計(jì)及電動汽車移動儲能動態(tài)電價的微電網(wǎng)優(yōu)化調(diào)度研究及解決方案

摘 要:電動汽車(elecric vehicle,EV)充電負(fù)荷變化量受微電網(wǎng)爬坡性能限制,因此文中考慮微電網(wǎng)機(jī)組爬坡特性,提出一種計(jì)及動態(tài)電價的 EV參與微電網(wǎng)調(diào)度雙層優(yōu)化策略。上層為 EV 負(fù)荷模型,分析不同類型EV 快/慢充特性,考慮微電網(wǎng)電價對EV 充電需求的引導(dǎo),建立以用戶滿意度最大為目標(biāo)的EV負(fù)荷模型。下層為多微電網(wǎng)運(yùn)行模型,根據(jù)微電網(wǎng)凈負(fù)荷大小制定動態(tài)電價策略,考慮EV 充電負(fù)荷對微電網(wǎng)新能源的消納及電源爬坡的需求優(yōu)化各區(qū)域動態(tài)電價,并以微電網(wǎng)凈負(fù)荷波動及運(yùn)行成本最小為目標(biāo),建立多微電網(wǎng)區(qū)域運(yùn)行模型。最后對某城市區(qū)域微電網(wǎng)及 EV 充電需求算例進(jìn)行分析和驗(yàn)證,結(jié)果表明:與固定電價及峰谷分時電價相比,所提方法實(shí)現(xiàn)了EV 負(fù)荷在微電網(wǎng)區(qū)域有序充電、平抑凈負(fù)荷波動的效果,能有效降低充電行為對微電網(wǎng)安全經(jīng)濟(jì)運(yùn)行的影響。

關(guān)鍵詞:電動汽車(EV);微電網(wǎng);動態(tài)電價;快/慢充負(fù)荷;爬坡

一、引言

隨著化石能源的不斷消耗,其導(dǎo)致的環(huán)境問題日益嚴(yán)峻,分布式電源大量人網(wǎng),微電網(wǎng)作為分布式電源的重要載體,逐漸成為解決不可再生能源緊缺及其污染問題的主要形式。同時,由區(qū)域內(nèi)多個微電網(wǎng)經(jīng)輸電線路聯(lián)絡(luò)構(gòu)成的多微電網(wǎng)系統(tǒng)得到了廣泛的關(guān)注和應(yīng)用。電動汽車(electric vehicle,EV)作為微電網(wǎng)中的一種柔性負(fù)荷,不僅能提高微電網(wǎng)內(nèi)可再生能源的利用率,還能增強(qiáng)微電網(wǎng)系統(tǒng)的穩(wěn)定性,具有巨大的經(jīng)濟(jì)效益和環(huán)境價值。但是,隨著 EV 在微電網(wǎng)中的滲透率不斷提升,其時空分布的隨機(jī)性和不確定性會增大微電網(wǎng)原有的負(fù)荷峰值,對微電網(wǎng)的安全穩(wěn)定運(yùn)行造成影響。因此,如何利用 EV 負(fù)荷需求響應(yīng)特性,減小大規(guī)模聚集充電對微電網(wǎng)安全穩(wěn)定運(yùn)行的影響實(shí)現(xiàn) EV 負(fù)荷在微電網(wǎng)區(qū)域的優(yōu)化調(diào)度,具有十分重要的現(xiàn)實(shí)意義。

二、EV充電負(fù)荷預(yù)測模型

文中主要研究私家車、出租車和公交車3類充電負(fù)荷需求,具體分析各類型車輛的充電模式、充電地點(diǎn)和充電時間的選擇,并設(shè)置負(fù)荷預(yù)測模型的各類參數(shù)。

不同類型的EV充電負(fù)荷在時間和空間上都具有隨機(jī)性,近似認(rèn)為3類用戶群體的充電需求初始時刻在不同的時間段都滿足正態(tài)分布,且充電需求初始時刻的 S0C 也滿足正態(tài)分布。

