可再生能源的广泛应用以及智能电网的不断发展催生了家庭微电网系统。家庭微电网的储能系统可用于存储分布式发电设备产生的电能, 可以缓解由风能和太阳能资源的随机性带来的不稳定问题; 同时, 储能系统还可以向电网购电或放电, 以实现“移峰填谷”的目的。在大多数情况下, 储能系统由固定的蓄电池构成。例如, 文献[1]提出了一种基于能量云的电力调度架构, 即能量云是蓄电池的组合, 为总用户供电, 以降低总成本, 减少中断时间。

据统计, 大多数电动汽车每天约有96%的时间处于闲置状态^[2]。文献[3]提出了一种双层能源监控策略, 除了对负荷的规划调度, 也通过控制两辆电动汽车的充放电功率来实现负荷功率的平衡。文献[4]提出了HDPV - V2H模式, 并对该模式在上海市的运行效果进行了分析, 结果表明, 能提高光伏效益, 促进上海地区的光伏发电产业与电动汽车行业的协同发展。文献[5]研究发现, 与电池和光伏组合相比, 电动汽车和光伏组合具有更高的成本效益。文献[6]研究发现, 使用电动汽车存储微电网产生的光伏电, 可实现与使用固定蓄电池同等水平的自消耗率。上述研究表明, 从成本方面考虑, 使用电动汽车可能比使用固定蓄电池作为系统的储能装置效果更优越。文献[7]提出了一种新模式Building to Vehicle to Building(V2B2), 利用电动汽车将家庭微电网和工作区微电网连接起来, 提高电动汽车作为储能装置的使用率。

本文综合分析了以上问题, 参考上海当地的光伏政策等条件, 在计算用电成本的基础上, 考虑如何尽可能利用光伏能并减小其对主电网的影响, 提出了基于差分进化算法的多目标优化V2B2模式的调度策略。通过这一策略对电动汽车和家用蓄电池的功率进行规划, 在提高光伏自消耗率、降低电费成本以及降低负荷峰谷差方面取得了良好的效果, 在结果对比中表现出优于对照方案的性能。

V2B2模式是指电动汽车与多栋固定建筑交互, 共同构成一个系统。这个框架的重点在于, 不仅允许传统电网的电力转移, 而且将电动汽车视为一种供电设备。与传统的电网电力传输相比, 这一概念利用电动汽车的电力储存功能和可移动性, 构建了一种新的电能传送方式。电动汽车可在多个建筑之间移动, 同时还可与这些建筑交换电能。V2B2模式的框架^[8]如图 1所示。

V2B2模式下的系统组件主要包含电动汽车、蓄电池、光伏、用电设备。在该模式下, 系统设定每日电动汽车在家与工作区之间来回。家和工作区都配备光伏发电装置, 但只有家庭配备了固定的蓄电池。电动汽车则为当前停靠的建筑区域提供电能或储存电能。系统根据设定好的控制策略决定采取何种行动。

电动汽车的模型构建参考文献[9]。电动汽车对微电网的充放电功率设定范围为P_{ev, t}∈[P_{ev, min}, P_{ev, max}]。其中: P_{ev, t}表示t时段电动汽车的功率, P_{ev, t}＞0时电动汽车充电, 反之, 电动汽车放电; P_{ev, max}和P_{ev, min}表示电动汽车充放电功率的上限和下限。

电动汽车的储能余量由电池的荷电状态来表示。通常, 为了保证电池的使用寿命, 避免过充过放, 荷电状态的设定范围为S_{ev, t}∈[S_{ev, min}, S_{ev, max}]。其中, S_{ev, t}表示t时段电动汽车电池的荷电状态, S_{ev, max}和S_{ev, min}分别表示电动汽车电池荷电状态的上限和下限。

电池荷电状态的变化公式为

$ S_{\mathrm{ev}, t}= \begin{cases}S_{\mathrm{ev}, t}+\frac{P_{\mathrm{ev}, t} \eta_{\mathrm{ev}}}{C_{\mathrm{ev}}}, & P_{\mathrm{ev}, t} \geqslant 0 \\ S_{\mathrm{ev}, t}+\frac{P_{\mathrm{ev}, t}}{C_{\mathrm{ev}} \eta_{\mathrm{ev}}}, & P_{\mathrm{ev}, t}<0\end{cases} $

(1)

式中: η_ev——电动汽车的充放电效率;

