CN106026076A

CN106026076A - 一种计及电动汽车支撑能力的用户侧供电可靠性评估方法

Info

Publication number: CN106026076A
Application number: CN201610325925.2A
Authority: CN
Inventors: 李振坤; 符杨; 田源; 马杰; 陈思宇; 王永全
Original assignee: Shanghai University of Electric Power
Current assignee: Shanghai University of Electric Power; University of Shanghai for Science and Technology
Priority date: 2016-05-17
Filing date: 2016-05-17
Publication date: 2016-10-12
Anticipated expiration: 2036-05-17
Also published as: CN106026076B

Abstract

本发明涉及一种计及电动汽车支撑能力的用户侧供电可靠性评估方法，包括步骤：读入数据，设定初始值开始仿真；求元件正常工作时间TTF和平均故障修复时间TTR；找出受影响的负荷点；确定是否有电动汽车，否则统计，是则计1次停电次数；获取SOC时序模型；判断故障时车是否在负荷点，否则统计，是则判断故障时SOC是否大于下限值，否则统计，是则对于V2G模式，判断是否故障，是则跳至统计；否则统计可恢复用户数及恢复时间T_e；V2H模式则计算每户车的可供电时间T_e；比较TTR和T_e：若T_e≥TTR，只计停电次数；若T_e＜TTR，则计停电时间TTR‑T_e；统计停电次数及时间；累加时间，判断N_h是否达到设定值N_y。与现有技术相比，本发明具有真实和全面的特点。

Description

一种计及电动汽车支撑能力的用户侧供电可靠性评估方法

技术领域

本发明涉及配电网用户侧供电可靠性评估领域，尤其是涉及记及电动汽车支撑能力的用户侧供电可靠性评估。

背景技术

传统化石能源的逐渐枯竭和环境污染的日益严重已成为全球共同关注的热点问题。电动汽车(electric vehicles，EVs)凭借其环境亲和性被视为一种解决能源危机和温室效应的重要工具，受到了广泛的关注。随着储能技术的发展和全球各国政策的推进，电动汽车保有量飞速增长，电动汽车闲置时其电池能否作为储能为电网反向供电受到了重视，电动汽车与电网互连的电动汽车入网(vehicles to grid，V2G)技术得到大量研究。

在V2G技术下，电动汽车不仅从电网获取电能，同样可以将自身存储的电能反向供给电网。目前，对于电动汽车和V2G技术的研究主要集中于V2G模式下对电动汽车的控制和电网经济调度方面，文献《计及电动汽车和风电出力不确定性的随机经济调度》采用随机仿真方法研究了电动汽车充放电功率的概率分布，构建了含电动汽车和风电机组的电力系统随机经济调度模型；文献《电动汽车参与V2G的最优峰谷电价研究》基于经济学理论提出了电动汽车放电需求函数，建立了以电网总负荷波动最小为目标，以满足用户充放电时间、充放电需求等为约束条件的电动汽车与电网互动的最优峰谷电价模型。随着电动汽车保有量的提高和V2G技术的发展，电动汽车与自身用户的互联也受到关注，2011年，Florence Berthold提出了电动汽车入户(vehicles to home，V2H)的概念，即电动汽车与自身家庭用户互动，获取电能的同时也可向自身用户放电，支撑家庭负荷。随后电动汽车V2H技术引起多位研究人员的重视，文献《On-board electric vehicle battery charger with enhancedV2H operation mode》以每个家庭用户峰值负荷最小化为目标，设计了一种基于需求侧管理的V2H模式下电动汽车充放电管理方案。文献《Plug-in vehicle to home(V2H)duration and power output capability》研究了在V2H模式下，电动汽车和光伏系统作为备用能源在电力中断或者频繁的配网短时故障时对用户负荷提供短时供电能力。目前国内对V2H技术的研究基本还处于空白状态。

不论在V2G还是V2H模式下，不断增长的电动汽车保有量将对配电网产生一系列影响，其中对供电可靠性的影响是其中重要的一部分：系统发生故障时，电动汽车向网络反向供电，可减少用户的停电时间。目前，已有部分学者对此问题进行了研究：文献《一种V2G模式下计及开断概率和负荷转移概率的配电网可靠性评估算法》将电动汽车等效成一个输出功率服从正态分布的随机电源，根据输出功率确定电动汽车供电范围和路径；文献《Reliability evaluation of distribution systemsincluding vehicle-to-home and vehicle-to-grid》详细描述了电动汽车的多种控制模式，在此基础上计及功率约束，研究了其对配电网供电可靠性的影响。对于该问题，目前的研究缺少对电动汽车随机概率性建模的考虑，无法更为真实的描述电动汽车出行习惯等因素对供电可靠性的影响。

