基于电动汽车分群的“风-网-站-车”体系调度研究

刘 涛,朱布博

(陕西交通职业技术学院,陕西 西安 710018)

0 引言

随着越来越多的电动汽车(battery electric vehicle,BEV)被投入市场[1-3],BEV的车型、充电方式的需求也因市场的需求变化而变得形式多样。且随着当下社会大背景“碳达峰,碳中和”理念的提出[4-5],清洁电源风力发电也在逐步普及[6]。因此,在考虑风电并网情况下,如何对BEV充电负荷进行分群[7-10],并基于分群方法建立调度模型等研究极具价值和意义。

1 国内外研究现状

针对BEV渗入电力系统对其造成调度困难的现状,越来越多的研究开始对BEV进行了分群调度研究。文献[11]基于对电动汽车有序充放电实时响应分群策略,提出一种车联网(vehicle to grid,V2G)模式。并综合考虑各约束条件,包括车主、电池以及电网等因素。考虑到无序充放电大大影响到电网稳定运行,文献[12]提出将分群优化应用于电动汽车和电网互动调度中研究。针对未来将会有大规模的电动汽车充放电调度的问题,文献[13]设计了一种面向含风电楼宇的电动汽车优化调度策略。上述文献只是根据BEV的技术指标的变化规律进行细化分群,并没有结合BEV的应用实际情况进行优化分群,如未对现在的BEV随着用户需求的不同,而研究不同种车型的分群模型。

目前,风力发电逐渐普及,但风电并网同时也加大了对BEV分群调度研究的难度,其中最难的是处理其中的不确定性——风出力、车负荷,BEV本身由于既作为电源也作为负荷,其充电电量、充电时间以及充电方式等各方面都具有较强的不确定性,还有风力发电的不确定性[14-16]。文献[17]定义了时间满意度与功率满意度,加权为用户满意度,在此基础上基于充分保证用户满意度,实现最大化经济效益。由于日前电力市场下的可再生能源的不确定性,文献[18]提出将风储系统和BEV需求的资源联合优化调度的联合模型。文献[19]基于风出力的不确定因素、预测出力偏差以及市场价格的波动性等因素的影响下,研究融合风力发电商和BEV聚合商,并构建了在日前市场和实时市场的联合竞价模型。

2 BEV分群优化方法

在传统电厂中引入并网运行的风电场,从而构建“风-网-站-车”体系模型。其中,“风”表示并网接入的新能源风电场;“网”表示传递电能的电网;“站”表示直接为BEV提供电能的充换电站;“车”则表示用户侧的BEV。

随着电动汽车市场的高速发展,BEV目前逐渐分化出3种车型,分别为公交BEV、出租BEV和私家BEV。同时根据用户侧的不同需求,也产生了3种充电方式,分别为快充、慢充和常规充电方式。

针对车型、充电方式趋于复杂的现状,传统的调度方法已不再适用。所以本文根据BEV的此种变化,首先将所有BEV进行分类分群,再提出“BEV相关系数”指标,为后续“风-网-站-车”体系模型的建立和仿真分析作理论基础。

2.1 BEV分群

如图1所示,风电场并网接入电网,共同给充换电站提供电能,其中充换电站里的BEV可以和电网进行双向供电。在充换电站内,充电方式有2类,一是过程较为简单但技术要求高的充电方式,换电;二是根据充电方式速率不同,由快到慢分为3种:快充、常规充电和慢充。车型根据车型的不同同样有3种:公交BEV、私家BEV和出租BEV。

图1 “风-网-站-车”体系模型

充换电站内的BEV按上述进行分类分群,其中,公交BEV、出租BEV和私家BEV的数量权重系数分别为ω1、ω2和ω3;换电、快充、常规充电和慢充充电方式的权重系数分别为σ1、σ2、σ3和σ4,充电功率分别设定为PN、Phigh、Pnormal和Pslow。

继续深入剖析,默认每个BEV用户充电目标值均为BEV额定功率值。则可推导出公交BEV充电总功率、出租BEV充电总功率和私家BEV充电总功率的表达式,分别为:

(1)

(2)

(3)

SOC(i,t)为第i辆公交BEV在t时刻的荷电状态值,即电池剩余电量百分比,假设每次充电意愿充满,则这辆BEV即刻需要充入的功率值可用1减SOC(i,t)值再乘上BEV的额定功率所得;同理SOC(j,t)、SOC(k,t)分别为出租车、私家车的荷电状态值。

同理,换电总功率、快充总功率、常规充总功率和慢充总功率表达式为:

(4)

(5)

(6)

(7)

2.2 BEV相关系数

通常情况下,电动汽车分为2类充电模式:一是换电模式;二是集中充电模式,含有快充、常规充电以及慢充3种方式。由于换电模式、快充以及慢充充电方式作为衍生出的新充电方式,所以这4种充电方式与3种BEV车型之间的隐含关系有待研究,通过最终的相关系数值,可以得到基础数据,更利于有针对性的对3种BEV车型合理选择充电方式进行优化调度。

相关系数在概率学中是用来表征2组数据之间的关系紧密程度,现有研究可以得到,充电电动汽车负荷服从正态分布。根据概率学与统计领域相关理论,BEV相关系数表示为

(8)

ρPi,Pj(ρi,j)为第i种BEV车型和第j种充电方式充电功率之间的相关系数,理论值范围是-1≤ρi,j≤1;D[Pi+Pj]为第i种BEV车型和第j种充电方式的功率叠加方差;D[Pi]、D[Pj]为第i种BEV车型、第j种充电方式的功率方差。

第i种车型、第j种充电方式功率叠加方差是把1天内全部电量叠加,然后得出表达式为:

D[Pi+Pj]=

(9)

第i种BEV车型、第j种充电方式功率的分布规律满足如下期望方差不同的2个正态分布函数,即

(10)

2.3 分群优化方法

基于上述研究,可以在1个调度周期内采用逐日分群优化策略,对前一日的车型匹配最佳充电方式。采取某一随机日作为首日,得出充电总功率Ptotal。并对车型充电规律进行分析,统计得出3种车型与4种充电方式之间的BEV相关系数,其表达为ρi,j(i=1,2,3;j=1,2,3,4),共计12种BEV相关系数。

由于车型种类数少于充电方式种类数,故为便于研究,以车型作为研究对象进行分析。统计得出3种车型与4种充电方式中最大的BEV相关系数ρ1,j(t)max、ρ2,j(t)max、ρ3,j(t)max,并按今日车型与充电方式的比例进行次日匹配,得出第2天(d+1日)给相应车型计划分配投入的功率,表达式为:

P1(d+1)=

(11)

P2(d+1)=

(12)

P3(d+1)=

(13)

3 基于BEV分群优化方法的“风-网-站-车”体系调度模型

以“风-网-站-车”体系模型为中心,如图1所示,共有2种传递线路,一是电能流,二是信息流。充换电站与电动汽车可以双向供电,当电动汽车的电量值富裕时,则可以回馈电网卖电取得收益。电网和BEV的各种数据信息均可以传递给充换电站。

本文在上述基础之上,首先研究了BEV用户满意度最大目标函数以及电网稳定性最强目标函数,并转化为单目标函数模型,并网风电接入,再考虑各种约束条件,建立了基于BEV分群优化方法的“风-网-站-车”体系调度模型。

3.1 目标函数

基于BEV分群调度方法的“风-网-站-车”体系模型目标函数由2个方面组成,即用户侧的用户满意度F1和电源侧电网稳定性F2,将这2个目标函数加权求和,并满足μ1+μ2=1,公式为

maxF=max(μ1F1+μ2F2)

(14)

3.1.1 BEV用户满意度目标函数

BEV用户满意度目标函数用实际功率和需求功率的差值与需求功率的比值表示,表达式为

(15)

Pact为BEV的实际功率;Pneed为BEV的所需充电的需求功率。

由式(15)显然可得,当Pact>Pneed时,也即F1为正数时,BEV用户满意度呈现非常满意;Pact=Pneed时,也即F1为0时,BEV用户满意度呈现恰好满意;Pact

3.1.2 电网稳定性目标函数

本文电网稳定性由整个“风-网-站-车”体系内的负荷波动最小化以及弃风功率最大化为目标,其中涉及风出力、车负荷,表达式为

F2=1-σ(P)-Pwind,curtail

(16)

σ(P)为充电站内1个调度周期内的所有样本负荷标准差值;Pwind,curtail为风电机组的弃风总功率。

参照式(9),同时融入并网风电场风电出力,结合BEV车负荷,可得

σ(P)=σ[PBEV+Pwind-PV2G]=

(17)

PBEV(t)为所有BEV在1个调度周期内的BEV总功率值;Pwind(t)为所有并网风电场1个调度周期内的风电总出力值;PV2G(t)为所有BEV通过充换电站向电网1个调度周期内的总回馈功率值。由于每个BEV用户的使用状况各有不同,为了便于研究,假设当BEV的SOC值满足80%以上再回馈电网,并保持自身SOC为临界值-0.8,表示为

