考慮供需需求的電動(dòng)汽車充放電調(diào)度策略

羅維祥，常喜強(qiáng)，，3，伏 睿，聶昕磊

（1.新疆大學(xué)電氣工程學(xué)院，烏魯木齊 830047；2.國(guó)網(wǎng)新疆電力有限公司，烏魯木齊 830011；3.新疆能源互聯(lián)網(wǎng)大數(shù)據(jù)實(shí)驗(yàn)室，烏魯木齊 830002；4.國(guó)網(wǎng)新疆烏魯木齊電力有限公司，烏魯木齊 830011）

在全球能源緊缺、環(huán)境污染和我國(guó)制定了在2060年所達(dá)到“碳中和”目標(biāo)等大背景之下，電動(dòng)汽車EV作為一種清潔、高效的能源消費(fèi)方式，無論是在國(guó)外還是在國(guó)內(nèi)，規(guī)?；刖W(wǎng)已經(jīng)逐漸成為一種趨勢(shì)。EV不僅可以作為一種彈性負(fù)荷，也可以作為一種移動(dòng)儲(chǔ)能電源，進(jìn)而實(shí)現(xiàn)電網(wǎng)和EV的雙向互動(dòng)，即V2G（vehicle-to-grid）。但是大規(guī)模的EV在沒有服從電網(wǎng)調(diào)度的情況下接入電網(wǎng)不僅會(huì)加大系統(tǒng)負(fù)荷的峰谷差，而且對(duì)電力系統(tǒng)的正常運(yùn)行也會(huì)造成嚴(yán)重的影響[1-2]。因此制定合理有效的EV調(diào)度策略，一方面可以讓電網(wǎng)在處于負(fù)荷高峰時(shí)減小負(fù)荷波動(dòng)、削峰填谷，另一方面也可以作為一種備用電源向電網(wǎng)供電，提供備用和輔助調(diào)頻服務(wù)[3-6]。然而如何制定更為合理的EV充放電調(diào)度策略是未來EV大規(guī)模入網(wǎng)必須要解決的問題。

在分時(shí)電價(jià)的引導(dǎo)下，EV作為一種彈性負(fù)荷參與電網(wǎng)調(diào)度可以有效對(duì)電網(wǎng)進(jìn)行“削峰填谷”。EV用戶為了降低充電成本，一般會(huì)選擇在負(fù)荷曲線“谷時(shí)”進(jìn)行充電。而隨著大規(guī)模的EV入網(wǎng)，勢(shì)必會(huì)造成“峰谷”顛倒，進(jìn)而出現(xiàn)新的“峰谷”現(xiàn)象。因此為了滿足后續(xù)EV入網(wǎng)后不會(huì)產(chǎn)生新的負(fù)荷“峰谷”，決策者應(yīng)當(dāng)在充分考慮當(dāng)?shù)胤謺r(shí)電價(jià)等因素后制定出合理的調(diào)度策略。文獻(xiàn)[7]提出了一種在峰谷分時(shí)電價(jià)的引導(dǎo)下的EV充電調(diào)度，該文獻(xiàn)只是考慮了EV參與電網(wǎng)充電調(diào)度，并沒有考慮EV參與電網(wǎng)放電調(diào)度。文獻(xiàn)[8]從考慮電池壽命角度提出以充電次數(shù)最小為目標(biāo)的有序充電調(diào)度策略。該文獻(xiàn)同樣沒有考慮V2G模式下EV參與放電調(diào)度。文獻(xiàn)[9]首先基于分時(shí)電價(jià)得出最佳充放電時(shí)間段，其次在此時(shí)段內(nèi)引入訓(xùn)練學(xué)習(xí)實(shí)現(xiàn)削峰填谷。該文獻(xiàn)只是考慮了EV參與電網(wǎng)調(diào)度進(jìn)行削峰填谷并沒有從用戶角度考慮充電支付費(fèi)用。

