基于SCUC的可入网混合电动汽车优化调度方法

ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１０００－１０２６．２０１２．０１．００８基于ＳＣＵＣ的可入网混合电动汽车优化调度方法蔡秋娜１，文福拴２，薛禹胜３，辛建波４（１．华南理工大学电力学院，广东省广州市５１０６４０；２．浙江大学电气工程学院，浙江省杭州市３１００２７；３．国网电力科学研究院／南京南瑞集团公司，江苏省南京市２１０００３；４．江西省电力科学研究院，江西省南昌市３３０００６）摘要：在可入网混合电动汽车（ＰＨＥＶ）有望规模化应用的背景下，以传统的计及安全约束的机组最优组合（ＳＣＵＣ）问题为基础，发展了能够容纳ＰＨＥＶ的电力系统优化调度数学模型。

所发展的模型以保证系统安全运行为前提，兼顾了ＰＨＥＶ车主的经济效益与发电的碳排放成本。

利用ＰＨＥＶ作为可移动电量储存单元的特性，将模型解耦为机组最优组合与计及交流潮流约束的充／放电计划优化２个子模型。

应用混合整数规划方法和牛顿—拉夫逊潮流算法迭代求解优化问题，可以同时获取日前机组调度计划和各时段的ＰＨＥＶ最优接纳容量及充／放电计划等结果。

最后，以６节点和ＩＥＥＥ　１１８节点２个系统为例，验证了所构建模型的正确性和有效性。

关键词：最优调度；可入网混合电动汽车；机组组合；最优充／放电计划；电力系统收稿日期：２０１１－０８－０６；修回日期：２０１１－０９－０８。

国家自然科学基金资助项目（５１１０７１１４，５１１７７１４５）；国家电网公司科技项目；江西省电力公司科研项目。

０　引言在燃料价格持续波动性攀升、化石能源逐步枯竭、全球气候变暖愈演愈烈的背景下，电动汽车以电代油，作为解决交通、能源和环境问题的重要手段，在国际上逐步受到重视，当前已在北美、欧洲、日本等区域或国家形成规模市场［１－３］。

作为电动汽车的主要类型之一，可入网混合电动汽车（ｐｌｕｇ－ｉｎ　ｈｙｂｒｉｄ　ｅｌｅｃｔｒｉｃ　ｖｅｈｉｃｌｅ，ＰＨＥＶ）以其可靠性好而在国际上备受重视。

美国能源政策委员会（Ｅｎｅｒｇｙ　Ｐｏｌｉｃｙ　Ｃｏｍｍｉｔｔｅｅ）对ＰＨＥＶ的定义如下［４］：①为满足驱动能力，电池储能系统的容量应不低于４ｋＷ·ｈ；②电池储能系统应能够作为电源对外部放电；③在完全电能驱动（即不耗油）模式下，电动汽车应至少能行使１０英里（约１６．１ｋｍ）。

ＰＨＥＶ之所以能够在不少国家得到比较快速的发展，主要有以下３个原因。

１）政府发展ＰＨＥＶ的主要动力之一是其可靠、节能和低碳特性。

研究表明，ＰＨＥＶ每年能为美国节省至少８５０亿加仑（约为３．２×１０１１　Ｌ）的汽油消耗，这不仅意味着美国汽油进口量可缩减５２％，而且年均温室气体排放量可降低２７％左右［５］。

２）对电力系统而言，ＰＨＥＶ既是不确定性负荷，又可以充当储能装置。

一方面，通过电价机制适当引导的电动汽车可在负荷高峰时放电、低谷时充电以起到削峰填谷作用，从而能使发电机组尤其是火电机组出力维持在一个相对稳定且经济的运行状态，也可减少系统调频容量和旋转备用需求；另一方面，通过优化ＰＥＨＶ充放电行为，可以缓解间歇性可再生能源（如风能、太阳能等）发电给系统运行带来的安全风险，提高系统接纳清洁能源发电的能力［６］，且在一定程度上避免或推迟系统扩容需要。

３）从车主的角度看，选择ＰＨＥＶ的原因包括３个方面：①ＰＨＥＶ燃料利用率高，可节省燃料费用，假设燃油价格为２．５７美元／加仑（约０．６８美元／Ｌ），电价为８．６美分／（ｋＷ·ｈ），“电动汽车接入网络”（ｖｅｈｉｃｌｅ　ｔｏ　ｇｒｉｄ，Ｖ２Ｇ）技术每年可为美国用户节省２００～４５０美元的燃料费用［７］；②相对于纯电动汽车目前的发展状况，ＰＨＥＶ的可靠性更高；③在很多国家或地区，购买电动汽车可享受政府的相关福利，如免税等。

