考慮風(fēng)電與用戶滿意度的電動汽車兩層智能充放電策略

黃貴鴻 雷 霞 楊 毅 王宇哲 陳曉盛

(電力電子節(jié)能技術(shù)與裝備重點實驗室(西華大學(xué)) 成都 610039)

?

考慮風(fēng)電與用戶滿意度的電動汽車兩層智能充放電策略

黃貴鴻 雷 霞 楊 毅 王宇哲 陳曉盛

(電力電子節(jié)能技術(shù)與裝備重點實驗室(西華大學(xué)) 成都 610039)

大規(guī)模的電動汽車充放電調(diào)度問題既關(guān)系到電網(wǎng)的安全穩(wěn)定運行，又關(guān)系到運營商的經(jīng)濟利益和用戶的使用感受。引入分層分區(qū)調(diào)度的理念，構(gòu)建了基于雙層規(guī)劃的電動汽車兩層智能充放電模型，并以IEEE16節(jié)點標(biāo)準(zhǔn)測試系統(tǒng)數(shù)據(jù)參數(shù)為基礎(chǔ)，通過粒子群算法和順序選擇法在Matlab中完成了仿真驗證。在上層模型中，通過優(yōu)化各管轄區(qū)在各時段的總充放電功率，保證了運營商利潤的最大化，并合理地規(guī)避了充放電行為對電網(wǎng)的影響；在下層模型中，通過優(yōu)化各管轄區(qū)內(nèi)電動汽車的具體充放電策略，使得下層的調(diào)度策略與上層的區(qū)域總充放電功率盡可能保持一致，并合理地兼顧用戶滿意度。最后，通過上下層之間的數(shù)據(jù)交互，實現(xiàn)運營商、電網(wǎng)和用戶三者之間利益的有機協(xié)調(diào)。

電動汽車 分層分區(qū)調(diào)度 雙層規(guī)劃 粒子群算法 用戶滿意度

0 引言

隨著能源危機、環(huán)境污染和全球氣候變暖等趨勢的加劇，以電能這種清潔能源作為“燃料”的電動汽車擁有廣闊的市場前景[1-3]。然而在不久的將來，大量電動汽車接入電網(wǎng)，如果不對其充放電行為加以優(yōu)化控制，必然會給現(xiàn)有電網(wǎng)的安全與穩(wěn)定帶來嚴(yán)重影響[4-6]。

無論是在電動汽車的推廣階段還是普及階段，追求利潤的最大化都是運營商考慮得最多的問題，同時也是國內(nèi)外學(xué)者研究的熱點問題[7-9]。文獻(xiàn)[8]以充電站運營收益最大化為目標(biāo)，以配電變壓器容量及最大限度滿足用戶充電需求為約束條件，建立了充電站內(nèi)電動汽車有序充電的數(shù)學(xué)模型；文獻(xiàn)[9]提出的有序充放電策略考慮了電動汽車充放電與風(fēng)力發(fā)電在平抑負(fù)荷波動、減小峰谷差、降低網(wǎng)損等方面的互補效應(yīng)；文獻(xiàn)[10]提出了一種電力市場環(huán)境下的電動汽車調(diào)度方法，通過選擇電價較低時段充電和向系統(tǒng)提供調(diào)頻或旋轉(zhuǎn)備用，以使電動汽車的總充電成本最小化；文獻(xiàn)[11]建立了以負(fù)荷峰谷差最小化為優(yōu)化目標(biāo)的計及用戶行駛習(xí)慣的插電式混合動力汽車智能充電模型，并對各時段PHEV的反向放電能力進行估算；文獻(xiàn)[12]根據(jù)電動汽車充電特性建立了電動汽車充電負(fù)荷模型，實現(xiàn)了平滑電網(wǎng)等效負(fù)荷波動的目的；文獻(xiàn)[13]提出了以換電站充電功率為控制對象的有序充電調(diào)度策略，有效減小了電網(wǎng)峰谷差，提高了負(fù)荷率，起到平穩(wěn)負(fù)荷波動的作用；文獻(xiàn)[14]以電動公交車為研究對象分析其營運特點和充放電行為，同時在基于電池租賃的商業(yè)模式下，研究電動公交車的V2G放電能力，通過模擬集中充電站的運營情況，建立了集中充電、放電組合策略優(yōu)化模型；文獻(xiàn)[15]引入了對電動汽車進行分層分區(qū)調(diào)度的理念，構(gòu)建了基于雙層優(yōu)化的可入網(wǎng)電動汽車充放電調(diào)度模型。在上層模型中，通過優(yōu)化各電動汽車代理商在各時段的調(diào)度計劃，使系統(tǒng)在研究時間區(qū)間內(nèi)總負(fù)荷水平的方差最小化，從而實現(xiàn)削峰填谷；在下層模型中，通過各電動汽車代理商對其所管轄電動汽車充放電時間的優(yōu)化管理，以便與上層的調(diào)度計劃盡可能一致。

現(xiàn)有的電動汽車有序充放電策略僅考慮了問題的某一個方面，或僅從問題的某一個方面出發(fā)進行相對孤立的探討。首先，現(xiàn)有的有序充放電策略并未實現(xiàn)電網(wǎng)、運營商、用戶三者之間有機的協(xié)調(diào)；其次，現(xiàn)有的有序充放電策略并未充分利用電動汽車充放電與風(fēng)力發(fā)電之間互補協(xié)調(diào)調(diào)度的經(jīng)濟效應(yīng)；最后，現(xiàn)有的有序充放電策略并未充分考慮到未來V2G的發(fā)展趨勢[16]。此外，在現(xiàn)有的有序充放電策略中，電動汽車運營商為了實現(xiàn)自身利益的最大化，可能會忽略用戶的滿意度。本文在現(xiàn)有的有序充電策略的基礎(chǔ)上，引入風(fēng)力發(fā)電，提出了同時兼顧電動汽車運營商、電網(wǎng)和用戶利益的電動汽車智能充放電策略。

