一种考虑电网备用容量配置与风电利用率的电动汽车优化调度方法

摘要

本发明涉及一种考虑电网备用容量配置与风电利用率的电动汽车优化调度方法。包括：步骤1，基于ARMA 模型生成若干个含 24个时段的场景集，然后使用Kantorovich距离对场景集进行削减，得到典型场景下电动汽车充放电负荷和风力发电出力的序列；步骤2，基于建立的优化电网正负备用容量配置的电动汽车优化调度模型和约束条件，考虑电动汽车充放电特性，通过电价激励机制，调度电动汽车充放电时间，使电动汽车在电量不足时放电，在出现弃风时充电，减少系统正负备用的配置，提高风电利用率。因此，本发明能够降低电网正负备用容量配置，消除电量供应暂时性短缺，提高风电利用率，为更大限度、更经济、更安全的利用电网备用和风电功率提供了一种决策支持。

说明书

技术领域

本发明属于电力系统技术领域，是涉及一种考虑电网备用容量配置与风电利用率的电动汽车优化调度方法。

背景技术

能源产业作为国民经济的基础产业，不仅是确保国家战略安全的必要前提，也是实现经济可持续发展的重要保障。随着经济规模的扩大，对石油等传统能源的需求不断增大，排放到大气中的碳含量越来越多，使得能源紧缺与生态环境恶化的压力日益增大。而风力发电和电动汽车以其节能、环保的优势，成为解决能源资源紧张、大气污染严重的有效途径。

电动汽车产业已经列为我国的七大战略性新兴产业，我国政府推出一系列鼓励扶持政策，加速推动电动汽车产业发展。电动汽车保有量快速增长，截至2015年8月底，我国电动汽车保有量达到22.30万辆，国家明确提出到2020年电动汽车保有量达到500万辆。

与传统电源相比，风电仍面临弃风限电、补贴资金缺口、风电利用技术、管理体系有待进一步完善等问题，而且风力发电具有随机波动、可调控性差以及预测精度低等特点；电动汽车作为电力负荷，它的充电行为在空间和时间上都具有很大的随机性和间歇性，大规模电动汽车入网必然将会对电网的运行以及控制带来巨大挑战。因此，高渗透率风电和电动汽车接入增加了系统运行的风险。

考虑到通过V2G技术，可以实现电动汽车与电网之间的互动，本文提出了一种优化电网正负备用容量配置的电动汽车优化调度方法，目前对调度电动汽车优化电网正负备用容量配置的研究尚处于起步阶段。

发明内容

本发明的上述技术问题主要是通过下述技术方案得以解决的：

一种考虑电网备用容量配置与风电利用率的电动汽车优化调度方法，其特征在于，基于电量不足期望指标和风能浪费风险指标建立优化电网正负备用容量配置的电动汽车优化调度模型以及约束条件进行优化，其中：

电动汽车优化调度模型基于：

$\left(\begin{array}{cc}\min & F_{r_{+}}+F_{r_{-}}+\underset{s\in S}{\Sigma }\underset{t=1}{\overset{T}{\Sigma }}{U}_t^s{\mathrm{Pr}}^s\end{array}\right)$

式中，Pr^s表示场景s的概率；为正备用配置的投入成本，为负备用配置的投入成本，为场景s下在时段t的车主总充电成本；

约束条件包括：

约束条件一：系统供需电量约束

电力系统调度的基本要求是系统中发出的功率和负载需求的功率总是保持平衡，当计划发电量小于实际用电量时，需要调节正备用，本文假设正备用容量满足调节要求：

$P_{g,t}+P_d{N}_{d,t}^s+P_{w,t}^s+r_{+}-D_t-P_c{N}_{c,t}^s\ge 0$

式中，P_g,t为常规机组的发电功率表；D_t为时段t系统总的基本负荷；为场景s下风电场在时段t的预测风电功率；和分别表示场景s下时段t电动汽车充放电数量；

约束条件二：风电浪费约束

当计划发电量大于实际用电量时，需要调节负备用，减少风电浪费量；本文假设负备用容量满足调节要求：

$P_{g,t}+P_d{N}_{d,t}^s+P_{w,t}^s-D_t-P_c{N}_{c,t}^s-r_{-}\le 0$

约束条件三：可充放电的电动汽车数量约束

由于受到电动汽车正在使用和车主的意愿的影响，在每个时间段，能够接入电网进行充电或者放电的电动汽车数量是受到一定限制的；这种限制可以表示为：

$N_{c,t}^s+N_{d,t}^s\le N^{max},\forall t\in T,s\in S$

式中，N^max为可充放电的电动汽车最大数量；

约束条件四：充放电需求约束

为满足行驶需求，电动汽车需从电网获得足够多的能量，所以电动汽车的充电时间不能太短；同理，电动汽车不能向电网放出太多的能量，所以电动汽车的放电时间不能太长；电动汽车平均的充电或放电时长必须满足如下约束：

