CN109713674A - 计及电动汽车有序充放电的离网型微电网可靠性评估方法 - Google Patents
计及电动汽车有序充放电的离网型微电网可靠性评估方法 Download PDFInfo
- Publication number
- CN109713674A CN109713674A CN201910138156.9A CN201910138156A CN109713674A CN 109713674 A CN109713674 A CN 109713674A CN 201910138156 A CN201910138156 A CN 201910138156A CN 109713674 A CN109713674 A CN 109713674A
- Authority
- CN
- China
- Prior art keywords
- electric car
- load
- state
- charge
- network type
- 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.)
- Withdrawn
Links
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开一种计及电动汽车有序充放电的离网型微电网可靠性评估方法，包括以下步骤：S1、构建含电动汽车有序充放电的离网型微电网；S2、分别检测微电网网中所有元件状态在模拟总时间内的转移情况，得到微电网系统状态转移过程；S3、根据第Day天内微电网系统状态转移情况，对电负荷优化模型进行优化处理并对优化后的电负荷优化模型进行求解，记录第Day天的微电网系统状态转移数据；更新下一天微电网系统的元件状态；S4、判断是否达到模拟总时间；若是，输出可靠性指标；否则返回步骤S3。有益效果：模型通过调用GUROBI进行求解，便于工程人员学习使用，通用性较好，可广泛应用。
Description
技术领域
本发明属于电力系统可靠性评估方法技术领域，具体涉及一种计及电动汽车有序充放电的离网型微电网可靠性评估方法。
背景技术
我国近年来的政策支持使电动汽车飞速发展，大量电动汽车入网对电网运行的影响开始凸显。目前学者的研究重点在于考虑分布式能源和电动汽车的接入对配电网可靠性的影响，对于离网运行微电网的可靠性研究涉及不多。随着接入微电网分布式能源和电动汽车渗透率的提高，有必要对微电网的可靠性进行研究。尤其是当微电网离网运行时，即使所有元件正常运行，由于新能源出力的波动性和电动汽车负荷的不确定性可能导致电源出力不能满足负荷需求，引起削负荷的发生。对于配电网或并网运行的微电网，若没有元件发生故障，不会发生负荷削减，系统可靠运行。但是对于含电动汽车接入的离网型微电网，对其进行可靠性评估时，不仅要考虑系统中元件的状态，还需要考虑新能源出力情况和电动汽车的充电负荷。
对于电动汽车的接入对离网型微电网的可靠性产生的影响，目前还没有文献涉及到这方面的解决方法，故有必要提出一种方案来解决电动汽车的接入所产生的问题。
发明内容
本发明提供了一种计及电动汽车有序充放电的离网型微电网可靠性评估方法，来对电动汽车的接入对离网型微电网的可靠性进行评估，有效减少失负荷量、失负荷次数及失负荷持续时长，显著提高微电网可靠水平。
为达到上述目的，本发明采用的具体技术方案如下：
一种计及电动汽车有序充放电的离网型微电网可靠性评估方法，其特征在于包括以下步骤：
S1、构建含电动汽车有序充放电的离网型微电网系统，并建立该离网型微电网系统中电动汽车有序充放电的电负荷优化模型；并获取离网型微电网系统中所有元件均处于正常状态时，电动汽车有序充放电的电负荷数据、新能源系统出力数据和柴油机组出力数据；
其中，所述离网型微电网系统包括新能源系统、柴油机组、负载和电动汽车，所述新能源系统包括风电机组和光伏机组。其中，负载不包括电动汽车
电动汽车参与电网调度，可视为分布式储能单元，利用其V2G特性，能平抑新能源出力的波动性，并提高新能源利用率。首先建立电动汽车有序充放电模型，基于净负荷曲线确定电动汽车充电电价的峰谷时段，然后提出基于优化运行的离网型微电网系统中电动汽车有序充放电负荷模型，并在算例中分别分析了风电机组和光伏机组接入比例及配比、电动汽车渗透率、备用行驶荷电状态量等因素对电动汽车负荷优化结果的影响。
其中，离网型微电网系统组成单元模型为：风电机组发电模型、光电机组发电模型、柴油机组发电模型、电动汽车有序充放电模型。
S2、通过蒙特卡洛法分别检测离网型微电网系统中所有元件状态在模拟总时间内的状态转移情况，得到离网型微电网系统的状态转移过程；
S3、根据第Day天内离网型微电网系统中的系统状态转移过程，对该离网型微电网系统中的电动汽车有序充放电的电负荷优化模型进行求解；
根据求解得到的电动汽车有序充放电的电负荷优化模型，对离网型微电网系统的可靠性进行评估；
并记录第Day天的离网型微电网系统中的系统状态转移过程；更新第Day+1天离网型微电网系统中所有元件状态；
S4、判断是否达到模拟总时间；若是，输出离网型微电网系统的可靠性指标；否则返回步骤S3。
通过上述设计，建立电负荷优化模型，把参与调度的电动汽车看成分布式储能单元，在不妨碍电动汽车用户正常使用的情况下，合理调度每个时刻每辆参与调度的电动汽车进行充放电，达到运行费用最小的目标，主要考虑微网系统和电动汽车用户付出的费用。
其中，在微电网离网运行时，不需要考虑和外部电网的进行能量交换，负荷需求完全由系统内部分布式电源和储能装置满足。
再进一步描述，在步骤S1中离网型微电网系统中电动汽车有序充放电的电负荷优化模型的目标函数为：
所述电负荷优化模型目标函数为：
其中，E是离网型微电网系统一天的运行总费用；
T是一天内总时间段数；
ND是柴油机组中柴油机台数；
EF(i，t)是第i台柴油机在第t个时段的燃耗成本；
ES(i，t)是第i台柴油机在第t个时段的开机费用；
Ewg(t)是第t个时段的弃风惩罚费用
Epv(t)是第t个时段的弃光惩罚费用；
Eload(t)是第t个时段的削负荷费用；
N是电动汽车总台数；
EEVch(k，t)是第t个时段第k辆电动汽车充电费用；
EEVdch(k，t)是第t个时段第k辆电动汽车和放电补贴；
第i台柴油机在第t个时段的燃耗成本EF(i，t)的计算公式为：
EF(i，t)＝f(aPDE_r+bPDE)
其中，PDE_r是柴油机额定功率，PDE是柴油机实际出力，f是柴油价格；
a、b是燃耗成本曲线的截距系数；
ES(i,t)＝ST(i)×uDE(i,t)×(1-uDE(i,t-1))
Ewg(t)＝cwg×ΔPwg(t)×ΔT
Epv(t)＝cpv×ΔPpv(t)×ΔT
Eload(t)＝cload×ΔPlaod(t)×ΔT
EEVch(k,t)＝cch(t)×Pch(k,t)×ΔT
Pdch(k,t)＝Xstate(k,t)×PEVr,Xstate(k,t)＜0
其中uDE(i，t)是第i台柴油机在第t个时段启停状态；
ST(i)是柴油机机组启动费用；cwg是弃风的惩罚系数；单位元/kWh；
cpv分别是弃光的惩罚系数；元/kWh；cload是削负荷的惩罚系数；元/kWh；
cch(t)是第t时段电动汽车的充电电价的补贴电价；
cdch(t)是第t时段电动汽车的放电电价的补贴电价；
ΔPwg(t)是第t时段的弃风功率；
ΔPpv(t)是第t时段的弃光功率；
ΔPload(t)是第t时段的削负荷电量；
Pch(k，t)是第k辆电动汽车在第t个时段的充电功率；
Pdch(k，t)是第k辆电动汽车在第t个时段的放电功率；
ΔT是时间步长。
再进一步描述，所述电负荷优化模型目标函数的约束条件包括：
(1)功率平衡约束条件：
(2)柴油机最大最小出力约束条件：PDEmin,i×uDE(i,t)≤PDE,i(t)≤PDEmax,i×uDE(i,t)其中uDE(i，t)表示第i台柴油机在第t个时段的启动1/停机0状态；
