含电动汽车的微网的智能优化调度

张明光，周灿

（兰州理工大学电气工程与信息工程学院，甘肃兰州 730050）

含电动汽车的微网的智能优化调度

张明光，周灿

（兰州理工大学电气工程与信息工程学院，甘肃兰州 730050）

首先通过分析车辆一天的出行特性，拟合电动汽车日常驾驶距离与开始充电时间的概率分布，采用基于蒙特卡罗模拟的方法来计算电动汽车的充电负荷。然后综合考虑微网的经济效益和环境效益，建立微网的优化调度的数学模型，并提出了一种改进的粒子群算法对该数学模型进行求解。最后以某地区某日负荷为算例，对不同方案下的运行状态进行经济性分析，并在Matlab环境下编程实现该算例，验证了所提方法的可行性和合理性。

电动汽车；微网；优化调度；粒子群算法

为了应对环境问题和能源危机，新一轮能源变革势在必行，基本方向是以实施清洁替代和电能替代为重点，加快分布式能源（distributed energyresources，DERs）供能以及微网技术发展的步伐[1-2]，这是实现未来世界可持续发展的必由之路。新能源汽车产业是我国现阶段培育和发展的重点，发展电动汽车（electric vehicles，EVs）成为减少石油依赖、降低环境污染、治理谐波污染以及升级局部电网结构的有效措施[3-4]。随着未来EVs的推广，EVs将大量接入电网进行充放电，对电网的运行及电力系统的规划产生较大的影响，并且这种影响主要体现在配电网和微网层面[5-7]，其中主要包括能源供给、设备容量、电能质量、网络损耗及供电可靠性等方面。

然而，随着EVs接入电网（vehicle to grid，V2G）概念的提出，上述问题可以得到有效缓解。采用V2G技术，通过一些简单的策略就可以很好地改善负荷曲线，从而减轻分布式能源的间歇性出力对电力系统运行所造成的影响，并减少电压偏移和网损[8-10]。文献[11]提出了一种基于微网与微型电源协调控制的策略，实现了电压控制和DERs对微网的支撑。文献[12]对微网中的容量进行了估计，并分析了参与调峰、调压与提供备用可以获得的收益。因此如何将DERs最大化利用，改善用户的电能质量，同时满足EVs不断增长的能量需求，有必要将电源、电网、负荷、储能等构成的新能源电力系统为研究对象，认识其各环节的新特性，研究其安全经济运行机制与理论方法。

目前，国内外针对计及DERs的微网系统开展了众多研究工作，以便能最大限度地利用风光可再生能源进行经济调度[13-14]。另外，有统计表明，在一天中的某一时刻，至少有88%的EVs是处于闲置状态的[15]。此时，可将EVs通过智能装置连接于微网，由微网控制其充电或放电。本文根据EVs的时空特性，采用蒙特卡洛模拟的方法来求取EVs的充放电负荷模型，并将可入网的EVs与微网相结合，综合考虑微网运行的经济性、安全性及电能质量，对DERs和EVs的工况进行智能优化调度，使微网运行时的经济与环保指标达到最优。

1 EVs充电特性分析

对于含EVs的微网的优化问题，首先要解决EVs的充电需求。而影响EVs充电需求的因素主要包括EVs充电电源、电池容量和用户行为。其中用户的行为是最难确定的部分，主要包括EVs日常驾驶距离和EVs开始充电时间。

1.1 EVs日常驾驶距离分布

根据美国能源部2008年对EVs用户调查的统计报告[16]，可将EVs的日常驾驶距离S近似为对数正态分布，即S～ln N（μs，σ2s），其概率密度函数为：

式中：μs为概率密度函数变量x的对数ln x的平均数，μs=3.2；σs为上述概率密度函数变量x的对数ln x的标准差，σs=0.88。EVs的日常驾驶距离的概率分布如图1所示。

图1 EVs的日常驾驶距离的概率分布Fig.1 Probability distribution of the daily driving distance of EVs

