葉晨暉，周玲，張木銀，管志成

(河海大學能源與電氣學院，南京市 211100)

計及可入網(wǎng)電動汽車的微電網(wǎng)電源優(yōu)化配置

葉晨暉，周玲，張木銀，管志成

(河海大學能源與電氣學院，南京市 211100)

計及可入網(wǎng)電動汽車(plug-in electric vehicle，PEV)、微電網(wǎng)中多種分布式電源(distributed generation，DG)輸出功率的不確定性，綜合考慮了DG投資、運維等成本，以及微電網(wǎng)帶來的節(jié)能、降損、減少用戶停電損失收益等因素，進行微電網(wǎng)電源的優(yōu)化配置。PEV接入微電網(wǎng)后，可以根據(jù)微電網(wǎng)的實際運行情況作為儲能裝置補充原有儲能元件，從而減少儲能元件容量，提高微電網(wǎng)的經(jīng)濟性。從PEV參與微電網(wǎng)運行調(diào)度出發(fā)，建立計及PEV的微電網(wǎng)電源優(yōu)化配置模型。算例結(jié)果表明，該模型最優(yōu)解可以確保投資的最佳經(jīng)濟性，獲得較大社會經(jīng)濟收益，為含PEV的微電網(wǎng)電源優(yōu)化配置提供理論依據(jù)。

可入網(wǎng)電動汽車(PEV)；收益成本比；電源優(yōu)化配置；用戶停電損失

0 引 言

隨著世界各國能源機構的調(diào)整，可再生能源的開發(fā)是一個必然趨勢。作為集成了多類型分布式電源(distributed generation，DG)、儲能以及控制裝置的單一可控網(wǎng)絡系統(tǒng)[1]，微電網(wǎng)以其對可再生能源的有效利用及靈活、智能的控制特點，受到越來越多的關注。同時，隨著節(jié)能減排政策的激勵和能源開發(fā)技術的進步，可入網(wǎng)電動汽車(plug-in electric vehicle，PEV)在電力系統(tǒng)中的應用日益廣泛。PEV接入微電網(wǎng)后，自身的儲能裝置增加了微電網(wǎng)的儲能元件容量，PEV在充電時，本質(zhì)上是從微電網(wǎng)吸收功率，增加了微電網(wǎng)總的負載，然而，當PEV充滿電后，儲能裝置接入微電網(wǎng)，可以參與微電網(wǎng)的優(yōu)化調(diào)度，即充當微電網(wǎng)儲能元件，減少微電網(wǎng)原有的儲能元件容量，從而節(jié)約微電網(wǎng)的投資成本。因此，有必要在對微電網(wǎng)電源的優(yōu)化配置時，考慮PEV的影響，以適應未來電網(wǎng)的發(fā)展。

目前，國內(nèi)外對微電源的優(yōu)化配置已經(jīng)做了一些研究工作。文獻[2]在用戶激勵響應行為的基礎上建立了計及需求側(cè)響應的雙層優(yōu)化調(diào)度模型，但考慮DG的種類比較單一；文獻[3]建立了較全面的多目標優(yōu)化模型，在計算DG帶來的收益時計及了環(huán)境等收益，但未考慮DG出力的隨機性；文獻[4-5]在孤島運行狀態(tài)下對微電源進行優(yōu)化配置，研究了風能和太陽能的隨機特性，但未考慮PEV接入的影響，優(yōu)化結(jié)果不能完全適應未來電網(wǎng)的發(fā)展；文獻[6-8]研究了DG和電動汽車充電站的選址定容問題，建立了以綜合成本最小為目標的模型，但未考慮微電網(wǎng)投資的經(jīng)濟性。

本文從投資、運行成本和配置收益角度考慮，首先計算DG投資、燃料購買、運行和維護等成本，以及節(jié)能、減排、降損、減少用戶停電損失的綜合社會經(jīng)濟收益，建立基于年化收益成本比最大的含PEV微電網(wǎng)電源的優(yōu)化配置模型，同時考慮PEV、儲能元件的充放電功率、DG準入容量的約束，并運用改進細菌覓食算法對模型進行求解，得到不同情形下微電網(wǎng)電源的優(yōu)化配置結(jié)果。