文獻(xiàn)[10]分析了EV參與電網(wǎng)充電調(diào)度對(duì)配電網(wǎng)側(cè)的影響，只是從電網(wǎng)側(cè)考慮了EV參與電網(wǎng)調(diào)度，并沒有從用戶側(cè)考慮。文獻(xiàn)[11]只是考慮了運(yùn)營(yíng)商的長(zhǎng)期利潤(rùn)，并沒有考慮到參與調(diào)度用戶的成本和利潤(rùn)。文獻(xiàn)[12]根據(jù)所提出的負(fù)荷波動(dòng)情況對(duì)各個(gè)時(shí)間段的電價(jià)詳細(xì)劃分，建立了以EV充電費(fèi)用最小和充電時(shí)間最早的有序充電控制模型，該文獻(xiàn)只是考慮了用戶側(cè)的需求，并沒有考慮到電網(wǎng)側(cè)的需求，未能同時(shí)兼顧到供需雙方需求。

EV用戶參與電網(wǎng)調(diào)度意愿強(qiáng)烈與否關(guān)系著所制定調(diào)度策略的運(yùn)行，因此在調(diào)度過程中需考慮用戶參與電網(wǎng)調(diào)度意愿這一因素。文獻(xiàn)[13]建立了考慮車主與電網(wǎng)互動(dòng)意愿，基于電網(wǎng)調(diào)峰策略的換電站實(shí)時(shí)定價(jià)模型。但是該文獻(xiàn)所提出的策略側(cè)重點(diǎn)在于換電站實(shí)時(shí)定價(jià)模型，并沒有側(cè)重于電網(wǎng)側(cè)調(diào)度策略的研究?，F(xiàn)有研究在制定EV充放電調(diào)度策略時(shí)并沒有同時(shí)考慮到用戶側(cè)和電網(wǎng)側(cè)的需求，只是研究了單方面的EV充放電策略。而且其他文獻(xiàn)研究只是單純的考慮了EV參與電網(wǎng)調(diào)度起到了平抑負(fù)荷波動(dòng)，削峰填谷的作用，但是并沒有考慮車主參與電網(wǎng)調(diào)度意愿。

基于現(xiàn)有研究現(xiàn)狀，本文提出了一種同時(shí)考慮供需雙方需求的EV與電網(wǎng)互動(dòng)的充放電調(diào)度策略，解決了現(xiàn)有研究沒有同時(shí)考慮電網(wǎng)側(cè)和用戶側(cè)雙向需求的問題。本文從電網(wǎng)側(cè)和用戶側(cè)雙向考慮了每輛參與電網(wǎng)調(diào)度的EV，根據(jù)車主行駛特性和EV停泊概率判斷其參與電網(wǎng)調(diào)度的可行性。本文建立了雙階段EV參與電網(wǎng)充放電優(yōu)化調(diào)度模型。雙階段優(yōu)化較于雙目標(biāo)優(yōu)化：第一，不會(huì)出現(xiàn)雙目標(biāo)線性加權(quán)過程中權(quán)重主觀性強(qiáng)的問題；第二，雙階段優(yōu)化是第二階段以第一階段目標(biāo)函數(shù)為約束條件，并不會(huì)出現(xiàn)雙目標(biāo)函數(shù)單位不一致的情況。雙目標(biāo)優(yōu)化的不足在于：第一，不同性質(zhì)的目標(biāo)之間單位不一致，不易作比較；第二，各目標(biāo)加權(quán)值的分配帶有較大的主觀性，優(yōu)化結(jié)果難以保證。雙階段優(yōu)化第一階段考慮用戶需求，以用戶充放電費(fèi)用最小為優(yōu)化目標(biāo)，第二階段考慮電網(wǎng)側(cè)需求，考慮EV入網(wǎng)荷電狀態(tài)的隨機(jī)性，將第一階段用戶支付成本的目標(biāo)函數(shù)作為第二階段約束條件，以負(fù)荷峰谷方差最小為優(yōu)化目標(biāo)得到最優(yōu)結(jié)果。最后，通過算例仿真對(duì)本文所提策略進(jìn)行分析驗(yàn)證。

