基于插电混动汽车V2G技术的虚拟电厂优化调度方法

摘要

本发明涉及一种基于插电混动汽车V2G技术的虚拟电厂优化调度方法，包括以下步骤：采集虚拟电厂数据；构造虚拟电厂优化调度模型；基于AFSA‑PSO算法求解虚拟电厂优化调度模型，获得废旧电池储能装置、纯电动汽车与插电混动汽车的优化调度功率。上述基于插电混动汽车V2G技术的虚拟电厂优化调度方法，可利用插电混动汽车的发电功能并网发电，降低电网的峰值负荷压力，并作为发电厂的旋转备用，提高了电力系统稳定性，运行成本低，有利于大规模应用。

说明书

技术领域

本发明涉及虚拟电厂优化调度领域，特别是涉及一种基于插电混动汽车V2G技术的虚拟电厂优化调度方法。

背景技术

随着我国能源转型的不断推进，电力系统对电网的功能、运行方式提出了新的挑战，风能、太阳能等可再生能源具有的随机性、间歇性和波动性特征，给电网带来巨大调峰调频压力。同时，随着我国电动汽车保有量的增加，大量电动汽车的无序充电给电网带来巨大的峰值负荷压力。据统计，每当电动汽车占比增加20％，就会增加接近10％的系统峰值需求。如果考虑系统备用容量等问题，发输配系统就要提升20％的冗余度。

对于可再生能源并网问题，常用的解决方法是建立微电网，它是由分布式电源、储能装置、能量转换装置、相关负荷和监控、保护装置汇集而成的小型发配电系统，是一个能够实现自我控制、保护和管理的自治系统，既可以与外部电网并网运行，也可以孤岛运行。对于平衡电网尖峰负荷问题，可以采用投入分布式电源微型燃气轮机，他除了分布式发电外，还可用于备用电站、热电联产等，无论对中心城市还是远郊农村甚至边远地区均能适用。

但是，对于微电网，其以分布式电源与用户就地应用为主要控制目标，且受到地理区域的限制，对多区域、大规模分布式电源的有效利用及在电力市场中的规模化效益具有一定的局限性。对于微型燃气轮机，在我国尚处于系统研发、产品研制与示范阶段,还需关键技术研发、试验验证与市场认可。面临的主要问题有：系统设计及关键技术有待提高，研制经验不足，基础研究还不充分，系统设计研发能力较薄弱；装备制造基础有待提升，需要继续加强相关材料及工程化基础研究；产业配套能力有待完善。因此，在我国微型燃气轮机发展不成熟，投资成本高。

发明内容

基于此，有必要针对微电网对多区域、大规模分布式电源的有效利用及在电力市场中的规模化效应具有一定的局限性，以及微型燃气轮机发展不成熟、投资成本高的问题，提供一种可缓解分布式电源与大电网之间的矛盾、提高电力系统稳定性、运行成本低，以及有利于大规模应用的基于插电混动汽车V2G技术的虚拟电厂优化调度方法。

一种基于V2G技术的虚拟电厂优化调度方法，包括以下步骤，

采集虚拟电厂数据，所述虚拟电厂数据包括纯电动汽车数量及SOC状态信息、插电混动汽车数量及油耗信息、风力发电出力数据、光伏发电出力数据、废旧电池储能装置SOC状态信息与负荷数据；

构造虚拟电厂优化调度模型，其中，以虚拟电厂中可再生能源消纳最大为目标，以各分布式电源为约束条件，以废旧电池储能装置出力、纯电动汽车出力与插电混动汽车出力为优化对象；

基于AFSA-PSO算法求解所述虚拟电厂优化调度模型，获得废旧电池储能装置、纯电动汽车与插电混动汽车的优化调度功率。

进一步的，所述采集虚拟电厂数据的步骤包括以下步骤，

在一天24小时中，每隔10分钟记为一个时间点，则一天有1440个时间点，在每个时间点利用车载终端获取纯电动汽车SOC状态信息与插电混动汽车的油耗信息，利用车载定位系统获取纯电动汽车与插电混动汽车的地理位置信息，利用充电桩监测系统获取纯电动汽车与插电混动汽车的充电及闲置时间；

