联合发电系统用于含电动汽车的配网可靠性评估研究

2015-04-19苗世洪钱甜甜张丕沛

电工技术学报 2015年11期

关键词：充放电储能分布式

白浩苗世洪钱甜甜张丕沛

(强电磁工程与新技术国家重点实验室(华中科技大学) 武汉 430074)

联合发电系统用于含电动汽车的配网可靠性评估研究

白浩苗世洪钱甜甜张丕沛

(强电磁工程与新技术国家重点实验室(华中科技大学) 武汉 430074)

将分布式电源、储能系统和电动汽车组成联合发电系统，并用于含电动汽车的配网可靠性评估。根据行驶习惯将电动车划分为自由汽车和规律汽车，并分别建立充放电模型。基于燃油车的统计数据及充电开始时刻和充电时长的概率分布，建立自由电动汽车充电负荷和放电容量的统计模型，并由日常调度安排建立规律电动汽车的负荷模型。根据配网内的电动汽车充放电曲线、日负荷和分布式电源出力，分析求解孤岛内联合发电系统的供电时间，并联合故障持续时间分析孤岛内负荷的停电时长和次数，然后采用序贯蒙特卡罗法完成配电系统可靠性评估。以IEEE RBTS-Bus 6测试系统实例对评估算法进行验证，并从储能装置容量、电动汽车的V2G技术、行驶规律、充电模式和渗透率5个方面对配网可靠性进行量化分析。

可靠性评估配电网电动汽车分布式电源储能电池联合发电系统

0 引言

分布式电源(Distributed Generation，DG)、储能电池(Battery Storage，BS)、负荷以及电动汽车(Electric Vehicle，EV)的接入增加了配电网潮流的不确定性，所以配电系统可靠性的评估理论与方法也将发生变化。目前国内外已有学者开展了一系列的研究工作，主要集中在含光伏发电和风力发电的配网可靠性评估[1，2]。考虑时序上光伏和风力的出力变化并建立分布式电源状态模型，将系统状态转移抽样法用于含分布式电源的配电网可靠性评估[3]。采用拉丁超立方采样和场景削减技术的风电可靠性模型可以最大程度地拟合风电出力的随机特性[4]。文献[5]运用灰色模型预测风速，并采用概率模型描述风机出力，利用割集概念完成配网的孤岛划分，实现孤岛模式下的可靠性评估。基于简化等效网络，利用简化网络得到区域元件故障影响表，结合序贯蒙特卡洛仿真法也可实现对含风力发电、光伏电池的配电系统的可靠性评估[6]。储能系统作为电网必要的能量缓冲环节，实现了电源和负荷实时供应关系的解耦[7]，导致配网可靠性评估研究出现新的关注点，而上述研究都没有考虑储能对配网可靠性的影响。

电动汽车充电负荷在时间和空间上具有随机性，将会影响配网的负荷曲线[8]。研究电动汽车充电负荷和放电容量，可以合理地描述完整配网负荷曲线，提高可靠性评估准确度。已有的充电负荷模型均要考虑到一些影响因素，总结起来主要有4类[9，10]：电动汽车的运行规律、电池特性、汽车规模和电能补给方式。对于充电需求模型的建立及应用，文献研究主要用于动态概率特性分析[11]，而很少分析这些因素对配网可靠性的影响。

本文将配网内的EV、DG和储能装置组成联合发电系统(Combined Power Generation System，CPGS)，并分析该系统在孤岛期间的可供电时间，实现含电动汽车的配网可靠性评估。研究点集中于EV充电负荷的概率模型和联合发电系统供电时间的分析计算。根据行驶规律将电动汽车划分为自由汽车和规律汽车，用于分类分析电动汽车的充电负荷和放电容量。基于燃油车的统计数据及部分随机因素的概率分布，建立自由电动汽车充电负荷和放电容量的统计模型，并通过蒙特卡罗仿真方法模拟电动汽车充放电曲线，根据规律电动汽车日常调度安排建立其负荷模型。基于电动汽车的充放电曲线、日负荷曲线和分布式电源出力，建立联合发电系统在孤岛运行状态时的供电时间模型，与故障持续时间结合分析孤岛内负荷的停电时间和次数，并采用序贯蒙特卡罗法对配电系统的可靠性进行评估。以IEEE RBTS Bus 6测试系统实例，从储能装置容量，电动汽车的V2G技术、行驶规律、充电模式和渗透率5个方面对配网可靠性进行量化分析。

