計及可入網電動汽車的微電網電源優化配置

葉晨暉，周玲，張木銀，管志成

(河海大學能源與電氣學院，南京市 211100)

計及可入網電動汽車的微電網電源優化配置

葉晨暉，周玲，張木銀，管志成

(河海大學能源與電氣學院，南京市 211100)

計及可入網電動汽車(plug-in electric vehicle，PEV)、微電網中多種分布式電源(distributed generation，DG)輸出功率的不確定性，綜合考慮了DG投資、運維等成本，以及微電網帶來的節能、降損、減少用戶停電損失收益等因素，進行微電網電源的優化配置。PEV接入微電網后，可以根據微電網的實際運行情況作為儲能裝置補充原有儲能元件，從而減少儲能元件容量，提高微電網的經濟性。從PEV參與微電網運行調度出發，建立計及PEV的微電網電源優化配置模型。算例結果表明，該模型最優解可以確保投資的最佳經濟性，獲得較大社會經濟收益，為含PEV的微電網電源優化配置提供理論依據。

可入網電動汽車(PEV)；收益成本比；電源優化配置；用戶停電損失

0 引 言

隨著世界各國能源機構的調整，可再生能源的開發是一個必然趨勢。作為集成了多類型分布式電源(distributed generation，DG)、儲能以及控制裝置的單一可控網絡系統[1]，微電網以其對可再生能源的有效利用及靈活、智能的控制特點，受到越來越多的關注。同時，隨著節能減排政策的激勵和能源開發技術的進步，可入網電動汽車(plug-in electric vehicle，PEV)在電力系統中的應用日益廣泛。PEV接入微電網后，自身的儲能裝置增加了微電網的儲能元件容量，PEV在充電時，本質上是從微電網吸收功率，增加了微電網總的負載，然而，當PEV充滿電后，儲能裝置接入微電網，可以參與微電網的優化調度，即充當微電網儲能元件，減少微電網原有的儲能元件容量，從而節約微電網的投資成本。因此，有必要在對微電網電源的優化配置時，考慮PEV的影響，以適應未來電網的發展。

目前，國內外對微電源的優化配置已經做了一些研究工作。文獻[2]在用戶激勵響應行為的基礎上建立了計及需求側響應的雙層優化調度模型，但考慮DG的種類比較單一；文獻[3]建立了較全面的多目標優化模型，在計算DG帶來的收益時計及了環境等收益，但未考慮DG出力的隨機性；文獻[4-5]在孤島運行狀態下對微電源進行優化配置，研究了風能和太陽能的隨機特性，但未考慮PEV接入的影響，優化結果不能完全適應未來電網的發展；文獻[6-8]研究了DG和電動汽車充電站的選址定容問題，建立了以綜合成本最小為目標的模型，但未考慮微電網投資的經濟性。

本文從投資、運行成本和配置收益角度考慮，首先計算DG投資、燃料購買、運行和維護等成本，以及節能、減排、降損、減少用戶停電損失的綜合社會經濟收益，建立基于年化收益成本比最大的含PEV微電網電源的優化配置模型，同時考慮PEV、儲能元件的充放電功率、DG準入容量的約束，并運用改進細菌覓食算法對模型進行求解，得到不同情形下微電網電源的優化配置結果。

1 系統微電源模型

1.1 風機、光伏出力模型

微電網中含有大量的風力發電機，其輸出功率隨風速變化而變化。大部分地區的風速隨機變化特性近似服從Weibull分布[9]。根據風速的概率密度函數可以得出風速v，從而計算出風力發電機的出力PWT。

光伏電池是微電網的重要部分，其輸出功率與光照強度有關。光伏出力模型參考文獻[10]。根據太陽光照下電流變化的溫度系數、太陽輻射以及光伏電池溫度參考值、光伏陣列傾斜面上的總太陽輻射、光電池溫度，然后計算出光伏發電的輸出功率Ppv。

