一种含电动汽车的微电网多目标优化调度方法

摘要

本发明涉及一种含电动汽车的微电网多目标优化调度方法，其特征在于，该方法包括以下步骤：1)确定电动汽车接入微电网的模式，通过在不同接入模式下的单台电动汽车放充负荷分布特性叠加获取电动汽车的放充负荷分布特性；2)将电动汽车作为微电网调度对象加入到微电网优化调度中，并根据电动汽车的放充负荷分布特性建立考虑大规模电动汽车接入的微电网优化调度模型；3)采用基于自动重组机制的粒子群优化算法求解考虑大规模电动汽车接入的微电网优化调度模型，并比较分析多种不同调度策略下的微电网调度经济性，从而得到最优调度策略。与现有技术相比，本发明具有考虑全面、有效可行等优点。

说明书

技术领域

本发明涉及微电网调度领域，尤其是涉及一种含电动汽车的微电网多目标优 化调度方法。

背景技术

微电网作为一种新型分布式电源网络化管理与供应技术，能为可再生能源发 电系统接入配电网提供便利，并实现需求侧能量有效管理和主网电力能源高效利 用。

微电网的优化调度问题类似于传统大电网的优化调度问题，但又有其特殊性 和复杂性。优化调度问题，主要目标是为了实现电网运行过程的成本最低。随着环 境污染的问题日益引起人们的关注，现在很多研究人员都将环境污染成本放到调度 优化的问题中。而在微电网的优化调度中，降低运行成本和减少污染物排放，对整 个电网的节能减排有也有着重大的意义。

近年来，随着政府节能环保和高新科技相关政策的加强和落实，使用电动汽 车(ElectricVehicle,EV)的用户数量不断增加，同时这些电动汽车的电能存储量已相 当可观。然而，电动汽车接入电网是灵活和分散的，不受空间和时间的限制，这个 特点将会增加电网的不稳定性，并影响电网的电能质量。类似于分布式电源，如果 将电动汽车接入微电网，可以避免或降低电动汽车直接接入对电网的影响。

目前，针对微电网多目标优化调度和电动汽车大规模接入问题，国内外的学 者进行了一系列研究工作，并取得了一些理论和实践方面的成果。陈达威和朱桂萍 建立了计及环境因素的微电网的优化调度模型，但只是对两个目标函数运行费用最 低和污染处理费用最低分别乘以固定的权值求和，其实仍然是单目标优化调度。杨 琦等主要研究了四种涉及并网和孤岛运行微电网经济调度系统的硬件结构，并分析 了储能单元的作用。S.W.Hadley等研究了EVs最后一次返回时刻和日行驶路程的 统计学规律，建立了EVs充电需求的统计模型，并分析了EVs随机充电对电网负 荷的影响。韩海英等考虑了电动汽车按时段充放电过程，并建立了含大规模可入网 EVs的微电网优化调度模型，得到了个发单机组组合出力。但是，这些处理方式相 对简单，很多方面需要进一步的研究探讨。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种考虑全面、有 效可行的含电动汽车的微电网多目标优化调度方法。

本发明的目的可以通过以下技术方案来实现：

一种含电动汽车的微电网多目标优化调度方法，其特征在于，该方法包括以下 步骤：

1)确定电动汽车接入微电网的模式，通过在不同接入模式下的单台电动汽车 放充负荷分布特性叠加获取电动汽车的放充负荷分布特性；

2)将电动汽车作为微电网调度对象加入到微电网优化调度中，并根据电动汽 车的放充负荷分布特性建立考虑大规模电动汽车接入的微电网优化调度模型；

3)采用基于自动重组机制的粒子群优化算法求解考虑大规模电动汽车接入的 微电网优化调度模型，并比较分析多种不同调度策略下的微电网调度经济性，从而 得到最优调度策略。

