CN108183498B - 一种含风光储配电网背景下的车储混合配置方法 - Google Patents

Abstract

本发明涉及一种含风光储配电网背景下的车储混合配置方法，其主要技术特点是：步骤1、输入电网参数及算法参数；步骤2、采用试频法进行内层优化，确定储能及电动汽车联合系统运行策略；步骤3、采用前推回带法潮流计算得到电网各节点的状态量；步骤4、判断是否符合电压偏差约束，计算外层优化目标函数，进行适应度排序；步骤5、判断算法是否收敛，若不收敛，则用遗传算法生成下一代种群回到步骤2，若收敛，则输出结果。本发明有效地确定电动汽车调度频率平抑范围，利用了遗传算法，具有良好的寻优能力及快速的收敛性，能够对电动汽车可调度容量进行合理引导与配置，解决了储能装置造价偏贵、使用寿命短、难以大规模配置运用等问题。

Description

一种含风光储配电网背景下的车储混合配置方法

技术领域

本发明属于电动汽车与储能配置技术领域，尤其是一种含风光储配电网背景下的车储混合配置方法。

背景技术

近些年来，随着环境污染及能源短缺问题日益严峻，以风、光为主的清洁能源和零碳排放的电动汽车在配电网的应用逐渐受到关注。然而随着分布式电源渗透率逐渐提高和电动汽车的大量普及，其不确定性会对配电网的安全经济运行带来严重影响。

储能系统的特点是可以快速调节功率并能吸收、释放多余电能，将其与风光联合构成发电系统，可改善总体有功输出特性。但是目前阶段储能装置造价偏贵，使用寿命短，难以大规模配置运用。电动汽车由于自身电池特性，不仅是电力系统的负荷，还可以作为移动储能装置为系统提供服务。在一定调控措施下，电动汽车可以通过电动汽车入网技术(V2G方式)与传统分布式储能一起承担平抑配电网中分布式电源出力波动的任务。因此，如何对电动汽车可调度容量进行合理引导与配置将直接影响到配电网运行管理水平及经济性，是配电网未来发展的关键环节。

发明内容

本发明的目的在于克服现有技术的不足，提出一种含风光储配电网背景下的车储混合配置方法，解决现有储能装置造价偏贵、使用寿命短、难以大规模配置运用等问题。

本发明解决其技术问题是采取以下技术方案实现的：

一种含风光储配电网背景下的车储混合配置方法，包括以下步骤：

步骤1、输入电网参数及算法参数；

步骤2、采用试频法进行内层优化，确定储能及电动汽车联合系统运行策略；

步骤3、采用前推回带法潮流计算得到电网各节点的状态量；

步骤4、判断是否符合电压偏差约束，计算外层优化目标函数，进行适应度排序；

步骤5、判断算法是否收敛，若不收敛，则用遗传算法生成下一代种群回到步骤2，若收敛，则输出结果；

所述电网参数包括输入电网络的支路数以及拓扑结构、典型日内风机、光伏的出力数据及日负荷曲线；所述算法参数为接入概率，该接入概率p_it表示为：

式中，p_t表示这类车在t时刻的接入概率；N_t表示这类车在t时刻的接入数量；n是样本数量；ξ_it表示i车在i时刻的接入状态，当ξ_it＝0时表示电动汽车未接入，当ξ_it＝1时表示电动汽车接入；

所述步骤2的具体实现方法为：

在研究时间段内，定义T为周期内采样数据个数，相邻M个数据为1个时间窗口内层优化主要目标是满足在每个时间窗口内经平滑后的等效负荷波动方差最小，其目标函数如下所示：

式中，P_DG(t)表示某时间窗口第t时刻分布式电源输出功率值；P_ESS(t)表示t时刻电动汽车与储能装置总体构成的系统的优化出力；P_EVl(t)表示t时刻不参与调度的电动汽车并网负荷；Pav(i)为该时间窗口内的等效负荷平均值；第i个时间窗口内等效出力平均值表达式为：

目标函数满足以下约束：

分布式电源约束：分布式电源的输出有最大限度，受到实时天气条件的限制：

其中，P_DGmax是分布式电源功率的理论最大值；

分布式储能约束：所有分布式储能都应满足SOC、充电和放电的约束：

其中，SOCmax和SOCmin是各分布式储能系统SOC的上、下限；P_DESS,max是每个分布式储能的最大功率；SOC_t和P_DESS，t是SOC，各分布式能量存储在t时刻的功率；