发明内容

本发明的目的是针对上述问题提供一种计及电动汽车支撑能力的用户侧供电可靠性评估方法。

为实现本发明所述目的，本发明的技术方案如下：

一种计及电动汽车支撑能力的用户侧供电可靠性评估方法，该方法采用序贯蒙特卡洛模拟法对用户的供电可靠性进行评估，该方法通过对电网长时间的运行模拟，得到电网在整个时间段内的运行状态，同时统计故障状态下停电时间及次数，得出可靠性指标，该方法包括下列步骤：

(1)读入所评估网络的数据及各种故障参数以及电动汽车的相关数据，设定仿真时间N_h＝0，设定测试年限N_y，仿真开始；

(2)计算电网中包含的元件状态的概率分布，并求出各元件的正常工作持续时间TTF和平均故障修复时间TTR；

(3)根据最小TTF确定元件及故障时刻t，找出受故障元件影响的负荷点；

(4)判断所述受故障影响的负荷点是否拥有电动汽车，若否则进入步骤(10)；若是则累计1次停电次数并进入步骤(5)；

(5)基于设定的概率模型，对受影响各负荷点处电动汽车的出行时间T₁、回家时间T₂以及T₂时刻电动汽车的荷电状态SOC进行抽样，获取SOC时序模型；

(6)判断系统中发生故障时，电动汽车是否在家或者在停车场，若否则进行步骤(10)；若是则进行步骤(7)；

(7)判断故障时刻电动汽车的荷电状态SOC是否大于下限值，若是则进行步骤(8)；若否则进行步骤(10)；

(8)电动汽车处于V2G模式时，判断负荷用户的低压进户线是否故障，若是则进入步骤(10)；若否则统计停车场所有可用电动汽车可恢复的用户数及恢复时间T_e；电动汽车处于V2H模式时，计算每户的电动汽车为自身家庭供电的时间T_e；

(9)比较配电系统故障修复时间TTR和电动汽车为用户供电时间T_e的大小：若T_e≥TTR，不记停电时间，只统计停电次数；若T_e＜TTR，则计停电时间为TTR-T_e，同时统计停电次数；

(10)统计两种模式下各负荷点停电次数以及停电时间；

(11)累加蒙特卡罗模拟时间，判断N_h是否达到设定值N_y，若否则返回进入步骤(2)；若是则进入步骤(12)；

(12)计算两种模式下系统各项可靠性指标。

所述概率模型包括电动汽车出行开始时间概率模型、电动汽车回家时间概率模型、电动汽车日行驶里程概率模型以及电动汽车行驶中荷电状态SOC概率模型。

所述电动汽车出行开始时间概率模型为：

f (t) = \frac{1}{\sqrt{2 π} σ_{\partial}} \exp [- \frac{{(t - μ_{\partial})}^{2}}{2 {σ_{\partial}}^{2}}]

式中，f(t)为电动汽车每天出行开始时间的概率密度函数，t为一天内的具体时刻，为均值，为方差。

所述电动汽车回家时间概率模型为：

f (t) = \{\begin{matrix} \frac{k_{t}}{c_{t}} {(\frac{t}{c_{t}})}^{k_{t} - 1} \exp [- {(\frac{t}{c_{t}})}^{k_{t}}] & 4 < t \leq 24 \\ \frac{k_{t}}{c_{t}} {(\frac{t + 24}{c_{t}})}^{k_{t} - 1} \exp [- {(\frac{t + 24}{c_{t}})}^{k_{t}}] & 0 \leq t \leq 4 \end{matrix}

式中，f(t)为车用户出行结束回到家时间的概率密度函数，k_t是形状参数，c_t是比例参数。

所述电动汽车日行驶里程概率模型如下：

f (d) = \frac{1}{\sqrt{2 π} {dσ}_{d}} \exp [- \frac{{(\ln d - μ_{d})}^{2}}{2 {σ_{d}}^{2}}]

