CN103632205B - 一种考虑风电和负荷不确定性的含电动汽车优化调度方法 - Google Patents

Abstract

本发明公开了一种考虑风电和负荷不确定性的含电动汽车优化调度方法，以含可入网混合电动汽车、风电和火电的电力***为研究对象，构建计及不确定性的节能减排调度模型；先采用多场景模拟技术将不确定性的随机过程分解为若干典型的离散概率场景，采用多代理***技术将以节能和CO₂排放为目标的优化调度分解为24个工作代理，采用遗传算法求解集，协同代理负责工作代理之间动态耦合调度，使***满足动态平衡约束，最终通过权重调节实现碳排放和节能之间的有效协调。本发明所建立的模型有效可行，PHEV能有效的实现负荷的消峰填谷，促进风电的吸纳，发挥负荷调度的作用，通过合理选取节能和碳排放目标的权重，可实现节能与减排之间的有效折衷。

Description

一种考虑风电和负荷不确定性的含电动汽车优化调度方法

技术领域

本发明属于电力***优化调度领域，涉及风电与负荷不确定性处理，电动汽车的充放电控制，尤其涉及不确定性的处理。

背景技术

随着能源紧缺与环境污染矛盾日益突出，清洁可再生能源受到广泛关注。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，受到各国政府、汽车生产商以及能源企业的广泛关注。一份美国国家可再生能源实验室给出的技术报告表明PHEV能大量减少CO2的排放。正是由于PHEV有巨大节能减排潜力，其研究和推广已成为各国关注的热点。PHEV能否有效使用在一定程度上取决于可再生能源的利用。进行积极的充电(V2G)控制，电动汽车的充电电量完全由可再生能源来提供，形成可再生能源与PHEV有效互补。可以实现充电负荷对可再生能源出力变化的跟踪，促进可再生能源吸纳。

传统模式下，含风电和电动汽车的优化调度不考虑风电和负荷的不确定性，均采用确定性方法来求解，与风电、负荷的随机性特性不相符，不能真实反映实际调度情况。采用多场景模拟技术将风电、负荷不确定性的随机过程分解为若干典型的概率场景，使其较准确反映含电动汽车和风电的电力优化调度随机过程。然后，采用多代理***技术将1天24个时段对应为24个工作代理，负责火电、风电和电动汽车之间的静态调度，协调代理负责24个工作代理之间的动态协调，从而使能量优化的利用风电和电动汽车，使调度结果更接近实际。

发明内容

为了弥补传统模式的缺陷，本发明提出一种考虑风电和负荷不确定性的含电动汽车优化调度策略，以含可入网混合电动汽车(以下简称PHEV)、风电和火电的电力***为研究对象，构建了计及不确定性的节能减排调度模型，综合考虑了风电和负荷的不确定性，PHEV的充放电控制，PHEV与风电的协调互补。先采用多场景模拟技术将不确定性的随机过程分解为若干典型的离散概率场景，在此基础上采用多代理***技术(以下简称MAS)技术将优化调度分为24个工作代理，工作代理负责每个时段的静态调度，协调代理负责工作代理之间动态耦合调度，最终通过权重调节实现了碳排放和节能之间有效协调。

本发明的目的是通过以下技术方案来实现的：

一种考虑风电和负荷不确定性的含电动汽车优化调度方法，包括如下步骤：

(1)接受电网机组调度中心得出的***未来24小时负荷需求数据；接收风电场对风电出力大小的预测数据，包括预测风电大小和风电出力的上下限区间；接收PHEV的相关特性数据；根据各个发电厂上报的机组特性数据得出各个机组的特性约束；

(2)根据大型风电场出力、负荷的不确定性信息，采用多场景模拟技术选取若干典型的***运行状态用于***运行费用和碳排放优化调度，能较准确反映含PHEV和风电的电力优化调度。

(3)根据第一、二步接收的数据和若干典型的场景，对电力***优化调度进行建模，根据运行要求选择目标函数和约束条件，包括等式约束条件和不等式约束条件，构成混合整数非线性规划问题；

(4)根据上一步产生的混合整数非线性规划问题，得出考虑风电和负荷不确定性的含电动汽车节能减排多目标函数和相应约束条件。约束条件为：含PHEV的***功率平衡约束、PHEV的平衡约束、含PHEV的旋转备用约束、PHEV充放电总量约束、火电机组自身的出力、爬坡、最小开停机等约束。