(3)弃风弃光约束条件：0≤ΔPwg(t)≤Pwg(t)；0≤ΔPpv(t)≤Ppv(t)
(4)削负荷约束条件：0≤ΔPlaod(t)≤Pload(t)
(5)电动汽车可调度时段约束条件：
电动汽车参与调度的前提是满足作为交通工具的出行需求，在处于行驶状态的时段是不能进行充放电行为的，只有在停车时段才能参与V2G调度，即：
式中，Xstate(k，t)是第k辆电动汽车在第t个时段的充放电状态变量；
Xstate(k，t)＝-1表示第k辆电动汽车在第t个时段放电；
Xstate(k，t)＝1表示第k辆电动汽车在第t时段内充电；
Xstate(k，t)＝0表示第k辆电动汽车不充不放；
R是代表电动汽车行车状态的矩阵；
R＝0表示电动汽车在行驶过程中；
R＝1表示电动汽车处于居住区停车时段；
R＝2表示电动汽车处于工作单位停车时段；
R＝3表示用户在中午休息时间采用电动汽车出行的时段；
(6)电动汽车荷电状态约束条件：
t时刻荷电状态的表达式为：
其中soc(k，t)是电动汽车t时刻的荷电状态，与前一时刻荷电状态及该时段内的充放电情况有关；
PEV(k，t)是第k辆电动汽车在第t个时段的充电或者放电功率；soc(k，t)满足公式：
Xstate(k,t)×PEVmin≤PEV(k,t)≤Xstate(k,t)×PEVr
SOCmin(k,t)≤soc(k,t)≤SOCmax(k,t)
式中，SOCmin(k，t)是第k辆电动汽车在t时刻的荷电状态下限；
(7)电动汽车充放电功率约束条件，约束同一辆电动汽车在第t个时段内不能同时进行充电行为和放电行为：Pch(k,t)×Pdch(k,t)＝0；Pch(k,t)+Pdch(k,t)＝PEV(k,t)。
其中，PEV(k，t)是充放电功率矩阵；
Pch(k，t)是电动汽车每个时段的充电功率；Pdch(k，t)是电动汽车每个时段的放电功率，满足最大最小充、放电功率约束：
(8)为了保证电动汽车第二天的正常行驶，一天结束时的荷电状态须等于当天0时刻的荷电状态，同时为了保持电动汽车荷电状态在模拟时段内的连续性，第Day天0时刻电动汽车的荷电状态与第Day-1天结束时刻(T＝24)的荷电状态相等；soc(k,0,Day)＝soc(k,T,Day)；soc(k,0,Day)＝soc(k,T,Day-1)；
(9)柴油机初始时刻启停状态约束条件；uDE(i,0-,Day)＝uDE(i,T,Day-1)
其中uDE(i，t)表示第i台柴油机在第t个时段的启动1/停机0状态；同时要保证第Day天柴油机初始时刻前的启停状态uDE(i，0-，Day)与第Day-1天最后一个时段的状态一致。
再进一步描述，步骤S2的具体步骤为：S21、对离网型微电网系统的所有元件进行编号；Y为小于等于y的正整数，令Y＝1；
S22、初始化选择元件的元件状态和仿真数据；元件状态包括：正常状态、故障状态；初始化时，设离网型微电网系统中的所有元件均处于正常状态；
仿真数据包括：初始时刻t、初始系统模拟天数Day、模拟时间步长ΔT、模拟总时间MCday、失负荷时间LLD、失负荷次数LLO、失负荷量ENS；
初始化时，令初始时刻t、初始系统模拟天数Day、失负荷时间LLD、失负荷次数LLO、失负荷量ENS均为0；模拟时间步长ΔT、模拟总天数MCday自定义设置；
S23、确定选择元件状态转移过程；
通过抽样确定该选择元件在当前状态的持续时间，并且满足模拟时间大于等于模拟总时间；根据当前状态，得到对应的状态持续时间概率分布；输出该选择元件的时序状态转移情况；
S24、判断微电网中的所有元件状态是否完全检测完毕：即判断Y是否等于y；若是进入步骤S25；否则返回令Y＝Y+1，返回步骤S22；
S25、组合所有元件的时序状态转移情况，确定在第Day天内微电网系统状态转移情况。
再进一步的，若电动汽车时序负荷优化模型中假设风、光、柴机组故障转移已知，考虑机组故障转移直接对一天内所有时段进行优化。通过时序蒙特卡洛模拟法将电动汽车有序充放电和风光协调优化模型与可靠性评估结合起来。
若离网型微电网系统中的系统状态转移过程中，新能源系统、柴油机组的系统状态转移已知，直接考虑新能源系统、柴油机组对一天内所有时段进行优化；
其中，根据第Day天内离网型微电网系统中的系统状态转移过程，对该离网型微电网系统中的电动汽车有序充放电的电负荷优化模型进行求解的具体内容为：
S311、初始化优化周期和时间步长，并读取离网型微电网系统中的各机组参数、负荷数据、电动汽车基本数据，包括日前风光出力预测值、负荷预测值、柴油机参数、电动汽车规模N、行驶速度v、用户响应有序充电的比例λ、备用荷电状态SOCr以及峰谷电价cp、cv和放电补贴电价cdch；
设当天离网型微电网系统模拟天数为第Day天；总模拟天数为MCday天；
设第Day天电动汽车有序充放电的电负荷优化模型中的柴油机初始时刻前处于开机状态；
S312、对电动汽车的出行时刻信息采用蒙特卡洛法模拟抽样；根据已知的概率分布，利用蒙特卡洛法模拟得到：
数量为N的电动汽车日行驶里程d、第一次出行时刻e、到达工作地点的时刻twk；并对数量为N的电动汽车进行分类，得到每个电动汽车的停车时长tpark，每个电动汽车离开工作地点的时刻tlvwk、每个电动汽车到达居住区的时刻thome；
其中，电动汽车到达工作单位的时刻twk计算公式为：
离开工作单位的时刻tlvwk计算公式为：tlvwk＝twk+tpark；
回到居住地的时刻thome的计算公式为：
S313、修正电动汽车的时刻数据；
若到达或离开工作单位的时刻twk、tlvwk或者回到家的时刻thome存在大于优化周期，用t＝t-优化周期对其进行修正；使得电动汽车所有的时刻点都满足0≤t＜优化周期；
S314、确定电动汽车可调度时段和荷电状态上下限；根据不同时段电动汽车比例λ，得到参与有序充电的电动汽车数量Np＝λ×N；
由步骤S313得到居住区停车时段和非居住区停车时段，从而得到Np辆电动汽车的行车状态矩阵R；同时确定各时段的荷电状态上下限；
S315、更新离网型微电网系统中负荷预测曲线；
对于剩余不可调度的(1-Np)辆电动汽车，采用无序充电方式，起始充电时刻就是回到居住地的时刻thome，充电负荷通过蒙特卡罗法模拟得到，并将其并入微电网基本负荷，得到新的微电网负荷预测曲线；
S316、确定电价信息；根据风光预测出力Pwg、Ppv和含有电动汽车无序充电负荷的微电网负荷预测值Pnew_loac，得到净负荷Pnet＝Pnew_load-Pwg-Ppv，并制定峰谷电价固定、峰谷时段变化的动态充电电价，具体表示如下：
其中，cp是高峰时段电价；cv是低谷时段电价；Pa是常数，用于判断峰谷时刻的功率分界值；
S317、在MATLAB中通过工具箱Yalmip调用GUROBI优化软件求解电动汽车有序充放电的电负荷优化模型，得到优化后的电动汽车充放电的电负荷数据、新能源系统出力数据和柴油机组出力数据。
再进一步的，在步骤S3中，记录第Day天的离网型微电网系统中的系统状态转移过程并更新第Day+1天离网型微电网系统中所有元件状态时，从第Day天优化结果中，获得柴油机组最后时段启停状态和电动汽车最后时刻的荷电状态；
基于优化问题的时序特性，第Day+1天柴油机0时刻之前的机组启停状态uDE(i，0-，Day+1)，可以从第Day天优化模型的求解结果中获得，公式如下：
uDE(i,0-,Day)＝uDE(i,T,Day-1)
同理，电动汽车每天初始时刻的荷电状态soc(k，0，Day+1)从第Day天优化模型的结果中得到，公式如下：soc(k,0,Day)＝soc(k,T,Day-1)。
再进一步的，在步骤S3中，根据求解得到的电动汽车有序充放电的电负荷优化模型，对离网型微电网系统的可靠性进行评估的具体内容为：
步骤1：初始化仿真数据；假设所有元件初始时刻均是正常状态；
