規模化EV充電與風力/火電發電系統協調運行

劉文霞 趙天陽 邱 威 張建華

（1.新能源電力系統國家重點實驗室（華北電力大學） 北京 102206 2.國家電力調度控制中心 北京 100031）

1 引言

為實現節能減排和清潔能源利用，國家出臺了兩個重大舉措，一是大幅提高風能和太陽能等綠色能源在能源結構中的比重；另一個是大力發展電動汽車，減少對化石燃料的需求。隨著并網風電容量的增加，系統調峰能力不足成為限制風電出力的主要因素[1-3]。目前，提高風電并網能力的策略多集中于電源側，如將風電與火電、水電等常規能源捆綁上網，以平穩發電出力[3]，但未涉及負荷側的控制。

相比風電的隨機性，EV充電負荷的可控性為風電消納提供了契機。在 EV大規模應用時，系統中將出現EV用戶和EV運營商2類新主體[4]。目前針對EV充電的優化研究多集中于電網、EV運營商和EV用戶三方面：

在電網側，文獻[5, 6]分別通過集中、分散的控制方式，對 EV充電、家庭用電進行直接控制，實現系統負荷特性的優化和峰谷差的減小；文獻[7]在某地區對多個充電點進行日前負荷預分配，并通過多個站點之間實時負荷分配控制，實現系統整體運行費用的優化；文獻[8]確立了負荷轉移、頻率控制與 EV充電負荷關系的模型，通過運營商集中控制EV的充電過程，實現負荷轉移與頻率控制。

針對EV運營商，文獻[9, 10]中由EV運營商完成用戶的電能補給，實現運營費用最小或利益最大。上述文獻中涉及的電價政策均為實時電價；相比實時電價，分時電價在我國更具有適用性，將在智能電網負荷側管理中扮演重要角色[11]。

以上研究[5-10]中的控制策略都以滿足 EV用戶的充電需求為前提，但都未涉及用戶的經濟性：文獻[11]中結合分時電價、電池荷電狀態與充電功率的關系，優化充電過程，在降低用戶充電費用的同時實現了負荷轉移；文獻[12]以火電和新能源的差異電價為基礎，以用戶充電費用最小為目標、用戶充電行為調整為手段，在實現充電費用優化的基礎上分析了EV充電對電網消納新能源的影響。

結合目前EV的發展趨勢，EV的電能補給主要由電網提供。因此，分析 EV充電對系統運行的影響應主要考慮EV用戶和電網兩方面的協調。

綜合以上研究，本文建立了兩階段的優化策略，如圖1所示，以確定規模化EV充電與風力/火電發電系統協調運行機制：第一階段，在負荷側，以優化用戶充電費用為目標，結合分時電價和充電協議，通過充電過程的優化，獲得智能充電方式下的 EV充電負荷；第二階段，在電網側，建立了以低發電成本、低污染和低棄風量為目標的多目標動態清潔調度模型，采用了基于MODE[13]的改進微分進化算法（Enhanced Multi-Objective Differential Evolution，EMODE）對模型進行求解，以確定規模化EV充電與風力/火電發電系統協調運行機制，并分析了 EV規模和備用對系統運行的影響。

圖1 研究框架Fig.1 Research framework

2 電動汽車充電負荷模型

EV充電負荷是用戶充電需求的電能反映，體現于充電設施處，如圖2所示。因此，影響EV充電負荷的因素包含用戶的行為特性和 EV的充電特性。用戶的行為特性包含：日行駛里程dis、充電起始時間ton；EV的充電特性包含EV的充放電特性、充電功率pc[14]。控制用戶充電行為時，須滿足用戶設定的停止充電時間toff[9]。

圖2 EV充電負荷形成過程Fig.2 Formation of EV charging load

2.1 用戶側

針對用戶的行為特性，文獻[7, 9]中將燃油車用戶的行為特性映射至 EV用戶；同時，因不同用途EV的行駛規律差異較大，文獻[15]中依據EV的用途對用戶進行歸類處理，并研究各類用戶的行為特性。為便于分析，本文將 EV分為公務、商務和私人3種，具體參數假設見附表1。

用戶的充電電量需求與用戶上次充電后的行駛里程有直接關系[16]，即

式中，Prequire,i為EVi的充電電量需求；αi為上次充電至此次充電的天數，記為充電天系數；dis,i為用戶i的日行駛里程；pd,i為EVi的單位里程耗電量；η為充電效率。

