考虑车网互动的园区电网动态双层能量管理策略

doi:10.16183/j.cnki.jsjtu.2022.524

考虑车网互动的园区电网动态双层能量管理策略

邱革非, 冯泽华, 沈赋^,, 何超, 何虹辉, 刘铠铭

昆明理工大学电力工程学院,昆明 650500

Dynamic Double-Layer Energy Management Strategy for Park Power Grid Considering Vehicle-to-Grid

QIU Gefei, FENG Zehua, SHEN Fu^,, HE Chao, HE Honghui, LIU Kaiming

College of Electric Power Engineering, Kunming University of Science and Technology, Kunming 650500, China

通讯作者: 沈赋,博士,副教授;E-mail:shenfu@kust.edu.cn.

责任编辑: 王历历

收稿日期: 2022-12-16 修回日期: 2023-02-12 接受日期: 2023-04-17

基金资助:

国家自然科学基金资助项目(52107097)
云南省兴滇英才支持计划项目(KKRD202204021)
昆明理工大学高层次人才平台建设项目(KKZ7202004004)
云南省应用基础研究计划资助项目(202101BE070001-061)
云南省应用基础研究计划资助项目(202201AU070111)

Received: 2022-12-16 Revised: 2023-02-12 Accepted: 2023-04-17

作者简介 About authors

邱革非(1969-),副教授,从事电力系统稳定与控制研究.

摘要

为解决大量接入的清洁能源出力波动和充电场内汽车数量的随机变化给电网能量管理带来的困难,提出一种园区电网双层优化控制策略.上层基于模型预测控制技术建立风光储集成动态优化模型,综合应用园区电池储能系统和电动汽车(EV)电池储能系统参与电网能量平衡.下层则考虑同时满足EV车主对EV的充电需求和上层能量调度的车网互动管理需求,制定园区电网内停车场的EV有序充放电策略.仿真算例验证表明:所提策略能将分散园区各处的EV储能集成为统一虚拟储能,扩展园区电网储能系统,增加可再生分布式电源的消纳与园区电网的经济效益.

关键词： 园区电网; 电动汽车入网; 电动汽车虚拟储能; 模型预测控制; 混合储能系统

Abstract

This paper proposes a two-layer optimal control strategy for the park power grid, aiming at addressing the energy management challenges arising from the fluctuations in the output of clean energy sources and the random changes in the number of electric vehicles (EV) at the charging station. The upper layer establishes a dynamic optimization model of landscape storage based on the model predictive control technology, which comprehensively incorporates both the battery energy storage system of the park and the battery energy storage system of EVs, enabling them to participate in balancing the energy demand of the power grid, while the lower layer considers meeting the charging demand of EV owners and the vehicle-to-grid management demand of upper layer for energy dispatching simultaneously, and formulates an orderly charging and discharging strategy for EVs in the parking lot of the power grid. The simulation results show that the proposed strategy effectively can integrate scattered EV storage in the park into a unified virtual energy storage system, expand the energy storage capacity of the grid, and increase the consumption of renewable distributed generation supply, ultimately improving economic benefits for the park grid.

Keywords： park power grid; electric vehicle (EV) grid connection; electric vehicle virtual energy storage; model predictive control; hybrid energy storage system

PDF (2317KB) 元数据多维度评价相关文章导出 EndNote| Ris| Bibtex 收藏本文

本文引用格式

邱革非, 冯泽华, 沈赋, 何超, 何虹辉, 刘铠铭. 考虑车网互动的园区电网动态双层能量管理策略[J]. 上海交通大学学报, 2024, 58(6): 916-925 doi:10.16183/j.cnki.jsjtu.2022.524

QIU Gefei, FENG Zehua, SHEN Fu, HE Chao, HE Honghui, LIU Kaiming. Dynamic Double-Layer Energy Management Strategy for Park Power Grid Considering Vehicle-to-Grid[J]. Journal of Shanghai Jiaotong University, 2024, 58(6): 916-925 doi:10.16183/j.cnki.jsjtu.2022.524

当前,我国为实现“双碳”目标,推动能源转型和绿色发展,电动汽车(Electric Vehicle,EV)和可再生分布式电源(Renewable Distributed Generation,RDG)发展迅速^[1-2].以光伏系统为代表的RDG系统在工商业园区得到大量应用,但RDG供电间歇性与波动性较大,将导致园区电网的实际出力与调度计划之间出现较大偏差,给园区电网的安全运行带来巨大隐患^[3-4].此外,园区电网如果包含大量电动汽车负荷,电动汽车数量的自由波动将加剧这一不利状况.上述RDG功率波动以及电动汽车大量接入是园区电网能量管理的两大不确定因素,因此,针对两者制定合理的能量管理策略是园区电网源荷平衡的保障.

