泛在電力物聯網中考慮風電消納的 電動汽車充放電控制策略研究

陳小波，楊秀媛

（北京信息科技大學自動化學院，北京市 海淀區 100192）

0 引言

隨著新能源并網技術的發展，大規模的風力發電已成為當前新能源利用的主要形式[1]。但由于風電的波動性與隨機性，現階段大規模風電并網給電力系統帶來很大的波動影響[2-4]，電網接納風電的能力受電網自身因素與風能特殊性的限制，使很多風電場大部分時間都不得不關停大部分甚至全部風機，造成了很大的能源浪費。

目前有學者提出了采用風水互補來平抑風力發電帶來的影響[5-9]，應用水力發電出力來填補風力發電出力的變化與波動，使協同發電出力穩定保持在一定范圍內，如在系統潮流方面，在保證系統潮流安全下控制水輪機組出力，使潮流穩定；或從風功率預測入手，通過提高風功率預測水平降低次日水力發電計劃誤差，提升風力發電與水力發電協同運行系統響應速度。盡管互補方式及其技術手段逐步成熟，但有時在發電側解決風電對電網的沖擊問題依舊遇到很大瓶頸[10-11]。

本文考慮從負荷側入手，結合泛在電力物聯網(ubiquitous power internet of things，UPIoT)對信息的快速傳遞與實時交互[12-13]的特點及優勢，對電動汽車(electric vehicle，EV)充電負荷進行集中控制，在已有預測的風功率數據基礎上，以電動汽車的充放電功率、電池容量及荷電狀態為約束條件，以響應負荷曲線的等效負荷方差最小為目標，對不同數量電動汽車入網后的平抑效果進行算例分析與比較。

1 泛在電力物聯網

泛在電力物聯網是一項基于5G、IPv6和因特網相結合，實現能源轉型、提升新能源使用效率、提高電網資產管理水平的新技術，它將發電、用電和用戶三者聯系起來實現智能電力網絡。泛在物聯網是能夠實現人與人、人與物乃至物與物之間隨時隨地溝通的全新網絡環境。泛在電力物聯網是泛在物聯網技術在電力系統行業上的具體應用，通過與泛在電力物聯網相結合，配電網可以具有信息感知能力，使電網更經濟、更高度自動化、智能化運行。將需求響應及時和實時應用于負荷錯峰、降低網損和系統調頻，對于解決可能出現的因大規模負荷同投同退或頻繁投退導致的威脅電網安全穩定運行和新能源并網、提升新能源利用率等問題有很大幫助[14-15]，如圖1所示。

圖1 泛在電力物聯網的信息交融模型 Fig. 1 Information blending model of UPIoT

2 考慮風電的電動汽車充放電調度模型

2.1 目標函數

電動汽車作為一種新型并且廣泛的充電負荷，可有效地參與電網功率調節[16-18]。

本文將全天每1 h作為一個時段，共分為24個時段，以電動汽車充放電功率為變量，求系統負荷均方差最小為目標，建立目標函數：

式中：N為電動汽車的數量；PL(t)為t時段系統負荷功率； PEV,i(t)為電動汽車i在t時段內與所在區域電網的交換功率，由充電功率 Pi,ch(t)和放電功率 Pi,dis(t)決定； Pw(t)為t時段風功率；Pav為系統平均負荷功率。

2.2 約束條件

電動汽車參與電網調節的約束條件可分為電動汽車所允許的充放電功率、電動汽車的荷電狀態(state of charge，SOC)以及電動汽車的剩余電量4類，按照文獻[19]所提出的數學模型建立如下約束：

電動汽車的充放電功率需要滿足自身所允許的最大充放電功率約束：

式中：Pch(t)為t時段電動汽車的充電功率；Pdis(t)為t時段電動汽車放電功率；Pch,max和Pdis,max分別為電動汽車的最大充電和放電功率。

在經過充放電后，電動汽車SOC的最終狀態由式(6)確定：

式中：Sinit為充電前的初始荷電狀態，它與電動汽車的電池容量Bc、日行駛里程d、每百千米耗電量ΔB有關；chη為充電效率；disη為放電效率；Tstart、Tend分別為充放電開始、結束時間。