PV2G=Pact-0.8PN

(18)

3.2 约束条件

结合BEV分群调度经济模型中仅包含2方面约束条件,即充换电站内BEV和并网运行风电机组的约束条件。

a.风电场约束条件。风电机组额定容量,即最大输出功率值大于等于0,即

PN(i)≥Pwind(i,t)≥0

(19)

PN(i)为风电场i的装机容量。

b.充换电站内BEV约束条件。3种BEV充电方式的充电功率按照“快充>常规充电>慢充”依次排序,最小充电功率大于等于0,同时存在最大充电功率限值。同理,BEV向电网回馈功率、BEV电池电荷量约束也存在上下限,即:

Pmax≥Phigh>Pnormal>Pslow≥0

(20)

PV2Gmax≥PV2G≥0

(21)

SOCmin≤SOC(i,t)≤SOCmax

(22)

Pmax为最大充电功率限值;PV2Gmax为回馈功率最大限值;SOC(i,t)为第i台电池t时段的电荷量百分比。

充换电站总功率为换电BEV、快充、常规充电、慢充充电总功率与BEV回馈电网总功率做差,即

(23)

c.恒等式约束。其中设定按充电方式或车型分类的BEV数量总数保持一致,有如下数量权重约束,即

σ1+σ2+σ3+σ4=ω1+ω2+ω3

(24)

若在整个充换电站1天调度周期内充电的BEV总数为N,则需补充数量权重约束,即

σ1+σ2+σ3+σ4=ω1+ω2+ω3=N

(25)

结合式(1)～式(7),可推导得

Pbus+Ptaxi+Pcar=

Pswap+Phigh+Pnormal+Pslow

(26)

4 基于可信性理论的模糊机会约束

4.1 基于可信性理论的模糊机会约束

本模型中存在2大不确定变量,BEV充电负荷可由梯形模糊数(Pbev1,Pbev2,Pbev3,Pbev4)进行表示[20]。同样的,并网运行风电场的出力可用梯形模糊数(Pwind1,Pwind2,Pwind3,Pwind4)表示。基于此,针对上述不确定性问题,本文将结合可信性理论进行探究,对式(23)进行模糊机会约束处理并建立如下基于可信性理论的不等式,即

(27)

α为模糊变量;Cr为可信性测度;Pwind(i,t)为第i个风电场t时刻的风出力;γ为置信水平。

4.2 清晰化等价处理

文献[21]列举了众多模糊参量清晰化等价形式,其中模糊机会规划中涉及了一个最重要的步骤,即处理模糊约束条件。该步骤可理解为清晰化约束条件。最终可转化为式(28)所表示的不确定等价形式,可表示BEV充电负荷、并网运行风电场的实际出力情况。

(28)

5 算例仿真

5.1 带收缩因子的粒子群优化算法

粒子群优化算法[22-23](particle swarm optimization,PSO)源于人们对自然界中鸟觅食、迁徙等行为的观察。

粒子群中的每个粒子给定初值并使其满足约束,设定每个车负荷作为控制变量,将1天分为T(T=24)个时间节点,得出100个粒子生成初始粒子群种群,且每个粒子为T×(N1+N2)×n矩阵,即

X1=

X1为某一天某一时刻充电的某个初始化粒子;Pcha1,1为3种充电模式的充电功率;Pswap1,1为第一个时刻的第一个BEV的换电功率。

为高效加强收敛的速度,有效预防局部收敛,本文将收缩因子引入速度更新公式中,即

(29)

结合CFPSO算法设定各参数。粒子群共有100个粒子;加速系数c1=c2=2.05;φ为收缩因子,其值为0.729;粒子速度最大值为1,最小值为-1;最大迭代次数为500。

5.2 基础数据

取北京市一地区配有24 000辆BEV、4个并网风电场。假设BEV电池容量均为80 kWh/台。其中,快速充电、常规充电、慢速充电的功率分别为30 kW、15 kW、7 kW,换电功率即电池容量。并网运行单个风电场的容量最大值为40 MW。

5.3 算例结果分析

5.3.1 BEV群特性分析

公交BEV全天实时功率分布如图2所示。由图2可知,由于晚7点到早6点之间公交BEV不出车,所以有效时间只是在早6点到晚7点这13个小时。同时发现公交BEV充电功率在中午12点达到一个充电峰值,换电和快充充电功率全天均高于常规充电和慢充充电方式,慢充充电功率全天分布最低。这说明公交BEV以换电、快充充电方式为主,常规充电和慢充充电方式为辅。随着人们出行方式逐渐改变以及政府“低碳零污染”的要求指引,现在公交BEV正迎合了这2个需求,所以可以在今后多建造换电站以及开放快速充电桩为公交BEV提供便利。