式中，f(d)为电动汽车日行驶里程的概率密度函数，d为电动汽车行驶里程，μ_d为均值，σ_d为方差。

所述电动汽车行驶中荷电状态SOC概率模型如下：

f (S) = \frac{1}{\sqrt{2 π} D (1 - S) σ_{d}} \exp {- \frac{{[l n (1 - S) + \ln D - μ_{d}]}^{2}}{2 {σ_{d}}^{2}}}

式中，f(s)为电动汽车行驶中SOC的概率密度函数，D为电动汽车最大行驶里程，S为电动汽车荷电状态SOC。

所述SOC时序模型为：

S (t) = \{\begin{matrix} 1 & t &Element; (0, T_{1}) \\ [1 - d (t) / D] \times 100 % & t &Element; (T_{1}, T_{2}) \\ [S (T_{2}) + \frac{P_{i n} (t - T_{2})}{W}] \times 100 % & t &Element; (T_{1}, T_{2} + \frac{1 - S (T_{2})}{P_{i n}} W) \\ 1 & t &Element; (T_{2} + \frac{1 - S (T_{2})}{P_{i n}} W, 24) \end{matrix}

式中，T₁为电动汽车出行开始时间，T₂为回家时间，S(T₂)为T₂时刻电动汽车的SOC值，P_in为电动汽车的恒定充电功率，W为电动汽车电池容量。

所述系统各项可靠性指标包括家庭用户年平均停电频率指标HAIFI、家庭用户年平均停电时间指标HAIDI、家庭平均供电可用率指标ASAI以及用户年平均损失电量指标HAENS，具体计算公式为：

H A I F I = \frac{Σ_{i = 1}^{N_{H}} F_{H i}}{N_{H}}

H A I D I = \frac{Σ_{i = 1}^{N_{H}} T_{i}}{N_{H}}

A S A I = \frac{Σ_{i = 1}^{N_{H}} (8760 - T_{i})}{8760 \times N_{H}}

H A E N S = \frac{Σ_{i = 1}^{N_{H}} L_{i} \cdot T_{i}}{N_{H}}

式中，N_H为总用户数，F_Hi、T_i、L_i分别为第i个用户的年停电次数、年停电时间和平均负荷。

与现有技术相比，本发明具有以下有益效果：

(1)利用蒙特卡洛法抽样对V2G和V2H两种模式下的配电网进行了供电可靠性评估，具有全面性。

(2)考虑了电动汽车的支撑能力，对电动汽车的出行进行了随机概率性建模，考虑了电动汽车出行习惯等因素对于供电可靠性的影响，具有真实性。

附图说明

图1为本发明的可靠性评估流程图；

图2为V2G技术示意图；

图3为V2G模式下电动汽车向用户供电示意图；

图4为V2H技术示意图；

图5为V2H模式下电动汽车向用户供电示意图；

图6为出行结束时间图；

图7为SOC时间序列图；

图8为城市低压网络结构图；

图9为低压网络等效模型图；

图10为改进的IEEE-RBTS BUS6系统网络结构图；

图11为各负荷点用户平均停电频率图；

图12为各负荷点用户平均停电持续时间图；

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

1、电动汽车的V2G和V2H技术概述

如图2所示，V2G技术是指电动汽车并入电网，既可从电网获取电能，同时又可作为储能将自身电能反向供给电网的技术。当配电网故障导致用户停电时，如图3所示，集中停放在停车场或者车库内电动汽车与用户形成孤岛，电动汽车将自身存储的电能反向传输供给停电用户，减少用户的停电时间。

如图4所示，V2H技术是指电动汽车并入家庭内部电力网络(电动汽车入户技术)，专指别墅或家庭独立停车场中电动汽车同家庭用户相连，从家庭用户获取电能，当外网故障导致家庭用户停电时，为自身家庭用户供电，其示意图如图4所示。当外网故障导致用户停电时，如图5所示，用户进户开关断开，电动汽车与所属用户形成孤岛，将自身存储电能为自身用户供电，减少停电时间。

V2G和V2H两种模式各具优缺点，当电网发生故障时，都对停电负荷具有一定的支撑能力，减少用户停电时间。当配电变压器及上级网络故障导致用户停电时，V2G模式具有良好的支撑效果，所有可用电动汽车可集中向用户供电，实现全局优化，但该模式的实现除了要求电动汽车具有反向供电能力以外，还需要额外的管理控制系统，用以对多辆电动汽车(相当于多个储能)进行优化调度管理及协调控制；而在V2H模式下，由于每个用户与外网均断开，基于自家电动汽车独立孤岛运行，不涉及产权归属问题，管理控制也较为简单，相对更容易实现，且只要家庭内部无故障，无论在进户开关上游的任何电网处发生故障，均可恢复供电。