所述的步骤1)中的模式包括单向无序充电的V0G模式和双向有序充放电的 V2G模式。

所述的步骤2)中考虑大规模电动汽车接入的微电网优化调度模型的优化目标 函数为：

微电网调度运行成本Obj₁最小：

排放污染物的处理费用Obj₂最小：

微电网调度综合成本最低：

minObj₃＝m₁Obj₁+m₂Obj₂

其中，C_G为分布式电源的燃料成本，C_OM为运行维护成本，C_DP为发电单元的 折旧成本，C_Grid为微电网与大电网电能交换成本，C_EV为微电网与电动汽车电能交 换成本，C_L为负荷停运补偿成本，ΔT_t为，T为，j为微电网中分布式发电单元编 号，t为运行时段，k为所排放的污染物类型，C_k为处理每千克排放污染物的费用， γ_jk(P_jt)为是微电网内发电单元j输出P_jt电能时产生的污染物k的重量，γ_gridk(P_gridt)为 配电网输出P_gridt电能时产生的污染物k的重量，m₁、m₂为运行成本和排放成本的 权重；

约束条件为：

功率平衡约束：

冷/热功率平衡约束：

W_Load＝W_MT+W_FC

分布式发电单元有功功率P_jt上下限约束：

微电网与主网的交换功率P_grid限值约束：

储能单元的功率P_SBt约束和荷电SOC_SBt约束：

P_SBmin≤P_SBt≤P_SBmax

SOC_SBmin≤SOC_SBt≤SOC_SBmax

SOC_end＝SOC₀

电动汽车的功率P_Evt约束和荷电SOC_EVt约束：

P_EVmin≤P_EVt≤P_EVmax

SOC_EVmin≤SOC_EVt≤SOC_EVmax

其中，P_jt为t时段微电网内发电单元j发出的功率，P_gridt为t时段配电网向微电 网传输的功率，P_batteryt为t时段蓄电池发出的功率，P_loadt为t时段微电网内的负荷需 求，W_Load为整个微电网系统的冷/热负荷需求，W_MT为微型燃气轮机余热烟气提供 的冷/热功率，W_FC为燃料电池发电产生热量提供的冷/热功率，为分布式发电 单元j的最小输出功率，为分布式发电单元j的最大输出功率，为微电网 与配电网之间公共点线路所能传输的最小功率，为微电网与配电网之间公共点 线路所能传输的最大功率，P_SBmin、P_SBmax分别为蓄电池充放电的最小功率和最大功 率，SOC_SBmin、SOC_SBmax分别是蓄电池荷电状态的最小值和最大值，SOC₀和SOC_end分 别为一天调度周期内初始时刻0和终止时刻24蓄电池的荷电状态，P_EVmin、P_EVmax分 别为电动汽车充放电的最小功率和最大功率，SOC_min、SOC_max分别是电动汽车电池 荷电状态的最小值和最大值。

在单向无序充电的V0G模式下，电动汽车的放充负荷分布特性中电动汽车的 电量需求为：

E_EV＝η_EV·d

其中，η_EV为电动汽车单位行驶里程的电量需求系数，每台电动汽车的行驶里 程d服从对数正态分布，其概率密度函数为：

充电时间f(x)满足正态分布：

其中，μ_d和μ_s为期望值，σ_d和σ_s为标准差。。

在双向有序充放电的V2G模式下，电动汽车的放充负荷分布特性中的放电持 续时间T_disc1为：

结合电动汽车的充电功率可得到充电持续时间，从而得到持续充电时间T_disc2为：

单辆电动汽车所需充电负荷为一天之中所耗总能量，即P_EV为：

其中，T_all-disc为电动汽车充满电时放至荷电状态下限所需放电总持续时间，P_disc为电动汽车放电功率，SOC_max和SOC_min分别为蓄电池荷电状态的上下限，D为电 动汽车日行驶里程，W₁₀₀为电动汽车百公里耗电量，T_{end_disc}为放电结束时刻，T_{start_disc}为入网放电时刻，P_c为电动汽车充电功率。

