CN108493959A - 基于Markov模型的电动汽车参与电网调频控制与分析方法 - Google Patents
基于Markov模型的电动汽车参与电网调频控制与分析方法 Download PDFInfo
- Publication number
- CN108493959A CN108493959A CN201810255776.6A CN201810255776A CN108493959A CN 108493959 A CN108493959 A CN 108493959A CN 201810255776 A CN201810255776 A CN 201810255776A CN 108493959 A CN108493959 A CN 108493959A
- Authority
- CN
- China
- Prior art keywords
- electric vehicle
- indicate
- electric
- formula
- region
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/24—Arrangements for preventing or reducing oscillations of power in networks
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L55/00—Arrangements for supplying energy stored within a vehicle to a power network, i.e. vehicle-to-grid [V2G] arrangements
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明提供了一种基于Markov模型的电动汽车参与电网调频控制与分析方法,针对电动汽车的随机分布情况,对城市区域进行合理划分构建Markov链,进而分析计算出概率转移矩阵以此刻画电动汽车的随机分布规律;然后结合电动汽车日内累计行驶里程分布和电池高效使用原则确定电动汽车放电界限,考虑含高渗透率的可再生能源综合电力系统中用电发电量的不平衡情况,构建有功不平衡指数,以此提出电动汽车智能充放电管理控制系统,通过对电动汽车的充放电模式进行设置实现电动汽车参与电网有功平衡和调频功能。
Description
技术领域
本发明涉及一种电力系统,具体涉及一种电动汽车参与电网调频控制与分析方法。
背景技术
随着化石原料储量的急速下降以及人们对环境问题的日益重视,电动汽车作为一种环保、高效的交通工具受到人们的广泛关注,同时随着电动汽车行业的大力发展,已经逐渐展现出取代传统燃油式汽车的趋势。电动汽车的动力来源于内部的储能电池,而储能电池具有可以作为电源和负荷的双重特性,通过合理的控制储能电池的充放电模式,能够使得电动汽车参与电网的调频、削峰平谷等电力调节活动,促进综合能源系统安全稳定的运行,尤其是针对当今可再生能源发电渗透率逐渐提升,其发电模式已经成为未来全球发电的主要方式。
区别于传统化石能源发电,可再生能源发电具有随机特性,结合负荷的随机性更一步加深了供电与耗电的有功不平衡,造成电网频率的波动等现象。当今越来越多的电动汽车活跃在人们的日常生活中,大量电动汽车的无序充充电更是增加了电力系统过负荷风险,这将进一步加深电网频率的不稳定,因此设计合理的电动汽车充放电管理与控制方案直接影响着电力系统频率的稳定性和系统的有功平衡。如何设计合理的控制方案,使得电动汽车与可再生能源、负荷等多方面进行协调,实现电动汽车参与电网调频是具有十分重要的理论价值和现实意义的。
现在电动汽车主要是插拔式,需要通过人为的将插头接入电源进行充电,而电池充电结束后同样需要人为拔掉插头。目前通过这种形式,电动汽车主要作为负荷消纳电网的电能,同时长时间的插拔容易导致接头松动、接触不良以及短路等情况,此外,电动汽车的充电完全取决于车主的意愿,随机性大,如果大量电动汽车并发式接入电网,必然造成过负荷情况,导致系统频率下降。当前虽然反向放电技术已经非常成熟了,技术上可以实现电动汽车向电网供电,但是电动汽车在什么时间进行反向放电、放电持续时间以及放电量都是需要解决的问题,车主也难以及获取这些信息,并且车主是否能够正确及时的将电动汽车接入电网也具有很大的不确定因素,因此电动汽车接入电网参与频率调节利用传统的技术方案难以实现。电动汽车作为交通工具必然在各个不同的地点之间进行来回移动,因此电动汽车在时间空间上具有随机特性,大量的电动汽车在不同地点随机移动,这对于电动汽车的管理本身就是一个巨大的挑战。同时当发电量不足时,电动汽车可以作为电源向电网供电,但是电动汽车本身内部的储能电池额定容量有限,不可能源源不断地向电网供电,为了满足车主的基本出行需求电动汽车需要留有足够的电能保障车主的出行。另外当可再生能源发电量较多时,需要更多地负荷来消纳电能,而此时车主难以获得相关信息,或者此时电动汽车电池电量充足,都将导致电动汽车无法进行充电消耗电能,无法实现发电和用电的有功平衡。