1 EV充電需求和行駛特性分析

1.1 充電起始時(shí)刻分布概率

根據(jù)美國(guó)國(guó)家公路交通安全管理局在2019年調(diào)查數(shù)據(jù)可得，在調(diào)查的EV中私家車的行程結(jié)束時(shí)間和日行駛里程數(shù)滿足對(duì)數(shù)正態(tài)分布[14]。假設(shè)EV車主在本日結(jié)束出行時(shí)就將EV連接到充電樁進(jìn)行充放電，意即EV全天行駛結(jié)束時(shí)刻就為充電時(shí)刻，其概率密度函數(shù)為

式中：x表示一天中充電時(shí)刻；μ=17.6，σ=3.4，分別為概率密度函數(shù)的期望值和標(biāo)準(zhǔn)差。

車輛出行結(jié)束時(shí)間概率密度分布如圖1所示。

圖1 出行結(jié)束時(shí)間概率分布Fig.1 Probability distribution of trip end time

1.2 日行駛里程概率分布

EV的日行駛里程決定的EV一天所剩余電量的多少，決定了其參與電網(wǎng)調(diào)度的可行性。調(diào)查研究發(fā)現(xiàn)，私家EV的每日行駛時(shí)間比較固定，一天以內(nèi)將近有14.1%的EV不投入運(yùn)行，43.8%EV行駛距離在32 km以內(nèi)。超過將近90%的被調(diào)查車輛每天行駛距離在98 km以下。最后得到了正態(tài)分布函數(shù)用于擬合日行駛里程的概率密度函數(shù)為

式中，μ=3.20，σ=0.88，分別對(duì)應(yīng)為lnx的平均值和標(biāo)準(zhǔn)差。

車輛日行駛里程概率密度分布如圖2所示。

圖2 日行駛里程概率分布Fig.2 Probability distribution of daily mileage

1.3 泊車概率分布

根據(jù)日行駛里程概率分布可得，處于行駛狀態(tài)時(shí)間＜2 h的EV所占據(jù)的比例＞90%。在一天的時(shí)間范圍之內(nèi)，將會(huì)有很大比例EV處于停泊狀態(tài)，而處于停泊狀態(tài)的EV就會(huì)有更大的時(shí)間尺度參與電網(wǎng)調(diào)度。假設(shè)處于停泊狀態(tài)的EV都參與電網(wǎng)調(diào)度，處于停泊狀態(tài)的EV數(shù)量就為參與調(diào)度的EV數(shù)量，EV日內(nèi)停泊概率如圖3所示。

圖3 EV停泊概率Fig.3 EV parking probability

2 基于供需需求的EV雙階段優(yōu)化模型

2.1 考慮用戶側(cè)需求第一階段優(yōu)化

為了實(shí)現(xiàn)EV用戶參與電網(wǎng)調(diào)度，首先應(yīng)該考慮用戶EV充放電費(fèi)用，充分考慮到用戶所得的利益，提高用戶參與的積極性，這樣用戶才有意愿使得EV服從電網(wǎng)調(diào)度。

2.1.1 電動(dòng)車車主充放電費(fèi)用優(yōu)化

（1）當(dāng)EV處于停泊狀態(tài)時(shí)，EV車載電池電量小于最小裕度且用戶有臨時(shí)出行需求時(shí)，EV必須要充電使得電量達(dá)到日常出行所需電量；當(dāng)車載電池有多余電量時(shí)，用戶可以基于分時(shí)電價(jià)向電網(wǎng)供電，獲得收益，整體減小充電成本。通過研究基于分時(shí)電價(jià)讓用戶收益最大，減小充電成本，同時(shí)還會(huì)考慮EV充放電次數(shù)較多而造成的電池折舊損耗以及電能損耗，其目標(biāo)函數(shù)為