1 系統(tǒng)微電源模型

1.1 風機、光伏出力模型

微電網(wǎng)中含有大量的風力發(fā)電機，其輸出功率隨風速變化而變化。大部分地區(qū)的風速隨機變化特性近似服從Weibull分布[9]。根據(jù)風速的概率密度函數(shù)可以得出風速v，從而計算出風力發(fā)電機的出力PWT。

光伏電池是微電網(wǎng)的重要部分，其輸出功率與光照強度有關。光伏出力模型參考文獻[10]。根據(jù)太陽光照下電流變化的溫度系數(shù)、太陽輻射以及光伏電池溫度參考值、光伏陣列傾斜面上的總太陽輻射、光電池溫度，然后計算出光伏發(fā)電的輸出功率Ppv。

1.2 PEV儲能狀態(tài)模型

電動汽車可以根據(jù)電池的充放電特性，在微電網(wǎng)負荷高峰時，將儲存的電能釋放到系統(tǒng)中，在用電低谷時，電池充當負荷從系統(tǒng)中吸收電能，從而達到削峰填谷的目的。PEV可以與風機和光伏等隨機性較強的電源形成互補[11]，來提高系統(tǒng)的穩(wěn)定性。

本文假定微電網(wǎng)中的電動汽車均可以參與調(diào)度，且均充滿電后與微電網(wǎng)斷開。經(jīng)過1天用車后再次充電的初始荷電狀態(tài)(state of charge，SOC)為

(1)

式中：Lmax為PEV在電池充滿電時可行駛的最大路程；Ld為PEV在電池充滿電的情況下1天行駛的實際路程，近似滿足對數(shù)正態(tài)分布[12]。

(2)

式中σL和μL為分布參數(shù)。

電動汽車分為充電和放電2種工作狀態(tài)，不同工作狀態(tài)下，電動汽車電池的儲能荷電狀態(tài)CSOC,ev(t)不同。充電時滿足：

(3)

放電時滿足：

(4)

1.3 儲能元件模型

為了簡化分析，設定儲能元件在整個充放電過程中，儲能元件電池兩端的電壓基本維持不變。與電動汽車類似，儲能元件的工作狀態(tài)也分為充電和放電2種工作狀態(tài)[13]。充電時，儲能元件在t時段的儲能荷電狀態(tài)滿足：

(5)

放電時滿足：

(6)

2 微電網(wǎng)電源的優(yōu)化配置模型

2.1 目標函數(shù)

本文以微電網(wǎng)年化收益成本比最大為目標函數(shù)，同時考慮儲能元件充放電功率、DG容量限制以及碳排放等約束對電源進行優(yōu)化，目標函數(shù)為

(7)

式中：GTotal(s)、CTotal(s)分別為微電網(wǎng)電源優(yōu)化配置的年化綜合收益與成本；決策變量s=[s1,s2,…,si,…,sN]，si為第i種DG的臺數(shù)。

2.2 年化綜合收益

年化綜合收益的計算公式為

GTotal(s)=GES(s)+GER(s)+GLR(s)+GRB(s)

(8)

式中：GES(s)為節(jié)能收益；GER(s)為減排收益；GLR(s)為降損收益；GRB(s)為提高可靠性收益。

(1)節(jié)能收益。微電網(wǎng)節(jié)能收益主要體現(xiàn)在利用可再生能源所節(jié)約的傳統(tǒng)化石能源。

(9)

式中：lc為火電機組單位電能的平均煤耗量，本文取357 g/(kW·h)；pc為煤炭價格，本文取700元/t[14]；Ei為第i種DG的年發(fā)電量；EMT、sMT分別為微型燃氣輪機的年發(fā)電量和安裝臺數(shù)；ε為供熱比，即供熱能量與發(fā)電供熱總能量的比值；η1為熱損效率，取0.2；lh、lco分別為溴冷機制熱、制冷系數(shù)，均取1.2；ph、pco分別為熱價和冷價，分別取51.4元/GJ和79.6元/GJ。

