吴桥，杨世海，黄奇峰，刘瑜俊

（1.国网江苏省电力公司电力科学研究院，江苏南京210019; 2.东南大学电气工程学院，江苏南京210096）

考虑电动汽车参与需求响应的电网智能优化调度

吴桥1，杨世海1，黄奇峰1，刘瑜俊2

（1.国网江苏省电力公司电力科学研究院，江苏南京210019; 2.东南大学电气工程学院，江苏南京210096）

1 电动汽车发展概况

近年来，电动汽车作为新型的交通工具发展迅速，随着续航里程的提升和相关基础设施的完善，电动汽车的普及将成为现实，其智能管理的研究对电动汽车技术深化发展、充电设施建设与充电行为方式以及相应城市电网建设规划都具有积极意义。发展电动汽车和促进V2G（Vehicle to grid，V2G）技术的进步是我国乃至世界各国智能电网的共性需求，获得了国际上的广泛关注。虽然在整车技术上已趋于成熟，并且已有若干商业化产品问世，但是仍未形成成熟的应用方法。如果能够充分利用电动汽车动力电池的储能特性，在就地消纳新能源的同时，兼顾参与电力系统需求响应服务，为电力系统提供经济有效的需求响应支持，健全当前的电动汽车智能调度模式，将是一项十分有意义的研究，对电动汽车的推广普及至关重要。

目前，随着智能电网全面建设工作的持续推进，多种能源、电动汽车等计量信息接入，为主动配电网与客户的深度互动奠定了基础。由于需求响应参与电力调度能够带来削峰填谷、平抑新能源接入波动、节能减排等效果，将其纳入调度计划编制已成为国内外学者关注的热点。文献［1］、文献［2］分别采用电量-电价弹性系数描述了分时电价（Time-of-use，TOU）和尖峰电价（Critical peak pricing，CPP）背景下用户的用电转移、削减行为，考虑其对日前调度需求响应的影响，同时求解得出机组出力计划以及合理的电价方案。文献［3］通过激励补偿措施，将可中断负荷（Interruptible load，IL）和用电激励分别作为正旋转备用和负旋转备用资源进行响应。根据电价措施的需求响应作用机理不同，分别可归纳为基于需求弹性理论、消贾者心理学原理和统计学原理的3种描述方式。针对激励措施的需求响应作用机理研究，不仅着眼于响应总量描述的量化，更集中于持续时间、响应速率、反弹性质等约束条件下，如何进行可中断负荷或直接负荷控制的最优决策问题。

总体而言，电动汽车在V2G方面的研究方向较为集中，主要还是充电负荷、规划与调度控制策略等方面。对于电动汽车可调度容量（潜力）这个概念并未有特别明确的定义。总结目前研究主要分为2种观点。一种观点是以电动汽车的充电和放电需求作为其可调度的资源来进行研究，第二种观点是以电动汽车的电量变化为切入点进行研究，实质上基本是负荷预测的延伸性研究，未能触及电动汽车的可调度性和储能容量可靠性。文献［30］以某市的高峰负荷为目标，分析了几种品牌电动汽车入网高峰削峰填谷的成本和收益。文献［31］实现了电动汽车在电价高时放电，在电价低时充电，以起到在峰谷电价引导下的削峰填谷的作用。文献［36］评估了不同的需求侧管理场景下电动汽车与风电的协同能力，主要是从电动汽车与风电协同消纳能力的角度开展研究的，其目标是消纳更多的风电出力。

现阶段，国内外对需求响应的研究主要是在其实施机制和响应模型方面，少见专门研究电动汽车储能参与需求响应问题，部分研究在电动汽车参与需求响应的策略方面作了有益探索，但仅将电动汽车作为一种可中断负荷进行研究，未涉及电动汽车能量双向互动的内容，未能最大化电动汽车储能的价值。本文基于电动汽车储能需求响应模型，根据用户消贾心理学特性，制定电动汽车参与削峰填谷的充放电策略，建立基于电动汽车用户电价机制的电网智能调度模型，在满足电动汽车用户总体充电贾用最低的同时，降低居民侧用电峰谷差，提高电力系统经济运行性能。

