電動(dòng)汽車有序充放電分群調(diào)度策略

朱心月，岳云濤*，李炳華，宋欣蔚，王 成，常 昊

(1.北京建筑大學(xué)電氣與信息工程學(xué)院，北京 100044；2.悉地(北京)國(guó)際建筑設(shè)計(jì)顧問有限公司，北京 100013)

截至2020年6月，中國(guó)新能源汽車保有量達(dá)417萬(wàn)輛，憑借其清潔環(huán)保、高效節(jié)能的特點(diǎn)，大大降低能源消耗，減輕環(huán)境污染。電動(dòng)汽車作為一種新型可控負(fù)荷，一天中大約有90%的電動(dòng)汽車處于閑置狀態(tài)。并網(wǎng)的電動(dòng)汽車既是隨機(jī)負(fù)載也是移動(dòng)儲(chǔ)能單元，電動(dòng)汽車不僅能夠從電網(wǎng)獲取電能，同時(shí)在激勵(lì)機(jī)制下將能量反饋給電網(wǎng)，實(shí)現(xiàn)車聯(lián)網(wǎng)(vehicle to grid，V2G)。大規(guī)模電動(dòng)汽車接入電網(wǎng)，其充放電行為對(duì)電網(wǎng)運(yùn)行有很大的影響。一方面，需要關(guān)注電動(dòng)汽車大規(guī)模接入電網(wǎng)帶來(lái)的一些不利影響，如加劇電網(wǎng)峰谷差、影響電能質(zhì)量、降低配電網(wǎng)可靠性和經(jīng)濟(jì)性[1-4]；另一方面，人們可以充分利用電動(dòng)汽車的充電負(fù)荷特性和移動(dòng)儲(chǔ)能特性[1]，為電網(wǎng)優(yōu)化運(yùn)行提供輔助服務(wù)，如平抑電網(wǎng)負(fù)荷、減少網(wǎng)絡(luò)損耗[2]，降低由可再生能源出力隨機(jī)性大、波動(dòng)性強(qiáng)給電網(wǎng)造成的影響，同時(shí)還可以給電網(wǎng)和車主帶來(lái)一定的經(jīng)濟(jì)效益。

在過(guò)往研究中，無(wú)論是電動(dòng)汽車的有序充放電管理，還是電動(dòng)汽車與電網(wǎng)的互動(dòng)技術(shù)，中外學(xué)者從各方面展開研究，并取得大量成就。但就目前的研究來(lái)看，仍存在一些不足。

(1)電動(dòng)汽車調(diào)度的時(shí)間維度。針對(duì)電動(dòng)汽車V2G響應(yīng)能力的研究，從時(shí)間維度上主要分為日前優(yōu)化調(diào)度[5-6]和實(shí)時(shí)優(yōu)化調(diào)度[7-9]兩種。王岱等[5]基于歷史統(tǒng)計(jì)數(shù)據(jù)，對(duì)電動(dòng)汽車出行參數(shù)建模分析，并以此為依據(jù)，預(yù)測(cè)獲得次日充放電需求時(shí)間分布。然而，通過(guò)歷史統(tǒng)計(jì)數(shù)據(jù)對(duì)電動(dòng)汽車負(fù)荷進(jìn)行預(yù)測(cè)，或者通過(guò)日前申報(bào)機(jī)制獲得電動(dòng)汽車充放電需求數(shù)據(jù)，容易造成實(shí)際調(diào)度結(jié)果與日前優(yōu)化的結(jié)果存在較大偏差。日前優(yōu)化過(guò)程需要根據(jù)電動(dòng)汽車實(shí)際接入情況進(jìn)行修正，難以制定單輛電動(dòng)汽車的充放電策略。潘振寧等[7]建立了考慮電動(dòng)汽車充放電的大規(guī)模集群實(shí)時(shí)優(yōu)化調(diào)度模型，通過(guò)能量緩沖一致性算法，制定集群內(nèi)的各輛電動(dòng)汽車的充放電策略。占智等[8]在充分計(jì)及電動(dòng)汽車可調(diào)度時(shí)間/電量、用戶參與意愿的基礎(chǔ)上，提出電動(dòng)汽車可轉(zhuǎn)移充放電量裕度的概念，量化充放電調(diào)度的靈活性。隨著未來(lái)接入系統(tǒng)的電動(dòng)汽車規(guī)模逐漸增加，實(shí)時(shí)優(yōu)化調(diào)度對(duì)求解速度和求解效率要求高。

