CN109242216A - 一种虚拟电厂中风电场和电动汽车换电站的协同调度方法 - Google Patents

Abstract

本发明实施例公开了一种虚拟电厂中风电场和电动汽车换电站的协同调度方法，包括将各时段电动汽车换电站的剩余电量作为决策变量，各时段风电场的实际功率和实际换电需求作为随机变量，构建协同调度模型；以虚拟电厂的未被满足换电指标、弃风电量指标和发电计划跟踪指标实现的概率最大化作为协同调度模型的优化目标，计算得到各时段换电站与风电场的协同调度策略。本发明能够基于决策者对不同运行指标的重视程度和风险承受水平，兼顾多个运行指标。在尽可能满足未被满足换电量指标和弃风电量指标的前提下，虚拟电厂的输出功率能够较好地跟踪发电计划，避免了风电随机波动对电网带来的冲击。

Description

一种虚拟电厂中风电场和电动汽车换电站的协同调度方法

技术领域

本发明涉及虚拟电厂技术领域,具体地说是一种虚拟电厂中风电场和电动汽车换电站的协同调度方法。

背景技术

虚拟电厂根据风电功率和换电需求的日前预测值，制定次日的发电计划，并向调控中心申报。由于虚拟电厂上报给调控中心的发电计划并不一定完全可行，虽然风电具有优先上网权，但是一旦危及到了电网安全运行，调控中心会对其发电计划予以适当调整以保证电网的稳定运行。调整后的发电计划会重新下发给虚拟电厂去跟踪执行，如果虚拟电厂跟踪发电计划效果差，不但会导致经济惩罚成本的上升，而且会危及电网的安全运行。

换电站为风电场提供备用，通过对二者的协同调度可以提高虚拟电厂跟踪发电计划的能力。目前对与电动汽车换电站与风电场的协同调度研究多是从电力系统的视角展开，如含换电站与风电的电力系统的机组组合问题或经济调度问题等，而对于换电站与风电场自身的协同调度研究相对较少。虽然换电站与储能电站具有相似性，风-储协同调度的研究成果能够起到一定的指导作用，但是仍存在如下问题：

(1)不论是风电与换电站还是风电与储能的协同调度，目前的研究大多在日前调度中就基于风电的期望值将换电站、储能的充放电功率锁定，在线调度阶段风电的随机波动完全交由电网来应对，换电站等只是起到了间接固化的作用。而且在日前调度中，在刻画风电随机性时，往往都未考虑换电站的再次优化调整过程，因此对日前优化效果的评价偏保守，在时变过程中换电站的多元效益未能得到尽职地发挥，从而无法有的放矢地应对强不确定。

(2)日前协同调度研究多是以换电站的充放电功率作为决策变量，该变量无法为日内换电站充放电功率的再调整提供有效的指导信息，无法从全局的角度对换电站的调节能力进行合理配置，往往导致换电站的调节能力被过早耗尽的情况出现。

发明内容

本发明实施例中提供了一种虚拟电厂中风电场和电动汽车换电站的协同调度方法，以解决现有技术中的问题。

为了解决上述技术问题，本发明实施例公开了如下技术方案：

本发明提供了一种虚拟电厂中风电场和电动汽车换电站的协同调度方法，包括以下步骤：

将各时段电动汽车换电站的剩余电量作为决策变量，各时段风电场的实际功率和实际换电需求作为随机变量，构建协同调度模型；

以虚拟电厂的未被满足换电指标、弃风电量指标和发电计划跟踪指标实现的概率最大化作为协同调度模型的优化目标，计算得到各时段换电站与风电场的协同调度策略。

进一步地，所述协同调度模型为：

式中，lexmin{·}为按照字典序最小化目标向量；P_r{·}为运行指标实现的概率；P_δ分别为未被满足换电指标、弃风电量指标和发电计划跟踪指标实现概率的目标值；Nt为划分的时段数；Δt为单位时段长度；为t时段未被满足的换电量；Q_ds为虚拟电厂的日未被满足换电量的上限；为t时段的弃风功率，N_τ为日内优化决策的时段数，Δτ为日内优化决策的单位时段长度，为第t个小时内第τ个时段的弃风功率；Q_ws为虚拟电厂的日弃风电量的上限；为t时段的风电场的实际功率；为t时段电动汽车换电站的充放电功率，充电为正，放电为负；为t时段的虚拟电厂的发电计划；δ为功率偏差的相对误差绝对值的允许范围；为分别为第i个运行指标实现的概率偏离其目标值的负偏差和正偏差，均为非负数；Q^t为t时段电动汽车换电站的剩余电量；为t时段的实际换电需求；g(·)≤0为约束条件。