本文采用指定功率充放電模式，電動汽車具有額定的充放電功率，這決定了電動汽車充放電調(diào)度是一個離散的整數(shù)型優(yōu)化問題。具體到每一輛電動汽車，充放電功率即額定充放電功率，不存在任何其他數(shù)值。運營商需要協(xié)調(diào)的，就是在一天中的24個時段內(nèi)，各電動汽車最優(yōu)的充放電時段?？紤]到未來電動汽車用戶數(shù)量會呈現(xiàn)出顯著增長的趨勢，為了實現(xiàn)最優(yōu)化調(diào)度，電動汽車運營商每天需要處理的數(shù)據(jù)量會非常龐大，如果依然采用現(xiàn)有的單層調(diào)度模式，無法實現(xiàn)決策的快速性和準(zhǔn)確性。因此，本文提出了電動汽車兩層智能充放電策略，旨在實現(xiàn)電動汽車運營商利潤的最大化，保證現(xiàn)有城市配電網(wǎng)安全、穩(wěn)定地運行，并盡可能地考慮到用戶的滿意度，最終保障電動汽車運營商持續(xù)、健康、穩(wěn)定地運營。本文通過上層模型中的目標(biāo)函數(shù)體現(xiàn)了運營商的利益，并通過約束條件，從安全性角度保證了電網(wǎng)的利益；在下層模型中，從用戶的行駛習(xí)慣和充/放電需求的角度，考慮了用戶的充放電滿意度；最后通過上下層交互，盡可能地使用戶的總體利益與運營商的利益在不斷博弈的過程中實現(xiàn)平衡，而在此過程中，電網(wǎng)的利益將始終得以滿足。

1 兩層優(yōu)化調(diào)度模型

1.1 背景介紹

本文假設(shè)我國某個城市中的某電動汽車運營商共有M輛電動汽車需要調(diào)度，每一輛電動汽車都具有相同的電氣參數(shù)，即相同的額定容量、額定充/放電功率等，且嚴(yán)格服從電動汽車運營商的調(diào)度安排。現(xiàn)將電動汽車運營商所屬的M輛電動汽車根據(jù)電氣位置、地理位置等模糊特征進行歸類，并平均拆分為X個充電管轄區(qū)。這樣，每個充電管轄區(qū)內(nèi)具有N輛電動汽車，計算量也隨之相應(yīng)減小。

假設(shè)電動汽車運營商擁有自營的風(fēng)電場，風(fēng)機出力以預(yù)測值為準(zhǔn)[17-20]，且通過獨立輸電線路直接服務(wù)于電動汽車用戶的充電。在一天中的某一個時段內(nèi)，當(dāng)用戶凈充放電總量(充電總量與放電總量之差)大于運營商自營風(fēng)機出力時，運營商需要向電網(wǎng)購電；反之，運營商可向電網(wǎng)售電。無論是以上哪一種情況，電動汽車運營商均可通過與電網(wǎng)和與用戶之間的購售電價差實現(xiàn)盈利。

在此控制過程中，運營商在保證自身利益的同時，需要制定滿足電網(wǎng)安全性約束的各區(qū)域宏觀充放電功率。并在此基礎(chǔ)上，結(jié)合用戶的使用感受，制定具體到每個用戶(集群)的實際充放電調(diào)度功率。

1.2 控制流程

多層規(guī)劃概念最早是由J.Bracken和J.T.McGill[21]于1973年提出的，用以解決多層規(guī)劃與優(yōu)化問題，其中雙層規(guī)劃是多層規(guī)劃的特例。顧名思義，雙層規(guī)劃包括上下兩層，上層決策結(jié)果一般會影響下層目標(biāo)和約束條件，而下層則將決策結(jié)果反饋給上層，從而實現(xiàn)上下層決策的相互作用[15]。

圖1 兩層優(yōu)化控制流程Fig.1 Two-layer optimization control flow

2 區(qū)域?qū)觾?yōu)化模型

2.1 目標(biāo)函數(shù)

在區(qū)域?qū)又?，電動汽車充放電運營商以自身利潤最大化為控制目標(biāo)，以不影響現(xiàn)有城市配電網(wǎng)安全運行為約束條件，通過粒子群智能優(yōu)化算法，得到各充電管轄區(qū)在一天中24時段的最優(yōu)區(qū)域總充放電功率Pk，t。區(qū)域?qū)幽繕?biāo)函數(shù)如式(1)所示。

(1)

(2)

式(1)中，(Pk，t-βkPw，t)為考慮風(fēng)機出力的電動汽車運營商旗下第k個充電管轄區(qū)在t時刻的對外總充放電功率。若Pk，t-βkPw，t>0，則表示該轄區(qū)所配給的風(fēng)電額度不足以提供轄區(qū)內(nèi)所用用戶的充電需求，此時運營商需要向電網(wǎng)購電；若Pk，t-βkPw，t<0，則表示該轄區(qū)所配給的風(fēng)電額度足以提供轄區(qū)內(nèi)所用用戶的充電需求，且還有結(jié)余，此時運營商可向電網(wǎng)售電。

2.2 風(fēng)電單位折算成本

電動汽車運營商旗下?lián)碛凶誀I風(fēng)力發(fā)電場，該風(fēng)電場通過專用輸電導(dǎo)線與各充電管轄區(qū)相連。在本文中，風(fēng)電場出力必須優(yōu)先滿足用戶充電需要，若有剩余，可向電網(wǎng)反送電。假設(shè)風(fēng)力發(fā)電機組使用壽命為20 a，考慮建設(shè)成本、維修費用、人力成本、物價上漲指數(shù)、政府補貼，電動汽車運營商自營風(fēng)場的風(fēng)電單位折算成本可通過式(3)得到[22，23]。

(3)

式中f(Y)可通過式(4)得到

f(Y)=(1+βCPI)Y-1[Cwage+(1+?m)Y-1Crepair]

(4)