目前,针对RDG参与下的能量管理控制策略已有大量研究.文献[5]中提出采用改进的两阶段扰动观察法进行全局最大功率的跟踪,但仅考虑到系统跟踪性能,并未考虑到储能的频繁动作带来电池寿命减少的问题;文献[6]中提出一种多目标输电网双层规划模型,降低可再生能源弃用率;文献[7]中提出一种利用复合储能提高跟踪风电场发电计划能力的优化控制模型.文献[5 ⇓-7]中所提出的优化控制模型都是采用日前风光设备出力数据,并未考虑日内风光设备的出力波动对调度指令拟合的影响.

近年来,模型预测控制(Model Predictive Control, MPC)在风光渗入电网的跟踪调度研究中得到诸多应用.与基于日前风光出力数据进行能量调度的传统策略不同,MPC可根据日内风光出力实时数据进行超短期预测并滚动优化调度策略^[8-9],降低因RDG短期功率变化对园区电网调度准确性的影响,并能通过预测控制,基于当前时刻下的系统状态计算园区电网调度策略,提高对园区负荷曲线的跟踪效果.文献[10]中提出一种模糊MPC的储能系统跟踪光伏发电计划控制策略,调节目标函数中的权重系数来获得最佳跟踪效果.文献[11]中提出一种基于MPC的日内滚动优化校正策略,调整储能装置的运行功率以抵消RDG的出力波动.文献[12]中提出一种基于MPC的双层日内滚动优化模型,通过调节超级电容与电池储能的实时功率,降低RDG与负荷的波动对跟踪调度计划的影响.上述研究均采用MPC技术用于平抑电源端出力波动的问题,但较少有研究考虑负荷端波动的问题.

电动汽车电池额定容量通常远远大于车主日常所需的里程需求,当接入电网后具有典型的负荷和电源双重属性^[13-14].通过建立电动汽车虚拟储能系统(EV Virtual Energy Storage System, EV-VESS)^[15]与储能系统(Energy Storage System, ESS)进行容量及功率配合,组成电动汽车-储能电池的混合储能系统(EV-ESS Hybrid Energy Storage System, HESS)^[16],制定合理的HESS充放电规则,可充分利用电动汽车的储能特性,并能将电动汽车储能引入园区储能中进行联合优化调度,在调度周期内给出电动汽车调度决策,减少大量接入园区电网的电动汽车因其本身功率波动和容量变化造成的不稳定性,还能在RDG功率与园区负荷之间进行有效协调,提高RDG的可控性,改善因RDG的出力波动造成的跟踪调度计划的偏差, 并提高园区电网运行的经济性.文献[17]中建立EV-VESS并与超级电容器结合,提出一种基于多目标优化跟踪计划输出场景下HESS优化调度方法,实现电动汽车与超级电容器之间的能量分配,减少园区电网源荷间的功率偏差.文献[18]中针对光伏发电与电动汽车有效协调建立一种新型能源管理系统,该系统能使电动汽车储能、光伏发电与园区负荷同步变化,对电动汽车采用优先级智能控制策略,提高微电网的稳定性和经济效益.显然,利用电动汽车电池参与电网能量管理(Vehicle-to-Grid, V2G),可以平抑园区电网负荷波动,提升可再生能源消纳,有效提升电网运行的稳定性及经济性^[19-20].但通常情况下,园区电网车辆数量是灵活变化的,因而考虑园区电网参与V2G的电动汽车数量和对象时也应该允许其自由变化.这就为制定既能满足车主充电要求,又有效利用电动汽车电池参与V2G的充电场充放电策略带来很大困难.

综上,电动汽车的大量接入给含有RDG园区电网增添了不确定性因素,而制定合理能量管理策略是消除这种不确定性的关键.双层优化控制策略可以将调度中计算和执行进行分工,计算速度快、调度效率高、响应速度快,保证所需数据的时效性,能在时间范畴中减少因可再生分布式电源的功率波动和电动汽车的大量接入的带来不确定性.为此,针对含有大量电动汽车及RDG接入的园区电网提出一种双层优化控制策略,在提高园区电网跟踪执行调度计划能力的同时,更好地解决园区电网内部电动汽车的有序充放电和RDG、电动汽车、ESS三者配合调度问题.在上层调度中,基于日内RDG以及HESS的短时功率预测数据,应用MPC技术滚动更新15 min调度策略,给出包括储能系统在内的电网功率调度指令.下层调度以HESS为核心,接受调度指令后结合储能电池及电动汽车电池荷电状态(State of Charge, SOC)实际状态、电动车主意愿要求等控制因素,指定具体充放电策略并将结果返回上层完成滚动优化模型的更新.最后,利用算例仿真验证了所提优化策略的可行性、有效性和经济性.