1.2 PEV儲能狀態模型

電動汽車可以根據電池的充放電特性，在微電網負荷高峰時，將儲存的電能釋放到系統中，在用電低谷時，電池充當負荷從系統中吸收電能，從而達到削峰填谷的目的。PEV可以與風機和光伏等隨機性較強的電源形成互補[11]，來提高系統的穩定性。

本文假定微電網中的電動汽車均可以參與調度，且均充滿電后與微電網斷開。經過1天用車后再次充電的初始荷電狀態(state of charge，SOC)為

(1)

式中：Lmax為PEV在電池充滿電時可行駛的最大路程；Ld為PEV在電池充滿電的情況下1天行駛的實際路程，近似滿足對數正態分布[12]。

(2)

式中σL和μL為分布參數。

電動汽車分為充電和放電2種工作狀態，不同工作狀態下，電動汽車電池的儲能荷電狀態CSOC,ev(t)不同。充電時滿足：

(3)

放電時滿足：

(4)

1.3 儲能元件模型

為了簡化分析，設定儲能元件在整個充放電過程中，儲能元件電池兩端的電壓基本維持不變。與電動汽車類似，儲能元件的工作狀態也分為充電和放電2種工作狀態[13]。充電時，儲能元件在t時段的儲能荷電狀態滿足：

(5)

放電時滿足：

(6)

2 微電網電源的優化配置模型

2.1 目標函數

本文以微電網年化收益成本比最大為目標函數，同時考慮儲能元件充放電功率、DG容量限制以及碳排放等約束對電源進行優化，目標函數為

(7)

式中：GTotal(s)、CTotal(s)分別為微電網電源優化配置的年化綜合收益與成本；決策變量s=[s1,s2,…,si,…,sN]，si為第i種DG的臺數。

2.2 年化綜合收益

年化綜合收益的計算公式為

GTotal(s)=GES(s)+GER(s)+GLR(s)+GRB(s)

(8)

式中：GES(s)為節能收益；GER(s)為減排收益；GLR(s)為降損收益；GRB(s)為提高可靠性收益。

(1)節能收益。微電網節能收益主要體現在利用可再生能源所節約的傳統化石能源。

(9)

式中：lc為火電機組單位電能的平均煤耗量，本文取357 g/(kW·h)；pc為煤炭價格，本文取700元/t[14]；Ei為第i種DG的年發電量；EMT、sMT分別為微型燃氣輪機的年發電量和安裝臺數；ε為供熱比，即供熱能量與發電供熱總能量的比值；η1為熱損效率，取0.2；lh、lco分別為溴冷機制熱、制冷系數，均取1.2；ph、pco分別為熱價和冷價，分別取51.4元/GJ和79.6元/GJ。

(2)減排收益。傳統能源發電產生的污染氣體主要是CO2，故采用微電網電源優化配置后相對燃煤發電等發電量CO2排放的減少量來表征減排效益。

(10)

式中：VCO2為CO2的環境價值；ηc、ηi分別為燃煤機組以及第i種DG生產單位電能所排放CO2的數量，文獻[15]給出燃煤發電CO2的排放為822.80 g/(kW·h)，風機、光伏發電以及PEV的CO2排放量為0，CO2排放征收標準為9.75元/t。

(3)降損收益。對降損收益采用微電網電源優化配置后電能損耗減少的費用來進行量化。

(11)

(4)減少用戶停電損失收益。微電網減少用戶停電損失收益用配置前后減少的期望停電損失來衡量。

(12)

式中：fIEAR為停電損失評價率；λk、tk分別為微電網并網運行中負荷點k的平均停運率和時間；PM為微網孤島失效率，取0.3；TR為電源重啟時間；PL為平均負荷；PISO為微電網全年孤島運行概率；ELSP,t(s)為微網孤島運行狀態下t時段的缺電量。

2.3 年化綜合成本

本文綜合考慮DG投資費用、運行維護成本以及燃料成本，計算微電網電源優化配置的年化綜合成本。

CTotal=CorIcrf+Cm+Cfuel

(13)

