電動汽車參與日前風(fēng)電消納的優(yōu)化調(diào)度技術(shù)分析

呂振邦

（國網(wǎng)江西省電力有限公司上饒供電分公司，江西 上饒 334000）

0 引言

風(fēng)電是目前發(fā)展較為成熟的可再生能源發(fā)電方式之一，但因出力具有波動性和隨機(jī)性以及反調(diào)峰特性，使得風(fēng)電并網(wǎng)后棄風(fēng)現(xiàn)象較為嚴(yán)重。為減少棄風(fēng)電量，目前有研究采用儲能和風(fēng)電相配合以降低棄風(fēng)率，但目前儲能裝置在實際電網(wǎng)中大規(guī)模應(yīng)用還不具備條件［1］。也有研究利用抽水蓄能電站提高風(fēng)電消納電量，但是目前很多地方電網(wǎng)不具備該條件［2］。隨著電動汽車日益普及，在風(fēng)電大發(fā)時利用風(fēng)電對電動汽車充電可顯著提高風(fēng)電消納電量［3］。

風(fēng)電、基礎(chǔ)負(fù)荷和電動汽車充電負(fù)荷都帶有一定的隨機(jī)性，同時接入電網(wǎng)后相互間如何協(xié)同調(diào)度也是目前的研究熱點之一。文獻(xiàn)［4］系統(tǒng)歸納了電動汽車入網(wǎng)后對電力系統(tǒng)的影響，介紹了電動汽車充電負(fù)荷的概率模型和有序充電控制策略。文獻(xiàn)［5］根據(jù)電動汽車日行駛里程和電動汽車最后一次出行結(jié)束時間，利用統(tǒng)計學(xué)建模方法計算出一天內(nèi)電動汽車充電負(fù)荷的期望值，但充電功率取值依據(jù)不足。文獻(xiàn)［6］利用蒙特卡洛模擬法計算出電動汽車充電負(fù)荷，但計算過程較為耗時。文獻(xiàn)［7］從動態(tài)概率特性方面分析了電動汽車接入后對含風(fēng)電系統(tǒng)的影響，并給出了電動汽車充電負(fù)荷準(zhǔn)確的計算方法，但沒有分析電動汽車對風(fēng)電消納的提升作用。文獻(xiàn)［8］建立了電動汽車與風(fēng)電場的能量交換模型，為制定規(guī)范電動汽車有序發(fā)展的政策提供了理論依據(jù)，但沒有分析電動汽車入網(wǎng)后的經(jīng)濟(jì)性。

在上述背景下，研究無電動汽車、電動汽車無序充電及電動汽車有序充電三種不同場景下的風(fēng)電消納情況，并分析入網(wǎng)電動汽車的經(jīng)濟(jì)性。首先建立風(fēng)電、基礎(chǔ)負(fù)荷和電動汽車充電負(fù)荷的概率模型，然后構(gòu)建了含電動汽車充電負(fù)荷的風(fēng)電消納優(yōu)化調(diào)度模型，并設(shè)計相應(yīng)的求解算法，狀態(tài)變量采用機(jī)會約束表示以降低狀態(tài)變量越限的概率。最后通過IEEE30 節(jié)點系統(tǒng)和南方某地區(qū)電網(wǎng)，分析利用電動汽車充電負(fù)荷提升風(fēng)電消納的效果及經(jīng)濟(jì)性，并對入網(wǎng)的電動汽車臺數(shù)和采用有序充電模式的電動汽車比例進(jìn)行敏感性分析。

1 日前預(yù)測的不確定性模型

1.1 風(fēng)電出力預(yù)測模型

風(fēng)速一般采用威布爾分布模擬，威布爾分布的表達(dá)式為

式中：bt和ct分別為日前第t 時段的形狀參數(shù)和尺度參數(shù)，參數(shù)的確定方法參見文獻(xiàn)［9］。再根據(jù)用分段線性方程表示的風(fēng)機(jī)出力方程，可得風(fēng)功率預(yù)測期望值，分段線性功率方程的具體表達(dá)式可參見文獻(xiàn)［10］。日前風(fēng)功率預(yù)測值可表示為