目前,针对电动汽车的研究主要集中在电动汽车的有序充电、能效利用、与可再生能源协调等方面,相关文献主要可以分为如下几个方面:
1)电动汽车时空分布建模研究;2)电动汽车能效分析;3)电动汽车有序充电研究;4)可再生能各能源与电动汽车充电协调控制策略研究。
上述研究主要针对电动汽车的时空分布情况,主要考虑将电动汽车作为负荷来使用,通过有序充电避免电力系统过负荷的情况,但是电动汽车作为电源的功能并没有考虑,没能全部发挥出电动汽车的功能,同时与可再生能源协调的过程中,电动汽车的电源功能也没未能有效发挥。使用插拔式电动汽车决定了电动汽车连接到电网的过程直接受人为因素决定,难以保障电动汽车能够有效地参与电网调频,因此存在巨大的挑战。
发明内容
发明目的:本发明的目的在于提出一种基于Markov模型的电动汽车参与电网调频控制与分析方法,该方法通过对城市进行区域划分,构建Markov模型分析电动汽车的时空分布规律,同时考虑电动汽车的日内出行需求,结合电池高效使用规则,给出电动汽车电池向电网供电的放电下限,此外综合考虑高渗透率可再生能源发电波动和负荷变化的情况,构建有功不平衡指数以此刻画电网的频率变化情况,在此基础上根据电网状况和电动汽车电池状况对电动汽车的充放电行为进行智能化管理与控制以此实现电动汽车参与电网调频,基于Markov模型分析电动汽车的时空分得出日内城市所有电动汽车能够向电网提供的电能总和,以及应对可再生能源发电量较大时,电动汽车可以吸收的电能总和上限,以此给出电动汽车参与电网调频的有效控制范围。
技术方案:本发明提供了一种基于Markov模型的电动汽车参与电网调频控制与分析方法,包括以下步骤:
(1)进行可再生能源发电建模,包括光伏阵列发电模型和风轮机功率模型;
(2)将城市进行区域划分且根据各区域构建Markov链,当电动汽车进行区域转移时,形成由转移概率构成的转移概率矩阵;
(3)根据转移概率矩阵建立动态的转移概率矩阵,即自适应概率转移矩阵;
(4)根据电动汽车在各区域的转移以及转移概率进行电动汽车分布规律分析;
(5)进行电动汽车用户基本需求建模,包括电动汽车日行驶里程概率密度函数及电动汽车电池剩余电量表达式及其下限;
(6)电动汽车参与电网调频智能控制策略:刻画发电量和负荷量的有功不平衡指数,并根据该指数对电动汽车进行充放电控制;
(7)电动汽车提供电量与消耗电量分析:通过智能控制实现电动汽车参与电网调频功能,考虑电动汽车电池容量有限以及用户需求,分析城市内所有电动汽车可以提供的电能和消耗的电能。
进一步,步骤(1)考虑风电/光伏发电,光伏阵列发电模型如下:
式中,Ps表示光伏阵列输出功率,Vpv表示光伏单元的输出电压,I表示光伏单元的输出电流,Ipv表示光照电流,I0表示通过漏的电流,q是库伦常数,T表示华氏温度,σ表示理想因子,d表示常数,Rs表示等效串联电阻,Rp表示等效并联电阻,Ns表示串联光伏电池个数;
风轮机的功率模型如下:
Pw=0.5πρf2V3Cp
式中,Pw表示风轮机的出功率,ρ表示空气的密度,f表示风轮的半径大小,V表示风速的大小,Cp表示风能的利用率,Cp直接决定了风电系统的效率,表达式如下所示:
式中,λi表示中间变量,β表示风叶的仰角,λ表示叶尖速比。
进一步,步骤(2)按照城市结构和停车场数量等因素进行划分,这些区域构成一个Markov链S={1,2,...,s},当电动汽车由一个区域移动到另一个区域时可以表示为一个Markov过程,其转移概率表达式如下:
pij(k-1)=p{r(k)=j|r(k-1)=i},ij∈S
式中,k和k-1分别表示当前时刻和上一时刻,i和j分别表示汽车处于划分的区域,i和j可以是同一区域或不同区域,S是Markov链;
所有概率组成一个转移概率矩阵如下所示:
P(k-1)={pij(k-1)},ij∈S。
进一步,步骤(3)所述自适应概率转移矩阵是通过分析历史数据的数值特征以此实时更新调整转移概率数值的,将转移概率看作先验概率如下:
pij(k-1)=p{r(k)=j|r(k-1)=i,Zk-1},ij∈S
式中,Zk-1是采样的时间序列间隔;
根据贝叶斯定理,更新的概率转移矩阵表达为:
式中,pij(k)是更新后的转移概率,pij(k-1)是上一时刻的转移概率,λij(k)是似然函数的似然度,ci(k-1)是标准化因子,表达式如下:
λij(k)的表达式如下:
式中,E和∑是均值矩阵和方差矩阵。
进一步,步骤(4)假设城市的电动汽车总数不变,那么分布在各个区域的电动汽车数量满足如下关系:
式中,Ntotal表示城市的电动汽车总数,Ni,k表示区域i在时刻k的电动汽车数量;
基于Markov模型计算得出在某时刻区域i的电动汽车数量表达式如下:
式中,Ni,k表示在时刻k区域i内电动汽车的数量,nji和nij分别是从区域j到区域i以及从区域i到区域j的电动车数量;
同时,电动汽车在各个区域之间的数量变化可以根据转移概率计算获得,表达式如下:
式中,pij和pji分别表示电动汽车从区域i到区域j的概率大小,以及电动汽车从区域j到区域i的概率大小;
综合考虑上式得出电动汽车在时间段k内处于区域i的电动汽车数量表达式如下:
进一步,步骤(5)电动汽车日行驶里程近似服从对数正态分布,其概率密度函数表达式如下:
式中,x表示电动汽车日行驶里程,μi和σi分别表示均值和标准差,根据城市和地区的不同均值和标准差也存在差异;
采用SOC来描述电池剩余电量百分比,以此建立电动汽车行驶路程与消耗电池电量的联系,电池SOC的表达式如下所示:
式中,ηEV表示电动汽车行驶效率,单位是kwh/km,v是电动汽车平均行驶速度,Ebat是电动汽车的电池容量,t表示当前时间,t0表示初始时间,Δsoc表示t0时间到t内通过充放电引起的SOC变化情况;
通过设定电动汽车的SOC下限来确保电动汽车的基本出行需求,另外针对用户出行距离短次数少的情况,为了保护电池寿命,将其SOC下限人为设定为20%,因此SOC下限表示为:
式中,M表示电动汽车用户一天内累计行驶里程数。
进一步,步骤(6)电动汽车电池状态SOC经过充放电后变化如下式:
式中,Pcharge表示电动充电或者放电的功率大小,φch表示电动汽车充放电过程的效率,state(SOC,Δei)表示电动汽车的控制信号,Δei表示发电量和负荷量的有功不平衡指数,SOC(t)表示t时间的电池状态,SOC(t0)表示t0时间的电池状态;
电力系统频率的波动主要来源于有功的不平衡,高渗透率的可再生能源发电随机性和电力负荷的随机变化是造成频率不稳定的关键,因此通过发电量和负荷量的有功不平衡指数来刻画频率的变化趋势,其表达式如下:
式中,Pt表示传统火电发功率,Pi表示可再生能源电发功率,Pload_i表示负荷消耗功率情况,Pinstal表示该地区的总装机容量;
电动汽车的充放电控制由两方面因素决定:一、电网频率状况;二、电动汽车电池状态,因此电动汽车充放电控制信号表达式如下:
最后根据State(SOC,Δei)的值来控制电动汽车的充放电,当值为1时,电动汽车进行充电,当值为-1时,电动汽车进行放电,当值为0时处于待机状态,既不充电也不放电。
进一步,假设城市内的所有电动汽车均参加电网频率调节,根据用户的一天基本出行需求设置电池状态下限,城市内所有电动汽车一天累计可提供的电能表达式如下:
式中,Mmax表示车主一天累计行驶最大里程数,fi表示电动汽车日行驶里程的概率分布密度函数,Ebat表示电池最大额定容量,Ni,k表示在时间段k内区域i电动汽车的数量,x表示电动汽车日行驶里程,x20%表示电动汽车剩余电量为20%时对应的行驶里程;
电动汽车的电能消耗量与行驶距离有关,一天中假设行驶里程为来回对称情况,上午可消耗的累计电能为下午可消耗的累积电能的一半,表达式如下所示:
式中,Eai表示电动汽车电能消耗情况。
有益效果:本发明针对电动汽车的随机分布情况,对城市区域进行合理划分构建Markov链,进而分析计算出概率转移矩阵以此刻画电动汽车的随机分布规律;然后结合电动汽车日内累计行驶里程分布和电池高效使用原则确定电动汽车放电界限,考虑含高渗透率的可再生能源综合电力系统中用电发电量的不平衡情况,构建有功不平衡指数,以此提出电动汽车智能充放电管理控制系统,通过对电动汽车的充放电模式进行设置实现电动汽车参与电网有功平衡和调频功能。
附图说明
图1为本发明方法流程图;
图2为有功功率不平衡图;
图3为城市区域划分示意图;
图4为电动汽车日内行驶里程分布示意图;
图5为电动汽车智能控制结构图;
图6为可再生能源发电曲线图;
图7为日负荷曲线图;
图8为仿真控制结果图。
具体实施方式
下面对本发明技术方案进行详细说明,但是本发明的保护范围不局限于所述实施例。
一种基于Markov模型的电动汽车参与电网调频控制与分析方法,如图1所示,具体步骤如下:
1、风力发电功率建模
风力发电主要是流体力学,将空气的动能转化为电能,风轮机的功率模型如下:
Pw=0.5πρf2V3Cp
式中,Pw表示风轮机的出功率,ρ表示空气的密度,f表示风轮的半径大小,V表示风速的大小,Cp表示风能的利用率,Cp直接决定了风电系统的效率,表达式如下所示:
式中,λi表示中间变量,β表示风叶的仰角,λ表示叶尖速比。
2、光伏发电功率建模
光伏发电主要是依靠光伏电池光转化电的原理进行发电,光伏阵列发电模型如下:
式中,Ps表示光伏阵列输出功率,Vpv表示光伏单元的输出电压,I表示光伏单元的输出电流,Ipv表示光照电流,I0表示通过漏的电流,q是库伦常数,T表示华氏温度,σ表示理想因子,d表示常数,Rs表示等效串联电阻,Rp表示等效并联电阻,Ns表示串联光伏电池个数。
3、城市区域划分与Markov建模
为了研究电动汽车的时空分布规律对城市的区域进行划分,以此作为基础分析电动汽车在城市各个区域之间的随机运动规律,城市区域划分依据是按照城市结构和停车场数量等因素进行划分,这些区域构成一个Markov链,当电动汽车由一个区域移动到另一个区域时可以表示为一个Markov过程,其概率表达式如下:
pij(k一1)=p{r(k)=j|r(k-1)=i},ij∈S
式中,k和k-1分别表示当前时刻和上一时刻,i和j分别表示汽车处于划分的区域,i和j可以是同一区域也可以是不同区域,S是Markov链;
所有概率组成一个概率转移矩阵如下所示:
P(k-1)={pij(k-1)},ij∈S。