电动汽车约束:所有的电动汽车都应该满足充电和放电的限制：

0≤|P_EV,t|≤P_EV,max

其中，P_EV,max是每个EV的最大功率；P_EV,t是每辆电动汽车在t时刻的功率；对有约束的目标函数进行最优化求解，确定储能及电动汽车联合系统运行策略；

所述步骤3采用前推回带法潮流计算得到电网各节点的状态量时，每个节点满足如下电压约束条件：

U_N(1-ε₁)≤U_i≤U_N(1+ε₂)

其中，U_i是第i个节点的电压，U_N是第N个节点的电压，ε₁和ε₂是允许的电压偏差；

所述步骤4的实现方法为：

判断是否符合电压偏差约束，若不符合，则降低适应度，若符合，则计算目标函数，进行适应度排序；

采用如下公式计算外层优化目标函数，将所有费用均折算为一年期计算：

max F_total＝

f_pur+f_save+f_loss+f_sell-f_cons-f_main-f_V2G

上式中，f_pur为DG接入配电网后节约的总购电成本；f_save为因为安装储能节约的电网扩容费用；f_loss为减少的网损费用；f_sell为向不参与调度的电动汽车的售电获利；f_cons为分布式电源、储能装置及电动汽车并网设施的总建设费用；f_main为相应的运行维护费用；f_V2G为参与电网互动的电动汽车补贴费用，也是引导电动汽车用户参与调度的重要支出。

进一步地，所述电网络的支路数以及拓扑结构包括各个节点的接入情况，明确接入DG为风机的节点和接入DG为光伏的节点。

进一步地，所述参与电网互动的电动汽车补贴费用分为如下两个时间段进行考虑：6:00—20:00及20:00—次日6:00，并分别采用不同数学公式拟合两者之间的关系，其表达式如下所示：

式中，n表示参与调度电动汽车的数量上限，N表示并网电动汽车的总数量，x为当前阶段对调度车辆的补偿价格。

本发明的优点和积极效果是：

本发明利用试频法将等效负荷的样本数据进行离散傅里叶变换，确定截止频率，有效地确定电动汽车调度频率平抑范围，利用了遗传算法，具有良好的寻优能力及快速的收敛性，能够对电动汽车可调度容量进行合理引导与配置，解决了储能装置造价偏贵、使用寿命短、难以大规模配置运用等问题。

附图说明

图1为本发明的整体框图；

图2为本发明的算法流程图；

图3为IEEE33节点网络结构拓扑图；

图4为某地区典型日内负荷曲线；

图5为典型日内风电出力曲线及平滑结果示意图；

图6为电动汽车接入概率图；

图7为储能输出功率变化曲线图。

具体实施方式

以下结合附图对本发明实施例做进一步详述。

本实施例以选取IEEE33节点配电网作为测试系统，该网络共有32条支路，其网络结构拓扑图如图3所示。设定网络的19、31号节点接入DG为风机，20、32号节点接入DG为光伏。选取某地区典型日内风机、光伏的出力数据为研究对象，采样周期取15min。全天内风机、光伏的输出功率特性曲线分别见图4、5实线所示。储能装置采用容量型锂离子电池，其充放电效率均为92.74％。假定该配电网系统DG对应节点都连接着100辆电动汽车，电动汽车最大充放电功率均为3kW，充放电效率为95％。同时设定在协调控制时，可入网电动汽车的调度优先级高于储能装置。

基于以上系统，本发明含风光储配电网背景下的车储混合配置方法，如图1及图2所示，包括以下步骤：

步骤S1：输入电网及算法参数。

输入电网络的支路数33，以及拓扑结构，包括各个节点的接入情况，网络的19、31号节点接入DG为风机，20、32号节点接入DG为光伏。输入典型日内风机、光伏的出力数据及日负荷曲线。

接入概率：电动汽车的接入概率p_it可以表示为

式中，pt表示这类车在t时刻的接入概率；Nt表示这类车在t时刻的接入数量；n是样本数量；ξ_it表示i车在i时刻的接入状态，当ξ_it＝0时表示电动汽车未接入，当ξ_it＝1时表示电动汽车接入。