式中：PM為風(fēng)電場的總裝機(jī)容量。

1.2 基礎(chǔ)負(fù)荷預(yù)測模型

采用正態(tài)分布描述日前預(yù)測的基礎(chǔ)負(fù)荷有功需求P和無功需求Q，分別表示為：

式中：μp和σp分別為基礎(chǔ)有功負(fù)荷的期望值和標(biāo)準(zhǔn)差；μq和σq分別為基礎(chǔ)無功負(fù)荷的期望值和標(biāo)準(zhǔn)差。

1.3 電動汽車充電負(fù)荷預(yù)測模型

電動汽車（Electric Vehicle，EV）大致可分為商用車和家用乘用車兩類，由于商用車的行駛特性和停放場所較為固定，故主要考慮隨機(jī)性較大的家用乘用車［5］。電動汽車入網(wǎng)后，電網(wǎng)企業(yè)可選擇對入網(wǎng)電動汽車的充電行為不控制或采取某種控制策略，即電動汽車的無序充電和有序充電。EV 充電負(fù)荷的計算時間間隔Δt 取15 min，與風(fēng)電出力的時間間隔一致，即將全天分成96個時段。假設(shè)EV采用慢速充電模式，通過EV 集中控制器與電網(wǎng)交互。EV 采用統(tǒng)一型號，單臺EV的充電功率為恒功率Pcr=5 kW，充電總電量為30 kWh。

1.3.1 無序充電

無序充電是指對電動汽車的充電行為不控制，電動汽車在最后一次出行結(jié)束后即開始充電。文獻(xiàn)［7］根據(jù)電動汽車日行駛里程得到電動汽車充電前的電池荷電狀態(tài)，再通過充電功率求得充電時長，采用概率平均的思想求出各時刻EV充電負(fù)荷需求的期望值μc，t和方差，利用該方法建立單臺電動汽車在無序充電時的充電負(fù)荷需求模型。當(dāng)電網(wǎng)中接入N 臺電動汽車時，各時刻充電負(fù)荷期望值為Nμc，t，方差為N，則各時刻電動汽車充電負(fù)荷需求Pc，t的概率密度函數(shù)服從期望值為Nμc，t、標(biāo)準(zhǔn)差為Nσc，t的正態(tài)分布［5］。

1.3.2 有序充電

電動汽車有序充電是指對電動汽車采用某種控制策略，使某個目標(biāo)達(dá)到最優(yōu)。采用延時充電控制策略來調(diào)整電動汽車的起始充電時刻，以提高風(fēng)電消納電量，但需要靠分時電價引導(dǎo)［12］。延時充電模式的起始充電時刻為在給定時刻t0的基礎(chǔ)上延時Δt，Δt 可由均勻隨機(jī)數(shù)退避算法求得［7］?？紤]到電動汽車用戶并不會全部響應(yīng)分時電價政策，設(shè)采用延時充電模式的電動汽車用戶占比為η，另有100% -η 的電動汽車用戶仍采用無序充電模式。有序及無序電動汽車充電負(fù)荷與基礎(chǔ)負(fù)荷相疊加為各時段系統(tǒng)的總負(fù)荷。

2 含電動汽車充電負(fù)荷的風(fēng)電消納優(yōu)化調(diào)度模型

2.1 目標(biāo)函數(shù)

含電動汽車充電負(fù)荷的風(fēng)電消納優(yōu)化調(diào)度模型分為機(jī)組組合（Unit Commitment，UC）模型和風(fēng)電優(yōu)化調(diào)度模型，調(diào)度周期的時間間隔Δt 為15 min。首先以常規(guī)機(jī)組的發(fā)電成本和啟停成本以及棄風(fēng)損失最小為目標(biāo)函數(shù)構(gòu)建UC 模型，確定機(jī)組最優(yōu)啟停計劃。目標(biāo)函數(shù)為

