考虑电动汽车入网技术的电力系统机组组合研究.pdf

第４１卷第１０期２０１３年５月１６日电力系统保护与控制ＰｏｗｅｒＳｙｓｔｅｍＰｒｏｔｅｃｔｉｏｎａｎｄＣｏｎｔｒｏｌＶｂ１．４ｌＮＯ．１０Ｍａｙ１６，２０１３考虑电动汽车入网技术的电力系统机组组合研究薛松，袁越，傅质馨，许璐，朱金大（１．河海大学能源与电气学院，江苏南京２１１１００；２．河海大学可再生能源发电技术教育部工程研究中心江苏南京２１００９８；３．国网电力科学研究院，江苏南京２１０００３）摘要：为了提高电动汽车入网技术（Ｖ２Ｇ）的电力系统机组组合实用性和经济性，提出一种考虑可入网电动汽车（ＰＥＶ）的数量变化和电池电荷状态变化的机组组合算法。利用电池电荷状态与充放电电量之间的关系，结合预估的不同时段入网ＰＥＶ数量，确定每天入网ＰＥＶ的净充电总需求量。构建考虑电动汽车入网技术的电力系统机组组合模型，以发电成本为目标函数，加入电池电荷状态的罚函数，求解电力系统机组的出力计划和入网ＰＥＶ的充放电控制计划。分析了不同情景下充放电最优控制和机组组合结果，对比了不同ＰＥＶ充电模式对电力系统机组组合结果的影响。算例分析结果表明，该方法可以有效的节省机组成本，实现电动汽车的连续调度，证明了该方法的正确性和有效性。关键词：机组组合；遗传算法；可入网电动汽车；电动汽车入网；电池状态—Ｕｎｉｔｃｏｍｍｉｔｍｅｎｔｉｎｐｏｗｅｒｓｙｓｔｅｍｃｏｎｓｉｄｅｒｉｎｇｖｅｈｉｃｌｅ－－ｔｏ－ｇｒｉｄ—ＸＵＥＳｏｎｇ一，ＹＵＡＮＹｕｅ一，ＦＵＺｈｉｘｉｎ一，ＸＵＬｕ一，ＺＨＵＪｉｎ－ｄａ（１．ＣｏｌｌｅｇｅｏｆＥｎｅｒｇｙａｎｄＥｌｅｃｔｒｉｃａｌＥｎｇｉｎｅｅｒｉｎｇ，ＨｏｈａｉＵｎｉｖｅｒｓｉｔｙ，Ｎａｎｊｉｎｇ２１１１００，Ｃｈｉｎａ；２．ＲｅｓｅａｒｃｈＣｅｎｔｅｒｆｏｒＲｅｎｅｗａｂｌｅＥｎｅｒｇｙＧｅｎｅｒａｔｉｏｎＥｎｇｉｎｅｅｒｉｎｇｏｆＭｉｎｉｓｔｒｙｏｆＥｄｕｃａｔｉｏｎ，ＨｏｈａｉＵｎｉｖｅｒｓｉｔｙ，Ｎａｎｊｌｉｎｇ２１００９８，Ｃｈｉｎａ；３．ＳｔａｔｅＧｒｉｄＥｌｅｃｔｒｉｃａｌＰｏｗｅｒＲｅｓｅａｒｃｈＩｎｓｔｉｔｕｔｅ，Ｎａｎｊｉｎｇ２１０００３，Ｃｈｉｎａ）—Ａｂｓｔｒａｃｔ：Ｉｎｏｒｄｅｒｔｏｉｍｐｒｏｖｅｔｈｅｐｒａｃｔｉｃａｂｉｌｉｔｙａｎｄｅｃｏｎｏｍｙｏｆｖｅｈｉｃｌｅ・ｔｏｇｒｉｄ（Ｖ２Ｇ）ａｃｃｅｓｓｉｎｇｐｏｗｅｒｓｙｓｔｅｍ，ｔｈｅｐａｐｅｒｐｒｏｐｏｓｅｓａ——ｎｏｖｅｌｕｎｉｔｃｏｍｂｉｎａｔｉｏｎａｌｇｏｒｉｔｈｍｃｏｎｓｉｄｅｒｉｎｇｐｌｕｇｉｎｅｌｅｃｔｒｉｃｖｅｈｉｃｌｅ（ＰＥＶ）ｑｕａｎｔｉｔｙｃｈａｎｇｅａｎｄｓｔａｔｅｏｆ－ｃｈａｒｇｅ（ＳＯＣ）ｃｈａｎｇｅ．ＴｈｅｒｅｌａｔｉｏｎｓｈｉｐｂｅｔｗｅｅｎＳＯＣａｎｄｃｈａｒｇｅａｎｄｄｉｓｃｈａｒｇｅｐｏｗｅｒａｌｏｎｇｗｉｔｈｔｈｅｅｓｔｉｍａｔｅｏｆＰＥＶｑｕａｎｔｉｔｙｉｎｄｉｆｆｅｒｅｎｔｔｉｍｅｉｓｕｓｅｄｔｏｄｅｔｅｒｍｉｎｅｄａｉｌｙＰＥＶｎｅｔｃｈａｒｇｅｄｅｍａｎｄ．ＡｎｅｗｕｎｉｔｃｏｍｍｉｔｍｅｎｔｉｎｐｏｗｅｒｓｙｓｔｅｍｃｏｎｓｉｄｅｒｉｎｇＶ２Ｇｍｏｄｅｌｉｓｄｅｖｅｌｏｐｅｄ，ｔａｋｉｎｇｔｈｅ—ｇｅｎｅｒａｔｉｎｇｃｏｓｔａｓｔｈｅｏｂｊｅｃｔｉｖｅｆｕｎｃｔｉｏｎａｎｄｔｈｅｓｔａｔｅｏｆ－ｃｈａｒｇｅａｓｔｈｅｐｅｎａｌｔｙｆｕｎｃｔｉｏｎｔｏｆｉｇｕｒｅｏｕｔｔｈｅｏｕｔｐｕｔｓｃｈｅｄｕｌｅａｎｄｔｈｅｏｐｔｉｍａｌＰＥＶｃｈａｒｇｉｎｇａｎｄｄｉｓｃｈａｒｇｉｎｇｃｏｎｔｒｏｌｐｌａｎ．ＴｈｅｏｐｔｉｍａｌＰＥＶｃｈａｒｇｉｎｇａｎｄｄｉｓｃｈａｒｇｉｎｇａｎｄｔｈｅｒｅｓｕｌｔｓｏｆｕｎｉｔｃｏｍｂｉｎａｔｉｏｎｉｎｄｉｆＴｅｒｅｎｔｓｃｅｎａｒｉｏｓａｒｅｉｎｖｅｓｔｉｇａｔｅｄ．ＴｈｅｅｆｆｅｃｔｓｏｆｄｉｆｉｅｒｅｎｔＰＥＶｃｈａｒｇｉｎｇｍｏｄｅｓｏｎｔｈｅｕｎｉｔｃｏｍｂｉｎａｔｉｏｎａｒｅｃｏｍｐａｒｅｄ．