任運業

安科瑞電氣股份有限公司 上海嘉定 201801

摘要:針對大量電動汽車(electricvehicle,EV)接入微電網帶來的穩定性及經濟性問題,同時為充分發揮EV的移動儲能特性,提出一種在動態電價機制下考慮EV動力電池移動儲能特性的微電網調度模型。首先,建立含EV動力電池、風電、光伏、柴油發電機組的微電網數學模型;其次,在綜合考慮分布式電源發電成本、EV用戶成本、電池損失成本、環境成本的基礎上,計及與主網電能交易、新能源補貼等多項收益,制定考慮新能源出力的EV動態電價機制;以微電網運行成本、EV用戶成本、環境成本低為目標函數,建立計及EV移動儲能動態電價機制的微電網調度模型。為驗證所提方法的有效性,通過YALMIP和GUROBI建立并求解所提優調度模型。仿真結果表明,相比傳統控制方法,微電網總運行成本降低了16.96%。

關鍵詞:動態電價;電動汽車;有序充電;動力電池;微電網

1、引言

“雙碳"目標下,利用電動汽車(electricvehicle,EV)移動儲能特性可提高微電網靈活性。EV作為一種移動儲能裝置,若進行有效控制,參與微電網的優化調度,與新能源協調運行,可提高微電網穩定性與經濟性[1-2]。因此,亟需對考慮EV的微電網優化調度方法進行深入研究。

目前,關于EV接入微電網穩定性問題,相關學者做了一定研究。文獻[3]建立以鋰電池作為儲能裝置的全壽命周期成本模型,未利用EV集群提高微電網運行水平。文獻[4]針對新能源出力的波動性提出EV參與度和效用函數大的EV運行模型,設計了一種基于一致性理論的EV充放電功率分布式控制方法。文獻[5]提出一種風光儲多能互補微電網系統日前調度優化模型。文獻[6]建立總運行費用與總網損小的微電網多目標隨機動態優化調度模型。文獻[7-8]建立考慮熱電聯產機組及環境成本的微電網經濟調度模型,通過蓄電池儲能降低微電網的綜合運行成本。但上述文獻未考慮將EV作為儲能裝置研究其充放電雙向行為對微電網經濟調度的影響。

針對上述內容,以下文獻通過電價引導EV參與微電網儲能并激勵用戶參與微電網調度。文獻[9]中EV充電電價采用居民用電峰谷分時電價,激勵更多用戶參與微電網調度,但目標函數中未考慮EV電池損失成本。文獻[10]通過研究EV用戶對電價變化的需求響應,提出引導EV充電的峰谷電價定價方案,但會出現反調峰現象。文獻[11]分析分時電價對充電EV負荷轉移概率的影響,均未考慮EV用戶成本、電池損失成本。文獻[12]根據電網預測調度目標提出考慮EV用戶期望的定價策略,用戶可按照自身需求選擇充電時段。以上文獻所提定價方法均基于EV用戶需求響應及用戶成本,未考慮新能源出力對電價的影響。

鑒于上述問題,首先提出一種在動態電價機制下考慮EV移動儲能的微電網調度模型。所提EV動態電價機制根據新能源預測功率得出各時段的充電電價,引導EV參與微電網調度。其次,建立考慮環境成本、微電網運行成本和EV用戶成本低目標的經濟調度模型。通過與傳統無序充電對比分析互動,所提考慮EV移動儲能的動態電價機制提升了微電網與EV用戶經濟效益,驗證所提方法的有效性。

2、電動汽車接入微電網的調度結構

圖1為微電網結構,微電網包含微電網能量管理系統、微電源及常規負荷,其中微電源由柴油發電機(dieselgenerators,DG)、風電機組(windturbines,WT)、光伏發電系統(photovoltaicpanels,PV)組成。EV接入微電網可減小對主網的電力需求,也可將EV作為移動儲能來平衡微電網與常規負荷間的電力。

微電網能量管理系統根據EV用戶接入時間、電池信息及未來24h源荷出力預測數據,向EV用戶發布充電電價信息等待用戶響應,參與微電網儲能調節,并安排各微電源的出力。當微電網內部發電量無法消納或供電不足時,微電網能量管理系統根據主網的購售電價通過聯絡線與主網進行能量交換。

a.PV模型

光伏發電輸出功率表示為

式中:PPV為PV實際出力;PPV,STC為標準測試條件下功率;R、RSTC分別為實際光照強度值、標準測試條件下光照強度值;γ為功率溫度系數;Ta、Tr、Tamb、TNOC分別為光伏單元實際溫度、參照溫度、環境溫度和正常條件下光伏單元溫度。

b.WT模型

風電機組輸出功率為^[13]

