CN110556822A - 一种含电动汽车消纳大规模风电机组的组合计算方法 - Google Patents
一种含电动汽车消纳大规模风电机组的组合计算方法 Download PDFInfo
- Publication number
- CN110556822A CN110556822A CN201910743549.2A CN201910743549A CN110556822A CN 110556822 A CN110556822 A CN 110556822A CN 201910743549 A CN201910743549 A CN 201910743549A CN 110556822 A CN110556822 A CN 110556822A
- Authority
- CN
- China
- Prior art keywords
- cost
- electric automobile
- battery
- unit
- wind
- 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
-
- 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
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/008—Circuit arrangements for ac mains or ac distribution networks involving trading of energy or energy transmission rights
-
- 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
- H02J3/28—Arrangements for balancing of the load in a network by storage of energy
- H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
-
- 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
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/381—Dispersed generators
-
- 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
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/76—Power conversion electric or electronic aspects
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E70/00—Other energy conversion or management systems reducing GHG emissions
- Y02E70/30—Systems combining energy storage with energy generation of non-fossil origin
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Control Of Eletrric Generators (AREA)
Abstract
本发明涉及一种含电动汽车消纳大规模风电的机组组合计算方法,以常规火电机组、风电场、插入式电动汽车以及负荷侧的紧急需求响应为研究对象,建立风电的弃风成本、直接购买模型、电动汽车充放电成本及电池老化成本模型,并建立需求响应模型,在此基础上建立以系统总运行成本最小为目标的含电动汽车消纳大规模风电的机组组合模型,采用基于教与学优化算法求解此问题。本发明通过对插入式电动汽车的充放电功率、效率、电池老化成本以及相应的充放电总成本进行研究,分析电动汽车参与调度对系统总运行成本的影响,在需求响应中考虑负荷的自弹性和互弹性,从而制定出紧急需求响应计划能显著降低系统总运行成本,优化了负荷曲线。
Description
技术领域
本发明涉及一种含电动汽车消纳大规模风电的机组组合计算方法。
背景技术
风能是一种干净的,储量非常丰富的可再生能源,它不会随着其本身的转 化和利用而减少,也不会像矿物燃料一样在利用过程中带来严重的环境污染问 题。合理的利用风能,能减少化石燃料的使用,从而减少了燃料成本。
