CN113420953B - 一种基于容量可信度的柔性负荷可调节能力分析方法 - Google Patents
一种基于容量可信度的柔性负荷可调节能力分析方法 Download PDFInfo
- Publication number
- CN113420953B CN113420953B CN202110563144.8A CN202110563144A CN113420953B CN 113420953 B CN113420953 B CN 113420953B CN 202110563144 A CN202110563144 A CN 202110563144A CN 113420953 B CN113420953 B CN 113420953B
- Authority
- CN
- China
- Prior art keywords
- capacity
- load
- eens
- charging
- time
- 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
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 25
- 238000007599 discharging Methods 0.000 claims abstract description 50
- 238000000034 method Methods 0.000 claims abstract description 26
- 238000010248 power generation Methods 0.000 claims abstract description 20
- 238000004088 simulation Methods 0.000 claims abstract description 8
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 7
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000003068 static effect Effects 0.000 claims description 6
- 230000003111 delayed effect Effects 0.000 claims description 4
- 238000011160 research Methods 0.000 abstract description 5
- 230000006399 behavior Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 2
- 101100129500 Caenorhabditis elegans max-2 gene Proteins 0.000 description 1
- 101100083446 Danio rerio plekhh1 gene Proteins 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Economics (AREA)
- Pure & Applied Mathematics (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Algebra (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开一种基于容量可信度的柔性负荷可调节能力分析方法,使用等效带负荷能力、等效发电容量、等效常规发电容量和等效发电量替代这四个容量可信度指标构建柔性负荷的可调节能力分析框架。本发明结合当前城市电网柔性负荷发展现状,以电动汽车作为典型城市电网柔性负荷研究对象,使用序贯蒙特卡洛算法模拟电动汽车充放电负荷,并采用电力供应不足期望计算不同情况下的电力系统可靠性,并采用二分法求解出8种电动汽车充放电模式下的电动汽车充放电负荷的可信容量和容量可信度。仿真结果表明,该框架可以有效分析电动汽车在不同充放电模式和规模下的可调节能力,为典型城市电网柔性负荷的可调节能力分析提供了参考。
Description
技术领域
本发明属于电力系统城市电网柔性负荷领域,涉及城市电网柔性负荷分析的各个方面的方法研究,具体为一种基于容量可信度的柔性负荷可调节能力分析方法。
背景技术
随着以电动汽车、储能为代表的新型柔性负荷在电力系统总负荷中的比重不断增加,该类柔性负荷具有“源”和“荷”双重特征,可以通过直接控制、政策激励等多种方式参与电力系统的供电平衡。因此,如何有效量化分析不同调节策略下的柔性负荷参与电力系统供电平衡的调节潜力显得至关重要。
容量可信度作为一种量化发电机组为电力系统提供容量的能力的指标,早期在风电领域多有应用。而在以新能源为主体的新型电力系统的背景下,具有灵活调节能力的柔性负荷实际上可以起到与发电机组类似的作用,因此可以将容量可信度的定义扩展到了柔性负荷领域。具体可以定义为在等可靠性水平下,柔性负荷可以供应的负荷容量或可以替代的发电单元的容量占负荷总量的比例。
发明内容
发明目的:本发明的目的在于针对当前柔性负荷可调节能力分析手段的不足,建立一种基于容量可信度的柔性负荷可调节能力分析方法,以量化分析不同调节策略下的柔性负荷参与电力系统供电平衡的可调节能力,进而为配电网柔性负荷的调控计划提供参考。
技术方案:本发明公开一种基于容量可信度的柔性负荷可调节能力分析方法,其特征在于:
步骤1:获取电动汽车模型基本参数,将电动汽车模型基本参数输入预先构建的电动汽车负荷模型,以模拟电动汽车充放电负荷,输出电动汽车充放电负荷数据;
步骤2:获取可靠性测试电力系统基本参数,将可靠性测试电力系统基本参数输入预先构建的可靠性测试系统,以模拟常规发电机组输出功率,输出常规发电机组功率数据;以模拟系统负荷数据,输出常规负荷数据;
步骤3:将常规发电机组功率数据和常规负荷数据输入预先构建的柔性负荷的可调节能力分析框架,基于常规发电机组功率数据和常规负荷数据计算未并入电动汽车负荷的电力系统可靠性参数EENS0;
将电动汽车模型基本参数输入预先构建的柔性负荷的可调节能力分析框架,基于动汽车充放电负荷数据计算具有电动汽车充放电负荷下的系统可靠性参数EENSEV;
步骤4:比较EENS0和EENSEV的大小,若EENS0等于EENSEV,则可信容量Ccc=0,容量可信度ηcc=0,输出Ccc和ηcc;
若EENS0不等于EENSEV,则采用二分法求解可信容量Ccc和容量可信度ηcc;
步骤5:根据可信容量Ccc和容量可信度ηcc分析柔性负荷的可调节能力。
进一步地,
其中:T代表时间序列的长度;dt代表第t时刻的原始电力系统负荷,单位:MW;Ccc代表系统增加的等效发电装机容量的大小或减少的负荷的大小,单位:MW;Pev,t代表第t时刻的电动汽车充放电负荷的大小,单位:MW,Pev,t>0时为放电负荷,Pev,t<0时为充电负荷;G代表原有电力系统发电机组的集合,Cg,t代表第g台发电机组在第t时刻的输出功率,单位:MW。
进一步地,
二分法求解可信容量Ccc和容量可信度ηcc的过程为:
步骤401:当Ccc=0时,比较EENS0和EENSEV的大小,若EENS0=EENSEV,则Ccc=0,直接输出。若EENS0>EENSEV,则Ccc>0,此时设置Ccc的上下限:Cmax=Cev,Cmin=0;若EENS0<EENSEV,则Ccc<0,此时设置Ccc的上下限:Cmax=0,Cmin=-Cev;
步骤402:取可信容量上下限的中点为新的可信容量的数值,即Ccc=(Cmax+Cmin)/2;
步骤403:模拟增加了CccMW的等效发电机组装机容量后的电力系统的发电机组输出和负荷输出序列,并计算相应电力系统新的EENS0的大小。
步骤404:比较EENS0和EENSEV的大小,若EENS0=EENSEV,则Ccc=Ccc,直接输出。若EENS0>EENSEV,则调整可信容量上限Cmax=Ccc,上限不变即Cmin=Cmin;若EENS0<EENSEV,调整可信容量下限Cmin=Ccc,上限不变即Cmax=Cmax;重复步骤402、403、404;直至EENS0=EENSEV。
步骤405:输出可信容量最终结果Ccc。
其中:Cev代表电动汽车理想充放电负荷容量,计算公式如下:
Cev=N×Pev
其中:N代表接入系统的电动汽车总数量,Pev代表单个电动汽车的充放电功率大小。
此时,容量可信度ηcc的计算公式如下:
进一步地,步骤1使用序贯蒙特卡洛算法模拟电动汽车充放电负荷,过程为:
步骤201、电动汽车序号初始化,n=1;
步骤202、模拟时间初始化,i=1;
步骤203、生成日行驶里程随机数D、到达充电地点时刻随机数ta、充电习惯随机数X、用户放电意愿随机数Y,选择电动汽车充放电模式;
步骤204、计算到达停车地点的电池电量SOC(ta);
步骤205、判断该车到达该地点是的最终充放电行为;
步骤206、计算所需的单次充电时长Tc和单次放电时长Td;
步骤207:选择电动汽车充放电模式安排充电开始时刻tc和放电开始时刻td;
步骤208:根据tc、Tc、td、Td计算离开时刻电池电量SOC(tl),并生产该车当日的充电功率曲线和放电功率曲线;
步骤209:判断模拟时间是否结束,若i<365,则i=i+1,重复步骤203-步骤209;否则,进入下一步;
步骤210:判断是否模拟完成所有电动汽车,若n<N,则n=n+1,重复步骤203-步骤210,否则,进入下一步;
步骤211:累积所有电动汽车的充放电负荷曲线并输出。
进一步地,所述步骤203的日行驶里程服从的概率密度函数为:
其中:μ是日行驶距离的期望值,μ=3.68;σ为标准差,σ=0.88。
进一步地,所述步骤203的电动汽车充放电模式为:
根据充电开始时刻和放电开始时刻不同,设置8种可能的电动汽车的充放电模式,充电模式中的延迟放电设置为充放电调度时段的最后放电,即开始充电时刻tc=tl-Tc,静态负荷指代原有电力系统负荷,动态电动汽车负荷指原有电力系统负荷和以并网的电动汽车负荷,电动汽车到达后首先搜索调度时段负荷的最低值,并将其作为充电时段中点,放电反之。
进一步地,
负荷低谷时刻、峰值时刻及其对应的充电开始时刻和放电开始时刻的计算公式为:
其中:tmd代表负荷最高点对应时刻,tmc代表负荷最低点对应时刻,load(·)代表电力系统负荷序列。
进一步地,所述步骤204的到达停车地点的电池电量SOC(ta)为:
其中:ta代表到达时刻,SOC(ta)代表到达当前停车地点时的SOC;tl′代表在上一个停车地点的离开时刻,SOC(tl′)代表离开上一个停车地点时的SOC;D代表上一个停车地点和当前停车地点之间的行驶距离;L代表电动汽车最大可行驶距离。
进一步地,所述步骤206中的单次充电时长Tc和单次放电时长Td分别为:
其中:SOCmax代表充电时的期望SOC。
进一步地,所述可信容量Ccc包括基于等效带负荷能力的可信容量Celcc、基于等效发电容量的可信容量Cefc、基于等效常规发电容量的可信容量Cecc和基于等效发电量替代的可信容量Cegcs,容量可信度ηcc包括与可信容量Celcc、Cefc、Cecc和Cegcs对应的容量可信度ηelcc、ηefc、ηecc和ηegcs。
本发明提出了一种基于容量可信度的柔性负荷可调节能力分析方法,针对当前柔性负荷可调节能力分析手段的不足,建立一种基于容量可信度的柔性负荷可调节能力分析方法,以量化分析不同调节策略下的柔性负荷参与电力系统供电平衡的可调节能力,进而为配电网柔性负荷的调控计划提供参考。
附图说明
图1为本发明的流程示意图。
图2为本发明采用的电动汽车模拟流程示意图。
图3为本发明采用的可信容量分析流程示意图。
图4为RBTS可靠性测试电力系统单线示意图。
图5为可信容量结果示意图。
图6为容量可信度结果示意图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
如图1所示,本发明提出一种基于容量可信度的柔性负荷可调节能力分析方法,针对当前柔性负荷可调节能力分析手段的不足,建立一种基于容量可信度的柔性负荷可调节能力分析方法,以量化分析不同调节策略下的柔性负荷参与电力系统供电平衡的可调节能力,包括以下四个部分:
第一部分:以等效带负荷能力、等效发电容量、等效常规发电容量和等效发电量替代,这四个容量可信度指标构建柔性负荷的可调节能力分析框架;
柔性负荷的可调节能力分析框架为:
基于容量可信度的柔性负荷可调节能力分析框架包括4个可信容量指标和4个相应的容量可信度指标,具体定义如下:
(1)等效带负荷能力
基于等效带负荷能力(Equivalent Load-Carrying Capability,ELCC)的电动汽车可信容量指标可以定义为:在同一可靠性水平下,电动汽车能够供应的负荷容量,具体计算公式见式(1)-(2)。
其中:为该定义下具有电动汽车充放电负荷下的电力系统可靠性参数,该定义下未并入电动汽车负荷的电力系统可靠性参数,Cg,t代表常规机组g在t时刻的发电功率;G代表常规机组的集合;dt代表电力系统在t时刻的负荷值,T代表周期长度,本研究中T=8760h;Pev,t代表电动汽车有序放电负荷的等效发电功率;前三者的功率单位均为MW。Celcc代表该定义下的电动汽车可信容量值,单位为MW。Rt为电力系统可靠性指标,本发明中采用电量不足期望(Expected Energy Not Supplied,EENS)计算,具体公式如下:
其中:At代表负荷t时刻电力系统总的发电值,Bt代表t时刻电力系统总的负荷值。
对应的容量可信度指标可以定义为:电力系统在同一可靠性水平下能够供应负荷容量占电动汽车理想充放电负荷容量的比例,即ηelcc,具体见式(3)-(4)。
式(3)中:Cev代表理想电动汽车可调节容量,本发明定义为某时刻可以调用的所有电动汽车的充放电功率的总和。具体公式如下:
Cev=Nev×Pd (4)
式(4)中:Nev代表计划并网的电动汽车总数量;Pd代表电动汽车的瞬时充放电功率,单位仍取MW。
(2)等效发电容量、等效常规发电容量和等效发电量替代
基于等效发电容量(Equivalent firm capacity,EFC)、等效常规发电容量(Equivalent conventional capacity,ECC)和等效发电量替代(Equivalent GenerationCapacity Substituted,EGCS)均是从发电侧出发,定义电动汽车负荷可以替换的具有不同等级可靠性的发电机组装机容量的大小,其指标均可用如下通式计算:
式(5)中:Cefc/ecc/egcs代表相应发电机组的装机容量,为该定义下具有电动汽车充放电负荷下的电力系统可靠性参数,为该定义下未并入电动汽车负荷的电力系统可靠性参数,具体计算公式同公式(2),其余符号定义见公式(1)。
对应的容量可信度指标可以定义为:电力系统在同一可靠性水平下能够等效替代的相应发电机组装机容量占电动汽车理想充放电负荷容量的比例,即ηefc/ecc/egcs,具体计算公式如下:
第二部分:以电动汽车作为典型城市电网柔性负荷研究对象,使用序贯蒙特卡洛算法模拟电动汽车充放电负荷;
如附图2所示为序贯蒙特卡洛算法模拟电动汽车充放电负荷的流程图,具体步骤如下:
步骤201、电动汽车序号初始化,n=1。
步骤202、模拟时间初始化,i=1。
步骤203、生成日行驶里程随机数D、到达充电地点时刻随机数ta、充电习惯随机数X、用户放电意愿随机数Y,选择电动汽车充放电模式。
步骤204、计算到达停车地点的电池电量SOC(ta)。
步骤205、判断该车到达该地点是的最终充放电行为。
步骤206、计算所需的单次充电时长Tc和单次放电时长Td。
步骤207:选择电动汽车充放电模式安排充电开始时刻tc和放电开始时刻td。
步骤208:根据tc、Tc、td、Td计算离开时刻电池电量SOC(tl),并生产该车当日的充电功率曲线和放电功率曲线。
步骤209:判断模拟时间是否结束,若i<365,则i=i+1,重复步骤203-步骤209;否则,进入下一步。
步骤210:判断是否模拟完成所有电动汽车,若n<N,则n=n+1,重复步骤203-步骤210,否则,进入下一步。
步骤211:累积所有电动汽车的充放电负荷曲线并输出。
步骤203的日行驶里程服从的概率密度函数为:
根据全美家庭出行报告(National Household Travel Survey,NHTS),电动汽车的日行驶里程服从对数正态分布,其概率密度函数为:
其中:μ是日行驶距离的期望值,μ=3.68;σ为标准差,σ=0.88。
步骤204的到达停车地点的电池电量SOC(ta)为:
式(8)中:ta代表到达时刻,SOC(ta)代表到达当前停车地点时的SOC;tl′代表在上一个停车地点的离开时刻,SOC(tl′)代表离开上一个停车地点时的SOC;D代表上一个停车地点和当前停车地点之间的行驶距离;L代表电动汽车最大可行驶距离。
步骤203的电动汽车充放电模式为:
根据充电开始时刻和放电开始时刻不同,设置8种可能的电动汽车的充放电模式,具体如表2所示。表2中,充电模式中的延迟放电设置为充放电调度时段的最后放电,即开始充电时刻tc=tl-Tc。静态负荷指代原有电力系统负荷,动态电动汽车负荷指原有电力系统负荷和以并网的电动汽车负荷。电动汽车到达后首先搜索调度时段负荷的最低值,并将其作为充电时段中点,放电反之。
表2 8种电动汽车充放电模式对比
充电模式 | 放电模式 | |
模式1 | 到达即充 | / |
模式2 | 延迟充电 | / |
模式3 | 静态负荷低谷时段充电 | / |
模式4 | 动态负荷低谷时段充电 | / |
模式5 | 到达即充 | 到达即放 |
模式6 | 延迟充电 | 到达即放 |
模式7 | 静态负荷低谷时段充电 | 静态负荷高峰时段放电 |
模式8 | 动态负荷低谷时段充电 | 动态负荷高峰时段放电 |
负荷低谷时刻、峰值时刻及其对应的充电开始时刻和放电开始时刻的计算公式如下:
式(9)-(12)中:tmd代表负荷最高点对应时刻。tmc代表负荷最低点对应时刻。load(·)代表电力系统负荷序列。
步骤205的电动汽车最终充放电行为为:
考虑到频繁充放电对汽车电池的损耗,将车主可能的充放电行为简化为:单次连续充电、单次连续放电和不进行充放电。影响车主最终充放电行为的因素包括:用户的充电习惯X、放电调度意愿Y和到达充电地点电池电量SOC(ta)。假设用户有a%的概率选择白天充电,有b%的概率愿意参与放电调度,分别将白天和夜间的充电期望SOC分别设置为SOCmax1和SOCmax2,并设置最低允许出行的SOC为SOCmin。各类影响因素与用户最终充放电行为的关系如下:
表1各类影响因素与用户最终充放电行为的关系表
进一步,步骤2的电动汽车充放电负荷模拟的具体流程中步骤206中的单次充电时长Tc和单次放电时长Td为:
式(13)中:SOCmax代表充电时的期望SOC。
第三部分:采用电力供应不足期望计算不同情况下的电力系统可靠性;
第四部分:采用二分法求解出8种电动汽车充放电模式下的电动汽车充放电负荷的可信容量和容量可信度;附图3为电动汽车充放电负荷的可信容量和容量可信度的流程图,具体步骤如下:
步骤401:输入Roy Billinton可靠性测试电力系统(Roy Billinton TestSystem,RBTS)基本参数。具体参数包括发电机种类及数目,峰值负荷数据,FOR等。
步骤402:结合发电组件的FOR,使用序贯蒙特卡洛算法模拟生成常规发电机组的功率输出的8760序列。
步骤403:根据RBTS可靠性测试系统提供的每日峰值负荷小时值占比、每周峰值负荷小时值占比等数据推导出该电力系统全年的负荷8760小时序列。
步骤404:输入电动汽车模型基本参数。包括单台电动汽车电池的最大容量Smax、充电功率Pc、放电功率Pd、到达时刻概率分布、用户充电习惯a%和放电意愿b%等数据。
步骤405:在步骤404输入数据的基础上,使用序贯蒙特卡洛算法模拟生成8种充放电模式下的电动汽车充放电负荷8760h序列。上述步骤401-403和步骤404-405相互独立,可同时进行。
步骤406:根据常规发电机组8760h序列、电力系统负荷8760h序列计算未并入电动汽车负荷的电力系统可靠性参数EENS0的大小。
步骤407:根据常规发电机组8760h序列、电力系统负荷8760h序列、电动汽车有序充放电负荷8760h序列,计算具有电动汽车充放电负荷下的电力系统可靠性参数EENSEV的大小。
步骤408:比较EENS0和EENSEV的大小关系。当EENS0<EENSEV,电动汽车负荷表现为等效负荷,C<0。当EENS0>EENSEV,电动汽车负荷表现为等效发电单元,C>0。使用二分法计算相应的可信容量和容量可信度。
实施例
本实施例通过具体数据实施本发明的方法,结果显示,本发明可以量化分析不同调节策略下的柔性负荷参与电力系统供电平衡的可调节能力,为配电网柔性负荷的调控计划提供了参考。本实施例的数据如下所示:
本发明使用RBTS可靠性测试电力系统进行算例分析,该电力系统是加拿大著名学者Roy Billinton教授于1989年发布的可靠性测试电力系统,其单线图如图4所示。该系统有两个发电机节点(共接有11台发电机,总装机容量240MW),4个负荷节点(总尖峰负荷185MW),9条电力线路。
本实施例以电动私家车为研究对象,并选择白天办公地点和夜间居民小区为停车地点。将充放电调度时段分别设置为8:00~17:00和19:00~次日7:00。电动私家车到达两地的时间服从正态分布N(9.3,1.92)和N(19.2,2.82)。电动汽车电池型号参考日产聆风,设置Smax=24kWh,Pc=Pd=4.8kW。同时,用户充电习惯a%=30%,用户放电意愿b%=50%。,
本实施例主要研究了不同电动汽车数量、不同充放电模式下的电动汽车的四种可信容量Celcc、Cefc、Cecc和Cegcs以及相应的容量可信度ηelcc、ηefc、ηecc和ηegcs。可信容量Celcc、Cefc、Cecc和Cegcs结果如图5所示。容量可信度ηelcc、ηefc、ηecc和ηegcs如图6所示。
由图5可知,4种指标下的电动汽车负荷的可信容量的数值大部分为负,且其绝对值随汽车总数量的增加而线性增长,增长最明显的是模式1和模式5。通过不同程度的充放电起始时间调节策略,可以使可信容量的绝对值的增长速度放缓。模式8的调节效果最明显。这说明,在考虑电力系统原有负荷和电动汽车当前并网负荷的前提下,引导用户在峰值时段放电、在低谷时段充电,有利于充分挖掘电动汽车的可调节能力,甚至可以将对电力系统供电充裕度不利的负荷转化为等效的发电单元。
由图6可知,4种指标下的电动汽车负荷的容量可信度容量都为一个特定的负值,不会随着电动汽车的数量增加而产生剧烈波动。当采用了合理的充放电起始时间调节策略后,相应的可信度的值会逐渐趋近于0,甚至大于0,进而在电力系统供电平衡中充当等效发电单元的能力。
结合图5和图6可知,本发明提出的基于容量可信度的柔性负荷可调节能力分析方法可以量化分析不同调节策略下的柔性负荷参与电力系统供电平衡的可调节能力,为配电网柔性负荷的调控计划提供了参考。
Claims (8)
1.一种基于容量可信度的柔性负荷可调节能力分析方法,其特征在于:
步骤1:获取电动汽车模型基本参数,将电动汽车模型基本参数输入预先构建的电动汽车负荷模型,以模拟电动汽车充放电负荷,输出电动汽车充放电负荷数据;
步骤2:获取可靠性测试系统基本参数,将可靠性测试系统基本参数输入预先构建的可靠性测试系统,以模拟常规发电机组输出功率,输出常规发电机组功率数据;以模拟系统负荷数据,输出常规负荷数据;
步骤3:将常规发电机组功率数据和常规负荷数据输入预先构建的柔性负荷的可调节能力分析框架,基于常规发电机组功率数据和常规负荷数据计算未并入电动汽车负荷的电力系统可靠性参数EENS0;
将电动汽车模型基本参数输入预先构建的柔性负荷的可调节能力分析框架,基于电动汽车充放电负荷数据计算并入电动汽车充放电负荷的系统可靠性参数EENSEV;
步骤4:比较EENS0和EENSEV的大小,若EENS0等于EENSEV,则可信容量Ccc=0,容量可信度ηcc=0,输出Ccc和ηcc;
若EENS0不等于EENSEV,则采用二分法求解可信容量Ccc和容量可信度ηcc;
步骤5:根据可信容量Ccc和容量可信度ηcc确定柔性负荷的可调节能力;
其中:
其中:T代表时间序列的长度;dt代表第t时刻的原始电力系统负荷,单位:MW;Ccc代表系统增加的等效发电装机容量的大小或减少的负荷的大小,单位:MW;Pev,t代表第t时刻的电动汽车充放电负荷的大小,单位:MW,Pev,t>0时为放电负荷,Pev,t<0时为充电负荷;G代表原有电力系统发电机组的集合,Cg,t代表第g台发电机组在第t时刻的输出功率,单位:MW;
其中:
二分法求解可信容量Ccc和容量可信度ηcc的过程为:
步骤401:当Ccc=0时,比较EENS0和EENSEV的大小,若EENS0=EENSEV,则Ccc=0,直接输出;若EENS0>EENSEV,则Ccc>0,此时设置Ccc的上下限:Cmax=Cev,Cmin=0;若EENS0<EENSEV,则Ccc<0,此时设置Ccc的上下限:Cmax=0,Cmin=-Cev;
步骤402:取可信容量上下限的中点为新的可信容量的数值,即Ccc=(Cmax+Cmin)/2;
步骤403:模拟增加了CccMW的等效发电机组装机容量后的电力系统的发电机组输出和负荷输出序列,并计算相应电力系统新的EENS0的大小;
步骤404:比较EENS0和EENSEV的大小,若EENS0=EENSEV,则Ccc=Ccc,直接输出; 若EENS0>EENSEV,则调整可信容量上限Cmax=Ccc,上限不变即Cmin=Cmin;若EENS0<EENSEV,调整可信容量下限Cmin=Ccc,上限不变即Cmax=Cmax;重复步骤402、403、404;直至EENS0=EENSEV;
步骤405:输出可信容量最终结果Ccc,
其中:Cev代表电动汽车理想充放电负荷容量,计算公式如下:
Cev=N×Pev
其中:N代表接入系统的电动汽车总数量,Pev代表单个电动汽车的充放电功率大小;
此时,容量可信度ηcc的计算公式如下:
2.根据权利要求1所述的一种基于容量可信度的柔性负荷可调节能力分析方法,其特征在于,步骤1中所述电动汽车负荷模型使用序贯蒙特卡洛算法模拟电动汽车充放电负荷,过程为:
步骤201、电动汽车序号初始化,n=1;
步骤202、模拟时间初始化,i=1;
步骤203、生成日行驶里程随机数D、到达充电地点时刻随机数ta、充电习惯随机数X、用户放电意愿随机数Y,选择电动汽车充放电模式;
步骤204、计算到达停车地点的电池电量SOC(ta);
步骤205、判断该车到达该地点是的最终充放电行为;
步骤206、计算所需的单次充电时长Tc和单次放电时长Td;
步骤207:选择电动汽车充放电模式安排充电开始时刻tc和放电开始时刻td;
步骤208:根据tc、Tc、td、Td计算离开时刻电池电量SOC(tl),并生产该车当日的充电功率曲线和放电功率曲线;
步骤209:判断模拟时间是否结束,若i<365,则i=i+1,重复步骤203-步骤209;否则,进入下一步;
步骤210:判断是否模拟完成所有电动汽车,若n<N,则n=n+1,重复步骤203-步骤210,否则,进入下一步;
步骤211:累积所有电动汽车的充放电负荷曲线并输出。
4.根据权利要求2所述的一种基于容量可信度的柔性负荷可调节能力分析方法,其特征在于,所述步骤203的电动汽车充放电模式为:
根据充电开始时刻和放电开始时刻不同,设置8种电动汽车的充放电模式,充电模式中的延迟放电设置为充放电调度时段的最后放电,即开始充电时刻tc=tl-Tc,静态负荷指代原有电力系统负荷,动态电动汽车负荷指原有电力系统负荷和以并网的电动汽车负荷,电动汽车到达后首先搜索调度时段负荷的最低值,并将其作为充电时段中点,放电反之。
8.根据权利要求1所述的一种基于容量可信度的柔性负荷可调节能力分析方法,其特征在于,所述可信容量Ccc包括基于等效带负荷能力的可信容量Celcc、基于等效发电容量的可信容量Cefc、基于等效常规发电容量的可信容量Cecc和基于等效发电量替代的可信容量Cegcs,容量可信度ηcc包括与可信容量Celcc、Cefc、Cecc和Cegcs对应的容量可信度ηelcc、ηefc、ηecc和ηegcs。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110563144.8A CN113420953B (zh) | 2021-05-24 | 2021-05-24 | 一种基于容量可信度的柔性负荷可调节能力分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110563144.8A CN113420953B (zh) | 2021-05-24 | 2021-05-24 | 一种基于容量可信度的柔性负荷可调节能力分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113420953A CN113420953A (zh) | 2021-09-21 |
CN113420953B true CN113420953B (zh) | 2022-08-02 |
Family
ID=77712773
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110563144.8A Active CN113420953B (zh) | 2021-05-24 | 2021-05-24 | 一种基于容量可信度的柔性负荷可调节能力分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113420953B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110570014A (zh) * | 2019-08-07 | 2019-12-13 | 浙江大学 | 一种基于蒙特卡洛和深度学习的电动汽车充电负荷预测方法 |
CN112241596A (zh) * | 2020-10-26 | 2021-01-19 | 国网上海市电力公司 | 一种计及电动汽车的城市电网中长期生产模拟方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103296679B (zh) * | 2013-05-20 | 2016-08-17 | 国家电网公司 | 电力系统中长期优化运行的中长期风电出力模型建模方法 |
CN107169273B (zh) * | 2017-05-05 | 2021-01-05 | 河海大学 | 计及延时和v2g充电模式的电动汽车充电功率预测方法 |
CN107394798B (zh) * | 2017-06-19 | 2020-08-18 | 天津大学 | 包含时变时滞的电动汽车与发电机组协调频率控制方法 |
