V2G技術參與微電網能量協調控制的仿真研究

寧 琳，白 迪

（沈陽工程學院 a.研究生部；b.電力學院，遼寧 沈陽 110136）

在如今這個能源緊缺的時代里，推廣并使用電動汽車已成為必然的發展趨勢。經過我國在電動汽車相關技術等方面半個多世紀的研究與努力，現在整個國內市場已取得了極大的進步，不僅連續3年產銷量居世界首位，使用率也遠遠超過其他國家，且未來在新技術研發上也將漸趨完善。

電動汽車具有使用費用低、對環境友好、安全性好的優點。鑒于目前電動汽車的普及程度，當大量不同種類的電動汽車同時接入微電網時，其無序的充放電會給整個系統帶來不利的影響，如造成電壓不穩等問題，且并網的同時引發用電負荷激增［1］。根據某城市日常駕駛模式的調查研究顯示，大部分行程都集中在上下班時間，在這些時段內恰好是居民用電的高峰時期，若駕駛者選擇在此時對電動汽車進行充電那便會“峰上加峰”，加重了輸配電的壓力。文獻［2］指出我國微電網的負荷峰谷比在日漸增大，平均峰谷差率已達到1：0.4，若不組織對策協調電能的供給，隨著電動汽車的規?；l展，該數值必將進一步加大。

運用V2G技術（Vehicle-to-Grid），引導用電高峰期電動汽車向微電網輸送電能，從而降低峰谷差。本文建立了V2G參與調峰的數學模型，根據文獻［3］的調度策略，提出了一種改進的粒子群優化算法，用MATLAB/Simulink仿真軟件將兩種算法的仿真結果進行對比，驗證了電動汽車充放電對微電網能量協調控制的可行性，說明了優化過的粒子群算法效果更為理想。

1 V2G技術概述

V2G技術充分體現了電動汽車與智能電網間的友好互動，它是能量、信息雙向互動的技術［4-6］。電動汽車的種類有很多，本質上也有很大的區別，油電混合動力電動汽車沒有裝置可與電網產生相互作用，因此，接入電網不會有任何影響。只有純電動汽車和插電式混合動力電動汽車與電網有交互作用，可以考慮應用V2G技術，本文所研究的電動汽車指該兩種。由于電動汽車在每日大部分時間內均處于空閑狀態，如果利用電動汽車V2G功能，使能量在車輛和微電網之間雙向流動，作負載時可將電能儲存在電池中滿足自身需求，電網負荷高峰時段又可作為分布式儲能設備使用。V2G技術不僅可以降低遠距離高電量的電能在傳輸過程中的網損，還可以大大減少電網高峰時所需要投入的火電資金，充分利用了智能電網的靈活性與電動汽車電池充放電的優勢，有效對電網實施調峰，平滑了電網日負荷曲線，減緩了供電壓力。

2 V2G系統部件及信息流程

V2G系統在結構上可概括為4個層面：電網層、站控層、智能充放電裝置層及車輛層［7］。其中，雙向智能充放電裝置既與電網交互信息，又與車輛進行互動。整個系統的運作需要各個設備之間保持通信，圖1為信息傳遞示意圖。

圖1 V2G系統信息流程

2.1 電池管理系統

電池管理系統（BMS）是電動汽車的重要組成單元，內部包括電池終端模塊、中間控制模塊、顯示模塊。根據組成模塊各自不同的功能，BMS可以對電池進行電壓、電流測量，溫度檢測，荷電狀態（SOC）、健康狀態（SOH）、可用能量狀態（SOE）［8］等數值估計并存儲數據，用診斷算法進行故障自檢，防止過量充放電損傷車輛電池，必要時及時報警，保證運行安全。BMS從各方面全面監控電池性能，用CAN總線將數據完整傳輸到充放電裝置，即EV-PCS，進而上報到后臺管理系統做出反應策略，將充放電指令傳回充放電裝置，如此實現了信息的雙向流動。