2 电动汽车参与需求响应模型

2.1 目标函数

本文研究的电网调度运行优化模型假定条件为：①EV用户每日可调整次日的充电需求量。②EV用户需对每日的充电量进行优化。

根据以上分析，则EV用户某时段（周∕月∕年）贾用可由下式表示

式中：Nm为用户需求响应用电优化时段数，个；本文取的优化周期为日，每个时段长度为一个月；Cost(i)为第i天总用电贾用，元；Pa,m(i)为第i天用户空调系统用电量，kWh；P1,m(i)为第i天用户照明系统用电量，kWh；Pe,m(i)为第i天用户其他系统的用电量；Pev,m(i)为第i天用户电动汽车充电量，kWh；ps,m(i)为用户在第i天的平均电价水平，元∕kWh；Dm(i)为用户调整的i天需量值，kW；pd,m为需量电价，元∕kW。

其中，用户的需求响应电量和最大量利用小时数计算获得，计算公式如下：

式中：Ptotal,m(i)为第i天用户的总用电量；H为用户的日最大需量利用小时数。

2.2 约束条件

对于长时间周期下用户需求响应应考虑的约束条件包括用户需求响应容量上限约束、用户满意度约束、实时电价激励约束、EV充电特性约束等。

2.2.1 用户需求响应容量上限约束

式中：Ptotal,m(i)用户在第i天电量；Pmax(i)为用户在第i天容量的上限值；αm1为给定容量上限约束的置信水平。

2.2.2 用户满意度约束

式中：PMV(i)为用户在第i天的平均满意度值；PMVmax为用户满意度应满足的最大值；αm2为给定基本满意度约束的置信水平。

2.2.3 实时电价激励约束

式中：ILL(i)为用户在第i天的实时电价值；ILLmin为用户实时电价应满足的最小值；αm3为给定基本电价约束的置信水平。

2.2.4 EV充电特性约束

式中：Eset(i)为用户在第i天的EV充电特性值；Emax为用户EV充电特性值的最大值；Emin为用户EV充电特性的最小值。

3 基于多目标粒子群算法的电网智能优化调度

3.1 粒子编码形式

粒子的编码形式如图1所示，粒子编码主要分为3个部分，第一部分代表粒子在搜索空间中的位置；第二部分代表粒子在目标空间中的位置；第三部分代表粒子密度信息，第一位代表粒子的密度，第二位代表粒子所在网格的编号。

图1 粒子的编码形式

3.2 初始种群生成

首先根据温度设置上下限、照度设置上下限、用户上报需量的上下限等，随机生成粒子中控制变量的设定值。按照这个过程初始化所有粒子。

3.3 计算适应度值

根据粒子信息，计算粒子的目标函数和约束条件的概率分布。将目标函数和约束条件分为基础部分和随机部分进行计算，其中基础部分按照相应的公式计算得到，随机部分根据半不变量法和Gram-Charlier级数得到目标函数和约束条件的随机概率分布。依据给定的约束条件的置信度值，判定是否满足约束条件，对满足约束条件的粒子，再根据目标函数的置信度，计算粒子的适应度函数值。适应度函数的值是粒子群算法指导搜索方向的依据，本文多目标电网调度优化问题的目标函数为用户电贾、用户满意度和电网削峰填谷量，这里直接选择这3个目标函数作为适应度函数。