(5)将上一步的节能减排多目标通过给各个目标赋权重，将多目标问题转化为新的单目标问题，并通过权重调节各个目标在节能减排总目标中的重要性。

(6)将全天分成24个时段，1小时为1个调度时段，由24个工作代理A1-A24负责，即每个时段对应为1个工作代理，每个工作代理内部利用遗传算法进行求解，然后由协同代理对24个工作代理的解进行协调，最终得到一天内优化调度的解。

本发明的有益效果是：本发明对考虑不确定性下含PHEV和风电的节能减排调度策略进行研究，建立了含PHEV和风电不确定性的节能减排模型。并针对负荷和风电出力的随机性，采用多场景模拟技术将负荷和风电变量离散为若干典型的场景，再采用MAS技术求解离散化的调度问题。MAS中工作代理负责每个调度时段内，火电出力的调节，风电和PHEV的互补调度，风电、火电和PHEV的协调。协调代理负责协调24个工作代理，实现动态的优化调度。算例表明，所建立的模型有效可行，PHEV能有效的实现负荷的消峰填谷，促进风电的吸纳，发挥负荷调度的作用。通过合理选取节能和碳排放目标的权重，可实现节能与减排之间的有效折衷。

附图说明

图1是本发明的流程图；

图2是风电的场景分布图；

图3是负荷的场景分布图；

图4是优化调度策略的MAS体系结构图；

图5是工作代理的协同作用示意图。

具体实施方式

下面结合附图对本发明作进一步详细说明。

一种考虑风电和负荷不确定性的含电动汽车优化调度策略，包括如下步骤：

(1)接受电网机组调度中心得出的***未来24小时负荷需求数据；接收风电场对风电出力大小的预测数据，包括预测风电大小和风电出力的上下限区间；接收PHEV的相关特性数据；根据各个发电厂上报的机组特性数据得出各个机组的特性约束；

(2)根据大型风电场出力、负荷的不确定性信息，采用多场景模拟技术选取若干典型的***运行状态用于***运行费用和碳排放优化调度，能较准确反映含PHEV和风电的电力优化调度。

(3)根据第一、二步接收的数据和若干典型的场景，对电力***优化调度进行建模，根据运行要求选择目标函数和约束条件，包括等式约束条件和不等式约束条件，构成混合整数非线性规划问题；

(4)根据上一步产生的混合整数非线性规划问题，得出考虑风电和负荷不确定性的含电动汽车节能减排多目标函数和相应约束条件。约束条件为：含PHEV的***功率平衡约束、PHEV的平衡约束、含PHEV的旋转备用约束、PHEV充放电总量约束、火电机组自身的出力、爬坡、最小开停机等约束。

(5)将上一步的节能减排多目标通过给各个目标赋权重，将多目标问题转化为新的单目标问题，并通过权重调节各个目标在节能减排总目标中的重要性。

(6)将全天分成24个时段，1小时为1个调度时段，由24个工作代理A1-A24负责，即每个时段对应为1个工作代理，每个工作代理内部利用遗传算法进行求解，然后由协同代理对24个工作代理的解进行协调，最终得到一天内优化调度的解。

以下结合附图，对本发明的实施例作详细说明，本发明的流程图如图1所示。

负荷和风电出力的离散概率分布集可表示为：

${\mathrm{\δ}}_D=\{({p_d}^1,{\mathrm{\ρ}}_d^1);({p_d}^2,{\mathrm{\ρ}}_d^2);...({p_d}^s,{\mathrm{\ρ}}_d^s);...({p_d}^{nd},{\mathrm{\ρ}}_d^{nd})\}---\left(1\right)$

为不确定性负荷在场景s下的负荷值及其对应的概率，nd为负荷的场景总数。

${\mathrm{\ρ}}_d^1+{\mathrm{\ρ}}_d^2+...+{\mathrm{\ρ}}_d^{nd}=1---\left(2\right)$

