风电电动汽车协同利用对电网风电接纳能力的影响

黄海丽，周扬

（潍坊供电公司，山东潍坊261021）

·试验研究·

风电电动汽车协同利用对电网风电接纳能力的影响

黄海丽，周扬

（潍坊供电公司，山东潍坊261021）

建立包含电动汽车充、放、耗电约束的风电电动汽车协同利用模型，根据决策变量的不同将充放电模式分为自由充电、不含V2G（Vehicle to grid）和含有V2G的风电电动汽车协同利用。以风电利用率和风电在电网能源结构中电量占比作为衡量水平，分析不同充电模式、电动汽车数量和风电装机容量下的风电接纳能力。含有V2G的风电电动汽车协同利用能够最大限度提高电网风电接纳能力，且在风电装机容量较大时更能显示出含有V2G的协同利用充放电模式的优势，含有V2G的风电电动汽车协同利用是实现大规模风电并网的有效方式，同时一定负荷和风电装机水平的电网存在一个最佳匹配的电动汽车数量。

电动汽车；风电；V2G；协同利用

0 引言

风电在电网中所占比例的增加，对节能减排有着积极作用。但是，与水电、火电等常规电源相比，风能等新能源发电最根本的不同点在于其有功出力的随机性、间歇性、波动性［1］。风电容量占电网总容量比例比较小的时候，传统的调度把风电看成负值负荷，但是，随着风电的迅速发展，这种调度策略不再适应风电发展需要，风电的大规模并网及其随机性为电力系统的优化调度和运行带来了一系列问题［2-4］。因此，电网接纳风电能力研究已成为当前研究的热点［5］。

风电大规模并网功率时域波动及其地域相关性［5-7］造成电网调峰能力不足。电动汽车是一种主动负荷，又是一种分散式储能设备，随着储能电动汽车充换电站的建设和推广，电动汽车储能成为一种新的电网可调度资源。电动汽车充电与风电的协同调度［8-11］能够减小等效负荷曲线峰谷差，减少负荷低谷时段的“弃风”。

美国NYISO的研究证明，风电功率与电网PEV充电功率波动之间存在明显的相关性，并且提出了风电—PEV协同性的问题［12］。文献［13］研究了电动汽车充电的负荷特性以及不同充电方式对电网的影响，并初步建立了多时间尺度的“电动汽车—风电”协同调度数学模型。文献［14］提出了协同调度碳减排效益的测算模型，定量分析了电动汽车充电与风电协同调度在电网和交通领域的碳减排效益。

本文建立风电电动汽车协同利用模型，研究含有V2G的风电电动汽车协同利用对电网风电接纳能力的影响，并通过与自由充电模式和不含V2G的协同利用充电模式相比较，以山东电网为例，验证了含有V2G的协同利用模式在提高电网风电接纳能力方面的优势。

1 风电—电动汽车协同利用系统建模

风力发电无需为其一次能源付费，故目标函数不考虑风电的费用；电动汽车还处于试运行和推广阶段，还未进入商业化阶段，故文中暂不考虑电动汽车费用。目标函数为火电发电费用最小，表示为

式中：T为考察时间段数，本文总考察周期为1天，由于电池充电时间一般较长，故取时间间隔为1 h，则T=24；fi（Pit）表示第i台机组在t时段出力为Pit时的费用价格，元／h；ni，t表示第i台机组在t时段是否在线，1表示运行，0表示停运；qi表示第i台机组的启动费用。整个系统的发电费用由各机组各时段发电费用和各时段开启机组的费用两部分组成，模型旨在满足系统约束条件的基础上，选择发电费用最小的运行调度方式。

系统的约束条件。

1）发电负荷平衡。

式中：Pwt为t时段的风电功率；Plt为t时段的负荷功率；Pet、Pdt分别为t时段电动汽车充电功率和向电网的放电功率；λt、γt是分别对应t时段与电动汽车放电和充电对应的系数，λt=1表示t时段电动汽车电池工作在放电状态；γt=1表示t时段电动汽车电池工作在充电状态，且λt+γt≤1，λt、γt分别等于0或1，即电动汽车在某一时刻它可以充电，也可以放电，但不能同时既充电又放电。由于电动汽车作为交通工具耗电时脱离了与电网的联系，故在发电负荷平衡约束中没有电池耗电电功率的参与。