式中，Cbuild為單臺風(fēng)機建設(shè)成本；Nw為風(fēng)機數(shù)量；βCPI為物價上漲系數(shù)；Cwage為年化人力成本；Crepair為年化維修成本；?m為風(fēng)電場年化故障增長率；Bsubsidy為國家節(jié)能減排補貼。

2.3 約束條件

1)多時段潮流約束

(5)

且

(6)

式(5)、式(6)中

PEi,t=Pk,t-βkPw,t

(7)

式中，PDi，t、QDi，t分別為電動汽車、風(fēng)機接入前，t時刻節(jié)點i接入的基礎(chǔ)負(fù)荷有功功率和無功功率；node表示節(jié)點總數(shù)；PEi，t為考慮風(fēng)機出力的電動汽車運營商旗下第k個充電管轄區(qū)在t時刻的對外充放電功率，且轄區(qū)k與節(jié)點i相連；Ui，t為節(jié)點i在t時刻的電壓幅值；θij，t為節(jié)點i、j在t時刻的電壓相角差；Gij與Bij分別為連接節(jié)點i與j之間支路的電導(dǎo)和電納。

2)風(fēng)電配額約束

(8)

3)風(fēng)電機組出力約束

(9)

4)節(jié)點電壓偏移量約束

ΔUi,t≤5%

(10)

式中，ΔUi，t為節(jié)點i在t時刻的電壓偏移百分比。

5)線路潮流約束

(11)

6)支路損耗約束

(12)

7)峰谷差約束

(13)

(14)

8)負(fù)荷率約束

(15)

9)負(fù)荷標(biāo)準(zhǔn)差約束

(16)

10)各充放電管轄區(qū)在時段t的調(diào)度約束

NkavPcharge≥Pk,t≥kSNkavPdischarge

(17)

式中，N為每個轄區(qū)所需調(diào)度的電動汽車數(shù)量；Pcharge為電動汽車額定充電功率；Pdischarge為電動汽車額定放電功率；kav為可用系數(shù)，由于所有電動汽車同時充電或同時放電的可能性幾乎為零，各轄區(qū)的實際總充放電功率必然小于該時段內(nèi)電動汽車數(shù)量與額定充放電功率的乘積；kS為參與V2G的電動汽車數(shù)量占所有電動汽車總量的比值。

3 用戶層優(yōu)化模型

3.1 目標(biāo)函數(shù)

用戶層中，電動汽車充放電運營商以實際調(diào)度結(jié)果與區(qū)域?qū)訁⒖紨?shù)據(jù)偏差的絕對值最小為目標(biāo)，并充分考慮用戶的充放電需要，通過順序選擇法，得到每輛電動汽車的最優(yōu)充放電策略。然后根據(jù)前面所提到的數(shù)據(jù)返回原則，選擇性地將實際調(diào)度結(jié)果與區(qū)域?qū)訁⒖紨?shù)據(jù)的偏差返回到區(qū)域?qū)?。用戶層目?biāo)函數(shù)如式(18)所示。

(18)

式中，Pk，m，t為轄區(qū)k中第m輛電動汽車在t時刻的充放電功率。每輛電動汽車都具有額定的充放電功率，當(dāng)轄區(qū)m內(nèi)第k輛電動汽車在t時刻充電時，Pk，m，t=Pcharge；當(dāng)轄區(qū)m內(nèi)第k輛電動汽車在t時刻放電時，Pk，m，t=Pdischarge。因此，用戶層控制變量Pk，m，t是一個只對時間t進行求解的一維未知變量；Satk，t表示用戶滿意度矩陣Sat第k行、第t列中的元素。滿意度矩陣Sat是描述用戶充放電行為的X×T維修正矩陣。

3.2 返回數(shù)據(jù)

本文將上下層最大交互次數(shù)設(shè)置為L，對于第kk次交互，若滿足返回數(shù)據(jù)的條件，則返回數(shù)據(jù)

(19)

即式(2)。因此，區(qū)域?qū)幽繕?biāo)函數(shù)(1)可改寫成如下形式

(20)

3.3 約束條件

1)電動汽車蓄電池充放電約束

(21)

式中，Sk，m，t為轄區(qū)k中第m輛電動汽車在t時刻的電池電量；ηch為充電效率；ηdch為放電效率。

2)蓄電池安全性約束

Smin≤Sk,m,t≤Smax

(22)

3)次日行駛需要約束

Sk,m,tk,m,d≥Srequire

(23)

式中，tk，m，d為轄區(qū)k中第m輛電動汽車的充電結(jié)束時間。

4)不可調(diào)度時段約束

Pk,m,t=0 (當(dāng)ttk,m,d時)

(24)

式中，tk，m，a為轄區(qū)k中第m輛電動汽車的充電開始時間。

5)充/放電連續(xù)性約束

Pk,m,tk,m,a×Pk,m,tk,m,a+1×…×Pk,m,tk,m,d-1×Pk,m,tk,m,d≠0

(25)

且

Pk,m,tk,m,da×Pk,m,tk,m,da+1×…×Pk,m,tk,m,dd-1×Pk,m,tk,m,dd≠0

(26)

式中，tk，m，da為轄區(qū)k中第m輛電動汽車的放電開始時間；tk，m，dd為轄區(qū)k中第m輛電動汽車的放電結(jié)束時間。

6)不可同時充放電約束

tk,m,da≥tk,m,d+3

(27)

根據(jù)此約束條件，從充電結(jié)束時刻算起，電動汽車必須在2h后才能開始放電，既保證了電池的使用壽命，降低了使用成本，又符合常理。

4 仿真設(shè)置

4.1 基礎(chǔ)數(shù)據(jù)

本文是在IEEE16節(jié)點接線方式、線路參數(shù)等基礎(chǔ)上進行仿真的。圖2中，數(shù)字表示節(jié)點序號，帶“#”數(shù)字表示線路序號。三角形節(jié)點按升序分別接入電動汽車運營商旗下的第X個轄區(qū)。運營商自營風(fēng)電場通過專用輸電線路直接與各充放電管轄區(qū)相連。