而电动汽车可看作一个蓄电池,在负荷高峰期进行对外放电,起电源的作 用,减轻电力系统供电负担,在负荷低谷期间进行充电,起负荷的作用,实现 系统削峰填谷的作用。
因此通过制定相应的需求响应制度,规范用户的用电行为,使用户在用电 高峰时段减少电量的使用,用电低谷时段增加电力的消纳,从而指引用户的用 电行为,达到减轻电力系统峰谷差的目的。
以往研究考虑了不确定风电的处理,电动汽车充放电行为对系统总运行成 本影响以及负荷侧实施紧急需求响应,但未考虑电动汽车电池老化成本。本发 明在电动汽车消纳大规模风电的基础上考虑了电动汽车电池老化成本,使得研 究更贴近实际,得出结论也更符合实际。
发明内容
本发明要解决的技术问题是:为了克服现有技术中之不足,本发明提供一 种含电动汽车消纳大规模风电的机组组合计算方法。
本发明解决其技术问题所采用的技术方案是:一种含电动汽车消纳大规模 风电的机组组合计算方法,包括以下步骤:
a、初始数据的获取:
首先接受电网机组调度中心得出的系统未来24小时负荷需求数据;接收风 电场对风电出力大小的预测数据,包括预测风电大小和风电出力的上下限区间; 根据各个火电厂上报的机组特性数据得出各个机组的特性约束;
b、电动汽车充放电成本分析计算:
Cvehi(h)=SP(h)(ηvdishPvdish(h)-ηvchPvch(h)) (1)
其中,SP(h)是h时段电价,ηvch,ηvdish是充放电效率;Pvdish(h),Pvch(h)是电动汽车充放电 功率。
c、电池老化成本分析计算:电动汽车电池老化成本包含购买电能成本、电 池磨损和资本成本;模型如下:
CV2G=Ce·Ed+Cac (2)
其中Ce是插电式电动汽车(V2G)放电的电能成本,Ed是电动汽车蓄电池放电能 量,Ce·Ed包括购买的电能和设备退化(电池磨损)费用,Cac是V2G服务的年化资 本成本,它是通过将总资本成本在整个服务周期内统一分配来计算的;本发明 中,已经单独考虑了电动汽车充放电的成本,所以不必考虑购买的电能费用;
V2G放电的电能成本可以通过下式表达:
其中,Cpe是购买电能费用,η是电动汽车电池充电往返效率,这两者在充 放电功率模型中已经考虑到,此处不再讨论,只需要考虑设备磨损费用Cd,
其中,Cb是包括更换人工成本在内的电池的资本成本,Let是能量吞吐量中的电 池寿命;
Let=Lc·Eb·DoD (5)
其中,Lc是电池循环寿命(次),它是由放电深度决定的,Eb是电池容量,DoD 是放电深度;
Cac是V2G服务年化资本成本,由下式表示:
其中,d是折扣率。n*是电池寿命(以年份计),Cc是V2G服务的资本成本;
其中,nc是每天充放电次数,n*为电池寿命(以年计);
当去除电动汽车购买电能费用时,电动汽车电池老化成本(以天计)(包含 均以天计的电池磨损成本和V2G服务年化资本成本)模型见下:
其中,n电池寿命(以天计):
d、需求响应可分为激励型需求性响应和价格型需求响应,本发明采取的激 励型需求响应;在需求响应政策中,消费者的需求取决于实时电价和提供给他 们的激励。负荷需求对电价变化的敏感性被定义为需求的价格弹性,
参与到需求响应中的用户负荷在高峰时段内也会发生变化,
其中,I(h)是时段h提供给用户的激励值,α是客户参与率,是时段h原负荷 需求,PLnew(h)为时段h需求响应下实际负荷需求,SP(h)是时段h的电价;
e、含电动汽车消纳大规模风电的机组组合系统总运行成本目标函数:
上式中的第一项是火电机组的燃料费用,第二项是火电机组的启停成本, 第三项是风电的直接成本,第四项是风电的弃风成本,其中为时段h风电场 预测出力,PW(h)为时段h风电场实际出力,第五项是电动汽车的充放电成本函数 和电池磨损成本,第六项是紧急需求响应成本,第七项是电动汽车电池资本成 本。
其中,火电机组燃料费用和启停成本:
其中,ai,bi,ci是火电机组燃料费用系数,PG(i,h)是火电机组i在h时刻的出力。HSC,CSC分别是热启动成本和冷启动成本;CSH是冷启动时间;MD是最小下降 时间;是机组持续关机时间;
风电直接成本是指向风电场购买电力需支付的成本:
Cwd,i(PW(h))=dw,iPW(h) (14)
其中,dw,i是风电直接成本系数;
紧急需求响应成本:
Cac是V2G服务年化资本成本,由下式表示:
设备磨损费用Cd
进一步地,步骤e中,针对以上建立的目标函数和相应的模型列出相应的 约束条件,采用教与学优化算法对其进行仿真,得出最终结论。
a)功率平衡约束
b)常规火电机组出力约束
其中u(i,h)是机组开关状态;NG是火电机组数;是机组出力最小限制和机组出力最大限制。
c)最小开机/关机时间约束
相应地,最小关机时间限制可以描述成:
其中,表示初始状态i机组已经开机持续时间数;T是总调度时段数;MU是机组最小开机时间;是机组持续开机时间,表示初始状态i机组已经关机持续时间数。
d)旋转备用约束
e)爬坡约束
其中SR(h)是旋转备用量,RUi,RDi是向上向下的爬坡限制;
g)电动汽车车辆平衡约束
其中,是电动汽车总数,表明所有的充电电动汽车数量Nvch(h)和放电电动汽车数量Nvdish(h)总和应小于等于电动汽车车辆总数;
h)电动汽车充放电约束
其中,A(i,h),B(i,h)分别表示电动汽车i在h时刻充电时的二进制变量和电动汽车i在 h时刻进行放电时的二进制变量,取值为0或1,上式表明同一辆电动汽车不能 同时处于充电和放电状态;
i)电动汽车充电约束
其中,PVchLimit(i,h)是电动汽车充电功率限制;
j)电动汽车放电约束
其中,PVdishLimit(i,h)是电动汽车放电功率限制;
k)电动汽车充放电数量约束
Nvdish(h)≤Nvmax(h)
Nvch(h)≤Nvmax(h) (28)
其中Nvmax(h)是充电站在该时刻最多能容纳电动汽车充放电数量。
本发明的有益效果是:本发明采用教与学优化算法进行求解,加入大规模 风电后,可以大幅度削减火电机组燃料费用;电动汽车车主可以合理安排电动 汽车充放电时刻和功率,可以起到削峰填谷的作用,减少了系统的弃风;实施 紧急需求响应可以更好的规范用户用电行为,从而优化负荷曲线,减少系统总 运行成本。
不含需求响应的风火机组组合总运行成本模型:
其中,第一项时火电机组燃料费用,第二项是火电机组开机费用,第三项是风 电直接成本,第四项是风电的弃风成本。
本发明将含电动汽车和需求响应以及不含需求响应的风火机组组合消纳风 电进行了对比,来判断电动汽车和需求响应对于消纳大规模风电是否有效,从 而能否有效降低系统总运行成本。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1是本发明所述风火储联合优化调度示意图。
图2是本发明所述需求响应的分类图。
图3是本发明中纯火电机组组合、不含需求响应的风火机组组合以及含需 求响应的电动汽车消纳风电机组组合下的负荷曲线。
图4本发明所述教与学优化算法流程图。
图5是十个火电机组的运行参数。
图6是风电场预测风电出力数据,包括预测风电大小和风电机组爬坡限 制。
图7是不含需求响应的风火机组组合结果。
图8是电动汽车相关数据。
图9是含需求响应的电动汽车消纳大规模风电的机组组合结果。
图10原始负荷曲线和日前市场电价。
图11是需求的价格弹性。
具体实施方式
现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图, 仅以示意方式说明本发明的基本结构,因此其仅显示与本发明有关的构成。
一种含电动汽车消纳大规模风电的机组组合计算方法,包括以下步骤:
a、初始数据的获取:
第一步:接受电网机组调度中心得出的系统未来24小时负荷需求数据;接 收风电场对风电出力大小的预测数据,包括预测风电大小和风电出力的上下限 区间;根据各个火电厂上报的机组特性数据得出各个机组的特性约束;
b、电动汽车充放电成本分析计算:
Cvehi(h)=SP(h)(ηvdishPvdish(h)-ηvchPvch(h)) (1)
其中,SP(h)是h时段电价,ηvch,ηvdish是充放电效率;Pvdish(h),Pvch(h)是电动汽车充放电 功率;
c、电池老化成本分析计算:电动汽车电池老化成本包含购买电能成本、电 池磨损和资本成本,模型如下:
CV2G=Ce·Ed+Cac (2)
其中Ce是插电式电动汽车(V2G)放电的电能成本,Ed是电动汽车蓄电池放电能 量,Ce·Ed包括购买的电能和设备退化(磨损)费用,Cac是V2G服务的年化资本成 本,它是通过将总资本成本在整个服务周期内统一分配来计算的,本发明中, 已经单独考虑了电动汽车充放电的成本,所以不必考虑购买的电能费用。
V2G放电的电能成本可以通过下式表达:
其中,Cpe是购买电能费用,η是电动汽车电池充电往返效率,这两者在充放电 功率模型中已经考虑到,此处不再讨论,只需要考虑设备磨损费用Cd。
其中,Cb是包括更换人工成本在内的电池的资本成本,Let是能量吞吐量中的电 池寿命。
Let=Lc·Eb·DoD (5)
其中,Lc是电池循环寿命(次),它是由放电深度决定的,Eb是电池容量,DoD 是放电深度。
Cac是V2G服务年化资本成本,由下式表示:
其中,d是折扣率,n*是电池寿命(以年份计),Cc是V2G服务的资本成本。
其中,nc是每天充放电次数,n*为电池寿命(以年计)。
当去除电动汽车购买电能费用时,电动汽车电池老化成本(以天计)(包含 均以天计的电池磨损成本和V2G服务年化资本成本)模型见下:
其中n是电池寿命(以天计):
d、需求响应下的成本分析:
图2为需求响应的分类框图。本发明只采用激励型需求响应中的紧急需求 响应作为研究对象,需求响应成本为:
其中,I(h)是时段h提供给用户的激励值,α是客户参与率,是时段h原负荷 需求,PLnew(h)为时段h需求响应下实际负荷需求,SP(h)是时段h的电价。其中,参 与需求响应的用户需求模型:
需求的价格弹性:
e、含电动汽车消纳大规模风电的机组组合系统总运行成本目标函数:
上式中的第一项是火电机组的燃料费用,第二项是火电机组的启停成本, 第三项是风电的直接成本,第四项是风电的弃风成本,其中为时段h风电场 预测出力,PW(h)为时段h风电场实际出力,第五项是电动汽车的充放电成本函数 和电池磨损成本,第六项是紧急需求响应成本,第七项是电动汽车电池服务资 本成本。
进一步地,步骤e中,完成上述计算后,再针对以上建立的目标函数和相 应的模型列出相应的约束条件,采用教与学算法对其进行仿真,得出最终结论。
教与学优化算法的概念是以课堂上教与学过程为基础的。一般来说,教师 在所教科目上被认为是权威,因此,准确地将知识教授给学生,可以提高学生 在课堂上的成绩。除了与教师的教学能力有关外,学生的成绩还受到他对该科 目的理解以及他与其他学生和教师的互动的影响。因此,学生之间和学生与老 师之间的互动也能提升学生的成绩。
顾名思义,教与学优化算法是由两阶段组成,分别是教授和学生互助两阶 段。
1、教授阶段
教授阶段是负责算法的全局搜索。在这一阶段,老师试着提高全班学生的 平均成绩,Ti被认为是教师,Mi是第i次迭代的平均值,教师试着提高学生的分 数Mi接近自己的水平,得到新的平均值Mnew,新的平均值和过去的平均值之间 的差异定义如下:
Mdiff,i=r1(Mnew-TfMi) (13)
其中,Tf是决定平均值变化的教学因素,定义为:
Tf=round(1+r2) (14)
r1和r2是随机的0和1两个值之一,Mdiff,i用于每次迭代之中,程序见下:
其中,np和nd分别代表学生数量和设计变量数,和分别是第k个学生第j 个科目第i+1和第i次迭代的结果。
2、学生互助阶段
该阶段通常是用于增强算法的局部搜索能力。这一阶段,学生通过和其他 学生交流互助来增加自己的知识,在此阶段中,一名学生随机选取另一名学生 进行交流,这个学生也许能从对该科目学习成绩比自己好的学生那儿学到知识。 学生在学习阶段的成绩提高情况如下:
对于随机挑选另一名学生Sk进行交流,要满足:k≠t。
通常,教与学优化算法在任何优化求解问题中,都要遵循以下步骤:
(1)给所有学生所有科目赋初值。总体初始值以一个矩阵表示:
(2)计算出学生的每门学科成绩的平均值:
Mj=mean[S(1,j),S(2,j),......,S(k,j),......,S(np,j)] (18)
(3)计算每个学生的总体结果(目标函数值),并根据结果对学生进行排序。老 师被认为是最好的结果,如下所示:
Steacher=Smin(f)=[Sbest,1,Sbest,2,......Sbest,j,......Sbest,nd]min(f) (19)
(4)执行算法中的教授阶段来获得修正解。第k个学生的第j科目修善解如下 所示:
(5)如学生互助阶段一样,修改学生的所有科目的结果。
(6)重复步骤2-5,直到达到终止标准(周期数)为止。
教与学优化算法在本发明中的应用:
(1)设定所有参数的初值:初始化参数,如火电机组总数目、决策变量(火电 机组出力)和作为终止标准的最大迭代次数等。首先,以火电机组数目为行, 各个时间段内火电机组初始出力值,风电场预测值和电动汽车的充放电功率值 分别为一列设定初始值矩阵。精确定义系统运行成本最小化为目标函数。
(2)“教授阶段”:对于每台火电机组,由于步骤(1)知道了每个火电机组初 始出力值,风电场预测值和电动汽车的充放电功率各个时刻出力的初始值,可 以求出各个火电机组,风电场和电动汽车(即系统)在24小时出力的平均值 (Mj),且根据以往相关经验给出与目标函数最小值最接近的解,此解被认为是 最优解,即Steacher,通过计算目标函数模型求出系统运行的一次迭代结果,同时 也求出迭代后的新系统出力平均值Mnew,j。产生的新系统出力平均值和之前系统 平均值之间的差可以通过公式(34)求解出来,再根据公式(36)将系统前后 两次出力平均值的差加到上一次迭代的系统出力值上,将会获得新的系统出力值Snew,i。
(3)“学生互助阶段”:将新的系统出力值和上次迭代的值进行比较,如果新值 更接近最优解,则使用此新值,如果新值与旧值相比远离最优解,则放弃新值, 继续使用旧值。
(4)终止标准:不断迭代,当达到最大循环数时,则显示最终结果,否则转到 步骤(2)。
算法流程图如图4所示:
本发明中构建的含电动汽车消纳大规模风电的机组组合基本结构见图1,需 求响应的分类类别见图2,需求响应是指当电价升高或系统可靠性受威胁时,供 电方发出的诱导信息给用户,从而改变用户的固有的习惯用电模式,减少负荷 在高峰期间的需求,保障电网供电的稳定性。图3是本发明中纯火电机组组合、 不含需求响应的风火机组组合以及含需求响应的电动汽车消纳风电机组组合下 的负荷曲线。
一种含电动汽车消纳大规模风电的系统包括有四部分:风电场,火电机组, 电动汽车和需求响应。其中,风电场,火电机组进行能源供给,本发明火电机 组相关参数见图5所示,所接受的接收风电场对风电出力大小的预测数据,见 图6所示,风电直接成本系数dw,i=3,弃风成本Kp=5,不含需求响应的风火机 组组合结果见图7。
电动汽车在高峰时段(9:00-14:00和19:00-21:00)内放出电量,非 高峰时段进行充电,可以实现削峰填谷的作用,并且电动汽车电池老化成本也 是影响电动汽车总成本的一个重要因素,本发明对电动汽车充放电和电动汽车 电池老化成本进行建模和分析,电动汽车相关数据见图8,含电动汽车消纳大规 模风电的机组组合结果见图9,相应的24小时负荷需求和电价见图10,需求的 价格弹性见图11。
本文需求响应模型中,激励值取值为I=10美元,客户参与率α=40%。经计 算得出纯10机组火电机组组合的总运行成本为568099.2美元。不含需求响应 风火机组组合总运行成本为564710.1美元,其中风电直接成本为1832.4美元, 弃风成本为3048.5美元,弃风总量614.3MW(见图7)。含电动汽车消纳大规模 风电的机组组合总运行成本为550745美元(见图9),其中,风电场发电成本为 2853美元,弃风成本为2341美元,弃风总量为475.6MW,电动汽车各时刻总充 电量为43.24MW,总放电量为24MW,电动汽车一天电池磨损成本为2.27美元, 电动汽车电池老化成本为172.73美元。从优化结果可以看出电动汽车对负荷起 到了削峰填谷作用,缓和了一天内的峰谷差,与仅含有风火的机组组合结果相 比总运行成本减少了约13965.1美元,即成本降低了约2.53%;弃风量减少了 138.7MW,风电消纳率提高了6.6%,弃风成本减少了707.5美元,由于需求响应 下在高峰时间段用户的负荷需求减少了885.675MW,相比不含需求响应时负荷需 求降低了3.27%,含电动汽车消纳大规模风电调度下负荷需求在高峰时段减少了 约1256.915MW,相比不含需求响应时负荷需求降低了4.64%,在低谷时段负荷 增加了约300.35MW,相比不含需求响应时负荷需求升高了1.11%,由此可看出 含电动汽车消纳大规模风电的机组组合可以起到削峰填谷作用。纯火电机组组 合、不含需求响应的风火机组组合以及含需求响应的电动汽车消纳风电机组组 合下的负荷曲线见图3,且与仅含风火的机组组合相比,含电动汽车消纳大规模 风电的机组组合的弃风量在高峰时段明显降低,在非高峰时段弃风量变化不明 显,低谷时段(1:00-5:00)弃风量减少,由于电动汽车在高峰时段放电与风 电共同补给给用户,所以高峰时段负荷需求大,对弃风的消纳明显,显著降低 了弃风成本;电动汽车在低谷时段进行充电消纳了部分风电,减少了系统的弃 风,减少弃风成本;而在非高峰时段电动汽车对弃风的消纳并不明显。由此可 见本发明构建的含电动汽车消纳大规模风电的机组组合模型的有效性和优越 性。
以上述依据本发明的理想实施例为启示,通过上述的说明内容,相关工作 人员完全可以在不偏离本项发明技术思想的范围内,进行多样的变更以及修改。 本项发明的技术性范围并不局限于说明书上的内容,必须要根据权利要求范围 来确定其技术性范围。
Claims (2)
1.一种含电动汽车消纳大规模风电的机组组合计算方法,其特征是:所述的计算方法包括以下步骤:
a、初始数据的获取:
接受电网机组调度中心得出的系统未来24小时负荷需求数据,接收风电场对风电出力大小的预测数据,包括预测风电大小和风电出力的上下限区间,根据各个火电厂上报的机组特性数据得出各个机组的特性约束;
b、电动汽车充放电成本分析计算:
Cvehi(h)=SP(h)(ηvdishPvdish(h)-ηvchPvch(h)) (1)
其中,SP(h)是h时段电价,ηvch,ηvdish是充放电效率;Pvdish(h),Pvch(h)是电动汽车充放电功率;
c、电池老化成本分析计算:电动汽车电池老化成本包含购买电能成本、电池磨损和资本成本,模型如下:
CV2G=Ce·Ed+Cac (2)
其中,Ce是插电式电动汽车V2G放电的电能成本,Ed是电动汽车蓄电池放电能量,Ce·Ed包括购买的电能和设备退化即电池磨损的费用,Cac是V2G服务的年化资本成本,它是通过将总资本成本在整个服务周期内统一分配来计算的,本发明中,已经单独考虑了电动汽车充放电的成本,所以不必考虑购买的电能费用;
V2G放电的电能成本可以通过下式表达:
其中,Cpe是购买电能费用,η是电动汽车电池充电往返效率,这两者在充放电功率模型中已经考虑到,此处不再讨论,只需要考虑电动汽车电池磨损费用Cd,
其中,Cb是包括更换人工成本在内的电池资本成本,Let是电池寿命;
Let=Lc·Eb·DoD (5)
其中,Lc是电池循环寿命,以次数计,它是由放电深度决定的,Eb是电池容量,DoD是放电深度;
Cac是V2G服务年化资本成本,由下式表示:
其中,d是折扣率,n*是电池寿命,以年份计,Cc是V2G服务的资本成本,
其中,nc是每天充放电次数,n*为电池寿命(以年计),当去除电动汽车购买电能费用时,电动汽车电池老化成本,以天数计,包含均以天数计的电池磨损成本和V2G服务年化资本成本,模型如下:
其中n是电池寿命,以天数计:
d、需求响应可分为激励型需求性响应和价格型需求响应,采取的激励型需求响应,在需求响应中消费者的需求取决于实时电价和提供给他们的激励,负荷需求对电价变化的敏感性被定义为需求的价格弹性,
参与到需求响应中的负荷也会发生变化,
其中,I(h)是时段h提供给用户的激励值,α是客户参与率,是时段h原负荷需求,PLnew(h)为时段h需求响应下实际负荷需求,SP(h)是时段h的电价;
e、含电动汽车消纳大规模风电的机组组合系统总运行成本目标函数:
上式中的第一项是火电机组的燃料费用,第二项是火电机组的启停成本,第三项是风电的直接成本,第四项是风电的弃风成本,其中为时段h风电场预测出力,PW(h)为时段h风电场实际出力,第五项是电动汽车的充放电成本函数和电池磨损成本,第六项是紧急需求响应成本,第七项是电动汽车电池资本成本,
其中,火电机组燃料费用和启停成本:
其中,ai,bi,ci是火电机组燃料费用系数,PG(i,h)是火电机组i在h时刻的出力,HSC,CSC分别是热启动成本和冷启动成本;CSH是冷启动时间;MD是最小下降时间;是机组持续关机时间;
风电直接成本是指向风电场购买电力需支付的成本:
Cwd,i(PW(h))=dw,iPW(h) (14)
其中,dw,i是风电直接成本系数,
紧急需求响应成本:
Cac是V2G服务年化资本成本,由下式表示:
设备磨损费用Cd
进一步,列出相应的约束条件:
a)功率平衡约束
b)常规火电机组出力约束
其中u(i,h)是机组开关状态;NG是火电机组数;是机组出力最小限制和机组出力最大限制;
c)最小开机/关机时间约束
相应地,最小关机时间限制可以描述成:
其中,表示初始状态i机组已经开机持续时间数;T是总调度时段数;MU是机组最小开机时间;是机组持续开机时间,表示初始状态i机组已经关机持续时间数;
d)旋转备用约束
e)爬坡约束
其中SR(h)是旋转备用量,RUi,RDi是向上向下的爬坡限;
g)电动汽车车辆平衡约束
其中,是电动汽车总数,表明所有的充电电动汽车数量Nvch(h)和放电电动汽车数量Nvdish(h)总和应小于等于电动汽车车辆总数;
h)电动汽车充放电约束
其中,A(i,h),B(i,h)分别表示电动汽车i在h时刻充电时的二进制变量和电动汽车i在h时刻进行放电时的二进制变量,取值为0或1,上式表明同一辆电动汽车不能同时处于充电和放电状态;
i)电动汽车充电约束
其中,PVchLimit(i,h)是电动汽车充电功率限制;
j)电动汽车放电约束
其中,PVdishLimit(i,h)是电动汽车放电功率限制;
k)电动汽车充放电数量约束
Nvdish(h)≤Nvmax(h)
Nvch(h)≤Nvmax(h) (28)
Nvmax(h)是充电站在该时刻最多能容纳电动汽车充放电数量。
不含需求响应的风火机组组合的总运行成本模型为:
其中,第一项时火电机组燃料费用,第二项是火电机组启停成本,第三项是风电直接成本,第四项是风电的弃风成本。
2.如权利要求1所述的含电动汽车消纳大规模风电的机组组合计算方法,其特征是:所述的步骤e中,针对以上建立的目标函数和相应的模型列出相应的约束条件,采用教与学优化算法对其进行仿真,得出最终结论。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910743549.2A CN110556822B (zh) | 2019-08-13 | 2019-08-13 | 一种含电动汽车消纳大规模风电机组的组合计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910743549.2A CN110556822B (zh) | 2019-08-13 | 2019-08-13 | 一种含电动汽车消纳大规模风电机组的组合计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110556822A true CN110556822A (zh) | 2019-12-10 |
CN110556822B CN110556822B (zh) | 2022-11-01 |
Family
ID=68737290
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910743549.2A Active CN110556822B (zh) | 2019-08-13 | 2019-08-13 | 一种含电动汽车消纳大规模风电机组的组合计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110556822B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111082466A (zh) * | 2019-12-27 | 2020-04-28 | 国网宁夏电力有限公司经济技术研究院 | 考虑风电不确定性的新能源接入与网架扩建优化方法 |
CN112668791A (zh) * | 2020-12-30 | 2021-04-16 | 华北电力大学(保定) | 热电联供系统的优化方法 |
CN112736894A (zh) * | 2020-11-30 | 2021-04-30 | 国网陕西省电力公司电力科学研究院 | 一种计及风电与电动汽车随机性的两阶段机组组合建模方法 |
CN112952880A (zh) * | 2021-03-19 | 2021-06-11 | 国网安徽省电力有限公司经济技术研究院 | 一种提升新能源消纳的电动汽车并网点导航与充放电控制方法 |
CN114336606A (zh) * | 2021-12-29 | 2022-04-12 | 中国电力科学研究院有限公司 | 可再生能源区域弃量确定方法、系统、设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104966127A (zh) * | 2015-06-03 | 2015-10-07 | 东南大学 | 一种基于需求响应的电动汽车经济调度方法 |
CN107394802A (zh) * | 2017-07-04 | 2017-11-24 | 上海交通大学 | 分布式储能参与自动发电控制的协调控制方法 |
-
2019
- 2019-08-13 CN CN201910743549.2A patent/CN110556822B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104966127A (zh) * | 2015-06-03 | 2015-10-07 | 东南大学 | 一种基于需求响应的电动汽车经济调度方法 |
CN107394802A (zh) * | 2017-07-04 | 2017-11-24 | 上海交通大学 | 分布式储能参与自动发电控制的协调控制方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111082466A (zh) * | 2019-12-27 | 2020-04-28 | 国网宁夏电力有限公司经济技术研究院 | 考虑风电不确定性的新能源接入与网架扩建优化方法 |
CN111082466B (zh) * | 2019-12-27 | 2021-03-02 | 国网宁夏电力有限公司经济技术研究院 | 考虑风电不确定性的新能源接入与网架扩建优化方法 |
CN112736894A (zh) * | 2020-11-30 | 2021-04-30 | 国网陕西省电力公司电力科学研究院 | 一种计及风电与电动汽车随机性的两阶段机组组合建模方法 |
CN112668791A (zh) * | 2020-12-30 | 2021-04-16 | 华北电力大学(保定) | 热电联供系统的优化方法 |
CN112952880A (zh) * | 2021-03-19 | 2021-06-11 | 国网安徽省电力有限公司经济技术研究院 | 一种提升新能源消纳的电动汽车并网点导航与充放电控制方法 |