设定初始时刻t、离网型微电网系统模拟天数Day、模拟时间步长ΔT，优化周期、初始化失负荷时间LLD、失负荷次数LLO、失负荷量ENS、总模拟天数MCday的值；且共MCtime＝MCday×T分钟
步骤2：确定离网型微电网系统所有元件状态转移过程；
通过抽样确定离网型微电网系统中各机组在当前状态的持续时间，根据当前状态，选择对应的状态持续时间概率分布；
若元件当前状态为正常工作状态，设抽取元件的正常工作时间TTTF，i，则累加模拟时长Di＝Di+TTTF，i；
若元件当前状态为故障状态，抽取故障状态持续时间，即故障元件的修复时间TTTR，i,累加模拟时长Di＝Di+TTTR，i；
步骤3：确定系统状态转移过程；
重复步骤2，记录所有元件每种状态的持续时间，直到达到设定的模拟时间D≥MCtime，获得各元件在给定时段内的时序状态转移情况；
组合所有元件的时序状态转移情况，可以确定微电网在给定时段的状态转移；
步骤4：确定第Day天每个时段考虑机组故障后电源的出力情况和负荷需求；
根据离网型微电网系统中的所有元件的状态转移过程，修正离网型微电网系统中各个机组出力情况，若机组发生故障，出力为零；
利用电动汽车有序充放电的电负荷优化模型可以得到，第Day天参与V2G的电动汽车充放电负荷PEV、风力实际出力Pwg_real、光伏实际出力Ppv_real以及柴油机总出力PDE；
比较第t个时段负荷需求和电源总出力，若出力不能满足负荷需求，需要削负荷，削负荷量为ENS＝ENS+(Pnew_load(t)-Power(t))，记录失负荷时间LLD＝LLD+1，判断前一时刻系统是否处于失负荷状态，若是，失负荷次数不变；若否，失负荷次数LLO＝LLO+1。出力大于负荷需求，不需要削负荷；
若微电网系统状态未发生状态转移且所有元件均处于正常运行状态，其优化结果不变；
若微电网系统状态未发生状态转移，且至少有一个元件处于故障状态，修正风光预测出力和峰谷电价时段后，以各个时段每辆电动汽车的充放电功率作为优化变量对电负荷优化模型进行优化求解。
在离网型微电网系统运行时，不需要考虑和外部电网的进行能量交换，负荷需求完全由系统内部分布式电源和储能装置满足。
建立电负荷优化模型，把参与调度的电动汽车看成分布式储能单元，在不妨碍电动汽车用户正常使用的情况下，合理调度每个时刻每辆参与调度的电动汽车进行充放电，达到运行费用最小的目标，主要考虑离网型微电网系统和电动汽车用户付出的费用。
所述可靠性指标包括电力不足概率LOLP、电力不足频率LOLF、期望缺电时间LOLE、期望缺供电力EDNS和期望缺供电量EENS：
(1)电力不足概率LOLP；LOLP为Loss of Load Probability的缩写；
在给定时间内，离网型微电网系统不能满足负荷需求的概率：
其中，S表示在给定时间跨度内，离网型微电网系统发电总量小于负荷需求的系统状态集合，Pi表示每个失负荷状态发生的概率；
(2)电力不足频率LOLF；LOLF为Loss of Load Frequency的缩写；
在给定时间跨度内，离网型微电网系统不能满足负荷需求的次数，计算公式为：
其中Fi表示离网型微电网系统处于状态i的频率；
(3)缺电时间期望LOLE；LOLE为Loss of Load Expectation的缩写
在给定时间跨度内，离网型微电网系统发电量不能满足负荷需求的缺电时间期望值：单位为小时/天。
其中Di表示每个失负荷状态i持续的小时数；
(4)期望缺供电量EENS；EENS为Expected electric not supplied的缩写；
在给定时间内，离网型微电网系统发电量不能满足负荷需求的缺电量期望值，即平均每天不能满足负荷需求的累计小时数，单位为kWh/天。
其中ΔPload，i表示失负荷状态i的失负荷量。
采用本发明技术，具有如下有益效果：把电动汽车负荷建模从复杂的非线性混合整数规划问题简化为线性混合整数规划问题，以微电网运行费用最小为目标，同时考虑新能源出力对电动汽车负荷的影响。模型通过调用GUROBI进行求解，便于工程人员学习使用，通用性较好，可广泛应用。
附图说明
图1为电动汽车有序充放电的电负荷模型下的可靠性评估流程图；
图2为本发明的基于优化运行的电动汽车有序充放电负荷模型求解流程图；
图3为离网型微网系统简化图。
具体实施方式
下面结合附图对本发明的具体实施方式以及工作原理作进一步详细说明。
一种计及电动汽车有序充放电的离网型微电网可靠性评估方法，结合图1可以看出，包括以下步骤：
S1、构建含电动汽车有序充放电的离网型微电网系统，结合图3可以看出，，并建立该离网型微电网系统中电动汽车有序充放电的电负荷优化模型；
并获取离网型微电网系统中所有元件均处于正常状态时，电动汽车有序充放电的电负荷数据、新能源系统出力数据和柴油机组出力数据；
所述电负荷优化模型目标函数为：
其中，E是离网型微电网系统一天的运行总费用；
T是一天内总时间段数；
ND是柴油机组中柴油机台数；
EF(i，t)是第i台柴油机在第t个时段的燃耗成本；
ES(i，t)是第i台柴油机在第t个时段的开机费用；
Ewg(t)是第t个时段的弃风惩罚费用
Epv(t)是第t个时段的弃光惩罚费用；
Eload(t)是第t个时段的削负荷费用；
N是电动汽车总台数；
EEVch(k，t)是第t个时段第k辆电动汽车充电费用；
EEVdch(k，t)是第t个时段第k辆电动汽车和放电补贴；
第i台柴油机在第t个时段的燃耗成本EF(i，t)的计算公式为：
EF(i，t)＝f(aPDE_r+bPDE)
其中，PDE_r是柴油机额定功率，PDE是柴油机实际出力，f是柴油价格；
a、b是燃耗成本曲线的截距系数；ES(i,t)＝ST(i)×uDE(i,t)×(1-uDE(i,t-1))
Ewg(t)＝cwg×ΔPwg(t)×ΔT
Epv(t)＝cpv×ΔPpv(t)×ΔT
Eload(t)＝cload×ΔPlaod(t)×ΔT
EEVch(k,t)＝cch(t)×Pch(k,t)×ΔT
Pdch(k,t)＝Xstate(k,t)×PEVr,Xstate(k,t)＜0
其中uDE(i，t)是第i台柴油机在第t个时段启停状态；
ST(i)是柴油机机组启动费用；cwg是弃风的惩罚系数；单位为元/kWh；
cpv分别是弃光的惩罚系数；单位为元/kWh；cload是削负荷的惩罚系数；单位为元/kWh；cch(t)是第t时段电动汽车的充电电价的补贴电价；cdch(t)是第t时段电动汽车的放电电价的补贴电价；
ΔPwg(t)是第t时段的弃风功率；ΔPpv(t)是第t时段的弃光功率；
ΔPload(t)是第t时段的削负荷电量；Pch(k，t)是第k辆电动汽车在第t个时段的充电功率；Pdch(k，t)是第k辆电动汽车在第t个时段的放电功率；
ΔT是时间步长。
在本实施例中，所述电负荷优化模型目标函数的约束条件包括：(1)功率平衡约束条件：
(2)柴油机最大最小出力约束条件：PDEmin,i×uDE(i,t)≤PDE,i(t)≤PDEmax,i×uDE(i,t)
其中uDE(i，t)表示第i台柴油机在第t个时段的启动1/停机0状态；
(3)弃风弃光约束条件：
0≤ΔPwg(t)≤Pwg(t)
0≤ΔPpv(t)≤Ppv(t)
(4)削负荷约束条件：0≤ΔPlaod(t)≤Pload(t)
(5)电动汽车可调度时段约束条件：
电动汽车参与调度的前提是满足作为交通工具的出行需求，在处于行驶状态的时段是不能进行充放电行为的，只有在停车时段才能参与V2G调度，即：
式中，Xstate(k，t)是第k辆电动汽车在第t个时段的充放电状态变量；
Xstate(k，t)＝-1表示第k辆电动汽车在第t个时段放电；
Xstate(k，t)＝1表示第k辆电动汽车在第t时段内充电；
Xstate(k，t)＝0表示第k辆电动汽车不充不放；
R是代表电动汽车行车状态的矩阵；
R＝0表示电动汽车在行驶过程中；
R＝1表示电动汽车处于居住区停车时段；
R＝2表示电动汽车处于工作单位停车时段；
R＝3表示用户在中午休息时间采用电动汽车出行的时段；
(6)电动汽车荷电状态约束条件：t时刻荷电状态的表达式为：
其中soc(k，t)是电动汽车t时刻的荷电状态，与前一时刻荷电状态及该时段内的充放电情况有关；
PEV(k，t)是第k辆电动汽车在第t个时段的充电或者放电功率；soc(k，t)满足公式：
Xstate(k,t)×PEVmin≤PEV(k,t)≤Xstate(k,t)×PEVr
SOCmin(k,t)≤soc(k,t)≤SOCmax(k,t)
式中，SOCmin(k，t)是第k辆电动汽车在t时刻的荷电状态下限；
(7)电动汽车充放电功率约束条件，约束同一辆电动汽车在第t个时段内不能同时进行充电行为和放电行为：Pch(k,t)×Pdch(k,t)＝0Pch(k,t)+Pdch(k,t)＝PEV(k,t)
其中，PEV(k，t)是充放电功率矩阵；
Pch(k，t)是电动汽车每个时段的充电功率；Pdch(k，t)是电动汽车每个时段的放电功率，满足最大最小充、放电功率约束：
(8)为了保证电动汽车第二天的正常行驶，一天结束时的荷电状态须等于当天0时刻的荷电状态，同时为了保持电动汽车荷电状态在模拟时段内的连续性，第Day天0时刻电动汽车的荷电状态与第Day-1天结束时刻(T＝24)的荷电状态相等；soc(k,0,Day)＝soc(k,T,Day)；
soc(k,0,Day)＝soc(k,T,Day-1)；
(9)柴油机初始时刻启停状态约束条件；uDE(i,0-,Day)＝uDE(i,T,Day-1)
其中uDE(i，t)表示第i台柴油机在第t个时段的启动1/停机0状态；同时要保证第Day天柴油机初始时刻前的启停状态uDE(i，0-，Day)与第Day-1天最后一个时段的状态一致。
S2、通过蒙特卡洛法分别检测离网型微电网系统中所有元件状态在模拟总时间内的状态转移情况，得到离网型微电网系统的状态转移过程；
步骤S2的具体步骤为：
S21、对离网型微电网系统的所有元件进行编号；Y为小于等于y的正整数，令Y＝1；Y＝1,2,3…y；
S22、初始化选择元件的元件状态和仿真数据；元件状态包括：正常状态、故障状态；初始化时，设离网型微电网系统中的所有元件均处于正常状态；
仿真数据包括：初始时刻t、初始系统模拟天数Day、模拟时间步长ΔT、模拟总时间MCday、失负荷时间LLD、失负荷次数LLO、失负荷量ENS；
初始化时，令初始时刻t、初始系统模拟天数Day、失负荷时间LLD、失负荷次数LLO、失负荷量ENS均为0；模拟时间步长ΔT、模拟总天数MCday自定义设置；
S23、确定选择元件状态转移过程；
通过抽样确定该选择元件在当前状态的持续时间，并且满足模拟时间大于等于模拟总时间；根据当前状态，得到对应的状态持续时间概率分布；输出该选择元件的时序状态转移情况；
S24、判断微电网中的所有元件状态是否完全检测完毕：即判断Y是否等于y；若是进入步骤S25；否则返回令Y＝Y+1，返回步骤S22；
S25、组合所有元件的时序状态转移情况，确定在第Day天内微电网系统状态转移情况。
S3、根据第Day天内离网型微电网系统中的系统状态转移过程，对该离网型微电网系统中的电动汽车有序充放电的电负荷优化模型进行求解；
其中，若离网型微电网系统中的系统状态转移过程中，新能源系统、柴油机组的系统状态转移已知，直接考虑新能源系统、柴油机组对一天内所有时段进行优化；其中，结合图2可以看出，根据第Day天内离网型微电网系统中的系统状态转移过程，对该离网型微电网系统中的电动汽车有序充放电的电负荷优化模型进行求解的具体内容为：
S311、初始化优化周期和时间步长，并读取离网型微电网系统中的各机组参数、负荷数据、电动汽车基本数据，包括日前风光出力预测值、负荷预测值、柴油机参数、电动汽车规模N、行驶速度v、用户响应有序充电的比例λ、备用荷电状态SOCr以及峰谷电价cp、cv和放电补贴电价cdch；
在本实施例中，设周期为24h，时间步长为1h，系统模拟天数Day＝1，总模拟天数为MCday天，并读取输入参数。假设第一天优化模型中柴油机初始时刻前处于开机状态，即uDE(i，0-，1)＝1。
设当天离网型微电网系统模拟天数为第Day天；总模拟天数为MCday天；
设第Day天电动汽车有序充放电的电负荷优化模型中的柴油机初始时刻前处于开机状态；
S312、对电动汽车的出行时刻信息采用蒙特卡洛法模拟抽样；根据已知的概率分布，利用蒙特卡洛法模拟得到：
数量为N的电动汽车日行驶里程d、第一次出行时刻e、到达工作地点的时刻twk；并对数量为N的电动汽车进行分类，得到每个电动汽车的停车时长tpark，每个电动汽车离开工作地点的时刻tlvwk、每个电动汽车到达居住区的时刻thome；
其中，电动汽车到达工作单位的时刻twk计算公式为：
离开工作单位的时刻tlvwk计算公式为：tlvwk＝twk+tpark；
回到居住地的时刻thome的计算公式为：
S313、修正电动汽车的时刻数据；
若到达或离开工作单位的时刻twk、tlvwk或者回到家的时刻thome存在大于优化周期，用t＝t-优化周期对其进行修正；使得电动汽车所有的时刻点都满足0≤t<优化周期；在本实施例中，由于优化周期是24h，若到达或离开工作单位的时刻twk、tlvwk或者回到家的时刻thome存在大于24h的情况，用t＝t-24对其进行修正，使得电动汽车所有的时刻点都满足0≤t＜24；可以这样修正的原因是基于假设电动汽车每天的行驶规律一致，认为这部分时刻被修正的车辆是前一天出发，当天到达工作单位或者回到居住地，认为电动汽车的行驶过程是可以跨天的。
S314、确定电动汽车可调度时段和荷电状态上下限；
根据不同时段电动汽车比例λ，得到参与有序充电的电动汽车数量Np＝λ×N；由步骤S313得到居住区停车时段和非居住区停车时段，从而得到Np辆电动汽车的行车状态矩阵R；同时确定各时段的荷电状态上下限；
S315、更新离网型微电网系统中负荷预测曲线；
对于剩余不可调度的(1-Np)辆电动汽车，采用无序充电方式，起始充电时刻就是回到居住地的时刻thome，充电负荷通过蒙特卡罗法模拟得到，并将其并入微电网基本负荷，得到新的微电网负荷预测曲线；
S316、确定电价信息；
根据风光预测出力Pwg、Ppv和含有电动汽车无序充电负荷的微电网负荷预测值Pnew_load，得到净负荷Pnet＝Pnew_load-Pwg-Ppv。再根据净负荷确定第Day天峰谷电价时段信息。根据可靠性评估模块中时序蒙特卡洛法可以得到第Day天系统状态转移过程，对风光出力Pwg、Ppv进行修正，当机组发生故障时，对应机组在该时段出力为零；若处于正常运行状态，预测出力值不变。得到新的净负荷曲线，并制定峰谷电价固定、峰谷时段变化的动态充电电价，具体表示如下：
其中，cp是高峰时段电价；cv是低谷时段电价；Pa是常数，用于判断峰谷时刻的功率分界值；
S317、在MATLAB中通过工具箱Yalmip调用GUROBI优化软件求解电动汽车有序充放电的电负荷优化模型，得到优化后的电动汽车充放电的电负荷数据、新能源系统出力数据和柴油机组出力数据。
再进一步的描述，从第Day天优化结果中，获得柴油机组最后时段启停状态和电动汽车最后时刻的荷电状态；需要确定每天初始时刻之前的柴油机启停状态，才能得到初始时段的开机费用。基于优化问题的时序特性，第Day+1天柴油机0时刻之前的机组启停状态uDE(i，0-，Day+1)，可以从第Day天优化模型的求解结果中获得，公式为：uDE(i,0-,Day)＝uDE(i,T,Day-1)。
同理，电动汽车每天初始时刻的荷电状态soc(k，0，Day+1)从第Day天优化模型的结果中得到，公式为：soc(k,0,Day)＝soc(k,T,Day-1)。
在步骤S3中，根据求解得到的电动汽车有序充放电的电负荷优化模型，对离网型微电网系统的可靠性进行评估的具体内容为：
步骤1：初始化仿真数据；假设所有元件初始时刻均是正常状态；
设定初始时刻t、离网型微电网系统模拟天数Day、模拟时间步长ΔT，优化周期、初始化失负荷时间LLD、失负荷次数LLO、失负荷量ENS、总模拟天数MCday的值；且共MCtime＝MCday×T分钟
在本实施例中，初始时刻t＝0和系统模拟天数Day＝1，模拟时间步长ΔT＝1，一天24个时段，T＝24。初始化失负荷时间LLD＝0、失负荷次数LLO＝0、失负荷量ENS＝0。总模拟天数为MCday天，共MCtime＝MCday×T分钟。
步骤2：确定离网型微电网系统所有元件状态转移过程；
通过抽样确定离网型微电网系统中各机组在当前状态的持续时间，根据当前状态，选择对应的状态持续时间概率分布；
若元件当前状态为正常工作状态，设抽取元件的正常工作时间TTTF，i，则累加模拟时长Di＝Di+TTTR，i；
若元件当前状态为故障状态，抽取故障状态持续时间，即故障元件的修复时间TTTR，i,累加模拟时长Di＝Di+TTTR，i；
步骤3：确定系统状态转移过程；
重复步骤2，记录所有元件每种状态的持续时间，直到达到设定的模拟时间D≥MCtime，获得各元件在给定时段内的时序状态转移情况；
组合所有元件的时序状态转移情况，可以确定微电网在给定时段的状态转移；
步骤4：确定第Day天每个时段考虑机组故障后电源的出力情况和负荷需求；
根据离网型微电网系统中的所有元件的状态转移过程，修正离网型微电网系统中各个机组出力情况，若机组发生故障，出力为零；
利用电动汽车有序充放电的电负荷优化模型可以得到，第Day天参与V2G的电动汽车充放电负荷PEV、风力实际出力Pwg_real、光伏实际出力Ppv_real以及柴油机总出力PDE；
比较第t个时段负荷需求和电源总出力，若出力不能满足负荷需求，需要削负荷，削负荷量为ENS＝ENS+(Pnew_load(t)-Power(t))，记录失负荷时间LLD＝LLD+1，判断前一时刻系统是否处于失负荷状态，若是，失负荷次数不变；若否，失负荷次数LLO＝LLO+1。出力大于负荷需求，不需要削负荷；
若离网型微电网系统状态未发生状态转移且所有元件均处于正常运行状态，其优化结果不变；
若离网型微电网系统状态未发生状态转移，且至少有一个元件处于故障状态，修正风光预测出力和峰谷电价时段后，以各个时段每辆电动汽车的充放电功率作为优化变量对电负荷优化模型进行优化求解。
在微电网离网运行时，不需要考虑和外部电网的进行能量交换，负荷需求完全由系统内部分布式电源和储能装置满足。
建立电负荷优化模型，把参与调度的电动汽车看成分布式储能单元，在不妨碍电动汽车用户正常使用的情况下，合理调度每个时刻每辆参与调度的电动汽车进行充放电，达到运行费用最小的目标，主要考虑微网系统和电动汽车用户付出的费用。
在本实施例中，离网型微网系统含6台柴油发电机、1台风机、1台光伏发电系统，柴油发电机各项参数如表1所示。微网某调度日24小时的基本负荷数据如表2所示。微电网的峰值负荷为300kW，风电装机容量为150kW，选用切入风速为3m/s、额定风速为12m/s、切出风速为25m/s，光伏装机容量为100kW。弃风惩罚费用为12元/kWh，弃光惩罚费用为20元/kWh，削负荷惩罚费用为50元/kWh。各电源的装机容量和设备可靠性参数如表3所示，忽略元件故障率在短期内的变化
调度时段ΔT＝1h，充、放电额定功率分别为Pchr＝3.3kW、Pdchr＝3.3kW，取充、放电功率下限Pch_mir＝2kW、Pdch_min＝2kW。取峰谷电价cp＝1.108元/kWh，cv＝0.596元/kWh。放电补贴电价cdch＝1.3元/kWh，选择略高于充电峰值电价的补贴，以激励用户积极参与有序充放电。取电动汽车响应调度的比例λ＝30％。
为简单起见，模型求解中不考虑分布式能源出力的预测误差。
表1柴油机参数
表2离网型微网的负荷数据
| 时段 | 负荷/kW | 时段 | 负荷/kW | 时段 | 负荷/kW | 时段 | 负荷/kW |
| 1 | 220.04 | 7 | 222.24 | 13 | 268.45 | 19 | 300.00 |
| 2 | 205.37 | 8 | 256.70 | 14 | 263.30 | 20 | 300.00 |
| 3 | 199.49 | 9 | 277.25 | 15 | 261.10 | 21 | 293.40 |
| 4 | 197.29 | 10 | 277.97 | 16 | 257.46 | 22 | 283.85 |
| 5 | 198.05 | 11 | 275.77 | 17 | 258.90 | 23 | 266.98 |
| 6 | 203.17 | 12 | 272.85 | 18 | 275.05 | 24 | 240.59 |
表3电源装机容量和设备可靠性参数
| 设备 | 装机容量/kW | 数量/台 | 故障率(次/年) | 平均修复时间(h) |
| 柴油发电机 | 270 | 6 | 9.2 | 50 |
| 风机 | 100 | 1 | 4.6 | 80 |
| 光伏发电系统 | 150 | 1 | 4.6 | 80 |
设计如下三个方案：方案一，不考虑电动汽车接入；方案二，接入微电网的电动汽车全部采用无序充电方式；方案三接入微电网的电动汽车部分采用有序充放电方式。三种方案中系统状态转移过程完全相同，可靠性指标计算结果如表4所示，结果保留小数点后两位有效数字。
表4三种方案下离网型微电网可靠性指标的计算结果
对比以上三种方案进行分析，相比方案一即不考虑电动汽车接入，方案二中微网的可靠性水平明显降低，这是由于接入微网的电动汽车全部采用无序充电方式，电动汽车选择充电的时间段与本地负荷高峰时段重叠的概率较大，会造成负荷峰上加峰，如果该时段发生机组故障，容易不满足负荷需求造成削负荷。相比方案二，方案三中微网系统的四个可靠性指标LOLP、LOLE、LOLF和EENS都减小了10倍左右，这是由于接入微网的电动汽车响应充放电调度，在净负荷低谷时段充电，在净负荷高峰时段放电，可以有效降低负荷峰值，当机组发生故障时，电动汽车充当分布式储能向电网放电，减少削负荷量，有效提高系统可靠性。可以看到，相比不考虑电动汽车接入的情况，电动汽车采用有序充放电负荷模型时，可靠性水平也有所提高。
以上对本发明实施例的原理以及实施方式进行了详细介绍，本文中应用了具体个例对本发明实施例的原理以及实施方式进行了阐述，以上实施例的说明只适用于帮助理解本发明实施例的原理；同时，对于本领域的一般技术人员，依据本发明实施例，在具体实施方式以及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (9)
1.一种计及电动汽车有序充放电的离网型微电网可靠性评估方法，其特征在于包括以下步骤：
S1、构建含电动汽车有序充放电的离网型微电网系统，并建立该离网型微电网系统中电动汽车有序充放电的电负荷优化模型；
并获取离网型微电网系统中所有元件均处于正常状态时，电动汽车有序充放电的电负荷数据、新能源系统出力数据和柴油机组出力数据；
S2、通过蒙特卡洛法分别检测离网型微电网系统中所有元件状态在模拟总时间内的状态转移情况，得到离网型微电网系统的状态转移过程；
S3、根据第Day天内离网型微电网系统中的系统状态转移过程，对该离网型微电网系统中的电动汽车有序充放电的电负荷优化模型进行求解；
根据求解得到的电动汽车有序充放电的电负荷优化模型，对离网型微电网系统的可靠性进行评估；
并记录第Day天的离网型微电网系统中的系统状态转移过程；更新第Day+1天离网型微电网系统中所有元件状态；
S4、判断是否达到模拟总时间；若是，输出离网型微电网系统的可靠性指标；否则返回步骤S3。
2.根据权利要求1所述的计及电动汽车有序充放电的离网型微电网可靠性评估方法，其特征在于：所述离网型微电网系统包括新能源系统、柴油机组、负载和电动汽车，所述新能源系统包括风电机组和光伏机组。
3.根据权利要求2所述的计及电动汽车有序充放电的离网型微电网可靠性评估方法，其特征在于：在步骤S1中离网型微电网系统中电动汽车有序充放电的电负荷优化模型的目标函数为：
所述电负荷优化模型目标函数为：
其中，E是离网型微电网系统一天的运行总费用；
T是一天内总时间段数；
ND是柴油机组中柴油机台数；
EF(i，t)是第i台柴油机在第t个时段的燃耗成本；
ES(i，t)是第i台柴油机在第t个时段的开机费用；
Ewg(t)是第t个时段的弃风惩罚费用
Epv(t)是第t个时段的弃光惩罚费用；
Eload(t)是第t个时段的削负荷费用；
N是电动汽车总台数；
EEVch(k，t)是第t个时段第k辆电动汽车充电费用；
EEVdch(k，t)是第t个时段第k辆电动汽车和放电补贴；
第i台柴油机在第t个时段的燃耗成本EF(i，t)的计算公式为：
EF(i，t)＝f(aPDE_r+bPDE)
其中，PDE_r是柴油机额定功率，PDE是柴油机实际出力，f是柴油价格；
a、b是燃耗成本曲线的截距系数；
ES(i,t)＝ST(i)×uDE(i,t)×(1-uDE(i,t-1))
Ewg(t)＝cwg×ΔPwg(t)×ΔT
Epv(t)＝cpv×ΔPpv(t)×ΔT
Eload(t)＝cload×ΔPlaod(t)×ΔT
EEVch(k,t)＝cch(t)×Pch(k,t)×ΔT
Pdch(k,t)＝Xstate(k,t)×PEVr,Xstate(k,t)＜0
其中uDE(i，t)是第i台柴油机在第t个时段启停状态；
ST(i)是柴油机机组启动费用；
cwg是弃风的惩罚系数；
cpv分别是弃光的惩罚系数；
cload是削负荷的惩罚系数；
cch(t)是第t时段电动汽车的充电电价的补贴电价；
cdch(t)是第t时段电动汽车的放电电价的补贴电价；
ΔPwg(t)是第t时段的弃风功率；
ΔPpv(t)是第t时段的弃光功率；
ΔPload(t)是第t时段的削负荷电量；
Pch(k，t)是第k辆电动汽车在第t个时段的充电功率；
Pdch(k，t)是第k辆电动汽车在第t个时段的放电功率；
ΔT是时间步长。
4.根据权利要求3所述的计及电动汽车有序充放电的离网型微电网可靠性评估方法，其特征在于：所述电负荷优化模型目标函数的约束条件包括：
(1)功率平衡约束条件：
(2)柴油机最大最小出力约束条件：
PDEmin,i×uDE(i,t)≤PDE,i(t)≤PDEmax,i×uDE(i,t)
其中uDE(i，t)表示第i台柴油机在第t个时段的启动1/停机0状态；
(3)弃风弃光约束条件：
0≤ΔPwg(t)≤Pwg(t)
0≤ΔPpv(t)≤Ppv(t)
(4)削负荷约束条件：
0≤ΔPlaod(t)≤Pload(t)
(5)电动汽车可调度时段约束条件：
电动汽车参与调度的前提是满足作为交通工具的出行需求，在处于行驶状态的时段是不能进行充放电行为的，只有在停车时段才能参与V2G调度，即：
式中，Xstate(k，t)是第k辆电动汽车在第t个时段的充放电状态变量；
Xstate(k，t)＝-1表示第k辆电动汽车在第t个时段放电；
Xstate(k，t)＝1表示第k辆电动汽车在第t时段内充电；
Xstate(k，t)＝0表示第k辆电动汽车不充不放；
R是代表电动汽车行车状态的矩阵；
R＝0表示电动汽车在行驶过程中；
R＝1表示电动汽车处于居住区停车时段；
R＝2表示电动汽车处于工作单位停车时段；
R＝3表示用户在中午休息时间采用电动汽车出行的时段；
(6)电动汽车荷电状态约束条件：
t时刻荷电状态的表达式为：
其中soc(k，t)是电动汽车t时刻的荷电状态，与前一时刻荷电状态及该时段内的充放电情况有关；
PEV(k，t)是第k辆电动汽车在第t个时段的充电或者放电功率；soc(k，t)满足公式：
Xstate(k,t)×PEVmin≤PEV(k,t)≤Xstate(k,t)×PEVr
SOCmin(k,t)≤soc(k,t)≤SOCmax(k,t)
式中，SOCmin(k，t)是第k辆电动汽车在t时刻的荷电状态下限；
(7)电动汽车充放电功率约束条件，约束同一辆电动汽车在第t个时段内不能同时进行充电行为和放电行为：
Pch(k,t)×Pdch(k,t)＝0
Pch(k,t)+Pdch(k,t)＝PEV(k,t)
其中，PEV(k，t)是充放电功率矩阵；
Pch(k，t)是电动汽车每个时段的充电功率；Pdch(k，t)是电动汽车每个时段的放电功率，满足最大最小充、放电功率约束：
(8)为了保证电动汽车第二天的正常行驶，一天结束时的荷电状态须等于当天0时刻的荷电状态，同时为了保持电动汽车荷电状态在模拟时段内的连续性，第Day天0时刻电动汽车的荷电状态与第Day-1天结束时刻(T＝24)的荷电状态相等；
soc(k,0,Day)＝soc(k,T,Day)；
soc(k,0,Day)＝soc(k,T,Day-1)；
(9)柴油机初始时刻启停状态约束条件；
uDE(i,0-,Day)＝uDE(i,T,Day-1)
其中uDE(i，t)表示第i台柴油机在第t个时段的启动1/停机0状态；同时要保证第Day天柴油机初始时刻前的启停状态uDE(i，0-，Day)与第Day-1天最后一个时段的状态一致。
5.根据权利要求1所述的计及电动汽车有序充放电的离网型微电网可靠性评估方法，其特征在于：步骤S2的具体步骤为：
S21、对离网型微电网系统的所有元件进行编号；Y为小于等于y的正整数，令Y＝1；
S22、初始化选择元件的元件状态和仿真数据；
元件状态包括：正常状态、故障状态；
初始化时，设离网型微电网系统中的所有元件均处于正常状态；
仿真数据包括：初始时刻t、初始系统模拟天数Day、模拟时间步长ΔT、模拟总时间MCday、失负荷时间LLD、失负荷次数LLO、失负荷量ENS；
初始化时，令初始时刻t、初始系统模拟天数Day、失负荷时间LLD、失负荷次数LLO、失负荷量ENS均为0；模拟时间步长ΔT、模拟总天数MCday自定义设置；
S23、确定选择元件状态转移过程；
通过抽样确定该选择元件在当前状态的持续时间，并且满足模拟时间大于等于模拟总时间；根据当前状态，得到对应的状态持续时间概率分布；输出该选择元件的时序状态转移情况；
S24、判断微电网中的所有元件状态是否完全检测完毕：即判断Y是否等于y；若是进入步骤S25；否则返回令Y＝Y+1，返回步骤S22；
S25、组合所有元件的时序状态转移情况，确定在第Day天内微电网系统状态转移情况。
6.根据权利要求1所述的计及电动汽车有序充放电的离网型微电网可靠性评估方法，其特征在于：若离网型微电网系统中的系统状态转移过程中，新能源系统、柴油机组的系统状态转移已知，直接考虑新能源系统、柴油机组对一天内所有时段进行优化；
其中，根据第Day天内离网型微电网系统中的系统状态转移过程，对该离网型微电网系统中的电动汽车有序充放电的电负荷优化模型进行求解的具体内容为：
S311、初始化优化周期和时间步长，并读取离网型微电网系统中的各机组参数、负荷数据、电动汽车基本数据，包括日前风光出力预测值、负荷预测值、柴油机参数、电动汽车规模N、行驶速度v、用户响应有序充电的比例λ、备用荷电状态SOCr以及峰谷电价cp、cv和放电补贴电价cdch；
设当天离网型微电网系统模拟天数为第Day天；总模拟天数为MCday天；
设第Day天电动汽车有序充放电的电负荷优化模型中的柴油机初始时刻前处于开机状态；
S312、对电动汽车的出行时刻信息采用蒙特卡洛法模拟抽样；根据已知的概率分布，利用蒙特卡洛法模拟得到：
数量为N的电动汽车日行驶里程d、第一次出行时刻e、到达工作地点的时刻twk；并对数量为N的电动汽车进行分类，得到每个电动汽车的停车时长tpark，每个电动汽车离开工作地点的时刻tlvwk、每个电动汽车到达居住区的时刻thome；
