基于改进CMPSO和EV有序充放电策略的微电网不确定性研究

王易雯，应利

（1.三峡大学 电气与新能源学院，湖北宜昌 443002；2.国网四川省电力公司简阳市供电分公司，四川简阳 641400）

引言

目前我国电动汽车（EV）接入微电网充电对负荷侧冲击加剧，传统能源机组发电供应短缺和各类污染物对环境的影响日益严重。针对负荷侧电动汽车入网导致的负荷波动，国内外主要研究其对电力系统的整体运行调度的影响[1,2]，同时协调平衡经济性和稳定性之间的矛盾。文献[3]以电动汽车作为研究对象，验证基于自然选择机理的粒子群算法相比传统粒子群算法的优越性。文献[4]采用激励型DR构建基于负荷价格弹性的系数矩阵模型，结合EV建立多目标函数分析。文献[5]采用有序充放电策略考虑EV入网的“移动充电”作用，增加电网备用容量，并采用粒子群—模拟遗传混合算法优化求解模型。文献[6]以电动汽车调度成本和心理效应为目标，提出价格与激励联合需求响应下EV长时间尺度充放电调度策略。文献[7]采用分时电价动态优化方法，以充电量和充电成本最小作为目标函数，验证模型对负荷侧具有削峰填谷的能力。文献[8]建立电动汽车充放电两阶段模型，运用PSO进行模型优化求解。目前针对EV入网导致的负荷波动，较少将有序充放电策略与改进优化算法结合融入微电网多目标的经济调度研究，因此本研究在有序充放电策略基础上，提出一种改进混沌映射粒子群算法（CMPSO）与微电网负荷侧不确定性和经济优化调度相结合，并通过算例对比验证此算法的有效性。相较于常规PSO，改进算法可在大幅度降低负荷峰谷差的前提下，减少负荷波动带来的运行费用上升，协调鲁棒性与经济性之间矛盾并寻求最优平衡点。

1 负荷侧EV不确定性分析

1.1 有序充放电策略

EV有序充放电策略是在V2G技术的基础上建立相应的功率函数来进一步构建控制模型。目前我国电网采用此策略的具体流程是上级调度中心首先按EV用户接入充电桩充电的方式实时收集各类EV信息，同时用户将未来预计离开和返回时段、电池容量以及荷电状态等相关信息传给中心汇总处理；然后调度中心根据动态电价和短期负荷预测将最合适的充放电时间段实时更新并传递给EV用户；最后用户根据个人情况选择最合适的出行、返回时间段接入充电桩充放电，生成有序充放电策略[9]。电动汽车充电调度模型架构见图1。

图1 电动汽车充电调度模型架构

关于大规模EV用户和上级电网控制中心之间信息通讯，目前普遍通过实时收集汇总电动汽车用户居住分布情况和充电桩使用频率，在传输系统中设置多个EV充电站将作为枢纽的EV代理层与EV用户联系起来，实现用户实时信息更新和指令传达，从而准确制定有序充放电策略并快速传递给用户，提高负荷峰谷时段的削峰填谷作用。

1.2 构建计及EV有序充放电策略的多目标函数模型

1.2.1 负荷侧需求波动量模型

基于所涉及微电网区域内计及EV入网，并考虑EV用户响应有序策略的非强制性，仅部分用户自发响应有序策略[10]，根据负荷波动情况建立周期T内负荷总波动量F1：

式中，PLoadi(t)表示t时段未接入EV时的原负荷，hstate=1,0表示EV是否充电，γ(t)为用户响应有序策略响应度，PN(t)，PL(t)分别为无序、有序策略下的总负荷功率，PL,ch(t)、PL,dis(t)分别是EV充电和放电功率。在此模型基础上采用蒙特卡洛法抽样[11]，求得负荷侧的总负荷曲线如图3，4所示。

1.2.2 微电网综合调度费用模型

计及EV接入微电网后负荷变化情况，构建综合调度费用模型[12]，其中机组燃料发电运行费用和维护成本为：

式中，k1、k2、k3、hm分别为机组运行和维护成本系数，W mf,W mx分别表示运行和维护成本。用户响应有序策略产生的激励成本Wex(t)、上级电网购电成本Wgrid(t)、EV充放电价格差惩罚成本Wc(t)和考虑环保性后污染物治理费用Wh分别为：

式中，λex(t)为用户响应有序策略的激励单位费用（0.37元/kW），cgrid,f(t),m(t)分别表示t时刻电网协议制定分时电价和用户向上级电网放、充电的单位电价。上述所有种类调度费用的汇总即为该区域微电网运行调度总费用F2：

1.3 约束条件

1.3.1 EV荷电状态约束

式中，SOCi,max、SOCi,min分别表示EV荷电状态上下限，SOCi,desire、SOCi(tleave)分别为充放电完成后预期和实际动力电池荷电状态；SOCi(t)、SOCi(t+1)分别为第i辆车在t、t+1时段电池的荷电状态，△tch,i、△td,i分别为EV充、放电持续时长。

1.3.2 EV充电桩功率上下限约束[13]

1.3.3 EV充放电时间约束

式中，tV2G,i为第i辆EV可参与充放电的时间，tout,i、tre,i分别为EV出行和返回时刻，EV用户在其他时间段不参与有序充放电策略。

1.3.4 微电网运行功率平衡约束

1.3.5 变压器容量约束

在任意调度时刻，接入EV后的负荷功率总和应低于变压器容量上限；ST为变压器最大容量。

1.4 基于CMPSO的多目标模型求解

由于构建的两个目标函数内容和单位均不相同，无法直接通过线性加权成单一目标函数后运用算法进行后续分析，故首先引入模糊隶属度函数将F1和F2分别模糊化处理，再通过归一化加权成综合单目标函数，最后提出改进混沌映射粒子群算法[14]求解。