1 含规律电动汽车的联合发电系统

配电网发生故障后，DG、EV、储能和负荷组成一个局域配网，在孤岛内实现电能供应。单独分析这4个元素的能量变化是一件复杂而低效的工作，可将DG、EV和储能组成联合发电系统用于分析系统的整体供电性能。考虑电动汽车的充放电曲线、日负荷曲线和分布式电源出力，求解联合发电系统在孤岛期间的供电时间，此供电时间可用于分析岛内负荷的停电时间和停电次数。在CPGS中，电动汽车的行驶行为具有不确定性和随机性，需要建立概率模型描述充放电曲线，可将电动汽车进行合理分类，采用对应的分析方法。

电动汽车按照行为规律可分为两类：①自由汽车，如私人汽车和出租车，其出行时刻及行驶里程不固定，具有多样性；②规律汽车，如公交车，邮政车等，具有固定运行规律，其出行时刻、运行路线及运行里程为固定的和预先安排的。考虑是否具备V2G技术，电动汽车可分为插电式混合汽车(Plug in Hybrid Electric Vehicle，PHEV)和纯电动汽车(Battery Electric Vehicle，BEV)。PHEV具备V2G技术，具有负荷和蓄电池的双重属性。可以根据电网中DG出力和负荷的差额，进行充放电。BEV不提供V2G服务，无法向电网放电，同时也是一种特殊的负荷，不像传统负荷需要实时电能，可以提前储备需要消耗的电能。

规律汽车根据行车调度表发车，每日的行驶路线是固定的，因此行驶里程几乎不变，而且在行驶途中不进行充电操作，只有在规定的停运期间才可进行充放电操作。

图1为规律电动汽车的日负荷曲线，反映了工作时段和停运时段。在6∶00～8∶00、14∶00～16∶00、20∶00～22∶00间，电动汽车为负荷属性则无法进行充放电操作。在其他时间，电动汽车为蓄电池属性，PHEV可以与电网进行能量交换。BEV在电网电能充裕时进行充电，可以灵活地选择充电时间，避免在配网电能不足时充电，提高配网收益及减少对系统负荷的影响。这反应了电动汽车在可靠性评估的特点——不可像蓄电池实现即时充放电，需要根据负荷曲线进行调整。

图1 规律电动汽车日负荷曲线Fig.1 Daily load curve of regular EV

电动汽车的充放电操作需要根据配网中分布式电源出力与负荷需求的功率差额及电动汽车的负荷属性决定，设定功率差额为ΔP

(1)

1.1ΔP>0阶段

当ΔP>0且电动汽车为蓄电池属性时，PHEV和BEV都可以进行充电操作，再考虑到储能装置，这三者按照一定比例进行充电操作。电动汽车为负荷属性时，则只有蓄电池进行充电，电动汽车消耗预先储存的电能，可得到充电表达式为

(2)

(3)

蓄电池的剩余电量为

(4)

PHEV的剩余电量为

(5)

BEV的剩余电量为

(6)

这时电动汽车的充电电能为

(7)

(8)

1.2 ΔP<0阶段

当ΔP<0时，电动汽车为蓄电池属性时，PHEV和蓄电池可以进行放电操作。电动汽车为负荷属性时，PHEV和BEV都是消耗原先储存的电能。

(9)

(10)

式中，m、n为消耗BS和PHEV提供电能的负荷比例系数，本文为0.7和0.3。

蓄电池剩余电量为

(11)

BEV剩余电量为

(12)

PHEV剩余电量为

(13)

2 含自由电动汽车的联合发电系统

本文对自由电动汽车做如下假设：①每公里耗电量不变；②各电动汽车之间独立；③第一天运行的初始荷电状态(StateofCharge，SOC)为100%；④行驶里程和出行时刻独立；⑤相同类型的电池具备同样的充电特性曲线；⑥初始SOC和充电开始时间相互独立。