式中：T為以15 min為時間間隔將全天24 h分成的時段數(shù)，取96；Ng為常規(guī)機(jī)組數(shù)；Ug，k，t為第k 臺常規(guī)機(jī)組在時段t的啟停狀態(tài)，1 表示運行，0 表示停運；k 為機(jī)組編號；Pg，k，t為第k 臺機(jī)組在時段t 的有功出力；f(Pg，k，t)為第k臺常規(guī)機(jī)組在時段t的發(fā)電成本，采用一次曲線表示為f(Pg，k，t)=akPg，k，t+bk；Ck，t為第k 臺常規(guī)機(jī)組的啟停成本；pw為棄風(fēng)懲罰成本系數(shù)；Nw為風(fēng)電場的數(shù)目；為第m 個風(fēng)電場在時段t 的日前預(yù)測電量；Pw，m，t為第m 個風(fēng)電場在時段t 的消納電量。日前UC 模型中計及風(fēng)功率預(yù)測信息主要有風(fēng)功率點預(yù)測、區(qū)間預(yù)測和場景預(yù)測等方法［13］，采用風(fēng)功率點預(yù)測方法，以增加系統(tǒng)備用的方式表示風(fēng)電的不確定性。由于電動汽車充電負(fù)荷也具有不確定性，故也需增加系統(tǒng)的備用容量。UC 模型的約束條件包括式（7）—式（14）。

優(yōu)化調(diào)度模型的目標(biāo)函數(shù)為風(fēng)電消納電量最大，具體為

優(yōu)化調(diào)度模型的約束條件包括式（7）—式（12）和式（15）—式（16）。電動汽車分別采用無序充電模式和有序充電模式對比分析。

2.2 約束條件

約束條件可分為靜態(tài)約束、動態(tài)約束以及機(jī)會約束等，利用最優(yōu)潮流方法建立優(yōu)化調(diào)度模型。

1）靜態(tài)約束。靜態(tài)約束由系統(tǒng)功率平衡約束，常規(guī)機(jī)組和風(fēng)電機(jī)組的出力上、下限約束，系統(tǒng)上、下旋轉(zhuǎn)備用約束等組成，具體為：

式中：i 為系統(tǒng)節(jié)點編號；j 為與節(jié)點i 具有電氣連接關(guān)系的節(jié)點編號；Pg，i和Qg，i分別為發(fā)電機(jī)有功和無功；Pw，i和Qw，i分別為風(fēng)電機(jī)組的有功和無功；Vi和Vj分別為電壓幅值；θij為支路ij之間的相角；Gij和Bij分別為支路ij的電導(dǎo)和電納；PL，i和QL，i分別為節(jié)點i的有功和無功負(fù)荷；Pg，k，max和Pg，k，min分別為第k 臺常規(guī)機(jī)組的有功出力上限及下限；Qg，k，max和Qg，k，min分別為第k 臺機(jī)組常規(guī)的無功出力上限及下限；為第m 個風(fēng)電場在時段t 的風(fēng)電功率預(yù)測值；為第k臺常規(guī)機(jī)組的額定容量；Lu和Ld分別為基礎(chǔ)負(fù)荷所需的上、下備用容量；x 和y 分別為風(fēng)電對系統(tǒng)上、下備用容量的需求系數(shù)；和分別為電動汽車接入后增加的上、下備用容量。當(dāng)EV 分別采用無序充電和有序充電模式時，增加的備用容量不同。

2）動態(tài)約束。包括機(jī)組爬坡約束、機(jī)組最小啟停時間約束、機(jī)組最大允許啟停次數(shù)約束等，具體為：

3）機(jī)會約束。風(fēng)電接入后系統(tǒng)中全部狀態(tài)變量都是概率分布形式，存在較大的狀態(tài)變量越限風(fēng)險［14］。為降低電網(wǎng)企業(yè)承擔(dān)的風(fēng)險，采用滿足一定置信水平的機(jī)會約束描述狀態(tài)變量約束，具體為：