(1)私家車負(fù)荷。私家車的用戶最多,在不同時段和不同地點(diǎn)都有充電需求。在辦公區(qū),用戶在白天工作時段靈活選擇快充或慢充模式補(bǔ)充電能;在商業(yè)區(qū),用戶在白天及傍晚選擇快充模式快速補(bǔ)充電能;在居民區(qū),極少數(shù)用戶在白天選擇快充模式補(bǔ)充電能,大多數(shù)用戶在傍晚及夜間選擇慢充模式補(bǔ)充電能。

(2)出租車負(fù)荷。出租車的運(yùn)營時間為全天,所以一般采取一天兩充的模式,充電時間選擇在人流量較少的時段,分別為中午時段以及午夜時段。由于出租車的行程不固定,所以充電需求節(jié)點(diǎn)分布較為隨機(jī),考慮距離和充電價格后選擇快充模式。

(3)公交車負(fù)荷。公交車的運(yùn)營時間大致為06:00-22:00,其運(yùn)營時間、路線相對集中,可以進(jìn)行集中充電,一般采取一天兩充的模式。隨機(jī)選擇各個微電網(wǎng)充電站節(jié)點(diǎn)進(jìn)行充電,在中午時段進(jìn)行快充,晚上下班后進(jìn)行慢充。

表1為EV充電負(fù)荷預(yù)測參數(shù)。

部分私家車選擇白天在辦公區(qū)、晚上在居民區(qū)進(jìn)行慢充,由于慢充時間較長,所以將此類 EV 看作時間上可轉(zhuǎn)移的負(fù)荷。由于快充時間較短,調(diào)度更為靈活,私家車及出租車處于快充模式時可以在充電時段內(nèi)選擇不同充電站進(jìn)行快充,因此可作為空間上可轉(zhuǎn)移的負(fù)荷。另外,公交車的充電時間和地點(diǎn)相對固定,所以其充電方式在相關(guān)約束下切換充電時間可在固定的某段時間內(nèi)靈活安排。

三、算例分析

3.1情景設(shè)置

文中設(shè)置如下3個對照情景。

情景一:根據(jù)負(fù)荷預(yù)測參數(shù)生成EV快/慢充負(fù)荷曲線,無序充電,采取固定電價模式。

情景二:通過峰谷分時電價引導(dǎo)EV充電需求時空分布。

情景三:采用文中所提方法,通過各區(qū)域微電網(wǎng)動態(tài)電價引導(dǎo)EV 充電需求時空分布。

3.2各區(qū)域負(fù)荷分析

根據(jù)各類型EV負(fù)荷預(yù)測參數(shù),運(yùn)用蒙特卡洛模擬方法對充電位置、充電需求初始時刻及S0C 等參數(shù)進(jìn)行概率抽樣,模擬得到各區(qū)域的快/慢充負(fù)荷。3 個情景所得結(jié)果如圖1所示。

對比各區(qū)域快/慢充負(fù)荷及凈負(fù)荷可知07:00-10:00 時段內(nèi),情景一中辦公區(qū)的快/慢充負(fù)荷均在快速增長,導(dǎo)致辦公區(qū)的凈負(fù)荷爬坡較大,此時快充負(fù)荷通過動態(tài)電價被引導(dǎo)至商業(yè)區(qū)及居民區(qū)進(jìn)行快充，慢充負(fù)荷通過改變充電起始時間，實(shí)現(xiàn)了快/慢充負(fù)荷在時空上的轉(zhuǎn)移。優(yōu)化后，情景三中辦公區(qū)的凈負(fù)荷波動大幅減小,同時對商業(yè)區(qū)及居民區(qū)的凈負(fù)荷波動的影響較小。

10:00-18:00 時段內(nèi),情景一中居民區(qū)微電網(wǎng)內(nèi)有較多的風(fēng)/光出力未被消納,此時辦公區(qū)及商業(yè)區(qū)的部分快充負(fù)荷通過動態(tài)電價被引導(dǎo)至居民區(qū)進(jìn)行快充。情景三通過負(fù)荷轉(zhuǎn)移實(shí)現(xiàn)了風(fēng)/光出力的有效消納,同時對商業(yè)區(qū)的凈負(fù)荷波動也有減小,但辦公區(qū)的凈負(fù)荷波動略有增大。

