一種考慮電網(wǎng)備用容量配置與風(fēng)電利用率的電動汽車優(yōu)化調(diào)度方法
【專利摘要】本發(fā)明涉及一種考慮電網(wǎng)備用容量配置與風(fēng)電利用率的電動汽車優(yōu)化調(diào)度方法。包括：步驟1，基于ARMA 模型生成若干個含 24個時段的場景集，然后使用Kantorovich距離對場景集進行削減，得到典型場景下電動汽車充放電負(fù)荷和風(fēng)力發(fā)電出力的序列；步驟2，基于建立的優(yōu)化電網(wǎng)正負(fù)備用容量配置的電動汽車優(yōu)化調(diào)度模型和約束條件，考慮電動汽車充放電特性，通過電價激勵機制，調(diào)度電動汽車充放電時間，使電動汽車在電量不足時放電，在出現(xiàn)棄風(fēng)時充電，減少系統(tǒng)正負(fù)備用的配置，提高風(fēng)電利用率。因此，本發(fā)明能夠降低電網(wǎng)正負(fù)備用容量配置，消除電量供應(yīng)暫時性短缺，提高風(fēng)電利用率，為更大限度、更經(jīng)濟、更安全的利用電網(wǎng)備用和風(fēng)電功率提供了一種決策支持。
【專利說明】
一種考慮電網(wǎng)備用容量配置與風(fēng)電利用率的電動汽車優(yōu)化調(diào) 度方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明屬于電力系統(tǒng)技術(shù)領(lǐng)域，是涉及一種考慮電網(wǎng)備用容量配置與風(fēng)電利用率 的電動汽車優(yōu)化調(diào)度方法。
【背景技術(shù)】
[0002] 能源產(chǎn)業(yè)作為國民經(jīng)濟的基礎(chǔ)產(chǎn)業(yè)，不僅是確保國家戰(zhàn)略安全的必要前提，也是 實現(xiàn)經(jīng)濟可持續(xù)發(fā)展的重要保障。隨著經(jīng)濟規(guī)模的擴大，對石油等傳統(tǒng)能源的需求不斷增 大，排放到大氣中的碳含量越來越多，使得能源緊缺與生態(tài)環(huán)境惡化的壓力日益增大。而風(fēng) 力發(fā)電和電動汽車以其節(jié)能、環(huán)保的優(yōu)勢，成為解決能源資源緊張、大氣污染嚴(yán)重的有效途 徑。
[0003] 電動汽車產(chǎn)業(yè)已經(jīng)列為我國的七大戰(zhàn)略性新興產(chǎn)業(yè)，我國政府推出一系列鼓勵扶 持政策，加速推動電動汽車產(chǎn)業(yè)發(fā)展。電動汽車保有量快速增長，截至2015年8月底，我國電 動汽車保有量達到22.30萬輛，國家明確提出到2020年電動汽車保有量達到500萬輛。
[0004] 與傳統(tǒng)電源相比，風(fēng)電仍面臨棄風(fēng)限電、補貼資金缺口、風(fēng)電利用技術(shù)、管理體系 有待進一步完善等問題，而且風(fēng)力發(fā)電具有隨機波動、可調(diào)控性差以及預(yù)測精度低等特點； 電動汽車作為電力負(fù)荷，它的充電行為在空間和時間上都具有很大的隨機性和間歇性，大 規(guī)模電動汽車入網(wǎng)必然將會對電網(wǎng)的運行以及控制帶來巨大挑戰(zhàn)。因此，高滲透率風(fēng)電和 電動汽車接入增加了系統(tǒng)運行的風(fēng)險。
