V2G技術(shù)參與微電網(wǎng)能量協(xié)調(diào)控制的仿真研究

寧 琳，白 迪

（沈陽工程學(xué)院 a.研究生部；b.電力學(xué)院，遼寧 沈陽 110136）

在如今這個能源緊缺的時代里，推廣并使用電動汽車已成為必然的發(fā)展趨勢。經(jīng)過我國在電動汽車相關(guān)技術(shù)等方面半個多世紀的研究與努力，現(xiàn)在整個國內(nèi)市場已取得了極大的進步，不僅連續(xù)3年產(chǎn)銷量居世界首位，使用率也遠遠超過其他國家，且未來在新技術(shù)研發(fā)上也將漸趨完善。

電動汽車具有使用費用低、對環(huán)境友好、安全性好的優(yōu)點。鑒于目前電動汽車的普及程度，當(dāng)大量不同種類的電動汽車同時接入微電網(wǎng)時，其無序的充放電會給整個系統(tǒng)帶來不利的影響，如造成電壓不穩(wěn)等問題，且并網(wǎng)的同時引發(fā)用電負荷激增［1］。根據(jù)某城市日常駕駛模式的調(diào)查研究顯示，大部分行程都集中在上下班時間，在這些時段內(nèi)恰好是居民用電的高峰時期，若駕駛者選擇在此時對電動汽車進行充電那便會“峰上加峰”，加重了輸配電的壓力。文獻［2］指出我國微電網(wǎng)的負荷峰谷比在日漸增大，平均峰谷差率已達到1：0.4，若不組織對策協(xié)調(diào)電能的供給，隨著電動汽車的規(guī)模化發(fā)展，該數(shù)值必將進一步加大。

運用V2G技術(shù)（Vehicle-to-Grid），引導(dǎo)用電高峰期電動汽車向微電網(wǎng)輸送電能，從而降低峰谷差。本文建立了V2G參與調(diào)峰的數(shù)學(xué)模型，根據(jù)文獻［3］的調(diào)度策略，提出了一種改進的粒子群優(yōu)化算法，用MATLAB/Simulink仿真軟件將兩種算法的仿真結(jié)果進行對比，驗證了電動汽車充放電對微電網(wǎng)能量協(xié)調(diào)控制的可行性，說明了優(yōu)化過的粒子群算法效果更為理想。

1 V2G技術(shù)概述

V2G技術(shù)充分體現(xiàn)了電動汽車與智能電網(wǎng)間的友好互動，它是能量、信息雙向互動的技術(shù)［4-6］。電動汽車的種類有很多，本質(zhì)上也有很大的區(qū)別，油電混合動力電動汽車沒有裝置可與電網(wǎng)產(chǎn)生相互作用，因此，接入電網(wǎng)不會有任何影響。只有純電動汽車和插電式混合動力電動汽車與電網(wǎng)有交互作用，可以考慮應(yīng)用V2G技術(shù)，本文所研究的電動汽車指該兩種。由于電動汽車在每日大部分時間內(nèi)均處于空閑狀態(tài)，如果利用電動汽車V2G功能，使能量在車輛和微電網(wǎng)之間雙向流動，作負載時可將電能儲存在電池中滿足自身需求，電網(wǎng)負荷高峰時段又可作為分布式儲能設(shè)備使用。V2G技術(shù)不僅可以降低遠距離高電量的電能在傳輸過程中的網(wǎng)損，還可以大大減少電網(wǎng)高峰時所需要投入的火電資金，充分利用了智能電網(wǎng)的靈活性與電動汽車電池充放電的優(yōu)勢，有效對電網(wǎng)實施調(diào)峰，平滑了電網(wǎng)日負荷曲線，減緩了供電壓力。

2 V2G系統(tǒng)部件及信息流程

V2G系統(tǒng)在結(jié)構(gòu)上可概括為4個層面：電網(wǎng)層、站控層、智能充放電裝置層及車輛層［7］。其中，雙向智能充放電裝置既與電網(wǎng)交互信息，又與車輛進行互動。整個系統(tǒng)的運作需要各個設(shè)備之間保持通信，圖1為信息傳遞示意圖。

圖1 V2G系統(tǒng)信息流程

2.1 電池管理系統(tǒng)

電池管理系統(tǒng)（BMS）是電動汽車的重要組成單元，內(nèi)部包括電池終端模塊、中間控制模塊、顯示模塊。根據(jù)組成模塊各自不同的功能，BMS可以對電池進行電壓、電流測量，溫度檢測，荷電狀態(tài)（SOC）、健康狀態(tài)（SOH）、可用能量狀態(tài)（SOE）［8］等數(shù)值估計并存儲數(shù)據(jù)，用診斷算法進行故障自檢，防止過量充放電損傷車輛電池，必要時及時報警，保證運行安全。BMS從各方面全面監(jiān)控電池性能，用CAN總線將數(shù)據(jù)完整傳輸?shù)匠浞烹娧b置，即EV-PCS，進而上報到后臺管理系統(tǒng)做出反應(yīng)策略，將充放電指令傳回充放電裝置，如此實現(xiàn)了信息的雙向流動。