ＩｔｉＳｆｏｕｎｄｔｈａｔｔｈｅｍｅｔｈｏｄｃａｎｓａｖｅｔｈｅｕｎｉｔｃｏｓｔｅｆｆｅｃｔｉｖｅｌｙａｎｄｒｅａｌｉｚｅｔｈｅｃｏｎｔｉｎｕｏｕｓｄｉｓｐａｔｃｈｉｎｇ，ａｎｄｉｔｓｃｏｒｒｅｃｔｎｅｓｓａｎｄａｐｐｌｉｃａｂｉｌｉｔｙａｒｅｖｅｒｉｆｉｅｄ．——Ｋｅｙｗｏｒｄｓ：ｕｎｉｔｃｏｍｍｉｔｍｅｎｔ；ｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍ；ｐｌｕｇ－ｉｎｅｌｅｃｔｒｉｃｖｅｈｉｃｌｅ；ｖｅｈｉｃｌｅｔｏ・ｇｒｉｄ；ｓｔａｔｅｏｆ－ｃｈａｒｇｅ巾图分类号：ＴＭ６１９文献标识码：Ａ———文章编号：１６７４３４１５（２０１３）１０００８６０７０引言日益高涨的石油价格使得世界各国更加重视新能源汽车产业，加大对该产业的投入。随着电池技术的不断进步，电动汽车的产业化规模正在加速形成。电动汽车与传统内燃汽车相比，可以有效地降“低一次能源的消耗；与此同时，二氧化碳的零排”放更加符合当今科技发展的方向；而且当大规模—可入网电动汽车（ＰｌｕｇｉｎＥｌｅｃｔｒｉｃＶｅｈｉｃｌｅ，ＰＥＶ）接基金项目：国家电网公司科技项目入电网之后可作为分布式储能元件，与分布式电源配合使用，平抑风能和太阳能等可再生能源不确定的、问歇的发电特性波动，提高电力系统的经济性和安全性¨Ｊ。但大规模的ＰＥＶ接入电网之后，会对电力系统的规划和运营带来新的问题。ＰＥＶ的充电经常会发生在峰荷时段，如果不对ＰＥＶ的充电动作采取控制，会给电网造成不小的冲击，并且加大电网不必要的投资规模ｌ３Ｊ。电动汽车入网（Ｖｅｈｉｃｌｅｔｏ．Ｇｒｉｄ，Ｖ２Ｇ）技术，薛松，等考虑电动汽车入网技术的电力系统机组组合研究．８７．即当电动汽车不使用时，车载电池的电能销售给电网，如果车载电池需要充电，电能则从电网流向车辆。通过Ｖ２Ｇ技术不但不会对峰荷时的电网造成冲击，反而可以通过在峰荷时将自身多余的一部分能“”量出售给电网来到达削峰和通过在谷荷时进行“”充电来达到填谷，使负荷的峰谷波动得到有效的平抑Ｊ。据统计，汽车每天平均有９０％的时间处于闲置状态，这是Ｖ２Ｇ技术应用的重要依据。机组组合是通过设计不同类型不同容量发电机组的启停机规划来达到利益最大化。考虑电动汽车入网的电力系统机组组合是当大规模ＰＥＶ入网时，进行传统机组组合与Ｖ２Ｇ技术的联合运行优化控制，达到利益最大化ｌｏＪ。电动汽车入网的电力系统机组组合问题在国内—外都已经有一些研究成果：文献［６７］提出了考虑运用Ｖ２Ｇ技术的入网ＰＥＶ机组组合模型，并使用粒子群算法进行求解，设定了汽车总量、停车场容量限制和每天总的允许充放电总量的条件，算例计算出了停车场内的电动汽车Ｖ２Ｇ对降低系统发电成本的作用，但没有考虑入网ＰＥＶ充电行为的特性。文献［８］以发电机组的运行成本和ＣＯ２排放量的加权和最小为目标，建立了考虑电动汽车入网后的机组组合模型，并分析了入网ＰＥＶ不同充电模式对机组组合结果的影响。目前研究都没有考虑入网ＰＥＶ离网时候的电荷状态（Ｓｔａｔｅ．ｏｆ－Ｃｈａｒｇｅ，ＳＯＣ）和入网ＰＥＶ数量随时间变化而带来的一系列问题。ＰＥＶ接入电网时的电量不可能为０，这使得充电总量受到限制，放电也不可能到０，过低的ＳＯＣ会影响用户离网之后的使用；而入网ＰＥＶ数量的增减会改变单时段最大充放电能力，并且网内ＰＥＶ的ＳＯＣ均值每个时段都会因有新的汽车入网而降低。本文建立了一种计及ＰＥＶ离网ＳＯＣ和ＰＥＶ数量增减的考虑Ｖ２Ｇ技术的电力系统机组组合优化模型。分析了不同情景下充放电最优控制和机组组合结果，并对比了不同ＰＥＶ充电模式（无控充电模式、持续充电模式、Ｖ２Ｇ优化充电模式）对电力系统机组组合结果的影响。１含ＰＥＶ的机组组合问题的模型１．１目标函数在传统机组组合中，大机组由于其经济性较好，但响应速度较慢，一般用来满足系统的基荷需求，而小机组有着相对较快的响应速度和高成本，一般用来满足系统的不确定波动负荷和峰荷的需求。