為滿足車主的使用需求，電動汽車SOC需要滿足下述約束：

式中：SOCfinal,t為任一充放電時刻t下的SOC值，SOCmax和SOCmin均為保證電池壽命的約束，即要求在任意時段的荷電狀態不能超出上限與下限范圍，分別用于防止電池過度充電和過度放電；SOCfinal,min為充電結束時車主可接受的最低SOC值，通常由車主根據各自的實際使用情況明確該值，電動汽車充電完成后最終的SOC，即SOCfinal不得小于SOCfinal,min。

3 算例分析

粒子群優化算法(particle swarm optimization，PSO)的優勢在于擴大了全局搜索能力，并且收斂速度快，穩定性好，復雜程度低。經過粒子群算法優化后控制策略可有效地實現電動汽車有序充放電，PSO算法適合高維、多峰的復雜函數求解。將PSO算法應用到電動車參與負荷平抑控制策略中，通過優化每一輛電動車每一時段與電網之間的交換功率，使目標函數最小。其具體流程為：

1）確定基本參數值，初始化粒子群中的粒子位置與速度。

2）根據約束條件式(4)、(5)修改各功率值。

3）計算目標函數適應度值(即目標函數值)，記錄最好的粒子解及函數值。

4）更新粒子速度與位置。

5）按式(6)、(7)對SOC進行計算，按式(8)、(9)判斷SOC是否滿足約束條件，若不滿足，則修改功率值，否則進行下一步。

6）重新計算粒子適應度值，記錄最好的粒子解及函數值。

7）判斷是否滿足條件，若滿足，則結束計算并輸出最優結果，否則返回4）。

以一個含有風電、電動汽車及系統負荷的電力系統為例進行分析。本文所采用的系統負荷數據與風電出力數據引用了文獻[20]所提供的數據。其中，風力發電的裝機容量為1 000 kW，全天出力波動范圍在800~964 kW，如圖2所示。

圖2 風電出力功率曲線 Fig. 2 Wind output power curve

通過對風電并網前后系統功率曲線進行分析可知，風電并網前的系統功率為6 653~10 630 kW，峰谷差為3 977 kW；并網后的系統功率為7 565~ 11 450 kW，峰谷差為3 885 kW。并網前后網上的系統功率峰谷差變化不大，但是明顯提升了系統的整體功率，低谷功率提升了8.61%，高峰功率提升了5.5%，功率提升最高處出現在t=3 h，系統功率提升了13.8%。此外，系統的整體功率波動也明顯增加，對系統整體安全穩定運行造成了影響，如圖3所示。

圖3 風電并網前后系統功率曲線 Fig. 3 System power curves before and after wind power grid connection

本文考察不同數量的電動汽車參與風電并網后的電網功率調節，目標是：不僅能夠有效地消除風電對電力系統帶來的功率波動影響，還可以降低系統功率波動并降低整體負荷，從而使系統的整體運行穩定性達到最優。

設置種群規模為100，迭代次數為1 000次，每輛電動汽車的最大充電功率為15 kW，最大放電功率為7 kW，初始SOC為0.2，車主滿意度SOC為0.3，分別考察50、100、150、200、250及300輛電動汽車的調節情況。理論上認為，電動汽車數量越多，則對電網的整體平抑效果越好，但通過仿真驗證得知并非如此。

