基于用户响应度的峰谷电价时段优化模型

基于用户响应度的峰谷电价时段优化模型

0电动汽车充放电优化策略随着环境和能源问题的加剧，电动汽车在节能减排方面的显著优势越来越受到重视。2021—2030年是我国电动私家汽车大规模发展的阶段。如果大规模电动汽车在电网负荷高峰时段充电,将导致负荷“峰上加峰”,给电网运行带来较大负担,影响电网的稳定运行。因此,大规模电动汽车对电网的影响及其充放电优化控制策略已成为当前的研究热点。文献提出插电式混合动力汽车(plug-inhybridelectricvehicle,PHEV)充电对配网日负荷曲线和线损等指标影响的优化策略,但未考虑电动汽车数量实时变化的概率特点。文献建立了基于低谷填入思想的PHEV集中充电模型,但未考虑电动汽车放电工作的数学模型及其削峰作用。文献提出基于负荷预测的有序充电算法,但未考虑大规模电动汽车的放电工作对区域电网的影响。文献建立了基于谷电价的电动汽车有序充电算法,但未考虑峰电价时段优化及有序放电问题。文献提出了V2G充放电控制算法,但未考虑V2G充放电时刻的概率分布特点。文献建立了基于改进粒子群算法(particleswarmoptimization,PSO)的电动车充放电策略,但未考虑私家车主的出行习惯以及大规模电动汽车充放电功率的概率特性。文献提出区域电动汽车充放电控制策略,但未考虑车载电池的容量约束和私家车主的出行习惯。文献分析了V2G参与电网调峰的可行性及实现的基本思路,但未研究其优化运行策略。本文以私家电动汽车常规充放电为研究对象,根据私家车主的出行习惯,构建无序模式的放电概率模型和用户响应峰谷电价差的有序充放电时刻选择算法。使用蒙特卡洛模拟法,计算得到计及峰谷电价响应度的电动汽车充放电功率曲线。建立以电网负荷峰谷差率最小为目标的峰谷电价时段优化模型,使用遗传算法对峰谷电价时段进行寻优,并通过算例验证了模型的正确性。1私家车主要的移动习惯1.1日行驶距离概率分布密度曲线根据美国交通部对全美家用车辆的调查结果(NHTS),得到私人电动汽车日行驶距离的概率分布密度曲线,如公式(1)所示。式中:μD=3.20,σD=0.88;x为行驶里程,0<x≤200。1.2电动汽车充放电运行特性为定量分析电动汽车充放电工作对电网负荷曲线的影响,对私家车主的出行习惯做如下简化。1)参与V2G的私家车主均可得到补贴和电池充放电折旧费,而且响应峰谷电价差的私家车主还可得到额外的充放电差价收入。2)电动汽车的车载电池容量Cbattery=20~40kW×h,平均能耗W=0.15kW×h/km,电动汽车的平均速度Vspeed=20~30km/h。3)电动汽车的充放电功率Pcd在3~5kW内平均分布。4)考虑充放电深度、电池寿命和充放电损耗等因素,车载电池的可用荷电状态(stateofcharge,SOC)为10%uf07e90%。5)以1d为周期,私家车主早上09:00均会到达单位,下午17:00开始离开单位。6)无序模式下,电动汽车停放在单位期间每个时刻的放电概率均相同。2电动汽车放电概率电动汽车与电网之间能量的双向互动即为V2G,有充电和放电2种工作状态。无序V2G模式指私家车主的充放电行为由其出行习惯决定,不受峰谷电价差的影响。1)充电模型。无序模式下充电时刻服从正态分布,其概率密度函数为式中:μs=17.6,σs=3.4;t为充电时刻。基于1.2节出行习惯2,可推得充电持续时长:式中Tchg为充电时长,h。2)放电模型。根据1.2节出行习惯6,可得一天24h私家电动车的放电概率为式(4)表明在09:00—17:00时段,电动汽车放电概率为1/8,其余时段放电概率为0。根据路程、速度及时间之间的关系,可得放电持续时长为式中:Tdischg为放电持续时长,h;LD为电动汽车的日行驶距离。