2.2 智能用戶終端

圖1中UT為用戶終端，用戶可在儀表盤上直觀了解到電動汽車的狀態(tài)信息。裝置的組成結(jié)構(gòu)如圖2所示，基礎(chǔ)電氣設(shè)備元件包括顯示器、揚聲器、讀卡器等等，市面上大部分采用ARM嵌入式處理器，主要擁有無線數(shù)據(jù)通信模塊、GPS模塊和CAN總線接口。在電動汽車上安裝整個終端系統(tǒng)，除2.1節(jié)提到的與BMS雙向傳遞電池綜合信息以外，還可以把用戶的指令傳輸?shù)较鄳?yīng)的控制設(shè)備上，各自分別實現(xiàn)了信息交互。智能用戶終端具有GPS數(shù)據(jù)接收功能，定位用戶所處地理位置；具有無線通信功能，定期向后臺管理中心傳送UT統(tǒng)計的信息，目前主要使用通用無線分組技術(shù)GPRS/3G，并選擇合適的網(wǎng)絡(luò)作為外界遠程聯(lián)系的通道。

圖2 用戶終端結(jié)構(gòu)

2.3 雙向智能充放電裝置

智能充放電機EV-PCS由低壓控制器LPCS和本地管理機CPCS組成，作為V2G技術(shù)的核心部分與各重要裝置均有相互作用，以RS485雙向連接智能電表SM記錄電量信息并設(shè)置參數(shù)。雙向智能充放電裝置無線接收控制中樞的充放電指令，在充電模式下執(zhí)行對象僅為車輛，為單向操作；如果是V2G模式（電網(wǎng)負荷高峰期），需要從UT得到用戶設(shè)置的SOC極值，功能上與EMS合并為一個系統(tǒng)負責(zé)確定充放電策略，與BMS雙向操作，且自帶欠壓、過壓、過流等保護功能。

3 V2G調(diào)峰模型

V2G參與電網(wǎng)調(diào)峰要比傳統(tǒng)的調(diào)峰方式響應(yīng)速度更快、綜合效益更高。目前，研究V2G技術(shù)應(yīng)用策略的方法以用仿真軟件預(yù)測電網(wǎng)負荷曲線為主，目的是使電動汽車入網(wǎng)后曲線會趨于平滑。

3.1 目標函數(shù)

根據(jù)“削峰填谷”的優(yōu)化目標，把調(diào)度中心的控制單元調(diào)整為1 h（共24個單元），日負荷曲線均方差最小值確立為目標函數(shù)，即

式中，PLj為j時段電網(wǎng)負荷功率代表電網(wǎng)日平均負荷功率；n為接入電網(wǎng)的電動汽車數(shù)量；Pij為j時段i輛電動汽車參與電網(wǎng)調(diào)峰的總負荷功率，放電數(shù)值為正，充電數(shù)值為負。

3.2 約束條件

1）功率約束

電動汽車充放電功率約束為表達式（2），一般充電線路的傳輸功率不允許超過15 kW，因此，式中Pmax取值15，且該條件下主要考慮對電流的約束。式（3）、（4）中，Iic為充電電流；Iid為放電電流；IiN則根據(jù)不同種類電動汽車的電池型號來確定其額定值。

綜合以上式子，j時刻電動汽車i的功率約束條件為式（5）、（6）、（7），其中Vij為車輛充電的額定電壓（單相220 V，三相380 V）。

2）電池容量約束

用戶可以根據(jù)行駛需求設(shè)定約束范圍，在電動汽車離開電網(wǎng)時滿足下式：

式中，電池荷電狀態(tài)用Soc表示，定義為電池剩余容量與完全充滿電時容量QiN的比值；Socset為用戶對電池約束的荷電狀態(tài)；Socc為滿荷狀態(tài)。

SSoc為電池荷電狀態(tài)值，考慮電池的使用壽命，要求數(shù)值最小不低于0.2，最大不超過1，SSocij表示車輛i在j時段內(nèi)的荷電狀態(tài)，充放電時電池容量的變化量用△Qij表示，Qijmax可表示容量上限，Qijmin可表示容量下限。

4 改進的粒子群算法

粒子 群算法（Particle Swarm Optimization，PSO）又稱鳥群覓食算法，最早由J.Kennedy和R.C.Eberhart提出［9］，是一種優(yōu)于遺傳算法的進化算法。通過一種隨機粒子逐次迭代找到全局最優(yōu)值，具有收斂速度快、精度高、易實現(xiàn)等優(yōu)點。本文建立的模型變量為電動汽車參數(shù)，有很多不確定因素，目標函數(shù)求解為最小值，適用粒子群算法。根據(jù)文獻［3］基于粒子群算法的電動汽車調(diào)度策略流程，如圖3所示，從以下兩方面進行了改進。