電動(dòng)汽車不同于傳統(tǒng)用電負(fù)荷，它接入電網(wǎng)的時(shí)間具有很強(qiáng)的隨機(jī)性。從單一時(shí)間尺度出發(fā)制定調(diào)度計(jì)劃，無(wú)法兼顧調(diào)度過(guò)程的全局性和精確性。

(2)電動(dòng)汽車調(diào)度的控制方式。針對(duì)電動(dòng)汽車V2G響應(yīng)策略的研究，根據(jù)電動(dòng)汽車數(shù)量和規(guī)模的不同，主要分為個(gè)體調(diào)度和群體調(diào)度兩種。段小宇等[10]提出了長(zhǎng)時(shí)間尺度的雙層電動(dòng)汽車有序充放電模型，進(jìn)而合理安排每輛電動(dòng)汽車的充放電計(jì)劃。然而，個(gè)體調(diào)度策略適用于電動(dòng)汽車數(shù)量較少的情況。隨著入網(wǎng)車輛數(shù)量增多，變量維度急劇增加，模型可能出現(xiàn)求解困難甚至無(wú)解的情況。隨著大數(shù)據(jù)和人工智能技術(shù)的發(fā)展，多數(shù)學(xué)者對(duì)車主充電需求和充電負(fù)荷分布進(jìn)行分析，發(fā)現(xiàn)其負(fù)荷特征呈現(xiàn)規(guī)律性，從電動(dòng)汽車集群角度對(duì)充放電行為進(jìn)行管理，有效降低通信難度和算法維度、優(yōu)化計(jì)算過(guò)程，受到了廣泛學(xué)者的青睞。梅哲等[11]在考慮用戶滿意度的前提下制定基于開始充電時(shí)刻和車主期望電量的電動(dòng)汽車分群方法。甘霖等[12]提出以充電結(jié)束時(shí)刻為分群特征的實(shí)時(shí)調(diào)度方法,并采用雙層優(yōu)化模型求解集群整體和單輛電動(dòng)汽車的最優(yōu)充放電功率問題。但上述分群策略都主觀定義了電動(dòng)汽車集群優(yōu)化調(diào)度時(shí)間，若能從電動(dòng)汽車出行規(guī)律角度分析負(fù)荷特性，可以大大降低求解難度，提升求解速度。同時(shí)，在對(duì)電動(dòng)汽車集群進(jìn)行劃分的過(guò)程中，需考慮用戶滿意度[13]，在滿足車主需求的前提下，充分利用電動(dòng)汽車的停留時(shí)間。針對(duì)以上研究現(xiàn)狀，提出了V2G模式下電動(dòng)汽車有序充放電實(shí)時(shí)響應(yīng)分群調(diào)度策略。首先，介紹了電動(dòng)汽車集群管理系統(tǒng)和集群響應(yīng)架構(gòu)，制定了電動(dòng)汽車集群的分層響應(yīng)流程；其次，從日前—日內(nèi)多時(shí)間尺度出發(fā)，將具有相似屬性的電動(dòng)汽車劃分至同一集群，采用集群統(tǒng)一期望完成時(shí)間代替各電動(dòng)汽車的期望完成時(shí)間，降低由電動(dòng)汽車入、離網(wǎng)時(shí)間差異過(guò)大帶來(lái)的弊端；在實(shí)際調(diào)度過(guò)程中，針對(duì)單輛電動(dòng)汽車的不同特性，在保障配電網(wǎng)安全穩(wěn)定運(yùn)行和車主出行需求的前提下，最小化調(diào)度時(shí)間區(qū)間的配電網(wǎng)負(fù)荷曲線方差和車主經(jīng)濟(jì)成本；最后，通過(guò)算例仿真，驗(yàn)證所提模型的有效性。

1 電動(dòng)汽車集群分層響應(yīng)流程

1.1 電動(dòng)汽車集群響應(yīng)架構(gòu)