C_ev——电动汽车的电池容量。

固定在建筑内的蓄电池模型与上述模型相似^[9], 满足P_{sb, t}∈[P_{sb, min}, P_{sb, max}], S_{sb, t}∈[S_{sb, min}, S_{sb, max}], 且

$ S_{\mathrm{sb}, t}= \begin{cases}S_{\mathrm{sb}, t}+\frac{P_{\mathrm{sb}, t} \eta_{\mathrm{sb}}}{C_{\mathrm{sb}}}, & P_{\mathrm{sb}, t} \geqslant 0 \\ S_{\mathrm{sb}, t}+\frac{P_{\mathrm{sb}, t}}{C_{\mathrm{sb}} \eta_{\mathrm{sb}}}, & P_{\mathrm{sb}, t}<0\end{cases} $

(2)

式中: P_{sb, t}——t时段蓄电池的功率, P_{sb, t}＞0时蓄电池充电, 反之, 蓄电池放电;

P_{sb, max}, P_{sb, min}——蓄电池充放电功率的上限和下限;

S_{sb, t}——t时段蓄电池的荷电状态;

S_{sb, max}, S_{sb, min}——蓄电池荷电状态的上限和下限;

C_sb——蓄电池的电池容量;

η_sb——蓄电池的充放电效率。

采用Osterwald物理类预测方法对光伏装置的输出功率进行预测^[9], 公式为

$ P_{\mathrm{pv}, t}=\frac{G_{t}}{G_{\mathrm{s}}} P_{\mathrm{pv}, \mathrm{s}}\left[1+\mu\left(T_{t}-T_{\mathrm{s}}\right)\right] $

(3)

式中: P_{pv, t}——t时段光伏的实际功率;

G_t, G_s——t时段光照强度和标准光照强度;

P_{pv, s}——光伏的额定功率;

μ——功率温度系数;

T_t, T_s——t时段环境温度和标准环境温度。

家庭与电网的交换功率用P_{grid, t}表示, 公式为

$ P_{\text {grid }, t}=P_{\mathrm{app}, t}+P_{\mathrm{ev}, t}+P_{\mathrm{sb}, t}-P_{\mathrm{pv}, t} $

(4)

式中: P_{app, t}——用电设备在t时段的总功率。

同时, 为了保证线路安全, 将家庭与电网的交换功率限制为P_{grid, t}∈[P_{grid, min}, P_{grid, max}], P_{grid, max}和P_{grid, min}分别表示与电网交换功率的上限和下限。

本文在原V2B2架构基础上, 融入了差分进化算法对系统的控制变量(电动汽车功率和蓄电池功率)进行优化, 同时在优化目标中加入对光伏利用率和主电网稳定性的多目标优化。

差分进化算法的流程如图 2所示。其中, 个体指所需优化的变量集合。算法通过将群体中两个随机个体的差向量进行加权和变异生成变异个体, 并将其与原有个体交叉生成新的实验个体。每一次迭代时, 选择原有个体和实验个体中适应度较高者。通过不断地迭代, 使优化结果向最优解逼近。

个体的编码方式为{P_{ev, t}, P_{sb, t}}(t=0, 1, 2, …, 23), 本文设定总时段数为24, 即每小时为1个时段。

为了尽可能地降低高峰期电网压力, 平衡家庭与电网的交换功率, 将最小化负荷峰谷差(F₁)作为目标函数之一, 即

$ \min F_{1}=\Delta P_{1}+\Delta P_{2} $

(5)

$ \Delta P_{1}=P_{\text {grid_1,max }}-P_{\text {grid_1, min }} $

(6)

$ \Delta P_{2}=P_{\text {grid_2,max }}-P_{\text {grid_ } 2, \text { min }} $

(7)

式中: P_{grid_1, max}, P_{grid_1, min}——家庭与电网的最高和最低交换功率;

P_{grid_2, max}, P_{grid_2, min}——工作区与电网的最高和最低交换功率。

将通过V2B2模式可获取的经济利益或需要支出的电费成本(F₂)作为目标函数之一。函数公式为

$ \min F_{2}=\sum\limits_{t=0}^{23}\left(C_{1, t}+C_{2, t}-C_{3, t}\right) $

(8)

$ C_{1, t}=I_{1, t} P_{\text {grid_} 1, t}^{+} $

(9)

$ C_{2, t}=I_{2, t} P_{\text {grid_2}, t}^{+} $

(10)

