电动汽车与风电协同入网的双层优化策略

黄景光,郑钦杰,林湘宁,黄静梅,李江峡,张宇鹏

（1.三峡大学 电气与新能源学院，湖北 宜昌443002；2.华中科技大学 电气与电子工程学院，湖北 武汉430074）

0 引言

电动汽车（EV）接入电网将产生负荷增长[1]，若充电时缺乏有效的协调和管理会极大影响电网安全运行[2]。风电出力的波动性与反调峰特性，容易使电网负荷在低谷时段产生严重的弃风现象，不利于风电的消纳[3]。将电动汽车与风电协同优化调度，充分发挥电动汽车作为分布式储能设备灵活可调的特点，可以有效降低两者入网时对电网产生的负面影响[4]。

国内外对电动汽车和风电协同并网已有相关研究。文献[5]建立了电动汽车与风电协同并网的多目标优化模型，通过对电动汽车的优化调度，适应负荷与风电的波动，最大程度地实现风电消纳，同时减小系统净负荷峰谷差，促进火电机组的经济运行。文献[6]利用运营商调度电动汽车为风电场提供备用服务，以风电场运行经济效益最大为目标，建立了电动汽车-风储混合系统联合运行的日内优化模型。文献[7]建立了以可再生能源利用率最大、微电网负荷波动最小以及电动汽车用户收益最大的多目标优化模型，并利用加权系数转换为单目标进行求解。文献[8]针对分布式风电出力的不确定性，对配电网中的风电和电动汽车充电桩进行联合优化配置，提出考虑购电成本、网损成本、投资成本以及弃风成本的鲁棒规划模型。文献[9]建立了计及需求侧响应的电动汽车与风电协同优化调度的多目标优化模型，以价格机制引导电动汽车用户的有序充电，并结合发电侧资源，促进风电的消纳。

以上文献对于风电出力日前预测误差与电动汽车的不确定性考虑不够全面。本文提出了一种充电站电动汽车与风电协同入网的双层优化策略。首先，在上层日前优化调度中，配电网调度中心综合考虑电网、充电站运营商、风电场三者的利益需求，以总负荷方差和电动汽车充电成本最低为目标，在Matlab环境下调用Yalmip进行求解，得到负荷指导曲线；然后，在下层日内滚动优化过程中，考虑到日前预测误差以及电动汽车接入充电桩的实时数据，以负荷跟随的方式，实现电动汽车和风电实际等效负荷与负荷指导曲线偏差最小；最后，通过仿真算例验证文章所提策略的有效性。

1 优化调度模型框架

如图1所示，优化调度模型结构主要由调度中心、充电站运营商、电动汽车用户和风电场4个部分组成，通过完善的数据交流平台和能量传输通道，实现信息交互和电量传输。

图1 优化调度模型框架Fig.1 Framework of optimal scheduling model

配电网调度中心为信息的收集者和计划的决策者。上层模型中，调度中心以今、明两日12：00为一个调度周期，30 min为时间间隔，对风电出力进行日前预测，并收集电网的典型日负荷数据和运营商上传的EV历史数据，制定EV日前充放电计划，并下发至运营商处。下层模型中，调度中心在每个时段（30 min）末对下一个时段的风电出力进行短期预测，将日前预测误差传输到运营商处，为运营商实现负荷实时跟随提供数据。

充电站运营商为计划的执行者，根据调度中心下发的EV日前充放电计划和风电预测误差计算得到各时段充放电车辆数。同时更新已接入的EV信息，计算EV参数，进行队列划分和充放电优先级排序，以负荷实时跟随的方式，筛选出各时段的充放电车辆，并以充放电指令控制站内智能充电桩的电能传输。

2 调度中心制定EV和风电联合负荷指导曲线

负荷波动会影响电网的安全稳定和经济效益。缩小负荷峰谷差可以促进均衡用电，提高电网负荷率，最大限度地达到电力供需平衡，实现电网经济运行[10]。运营商以经济效益为目的参与执行充放电计划，为提高充电站运营商参与EV充放电计划的积极性，调度中心选择部分EV组成放电样本，对该部分车辆进行充放电调度，而剩余车辆则只进行充电调度，以此减小运营商的购电成本。因此，风电与EV联合入网时，调度中心将电网负荷波动和充电站运营商的购电成本最小为目标函数。

式中：PLt为各时段基础负荷；Pwt为风电日前预测功率；T为总时段数；N为EV数量；uct，i为充电决策变量，当EV处于充电状态时取1，否则取0；udt，i为放电决策变量，当EV处于放电状态时取1，否则取0；PEV为电池的充放电功率；PLaν为EV与风电入网后的日平均负荷。