4、自适应转移概率矩阵
通过自适应转移概率矩阵对电动汽车在各个区域之间的随机移动以概率的形式进行描述,由于概率转移矩阵是刻画电动汽车移动变化的关键,电动汽车的分布极大的受到人为因素影响,因此采用动态的转移概率矩阵更为合理,自适应概率转移矩阵是通过分析历史数据的数值特征以此实时更新调整转移概率数值的,将转移概率看作先验概率如下:
pij(k-1)=p{r(k)=j|r(k-1)=i,Zk-1},ij∈S
式中,Zk-1是采样的时间序列间隔;
根据贝叶斯定理,更新的概率转移矩阵可以表达为:
式中,pij(k)是更新后的转移概率,pij(k-1)是上一时刻的转移概率,λij(k)是似然函数的似然度,ci(k-1)是标准化因子,表达式如下:
λij(k)的表达式如下:
式中,E和∑是均值矩阵和方差矩阵。
5、电动汽车分布规律分析;
在建立的Markov模型的基础上研究电动汽车分布规律,首先假设该城市的电动汽车总数不变,那么分布在各个区域的电动汽车数量满足如下关系:
式中,Ntotal表示城市的电动汽车总数,Ni,k表示区域i在时刻k的电动汽车数量;
基于Markov模型可以进一步计算得出在某时刻区域i的电动汽车数量表达式如下:
式中,Ni,k表示在时间段k内区域i电动汽车的数量,nji和nij分别是从区域j到区域i以及从区域i到区域j的电动车数量;
同时,电动汽车在各个区域之间的数量变化可以根据转移概率计算获得,表达式如下:
式中,pij和pji分别表示电动汽车从区域i到区域j的概率大小,以及电动汽车从区域j到区域i的概率大小;
综合考虑上式得出电动汽车在时间段k内处于区域i的电动汽车数量表达式如下:
6、电动汽车用户基本需求建模
为了满足电动汽车用户基本的基本出行需求,电动汽车作为电源参与电网频率调节对电网起到了积极的作用,但是电动汽车作为基本交通工具同样必须满足电动汽车用户的基本出行需求。因此在满足电动汽车用户基本需求的基础上最大程度发挥电动汽车参与电网调频是实现高效控制的关键,电动汽车日行驶里程近似服从对数正态分布,其概率密度函数表达式如下:
式中,x表示电动汽车日行驶里程,μi和σi分别表示均值和标准差,根据城市和地区的不同均值和标准差也存在差异。
为了反映电池的工作状态采用SOC来描述电池剩余电量百分比,以此建立电动汽车行驶路程与消耗电池电量的联系,电池SOC的表达式如下所示:
式中,ηEV表示电动汽车行驶效率,单位是kwh/km,v是电动汽车平均行驶速度,Ebat是电动汽车的电池容量,t表示当前时间,t0表示初始时间,Δsoc表示t0时间到t内通过充放电引起的SOC变化情况;
通过设定电动汽车的SOC下限来确保电动汽车的基本出行需求,另外针对某些用户出行距离短次数少的情况,为了保护电池寿命,将其SOC下限人为设定为20%,因此SOC下限表示为:
式中,M表示电动汽车用户一天内累计行驶里程数。
7、电动汽车参与电网调频智能控制
基于Markov模型提出电动汽车参与电网调频智能控制策略,电动汽车电池状态SOC经过充放电后变化如下式:
式中,Pcharge表示电动充电或者放电的功率大小,φch表示电动汽车充放电过程的效率,state(SOC,Δei)表示电动汽车的控制信号,Δei表示发电量和负荷量的有功不平衡指数,SOC(t)表示t时间的电池状态,SOC(t0)表示t0时间的电池状态;
因为电力系统有功的不平衡造成电网频率的波动,高渗透率的可再生能源发电随机性和电力负荷的随机变化是造成频率不稳定的关键,图6和图7表示采集的数据情况,因此通过发电量和负荷量的有功不平衡指数来刻画频率的变化趋势,其表达式如下:
式中,Pt表示传统火电发功率,Pi表示可再生能源电发功率,Pload_i表示负荷消耗功率情况,Pinstal表示该地区的总装机容量;
电动汽车的充放电控制由两方面因素决定,一、电网频率状况,二、电动汽车电池状态,因此电动汽车充放电控制信号表达式如下:
最后根据State(SOC,Δei)的值来控制电动汽车的充放电,当值为1时,电动汽车进行充电,当值为-1时,电动汽车进行放电,当值为0时处于待机状态,既不充电也不放电。
8、电动汽车提供电量与消耗电量分析;
通过智能控制实现电动汽车参与电网调频功能,考虑电动汽车电池容量有限以及用户需求,分析城市内所有电动汽车可以提供的电能和消耗的电能。假设城市内的所有电动汽车均参加电网频率调节,根据用户的一天基本出行需求设置电池状态下限,城市内所有电动汽车一天累计可提供的电能表达式如下:
式中,Mmax表示车主一天累计行驶最大里程数,fi表示电动汽车日行驶里程的概率分布密度函数,Ebat表示电池最大额定容量,Ni,k表示在时间段k内区域i电动汽车的数量,x20%表示电动汽车剩余电量为20%时对应的行驶里程;
电动汽车的电能消耗量与行驶距离有关,一天中假设行驶里程为来回对称情况,上午可以消耗的累计电能为下午可消耗的累积电能的一半,表达式如下所示:
式中,Ebat表示电池最大额定容量。
9、算例分析
