中国储能网讯：
摘 要 针对电力系统采用分时电价单一激励下电动汽车有序充电难以应对风力发电与日内负荷的供需变化，从而形成峰谷差的问题，提出一种基于电动汽车灵活储能的分时电价与动态碳配额双重激励调度策略。首先，根据蒙特卡洛对电动汽车充电负荷进行预测，并建立其电池损耗模型。在此基础上，根据日前预测中各个时段不同供电设备的出力以及碳排放与碳配额的占比，在考虑微电网发电成本以及用户期望荷电状态的前提下以微电网并网功率均方差最小和用户收益最大为优化目标。通过动态调整分时电价和阶梯碳价，并运用优化的灰狼算法对模型进行求解，制定出合理的充放电计划以充分发挥电动汽车作为柔性负荷的特点，从而实现平抑微电网负荷曲线波动的目的。最后，将所提策略与无激励和单一激励策略进行仿真分析对比，结果显示负荷峰谷差分别降低了30.1%和18.6%，验证了其有效性和优越性。同时车主用户收益的提高和碳排放量的降低，验证了电动汽车的环保特性需要与清洁能源协同发展。
关键词 电动汽车；双重激励；微电网；碳配额；阶梯碳价
近年来，能源短缺和气候变暖等问题日益严重，电动汽车(electric-vehicle，EV)因其经济、绿色、智能等优点发展迅速，而随着电动汽车-电网(vehicle to grid，V2G)技术的逐渐成熟，EV接入微电网得到普及。因为清洁能源以及EV的充电具有随机性和不确定性，这些特性会给系统造成线路过载、峰上加峰等危害，因此采用何种调度策略促使EV与微电网实现良性互动，降低其造成的负面影响是目前亟需解决的问题。
目前针对EV大规模、无序接入配电网影响供电可靠性的问题已经有较多研究。分时电价因实用性及调度引导能力强等优点成为主要的控制手段，文献[5-7]以负荷波动以及用户收益为目标建立经济调度模型，通过不同时段的电价引导用户进行充电从而解决负荷尖峰问题。文献[8]提出一种利用EV灵活特性，建立其与风电和电网负荷的风电协同利用模型，以负荷均方差最小为目标函数，通过对在不同风电渗透率下的正反调峰情况比较，验证所提策略的有效性。文献[9]将电动汽车归属为不同代理商，建立了控制中心与代理商双层控制模型，提出了一种基于动态分时电价时段制定方法的负荷优化配置策略，实现了对风电的消纳，削弱了EV并网对电网的冲击。文献[10-12]通过对峰谷时段的合理划分，改进了分时电价模型，并对不同的充电策略进行仿真分析从而实现削峰填谷。
上述文献大多研究了由分时电价引导进行负荷转移的优化调度策略，然而单一的激励措施及不妥的电价设置难以应对负荷及风电的随机波动，大量EV在谷时充电容易造成新的用电高峰。故综合考虑到EV的灵活储能特性，以及其与绿色能源发展的潜在契合特性，本工作在分时电价基础上，将EV引入到碳交易系统中，提出了一种双重激励策略。首先，采用蒙特卡洛对EV充电负荷进行预测，并建立其电池损耗模型。其次，基于日前预测数据以用户收益最大为经济指标，以并网功率方差最小为优化指标，兼顾微电网运行成本，制定出当日的分时电价与阶梯碳价，便于用户的集群响应。在此基础上，运用优化的灰狼算法对模型进行求解，制定出合理的充放电计划。最后，算例结果表明，由日前预测的风电冗余功率制定的电价以及由微电网的碳排放量制定的阶梯碳价能够促进微电网的稳态运行，增加用户的收益有效提升用户参与调度的积极性。
1 微电网的系统结构分析
含EV的微电网系统如图1所示，系统内包含风力发电机组、微燃机、储能装置，负荷分为常规负荷和EV负荷。
图1 微电网系统结构
在微电网系统中，风电经过调度中心调配向居民及EV供电，在需求较大时向电网购电，从而减小对电网用电的需求。