此算法在传统粒子群算法基础上，通过引入寻优遍历性极高且重复度较低的混沌算法与传统PSO结合，尽可能避免陷入早熟和局部收敛的问题，提升了求解出全局最优解的概率，并引入小概率变异概念，将适应度较差且密度较高的粒子进行替换，选出个体最优值pkbest和全局最优值Gkbest，并代入下式进行粒子速度、位置更新。

vi，xi分别代表粒子的速率和位置，w为可变惯性权重，c1，c2为学习因子，r1，r2为[0-1]范围内的均匀随机数，算法具体流程图如图2所示。

图2 改进混沌映射粒子群算法（CMPSO）流程图

2 算例分析

2.1 EV入网有序策略的有效性分析

本文基于某MW级别的实际工业园区域微电网，假定该区域参与优化调度的同种类EV有100辆，其充放电效率、功率均相同，其百千米的耗电量为13.9 kW·h，运行额定充放电功率为300 kW，电池容量上限为52.5 kW·h。该区域典型风光发电功率预测值与初始、实际负荷功率曲线如图3所示。

图3 典型风光发电机组出力与负荷功率曲线

在一个调度周期内选取几种不同EV充放电模型进行对比分析：①未接入EV的初始与实际负荷模型；②用户自主进行EV无序充放电模型；③基于峰谷分时电价有序充放电模型。统计数据得不同V2G模式下EV充放电功率时序图及其拟合曲线，计算此微网区域内接入100辆EV的总负荷波动图，如图4，5所示。

图4 有序、无序两种模式下功率拟合曲线

对比图5中不同EV策略下的波动曲线可知，用户随机进行无序充电会导致整个周期内总负荷上升，且在波动峰段急剧增加。若用户响应调度信息，负荷峰谷差值由821.699 kW降为725.379 kW，起到良好的削峰填谷作用，降低负荷波动带来的不利影响。

图5 不同EV接入策略下的总负荷时序曲线

2.2 EV用户响应有序策略在不同参与度下可控单元和运行费用波动情况

为进一步分析用户在响应有序充放电策略的不同参与度下，微电网内部各可控单元出力情况和规划调度费用以及负荷侧具体波动情况，选取用户参与程度以10%的步长从0%逐步增加到100%，得一个调度周期内区域微电网的可控单元和不同目标函数的波动变化情况，如图6～8所示。

图6 可控单元GRID出力情况

图7 可控单元MT出力情况

据图6，7可知，随着用户参与程度的增加，可控单元MT和GRID的功率出力情况在常规工作时段均随之下降，EV入网所导致的负荷骤增现象有明显减少；而在非常规用电时段有功功率有大幅度的增加，可作为负荷骤增而导致机组供电不足情况下的备用储能，有效降低微电网向上级大电网的购电成本，从而减少微电网运行调度总费用。

再分析图8可得：负荷需求波动量和运行费用随着EV用户响应度的增加而逐渐降低。但考虑微电网实际运行情况下，发电机组装机容量有限，其发电量无法一直满足因EV入网所致的负荷需求量增加，因此参与度分别在50%和70%的情况下，负荷波动量和运行费用降至最低值，之后呈反弹上升趋势。根据计算可得，参与度在50%～70%范围内，负荷需求波动增加量的惩罚费用远低于运行总费用的降低值，综合考虑微电网运行稳定性和经济性，选取用户有序充放电策略参与度为70%，作为EV入网所带来的负荷侧不确定性的最优情况，代入后续多目标函数求解。

图8 上级电网向区域微电网供电量波动曲线

2.3 不同权重系数对微电网各项指标的影响

由于前文所建立多目标函数模型需要综合考虑运行稳定性和经济性，此处选取11组典型的权重系数组进行分析，对比结果如表1和图9所示。分析表1和图9可知，随着权重系数λ1的增加和λ2的减少，调度费用和污染物治理费用均有所下降，同时负荷需求波动量逐步上升。最后在这11组数据的基础上，运用客观赋权法中的熵权法[15]计算得到一组最优解，此时λ1、λ2分别为0.587、0.413，运行调度费用为31 875.64元，污染治理成本为7 753.68元，负荷需求波动量为134.28 kW。

表1 不同权重系数组对微电网指标的优化结果对比

图9 不同权重系数组下微电网指标结果对比图

2.4 不同算法优化结果的对比分析

为进一步验证CMSPO算法相较于其他算法的优越性，选取传统粒子群算法PSO、遗传算法GA、混沌粒子群算法CPSO和CMPSO算法进行对比分析，收敛迭代对比曲线如图10所示。

图10 不同算法的迭代过程对比图

据图10可知，上述4种算法均可降低运行费用，并随着迭代次数的增加而收敛。其中GA和PSO收敛速度均较快，但都极易陷入局部收敛；CPSO在传统PSO的基础上，叠加了混沌搜索策略，提升了全局搜索精度，但仍无法收敛至最优解；CMPSO算法加强对优势个体进行局部搜索的深度，运行调度成本最低，寻优收敛效果最佳。

3 结论

（1）采用的有序充放电策略可针对EV入网导致的负荷波动起到良好的削峰填谷作用，降低电网因超负荷运行导致的过载现象出现的概率。

（2）当权重系数分别为0.587、0.413时，可控发电单元出力方案最佳，此时微电网的调度费用和负荷需求波动均取得最优解。

（3）接下来将主要针对发电侧的新能源机组发电波动不确定性，结合EV入网的负荷波动性，寻求源-荷不确定性共同作用下的最优调度策略。