2、电动汽车支撑能力的数学建模

在V2G和V2H模式下，电动汽车在电网故障时对停电负荷具有一定的支撑能力，该支撑能力的强弱与电动汽车保有率、电池容量、故障时刻电动汽车是否在家或停车场、汽车电池的荷电状态(State of Charge，SOC)等均有密切关系，本发明将充分考虑上述因素对电网故障时电动汽车对用户供电的支撑能力进行数学建模分析，涉及的模型包括电动汽车出行开始时间概率模型、电动汽车回家时间概率模型、电动汽车日行驶里程概率模型、电动汽车行驶中荷电状态SOC概率模型、电动汽车全天荷电状态SOC的时序建模等。

(1)电动汽车出行开始时间概率模型

电网发生故障导致用户停电后，电动汽车是否具有支撑能力首先取决于电动汽车是否外出，以及汽车内电池的荷电状态是否满足使用要求。根据居民的出行习惯，本发明假设电动汽车每天出行开始时间满足正态分布，其概率密度函数如下：

f (t) = \frac{1}{\sqrt{2 π} σ_{\partial}} \exp [- \frac{{(t - μ_{\partial})}^{2}}{2 {σ_{\partial}}^{2}}]

式中，t为一天内的具体时刻，根据我国上下班规律取

(2)电动汽车回家时间的概率模型

利用极大似然估计方法对统计数据进行处理，获得汽车用户出行结束回到家时间近似满足威布尔分布，概率密度函数如下：

f (t) = \{\begin{matrix} \frac{k_{t}}{c_{t}} {(\frac{t}{c_{t}})}^{k_{t} - 1} \exp [- {(\frac{t}{c_{t}})}^{k_{t}}] & 4 < t \leq 24 \\ \frac{k_{t}}{c_{t}} {(\frac{t + 24}{c_{t}})}^{k_{t} - 1} \exp [- {(\frac{t + 24}{c_{t}})}^{k_{t}}] & 0 \leq t \leq 4 \end{matrix}

式中，k_t＝5.427，c_t＝18.618。

基于上述模型，本发明给出了电动汽车回家时间的概率曲线，如图6所示，从图中可以看出，下午6时左右，电动汽车回家概率最高。

(3)电动汽车日行驶里程概率模型以及电动汽车行驶中荷电状态SOC概率模型

电动汽车的荷电状态SOC同用户日行驶里程密切有关，由2009年美国交通部对全美家用车辆的调查结果(national household travel survey，NHTS)可得到电动汽车日行驶里程近似服从对数正态分布，概率密度函数如下：

f (d) = \frac{1}{\sqrt{2 π} {dσ}_{d}} \exp [- \frac{{(\ln d - μ_{d})}^{2}}{2 {σ_{d}}^{2}}]

d为电动汽车行驶里程，μ_d＝3.019，σ_d＝1.123。

电动汽车行驶中的SOC与行驶里程满足线性关系：

S(t)＝[1-d(t)/D]×100％

式中，S(t)为t时刻电动汽车电池的SOC；d(t)为t时刻电动汽车行驶里程；D为电动汽车最大行驶里程。

由上式获得电动汽车行驶中SOC的概率密度函数如下：

f (S) = \frac{1}{\sqrt{2 π} D (1 - S) σ_{d}} \exp {- \frac{{[l n (1 - S) + \ln D - μ_{d}]}^{2}}{2 {σ_{d}}^{2}}}

其中，μ_d＝3.019；σ_d＝1.123。

(4)电动汽车全天荷电状态SOC的时序建模

基于上述电动汽车出行时间、行驶里程和电动汽车SOC的概率模型，本发明利用蒙特卡洛模拟法抽样获取电动汽车出行开始时间T₁，回家时间T₂和T₂时刻电动汽车的SOC值S(T₂)，并假设回家后电动汽车开始以恒定功率P_in充电至充满，从而建立了电动汽车在一天24小时的SOC时间序列模型：

