基于車網互動的區域電網優化調度研究

張林茹， 呂麗霞， 劉長良， 李 靜， 劉衛亮

(華北電力大學 控制與計算機工程學院，河北 保定 071003)

0 引 言

近年來,能源危機愈演愈烈,石油、天然氣、煤炭等化石能源正在迅速接近枯竭,新能源技術日漸發展。國家發改委[1]于2022年1月從基礎建設、技術研發、運維保障、安全監管、財政支持等方面為新能源汽車產業的發展提供政策保障。電動汽車作為一種新型負荷,具有靈活性、隨機性等特點,其大規模接入電網勢必會給電網帶來巨大調峰調頻挑戰。同時,電動汽車本身具備儲能特性,通過分析電動汽車充電行為,可將電動汽車作為可調度資源參與電網調峰調頻、新能源消納,即將電動汽車充電負荷轉移到用電低谷期,實現負荷曲線的削峰填谷,同時可利用電動汽車電池放電特性進一步平緩負荷曲線,建立合理的調度模型與調度策略可使得新能源電力有更高的利用率[2]。目前對于車網互動優化調度方面的研究多考慮電網經濟成本與削峰填谷,較少能考慮到新能源消納及聚合商效益等同樣影響實際調度效果的重要因素。

基于電價激勵是目前用于EV參與調度的常用手段。龔誠嘉銳[3]以聚合商經濟為主要目標函數,考慮用戶側用電成本最低,建立經濟性優化模型,但是過于考慮經濟性影響,在調峰、提高新能源利用率方面效果較差。韓帥[4]建立了EV參與調峰定價策略的兩階段優化調度模型,有效降低EV參與調度的成本及峰谷差,模型合理有效,但是并沒有考慮新能源消納問題。楊鏡司[5]以電動汽車參與調峰過程作為主要研究對象,建立兩階段優化調度模型,缺點是只考慮了調峰過程與用戶充電費用之間的影響,得到的結果不符合實際需求。楊曉東[6]建立了兼顧“削峰填谷”與減少充電耗損的優化調度模型,基于虛擬電價激勵,保障調度實現,經仿真驗證得到該模型靈敏度較高、魯棒性較好,但是沒有考慮到新能源消納問題,電動汽車行為模型不夠細致,不能更加真實的描述EV在調度過程中的充放電行為。崔楊[7]、侯建朝[8]考慮了EV參與電網調度過程中的無功優化問題與所帶來的環境污染問題,有效改善傳統無功補償設備的運行壓力與新能源消納。

本研究中建立了能合理有效描述EV充放電特性及行為特性的EV模型,充分考慮EV在參與電網調度過程中需要達到的目標及約束,使得得到的最優調度方案更合理、更符合實際需求。

1 電動汽車行為建模

研究電動汽車的充放電調度問題首先應對無序充電的電動汽車進行行為建模。電動汽車大致可分為公用車和私家車,相較于公用車,私家車在時間、空間上的調度靈活性較高。本研究主要研究對象為私家車,其余新能源汽車作為常規負荷接入電網。

1.1 電動汽車充放電模型

與電動汽車充放電相關的參數主要包括:電動汽車電池荷電狀態(State of Charge,SOC)、電池容量C、充電功率Pcharge、放電功率Pdischarge等。

1)電動汽車荷電狀態

(1)

其中,Cev(t)為當前時刻電動汽車電池電量,Cev為電動汽車電池額定容量。

2)充電模型

(2)

其中,Ec為電動汽車充電效率。

3)放電模型

(3)

其中,Ed為電動汽車放電效率。

除此之外,為了保證在用戶期望離站時間之前電動汽車電量滿足用戶期望電量,需要計算t時刻的計劃充電功率Pevplan,當Pevplan在電動汽車充電功率上下限內才可參與調度。

(4)

