電動汽車與風電協同入網的雙層優化策略

黃景光,鄭欽杰,林湘寧,黃靜梅,李江峽,張宇鵬

（1.三峽大學 電氣與新能源學院，湖北 宜昌443002；2.華中科技大學 電氣與電子工程學院，湖北 武漢430074）

0 引言

電動汽車（EV）接入電網將產生負荷增長[1]，若充電時缺乏有效的協調和管理會極大影響電網安全運行[2]。風電出力的波動性與反調峰特性，容易使電網負荷在低谷時段產生嚴重的棄風現象，不利于風電的消納[3]。將電動汽車與風電協同優化調度，充分發揮電動汽車作為分布式儲能設備靈活可調的特點，可以有效降低兩者入網時對電網產生的負面影響[4]。

國內外對電動汽車和風電協同并網已有相關研究。文獻[5]建立了電動汽車與風電協同并網的多目標優化模型，通過對電動汽車的優化調度，適應負荷與風電的波動，最大程度地實現風電消納，同時減小系統凈負荷峰谷差，促進火電機組的經濟運行。文獻[6]利用運營商調度電動汽車為風電場提供備用服務，以風電場運行經濟效益最大為目標，建立了電動汽車-風儲混合系統聯合運行的日內優化模型。文獻[7]建立了以可再生能源利用率最大、微電網負荷波動最小以及電動汽車用戶收益最大的多目標優化模型，并利用加權系數轉換為單目標進行求解。文獻[8]針對分布式風電出力的不確定性，對配電網中的風電和電動汽車充電樁進行聯合優化配置，提出考慮購電成本、網損成本、投資成本以及棄風成本的魯棒規劃模型。文獻[9]建立了計及需求側響應的電動汽車與風電協同優化調度的多目標優化模型，以價格機制引導電動汽車用戶的有序充電，并結合發電側資源，促進風電的消納。

以上文獻對于風電出力日前預測誤差與電動汽車的不確定性考慮不夠全面。本文提出了一種充電站電動汽車與風電協同入網的雙層優化策略。首先，在上層日前優化調度中，配電網調度中心綜合考慮電網、充電站運營商、風電場三者的利益需求，以總負荷方差和電動汽車充電成本最低為目標，在Matlab環境下調用Yalmip進行求解，得到負荷指導曲線；然后，在下層日內滾動優化過程中，考慮到日前預測誤差以及電動汽車接入充電樁的實時數據，以負荷跟隨的方式，實現電動汽車和風電實際等效負荷與負荷指導曲線偏差最小；最后，通過仿真算例驗證文章所提策略的有效性。

1 優化調度模型框架

如圖1所示，優化調度模型結構主要由調度中心、充電站運營商、電動汽車用戶和風電場4個部分組成，通過完善的數據交流平臺和能量傳輸通道，實現信息交互和電量傳輸。

圖1 優化調度模型框架Fig.1 Framework of optimal scheduling model

配電網調度中心為信息的收集者和計劃的決策者。上層模型中，調度中心以今、明兩日12：00為一個調度周期，30 min為時間間隔，對風電出力進行日前預測，并收集電網的典型日負荷數據和運營商上傳的EV歷史數據，制定EV日前充放電計劃，并下發至運營商處。下層模型中，調度中心在每個時段（30 min）末對下一個時段的風電出力進行短期預測，將日前預測誤差傳輸到運營商處，為運營商實現負荷實時跟隨提供數據。

充電站運營商為計劃的執行者，根據調度中心下發的EV日前充放電計劃和風電預測誤差計算得到各時段充放電車輛數。同時更新已接入的EV信息，計算EV參數，進行隊列劃分和充放電優先級排序，以負荷實時跟隨的方式，篩選出各時段的充放電車輛，并以充放電指令控制站內智能充電樁的電能傳輸。

2 調度中心制定EV和風電聯合負荷指導曲線

負荷波動會影響電網的安全穩定和經濟效益。縮小負荷峰谷差可以促進均衡用電，提高電網負荷率，最大限度地達到電力供需平衡，實現電網經濟運行[10]。運營商以經濟效益為目的參與執行充放電計劃，為提高充電站運營商參與EV充放電計劃的積極性，調度中心選擇部分EV組成放電樣本，對該部分車輛進行充放電調度，而剩余車輛則只進行充電調度，以此減小運營商的購電成本。因此，風電與EV聯合入網時，調度中心將電網負荷波動和充電站運營商的購電成本最小為目標函數。

式中：PLt為各時段基礎負荷；Pwt為風電日前預測功率；T為總時段數；N為EV數量；uct，i為充電決策變量，當EV處于充電狀態時取1，否則取0；udt，i為放電決策變量，當EV處于放電狀態時取1，否則取0；PEV為電池的充放電功率；PLaν為EV與風電入網后的日平均負荷。