当“”ＰＥＶ接入电网之后，可以降低系统对小而贵机组的依赖，从而降低机组组合的成本。本文采用与传统机组组合问题相同的目标函数，即机组发电成本最低为目标函数］，如式（１）所示。∑∑ｍｉｎＦ：Ｃｆ（（ｆ））＋ｃｆ（１一Ｉ（ｆ一１）））（１）式中：（（））为第ｆ个发电机组时段的燃料成本函数；ｓＧ（ｔ）为第ｉ个发电机组，时段的启停成本函数；（，）为第ｉ个发电机组时段的出力；Ｉｉ（ｔ）为第个发电机组ｆ时段的状态，运行时为１，否则为０；Ｈ＝２４为总优化时段；Ｊｖ为发电机总数。１）发电机组燃料成本ＦＣｉ（（ｆ））＝ａ４－ｂｉＰｉ（ｔ）＋ｃｉＰｉｉ（）（２）式中，ａ，ｂｅ，ｃ为第ｉ个发电机组的燃料成本系数。２）发电机组启动成本，、“ｌＨｃｏｓｔｉ：＜ｙｏ（ｔ）ＨＯ１Ｃｃ。：）＞（３）ＨＯ＝＋。（４）式中：Ｈｃｏｓｔ￣为第ｆ个发电机组的热启动成本；“Ｃｃｏｓｔｉ为第ｉ个发电机组的冷启动成本；为第”个发电机组的最小允许停机时间；（）为第ｆ个发电机组ｆ时段之前的连续停机时间；Ｔ，。为第ｉ个发电机组的冷启动时间。３）发电机组停机成本本文没有考虑发电机的停机成本。１．２约束条件含ＰＥＶ的机组组合问题需要满足下列约束条件。其中，约束条件１～２在传统机组组合模型中加入了Ｖ２Ｇ充放电功率，约束条件３～５为传统机组组合模型的条件，约束条件６～９为本文新增加的条件。１）负荷平衡≠Ｉｉ（ｔ）Ｐｉ（ｔ）＋Ｐｖ２Ｇ（）＝Ｄ（ｔ）＋（）（５）式中：尸ｖ２Ｇ（）为ｆ时段ＰＥＶ的充放电总量，当ＧＧ）为正时ＰＥＶ整体看是向电网放电，当尸ｖ２Ｇ（，）为负时ＰＥＶ整体看是从电网充电；Ｌ（ｔ）为ｆ时段系统的网损；Ｄ（）为ｆ时段的负荷。２）系统旋转备用容量需求≥１ｉ（ｔ）８（ｒ）＋尸Ｖ２Ｇ）Ｄ）＋Ｒ（）（６）一８８一电力系统保护与控制式中：Ｒ（ｔ）为时段旋转备用容量；（）为第ｉ个发电机组ｆ时段的最大出力。３）发电机组出力上下限约束（）Ｐ／（ｔ）Ｐ／（）（７）式中，”（ｆ）为第个发电机组ｆ时段的最小出力。４）发电机组启停机时间约束如果，（，）为１”（（）一）（１一－４－１））０（８）如果，（，）为０“≥（（）一）Ｉｉ（＋１）０（９）“式中：（ｆ）为第ｉ个发电机组ｆ时段连续运行时间；为第ｉ个发电机组允许的最短运行时问；，”Ｏ（ｆ）为第ｉ个发电机组ｆ时段连续停机时间；第ｉ个发电机组允许的最短停机时间。５）发电机组爬坡速率限制－Ｉ－１）一８（ｔ）Ｕ（１０））一＋１）Ｒｄ（１Ｉ）式中：为第ｆ个发电机组的降出力速度限制；Ｒ为第ｆ个发电机组的增出力速度限制。６）每时段最大充放电限制由于每小时网内ＰＥＶ的数量不相同，因此需要添加每个时段最大充放电限制约束：一≤（ｔ）￣／ｌ（ｔ）Ｐｖ２Ｇ（）１１１（）×（）（１２）式中：（）为时段所有ＰＥＶ的最大充电功率；（）为ｆ时段所有ＰＥＶ的最大放电功率；（ｆ）为ｔ时段网内的ＰＥＶ占总ＰＥＶ的比例。（）和（ｆ）的大小主要由当前充电设施的总量计算得来。７）ＰＥＶ充放电总量约束考虑电池寿命问题，设定一天之内的放电总量为Ｈ∑。（ｆ）（１３）ｔ＝ｌ式中：Ｇ（）为时段ＰＥＶ的放电总量，即ＰＶ２Ｇ（ｆ）中的正数项；ｍ为全天ＰＥＶ的最大放电总量。每日的充电总量与电动汽车的使用需求相关，本文认为日充电总量是一个常数Ｈ∑Ｇ（）＝咖（１４）式中；Ｇ（）为时段ＰＥＶ的充电总量，即尸ｖ。（）中的负数项；为全天ＰＥＶ的充电总量，该值的估算方法由３．５节给出。８）ＳＯＣ约束ＰＥＶ电池中的电量应该遵守ＳＯＣ约束。０．２＜ＳＯＣ（ｔ）１（１５）式中，ＳＯＣ（ｔ）为ｆ时段网内ＰＥＶ电池状态，为了保护电池寿命，本文设定ｓｏｃ（ｔ）在任何时段都不能低于０．２。９）离网ＳＯＣ约束Ｖ２Ｇ技术中，ＰＥＶ接入电网后的离网ＳＯＣ是非常重要的，这将直接影响用户参与Ｖ２Ｇ的积极性，因此在解决综合调度传统发电机组出力和ＰＥＶ充放电数量的基础上，本文考虑加入离网ＳＯＣ约束，使离网ＳＯＣ在尽可能的不影响机组组合成本的情况下越高越好。