基于插入式电动汽车与可再生能源的成本控制和节能减排(中文翻译概要

基于插入式电动汽车与可再生能源的成本控制与减排

摘要 :电力和交通工业是全球温室气体排放的主要来源。风能和太阳能等主要的可再生能源可以减少电力行业的温室气体排放(主要来自机组发电。同样地,被学者称为 GV 的下一代可插入式汽车也能减少交通行业的排放, GV 包含了可插入式混合动力汽车以及其具有的并网能力。 GV 可以被用作负载和能源(小型轻便的发机组,在包含了可再生能源(RESs 的智能电网中也可被看做是储备能源。在分布式的能源和负载环境中考虑到智能充放电对于要同时实现成本和排放降低的智能电网操作是一项非常复杂的工作。如果大量的 GVs 随机的并入电网, 高峰负荷将会很大。为支持交通电气化, 传统火电机组的使用将很不经济并对环境造成危害。将 GV 作为负载和 /或能源的智能调度和控制在发展可持续整合的电力和交通基础设施方面有很大的潜力。本文通过智能电网中 GV 和 REs 的最大利用来实现成本控制与减少排放。文中介绍了 GV 应用的可能模型,包括智能电网模型,并且给出了结果。智能电网模型在 REs 最大利用以实现电力行业成本控制与减少排放方面显示出了最大潜力。

关键词:约束 ; 成本 ; 排放 ; 可并网电动汽车 GV; 负荷水平 ; 最优化 ; 插入式电动汽车 (PHEVs ; 可再生能源 ; 智能电网 ; 太阳能发机组 ; 风电场

Ⅰ引言

全球能源储备快速地下降对经济, 环境, 工业和社会水平方面的影响是全社会都关注的问题。电力和能源行业是全球排放的一个主要方面,占到全球 CO 2排放的40%,其次是交通行业(24%。由温室气体排放所造成的气候变化如今被广泛地认知为是一种对人类社会有着严重影响的因素, 这些行业需要将上述因素加入到战略计划当中。新能源的使用可能变得具有吸引力, 特别是当如果消费者不仅不用支付机组发电的成本费用, 也不用支付由传输, 配电以及由环境清理和健康影响所产生的间接费用时。研究者们正在研究如何能有效率地发出更多的电而又不会造成气候变化或者产生对环境不好影响。

对于能源储备减少以及排放增加的部分解决方案如下:1 分布式可再生能源(REs 的整合 2正在部署的被学者称为 GV 的新一代插入式汽车,包含了插入式混合动力汽车 (PHEVs 和以及其具有的并网能力。 V2G 技术在文献【 6】有介绍。

V2G 是一种能量储存技术, 它可以实现能量在车载电池与电网的双向传输。这增加了电网的灵活性, 使其更好地利用具有间歇式特性的可再生能源。车载电池的充电水平(SoC 依据个人收益以及电网需求可以上下波动。

不同形式的能源整合与研发政策在文献【 7】有介绍。一份来自国家可再生能源实验室 (NREL 的技术报告表明 PHEVs 对于纯 CO 2排放量的降低有着重大作用。担心石油安全与储备所造成的油价波动和尾气排放所带来的空气质量问题共同推动着人们对 PHEV 的兴趣。促使车主将电能作为能源的经济诱因是相对比较低得电价。基于 PHEVs 成本优势,美国电力研究院的一项研究发现 PHEVs 有着巨大的潜在市场。但是 PHEVs 的使用将会增加电网的负荷。如果峰值负荷激增, 就必须建设更多的发机组来供应峰值负荷需求, 这样成本花费是巨大的。交通行业电气化不仅仅需要对现有加油气站的重组, 还需要对现有电力基础设施的改进。