$\underset{t=1}{\overset{T}{\Sigma }}{N}_{c,t}^s\Delta t=N_c^{\max }{\mathrm{\Delta t}}_c,\forall s\in S$

$\underset{t=1}{\overset{T}{\Sigma }}{N}_{d,t}^s\Delta t=N_d^{\max }{\mathrm{\Delta t}}_d,\forall s\in S$

式中，为一天中所有可充电的电动汽车总数；Δt_c为平均充电时长；为一天中所有可放电的电动汽车总数；Δt_d为平均放电时长；

优化调度方法具体包括：

步骤1，基于ARMA模型生成若干个含24个时段的场景集合，然后使用Kantorovich距离对场景集合进行削减，得到设定的可用电动汽车充放电负荷和风力发电出力的场景组数；

步骤2，基于建立的优化电网正负备用容量配置的电动汽车优化调度模型和约束条件，考虑电动汽车充放电特性，通过电价激励机制，调度电动汽车充放电时间，使电动汽车在电量不足时放电，在出现弃风时充电，减少系统正负备用的配置，节省电网成本。

在上述的一种考虑电网备用容量配置与风电利用率的电动汽车优化调度方法，所述步骤1中，场景削减的具体方法是：

步骤2.1，生成场景，根据风电出力的历史数据电动汽车充放电负荷历史数据，应用自回归模型法建模，对研究的每个时段分别进行ARMA模型定阶，同时确定相应的模型参数；

ARMA(n,m)模型的数学表示形式为

式中，y_t是序列{y_t}的元素，为自回归参数，θ_j是滑动平均参数，序列{ε_t}是白噪声，均值为0，方差为σ²；本文中序列{y_t}为电动汽车充放电负荷序列或风电出力序列；

定义N为场景数，N_T为时间段数，默认值为24；n为场景标号；利用ARMA模型生成场景的步骤如下；

步骤2.1.1、初始化场景计数器：n＝0；

步骤2.1.2、更新场景计数器，初始化时间计数器：n＝n+1,t＝0；

步骤2.1.3、更新时间计数器：t＝t+1；

步骤2.1.4、随机产生白噪声ε_t～N(0,σ²)；

步骤2.1.5、计算式(1)获得y_tn；

步骤2.1.6、如果t＜N_T转到步骤3)，否则转到步骤7)；

步骤2.1.7、如果n＜N转到步骤2)，否则场景生成过程的结束；

步骤2.2、场景的削减：使用概率距离对生成的场景集进行削减，场景消减的目标是令弃用集合与保留场景集合的概率距离最小，因此确定一个场景数Ω的场景子集Ω_s应满足如下优化

$min\underset{u^j\in {\Omega }_s}{\underset{u^i\in \Omega }{\Sigma }}{p}_{i}d(u^i,u^j)$

这里d(uⁱ,u^j)场景uⁱ与场景u^j间的距离，p_i为场景uⁱ的概率；

Kantorovich距离定义为

d(wⁱ,w^j)＝||wⁱ-w^j||

具体包括：

步骤2.2.1、确定需要削减的场景:剔除满足如下条件的场景w^*，本步骤删除了与其他场景概率距离最近的场景；

步骤2.2.2、改变场景的总数:Ω＝Ω-1；并且挑选出与被剔除的场景最近的场景w¹；

步骤2.2.3、改变与被剔除的场景w^*最近的场景w¹的概率：本步骤保证了剩余的所有场景的概率和始终是1；

步骤2.2.4、只要剩余的场景总数仍然大于需要的少量场景的数量，削减算法重复步骤2.2.1。

在上述的一种考虑电网备用容量配置与风电利用率的电动汽车优化调度方法，所述正备用配置的投入成本的具体获取方法是基于以下公式：

$F_{r_{+}}=k_{+}{r}_{+}$

k₊取正数，r₊为备用容量；

所述负备用配置的投入成本的具体获取方法是基于以下公式：

$F_{r_{-}}=k_{-}{r}_{-}$

k₊取正数，r₊为备用容量；

用户充放电成本的获取方法基于以下公式：：

$U_t^s={\rho }_{c,t}{N}_{c,t}^s{P}_c\Delta t-{\rho }_{d,t}{N}_{d,t}^s{P}_d\Delta t$

