高级检索

  • ISSN 1006-3080
  • CN 31-1691/TQ
引用本文:
Citation:

多目标约束的电动汽车实时调度策略

    作者简介: 常 硕(1997—),男,山东人,硕士生,主要研究方向为电网与电动汽车负荷调度。E-mail:changgshuo@163.com;
    通讯作者: 牛玉刚, acniuyg@ecust.edu.cn

Real-Time Scheduling Strategy for Electric Vehicles with Multi-objective Constraints

    Corresponding author: NIU Yugang, acniuyg@ecust.edu.cn ;
  • 摘要: 随着电动汽车并网数量的增多和电池容量的不断增大,不协调的充电会给电网带来巨大压力,甚至会影响电网的稳定运行。相反,合理的电动汽车调度会给电网带来额外的效益。本文提出了一种滑窗变速优化充电方法对电动汽车进行实时调度,结合实时电价计算充电成本,通过离线网损灵敏度快速求解网损量,采用充电功率波动法量化电池老化成本。以电池老化成本、充电成本和网损成本最小化为目标函数,构建一个多目标优化问题,利用凸优化算法求解得到V2G实时调度策略。在改进的IEEE 33节点配电网上对平均分配、自然充电、全局优化和滑窗变速优化充电方案进行了对比实验,验证了滑窗变速优化充电方案在减缓电池老化、降低充电成本、减少网损、平衡负载等方面的有效性。
  • 图 1  V2G调度系统结构图

    Figure 1.  Structure of V2G scheduling system

    图 2  EVi的充电调度区间

    Figure 2.  Charging scheduling interval of EVi

    图 3  时段1的调度区间范围

    Figure 3.  Scheduling range of slot 1

    图 4  调度策略求解模型

    Figure 4.  Scheduling strategy solution model

    图 5  V2G调度策略求解流程图

    Figure 5.  Flow chart of V2G scheduling strategy solution

    图 6  IEEE 33节点配电网测试系统

    Figure 6.  IEEE 33 bus distribution test system

    图 7  电网的实际日负荷曲线

    Figure 7.  Actual daily load curve of the grid

    图 8  实时电价曲线

    Figure 8.  Real-time price curve

    图 9  各时段入网EV数量

    Figure 9.  EV numbers in each slot

    图 10  时段4时各电网节点网损灵敏度

    Figure 10.  PLS of each grid node at slot 4

    图 11  NC方案求解流程图

    Figure 11.  Flow chart of NC

    图 12  OCED和NC方案对比结果图

    Figure 12.  Comparison diagram of OCED and NC

    图 13  GOS调度后的负荷和基础负荷的对比图

    Figure 13.  Comparison of GOS load and base load

    图 14  GOS调度时EV的充放电电量

    Figure 14.  EV charges and discharges of GOS

    图 15  SWVSO调度后负荷和基础负荷对比图

    Figure 15.  Comparison of SWVSO load and base load

    图 16  SWVSO调度时EV充放电电量

    Figure 16.  EV charges and discharges of SWVSO

    图 17  EV充放电行为记录

    Figure 17.  Charge and discharge behavior records of EV

    图 18  不同数量EV的充放电成本

    Figure 18.  Charge and discharge cost of different number of EV

    图 19  不同数量EV的总负荷对比图

    Figure 19.  Comparison of total load of different numbers of EV

    表 1  相关仿真参数设置

    Table 1.  Simulation parameters setting

    ${E^{ {\rm{cap} } } }/{\rm{kW} }\cdot{\rm{h} }$$ {{\rm{P}}_{{\rm{max}}}}$/kW$ T $$ \rho $$ \tau /\min$
    254963015
    $\gamma$$ {k}_{0} $$ {k}_{1} $$ \alpha$$\beta $
    0.530.010.050.000010.0001
    下载: 导出CSV