所述的步骤2)中的多种不同的调度策略包括微电网并网运行策略和微电网孤 岛运行策略。

所述的步骤3)具体包括以下步骤：

31)根据电动汽车的接入模式，设定微电网中各分布式发电单元的模型参数、 各目标函数参数和各约束条件参数，并引入不可控可预测分布式电源出力和冷电负 荷参数；

32)将可控出力单元微型燃气轮机、燃料电池、柴油发电机、蓄电池和主网互 换功率作为五维粒子，并设定粒子群算法参数，包括粒子数、解空间维数、最大迭 代次数、粒子最大速度以及重组指标r；

33)计算每个粒子的适应度，并记录下每一个粒子当前的个体极值以及对应的 目标函数值，进而获取全体极值以及所对应的目标函数值，并选出个体最优值和全 局最优值；

34)迭代当前次数加一，更新粒子群进行位置和速度；

35)判断结果是否符合过早收敛标准且重组次数是否达到预先设定的值，若结 果符合过早收敛标准且重组次数没有达到预先设定的值，则重组粒子群且重组指标 r＝r+1，并返回步骤33)，否则进行步骤36)；

36)判断是否满足收敛条件，若是，则得到全局最优或者达到最大迭代次数， 结束迭代过程，若否，则返回步骤33)，继续迭代操作。

与现有技术相比，本发明具有以下优点：

考虑了电动汽车的充放电电特性和车主的使用习惯，制定了电动汽车分别采用 单向无序的V0G和双向有序的V2G模式接入微电网，从而建立了一个考虑电动汽车 大量接入的微电网优化调度数学模型，同时使用运行维护成本最小、环境效益最高 和综合费用最低三个优化目标，在六种预先设定的调度策略下比较分析不同电动汽 车接入方式对微电网经济运行的影响，从而验证电动汽车以V2G模式接入和V0G 模式接入所建微电网优化调度模型的有效性和可行性。

附图说明

图1为电动汽车随机充电模式下微电网优化调度分析流程图。

图2为基于蒙特卡洛模拟法的电动汽车充电负荷计算流程图。

图3为单向无序的V0G模式下电动汽车负荷曲线图。

图4为双向有序的V2G模式下电动汽车负荷曲线图。

图5为并网运行下蓄电池充放电策略。

图6为PV、WT的预测功率曲线图。

图7为策略1优化目标三下各发电单元的优化出力情况图。

图8为策略3优化目标三下各发电单元的优化出力情况图。

图9为策略4优化目标三下各发电单元的优化出力情况图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。

实施例：

本发明针对电动汽车加入微电网后，对优化调度的影响。为此本发明包含了分 布式电源包括光伏(Photovoltaic,PV)、风电(WindTurbine,WT)、燃料电池(Fuel Cell,FC)、微型燃气轮机(MicroTurbine,MT)、柴油发动机(DieselGenerator, DSG)和储能单元包括蓄电池(Battery,Bat)，还考虑了电动汽车的接入。

微电网的优化调度问题是一个经济运行优化问题，考虑问题的偏重不同，目标 函数也不相同。本发明建立了考虑运行成本和环境效益，以及两者兼顾的综合成本 作为优化目标的微电网多目标经济调度模型。

1、优化目标

(1)微电网调度运行成本最小

本发明主要针对微电网运行过程中的经济调度成本，因此各分布式电源初期投 资建设费用不计入调度成本范畴，而只考虑分布式电源调度出力时，其运行维护成 本和燃料成本等；另外，电动汽车属于车主私人财产，电动汽车的购买和保养费用 由车主自行计算承担，不计入微电网运行成本中，不过在制定向电动汽车购电的电 价时这部分费用是一个影响因素。所以，微电网运行成本的优化目标包括分布式电 源的燃料成本C_G、运行维护成本C_OM、发电单元的折旧成本C_DP、微电网与大电网 电能交换成本C_Grid、微电网与电动汽车电能交换成本C_EV以及负荷停运补偿成本 C_L，表示式为：