[0005] 考慮到通過V2G技術(shù)，可以實現(xiàn)電動汽車與電網(wǎng)之間的互動，本文提出了一種優(yōu)化 電網(wǎng)正負(fù)備用容量配置的電動汽車優(yōu)化調(diào)度方法，目前對調(diào)度電動汽車優(yōu)化電網(wǎng)正負(fù)備用 容量配置的研究尚處于起步階段。

【發(fā)明內(nèi)容】

[0006] 本發(fā)明的上述技術(shù)問題主要是通過下述技術(shù)方案得以解決的：
[0007] -種考慮電網(wǎng)備用容量配置與風(fēng)電利用率的電動汽車優(yōu)化調(diào)度方法，其特征在 于，基于電量不足期望指標(biāo)和風(fēng)能浪費風(fēng)險指標(biāo)建立優(yōu)化電網(wǎng)正負(fù)備用容量配置的電動汽 車優(yōu)化調(diào)度模型以及約束條件進行優(yōu)化，其中：
[0008] 電動汽車優(yōu)化調(diào)度模型基于：
[0010] 式中，？一表示場景s的概率;< 為正備用配置的投入成本，€為負(fù)備用配置的投入 成本，€為場景s下在時段t的車主總充電成本；
[0011] 約束條件包括：
[0012] 約束條件一:系統(tǒng)供需電量約束
[0013] 電力系統(tǒng)調(diào)度的基本要求是系統(tǒng)中發(fā)出的功率和負(fù)載需求的功率總是保持平衡， 當(dāng)計劃發(fā)電量小于實際用電量時，需要調(diào)節(jié)正備用，本文假設(shè)正備用容量滿足調(diào)節(jié)要求：
[0014]
[0015] 4+6C',+C+': - Ο,Κ 之 〇
[0016] 式中，Pg,t為常規(guī)機組的發(fā)電功率表;Dt為時段t系統(tǒng)總的基本負(fù)荷;為場景s下 風(fēng)電場在時段t的預(yù)測風(fēng)電功率;和分別表示場景 s下時段t電動汽車充放電數(shù)量；
[0017] 約束條件二:風(fēng)電浪費約束
[0018] 當(dāng)計劃發(fā)電量大于實際用電量時，需要調(diào)節(jié)負(fù)備用，減少風(fēng)電浪費量;本文假設(shè)負(fù) 備用容量滿足調(diào)節(jié)要求：
[0019] P:+P,N,+P：-D：-PN；：-r <0
[0020] 約束條件三:可充放電的電動汽車數(shù)量約束
[0021] 由于受到電動汽車正在使用和車主的意愿的影響，在每個時間段，能夠接入電網(wǎng) 進行充電或者放電的電動汽車數(shù)量是受到一定限制的;這種限制可以表示為：
[0022]
[0023]式中，Nmax為可充放電的電動汽車最大數(shù)量；
[0024]約束條件四：充放電需求約束
[0025]為滿足行駛需求，電動汽車需從電網(wǎng)獲得足夠多的能量，所以電動汽車的充電時 間不能太短；同理，電動汽車不能向電網(wǎng)放出太多的能量，所以電動汽車的放電時間不能太 長;電動汽車平均的充電或放電時長必須滿足如下約束：
[0028]式中，為一天中所有可充電的電動汽車總數(shù)；為平均充電時長；為一 天中所有可放電的電動汽車總數(shù)；△ td為平均放電時長；
[0029]優(yōu)化調(diào)度方法具體包括：
[0030]步驟1，基于ARMA模型生成若干個含24個時段的場景集合，然后使用Kantorovich 距離對場景集合進行削減，得到設(shè)定的可用電動汽車充放電負(fù)荷和風(fēng)力發(fā)電出力的場景組 數(shù)；