其中,SOCq為用戶離站時的期望荷電量,tq、td分別為用戶期望離站時間及當前時刻。

1.2 電動汽車行為模型

電動汽車出行行為影響調度結果的因素主要包括電動汽車進站時間、離站時間?？蓪④囕v行為時刻分布通過極大似然估計近似為正態分布,經統計學分析可得到正態分布的均值μ及方差σ[9]。

1)電動汽車進站時間

電動汽車進站時間近似等于開始充放電時間,正態分布均值μs=17.6、方差σs=3.4,電動汽車入網時間的概率密度函數為

fs(x)=

(5)

2)電動汽車離站時間

假設電動汽車離網即離站,汽車離站時間與進站時間及停車時長相關,停車時長近似服從對數正態分布,均值μp=2.74、方差σp=1.21,停車時長的概率密度函數為

(6)

電動汽車離站時間與離站SOC為

tq=ts+tp,SOClea≥SOCq

(7)

其中,tp為電動汽車停車時長,SOClea為電動汽車離站時的荷電狀態。

3)初始SOC

初始SOC與日行程里程數有關,電動汽車日行駛里程數近似服從對數正態分布,均值μd=3.2、方差σd=0.88,概率密度函數為

(8)

電動汽車初始SOC可表示為

(9)

其中,SOCinit為電動汽車進站初始荷電狀態、SOCq為電動汽車期望荷電量、dr為電動汽車日行駛里程數、de為電動汽車額定行駛里程數。

單臺電動汽車具有以上行為規律,通過蒙特卡洛抽樣法,抽取區域內100 000臺電動汽車作為樣本,分析規?；妱悠嚨恼{度潛力。單臺電動汽車充放電行為服從平行四邊形法則,平行四邊形上邊界表示充電過程可調度上限,下邊界表示可調度下限,斜率表示當前功率值,如圖1所示。

圖1 電動汽車充放電調度潛力Fig.1 Electric vehicle charging and discharging scheduling potential

在調度上下限之間可以根據實際調度需求確定每個時段的充放電功率,如圖1紅線所示。圖中tmax為最大等待時間,即電動汽車入網后能保持不充電行為到達的最大時間為tmax,超過此時間點不進行充電操作會導致電動汽車離站時電量不滿足用戶期望(即到達此時刻,電動汽車必須進行充電)。

(10)

其中,Cevq、Cevs分別為期望電量與當前電量。

規?；妱悠噒時刻的調度潛力為區域內參與調度的電動汽車可調度潛力總和。根據當前t時刻總功率值,可預測t+1時刻可調度充放電負荷的上下限[5]。

(11)

(12)

ΔPevcharge(t+1)=ΔPcharge(t+1)+ΔPdischarge(t+1)

(13)

式中:ΔPevcharge(t+1)為t+1調度時刻必須增加的EV負荷,ΔPevexcharge_c(t+1)、ΔPevexcharge_d(t+1)分別表示只進行充電調度增加的EV負荷與只進行放電調度減少的EV負荷,ΔPcharge(t+1)、ΔPdischarge(t+1)分別為t+1時刻增加的EV負荷與減少的EV負荷,ΔPevexcharge(t+1)為t+1調度時刻根據調度需求增加的EV負荷功率。

2 多目標車網互動優化調度模型

針對發電系統主要由風、光、火、儲組成的某區域電網,建立以區域電網經濟性為主體,兼備“削峰填谷”、新能源消納、環保性的優化調度模型。

其中,區域電網與聚合商交換功率,為聚合商提供電力來源,并向聚合商提出例如經濟效益、“削峰填谷”、新能源消納、環保性等調度要求;聚合商作為電力分銷商,同時承擔調配EV參與電網調度的主要責任;EV作為被調度個體,與聚合商在經濟聯系的前提下受聚合商調配,從而間接參與電網調度。

2.1 待優化參數

將某個調度周期分為24個調度時段,決策變量為x,分別取電動汽車與充電站交換功率Pevexcharge、區域電網與外部電網交換功率Pgrid、火力發電功率Pf、風力發電功率Pw、光伏發電功率Ppv、電儲能充放電功率Pb作為決策變量,變量及釋義如表1所示。