根据日常驾驶距离S可得到EVs充电的电能需求，从而得到EVs入网时的荷电状态（SOC）及充电的持续时长：

式中：Wc为电动汽车每公里耗电量，取0.15 kW·h；Pc为各电动汽车的充电功率，取4 kW；ηc为电动汽车的充电效率。

1.2 EVs开始充电时间分布

影响EVs充电需求的另一重要因素是EVs开始充电时间t0，服从正态分布，即t0～N（μt，σ2t），其概率密度函数为：

式中：μt=17.6，σt=3.4。EVs开始充电时间的概率分布如图2所示。

图2 EVs开始充电时间的概率分布Fig.2 Probability distribution of the charging start time of EVs

1.3 计算EVs的充电负荷

由于各辆EVs的日充电时间相互独立，故可使用随机试验，本文采用基于蒙特卡洛模拟的方法来计算充电负荷。根据EVs开始充电时间和充电持续时长可得到各辆EVs的充电负荷曲线，然后将所有车辆的充电负荷曲线叠加，得到了所有车辆在一天内的充电负荷曲线。计算流程如图3所示。

图3 电动汽车充电负荷计算流程图Fig.3 Flow chart for calculating the charging load of EVs

2 微网优化调度的数学模型

2.1 目标函数

本文采用多目标优化模型来解决计及EVs的微网的优化调度问题，主要考虑微网的经济效益与环境效益，该模型的目标函数可描述为：

1）目标函数1：微网运行成本最小。

考虑经济效益主要是让微网的运行成本最小化，其目标函数包括DERs的燃料成本，运行维护成本，微网向EVs、大电网购电成本及向EVs、大电网售电所得收益。可表示为：

式中：CM为微网的运行成本；T为调度时间；N为DERs的数量；Cfuel为DERs的燃料成本；COM为DERs的运行维护成本；ai、bi、ci为机组的燃料系数；kDSG、kMT、kFC分别为柴油发电机、微型燃气轮机和燃料电池的维护成本系数为DERs的输出功率为微网与大电网间的交换功率（微网向大电网购电时为正，向大电网售电时为负）；C1为大电网电价；PtEV为EVs输出功率（处于充电状态为正，处于放电状态为负）；C2为EVs与微网的电量交易价格。

2）目标函数2：污染物处理成本最小。

微网中的柴油发电机、微型燃气轮机、燃料电池运行及大电网机组发电时会产生二氧化碳（CO2）、二氧化硫（SO2）及氮氧化物（NOx），因此考虑环境效益时主要是让上述污染物的处理成本最小，其目标函数如下：

式中：T为调度时间；Cemission为微网的污染物处理成本；αj为污染物j的处理成本；βij为分布式电源i的j型污染物的排放因子；βgrid－j为大电网型j污染物的排放因子。

2.2 约束条件

1）系统有功功率平衡约束

2）分布式电源出力约束

3）EVs输出功率约束

4）微网与大电网能量交换约束

5）微网系统运行的约束条件

3 改进PSO的优化算法

PSO算法是通过模拟鸟群觅食行为而发展起来的一种基于群体协作的随机搜索算法，其具有求解过程简单、易于实现、对参数控制效果好等优点，但传统的PSO算法容易陷入局部最优解，为避免此种情况本文提出一种动态的双种群粒子群算法，即每隔一定的迭代次数以后，按不同的学习策略将整个粒子群分为2个子种群分别进化，一部分是从粒子自身和群体中成功的经验学习，而另一部分则是从粒子自身和群体中失败的教训学习，即将整个粒子群划分为2个二级子种群，然后通过设置比例系数对二级子种群中的粒子数目进行控制，即：

式中：m为种群中所有的粒子的总数；m1第一个子种群中粒子的个数；m2为第二个子种群中粒子的个数。

比例系数ρ设定为一个变量，是非线性的，具体由下式确定，即：

式中：ρmin和ρmax分别是2个二级子种群的比例系数ρ的最大值和最小值；tc为重新划分种群时粒子所经历的迭代次数；tmax为粒子在寻优过程中所要进行的最大迭代代数。

