CN103077429A - 含风光发电与电动汽车换电站的孤立微电网容量优化方法 - Google Patents

Abstract

本发明公开了电力***优化技术领域的一种含风光发电与电动汽车换电站的孤立微电网容量优化方法。其技术方案是，首先选定一个合理的***结构，建立集成***中各部分模型，然后以总成本最小为目标建立目标函数，并确定相应的约束条件，最后用智能优化算法进行求解，得到***的最优容量配置。本发明提出的容量优化计算方法，考虑了电动汽车用电需求及换电模式所具备的储能能力，并加入了充放电机和动力电池的约束条件，用智能优化算法迭代求解，思路清晰严谨，方法合理可靠，可以有效解决含风光互补发电与电动汽车换电站的孤立微电网的容量优化配置问题。

Description

含风光发电与电动汽车换电站的孤立微电网容量优化方法

技术领域

本发明属于电力***优化技术领域，尤其涉及一种含风光发电与电动汽车换电站的孤立微电网容量优化方法。

背景技术

风光互补供电***是可再生能源供电***的一种重要应用形式，目前已经得到了广泛研究和示范应用。虽然风、光一次能源在时间和季节上有天然的互补性，但由于存在时变性、间歇性和难以预测等固有特点，仍需储能***配合才能保证供电的可靠性。另一方面，发展电动汽车被世界各国普遍确立为保障能源安全和转型低碳经济的重要途径，然而根据目前的研究成果，如果对电动汽车完全采用接入电网的充电模式，按我国电力***当前的一次能源结构，电动汽车的碳排放并不比燃油汽车更低。

根据当前的发展情况，要真正意义上改变电网的能源结构是非常困难的，要实现电动汽车的零排放，通过微电网方式实现电动汽车与可再生能源的集成应用，是最直接的方式。在特定的应用场景下（如海岛供电），如果能将电动汽车的发展需求与风光互补供电***结合起来，可以弥补各自的不足。一方面，电动汽车的动力电池可以作为储能，提高风光互补***的供电可靠性；另一方面，又能提高电动汽车的清洁能源利用率，有效降低碳排放量。

当前国内外的研究成果已基本从技术和经济方面论证了该方法的可行性。但在考虑充电需求、负荷水平和风、光发电能力的前提下，如何对该类***进行规划，确定合理的容量配比，是目前尚未解决的问题。

发明内容

针对目前孤立微电网在考虑充电需求、负荷水平和风、光发电能力等前提下没有合理容量配比的问题，本发明提出了一种含风光发电与电动汽车换电站的孤立微电网容量优化方法。

一种含风光发电与电动汽车换电站的孤立微电网容量优化方法，其特征在于，所述方法包括步骤：

步骤1：采用风光建模方法建立风机和光伏电池的输出模型；并根据风机的输出模型计算风机发电量；根据光伏电池的输出模型计算光伏电池的发电量；

步骤2：建立动力电池电量交换模型和电动汽车换电需求模型；根据动力电池电量交换模型得到动力电池组在t时刻存储的电量；根据电动汽车换电需求模型得到t时刻充电站换出动力电池的总电量；

步骤3：根据步骤1和步骤2中得到的结果得到***的可靠性模型，即***电量不足期望值；并根据步骤***电量不足期望值计算***电量损失成本的年值；

步骤4：分别计算风机、光伏发电***、动力电池和充放电机成本的年值；并结合步骤3得到的***电量损失成本的年值建立***的目标函数；

步骤5：确定包含动力电池的电量、各组件数量、可提供换电服务的动力电池数量、充放电机功率及光伏电池倾斜角度的约束条件；

步骤6：联立步骤4中的***目标函数和步骤5中的约束条件，得到容量优化配置方程；选择一种智能优化算法，并确定求解的具体步骤；得到容量优化配置的结果；

步骤7：根据容量优化配置的结果，进行容量优化配置。

所述风机的输出模型和风机发电量分别为：

所述风机的输出模型的输出特性方程P_W(v)用分段函数对其实际的输出特性曲线进行拟合，

$P_W\left(v\right)=\left\{\begin{array}{cc}0& (v<v_c)\\ a_1\&CenterDot;v^2+b_1\&CenterDot;v+c_1& (v_c\&le;v\&le;v_1)\\ a_2\&CenterDot;v^2+b_2\&CenterDot;v+c_2& (v_1\&le;v\&le;v_r)\\ P_r& (v_r\&le;v\&le;v_f)\\ 0& (v>v_f)\end{array}\right.---\left(1\right)$