(2)減排收益。傳統(tǒng)能源發(fā)電產(chǎn)生的污染氣體主要是CO2，故采用微電網(wǎng)電源優(yōu)化配置后相對燃煤發(fā)電等發(fā)電量CO2排放的減少量來表征減排效益。

(10)

式中：VCO2為CO2的環(huán)境價值；ηc、ηi分別為燃煤機組以及第i種DG生產(chǎn)單位電能所排放CO2的數(shù)量，文獻[15]給出燃煤發(fā)電CO2的排放為822.80 g/(kW·h)，風機、光伏發(fā)電以及PEV的CO2排放量為0，CO2排放征收標準為9.75元/t。

(3)降損收益。對降損收益采用微電網(wǎng)電源優(yōu)化配置后電能損耗減少的費用來進行量化。

(11)

(4)減少用戶停電損失收益。微電網(wǎng)減少用戶停電損失收益用配置前后減少的期望停電損失來衡量。

(12)

式中：fIEAR為停電損失評價率；λk、tk分別為微電網(wǎng)并網(wǎng)運行中負荷點k的平均停運率和時間；PM為微網(wǎng)孤島失效率，取0.3；TR為電源重啟時間；PL為平均負荷；PISO為微電網(wǎng)全年孤島運行概率；ELSP,t(s)為微網(wǎng)孤島運行狀態(tài)下t時段的缺電量。

2.3 年化綜合成本

本文綜合考慮DG投資費用、運行維護成本以及燃料成本，計算微電網(wǎng)電源優(yōu)化配置的年化綜合成本。

CTotal=CorIcrf+Cm+Cfuel

(13)

式中：Cor、Cm、Cfuel分別為微電網(wǎng)初始投資成本、年運行與維護費用、年燃料成本；Icrf為資金回收系數(shù)，將現(xiàn)在值等年值化，其計算公式[9]為

(14)

式中：r為貼現(xiàn)率；N為系統(tǒng)生命周期。

Cor、Cm、Cfuel的計算公式如下詳述。

(1)初始投資費用Cor。Cor包含微電網(wǎng)內(nèi)各電源的投資和安裝費用。

(15)

式中：Xi為第i種DG的裝機容量；μi11、μi12分別表示第i種微電源的單位容量投資與安裝成本。

(2)年運行與維護費用Cm。

(16)

式中：μi2為第i種微電源單位發(fā)電量的維護費用；Ei(n)為第i種微電源在第n年的年發(fā)電量；r為貼現(xiàn)率，在本文中取r=5%；系統(tǒng)生命周期年限N取20。

(3)年燃料成本Cfuel。

(17)

式中μi3為微電網(wǎng)中第i種電源單位發(fā)電量的燃料費用。

2.4 約束條件

(1)系統(tǒng)功率約束。

(18)

式中：Pi(t)、Qi(t)分別為各節(jié)點注入的有功功率和無功功率；Ui(t)、Uj(t)分別為節(jié)點i和節(jié)點j的電壓幅值；Gij、Bij分別為支路ij的電導和電納；θij(t)為節(jié)點i和節(jié)點j的相角差。

(2)儲能元件約束。為了防止過度充電或過度放電對儲能元件造成損害，其荷電狀態(tài)需限制在最大、最小荷電狀態(tài)之間。

CSOC,min≤CSOC,bat(t)≤CSOC,max

(19)

式中CSOC,min和CSOC,max分別為儲能元件的最小荷電狀態(tài)和最大荷電狀態(tài)。

本文假設在充放電過程中，儲能電池兩端的電壓基本不變，儲能元件的充放電功率應滿足：

(20)

(21)

(3)電動汽車約束。SOC值是指電池在一定的放電倍率下，剩余電量與相同條件下額定容量的比值，充放電過程中電池的SOC值有一定限制。

CSOC,min1≤CSOC,ev(t)≤CSOC,max1

(22)

式中CSOC,min1和CSOC,max1分別為電動汽車電池的最小荷電狀態(tài)和最大荷電狀態(tài)。

同時，電動汽車充放電時，需要考慮單位時段充放電的最大功率和最小功率。

(23)

(24)

(4)DG準入容量約束：

(25)

式中SDGi和SDGmax分別為第i個DG的裝機容量和微電網(wǎng)DG接入的總裝機容量。

3 改進細菌覓食算法

細菌覓食算法(bacterial foraging algorithm，BFA)是2002年由Kevin M. Passino提出的仿生優(yōu)化算法，基本細菌覓食算法的介紹可參考文獻[16]。然而，在實際應用時，BFA仍然存在早熟等缺陷。結(jié)合本文的微電網(wǎng)電源優(yōu)化問題，存在的待改進的問題為：(1)微電網(wǎng)電源的優(yōu)化配置是一個非線性整數(shù)規(guī)劃問題，本文中將每種DG的電源數(shù)量作為變量，而基本BFA算法變量是一個范圍內(nèi)的實數(shù)；(2)驅(qū)散過程中對個體細菌驅(qū)散行為使得接近最優(yōu)的細菌被驅(qū)散，影響尋優(yōu)速度；(3)繁殖時，對接近最優(yōu)群體的復制未完全提升算法尋優(yōu)的方向性。

針對以上幾個問題，本文對基本BFA算法進行了改進。

(1)以第i種DG的臺數(shù)si構成的矢量作為一個細菌，計算出的微電網(wǎng)電源等年值投資費用的解對應細菌的健康狀態(tài)Jθ，即優(yōu)化函數(shù)的適應值。

(2)驅(qū)散時，將適應度排序靠后的1/2個體驅(qū)散至隨機位置，計算公式為

(26)

式中：Ci為第i個細菌向某一方向的移動向量；εi為單位向量；θr(j,k,l)為隨機在第j次趨向，第k次繁殖，第l次驅(qū)散操作的個體位置。

(3)繁殖時，將存活的細菌分裂成Z1、Z22個種群，分別利用公式(27)—(28)進行趨向操作。

(27)

(28)

式中：θi(j,k,l)為第i個細菌位置；θm(j,k,l)為適應度最優(yōu)的個體位置。

改進BFA算法的流程如圖1所示。

圖1 改進BFA流程

4 算例分析

4.1 微電網(wǎng)的經(jīng)濟性分析

運用本文所建立的模型對微電網(wǎng)電源進行優(yōu)化配置。結(jié)合文獻[16]某實際微電網(wǎng)線路構造算例，驗證本文所提模型的有效性。該地區(qū)微電網(wǎng)遠景年負荷峰值為190.7 kW，平均負荷為104.3 kW，線路總長度為5 km，線路單位阻抗為(0.120+j 0.077)Ω/km，各機組的參數(shù)如表1所示，由實際數(shù)據(jù)生成風速和光照強度的概率模型。

表1 不同DG容量、成本參數(shù)

Table 1 Different capacities and cost parameters of DG

假設可調(diào)配的PEV數(shù)量為300輛。設置PEV的最大充電和放電功率為3.6 kW，常規(guī)電動汽車可在6 h內(nèi)充放電完畢。其充放電價格如表2所示。以本文提出的年化收益成本比最大為目標，應用改進的細菌覓食算法分別對PEV不參與微電網(wǎng)調(diào)度以及PEV參與微電網(wǎng)調(diào)度進行微電網(wǎng)電源優(yōu)化配置的求解。

表2 不同時段PEV的充放電價格

Table 2 Charging and discharging price of PEV at different period of time

4.1.1 PEV不參與調(diào)度

不考慮電動汽車的放電作用，只作為充電負荷。在分時定價引導機制下，以微電網(wǎng)年化收益成本比最大為目標函數(shù)，得出電動汽車的充電功率如圖2所示。在時段09:00—16:00是電動汽車的充電高峰期，此時微電源的發(fā)電量比較充裕；在時段18:00—24:00電動汽車充電需求較少，此時微電源的出力不是很充裕。由于上午充電電價低，在時段01:00—07:00電動汽車充電比較集中。

