CN111799786B - 一种基于博弈论的新能源混合电力系统容量配置方法 - Google Patents

一种基于博弈论的新能源混合电力系统容量配置方法 Download PDF

Info

Publication number
CN111799786B
CN111799786B CN202010645732.1A CN202010645732A CN111799786B CN 111799786 B CN111799786 B CN 111799786B CN 202010645732 A CN202010645732 A CN 202010645732A CN 111799786 B CN111799786 B CN 111799786B
Authority
CN
China
Prior art keywords
generator
power
capacity
typical day
photovoltaic
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.)
Active
Application number
CN202010645732.1A
Other languages
English (en)
Other versions
CN111799786A (zh
Inventor
朱永胜
杨俊林
董燕
王信杰
丁同奎
魏翱龙
冯超
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhongyuan University of Technology
Original Assignee
Zhongyuan University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhongyuan University of Technology filed Critical Zhongyuan University of Technology
Priority to CN202010645732.1A priority Critical patent/CN111799786B/zh
Publication of CN111799786A publication Critical patent/CN111799786A/zh
Application granted granted Critical
Publication of CN111799786B publication Critical patent/CN111799786B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/067—Enterprise or organisation modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • 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
    • H02J3/322—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means the battery being on-board an electric or hybrid vehicle, e.g. vehicle to grid arrangements [V2G], power aggregation, use of the battery for network load balancing, coordinated or cooperative battery charging
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/04—Power grid distribution networks
    • 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
    • H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
    • 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]
    • 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
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/22—The renewable source being solar energy
    • 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
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/28—The renewable source being wind energy
    • 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
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/40—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation wherein a plurality of decentralised, dispersed or local energy generation technologies are operated simultaneously
    • 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
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B10/00—Integration of renewable energy sources in buildings
    • Y02B10/10—Photovoltaic [PV]
    • 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
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B10/00—Integration of renewable energy sources in buildings
    • Y02B10/30—Wind power
    • 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
    • Y02E10/50—Photovoltaic [PV] energy
    • Y02E10/56—Power conversion systems, e.g. maximum power point trackers
    • 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)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Power Engineering (AREA)
  • Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Geometry (AREA)
  • Educational Administration (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Water Supply & Treatment (AREA)
  • General Engineering & Computer Science (AREA)
  • Development Economics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Primary Health Care (AREA)
  • Control Of Eletrric Generators (AREA)

Abstract

本发明提出了一种基于博弈论的新能源混合电力系统容量配置方法，其步骤为：首先，构建风力发电机、光伏发电机、电动汽车的出力模型以及风力发电机、光伏发电机的投资商收益模型、电动汽车聚合商收益模型；其次，根据风力发电机、光伏发电机的投资商收益模型和电动汽车聚合商收益模型构建基于博弈论的容量配置规划模型；最后，采用迭代搜索法对容量配置规划模型进行优化，输出容量配置规划模型中的风力发电机、光伏发电机和电动汽车的最优容量配置。本发明采用多种新能源发电在时间及地域上具有天然互补性，相比于单一能源发电，会降低其整体波动性，使电力输出更加平滑稳定，有效地增加资源的充分利用，降低发电设备的投资成本。