表1 決策變量及釋義

2.2 目標函數

2.2.1 經濟性目標函數

區域電網經濟性目標Cag[11-13]即考慮區域電網與外部電網交換功率成本Cgrid、風力發電維護成本Cw、光伏發電維護成本Cpv、火力發電維護成本Cf、電儲能設備充放電成本Cb,即:

(14)

區域電網與外部電網交換功率成本Cgrid為

(15)

其中,Ccb_grid為區域電網與外部電網單位交換功率價格。

風力發電維護成本Cw為

(16)

光伏發電維護成本Cpv為

(17)

火力發電維護成本Cf為

(18)

電儲能設備充放電成本Cb為

(19)

其中,Ccb_w、Ccb_pv、Ccb_f、Ccb_b為風力發電、光伏發電、火力發電單位發電量維護成本及電儲能設備單位充放電成本。

2.2.2 削峰填谷目標函數

削峰填谷的目標是使負荷曲線降低峰峰值,降低峰谷差,計算方式是使負荷曲線方差最小[14,15],即:

(20)

2.2.3 新能源消納目標函數

(21)

經濟性目標考慮了電網的運行成本、削峰填谷目標考慮電網的安全性,盡可能平滑負荷,減少峰谷差、新能源消納目標在經濟性與環保性方面均有貢獻,三個目標函數相互制約、相互排斥,使得得到的目標函數值呈此消彼長趨勢。

2.3 約束條件

對于?t∈θT,各變量應滿足如下約束條件。

1)功率平衡約束

(22)

其中,PImload(t)為t時刻常規電負荷功率預測值。

2)功率上下限約束

(23)

3)電儲能設備荷電狀態約束[10]

(24)

4)環保性約束

假設區域電網向外部電網購電來源均為傳統燃煤發電,則污染物主要來源為外網購電及區域電網火力發電排放的CO2、SO2、NOx三種污染氣體。

(25)

其中,λe為污染物排放系數,具體取值見表2。

表2 污染物排放系數

表3 調度方案目標函數值

5)電動汽車調度潛力約束

Pev_low(t)≤Pevexcharge(t)≤Pev_high(t)

(26)

其中,Pev_low(t)、Pev_high(t)分別為t時段電動汽車充放電調度下限功率與調度上限功率。

6)聚合商經濟性約束

(27)

其中,Cagg_grid(t)、Cagg_ev(t)分別為聚合商與電網及電動汽車單位交換功率價格,Pagg_grid(t)、Pagg_ev(t)分別為聚合商與電網及電動汽車t時段交換功率值。

3 算例分析

本研究中區域電網配置包括,風力發電裝機容量100 MW、光伏發電裝機容量50 MW、火力發電裝機容量1 300 MW、儲能設備蓄電池容量60 MW·h,可用于調度的電動汽車最大容量為800 MW·h。區域電網與外部電網交換功率上限為100 MW,聚合商向區域電網購售電分時電價與區域電網向外部電網購售電分時電價[16-19]如圖2所示。

圖2 購售電分時電價示意圖Fig.2 Schematic diagram of time of use tariff

3.1 含電動汽車的多目標優化調度模型求解

設置NSGA-Ⅱ算法中的種群規模Npop=100,最大迭代次數gmax=100 000,突變率Pm=0.9,交叉率Pc=1.2。模型求解得到Pareto前沿,目標函數值分布如圖3所示。

圖3 目標函數值分布圖Fig.3 Objective function value distribution

選取三種極端場景下的優化調度方案進行分析,通過AHP決策分析方法確定最滿足用戶需求的優化調度方案。不同調度方案下的目標函數值如表3所示,顯然,由于火力發電成本低于新能源發電成本,電網經濟性指標與削峰填谷指標、新能源消納能力指標呈此消彼長趨勢。

