基于分層分組的電動汽車負荷二次調頻控制策略研究

馬曉磊,段鵬飛,李中偉,白子揚,陸浩維

(1.國網新疆電力有限公司,新疆 烏魯木齊 830000;2.國網新疆電力有限公司檢修公司,新疆 烏魯木齊 830000;3.哈爾濱工業大學電氣工程及自動化學院,黑龍江 哈爾濱 150001)

0 引言

電動汽車是電力系統的一種新式負荷,具有儲能特性好、靈敏度高和數量龐大等優點。電動汽車不僅是環保的出行用具,而且能夠給電力系統帶來形式多樣的備用容量。目前,電動汽車參與電力系統調頻方面有數量眾多的文獻,研究成果較為豐富。文獻[1]考慮電動汽車充電負荷的時間和空間不確定性,提出1種融合電網、天氣、車輛、充電設施等多源信息的,考慮用戶出行行為和充電需求的電動汽車充電負荷時空分布預測模型。文獻[2]提出利用巴特沃斯濾波器對調頻信號作一定處理,將所得頻率較高部分應用在電動汽車上,由當前電池荷電狀態(state of charge,SOC)決定如何對功率作出調整,并通過構建仿真模型對所提方案進行驗證。文獻[3]提出1種考慮配電網堵塞情況下的集群電動汽車參與二次調頻措施。該措施不僅能夠讓電動汽車利用好自身的儲能優勢,而且不會給配電網帶來不利影響。

現有研究很少顧及電動汽車參與調頻時,電池運行狀態變化對電池使用年限的影響,在控制電池的充電功率時同樣很少顧及電動汽車所屬者的充電需求。

針對上述研究的不足,本文在確定電動汽車參與二次調頻基本參數基礎上,充分考慮電池運行狀態變化對電池使用年限的影響以及電動汽車所屬者的充電需求,將電動汽車按照K-Means聚類方法進行聚類分組。本文提出基于分層分組的電動汽車二次調頻控制策略和基于優先隊列的調頻容量分配方案。

1 電動汽車參與二次調頻控制架構

當電動汽車參與電力系統二次調頻時,如采用減少充電功率的方法或者向電網輸送缺額電能的方法,則需要數量龐大的電動汽車。管理部門若需要對城市內的每輛電動汽車進行單獨調控,則控制工作量大且過程復雜。針對上述問題,本文設計了分層式控制系統。電動汽車參與系統調頻分層式控制架構如圖1所示。

圖1 電動汽車參與系統調頻分層式控制架構

電動汽車參與系統調頻分層式控制架構具體包括3層。

①第一層為區域電網能量管理系統與電動汽車參與系統調頻管理系統。該層對每個發電廠的輸出電能與電動汽車的電池運行狀態進行調控,使電力系統達到功率平衡狀態,并使電能質量達到較高水平。在當今電力系統中存在2種發電機組,分別是自動發電控制(automatic generation control,AGC)機組和非AGC機組[4]。非AGC機組出力受到發電安排制約。AGC機組能夠依據當前指令,無需人為參與就可以改變出力[5]。實際應用中,電動汽車負荷群可近似實現AGC機組的功能。

②第二層為停車場與充電站負荷聚合商。聚合商包括停車場電動汽車負荷聚合商和充電站電動汽車負荷聚合商。該層起到承上啟下的作用,能對電動汽車負荷的運行狀態作出及時調控。這可以減少其與電動汽車之間相互交換的數據,使調控與通信的性能達到較高水平。

③第三層為電動汽車充電樁及其控制系統。該控制系統不僅能響應上層調控命令,而且可以采集調頻過程中電動汽車負荷狀態的各項指標。這些指標包括電動汽車電池蘊含電能量、車主不使用電動汽車期間所布置的希望電動汽車電池蘊含電能量、不使用的時限等。該控制系統將上述指標匯總上傳至上層負荷聚合商。

2 電動汽車參與二次調頻控制策略

2.1 電動汽車參與二次調頻基本參數分析

電動汽車連接電網時具有不確定性,因此對于電動汽車的連接時刻與所期望的充電水平不能作出準確無誤的判斷。本文設定15 min為1個區間段,將1 d拆分成96個區間段。在每個區間段的起點與終點收集全部入網的電動汽車參數,如當前電池所含電能、充電功率等,同時對電動汽車進行分組。