(2)排放污染物的处理费用最小

微电网中的微型燃气轮机MT、燃料电池FC和柴油发电机DG运行及大电网 机组发电时会产生CO₂、SO₂、NO_X等污染物，从而会产生污染物排放处理成本。微 电网排放处理成本最小的目标函数可表示为：

式中，j是微电网中分布式发电单元编号，1～N；t是运行时段，1～T；k是所 排放的污染物类型(CO₂、SO₂、NO_X等)；C_k是处理每千克排放污染物的费用(元/kg)； γ_jk(P_jt)是微电网内发电单元j输出P_jt电能时产生的污染物k的重量(kg/kW)； γ_gridk(P_gridt)配电网输出P_gridt电能时产生的污染物k的重量(kg/kW)。

(3)微电网调度综合成本最低

minObj₃＝m₁Obj₁+m₂Obj₂(3)

式中，Obj₃为微电网综合成本；Obj₁为运行成本；Obj₂为排放污染物处理成 本；m₁、m₂分别为运行成本和排放成本的权重，为平衡能源和环境的影响，本文 假设运行成本和排放成本的权重相同，这里取m₁＝m₂＝1。

2、约束条件

(1)功率平衡约束

P_jt是t时段微电网内发电单元j发出的功率(kW)；P_gridt是t时段配电网向微电网 传输的功率(kW)，负值时表示功率由微电网反向传输到配电网；P_batteryt是t时段蓄 电池发出的功率(kW)，负值时表示蓄电池吸收功率；P_loadt是t时段微电网内的负荷 需求(kW)。

(2)冷/热功率平衡约束

冷/热电联供机组需满足冷热负荷约束：

W_Load＝W_MT+W_FC(5)

式中：W_Load为整个微电网系统的冷/热负荷需求，kW；W_MT为微型燃气轮机余 热烟气提供的冷/热功率，kW；W_FC为燃料电池发电产生热量提供的冷/热功率， kW。

(3)发电单元有功功率上下限约束

式中，为分布式发电单元j的最小输出功率；为分布式发电单元j的 最大输出功率。

(4)微电网与主网的功率交换限值约束

式中，分别是微电网与配电网之间公共点线路所能传输的最小功率 和最大功率。

(5)储能单元的功率约束和荷电约束

蓄电池系统应满足的充放电功率和荷电状态(SOC)约束为：

P_SBmin≤P_SBt≤P_SBmax(8)

SOC_SBmin≤SOC_SBt≤SOC_SBmax(9)

式中，P_SBmin、P_SBmax分别为蓄电池充放电的最小功率和最大功率；SOC_SBt是蓄 电池在t时段的荷电状态；SOC_SBmin、SOC_SBmax分别是蓄电池荷电状态的最小值和最 大值。

此外，由于微电网对蓄电池的优化调度呈现出动态周期性，本文假设蓄电池的 SOC在一天的调度周期始末保持一致，即满足约束条件：

SOC_end＝SOC₀(10)

其中，SOC₀和SOC_end分别为一天调度周期内初始时刻0和终止时刻24蓄电池 的荷电状态。

(6)电动汽车的功率约束和荷电约束

对于电动汽车，也应满足的充放电功率和荷电状态约束为：

P_EVmin≤P_EVt≤P_EVmax(11)

SOC_EVmin≤SOC_EVt≤SOC_EVmax(12)

式中，P_EVmin、P_EVmax分别为电动汽车充放电的最小功率和最大功率；SOC_EVt是 电动汽车电池在t时段的荷电状态；SOC_min、SOC_max分别是电动汽车电池荷电状态 的最小值和最大值。

3、电动汽车模型

(1)电动汽车无序充电时的功率特性

电动汽车放充电功率与电动汽车行驶里程、充电时间等不确定性因素有关，因 此需要通过生成服从统计规律的随机事件对逐台电动汽车进行仿真。将所有电动汽 车功率曲线叠加就可得到总的充电功率曲线，其流程如图1所示。