（2）充電站運營商的購電成本最小

設第i輛EV t時刻電池電量為Qi，t，則電量連續性約束為

若電池容量為B，則EV斷開充電樁時，電池電量應滿足用戶期望，即：

3 充電站運營商實時負荷跟隨

考慮到風電預測誤差造成的風電出力波動以及EV用戶返程、出行時間和電池剩余電量的不確定性，本文以日內負荷實時跟隨的方式，實現EV與風電聯合實際等效負荷曲線與指導負荷曲線偏差最小，以此求得實際各時段的充放電計劃，其表達式為

3.1 日前充放電計劃參數和日內EV參數

運營商根據調度中心下發的EV日前充放電計劃功率曲線和風電出力日前預測誤差，便可獲得計劃參數，即：

式中：Tin，Tout分別為EV接入和斷開充電樁的時間；Number為EV接入充電樁的編號；λ為EV綜合評價系數。

λ的影響因素包括返程時間Tin、歷史放電時段數Tdall和反向供電違約次數K。

由于3種影響因素的量綱不同，無法直接計算，因此，對各因素指標進行無量綱處理[11]，其表達式為

以上4個參數為靜態參數，在一個控制周期內不發生改變。Td，SOC，Te和δ為動態參數，隨著EV參與充放電計劃而發生改變，參數含義與更新公式如下。

①荷電狀態（State of Charge，SOC）為電池剩余電量與電池容量的比值，隨著EV參與充放電計劃而改變，其表達式為

式中：SOCe，i為EV出行時用戶期望的電池荷電狀態；Tc，i為滿足用戶期望的最小充電時段數。

④δ為放電影響因子。若EV參與放電，則會導致期望充電時刻的前移，若EV的期望充電時刻小于充電調控的初始時刻，則可能造成充電計劃的偏差。因此，通過δ來判斷EV放電造成充電計劃偏差的大小，即：

3.2 有序充放電控制流程

充電站內EV根據剩余電量、返程和出行時間可以分為3類：①當EV接入充電樁的時間無法滿足用戶期望電量要求時，則立即安排EV進行充電；②考慮到用戶因突發事件需要出行的可能，則EV電量應高于臨界電量，以滿足用戶的臨時出行需求。故當EV返程時剩余電量低于臨界電量時，則優先將車輛充電至臨界電量，然后再進行剩余需求電量的充電優化；③當用戶返程時剩余電量滿足臨界電量要求，且接入充電樁的時間在滿足自身充電需求時仍有剩余，則該車輛為充放電可調控車輛。因此，根據已接入的EV參數ΩEV可以劃分為緊急充電隊列、充放電可調控隊列以及充電完成隊列。若EV接入充電樁的時間無法滿足用戶期望電量，或者EV剩余電量小于臨界電量，則將車輛劃分到緊急充電隊列，在下一時段開始時刻立即充電。若EV電量已滿足用戶期望，且當前時段位于充電計劃調控時段，則將車輛劃分至充電完成隊列。若EV未滿足以上兩個篩選條件，則將該EV歸入充放電可調控隊列。在實際充放電車輛篩選過程中，放電車輛優先選擇Tdi＞0，且δi＞0中λ較大者；只有δi＞0車輛未滿足放電需求時，才從δi≤0的車輛中選擇λ較大者滿足放電需求；而充電車輛則優先選擇Tei較小者，若Tei相等，則優先選擇λ較大者滿足充電需求。運營商對EV的有序充放電控制流程如圖2所示。

圖2 有序充放電控制流程圖Fig.2 Orderly charging and discharging control flowchart

4 仿真及結果分析

4.1 參數設置

以某一居民區為例，若小區充電站內有250輛EV，EV鋰電池的電池容量為32 kW·h，額定充放電功率為7 kW，充放電效率η為0.9。默認用戶離開時的期望SOCe為95%，放電臨界SOCmin為20%。

根據2009年美國交通部對全美家庭用車出行規律的調查結果[12]，用戶最后一次返程接入到充電樁的時刻、用戶離家時刻均滿足正態分布，接入時刻的期望為17.47，標準差為3.41，離家時刻的期望為8.92，標準差為3.24，EV的日行駛里程對數的期望為2.98，標準差為1.14。由于用戶綜合評價系數中歷史充電時段數與違約次數缺乏實際數據，本文以用戶為首次參與充放電管理為例。在實際運用中，即可通過真實的歷史數據計算用戶的綜合評價系數中各項指標得分，并以合適時間為期限清空歷史指標，保證新、老用戶參與充放電管理的積極性。