4.1 粒子慣性權(quán)重

PSO算法在空間搜索時，較大的慣性權(quán)重適用于迭代初期進行全局搜索，較小的慣性權(quán)重對后期局部搜索有利，為了在兩者之間達到平衡，Shi Y等人提出了一種線性遞減權(quán)重（LDIW）［10］：式中，K為迭代次數(shù)；Kmax為設(shè)定的最大迭代次數(shù)；ωmax為最大慣性權(quán)重；ωmin為最小慣性權(quán)重。隨著迭代次數(shù)K的增加，慣性權(quán)重ω逐漸變小。

加入式（12）的程序可以自適應(yīng)的更新慣性系數(shù)。選取ωmax=2，ωmin=0.1，Kmax=300。

圖3 基于粒子群算法的調(diào)度策略流程

4.2 粒子更新速度

研究車輛在一天24個時段里跟電網(wǎng)交換負荷的情況，因此，維數(shù)為24，初始化群體個數(shù)m=100，則粒子i位置表示為Xi=( )Xi1,Xi2,…,Xi24,i=(1,2,…,100)，運行過程中其“飛行”速度亦為n維向量Vi=(Vi1,Vi2,…,Vi24),i=(1,2,…,100)，其 他 速度參數(shù)根據(jù)經(jīng)驗設(shè)Vmin=-0.5，Vmax=0.5。

粒子群算法根據(jù)式（13）更新粒子速度，xi(k)為粒子i位置信息，pi(k)代表粒子i個體極值位置，gi(k)代表全局極值位置。

改進的PSO在速度更新上，將上兩次的速度進行了加權(quán)作為新的速度，主程序如下：

這里alf是介于0到1之間的參數(shù)，用于將上兩個時刻的粒子速度聯(lián)系在一起來求取此時的粒子速度，v1（i,：）表示前兩個時刻的粒子i的速度；v2（i,：）表示前一個時刻的粒子i的速度；v3（i,：）表示當(dāng)前時刻的粒子i的速度。學(xué)習(xí)因子c1=1，c2=2。

5 仿真算例

采用某一樓宇的日負荷曲線進行仿真驗證，數(shù)據(jù)如表1所示，可得Pav=83 kW。為計算方便，假設(shè)2 000輛相同型號的電動汽車接入電網(wǎng)，行駛消耗功率均為8 kW，電池額定容量為40 kW·h，允許最大充放電功率為15 kW，統(tǒng)一取電動汽車進站的初始荷電狀態(tài)為0.8，用戶要求的出站最低荷電狀態(tài)為0.9。

表1 電網(wǎng)日負荷

基于表1的數(shù)據(jù)，根據(jù)上文提到的數(shù)學(xué)模型和所設(shè)定的參數(shù)，使用MATLAB仿真軟件分別對基本粒子群算法與本文所提出的改進后的粒子群算法調(diào)整負荷曲線的效果進行驗證，輸出數(shù)據(jù)如表2，曲線如圖4和圖5所示。

表2 電動汽車與電網(wǎng)交換負荷

圖4 目標函數(shù)值隨迭代次數(shù)變化曲線

圖5 V2G調(diào)節(jié)量

由圖4可以看出，目標函數(shù)值隨著迭代次數(shù)的增加而減少，直至達到最大迭代次數(shù)可以得到最優(yōu)解，改進后的PSO算法迭代速度以及達到的適應(yīng)度函數(shù)值都比以前要好。將圖5的V2G調(diào)節(jié)量計入到電網(wǎng)中，并對這兩種算法的調(diào)峰效果進行了比較，如圖6所示。

圖6 V2G參與電網(wǎng)調(diào)峰負荷曲線

由圖6可知，原負荷曲線在23：00～6：00為負荷低谷期，而在12：00～14：00和19：00～22：00出現(xiàn)兩個負荷高峰期。仿真結(jié)果表明，V2G技術(shù)基本實現(xiàn)了微電網(wǎng)電能的協(xié)調(diào)控制，達到了削峰填谷的效果，其中改進后的算法較原電網(wǎng)狀態(tài)有明顯改善，說明該算法要優(yōu)于基本粒子群算法，日負荷曲線幾乎可以用一條恒定負荷曲線取代，對電能分銷商大有益處，同時還降低了電價，給用戶帶來了便利。

6 結(jié) 論

本文充分說明了通過采用V2G可以降低電網(wǎng)負荷高峰時對發(fā)電機組的需求，使用改進的粒子群算法更能實現(xiàn)這一觀點。電動汽車通過V2G技術(shù)并入電網(wǎng)，不但在電網(wǎng)支撐、穩(wěn)定性和負荷調(diào)節(jié)方面對配電網(wǎng)有利，而且對儲能普及應(yīng)用也有好處。但是，不當(dāng)?shù)腣2G功能管理會給車輛的內(nèi)置儲能帶來風(fēng)險，需要設(shè)置放電速度和放電深度延長電池壽命。一個帶有V2G放電深度限制的電網(wǎng)，從本質(zhì)上具有降低和削除日負荷高峰的能力［11］，可見這項技術(shù)未來具有很大的研究空間和發(fā)展前景。