（2）充电站运营商的购电成本最小

设第i辆EV t时刻电池电量为Qi，t，则电量连续性约束为

若电池容量为B，则EV断开充电桩时，电池电量应满足用户期望，即：

3 充电站运营商实时负荷跟随

考虑到风电预测误差造成的风电出力波动以及EV用户返程、出行时间和电池剩余电量的不确定性，本文以日内负荷实时跟随的方式，实现EV与风电联合实际等效负荷曲线与指导负荷曲线偏差最小，以此求得实际各时段的充放电计划，其表达式为

3.1 日前充放电计划参数和日内EV参数

运营商根据调度中心下发的EV日前充放电计划功率曲线和风电出力日前预测误差，便可获得计划参数，即：

式中：Tin，Tout分别为EV接入和断开充电桩的时间；Number为EV接入充电桩的编号；λ为EV综合评价系数。

λ的影响因素包括返程时间Tin、历史放电时段数Tdall和反向供电违约次数K。

由于3种影响因素的量纲不同，无法直接计算，因此，对各因素指标进行无量纲处理[11]，其表达式为

以上4个参数为静态参数，在一个控制周期内不发生改变。Td，SOC，Te和δ为动态参数，随着EV参与充放电计划而发生改变，参数含义与更新公式如下。

①荷电状态（State of Charge，SOC）为电池剩余电量与电池容量的比值，随着EV参与充放电计划而改变，其表达式为

式中：SOCe，i为EV出行时用户期望的电池荷电状态；Tc，i为满足用户期望的最小充电时段数。

④δ为放电影响因子。若EV参与放电，则会导致期望充电时刻的前移，若EV的期望充电时刻小于充电调控的初始时刻，则可能造成充电计划的偏差。因此，通过δ来判断EV放电造成充电计划偏差的大小，即：

3.2 有序充放电控制流程

充电站内EV根据剩余电量、返程和出行时间可以分为3类：①当EV接入充电桩的时间无法满足用户期望电量要求时，则立即安排EV进行充电；②考虑到用户因突发事件需要出行的可能，则EV电量应高于临界电量，以满足用户的临时出行需求。故当EV返程时剩余电量低于临界电量时，则优先将车辆充电至临界电量，然后再进行剩余需求电量的充电优化；③当用户返程时剩余电量满足临界电量要求，且接入充电桩的时间在满足自身充电需求时仍有剩余，则该车辆为充放电可调控车辆。因此，根据已接入的EV参数ΩEV可以划分为紧急充电队列、充放电可调控队列以及充电完成队列。若EV接入充电桩的时间无法满足用户期望电量，或者EV剩余电量小于临界电量，则将车辆划分到紧急充电队列，在下一时段开始时刻立即充电。若EV电量已满足用户期望，且当前时段位于充电计划调控时段，则将车辆划分至充电完成队列。若EV未满足以上两个筛选条件，则将该EV归入充放电可调控队列。在实际充放电车辆筛选过程中，放电车辆优先选择Tdi＞0，且δi＞0中λ较大者；只有δi＞0车辆未满足放电需求时，才从δi≤0的车辆中选择λ较大者满足放电需求；而充电车辆则优先选择Tei较小者，若Tei相等，则优先选择λ较大者满足充电需求。运营商对EV的有序充放电控制流程如图2所示。

图2 有序充放电控制流程图Fig.2 Orderly charging and discharging control flowchart

4 仿真及结果分析

4.1 参数设置

以某一居民区为例，若小区充电站内有250辆EV，EV锂电池的电池容量为32 kW·h，额定充放电功率为7 kW，充放电效率η为0.9。默认用户离开时的期望SOCe为95%，放电临界SOCmin为20%。

根据2009年美国交通部对全美家庭用车出行规律的调查结果[12]，用户最后一次返程接入到充电桩的时刻、用户离家时刻均满足正态分布，接入时刻的期望为17.47，标准差为3.41，离家时刻的期望为8.92，标准差为3.24，EV的日行驶里程对数的期望为2.98，标准差为1.14。由于用户综合评价系数中历史充电时段数与违约次数缺乏实际数据，本文以用户为首次参与充放电管理为例。在实际运用中，即可通过真实的历史数据计算用户的综合评价系数中各项指标得分，并以合适时间为期限清空历史指标，保证新、老用户参与充放电管理的积极性。

