文章编号：1007−2322（2021）02−0221−09
文献标志码：A
中图分类号：TM73
史文龙，秦文萍，姚宏民，朱云杰，李家钰
（电力系统运行与控制山西省重点实验室（太原理工大学），山西省 太原市 030024）
Smart Grid Dispatching Strategy Considering the
Difference of Electric Vehicle Demand
SHI Wenlong ，QIN Wenping ，YAO Hongmin ，ZHU Yunjie ，LI Jiayu
（Shanxi Key Lab of Power System Operation and Control (Taiyuan University of Technology),
Taiyuan 030024, Shanxi Province China ）
摘要：插电式电动汽车(plug-in electric vehicles, PEV)近年来发展迅速，考虑PEV 并网后的差异性需求，提出一种计及PEV 需求差异的智能电网调度策略：根据需求差异将PEV 分为无序充电PEV 、可调度充电PEV 和可调度充放电PEV ，之后提出考虑高低功率调控差异性将可调度PEV 分为高功率可调度PEV 和低功率可调度PEV 。最后，构建以智能电网运行成本最小和电动汽车支付费用最小的多目标优化调度模型。算例结果表明在考虑PEV 差异性需求的情况下通过合理调度PEV 可以有效提高可再生能源消纳能力、降低智能电网运行成本和PEV 车主支付费用。关键词：插电式电动汽车(PEV)；可再生能源消纳；高/低功率；电动汽车与电网互动(V2G)；机组组合
Abstract ：Plug-in electric vehicle (PEV) has developed rapidly in recent years. Taking discrepant demand of the grid connected PEV into account, a smart grid dispatching strategy considering the demand difference among various kinds of PEVs was proposed. Firstly, according to the demand difference the PEV was divided into unordered charge PEV, schedulable charge PEV and schedulable charge-discharge PEV. Secondly,it was brought forward that considering the difference between high- and low-power regulation and control the schedulable PEV was divided into high-power schedulable PEV and low-power schedulable PEV. Finally, a multi-objective optimal dispatching model with the lowest operating cost of smart grid and the minimal paying fees for the electric vehicle was con-structed. Results of calculating example sh
ow that considering the discrepant demand of the PEV the accommodation capability of renewable energy sources could be improved and the operat-ing cost of smart grid as well as the paying fees of the owner for the PEV could be reduced by reasonable dispatching of the PEV.
Keywords ：plug-in electric vehicles (PEV)；renewable en-ergy consumption ；fast and slow charge ；vehicle to grid (V2G)；unit combination
DOI ：10.19725/jki.1007-2322.2020.0283
0 引言
随着人们对全球变暖和能源危机的日益关注，提高能源效率和大力发展可再生能源成为人们的共识，但我国部分地区出现严重的弃风弃光问题[1]，给发电侧的优化调度带来了巨大挑战[2]。此外，对于人们不可或缺的交通需求，插电式电动汽车(plug-in electric vehicles, PEV)提供了环保的选择，PEV 的普及增加了这一领域研究的重要性[3-4]。PEV 的优点是能够以充电的形式吸收可再生能源提供的多余电力[5]。同时，随着电动汽车与电网互动(vehicle to grid, V2G)技术的发展，PEV 能够开启放电模式以在峰值期间向电网提供额外的功率[6]。PEV 通过V2G 技术不仅能够降低区域智能电网的运行成本，还能够辅助电网提高对可再生能源的消纳能力[7-10]。现有文献针对PEV 参与智能电网调度进行了大量研究，可调度PEV 常用于大规模太阳能发电、参与调频或调峰。文献[11]将规模化PEV 集中在一起，
通过对其进行集式调度来优化负荷曲线；文献[12]考虑电动汽车负荷和风电出力的波动性，建立了随机经济调度模型来对PEV 进行充放电调度；文献[13] 利用V2G 技
基金项目：山西省科技重大专项项目（20181102028）Major special projects of science and technology in Shanxi Province （20181102028）
第 38 卷 第 2 期现 代 电 力
Vol.38 No.22021 年 4 月
Modern Electric Power Apr. 2021
术反向供电，能够实现对电网负荷的削峰填谷；文献[14]提出了规模化PEV与储能系统参与电网调度，确定了电动汽车和储能系统的调度优先级；文献[15]分析了电动汽车的充电模式对传统负荷曲线产生的影响。然而上述研究都没有考虑PEV 高低功率的调控差异性以及PEV需求差异性对新能源消纳及区域电网经济调度的影响。
为了灵活、可控地使用V2G电源，本文将电动汽车(Electric Vehicles, EV)聚合商(EV aggregator，EVA) 作为智能电网调度控制中心与用户的中介[16]。EVA考虑并网EV需求差异，采取差异化的控制策略。EVA可调度容量随着PEV的运行状态不断波动，因此，分析EVA所控制容量的变化规律，并计算
出可调度容量的大小是十分重要的。本文在计及PEV需求差异下比较了不同出行需求情况的区域智能电网传统机组的运行成本和弃风量、弃光量，仿真结果表明，智能电网调度高功率充电技术的PEV比调度低功率V2G技术的PEV对于智能电网运行成本更为经济，但是PEV支付费用略高。
1 模型设定
本文区域智能电网由风电场、光伏电站、传统负荷、传统机组和一个可以对规模化PEV进行有效调度的EVA5部分组成，如图1所示。通过先进的物联网、通信技术将上述各部分联系到一起，可调度PEV作为可控单元加入到传统发电机组组合优化中，可有效消纳可再生能源，提高智能电网运行的经济性与稳定性。
PEV
......
