基于虛擬電價的電動汽車充放電優化策略

毛 玲, 侯亦林, 馬 壯

(1.上海電力學院, 上海 200090; 2.上海送變電工程有限公司, 上海 200235;3.上海市質量監督檢驗技術研究院, 上海 201114)

近年來電動汽車數量迅速增加,到2025年,所有已銷售的電動汽車規模的滲透率將達到10%[1-3]。然而,電動汽車的充放電行為與傳統的以汽油燃料為動力的汽車有所不同。由于汽油汽車發展時間比較長,自身所需的基礎設施(如加油站等)已非常完善,同時汽油汽車的可使用時長、單次加油可行駛里程數等也比電動汽車更長。然而,電動汽車目前還沒有很完善的基礎配套設施,因此需要對電動汽車的充放電進行合理安排,以保障用戶使用電動汽車的便捷性和可靠性[4-8]。

以往電動汽車進行充放電時所采用的方法大多為無序充電,其背景環境是電動汽車數量不多,在整個配電網能夠承受范圍內可以自由地進行充放電。但隨著電動汽車數量的急劇增加,大量電動汽車同時接入配電網進行無序充電,勢必會給配電網的安全運行帶來負面影響,因此需要合理地調控電動汽車的充放電行為,以達到削峰填谷的目的[9-10]。

本文提出了一種基于虛擬電價的電動汽車有序充電方法。在電動汽車入網后,利用虛擬電價完成對電動汽車充放電的初步調度,再用動態分時電價確定功率可調的電動汽車充放電功率。該方法不僅可以使配電網與用戶達到共贏,而且具有卓越的削峰填谷作用。

1 虛擬電價與動態分時電價機制

本文在靜態電價的基礎上[4],提出了基于虛擬電價的電動汽車有序充電的方法。與靜態電價相比,虛擬電價最明顯的特點就是能夠實時地反映出供需關系。根據這一特點,可以設計合理的策略來確定每一輛電動汽車的充放電計劃。虛擬電價并不適用于實際的充放電成本計算,所以只在供電側使用虛擬電價,完成電動汽車充放電計劃的制定。

將時間進行離散化處理,一天24 h分割為J個時段,每段時間為Δt。虛擬電價與負荷信息的關系為

(1)

(2)

(3)

φ0,φ1,φ2——虛擬電價調整系數;

pri,R,j,ΦR,j——參考電價與參考負荷值,R∈(0,J],j=1,2;

LB(k)——基本負荷;

綜上所述,電動汽車的整個充放電優化過程是由虛擬電價機制和動態分時電價機制兩個部分組成。虛擬電價機制是從供電側考慮,將虛擬電價作為一個理論指標,進行削峰填谷的負荷優化;動態分時電價機制是從用電側考慮,采取浮動式電價匹配虛擬電價,讓用戶避開負荷高峰時段充電,減少用戶的充電成本。綜合兩者的優點,能夠更加完美地解決電動汽車的充放電問題,不僅能夠吸引用戶參與,也能保證策略的實施程度。

2 電動汽車優化調度模型

將預期能夠介入負荷配電網的電動汽車數量設為集合N,在任何情況下,實際的電動汽車數量n一定不會多于集合N的數量,記作n|N|。在實際應用中,每個車主都有自己的用車特點,將電動汽車l主要的行車參數組成一個集合,表示為

Xl=[Tin,l,Tout,l,S0,l,SE,l,Cs,l,Pc,l,Pd,l]

(4)

式中:Tin,l,Tout,l——電動汽車實際開始充電和實際結束充電的時間;

S0,l,SE,l——電動汽車初始的荷電狀態與充完電離開時預期的荷電狀態,S0,l,SE,l∈[0,1];

Cs,l——電池總容量;

Pc,l,Pd,l——電動汽車額定充放電功率。

假設一輛電動汽車l接入電網進行充電的時長為Tpe,l=Tout,l-Tin,l,將所有電動汽車的充電時長Tpe,l組成一個集合,并按照從小到大的順序進行排列,用Tm,l表示。同時,為了能夠顯示出時段集合對電動汽車電池的可操作性,加入新變量

(5)

在電動汽車入網模式下,設置電動汽車與配電網之間的關系為pl(k)。當pl(k)>0時,表示電動汽車正在充電;當pl(k)<0時,表示電動汽車正在放電;當pl(k)=0時,表示電動汽車正在進行浮充,即電動汽車不工作,但由于其內部自身的局部耗電性,會造成輕微的電量損耗,此時配電網會有一個微小電流為電動汽車充電,與其自身損耗基本持平,使得汽車達到穩壓狀態,可以隨時投入工作。

在整個Tpe,l時段中,電動汽車的實際充放電功率可表示為

Pl(k)=pl(k)fm,l(k)

(6)

式中:Pl(k)——整個充放電過程的優化變量,滿足-Pd,l≤Pl(k)≤Pc,l。

在關于電動汽車l的充放電時段問題、充放電狀態問題以及與配電網之間的功率交換問題基本解決后,電動汽車l的充放電計劃也就完成了,可用公式表示為

(7)

在本文中,所有的電池模型均設置為鋰電池模型,并根據其相關特性在建模前進行一定的簡化處理。假設電池的充放電是以恒定功率進行的,并且其自放電率忽略不計,可得到電池的荷電狀態與充放電時間基本呈線性關系,公式為

(8)

式中:Sl(k),Sl(k-1)——電動汽車l在k和k-1個時段時的電池狀態;

η(Pl(k))——電池自身的功率轉換效率。

在整個電動汽車的使用成本中,鋰電池占比很大,其大致由以下3部分組成:

Ul=(ccd,l|ηc=ηd=1)+cbat,l+closs,l

(9)

