计及电动汽车入网的新能源混合供电系统最优决策分析

李 泉,潘原离

(国网河北省电力公司邢台供电分公司,河北 邢台 054001)

计及电动汽车入网的新能源混合供电系统最优决策分析

李 泉,潘原离

(国网河北省电力公司邢台供电分公司,河北 邢台 054001)

介绍风能、太阳能等新能源发电的间歇性、波动性等特点,针对电动汽车接入电网后需要将三者进行协调配合,以保证电网优质、经济、可靠运行的需求。提出基于机会约束理论构建的3种新能源混合供电系统最优决策模型,分析将随机优化问题转化成可计算的确定性非线性优化问题进行求解的过程,通过算例证明采用机会约束描述新能源出力的随机性是合理的,为新能源的合理利用提供了新途径。

新能源;混合供电系统;机会约束;最优决策

0 引言

随着能源形势日益紧张,太阳能、风能等新型清洁能源发电具有投资省、损耗低、系统可靠性高、选址容易、能源种类多等优点,已成为未来能源工业发展的主力军之一。据分析,2010年中国新增的新能源电源总容量占新增电源总容量的20%以上[1],截止2015年9月底,中国新能源累计并网装机14亿k W。

电动汽车在节能减排、遏制气候变暖以及保障石油供应安全等方面,有着传统汽车无法比拟的优势,受到了各国政府、汽车生产商以及能源企业的广泛关注。日益提升的电池设备、充电技术以及充电设施也促进电动汽车不断普及。研究表明,在中等发展速度下,预计至2020、2030和2050年,电动汽车占美国汽车总量的比例将分别达到35%、51%和62%[2]。我国也制定了适合国情的发展规划,推进电动汽车产业化进程,提高车网(电网)融合程度[3]。

风能、太阳能等新能源发电具有间歇性、波动性等特点,接入电网后需要进行协调配合,才能保证电网安全稳定运行[4]。而规模化的电动汽车可被视为分布式的储能装置,可以通过协调控制其充放电过程,对新能源混合供电系统起到削峰填谷的作用,从而提高系统运行的经济性。为此,以下构建了计及电动汽车入网的新能源混合供电系统模型,并基于机会约束理论提出混合供电系统的随机最优决策方法,为新能源发电控制提供新

的有效途径。

1 计及电动汽车入网的新能源出力的随机特性分析

计及电动汽车入网的新能源混合供电系统主要由风力发电场、太阳能光伏电场、电动汽车等多种新能源发电装置组成,如图1所示。在风能、太阳能满足负载用电时,风力发电机和太阳能电池一起给电动汽车蓄电池充电。在风能、太阳能不能满足负载用电时,启动电网供电和电动汽车蓄电池放电,同时向负载供电。通过电动汽车蓄能装置完成可控新能源的最优控制,可实现风能和太阳能资源的互补。

图1 计及电动汽车入网的新能源混合供电系统组成

1.1 光伏出力

光伏发电机组的最大可控出力与光照强度之间的函数关系可表示为[5]:

由于光照强度存在不确定性,致使光伏出力具有随机性。一般采用正态分布描述日平均光照强度的随机性[4],即:

1.2 风电出力

风电机组的最大可控出力与风速之间的函数关系可表示为[6]:

式中:v为风速;vin、vrate、vout分别为风电机组的切入风速、额定风速及切出风速;PmaxW为风电机组额定功率;a、b为功率特性曲线参数,且v(PW)= [(PW-b)/a]l/k。

由于风速具有不确定性,致使风电机组的最大可控出力是随机的。其中,风速的不确定性常采用两参数的Weibull分布来描述,其概率密度函数为[5]:

式中:k和c分别为Weibull分布的形状参数和尺度参数。

1.3 电动汽车出力

人类社会活动具有随机性,因此,电动汽车的出力也具有随机性。文献[7]指出可将电动汽车出力作为随机变量,用正态分布近似反映负荷的不确定性。设电动汽车出力的分布函数为:

2 混合供电系统的随机最优决策模型

由于各新能源出力均具有随机特性,在制定供电决策方案时,为保证供电可靠性致使供电成本增加。因此,新能源混合供电系统随机最优决策模型以供电成本最小为目标,采用概率形式的机会约束描述随机新能源出力的不确定性,即在某一置信水平下满足供电可靠性相关约束[8]。随机最优决策模型的目标函数为:

根据供电系统安全稳定运行的实际要求,决策模型中应考虑以下约束条件。

2.1 功率平衡约束

2.2 机组运行约束

式中:Pr{·}为不等式约束成立的概率;PW为风电机组的最大出力;PPV为光伏发电机组的最大出力;PEV为电动汽车的最大充放电功率;α,β,γ为事先给定的置信水平。

2.3 蓄能约束

式中:SOC为决策前电动汽车的蓄能状态,SOC∈(0.2～0.9);Vev为电动汽车的蓄能容量。

3 最优决策模型的求解

机会约束的概率计算在数学上需要多维积分,使得其计算难以实现。为此,采用抽样平均近似法处理机会约束,将随机优化问题转化成可计算的确定性非线性优化问题[9]。该方法利用蒙特卡洛抽样法抽取随机变量的样本数据,计算机会约束的概率,将机会约束转化成确定性约束条件。

采用最大函数,将一组约束等价成一个约束条件,即:

通过蒙特卡洛法抽取M组样本数据(rj,νj, PEVj)(j=1,…,M),机会约束的概率等于M组样本数据满足约束条件J1(rj)≤0次数的平均值,即:

式中:Flag(t)为指示函数,即t≤0时为1,t＞0时为0。于是,机会约束条件(8)转化为:

同理,机会约束条件(9)和(10)可分别转化为如下确定性条件:

用式(14)至式(16)分别代替式(8)至式(10),则将混合供电系统随机决策模型(6)至式(11)转换成确定性优化问题,然后采用遗传算法进行求解。

4 算例分析

某新能源混合供电系统中,风电场有3台相同的风电机组,每台机组的切入风速、额定风速、切出风速、额定功率均相同,分别为4m/s、15m/s、25m/s、2MW;光伏电场有2台相同的光伏发电机组,每台光伏电机光伏列阵面积、光伏电机效率、额定功率分别为50.34m2、14.5%、2MW;相同电动汽车有50台,每台电动汽车的容量为4.8kWh,电动汽车的充电和放电价格分别为C1=0.45元/kWh,C2=0.55元/kWh;电网的购电价格Cg=0.45元/kWh。

设电动汽车的初始蓄能状态,随机变量的概率分布参数如表1所示。

表1 随机变量的分布参数

下面设计2种试验方案来验证混合供电系统的随机最优决策的可行性与有效性。

a.决策方式对决策的影响

基于以上提出的随机新能源的最优决策方式(置信水平为0.95,抽样次数为1000)和传统的决策方式,计算得到系统的最优供电方案以及供电成本,如表2所示。

从表2中可以看出,随机优化决策方式求得的供电成本为15.362元,比确定性优化决策方式

求得的供电成本减少了17.0%。显然,随机优化决策方式的经济性优于确定性优化决策方式,为系统调度员做出合理的决策方案提供了一个便利工具。

表2 不同决策方式下的决策方案

b.置信水平和抽样次数对决策的影响

针对以上提出的随机优化决策方式(抽样次数均为500),设置不同的置信水平,对应供电成本如图2所示。

图2 供电成本随置信水平的变化

针对以上提出的随机优化决策方式(置信水平为0.95),设置不同的抽样次数,对应的供电成本如图3所示。

图3 供电成本随抽样次数的变化

从图2可以看出,随着置信水平的提高,新能源出力不断减少,使得系统的供电成本随之增加,表明采用条件风险约束描述梯级水库安全约束的合理性。从图3中可知,随着抽样次数的不断增加,系统供电成本略有降低。当抽样次数大于1 000后,系统供电成本基本保持不变。

5 结论

该文基于机会约束理论,构建了3种新能源混合供电系统最优决策模型,并将随机优化问题转化成可计算的确定性非线性优化问题进行求解。算例分析表明新能源混合系统通过合理利用电动汽车的蓄能装置,能够充分利用新能源发电,减轻能源紧缺问题。采用机会约束描述新能源出力的随机性是合理的,为新能源的利用提供了新途径。

[1] Song Hui,Wei XP.Market characteristics of new energy supply in China[J].Earth and Planetary Science.2009,1 (1):1712-1716.

[2] Duvall M,Knipping E,Alexander M,et al.Environmental assessment of plug-in hybrid electric vehicles.Volume 1:Nationwide greenhouse gas emissions[R].Palo Alto,CA:Electric Power Research Institute,2007,1015325.

[3] 中华人民共和国科技部.电动汽车科技发展“十二五“专项规划[EBOL].[2012-08-07].http://www.gov.cn/zwgk/ 2012-04/20/content-2118595.

[4] Yoshihisa S,Naotsugu Y,Yukinori T,Hideki F,Norio O. Study on the characteristics of a new power generation system with the application of the shape memory alloy engine [J].IEEE Trans on Power and Energy,2006,126(11): 1157-1163.

[5] Akinobu M,Hiroshi Y,Kenji O.A method of estimating the output fluctuation of many photovoltaic power generation systems dispersed in a wide area[J].Electrical Engineering in Japan,2009,166(4):9-19.

[6] Yehand TH,Wang L.A study on generator capacity for wind turbines under various tower heights and rated wind speeds using weibull distribution[J].IEEE Trans.on Energy Conversion,2008,23(2):592-602.

[7] Henrik L,Willett K.Integration of renewable energy into the transport and electricity sectors through V2G[J].Energy Policy,2008,36(9):3578-3587.

[8] Ozturk UA,Mazumdar M,Norman BA.A Solution to the stochastic unit commitment problem using Chance Constrained Programming[J].IEEE Trans.on Power Systems, 2004,19(3):1589-1598.

[9] Pagnoncelli BK,Ahmed S,Shapiro A.Sample average approximation method for chance constrained programming: theory and applications[J].J Optim.Theory Appl.,2009, 142:399-416.

本文责任编辑:王洪娟

Optimal Decision Analysis of New Energy Hybrid Power Supply System Considering Plug in Electric Vehicles

Li Quan,Pan Yuanli
(State Grid Hebei Power Company Xingtai Supply Branch,Xingtai 054001,China)

Wind,solar and other new energy sources generation has the characteristics of intermittent,volatility and so on.In order to ensure the grid quality,economical and reliable operation,the new energy sources generation needs to be coordinated after the electric vehicles connected to the grid.In this paper,constructed the optimal decision model of the three new energy hybrid power supply system based on the theory of opportunity constrained,and converted the stochastic optimization problems into computable deterministic nonlinear optimization problem.Numerical examples proved that it is reasonable using opportunity constrained theory describes the randomness of new energy output,a new way for the rational use of new energy sources is provided.

new energy;hybrid power supply system;opportunity constrained;optimal decision

TM743

A

1001-98989(2016)04-0011-04

2016-01-27

李 泉(1986-),男,工程师,主要从事电力系统调度运行、清洁能源研究工作。