电动汽车与分布式电源的微网经济调度

谈丽娟，赵彩虹，陈子奇，胡骏

（南京师范大学电气与自动化工程学院，江苏 南京 210042）

电动汽车与分布式电源的微网经济调度

谈丽娟，赵彩虹，陈子奇，胡骏

（南京师范大学电气与自动化工程学院，江苏 南京 210042）

微网［1-2］是一种将分布式电源、储能单元和负荷等集中在一起，形成新的可控单元的能源模式，由于能够很好地消纳各种分布式能源，正受到越来越多的关注。太阳能和风能由于本身具有的随机性和波动性，在微网中必须配置一定的储能装置才能正常运行，这也增加了微网的运行成本［3］。而电动汽车作为一种特殊的负荷，其特有的电动汽车入网技术（V2G）对于接入微网运行具有很大的益处。

需求侧管理（Demand Side Management，DSM）是指采用有效的方式来引导用户优化用电方式，从而优化资源配置，改善和保护环境以达到最小成本电力服务的目的［4］。在分时电价的背景下，以微网作为运行平台，用户侧根据自己的需求来调度电动汽车的充放电行为，并与分布式电源的发电进行协调互补，将有利于微网的稳定经济运行。

目前，已有一些文献对可再生资源与电动汽车的联合调度问题做了一些研究［5-6］。文献［7］构建了计及可入网电动汽车和风电机组的不确定性的随机经济调度模型并以IEEE118节点系统为例说明了所提出的随机经济调度模型的基本特征。文献［8］提出了一种考虑风电和光伏出力不确定性的地区电网的电动汽车充电调度方法，建立了电动汽车充电的多目标非线性混合整数优化调度模型，但是对基于微网系统的电动汽车与分布式电源的经济调度方面的研究还比较少。本文在分析分布式发电模型的基础上，提出了电动汽车与风光电能协同调度的多目标优化模型，并基于微网系统验证了其有效性。

1 微网单元模型

1.1 风电模型

本文假设风速满足Weibull分布［9］，其概率密度函数为：

式（1）中，v为风速；k为形状参数；c为尺度参数。

风力发电机发出的有功功率与风速之间满足如下的函数关系式［10］：

式（2）中，Pr为风力发电机的额定功率，kW；vci为切入风速；vco为切出风速；vr为额定风速；v为实际风速，m/s。

1.2 光伏发电模型

在最大功率追踪模式下，可用下式计算任意条件下PV的最佳工作电流、电压［7］：式（3）—（4）中，IPV、VPV为任意条件下光伏电池的最佳工作点电流和电压；Isc为短路电流；Voc为开路电压；Imp、Vmp为最大功率点电流和电压；TA为环境温度；α为光伏电池组件电流温度系数；β为光伏电池组件电压温度系数。

因此，光伏阵列的输出功率为PPV=IPVVPV。

1.3 蓄电池模型

蓄电池由于具有电压稳定，供电可靠的优点，故将其作为微网的储能单元。蓄电池在t时刻的储能状态与t-1时刻的电池荷电量以及t-1至t时刻的系统总体储能状况有关。当系统发电量大于负荷电量时，蓄电池处于充电状态；系统发电量不足以供负荷用电时，且蓄电池还存有电量时，则放电充当电源的作用。蓄电池在t时刻的荷电量可以表示为：

2 多目标优化模型

经济调度问题是一个多目标优化问题，包含多种指标和约束条件，与传统的单目标函数优化不同，本文从系统运行和用户参与等多角度提出电动汽车和分布式电源调度的多目标优化模型。数学模型可描述为：

式（5）中，gi（x）为m个不等式约束条件；hj（x）为n个等式约束条件。

2.1 目标函数

1）发电系统的运行成本f1最低。该成本包括风力发电机和光伏阵列的运行维护成本fw和管理成本fm。

其中，

式（5）—（8）中，fw为各发电单元的运行维护成本总和，元；Kw（w）、Kw（pv）、Kw（ev）、Kw（ba）分别为风力发电机、光伏阵列、电动汽车放电和蓄电池的运行维护系数，元/（kW·h）；Pw，i（t）、Ppv，i（t）、Pev，i（t）、Pba，i（t）分别为风力发电机、光伏阵列、电动汽车和蓄电池在t时段发出的功率，kW；Δtw为各发电单元每个时段的运行时间，h；fm为各发电单元的运行管理成本总和，元；Km（w）、Km（pv）分别为风力发电机和光伏阵列的运行管理成本系数，元/（kW·h）；Δtw为各发电单元每个时段的运行时间，h。相关参数值参考表1。