圖2 IEEE16節(jié)點接線圖Fig.2 IEEE16 node connection diagram

假設(shè)我國某個城市中的某電動汽車充放電運營商共有2 400輛電動汽車需要調(diào)度，該運營商旗下?lián)碛?個充放電管轄區(qū)，每個充放電管轄區(qū)管轄400輛電動汽車的充放電行為。

為降低用戶層計算維度，提高計算速度，現(xiàn)將每個充電管轄區(qū)內(nèi)的400輛電動汽車分為40個充放電集群，每個集群具有10輛充放電行為完全相同的電動汽車。這樣，計算維度也就從之前的400×24降低到40×24。

本文假設(shè)進行50次區(qū)域?qū)优c用戶層的數(shù)據(jù)交互。其中，區(qū)域?qū)訉⑾蛴脩魧觽魉?1次基準(zhǔn)數(shù)據(jù)，用戶層將向區(qū)域?qū)臃祷?0次修正數(shù)據(jù)。

運營商自營風(fēng)電場風(fēng)電機組出力值Pw，t直接引用了文獻(xiàn)[17-20]中的風(fēng)電出力預(yù)測值。在一天中的24個時段，風(fēng)電機組的出力如表1所示。

表1 風(fēng)電機組出力預(yù)測值Tab.1 Predicted value of wind turbine operator set output

電動汽車運營商旗下6個充電管轄區(qū)所獲得的風(fēng)電配額，可根據(jù)風(fēng)機地理位置、輸電線路成本、配電網(wǎng)絡(luò)特性等實際情況進行適當(dāng)選取。本文以6個充電管轄區(qū)分別獲得0.1、0.2、0.25、0.28、0.12和0.05的風(fēng)電配額為例進行仿真計算。

本文仿真所采用的基礎(chǔ)負(fù)荷曲線直接引用了文獻(xiàn)[24-26]中的數(shù)據(jù)。在一天中的24個時段，基礎(chǔ)負(fù)荷如表2所示。

表2 基礎(chǔ)負(fù)荷Tab.2 Original load

文獻(xiàn)[26]中某地區(qū)高負(fù)荷率電價的基礎(chǔ)上，根據(jù)本文實際需要，做了適當(dāng)修改。后者在低負(fù)荷率電價的基礎(chǔ)上[26]，根據(jù)本文實際需要，做了適當(dāng)修改，制定了運營商與轄區(qū)一用戶之間的分時電價。其余充放電管轄區(qū)由于所處的地理位置、電氣位置不同，以轄區(qū)一為基準(zhǔn)，電價有適當(dāng)不同。其中，對于轄區(qū)二、三、四、五、六，運營商與用戶之間的電價在轄區(qū)一基準(zhǔn)電價的基礎(chǔ)上，分別高出0.01、0.015、0.03、0.025和0.02元/kWh。運營商與電網(wǎng)之間的分時電價如表3所示。運營商與轄區(qū)一用戶之間的基準(zhǔn)分時電價如表4所示。

表3 運營商與電網(wǎng)之間的分時電價Tab.3 Time-of-used electricity price between provider and grid

表4 運營商與轄區(qū)一用戶之間的分時電價Tab.4 Time-of-used electricity price between provider and users in district 1

表5 轄區(qū)1單位運營維護成本Tab.5 Unit operation and maintenance cost in district 1

為簡化計算，本文將電動汽車運營商自營風(fēng)電場風(fēng)電單位成本Cw設(shè)置為0.35元/kWh。

4.2 充放電時間

假設(shè)每輛電動汽車具有相同的電池容量和充放電功率。其中，每輛電動汽車的電池容量為12 kWh，充電功率Pcharge為3 kW，放電功率Pdischarge為-1.5 kW。文獻(xiàn)[27，28]對電動汽車用戶的行駛習(xí)慣和充放電行為進行了建模分析，基于此，為保證第二天的正常使用，本文假設(shè)每輛電動汽車充電結(jié)束時的SOC(State of Capacity)滿足正態(tài)分布，其期望值為0.9；充電開始時的SOC亦滿足正態(tài)分布，其期望值為0.1。每輛電動汽車的充電效率ηch為80%，這樣，每輛電動汽車在一天中的連續(xù)充電時間TC滿足以4 h為期望值的正態(tài)分布，如式(28)所示。

(28)

(29)

考慮到電動汽車具有參與放電的V2G行為，參與V2G的電動汽車占所有電動汽車總量的70%。假設(shè)參與V2G的電動汽車放電開始時的SOC滿足期望值為0.3的正態(tài)分布，放電效率ηdch為80%，這樣，每輛參與V2G的電動汽車在一天中的連續(xù)放電時間TD滿足以2 h為期望值的正態(tài)分布，如式(30)所示。

(30)

(31)

4.3 粒子群算法

在區(qū)域?qū)又?，本文采用粒子群智能?yōu)化算法進行求解[29]。其中，將優(yōu)化變量Pk，t作為粒子，初始化粒子在式(17)的約束下隨機產(chǎn)生。初始化粒子個數(shù)設(shè)置為20，迭代次數(shù)設(shè)置為500。

粒子群算法計算流程：

1)初始化一群規(guī)模為20的粒子，每個粒子包括400×24維的隨機位置Pk，t和速度Vk，t。

2)評價每個粒子的適應(yīng)度，即目標(biāo)函數(shù)式(1)的值。

3)對每個粒子，將其適應(yīng)度值與其目前取得的最好位置(局部最優(yōu)值)對應(yīng)的適應(yīng)度值作比較，如果較好，則將此位置作為當(dāng)前的局部最好位置pbest。

4)對每個粒子，將其適應(yīng)度值與群體目前所取得的最好位置(全局最優(yōu)值)對應(yīng)的適應(yīng)度值作比較，如果較好，則將該位置作為當(dāng)前的全局最好位置gbest。

