中國儲能網訊：
摘 要 針對電力系統(tǒng)采用分時電價單一激勵下電動汽車有序充電難以應對風力發(fā)電與日內負荷的供需變化，從而形成峰谷差的問題，提出一種基于電動汽車靈活儲能的分時電價與動態(tài)碳配額雙重激勵調度策略。首先，根據蒙特卡洛對電動汽車充電負荷進行預測，并建立其電池損耗模型。在此基礎上，根據日前預測中各個時段不同供電設備的出力以及碳排放與碳配額的占比，在考慮微電網發(fā)電成本以及用戶期望荷電狀態(tài)的前提下以微電網并網功率均方差最小和用戶收益最大為優(yōu)化目標。通過動態(tài)調整分時電價和階梯碳價，并運用優(yōu)化的灰狼算法對模型進行求解，制定出合理的充放電計劃以充分發(fā)揮電動汽車作為柔性負荷的特點，從而實現平抑微電網負荷曲線波動的目的。最后，將所提策略與無激勵和單一激勵策略進行仿真分析對比，結果顯示負荷峰谷差分別降低了30.1%和18.6%，驗證了其有效性和優(yōu)越性。同時車主用戶收益的提高和碳排放量的降低，驗證了電動汽車的環(huán)保特性需要與清潔能源協(xié)同發(fā)展。
關鍵詞 電動汽車；雙重激勵；微電網；碳配額；階梯碳價
近年來，能源短缺和氣候變暖等問題日益嚴重，電動汽車(electric-vehicle，EV)因其經濟、綠色、智能等優(yōu)點發(fā)展迅速，而隨著電動汽車-電網(vehicle to grid，V2G)技術的逐漸成熟，EV接入微電網得到普及。因為清潔能源以及EV的充電具有隨機性和不確定性，這些特性會給系統(tǒng)造成線路過載、峰上加峰等危害，因此采用何種調度策略促使EV與微電網實現良性互動，降低其造成的負面影響是目前亟需解決的問題。
目前針對EV大規(guī)模、無序接入配電網影響供電可靠性的問題已經有較多研究。分時電價因實用性及調度引導能力強等優(yōu)點成為主要的控制手段，文獻[5-7]以負荷波動以及用戶收益為目標建立經濟調度模型，通過不同時段的電價引導用戶進行充電從而解決負荷尖峰問題。文獻[8]提出一種利用EV靈活特性，建立其與風電和電網負荷的風電協(xié)同利用模型，以負荷均方差最小為目標函數，通過對在不同風電滲透率下的正反調峰情況比較，驗證所提策略的有效性。文獻[9]將電動汽車歸屬為不同代理商，建立了控制中心與代理商雙層控制模型，提出了一種基于動態(tài)分時電價時段制定方法的負荷優(yōu)化配置策略，實現了對風電的消納，削弱了EV并網對電網的沖擊。文獻[10-12]通過對峰谷時段的合理劃分，改進了分時電價模型，并對不同的充電策略進行仿真分析從而實現削峰填谷。
上述文獻大多研究了由分時電價引導進行負荷轉移的優(yōu)化調度策略，然而單一的激勵措施及不妥的電價設置難以應對負荷及風電的隨機波動，大量EV在谷時充電容易造成新的用電高峰。故綜合考慮到EV的靈活儲能特性，以及其與綠色能源發(fā)展的潛在契合特性，本工作在分時電價基礎上，將EV引入到碳交易系統(tǒng)中，提出了一種雙重激勵策略。首先，采用蒙特卡洛對EV充電負荷進行預測，并建立其電池損耗模型。其次，基于日前預測數據以用戶收益最大為經濟指標，以并網功率方差最小為優(yōu)化指標，兼顧微電網運行成本，制定出當日的分時電價與階梯碳價，便于用戶的集群響應。在此基礎上，運用優(yōu)化的灰狼算法對模型進行求解，制定出合理的充放電計劃。最后，算例結果表明，由日前預測的風電冗余功率制定的電價以及由微電網的碳排放量制定的階梯碳價能夠促進微電網的穩(wěn)態(tài)運行，增加用戶的收益有效提升用戶參與調度的積極性。
1 微電網的系統(tǒng)結構分析
含EV的微電網系統(tǒng)如圖1所示，系統(tǒng)內包含風力發(fā)電機組、微燃機、儲能裝置，負荷分為常規(guī)負荷和EV負荷。
圖1 微電網系統(tǒng)結構
