基于可控比例的电动汽车充放电优化模型

基于可控比例的电动汽车充放电优化模型

0电动汽车充电负荷特性随着能源和环境问题的增多，电动汽车作为一种新型交通工具，在缓解能源危机，促进人类和环境的和谐发展方面具有传统汽动车的优势。现在它是各国政府、汽车制造商和能源公司的中心。未来电动汽车大规模接入电网将给电网带来不可忽视的影响。考虑到电动汽车充电负荷具有一定的可控性,通过对其充电过程进行优化控制能减小其对电网的不良影响已获得了公认。文献研究了未来中国电动汽车的充电负荷特性,计算结果表明无序充电将会增加系统峰荷和峰谷差,对电动汽车的充放电优化控制具有较大潜力。在文献研究的基础上,本文从规划的角度研究电动汽车充放电优化控制对负荷曲线的影响,并定量计算充放电优化控制的成本和因降低峰荷所产生的容量效益,可为电动汽车充放电优化控制的实施及相关激励政策制定提供有益参考。1电动汽车充电时长模型假设所研究的区域内有N辆电动汽车,用xi=[ti,a,ti,d,Bi,sa,Bi,sd,PiN]表示决定单台电动汽车充电负荷的主要变量。各参数依次为第i辆电动汽车的起始充电时间、终止充电时间、起始荷电状态(SOC)、离开期望SOC、额定充电功率。起始和终止充电时间将决定电动汽车的充放电时段,起始SOC和离开期望SOC将决定电动汽车的充电需求,额定充电功率将影响电动汽车充电所需时长以及充电负荷的幅值。对于第i辆电动汽车,假设接入电网后使用额定充电功率PiN进行充电。单台电动汽车充电时长ti,c可通过式(1)计算。式中:Ci,CD为第i辆电动汽车的充电需求;Bi,c为第i辆电动汽车的电池容量;ηCH为电动汽车的充电效率。将车辆充电行为分为2类。第1类充电行为,如私家车、公务车夜间充电,私家车白天单位停车场充电等,有较长停车时间,可以进行充放电控制。对于第2类充电行为,如出租车、公交车白天充电等,由于运营需要,希望能够在尽可能短的时间内补充好电能,以继续投入运营,车辆离开时间为充电结束时间:第2类充电行为停车时间较短,电网难以对其加以相应控制,如延迟充电、减小充电功率等。2第1阶段优化方法电动汽车有序充放电控制可有效降低用电负荷高峰时段的充电功率并提高负荷的平滑性。为了实现峰荷最小和负荷曲线波动最小2个优化目标,本文提出了一种两阶段优化方法。第1阶段优化以日峰荷最小为目标,考虑电动汽车充放电的相关约束条件;第2阶段优化在峰荷最小的所有可行解中求取日负荷波动最小的充放电控制方案。2.1有序充电优化模型2.1.1第一阶段的优化模型负荷约束式式中:Lp为电网峰荷。模型约束如下。1)峰荷不小于全天各个时间点的负荷约束式中:P0(t)为t时刻电网的基本负荷;Ci,R(t)为t时刻第i辆电动汽车的充电率;Pi(t)为t时刻第i辆电动汽车充电功率。22用户的充电需求3充电期限制42充电率限制2.1.2电动汽车负荷优化问题在第1阶段优化求取最小峰荷的基础上,通过第2阶段优化减小负荷的波动,以负荷的平方和最小为优化目标:式中:P′(t)为接入电动汽车后t时刻的电网负荷。该优化问题为二次整数规划问题,由于决策变量数目较多,计算规模大。为了加快求解速度,采用等分线性化方法将目标函数线性化。t时刻负荷的二次方可表示为:式中:S为分段数;αi(t)为线性化后t时刻第i段负荷斜率;δi(t)为线性化后t时刻第i段负荷大小。以此,第2阶段目标函数转换为:第2阶段优化模型的约束如下。11峰荷不应超过第一阶段优化计算的峰荷限制21t时期i段负荷的倾斜率限制31t时期i段的负荷限制第2阶段优化的其他约束为式(6)—式(8)。2.2电动汽车充放电效率评估车辆到电网(vehicletogrid,V2G)优化时,电动汽车作为可控的储能单元,在满足用户充电需求的约束下,在负荷高峰及波动较大的时期能够向电网送电,达到削峰填谷、减小负荷波动的目的。V2G优化的目标函数与有序充电相同,决策变量为第i辆车t时刻的充电率、放电率。V2G第1阶段优化模型的约束如下。13峰值负荷不应小于每天各时间点的负荷限制式中:Ci,D(t)为第i辆车t时刻的放电率。2充电期限制32充电率限制42放电率限制5在一定时期内，电动汽车仅具有唯一的限制6电池容量不得低于容量限制式中:Bi,S(t)为第i辆电动汽车t时刻电池的SOC;BL为电池容量下限。