式中：Cor、Cm、Cfuel分別為微電網初始投資成本、年運行與維護費用、年燃料成本；Icrf為資金回收系數，將現在值等年值化，其計算公式[9]為

(14)

式中：r為貼現率；N為系統生命周期。

Cor、Cm、Cfuel的計算公式如下詳述。

(1)初始投資費用Cor。Cor包含微電網內各電源的投資和安裝費用。

(15)

式中：Xi為第i種DG的裝機容量；μi11、μi12分別表示第i種微電源的單位容量投資與安裝成本。

(2)年運行與維護費用Cm。

(16)

式中：μi2為第i種微電源單位發電量的維護費用；Ei(n)為第i種微電源在第n年的年發電量；r為貼現率，在本文中取r=5%；系統生命周期年限N取20。

(3)年燃料成本Cfuel。

(17)

式中μi3為微電網中第i種電源單位發電量的燃料費用。

2.4 約束條件

(1)系統功率約束。

(18)

式中：Pi(t)、Qi(t)分別為各節點注入的有功功率和無功功率；Ui(t)、Uj(t)分別為節點i和節點j的電壓幅值；Gij、Bij分別為支路ij的電導和電納；θij(t)為節點i和節點j的相角差。

(2)儲能元件約束。為了防止過度充電或過度放電對儲能元件造成損害，其荷電狀態需限制在最大、最小荷電狀態之間。

CSOC,min≤CSOC,bat(t)≤CSOC,max

(19)

式中CSOC,min和CSOC,max分別為儲能元件的最小荷電狀態和最大荷電狀態。

本文假設在充放電過程中，儲能電池兩端的電壓基本不變，儲能元件的充放電功率應滿足：

(20)

(21)

(3)電動汽車約束。SOC值是指電池在一定的放電倍率下，剩余電量與相同條件下額定容量的比值，充放電過程中電池的SOC值有一定限制。

CSOC,min1≤CSOC,ev(t)≤CSOC,max1

(22)

式中CSOC,min1和CSOC,max1分別為電動汽車電池的最小荷電狀態和最大荷電狀態。

同時，電動汽車充放電時，需要考慮單位時段充放電的最大功率和最小功率。

(23)

(24)

(4)DG準入容量約束：

(25)

式中SDGi和SDGmax分別為第i個DG的裝機容量和微電網DG接入的總裝機容量。

3 改進細菌覓食算法

細菌覓食算法(bacterial foraging algorithm，BFA)是2002年由Kevin M. Passino提出的仿生優化算法，基本細菌覓食算法的介紹可參考文獻[16]。然而，在實際應用時，BFA仍然存在早熟等缺陷。結合本文的微電網電源優化問題，存在的待改進的問題為：(1)微電網電源的優化配置是一個非線性整數規劃問題，本文中將每種DG的電源數量作為變量，而基本BFA算法變量是一個范圍內的實數；(2)驅散過程中對個體細菌驅散行為使得接近最優的細菌被驅散，影響尋優速度；(3)繁殖時，對接近最優群體的復制未完全提升算法尋優的方向性。

針對以上幾個問題，本文對基本BFA算法進行了改進。

(1)以第i種DG的臺數si構成的矢量作為一個細菌，計算出的微電網電源等年值投資費用的解對應細菌的健康狀態Jθ，即優化函數的適應值。

(2)驅散時，將適應度排序靠后的1/2個體驅散至隨機位置，計算公式為

(26)

式中：Ci為第i個細菌向某一方向的移動向量；εi為單位向量；θr(j,k,l)為隨機在第j次趨向，第k次繁殖，第l次驅散操作的個體位置。

(3)繁殖時，將存活的細菌分裂成Z1、Z22個種群，分別利用公式(27)—(28)進行趨向操作。

(27)

(28)