式中：Vi和Sij分別為節(jié)點i 的電壓和支路ij 的潮流；Vi，min和Vi，max分別為節(jié)點i的電壓允許下限和上限；Sij，max為支路ij的潮流允許上限；γ1和γ2分別為節(jié)點電壓和支路潮流約束應(yīng)滿足的置信水平；Nl為支路數(shù)目。

在無電動汽車充電負(fù)荷的場景下，旋轉(zhuǎn)備用約束式（11）中不包括和，其他約束不變。

2.3 經(jīng)濟(jì)性分析

采用無電動汽車和有電動汽車前后對比法分析電動汽車入網(wǎng)后需要付出的成本及取得的效益。

2.3.1 效益分析

1）減少棄風(fēng)損失效益B1為

式中：pψ為風(fēng)電的上網(wǎng)電價；Pw，m，t，h和Pw，m，t，n分別為第m 個風(fēng)電場并網(wǎng)節(jié)點第t 時段在有和無電動汽車充電負(fù)荷場景下的風(fēng)電消納電量。

2）節(jié)能效益B2包括因增加風(fēng)電消納電量的節(jié)能效益B21和因使用電動汽車的節(jié)能效益B22，具體為：

式中：pz為煤炭價格；Qc為發(fā)單位電量的煤耗量；po為油價；τ為傳統(tǒng)燃油汽車行駛100 km的耗油量；Pc，t為單臺電動汽車在第t 時段的充電需求；P100為電動汽車行駛100 km的耗電量。

3）減排效益B3包括因增加了風(fēng)電消納電量的減排效益B31和因使用電動汽車的減排效益B32，具體為：

式中：φr為燃煤機(jī)組發(fā)單位電量時第r種污染物的排放系數(shù)；kr為第r 種污染物的環(huán)境價值；μr為傳統(tǒng)燃油汽車行駛100 km 后第r 種污染物的排放系數(shù)；污染物的種類n考慮CO2、SO2、CO及NOx等。

2.3.2 成本分析

1）接入電動汽車充電負(fù)荷后將增加網(wǎng)絡(luò)損耗。網(wǎng)損成本C1為

式中：pe為居民電價；Ploss，t，h和Ploss，t，n分別為在有和無電動汽車充電負(fù)荷場景下的有功網(wǎng)損。

2）設(shè)置備用容量時應(yīng)保證在有和無電動汽車充電負(fù)荷場景下的系統(tǒng)可靠性不變。設(shè)置備用容量成本C2為

式中：λ 為備用容量成本系數(shù)；σt，h和σt，n分別為在有和無電動汽車充電負(fù)荷情形下的預(yù)測偏差，σt，n=和σEV，t分別為風(fēng)電、基礎(chǔ)負(fù)荷和電動汽車負(fù)荷的預(yù)測偏差；Plolp為無風(fēng)電無電動汽車時的系統(tǒng)失負(fù)荷概率；Φ-1為標(biāo)準(zhǔn)正態(tài)分布的反函數(shù)。

3 求解方法

3.1 動態(tài)隨機(jī)最優(yōu)潮流

動態(tài)隨機(jī)最優(yōu)潮流是一種能處理輸入變量概率分布隨時間變化的隨機(jī)最優(yōu)潮流算法［15］，其中動態(tài)最優(yōu)潮流算法采用預(yù)測校正內(nèi)點法求解。首先通過引入松弛變量將不等式約束轉(zhuǎn)化為等式約束后構(gòu)造拉格朗日函數(shù)，之后將拉格朗日函數(shù)進(jìn)行泰勒展開并保留高階項，將解出的仿射方向和校正方向相加作為迭代的牛頓方向，因而比原對偶內(nèi)點法具有更好的收斂性。迭代過程中對原變量和對偶變量進(jìn)行修正，直到對偶間歇滿足要求為止，具體步驟可參見文獻(xiàn)［16］。