2）机组出力上下限约束。

式中：Pi，max、Pi，min分别为机组i的出力上下限，本文取Pi，min=0.5Pi，max。

3）机组运行时间的约束。

式中：Ti，on和Ti，off分别表示第i台机组连续累积的运行时间和停运时间，Ti，mon和Ti，moff分别表示第i台机组的最小运行时间和最小停运时间。

4）机组最大开机容量约束。

式中：srt表示t时段所有在线机组所能提供的备用容量，且满足如下约束。

5）系统的备用容量约束。

式中：Kl为负荷备用系数；max｛Plt｝为考察周期内最大负荷；Kf为事故备用系数；Kw为风电场有功出力预测误差对系统备用的需求百分数；cft为t时段风电容量因数；Pw为风电装机容量。

6）机组的爬坡约束。

式中：Pi，down、Pi，up分别为机组i有功功率的下爬速率和爬坡速率。

7）风电出力约束。

8）电动汽车电池容量约束。

式中：Qt和Qt+1分别为电动汽车t时段和t+1时段的电池电量；Δt为时间间隔，取1 h；ηe和ηd分别为电动汽车充电和放电效率；Put为根据美国交通运输部统计的2001年美国家庭驾驶调查数据［12］得出的电动汽车作为交通工具时耗电功率；μt为与电动汽车耗电功率对应的系数，等于0或1，且λt+γt+μt≤1，即在同一时刻同一电动汽车不能做充电、放电和行驶三者中的任意两种，只能执行任务之一或者什么都不做。Qmax、Qmin分别为电动汽车电池容量上下限。

9）电动汽车充电、放电、耗电平衡约束。

式（10）表示电动汽车在考察周期内完成1次充、放、耗电循环。

10）电动汽车充电功率约束。

式中：Pemax，t为电动汽车t时段最大充电功率，其表达式如式（12）所示；Qc、Pec分别为单辆电动汽车的电池容量和充电功率；式（12）所表达的意义是：当，即在一个时间间隔内无法完成一个完整充电过程时，，选择以待充电电动汽车数量所确定的最大充电功率作为上限；在电动汽车电池选择快充方式且，即在一个时间间隔能够完成一个完整充电过程时，，选择以电动汽车电池剩余可充容量所确定的最大充电功率作为上限。

11）电动汽车放电功率约束。

式中：Pdmax，t为电动汽车在t时段的最大放电功率；Pec为单辆电动汽车的放电功率；式（14）的含义为：当时，即电动汽车在一个时间间隔内无法完成一个完整放电过程时，选择以有电量且不在行驶中的电动汽车数量所确定的最大放电功率作为上限；在电动汽车电池选择快速放电方式且，即在一个时间间隔能够完成一个完整放电过程时，选择以电动汽车电池容量扣除行驶的电动汽车耗电所用电量所确定的最大放电功率作为上限。

2 电动汽车充放电模式

电动汽车的不同充放电模式直接影响电网等效负荷曲线及其峰谷差率和电网调峰能力。根据决策变量的差异将电动汽车充放电模式分为自由充电、不含V2G的协同利用充电、含有V2G的协同利用充放电三种模式。

2.1 自由充电模式

文献［15］在调查统计数据基础上建立了电动汽车自由充电的模型。由于中国与美国在工作时间上相近，均集中在09：00—17：00，本文假定两国电动汽车自由充电负荷具有相近的规律。

图1为100万辆电动汽车自由充电时山东电网冬季典型日负荷曲线。从图中可以看出，电动汽车充电主要集中在09：00—23：00，恰好包含电网负荷峰值时刻，且有较大的充电功率，增大了电网峰谷差，从而对电网调峰带来一定的压力。电动汽车自由充电模式下，风电—电动汽车协同利用的模型中电动汽车充电功率Pet不是一个被决策的量，而是一个固定的时间序列，Pet=Ct；也不存在电动汽车向电网放电，即Pdt=0。

图1 100万辆电动汽车自由充电时山东电网冬季典型日负荷曲线

2.2 不含V2G的风电—电动汽车协同利用充电模式

不含V2G的风电—电动汽车协同利用充电模式下，协同利用的模型中电动汽车充电功率Pet是一个被决策的量，通过常规负荷功率、风电功率以及其他相关参数和约束决策出一个最有利于电网经济和风电接入的电动汽车充电功率曲线，在满足电网约束的条件下，最大限度地利用风电功率；同样，该模式下电动汽车只作为负荷从电网中充电，而不向电网放电，即Pdt=0。