式中:PWT、PWT_rate分別為WT實際功率和額定功率;Vci、Vco、Vr分別為機組切入風速、切出風速、額定風速,分別取3m/s、25m/s、14m/s。

c.DG模型

柴油發電機的燃料消耗量是其輸出功率的線性函數，即：

式中：F為燃料消耗率;F₀為截距系數;F₁為斜率;P_{DG_rate}為DG的額定功率;P_DG為DG的實際功率。

d.EV動力電池充放電功率模型

EV充放電模型如下:

式中:S_OC(t)為t時刻電池的電量情況;S_OC(t-1)為t-1時刻電池的剩余電量;γ為電池的自放電系數;μ_ch、μ_dis分別為電池充電和放電效率;P^ch_EV,t、P^dis_ev，t分別為t時刻EV充電功率和放電功率。

e.基于蒙特卡洛的EV無序充電模型

單個EV的充電行為由車主決定,具有較強的隨機性。在大數據背景下,EV數據可經分析、歸納近似滿足相應的概率分布,如式(6)、式(7)所示。EV出行數據來自美國交通部對全美車輛出行調查數據^[13]。

EV起止充電時間服從正態分布,概率密度函數如式(6)所示。

式中:μ_s取17.6;σ_s取3.4。

日行駛距離近似服從對數正態分布,概率密度函數為

式中:μ_d取3.2;σ_d取0.88。

EV充電時長為

式中:T_C為充電時間;S為日行駛距離;W₁₀₀為耗電量;P_C為充電功率。

通過蒙特卡洛法抽取每輛EV起始充電時間及日行駛距離得出每輛EV的充電時長,計算單輛EV充電負荷,之后對充電負荷疊加,得到所有充電負荷。將1天分為24個時段,間隔1h,可得出N輛EV每時段對應的充電負荷為

式中:P_j為j個時段總充電負荷;N為EV數量;P_n，j為n輛EV在j個時段充電負荷。

采用蒙特卡洛法抽取單位EV起始充電時間、日行駛距離的計算方法,其流程如圖2所示。

對50輛EV進行100次模擬得到EV無序充電功率負荷曲線,如圖3所示。

3、EV有序充電控制策略

本文通過電價激勵控制EV有序充電,充分開發EV電池儲能潛力,提出一種根據新能源出力大小制定EV動態充電電價的方法。文中所提考慮EV移動儲能的動態充電電價同時兼顧EV用戶成本與新能源出力大小,根據24h內風電、光伏出力預測值與平均值計算EV各時段充電電價。文獻[14-15]將風電、光伏出力劃分為3個階段，分別對應3個EV充電電價階段(高、平、低),通過計算得到3個出力階段的大值、小值相對平均值的波動范圍為30%左右,由于文獻[15]典型日出力數據與實際整體出力存在誤差,文中風電、光伏出力波動范圍取25%。風電、光伏出力超過其平均值的125%,EV充電電價低;低于其平均值的75%,EV充電電價高;在兩者之間為平電價,高、低電價分別基于平電價上、下浮動60%。EV基準充電電價S₀為居民用電三級電價,高、低、平充電電價階段分別為1.253元/kWh、0.335元/kWh、0.781元/kWh。為便于計算,文中S₀取0.8元/kWh,高、低、平分時電價取1.28元/kWh、0.8元/kWh、0.32元/kWh。

EV充電電價與風電、光伏預測功率關系如下:

式中:s(t)為24h內t時段的充電價格;S₀為基準充電電價,取0.8元/kWh;P′_n為t時段風電、光伏出力預測功率;P_n為風電、光伏出力預測功率平均值;T為調度周期時段數。

利用各時段充電電價差將EV充電負荷轉移到風電、光伏出力大的時段,具體流程見圖4。

4、調度模型

4.1目標函數

微電網綜合運行成本主要考慮微電源運行成本、DG機組的燃料成本、電能交互成本、新能源發電補貼費用、環境成本、EV損失成本和調度成本,其優化調度模型的目標函數如下:

式中:f為微電網綜合運行成本;C_WT,_t為WT在t時刻運行成本;C_PV,_t為PV在t時刻運行成本;C_DG,_t為DG在t時刻運行成本;C_ES,_t為EV損耗成本;C_S,_t為電能交互成本;C_SUB,_t為新能源發電補貼費用;C_EV,_t為EV調度成本;C_H,_t為環境成本。