其中，电动汽车到达工作单位的时刻twk计算公式为：
离开工作单位的时刻tlvwk计算公式为：tlvwk＝twk+tpark；
回到居住地的时刻thome的计算公式为：
S313、修正电动汽车的时刻数据；
若到达或离开工作单位的时刻twk、tlvwk或者回到家的时刻thome存在大于优化周期，用t＝t-优化周期对其进行修正；使得电动汽车所有的时刻点都满足0≤t＜优化周期；
S314、确定电动汽车可调度时段和荷电状态上下限；
根据不同时段电动汽车比例λ，得到参与有序充电的电动汽车数量Np＝λ×N；
由步骤S313得到居住区停车时段和非居住区停车时段，从而得到Np辆电动汽车的行车状态矩阵R；同时确定各时段的荷电状态上下限；
S315、更新离网型微电网系统中负荷预测曲线；
对于剩余不可调度的(1-Np)辆电动汽车，采用无序充电方式，起始充电时刻就是回到居住地的时刻thome，充电负荷通过蒙特卡罗法模拟得到，并将其并入微电网基本负荷，得到新的微电网负荷预测曲线；
S316、确定电价信息；
根据风光预测出力Pwg、Ppv和含有电动汽车无序充电负荷的微电网负荷预测值Pnew_load，得到净负荷Pnet＝Pnew_load-Pwg-Ppv，并制定峰谷电价固定、峰谷时段变化的动态充电电价，具体表示如下：
其中，cp是高峰时段电价；cv是低谷时段电价；Pa是常数，用于判断峰谷时刻的功率分界值；
S317、在MATLAB中通过工具箱Yalmip调用GUROBI优化软件求解电动汽车有序充放电的电负荷优化模型，得到优化后的电动汽车充放电的电负荷数据、新能源系统出力数据和柴油机组出力数据。
7.根据权利要求6所述的计及电动汽车有序充放电的离网型微电网可靠性评估方法，其特征在于：从第Day天优化结果中，获得柴油机组最后时段启停状态和电动汽车最后时刻的荷电状态；
基于优化问题的时序特性，第Day+1天柴油机0时刻之前的机组启停状态uDE(i，0-，Day+1)，可以从第Day天优化模型的求解结果中获得，公式如下：
uDE(i,0-,Day)＝uDE(i,T,Day-1)
同理，电动汽车每天初始时刻的荷电状态soc(k，0，Day+1)；从第Day天优化模型的结果中得到，公式如下：soc(k,0,Day)＝soc(k,T,Day-1)。
8.根据权利要求7所述的计及电动汽车有序充放电的离网型微电网可靠性评估方法，其特征在于：在步骤S3中，根据求解得到的电动汽车有序充放电的电负荷优化模型，对离网型微电网系统的可靠性进行评估的具体内容为：
步骤1：初始化仿真数据；
假设所有元件初始时刻均是正常状态；
设定初始时刻t、离网型微电网系统模拟天数Day、模拟时间步长ΔT，优化周期、初始化失负荷时间LLD、失负荷次数LLO、失负荷量ENS、总模拟天数MCday的值；且共MCtimte＝MCday×T分钟
步骤2：确定离网型微电网系统所有元件状态转移过程；
通过抽样确定离网型微电网系统中各机组在当前状态的持续时间，根据当前状态，选择对应的状态持续时间概率分布；
若元件当前状态为正常工作状态，设抽取元件的正常工作时间TTTF，i，则累加模拟时长Di＝Di+TTTF，i；
若元件当前状态为故障状态，抽取故障状态持续时间，即故障元件的修复时间TTTR，i,累加模拟时长Di＝Di+TTTR，i；
步骤3：确定系统状态转移过程；
重复步骤2，记录所有元件每种状态的持续时间，直到达到设定的模拟时间D≥MCtime，获得各元件在给定时段内的时序状态转移情况；
组合所有元件的时序状态转移情况，可以确定微电网在给定时段的状态转移；
步骤4：确定第Day天每个时段考虑机组故障后电源的出力情况和负荷需求；
根据离网型微电网系统中的所有元件的状态转移过程，修正离网型微电网系统中各个机组出力情况，若机组发生故障，出力为零；
利用电动汽车有序充放电的电负荷优化模型可以得到，第Day天参与V2G的电动汽车充放电负荷PEV、风力实际出力Pwg_real、光伏实际出力Ppv_real以及柴油机总出力PDE；
比较第t个时段负荷需求和电源总出力，若出力不能满足负荷需求，需要削负荷，削负荷量为ENS＝ENS+(Pnew_load(t)-Power(t))，记录失负荷时间LLD＝LLD+1，判断前一时刻系统是否处于失负荷状态，若是，失负荷次数不变；若否，失负荷次数LLO＝LLO+1；出力大于负荷需求，不需要削负荷；
若离网型微电网系统状态未发生状态转移且所有元件均处于正常运行状态，其优化结果不变；
若离网型微电网系统状态未发生状态转移，且至少有一个元件处于故障状态，修正风光预测出力和峰谷电价时段后，以各个时段每辆电动汽车的充放电功率作为优化变量对电负荷优化模型进行优化求解。
9.根据权利要求8所述的计及电动汽车有序充放电的离网型微电网可靠性评估方法，其特征在于：所述可靠性指标包括电力不足概率LOLP、电力不足频率LOLF、期望缺电时间LOLE、期望缺供电力EDNS和期望缺供电量EENS：
(1)电力不足概率LOLP；
在给定时间内，离网型微电网系统不能满足负荷需求的概率：
其中，S表示在给定时间跨度内，离网型微电网系统发电总量小于负荷需求的系统状态集合，Pi表示每个失负荷状态发生的概率；
(2)电力不足频率LOLF；
在给定时间跨度内，离网型微电网系统不能满足负荷需求的次数，计算公式为：
其中Fi表示离网型微电网系统处于状态i的频率；
(3)缺电时间期望LOLE；
在给定时间跨度内，离网型微电网系统发电量不能满足负荷需求的缺电时间期望值：
其中Di表示每个失负荷状态i持续的小时数；
(4)期望缺供电量EENS；
在给定时间内，离网型微电网系统发电量不能满足负荷需求的缺电量期望值，即平均每天不能满足负荷需求的累计小时数：
其中ΔPload，i表示失负荷状态i的失负荷量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910138156.9A CN109713674A (zh) | 2019-02-25 | 2019-02-25 | 计及电动汽车有序充放电的离网型微电网可靠性评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910138156.9A CN109713674A (zh) | 2019-02-25 | 2019-02-25 | 计及电动汽车有序充放电的离网型微电网可靠性评估方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109713674A true CN109713674A (zh) | 2019-05-03 |
Family
ID=66265018
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910138156.9A Withdrawn CN109713674A (zh) | 2019-02-25 | 2019-02-25 | 计及电动汽车有序充放电的离网型微电网可靠性评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109713674A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110210777A (zh) * | 2019-06-11 | 2019-09-06 | 上海电力学院 | 一种含微电网和电动汽车充电站的配电网可靠性评估方法 |
| CN110429596A (zh) * | 2019-08-29 | 2019-11-08 | 重庆大学 | 计及电动汽车时空分布的配电网可靠性评估方法 |