[0031] 步驟2,基于建立的優(yōu)化電網(wǎng)正負(fù)備用容量配置的電動汽車優(yōu)化調(diào)度模型和約束 條件，考慮電動汽車充放電特性，通過電價激勵機制，調(diào)度電動汽車充放電時間，使電動汽 車在電量不足時放電，在出現(xiàn)棄風(fēng)時充電，減少系統(tǒng)正負(fù)備用的配置，節(jié)省電網(wǎng)成本。
[0032] 在上述的一種考慮電網(wǎng)備用容量配置與風(fēng)電利用率的電動汽車優(yōu)化調(diào)度方法，所 述步驟1中，場景削減的具體方法是：
[0033] 步驟2.1，生成場景，根據(jù)風(fēng)電出力的歷史數(shù)據(jù)電動汽車充放電負(fù)荷歷史數(shù)據(jù)，應(yīng) 用自回歸模型法建模，對研究的每個時段分別進行ARMA模型定階，同時確定相應(yīng)的模型參 數(shù)；
[0034] ARMA(n，m)模型的數(shù)學(xué)表示形式為
[0036]式中，yt是序列{yt}的元素，約為自回歸參數(shù)，Θ」是滑動平均參數(shù)，序列{e t}是白噪 聲，均值為〇,方差為σ2;本文中序列{yt}為電動汽車充放電負(fù)荷序列或風(fēng)電出力序列；
[0037]定義N為場景數(shù)，Ντ為時間段數(shù)，默認(rèn)值為24;n為場景標(biāo)號；利用ARMA模型生成場 景的步驟如下；
[0038] 步驟2.1.1、初始化場景計數(shù)器:n = 0;
[0039] 步驟2.1.2、更新場景計數(shù)器，初始化時間計數(shù)器:n = n+l，t = 0;
[0040] 步驟2 · 1 · 3、更新時間計數(shù)器:t = t+1;
[0041] 步驟2.1.4、隨機產(chǎn)生白噪聲￡*~1^(0,〇2);
[0042] 步驟2.1.5、計算式（1)獲得7*";
[0043] 步驟2.1.6、如果t<NT轉(zhuǎn)到步驟3)，否則轉(zhuǎn)到步驟7);
[0044] 步驟2.1.7、如果n<N轉(zhuǎn)到步驟2)，否則場景生成過程的結(jié)束；
[0045] 步驟2.2、場景的削減:使用概率距離對生成的場景集進行削減，場景消減的目標(biāo) 是令棄用集合與保留場景集合的概率距離最小，因此確定一個場景數(shù)Ω的場景子集Ω 3應(yīng) 滿足如下優(yōu)化
[0047] 這里d(W)場景u1與場景u響的距離，Pl為場景u1的概率；
[0048] Kantorovich 距離定義為
[0049] d(wi,wj)= | Iw^l
[0050] 具體包括：
[0051] 步驟2 . 2 . 1、確定需要削減的場景：剔除滿足如下條件的場景w%
，本步驟刪除了與其他場景概率距離最近的場 景；
[0052]步驟2.2.2、改變場景的總數(shù)：Ω = Ω-1;并且挑選出與被剔除的場景最近的場景 w1 ；
[0053] 步驟2.2.3、改變與被剔除的場景最近的場景w1的概率：本步驟保 證了剩余的所有場景的概率和始終是1;
[0054]步驟2.2.4、只要剩余的場景總數(shù)仍然大于需要的少量場景的數(shù)量，削減算法重復(fù) 步驟2.2.1。
[0055] 在上述的一種考慮電網(wǎng)備用容量配置與風(fēng)電利用率的電動汽車優(yōu)化調(diào)度方法，所 述正備用配置的投入成本的具體獲取方法是基于以下公式：
[0056] .Κ-、.= ΚΚ.
