基于冗余配置的電動汽車虛擬儲能參與電網調峰研究

郭建府，趙 松，韓曉娟

(1.國網北京市電力公司，北京 100031；2.華北電力大學控制與計算機工程學院，北京 102206)

隨著環境問題日益突出，電動汽車保有量逐年增加[1-2]，同時電動汽車無序充電使電力負荷激增、峰谷差加大，對電網產生了許多負面影響[3-4]。電網調峰是應對上述問題的重要方法之一[5-7]。針對電動汽車這一移動儲能的特點[8]，可以使電動汽車根據電網調度需求參與電網調峰，充分發揮電動汽車動力電池的儲能作用，不僅可以提升電網的穩定性，還會為電網和車主帶來一定的經濟利益[9-11]。

目前，電動汽車虛擬儲能（electric vehicle virtual energy storage，EVVES）參與電網調峰的相關研究主要集中在電動汽車可用容量建模和控制策略等方面。文獻[12]從交通規劃角度，利用蒙特卡洛模擬方法，結合備用形式容量、充放電功率和日均行駛里程數對電動汽車充放電能力進行預測。文獻[13]通過蒙特卡洛模擬方法對電動汽車充電負荷和調峰容量進行預測，驗證了電動汽車虛擬儲能可以有效降低電網負荷峰谷差。文獻[14]通過價格機制引導電動汽車車主避峰充電，從而減小電網負荷峰谷差。文獻[15]介紹了電動汽車與電網雙向互聯的連接模型，利用粒子群優化（particle swarm optimization，PSO）算法進行模型求解，實現了電動汽車參與電網調峰的目的。文獻[16]基于大量假設條件建立了電動汽車參與電網調峰優化調度模型，利用PSO 算法對模型進行求解，減小了電網負荷的波動。文獻[17]提出雙層控制策略對電動汽車參與電網調峰進行控制，從而使集群總出力接近調度結果，進而平抑負荷波動。上述文獻中電動汽車充放電過程均按照既定時間進行。然而，電動汽車存在突然離開或加入等情況[18]，需要預留一定量的電動汽車作為冗余配置，以提高電動汽車虛擬儲能參與電網調峰的可靠性。

綜上所述，當前對電動汽車隨機參與電網調峰的可靠性研究較少，對電動汽車的約束考慮也不夠全面。對此，本文提出基于冗余配置的電動汽車虛擬儲能參與電網調峰的優化控制方法。以電網總負荷的波動最小為目標，充分考慮影響電動汽車虛擬儲能參與電網調峰的關鍵因素，以及不同冗余容量配置對電動汽車虛擬儲能可靠性的影響，建立基于冗余配置的電動汽車虛擬儲能參與電網輔助調峰優化控制模型，進一步提升電動汽車虛擬儲能參與電網調峰的可靠性。為了驗證模型的有效性，分別利用PSO 算法、遺傳算法（genetic algorithm，GA）和魚群算法（fish algorithm，FA）對模型求解，通過收斂速度和優化精度2 個指標對3 種優化算法進行評價，最終選取PSO 算法結果作為電動汽車參與電網調峰的最優出力方案。通過國內某地區電網負荷實際運行數據，對比分析了電動汽車虛擬儲能參與電網調峰優化前后效果，驗證了本文方法的有效性。

1 EVVES 參與電網調峰運行機制

EVVES 參與電網調峰的控制策略主要從電網側和車主側兩方面進行考慮。在電網側，電動汽車調度中心（electric vehicle dispatch center，EVDC）根據電網需求對電動汽車進行合理調度，電動汽車管理中心將充放電任務下發給各個相應的電動汽車。在車主側，當電動汽車停駛并連接到雙向充放電樁與管理中心建立通信連接即進入受控狀態，同時電動汽車將剩余電量、電動汽車最大充放電功率以及是否響應參與EVVES 和預計行駛里程數等信息反饋給電動汽車管理中心。根據電網側調峰調度需求，結合由各個電動汽車管理中心聚合得到的可用容量和可調度功率，將調度信息下發給各個電動汽車管理中心，電動汽車管理中心將收到的調度任務合理安排給響應的電動汽車，其具體工作流程如圖1 所示。

電動汽車主要包括電動私家車、出租車和電動公交車。由于出租車基本全天處于運營狀態，電動公交車用電量巨大且運行時間長，這2 類電動汽車無法響應虛擬儲能服務，所以本文只考慮電動私家車。