5)分別根據(jù)式(32)、式(33)調(diào)整粒子速度和位置。

Vk,t=w×Vk,t+c1×rand()×(pbestk.t-Pk,t)+

c2×rand()×(gbest-Pk,t)

(32)

Pk,t=Pk,t+Vk,t

(33)

6)迭代次數(shù)未達(dá)到500則轉(zhuǎn)向步驟2)。

4.4 考慮用戶滿意度的順序選擇法

在用戶層中，本文采用順序選擇法進行求解，得到每個電動汽車集群最優(yōu)的充放電策略，進而得到Pk，m，t。以轄區(qū)一為例，通過區(qū)域?qū)觾?yōu)化計算得到的區(qū)域總充放電功率P1，t具有最大值與最小值。現(xiàn)將P1，t最大值與最小值在一天中出現(xiàn)的最早位置t分別記為tmax和tmin，對于轄區(qū)一中的第一個電動汽車集群，將tmax作為其充電開始時間，將tmin作為其放電開始時間；修正P1，t，再一次將修正后的P1，t最大值與最小值在一天中出現(xiàn)的最早位置t分別記為tmax和tmin，對于轄區(qū)一中的第二個電動汽車集群，將tmax作為其充電開始時間，將tmin作為其放電開始時間；修正P1，t，以此往復(fù)，直到得到轄區(qū)一中所有電動汽車集群的充放電功率，進而得到所有電動汽車的充放電功率Pk，m，t。

考慮到用戶的實際充放電需要，絕大多數(shù)用戶希望在夜晚入睡時進行充電，此時的充電電價最低，如表4所示，同時充電也最方便。在文獻(xiàn)[27，28]對用戶行駛習(xí)慣和充放電需求進行建模分析的基礎(chǔ)上，本文對用戶的充放電行為進行了簡化。假設(shè)參與V2G的用戶均希望在下班回到家后的18∶00和19∶00開始放電，此時電動汽車處于閑置，電價處于峰時電價，獲利將會最大。這樣，考慮用戶滿意度后，根據(jù)順序選擇法的計算原理，可將用戶滿意度表示成6×24維矩陣Sat，并假設(shè)每個充放電管轄區(qū)內(nèi)用戶滿意度指標(biāo)相同，即Sat矩陣每行的行矢量相同。因此，可以將矩陣Sat的第k行以24維行矢量的形式表示成式(34)。

Satk=K[100,100,100,100,100,100,0,0,0,0,

0,0,0,0,0,0,0,-100,-100,0,80,80,80,80]

(34)

式中，K為用戶滿意度權(quán)重，K值越大，該充電策略越偏向于用戶的利益。第1列～第6列的數(shù)值為100，根據(jù)順序選擇法的計算原理，可在很大程度上將用戶的充電行為引入到00∶00～05∶00；第18列～第19列的數(shù)值為-100，可以在很大程度上將用戶的放電行為引入到17∶00～18∶00；第21列～第24列的數(shù)值為80，可在一定程度上將用戶的充電行為引入到20∶00～23∶00。在用戶層中采用順序選擇法進行求解時，可采用矩陣B取代之前的矩陣P(其第k行第t列元素為Pk，t)。矩陣B為區(qū)域?qū)涌偝浞烹姽β示仃嘝與用戶滿意度矩陣Sat之和，即

B=P+Sat

(35)

對于每個充放電管轄區(qū)，依次通過順序選擇法，將得到其中每輛電動汽車的充放電策略Pk，m，t。用戶層求解最優(yōu)調(diào)度方案的具體流程如圖3所示。

圖3 用戶層優(yōu)化控制流程Fig.3 User-layer optimization control flow

5 仿真結(jié)果

(36)

圖4 兩層優(yōu)化相對偏差Fig.4 Two-layer optimization relative deviation

根據(jù)本文的構(gòu)想，第46次交互所產(chǎn)生的區(qū)域?qū)涌偝浞烹姽β蔖k，t和用戶層實際調(diào)度功率Pk，m，t即為最優(yōu)的兩層調(diào)度方案。

在此最優(yōu)調(diào)度方案下，可認(rèn)為區(qū)域?qū)优c用戶層能夠協(xié)同調(diào)度，且區(qū)域?qū)又笜?biāo)能相對準(zhǔn)確地反應(yīng)用戶層的相關(guān)指標(biāo)。因此，以下均從區(qū)域?qū)映霭l(fā)，探討在最優(yōu)調(diào)度方案下，運營商利潤、電壓偏移量、線路潮流值、支路網(wǎng)損值、峰谷差、負(fù)荷率、標(biāo)準(zhǔn)差等指標(biāo)。

在最優(yōu)調(diào)度方案下，電動汽車運營商所取得的最大利潤為2.765萬元/d。以轄區(qū)一為例，區(qū)域?qū)幼顑?yōu)總充放電功率Pk，t如圖5所示。

圖5 轄區(qū)一最優(yōu)充放電計劃Fig.5 Optimumcharge-discharge plan for district 1

由圖5可知，充電管轄區(qū)對外所表現(xiàn)出的宏觀充放電行為符合實際需要，即在晚上進行充電，在下午負(fù)荷高峰且汽車閑置時段進行放電。該充放電計劃在為運營商賺取高額利潤的同時，在很大程度上提高了用戶滿意度，并合理地避開了負(fù)荷高峰。

以轄區(qū)一內(nèi)各電動汽車集群為例，用戶層根據(jù)基準(zhǔn)數(shù)據(jù)Pk，t得到的每個電動汽車集群充放電策略如表6所示。表6為一個40×24矩陣，表示轄區(qū)一內(nèi)40個電動汽車集群在一天中24個時段的充放電策略。其中，第一列為行序數(shù)，表示電動汽車集群序列數(shù)；第一行為列序數(shù)，表示一天中的時段t?！?”表示充電，“-”表示放電，“空格”表示既不充電也不放電。根據(jù)本文假設(shè)，對于70%的電動汽車，既有充電計劃，也有放電計劃；對于30%的電動汽車，只有充電計劃，沒有放電計劃。

