CN106227986A - 一种分布式电源与智能停车场的联合部署方法及装置 - Google Patents

Abstract

本发明公开了一种分布式电源与智能停车场的联合部署方法，包括：建立第一阶段模型，其控制变量包括表征分布式电源中候选站址及在其候选站址处配置的分布式电源数量的第一向量，以及表征智能停车场中候选站址及在其候选站址处配置的双向充电桩数量的第二向量；建立第二阶段模型，其控制变量是表征智能停车场中有功及无功功率的第三向量；采用预定算法对第一阶段、第二阶段模型进行求解，得到第一向量、第二向量的最优解，将该最优解作为分布式电源和智能停车场的联合部署方案，其中最优解通过对第一阶段模型和第二阶段模型的求解结果进行反复迭代得出。本发明还一并公开了一种分布式电源与智能停车场的联合部署装置。

Description

一种分布式电源与智能停车场的联合部署方法及装置

技术领域

本发明涉及智能停车场的部署设计领域，更具体地，涉及一种分布式电源与智能停车场的联合部署方案。

背景技术

随着工业化进程的推进，温室气体排放量的日渐增长成为大中型城市目前面临的重要环境问题之一，而电动汽车以其灵活的能源供给方式、简单轻便、低能耗、轻污染、有效降低对化石燃料依赖性等优点，受到社会的广泛关注。电动汽车在能源利用方面的显著优势和不断增长的社会需求，使得电动汽车的发展变得必要和迫切。

电动汽车(Electric Vehicle,EV)入网，例如在包含智能停车场、分布式电源有源配电网的***中，由于分布式电源和智能停车场均向电网输送电能，会改变电网中原有的潮流分布，从而改变原有的电压分布和网损。故，在电网部署时就要综合考虑电动汽车和分布式电源的相互影响，接纳尽可能多的电动汽车并网，充分促进可再生能源的消纳，并尽可能弥补二者对配电网的不良影响。目前，国内外学者针对电动汽车及分布式电源的优化部署都进行了研究，然而，现有研究很少考虑电动汽车出力的不确定性，这造成了极大的不合理性，尤其是对于风电、光伏等不可控间歇式电源。

另外，配电网的R/X较大，有功功率和无功功率都会对网损和电压质量有明显影响。在传统配电网中，主要通过无功优化部署(配置电容器)，即通过投切电容器来改变线路无功功率，降低网损，提高电压质量，进而保障配电网供电质量和经济运行。实际上，电动汽车还能作为一种无功电源，向电网不同程度的提供无功支持。

故而，需要一种计及电动汽车无功能力的分布式电源及智能停车场联合部署方案，能够充分发挥动力电池的无功能力，改善电网的运行质量，并最大限度地促进可再生能源的消纳，实现配电网的经济安全稳定运行。

发明内容

为此，本发明提供一种分布式电源与智能停车场的联合部署方法及装置，以力图解决或者至少缓解上面存在的至少一个问题。

根据本发明的一个方面，提供了一种分布式电源与智能停车场的联合部署方法，包括步骤：建立第一阶段模型，其控制变量包括表征分布式电源中候选站址及在其候选站址处配置的分布式电源数量的第一向量，以及表征智能停车场中候选站址及在其候选站址处配置的双向充电桩数量的第二向量，其目标函数为minOF₁＝minC₁，其中，C₁表示智能停车场及分布式电源的年建设投资费用；建立第二阶段模型，其控制变量是表征智能停车场中有功及无功功率的第三向量，其目标函数为minOF₂＝min(C₂+C₃+C₄)，其中，C₂表示充电桩双向换流装置年损耗费用，C₃表示碳排放年费用，C₄表示网损年费用；以及采用预定算法对第一阶段模型和第二阶段模型进行求解，得到第一向量、第二向量的最优解，将该最优解作为分布式电源和智能停车场的联合部署方案，其中最优解通过对第一阶段模型和第二阶段模型的求解结果进行反复迭代得出，总目标函数为minOF＝min(OF₁+OF₂)。

