入網(wǎng)電動(dòng)汽車集群的分層控制方法

唐佳，高爽，王丹，宋毅，楊占勇

(1.天津大學(xué)電氣與自動(dòng)化工程學(xué)院，天津市 300072；2.國(guó)網(wǎng)北京經(jīng)濟(jì)技術(shù)研究院，北京市 102209；3.中國(guó)電力科學(xué)研究院，北京市 100192)

?

入網(wǎng)電動(dòng)汽車集群的分層控制方法

唐佳1，高爽1，王丹1，宋毅2，楊占勇3

(1.天津大學(xué)電氣與自動(dòng)化工程學(xué)院，天津市 300072；2.國(guó)網(wǎng)北京經(jīng)濟(jì)技術(shù)研究院，北京市 102209；3.中國(guó)電力科學(xué)研究院，北京市 100192)

電動(dòng)汽車(electric vehicle，EV)規(guī)模化接入電網(wǎng)需要合理的控制框架和算法。為了優(yōu)化電動(dòng)汽車的充放電管理，首先介紹了電動(dòng)汽車代理商(aggregator)的概念，并在此基礎(chǔ)上提出了一種電動(dòng)汽車集群的分層控制架構(gòu)?；陔妱?dòng)汽車分層控制的結(jié)構(gòu)，構(gòu)建了電動(dòng)汽車雙層優(yōu)化控制數(shù)學(xué)模型，從而實(shí)現(xiàn)了電網(wǎng)負(fù)荷削峰填谷的目的。為了避免隨著電動(dòng)汽車數(shù)目增加導(dǎo)致的集中式方法難以求解的問(wèn)題，提出了一種改進(jìn)的求解算法，將高維的優(yōu)化問(wèn)題分解成多個(gè)低維的子優(yōu)化問(wèn)題，得到了很好的收斂特性，顯著提高了計(jì)算效率。最后，通過(guò)不同的算例場(chǎng)景，驗(yàn)證了所提出模型與改進(jìn)算法的有效性和實(shí)用性。

電動(dòng)汽車(EV)；電動(dòng)汽車聯(lián)網(wǎng)(V2G)；電動(dòng)汽車代理商；分層優(yōu)化

0 引 言

隨著環(huán)境和能源問(wèn)題的日益嚴(yán)重，電動(dòng)汽車(electric vehicle, EV)作為一種綠色、清潔、環(huán)保的能源終端正受到各國(guó)政府、能源企業(yè)以及汽車生產(chǎn)廠家的越來(lái)越多的關(guān)注。電動(dòng)汽車不同于傳統(tǒng)的電力負(fù)荷，電動(dòng)汽車的電池作為一種分布式的儲(chǔ)能裝置，具有靈活可控的特性，能夠積極的參與到電網(wǎng)的運(yùn)行當(dāng)中，為電網(wǎng)提供必要的支撐，基于此，電動(dòng)汽車聯(lián)網(wǎng)(vehicle-to-grid, V2G)的概念被提出。V2G是指利用電動(dòng)汽車靈活可控的特性，對(duì)電動(dòng)汽車的充放電過(guò)程進(jìn)行相應(yīng)的控制，從而使電動(dòng)汽車積極的參與到電網(wǎng)運(yùn)行過(guò)程的技術(shù)[1]。