随着ＰＨＥＶ逐步得到规模化的应用，因集中充电而导致的系统过负荷、电能质量下降和电压调节困难等问题在电力系统尤其是配电系统中逐步凸显出来［８－９］，对系统调度与运行所带来的挑战也无法回避。

因此，研究能够容纳ＰＨＥＶ的电力系统优化调度就成了必须要面对和解决的问题。

到目前为止，包括ＰＨＥＶ情况下的电力系统安全经济运行方面的研究仍然比较初步。

例如：文献［６］应用蒙特卡洛仿真方法来获取电动汽车充／放电功率的概率分布，导出了风电机组和电动汽车在Ｖ２Ｇ状态下的电源出力的数学期望解析表达式，并在此基础上发展了—８３—第３６卷　第１期２０１２年１月１０日Ｖｏｌ．３６　Ｎｏ．１Ｊａｎ．１０，２０１２以最小化系统总发电成本期望值为目标的电力系统随机经济调度模型，但研究工作仍局限于单时段优化调度且没有考虑网络约束；文献［１０］发展了计及ＰＨＥＶ放电优化控制的机组最优组合（ＵＣ）模型，并采用粒子群优化（ＰＳＯ）算法求解。

在文献［６］的基础上，本文做了进一步的研究工作。

首先，把文献［６］的单时段经济调度问题推广到多时段的ＵＣ问题，与作为连续优化问题的经济调度相比，考虑了启停优化的ＵＣ问题是一个离散优化问题，从数学优化的角度看要复杂得多；其次，考虑了输电系统的安全约束后得到的计及安全约束的机组组合（ＳＣＵＣ）问题比文献［６］未考虑安全约束的经济调度问题要复杂得多。

需要指出，文献［６］所包括的风电机组在本文中并未涉及。

就单个时段而言，本文模型得到的优化结果与没有考虑风电出力随机特性时的文献［６］模型所得到的优化结果是一致的。

具体地讲，本文以充分挖掘ＰＨＥＶ的节能／低碳潜力为目标，对计及ＰＨＥＶ的电力系统优化调度问题进行了新的探索。

通过适当引导ＰＨＥＶ的充／放电行为，使其服务于电力系统安全经济运行，并同时优化ＰＨＥＶ充放电时段、各时段的总接纳容量及充放电功率的入网节点。

本文的研究工作主要包括以下４个方面。

１）以４类典型的充放电模式为切入点，探讨ＰＨＥＶ的充放电功率，有效综合直接和间接２种控制手段，发展基于错峰充电模式的最优调度模型。

２）利用ＰＨＥＶ充放电可优化控制的特点，将计及ＰＨＥＶ的电力系统最优调度模型解耦为２个子模型。

３）为综合优化发电费用、污染气体排放量和ＰＨＥＶ充放电效益３个子目标，构造了“社会成本”最小化的单目标函数，在此基础上发展了兼顾发电成本（文中仅考虑发电的燃料成本）、碳排放惩罚成本及ＰＨＥＶ充放电经济效益的ＵＣ模型。

４）充放电计划优化模型在满足网络安全约束的基础上，将ＵＣ模型中所获得的各时段最优充放电容量分解到各入网节点；计及交流潮流约束，基于牛顿—拉夫逊法的原理，每一轮迭代都基于更新后的网络控制变量进行ＰＨＥＶ充放电计划的优化。

需要指出，本文的研究工作之所以针对ＰＨＥＶ而不是所有类型的电动汽车，主要是因为本文研究的问题涵盖了一日内２４ｈ的系统优化调度，而目前纯电动汽车的电池容量尚不能满足全天候行车调度的要求。

１　所发展模型的基本框架需要指出，本文所研究的包括ＰＨＥＶ调度问题的方法框架包括２个层次。

下层是通过代理机构把相关的或所负责的区域内的电动汽车聚集起来，等值为一个大型“虚拟”的电动汽车。

上层的系统调度问题则对每个代理机构所聚集的这些“虚拟”的电动汽车进行调度。

调度机构确定了对这些“虚拟”电动汽车的调度计划后，由各个代理机构再对所辖范围内的电动汽车进行调度。

本文所研究的是上层系统的调度问题，即调度机构对大型“虚拟”电动汽车的调度。

按照是否被车主注册为系统可调度汽车，ＰＨＥＶ被分为可调度和不可调度两大类。

本文针对可调度ＰＨＥＶ开展研究，车主必须按照系统调度机构的要求，在特定时间内将电池连接到特定的充放电设施上。

计及ＰＨＥＶ的电力系统最优调度问题实质上是一个综合考虑了ＰＨＥＶ充／放电行为和系统安全约束的ＵＣ问题，具有多阶段、高维数、非线性、非凸性和离散等特点，因此对于大规模系统存在维数灾问题，计算复杂性很高。