PHEVs 与 EV 的研究者主要关注于车载存储能源与电网的互联【 10】 -

【 21】。他们的目的是探究 PHEVs 与 EVs 的环境与经济效益来推动其产品市场。 PHEVs 与 EVS 是不能单

独地完全解决排放问题的, 因为电动汽车需要电能, 而发电是废气排放的主要来源之一。因此,为实现成本控制与减排目的的具有 V2G 功能的 PHEVs 和 EVs 的实际应用的成功,很大程度依赖于 RESs 的最大利用。

在一个复杂的智能电网中,需要一种动态优化方法来优化时变的能源(比如RESs 和 GVs 。之后,电力与交通基础设施之间才会很好地融合。

本文的主要贡献有:1智能和灵活地将 GVs 作为负荷,能源或者储备能源; 2证明了在含有 RESs 的智能电网中 GVs 的高效; 3在智能电网中 RESs 的最大利用(通过GVs 利用来实现成本和排放的降低。本文组织如下。建立电力与交通联系的问题

的数学证明在第Ⅱ节。为了最大利用资源和实现成本与排放最小化, 在第Ⅲ节提出了一种智能算法。仿真数据与结果在第Ⅳ节介绍和讨论。最后,第Ⅴ节做出总结。

Ⅱ数学建模

在提出的模型中,可以观察到如下方面:1从电力行业出发, RESs (主要包过风能和太阳能用于减少排放; 2从交通行业出发, GVs 用于减少排放; 3 GVs 被巧妙地作为负载,储备能源和小型可携带式电站(S3Ps ; 4大型停车场被作为虚拟机组(VPPs ;

5 车载 GV 电脑系统与有关部门通信以获取实时电价并且上传车主的电池 SoC 以及车主的偏好。基于上述系统的功能和特点, 采用优化方法生成一种智能调度方案, 这种方案具有合适的决策, 控制以及智能操作以使 GVs 最大化利用 RESs , 从而实现在电力与交通行业中电力成本和废气排放的降低。

一块太阳能光电板的功率输出由式(1给出,它与光电板的面积 A ,光照强度(t μ以及光电板的效率β有关

((. t A t P PV βμ= (1 风力机组的出力模型因其机械特性而变得比较复杂。通常来说, 风力机组的出力与风的动能和空气密度成比例,公式由 (2给出, α是 Albert Betz常数, (t ρ为空气密度, A 为涡轮转子扫描的区域, (t ν为风速。其他的风力机组的参数包括切入风速,切出风速,额定风速,典型的数值分别为 3.5,25,14mi/s。精确数据可以从相关单元的制造商的数据表中获得

(((. t A t . t P wind 3

50ναρ= (2

风能与太阳能也许满足不了所有的负荷需求, 所以需要传统的单元来供应得不到满足的负荷需求。风能与太阳能都是零排放的。但是, 在电力与交通行业, 排放的二氧化碳量与燃料中的碳含量以及燃料的燃烧效率成比例。所以, 在提高运作水平后, 以高碳含量为燃料的发机组或者汽车将会产生更多二氧化碳。其他种类的气体排放(SO 2, NO x 等同样也会在电力和交通行业被产生。为了环境友好型地发电,

废气排放应该被有效地监测与削减。本文中,用线性近似模型来计算交通领域里电动汽车的排放:

(i i i i i e L e , L c ?=ε (3

(

c ε为排放函数, i L 为第 i 辆汽车所行驶的路程, i e 为第 i 辆汽车每英里的排放量。

非线性精确(复杂模型可以适用于电力系统。一般地,排放量可以表示为一个多项式函数,其次数依赖于所需的精度。本文中,用二次函数来描述排放曲线:

((((t P t P t P c i i i i i i i 2

γβαε++= (4

i α, i β, i γ为 i 单元的排放系数。

火机组的燃料成本一般表示为次发机组发电量的二次函数

((((t P c t P b a t P FC i i i i i i i 2

++= (5

i a , i b , i c 为发机组 i 的精确燃料成本系数。

启动火电机组的启动成本由以下模型表述,它关联与锅炉的温度。 (??

