CN104463464A - 一种适于电动汽车规模化应用的配电系统综合规划方法 - Google Patents

Abstract

本发明公开的一种适于电动汽车规模化应用的配电系统综合规划方法，包括如下步骤：首先，针对自由充电和有序充电两种不同的充电模式分别给出了电动汽车充电负荷的计算方法，并为有序充电模式提出了切实可行的实时调度策略；其次，从规划水平年常规负荷发展水平、电动汽车保有量、有序充电策略能否顺利实施这3个不确定因素出发，构建了未来可能场景的集合；最后，发展了能计及适应成本的配电系统灵活规划方法。本发明所提出的配电系统综合规划方法可为投资者提供成本之和较小的初始建设方案，并规避经济风险。

Description

一种适于电动汽车规模化应用的配电系统综合规划方法

技术领域

本发明涉及一种适于电动汽车规模化应用的配电系统综合规划方法，属于配电系统扩展规划技术领域。

背景技术

在进行配电系统扩展规划的理论研究时,如何计及规划方案对未来其它可能场景的适应能力还未见文献报道。电动汽车广泛接入之后,配电系统扩展规划阶段将面临更多的不确定因素,开展能计及规划方案对未来其它可能场景适应能力的配电系统综合规划策略研究就显得尤为重要。在此背景下,本发明从常规负荷发展水平、电动汽车保有量、有序充电策略能否顺利实施这3个不确定因素出发,提出了能计及适应成本的配电系统综合规划策略。

发明内容

本发明所要解决的技术问题,是计及常规负荷发展水平、电动汽车保有量、有序充电策略能否顺利实施这3个因素不确定性的配电系统综合规划策略。

本发明的适于电动汽车规模化应用的配电系统综合规划方法，包含以下步骤：

1)分别基于自由充电模式和有序充电模式给出了电动汽车充电负荷的计算模型

在自由充电模式下，车主一般会选择在当天最后一次出行结束之后将电动汽车接入电网进行充电。因此,这里对自由充电模式下车主的充电行为作如下假定:车主在每天的最后一次出行结束时刻立即将电动汽车接入电网并按照额定功率进行充电,直至充满。在此假定下,每辆电动汽车所需的充电时长即可根据当天的行驶里程进行估算。在进行配电系统扩展规划时,为确定规划水平年自由充电模式下的充电负荷,则可采用蒙特卡洛(Mont Carlo)仿真的方式,并依据最后一次出行结束时刻和日行驶里程所服从的概率密度分布函数以及规划水平年电动汽车的保有量进行抽样确定。

在有序充电模式下，车主在将电动汽车接入电网时,一般还需设定下次出行的时间以及电动汽车离开时所需达到的最小荷电状态。这样,电动汽车代理商就可以根据车主设定的信息对大量电动汽车的充电行为进行协调控制,从而实现一定的控制目标,如平滑负荷曲线；车主也会因此而得到一定的奖励,如较低的充电电价。这里，以平抑配电系统的负荷波动为例,构建了电动汽车充电负荷的日前调度模型,从而确定有序充电模式下的充电负荷。其数学模型可表述为：

目标函数：

$\min f^{\mathrm{disp}}=\frac{1}{n^T-1}\underset{t\∈T}{\mathrm{\Σ}}{({P_t}^D+{P_t}^{\mathrm{CH}}-{\stackrel{\‾}{P}}^{\mathrm{Total}})}^2---\left(1\right)$

$\begin{array}{cc}{P_t}^{\mathrm{CH}}=\underset{u\∈{\mathrm{\Ω}}^{\mathrm{EVS}}}{\mathrm{\Σ}}{P}_{u,t}^{\mathrm{EVS}}& \∀t\∈T\end{array}---\left(2\right)$

${\stackrel{\‾}{P}}^{\mathrm{Total}}=\frac{1}{n^T}\underset{t\∈T}{\mathrm{\Σ}}({P_t}^D+{P_t}^{\mathrm{CH}})---\left(3\right)$

约束条件:

$\begin{array}{cc}{S}_{u,t+1}^{\mathrm{EVS}}=S_{u.t}^{\mathrm{EVS}}+\frac{{\mathrm{\η}}^{\mathrm{CH}}{P}_{u,t}^{\mathrm{EVS}}\mathrm{\Δt}}{{\mathrm{\β}}_u^{\mathrm{EVS}}}& \∀u\∈{\mathrm{\Ω}}^{\mathrm{EVS}}\end{array},\∀t\∈[t_u^{\mathrm{EVS},\mathrm{Return}},t_u^{\mathrm{EVS},\mathrm{Depart}}]---\left(4\right)$

$\begin{array}{cc}{\mathrm{\β}}_u^{\mathrm{EVS}}=\underset{v\∈{\mathrm{\Ω}}_u^{\mathrm{EVS}}}{\mathrm{\Σ}}{\mathrm{\β}}_v^{\mathrm{EV}}& \∀u\∈{\mathrm{\Ω}}^{\mathrm{EVS}}\end{array}---\left(5\right)$

$\begin{array}{cc}{S}^{\min }\≤S_{u.t}^{\mathrm{EVS}}\≤S^{\max }& \∀u\∈{\mathrm{\Ω}}^{\mathrm{EVS}}\end{array},\∀t\∈[t_u^{\mathrm{EVS},\mathrm{Return}},t_u^{\mathrm{EVS},\mathrm{Depart}}]---\left(6\right)$

$\begin{array}{cc}{S}_{u,t_u^{\mathrm{EVS},\mathrm{Depart}}}^{\mathrm{EVS}}\≥S_u^{\mathrm{EVS},\mathrm{Exp}}& \∀u\∈{\mathrm{\Ω}}^{\mathrm{EVS}}\end{array}---\left(7\right)$

$\begin{array}{cc}{P}_{u.t}^{\mathrm{EVS}}=0& \∀u\∈{\mathrm{\Ω}}^{\mathrm{EVS}}\end{array},\∀t\∉[t_u^{\mathrm{EVS},\mathrm{Return}},t_u^{\mathrm{EVS},\mathrm{Depart}}]---\left(8\right)$

$\begin{array}{cc}0\≤P_{u.t}^{\mathrm{EVS}}\≤\underset{v\∈{\mathrm{\Ω}}_u^{\mathrm{EVS}}}{\mathrm{\Σ}}{P}_v^{\mathrm{EV},\max }& \∀u\∈{\mathrm{\Ω}}^{\mathrm{EVS}}\end{array},\∀t\∈[t_u^{\mathrm{EVS},\mathrm{Return}},t_u^{\mathrm{EVS},\mathrm{Depart}}]---\left(9\right)$

式中:f^disp为配电系统总负荷水平的方差；n^T为所考虑的时段数；和分别为配电系统时段t的常规负荷和充电负荷；为配电系统总负荷水平的均值；Ω^EVS为电动汽车聚类的集合；为电动汽车聚类u时段t的等效充电功率；为电动汽车聚类u时段t的等效荷电状态；η^CH为充电效率；Δt为一个调度时段的长度；为电动汽车聚类u的等效电池容量；和分别为电动汽车聚类u接入系统和离开系统的时间；为电动汽车聚类u所包含的电动汽车集合；为电动汽车v的电池容量；S^max和S^min分别为电动汽车聚类的荷电状态的上下限；为电动汽车聚类u离开系统时所需达到的荷电状态；为电动汽车v的最大充电功率。

2)提出了计及适应成本的配电系统灵活规划方法

采用向量的方式来定义一个未来场景:

$\begin{array}{cc}{\mathrm{\Φ}}_k=[P_k^D,{\mathrm{\β}}_k^{\mathrm{EV}},{\mathrm{\γ}}_k^{\mathrm{Cm}}]& \∀k\∈{\mathrm{\Ω}}^K\end{array}---\left(10\right)$

式中:Φ_k表示场景k；Ω^K为k取值的场景集合；为场景k下的常规负荷向量；为场景k下的电动汽车保有量；为场景k下的充电模式,其中此外，假定规划水平年常规负荷的发展水平、电动汽车保有量以及有序充电策略能否顺利实施这3个随机变量之间是相互独立的。这样,未来场景k的发生概率的计算公式就可表示为:

$\begin{array}{cc}{P}_k=p_k^D{p}_k^{\mathrm{EV}}{p}_k^{\mathrm{CM}}& \∀k\∈{\mathrm{\Ω}}^K\end{array}---\left(10\right)$

式中:P_k为未来场景k的发生概率；和分别为常规负荷向量为电动汽车保有量为和充电模式为的发生概率。

为计算不同场景下的适应成本，定义场景k下的最优规划方案为:

$f_k=f\left({\mathrm{\Φ}}_k\right)=[X_k^L,Y_k^{\mathrm{SR}},Y_k^{\mathrm{SC}}]---\left(12\right)$

式中:和分别场景k下的最优规划方案中代表配电线路建设、变电站扩建和变电站新建的决策信息。这里,针对场景k获得的最优规划方案相对于场景m的适应成本可定义为:为适应场景m下的负荷发展需求,在对场景k下获得的最优规划方案进行再次扩展规划时,所需额外承担的投资和运行成本之和,用数学语言可描述为:

$f_{k,m}^{\mathrm{adap}}=f({\mathrm{\Φ}}_k,{\mathrm{\Φ}}_m)=\mathrm{\Δ}{f}^{\mathrm{inv}}+\mathrm{\Δ}{f}^{\mathrm{oper}}=f_{k,m}^{\mathrm{inv}}+(f_{k,m}^{\mathrm{oper}}-f_k^{\mathrm{oper}})---\left(13\right)$

式中:Φ_m表示场景m；和分别表示为使场景k下获得的最优规划方案适应场景m而进行再次扩展规划时所需的投资和运行成本；为场景k下的最优规划方案对应的运行成本。

以首次规划时的投资运行成本与为适应未来其它可能场景进行再次扩展规划时的适应成本的期望值之和最小为目标,构建了计及适应成本的配电系统灵活规划模型。其目标函数可描述为:

$\begin{array}{c}\underset{k\∈{\mathrm{\Ω}}^K}{\min F}=f_k^{\mathrm{inv}}+f_k^{\mathrm{oper}}+E\left(f_k^{\mathrm{adap}}\right)\\ =f_k^{\mathrm{inv}}+f_k^{\mathrm{oper}}+\underset{m\∈{\mathrm{\Ω}}^K,m\≠k}{\mathrm{\Σ}}{f}_{k,m}^{\mathrm{adap}}P\left(m\right)\end{array}---\left(14\right)$

式中:为场景k下的最优规划方案对应的投资成本；E(·)为期望值算子；为场景k下的最优规划方案为适应其他可能场景所需承担的适应成本；P(m)为场景m的发生概率。

3)采用带精英策略和修改过交叉与变异算子的遗传算法可对上述模型进行高效求解。

本发明的有益效果在于：采用本发明所获得的优化结果不仅可为配电系统投资者提供一种投资和运行成本之和较小的初始建设方案,还兼顾了该方案对未来其他可能场景的适应能力,可为配电系统投资者规避一定的经济风险。

附图说明

图1为54节点配电系统扩展规划的最终方案

图2为最终方案为适应场景S9所进行的再次扩展规划

图3为最终方案为适应场景S18所进行的再次扩展规划

具体实施方式

针对配电系统扩展规划问题,本发明提出了一种能计及适应成本的配电系统综合规划策略。本发明首先介绍了配电系统扩展规划的基本模型,之后分别给出了自由充电模式和有序充电模式下电动汽车充电负荷的计算方法。在此基础上,从未来常规负荷发展水平、电动汽车保有量、有序充电策略能否顺利实施这3个不确定因素出发,提出了能计及适应成本的配电系统综合规划策略。

采用一个含50个负荷节点的54节点配电系统来说明本发明所提出的配电系统灵活规划方法的基本特征，其最终方案及为适应其他场景的再次规划结果如说明书附图中的图1至图3所示。该配电系统是一个15.0kV的辐射状网络,它包括4个变电站(2个可扩容的现有变电站和2个候选变电站)和61条配电线路(17条现有线路和44条候选线路)。

以图1中配电系统为实施对象，为常规负荷水平设定3个可能的未来场景,分别为:预测值×90％,预测值,预测值×110％,其相应的发生概率分别设定为:30％,40％,30％。为电动汽车渗透率设定3个可能的未来场景,分别为:10％,20％,30％,其相应的发生概率分别设定为:30％,40％,30％,通过电动汽车渗透率这一参数即可估算规划水平年电动汽车的保有量。将有序充电模式能否顺利实施划分为自由充电模式和有序充电模式2个可能的未来场景,其相应的发生概率分别设定为40％和60％。在假定规划水平年常规负荷发展水平、电动汽车保有量和有序充电能否顺利实施这3个随机变量之间相互独立的前提下,则可构建18个可能的未来场景并计算相应的发生概率,具体如表1所示。该表中,采用向量的方式来描述每一个可能的未来场景,代表场景描述的每个向量的3个分量分别为常规负荷发展水平、电动汽车渗透率和充电模式。例如,对于场景1的描述[90％,10％,FC],其具体含义为:常规负荷发展水平设定为预测值的90％,电动汽车渗透率设定为10％,规划水平年的充电模式为自由充电。FC和CC分别为自由充电模式和有序充电模式。

表1未来场景集合及其相应的发生概率

图1：场景S6下获得的最优规划方案,其首次扩展规划时的初始总成本和再次扩展规划时的期望总适应成本之和为所有场景下总成本之和最低的方案。场景S6下获得的最优规划方案即为该系统的最终规划方案(该图中,T1和T2表示变电站新建/扩容时所采用的容量类型；线路上的数字表示所采用的导线型号,仅标示Type 2型导线)。

图2和图3：最终方案相对于其他场景的适应成本分析采用最终方案即图1相对于场景S9和场景S18所进行的再次扩展规划为例来说明方法所提出的灵活规划策略的基本特征。

图2：与场景S6相比,场景S9的区别在于常规负荷由预测值改变为预测值×110％。

图3：与场景S9相比,场景S18的区别在于其采用了有序充电策略。

Claims (1)

1.一种适于电动汽车规模化应用的配电系统综合规划方法，其特征是包含以下步骤：

1)基于自由充电模式和有序充电模式的电动汽车充电负荷的计算模型

在自由充电模式下，假定:车主在每天的最后一次出行结束时刻立即将电动汽车接入电网并按照额定功率进行充电,直至充满；每辆电动汽车所需的充电时长即可根据当天的行驶里程进行估算；在进行配电系统扩展规划时,为确定规划水平年自由充电模式下的充电负荷,则可采用Mont Carlo仿真的方式,并依据最后一次出行结束时刻和日行驶里程所服从的概率密度分布函数以及规划水平年电动汽车的保有量进行抽样确定；

在有序充电模式下，车主在将电动汽车接入电网时,需设定下次出行的时间以及电动汽车离开时所需达到的最小荷电状态；电动汽车代理商根据车主设定的信息对大量电动汽车的充电行为进行协调控制,从而实现一定的控制目标,如平滑负荷曲线；车主也会因此而得到一定的奖励,如较低的充电电价；

构建电动汽车充电负荷的计算模型,如下：

$\min f^{\mathrm{disp}}=\frac{1}{n^T-1}\underset{t\∈T}{\mathrm{\Σ}}{({P_t}^D+{P_t}^{\mathrm{CH}}-{\stackrel{\‾}{P}}^{\mathrm{Total}})}^2---\left(1\right)$

${P_t}^{\mathrm{CH}}=\underset{u\∈{\mathrm{\Ω}}^{\mathrm{EVS}}}{\mathrm{\Σ}}{P}_{u,t}^{\mathrm{EVS}}\∀t\∈T---\left(2\right)$

${\stackrel{\‾}{P}}^{\mathrm{Total}}=\frac{1}{n^T}\underset{t\∈T}{\mathrm{\Σ}}({P_t}^D+{P_t}^{\mathrm{CH}})---\left(3\right)$

s.t.

$S_{u,t+1}^{\mathrm{EVS}}=S_{u,t}^{\mathrm{EVS}}+\frac{{\mathrm{\η}}^{\mathrm{CH}}{P}_{u,t}^{\mathrm{EVS}}\mathrm{\Δt}}{{\mathrm{\β}}_u^{\mathrm{EVS}}},\∀t\∈{\mathrm{\Ω}}^{\mathrm{EVS}},\∀t\∈[t_u^{\mathrm{EVS},\mathrm{Return}},t_u^{\mathrm{EVS},\mathrm{Depart}}]---\left(4\right)$

${\mathrm{\β}}_u^{\mathrm{EVS}}=\underset{v\∈{\mathrm{\Ω}}_u^{\mathrm{EVS}}}{\mathrm{\Σ}}{\mathrm{\β}}_v^{\mathrm{EV}},\∀u\∈{\mathrm{\Ω}}^{\mathrm{EVS}}---\left(5\right)$

$S^{\min }\≤S_{u,t}^{\mathrm{EVS}}\≤S^{\max },\∀u\∈{\mathrm{\Ω}}^{\mathrm{EVS}},\∀t\∈[t_u^{\mathrm{EVS},\mathrm{Return}},t_u^{\mathrm{EVS},\mathrm{Depar}}]---\left(6\right)$

$S_{{u,t}_u^{\mathrm{EVS},\mathrm{Depart}}}^{\mathrm{EVS}}\≥S_u^{\mathrm{EVS},\mathrm{Exp}},\∀u\∈{\mathrm{\Ω}}^{\mathrm{EVS}}---\left(7\right)$

$P_{u,t}^{\mathrm{EVS}}=0,\∀u\∈{\mathrm{\Ω}}^{\mathrm{EVS}},\∀t\∉[t_u^{\mathrm{EVS},\mathrm{Return}},t_u^{\mathrm{EVS},\mathrm{Depart}}]---\left(8\right)$

$0\≤P_{u,t}^{\mathrm{EVS}}\≤\underset{v\∈{\mathrm{\Ω}}_u^{\mathrm{EVS}}}{\mathrm{\Σ}},\∀u\∈{\mathrm{\Ω}}^{\mathrm{EVS}},\∀t\∈[t_u^{\mathrm{EVS},\mathrm{Return}},t_u^{\mathrm{EVS},\mathrm{Depart}}]---\left(9\right)$

式中:f^disp为配电系统总负荷水平的方差；n^T为所考虑的时段数；P_t ^D和P_t ^CH分别为配电系统时段t的常规负荷和充电负荷；为配电系统总负荷水平的均值；Ω^EVS为电动汽车聚类的集合；为电动汽车聚类u时段t的等效充电功率；为电动汽车聚类u时段t的等效荷电状态；η^CH为充电效率；Δt为一个调度时段的长度；为电动汽车聚类u的等效电池容量；和分别为电动汽车聚类u接入系统和离开系统的时间为电动汽车聚类u所包含的电动汽车集合；为电动汽车v的电池容量；S^max和S^min分别为电动汽车聚类的荷电状态的上下限；为电动汽车聚类u离开系统时所需达到的荷电状态；为电动汽车v的最大充电功率；

2)提出了计及适应成本的配电系统灵活规划方法

定义向量:

${\mathrm{\Φ}}_k=[P_k^D,{\mathrm{\β}}_k^{\mathrm{EV}},{\mathrm{\γ}}_k^{\mathrm{CM}}],\∀k{\mathrm{\Ω}}^K---\left(10\right)$

式中:为场景k下的常规负荷向量；为场景k下的电动汽车保有量；为场景k下的充电模式,其中Ω^k为场景聚类的集合，Ω^CM为充电模式聚类的集合；此外,假定规划水平年常规负荷的发展水平、电动汽车保有量以及有序充电策略能否顺利实施这3个随机变量之间是相互独立的；这样,未来场景k的发生概率的计算公式就可表示为:

$P_k=p_k^D{p}_k^D{p}_k^{\mathrm{EV}}{p}_k^{\mathrm{CM}},\∀k\∈{\mathrm{\Ω}}^K---\left(11\right)$

式中:P_k为未来场景k的发生概率；和分别为常规负荷向量为电动汽车保有量为和充电模式为的发生概率；

为计算不同场景下的适应成本，定义场景k下的最优规划方案为:

$f_k=f\left({\mathrm{\Φ}}_k\right)=[X_k^L,Y_k^{\mathrm{SR}},Y_k^{\mathrm{SC}}]---\left(12\right)$

式中:和分别场景k下的最优规划方案中代表配电线路建设、变电站扩建和变电站新建的决策信息；针对场景k获得的最优规划方案相对于场景m的适应成本可定义为:为适应场景m下的负荷发展需求,在对场景k下获得的最优规划方案进行再次扩展规划时,所需额外承担的投资和运行成本之和,用数学语言可描述为:

$f_{k,m}^{\mathrm{adap}}=f({\mathrm{\Φ}}_k,{\mathrm{\Φ}}_m)=\mathrm{\Δ}{f}^{\mathrm{inv}}+\mathrm{\Δ}{f}^{\mathrm{oper}}=f_{k,m}^{\mathrm{inv}}+(f_{k,m}^{\mathrm{oper}}-f_k^{\mathrm{oper}})---\left(13\right)$

式中:和分别表示为使场景k下获得的最优规划方案适应场景m而进行再次扩展规划时所需的投资和运行成本；为场景k下的最优规划方案对应的运行成本；

以首次规划时的投资运行成本与为适应未来其它可能场景进行再次扩展规划时的适应成本的期望值之和最小为目标,构建了计及适应成本的配电系统灵活规划模型；其目标函数可描述为:

$\begin{array}{c}\underset{k\∈{\mathrm{\Ω}}^K}{\min }F=f_k^{\mathrm{inv}}+f_k^{\mathrm{iper}}+E\left(f_k^{\mathrm{adap}}\right)\\ =f_k^{\mathrm{inv}}+f_k^{\mathrm{oper}}+\underset{m\∈{\mathrm{\Ω}}^K,m\≠k}{\mathrm{\Σ}}{f}_{k,m}^{\mathrm{adap}}P\left(m\right)\end{array}---\left(14\right)$

式中:为场景k下的最优规划方案对应的投资成本；E(·)为期望值算子；为场景k下的最优规划方案为适应其他可能场景所需承担的适应成本；P(m)为场景m的发生概率；

3)采用带精英策略和修改过交叉与变异算子的遗传算法对上述模型进行高效求解，获得优化结果。