动力电池参与电网调峰的研究

1 概述

　　随着电动汽车的推广应用和充电站的建设，人们对电动汽车和充电站的认识已经不仅仅局限在代步工具和“加油站”上， 而是希望开拓更广泛的应用。虽然目前国内外运行和正在建设的充电站， 多数只具有为电动汽车供给能源的单一功能，但美国、德国等国家已经在进行V2G ( Vehicle to Grid)相关技术的研究。

　　V2G是指电动车辆作为移动储能单元在受控状态下实现与电网的能量与信息的双向交换，电动汽车(充电站)不但从电网获得能量， 而且实现在必要时电动汽车(充电站)向电网反送电， 从而提高电网运行的可靠性。

　　含有分布式移动储能单元的电动汽车具有与大电网互补、可缓解电网供电紧张和提高电网可靠性等优点。随着技术的发展， 电动汽车动力电池移动储能应用还可进一步降低电力系统的投资和运营成本， 超大型的电站与分散微型电站的结合可以降低在输配电线路上的投资， 提高电力系统运行的安全性和经济性。特别地， 与众多的分布式电源相比， 电动汽车动力电池移动储能最大的优势是， 当大电网出现大面积停电事故时， 电动汽车动力电池移动储能仍能保持正常运行， 由此可提高电力系统的抗灾能力。

　　2 V2G技术应用优势与可行性

　　总体来看， 各大电网的峰谷差日趋增大， 电网的调峰能力和客观上的调峰需要之间的矛盾十分尖锐， V2G参与电力系统调峰对于应对日趋严重的调峰问题具有极其重大的意义。

　　2. 1 V2G技术应用的优势

　　(1) 调整容量可以保证。1 日24 h 当中90%的电动车辆都可以参加V2G 服务， 即使在交通的高峰期也有80% 多的车辆是停着的， 而且对于私家电动车绝大多数时间处于停驶状态。

　　(2) 响应速度快。具有双向功率调节功能的电动车充放电可达到ms级， 而传统调峰电源由于要考虑到机械元件的寿命， 响应时间最快也在s级左右。

　　(3) 响应功率储备裕度小。传统调峰、调频对AGC信号的不准确响应， 要求电网调度有更大的响应功率储备裕度， 而V2G 对调峰、调频命令响应快速准确， 可以减少功率储备裕度。

　　(4) 综合效率高。电池的充放电效率比一般的抽水蓄能电站运行的平均综合能源效率要高。

　　(5) 具有明显的社会效益和经济效益。电动汽车可充分利用电网谷电， 并在电网处于高峰时提供服务。

　　2. 2 V2G技术应用的可行性

　　电动汽车/充电站具备功率双向交换功能， 既可以向电网输送功率(即电动汽车放电状态) , 也可以从电网吸收功率(即电动汽车充电状态) ; 其次， 电动汽车/充电站具有双向通信功能， 能够远程接收指令和发送功率信息， 调峰指令由电网调度通过充电站内通信网络发送给电动车， 电动汽车的响应被监测、记录并通过通信网络反馈给充电站(后台管理系统)。如电动汽车发展到一定规模， 有相关政策和技术支持， 调峰指令也可通过无线通信直接发送给电动汽车， 电动汽车的响应可以被监测并记录(各电动汽车响应结果也应该通过无线通信反馈给充电站后台管理系统)。因此， 电动汽车可以按照电网要求实现有组织、有计划的调峰。

　　3 实现V2G调峰应用的基本思路

　　电网依据调峰需求并按照各充电站的V2G统计信息， 通过相关策略制定V2G 充放电计划下发给各充电站; 各充放电站接到计划后， 通过相关策略及算法合理选择车辆， 分配充放电功率， 保证充放电计划合理执行。V2G 参与系统调峰的示意图如图1所示。

　　图1 V2G参与系统调峰的示意图

　　4 可用容量与可用时间的预测

　　从电网安全的角度来看， V2G 作为具有用户参与性的分布式发电单元大量接入系统必然会对电网的运行带来一定的影响， 因此准确预测V2G在调度过程中的各种参数必将成为电网调度运行机构关注的问题之一。正是由于V2G 具有与用户能量双向交互的互动性， 因此其可用容量的预测问题也比传统的负荷预测更为复杂。从技术来分析， V2G储能可用容量的获得可以通过以下两种方式。

　　(1) 采用用户设置的方式

　　指用户在一个周末设置好下一周车辆参与V2G的计划。V2G 运营商和后台管理中心以此为标准统计下一周的V2G可用容量， 在实际的充放电执行中优先执行计划部分。该模式与电力市场中合同市场与实时市场的模式类似， 具有较好的推广前景。

　　(2) 采用历史数据进行预测的方式

　　V2G的容量受到天气、节假日、价格、温度、季节、经济发展情况与电动汽车参与V2G 服务的数量密切相关。在V2G 服务推行初期， 由于参与的车辆相对较少， 因此， 可以采用高峰时段放电的模型进行。随着技术和市场的成熟， 参与的车辆逐步增多， 而V2G 的历史数据也会逐渐积累， 从而可以采取各种预测方法进行可用容量预测， 比如目前电力系统常用的回归分析法、时间序列法、指数平滑法、灰色模型法、卡尔曼滤波法以及一些人工智能方法如专家系统、人工神经网络、模糊预测等方法。