在微電網系統(tǒng)中，風電經過調度中心調配向居民及EV供電，在需求較大時向電網購電，從而減小對電網用電的需求。
2 EV的充電模型搭建
2.1 EV負荷建模
EV充電負荷的預測是微電網日前調度的基礎，本工作考慮的為家用轎車，因此應在優(yōu)先滿足用戶期望荷電狀態(tài)(SOC)的前提下，根據微電網的情況進行靈活的優(yōu)化調度。
家用車作為日常的代步工具，其主要需求是“朝九晚五”的上下班，休閑娛樂等。因此本工作根據美國交通部對私家車輛出行調查結果的統(tǒng)計，建立基于蒙特卡洛(Monte Carlo)法對不同數量EV的負荷預測。由統(tǒng)計數據可得家用EV的日行駛距離近似服從正態(tài)分布fm(L)，其當天結束使用的時刻可近似看作為EV的入網時刻，服從正態(tài)分布fs(T)，如式(1)和式(2)所示。
式中，σm=3.2，μm=0.88，σs=3.4，μs=17.6。
當無序充電時，每輛EV的充電時間，充電功率等均不受外界影響，由式(1)可得單輛EV當日的充電時長，如式(3)所示：
式中，d為EV的日行駛距離；E100為EV每百公里的耗電量；Pc為EV的充電功率。
在求得每輛車的充電時長后，根據EV的入網時刻及其充電功率，由疊加定理可求得各時段EV的充電功率，如式(4)所示：
式中，Pev(t)為t時段EV總的充電功率；Pev, n(t)為第n輛EV在t時段充電功率。
2.2 EV電池損耗成本
EV因其使用性質可以當作一種特殊的儲能裝置，但不合理的充放電會加速動力電池的老化，縮短其使用壽命。當前EV的動力電池多為鋰電池，其壽命受到多種因素的影響，如放電深度、充放電時電池及環(huán)境的溫度、充電方式等。因放電深度對電池壽命的影響較大且為可控因素，因此本工作考慮其對電池壽命的影響，圖2為放電深度和電池壽命的關系。
圖2 鋰電池放電深度與循環(huán)壽命的關系
式中，D(t)、Ss(t)、Sf(t)分別為t時刻電池的放電深度、開始充電時的荷電狀態(tài)、結束充電時的荷電狀態(tài)；LD是圖2關于鋰電池放電深度與循環(huán)壽命的擬合函數。
由式(5)可得t時刻電池總放電量LET(t)，進而求得t時刻相應的電池損耗成本Cd(t)：
式中，S
為電池的最大電量。
2.3 EV負荷計算
在MATLAB中，根據Monte Carlo隨機抽樣法由日行駛距離概率分布抽取單量EV的行駛里程，結合式(3)求得充電時長后，再隨機抽取入網時間，結合式(4)通過疊加定理可求得不同數量的EV充電負荷，如圖3所示。
圖3 不同數量EV無序充電總功率
從圖中可以看出，隨著EV數量的增加，充電需求有較明顯的提升，易引起“峰上加峰”，從而對系統(tǒng)造成沖擊。因此制定合理有效的引導策略對微電網的穩(wěn)態(tài)運行有現實意義。
3 雙重激勵優(yōu)化調度模型
目前所實施的有序充電策略主要分為分時電價的引導和充電負荷的直接控制。在滿足EV充電需求前提下，本工作提出了一種基于風電冗余功率制定的分時電價機制和碳配額階梯碳價獎勵機制的雙重激勵策略，為用戶提供更多充放電選擇的同時，充分挖掘EV的“源-荷”作用，降低微電網的峰谷差。
3.1 動態(tài)分時電價模型
分時電價是國家電網為應對居民集中用電對電網造成危害，以電價為信號來引起部分用戶的響應，從而實現需求側用電負荷轉移的措施。通常分為峰、平、谷三個時段，根據每個時段的電價，用戶可以根據自己的需求避開高峰時段，但若以固定時段劃分峰平谷時，無法應對變化的場景，甚至可能會惡化負荷曲線，造成新的波峰波谷。
本工作定義風電冗余功率為風電功率與負荷需求的差值，更能體現微電網此刻電能的供需關系，若以此劃分分時時段，能有效削峰填谷，從而減少對微電網的沖擊，增加對風力能源的消納。
3.2 碳交易成本模型