    表 2  各种充电方法结果情况对比

    Table 2.  Comparison of various charging methods' results

    Scheduling methodCharging cost(CNY)Grid loss cost(CNY)Battery ageing cost(CNY)
    OCED1066.8187.000.27
    NC1064.7148.3614.46
    GOS736.750.6111.83
    SWVSO796.358.1415.13
    Scheduling methodPower consumption(kw.h)Peak-valley differenceA EV cost(CNY)
    OCED913.41359.46.43
    NC9121409.16.50
    GOS731.791034.74.51
    SWVSO763.14980.244.89
    下载: 导出CSV
  • [1] JANNATI J, NAZARPOUR D. Optimal performance of electric vehicles parking lot considering environmental issue[J]. Journal of Cleaner Production, 2019, 206: 1073-1088.
    [2] 白浩, 曲锴, 訚山. 基于V2G技术的电动汽车与光伏协同调度优化策略[J]. 南方电网技术, 2019, 13(4): 88-92, 106.
    [3] 董亦, 邹媛媛, 牛玉刚. 基于分层内嵌预测控制的多微电网能量优化管理[J]. 华东理工大学学报(自然科学版), 2018, 44(4): 463-473.
    [4] HAFFIZ F, DE QUIEROZ A R, HUSAIN I, et al. Charge scheduling of a plug-in electric vehicle considering load demand uncertainty based on multi-stage stochastic optimization [C]//2017 North American Power Symposium(NAPS). IEEE, 2017: 1-6.
    [5] 杨祺, 刘士荣. 多自主车辆队列跟随控制器设计[J]. 华东理工大学学报(自然科学版), 2020, 46(2): 250-258.
    [6] 朱兰, 刘伸, 唐陇军, 等. 充放电不确定性响应建模与电动汽车代理商日前调度策略[J]. 电网技术, 2018, 42(10): 3305-3317.
    [7] 杨晓东, 任帅杰, 张有兵, 等. 电动汽车可调度能力模型与日内优先调度策略[J]. 电力系统自动化, 2017, 41(2): 84-93. doi: 10.7500/AEPS20160323006
    [8] 陈凯炎, 牛玉刚. 基于V2G技术的电动汽车实时调度策略[J]. 电力系统保护与控制, 2019, 47(14): 1-9. doi: 10.7667/PSPC20191401
    [9] 张丙旭, 许刚. 计及需求差异的电动汽车并网滚动时域优化[J]. 电力系统自动化, 2020, 44(13): 106-114.
    [10] 陈丽娟, 秦萌, 顾少平, 等. 计及电池损耗的电动公交车参与V2G的优化调度策略[J]. 电力系统自动化, 2020, 44(11): 52-62.
    [11] LI S, HE H, LI J. Big data driven lithium-ion battery modeling method based on SDAE-ELM algorithm and data pre-processing technology[J]. Applied Energy, 2019, 242: 1259-1273.
    [12] HAN X, LIANG Y, AI Y, et al. Economic evaluation of a PV combined energy storage charging station based on cost estimation of second-use batteries[J]. Energy, 2018, 165: 326-339.
    [13] 赵玉, 徐天奇, 李琰, 等. 基于分时电价的电动汽车调度策略研究[J]. 电力系统保护与控制, 2020, 48(11): 92-101.
    [14] XIA M, LAI Q, ZHONG Y, et al. Aggregator-based interactive charging management system for electric vehicle charging[J]. Energies, 2016, 9(3): 1-14.
    [15] LI X, TAN Y, LIU X, et al. A cost-benefit analysis of V2G electric vehicles supporting peak shaving in Shanghai[J]. Electric Power Systems Research, 2020, 179: 106058.
    [16] 陈兰萍, 牛玉刚. 基于多代理的微电网分区分布式最优潮流分析[J]. 华东理工大学学报(自然科学版), 2020, 46(4): 549-555.
    [17] SUFYAN M, RAHIM N A, MUHAMMAD M A, et al. Charge coordination and battery lifecycle analysis of electric vehicles with V2G implementation[J]. Electric Power Systems Research, 2020, 184: 106307.
  • 加载中
图(19)表(2)
计量
  • 文章访问数:  474
  • HTML全文浏览量:  312
  • PDF下载量:  7
  • 被引次数: 0
出版历程
  • 收稿日期:  2020-08-17
  • 网络出版日期:  2020-09-25