充电站运营商向电网购电和售电电价与EV用户在充电站内的充放电电价如表1所示。

表1 分时电价Table 1 Time-of-use electricity price

日内实际风电功率通过对日前预测值设定10%以内的随机偏差模拟得到。为简化计算，假设日内短期预测的风电出力与实际出力的误差可以忽略不计。风电出力日前预测曲线与实际曲线如图3所示。

图3 风电实际功率与日前预测功率Fig.3 Wind power actual power and day ahead forecast power

4.2 仿真结果

为验证所提EV有序充放电策略的有效性，采用蒙特卡洛模拟住宅区内250辆EV的充电行为获得2组EV数据，其中，第1组作为EV历史数据，第2组作为EV的实际数据，设定放电样本容量为50辆。通过仿真计算，比较一个调度周期内EV无序充电和有序充放电情况下与风电协同入网时，电网总体负荷峰谷差以及运营商经济效益等。

（1）EV无序充电情况下与风电协同入网

无序充电情况下，当EV最后一次返程接入充电桩后立即开始充电，直至满足用户的期望电量为止，如图4所示。EV无序充电负荷将导致负荷峰值进一步增大，而风电出力的波动性与反调峰特性，则会导致负荷谷值减小，当两者协同入网时，使电网负荷峰谷差进一步增大，对电网运行的安全性与经济性造成严重影响。

图4 EV无序和风电单独入网与协同入网总负荷Fig.4 Total load of EV disorder and wind power entering the network separately and cooperatively

（2）EV有序充放电情况下与风电协同入网

EV有序充放电情况下与风电协同入网如图5所示。为适应风电因预测误差造成的实际出力波动，EV通过调整实际的充放电功率进行补偿。调度中心根据典型日负荷曲线、EV的历史数据以及风电出力日前预测曲线，以负荷方差最小为优化目标，得到EV和风电的联合负荷指导曲线，如图6所示。

图5 EV计划负荷与实际负荷Fig.5 Planned load and actual load of electric vehicle

图6 负荷跟随示意图Fig.6 Load following diagram

由图5，6可以看出，EV和风电实际等效负荷与负荷指导曲线基本吻合，但由于EV充电需求的满足导致末尾时段出现较小的偏差，基本实现了负荷的实时跟随，减小了风电日前预测误差造成实际出力波动的影响。

EV有序放电情况下与风电协同入网时总负荷如图7所示。相较于EV无序情况下与风电协同入网，极大的缩小了负荷峰谷差，使负荷曲线更加平滑，提高了电网运行的经济性与安全性。

图7 EV有序和无序放电情况下和风电协同入网总负荷Fig.7 Total load of electric vehicle and wind power coordinated access under orderly and disordered conditions

（3）峰谷差和经济效益分析

表2分别列出了上述两种场景下电网总负荷峰谷差和运营商的经济效益。

表2 仿真数据Table 2 Simulation data

由表2可知，EV和风电有序协同入网时电网总负荷峰谷差仅为无序协同入网时的44.4%，有效减轻了电网用电高峰期的负荷压力，提高电网的日负荷率，促进均衡用电。运营商在有序充电情况下的收益为无序充电时的两倍多，EV用户的总充电成本也减小了400元左右，实现了充电站运营商与EV用户之间的互利共赢。

5 结论

本文提出了EV与风电协同入网的双层优化模型。其中：上层调度模型兼顾电网与充电站运营商的利益，以负荷方差和运营商购电成本最低为目标，得到EV与风电联合负荷指导曲线；下层模型以EV与风电实际等效负荷与负荷指导曲线偏差最小为目标，进行实时负荷跟随。通过仿真分析，得出以下结论。

①风电与EV协同入网可以有效减小电网的负荷波动，实现削峰填谷的目标，促进电网安全、稳定、经济地运行。②将充电站内EV与风电协同调度以等效负荷形式接入电网，可以充分发挥EV作为分布式储能设备灵活可调的特点，减小风电出力预测误差的影响，促进风电消纳。因此，风电场可以给予充电站运营商一定的经济补偿，提高运营商参与协同调度的积极性。③调度中心给予一定的放电容量，能够大大减小运营商的购电成本，而运营商可以通过制定合理的电价吸引用户参与充放电管理，实现运营商与EV用户之间的互利共赢。

本文提出的充放电优化策略充分考虑电网、运营商和风电场三者的利益需求，通过EV与风电的协同入网，满足用户充电需求的同时促进风电的消纳。但运营商安排EV进行实时负荷跟随的准确性与参与充放电管理的EV负荷总体水平有关，当EV实际负荷水平与历史水平相差较大时，容易造成末尾时段的负荷偏差。因此，在后续研究中，将考虑如何减轻EV负荷总体水平偏差较大时的影响。