本发明的测试算例包含光伏发电系统、风力发电系统、随机负荷和5000量电动汽车构成。风力发电和光伏发电额定容量为150kw,占总容量的百分之十三,当风速、光照随机变化时,可再生能源发电具有随机波动性,通过归一化得出有功功率不平衡情况如图2所示。划分的三个区域如图3所示,根据划分构建Markov链,各区域电动汽车日内累计行驶里程数分别服从对数正态分布N(3.21,0.88),N(3.68,0.60)和N(4.32,0.42),如图4所示。结合行驶里程数得出电动汽车放电过程中电池容量的下限,确保用户出行的基本需求,在此基础上设计控制器,控制框图如图5所示,首先风力发电、电网提供的是交流电,需要通过交流-直流变换器变为直流,然后连接到直流母线上,光伏发电为直流电,但是为了保证电压等级的一致,需要通过直流-直流变换器变换到与直流母线同一电压等级,然后连接到直流母线,为了实现无线电能传输,再次将直流电变为交流电,接着传输到电动汽车,最后再次将交流电转化为直流电对电动汽车的电池进行充电,智能控制器就是用于实现这些过程控制的。
最后在Matlab/Simulink平台上搭建仿真模型,综合考虑可再生能源发电和负荷的随机特性,依据采集到的可再生能源以及负荷数据,如图6和图7所示,分别验证所提控制策略的有效性,并与传统的负荷频率控制进行对比,对比结果如图8所示,显示本发明所提方案的有效性。
通过分析比较可以得出,采用本发明所提的电动汽车参与电网有功平衡和调频控制能够有效保持电网的频率稳定,有效的利用电动汽车参与电网调节活动,通过仿真算理验证了所提方法的有效性。
Claims (8)
1.一种基于Markov模型的电动汽车参与电网调频控制与分析方法,其特征在于:包括以下步骤:
(1)进行可再生能源发电建模,包括光伏阵列发电模型和风轮机功率模型;
(2)将城市进行区域划分且根据各区域构建Markov链,当电动汽车进行区域转移时,形成由转移概率构成的转移概率矩阵;
(3)根据转移概率矩阵建立动态的转移概率矩阵,即自适应概率转移矩阵;
(4)根据电动汽车在各区域的转移以及转移概率进行电动汽车分布规律分析;
(5)进行电动汽车用户基本需求建模,包括电动汽车日行驶里程概率密度函数及电动汽车电池剩余电量表达式及其下限;
(6)电动汽车参与电网调频智能控制策略:刻画发电量和负荷量的有功不平衡指数,并根据该指数对电动汽车进行充放电控制;
(7)电动汽车提供电量与消耗电量分析:通过智能控制实现电动汽车参与电网调频功能,考虑电动汽车电池容量有限以及用户需求,分析城市内所有电动汽车可以提供的电能和消耗的电能。
2.根据权利要求1所述的基于Markov模型的电动汽车参与电网调频控制与分析方法,其特征在于:步骤(1)考虑风电/光伏发电,光伏阵列发电模型如下:
式中,Ps表示光伏阵列输出功率,Vpv表示光伏单元的输出电压,I表示光伏单元的输出电流,Ipv表示光照电流,I0表示通过漏的电流,q是库伦常数,T表示华氏温度,σ表示理想因子,d表示常数,Rs表示等效串联电阻,Rp表示等效并联电阻,Ns表示串联光伏电池个数;
风轮机的功率模型如下:
Pw=0.5πρf2V3Cp
式中,Pw表示风轮机的出功率,ρ表示空气的密度,f表示风轮的半径大小,V表示风速的大小,Cp表示风能的利用率,Cp直接决定了风电系统的效率,表达式如下所示:
式中,λi表示中间变量,β表示风叶的仰角,λ表示叶尖速比。
3.根据权利要求1所述的基于Markov模型的电动汽车参与电网调频控制与分析方法,其特征在于:步骤(2)按照城市结构和停车场数量等因素进行划分,这些区域构成一个Markov链S={1,2,...,s},当电动汽车由一个区域移动到另一个区域时可以表示为一个Markov过程,其转移概率表达式如下:
pij(k-1)=p{r(k)=j|r(k-1)=i},ij∈S
式中,k和k-1分别表示当前时刻和上一时刻,i和j分别表示汽车处于划分的区域,i和j可以是同一区域或不同区域,S是Markov链;
所有概率组成一个转移概率矩阵如下所示:
P(k-1)={pij(k-1)},ij∈S。
4.根据权利要求3所述的基于Markov模型的电动汽车参与电网调频控制与分析方法,其特征在于:步骤(3)所述自适应概率转移矩阵是通过分析历史数据的数值特征以此实时更新调整转移概率数值的,将转移概率看作先验概率如下:
pij(k-1)=p{r(k)=j|r(k-1)=i,Zk-1},ij∈S
式中,Zk-1是采样的时间序列间隔;
根据贝叶斯定理,更新的概率转移矩阵表达为:
式中,pij(k)是更新后的转移概率,pij(k-1)是上一时刻的转移概率,λij(k)是似然函数的似然度,ci(k-1)是标准化因子,表达式如下:
λij(k)的表达式如下:
式中,E和∑是均值矩阵和方差矩阵。
5.根据权利要求3所述的基于Markov模型的电动汽车参与电网调频控制与分析方法,其特征在于:步骤(4)假设城市的电动汽车总数不变,那么分布在各个区域的电动汽车数量满足如下关系:
式中,Ntotal表示城市的电动汽车总数,Ni,k表示区域i在时刻k的电动汽车数量;
基于Markov模型计算得出在某时刻区域i的电动汽车数量表达式如下:
式中,Ni,k表示在时刻k区域i内电动汽车的数量,nji和nij分别是从区域j到区域i以及从区域i到区域j的电动车数量;