2 EV的充电模型搭建
2.1 EV负荷建模
EV充电负荷的预测是微电网日前调度的基础，本工作考虑的为家用轿车，因此应在优先满足用户期望荷电状态(SOC)的前提下，根据微电网的情况进行灵活的优化调度。
家用车作为日常的代步工具，其主要需求是“朝九晚五”的上下班，休闲娱乐等。因此本工作根据美国交通部对私家车辆出行调查结果的统计，建立基于蒙特卡洛(Monte Carlo)法对不同数量EV的负荷预测。由统计数据可得家用EV的日行驶距离近似服从正态分布fm(L)，其当天结束使用的时刻可近似看作为EV的入网时刻，服从正态分布fs(T)，如式(1)和式(2)所示。
式中，σm=3.2，μm=0.88，σs=3.4，μs=17.6。
当无序充电时，每辆EV的充电时间，充电功率等均不受外界影响，由式(1)可得单辆EV当日的充电时长，如式(3)所示：
式中，d为EV的日行驶距离；E100为EV每百公里的耗电量；Pc为EV的充电功率。
在求得每辆车的充电时长后，根据EV的入网时刻及其充电功率，由叠加定理可求得各时段EV的充电功率，如式(4)所示：
式中，Pev(t)为t时段EV总的充电功率；Pev, n(t)为第n辆EV在t时段充电功率。
2.2 EV电池损耗成本
EV因其使用性质可以当作一种特殊的储能装置，但不合理的充放电会加速动力电池的老化，缩短其使用寿命。当前EV的动力电池多为锂电池，其寿命受到多种因素的影响，如放电深度、充放电时电池及环境的温度、充电方式等。因放电深度对电池寿命的影响较大且为可控因素，因此本工作考虑其对电池寿命的影响，图2为放电深度和电池寿命的关系。
图2 锂电池放电深度与循环寿命的关系
式中，D(t)、Ss(t)、Sf(t)分别为t时刻电池的放电深度、开始充电时的荷电状态、结束充电时的荷电状态；LD是图2关于锂电池放电深度与循环寿命的拟合函数。
由式(5)可得t时刻电池总放电量LET(t)，进而求得t时刻相应的电池损耗成本Cd(t)：
式中，S
为电池的最大电量。
2.3 EV负荷计算
在MATLAB中，根据Monte Carlo随机抽样法由日行驶距离概率分布抽取单量EV的行驶里程，结合式(3)求得充电时长后，再随机抽取入网时间，结合式(4)通过叠加定理可求得不同数量的EV充电负荷，如图3所示。
图3 不同数量EV无序充电总功率
从图中可以看出，随着EV数量的增加，充电需求有较明显的提升，易引起“峰上加峰”，从而对系统造成冲击。因此制定合理有效的引导策略对微电网的稳态运行有现实意义。
3 双重激励优化调度模型
目前所实施的有序充电策略主要分为分时电价的引导和充电负荷的直接控制。在满足EV充电需求前提下，本工作提出了一种基于风电冗余功率制定的分时电价机制和碳配额阶梯碳价奖励机制的双重激励策略，为用户提供更多充放电选择的同时，充分挖掘EV的“源-荷”作用，降低微电网的峰谷差。
3.1 动态分时电价模型
分时电价是国家电网为应对居民集中用电对电网造成危害，以电价为信号来引起部分用户的响应，从而实现需求侧用电负荷转移的措施。通常分为峰、平、谷三个时段，根据每个时段的电价，用户可以根据自己的需求避开高峰时段，但若以固定时段划分峰平谷时，无法应对变化的场景，甚至可能会恶化负荷曲线，造成新的波峰波谷。
本工作定义风电冗余功率为风电功率与负荷需求的差值，更能体现微电网此刻电能的供需关系，若以此划分分时时段，能有效削峰填谷，从而减少对微电网的冲击，增加对风力能源的消纳。
3.2 碳交易成本模型
碳交易是为了实现绿色发展而把碳排放量作为合法交易商品的一种交易机制，在碳交易机制中，预先给参与交易的主体发放碳排放配额，其运行流程如图4所示。
图4 碳交易流程
风机在t时刻获得的碳配额如下：
式中，Mc(t)为t时刻微燃机和外部购电需购买的总碳配额；Eth为单位发电量的碳排放因子；Pc(t)为t时刻微燃机发电和外部购电的总和；PMT,i(t)为t时刻微燃机i的发电量；PGrid(t)为t时刻的外部购电量。
为了鼓励EV积极参与微电网的负荷侧响应，将EV引入碳交易体系中，用微燃机发电与外部购电之和的占比，定义EV的碳排放量，同时为更好应对日内新能源发电的随机性制定了阶梯碳价，其EV的碳配额收益为：
式中，Mev1(t)为传统燃油车与EV行驶相同的里程数所产生的碳排放量；Pev(t)为EV在t时刻的充放电功率；Lev为单位电量EV可行驶的里程数；Egas为传统燃油车单位行驶里程产生的碳排放量；Mev2(t)为充电时EV产生的碳排放；Cev(t)为t时刻碳交易的收益；qev(t)为t时刻碳配额的售价。
因此基于碳配额奖励机制的主要思想为：
（1）当微电网的碳配额大于碳排放量时，说明此时微电网风电充裕，风力发电占比较大，此时给予较低的碳配额价格，并奖励进行充电的用户，鼓励用户在此时充电，促进多余风电的消纳。
（2）当微电网的碳配额小于碳排放量时，说明风力发电占比减小，考虑到现实中用户的放电积极性不高，为鼓励用户放电，微电网给予EV的碳配额奖励价格会随着碳排放量的增加而逐层增加，此时奖励进行放电的用户，若用户选择在此时放电，会有较为可观的收益。
在t时刻的碳价格如下式：
式中，qev(t)为t时刻的碳配额价格；q图片(t)为碳配额基础价格；L为碳配额区间长度；α为碳配额区间增长幅度。
3.3 双重激励政策
在不考虑引入碳交易政策时，EV仅在分时电价的引导下充放电，因为风电的随机性以及激励政策单一性，易造成新的峰谷差，进而恶化负荷曲线。为了发挥电动汽车作为柔性负荷的特点，提升用户的积极性，同时响应国家碳减排政策，本工作实施分时电价与动态碳配额的双重激励政策。在保证EV离网时期望SOC的前提下，充分利用分时电价与动态碳配额的引导作用，避免新的波峰波谷形成，增大激励力度，提高用户有序充放电的参与度。
4 EV充放电模型求解
为避免EV的充电给微电网造成的不利影响，设定以并网功率波动方差最小和用户收益最大为目标函数，同时加入微电网运行成本惩罚系数，减少微电网的运行成本。
4.1 目标函数
4.1.1 负荷均方差最小
本工作以微电网的并网功率方差最小为系统运行稳定性指标，并加入微电网运行惩罚成本，目标函数为：
式中，PBA(t)为t时刻蓄电池的充放电功率；Pavg为t时刻并网功率平均值；ϕ为微电网运行成本惩罚系数，CG为微电网运行成本。
目标函数中的相关函数如下：
式中，CG为微电网的运行成本，Cgen、图片为微电网的发电成本和碳排放成本；Closs(t)为EV充放电时功率损耗成本；η为功率损耗比；CW、CMT、Cgrid为风力发电成本、微燃机发电成本和向电网的购电成本；PMT(t)为t时刻微燃机发电的总功率。
4.1.2 用户充放电收益最大
以用户的收益最大，即用户的充放电成本最小为经济指标设定目标函数，目标函数F2为：
式中，c(t)为EV在t时刻充放电的电价。
4.2 约束条件
5 算例分析
5.1 基础参数设置
以风电作为清洁能源，其中风机的装机容量为2 MW，微电网的电压等级为10 kV，假设以某小区300辆EV，且其电池容量为60 kWh进行分析，常规模式下EV的充放电功率均为5.4 kW，单位电量的行驶里程为5 km，微燃机最大发电功率为300 kW，微电网的接线参考图1，各单元通过调度中心统一协调，大电网与微电网通过交流母线进行电能传输，部分参数参考文献[22]，碳配额的相关参数详见表1，时间间隔设置为1 h，微电网运行成本惩罚系数设为0.7，基于日前预测的分时电价见表2。