[0057] k+取正數(shù)，r+為備用容量；
[0058]所述負(fù)備用配置的投入成本的具體獲取方法是基于以下公式：
[0059] Ft_ = kj^
[0060] k+取正數(shù)，r+為備用容量；
[0061] 用戶充放電成本的獲取方法基于以下公式：：
[0062] U： At-pdlN；uP^t
[0063] 式中，W為場景s下在時段t的車主總充電成本;pc,t為時段t的電動汽車的充電價 格，Pd,t為時段t的電動汽車的放電價格； 為場景s下在時段t充電的電動汽車總數(shù)量;P。 為電動汽車的平均充電功率;為場景s下在時段t放電的電動汽車總數(shù)量;Pd為電動汽車 的平均放電功率；At為時段t的時長。
[0064]本發(fā)明基于電量不足期望指標(biāo)(EENS)和風(fēng)能浪費風(fēng)險指標(biāo)(EWWR)引入電力系統(tǒng) 正負(fù)備用配置需求，并以用戶充放電成本和正負(fù)備用成本最小為優(yōu)化目標(biāo)，建立電動汽車 優(yōu)化調(diào)度模型。調(diào)度模型能夠降低電網(wǎng)正負(fù)備用容量配置，消除電量供應(yīng)暫時性短缺，并盡 可能消納風(fēng)電，提高風(fēng)電利用率。本發(fā)明能夠為更大限度、更經(jīng)濟、更安全的利用電網(wǎng)備用 和風(fēng)電功率提供了一種決策支持。
【附圖說明】
[0065] 圖1是風(fēng)電與電動汽車協(xié)調(diào)系統(tǒng)結(jié)構(gòu)圖。
[0066] 圖2是系統(tǒng)差額概率密度函數(shù)。
[0067] 圖3是備用容量為100MW時系統(tǒng)差額概率密度函數(shù)圖。
[0068] 圖4是負(fù)備用容量為100MW時系統(tǒng)差額概率密度函數(shù)圖。
[0069]圖5是電動汽車充放電價格曲線。
【具體實施方式】
[0070] 下面通過實施例，并結(jié)合附圖，對本發(fā)明的技術(shù)方案作進一步具體的說明。
[0071] 實施例：
[0072] 本發(fā)明提供一種考慮電網(wǎng)備用容量配置與風(fēng)電利用率的電動汽車優(yōu)化調(diào)度方法， 具體包括：
[0073] 1、場景的生成與削減。
[0074]本文運用場景法來描述風(fēng)力發(fā)電和電動汽車充放電負(fù)荷的不確定性，首先使用 ARMA模型生成1000個含24個時段的場景集合，然后使用Kantorovich距離對場景集合進行 削減，得到可用的電動汽車充放電負(fù)荷與風(fēng)電出力的場景。
[0075] 1.1、場景的生成。
[0076]根據(jù)風(fēng)電出力的歷史數(shù)據(jù)電動汽車充放電負(fù)荷歷史數(shù)據(jù)，應(yīng)用自回歸模型法建 模，對研究的每個時段分別進行ARMA模型定階，同時確定相應(yīng)的模型參數(shù)。
[0077] ARMA(n，m)模型的數(shù)學(xué)表示形式為
[0078] y; +
[0079] 式中，yt是序列{yt}的元素，巧為自回歸參數(shù)，Θ」是滑動平均參數(shù)，序列{et}是白噪 聲，均值為〇,方差為σ 2。本文中序列{yt}為電動汽車充放電負(fù)荷序列或風(fēng)電出力序列。
[0080] 設(shè)N為場景數(shù)，Ντ為時間段數(shù)，默認(rèn)值為24。11為場景標(biāo)號。利用ARMA模型生成場景 的步驟如下。
[0081] 1)初始化場景計數(shù)器:n = 0。
[0082 ] 2)更新場景計數(shù)器，初始化時間計數(shù)器:η = n+1，t = 0。
[0083] 3)更新時間計數(shù)器：t = t+l。
[0084] 4)隨機產(chǎn)生白噪聲et~Ν(0，σ2)。
[0085] 5)計算式(1)獲得ytn。