3.4 内部粒子群更新

内部粒子位置更新公式为：

式中：c1和c2为加速系数，rand为0到1之间的随机数，w为惯性权重。

式中：I为迭代次数，Imax为迭代次数最大值，wmax和wmin为惯性权重的最大值和最小值。

如果xik∉(xik,min,xik,max)或者vik∉(vik,min,vik,max)则通过下面的表达式更新

式中：xik,max为粒子i第k维的最大值，xik,min为粒子i第k维的最小值。

3.5 算法步骤

（1）读取调度系统用电模型参数、随机变量预测误差的数值特征及外部输入信息；

（2）设定内部粒子群规模M以及外部粒子群规模A，惯性权重系数Wmin、Wmax，加速系数c1、c2，最大迭代次数Imax等参数；

（3）随机初始化内部粒子群的位置，得到M个可行解，并初始化粒子群飞行速度；

（4）根据给定的置信度值，计算粒子位置的用户需求响应容量上限约束、用户满意度约束、实时电价激励约束、EV充电特性约束等，并判断各个时段是否存在违反约束条件的情况；

（5）根据Pareto非支配解的概念，选择内部粒子群中的非支配解，并更新外部粒子群；

（6）构造立体空间存放外部粒子群，用自适应网格法评估非支配解的空间分布密度，选择空间分布密度小的粒子位置为gbest；在内部粒子群中根据个体最优位置pbest更新策略选择每个粒子的pbest；

（7）更新内部粒子群中粒子的飞行速度以及位置，每次更新后，检查飞行速度以及粒子位置是否超过最大值或最小值，如果超出该范围，则将速度限制为该极值；

（8）判断是否达到最大迭代次数，若是，停止迭代；否则，返回步骤（4）。

4 算例分析

本文选择IEEE16节点配网系统作为进行仿真，其中，以1、3、8、9、10、14节点分别接入EV第X个辖区，并给定600辆EV参与需求响应调度，每个充电辖区内管辖100辆EV的充电行为。

为了验证本文采用的随机性处理方法的准确性，采用常规的蒙特卡罗法进行模拟，并将其结果与本文提出的方法计算结果进行对比。由于本文算例规模相对较大，采用10万次蒙特卡罗法进行仿真。

进行蒙特卡罗模拟时，基于各随机变量的预测误差变量服从正态分布的假设。表1给出运用本文方法和蒙特卡罗模拟法计算得到的目标函数和部分约束条件情况。表中代表期望值，代表标准差。通过10万次蒙特卡罗模拟得到的结果认为是真实值，通过本文方法得到的结果是计算值，相对误差的计算法为

表1 方案部分计算情况

通过表1可以发现，本文提出的方法具有很好的计算精度，与10万次蒙特卡罗模拟的结果相比较，相对误差很小。

取用户一月总用电贾用进行对比，其概率密度对比曲线如图2所示。从图2中可以看出在采用本文模型的计算结果与蒙特卡罗计算结果非常接近，由对比结果可以验证本文采用方法处理随机问题的准确性，由于采用的是概率拟合方法，所得到的概率密度曲线相较于蒙特卡罗模拟更加光滑。

图2 用户用电费用概率密度曲线对比

5 结束语

本文以提高电动汽车参与电网需求响应和降低用电成本为目标，研究了电网智能调度优化模型，提出了考虑电价响应和用户满意度的电动汽车参与需求响应的电网智能优化调度模型。以用电成本和用电满意度最优为优化目标，针对模型中的随机性问题，采用多目标粒子群算法对模型求解获得最优解集，能有效地对优化结果进行修正，在利用电网低谷电价的情况下，能够对电动汽车充电进行有效的分配，同时能够实现连续时段需求响应的智能调度。D

［1］Aghaei J,Alizadeh M I.Critical peak pricing with load control demand response program in unit commitment problem［J］.IETGeneration,Transmission& Distribution,2013,7（7）:681-690.

［2］王卿然，谢国辉，张粒子.含风电系统的发用电一体化调度模型［J］.电力系统自动化，2011，35（5）:15-18.

［3］秦祯芳，岳顺民，余贻鑫，等.零售端电力市场中的电量电价弹性矩阵［J］.电力系统自动化，2004，28（5）:16-19.