多目标约束的电动汽车实时调度策略

    作者简介:常 硕(1997—),男,山东人,硕士生,主要研究方向为电网与电动汽车负荷调度。E-mail:changgshuo@163.com
    通讯作者: 牛玉刚, acniuyg@ecust.edu.cn
  • 华东理工大学化工过程先进控制和优化技术教育部重点实验室,上海 200237

摘要: 随着电动汽车并网数量的增多和电池容量的不断增大,不协调的充电会给电网带来巨大压力,甚至会影响电网的稳定运行。相反,合理的电动汽车调度会给电网带来额外的效益。本文提出了一种滑窗变速优化充电方法对电动汽车进行实时调度,结合实时电价计算充电成本,通过离线网损灵敏度快速求解网损量,采用充电功率波动法量化电池老化成本。以电池老化成本、充电成本和网损成本最小化为目标函数,构建一个多目标优化问题,利用凸优化算法求解得到V2G实时调度策略。在改进的IEEE 33节点配电网上对平均分配、自然充电、全局优化和滑窗变速优化充电方案进行了对比实验,验证了滑窗变速优化充电方案在减缓电池老化、降低充电成本、减少网损、平衡负载等方面的有效性。

English Abstract

  • 电动汽车(Electric Vehicle, EV)具有零污染、低耗能、扩大可再生能源利用的特性[1-2],正在逐步取代传统的燃油汽车。EV在节能减排方面的优势明显,但其并网数量和电池容量的不断增加给电力系统带来了巨大的运行负担。据调查,EV的无序充放电行为和电网负荷曲线峰值吻合,会加重电网超载问题[3]。众多研究表明大量EV的无序并网会对电网带来可靠性问题和安全隐患,如峰值负荷增加、网络损耗增加、输电线超载、变压器老化加速等[4]

    具有车网互动(Vehicle-to-Grid, V2G)能力的EV在荷电状态(State of Charge, SOC)高时能把电能回馈到电网。V2G技术和车辆自主通信技术的成熟[5],使得EV能够参与优化调度,降低负荷压力。EV充放电具有相似性和聚集性,即同一街道或小区的EV具有相似的充电行为,增加了EV的可调度性。

    目前,研究EV优化调度问题的方法分为日前全局优化和实时局部优化。文献[6]建立了EV用户充放电不确定的响应模型,以净收益最大进行日前调度,提高EV参与辅助服务的效果。文献[7]建立了EV日内优先调度模型,使电网负荷峰谷差最小,验证了日内优化的合理性。然而,V2G调度问题是一个大规模、非梯度、多目标的优化问题,很难找到全局最优解。全局优化调度需要假设EV的到达时间和已知电网的基础负荷,这是不切实际的,与EV的动态特性相矛盾。

    文献[8]提出了一种V2G实时调度方法,以充电成本和网损成本为目标函数进行优化,并证明了实时调度方法的有效性。文献[9]考虑需求差异制定计划功率,使实际功率满足用户的差异需求,满足EV动态特性。实时局部调度把时间和EV群进行分割,分布式调度能很好地适应EV动态到达情况。

    V2G技术是实现EV在电网中灵活、经济运行的第一步,但采用V2G技术会造成严重的电池老化。电池成本约占EV总成本的40%,因此合理地控制电池老化是关键。文献[10]提出了多时间尺度的调度策略,电池老化成本为上层优化,充放电成本为下层优化,完成日前阶段,通过无序和有序充电对比,验证了电动公交车参与V2G的优越性。