式中：θi(j,k,l)為第i個細菌位置；θm(j,k,l)為適應度最優的個體位置。

改進BFA算法的流程如圖1所示。

圖1 改進BFA流程

4 算例分析

4.1 微電網的經濟性分析

運用本文所建立的模型對微電網電源進行優化配置。結合文獻[16]某實際微電網線路構造算例，驗證本文所提模型的有效性。該地區微電網遠景年負荷峰值為190.7 kW，平均負荷為104.3 kW，線路總長度為5 km，線路單位阻抗為(0.120+j 0.077)Ω/km，各機組的參數如表1所示，由實際數據生成風速和光照強度的概率模型。

表1 不同DG容量、成本參數

Table 1 Different capacities and cost parameters of DG

假設可調配的PEV數量為300輛。設置PEV的最大充電和放電功率為3.6 kW，常規電動汽車可在6 h內充放電完畢。其充放電價格如表2所示。以本文提出的年化收益成本比最大為目標，應用改進的細菌覓食算法分別對PEV不參與微電網調度以及PEV參與微電網調度進行微電網電源優化配置的求解。

表2 不同時段PEV的充放電價格

Table 2 Charging and discharging price of PEV at different period of time

4.1.1 PEV不參與調度

不考慮電動汽車的放電作用，只作為充電負荷。在分時定價引導機制下，以微電網年化收益成本比最大為目標函數，得出電動汽車的充電功率如圖2所示。在時段09:00—16:00是電動汽車的充電高峰期，此時微電源的發電量比較充裕；在時段18:00—24:00電動汽車充電需求較少，此時微電源的出力不是很充裕。由于上午充電電價低，在時段01:00—07:00電動汽車充電比較集中。

圖2 電動汽車充電功率

4.1.2 PEV參與微電網調度

電動汽車充分發揮其儲能優勢，在微電源出力充足時，將多余電能儲存在電動汽車蓄電池中，在微電網用電高峰時段，再將電能釋放到電網中，以達到削峰填谷的目的。在此情形下，電動汽車的充放電功率如圖3所示。

圖3 電動汽車充放電功率

在時段01:00—08:00，微電網中負荷需求不大，充電價格低，電動汽車充電較為集中；在時段 13:00—22:00，負荷逐漸增加，而微電網中的風機、光伏出力減少，此時為了維持微電網平衡，電動汽車開始減少其充電次數，轉而向微電網釋放電能以緩解用電壓力。表3給出了以年化收益成本比最大為目標，2種情形下微電網電源最優配置的結果。圖4計算了表3中各配置方案的4項社會經濟收益。

表3 年化收益成本比最大目標下微電源優化方案結果

Table 3 Microgrid power optimization scheme results under the maximum annual profit cost target

圖4 不同數量PEV接入情況下微電網的各項收益

對比表3中的數據可知：在PEV 2種運行情形下，微電網年化收益成本比均大于1，這表明微電網電源優化配置帶來的社會經濟收益遠遠高于其電源的配置成本。

考慮PEV的影響雖然增加了微電網的綜合成本，但PEV與DG配合帶來了較大的節能、減排等綜合收益。尤其在節能方面，PEV參與微電網調度的作用顯著，并且隨著PEV入網后，風機和光伏的比重逐漸增加，儲能元件的比重逐漸減小，微電網的年化收益成本比逐漸提高。這表明PEV參與調度使得微電網對可再生能源的接納能力得到有效提升，同時減少了儲能元件的容量。

4.2 算法比較

本文通過改進BFA計算結果與一般BFA和遺傳算法(genetic algorithm，GA)比較，該微電網在情形1時配置成本與迭代次數的關系如圖5所示。

圖5 算法收斂特性曲線

對比3條曲線可知：本文采用的改進BFA收斂速度最快。當迭代次數為55時，改進的BFA算法已經取得全局最優解，微電網年化收益成本比穩定在1.60附近，而一般BFA以及GA算法分別在迭代次數為104和109時，達到全局最優解。改進BFA算法對算例運行50次，91%可收斂至全局最優解，而一般BFA與GA算法分別只有70%、74%可以收斂至全局最優解。顯然，本文采用的算法對本文模型的求解具有更高的穩定性。

