【精彩论文】考虑电动汽车影响的农村家庭新能源容量优化配置方法

考虑电动汽车影响的农村家庭新能源容量优化配置方法

赵安军¹, 王鹏柱², 荆竞³, 高之坤², 李旺¹

（1. 西安建筑科技大学 建筑设备科学与工程学院，陕西 西安 710055; 2. 西安建筑科技大学 信息与控制工程学院，陕西 西安 710055; 3. 中国建筑西北设计研究院有限公司，陕西 西安 710015）

摘要：针对以光伏发电为主体的农村家庭新能源系统容量优化配置问题，从用户经济效益的角度出发，提出一种将电动汽车（electric vehicle，EV）用作储能装置且考虑用户出行需求的农村家庭新能源系统全寿命周期优化配置方法。首先构建了以系统年均用能成本最小和自发自用率最大为目标的优化配置模型，并结合市场电价机制及EV的使用需求制定了新能源系统综合运营模式，然后以粒子群优化（particle swarm optimization，PSO）算法求解得到家庭新能源系统中分布式电源的最优配置容量。最后，基于河北省石家庄某典型农村家庭实际用电负荷数据和气象参数进行仿真实验，结果表明：将EV与光伏出力结合，可以有效提高系统能源利用效率，减小家庭用能成本。

引文信息

赵安军, 王鹏柱, 荆竞, 等. 考虑电动汽车影响的农村家庭新能源容量优化配置方法[J]. 中国电力, 2022, 55(8): 31-39, 50.

ZHAO Anjun, WANG Pengzhu, JING Jing, et al. Optimal configuration method of new energy capacity for rural households considering impact of electric vehicles[J]. Electric Power, 2022, 55(8): 31-39, 50.

引言近年来，随着新能源技术进步及国家政策扶持，以光伏发电为主的分布式能源系统得到了大量应用，并且逐步进入家庭层面^[1]。但是，光伏发电补贴政策逐年下调，光伏发电即将面临平价上网，户用光伏上网售电的优势被逐渐削弱^[2]。此外，光伏出力具有随机性和波动性，大规模接入配电网会对其安全运行造成不利影响^[3]。因此，光伏容量配置的合理性直接影响家庭新能源系统运行的经济性和稳定性，在规划设计初期阶段对其进行优化配置研究尤为重要^[4-5]。目前，针对以光伏发电为主的农村区域新能源系统容量配置问题已进行了大量研究^[6-9]。文献[6]针对并网型微电网的容量配置问题，基于现有的微电网内光伏运行模式，建立综合考虑微电网运行经济性、可靠性以及可再生能源利用率的优化配置模型，并使用改进的遗传算法求解最优配置结果；文献[7]提出一种微电网源荷交互迭代协调的优化配置方法，以解决独立型微电网中源荷两端引起的不确定性问题；文献[8]针对含有分布式电源和储能设备的多能互补系统容量优化配置问题，基于全寿命周期理论，建立综合考虑系统运行经济性和稳定性的双层优化模型；文献[9]针对乡村地区的冷热电三联供系统容量配置问题，使用混合整数线性规划方法建立系统设备容量优化模型，探索该系统的最优配置容量以及最佳运行模式。电动汽车（electric vehicle，EV）作为一种新型的储能设备，以其高效、低碳的特点参与到新能源系统能量管理中，通过将其与新能源系统中的光伏出力有效结合，可以更好地平抑光伏发电随机性、波动性对新能源系统带来的影响，同时辅助配电网移峰填谷以降低用户的用能成本^[10-11]。文献[12]针对含有EV的并网型光储微电网的储能容量配置问题，利用EV有序充电与储能有效结合，并在EV侧建立用户技术接受度模型，探索微电网内储能的最优配置容量；文献[13]考虑EV的负载特性和移动储能特性，提出微网内EV有序充放电的能量管理策略，研究EV的能量管理策略对微网储能容量配置结果的影响，并且评估其应对系统风险的能力。在农村家庭层面，通常采用经验法确定该家庭的新能源系统配置容量。文献[14]介绍了家庭光储系统在当前市场下的需求现状，分析了此系统常用的3种工作模式，并结合家庭的用能需求以及市场电价机制，给出了系统设备容量配置的简易计算方法。