其中，v表示风机转轴高度处的风速；v_c、v_r、v_f分别表示风机的启动风速、额定风速和切断风速；v_c≤v₁≤v_r；P_r表示风机的额定功率；a₁、b₁、c₁、a₂、b₂、c₂为相应的拟合系数；

所以t-1时刻到t时刻风机发电量的计算公式为：E_W(t)=P_W(t)×Δt

其中，P_W(t)表示风机t-1时刻到t时刻的发电功率；Δt=1。

所述光伏电池的输出模型和光伏电池发电量为：

光伏电池的输出模型：

在计算光伏电池的输出P_PV(t)时，要考虑辐射、温度和光伏电池倾斜角度对功率输出的影响，其计算方法如下：

太阳光入射角i的计算方法为：

cosi=(sinφcosθ-cosφsinθcosγ)sinδ+

(cosφcosθ+sinφsinθcosγ)cosδcosw+sinθsinγcosδsinw    (2)

其中，δ为赤纬角；w为太阳时角；θ为平面的倾斜角；γ为平面的方位角，倾斜平面面向正南时为零，面向东时为负，面向西时为正。

一般从气象站得到的资料是水平面上的太阳总辐射量H和水平面上的散射辐射量H_d，故水平面直辐射量H_b可按式(3)求得：

H_b=H-H_d           (3)

而在计算光伏电池发电量时要用到的是倾斜面上的太阳总辐射量H_θ：

H_θ=H_bθ+H_dθ+H_rθ         (4)

其中，H_bθ代表倾斜面上的直射辐射量；H_dθ代表倾斜面上的天空散射辐射量；H_rθ代表倾斜面上的地面反射辐射量。它们的计算如下：

$H_{\mathrm{b\&theta;}}=H_b\frac{\cos i}{\cos {\mathrm{\&theta;}}_z}---\left(5\right)$

$H_{\mathrm{d\&theta;}}=H_d\&CenterDot;[\frac{H_b}{H_0}\frac{\cos i}{\cos {\mathrm{\&theta;}}_z}+(1-\frac{H_b}{H_0})\left(\frac{1+\cos \mathrm{\&theta;}}{2}\right)]---\left(6\right)$

$H_{\mathrm{r\&theta;}}=H\&CenterDot;\left(\frac{1-\cos \mathrm{\&theta;}}{2}\right)\&CenterDot;\mathrm{\&rho;}---\left(7\right)$

其中，θ_z为太阳天顶角；H₀代表大气层外面水平的太阳辐射量；ρ代表地物表面的反射率，在工程计算中一般取0.2，有雪覆盖的地面取0.7。

任意条件下PV组件的最佳工作点电流和电压利用式(8)-(14)计算：

$I_{\mathrm{PV}}=I_{\mathrm{sc}}\&CenterDot;\{1-C_1[\exp \left(\frac{V_{\mathrm{PV}}-\mathrm{\&Delta;V}}{C_2\&CenterDot;V_{\mathrm{oc}}}\right)-1\left]\right\}+\mathrm{\&Delta;I}---\left(8\right)$

C₁=(1-I_mp/I_sc)·exp[-V_mp/(C₂·V_oc)]       (9)

$C_2=\frac{V_{\mathrm{mp}}/V_{\mathrm{oc}}-1}{\mathrm{In}(1-I_{\mathrm{mp}}/I_{\mathrm{sc}})}---\left(10\right)$

$V_{\mathrm{PV}}=V_{\mathrm{mp}}\&CenterDot;[1+0.0539\&CenterDot;1g\left(\frac{H_{\mathrm{\&theta;}}}{H_t}\right)]+{\mathrm{\&beta;}}_o\&CenterDot;\mathrm{\&Delta;T}---\left(11\right)$

ΔV=V_PV-V_mp           (12)

ΔT=T_A+0.02·H_θ-T_t          (13)