表1 发电系统成本参数Tab.1 Cost parameters of power systems

2）系统等效负荷波动f2最小。标准差越小表明各数据点距离平均值的距离越短，即负荷波动越小，对于系统的稳定运行也更有利；反之则波动大。由于风力发电和光伏发电具有波动性，供电可靠性不高，通过优化电动汽车的充放电行为可以有效地平抑负荷波动，从而减少因负荷波动引起的设备频繁动作，减小分布式电源对系统运行的影响。式（9）—（11）中，T为一天的时长；NK为一天中的采样点总数，即24；Pav为平均负荷功率；Ps（t）、P（t）、Pev（t）、Pw（t）、Ppv（t）分别为t时段系统的等效负荷功率、负荷功率、电动汽车充放电功率、风电功率和光伏发电功率。

3）电动汽车车主的充放电成本f3最低。车主通过选择在电价低的谷时充电储存电能，在电价相对较高的负荷高峰期通过V2G服务将电能释放出来，从而获得一定的收益。

式（12）中，r（t）为t时段电动汽车车主给汽车充电的价格；q（t）为t时段电动汽车车主参与V2G活动时提供电能的电价；Δt为每个时段的充放电时间。Pev（t）＞0为充电过程；Pev（t）＜0为放电过程.

2.2 约束条件

1）系统功率供需平衡。式（13）中，Pload（t）为t时刻系统中所有的负荷功率，kW；Pw（t）、Ppv（t）为t时刻风力发电机和光伏阵列提供的功率，kW；Pev（t）为t时刻电动汽车的充放电功率，kW。

2）为了保证各分布式电源的稳定运行，每台分布式电源的发电容量必须满足相应的上下限。式（14）中，PmaxDG，i、PminDG，i为第i台DG的出力上下限。本文风机和光伏发电系统的出力上限分别为60 kW和30 kW。

3）电动汽车充放电功率限制

电动汽车充放电时，需要考虑单位时段的充放电的最大和最小功率值，可表示为：式（15）中分别为第i台电动汽车在时段t的充放电功率上下限。

4）电池荷电状态值SOC

SOC值是指电池处在一定放电倍率下，余电量与相同条件下额定容量的比值。通过SOC值可以很好地反映电池的剩余电量，充放电过程中电池的SOC值有一定的限制。

式（16）中，SOCev，i为第i台电动汽车的荷电状态、分别为电动汽车荷电状态的上下限。本文取

2.3 多目标遗传算法

本文采用含约束条件处理的NSGA-II［11］算法来求解以上模型。NSGA-II是在NSGA的基础上改进而得出的，最重要的特点是采用了快速非支配排序和拥挤机制。前者使得搜索过程收敛到Pareto最优解，降低了计算非支配序的复杂度，后者则保证了Pareto最优解的多样性。

3 算例分析

本文以某地区的微网为例进行优化调度的仿真分析。调度周期为一天，时段为24 h。假设该系统独立运行，即整个微网不从电网吸收功率，用电负荷由内部的分布式风力发电、光伏发电、蓄电池储能系统和电动汽车联合提供电能。

3.1 仿真数据

1）与微网相对应的秋季典型日负荷曲线如图1所示。

图1 微网日负荷曲线Fig.1 Daily load demand of microgrid

2）由式（1）计算出风速，然后通过式（2）求得风力发电机的输出功率。根据当天每分钟的光照量和环境温度，结合式（3），利用最大功率跟踪法可以求得光伏电池组的输出功率。根据风速和光照强度数据采用本文的分布式发电模型生成的分布式发电有功出力数据如图2所示。

图2 可再生资源发电量Fig.2 Power generation of renewable sources

3）假定微网中可供负荷调配的电动汽车共有30辆，每小时充电功率上限为12 kW，放电功率上限为30 kW，即。

3.2 仿真结果

本文采用NSGA-II来求解提出的多目标优化模型，其具体参数设置如下：种群规模pop=100，进化代数gen=200，交叉概率Pc=0.9，变异概率Pm=0.05。其充放电价格参考表2。

