考虑EV和需求侧响应的社区微网能量管理

陆燕娟，陈友芹，潘庭龙

（江南大学物联网工程学院，江苏 无锡214000）

独立型社区微网具有高度自治、因地制宜等特点，多采用光伏、风电等清洁能源，不仅有效缓解化石能源短缺以及环境问题，而且可作为分散城市电力需求的一条有效途径。目前国内外学者对微网单目标优化调度研究较多，文献[1-2]采用“需求侧响应管理”的方法对微网能量进行经济调度。文献[3]建立了计及分类负荷需求响应模型，以经济性为主要目标运行优化微网源荷及储能间的协调关系。文献[4-5]对求解所建立的微网经济调度模型的单目标智能算法进行了改进。微网多目标优化调度问题也得到越来越多的研究，例如一些文献将环保等其他因素考虑在内。文献[6]研究了以最小化切负荷量和运行成本为目标的微网经济调度问题，并采用多目标遗传算法求解。现有文献在微网能量调度方面的目标函数比较单一，在生产实际运用中具有一定局限性。

近年来，对于考虑电动汽车的微网能量管理研究得到了广泛的关注，利用其特有的“源-储”特点参与微网的调度运行，文献[7-9]根据用户的出行习惯利用蒙特卡洛模拟法预测分析不同时段、季节下电动汽车的充电负荷，分析了电动汽车负荷对微网能量调度影响。文献[10]在计及电动汽车充电的前提下，构建了基于需求侧响应的微网多目标优化模型。以上文献对微网能量管理以及考虑电动汽车充放电问题展开研究，但是针对计及电动汽车充放电和居民负荷需求侧响应的独立型社区微网的研究很少，没有大电网的支撑需充分考虑社区微网供能与负荷之间的协调关系，且清洁能源发电具有间歇性，因此建设合理的能量管理系统对提高社区微网运行的稳定性、经济性以及环保性具有重要意义。

根据以上分析，本文以典型社区搭建的独立微网为背景，在分时电价机制的引导下，考虑电动汽车有序充放电、需求侧响应等因素，以最小化微网运行成本、污染气体排放量和负荷波动，构建多目标能量优化管理模型，采用带精英策略的非支配排序遗传算法(non-dominant sorting genetic algorithm，NSGA-Ⅱ)对模型进行求解。

1 独立型社区微网系统

图1 社区微网系统Fig.1 Community micro-grid system

社区微网系统由光伏电池、微型燃气轮机、储能系统(battery energy system，BES)、电动汽车和居民日常负荷组成，如图1所示。由于光伏电池发电具有间隙性，将微型燃气轮机、储能系统和电动汽车作为辅助供电电源，保证独立微网电能的可靠输出。系统内光伏电池、微型燃气轮机以及储能系参考文献[11]所示数学模型。

1.1 电动汽车模型

电动汽车在环境保护和减少能源消耗方面起着非常重要的作用，根据居民的出行习惯，本文选用容量为24 kW·h 的动力电池，可行驶总里程约200 km，为防止过度充放电，设定荷电状态的上限为0.95，下限为0.2，且最大充放电功率为3 kW。

根据美国交通部对家用车辆的调查结果，家用车辆每日行驶里程数近似符合对数正态分布[12]，其概率密度函数为

式中，μ=3.2，δ=0.88。

1.1.1 无序充电模型

在社区微网应用背景下，居民不受任何机制的引导和激励，根据自身对电动汽车的使用习惯进行无序充电，车主出行返程时刻即电动汽车初始充电时刻，其满足正态分布

式中，μs=17.6，δs=3.4。采用蒙特卡洛模拟法对社区内100辆电动汽车无序充电功率需求进行预测，如图2所示。

图2 电动汽车无序功率需求Fig.2 Disordered power demand of electric vehicles

由图2可知，电动汽车无序充电情况下，白天居民充电需求低迷，其充电习惯集中在17∶00—22∶00，也为日常负荷的峰时段，此时电动汽车充电功率需求导致“峰上加峰”，增加了社区微网安全稳定运行的压力。

1.1.2 有序充电模型

为减轻社区微网峰时负荷压力，平抑负荷波动，引入峰谷分时电价机制引导车主实行有序充放电，将充电负荷进行合理转移。峰时段起始时刻和结束时刻分别为tp1和tp2，第i 辆EV 的返程时刻为tback(i)，当tback(i)＜tp1,tback(i)≥tp时，电动汽车可选择充电起始时刻tchar(i)，且当tback(i)＜tp1时，充电时长tc(i)＜tp1-tback(i)；当tp1≤tback(i)＜tp2，电动汽车可选择放电起始时刻tdischar(i)，放电时长td(i)＜tp2-tp1。

电动汽车参与微网能量管理时首先需要满足居民的出行需求，其次放电时不能低于其荷电状态下限，取两者中的较小值为最大放电量

式中，Cev为动力电池的容量；Sev为荷电状态；s(i)为电动汽车i 的日里程数；γ 和λ 分别为动力电池每千米的耗电量及其最大放电深度。

1.2 居民负荷

居民负荷根据重要程度分为不同的优先级，一级负荷为基础电力设施，需保持稳定供电，二级负荷为可以灵活安排使用时间的电器设备，三级负荷为供电不足时可切断的负荷，其模型为