1 园区电网动态双层能量控制策略

以工商业园区电网为研究背景,其主要设备包括RDG、由园区ESS以及停靠在园区多个充电场中可执行放电任务的电动汽车电池构成的园区HESS以及园区负荷.园区电网首先在内部进行功率平衡,当仅利用内部资源无法实现功率平衡时则通过向外部电网购电实现平衡.由于电动汽车个体间差异较大,各设备功率与容量均不相同,且电网内停留电动汽车的数量不停变化,园区电网难以有计划地利用电动汽车参与V2G并实现对电动汽车的有效管控.较优的解决方法是采用如图1所示的分层架构,建立动态分层调度优化模型统一管控^[21-22].

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1 园区电网结构

Fig.1 Structure of park power grid

MPC是一种在有限时域内进行闭环优化的控制策略,利用当前时刻的测量值以及预测模型,设定目标函数进行优化控制,求解得到有限时域内的最优控制方案,但只适用于当前时刻,在下一时刻继续重复优化过程^[23-24].具体优化原理如图2所示,在k时刻根据采集到的实时数据,利用预测模型对未来时域进行数据预测,得到预测时域内的系统输出以及控制时域内的控制命令,并只将下一个时域的控制命令发给受控对象,其余时域内的系统输出用于更新系统的参考轨迹,并不断重复此优化过程.图中:m为控制时域的总数.

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2 MPC优化原理

Fig.2 Optimization principle of MPC

所提双层优化控制策略如图3所示,上、下层功能分别对应园区电网结构跟踪调度层与设备运行层.考虑到天气预报的不确定性和停车场停入车辆数量的不断变化,应用MPC技术,上层首先根据实时HESS数据以及天气短时预测数据滚动计算,得到预测时域内的预调度策略作为日前调度计划与控制时域内的调度指令,并将调度指令下发下层HESS系统;下层HESS系统接到调度指令后,考虑当前设备状态及电动汽车用户要求,形成合理的V2G充放电策略,配合电网储能电池满足调度指令并将实际执行调度结果返回上层,预测模型在下一时刻滚动优化更新日前调度计划以及调度指令.

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3 双层优化策略

Fig.3 Strategy for double-layer optimization

2 电动汽车充放电有序管理策略

在园区电网中,对电动汽车进行有序管理是电动汽车能够参与园区电网跟踪调度计划的先决条件.首先,必须优先满足电动汽车车主的充电要求,其次才考虑利用电动汽车参与充放电的V2G策略安排.因此,考虑电动汽车进场SOC、离场SOC要求、电动汽车电池的充放电功率与效率,电池容量等特征,建立基于最大充电时延指标的动态电动汽车充放电优先级队列,对电动汽车充放电进行有序管理,然后以此为基础,根据上层调度指令在HESS内部安排电动汽车电池和电网储能电池的充放电任务指标,并将该指标反馈上层电网.园区电网得到HESS反馈后经MPC预测模型计算,在预测时域内得到更新后的调度计划.

2.1 电动汽车的最大充电时延指标

定义接入园区电网的电动汽车个体EV_i必要充电时间为

(1)

\begin{matrix} T_{i} = \frac{S_{o u t, i} - S_{i, t}}{η_{c h, i} P_{c h, i}} E_{i} \end{matrix}

式中: S_out_,i为离网SOC;S_i_,_t为EV_i在t时刻的SOC状态;η_ch_,i为额定充电效率;P_ch_,i为EV_i额定充电功率;E_i为电池容量.根据EV_i必要充电时间、EV_i个体入网时间t_in_,i与车主所期望的离网时间t_out_,i便可得到每辆EV_i个体在t时刻的最大充电时延为

(2)

T_{d m a x, i} = t_{o u t, i} - t - T_{i}, t \in [t_{i n, i}, t_{o u t, i}]

最大充电时延T_dmax_,i表示EV_i个体达到用户离场电池需求SOC指标前可充电时间的宽裕程度.T_dmax_,i越大的EV_i相较于其他电动汽车充电时间更宽裕,当T_dmax_,i>0时,表示EV_i的充电时间为宽裕状态,可进行放电任务,在执行放电任务应优先选择这样的电动汽车;反之,T_dmax_{, i}越小的EV_i相较于其他电动汽车的可充电时间更少,在执行电动汽车放电任务的优先级排序中更靠后;当T_dmax_,i≤0时,表示EV_i需要立即充电,没有执行放电任务的能力,且T_dmax_{, i}越小的EV_i充电需求越迫切,具备更高充电优先级.

2.2 电动汽车充放电优先级队列的构建

当电动汽车在t时刻接入园区电网时,便可根据上述的最大充电时延指标,建立t时刻的电动汽车充放电优先级队列,具体步骤如下:

(1) 建立充放电优先级队列.计算t时刻接入园区电网所有电动汽车的T_dmax_,i,按照T_dmax_,i的正负、大小生成充电优先级升序队列N_ch_,t以及放电优先级降序队列N_dis_,t.

