电动车&虚拟电厂：创造消纳新模式
发布日期：2025/9/1
现在新能源发展特别快，风电、光伏这类分布式能源越来越多，路上跑的电动车也一天比一天多。但问题也跟着来了，风电、光伏发电不稳定，风大的时候电多，没风没太阳就没电；电动车一多，用电负荷也跟着波动，电网这边供能和用能就容易失衡，得靠储能设备来调，才能让电网安全运行。
虚拟电厂就是解决这个问题的好办法。它不是真的建一个电厂，而是靠智能电网的通信和配电设施，把分布式电源、可调节的用电负荷、电动车还有其他储能系统整合起来，统一管理。这样就能让这些分散的资源像一个整体一样运作，既能保证电网和电力市场高效运行，还能优化供能、用能、储能的配置，让电力系统更安全可靠。
之前很多人研究过电动车参与虚拟电厂调度，还有相关的商业模式，但很少有人把 “低碳” 这个目标加进去。有些提到低碳的研究，又没考虑电动车充放电（也就是 V2G 技术）的影响。现在碳排放配额特别重要，根据规定，大部分配额是免费给的，但超了就得花钱买。所以我觉得，得把电动车全生命周期的碳排放成本，还有分布式电源发电时的碳排放成本都算进去，才能让虚拟电厂的调度更贴合现在的低碳要求。
一、虚拟电厂的整体架构
我这次说的虚拟电厂，整合了供能和用能两边的多种资源，包括基础负荷（像居民日常用电这类比较稳定的负荷）、电动车、光伏机组、风电机组，还有可控的分布式电源（比如微型燃气轮机）。这里面电动车很特别，它既能当用电负荷（需要充电），又能当电源（把电池里的电放给电网），不过得先满足它的出行需求，所以优先保证它充电，再考虑放电。
虚拟电厂有个控制中心，核心就是让供能和用能保持平衡。目标很明确，一是让虚拟电厂里所有元素运行的总成本降下来，二是把碳排放成本也压到最低，然后统一管理供能和用能两边，保证整体运行可靠、效率高，还能智能调控。最后，这些整合起来的资源会作为一个整体参与电力市场，让新型电力系统能高效安全地运转。
二、虚拟电厂里各部分怎么运作
1. 基础负荷
基础负荷相对稳定，计算的时候会分两部分，一部分是提前预测的负荷量，另一部分是预测误差。这个误差一般按正态分布来算，比较符合实际情况。不过基础负荷的碳排放很难算得特别细，所以我重点看它运行时消耗的电量，把它的碳排放算到虚拟电厂发电侧的碳排放里就行。
2. 电动车
电动车靠 V2G 技术连接电网，充电的时候是用电负荷，放电的时候就是电源。但必须先保证车主能正常用车，所以电池的电量（也就是荷电状态 SoC）不能太低，一般得在 20% 以上才能放电。要是电量低于 20%，就只能充电，不能放电给电网。
电动车电池充放电有讲究，分恒压和恒流两个阶段。充电的时候，电量超过某个值（比如设定的 SoC^c），为了保护电池，就会从恒压模式切成恒流模式；放电的时候，电量超过某个值（比如 SoC^d），也会从恒流切成恒压模式。而且电池的最大充放电功率不是固定的，会跟着当前的电量变化。比如充电时，电量没到 SoC^c，就能用最大充电功率；到了之后，功率就会随着电量增加而降低。
另外，电动车的碳排放不能只算充电的时候，生产过程的碳排放占了全生命周期的 45% 以上。已知型号的电动车，生产时的碳排放量差不多是固定的，我会把这部分成本分摊到每次虚拟电厂调度里。充电时的碳排放，和基础负荷的碳排放强度一样，放电的时候因为是把之前存的电放出去，所以碳排放就算 0。
3. 光伏发电
光伏发多少电，主要看光伏面板能接收到的光照强度。计算的时候，用光伏发电系数、面板面积和实时光照强度相乘，就能得到当前的光伏出力。而且光照强度一般按 Beta 分布来统计，只要有历史光照数据，就能算出分布里的参数，方便预测光伏出力。
值得一提的是，光伏运行的时候几乎不产生碳排放，这也是它能在低碳理念下快速发展的重要原因。这次我没把光伏组件生产和安装的碳排放算进去，重点看运行阶段。
4. 风电机组
风机发电全靠风速。不同风速下，风机的出力情况不一样：风速太低（低于切入风速）或者太高（高于切出风速），风机都不工作，发不出电；风速在切入风速和额定风速之间时，风速越大，发电量越多；达到额定风速后，不管风速再怎么增加，风机都按额定功率发电。
风速一般按韦伯分布来统计，和光伏类似，有历史数据就能确定分布参数。同样，这次也没算风机生产和安装的碳排放，运行时的碳排放成本按 0 算。
5. 可控分布式电源
这次用的可控分布式电源是微型燃气轮机。它的发电量，取决于天然气的热值、消耗的天然气体积，还有自身的发电效率。比如天然气热值一般按 34MJ/m³ 算，用这个数值乘以消耗的体积，再乘以发电效率，就是燃气轮机的出力。
不过燃气轮机发电会产生碳排放，它的碳排放强度在 390-500g/(kW・h) 之间，用这个强度乘以实时出力，就能算出每个时段的碳排放量。
6. 碳排放成本怎么算