图2 100万辆电动汽车协同利用充电时山东电网冬季典型日负荷曲线

图2为100万辆电动汽车与电网风电协同利用时电网冬季典型日负荷功率曲线。从图中可以看出，电动汽车协同利用充电主要集中在夜间负荷低谷充电，此时正是风电出力较大时刻，有助于电网消纳夜间富余风电，减少电网弃风。等效负荷的峰谷差率由34.01%变为32.42%，电动汽车充电不仅没有增加负荷峰谷差率，反而使得总负荷峰谷差率减小，提高了电网的调峰能力。

2.3 含有V2G的风电—电动汽车协同利用充放电模式

电动汽车电池在负荷谷值时刻从电网中充电，而在电网负荷峰值时向电网放电，这种电动汽车和电网之间双向的电能流动称为V2G。

V2G技术的应用，对于风电占比较大或者因其波动性并网困难的电网，电动汽车可以在风电出力大而电网低负荷时刻充电，在风电出力小而电网峰值负荷时刻放电，有助于提高电网对风电的接纳能力。

含有V2G的风电—电动汽车协同利用充电模式下，协同利用的模型中电动汽车充电功率Pet和Pdt均是被决策的量，通过常规负荷功率、风电功率以及其他相关参数和约束决策出最有利于电网经济和风电接入的电动汽车充电、放电功率曲线，在满足电网约束的条件下，最大限度的利用风电功率。在山东电网冬季典型日下，含有V2G的风电—电动汽车协同利用充电模式下电动汽车充放电功率曲线如图3所示。

从图3可以看出电动汽车放电时间规律，电动汽车充放电受负荷变化规律和风电出力因素的影响，电动汽车放电主要集中在负荷较低水平且风电出力较大时段，电动汽车放电集中在负荷较高水平且风电出力略小时段。电动汽车在07∶00—15∶00这段时间内无论是充电功率还是放电功率都比较小，这与消费者出行习惯有关，这段时间内有较多汽车行驶在路上，无法参与和电网之间的互动。通过电动汽车这种充电储能／放电供能的方式，使得电动汽车成为电网的主动负荷和可调度电源，从而为电网智能调度提供便利，为可再生能源并网提供了一种有效的方式。

图3 电动汽车充放电功率曲线

3 含有V2G的风电电动汽车协同利用对电网风电接纳能力的影响

以私家车、出租车和公交车3种车型的电动汽车BYD-F3DM、BYD-E6、BYD-K9为例分析含有V2G的协同利用对电网风电接入能力的影响，3种车型的电池参数和充放电特性如表1所示。

表1 三种车型的电池参数和充放电特性

图4 电动汽车及加权平均的充电功率曲线

根据国家统计局2009年三类车型数量的统计数据和Hadley和Tsvetkova［15］所提出的电动汽车充电参数的加权平均方法，得出电动汽车及加权平均的充电功率曲线，如图4所示。

3.1 不同充放电模式下电网风电接纳能力

以山东电网2011年冬季典型日负荷水平且风电装机容量为15 GW的情况下，分析100万辆电动汽车在不同充放电模式下电网的风电接纳能力。

图5 不同电动汽车充电模式下各机组出力情况

图5为不同电动汽车充电模式下各机组出力情况。从图中可以看出电动汽车自由充电模式增加了电网在最大负荷时刻的火电机组出力，从而增加了电网开机容量，在不考虑机组启停的情况下，火电机组最小出力相应增加，导致负荷低谷时刻电网弃风。

不含V2G的风电—电动汽车协同利用充电模式下，电动汽车充电集中在负荷低谷时刻，利用电动汽车充电消纳此时出力较大的风电。但是，由于电动汽车不存在于电网的互动，即不能向电网放电，使得电网火电开机容量不变，在调节系数一定的情况下火电最小出力不变，导致负荷低谷时刻仍有一定的弃风。

含有V2G的风电—电动汽车协同利用充电模式下，由于电动汽车电池作为一种分散式储能设备被电网调度，在负荷峰值时刻可以向电网放电，从而减小了火电机组出力和最小出力，增加了风电利用，并且电动汽车在负荷低谷时刻充电，通过这种充电/放电双向作用，使得风电利用率和风电电量占比达到最大。山东电网2011年冬季典型日负荷水平且风电装机容量为15 GW的情况下，100万辆电动汽车在含有V2G的风电—电动汽车协同利用充电模式下可以实现电网零弃风。