圖2 電動汽車充電功率

4.1.2 PEV參與微電網(wǎng)調(diào)度

電動汽車充分發(fā)揮其儲能優(yōu)勢，在微電源出力充足時，將多余電能儲存在電動汽車蓄電池中，在微電網(wǎng)用電高峰時段，再將電能釋放到電網(wǎng)中，以達到削峰填谷的目的。在此情形下，電動汽車的充放電功率如圖3所示。

圖3 電動汽車充放電功率

在時段01:00—08:00，微電網(wǎng)中負荷需求不大，充電價格低，電動汽車充電較為集中；在時段 13:00—22:00，負荷逐漸增加，而微電網(wǎng)中的風機、光伏出力減少，此時為了維持微電網(wǎng)平衡，電動汽車開始減少其充電次數(shù)，轉(zhuǎn)而向微電網(wǎng)釋放電能以緩解用電壓力。表3給出了以年化收益成本比最大為目標，2種情形下微電網(wǎng)電源最優(yōu)配置的結(jié)果。圖4計算了表3中各配置方案的4項社會經(jīng)濟收益。

表3 年化收益成本比最大目標下微電源優(yōu)化方案結(jié)果

Table 3 Microgrid power optimization scheme results under the maximum annual profit cost target

圖4 不同數(shù)量PEV接入情況下微電網(wǎng)的各項收益

對比表3中的數(shù)據(jù)可知：在PEV 2種運行情形下，微電網(wǎng)年化收益成本比均大于1，這表明微電網(wǎng)電源優(yōu)化配置帶來的社會經(jīng)濟收益遠遠高于其電源的配置成本。

考慮PEV的影響雖然增加了微電網(wǎng)的綜合成本，但PEV與DG配合帶來了較大的節(jié)能、減排等綜合收益。尤其在節(jié)能方面，PEV參與微電網(wǎng)調(diào)度的作用顯著，并且隨著PEV入網(wǎng)后，風機和光伏的比重逐漸增加，儲能元件的比重逐漸減小，微電網(wǎng)的年化收益成本比逐漸提高。這表明PEV參與調(diào)度使得微電網(wǎng)對可再生能源的接納能力得到有效提升，同時減少了儲能元件的容量。

4.2 算法比較

本文通過改進BFA計算結(jié)果與一般BFA和遺傳算法(genetic algorithm，GA)比較，該微電網(wǎng)在情形1時配置成本與迭代次數(shù)的關系如圖5所示。

圖5 算法收斂特性曲線

對比3條曲線可知：本文采用的改進BFA收斂速度最快。當?shù)螖?shù)為55時，改進的BFA算法已經(jīng)取得全局最優(yōu)解，微電網(wǎng)年化收益成本比穩(wěn)定在1.60附近，而一般BFA以及GA算法分別在迭代次數(shù)為104和109時，達到全局最優(yōu)解。改進BFA算法對算例運行50次，91%可收斂至全局最優(yōu)解，而一般BFA與GA算法分別只有70%、74%可以收斂至全局最優(yōu)解。顯然，本文采用的算法對本文模型的求解具有更高的穩(wěn)定性。

5 結(jié) 論

(1)可入網(wǎng)電動汽車與DG配合帶來了較大的節(jié)能等綜合收益，尤其在節(jié)能方面，PEV參與微電網(wǎng)調(diào)度的作用顯著，研究微電網(wǎng)電源優(yōu)化配置時，計及PEV的影響能更準確地反映未來電網(wǎng)的特點。

(2)相比較傳統(tǒng)遺傳算法以及一般細菌覓食算法，采用改進BFA求解優(yōu)化模型，具有收斂速度快、穩(wěn)定性高等特點。

在本文研究的基礎上可更深入地研究含多類型DG、儲能系統(tǒng)以及PEV的微電網(wǎng)電源優(yōu)化配置問題，為未來電網(wǎng)的發(fā)展做更充分的理論基礎準備。

[1]CHEN S X, GOOI H B, WANG M Q. Sizing of energy storage for microgrids[J]. IEEE Transactions on Smart Grid, 2012, 3(1): 142-151.