(2) 修正充放电优先级队列.为避免频繁调度部分电动汽车,采用荷电均一指标,对有相同 $T_{d m a x, i}$ 的电动汽车进行重新排序:

(3)

H_{d i s, i, t} = \frac{S_{i, t} - S_{m i n, i}}{S_{m a x, i} - S_{m i n, i}}, H_{d i s, i, t} \in [0, 1]

(4)

H_{c h, i, t} = \frac{S_{m a x, i,} - S_{i, t}}{S_{m a x, i} - S_{m i n, i}}, H_{c h, i, t} \in [0, 1]

式中:H_ch_,i,t、H_dis_,i,t分别为充、放电优先级队列中要修正的EV_i荷电均一值;S_max_,i、S_min_,i分别为EV_i的最高、最低SOC.EV_i的荷电均一值越大,将更优先动作,当荷电均一值相等时,则t_out_,i越小的EV_i优先动作.经过上述步骤,便可确定实际的电动汽车充放电优先级队列N_mix_,_ch_{, t}、N_mix_,_dis_{, t}.

2.3 园区HESS模型

由上述步骤得到的电动汽车充放电优先级队列中,根据队列中所有电动汽车个体其本身的电池容量、离网SOC要求和t时刻的SOC状态,计算得到电动汽车的充放电虚拟储能容量为

(5)

\begin{matrix} E_{v e, m a x c h, t} = \overset{N_{m i x, c h, t}}{\sum_{i = 1}} (S_{o u t, i} - S_{i, t}) E_{i} \end{matrix}

(6)

E_{v e, m a x d, t} = \overset{N_{m i x, d i s, t}}{\sum_{i = 1}} (S_{i, t} - S_{o u t, i}) E_{i}

式中:E_ve_,_maxch_{, t}、E_ve_,_maxd_{, t}分别为t时刻EV-VESS的虚拟储能充、放电最大容量.

(7)

P_{v e, m a x c h, t} = \overset{N_{m i x, c h, t}}{\sum_{i = 1}} P_{c h, i}

(8)

P_{v e, m a x d, t} = \overset{N_{m i x, d i s, t}}{\sum_{i = 1}} η_{d i s, i} P_{d i s, i}

式中:P_ve_,_maxch_{, t}、P_ve_,_maxd_{, t}分别为t时刻EV-VESS的虚拟储能充、放电最大功率;P_dis_{, i}为EV_i额定放电功率;η_dis_{, i}为额定放电效率.

同理,t时刻的ESS充放电容量可以表示为

(9)

\begin{matrix} E_{e s s, c h, t} = (S_{m a x, e s s} - S_{e s s, t}) E_{e s s} \end{matrix}

(10)

E_{e s s, d i s, t} = (S_{e s s, t} - S_{m i n, e s s}) E_{e s s}

式中:E_ess_,_ch_{, t}、E_ess_,_dis_{, t}分别为t时刻ESS的充、放电容量;S_{max, ess}、S_{min, ess}分别为ESS的最高、最低SOC;S_ess,_t为t时刻ESS的SOC;E_ess为ESS的额定容量.

经过以上步骤,便可得到基于最大充电时延指标的动态HESS模型:

(11)

E_{h e s s, m a x c h, t} = E_{v e, m a x c h, t} + E_{e s s, c h, t}

(12)

E_{h e s s, m a x d, t} = E_{v e, m a x d, t} + E_{e s s, d i s, t}

(13)

P_{h e s s, m a x c h, t} = P_{v e, m a x c h, t} + P_{e s s, c h, m a x}

(14)

P_{h e s s, m a x d, t} = P_{v e, m a x d, t} + η_{e s s, d i s} P_{e s s, d i s, m a x}

式中:E_hess_,_maxch_{, t}、E_hess_,_maxd_{, t}分别为t时刻的HESS的充、放电最大容量;P_hess_,_maxch_{, t}、P_hess_,_maxd_{, t}分别为t时刻的HESS的充、放电最大功率;η_{ess, dis}为ESS的放电效率;P_{ess, ch, max}、P_{ess, dis, max}分别为ESS的充、放电最大功率.

2.4 HESS的任务分配策略

园区HESS在接收到实时调度计划的充放电任务后,对电动汽车和ESS进行充放电任务分配,形成执行指令完成充放电任务,并将执行指令反馈到上层参与MPC计算.