可选地，在根据本发明的方法中，还包括步骤：构建描述分布式电源与智能停车场运行状态的预想场景集，其中预想场景集包括多个预想场景及每个预想场景对应的发生概率。

可选地，在根据本发明的方法中，构建预想场景集的步骤包括：根据分布式电源对应的资源数据，建立分布式电源的概率模型；根据用户负荷数据，建立传统负荷模型；根据传统燃油车辆的出行数据，利用基于出行需求的计算方法建立电动汽车充电负荷模型；以及结合分布式电源的概率模型、传统负荷模型和电动汽车充电负荷模型，构建描述分布式电源与智能停车场运行状态的预想场景集。

可选地，在根据本发明的方法中，分布式电源包括风力发电、光伏发电、生物质能发电，对应的资源数据包括风资源、太阳光照资源、生物质资源的历史统计数据。

可选地，在根据本发明的方法中，预定算法为遗传算法。采用预定算法对第一阶段模型和第二阶段模型进行求解，得到第一向量、第二向量的最优解的步骤包括：随机生成第一阶段模型的种群样本作为初始种群；计算初始种群各个体在第一阶段模型的目标函数值，并计算初始种群各个体在第二阶段模型的目标函数值，得到初始种群各个体的总目标函数值；根据总目标函数值计算初始种群各个体的适应度，并根据适应度进行选择-交叉-变异-重***遗传操作，生成新种群；对新种群重复上述计算总目标函数值的步骤，直至收敛，对应的第一向量和第二向量就是最优解。

根据本发明的另一方面，提供了一种分布式电源与智能停车场的联合部署装置，包括：第一模型建立单元，适于建立第一阶段模型，其控制变量包括表征分布式电源中候选站址及在其候选站址处配置的分布式电源数量的第一向量，以及表征智能停车场中候选站址及在其候选站址处配置的双向充电桩数量的第二向量，其目标函数为minOF₁＝minC₁，其中，C₁表示智能停车场及分布式电源的年建设投资费用；第二模型建立单元，适于建立第二阶段模型，其控制变量包括表征智能停车场中有功及无功功率的第三向量，其目标函数为minOF₂＝min(C₂+C₃+C₄)，其中，C₂表示充电桩双向换流装置年损耗费用，C₃表示碳排放年费用，C₄表示网损年费用；以及计算单元，适于采用预定算法对第一阶段模型和所述第二阶段模型进行求解，得到第一向量、第二向量的最优解，将该最优解作为分布式电源和智能停车场的联合部署方案，其中最优解通过对第一阶段模型和第二阶段模型的求解结果进行反复迭代得出，总目标函数为minOF＝min(OF₁+OF₂)。

可选地，在根据本发明的装置中，还包括：场景构建单元，适于构建描述分布式电源与智能停车场运行状态的预想场景集，其中预想场景集包括多个预想场景及每个预想场景对应的发生概率。

可选地，在根据本发明的装置中，场景构建单元包括：第一建模子单元，适于根据分布式电源对应的资源数据，建立分布式电源的概率模型；第二建模子单元，适于根据用户负荷数据，建立传统负荷模型；第三建模子单元，适于根据传统燃油车辆的出行数据，利用基于出行需求的计算方法建立电动汽车充电负荷模型；以及构建子单元，适于结合分布式电源的概率模型、传统负荷模型和电动汽车充电负荷模型，构建描述分布式电源与智能停车场运行状态的预想场景集。

可选地，在根据本发明的装置中，分布式电源包括风力发电、光伏发电、生物质能发电，对应的资源数据包括风资源、太阳光照资源、生物质资源的历史统计数据。

可选地，在根据本发明的装置中，预定算法为遗传算法。

可选地，在根据本发明的装置中，计算单元包括：种群子单元，适于随机生成第一阶段模型的种群样本作为初始种群；计算子单元，适于计算初始种群各个体在第一阶段模型的目标函数值，并计算初始种群各个体在第二阶段模型的目标函数值，得到初始种群各个体的总目标函数值；种群子单元还适于根据总目标函数值计算初始种群各个体的适应度，并根据适应度进行选择-交叉-变异-重***遗传操作，生成新种群；计算子单元还适于对新种群计算总目标函数值；以及种群子单元和计算子单元适于重复执行上述步骤，直至收敛，对应求解的第一向量和第二向量就是最优解。