不同數量電動汽車的適應度及其迭代曲線分別如表1和圖4所示?？梢姡S著電動汽車數量的增加，適應度值在電動汽車數量達到250輛時為最優，即Fmin=12.014 GW，此時迭代曲線幾乎無較大波動情況。但是當電動汽車達到300輛時，最佳適應度值反而出現上升，而且無法繼續優化。這是由于在一個固定區域內，系統負荷及風電出力是一定的，特別是電力系統負荷的調節能力是有限的，同時電動汽車還有充電需求，因此不能無休止地增加負荷。此外，由于電動汽車受到車主的使用限制，因此電動汽車具有節制性和規律性的充放電要求，僅能作為負荷調節的輔助方式，不能隨意充放電，而且電動汽車要以“充電為主、放電為輔”的原則來參與電網調節，否則就失去了電動汽車的實際使用意義，因而不能完全把電動汽車視作儲能單元，這也造成了在一定區域內的電動汽車數量是具有一定上限要求的，否則數量過多反而會破壞電力系統運行的穩定性。

表1 不同數量電動汽車的適應度 Tab. 1 Adaptability with different numbers of EVs

圖4 不同數量電動汽車的迭代曲線 Fig. 4 Iterative curves for different numbers of EVs

不同數量電動汽車入網后的電網功率及其曲線分別如表2和圖5所示，可知，隨著電動汽車數量的增加，在等效負荷方差逐步下降的同時，系統的總功率曲線波動在逐步減小。

表2 不同數量電動汽車入網后電網峰、谷功率及峰谷差 Tab. 2 Peak, valley power and peak-valley difference after different numbers of EVs connected to the grid

圖5 不同數量電動汽車入網后的電網功率曲線 Fig. 5 Grid power curves after different numbers of EVs connected to the grid

不同數量電動汽車入網后電網功率波動的改善效果如表3所示。由表3可知，隨著系統中入網調節的電動汽車數量增加，對電網功率的改善效果是顯著增加的。

表3 不同數量電動汽車入網后電網功率波動的改善效果 Tab. 3 Improvement effect of grid power fluctuations after different numbers of EVs connected to the grid

當系統中入網調節的電動汽車數量達到300輛時，盡管負荷曲線有所改善，但是相比之下，與250輛電動汽車的改善效果不僅沒有進一步提升，反而有變差的趨勢。具體體現如下：在用電低谷時段改善效果不大，僅比250輛電動汽車入網調節時提升了0.06%，但用電高峰比250輛電動汽車入網參與調節時反而降低了1.12%，同時峰谷差也比250輛電動汽車入網參與調節時降低了5.37%。

不同數量輛電動汽車入網后的總充放電功率曲線如圖6所示，通過分析可知，隨著電動汽車數量的增加，充放電功率曲線的波動幅度也開始增加，這是由于隨著電動汽車數量越多，為了盡可能地平抑功率波動，系統中參與調節的電動汽車整體充放電功率就會增加。盡管250輛車在

圖6 不同數量輛電動汽車入網后的 總充放電功率曲線 Fig. 6 Total charge and discharge power curves after different numbers of EVs connected to the grid

4 結論

結合泛在電力物聯網將電動汽車引入到電網運行調度中，可以起到平衡電網功率、提高風能利用率并增強電網系統整體消納風電的作用。結果表明：

1）結合泛在電力物聯網，可以保證電動汽車的充放電負荷需求與充放電信息進行交互，同時t=11 h時的放電功率較高，但充放電功率波動依舊是低于300輛車時，通過對比可知：250輛電動汽車的整體充放電標準差為681.2 kW；300輛電動汽車的整體充放電標準差為741.2 kW。

因此，250輛電動汽車的改善效果是比較好的，不僅有效地平抑了風功率對配電網帶來的功率波動，還較好地起到削峰填谷的作用。

以上仿真結果驗證了基于PSO算法的電動汽車充放電控制策略的適用性及有效性，也表明在一個固定的電力系統區域內，參與電網功率調節的電動汽車數量是具有一定要求的。 可將負荷側的資源靈活性充分發揮出來并予以充分利用。

2）引入PSO算法，通過算例驗證了算法優化電動車充放電控制策略的有效性。在保證配電系統安全可靠運行的同時，一定數量范圍內的電動汽車的充放電功能不僅可以優化負荷曲線，降低電網整體的負荷功率，同時也起到了削峰填谷的作用，并提升了電網整體消納風力發電出力的能力。