对每台电动汽车，大约有14％的概率不会出行，如果出行，其日行驶里程d近 似服从对数正态分布，其概率密度函数为：

式中：分布参数μ_d＝3.2、σ_d＝0.88，分布为电动汽车日行驶里程均值和标准方 差。相应的电动汽车充电电量需求为E_EV：

E_EV＝η_EV·d(14)

在VOG无序接入模式下，由于大多数车主回家后立刻就会给电动汽车充电， 所以假设一天中最后返回时刻就是开始充电时刻，则开始充电时刻满足正态分布：

式中：μ_s＝17.6；σ_s＝3.4。

(2)电动汽车有序充放电时的功率特性

电动汽车的有序充放电，是指在电动汽车大量接入的情况下，经电价引导等政 策，利用分时电价的方式调控电动汽车在首先满足电动汽车用户使用习惯的前提下 对电动汽车充放电进行有序调度。并网时在电价高峰时段放电，电价低谷时段充电； 孤岛时，在负荷高峰时段放电，在负荷低谷时段充电。

由日行驶里程S可得到电动汽车日消耗能量，从而得到电动汽车电池入网时的 荷电状态：

式中，C为电动汽车电池的总容量。

放电持续时间为：

式中：T_all-disc为电动汽车充满电时放至荷电状态下限所需放电总持续时间；T_disc为实际放电持续时间；P_disc为电动汽车放电功率；S_OC,max和S_OC,min分别为蓄电池荷电 状态的上下限。

入网放电时刻T_{start_disc}由最后一次返程时刻t₀与微电网的能量需求经判断得到。

放电结束时刻T_{end_disc}由开始放电时刻和放电持续时间共同决定，上限为该天结 束时刻24:00。

放电时段为T_{start_disc}～T_{end_disc}，在此期间，电动汽车按照放电功率进行放电，将 N辆电动汽车的放电负荷累加，即得到放电时段内的总放电功率。

由于放电时间的限制，部分电动汽车并未完全放完电，所以开始充电时的初始 荷电状态，因放电状况的不同而不同，该初始荷电状态由上述放电情况唯一决定。 单辆电动汽车所需充电负荷为一天之中所耗总能量，即

结合电动汽车的充电功率可得到充电持续时间，从而得到充电负荷分布。

(3)蒙特卡洛模拟法求解

蒙特卡洛分析方法(MonteCarloMethod)是一种基于随机抽样和随机模拟来 估算数学函数的统计方法。其基本求解思路为：针对待求解问题，根据物理现象本 身的统计规律，或人为构造一个适合的依赖于随机变量的概率模型，使某些随机变 量的统计量为带求解问题的解。蒙特卡洛方法依据以下两点理论：

①大数法则：在函数f(x)定义域[a,b]内，以均匀概率分布随机地抽取N个 数xi，函数值之和的算术平均收敛于函数的期望值。在抽取足够多的随机样本后， 积分的蒙特卡洛估计值将收敛于该积分的正确结果，即随机变量统计量为：

②中心极限定理：大量微弱因素累加而成的随机变量服从单一正态分布。蒙 特卡洛方法的误差ε取决于标准差σ和样本个数N，且与标准差σ成正比，与样本 个数N侧平方根成反比，即：

蒙特卡洛抽样平均近似是求解随机优化的一种有效方法，又称为随机模拟方 法，也称统计试验方法，它为验证概率形式的约束条件提供了有效的途径，它主要 应用于求解数学、工程应用和生产管理等方面的问题，蒙特卡洛抽样平均近似方法 的基本思想是：首先建立一个概率模型，使它的某个参数等于问题的解，然后按照 假设的分布，对随机变量选出具体的值(这一过程又叫抽样)，从而构造出一个确定 性的模型，计算出结果；再通过多次抽样试验的结果，得到参数的统计特性，最终 算出解的近似值。基于蒙特卡洛模拟的电动汽车充电负荷计算流程如图2所示。