式中：C1為EV用戶充放電成本；和分別是t時(shí)段內(nèi)的充電和放電電價(jià)；PEveh,t為EV充放電功率；Δt為一個(gè)時(shí)間窗口的調(diào)度時(shí)長(zhǎng)；λpt為EV在第t時(shí)段內(nèi)處于停泊狀態(tài)的概率；NEveh為參與調(diào)度的車輛總數(shù)；ρ1t為處于停泊狀態(tài)的EV電量少于最小裕度的概率；S u,t為EV日常行駛距離所需電量；S t為t時(shí)刻EV車載電池電量；Cbt為第t時(shí)段內(nèi)的電池折舊損耗，其值為充放電能折合的電池?fù)p耗率與實(shí)際充放電電量的乘積；Cd為電池充放電損耗率。為簡(jiǎn)化計(jì)算，設(shè)電池壽命3 500次且每次充放達(dá)電池容量的90%，此時(shí)[15]為0.42元（/kW·h）。和定義為

（2）用戶滿意度將直接影響用戶參與電網(wǎng)充放電調(diào)度的積極性，而用戶滿意度將受到車載電池充放電轉(zhuǎn)換次數(shù)和車主預(yù)期荷電狀態(tài)的影響。電池充放電損耗轉(zhuǎn)換滿意度定義為

式中，n m,charge為第m輛EV在調(diào)度過充中的充放電轉(zhuǎn)換次數(shù)。

車主對(duì)電池預(yù)期荷電狀態(tài)滿意度定義為

式中：SOCm,end為車主出行時(shí)車載電池的荷電狀態(tài)；SOCm,exp為車主希望離開時(shí)的荷電狀態(tài)。

綜合電池充放電損耗轉(zhuǎn)換次數(shù)滿意度和車主預(yù)期荷電狀態(tài)滿意度得出車主參與調(diào)度滿意度為

式中：M為參與調(diào)度車輛總數(shù)；m為第m輛車；車主參與意愿的取值范圍為[0，1]，目標(biāo)函數(shù)值越接近1，則表示車主參與調(diào)度的意愿越高。

2.1.2 約束條件

（1）EV充放電功率約束。EV在進(jìn)行充放電調(diào)度時(shí)與系統(tǒng)滿足能量守恒約束條件為

式中：Ein為EV充放電功率守恒；Eout為EV放電與荷電狀態(tài)滿足能量守恒；SOC為EV荷電狀態(tài)；Pch為EV入網(wǎng)充電功率；Pdisch1為EV入網(wǎng)參與電網(wǎng)調(diào)度放電功率；Pdisch2為EV脫網(wǎng)時(shí)行駛所消耗的功率。

假設(shè)EV充放電是以恒定功率進(jìn)行，當(dāng)在充放電開始和結(jié)束時(shí)刻功率有微小變動(dòng)，這里不考慮變動(dòng)的功率。充電時(shí)功率表示為正，放電時(shí)表示為負(fù)，同時(shí)本文還考慮到當(dāng)進(jìn)行充放電時(shí)受到最大充放電能力的約束，約束條件為

式中：為每一輛EV的平均最大充放電功率：Np,t為在第t時(shí)段內(nèi)處于停泊狀態(tài)的EV的數(shù)量；NEveh為系統(tǒng)內(nèi)可用于并網(wǎng)調(diào)度的EV總數(shù)；為EV在第t時(shí)段內(nèi)處于停泊狀態(tài)的概率。

（2）EV電池剩余電量約束。假設(shè)第t個(gè)時(shí)間段車載電池的剩余電量為S t，則第t+1個(gè)時(shí)間段車載電池的剩余電量所滿足的約束條件為