式中，PL、P1st、P2nd、P3rd分别居民负荷总功率、一级负荷、二级负荷和三级负荷。

2 能量管理策略

图3 社区微网分级能量管理策略Fig.3 Community micro-grid management strategy

本文建立的分级能量管理策略如图3所示，每级有着不同的优化目标。负荷级对象为电动汽车和居民负荷，降低微网原始负荷峰谷差；源荷级对象为光伏电池、微型燃气轮机及储能，考虑需求侧响应，通过电价机制制定能量生产调度计划引导居民调整可控负荷，进一步优化社区微网负荷曲线，最小化微网运行成本、污染物排放量以及清洁能源浪费率，实现独立微网经济可靠运行。

其调度过程如下。

（1）通过电价机制引导电动汽车有序充放电，优化原始负荷曲线。

（2）比较光伏电池平抑后微网剩余净负荷与储能的功率关系，若储能供能充足则微型燃气轮机不工作；反之其开启。

（3）如微网剩余净负荷需求大于燃气轮机与储能的联合供给，则进行切负荷操作。

（4）如负荷非常小，开启储能充电模式，根据情况切部分光伏电池。

3 微网多目标优化模型及求解算法

3.1 子目标函数

3.1.1 微网运行成本最小

将一天时间步长取1 h，将光伏电池、微型燃气轮机、储能、居民负荷和电动汽车组成的社区微网运行成本最小作为优化目标，即

式中，Com为各微源发电运维成本；λi、Pi,t分别为第i 种发电单元的维护系数和t 时段的出力；Cfuel为微型燃气轮机的燃料成本；ηMT为MT 的运行效率；CMT、LHV 分别为燃气的单价和热值，LHV 取9.7 kW·h/m3；Closs为供能不足微网的补贴和污染气体处理成本；βi为污染气体处理成本系数；ε 为补贴系数；CEV,cost为电动汽车放电对车主补贴；CEV为统一补贴电价。

3.1.2 能源浪费率最低

本文研究对象为独立型微网，需保证供电稳定性，且结合电动汽车有序充放电最大化可再生能源利用率，使能源浪费率降到最低，即最小化供电量与负荷需求的差值。

式中，ΔPt=PPV,t+PMT,t+|Pbat,t|+|PEV,t|-PL,t，ΔPt≥0，Pbat,t≤0，PEV,t≤0，PL,t为t时刻负荷需求。

3.1.3 污染气体排放量最小

提高微网系统环境效益是国家绿色电力的发展要求，微网燃气轮机会排放一定的污染气体，因此将环保指标纳入微网能量管理

式中，K 为污染气体种类数量；αi为微型燃气轮机污染气体排放系数。

3.2 约束条件

为了社区微网的安全稳定运行，以下约束条件需要满足

（1）微网有功功率平衡约束，社区微网运行时应保持每个发电单元的发电功率与负荷需求的平衡

（2）蓄电池荷电状态约束，过度充放电将会对蓄电池的寿命产生严重影响，考虑其储能性质设定荷电状态约束，通常SSOC,min取0.2，SSOC,max取0.9

（3）电动汽车充放电约束，保证每辆电动汽车不同时进行充放电，本文中电动汽车电池容量为24 kW·h，里程200 km，充放电功率上下限为3 kW，为延长电池使用寿命，设定荷电状态gi(x)上限为0.95，下限为0.2

（4）微型燃气最大出力约束

3.3 求解方法

本文采用蒙特卡洛模拟算法求解负荷级电动汽车有序充放电模型；采用带精英策略的非支配遗传算法求解源荷级多目标优化调度模型，该算法在处理复杂计算问题时具有较好的收敛性和鲁棒性，最终得到帕累托(Parteo)前沿，即非劣解集合。其求解流程如图4所示。

图4 NSGA-Ⅱ求解流程Fig.4 NSGA-Ⅱalgorithm flow chart

（1）①输入种群规模N、迭代次数gen、交叉变异概率、光伏电池预测功率、电动汽车有序充放电优化后的社区负荷等参数；②取储能充放电功率Pbat,t和微型燃气轮机功率PMT,t为决策变量并对其进行编码，其中Pbat,t取值控制在区间[-50,100]，PMT,t取值控制在[0,450]之间；③根据按需求侧响应制定能量管理策略生成初始化种群P0。

（2）根据式(5)～式(11)计算种群中个体i 的三个目标函数值即函数适应度值。

（3）①由函数适应度值的支配关系确定种群个体的支配等级ri，将拥挤度值初始化，按升序排列种群中个体的三个函数适应度值，根据式(16)计算个体间的拥挤度距离Γi，其中fmax和fmin为个体排序后所在支配层的最值

