《Energies》：Impact of Full-Load and Daily Load-Curve Representations on PSO-Based EV–DER Distribution Feeder Assessment
编辑推荐：
摘要：电动汽车（EV）充电会加剧辐射状配电网中的电压跌落、馈线电流和技术损耗，尤其是当充电与高居民用电需求时段重合时。本文研究了在考虑基于规则的车辆到电网（V2G）支持和可再生分布式能源（DER）的情况下，所采用的负荷表示方式如何影响所报告的EV–DER馈线性
摘要：电动汽车（EV）充电会加剧辐射状配电网中的电压跌落、馈线电流和技术损耗，尤其是当充电与高居民用电需求时段重合时。本文研究了在考虑基于规则的车辆到电网（V2G）支持和可再生分布式能源（DER）的情况下，所采用的负荷表示方式如何影响所报告的EV–DER馈线性能。粒子群优化（PSO）用于在全负荷规划条件下进行分布式发电（DG）选址、定容和功率因数选择，之后使用24小时、15分钟间隔的前推回代法（BFS）时域仿真对所选的DG方案进行评估。在相同的EV、V2G和DER模型下，比较了两种负荷表示方式：一种是在全部96个时段内保持标称基础负荷恒定的恒定全负荷（CFL）表示方式，另一种是基础负荷随时间变化的日负荷曲线（DLC）表示方式。在三种考察情景中，相对于恒定全负荷情形，DLC表示方式使日损耗能量降低了约29.2%–36.0%，而峰值有功功率损耗和峰值电源电流的变化相对较小。结果表明，即使馈线、DG方案和运行模型均保持不变，负荷表示方式对基于能量的结论也有显著影响。因此，本研究支持在基于能量的报告和EV–DER配电网馈线性能的透明比较中采用时域DLC评估方法。
基于负荷表示方式对EV–DER配电网馈线评估影响的系统研究解读
一、研究背景与问题提出
现代电力系统正经历从集中式、被动式网络向分布式、灵活且主动管理的结构转型。在配电层面，分布式能源（DER）、逆变器接口发电、电气化负荷以及先进控制技术的渗透率不断提高，既带来了效率提升和可再生能源利用的机遇，也引入了更强的时变特性、双向潮流以及更严格的电压和载流约束。电动汽车（EV）的快速普及正在深刻改变配电系统的运行条件。与传统居民负荷不同，EV充电具有高度同时性和时间集中性，容易形成陡峭的爬坡和短时峰值。在辐射状馈线中，这些峰值会增加支路电流、加深线路末端电压跌落并提高技术损耗，从而压缩运行裕度和馈线接纳能力。空间聚集以及与晚间居民负荷峰值的重叠还可能使远端母线电压过低，增加上游区段和变电站变压器的压力。
然而，现有研究在评估EV–DER馈线性能时，往往在有限运行条件下进行，全负荷结果常被用作规划结论的基准。当EV充电、V2G动作和可再生能源注入随时间变化时，单一运行点表示无法量化日能量消耗、累积技术损耗或网络压力的时点。即使全负荷条件对DG规划和保守筛选有用，当基础负荷遵循真实日变化曲线时，所报告的日性能也可能存在实质性差异。因此，本研究将规划条件与运行评估时段分离，旨在回答一个核心问题：在保持相同的EV–DER馈线、DG方案和运行模型时，所采用的24小时负荷表示方式对报告的峰值压力指标和基于能量的性能指标有多大的敏感性？
二、研究内容与主要结论
研究人员采用IEEE 69节点辐射状配电馈线作为基准系统，提出了一种将DG规划与后续时域运行评估分离的方法论框架。首先，在全负荷规划条件下使用粒子群优化（PSO）确定DG的位置、有功功率额定值和功率因数，然后将所选DG方案固定不变，在24小时、15分钟分辨率的时域内分别采用恒定全负荷（CFL）和日负荷曲线（DLC）两种负荷表示方式进行评估。研究设置了三种运行情景：S0为无EV和可再生能源的基础情景，S1包含EV充电、电压触发的V2G支持和单台光伏（PV）单元，S2包含EV充电、V2G支持、PV和风力发电（WTG）。