在電動(dòng)汽車集群控制架構(gòu)(圖1)中，主要由電網(wǎng)公司、區(qū)域配電網(wǎng)、電動(dòng)汽車集群管理系統(tǒng)(electric vehicle grouping management system，EVGMS)及電動(dòng)汽車組成。隨著入網(wǎng)電動(dòng)汽車規(guī)模的增加，若由區(qū)域配電網(wǎng)直接采集車主需求并對(duì)每一輛電動(dòng)汽車進(jìn)行調(diào)度，大量的信息存儲(chǔ)和計(jì)算極易出現(xiàn)“維數(shù)災(zāi)難”問題。但對(duì)于區(qū)域配電網(wǎng)中龐大的電動(dòng)汽車群體，日內(nèi)充電需求和負(fù)荷分布呈現(xiàn)規(guī)律性，故建立日前-日內(nèi)多時(shí)間尺度的分群策略，兼顧用戶滿意度的同時(shí)，減少算法維度，加快計(jì)算速度。

圖1 電動(dòng)汽車集群響應(yīng)架構(gòu)

1.2 電動(dòng)汽車集群分層響應(yīng)流程

從日前-日內(nèi)多時(shí)間角度出發(fā)對(duì)電動(dòng)汽車集群進(jìn)行劃分。在日前階段，基于歷史出行統(tǒng)計(jì)數(shù)據(jù)，對(duì)電動(dòng)汽車充電負(fù)荷進(jìn)行建模，得到電動(dòng)汽車接入電網(wǎng)時(shí)刻ta,i、離開電網(wǎng)時(shí)刻td,i的概率統(tǒng)計(jì)模型；在日內(nèi)階段，EVGMS系統(tǒng)通過(guò)實(shí)時(shí)采集電動(dòng)汽車充放電意愿、接入狀態(tài)和出行計(jì)劃等信息，充分考慮響應(yīng)意愿和響應(yīng)能力，對(duì)有能力且愿意參與V2G的電動(dòng)汽車以ta,i和td,i作為分群特征值，具有相似屬性的電動(dòng)汽車劃分至同一集群，并由EVGMS系統(tǒng)對(duì)電動(dòng)汽車集群進(jìn)行調(diào)度。

在制定有序充放電策略時(shí)，針對(duì)單輛電動(dòng)汽車實(shí)際約束和不同特性，將實(shí)時(shí)優(yōu)化的思想引入到群體調(diào)度中，在保證配電網(wǎng)安全運(yùn)行和車主經(jīng)濟(jì)效益的前提下，綜合考慮電網(wǎng)、電池、車主等約束條件，建立V2G模式下電動(dòng)汽車有序充放電實(shí)時(shí)響應(yīng)分群調(diào)度模型。模型分為上、下兩層求取電動(dòng)汽車充放電調(diào)度計(jì)劃：上層從電動(dòng)汽車集群角度出發(fā)，協(xié)調(diào)電動(dòng)汽車集群在各時(shí)段的充放電功率，使得調(diào)度時(shí)間區(qū)間內(nèi)配電網(wǎng)負(fù)荷曲線方差最小；下層從集群內(nèi)各電動(dòng)汽車車主經(jīng)濟(jì)成本角度出發(fā)，求解集群內(nèi)部單輛電動(dòng)汽車充放電功率的最優(yōu)功率分配。優(yōu)化過(guò)程中，每一層都將另一層上次的優(yōu)化結(jié)果作為已知條件，通過(guò)多次迭代，實(shí)現(xiàn)兩層之間的信息互動(dòng)。

電動(dòng)汽車V2G實(shí)時(shí)響應(yīng)分群調(diào)度流程如圖2所示。

圖2 電動(dòng)汽車分群調(diào)度流程

YALMIP作為MATLAB優(yōu)化求解工具箱，在涵蓋基本線性規(guī)劃求解算法的同時(shí)，還提供CPLEX、GLPK、Lpsolve等求解工具，對(duì)所有問題都能采用統(tǒng)一方式進(jìn)行建模。其中，CPLEX具有強(qiáng)魯棒性、高優(yōu)化效率及快速計(jì)算等特性，方便求解線性規(guī)劃、二次規(guī)劃及相應(yīng)混合整數(shù)規(guī)劃問題。通過(guò)YALMIP調(diào)用外部求解器CPLEX對(duì)所構(gòu)建的雙層優(yōu)化模型進(jìn)行求解。針對(duì)每個(gè)調(diào)度時(shí)段，優(yōu)化得到電動(dòng)汽車的調(diào)度計(jì)劃。以典型的區(qū)域配電網(wǎng)負(fù)荷數(shù)據(jù)為例，通過(guò)所提策略，在滿足車主出行需求的基礎(chǔ)上保證電網(wǎng)的經(jīng)濟(jì)運(yùn)行、最大化車主經(jīng)濟(jì)效益，驗(yàn)證其有效性。