18:00-24:00 時段內(nèi),光伏停止發(fā)電,風(fēng)電出力減小,各區(qū)域基礎(chǔ)負(fù)荷處于高峰時段,情景一中商業(yè)區(qū)的凈負(fù)荷爬坡最大,此時商業(yè)區(qū)的部分快充負(fù)荷通過動態(tài)電價被引導(dǎo)至辦公區(qū)及居民區(qū)進(jìn)行快充。情景三中辦公區(qū)和居民區(qū)的凈負(fù)荷波動略有增大,但有效緩解了凈負(fù)荷波動對商業(yè)區(qū)微電網(wǎng)帶來的沖擊。

00:00-07:00時段內(nèi),風(fēng)電出力逐漸增大，基礎(chǔ)負(fù)荷用電減小,情景三中辦公區(qū)及居民區(qū)的部分慢充負(fù)荷由 18:00-24:00 時段轉(zhuǎn)移至此時段進(jìn)行充電,商業(yè)區(qū)的部分快充負(fù)荷也轉(zhuǎn)移到辦公區(qū)及居民區(qū)進(jìn)行快充。

情景二則按照不同時段的不同電價對EV 負(fù)荷進(jìn)行引導(dǎo)。相較于情景二,情景三中快充負(fù)荷的調(diào)度更為靈活,其能夠根據(jù)各微電網(wǎng)的運(yùn)行特性選擇不同充電站進(jìn)行電能補(bǔ)充。通過對各個時段的分析,情景三基于各區(qū)域動態(tài)電價引導(dǎo)快/慢充負(fù)荷進(jìn)行時空轉(zhuǎn)移,實(shí)現(xiàn)了多微電網(wǎng)區(qū)域整體利益最優(yōu)。

相較于情景一,情景二中部分區(qū)域的凈負(fù)荷峰谷差及方差出現(xiàn)了不降反升的情況,而情景三中各區(qū)域凈負(fù)荷峰谷差分別減小了 11.3%、22.2%及 19.7%,凈負(fù)荷方差分別減小了 18.9%、22.5%及6.5%。可以發(fā)現(xiàn),通過動態(tài)電價引導(dǎo) E充電需求時空分布,各區(qū)域微電網(wǎng)的凈負(fù)荷峰谷差、方差都得到了不同程度的降低,實(shí)現(xiàn)了多微電網(wǎng)區(qū)域的安全穩(wěn)定運(yùn)行。

四、解決方案

圖2平臺結(jié)構(gòu)圖

充電運(yùn)營管理平臺是基于物聯(lián)網(wǎng)和大數(shù)據(jù)技術(shù)的充電設(shè)施管理系統(tǒng)，可以實(shí)現(xiàn)對充電樁的監(jiān)控、調(diào)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(yàn)和服務(wù)質(zhì)量。用戶可以通過APP或小程序提前預(yù)約充電，避免在充電站排隊(duì)等待的情況，同時也能為充電站提供更準(zhǔn)確的充電需求數(shù)據(jù)，方便后續(xù)的調(diào)度和管理。通過平臺可對充電樁的功率、電壓、電流等參數(shù)進(jìn)行實(shí)時監(jiān)控，及時發(fā)現(xiàn)和處理充電樁故障和異常情況對充電樁的功率進(jìn)行控制和管理，確保充電樁在合理的功率范圍內(nèi)充電，避免對電網(wǎng)造成過大的負(fù)荷。

五、安科瑞充電樁云平臺具體的功能

平臺除了對充電樁的監(jiān)控外，還對充電站的光伏發(fā)電系統(tǒng)、儲能系統(tǒng)以及供電系統(tǒng)進(jìn)行集中監(jiān)控和統(tǒng)一協(xié)調(diào)管理，提高充電站的運(yùn)行可靠性，降低運(yùn)營成本，平臺系統(tǒng)架構(gòu)如圖3所示。

圖3充電樁運(yùn)營管理平臺系統(tǒng)架構(gòu)

大屏顯示：展示充電站設(shè)備統(tǒng)計(jì)、使用率排行、運(yùn)營統(tǒng)計(jì)圖表、節(jié)碳量統(tǒng)計(jì)等數(shù)據(jù)。