式中，为场景s下在时段t的车主总充电成本；ρ_c,t为时段t的电动汽车的充电价格，ρ_d,t为时段t的电动汽车的放电价格；为场景s下在时段t充电的电动汽车总数量；P_c为电动汽车的平均充电功率；为场景s下在时段t放电的电动汽车总数量；P_d为电动汽车的平均放电功率；Δt为时段t的时长。

本发明基于电量不足期望指标(EENS)和风能浪费风险指标(EWWR)引入电力系统正负备用配置需求，并以用户充放电成本和正负备用成本最小为优化目标，建立电动汽车优化调度模型。调度模型能够降低电网正负备用容量配置，消除电量供应暂时性短缺，并尽可能消纳风电，提高风电利用率。本发明能够为更大限度、更经济、更安全的利用电网备用和风电功率提供了一种决策支持。

附图说明

图1是风电与电动汽车协调系统结构图。

图2是系统差额概率密度函数。

图3是备用容量为100MW时系统差额概率密度函数图。

图4是负备用容量为100MW时系统差额概率密度函数图。

图5是电动汽车充放电价格曲线。

具体实施方式

下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。

实施例：

本发明提供一种考虑电网备用容量配置与风电利用率的电动汽车优化调度方法，具体包括：

1、场景的生成与削减。

本文运用场景法来描述风力发电和电动汽车充放电负荷的不确定性，首先使用ARMA模型生成1000个含24个时段的场景集合，然后使用Kantorovich距离对场景集合进行削减，得到可用的电动汽车充放电负荷与风电出力的场景。

1.1、场景的生成。

根据风电出力的历史数据电动汽车充放电负荷历史数据，应用自回归模型法建模，对研究的每个时段分别进行ARMA模型定阶，同时确定相应的模型参数。

ARMA(n,m)模型的数学表示形式为

式中，y_t是序列{y_t}的元素，为自回归参数，θ_j是滑动平均参数，序列{ε_t}是白噪声，均值为0，方差为σ²。本文中序列{y_t}为电动汽车充放电负荷序列或风电出力序列。

设N为场景数，N_T为时间段数，默认值为24。n为场景标号。利用ARMA模型生成场景的步骤如下。

1)初始化场景计数器：n＝0。

2)更新场景计数器，初始化时间计数器：n＝n+1,t＝0。

3)更新时间计数器：t＝t+1。

4)随机产生白噪声ε_t～N(0,σ²)。

5)计算式(1)获得y_tn。

6)如果t＜N_T转到步骤3)，否则转到步骤7)。

7)如果n＜N转到步骤2)，否则场景生成过程的结束。

1.2、场景的削减。

场景数量的增加使得计算量迅速增加，为减少计算时间，同时准确表征随机过程，使用概率距离对生成的场景集进行削减。

场景消减的目标是令弃用集合与保留场景集合的概率距离最小，因此确定一个场景数Ω的场景子集Ω_s应满足如下优化

$min\underset{u^j\in {\Omega }_s}{\underset{u^i\in \Omega }{\Sigma }}{p}_{i}d(u^i,u^j)$

这里d(uⁱ,u^j)场景uⁱ与场景u^j间的距离，p_i为场景uⁱ的概率。

Kantorovich距离定义为

d(wⁱ,w^j)＝||wⁱ-w^j||

场景削减的具体步骤如下。

步骤1：确定需要削减的场景:剔除满足如下条件的场景w^*，

本步骤删除了与其他场景概率距离最近的场景。

步骤2：改变场景的总数:Ω＝Ω-1。并且挑选出与被剔除的场景最近的场景w¹。

步骤3：改变与被剔除的场景w^*最近的场景w¹的概率：本步骤保证了剩余的所有场景的概率和始终是1。

步骤4：只要剩余的场景总数仍然大于需要的少量场景的数量，削减算法重复到第1步。

2、系统电能供需平衡分析。

电力系统发电量和用电量应保持平衡，当计划发电量小于实际用电量时，需要调节正备用，如果正备用不能满足系统供电需求，就需要减负荷，本文用电量不足期望来表示；当计划发电量大于实际用电量时，需要调节负备用，消纳过多的电能，如果负备用不能满足消纳电能需求，目前电力系统采取的措施是减少风力发电，本文用风电浪费风险来表示。