式中：Sdr,t為第t個(gè)時(shí)間段內(nèi)所有EV消耗的總電量；k+t為EV處于充電狀態(tài)；k-t為EV處于放電狀態(tài)；ηcha、ηdischa分別為EV的充、放電的效率；PEveh為EV充放電功率；Sdr,ave為在一個(gè)時(shí)間段內(nèi)EV平均耗電量；Ndr,t為在第t時(shí)間段內(nèi)處于行駛的EV數(shù)量；vˉ表示EV平均速度；Skm為EV行駛1 km的平均耗電量。剩余電量的上、下限約束為

式中：Smin與Smax分別為車載電池儲(chǔ)存電量上、下限的下限值和上限值。

（3）充放電唯一性約束。EV充放電時(shí)只能在與電網(wǎng)進(jìn)行互動(dòng)的充電樁處充電，基于分時(shí)電價(jià)用戶可選擇在負(fù)荷谷時(shí)充電，負(fù)荷峰時(shí)放電，充放電決策變量滿足如下約束條件為

式中：為EV充電時(shí)刻；為EV放電時(shí)刻；T1為10：00；T2為15：00；T3為18：00；T4為21：00。

（4）車載電池?fù)p耗性約束。當(dāng)車載電池進(jìn)行過度充放電時(shí)，會(huì)對(duì)電池造成嚴(yán)重?fù)p耗，應(yīng)該盡量保持淺沖淺放。EV車主應(yīng)該把車載電池的荷電狀態(tài)保持在一個(gè)合理范圍之內(nèi)，即應(yīng)該由荷電系數(shù)ε和γ來確定車載電池的電量的范圍，約束條件為

式中：Smax為每一輛EV的最大電池容量；為每一輛EV的平均最大電池容量；Smin為每一輛EV的最小電池容量；為每一輛EV的平均最小電池容量；

2.2 考慮電網(wǎng)側(cè)需求的第二階段優(yōu)化

當(dāng)電網(wǎng)處于負(fù)荷高峰時(shí)，電網(wǎng)在正常供電的情況下面臨大規(guī)模EV入網(wǎng)充電造成負(fù)荷峰上加峰，影響電網(wǎng)電壓水平和供電質(zhì)量。電網(wǎng)除有序引導(dǎo)之外，還需EV用戶錯(cuò)時(shí)充放電，削峰填谷，因此電網(wǎng)對(duì)電量需求較大用以削峰填谷，引導(dǎo)處于停泊狀態(tài)且有剩余電量的EV在負(fù)荷高峰時(shí)向電網(wǎng)放電，達(dá)到削峰的目的，保證了電壓水平和供電質(zhì)量。第二階段優(yōu)化主要以當(dāng)?shù)貐^(qū)域常規(guī)負(fù)荷和EV入網(wǎng)的等效負(fù)荷方差最小為目標(biāo)函數(shù)。

EV入網(wǎng)系統(tǒng)等效負(fù)荷差目標(biāo)函數(shù)為

式中：PEveh,t為在第t時(shí)段內(nèi)所有參與電網(wǎng)調(diào)度總車量的總充放電功率值（充電為正，放電為負(fù)）；P s,t和P w,t分別為第t時(shí)段內(nèi)參與并網(wǎng)的風(fēng)電與光伏發(fā)電功率值；P k,t為第t時(shí)間段內(nèi)系統(tǒng)的等效負(fù)荷值；Pload,t為第t時(shí)間段內(nèi)系統(tǒng)的常規(guī)負(fù)荷值；Pave為一個(gè)調(diào)度周期的等效負(fù)荷平均值。第二階段優(yōu)化過程中，為了不對(duì)用戶收益造成影響，在以第一階段約束條件為第二階段的約束條件基礎(chǔ)上，以第一階段用戶支付成本和電網(wǎng)側(cè)源荷不等式關(guān)系為約束，使得第二階段的優(yōu)化結(jié)果不會(huì)劣于第一階段優(yōu)化結(jié)果。約束條件為