当t时刻HESS接收到充电任务时,定义充电任务功率为P_hess_,_ch_{, t}.若P_hess_,_ch_{, t}≤P_hess_,_maxch_{, t},表示t时刻HESS可完全消纳充电任务功率,此时按照先电动汽车后ESS的原则,从N_mix_,_ch_{, t}中降序选择电动汽车配合ESS完成充电任务,如下:

(15)

\begin{matrix} \overset{N'_{m i x, c h, t}}{\sum_{i = 1}} P_{c h, i, t} + P_{e s s, c h, t} = P_{h e s s, c h, t} \end{matrix}

式中:N'_mix_,_ch_{, t}为t时刻N_mix_,_ch_{, t}中被安排充电任务的EV_i总数,N'_mix_,_ch_{, t}⊆N_mix_,_ch_{, t};P_ch_{, i, t}、P_ess_,_ch_{, t}分别为t时刻被安排充电任务的EV_i与ESS的充电功率.

若 $P_{h e s s, c h, t} > P_{h e s s, m a x c h, t}, 表示 t$ 时刻HESS不能完全消纳充电任务功率,则对HESS的所有成员都安排充电任务,大于P_{hess, maxch,}_t的剩余充电任务功率舍弃.

当t时刻HESS接收到放电任务时,定义放电任务功率为P_{hess, dis,}_t.此时按照先ESS后电动汽车的原则,从N_{mix, dis,}_t中降序选择电动汽车配合ESS完成放电任务,如下:

(16)

η_{e s s, d i s} P_{e s s, d i s, t} + \overset{N'_{m i x, d i s, t}}{\sum_{i = 1}} η_{d i s, i} P_{d i s, i, t} = P_{h e s s, d i s, t}

式中:N'_mix_,_dis_{, t}为t时刻N_mix_,_ch_{, t}中被安排放电任务的EV_i总数,N'_mix_,_dis_{, t}⊆N_mix_,_dis_{, t};P_dis_{, i, t}、P_ess_,_dis_{, t}分别为t时刻被安排放电任务的EV_i与ESS的放电功率.

3 基于MPC的滚动优化策略

3.1 构建MPC预测控制模型

根据园区电网的功率平衡方程及HESS的能量平衡方程建立基于MPC预测控制模型中的状态空间方程:

(17)

\begin{matrix} \begin{array}{l} x (t + 1) = A x (t) + B u (t) + D v (t) \\ y (t) = C x (t) \end{array}\} \end{matrix}

式中:x(t)=[P_pg,_t E_{hess, maxd,}_t]^T为状态向量,其中P_pg,_t为t时刻注入园区电网的功率,P_pg,_t=P_hess,_t+P_RDG,_t+P_G,_t,P_G,_t为t时刻向外部电网的购电量,P_RDG,_t为t时刻RDG的出力值,P_hess,_t为t时刻HESS总功率,P_hess,_t>0时,P_hess,_t=P_{hess, dis,}_t,P_hess,_t<0时,P_hess,_t=-P_{hess, ch,}_t;u(t)=[P_hess,_t P_G,_t]^T为控制向量;v(t)=[P_RDG,_t ΔP_L,_t]^T为扰动向量,其中ΔP_L,_t为负荷短期预测功率增量;y(t)=[P_pg,_t]为输出向量;A, B, C, D为系数矩阵,具体为

(18)

\begin{matrix} \begin{array}{l} A = [\begin{array}{l} 0 & 0 \\ 0 & 1 \end{array}] B = [\begin{array}{l} 1 & 1 \\ - η_{h} T_{h} & 0 \end{array}] \\ C = [\begin{array}{l} 1 & 0 \end{array}] D = [\begin{array}{l} 1 & - 1 \end{array}] \end{array}\} \end{matrix}

式中:-η_h为HESS的转化效率;T_h为转换kW和kW·h的系数.

3.2 滚动优化

上层MPC滚动优化控制目标设定为RDG和HESS输出功率以及从外部电网的购电量之和尽可能接近园区电网负荷预测值,并且尽可能减少园区电网运行成本.目标函数如下:

(19)$\begin{array}{l} \min J_{1}=\sum_{j=1}^{p} Q(\boldsymbol{y}(t+j)-\boldsymbol{r}(t+j))^{2}+ \\ \sum_{j=1}^{m} R(\boldsymbol{u}(t+j-1))^{2}, \quad j \in[1, p] \\ \min J_{2}=\sum_{j=1}^{m}\left(C_{\text {hess }} P_{\text {hess }, t+j}+C_{\mathrm{G}, t+j} P_{\mathrm{G}, t+j}\right) \end{array}$

式中:y(t+j)为t+j时刻预测模型输出;r(t+j)为t+j时刻的负荷预测值;u(t+j-1)为t+j前一时刻的控制变量;p为预测时域,m≤p;Q、R为权重系数;C_hess为HESS的维护运行成本;P_hess,_t₊_j为t+j时刻HESS输出功率;C_G,_t₊_j、P_G,_t₊_j分别为t+j时刻向外部电网购电电价和购电量.