[2]趙樹青，楊秀，張美霞. 計及需求側(cè)響應的含風電電網(wǎng)優(yōu)化調(diào)度模型[J].電器與能效管理技術，2015(23)：69-74.

ZHAO Shuqing， YANG Xiu， ZHANG Meixia. Optimal dispatching model for wind farms integrated grid considering demand response[J]. Electrical & Energy Management Technology，2015(23)：69-74.

[3]王金全，黃麗，楊毅. 基于多目標粒子群算法的微電網(wǎng)優(yōu)化調(diào)度[J].電網(wǎng)與清潔能源，2014，30(1)：49-54.

WANG Jinquan，HUANG Li，YANG Yi. Optimal dispatch of microgrid based on mult-objective particle swarm optimization[J]. Power System and Clean Energy，2014，30(1)：49-54.

[4]盧洋，盧錦玲，石少通，等. 考慮隨機特性的微電網(wǎng)電源優(yōu)化配置[J].電力系統(tǒng)及其自動化學報，2013，25(3)：108-114.

LU Yang，LU Jinling，SHI Shaotong, et al. Optimal siting and sizing of distributed generation planning in microgrid by considering stochastic characteristic[J]. Proceedings of the CSU-EPSA，2013，25(3)：108-114.

[5]余志勇，萬術來，明志勇，等. “風光水”互補微電網(wǎng)的運行優(yōu)化[J].電力建設，2014，36(6)：50-55.

YU Zhiyong，WAN Shulai，MING Zhiyong, et al. Optimal operation of complementary microgrid with hybrid wind-solar-hydro power [J]. Electric Power Construction，2014，36(6)：50-55.

[6]謝應昭，盧繼平. 含風儲混合系統(tǒng)的多目標機組組合優(yōu)化模型及求解[J].電力自動化設備，2015，35(3)：18-26.

XIE Yingzhao，LU Jiping. Multi-objective unit commitment optimization model including hybrid wind-storage system and its solution[J]. Electric Power Automation Equipment，2015，35(3)：18-26.

[7]吳宇，張彼德，袁國森，等. 計及電動汽車和風光資源不確定性的微電網(wǎng)優(yōu)化配置[J].電測與儀表，2016，53(16)：39-44.

WU Yu，ZHANG Bide，YUAN Guosen, et al. Optimal configuration of micro-grid considering uncertainties of electric vehicles and PV/wind sources[J]. Electrical Measurement & Instrumentation，2016，53(16)：39-44.

[8]范彬，周力行，黃頔，等. 基于改進蝙蝠算法的配電網(wǎng)分布式電源規(guī)劃[J].電力建設，2015，36(3)：123-128.

FAN Bin，ZHOU Lixing，HUANG Di, et al. Distributed generation planning for distribution network based on modified bat algorithm[J]. Electric Power Construction，2015，36(3)：123-128.

[9]EVANGELOPOULOS V A, GEORGILAKIS P S. Optimal distributed generation placement under uncertainties based on point estimate method embedded genetic algorithm[J]. IET Generation, Transmission & Distribution, 2014, 8(3): 389-400.

[10]陳國恩，宗鵬鵬，朱偉，等. 計及可再生能源與負荷互補特性的儲能隨機調(diào)度[J].電力建設，2015，36(6)：27-33.

CHEN Guoen, ZONG Pengpeng, ZHU Wei, et al. Stochastic dispatching of energy storage devices considering complementarity between renewable energy and load[J]. Electric Power Construction，2015，36(6)：27-33.

