法律状态公告日
法律状态信息
法律状态
2019-09-24
授权
授权
2017-05-24
实质审查的生效 IPC(主分类):H02J3/00 申请日:20170224
实质审查的生效
2017-04-26
公开
公开
技术领域
本发明涉及主动配电网领域,特别是一种含电动汽车的主动配电网多时段优化重构方法。
背景技术
近年来,传统能源日益枯竭,电力需求的增长正驱动电网朝着可持续的方式发展,使得国家对智能电网的建设逐步推进,而在配电网一侧,分布式电源和电动汽车的接入量不断增加,传统配电网已难以应对,为此,主动配电网的概念油然而生,目的就是通过对配电网中出现的新型负荷进行主动的控制和管理,达到降低网络损耗、实现电网的可靠运行等。
为了应对大量用电负荷的功率需求,分布式电源接入主动配电网是必不可少的一个环节,对于以降低网损为目的的分布式电源的选址定容,可以通过网损灵敏度选择其接入位置和容量。根据相关数据统计,截止2015年,中国的电动汽车用户达到22.3万辆,国家也出台相应的政策,到2020年,电动汽车保有量将会达到500万辆,电动汽车作为一种清洁能源,被认为是降低碳排放量、治理雾霾等方面的重要技术途径。但是,电动汽车在解决能源问题和环境污染问题的同时,接入电网充电过程中作为一种电力负荷也会给电网带来压力,尤其是电动汽车车主的无序充电会使电网电压下降、功率损耗加大,所以大规模电动汽车的入网研究是主动配电网优化运行所要考虑的重要因素。
为了改善电动汽车接入配电网无序充电的影响,有学者就提出了智能充电的方法,智能充电的方法虽然对配电网的稳定运行有所提高,但是需要大量电动汽车车主参与电网公司的统一调度,就实际来看有一定的困难,而配电网重构就是通过切换开关状态来降低网络损耗、提高电压质量、均衡负荷等,实现配电系统的稳定运行,还鲜有文献提到电动汽车无序充电时通过网络重构来改善系统运行状态。
发明内容
本发明的目的在于:考虑到大规模电动汽车接入电网后对配电网的影响,而提供一种含电动汽车的主动配电网多时段优化重构方法。利用二进制粒子群算法更新粒子位置,通过小生境技术选择全局最优解,采用模糊隶属度决策法选择最优折衷解。考虑了分布式电源的接入,并根据网损灵敏度确定安装位置和容量,考虑电动汽车无序充电和智能充电两种模式,通过重构后配电网的网损降低、电压质量得到提高,同时,模拟分布式电源出力和电动汽车充电随时间变化的功率分布,更符合实际情况。
本发明采取的技术方案为:
一种含电动汽车的主动配电网多时段优化重构方法,包括以下步骤:
步骤(1):确定主动配电网多目标优化重构的目标函数,包括有功网损最小、电压偏移最小和开关次数最少,具体为:
其中:N为系统的支路总数;ki为支路i的开关投切状态,取值0或1,即断开或闭合;Pi、Qi分别代表支路的有功功率和无功功率;Ui为支路i的首端母线电压;ΔT和Δt分别表示EV充电时间段和计算网损的标准时间段;VSI(Voltage>i和Vin为节点i的实际电压和额定电压;k为时间段;y(k-1)i和z(k-1)j分别表示系统中第k-1时间段的分段开关、联络开关的当前状态,开关操作次数均为2的倍数;m为配电网中的分段开关的数量;n为配电网中联络开关的数量。
步骤(2):建立满足配电网重构的约束条件,包括潮流约束、节点电压约束、电流约束以及网络拓扑约束,具体为:
gk∈Gk(7)
其中:Pi、Qi分别为节点i注入的有功功率和无功功率;PDG,i、QDG,i依次为DG向节点i输入的有功和无功功率;PEV,i、QEV,i依次为EV向节点i注入的有功和无功功率;Ui、Uj分别为节点i、j的电压幅值;Y为支路导纳矩阵;
步骤(3):参数初始化,包括配电网节点数据、支路数据,设置种群规模、最大迭代次数,以及分布式电源出力及负荷功率数据。
步骤(4):种群个体初始化,即对生成的粒子计算其目标函数值,储存到外部解集空间。
步骤(5):依据小生境共享机制计算个体的共享适应度值,按照与适应度值成比例的轮盘赌注方法选取全局最优位置,小生境技术数学表达式如下:
其中:Nb为小生境内个体数量;fsh(dij)为共享函数;dij在文中表示小生境个体Xi和个体Xj之间的欧式距离;σshare为粒子i的小生境半径值,根据粒子i和j之间的当量距离动态更新。
步骤(6):粒子速度和个体最优位置更新,根据Pareto非支配排序方法选择是否替换步骤(4)中的个体,其中粒子位置通过Sigmoid函数更新,优点在于其二进制数可以表示配电网中开关的状态。