通过时域滚动,对预测时域内的模型输出 $y (t + p | t)$ 进行预测,如下:

(20)

\begin{array}{l} y (t + 1 |t) = C x (t + 1 |t) + y (t) = \\ C A x (t) + C B u (t | t) + C D v (t) + y (t) \dots \\ y (t + p | t) = C x (t + p | t) + y (t + p - 1 |t) = \\ \overset{p}{\sum_{j = 1}} C A^{j} x (t) + \overset{p}{\sum_{j = 1}} C A^{j - 1} B u (t | t) + \\ \overset{p - 1}{\sum_{j = 1}} C A^{j - 1} B u (t + 1 |t) + \dots + \\ \overset{p - m + 1}{\sum_{j = 1}} C A^{j - 1} B u (t + m - 1 |t) + \\ \overset{p}{\sum_{j = 1}} C A^{j - 1} D v (t) + y (t) \end{array}

式中:y(t+j|t)为t时刻预测出的t+j时刻模型输出;u(t+j|t)为t+j时刻的控制变量增量;v(t+j|t)为t+j时刻的扰动变量增量.

上层MPC模型的约束如下:

(1) 功率平衡约束.表示为

(21)

\begin{array}{l} (1 + α) P_{L, t + j} = \\ P_{h e s s, t + j} (t) + P_{R D G, t + j} (t) + P_{G, t + j} (t) \end{array}

式中:P_L,_t₊_j为t+j时刻的负荷预测值;α为允许的跟踪偏差;P_hess,_t₊_j(t)、P_RDG,_t₊_j(t)、P_G,_t₊_j(t)分别为t时刻预测的t+j时刻的HESS功率、RDG的输出功率和从外部电网购电的购电功率.

(2) HESS荷电水平约束.表示为

(22)

\begin{array}{l} S_{i, t + j} = \\ S_{i, t} + \frac{\overset{j}{\sum_{k = 1}} (η_{c h, i} P_{c h, i, t + k} (t) - \frac{P_{d i s, i, t + k} (t)}{η_{d i s, i}})}{E_{i}}, \\ S_{m i n, i} \leq S_{i, t + j} \leq S_{m a x, i} \\ S_{e s s, t + j} = \\ S_{e s s, t} + \frac{\overset{j}{\sum_{k = 1}} (η_{e s s, c h} P_{e s s, c h, t + k} - \frac{P_{e s s, d i s, t + k}}{η_{e s s, d i s}})}{E_{e s s}}, \\ S_{m i n, e s s} \leq S_{e s s, t + j} \leq S_{m a x, e s s} \end{array}\}

式中:P_ch,_i_,_t₊_k(t)、P_dis,_i_,_t₊_k(t)分别为t时刻预测的t+k时刻的EV_i充放电功率,k∈[1, j].

(3) HESS荷电水平约束.表示为

(23)

\begin{array}{l} P_{h e s s, m i n c h, t} \leq P_{h e s s, c h, t + j} (t) \leq P_{h e s s, m a x c h, t} \\ 0 \leq P_{h e s s, d i s, t + j} (t) \leq P_{h e s s, m a x d i s, t} \\ P_{h e s s, m i n c h, t} = \overset{N_{m i x, c h, t}}{\sum_{i = 1}} P_{c h, i, m i n} + P_{e s s, c h, m i n} \end{array}\}

式中:P_{hess, minch,}_t为t时刻HESS的充电功率下限;P_{hess, ch,}_t₊_j(t)、P_{hess, dis,}_t₊_j(t)分别为t时刻预测的t+j时刻HESS的充放电功率;P_ch,_i_{, min}为EV_i个体的最小充电功率;P_{ess, ch, min}为ESS的充电功率下限.

3.3 反馈校正

在下一预测时域初始时刻t+1,利用t时刻系统经过下层反馈的HESS实际状态与短时风光预测数据置换t时刻MPC模型输出的t+1时刻的预测状态,进行反馈校正,即

(24)

\begin{matrix} x (t + 1 |t) = x_{t n o} (t + 1) \end{matrix}

式中: $x_{t n o} (t + 1)$ 为经过下层控制策略后反馈的系统实际状态.

4 算例分析

4.1 基础数据

以园区电网为算例系统,以某日基本运行情况为分析对象进行仿真.假设该园区多个充电场内一天中有A、B、C三种不同类型的车接入电网,其详细参数如表1所示,园区电网ESS容量为120 kW·h,SOC范围为区间[0.3,0.9],充放电功率为60 kW, 充放电效率为95%^[25].市场峰谷电价^[26]为:谷时段(22:00至次日08:00) 电价0.302元/(kW·h);平时段(08:00—14:00, 16:00—19:00)电价为0.853元/(kW·h);峰时段(14:00—16:00, 19:00—22:00)电价为1.154元/(kW·h);参数C_hess取 0.6元/(kW·h).光伏与风电的装机容量分别为100和84 kW,选取该园区电网的典型光伏、风电功率曲线进行叠加得到日前RDG预测功率曲线,日前RDG预测功率曲线与园区电网日前负荷功率曲线叠加随机模拟量模拟日内实际功率曲线,如图4所示^[27].图中:P为功率.

表1 接入电网电动汽车情况

Tab.1 EV access to the grid

参数	取值
参数	A类车	B类车	C类车
电池容量/(kW·h)	60	50	45
最低电池容量/(kW·h)	13	12	9
离网SOC/%	70	75	80
额定充/放电功率/kW	15/12	12/8	9/6
最小充电功率/kW	5	4	3
接入电网的汽车/辆	30	40	45
充/放电效率/%	95/95	95/95	95/95
入网时刻7:00,7:15,7:30的汽车/辆	0.5∶1∶1.5	1∶1.5∶2.5	1∶1∶1
离网时刻17:00,18:00,20:00,21:00的汽车/辆	1∶1.5∶1.5∶1	1∶2∶1∶1	2∶1∶1∶1

新窗口打开| 下载CSV

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4 园区RDG与负荷功率

Fig.4 RDG and load power curves in the park

4.2 仿真分析

所提控制策略中,日前调度时段数为96个调度周期,15 min为一个调度周期,预测时域与日前调度时段相同,控制时域与调度周期相同,即p=1 440 min=24 h, m=15 min.上层MPC的权重系数Q、R分别为1.5和1, 跟踪偏差α为5%,η_h、T_h分别为95%和0.25^[12,27].在上述条件下对以下3种情况进行比较分析:①根据日前RDG、负荷和HESS数据,采用动态经济调度模型制定的日前调度计划;② 仅考虑日内RDG与负荷波动的MPC调度策略,计算得到的实时调度计划;③所提MPC调度策略,综合考虑日内RDG与负荷波动以及实时HESS数据,计算得到的实时调度计划.

为了比较3种情况下调度结果的优缺点,引入平均相对跟踪偏差指标γ_MRE、均方误差γ_MSE和决定系数R².γ_MRE和γ_MSE可用来评估调度计划的可靠性,γ_MRE和γ_MSE越小,表明调度计划越可靠^[12].R²用以表征调度计划曲线与负荷功率曲线之间的拟合程度,R²取值范围为[0,1],R²越接近1,说明说明调度计划曲线与负荷功率曲线越匹配,调度结果越准确.其表达式如下:

(25)

\begin{array}{l} \begin{matrix} \begin{array}{l} γ_{M R E} = \frac{1}{N} \overset{N}{\sum_{t = 1}} |\frac{P_{p g, t} - P_{L, t}}{P_{L, t}}| \\ γ_{M S E} = \sqrt{\frac{1}{N} \overset{N}{\sum_{t = 1}} (P_{L, t} - P_{p g, t})^{2}} \\ R^{2} = \frac{\overset{N}{\sum_{t = 1}} (P_{p g, t} - P_{L, t})^{2}}{\overset{N}{\sum_{t = 1}} (P_{L, t} - P_{L a})^{2}} \end{array}\} \end{matrix} \end{array}

式中:N为调度周期,取值为96;P_La为负荷功率平均值.

3种情况比较结果如图5所示,评价指标计算结果和调度成本如表2所示.

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5 三种情况下的调度结果

Fig.5 Scheduling results in three cases

表2 三种情况下指标的计算结果和园区调度成本

Tab.2 Calculation results and scheduling costs of indicators in three cases in the park

情况	γ_MRE/%	γ_MSE/%	R²	成本/元
1	4.399	5.962	0.852	1241.7
2	3.895	4.762	0.907	1137.9
3	3.692	4.432	0.932	1053.5

新窗口打开| 下载CSV

4.2.1 结果分析

由表2可见:情况2和情况3的调度结果均能满足允许跟踪偏差值的要求,且情况3的跟踪偏差值更小.这是因为情况3比情况2多用到了日内实时的HESS数据,在有动态HESS参与的情况下能更好地根据短期预测RDG数据与负荷数据修正日前调度计划,使得各电源的输出功率之和都能与实时负荷功率相匹配.情况1相较于采用MPC滚动优化的情况2与情况3跟踪偏差值更大,因为系统受不确定因素的影响,在日内调度执行中采用日前预测数据所设定的调度指令,大大增加电网总功率与负荷实时偏差值;这种情况下的园区电网源荷平衡能力差,使得园区电网长期处于不平衡状态下,并且无法最大程度下消纳RDG功率,造成绿色能源的浪费.而在情况2与情况3下这种后果可避免,这两种情况下的园区电网在实现源荷平衡的同时,还能兼顾RDG功率最大程度的消纳,高效利用绿色能源.

