考慮電動汽車用戶意愿的熱電聯(lián)供型微電網(wǎng)優(yōu)化調(diào)度

孫志攀, 劉會蘭，栗然，陳宇，霍啟敬，鄭豪東

(1.華北電力大學電氣與電子工程學院, 河北省保定市 071003；2.國網(wǎng)浙江樂清市供電有限公司, 浙江省樂清市 325600)

0 引 言

近年來，隨著環(huán)境污染和化石能源短缺問題日益嚴重，可再生能源和電動汽車(electric vehicle, EV)受到廣泛關(guān)注[1-3]。EV電池技術(shù)的不斷發(fā)展使得EV成本逐漸降低，從而導(dǎo)致EV普及率大幅提高。可再生能源發(fā)電具有間歇性和波動性，其滲透率的提升會給電網(wǎng)帶來一系列問題[4]，而EV的普及有助于平抑可再生能源發(fā)電功率波動[5]，提高其可調(diào)度性，從而在保障系統(tǒng)安全穩(wěn)定的同時提升可再生能源滲透率。

對于EV的接入，國內(nèi)外已有許多專家、學者對其進行了研究。文獻[6]在分析EV電池特性的基礎(chǔ)上提出了EV分布式儲能的概念，并采用EV分布式儲能動態(tài)控制策略以提高可再生能源的可調(diào)度性；文獻[7]提出了一種考慮需求側(cè)響應(yīng)的EV充放電時間管理策略；文獻[8]在考慮EV群和微電網(wǎng)運營商的關(guān)系多樣性的基礎(chǔ)上分別建立并優(yōu)化了2個不同目標函數(shù)的含EV微網(wǎng)優(yōu)化調(diào)度模型，但僅將EV群看成固定儲能單元，沒有考慮其時空分布特性；文獻[9]采用優(yōu)先順序法對含EV的微網(wǎng)系統(tǒng)多目標經(jīng)濟調(diào)度模型進行優(yōu)化；文獻[10]在考慮峰谷分時電價的基礎(chǔ)上，提出了將EV充電負荷最大限度轉(zhuǎn)移到谷時段的有序充電控制方法；文獻[11]建立了含EV的交直流混合微電網(wǎng)規(guī)劃模型，但僅將EV作為充電負荷，并未考慮EV作為電源向電網(wǎng)反饋電能；文獻[12]建立了聯(lián)網(wǎng)儲能容量優(yōu)化模型，運用遍歷法對含EV的微網(wǎng)進行經(jīng)濟性優(yōu)化，但缺乏對熱負荷的考慮。通過對上述研究的深入分析可知：(1)當前EV模型忽略了用戶行為意愿對EV接入時其充放電行為的影響，使模型缺乏合理性；(2)當前對EV建模主要在基本配電網(wǎng)或基本微電網(wǎng)模型基礎(chǔ)之上，而基于熱電聯(lián)供型微電網(wǎng)模型的研究較為缺乏；(3)當前建立的含EV的微電網(wǎng)優(yōu)化調(diào)度模型主要以經(jīng)濟調(diào)度為主，而在EV有序充放電模型下應(yīng)計及發(fā)電功率波動。

因此，本文在當前熱電聯(lián)供型微網(wǎng)模型基礎(chǔ)上，深入研究用戶意愿對EV分類的影響，并基于其對EV分類建模；在考慮經(jīng)濟性的同時計及發(fā)電功率波動，建立以最低經(jīng)濟成本和最低發(fā)電功率波動為目標的多目標優(yōu)化模型；通過分段線性化的方法將優(yōu)化模型轉(zhuǎn)化為混合整數(shù)線性規(guī)劃模型，并使用Gurobi求解器求解；最后，通過分析對比不同場景下的優(yōu)化結(jié)果，驗證該模型的合理性。

1 熱電聯(lián)供型微網(wǎng)結(jié)構(gòu)分析

文中給出的含可再生能源及EV的熱電聯(lián)供型微電網(wǎng)結(jié)構(gòu)如圖1所示，并根據(jù)設(shè)備出力類型和負荷類型將系統(tǒng)分為2部分。(1)電能部分：光伏電池、風電機組、儲能電池和微型燃氣輪機向微網(wǎng)中電負荷供電；EV作為負荷或分布式儲能單元取決于系統(tǒng)調(diào)度結(jié)果；微網(wǎng)系統(tǒng)可通過與配電網(wǎng)進行雙向功率交換來提高其供電可靠性：當微網(wǎng)內(nèi)部電能出力小于電負荷總需求時，電能不足部分可從配電網(wǎng)獲得，反之可向配電網(wǎng)饋送多余電能。(2)熱能部分：由微型燃氣輪機和木屑鍋爐向微網(wǎng)中熱負荷供熱。