| CN112257990A (zh) * | 2020-09-30 | 2021-01-22 | 深圳供电局有限公司 | 配电网弹性评价方法、装置、计算机设备和存储介质 |
| CN112785048A (zh) * | 2021-01-07 | 2021-05-11 | 太原理工大学 | 计及电动汽车用户需求的直流微电网经济调度方法 |
| CN112861365A (zh) * | 2021-02-23 | 2021-05-28 | 国网冀北电力有限公司智能配电网中心 | 低压配电网负荷状态估计方法、装置及终端设备 |
| CN115995839A (zh) * | 2023-02-27 | 2023-04-21 | 国网浙江电动汽车服务有限公司 | 多功能移动储能车工作状态确定方法、装置、设备及介质 |
-
2019
- 2019-02-25 CN CN201910138156.9A patent/CN109713674A/zh not_active Withdrawn
Non-Patent Citations (1)
| Title |
|---|
| 郝钰: "考虑高比例电动汽车接入的离网型微电网时序负荷建模及在可靠性评估中的应用", 《中国硕士学位论文》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110210777A (zh) * | 2019-06-11 | 2019-09-06 | 上海电力学院 | 一种含微电网和电动汽车充电站的配电网可靠性评估方法 |
| CN110429596A (zh) * | 2019-08-29 | 2019-11-08 | 重庆大学 | 计及电动汽车时空分布的配电网可靠性评估方法 |
| CN112257990A (zh) * | 2020-09-30 | 2021-01-22 | 深圳供电局有限公司 | 配电网弹性评价方法、装置、计算机设备和存储介质 |
| CN112257990B (zh) * | 2020-09-30 | 2024-04-26 | 深圳供电局有限公司 | 配电网弹性评价方法、装置、计算机设备和存储介质 |
| CN112785048A (zh) * | 2021-01-07 | 2021-05-11 | 太原理工大学 | 计及电动汽车用户需求的直流微电网经济调度方法 |
| CN112785048B (zh) * | 2021-01-07 | 2023-09-08 | 太原理工大学 | 计及电动汽车用户需求的直流微电网经济调度方法 |
| CN112861365A (zh) * | 2021-02-23 | 2021-05-28 | 国网冀北电力有限公司智能配电网中心 | 低压配电网负荷状态估计方法、装置及终端设备 |
| CN112861365B (zh) * | 2021-02-23 | 2022-09-06 | 国网冀北电力有限公司智能配电网中心 | 低压配电网负荷状态估计方法、装置及终端设备 |
| CN115995839A (zh) * | 2023-02-27 | 2023-04-21 | 国网浙江电动汽车服务有限公司 | 多功能移动储能车工作状态确定方法、装置、设备及介质 |
| CN115995839B (zh) * | 2023-02-27 | 2023-10-13 | 国网浙江电动汽车服务有限公司 | 多功能移动储能车工作状态确定方法、装置、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109713674A (zh) | 计及电动汽车有序充放电的离网型微电网可靠性评估方法 | |
| Qiao et al. | Multi-objective dynamic economic emission dispatch based on electric vehicles and wind power integrated system using differential evolution algorithm | |
| Berrueta et al. | Combined dynamic programming and region-elimination technique algorithm for optimal sizing and management of lithium-ion batteries for photovoltaic plants | |
| CN109599856B (zh) | 一种微网多楼宇中电动汽车充放电管理优化方法及装置 | |
| CN108288855B (zh) | 一种基于微电网的动态策略仿真与优化方法 | |
| CN111626527B (zh) | 计及可调度电动汽车快/慢充放电形式的智能电网深度学习调度方法 | |
| CN113326467B (zh) | 基于多重不确定性的多站融合综合能源系统多目标优化方法、存储介质及优化系统 | |
| CN109710882A (zh) | 一种基于优化运行的离网型微电网电动汽车有序充放电负荷建模及求解方法 | |
| CN110165715B (zh) | 一种将电动汽车储能式充电站接入虚拟电厂的方法 | |
| CN105226650A (zh) | 基于微燃机-储能联合运行策略的微电网可靠性计算方法 | |
| CN116151486B (zh) | 含储能系统的光伏充电站多时间尺度随机优化方法及装置 | |
| CN112260322B (zh) | 源网荷储仿真平台、方法及系统 | |
| CN109787221B (zh) | 一种微电网电能安全经济调度方法和系统 | |
| CN107591833A (zh) | 一种计及不同运行策略的微网可靠性评估方法 | |
| CN116826714A (zh) | 基于光伏发电的电力分配方法、系统、终端及存储介质 | |
| CN111641233A (zh) | 一种考虑新能源及负荷不确定性的电力系统日内灵活调峰方法 | |
| CN115310291A (zh) | 考虑电动汽车动态接入特性的智能楼宇群能量管理方法 | |
| CN108767855A (zh) | 一种时序持续混合的电力系统随机生产模拟方法 | |
| CN113536581B (zh) | 一种计及运行策略的储能系统多状态可靠性建模方法 | |
| Tahir et al. | Efficiency evaluation of the microgrid for selection of common bus using copula function-based efficiency curves of the converters | |
| CN112510690B (zh) | 考虑风火储联合和需求响应奖惩的优化调度方法及系统 | |
| Rascon et al. | Techno-economic comparison of a schedule-based and a forecast-based control strategy for residential photovoltaic storage systems in Germany | |
| CN105119315B (zh) | 一种基于能效最大化的储能变流器组合优化方法 | |
| CN112398174B (zh) | 发电系统的最大输出功率确定方法、装置、控制器及系统 | |
| CN110766285A (zh) | 一种基于虚拟电厂的日前能源调度方法 |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20190503 |
|
| WW01 | Invention patent application withdrawn after publication |