考虑用户和电网双向需求的充电桩优化配置研究

孙 敬

(南京长江都市建筑设计股份有限公司, 江苏 南京 210001)

0 引 言

在中国提出双碳战略背景下,电动汽车(EV)因其低碳环保、与民众生活方式关系密切等特点,受到了国家的大力扶持[1]。随着EV用户的逐渐增多,EV充电桩的合理规划研究得到了人们的广泛关注。同时,EV充电桩除了能够直接满足EV用户的用电需求外,在电网侧还具有促进EV对新能源消纳,进而提高系统调节能力的作用[2]。因此,研究EV充电桩的优化配置对用户和电网均具有重要意义。

目前,国内外学者对EV充电桩的规划研究多集中在选址定容方面。文献[3-4]站在EV用户用电需求的角度,通过建立用户充电需求模型与EV充电反馈模型,进行用户出行与充电需求的交互分析,实现对EV充电设施选址定容的优化布局;文献[5-6]对EV接入配电网后的运行安全性进行分析研究,提出了考虑配电网接纳能力的EV充电桩选址定容优化布局方法。

现有文献多立足于EV用户用电需求或配电网安全运行视角,较少同时考虑两者之间的需求交互关系,特别是未考虑在以分布式发电、储能技术为发展基础下的新型电力系统中,EV到电网技术对新能源消纳、配电网能量管理的作用,片面追求先前提出的完成“车桩比例1∶1”的预设目标[7],造成供需不匹配,资源严重浪费的结果。

因此,本文以EV集群、分布式光伏(DPV)、储能系统(ESS)以及基本负荷的区域电网为研究对象,从用户侧和电网侧角度对EV充电需求、配电网能量管理进行建模,对综合经济成本与能源利用率两个指标进行综合分析,提出了该场景下的EV充电桩优化配置模型,并通过仿真算例验证模型的有效性。

1 基于EV充放电行为分析的用户侧需求模型

1.1 EV充放电模型

本文基于现有文献对EV充放电行为开展研究,首先对EV接入/驶离电网时刻、充电时长等环节进行数学建模。由文献[8]所述,EV接入/驶离电网时间分布服从正态分布,其概率分布如下:

(1)

充电时长可根据EV用户的期望荷电状态(SOC)以及EV接入电网初始SOC值确定,具体见式(2):

(2)

式中:tic——第i辆EV充电所需时间;

SOCie——第i辆EV期望荷电状态;

SOCi0——第i辆EV初始荷电状态;

η——EV充放电效率。

对EV充电时刻、充电时长构建数组,之后通过蒙特卡洛抽样的方法得到EV日负荷充电概率曲线。EV充电负荷概率分布具有典型的峰谷特征[9],一般来说,谷值集中在03∶00—12∶00,峰值集中在17∶00—21∶00,其余时刻可视为平稳段。根据EV用电负荷的峰谷效应,可以实现EV充放电策略控制。

1.2 用户侧成本

EV充电桩优化配置对用户造成的成本分析主要考虑EV用户用电需求满意度改善。其中,用户满意度由排队时间损失、前往充电桩路程上的时间损失及电费损失构成。通过式(3)～式(6)对用户成本进行量化表示:

(3)

其中:

Ccost1=Tki×Cequ

(4)

Ccost2=si/v×Cequ

(5)

Ccost3=α×si×w

(6)

式中:C1——区域内EV用户总经济成本;

N——区域内充电桩个数;

Ccost1——用户排队经济损失;

Tki——用户k时刻到达第i个充电桩需要等待的时间长度;

Cequ——用户单位时间等效经济损失;

Ccost2——用户路程时间损失;

si——用户到达第i个充电桩的路程;

v——EV行驶速度;

Ccost3——用户路程电费损失;

α——行驶路程与耗电量之间的换算系数;

w——每千米EV电价。

2 基于能量管理的电网侧需求模型

2.1 储能充放电建模

据参考文献[10]所述,电网侧ESS的电池单元充放电过程的SOC可表示为

(7)

式中: SOCi(t)——第i个储能电池单元t时刻的荷电状态;

SOCi(t-1)——第i个储能电池单元t-1时刻的荷电状态;

ηc——电池充电效率;

ηd——电池放电效率;

Sb——额定电池容量。

2.2 电网侧成本

电网侧作为能源供给方,需要承担网络中除EV集群各单元设施的全生命周期费用。在本文讨论场景下,主要包括充电桩、DPV系统及ESS的投资成本及运维成本,其总支出成本由式(8)所示:

C2=(CCP1+CCP2)×N+(CPV1+CPV2)×

ρPV+(CESS1+CESS2)×ρESS

(8)

式中:C2——区域内电网侧总支出成本;

CCP1——单个充电桩的投资成本;

CCP2——单个充电桩的运维成本;

N——充电桩个数;

CPV1——PV单位功率的投资成本;

CPV2——PV单位功率的运维成本;

ρPV——PV总容量;

CESS1——ESS单位功率的投资成本;

CESS2——ESS单位功率的运维成本;

ρESS——ESS总容量。

3 EV充电桩优化配置模型

3.1 目标函数

对于充电桩的布局规划问题,一方面从提高EV用户用电需求满意度的角度来看,需要兴建尽可能多的充电桩,这必然会导致电网侧经济成本的提高;另一方面从控制支出成本的同时尽可能提高新能源利用率的角度来看,充电桩的建设数量维持在必要水平即可,这又会导致用户满意度下降。因此,本文同时兼顾用户及电网双边需求,选取总经济成本最小化及新能源利用率最大化作为目标函数。

