施泉生, 邸 超, 孫佳佳, 張圣富, 李士動

(1.上海電力學(xué)院 經(jīng)濟與管理學(xué)院, 上海 200090; 2.國網(wǎng)泰安供電公司, 山東 泰安 271000)

風(fēng)電與電動汽車協(xié)同并網(wǎng)調(diào)度環(huán)境及經(jīng)濟模型

施泉生1, 邸 超1, 孫佳佳1, 張圣富2, 李士動2

(1.上海電力學(xué)院 經(jīng)濟與管理學(xué)院, 上海 200090; 2.國網(wǎng)泰安供電公司, 山東 泰安 271000)

建立了風(fēng)電與電動汽車協(xié)同并網(wǎng)環(huán)境及經(jīng)濟優(yōu)化調(diào)度模型.采用Weibull分布模擬風(fēng)速進而得出風(fēng)電出力,用蒙特卡羅模擬法模擬出定量電動汽車不同V2G模式下的充放電功率.調(diào)度風(fēng)電與電動汽車協(xié)同入網(wǎng),車主響應(yīng)系統(tǒng)調(diào)度并滿足與風(fēng)電、負荷時空互補性,最大程度地消納風(fēng)電、減小負荷曲線的波動.以火電機組的運行成本和SO2排放量最小化為目標,應(yīng)用改進粒子群多目標優(yōu)化算法求解模型,在Matlab環(huán)境下仿真分析比較電動汽車不同V2G模式和入網(wǎng)數(shù)量對機組優(yōu)化結(jié)果的影響.

風(fēng)電; 電動汽車; Weibull分布; 蒙特卡羅模擬

近幾年來,電力發(fā)展的重要方向是節(jié)能減排,風(fēng)電和電動汽車在環(huán)境與經(jīng)濟上的巨大優(yōu)勢受到學(xué)者們的廣泛關(guān)注[1].但風(fēng)電出力具有波動性和反調(diào)峰性特點,并網(wǎng)會影響電力系統(tǒng)的穩(wěn)定運行.在負荷低谷期,系統(tǒng)調(diào)峰容量不足將產(chǎn)生棄風(fēng)問題[2-3].

目前,我國電動汽車的發(fā)展已進入快車道,受車主出行習(xí)慣影響,電動汽車大量入網(wǎng)后負荷高峰時段充電,將增大峰谷差和系統(tǒng)壓力[4-5].通過調(diào)度風(fēng)電與電動汽車協(xié)同并網(wǎng),實現(xiàn)其與負荷的時間互補性,能有效地解決棄風(fēng)問題,提高系統(tǒng)的經(jīng)濟效益和環(huán)境效益[6-8].

風(fēng)電與電動汽車并網(wǎng)調(diào)度的研究已取得了一些成果.文獻[8]建立了調(diào)度風(fēng)電與電動汽車入網(wǎng)的減排模型,并證明了協(xié)同調(diào)度在促進風(fēng)電消納和碳減排方面的作用.文獻[9]通過轉(zhuǎn)換系數(shù),建立了以CO2排放量和火電機組發(fā)電成本加權(quán)值最小為目標的模型.文獻[10]建立了以火電機組發(fā)電成本最小為目標,電動汽車和風(fēng)電協(xié)調(diào)入網(wǎng)經(jīng)濟調(diào)度模型.

以上文獻采用的模型在電動汽車和風(fēng)電并網(wǎng)優(yōu)化調(diào)度方面做出了一定的貢獻,但沒有考慮風(fēng)電和電動汽車協(xié)同并網(wǎng)優(yōu)化調(diào)度的環(huán)境和經(jīng)濟的綜合效益.

本文提出了風(fēng)電和電動汽車協(xié)同并網(wǎng)優(yōu)化調(diào)度的經(jīng)濟及環(huán)境模型.首先,采用Weibull分布模擬風(fēng)速,進而建立風(fēng)電出力模型,通過蒙特卡羅模擬定量電動汽車不同入網(wǎng)模式負荷功率.然后,分別以火電發(fā)電機組運行成本和SO2排放量最小為目標構(gòu)建經(jīng)濟及環(huán)境優(yōu)化調(diào)度模型,并根據(jù)相應(yīng)約束條件分析了風(fēng)電接入及電動汽車不同入網(wǎng)模式對機組運行成本和SO2排放的影響.再采用改進粒子群優(yōu)化算法對模型進行優(yōu)化求解.最后,在Matlab環(huán)境下對模型及優(yōu)化算法進行仿真分析.