隨機(jī)潮流算法先根據(jù)風(fēng)速的概率密度函數(shù)求出相應(yīng)的半不變量至七階，再根據(jù)半不變量的齊次性和可加性以及風(fēng)機(jī)出力方程的線性段求出風(fēng)電功率的各階半不變量［17］。計算狀態(tài)變量的半不變量時需同時考慮風(fēng)電功率、基礎(chǔ)負(fù)荷和電動汽車充電負(fù)荷的隨機(jī)性，最后用Gram?Charlier 級數(shù)擬合得到狀態(tài)變量的概率密度函數(shù)。

3.2 機(jī)會約束處理方法

當(dāng)狀態(tài)變量機(jī)會約束不滿足時，可調(diào)整狀態(tài)變量的允許范圍。當(dāng)節(jié)點i電壓越下限時，電壓允許上限保持不變，將電壓允許下限按式（24）增大。當(dāng)節(jié)點i 電壓越上限時，電壓允許下限保持不變，將電壓允許上限按式（25）縮小。當(dāng)支路潮流越上限時，將潮流允許上限值按式（26）適當(dāng)縮小。

式中：H-1（·）和I-1（·）分別為節(jié)點電壓和支路潮流概率分布的逆函數(shù)；a 和b 分別為節(jié)點電壓和支路潮流的最大允許偏移量，a 取0.05，b 取0.15［15］，可防止?fàn)顟B(tài)變量的允許上下限調(diào)整不合理導(dǎo)致計算不收斂。狀態(tài)變量的允許范圍按式（24）—式（26）調(diào)整后，重新進(jìn)行迭代計算，直到所有機(jī)會約束都滿足為止。

3.3 算法流程

模型的求解流程如圖1所示，基本步驟為：

1）輸入風(fēng)速各時段的形狀參數(shù)和尺度參數(shù)，以及基礎(chǔ)負(fù)荷、電動汽車充電負(fù)荷各時段的數(shù)據(jù)。

2）利用混合整數(shù)規(guī)劃法，并采用CPLEX 軟件求解UC模型，確定各場景下的機(jī)組最優(yōu)啟停計劃［18］。

3）在各機(jī)組啟停計劃確定后，采用動態(tài)隨機(jī)最優(yōu)潮流算法求解風(fēng)電優(yōu)化調(diào)度模型，機(jī)組爬坡約束的處理方法見圖1。

圖1 風(fēng)電消納計算流程

4）潮流計算收斂后，判斷機(jī)會約束是否滿足，若滿足則進(jìn)行下一時段計算，如不滿足則按式（24）—式（26）調(diào)整機(jī)會約束的上下限后重新迭代計算，直到機(jī)會約束滿足為止。

4 算例分析

采用含風(fēng)電場的IEEE30 節(jié)點系統(tǒng)和南方某地區(qū)電網(wǎng)分析含電動汽車充電負(fù)荷的風(fēng)電消納情況。

4.1 含風(fēng)電場的IEEE30節(jié)點系統(tǒng)

此系統(tǒng)中共含有6臺機(jī)組，總裝機(jī)容量為725 MW，其中4 臺常規(guī)機(jī)組的裝機(jī)容量共525 MW，各常規(guī)機(jī)組參數(shù)如表1 所示，分別將節(jié)點8 及13 改為100 MW的風(fēng)電電源［10］。假定系統(tǒng)中含有2 萬臺電動汽車并通過EV集中控制器與電網(wǎng)交互，系統(tǒng)在節(jié)點10、12、24、28 等處設(shè)置了4 個EV 集中控制器，每個集中控制器中含有5 000臺電動汽車。采用文獻(xiàn)［7］中所述方法求得的單臺電動汽車分別采用無序充電和有序充電模式時的負(fù)荷需求曲線如圖2 和圖3 所示，第1個時段為00：00—00：15。日前預(yù)測的96 時段負(fù)荷和風(fēng)功率水平依據(jù)南方某電網(wǎng)的實際數(shù)據(jù)，如圖4所示，最大及最小負(fù)荷分別為400 MW 和266 MW，其中圖4 中的縱坐標(biāo)負(fù)荷和風(fēng)電出力都為系數(shù)，表示各時段的相對大小，某時段的風(fēng)電出力系數(shù)乘以裝機(jī)容量為該時段的風(fēng)電出力值。常規(guī)機(jī)組的爬坡速率取裝機(jī)容量的2%［19］。