表1 碳配额相关参数
表2 配电网动态分时电价
5.2 仿真结果分析
5.2.1 EV在不同场景下的调度结果
（1）等效负荷曲线对比
图5为EV无序充电前后微电网的等效负荷，由图可知，在18∶00—21∶00时，风力发电较小，而居民处在用电高峰期，EV无序充电会造成本就处于用电高峰的基础负荷峰上加峰，从而会对微电网的稳态运行形成冲击。
图5 EV入网前后等效负荷对比
加入适当的激励措施引导EV有序充放电，会促进微电网的稳定运行，因此结合不同时段的碳配额和碳排放量，制定了相对应的碳配额奖励机制及阶梯碳价，见表3。为证明所提策略的有效性，本工作选取不同场景进行对比，场景设置见表4，场景3下设备出力及EV的平均SOC如图6所示。
表3 配电网的碳价格
表4 不同场景的设置方案
图6 场景3下设备出力及EV的SOC
图7为不同场景下等效负荷曲线对比，12∶00—13∶00为高电价时段，在场景2情况下结合图5并分析可得，此时段风机出力不断变小，居民负荷小幅增大，从而导致功率缺额不断上升。但因为电价激励措施的单一影响，部分EV在高电价时选择集中放电，此时进行放电易形成新的波谷。表5为不同场景下负荷峰谷差、用户收益及微电网运行费用对比。通过表5与图7可以看出，在加入碳配额奖励后，微电网的等效负荷曲线得到了更为有效平抑，且场景3相较于场景1的等效负荷峰谷差降低了30.1%，与场景2相比降低了18.6%。
图7 不同场景下的等效负荷对比
表5 不同场景下的峰谷差比值
（2）收益对比
由表5可知，用户在满足离网预期SOC的前提下，相对于分时电价的单一激励，通过碳配额的转化可增加1倍以上的用户收益，因EV充放电时的线路损耗成本及电池损耗成本，单一激励相较于无序充电微电网的运行成本小幅增加。
5.2.2 动静态碳配额价格的调度结果对比
从图8可以看出，在静态碳配额价格加入后，虽然增加了新的激励措施，但由于固定的碳配额价格，并不会对用户有较强的引导作用，因此中午时段还是会形成新的波谷；而动态碳配额价格的加入，会给一些停驶的车辆或不急于充电的车辆提供更多更优选项，更能适配微电网日内所面对的随机性。
图8 动静态碳配额价格等效负荷对比
5.2.3 不同数量EV的调度结果对比
本工作分别选取了200、250、300辆EV在场景3下进行对比，其等效负荷的峰谷差和日负荷方差见表6，该地区典型日负荷曲线如图9所示。结合表6和图9可知，EV的数量为300辆时相较于200辆时的峰谷差降低了14.9%，相较于250辆时降低了7.1%。因此在一定数量范围内时，随着EV的增多，其削峰填谷的作用会更加明显，微电网的稳定性亦会增加。
表6 不同数量EV的对比
图9 不同数量EV的典型日负荷曲线
6 结论
本工作提出的双重激励调度策略解决了因EV充电及新能源发电的随机性形成峰谷差的问题：
（1）将EV引入碳交易系统后实施的双重激励策略与原始负荷曲线相比峰谷差降低了30.1%，相较于分时电价单一策略降低了18.6%且用户的收益提升1倍，削峰填谷能力得到有效提升的同时提高了用户参与微电网调度的积极性。
（2）相较于静态的碳配额价格，动态价格及不同情况下的奖惩机制更能适应风电的随机性，负荷曲线得到了有效平抑。且在合理的范围内，EV数量增多50辆使其峰谷差下降约7%，有利于微电网的优化调度。
（3）在今后工作中，应综合考虑更多典型日的不同情况，使其更具有普适性。