为此，已有学者提出基于Ｂｅｎｄｅｒ’ｓ分解法来求解ＳＣＵＣ问题，即把问题作解耦处理［１１］。

其基本思想是将ＳＣＵＣ这一混合整数规划（ＭＩＰ）问题分解为主问题和子问题，其中整数变量（如机组启停状态）先在主问题中求解；之后求解子问题以确定连续变量（如机组有功出力），并判断是否已满足迭代终止条件，若不满足则构造新的约束（称为Ｂｅｎｄｅｒ’ｓ　ｃｕｔ）并添加到主问题中；之后重新求解主问题，直至满足终止条件。

然而，主问题的约束条件数可能随着主、子问题之间迭代的进行而迅速增加。

对于一日２４ｈ内的ＳＣＵＣ问题，迭代一次最多可增加２４个Ｂｅｎｄｅｒ’ｓ　ｃｕｔ到主问题中，即２４个时段均不能满足网络安全约束这种极端情况。

这样，即使采用Ｂｅｎｄｅｒ’ｓ分解方法，对于大规模ＳＣＵＣ问题，计算时间仍然是一个主要的限制因素。

针对这一问题，本文提出一种新的解耦思路。

当系统中存在容量充足的可调度ＰＨＥＶ且充放电设施分布比较密集时，可利用ＰＨＥＶ的充／放电调度来灵活而有效地调节系统潮流，以满足安全约束。

结合ＰＨＥＶ的Ｖ２Ｇ技术及其可作为移动储能单元的特性，在基于错峰充电模式并假设每个负荷节点可接入的ＰＨＥＶ充放电容量足够大的前提下，将原问题解耦为２个子模型进行求解，研究思路如图１所示，其中ＭＩＬＰ表示混合整数线性规划。

—９３—·绿色电力自动化·　蔡秋娜，等　基于ＳＣＵＣ的可入网混合电动汽车优化调度方法图１　计及ＰＨＥＶ的电力系统最优调度的基本框架Ｆｉｇ．１　Ａ　ｆｒａｍｅｗｏｒｋ　ｆｏｒ　ｔｈｅ　ｏｐｔｉｍａｌ　ｄｉｓｐａｔｃｈｉｎｇ　ｏｆａｐｏｗｅｒ　ｓｙｓｔｅｍ　ｗｉｔｈ　ＰＨＥＶｓ所发展的２阶段模型的细节如下。

１）子模型１实质上就是ＵＣ模型。

通过计及ＰＨＥＶ的充放电行为，综合系统发电成本、ＣＯ２排放成本和ＰＨＥＶ充放电效益３个子目标，构造了社会成本最小的单目标模型。

在满足系统负荷／备用约束和机组物理特性等要求的前提下，获得各时段发电机组的开停机状态／有功出力和最优充／放电的ＰＨＥＶ数量。

２）子模型２用于把各时段的ＰＨＥＶ充放电容量分解到各个入网节点，在此优化过程中ＰＨＥＶ的充／放电策略与常规的系统控制变量（如有载调压变压器的变比或移相器的相角等）一同被视为调节系统潮流分布的手段。

２　ＰＨＥＶ充放电模式掌握ＰＨＥＶ的充放电行为特征是对其正确建模的前提。

然而，受用户充放电习惯、电池特性和环境等因素的影响，ＰＨＥＶ充放电功率具有不确定性，其中用户充放电习惯，特别是开始充放电时刻以及日行驶里程，是关键的不确定性因素。

鉴于ＰＨＥＶ充放电行为的不确定性，现有研究常给定若干假设，如ＰＨＥＶ每天只充／放电各一次等，这对于日平均行程较大的ＰＨＥＶ而言有些苛刻。

此外，一般采用数理统计方法［１２］或随机模拟方法（如蒙特卡洛法［６］等）获取ＰＨＥＶ的充电功率和Ｖ２Ｇ功率，这种研究方法对不可调度ＰＨＥＶ的充放电功率估计进而负荷预测比较适合，但对可调度ＰＨＥＶ则有所局限。