充電站運營商向電網購電和售電電價與EV用戶在充電站內的充放電電價如表1所示。

表1 分時電價Table 1 Time-of-use electricity price

日內實際風電功率通過對日前預測值設定10%以內的隨機偏差模擬得到。為簡化計算，假設日內短期預測的風電出力與實際出力的誤差可以忽略不計。風電出力日前預測曲線與實際曲線如圖3所示。

圖3 風電實際功率與日前預測功率Fig.3 Wind power actual power and day ahead forecast power

4.2 仿真結果

為驗證所提EV有序充放電策略的有效性，采用蒙特卡洛模擬住宅區內250輛EV的充電行為獲得2組EV數據，其中，第1組作為EV歷史數據，第2組作為EV的實際數據，設定放電樣本容量為50輛。通過仿真計算，比較一個調度周期內EV無序充電和有序充放電情況下與風電協同入網時，電網總體負荷峰谷差以及運營商經濟效益等。

（1）EV無序充電情況下與風電協同入網

無序充電情況下，當EV最后一次返程接入充電樁后立即開始充電，直至滿足用戶的期望電量為止，如圖4所示。EV無序充電負荷將導致負荷峰值進一步增大，而風電出力的波動性與反調峰特性，則會導致負荷谷值減小，當兩者協同入網時，使電網負荷峰谷差進一步增大，對電網運行的安全性與經濟性造成嚴重影響。

圖4 EV無序和風電單獨入網與協同入網總負荷Fig.4 Total load of EV disorder and wind power entering the network separately and cooperatively

（2）EV有序充放電情況下與風電協同入網

EV有序充放電情況下與風電協同入網如圖5所示。為適應風電因預測誤差造成的實際出力波動，EV通過調整實際的充放電功率進行補償。調度中心根據典型日負荷曲線、EV的歷史數據以及風電出力日前預測曲線，以負荷方差最小為優化目標，得到EV和風電的聯合負荷指導曲線，如圖6所示。

圖5 EV計劃負荷與實際負荷Fig.5 Planned load and actual load of electric vehicle

圖6 負荷跟隨示意圖Fig.6 Load following diagram

由圖5，6可以看出，EV和風電實際等效負荷與負荷指導曲線基本吻合，但由于EV充電需求的滿足導致末尾時段出現較小的偏差，基本實現了負荷的實時跟隨，減小了風電日前預測誤差造成實際出力波動的影響。

EV有序放電情況下與風電協同入網時總負荷如圖7所示。相較于EV無序情況下與風電協同入網，極大的縮小了負荷峰谷差，使負荷曲線更加平滑，提高了電網運行的經濟性與安全性。

圖7 EV有序和無序放電情況下和風電協同入網總負荷Fig.7 Total load of electric vehicle and wind power coordinated access under orderly and disordered conditions

（3）峰谷差和經濟效益分析

表2分別列出了上述兩種場景下電網總負荷峰谷差和運營商的經濟效益。

表2 仿真數據Table 2 Simulation data

由表2可知，EV和風電有序協同入網時電網總負荷峰谷差僅為無序協同入網時的44.4%，有效減輕了電網用電高峰期的負荷壓力，提高電網的日負荷率，促進均衡用電。運營商在有序充電情況下的收益為無序充電時的兩倍多，EV用戶的總充電成本也減小了400元左右，實現了充電站運營商與EV用戶之間的互利共贏。

5 結論

本文提出了EV與風電協同入網的雙層優化模型。其中：上層調度模型兼顧電網與充電站運營商的利益，以負荷方差和運營商購電成本最低為目標，得到EV與風電聯合負荷指導曲線；下層模型以EV與風電實際等效負荷與負荷指導曲線偏差最小為目標，進行實時負荷跟隨。通過仿真分析，得出以下結論。

①風電與EV協同入網可以有效減小電網的負荷波動，實現削峰填谷的目標，促進電網安全、穩定、經濟地運行。②將充電站內EV與風電協同調度以等效負荷形式接入電網，可以充分發揮EV作為分布式儲能設備靈活可調的特點，減小風電出力預測誤差的影響，促進風電消納。因此，風電場可以給予充電站運營商一定的經濟補償，提高運營商參與協同調度的積極性。③調度中心給予一定的放電容量，能夠大大減小運營商的購電成本，而運營商可以通過制定合理的電價吸引用戶參與充放電管理，實現運營商與EV用戶之間的互利共贏。

本文提出的充放電優化策略充分考慮電網、運營商和風電場三者的利益需求，通過EV與風電的協同入網，滿足用戶充電需求的同時促進風電的消納。但運營商安排EV進行實時負荷跟隨的準確性與參與充放電管理的EV負荷總體水平有關，當EV實際負荷水平與歷史水平相差較大時，容易造成末尾時段的負荷偏差。因此，在后續研究中，將考慮如何減輕EV負荷總體水平偏差較大時的影響。