算法的基本流程如图4所示。

图4 改进PSO的优化算法流程Fig.4 Flow chart of improved PSO algorithm

4 算例分析

4.1 算例系统

本文以某地区某日的微网系统为例进行优化调度，该算例系统有10个风电机组和30块太阳能电池板，均由最大功率跟踪策略实现最大功率输出[17-18]；有2台柴油机、2台微型燃气轮机和1组燃料电池；优化过程中涉及的主要参数如表1、表2所述：

表1 分布式电源的参数Tab.1 The parameters of distributed power

电量交易价格是指EVs向微网售电的价格，由微网运营方和EVs的车主共同协商拟定。电量交易价格和大电网的实时电价如图5所示。

表2 NOx、SO2和CO2的外部成本和排放系数Tab.2 External costs and emission factors of NOx、SO2and CO2

图5 电量交易价格和大电网电价Fig.5 The prices of electricity trading and electricity price of large grids

4.2 调度方案

方案一：不考虑EVs接入微网，由燃料电池、柴油发电机、微型燃气轮机、大电网按优化调度结果来出力，而光伏和风力发电均属于清洁能源发电，无污染物的排放，使它们按照预计出力曲线来出力。

方案二：EVs无序充电，不考虑EVs的放电特性，即负荷为净负荷与EVs的充电负荷之和。

方案三：考虑EVs的充放电特性，基于实时电价的引导使EVs参与优化调度。其中，考虑到用户的用车习惯，08:00—17:00时段，EVs不参与调度。

4.3 结果分析

本文假设有320户住户，以每户居民平均拥有一辆汽车为基准，分析EVs的渗透率分别为0%，30%，50%和75%时，采用第1节所述方法来计算EVs无序充电时的负荷，其充电负荷曲线如图6所示。

从图6中可以看出，EVs无序充电将造成“峰上加峰”的现象。随着EVs渗透率的提高，这一现象愈加的显著。充电负荷高峰与居民用电峰荷叠加，使得系统负荷在20：00时附近显著增加，可能引起系统过负荷，峰谷差加剧，从而带来不可忽视的影响。

本文采用EVs的渗透率为30%时随机接入充电，按上述不同方案进行优化调度，其各发电单元的出力如图7所示。

图6 不同渗透率下的EVs的日充电负荷曲线Fig.6 Daily charging load curve under different permeability of EVs

图7 采用不同方案时各发电单元出力Fig.7 Output of each power generation unit when different programs are adopted

根据方案一，不考虑EVs，各DERs出力如图7（a）所示，由于FC成本最低，则始终以最大功率出力，其次是MT。在7：00之前，此时负荷处于低谷时段，DERs出力有剩余，微网向大电网售电而盈利；在11：00—15：00与19：00时段，电网电价高于DSG的综合成本，DSG被安排优先出力；在其余时段，DSG的综合成本高于电网电价，优先安排微网向大电网购电。根据方案二，EVs无序充电，各DERs出力如图7（b）所示，在16：00—22：00时段，由于负荷与EVs无序充电所造成的“峰上加峰”现象，微网以最大限度向大电网购电，在不能满足负荷需求时安排DSG出力。根据方案三，EVs有序充放电，各DERs出力如图7（c）所示，由于FC和MT的综合成本较低，始终被安排进行最大出力，在8：00之前，负荷较小，利用低电价使电动车主给EVs充电，在18：00—23：00时段，负荷处于高峰时段，利用高电价使EVs的车主让EVs放电向微网售电而获利。

如图8所示，当EVs的渗透率为30%时随机接入微网无序充电，负荷峰值提高了37.74%。通过采取实时电价来优化调度EVs充放电，负荷峰谷差明显减小，有效避免了EVs无序充电对电网的负荷所造成的“峰上加峰”的负面影响。