2 EVVES 參與電網調峰優化控制策略

2.1 目標函數

EVVES 參與電網調峰的目的是減小峰谷差和負荷波動。這里用標準差來表征電網所需功率與電動汽車實際出力偏差的波動程度，即EVVES 參與電網調峰的效果。以電動汽車出力與電網負荷的“合成負荷”的標準差最小為目標函數，具體計算公式為

式中：PG_t為1 天中第t個時間段電網負荷與電動汽車的疊加負荷，kW；Pt為第t個時間段電動汽車的出力，kW，規定充電為負，放電為正；電網調度中心每15 min 下發1 次調度指令，所以Pm為每天96 個時間段的合成負荷的平均值，kW，日負荷采樣時間間隔為15 min。

2.2 約束條件

2.2.1 電動汽車充放電電流約束

為安全起見，電動汽車在充放電過程中電流不能過大，否則會對電池造成嚴重損害甚至導致電池爆炸。電動汽車電池在充電過程中電流一般不超過0.2Iin，在放電過程中電流一般不超過Iin。即

式中：Iin為單位時間內電池完全充電或放電所需電流；Ic為電動汽車電池的充電電流，A，且Ic≤0；Id為電動汽車電池的放電電流，A，且Id≥0；UEV為放電過程中電動汽車電池的電壓，V；Ebat為電池的額定容量，kW·h。

2.2.2 電動汽車充放電功率約束

1）充電站設施線路對功率限制 電動汽車充電時受到充電樁等設施的限制，功率不能過大，否則會導致設備燒壞甚至發生火災。一般來說，電動汽車充（慢充）放電功率不超過某一閾值，設該閾值為Pf，存在

式中，Pc和Pd分別為充放電過程的功率，KW。

2）充放電電流和電壓對功率限制 電動汽車充放電功率與電流有著直接的關系，由于電流存在一定的限制，所以會導致電動汽車充放電功率也會受到一定的限制。

式中，Uc為充電電壓，V。

3）額定充放電功率限制 電動汽車充放電的功率不能高于額定充放電功率，即

式中，Pcr和Pdr分別為電動汽車充放電的額定功率，kW。

根據上述約束，電動汽車充放電過程中，為保證安全，其功率選擇最小值。由于設定充電為負，放電為正，故電動汽車充放電功率Pc和Pd約束為

2.2.3 電池可用容量約束

電動汽車電池容量是有限的，本文電動汽車電池電量狀態用荷電狀態（state of charge，SOC）表示，可用的SOC 與電動汽車行駛里程S、避免電池深度放電所保留最小SSOC,min和車主輸入的參與EVVES 服務后的預計行駛里程Sr等有關。單輛電動汽車可用容量SSOC,a可以表示為：

式中：SSOC,0為電動汽車出行結束后電池剩余電量的SOC 值；為電動汽車運行能量效率；k為電動汽車百公里耗電量，kW·h。

2.2.4 電動汽車出行結束時間

電動汽車主要功能是交通工具，所以電動汽車只有停駛的時間才有機會響應參與EVVES。當電動汽車行駛時，可用功率為0。通過對美國家庭旅行調查（NHTS）統計得到電動汽車的出行結束時間歷史數據進行擬合，得到出行結束時間t的概率密度函數為

2.2.5 車主響應度

EVVES 參與電網調峰效果與電動汽車車主是否響應參與虛擬儲能有直接關系。通過設置電動汽車參與虛擬儲能響應度來表征電動汽車車主響應虛擬儲能服務的程度，響應度定義為電動汽車管理中心統計得到的電動汽車數量與可參與虛擬儲能的電動汽車數量的比值，取值范圍為[0,1]，電動汽車參與虛擬儲能的響應度計算公式為

式中，Ns為停駛的電動汽車數量，Np為Ns中響應參與虛擬儲能的電動汽車數量。

3 計及不確定性的電動汽車可用容量冗余配置

電動汽車管理中心為了兼顧車主意愿與EVVES服務滿意率，需預置一定數量電動汽車作為冗余配置。當某單位車輛或批量車輛臨時發起退服請求時，電動汽車管理中心將會迅速啟用冗余配備的電動汽車來填補服務功率和容量缺額，從而確保完成當前正在執行的虛擬儲能任務，而冗余的配置也會影響EVVES 所能滿足的調峰服務需求和經濟性等。

式中：P為根據電動汽車數量和其充放電功率得到的可用功率，kW；Pa為配置冗余后且考慮電動汽車退服率的可用容量，kW；Pr為冗余配置，kW；Pd為EVVES 參與電網調峰的功率需求，kW，不同的情況對應不同Pd。