7g第2阶段g第2阶段目标/约束式中:ηD为电动汽车的放电效率。V2G第2阶段的优化目标为式(11),约束为在第1阶段优化约束的基础上增加式(12)—式(14)。2.3求解算法本文建立的大规模电动汽车充放电优化模型为整数规划模型,采用CPLEX软件对模型求解。算法流程图如图1所示。3充放电网络优化对电动汽车大规模接入后的充放电优化进行成本效益分析,有利于充放电优化控制必要的通信、控制等投入,也有利于参与充放电优化的用户进行经济分析与决策,是保证未来电动汽车充放电优化成果推广和实施的关键。3.1发电资源投资及年收益估算电动汽车充放电优化的效益包括削峰填谷、降低发供电成本、节约一次能源、减少环境保护费用和避免停电损失等。本文主要分析电动汽车充放电优化对电网的容量效益,即通过对电动汽车的控制,削减电网峰荷所节省的发电、输电和配电等基础设施升级或新建的费用。2010年国内装机总容量为920GW,其中,火电、水电、风电、核电机组的装机容量分别为681GW,194GW,30GW,13GW。2010年火电、水电、风电、核电单位装机成本分别为3477元、7000元、8100元、9200元。将不同类型发电机组装机容量按其占总装机容量的比例标幺化,单位装机成本为4454元。配套电网与电源建设费用按7∶3计算,实施电动汽车充放电优化减少的投资费用为14847元/kW。假设年贴现率λ=5%,将2020年和2030年电动汽车充放电优化减少的总投资费用按F折算,利用式(22)计算等年值A。式中:k为电源、电网使用周期,单位为a,本文计算时k取50。求取电动汽车充放电优化年收益的主要步骤如下:(1)以无序充电情景为基准,计算充放电优化控制降低的峰荷量;(2)将峰荷降低量乘以单位负荷对应的电源及电网投资成本得到充放电优化控制产生的总容量效益;(3)基于式(22)将总效益转换为等年值收益。3.2不同负荷法下电动汽车日放电电量电动汽车的充放电优化控制成本主要分为电能损失成本和电池寿命损耗折算成本。对于V2G优化,充放电效率均为0.92,电动汽车向电网送电1kW·h需要充电1.18kW·h,假设电能上网电价为0.4元/(kW·h),则供电电能损耗成本为0.072元/(kW·h)。对于有序充电优化,仅控制充电过程不会增加电能损耗。文献计算得出电动汽车参与调峰的电池寿命损耗成本为0.42元/(kW·h),电动汽车放电成本为0.492元/(kW·h)。文献模拟电动汽车行驶时电池充放电功率曲线,研究充放电次数、放电深度与电池寿命衰减的关系,仅控制充电过程通断,对电池寿命影响较小。因此,本文不计算有序充电产生的成本。考虑到电网日负荷曲线的峰荷有所不同,为了将电网峰荷降至给定负荷水平,电动汽车日放电电量有所不同。例如:在夏季年负荷高峰时,电动汽车日放电电量较大,而在春、秋季日负荷峰荷相比年负荷峰荷较小时,电动汽车日放电电量较小。在计算年放电电量时,本文基于年持续负荷曲线,以日最大放电电量乘以年等效最大放电天数的方法计算年放电量。近似持续负荷曲线如图2所示。图2中:横坐标表示电网负荷;纵坐标表示持续时间;8760为以小时为单位的一年总时间;Pmax和Pmin分别为无序充电下电网负荷的最大值和最小值。令tyd=365d,则电动汽车年等效最大放电天数Ty为:电动汽车年总放电电量Ey为:式中:Wdmax为电动汽车日最大放电量,等于V2G第2阶段优化求取的电动汽车日放电量。4改进拉丁群算法本文建立的优化模型属于整数规划模型,为非多项式(NP)算法问题,随着决策变量规模的扩大,计算复杂程度将以指数上升。采用蒙特卡洛仿真方法需要对总体进行足够多次的模拟,即进行足够多次的优化计算,才能保证计算精度。该方法的主要缺点为计算量大、单次抽样结果不稳定。为了减小计算规模,本文采用拉丁超立方抽样方法对电动汽车随机变量进行抽样。拉丁超立方抽样方法由McKay等在1979年提出,属于分层抽样的一种方法。该方法相对于传统的蒙特卡洛抽样方法,在提高收敛速度、缩小抽样误差范围的能力上均大大提高。本文采用文献提出的改进拉丁超立方抽样方法,该方法分为抽样、组合2个步骤。在抽样时,将每个变量的累积概率分布函数分为n个等间距不重复的区间,每个区间的宽度为1/n,选取各区间的中点作为抽样值。在组合时,采用Gram-Schmidt正交化方法对各随机变量的抽样值进行组合,得到各随机变量组合的最小相关系数。