图2 公交BEV全天实时功率分布

出租BEV全天实时功率分布如图3所示。由图3可知,出租BEV与公交BEV略微不同,中午12点的充电功率不大,这是因为此时正居于下班高峰期,公交BEV难以满足人们的需求,很多人选择出租BEV的出行方式,所以此时未充电。在14点出现一个充电小高峰,这是因为这时出租BEV接单较少,大部分在充电中。充电方式与公交BEV类似,换电、快充充电方式充电功率最高,常规充电、慢充最低。由此可见,人们对出租BEV的全天出租BEV实时功率分布图需求也很高,可见今后应该加大换电站、快充充电站的建设,以满足人们日益增长的需要。

图3 出租BEV全天实时功率分布

私家BEV全天实时功率分布如图4所示。由图4可知,此功率分布图与图2和图3的最大区别就是慢充的充电功率竟高于快充和常规充电方式,这大概是因为现在的快充充电方式价格较高,为追求用户自身利益最大化,大部分人们在夜间都选择慢充,而较少的使用快充、常规充电甚至换电方式。所以今后可以在小区附近多建造慢充充电桩或常规充电桩,提高BEV用户的满意度。

图4 私家BEV全天实时功率分布

5.3.2 基于分群优化方法的“风-网-站-车”体系综合分析

某电网完全根据本文所构建“风-网-站-车”体系模型方法来制定充电计划,对市场1周的用电情况进行分析计算。本算例提取某1周4种充电方式所对应的用户功率数据,如图5所示。图5中,采用分群优化方法进行调度。其中有3种标记:左下斜线、右下斜线和竖线,分别表示公交BEV、出租BEV及私家BEV和当前颜色所代表的充电方式之间的BEV相关系数最大,即关联最密切。

图5 1周4种充电方式所对应的用户功率

以第1天的数据作为初始数据,在第1天结束时统计得出如图数据结果,并计算出充电总功率Ptotal,统计出最大BEV相关系数所对应的充电方式和BEV车型,并按照当日BEV车型功率的BEV相关系数的比例对次日进行功率分配计划。

由图5可知,1周内常规充电未被选中最大BEV相关系数有4次,慢充有3次。综合观察,公交BEV周一～周五分布在换电和快充充电方式,周末均对应于慢充充电方式;出租BEV1周基本上都分布在换电和快充充电方式之间;私家BEV分布在周四1次、周末2次。这说明公交BEV和出租BEV更倾向于换电、快充充电方式,私家BEV更倾向于慢充充电方式。

5.3.3 灵敏度分析

本文针对模型中的置信水平这一指标进行灵敏度分析,其中涉及不同置信水平下的BEV用户满意度分析和不同置信水平下的电网稳定性分析,如图6和图7所示。

图6 不同置信水平下的BEV用户满意度分析

图7 不同置信水平下的电网稳定性分析

由图6可知,随着置信水平由0.1变化至0.9时,BEV用户满意度值呈指数性规律增加。这是因为置信水平值较低时,不确定变量(BEV负荷、风出力)的不确定性较大,所以直接造成BEV用户的满意度处于较低水平。随着置信水平值增加,同理,不确定变量(BEV负荷、风出力)的不确定性在模糊机会约束下愈来愈稳定,所以用户满意度保持持续上升。

由图7可知,当置信水平较低时,不确定变量(BEV负荷、风出力)不确定因素较大,所以电网稳定性也不强。但当置信水平增长到0.8左右时,由于整个“风-网-站-车”体系对不确定变量(BEV负荷、风出力)的不确定性有一定的包容度,明显当置信水平为0.8时,整个电网系统稳定性缓慢趋向于呈一种饱和状态,即负荷标准差值随着置信水平的增加而不再快速上升。

6 结束语

本文首先在对BEV进行分群调度的基础上,通过概率论数理统计推导出BEV的相关系数,并提出一种分群优化方法。进而考虑风电并网的情况下构建了基于BEV分群优化方法的“风-网-站-车”体系调度模型,以实现BEV用户满意度最大、电网稳定性最强。采用基于可信性理论的模糊机会约束对车负荷、风出力2个不确定变量进行处理,最后采用带收缩因子的PSO算法对模型进行计算。仿真计算结果证明了所构建模型和所提算法的合理性。