2.2 充電側

目前，動力電池多采用恒流-恒壓的2階段方式進行充電，充電過程中充電機直流側功率近似恒定。《電動汽車傳導式接口》規定不同充電地點的充電設施具有差異的額定充電功率，本文根據上述協議確定用戶在不同充電設施處的額定充電功率pcmax。

根據控制類型的差異，充電方式可分為非控制充電、延遲充電、填谷充電和智能充電[17]。依據北京地區的負荷峰谷劃分[18]，各充電控制方式可具體描述為

（1）非控制充電：用戶結束行駛后即進行充電，充電過程持續至滿電。

（2）延遲充電：用戶在負荷高峰期后開始充電，持續至滿電；此種充電行為更符合用戶的行為特性，文中假設延遲充電的起始時間為23:00。

（3）填谷充電：峰谷時刻，EV的起始充電時間可被調度，行為具有預見性，在規定的時段內服從相應的分布；為避免因EV大量瞬時接入而形成沖擊負荷，EV充電起始時間在0:00～3:00內服從均勻分布。

（4）智能充電：為獲得削峰填谷效果，激勵用戶依照分時電價安排充電，即認為在用戶接入電網充電的過程中，用戶為獲得充電費用最小，調整各充電時段的充電功率。

充電方式與 EV的用途和充電設施直接相關。因公務車和商務車具有相對固定的行為特性，較易控制，且填谷充電可有效減小系統峰谷差，提高設備利用率等優點；所以，本文中公務車和商務車僅進行填谷充電。私人用戶在規模較大時，對充電負荷必然產生顯著影響。因私人用戶在商場充電時間有限，控制難度大，因此不對其進行控制；只針對私人用戶在家庭充電和辦公地點的充電進行優化。為便于分析，構建了4種情景，見表1。

表1 各情景下用戶充電安排Tab.1 Charging arrangements for different users in the various scenarios

2.3 電網側

在給定的充電方式下，結合用戶的行為特性，根據式（1）～式（4），即可獲得由于EV充電產生的充電負荷。由于 EV數量巨大，為便于控制，需對不同類型EV用戶按照行為特性進行歸類處理。

本文采用蒙特卡洛抽樣生成用戶行為特性和充電需求后，以ton、toff和Prequire為分類指標，采用k-均值法對其進行歸類，獲得每類 EV的聚類中心及其包含EV數量，結合表1中的各類型EV的充電方式，從而獲得最終充電負荷。

3 多目標清潔調度模型

根據場景分析，得到第一階段優化后的 EV充電負荷。在給定 EV充電負荷和地區負荷時，考慮調峰裕度，優先滿足風電并網。因風電的消納能力由系統的負調峰能力決定[1]，與火電機組的出力直接相關；且火電機組出力的變動將引起機組發電成本和污染物排放的變化；因此，在滿足系統安全穩定的基礎上，可通過優化火電機組的出力，以降低系統的發電成本、污染物排放量和棄風量。

目標函數1：系統發電成本最小

（4）系統備用約束：因風電波動和負荷隨機性而引起系統負備用的極限情況已在目標函數3中闡述，故在此僅考慮系統的正備用約束。

4 改進多目標微分進化算法

（1）種群初始化。初始種群的多樣性和在搜索空間中的分布，對進化算法的優化效果會產生較大的影響，通過將連續空間向量化，正交設計可用于連續空間中的初始種群生成[21]。本文采用文獻[21]中提出的正交初始化方法以提高初始解的質量，加快算法收斂。

（2）快速非支配排序。由于臨時種群的規模經常超出規定的種群規模，需對臨時群體執行NSGA-Ⅱ[22]中的分級和擁擠度計算，將超出種群規模的個體刪除，即剪切操作，從而維持種群規模恒定；由于 NSGA-Ⅱ中擁擠度計算時采用的是相鄰個體在解空間的歐式空間，不能反映真實的擁擠度，本文中采用文獻[23]中的擁擠度計算方法。

（3）微分操作。微分操作包含交叉與變異兩個步驟[13]。在微分操作中，控制參數的選取會對算法的性能產生重要的影響。通過將控制參數內嵌入個體內，隨種群進化而自適應更新，可有效提高算法的數據挖掘能力[24]。