将图3的各个点带入上述公式，可以得到接入概率。

步骤S2：用试频法进行内层优化，确定储能及电动汽车联合系统运行策略。具体方法如下：

(1)对等效负荷进行离散傅里叶变换，确定需滤除高频段带宽。

(2)判断是否符合功率波动约束，若不符合，则回到(1)，若符合，则进行(3)。

(3)确定储能及电动汽车联合系统运行策略。

在研究时间段内，定义T为周期内采样数据个数，相邻M个数据为1个时间窗口内层优化主要目标是满足在每个时间窗口内经平滑后的等效负荷波动方差最小，其目标函数如下所示：

式中，PDG(t)表示某时间窗口第t时刻分布式电源输出功率值；PESS(t)表示t时刻电动汽车与储能装置总体构成的系统的优化出力；PEVl(t)表示t时刻不参与调度的电动汽车并网负荷。Pav(i)为该时间窗口内的等效负荷平均值。第i个时间窗口内等效出力平均值表达式为：

目标函数要满足以下约束：

分布式电源约束：分布式电源的输出有最大限度，受到实时天气条件的限制

其中，P_DGmax是分布式电源功率的理论最大值。

分布式储能约束：所有分布式储能都应满足如下SOC、充电和放电的约束：

其中，SOCmax和SOCmin是各分布式储能系统SOC的上、下限；P_DESS,max是每个分布式储能的最大功率；SOCt和P_DESS,t是SOC，各分布式能量存储在t时刻的功率。

电动汽车约束:所有的电动汽车都应该满足如下充电和放电的限制：

0≤|P_EV,t|≤P_EV,max

其中，P_EV，max是每个电动汽车的最大功率；P_EV,t是每辆电动汽车在t时刻的功率。

对有约束的目标函数进行最优化求解，就能确定储能及电动汽车联合系统运行策略。

步骤S3：潮流计算。

用前推回带法潮流计算得到电网各节点的状态量，注意到每个节点都有如下约束：

电压约束：

U_N(1-ε₁)≤U_i≤U_N(1+ε₂)

其中,U_i是第i个节点的电压，U_N是第N个节点的电压；ε₁和ε₂是允许的电压偏差。

步骤S4，判断是否符合电压偏差约束，计算外层优化目标函数，进行适应度排序。

判断是否符合电压偏差约束,若不符合，则降低适应度，若符合，则计算目标函数，进行适应度排序。

外层优化的目标函数如下所示，将所有费用均折算为一年期计算：

max F_total＝f_pur+f_save+f_loss+f_sell-f_cons-f_main-f_V2G

上式中，f_pur为DG接入配电网后节约的总购电成本；f_save为因为安装储能节约的电网扩容费用；f_loss为减少的网损费用；f_sell为向不参与调度的电动汽车的售电获利；f_cons为分布式电源、储能装置及电动汽车并网设施的总建设费用；f_main为相应的运行维护费用；f_V2G为参与电网互动的电动汽车补贴费用，也是引导电动汽车用户参与调度的重要支出。

将参与电网互动的电动汽车补贴费用划分为两个时间段进行考虑：6:00—20:00及20:00—次日6:00。分别采用不同数学公式拟合两者之间的关系，其表达式如下所示：

式中，n表示参与调度电动汽车的数量上限，N表示并网电动汽车的总数量，x为当前阶段对调度车辆的补偿价格。

步骤S5，判断算法是否收敛，若不收敛，则用遗传算法生成下一代种群回到S2，若收敛，则输出结果。

在含风光储配电网中对电动汽车管理策略进行优化，通过所提方法，遗传算法进化至14代收敛。计算得到系统内最优配置方案如表1所示。

表1最优配置方案

本发明通过采用分时补贴价格的优化策略对服从电网调度的车辆进行调控，使系统所获得的年收益值达到最大，约353,828万元。一个节点上的分配的电动汽车的接入情况见图4。

在平抑等效负荷波动的过程中，由于可调度电动汽车无法保证在一天内所有时间都可以满足电网需求，因此需要传统储能装置辅助可调度电动汽车，在其短缺时间段内发挥作用。各节点所需布置的储能功率容量如下所示：

表2最优配置方案

对应优化后一天内可调度电动汽车具体接入情况及储能工作状态见图7。其中柱状图为平抑负荷所需的总体储能输出功率曲线。

需要强调的是，本发明所述的实施例是说明性的，而不是限定性的，因此本发明包括并不限于具体实施方式中所述的实施例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，同样属于本发明保护的范围。

