【文章內(nèi)容簡介】 7)其中， (318)式中，t∈1，2，…，T；T為研究周期內(nèi)的小時數(shù)，取24，即研究日實時電價；L(t)為時段t的常規(guī)負荷值；PC(t)為時段t愿意參與V2G的電動汽車充電功率；PNC(t)為時段t不愿意參與V2G的電動汽車充電功率；PW,F(t)為時段t風電功率的預測值。約束條件應包括確保所有愿意參與V2G的電動汽車在一個調(diào)度周期內(nèi)總的充電功率保持不變，即充電量等于用電量，以及對充電功率的約束，表示如下： (319)式中，Pi(t)為第i輛電動汽車在時段t的充電功率，Pi(t)0表示充電，Pi(t)0表示放電。一般情況下，在用電高峰時段，將電價調(diào)高，鼓勵用戶放電；而在用電低谷階段，將電價降低，鼓勵用戶充電，從而可以達到以電價引導電動汽車充放電來實現(xiàn)移峰填谷的目的。對于由電價升降所引發(fā)用電量的變化即彈性系數(shù)ε，其計算公式如下所示[18]： (3110)qt1和qt2分別表示時段t的參考電價和當前電價；pt1和pt2分別表示時段t的參考負荷值和當前負荷值。為確保車主愿意參與V2G，對于這部分用戶在電價上具有如下優(yōu)惠：放電電價為日前電價與當日電價的較大值，充電電價為日前電價與當日電價的較小值，如式(11)所示；而不愿意參與V2G的用戶與其相反。 (3111)式中，qcha(t)為時段t的充電電價；qdischa(t)為時段t的放電電價；qahead(t)為時段t的日前電價；qday(t) 為時段t的當日電價。 程序設計程序以在一個調(diào)度周期內(nèi)，愿意參與V2G的電動汽車充電功率作為染色體個體，采用遺傳算法進行優(yōu)化，得到優(yōu)化前后電網(wǎng)的等效負荷曲線。其中算法參數(shù)的選擇如下：初始種群大小為50；最大遺傳代數(shù)為3000次；；。算法流程如圖2所示。圖32 優(yōu)化算法求解過程優(yōu)化算法求解的主要過程如下：1) 輸入常規(guī)負荷L(t)；風電預測功率PW,F(t)；車主互動意愿率β及電動汽車數(shù)量N。2) 構建目標函數(shù)及相應的約束條件。3) 初始化種群。以(PC(1), PC(2),…, PC(T))i作為染色體個體，在取值范圍內(nèi)隨機生成50個初始化個體。每個個體均采用實數(shù)編碼。4) 判斷生成的種群是否滿足優(yōu)化模型的約束條件，如不滿足則丟棄此種群。5) 以等效負荷方差的倒數(shù)作為適應度函數(shù)，計算每個染色體的適應值，并記錄產(chǎn)生最小方差的個體(PC(1), PC(2),…, PC(T))i。6) 通過旋轉(zhuǎn)輪賭法選擇染色個體，并對其進行交叉和多窗口變異操作，產(chǎn)生子代種群。7) 反復迭代尋優(yōu)，直至達到最大遺傳代數(shù)，并輸出全局最優(yōu)個體。8) 計算日前電價，并輸入實測風電功率，滾動計算當日電價。 算例結果以某地區(qū)典型日負荷數(shù)據(jù)為基礎負荷，電動汽車充放電相關參數(shù)設置如下：N=10000，β=，qt1=?h，ε=。功率基值為100WVA。圖33(a)，34(a)，35(a)，36(a)中將優(yōu)化前后電動汽車的充電功率曲線與風電功率曲線和日負荷曲線疊加得到包含風電和電動汽車的負荷曲線。（a）包含風電和電動汽車的負荷曲線（b）日前電價和當日電價的曲線圖33風電功率曲線具有正調(diào)峰特性，風電滲透率為60%，預測誤差為30% 圖33(b)，34(b)，35(b)，36(b)的曲線顯示了與之相對應的日前電價和當日電價的曲線。日前電價給出了第二天電價的變化趨勢，而當日電價則為修正風電預測功率的誤差，采用以一個小時為一個時段制定電價。圖33(b)顯示了具有正調(diào)峰特性的風電功率曲線且風電滲透率為60%，預測誤差為30%情況下的電價曲線。