式中:ccd,l|ηc=ηd=1——在電池充電效率ηc和放電效率ηd均為1的理想狀態下產生的充放電費用;

cbat,l——鋰電池的自身壽命損耗成本;

closs,l——電能損失,即電池在與電網進行功率交換時產生的必然損失。

電池壽命損耗cbat,l的產生原因是電動汽車頻繁地參加入網服務,每次的充放電過程都會對電池造成損傷。電池的損耗折算到成本側進行建模分析可得

(10)

在進行量化處理時,計算公式為

(11)

(12)

式中:φd,l——每千瓦時放電量對應的電池的退化成本參數;

cb——每千瓦時電池容量的購買成本;

cL——更換電池費用成本;

Bcl——在某個放電深度下電池的使用循環次數;

DOD——放電深度;

Edis,l——電動汽車參與入網服務的總時間內所有的放電量;

εf——損耗成本系數。

在整體電能轉換過程中,電網側實際提供的電能與車主實際需求的電能之間存在一部分差值,稱為電能損失,可表示為

Eloss,l=Eabso,l-Einj,l-Eexp,l=

(13)

從各個時段的電能流動角度來看,電能損失可分為充電損失和放電損失,因此電能損失也可表示為

(14)

其中,[Eabso,l-(Edis,l+Eexp,l)]為充電損失;(Edis,l-Einj,l)為放電損失,兩個式子展開后結果相同,印證了結論的準確性。所以電能損失產生的費用為

(15)

為了使電動汽車充放電成本最少[10],綜合電動汽車的充放電模型和鋰電池模型,構建基于虛擬電價的電動汽車優化調度模型為:

(16)

s.t.Smin≤Sl(k)≤Smax

(17)

(18)

(19)

Tpe,l>Tc,ll=1,2,3,…,n

(20)

(21)

式中:Vl——電動汽車的虛擬充放電成本;

KT——變壓器效率;

AT——變壓器額定容量;

Tc,l——電動汽車在充電時,為了達到車主所期望的荷電狀態所需要的最短時間。

通過上述公式,最終完成了整個電動汽車的優化調度。

3 仿真分析與驗證

本文使用MATLAB軟件進行模型仿真,采取小波分析模型、模糊聚類模型以及遺傳算法模型3種模型。

假設接入變壓器下只帶基本負荷以及與電動汽車有關的集群負荷,基本負荷即是除電動汽車外所有負荷的集合。由于后面將進行無序充電的仿真,故不考慮變壓器的容量,假定在任何情況下均不會過負荷。

設置的整個仿真所需要的電動汽車基本參數如表1所示。

表1 電動汽車相關參數

為了更好地模擬實際情況,根據居民區的基本平均負荷信息特征,盡可能地將虛擬電價與居民日常峰谷電價設定為同一水平的金額比例。本文設置電價相關參數如表2所示。

表2 電價相關參數

由于某個特定區域內電動汽車集群的任何充放電行為特征以及出行行為特征都具有一定的概率特性,為了避免突發變量,或特定區域與整體區域的某些條件不符,參考北京交通出行調查結果[11],設置電動汽車出行使用參數如下:電動汽車離開時間期望值為7:45,標準差為1 h;電動汽車返回時間期望值為19:00,標準差為1 h;返回時電池荷電狀態期望值為0.6,標準差為0.1。

假設上述所有參數均服從正態分布,滿足本文需求。設置電動汽車充放電起始時間、終止時間以及電池的起始荷電狀態、終止荷電狀態等參數均相互獨立,不交叉。

3.1 小波分析去噪

本文利用小波分析模型消除突變量對整體負荷信息的影響,將全年的負荷值代入小波分析模型,得到小波去噪后的負荷信息,如圖1所示。

圖1 小波去噪前后的負荷信息

3.2 模糊聚類

利用模糊聚類模型將一天中48個時段進行合理的電價峰谷時段劃分。

仿真中,通過初始矩陣的迭代、矩陣相乘以及歐氏距離法,得出隸屬度矩陣。根據形成的一系列元素集,確定峰谷時段。最后,代入48個時段的數據,得到動態電價的峰谷時段隸屬度,如圖2所示。

圖2 動態分時電價的峰谷時段隸屬度

由圖2可以看出,時段0到時段12以及時段42到48的隸屬度接近零,應選用谷時電價;而時段12到時段42接近1,應選用峰時電價。由此可以看出,采用模糊聚類劃分動態分時電價是較為合理的,能夠滿足整個仿真設計的要求。

3.3 遺傳算法

利用遺傳算法求解基于電價的電動汽車優化調度模型,仿真中設置自適應交叉概率為0.8,子代變異概率為0.2,總體種群數為100,迭代次數為100次。

優化前后的負荷-時段曲線如圖3所示。由圖3可以看出,優化后負荷的最大值和最小值之間的差距縮小,并且在中間浮動范圍內,負荷值向中心靠攏,減小了負荷波動差。

圖3 優化前后的負荷時段曲線

圖4為無序充電與有序充電的日負荷對比曲線。由圖4可以看出,有序充電將負荷直接轉移到低谷處,消除了同一時段大量充放電負荷對配電網產生滿載甚至是過載的影響,非常有效地達到了削峰填谷的目的,減小了配電網滿載帶來的危險。

圖4 有序無序充電的日負荷對比曲線

基于虛擬電價電動汽車的優化調度,各項成本曲線如圖5所示。由圖5可知,50輛車的總體充電費用能保持在1 000元左右,平均每一輛車充電成本為20元。

圖5 各項成本曲線

4 結 語

本文提出了基于虛擬電價的電動汽車充放電優化調度方法。通過MATLAB仿真分析可知,采用的優化調度方法能夠有效地實現負荷側的削峰填谷,在用戶側降低充電費用和電池的損耗成本。