由于不用用户对不同离网ＳＯＣ的反应是不尽相同的，无法有效的评估出不同离网ＳＯＣ值的价值，因此本文在目标函数中采用罚函数形式处理离网ＳＯＣ约束。ＮＨ—ｍｉｎＦ＝Ｓ，Ｚ［ＦＣ，（ｇ（ｔ））＋ｓｑ０一，ｆ１））］（，）＋ｉ＝１ｔ＝ｌ∑［ｍｉｎ（０，ＳＯＣＥ一Ｏｃ（，））】（１６）ｔ＝ｌ式中：为离网ＳＯＣ的惩罚系数，可以根据用户对离网ＳＯＣ的敏感度来进行调整；册为设定的离网ＳＯＣ期望值；ＳＯＣ（ｔ）为时段网内ＰＥＶ的ＳＯＣ。需要说明的是，在Ｖ２Ｇ模式下，必须要保证所有接入电网的ＰＥＶ在离网时都有足够的ＳＯＣ。而具体网内每辆ＰＥＶ的ＳＯＣ是需要优化程序根据已进站时间、预期离网时问、当前网内ＰＥＶ的ＳＯＣ状态分布等指标结合每一时段Ｖ２Ｇ充放电大小的控制指令进行单独优化的。本文不涉及上述优化过程，仅讨论网内ＰＥＶ的ＳＯＣ的均值。２求解策略本文采用矩阵实数编码遗传算法对该机组组合模型进行求解，以需要安排的发电机组发电计划和充放电计划作为遗传算法中的个体，该算法可以确保算法所求得的解满足除机组启停约束外所有约束条件，具体形式如式（１７）所示。＝…【，，，］：薛松，等考虑电动汽车入网技术的电力系统机组组合研究．８９．Ｐｔ（１）（１）（１）Ⅳ尸（１）２Ｇ（１）．．…（ｆ）（７１）（ｆ）……（２）尸ｖ（ｆ）２Ｇ……（２）２Ｇ（ｆ）式中：Ｇ为遗传种群中的第ｋ个个体；矩阵中的第，个列向量。（）（）（）ＩＧ（）Ｉ（１７）为编码发电机组的运行状态取决于矩阵中元素的具体取值，即根据机组在某时段中的出力大小来确定启停状态，具体表达式为（，）：ＪＪ，（，）＝０其他离子电池的电压曲线十分平稳¨］，在整个放电时间段产生近似稳定的功率，因此假设放电功率和放电电流是线性关系的。至毒＿妲图１ＮｉｓｓａｎＡｌｔｒａ的充电负荷曲线Ｆｉｇ．１ＰｏｗｅｒｄｅｍａｎｄｃｕｒｖｅｏｆＮｉｓｓａｎＡｌｔｒａ（１８）３．３部分ＰＥＶ离网后网内ＳＯＣ的修正方法遗传种群初始化、个体调整方法参考文献［１０］。在个体调整中，需要增加ＰＥＶ单时段充放电量约束、全天充放总电量约束和ＳＯＣ约束的调整。ＳＯＣ约束具体调整方法为：若ｓｏｔ（ｔ）＞１，对，一１充电量重新计算，使其满足ＳＯＣ约束，并且后面时段不允许再充电，直到ＳＯＣ（ｔ）＜１；反之若ｓｏｃ（ｔ）＜０．２，对ｔ一１充电量重新计算，使其满足ＳｏＣ约束，并且后面时段不允许再放电，直到ＳＯＣ（ｔ）＞０．２，其他约束的调整方法类同。在适应度中，利用罚函数来处理发电机组的最小启停时间约束，得到适应度函数为Ｆｉｔｎｅｓｓ（Ｇ）＝Ａ／（Ｆ＋ＸＮｉ）（１９）式中：为正常数；，为机组不满足最小启停时间的惩罚系数；Ｊｖ为违背启停约束的次数。３ＳＯＣ的估算方法３．１充电时ＳＯＣ的估算方法充电时，ＳＯＣ的估算通过对电池的充电负荷曲线进行分段线性化得到。本文对ＮｉｓｓａｎＡｌｔｒａ的充电…负荷曲线分段线性化，如图１所示Ｊ，从图中可以得到ＳＯＣ和充电负荷之间的线性关系，由于本文设定ＳＯＣ不低于２０％，因此只考虑两段，即２０％～９０％段和９０％～１ｏ０％段。３．２放电时ＳＯＣ的估算方法放电时，ＳＯＣ的估算采用传统的Ａｈ计量法ｌｌｚＪ：１—ｓｏｃ（ｔ）＝ＳＯＣ（ｔ１）十／２Ｉ（２０），三式中：ＣＮ为电池的额定容量；Ｊｒ为放电电流；７７为充电机充电效率。由于在较小电流放电情况下，锂任意时段具体哪些ＰＥＶ离网并不确定，本文假设任意时段离网ＰＥＶ的平均ＳＯＣ等于该时段网内ＰＥＶ的平均ＳＯＣ，即ＳＯＣ（ｔ），因此本文对部分ＰＥＶ离网后网内ＳＯＣ不进行修正。３．４部分ＰＥＶ重新入网后网内Ｓ０Ｃ的修正方法本文采用文献［１１】中的上下班汽车交通习惯来修正部分ＰＥＶ重新入网后网内ＳＯＣ。上下班汽车的最大特点就是使用频率固定，并且使用时间固定，因此本文假设离网的ＰＥＶ一小时后重新入网，并且此时的ＳＯＣ比离网时平均下降０．２（因城市大小会有部分差异）。对时段ｔ的ｓｏｔ（ｔ）进行修正ｓｏｃ（ｔ）＝［（（一１）一ｔｏ））×ｓｏｃ（ｔ一１）＋／２ｉ（ｔ）Ｘ（ＳＯＣ（ｔ一１）一０．２）］／ｌｔ（ｔ）（２１））＝／．ｚ（ｔ一１）＋（）一ａｏ（）（２２）式中：（）为ｆ时段重新入网的ＰＥＶ占总ＰＥＶ的比例；ａｏ小（）为时段离网的ＰＥＶ占总ＰＥＶ的比例。／．ｚ（ｔ）、／２ｉ【）、ｎｏ（）由文献【１１］中的交通习惯图得出，如图２所示，（ｆ）参考左边坐标轴，／２ｉ（）、。（）参考右边坐标轴。ｌ２Ｏ１Ｏ０８０６０４０２ＯＯ、啸／／＾／＼／，＼＼．．＼＼／．／＼＼／’。．＿、１３５７９儿ｌ３１５１７ｌ９２ｌ２３ｓＥ三互互图２汽车交通习惯分布图Ｆｉｇ．２ＤｉｓｔｒｉｂｕｔｉｏｎｏｆｃｏｍｍｕｔｉｎｇｔｒｉｐｓｆｏｒｃａｒｓＩ昌∞如０电力系统保护与控制３．５充电总量的估算方法由于ＰＥＶ入网后的充放电量是需要连续控制的，因此我们可以设定末段ＳＯＣ等于初始ＳＯＣ，即ＳＯＣ（２４）＝ｓｏｃ（ｏ）（２３）将（２２）式代入（２１）式变形得）＝ＳＯＣ１）－（２４将上式２４小时叠加得到ＳＯ㈣＝ＳＯ孵善这就是没有充电情况下的ＳＯＣ值，为了满足式（２３），需要提高的ＳＯＣ值即式（２５）中的第二项，根据３．１节中充电时ＳＯＣ的估算方法可以得到净充电需求总量，则总充电需求量就等于毗＝毗＋（２６）４计算结果及分析４．１算例模型本文以１０机系统为例来验证上述模型的可行性和有效性，１０机系统的数据参照文献［１４１。本文设定系统旋转备用容量需求Ｒ（ｆ）为１０％系统容量，假设系统中入网ＰＥＶ的每个时段充电量不大于１００ＭＷ，５小时充满，每个时段放电量不大于８０ＭＷ，２４ｈ总放电容量不大于５００ＭＷ，＝１００００，＝１０００００。采用轮盘赌的形式进行个体选择，局部锦标赛法形成新一代染色体，种群数量为２００，交叉率为０．９，变异率为０．０５，迭代次数为２０００次。４．２不同情景下计算结果比较由于不同初始ＳＯＣ、ＳＯＣ．以及是否考虑ＰＥＶ离网和重新入网对优化结果都有影响，本文通过以下四种情形进行对比：图３～图５给出了情景２、３、４对比情景１的各时段充放电量和ＳＯＣ的变化情况。表２给出了各情景优化后机组成本和２４ｈ的充放电总量。图６给出了情景１优化后各机组２４小时出力。若不考虑ＰＥＶ入网离网的影响，从图３可以看出，情景２下网内ＳＯＣ状态会有一定的改善。该情景下优化后机组成本为５５５８８７美元，比情景１中的５５６８８４美元要低。然而，该情景下净充电需求总量为０，即充放电总量相等，情景２实际上将ＰＥＶ等同于普通储能元件。也可以看出，如果不考虑ＰＥＶ离网和重新入网的影响会导致机组组合成本偏低，跟实际情况不符。表１不同情景的参数设定Ｔａｂｌｅ１Ｃｏｎｆｉｇｕｒａｔｉｏｎｏｆｐａｒａｍｅｔｅｒｓｕｎｄｅｒｄｉｆｆｅｒｅｎｔｓｃｅｎａｒｉｏｓ表２不同情景优化后机组最优成本的比较Ｔａｂｌｅ２Ｃｏｍｐａｒｉｓｏｎｓａｍｏｎｇｕｎｉｔｃｏｍｍｉｔｍｅｎｔｕｎｄｅｒｔｈｅｏｐｔｉｍａｌａｐｐｒｏｘｉｍａｔｉｏｎｓｏｌｕｔｉｏｎｗｉｔｈｄｉｆｆｅｒｅｎｔｓｃｅｎａｒｉｏｓ情景情景１情景２情景３情景４机组成本／美元５５６８８４５５５８８７５５８６８５５５８７０５２４ｈ充电总量／ＭＷ６１０５００６１０６１０２４ｈ放电总量／ＭＷ５００５００５００５００１００８Ｏ６０４０２００～２０—４０～６Ｏ～８ＯｌＯＯｌ２Ｏ■…●ＩＩ１ＩＩ．Ｉ１。ｔ／ｈ｛ＩＩＩＩＩＩ情景１充放电负荷匕＝］情景２充放电负荷Ｉｌ——情景ｌＳＯＣ一．情景２ＳＯＣＩｌ２Ｏｌ００８Ｏ６０４０２ＯＯ图３情景１、２优化后各时段ＰＥＶ的充放电量Ｆｉｇ．３ＭａｇｎｉｔｕｄｅｏｆｃｈａｒｇｉｎｇａｎｄｄｉｓｃｈａｒｇｉｎｇＰＨＥＶｓｕｎｄｅｒｔｈｅｏｐｔｉｍａｌａｐｐｒｏｘｉｍａｔｉｏｎｓｏｌｕｔｉｏｎｗｉｔｈＳｃｅｎａｒｉｏ１ａｎｄＳｃｅｎａｒｉｏ２ｌＯＯ８Ｏ６０４０２ＯＯ２０４０６０—８Ｏ１００１２０：Ｉ１ｌＪ１：Ｉｔ／ｈ■■ｌ情景１充放电负荷口情景３充放电负荷ｌｌ一情景１ＳＯＣ一一情景３ＳＯＣＪｌ２０ｌ００８０６０４０２００图４情景１、３优化后各时段ＰＥＶ的充放电量Ｆｉｇ．４ＭａｇｎｉｔｕｄｅｏｆｃｈａｒｇｉｎｇａｎｄｄｉｓｃｈａｒｇｉｎｇＰＨＥＶｓｕｎｄｅｒｔｈｅｏｐｔｉｍａｌａｐｐｒｏｘｉｍａｔｉｏｎｓｏｌｕｔｉｏｎｗｉｔｈＳｃｅｎａｒｉｏ１ａｎｄＳｃｅｎａｒｉｏ３帅一Ｉ１ｎ。ｔ／ｈｌ竺噩堂：！呈鐾签翌！！Ｉ图５情景１、４优化后各时段ＰＥＶ的充放电量Ｆｉｇ．５ＭａｇｎｉｔｕｄｅｏｆｃｈａｒｇｉｎｇａｎｄｄｉｓｃｈａｒｇｉｎｇＰＨＥＶｓｕｎｄｅｒｔｈｅｏｐｔｉｍａｌａｐｐｒｏｘｉｍａｔｉｏｎｓｏｌｕｔｉｏｎｗｉｔｈＳｃｅｎａｒｉｏ１ａｎｄＳｃｅｎａｒｉｏ４薛松，等考虑电动汽车入网技术的电力系统机组组合研究—．９１１２３４５６７８９１０机组号图６情景１优化后各机组２４ｈ出力Ｆｉｇ．６Ｐｏｗｅｒｏｕｔｐｕｔｓｏｆｇｅｎｅｒａｔｏｒｓｉｎｔｈｅ２４ｈｏｕｒｓｕｎｄｅｒｔｈｅｏｐｔｉｍａｌａｐｐｒｏｘｉｍａｔｉｏｎｓｏｌｕｔｉｏｎｗｉｔｈＳｃｅｎａｒｉｏ１情景３中上调ＳＯＣ．之后，从图４中明显看到ＳＯＣ值在各时段都有所提高，但是其各时段放电量有所改变，在机组成本较高的几个时段减小了放电量。情景３下优化后机组成本为５５８６８５美元，比情景１中的５５６８８４美元要高。可以得出ＳＯＣ越大，机组组合成本越高。情景４中降低初始ＳＯＣ之后，从图５中可以看出，将原本２３～２４时段的充电动作换到３￣４时段进行，但２３～２４时段负荷低于３～４时段，因此可以预见情景４优化后机组成本应比情景１中要高一些。该情景下优化后机组成本为５５８７０５美元，比情景１中的５５６８８４美元要高。可以发现０点时候过低的ＳＯＣ不利于整天的充放电控制。４．３不同充放电模式的计算结果比较——引入三种ＰＥＶ充电模式无控充电Ｊ、延迟充电Ｌ８Ｊ和持续充电，如图７所示，其中持续充电模式为ＰＥＶ离网后１小时之内重新入网，即３．４节所讨论的情况。计算中，本文将这三种ＰＥＶ充电模式的一天总充电量与情景１中净充电量设为一致，即１１０ＭＷ，不对电池进行放电操作，与情景１的充电方式进行对比。３Ｏ２５§２０蓑－ｓ１０慑５０、｜＼。．岳～ｌ／／／．、＼一－．．、．．’＿．・．１３５７９ｌ１１３１５１７１９２１２３ｔ／ｈ一…延迟充电一无控充电－持续充电图７无控、延迟、持续充电模式下的ＰＥｖ负荷曲线Ｆｉｇ．７ＰＥＶｃｈａｒｇｉｎｇｌｏａｄｐｒｏｆｉｌｅｉｎｔｈｅｕｎｃｏｎｔｒｏｌｌｅｄ，ｄｅｌａｙｅｄａｎｄｃｏｎｔｉｎｕｏｕｓｃｈａｒｇｉｎｇｍｏｄｅ表３给出了不同充电模式和情景１的机组优化后成本。表中可以看出，本文的方法在净充电需求相同的情况下，有更低的机组成本，而对比持续充电模式，本文的方法每天可以节约将近一万三千美元，其原因就是本文的方法在峰荷时候对ＰＥＶ电池进行放电操作，而在谷荷时补回这一部分电能，大大节省了机组发电成本。此外，随着ＰＥＶ更大规模“”的接入电网，其削峰填谷的能力将更加有效，对机组最优成本的降低将会更加明显。表３不同ＰＥＶ充电模式优化后成本的比较Ｔａｂｌｅ３ＣｏｍｐａｒｉｓｏｎｓａｍｏｎｇｕｎｉｔｃｏｍｍｉｔｍｅｎｔｕｎｄｅｒｄｉｆｆｅｒｅｎｔＰＥＶｃｈａｒｇｉｎｇｍｏｄｅｌ５结语本文给出了一种新颖的考虑Ｖ２Ｇ技术的电力系统机组组合问题的数学模型，运用遗传算法对该模型进行了优化，结果表明了该模型的有效性和可行性，并通过对比不同情景下充放电的控制和机组最优成本，验证了该模型的正确性。本文还通过比较另外３种不考虑放电情况下的不同充电模式下的优化结果，指出本文的优化算法在净总充放电量相同的情况下，机组成本有了较大的下降。需要指出的是，由于本文讨论的是固定范围内所有ＰＥＶ都接入电网之后Ｖ２Ｇ技术的应用，因此充电桩的数量要能满足范围内ＰＥＶ的数量，确保每一辆ＰＥＶ都能随时接入电网。此外本文没有考虑用户参与的配合度问题，在今后的研究中可以考虑增加充放电电价机制来更好地解决这一问题ＩＪ引。参考文献ｌ１ＪＤｉｃｋｅｒｍａｎＬ，ＨａｒｒｉｓｏｎＪ．Ａｎｅｗｃａｒ，ａｎｅｗｇｒｉｄ［Ｊ］．ＩＥＥＥ—ＹｒａｎｓｏｎＰｏｗｅｒａｎｄＥｎｅｒｇｙＭａｇａｚｉｎｅ，２０１０，８（２）：５５６１．［２］赵俊华，文福拴，薛禹胜，等．计及电动汽车和风电出力不确定性的随机经济调度［Ｊ】．电力系统自动化，２０１０，３４（２０）：２２－２９．．———ＺＨＡＯＪｕｎｈｕａ，ＷＥＮＦｕｓｈｕａｎ，ＸＵＥＹｕｓｈｅｎｇ，ｅｔａ１．Ｐｏｗｅｒｓｙｓｔｅｍｓｔｏｃｈａｓｔｉｃｅｃｏｎｏｍｉｃｄｉｓｐａｔｃｈｃｏｎｓｉｄｅｒｉｎｇｕｎｃｅｒｔａｉｎｏｕｔｐｕｔｓｆｒｏｍｐｌｕｇ－ｉｎｅｌｅｃｔｒｉｃｖｅｈｉｃｌｅｓａｎｄｗｉｎｄｇｅｎｅｒａｔｏｒｓ［Ｊ］．ＡｕｔｏｍａｔｉｏｎｏｆＥｌｅｃｔｒｉｃＰｏｗｅｒＳｙｓｔｅｍｓ，—２０１０，３４（２０）：２２２９．［３］高赐威，张亮．电动汽车充电对电网影响的综述［Ｊ】．电网技术，２０１１，３５（２１：１２７．１３１．ＧＡＯＣｉ－ｗｅｉ，ＺＨＡＮＧＬｉａｎｇ．Ａｓｕｒｖｅｙｏｆｉｎｆｌｕｅｎｃｅｏｆｅｌｅｃｔｒｉｃｓｖｅｈｉｃｌｅｃｈａｒｇｉｎｇｏｎｐｏｗｅｒｇｒｉｄ［Ｊ］．ＰｏｗｅｒＳｙｓｔｅｍＴｅｃｈｎｏｌｏｇｙ，２０１１，３５（２）：１２７－１３１．一９２一电力系统保护与控制［４］胡泽春，宋永华，徐智威，等．电动汽车接入电网的影响与利用【Ｊ１．中国电机工程学报，２０１２，３２（４）：１－１０．——ＨＵＺｅ－ｃｈｕｎ，ＳＯＮＧＹｏｎｇｈｕａ，ＸＵＺｈｉｗｅｉ，ｅｔａ１．Ｉｍｐａｃｔｓａｎｄｕｔｉｌｉｚａｔｉｏｎｏｆｅｌｅｃｔｒｉｃｖｅｈｉｃｌｅｓｉｎｔｅｇｒａｔｉｏｎｉｎｔｏｐｏｗｅｒｓｙｓｔｅｍｓ［Ｊ］．ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＣＳＥＥ，２０１２，—３２（４）：１１０．［５］李瑞生，王晓雷，周逢权，等．灵巧潮流控制的电动汽车智能化充电站［Ｊ］．电力系统保护与控制，２０１０，—３８（２１）：８７９０．—ＬＩＲｕｉｓｈｅｎｇ，ＷＡＮＧＸｉａｏ－ｌｅｉ，ＺＨＯＵＦｅｎｇ－ｑｕａｎ，ｅｔａ１．Ｔｈｅｓｙｓｔｅｍｏｆｅｌｅｃｔｒｉｃｖｅｈｉｃｌｅｉｎｔｅｌｌｉｇｅｎｃｅｃｈａｒｇｅｓｔａｔｉｏｎｗｉｔｈｓｍａｒｔｐｏｗｅｒｆｌｏｗｃｏｎｔｒｏｌ［Ｊ］．ＰｏｗｅｒＳｙｓｔｅｍ—ＰｒｏｔｅｃｔｉｏｎａｎｄＣｏｎｔｒｏｌ，２０１０，３８（２１）：８７９０．［６］ＳａｂｅｒＡＹ．ＶｅｎａｙａｇａｍｏｏｒｔｈｙＧＫ．Ｏｐｔｉｍｉｚａｔｉｏｎｏｆｖｅｈｉｃｌｅ－ｔｏ－ｇｒｉｄｓｃｈｅｄｕｌｉｎｇｉｎｃｏｎｓｔｒａｉｎｅｄｐａｒｋｉｎｇｌｏｔｓ［Ｃ］／／ＩＥＥＥＰｏｗｅｒ＆ＥｎｇｉｎｅｅｒｉｎｇＳｏｃｉｅｔｙＧｅｎｅｒａｌＭｅｅｔｉｎｇ．Ｃａｌｇａｒｙ：２００９：１－８．１７ＪＳａｂｅｒＡＹＶｅｎａｙａｇａｍｏｏｒｔｈｙＧＫ．Ｕｎｉｔｃｏｍｍｉｔｍｅｎｔ—ｗｉｔｈｖｅｈｉｃｌｅｔｏ－ｇｒｉｄｕｓｉｎｇａｒｔｉｃｌｅｓｗａｒｍｏｐｔｉｍｉｚａｔｉｏｎ［Ｃ】／／ＩＥＥＥＰｏｗｅｒＴｅｃｈｎｏｌｏｇｙ，Ｂｕｃｈａｒｅｓｔ，Ｒｏｍａｎｉａ：２００９：—１８．［８］陆凌蓉，文福拴，薛禹胜，等．计及可入网电动汽车的电力系统机组最优组合［ＪＪ．电力系统自动化，２０１１，３５（２１）：１６－２０．—ＬＵＬｉｎｇ－ｒｏｎｇ，ＷＥＮＦｕｓｈｕａｎ，ＸＵＥＹｕ－ｓｈｅｎｇ，ｅｔａ１．—Ｕｎｉｔｃｏｍｍｉｔｍｅｎｔｉｎｐｏｗｅｒｓｙｓｔｅｍｓｗｉｔｈｐｌｕｇｉｎｅｌｅｃｔｒｉｃｖｅｈｉｃｌｅｓ［Ｊ］．ＡｕｔｏｍａｔｉｏｎｏｆＥｌｅｃｔｒｉｃＰｏｗｅｒＳｙｓｔｅｍｓ，２０１１，３５（２１）：１６－２０．［９］张炯，刘天琪，苏鹏，等．基于遗传粒子群混合算法的机组组合优化［Ｊ］．电力系统保护与控制，２００９，３７（９）：２５．２９．—ＺＨＡＮＧＪｉｏｎｇ，ＬＩＵＴｉａｎｑｉ，ＳＵＰｅｎｇ，ｅｔａ１．Ｕｎｉｔｃｏｍｍｉｔｍｅｎｔｏｐｔｉｍｉｚａｔｉｏｎｂａｓｅｄｏｎｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍａｎｄｐａｒｔｉｃｌｅｓｗａｒｍｏｐｔｉｍｉｚａｔｉｏｎｈｙｂｒｉｄａｌｇｏｒｉｔｈｍ［Ｊ］．Ｐｏｗｅｒ—ＳｙｓｔｅｍＰｒｏｔｅｃｔｉｏｎａｎｄＣｏｎｔｒｏｌ，２００９，３７（９）：２５２９．［１０］孙力勇，张焰，蒋传文．基于矩阵实数编码遗传算法求解大规模机组组合问题［Ｊ］．中国电机工程学报，—２００６，２６（２）：８２８７．——ＳＵＮＬｉｙｏｎｇ，ＺＨＡＮＧＹａｎ，ＪＩＡＮＧＣｈｕａｎｗｅｎ．Ａｓｏｌｕｔｉｏｎｔｏｔｈｅｕｎｉｔｃｏｍｍｉｔｍｅｎｔｐｒｏｂｌｅｍｂａｓｅｄｏｎｍａｔｒｉｘ—ｒｅａｌｃｏｄｅｄｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍ［Ｊ］．ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＣＳＥＥ，—２００６，２６（２）：８２８７．—１ｌｌＪＱＩＡＮＫｅ￣ｕｎ，ＺＨＯＵＣｈｅｎｇｋｅ，ＭａｌｃｏｌｍＡｌｌａｎ，ｅｔａ１．ＭｏｄｅｌｉｎｇｏｆｌｏａｄｄｅｍａｎｄｄｕｅｔｏＥＶｂａｔｔｅｒｙｃｈａｒｇｉｎｇｉｎｄｉｓｔｒｉｂｕｔｉｏｎｓｙｓｔｅｍｓ［Ｊ］．ＩＥＥＥＴｒａｎｓｏｎＰｏｗｅｒＳｙｓｔｅｍｓ，—２０１１，２６（２）：８０２８１０．［１２］林成涛，王军平，陈全世．电动汽车ＳＯＣ估计方法原—理与应用［Ｊ］．电池，２００４，３４（５）：３７６３７８．——ＬＩＮＣｈｅｎｇｔａｏ，ＷＡＮＧＪｕｎｐｉｎｇ，ＣＨＥＮＱｕａｎ－ｓｈｉ．ＭｅｔｈｏｄｓｆｏｒｓｔａｔｅｏｆｃｈａｒｇｅｅｓｔｉｍａｔｉｏｎｏｆＥＶｂａｔｔｅｒｉｅｓａｎｄｔｈｅｉｒａｐｐｌｉｃａｔｉｏｎ［Ｊ］．ＢａｔｔｅｒｙＢｉｍｏｎｔｈｌｙ，２００４，３４（５）：—３７６３７８．［１３］李婷，祖静，李新娥，等．基于ＭＳＰ４３０的智能锂电池—放电特性测试仪［Ｊ］．微计算机信息，２００８，２４（６１）：１３９．１４０．Ｌ１Ｔｉｎｇ，ＺＵＪｉｎｇ，ＬＩＸｉｎ－ｅ，ｅｔａ１．ＡｄｅｓｉｇｎｏｆｔｈｅｉｎｔｅｌｌｉｇｅｎｔｂａｔｔｅｒｙｄｉｓｃｈａｒｇｅｃｈａｒａｃｔｅｒｉｓｔｉｃｔｅｓｔｉｎｇｉｎｓｔｒｕｍｅｎｔｂａｓｅｄｏｎＭＳＰ４３０［Ｊ］．Ｍｉｃｒｏｃｏｍｐｕｔｅｒ—Ｉｎｆｏｒｍａｔｉｏｎ，２００８，２４（６－１）：１３９１４０．１Ｉ４］ＪｕｓｔｅＫＡ，ＫｉｔａＨ，ＴａｎａｋａＥ，ｅｔａ１．Ａｎｅｖｏｌｕｔｉｏｎａｒｙｐｒｏｇｒａｍｍｉｎｇｔｏｔｈｅｕｎｉｔｃｏｍｍｉｔｍｅｎｔｐｒｏｂｌｅｍ［Ｊ］．ＩＥＥＥ—ＴｒａｎｓｏｎＰｏｗｅｒＳｙｓｔｅｍｓ，１９９９，ｌ４（４）：１４５２１４５９．［１５］葛少云，黄锣，刘洪．电动汽车有序充电的峰谷电价时段优化【Ｊ１．电力系统保护与控制，２０１２，４０（１０）：１－５．—ＧＥＳｈａｏｙｕｎ，ＨＵＡＮＧＬｉｕ，ＬＩＵＨｏｎｇ．Ｏｐｔｉｍｉｚａｔｉｏｎｏｆｐｅａｋ－－ｖａｌｌｅｙＴＯＵｐｏｗｅｒｐｒｉｃｅｔｉｍｅ－－ｐｅｒｉｏｄｉｎｏｒｄｅｒｅｄｃｈａｒｇｉｎｇｍｏｄｅｏｆｅｌｅｃｔｒｉｃｖｅｈｉｃｌｅ［Ｊ］．ＰｏｗｅｒＳｙｓｔｅｍ—ＰｒｏｔｅｃｔｉｏｎａｎｄＣｏｎｔｒｏｌ，２０１２，４０（１Ｏ）：１５．收稿日期：２０１２－０７－１２；—修回日期：２０１２－０８２７作者简介：薛松（１９８７一），男，硕士研究生，主要研究方向为电动汽车入网技术；Ｅ．ｍａｉｌ：ｘｕｅｓｏｎｇｓｙ＠ｙａｈｏｏ．ｃｏｒｎ．Ｃｒｌ袁越（１９６６一），男，博士，教授，博士生导师，主要研究方向为可再生能源发电技术、分布式发电与供电技术、微型电网、智能电网等；傅质馨（１９８３－），女，博士，主要研究方向为智能电网、可再生能源发电技术。