上述研究为新能源系统合理配置提供了可行的方法，但适用于农村家庭层面的配置方法较少。一方面，农村区域型新能源系统的负荷特性和EV使用需求均以该地区整体为研究对象，无法直接应用于单户农村家庭；另一方面，在配置优化过程中，EV的设备特性挖掘不充分，新能源系统能源利用率较低。为此，本文提出一种考虑电动汽车特性的农村家庭光伏容量优化配置方法，基于农村家庭新能源系统用能场景，充分挖掘EV的移动储能特性；根据市场电价机制和EV使用需求，将EV与光伏出力进行有效结合，并制定家庭新能源系统综合运营模式；结合实际案例，对所提优化配置方法进行实验研究及分析。

1  农村家庭新能源系统1.1  系统结构

并网型农村家庭新能源系统如图1所示，该系统主要由屋顶光伏发电系统、EV以及家庭负载等组成。屋顶光伏发电系统包含光伏组件和光伏逆变器等部分。在该系统中，EV既是家庭负载，也可以作为储能设备使用^[15]，其既可以向电网购电（grid to vehicle，G2V），也可以向家庭负载供电（vehicle to home，V2H）。家庭新能源系统与低压电网之间可实现电能的双向流动。

图1  家庭新能源系统结构

Fig.1  Household new energy system structure

1.2 系统设备模型

1.2.1  屋顶光伏发电系统模型光伏组件的发电功率大小与当地的太阳辐照强度、室外温度以及组件自身特性有关，单位光伏组件的输出功率^[16]为式中：P_pv,DC为单位光伏发电功率；V_mppt为光伏组件最大功率点电压；I_mppt为光伏组件最大功率点电流；V_oc为光伏组件的开路电压；I_sc为光伏组件的短路电流；K_v为电压随温度变化系数；K_i为电流随温度变化系数；T_c为光伏面板温度；r为太阳辐照强度；T_a为组件运行环境温度；N_ot为电池工作温度。光伏组件发出的直流电需要使用逆变器将其转变为交流电，逆变器模型为式中：P_pv为光伏发电功率的标幺值；η_DC,AC为逆变器的能量转化效率。1.2.2  EV模型将EV接入家庭新能源系统参与V2H，同时兼顾用户使用EV出行的需求。因此，EV能量模型为式中：E(d,t)、E(d,t–1)分别为第d天t时刻以及t–1时刻EV的电池电量；k_bi、k_bo分别为EV的充、放电效率；P_ev(d,t)为第d天t时刻EV的充放电功率，充电为正，放电为负；z(d,t)为第d天t时刻EV在家状态的变量，在家为1，离家为0；e为EV每公里的耗电量；c为单位出行时长的行驶里程；S(d,t)为第d天t时刻EV电池的荷电状态；E_N为EV电池的额定容量。结合EV的电池属性，其最大充放电功率^[6]为式中：P_maxch(d,t)、P_maxdis(d,t)分别为第d天t时刻EV的最大充电和放电功率；P_N为EV额定充放电功率；S_min、S_max分别为EV电池荷电状态的下限和上限。1.2.3  等效负载模型家庭新能源系统的等效负载模型为

式中：∆P(d,t)为家庭新能源系统第d天t时刻的等效负载；P_load(d,t)为第d天t时刻的家庭电力负荷；N_pv为光伏安装功率。

2  家庭新能源系统经济优化模型

2.1  综合运营模式

目前，并网型光伏运营模式包括全额上网和自发自用、余电上网，本研究在上述运营模式的基础上，将具备储能特性的EV融入其中，并制定该家庭新能源系统的综合运营模式。该模式将全天分为3个时段，包括峰电价且EV在家时段、峰电价且EV不在家时段以及谷电价时段。各时段的能量调节策略如下。

（1）峰电价且EV在家时段。若某一时刻等效负载小于0，即家庭用电功率小于光伏发电功率，可优先将多余的发电功率储存到EV中，若仍有剩余，则选择上网售电；若某一时刻等效负载大于0，即家庭用电功率大于光伏发电功率，可优先使用EV放电来满足家庭用电需求，若仍无法满足，则剩余部分向低压电网购电。

（2）峰电价且EV不在家时段。若某一时刻等效负载小于0，可将光伏余电向低压电网售出；若某一时刻等效负载大于0，则向低压电网购电。

（3）谷电价时段。由于光伏发电上网的经济效益高于将其供给谷电时段负荷，因此此时段由低压电网向家庭负载供电。若此时段EV电池的荷电状态小于期望荷电状态(expected state of charge, S_expect )，即次日峰电价时段光伏发电量小于家庭负载用电量，则根据其差值进行谷电预充以满足次日峰时段的电能供需平衡。

2.2  目标函数

为更好满足实际应用需求，优化模型应同时考虑年均用能成本和自发自用率2个优化目标，具体如下。

（1）年均用能成本。

在系统规划设计时，成本是用户关心的首要问题，因此系统优化配置的目标之一是年均用能成本最小，即

式中：F₁表示年均用能成本；C_init、C_om分别为光伏发电系统的投资成本和年维护成本；N为系统寿命；C_ps为年发电补贴；C_ex为家庭新能源系统与低压电网的年交互成本；C_ev为EV用作储能装置时电池的年充放电损耗成本。①屋顶光伏发电系统投资成本模型为式中：C_pv,in为单位功率光伏组件的投资成本；C_invr,in为逆变器的投资成本；C_m,in为光伏系统其他材料投资成本，包括光伏并网箱、光伏线缆、交流线缆、避雷接地线、支架以及MC4连接器等。在设计光伏系统时，允许光伏组件存在一定的超配^[17]，光伏组件与逆变器的容配比为式中：k为光伏组件与逆变器的容配比，本文取1.2；N_invr为逆变器的安装功率。根据逆变器功率和成本的强相关关系，逆变器的投资成本可表示为式中：a₀、a₁、a₂、a₃为逆变器的性能系数。②屋顶光伏发电系统的年维护成本与投资成本有关，则其维护成本模型为式中：φ为维护系数，取1.5%。③光伏补贴成本模型为式中：D为全年天数（365）；T为全天时长（24）；c_ps为光伏发电补贴成本。④交互成本模型为式中：C_sell、C_buy分别为家庭新能源系统向低压电网的年售电成本和购电成本；P_ex(d,t)为系统与低压电网第d天t时刻的购售电功率，购电为正，售电为负；c_sell为售电成本；c_buyH、c_buyL分别为峰、谷电价时段购电成本；P_H(t)为峰谷电价变量，峰电价时段为1，谷电价时段为0。⑤在充放电过程中，EV存在一定的损耗^[18]，其损耗模型为式中：u为EV用作储能装置时电池的度电损耗成本；C_bat为EV的电池成本；n为电池最大充放电次数。（2）自发自用率。在光伏上网经济效益持续降低的背景下，用户更倾向于尽可能在家庭内部消纳光伏发电，因此系统优化配置的另一个目标是自发自用率^[19] F₂ 最大，即式中：E_total为屋顶光伏发电系统的年总发电量；E_sell为屋顶光伏发电系统的年上网售电电量。

综上，考虑系统综合运营模式的目标函数计算流程如图2所示。

图2  系统综合运营模式

Fig.2  System integrated operation model

为保证设备安全稳定运行，使优化后的配置更加满足实际需求，上述模型约束条件如下。

（1）光伏安装功率约束为

式中：N_min,pv和N_max,pv分别为光伏最小、最大安装功率。（2）功率平衡约束为（3）EV约束。为了保证EV充放电的安全，其充放电功率和电池荷电状态需要满足式中：S_expect为用户期望的EV电池荷电状态。（4）离家状态约束为3  模型求解

3.1  多目标处理

采用加权求和的方法对多个优化目标进行处理，从而将多目标优化问题转化成单目标优化问题。

式中：F_1,max、F_1,min、F_2,max、F_2,min分别代表年均用能成本以及自发自用率的最大、最小值；ω₁和ω₂为加权因子，且满足ω₁+ω₂=1。3.2  基于PSO的优化模型求解家庭新能源系统容量优化配置实质上是利用合适的算法在能源系统应用的全生命周期中使得目标函数达到最佳状态，从而探索多种能源的合理构成，其是一个多目标、非线性问题，而元启发式算法在解决此问题时能够在包含高质量解空间内进行有效搜索。其中粒子群优化算法（particle swarm optimization，PSO）是一种高效的元启发式优化算法，具有鲁棒性强、参数少等优点，被广泛应用到不同的优化问题求解^[20]。为此，本研究选择PSO算法对家庭新能源系统容量配置方案进行寻优。定义的决策变量为N_pv，具体计算步骤如下。步骤（1）：参数初始化，包括算法参数、气象参数、光伏组件参数以及家庭用能需求等。步骤（2）：初始化光伏安装容量，即给每个粒子赋予初始位置，并计算系统年均用能成本和自发自用率。步骤（3）：利用PSO算法对设备容量进行更新，即更新粒子位置，得到新的容量配置方案，并计算系统年均用能成本和自发自用率。步骤（4）：判断本次的系统年均用能成本和自发自用率是否优于已有的较优配置方案，若是，则使用本次的结果替代已有的较优值，反之，不进行操作。

步骤（5）：反复重复步骤（3）和步骤（4），若达到最大迭代次数，则输出最优容量配置方案及其对应的各项成本。

4  仿真实验4.1  案例描述

本文以河北省石家庄地区某农村家庭为研究对象，结合该家庭的用能场景进行并网型家庭新能源系统容量优化配置算例分析。为更好地体现光储的时序性，选取2020年1—12月份的逐时太阳辐射强度、室外温度以及该家庭电力负荷等实际数据进行案例分析，如图3所示。该家庭为一户6口之家，其全年用电量在石家庄农村地区处于中等偏上水平，为2986 kW·h。选取光伏最大安装容量为5 kW，采用具有移动储能特性的EV作为新能源系统的储能装置，EV相关数据在考虑用户出行以及充放电特性的基础上模拟得到。

图3  典型气象年数据曲线

Fig.3  Data curve of typical meteorological year

选择某厂商的单晶硅光伏组件，其主要参数如表1所示。根据当前的市场行情，光伏组件的成本为1.7元/W；逆变器成本由式（12）求得，性能参数辨识结果如表2所示；光伏发电系统剩余材料的成本为546元/套，发电补贴为0.08元/(kW·h)，补贴年限和系统寿命均为20年。

表1  光伏组件主要参数

Table 1  Main parameters of photovoltaic modules

EV参数设置如下。电池容量为24 kW·h，额定充放电功率为7 kW，电池荷电状态的取值范围为[0.3,0.95]，充放电效率分别为0.85、0.95，最大充放电次数为6000次。

表2  逆变器性能参数

Table 2  Inverter performance parameters

根据该地区用户对优化目标偏好程度的调查问卷结果，将ω₁、ω₂分别设置为0.7和0.3。该地区居民峰谷电价数据如表3所示。

表3  居民峰谷电价

Table 3  Resident peak and valley electricity prices

4.2  EV出行行为模拟

根据家庭用户使用EV出行的调查情况，使用蒙特卡洛法^[21]模拟用户全年使用EV的出行行为，得出EV出行行为分布如图4所示。此外，家庭用户年均行驶里程为2800 km左右，使用正态分布模拟用户每天出行的行驶里程^[22]，如图4 c)所示。

图4  EV出行行为分布（1月份）

Fig.4  Electric vehicle travel behavior distribution (January)

4.3  案例结果及分析

利用PSO优化算法对家庭新能源系统光伏安装容量进行优化求解，得到最优配置收敛结果如图5所示。可以看出，当迭代次数达到18次左右时取得最优结果，其中光伏安装功率为2.73 kW，根据式（11）中光伏组件与逆变器的容配比，可求得逆变器的安装功率为2.27 kW。

图5  最优配置收敛曲线

Fig.5  Optimal configuration convergence curve

为了验证配置结果的有效性，使用以下4种不同的用能方案对家庭年均用能成本、自发自用率、回本年限进行评估及对比。方案1：传统用能；方案2：安装光伏，采用全额上网运营模式；方案3：安装光伏，采用自发自用、余电上网运营模式；方案4：安装光伏，使用EV储能。EV在家时采取自发自用，余电储能，剩余上网运营模式；EV离家时采用自发自用、余电上网运营模式。