Description

一种基于博弈论的新能源混合电力系统容量配置方法
技术领域
本发明涉及电力系统新能源规划技术领域，特别是指一种基于博弈论的新能源混合电力系统容量配置方法。
背景技术
目前，世界各国面临着资源枯竭及环境问题的双重压力，使用清洁可再生能源代替化石能源变得异常重要。风能及太阳能凭借其清洁、可再生等优点受到了广大学者及各国政府的广泛关注，且风、光在时间及地域上具有天然互补性，近年来发展迅速。然而风、光作为发电单元其固有的随机不确定性，会给电网运行带来负面影响。因此需要引入辅助设备平滑其出力，确保其供电稳定性，虽然通过投资大容量的储能设备可解决此问题，但会增加系统的投资费用。
另一方面，近年来电动汽车作为一种新兴能量密集型交通工具，逐渐进入大众的生活，其以车网互动模式接入风、光混合发电系统后，在平滑区域能量波动的同时，也极大提高了风、光等可再生能源的接纳能力及利用效率。电动汽车作为辅助设备相较于储能电池，作为投资商角度，电动汽车投资费用归车主，可降低设备投资费用。对于车主角度，车辆停放时参与调度会得到一定的经济补贴，增加经济收入，因此电动汽车作为风、光发电的辅助设备具有较大的优势。因此以风、光、车作为主要能量单元的多能互补混合发电系统容量规划的研究异常重要。
国内外对混合发电系统容量规划研究大都着重于电网或设备投资商等单一主体，对多方利益的研究较少。然而混合发电系统设备投资商属于不同利益方，随“增量配网”政策的提出，对其容量配置与管理需考虑多方利益，博弈论是求解多方利益冲突与关联的有效工具。在容量规划阶段，对资源数据准确预测是非常重要的一步，考虑数据分布特性进行典型日选取可显著增加模型的求解速度与精度。
发明内容
针对上述背景技术中存在的不足，本发明提出了一种基于博弈论的新能源混合电力系统容量配置方法，解决了现有技术中将风、光作为发电单元其固有的随机不确定性，给电网运行带来负面影响的技术问题。
本发明的技术方案是这样实现的：
一种基于博弈论的新能源混合电力系统容量配置方法，其步骤如下：
S1、构建典型日选取模型，将采集的风速、光照强度、电力负荷的年历史数据输入典型日模型中，得到典型日；
S2、针对典型日，根据电动汽车接入电网、离开电网的时刻，对电动汽车进行集群化处理，得到典型日每个集群内电动汽车的数量；
S3、根据典型日不同时刻的风速的大小构建风力发电机的出力模型，并由风力发电机的出力模型得到风力发电机的出力；
S4、根据典型日不同时刻的光照强度的强弱构建光伏发电机的出力模型，并由光伏发电机的出力模型得到光伏发电机的出力；
S5、根据风力发电机的出力和光伏发电机的出力计算混合电力系统的负荷缺额，由负荷缺额构建电动汽车的出力模型；
S6、根据风力发电机的出力和光伏发电机的出力分别构建风力发电机、光伏发电机的投资商收益模型；
S7、根据电动汽车的出力模型构建电动汽车聚合商收益模型；
S8、根据风力发电机、光伏发电机的投资商收益模型和电动汽车聚合商收益模型构建基于博弈论的容量配置规划模型；
S9、采用迭代搜索法对容量配置规划模型进行优化，输出容量配置规划模型中的风力发电机、光伏发电机和电动汽车的最优容量配置。
所述典型日选取模型为：
Figure BDA0002572967900000021
其中，D为一年的总天数，ud为第d天典型日选取结果，1表示典型日，0表示非典型日，A为年资源及负荷历史数据矩阵，W＝[w1…wd…wD]为典型日权重向量，wd为第d天权重，a为同一时段负荷与资源总量，s1为典型日选取总天数，s2为选取典型日加权后与原始数据的负荷及资源在所有时段的总偏差；
所述年资源及负荷历史数据矩阵A为：
Figure BDA0002572967900000022
其中，v(d,t)为第d天t时的风速，r(d,t)为第d天t时的光照强度，Pd(d,t)为第d天t时的负荷，d＝1,2,…,D，t＝1,2,…,24。
所述同一时段负荷与资源总量a为：
a＝[∑v(d,1)…∑v(d,24)…∑r(d,1)…∑v(d,24)…∑Pd(d,1)…∑Pd(d,24)]
典型日选取模型的约束条件为：
wd≤ud*D，
WA-a≤ψ·a，
Figure BDA0002572967900000031
ud∈{0,1}，
其中，ψ为比例系数。
所述风力发电机的出力模型为：
Figure BDA0002572967900000032
其中，pw(i,t)为风力发电机在典型日i第t时段的输出功率，v(i,t)为典型日i第t时段的风速，i为典型日，PW为风力发电机总装机容量，vin为切入风速，vrate为额定风速，vout为切出风速；
风力发电机总装机容量PW的约束条件为：
Figure BDA0002572967900000033
其中，
Figure BDA0002572967900000034
为风力发电机的配置容量的上限，
Figure BDA0002572967900000035
为风力发电机的配置容量的下限。
所述光伏发电机的出力模型为：
Figure BDA0002572967900000036
其中，ps(i,t)为光伏发电机在典型日i第t时段的输出功率，r(i,t)为典型日i第t时段的光照强度，PS为光伏阵列的总装机容量，rrate为额定光照辐射强度；
光伏阵列的总装机容量PS的约束条件为：
Figure BDA0002572967900000037
其中，
Figure BDA0002572967900000038
为光伏阵列的配置容量的上限，
Figure BDA0002572967900000039
为光伏阵列的配置容量的下限。
所述混合电力系统的负荷缺额为：
△P(i,t)＝pw(i,t)+ps(i,t)-Pd(i,t)，
其中，△P(i,t)为混合电力系统在典型日i第t时段的负荷缺额，Pd(i,t)为典型日i第t时段的负荷需求；
所述电动汽车的出力模型为：
PEV(i,t)＝Pev,start(i,t)+△P(i,t)，
其中，PEV(i,t)为典型日i第t时段的电动汽车功率，Pev,start(i,t)＝NEV(i,t)PevSOC(i,(t-1))为典型日i第t时段电动汽车调度的功率起始状态，NEV为电动汽车接入数量，NEV(i,t)为典型日i第t时段可参与调度的电动汽车数量，PEV＝NEV×Pev为电动汽车配置容量，Pev为电动汽车额定容量，SOC(i,(t-1))为典型日i第t-1时段电动汽车荷电状态；
电动汽车功率的约束条件为：
(1-θ)NEV(i,t)Pev≤PEV(i,t)≤NEV(i,t)Pev，
其中，θ为电动汽车最大放电深度；
所述电动汽车配置容量PEV为：
Figure BDA0002572967900000041
其中，
Figure BDA0002572967900000042
为电动汽车的配置容量上限，
Figure BDA0002572967900000043
为电动汽车的配置容量下限。
所述风力发电机、光伏发电机的投资商收益模型均为：
Fx＝IxSEL+IxSUB+IxREC-CxINV-CxSER-CxGV-CxPUR-CxEENS，
其中，x为风力发电机设备投资商或光伏发电机设备投资商，Fx为发电机设备投资商x对应的总收益，IxSEL为发电机设备投资商x对应的售电总收益，IxSUB为政府对发电机设备投资商x的新能源发电总补贴，IxREC为发电机设备投资商x对应的等效回收总收益，CxINV为发电机设备投资商x对应的年投资总收入，CxSER为发电机设备投资商x对应的年投资总成本，CxGV为发电机设备投资商x对应的能量流失惩罚总费用，CxPUR为发电机设备投资商x对应的购电总收入，CxEENS为发电机设备投资商x对应的停电惩罚总费用；
所述发电机设备投资商x对应的售电总收益IxSEL为：
Figure BDA0002572967900000044
其中，I为所有典型日的集合，wi为典型日i的权重系数，R为售电电价，△t为时间间隔，T＝24小时，ζ为电动汽车充电电价，
Figure BDA0002572967900000045
为发电机设备投资商x对应的售电量，Pmax(i,t)＝Pd(i,t)+Pchmax(i,t)+Pl max为典型日i第t时段最大可消耗功率，Pchmax(i,t)为典型日i第t时段电动汽车的最大充电功率，Pl max为线路最大传输容量，PMAR(i,t)＝pw(i,t)+ps(i,t)-Pmax(i,t)为典型日i第t时段系统过剩功率，
Figure BDA0002572967900000051
为电动汽车聚合商在典型日i第t时段的充电功率；
所述政府对发电机设备投资商x对应的新能源发电补贴IxSUB为：
Figure BDA0002572967900000052
其中，RSUB为政府补贴系数；
所述发电机设备投资商x对应的年等效回收总收益IxREC为：
Figure BDA0002572967900000053
其中，Dx为发电设备投资商x所建设备单位功率的回收收入，Px为发电机设备投资商x所建发电设备总装机容量，r为资金贴现率，Lx为设备x的使用年限；
所述发电机设备投资商x对应的年投资总收入CxINV为：
CxINV＝PxUxfcr，
其中，Ux为发电机设备投资商x所建设备的单位功率的造价，
Figure BDA0002572967900000054
为资金回收系数；
所述发电机设备投资商x对应的年投资总成本CxSER为：
CxSER＝PxMx，
其中，Mx为发电机设备投资商x所建发电设备的单位功率维护费用；
所述发电机设备投资商x对应的能量流失惩罚总费用CxGV为：
Figure BDA0002572967900000055
其中，
Figure BDA0002572967900000056
为典型日i第t时段发电机设备投资商x对应的发电功率盈余，kwaste为能量流失惩罚系数；
所述发电机设备投资商x对应的购电收入CxPUR为：
Figure BDA0002572967900000057
其中，
Figure BDA0002572967900000058
为混合电力系统向国家电网购电费用，k为不同污染气体的编号，ak为污染气体排放系数，bk为治理费用系数，ε为国家电网售电电价，
Figure BDA0002572967900000059
为混合电力系统向国家电网购电量，△Pl(i,t)＝Pd(i,t)-[pw(i,t)+ps(i,t)+PDchmax(i,t)]为混合电力系统在典型日i第t时段的不平衡功率，PDchmax(i,t)为典型日i第t时段电动汽车的最大放电功率；
所述发电机设备投资商x对应的停电惩罚总费用CxEENS为：
Figure BDA0002572967900000061
式中，
Figure BDA0002572967900000062
为停电补偿费用，v为停电补偿系数，
Figure BDA0002572967900000063
为典型日i第t时段的停电功率。
所述电动汽车聚合商收益模型为：
FEV＝IEVCPS-CEVPUR-CEVEENS，
其中，
Figure BDA0002572967900000064
为电动汽车聚合商辅助收入，
Figure BDA0002572967900000065
为电动汽车聚合商典型日i第t时段的放电功率，CEVPUR为电动汽车分摊的购电费用，CEVEENS为电动汽车分摊的停电惩罚费用。
所述基于博弈论的容量配置规划模型的构建方法为：
建立风力发电机、光伏发电机和电动汽车接入混合电力系统的博弈模型，博弈模型包括参与方、策略和优化目标；
所述参与方为风力发电机的投资商、光伏发电机的投资商和电动汽车聚合商，参与方集合为N＝{W,S,EV}，其中，W是指风力发电机的投资商，S是指光伏发电机的投资商，EV是指电动汽车聚合商；
所述策略为风力发电机的配置容量、光伏发电机的配置容量和电动汽车的配置容量，策略集合P＝{PW,PS,PEV}，其中，PW为风力发电机总装机容量，PS为光伏阵列的总装机容量，PEV为电动汽车配置容量；
所述优化目标为风力发电机的投资商的收益函数FW(PW,PS,PEV)、光伏发电机的投资商的收益函数FS(PW,PS,PEV)和电动汽车聚合商的收益函数FEV(PW,PS,PEV)。
所述采用迭代搜索法对容量配置规划模型进行优化的方法为：
S10.1、初始化风力发电机、光伏发电机和电动汽车的初始配置容量，包括切入风速vin、切出风速vout、额定风速vrate、混合电力系统售电电价R、政府补贴系数RSUB、额定光照辐射强度rrate、电网售电电价ε、停电补偿系数v、风力发电机的配置容量的上限
Figure BDA0002572967900000066
和下限
Figure BDA0002572967900000067
光伏发电机的配置容量的上限
Figure BDA0002572967900000068
和下限
Figure BDA0002572967900000069
电动汽车的配置容量的上限
Figure BDA00025729679000000610
和下限
Figure BDA00025729679000000611
电动汽车最大放电深度θ的变量的赋值；
S10.2、设置迭代优化次数K＝1；
S10.3、采用鸽群算法分别对风力发电机的投资商的收益函数FW(PW,PS,PEV)、光伏发电机的投资商的收益函数FS(PW,PS,PEV)和电动汽车聚合商的收益函数FEV(PW,PS,PEV)进行优化，得到风力发电机的配置容量PW,K、光伏发电机的配置容量PS,K和电动汽车的配置容量PEV,K；
S10.4、判断(PW,K,PS,K,PEV,K)是否为容量配置规划模型的纳什均衡解，若是，输出纳什均衡解(PW,K,PS,K,PEV,K)及参与方的最优收益，否则，迭代优化次数K＝K+1，返回步骤S10.3。
采用鸽群算法的优化方法为：
S10.3.1、初始化鸽群算法的参数：在H维搜索空间内随机初始化N只鸽子的位置及速度，设置地图和指南针导航阶段的迭代次数为Nc，地标算子的迭代次数为Ne，地图和指南针导航阶段的最大迭代次数为Ncmax，地标算子的最大迭代次数为Nemax，其中，位置和速度的表达式为：
Xj＝[xj,1,xj,2,…,xj,H]，
Vj＝[vj,1,vj,2,…,vj,H]，
其中，j＝1,2,…,N，Xj为第j只鸽子的位置集合，xj,k为第j只鸽子的第k维变量位置，Vj为第j只鸽子的速度集合，vj,k为第j只鸽子的第k维变量速度，k＝1,2,…,H；
S10.3.2、更新鸽子的速度与位置，每只鸽子的速度及位置更新公式为：
Figure BDA0002572967900000071
Figure BDA0002572967900000072
式中，R'为地图和指南针算子因数，Xgbest为全局最优位置；
S10.3.3、计算每只鸽子的适应度值，将最大的适应度值对应的位置作为全局最优解；
S10.3.4、判断迭代次数Nc是否大于地图指南针算子最大迭代次数Ncmax，若成立，则执行步骤S10.3.5，否则，转至步骤S10.3.2；
S10.3.5、地图和指南针算子工作结束，转至地标算子中，每进行一次迭代，鸽子的数量将会减少一半，即：
Figure BDA0002572967900000073
其中，NNe为地标算子迭代Ne次鸽子的数量；
将剩余鸽子的中心位置作为地标，则鸽子中心位置为：
Figure BDA0002572967900000081
其中，
Figure BDA0002572967900000082
fitness()为适应度函数，且
Figure BDA0002572967900000083
S10.3.6、计算剩余的每只鸽子的适应度值，根据适应度值对应的位置更新全局最优解；
S10.3.7、判断迭代次数Ne是否大于最大迭代次数Nemax，若成立，输出步骤S10.3.6中的全局最优解，否则，返回步骤S10.3.5。
本技术方案能产生的有益效果：新能源发电具有随机与波动性，单一使用一种新能源作为主要发电单元不能满足电力系统稳定性。本发明采用多种新能源发电在时间及地域上具有天然互补性，相比于单一能源发电，会降低其整体波动性，使电力输出更加平滑稳定，有效地增加资源的充分利用，降低发电设备的投资成本；本发明利用了日间光伏发电输出较高、夜间风力发电输出较高、以及电动汽车充放电相互补充，保证了混合电力系统发电的稳定性，保证了资源合理利用的高效性。
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，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，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为本发明的混合发电系统运行模式图；
图2为本发明的电动汽车集群流程图；
图3为本发明的流程图；
图4为本发明基于迭代搜索法优化容量配置规划模型的流程图；
图5为本发明采用的鸽群算法的优化流程图；
图6为本发明的风-光-电动汽车各时段出力；
图7为本发明的风-电动汽车各时段出力；
图8为本发明的风-光各时段出力；
图9为本发明的不同传输容量下的模型容量配置；
图10为本发明的不同传输容量下的各投资方收益。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1和图3所示，本发明实施例提供了一种基于博弈论的新能源混合电力系统容量配置方法，具体步骤如下：
S1、构建典型日选取模型，将采集的风速、光照强度、电力负荷的年历史数据输入典型日模型中，得到典型日；
所述典型日选取模型为：
Figure BDA0002572967900000091
其中，D为一年的总天数，ud为第d天典型日选取结果，1表示典型日，0表示非典型日，A为年资源及负荷历史数据矩阵，W＝[w1…wd…wD]为典型日权重向量，wd为第d天权重，a为同一时段负荷与资源总量，s1为典型日选取总天数，为改善模型的计算复杂性，因此尽可能保证选取典型日天数尽可能少，s2为选取典型日通过加权与原始数据的负荷及资源在所有时段的总偏差，为保证模型的计算精度，使选取的典型日与原始数据尽可能相近，设置目标s2；
所述年资源及负荷历史数据矩阵A为：
Figure BDA0002572967900000092
其中，v(d,t)为第d天t时的风速，r(d,t)为第d天t时的光照强度，Pd(d,t)为第d天t时的负荷，d＝1,2,…,D，t＝1,2,…,24。
所述同一时刻资源与负荷总量a为：
a＝[∑v(d,1)…∑v(d,24)…∑r(d,1)…∑v(d,24)…∑Pd(d,1)…∑Pd(d,24)]；
典型日选取模型的约束条件为：
wd≤ud*D，
WA-a≤ψ·a，
Figure BDA0002572967900000101
ud∈{0,1}，
其中，ψ为比例系数，保证每个时段负荷和资源与总量偏差在一定范围。
S2、针对典型日，根据电动汽车接入电网、离开电网的时刻，对电动汽车进行集群化处理，得到典型日每个集群内电动汽车的数量，如图2所示；
基于电动汽车的车主出行需求，车辆行驶时段一般集中在07:00-09:00和16:00-19:00两个区间。根据电动汽车接入电网与离开电网的时段不同，将电动汽车分为12个集群，在减少模型计算复杂度的同时也保证了调度的精度，集群分类如表1所示：
表1电动汽车集群分类规则
Figure BDA0002572967900000102
电动汽车的接入电网的时刻与离开电网的时刻符合正态分布，对应的概率密度函数为：
Figure BDA0002572967900000103
其中，λs为均值，δs为方差，t'表示白天接入电网时刻、白天离开电网时刻、夜晚接入电网时刻或夜晚离开电网时刻，当t'表示白天接入电网时刻时，f(t')表示电动汽车在白天接入电网时刻的概率密度函数，当t'表示白天离开电网时刻时，f(t')表示电动汽车在白天离开电网时刻的概率密度函数，当t'表示夜晚接入电网时刻时，f(t')表示电动汽车在夜晚接入电网时刻的概率密度函数，当t'表示夜晚离开电网时刻时，f(t')表示电动汽车在夜晚离开电网时刻的概率密度函数，白天是指08:00-18:00时段，夜晚是指19:00-07:00。
利用MATLAB软件绘制电动汽车接入电网时刻与离开电网时刻的概率密度曲线；对电动汽车进行编号；将每个编号作为点均匀撒在概率密度曲线内；将不在集群内的电动汽车归入临近集群；统计每个集群内电动汽车数量。
S3、根据典型日不同时刻的风速的大小构建风力发电机的出力模型，并由风力发电机的出力模型得出风力发电机的出力；所述风力发电机的出力模型为：
Figure BDA0002572967900000111
其中，pw(i,t)为风力发电机在典型日i第t时段的输出功率，v(i,t)为典型日i第t时段的风速，i为典型日，PW为风力发电机总装机容量，vin为切入风速，vrate为额定风速，vout为切出风速；
风力发电机总装机容量PW的约束条件为：
Figure BDA0002572967900000112
其中，
Figure BDA0002572967900000113
为风力发电机的配置容量的上限，设置为负荷峰值的10倍，
Figure BDA0002572967900000114
为风力发电机的配置容量的下限，设置为0。
S4、根据典型日不同时刻的光照强度的强弱构建光伏发电机的出力模型，并由光伏发电机的出力模型得到光伏发电机的出力；所述光伏发电机的出力模型为：
Figure BDA0002572967900000115
其中，ps(i,t)为光伏发电机在典型日i第t时段的输出功率，r(i,t)为典型日i第t时段的光照强度，PS为光伏阵列的总装机容量，rrate为额定光照辐射强度；
光伏阵列的总装机容量PS的约束条件为：
Figure BDA0002572967900000116
其中，
Figure BDA0002572967900000117
为光伏阵列的配置容量的上限，设置为负荷峰值的10倍，
Figure BDA0002572967900000118
为光伏阵列的配置容量的下限，设置为0。
S5、根据风力发电机的出力和光伏发电机的出力计算混合电力系统的负荷缺额，由负荷缺额构建电动汽车的出力模型；
所述混合电力系统的负荷缺额为：
△P(i,t)＝pw(i,t)+ps(i,t)-Pd(i,t)，
其中，△P(i,t)为混合电力系统在典型日i第t时段的负荷缺额，Pd(i,t)为典型日i第t时段的负荷需求。
所述电动汽车的出力模型为：
PEV＝NEV×Pev，
PEV(i,t)＝Pev,start(i,t)+△P(i,t)，
Pev,start(i,t)＝NEV(i,t)PevSOC(i,(t-1))，
其中，PEV(i,t)为典型日i第t时段的电动汽车功率，Pev,start(i,t)为典型日i第t时段电动汽车调度起始状态，NEV为电动汽车接入数量，NEV(i,t)为典型日i第t时段可参与调度的电动汽车数量，PEV为电动汽车配置容量，Pev为电动汽车额定容量，SOC(i,(t-1))为典型日i第t-1时段电动汽车荷电状态；
电动汽车功率的约束条件为：
(1-θ)NEV(i,t)Pev≤PEV(i,t)≤NEV(i,t)Pev，
其中，θ为电动汽车最大放电深度；
所述电动汽车配置容量PEV为：
Figure BDA0002572967900000121
其中，
Figure BDA0002572967900000122
为电动汽车的配置容量上限，设置为负荷峰值的10倍，
Figure BDA0002572967900000123
为电动汽车的配置容量下限，设置为0。
S6、根据风力发电机的出力和光伏发电机的出力分别构建风力发电机、光伏发电机的投资商收益模型：
Fx＝IxSEL+IxSUB+IxREC-CxINV-CxSER-CxGV-CxPUR-CxEENS，
其中，x为风力发电机设备投资商或光伏发电机设备投资商，Fx为发电机设备投资商x对应的总收益，IxSEL为发电机设备投资商x对应的售电总收益，IxSUB为政府对发电机设备投资商x的新能源发电总补贴，IxREC为发电机设备投资商x对应的等效回收总收益，CxINV为发电机设备投资商x对应的年投资总收入，CxSER为发电机设备投资商x对应的年投资总成本，CxGV为发电机设备投资商x对应的能量流失惩罚总费用，CxPUR为发电机设备投资商x对应的购电总收入，CxEENS为发电机设备投资商x对应的停电惩罚总费用；
所述发电机设备投资商x对应的售电总收益IxSEL为：
Figure BDA0002572967900000124
其中，I为所有典型日的集合，wi为典型日i的权重系数，R为售电电价，△t为时间间隔，T＝24小时，ζ为电动汽车充电电价，
Figure BDA0002572967900000131
为发电机设备投资商x对应的售电量(博弈参与方售电收益采用多投资多收益的原则，当PMAR(i,t)≤0时，混合电力系统出力供不应求，风、光发电全部售出。当PMAR(i,t)＞0时，出力供大于求时，会出现弃风弃光现象)，Pmax(i,t)＝Pd(i,t)+Pchmax(i,t)+Pl max为典型日i第t时段最大可消耗功率，Pchmax(i,t)为典型日i第t时段电动汽车的最大充电功率，Pl max为线路最大传输容量，PMAR(i,t)＝pw(i,t)+ps(i,t)-Pmax(i,t)为典型日i第t时段系统过剩功率，
Figure BDA0002572967900000132
为电动汽车聚合商在典型日i第t时段的充电功率；
所述政府对发电机设备投资商x对应的新能源发电补贴IxSUB为：
Figure BDA0002572967900000133
其中，RSUB为政府补贴系数；
新能源发电设备到达报废年限时会带来一定的报废收入，所述发电机设备投资商x对应的年等效回收总收益IxREC为：
Figure BDA0002572967900000134
其中，Dx为发电设备投资商x所建设备单位功率的回收收入，Px为发电机设备投资商x所建发电设备总装机容量，r为资金贴现率，Lx为设备x的使用年限；
所述发电机设备投资商x对应的年投资总收入CxINV为：
CxINV＝PxUxfcr，
其中，Ux为发电机设备投资商x所建设备的单位功率的造价，
Figure BDA0002572967900000135
为资金回收系数；
所述发电机设备投资商x对应的年投资总成本CxSER为：
CxSER＝PxMx，
其中，Mx为发电机设备投资商x所建发电设备的单位功率维护费用；
所述发电机设备投资商x对应的能量流失惩罚总费用CxGV为：
Figure BDA0002572967900000136
其中，
Figure BDA0002572967900000137
为典型日i第t时段发电机设备投资商x对应的发电功率盈余，kwaste为能量流失惩罚系数；
所述发电机设备投资商x对应的购电收入CxPUR为：
Figure BDA0002572967900000141
其中，
Figure BDA0002572967900000142
为电力系统向国家电网购电费用，k为不同污染气体的编号，ak为污染气体排放系数，bk为治理费用系数，ε为国家电网售电电价，
Figure BDA0002572967900000143
为电力系统向国家电网购电量——表示各博弈参与方协调调度仍不能满足负荷需求时需要向国家电网购电，△Pl(i,t)＝Pd(i,t)-[pw(i,t)+ps(i,t)+PDchmax(i,t)]为电力系统在典型日i第t时段的不平衡功率，PDchmax(i,t)为典型日i第t时段电动汽车的最大放电功率；
所述发电机设备投资商x对应的停电惩罚总费用CxEENS为：
Figure BDA0002572967900000144
式中，
Figure BDA0002572967900000145
为停电补偿费用，v为停电补偿系数，
Figure BDA0002572967900000146
为典型日i第t时段的停电功率。
S7、根据电动汽车的出力模型构建电动汽车聚合商收益模型：
FEV＝IEVCPS-CEVPUR-CEVEENS，
其中，
Figure BDA0002572967900000147
为电动汽车聚合商辅助收入，
Figure BDA0002572967900000148
为电动汽车聚合商典型日i第t时段的放电功率，CEVPUR为电动汽车分摊的购电费用，CEVEENS为电动汽车分摊的停电惩罚费用。
S8、根据风力发电机、光伏发电机的投资商收益模型和电动汽车聚合商收益模型构建基于博弈论的容量配置规划模型；
建立风力发电机、光伏发电机和电动汽车接入混合电力系统的博弈模型，博弈模型包括参与方、策略和优化目标；
所述参与方为风力发电机的投资商、光伏发电机的投资商和电动汽车聚合商，参与方集合为N＝{W,S,EV}，其中，W是指风力发电机的投资商，S是指光伏发电机的投资商，EV是指电动汽车聚合商；
所述策略为风力发电机的配置容量、光伏发电机的配置容量和电动汽车的配置容量，策略集合P＝{PW,PS,PEV}，其中，PW为风力发电机总装机容量，PS为光伏阵列的总装机容量，PEV为电动汽车配置容量；
所述优化目标为风力发电机的投资商的收益函数FW(PW,PS,PEV)、光伏发电机的投资商的收益函数FS(PW,PS,PEV)和电动汽车聚合商的收益函数FEV(PW,PS,PEV)。
各收益函数的Nash均衡点应满足：
Figure BDA0002572967900000151
Figure BDA0002572967900000152
Figure BDA0002572967900000153
其中，
Figure BDA0002572967900000154
均表示其他博弈方选择最优策略下自己的最优策略，既在该容量配置下风力发电机、光伏发电机、电动汽车均能达到纳什均衡意义下的最高收益。
S9、采用迭代搜索法对容量配置规划模型进行优化，输出容量配置规划模型中的风力发电机、光伏发电机和电动汽车的最优容量配置，如图4所示，优化方法为：
S10.1、初始化风力发电机、光伏发电机和电动汽车的初始配置容量，包括切入风速vin、切出风速vout、额定风速vrate、混合电力系统售电电价R、政府补贴系数RSUB、额定光照辐射强度rrate、电网售电电价ε、停电补偿系数v、风力发电机的配置容量的上限
Figure BDA0002572967900000155
和下限
Figure BDA0002572967900000156
光伏发电机的配置容量的上限
Figure BDA0002572967900000157
和下限
Figure BDA0002572967900000158
电动汽车的配置容量的上限
Figure BDA0002572967900000159
和下限
Figure BDA00025729679000001510
电动汽车最大放电深度θ；
S10.2、设置迭代优化次数K＝1；
S10.3、采用鸽群算法分别对风力发电机的投资商的收益函数FW(PW,PS,PEV)、光伏发电机的投资商的收益函数FS(PW,PS,PEV)和电动汽车聚合商的收益函数FEV(PW,PS,PEV)进行优化，得到风力发电机的配置容量PW,K、光伏发电机的配置容量PS,K和电动汽车的配置容量PEV,K；鸽群算法是一种模拟自然界中鸽群归巢行为的群体智能优化算法，主要分为俩个阶段。开始阶段，鸽群依赖地图和指南针算子进行导航；后期阶段，导航工具切换为地标算子。在鸽群优化模型中，鸽群的归巢过程即为寻优过程。如图5所示，采用鸽群算法的优化方法为：
S10.3.1、初始化鸽群算法的参数：在H维搜索空间内随机初始化N只鸽子的位置及速度，设置地图和指南针导航阶段的迭代次数为Nc，地标算子的迭代次数为Ne，地图和指南针导航阶段的最大迭代次数为Ncmax，地标算子的最大迭代次数为Nemax，其中，位置和速度的表达式为：
Xj＝[xj,1,xj,2,…,xj,H]，
Vj＝[vj,1,vj,2,…,vj,H]，
其中，j＝1,2,…,N，Xj为第j只鸽子的位置集合，xj,k为第j只鸽子的第k维变量位置，Vj为第j只鸽子的速度集合，vj,k为第j只鸽子的第k维变量速度，k＝1,2,…,H；
S10.3.2、更新鸽子的速度与位置，每只鸽子的速度及位置更新公式为：
Figure BDA0002572967900000161
Figure BDA0002572967900000162
式中，R'为地图和指南针算子因数，取值在0～1之间，Xgbest为全局最优位置，相当于指南针指示位置；
S10.3.3、计算每只鸽子的适应度值，将最大的适应度值对应的位置作为全局最优解；
S10.3.4、判断迭代次数Nc是否大于地图指南针算子最大迭代次数Ncmax，若成立，则执行步骤S10.3.5，否则，转至步骤S10.3.2；
S10.3.5、地图和指南针算子工作结束，转至地标算子中，每进行一次迭代，远离目标的鸽子因为对地标不熟悉，不在具备分辨路径的能力，鸽子的数量将会减少一半，即：
Figure BDA0002572967900000163
其中，NNe为地标算子迭代Ne次鸽子的数量；
将剩余鸽子的中心位置作为地标(鸽子飞行的参考方向)，则鸽子中心位置为：
Figure BDA0002572967900000164
其中，
Figure BDA0002572967900000165
fitness()为适应度函数，且
Figure BDA0002572967900000166
S10.3.6、计算剩余的每只鸽子的适应度值，根据适应度值对应的位置更新全局最优解；
S10.3.7、判断迭代次数Ne是否大于最大迭代次数Nemax，若成立，输出步骤S10.3.6中的全局最优解，否则，返回步骤S10.3.5；
S10.4、判断(PW,K,PS,K,PEV,K)是否为容量配置规划模型的纳什均衡解，若是，输出纳什均衡解(PW,K,PS,K,PEV,K)及参与方的最优收益，否则，迭代优化次数K＝K+1，返回步骤S10.3。
实验仿真及实验结果
(1)系统设置
以某地微电网作为研究对象，假定电动汽车入网时其荷电状态(state ofcharge，SOC)为50％，并将电动汽车离网时所需达到的SOC统一设定为70％，us分别取7、8、16.5、17.5，δs分别为0.8、0.6、1、1.1，微网发电系统参数如表2所示：
表2系统参数
Figure BDA0002572967900000171
根据居民实际出行需求，电动汽车采用日间与夜间两充模式，其行驶时段一般集中在07:00-09:00和16:00-19:00，对电动汽车进行分类集群处理，减少模型计算复杂度，同时也保证日前调度的精度。根据电动汽车入网及离网时段的概率密度分布进行抽样处理，将电动汽车分为12个大集群，分类原则如表1所示，对不在所建集群的少量电动汽车采用“就近原则”，将这些电动汽车归入临近的集群中，再不降低精度同时也提高了模型的求解效率。
(2)实验结果
1)不同博弈参与方仿真结果分析
本发明考虑风力发电机、光伏发电机、电动汽车三方参与博弈，各博弈参与方配置容量及净收益结果如表3所示：
表3风-光-电动汽车容量配置结果
Figure BDA0002572967900000181
由表3可知，风力发电机、光伏发电机发电占微网发电系统主要部分，风力发电机容量配置及收益最大，电动汽车在微网系统中主要起辅助作用，自身无电能输出，因此其收益最小。光伏发电机中的光伏电池装机成本较高，且只在日间有电能输出，因此其相比于风力发电机净收益有较大差距。
如图6所示，负荷需求大部分由风力发电机提供。夜间电力负荷处于低谷期，光伏发电机无电能输出，但风力发电机输出较高，单靠风力发电机可满足系统负荷需求，微电网供应负荷需求的同时还对电动汽车进行充电。日间电力负荷逐渐进入高峰期，光伏发电机开始输出电能，风力发电机输出较夜间有所下降，光伏发电机弥补了风力发电机供应不足的缺点。在8和18两时段，电动汽车行驶结束接入微网系统，此时负荷需求较低，可对电动汽车进行充电。在19和20两时段，光伏发电机输出为零，但负荷需求仍处于高峰期，电动汽车放电来补偿风电供应不足的弊端。
将风力发电机、电动汽车组成微电网系统，其他参数不变，仿真结果如表4所示：
表4风-电动汽车容量配置结果
Figure BDA0002572967900000182
比较表3与表4，微网系统由风电及电动汽车组成时，风电配置容量大幅增加，其收益也有提高，因此增大风力发电机配置容量可提高收益。但比较双方净收益与配置容量的比值可得出收益比是下降的，因为风力发电机与光伏发电机在时间及地域上有天然互补性，单靠风力发电机满足负荷用电需求时，会带来更多弃风现象，从而带来一定的惩罚费用。
如图7所示，在9:00-12:00风电输出较小，负荷逐渐进入高峰期，风力发电机不能满足负荷需求，电动汽车进行放电补偿风电出力的不足。14:00-22:00风电输出高于负荷需求，电动汽车进行充电。
将风力发电机、光伏发电机组成微电网系统，无电动汽车参与，其他参数不变，仿真结果如表5所示：
表5风-光容量配置结果
Figure BDA0002572967900000191
比较表3与表5可看出，风力发电机配置容量升高，但光伏发电机配置容量下降，其净收益均有所减少。电动汽车在微网发电系统中可平滑风力发电机、光伏发电机发电不确定性对电网造成的不利影响，无电动汽车接入微网系统，将出现电能过剩或不足带来惩罚费用，因此其净收益均有所下降。
如图8所示，在10和19两时段，负荷需求高于风力发电机、光伏发电机的电能输出，微电网需向国家电网进行购电。在12:00-17:00微网发电系统电能输出过剩，与国家电网交互后仍有大量电能剩余，会带来能量流失惩罚费用。因此无电动汽车接入的混合微网系统，风力发电机与光伏发电机的净收益均有所下降。
综上所述，光伏发电机与风力发电机具有互补性，无光伏发电机接入系统较本发明模型其各参与方收益比均有所下降。电动汽车在微网系统中起辅助作用，无电动汽车接入的微电网系统与本发明模型相比净收益大幅下滑。
2)不同传输容量结果分析
调整微网系统与国家电网的能量交互，即增大传输容量的值，其他参数不变，结果如图9、10所示：
分析不同传输容量下的博弈结果(图9、图10)可得，随线路传输容量增加，风力发电机及光伏发电机的容量配置增加，电动汽车容量配置持续减小。当风力发电机及光伏发电机发电不足时，线路传输容量越大，微网系统可向国家电网购电越多，停电惩罚费用也越低，因此风力发电机及光伏发电机收益会增加。当风力发电机及光伏发电机的发电过剩时，线路传输容量越大，微网系统向电网的售电会越多，弃风弃光量会减小，因此其收益也会增加。电动汽车和线路传输容量均有平抑微网出力波动的作用，因此随线路传输容量升高，电动汽车容量配置及收益均会有所减小。
综上所述，线路传输容量变化会影响微网系统的容量配置与收益。随线路传输容量增大，风力发电机及光伏发电机的配置容量及收益随之增大，电动汽车配置容量及收益持续减小。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于博弈论的新能源混合电力系统容量配置方法，其特征在于，其步骤如下：
S1、构建典型日选取模型，将采集的风速、光照强度、电力负荷的年历史数据输入典型日模型中，得到典型日；
S2、针对典型日，根据电动汽车接入电网、离开电网的时刻，对电动汽车进行集群化处理，得到典型日每个集群内电动汽车的数量；
S3、根据典型日不同时刻的风速的大小构建风力发电机的出力模型，并由风力发电机的出力模型得到风力发电机的出力；
S4、根据典型日不同时刻的光照强度的强弱构建光伏发电机的出力模型，并由光伏发电机的出力模型得到光伏发电机的出力；
S5、根据风力发电机的出力和光伏发电机的出力计算混合电力系统的负荷缺额，由负荷缺额构建电动汽车的出力模型；
所述混合电力系统的负荷缺额为：
△P(i,t)＝pw(i,t)+ps(i,t)-Pd(i,t)，
其中，△P(i,t)为混合电力系统在典型日i第t时段的负荷缺额，Pd(i,t)为典型日i第t时段的负荷需求，pw(i,t)为风力发电机在典型日i第t时段的输出功率，ps(i,t)为光伏发电机在典型日i第t时段的输出功率；
所述电动汽车的出力模型为：
PEV(i,t)＝Pev,start(i,t)+△P(i,t)，
其中，PEV(i,t)为典型日i第t时段的电动汽车功率，Pev,start(i,t)＝NEV(i,t)PevSOC(i,(t-1))为典型日i第t时段电动汽车调度的功率起始状态，NEV为电动汽车接入数量，NEV(i,t)为典型日i第t时段可参与调度的电动汽车数量，PEV＝NEV×Pev为电动汽车配置容量，Pev为电动汽车额定容量，SOC(i,(t-1))为典型日i第t-1时段电动汽车荷电状态；
电动汽车功率的约束条件为：
(1-θ)NEV(i,t)Pev≤PEV(i,t)≤NEV(i,t)Pev，
其中，θ为电动汽车最大放电深度；
所述电动汽车配置容量PEV为：
Figure FDA0002931604270000011
其中，
Figure FDA0002931604270000012
为电动汽车的配置容量上限，
Figure FDA0002931604270000013
为电动汽车的配置容量下限；
S6、根据风力发电机的出力和光伏发电机的出力分别构建风力发电机、光伏发电机的投资商收益模型；
S7、根据电动汽车的出力模型构建电动汽车聚合商收益模型；
S8、根据风力发电机、光伏发电机的投资商收益模型和电动汽车聚合商收益模型构建基于博弈论的容量配置规划模型；
S9、采用迭代搜索法对容量配置规划模型进行优化，输出容量配置规划模型中的风力发电机、光伏发电机和电动汽车的最优容量配置。
2.根据权利要求1所述的基于博弈论的新能源混合电力系统容量配置方法，其特征在于，所述典型日选取模型为：
Figure FDA0002931604270000021
其中，D为一年的总天数，ud为第d天典型日选取结果，1表示典型日，0表示非典型日，A为年资源及负荷历史数据矩阵，W＝[w1…wd…wD]为典型日权重向量，wd为第d天权重，a为同一时段负荷与资源总量，s1为典型日选取总天数，s2为选取典型日加权后与原始数据的负荷及资源在所有时段的总偏差；
所述年资源及负荷历史数据矩阵A为：
Figure FDA0002931604270000022
其中，v(d,t)为第d天t时的风速，r(d,t)为第d天t时的光照强度，Pd(d,t)为第d天t时的负荷，d＝1,2,…,D，t＝1,2,…,24；
所述同一时段负荷与资源总量a为：
a＝[∑v(d,1)…∑v(d,24)…∑r(d,1)…∑v(d,24)…∑Pd(d,1)…∑Pd(d,24)]
典型日选取模型的约束条件为：
wd≤ud*D，
WA-a≤ψ·a，
Figure FDA0002931604270000023
ud∈{0,1}，
其中，ψ为比例系数。
3.根据权利要求1所述的基于博弈论的新能源混合电力系统容量配置方法，其特征在于，所述风力发电机的出力模型为：
Figure FDA0002931604270000031
其中，pw(i,t)为风力发电机在典型日i第t时段的输出功率，v(i,t)为典型日i第t时段的风速，i为典型日，PW为风力发电机总装机容量，vin为切入风速，vrate为额定风速，vout为切出风速；
风力发电机总装机容量PW的约束条件为：
Figure FDA0002931604270000032
其中，
Figure FDA0002931604270000033
为风力发电机的配置容量的上限，
Figure FDA0002931604270000034
为风力发电机的配置容量的下限。
4.根据权利要求3所述的基于博弈论的新能源混合电力系统容量配置方法，其特征在于，所述光伏发电机的出力模型为：
Figure FDA0002931604270000035
其中，ps(i,t)为光伏发电机在典型日i第t时段的输出功率，r(i,t)为典型日i第t时段的光照强度，PS为光伏阵列的总装机容量，rrate为额定光照辐射强度；
光伏阵列的总装机容量PS的约束条件为：
Figure FDA0002931604270000036
其中，
Figure FDA0002931604270000037
为光伏阵列的配置容量的上限，
Figure FDA0002931604270000038
为光伏阵列的配置容量的下限。
5.根据权利要求4所述的基于博弈论的新能源混合电力系统容量配置方法，其特征在于，所述风力发电机、光伏发电机的投资商收益模型均为：
Fx＝IxSEL+IxSUB+IxREC-CxINV-CxSER-CxGV-CxPUR-CxEENS，
其中，x为风力发电机设备投资商或光伏发电机设备投资商，Fx为发电机设备投资商x对应的总收益，IxSEL为发电机设备投资商x对应的售电总收益，IxSUB为政府对发电机设备投资商x的新能源发电总补贴，IxREC为发电机设备投资商x对应的等效回收总收益，CxINV为发电机设备投资商x对应的年投资总收入，CxSER为发电机设备投资商x对应的年投资总成本，CxGV为发电机设备投资商x对应的能量流失惩罚总费用，CxPUR为发电机设备投资商x对应的购电总收入，CxEENS为发电机设备投资商x对应的停电惩罚总费用；
所述发电机设备投资商x对应的售电总收益IxSEL为：
Figure FDA0002931604270000039
其中，I为所有典型日的集合，wi为典型日i的权重系数，R为售电电价，△t为时间间隔，T＝24小时，ζ为电动汽车充电电价，