[0086] 6)如果t<NT轉(zhuǎn)到步驟3)，否則轉(zhuǎn)到步驟7)。
[0087] 7)如果n<N轉(zhuǎn)到步驟2)，否則場景生成過程的結(jié)束。
[0088] 1.2、場景的削減。
[0089] 場景數(shù)量的增加使得計算量迅速增加，為減少計算時間，同時準(zhǔn)確表征隨機過程， 使用概率距離對生成的場景集進行削減。
[0090] 場景消減的目標(biāo)是令棄用集合與保留場景集合的概率距離最小，因此確定一個場 景數(shù)Ω的場景子集Ω 3應(yīng)滿足如下優(yōu)化
[0092] 這里d(W)場景u1與場景u響的距離，Pl為場景u1的概率。
[0093] Kantorovich 距離定義為
[0094] d(wi,wj)= | Iw^l
[0095] 場景削減的具體步驟如下。
[0096] 步驟1:確定需要削減的場景:剔除滿足如下條件的場景V，
[0097]
，本步驟刪除了與其他場景概率距 離最近的場景。
[0098] 步驟2:改變場景的總數(shù)：Ω = Ω-1。并且挑選出與被剔除的場景最近的場景w1。
[0099] 步驟3:改變與被剔除的場景#最近的場景w1的概率：。本步驟保證了 剩余的所有場景的概率和始終是1。
[0100]步驟4:只要剩余的場景總數(shù)仍然大于需要的少量場景的數(shù)量，削減算法重復(fù)到第 1步。
[0101] 2、系統(tǒng)電能供需平衡分析。
[0102] 電力系統(tǒng)發(fā)電量和用電量應(yīng)保持平衡，當(dāng)計劃發(fā)電量小于實際用電量時，需要調(diào) 節(jié)正備用，如果正備用不能滿足系統(tǒng)供電需求，就需要減負(fù)荷，本文用電量不足期望來表 示；當(dāng)計劃發(fā)電量大于實際用電量時，需要調(diào)節(jié)負(fù)備用，消納過多的電能，如果負(fù)備用不能 滿足消納電能需求，目前電力系統(tǒng)采取的措施是減少風(fēng)力發(fā)電，本文用風(fēng)電浪費風(fēng)險來表 不。
[0103] 根據(jù)之前介紹的場景生成方法對風(fēng)電、電動汽車負(fù)荷分別生成100組可用場景。然 后，進行隨機排列組合產(chǎn)生10000種組合情況，每種組合后的情況根據(jù)式將得到一個系統(tǒng)差 額值(系統(tǒng)失負(fù)荷值或多余發(fā)電出力值），以及其對應(yīng)的概率即系統(tǒng)差額風(fēng)險概率密度。
[0104] PM(mt=wt,s+gt,s+dt,s-ct,s-lt,s) =Pw(wt,s) · Pc(gt,s) · P(dt,s) · P(ct,s) · P(lt，s)
[0105] 式中，t為時段數(shù);Wt,s、gt,s和d t,s分別表示t時段風(fēng)電機組、常規(guī)機組和電動汽車放 電在場景s下的出力值;(^,3和1〇分別表示切寸段電動汽車充電負(fù)荷和常規(guī)負(fù)荷值。
[0106] 通過以上公式求得的10000種組合情況，然后進行概率統(tǒng)計，就可得到系統(tǒng)差額風(fēng) 險概率密度圖，如Fig.2。
[0107] 2.1、電量不足期望值。
[0108]當(dāng)計劃發(fā)電量小于實際用電量時，需要調(diào)節(jié)正備用容量。Fig. 3描述了正備用量為 100MW時的系統(tǒng)差額概率密度函數(shù)圖，可以很明顯的看出調(diào)節(jié)正備用r+可以降低EENS(m)的 值。因此，電量不足期望EENS(m)計算改善如下：
[0110]當(dāng)選擇備用容量r+時，需考慮備用成本。備用成本與備用量的關(guān)系多以邊際成本 價格或市場競價等來表征，本文考慮到國內(nèi)的市場現(xiàn)狀，將備用成本價格設(shè)為固定值，因此 得到備用成本與備用量成正線性關(guān)系，即 [mu] =Kr+
[0112] 式中，k+表示單位正備用的成本。