1 風(fēng)電出力預(yù)測

設(shè)風(fēng)速服從Weibull分布[11],則其概率密度函數(shù)為:

(1)

式中:v——實時風(fēng)速;s,q——與風(fēng)速特性相關(guān)的參數(shù).

風(fēng)電機組出力與風(fēng)速有關(guān),則用分段函數(shù)表示為:

(2)

式中:pwind(t)——風(fēng)電機組t時刻的實際輸出功率;

pr——其額定輸出功率;

vcj,vcc,vr——切入風(fēng)速,切出風(fēng)速,額定風(fēng)速.

2 電動汽車V2G模式功率需求模型

無序V2G模式是指電動汽車充放電起始時刻不受外界激勵影響,由車主出行習(xí)慣決定;有序V2G模式是指電動汽車充放電起始時刻響應(yīng)系統(tǒng)的調(diào)度.車主出行習(xí)慣的假設(shè)如表1所示.

表1 車主出行習(xí)慣的假設(shè)

2.1 無序V2G模式功率需求模型

2.1.1 充電模型

無序V2G模式下,車主選擇充電時間服從正態(tài)分布[13].設(shè)變量ζt0為1,表示t0時刻電動汽車正在充電;ζt0為0,表示t0時刻未進行充電,則:

(3)

(4)

式中:tSC——開始充電時刻;tchg——電池連續(xù)充電時長;Fwst C——無序V2G模式下開始充電時刻與充電時長的概率分布函數(shù);

pgt0——t0時刻充電功率需求的期望值,pgt0=ζt0pcd.

2.1.2 放電模型

由表1中的假設(shè)5可知,無序V2G模式下車主開始放電時刻在[9,17]上服從均勻分布,則無序V2G模式下t0時刻放電功率期望函數(shù)表達式為:

(5)

(6)

式中:pdt0——t0時刻的放電功率;tSD——開始放電時刻;tchd——連續(xù)放電時長;Fwstf——開始放電時刻tSD與放電時長tchd的概率分布函數(shù).

應(yīng)用蒙特卡洛模擬法,在每個時間點選10 000個樣本,得到無序V2G模式下單臺家用電動汽車在1天內(nèi)每個時刻充放電功率曲線如圖1所示.

圖1 無序V2G模式下單臺電動汽車充放電功率曲線

2.2 有序V2G模式功率需求模型

2.2.1 充電模型

車主響應(yīng)系統(tǒng)需求,開始充電時刻tSC為:

(7)

式中:tc1,tc2——系統(tǒng)負荷谷期的起止時刻;Tg——谷期時長;k——[0,1]隨機數(shù).

2.2.2 放電模型

有序V2G模式下,負荷高峰時期進行放電,則開始放電時刻tSD滿足:

(8)

式中:td1,td2——1天內(nèi)負荷峰段起止時刻;Tf——峰段時長.

電動汽車有序V2G模式下充放電功率模型見文獻[14].應(yīng)用蒙特卡洛模擬法,得到有序V2G模式下單臺家用電動汽車1天內(nèi)每個時刻充放電功率曲線如圖2所示.

圖2 有序V2G模式下單臺電動汽車充放電功率曲線

3 協(xié)同并網(wǎng)的環(huán)境與經(jīng)濟模型

3.1 目標函數(shù)

本文通過電動汽車與風(fēng)電協(xié)調(diào)入網(wǎng),以減少火電機組出力和系統(tǒng)負荷波動.以火電機組SO2排放和運行成本最小化為目標,其中運行成本包括機組的啟停成本和燃煤成本兩個部分.

(1) 目標函數(shù)1 負荷方差為:

(9)

(2) 目標函數(shù)2 火電機組運行成本最小為:

(10)

(3) 燃煤成本 燃煤成本為:

(11)

式中:ai,bi,ci——第i個火電機組的燃煤成本系數(shù).

(4) 啟停成本 啟停成本為:

(12)

(13)

(5) 目標函數(shù)3 二氧化硫排放量最小為:

(14)

式中:αi,βi,γi——第i個發(fā)電機組的碳排放系數(shù).

3.2 約束條件

風(fēng)電和電動汽車調(diào)度入網(wǎng)后應(yīng)滿足與系統(tǒng)機組以下約束條件.

(1) 負荷平衡為:

(15)

式中:pevg(t),pevd(t)——電動汽車t時刻充電和放電功率;

L(t)——t時刻系統(tǒng)的有功損耗(本文不計).