式中：Pm為電網(wǎng)側(cè)承受的最大負(fù)荷；Pl為電網(wǎng)的基礎(chǔ)負(fù)荷；PE為EV充分電功率之和。

3 調(diào)度策略求解流程

傳統(tǒng)的優(yōu)化算法在尋找最優(yōu)結(jié)果時(shí)比較容易陷入局部最優(yōu)結(jié)果的范圍之內(nèi)，從而忽略全局最優(yōu)值，但是遺傳算法作為一種可靠的優(yōu)化算法，可以找到處于全局范圍內(nèi)的最優(yōu)的數(shù)值，在電力系統(tǒng)優(yōu)化中得到了廣泛了應(yīng)用。本文擬采用遺傳算法對(duì)EV參與電網(wǎng)調(diào)度模型進(jìn)行求解，算法流程如圖4所示。

圖4 算法流程Fig.4 Flow chart of algorithm

（1）輸入初始數(shù)據(jù)。包含有參與并網(wǎng)EV總量、各時(shí)段EV停泊概率、分時(shí)電價(jià)、初始電量、充放電功率以及各時(shí)段的風(fēng)電、光伏出力與常規(guī)用電負(fù)荷值等。

（2）輸入遺傳算法主要參數(shù)。利用遺傳算法求解以充放電費(fèi)用最小為目標(biāo)的目標(biāo)模型。

（3）輸入遺傳算法主要參數(shù)。將第一階段充放電費(fèi)用最小的目標(biāo)函數(shù)作為第二階段的約束條件，利用遺傳算法求解以該地區(qū)負(fù)荷方差波動(dòng)最小為目標(biāo)的模型。

（4）尋優(yōu)結(jié)果傳輸?shù)秸{(diào)度中心，調(diào)度中心調(diào)度EV充放電，下一階段尋優(yōu)返回步驟（1）循環(huán)求解。

4 算例分析

本文以某地區(qū)含風(fēng)光和EV的電力系統(tǒng)為例，該系統(tǒng)內(nèi)參與電網(wǎng)調(diào)度的EV數(shù)量為500輛，結(jié)合地區(qū)實(shí)際用電情況和參考文獻(xiàn)[16]后，得到了每個(gè)時(shí)間段的電價(jià)。為考慮實(shí)際EV入網(wǎng)荷電狀態(tài)情況，荷電狀態(tài)的初始值服從正態(tài)分布N(0.5,0.12)，根據(jù)正態(tài)分布計(jì)算出荷電狀態(tài)的概率。EV的車載容量為26 kW·h，充放電效率為0.81，最大充放電功率為4 kW，平均行駛耗電量為0.14 kW·h/km，車輛的平均行駛速度為45 km/h，調(diào)度時(shí)常為15 min。本文采用Matlab 2021a仿真平臺(tái)，遺傳算法的主要參數(shù)：GA的種群數(shù)量為100，交叉、變異概率分別為0.93與0.07，迭代次數(shù)為1 000。