图中N为电动汽车模拟数量，n为当前模拟计算的电动汽车。系统输入信息包 括电动汽车总规模、各种充电行为发生的概率分布、可能的充电时段及起始充电时 间的概率分布、从多时长约束、不同类型充电行为对应的起始SOC概率分布。对 单台电动汽车充电负荷计算，首先要确定该车的充电行为，若该车有多种充电行为， 系统阐述的一个满足U(0,1)均匀分布的随机数，根据不同充电行为发生的概率分 布，确定车辆的充电行为。

(4)电动汽车充放电案例

以一个居民区形成的微电网为例对所提模型进行验证。该居民区有400户居 民，现给定如下假设：

①平均每2户家庭拥有一辆电动汽车，即该小区拥有200辆电动汽车；

②本文选用比亚迪E6车型，参数如下：容量Q＝60kW·h；充电功率P_dh＝10kW； 耗电量S_1kWh＝4.762km/(kW·h)；放电转换效率η＝85％；

③平均每辆电动车每天行程34.76km，全部电动汽车日充电量为1460kW·h。

④为了鼓励车主参与电价引导下的电动汽车有序充放电计划，拟定微电网向电 动汽车购电的价格为实时向常规负荷售电的价格，这样电动汽车每放电1kWh车主 可获益0.6元左右(其中EVs充电时的谷时段电价为0.37元/kWh，EVs放电时的 峰时段电价为1.03元/kWh)。随着市场的成熟和技术的完善，微电网管理者可以适 当调低向电动汽车购电的价格，以收回改装充放电装置的成本。

本发明仿真了不同规模电动汽车接入电网的有序充放电负荷特性，因为电动汽 车最主要的功能还是作为交通工具，考虑到用户的用车习惯，有序充放电中， 07:00-17:00时段，不参与调度有序充放电的充放电负荷计算与无序充放电图3不 同，其仿真的日负荷曲线分别如图4所示。

4、微电网运行优化调度策略：

本发明考虑的微电网调度对象包括光伏发电设备(Photovoltaic,PV)、风力发电 机组(WindTurbine,WT)、微型燃气轮机(MicroTurbine,MT)、柴油发动机(Diesel Generator,DG)、燃料电池(FuelCell,FC)、蓄电池(StorageBattery,SB)、电动汽车 (electricvehicles,EVs)和互换电能的主网。采用分时电价模式来制定微电网优化调 度策略，根据外部电网负荷情况将全天24h划分为谷时段(00:00-07:00和 23:00-24:00)、平时段(07:00-10:00、15:00-18:00和21:00-23:00)和峰时段 (10:00-15:00和18:00-21:00)。微电网调度以1小时为一个调度单位时段，首先预 测当前调度时刻的用电负荷和冷热负荷，以及光伏发电设备和风力发电机组的出力 情况，并监控蓄电池的荷电状态，以在每一个调度时段内，微电网运行成本最小、 环境效益最大和综合成本最低为优化目标，根据不同的调度策略，得到不同调度策 略下的优化结果，并确定微电网中可控型发电单元的有功出力状态、蓄电池的充放 电功率曲线以及与主网交换的有功功率情况。

(1)微电网优化调度基本调度策略

①光伏和风电的调度策略

由于太阳能和风力属于清洁能源，不对环境造成污染，因此优先使用光伏发电 设备和风力发电机组发出的电能，并安排蓄电池来稳定它们的输出功率波动，使它 们的实际出力更符合预测出力曲线。