圖1 含EV熱電聯(lián)供型微網(wǎng)結(jié)構(gòu)Fig.1 Construction of microgrid with CHP and EVs

2 微網(wǎng)元件數(shù)學模型

2.1 微型燃氣輪機

微型燃氣輪機在t時刻有功出力與熱出力的關(guān)系如下：

(1)

(2)

(3)

式中：T為一個調(diào)度周期中的時間間隔總數(shù)；Δt為單位時間間隔；PMT(t)、QMT(t)分別為微型燃氣輪機在t時刻的有功出力、熱出力；ηe、ηt分別為其發(fā)電效率、發(fā)熱效率系數(shù)；VMT為微型燃氣輪機消耗的天然氣量；qLH，gas為天然氣低熱熱值；kMT為微型燃氣輪機的熱電效率比。

文中選用微型燃氣輪機的發(fā)電效率與有功出力關(guān)系可近似用式(4)表示：

(4)

式中a、b、c為常數(shù)[8]。

2.2 木屑鍋爐

木屑鍋爐熱出力與所消耗木屑量的關(guān)系如下：

(5)

式中：WWB為木屑鍋爐所消耗的木屑量；QWB(t)為木屑鍋爐在t時刻的熱出力；ηt′為木屑鍋爐的熱效率；qLH,wood為木屑低熱熱值。

2.3 儲能電池

本文對儲能電池模型的定義如下：

(6)

(7)

aS(t)+bS(t)≤1

(8)

SS(t)=SS(t-1)+

(9)

Smin≤SS(t)≤Smax

(10)

式(6)、(7)是對儲能電池充放電功率的約束；式(8)可以保證儲能電池不會同時充放電。

2.4 光伏和風電模型

風力發(fā)電和光伏發(fā)電受自然因素影響大，隨機性強，本文不將其作為主要研究對象，其出力曲線將直接在下文中給出。

2.5 EV模型

EV一般分為2類，公共EV和私家EV。公共EV每日閑置時間較短，且在中午、傍晚等負荷高峰期一般都處于工作狀態(tài)，不可參與微網(wǎng)調(diào)度, 而私家EV受不同用戶行為影響較大，具有較強靈活性，且每日閑置時間較長，符合參與微網(wǎng)調(diào)度的條件。因此，本文選取私家EV接入微網(wǎng)，研究其不同充放電行為對微網(wǎng)優(yōu)化配置的影響。

2.5.1用戶分類

考慮到用戶行為意愿對EV功率需求影響[13]，本文首先對EV進行分類，用戶的行為差異主要體現(xiàn)在以下2方面：(1)是否選擇有序充電；(2)是否允許EV在閑置時段對系統(tǒng)放電。根據(jù)用戶行為差異，將EV分為3類：消極型、中立型和積極型。

(1)消極型EV。此類EV用戶選擇無序充電，即在EV在接入微網(wǎng)時刻，系統(tǒng)便以額定充電功率對其進行充電，且EV不向系統(tǒng)放電。

(2)中立型EV。此類EV用戶接受系統(tǒng)有序充電控制，即EV接入微網(wǎng)后，充電行為受調(diào)度控制，但EV不向系統(tǒng)放電。

(3)積極型EV。此類EV用戶接受系統(tǒng)的有序充放電控制，即在EV接入電網(wǎng)后的充放電行為受調(diào)度控制?？紤]到積極型EV對微網(wǎng)穩(wěn)定性和經(jīng)濟性的貢獻[14]及EV接入電網(wǎng)(vehicle to grid, V2G)行為會減少電池壽命，對此類EV用戶實行相應(yīng)激勵措施。

消極型、中立型和積極型的EV模型分別為：

(11)

(12)

(13)

2.5.2時間特性

EV的時間特性主要考慮電動汽車最后一次出行的返回時刻，假設(shè)每位EV用戶都選擇在返回時刻立即將EV接入微網(wǎng)，則返回時刻即為其接入微網(wǎng)時刻。