根据之前介绍的场景生成方法对风电、电动汽车负荷分别生成100组可用场景。然后，进行随机排列组合产生10000种组合情况，每种组合后的情况根据式将得到一个系统差额值(系统失负荷值或多余发电出力值)，以及其对应的概率即系统差额风险概率密度。

P_M(m_t＝w_t,s+g_t,s+d_t,s-c_t,s-l_t,s)＝P_W(w_t,s)·P_G(g_t,s)·P(d_t,s)·P(c_t,s)·P(l_t,s)

式中，t为时段数；w_t,s、g_t,s和d_t,s分别表示t时段风电机组、常规机组和电动汽车放电在场景s下的出力值；c_t,s和l_t,s分别表示t时段电动汽车充电负荷和常规负荷值。

通过以上公式求得的10000种组合情况，然后进行概率统计，就可得到系统差额风险概率密度图，如Fig.2。

2.1、电量不足期望值。

当计划发电量小于实际用电量时，需要调节正备用容量。Fig.3描述了正备用量为100MW时的系统差额概率密度函数图，可以很明显的看出调节正备用r₊可以降低EENS(m)的值。因此，电量不足期望EENS(m)计算改善如下：

$EENS\left(m\right)=\underset{m=-r}{\overset{-\infty }{\Sigma }}(m+r_{+})·P_M\left(m\right)$

当选择备用容量r₊时，需考虑备用成本。备用成本与备用量的关系多以边际成本价格或市场竞价等来表征，本文考虑到国内的市场现状，将备用成本价格设为固定值，因此得到备用成本与备用量成正线性关系，即

$F_{r_{+}}=k_{+}{r}_{+}$

式中，k₊表示单位正备用的成本。

2.2、风能浪费风险值。

当计划发电量大于实际用电量时，需要调节负备用容量，消纳过多的电能，如果负备用不能满足消纳电能需求，目前电力系统采取的措施是减少风力发电。Fig.4描述了负备用量为100MW时的系统差额概率密度函数图，可以很明显的看出调节负备用r-可以降低EENR(m)的值。因此，电量不足期望EENR(m)计算改善如下。

$EEWR\left(m\right)=\underset{m=r_{-}}{\overset{+\infty }{\Sigma }}(m-r_{-})·P_M\left(m\right)$

当选择备用容量r_-时，需考虑备用成本。备用成本与备用量的关系多以边际成本价格或市场竞价等来表征，本文考虑到国内的市场现状，将备用成本价格设为固定值，因此得到备用成本与备用量成正线性关系，即

$F_{r_{-}}=k_{-}{r}_{-}$

式中，k_-表示单位负备用的成本。

2.3、正负备用的配置。

为了降低电量不足期望指标值，提高风电利用率，系统需要设置一定比例的正负备用。正负备用的成本与正负容量呈正相关关系，因此，在配置政府备用容量时应综合考虑备用成本。考虑到电动汽车充放电特性，通过电价激励机制，合理调度电动汽车充放电时间，可以使电动汽车在电量不足时放电，在出现弃风时充电，减少系统正负备用的配置，节省电网成本，本文假设电网允许的电量不足期望和风能浪费风险为0。

考虑到电动汽车放电时会影响到电池的寿命和车主用车的便捷性，为了提高车主参与向电网放电的积极性，让电动汽车的放电电价高于充电电价，使车主在低充高放时可以赚取额外的利润，本文设置电动汽车充放电电价曲线如fig.5所示。

3、优化调度模型。

本文基于场景分析法来描述风电出力的波动性，以充放电成本和正负备用成本最小为优化目标，以电量不足、光伏浪费风险及电动汽车充放电要求为约束条件，建立调度电动汽车优化系统备用配置策略。在优化过程中本文只考虑风力出力和电动汽车充放电负荷的随机性，常规机组发电量和基本负荷是已知的。