碳交易是為了實現綠色發(fā)展而把碳排放量作為合法交易商品的一種交易機制，在碳交易機制中，預先給參與交易的主體發(fā)放碳排放配額，其運行流程如圖4所示。
圖4 碳交易流程
風機在t時刻獲得的碳配額如下：
式中，Mc(t)為t時刻微燃機和外部購電需購買的總碳配額；Eth為單位發(fā)電量的碳排放因子；Pc(t)為t時刻微燃機發(fā)電和外部購電的總和；PMT,i(t)為t時刻微燃機i的發(fā)電量；PGrid(t)為t時刻的外部購電量。
為了鼓勵EV積極參與微電網的負荷側響應，將EV引入碳交易體系中，用微燃機發(fā)電與外部購電之和的占比，定義EV的碳排放量，同時為更好應對日內新能源發(fā)電的隨機性制定了階梯碳價，其EV的碳配額收益為：
式中，Mev1(t)為傳統(tǒng)燃油車與EV行駛相同的里程數所產生的碳排放量；Pev(t)為EV在t時刻的充放電功率；Lev為單位電量EV可行駛的里程數；Egas為傳統(tǒng)燃油車單位行駛里程產生的碳排放量；Mev2(t)為充電時EV產生的碳排放；Cev(t)為t時刻碳交易的收益；qev(t)為t時刻碳配額的售價。
因此基于碳配額獎勵機制的主要思想為：
（1）當微電網的碳配額大于碳排放量時，說明此時微電網風電充裕，風力發(fā)電占比較大，此時給予較低的碳配額價格，并獎勵進行充電的用戶，鼓勵用戶在此時充電，促進多余風電的消納。
（2）當微電網的碳配額小于碳排放量時，說明風力發(fā)電占比減小，考慮到現實中用戶的放電積極性不高，為鼓勵用戶放電，微電網給予EV的碳配額獎勵價格會隨著碳排放量的增加而逐層增加，此時獎勵進行放電的用戶，若用戶選擇在此時放電，會有較為可觀的收益。
在t時刻的碳價格如下式：
式中，qev(t)為t時刻的碳配額價格；q圖片(t)為碳配額基礎價格；L為碳配額區(qū)間長度；α為碳配額區(qū)間增長幅度。
3.3 雙重激勵政策
在不考慮引入碳交易政策時，EV僅在分時電價的引導下充放電，因為風電的隨機性以及激勵政策單一性，易造成新的峰谷差，進而惡化負荷曲線。為了發(fā)揮電動汽車作為柔性負荷的特點，提升用戶的積極性，同時響應國家碳減排政策，本工作實施分時電價與動態(tài)碳配額的雙重激勵政策。在保證EV離網時期望SOC的前提下，充分利用分時電價與動態(tài)碳配額的引導作用，避免新的波峰波谷形成，增大激勵力度，提高用戶有序充放電的參與度。
4 EV充放電模型求解
為避免EV的充電給微電網造成的不利影響，設定以并網功率波動方差最小和用戶收益最大為目標函數，同時加入微電網運行成本懲罰系數，減少微電網的運行成本。
4.1 目標函數
4.1.1 負荷均方差最小
本工作以微電網的并網功率方差最小為系統(tǒng)運行穩(wěn)定性指標，并加入微電網運行懲罰成本，目標函數為：
式中，PBA(t)為t時刻蓄電池的充放電功率；Pavg為t時刻并網功率平均值；?為微電網運行成本懲罰系數，CG為微電網運行成本。
目標函數中的相關函數如下：
式中，CG為微電網的運行成本，Cgen、圖片為微電網的發(fā)電成本和碳排放成本；Closs(t)為EV充放電時功率損耗成本；η為功率損耗比；CW、CMT、Cgrid為風力發(fā)電成本、微燃機發(fā)電成本和向電網的購電成本；PMT(t)為t時刻微燃機發(fā)電的總功率。
4.1.2 用戶充放電收益最大
以用戶的收益最大，即用戶的充放電成本最小為經濟指標設定目標函數，目標函數F2為：
式中，c(t)為EV在t時刻充放電的電價。
4.2 約束條件
5 算例分析
5.1 基礎參數設置
以風電作為清潔能源，其中風機的裝機容量為2 MW，微電網的電壓等級為10 kV，假設以某小區(qū)300輛EV，且其電池容量為60 kWh進行分析，常規(guī)模式下EV的充放電功率均為5.4 kW，單位電量的行駛里程為5 km，微燃機最大發(fā)電功率為300 kW，微電網的接線參考圖1，各單元通過調度中心統(tǒng)一協(xié)調，大電網與微電網通過交流母線進行電能傳輸，部分參數參考文獻[22]，碳配額的相關參數詳見表1，時間間隔設置為1 h，微電網運行成本懲罰系數設為0.7，基于日前預測的分時電價見表2。