$\mathrm{\&Delta;I}={\mathrm{\&alpha;}}_0\&CenterDot;\left(\frac{H_{\mathrm{\&theta;}}}{H_t}\right)\&CenterDot;\mathrm{\&Delta;T}+(\frac{H_{\mathrm{\&theta;}}}{H_t}-1)\&CenterDot;I_{\mathrm{sc}}---\left(14\right)$

其中，I_PV代表任意条件下光伏电池的最佳工作点电流；V_PV代表任意条件下光伏电池的最佳工作点电压；I_SC代表光伏电池的短路电流；V_OC代表光伏电池的开路电压；I_mp代表光伏电池的最大功率点电流；V_mp代表光伏电池的最大功率点电压；H_θ代表光伏板上的太阳总辐射量；H_T代表标准光强，取1000W/m²；T_A代表环境温度；T_t代表标准温度，取25℃。

PV方阵每小时输出的功率为：

P_PV=N_PVP·V_PVS·V_PV·I_PV·F_C·F_O      (15)

其中，N_PVS表示PV组件的串联数；N_PVP表示PV组件的并联数；F_C和F_O分别表示由连接损失和其他损失引入的因子，由工程实践获得；

t-1时刻到t时刻光伏电池的发电量为：W_PV(t)＝P_PV(t)×Δt；

其中，P_PV(t)为t-1时刻到t时刻光伏电池的发电量；Δt=1。

动力电池电量交换模型为：

采用换电模式的动力电池电量交换模型：***中动力电池组的总电量是不断变化的，当风光发电的总功率大于负载用电功率时，动力电池组处于充电状态，同时还有一部分充满电的动力电池与电动汽车中电量消耗殆尽的动力电池相互交换；当风光发电的总功率小于负载用电功率时，动力电池组处于放电状态，也需要将一部分充满电的动力电池与电动汽车中的动力电池相互交换。t时刻动力电池组在充电和放电时其电量分别用式（16）和式（17）计算：

E_b(t)=E_b(t-1)(1-σ)+[E_W(t)+E_PV(t)-E_L(t)/η_nv]·η_batt1-E_q(t)  (16)

E_b(t)=E_b(t-1)(1-σ)-[E_L(t)/η_nv-E_W(t)-E_PV(t)]/η_batt2-E_q(t)  (17)

其中，E_b(t)和E_b(t-1)分别表示动力电池组在t时刻和t-1时刻存储的电量；η_batt1、η_batt2、η_inv分别表示动力电池充电、放电和逆变器能量转换的效率；E_L(t)表示t-1时刻到t时刻负载用电量的大小；E_W(t)和E_PV(t)分别表示t-1时刻到t时刻风机和光伏的发电量；σ表示动力电池每小时的自放电率；E_q(t)表示t时刻充电站换出动力电池的总电量。

电动汽车换电需求模型为：包括家用电动车和电动公交车的换电需求模型。

对于家用电动车，日行驶里程近似为对数正态分布，其概率密度函数为：

$f_D\left(x\right)=\frac{1}{x{\mathrm{\&sigma;}}_D\sqrt{2\mathrm{\&pi;}}}\exp [-\frac{{(1\mathrm{nx}-{\mathrm{\&mu;}}_D)}^2}{2{\mathrm{\&mu;}}_D^2}]---\left(18\right)$

其中，σ_D=3.20,μ_D=0.88；x为行驶距离。由此可求出日行驶距离的期望为：

$E\left(x\right)={\&Integral;}_0^{\&infin;}x{f}_D\left(x\right)\mathrm{dx}---\left(19\right)$

参考目前电动汽车的技术水平，假设每百km耗电量固定为15kWh，该区域有N_pri辆家用电动汽车，则每天的电量需求为E_pri(t)=0.15N_priE(x)。家用车一天的换电需求概率分布可认为与充电需求概率分布相似，并服从正态分布N(13，6)。

对于电动公交车，假设公交车首班发车时间为6:00，末班发车时间为22:00-23:00，高峰时段为7:00-9:00和16:30-18:30，则可在13:00-16:00换电一次；为保证公交车在第二天早高峰时不换电，当天运营结束后，在22:00-23:00可换电一次。假设电动公交车每百km耗电量固定为110kWh，若电动公交车数量为N_pub，则一天的换电总需求为1.1×200×N_pub=220N_pub。考虑到公交车的运营是顺序进行的，在换电时间段内可采用均匀分布，则电动公交车的需求模型为：