    EV模型和动态到达特性决定了EV调度参与模式和对电网的影响。文献[11]研究了电池的老化机理和寿命预测,建立了电池老化模型并进行了量化。文献[12]模拟了充电速度和电池老化的关系,研究有序充电来改善电池老化,结果显示合理的EV调度会延缓电池老化。文献[13]在分时电价基础上,考虑负荷均方差、峰谷差、充电成本和电池老化建立EV调度,证明了策略的有效性。然而,已有文献在研究V2G模式对电池寿命带来的影响时,很少通过EV的合理调度降低电池老化。

    基于上述分析,本文提出一种滑窗变速优化充电方案(Sliding Window Variable Speed Optimization Charging Scheme,SWVSO)。采用充电功率波动法量化电池老化成本,以电池老化成本、充电成本和网损成本最小为目标函数,建立多目标优化问题;利用凸优化算法求解多目标优化问题,得到EV实时调度策略。最终在改进的IEEE 33节点配电网上验证了SWVSO在V2G实时调度过程中,降低了电池老化成本,减少了充电成本和网损成本。

    • V2G调度系统分为五部分:配电网、信息采集系统、V2G调度中心、智能充电模块和电动汽车。信息采集系统基于信息共享和互通互联技术采集电网的基础负荷和EV充放电需求,并把采集的实时信息(刚刚接收的15 min的信息)传输给V2G调度中心。随着智能电网的发展,电动汽车、电网以及调度中心的信息共享技术已经非常成熟[14]。V2G调度中心根据接收到的实时信息和历史信息,给出调度区间内每辆EV的充放电策略。以电池老化成本、网损成本和充电成本最小为目标制定调度策略,通过智能充电模块对EV进行充电。智能充电模块根据V2G调度策略,通过内部电子设备实时控制EV的充放电功率。V2G调度系统的结构图如图1所示。

      图  1  V2G调度系统结构图

      Figure 1.  Structure of V2G scheduling system

    • 电池老化是一个关键参数,电池充放电会造成容量的减小,提供的能量减少。

      电池老化成本分为充放电功率大小和充放电功率波动引起的成本。充放电功率导致的电池老化成本为:

      其中:$ {C}_{1,i} $为第i辆EV 24h中由充放电功率导致的电池老化成本;$ \alpha $为模型系数,设置为很小的正数,因为充电功率导致的电池老化较小;$ {x}_{i,t} $为第i辆EV在t时段的充电功率($ {x}_{i,t} $ > 0, EV充电;$ {x}_{i,t} $ < 0, EV放电)。

      相邻时段充放电功率波动引起的电池老化成本为:

      其中:$ {C}_{2,i} $为第i辆EV 24h中因充放电功率波动导致的电池老化成本;$ \beta $为模型参数;$ {x}_{i,t+1} $为第i辆EV在时段t+1的充放电功率。相邻时段充放电功率波动越大引起的老化越大,EV充放电状态的改变(充电到放电或放电到充电)会造成更大的电池老化。因此24 h的调度过程中,充放电状态切换越频繁,电池老化成本越大。

      综上,一天的调度区间电池的老化成本为

    • 参与V2G计划的EV的充电成本取决于充电消耗和放电收益。值得注意的是,充电成本甚至可能为负值,即EV放电收益高于充电消耗。降低充电成本是EV车主参与V2G计划最重要的激励因素,但高频率放电会对电池造成不可逆的损耗,限制了EV车主向电网馈电的积极性。假设同一时段内充放电行为不变,入网EV引起的负荷$L_t^{{\rm{EV}}}$

      假设电网的基础负荷为$L_t^{{\rm{base}}}$,则EV并网后的总负荷${z_t}$

      为了量化EV的充电成本,假设同一时段内电价不变(电价仅随时间变化,空间上不变)。电价设计为电网瞬时负载的线性函数:

      其中:$ p\left({z}_{t}\right) $为时段t的电价;$ {k}_{0} $$ {k}_{1} $是正常数。在实时电价下,EV的充电成本为

      所以,在24 h的调度区间EV的充电成本为:

    • 减少网损是电网优化问题之一。电网的有功损耗为各输电线损耗之和,传统的潮流计算求解网络损耗过于复杂,因此本文采用离线网损灵敏度(Power Loss Sensitivity, PLS)计算网损。