${\mathrm{\δ}}_w=\{(p_{wind}^1,{\mathrm{\ρ}}_{\mathrm{\ω}}^1);(p_{wind}^2,{\mathrm{\ρ}}_{\mathrm{\ω}}^2);\·\·(p_{wind}^s,{\mathrm{\ρ}}_{\mathrm{\ω}}^s);\·\·(p_{wind}^{nw},{\mathrm{\ρ}}_{\mathrm{\ω}}^{nw})\}---\left(3\right)$

为不确定性风电在场景s下的出力值及其对应的概率。nw为风电的场景总数。

${\mathrm{\ρ}}_{\mathrm{\ω}}^1+{\mathrm{\ρ}}_{\mathrm{\ω}}^2+...+{\mathrm{\ρ}}_{\mathrm{\ω}}^{nw}=1---\left(4\right)$

负荷和风电所有场景的集合用SC表示，

SC＝δ_D×δ_w (5)

$\underset{s\∈SC}{\mathrm{\Σ}}{\mathrm{\ρ}}_d{\mathrm{\ρ}}_{\mathrm{\ω}}=1---\left(6\right)$

δ_D、δ_w分别为负荷和风电离散分布的集合，ρ_d、ρ_ω分别为负荷和风电在不确定情况下的概率。ρ_s为***在场景s下的概率。

ρ_s＝ρ_dρ_w (7)

假设风电、负荷误差服从标准正态分布，并根据统计数据将风电和负荷的概率分布均分为5个场景，风电和负荷的场景分布见图2、3。

δ_w＝{(p_w×100％,0.5)；(p_d×99％,0.15)；(p_d×101％,0.15)；

(p_d×97.5％,0.1)；(p_d×102.5％,0.1)} (8)

δ_D＝{(p_d×100％,0.6)；(p_d×98.5％,0.15)；(p_d×102％,0.15)；

(p_d×98％,0.05)；(p_d×103％,0.05)} (9)

p_w，p_d为风电、负荷预测的值。

相应的目标函数为：

采用多场景模拟技术，考虑负荷和风电的不确定性的燃料费用函数演变为：

$\[{\mathrm{FC}}_i\left(P_i^t\right),{\mathrm{\ρ}}_s\]=\[a_i+b_i{p}_i^{st}+c_i{\left(p_i^{st}\right)}^2,{\mathrm{\ρ}}_s\]---\left(10\right)$

和ρ_s是机组i在场景s下输出功率和其对应的概率。式中a_i、b_i、c_i为机组i的耗量特性参数，单位分别为$/h，$/MWh，$/MW²h。

火电机组碳排放量表示为机组出力的二次函数形式，

$\[E_{ci}\left(P_i^{st}\right),{\mathrm{\ρ}}_s\]=\[({\mathrm{\α}}_{ci}+{\mathrm{\β}}_{ci}{p}_i^{st}+{\mathrm{\γ}}_{ci}{\left(p_i^{st}\right)}^2)u_i^t,{\mathrm{\ρ}}_s\]---\left(11\right)$

α_ci，β_ci，γ_ci为机组i的CO₂排放函数系数，单位为ton/h，ton/MWh，ton/MW²h。

因此综合考虑节能减排和不确定的优化调度模型为：

$\begin{array}{c}min\{\underset{s\∈S}{\mathrm{\Σ}}{\mathrm{\ρ}}_s\underset{t=1}{\overset{T}{\mathrm{\Σ}}}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\[W_c(a_i+b_i{p}_i^{st}+c_i{\left(p_i^{st}\right)}^2)u_i^t+S_i{u}_i^t\\ (1-u_i^{t-1})+W_e({\mathrm{\α}}_{ci}+{\mathrm{\β}}_{ci}{p}_i^{st}+{\mathrm{\γ}}_{ci}{\left(p_i^{st}\right)}^2)u_i^t\]\}\end{array}---\left(12\right)$

式中表示机组处于运行/停机状态；S_i为机组的启动成本；T为时段数，N为机组数。W_c和W_e是运行费用与碳排放所对应的权重。

W_c+W_e＝1； (13)

相应的约束条件为：

1)含PHEV的***功率平衡约束

PHEV放电

PHEV充电

2)PHEV的平衡约束

$\underset{t=1}{\overset{T}{\mathrm{\Σ}}}{N}_{v2G}^t=N_{v2G}^{\max },t=1,2,...,T$