電動(dòng)汽車既可以從電網(wǎng)汲取電能，也可以給電網(wǎng)反饋能量。通過(guò)對(duì)電動(dòng)汽車的優(yōu)化控制，不僅能夠減少大規(guī)模電動(dòng)汽車并網(wǎng)對(duì)電網(wǎng)產(chǎn)生的負(fù)面影響，還能夠?yàn)殡娋W(wǎng)的運(yùn)行提供必要的支撐，比如削峰填谷、減少網(wǎng)損、促進(jìn)可再生能源的入網(wǎng)以及提供輔助服務(wù)等[2]。文獻(xiàn)[3]建立了電動(dòng)汽車充放電進(jìn)行削峰填谷的數(shù)學(xué)模型，并提出了一種分布式的求解算法，提高了求解效率。文獻(xiàn)[4]在考慮電動(dòng)汽車隨機(jī)性的情況下提出了一種基于靈敏度的電動(dòng)汽車實(shí)時(shí)優(yōu)化算法，在滿足用戶需求的同時(shí)降低了系統(tǒng)的損耗。文獻(xiàn)[5]建立了電動(dòng)汽車和風(fēng)機(jī)協(xié)調(diào)調(diào)度的模型，不僅節(jié)約了運(yùn)行成本，還平抑了風(fēng)機(jī)的功率波動(dòng)，穩(wěn)定了系統(tǒng)的電壓和頻率。文獻(xiàn)[6]對(duì)電動(dòng)汽車參與旋轉(zhuǎn)備用市場(chǎng)進(jìn)行了研究，通過(guò)建模和仿真分析發(fā)現(xiàn)，電動(dòng)汽車參與旋轉(zhuǎn)備用不僅可以提高系統(tǒng)穩(wěn)定性，還可以節(jié)省成本。

在當(dāng)前，對(duì)電動(dòng)汽車的優(yōu)化控制問(wèn)題研究大多都是基于電動(dòng)汽車代理商(Aggregator)開(kāi)展的[7-10]。因此，本文在Aggregator的概念之下，首先討論電動(dòng)汽車的入網(wǎng)框架以及優(yōu)化算法問(wèn)題。其次，本文提出一種電動(dòng)汽車雙層調(diào)度的控制方法。由于電動(dòng)汽車集中式求解的速度和效率隨著電動(dòng)汽車數(shù)目的增加迅速降低，本文提出一種能夠顯著提高優(yōu)化求解速度的改進(jìn)方法。最后，本文通過(guò)不同的算例驗(yàn)證雙層調(diào)度模型以及基于改進(jìn)的優(yōu)化求解方法的有效性。

1 電動(dòng)汽車調(diào)度與控制方法

1.1 電動(dòng)汽車入網(wǎng)結(jié)構(gòu)

當(dāng)前很多的研究都是采用電網(wǎng)調(diào)度機(jī)構(gòu)直接控制電動(dòng)汽車充放電的控制架構(gòu)，這種框架在電動(dòng)汽車數(shù)目較小時(shí)簡(jiǎn)單便于施行，但是在電動(dòng)汽車數(shù)目龐大的時(shí)候該框架是不能適應(yīng)的。首先，電網(wǎng)對(duì)大量的電動(dòng)汽車進(jìn)行直接調(diào)度會(huì)導(dǎo)致“維數(shù)災(zāi)”問(wèn)題的出現(xiàn)，求解將變得十分困難。其次，直接調(diào)度會(huì)增加電網(wǎng)調(diào)度機(jī)構(gòu)的通信負(fù)擔(dān)，電網(wǎng)調(diào)度機(jī)構(gòu)需要不斷采集電動(dòng)汽車的狀態(tài)信息以及發(fā)送調(diào)度指令，這對(duì)通信網(wǎng)絡(luò)的可靠性和帶寬提出了非常高的要求[10]。此外，單臺(tái)電動(dòng)汽車獨(dú)自接入電網(wǎng)，由于其 kW級(jí)的功率級(jí)別對(duì)電網(wǎng)的影響是微不足道的，無(wú)法形成規(guī)模效應(yīng)。綜上所述，相關(guān)學(xué)者提出在電網(wǎng)調(diào)度機(jī)構(gòu)和電動(dòng)汽車用戶之間加入中間代理商(Aggregator)的控制層的控制架構(gòu)[11]。Aggregator扮演電網(wǎng)調(diào)度機(jī)構(gòu)和電動(dòng)汽車用戶之間進(jìn)行交互的中間人的角色，Aggregator直接控制電動(dòng)汽車，代表電動(dòng)汽車用戶參與到電網(wǎng)調(diào)度運(yùn)行當(dāng)中?；贏ggregator的概念，一種比較合理的多層控制架構(gòu)如圖1所示。