②蓄电池充放电调度策略

本发明主要从三个方面来考虑微电网调度系统中的蓄电池作用：

第一，稳定风机和光伏出力的波动，确保他们能按预测出力曲线出力；

第二，在微电网并网运行时，安排蓄电池在谷时段充电、在平时段断开以及在 峰时段放电，如图5所示。考虑到蓄电池的荷电状态在每一天都是周期性循环，即 一天的充放电结束后要回到该天开始的荷电状态。同时，考虑到蓄电池的充放电对 其使用寿命的影响，这里取其荷电下限为20％、上限为100％；

第三，在微电网孤岛运行时，当光伏和风电的出力满足用电负荷需，并有盈余 时，蓄电池可以储存多余电能；当光伏和风电出力不能满足用电负荷时，蓄电池可 以放电以补充供电不足。这里同样计及蓄电池充放电的周期性，并取其荷电下限为 20％、上限为90％。

(2)微电网优化调度策略

由于电动汽车具有存储电能的特性，大量接入微电网后，可以看作移动储能装 置，通过合理安排可以一定程度上代替常规储能装置或备用发电机组，从而提高电 动汽车的利用率和减少建设微电网的投资。本发明的研究重点是得出具有可行性的 微电网调度策略，并合理安排电动汽车接入微电网实现更大的运行经济性。因此， 本文制定了六项考虑电动汽车接入的微电网优化调度策略。

策略1：微电网并网运行，分布式发电单元PV、WT、MT、DG、FC和主网 共同参与优化调度，优先安排光伏发电设备PV和风力发电机组WT出力，燃料电 池FC、在“以电定热”模式下运行，微型燃气轮机MT在“以热定电”的模式下 运行，蓄电池SB在峰时段放电、谷时段充电，柴油发电机DG填补剩余不足，共 同满足用电和冷热负荷。微电网与主网之间可以双向交换电能。

策略2：微电网孤岛运行，优先安排光伏发电设备PV和风力发电机组WT出 力，燃料电池FC在“以电定热”模式下运行，微型燃气轮机MT在“以热定电” 的模式下运行。当发出电能超过用电负荷时，蓄电池SB存储多余电能；当发出电 能不能满足用电负荷时，柴油发电机DG和蓄电池SB输出功率补充供电不足；

策略3：微电网并网运行，电动汽车采用单向无序充电的V0G模式。只考虑 电动汽车EV的充电情况，即将电动汽车看作纯用电负荷。用电负荷(常规负荷+电 动汽车)由分布式发电单元PV、WT、MT、DG、FC和蓄电池SB以及主网协同出 力提供电能。

策略4：微电网并网运行，电动汽车采用双向有序充电的V2G模式。考虑电 动汽车EV的放电特性，在主网谷时段电动汽车EVs和蓄电池SB集中充电存储低 价电能，此时负荷(常规负荷+电动汽车充电负荷)由分布式发电单元PV、WT、 MT、DG、FC和主网提供电能；在平时段电动汽车EV作为交通工具不进行充放 电，常规负荷由分布式发电单元PV、WT、MT、DG、FC和蓄电池SB以及主网 提供电能；而在峰时段电动汽车按照一定概率开始放电为常规负荷提供电能，由分 布式发电单元PV、WT、MT、DG、FC和蓄电池SB协同出力提供电能，若有多 余电能则反馈到主网中。

策略5：微电网孤岛运行，电动汽车采用单向无序充电的V0G模式。只考虑 电动汽车EV的充电情况，即将电动汽车看作纯用电负荷。用电负荷(常规负荷+电 动汽车)由分布式发电单元PV、WT、MT、DG、FC和蓄电池SB协同出力提供电 能。当分布式发电单元PV、WT、MT、DG、FC和蓄电池SB最大出力不能满足 负荷电能需求时，通过暂时切除可中断负荷使整个微电网的有功功率供求平衡。