?--=界值

当锅炉温度低于某一临

界值当锅炉温度高于某一临

, t cos c , t cos h t SC i i i (6

i t cos h -和 i t cos c -分别为机组 i 热启动与冷启动的成本,且 i i t cos h t cos c -≥-。

在将 GVs 作为负载或者 S3Ps 的系统里,由分布式发电供应的电量必须满足负载需求 (t D 以及系统损耗,其定义如下:

((((

(

(S

S wind

N i t N j dep

pre

vj

PV

i

P S GV ,

Losses t D t P P t P t P G

V

31

1

2为假如 +=+-++∑∑==ψ

ψ

ξ (7

(((

(((

为负载

假如 S t N j pre dep

vj

wind

N

i PV

i

GV ,

P Losses t D t P t P t P G

V

∑∑==-+

+=+++21

1

ψ

ψ

ξ(8

(t P i 为机组 i 在 t 时段的输出功率,

dep

pre

/ψ

ψ为当前 /离开时的 SoC , j v P 为电动汽车 j 的

功率, ξ为系统效率, (t N G V 2为 t 小时内接入电网的 GVs 的数量, N 为机组数量。仅仅经过注册的 GVs 参与到智能控制。这些 GVs 的车主选择将其车辆的电池参与到 V2G 的交互中。所有经过注册的车辆(数量为 (t N G V 2在一个预定的调控时段 H 内参与到智能调控:

(. N t N

m a x

G V H

t G

V 21

2=

∑= (9

为了维持系统可靠性,需要适当的旋转备用

其中 (t P max

i

与 (t R 分别为 i 机组在 t 时段考虑机组的爬坡速率以及系统的旋转备用

时的最大出力约束。

每一机组都有发电范围,表示如下:

(. P t P P m a x i i m i n i ≤≤ (12 确保电池储能消耗水平高于某一最低水品并且低于某一最高充电水平可以保证电池的使用寿命

(. P t P P vj max

vj vj min

ψ

ψ

≤≤ (13

在所介绍的模型中,排放(4和发电成本(5以及(6为智能控制的目标函数,负荷平衡(7和(8,注册电动汽车的数量(9,可靠的存储备用(10和(11,发电容量约束(12, SoC, 系统效率,停车场场地限制等等都是约束。

因此,智能电网环境中典型的成本 -排放优化目标函数如下: ((

((((((((([](

∑∑==+--+=

?+-+?=N

i i H

t i i i

e

i

i

i

i

c

e c N , t I t I t P C W t I SC t P FC W Emission W Up Start Fuel W TC min

t G V

i 11

112εψ

(14

服从(7 -(13约束条件。

(t I i 与 (t N G V 2分别为机组开 /关的决策变量和 t 时段里连入电网的 GVs 的

数量。

i ψ为机组 i 的排放惩罚因子。权重因子 c W 与 e W 用于增加系统的灵活性。

Ⅲ成本与排放优化

优化算法需要操作大量的加入智能电网的 GVs 以实现最大化利用 RESs , 从而将成本与排放

降低到较优的水平。本文利用粒子群优化算法(PSO 来实现成本与排放的最小化。 PSO 是一种基于鸟群和鱼群行为的仿生启发式算法, 类似于其他的基于群体

进化的算法。每个可能解称为一个粒子, 在一个多维搜索空间中以一定的速度飞行, 并根据自身与其他粒子的飞行经验动态调整速度。本文中优化问题采用二进制和

整数 PSOs 以减少搜索空间的规模。发电机组与 GVs 分别用二进制与整数表示。

二进制 PSO 用于决定传统发电机组的最优开 /关状态。整数 PSO 决定带约束系统中 GVs 的最优数量。此算法在局部和全局搜索能力之间做了很好的平衡,并生成

成本与排放降低目标的最优解决方案。

PSO 是一种迭代算法,每个粒子的速度与位置计算如下:

(((((((([

]

(.