另外,情况1所产生的调度成本最高,由于系统受不确定因素的影响,系统的所有扰动由外电网购电承担,这导致无论电价高低,园区电网都有可能向外购电.而情况2和3加入MPC滚动优化,使得系统可以利用最新信息计算得到实时调度计划,最大程度利用RDG功率,减少外电网的购电量.

4.2.2 实时HESS数据对调度计划的影响

由图5(b)~5(c)和表2可见:情况2与情况3在没有电动汽车接入的情况下调度计划基本不变,这是由于在电动汽车接入园区电网之前,园区电网处于电价谷期,在以经济性为最优的调度计划中,这段时间都将从外电网中购电.

在电动汽车接入园区电网后,园区电网很长一段时间处于电价的平峰期,此时应当使用HESS进行源荷平衡.由于情况2采用的还是以往HESS的调度指令,使得园区电网在这段时间内频繁向外购电,也并没有考虑到HESS实际的充放电能力,可能会使得HESS系处于一个较危险的SOC水平;而情况3考虑了这一方面,则会使HESS在能力范围内进行合理充放电,只在HESS能力不足时向外电网购电,在有剩余的RDG功率情况下对HESS进行充电.

在电动汽车离开园区电网之后,只能依靠ESS完成调度计划.由于情况2并没有考虑实时ESS的调度能力,导致ESS出力不足,只能在电价峰期购电实现源荷平衡;而情况3则会对ESS出力进行合理调控,避免这种情况发生.

由图5(d)可见:HESS的运行情况与所提园区电网设备配合运行方案基本一致.其中电动汽车配合运行中, A类车所分配到的放电任务更多,参与调度的能力更强.这是因为A类车相对于其他两类车的期望离网SOC较低,充电功率较高,所以其最大充电时延相对较大,在放电意向队列中会排到较高优先级.

5 结论

针对含有大量电动汽车及RDG接入的园区电网提出一种双层优化控制策略,主要结论如下:

(1) 基于电动汽车个体参数以及车主意愿建立最大时延充电指标,以此表征电动汽车接受调度能力,并以此构建电动汽车充放电优先级队列以及EV-VESS,与园区ESS组成园区HESS统一接受园区调度,实现电动汽车储能特性的利用以及充放电有序管理.

(2) 应用MPC技术作为园区调度的决策手段,在提高园区电网执行调度计划能力的同时,降低日内RDG与负荷功率变化对日内调度计划的影响,降低平、峰期向外电网购电量,保证日内调度计划的实时跟踪效果与经济性.

(3) 所建立的园区HESS系统在向上层MPC模型提供园区储能状态信息的同时,对其成员EV-VESS以及ESS进行任务分配,解决RDG、电动汽车、ESS三者配合调度问题,为电动汽车参与园区电网新能源消纳和提供理论依据.

综上所述,所提双层优化控制策略实现电动汽车的有序管理,扩展园区电网储能系统,增加RDG功率消纳与园区电网的经济效益.未来研究将聚焦更短调度周期下的超短期园区电网调度策略.

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

黄强, 郭怿, 江建华, 等.

“双碳” 目标下中国清洁电力发展路径

[J]. 上海交通大学学报, 2021, 55(12): 1499-1509.

DOI:10.16183/j.cnki.jsjtu.2021.272 [本文引用: 1]

目前,第三次能源革命已经开始,为了减少碳排放,发达国家先后制定了清洁能源发展战略,并公布了放弃火电、核电的时间表.与此同时,中国也向世界作出承诺:2030年前碳排放达峰,2060年实现碳中和.因此,在“双碳”目标下,研究清洁电力发展路径具有重要意义.分析了中国水、风、光等清洁能源储量及其特征,预测了中长期电力需求,依据电力电量平衡原理,估算了2030和2050规划水平年电力系统结构组成,并分析了未来CO<sub>2</sub>排放趋势,提出了未来中国清洁电力的发展对策与建议.结果表明:预计2027年中国电力系统将实现“碳达峰”;2030年中国清洁电力发电量将超过总发电量的50%;2050年火电、核电将被水、风、光等清洁电力全部取代,电力行业将实现CO<sub>2</sub>的“零排放”,基本全面实现电力系统的绿色转型,以响应国家的“双碳”目标.

HUANG

Qiang

, GUO

, JIANG

Jianhua

, et al.

Development pathway of China’s clean electricity under carbon peaking and carbon neutrality goals

[J]. Journal of Shanghai Jiao Tong University, 2021, 55(12): 1499-1509.