5 結 論

(1)可入網電動汽車與DG配合帶來了較大的節能等綜合收益，尤其在節能方面，PEV參與微電網調度的作用顯著，研究微電網電源優化配置時，計及PEV的影響能更準確地反映未來電網的特點。

(2)相比較傳統遺傳算法以及一般細菌覓食算法，采用改進BFA求解優化模型，具有收斂速度快、穩定性高等特點。

在本文研究的基礎上可更深入地研究含多類型DG、儲能系統以及PEV的微電網電源優化配置問題，為未來電網的發展做更充分的理論基礎準備。

[1]CHEN S X, GOOI H B, WANG M Q. Sizing of energy storage for microgrids[J]. IEEE Transactions on Smart Grid, 2012, 3(1): 142-151.

[2]趙樹青，楊秀，張美霞. 計及需求側響應的含風電電網優化調度模型[J].電器與能效管理技術，2015(23)：69-74.

ZHAO Shuqing， YANG Xiu， ZHANG Meixia. Optimal dispatching model for wind farms integrated grid considering demand response[J]. Electrical & Energy Management Technology，2015(23)：69-74.

[3]王金全，黃麗，楊毅. 基于多目標粒子群算法的微電網優化調度[J].電網與清潔能源，2014，30(1)：49-54.

WANG Jinquan，HUANG Li，YANG Yi. Optimal dispatch of microgrid based on mult-objective particle swarm optimization[J]. Power System and Clean Energy，2014，30(1)：49-54.

[4]盧洋，盧錦玲，石少通，等. 考慮隨機特性的微電網電源優化配置[J].電力系統及其自動化學報，2013，25(3)：108-114.

LU Yang，LU Jinling，SHI Shaotong, et al. Optimal siting and sizing of distributed generation planning in microgrid by considering stochastic characteristic[J]. Proceedings of the CSU-EPSA，2013，25(3)：108-114.

[5]余志勇，萬術來，明志勇，等. “風光水”互補微電網的運行優化[J].電力建設，2014，36(6)：50-55.

YU Zhiyong，WAN Shulai，MING Zhiyong, et al. Optimal operation of complementary microgrid with hybrid wind-solar-hydro power [J]. Electric Power Construction，2014，36(6)：50-55.

[6]謝應昭，盧繼平. 含風儲混合系統的多目標機組組合優化模型及求解[J].電力自動化設備，2015，35(3)：18-26.

XIE Yingzhao，LU Jiping. Multi-objective unit commitment optimization model including hybrid wind-storage system and its solution[J]. Electric Power Automation Equipment，2015，35(3)：18-26.

[7]吳宇，張彼德，袁國森，等. 計及電動汽車和風光資源不確定性的微電網優化配置[J].電測與儀表，2016，53(16)：39-44.

WU Yu，ZHANG Bide，YUAN Guosen, et al. Optimal configuration of micro-grid considering uncertainties of electric vehicles and PV/wind sources[J]. Electrical Measurement & Instrumentation，2016，53(16)：39-44.

[8]范彬，周力行，黃頔，等. 基于改進蝙蝠算法的配電網分布式電源規劃[J].電力建設，2015，36(3)：123-128.

FAN Bin，ZHOU Lixing，HUANG Di, et al. Distributed generation planning for distribution network based on modified bat algorithm[J]. Electric Power Construction，2015，36(3)：123-128.

[9]EVANGELOPOULOS V A, GEORGILAKIS P S. Optimal distributed generation placement under uncertainties based on point estimate method embedded genetic algorithm[J]. IET Generation, Transmission & Distribution, 2014, 8(3): 389-400.

[10]陳國恩，宗鵬鵬，朱偉，等. 計及可再生能源與負荷互補特性的儲能隨機調度[J].電力建設，2015，36(6)：27-33.

CHEN Guoen, ZONG Pengpeng, ZHU Wei, et al. Stochastic dispatching of energy storage devices considering complementarity between renewable energy and load[J]. Electric Power Construction，2015，36(6)：27-33.