图 1 区域智能电网模型
Fig. 1 The model for regional smart grid 2 区域智能电网模型
2.1 电动汽车需求差异建模
用户受到EVA的激励积极响应其调度策略[17]，但用户作为高度自主性个体，其并网需求最终仍取决于用户的意愿。电动物流车、电动公交车、电动出租车等公共服务类车辆和部分私家车的特点是平均每天行车时间相对较长，对充电速度和充电时间要求较高，不能参与电网互动；大多数电动私家车的特点是闲置状态时间较长，每天行驶里程较短，有充足的时间和电池容量参与电网互动。高功率电动汽车充电桩充分满足了消费者使用的便利性以及电网调度的灵活性，同时高功率充电给电动汽车带来了一定的损耗，低功率电动汽车充电桩投资成本较低，但是调度灵活性较差。本文将电动汽车分为5类：第1类是无序充电PEV，第2类是低功率可调度充电PEV，第3类是高功率可调度充电PEV，第4类是低功率可调度充放电PEV，第5类是高功率可调度充放电PEV。
5类PEV构成的集合分别记为EV1, EV
2
, EV3, EV4, EV5集。实际场景中，PEV并网即确定所属集：电动汽车用户与EVA互动自主确定。EVA 针对用户差异化需求采用差异化计费或激励措施。
2.2 PEV状态矩阵
任意一辆PEV在行驶结束时的状态都可用一个一维矩阵来表示：
S n S e
T0
T1
式中：L表示电动汽车负荷类型；N表示电动汽车充放电标识，处于充电模式为1，放电模式为–1，其余时刻为0；和分别表示PEV停驶时的荷电状态和离网时用户期望的荷电状态；和分别表示电动汽车入网时间和用户离网时刻。
2.2.1 无序充电PEV模型
T1
S e
本文无序充电PEV主要针对不参与电网调度的私家车。文献[18]通过分析2009年美国燃油私家车行驶数据，得出全美家用车辆日行驶里程和最后一次出行结束时间近似服从对数正态分布和Weibull分布。
本文做出假设如下：无序PEV 剩余电量在20%—50%时才会充电，无序PEV 充电完成时间设置为，无序充电PEV离网期望电荷为。运用蒙特卡洛方法对PEV状态矩阵
222现 代 电 力2021 年 4 月
中PEV 最后一次行驶结束时间和PEV 结束行驶时的荷电状态等元素进行抽取生成无序PEV 模型。考虑到无序充电汽车对充电速度和充电时间要求较高，无序充电PEV 模型采用高功率版本。利用蒙特卡洛模拟方法计算无序PEV 充电负荷的算法流程图见附图A1。
2.2.2 可调度充电PEV 模型
对于大量电动私家车而言，其闲置状态时长远大于实际充电时长。如图2所示，通过在PEV 停驶时长期间选取合适的充电时长实现用户充电需求。
图 2 PEV 充电时间调度示意图
Fig. 2 Sketch map of dispatching of PEV charging time
通过可调度充电PEV 状态矩阵可得可调度充电PEV 在t 时刻的实际负荷，由此可预测可调度充电PEV 在下一时刻所能达到的最大负荷和最小负荷 ，如式(2)—(5)所示。
∆P t +1ev
N t +11P N t +12P c P c N t +10
T 0=t +1T S >T N t +11
T 0=t +1T S <T N t +12T 1
=t +1S n =S e P t +1ev 式中：为t +1时刻必须增加的PEV 负荷，由t +1时刻增加的负荷和减少的负荷构成；为PEV 充电功率；为t +1时刻满足条件和的PEV ；为满足条件和的PEV ，为满足条件或的PEV 。
电动汽车下一时刻的实际负荷
将介于最大负荷和最小负荷之间，如图3所示：P t +1ev .max P t +1ev .min P t +1ev .max P t +2ev .max .max P t +2ev .max .min P t +1ev
.min
如图4所示，对于t +2时刻电动汽车负荷最大最小值的预测需要用到从t 时刻预测出的t +1
时刻的最大负荷和最小负荷，将处于最大负荷时所有电动汽车的状态矩阵和处于最小
负荷时所有电动汽车的状态矩阵做公式(2)—(5)相同的计算。由此可以得到电动汽车处在最大
负荷状态下，在下一时刻的最大负荷