根据家用车和电动公交车的换电量得到换电站换出动力电池的总电量为：

E_q(t)＝E_pub(t)+E_pri(t)；        (21)

其中，E_q(t)为t时刻换电站换出动力电池的总电量；E_pub(t)为电动公交车t时刻的电量需求；E_pri(t)为家用车t时刻的电量需求，根据家用车每天的电量需求和换电需求概率分布得到。

***可靠性模型为：考虑到***的经济性，采用电量不足期望值（EENS）来描述。将一年的时间按小时分为8760个相等的时间段，假定在每个时间段内风速、光强、负荷和电动汽车的需求都是不变的，通过实测或模拟获得一年的风、光功率输出曲线和负荷曲线，通过电动汽车的换电需求模型获得换电需求曲线，然后进行可靠性计算如下（当t时刻***电量大于或等于需求电量时其值为0）：

$\mathrm{EENS}=\underset{t=1}{\overset{8760}{\mathrm{\&Sigma;}}}(E_L\left(t\right)+E_q\left(t\right)-E_{\mathrm{PV}}\left(t\right)-E_W\left(t\right)-(E_b(t-1)-E_{b\min }))---\left(22\right)$

其中，E_bmin表示动力电池的最小允许容量；E_L(t)表示t-1时刻到t时刻负载用电量的大小；E_q(t)表示t时刻充电站换出动力电池的总电量；E_W(t)和E_PV(t)分别表示t-1时刻到t时刻风机和光伏的发电量；E_b(t-1)表示动力电池组在t-1时刻存储的电量；E_bmin为动力电池的最小允许容量。

所述***电量损失成本的年值的计算公式为：

C_r=coe*EENS        (23)

其中，coe表示赔偿系数；EENS为***电量不足期望值。

所述风机、光伏发电***、动力电池和充放电机成本的年值，计算方法分别为：

风机成本的年值为：

$C_w=N_w\&CenterDot;(C_i\&CenterDot;\frac{r_0{(1+r_0)}^m}{{(1+r_0)}^m-1}+u\left(i\right))---\left(24\right)$

其中，N_w为风机的数量；C_i为风机的单价；m为设备的折旧年限；r₀为贴现率；u(i)为风机的年维护和运行费用；i表示风机；

光伏发电***成本的年值为：

$C_{\mathrm{pv}}=N_{\mathrm{pv}}\&CenterDot;(C_j\&CenterDot;\frac{r_0{(1+r_0)}^m}{{(1+r_0)}^m-1}+u\left(j\right))---\left(25\right)$

其中，N_pv为光伏电池的数量；C_j为光伏电池的单价；m为设备的折旧年限；r₀为贴现率；u(j)为光伏发电***的年维护和运行费用；j表示光伏发电***；

动力电池成本的年值为：

$C_b=N_b\&CenterDot;(C_k\&CenterDot;\frac{r_0{(1+r_0)}^m}{{(1+r_0)}^m-1}+u\left(k\right))---\left(26\right)$

其中，N_b为动力电池的数量；C_k为动力电池的单价；m为设备的折旧年限；r₀为贴现率；u(k)为动力电池的年维护和运行费用；k表示动力电池；

充放电机成本的年值为：

$C_c=N_c\&CenterDot;(C_l\&CenterDot;\frac{r_0{(1+r_0)}^m}{{(1+r_0)}^m-1}+u\left(l\right))---\left(27\right)$

其中，N_c为充放电机的数量；C_l为充放电机的单价；m为设备的折旧年限；r₀为贴现率；u(l)为充放电机的年维护和运行费用；l表示充放电机。

***的目标函数为：优化目标是在满足充电和负荷需求的情况下，***一次设备投资、运行和计及可靠性等综合成本最小，其目标函数为：

min C_t=min(C_w+C_pv+C_b+C_c+C_r)         (28)

其中，C_t为***总成本；C_w、C_pv、C_b、C_c、C_r分别表示风机、光伏发电***、动力电池、充放电机和***电量损失成本的年值。

动力电池的电量约束条件为：

E_bmin≤E_b(t)≤E_bmax           (29)