研究得出以下主要结论：第一，在三个情景中，从CFL改为DLC使日损耗能量减少约29.2%–36.0%，而峰值有功功率损耗仅减少约4.3%–7.6%，峰值电源电流减少约2.1%–7.2%，最小电压变化仅约0.20%–0.46%。这表明负荷表示方式对累积能量指标的影响远大于对瞬时峰值指标的影响。第二，单DG的PSO规划结果表现出强可重复性，30次独立运行全部选择Bus 61且损耗值完全一致；双DG问题表现出更大的随机变异性，但Bus 17–Bus 61组合在30次运行中26次（86.7%）被选为模态解。第三，EV/V2G运行指标显示，从S1到S2，额外的可再生能源支持显著降低了V2G干预需求，V2G放电能量从约723–754 kWh降至约217–235 kWh，电压触发母线激活次数从22–23次降至7–8次。第四，与已发表的IEEE 69节点基准结果对比，本研究的DG规划结果在位置、额定值、功率因数、电压和损耗方面均高度一致，验证了所实现规划模型的正确性。该论文发表在《Energies》期刊上。
三、关键技术方法
研究人员采用了以下主要技术方法：一是粒子群优化（PSO）算法，用于在全负荷规划条件下确定DG的选址、定容和功率因数选择，采用标准惯性权重PSO更新规则，单DG问题使用70个粒子和100次迭代，双DG问题使用120个粒子和100次迭代，并通过30次独立随机种子运行评估解的可重复性。二是前推回代法（BFS）潮流求解器，利用辐射状网络拓扑特性，在每个15分钟间隔内通过后向扫描累加支路电流、前向扫描更新母线电压，迭代直至电压收敛判据满足。三是EV充电与V2G运行模型，采用母线本地会话和队列模型，每辆EV以2.3 kW/相（三相总计6.9 kW）充电，功率因数为0.95，初始荷电状态（SoC）在25%–50%间均匀采样，充电完成目标为95%，V2G策略基于前一时刻母线电压低于0.95 p.u.时触发，SoC在70%–50%窗口内放电。四是PV和风电出力模型，将归一化发电曲线乘以装机额定功率得到时变有功注入，无功功率由规划阶段确定的固定功率因数决定。
四、研究结果
4.1 情景S0：基础条件
在CFL表示下，基础馈线最小电压为0.9092 p.u.（Bus 65），峰值有功损耗为225.11 kW，峰值电源电流为223.63 A，日电源能量为96,653.01 kWh，日损耗能量为5,402.61 kWh。在DLC表示下，最小电压为0.9112 p.u.（Bus 65，11:00），峰值损耗为215.39 kW，峰值电源电流为218.90 A，日电源能量降至80,401.67 kWh，日损耗能量降至3,827.37 kWh，损耗能量减少约29.2%。
4.2 情景S1：PV-EV
单DG优化一致选择Bus 61，额定功率为1828.271 kW，功率因数为0.814844，规划点损耗为23.175816 kW，最小电压为0.972481 p.u.（Bus 27）。30次独立运行全部产生可行解且数值完全一致。在CFL表示下，最小电压为0.8992 p.u.（Bus 65，19:00），峰值损耗为295.13 kW，峰值电源电流为280.41 A，日电源能量为89,249.56 kWh，日损耗能量为3,945.98 kWh。在DLC表示下，最小电压为0.9033 p.u.（Bus 65，19:00），峰值损耗为272.82 kW，峰值电源电流为270.76 A，日电源能量为73,107.09 kWh，日损耗能量为2,524.59 kWh。DLC使日电源能量减少约18.1%，日损耗能量减少约36.0%，而峰值损耗和峰值电流仅分别减少约7.6%和3.4%。
4.3 情景S2：PV-WTG/V2G
双DG优化选择Bus 17和Bus 61，额定功率分别为522.205 kW和1734.484 kW，功率因数分别为0.827490和0.813864，总装机容量为2256.690 kW，规划点损耗为7.183246 kW，最小电压为0.994268 p.u.（Bus 50）。在CFL表示下，最小电压为0.9361 p.u.（Bus 65，11:00），峰值损耗为105.18 kW（11:00），峰值电源电流为206.98 A（22:00），日电源能量为69,147.92 kWh，日损耗能量为1,361.79 kWh。在DLC表示下，最小电压为0.9380 p.u.（Bus 65，11:00），峰值损耗为99.07 kW（11:00），峰值电源电流为192.08 A（20:45），日电源能量为54,002.24 kWh，日损耗能量为961.34 kWh。DLC使峰值损耗减少约5.8%，峰值电流减少7.2%，日电源能量减少21.9%，日损耗能量减少29.4%。
4.4 跨情景总结与负荷表示敏感性
三个情景中，最小电压变化范围为0.20%–0.46%，峰值损耗减少4.32%–7.56%，峰值电流减少2.12%–7.20%，而日电源能量减少16.81%–21.90%，日损耗能量减少29.16%–36.02%。结果表明负荷表示方式对累积24小时能量指标的影响远大于对瞬时峰值压力指标的影响。
4.5 EV/V2G运行服务指标
相同207次EV到达用于对应的CFL和DLC情景。负荷表示方式对同一DER情景内完成的EV会话数量影响较小，而从S1到S2的可再生能源增加显著减少了V2G干预，V2G放电能量从约723–754 kWh降至约217–235 kWh，电压触发母线激活次数从22–23次降至7–8次。
4.6 PSO参数敏感性与计算成本
增加种群规模从80到120个粒子将优选母线对的重复性从60.0%提高到86.7%，并降低了平均损耗和标准差。将最大迭代次数从100增加到150对损耗统计改善可忽略但计算时间显著增加。最终选择120个粒子和100次迭代作为双DG分析配置。
4.7 DG规划结果的基准比较
与已发表的IEEE 69节点基准对比，单DG案例的Bus 61位置、1828.271 kW额定值、0.814844功率因数、23.175816 kW损耗和0.972481 p.u.最小电压均与基准高度一致；双DG案例的Bus 17–Bus 61位置、522.205/1734.484 kW额定值、0.827490/0.813864功率因数、7.183246 kW损耗和0.994268 p.u.最小电压同样与基准吻合。
五、讨论与结论
讨论部分指出，负荷表示方式可以实质性地影响EV–DER配电网馈线研究的结论。恒定全负荷表示提供了评估持续网络压力的保守参考，而基于DLC的时域表示更适合涉及日电源能量、累积技术损耗或其他基于能量的性能指标的研究目标。规划人员应明确区分规划运行条件和运行评估表示方式，峰值电压、有功损耗和电源电流指标应与日能量指标一起报告，因为这两类指标对负荷表示方式变化的响应不同。本研究的比较仅限于两种确定性24小时负荷表示方式，结果不应被解释为对所有可能的时序聚合或不确定性建模方法的全面排序。
研究结论为：所采用的负荷表示方式对累积能量指标的影响远大于对瞬时峰值压力指标的影响。在S0–S2情景中，从CFL改为DLC使日损耗能量减少约29.2%–36.0%，而峰值有功损耗减少约4.3%–7.6%，峰值电源电流减少约2.1%–7.2%，最小电压变化相对较小。仅基于持续全负荷运行的结论会实质性高估日能量和技术损耗量，即使馈线、DG方案、EV行为和DER曲线均保持不变。PSO规划结果在单DG案例中表现出强可重复性，双DG问题具有更大随机变异性但模态解稳定。EV/V2G运行结果显示，额外的可再生能源支持可以减少电压触发车辆放电的需求。总体而言，研究结果支持将规划运行条件与运行评估表示方式明确分离，全负荷条件对DG规划和保守筛选仍然有用，而时域DLC评估更适合报告日能量消耗、累积损耗以及EV充电、V2G支持和可再生能源之间的时序交互。