图8 不同方案下的负荷曲线Fig.8 The load curve under different programs

图9 不同方案下的单位成本曲线Fig.9 The unit cost curve under different programs

如图9所示，在6：00之前，3个方案的成本曲线均低于X轴，说明微网通过向大电网售电及对EVs充电而盈利。图中进一步说明了EVs无序充电所带来的负面影响，由于“峰上加峰”的现象使微网的综合成本大幅度的增长，而通过实时电价来控制EVs的优化调度，不仅促进了DERs的最大化利用，而且降低了微网对配电网的依赖，减少了其他DERs的出力，提高了微网的经济效益。

5 结论

EVs无序充电将给电网的规划与运行带来不可忽视的影响，本文采用蒙特卡罗的方法模拟EVs的充电行为，计算充电负荷，以此为基础来分析EVs在不同渗透率下对原始负荷的影响，然后以经济与环境指标达到最优为目标函数来建立EVs智能优化调度的数学模型，并采用改进的PSO算法进行求解。算例表明，通过智能控制EVs接入电网的时间有效抑制EVs无序充电时所造成负荷的“峰上加峰”的现象，在满足用户负荷的前提下，起到平抑电网负荷波动、削峰填谷的作用，为今后EVs规模入网的研究提供了一定的参考价值。

[1]刘丽红，袁益超，刘聿拯.分布式供能的现状与发展[J].热力发电，2006，8（35）:4-7.LIU Lihong，YUAN Yichao，LIU Yuzheng.Status and development of decentralized energy supply[J].Thermal Power Generation，2006，8（35）:4-7（in Chinese）.

[2]武星，殷晓刚，宋昕，等.中国微电网技术研究及其应用现状[J].高压电器，2013，9（49）:142-149.WU Xing，YIN Xiaogang，SONG Xin，et al.Research on micro-grid and its application in China[J].High Voltage Apparatus，2013，9（49）:142-149（in Chinese）.

[3]BOULANGER A G，CHU A C，MAXX S，et al.Vehicle electrification：status and issues[J].Proceedings of the IEEE，2011，99（6）:1116-1138.

[4]钱科军，周承科，袁越.纯电动汽车与电网相互关系的研究现状[J].电网与清洁能源，2010，11（26）:1-7.QIAN Kejun，ZHOU Chengke，YUAN Yue.A review of research on the interaction between fully electric vehicles and power systems[J].Power System and Clean Energy，2010，11（26）:1-7（in Chinese）.

[5]李惠玲，白晓民.电动汽车充电对配电网的影响及对策[J].电力系统自动化，2011，35（17）:38-43.LI Huiling，BAI Xiaomin.Impacts of electric vehicles charging on distribution grid[J].Automation of Electric Power Systems，2011，35（17）:38-43（in Chinese）.

[6]FERNANDEZ L P，ROMAN T G S，COSSENT R.Assessment of the impact of plug-in electric vehicles on distribution networks[J].IEEE Trans on Power System，2011， 26（1）:206-213.

[7]胡泽春，宋永华，徐智威，等.电动汽车接入电网的影响与利用[J].中国电机工程学报，2012，32（4）:1-10.HU Zechun，SONG Yonghua，XU Zhiwei，et al.Impacts and utilization of electric vehicles integration into power systems[J].Proceedings of the CSEE，2012，32（4）：1-10（in Chinese）.

[8]TOMIC J，KEMPTON W.Using fleets of electric-drive vehicles for grid support[J].Journal of Power Sources，2007，168（2）:459-468.

[9]HAN SEKYUNG，HAN SOOHEE，SEAKI K.Development of an optimal vehicle-to-grid aggregator for frequency regulation[J].IEEE Trans on Smart Grid，2010，1（1）：65-72.

