使用風電和光伏替代傳統能源，促進低碳電力系統的構建，將碳減排量通過碳交易轉化為收益衡量。

（15）

式中：rCO2為碳交易價格；MCO2為碳減排量。

2.2 約束條件

（1）裝機規模約束。各電源機組的裝機容量應滿足負荷最大需求量。

（16）

式中：Pload， max為系統最大負荷，kW。

（2）電量平衡約束。各電源機組的發電量應不小于負荷的用電量需求。

（17）

式中：Eload為系統電力需求量，kW·h；RE表示電量備用系數。

（3）機組出力約束。各電源機組有功出力不超過其上、

下限。

Pmin，i≤Pi≤Pmax，i （18）

式中：Pmin，i、Pmax，i分別為各發電單元的出力上、下限。

（4）場地面積約束。以往的文獻較少在約束中考慮新能源機組可利用面積。在高速公路用能場景下主要考慮道路沿線的邊坡、匝道和服務區建筑屋頂的可用面積。

（19）

式中：rarea，i表示新能源機組i的占地系數；ssingle，i為單塊光伏板或單臺風機的占地面積；sarea為區域可利用總面積。

（5）極端天氣約束。考慮極端天氣情況下新能源機組不能發電，僅有儲能供電時最低保障時間。

（20）

式中：tmin為新能源不出力僅有儲能供電的持續供電小時數。

（6）儲能性能約束。為了盡量延長蓄電池的使用壽命，其SOC應處在合適的區間。

SOCmin≤SOC≤SOCmax （21）

式中：通常取SOCmin為0.2，SOCmax為0.9。

3 模型求解

本文采用MATLAB軟件以及Cplex 求解器進行優化模型的計算，具體計算流程如圖1所示。

首先建立高速公路用能場景下的微電網系統結構，獲取基本氣象數據，利用隨機概率分布預測風電和光伏出力；接著對高速公路交通流負荷存在的不確定性問題進行分類與建模，確定交通流負荷分布的幾種典型情況；之后分析微網各部分成本和收益，并建立計及電動汽車動態負荷不確定性的微網優化配置模型；將風光出力和EV負荷預測數據帶入模型中通過Cplex求解器對模型求解。

4 算例分析

選取廣西某服務區為本文研究對象，由于高速公路上雙向行駛的車輛互不影響，僅以單側作為研究對象。該地區氣候溫和，年均溫度19.3 ℃，光照充足，風資源偏弱，基本氣象數據見表1所列。

4.1 負荷計算

高速公路服務區基礎設施主要包括收費、通信、監控設施用電及滿足服務區運營管理所需的辦公和生活用電，基礎設施的用電情況如圖2所示。

該地區由于推廣政策利好和合適的氣候與地理環境，新能源汽車滲透率較高。經調研，車輛在不同典型日表現出不同的交通流變化趨勢。定義6種典型場景：

（1）夏季工作日典型日；

（2）夏季周末典型日；

（3）冬季工作日典型日；

（4）冬季周末典型日；

（5）高速免費通行節假日；

（6）高速不免費通行節假日。

按日期類型的3類典型場景分時交通流分布如圖3所示。

不同日期類型車輛的出行時間分布均呈馬鞍形，高峰流量占一天總流量的40%以上。節假日出行分散，高峰持續時間更長。

假設在該高速公路上行駛的電動汽車的電量警戒值均為20%，充電方式為恒功率快充。利用蒙特卡洛模擬法得到各場景下典型日的電動汽車充電負荷如圖4所示。

不同日期類型的電動汽車負荷曲線與交通流時變趨勢相符。因為考慮到冬季電池容量變化，冬季典型日負荷高于夏季，而高速免費通行的節假日車流量激增，因此負荷遠高于工作日，且節假日出行較為分散，日間負荷波動幅度略小于工

作日。

4.2 參數設置

模型參數：RE取0.10，tmin取6 h，rarea，pv取0.998，rarea，wt取1.5，sarea為7 000 m2，單塊光伏板的占地面積ssingle，pv為

1.1 m×1.2 m，單臺風力發電機的占地面積ssingle，wt為

17 m×17 m。微網系統所選各電源成本費用系數見表2所列。

4.3 仿真結果

利用MATLAB的混合整數規劃求解器Cplex求解本文提出的配置模型，6種典型場景下的配置結果見表3所示。

由表3可見，不同典型日下微網配置方案存在一定差異。冬季和夏季典型日基礎負荷接近，但電動汽車動態負荷需求明顯較高，而冬季風資源更豐富，配置更多的風機可滿足負荷需求。節假日典型日中電動汽車動態負荷對配置方案起決定性作用，節假日電動汽車一方面使得總體負荷需求增加，另一方面負荷波動性增大，需要配置更多儲能適應負荷波動性，同時作為備用電源的柴油發電機數量也應增多。