和最小负荷。同样可以得到电动汽车处在最小负荷状态下，在下一时刻P t +2ev ,min .max P t +2ev .min .min P t +2ev .max P t +2ev .min P t +2ev .max .max P t +2ev .max .min P t +2ev .min .max P t +2ev .min .min
的最大负荷和最小负荷。下一时刻t +2可调度电动汽车的最大负荷和最小负荷分别为、、、这4个值中
的最大值和最小值。之后所有时刻电动汽车可调度容量范围的预测都以此类推。文中按照功率模式将可调度充放电PEV 分为高功率可调度充放电PEV 和低功率可调度充放电PEV
。可调度充电PEV 容量范围预测流程图参见附图2。
2.2.3 可调度充放电PEV 模型电动汽车技术网
一辆电动汽车在可调度充放电过程中存在几个关键时间节点，图5所示为可调度充放电PEV 的SOC 时间节点图。
图 5 电动汽车调度时间节点示意图
Fig. 5 Sketch map of the schedulable time nodes of EV
t
arrive Q arrive t now 表示PEV 接入电网时刻，此时PEV 的
荷电状态(State of Charge, SoC)为，表示PEV 在接入电网的当前时刻，此时PEV 的SoC
图 3
可调度充电PEV 容量上下限示意图
Fig. 3 Sketch map of the top and bottom limitation of the
schedulable charge PEV
图 4 电动汽车可调度负荷上下限递推示意图Fig. 4 Sketch map of the recurrence of the top and bottom
limitation of schedulable load
第 38 卷 第 2 期史文龙等：计及电动汽车需求差异的智能电网调度策略
223
Q now t arrive t now t now t leave t now t lim t lim t lim Q lim t lim t leave 状态为。从到是PEV 已调度的时间段，从到为PEV 待调度的时间段。在PEV 待调度期间，放电过程从一直持续到，为PEV 放电极限点，PEV 在的SoC 状态为。从到的这段时间为电动汽车放电后需要充电的时段。相关参数计算如式(6)-(8)：
P c P d C s P ev ,d P ev ,c 式中：为PEV 充电功率；为PEV 放电功率；
为PEV 放电功率；为PEV 可调度放电容量；为PEV 可调度充电容量。通过确定每辆PEV
的可调度充放电容量，将其叠加到可调度放电容量曲线和充电容量曲线中，便可以得到规模化PEV 充放电容量调度范围曲线。可调度充放电PEV 容量范围预测流程图参见附图3。
3 智能电网多目标优化模型
3.1 子目标函数
由于可再生能源具有不污染环境、经济性等点，在《可再生能源法》中已经确定了对可再生能源全额上网的扶持政策[19]，文中区域智能电网在经济调度过程中不考虑风电和光伏的出力成本，优化目标简化为智能电网运行成本最小和电动汽车车主支付费用最小的多目标优化调度模型。
3.1.1 智能电网运行成本最小
将一天分为24个时段，目标函数计及常规机组的燃料成本、启停成本、太阳能电站的弃光惩罚成本和风电场的弃风惩罚成本。日前调度目标函数为:
C t i (
P t Gi
)
式中：F 1为智能电网在一个调度日内的总运行成
本；T 为优化时段；N g 为机组数；为机组P t Gi
I t i S t i P cw t P cp t αi βi τi x o fft i i 在t 时段的燃料成本函数；为机组i 在t 时段的发电功率；为机组i 在t 时段的启停状态；为机组i 在t 时段的启停成本函数；k cw 和k cp 分别表示弃风和弃光惩罚成本系数；和分别表示时段t 的弃风和弃光功率；、
为机组i 的启动耗量常数；为锅炉的冷却时间常数；为机组i 在t 时段持续停运时间。在实际计算中，由于机组需要满足最小停运时间约束，因此，其启动耗量也常简化为常数考虑。
3.1.2 电动汽车车主支付费用最小
目标函数为：