表2 电动汽车充放电价格Tab.2 Charge and discharge price of EV元/（kW·h）

3.2.1 不考虑EV的放电

情景一下将电动汽车只作为充电负荷调度，不考虑其放电作为电源的作用。当分布式电源提供的电量不足以满足负荷的要求，蓄电池进行放电补充，若电池电量放完也无法满足，只能采用切负荷的方式。若系统提供的电量能满足负荷的用电量要求，且有剩余的电量，蓄电池也处于适宜充电的状态，则给电池充电储存电量。在情景一下得出的Pareto最优解如图3和表3所示。

图3 情景一的Pareto最优解分布图Fig.3 Distribution of Pareto optimal solution for Scenario 1

表3 情景一的Pareto前沿解集Tab.3 Pareto frontier solution set of Scenario1

本文对最终方案的选取原则是：首先，满足系统的等效负荷波动最小，有利于系统的稳定运行，提高供电可靠性；其次，为了鼓励用户参与到微网的联合调度，尽量使用户的充电成本最小；最后，系统的供电成本也要控制在一定的范围之内，即本文的多目标选择先后顺序为f2-f3-f1。经过比较分析，电动汽车的充电选择表3的方案1，如图4所示。

图4 电动汽车充电功率Fig.4 Charging power of electric vehicles

由电动汽车的充电负荷分布图3—4可以看出，当系统所需电力负荷不多，并且分布式电源的发电量比较充足时，是电动汽车的充电高峰期，如图时段9：00-16：00。当系统电力负荷需求较多，而分布式电源出力不是很充足时，电动汽车充电量较少，如时段18：00-24：00。考虑到晨间充电电价较低，时段1：00-7：00为电动汽车充电高峰期。

3.2.2考虑EV的充放电

在此情景二下不再只把电动汽车作为负荷来考虑，发挥出储能优势，在供电充足的情况下，将多余的电能存储在电动汽车电池中，用电紧张时作为移动式储能电源供应电能，从而平衡供用电。为了顾及电动汽车用户的利益，电动汽车电池的储能顺序要优先于蓄电池储能。在情景二下得出的Pareto最优解如图5和表4所示。

图5 情景二的Pareto最优解分布图Fig.5 Distribution of Pareto optimal solution for Scenario 2

表4 情景二的Pareto前沿解集Tab.4 Pareto frontier solution set of Scenario2

比较图6和图1、图2可以发现，电动汽车的充放电分布符合一定的规律，在早间时段1：00-8：00，此时负荷需求量不大，而且充电价格也相对便宜，电动汽车用户的充电行为较为集中；在时段13：00-23：00，随着供电负荷的需求增加和风机和光伏电池的发电量减少，电动汽车的放电次数也随之增加，向微网释放电能以缓解用电压力。

图6 电动汽车充放电功率Fig.6 Charging and discharge power of electric vehicles

通过比较情景一和情景二的仿真结果表3和表4，可以看出由于加入了电动汽车的储能作用，虽然作为分布式电源的供电成本有一定的增加，情景二的f1数值较情景一略有增长，但是给电动汽车用户带来了可观的收益，由原来的支付充电成本变为获得放电收入，有效地提高了用户参与微网调度的积极性，并减少了系统的负荷波动，提高了微网运行的经济性和可靠性。同时也利用电动汽车电池的储能吸收了可再生能源的发电量，减少了资源的浪费。

4 结论

本文通过建立电动汽车和分布式电源的经济调度的多目标优化模型，从不同角度考虑了多方的利益，并通过不同的方案设计加以比较分析。在含有分布式发电的微网系统中加入电动汽车特有的储能功能进行充放电，可以更好地匹配分布式电源和负荷功率的波动，最大限度地利用可再生资源，节省储能配置费用，并使车主获得经济收益，减少充电成本。

［1］丁明，张颖媛，茆美琴，等.包含钠硫电池储能的微网系统经济运行优化［J］.中国电机工程学报，2011，31（4）：7-14.

DING Ming，ZHANG Yingyuan，MAO Meiqin，et al. Economic operation optimization for microgrids including Na/S battery storage［J］.Proceeding of the CSEE，2011，31（4）：7-14（in Chinese）.

［2］TSIKAL AKIS A G，HATZIARGYRIOU N D.Centralized control for optimizing microgrids operation［J］.IEEE Trans on Energy Conversion，2008，23（1）：241-248.

［3］李乐，黄伟，马雪玲.超级电容器储能系统在微电网中的应用［J］.陕西电力，2010（8）：12-16.

LI Le，HUANG Wei，MA Xueling.Application of super capacitor energy storage in micro-grid［J］.Shaanxi Electric Power，2010（8）：12-16（in Chinese）.

