1、基于插入式電動汽車與可再生能源的成本控制與減排摘要:電力和交通工業是全球溫室氣體排放的主要來源。風能和太陽能等主要的可再生能源可以減少電力行業的溫室氣體排放（主要來自機組發電）。同樣地，被學者稱為GV的下一代可插入式汽車也能減少交通行業的排放，GV包含了可插入式混合動力汽車以及其具有的并網能力。GV可以被用作負載和能源（小型輕便的發機組），在包含了可再生能源（RESs）的智能電網中也可被看做是儲備能源。在分布式的能源和負載環境中考慮到智能充放電對于要同時實現成本和排放降低的智能電網操作是一項非常復雜的工作。如果大量的GVs隨機的并入電網，高峰負荷將會很大。為支持交通電氣化，傳統火電機組的使用將

2、很不經濟并對環境造成危害。將GV作為負載和/或能源的智能調度和控制在發展可持續整合的電力和交通基礎設施方面有很大的潛力。本文通過智能電網中GV和REs的最大利用來實現成本控制與減少排放。文中介紹了GV應用的可能模型，包括智能電網模型，并且給出了結果。智能電網模型在REs最大利用以實現電力行業成本控制與減少排放方面顯示出了最大潛力。關鍵詞：約束;成本;排放;可并網電動汽車GV;負荷水平;最優化;插入式電動汽車（PHEVs）;可再生能源;智能電網;太陽能發機組;風電場 引言 全球能源儲備快速地下降對經濟，環境，工業和社會水平方面的影響是全社會都關注的問題。電力和能源行業是全球排放的一個主要方面，占

3、到全球CO2排放的40%，其次是交通行業（24%）。由溫室氣體排放所造成的氣候變化如今被廣泛地認知為是一種對人類社會有著嚴重影響的因素，這些行業需要將上述因素加入到戰略計劃當中。新能源的使用可能變得具有吸引力，特別是當如果消費者不僅不用支付機組發電的成本費用，也不用支付由傳輸，配電以及由環境清理和健康影響所產生的間接費用時。研究者們正在研究如何能有效率地發出更多的電而又不會造成氣候變化或者產生對環境不好影響。 對于能源儲備減少以及排放增加的部分解決方案如下：1)分布式可再生能源（REs）的整合 2）正在部署的被學者稱為GV的新一代插入式汽車，包含了插入式混合動力汽車（PHEVs）和以及其具有的

4、并網能力。V2G技術在文獻【6】有介紹。V2G是一種能量儲存技術，它可以實現能量在車載電池與電網的雙向傳輸。這增加了電網的靈活性，使其更好地利用具有間歇式特性的可再生能源。車載電池的充電水平（SoC）依據個人收益以及電網需求可以上下波動。 不同形式的能源整合與研發政策在文獻【7】有介紹。一份來自國家可再生能源實驗室（NREL）的技術報告表明PHEVs對于純CO2排放量的降低有著重大作用。擔心石油安全與儲備所造成的油價波動和尾氣排放所帶來的空氣質量問題共同推動著人們對PHEV的興趣。促使車主將電能作為能源的經濟誘因是相對比較低得電價。基于PHEVs成本優勢，美國電力研究院的一項研究發現PHEVs

5、有著巨大的潛在市場。但是PHEVs的使用將會增加電網的負荷。如果峰值負荷激增，就必須建設更多的發機組來供應峰值負荷需求，這樣成本花費是巨大的。交通行業電氣化不僅僅需要對現有加油氣站的重組，還需要對現有電力基礎設施的改進。 PHEVs與EV的研究者主要關注于車載存儲能源與電網的互聯【10】-【21】。他們的目的是探究PHEVs與EVs的環境與經濟效益來推動其產品市場。PHEVs與EVS是不能單獨地完全解決排放問題的，因為電動汽車需要電能，而發電是廢氣排放的主要來源之一。因此，為實現成本控制與減排目的的具有V2G功能的PHEVs和EVs的實際應用的成功，很大程度依賴于RESs的最大利用。 在一個復

6、雜的智能電網中，需要一種動態優化方法來優化時變的能源（比如RESs和GVs）。之后，電力與交通基礎設施之間才會很好地融合。 本文的主要貢獻有：1）智能和靈活地將GVs作為負荷，能源或者儲備能源；2）證明了在含有RESs的智能電網中GVs的高效；3）在智能電網中RESs的最大利用（通過GVs利用）來實現成本和排放的降低。 本文組織如下。建立電力與交通聯系的問題的數學證明在第節。為了最大利用資源和實現成本與排放最小化，在第節提出了一種智能算法。仿真數據與結果在第節介紹和討論。最后，第節做出總結。 數學建模 在提出的模型中，可以觀察到如下方面：1）從電力行業出發，RESs（主要包過風能和太陽能）用于