在電動汽車負荷參與電力系統二次調頻時,要將車主的使用需要放在首位,然后才決定是否參與調頻。因此,本文按照電動汽車負荷群的電池電能和充電功率量的大小對電動汽車進行相應分組。如果電動汽車當前SOC高于車主期待值,則該電動汽車能夠實現在不影響車主用車需求的情況下參與對電網的調頻;如果電動汽車當前SOC沒有達到期待值,在空閑的時間內可通過向電動汽車提供電能以使其達到車主的期待值。此電動汽車負荷可視為可控負荷,在滿足車主期待值的條件下參與電網調頻。如果電動汽車當前電能不足,即使在停車狀態下不進行人為干預充電,也無法達到車主設置的期待值,則該電動汽車負荷不可以參與調頻過程。電動汽車電能量變化是動態的過程,所以每隔15 min,調控系統會統計1次電動汽車電能含量,從而作出在下個15 min內其應運行在哪種狀態的決策,以達到避免電動汽車過充的目的。控制過程依據式(1)作出相關決策。

(1)

式中:evi為電動汽車負荷;Si為電動汽車負荷此刻電池電能的含量;Sqi為電動汽車負荷期待的SOC;tzi為電動汽車負荷停車駐留的時間;Pi為電動汽車負荷此刻充電功率;EV1為電動汽車負荷可向電網輸送的電能組;EV2為需要提高電動汽車負荷充電的功率組;EV3為無法改變電動汽車負荷充電的功率組。

美國輔助服務市場對AGC信號作出劃分,將其分為高速動態信號與低速動態信號。前者適合各類受控負荷響應,后者適合參與調頻的傳統機組[6]。常規機組參與二次調頻經常依賴于低階濾波器,以降低區域控制偏差(area control error,ACE)信號中的噪聲,并將改善后的ACE信號用于調控發電機組出力。如果分解ACE信號,將所得頻率較高部分分配給電動汽車負荷群,不但能讓電動汽車在響應AGC信號的過程中不存在過度充電與放電的情況,而且能夠盡量降低轉動慣量較大的發電機在響應快速信號的情況下,給汽輪機閥門與調速器帶來的不利影響[7]。

傳統二次調頻控制策略利用比例積分控制器對ACE信號作出處理,并由低通濾波器處理得到調頻信號。電動汽車負荷群負責對頻率較高并且轉變較快的部分作出回應。傳統機組負責對頻率較低的部分作出回應。低通濾波器的傳遞函數為[8]:

(2)

式中:ω為信號頻率;n為濾波器階數;ωc為截止頻率。

電動汽車對實時性要求比較高,能夠及時對頻率較高部分作出回應,因而使系統頻率質量達到較高水平[9]。

2.2 K-Means聚類算法對電動汽車的負荷聚類

在以往電動汽車參與電力系統調頻的控制策略研究中,研究重點是調控單輛電動汽車,且容量分配的統計期限較長。此外,電動汽車充電行為具有較大不確定性,沒有因人而異制定不同方案,電動汽車參與調頻的容量未得到合理分配。為了彌補上述不足,在電動汽車即將參與系統調頻時,本文選擇K-Means聚類算法對電動汽車作出聚類處理。

聚類算法是1種多維度統計算法,能夠根據輸入樣本的不同特征,對輸入樣本作分類處理。其中,K-Means聚類算法結構清晰簡單,輸出結果比較理想,是1種無需人為干預的算法。本文對電動汽車負荷群基于蒙特卡洛法進行仿真,并對其采用基于K-Means的聚類分析方法。

①在電動汽車負荷群之間任意選擇1個負荷樣本為初始樣本中心,逐個測定負荷樣本和最近1個聚類中心之間的距離。本文設具有n維參數的電動汽車負荷表達式為[xa1,xa2,…,xan]。其標準化處理如式(3)所示。

(3)

2個參數之間的距離如式(4)所示。

(4)

②在篩選出多個聚類中心之前,不斷執行步驟①。

③按照距離最小的聚類中心歸類全部的電動汽車負荷,輸出對應的聚類分組。

④完成聚類之后,得出每組聚類的平均值,相應聚類的新聚類中心即為計算所得結果。

眾多電動汽車負荷參數中,電動汽車負荷此刻SOC、此刻充電功率、預期SOC以及電動汽車負荷停留的時間,對電動汽車負荷的作用較為明顯。

2.3 電動汽車負荷調頻容量分配

①計算電動汽車負荷可用調頻容量。

不同類型汽車能夠供給的調頻容量存在差異,所以有必要對不同類型汽車進行單獨計算。本文假設功率流動的非負方向為電網向電動汽車輸送電能。當高頻事件出現在系統時,EV1和EV2電動汽車負荷群可以供給的調頻容量最大值如式(5)所示。

(5)

式中:Pmax為電動汽車負荷的最大充電功率;Cap1為出現高頻事件時EV1可以供給調頻容量的上限;Cap2為發生高頻事件時EV2可以供給調頻容量的上限。

根據相同的分析過程,當低頻事件出現在系統時,電動汽車負荷群可以供給調頻容量的最大值的計算如式(6)所示。

(6)