根据本发明的分布式电源与智能停车场的联合部署方案，充分发挥了动力电池同时作为有功电源和无功电源的能力，在保证电压质量及电网运行经济性的基础上，促进可再生能源的消纳，实现了环境、电网公司、EV用户的最有效益。

同时，本方案在部署模型中考虑了动力电池寿命损耗造成的费用，即计及了EV用户参与电网调度的利益与损失，虽然这造成第二阶段部署的经济效益和***电压质量略差，但这更符合电网的实际运行调度，更具有合理性。

附图说明

为了实现上述以及相关目的，本文结合下面的描述和附图来描述某些说明性方面，这些方面指示了可以实践本文所公开的原理的各种方式，并且所有方面及其等效方面旨在落入所要求保护的主题的范围内。通过结合附图阅读下面的详细描述，本公开的上述以及其它目的、特征和优势将变得更加明显。遍及本公开，相同的附图标记通常指代相同的部件或元素。

图1示出了根据本发明一个实施例的包含智能停车场、分布式电源有源配电网的基本部署框架图；

图2示出了根据本发明一个实施例的分布式电源与智能停车场的联合部署方法200的流程图；

图3示出了根据本发明一个实施例的构建描述分布式电源与智能停车场运行状态的预想场景集的方法流程图；

图4示出了充放电机中一般采用的双级式V2G(Vehicle-to-Grid)双向变换器结构；

图5A示出了33节点配电***接线图，图5B示出了33节点配电***的部署结果接线图；

图6示出了未安装分布式电源及停车场时原始状态、是否计及智能停车场无功能力三种情况下电网的电压特性曲线图；

图7示出了根据本发明一个实施例的分布式电源与智能停车场的联合部署装置700的框图；以及

图8示出了根据本发明另一实施例的分布式电源与智能停车场的联合部署装置700的框图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

如图1示例性地示出了包含智能停车场、分布式电源有源配电网的基本部署框架。应当注意的是，图1中分布式电源(Distributed Generation,DG)仅示例性的给出了风电，但同样适用于包含光伏发电、燃气轮机、生物质能发电的***。

在上述有源配电网中，电能既可以从上级电网获得，也可以从内部的DG及智能停车场中获得。DG及智能停车场向电网输送电能，会改变电网中原有的潮流分布，从而改变原有的电压分布和网损，影响电网运行的经济性与安全稳定性。其中，智能停车场的建设对部署区域内的电动汽车起到了整体调度协调的作用，促进EV的动力电池参与到电网的能源调度中来，发挥储能及无功电源的作用。

因此，本发明实施例提供了一种分布式电源和智能停车场联合部署的方案，以充分发挥动力电池同时作为有功电源和无功电源的能力。

如图2，示出了根据本发明一个实施例的分布式电源与智能停车场的联合部署方法200的流程图。参照图2，该方法200始于步骤S210，在步骤S210中，建立第一阶段模型。第一阶段部署的目标为建设年费用OF₁最小，确定第一阶段模型的控制变量包括：表征分布式电源中候选站址及在其候选站址处配置的分布式电源数量的第一向量、表征智能停车场中候选站址及在其候选站址处配置的双向充电桩数量的第二向量。

然后，构建第一阶段的目标函数为：智能停车场及分布式电源场的年建设投资费用(C₁)最小，表达式如下：

minOF₁＝minC₁ (1)

其中，

式中，d为折现率，λ指部署期限中第λ年，Y_pl为总部署年数，分别为第λ年在候选站址i，j处新建双向充电桩、分布式电源的数量，A_csi、A_dwgj分别为在候选站址i，j处新建一个双向充电桩、一个分布式电源的投资费用，Ω_cs为停车场候选站址的集合，Ω_dwg为分布式电源候选站址的集合。

