计及电动汽车移动储能动态电价的微电网优化调度研究及解决方案

摘 要:电动汽车(elecric vehicle,EV)充电负荷变化量受微电网爬坡性能限制,因此文中考虑微电网机组爬坡特性,提出一种计及动态电价的 EV参与微电网调度双层优化策略。上层为 EV 负荷模型,分析不同类型EV 快/慢充特性,考虑微电网电价对EV 充电需求的引导,建立以用户满意度最大为目标的EV负荷模型。下层为多微电网运行模型,根据微电网净负荷大小制定动态电价策略,考虑EV 充电负荷对微电网新能源的消纳及电源爬坡的需求优化各区域动态电价,并以微电网净负荷波动及运行成本最小为目标,建立多微电网区域运行模型。最后对某城市区域微电网及 EV 充电需求算例进行分析和验证,结果表明:与固定电价及峰谷分时电价相比,所提方法实现了EV 负荷在微电网区域有序充电、平抑净负荷波动的效果,能有效降低充电行为对微电网安全经济运行的影响。

关键词:电动汽车(EV);微电网;动态电价;快/慢充负荷;爬坡

一、引言

随着化石能源的不断消耗,其导致的环境问题日益严峻,分布式电源大量人网,微电网作为分布式电源的重要载体,逐渐成为解决不可再生能源紧缺及其污染问题的主要形式。同时,由区域内多个微电网经输电线路联络构成的多微电网系统得到了广泛的关注和应用。电动汽车(electric vehicle,EV)作为微电网中的一种柔性负荷,不仅能提高微电网内可再生能源的利用率,还能增强微电网系统的稳定性,具有巨大的经济效益和环境价值。但是,随着 EV 在微电网中的渗透率不断提升,其时空分布的随机性和不确定性会增大微电网原有的负荷峰值,对微电网的安全稳定运行造成影响。因此,如何利用 EV 负荷需求响应特性,减小大规模聚集充电对微电网安全稳定运行的影响实现 EV 负荷在微电网区域的优化调度,具有十分重要的现实意义。

二、EV充电负荷预测模型

文中主要研究私家车、出租车和公交车3类充电负荷需求,具体分析各类型车辆的充电模式、充电地点和充电时间的选择,并设置负荷预测模型的各类参数。

不同类型的EV充电负荷在时间和空间上都具有随机性,近似认为3类用户群体的充电需求初始时刻在不同的时间段都满足正态分布,且充电需求初始时刻的 S0C 也满足正态分布。

(1)私家车负荷。私家车的用户最多,在不同时段和不同地点都有充电需求。在办公区,用户在白天工作时段灵活选择快充或慢充模式补充电能;在商业区,用户在白天及傍晚选择快充模式快速补充电能;在居民区,极少数用户在白天选择快充模式补充电能,大多数用户在傍晚及夜间选择慢充模式补充电能。

(2)出租车负荷。出租车的运营时间为全天,所以一般采取一天两充的模式,充电时间选择在人流量较少的时段,分别为中午时段以及午夜时段。由于出租车的行程不固定,所以充电需求节点分布较为随机,考虑距离和充电价格后选择快充模式。

(3)公交车负荷。公交车的运营时间大致为06:00-22:00,其运营时间、路线相对集中,可以进行集中充电,一般采取一天两充的模式。随机选择各个微电网充电站节点进行充电,在中午时段进行快充,晚上下班后进行慢充。

表1为EV充电负荷预测参数。

部分私家车选择白天在办公区、晚上在居民区进行慢充,由于慢充时间较长,所以将此类 EV 看作时间上可转移的负荷。由于快充时间较短,调度更为灵活,私家车及出租车处于快充模式时可以在充电时段内选择不同充电站进行快充,因此可作为空间上可转移的负荷。另外,公交车的充电时间和地点相对固定,所以其充电方式在相关约束下切换充电时间可在固定的某段时间内灵活安排。

三、算例分析

3.1情景设置

文中设置如下3个对照情景。

情景一:根据负荷预测参数生成EV快/慢充负荷曲线,无序充电,采取固定电价模式。

情景二:通过峰谷分时电价引导EV充电需求时空分布。

情景三:采用文中所提方法,通过各区域微电网动态电价引导EV 充电需求时空分布。

3.2各区域负荷分析

根据各类型EV负荷预测参数,运用蒙特卡洛interwetten与威廉的赔率体系 方法对充电位置、充电需求初始时刻及S0C 等参数进行概率抽样,模拟得到各区域的快/慢充负荷。3 个情景所得结果如图1所示。