7、減少排放；2）從交通行業出發，GVs用于減少排放；3）GVs被巧妙地作為負載，儲備能源和小型可攜帶式電站（S3Ps）；4）大型停車場被作為虛擬機組（VPPs）；5）車載GV電腦系統與有關部門通信以獲取實時電價并且上傳車主的電池SoC以及車主的偏好。基于上述系統的功能和特點，采用優化方法生成一種智能調度方案，這種方案具有合適的決策，控制以及智能操作以使GVs最大化利用RESs，從而實現在電力與交通行業中電力成本和廢氣排放的降低 。 一塊太陽能光電板的功率輸出由式（1）給出，它與光電板的面積，光照強度以及光電板的效率有關 （1） 風力機組的出力模型因其機械特性而變得比較復雜。通常來說，風力機組的出

8、力與風的動能和空氣密度成比例，公式由(2)給出，是Albert Betz常數， 為空氣密度， 為渦輪轉子掃描的區域， 為風速。其他的風力機組的參數包括切入風速，切出風速，額定風速，典型的數值分別為3.5,25,14mi/s。精確數據可以從相關單元的制造商的數據表中獲得 （2）風能與太陽能也許滿足不了所有的負荷需求，所以需要傳統的單元來供應得不到滿足的負荷需求。風能與太陽能都是零排放的。但是，在電力與交通行業，排放的二氧化碳量與燃料中的碳含量以及燃料的燃燒效率成比例。所以，在提高運作水平后，以高碳含量為燃料的發機組或者汽車將會產生更多二氧化碳。其他種類的氣體排放（SO2，NOx等）同樣也會在電力

9、和交通行業被產生。為了環境友好型地發電，廢氣排放應該被有效地監測與削減。 本文中，用線性近似模型來計算交通領域里電動汽車的排放： （3）為排放函數，為第輛汽車所行駛的路程，為第輛汽車每英里的排放量。 非線性精確（復雜）模型可以適用于電力系統。一般地，排放量可以表示為一個多項式函數，其次數依賴于所需的精度。本文中，用二次函數來描述排放曲線： （4），為單元的排放系數。 火機組的燃料成本一般表示為次發機組發電量的二次函數 （5），為發機組的精確燃料成本系數。 啟動火電機組的啟動成本由以下模型表述，它關聯與鍋爐的溫度。 （6）和分別為機組熱啟動與冷啟動的成本，且。在將GVs作為負載或者S3Ps的系統

10、里，由分布式發電供應的電量必須滿足負載需求以及系統損耗，其定義如下： （7）(8)為機組在時段的輸出功率，為當前/離開時的，為電動汽車 的功率，為系統效率，為小時內接入電網的GVs的數量，為機組數量。 僅僅經過注冊的GVs參與到智能控制。這些GVs的車主選擇將其車輛的電池參與到V2G的交互中。所有經過注冊的車輛（數量為）在一個預定的調控時段H內參與到智能調控： （9）為了維持系統可靠性，需要適當的旋轉備用 其中 與分別為機組在時段考慮機組的爬坡速率以及系統的旋轉備用時的最大出力約束。 每一機組都有發電范圍，表示如下： （12） 確保電池儲能消耗水平高于某一最低水品并且低于某一最高充電水平可以保

11、證電池的使用壽命 （13） 在所介紹的模型中，排放（4）和發電成本（5）以及（6）為智能控制的目標函數，負荷平衡（7）和（8），注冊電動汽車的數量（9），可靠的存儲備用（10）和（11），發電容量約束（12），SoC,系統效率，停車場場地限制等等都是約束。因此，智能電網環境中典型的成本-排放優化目標函數如下： (14)服從（7）-（13）約束條件。 與分別為機組開/關的決策變量和t時段里連入電網的GVs的數量。為機組i的排放懲罰因子。權重因子與用于增加系統的靈活性。 成本與排放優化優化算法需要操作大量的加入智能電網的GVs以實現最大化利用RESs，從而將成本與排放降低到較優的水平。本文利用粒子

12、群優化算法（PSO）來實現成本與排放的最小化。PSO是一種基于鳥群和魚群行為的仿生啟發式算法，類似于其他的基于群體進化的算法。每個可能解稱為一個粒子，在一個多維搜索空間中以一定的速度飛行，并根據自身與其他粒子的飛行經驗動態調整速度。本文中優化問題采用二進制和整數PSOs以減少搜索空間的規模。發電機組與GVs分別用二進制與整數表示。二進制PSO用于決定傳統發電機組的最優開/關狀態。整數PSO決定帶約束系統中GVs的最優數量。此算法在局部和全局搜索能力之間做了很好的平衡，并生成成本與排放降低目標的最優解決方案。 PSO是一種迭代算法，每個粒子的速度與位置計算如下： （15） 發電機組的二進制PSO