P t EVci P t EVdi µc µd
k ev 式中：F 2为电动汽车车主在一个调度日内支付的
费用；T 为优化时段；EV 为电动汽车类别；为第
i 类电动汽车在t 时段的充电功率；为第i 类电动汽车在t 时段的放电功率；为电动汽车在t 时段的充电电价；为电动汽车在t 时段的放电电价；为电动汽车的电池损耗成本系数。
3.1.3 基于模糊逻辑理论的多目标函数处理
把多目标函数F 1和F 2采用加权系数法转化为单目标函数，对子目标函数值进行规范化处理，采用线性加权法转换后的单目标优化问题为：
ω1ω2
F 1F 1max F 2F 2max 式中：和分别为两个目标函数的权重；和
为目标函数1的实际值和最大值；和分别为目标函数2的实际值和最大值。
根据文献[20-21]，当智能电网运行成本较小时，ω1可能取较小值；当电动汽车车主对电价波
动不敏感时，ω2可能取较小值。ω1和ω2是带有主观因素的模糊判断。
3.2 约束条件
3.2.1 发电机组约束条件
风电出力约束条件：
P t Wind P t W 式中：为风电输出功率在t 时段的预测值；
为风电输出功率在t 时段的实际利用值。
224
现 代 电 力2021 年 4 月
光伏出力约束条件：
P t PhotoV oltaic P t Pv 式中：为光伏输出功率在t 时段的预测值；为风电输出功率在t 时段的实际利用值。
常规机组出力约束条件：启停约束：
x on t i T on i x o fft i T o ffi 式中：为机组i 的连续开机时间；为机组i 的最小开机时间；为机组i
的连续关机时间；
为机组i 的最小关机时间。
出力上下限约束：
P min Gi P max Gi
式中：为机组i 的最小出力；为机组
i 的最大出力。
爬坡约束：
P down Gi
P up
Gi 式中：为机组i
的下爬坡功率限制；为机
组i 的上爬功率限制。
3.2.2 负荷平衡约束条件
P t eva .d P t eva .c P t L 式中：为t 时段EVA 向电网的放电功
率；
为t 时段EVA 的负荷功率；为t 时段常规
负荷功率。
3.2.3 EVA 约束条件
可调度充电PEV 约束条件：
P t ev .max P t ev .min 式中： 、分别为可调度充电容量上下限。
可调度充放电PEV 约束条件：
P t ev .d .max 式中：为t 时刻可调度充放电PEV 放电容
P t ev .c P t
ev .d
P t ev .cc 量上限；为t 时刻可调度充放电PEV 充电容量；
为t 时刻可调度充放电PEV 放电容量；为可调度充电PEV 充电容量。
4 算例分析
4.1 算例描述
本文的算例分析暂未考虑光伏发电、风力发电及负荷的不确定性对区域智能电网调度带来的影响，本文采用10机系统为例进行分析和计算，10机系统机组具体参数参见附表A1。其中传统机组装机容量1662 MW ，在原有系统中增加100 MW 风电场10座和120 MW 光伏电站10座，风电数据、光伏数据、常规负荷数据和30万辆EV 1如图6所示。图6中可以看出，白天EV 1负荷充电需求低迷，其中充电习惯集中在17:00-22:00，此时EV 1充电功率需求导致“峰上加峰”，增加了社区微网安全稳定运行的压力。
图 6 可再生能源出力曲线和负荷曲线
Fig. 6 Output curve and load curve of
renewable energy sources
P c =P d =7kW C s =35kWh P c =P d =3.5kW C s =35kWh 本文设置区域各类PEV 基数分别为10万辆，
可调度PEV 根据充电桩功率分为高低功率两个版本。高功率版本，充放电功率，电池容量为；低功率版本 ，电池容量为。计及运营商服务费的电动汽车充放电电价如表1所示[22]，本文规定电动汽车仅在
用电高峰期进行放电。
4.2 算例场景
文中考虑到实际情况，为比较不同类型PEV 以及不同功率版本的PEV 接入区域智能电网下的传统机组运行成本、风电弃风量和光伏弃光量，对以下四种电动汽车接入模式进行分析：
第 38 卷 第 2 期
史文龙等：计及电动汽车需求差异的智能电网调度策略225
发布评论