圖34(b)顯示了具有正調(diào)峰特性的風電功率曲線且風電滲透率為60%，預測誤差為10%情況下的電價曲線。由此可知，風電功率預測誤差越大，日前電價與當前電價之差就越大。（a）包含風電和電動汽車的負荷曲線（b）日前電價和當日電價的曲線圖34風電功率曲線具有正調(diào)峰特性，風電滲透率為60%，預測誤差為10% （a）包含風電和電動汽車的負荷曲線（b）日前電價和當日電價的曲線圖35風電功率曲線具有反調(diào)峰特性，風電滲透率為60%，預測誤差為10%圖35(b)顯示了具有反調(diào)峰特性的風電功率曲線且風電滲透率為60%，預測誤差為10%情況下的電價曲線。由圖34(b)和圖35(b)可知，具有反調(diào)峰特性的風電功率曲線將導致電網(wǎng)負荷曲線峰谷差變大以及實時電價曲線峰谷差的拉大。（a）包含風電和電動汽車的負荷曲線（b）日前電價和當日電價的曲線圖36風電功率曲線具有反調(diào)峰特性，風電滲透率為30%，預測誤差為10%圖36(b)顯示了具有反調(diào)峰特性的風電功率曲線且風電滲透率為30%，預測誤差為10%情況下的電價曲線。由圖35(b)和圖36(b)可知，將具有反調(diào)峰特性的風電功率曲線接入電網(wǎng)后，風電滲透率越低，電網(wǎng)負荷曲線越平緩，實時電價曲線的峰谷差越小。并且在實施實時電價引導電動汽車進行V2G后，電網(wǎng)負荷曲線得到了一定程度的改善。4 多目標系統(tǒng)控制的充放電機集群控制模型 參數(shù)設置的基本思路在每日24點之前，對電池更換站內(nèi)的信息進行統(tǒng)計，以進行下一次日前計劃的制定。包括站內(nèi)所有充電機的工作狀態(tài)、站內(nèi)所有充電機的故障情況、站內(nèi)所剩電池的信息（A、B、C各組充已經(jīng)充好的以及未充電電池的數(shù)量） 電池排隊理論對于各組電池，將已經(jīng)充好的電池和沒有充好的電池分開進行排隊。正在充電的和等待充電的電池排成一組，依次進行充電。當充好一塊電池時，將其排到已充好電池組隊列的末端，需要放電時，流水線從已充好電池組的隊列前段提取電池，連接充放電機進行放電。當有用戶進站需要更換電池時，也從已充好電池組的隊列前段提取電池更換給用戶，同時，將用戶更換下來的空電池放入未充電電池隊列的末端進行排隊。通過分開排序的方法，可以避免電池出現(xiàn)剛充滿電就進行放電的情況，有效減少電池的折損情況。 電池梯度利用以半小時為優(yōu)化最小時間單位，優(yōu)化時段為24h，根據(jù)次日的進站流量密度曲線對電池更換需求進行預測，對次日的電池更換站充換電流程進行優(yōu)化。認為用戶換給充電站的電池均已使用至電量閥值（剩余20%）。按照電池的健康程度，將站內(nèi)的電池按一定比例（如：60%，30%，10%）分為A、B、C三組。A組為健康度較好的電池，參與正常的充電饋電行為，并可以換給用戶；B組為較不健康電池，考慮到其折損情況，不再對其進行饋電操作，僅用于充電并換給用戶；C組為不健康電池，其電池折損較重已不適合電動汽車日常使用，因此留在電池更換站內(nèi)，進行充電和饋電的經(jīng)濟運作。在此之外需要額外考慮一部分的備用電池，通常為站內(nèi)電池總數(shù)的20%，這部分備用不參與放電收益，僅作為換電備用使用。 電池更換站收費制定對于電池更換站的換電池收費與饋電電價的計算思路如下：換電站年收益率為：其中， 為換電站每天換電服務的所有電動汽車充電量；為電池更換站充電損耗率；為電池更換站銷售電價；為電池更換站每年運營折算成本；為電池更換站向電網(wǎng)購電電價，即充電成本價為電池更換站建設成本；F為電池更換站每年租賃電池成本。換一塊電池的價格=*Q*，其中Q為單塊電池的容量；放電價格高于換電價格，取裕度1020%。 