同时,电动汽车在各个区域之间的数量变化可以根据转移概率计算获得,表达式如下:
式中,pij和pji分别表示电动汽车从区域i到区域j的概率大小,以及电动汽车从区域j到区域i的概率大小;
综合考虑上式得出电动汽车在时间段k内处于区域i的电动汽车数量表达式如下:
6.根据权利要求1所述的基于Markov模型的电动汽车参与电网调频控制与分析方法,其特征在于:步骤(5)电动汽车日行驶里程近似服从对数正态分布,其概率密度函数表达式如下:
式中,x表示电动汽车日行驶里程,μi和σi分别表示均值和标准差,根据城市和地区的不同均值和标准差也存在差异;
采用SOC来描述电池剩余电量百分比,以此建立电动汽车行驶路程与消耗电池电量的联系,电池SOC的表达式如下所示:
式中,ηEV表示电动汽车行驶效率,单位是kwh/km,v是电动汽车平均行驶速度,Ebat是电动汽车的电池容量,t表示当前时间,t0表示初始时间,Δsoc表示t0时间到t内通过充放电引起的SOC变化情况;
通过设定电动汽车的SOC下限来确保电动汽车的基本出行需求,另外针对用户出行距离短次数少的情况,为了保护电池寿命,将其SOC下限人为设定为20%,因此SOC下限表示为:
式中,M表示电动汽车用户一天内累计行驶里程数。
7.根据权利要求6所述的基于Markov模型的电动汽车参与电网调频控制与分析方法,其特征在于:步骤(6)电动汽车电池状态SOC经过充放电后变化如下式:
式中,Pcharge表示电动充电或者放电的功率大小,φch表示电动汽车充放电过程的效率,state(SOC,Δei)表示电动汽车的控制信号,Δei表示发电量和负荷量的有功不平衡指数,SOC(t)表示t时间的电池状态,SOC(t0)表示t0时间的电池状态;
电力系统频率的波动主要来源于有功的不平衡,高渗透率的可再生能源发电随机性和电力负荷的随机变化是造成频率不稳定的关键,因此通过发电量和负荷量的有功不平衡指数来刻画频率的变化趋势,其表达式如下:
式中,Pt表示传统火电发功率,Pi表示可再生能源电发功率,Pload_i表示负荷消耗功率情况,Pinstal表示该地区的总装机容量;
电动汽车的充放电控制由两方面因素决定:一、电网频率状况;二、电动汽车电池状态,因此电动汽车充放电控制信号表达式如下:
最后根据State(SOC,Δei)的值来控制电动汽车的充放电,当值为1时,电动汽车进行充电,当值为-1时,电动汽车进行放电,当值为0时处于待机状态,既不充电也不放电。
8.根据权利要求1所述的基于Markov模型的电动汽车参与电网调频控制与分析方法,其特征在于:假设城市内的所有电动汽车均参加电网频率调节,根据用户的一天基本出行需求设置电池状态下限,城市内所有电动汽车一天累计可提供的电能表达式如下:
式中,Mmax表示车主一天累计行驶最大里程数,fi表示电动汽车日行驶里程的概率分布密度函数,Ebat表示电池最大额定容量,Ni,k表示在时间段k内区域i电动汽车的数量,x表示电动汽车日行驶里程,x20%表示电动汽车剩余电量为20%时对应的行驶里程;
电动汽车的电能消耗量与行驶距离有关,一天中假设行驶里程为来回对称情况,上午可消耗的累计电能为下午可消耗的累积电能的一半,表达式如下所示:
式中,Eai表示电动汽车电能消耗情况。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810255776.6A CN108493959B (zh) | 2018-03-26 | 2018-03-26 | 基于Markov模型的电动汽车参与电网调频控制与分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810255776.6A CN108493959B (zh) | 2018-03-26 | 2018-03-26 | 基于Markov模型的电动汽车参与电网调频控制与分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108493959A true CN108493959A (zh) | 2018-09-04 |
CN108493959B CN108493959B (zh) | 2021-01-26 |
Family
ID=63337561
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810255776.6A Active CN108493959B (zh) | 2018-03-26 | 2018-03-26 | 基于Markov模型的电动汽车参与电网调频控制与分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108493959B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109193721A (zh) * | 2018-09-29 | 2019-01-11 | 华南理工大学 | 一种基于强化学习的电动汽车充放电策略优化方法 |
CN110826179A (zh) * | 2019-09-29 | 2020-02-21 | 贵州电网有限责任公司 | 一种智能变电站继电保护实时可靠性预测方法 |