S (t) = \{\begin{matrix} 1 & t &Element; (0, T_{1}) \\ [1 - d (t) / D] \times 100 % & t &Element; (T_{1}, T_{2}) \\ [S (T_{2}) + \frac{P_{i n} (t - T_{2})}{W}] \times 100 % & t &Element; (T_{2}, T_{2} + \frac{1 - S (T_{2})}{P_{i n}} W) \\ 1 & t &Element; (T_{2} + \frac{1 - S (T_{2})}{P_{i n}} W, 24) \end{matrix}

式中，W为电动汽车电池容量，SOC时序状态如图7所示，电动汽车共分为三类状态：汽车外出使用状态、汽车在家充电状态和汽车充满电后的浮充状态，在图中用虚线仅表示其变化趋势。

(5)电动汽车为停电用户供电时间

当电动汽车SOC值大于允许下限值ρ时电动汽车可作为支撑电源对外放电。因此，基于SOC的时序模型可有效决策电网发生故障时电动汽车是否可支撑用户恢复供电，并可根据具体SOC值估算可支撑时间，准确评估电动汽车对用户的紧急支撑能力。

假设t时刻电网故障导致负荷停电，电动汽车对停电负荷的供电时间T_e可由下式表示：

T_{e} = \frac{W \times (S (t) - ρ)}{P_{l o a d}}

式中，W为电动汽车的电池容量，P_load为所恢复的停电负荷的功率。

(6)电动汽车保有率

技术的成熟和政策的推动使得电动汽车发展迅速，电动汽车保有率是指研究区域内的所有用户中，拥有电动汽车的用户占总用户数的比值。即：

K = \frac{N_{H}^{E V}}{N_{H}}

式中，K为电动汽车保有率，为拥有电动汽车的用户数，N_H为总用户数。不同的保有率对配电网供电可靠性影响程度不同，本发明假定每一家庭用户最多拥有一辆电动汽车。

本发明将基于上述概率模型，利用蒙特卡洛模拟法对电动汽车首次出行开始和结束时间、荷电状态SOC进行随机抽样，建立电动汽车SOC时序模型，进而分析电网故障导致负荷停电时，电动汽车对用户负荷的支撑能力，并评估计算对用户供电可靠性的影响。

3、配电网低压网络的等效模型及用户供电可靠性评估指标

(1)配电网低压网络的等效模型

在传统的配电网供电可靠性评估中，一般取10kV中压配电变压器作为负荷点，评估该点及配电网整体的供电可靠性，没有计及配变下游低压380V线路的影响，由于本发明重点研究电动汽车对用户供电可靠性的影响，除了计及中压配电网络以外，还需要充分考虑低压网络部分。如图8为一段包含74个用户的城市配变低压侧网络，为了获取图中用户的供电可靠性指标，需要充分计及低压网络内各设备的故障率及修复时间。

考虑到低压网络数量众多及其复杂性，本发明对配变下游的低压网络进行了等效处理，如图9所示，在该模型中等效网络的故障率取实际低压网络中每条出线上所有元件的故障率之和，而等效网络的平均故障修复时间则为实际低压网络中所有元件平均故障修复时间的平均值：

λ_{e q} = Σ_{i = 1}^{N} λ_{i}

U_{e q} = \frac{1}{N} Σ_{i = 1}^{N} U_{i}

式中，λ_eq为低压网络等效故障率，U_eq为低压网络平均故障修复时间，N为低压网络所有元件的数量，λ_i、U_i为各元件故障率和平均故障修复时间。

(2)用户侧供电可靠性评估指标

参照配电网可靠性评估模型，本发明提出以下指标对各负荷点内家庭用户的供电可靠性进行评估：家庭用户年平均停电频率指标(HAIFI)、家庭用户年平均停电时间指标(HAIDI)、家庭平均供电可用率指标(ASAI)以及用户年平均损失电量指标(HAENS)，具体公式如下：

H A I F I = \frac{Σ_{i = 1}^{N_{H}} F_{H i}}{N_{H}}

H A I D I = \frac{Σ_{i = 1}^{N_{H}} T_{i}}{N_{H}}

A S A I = \frac{Σ_{i = 1}^{N_{H}} (8760 - T_{i})}{8760 \times N_{H}}

H A E N S = \frac{Σ_{i = 1}^{N_{H}} L_{i} \cdot T_{i}}{N_{H}}

4、计及电动汽车支撑能力的用户侧供电可靠性评估方法

基于上述电动汽车及配电网络的数学模型，本发明采用序贯蒙特卡洛模拟法对用户的供电可靠性进行评估，该方法通过对电网长时间的运行模拟，可以得到电网在整个时间段内的运行状态，进而统计故障状态下停电时间及次数，得出可靠性指标。如图1所示，本发明提供的一种计及电动汽车支撑能力的用户侧供电可靠性评估方法包括下列步骤：