Ite MaxIte Range k x k gbest rand

c

k x k pbest rand

c k v k v ij

j

ij

ij

ij ij ??

???

?--+

?-+-+=+1112

2

1

1 (15

发电机组的二进制 PSO 表示: ((((??

??

?

+-+<=+=+otherwise

, k v exp U if

,

k x k I ij ij ij 0111

1111 (16

GVs 的整数 PSO 表示:

(((((1112++=+=+k v k x r o u n d k x N ij ij ij k G V j (17 ij I 与 ij x 分别为(N H ?和 (1+?N H 维矩阵。而 j G V N 2为 (1?H 维整数向量以减

小问题维数,并设置为 ij x 矩阵的最后一行。 PSO 中的标准术语有粒子的最好位置 pbest , 全局最好位置 gbest ,速度 v ,位置 x ,加速因子 1c 与 2c ,粒子 i ,问题维数j ,迭代次数

k 。 Ite , MaxIte 及 (1U 分别为当前迭代数,最大迭代数, 0与 1之间的同一数。在上述

的速度等式中, 第一部分表示粒子的当前速度, 第二部分显示了粒子的认知, 粒子根据自身的考量和记忆改变其速度, 第三部分为种群部分, 粒子根据与种群中其他粒子的比较来改变自身的速度。

图 1 智能电网中运用 GVs 与 RESs 实现成本与排放的最小化的流程图

表Ⅰ机组排放参数

Ⅳ结果探讨本文采用具有 50000 注册 GVs 的 10 节点独立系统进行模拟。负荷需求与 10 节点系统的机组特性收录在文献【25】。估计排放系数，机组数据分别在表Ⅰ和Ⅱ给出。一下两种模型经研究显示了 GVs 在电力与交通工业的作用。1）模型 1（负载水平模型）：GVs 通过传统发电机组充电。 2）模型 2（智能电网）：GVs 作为负载通过 RESs 充电，作为能源给电网输送电能。表Ⅱ 10 节点系统中电站容量与最大容量（1662MIW）Ⅱ图 2.GVs 的负载水平本文所用的参数值如下：平均车在电池容量， Ev =15kWh;城市总的注册电动汽车数量=50000（估计）；充放电频率 =1 次每天；调度时段=24h;ψ dep =50%;系统效率ξ =85%；PSO 中种群规模=30，迭代次数 =1000，加速因子 c1 =1.5， c2 =2.5， Range =0.4 。实际运用中，电网中 GVs 的数量可以根据电力用户的数量分析估计得到。其具体的计算如下：

例如，本文中基准 10 节点系统所取最小负荷 Dmin 为 700MIW【25】。每户每月平均电量消费（ AVMEC ）为 1500kWh【26】。居民客户每小时平均用电量（ AVHLD ）为 2.0833kw。假设电网中居民负荷的百分比为 X RL =30%，域内用户总量（ N REC ）为 100801.6，为简单起见，可以大约取 100000.可以预见，将来的 VREC =1,即平均每户电力用户都将有一个 GV，其中 50%将会注册参与到调度过程中来 QGV =50%。由（18）可得 N GV 约为 50000，在标准 10 节点系统中，这个数量是比较合理的。如果 50000 个 GVs 随机地并入电网，最坏的情况下，将需要额外 (50000×15kWh =750MWh 电量（如果考虑 50%的离场 SoC 则至少需要 375 MWh 的电量）。充放电过程都是随机的，没有经过最优化。在这样一个系统中，最坏情况下，高峰负荷将会达到将近 50%；所以这个模型在实际运用中不太可行。表Ⅲ十节点系统的排放（不包括 GVs 和可再生能源）模型 1 （负荷平整模型）由于随机系统不可行，：下一个可能方案就是负荷平整模型。电动汽车平均一年行驶的路程估计有 12000 mi/year；也就是 32.88mi/day；假设 EV 可以运行在 4mi/kWh。所以，一辆 EV 需要大约 8.22kWh/day。目前还没有进行包含 GVs 的负荷预测研究。因此这里给出近似线性模型。小系统里每天供应 50000 辆电动汽车的额外电量为 411MIWh。如果 GVs 随机的从现有的电力系统中充电，最坏的情况下（假如所有的汽车都在高峰负荷时间内充电）很自然，。系统可能