[10]王辉，文福拴，辛建波.电动汽车充放电特性及其对配电系统的影响分析[J].华北电力大学学报，2011，38（5）:17-24.WANG Hui，WEN Fushuan，XIN Jianbo.Charging and discharging characteristics of electric vehiclesas well as their impacts on distribution systems[J].Journal of North China Electric Power University，2011，38（5）:17-24（in Chinese）.

[11]CUI S，LIU X，TIAN D，et al.The construction and simulation of V2G system in micro-grid[C].International Conference on Electrical Machines and Systems，Aug 20-23.2011，Beijing，China，2011：1-4.

[12]CHUKWU U，MAHAJAN S.V2G electric power capacity estimation and ancillary service market evaluation[C].IEEE Power and Energy Society General Meeting，July 24-29，2011，San Diego，USA，2011：1-8.

[13]张海峰，高峰，吴江，等.含风电的电力系统动态经济调度模型[J].电网技术，2013，37（5）:1298-1303.ZHANG Haifeng，GAO Feng，WU Jiang，et al.A dynamic economic dispatching model for power grid containing wind power generation system[J].Power System Technology，2013，37（5）：1298-1303（in Chinese）.

[14]陈洁，杨秀，朱兰，等.微网多目标经济调度优化[J].中国电机工程学报，2013，33（19）:57-66.CHEN Jie，YANG Xiu，ZHU Lan，et al.Micro-grid multi-objective economic dispatch optimization[J].Proceedings of the CSEE，2013，33（19）:57-66（in Chinese）.

[15]MA Y，HOUGHTON T，CRUDEN A，et al.Modeling the benefits of vehicle-to-grid technology to a power system[J].IEEE Trans on Power Systems，2012，27（1）:206-213.

[16]VYAS A，SANTINI D.Use of national surveys for estimating‘full’PHEV potential for oil use reduction[EB/OL].

（2008-07-21）[2016-03-13].http：//www.transportation.anl.gov/pdfs/HV/525.pdf.

[17]丁明，吴义纯，张立军.风电场风速概率分布参数计算方法的研究[J].中国电机工程学报，2005，25（10）:107-110.DING Ming，WU Yichun，ZHANG Lijun.Study on the algorithm to the probabilistic distribution parameters of wind speed in wind farms[J].Proceedings of the CSEE，25（10）:107-110（in Chinese）.

[18]汪海宁，苏建徽，丁明，等.光伏并网功率调节系统[J].中国电机工程学报，2007，27（2）:75-79.WANG Haining，SU Jianhui，DING Ming，et al.Photovoltaic grid connected power conditional system[J].Proceedings of the CSEE，2007，27（2）:75-79（in Chinese）.

Intelligent Optimal Dispatch for the Micro-Grid Containing Plug-in Electric Vehicles

ZHANG Mingguang，ZHOU Can
（Lanzhou University of Technology，Lanzhou 730050，Gansu，China）

First，through analysis of the travel characteristics of electric vehicles in a day，this paper manages to fit the probability distribution of the daily driving distance and the charging start time and then uses the Monte Carlo method to compute the charging load.Second，a mathematical model of optimal dispatch for the micro-grid is established with consideration of both economic and environmental benefits of the micro-grid and an improved particle swarm algorithm is proposed to solve the mathematical model.Finally，with a daily load of a certain area selected asas an example，the paper analyzes the economy of the operation mode under different programs，and develops the example in Matlab environment，and the feasibility and rationality of the method is verified.

EVs；micro-grid；optimal dispatch；particle swarm algorithm

2016-03-15。

张明光（1971—），男，硕士，教授，研究方向为电力系统自动化、变电站综合自动化、智能电网、调度自动化及计算机信息处理、配电自动化及配电管理系统、人工智能控制及其应用等；

（编辑 冯露）

国家自然科学基金项目（51567016）。

Project Supported by National Natural Science Foundation of China（51567016）.

1674-3814（2016）12-0100-06

TM731

A

周 灿（1990—），女，硕士研究生，研究方向为智能微电网、电动汽车。