2 電動(dòng)汽車集群劃分策略

2.1 日前負(fù)荷模型

電動(dòng)汽車的充電負(fù)荷受到包括動(dòng)力電池、車主使用習(xí)慣、充電設(shè)施等多方約束。其中車輛入/離網(wǎng)時(shí)間和荷電狀態(tài)很大程度上決定了車輛的充電功率和充電時(shí)長(zhǎng)。基于2017年和2018年美國(guó)交通部對(duì)全美家用車輛調(diào)查(national household travel survey，NHTS)結(jié)果，用傳統(tǒng)燃油車出行特性代替電動(dòng)汽車進(jìn)行分析。通過(guò)對(duì)統(tǒng)計(jì)數(shù)據(jù)進(jìn)行歸一化處理[14-16]，得到電動(dòng)汽車的返家時(shí)刻fta,i(x)、離家時(shí)刻ftd,i(x)概率密度函數(shù)滿足

fta,i(x)=

(1)

ftd,i(x)=

(2)

式中：μa、σa分別為電動(dòng)汽車i接入電網(wǎng)時(shí)刻期望和方差；μd、σd分別為電動(dòng)汽車i預(yù)計(jì)離開電網(wǎng)時(shí)刻的期望和方差。

假設(shè)車主回家之后立即接入電網(wǎng)，則電動(dòng)汽車i接入電網(wǎng)時(shí)刻ta,i～N(17.9,3.42)、預(yù)計(jì)離開電網(wǎng)時(shí)刻td,i～N(9.24,3.162)。

2.2 日內(nèi)實(shí)時(shí)需求

電動(dòng)汽車在接入電網(wǎng)之前，車主預(yù)先將出行計(jì)劃和充放電需求(包括是否參與V2G調(diào)度、離開電網(wǎng)時(shí)刻td,i、離網(wǎng)時(shí)期望荷電狀態(tài)Se,i)等信息上報(bào)給EVGMS；同時(shí)EVGMS從電動(dòng)汽車電池管理系統(tǒng)(battery management system，BMS)獲取的接入電網(wǎng)時(shí)刻ta,i、電池容量Bi、入網(wǎng)時(shí)荷電狀態(tài)Sa,i等信息；EVGMS作為信息交換和指令傳遞的樞紐，采集的信息通過(guò)EVGMS上報(bào)至區(qū)域配電網(wǎng)和電網(wǎng)公司，區(qū)域配電網(wǎng)調(diào)度部門根據(jù)電網(wǎng)負(fù)荷需求和EVGMS上報(bào)的信息，下發(fā)調(diào)度指令，制定集群整體的充放電計(jì)劃。

電動(dòng)汽車V2G響應(yīng)能力k與其入/離網(wǎng)時(shí)間和以最大功率至充滿的最短充電時(shí)間tmin,i有關(guān)，即

(3)

(4)

當(dāng)k>1時(shí)，電動(dòng)汽車具備V2G響應(yīng)能力，且k值越大，電動(dòng)汽車可以可調(diào)度性越靈活。但在實(shí)際運(yùn)行過(guò)程中，k>1的V2G響應(yīng)能力有限，考慮車主接下來(lái)的行程需求，本文中將k>1.2作為衡量電動(dòng)汽車是否具備V2G能力的標(biāo)準(zhǔn)。

2.3 電動(dòng)汽車集群的劃分

如圖3所示，考慮到電動(dòng)汽車入網(wǎng)的隨機(jī)性，首先根據(jù)日內(nèi)實(shí)時(shí)采集車主需求，將電動(dòng)汽車分為參與V2G調(diào)度和不參與V2G調(diào)度；然后計(jì)算電動(dòng)汽車可參與V2G響應(yīng)能力，不具備V2G響應(yīng)能力的電動(dòng)汽車直接充電；最后對(duì)有能力且愿意參與V2G調(diào)度的電動(dòng)汽車，根據(jù)日前負(fù)荷模型，制定分群策略。在優(yōu)化調(diào)度過(guò)程中，采用集群統(tǒng)一期望完成時(shí)間Td，j代替各電動(dòng)汽車的期望完成時(shí)間td,i，消除群內(nèi)各電動(dòng)汽車離網(wǎng)時(shí)間的差異性，EVGMS將在Td，j前完成車主的充放電需求。