圖1 電動(dòng)汽車分層控制架構(gòu)

配電系統(tǒng)按照區(qū)域的不同將電網(wǎng)分成不同的區(qū)域，在不同區(qū)域當(dāng)中有中間代理商負(fù)責(zé)調(diào)度管理電動(dòng)汽車。直接和電動(dòng)汽車相連的Aggregator稱為底層代理商，主要負(fù)責(zé)直接控制電動(dòng)汽車的充放電過(guò)程。而底層代理商的上一層(Aggregator of Aggregators)稱為上層代理商，主要負(fù)責(zé)協(xié)調(diào)區(qū)域內(nèi)的電動(dòng)汽車代理商的行為。在這種分區(qū)域多層級(jí)的控制架構(gòu)下，代理商代表電動(dòng)汽車用戶參與電網(wǎng)調(diào)度，電網(wǎng)調(diào)度機(jī)構(gòu)不用再具體關(guān)心每輛電動(dòng)汽車的充放電過(guò)程，優(yōu)化求解困難以及通信量大等問(wèn)題可以得到有效解決。此外，Aggregator通過(guò)聚集的能量還可以代表電動(dòng)汽車用戶參與到電力市場(chǎng)當(dāng)中提供輔助服務(wù)等獲得相應(yīng)的報(bào)酬，為用戶節(jié)省成本[12]。

1.2 電動(dòng)汽車優(yōu)化算法

電動(dòng)汽車的優(yōu)化調(diào)度主要可以分為：(1)單向V2G，即只考慮電動(dòng)汽車的充電過(guò)程；(2)雙向V2G，考慮電動(dòng)汽車的充放電過(guò)程。進(jìn)而，每類的電動(dòng)汽車優(yōu)化調(diào)度又可以分為：(1)靜態(tài)集中控制，不考慮電動(dòng)汽車用戶的動(dòng)態(tài)特性，采用集中優(yōu)化調(diào)度方法；(2)動(dòng)態(tài)集中調(diào)度，考慮電動(dòng)汽車用戶動(dòng)態(tài)特性的集中優(yōu)化調(diào)度；(3)靜態(tài)分布式調(diào)度，不考慮電動(dòng)汽車用戶動(dòng)態(tài)特性的分布式優(yōu)化方法；(4)考慮電動(dòng)汽車用戶動(dòng)態(tài)特性的分布式優(yōu)化方法。每種優(yōu)化問(wèn)題的求解方法有傳統(tǒng)線性規(guī)劃、二次規(guī)劃等，也有新興的智能算法如遺傳算法(genetic algorithm，GA)，粒子群優(yōu)化算法(particle swarm optimization，PSO)等，如圖2所示[13-17]。

2 基于Aggregator的雙層調(diào)度模型

本文考慮在電動(dòng)汽車用戶和電網(wǎng)上層調(diào)度機(jī)構(gòu)之間加入中間代理商Aggregator。在上層調(diào)度中，電網(wǎng)調(diào)度機(jī)構(gòu)根據(jù)Aggregator上報(bào)的其管轄的電動(dòng)汽車的使用情況(比如每個(gè)階段Aggregator的電動(dòng)汽車入網(wǎng)情況、充電需求等)制定各個(gè)代理商在各個(gè)時(shí)間段的充放電策略D={D(1),D(2),…,D(T)}，從而實(shí)現(xiàn)削峰填谷、網(wǎng)損最小等目標(biāo)。在下層調(diào)度，Aggregator根據(jù)上層調(diào)度給出的調(diào)度計(jì)劃D，協(xié)調(diào)控制其管轄的電動(dòng)汽車跟蹤各個(gè)時(shí)段的目標(biāo)值。