步骤(7):提取种群精英解集,作为下一代初始化个体。
步骤(8):判断是否达到最大迭代次数,如果是就进行下一步,如果不是就返回到步骤(5)再次计算。
一种含电动汽车的主动配电网多时段优化重构方法,通过模糊决策理论选择满意度最大的解,即为本次计算的最优折衷解。
一种含电动汽车的主动配电网多时段优化重构方法,系统中包括分布式电源和电动汽车的接入,分布式电源包含风力发电和光伏发电,其的位置和容量根据有功网损灵敏度确定,电动汽车接入配电网中充电包含无序充电和智能充电两种模式;建立了分布式电源出力和电动汽车充电的多时段概率模型。
本发明一种含电动汽车的主动配电网多时段优化重构方法,技术效果如下:
1:在算法上,通过Sigmoid函数更新粒子位置,使算法更适用于配电网重构;引入小生境技术,加强了算法的全局寻优能力,克服基本粒子群算法容易陷入局部最优解的缺陷;通过Pareto非支配排序选取种群精英解集,兼顾各个目标函数的计算结果。
2.采用模糊评价决策法选择最优折衷解,为决策者提供一个科学的重构方案。
3.考虑风力发电、光伏发电以及电动汽车充电的动态功率概率分布,使模型更加符合现实意义。
4.在电动汽车车主无序充电时,从电力供应侧考虑提高电网的运行性能,避免了电动汽车车主参与电力调度而给电力用户带来不必要的麻烦。
附图说明
图1为本发明所述的分布式电源出力和电动汽车充电的优化方案图。
图2为本发明所述的改进多目标粒子群算法流程图。
图3为本发明的采用IEEE33节点分区拓扑结构图。
图4为本发明所述的各时段风力发电和光伏发电的有功出力图。
图5为本发明所述的不同充电模式下各时段电动汽车充电负荷曲线图。
图6为本发明所述的多目标粒子群算法改进前后性能比较箱线图。
图7为本发明所述的不同场景下各时段网损值比较图。
图8为本发明所述的不同场景下各时段节点最小电压值曲线图。
具体实施方式
以下结合附图对本发明的技术方案进行具体说明。
一种含电动汽车的主动配电网多时段优化重构方法,包括以下步骤:
(1):确定主动配电网多目标优化重构的目标函数,包括有功网损最小、电压偏移最小和开关次数最少,具体为:
其中:N为系统的支路总数;ki为支路i的开关投切状态,取值0或1(断开或闭合);Pi、Qi分别代表支路的有功功率和无功功率;Ui为支路i的首端母线电压;ΔT和Δt分别表示EV充电时间段和计算网损的标准时间段;VSI为系统电压偏移指数;M为系统节点总数;Vi和Vin为节点i的实际电压和额定电压;k为时间段;y(k-1)i和z(k-1)j分别表示系统中第k-1时间段的分段开关、联络开关的当前状态,开关操作次数均为2的倍数;m为配电网中的分段开关的数量;n为配电网中联络开关的数量。
(2):建立满足配电网重构的约束条件,包括潮流约束、节点电压约束、电流约束以及网络拓扑约束,具体为:
gk∈Gk(7)
其中:Pi、Qi分别为节点i注入的有功功率和无功功率;PDG,i、QDG,i依次为DG向节点i输入的有功和无功功率;PEV,i、QEV,i依次为EV向节点i注入的有功和无功功率;Ui、Uj分别为节点i、j的电压幅值;Y为支路导纳矩阵;
(3):参数初始化,包括配电网节点数据、支路数据,设置种群规模、最大迭代次数,以及分布式电源出力和电动汽车充电功率数据,其中分布式发电包括风力发电和光伏发电,电动汽车充电包括无序充电和智能充电。
(4):种群个体初始化,即对生成的粒子计算其目标函数值,储存到外部解集空间。
(5):依据小生境共享机制计算个体的共享适应度值,按照与适应度值成比例的轮盘赌注方法选取全局最优位置,小生境技术数学表达式如下:
其中:Nb为小生境内个体数量;fsh(dij)为共享函数;dij在文中表示小生境个体Xi和个体Xj之间的欧式距离;σshare为粒子i的小生境半径值,根据粒子i和j之间的当量距离动态更新。
(6):粒子速度和个体最优位置更新,根据Pareto非支配排序方法选择是否替换步骤(4)中的个体,其中粒子位置通过Sigmoid函数更新,优点在于其二进制数可以表示配电网中开关的状态。
(7):提取种群精英解集,作为下一代初始化个体。
(8):判断是否达到最大迭代次数,如果是就进行下一步,如果不是就返回到步骤(5)再次计算。
(9):根据模糊决策理论选择满意度最大的解,即为本次计算的最优折衷解。
根据上述的一种含电动汽车的主动配电网多时段优化重构方法,所述系统中包括分布式电源和电动汽车的接入,分布式电源和电动汽车的数学模型具体为:
(1)、分布式电源出力的概率模型,包括风力发电(WT)数学模型和光伏发电(PV)数学模型:
1):风力发电的有功概率密度函数可以用Weibull分布表示,如下
其中:kw为形状指数,反映该地区风速的分布特性,通常取值在1.8到2.3之间;cw表示尺度参数,体现了该地区的平均风速,不同地区的kw和cw一般不同;PWT为风机的输出功率;k1和k2为系数;Pr是风机额定输出功率;vci、vco、vr分别为切入风速、切出风速和额定风速。
2)、光伏发电的有功概率密度可用Beta分布表示,如下
其中:α和β为Beta分布的形状参数;Ppv为光伏发电输出有功功率;Ppvm为光伏阵列最大输出功率;N为电池组件总数;An、ηn分别为第m个光伏组件的面积和光电转换效率。
3)、WT和PV的无功注入量表示如下
其中:设定φ=arcsin(0.9)。
4)、根据网损灵敏度原则确定分布式电源的安装位置和容量,基于对系统有功网损的影响最小,考虑分布式电源出力裕度的情况下,符合系统所能接纳分布式电源的能力,满足主动配电网的运行要求;
(2)、电动汽车充电的概率模型,包括无序充电模式和智能充电模式:
1):无序充电模式下,电动汽车车主不被调度中心统一安排充电,即“随到随充”模式,其数学模型表示如下
其中:fs(x)为电动汽车开始充电时刻概率分布函数;σs=3.4;μs=17.6;x为充电时刻;f(d)为日行驶里程分布;σd=0.88;μd=3.2;f(t)为电动汽车充电功率在2~3kW之间的充电时间的概率分布;fst表示EV充电时刻和时间长度的概率密度分布,fst=fs·ft;Pc是EV充电功率(kW)。
2):智能充电模式下,电动汽车车主需要服从调度中心的安排,通过调度中心日前的合理安排,计划次日私家车主的充电计划,实现电网的可靠运行,智能充电下电动汽车的安排可用下式表示
其中:Ei为计算得到的EV分配数量,按照各时刻的负荷量成比例分配;E为电动汽车总数;Pl.i为时刻i的负荷值。
以下IEEE33节点配电系统为例提供一个计算实例:
IEEE33节点系统中有33个节点,37条线路,5条联络开关,该配电系统负荷总有功为3715kW,无功为2300kvar,接入分布式电源和电动汽车后的网络拓扑结构如图3所示。分布式电源接入位置和安装容量如下表,系统中包含两个风力发电机组和一个光伏发电机组。
一般私家电动汽车车主集中在居民负荷区,如图3所示,在两个居民负荷区分别设定一个电动汽车充电站,假设共有1000辆电动汽车集中在这两个小区内,为了使本发明更加符合实际情况,充分考虑了分布式电源以及电动汽车充电的随机性,将1天分为12各时段,分布式电源出力和电动汽车充电负荷功率分别如图4和图5所示。
图6是改进多目标粒子群算法与基本多目标粒子群算法的计算性能对比图,改进后的粒子群算法在寻优性能上优于改进前的算法,更加适合于主动配电网的优化重构。
分布式电源和电动汽车的接入位置确定后,分四种场景说明电动汽车充电时系统优化与不优化的效果对比。
场景1:无序充电模式下不进行重构;
场景2:智能充电模式下不进行重构;
场景3:无序充电模式下进行重构;
场景4:智能充电模式下进行重构。
下表给出了电动汽车无序充电和智能充电重构前后各目标值在1天中的计算结果
场景2的网损323.19kW、电压偏移指标5.81,分别比场景3的网损238.27kW、电压偏移指标3.68高出35.6%和57.9%,说明从电网公司一侧考虑,能够使系统更加优化,虽然需要通过开关操作进行优化,但是能够满足电动汽车车主的用电需求。进一步对4种场景综合分析,智能充电和无序充电时进行重构前后的网损和电压偏移指标值均有明显的改善,场景4比场景3的开关次数少4次,说明本发明所用的重构方法是有效的。
1天各时段不同场景得出的网损值如图7所示,各时段最小电压值如图8所示,从图中可以看出电动汽车接入后系统负荷在第9到第12个时间段(即18:00-24:00)达到高峰期,而此时,电动汽车在两种充电模式下进行重构后网损有较大改善,在该时段电压的最小值也有所改善,有利于系统的稳定运行。
本发明在IEEE33节电系统中进行分析,考虑了在主动配电网中接入不同类型分布式电源,也考虑到不同充电模式下电动汽车接入系统中的影响,通过改进的多目标粒子群算法计算,在电动汽车接入时重构后的系统网损和电压偏移指标得到较大改善。
机译: 一种用于分析和优化配电网中数据收集网络性能的方法
机译: 一种用于分析和优化配电网中数据收集网络性能的方法
机译: 一种用于优化距勘探地点表面高度变化的主动侧向监测传感器的操作的方法