3.1.1 总经济成本

用户侧与电网侧在经济成本方面的诉求是一致的,即最小化自身支出水平。假设经济层面双方具有同等重要性,目标函数为总经济成本最小化,如式(9)所示:

minf1=C1+C2

(9)

式中:C1——1.2节分析所得的用户侧总成本;

C2——1.3节分析所得的电网侧总成本。

3.1.2 新能源利用率

本文讨论的情景为分布式发电主导电网,因此EV充电桩优化配置的另一重要目标是提高电网侧的新能源利用率。工作原理为EV充电桩可视为一灵活储能单元,通过调整EV充放电策略对充电桩进行优化配置,同时联合网络内电池ESS,实现对系统能量的精细化管理,其目的是最大化新能源利用率,即最小化系统功率缺额。目标函数如式(10)所示:

(10)

3.2 约束条件

优化模型通常包括状态变量约束和决策变量约束两类。基于本文应用场景,考虑系统内各单元的变量约束和决策变量约束条件如下。

3.2.1 状态变量约束

状态变量约束主要包括EV用户充电需求约束、ESS电池SOC约束及DPV出力约束,具体约束条件如式(11)～式(14)所示:

(11)

SOCmin≤SOC(t)≤SOCmin

(12)

SOC(t)=SOC(t+T)

(13)

0≤PPV(t)≤ρPV

(14)

Qj——第j辆EV的每日需求电量;

SOCmin——储能电池荷电状态上限;

SOCmax——储能电池荷电状态下限;

SOC(t+T)——以T为周期的荷电状态。

3.2.2 决策变量约束

决策变量约束主要指电网侧各单元设施的配置总预算约束:

C2≤Cbud

(15)

式中:Cbud——电网侧成本总预算。

3.3 求解算法

本文为同时兼顾用户与电网需求,对应用在分布式发电主导电网中的EV充电桩进行优化配置。在满足区域内基础负荷的条件下同时考虑EV的充电需求,即满足区域内负荷总需求,通过调整EV充电策略来精细化管理区域内EV充电桩、ESS及DPV的能量交换过程,在满足以上约束条件下通过寻优两个目标函数得到EV充电桩的合理配置。

本文采用多目标进化算法:基于位移密度估计的强度帕累托进化算法(SPEA2+SDE)求解该模型,其优点在于SPEA2+SDE算法所得Pareto前沿比传统算法的收敛性和多样性更好[11-12]。基于SPEA2+SDE的充电桩优化配置流程图如图1所示,其中具体迭代规则详见文献[11],本文不再赘述。

图1 基于SPEA2+SDE的充电桩优化配置流程图

4 算例分析

4.1 算例描述

本文通过某以分布式光伏发电为主导的区域电网为例,验证所提模型的有效性。假设该区域内EV集群数量为35辆,每辆EV电池容量为35 kW,充放电功率为3.3 kW,ESS最大容量为1 500 kW,充放电功率为容量的0.25倍,EV和储能设备的充放电效率均为0.85,其余经济指标数据均由文献[13]得到,为简化计算,讨论式(9)时忽略ESS与DPV的一次性投资成本。考虑到本文的应用场景,假设该区域光伏出力能够满足总负荷需求。

4.2 充电桩优化配置模型验证

基于本文所提的EV充电桩优化配置模型,充电桩优化配置模型Pareto最优解集如图2所示。需要说明的是,多目标优化问题求解结果为Pareto最优解集,为能够给生产实际提供指导,本文采用模糊决策法确定最优折衷解,求解方法详见文献[11],本文不再赘述。

图2 充电桩优化配置模型Pareto最优解集

由图2可知,充电桩的优化配置会对总经济成本与新能源利用率产生明显影响。虽然充电桩配置数量的增多会增加总经济成本,但在一定范围内会大幅提高新能源利用率,其原因在于增大了EV集群接入系统容量,提高了系统的调节能力。但配置数量超过一定限度时,充电桩数量的增加对新能源利用率的提升将会变得有限。

4.3 EV充电无控制策略下结果比较

本文对EV充电无控制策略下充电桩优化配置的影响进行对比探析,EV充电无控制策略下Pareto最优解集如图3所示。有无EV充电控制策略下充电桩优化配置对比如表1所示。

图3 EV充电无控制策略下Pareto最优解集

由图3可知,EV充电无控制策略下充电桩配置数量的需求明显提升,进而造成经济成本的提高,并且在相同数量充电桩配置下,EV充电无控制策略相较于有控制策略情况下,新能源利用率明显降低。这是因为,EV充电有控制策略会对1.1节中提到的EV负荷的峰谷特征产生削弱作用,降低电网的峰谷差率,提高系统的能量管理水平,进而提高系统的新能源利用率。

表1 有无EV充电控制策略下充电桩优化配置对比

由表1可知,有无EV充电控制策略求得的充电桩最优配置有较大差别。对EV充电进行策略控制,可以减少充电桩的配置数量,进而明显降低经济成本。

5 结 语

本文基于对用户侧和电网侧双边需求考虑提出了一种在分布式发电主导电网下的EV充电桩优化配置模型。通过构建考虑EV用户充电行为的用户侧需求模型和考虑能量管理的电网侧需求模型,明确两者间的利益与矛盾;基于上述分析确定以总经济成本最小化与新能源利用率最大化的目标函数,并分析该应用场景下各构成单元的约束条件;最后采用多目标进化算法SPEA2+SDE求解本文所提模型。通过仿真算例,验证了模型的有效性。本模型可以为生产实践中该应用场景下的EV充电桩优化配置提供相关决策指导。