其中，E_bmax为动力电池的最大允许容量，一般取动力电池的额定容量；E_bmin为动力电池的最小允许容量，由最大放电深度决定。

风机、动力电池、光伏电池和充放电机数量的约束条件：

0≤N_pv≤N_pvmax

0≤N_w≤N_wmax                (30)

0≤N_b≤N_bmax

0≤N_c≤N_cmax

其中，N_pvmax、N_wmax、N_bmax、N_cmax分别为满足用户充电和负荷需求的光伏、风机、动力电池、充放电机的个数。

t时刻可为电动汽车提供换电服务的动力电池数量约束条件：

N_ba(t)≥N_b(t)t∈[1,T]            (31)

其中，N_ba(t)是t时刻可为电动汽车换电的动力电池数量；N_b(t)是t时刻电动汽车需要更换的动力电池数量；T=8760，表示一年的小时数。假设动力电池充电需要4个小时，则N_ba(t)可通过式（32）得出，而N_b(t)可由电动汽车换电需求概率分布与电动汽车数量算出。

$N_{\mathrm{ba}}\left(t\right)=\left\{\begin{array}{cc}0& t\&le;0\\ N_b-N_b(t-1)-N_b(t-2)-N_b(t-3)& t\&Element;[1,T]\end{array}\right.---\left(32\right)$

其中，N_b(t-1)、N_b(t-2)和N_b(t-3)分别是t-1时刻、t-2时刻和t-3时刻电动汽车需要更换的动力电池数量。

充放电机功率约束条件：

P(t)≤P_c≤P_cmaxt∈[1,T]        (33)

其中，P(t)为根据***充放电量而得到的任意时刻充放电机的功率；P_cmax为充放电机最大功率，即电池组中最大可用容量在一个时间段内通过充放电机全部放出时的功率，其计算方法分别见式(33)-(34)：

$P_{c\max }=\frac{E_{b\max }-E_{b\min }}{\mathrm{\&Delta;t}}---\left(35\right)$

其中，Δt=1。若P(t)大于上限P_cmax，则P(t)=P_cmax；

光伏电池倾斜角度的约束：0<θ<90°。

所述智能优化算法包括微分进化算法、遗传算法或粒子群算法。

本发明提出的容量优化计算方法，考虑了电动汽车用电需求及换电模式所具备的储能能力，以***投资成本、运行成本和电量不足损失成本综合最低为目标，并考虑了风光***、充放电机和动力电池的约束条件，用智能优化算法迭代求解，思路清晰严谨，方法合理可靠，可以有效解决含风光互补发电与电动汽车换电站的孤立微电网容量优化配置问题。

附图说明

图1是含风光互补发电与电动汽车换电站的孤立微电网容量优化配置方法的流程图；

图2是含风光互补发电与电动汽车换电站的孤立微电网结构图；

图3是1年8760小时的风速数据；

图4是各个季节水平面太阳散射量和总辐射量日变化图；

图5是1年8760小时的负荷数据；

图6是一天内电动汽车每小时换电需求图；

图7是微分进化算法求解集成***容量优化配置的进化迭代过程。

具体实施方式

下面结合附图，对优选实施例作详细说明。应该强调的是下述说明仅仅是示例性的，而不是为了限制本发明的范围及其应用。

图1是含风光互补发电与电动汽车换电站的孤立微电网容量优化配置方法的流程图，求解集成***最优容量配置的基本步骤是：

步骤1：选择合理的含风光互补发电与电动汽车换电站的孤立微电网结构。图2是含风光互补发电与电动汽车换电站的孤立微电网结构图，采用直流微网的方式，包括风光互补发电模块、储能模块、负荷输出模块和控制模块；其中储能模块由动力电池组成，即满足行驶需求，又作储能使用；控制模块将各种变流器和监控装置通过计算机网络连接在一起，实现功率与电量的合理分配。