(14)

式中：μ0為t0的期望，μ0=17.52;σ0為t0的標準差，σ0=3.37。

3 微網(wǎng)多目標數(shù)學模型

多目標優(yōu)化的數(shù)學模型一般式可由式(15)表示：

(15)

式中：X為決策向量；fn(X)為第n個目標函數(shù)；H(X)=0為等式約束條件；G(X)≤0為不等式約束條件。

本文所建立的多目標優(yōu)化調(diào)度模型以微網(wǎng)的經(jīng)濟成本和發(fā)電功率波動最小化為優(yōu)化目標。

3.1 經(jīng)濟成本f1

f1包括以下幾部分：微電網(wǎng)與配電網(wǎng)的功率交互成本E1、儲能運行成本E2、對電動汽車V2G行為的補償費用E3、燃料成本E4和排放成本E5。目標函數(shù)f1的計算式為

minf1=E1+E2+E3+E4+E5

(16)

3.1.1微網(wǎng)與配電網(wǎng)的功率交互成本

功率交互成本是指微網(wǎng)從配電網(wǎng)購電所需成本與微網(wǎng)向配電網(wǎng)售電所得收益之差。

(17)

式中：prpur(t)、prsell(t)分別為t時刻微電網(wǎng)購、售電電價；Ppur(t)、Psell(t)分別為t時刻微電網(wǎng)購、售電電量。

3.1.2儲能運行成本

儲能裝置的運行成本主要與實際傳輸電能正相關(guān)，由式(18)表示：

(18)

式中kS為儲能裝置的運行系數(shù)。

3.1.3對V2G行為的補償費用

考慮到V2G行為對微網(wǎng)經(jīng)濟性、安全穩(wěn)定性的提升及EV的電池損耗，根據(jù)EV的放電量對用戶進行相應(yīng)的補償，如式(19)所示：

(19)

式中kc為補償系數(shù)。

3.1.4燃料成本

燃料成本包括微型燃氣輪機消耗的天然氣成本和木屑鍋爐消耗的木屑成本。

E4=VMTprgas+WWBprwood

(20)

式中prgas、prwood分別為天然氣、木屑的單位售價。

3.1.5排放成本

排放成本包括微型燃氣輪機、木屑鍋爐的排放成本和微網(wǎng)從配電網(wǎng)購電的等效排放成本。

ε3Ppur(t)]Δt

(21)

式中：ε1、ε2、ε3分別為微燃機、木屑鍋爐、大電網(wǎng)的排放因數(shù)；σ為單位排放成本。

3.2 微網(wǎng)發(fā)電功率波動

由于新能源發(fā)電具有很大波動性，在風電、光伏發(fā)電高滲透率場景下，其發(fā)電功率波動性對微網(wǎng)的頻率穩(wěn)定會造成很大影響，而通過對電動汽車的有序接入及充放電的合理調(diào)度可對平抑分布式電源的功率波動產(chǎn)生積極影響。因此，為了充分發(fā)揮電動汽車充放電行為靈活的優(yōu)勢，提高可再生能源發(fā)電的可調(diào)度性，以相鄰時間段新能源與電動汽車可調(diào)節(jié)總出力變化差值的絕對值之和最小為目標函數(shù)f2，來抑制新能源發(fā)電功率波動：

(22)

(23)

4 約束條件

4.1 微型燃氣輪機和木屑鍋爐約束

0≤PMT(t)≤PMTmax

(24)

0≤QWB(t)≤QWBmax

(25)

式中：PMTmax為微型燃氣輪機的有功出力上限；QWBmax為木屑鍋爐的熱出力上限。

4.2 儲能電池約束

除前文中式(6)—(10)，本文增設(shè)調(diào)度周期結(jié)束后儲能電池SOC約束：

SS,end=Smax

(26)

式中：SS,end為調(diào)度周期結(jié)束后儲能電池SOC；Smax為調(diào)度周期結(jié)束后儲能電池SOC最大值。

4.3 EV約束

(1)EV充放電功率的功率約束見式(11)—(13)。

(2)EV的SOC約束。

不同類型EV在t時刻的SOC可以用式(27)表示：

(27)

Smin≤Sn(t)≤Smax,?n∈N1,
?n∈N1∪N2∪N3

(28)

