电动汽车充电与大规模风电并网的协同调度研究

摘要

当今世界的能源消费仍然是以化石燃料为主，可再生能源所占比例仍有很大的提升空间。加之传统的化石资源日益枯竭，以风电为代表的清洁能源得到了广泛的研究与利用;另一方面，为响应国家节能减排、绿色出行的号召，电动汽车在我国也发展迅猛。电动汽车作为减少化石燃料消耗、减少尾气排放的新型交通工具，其优点也逐渐显现出来。
　　但是随着风电等清洁能源的并网容量以及电动汽车渗透率的不断提高，电力系统的发电规划以及调度运行将面临许多新的考验。以风力发电为例，其强烈的波动性与随机性会对电力系统的可靠运行造成一系列负面影响。另有研究表明，国内陆上的可利用风电资源在夜间较高，白天较低，具有明显的反调峰特性，且在实际运行中，风电的大规模入网会造成火电机组偏离经济运行点，因此造成的煤耗增加会抵消风电的经济与环保效益;而电动汽车充电负荷在特定时段内大量、无序加入，也会显著影响电网的安全稳定运行，如造成新的用电高峰、系统网损增加、降低某些节点的电压水平等恶劣工况。因此对电动汽车充电负荷进行合理的引导与调度，使其尽量采用风电等可再生能源进行充电，可最大化发挥二者的效益。
　　本文的主要工作正是基于上述背景与问题展开研究。通过一定方式引导电动汽车合理有序充电，减少电动汽车充电负荷的无序接入对电网的冲击;同时减少发电机组间因引入风电造成的频繁的出力调整，优化机组运行，最终达到削峰填谷、减少系统运行费用的目的。
　　本文首先建立了区域风电与电动汽车充电负荷的功率预测模型，为后文的风电-电动汽车协同调度作铺垫。其次，定性分析了风电的价值构成，并定量描述风电功率波动对火电机组煤耗特性的影响。在此基础上构建了风电-电动汽车协同调度的数学模型。本文提出的模型同时考虑用户需求与电网运行条件的约束，在用户侧根据充电控制方式的不同，设置了三种不同的充电场景，以分析各充电场景对系统调度的影响;电网侧则以系统运行成本、污染物排放量与弃风量为优化目标，以优化电网运行。在设置充电场景时，考虑到了分时电价和电价弹性政策对用户的影响，充分从EV用户角度出发，定量分析了此种充电方式带给电网与用户的经济效益。所选算例验证了所提模型的有效性，并分析了不同电动汽车渗透率对结果的影响。
　　算法方面，通过对量子演化算法(Quantum-Inspired Evolutionary Algorithm，QEA)进行相应改进并作为外层算法求解机组组合问题，并利用传统的粒子群算法(Particle Swarm optimization，PSO)作为内层算法求解经济调度问题，发展出了求解风电-电动汽车协同调度问题的双层粒子群算法。

目录

声明

摘要

1．1 研究背景与意义

1．2 国内外研究现状

1．2．1 电力系统的机组组合与经济调度问题以及相应的求解方法

1．2．2 含风电-火电电力系统调度研究现状

1．2．3 EV集群参与电网经济调度的研究现状

1．3 本文主要研究工作

第2章 风力发电功率预测

2．1 风力发电功率预测研究目的与意义

2．2 风力发电功率预测的分类及方法

2．2．1 风力发电功率预测分类

2．2．2 风力发电功率预测方法

2．3 基于BP神经网络的风电功率短期预测

2．3．1 BP神经网络算法原理

2．3．2 基于BP神经网络的风电功率短期预测

2．3．3 BP神经网络的不足和改进方法

2．4 基于粒子群算法-BP神经网络的风电功率短期预测

2．4．1 粒子群算法原理

2．4．2 基本粒子群算法及算法流程

2．4．3 PSO算法对BP神经网络的优化

2．4．4 基于PSO-BP神经网络的风电功率短期预测

2．5 本章小结

第3章 电动汽车充电功率预测

3．1 不同类型EV的充电时间需求以及充电方式的选择分析

3．1．1 FV充电方式分析

3．1．2 EV充电时间需求分析

3．2 电动汽车充电功率的建模

3．2．1 电动公交车无序充电的概率模型

3．2．2 电动出租车无序充电的概率模型

3．2．3 电动公共事业车辆无序充电的概率模型

3．2．4 电动私家车无序充电的概率模型

3．2．5 区域内规模化EV的无序充电负荷

3．3 本章小结

第4章 单目标量子进化算法在机组组合问题中的应用

4．1 量子进化算法的提出及基本概念

4．2 量子进化算法的基本原理

4．2．1 编码

4．2．2 算法进化机理

4．3 风电-火电联合调度的问题描述

4．3．1 目标函数

4．3．2 约束条件

4．3．3 风电功率接受度的计算模型

4．4 算法求解过程

4．4．1 外层算法描述(求解机组状态)

4．4．2 主要变量的粒子化

4．4．3 内层算法(负荷分配)

4．4．4 粒子群体间的运算

4．5 应用量子进化算法作为外层算法求解机组组合问题的优点

4．5．1 求解0-1规划问题的优越性

4．5．2 改进惩罚函数带来的不确定性

4．6 算例分析

4．7 本章小结

第5章 规模化电动汽车充电与风-火发电系统的协同调度

5．1 将双层粒子群算法改造为多目标算法的原理与方法

5．1．1 多目标粒子群算法的原理

5．1．2 快速非支配排序遗传算法与BOPSO的融合

5．2 含风电-火电系统的经济调度模型

5．2．1 目标函数

5．2．2 约束条件

5．3 算例分析

5．3．1 算例描述

5．3．2 分时电价与电价弹性以及智能充电方式下调度方案的目标函数及约束条件

5．3．3 结果分析

5．4 本章小结

6．1 研究工作总结

6．2 不足与展望

附录

参考文献

致谢

攻读学位期间发表学术论文和参加科研情况