式中:Cal1為出現低頻事件時EV1可以供給調頻容量的上限。

②電動汽車負荷調頻容量的分配。

調度中心向電動汽車負荷聚合商下達調控指令。指令任務是需要負荷聚合商在時間段t內向調度中心供給調頻容量。此時共有N輛電動汽車能夠被負荷聚合商用于調頻。本文利用聚類算法,對這些可以被利用的電動汽車作出聚類。其中:隸屬EV1的電動汽車負荷聚合組共有N1輛電動汽車;隸屬EV2的電動汽車負荷聚合組共有N2輛電動汽車。在t所屬的時間劃分開始時,需完成對每輛電動汽車相關參數的統計。

當高頻事件發生時,聚鏑增大EV2所轄電動汽車負荷聚合組的充電功率,并向個別EV1所轄電動汽車負荷聚合組輸送電能。當低頻事件發生時,聚鏑讓個別EV1所轄電動汽車負荷聚合組向電網輸送電能,并累加全部EV1電動汽車負荷聚合組所能提供的調頻備用容量。如果這一累加的結果無法匹配系統調頻要求,則迅速減少EV2電動汽車負荷聚合組的充電功率。

一般而言,聚合組參與調頻的形式多樣,既可以是單一形式,又可以是組合形式。為減小電池的運行狀態不斷變化對電池使用年限產生的不利影響,本文提出基于負荷聚合組的控制策略。在處理不同的調頻事件時,即使電動汽車負荷所在分組相同也無法供給相同的調頻容量。在處理高頻事件時,電動汽車負荷聚合組若含有較高的容量,則該組在處理低頻事件時反而具有相對更少的容量,其調頻容量在處理高低頻事件上體現了互補特性。根據不同聚合組之間調頻容量存在差異這一特性,需使調頻容量較為充裕的調頻組滿容量參與調頻,以此減少電動汽車電池運行狀態的變化率。

當低頻事件發生時,若此刻需要的調頻備用容量比被選用的調頻組可以供給的調頻備用容量低,則配給其分組中的調頻備用容量的計算如式(7)所示。

(7)

式中:u1為系統此刻要求的調頻備用容量;S1,i為EV1中第i輛電動汽車電池中電能的狀態;S1,iq為EV1中第i輛電動汽車負荷希望的SOC;γ1,i為第i輛電動汽車負荷調頻信號系數;u1,i為EV1中第i輛電動汽車負荷調頻容量;u2,i為EV2中第i輛電動汽車負荷調頻容量;P2,i為EV2中第i輛電動汽車負荷此刻充電功率。

γ1,i為針對不同電動汽車負荷電池容量的差異,將基準定為其中電池容量較大的電動汽車負荷。將剩余電動汽車負荷電池容量除以基準容量,并作歸一化處理的歸一化計算式為:

(8)

式中:E1,i為EV1中第i輛電動汽車負荷電池容量;EB為選擇的標準電動汽車負荷電池容量。

當高頻事件發生時,若此刻盈余需要的調頻備用比被選用的調頻小組所能提供的調頻備用低,則其分組中的調頻備用容量分配如式(9)所示。

(9)

式中:ζ為電動汽車負荷電池中電能含量的最大值。

通過式(9),更大的調頻任務將會被安排給可提供較大調頻容量的電動汽車負荷。電動汽車負荷有幾率因容量分配的問題發生過度充電的情況,從而導致此刻SOC無法達到用戶所預設的值。因此,需要按照式(10)對容量分配設置附加約束。

(10)

式中:P1,ikmax為EV1中電動汽車負荷向電網輸送電能的最大值;P1,icmax為EV1中電動汽車負荷充電功率的最大值;P1,icmin為EV2中電動汽車負荷充電功率的最小值;P2,icmax為EV2中電動汽車負荷充電功率的最大值;S2,iq為EV2中電動汽車預期SOC。

為使調頻效果處于較高水準,由于功率損失存在于電池充放電過程中,本文假定電池承擔功率損失。電動汽車電池SOC的計算如式(11)所示[10]。

(11)

式中:S1,i0為EV1中電動汽車的最初SOC;S2,i0為EV2中電動汽車的最初SOC;ηc為充電過程中的效率;ηd為放電過程中的效率。

在某個時間段內的電動汽車負荷參與二次調頻控制策略流程如圖2所示。

圖2 電動汽車負荷參與二次調頻控制策略流程圖

3 算例分析

本文提出的電動汽車參與二次調頻的電力系統機組-負荷模型如圖3所示。

圖3 電力系統機組-負荷模型

本文依據提出的電動汽車參與二次調頻控制策略,對電動汽車作出分組、聚合和控制。負荷擾動模型如圖4所示。

圖4 負荷擾動模型

機組選擇非再熱式汽輪機組模型。發電機-負荷模型用一階慣性環節模擬。本文依據恒定頻率控制(flat frequency control,FFC)方式形成ACE信號。系統仿真參數如下。