繪制經濟性最好、削峰填谷效果最優、新能源消納能力最高的三種優化調度方案仿真結果,如圖4～6所示。

圖4 經濟性最好調度方案Fig.4 Best economic scheduling scheme

對于經濟性最好的調度方案,在電價較高時段(即用電高峰)區域電網向大電網購電較低售電增加,導致風光火發電功率增加,而電網傳輸功率限制導致棄風棄光較高,反之,在電價較低時段(即用電低谷)區域電網向大電網購電較多,風光火發電功率降低;儲能設備參與調度成本較低,因此儲能參與調度出力較高,電動汽車參與調度功率下降,系統削峰填谷能力較低。

圖5 削峰填谷效果最優方案Fig.5 Optimal scheme for peak shaving and valley filling

對于削峰填谷效果最優方案,為使負荷曲線最平緩,縮小峰谷差,電動汽車與儲能設備在用電低谷進行大功率充電,在用電高峰進行大功率放電,同時在用電高峰期火力發電出力降低,新能源發電功率增大,在用電低谷期火力發電出力增大,以適應負荷需求變化,由于新能源出力較高,電網效益降低,新能源利用率較高。

圖6 新能源消納能力最高方案Fig.6 Scheme with the highest consumption capacity of new energy

對于新能源消納能力最高的優化方案,風、光發電機組在每個調度時刻均保持相對較高的發電功率,由于風光發電成本較高,因此該方案發電成本較高;風光發電出力隨環境因素變化,火力發電在風光發電低谷期出力較高,在風光發電出力高峰期出力降低;EV參與調度出力在風光發電低谷期放電功率較高充電功率較低,在風光發電高峰期放電功率較低充電功率較高。

依據專家打分結果,構建兩兩比較判斷矩陣A,分析三個決策因素的權重,如表4所示。

表4 兩兩比較矩陣A

經一致性校驗、層次單排序,各指標歸一化權重值為W=[0.104 7 0.637 0 0.258 3],選取最佳調度方案。

最優調度方案下各決策變量功率如圖7所示。

圖7 決策變量分時功率Fig.7 Decision variable time-sharing power

由圖可知電動汽車分時購電電價反映供電需求的高低,電動汽車充電多發生在電價較低時段,放電多發生在電價較高時段,用來平衡負荷波動。

3.2 比較驗證

建立電動汽車作為常規負荷不參與調度的區域電網調度模型,以電網經濟性、新能源消納為目標函數,火力發電功率、光伏發電功率、風力發電功率作為決策變量,得到最優Pareto解集及前沿,基于AHP法得到最優調度方案。EV參與調度與不參與調度兩種情況下的結果對比如圖8所示。

圖8 兩種調度結果對比圖Fig.8 Comparison diagram of two scheduling results

由電動汽車參與調度得到的優化調度結果與電動汽車不參與調度的仿真結果進行對比可知,電動汽車在平衡用電負荷、削峰填谷方面具有明顯優勢,用電負荷波動率降低38.2 %;EV參與調度使得火力發電在用電高峰出力降低,在用電低谷出力提高,保證機組長期穩定運行;棄風棄光率降低31.2 %。電動汽車作為一個容量較大的靈活儲能設備在參與電網削峰填谷、降低電網運行成本、新能源消納方面具有不可忽視的作用。

4 結 論

電動汽車充電行為具有靈活性、不確定性等特性,大規模電動汽車接入電網進行無序充電大幅增加電網壓力。電動汽車作為具有儲能作用的設備,將其作為調度資源,基于分時電價激勵,對其進行充放電調度,得到如下結論:

(1)采用電動汽車作為區域電網平抑負荷波動的調度資源,相較于單純采用與外部電網交換功率作為平抑手段,能進一步降低波動率。

(2)EV聚合商作為調度中介既保證了車、網、聚合商三方的經濟效益,又保證了削峰填谷、新能源消納的需求。

(3)電動汽車作為調度資源,有效緩解電網調峰壓力、增加新能源消納、降低電網運行成本,同時降低了火力發電出力,減少了環境污染。