（4）選擇操作。在子代個體與父代個體競爭時，通過（2）中的分級和擁擠度計算后，結合 Pareto支配概念，保證算法的收斂性和解分布的均勻性，從而實現種群的更新。

（5）約束實現。因MODE求解的問題為無約束問題，而多目標動態清潔調度模型中含有功率平衡、爬坡約束等眾多的等式、不等式約束，所以需對MODE進行擴展：保證算法搜索性能的同時，實現種群中個體的可行化。

求解含約束的優化問題時，多采用罰函數法，通過將違反約束的程度并入目標函數中考慮，實現算法向可行域進化。但懲罰因子難以選取，因此本文采用了文獻[25]中的個體修正策略，實現個體的可行化。

5 算例分析

5.1 算例描述

本文采用的 10臺火電機組參數及排污特性見文獻[18]，日負荷水平、地區電價，見附表2；不計網損。系統總裝機容量為2 969MW：其中火電機組為 2 368MW；風電為 600MW，占總裝機容量的20.21%。

結合我國電動汽車的發展規劃，在2021～2030年私人電動汽車將獲得廣泛的發展。根據《中國汽車產業報告（2008）》的預測表明，在2030年中國的私家車與公共車輛的數量分別為17 638和1 800萬輛，比例近似為 10∶1。因此，本文假設此地區含有私人車輛為10萬輛，商務和公務車共1萬輛，詳見附表1。依據文獻[26]中的假設，私人用戶在家庭、工作地點和商場充電的比例分別為 0.7∶0.2∶0.1。其他的參數假設見附表1。

由于采用隨機抽樣的方法獲得的風電機組出力不能反映出風電在時序上的聯系，且無法體現風電的反調峰特性；因此本文采用國內某裝機容量為100MW風電廠的實際出力，將其典型日出力按比例擴展至裝機容量為600MW，見附表2。

在負荷側，結合電動汽車充電負荷模型，各情景下系統中的充電負荷曲線如圖3所示。

圖3 不同情景下的系統負荷曲線Fig.3 Load curves under different scenarios

其余參數設置為：風電運行費用ωi為20$/MW；風電正備用系數wu%為20%；βlr和βcr初始選為5%和20%。種群規模為60；正交數組中分層數為9，正交指數值為2；最大迭代次數為1 000。

5.2 風電并網運行分析

5.2.1 EV充電方式對系統運行影響

四種情景下獲得的Pareto前沿如圖4所示。選取最優折中解后，各情景下的最優折中解對比見表2。對上述最優折中解的分析中除考慮各目標函數外，還應考慮棄風時段、棄風時段中的最大棄風量及棄風量占此時段風電出力的最大比例。

通過圖4和表2的分析發現，充電方式對系統運行產生了直接影響：隨著充電方式的變化，風電的棄風量、系統的發電成本和排污水平發生了顯著變化。

圖4 各情景下的Pareto前沿Fig.4 Pareto fronts under different scenarios

通過情景2與情景1的對比可知，發電成本、污染物排放和棄風量分別降低：1.32%、0.32%和30.74%，說明僅將私人用戶晚間充電行為與負荷高峰錯開，即可優化系統運行，顯著降低系統的棄風量。

情景3與情景2相比，將私人用戶在晚間的充電行為推遲至峰谷時刻，使系統的負荷曲線更平穩，各目標函數分別降低了0.44%、6.95%和30.76%。

情景4與情景3相比，在晚間的充電負荷近似相同，說明通過分時電價引導用戶充電可獲得與填谷充電一致的效果，獲得了近似的棄風量：370.74MW和 347.34MW；但日間的充電行為調整，進一步降低了系統的負荷波動，使系統的發電成本和污染物排放分別降低了0.02%和0.59%。

綜上所述，規模化 EV下，對系統運行最好的充電控制方式為：私人用戶采用智能充電方式充電，公務、商務車采用填谷充電。

5.2.2 EV規模對系統運行影響

由式（4）可知，EV充電負荷與EV規模有直接關系，因此需分析 EV規模對風電接納能力的影響。假設各類EV比例恒定，以原定狀態下為常態，以 EV規模±10%波動為非常態，在情景 4下分析EV規模對風力/火電發電系統運行的影響。獲得的Pareto前沿如圖5所示，最優折中解對比見表3。