表6 轄區(qū)一各電動汽車集群充放電策略Tab.6 Charge-discharge tactics for every electric vehicle in district 1

以轄區(qū)一為例，區(qū)域?qū)优c用戶層的擬合程度如圖6所示。其中，光滑折線為圖5中的區(qū)域?qū)幼顑?yōu)區(qū)域總充放電功率Pk，t曲線，三角形折線表示用戶層在每個電動汽車集群均實現(xiàn)最優(yōu)調(diào)度方案Pk，m，t的基礎(chǔ)上對外的總體表現(xiàn)，即

(37)

圖6 轄區(qū)一最優(yōu)充放電計劃與調(diào)度方案Fig.6 Optimumcharge-discharge plan and scheduling scheme for district 1

由圖6可看出，在最優(yōu)調(diào)度方案下，用戶層能很好地與區(qū)域?qū)訉崿F(xiàn)協(xié)同調(diào)度。由于考慮了用戶滿意度指標(biāo)，在用戶層中，夜間總充電功率有所增大，18∶00、19∶00兩個時段總放電功率有所增大。

圖7表示電動汽車運營商在一天中24個時段內(nèi)所管轄的所有電動汽車總充放電行為。

圖7 運營商總充放電曲線Fig.7 Gross charge-discharge curve for provider

由圖7中運營商總充放電曲線可看出，在任何時段，充電功率始終大于放電功率，因為對于電動汽車用戶而言，必然以充電為主，放電為輔。充電主要安排在負(fù)荷低谷時段，放電主要安排在負(fù)荷高峰時段。

在最優(yōu)調(diào)度方案下，加入電動汽車和風(fēng)機后的綜合負(fù)荷曲線與基礎(chǔ)負(fù)荷曲線如圖8所示。

由圖8可知，加入電動汽車和風(fēng)電機組后，如果以本文提出的控制策略加以約束，負(fù)荷將會更加平穩(wěn)，負(fù)荷曲線將會更加平滑。該控制策略無論在削峰填谷、平抑負(fù)荷波動還是在提高負(fù)荷率上，均有非常理想的效果。加入電動汽車和風(fēng)電機組后的綜合負(fù)荷在峰谷差、負(fù)荷率和標(biāo)準(zhǔn)差上均明顯優(yōu)于基礎(chǔ)負(fù)荷，且均滿足本文所設(shè)置的約束條件，其相關(guān)指標(biāo)如表7所示。

圖8 負(fù)荷曲線Fig.8 Load curve

類型峰谷差負(fù)荷率標(biāo)準(zhǔn)差基礎(chǔ)負(fù)荷0.3390.8231162.6綜合負(fù)荷0.2250.907639.6

加入電動汽車與風(fēng)電機組后，在18∶00和24∶00兩個典型時刻，節(jié)點電壓偏移情況如圖9所示。本文采用前推回代法計算節(jié)點電壓、網(wǎng)絡(luò)損耗和線路潮流[30]。

圖9 節(jié)點電壓Fig.9 Node voltage

加入電動汽車與風(fēng)機后，在18∶00和24∶00兩個典型時刻，支路網(wǎng)損如圖10所示[30]。

圖10 支路網(wǎng)損Fig.10 Branch network loss

加入電動汽車與風(fēng)機后，在18∶00和24∶00兩個典型時刻，線路潮流如圖11所示[30]。

圖11 線路潮流Fig.11 Line power flow

由圖9～圖11可知，無論是在基礎(chǔ)負(fù)荷的最低谷時段，還是在基礎(chǔ)負(fù)荷的最高峰時段，電動汽車和風(fēng)電機組的接入都未造成節(jié)點電壓、支路網(wǎng)損和線路潮流的越限。在基礎(chǔ)負(fù)荷的最低谷時段，隨著電動汽車和風(fēng)機的接入，節(jié)點電壓、支路網(wǎng)損和線路潮流略有所增大；然而在基礎(chǔ)負(fù)荷的最高峰時段，隨著電動汽車和風(fēng)機的接入，該指標(biāo)卻有所減小。

本文并未考慮電動汽車充放電對配電網(wǎng)的諧波污染[31]。

6 結(jié)論

本文在分層分區(qū)的框架內(nèi)，通過區(qū)域?qū)优c用戶層的智能交互，很好地實現(xiàn)了運營商、電網(wǎng)與用戶三者之間的有機統(tǒng)一。在運營商側(cè)，實現(xiàn)了運營商利潤的最大化；在電網(wǎng)側(cè)，保證了城市配電網(wǎng)的安全穩(wěn)定運行，并在一定程度上提高了電能質(zhì)量；在用戶側(cè)，通過引導(dǎo)充放電行為的方式，在一定程度上提升了用戶的滿意度。對電網(wǎng)而言，其利益是一個綜合、復(fù)雜和系統(tǒng)的問題，然而安全與穩(wěn)定是電網(wǎng)運行的根本，因此本文主要考慮了電網(wǎng)的安全性約束；對電動汽車用戶而言，充放電成本是衡量滿意度高低的一個指標(biāo)，然而充放電時段的合理性同樣重要，因此本文主要考慮了用戶的行駛習(xí)慣。運營商、電網(wǎng)與用戶三者之間的有機協(xié)調(diào)，依然是一個具有深入研究價值的課題。

[1] 張文亮，武斌，李武峰，等.我國純電動汽車的發(fā)展方向及能源供給模式的探討[J].電網(wǎng)技術(shù)，2009，33(4)：1-5. Zhang Wenliang，Wu Bin，Li Wufeng，et al.Discussion on development trend of battery electric vehicles in China and its energy supply mode[J].Power System Technology，2009，33(4)：1-5.

[2] Brooks A，Lu E，Reicher D，et al.Demand dispatch[J].IEEE Power and Energy Magazine，2010，8(3)：20-29.