利用电网SCADA系统采集风力发电出力数据、光伏发电出力数据、废旧电池储能装置SOC状态信息以及负荷数据；

将采集到的虚拟电产数据通过移动网络传输到虚拟电厂控制中心的后台。

进一步的，所述采集虚拟电厂数据的步骤之后还包括以下步骤，

车主下载国家电网APP，注册账号并填写所拥有的纯电动汽车与插电混动汽车数量及车辆信息；

国家电网调度中心与虚拟电厂控制系统建立网络互联，车主在国家电网APP上读取目前所需的调度量与引导信息，根据引导信息前往充电站放电；

电动汽车车主根据放电或发电量，在国家电网APP上进行收益结算。

进一步的，所述以虚拟电厂中可再生能源消纳最大为目标的步骤包括以下步骤，

建立可再生能源消纳的目标函数：

式中，E

进一步的，所述约束条件包括功率约束、纯电动汽车充放电约束、插电混动汽车出力约束、废旧电池储能装置充放电约束与电量约束，

所述功率约束为：

式中，

所述纯电动汽车充放电约束为：

式中，

所述废旧电池储能装置充放电约束为：

式中，

所述电量约束为：

式中，

进一步的，所述基于AFSA-PSO算法求解所述虚拟电厂优化调度模型的步骤包括以下步骤，

算法初始化；

产生符合条件的初始粒子；

根据AFSA-PSO算法求最优解。

进一步的，所述初始化算法的步骤包括，

设置种群规模，粒子维度，AFSA算法的迭代次数，PSO算法的迭代次数，感知范围，移动步长，拥挤度因子，觅食尝试次数，学习因子，最大惯性权值，最小惯性权值，最大速度和最小速度。

进一步的，所述产生符合条件的初始粒子的步骤包括以下步骤，

随机产生种群规模为N，粒子维数D＝5760的粒子x，其中，1～1440维表示储能装置的充放电功率，1441～2880维表示纯电动汽车的放电功率，2881～4320维表示插电混动汽车的调度功率，4321～5760维表示虚拟电厂与大电网的交互功率。

进一步的，所述根据AFSA-PSO算法求最优解步骤包括以下步骤，

利用AFSA算法对所有粒子的初始值进行优化；

将优化后的粒子作为粒子的初始值代入PSO算法；

获得废旧电池储能装置、纯电动汽车、混合动力汽车与大电网一天24h的优化调度功率。

上述基于插电混动汽车V2G技术的虚拟电厂优化调度方法，可利用插电混动汽车的发电功能并网发电，降低电网的峰值负荷压力，并作为发电厂的旋转备用，在负荷低谷时给电动汽车充电，在负荷高峰期利用V2G技术将电动汽车余电上网，达到转移负荷的目的。同时，利用插电混动汽车的发电功能代替微型燃气轮机，在负荷高峰期利用其发电并网，平时则作为旋转备用，达到降低电力系统对备用容量的投资和平衡电网尖峰负荷、增加虚拟电厂出力的目的。将纯电动汽车、插电混动汽车与风力发电、光伏发电、废旧电池储能装置及可控负荷协调控制，从而缓解分布式电源与大电网之间的矛盾，提高了电力系统的稳定性和可再生能源的消纳能力，降低了市场运行成本，有利于大规模应用。另外，利用V2G技术，不仅可以使纯电动汽车余电上网、转移负荷，还可以使插电混动汽车并网发电，节省对微型燃气轮机和系统备用容量的投资。

附图说明

图1为一个实施例的基于插电混动汽车V2G技术的虚拟电厂优化调度方法的流程图；

图2为虚拟电厂控制结构图；

图3为插电混动汽车V2G模式结构图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地说明，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1与图2所示，在一个实施例中，一种基于插电混动汽车V2G技术的虚拟电厂优化调度方法，包括以下步骤，

步骤S110，采集虚拟电厂数据。虚拟电厂数据包括纯电动汽车数量及SOC(StateOf Charge，荷电状态)状态信息、插电混动汽车数量及油耗信息、风力发电出力数据、光伏发电出力数据、废旧电池储能装置SOC状态信息与负荷数据。负荷数据包括可控负荷和不可控负荷。V2G(Vehicle to Grid，车辆到电网)描述了电动汽车与电网的关系。本实施例的电动汽车包括纯电动汽车与插电混动汽车。当电动汽车不使用时，车载电池的电能销售给大电网。如果车载电池需要充电，电能则由大电网流向车辆。参见图3，插电混动汽车可由内燃机或动力电池加驱动电机提供动力。在中低速行驶时，由动力电池通过驱动电机，为车辆提供动力。在高速行驶时，则由内燃机直接驱动车辆行驶。当电池组电量耗尽，可由内燃机驱动发电机为动力电池充电，也可以由充电站为动力电池充电。而V2G模式则是由内燃机驱动发电机发电，再经过充电站将电能输出到电网。采集虚拟电厂数据后，虚拟电厂控制系统对原始数据进行数据处理，可以得到每日的可控负荷的负荷功率预测与分布式电源的发电功率预测。分布式电源包括纯电动汽车、插电混动汽车、风力发电、光伏发电与废旧电池储能装置。

步骤S120，构造虚拟电厂优化调度模型。其中，以虚拟电厂中可再生能源消纳最大为目标，以各分布式电源为约束条件，以废旧电池储能装置出力、纯电动汽车出力与插电混动汽车出力为优化对象。本实施例中，可再生能源包括风能与太阳能。分布式电源包括纯电动汽车、插电混动汽车、风力发电、光伏发电与废旧电池储能装置。

步骤S130，基于AFSA-PSO算法求解所述虚拟电厂优化调度模型，获得废旧电池储能装置、纯电动汽车与插电混动汽车的优化调度功率。所谓AFSA-PSO算法简单的说就是先运行AFSA(Artificial Fish Swarm Algorithm，鱼群算法)算法，然后把结果作为PSO(Particle Swarm Optimization，粒子群算法)算法的初值继续运算，最终得到最优解。

上述基于V2G技术的虚拟电厂优化调度方法，可利用插电混动汽车的发电功能并网发电，降低电网的峰值负荷压力，并作为发电厂的旋转备用。在负荷低谷时给电动汽车充电，在负荷高峰期利用V2G技术将电动汽车余电上网，达到转移负荷的目的。同时，利用插电混动汽车的发电功能代替微型燃气轮机，在负荷高峰期利用其发电并网，平时则作为旋转备用，达到降低电力系统对备用容量的投资和平衡电网尖峰负荷、增加虚拟电厂出力的目的。将纯电动汽车、插电混动汽车与风力发电、光伏发电、废旧电池储能装置及可控负荷协调控制，从而缓解分布式电源与大电网之间的矛盾，提高了电力系统的稳定性和可再生能源的消纳能力，降低了市场运行成本，有利于大规模应用。另外，利用V2G技术，不仅可以使纯电动汽车余电上网、转移负荷，还可以使插电混动汽车并网发电，节省对微型燃气轮机和系统备用容量的投资。

在本实施例中，步骤S110，采集虚拟电厂数据的步骤包括以下步骤：

在一天24小时中，每隔10分钟记为一个时间点，则一天有1440个时间点，在每个时间点利用车载终端获取纯电动汽车SOC状态信息与插电混动汽车的油耗信息，利用车载定位系统获取纯电动汽车与插电混动汽车的地理位置信息，利用充电桩监测系统获取纯电动汽车与插电混动汽车的充电及闲置时间。

利用电网SCADA系统采集风力发电出力数据、光伏发电出力数据、废旧电池储能装置SOC状态信息以及负荷数据。

将采集到的虚拟电产数据通过移动网络传输到虚拟电厂控制中心的后台。

车主下载国家电网APP，注册账号并填写所拥有的纯电动汽车与插电混动汽车数量及车辆信息。

国家电网调度中心与虚拟电厂控制系统建立网络互联，车主在国家电网APP上读取目前所需的调度量与引导信息，根据引导信息前往充电站放电。

电动汽车车主根据放电或发电量，在国家电网APP上进行收益结算。虚拟电厂控制系统根据纯电动汽车放电量、插电混动汽车放电量与发电量及可控负荷响应情况进行收益结算和评估奖励。