步骤2：收集一年的风速、光照、负荷量以及主要设备参数等数据；

图3是1年8760小时的风速数据。

图4是各个季节水平面太阳散射量和总辐射量日变化图。

图5是1年8760小时的负荷数据。

表1是***中主要设备的相关参数。

表1***中主要设备的相关参数

步骤3：采用典型的风光建模方法建立风光的输出模型；

步骤4：建立动力电池电量交换模型、电动汽车换电需求模型与***可靠性模型；

图6是一天内电动汽车每小时换电需求图，由家用车和电动公交车换电需求模型得到，其中家用车500辆，电动公交车10辆。

步骤5：以***一次设备投资、运行和计及可靠性等综合成本最小为目标建立***的目标函数；

步骤6：确定包含动力电池荷电量、各组件数量、可提供换电服务的动力电池数量以及充放电机功率的约束条件；

步骤7：选择一种智能优化算法并确定求解的具体步骤。选用微分进化算法，并用matlab软件对容量优化配置模型进行编程，具体求解步骤为：

1）算法参数设置。设置种群数量N_p=30，终止迭代次数C=100，变异因子F＝0.5，杂交因子C_R=0.4。

2）种群初始化。在决策变量的变化范围内随机生成N_p个解，其中决策变量的上、下限根据实际情况确定：风机、光伏电池、动力电池、充放电机数量的上限分别为10、2000、500、300，下限均取零。

3）进行变异和交叉操作，生成子代种群。

4）将子代种群代入约束条件式进行检查，不满足条件的按下式进行处理：

$x_{i,j}=\left\{\begin{array}{cc}{x}_j^{\max }& \mathrm{if}(x_{i,j}>x_j^{\max })\\ x_j^{\min }& \mathrm{if}(x_{i,j}<x_j^{\min })\end{array}\right.$

其中，

和

分别为决策变量j的上限和下限。

5）算出父代种群和子代种群的适应值，即***总成本，然后进行选择操作，保留适应值小的个体，并记录当前最佳个体和对应的适应值。

6）重复3）~5）直到满足终止迭代条件。

步骤8：进行容量优化配置的计算。图7是微分进化算法求解集成***容量优化配置的进化迭代过程，可见到30代时已基本达到最优值，优化速度较快。求得的容量优化配置结果见表2。

表2容量优化配置结果

所求参数	参数值	额定容量
			最佳倾斜角	22.92°	/
风机个数	6	9MW

光伏电池个数	1218	3.9MW
			动力电池个数	186	4.46MWh
充放电机模块个数	90	0.9MW
			最小成本	1.7036×107元	/

本发明提出的容量优化计算方法，考虑了电动汽车用电需求及换电模式所具备的储能能力，以***投资成本、运行成本和电量不足损失成本综合最低为目标，并考虑了风光***、充放电机和动力电池的约束条件，用智能优化算法迭代求解，思路清晰严谨，方法合理可靠，可以有效解决含风光互补发电与电动汽车换电站的孤立微电网容量优化配置问题。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (10)

1.一种含风光发电与电动汽车换电站的孤立微电网容量优化方法，其特征在于，所述方法包括步骤：

步骤1：采用风光建模方法建立风机和光伏电池的输出模型；并根据风机的输出模型计算风机发电量；根据光伏电池的输出模型计算光伏电池的发电量；

步骤2：建立动力电池电量交换模型和电动汽车换电需求模型；根据动力电池电量交换模型得到动力电池组在t时刻存储的电量；根据电动汽车换电需求模型得到t时刻充电站换出动力电池的总电量；

步骤3：根据步骤1和步骤2中得到的结果得到***的可靠性模型，即***电量不足期望值；并根据步骤***电量不足期望值计算***电量损失成本的年值；

步骤4：分别计算风机、光伏发电***、动力电池和充放电机成本的年值；并结合步骤3得到的***电量损失成本的年值建立***的目标函数；

步骤5：确定包含动力电池的电量、各组件数量、可提供换电服务的动力电池数量、充放电机功率及光伏电池倾斜角度的约束条件；

步骤6：联立步骤4中的***目标函数和步骤5中的约束条件，得到容量优化配置方程；选择一种智能优化算法，并确定求解的具体步骤；得到容量优化配置的结果；

步骤7：根据容量优化配置的结果，进行容量优化配置。

2.根据权利要求1所述的一种含风光发电与电动汽车换电站的孤立微电网容量优化方法，其特征在于，所述步骤1中风机的输出模型、风机发电量、光伏电池的输出模型和光伏电池的发电量的计算公式为：

风机输出模型为：

$P_W\left(v\right)=\left\{\begin{array}{cc}0& (v<v_c)\\ a_1\&CenterDot;v^2+b_1\&CenterDot;v+c_1& (v_c\&le;v\&le;v_1)\\ a_2\&CenterDot;v^2+b_2\&CenterDot;v+c_2& (v_1\&le;v\&le;v_r)\\ P_r& (v_r\&le;v\&le;v_f)\\ 0& (v>v_f)\end{array}\right.$