在步骤S1中，读入所评估网络的数据及各种故障参数以及电动汽车的相关数据，设定仿真时间N_h＝0，设定测试年限N_y，仿真开始；

在步骤S2中，计算电网中包含的元件状态的概率分布，并求出各元件的正常工作持续时间TTF和平均故障修复时间TTR；

在步骤S3中，根据最小TTF确定元件及故障时刻t，找出受故障元件影响的负荷点；

在步骤S4中，判断所述受故障影响的负荷点是否拥有电动汽车，若否则进入步骤S10；若是则累计1次停电次数并进入步骤S5；

在步骤S5中，基于设定的概率模型，对受影响各负荷点处电动汽车的出行时间T₁、回家时间T₂以及T₂时刻电动汽车的荷电状态SOC进行抽样，获取SOC时序模型；

在步骤S6中，判断系统中发生故障时，电动汽车是否在家或者在停车场，若否则进行步骤S10；若是则进行步骤S7；

在步骤S7中，判断故障时刻电动汽车的荷电状态SOC是否大于下限值，若是则进行步骤S8；若否则进行步骤S10；

在步骤S8中，电动汽车处于V2G模式时，判断负荷用户的低压进户线是否故障，若是则进入步骤S10；若否则统计停车场所有可用电动汽车可恢复的用户数及恢复时间T_e；电动汽车处于V2H模式时，计算每户的电动汽车为自身家庭供电的时间T_e；

在步骤S9中，比较配电系统故障修复时间TTR和电动汽车为用户供电时间T_e的大小：若T_e≥TTR，不记停电时间，只统计停电次数；若T_e＜TTR，则计停电时间为TTR-T_e，同时统计停电次数；

在步骤S10中，统计两种模式下各负荷点停电次数以及停电时间；

在步骤S11中，累加蒙特卡罗模拟时间，判断N_h是否达到设定值N_y，若否则返回进入步骤S2；若是则进入步骤S12；

在步骤S12中，计算两种模式下系统各项可靠性指标。

5、应用实例：

本发明在IEEE-RBT BUS6F4馈线系统的基础上加入一定的电动汽车，对网络内用户进行供电可靠性分析。该系统为配电网供电可靠性评估的典型算例，网络结构见图10，共包括1段母线，30条中压配电线路，5个断路器，23台配电变压器，其中工业大用户专用配变11台，剩余12台配变为1172个家庭用户供电，本发明重点对这些家庭用户的供电可靠性进行仿真分析。将配变低压网络等效为长度为250m的线路。其余元件可靠性参数见表1。

表1 元件可靠性参数

以日产聆风纯电动汽车为例，其电池容量为24kWh，并设用户电动汽车保有率K为60％，SOC下限值ρ取10％。模拟电网运行年限N_y为1000年，对上述算例计及低压网络后，按不含电动汽车、V2G模式及V2H模式三种情况家庭用户的供电可靠性分别进行仿真分析。

(1)各负荷点内用户的平均可靠性指标

计及低压网络后，不含电动汽车、V2G模式及V2H模式三种情况下，获得的本仿真算例中12个家庭负荷点的用户可靠性数据见图11和图12。

本发明假设电动汽车不具备无缝的可支撑用户供电的能力，即每次电网发生故障后，都会造成用户的短时停电，统计一次停电次数，因此，从图11可以看出，三种情况下，各负荷点故障次数保持不变，越接近馈线末端的用户数停电次数越高。由图12可以看出，不论在V2G还是V2H模式下，各负荷点用户的停电时间均有明显降低，在该电动汽车保有率(60％)和电池容量(24kWh)下，V2G的支撑效果普遍优于V2H，其中负荷点1降低程度较低，在V2G和V2H模式下分别为3.67％和5.94％，负荷点22内用户的停电时间降低程度最为明显，两种模式下分别为8.66％和17.72％。

(2)整个系统内用户的平均可靠性指标

三种情况下整个系统内所有1172个家庭用户的平均供电可靠性指标见表2。

表2 EV电池容量为24KWh时系统供电可靠性指标

由上表可看出，该系统中用户每年平均停电1.15次左右，一年的总停电时间在电动汽车的支持下由原来的8.68h降低到V2H模式下的7.13h和V2G模式下的6.55h左右，分别降低17.81％和24.53％，用户每年的损失电量由原来的18.41kWh下降到最低V2H模式下14.71kWh和V2G模式下的13.44kWh，供电可靠性指标具有一定程度提高。