Figure FDA0002931604270000041
为发电机设备投资商x对应的售电量，Pmax(i,t)＝Pd(i,t)+Pchmax(i,t)+Pl max为典型日i第t时段最大可消耗功率，Pchmax(i,t)为典型日i第t时段电动汽车的最大充电功率，Pl max为线路最大传输容量，PMAR(i,t)＝pw(i,t)+ps(i,t)-Pmax(i,t)为典型日i第t时段系统过剩功率，
Figure FDA0002931604270000042
为电动汽车聚合商在典型日i第t时段的充电功率；
所述政府对发电机设备投资商x对应的新能源发电补贴IxSUB为：
Figure FDA0002931604270000043
其中，RSUB为政府补贴系数；
所述发电机设备投资商x对应的年等效回收总收益IxREC为：
Figure FDA0002931604270000044
其中，Dx为发电设备投资商x所建设备单位功率的回收收入，Px为发电机设备投资商x所建发电设备总装机容量，r为资金贴现率，Lx为设备x的使用年限；
所述发电机设备投资商x对应的年投资总收入CxINV为：
CxINV＝PxUxfcr，
其中，Ux为发电机设备投资商x所建设备的单位功率的造价，
Figure FDA0002931604270000045
为资金回收系数；
所述发电机设备投资商x对应的年投资总成本CxSER为：
CxSER＝PxMx，
其中，Mx为发电机设备投资商x所建发电设备的单位功率维护费用；
所述发电机设备投资商x对应的能量流失惩罚总费用CxGV为：
Figure FDA0002931604270000046
其中，
Figure FDA0002931604270000047
为典型日i第t时段发电机设备投资商x对应的发电功率盈余，kwaste为能量流失惩罚系数；
所述发电机设备投资商x对应的购电收入CxPUR为：
Figure FDA0002931604270000051
其中，
Figure FDA0002931604270000052
为混合电力系统向国家电网购电费用，k为不同污染气体的编号，ak为污染气体排放系数，bk为治理费用系数，ε为国家电网售电电价，
Figure FDA0002931604270000053
为混合电力系统向国家电网购电量，△Pl(i,t)＝Pd(i,t)-[pw(i,t)+ps(i,t)+PDchmax(i,t)]为混合电力系统在典型日i第t时段的不平衡功率，PDchmax(i,t)为典型日i第t时段电动汽车的最大放电功率；
所述发电机设备投资商x对应的停电惩罚总费用CxEENS为：
Figure FDA0002931604270000054
式中，
Figure FDA0002931604270000055
为停电补偿费用，v为停电补偿系数，
Figure FDA0002931604270000056
为典型日i第t时段的停电功率。
6.根据权利要求5所述的基于博弈论的新能源混合电力系统容量配置方法，其特征在于，所述电动汽车聚合商收益模型为：
FEV＝IEVCPS-CEVPUR-CEVEENS，
其中，
Figure FDA0002931604270000057
为电动汽车聚合商辅助收入，
Figure FDA0002931604270000058
为电动汽车聚合商典型日i第t时段的放电功率，CEVPUR为电动汽车分摊的购电费用，CEVEENS为电动汽车分摊的停电惩罚费用。
7.根据权利要求1所述的基于博弈论的新能源混合电力系统容量配置方法，其特征在于，所述基于博弈论的容量配置规划模型的构建方法为：
建立风力发电机、光伏发电机和电动汽车接入混合电力系统的博弈模型，博弈模型包括参与方、策略和优化目标；
所述参与方为风力发电机的投资商、光伏发电机的投资商和电动汽车聚合商，参与方集合为N＝{W,S,EV}，其中，W是指风力发电机的投资商，S是指光伏发电机的投资商，EV是指电动汽车聚合商；
所述策略为风力发电机的配置容量、光伏发电机的配置容量和电动汽车的配置容量，策略集合P＝{PW,PS,PEV}，其中，PW为风力发电机总装机容量，PS为光伏阵列的总装机容量，PEV为电动汽车配置容量；
所述优化目标为风力发电机的投资商的收益函数FW(PW,PS,PEV)、光伏发电机的投资商的收益函数FS(PW,PS,PEV)和电动汽车聚合商的收益函数FEV(PW,PS,PEV)。
8.根据权利要求7所述的基于博弈论的新能源混合电力系统容量配置方法，其特征在于，所述采用迭代搜索法对容量配置规划模型进行优化的方法为：
S10.1、初始化风力发电机、光伏发电机和电动汽车的初始配置容量，包括切入风速vin、切出风速vout、额定风速vrate、混合电力系统售电电价R、政府补贴系数RSUB、额定光照辐射强度rrate、电网售电电价ε、停电补偿系数v、风力发电机的配置容量的上限
Figure FDA0002931604270000061
和下限
Figure FDA0002931604270000062
光伏发电机的配置容量的上限
Figure FDA0002931604270000063
和下限
Figure FDA0002931604270000064
电动汽车的配置容量的上限
Figure FDA0002931604270000065
和下限
Figure FDA0002931604270000066
电动汽车最大放电深度θ的变量的赋值；
S10.2、设置迭代优化次数K＝1；
S10.3、采用鸽群算法分别对风力发电机的投资商的收益函数FW(PW,PS,PEV)、光伏发电机的投资商的收益函数FS(PW,PS,PEV)和电动汽车聚合商的收益函数FEV(PW,PS,PEV)进行优化，得到风力发电机的配置容量PW,K、光伏发电机的配置容量PS,K和电动汽车的配置容量PEV,K；
S10.4、判断(PW,K,PS,K,PEV,K)是否为容量配置规划模型的纳什均衡解，若是，输出纳什均衡解(PW,K,PS,K,PEV,K)及参与方的最优收益，否则，迭代优化次数K＝K+1，返回步骤S10.3。
9.根据权利要求8所述的基于博弈论的新能源混合电力系统容量配置方法，其特征在于，采用鸽群算法的优化方法为：
S10.3.1、初始化鸽群算法的参数：在H维搜索空间内随机初始化N只鸽子的位置及速度，设置地图和指南针导航阶段的迭代次数为Nc，地标算子的迭代次数为Ne，地图和指南针导航阶段的最大迭代次数为Ncmax，地标算子的最大迭代次数为Nemax，其中，位置和速度的表达式为：
Xj＝[xj,1,xj,2,…,xj,H]，
Vj＝[vj,1,vj,2,…,vj,H]，
其中，j＝1,2,…,N，Xj为第j只鸽子的位置集合，xj,k为第j只鸽子的第k维变量位置，Vj为第j只鸽子的速度集合，vj,k为第j只鸽子的第k维变量速度，k＝1,2,…,H；
S10.3.2、更新鸽子的速度与位置，每只鸽子的速度及位置更新公式为：
Figure FDA0002931604270000071
Figure FDA0002931604270000072
式中，R'为地图和指南针算子因数，Xgbest为全局最优位置；
S10.3.3、计算每只鸽子的适应度值，将最大的适应度值对应的位置作为全局最优解；
S10.3.4、判断迭代次数Nc是否大于地图指南针算子最大迭代次数Ncmax，若成立，则执行步骤S10.3.5，否则，转至步骤S10.3.2；
S10.3.5、地图和指南针算子工作结束，转至地标算子中，每进行一次迭代，鸽子的数量将会减少一半，即：
Figure FDA0002931604270000073
其中，NNe为地标算子迭代Ne次鸽子的数量；
将剩余鸽子的中心位置作为地标，则鸽子中心位置为：
Figure FDA0002931604270000074
其中，
Figure FDA0002931604270000075
fitness()为适应度函数，且
Figure FDA0002931604270000076
S10.3.6、计算剩余的每只鸽子的适应度值，根据适应度值对应的位置更新全局最优解；
S10.3.7、判断迭代次数Ne是否大于最大迭代次数Nemax，若成立，输出步骤S10.3.6中的全局最优解，否则，返回步骤S10.3.5。
CN202010645732.1A 2020-07-07 2020-07-07 一种基于博弈论的新能源混合电力系统容量配置方法 Active CN111799786B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010645732.1A CN111799786B (zh) 2020-07-07 2020-07-07 一种基于博弈论的新能源混合电力系统容量配置方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010645732.1A CN111799786B (zh) 2020-07-07 2020-07-07 一种基于博弈论的新能源混合电力系统容量配置方法

Publications (2)

Publication Number Publication Date
CN111799786A CN111799786A (zh) 2020-10-20
CN111799786B true CN111799786B (zh) 2021-03-16

Family

ID=72809718

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010645732.1A Active CN111799786B (zh) 2020-07-07 2020-07-07 一种基于博弈论的新能源混合电力系统容量配置方法

Country Status (1)

Country Link
CN (1) CN111799786B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR3115614A1 (fr) * 2020-10-23 2022-04-29 Energy Observer Developments Procédé de caractérisation d’un système énergétique alimenté par au moins une source d’énergie renouvelable
CN112651105B (zh) * 2020-11-30 2023-09-12 北京华能新锐控制技术有限公司 一种基于博弈论的微网容量配置优化方法
CN113759705B (zh) * 2021-08-25 2023-09-26 华南理工大学 一种基于合作博弈论的多能源优化配置方法
CN117748557B (zh) * 2024-02-19 2024-05-10 宁波市电力设计院有限公司 一种以碳为介质的供电储能系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105576684A (zh) * 2016-02-01 2016-05-11 浙江工业大学 一种含高渗透率光电微电网中的电动汽车优化调度方法
CN106934542A (zh) * 2017-03-09 2017-07-07 国网江苏省电力公司电力科学研究院 一种基于斯塔克伯格博弈论的电动汽车需求响应调控方法
CN107464010A (zh) * 2017-06-29 2017-12-12 河海大学 一种虚拟电厂容量优化配置方法
CN108629470A (zh) * 2017-03-17 2018-10-09 华北电力大学 基于非合作博弈的多能互补系统能量管理与优化运行
CN109146201A (zh) * 2018-09-13 2019-01-04 三峡大学 基于合作博弈的充换储一体化电站微电网优化调度方法
CN111192164A (zh) * 2019-12-23 2020-05-22 国网四川省电力公司经济技术研究院 考虑不确定风电的微网联合博弈优化共享及利益分配方法
CN111260237A (zh) * 2020-01-21 2020-06-09 福州大学 一种考虑ev车主意愿的多利益主体协调博弈调度方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2014200338B2 (en) * 2013-01-21 2015-09-03 Scientific Games, Llc Methods for enhancing conditional wagering

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105576684A (zh) * 2016-02-01 2016-05-11 浙江工业大学 一种含高渗透率光电微电网中的电动汽车优化调度方法
CN106934542A (zh) * 2017-03-09 2017-07-07 国网江苏省电力公司电力科学研究院 一种基于斯塔克伯格博弈论的电动汽车需求响应调控方法
CN108629470A (zh) * 2017-03-17 2018-10-09 华北电力大学 基于非合作博弈的多能互补系统能量管理与优化运行
CN107464010A (zh) * 2017-06-29 2017-12-12 河海大学 一种虚拟电厂容量优化配置方法
CN109146201A (zh) * 2018-09-13 2019-01-04 三峡大学 基于合作博弈的充换储一体化电站微电网优化调度方法
CN111192164A (zh) * 2019-12-23 2020-05-22 国网四川省电力公司经济技术研究院 考虑不确定风电的微网联合博弈优化共享及利益分配方法
CN111260237A (zh) * 2020-01-21 2020-06-09 福州大学 一种考虑ev车主意愿的多利益主体协调博弈调度方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
A Game Theoretic Approach to Risk-Based Optimal Bidding Strategies for Electric Vehicle Aggregators in Electricity Markets With Variable Wind Energy Resources;Hongyu Wu等;《IEEE TRANSACTIONS ON SUSTAINABLE ENERGY》;20160130;第7卷(第1期);全文 *
基于博弈论的区域综合能源系统协同优化研究;朱仲宴;《中国优秀硕士学位论文全文数据库（电子期刊） 基础科学辑》;20200115;第2.2节-第2.7节 *
基于纳什均衡的电动汽车参与下的电网博弈分析;赖飞屹等;《江西电力》;20190326(第6期);全文 *
基于高斯鸽群优化算法的典型工艺知识发现方法;朱震宇等;《信息与控制》;20190215;第48卷(第1期);第2节 *
风光储微电网容量规划中的典型日选取方法;郭力等;《中国电机工程学报》;20200420;第40卷(第8期);第1.2节 *
风电和电动汽车组成虚拟电厂参与电力市场的博弈模型;王晛等;《电力系统自动化》;20190210;第43卷(第3期);第1节-第2节 *

Also Published As

Publication number Publication date
CN111799786A (zh) 2020-10-20

Similar Documents

Publication Publication Date Title
CN111799786B (zh) 一种基于博弈论的新能源混合电力系统容量配置方法
CN109599861B (zh) 考虑本地负荷调峰能力的送端电网电源结构规划方法
CN109347151B (zh) 一种新能源参与调峰的送端电网电源结构优化方法
CN109390973B (zh) 一种考虑通道约束的送端电网电源结构优化方法
Machlev et al. A review of optimal control methods for energy storage systems-energy trading, energy balancing and electric vehicles
CN109103926A (zh) 基于多辐照特性年气象场景的光伏发电接纳能力计算方法
CN109888806B (zh) 一种含电动汽车的微电网储能优化配置方法
CN107423852A (zh) 一种计及典型场景的光储联合电站优化运营方法
CN103151797A (zh) 基于多目标调度模型的并网运行方式下微网能量控制方法
CN107147152A (zh) 新能源配电网多类型有功无功源协同优化配置方法及系统
CN105205552A (zh) 一种独立新能源混合发电系统优化规划方法
CN104392394B (zh) 一种微电网储能裕度的检测方法
CN112564109B (zh) 一种基于储能系统参与含大规模海上风电的调频优化运行方法
CN107590607A (zh) 一种基于光伏预测的微电网优化调度系统和方法
CN105868499B (zh) 一种含风光储的电动汽车充电站容量配比方法
CN109598433A (zh) 考虑弃能成本和调峰需求的送端电网电源结构规划方法
CN109050284A (zh) 一种考虑v2g的电动汽车充放电电价优化方法
CN103715688A (zh) 并网型微网优化配置方法及装置
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
CN113783224A (zh) 一种考虑多种分布式能源运行的配电网双层优化规划方法
CN115117931A (zh) 考虑电动汽车灵活性和光伏接入的配电网规划方法及系统
Fu et al. Research on the stackelberg game method of building micro-grid with electric vehicles
Ma et al. Intelligent charging control method of shared vehicle based on MPPT algorithm in the environment of internet of things
CN112260274A (zh) 一种基于全景理论的虚拟电厂组建方法
CN115796533A (zh) 考虑清洁能源消纳的虚拟电厂双层优化调度方法及装置

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