进一步地，所述约束条件包括电动汽车换电站容量约束、电动汽车换电站在决策周期内的电量约束、电动汽车换电站电量爬坡约束和电动汽车零排放约束。

进一步地，所述电动汽车换电站容量约束为：

Q^min≤Q^t≤Q_EVB

式中，Q^min为电动汽车换电站的最低剩余电量；Q_EVB为电动汽车换电站电池系统的额定容量。

进一步地，所述电动汽车换电站在决策周期末的电量约束为：

式中，Q^end为决策周期末要求的最低剩余电量。

进一步地，所述电动汽车换电站电量爬坡约束为：

式中，η_c、η_d为分别为电动汽车换电站的充电、放电效率；为电动汽车换电站的最大放电功率；为电动汽车换电站的在t时段的最大充电功率。

进一步地，所述电动汽车零排放约束为：

式中，为电动汽车换电站的最大充电功率。

进一步地，利用蒙特卡洛模拟与遗传算法相结合的方法求解所述协同调度模型。

进一步地，求解所述协同调度模型的具体过程为：

将协同调度模型的时段按照小时进行划分，在求解各指标的概率值时，将每个小时进行进一步划分为N_τ个时段；

根据风电功率、换电需求的预测值和预测误差的概率分布，生成m组换电需求和风电出力的随机样本；

计算每组样本的未被满足换电量、弃风电量和充放电功率；

根据大数定律，在m足够大时，计算各指标满足的概率。

发明内容中提供的效果仅仅是实施例的效果，而不是发明所有的全部效果，上述技术方案中的一个技术方案具有如下优点或有益效果：

1、协同调度模型能够基于决策者对不同运行指标的重视程度和风险承受水平，兼顾多个运行指标。在尽可能满足未被满足换电量指标和弃风电量指标的前提下，虚拟电厂的输出功率能够较好地跟踪发电计划，避免了风电随机波动对电网带来的冲击。

2、以电量替代充放电功率作为虚拟电厂日前协同调度的决策变量，可以为日内的小时级优化决策提供有效的决策信息，实现了从全局角度对电动汽车换电站的调节能力的优化配置，有效避免了电动汽车换电站的调节能力被过早用尽的情况出现。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明所述方法实施例的流程示意图；

图2是对本发明协调调度模型求解方法的流程示意图；

图3是风电功率的日前预测值和虚拟电厂的发电计划示意图；

图4是换电需求日前预测值的示意图；

图5是各时段出现换电需求未被满足、弃风、虚拟电厂输出功率越限的概率示意图；

图6是日前预测值与实际换电需求的示意图；

图7是实际风电功率和日前预测功率的示意图；

图8是各时段的弃风电量示意图；

图9是虚拟电厂实际出力和发电计划的示意图；

图10是电动汽车换电站的实际存储电量和计划存储电量的示意图。

具体实施方式

为能清楚说明本方案的技术特点，下面通过具体实施方式，并结合其附图，对本发明进行详细阐述。下文的公开提供了许多不同的实施例或例子用来实现本发明的不同结构。为了简化本发明的公开，下文中对特定例子的部件和设置进行描述。此外，本发明可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施例和/或设置之间的关系。应当注意，在附图中所图示的部件不一定按比例绘制。本发明省略了对公知组件和处理技术及工艺的描述以避免不必要地限制本发明。

为应对风电出力和换电需求的随机性，提高风电场和电动汽车换电站构成的虚拟电厂的发电计划跟踪能力，本发明以虚拟电厂为研究对象，提出风电场与换电站的协同调度方法。基于相关机会目标规划思想，考虑风电出力和换电需求的概率规律，以运行指标实现的概率最大化为目标，优化决策各时段电动汽车换电站的电量。

如图1所示，本发明虚拟电厂中风电场和电动汽车换电站的协同调度方法包括：

S1,将各时段电动汽车换电站的剩余电量作为决策变量，各时段风电场的实际功率和实际换电需求作为随机变量，构建协同调度模型；

S2,以虚拟电厂的未被满足换电指标、弃风电量指标和发电计划跟踪指标实现的概率最大化作为协同调度模型的优化目标，计算得到各时段换电站与风电场的协同调度策略。

协同调度模型为：

(1)式中，lexmin{·}为按照字典序最小化目标向量；P_r{·}为运行指标实现的概率；P_δ分别为未被满足换电指标实现概率的目标值、弃风电量指标实现概率的目标值和发电计划跟踪指标实现概率的目标值；Nt为划分的时段数；Δt为单位时段长度；为t时段未被满足的换电量；Q_ds为虚拟电厂的日未被满足换电量的上限；为t时段的弃风功率，N_τ为日内优化决策的时段数，Δτ为日内优化决策的单位时段长度，为第t个小时内第τ个时段的弃风功率；Q_ws为虚拟电厂的日弃风电量的上限；为t时段的风电场的实际功率；为t时段电动汽车换电站的充放电功率，充电为正，放电为负；为t时段的虚拟电厂的发电计划；δ为功率偏差的相对误差绝对值的允许范围；为分别为第i个运行指标实现的概率偏离其目标值的负偏差和正偏差，均为非负数；Q^t为t时段电动汽车换电站的剩余电量；为t时段的风电场的实际功率；为t时段的实际换电需求；g(·)≤0为约束条件。