式(28)考慮到循環(huán)放電次數(shù)及放電深度對EV電池壽命的影響。同時，為了解決EV用戶的“里程焦慮”問題[16]，應(yīng)保證每輛EV在充電結(jié)束時刻t1滿足式(29)要求：

Sn(t1)≥Sra

(29)

式中：Sn(t1)為第n輛EV在充電結(jié)束時刻t1時的SOC；Sra為考慮到里程焦慮問題的SOC下限。

4.4 微電網(wǎng)熱電能量守恒約束

(30)

QMT(t)+QWB(t)≥QL(t)

(31)

式中：Ppv(t)為時刻t的光伏電池組出力；Pwind(t)為時刻t的風電機組出力；PL(t)為時刻t的電負荷；QL(t)為時刻t的熱負荷。

式(30)為微網(wǎng)的電量守恒約束；式(31)為微網(wǎng)的熱量守恒約束。

4.5 微網(wǎng)與配網(wǎng)交互功率約束

0≤Ppur(t)≤aL(t)·Ppurmax

(32)

0≤Psell(t)≤bL(t)·Psellmax

(33)

aL(t)+bL(t)≤1

(34)

式中：aL(t)、bL(t)分別為時刻t微網(wǎng)和配電網(wǎng)間購電、售電狀態(tài)，為0-1型變量，aL(t)=1，表示時刻t微網(wǎng)從配網(wǎng)購電，aL(t)=0，表示時刻t微網(wǎng)不從配網(wǎng)購電，bL(t)=1，表示時刻t微網(wǎng)向配網(wǎng)售電，bL(t)=0，表示時刻t微網(wǎng)不向配網(wǎng)售電；Ppurmax、Psellmax分別為最大購、售電功率。

式(32)—(34)保證聯(lián)絡(luò)線傳輸功率在一定范圍內(nèi)，使聯(lián)絡(luò)線的功率輸送更具安全性且符合微網(wǎng)接入的條件。

5 模型求解

對于上述微網(wǎng)模型，若僅以f1為目標函數(shù)，優(yōu)化結(jié)果會因EV在某時段充電過多或放電過少導(dǎo)致總發(fā)電功率波動過大，而僅以f2為目標函數(shù)又會導(dǎo)致整個模型缺乏經(jīng)濟性。鑒于線性規(guī)劃較智能算法計算速度更快且搜索全局最優(yōu)解的能力更可靠，因此在Matlab平臺搭建多目標優(yōu)化模型，并用Yalmip/Gurobi進行求解。Gurobi求解器以其優(yōu)良的求解速度和計算精度，被越來越多地運用到規(guī)劃問題中。

5.1 多目標加權(quán)模糊優(yōu)化模型

本文采用多目標加權(quán)模糊優(yōu)化模型來處理多目標優(yōu)化問題，該模型考慮各目標的不同重要程度，權(quán)重的改變不影響等價模型的形式，不增加求解的復(fù)雜程度和工作量[17]。定義fi(X)的隸屬度函數(shù)為

(35)

式中：fi,min為第i個目標函數(shù)的最小解；βi為第i個目標函數(shù)的彈性因子。

μ(fi(X))=0，表示對目標函數(shù)值滿意度最?。沪?fi(X))=1，表示對目標函數(shù)值滿意度最大。本文采用最大滿意度法，通過把目標函數(shù)轉(zhuǎn)化為各目標滿意度之和來求解，如式(36)所示：

(36)

式中αi為第i個目標的權(quán)重因子。

(37)

5.2 目標函數(shù)線性化

上文目標函數(shù)中的E4為非線性函數(shù)，無法通過混合整數(shù)線性規(guī)劃進行求解，通過下述步驟對其進行線性化處理：

(2)引入實數(shù)變量wk將x和f(x)表示為：

(38)

(39)

(3)引入0-1變量zk，則wk、zk滿足如下約束：

(40)