1. 微電源運行成本

式中:M_WT,_t為WT在t時刻維修成本;M_PV,_t為PV在t時刻維修成本;M_DG,_t為DG在t時刻維修成本;D_WT,_t為WT在t時刻折舊費用;D_PV,_t為PV在t時刻折舊費用;D_DG,_t為DG在t時刻折舊費用;C_fule為柴油發電機燃料成本。

式中:K_m,_i為微電源單位運行維修費用;P_WT,_t為WT在t時刻出力;P_PV,_t為PV在t時刻出力;P_DG,_t為DG在t時刻出力;c_ins,_t為微電源i的安裝成本;P_rate,_t為微電源i的額定功率;f_e,_i為微電源i的容量因子;d為折舊系數;m為微電源的使用壽命。

b.DG燃料成本

柴油發電機的燃料成本數學表達式為

式中:α、β、γ為柴油發電機的燃料成本系數,取α=6,β=0.12,γ=8.5×10-4。

c.電能交互成本

微電網與主網進行電能交換時產生的費用由微電網購電成本和售電收益組成。當微電源出力不能滿足負荷需求時,由于微電網向主網購電價格高,此時微電網系統通過動態充電電價引導EV放電;當EV放電不能滿足負荷需求時,此時從主網購電。反之,當微電源出力除了滿足自身負荷需求外仍有剩余,可引導EV充電或在售電價格高時向主網售電。與主網電能交互成本如下:

式中:P_buy,_t、P_sell,_t分別為微電網向主網購、售電功率;c_buy,_t、c_sell,_t分別為微電網向主網購、售電價。

d.新能源發電補貼費用

式中:csub為分布式新能源發電補貼單價,取0.01元/kWh。

e.環境成本

常規發電污染物治理費用計為環境成本如下:

式中:a_DGCO2為柴油發電機CO₂排放量;a_DGSO2為柴油發電機SO₂排放量;a_DGNOx為柴油發電機NO_x排放量;σ_CO2為CO₂治理費用;σ_SO2為SO₂治理費用;σ_NOx為NO_x治理費用。

f.EV調度成本

充放電響應采用一定比例的充放電電價進行補償,計算方式如下:

式中:C_{EV_ch},_t、C_{EV_dis},_t分別為t時刻EV充電和放電的補償成本;s(t)為EV充電電價;α₁、β₁分別為微電網對EV充電和放電的補償系數,分別取0.2和0.5。

g.EV電池損耗成本

將EV電池損耗成本與折舊成本計入EV充放電的損耗成本中,計算方式如下:

式中:C_EL、C_EM分別為EV放電時損失成本和EV電池折舊成本;K_EV為車輛蓄電池的折舊系數;P_EVd,j為j輛車的放電功率。

4.2約束條件

a.功率平衡約束

微電網功率平衡約束如下:

式中:P_WT,_t、P_PV,_t、P_load,_t、P_EV,t分別為t時段風電出力、光伏出力、常規負荷及EV充放電功率。

b.EV充放電功率及荷電狀態約束

EV充放電時功率及荷電狀態約束如下:

式中:P_EVc,_t、P_EVd,_t分別為EV充電、放電功率;P^rate_EVc,_t、P^rate_EVd,_t分別為EV充電、放電功率上限額定值;S_OC,_min、S_OC,_max分別為EV電池的小、大容量。

EV充放電狀態有3種情況:充電狀態(P_EVc,t>0,P_EVd,t=0);放電狀態(P_EVc,t=0,P_EVd,t>0);閑置狀態(P_EVc,t=0,P_EVd,t=0)。引入狀態變量λ_EVc、λ_EVd表示EV是否參與充放電(0或1)。

c.聯絡線功率約束

聯絡線功率約束表達式如下:

式中:P^min_line,t、P^max_line,t分別為微電網與主網間聯絡線功率的上、下限;P_grid,t為t時刻與主網交互功率。

d.分布式電源出力上、下限約束

各分布式電源出力滿足以下條件:

式中:P_i,t為分布式電源i發電功率;P_i,max、P_i,min分別為分布式電源i出力上、下限。

e.DG運行功率約束

DG運行功率約束條件如下:

式中:L_min為DG小負載率。

5、仿真結果分析

5.1試驗數據

仿真算例中PV、WT均運行于大功率跟蹤模式,圖5為微電網中風電、光伏出力及負荷需求預測數據。DG的環境補償成本及排放系數如表1所示,各微電源參數如表2所示,微電網與主網交易電價如表3所示。EV容量為24kWh,充放電功率均為3kW,充放電效率μch、μdis均為0.95。本文通過YALMIP建立數學模型,并利用GUROBI求

解優化問題。

5.2結果分析

微電網調度模型求解結果如圖6—圖9所示。基于各時段風電、光伏功率預測值與平均值,根據式(10)、式(11)計算EV動態充電電價,如圖6所示。結合圖3、圖5可知,在微電網嚴重缺少電源功率時(17:00—21:00),光伏出力基本為零,風電出力不足以滿足負荷需求,微電網中負荷需求基本由DG支撐。此時EV充電負荷將加劇電網調峰負荷,導致系統提高DG機組出力滿足EV充電和負荷需求,從而使電網運行成本與環境成本增加,因此,此階段制定EV充電電價較高為1.28元/h。在微電網風電、光伏出力富余時(00:00—07:00、08:00—16:00),負荷水平較低,EV可減少棄風、棄光現象,DG機組只需維持相對較低出力即可滿足負荷需求,因此,此階段EV充電電價制定為0.32元/kWh。

圖7為動態電價引導下的EV充放電功率曲線。結合風電、光伏出力曲線可知,通過充電電價引導,EV作為移動儲能裝置能夠實現對新能源發電的削峰填谷。在微電網嚴重缺少功率時,EV充電電價維持在1.28元/kWh,激勵EV減少充電功率并增加放電功率,從而減少DG機組出力,不僅能緩解調峰負擔、EV用戶獲得更多經濟收益,還能減小微電網環境成本。在微電網發電功率富余時,EV充電電價維持在0.32元/kWh,此階段多余電功率存儲到EV。圖8為微電網與主網功率交換曲線。在新能源出力或微電網發電功率不足以支撐負荷需求時,通過動態電價引導EV放電或從主網購電滿足功率缺額,從而滿足微電網內部負荷需求。圖9為無序、有序充電棄風棄光曲線,在動態電價引導下EV充電負荷轉移到風電、光伏出力較大時段,增加了風電、光伏利用。

通過表4成本對比可知,所提方法引導EV在電價尖峰期放電,在電價低谷期充電,不僅降低了EV用戶成本,且降低了微電網運行成本及環境成本。微電網總的運行成本降低了16.96%,EV用戶成本降低了46.68%,環境成本降低了30.89%。

6、解決方案

圖1平臺結構圖

充電運營管理平臺是基于物聯網和大數據技術的充電設施管理系統，可以實現對充電樁的監控、調度和管理，提高充電樁的利用率和充電效率，提升用戶的充電體驗和服務質量。用戶可以通過APP或小程序提前預約充電，避免在充電站排隊等待的情況，同時也能為充電站提供更準確的充電需求數據，方便后續的調度和管理。通過平臺可對充電樁的功率、電壓、電流等參數進行實時監控，及時發現和處理充電樁故障和異常情況對充電樁的功率進行控制和管理，確保充電樁在合理的功率范圍內充電，避免對電網造成過大的負荷。

7、安科瑞充電樁云平臺具體的功能

平臺除了對充電樁的監控外，還對充電站的光伏發電系統、儲能系統以及供電系統進行集中監控和統一協調管理，提高充電站的運行可靠性，降低運營成本，平臺系統架構如圖3所示。