$ C_{3, t}=I_{3, t}\left(P_{\text {grid_} 1, t}^{-}+P_{\text {grid_ } 2, t}^{-}\right) $

(11)

式中: C_{1, t}, C_{2, t}——t时段家庭和工作区的用电成本;

C_{3, t}——t时段家庭和工作区向电网输电的收入;

I_{1, t}, I_{2, t}, I_{3, t}——家庭实时电价、工商业实时电价以及输电电价, 其中输电电价包含光伏补助部分;

P_{grid_1, t}⁺, P_{grid_1, t}^-——t时段家庭与电网交换功率的正数部分和负数部分, 即购电和送电部分;

P_{grid_2, t}⁺, P_{grid_2, t}^-——t时段工作区与电网交换功率的正数部分和负数部分。

采用光伏自消耗率来表示系统对可再生能源的使用情况。光伏自消耗率R_{pv_self}的公式^[10]为

$ R_{\mathrm{pv}_{-} \mathrm{self}}=\frac{P_{\mathrm{pv}_{-} \mathrm{c}}}{\sum\limits_{t=0}^{23} P_{\mathrm{pv}, t}} $

(12)

式中: P_{pv_c}——光伏电的消耗总量。

因此, 将家庭和工作区的光伏自消耗率目标函数(F₃)设定如下

$ \min F_{3}=1-\frac{P_{\mathrm{pv}_{-} 1_{-}\mathrm{c}}+P_{\mathrm{pv}_{-} 2_{-} \mathrm{c}}}{\sum\limits_{t=0}^{23}\left(P_{\mathrm{pv}_{-} 1, t}+P_{\mathrm{pv}_{-} 2, t}\right)} $

(13)

$ P_{\mathrm{pv}_{-} 1_{-}\mathrm{c}}=\sum\limits_{t=0}^{23} \min \left(P_{\mathrm{pv}_{-} 1, t}, P_{\mathrm{L}_{-} 1, t}\right) $

(14)

$ P_{\mathrm{pv}_{-}{2}_{-} \mathrm{c}}=\sum\limits_{t=0}^{23} \min \left(P_{\mathrm{pv}_{-} 2, t}, P_{\mathrm{L}_{-} 2, t}\right) $

(15)

$ P_{\mathrm{L}_{-} 1, t}=P_{\mathrm{app}_{-} 1, t}+P_{\mathrm{ev}, t} s_{\mathrm{ev}, 1}+P_{\mathrm{sb}, t} $

(16)

$ P_{\mathrm{L}_{-} 2, t}=P_{\text {app_}{2, t}}+P_{\mathrm{ev}, t} s_{\mathrm{ev}, 2} $

(17)

式中: P_{pv_1_c}, P_{pv_2_c}——家庭和工作区的光伏电消耗总量;

P_{pv_1, t}, P_{pv_2, t}——t时段家庭和工作区的光伏功率;

P_{L_1, t}, P_{L_2, t}——t时段家庭和工作区的总负荷功率;

P_{app_1, t}, P_{app_2, t}——t时段家庭和工作区的用电设备总功率;

s_{ev, 1}, s_{ev, 2}——电动汽车在家庭和工作区的状态, 1表示连接, 2表示未连接。

为实现对多个指标共同优化的目的, 本文仿照文献[11]构建了多目标优化的目标函数。统一的目标函数(F)设定为

$ \min F=\frac{1}{3}\left(\frac{F_{1}}{F_{1, \min }}+\frac{F_{2}}{F_{2, \min }}+\frac{F_{3}}{F_{3, \min }}\right) $

(18)

式中: F_{1, min}——只对负荷功率峰谷差进行优化时得到的最优值;

F_{2, min}——只对电费成本进行优化时得到的最优值;

F_{3, min}——只对光伏自消耗率进行优化时得到的最优目标值。

选取一户典型家庭作为研究对象, 整个系统配置沿用原V2B2模式的设定, 即调度对象包括一辆电动汽车和家庭配备的固定蓄电池, 其中固定蓄电池的容量为10 kWh。家庭和工作区都配备了额定功率为5 kW的光伏系统。调度周期设定为24 h, 用户在早上07:00从家中乘电动汽车出发前往办公区, 傍晚18:00乘电动汽车回家。家庭和工作区的典型日负荷功率曲线如图 3所示, 数据参考文献[4]。