2.1 日行驶里程和初始SOC

基于2008年英国交通部对大不列颠的家用车辆的调查结果[12]，日行驶里程可拟合成对数正态分布[13]

(14)

式中，d为日行驶里程；μ和σ分别为均值和方差，其中μ=22.3英里，σ=12.2英里[13]。本文使用相关指数R2评判拟合精度[14]，相关指数越大，拟合效果越好，这里R2=0.984 52。

电动汽车电池的初始SOC具有随机性，由前次充电后的SOC和相邻两次的充电间的行驶里程决定。充电前电池的初始SOC为[15]

Q=1-dλh/En

(15)

式中，Q为电动汽车电池的初始SOC；d为电动汽车的日行驶里程；h为电动汽车单位行驶距离耗电量；λ为相邻两次充电间隔天数，本文中自由汽车为每两天充一次电；En为蓄电池额定容量。

由式(14)、式(15)可知，行驶两天后电动汽车电池初始SOC的概率分布为

(16)

式中，0

初始SOC的概率分布如图2所示。

图2 初始SOC的概率分布Fig.2 The probability distribution of initial battery

2.2 电池特性

本文采用GM-EV1 分析电动汽车的充电负荷和放电容量。GM-EV1装有容量为27.19kWh的铅酸电池，其在慢速充电和快速充电下充电需求和SOC曲线如图3a和图3b所示[13]。根据充电需求，初始SOC、充电开始时刻和充电时长的数值点映射关系，认为充电需求、充电时长和初始SOC在有相同的概率分布，具体分析过程见附录。

图3 GM-EV1中铅酸电池在不同充电模式下的特性曲线Fig.3 Charging profile of the GM-EV1 battery (lead-acid) in two charging modes

2.3 充电开始时刻

充电开始时刻是充电需求分析中的一个关键参数，充电模式影响开始充电时刻的分布。本文分析3种充电模式：慢速充电、快速充电和电池更换。

1)常规慢速充电。

由于充电时间较长，所以车主一般选择最后一次出行结束回到家开始充电。这种模式下充电开始时刻就是车主最后一次出行结束的时刻。根据统计数据，最后一次出行结束时刻的概率分布如图4所示，可近似为正态分布[16]，即

(17)

式中，ts为充电开始时间；μts=17.6；σts=3.4。这里R2=0.974 75，具有较高的拟合精度。

图4 车主回家时刻概率分布Fig.4 Probability distribution of end time of last trip

2)快速充电。

快速充电可短时间内完成电能补给。本文假设电动汽车的到达时间与汽油车一样，并且认为电动汽车到达充电站后立即开始充电，即开始充电时间等于其到达时间。根据Statoil Bärbyleden-Oppsala加油站的数据[17]，汽油车到达加油站的时间分布如图5所示。对开始充电时间数据进行拟合，得到概率密度函数

(18)

3 可靠性评估

含分布式电源的配网内发生故障后，CPGS可继续向孤岛内全部或部分负荷供电，减少了岛内负荷的停电次数和停电时间。将CPGS用于配网可靠性评估，具体步骤如下。

步骤1：

1)读取系统的元件可靠性参数并初始化数据。初始化数据包括初始化仿真时间H=0，每个负荷的故障次数NF=0，故障时间TFT=0，设定仿真年限Y。

2)产生所有元件的正常工作持续时间TTF(Time to Fault)和故障修复时间TTR(Time to Repair)，依次排列形成每个元件在模拟总时间内的运行状态持续时间序列[19]。

(32)

式中，λi和μi分别为元件i的停运率和修复率；σ为(0，1)之间服从均匀分布的随机数。

步骤2：

1)综合各元件的运行时间状态序列，确定TTF最小的元件，认定为故障元件。

2)使用深度优先搜索法进行孤岛划分[20]，确定包含的微电源及蓄电池和电动汽车，并采用蒙特卡罗方法模拟风电和光伏的出力[16]。

3)将负荷划分为4种：不受影响的负荷，通过转供或修复的可恢复负荷，孤岛内负荷及不可恢复负荷。

4)计算岛外负荷的停电次数和停电时间。

①不受影响的负荷：此次停运不影响其故障时间TFT和故障次数NF。

②可恢复负荷：故障次数不受影响，而考虑到开关切换操作时间Tss，故障时间为TFT=TFT+Tss。

③不可恢复负荷：故障次数NF++，考虑故障持续时间TAD，则故障时间TFT=TFT+TAD。

步骤3：

1)计算分布式电源和储能以及自由电动汽车联合发电系统在孤岛运行期间的供电时间Tb2。

①如果Tb2

②如果Tb2≥TAD，CPGS可保持岛内电力供应在供电恢复前，岛内负荷不受此次故障影响。

2)计算分布式电源和储能及规则电动汽车联合发电系统在孤岛运行期间的供电时间Tb1,TPHEV。

①max(Tb1,TPHEV)

②min(Tb1,TPHEV)>TAD，则在主网恢复供电前，储能装置和电动汽车可以实现对负荷供电，避免了负荷停运。

③Tb1≤TAD

④TPHEV

3)判断当前故障是否给定仿真年限中的最后一个故障事件，若否，则返回步骤中1)；若是，则执行下一步。

4)根据各负荷点的停电时间和停电次数，计算在仿真年限里各负荷点的平均故障率、平均故障时间和年平均停电时间[21]。然后根据负荷点的可靠性指标计算系统的各项可靠性指标，如SAIFI、SAIDI、ASAI和EENS。

4 案例分析

对IEEE-RBTS-Bus6测试系统(如图7所示)进行可靠性分析，算例中元件的可靠性参数及负荷参数参见文献[22]。系统接入5个分布式电源和3个电动汽车聚合点。分布式电源最大功率和为1 500kW，每个分布式电源配备一台储能装置，单台储能装置容量为100kW，自由汽车为500辆，规律汽车为500辆。假设分布式电源和储能装置处于稳定运行状态。SAIFI(SystemAverageInterruptionFrequencyIndex)指系统平均停电次数，SAIDI(SystemAverageInterruptionDurationIndex)指系统平均停电时间，EENS(ExpectedEnergynotSupplied)为电量不足期望值评估指标，ASAI(AverageServiceAvailabilityIndex)为平均供电可用率指标。这4个指标可以综合评估系统的供电可靠性。应用本文提出的评估算法依据10种场景对测试系统进行1 000a的可靠性评估，结果列入表1。

表1中的场景为：①含有DG；②含有DG和储能；③含有DG和储能和规律汽车(BEV)；④含有DG和储能和规律汽车(PHEV)；⑤含有DG和储能和

图7 IEEE RBTS-Bus 6测试系统Fig.7 IEEE RBTS-Bus 6 test system

场景SAIFI/(次/a)SAIDI/hASAIEENS/MWh①1.36562.28570.9995825.958②1.35891.99180.9996520.346③1.36202.09860.9996323.147④1.35821.97510.9997218.678⑤1.35942.05200.9996920.761⑥1.36272.05080.9996423.757⑦1.36392.13450.9995825.004⑧1.34671.96880.9998517.249⑨1.36151.98520.9998921.106

规律汽车(BEV和PHEV数量比例为1∶1)；⑥含有DG和储能和自由汽车(慢充)；⑦含有DG和储能和自由汽车(快充)；⑧含有DG和储能和自由汽车(电动汽车换电站)；⑨含有DG和储能和自由汽车(换电站、慢充和快充3种方式的电动车比例为2∶2∶1)；⑩含有DG和储能和电动汽车汽车(自由汽车和规律汽车比例为1∶1)。

首先基于概率模型和充放电优化模型，分析500辆自由汽车和500辆规律汽车的充电需求和放电容量，图8包括了某一天3种充电模式下电动汽车的充放电曲线，图9则直观反映了电动汽车对日负荷的影响。

图8 电动汽车在3种电能补充方式下充放电曲线Fig.8 The charging load and discharging capacity in three recharging mode

观察图8和图9，可以发现电网负荷的高峰时间段为8∶00～11∶00和18∶00～21∶00。采用慢充方式时，电动汽车回家后开始充电，夜间20∶00后电动汽车接入量增多，而且充电时间较长，就会与日负荷曲线的夜间用电高峰重合，造成夜间用电负荷峰值增加，而对白天的系统负荷曲线影响较小。结合图5，可知快速充电的开始充电时刻和日负荷峰值时刻重合，且负荷高峰与电网负荷高峰时段基本相同，导致电网负荷“峰上加峰”，加大电网的全天的负荷峰谷差。换电站根据有优化目标进行制定充电计划，如减少峰谷差和电价支出。换电站主要在0∶00～8∶00充电，在9∶00～11∶00和18∶00～21∶00放电，避开负荷高峰进行充电，并在负荷高峰时进行放电，起到削峰填谷的作用，平衡系统负荷的峰谷差。

很多研究表明DG可以改善配网的可靠性，且通过合理选址定容可优化系统的可靠性。本文不对相关内容进行研究，主要从储能装置容量，电动汽车的与电网互动技术、行驶规律、充电模式和渗透率5个方面分别对系统的可靠性指标进行量化分析。

1)储能容量。

对比表1中①和②情况可知，SAIFI和SAIDI降低，EENS则由25.958 MWh下降到20.348 MWh，而ASAI由0.999 58提升到0.999 65，说明系统的供电可用率提高，负荷损失减少，储能装置能够提高系统的供电可靠性。电源总供给功率和负荷总需求功率都是动态变化的，且两者并不是时刻都能达到供需平衡。配电网发生故障后，当孤岛内的电源发电功率充裕时，将多余的能量储存在储能单元中，并在适当的时候释放电能提供给负荷，减少负荷的停电时间。增加储能装置容量，观测对系统可靠性的影响，由表2可知增加储能装置容量可降低SAIFI、SAIDI和EENS以及提高ASAI，提供更大的备用容量。但DG的总出力限值了储能系统可存储的最大容量，储能装置容量处于闲置未利用的状态，这时将不会再改善系统的供电可靠性。在本系统单台储能容量从150 kW增加到200 kW时，各项可靠性指标改善较小，而经济成本则会大幅度增加。

表2 储能装置不同容量下的配网可靠性指标Tab.2 Reliability indexes of distribution system in different battery capacity

2)V2G。

分析表1中的场景②和③可知，BEV的接入后，SAIFI和SAIDI分别增加到1.362 0次/a和2.098 6 h，说明BEV增加了系统的平均停电时间和次数，并减少供电可用率，因此降低了配电系统的可靠性。因为作为一种特殊负荷，BEV的充电需求将会提升系统的负荷水平，扩大受停电影响的负荷范围。表1中的场景②和④说明，PHEV显著减小了SAIFI、SAIDI和EENS，SAIDI从1.991 8 h降到1.975 1 h，同时EENS由20.346 MWh降到18.678 MWh。V2G技术促使电动汽车通过制定灵活的充放电计划实现削峰填谷，缓解峰值负荷时的供求矛盾。PHEV可作为蓄电池与储能装置结合使用，将电网中富裕的电能储存起来，提升孤岛期间对负荷的供电服务。与场景③中的BEV相比，场景④中PHEV使得ASAI由0.999 63提升到0.999 72，进一步说明电动汽车采用V2G技术提高了系统的供电可靠性。由于采用慢充和快充的自由汽车不考虑放电操作，也可视为BEV，而采用换电站补充电能方式的自由汽车可视为PHEV，对比分析表1中场景⑥、⑦和⑧，同样可得出以上结论。

3)行驶习惯。

分析表1中的场景③和⑥、⑦，在相同数量以及不具备V2G技术的BEV，规律汽车比自由汽车可显著降低系统停电频率和停电持续时间。规律汽车负荷需求主要集中在6∶00～8∶00、14∶00～16∶00、20∶00～22∶00，而日负荷峰值时刻为8∶00～11∶00和18∶00～21∶00，两者存在部分重合，说明规律汽车的负荷需求主要填充了日负荷的谷值。而由上文分析可知，采用慢充的自由汽车造成夜间峰值增加，采用快充的自由汽车造成白天和夜间峰值增加，所以规律汽车中的BEV提高了系统供电可靠性。场景④为规律汽车PHEV，而场景⑧为采用换电模式的自由汽车，对比两者的可靠性指标，可发现采用V2G技术时，自由汽车改善系统可靠性方面效果比较明显。自由汽车的换电站模式可全天候不受时段约束地合理安排充电放电计划，规律汽车中PHEV只有在不运行时，即为电池属性时，才可通过放电向负荷供电。PHEV在时间约束下，只能做到局部最优放电。

4)充电模式。

分析表1中的场景⑥、⑦和⑧可发现电动汽车采用换电池方式时，配电网的SAIFI、SAIDI和EENS都处于最低水平，而ASAI则最好。采用快充方式时，系统的可靠性表现最差，而慢充方式下的系统可靠性处于中间水平。由图8和图9分析可知，慢速充电负荷与夜间负荷高峰叠加，增加这一时段负荷的停电可能性，而对白天负荷的可靠性影响较小。快速充电加大全天电网的峰谷差，导致在有限的分布式电源发电功率下系统供电可靠性最差。换电站减少了负荷峰谷差，可减少负荷的停电次数与停电时间，提高供电可靠率。

5)渗透率。

电动汽车规模化增长后，不同的电动汽车渗透率将对配电系统可靠性产生不同程度的影响。当电动汽车为500辆时，渗透率为6%。在场景⑩分析渗透率对可靠性的影响，其中规律汽车中BEV和PHEV，自由汽车中3种充电方式的比例可参考场景⑤和⑨。

表3 电动汽车不同渗透率下的配网可靠性指标Tab.3 Reliability indexes of distribution system in different EV penetration

由表3数据可知在测试系统中，18%的渗透率使系统的可靠性最佳。较低的渗透率下，电动汽车的放电容量有助于改善系统的负荷属性，供电可靠性提升，并在18%达到最优。电动汽车的电池属性可向配网提供有限的存储电能，在改善系统可靠性中发挥积极作用。同时高渗透的电动汽车会产生较大的充电负荷，其产生的不良效果远大于可靠性的提升作用，所以渗透率增高会导致可靠性变差。

5 结论

大容量的储能系统可以提升系统可靠性，需根据经济性和可靠性的综合评估确定储能的最优容量。V2G技术实现电动汽车和配网的双向互动，有助于提供灵活的充放电方案，在改善可靠性方面有显著作用。电动汽车的行驶习惯通过调整充电负荷和放电容量来影响可靠性。具备V2G技术时，规律汽车可有效减少负荷的停电时间和次数。不具备V2G技术时，自由汽车则在提高可靠性上有较好表现。在3种电能补充方式中，换电方式可产生最佳的可靠性提升效果，可作为大力推广的充电方式。快速充电则对系统可靠性造成了最不利的效果。18%是本文测试系统中的最佳电动汽车渗透率，在规划电动汽车接入规模时，需考虑配网可靠性的边界约束。

附录

为了便于数据观测，将电动汽车的充电功率曲线和SOC曲线离散化。

(A1)

式中，Δt为时间间隔；N为离散后的样本数。在慢充模式下，Δt=0.5 h，N=14；在快充模式下，Δt=0.2 h，N=5。

分析离散后数据，可建立充电功率CDi和时间Ti两者数据点间的映射关系。

(A2)

同样可以观测到充电功率CDi和Si为一一对应关系，同样可建立相应的映射关系

g:CDi→Si

(A3)

充电功率的概率分布可根据数据点的映射关系，由相应SOC的概率分布决定

P(CDi)=P(Si)

(A4)

当电动汽车电池开始充电时，初始SOC为Si，根据Si和Ti的映射关系，这时充电时长可表示为

tci=Tm-Ti

(A5)

式中，tci为从SOC=Si开始充电所需的充电时长；Tm为从SOC=0所需的充电时长，Tm在快充和慢充模式下分别为1 h和 7 h。

将式(A5)代入式(A2)并将等式变量由Ti变为tci，tci和Si映射关系可表示为

h2:tci→Si

(A6)

tci的概率分布可由Si推导出

P(tci)=P(Si)

(A7)

[1]LiYanfu，ZioE.Uncertaintyanalysisoftheadequacyassessmentmodelofadistributedgenerationsystem[J].RenewableEnergy，2012，41：235-244.

[2]KarkiR，HuP，BillintonR.Asimplifiedwindpowergenerationmodelforreliabilityevaluation[J].IEEETransactionsonEnergyConversion，2006，21(2)：533-540.

[3] 葛少云，王浩鸣.基于系统状态转移抽样的含分布式电源配电网可靠性评估[J].电力系统自动化，2013，37(2)：28-35.GeShaoyun，WangHaoming.Reliabilityevaluationofdistributionnetworksincludingdistributedgenerationsbasedonsystemstatetransitionsampling[J].AutomationofElectricPowerSystems，2013，37(2)：28-35.

[4] 陈璨，吴文传，张伯明，等.基于多场景技术的有源配电网可靠性评估[J].中国电机工程学报，2012，32(34)：67-73.ChenCan，WuWenchuan，ZhangBoming，etal.Anactivedistributionsystemreliabilityevaluationmethodbasedonmultiplescenariostechnique[J].ProceedingsoftheCSEE，2012，32(34)：67-73.

[5] 王旭东，林济铿.基于网络化简的含分布式电源的配电网可靠性分析[J].电力系统自动化，2010，34(4)：38-43.WangXudong，LinJikeng.Reliabilityevaluationbasedonnetworksimplificationforthedistributionsystemwithdistributedgeneration[J].AutomationofElectricPowerSystems，2010，34(4)：38-43.

[6]AtwaYM，El-SaadanyEF.Reliabilityevaluationfordistributionsystemwithrenewabledistributedgenerationduringislandedmodeofoperation[J].IEEETransactionsonPowerSystems，2009，24(2)：572-581.

[7] 别朝红，李更丰，谢海鹏.计及负荷与储能装置协调优化的微网可靠性评估[J].电工技术学报，2014，29(2)：64-73.BieChaohong，LiGengfeng，XieHaipeng.Reliabilityevaluationofmicrogridsconsideringcoordinativeoptimizationofloadsandstoragedevices[J].TransactionsofChinaElectrotechnicalSociety，2014，29(2)：64-73.

[8] 马玲玲，杨军，付聪，等.电动汽车充放电对电网影响研究综述[J].电力系统保护与控制，2013，41(3)：140-148.MaLingling，YangJun，FuCong，etal.Reviewonimpactofelectriccarcharginganddischargingonpowergrid[J].PowerSystemProtectionandControl，2013，41(3)：140-148.

[9]LiGan，ZhangXiaoping.Modelingofplug-inhybridelectricvehiclechargingdemandinprobabilisticpowerflowcalculations[J].IEEETransactionsonSmartGrid，2012，3(1)：492-499.

[10]VlachogiannisJG.Probabilisticconstrainedloadflowconsideringintegrationofwindpowergenerationandelectricvehicles[J].IEEETransactionsonPowerSystems，2009，24(4)：1808-1817.

[11]蔡德福，钱斌，陈金富，等.含电动汽车充电负荷和风电的电力系统动态概率特性分析[J].电网技术，2013，37(3)：590-596.CaiDefu，QianBin，ChenJinfu，etal.Analysisondynamicprobabilisticcharacteristicofpowergridconnectedwithelectricvehiclechargingloadandwindpower[J].PowerSystemTechnology，2013，37(3)：590-596.

[12]DepartmentforTransportofUK.TransportStatisticsBulletin，NationalTravelSurvey：2008[EB/OL].[2014-10-16].http：//www.dft.gov.uk/adobepdf//16246 9/221412/221531/223955/32274311/nts2008.pdf.

[13]QianKejun，ZhouChengke，AllanM，etal.ModelingofloaddemandduetoEVbatterychargingindistributionsystems[J].IEEETransactionsonPowerSystems，2011，26(2)：802-810.

[14]李必文.机械设计分析中的曲线拟合[J].现代制造工程，2008(5)：72-74.LiBiwen.Curvefittinginmechanicaldesignandanalysis[J].Modernmanufacturingengineering，2008(5)：72-74.

[15]周念成，熊希聪，王强钢.多种类型电动汽车接人配电网的充电负荷概率模拟[J].电力系统自动化设备，2014，34(2)：1-7.ZhouNiancheng，XiongXicong，WangQianggang.Simulationofchargingloadprobabilityforconnectionofdifferentelectricvehiclestodistributionnetwork[J].ElectricPowerAutomationEquipment，2014，34(2)：1-7.

[16]田立亭，史双龙，贾卓.电动汽车充电功率需求的统计学建模方法[J].电网技术，2010，34(11)：126-130.TianLiting，ShiShuanglong，JiaZhuo.Astatisticalmodelforchargingpowerdemandofelectricvehicles[J].PowerSystemTechnology，2010，34(11)：126-130.

[17]YunusKJ.Plug-inelectricvehiclechargingimpactsonpowersystems[D].Gothenburg：ChalmersUniversityofTechnology，2010.

[18]CaoYijia，TangShengwei，LiCanbing，etal.AnoptimizedEVchargingmodelconsideringTOUpriceandSOCcurve[J].IEEETransactionsonSmartGrid，2012，3(1)：388-393.

[19]HegazyYG，SalamaMMA，ChikhaniAY.AdequacyassessmentofdistributedgenerationsystemsusingMonteCarlosimulation[J].IEEETransactionsonPowerSystems，2003，18(1)：48-52.

[20]刘传铨，张焰.计及分布式电源的配电网供电可靠性[J].电力系统自动化，2008，31(22)：46-49.LiuChuanquan，ZhangYan.Distributionnetworkreliabilityconsideringdistributiongeneration[J].AutomationofElectricPowerSystems，2008，31(22)：46-49.

[21]郑幸.基于蒙特卡洛法的配电网可靠性评估[D].武汉：华中科技大学，2011.

[22]BillintonR，JonnavithulaS.Atestsystemforteachingoverallpowersystemreliabilityassessment[J].IEEETransactionsonPowerSystems，1996，11(4)：1670-1676.

Reliability Assessment Based on Combined Power Generation System for Distribution System with Electric Vehicle

BaiHaoMiaoShihongQianTiantianZhangPipei

(State Key Laboratory of Advanced Electromagnetic Engineering and Technology Huazhong University of Science and Technology Wuhan 430074 China)

The paper integrates distributed generation (DG)，battery storage(BS)，and electric vehicle(EV) into microgrid as combined power generation system (CPGS)，aiming at reliability assessmentfor distribution system with EV.EV sare classified asroutine EVs and private EVs based on the driving behavior.The load model ofthe routine EV sisbased on the daily dispatch table.The probability model for charging demand and discharging capacityof the private EVs is established according tothe statistical data of the petrol vehicles and the probability distribution of the charging start instant and the charging time.Considering the charge and discharge curve of EVs，the daily load and the power generation of DGs in microgrid，the paper analyzes the charge-discharge behavior of BS and EV and calculates power supply time forisland CPGS.Based on the fault duration and power supply time of CPGS，the fault duration and times in the island can be acquired to help sequential Monte Carlo method achieving reliability assessment for the distribution system with microgrid.The RBTS Bus 6 test system is applied to verify the reliability assessment model and make quantitative analysis for the influence of BS capacity，V2G technology，driving behavior，recharging mode，and penetration of EV on the distribution system reliability.

Reliability assessment，distribution network，electric vehicle，distributed generation，battery storage，combined power generation system

国家自然科学基金项目(51377068)和国家电网公司2013年科技项目资助。

2014-11-23 改稿日期2015-01-30

TM315

白浩男，1987年生，博士，研究方向为电力系统运行、分析与控制，微电网及配电网新技术。

苗世洪男，1963年生，教授，博士生导师，研究方向为电力系统运行、分析与控制，微电网及配电网新技术。(通信作者)