(2) 火電機組約束,包括火電機組的上下限約束、火電機組的爬坡約束、火電機組的最小允許開停機時間約束、火電機組的旋轉(zhuǎn)備用約束.即:

(16)

(3)風(fēng)電場的出力約束為:

(17)

3.3 求解策略

本文采用改進粒子群算法[15],通過改進ω權(quán)重,尋求粒子最優(yōu)局部解和全局解,引導(dǎo)粒子避開局部最差解和全局最差解,以提高尋優(yōu)效率.其更新過程為:

(18)

式中:c1——粒子飛向自身最優(yōu)位置的加速度系數(shù);

c2——粒子飛向全局最優(yōu)位置的加速度系數(shù);

c3——粒子飛離自身最差位置的加速度系數(shù);

c4——粒子飛離全局最差位置的加速度系數(shù);

r1,r2,r3,r4——[0,l]間隨機數(shù).

平衡算法的全局搜索能力與局部尋優(yōu)能力,將ω設(shè)為線性遞減權(quán)重,即:

(19)

式中:ωmax,ωmin——ω的最大和最小值;T——迭代次數(shù);Tmax——最大迭代次數(shù).

4 算例分析

通過某風(fēng)電場與10臺火電機組來驗證本模型的有效性.設(shè)可入網(wǎng)參與調(diào)度的電動汽車數(shù)量為50 000輛.風(fēng)力發(fā)電廠120臺同型號機組正常運行,詳細參數(shù)值見文獻[16],額定有功功率為240 MW.火電機組參數(shù)以及1天內(nèi)各個時刻負荷預(yù)測值見文獻[17].1天內(nèi)風(fēng)電場各個時刻輸出功率曲線如圖3所示.

4.1 結(jié)果分析

在不考慮風(fēng)電入網(wǎng)情況下,電動汽車在不同V2G模式下入網(wǎng)前后的凈負荷曲線如圖4所示.由圖4可知,不同充電模式下的凈負荷曲線的波動性有很大區(qū)別.

表2為電動汽車不同V2G方式下的波動性比較.由表2可知,無序V2G運行模式下,充放電時刻由車主出行習(xí)慣決定,在用電高峰期充電拉大了峰谷差,增加了負荷曲線的波動;有序V2G運行模式下,峰谷差、負荷曲線波動最小.負荷高峰期,電動汽車向電網(wǎng)放電,減輕了火電機組的發(fā)電負擔;在負荷低谷時,風(fēng)力發(fā)電過于富裕,電動汽車調(diào)度入網(wǎng)充電,不僅消納了過剩的風(fēng)電,而且還能作為負荷高峰期的備用電源.

圖3 各時刻風(fēng)電廠輸出功率

圖4 不同V2G模式下的凈負荷曲線

運行方式峰谷差/MW負荷方差/MW2原始負荷802.5083280.19無序充電入網(wǎng)883.7887561.74有序充電入網(wǎng)627.5840296.10

為了驗證本模型的有效性,對3種不同運行方式進行比較.運行方式1為僅考慮風(fēng)電并網(wǎng),電動汽車不入網(wǎng);運行方式2為風(fēng)電并網(wǎng),電動汽車無序V2G模式入網(wǎng)參與調(diào)度;運行方式3為風(fēng)電并網(wǎng),電動汽車有序V2G模式入網(wǎng)參與調(diào)度.不同運行方式下的負荷曲線如圖5所示.由圖5可知,原始負荷在沒有電動汽車參與調(diào)度的情況下,峰谷差較大(802.5 MW).采用運行方式1時,僅考慮風(fēng)電入網(wǎng)、不考慮電動汽車參與調(diào)度的情況下,雖然風(fēng)電入網(wǎng)平均負凈荷減小,但風(fēng)電具有反調(diào)峰性,拉大了峰谷差(898.2 MW),增加了機組的發(fā)電負擔.采用運行方式2時,電動汽車無序V2G模式與風(fēng)電協(xié)調(diào)入網(wǎng),因為車主的出行習(xí)慣有一定的波動性與隨機性,增加了負荷曲線的波動,峰谷差較大(887.401 MW).采用運行方式3時,電動汽車有序V2G模式與風(fēng)電協(xié)調(diào)入網(wǎng),車主響應(yīng)峰谷效應(yīng),在負荷低谷時刻充電,高峰時刻放電,削峰填谷作用明顯,其峰谷差(712.58 MW)及負荷曲線波動程度最小.