[11]GHAHDERIJANI M M, BARAKATI S M, TAVAKOLI S. Reliability evaluation of stand-alone hybrid microgrid using sequential Monte Carlo simulation[C]//2012 Second Iranian Conference on Renewable Energy and Distributed Generation. Iran：IEEE, 2012: 33-38.

[12]和敬涵，謝毓毓，葉豪東，等. 電動汽車充電模式對主動配電網的影響[J].電力建設，2015，36(1)：97-102.

HE Jinghan, XIE Yuyu, YIP Tony et al. Influence of electric vehicles charging modes on active network distribution[J]. Electric Power Construction，2015，36(1)：97-102.

[13]李丹丹，蘇小林，閻曉霞，等. 儲能優化配置關鍵問題分析[J].電力建設，2016，37(9)：70-78.

LI Dandan, SU Xiaolin, YAN Xiaoxia, et al. Principal problems of energy storage optimization allocation[J]. Electric Power Construction，2016，37(9)：70-78.

[14]李登峰，謝開貴，胡博，等. 基于凈效益最大化的微電網電源優化配置[J].電力系統保護與控制，2013，41(20)：20-26.

LI Dengfeng, XIE Kaigui, HU Bo, et al. Optimal configuration of microgrid power supply based on maximizing net benefits[J]. Power System Protection and Control，2013，41(20)：20-26.

[15]梁惠施，程林，蘇劍. 微網的成本效益分析[J].中國電機工程學報，2011，31(增刊1)：38-44.

LIANG Huishi, CHENG Lin, SU Jian. Cost benefit analysis for microgrid[J]. Proceedings of the CSEE，2011，31(Supplement 1)：38-44.

[16]馬溪原，吳耀文，方華亮，等. 采用改進細菌覓食算法的風/光/儲混合微電網電源優化配置[J].中國電機工程學報，2011，31(25)：17-25.

MA Xiyuan, WU Yaowen, FANG Hualiang, et al. Optimal sizing of hybrid solar-wind distributed generation in an islanded microgrid using improved bacterial foraging algorithm [J]. Proceedings of the CSEE，2011，31(25)：17-25.

(編輯 景賀峰)

Optimal Configuration of Microgrid Power Supply Considering Plug-in Electric Vehicles

YE Chenhui，ZHOU Ling，ZHANG Muyin，GUAN Zhicheng

(College of Energy and Electrical Engineering, Hohai University, Nanjing 211100, China)

With comprehensively considering plug-in electric vehicle (PEV), the output power uncertainty of various distributed generations (DGs) in microgrid, the DG investment and operation cost, and the benefits of energy saving, loss reduction and outage loss decrease brought by microgrid, this paper optimizes the configuration of microgrid power supply. After the PEV is connected to the microgrid, it can be used as the energy storage device to supplement the original energy storage element according to the actual operation of microgrid, which can reduce the capacity of the energy storage element and improve the economic performance of the microgrid. From the aspect of PEV participating in the operation of microgrid, this paper establishes the optimal configuration model of microgrid power supply based on PEV. The results show that the optimal solution of the model can ensure the best economy of investment and obtain a larger social economic benefit, which provides theoretical basis for the optimal configuration of microgrid power supply with PEV.

plug-in electric vehicle (PEV); income cost ratio; optimal configuration of power supply; user outage loss

TM 727

A

1000-7229(2016)12-0082-07

10.3969/j.issn.1000-7229.2016.12.011

2016-09-01

葉晨暉(1992)，男，碩士研究生，本文通信作者，主要研究方向為分布式發電、微網、配電網規劃；

周玲(1964)，女，副教授，碩士生導師，主要研究方向為電力系統繼電保護、電力系統控制、故障診斷；

張木銀(1992)，男，碩士研究生，主要研究方向為分布式發電、微網、配電網規劃；

管志成(1992)，男，碩士研究生，主要研究方向為分布式發電。