式(5)表明放电持续时长与车载电池容量、每公里平均能耗、放电功率,以及每天行驶距离等因素有关。由式(1)(5)可得放电持续时长的概率密度函数为式中:μD=3.20,σD=0.88,0≤t<4.8。3有序模式下的峰谷价格调整3.1峰谷电价响应度电力部门通过制定一天24h的峰谷电价,对车主充放电时刻的选择进行引导。峰谷电价数学模型如公式(7)所示。式中:pv谷电价,pp为峰电价,pn为平电价,且pv<pn<pp;[tc1,tc2]为谷电价时段;[td1,td2]为峰电价时段。一天内有且只有1个峰电价时段和1个谷电价时段,其余时段均为平电价时段。定义1:峰谷电价差δ为峰谷电价差值与谷电价的比值,其计算如公式(8)所示。峰谷电价差δ定量描述了峰电价相对于谷电价的增幅。定义2:峰谷电价响应度η即在峰谷电价差的引导下,选择谷电价时段充电、峰电价时段放电的私家车主比例。其计算如公式(9)所示。式中:n是响应峰谷电价差的电动汽车数量;N是区域电网内的电动汽车总数量,0≤η≤1。3.2tdi充电持续时长1)有序模式的充电时刻选择。响应峰谷电价差的车主,选择谷电价时段充电,其开始充电时刻tsc的选择由式(10)决定。式中:tc1、tc2为谷电价时段的起止时刻;tc是充电持续时长;k1为区间的随机数。2)有序模式的放电时刻选择。响应峰谷电价差的车主,选择峰电价时段放电,其开始放电时刻tsd的选择由公式(11)决定。式中:td1、td2为峰电价时段的起止时刻;td为放电持续时长;k2为区间的随机数。公式(10)(11)表明:当用户充(放)电时长超过谷(峰)电价时段的长度,用户选择谷(峰)电价起始时刻开始充(放)电;当充(放)电时长小于谷(峰)电价时段的长度,其可选择在谷(峰)电价时段内充满电的任意时刻开始充(放)电。3.3负荷特性优化假设私家车主都是理性的,其希望在谷电价时段内将所需电量全部充满,在峰电价时段放电工作,以期获得较高的经济效益。因此峰谷电价时段将对私家车主充放电时刻选择产生明显影响。同时,峰谷电价响应度η的不同,也将对电动汽车充放电功率的日负荷曲线有较大影响。因此峰谷电价时段和η是峰谷电价政策制定需要考虑的关键因素。在峰谷电价差的引导下,仍有1-η的车主不响应峰谷电价差,则该部分车主的充放电功率仍按无序模式的模型进行计算。设区域电网的负荷曲线为L0,使用蒙特卡洛模拟法计算一天24h内各时刻N台电动汽车的充放电负荷,得到电动汽车充放电负荷的典型日负荷曲线L1,其包括η×N辆电动汽车选择谷(峰)电价时段充(放)电的有序负荷和(1-η)×N辆电动汽车的无序负荷,则该区域电网的实际负荷曲线L(i)=L0(i)+L1(i),1≤i≤24。当N和L0一定时,L与峰谷电价时段[tc1,tc2]、[td1,td2]和峰谷电价响应度η有关。通过制定不同的峰谷电价时段和峰谷电价响应度,即可改变该地区的负荷特性。例如,图1中,区域负荷为国内A市夏季典型日负荷,模拟电动汽车总数N为20万辆,假设电动汽车参与有序充放电的响应度η为1.0,在同一响应度下,当峰谷电价时段分别为[21:00,03:00]、[10:00,14:00]和[02:00,06:00]、[14:00,17:00]时的电网负荷曲线如图1所示。图2中,区域负荷为国内A市夏季典型日负荷,模拟电动汽车总数N为20万辆,假设峰谷电价时段为[21:00,03:00]、[10:00,14:00],当电动汽车参与有序充放电的响应度η分别为1.0和0.5时的电网负荷曲线如图2所示。分析图1和图2可知,峰谷电价响应度η相同时,不同峰谷电价时段将使区域电网的负荷峰谷差率或增大或减小;峰谷电价时段相同时,不同的峰谷电价响应度亦将使区域电网的负荷峰谷差率或增大或减小。针对不同城市的电网负荷情况,制定相应的最优峰谷电价时段,可改善其负荷曲线,减小峰谷差。因峰谷电价响应度具有区域特性,与区域内私家车主的用电习惯、消费水平、收入水平以及峰谷电价差等因素有关,本文暂不分析这些因素,进行算例分析时η分别考虑高响应度和低响应度两种情况,其中高响应度η取1.0,低响应度η取0.5。设l(tc1,tc2,td1,td2)为考虑V2G的区域负荷曲线峰谷差率随机函数,为得到电动汽车削峰填谷的最优结果,建立如下最优化模型。式中:LE(tc1,tc2,td1,td2)是通过蒙特卡洛仿真得到的l(tc1,tc2,td1,td2)的期望;[tc1,tc2]为谷电价时段;[td1,td2]为峰电价时段;Z为负荷曲线的峰谷差率。程序以种群(tc1,tc2,td1,td2)i作为输入参数,使用遗传算法进行寻优,得到最优峰谷电价时段、最小峰谷差率以及优化前后的电网负荷曲线,算法流程如图3所示。优化算法求解的主要过程如下:1)初始化种群。在取值范围内随机生成200个初始个体(tc1,tc2,td1,td2)i。每个变量均使用20位二进制数表示,则每个变量的精度均达到10-5。2)判断生成的峰谷电价时段种群是否满足优化模型的边界条件,如果不满足,则丢弃此种群。3)计算无序充放电功率Lfree(i),基于满足优化模型边界条件的峰谷电价时段,计算响应峰谷电价差的有序充放电功率Lop(i)和考虑电动汽车充放电功率的实际电网负荷L(i)。4)计算负荷峰谷差率Z(i),并记录产生最小峰谷差率的时段(tc1,tc2,td1,td2)k。5)以峰谷差率Z(i)作为适应度函数F(i),并采用随机遍历抽样法选择父本,保证削峰填谷效果较好的基因被保留下来进行遗传。6)对选择的父本个体进行单点交叉与变异,其中交叉概率Pc=0.7,变异概率Pm=0.01。7)反复迭代寻优,直到达到最大遗传代数。4负荷峰谷分析为验证本文优化模型,以国内A市(人口近千万,预测以人口总数的2%作为电动汽车保有量,即电动汽车数量为20万辆)夏季和冬季典型日负荷曲线为例(表1),使用本文模型对电动汽车在峰谷电价时段优化前后的典型日功率需求进行计算,分析计及电动汽车有序充放电的峰谷电价时段优化。其中,A市夏季典型日的负荷曲线较陡,冬季典型日的负荷曲线较平滑,即夏季典型日的负荷需求较集中,冬季典型日的负荷需求较分散。基于A市夏季典型日的负荷曲线,可得其峰谷电价时段的优化结果如表2和图4所示。表2结果显示,在夏季典型日,无序充放电的电动汽车接入电网,没起到削峰填谷作用,反而增加了电网负荷峰谷差率;使用峰谷电价时段优化后,电网负荷峰谷差率明显减小,且峰谷电价响应度η越高,优化后电网的负荷峰谷差率越小。图4表明,无序充放电的电动汽车接入电网,将拉高用电负荷峰值,产生峰上加峰的结果,增加电网运行的不稳定性。通过峰谷电价时段对电动汽车充放电行为进行优化后,在谷电价时段,电动汽车充电负荷发挥了填谷效果;在峰电价时段,电动汽车实现了削峰目标。基于A市冬季典型日的负荷曲线,可得其峰谷电价时段的优化结果如表3和图5所示。表3结果显示,在冬季典型日,无序充放电的电动汽车接入电网,增加了电网负荷的峰谷差率;使用峰谷电价时段优化后,电网负荷的峰谷差率减小约13%,且峰谷电价响应度η越高,优化后电网的负荷峰谷差率越小。分析图5可得,无序充放电的电动汽车接入电网,拉高用电负荷峰值,增加了电网负荷的峰谷差率。通过峰谷电价时段对电动汽车充放电进行优化后,电动汽车充放电负荷平滑了电网负荷曲线,且响应度越高,优化后的负荷曲线越平滑。5峰谷电价响应度计算方法本文构建了电动汽车有序模式和无序模式的放电模型,建立了峰谷电价时段