圖2 電動(dòng)汽車優(yōu)化優(yōu)化控制方法

2.1 上層優(yōu)化模型

本文的上層調(diào)度的目標(biāo)是利用電動(dòng)汽車的充放電進(jìn)行削峰填谷，即調(diào)度電動(dòng)汽車的充電過(guò)程使得在研究的時(shí)間段內(nèi)系統(tǒng)總的負(fù)荷水平方差最小。由于電動(dòng)汽車裝備有先進(jìn)的功率變換器，所以假設(shè)電動(dòng)汽車的充電功率可以是[0,Pi,max]的任一值，且電動(dòng)汽車在調(diào)度時(shí)間間隔Δt內(nèi)的充電功率保持恒定不變。上層調(diào)度的數(shù)學(xué)模型為

(1)

式中

(2)

約束條件為

(3)

上層的目標(biāo)函數(shù)的包含2項(xiàng)，第1項(xiàng)是系統(tǒng)在T個(gè)時(shí)段內(nèi)的總的負(fù)荷水平方差，第2項(xiàng)是下層各個(gè)Aggregator實(shí)際調(diào)度和上層給的目標(biāo)值Dn之間產(chǎn)生偏差的懲罰項(xiàng)。當(dāng)αn越小意味上層調(diào)度機(jī)構(gòu)更注重系統(tǒng)的削峰填谷效果。隨著αn的值越來(lái)越大，下層調(diào)度產(chǎn)生偏差的懲罰越來(lái)越大，意味著上層調(diào)度機(jī)構(gòu)更關(guān)注下層Aggregator是否能夠跟蹤上目標(biāo)值Dn。

2.2 下層跟蹤模型

當(dāng)上層調(diào)度機(jī)構(gòu)給出下層Aggregator的調(diào)度計(jì)劃Dn之后，各個(gè)Aggregator控制其所管轄的電動(dòng)汽車充放電過(guò)程進(jìn)行跟蹤，使得其負(fù)荷需求和跟蹤目標(biāo)偏差最小，第n個(gè)Aggregator的跟蹤數(shù)學(xué)模型為

(5)

滿足：

(6)

(7)

本文參考文獻(xiàn)[18]的求解方法，對(duì)上、下層的優(yōu)化問(wèn)題進(jìn)行交替求解。上下層的優(yōu)化問(wèn)題是一個(gè)典型的非線性凸規(guī)劃問(wèn)題，本文采用內(nèi)點(diǎn)法求解。

3 改進(jìn)的優(yōu)化求解算法

雖然上述的優(yōu)化問(wèn)題是一個(gè)凸規(guī)劃優(yōu)化問(wèn)題，求解起來(lái)不是特別復(fù)雜，但是隨著電動(dòng)汽車數(shù)目的增加，Aggregator求解的優(yōu)化問(wèn)題的維數(shù)就會(huì)快速增加，如果采用集中式的求解方法，問(wèn)題的復(fù)雜度將呈指數(shù)式的增長(zhǎng)，求解效率將會(huì)變得十分低下。本文將Aggregator求解的高維度優(yōu)化問(wèn)題分解成多個(gè)低維的優(yōu)化問(wèn)題進(jìn)行求解，由于低維度的優(yōu)化問(wèn)題求解更加可靠和高效，因此，本文提出的基于分解的改進(jìn)算法求解效率得到了顯著的提高，下面以某個(gè)Aggregator的求解步驟作說(shuō)明，假設(shè)該Aggregator管轄N臺(tái)電動(dòng)汽車。

步驟2 設(shè)i=1。

步驟4 計(jì)算如下優(yōu)化問(wèn)題

(9)

(10)