2.2 智能用戶終端

圖1中UT為用戶終端，用戶可在儀表盤上直觀了解到電動汽車的狀態信息。裝置的組成結構如圖2所示，基礎電氣設備元件包括顯示器、揚聲器、讀卡器等等，市面上大部分采用ARM嵌入式處理器，主要擁有無線數據通信模塊、GPS模塊和CAN總線接口。在電動汽車上安裝整個終端系統，除2.1節提到的與BMS雙向傳遞電池綜合信息以外，還可以把用戶的指令傳輸到相應的控制設備上，各自分別實現了信息交互。智能用戶終端具有GPS數據接收功能，定位用戶所處地理位置；具有無線通信功能，定期向后臺管理中心傳送UT統計的信息，目前主要使用通用無線分組技術GPRS/3G，并選擇合適的網絡作為外界遠程聯系的通道。

圖2 用戶終端結構

2.3 雙向智能充放電裝置

智能充放電機EV-PCS由低壓控制器LPCS和本地管理機CPCS組成，作為V2G技術的核心部分與各重要裝置均有相互作用，以RS485雙向連接智能電表SM記錄電量信息并設置參數。雙向智能充放電裝置無線接收控制中樞的充放電指令，在充電模式下執行對象僅為車輛，為單向操作；如果是V2G模式（電網負荷高峰期），需要從UT得到用戶設置的SOC極值，功能上與EMS合并為一個系統負責確定充放電策略，與BMS雙向操作，且自帶欠壓、過壓、過流等保護功能。

3 V2G調峰模型

V2G參與電網調峰要比傳統的調峰方式響應速度更快、綜合效益更高。目前，研究V2G技術應用策略的方法以用仿真軟件預測電網負荷曲線為主，目的是使電動汽車入網后曲線會趨于平滑。

3.1 目標函數

根據“削峰填谷”的優化目標，把調度中心的控制單元調整為1 h（共24個單元），日負荷曲線均方差最小值確立為目標函數，即

式中，PLj為j時段電網負荷功率代表電網日平均負荷功率；n為接入電網的電動汽車數量；Pij為j時段i輛電動汽車參與電網調峰的總負荷功率，放電數值為正，充電數值為負。

3.2 約束條件

1）功率約束

電動汽車充放電功率約束為表達式（2），一般充電線路的傳輸功率不允許超過15 kW，因此，式中Pmax取值15，且該條件下主要考慮對電流的約束。式（3）、（4）中，Iic為充電電流；Iid為放電電流；IiN則根據不同種類電動汽車的電池型號來確定其額定值。

綜合以上式子，j時刻電動汽車i的功率約束條件為式（5）、（6）、（7），其中Vij為車輛充電的額定電壓（單相220 V，三相380 V）。

2）電池容量約束

用戶可以根據行駛需求設定約束范圍，在電動汽車離開電網時滿足下式：

式中，電池荷電狀態用Soc表示，定義為電池剩余容量與完全充滿電時容量QiN的比值；Socset為用戶對電池約束的荷電狀態；Socc為滿荷狀態。

SSoc為電池荷電狀態值，考慮電池的使用壽命，要求數值最小不低于0.2，最大不超過1，SSocij表示車輛i在j時段內的荷電狀態，充放電時電池容量的變化量用△Qij表示，Qijmax可表示容量上限，Qijmin可表示容量下限。

4 改進的粒子群算法

粒子 群算法（Particle Swarm Optimization，PSO）又稱鳥群覓食算法，最早由J.Kennedy和R.C.Eberhart提出［9］，是一種優于遺傳算法的進化算法。通過一種隨機粒子逐次迭代找到全局最優值，具有收斂速度快、精度高、易實現等優點。本文建立的模型變量為電動汽車參數，有很多不確定因素，目標函數求解為最小值，適用粒子群算法。根據文獻［3］基于粒子群算法的電動汽車調度策略流程，如圖3所示，從以下兩方面進行了改進。