-
2021
- 2021-05-24 CN CN202110563144.8A patent/CN113420953B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110570014A (zh) * | 2019-08-07 | 2019-12-13 | 浙江大学 | 一种基于蒙特卡洛和深度学习的电动汽车充电负荷预测方法 |
CN112241596A (zh) * | 2020-10-26 | 2021-01-19 | 国网上海市电力公司 | 一种计及电动汽车的城市电网中长期生产模拟方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113420953A (zh) | 2021-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109462231B (zh) | 居民微电网的负荷优化调度方法、系统和存储介质 | |
CN109359389B (zh) | 基于典型负荷动态博弈的城市电动汽车充电决策方法 | |
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 | |
CN106651002B (zh) | 一种基于正弦余弦算法的大规模电动汽车充放电多目标优化方法 | |
CN109888806B (zh) | 一种含电动汽车的微电网储能优化配置方法 | |
Gan et al. | A probabilistic evaluation method of household EVs dispatching potential considering users’ multiple travel needs | |
CN109657993A (zh) | 一种基于非合作博弈的能源局域网储能系统自动需求响应方法 | |
CN108471139B (zh) | 一种含新能源和温控负荷的区域电网动态需求响应方法 | |
CN113829934B (zh) | 一种电动汽车集群聚合响应能力确定方法及调度方法 | |
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 | |
CN111626527A (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 | |
CN108596667A (zh) | 一种基于车联网的电动汽车实时充电电价计算方法 | |
CN108493959A (zh) | 基于Markov模型的电动汽车参与电网调频控制与分析方法 | |
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 | |
CN109787221B (zh) | 一种微电网电能安全经济调度方法和系统 | |
CN111681127B (zh) | 一种居民小区电动汽车有序充放电控制方法 | |
CN109866645A (zh) | 一种基于虚拟实时电价的电动汽车有序充电控制方法 | |
CN112550047A (zh) | 一种充光储一体化充电站优化配置方法和装置 | |
CN109672199B (zh) | 一种基于能量平衡的电动汽车削峰填谷能力估计方法 | |
Zhang et al. | An adaptive energy management strategy for fuel cell/battery/supercapacitor hybrid energy storage systems of electric vehicles | |
CN113420953B (zh) | 一种基于容量可信度的柔性负荷可调节能力分析方法 | |
CN110861508B (zh) | 居民区直流充电机共享充电控制方法、系统及存储介质 | |
CN112928766A (zh) | 一种基于多影响因素的配电网接纳电动汽车能力评估方法 | |
CN113555901A (zh) | 基于改进s型函数粒子群优化算法的混合储能容量优化方法 | |
CN111884219A (zh) | 一种电动汽车接入的配电网可靠性评估方法及装置 |
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 |