［4］王蓓蓓，李杨，高赐威.智能电网框架下的需求侧管理展望与思考［J］.电力系统自动化，2009，33（20）：17-22.

WANG Beibei，LI Yang，GAO Ciwei.Demand side management outlook under smart grid infrastructure［J］. Automation of Electric Power System，2009，33（20）：17-22（in Chinese）.

［5］于大洋，宋曙光，张波，等.区域电网电动汽车充电与风电协同调度的分析［J］.电力系统自动化，2011，35（14）：24-29.YU Dayang，SONG Shuguang，ZHANG Bo，et al.synergistic dispatch of PEVs charging and wind power regional Power Grids［J］.Automation of Electric Power System，2011，35（14）：24-29（in Chinese）.

［6］HERTZER J，YU DC，BHATTARAI K.An economic dispatch moedel incorporating wind power［J］.IEEE Trans on Energy Conversion，2008，23（2）：603-611.

［7］ZHAO Junhua，WEN Fushuan，YANG Zhao，et al.Dong optimal dispatch of electric vehicles and wind power using enhanced particle swarm optimization［J］.IEEE Transactions on Industrial Informatics，2012，8（4）：889-899.

［8］张学清，梁军，张利，等.计及风光电源的一种地区电网电动汽车充电调度方法［J］.电工技术学报，2013，28（2）：28-35.

ZHANG Xueqing，LIANG Jun，ZHANG Li，et al.Approach for plug-in electric vehicles charging scheduling considering wind and photovoltaic power in Chinese regional power grids［J］.Transactions of China Electrotechnical Society，2013，28（2）：28-35（in Chinese）.

［9］WANG M Q，GOOI H B.Spinning reserve estimation in microgrids［J］.IEEE Trans.Power System，2011，26（3）：1164-1174.

［10］王瑞琪，李珂，张承惠.基于混沌多目标遗传算法的微网系统容量优化［J］.电力系统保护与控制，2011，39（22）：16-22.

WANG Ruiqi，LI Ke，ZHANG Chenghui.Optimization allocation of microgrid capacity based on chaotic multiobjective genetic algorithm［J］.Power System Protection and Control，2011，39（22）：16-22（in Chinese）.

［11］李惠玲，白晓民，谭闻，等.基于智能电网的动态经济调度研究［J］.电网技术，2013，37（6）：1547-1554.

LI Huiling，BAI Xiaomin，TAN Wen，et al.Research on dynamic economic dispatch based on smart grid［J］.Power System Technology，2013，37（6）：1547-1554（in Chinese）.

（编辑 徐花荣）

Economical Dispatch for Microgrids of Electric Vehicles and Distributed Power

TAN Lijuan，ZHAO Caihong，CHEN Ziqi，HU Jun

（Department of Electrical and Automation Engineering，Nanjing Normal University，Nanjing 210042，Jiangsu，China）

微网的运行可以很好地利用分布式能源，并实现需求侧管理的效益最大化，但是分布式电源的波动性使得微网的运行风险增加，同时也需要一定的储能投资。电动汽车电池作为一种储能装置可以为微网系统运行提供辅助服务。建立了分布式发电和电动汽车经济调度的多目标优化模型，以微网系统运行成本最低、系统等效负荷波动最小以及电动汽车车主的充电成本最少为目标，求得电动汽车的充放电功率，很好地配合了系统负荷以及分布式电源的出力波动，优化了系统的运行。

微网；电动汽车；分布式电源；多目标优化

The operation of microgrids can make good use of distributed energy and achieve maximum benefit of demand side management，but the volatility of distributed power increases the risk of running microgrids and requires certain investments for storage.Electric vehicles battery as a storage device can provide support services for the operation of micro-grid system.The multi-objective economical dispatch optimization model of distributed generation and electric vehicles is established in this paper which aims at the lowest operating costs of microgrid system，minimum equivalent load fluctuations of system and minimal charging cost of electric vehicle owners to obtain the electric vehicle charging and discharging power.The model has proved to able to well coordinate with the system load and fluctuations of distributed power output and optimize the operation of the system.

microgrid；electric vehicle；distributed generation；multi-objective optimize

1674-3814（2015）04-0100-06

TM734

A

2014-10-22。

谈丽娟（1990—），女，硕士研究生，研究方向为电动汽车入网；

赵彩虹（1958—），女，教授，研究方向为智能电网、电力系统稳定与控制。