圖2充電樁運營管理平臺系統架構

大屏顯示：展示充電站設備統計、使用率排行、運營統計圖表、節碳量統計等數據。

圖3大屏展示界面

站點監控：顯示設備實時狀態、設備列表、設備日志、設備狀態統計等功能。

圖4站點監控界面

設備監控：顯示設備實時信息、配套設備狀態、設備實時曲線、關聯訂單信息、充電功率曲線等。

圖5設備監控界面

運營趨勢統計：顯示運營信息查詢、站點對比曲線、日月年報表、站點對比列表等功能。

圖6運營趨勢界面

收益查詢：提供收益匯總、實際收益報表、收益變化曲線、支付方式占比等功能。

圖7收益查詢界面

故障分析：提供故障匯總、故障狀態餅圖、故障趨勢分析、故障類型餅圖等功能。

圖8故障分析界面

訂單記錄：提供實時/歷史訂單查詢、訂單終止、訂單詳情、訂單導出、運營商應收信息、充電明細、交易流水查詢、充值余額明細等功能。

圖9訂單查詢界面

8、產品選型

安科瑞為廣大用戶提供慢充和快充兩種充電方式，便攜式、壁掛式、落地式等多種類型的充電樁，包含智能7kw/21kw交流充電樁，30kw直流充電樁，60kw/80kw/120kw/180kw直流一體式充電樁來滿足新能源汽車行業快速、經濟、智能運營管理的市場需求。實現對動力電池快速、高效、安全、合理的電量補給，同時為提高公共充電樁的效率和實用性，具有有智能監測：充電樁智能控制器對充電樁具備測量、控制與保護的功能；智能計量：輸出配置智能電能表，進行充電計量，具備*的通信功能；云平臺：具備連接云平臺的功能，可以實現實時監控，財務報表分析等等；遠程升級：具備*的通訊功能，可遠程對設備軟件進行升級；保護功能：具備防雷保護、過載保護、短路保護，漏電保護和接地保護等功能；適配車型：滿足國標充電接口，適配所有符合國標的電動汽車，適應不同車型的不同功率。下面是具體產品的型號和技術參數。

9、現場圖片

10、結論

本文提出了在動態電價機制下考慮EV移動儲能的微電網優化調度模型。根據新能源出力大小制定動態充電電價策略,在不影響用戶出行的前提下,能引導EV充電負荷化消納風電、光伏,風電、光伏消納率提高了38.69%,同時通過EV儲能減輕了微電網對主網電力需求負擔,有利于提高微電網運行的經濟性。

參考文獻

[1]于瀛涵,陳嘉德,韓子嬌,等.電動汽車的有序充電管理及其對配電網的影響分析[J].東北電力技術,2023,44(2):34-39.

[2]陳嘉德,徐海博,孫瑞雪,等.基于多時段動態電價的電動汽車有序充電策略優化[J].東北電力技術,2023,44(2):40-46.

[3]茆美琴,孫樹娟,蘇建徽.包含電動汽車的風/光/儲微電網經濟性分析[J].電力系統自動化,2011,35(14):30-35.

[4]夏世威,陸濤,杜婷,等.考慮風電波動性的微網中電動汽車分布式協調運行方法[J].電力建設,2019,40(6):86-94.

[5]吳昊,王艷松.基于智能單粒子算法的微電網經濟調度[J].電力系統保護與控制,2016,44(20):43-49.

[6]朱曄,蘭貞波,隗震,等.考慮碳排放成本的風光儲多能互補系統優化運行研究[J].電力系統保護與控制,2019,47(10):127-133.

[7]鮑彥文,董鶴楠,李雯雯,等.基于灰狼算法的微電網源網荷儲優化配置研究[J].東北電力技術,2023,44(12):17-24.

[8]WANGHX,YANGJY,CHENZ,etal.Optimaldispatchbasedonpredictionofdistributedelectricheatingstoragesincombinedelectricityandheatnetworks[J].AppliedEnergy,2020,26(7):1-10.

[9]馬益平.考慮電動汽車調度的微電網混合儲能容量優化配置[J].電力系統保護與控制,2017,45(23):98-107.

[10]劉浩田,陳錦,朱熹,等.一種基于價格彈性矩陣的居民峰谷分時電價激勵策略[J].電力系統保護與控制,

2021,49(5):116-123.

[11]譚維玉,雷雨,李軍,等.計及動態分時電價的電動汽車參與電網調度研究[J].可再生能源,2020,38(11):1515-1522.

[12]趙玉,徐天奇,李琰,等.基于分時電價的電動汽車調度策略研究[J].電力系統保護與控制,2020,48(11):92-101.

[13]梁琛,王鵬,韓肖清,等.基于間歇性風速的風力發電機功率輸出模型研究[J].電網技術,2017,41(5):

1369-1375.

[14]王璟,王利,郭勇,等.計及電動汽車的微電網經濟調度方法[J].電力系統保護與控制,2016,44(17):

111-117.

[15]馬立新,徐嘉輝,楊天笑.基于MPSO算法含電動汽車的微網優化調度[J].電網與清潔能源,2020,36(8):116-122.

[16]陳洪亮，徐海博，孫瑞雪，計及電動汽車移動儲能動態電價的微電網優化調度研究[A]

[17]安科瑞企業微電網設計與應用手冊2022.5

作者介紹：
任運業，男，現任職于安科瑞電氣股份有限公司。