      对于含有M条支路的配电网,传统的潮流计算方法求解网损量公式如下:

      其中:$ {GL}_{m,t} $$ {\mathrm{G}\mathrm{L}}_{\mathrm{t}} $为支路m在时段t上的网损;$ {r}_{m} $m支路上的电阻;$ {I}_{m,t} $t时段m支路上的电流;GL为总网损量。

      网损灵敏度是节点注入单位负荷后产生的网损大小。计算节点网损灵敏度时,首先在节点注入基础负荷计算网损,再依次计算EV并网后的网损,网损改变量和节点有功功率的比值即为网损灵敏度:

      其中:$ {PLS}_{b,t} $为节点b在时段t上的网损灵敏度;P为节点有功功率;n为节点数;$ \Delta P $表示节点注入的有功功率。

      用网损灵敏度计算网损的公式为

      其中:B为节点总数;$ {k}_{2} $为模型系数;$ {L}_{b,t}^{EV} $为EV在时段t注入到节点b上的负荷。

      因此,一个调度循环内的网损成本为

      其中,$ \rho $为折算系数。

      在每日调度开始前,离线计算所有时段的网损灵敏度,然后根据网损灵敏度结合EV的注入负荷,即可得到网损成本,避免重复潮流计算。

    • 一个调度周期内EV完成充电任务的总成本为

      优化目标函数可以表示为

      从综合指标考虑,只考虑单目标时无法真实反映EV的实际使用成本。3种成本代表了电网和车主的利益,在设置量化系数时使3种成本重要程度相同,更接近EV的实际使用成本。比如,仅考虑充电成本时,充电成本在时段20附近最小,同时充电时间过长会增加电池老化成本,而且充电成本约束下的充放电功率会产生短期峰值,无法保证所需电力。综合考虑,给3个子目标设置相同的权重。

    • 合理的荷电状态上下限能够延缓电池老化:

    • 当EV支持V2G时:

      当EV不支持V2G时:

      最大功率$ {P}_{max} $受智能充电器和电池限制,支持V2G的EV数量记为$ {N}_{v2g} $,仅充电EV数量记为$ {N}_{chg} $

    • 其中:$ {t}^{arr} $为EV入网时间;$ {t}^{dep} $为EV离网时间;$ {E}^{ini} $为初始电池电量;$ {E}^{set} $为目标电池电量,$ {E}_{batt,i} $为EVi的电池容量,$ {t}_{d} $为可调度时段。式(20)保证了EV在离网时电池电量能满足要求;式(21)保证了调度区间内电量始终在允许范围,既不过度放电也不过度充电。

    • V2G调度的数学模型为

      约束条件:

    • 调度周期为24 h,划分为T=96个长度为$ \tau $=15 min的时段。SWVSO把EV分为96组,每组包含对应时段接入的EV和充电区间包含当前时段且充电任务未完成的EV。如图2所示,第i辆EV的调度区间为

      图  2  EVi的充电调度区间

      Figure 2.  Charging scheduling interval of EVi

      其中:$ {U}_{i}^{\rm{opt}} $为第i辆EV的可调度区间。

      考虑电池老化,车主并非都愿意参与V2G。设置V2G参与率为$ \gamma $,EV入网数为N,则

      图3示出了时段1的调度区间范围,时段1的EV集包括EV1、EV2和EV3。其中EV1和EV2是充电未完成,EV3是在时段1开始调度。取可调度区间的并集,得到时段1的调度区间SW1。类似的,确定每个时段的调度区间,进而求解调度区间内的调度策略。

      图  3  时段1的调度区间范围

      Figure 3.  Scheduling range of slot 1

      V2G调度策略求解模型如图4所示。在V2G调度开始之前,通过信息采集系统采集到的EV和电网的实时数据对数据更新。V2G调度中心根据输入的实时数据(EV状态、V2G用户需求、负荷要求、V2G可调度量等),确定当前时段t的EV集EV(t),求解当前充放电矩阵E(t, n)。取当前时段的充放电矩阵为最优调度策略,智能充电站按最优调度策略控制EV充放电。在T个区间上依次求当前充放电矩阵E(t, n),得到最优充放电矩阵E(T, N)。