變量設置的基本思路每個充電機對應3個狀態(tài)：充電、放電、和停運，對應實數(shù)[1，0，1]。認為電機的充放電過程均為恒功率，效率均為90%。采取快充模式進行充電。設站內(nèi)的充電機總數(shù)為M，對應于電池組的分類，同樣也將充電機按電池組比例分為A、B、C三組，A組充電機僅對A組電池進行充放電操作，B、C組同理。那么變量矩陣表示為：（421）變量向量設置為720維變量； （422） 電池更換站基本設計模型換電站主要包括車輛數(shù)、備用電池組數(shù)、更換工位數(shù)和配電功率等四個關鍵參數(shù)。這些關鍵參數(shù)和公交車的高峰持續(xù)時間、高平峰發(fā)車間隔、車輛運行周期、電池充電時間、電池組充電功率等參數(shù)密切相關。結合換電站設計經(jīng)驗和實際運營數(shù)據(jù)，給出基本的換電站參數(shù)設計模型示意圖41和圖42:圖41換電站參數(shù)設計模型圖42車輛運行時間和電池使用時間 換電站參數(shù)設計模型中基本原則(1)換電站設計時要考慮最嚴峻的情況，也就是要選取一天中高峰時間最長時間段及與它相鄰的平峰時間段(圖42中加粗的那一段時間)；(2)更換工位數(shù)的計算原則要滿足車一進站就換電池的要求；(3)模型中的計算方法是基于換電站為單條線路服務，并且車輛只運行一圈就換電充電。在不同條件下的換電站核心參數(shù)計算公式如下所示:（1）車輛數(shù)計算方法當 即車輛運行一次的時間大于高峰期持續(xù)時間條件下的車輛數(shù)為 （423）當 即車輛運行一次的時間小于高峰期持續(xù)時間條件下的車輛數(shù)為 （424）（2）備用電池計算方法當即充電時間大于高峰時間條件下的備用電池為 （425）當即充電時間小于于高峰時間條件下的備用電池為 （426）（3）更換工位數(shù)計算方法取整 （427）（4）充電功率計算方法當即充電時間大于高峰時間條件下的充電功率為 （428）當即充電時間小于高峰時間條件下的充電功率為 （429）其中，Nc是充換電站內(nèi)的車輛數(shù)，Nb是備用電池組數(shù)，Nk是充換電站需要配置的更換工位數(shù)，Pave是電池組的平均充電功率，P是充換電站需要配置的充電功率。 核心參數(shù)計算主要影響因素根據(jù)上面的分析，影響換電站配電容量、備用電池組數(shù)、更換通道數(shù)等關鍵參數(shù)的主要因素有車輛運行時間、電池組充電時間、電池更換時間、高峰和平峰的發(fā)車間隔、高峰持續(xù)時間以及電池組充電功率曲線等。這些參數(shù)可分成兩類:（1）受實際運行工況有較大影響的，需要在設計階段進行準確估算的參數(shù)；1）車輛運行時間2）電池組充電時間3）電池組充電功率曲線表41對比了當初換電站設計的核心參數(shù)和實際充換電站運行數(shù)據(jù)，發(fā)現(xiàn)在換電站配電容量、車輛使用數(shù)、備用電池等參數(shù)存在較大差異。表41換電站設計參數(shù)與實際使用情況對比對比內(nèi)容充電時間/h車輛數(shù)/輛備用電池組數(shù)/組工位數(shù)/個配電容量/MW設計數(shù)據(jù)350302實際數(shù)據(jù)~50242造成核心參數(shù)差異大的核心原因是對電池組的充電時間和多組電池同時充電的功率計算方法存在較大的誤差，原設計中按電池組100%DOD (Depth Of Discharge)放電來計算充電時間，實際上車輛運行過程中由于線路運行長度和運行時間的特點和為應對突發(fā)性交通擁堵的情況，車輛回站更換電池的放電深度大約在40%~60%DOD，引起充電時間的設計值與實際值存在較大差異，從而影響車輛的使用數(shù)量、備用電池數(shù)量以及換電站配電容量。換電站電池組充電是按照電池更換的頻率投入充電，存在多臺充電機同時工作的情況，但由于鋰離子電池充電功率在充