在本实施例中，步骤120中以虚拟电厂中可再生能源消纳最大为目标的步骤包括以下步骤：

建立可再生能源消纳的目标函数：

式中，E

约束条件包括功率约束、纯电动汽车充放电约束、插电混动汽车出力约束、废旧电池储能装置充放电约束与电量约束。

所述功率约束为：

式中，

纯电动汽车充放电约束为：

式中，

废旧电池储能装置充放电约束为：

式中，

电量约束为：

式中，

在本实施例中，步骤130，基于AFSA-PSO算法求解所述虚拟电厂优化调度模型。虚拟电厂优化调度问题属于典型的高维度、多目标、非线性优化问题，要求优化算法能够快速并且准确地搜索到全局最优解。PSO算法对复杂非线性问题具有较强的寻优能力，但在优化过程中受初始值影响较大，容易陷入局部极值。针对PSO算法的缺点，将AFSA算法中的聚群思想和PSO算法混合，弥补PSO算法局部收敛能力差的缺陷。用AFSA-PSO算法求解虚拟电厂优化调度步骤如下：

算法初始化。

设置种群规模N，粒子维度D，AFSA算法的迭代次数maxgen1，PSO算法的迭代次数maxgen2，感知范围visual，移动步长step，拥挤度因子δ，觅食尝试次数trynumber,学习因子C

产生符合条件的初始粒子。

随机产生种群规模为N，粒子维数D＝5760的粒子，其中，1～1440维表示储能装置的充放电功率，1441～2880维表示纯电动汽车的放电功率，2881～4320维表示混合动力汽车的调度功率，4321～5760维表示虚拟电厂与大电网的交互功率。

根据AFSA-PSO算法求最优解。

1)AFSA对所有粒子的初始值进行优化。令AFSA算法的迭代次数u＝1,当u＜maxgen1时执行以下循环。

a)假设粒子的种群规模为N，每个粒子在D维空间中的坐标位置可以表示为：x

对x

所谓聚群行为，即计算粒子x

所谓追尾行为，即粒子x

所谓觅食行为，即粒子x

x

所谓随机行为，即粒子在其感知范围visual内随机移动，式中rand为一个D维的随机向量。

其中，x

根据式(18)重新计算更新后粒子位置的食物浓度Y

b)u＝u+1，将单个粒子经历过的最好位置记为个体最优位置x

2)将1)中迭代后的粒子x

3)令PSO算法的迭代次数k＝0，当k＜maxgen2时执行以下循环：

a)根据式(21)对惯性权重ω进行更新。

根据式(22)和式(23)对每个粒子x

v

x

更新后的粒子为x

其中，v

b)将单个粒子经历过的最好位置替换原个体最优位置x

c)k＝k+1。

输出x

上述基于V2G技术的虚拟电厂优化调度方法，利用插电混动汽车的发电功能，代替微型燃气轮机接入电网，节省了对微型燃气轮机设备的投资。同时也可以作为电力系统的旋转备用，节省对系统备用容量的投资，降低发输配系统冗余度。利用虚拟电厂的控制方式，整合可控范围内所有分布式电源及负荷，协调控制大量电动汽车在负荷高峰期将剩余电量通过V2G技术输送到电网，在夜间负荷低谷期再进行充电。这样不仅可以转移负荷，减小负荷峰谷差，也可以弥补虚拟电厂中可再生能源波动性大的缺点，有利于用户侧及电网的经济运行。

另外，我国清洁电力生产比重大幅提高，规模以上工业水电、核电、风电、太阳能发电等一次电力生产占全部发电量比重为28.8％，这使得大规模可再生能源并网成为不得不考虑的实际问题。风能、太阳能等可再生能源，都具有随机性、间歇性、波动性特征，给电网带来巨大调峰调频压力。又随着新型能源技术发展和与数字技术的融合，电网将接入数以千计、甚至万计的各类电源和大量的新型交互式用能设备，许多并网主体兼具生产者与消费者双重身份，电网运行的复杂性、不确定性显著增加。

而本发明所提出的基于V2G技术的虚拟电厂优化调度方法，正迎合了当前市场需要。该方法将大规模纯电动汽车和插电混动汽车利用V2G技术并入电网，再通过虚拟电厂的控制方式将其与各分布式电源、可控负荷协调控制，达到平抑电网负荷以及最大化可再生能源消纳的目的。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。