為了驗(yàn)證本文所提策略的有效性，在此制定不同的調(diào)度策略加以對(duì)比。

無序充電策略：調(diào)度中心不調(diào)度EV充放電，EV用戶選擇在結(jié)束當(dāng)日出行時(shí)即充電以滿足日常出行需求。

調(diào)度策略1：考慮用戶出行需求，EV剩余電量不足以支撐用戶出行需求時(shí)，EV充電，不參與放電。

調(diào)度策略2：考慮用戶需求，在分時(shí)電價(jià)引導(dǎo)下以EV用戶支付成本最小為優(yōu)化目標(biāo)進(jìn)行充放電。

調(diào)度策略3：考慮供需需求的EV與電網(wǎng)互動(dòng)雙目標(biāo)優(yōu)化充放電調(diào)度策略。

調(diào)度策略4：本文所提出的考慮供需需求的EV與電網(wǎng)互動(dòng)充放電調(diào)度優(yōu)化策略。

EV參與電網(wǎng)調(diào)度進(jìn)行有序和無序充放電對(duì)比如圖5所示。

基于對(duì)上述算例運(yùn)行，得出有序調(diào)度和無序調(diào)度負(fù)荷變化情況如圖5所示。通過目標(biāo)函數(shù)尋優(yōu)，得出不同調(diào)度策略優(yōu)化結(jié)果如表1所示；當(dāng)EV進(jìn)行無序充電時(shí)，用戶只是考慮出行情況進(jìn)行對(duì)電池充電，本文研究對(duì)象為私家車，車主一般會(huì)選擇在晚上充電，因此車主充電時(shí)間和常規(guī)負(fù)荷用電時(shí)間重合。在17：00—20：00出現(xiàn)負(fù)荷高峰；負(fù)荷峰谷差增大，負(fù)荷波動(dòng)范圍加大，造成電網(wǎng)正常供電負(fù)擔(dān)，無序谷差率40.690%，與此同時(shí)EV用戶也會(huì)承擔(dān)較高的充電費(fèi)用，費(fèi)用達(dá)到3 753.206 4元。當(dāng)采用有序充電時(shí)，EV參與電網(wǎng)調(diào)度；有序充電負(fù)荷相對(duì)于無序充電負(fù)荷波動(dòng)明顯減小，而且負(fù)荷峰谷差也減小，谷差率為28.700%，所以本文提出的有序充電調(diào)度策略是有效的。如表1所示，當(dāng)采用調(diào)度策略1時(shí)，考慮用戶出行需求，EV剩余電量不足以支撐用戶出行需求，EV充電，不參與放電。相較于無序充電，負(fù)荷方差減小了53.917%，支付成本減小了65.408%，既改善電網(wǎng)負(fù)荷波動(dòng)情況，也減小用戶支付成本，使得用戶有更強(qiáng)意愿參與電網(wǎng)調(diào)度。當(dāng)采用調(diào)度策略2時(shí)，相對(duì)于無序充電而言，所提策略負(fù)荷方差減小了81.133%，EV用戶參與電網(wǎng)調(diào)度在分時(shí)電價(jià)背景下有所收益。將本文所提雙階段優(yōu)化調(diào)度策略4和調(diào)度策略3相比，兩種調(diào)度策略優(yōu)化算法參數(shù)經(jīng)過多次微調(diào)并多次運(yùn)行程序，選擇優(yōu)化結(jié)果最優(yōu)的參數(shù)設(shè)定，排除因?yàn)閰?shù)原因?qū)е鲁霈F(xiàn)雙目標(biāo)優(yōu)化效果較雙階段優(yōu)化差。經(jīng)過多次運(yùn)行，結(jié)果如表2所示：每次運(yùn)行結(jié)果兩種方法差值不盡相同，但是每一次運(yùn)行結(jié)果都是雙階段優(yōu)化負(fù)荷方差低于雙目標(biāo)，而且雙階段優(yōu)化較雙目標(biāo)優(yōu)化負(fù)荷方差減?。?.54±0.12）%，由此可見雙階段優(yōu)化較雙目標(biāo)優(yōu)化的優(yōu)越性，有效地實(shí)現(xiàn)了削峰填谷，同時(shí)平緩了負(fù)荷波動(dòng)，對(duì)負(fù)荷有較為明顯的改善。從電網(wǎng)的角度出發(fā)，在用電高峰時(shí)，為減小用電負(fù)荷，削減負(fù)荷波峰，將一部分EV多余電能接入電網(wǎng)供給電網(wǎng)調(diào)度，實(shí)現(xiàn)“削峰”；在用電低谷時(shí)，EV負(fù)荷從電網(wǎng)吸收電能，用電負(fù)荷增加，實(shí)現(xiàn)了“填谷”，真正實(shí)現(xiàn)“削峰填谷”。