3.1、目标函数。

(1)正备用成本。

正备用成本与正备用容量成正相关，因此配置正备用容量不是越多越好，需要考虑正备用配置的投入成本：

$F_{r_{+}}=k_{+}{r}_{+}$

这里，k₊取1.5万元。

(2)负备用成本。

与正备用配置时考虑投入成本一样，负备用配置时也需要考虑投入成本：

$F_{r_{-}}=k_{-}{r}_{-}$

这里，k_-取1.5万元。

(3)用户充放电成本。

本文中车主的充电成本代表的所有电动汽车车主的总充电成本。由于部分车主会在电价高的时候向电网放电赚取一定的差价，因此车主的总充电成本表示为总的充电成本减去因放电而赚取的总放电收入。

$U_t^s={\rho }_{c,t}{N}_{c,t}^s{P}_c\Delta t-{\rho }_{d,t}{N}_{d,t}^s{P}_d\Delta t$

式中，为场景s下在时段t的车主总充电成本；ρ_c,t为时段t的电动汽车的充电价格，ρ_d,t为时段t的电动汽车的放电价格；为场景s下在时段t充电的电动汽车总数量；P_c为电动汽车的平均充电功率；为场景s下在时段t放电的电动汽车总数量；P_d为电动汽车的平均放电功率；Δt为时段t的时长，本文中其取值为1。

总的来说，系统发电量与用电量应保持平衡，当发电量大于用电量时，需要弃风，加大风能浪费风险成本；当发电量小于用电量时，需要投入正备用用量。因此，优化最理想效果是发电量与用电量基本保持平衡，相差最小。因此，总的目标函数可表述为所有场景下期望最小为目标：

$\left(\begin{array}{cc}\min & F_{r_{+}}+F_{r_{-}}+\underset{s\in S}{\Sigma }\underset{t=1}{\overset{T}{\Sigma }}{U}_t^s{\mathrm{Pr}}^s\end{array}\right)$

式中，Pr^s表示场景s的概率，场景削减中已经明确场景消减法分析电动汽车充电负荷和风电出力实际上就是挖掘典型场景下(电动汽车：天气状况、季节性、节假日；风电出力：天气、季节)电动汽车充电负荷和风电出力序列，而每一种典型场景都反映了许多相似场景的出力特性；实际上在场景消减过程中计算概率距离的过程也是对序列进行场景分类的过程，因此场景s的概率Pr^s实际上可以根据场景s包含的序列数来确定(假设每一个序列概率相同)。

3.2、约束函数。

(1)系统供需电量约束。

电力系统调度的基本要求是系统中发出的功率和负载需求的功率总是保持平衡，当计划发电量小于实际用电量时，需要调节正备用，本文假设正备用容量满足调节要求：

$P_{g,t}+P_d{N}_{d,t}^s+P_{w,t}^s+r_{+}-D_t-P_c{N}_{c,t}^s\ge 0$

式中，P_g,t为常规机组的发电功率表。D_t为时段t系统总的基本负荷；为场景s下风电场在时段t的预测风电功率。和分别表示场景s下时段t电动汽车充放电数量。

(2)风电浪费约束。

当计划发电量大于实际用电量时，需要调节负备用，减少风电浪费量。本文假设负备用容量满足调节要求：：

$P_{g,t}+P_d{N}_{d,t}^s+P_{w,t}^s-D_t-P_c{N}_{c,t}^s-r_{-}\le 0$

(2)可充放电的电动汽车数量约束。

由于受到电动汽车正在使用和车主的意愿的影响，在每个时间段，能够接入电网进行充电或者放电的电动汽车数量是受到一定限制的。这种限制可以表示为：

$N_{c,t}^s+N_{d,t}^s\le N^{max},\forall t\in T,s\in S$

式中，N^max为可充放电的电动汽车最大数量；

(3)充放电需求约束。

为满足行驶需求，电动汽车需从电网获得足够多的能量，所以电动汽车的充电时间不能太短；同理，电动汽车不能向电网放出太多的能量，所以电动汽车的放电时间不能太长。电动汽车平均的充电或放电时长必须满足如下约束：

$\underset{t=1}{\overset{T}{\Sigma }}{N}_{c,t}^s\Delta t=N_c^{\max }{\mathrm{\Delta t}}_c,\forall s\in S$

$\underset{t=1}{\overset{T}{\Sigma }}{N}_{d,t}^s\Delta t=N_d^{\max }{\mathrm{\Delta t}}_c,\forall s\in S$

式中，为一天中所有可充电的电动汽车总数；Δt_c为平均充电时长；为一天中所有可放电的电动汽车总数；Δt_d为平均放电时长。

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。