圖5 不同EV規模下Pareto前沿Fig.5 Pareto fronts under different EV scales

表2 各情景下的最優折中解對比Tab.2 Comparison of best compromised solutions of different scenarios

表3 各EV規模下的最優折中解對比Tab.3 Comparison of best compromised solutions of different EV scales

通過圖5和表3可知，隨著EV規模的增加，負荷增加，棄風量顯著減小，限風時段和最大限風比例也顯著減低，使得系統的污染物排放水平降低；但由于隨著負荷的增長，火電機組出力上升，使得系統的發電成本顯著增長，由1 799 151.67$上升至1 801 800.28$。

5.2.3 備用對系統運行影響

在式（13）中，因 EV負荷的隨機性，系統中需留有一定的負備用。若提高 EV充電負荷的預測精度，會對風電的接納能力產生正面的影響。為確定 EV充電負荷備用系數對風電接納能力的影響，文中分別取βcr為20%、15%、10%和5%，在情景4下，各備用系數下的Pareto前沿如圖6所示，最優折中解見表4。

各備用系數下的最優折中解見表 4。通過表 4中最優折中解的分析可知，隨著βcr的降低：系統的棄風量由347.34MW下降至284.84MW，系統的排污量由126 540.51 lb下降至120 747.81 lb；但隨著火電機組出力的逐漸減小，其運行偏離經濟性的最優點，使系統的發電成本先降低后升高。

圖6 各備用系數下的Pareto前沿Fig.6 Pareto fronts under different reserve coefficients

表4 各備用系數下的最優折中解對比Tab.4 Comparison of best compromised solutions of different reserve coefficients

6 結論

（1）本文首先建立了針對不同用戶的差異充電策略，以優化 EV用戶充電，并形成不同的充電情景，明確了EV充電負荷對系統負荷的影響；隨后，在考慮火電機組負調峰和備用需求的前提下，建立了以系統發電低成本、低污染和風電棄風量小為目標的動態清潔調度模型，明確了規模化 EV充電對風力/火電發電系統運行產生影響的機理。

（2）采用改進微分進化算法求解動態清潔調度模型，確定了充電方式、EV規模和EV備用對風電/火力發電系統運行的影響：基于分時電價的智能充電方式對系統運行最好；隨著 EV規模的增加，系統的發電成本上升，而污染物排放和棄風量遞減；隨著 EV備用的減小，系統的污染物排放和棄風量遞減，但系統的發電成本先下降后上升。

附 錄

附表1 電動汽車類型及參數設置App. Tab.1 Types and parameters of EVs

附表2 負荷數據和電價水平App. Tab.2 Load data and price levels

[1] 楊宏, 劉建新, 苑津莎. 風電系統中常規機組負調峰能力研究[J]. 中國電機工程學報, 2010, 30(16):26-31.Yang Hong, Liu Jianxin, Yuan Jinsha. Research of peak load regulation of conventional generators in wind power grid[J]. Proceedings of the CSEE, 2010,30(16): 26-31.

[2] 張宏宇, 印永華, 申洪, 等. 大規模風電接入后的系統調峰充裕性評估[J]. 中國電機工程學報, 2011,31(22): 26-31.Zhang Hongyu, Yin Yonghua, Shen Hong, et al.Peak-load regulating adequacy evaluation associated withlarge-scale wind power integration[J]. Proceedings of the CSEE, 2011, 31(22): 26-31.

[3] 張麗英, 葉廷路, 辛耀中, 等. 大規模風電接入電網的相關問題及措施[J]. 中國電機工程學報, 2010,30(25): 1-9.Zhang Liying, Ye Tinglu, Xin Yaozhong, et al.Problems and measures of power grid accommodating large scale wind power[J]. Proceedings of the CSEE,2010, 30(25): 1-9.

[4] Gomez T, Roman S, Momber I, et al. Regulatory framework and business models for charging plug-in electric vehicles: Infrastructure, agents, and commercial relationships[J]. Energy Policy, 2011, 39: 6360-6375.

[5] Sundstr?m O，Binding C. Flexible charging optimization for electric vehicles considering distribution grid constraints[J]. IEEE Transactions on Smart Grid,2012, 3(1): 26-37.

[6] Shao S N, Pipattanasomporn M，Rahman S. Grid integration of electric vehicles and demand response with customer choice[J]. IEEE Transactions on Smart Grid, 2012, 3(1): 543-550.