[0113] 2.2、風(fēng)能浪費風(fēng)險值。
[0114] 當(dāng)計劃發(fā)電量大于實際用電量時，需要調(diào)節(jié)負(fù)備用容量，消納過多的電能，如果負(fù) 備用不能滿足消納電能需求，目前電力系統(tǒng)采取的措施是減少風(fēng)力發(fā)電。Fig.4描述了負(fù)備 用量為100MW時的系統(tǒng)差額概率密度函數(shù)圖，可以很明顯的看出調(diào)節(jié)負(fù)備用r-可以降低 EENR(m)的值。因此，電量不足期望EENR(m)計算改善如下。
[0116] 當(dāng)選擇備用容量r-時，需考慮備用成本。備用成本與備用量的關(guān)系多以邊際成本 價格或市場競價等來表征，本文考慮到國內(nèi)的市場現(xiàn)狀，將備用成本價格設(shè)為固定值，因此 得到備用成本與備用量成正線性關(guān)系，即
[0117] Fr=kj-_
[0118] 式中，k-表示單位負(fù)備用的成本。
[0119] 2.3、正負(fù)備用的配置。
[0120] 為了降低電量不足期望指標(biāo)值，提高風(fēng)電利用率，系統(tǒng)需要設(shè)置一定比例的正負(fù) 備用。正負(fù)備用的成本與正負(fù)容量呈正相關(guān)關(guān)系，因此，在配置政府備用容量時應(yīng)綜合考慮 備用成本。考慮到電動汽車充放電特性，通過電價激勵機制，合理調(diào)度電動汽車充放電時 間，可以使電動汽車在電量不足時放電，在出現(xiàn)棄風(fēng)時充電，減少系統(tǒng)正負(fù)備用的配置，節(jié) 省電網(wǎng)成本，本文假設(shè)電網(wǎng)允許的電量不足期望和風(fēng)能浪費風(fēng)險為〇。
[0121] 考慮到電動汽車放電時會影響到電池的壽命和車主用車的便捷性，為了提高車主 參與向電網(wǎng)放電的積極性，讓電動汽車的放電電價高于充電電價，使車主在低充高放時可 以賺取額外的利潤，本文設(shè)置電動汽車充放電電價曲線如fig. 5所示。
[0122] 3、優(yōu)化調(diào)度模型。
[0123] 本文基于場景分析法來描述風(fēng)電出力的波動性，以充放電成本和正負(fù)備用成本最 小為優(yōu)化目標(biāo)，以電量不足、光伏浪費風(fēng)險及電動汽車充放電要求為約束條件，建立調(diào)度電 動汽車優(yōu)化系統(tǒng)備用配置策略。在優(yōu)化過程中本文只考慮風(fēng)力出力和電動汽車充放電負(fù)荷 的隨機性，常規(guī)機組發(fā)電量和基本負(fù)荷是已知的。
[0124] 3.1、目標(biāo)函數(shù)。
[0125] (1)正備用成本。
[0126] 正備用成本與正備用容量成正相關(guān)，因此配置正備用容量不是越多越好，需要考 慮正備用配置的投入成本：
[0127] ^ = k >'
[0128] 這里，k+取1.5萬元。
[0129] (2)負(fù)備用成本。
[0130] 與正備用配置時考慮投入成本一樣，負(fù)備用配置時也需要考慮投入成本：
[0131 ] Fr_ =k-r_
[0132] 這里，k-取1.5萬元。
[0133] (3)用戶充放電成本。
[0134] 本文中車主的充電成本代表的所有電動汽車車主的總充電成本。由于部分車主會 在電價高的時候向電網(wǎng)放電賺取一定的差價，因此車主的總充電成本表示為總的充電成本 減去因放電而賺取的總放電收入。
[0135] u：
[0136] 式中，Μ為場景s下在時段t的車主總充電成本;P。,*為時段t的電動汽車的充電價 格，Pd,t為時段t的電動汽車的放電價格； 為場景s下在時段t充電的電動汽車總數(shù)量;P。 為電動汽車的平均充電功率;為場景s下在時段t放電的電動汽車總數(shù)量;Pd為電動汽車 的平均放電功率；At為時段t的時長，本文中其取值為1。