表1 碳配額相關參數
表2 配電網動態(tài)分時電價
5.2 仿真結果分析
5.2.1 EV在不同場景下的調度結果
（1）等效負荷曲線對比
圖5為EV無序充電前后微電網的等效負荷，由圖可知，在18∶00—21∶00時，風力發(fā)電較小，而居民處在用電高峰期，EV無序充電會造成本就處于用電高峰的基礎負荷峰上加峰，從而會對微電網的穩(wěn)態(tài)運行形成沖擊。
圖5 EV入網前后等效負荷對比
加入適當的激勵措施引導EV有序充放電，會促進微電網的穩(wěn)定運行，因此結合不同時段的碳配額和碳排放量，制定了相對應的碳配額獎勵機制及階梯碳價，見表3。為證明所提策略的有效性，本工作選取不同場景進行對比，場景設置見表4，場景3下設備出力及EV的平均SOC如圖6所示。
表3 配電網的碳價格
表4 不同場景的設置方案
圖6 場景3下設備出力及EV的SOC
圖7為不同場景下等效負荷曲線對比，12∶00—13∶00為高電價時段，在場景2情況下結合圖5并分析可得，此時段風機出力不斷變小，居民負荷小幅增大，從而導致功率缺額不斷上升。但因為電價激勵措施的單一影響，部分EV在高電價時選擇集中放電，此時進行放電易形成新的波谷。表5為不同場景下負荷峰谷差、用戶收益及微電網運行費用對比。通過表5與圖7可以看出，在加入碳配額獎勵后，微電網的等效負荷曲線得到了更為有效平抑，且場景3相較于場景1的等效負荷峰谷差降低了30.1%，與場景2相比降低了18.6%。
圖7 不同場景下的等效負荷對比
表5 不同場景下的峰谷差比值
（2）收益對比
由表5可知，用戶在滿足離網預期SOC的前提下，相對于分時電價的單一激勵，通過碳配額的轉化可增加1倍以上的用戶收益，因EV充放電時的線路損耗成本及電池損耗成本，單一激勵相較于無序充電微電網的運行成本小幅增加。
5.2.2 動靜態(tài)碳配額價格的調度結果對比
從圖8可以看出，在靜態(tài)碳配額價格加入后，雖然增加了新的激勵措施，但由于固定的碳配額價格，并不會對用戶有較強的引導作用，因此中午時段還是會形成新的波谷；而動態(tài)碳配額價格的加入，會給一些停駛的車輛或不急于充電的車輛提供更多更優(yōu)選項，更能適配微電網日內所面對的隨機性。
圖8 動靜態(tài)碳配額價格等效負荷對比
5.2.3 不同數量EV的調度結果對比
本工作分別選取了200、250、300輛EV在場景3下進行對比，其等效負荷的峰谷差和日負荷方差見表6，該地區(qū)典型日負荷曲線如圖9所示。結合表6和圖9可知，EV的數量為300輛時相較于200輛時的峰谷差降低了14.9%，相較于250輛時降低了7.1%。因此在一定數量范圍內時，隨著EV的增多，其削峰填谷的作用會更加明顯，微電網的穩(wěn)定性亦會增加。
表6 不同數量EV的對比
圖9 不同數量EV的典型日負荷曲線
6 結論
本工作提出的雙重激勵調度策略解決了因EV充電及新能源發(fā)電的隨機性形成峰谷差的問題：
（1）將EV引入碳交易系統(tǒng)后實施的雙重激勵策略與原始負荷曲線相比峰谷差降低了30.1%，相較于分時電價單一策略降低了18.6%且用戶的收益提升1倍，削峰填谷能力得到有效提升的同時提高了用戶參與微電網調度的積極性。
（2）相較于靜態(tài)的碳配額價格，動態(tài)價格及不同情況下的獎懲機制更能適應風電的隨機性，負荷曲線得到了有效平抑。且在合理的范圍內，EV數量增多50輛使其峰谷差下降約7%，有利于微電網的優(yōu)化調度。
（3）在今后工作中，應綜合考慮更多典型日的不同情況，使其更具有普適性。