[7] Valentine K, G Temple W, Zhang K M. Intelligent electric vehicle charging: Rethinking the valley-fill[J].Journal of Power Sources, 2011(196): 10717-10726.

[8] Ahn C, Li C T, Peng H. Optimal decentralized charging control algorithm for electrified vehicles connected to smart grid[J]. Journal of Power Sources,2011(196): 10369-10379.

[9] Wu D, Aliprantis D C, Ying L. Load scheduling and dispatch for aggregators of plug-in electric vehicles[J].IEEE Transactions on Smart Grid, 2012, 3(1): 368-376.

[10] Kristoffersen T K, Capion K, Meibom P. Optimal charging of electric drive vehicles in a market environment[J]. Applied Energy, 2011, 88: 1940-1948.

[11] Cao Y J, Li C B, Zhang P, et al. An optimized EV charging model considering tou price and soccurve[J].IEEE Transactions on Smart Grid, 2012, 3(1): 388-393.

[12] Pantos M. Stochastic optimal charging of electricdrive vehicles with renewable energy[J]. Energy,2011, 36: 6567-6576.

[13] Robi? T, Filipi? B. DEMO: differential evolution for multiobjective optimization[C]. Evolutionary Muti-Criterion Optimization 2005, Heidelberg, Germany:Springer, 2005: 520-533.

[14] Darabi Z, Ferdowsi M. Aggregated impact of plug-in hybrid electric vehicles on electricity demand profile[J]. IEEE Transactions on Sustainable Energy, 2011,2(4): 501-508.

[15] 胡澤春, 宋永華, 徐智威, 等. 電動汽車接入電網的影響與利用[J]. 中國電機工程學報, 2012, 32(4):1-11.Hu Zechun, Song Yonghua, Xu Zhiwei, et al. Impacts and utilization of electric vehicles integration into power systems[J].Proceedings of the CSEE, 2012,32(4): 1-11.

[16] Qian K J, Zhou C K. Modeling of load demand due to EV battery charging in distribution systems[J]. IEEE Transactions on Power Systems, 2011, 26(2): 802-810.

[17] Peng M H, Liu L, Jiang C W. A review on the economic dispatch and risk management of the large-scale plug-in electric vehicles (PHEVs)-penetrated power systems[J]. Renewable and Sustainable Energy Reviews, 2012, 16: 1508-1515.

[18] Li Z, Ouyang M G. The pricing of charging for electric vehicles in China—Dilemma and solution[J].Energy, 2011, 36: 5765-5778.

[19] Basu M. Dynamic economic emission dispatch using non-dominated sorting genetic algorithm-II[J].International Journal of Electrical Power & Energy Systems, 2008, 30(2): 140-149.

[20] Chen C L, Lee T Y, Jan R M.Optimal wind-thermal coordination dispatch in isolated power systems with large integration of wind capacity[J]. Energy Conversation and Management, 2006, 47: 3456-3472.

[21] Leung Y W, Wang Y P. An orthogonal genetic algorithm with quantization for global numerical optimization[J]. IEEE Transactions on Evolutionary Computation, 2001, 5(1): 41-53.

[22] Deb K, Pratap A, Agarwal S, et al. A fast and elitist multi-objective genetic algorithm: NSGA-II[J]. IEEE Transactions on Evolutionary Computation, 2002,6(2): 182-197.

[23] 彭春華, 孫惠娟. 基于非劣排序微分進化的多目標優化發電調度[J]. 中國電機工程學報, 2009, 29(34):71-76.Peng Chunhua, Sun Huijuan. Multi-objective optimization power dispatchbased on non-dominated sorting differential evolution[J]. Proceedings of the CSEE,2009, 29(34): 71-76.

[24] Brest J, Greiner S, Bo?kovi? B, et al. Self-adapting control parameters in differential evolution: a comparative study on numerical benchmark problems[J].IEEE Transactions on Evolutionary Computation,2006, 10(6): 646-657.

[25] Lu Y L, Zhou J Z, Qin H, et al. Chaotic differential evolution methods for dynamic economic dispatch with valve-point effects[J]. Engineering Applications of Artificial Intelligence, 2011, 24: 378-387.

[26] Luo Z W, Song Y H, Hu Z C, et al. Forecasting charging load of plug-in electricvehicles in China[C].Power and Energy Society General Meeting, San Diego, CA, 2011.