泛在电力物联网中考虑风电消纳的 电动汽车充放电控制策略研究

陈小波，杨秀媛

（北京信息科技大学自动化学院，北京市 海淀区 100192）

0 引言

随着新能源并网技术的发展，大规模的风力发电已成为当前新能源利用的主要形式[1]。但由于风电的波动性与随机性，现阶段大规模风电并网给电力系统带来很大的波动影响[2-4]，电网接纳风电的能力受电网自身因素与风能特殊性的限制，使很多风电场大部分时间都不得不关停大部分甚至全部风机，造成了很大的能源浪费。

目前有学者提出了采用风水互补来平抑风力发电带来的影响[5-9]，应用水力发电出力来填补风力发电出力的变化与波动，使协同发电出力稳定保持在一定范围内，如在系统潮流方面，在保证系统潮流安全下控制水轮机组出力，使潮流稳定；或从风功率预测入手，通过提高风功率预测水平降低次日水力发电计划误差，提升风力发电与水力发电协同运行系统响应速度。尽管互补方式及其技术手段逐步成熟，但有时在发电侧解决风电对电网的冲击问题依旧遇到很大瓶颈[10-11]。

本文考虑从负荷侧入手，结合泛在电力物联网(ubiquitous power internet of things，UPIoT)对信息的快速传递与实时交互[12-13]的特点及优势，对电动汽车(electric vehicle，EV)充电负荷进行集中控制，在已有预测的风功率数据基础上，以电动汽车的充放电功率、电池容量及荷电状态为约束条件，以响应负荷曲线的等效负荷方差最小为目标，对不同数量电动汽车入网后的平抑效果进行算例分析与比较。

1 泛在电力物联网

泛在电力物联网是一项基于5G、IPv6和因特网相结合，实现能源转型、提升新能源使用效率、提高电网资产管理水平的新技术，它将发电、用电和用户三者联系起来实现智能电力网络。泛在物联网是能够实现人与人、人与物乃至物与物之间随时随地沟通的全新网络环境。泛在电力物联网是泛在物联网技术在电力系统行业上的具体应用，通过与泛在电力物联网相结合，配电网可以具有信息感知能力，使电网更经济、更高度自动化、智能化运行。将需求响应及时和实时应用于负荷错峰、降低网损和系统调频，对于解决可能出现的因大规模负荷同投同退或频繁投退导致的威胁电网安全稳定运行和新能源并网、提升新能源利用率等问题有很大帮助[14-15]，如图1所示。

图1 泛在电力物联网的信息交融模型 Fig. 1 Information blending model of UPIoT

2 考虑风电的电动汽车充放电调度模型

2.1 目标函数

电动汽车作为一种新型并且广泛的充电负荷，可有效地参与电网功率调节[16-18]。

本文将全天每1 h作为一个时段，共分为24个时段，以电动汽车充放电功率为变量，求系统负荷均方差最小为目标，建立目标函数：

式中：N为电动汽车的数量；PL(t)为t时段系统负荷功率； PEV,i(t)为电动汽车i在t时段内与所在区域电网的交换功率，由充电功率 Pi,ch(t)和放电功率 Pi,dis(t)决定； Pw(t)为t时段风功率；Pav为系统平均负荷功率。

2.2 约束条件

电动汽车参与电网调节的约束条件可分为电动汽车所允许的充放电功率、电动汽车的荷电状态(state of charge，SOC)以及电动汽车的剩余电量4类，按照文献[19]所提出的数学模型建立如下约束：

电动汽车的充放电功率需要满足自身所允许的最大充放电功率约束：

式中：Pch(t)为t时段电动汽车的充电功率；Pdis(t)为t时段电动汽车放电功率；Pch,max和Pdis,max分别为电动汽车的最大充电和放电功率。

在经过充放电后，电动汽车SOC的最终状态由式(6)确定：

式中：Sinit为充电前的初始荷电状态，它与电动汽车的电池容量Bc、日行驶里程d、每百千米耗电量ΔB有关；chη为充电效率；disη为放电效率；Tstart、Tend分别为充放电开始、结束时间。