6 算例分析

6.1 參數(shù)設(shè)置

本文所搭建熱電聯(lián)供型微網(wǎng)模型包含太陽能電池組、風力發(fā)電機組、微型燃氣輪機、木屑鍋爐、儲能電池和EV。調(diào)度周期為24 h，考慮到用戶一般在上午出行時對EV電量的要求，調(diào)度時間選擇從當日07:00至次日07:00，單位時間間隔Δt=1 h?？紤]到本文所搭建的微電網(wǎng)系統(tǒng)規(guī)模，假設(shè)電動汽車共75輛，3種類型用戶所占比重相同；EV額定充電功率為3.5 kW，Sra=0.8；每輛EV返程后接入微網(wǎng)時的初始SOC為在0.1～0.5均勻分布的隨機數(shù)，返程時刻根據(jù)EV的時間特性概率密度函數(shù)通過蒙特卡洛模擬獲得；天然氣售價取3.27元/kg，木屑價格取1.13元/kg；排放處理價格為3.74元/kg。本文采用2017年上海市分時電價，見附錄圖A1；某微網(wǎng)典型日負荷及新能源發(fā)電量[18]見附錄圖A2；微網(wǎng)各設(shè)備參數(shù)見附錄表A1、A2。

本文構(gòu)建了4個不同場景，對比分析了不同場景下的優(yōu)化結(jié)果。各場景具體配置見表1。

表1 場景分類及配置Table 1 Details of four scenes

6.2 場景分析

6.2.1場景1

首先以微電網(wǎng)的經(jīng)濟成本最低為目標函數(shù)對整個微網(wǎng)模型進行優(yōu)化。優(yōu)化后各單元的電功率平衡、熱功率平衡和發(fā)電功率PG波動狀況分別如圖2—4所示。

圖2 場景1電能平衡分布圖Fig.2 Electric power balance of scene 1

圖3 場景1熱能平衡分布圖Fig.3 Heating power balance of scene 1

圖4 場景1 PG出力曲線Fig.4 Output of PG in scene 1

圖2、3中，07:00—11:00，微網(wǎng)中電負荷較少，新能源發(fā)電量大于基本電負荷，但因熱負荷較多，在木屑鍋爐滿發(fā)的情況下，還須微燃機運行供熱，因此，該時段有更多剩余電量，可以通過向配電網(wǎng)售電來獲取收益；09:00—11:00為分時電價峰時段，因儲能成本較低，從而可以通過儲能放電獲取售電利潤；12:00—13:00為電價平時段，儲能繼續(xù)放電獲取收益的經(jīng)濟性較低，因此系統(tǒng)控制儲能和EV進行充電來消耗多余電量；14:00—16:00，EV接入量逐漸增加，新能源發(fā)電量和基本負荷相對持平，系統(tǒng)通過儲能放電和從配電網(wǎng)購電來維持電能平衡；17:00—23:00，新能源發(fā)電量明顯低于基本負荷量，微網(wǎng)系統(tǒng)開始大量從配電網(wǎng)購電，同時控制儲能和積極型EV進行放電來滿足基本負荷和EV充電負荷，由于微型燃氣輪機發(fā)電成本高于此時電價，其出力在滿足熱負荷供應(yīng)的情況下沒有進行多發(fā)來供應(yīng)電負荷；24:00—次日07:00為電價谷時段，且負荷量很低，為了滿足用戶出行要求及次日儲能的正常運行，在電功率平衡的前提下通過購電對EV和儲能進行充電。

對比圖3中木屑鍋爐與微燃機出力，木屑鍋爐出力成本應(yīng)低于微型燃氣輪機，因此除熱負荷較高，僅由木屑鍋爐供熱不能滿足需求時須微燃機輔助供熱外，其余時段僅須木屑鍋爐供熱。