第一阶段模型的约束条件是为：

$s.t.\left\{\begin{array}{c}{S}_{i\_cs}\≤S_{i\_cs.max}\\ S_{j\_dwg}\≤S_{j\_dwg.max}\end{array}\right.---\left(2\right)$

式中，S_{i_cs}、S_{i_cs.max}分别表示候选站址i处智能停车场的建设面积、最大可征用土地面积，S_{j_dwg}、S_{j_dwg.max}分别表示候选站址j处分布式电源场的建设面积、最大可征用土地面积，且i∈Ω_cs，j∈Ω_dwg。

根据本发明的实施例，该方法200还包括构建描述分布式电源与智能停车场运行状态的预想场景集的步骤。其中，预想场景集包括多个预想场景及每个预想场景所对应的发生概率。如图3示出了构建预想场景集的流程，参照图3，具体步骤介绍如下。

在步骤S301中，根据分布式电源对应的资源数据，建立分布式电源的概率模型。

在本发明的实施例中，分布式电源可以包括风力发电、光伏发电、生物质能发电等，其对应的资源数据包括风资源、太阳光照资源、生物质资源的历史统计数据。为了描述简便，下文中所提及的分布式电源仅考虑风力发电，并假设分布式电源只向电网传送有功功率。建立分布式电源的概率模型的过程如下：

风电的输出功率大小主要取决于站点处风速，对于风力资源间歇性的特点，Weibull分布是一种常用的来描述风速的随机行为，通过形状和指标参数，Weibull分布描述了风速等于或小于某一特定值的概率。Weibull分布概念简单，适用于长期部署；然而，概率方法却无法表示风速行为的时间特性。

本实施例中采用建立时间序列随机模型的方式来建立分布式电源的概率模型，收集了华北某地区气象数据中近五年的历史风速数据，将全年的数据按照四个季节来进行处理，计算得到每个季节的一个代表日的风速数据。具体来说，首先将每天的风速数据以小时为时间段划分，取每小时风速的期望值作为该时间段的风速数据，则每天有24个数据；按照每月30天计算，则每个代表日的每小时都有450个数据(5年×30天/月×3个月/季)，计算每小时450个数据的平均值来作为该季节每小时的风速数据，则可以得到该季节代表日24小时的风速数据，称一个代表日为一个风速场景，则四个季节代表日，即四个风速场景出现的概率相同，均为0.25。

需要指出的是，本实施例中是以小时为步长对每天的数据进行划分，但在实际应用中，步长需权衡计算精度与计算工作量来确定。

在上述基础上，利用风速的平均值，并根据式(3)所示的风机输出特性对输出功率进行计算：

$P_{gw}\left(v_{gw}\right)=\left\{\begin{array}{cc}0,& 0\≤v_{gw}\≤v_{ci}\\ P_{rated}\frac{v_{gw}-v_{ci}}{v_r-v_{ci}},& v_{ci}\≤v_{gw}\≤v_r\\ P_{rated},& v_r\≤v_{gw}\≤v_{co}\\ 0,& v_{gw}\≥v_{co}\end{array}\right.---\left(3\right)$

式中，v_ci，v_r，v_co分别为切入风速、额定风速和切出速度，P_gw为风机的输出功率，v_gw为平均风速。

在步骤S302中，根据用户负荷数据，建立传统负荷模型。

传统用户的负荷行为也具有随机性的特点，类似于风速建模，传统负荷需求的波动也可以通过建立上述的时间序列模型来表示。仍然利用该地区近五年的用户负荷数据进行计算，将一天的负荷以小时为步长分为24个时间段，进行去量纲规范化处理，即计算用户每小时的平均负荷与其年度峰值负荷的比值。在此基础上，计算每个季节代表日中每个时间段负荷的平均值，进而生成4个季节代表日的负荷曲线，并以此代表一年内负荷的波动情况。

在步骤S303中，根据传统燃油车辆的出行数据，利用基于出行需求的计算方法建立电动汽车充电负荷模型。

1)分析用户出行行为：

电动汽车充电负荷具有极强的移动性和不确定性的特点，由于家庭乘用EV相关历史数据的缺乏，且假设EV对传统车辆的替代使用不会影响用户出行特征，因此本实施例中采用该地区近五年传统燃油车辆的出行数据，利用基于出行需求的计算方法来对电动汽车充电负荷进行建模。