[11]GHAHDERIJANI M M, BARAKATI S M, TAVAKOLI S. Reliability evaluation of stand-alone hybrid microgrid using sequential Monte Carlo simulation[C]//2012 Second Iranian Conference on Renewable Energy and Distributed Generation. Iran：IEEE, 2012: 33-38.

[12]和敬涵，謝毓毓，葉豪東，等. 電動汽車充電模式對主動配電網(wǎng)的影響[J].電力建設，2015，36(1)：97-102.

HE Jinghan, XIE Yuyu, YIP Tony et al. Influence of electric vehicles charging modes on active network distribution[J]. Electric Power Construction，2015，36(1)：97-102.

[13]李丹丹，蘇小林，閻曉霞，等. 儲能優(yōu)化配置關鍵問題分析[J].電力建設，2016，37(9)：70-78.

LI Dandan, SU Xiaolin, YAN Xiaoxia, et al. Principal problems of energy storage optimization allocation[J]. Electric Power Construction，2016，37(9)：70-78.

[14]李登峰，謝開貴，胡博，等. 基于凈效益最大化的微電網(wǎng)電源優(yōu)化配置[J].電力系統(tǒng)保護與控制，2013，41(20)：20-26.

LI Dengfeng, XIE Kaigui, HU Bo, et al. Optimal configuration of microgrid power supply based on maximizing net benefits[J]. Power System Protection and Control，2013，41(20)：20-26.

[15]梁惠施，程林，蘇劍. 微網(wǎng)的成本效益分析[J].中國電機工程學報，2011，31(增刊1)：38-44.

LIANG Huishi, CHENG Lin, SU Jian. Cost benefit analysis for microgrid[J]. Proceedings of the CSEE，2011，31(Supplement 1)：38-44.

[16]馬溪原，吳耀文，方華亮，等. 采用改進細菌覓食算法的風/光/儲混合微電網(wǎng)電源優(yōu)化配置[J].中國電機工程學報，2011，31(25)：17-25.

MA Xiyuan, WU Yaowen, FANG Hualiang, et al. Optimal sizing of hybrid solar-wind distributed generation in an islanded microgrid using improved bacterial foraging algorithm [J]. Proceedings of the CSEE，2011，31(25)：17-25.

(編輯 景賀峰)

Optimal Configuration of Microgrid Power Supply Considering Plug-in Electric Vehicles

YE Chenhui，ZHOU Ling，ZHANG Muyin，GUAN Zhicheng

(College of Energy and Electrical Engineering, Hohai University, Nanjing 211100, China)

With comprehensively considering plug-in electric vehicle (PEV), the output power uncertainty of various distributed generations (DGs) in microgrid, the DG investment and operation cost, and the benefits of energy saving, loss reduction and outage loss decrease brought by microgrid, this paper optimizes the configuration of microgrid power supply. After the PEV is connected to the microgrid, it can be used as the energy storage device to supplement the original energy storage element according to the actual operation of microgrid, which can reduce the capacity of the energy storage element and improve the economic performance of the microgrid. From the aspect of PEV participating in the operation of microgrid, this paper establishes the optimal configuration model of microgrid power supply based on PEV. The results show that the optimal solution of the model can ensure the best economy of investment and obtain a larger social economic benefit, which provides theoretical basis for the optimal configuration of microgrid power supply with PEV.

plug-in electric vehicle (PEV); income cost ratio; optimal configuration of power supply; user outage loss

TM 727

A

1000-7229(2016)12-0082-07

10.3969/j.issn.1000-7229.2016.12.011

2016-09-01

葉晨暉(1992)，男，碩士研究生，本文通信作者，主要研究方向為分布式發(fā)電、微網(wǎng)、配電網(wǎng)規(guī)劃；

周玲(1964)，女，副教授，碩士生導師，主要研究方向為電力系統(tǒng)繼電保護、電力系統(tǒng)控制、故障診斷；

張木銀(1992)，男，碩士研究生，主要研究方向為分布式發(fā)電、微網(wǎng)、配電網(wǎng)規(guī)劃；

管志成(1992)，男，碩士研究生，主要研究方向為分布式發(fā)電。