由圖4的PG曲線可知，在以成本最低為單目標優(yōu)化時，并不會考慮到出力波動，導(dǎo)致曲線波動較大。

6.2.2場景2

求解多目標加權(quán)模糊優(yōu)化模型后，各單元的電功率平衡、熱功率平衡和發(fā)電功率PG波動狀況如圖5—7所示。

圖5 場景2電能平衡分布圖Fig.5 Electric power balance of scene 2

圖6 場景2熱能平衡分布圖Fig.6 Heating power balance of scene 2

圖7 場景2 PG出力曲線Fig.7 Output of PG in scene 2

由圖5可知，經(jīng)過多目標優(yōu)化后的微網(wǎng)各單元狀態(tài)變化與經(jīng)濟成本最低時較為相似。07:00—11:00，微網(wǎng)中新能源發(fā)電量充足，在與微燃機一起滿足基本電負荷的同時，通過將剩余電量向配電網(wǎng)輸送來獲取收益；10:00—11:00，儲能受分時電價平時段影響，通過放電向配電網(wǎng)售電獲取收益；12:00—13:00，該時段處于分時電價的平時段，多余發(fā)電量用于給儲能和EV充電；14:00—16:00，新能源發(fā)電量與基本負荷相持平，系統(tǒng)通過控制儲能少量放電或從配電網(wǎng)少量購電來維持電能平衡；17:00—23:00，新能源發(fā)電量已明顯低于基本電負荷需求，系統(tǒng)控制儲能和積極型EV放電，同時從配電網(wǎng)大量購電來滿足基本負荷和EV充電需求；24:00—次日07:00，電價處于谷時段，通過從配電網(wǎng)購電來滿足儲能和EV的充電需求。

對比圖7和圖4，發(fā)電功率波動明顯降低，這是對模型進行多目標優(yōu)化的結(jié)果。

6.2.3場景3

設(shè)75輛EV的返程時間和初始SOC不變，用戶類型全都為消極型。考慮到EV為無序充電，作為不可調(diào)節(jié)的負荷，無法平抑新能源發(fā)電功率波動，因此，以經(jīng)濟性成本最低為目標對模型進行優(yōu)化，求解后各單元的電功率平衡、熱功率平衡情況如圖8、9所示。

圖8 場景3電能平衡分布圖Fig.8 Electric power balance of scene 3

圖9 場景3熱能平衡分布圖Fig.9 Heating power balance of scene 3

由圖8可知，07:00—10:00，無EV駛?cè)?，新能源發(fā)電量充足，在供應(yīng)基本負荷的情況下，與微型燃氣輪機、儲能一起向配電網(wǎng)售電獲取收益；11:00起，有EV充電負荷接入，系統(tǒng)在滿足基本電負荷和EV充電負荷的前提下繼續(xù)售電；12:00—13:00，電價處于平時段，系統(tǒng)安排儲能充電；14:00—15:00，新能源發(fā)電量與基本電負荷需求量相對持平，通過購電來維持電能供需平衡；16:00起，EV充電負荷迅速增加，且此時新能源發(fā)電量很低，基本負荷到達峰時段，系統(tǒng)控制儲能放電、內(nèi)燃機發(fā)電和從配電網(wǎng)購電來滿足用電需求；24:00—次日07:00，負荷較低，新能源發(fā)電量較大，對儲能和EV進行充電，由于EV無序充電，夜間充電需求較低，即使電價處于谷時段，也將多余電量向配網(wǎng)輸送來獲取收益。

由圖9可知，19:00—22:00，微型燃氣輪機出力較多，特別在20:00出現(xiàn)熱供應(yīng)溢出的現(xiàn)象，這是由于此時段電負荷太大，僅靠新能源發(fā)電、儲能放電和從配電網(wǎng)購電不足以支撐負荷量，須微型燃氣輪機多發(fā)來滿足負荷需求。

6.2.4場景4

由于此場景僅考慮發(fā)電功率波動性，優(yōu)化結(jié)果的調(diào)度方案無明顯分析價值，此處不贅述。

6.3 優(yōu)化結(jié)果比較

上述場景的各項結(jié)果見表2。

表2 各場景優(yōu)化結(jié)果Table 2 optimal results of all scenes

由表2可知，場景1以經(jīng)濟成本最低為目標，優(yōu)化得出的發(fā)電功率波動比最低發(fā)電功率波動高109.3%，發(fā)電功率穩(wěn)定性很差；場景4以發(fā)電功率波動最低為目標，優(yōu)化得出的經(jīng)濟成本比最低經(jīng)濟成本高124.3%，經(jīng)濟性很差；多目標加權(quán)模糊優(yōu)化得出的經(jīng)濟成本比最低經(jīng)濟成本高0.6%，發(fā)電功率波動性比最低發(fā)電功率波動高1.6%，僅犧牲了很小的經(jīng)濟性，卻帶來了穩(wěn)定性的巨大提升，實現(xiàn)了經(jīng)濟性和穩(wěn)定性的綜合提升。

此外，對比場景2、3，在相同負荷的情況下，相比EV無序充電模型，考慮用戶意愿的不同充放電行為相結(jié)合的混合型EV模型，對每輛EV進行充放電調(diào)度，在保證合理性的基礎(chǔ)上，既節(jié)省了微網(wǎng)運行成本，又平抑了發(fā)電功率波動，效果顯著。

6.4 EV數(shù)量對計算效率的影響

為了驗證本文優(yōu)化算法的適用性，將EV數(shù)量從75輛增加至150輛，并對比了兩種規(guī)模下的優(yōu)化效率，見表3。

考慮到一般微網(wǎng)系統(tǒng)規(guī)模及Gurobi求解器求解混合整數(shù)線性規(guī)劃的計算速度，本文所構(gòu)建的微網(wǎng)優(yōu)化調(diào)度模型具有較高的適用性。

表3 計算時間對比Table 3 Comparison of computation time

7 結(jié) 論

本文構(gòu)建了一個含不同類型EV的熱電聯(lián)供型微電網(wǎng)系統(tǒng)多目標優(yōu)化調(diào)度模型，以一個含風、光、儲、EV、微型燃氣輪機、木屑鍋爐及熱電負荷的具體熱電聯(lián)供型微網(wǎng)為例，在把目標函數(shù)線性化和運用多目標模糊加權(quán)優(yōu)化理論的基礎(chǔ)上，采用最大滿意度法將多目標優(yōu)化問題轉(zhuǎn)換為單目標優(yōu)化問題，在MATLAB平臺運用Yalmip/Gurobi優(yōu)化了基于實時電價的并網(wǎng)型熱電聯(lián)供型微電網(wǎng)各單元運行狀態(tài)，并對比分析了不同場景下的優(yōu)化結(jié)果，所得結(jié)論如下詳述。

(1)對比EV無序充電模型，采用考慮用戶意愿的無序充電、有序充電和有序充放電相結(jié)合的混合型EV模型不僅合理，又可將大部分充電負荷轉(zhuǎn)移到電負荷較低的時段，使系統(tǒng)在穩(wěn)定性提高的同時具備經(jīng)濟性。

(2)電負荷峰時段，由于儲能和積極型EV的存在，使得并網(wǎng)型微電網(wǎng)可以在滿足電負荷的前提下更少地從配電網(wǎng)購電，實現(xiàn)滿足經(jīng)濟性的同時減小了配網(wǎng)的供電壓力。

(3)多目標模型能更好地權(quán)衡經(jīng)濟性與發(fā)電功率波動性，在盡可能小的波動范圍內(nèi)更多地降低經(jīng)濟成本。

本文對含電動汽車的熱電聯(lián)供型微網(wǎng)的優(yōu)化運行做了研究，但對可再生能源發(fā)電的模型處理相對簡單，沒有考慮其隨機性，這將是下一步的研究重點。

8 參考文獻

[1] 王錫凡, 邵成成, 王秀麗,等. 電動汽車充電負荷與調(diào)度控制策略綜述[J]. 中國電機工程學報, 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.

[2] 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.

[3] 朱永勝, 王杰, 瞿博陽,等. 含電動汽車的電力系統(tǒng)動態(tài)環(huán)境經(jīng)濟調(diào)度[J]. 電力自動化設(shè)備, 2016, 36(10):16-23.

ZHU Yongsheng, WANG Jie, QU Boyang, et al. Dynamic environmental and economic dispatch of power system with EVs[J]. Electric Power Automation Equipment, 2016, 36(10):16-23.

[4] 李和明, 張祥宇, 王毅,等. 基于功率跟蹤優(yōu)化的雙饋風力發(fā)電機組虛擬慣性控制技術(shù)[J]. 中國電機工程學報, 2012, 32(7):32-39.

LI Heming, ZHANG Xiangyu, WANG Yi, et al. Virtual inertia control of DFIG-based wind turbines based on the optimal power tracking[J]. Proceedings of the CSEE, 2012, 32(7): 32-39.

[5] 鮑諺, 姜久春, 張維戈,等. 電動汽車移動儲能系統(tǒng)模型及控制策略[J]. 電力系統(tǒng)自動化, 2012, 36(22):36-43.

BAO Yan, JIANG Jiuchun, ZHANG Weige, et al. Model and control strategy of electric vehicle mobile energy storage system[J]. Automation of Electric Power Systems, 2012, 36(22):36-43.

[6] 李志偉, 趙書強, 劉應(yīng)梅. 電動汽車分布式儲能控制策略及應(yīng)用[J]. 電網(wǎng)技術(shù), 2016, 40(2):442-450.