圖3 電動(dòng)汽車分群細(xì)則

制定分群策略時(shí)，子群的數(shù)量也是一個(gè)值得考究的關(guān)鍵因素。為使每個(gè)子群中的電動(dòng)汽車數(shù)量相仿，根據(jù)ta,i和td,i的概率密度函數(shù)，采用在置信度為80%范圍為內(nèi)采用“等積分”的方式，對(duì)電動(dòng)汽車集群進(jìn)行劃分，并由EVGMS對(duì)集群進(jìn)行統(tǒng)一調(diào)度。

3 電動(dòng)汽車集群優(yōu)化模型

對(duì)于不愿意參與調(diào)度或者沒有調(diào)度能力的電動(dòng)汽車采用接入電網(wǎng)期間充電功率不變的方式直接充電，表達(dá)式為

(5)

3.1 上層模型

3.1.1 目標(biāo)函數(shù)

以集群j統(tǒng)一調(diào)度開始時(shí)段Ta,j到完成時(shí)段Td,j配電網(wǎng)總負(fù)荷曲線方差最小為優(yōu)化目標(biāo)，求取集群j在t時(shí)段的總充放電功率，計(jì)算公式為

(6)

(7)

3.1.2 約束條件

(1)節(jié)點(diǎn)功率平衡約束。

Bmnsinθmn)

(8)

Bmnsinθmn)

(9)

(2)節(jié)點(diǎn)電壓偏移約束。

Pmax，mn

(10)

Umin，m≤Um≤Umax，m

(11)

式中：Pmax,mn為線路mn最大有功功率；Umax,m、Umin,m為電壓上、下限約束。

(3)集群荷電狀態(tài)約束。從優(yōu)化開始時(shí)段至優(yōu)化過(guò)程中的任一時(shí)段t1內(nèi)，充放電電量累積之和不能夠超過(guò)集群j總的充電需求，即

(12)

(13)

式中：Bi為電池容量；ηj為集群充放電效率；Dj為集群j在優(yōu)化調(diào)度期間總的充放電需求。

(4)集群充放電功率約束。

(14)

3.2 下層模型

3.2.1 目標(biāo)函數(shù)

以集群j內(nèi)各電動(dòng)汽車i車主費(fèi)用最低為優(yōu)化目標(biāo)，在滿足車主需求的前提下，制定單輛電動(dòng)汽車的充放電策略，即

(15)

(16)

(17)

(18)

考慮電動(dòng)汽車接入交流充電樁，充放電功率和電池溫度變化較小，故將電動(dòng)汽車i在t時(shí)段的電池?fù)p耗系數(shù)λi,t視作當(dāng)前時(shí)段下放電深度Di，t和電池循環(huán)使用次數(shù)li,t的函數(shù)，建立動(dòng)力電池的損耗模型[17-18]。

(19)

Di.t=1-Si.t

(20)

電動(dòng)汽車i在t時(shí)段的荷電狀態(tài)(SOC)表示為

(21)

式中：cb為單位電池容量購(gòu)置成本；cr為更換電池成本。

通過(guò)對(duì)實(shí)驗(yàn)數(shù)據(jù)進(jìn)行擬合[19]，電池循環(huán)使用次數(shù)和放電深度成線性關(guān)系，電池放電深度越大，其循環(huán)使用次數(shù)越低。

(22)

3.2.2 約束條件

(1)電動(dòng)汽車荷電狀態(tài)約束。

Smin,i≤Si,t≤Smax,i

(23)

(24)

(2)電動(dòng)汽車充放電功率約束。

(25)

(26)

(3)電動(dòng)汽車充放電狀態(tài)約束。

(27)

(4)電動(dòng)汽車充放電時(shí)間約束。

Ta,j≤ta,i

(28)