4.1 粒子慣性權重

PSO算法在空間搜索時，較大的慣性權重適用于迭代初期進行全局搜索，較小的慣性權重對后期局部搜索有利，為了在兩者之間達到平衡，Shi Y等人提出了一種線性遞減權重（LDIW）［10］：式中，K為迭代次數；Kmax為設定的最大迭代次數；ωmax為最大慣性權重；ωmin為最小慣性權重。隨著迭代次數K的增加，慣性權重ω逐漸變小。

加入式（12）的程序可以自適應的更新慣性系數。選取ωmax=2，ωmin=0.1，Kmax=300。

圖3 基于粒子群算法的調度策略流程

4.2 粒子更新速度

研究車輛在一天24個時段里跟電網交換負荷的情況，因此，維數為24，初始化群體個數m=100，則粒子i位置表示為Xi=( )Xi1,Xi2,…,Xi24,i=(1,2,…,100)，運行過程中其“飛行”速度亦為n維向量Vi=(Vi1,Vi2,…,Vi24),i=(1,2,…,100)，其 他 速度參數根據經驗設Vmin=-0.5，Vmax=0.5。

粒子群算法根據式（13）更新粒子速度，xi(k)為粒子i位置信息，pi(k)代表粒子i個體極值位置，gi(k)代表全局極值位置。

改進的PSO在速度更新上，將上兩次的速度進行了加權作為新的速度，主程序如下：

這里alf是介于0到1之間的參數，用于將上兩個時刻的粒子速度聯系在一起來求取此時的粒子速度，v1（i,：）表示前兩個時刻的粒子i的速度；v2（i,：）表示前一個時刻的粒子i的速度；v3（i,：）表示當前時刻的粒子i的速度。學習因子c1=1，c2=2。

5 仿真算例

采用某一樓宇的日負荷曲線進行仿真驗證，數據如表1所示，可得Pav=83 kW。為計算方便，假設2 000輛相同型號的電動汽車接入電網，行駛消耗功率均為8 kW，電池額定容量為40 kW·h，允許最大充放電功率為15 kW，統一取電動汽車進站的初始荷電狀態為0.8，用戶要求的出站最低荷電狀態為0.9。

表1 電網日負荷

基于表1的數據，根據上文提到的數學模型和所設定的參數，使用MATLAB仿真軟件分別對基本粒子群算法與本文所提出的改進后的粒子群算法調整負荷曲線的效果進行驗證，輸出數據如表2，曲線如圖4和圖5所示。

表2 電動汽車與電網交換負荷

圖4 目標函數值隨迭代次數變化曲線

圖5 V2G調節量

由圖4可以看出，目標函數值隨著迭代次數的增加而減少，直至達到最大迭代次數可以得到最優解，改進后的PSO算法迭代速度以及達到的適應度函數值都比以前要好。將圖5的V2G調節量計入到電網中，并對這兩種算法的調峰效果進行了比較，如圖6所示。

圖6 V2G參與電網調峰負荷曲線

由圖6可知，原負荷曲線在23：00～6：00為負荷低谷期，而在12：00～14：00和19：00～22：00出現兩個負荷高峰期。仿真結果表明，V2G技術基本實現了微電網電能的協調控制，達到了削峰填谷的效果，其中改進后的算法較原電網狀態有明顯改善，說明該算法要優于基本粒子群算法，日負荷曲線幾乎可以用一條恒定負荷曲線取代，對電能分銷商大有益處，同時還降低了電價，給用戶帶來了便利。

6 結 論

本文充分說明了通過采用V2G可以降低電網負荷高峰時對發電機組的需求，使用改進的粒子群算法更能實現這一觀點。電動汽車通過V2G技術并入電網，不但在電網支撐、穩定性和負荷調節方面對配電網有利，而且對儲能普及應用也有好處。但是，不當的V2G功能管理會給車輛的內置儲能帶來風險，需要設置放電速度和放電深度延長電池壽命。一個帶有V2G放電深度限制的電網，從本質上具有降低和削除日負荷高峰的能力［11］，可見這項技術未來具有很大的研究空間和發展前景。