一种计及风电与电动汽车随机性的两阶段机组组合建模方法

摘要

本发明公开了一种计及风电与电动汽车随机性的两阶段机组组合建模方法，包括：步骤一，对建立最终模型所需要的数据进行整理，包括：风电的预测数据，不可调度电动汽车充放电情况的历史数据，可调度电动汽车的出行以及规模数据，以及电力系统相关参数；步骤二，利用风电预测数据生成风电出力多场景，并利用K‑means聚类分析法得到不可调度电动汽车的典型负荷曲线；步骤三，利用蒙特卡洛方法对可调度电动汽车的行为进行随机模拟，并生成EV充电聚集商的相应参数；步骤四，考虑风电出力多场景和可调度电动汽车的充电聚集商模式，以及不可调度电动汽车负荷，形成基于场景分析的考虑EV充电聚集商的二阶段随机机组组合模型；步骤五，根据实际数据并利用步骤四建立的二阶段随机机组组合模型，使用CPLEX求解器求解该MILP‑UC问题，并由求解结果确定机组组合和备用安排方案。

说明书

技术领域

本发明属于电力系统技术领域，涉及一种计及风电与电动汽车随机性的两阶段机组组合建模方法。

背景技术

当今时代，风电等新能源和电动汽车的发展给国家能源产业和环境问题带来了巨大机遇。但同时，风电出力的随机性和间歇性以及电动汽车充电负荷的不确定性让传统的电力系统调度方案不再适用，给电力系统运行和调度带来了巨大的挑战。随着风电和电动汽车的并网规模的增大，其给电力系统带来的负面影响也与日俱增。因此需要确定合理的调度方法，在考虑到风电与电动汽车影响的基础上，保证电力系统的稳定可靠运行，尽量减少系统的运行的成本。

目前对于风电出力不确定性建模方法来说，较为流行且可靠的是随机调度模型，相对于确定性调度和模糊调度等模型来说，其对风电的不确定性的描述更为客观与准确。而关于电动汽车建模方法，目前大多基于单个的电动汽车或者一组相同的电动汽车来建立模型，同时还有考虑充电聚集商模式的模型。后者相对前者来说，在保证问题规模并不很大的前提下，实现了电动汽车不再作为个体来与电力系统交互，同属一个充电聚集商的电动汽车也不必被强制设定为相同。然而，目前同时使用较优方式来考虑风电和电动汽车不确定性的模型并不多见，充分并且同时考虑到两者不确定性的研究尚不成熟。

综上，在新能源快速发展和电动汽车保有率持续增加的背景下，基于场景分析并考虑电动汽车充电聚集商模式的随机调度模型能够充分考虑风电和电动汽车的充电需求不确定性，并为电力系统的经济可靠运行提供调度方案，填补已有研究的不足。

发明内容

为了解决现有技术中存在的问题，本发明的目的在于提供一种计及风电与电动汽车随机性的两阶段机组组合建模方法，以填补现有相关调度模型的不足：充分考虑风电和电动汽车的充电需求不确定性，首先根据预测和历史数据生成风电多场景，并对可调度电动汽车的行为进行随机模拟，利用聚类分析得到不可调度电动汽车的典型负荷曲线。再建立EV充电聚集商模型和基于场景分析的二阶段随机机组组合模型。通过计算，为电力系统的经济可靠运行提供机组组合和备用安排方案。

为了实现上述目的，本发明采用如下技术方案：一种计及风电与电动汽车随机性的两阶段机组组合建模方法，包括以下步骤：

步骤一：对建立模型所需要的数据进行整理，包括风电预测数据、不可调度电动汽车充放电情况的历史数据、可调度电动汽车的出行数据和规模数据、以及电力系统相关参数；通过可调度电动汽车的出行数据得到其相应服从的概率分布，包括行驶距离的概率分布；

步骤二：利用步骤一得到的风电预测数据生成风电出力多场景；利用K-means聚类分析法对不可调度电动汽车充放电情况的历史数据处理得到不可调度电动汽车的典型负荷曲线；

步骤三：利用蒙特卡洛方法对步骤一得到的可调度电动汽车的出行数据和规模数据进行随机模拟，并生成可调度电动汽车的充电聚集商模式；

步骤四：根据步骤二生成的风电出力多场景和步骤三生成的可调度电动汽车的充电聚集商模式，以及步骤二得到的不可调度电动汽车的典型负荷曲线，以及电力系统相关参数形成基于场景分析的考虑EV充电聚集商的二阶段随机机组组合模型。

进一步的，所述步骤四中，第一阶段考虑机组启停状态及其相关约束，第二阶段考虑多场景下的变量及相关约束，第一阶段所确定的机组启停状态在第二阶段中保持不变；通过对两个阶段约束的统筹考虑，综合求解得到机组的开停机计划，出力安排以及可调度电动汽车的安排，并且得到系统的运行费用。

进一步的，所述步骤四中所述二阶段随机机组组合模型为：

进一步的，所述步骤四中，第一阶段模型的相关约束包括功率平衡约束、机组出力及备用约束、机组启停成本约束、最小开停机时间约束、电动汽车相关约束和网络安全约束，其中具体求解步骤为：

功率平衡约束：

机组出力及备用约束：

p

p

机组启停成本约束：

其中，

最小开停机时间约束：

电动汽车相关约束：

网络安全约束：

其中，G

进一步的，所述步骤四中，第二阶段模型约束包括功率平衡约束、机组出力与备用约束、机组燃料成本约束、机组爬坡约束和电动汽车相关约束，其中，具体的求解步骤为：

功率平衡约束：

机组出力与备用约束

机组燃料成本约束

机组爬坡约束

电动汽车相关约束

其中，

进一步的，还包括步骤五，根据实际数据并利用步骤四建立的二阶段随机机组组合模型，使用CPLEX求解器求解该MILP-UC(机组组合问题的混合整数线性规划模型)问题，由求解结果确定机组组合和备用安排方案。

进一步的，所述步骤一中，电力系统相关参数包括机组参数和负荷数据。

进一步的，所述步骤二中，在生成风电出力多场景时，假设风电出力在未来任一时刻服从正态分布，即

在对不可调度电动汽车的出力进行聚类分析时，将每一个电动汽车的负荷曲线视为用于聚类分析的一个多维数据点，并对每一个数据点进行归一化处理，在计算过程中，点与点之间的距离采用欧几里得距离，即：

进一步的，所述步骤三中，生成EV充电聚集商的相应参数的具体模拟过程如下：

其中，

公式(6)至(9)是对EV充电聚集商管辖区内的电动汽车能量的动态变化进行模拟，其中，E

利用式(2)至式(9)实现对可调度电动汽车行为的随机模拟，并得到EV充电聚集商的相应参数，包括

相对于现有考虑两者不确定性的调度方法来说，本发明具有以下有益效果：本发明合理考虑了风电出力和电动汽车充电需求的不确定性特点，将风电的不确定性考虑为多场景，而将电动汽车分为可调度与不可调度两部分分别考虑，针对可调度电动汽车，通过随机模拟建立EV充电聚集商模型，而对于不可调度电动汽车，则利用聚类分析得到其典型负荷曲线，将其视为常规负荷的一部分。本发明综合考虑这些因素建立二阶段的随机调度模型能够更为全面地反映两者的不确定性，并为机组组合和备用安排提供方案。传统方法在应对风电不确定性时，往往会根据经验为各个机组安排确定的备用容量，这种情况下，很可能随着新能源出力的不同，而表现为备用过剩或者备用不足，从而造成系统的可靠性与经济性的不足。而本发明中二阶段的随机调度模型所确定的机组组合和备用安排方案可以有效减少备用的冗余，使备用容量的安排更为经济合理。在保证可靠性的基础上，通过对机组和电动汽车的合理安排，可以有效地提高系统对风电的消纳量并减少系统的运行成本，有效减少风电出力和电动汽车不确定性为电力系统调度带来的负面影响。

附图说明

图1为本发明的整体流程。

图2为EV充电聚集商原理说明图。

图3为实例电力系统网架图。

图4为实例机组组合结果图。

图5为实例备用安排结果图。

图6为本发明的方法与传统的确定性备用模型的运行结果的对比图。

图7为本发明综合考虑风电出力和电动汽车不确定性与考虑风电不确定性的效果对比图。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细描述。

本发明提供了一种计及风电与电动汽车随机性的两阶段机组组合建模方法，如图1所示，具体包括以下步骤：

步骤一：对建立最终模型所需要的数据进行整理，包括：风电的预测数据，不可调度电动汽车充放电情况的历史数据，可调度电动汽车的出行以及规模数据，以及电力系统相关参数，如机组参数，负荷数据。通过电动汽车出行数据得到其相应服从的概率分布，如行驶距离的概率分布。

步骤二：利用风电预测数据生成风电出力多场景，并利用K-means聚类分析法处理不可调度电动汽车充放电情况的历史数据得到不可调度电动汽车的典型负荷曲线。

具体的，在生成场景时，假设风电出力在未来任一时刻服从正态分布，即

而对不可调度电动汽车的出力进行聚类分析时，将每一个电动汽车的负荷曲线视为用于聚类分析的一个多维数据点，并对每一个数据点进行归一化处理。在计算过程中，点与点之间的距离采用欧几里得距离，即：

步骤三：利用蒙特卡洛方法对可调度电动汽车的行为进行随机模拟，并生成EV充电聚集商的相应参数，具体的模拟过程如下：

其中，

公式(6)-(9)是对充电聚集商管辖区内的电动汽车能量的动态变化进行模拟。其中，E

利用式(2)～式(9)就可以实现对可调度电动汽车行为的随机模拟，并得到EV充电聚集商的相应参数，如

步骤四：考虑风电出力多场景和可调度电动汽车的充电聚集商模式，以及不可调度电动汽车负荷，形成基于场景分析的考虑EV充电聚集商的二阶段随机机组组合模型。具体的模型如下：

第一阶段模型约束为：

功率平衡约束：

机组出力及备用约束：

p

p

机组启停成本约束：

其中，

最小开停机时间约束：

电动汽车相关约束：

网络安全约束：

其中，G

第二阶段模型约束为：

功率平衡约束：

机组出力与备用约束

机组燃料成本约束

机组爬坡约束

电动汽车相关约束

其中，

步骤五，根据实际数据并利用步骤四建立的二阶段随机机组组合模型，使用CPLEX求解器求解该MILP-UC问题。由求解结果确定机组组合和备用安排方案。

下面以一个简单的算例说明本方法实施流程。

该实例为IEEE118母线54机组系统，其网架结构如图3所示，调度周期为24h。考虑系统中存在EV充电聚集商6个，电动汽车的总量考虑为120000个，使其最大的充电功率达到了系统最大负荷的10％。对可调度电动汽车，假设电动汽车的种类相同，每辆电动汽车存储容量20kWh，最大充放电功率为6.4kW，每千米耗电为0.15kWh，充放电效率均为0.8，最低存储电量水平为0.2，能够离站的存储电量水平为0.8。电动汽车的行驶距离和行驶速度都近似认为服从正态分布，其中行驶距离的期望值考虑为50km，行驶速度的期望值考虑为30km/h。

利用本发明的方法，依据各步骤具体实施，可以得到机组组合和备用安排结果，机组组合结果见图4，备用安排见图5。总运行费用为1562190.7$，开关机成本分别为1380$和2849$。

图6对本发明的方法与传统的确定性备用模型的运行结果进行了对比。可以看到采用本发明的方法，可以有效减少备用容量的冗余并减少系统的总运行费用。图7展示了本发明综合考虑风电出力和电动汽车不确定性的效果，通过对机组和电动汽车的合理安排，可以有效地提高系统对风电的消纳量并减少系统的备用容量。

最后应当说明的是：以上实例仅用以说明本发明的技术方案，本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都属于本发明的保护范围。