      图  4  调度策略求解模型

      Figure 4.  Scheduling strategy solution model

      凸优化法求解V2G调度策略的流程图如图5所示。

      1.3节中描述的问题的目标函数为二次可微凸函数,并且所有约束条件均是线性,可以采用内点法得到解析解。求解过程中使用cvx工具包,首先初始化目标变量,通过式(22)给出目标函数并计算目标函数原始值,更新充电功率矩阵,组织验证结果(EV电量是否满足式(26),验证充电功率是否满足式(24)和(25),验证电池能量是否满足式(27)),比较目标函数值,迭代直到目标函数值取得满足约束时的最小值。

      图  5  V2G调度策略求解流程图

      Figure 5.  Flow chart of V2G scheduling strategy solution

    • 在IEEE 33系统上测试了SWVSO,并通过与平均分配(Equal Distribution Scheme,ED)、自然充电(Naive Charging Scheme,NC)和全局优化(Global Optimization Scheme,GOS)方法比较,验证了SWVSO在降低EV充电成本、削峰填谷和降低网损方面具有良好的效果。

    • IEEE 33测试系统是一个12.66 kV三相平衡径向配电系统,如图6所示。

      础负荷峰值为3062.6 kW,负荷峰谷差为1130.5 kW。实时电价如图8所示。

      实际模型中,建立一个EV数据文件,包括入网时间、离网时间、初始电量、目标电量、是否支持V2G和接入电网节点。在IEEE 33测试系统中接入EV时,考虑节点类型的不同,在节点7到33随机接入EV。考虑EV实际使用状况和随机性,不同时间接入电网EV的数量如图9所示。

      图  6  IEEE 33节点配电网测试系统

      Figure 6.  IEEE 33 bus distribution test system

      图  7  电网的实际日负荷曲线

      Figure 7.  Actual daily load curve of the grid

      图  8  实时电价曲线

      Figure 8.  Real-time price curve

      入网时间服从均值为$ {\mu }_{1}=63.6 $、方差为12的正态分布。如图9所示,EV在时段36附近开始进入电网符合实际电动汽车行驶特性。

      仿真相关参数设置如表1,其中$ {E}^{\rm{cap}} $为电池容量。

      根据文献[15],当V2G比例较低时,对放电的需求度变高,EV放电效果明显,单辆EV充电成本大幅降低;相反,当V2G比例较高时,尽管放电能力增强,放电需求没有改变,单车充电成本无法进一步降低。

      时段4各节点网损灵敏度如图10所示。在节点18处得到最大网损灵敏度0.778。值得注意的是,节点1的网损灵敏度出现负值,是因为节点1为平衡点,不接负载。节点19和节点2的网损灵敏度接近0,即接入EV后几乎不产生网损。网损灵敏度反映了节点对EV的接纳能力,网损灵敏度大,节点接纳能力差;网损灵敏度小,节点接纳能力强。利用网损灵敏度求网损量,降低了反复潮流计算的复杂性[16]

      图  9  各时段入网EV数量

      Figure 9.  EV numbers in each slot

      ${E^{ {\rm{cap} } } }/{\rm{kW} }\cdot{\rm{h} }$$ {{\rm{P}}_{{\rm{max}}}}$/kW$ T $$ \rho $$ \tau /\min$
      254963015
      $\gamma$$ {k}_{0} $$ {k}_{1} $$ \alpha$$\beta $
      0.530.010.050.000010.0001

      表 1  相关仿真参数设置

      Table 1.  Simulation parameters setting

      图  10  时段4时各电网节点网损灵敏度

      Figure 10.  PLS of each grid node at slot 4

    • 平均分配方案(ED),即EV在可调度区间内以相同的充电功率对EV进行充电,但是不会超过最大充电功率。仅充电平均分配方案(Only Charge Equal Distribution Scheme,OCED),EV无法把能量回馈到电网,只通过充电对电网产生影响。