为PHEV总数，为t时刻PHEV的数量。

3)含PHEV的旋转备用约束

PHEV放电

$\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{u}_i^t{p}_{imax}+p_v^{\max }{N}_{v2G}^t\≥p_d^t+R^t,t=1,2,...,T$

PHEV充电

$\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{u}_i^t{p}_{imax}\≥p_d^t+p_v^{\max }{N}_{v2G}^t+R^t,t=1,2,...,T$

p_imax为火电机组出力的最大值，为每个PHEV的容量。

4)PHEV充放电总量约束

$N_{v2G}^t\≤N_{v2G}^{\max t},t=1,2,...,T$

由于所有的PHEV不能在同一时刻同时充放电，为了保证***的安全可靠运行，控制PHEV的充放电数量是必要的，为t时段PHEV最大可充放电的总数。

5)机组出力上下限约束

$p_{i\min }\≤p_i^t\≤p_{imax}---\left(5\right)$

6)火电机组最大最小出力约束

$p_{i\min }\≤p_i^t\≤p_{imax}---\left(8\right)$

7)火电机组爬坡约束

机组升出力时

$p_i^t-p_i^{t-1}\≤{\mathrm{UR}}_i---\left(9\right)$

机组降出力时

$p_i^{t-1}-p_i^t\≤{\mathrm{DR}}_i---\left(10\right)$

8)火电机组最小开停机时间约束

$\left\{\begin{array}{cc}{u}_i^t=1,& 1\&le;X_i^t<M_{GTi}\\ u_i^t=0,& -M_{DTi}<X_i^t\&le;-1\end{array}\right.---\left(11\right)$

式中：p_imax、p_imin为火电机组i的最大、最小出力；R^t为t时段***旋转备用容量；UR_i和DR_i分别为机组i有功功率上升量和下降量的限值；为机组i到t时段连续运行(为正值)或连续停机(为负值)的时段数；M_GTi、M_DTi分别为机组i最小运行时间与最小停机时间。图4是优化调度策略的MAS体系结构图；图5是工作代理的协同作用示意图。

综上所述，我们提出的考虑风电和负荷不确定性的含电动汽车优化调度策略，采用多场景模拟技术和多代理***技术，在风电和负荷不确定性的情况下实现了大幅减少碳排放量，且有效的实现负荷的消峰填谷，促进风电的吸纳，发挥负荷调度的作用。

需要说明的是，流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方案的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。

综上所述，本发明是一种采用多场景模拟技术和多代理***技术来实现对考虑风电和负荷不确定性的含电动汽车的优化调度。本技术可用于其他不确定问题的处理，如太阳能等含其它新能源的不确定性优化调度，本发明以含PHEV、风电和火电的电力***为研究对象，构建了计及不确定性的节能减排调度模型，综合考虑了风电和负荷的不确定性，可入网混合电动汽车(PHEV)的充放电控制，PHEV与风电的协调互补。采用多场景技术将随机过程较准确的分解为若干典型离散场景。随后通过多代理***技术实现风电，电动汽车和火电的协调互补，实现***节能与减排和社会效益最大化，更符合实际情况。

以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (7)

1.一种考虑风电和负荷不确定性的含电动汽车优化调度方法，其特征在于：以含可入网混合电动汽车、风电和火电的电力***为研究对象，构建计及不确定性的节能减排调度模型，综合考虑风电和负荷的不确定性、可入网混合电动汽车的充放电控制、可入网混合电动汽车与风电的协调互补；先采用多场景模拟技术将不确定性的随机过程分解为若干典型的离散概率场景，在此基础上，采用多代理***技术将以节能和CO₂排放为目标的优化调度分解为24个工作代理，工作代理负责每个时段的静态调度，采用遗传算法求解集；协同代理负责工作代理之间动态耦合调度，使***满足动态平衡约束；最终通过权重调节实现碳排放和节能之间的有效协调；具体包括如下步骤：

(1)接收电网机组调度中心得出的***未来24小时负荷需求数据；接收风电场对风电出力大小的预测数据，包括预测风电大小和风电出力的上下限区间；接收可入网混合电动汽车的相关特性数据；根据各个发电厂上报的机组特性数据得出各个机组的特性约束；