表1 退服率φ 所在區間及其概率Tab.1 The interval and probability of the retired rate φ

由于Pd為EVVES 參與調峰服務的功率需求，存在Pd＜P，所以ρ在時是單調遞增的。在各個區間的概率見表2。

表2 冗余配置ρ 及其對應概率Tab.2 The redundant configuration ρ and the corresponding probability

從表2 可以看出，當電動汽車參與虛擬儲能服務時，有必要配置適量的冗余容量來增加滿足調度需求的概率，提高EVVES 的可靠性。當不進行冗余配置時則可完全滿足調度的概率為0。隨著冗余配置的逐漸增加，可完全滿足調度的概率逐漸增加。

4 算例分析

4.1 仿真參數

以某型號電動汽車為例，電動汽車動力電池相關數據見表3，某地區典型日負荷曲線如圖2 所示。

表3 某型號電動汽車電池參數Tab.3 The battery data of a type of electric vehicle

由圖2 可見，24 h 的負荷波動范圍較大，峰谷差達4 440 kW。通過對美國NHTS 統計得到的電動汽車日行駛里程歷史數據（英里）進行分析，日行駛里程Sr服從對數正態分布，其概率密度函數為

根據當前電動汽車停靠和區域劃分，預計1 個電動汽車管理中心有100～200 輛電動汽車，這里電動汽車數量取150 臺（假設該地區只有1 個電動汽車管理中心）；由于EVVES 是面向未來的應用，無法確定車主是否響應，根據數據統計，假設車主響應度為70%，日負荷數據采樣間隔為0.25 h，冗余配置為

4.2 模型求解

由于在2.1 和2.2 節中所建立的EVVES 參與電網調峰優化模型是非線性數學模型，為驗證所建立數學模型的有效性，本文分別選擇GA、PSO 和FA 3 種算法對EVVES 參與電網調峰優化模型進行求解。3 種算法的參數設置及優化結果見表4，優化后的電動汽車出力曲線和合成負荷曲線分別如圖3 和圖4 所示。

表4 參數設置及優化結果Tab.4 The parameter setting and optimization results

從表4 和圖3 可以看出，利用3 種優化算法求解模型均可以減小標準差，即降低峰谷差。從優化精度來看，PSO 算法和FA 相差不大，但是GA 優化精度明顯較低。為了后期可以為工程實際應用提供借鑒，這里選取收斂速度較快的PSO 算法對模型進行求解。

從圖4 可以看出，EVVES 應用于電網調峰可以明顯降低負荷峰谷差。對于日負荷曲線中偏離負荷平均值較小的峰谷負荷來說，可以完全依靠EVVES 將負荷的偏差“拉回”負荷的平均值。對于日負荷曲線中偏離負荷平均值較大的峰谷值來說，即使該時段全部滿足條件的電動汽車都出力也無法將負荷“拉回”平均值。合成負荷的峰谷差見表5。

表5 合成負荷峰谷差 單位：kWTab.5 The peak-to-valley difference of the composed load

從表5 可以看出，負荷峰谷差被大幅削減，通過PSO 算法優化得到的合成負荷的峰谷差為原始負荷的45.02%，精度最高。為體現本文控制方法的效果，引入波動率來評價負荷的波動水平，波動率采用式(15)計算，計算得到負荷波動率曲線如圖5 所示。

由圖5 可見，由PSO 算法優化后的負荷平均波動率為0.29%，低于原始負荷平均波動率0.82%，曲線更加光滑，驗證了電動汽車虛擬儲能參與電網調峰的可行性。

5 結 論

1）配置一定的冗余容量可以保證正在參與調峰服務的電動汽車臨時退出時不對當前調峰任務造成影響。當電動汽車冗余配置從0 增加到1+(Pd-P)/Pφmax時，電動汽車虛擬儲能不受電動汽車臨時退出影響的概率從0 增加到99.87%。由此可見，冗余配置可以提高電動汽車虛擬儲能參與電網調峰的可靠性。

2）采用3 種優化算法驗證了本文建立的電動汽車虛擬儲能參與電網調峰優化控制模型的有效性。考慮工程應用的實際情況，選擇迭代次數少、優化精度高的PSO 算法對模型進行求解。優化后的峰谷差為1 999 kW，日負荷峰谷差降低了54.98%，負荷波動率由0.29 降低到0.82，達到了電動汽車虛擬儲能參與電網調峰的目的。

3）本文方法可以充分利用電動汽車閑置時間參與電網調峰，通過冗余配置，進一步提升了電動汽車虛擬儲能參與電網調峰的可靠性，具有一定的工程實用價值。