步驟5i=i+1，判斷i是否大于N，若是，則轉(zhuǎn)向步驟6，否則轉(zhuǎn)向步驟3。

步驟6m=m+1，判斷是否滿足收斂條件或者達(dá)到最大迭代次數(shù)，若滿足，則轉(zhuǎn)向步驟7，否則轉(zhuǎn)向步驟2。

步驟7 迭代結(jié)束，輸出結(jié)果。

從步驟1～步驟7可以看到，N×T維的優(yōu)化問(wèn)題被分解成N個(gè)T維的低維度問(wèn)題，在每次迭代運(yùn)算當(dāng)中，只需求解N次問(wèn)題(9)中的T維優(yōu)化問(wèn)題，該算法在經(jīng)過(guò)幾次的迭代過(guò)程后就能夠收斂到最優(yōu)值的附近，且每臺(tái)EV的充電需求都能夠滿足。

4 算例分析

首先對(duì)下層調(diào)度的集中式求解和運(yùn)用改進(jìn)式算法的求解結(jié)果進(jìn)行了對(duì)比，其次討論了雙層優(yōu)化模型中α懲罰系數(shù)對(duì)調(diào)度結(jié)果的影響。考慮到大部分的電動(dòng)汽車都會(huì)在晚上進(jìn)行充電，本文假設(shè)對(duì)電動(dòng)汽車充放電進(jìn)行控制的時(shí)間為20:00到次日06:00，時(shí)間間隔Δt為1h。本文下層設(shè)置1個(gè)Aggregator，假設(shè)該Aggregator總共有2種電動(dòng)汽車類型[19]，第1種類型(EV1)是NisssanLeaf，最大充電功率是3.3kW，電池容量是24kW·h。第2種類型(EV2)是TeslaRoadster，最大充電功率是10kW，電池容量是53kW·h，EV1和EV2各占50%。由文獻(xiàn)[20]可知，電動(dòng)汽車用戶的入網(wǎng)時(shí)間、離網(wǎng)時(shí)間和SOC近似滿足正態(tài)分布，本文假設(shè)該3個(gè)變量為獨(dú)立變量，仿真時(shí)隨機(jī)產(chǎn)生3組正態(tài)分布變量進(jìn)行隨機(jī)組合。假設(shè)電動(dòng)汽車的充電效率η都為0.9，每個(gè)電動(dòng)汽車用戶離網(wǎng)時(shí)SOC的要求是0.90～0.95。假設(shè)系統(tǒng)排除電動(dòng)汽車充電負(fù)荷的凈負(fù)荷如圖3所示。

圖3 系統(tǒng)的凈負(fù)荷曲線

場(chǎng)景1α=0，電動(dòng)汽車數(shù)目不同。

(1)電動(dòng)汽車為200臺(tái)時(shí)，集中式求解結(jié)果和改進(jìn)算法求解結(jié)果如圖4所示。

圖4 200臺(tái)電動(dòng)汽車充電的優(yōu)化結(jié)果

(2)電動(dòng)汽車為400臺(tái)時(shí)，集中式求解結(jié)果和改進(jìn)算法求解結(jié)果如圖5所示。

圖5 400臺(tái)電動(dòng)汽車充電的優(yōu)化結(jié)果

(3)當(dāng)電動(dòng)汽車數(shù)量到達(dá)1 000臺(tái)時(shí)，集中式求解的變量有10 000個(gè)，求解十分困難，因此此處只給出了改進(jìn)算法的計(jì)算結(jié)果，如圖6。圖7是隨機(jī)抽取的2臺(tái)電動(dòng)汽車各個(gè)時(shí)段的SOC狀態(tài)。

圖6 1 000臺(tái)電動(dòng)汽車改進(jìn)算法求解結(jié)果

由圖4～7可以看出，調(diào)度電動(dòng)汽車能夠?qū)崿F(xiàn)削峰填谷的作用，而且每臺(tái)電動(dòng)汽車的SOC都能都?jí)驖M足用戶的出行需求。下層Aggregator運(yùn)用集中式求解方法和本文提出的改進(jìn)求解方法的計(jì)算結(jié)果如表1、2所示。