(2)根据大型风电场出力、负荷的不确定性信息，采用多场景模拟技术选取若干典型的***运行状态用于***运行费用和碳排放优化调度；

所述多场景模拟技术采用离散的概率分布取代随机变量的不确定性，场景的产生经过2个步骤：1)通过概率统计方法获得随机变量的概率分布；2)采用近似的方法，在尽可能减小信息损失的前提下，将随机变量的原概率分布离散化；

负荷和风电出力的离散概率分布集表示为：

为不确定性负荷在场景s下的负荷值及其对应的概率，nd为负荷的场景总数；

为不确定性风电在场景s下的出力值及其对应的概率，nw为风电的场景总数；

负荷和风电所有场景的集合用SC表示，

SC＝δ_D×δ_w (5)

δ_D、δ_w分别为负荷和风电离散分布的集合，ρ_d、ρ_ω分别为负荷和风电在不确定情况下的概 率，ρ_s为***在场景s下的概率；

ρ_s＝ρ_dρ_w (7)

(3)根据第一、二步接收的数据和若干典型的场景，对电力***优化调度进行建模，根据运行要求选择目标函数和约束条件，包括等式约束条件和不等式约束条件，构成混合整数非线性规划问题；

(4)根据上一步产生的混合整数非线性规划问题，得出考虑风电和负荷不确定性的含电动汽车节能减排多目标函数和相应约束条件；

(5)将上一步的节能减排多目标函数通过给各个目标赋权重，将多目标问题转化为新的单目标问题，并通过权重调节各个目标在节能减排总目标中的重要性；

(6)将全天分成24个时段，1小时为1个调度时段，由24个工作代理A1-A24负责，即每个时段对应为1个工作代理，每个工作代理内部利用遗传算法进行求解，然后由协同代理对24个工作代理的解进行协调，最终得到一天内优化调度的解。

2.根据权利要求1所述的一种考虑风电和负荷不确定性的含电动汽车优化调度方法，其特征在于：所述考虑风电和负荷不确定性的含电动汽车节能减排多目标函数采用多场景模拟技术，考虑负荷和风电的不确定性的燃料费用函数演变为：

和ρ_s是机组i在场景s下输出功率和其对应的概率，式中a_i、b_i、c_i为机组i的耗量特性参数，单位分别为$/h，$/MWh，$/MW²h，火电机组碳排放量表示为机组出力的二次函数形式，

α_ci，β_ci，γ_ci为机组i的CO₂排放函数系数，单位为ton/h，ton/MWh，ton/MW²h。

3.根据权利要求1所述的一种考虑风电和负荷不确定性的含电动汽车优化调度方法，其特征在于：考虑风电和负荷不确定性的含电动汽车节能减排约束条件为：含可入网混合电动汽车的***功率平衡约束，可入网混合电动汽车的平衡约束，含可入网混合电动汽车的旋转备用约束，可入网混合电动汽车充放电总量约束，以及火电机组自身的出力、爬坡、最小开停机约束。

4.根据权利要求1所述的一种考虑风电和负荷不确定性的含电动汽车优化调度方法，其特征在于：所述步骤(5)中综合考虑节能减排和不确定的优化调度模型为：

式中表示机组处于运行/停机状态；S_i为机组的启动成本；T为时段数，N为机组数，W_c和W_e是运行费用与碳排放所对应的权重，

W_c+W_e＝1； (11)。

5.根据权利要求1所述的一种考虑风电和负荷不确定性的含电动汽车优化调度方法，其特征在于：所述多代理***技术的每一个工作代理除和协同代理存在联系外，还和其前后相邻的代理进行信息交流，为便于区别，称前一时段的代理为当前代理的前驱，后一时段的代理为当前代理的后继，协同代理达到***协同进化的目标。

6.根据权利要求1所述的一种考虑风电和负荷不确定性的含电动汽车优化调度方法，其特征在于：每个所述工作代理负责协调风电、火电和可入网混合电动汽车之间的静态调度，它的目标即为该时段内的运行成本和气体排放量的总目标最小，约束条件为相应负荷断面下的静态约束条件，而不考虑机组的启停时间动态耦合约束，采用遗传算法求得一解集。

7.根据权利要求书1所述的一种考虑风电和负荷不确定性的含电动汽车优化调度方法，其特征在于：所述协同代理的目标为整个调度周期内的燃料消耗和气体排放总量最小，约束 。