圖4大屏展示界面

站點(diǎn)監(jiān)控：顯示設(shè)備實(shí)時狀態(tài)、設(shè)備列表、設(shè)備日志、設(shè)備狀態(tài)統(tǒng)計(jì)等功能。

圖5站點(diǎn)監(jiān)控界面

設(shè)備監(jiān)控：顯示設(shè)備實(shí)時信息、配套設(shè)備狀態(tài)、設(shè)備實(shí)時曲線、關(guān)聯(lián)訂單信息、充電功率曲線等。

圖6設(shè)備監(jiān)控界面

運(yùn)營趨勢統(tǒng)計(jì)：顯示運(yùn)營信息查詢、站點(diǎn)對比曲線、日月年報表、站點(diǎn)對比列表等功能。

圖7運(yùn)營趨勢界面

收益查詢：提供收益匯總、實(shí)際收益報表、收益變化曲線、支付方式占比等功能。

圖8收益查詢界面

故障分析：提供故障匯總、故障狀態(tài)餅圖、故障趨勢分析、故障類型餅圖等功能。

圖9故障分析界面

訂單記錄：提供實(shí)時/歷史訂單查詢、訂單終止、訂單詳情、訂單導(dǎo)出、運(yùn)營商應(yīng)收信息、充電明細(xì)、交易流水查詢、充值余額明細(xì)等功能。

圖10訂單查詢界面

六、產(chǎn)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(yè)快速、經(jīng)濟(jì)、智能運(yùn)營管理的市場需求。實(shí)現(xiàn)對動力電池快速、安全、合理的電量補(bǔ)給，同時為提高公共充電樁的效率和實(shí)用性，具有有智能監(jiān)測：充電樁智能控制器對充電樁具備測量、控制與保護(hù)的功能；智能計(jì)量：輸出配置智能電能表，進(jìn)行充電計(jì)量，具備完善的通信功能；云平臺：具備連接云平臺的功能，可以實(shí)現(xiàn)實(shí)時監(jiān)控，財(cái)務(wù)報表分析等等；遠(yuǎn)程升級：具備完善的通訊功能，可遠(yuǎn)程對設(shè)備軟件進(jìn)行升級；保護(hù)功能：具備防雷保護(hù)、過載保護(hù)、短路保護(hù)，漏電保護(hù)和接地保護(hù)等功能；適配車型：滿足國標(biāo)充電接口，適配所有符合國標(biāo)的電動汽車，適應(yīng)不同車型的不同功率。下面是具體產(chǎn)品的型號和技術(shù)參數(shù)。

八、結(jié)論

針對峰谷分時電價不能較好地應(yīng)用于EV參與微電網(wǎng)調(diào)度的問題,文中提出了計(jì)及動態(tài)電價的EV參與微電網(wǎng)調(diào)度雙層優(yōu)化策略,對峰谷分時電價進(jìn)一步優(yōu)化,根據(jù)各區(qū)域微電網(wǎng)出力以及負(fù)荷的異質(zhì)性,通過電價引導(dǎo)EV 負(fù)荷的時空分布,最后對區(qū)域微電網(wǎng)及EV 充電需求進(jìn)行算例驗(yàn)證,對比不同電價模式下 EV 負(fù)荷參與微電網(wǎng)調(diào)度的結(jié)果,得出以下結(jié)論:

(1)文中通過不同類型EV 負(fù)荷預(yù)測參數(shù)以及快/慢充調(diào)度策略,得到各區(qū)域EV負(fù)荷時空分布由優(yōu)化結(jié)果對比可知,慢充負(fù)荷在不同電價模式下的變化幅度較小,主要是快充負(fù)荷參與電價需求響應(yīng)。

(2)峰谷分時電價引導(dǎo)EV 負(fù)荷參與微電網(wǎng)調(diào)度,在峰谷差、方差及微電網(wǎng)運(yùn)行成本上都只得到小幅度優(yōu)化,甚至出現(xiàn)不降反升的情況;相比于峰谷分時電價,文中動態(tài)電價策略充分考慮微電網(wǎng)內(nèi)機(jī)組的爬坡特性以及新能源的消納,達(dá)到了各區(qū)域凈負(fù)荷“削峰填谷”的實(shí)際效果,實(shí)現(xiàn)了微電網(wǎng)的安全經(jīng)濟(jì)運(yùn)行。