策略6：微电网孤岛运行，电动汽车采用双向有序充电的V2G模式。考虑电 动汽车EV的放电特性，负荷低谷时电动汽车EV集中充电存储可再生能源发出的 电能，此时负荷(常规负荷+电动汽车充电负荷)由分布式发电单元PV、WT、 MT、DG、FC出力提供电能；在负荷平缓时电动汽车EV作为交通工具不进行充 放电，常规负荷由分布式发电单元PV、WT、MT、DG、FC和蓄电池SB协同出 力提供电能；而在负荷高峰时电动汽车按照一定概率开始放电，同时常规负荷由分 布式发电单元PV、WT、MT、DG、FC和蓄电池SB协同出力提供电能，当分布 式发电单元PV、WT、MT、DG、FC和蓄电池SB最大出力不能满足负荷电能需 求时，通过暂时切除可中断负荷使整个微电网的有功功率供求平衡。

4、算例分析

(1)参数设置

本案例的研究时间为夏季的一天，按照时间间隔1小时制定当日00:00-24:00 时段的运行计划。图6给出了光伏、风能的24时间断面的发电预测曲线；各分布 式电源相关数据如表1所示。表2给出了微电网实时电负荷需求，而表3给出了微 电网实时冷负荷需求；表4给出了配电网的分段电价；表5给出了各发电单元污染 物排放系数。

表1微电网中各分布式电源参数

表2微电网实时电负荷需求(kW)

表3微电网实时冷负荷需求(kW)

表4微电网与配电网电价方案

注：峰时段为：10:00～15:00,18:00～21:00；平时 段为：7:00～10:00,15:00～18:00,21:00～23:00；谷时段 为：23:00～24:00,0:00～7:00。

表5各发电单元污染物排放系数

(2)结果分析及讨论

在不同调度策略和不同目标函数下优化调度总费用如表6所示。

表6优化调度结果总费用比较

根据表6中的数据，作出分析：

1)在调度策略1、3、4的比较中，同是并网运行状态，采用V2G接入模式的 优化目标1、2、3下运行总费用相比EVs接入前分别下降了8.2％、7.9％和8.0％， 相比采用V0G模式的更是分别下降了12.8％、12.0％和12.4％。说明V0G模式下， 电动汽车单纯加大了用电负荷，只是增加了微电网的运行费用；而V2G模式下， 电动汽车作为移动储能装置吸收了分布式电源的多余电能，并充分利用了主网峰谷 时段的电价差，低电价时集中充电，高电价时放电削峰，减少了分布式电源的出力 负担和对主网的依赖，如图7-9所示。

2)在调度策略2、5、6的比较中，同是孤岛运行状态，采用V0G模式的优化 目标1、2、3下运行总费用相比EVs接入前是分别上升了7.6％、6.2％和7.5％，而 采用V2G接入模式的优化目标1、2、3下运行总费用相比EVs接入前更分别上升 了9.8％、12.4％和12.9％。说明在孤岛运行下，电动汽车的接入都增加了微电网的 运行成本，这是因为分布式电源出力成本要高于从主网购电的成本，同时由于大量 电动汽车集中充电的负荷过大，其对常规电负荷削峰填谷的作用不足以弥补分布式 电源额外运行的费用。因此，在短时间的孤岛运行下，需要研究出更加合理的电动 汽车充电计划。

3)在调度策略3、5的比较中，电动汽车同是在V0G接入模式下，孤岛运行 时优化目标1、2、3下的总费用都要比并网运行时分别高出20.6％、27.3％和30.5％， 这是因为孤岛运行时分布式电源的发电成本要比从主网购电的成本高。

4)在调度策略4、6的比较中，电动汽车同是在V2G接入模式下，孤岛运行 时优化目标1、2、3下的总费用也都比并网运行时分别高出41.0％、53.2％和56.5％， 这是因为孤岛运行时分布式电源的发电成本要比从主网购电的成本高，但是相比分 析(3)中V0G模式下高出的比例，还要多出很多，这是因为EVs集中充电的增 加负荷过大，大量调用柴油发电机出力，提升了孤岛运行的总费用，尤其是在兼顾 以环境效益的优化目标2和3下的总费用，增幅分别达到53.2％和56.5％。