私家车主要用于车主上下班，停车地点为居民停车场，充电时间较为集中，一般为下班回家后至次日早晨上班之前，停放时间较长，因此能够对其进行常规或者慢速充电。

为计算部署区域内的总充电负荷，首先要对EV每天的出行起始时间、出行结束时间、日行驶里程的随机性进行分析。假设电网不控制电动汽车用户的充电行为，且计及不同单位上、下班时间有所区别，根据交通数据，拟合得到单辆车的出行起始时间、出行结束时间分别服从[9，0.5²]、[19.5，1.5²]的正态分布，日行驶里程满足如下的正态分布：

$f_D\left(x\right)=\frac{1}{a_1{\mathrm{\σ}}_{D1}\sqrt{2\mathrm{\π}}}\exp \[-\frac{{(x-{\mathrm{\μ}}_{D1})}^2}{2{\mathrm{\σ}}_{D1}^2}\]+\frac{1}{a_2{\mathrm{\σ}}_{D2}\sqrt{2\mathrm{\π}}}\exp \[-\frac{{(x-{\mathrm{\μ}}_{D2})}^2}{2{\mathrm{\σ}}_{D2}^2}\]---\left(4\right)$

其中，a₁、a₂、σ_D1、σ_D2分别为电动汽车日行驶里程正态分布函数的系数和标准差，μ_D1＝17.79，μ_D2＝38.35。

2)计算充电负荷：

在分析了EV出行行为的基础上，下面对部署区域内EV的充电负荷进行分析。先将具有相同行驶行为的EV分为一个集群，一个集群内的EV具有相同的出行规律。具体来说，同一个集群中的EV，其出行起始、结束时间与日行驶里程基本相同，波动在一个相当小的范围内。比如，出行起始时间在7:30-7:35，出行结束时间在19:00-19:05，日行驶里程在80-85km的EV，被划分在一个集群，可认为集群中全部EV出行起始、结束时间分别为7:30、19:00，日行驶里程为83km。在实际应用中，集群数目需要根据部署区域内EV发展规模、出行规律、计算精度要求与计算复杂性来权衡决定。假设有p个集群，则模型输出为p个三维向量{v^ev}_3×p，称其为p个场景，且每个向量(场景)v^ev _s’(s’＝1,2,…p)出现的概率为：

$P\left(v_{s^{\′}}^{ev}\right)=N_{s^{\′}}^{ev}/N_{to}^{ev}---\left(5\right)$

式中，分别代表集群s’中EV的数量及整个部署区域内EV的数量。

在步骤S304中，结合上述步骤S301、步骤S302、步骤S303中得出的分布式电源的概率模型、传统负荷模型和电动汽车充电负荷模型，构建描述分布式电源与智能停车场运行状态的预想场景集。

风速、传统负荷水平和电动汽车充电负荷，为本实施例所研究问题的全部不确定性因素。如上文所述，以风力发电为例，风速与传统负荷是按照季节划分为4个运行场景，每个场景出现的概率记为P_sea，其值为P_sea＝0.25；电动汽车充电负荷有p个运行场景，则在部署阶段，共有4×p个可能的运行场景。

假设电动汽车充电负荷与季节因素是不相关的，那么每个情景s出现的概率PR_s如式(6)所示：

${\mathrm{PR}}_s=P_{sea}\·P\left(v_{s^{\′}}^{ev}\right)---\left(6\right)$

如此，就构成了描述分布式电源与智能停车场运行状态的预想场景集。

随后在步骤S220中，建立第二阶段模型。第二阶段部署的目标为年运行费用OF₂最小，包括充电桩双向换流装置年损耗费用、碳排放年费用及网损年费用，其表达式为：

min OF₂＝min(C₂+C₃+C₄) (7)

式中，C₂表示充电桩双向换流装置年损耗费用，C₃表示碳排放年费用，C₄表示网损年费用。具体地：

1)换流装置年损耗费用

电动汽车通过双向AC-DC变换器与电网交换功率时，变换器中的电力电子器件会产生损耗，主要包括二极管和开关管(IGBT)的开断损耗、滤波器损耗及控制***损耗等。

分别考虑电动汽车作为有功负荷、有功电源及无功电源的三种情形，则C₂为：

$C_2=\underset{\mathrm{\λ}=1}{\overset{Y_{pl}}{\Σ}}\left[\begin{array}{c}{\mathrm{\π}}_{e,\mathrm{\λ}}^{Net}\frac{1}{{(1+d)}^{\mathrm{\λ}}}\·\\ \underset{s=1}{\overset{m_s}{\Σ}}{\mathrm{PR}}_s\underset{j\∈{\mathrm{\Ω}}_{cs}}{\Σ}\left[\begin{array}{c}{\mathrm{\μ}}_1{T}_{\mathrm{\λ},s}^{1\max }(1-{\mathrm{\η}}_1)P_s^{cs}\\ +{\mathrm{\μ}}_2{T}_{\mathrm{\λ},s}^{2\max }(1-{\mathrm{\η}}_2)P_s^{cs}\\ +{\mathrm{\μ}}_3{T}_{\mathrm{\λ},s}^{3\max }{\mathrm{\ϵ}}_{re}{P}_s^{cs}\end{array}\right]\end{array}\right]---\left(8\right)$

式中，m_s为运行场景总数目，PR_s为场景s出现的概率(通过上文中方法300得到)，为车主在第λ年充电的电价，μ₁、μ₂、μ₃分别表示充电站作为负荷、有功电源、无功电源时的运行系数，分别表示第λ年在场景s下充电站作为负荷、有功电源、无功电源的年最大利用小时数，η₁、η₂为充电站作为负荷、有功电源时换流***的运行效率，ε_re为充电站作为无功电源时换流***的损耗率(一般其值较小)，表示在场景s下充电站的额定功率。

2)碳排放年费用

$C_3=\underset{\mathrm{\λ}=1}{\overset{Y_{pl}}{\Σ}}\[\frac{1}{{(1+d)}^{\mathrm{\λ}}}\underset{s=1}{\overset{m_s}{\Σ}}{\mathrm{PR}}_s\·{\mathrm{\π}}_{emi,\mathrm{\λ}}{\mathrm{\χ}}_{\mathrm{\λ}}^{gsp}{P}_s^{gsp}\]---\left(9\right)$

式中，π_emi,λ为第λ年CO₂的排放税，为部署期内的第λ年上级输电网的碳排放系数，为场景s下从上级输电网获得的有功功率。

3)网损年费用

电动汽车接入电网充电，会对配电网原有的潮流分布产生影响。根据每个支路的电阻R_br和电抗X_br，通过潮流计算可以求得每个节点电压及注入电流。网损成本可按公式(10)计算：

$C_4=\underset{\mathrm{\λ}=1}{\overset{Y_{pl}}{\Σ}}\[\frac{1}{{(1+d)}^{\mathrm{\λ}}}{\mathrm{\π}}_{e,\mathrm{\λ}}^{Net}(\underset{s=1}{\overset{m_s}{\Σ}}{\mathrm{PR}}_s\·{\mathrm{\μ}}_1{T}_{\mathrm{\λ},s}^{1max}{\mathrm{\ΔP}}_{\mathrm{\λ},s}^{loss})\]---\left(10\right)$

式中，为第λ年在场景s下***内各线路网损之和。

第二阶段模型的控制变量为表征智能停车场中有功及无功功率的第三向量。

第二阶段模型的约束条件为：潮流约束、节点电压幅值约束、馈线最大电流约束、变压器容量约束、分布式电源利用率约束、用户效益成本比约束、电动汽车充放电功率因数约束。下面对每个约束条件进行介绍。

a)潮流约束

每个节点的注入电流取决于所连接DG的类型和容量；流出电流为电动汽车负荷及正常负荷功率之和。假设EV充电时工作在单位功率因数，则电网的潮流约束方程为:

$P_{i,s}^{gsp}+P_{i,s}^{wdg}+P_{i,s}^{pv}-D_{i,s}^{pv}-D_{i,s}=\underset{j\∈\mathrm{\Ω},j\≠i}{\Σ}{U}_{i,s}{U}_{j,s}{Y}_{ij}\×\cos ({\mathrm{\θ}}_{ij}+{\mathrm{\δ}}_{j,s}-{\mathrm{\δ}}_{i,s}),\∀i\∈\mathrm{\Ω}---\left(11\right)$

$Q_{i,s}^{gsp}+Q_{i,s}^{pv}-D_{i,s}^q=-\underset{j\∈\mathrm{\Ω},j\≠i}{\Σ}{U}_{i,s}{U}_{j,s}{Y}_{ij}\×sin({\mathrm{\θ}}_{ij}+{\mathrm{\δ}}_{j,s}-{\mathrm{\δ}}_{i,s}),\∀i\∈\mathrm{\Ω}---\left(12\right)$

b)节点电压幅值约束

U_mini≤U_i≤U_maxi (13)

式中，U_i为各负荷节点电压值，U_mini和U_maxi分别为各节点电压下限和上限值。

c)馈线最大电流约束

I_ij≤I_ijmax (14)

式中，I_ij为节点i和节点j之间馈线电流，I_ijmax为馈线最大运行电流。

d)变压器容量约束

从上级电网注入的功率必须小于变电站变压器的额定容量，并且不允许向上级电网返送功率，如式(15)所示：

$0\≤P_s^{gsp}\≤{\mathrm{Cap}}_{max}---\left(15\right)$

式中，为从上级电网注入的功率，Cap_max为变电站变压器的额定容量。

e)分布式电源(风电)利用率约束

在配网中，当某条线路轻载时，尤其是该线路中断有分布式电源功率注入时，末端电压可能出现越上限的现象。为避免大量DG切机运行，降低部署***的经济性，规定其利用系数，即实际输出功率与装机容量之比，不能低于一定的数值，如下式所示：

$1-\underset{g\∈{\mathrm{\Ω}}_{dwg}}{\Σ}(P_{g,s}^{cur}/P_{g,s})\≥{\mathrm{\α}}_c---\left(16\right)$

式中，为场景s下第g个风机机组的削减功率；P_g,s为场景s下第g个风机的装机容量。

f)用户效益成本比(BCR)约束

定义用户BCR为单位放电量下的售电收益与电池寿命损耗之比，如式(17)所示，为保证用户的利益以确保用户自愿使用停车场对电动汽车充电，BCR的值需大于1。

$BCR=\frac{{\mathrm{\μ}}_2\[{\mathrm{\η}}_2\underset{i=1}{\overset{m_{cs}}{\Σ}}{\mathrm{\π}}_e^{{\mathrm{Net}}^{\′}}{P}_{ch\arg e\_csi}-\underset{j=1}{\overset{m_{br}}{\Σ}}{\mathrm{\π}}_e^{Net}{R}_j{i}_j^2\]}{\mathrm{\ζ}(T^{1\max },T^{2\max },T^{3\max })\frac{C_{bat}}{L\left(D_{DOD}\right)E_s{D}_{DOD}}}\≥1---\left(17\right)$

式中：表示车主卖电电价，i_j表示放电状态下配电网中每个支路的电流，P_{charge_csi}表示第i个停车场的放电功率；ζ(T^1max,T^2max,T^3max)为停车场作为无功电源运行对寿命影响的折算系数，其与停车场的运行状态，即T^1max、T^2max、T^3max的值有关，C_bat为电池购置成本，E_s为电池容量，D_DOD为电池的放电深度，定义为：

D_DOD＝S_SOC1-S_SOC2 (18)