表1 常規(guī)機(jī)組參數(shù)

圖2 單臺電動汽車無序充電負(fù)荷需求曲線

圖3 單臺電動汽車有序充電負(fù)荷需求曲線

圖4 負(fù)荷及風(fēng)電出力水平預(yù)測曲線

風(fēng)電機(jī)組功率控制方式為Qw，m，t=0.5Pw，m，t，風(fēng)機(jī)的切入風(fēng)速3 m/s，額定風(fēng)速為14 m/s，切出風(fēng)速為25 m/s，機(jī)會約束的置信水平取0.9。Vi，min和Vi，max分別為0.9和1.1，風(fēng)電上網(wǎng)電價取0.54元/kWh，居民電價取0.56 元/kWh。pz、Qc、φr、kr等參數(shù)取值參見文獻(xiàn)［16］。po取7.73 元/L，τ 取10 L，P100和μj的取值參見文獻(xiàn)［20］，風(fēng)電備用需求系數(shù)x 和y 分別取15%和20%［2］，負(fù)荷的上、下備用容量取負(fù)荷值的3%，負(fù)荷預(yù)測的標(biāo)準(zhǔn)差取負(fù)荷期望值的5%。λ 取112 元/kWh。預(yù)測校正內(nèi)點法的收斂精度取10-6。

假設(shè)采用有序充電模式的電動汽車用戶比例η=0.5，則在無電動汽車充電負(fù)荷、電動汽車無序充電、電動汽車有序充電等3 種不同場景下的成本及效益計算結(jié)果如表2所示。

表2 各場景下的成本及效益 單位：萬元

由表2可知無序充電時的總成本為173.718萬元，總效益為265.04 萬元；有序充電時的總成本為171.921 萬元，總效益為267.13 萬元，故電動汽車有序充電時的經(jīng)濟(jì)性更佳。若一年按365 天計，與無序充電模式相比，有序充電模式全年可降低網(wǎng)損成本為154.76萬元，減少備用容量成本為41.245萬元，減少棄風(fēng)損失為317.55 萬元，節(jié)能效益為146 萬元，減排效益為299.3萬元。

棄風(fēng)率定義為棄風(fēng)電量與風(fēng)發(fā)電電量的比值，滲透率定義為風(fēng)電消納電量與系統(tǒng)總用電量的比值，則在各場景下計算得到的系統(tǒng)棄風(fēng)率和滲透率如表3所示。

表3 棄風(fēng)率和滲透率 單位：%

由表3 可看出接入電動汽車充電負(fù)荷后棄風(fēng)率有所降低，電動汽車無序充電時棄風(fēng)率降低了0.8%，此時的動態(tài)棄風(fēng)率曲線如圖5（b）所示。電動汽車有序充電時棄風(fēng)率降低了1.73%。此時的動態(tài)棄風(fēng)率曲線如圖5（c）所示。電動汽車有序充電比無序充電時的棄風(fēng)率降低了0.93%。

由圖2 可知電動汽車無序充電時的充電負(fù)荷需求主要集中在15：00—02：00，對比圖5（a）和圖5（b）可知電動汽車入網(wǎng)后全天的棄風(fēng)率有所降低，尤其是白天時段的棄風(fēng)率降低較為明顯。由圖3 可知電動汽車有序充電時的充電負(fù)荷主要集中在22：00—06：00，對比圖5（a）和圖5（c）可知夜間的棄風(fēng)率降低較為明顯。

圖5 動態(tài)棄風(fēng)率曲線

為分析入網(wǎng)的電動汽車臺數(shù)N 和采用有序充電模式的電動汽車用戶比例η 對風(fēng)電消納電量的影響，需對此進(jìn)行敏感性分析。當(dāng)η=0.5 時，改變?nèi)刖W(wǎng)的電動汽車臺數(shù)N 進(jìn)行敏感性分析獲得的結(jié)果如表4所示。表4中的B1為減少棄風(fēng)損失效益，B2為節(jié)能效益，B3為減排效益。