为满足车主的使用需求，电动汽车SOC需要满足下述约束：

式中：SOCfinal,t为任一充放电时刻t下的SOC值，SOCmax和SOCmin均为保证电池寿命的约束，即要求在任意时段的荷电状态不能超出上限与下限范围，分别用于防止电池过度充电和过度放电；SOCfinal,min为充电结束时车主可接受的最低SOC值，通常由车主根据各自的实际使用情况明确该值，电动汽车充电完成后最终的SOC，即SOCfinal不得小于SOCfinal,min。

3 算例分析

粒子群优化算法(particle swarm optimization，PSO)的优势在于扩大了全局搜索能力，并且收敛速度快，稳定性好，复杂程度低。经过粒子群算法优化后控制策略可有效地实现电动汽车有序充放电，PSO算法适合高维、多峰的复杂函数求解。将PSO算法应用到电动车参与负荷平抑控制策略中，通过优化每一辆电动车每一时段与电网之间的交换功率，使目标函数最小。其具体流程为：

1）确定基本参数值，初始化粒子群中的粒子位置与速度。

2）根据约束条件式(4)、(5)修改各功率值。

3）计算目标函数适应度值(即目标函数值)，记录最好的粒子解及函数值。

4）更新粒子速度与位置。

5）按式(6)、(7)对SOC进行计算，按式(8)、(9)判断SOC是否满足约束条件，若不满足，则修改功率值，否则进行下一步。

6）重新计算粒子适应度值，记录最好的粒子解及函数值。

7）判断是否满足条件，若满足，则结束计算并输出最优结果，否则返回4）。

以一个含有风电、电动汽车及系统负荷的电力系统为例进行分析。本文所采用的系统负荷数据与风电出力数据引用了文献[20]所提供的数据。其中，风力发电的装机容量为1 000 kW，全天出力波动范围在800~964 kW，如图2所示。

图2 风电出力功率曲线 Fig. 2 Wind output power curve

通过对风电并网前后系统功率曲线进行分析可知，风电并网前的系统功率为6 653~10 630 kW，峰谷差为3 977 kW；并网后的系统功率为7 565~ 11 450 kW，峰谷差为3 885 kW。并网前后网上的系统功率峰谷差变化不大，但是明显提升了系统的整体功率，低谷功率提升了8.61%，高峰功率提升了5.5%，功率提升最高处出现在t=3 h，系统功率提升了13.8%。此外，系统的整体功率波动也明显增加，对系统整体安全稳定运行造成了影响，如图3所示。

图3 风电并网前后系统功率曲线 Fig. 3 System power curves before and after wind power grid connection

本文考察不同数量的电动汽车参与风电并网后的电网功率调节，目标是：不仅能够有效地消除风电对电力系统带来的功率波动影响，还可以降低系统功率波动并降低整体负荷，从而使系统的整体运行稳定性达到最优。

设置种群规模为100，迭代次数为1 000次，每辆电动汽车的最大充电功率为15 kW，最大放电功率为7 kW，初始SOC为0.2，车主满意度SOC为0.3，分别考察50、100、150、200、250及300辆电动汽车的调节情况。理论上认为，电动汽车数量越多，则对电网的整体平抑效果越好，但通过仿真验证得知并非如此。