[0137] 總的來說，系統(tǒng)發(fā)電量與用電量應(yīng)保持平衡，當(dāng)發(fā)電量大于用電量時，需要棄風(fēng)， 加大風(fēng)能浪費風(fēng)險成本；當(dāng)發(fā)電量小于用電量時，需要投入正備用用量。因此，優(yōu)化最理想 效果是發(fā)電量與用電量基本保持平衡，相差最小。因此，總的目標(biāo)函數(shù)可表述為所有場景下 期望最小為目標(biāo)：
[0139] 式中，？一表示場景s的概率，場景削減中已經(jīng)明確場景消減法分析電動汽車充電 負(fù)荷和風(fēng)電出力實際上就是挖掘典型場景下（電動汽車:天氣狀況、季節(jié)性、節(jié)假日；風(fēng)電出 力：天氣、季節(jié)）電動汽車充電負(fù)荷和風(fēng)電出力序列，而每一種典型場景都反映了許多相似 場景的出力特性;實際上在場景消減過程中計算概率距離的過程也是對序列進行場景分類 的過程，因此場景s的概率Pr s實際上可以根據(jù)場景s包含的序列數(shù)來確定(假設(shè)每一個序列 概率相同）。
[0140] 3.2、約束函數(shù)。
[0141] (1)系統(tǒng)供需電量約束。
[0142] 電力系統(tǒng)調(diào)度的基本要求是系統(tǒng)中發(fā)出的功率和負(fù)載需求的功率總是保持平衡， 當(dāng)計劃發(fā)電量小于實際用電量時，需要調(diào)節(jié)正備用，本文假設(shè)正備用容量滿足調(diào)節(jié)要求：
[0143] 仏 +iyv;, + d -只-S 0
[0144] 式中，Pg,t為常規(guī)機組的發(fā)電功率表。Dt為時段t系統(tǒng)總的基本負(fù)荷; 為場景s下 風(fēng)電場在時段t的預(yù)測風(fēng)電功率。€,和<.,分別表示場景s下時段t電動汽車充放電數(shù)量。
[0145] (2)風(fēng)電浪費約束。
[0146] 當(dāng)計劃發(fā)電量大于實際用電量時，需要調(diào)節(jié)負(fù)備用，減少風(fēng)電浪費量。本文假設(shè)負(fù) 備用容量滿足調(diào)節(jié)要求：：
[0147] -^,-^<0
[0148] (2)可充放電的電動汽車數(shù)量約束。
[0149] 由于受到電動汽車正在使用和車主的意愿的影響，在每個時間段，能夠接入電網(wǎng) 進行充電或者放電的電動汽車數(shù)量是受到一定限制的。這種限制可以表示為：
[0150] Κ, +Κ, < ^' yt eT,s e S
[0151] 式中，Nmax為可充放電的電動汽車最大數(shù)量；
[0152] (3)充放電需求約束。
[0153] 為滿足行駛需求，電動汽車需從電網(wǎng)獲得足夠多的能量，所以電動汽車的充電時 間不能太短；同理，電動汽車不能向電網(wǎng)放出太多的能量，所以電動汽車的放電時間不能太 長。電動汽車平均的充電或放電時長必須滿足如下約束：
[0156] 式中，Λ/：1ΜΧ為一天中所有可充電的電動汽車總數(shù)；為平均充電時長；#Γ為一 天中所有可放電的電動汽車總數(shù)；△ td為平均放電時長。
[0157] 本文中所描述的具體實施例僅僅是對本發(fā)明精神作舉例說明。本發(fā)明所屬技術(shù)領(lǐng) 域的技術(shù)人員可以對所描述的具體實施例做各種各樣的修改或補充或采用類似的方式替 代，但并不會偏離本發(fā)明的精神或者超越所附權(quán)利要求書所定義的范圍。
【主權(quán)項】