②对种群个体进行非支配排序，如果ri≥rj且Γi＞Γj，则个体i位置排在个体j前面。

（4）进行遗传操作，选取原种群P0中前N个个体作为新的种群P，根据锦标赛准则进行选择操作、根据基本位和单点交叉算子对个体进行交叉变异操作，生成子代种群。

（5）利用精英保留策略，将父代种群与子代种群合并，重复步骤(3)选择出N个最优个体形成产生新的种群。

（6）判断是否已达到迭代次数200，否则重复步骤(3)。

（7）得到Pareo前沿，采用模糊隶属度函数选择合适的最优折中解，即根据式(17)求出各个帕累托解xk第i个子目标函数的隶属度向量

式中，M和N分别是帕累托解的个数和目标函数的个数。

4 算例分析

4.1 基础参数

本文的算例分析暂未考虑光伏电池及负荷的不确定性对微网能量管理带来的影响，以某华东地区典型社区搭建的独立微网系统为例，优化周期为24 h，如图5为秋季典型日太阳辐照强度数据，各微源相关费用、污染气体相关参数[11]见表1、表2。系统内含有容量为200 kW·h 的钠硫蓄电池组，初始荷电状态为0.5，考虑负荷级100 辆电动汽车根据电价引导机制有序充放电，优化原始负荷曲线。

图5 典型日光辐照强度数据Fig.5 Hourly solar radiation in typical day

表1 社区微网微源基本参数Table 1 parameters of micro source

表2 污染排放系数和治理成本Table 2 Pollution emission factors and treatment costs

4.2 仿真结果与分析

4.2.1 负荷级电动汽车优化

采用分时电价机制引导社区内100辆电动汽车有序充放电，利用蒙特卡洛算法进行模拟，得到图6所示电动汽车无序充电和有序充放电情况下对微网原始负荷的影响。

图6 电动汽车无序/有序充放电微网负荷曲线Fig.6 Load curve of micro-net

由图6可知，电动汽车无序充电使得原始负荷“峰上加峰”，使得微网在用电高峰期时供电压力增加，从而影响系统的稳定运行。而有序充放电模式下，电动汽车在社区用电早高峰开始已充完电离开，在电价谷时充电，车主可节省充电费用，在8∶00—16∶00 时间段电动汽车不进行充放电活动，在17∶00—24∶00 原始负荷高峰期参与放电，同时车主可获得相应的放电补贴，合理转移负荷。不同电动汽车模式对原始负荷的影响见表3，电动汽车有序充放电模式下峰谷差及峰谷差率明显降低，且负荷率有所上升，优化了原始负荷曲线，有利于微网的稳定。

表3 不同电动汽车模式对原始负荷的影响Table 3 Impact of different EV modes on original load

4.2.2 源荷级优化结果

源荷级将负荷级优化后的负荷结果、光伏电池预测功率、微型燃气轮机以及储能相关参数代入多目标优化调度模型，根据按需求侧响应制定的电力生产调度计划，并采用NSGA-Ⅱ求解得到如图7所示社区微网能量优化调度结果。

图7 帕累托前沿Fig.7 Pareto frontier

通过算法求解出的3个目标函数的帕累托前沿可以发现运行成本、污染气体排放量与能源浪费率三者是相互制约的，因此根据式(18)选取贴合度最高的Pareto解作为最优折中解，经计算最优折中解为：运行成本360.6 元，污染气体排放量3.7 kg，能源浪费率29.8%。

图8 微网能量管理结果Fig.8 Micro-grid energy management results

由图8可知，独立型社区微网在9∶00—15∶00时间段主要依靠光伏电池供电，且储能电池进行充电消纳可再生能源，微型燃气轮机不工作；在17∶00—24∶00 时间段主要依靠微型燃气轮机进行供电，储能系统辅助供电；在10∶00—12∶00 和20∶00—24∶00 时间段通过需求侧响应，平抑负荷高峰期波动，进一步优化负荷曲线，提高微网供电的稳定性和能源的利用率。

在不考虑电动汽车有序充放电和需求侧响应的能量管理情况下，采用NSGA-Ⅱ算法对调度模型进行求解，同样采用隶属度函数决策法选择最优折中解，两种能量管理方式结果对比见表4。

表4 两种能量管理方式运行结果对比Table 4 Results of two energy management methods

由表4可以看出考虑电动汽车有序充放电和需求侧响应的能量管理方式在经济性和环保性能上均优于不考虑两者的能量管理方式，且前者能量管理方式负荷曲线波动更小，更有利于微网的安全稳定运行。

5 结 论

（1）所提出的社区微网能量管理策略在经济和环保方面有一定的改善，建立微网多目标优化调度模型，更加全面得考虑优化指标，使得模型更加符合实际情况，可为独立社区微网的能量管理模式提供一定的参考。

（2）负荷级采用蒙特卡洛算法模拟电动汽车有序/无序充放电，优化原始负荷曲线，有利于微网运行的稳定。

（3）源荷级采用NSGA-Ⅱ算法求解不同能量管理模式下最优折中解，经对比分析结果得出考虑电动汽车有序充放电和需求侧响应的能量管理方式在经济性、稳定性和环保性方面更好。