從表1～2可以看出，在下層Aggregator的優(yōu)化計(jì)算當(dāng)中，集中式的求解方法和本文提出的分解算法都能夠達(dá)到比較理想的計(jì)算結(jié)果，基于分解的優(yōu)化方法在迭代幾次之后就能夠非常接近集中式的計(jì)算結(jié)果。

圖7 隨機(jī)抽取電動(dòng)汽車SOC變化情況

表2 集中式和改進(jìn)算法計(jì)算結(jié)果對(duì)比

場(chǎng)景2α=0,50,1×106，電動(dòng)汽車數(shù)量400臺(tái)。

本小節(jié)研究不同的懲罰系數(shù)對(duì)調(diào)度結(jié)果的影響。為了評(píng)價(jià)優(yōu)結(jié)果的優(yōu)劣，本文上層調(diào)度采用總負(fù)荷水平的方差σ1、下層調(diào)度采用Aggregator的實(shí)際調(diào)度結(jié)果和目標(biāo)值之間差的平方的和σ2作為評(píng)價(jià)指標(biāo)。其中

(11)

(13)

σ1越小表示削峰填谷的效果越好，σ2越小代表下層Aggregator調(diào)度的結(jié)果越接近目標(biāo)值。

當(dāng)α=0,50,1×10時(shí)，上、下層的調(diào)度結(jié)果如表3所示。

表3 不同懲罰系數(shù)優(yōu)化結(jié)果

Table 3 Optimization result with different penalty coefficients

從表3可以看出，當(dāng)α=0時(shí)，雙層調(diào)度以上層調(diào)度為關(guān)鍵，上層優(yōu)化的結(jié)果不受下層跟蹤的結(jié)果的影響，所以上層調(diào)度的方差最小，但是下層跟蹤效果最差。隨著α的不斷上升，目標(biāo)函數(shù)對(duì)下層跟蹤產(chǎn)生的偏差的懲罰越來(lái)越大，所以σ2會(huì)隨之減少，當(dāng)α→∞，雙層調(diào)度以下層跟蹤為中心，σ2→∞，而σ1會(huì)隨之相應(yīng)增加。

從上述2個(gè)場(chǎng)景的仿真結(jié)果看出，本文提出的電動(dòng)汽車雙層優(yōu)化模型能夠?qū)崿F(xiàn)削峰填谷的目的，平滑電網(wǎng)負(fù)荷的波動(dòng)。提出的基于分解的求解方法不僅能夠顯著提高求解效率，而且具有很好的收斂特性，并且能夠收斂到全局最優(yōu)值值的附近，具有很高的工程實(shí)用價(jià)值。

5 結(jié) 論

本文建立了電動(dòng)汽車集群的雙層優(yōu)化調(diào)度模型，上層考慮的是電網(wǎng)負(fù)荷的削峰填谷，下層考慮的是Aggregator在電動(dòng)汽車用戶用電需求等約束下調(diào)度電動(dòng)汽車充放電來(lái)跟蹤上層調(diào)度的目標(biāo)值。對(duì)于本文提出的雙層優(yōu)化模型，采用上、下層交替求解的方法，上層和下層問(wèn)題的求解均采用內(nèi)點(diǎn)法?？紤]到集中式求解大規(guī)模非線性優(yōu)化問(wèn)題隨著電動(dòng)汽車數(shù)目的增加效率急劇下降的問(wèn)題，本文提出了一種改進(jìn)的優(yōu)化求解方法，將高維的優(yōu)化問(wèn)題分解成多個(gè)低維的優(yōu)化問(wèn)題，提高了求解效率。算例結(jié)果表明，電動(dòng)汽車的雙層優(yōu)化調(diào)度模型能夠在滿足用戶需求等約束下有效的實(shí)現(xiàn)負(fù)荷削峰填谷的目的，為了實(shí)現(xiàn)該目標(biāo)，大部分的電動(dòng)汽車汽車應(yīng)該選擇在晚間負(fù)荷低谷時(shí)進(jìn)行充電。雖然本文的研究能夠?qū)崿F(xiàn)大規(guī)模電動(dòng)汽車的優(yōu)化調(diào)度以及提高了求解效率，但是在以后的研究工作中還需要進(jìn)一步改進(jìn)，比如豐富電網(wǎng)的模型、考慮更多的用戶需求等。

[1]Kempton W, Tomic J. Vehicle-to-grid power fundamentals: Calculating capacity and net revenue [J]. Journal of Power Sources, 2005, 144(1): 268-279.