5模拟计算示例5.1充电负荷优化本文以2020年和2030年国内电动汽车充电负荷为例进行优化计算,系统参数见附录A。经分析,能够进行优化控制的充电行为有公交车、公务车夜间充电、私家车白天单位停车场充电及私家车夜间居民停车场充电4种。采用拉丁超立方抽样方法对起始充电时间、起始SOC进行抽样,每种充电行为的抽样规模为10。根据文献的研究,本文设定电动汽车充放电效率均为0.92。在2020年电动汽车完全可控情景下,充电负荷单次优化结果如图3所示。无序充电情景下峰荷为30GW。通过电动汽车充放电控制能够有效降低峰荷,有序充电优化、V2G优化的充电负荷峰值分别为17GW和9GW。第2阶段优化在第1阶段优化的基础上减小了负荷波动。5.2典型情景下电网负荷优化结果根据国家发展和改革委员会能源研究所的相关研究,中国2020年和2030年最大负荷分别为1270GW和1720GW。电网峰荷时段与居民负荷峰荷时段基本相同,近年来国内居民负荷增长明显,在晚高峰中所占比例逐年提高,且有继续增长的趋势。本文2030年电网基本负荷采用典型居民日负荷曲线,如图4所示。加入电网基本负荷后,电动汽车100%和50%可控情景下,2030年电动汽车充放电负荷单次优化结果分别如图5和图6所示。无序充电时电网峰荷为1897GW,电动汽车完全可控时,有序充电优化及V2G优化下电网峰荷分别降为1720GW和1525GW。电动汽车50%可控时,有序充电优化及V2G优化下电网峰荷分别降为1806GW和1694GW。第2阶段优化在第1阶段优化的基础上能够大幅度减小电网波动。本文建立的优化计算模型为大规模整数规划问题模型,求解较为耗时。采用拉丁超立方抽样方法的模拟结果表明,500次后充电负荷平均值基本保持不变,为平衡计算时间和计算精度,确定仿真次数为500次。优化结果如表1所示,表中电网峰荷为500次优化求取峰荷的期望值。5.3调峰能力分析利用式(22)计算电动汽车充放电负荷优化效益的结果如表2所示。V2G优化后的电动汽车成本如表3所示。通过优化结果可以看出,随着电动汽车可控比例的上升及削减的电网峰荷的增加,电动汽车优化控制带来的效益也将增加。2030年有序充电优化下,在电动汽车完全可控、50%可控、20%可控时电网峰荷分别降低1.77GW,0.91GW,0.37GW,至2030年有序充电优化产生的总静态容量效益分别为24700亿元、13600亿元、5500亿元,折算为等年值的收益分别为1347.68亿元、742.88亿元、302.31亿元。V2G优化的效益近似为有序充电优化效益的2倍。因此,车辆在电网峰荷时向电网送电,电动汽车具有较强的调峰能力。2030年电动汽车完全可控、50%可控、20%可控时日最大放电电量分别为14.27GW·h,6.83GW·h,2.82GW·h。随着车辆可控比例的增加,年等效放电天数也将增加,但放电量的增长导致成本增加,单位成本产生的效益呈下降趋势。电动汽车可控比例上升将带来充放电设备、控制系统、通信等投入的增加,这些都是实现V2G技术应考虑的因素。5.4电动汽车vg成本以V2G优化下2030年电动汽车50%可控为例,对以上成本效益计算中的装机成本、电池使用成本和上网电价进行灵敏度分析。单位装机成本上升将使得电动汽车优化控制产生的效益快速上升,如图7所示。当装机成本为3000元/kW时,V2G收益为1113.77亿元/a,当装机成本上升至为8000元/kW时,V2G收益上升为2970.06亿元/a。随着未来电池技术的发展,电池使用成本下降将使得V2G年放电成本快速下降,V2G的收益将大幅提高,如图8所示。当电池寿命的损耗折算成本为0.4元/(kW·h)时,V2G的放电成本为259.84亿元/a。不考虑电池寿命损失成本时,电动汽车放电成本等于电能损耗成本,为0.072元/(kW·h),此时V2G年放电成本仅为39.64亿元/a。电动汽车作为系统分布式储能装置参与V2G优化控制时,在储能过程中有能量的损失。上网电价的升高将导致电能损耗成本的上升,V2G成本对上网电价的灵敏度如图9所示。电池存储释放过程效率较高,每向电网放电1kW·h,电能损失为0.18kW·h。上网电价的变化将不会对V2G成本产生较大影响。上网电价为0.3元/(kW·h)时,V2G年放电成本为260.