其中，v表示风机转轴高度处的风速；v_c、v_r、v_f分别表示风机的启动风速、额定风速和切断风速；v_c≤v₁≤v_r；P_r表示风机的额定功率；a₁、b₁、c₁、a₂、b₂、c₂为相应的拟合系数；

t-1时刻到t时刻风机发电量的计算公式为：E_W(t)＝P_W(t)×Δt；

其中，P_W(t)表示风机t-1时刻到t时刻的发电功率；Δt=1；

光伏电池的输出模型为：

P_PV=N_PVP·N_PVS·V_PV·I_PV·F_C·F_O

其中，N_pVS表示PV组件的串联数；N_PVP表示PV组件的并联数；F_C和F_o分别表示由连接损失和其他损失引入的因子；I_PV代表任意条件下光伏电池的最佳工作点电流；V_PV代表任意条件下光伏电池的最佳工作点电压；P_PV为PV方阵每小时输出的功率；

t-1时刻到t时刻光伏电池的发电量的计算公式为：E_PV（t)＝P_PV（t)×Δt；

其中，P_PV（t)为t-1时刻到t时刻光伏电池的发电量；Δt=1。

3.根据权利要求1所述的一种含风光发电与电动汽车换电站的孤立微电网容量优化方法，其特征在于，所述步骤2中动力电池电量交换模型为：

t时刻动力电池组在充电的电量为：

E_b(t)=E_b(t-1)(1-σ)+[E_W(t)+E_PV(t)-E_L(t)/η_inv]·η_batt1-E_q(t)

t时刻动力电池组在放电时的电量：

E_b(t)=E_b(t-1)(1-σ)-[E_L(t)/η_inv-E_W(t)-E_PV(t)]/η_batt2-E_q(t)

其中，E_b(t)和E_b(t-1)分别表示动力电池组在t时刻和t-1时刻存储的电量；η_batt1、η_batt2、η_inv分别表示动力电池充电、放电和逆变器能量转换的效率；E_L(t)表示t-1时刻到t时刻负载用电量的大小；E_W(t)和W_PV(t)分别表示t-1时刻到t时刻风机和光伏的发电量；σ表示动力电池每小时的自放电率；E_q(t)表示t时刻充电站换出动力电池的总电量。

4.根据权利要求1所述的一种含风光发电与电动汽车换电站的孤立微电网容量优化方法，其特征在于，所述步骤2中电动汽车换电需求模型为：

电动汽车包括家用电动车和电动公交车：

家用电动车换电需求概率分布与充电需求概率分布相似，并服从正态分布N(13，6)；家用电动车每天的电量需求为E_pri(t)=0.15N_priE(x)；其中，

为日行驶距离的期望值；N_pri为该区域的家用电动汽车的数量；f_D(x)为家用电动车的概率密度函数；x为家用电动车的日行驶距离；

电动公交车的换电需求模型为：

其中，N_pub为电动公交车数量。

5.根据权利要求4所述的一种含风光发电与电动汽车换电站的孤立微电网容量优化方法，其特征在于，t时刻充电站换出动力电池的总电量为：

E_q(t)＝E_pub(t)+E_pri(t)；

其中，E_q(t)为t时刻换电站换出动力电池的总电量；E_pub(t)为电动公交车t时刻的电量需求；E_pri(t)为家用车t时刻的电量需求，根据家用车每天的电量需求和换电需求概率分布得到。

6.根据权利要求1所述的一种含风光发电与电动汽车换电站的孤立微电网容量优化方法，其特征在于，所述步骤3中***的可靠性模型为：

$\mathrm{EENS}=\underset{t=1}{\overset{8760}{\mathrm{\&Sigma;}}}(E_L\left(t\right)+E_q\left(t\right)-E_{\mathrm{PV}}\left(t\right)-E_W\left(t\right)-(E_b(t-1)-E_{b\min }))$

其中，EENS为***电量不足期望值；E_bmin表示动力电池的最小允许容量；E_L(t)表示t-1时刻到t时刻负载用电量的大小；E_q(t)表示t时刻充电站换出动力电池的总电量；E_W(t)和E_PV(t)分别表示t-1时刻到t时刻风机和光伏的发电量；E_b(t-1)表示动力电池组在t-1时刻存储的电量；E_bmin为动力电池的最小允许容量；

***电量损失成本的年值的计算公式为：

C_r=coe*EENS

其中，coe表示赔偿系数；EENS为***电量不足期望值。

7.根据权利要求1所述的一种含风光发电与电动汽车换电站的孤立微电网容量优化方法，其特征在于，所述风机、光伏发电***、动力电池和充放电机成本的年值，计算方法分别为：

风机成本的年值为：

$C_w=N_w\&CenterDot;(C_i\&CenterDot;\frac{r_0{(1+r_0)}^m}{{(1+r_0)}^m-1}+u\left(i\right))$

其中，N_w为风机的数量；C_i为风机的单价；m为设备的折旧年限；r₀为贴现率；u(i)为风机的年维护和运行费用；

光伏发电***成本的年值为：

$C_{\mathrm{pv}}=N_{\mathrm{pv}}\&CenterDot;(C_j\&CenterDot;\frac{r_0{(1+r_0)}^m}{{(1+r_0)}^m-1}+u\left(j\right))$

其中，N_pv为光伏电池的数量；C_j为光伏电池的单价；m为设备的折旧年限；r₀为贴现率；u(j)为光伏发电***的年维护和运行费用；

动力电池成本的年值为：

$C_b=N_b\&CenterDot;(C_k\&CenterDot;\frac{r_0{(1+r_0)}^m}{{(1+r_0)}^m-1}+u\left(k\right))$

其中，N_b为动力电池的数量；C_k为动力电池的单价；m为设备的折旧年限；r₀为贴现率；u(k)为动力电池的年维护和运行费用；

充放电机成本的年值为：

$C_c=N_c\&CenterDot;(C_l\&CenterDot;\frac{r_0{(1+r_0)}^m}{{(1+r_0)}^m-1}+u\left(l\right))$

其中，N_c为充放电机的数量；C_l为充放电机的单价；m为设备的折旧年限；r₀为贴现率；u(l)为充放电机的年维护和运行费用。

8.根据权利要求1所述的一种含风光发电与电动汽车换电站的孤立微电网容量优化方法，其特征在于，所述步骤4中***的目标函数为：

min C_t=min(C_w+C_pv+C_b+C_c+C_r)

其中，C_t为***总成本；C_w、C_pv、C_b、C_c、C_r分别表示风机、光伏发电***、动力电池、充放电机和***电量损失成本的年值。

9.根据权利要求1所述的一种含风光发电与电动汽车换电站的孤立微电网容量优化方法，其特征在于，所述动力电池的电量、各组件数量、可提供换电服务的动力电池数量、充放电机功率及光伏电池倾斜角度的约束条件分别为：

动力电池的电量约束条件为：

E_bmin≤E_b(t)≤E_bmax

其中，E_bmax为动力电池的最大允许容量，一般取动力电池的额定容量；E_bmin为动力电池的最小允许容量；

风机、动力电池、光伏电池和充放电机数量的约束条件：

0≤N_pv≤N_pvmax

0≤N_w≤N_wmax

0≤N_b≤N_bmax

0≤N_c≤N_cmax

其中，N_pvmax、N_wmax、N_bmax、N_cmax分别为满足用户充电和负荷需求的光伏、风机、动力电池、充放电机的个数；

t时刻可为电动汽车提供换电服务的动力电池数量约束条件：

N_ba(t)≥N_b(t)t∈[1,T]

其中，N_ba(t)是t时刻可为电动汽车换电的动力电池数量；N_b(t)是t时刻电动汽车需要更换的动力电池数量；T=8760，表示一年的小时数；

充放电机功率约束条件：

P(t)≤P_c≤P_cmaxt∈[1,T]；

其中，P(t)为根据***充放电量而得到的任意时刻充放电机的功率；P_cmax为充放电机最大功率；

光伏电池倾斜角度的约束：0<θ<90°。

10.根据权利要求1所述的一种含风光发电与电动汽车换电站的孤立微电网容量优化方法，其特征在于，所述智能优化算法包括微分进化算法、遗传算法或粒子群算法。

Images