[2]胡澤春, 宋永華, 徐智威，等. 電動(dòng)汽車接入電網(wǎng)的影響與利用[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2012, 32(4):1-10. Hu Zechun, Song Yonghua, Xu Zhiwei, et al. Impacts and utilization of electric vehicles integration into power systems[J]. Proceedings of the CSEE,2012,32(4):1-10.

[3]Gan L, Topcu U, Low S. Optimal decentralized protocol for electric vehicle charging[J].IEEE Transactions on Power Systems, 2011，28(2):5798-5804.

[4]Deilami S, Masoum A S, Moses P S, et al. Real-time coordination of plug-in electric vehicle charging in smart grids to minimize power losses and improve voltage profile[J]. IEEE Transactions on Smart Grid, 2011, 2(3):456-467.

[5]Gao S, Chau K T, Liu C, et al. Integrated energy management of plug-in electric vehicles in power grid with renewables[J].IEEE Transactions on Vehicular Technology, 2014, 63(7):3019-3027.

[6]Han S,Han S, Sezaki K. Development of an optimal vehicle-to-grid aggregator for frequency regulation[J]. IEEE Transactions on Smart Grid, 2010, 1(1):65-72.

[7]Wu C, Mohsenian-Rad H, Huang J. Vehicle-to-aggregator interaction game[J]. IEEE Transactions on Smart Grid, 2012, 3(1):434-442.

[8]Wu D,Aliprantis D C, Ying L. Load scheduling and dispatch for aggregators of plug-in electric vehicles[J]. IEEE Transactions on Smart Grid, 2012, 3(1):368-376.

[9]王錫凡, 邵成成, 王秀麗，等. 電動(dòng)汽車充電負(fù)荷與調(diào)度控制策略綜述[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2013, 33(1):1-10. Wang Xifan, Shao Chengcheng,Wang Xiuli,et al. Survey of electric vehicle charging load and dispatch control strategies[J]. Proceedings of the CSEE,2013,33(1):1-10.

[10]Guille C, Gross G. A conceptual framework for the vehicle-to-grid (V2G) implementation[J]. Energy Policy, 2009, 37(11):4379-4390.

[11]Zhou K, Cai L. Randomized PHEV charging under distribution grid constraints[J]. IEEE Transactions on Smart Grid, 2014, 5(2):879-887.

[12]Lin J, Leung K. Optimal scheduling for vehicle-to-grid regulation service[J]. IEEE Internet of Things Journal,2014,6(1):556-569.

[13]Fan Z. A distributed demand response algorithm and its application to PHEV charging in smart grids[J]. IEEE Transactions on Smart Grid, 2012, (3):1280-1290.

[14]Wen C, Chen J, Teng J, et al. Decentralized plug-in electric vehicle charging selection algorithm in power systems[J].IEEE Transactions on Smart Grid, 2012, (4):1779-1789.

[15]Jin C, Tang J, Ghosh P. Optimizing electric vehicle charging with energy storage in the electricity market[J]. IEEE Transactions on Smart Grid, 2013, (1):311-320.

[16]Ansari M, Sortomme E. Coordinated bidding of ancillary services for vehicle-to-grid using fuzzy optimization[J]. IEEE Transactions on Smart Grid, 2015,6(1):261-271.

[17]Momber I, Siddiqui A, Gomez San Roman T, et al. Risk averse scheduling by a PEV aggregator under uncertainty[J]. IEEE Transactions on Power Systems, 2015, 30(2):882-891.