Claims

1.一种计及电动汽车支撑能力的用户侧供电可靠性评估方法，其特征在于，该方法采用序贯蒙特卡洛模拟法对用户的供电可靠性进行评估，该方法通过对电网长时间的运行模拟，得到电网在整个时间段内的运行状态，同时统计故障状态下停电时间及次数，得出可靠性指标，该方法包括下列步骤：

(10)统计两种模式下各负荷点停电次数以及停电时间；

(12)计算两种模式下系统各项可靠性指标。

2.如权利要求1所述的计及电动汽车支撑能力的用户侧供电可靠性评估方法，其特征在于，所述概率模型包括电动汽车出行开始时间概率模型、电动汽车回家时间概率模型、电动汽车日行驶里程概率模型以及电动汽车行驶中荷电状态SOC概率模型。

3.如权利要求2所述的计及电动汽车支撑能力的用户侧供电可靠性评估方法，其特征在于，所述电动汽车出行开始时间概率模型为：

f (t) = \frac{1}{\sqrt{2 π} σ_{\partial}} \exp [- \frac{{(t - μ_{\partial})}^{2}}{2 {σ_{\partial}}^{2}}]

4.如权利要求2所述的计及电动汽车支撑能力的用户侧供电可靠性评估方法，其特征在于，所述电动汽车回家时间概率模型为：

f (t) = \{\begin{matrix} \frac{k_{t}}{c_{t}} {(\frac{t}{c_{t}})}^{k_{t} - 1} \exp [- {(\frac{t}{c_{t}})}^{k_{t}}] & 4 < t \leq 24 \\ \frac{k_{t}}{c_{t}} {(\frac{t + 24}{c_{t}})}^{k_{t} - 1} \exp [- {(\frac{t + 24}{c_{t}})}^{k_{t}}] & 0 \leq t \leq 4 \end{matrix}

5.如权利要求2所述的计及电动汽车支撑能力的用户侧供电可靠性评估方法，其特征在于，所述电动汽车日行驶里程概率模型如下：

f (d) = \frac{1}{\sqrt{2 π} {dσ}_{d}} \exp [- \frac{{(\ln d - μ_{d})}^{2}}{2 {σ_{d}}^{2}}]

6.如权利要求5所述的计及电动汽车支撑能力的用户侧供电可靠性评估方法，其特征在于，所述电动汽车行驶中荷电状态SOC概率模型如下：

f (S) = \frac{1}{\sqrt{2 π} D (1 - S) σ_{d}} \exp {- \frac{{[l n (1 - S) + \ln D - μ_{d}]}^{2}}{2 {σ_{d}}^{2}}}

7.如权利要求1所述的计及电动汽车支撑能力的用户侧供电可靠性评估方法，其特征在于，所述SOC时序模型为：

S (t) = \{\begin{matrix} 1 & t &Element; (0, T_{1}) \\ [1 - d (t) / D] \times 100 % & t &Element; (T_{1}, T_{2}) \\ [S (T_{2}) + \frac{P_{i n} (t - T_{2})}{W}] \times 100 % & t &Element; (T_{1}, T_{2} + \frac{1 - S (T_{2})}{P_{i n}} W) \\ 1 & t &Element; (T_{2} + \frac{1 - S (T_{2})}{P_{i n}} W, 24) \end{matrix}

8.如权利要求1所述的计及电动汽车支撑能力的用户侧供电可靠性评估方法，其特征在于，所述系统各项可靠性指标包括家庭用户年平均停电频率指标HAIFI、家庭用户年平均停电时间指标HAIDI、家庭平均供电可用率指标ASAI以及用户年平均损失电量指标HAENS，具体计算公式为：

H A I F I = \frac{Σ_{i = 1}^{N_{H}} F_{H i}}{N_{H}}

H A I D I = \frac{Σ_{i = 1}^{N_{H}} T_{i}}{N_{H}}

A S A I = \frac{Σ_{i = 1}^{N_{H}} (8760 - T_{i})}{8760 \times N_{H}}

H A E N S = \frac{Σ_{i = 1}^{N_{H}} L_{i} \cdot T_{i}}{N_{H}}