协同调度模型的决策变量为次日各时段电动汽车换电站的剩余电量Q^t，随机变量包括各时段风电场的实际功率和实际换电需求

虽然决策变量Q^t本身是确定性的，但是由于约束条件中随机变量和的牵制，导致电动汽车换电站各时段的剩余电量之间也具有了随机相关性。

约束条件包括电动汽车换电站容量约束、电动汽车换电站在决策周期内的电量约束、电动汽车换电站电量爬坡约束和电动汽车零排放约束。

电动汽车换电站容量约束为：

Q^min≤Q^t≤Q_EVB (2)

(2)式中，Q^min为电动汽车换电站的最低剩余电量；Q_EVB为电动汽车换电站电池系统的额定容量。

电动汽车换电站在决策周期末的电量约束为：

(3)式中，Q^end为决策周期末要求的最低剩余电量，为了不影响下一个调度时段，一般要求与初始电量Qⁱⁿⁱ相同。

电动汽车换电站电量爬坡约束为：

(4)式中，η_c、η_d为分别为电动汽车换电站的充电、放电效率；为电动汽车换电站的最大放电功率；为电动汽车换电站的在t时段的最大充电功率。

电动汽车零排放约束为：

(5)式中，为电动汽车换电站的最大充电功率。电动汽车零排放约束表示电动汽车换电站仅利用风电充电，从而保证电动汽车的零排放。

由于协同调度模型中含有随机变量和概率值，用常规的解析方法求解困难，因此通过蒙特卡洛模拟与遗传算法相结合的方式对该模型进行求解。模型的整体优化过程采用遗传算法求解，各运行指标实现的概率基于蒙特卡洛模拟计算得到。

日前协同调度模型的精度与时段划分的数目正相关，但如果将时段划分过细，又会导致决策变量过多，计算量剧增。因此我们采取一种折中的处理手段，将日前协同调度模型的时段按照小时进行划分，即每小时仅一个决策变量。在利用蒙特卡洛模拟求解各指标的概率值时，若每个时段内的风电功率和换电需求仍用一组模拟值代替，则对器随机性的刻画他国粗糙，不利于挖掘电动汽车换电站的备用能力。因此在随机模拟时将时段进一步细化，考虑每个小时内电动汽车换电站应对风电功率和换电需求随机波动的再次优化调整，及小时前的分钟级优化决策过程。将每个小时进一步划分N_τ个时段。

如图2所示，具体的求解过程为：

根据风电功率和换电需求的日前预测值以及预测误差的概率分布，生成m组随机样本：

m从1开始取值，计算每组样本的未被满足换电量、弃风电量和充放电功率；m的取值不断累积并计算，直到达到最大的模拟次数，根据大数定律，计算未被满足换电量指标的概率、弃风电量的概率和充放电功率的概率。

下面通过具体的仿真算例对本发明协调调度模型的预测结果进行验证：

模型中多个风电场可以等值为一座风电场。等职风电场数据选取某风电场数据，装机容量为99MW。电动汽车换电站选取某实际电动汽车换电站的参数，Qⁱⁿⁱ和Q^end均取电动汽车换电站最大存储容量的50％。虚拟电厂的相关参数如表1所示。

表1虚拟电厂的参数列表

如图3、4所示，分别给出了风电功率日前预测值虚拟电厂的发电计划示意图、换电需求的日前预测示意图。风电功率日前预测值和换电需求日前预测值的相对预测误差均服从N(0,0.1²)的正态分布。

允许的最大未被满足换电量Q_ds取日累计换电需求的1‰，即0.1MWh；最大弃风电量Q_ws取风电场日累积发电量的1‰，即1.2MWh。日前协同调度的决策周期为次日24个小时，每小时一个时段。

利用协同调度模型优化得到的三个指标满足的概率分别为97.0％、89.1％、89.0％。如图5所述，各时段出现换电需求未被满足、弃风、虚拟电厂输出功率越限的概率中，出现未满足换电量的概率很低，均不超过1％；在时段11和时段14，弃风的概率超过10％；虚拟电厂输出功率越限的概率相对较高，在时段11、12、14和20均超过15％。

利用实际换电需求和风电功率对图5的结果进行验证。如图6、7所示，换电需求和风电功率的短期预测值分别用实际换电需求(图6所示)和风电场实际功率(图7所示)替代。计算得到的未满足换电量为0MWh。如图8所示，弃风电量为0.86MWh，出现在时段11和14，与图5所示结果一致。

如图9所示，虚拟电厂整体上较好的跟踪了发电计划，但在时段11、14、20和23，跟踪情况较差，出现功率越限。这四个时段风电实际值与日前预测值相差较大，尽管电动汽车换电站已经在允许的范围内进行了充放电调节，但调节能力有限，虚拟电厂出力仍然出资按功率越限的情况。功率越限出现的时段与图5所述的越限概率相对较高的时段一致。

如图10所示，日前协同调度模型可以从全局角度对电动汽车换电站的调节能力进行优化配置，为各时段充放电功率的再调整限定决策范围，避免电动汽车换电站在前几个小时就达到电量上限或下限，后面时段丧失调节能力的情况出现。

以上所述只是本发明的优选实施方式，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也被视为本发明的保护范围。

Claims (9)

1.一种虚拟电厂中风电场和电动汽车换电站的协同调度方法，其特征是，包括以下步骤：

将各时段电动汽车换电站的剩余电量作为决策变量，各时段风电场的实际功率和实际换电需求作为随机变量，构建协同调度模型；

基于各时段电动汽车换电站的换电需求和风电功率的预测值，以虚拟电厂的未被满足换电指标、弃风电量指标和发电计划跟踪指标实现的概率最大化作为协同调度模型的优化目标，计算得到各时段换电站与风电场的协同调度策略。

2.根据权利要求1所述的一种虚拟电厂中风电场和电动汽车换电站的协同调度方法，其特征是，所述协同调度模型为：

式中，lexmin{·}为按照字典序最小化目标向量；P_r{·}为运行指标实现的概率；P_δ分别为未被满足换电指标、弃风电量指标和发电计划跟踪指标实现概率的目标值；Nt为划分的时段数；Δt为单位时段长度；为t时段未被满足的换电量；Q_ds为虚拟电厂的日未被满足换电量的上限；为t时段的弃风功率，N_τ为日内优化决策的时段数，Δτ为日内优化决策的单位时段长度，为第t个小时内第τ个时段的弃风功率；Q_ws为虚拟电厂的日弃风电量的上限；为t时段的风电场的实际功率；为t时段电动汽车换电站的充放电功率，充电为正，放电为负；为t时段的虚拟电厂的发电计划；δ为功率偏差的相对误差绝对值的允许范围；为分别为第i个运行指标实现的概率偏离其目标值的负偏差和正偏差，均为非负数；Q^t为t时段电动汽车换电站的剩余电量；为t时段的实际换电需求；g(·)≤0为约束条件。

3.根据权利要求2所述的一种虚拟电厂中风电场和电动汽车换电站的协同调度方法，其特征是，所述约束条件包括电动汽车换电站容量约束、电动汽车换电站在决策周期内的电量约束、电动汽车换电站电量爬坡约束和电动汽车零排放约束。

4.根据权利要求3所述的一种虚拟电厂中风电场和电动汽车换电站的协同调度方法，其特征是，所述电动汽车换电站容量约束为：

Q^min≤Q^t≤Q_EVB

式中，Q^min为电动汽车换电站的最低剩余电量；Q_EVB为电动汽车换电站电池系统的额定容量。

5.根据权利要求3所述的一种虚拟电厂中风电场和电动汽车换电站的协同调度方法，其特征是，所述电动汽车换电站在决策周期末的电量约束为：

式中，Q^end为决策周期末要求的最低剩余电量。

6.根据权利要求3所述的一种虚拟电厂中风电场和电动汽车换电站的协同调度方法，其特征是，所述电动汽车换电站电量爬坡约束为：

式中，η_c、η_d为分别为电动汽车换电站的充电、放电效率；为电动汽车换电站的最大放电功率；为电动汽车换电站的在t时段的最大充电功率。

7.根据权利要求3所述的一种虚拟电厂中风电场和电动汽车换电站的协同调度方法，其特征是，所述电动汽车零排放约束为：

式中，为电动汽车换电站的最大充电功率。

8.根据权利要求2所述的一种虚拟电厂中风电场和电动汽车换电站的协同调度方法，其特征是，利用蒙特卡洛模拟与遗传算法相结合的方法求解所述协同调度模型。

9.根据权利要求8所述的一种虚拟电厂中风电场和电动汽车换电站的协同调度方法，其特征是，求解所述协同调度模型的具体过程为：

将协同调度模型的时段按照小时进行划分，在求解各指标的概率值时，将每个小时进行进一步划分为N_τ个时段；

根据风电功率、换电需求的预测值和预测误差的概率分布，生成m组换电需求和风电出力的随机样本；

计算每组样本的未被满足换电量、弃风电量和充放电功率；

根据大数定律，在m足够大时，计算各指标满足的概率。