      自然充电方案(NC),此方案中重要的是确定EV执行放电的时段大小。首先初始化放电区间大小,当EV可调度区间大于两倍放电区间时执行充电,通过最大充电功率充电,然后验证EV最终能量得到充电策略,最后迭代确定最大放电区间。NC方案求解流程图如图11所示。

      图  11  NC方案求解流程图

      Figure 11.  Flow chart of NC

      OCED、NC及基础负荷(Base load)方案的对比结果如图12所示。OCED和NC方案的负荷基本一致,说明NC方案EV的放电过程受限,而且平均分配又使EV的放电过程减少,这两种方法对电网平衡负载和削峰填谷的作用不大。

      图  12  OCED和NC方案对比结果图

      Figure 12.  Comparison diagram of OCED and NC

    • GOS方案要已知入网、离网时间和基础负荷,不具有实际性。采用GOS调度的电网负荷如图13所示。GOS调度EV的充放电量如图14所示。

      图  13  GOS调度后的负荷和基础负荷的对比图

      Figure 13.  Comparison of GOS load and base load

      图  14  GOS调度时EV的充放电电量

      Figure 14.  EV charges and discharges of GOS

      图1314可知,该方法制定的EV调度方案没有在基础负荷上产生大量的引入负荷,略微拉平了负荷曲线,对电网拉平峰谷差的效果不明显。调度后的峰谷差为1034.7 kW,EV充放电任务完成后总消耗电量为731.79 kW.h。

    • SWVSO把EV分成不同组,利用凸优化法对EV进行充电功率可变的充电策略求解。SWVSO的优点是:把大量接入的EV为多个组,避免了大量的计算;不需要预知EV的行驶行为且能快速响应EV的动态到达。SWVSO调度后的电网负荷如图15所示。调度过程中EV的充放电量如图16所示。

    • 图15可知,该方法没有在基础负荷上产生大量负荷,同时EV合理调度改善了基础负荷的尖峰时刻,拉平了负荷曲线,降低了EV充电成本。整体上看,SWVSO实现了大量负荷在空域和时域的转移模式,达到了削峰填谷的效果。

      图15图16可知,在时段10到20附近,基础负荷波动大,调度后的负荷平稳。SWVSO能够平衡电网负载,转移峰值负荷。在时段20到40附近,接入的EV较少,且支持V2G和不支持V2G的EV数量相近,充电和放电相互抵消,所以负荷变化不明显。在时段45和75附近,EV净负荷为负,表现为放电,有效降低了电网负荷峰值。

      图  15  SWVSO调度后负荷和基础负荷对比图

      Figure 15.  Comparison of SWVSO load and base load

      图  16  SWVSO调度时EV充放电电量

      Figure 16.  EV charges and discharges of SWVSO

      结合图8图16可知,在电价峰值时段45和75附近,接入电网的EV放电;在电价谷值时段15和50附近,EV充电。EV在电价波动较大的时段交替进行充放电来获取较大的收益。

      SWVSO调度下EV各时段的充放电行为记录如图17所示。

      图  17  EV充放电行为记录

      Figure 17.  Charge and discharge behavior records of EV

      图17可以看出,多数EV的充放电行为符合调度规律,电价高时放电,电价低时充电。仅极少数EV在入网时间内进行了反复多次的充放电,因此SWVSO一定程度上降低了电池损耗的成本。图17反映的是以充电成本、网损成本和电池老化3项成本来控制电动汽车的充放电频率,比仅考虑充电成本时的充放电切换更加频繁。当实时电价保持各时段不变时,可以通过提升网损成本或电池老化成本的占比来降低充放电频率。此外采用较为宽松的分时电价可以降低电动汽车的充放电切换频率。