4 算例分析

4.1 參數(shù)設(shè)置

以IEEE33節(jié)點(diǎn)配電網(wǎng)(圖4)為例，將配電網(wǎng)分成三個(gè)區(qū)域，對(duì)所提電動(dòng)汽車集群有序充放電調(diào)度模型和分群方法進(jìn)行仿真模擬。選取基準(zhǔn)功率 10 MV·A，基準(zhǔn)電壓12.66 kV，負(fù)荷節(jié)點(diǎn)允許電壓偏移±5%。

圖4 IEEE33節(jié)點(diǎn)配電網(wǎng)

仿真時(shí)間為00:00—24:00，時(shí)間間隔Δt=30 min，共計(jì)48個(gè)時(shí)段。假設(shè)在當(dāng)前時(shí)段內(nèi)，電動(dòng)汽車充放電負(fù)荷和其他基本負(fù)荷不發(fā)生變化。

電池在充放電過(guò)程中荷電狀態(tài)上下限為1/0.2，接入電網(wǎng)時(shí)的荷電狀態(tài)Sa，i～N(0.5,0.12)、Se，i=0.95。假設(shè)有90%的車主愿意參與V2G響應(yīng)過(guò)程，且接入電網(wǎng)之后不再變更出行計(jì)劃。

根據(jù)本文依據(jù)北京市城區(qū)對(duì)一般工商業(yè)峰谷平時(shí)段的劃分，取不同電壓等級(jí)下電度電價(jià)的平均值(表1)，假設(shè)充放電電價(jià)相同。

表1 北京市峰谷平時(shí)段的劃分及其電價(jià)

本文算例均在CPU為i7-9750H、主頻 144 Hz、內(nèi)存為16 GB的計(jì)算機(jī)上采用在MATLAB R2016b仿真實(shí)現(xiàn)。

4.2 仿真結(jié)果分析

將實(shí)時(shí)分群調(diào)度策略同無(wú)序充電模型下負(fù)荷曲線進(jìn)行對(duì)比，結(jié)果如圖5所示。無(wú)序充電，即電動(dòng)汽車接入電網(wǎng)后，系統(tǒng)直接按照最大功率充電至滿足需求。

圖5 集群優(yōu)化效果

由圖5可見，常規(guī)負(fù)荷在日運(yùn)行期間已存在一定峰谷差，負(fù)荷峰谷差為12.42 MW，標(biāo)準(zhǔn)差為 4.18 MW，而無(wú)序充電會(huì)在時(shí)段 31～44(15: 00—21: 00)進(jìn)一步加劇高峰負(fù)荷，負(fù)荷峰谷差為18.82 MW，標(biāo)準(zhǔn)差為6.28 MW，給電網(wǎng)實(shí)時(shí)調(diào)度帶來(lái)壓力。采用文中的優(yōu)化策略，負(fù)荷峰谷差降低至7.29 MW，標(biāo)準(zhǔn)差為1.83 MW。由曲線可以看出，電動(dòng)汽車充電負(fù)荷主要集中在“低谷”時(shí)段(如0～16、44～48)，而“高峰”時(shí)段，電動(dòng)汽車集群以放電的形式回饋電網(wǎng)，極大地平抑了負(fù)荷曲線的波動(dòng)，實(shí)現(xiàn)了削峰填谷。同時(shí)，在不考慮放電的情況下，負(fù)荷峰谷差為8.34 MW，標(biāo)準(zhǔn)差為2.58 MW，此時(shí)電動(dòng)汽車接入電網(wǎng)后并非直接以最大功率進(jìn)行充電，通過(guò)EVGMS系統(tǒng)集群調(diào)度，相比無(wú)序充電時(shí)有效地降低負(fù)荷峰谷差，平抑負(fù)荷波動(dòng)，但沒有充放電調(diào)度效果明顯。

圖6展示了調(diào)度時(shí)間區(qū)間內(nèi)，電動(dòng)汽車接入3個(gè)節(jié)點(diǎn)(區(qū)域2、區(qū)域1、區(qū)域3)的功率響應(yīng)曲線以及節(jié)點(diǎn)所在區(qū)域(區(qū)域2、區(qū)域1、區(qū)域3)的負(fù)荷曲線。由圖6可以看出，通過(guò)采用本文的充放電策略，各電動(dòng)汽車接入節(jié)點(diǎn)均能進(jìn)行充放電調(diào)度，同時(shí)平抑區(qū)域負(fù)荷曲線波動(dòng)。