圖5 有序、無序充電負(fù)荷對(duì)比Fig.5 Comparison between ordered and disordered charging loads

表1 不同調(diào)度策略下優(yōu)化結(jié)果對(duì)比Tab.1 Comparison of optimization result under different scheduling strategies

考慮EV入網(wǎng)荷電狀態(tài)的隨機(jī)性，荷電狀態(tài)在滿足正態(tài)分布前提下參與電網(wǎng)調(diào)度，研究荷電狀態(tài)隨機(jī)性對(duì)負(fù)荷方差和用戶支付成本的影響。相比于將荷電狀態(tài)設(shè)置為定值，考慮荷電狀態(tài)隨機(jī)性在優(yōu)化中更能起到削峰填谷的作用。多次運(yùn)行取平均值。如表2所示，考慮滿足正態(tài)分布的荷電狀態(tài)隨機(jī)性較荷電狀態(tài)為定值負(fù)荷方差減小，而且用戶支付成本也減小。

表2 不同荷電狀態(tài)對(duì)調(diào)度結(jié)果影響Tab.2 Influences of different state-of-charge on scheduling result

如圖6所示，同一種策略在不同用戶參與調(diào)度下效果也是有區(qū)別的。當(dāng)EV滲透率達(dá)到100%時(shí)，效果最好，真正做到的了削峰填谷。當(dāng)EV滲透率達(dá)到25%時(shí)，有較少的EV參與電網(wǎng)調(diào)度，負(fù)荷波動(dòng)大，加大負(fù)荷峰谷差。隨著EV滲透率的增加，電網(wǎng)負(fù)荷波動(dòng)減小。如表3所示，不同EV滲透率下用戶滿意度一直保持在0.45左右。結(jié)果表明用戶參與電網(wǎng)調(diào)度意愿并沒有因?yàn)镋V數(shù)量增加而有所降低。

圖6 不同用戶響應(yīng)度下負(fù)荷曲線對(duì)比Fig.6 Comparison of load curve under different user responsiveness

表3 不同EV滲透率下用戶滿意度結(jié)果對(duì)比Tab.3 Comparison of user satisfaction result under different EV permeabilities

5 結(jié)語

本文研究了考慮供需需求的EV充放電調(diào)度策略。首先針對(duì)于EV充放電需求和車主行駛特性，從充電起始時(shí)刻概率分布、行駛里程概率分布、停泊概率分布方面確定了EV參與電網(wǎng)調(diào)度的可行性。在優(yōu)化過程中以用戶支付費(fèi)用最小、負(fù)荷波動(dòng)方差最小為目標(biāo)對(duì)EV進(jìn)行調(diào)度。相比于無序充電、有序充電、單方面考慮供需需求和雙目標(biāo)優(yōu)化調(diào)度策略，本文所提調(diào)度策略優(yōu)勢(shì)在于對(duì)EV采用雙階段充放電優(yōu)化調(diào)度。第一階段以用戶支付成本最小為目標(biāo)函數(shù)，第二階段以第一階段的目標(biāo)函數(shù)為約束條件，在保證用戶支付成本的前提下減小負(fù)荷方差。結(jié)果表明了所提考慮供需需求的EV與電網(wǎng)互動(dòng)的雙階段優(yōu)化調(diào)度策略的有效性。

EV充放電調(diào)度策略，在考慮車主參與電網(wǎng)調(diào)度意愿時(shí)只是更大比例以充放電費(fèi)用為導(dǎo)向，并沒有著重考慮頻繁充放電對(duì)電池造成損耗等方面影響車主參與電網(wǎng)調(diào)度意愿的因素。下一階段可考慮更多影響車主參與電網(wǎng)調(diào)度意愿的因素，制定更為全面，優(yōu)化結(jié)果更好的調(diào)度模型。