1. 一種基于場景分析的風(fēng)電場隨機優(yōu)化調(diào)度方法，其特征在于，基于優(yōu)化調(diào)度模型和 約束條件，該模型的目標(biāo)函數(shù)為：其中，P1,t表示在t時段內(nèi)第i臺風(fēng)力發(fā)電機從風(fēng)能中獲得的有功功率;a1>t為風(fēng)機在一 個時段內(nèi)單位功率發(fā)電的運行和維護成本，bi,t和Ci, t分別為開機動作成本和關(guān)機動作成 本;Xl,t為在t時段第i臺風(fēng)機的運行狀態(tài)， yi,4PZl,t分別為第i臺風(fēng)機在t時段的開機動作變 量和關(guān)機動作變量;B t($)為上網(wǎng)電價，K1為風(fēng)機在停機狀態(tài)下，內(nèi)部電子元件依舊保持工作 狀態(tài)的耗電量;Aif為風(fēng)電場有功出力不滿足系統(tǒng)側(cè)下發(fā)功率需求的情況，產(chǎn)生功率缺額， 對為一個時段內(nèi)單位功率缺額的罰金;簡 d為風(fēng)機尾流效應(yīng)或是人為改變槳距角限制風(fēng)機 出力，造成的風(fēng)電場未利用風(fēng)電功率，允為未利用風(fēng)功率的單位罰金； 其約束條件為： 備件一.功盡的市.其中PlNmax為風(fēng)機的額定功率，vt為自然風(fēng)速，i為風(fēng)機受風(fēng)參數(shù)，為第j臺風(fēng)機對第 i臺風(fēng)機的尾流削減系數(shù)，當(dāng)風(fēng)向一定時，其取值僅與兩臺風(fēng)機的規(guī)格參數(shù)和相互位置、海 拔有關(guān)，與風(fēng)速大小無關(guān);Cp max為風(fēng)能利用系數(shù)最大值，且有:Cp max=0.593; 條件二:狀態(tài)變量及啟停動作變量約束；其中，T為調(diào)度的總時間短，To為調(diào)度開始的第一個時間段，Te3為調(diào)度的最后一個時間 段； 條件三:功率缺額約束及未利用功率約束；其中，Pw是系統(tǒng)側(cè)功率需求，其與變量同上； 基于場景分析的風(fēng)電場隨機優(yōu)化調(diào)度方法具體包括以下步驟： 步驟1:讀取實際風(fēng)電場風(fēng)機分布坐標(biāo)和海拔數(shù)據(jù)，有尾流效應(yīng)理論計算得出風(fēng)電場風(fēng) 機尾流削減系數(shù)矩陣，帶入隨機優(yōu)化調(diào)度模型； 步驟2:讀取風(fēng)電場測風(fēng)塔歷史實測數(shù)據(jù)和歷史預(yù)測數(shù)據(jù)，結(jié)合未來時段的風(fēng)速預(yù)測曲 線進行場景分析，生成海量風(fēng)速場景并進行場景削減，得到未來時段的場景修正風(fēng)速曲線； 場景削減使用同步回代縮減法進行，具體步驟如下： 步驟2.1.確定需要削減的場景：剔除滿足下式所示條件的場景c〇s*序列，s*e {1，...， ns}，ns為場景總數(shù)；步驟2.2.改變場景的總數(shù):115 = 115-1;并且挑選出與被剔除的場景《(4最近的場景 ，，即：步驟2.3.改變與被剔除的場景ω 最近的場景以A的概率步驟2.4.只要剩余的場景總數(shù)ns仍然大于需要的場景的數(shù)量，削減算法重復(fù)到第1步； 步驟3:以場景修正風(fēng)速曲線為輸入量，輸入到隨機優(yōu)化調(diào)度模型中，利用混合整數(shù)線 性規(guī)劃進行計算，得到未來時段風(fēng)電場風(fēng)機開停機及有功出力策略。2.根據(jù)權(quán)利要求1所述的一種基于場景分析的風(fēng)電場隨機優(yōu)化調(diào)度方法，其特征在于， 對于新風(fēng)電場的調(diào)度，先執(zhí)行步驟1更新尾流削減系數(shù)矩陣，再依次執(zhí)行步驟2、步驟3;若對 于已經(jīng)執(zhí)行過優(yōu)化調(diào)度的風(fēng)電場，直接執(zhí)行步驟2、步驟3。
【文檔編號】B60L11/18GK106026149SQ201610613436
【公開日】2016年10月12日
【申請日】2016年7月29日
【發(fā)明人】陳杰軍, 楊軍
【申請人】武漢大學(xué)