不同数量电动汽车的适应度及其迭代曲线分别如表1和图4所示。可见，随着电动汽车数量的增加，适应度值在电动汽车数量达到250辆时为最优，即Fmin=12.014 GW，此时迭代曲线几乎无较大波动情况。但是当电动汽车达到300辆时，最佳适应度值反而出现上升，而且无法继续优化。这是由于在一个固定区域内，系统负荷及风电出力是一定的，特别是电力系统负荷的调节能力是有限的，同时电动汽车还有充电需求，因此不能无休止地增加负荷。此外，由于电动汽车受到车主的使用限制，因此电动汽车具有节制性和规律性的充放电要求，仅能作为负荷调节的辅助方式，不能随意充放电，而且电动汽车要以“充电为主、放电为辅”的原则来参与电网调节，否则就失去了电动汽车的实际使用意义，因而不能完全把电动汽车视作储能单元，这也造成了在一定区域内的电动汽车数量是具有一定上限要求的，否则数量过多反而会破坏电力系统运行的稳定性。

表1 不同数量电动汽车的适应度 Tab. 1 Adaptability with different numbers of EVs

图4 不同数量电动汽车的迭代曲线 Fig. 4 Iterative curves for different numbers of EVs

不同数量电动汽车入网后的电网功率及其曲线分别如表2和图5所示，可知，随着电动汽车数量的增加，在等效负荷方差逐步下降的同时，系统的总功率曲线波动在逐步减小。

表2 不同数量电动汽车入网后电网峰、谷功率及峰谷差 Tab. 2 Peak, valley power and peak-valley difference after different numbers of EVs connected to the grid

图5 不同数量电动汽车入网后的电网功率曲线 Fig. 5 Grid power curves after different numbers of EVs connected to the grid

不同数量电动汽车入网后电网功率波动的改善效果如表3所示。由表3可知，随着系统中入网调节的电动汽车数量增加，对电网功率的改善效果是显著增加的。

表3 不同数量电动汽车入网后电网功率波动的改善效果 Tab. 3 Improvement effect of grid power fluctuations after different numbers of EVs connected to the grid

当系统中入网调节的电动汽车数量达到300辆时，尽管负荷曲线有所改善，但是相比之下，与250辆电动汽车的改善效果不仅没有进一步提升，反而有变差的趋势。具体体现如下：在用电低谷时段改善效果不大，仅比250辆电动汽车入网调节时提升了0.06%，但用电高峰比250辆电动汽车入网参与调节时反而降低了1.12%，同时峰谷差也比250辆电动汽车入网参与调节时降低了5.37%。

不同数量辆电动汽车入网后的总充放电功率曲线如图6所示，通过分析可知，随着电动汽车数量的增加，充放电功率曲线的波动幅度也开始增加，这是由于随着电动汽车数量越多，为了尽可能地平抑功率波动，系统中参与调节的电动汽车整体充放电功率就会增加。尽管250辆车在

图6 不同数量辆电动汽车入网后的 总充放电功率曲线 Fig. 6 Total charge and discharge power curves after different numbers of EVs connected to the grid

4 结论

结合泛在电力物联网将电动汽车引入到电网运行调度中，可以起到平衡电网功率、提高风能利用率并增强电网系统整体消纳风电的作用。结果表明：

1）结合泛在电力物联网，可以保证电动汽车的充放电负荷需求与充放电信息进行交互，同时t=11 h时的放电功率较高，但充放电功率波动依旧是低于300辆车时，通过对比可知：250辆电动汽车的整体充放电标准差为681.2 kW；300辆电动汽车的整体充放电标准差为741.2 kW。

因此，250辆电动汽车的改善效果是比较好的，不仅有效地平抑了风功率对配电网带来的功率波动，还较好地起到削峰填谷的作用。

以上仿真结果验证了基于PSO算法的电动汽车充放电控制策略的适用性及有效性，也表明在一个固定的电力系统区域内，参与电网功率调节的电动汽车数量是具有一定要求的。 可将负荷侧的资源灵活性充分发挥出来并予以充分利用。

2）引入PSO算法，通过算例验证了算法优化电动车充放电控制策略的有效性。在保证配电系统安全可靠运行的同时，一定数量范围内的电动汽车的充放电功能不仅可以优化负荷曲线，降低电网整体的负荷功率，同时也起到了削峰填谷的作用，并提升了电网整体消纳风力发电出力的能力。