对比各区域快/慢充负荷及净负荷可知07:00-10:00 时段内,情景一中办公区的快/慢充负荷均在快速增长,导致办公区的净负荷爬坡较大,此时快充负荷通过动态电价被引导至商业区及居民区进行快充，慢充负荷通过改变充电起始时间，实现了快/慢充负荷在时空上的转移。优化后，情景三中办公区的净负荷波动大幅减小,同时对商业区及居民区的净负荷波动的影响较小。

10:00-18:00 时段内,情景一中居民区微电网内有较多的风/光出力未被消纳,此时办公区及商业区的部分快充负荷通过动态电价被引导至居民区进行快充。情景三通过负荷转移实现了风/光出力的有效消纳,同时对商业区的净负荷波动也有减小,但办公区的净负荷波动略有增大。

18:00-24:00 时段内,光伏停止发电,风电出力减小,各区域基础负荷处于高峰时段,情景一中商业区的净负荷爬坡最大,此时商业区的部分快充负荷通过动态电价被引导至办公区及居民区进行快充。情景三中办公区和居民区的净负荷波动略有增大,但有效缓解了净负荷波动对商业区微电网带来的冲击。

00:00-07:00时段内,风电出力逐渐增大，基础负荷用电减小,情景三中办公区及居民区的部分慢充负荷由 18:00-24:00 时段转移至此时段进行充电,商业区的部分快充负荷也转移到办公区及居民区进行快充。

情景二则按照不同时段的不同电价对EV 负荷进行引导。相较于情景二,情景三中快充负荷的调度更为灵活,其能够根据各微电网的运行特性选择不同充电站进行电能补充。通过对各个时段的分析,情景三基于各区域动态电价引导快/慢充负荷进行时空转移,实现了多微电网区域整体利益最优。

相较于情景一,情景二中部分区域的净负荷峰谷差及方差出现了不降反升的情况,而情景三中各区域净负荷峰谷差分别减小了 11.3%、22.2%及 19.7%,净负荷方差分别减小了 18.9%、22.5%及6.5%。可以发现,通过动态电价引导 E充电需求时空分布,各区域微电网的净负荷峰谷差、方差都得到了不同程度的降低,实现了多微电网区域的安全稳定运行。

四、解决方案

图2平台结构图

充电运营管理平台是基于物联网和大数据威廉希尔官方网站 的充电设施管理系统，可以实现对充电桩的监控、调度和管理，提高充电桩的利用率和充电效率，提升用户的充电体验和服务质量。用户可以通过APP或小程序提前预约充电，避免在充电站排队等待的情况，同时也能为充电站提供更准确的充电需求数据，方便后续的调度和管理。通过平台可对充电桩的功率、电压、电流等参数进行实时监控，及时发现和处理充电桩故障和异常情况对充电桩的功率进行控制和管理，确保充电桩在合理的功率范围内充电，避免对电网造成过大的负荷。

五、安科瑞充电桩云平台具体的功能

平台除了对充电桩的监控外，还对充电站的光伏发电系统、储能系统以及供电系统进行集中监控和统一协调管理，提高充电站的运行可靠性，降低运营成本，平台系统架构如图3所示。

图3充电桩运营管理平台系统架构

大屏显示：展示充电站设备统计、使用率排行、运营统计图表、节碳量统计等数据。

图4大屏展示界面

站点监控：显示设备实时状态、设备列表、设备日志、设备状态统计等功能。

图5站点监控界面

设备监控：显示设备实时信息、配套设备状态、设备实时曲线、关联订单信息、充电功率曲线等。

图6设备监控界面

运营趋势统计：显示运营信息查询、站点对比曲线、日月年报表、站点对比列表等功能。

图7运营趋势界面

收益查询：提供收益汇总、实际收益报表、收益变化曲线、支付方式占比等功能。

图8收益查询界面

故障分析：提供故障汇总、故障状态饼图、故障趋势分析、故障类型饼图等功能。

图9故障分析界面

订单记录：提供实时/历史订单查询、订单终止、订单详情、订单导出、运营商应收信息、充电明细、交易流水查询、充值余额明细等功能。

图10订单查询界面

六、产品选型

安科瑞为广大用户提供慢充和快充两种充电方式，便携式、壁挂式、落地式等多种类型的充电桩，包含智能7kw/21kw交流充电桩，30kw直流充电桩，60kw/80kw/120kw/180kw直流一体式充电桩来满足新能源汽车行业快速、经济、智能运营管理的市场需求。实现对动力电池快速、安全、合理的电量补给，同时为提高公共充电桩的效率和实用性，具有有智能监测：充电桩智能控制器对充电桩具备测量、控制与保护的功能；智能计量：输出配置智能电能表，进行充电计量，具备完善的通信功能；云平台：具备连接云平台的功能，可以实现实时监控，财务报表分析等等；远程升级：具备完善的通讯功能，可远程对设备软件进行升级；保护功能：具备防雷保护、过载保护、短路保护，漏电保护和接地保护等功能；适配车型：满足国标充电接口，适配所有符合国标的电动汽车，适应不同车型的不同功率。下面是具体产品的型号和威廉希尔官方网站 参数。