圖5 不同運行方式下的負荷曲線

表3為采用Matlab對3種不同運行方式下優(yōu)化目標的仿真結(jié)果對比.采用運行方式1時,由于風(fēng)力發(fā)電的反調(diào)峰性,增加了峰谷差,導(dǎo)致機組的啟停次數(shù)增加,提高了機組的運行成本;采用運行方式2時,由于車主的出行習(xí)慣使峰谷差較大,負荷波動最大,增加了機組的運行成本、啟停成本和SO2排放量;采用運行方式3時,在負荷高峰期,電動汽車代替發(fā)電機組向電網(wǎng)放電,在負荷低谷期,電動汽車調(diào)度入網(wǎng)充電,從而減小了峰谷差和棄風(fēng)問題,有效地減小了火電機組啟停成本、運行成本和SO2排放量.

表3 優(yōu)化目標比較

為了驗證本文模型運行方式3的有效性.在有序V2G模式下,風(fēng)電與不同數(shù)量電動汽車協(xié)調(diào)入網(wǎng)的凈負荷曲線如圖6所示.

由圖6可知,有序V2G模式不僅在負荷低谷時充電增加了最低負荷,而且在電網(wǎng)峰值時段向系統(tǒng)放電,減小了負荷最大值.當50 000輛,70 000輛,100 000輛電動汽車在有序V2G模式下入網(wǎng)時,峰谷差分別為712.58 MW,676.57 MW,640.56 MW,由此可知有序V2G模式下電動汽車并網(wǎng)數(shù)量越多,其削峰填谷效果越好.

表4為最優(yōu)模式下電動汽車的不同入網(wǎng)數(shù)量的優(yōu)化結(jié)果對比.由表4可知,有序V2G模式下電動汽車入網(wǎng)數(shù)量越多,負荷方差越小;隨著入網(wǎng)數(shù)量的增加,峰谷差不斷降低,機組啟停費用、SO2排放量不斷減小.由于電動汽車入網(wǎng)數(shù)量不斷增大,機組平均負荷隨之增大,機組運行費用也會有所增加.

圖6 風(fēng)電與不同入網(wǎng)數(shù)量電動汽車協(xié)調(diào)入網(wǎng)的凈負荷曲線

入網(wǎng)數(shù)量/萬輛負荷方差/MW2SO2排放量/kg啟停費用運行費用萬元5.045853.89640682.67282.317.532094.21637712.08284.7910.023315.57636381.70286.64

5 結(jié) 論

(1) 電動汽車采用有序V2G運行模式時,充放電時間與風(fēng)電具有時空互補性,可以發(fā)揮良好的削峰填谷作用,使電動汽車和風(fēng)電聯(lián)合出力更加穩(wěn)定的同時,也能作為調(diào)峰電源來平緩負荷曲線的波動;

(2) 采用有序V2G模式,通過優(yōu)化電動汽車充放電時間來滿足風(fēng)電和負荷的波動,最大程度地消納風(fēng)電,有效減小火電機組啟停次數(shù),從而減少機組啟停費用和SO2排放量;

(3) 從最優(yōu)入網(wǎng)模式下電動汽車不同入網(wǎng)數(shù)量比較結(jié)果可以看出,電動汽車入網(wǎng)數(shù)量越多,負荷方差越小,削峰填谷效果越明顯,啟停費用越少,環(huán)境價值越高.

[1] 陳光,戴攀,周浩,等.計及入網(wǎng)電動汽車和分布式電源的配電系統(tǒng)重構(gòu)[J].電網(wǎng)技術(shù),2013,37(1):82-88.

[2] 朱凌志,陳寧,韓華玲.風(fēng)電消納關(guān)鍵問題及應(yīng)對措施分析[J].電力系統(tǒng)自動化,2011,35(22):29-34.

[3] 謝毓廣,江曉東.儲能系統(tǒng)對含風(fēng)電的機組組合問題影響分析[J].電力系統(tǒng)自動化,2011,35(5):19-24.

[4] 胡澤春,宋水華,徐智威,等.電動汽車接入電網(wǎng)的影響與利用[J].中國電機工程學(xué)報,2012,32(4):1-10.