不同方案下的结果对比如表4所示，可以看出，本文所提方案（方案4）相较于方案1，家庭年均用能成本降低了68.3%；相较于方案2、3，年均用能成本分别降低了35.9%、22.2%，回本年限分别缩短了26.2%、13.3%；相较于方案3，自发自用率提高了2倍左右。因此，本文所提方案与其他3种不同用能方案相比，在年均用能成本、自发自用率以及回本年限等方面均取得较大优势。

表4  不同方案下的结果对比

Table 4  The designed electric power capacity of fan motors

为了更好地证明文中提出的光伏与EV结合（方案4）的有效性，对此优化配置结果下家庭新能源系统的2个连续典型日（1月18日—19日）发用电变化情况，结果如图6所示。

图6  典型日曲线分析Fig.6  Typical daily curve analysis

可以看出，1月18日EV处于在家状态，EV充电功率增长趋势基本与光伏发电功率保持一致，可以更大程度发挥其储能特性，在中午10:00—15:00时段，光伏发电量处于高峰，EV最大程度储存电量，在18:00—22:00时段，光伏无发电量，此时优先由EV向负载供电，将光伏发电余电有效转移至家庭负载，充分发挥其柔性负载和移动储能特性，使光伏发电量得到了最大化的自发自用。而1月19日EV在13:00—15:00时段有出行行为，此时家中无用于储能的设备，光伏余电选择上网售电，在其他时段，EV在家充当储能电池。因此，无论EV有无出行行为，本文提出的能量管理策略都可以充分利用EV在家的时间，最大限度地提高系统能源利用效率，从而减少系统与低压电网之间的购售电功率交互，使购售电曲线更大程度趋于平缓，有效降低家庭用能成本，同时可以有效实现削峰填谷，弥补无序充电造成更大峰谷差的缺点，有效避免电网因为峰谷差值造成的电网波动过大。

5  结论本文分析了并网型农村家庭新能源系统容量优化配置问题，并将EV的移动储能特性和当前光伏发电系统运营模式相结合进行多目标优化配置求解，并以河北省石家庄地区某户农村家庭为例进行仿真实验，结论如下。（1）将EV与光伏发电运营模式进行结合，能有效提高家庭新能源系统能源利用效率，而且此过程充分考虑了用户的出行需求，与传统用能、光伏发电全额上网以及自发自用、余电上网的运营模式相比，系统全寿命周期年均用能成本分别降低了68.3%、35.9% 、22.2%，在系统运行经济性上存在较大优势。（2）家庭用能主要集中在晚高峰时段，而光伏发电主要在白天进行，导致用电结构不匹配，而EV的柔性负载和储能特性能大大提高光伏发电的自发自用率，使用电结构更加合理，最大限度地减少家庭新能源系统与低压电网之间的功率交互，维护电网稳定运行。综上所述，本文所提优化配置方法综合考虑了农村家庭的用能特性，有效提高了家庭全寿命周期的用能经济效益，同时最大限度地维护电网稳定运行，可为新农村规划提供参考。（责任编辑　蒋东方）

作者介绍

赵安军（1975—），男，博士，副教授，从事建筑物联网、建筑节能与能效分析、建筑设备控制与优化研究，E-mail：[e-mail];

★

王鹏柱（1996—），男，硕士研究生，从事分布式新能源系统规划设计、系统建模与控制优化研究，E-mail：[e-mail];

★

荆竞（1982—），男，通信作者，硕士，高级工程师，从事建筑节能与能效、建筑设备控制与优化研究，E-mail：xby5 [e-mail].欢迎点击文后“阅读原文”跳转期刊官网，获取更多信息！

 往期回顾 

编辑：于静茹、杨彪

校对：蒋东方

审核：方彤

声明

根据国家版权局最新规定，纸媒、网站、微博、微信公众号转载、摘编《中国电力》编辑部的作品，转载时要包含本微信号名称、二维码等关键信息，在文首注明《中国电力》原创。个人请按本微信原文转发、分享。欢迎大家转载分享。