[18]姚偉鋒, 趙俊華, 文福拴，等. 基于雙層優(yōu)化的電動(dòng)汽車充放電調(diào)度策略[J]. 電力系統(tǒng)自動(dòng)化, 2012, 36(11):30-37. Yao Weifeng,Zhao Junhua,Wen Fushuan,et al. A charging and dispatching strategy for electric vehicles on bi-level optimization[J]. Automation of Electric Power System, 2012, 36(11):30-37.

[19]Li Z, Guo Q, Sun H, et al. A decentralized optimization method to track electric vehicle aggregator’s optimal charging plan[C]//Proceedings of PES General Meeting. Washington D.C : IEEE，2014: 1-5.

[20]羅卓偉, 胡澤春, 宋永華，等. 電動(dòng)汽車充電負(fù)荷計(jì)算方法[J]. 電力系統(tǒng)自動(dòng)化, 2011, 35(14):36-42. Luo Zhuowei, Hu Zechun, Song Yonghua, et al. Study on plug-in electric vehicles charging load calculating[J]. Automation of Electric Power System,2011, 35(14):36-42.

(編輯：蔣毅恒)

A Hierarchical Control Algorithm for Aggregated Electric Vehicles in Distribution Networks

TANG Jia1, GAO Shuang1, WANG Dan1, SONG Yi2, YANG Zhanyong3

(1.Colleage of Electrical Engineering and Automation, Tianjin University, Tianjin 300072, China;2.State Power Economic Research Institute, Beijing 102209, China;3.China Electric Power Research Institute, Beijing 100192, China)

A large number of electric vehicles (EVs) getting connected to power grid need feasible control architecture and optimization algorithm. In order to optimize the charging and discharging management of EVs, this paper first introduced the concept of EVs aggregator, and then proposed hierarchical control architecture for EVs. Based on the hierarchical control architecture of EVs, this paper constructed a bi-level optimization control model for EVs to achieve the goal of valley-filling. In order to avoid the difficulties in solving the optimization problem with the increasing of EVs, an improved solution algorithm was proposed, which decomposed the high-dimensional optimization problem into many low-dimensional ones, so has good convergence property and could greatly improve the computational efficiency. Finally, the effectiveness and practicability of the proposed model and improved algorithm were verified through different case scenarios.

electric vehicles(EV); vehicle-to-grid (V2G); EV aggregator; hierarchical optimization

國(guó)家高技術(shù)研究發(fā)展計(jì)劃(863計(jì)劃)項(xiàng)目(2014AA051901)；國(guó)家自然科學(xué)基金項(xiàng)目(51377117,51407125,51361135704)；中國(guó)博士后科學(xué)基金(2013M540207)；國(guó)家電網(wǎng)公司管理科技項(xiàng)目(5217L0150004)。

TM 910.6；U 469.72

A

1000-7229(2015)07-0146-07

10.3969/j.issn.1000-7229.2015.07.021

2015-04-22

2015-06-04

唐佳(1992)，男 ，碩士研究生，主要研究方向?yàn)殡妱?dòng)汽車并網(wǎng)；

高爽(1992)，女，博士，講師，通信作者，主要研究方向?yàn)殡妱?dòng)汽車并網(wǎng)，主動(dòng)配電網(wǎng)與電力電子系統(tǒng)集成等；

王丹(1981)，男，博士，主要研究分布式發(fā)電系統(tǒng)建模與仿真、綜合能源系統(tǒng)分析等；

宋毅(1977)，男，博士，高級(jí)工程師，從事配網(wǎng)規(guī)劃設(shè)計(jì)；

楊占勇(1972)，男，博士，高級(jí)工程師，主要研究方向?yàn)橹悄茈娋W(wǎng)和主動(dòng)配電網(wǎng)等。

Project Supported by the National High Technology Research and Development Program (863 Program) of China (2014AA051901), the National Natural Science Foundation of China (51377117, 51407125, 51361135704) and the Post-doctoral Science Foundation of China (2013M540207).