4.4 經濟性分析

各配置方案的總現值和收益見表4所列。

由表4可知，不同典型日的配置方案經濟性水平各異。從總現值來看，高速免費通行的節假日總現值最高，即微網總投資最高；從綜合收益率來看，夏季典型場景的配置方案最高，冬季典型日配置方案收益率最低，差距達20%，因為冬季光伏出力降低且電動汽車動態負荷增加。從日期類型方面對比，夏季與冬季場景的周末典型日配置方案收益率均略低于工作日，這是由于周末出行量的增加帶來微網投資成本的增加相對于系統收益更為顯著。因此，從微網投資者角度，夏季工作日典型日配置方案為最優選擇。

成本回收年限也是微網投資者重要的參考因素，表5為各規劃方案預計成本回收年限。

不同配置方案的收益年限有很大差距，冬季典型日的成本回收年限超過10年，而夏季和節假日典型日配置方案回收年限相對較短，更可能成為微網投資者的選擇。

本文考慮收益包括光伏補貼收益、余電上網的售電收益和碳減排收益。不同配置方案的3種收益占比見表6所列。

由表6對比可見，3種收益類型中，光伏補貼收益在各場景中占比較低，系統收益主要來源為余電上網產生的收益和由風力光伏發電減少的碳排放轉化為碳交易額的減排收益。其中，冬季兩典型日的配置方案碳減排收益占比最高，說明該配置方案新能源出力占比高，環境效益更優，但冬季典型日經濟效益不佳。按照夏季典型日配置的方案有較高的綜合收益率。

5 結 語

本文面向交通綠色化運行需求，以交通能源融合為切入點，研究了計及電動汽車動態負荷的高速公路服務區用能場景下微電網容量配置問題。本文主要結論如下：

（1）從車流量入手，分析了電動汽車不確定因素，建立了計及溫度對電池容量影響的EV動態負荷需求模型。

（2）從微電網投資者角度，通過考慮微網的供電能力、負荷需求和極端天氣等因素，提出總成本最低為目標的微電網優化配置模型。

（3）選擇廣西一高速服務區作為實例，選取典型場景評估所提方法的經濟性，能夠為微網投資者提供決策支持。

參考文獻

[1]楊勇平，武平，程鵬，等.我國陸路交通能源系統發展戰略研究

[J].中國工程科學，2022，24（3）：153-162.

[2]蔣海峰，黃森炎，劉志強，等.公路交通設施與清潔能源融合創新技術與發展[J].公路交通科技，2020，37（s2）：1-5.

[3]賈利民，師瑞峰，吉莉，等.我國道路交通與能源融合發展戰略研究[J].中國工程科學，2022，24（3）：163-172.

[4]胡海濤，鄭政，何正友，等.交通能源互聯網體系架構及關鍵技術[J].中國電機工程學報，2018，38（1）：12-24.

[5]王海鑫，袁佳慧，陳哲，等.智慧城市車-站-網一體化運行關鍵技術研究綜述及展望[J].電工技術學報，2022，37（1）：112-132.

[6] ARIAS M B，KIM M，BAE S. Prediction of electric vehicle charging-power demand in realistic urban traffic networks [J]. Applied energy，2017，195：738-753.

[7] MU Y F，WU J Z，JENKINS N，et al. A spatial-temporal model for grid impact analysis of plug-in electric vehicles [J]. Applied energy， 114（2014）456-465.

[8]葛少云，朱林偉，柳洪，等.基于動態交通仿真的高速公路電動汽車充電站規劃[J].電工技術學報，2018，33（13）：2991-3001.

[9]劉洪，李榮，葛少云，等.基于動態車流模擬的高速公路充電站多目標優化規劃[J].電力系統自動化，2015，39（24）：56-62.

[10]王飆，趙微微，林少軍，等.基于改進的多目標量子遺傳算法的高速服務區綜合能源管理[J].電網技術，2022，46（5）：1742-1750.

[11] DONG X H，MU Y F，JIA H J，et al. Planning of fast EV charging stations on a round freeway [J]. IEEE transactions on sustainable energy，2016，7（4）：1452-1461.

[12]馬健，肖潤謀，王博慧.高速公路乘用車出行空間分布及行駛特征研究[J].大連交通大學學報，2020，41（5）：14-19.

[13]葛少云，馮亮，劉洪，等.考慮電量分布及行駛里程的高速公路充電站規劃[J].電力自動化設備，2013，33（7）：111-116.

[14] YAN J，ZHANG J，LIU Y Q，et al. EV charging load simulation and forecasting considering traffic jam and weather to support the integration of renewables and EVs [J]. Renewable energy，2020，159：623-641.

[15]張新城，劉志珍，侯延進，等.考慮出行溫度影響的電動汽車充電功率需求分析[J].電力科學與技術學報，2021，36（4）：124-131.

[16] HAN S，AKI H.A practical battery wear model for electric vehicle charging applications [J]. Applied energy，2014（113）：1100-1108.

收稿日期：2023-12-24 修回日期：2024-01-25

基金項目：國家重點研發計劃項目（2021YFB2601300）；中央高校基本科研業務費專項資金項目（300102383202）；陜西省重點研發計劃（2023-YBSF-285）；貴州省科技支撐計劃（黔科合支撐[2023]一般409）

作者簡介：馬德草（1999—），女，碩士在讀，研究方向為交通能源融合。