表4 電動汽車臺數(shù)敏感性分析結(jié)果

由表4 可知入網(wǎng)的電動汽車數(shù)量越大，棄風(fēng)率越小，滲透率越高，節(jié)能效益和減排效益也越大。當(dāng)入網(wǎng)的電動汽車數(shù)量達(dá)5 萬臺時，棄風(fēng)率已低于5%，棄風(fēng)問題得到有效解決。

此外當(dāng)入網(wǎng)的電動汽車臺數(shù)N為2萬臺時，改變η進(jìn)行敏感性分析得到的棄風(fēng)率、滲透率及經(jīng)濟(jì)性結(jié)果如表5所示。

表5 用戶比例敏感性分析結(jié)果

由表5 可知電動汽車用戶采用有序充電模式的比例η 越高，棄風(fēng)率越小，滲透率越高。因油價遠(yuǎn)高于煤價，電動汽車的節(jié)能效益明顯。

4.2 南方某地區(qū)電網(wǎng)

以該系統(tǒng)的冬大運行方式為例分析，負(fù)荷和風(fēng)電出力水平曲線如圖4 所示。系統(tǒng)中共有62 個節(jié)點，包括6 座220 kV 變電站，22 座110 kV 變電站，共含有68條線路，52臺變壓器。3座火電廠的總裝機(jī)容量為970 MW，4座風(fēng)電場的總裝機(jī)容量為806 MW。系統(tǒng)最大負(fù)荷為648.48 MW，最小負(fù)荷為431.88 MW。假定系統(tǒng)中共含有5萬臺電動汽車，設(shè)置了5個電動汽車集中控制器，每個電動汽車集中控制器含1萬臺電動汽車，電動汽車采用有序充電模式時的比例η=0.5。經(jīng)計算在不同場景下的棄風(fēng)率和滲透率如表6所示。

表6 棄風(fēng)率和滲透率 單位：%

各種場景下的火電機(jī)組出力曲線、負(fù)荷曲線和系統(tǒng)實際消納的風(fēng)電曲線如圖6所示。

圖6 風(fēng)電和火電出力及負(fù)荷曲線

由圖6 可知，因為在不同場景中風(fēng)電消納電量不同，故風(fēng)電出力曲線在不同場景中有所不同。同時接入電動汽車后使消納的風(fēng)電電量有所增加，電動汽車在無序充電時白天的風(fēng)電消納電量有所增加，有序充電時夜間的風(fēng)電消納電量增加較為明顯。各種場景下的成本及效益如表7所示。

由表7 可知，和電動汽車無序充電時相比，電動汽車有序充電時可使總成本降低12.481 萬元，總效益增加55.221 萬元，其中減少棄風(fēng)損失效益增加了22.037 萬元，故電動汽車采用有序充電模式能更好地降低棄風(fēng)效果，具有更佳的經(jīng)濟(jì)性。

表7 各場景下的成本及效益 單位：萬元

5 結(jié)語

構(gòu)建含電動汽車充電負(fù)荷的風(fēng)電消納優(yōu)化調(diào)度模型，設(shè)計了相應(yīng)的求解算法，并分析了電動汽車在促進(jìn)風(fēng)電消納過程中的經(jīng)濟(jì)性，結(jié)果表明：電動汽車有序充電時降低棄風(fēng)率效果比無序充電時更好，經(jīng)濟(jì)性更佳。對入網(wǎng)的電動汽車臺數(shù)和采用有序充電模式的電動汽車用戶比例進(jìn)行了敏感性分析，結(jié)果表明：電動汽車有序充電的比例越高，入網(wǎng)電動汽車的臺數(shù)越多，降低棄風(fēng)率的效果越好，節(jié)能減排和減少棄風(fēng)損失效益越大。