CN111071073A (zh) * | 2019-12-30 | 2020-04-28 | 武汉理工大学 | 基于随机负载的燃料电池混合动力系统及其控制方法 |
CN111244988A (zh) * | 2020-01-06 | 2020-06-05 | 华北电力大学 | 考虑分布式电源的电动汽车和储能优化调度方法 |
CN112183804A (zh) * | 2019-07-05 | 2021-01-05 | 华北电力大学 | 一种基于马尔科夫链的电动汽车虚拟储能可用容量预测方法 |
CN112363058A (zh) * | 2020-10-30 | 2021-02-12 | 哈尔滨理工大学 | 一种基于阻抗谱和马尔科夫特性的锂离子电池安全度估算方法及装置 |
CN113199946A (zh) * | 2020-12-11 | 2021-08-03 | 广东电网有限责任公司电力调度控制中心 | 一种基于马尔科夫过程的电动汽车储能聚合建模方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103997091A (zh) * | 2014-05-23 | 2014-08-20 | 国家电网公司 | 一种规模化电动汽车智能充电控制方法 |
CN104951614A (zh) * | 2015-06-30 | 2015-09-30 | 国家电网公司 | 一种计及电动汽车充电可控性的机组组合模型及建模方法 |
CN107104454A (zh) * | 2017-06-06 | 2017-08-29 | 重庆大学 | 计及电动汽车功率可调控域的最优潮流节点电价计算方法 |
CN107506334A (zh) * | 2017-07-26 | 2017-12-22 | 河海大学 | 一种描述电动汽车行驶行为的隐马尔可夫模型计算方法 |
-
2018
- 2018-03-26 CN CN201810255776.6A patent/CN108493959B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103997091A (zh) * | 2014-05-23 | 2014-08-20 | 国家电网公司 | 一种规模化电动汽车智能充电控制方法 |
CN104951614A (zh) * | 2015-06-30 | 2015-09-30 | 国家电网公司 | 一种计及电动汽车充电可控性的机组组合模型及建模方法 |
CN107104454A (zh) * | 2017-06-06 | 2017-08-29 | 重庆大学 | 计及电动汽车功率可调控域的最优潮流节点电价计算方法 |
CN107506334A (zh) * | 2017-07-26 | 2017-12-22 | 河海大学 | 一种描述电动汽车行驶行为的隐马尔可夫模型计算方法 |
Non-Patent Citations (2)
Title |
---|
SUWEI ZHAI,ETC.: "A new MPPT method for photovoltaic grid-connected system based on Markov model", 《PROCEEDINGS OF THE 36TH CHINESE CONTROL CONFERENCE》 * |
代倩: "多能源复合型电动汽车充换储放电站的能量管理技术研究", 《中国博士学位论文全文数据库电子期刊 工程科技II辑》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109193721A (zh) * | 2018-09-29 | 2019-01-11 | 华南理工大学 | 一种基于强化学习的电动汽车充放电策略优化方法 |
CN112183804A (zh) * | 2019-07-05 | 2021-01-05 | 华北电力大学 | 一种基于马尔科夫链的电动汽车虚拟储能可用容量预测方法 |
CN110826179A (zh) * | 2019-09-29 | 2020-02-21 | 贵州电网有限责任公司 | 一种智能变电站继电保护实时可靠性预测方法 |
CN111071073A (zh) * | 2019-12-30 | 2020-04-28 | 武汉理工大学 | 基于随机负载的燃料电池混合动力系统及其控制方法 |
CN111244988A (zh) * | 2020-01-06 | 2020-06-05 | 华北电力大学 | 考虑分布式电源的电动汽车和储能优化调度方法 |
CN111244988B (zh) * | 2020-01-06 | 2023-01-06 | 华北电力大学 | 考虑分布式电源的电动汽车和储能优化调度方法 |
CN112363058A (zh) * | 2020-10-30 | 2021-02-12 | 哈尔滨理工大学 | 一种基于阻抗谱和马尔科夫特性的锂离子电池安全度估算方法及装置 |