3.2 不同风电装机容量下的电网风电接纳能力

在风电无须为其一次能源付费的前提下，相同负荷水平和电动汽车数量的电网中增加风电装机容量，必然使得一部分火电机组被代替而退出运行。以冬季为例分析不同风电装机容量下的风电接入能力，通过模型计算，风电利用率和风电电量占比随风电装机容量的变化趋势如图6所示。

从图6可以看出，由于电网调峰能力的有限性，3种充电模式下，风电利用率均随着风电装机容量的增大而减小。自由充电模式下，在风电装机容量为30 GW时减小到62.4%，且在风电装机容量为10 GW时电网已经有3.34%的弃风；不含V2G的风电—电动汽车协同利用模式下，电网在风电装机容量为10 GW时能够完全消纳并网风电，在风电装机容量为15 GW时开始弃风，且弃风量为1.26%；含有V2G的风电—电动汽车协同利用模式下，在风电装机容量为15 GW时能够完全消纳并网风电，且在风电装机容量为30 GW时保持88%以上的风电利用率。

虽然风电利用率随着风电装机容量的增加而减小，但是风电出力是增加的，且风电出力增加的比例大于风电利用率减小的比例，故风电电量占比随着风电装机容量的增加呈增长趋势。

图6 风电利用率和风电电量占比随风电装机容量的变化趋势

在风电装机容量小于10 GW时，电网为零弃风状态，没有富余的风电可通过充电模式改变被接入电网，含有V2G的风电—电动汽车协同利用模式与不含V2G的风电—电动汽车协同利用模式下风电利用率和风电电量占比基本相同，说明含有V2G的风电—电动汽车协同利用模式在风电规模化并网时提高风电并网能力的技术上的可行性和有效性。

3.3 电动汽车数量对电网风电接纳能力的影响

电动汽车数量改变，相当于改变负荷水平或者储能装置容量，即可供电网调度的主动负荷和储能电源容量的改变。同时，电动汽车数量不同时，电动汽车作为交通工具的用电功率Put和电动汽车电池容量上下限Qmax、Qmin均同比例变化，本节通过模型计算得出不同数量电动汽车下的电网风电接入能力，如表2所示。

从表2可以看出，随着电动汽车数量的增加，电动汽车自由充电模式对电网的不利影响更加突出。电动汽车数量增加，相当于负荷增加，但风电利用率仍然在减小。如果仅仅靠增加电动汽车数量来提高电网风电接入能力是不可行的，不仅不能提高风电利用率，反而增大电网调峰压力，降低了电网风电接纳能力。同时，风电利用率减小和负荷功率增大均降低了电网风电电量占比。

表2 不同数量电动汽车充放电时的电网风电接入能力

不含V2G的协同利用模式下，风电利用率和风电电量占比随着电动汽车数量的增加而增大，显示出协同利用在实现电动汽车规模化并网方面的一定的有效性，但仍然不能实现电网零弃风。

含有V2G的协同利用模式下，风电利用率和风电电量占比随着电动汽车数量的增加而增大，由于其不仅能够在负荷低谷时段充电增加电网最低负荷，也可以在电网峰值负荷时段对电网放电，减小电网等效负荷最大值，从而双向的减小了电网峰谷差，增加电网调峰能力，提高风电利用率和风电电量占比，且在电动汽车数量为70万辆时已经能够实现电网完全接纳15 GW装机容量的风电。但是，在风电利用率已经达到100%时，继续增加电动汽车数量，由于并网风电并网电量不再增加，而负荷总量在增加，故风电电量占比开始减小。

增加相同电动汽车数量时，不同的充电模式对应不同的风电接入能力变化趋势，图7为电动汽车3种充电模式下增加单位数量（10万辆）风电利用率和风电电量占比变化趋势。

图7 增加单位电动汽车数量电网风电接纳能力变化趋势

从图7可以看出，自由充电模式下，风电利用率和风电电量占比均随着电动汽车数量增加呈直线下降趋势。不含V2G的风电—电动汽车协同利用模式下，风电利用率和风电电量占比随着电动汽车数量增加呈线性增大。

含V2G的风电—电动汽车协同利用模式下，风电利用率和风电电量占比随着电动汽车数量增加而增大，但增长率一直在减小，即增加单位数量的电动汽车对电网风电接纳能力的提高量呈减少趋势。风电利用率在电动汽车数量为70万辆时出现饱和，此时也出现风电电量占比最大值，风电电量占比在风电利用率出现饱和之后，出现下降趋势，由于电网已经无弃风，增加单位数量的电动汽车不再增加风电接入量，但此时却增加了由于电动汽车充电额外的负荷，只能靠增加火电机组出力来满足发电负荷平衡，故增加电动汽车数量反而减小了风电电量占比。说明在负荷水平和风电出力已知的电网电动汽车有一个最优配置数量，在本文所研究的电网中此数量为70万辆。

4 结语

本文建立了风电电动汽车协同利用的模型，考虑电动汽车充放电功率约束，并根据不同的充放电功率约束分为三种充电模式：自由充电、不含V2G的协同利用和含有V2G的协同利用。

电网风电接纳能力与电动汽车充电模式、电动汽车数量和风电装机容量均有一定的关系。三种充电模式中，和电网存在双向互动的含有V2G的协同利用充电模式能最大程度的提高风电并网能力。风电电动汽车协同利用的效果随着电动汽车数量和风电装机容量的增加而提高，显示了协同利用在实现电动汽车和风电规模化并网方面的有效性，且电动汽车数量和风电装机容量之间存在着最优匹配。研究结果为电动汽车充电网络的规划设计和智能调度提供了依据。

［1］迟永宁，刘燕华，王伟胜，等．风电接入对电力系统的影响［J］．电网技术，2007，31（3）：81-85．

［2］孙元章，吴俊，李国杰．风力发电对电力系统的影响［J］．电网技术，2007，31（20）：55-62．

［3］刘韬文，李孝杰．考虑风力发电的电力系统经济调度［J］．继电器，2007，35（增刊）：273-276.

［4］陈海焱，陈金富，段献忠．含风电场的电力系统经济调度的模糊建模及优化算法［J］．电力系统自动化，2006，30（2）：22-26．

［5］Dayang Yu，Jun Liang，Xueshan Han，etal.Profiling the regional wind power fluctuation in China［J］.Energy Policy，2011，39（1）：299-306.

［6］Dayang Yu，Han XS，zhao JG.A method to assess the regional wind power fluctuation based on the meteorological observing system［J］.International Journal of Green Energy，2010，7（5）：516-529.

［7］于大洋，韩学山，梁军，等.基于NASA地球观测数据库的区域风电功率波动特性分析［J］.电力系统自动化，2011，35（5）：77-81.

［8］赵俊华，文福拴，杨爱民，等.电动汽车对电力系统的影响及其调度与控制问题［J］.电力系统自动化，2011，35（14）：2-10.

［9］赵俊华，文福拴，薛禹胜，等.计及电动汽车和风电出力不确定性的随机经济调度［J］.电力系统自动化，2010，34（20）：22-29.

［10］于大洋，宋曙光，张波，等.区域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）：24-28.

［11］茆美琴，孙树娟，苏建徽.包含电动汽车的风/光/储微电网经济性分析［J］.电力系统自动化，2011，35（14）：30-34.

［12］New York Independent System Operator.Alternate Route：Electrifying the Transportation Sector，Potential Impacts of Plug-In Hybrid Electric Vehicles on New York State’s Electricity System［J］.［S.N］，2009.

［13］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）：1-6.

［14］于大洋，黄海丽，雷鸣，等.电动汽车充电与风电协同调度的碳减排效益分析［J］.电力系统自动化，2012，36（10）：14-18.

［15］Hadley S，Tsvetkova A.Potential Impacts of Plug-in Hybrid Electric Vehicles on Regional Power Generation［R／OL］.Oakridge National Laboratory Report，ORNL/TM-2007/150.http：//www.osti. gov/bridge.，2008.

Impact by Synergistic Dispatching of the PEV and Wind Power on the Wind Power Integration in Power Grid

The synergistic dispatch model including charging，discharging，and power consumption constraints of the PEVs with V2G and wind power is established in this paper.According to different decision variables，charging mode is divided into charging freely，synergistic dispatch without V2G and synergistic dispatch with V2G.Taking the utilization and proportion of wind power as measures to analyze the wind power integration into grid with different charging modes，the number of PEVs，wind power installed capacities.Synergistic dispatch with V2G can improve wind power integration in Power Grid to the maximum limit，which shows outstanding advantage with installed capacity increasing.Synergistic dispatch with V2G is an effective means to realize the integration of large-scale wind power and PEV，and a best match of the number of PEVs exists in power grid with certain power load and wind power installed capacity.

PEV；wind power；V2G；synergistic dispatch

TM73

：A

：1007－9904（2014）03－0001－07

2014-03-24

黄海丽（1985—），女，助理工程师，研究方向为电网运行管理与调度；

周扬（1985—），男，助理工程师，研究方向为新能源并网管理。