[3] Andersen P H，Mathews J，Morten R.Integrating private transport into renewable energy policy：the strategy of creating intelligent recharging grids for electric vehicles[J].Energy Policy，2009，37(7)：2481-2486.

[4] Schneider K，Gerkensmeyer C，Kintner-Meyer M，et al.Impact assessment of plug-in hybrid vehicles on Pacific Northwest distribution systems[C].IEEE Power and Energy Society General Meeting on Conversion and Delivery of Electrical Energy in the 21st Century，Pittsburgh，PA，USA，2008：6.

[5] 馬玲玲，楊軍，付聰，等.電動汽車充放電對電網(wǎng)影響研究綜述[J].電力系統(tǒng)保護與控制，2013，41(3)：140-148. Ma Lingling，Yang Jun，F(xiàn)u Cong，et al.Review on impact of electric car charging and discharging on power grid[J].Power System Protection and Control，2013，41(3)：140-148.

[6] 趙俊華，文福拴，楊愛民，等.電動汽車對電力系統(tǒng)的影響及其調(diào)度與控制問題[J].電力系統(tǒng)自動化，2011，35(14)：2-10. Zhao Junhua，Wen Fushuan，Yang Aimin，et al.Impacts of electric vehicles on power systems as well as the associated dispatching and control problem[J].Automation of Electric Power Systems，2011，35(14)：2-10.

[7] 趙俊華，文福拴，薛禹勝，等.計及電動汽車和風(fēng)電出力不確定性的隨機經(jīng)濟調(diào)度[J].電力系統(tǒng)自動化，2010，34(20)：22-29. Zhao Junhua，Wen Fushuan，Xue Yusheng，et al.Power system stochastic economic dispatch considering uncertain outputs from plug-in electric vehicles and wind generators[J].Automation of Electric Power Systems，2010，34(20)：22-29.

[8] 徐智威，胡澤春，宋永華，等.充電站內(nèi)電動汽車有序充電策略[J].電力系統(tǒng)自動化，2012，36(11)：38-43. Xu Zhiwei，Hu Zechun，Song Yonghua，et al.Coordinated charging of plug-in electric vehicles in charging stations[J].Automation of Electric Power Systems，2012，36(11)：38-43.

[9] Song Yonghua，Yang Xia，Lu Zongxiang.Integration of plug-in hybrid and electric vehicles：experience from China[C].Proceedings of IEEE Power and Energy Society General Meeting，Minneapolis，MN，USA，2010：1-6.

[10]Caramanis M，F(xiàn)oster J M.Management of electric vehicle charging to mitigate renewable generation intermittency and distribution network congestion[C].Proceedings of the 48th IEEE Conference on Decision and Control，Shanghai，China，2009：4717-4722.

[11]李高望，錢斌，石東源，等.含插電式混合動力汽車的機組組合問題[J].電網(wǎng)技術(shù)，2013，37(1)：32-38. Li Gaowang，Qian Bin，Shi Dongyuan，et al.Unit commitment problem considering plug-in hybrid electric vehicle[J].Power System Technology，2013，37(1)：32-38.

[12]黃潤，周鑫，嚴(yán)正，等.計及電動汽車不確定性的有序充電調(diào)度策略[J].現(xiàn)代電力，2012，29(3)：57-63. Huang Run，Zhou Xin，Yan Zheng，et al.The controlled charging dispatch strategy by considering of the uncertainty of electric vehicles[J].Modern Electric Power，2012，29(3)：57-63.

[13]田文奇，和敬涵，姜久春，等.電動汽車換電站有序充電調(diào)度策略研究[J].電力系統(tǒng)保護與控制，2012，40(21)：114-119. Tian Wenqi，He Jinghan，Jiang Jiuchun，et al.Research on dispatching strategy for coordinated charging of electric vehicle battery swapping station[J].Power System Protection and Control，2012，40(21)：114-119.

[14]鄭丹，文福拴.租賃模式下的電動汽車電池集中充放電策略[J].華南理工大學(xué)學(xué)報(自然科學(xué)版)，2013，41(5)：105-111. Zheng Dan，Wen Fushuan.Charging and discharging strategies of batteries of electric vehicles in lease mode[J].Journal of South China University of Technology(Natural Science Edition)，2013，41(5)：105-111.

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

[16]劉曉飛，張千帆，崔淑梅.電動汽車V2G技術(shù)綜述[J].電工技術(shù)學(xué)報，2012，27(2)：121-127. Liu Xiaofei，Zhang Qianfan，Cui Shumei.Review of electric vehicle V2G technology[J].Transactions of China Electrotechnical Society，2012，27(2)：121-127.

[17]劉瑞葉，黃磊.基于動態(tài)神經(jīng)網(wǎng)絡(luò)的風(fēng)電場輸出功率預(yù)測[J].電力系統(tǒng)自動化，2012，36(11)：19-22. Liu Ruiye，Huang Lei.Wind power forecasting based on dynamic neural networks[J].Automation of Electric Power Systems，2012，36(11)：19-22.

[18]Costa A，Crespo A，Navarro J，et al.A review on the young history of the wind power short-term prediction[J].Renewable and Sustainable Energy Reviews，2008，12(6)：1725-1744.

[19]楊秀媛，肖洋，陳樹勇.風(fēng)電場風(fēng)速和發(fā)電功率預(yù)測研究[J].中國電機工程學(xué)報，2005，25(11)：1-5. Yang Xiuyuan，Xiao Yang，Chen Shuyong.Wind speed and generated power forecasting in wind farm[J].Proceedings of the CSEE，2005，25(11)：1-5.

[20]葛江北，周明，李庚銀.大型風(fēng)電場建模綜述[J].電力系統(tǒng)保護與控制，2013，41(17)：146-153. Ge Jiangbei，Zhou Ming，Li Gengyin.Review on large-scale wind farm modeling[J].Power System Protection and Control，2013，41(17)：146-153.