系統基準容量為500 MW;系統基準頻率為50 Hz;發電機慣性常數為20 M/s;負荷阻尼系數為1;調差系數為0.01;調速器時間常數為0.4 Tg/s;汽輪機時間常數為0.6 Tch/s;機組爬坡為0.05 pu/min;比例積分控制器參數為P=1、I=0.3;ACE計算時間常數為2 s;低通濾波器時間常數為90;ACE死區為0.005 pu;電動汽車通信時延為1 Te/s;頻率偏差因子為21。

為了兼顧理論研究所需的硬件條件和時間條件,仿真試驗所采用電動汽車負荷接入時間和相應的充電需求的隨機生成模型是簡化后的模型。理論上,只要生成的電動汽車數量足夠大,則所生成的隨機分布曲線相差不大。為了把仿真時間控制在3 h之內,在仿真時設電動汽車總量為4 000臺。當前SOC起始值服從[0.4,0.9]的均勻分布,預期SOC服從正態分布N(0.7,0.05),且最大值為0.85、最小值為0.55。電動汽車電池容量及功率的參數來源于全美家庭電動汽車的相關資料。電動汽車具體參數如下。

電池容量為30 kWh;充電效率為0.9;放電效率為0.9;充電樁最大充放電功率為7 kW。

根據參數,能夠計算出誤差平方和受K-means聚類算法k值的影響程度。當k=4時,對應聚類分組的參數特性能夠被電動汽車負荷聚類中心充分體現。因此在仿真驗證中,本文設定k值為4。

為了證明系統頻率控制動態特性受到所提控制策略的影響,本文對以下3種控制策略進行對照分析。

策略1:僅常規AGC機組參與系統調頻,電動汽車不參與。

策略2:使用所提控制策略讓電動汽車參與系統調頻。

策略3:有電動汽車參與,但不用聚類分組對電動汽車作出處理,只作平均調配調頻容量的處理。其中,頻率較低的分量(周期不低于90 s)占79.7%。

3種控制策略對比如圖5所示。

圖5 3種控制策略對比

經過對比可知,不包含電動汽車的控制策略的調頻效果不如包含電動汽車的控制策略的調頻效果。由于使用策略2頻率波動更低,故使用電動汽車負荷作為電力系統調頻的一部分能夠很好地改善系統頻率特性。

電動汽車提供的調頻容量曲線如圖6所示。

圖6 電動汽車提供的調頻容量曲線

由圖6可知,電動汽車電池運行狀態改變的次數并不是無限制的,當投入較多容量參與一次頻率事件調頻后,電動汽車負荷無法迅速脫離當前頻率事件,即無法及時向另一事件提供調頻容量。但是電動汽車負荷參與系統二次調頻的出力沒有過多的損失。這證明了在參與電力系統調頻方面所提控制策略可行。

為證明所提控制策略對電動汽車電池充放電狀態改變的有效性,本文給出的采用不同調頻控制策略、同一初始SOC的電動汽車負荷SOC變化曲線如圖7所示。

圖7 電動汽車負荷SOC變化曲線

經過對比可得,在實現相同調頻成效的條件下,按照所提控制策略參與電力系統二次調頻時,電動汽車負荷的電池運行狀態變化率較小。這能延長電動汽車負荷電池的使用年限。

4 結論

本文提出了對電動汽車負荷使用K-Means聚類算法進行聚類分組并對單獨分組進行控制的方法;在闡述電動汽車調頻容量在不同頻率事件下特征的基礎上,給出了基于優先隊列的調頻容量分配方案以及計算電動汽車可用調頻容量的方法;提出了基于分層分組的電動汽車負荷二次調頻控制策略,降低了電池的運行狀態不斷變化對電池使用年限的影響。對所提控制策略采用無連接區域電力系統調頻模型的仿真驗證結果表明,在參與電力系統二次調頻時,該控制策略有較大優勢。本文的研究成果可以在一定程度上促進電動汽車這一特定負荷在電力系統調頻領域的推廣與應用。基于本文的下一步工作是研究電動汽車與空調、熱水器、電暖器等溫控負荷協同參與電力系統調頻的控制策略。

電動汽車以其電池這種容性負荷參與電力系統調頻,具有總體儲能量大、控制相對簡單和響應速度快等優點,可以較好地平抑風電、光伏發電的波動性和隨機性,并與其他類型負荷形成互補。電動汽車參與電力系統調頻在國外已有應用案例。隨著我國新型電力系統的發展,其在國內市場具有廣闊的發展潛力。根據目前的研究與應用現狀,電動汽車在未來一段時間內可先在小型微網建立試點工程,以點帶面,從而擴展規模直至推廣到全國。