CN114723284A - 一种含分布式电源和电动汽车的配电网可靠性评估方法 - Google Patents

一种含分布式电源和电动汽车的配电网可靠性评估方法 Download PDF

Info

Publication number
CN114723284A
CN114723284A CN202210361404.8A CN202210361404A CN114723284A CN 114723284 A CN114723284 A CN 114723284A CN 202210361404 A CN202210361404 A CN 202210361404A CN 114723284 A CN114723284 A CN 114723284A
Authority
CN
China
Prior art keywords
load
distribution network
charging
power
reliability
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.)
Pending
Application number
CN202210361404.8A
Other languages
English (en)
Inventor
王辉
李旭阳
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.)
China Three Gorges University CTGU
Original Assignee
China Three Gorges University CTGU
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 China Three Gorges University CTGU filed Critical China Three Gorges University CTGU
Priority to CN202210361404.8A priority Critical patent/CN114723284A/zh
Publication of CN114723284A publication Critical patent/CN114723284A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • 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]
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02T90/10—Technologies relating to charging of electric vehicles
    • Y02T90/12—Electric charging stations

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Public Health (AREA)
  • Power Engineering (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Water Supply & Treatment (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

一种含分布式电源和电动汽车的配电网可靠性评估方法，属于配电网可靠性评估领域。包括：考虑风光出力的不确定性，构建风力发电机和光伏发电机出力的概率模型；分析EV用户行为特征，建立EV充电负荷模型，并在此基础上提出基于动态分时电价的EV有序充放电控制策略；采用蒙特卡洛抽样的方法，计算出各个负荷点的可靠性指标；进行多次模拟，并对各个负荷点可靠性指标进行统计和累加，计算出整个系统的可靠性指标；最后分别从电动汽车的数量和采用不同的充放电方式，并采用改进的IEEE RBTS BUS6测试系统的F4主馈线，对接入配电网后的可靠性指标进行计算，能够较好地对含分布式电源和电动汽车的配电网进行可靠性评估。

Description

一种含分布式电源和电动汽车的配电网可靠性评估方法
技术领域
本发明涉及配电网可靠性评估技术领域，具体涉及一种含分布式电源和电动汽车的配电网可靠性评估方法。
背景技术
随着“双碳”目标的提出，以风力、光伏发电为主的分布式电源(distributedgeneration，DG)得到大力发展，截至2021年10月底，风力、光伏发电装机分别达到2.99亿千瓦、2.82亿千瓦。全国新能源消纳监测预警中心发布我国2021年1-7月份风电、光伏并网消纳的数据显示风电和光伏的利用率分别达到96.7％和98％，整体利用率处于较高水平。电动汽车(electric vehicle,EV)作为一种具有广阔发展前景的绿色交通工具，也是实现“双碳”目标的重要途径，得到了大力发展，截至2021年7月，我国电动汽车保有量达到630万辆，累计建设充电站达6.6万座。但是，风电、光伏机组的出力受到光照强度、温度、风速等自然条件的影响，具有较强的随机性、间歇性及波动性，大规模的DG和EV接入配电网，势必会给配电网的可靠性带来影响，因此，需要对含DG和EV的配电网的可靠性进行评估。
当前，对于DG接入配电网的研究主要在DG出力模型的建立、优化配置、选址定容等方面，文献“熊小萍,杨露,李宁,等.基于仿射最小路法的含分布式电源配电网可靠性分析[J].电力系统自动化,2017,41(17):43-50.”建立了基于马尔可夫过程的发电机多容量状态模型以模拟出力波动，采用仿射最小路法对含风光的配电网进行可靠性计算。文献“石敏,周步祥,张冰,等.计及分布式电源不确定性的配电网系统可靠性评估[J].电力系统及其自动化学报,2017,29(12):114-120.”利用Cornish-Fisher级数展开法生成符合标准正态分布的样本空间，进一步分析光照强度相关系数对配电网系统可靠性的影响。文献“Zhaohong Bie,Zhang Peng,Li Gengfeng,et al.Reliability Evaluation of ActiveDistribution Systems Including Microgrids[J].IEEE TRANSACTIONS ON POWERSYSTEMS,2012,27(4):2342-2350.”引入多状态模型用以表征分布式电源的出力，采用非序贯蒙特卡洛模拟法进行配电网可靠性评估。文献“李娟,周红莲,周二彪,等.计及风速-电锅炉等电采暖负荷相关性的配电网可靠性评估[J].电力自动化设备,2018,38(10):26-31.”考虑了风速和电采暖负荷之间的相关性，基于Copula理论构建联合出力的概率分布函数，并采用蒙特卡洛模拟进行可靠性计算。这些研究在可靠性评估中仅仅考虑了分布式电源，并没有对分布式电源和电动汽车同时接入后的可靠性进行计算评估。
目前对仅电动汽车接入配电网的可靠性评估也有相关研究，文献“黄俊辉,周昊,韩俊,等.考虑车网互动的配电网可靠性评估[J].电力建设,2017,38(02):77-83.”建立了电动汽车充放电的时空分布模型，并采用蒙特卡洛模拟法分别从电动汽车的渗透率、电池类型以及电池容量三个方面进行可靠性评估。文献“ZHANG Q,ZHU Y,WANG Z,etal.Reliability Assessment of Distribution Network and Electric VehicleConsidering Quasi-Dynamic Traffic Flow and Vehicle-to-Grid[J].IEEE ACCESS,2019,7:131201-131213.”提出一种考虑交通拥堵对路径选择影响的高效准动态行驶仿真方法，采用改进蒙特卡洛模拟法对电动汽车渗透率、放电阈值和电池容量三个方面进行可靠性评估。文献“CHENG S,WEI Z,SHANG D,et al.Charging Load Prediction andDistribution Network Reliability Evaluation Considering Electric Vehicles'Spatial-Temporal Transfer Randomness[J].IEEE ACCESS,2020,8:124084-124096.”研究了电动汽车充电负荷的时空分布预测，然后采用行程链技术、蒙特卡洛方法和马尔可夫决策过程(MDP)理论大规模集群电动汽车渗透的配电网络的可靠性。文献“葛少云,李吉峰,李腾,等.配电网和城市路网关联网络的综合可靠性分析[J].中国电机工程学报,2016,36(06):1568-1577.”采用博弈论对城市路网和配电网进行分析，对城市路网和配电网综合可靠性指标进行计算分析。这些研究仅仅对电动汽车接入配电网的可靠性进行评估，没有对同时含DG和EV的配电网的可靠性进行计算，尤其是随着对电动汽车有序充放电优化调度的深入研究，选择一种对配电网可靠性影响最小的有序充放电方式，对于电动汽车的普及具有极其重要的意义。
本发明综合考虑分布式电源和电动汽车接入配电网后的影响，所得到的可靠性评估指标更加符合实际情况，可以为未来含大规模分布式电源和电动汽车的配电网规划提供依据。
发明内容
本发明所要解决的技术问题是提供一种含分布式电源和电动汽车的配电网可靠性评估方法，对包含分布式电源和电动汽车的配电网可靠经进行建模评估。
为解决上述技术问题，本发明所采用的技术方案是：
一种含分布式电源和电动汽车的配电网可靠性评估方法，步骤为：Step1、考虑风光出力的不确定性，构建风力发电机和光伏发电机出力的概率模型；Step2、分析EV用户行为特征，建立EV充电负荷模型，并在此基础上提出基于动态分时电价的EV有序充放电控制策略；
Step3、采用蒙特卡洛抽样的方法，计算出配电网各个负荷点的可靠性指标；Step4、进行多次模拟，并对配电网各个负荷点可靠性指标进行统计和累加，计算出整个系统的可靠性指标；
Step5、采用优化的序贯蒙特卡罗模拟法的方法，分别从接入不同数量的电动汽车和采用不同有序充放电控制策略后，对含分布式电源和电动汽车的配电网进行可靠性计算。
上述的Step1中风力发电机出力模型的概率分布函数F(Pw)和光伏发电机出力模型的概率分布函数F(Pv)可表示如下：
下的风力发电机出力的概率分布：
Figure BDA0003585427840000031
式中：vci为切入风速；vco为切出风速；vr为额定风速；A、B、C可通过计算得到，其值与风机的参数配置有关；
光伏发电机出力的概率密度函数：
Figure BDA0003585427840000032
式中：Pv为光伏发电机的输出功率；Pvmax为光伏发电机的最大输出功率；
光伏发电机出力的概率分布函数：
Figure BDA0003585427840000033
上述的Step2中，基于动态分时电价的EV有序充放电控制策略的具体步骤为：
Step2.1、分析电动汽车用户行为特征，并构建电动汽车用户行为特征的概率模型；
Step2.2、以电动汽车充电站经济性最优和对配电网的影响最小为目标，构建目标函数；
Step2.3、考虑电动汽车充放电功率、电网功率平衡、充放电状态、电价上下限约束，构建约束条件；
Step2.4、采用粒子群优化算法，求出最优解。
上述的Step3具体步骤为：
Step3.1、设置配电网的时序仿真年限N，输入配电网各项参数，并初始化数据及仿真时间T＝0；
Step3.2、对配电网各元件进行编号，并对其状态进行抽样，计算各个元件的正常工作持续时间即time to fault,TTF和故障修复时间，即time to repair,TTR；
Figure BDA0003585427840000041
式中，λi、μi分别为元件i对应的故障率和修复率；σ1、σ2均为在(0,1)之间从均匀分布的随机数，故元件的正常工作持续时间和故障修复时间均服从指数分布；
Step3.3、通过蒙特卡洛抽样，得到系统各个元件运行状态的序列，在各个元件的TTF中找出最小值，记对应元件的编号为i，该元件即为故障元件，并将故障时间进行累加T＝T+TTFmin；
Step3.4、找到故障元件i的位置，确定受其影响的负荷范围，并计算其故障修复时间TTRi，并进行负荷分类；
不受影响的负荷为Ⅰ类负荷，故障元件经过替换或者修复后仍可恢复正常工作状态的负荷为Ⅱ类负荷以及孤岛内负荷为Ⅲ类负荷；
Step3.5、对于Ⅲ类负荷进行如下处理：设定一个在(0,1)间服从均匀分布的随机数μm，判断μm和孤岛切换成功概率Pm的大小，如果μm>Pm，则认为此次孤岛切换成功，否则认为孤岛切换失败，孤岛内负荷全部停电；
Step3.6、利用Step1中所建立的风力发电机和光伏发电机出力的概率模型抽样得到DG的功率Pw、Pv，然后利用Step2中所建立EV的充电负荷模型，按时间序列生成8760小时充电负荷Pcha，与孤岛内原负荷叠加，得到总负荷PL,判断故障时刻是否位于电动汽车充放电时刻内，若不在该时间段内，则对孤岛内各负荷点停电情况进行统计,否则进行下一步；
Step3.7、将孤岛范围内DG的出力Pw、Pv与总负荷PL的大小进行比较，若有差额时，进行切负荷操作，并将其相应的故障时间和故障次数进行累加,否则，进行下一步；
Step3.8、判断是否达到仿真年限，若是，结束模拟过程，继续下一步，否则返回至Step 3.2；
Step3.9、计算系统可靠性指标系统平均停电次数SAIFI、平均供电可用率ASAI、系统平均停电时间SAIDI、系统平均缺供电量AENS。
上述的Step3.4中，负荷分类后，对各个负荷的故障次数以及故障时间进行统计，对于Ⅰ类负荷，因不受故障元件的影响，故其总的停电次数以及停电时间不变，对于Ⅱ类负荷，将此次停运时间累加到总停电时间，总停电次数加1。
上述的Step2和Step5中，分别从电动汽车采用无序充放电、分时电价和动态分时电价的充放电方式，对配电网的可靠性进行计算分析。
本发明提供的一种含分布式电源和电动汽车的配电网可靠性评估方法，本发明具有以下有益效果：考虑了风光出力的不确定性，建立了风力发电和光伏发电的概率密度函数；分析了电动汽车的用户充电时的行为特征，构建出电动汽车用户行为特征的概率模型；在分时电价的基础上，提出更加有效的电动汽车有序充放电控制策略，并对其接入配电网后的可靠性指标进行对比，进而选择出对配电网可靠性影响最小的有序充放电方式，有助于今后大规模电动汽车并入配电网；通过对含分布式电源和电动汽车的配电网进行可靠性评估，可以为未来大规模新能源与配电网连接以及配电网的规划提供理论依据。
附图说明
下面结合附图和实施例对本发明作进一步说明：
图1本发明方法的流程示意图；
图2为电动汽车日行驶里程概率密度图；
图3为电动汽车开始充电时刻概率密度图；
图4为电动汽车离家时间概率密度图；
图5为粒子群优化算法流程图；
图6为含DG和EV的配电网可靠性评估流程图；
图7为改进IEEE-RBTS Bus6测试系统的F4馈线图；
图8为不同数量电动汽车日负荷曲线图；
图9为采用分时电价的充电方式时EV日负荷曲线图；
图10为采用动态分时电价的充电方式时EV日负荷曲线图。
具体实施方式
以下结合附图和实施例详细说明本发明技术方案。
如图1中所示，一种含分布式电源和电动汽车的配电网可靠性评估方法，步骤为：Step1、考虑风光出力的不确定性，构建风力发电机和光伏发电机出力的概率模型；
风速、光照具有极强的随机性，因此风力发电机和光伏发电机的出力也具有较强的随机性；
风力发电机的功率与风速相关，故其功率的数学表达式Pw分别表示为：
Figure BDA0003585427840000061
式中：vci为切入风速；vco为切出风速；vr为额定风速；Pr为风力发电机的额定输出功率；A、B、C可通过计算得到，其值与风机的参数配置有关；
Figure BDA0003585427840000062
光伏发电机的出力由其表面的光照强度决定，故其功率的数学表达式Pv为：
Pv＝A×η×r (3)
式中：A为光伏发电机电池板的总面积；η为光电转换效率；r为实际光照强度；
虽然风速、光照具有极强的随机性，但是它们的概率分布具有一定的规律性，其中风速服从Weibull分布，光照服从Beta分布，其概率密度函数分别为：
Figure BDA0003585427840000071
式中：k和c分别为形状参数和尺度参数；
Figure BDA0003585427840000072
式中：rm为最大光照强度；α、β为形状参数；
由式(1)(4)可以得出不同风速下的风力发电机出力的概率分布F(Pw)：
Figure BDA0003585427840000073
由式(3)(5)可以得出光伏发电机出力的概率密度函数：
Figure BDA0003585427840000074
式中：Pv为光伏发电机的输出功率；Pvmax为光伏发电机的最大输出功率；
因此可以得出光伏发电机出力的概率分布函数F(Pv)：
Figure BDA0003585427840000075
Step2、分析EV用户行为特征，建立EV充电负荷模型，并在此基础上提出基于动态分时电价的EV有序充放电控制策略；
大规模EV接入配电网后，充电负荷与高峰时电力负荷叠加，会导致局部地区出现负荷紧张的情况，而影响EV充电负荷的因素有EV的类型、数量以及充电方式等客观因素，除此之外更为关键的因素是用户的行为特征，其具有较强的随机性，包括EV的日行驶里程、开始充电时刻、离家时间等；
EV的荷电状态，即state of charge,SOC和充电功率在很大程度取决于其电池类型和充电方式，目前EV的电池主要采用锂电池、镍氢电池以及铅酸电池，由于锂电池具有安全性能高、使用寿命长、容量大、抗高温等优点，在EV中应用广泛，因此本文采用装有容量为29.07kWh锂电池的Nissan Altra来进行分析；
Step2.1、分析电动汽车用户行为特征，并构建电动汽车用户行为特征的概率模型；
通过对美国交通部对全美家用车辆的调查结果的数据经过极大似然估计处理分析，然后对历史数据拟合后发现日行驶里程近似服从参数为(μ、σ2)的对数正态分布，其概率分布函数如式(9)所示，概率分布图如图2所示；
Figure BDA0003585427840000081
式中：x为单辆电动汽车日行驶里程,,单位：km，μx为期望值，取3.20，σx为标准差，取0.88，决定系数R平方为0.9975；
由日行驶里程可得出SOC为：
Figure BDA0003585427840000082
式中：x为日行驶里程，单位km；Ein为电动汽车充电时的SOC；Eout为电动汽车前一日充完电离网时的SOC；W100表示EV百公里耗电量；B为EV电池容量；
用户的车辆返回时刻，即电动汽车开始充电时刻满足正态分布，其概率密度函数如式(11)所示，概率分布如图3所示；0
Figure BDA0003585427840000083
式中：tch为电动汽车开始充电时刻，μch为期望，取17.47，σch为标准差，取3.4，决定系数R平方为0.9899；
网时刻，即电动汽车离开家的时刻也满足正态分布，其概率密度函数如式(12)所示，概率分布图如图4所示；
Figure BDA0003585427840000084
式中：td为电动汽车首次离家时间，μd为期望值，取7.70，σd为标准差，取3.27，决定系数R平方为0.9987；
Step2.2、以电动汽车充电站经济性最优和对配电网的影响最小为目标，构建目标函数；
通过对EV开始充电时刻概率模型的分析，大规模的EV会同时在用电高峰期，例如晚上6点至9点进行充电，这会导致负荷“峰上加峰”，影响配电网的可靠性，因此，从配电网可靠性角度而言，需要对EV的充电行为加以控制或引导，在不影响用户出行的前提下，通过有效的控制策略引导EV进行有序充放电，使其避开负荷用电高峰期，目前，引导EV进行有序充放电的手段主要是通过电价的形式，常见的电价形式分为三类：固定电价、分时电价、实时电价，随着对EV有序充放电优化调度的深入研究，动态分时电价也逐渐成为EV有序充放电的控制手段，本文以充电站为背景，考虑到可靠性和经济性，构建EV充放电控制策略；
对于充电站而言，以其收益最大化和对配电网的影响最小化为目标，其数学表达式为：
Figure BDA0003585427840000091
式中：
Figure BDA0003585427840000092
分别为EV的充、放电功率；
Figure BDA0003585427840000093
分别为充电站的售电和购电电价，λ为调节因子，
Figure BDA0003585427840000094
为充电站和配电网间的交互功率；
Step2.3、考虑电动汽车充放电功率、电网功率平衡、充放电状态、电价上下限等约束，构建约束条件；
Step2.3.1、充放电功率约束
Figure BDA0003585427840000095
式中：
Figure BDA0003585427840000096
分别为同一时刻第m辆电动汽车充放电功率，
Figure BDA0003585427840000097
为电动汽车最大充电功率，一般认为电动汽车的最大充放电功率相等；
Step2.3.1、功率约束
配电网所能承受的最大负荷
Figure BDA0003585427840000098
要满足网内基础负荷
Figure BDA0003585427840000099
与EV充放电功率
Figure BDA00035854278400000910
之和，即：
Figure BDA00035854278400000911
Step2.3.3、离网时SOC约束
为了满足用户需求，电动汽车离网时需满足：
Figure BDA0003585427840000101
式中：Eo2ut为电动汽车离网时的SOC；
Step2.3.4、电动汽车充放电状态约束
Figure BDA0003585427840000102
式中：tarr、tdep为EV与电网连接时刻；
Step2.3.5、动态电价上、下限约束
考虑到充电站的运营成本和用户的消费水平，故充放电动态电价的上下限为：
Figure BDA0003585427840000103
式中：Cmin、Cmax分别为充放电电价的上下限；
Step2.4、采用粒子群优化算法，求出最优解；
对于求解该模型中含有多变量、高维优化问题，可以采用粒子群优化，即particleswarm optimization,PSO算法，粒子i在进行迭代过程中，通过追踪其个体最优解
Figure BDA0003585427840000104
和全局最优解
Figure BDA0003585427840000105
来更自己新的位置和速度：
Figure BDA0003585427840000106
式中：k表示当前的迭代次数，
Figure BDA0003585427840000107
分别代表寻优过程中粒子i在d维的速度和位置,ω为惯性权重；C1、C2为学习因子；r1、r2为[0,1]之间均匀分布的随机数；
本文以1小时为电价的时间尺度，具体的算法流程如图5所示；
Step3、采用蒙特卡洛抽样的方法，计算出各个负荷点的可靠性指标，流程图如图6所示；
Step3.1、设置配电网的时序仿真年限N，输入配电网各项参数，并初始化数据及仿真时间T＝0；
Step3.2、对配电网各元件进行编号，并对其状态进行抽样，计算各个元件的正常工作持续时间即time to fault,TTF和故障修复时间，即time to repair,TTR；
Figure BDA0003585427840000111
式中，λi、μi分别为元件i对应的故障率和修复率；σ1、σ2均为在(0,1)之间从均匀分布的随机数，故元件的正常工作持续时间和故障修复时间均服从指数分布；
Step3.3、通过蒙特卡洛抽样，得到系统各个元件运行状态的序列，在各个元件的TTF中找出最小值，记对应元件的编号为i，该元件即为故障元件，并将故障时间进行累加T＝T+TTFmin；
Step3.4、找到故障元件i的位置，确定受其影响的负荷范围，并计算其故障修复时间TTRi，然后根据故障元件影响的负荷范围，对孤岛进行划分，并对负荷进行分类：不受影响的负荷为Ⅰ类负荷，故障元件经过替换或者修复后仍可恢复正常工作状态的负荷为Ⅱ类负荷以及孤岛内负荷为Ⅲ类负荷；
Step3.5、对各个负荷的故障次数以及故障时间进行统计，对于Ⅰ类负荷，因不受故障元件的影响，故其总的停电次数以及停电时间不变，对于Ⅱ类负荷，将此次停运时间累加到总停电时间，总停电次数加1；对于Ⅲ类负荷进行如下处理：设定一个在(0,1)间服从均匀分布的随机数μm，判断μm和孤岛切换成功概率Pm的大小，如果μm>Pm，则认为此次孤岛切换成功，否则认为孤岛切换失败，孤岛内负荷全部停电；
Step3.6、利用Step1中所建立的风力发电机和光伏发电机出力的概率模型抽样得到DG的功率Pw、Pv，然后利用Step2中所建立EV的充电负荷模型，按时间序列生成8760小时充电负荷Pcha，与孤岛内原负荷叠加，得到总负荷PL,判断故障时刻是否位于电动汽车充放电时刻内，若不在该时间段内，则对孤岛内各负荷点停电情况进行统计,否则进行下一步；
Step3.7、将孤岛范围内DG的出力Pw、Pv与总负荷PL的大小进行比较，若有差额时，进行切负荷操作，并将其相应的故障时间和故障次数进行累加,否则，进行下一步；
Step3.8、判断是否达到仿真年限，若是，结束模拟过程，继续下一步，否则返回至Step 3.2；
Step3.9、计算系统可靠性指标系统平均停电次数SAIFI、平均供电可用率ASAI、系统平均停电时间SAIDI、系统平均缺供电量AENS。
实施例：
为了验证本文所提的含分布式电源和电动汽车的配电网可靠性评估方法的有效性，本文的算例是采用改进IEEE-RBTS Bus6测试系统下的F4馈线，系统结构图如图7所示，在节点1的位置接入风电、光伏发电系统，在节点2的位置分别接入不同数量的EV，系统中元件的可靠性参数如下表所示：
表1元件的可靠性参数
Figure BDA0003585427840000121
方案一：在节点1的位置接入容量配置均为3.5MW的风力发电机和光伏发电机，并在节点2的位置分别接入200、400、800、1000辆电动汽车并采用无序充放电如图8所示,为不同数量的EV采用无序充电的日负荷曲线图，从图中可以看出随着EV的规模不断扩大，系统的负荷也随之增大，而随着EV数量的增加，对配电网的可靠性有何影响，需要通过可靠性指标计算进行评估，如表2所示为不同数量EV接入配电网后的可靠性指标。
表2接入不同数量电动汽车时的可靠性指标
Figure BDA0003585427840000122
由表2可知，电动汽车接入后，SAIFI、SAIDI由原来的2.7745次、14.0786h分别增加到2.9317次、14.9640h，变化比较明显，说明电动汽车接入配电网后降低了配电网的可靠性；随着电动汽车接入数量的增加，与200辆相比，可靠性指标SAIFI、SAIDI略有增长，ASAI也由99.84％降到99.83％，这是因为这些指标与元件的故障率有关；但系统的电量不足指标变化比较明显，由原来的75.0307MW增长到78.3246MW，随着数量的增加EENS变化明显，这是因为EV充电时与负荷峰值时刻叠加，加大了负荷的峰谷差，导致系统停电负荷增加。因此，EV接入配电网后降低了配电网的可靠性，随着的电动汽车数量的增加，可靠性指标越差。
方案二：在节点1的位置接入容量配置为7MW的风光联合发电系统，并在节点2的位置接入200辆电动汽车，分别采用分时电价和本文所提的动态电价的充放电方式，式(13)中，λ＝0.8，如表2所示是分时电价参数，为EV充电站所采用的售电和购电价格。
表3分时电价参数
Figure BDA0003585427840000131
如图9、10所示为EV采用不同充电方式的日负荷曲线图，虽然与无序充电相比，这两种有序充电的方式都起到了“削峰填谷”的效果，而对于配电网的规划建设者而言，更关心的是如何可以更好地减少对配电网可靠性的影响，通过对EV采用不同的有序充放电控制策略时的可靠性指标进行比较，可以为含EV的新型配电网的规划提供参考依据。
表4不同有序充放电控制策略时的可靠性指标
Figure BDA0003585427840000132
可靠性计算结果如表4所示，为了方便形成对比，将上述算例中200辆EV无序充电的可靠性计算结果放在表4中，与本文所采用的动态电价的有序充放电方式作对比；从表中可以看出，与无序充放电相比，采用分时电价和动态电价的充放电方式后SAIFI、SAIDI均变小了，系统的电量不足指标也由77.6662MW分别降低到76.3983MW、75.7556MW，这是因为与无序充放电相比，采用有序充放电的方式可以对电动汽车充电行为进行管理，能够有效地平抑负荷波动，减小配电网的峰谷差，从而降低对配电网可靠性的影响；由于精度问题，这三种充电方式的ASAI一样为99.84％，实际在仿真计算的结果中后两者略大于无序充电的ASAI；因此，虽然经过对比，采用分时电价和本文的动态电价的有序充放电方式都起到了“削峰填谷”的效果，并且二者均可以有效地降低对配电网的影响，但是采用本文的动态电价的方式比分时电价对配电网的可靠性影响更小。

Claims (6)

1.一种含分布式电源和电动汽车的配电网可靠性评估方法，其特征在于，步骤为：
Step1、构建风力发电机和光伏发电机出力的概率模型；
Step2、分析EV用户行为特征，建立EV充电负荷模型，并在此基础上提出基于动态分时电价的EV有序充放电控制策略；
Step3、采用蒙特卡洛抽样的方法，计算出配电网各个负荷点的可靠性指标；
Step4、进行多次模拟，并对配电网各个负荷点可靠性指标进行统计和累加，计算出整个系统的可靠性指标；
Step5、采用优化的序贯蒙特卡罗模拟法的方法，分别从接入不同数量的电动汽车和采用不同有序充放电控制策略后，对含分布式电源和电动汽车的配电网进行可靠性计算。
2.根据权利要求1所述的一种含分布式电源和电动汽车的配电网可靠性评估方法，其特征在于，所述的Step1中风力发电机出力模型的概率分布函数F(Pw)和光伏发电机出力模型的概率分布函数F(Pv)可表示如下：
下的风力发电机出力的概率分布：
Figure FDA0003585427830000011
式中：vci为切入风速；vco为切出风速；vr为额定风速；A、B、C可通过计算得到，其值与风机的参数配置有关；
光伏发电机出力的概率密度函数：
Figure FDA0003585427830000012
式中：Pv为光伏发电机的输出功率；Pvmax为光伏发电机的最大输出功率；
光伏发电机出力的概率分布函数：
Figure FDA0003585427830000013
3.根据权利要求2所述的一种含分布式电源和电动汽车的配电网可靠性评估方法，其特征在于，所述的Step2中，基于动态分时电价的EV有序充放电控制策略的具体步骤为：
Step2.1、分析电动汽车用户行为特征，并构建电动汽车用户行为特征的概率模型；
Step2.2、以电动汽车充电站经济性最优和对配电网的影响最小为目标，构建目标函数；
Step2.3、考虑电动汽车充放电功率、电网功率平衡、充放电状态、电价上下限约束，构建约束条件；
Step2.4、采用粒子群优化算法，求出最优解。
4.根据权利要求3所述的一种含分布式电源和电动汽车的配电网可靠性评估方法，其特征在于，所述的Step3具体步骤为：
Step3.1、设置配电网的时序仿真年限N，输入配电网各项参数，并初始化数据及仿真时间T＝0；
Step3.2、对配电网各元件进行编号，并对其状态进行抽样，计算各个元件的正常工作持续时间即time to fault,TTF和故障修复时间，即time to repair,TTR；
Figure FDA0003585427830000021
式中，λi、μi分别为元件i对应的故障率和修复率；σ1、σ2均为在(0,1)之间从均匀分布的随机数，故元件的正常工作持续时间和故障修复时间均服从指数分布；
Step3.3、通过蒙特卡洛抽样，得到系统各个元件运行状态的序列,在各个元件的TTF中找出最小值，记对应元件的编号为i，该元件即为故障元件，并将故障时间进行累加T＝T+TTFmin；
Step3.4、找到故障元件i的位置，确定受其影响的负荷范围，并计算其故障修复时间TTRi，并进行负荷分类；
不受影响的负荷为Ⅰ类负荷，故障元件经过替换或者修复后仍可恢复正常工作状态的负荷为Ⅱ类负荷以及孤岛内负荷为Ⅲ类负荷；
Step3.5、对于Ⅲ类负荷进行如下处理：设定一个在(0,1)间服从均匀分布的随机数μm，判断μm和孤岛切换成功概率Pm的大小，如果μm>Pm，则认为此次孤岛切换成功，否则认为孤岛切换失败，孤岛内负荷全部停电；
Step3.6、利用Step1中所建立的风力发电机和光伏发电机出力的概率模型抽样得到DG的功率Pw、Pv，然后利用Step2中所建立EV的充电负荷模型，按时间序列生成8760小时充电负荷Pcha，与孤岛内原负荷叠加，得到总负荷PL,判断故障时刻是否位于电动汽车充放电时刻内，若不在该时间段内，则对孤岛内各负荷点停电情况进行统计,否则进行下一步；
Step3.7、将孤岛范围内DG的出力Pw、Pv与总负荷PL的大小进行比较，若有差额时，进行切负荷操作，并将其相应的故障时间和故障次数进行累加,否则，进行下一步；
Step3.8、判断是否达到仿真年限，若是，结束模拟过程，继续下一步，否则返回至Step3.2；
Step3.9、计算系统可靠性指标系统平均停电次数SAIFI、平均供电可用率ASAI、系统平均停电时间SAIDI、系统平均缺供电量AENS。
5.根据权利要求4所述的一种含分布式电源和电动汽车的配电网可靠性评估方法，其特征在于，所述的Step3.4中，负荷分类后，对各个负荷的故障次数以及故障时间进行统计，对于Ⅰ类负荷，因不受故障元件的影响，故其总的停电次数以及停电时间不变，对于Ⅱ类负荷，将此次停运时间累加到总停电时间，总停电次数加1。
6.根据权利要求1-5中任一所述的一种含分布式电源和电动汽车的配电网可靠性评估方法，其特征在于，所述的Step2和Step5中，分别从电动汽车采用无序充放电、分时电价和动态分时电价的充放电方式，对配电网的可靠性进行计算分析。
CN202210361404.8A 2022-04-07 2022-04-07 一种含分布式电源和电动汽车的配电网可靠性评估方法 Pending CN114723284A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210361404.8A CN114723284A (zh) 2022-04-07 2022-04-07 一种含分布式电源和电动汽车的配电网可靠性评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210361404.8A CN114723284A (zh) 2022-04-07 2022-04-07 一种含分布式电源和电动汽车的配电网可靠性评估方法

Publications (1)

Publication Number Publication Date
CN114723284A true CN114723284A (zh) 2022-07-08

Family

ID=82242558

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210361404.8A Pending CN114723284A (zh) 2022-04-07 2022-04-07 一种含分布式电源和电动汽车的配电网可靠性评估方法

Country Status (1)

Country Link
CN (1) CN114723284A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115347679A (zh) * 2022-10-17 2022-11-15 浙江万胜智能科技股份有限公司 一种用户用电的智能管理方法及系统
CN117076898A (zh) * 2023-08-22 2023-11-17 深圳市飞亚达科技发展有限公司 光电转换方法、装置、设备及存储介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115347679A (zh) * 2022-10-17 2022-11-15 浙江万胜智能科技股份有限公司 一种用户用电的智能管理方法及系统
CN115347679B (zh) * 2022-10-17 2023-03-03 浙江万胜智能科技股份有限公司 一种用户用电的智能管理方法及系统
CN117076898A (zh) * 2023-08-22 2023-11-17 深圳市飞亚达科技发展有限公司 光电转换方法、装置、设备及存储介质
CN117076898B (zh) * 2023-08-22 2024-04-23 深圳市飞亚达科技发展有限公司 光电转换方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
Sun A multi-objective optimization model for fast electric vehicle charging stations with wind, PV power and energy storage
Kang et al. How to better share energy towards a carbon-neutral city? A review on application strategies of battery energy storage system in city
Sadeghi et al. Optimal sizing of hybrid renewable energy systems by considering power sharing and electric vehicles
US20230070151A1 (en) Hierarchical energy management for community microgrids with integration of second-life battery energy storage systems and photovoltaic solar energy
CN105977553A (zh) 电动汽车退役电池梯次复用网络级双向储能监管平台
Feng et al. Optimal allocation of hybrid energy storage for microgrids based on multi-attribute utility theory
Park et al. Impact of electric vehicle penetration-based charging demand on load profile
Liasi et al. Electric vehicles connection to microgrid effects on peak demand with and without demand response
CN114723284A (zh) 一种含分布式电源和电动汽车的配电网可靠性评估方法
CN109449973A (zh) 一种含光伏和储能的轨道交通供电系统能量优化方法
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
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
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
CN113052450B (zh) 一种适应电能替代发展战略的城市能源互联网规划方法
Yin et al. Optimal scheduling of electric vehicle integrated energy station using a novel many-objective stochastic competitive optimization algorithm
CN112396223A (zh) 一种交互能源机制下的电动汽车充电站能量管理方法
CN112186808A (zh) 一种微网能量优化调度方法
Tian Grid-connected energy storage systems: benefits, planning and operation
Hao et al. Optimal Configuration Of An Island Microgrid Considering Demand Response Strategy
CN112580256B (zh) 计及故障率影响含电动汽车的分布式电源选址定容方法
Vaish et al. Multi-objective optimization of distributed energy resources based microgrid using random forest model
Xiao et al. Improving Reliability of PV-Powered Highway with Electric Vehicle Charging Services
CN108334981A (zh) 一种面向微电网综合能量管理的分层多目标优化方法
Zhang et al. Capacity configuration optimization of energy storage for microgrids considering source–load prediction uncertainty and demand response
Bo et al. Situation Awareness of Electric Vehicle Charging Load Based on Random Forest Algorithm

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