Claims (3)

1.一种含风光储配电网背景下的车储混合配置方法，其特征在于，包括以下步骤：

步骤1、输入电网参数及算法参数；

步骤2、采用试频法进行内层优化，确定储能及电动汽车联合系统运行策略；

步骤3、采用前推回带法潮流计算得到电网各节点的状态量；

步骤4、判断是否符合电压偏差约束，计算外层优化目标函数，进行适应度排序；

步骤5、判断算法是否收敛，若不收敛，则用遗传算法生成下一代种群回到步骤2，若收敛，则输出结果；

所述电网参数包括输入电网络的支路数以及拓扑结构、典型日内风机、光伏的出力数据及日负荷曲线；所述算法参数为接入概率，该接入概率p_it表示为：

式中，p_t表示这类车在t时刻的接入概率；N_t表示这类车在t时刻的接入数量；n是样本数量；ξ_it表示i车在i时刻的接入状态，当ξ_it＝0时表示电动汽车未接入，当ξ_it＝1时表示电动汽车接入；

所述步骤2的具体实现方法为：

在研究时间段内，定义T为周期内采样数据个数，相邻M个数据为1个时间窗口内层优化主要目标是满足在每个时间窗口内经平滑后的等效负荷波动方差最小，其目标函数如下所示：

式中，P_DG(t)表示某时间窗口第t时刻分布式电源输出功率值；P_ESS(t)表示t时刻电动汽车与储能装置总体构成的系统的优化出力；P_EVl(t)表示t时刻不参与调度的电动汽车并网负荷；Pav(i)为该时间窗口内的等效负荷平均值；第i个时间窗口内等效出力平均值表达式为：

目标函数满足以下约束：

分布式电源约束：分布式电源的输出有最大限度，受到实时天气条件的限制：

其中，P_DGmax是分布式电源功率的理论最大值；

分布式储能约束：所有分布式储能都应满足SOC、充电和放电的约束：

其中，SOCmax和SOCmin是各分布式储能系统SOC的上、下限；P_DESS,max是每个分布式储能的最大功率；SOC_t和P_DESS，t是SOC，各分布式能量存储在t时刻的功率；

电动汽车约束:所有的电动汽车都应该满足充电和放电的限制：

0≤|P_EV,t|≤P_EV,max

其中，P_EV,max是每个EV的最大功率；P_EV,t是每辆电动汽车在t时刻的功率；对有约束的目标函数进行最优化求解，确定储能及电动汽车联合系统运行策略；

所述步骤3采用前推回带法潮流计算得到电网各节点的状态量时，每个节点满足如下电压约束条件：

U_N(1-ε₁)≤U_i≤U_N(1+ε₂)

其中，U_i是第i个节点的电压，U_N是第N个节点的电压，ε₁和ε₂是允许的电压偏差；

所述步骤4的实现方法为：

判断是否符合电压偏差约束，若不符合，则降低适应度，若符合，则计算目标函数，进行适应度排序；

采用如下公式计算外层优化目标函数，将所有费用均折算为一年期计算：

max F_total＝

f_pur+f_save+f_loss+f_sell-f_cons-f_main-f_V2G

上式中，f_pur为DG接入配电网后节约的总购电成本；f_save为因为安装储能节约的电网扩容费用；f_loss为减少的网损费用；f_sell为向不参与调度的电动汽车的售电获利；f_cons为分布式电源、储能装置及电动汽车并网设施的总建设费用；f_main为相应的运行维护费用；f_V2G为参与电网互动的电动汽车补贴费用，也是引导电动汽车用户参与调度的重要支出。

2.根据权利要求1所述的含风光储配电网背景下的车储混合配置方法，其特征在于：所述电网络的支路数以及拓扑结构包括各个节点的接入情况，明确接入DG为风机的节点和接入DG为光伏的节点。

3.根据权利要求1所述的一种含风光储配电网背景下的车储混合配置方法，其特征在于：所述参与电网互动的电动汽车补贴费用分为如下两个时间段进行考虑：6:00—20:00及20:00—次日6:00，并分别采用不同数学公式拟合两者之间的关系，其表达式如下所示：

式中，n表示参与调度电动汽车的数量上限，N表示并网电动汽车的总数量，x为当前阶段对调度车辆的补偿价格。

Images