[5] 李惠玲,白曉民,譚聞,等.電動汽車充電對配電網(wǎng)的影響及對策[J].電力系統(tǒng)自動化,2011,35(17):38-43.[6] 鞠立偉,李歡歡,陳致宏,等.基于兩步制自適應(yīng)求解算法的風(fēng)電-電動汽車多種并網(wǎng)模式效益對比分析模型[J].電網(wǎng)技術(shù),2014,38(6):1 492-1 498.

[7] 蔡德福,錢斌,陳金富,等.含電動汽車充電負荷和風(fēng)電的電力系統(tǒng)動態(tài)概率特性分析[J].電網(wǎng)技術(shù),2013,37(3):590-596.

[8] 于大洋,黃海麗,雷鳴,等.電動汽車充電與風(fēng)電協(xié)同調(diào)度的碳減排效益分析[J].電力系統(tǒng)自動化,2012,36(10):14-18.

[9] 陸凌蓉,文福拴,薛禹勝,等.計及可入網(wǎng)電動汽車的電力系統(tǒng)機組最優(yōu)組合[J].電力系統(tǒng)自動化,2011,35(21):16-20.

[10] 侯建朝,胡群豐,周兵兵.風(fēng)電與電動汽車協(xié)同并網(wǎng)調(diào)度多目標優(yōu)化模型[J].可再生能源,2015,33(8):1 196-1 202.

[11] KANTAR Y M,Usta I.Analysis of wind speed distributions:wind distribution function derived from minimum cross entropy principles as better alternative to Weibull function[J].Energy Conversion and Management,2008,49(5):962-973.

[12] 葛少云,王龍,劉洪,等.計及電動汽車入網(wǎng)的峰谷電價時段優(yōu)化模型研究[J].電網(wǎng)技術(shù),2013,37(8):2 316-2 321.

[13] 田立亭,史雙龍,賈卓.電動汽車充電功率需求的統(tǒng)計學(xué)建模方法[J].電網(wǎng)技術(shù),2010,34(11):126-130.

[14] 施泉生,平宗飛,陳敏駿.計及電動汽車入網(wǎng)的電價聯(lián)動模型[J].電力自動化設(shè)備,2014,34(11):34-40.

[15] 張曉輝,董興華.含風(fēng)電場多目標低碳電力系統(tǒng)動態(tài)經(jīng)濟調(diào)度研究[J].電網(wǎng)技術(shù),2013,37(1):24-31.

[16] 陳海焱,陳金富,段獻忠.含風(fēng)電場電力系統(tǒng)經(jīng)濟調(diào)度的模糊建模及優(yōu)化算法[J].電力系統(tǒng)自動化,2006,30(2):22-26.[17] TING T O,RAO M V C,LOO C K.A novel approach for unit commitment problem via an effective hybrid particle swarm optimization[J].IEEE Transactions on Power Systems,2006,21(1):411-418.

(編輯 胡小萍)

An Environmental and Economic Model of Grid Dispatching Coordinated with Wind Powers and Plug-in Electric Vehicles

SHI Quansheng1, DI Chao1, SUN Jiajia1, ZHANG Shenfu2, LI Shidong2

(1.SchoolofEconomicsandManagement,ShanghaiUniversityofElectricPower,Shanghai200090,China;2.StateGridTai′anPowerSupplyCompany,Tai′an271000,China)

An environmental and economic optimization model of grid dispatching coordinated with wind powers and plug-in electric vehicles is establised.Through Weibull distribution the actual wind speed is stimulated.It is concluded that through Monte Carlo simulation some electric vehicles load power under different V2G mode are obtained.Connected wind powers and electric vehicles are scheduled collaboratively to the power grid and the owners response system is scheduled to meet with the wind and load time complementarity and to reduce the load curve fluctuation in the greatest degree.The goal is the operation of the generator to minimize costs and emissions.The improved particle swarm multiple objective optimization algorithm is used to solve the model.In the Matlab environment the influence of electric vehicles at different V2G mode and plug-in grid numbers on the optimal results are analyzed and compared.

wind power; electric car; Weibull distribution; Monte Carlo simulation

10.3969/j.issn.1006-4729.2017.02.002

2016-12-19

邸超(1990-)，男，在讀碩士，遼寧錦州人.主要研究方向為風(fēng)電消納與電動汽車并網(wǎng)的優(yōu)化調(diào)度.E-mail:dichao22@.com.

“一帶一路”能源電力管理與發(fā)展戰(zhàn)略研究中心項目(WKJD15004).

TM73;TM614;U469.72

A

1006-4729(2017)02-0113-06