圖6 不同節(jié)點(diǎn)EV及所在區(qū)域負(fù)荷曲線

圖7隨機(jī)選取三個(gè)集群，集群調(diào)度時(shí)間分別為17:00—10:00(集群1)、15:00—8:30(集群2)、24:00—6:30(集群3)，可以看出EVGMS系統(tǒng)發(fā)出的調(diào)度指令和各集群的實(shí)時(shí)響應(yīng)基本吻合。其中，調(diào)度時(shí)間為24:00—6:30的集群，充分利用低谷電價(jià)，以充電為主，而對(duì)于調(diào)度時(shí)間為17:00—10：00、15：00—8:30的集群，在負(fù)荷高峰時(shí)進(jìn)行放電，不僅能回饋電網(wǎng)，同時(shí)能夠?yàn)檐囍魈峁┦找妗?/p>

圖7 集群負(fù)荷曲線

在車主的經(jīng)濟(jì)效益方面，無(wú)序充電時(shí)車主的平均費(fèi)用為15.64 元，而采用文章優(yōu)化策略后，在單次放電平均損耗為0.28元的前提下，有序充放電時(shí)車主的平均費(fèi)用為9.26元，同比降低了39.24%。在不考慮放電的情況下，僅對(duì)電動(dòng)汽車進(jìn)行有序充電控制，車主的平均費(fèi)用為10.31 元，同比有序充放電高出10.18%。可見，集群有序充放電調(diào)度策略在降低負(fù)荷峰谷差的同時(shí)，也兼顧了電動(dòng)汽車車主的經(jīng)濟(jì)利益。

5 結(jié)論

為解決大規(guī)模電動(dòng)汽車無(wú)序入網(wǎng)給配電網(wǎng)安全穩(wěn)定運(yùn)行帶來(lái)的一系列問題，提出了V2G模式下電動(dòng)汽車實(shí)時(shí)響應(yīng)分群調(diào)度策略。

(1)提出一種面向日前一日內(nèi)多時(shí)間尺度的電動(dòng)汽車集群劃分策略，較好地解決了現(xiàn)階段電網(wǎng)中電動(dòng)汽車群整體和單輛電動(dòng)汽車作為調(diào)度對(duì)象的弊端。首先，在日前階段，基于電動(dòng)汽車歷史出行數(shù)據(jù)，對(duì)電動(dòng)汽車充電負(fù)荷進(jìn)行建模；在日內(nèi)階段，通過(guò)采集電動(dòng)汽車接入、離開電網(wǎng)時(shí)間和實(shí)時(shí)需求，將具有相似屬性的電動(dòng)汽車劃分至同一集群。這種分群方式可以保證用戶的出行需求，具有較強(qiáng)的實(shí)際應(yīng)用意義。

(2)對(duì)有能力且愿意參與V2G的電動(dòng)汽車建立雙層實(shí)時(shí)優(yōu)化調(diào)度模型。首先，在上層模型中，以配電網(wǎng)負(fù)荷曲線方差最小為目標(biāo)，求取電動(dòng)汽車集群充放電功率；在下層模型中，以電動(dòng)汽車車主成本最低為目標(biāo)，優(yōu)化單輛電動(dòng)汽車的充放電計(jì)劃，并使之與上層調(diào)度計(jì)劃盡可能一致。這種分群調(diào)度策略和無(wú)序充電相比，所提出的模型在保證配電網(wǎng)安全運(yùn)行和用戶滿意度的前提下，充分利用電網(wǎng)負(fù)載率低時(shí)，為電動(dòng)汽車充電，使系統(tǒng)保持較高、較穩(wěn)定的負(fù)載率。

仿真結(jié)果表明: 該模型對(duì)于處理大規(guī)模電動(dòng)汽車接入問題有著良好的優(yōu)化效果和較快的求解速度。在考慮用戶滿意度的情況下，該模型有效地平抑負(fù)荷波動(dòng)，車主用電經(jīng)濟(jì)性也得到了有效改善。在后續(xù)研究工作中，將著重關(guān)注車主隱私泄露等問題，基于區(qū)塊鏈技術(shù)去中心化、可追溯、不可篡改、多方共同維護(hù)的特性，設(shè)計(jì)一種安全、高效、透明、信息對(duì)稱的交易模式和交易方法。