八、结论

针对峰谷分时电价不能较好地应用于EV参与微电网调度的问题,文中提出了计及动态电价的EV参与微电网调度双层优化策略,对峰谷分时电价进一步优化,根据各区域微电网出力以及负荷的异质性,通过电价引导EV 负荷的时空分布,最后对区域微电网及EV 充电需求进行算例验证,对比不同电价模式下 EV 负荷参与微电网调度的结果,得出以下结论:

(1)文中通过不同类型EV 负荷预测参数以及快/慢充调度策略,得到各区域EV负荷时空分布由优化结果对比可知,慢充负荷在不同电价模式下的变化幅度较小,主要是快充负荷参与电价需求响应。

(2)峰谷分时电价引导EV 负荷参与微电网调度,在峰谷差、方差及微电网运行成本上都只得到小幅度优化,甚至出现不降反升的情况;相比于峰谷分时电价,文中动态电价策略充分考虑微电网内机组的爬坡特性以及新能源的消纳,达到了各区域净负荷“削峰填谷”的实际效果,实现了微电网的安全经济运行。

(3)用户参与需求响应会减小出行满意度,但动态电价策略大幅提升了用户的充电费用满意度,使得整体的用户满意度得到有效保证,文中双层优化模型将电价作为上下层的交互变量,实现了微电网与 EV 用户的互利共赢。

参 考 文 献：

[1]汤雯博.面向配电网的多微电网协同优化调度研究[D].南京:南京邮电大学,2020.

TANG Wenbo. Research on collaborative optimal scheduling ofmulti-microgrid for distribution network [ D]. Nanjing :NanjingUniversity of Posts and Telecommunications ,2020.

[2]王恺,赵文会,张伟时,等.双碳背景下微电网的优化配置研究[J].电力需求侧管理,2023,25(4):86-92.

WANG Kai,ZHA0 Wenhui,ZHANG Weishi,et al. Optimal al-location of microgrid under the background of carbon peakingand neutralization[」. Power Demand Side Management ,2023 ,25(4):86-92.

[3]陈津.电动汽车接人下区域联合微网的经济调度策略与协同优化方法[D].武汉:华中科技大学,2019.

CHEN Jin. Economic dispatching strategy and cooperative optimization of regional combined microgrids with integration of e-lectric vehicles [ D ]. Wuhan : HuazhongyUniversity of Scienceand Technology,2019.

[4]FOTOUHI Z,HASHEMI M R,NARIMANI H,et al. A generalmodel for EV drivers' charging behavior[ J]. lEEE Transactionson Vehicular Technology,2019,68(8):7368-7382.

[5]程杉,陈梓铭,徐康仪,等.基于合作博弈与动态分时电价的电动汽车有序充放电方法[J.电力系统保护与控制,2020，48(21):15-21.

CHENG Shan, CHEN Ziming, XU Kangyi,et al. An orderlycharging and discharging method for electric vehicles based on acooperative game and dyamic time-of-use price [ 」]. PowerSystem Protection and Control,2020,48(21):15-21.

[6]陈丽丹,张尧,Antonio Figueiredo.电动汽车充放电负荷预测研究综述[J].电力系统自动化,2019,43(10):177-191.

CHEN Lidan,ZHANG Yao,FIGUEIREDO A. Overview of char-ging and discharging load forcasting for electric vehiclesJ]Automation of Electric Power Systems,2019,43( 10):177-191.

[7]蔡黎,葛棚丹,代妮娜,等.电动汽车人网负荷预测及其与电网互动研究进展综述[J].智慧电力,2022,50(7):96-103.

CAl Li,GE Pengdan,DAl Nina,et al. Review of research pro-gress on load prediction and grid interaction of electric vehicles[J].Smart Power,2022,50(7):96-103.

[8]王浩林,张勇军,毛海鹏.基于时刻充电概率的电动汽车充电负荷预测方法[J].电力自动化设备,2019,39(3):207-213.

WANG Haolin,ZHANG Yongjun, MA0 Haipeng. Chargingload forecasting method based on instantaneous charging prob.ability for electric vehicles[ Jl. Electric Power Automation E.quipment,2019,39(3):207-213.

[9]姜欣,冯永涛,熊虎,等.基于出行概率矩阵的电动汽车充电站规划[J].电工威廉希尔官方网站 学报,2019,34(S1):272-281.

JANG Xin,FENG Yongtao ,XIONG Hu,et al. Electric vehiclecharging station planning based on travel probability matrix[J]. Transactions of China Electrotechnical Society, 2019, 34(S1):272-281.

审核编辑 黄宇