    • 表2给出了4种调度方案的调度结果。由表2得,SWVSO调度的EV净充电量为763.14 kW.h,充电总成本为796.29元,考虑老化成本,平均每辆车充电成本为4.89元,较OCED和NC单辆EV充电成本分别降低了31.49%和32.92%。因此,SWVSO在降低EV充电成本上有良好的效果。

      Scheduling methodCharging cost(CNY)Grid loss cost(CNY)Battery ageing cost(CNY)
      OCED1066.8187.000.27
      NC1064.7148.3614.46
      GOS736.750.6111.83
      SWVSO796.358.1415.13
      Scheduling methodPower consumption(kw.h)Peak-valley differenceA EV cost(CNY)
      OCED913.41359.46.43
      NC9121409.16.50
      GOS731.791034.74.51
      SWVSO763.14980.244.89

      表 2  各种充电方法结果情况对比

      Table 2.  Comparison of various charging methods' results

      SWVSO调度后的峰谷差为980.2 kw,比基础负荷、NC和GOS分别降低了13.29%、30.43%和5.56%,故SWVSO在平衡负载和削峰填谷方面有明显的优势。NC的峰谷差增加的原因是EV接入时间分布和基础负荷的峰谷分布趋势一致,且可调度车辆较少,调度能力有限导致负荷峰值愈高、谷值愈低。

      SWVSO调度后电网损耗成本为58.14元,与OCED、NC相比分别降低了2.22倍和1.55倍,SWVSO在降低网损成本方面效果极好。

      SWVSO的老化成本较NC升高,是因为SWVSO对EV调度时,相邻时段的充电功率变化大而NC基本不变。SWVSO在保证变速充电的前提下,老化成本基本持平。网损成本是由于SWVSO调度过程中EV与电网能量交换相较于NC更频繁,存在更多的能量交换造成的。值得注意,默认电网在接受EV回馈电能时也产生能量损失且与电网供电一致,导致SWVSO的网损较实际网损偏高。如何建立各项成本的合理关系,将成为研究的重点内容。

    • 入网EV的数量会影响EV的调度[17]。在确定时段内接入的EV越多充电负荷越多,意味着在EV支持V2G时,电网的可调度负荷也增加,在合理的调度策略下不一定会增加电网运行的负担。设置$ \gamma =0.5 $,即一半EV支持向电网回馈电能。

      图18示出了GOS、SWVSO和NC在不同数量EV时的充电成本。其中,GOS的充电成本最小,SWVSO次之,NC的充电成本最高。

      图  18  不同数量EV的充放电成本

      Figure 18.  Charge and discharge cost of different number of EV

      NC和SWVSO调度不同数量EV的负荷如图19所示。如图19(a)所示,EV数量越多电网的总负荷越大,NC调度能力有限。如图19(b)所示,在时段50到68附近,EV数量越多负荷越大;在时段68到82附近,EV数量越多负荷越小。这说明EV在该时段回馈能量到电网,EV增多增强了电网调度能力,拉平负荷利于电网稳定。以上实验表明,大量的EV接入电网,SWVSO能保障电网的稳定运行,并降低各项成本,减少不必要的损耗。

    • 本文提出了一种基于V2G技术的EV滑窗优化变速充电策略,以老化成本、充电成本和网损成本最小化为目标,求解得到V2G实时调度策略。

      在IEEE33电网模型中,通过比较OCED、NC、GOS和SWVSO方案对EV调度效果,得到以下结论:

      图  19  不同数量EV的总负荷对比图

      Figure 19.  Comparison of total load of different numbers of EV

      (1)OCED和NC调度时,负荷增加,充电成本较高。GOS调度效果最好,但要预知基础负荷和EV行驶特性,不具有实际操作性。

      (2)SWVSO调度下的多数EV的充放电行为符合电价规律,电价高时放电,电价低时充电,很好地降低了充电成本并在合理的范围内降低损耗。

      (3)SWVSO调度且$ \gamma $不变时,一定范围内增加EV数量,电网的调度能力增强,能够拉平负荷曲线。

(19)  表(2) 参考文献 (17)

目录

    /

    返回文章