[21]Bracken J，McGill J T.Mathematical programs with optimization problems in theconstraints[J].Operations Research，1973，21(1)：37-44.

[22]徐麗萍，林俐.基于學(xué)習(xí)曲線的中國風(fēng)力發(fā)電成本發(fā)展趨勢分析[J].電力科學(xué)與工程，2008，24(3)：1-4. Xu Liping，Lin Li.Study on the cost trends of wind power in china based on the learning curve[J].Electric Power Science and Engineering，2008，24(3)：1-4.

[23]周雙喜，王海超，陳壽孫.風(fēng)力發(fā)電運行價值分析[J].電網(wǎng)技術(shù)，2006，30(14)：98-102. Zhou Shuangxi，Wang Haichao，Chen Shousun.Analysis on operation value of wind power resources[J].Power System Technology，2006，30(14)：98-102.

[24]趙儆，康重慶，葛睿，等.電力市場中多日負(fù)荷曲線的預(yù)測[J].電力自動化設(shè)備，2002，22(9)：31-33. Zhao Jing，Kang Chongqing，Ge Rui，et al.Multi-day load curve forecasting in electricity market[J].Electric Power Automation Equipment，2002，22(9)：31-33.

[25]肖建華，王銳鳳，溫春楠，等.典型日負(fù)荷曲線預(yù)測的一種簡單方法[J].吉林電力，2006，34(2)：14-17. Xiao Jianhua，Wang Ruifeng，Wen Chunnan，et al.A simple method of typical day load curve forecasting[J].Jilin Electric Power，2007，34(2)：14-17.

[26]郭聯(lián)哲，李莉，譚忠富，等.基于模糊需求和用戶分類響應(yīng)程度的分時電價設(shè)計模型[J].華東電力，2007，35(5)：12-15. Guo Lianzhe，Li Li，Tan Zhongfu，et al.Time-of-use price design models based on fuzzy demand and users’diverse response[J].East China Electric Power，2007，35(5)：12-15.

[27]劉文霞，張敏，張建華，等.電動汽車負(fù)荷對配電網(wǎng)可靠性影響的量化分析[J].電力系統(tǒng)及其自動化學(xué)報，2013，25(4)：1-6. Liu Wenxia，Zhang Min，Zhang Jianhua，et al.Reliability modeling and quantitative analysis of distribution network considering electric vehicle charging and discharging[J].Proceedings of the CSU-EPSA，2013，25(4)：1-6.

[28]田立亭，史雙龍，賈卓.電動汽車充電功率需求的統(tǒng)計學(xué)建模方法[J].電網(wǎng)技術(shù)，2010，34(11)：126-130. Tian Liting，Shi Shuanlong，Jia Zhuo.A statistical model for charging power demand of electric vehicles[J].Power System Technology，2010，34(11)：126-130.

[29]李志，陳年生，郭小珊，等.粒子群算法及其改進技術(shù)研究[J].湖北師范學(xué)院學(xué)報(自然科學(xué)版)，2011，31(2)：104-108. Li Zhi，Chen Niansheng，Guo Xiaoshan，et al.Research on particle swarm algorithm and improved technology[J].Journal of Hubei Normal University(Natural Science Edition)，2011，31(2)：104-108.

[30]張立梅，唐巍.計及分布式電源的配電網(wǎng)前推回代潮流計算[J].電工技術(shù)學(xué)報，2010，25(8)：123-130. Zhang Limei，Tang Wei.Back/forward sweep power flow calculation method of distribution networks with DGs[J].Transactions of China Electrotechnical Society，2010，25(8)：123-130.

[31]張謙，韓維健，俞集輝，等.電動汽車充電站仿真模型及其對電網(wǎng)諧波影響[J].電工技術(shù)學(xué)報，2012，27(2)：159-164. Zhang Qian，Han Weijian，Yu Jihui，et al.Simulation model of electric vehicle charging station and the harmonic analysis on power grid[J].Transactions of China Electrotechnical Society，2012，27(2)：159-164.

Two-layer Smart Charge-Discharge Strategiesfor Electric Vehicles Considering Wind Generation and Users’ Satisfaction

HuangGuihongLeiXiaYangYiWangYuzheChenXiaosheng

(Key Laboratory of Power Electronic Energy-saving Technology & Equipment(Xihua University Chengdu 610039 China)

The charge-discharge dispatch problem for a large scale of electric vehicles is relevant not only to the electric grid’s secure and stable operation，but also to the providers’ economic profits and users’ feel.This paper creatively introduces the delaminating-partitioning scheduling concept and establishes a two-layer electric vehicle smart charge-discharge model.The particle swarm optimization (PSO) and the sequential selection methodare used to realize the bi-level programming simulation in MATLABto verify the modelthrough the IEEE16 node standard test system.In the upper-layer model，the maximization of the providers’ profit is ensuredthrough the gross charge-discharge power optimization to every partition at every time interval，and the effects of the charge-discharge activitieson the grid arereasonably evaded.In the lower-layer model，the target of the scheduling scheme is to satisfythe gross district charge-discharge power of the upper-layer model as far as possiblethrough optimization for the concrete charge-discharge strategiesof the electric vehicles in every district，and the users’ satisfaction is reasonably taken into consideration.At last，through the data interaction between the two layers，the coordination among the provider’s，grid’s and user’s interests are realized.

Electric vehicle，delaminating-partitioning scheduling，bi-level programming，particle swarm optimization，user’s satisfaction

2014-11-24 改稿日期2014-12-25

TM734

黃貴鴻 男，1988年生，碩士研究生，研究方向為新能源入網(wǎng)與電動汽車調(diào)度。(通信作者)

雷 霞 女，1973年生，教授，碩士生導(dǎo)師，研究方向為電力市場、調(diào)度自動化、配電自動化等。

四川省電力電子節(jié)能技術(shù)與裝備重點實驗室開放基金(szjj2014-015)和四川省教育廳重點項目(11za002)資助。