LI Zhiwei, ZHAO Shuqiang, LIU Yingmei. Control strategy and application of distributed electric vehicle energy storage[J]. Power System Technology, 2016, 40(2):442-450.

[7] SHINDE P, SWARUP K S. Optimal Electric Vehicle charging schedule for demand side management[C]// International Conference on Sustainable Green Buildings and Communities. Chennai, IEEE, 2017:1-6.

[8] ALUISIO B, CONSERVA A, DICORATO M, et al. Optimal operation planning of V2G-equipped Microgrid in the presence of EV aggregator[J]. Electric Power Systems Research, 2017, 152:295-305.

[9] 吳紅斌, 侯小凡, 趙波,等. 計及可入網(wǎng)電動汽車的微網(wǎng)系統(tǒng)經(jīng)濟調(diào)度[J]. 電力系統(tǒng)自動化, 2014, 38(9):77-84.

WU Hongbin, HOU Xiaofan, ZHAO Bo, et al. Economical dispatch of microgrid considering plug-in electric vehicles[J]. Automation of Electric Power Systems, 2014, 38(9):77-84.

[10] 蘇海鋒, 梁志瑞. 基于峰谷電價的家用電動汽車居民小區(qū)有序充電控制方法[J]. 電力自動化設(shè)備, 2015, 35(6):17-22.

SU Haifeng, LIANG Zhirui. Orderly charging control based on peak-valley electricity tariffs for household electric vehicles of residential quarter[J]. Electric Power Automation Equipment, 2015, 35(6):17-22.

[11] 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(3):140-148.

MA Lingling, YANG Jun, FU Cong, et al. Review on impact of electric car charging and discharging on power grid[J]. Power System Protection and Control, 2013(3):140-148.

[12] 丁明, 史盛亮, 潘浩,等. 含電動汽車充電負荷的交直流混合微電網(wǎng)規(guī)劃[J]. 電力系統(tǒng)自動化, 2018, 42(1):32-38.

DING Ming, SHI Shengliang, PAN Hao, et al. Planning of AC/DC microgrid with electric vehicles charging load integration[J]. Automation of Electric Power Systems, 2018, 42(1):32-38.

[13] 齊峰, 張華一, 文福拴,等. 計及電動汽車車主意愿的集成光熱充電站優(yōu)化運行策略[J]. 電力自動化設(shè)備, 2017, 37(6):229-235.

QI Feng, ZHANG Huayi, WEN Fushuan ,et al. Optimal operating strategy considering EV owner’s willingness for CSP-based EV charging station[J]. Electric Power Automation Equipment, 2017, 37(6):229-235.

[14] 張明銳, 謝青青, 李路遙，等. 考慮電動汽車能量管理的微網(wǎng)儲能容量優(yōu)化[J]. 中國電機工程學報, 2015, 35(18): 4663-4673.

ZHANG Mingrui, XIE Qingqing, LI Luyao, et al. Optimal sizing of energy storage for microgrids considering energy management of electric vehicles[J]. Proceedings of the CSEE, 2015, 35(18): 4663-4673.

[15] 田立亭, 史雙龍, 賈卓. 電動汽車充電功率需求的統(tǒng)計學建模方法[J]. 電網(wǎng)技術(shù), 2010, 34(11):126-130.

TIAN Liting, SHI Shuanglong, JIA Zhuo. A statistical model for charging power demand of electric vehicles[J]. Power System Technology, 2010, 34(11):126-130.

[16] HAFEZ O, BHATTACHARYA K. Optimal design of electric vehicle charging stations considering various energy resources[J]. Renewable Energy, 2017, 107:576-589.

[17] 張國立, 李庚銀, 謝宏,等. 多目標加權(quán)模糊非線性規(guī)劃[J]. 華北電力大學學報(自然科學版), 2004, 31(1):33-35.

ZHANG Guoli, LI Gengyin, XIE Hong, et al. Multi-objective weighted fuzzy nonlinear programming[J]. Journal of North China Electric Power University, 2004, 31(1):33-35.

[18] TUSHAR W, YUEN C, HUANG S, et al. Cost minimization of charging stations with photovoltaics: an approach with EV classification[J]. IEEE Transactions on Intelligent Transportation Systems, 2015, 17(1):156-169.