没有足够的容量来满足额外的高峰负荷。此外，负载以约每年 10%的速度增长。在此模型中，需要装设新的发电机组来满足来自 GVs 的新负荷，这将是成本巨大并且花费大量时间。然而，一种 GVs 的智能调度可以通过智能地平整负荷需求来化解这一问题。GVs 可以被运用作为在电力系统中的负荷平整装置。标准 10 节点系统的负荷曲线具有峰谷（见图 2）。根据负荷曲线，负荷需求在 1 至 9 和 22 至24 时段里相对比较低（总共 12 小时）。GVs 可以在这非峰时段里从电网中充电以

平整负荷需求。GVs 的负荷自动地由车载智能代理以及根据智能计量得到的实时电价与其他公共部门的交互。供应 50000GVs 的额外的 411MIWh/day 的电量被等量地（411MIWh/12=34.25MIWh/h）分散于非峰时段以平整负荷需求，避免了高峰负荷的增长。（见图 2）。根据每辆车每年平均行驶里程为 12000mii，以及每辆车平均排放为 1.2lb/mi,运用式（3）可得一辆车估计每年排放 14400lb。50000 辆车的总排放量因此为 720000000lb(326678.766 吨。表Ⅳ考虑负载整定情况下含5000 辆 GVs 的十节点系统的排放首先，排放由 10 节点系统机组的标准输入数据，排放因子，考虑 GVs 及 PESs 的负荷需求等计算得到。PSO 用于计算计划表，符合调度，以及相应的成本与排放。结果在表Ⅲ中中给出。成本与排放是在考虑了 500000GVs 的负荷需求以及额外负载的平整上计算的。结果有表Ⅳ给出。从表Ⅲ和Ⅳ，24 小时内，机组为了供应 50000GVs 的负荷需求多排放了 781.989 吨（26860.578 吨-26078.589 吨）所以每年就多排放 285425.985 吨。（781.989 吨

*3665）（另一方面，326678.766 吨来自交通行业）。然而，较低的系统效率以及较高的网络损耗将使电厂的排放增加。所以，由于排放将会从交通行业转移到电力行业，负荷平整模型将不能保证排放显著降低。现代高效 GVs 和现代电厂排放吸收技术在此模型中可以减少排放。通常，GVs 的整体效率（23.1%）高于传统汽车（12.6%），考虑到燃料消耗。相似地，就如排放一样，此模型中网络运行成本也不会现住地下降，因为运行成本将会从交通行业转移到电力行业。然而，交通行业的燃料价格更加易波动，而此模型的效果依赖于价格，在现实世界中，这是非常重要的。Ⅴ结论本文提出了通过 GVs 对 RESs 的最大利用实现正在可持续整合的电力与交通基础行业的成本与排放下降。研究了两种 GVs 应用的可能模型，对 GVs，智能电网模型具有很好的前景，但是随机模型一定程度上缺乏可行

性。负荷水平模型不能保证成本与排放的显著下降。另一方面，智能电网模型需要对 RESs 大量的资金投入。投入资金量依赖于当地的光照强度以及风速情况。PSO 算法已用于在智能电网中生成有效的调度方案以及对 GVs 的控制。由

于系统的复杂程度和剪切规模越来越高，智能电网环境中需要一种更先进的优化算法来跟踪 RESs 和 GVs 的动态行为。此外，实时电价，购买和销售率也被考虑进调度方案的制定以及对智能电网中 GVs 的控制与优化当中。