现在国内碳排放配额主要是免费分配的，用的最多的是基准线法。计算的时候，用虚拟电厂每个时段的总发电量乘以单位发电量的配额，就能得到总的免费配额。
碳排放成本的计算很简单：先把燃气轮机的碳排放量，加上电动车分摊的碳排放量，再减去免费配额，得到的差值如果是正的，就需要按碳交易的单价花钱买配额，这就是碳排放成本；如果是负的，说明配额有剩余，还能产生碳排放收益。
三、虚拟电厂怎么优化调度
1. 调度的目标
这次调度主要盯两个目标：一是让虚拟电厂的整体运行成本最低，二是让碳排放成本最低。
运行成本主要包括向大电网买电的费用、燃气轮机的成本，还有因为预测误差产生的惩罚费用。比如预测的负荷和实际不一样，就得承担惩罚成本。碳排放成本就是前面算的，按碳交易单价和配额差值来定。
2. 调度的约束条件
首先是燃气轮机的功率约束，它启动后，发电量不能低于最小额定功率，也不能超过最大额定功率，得在这个范围内运行。
然后是电动车的约束。一方面是电池电量，为了保护电池和保证出行，电量得在 20%-95% 之间；另一方面是充放电功率，放电功率不能超过最大放电功率，充电功率也不能超过最大充电功率，而且放电功率按负值算，充电按正值算，这样方便统计。
3. 用什么方法求解
我用的是粒子群优化算法，这种算法常用于找最优解。具体步骤很简单：先在可行范围内随机生成一批粒子（相当于不同的调度方案）和它们的速度；然后计算每个粒子对应的运行成本和碳排放成本，挑出前一半表现好的粒子组成新的群体，把里面最优的粒子作为大家共享的 “好方案”；接着根据这个 “好方案” 更新所有粒子的位置和速度，组成新的群体；重复前面这两步，直到满足停止条件，最后剩下的最优粒子就是最好的调度方案。
四、实际案例分析
为了验证这个调度方法行不行，我用了厦门翔安区的实际数据来配置虚拟电厂模型。这里有公共充电桩的运行数据，还有能参与需求响应和绿色能源消纳的资源，很有代表性。
1. 案例的基本配置
这个虚拟电厂里，有 1 个 2MW 的光伏机组、4 个总装机 6MW 的风电机组、3 个总装机 1.5MW 的燃气轮机，基础负荷最高 2MW，还有 2 个 V2G 接入点和 1000 辆电动车。
风机用的是 GoldWind-GW-1.5_70 型号，光伏面板按 41° 倾角固定安装。我用了 2020 年一整年的历史数据，来预测风电和光伏的出力。电动车的电池容量都是 80kW・h，电量范围在 20%-95% 之间，充放电规律参考了当地电动车的历史出行数据，比如车辆在某个地方停留多久的概率。
粒子群算法的参数也设定好了：粒子数量 60 个，迭代 150 次，学习因子都是 1.326，惯性权重 0.8，用这些参数来计算最优方案。
2. 电动车参与比例的影响
这里说的参与比例，是指到 V2G 接入点的电动车里，电池电量够放电条件（电量 20% 以上）的车辆占比。比例 0 就是没有电动车能放电，100% 就是到接入点的电动车都能放电。
因为这个虚拟电厂里，风电和光伏的预测出力比基础负荷的上限低，所以得靠燃气轮机和电动车放电来调峰填谷。而且电动车放电的成本，不管是运行成本还是碳排放成本，都比燃气轮机低。
从结果能看到，随着电动车参与比例从 10% 涨到 100%，电动车放电对虚拟电厂的贡献越来越大，运行收益和碳排放收益也越来越多（相当于运行成本和碳排放成本变成负数）。
就算电动车 100% 能放电，实际参与放电的比例还是不高，因为车主得用车，不能一直把电放给电网。但就算这样，电动车放电还是能很好地平抑风电、光伏的波动。比如晚上和中午，车主用车少，电动车放电的概率高，对电网波动的平抑效果更明显。
3. 不同调度目标的结果对比
我还对比了不同目标下的调度结果：只盯着碳排放成本最低、只盯着运行成本最低，还有同时考虑两个目标（多目标）。多目标的时候，分别用了差分进化算法和粒子群优化算法。
结果很清楚，不管用哪种算法，多目标调度的运行成本比 “只盯运行成本最低” 的情况略高一点，但碳排放成本降了很多。比如用粒子群算法时，只盯运行成本最低，运行成本 829.98 元，碳排放成本 2476.02 元；多目标调度时，运行成本 2590.26 元，碳排放成本 691.29 元。这说明多目标调度能在成本和低碳之间找到平衡，更符合现在的需求。
五、总结
把电动车的充放电能力用起来，确实能平抑风电、光伏的发电波动，还能提高它们的消纳率。用虚拟电厂把这些资源整合起来统一管理，再把电动车全生命周期和分布式电源的碳排放成本都算进去，就能制定出更合理的调度方案。
这次用厦门翔安区的实际数据做的实验，也证明了这个调度方法是有效的。以后电动车会越来越多，把 V2G 技术和虚拟电厂结合起来，肯定能给低碳背景下的新型电力系统提供不少技术支持。
来源：虚拟电厂学习社 作者：萍姐