电价方面, 家庭购电电价使用上海市低于3 120 kWh档电价标准, 即谷时段(22:00—06:00)为0.307元/kWh, 峰时段(06:00—22:00)为0.617元/kWh。工作区电价使用一般工商业电价标准, 同样简化处理, 采用非夏季不满1 kV档位, 即谷时段(22:00—06:00)为0.489元/kWh, 峰时段(06:00—22:00)为1.019元/kWh。

分布式能源上网电价包括全国光伏补贴、上海市光伏补贴以及上海燃煤发电上网标杆价格。根据国家发改委和上海发改委的数据, 2020年全国户用光伏补贴为0.08元/kWh, 全国工商业光伏补贴为0.05元/kWh, 2020年上海市光伏补贴为0.10元/kWh, 燃煤发电标杆电价为0.435 9元/kWh^[12-14]。

在设定的标准状况下, 电动汽车的里程为50 km, 型号为荣威R ER6, 天气情况为阴天。当其中一项数据发生变化时, 另外两项数据保持不变。标准状况下无V2B2模式(No V2B2)、原V2B2模式(Original V2B2)以及改进的V2B2模式(Modified V2B2)优化后的各时段电动汽车和蓄电池充放电功率、电池荷电状态以及家庭和工作区与电网交换功率分别如图 4、图 5和图 6所示。

文献[15]中的数据显示, 上海电动汽车的出行里程大多集中在0~100 km内, 因此设定每日里程为20 km, 50 km, 100 km 3档。3档里程下的指标结果如表 1所示。

表 1中, 无V2B2表示电动汽车在接入微电网后立即进行充电直至充满, 且只能进行充电操作; 原V2B2表示遵循文献[7]策略的模式; 改进V2B2则表示采用多目标优化的改进V2B2模式。前3列数据是单独对光伏自消耗率进行优化的结果, 中间3列是单独对电费支出进行优化的结果, 后3列是单独对负荷峰谷差进行优化的结果。

在改进V2B2模式下, 光伏自消耗率最高, 平均约为67.91%;电费支出最低, 且随着里程的增加而降低收入, 最优情况为里程20 km时净收入9.93元; 负荷峰谷差也是最低, 且随着里程的增加而增大, 最优为里程20 km时的9.80 kW。

本文选择了3款市面上的电动汽车进行对比。其中, 比亚迪秦新能源车(C₁)电池容量为53.1 kWh, 每百公里能耗为12.6 kWh; 荣威RER6(C₂)电池容量为69.9 kWh, 每百公里能耗为12.2 kWh; 小鹏汽车P7(C₃)电池容量为80.9 kWh, 每百公里能耗为11.5 kWh。3种电动汽车的其他参数则保持一致: 充放电效率为90%;电池状态允许范围为[20%, 90%]; 最大充电功率为5 kW; 最大放电功率为5 kW。指标对比结果如表 2所示。

由表 2可以看出, 在改进V2B2模式下, 汽车电池容量较大的两款车型表现最优, 光伏自消耗率均高于68.00%, 电费支出平均约为净收入8.47元, 负荷峰谷差约为9.97 kW。电池容量低的那款车型, 光伏自消耗率偏低, 而其他两项指标表现较好。

天气状况的改变会引起光伏设备输出功率的变动。本文设置了晴天、阴天、雨天3种天气类型, 并在上海2020年4月的气象数据中各选取一典型日数据。

3种天气条件下不同模式的指标结果对比如表 3所示。

由表 3可以看出, 晴天条件下, 改进V2B2模式的光伏自消耗率低于原V2B2模式, 阴天和雨天时的光伏自消耗率均高于原V2B2模式, 且在雨天达到最高为99.88%;电费支出在晴天时达到最优, 为净收入30.09元; 负荷峰谷差在雨天时达到最低, 为7.02 W。综上所述, 在设定的数据差分内, 绝大多数情景下, 改进V2B2模式都能取得更好的指标结果。

本文分析了V2B2模式在上海的应用结果, 建立了一个包含光伏、电动汽车在内的家庭-办公区能源调度模型, 并根据这一模型提出了基于差分进化算法改进的多目标优化V2B2模式的调度策略。该调度策略以整个系统的用电成本最小化、光伏自消耗率最大化、负荷功率峰谷差最小化为优化目标, 建立了一个综合的目标函数, 并采用差分进化算法求解该问题。案例分析采用了上海地区的环境、市场等方面的数据, 对3个方面的变量进行了对比说明, 验证了这一调度策略的有效性, 为家庭微电网的调度问题提出了一种新的解决思路和方法。