13、表示： （16） GVs的整數PSO表示： （17） 與分別為（）和維矩陣。而為維整數向量以減小問題維數，并設置為矩陣的最后一行。PSO中的標準術語有粒子的最好位置，全局最好位置，速度，位置，加速因子與，粒子，問題維數，迭代次數。 ，及分別為當前迭代數，最大迭代數，0與1之間的同一數。在上述的速度等式中，第一部分表示粒子的當前速度，第二部分顯示了粒子的認知，粒子根據自身的考量和記憶改變其速度，第三部分為種群部分，粒子根據與種群中其他粒子的比較來改變自身的速度。 圖1 智能電網中運用GVs與RESs實現成本與排放的最小化的流程圖表 機組排放參數 結果探討 本文采用具有50000注冊GVs的 10

14、節點獨立系統進行模擬。負荷需求與10節點系統的機組特性收錄在文獻【25】。估計排放系數，機組數據分別在表和給出。一下兩種模型經研究顯示了GVs在電力與交通工業的作用。1） 模型1（負載水平模型）：GVs通過傳統發電機組充電。2） 模型2（智能電網）：GVs作為負載通過RESs充電，作為能源給電網輸送電能。表 10節點系統中電站容量與最大容量（1662MIW）圖2.GVs的負載水平本文所用的參數值如下：平均車在電池容量，=15kWh;城市總的注冊電動汽車數量=50000（估計）；充放電頻率=1次每天；調度時段=24h;=50%;系統效率=85%；PSO中種群規模=30，迭代次數=1000，加速因

15、子=1.5，=2.5，=0.4 。 實際運用中，電網中GVs的數量可以根據電力用戶的數量分析估計得到。其具體的計算如下： 例如，本文中基準10節點系統所取最小負荷為700MIW【25】。每戶每月平均電量消費（）為1500kWh【26】。居民客戶每小時平均用電量（）為2.0833kw。假設電網中居民負荷的百分比為=30%，域內用戶總量（）為100801.6，為簡單起見，可以大約取100000.可以預見，將來的=1,即平均每戶電力用戶都將有一個GV，其中50%將會注冊參與到調度過程中來=50%。由（18）可得約為50000，在標準10節點系統中，這個數量是比較合理的。 如果50000個GVs隨機地

16、并入電網，最壞的情況下，將需要額外電量（如果考慮50%的離場SoC則至少需要375 的電量）。充放電過程都是隨機的，沒有經過最優化。在這樣一個系統中，最壞情況下，高峰負荷將會達到將近50%；所以這個模型在實際運用中不太可行。表 十節點系統的排放（不包括GVs和可再生能源） 模型 1 （負荷平整模型）：由于隨機系統不可行，下一個可能方案就是負荷平整模型。電動汽車平均一年行駛的路程估計有12000 mi/year；也就是32.88mi/day；假設EV可以運行在4mi/kWh。所以，一輛EV需要大約8.22kWh/day。目前還沒有進行包含GVs的負荷預測研究。因此這里給出近似線性模型。小系統里每

17、天供應50000輛電動汽車的額外電量為411MIWh。如果GVs隨機的從現有的電力系統中充電，最壞的情況下（假如所有的汽車都在高峰負荷時間內充電）。很自然，系統可能沒有足夠的容量來滿足額外的高峰負荷。此外，負載以約每年10%的速度增長。在此模型中，需要裝設新的發電機組來滿足來自GVs的新負荷，這將是成本巨大并且花費大量時間。然而，一種GVs的智能調度可以通過智能地平整負荷需求來化解這一問題。GVs可以被運用作為在電力系統中的負荷平整裝置。 標準10節點系統的負荷曲線具有峰谷（見圖2）。根據負荷曲線，負荷需求在1至9和22至24時段里相對比較低（總共12小時）。GVs可以在這非峰時段里從電網中充

18、電以平整負荷需求。GVs的負荷自動地由車載智能代理以及根據智能計量得到的實時電價與其他公共部門的交互。供應50000GVs的額外的411MIWh/day的電量被等量地（411MIWh/12=34.25MIWh/h）分散于非峰時段以平整負荷需求，避免了高峰負荷的增長。（見圖2）。 根據每輛車每年平均行駛里程為12000mii，以及每輛車平均排放為1.2lb/mi,運用式（3）可得一輛車估計每年排放14400lb。50000輛車的總排放量因此為720000000lb(326678.766噸)。表 考慮負載整定情況下含5000輛GVs的十節點系統的排放 首先，排放由10節點系統機組的標準輸入數據，排放因子，考慮GVs及PESs的負荷需求等計算得到。PSO用于計算計劃表，符合調度，以及相應的成本與排放。結果在表中中給出。成本與排放是在考慮了500000GVs的負荷需求以及額外負載的平整上計算的。結果有表給出。從表和，24小時內，機組為了供應50000GVs的負荷需求多排放了781.989噸（26860.5