(3)用戶參與需求響應(yīng)會減小出行滿意度,但動態(tài)電價策略大幅提升了用戶的充電費(fèi)用滿意度,使得整體的用戶滿意度得到有效保證,文中雙層優(yōu)化模型將電價作為上下層的交互變量,實(shí)現(xiàn)了微電網(wǎng)與 EV 用戶的互利共贏。

參 考 文 獻(xiàn)：

[1]湯雯博.面向配電網(wǎng)的多微電網(wǎng)協(xié)同優(yōu)化調(diào)度研究[D].南京:南京郵電大學(xué),2020.

TANG Wenbo. Research on collaborative optimal scheduling ofmulti-microgrid for distribution network [ D]. Nanjing :NanjingUniversity of Posts and Telecommunications ,2020.

[2]王愷,趙文會,張偉時,等.雙碳背景下微電網(wǎng)的優(yōu)化配置研究[J].電力需求側(cè)管理,2023,25(4):86-92.

WANG Kai,ZHA0 Wenhui,ZHANG Weishi,et al. Optimal al-location of microgrid under the background of carbon peakingand neutralization[」. Power Demand Side Management ,2023 ,25(4):86-92.

[3]陳津.電動汽車接人下區(qū)域聯(lián)合微網(wǎng)的經(jīng)濟(jì)調(diào)度策略與協(xié)同優(yōu)化方法[D].武漢:華中科技大學(xué),2019.

CHEN Jin. Economic dispatching strategy and cooperative optimization of regional combined microgrids with integration of e-lectric vehicles [ D ]. Wuhan : HuazhongyUniversity of Scienceand Technology,2019.

[4]FOTOUHI Z,HASHEMI M R,NARIMANI H,et al. A generalmodel for EV drivers' charging behavior[ J]. lEEE Transactionson Vehicular Technology,2019,68(8):7368-7382.

[5]程杉,陳梓銘,徐康儀,等.基于合作博弈與動態(tài)分時電價的電動汽車有序充放電方法[J.電力系統(tǒng)保護(hù)與控制,2020，48(21):15-21.

CHENG Shan, CHEN Ziming, XU Kangyi,et al. An orderlycharging and discharging method for electric vehicles based on acooperative game and dyamic time-of-use price [ 」]. PowerSystem Protection and Control,2020,48(21):15-21.

[6]陳麗丹,張堯,Antonio Figueiredo.電動汽車充放電負(fù)荷預(yù)測研究綜述[J].電力系統(tǒng)自動化,2019,43(10):177-191.

CHEN Lidan,ZHANG Yao,FIGUEIREDO A. Overview of char-ging and discharging load forcasting for electric vehiclesJ]Automation of Electric Power Systems,2019,43( 10):177-191.

[7]蔡黎,葛棚丹,代妮娜,等.電動汽車人網(wǎng)負(fù)荷預(yù)測及其與電網(wǎng)互動研究進(jìn)展綜述[J].智慧電力,2022,50(7):96-103.

CAl Li,GE Pengdan,DAl Nina,et al. Review of research pro-gress on load prediction and grid interaction of electric vehicles[J].Smart Power,2022,50(7):96-103.

[8]王浩林,張勇軍,毛海鵬.基于時刻充電概率的電動汽車充電負(fù)荷預(yù)測方法[J].電力自動化設(shè)備,2019,39(3):207-213.

WANG Haolin,ZHANG Yongjun, MA0 Haipeng. Chargingload forecasting method based on instantaneous charging prob.ability for electric vehicles[ Jl. Electric Power Automation E.quipment,2019,39(3):207-213.

[9]姜欣,馮永濤,熊虎,等.基于出行概率矩陣的電動汽車充電站規(guī)劃[J].電工技術(shù)學(xué)報,2019,34(S1):272-281.

JANG Xin,FENG Yongtao ,XIONG Hu,et al. Electric vehiclecharging station planning based on travel probability matrix[J]. Transactions of China Electrotechnical Society, 2019, 34(S1):272-281.

審核編輯 黃宇