［4］史常凯，张波，盛万兴，等.灵活互动智能用电的技术架构探讨［J］.电网技术，2013 37（10）:2868-2874.

［5］AlbadiMH,El-SaadanyEF.Demandresponseinelectricity markets:An overview［C］∕∕2007 IEEE power engineering society general meeting.Tampa,FL,USA:IEEE,2007:1-5.

［6］王蓓蓓，刘小聪，李扬.面向大容量风电接入考虑用户侧互动的系统日前调度和运行模拟研究［J］.中国电机工程学报，2013，33（22）:35-44.

［7］刘晓，艾欣，彭谦计及需求响应的含风电场电力系统发电与碳排放权联合优化调度［J］.电网技术，2012，36（1）:213-218.

［8］Khodaei A,Shahidehpour M,Bahramirad S.SCUC with hourly demand response considering intertemporal load characteristics［J］.IEEE Transactions on Smart Grid,2011, 2（3）:564-571.

［9］阮文骏，王蓓蓓，李扬，等.峰谷分时电价下的用户响应行为研究［J］.电网技术，2012，36（7）:86-93.

［10］张璨，王蓓蓓，李扬.典型行业用户需求响应行为研究［J］.华东电力，2012，40（10）:1701-1705.

［11］王建学，王锡凡，王秀丽.电力市场可中断负荷合同模型研究［J］.中国电机工程学报，2005，25（9）:11-16.

［12］高赐威，李倩玉，李扬.基于DLC的空调负荷双层优化调度和控制策略［J］.中国电机工程学报，2014，34（10）:1546-1555.

［13］赵俊华，文福拴，杨爱民，等.电动汽车对电力系统的影响及其调度与控制问题［J］.电力系统自动化，2011（14）:2-10.

［14］刘晓飞，张千帆，崔淑梅.电动汽车V2G技术综述［J］.电工技术学报，2012（02）:121-127.

［15］Han S，Han S，Sezaki K.Estimation of Achievable Power Capacity From Plug-in Electric Vehicles for V2G Frequency Regulation:Case Studies for Market Participation［J］.IEEE Transactions on Smart Grid, 2011,2（4）:632-641.

［16］陈彬，王业磊，许昭，等.计及电动汽车充电调度可行域的电力系统机组最优组合［J］.华北电力大学学报（自然科学版），2014，41（1）:38-44.

［17］孙波，廖强强，谢品杰，等.车电互联削峰填谷的经济成本效益分析［J］.电网技术，2012，36（10）:30-34.

［18］陈满，陆志刚，刘怡，等.电池储能系统恒功率削峰填谷优化策略研究［J］.电网技术，2012，36（9）:232-237.

［19］石磊，刘皓明.分时电价下PHEV智能集中充电策略［J］.电力需求侧管理，2012，14（2）:13-18.

［20］Wang J，Liu C，Ton D,et al.Impact of plug-in hybrid electric vehicles on power systems with demand response and wind power［J］.Energy Policy,2011,39（7）:4016-4021.

［21］ShaoS,PipattanasompornM,RahmanS.DemandResponse as a Load Shaping Tool in an Intelligent Grid With Electric Vehicles［J］.IEEE Transactions on Smart Grid. 2011,2（4）:624-631.

［22］Shao S,Pipattanasomporn M,Rahman S.Grid Integration ofElectricVehiclesandDemandResponseWith Customer Choice［J］.IEEE Transactions on Smart Grid. 2012,3（1）:543-550.

Intelligent optimal schedulingconsideringelectricvehicle participating indemand response

WU Qiao1,YANG Shi⁃hai1,HUANG Qi⁃feng1,LIU Yu⁃jun2
（1.State Grid Jiangsu Electric Power Research Institute,Nanjing 210019,China; 2.The School of Electrical Engineering,SEU,Nanjing 210096,China）

10.3969∕j.issn.1009-1831.2017.S1.025

2017-03-09