CN112952880B (zh) * | 2021-03-19 | 2022-05-13 | 国网安徽省电力有限公司经济技术研究院 | 一种提升新能源消纳的电动汽车并网点导航与充放电控制方法 |
CN114336606A (zh) * | 2021-12-29 | 2022-04-12 | 中国电力科学研究院有限公司 | 可再生能源区域弃量确定方法、系统、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110556822B (zh) | 2022-11-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110556822B (zh) | 一种含电动汽车消纳大规模风电机组的组合计算方法 | |
Wang et al. | A scenario-based stochastic optimization model for charging scheduling of electric vehicles under uncertainties of vehicle availability and charging demand | |
CN108960510B (zh) | 一种基于两阶段随机规划的虚拟电厂优化交易策略装置 | |
Liang et al. | Battery swap pricing and charging strategy for electric taxis in China | |
CN111260237B (zh) | 一种考虑ev车主意愿的多利益主体协调博弈调度方法 | |
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 | |
CN112821465B (zh) | 包含热电联产的工业微网负荷优化调度方法与系统 | |
CN110401189B (zh) | 退役动力电池群组的分层分组协同优化调度方法 | |
Wu | Machine learning algorithms and applications for sustainable smart grid | |
CN113517690A (zh) | 含电动汽车充电站的社区综合能源系统双层调度方法 | |
CN112270433A (zh) | 考虑可再生能源不确定性和用户满意度的微电网优化方法 | |
CN115310749A (zh) | 含大规模电动汽车的区域综合能源供需调度方法和系统 | |
CN111177637A (zh) | 电动汽车换电站动力电池的容量配置方法 | |
CN111313449B (zh) | 一种基于机器学习的集群电动汽车功率优化管理方法 | |
Chiş et al. | Scheduling of plug-in electric vehicle battery charging with price prediction | |
CN115663804A (zh) | 基于深度强化学习的电力系统调控方法 | |
CN116674411A (zh) | 基于充能决策预测的电-氢复合充能站优化调度策略 | |
Erick et al. | Energy trading in grid-connected PV-battery electric vehicle charging station | |
Zeng et al. | Optimal configuration planning of vehicle sharing station-based electro-hydrogen micro-energy systems for transportation decarbonization | |
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 | |
CN113224854A (zh) | 一种对分布式储能电站的接纳能力的评估方法及装置 | |
CN111160384B (zh) | 一种移动储能车调度优化方法、系统及装置 | |
CN113852073B (zh) | 一种基于激励-响应充电决策估计的日前优化调度方法 | |
CN111740417B (zh) | 考虑电动汽车充电失败的联合微电网运行方法 | |
CN114498769A (zh) | 一种高比例风光孤岛微电网群能量调度方法及系统 |
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 |