CN112363058B (zh) * | 2020-10-30 | 2022-06-24 | 哈尔滨理工大学 | 一种基于阻抗谱和马尔科夫特性的锂离子电池安全度估算方法及装置 |
CN113199946A (zh) * | 2020-12-11 | 2021-08-03 | 广东电网有限责任公司电力调度控制中心 | 一种基于马尔科夫过程的电动汽车储能聚合建模方法 |
CN113199946B (zh) * | 2020-12-11 | 2023-06-20 | 广东电网有限责任公司电力调度控制中心 | 一种基于马尔科夫过程的电动汽车储能聚合建模方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108493959B (zh) | 2021-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108493959A (zh) | 基于Markov模型的电动汽车参与电网调频控制与分析方法 | |
Fu et al. | Optimization based energy management strategy for fuel cell/battery/ultracapacitor hybrid vehicle considering fuel economy and fuel cell lifespan | |
Hou et al. | Multi-objective economic dispatch of a microgrid considering electric vehicle and transferable load | |
Chen et al. | Optimal sizing and sitting of EVCS in the distribution system using metaheuristics: A case study | |
CN105160451B (zh) | 一种含电动汽车的微电网多目标优化调度方法 | |
CN106487036B (zh) | 一种基于多目标优化算法的独立光伏拖动系统容量配置方法 | |
CN109146201A (zh) | 基于合作博弈的充换储一体化电站微电网优化调度方法 | |
CN105071389B (zh) | 计及源网荷互动的交直流混合微电网优化运行方法及装置 | |
CN109256800A (zh) | 一种区域充换储一体化电站微电网群协调优化调度方法 | |
CN108520314A (zh) | 结合v2g技术的主动配电网调度方法 | |
CN111244988B (zh) | 考虑分布式电源的电动汽车和储能优化调度方法 | |
CN104361416B (zh) | 一种考虑大规模电动汽车接入的电网双层优化调度方法 | |
CN110311396A (zh) | 一种交直流混合微电网混合储能容量优化配置方法 | |
CN108233430B (zh) | 一种计及系统能源波动性的交直流混合微网优化方法 | |
CN107546781A (zh) | 基于pso改进算法的微电网多目标运行优化方法 | |
CN106485358A (zh) | 结合序列运算和粒子群算法的独立微电网优化配置方法 | |
CN103904749B (zh) | 一种考虑风电出力波动性的电动汽车有序充电控制方法 | |
Kheradmand-Khanekehdani et al. | Well-being analysis of distribution network in the presence of electric vehicles | |
Feng et al. | Performance analysis of hybrid energy storage integrated with distributed renewable energy | |
CN103499792A (zh) | 电动汽车动力电池集群可用容量的预测方法 | |
CN107273968A (zh) | 一种基于动态模糊混沌粒子群的多目标调度方法及装置 | |
CN111762057B (zh) | 一种区域微网中v2g电动汽车智能充放电管理方法 | |
Baloglu et al. | Economic analysis of hybrid renewable energy systems with V2G integration considering battery life | |
CN103187784A (zh) | 一种优化光伏充电站集成系统的方法及装置 | |
Ren et al. | Multitime scale coordinated scheduling for electric vehicles considering photovoltaic/wind/battery generation in microgrid |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |