电动汽车参与下的虚拟电厂多目标优化调度

罗　捷，吴俊明,陈德超，易志鹏，邓伟华

(1.长沙理工大学智能电网运行与控制湖南省重点实验室，湖南长沙410114；2.国网江西赣东北供电公司，江西乐平333300；3.国网黄山供电公司，安徽黄山245000；4.湖南省浏阳市供电公司，湖南长沙410300)

电动汽车参与下的虚拟电厂多目标优化调度

罗捷1，吴俊明1,陈德超2，易志鹏3，邓伟华4

(1.长沙理工大学智能电网运行与控制湖南省重点实验室，湖南长沙410114；2.国网江西赣东北供电公司，江西乐平333300；3.国网黄山供电公司，安徽黄山245000；4.湖南省浏阳市供电公司，湖南长沙410300)

摘要：为了实现虚拟电厂中分布式发电机组的经济调度，同时减少虚拟电厂运行产生的污染，结合电动汽车与电力系统之间能量双向流动的特点，考虑虚拟电厂运行对环境的影响，建立了电动汽车参与下的虚拟电厂多目标优化调度模型。为了求解该模型，采用基于向量求值的粒子群优化算法(Vector Evaluated Particle Swarm Optimization, VEPSO)，并通过8节点虚拟电厂仿真，对比分析多目标与单目标条件下优化调度结果，验证了所提出的方法可以使虚拟电厂以低成本运行，同时实现良好的环境效益。

关键词：虚拟电厂；电动汽车；多目标优化调度；VEPSO

中图分类号：TM711

文献标识码：A

DOI:10.3969/j.issn.1672-0792.2015.02.009

收稿日期：2014-07-31。

基金项目：国家自然科学基金(71331001)。

作者简介：罗捷(1988-)，男，硕士研究生，从事电力系统运行与控制方面的研究，E-mail:184262902@qq.com。

Abstract：In order to achieve economic dispatch of the distributed turbines and reduce pollution generated due to the running of virtual power plant, combining with the characteristics of two-way flow between EV, a distributed optimization scheduling model of virtual power plant with EV is established. Vector evaluated particles swarm optimization (EVPSO) is used to solve the model. Through the simulation of virtual power plant with 8 nodes, and comparing with the results of optimization scheduling multi-objective and single objective conditions, it verifies the proposed method can keep the virtual power plant operation with low cost and achieve good environmental benefits.

Keywords：virtual power plants; electric vehicles; multi-objective optimal dispatch; VEPSO

0引言

随着能源危机和环境危机的日益突出，世界主要大国均大力推动分布式发电，以提高对风能、太阳能等可再生能源的利用率，降低污染气体的排放[1~4]。然而，由于分布式电源容量小、数量大、分布不均匀，大量分布式发电的接入可能造成线路阻塞、电压闪变、潮流改变等问题，给分布式电源的管理带来了挑战。为此，文献[5]首次提出虚拟电厂的概念，通过先进的计算机、通信和计量等技术，实现分布式发电单元的协调优化运行。

由于可再生能源发电的随机性和间歇性特点，大量分布式发电的接入对电力系统的安全稳定运行带来了严峻的挑战。文献[6~9]利用储能装置或增加旋转备用平抑可再生能源波动性。然而由于储能装置投资成本大、储能电池报废后处理困难，容易造成环境污染；增加旋转备用需频繁启动和停止机组，设备利用效率低下，投资和运行成本较高，并且受到机组爬坡速度方面的限制，旋转备用机组不能迅速响应可再生能源发电出力变化。

为此，利用需求侧管理平抑可再生能源发电波动性受到越来越大的重视[10~11]，文献[12~15]利用可中断负荷平抑可再生能源发电的波动性，然而，这种方法降低了对用户的供电可靠性。

本文克服可中断负荷参与需求侧管理的不足，借助于配电网中数量庞大的电动汽车，利用电动汽车与电网连接时能量双向流动的特点，充分发挥资源配置效应，平抑可再生能源发电的间歇性，实现分布式发电单元的协调优化调度。

1虚拟电厂优化调度模型

1.1　风力发电成本

风速是随机变化的，风速的不确定性通常可以用威布尔分布来描述，其概率密度函数可表示为：

(1)

式中：νn表示节点n的风场实际风速；κn和σn分别表示威布尔分布的形状参数和尺度参数。

当风速小于切入速度时，风力发电机组不启动；当风速大于切入速度时，随着风速的增大，风力发电机发电功率逐渐升高；达到额定转速后，风力发电机发电功率保持恒定；风速进一步增大，达到切除速度后，为保护风机，风机停机。风力发电机组最大输出功率与风速之间关系如图1所示，可表示为[16]：

(2)

式中：Pw,n为最大可输出功率；νin,n为切入风速；νout,n为切出风速；νr,n为额定风速；Pr,n为额定输出功率。

图1　最大输出功率与风速之间关系

考虑风速的不确定性对电力系统产生的影响，风速预测通常会产生一定误差，导致计划发电功率与实际可用功率之间不同。风力发电成本可分为预期成本、低估惩罚成本和高估惩罚成本3项[17]。即风力发电成本为：

Cw,n=cw,nPs,n+E(cw,u,n[Pw,n-Ps,n]++

cw,o,n[Ps,n-Pw,n]+)

(3)

式中：cw,n，cw,u,n，cw,o,n分别表示直接成本系数、低估惩罚成本系数、高估惩罚成本系数；Ps,n表示计划发电功率；[x]+=max{x,0}；E(x)表示x的期望。

1.2　微型燃气轮机发电成本

微型燃气轮机发电成本与其输出功率之间的关系可设为：

(4)

式中：Cg,n为节点n的微型燃气轮机发电成本；Pg,n为发电功率；cgn,2和cgn,1均为成本系数。

1.3　排污成本

虚拟电厂中微型燃气轮机运行，以及向大电网购买的电能会产生CO2，SOx，NOx等污染气体。虚拟电厂的排放成本均可表示为：

(5)

式中：l为污染物的种类数；N表示虚拟电厂的节点总数；αi表示排放污染气体i的惩罚成本；βi,grid为大电网排放污染气体i的排放因子；Ps为虚拟电厂向大电网的购电功率；βi,g,n表示节点n微型燃气轮机排放污染气体i的排放因子。

2分布式优化调度数学建模

2.1　目标函数

为了实现虚拟电厂各分布式电源总运行成本最低，同时虚拟电厂运行产生的污染气体对环境影响最小，目标函数为：

minF={F1,F2}

(6)

(7)

F2=Ce

(8)

式中：c为向大电网购买电能的价格；Pν2g,n表示节点n电动汽车的充放电功率；正表示充电；负表示放电。

2.2　约束条件

(1)等式约束

虚拟电厂在运行中需满足功率平衡，即满足：

(9)

式中：Pd,n，ΔPL,n分别表示节点n的负荷功率和网损。

(2)不等式约束

a.线路传输功率限制

虚拟电厂运行中需满足线路传输功率限制，即满足：

(m=1,…,M)(10)

式中：M表示传输线路的条数；ηmn为节点n向传输线路m的注入功率灵敏度；Pm为线路传输线路m的传输功率极限。

b.发电功率极限

微型燃气轮机运行时需满足最大和最小发电功率限制，即：

(11)

c.爬坡速度限制

风力发电机和微型燃气轮机有功出力受到爬坡速度的限制，即：

(12)

(13)

d.电动汽车充放电限制

电动汽车在虚拟电厂优化调度时，需满足充放电功率限制，同时，为了保证电池过充和过放对电池寿命的影响，以及正常行驶功能，需满足：

(14)

(15)

3模型求解

通过增加变量，可以将等式约束条件转化为不等式约束条件，因此，电动汽车参与下的虚拟电厂分布式优化调度模型可表示为：

minF(X)

s.t.X∈R⊂En

其中，X=(x1,x2,…,xn)T，F(X)=(f1(X),f2(X))T，R={X|g(X)≤0},g(X)=(g1(X),g2(X),…,gm(X))T，。

针对多目标优化问题，传统方法经常采用目标加权法，通过固定的权重系数，将多目标优化问题转换为单目标优化问题。这种方法权重系数直接影响着优化结果的好坏，并且，由于采用单目标优化方法去优化新的效用函数，每次优化智能获得一个最优解，如果不具备足够的关于问题先验知识，即使优化过程很成功，也很难判别优化结果的最优性。

为了减小传统目标加权法中权重系数对优化结果产生的不利影响，本文采用VEPSO算法。算法的步骤如下：

(1)在可行域内随机规模为N的微粒群。

(3)对微粒群1和2，分别确定其中最佳微粒，将其作为微粒群中的社会共享信息。

(4)对于不同子微粒群中的微粒，均利用来自其他微粒群的社会共享信息来调整自己的飞行速度，并更新其位置，更新后的所有微粒重新组合成新的微粒群。

(5)重复步骤(2)~(4)，直至满足终止条件(达到设定精度或运算次数)，从2个子微粒群中选取一组最优解构成最优解集，作为优化结果输出。

4仿真

8节点电力系统结构如图2所示，线路负荷功率、节点上负荷、微型燃气轮机参数、风力发电机参数、电动汽车参数分别如表1~6所示，节点2含150辆电动汽车，节点4含300辆电动汽车，向电网购买电能的价格为0.45元/kW·h。

图2　8节点电力系统结构

表1　线路参数

表2　节点上负荷

表3　微型燃气轮机参数

表4　风力发电机参数

采用VEPSO优化算法，取计算精度为10-4，功率调度曲线如图4所示，目标函数的误差曲线如图4所示。由图3，4可知，经过33次运算可得精确解，VEPSO优化算法具有较快的收敛速度和较高的计算精度。

表5　电动汽车参数

表6　惩罚成本和排放因子

图3　功率调度曲线

图4　目标函数的误差曲线

不同目标下优化调度的总费用如表7所示，由调度结果可知，多目标条件下，总发电成本略高于以发电成本最小为目标的优化调度，但大幅减少了排污成本，降低了虚拟电厂运行对环境造成的污染。

表7　不同目标下优化调度的总费用　元

5结论

考虑配电网中大量电动汽车的储能特性，本文建立了电动汽车参与下的虚拟电厂多目标优化调度模型，以包含电动汽车、风力发电机组、微型燃气轮机的8节点虚拟电厂为例，运用基于向量求值的粒子群优化算法求解优化调度模型。通过对比分析多目标与单目标条件下优化调度结果，体现了所提出的方法可以使虚拟电厂以低成本运行，同时实现良好的环境效益。

参考文献:

[1]朱昊，韦钢，陈秋南，等.分布式电源单相并网逆变器控制方法研究[J].电力科学与工程，2013,29(9):6-12.

[2]夏向阳，徐刚，程莎莎，等. 配电网中分布式发电系统的复合并网控制方法[J].电力科学与工程，2013,29(8):1-5.

[3]赵兴勇，康凯，赵艳秋.分布式电源选址定容优化算法[J].电力科学与工程，2011,27(3):51-54.

[4]郭剑锋，彭春华.含分布式发电的配电网规划研究[J].电力科学与工程，2009,25(8):17-21.

[5]Pudjianto D, Ramsay C, Strbac G. Virtual power plant and system intergration of distributed energy resources[J].Renewable Power Generation,IET,2007,1(1):10-16.

[6]廖强强，穆广平，徐华，等.电动汽车电池用于电网低电压线路的储能调压实验[J].电力建设，2014,35(5):56-59.

[7]房旭雪，叶林，赵永宁，等.平抑风电功率波动的储能容量经济配置方法[J].电网与清洁能源，2013,29(12):101-106,118.

[8]金鹏，艾欣，孙英云.考虑原动机特性的下垂控制策略研究[J].华北电力大学学报(自然科学版)，2013,40(6):7-12.

[9]刘国中.基于FD-Monte Carlo混合法的节点电价和节点可靠性指标评估[J].电力科学与工程，2012,28(9):18-23.

[10]李军军，吴政球，谭勋琼，等.风力发电及其技术发展综述[J].电力建设，2011,32(8):64-72.

[11]潘欢，陈锦麟，张党强，等.计及抽搐电站调峰运行的水火电优化调度[J].电力科学与工程，2013,29(10):1-5.

[12]陈飞，罗运虎.国外与国内两种微电网供电方式的协调[J].电网与清洁能源，2013,29(1):24-28.

[13]郑静，文福拴，周明磊.计及需求侧响应的含风电场的输电系统规划[J].华北电力大学学报(自然科学版)，2014,41(3):42-48.

[14]李莉，谭忠富，关勇.发电公司与供电公司联合实施可中断负荷的优化模型[J].电力科学与工程，2008,24(2):16-19.

[15]张燕，周明.考虑备用成本的含风电场短期经济调度[J].电力科学与工程，2011,27(4):6-12.

[16]杨楠，王波，刘涤尘，等．计及大规模风电和柔性负荷的电力系统供需侧联合随机调度方法[J]．中国电机工程学报，2013，33(16)：63-70．

[17]孙惠娟，彭春华，易洪京．大规模风电接入电网多目标随机优化调度[J]．电力自动化设备，2012，32(5)：123-128．

Multi-objective Optimization Scheduling of Virtual Power Plant with Electric Vehicles

Luo Jie1，Wu Junming1，Chen Dechao2, Yi Zhipeng3, Deng Weihua4(1.Hunan Province Key Laboratory of Smart Grids Operation and Control, Changsha University of Science and Technology, Changsha 410114,China;2.State Grid Jiangxi Gandongbei Power Supply Company, Leping 333300,China; 3.State Grid Huangshan Power Supply Company, Huangshan 245000,China;4.Liuyang Electric Power Supply Company, Changsha 410300,China)