式中，S_SOC1和S_SOC2分别为放电前、后电池的SOC值。

L(D_DOD)为在某D_DOD下的电池循环寿命，由于电池循环寿命与工作方式密切相关，放电深度越大，循环寿命越小，如式(19)所示：

$\begin{array}{cc}L\left(D_{DOD}\right)=2151D_{DOD}^{-2.301}& D_{DOD}\∈\[\mathrm{0.0.9}\]\end{array}---\left(19\right)$

g)电动汽车充放电功率因数约束

按照电动汽车充放电***中功率变换级数来分类，双向充放电机可分为单级式和多级式。单级式尽管结构简单，但是控制复杂，隔离困难，与电池连接处电容大，无法进行电流保护。相反，双级式结构虽然器件数量较多，但能够弥补单级式结构的上述缺点。此外，双级式充放电机能够控制电池的充放电速度，满足电池瞬时充电要求。因此，双级式结构是目前主流的拓扑结构。目前，充放电机一般采用图4所示的双级式V2G(Vehicle-to-Grid)双向变换器结构，其前级为单相PWM整流器，后级为双有源桥(Dual Active Bridge，DAB)高频隔离DC/DC两级结构的变流器拓扑，在提升安全性的同时减小了设备体积。该拓扑DC/DC部分采用移相控制方式，2组全桥间的超前与滞后关系(即移相角的极性)决定了能量的流动方向，移相角的大小决定了输出功率的大小，可用于多种充电方式。

图4中，当考虑换流器与电网交换电流I_c(图中以放电过程为例)一定的条件下，并网点处有功、无功及电压满足式(20)～式(21)所示关系：

$P_s^2+Q_s^2={\left(V_g{I}_c\right)}^2---\left(20\right)$

$P_s^2+{(Q_s+I_c^2{X}_c)}^2={\left(V_c{I}_c\right)}^2---\left(21\right)$

式中，Xc为从动力电池出口到并网点的各级变压器和滤波器总阻抗值，Vc为逆变器端口电压值，式(21)可改写为：

$P_s^2+{(Q_s+\frac{{(V_g-V_c)}^2}{X_c})}^2={\left(\frac{(V_g-V_c)V_g}{X_c}\right)}^2---\left(22\right)$

近似表示：

为： $P_s^2+{(Q_s+\frac{V_g^2}{X_c})}^2={\left(\frac{V_c{V}_g}{X_c}\right)}^2---\left(23\right)$

综合式(20)和(23)可知，当有功功率取值一定时，动力电池与电网交换的无功功率大小与端口电流I_c和端口电压V_g有关，端口电流可表述为：

$I_c=\frac{\sqrt{P_s^2+Q_s^2}}{V_g}---\left(24\right)$

当输出功率取额定值，且并网点端口电压为最小值时，I_c达到最大值：

$I_{c,max}=\frac{\sqrt{P_{sR}^2+Q_{sR}^2}}{V_{g,min}}=\frac{\sqrt{P_{sR}^2+{\left(P_{sR}{\mathrm{tan\θ}}_R\right)}^2}}{V_{g,min}}---\left(25\right)$

式中，I_c,max为端口最大输出电流，V_g,min为并网点最小电压值，P_sR和Q_sR分别为动力电池有功和无功功率额定值，tanθR为额定功率因数。

由式(23)可得：

${\left(\frac{V_c{V}_g}{X_c}\right)}^2=P_s^2+{(P_{s}tan\mathrm{\θ}+\frac{V_g^2}{X_c})}^2---\left(26\right)$

因此，逆变器端口电压V_c同样可表示为：

$V_c=\frac{X_c{P}_s}{V_g}\sqrt{1+{(tan\mathrm{\θ}+\frac{V_g^2}{P_s{X}_c})}^2}---\left(27\right)$

由于X_c与***频率成正相关，因此，当端口电压和***频率均取最大值时，V_c达到最大值，V_c,max可表述为：

$V_{c,max}=\frac{X_{c,\max }{P}_s}{V_{g,max}}\sqrt{1+{(tan\mathrm{\θ}+\frac{V_{g,max}^2}{P_s{X}_{c,max}})}^2}---\left(28\right)$

V_g,max为并网点处最大电压值，f_max为***最大频率值，进一步可得到Q_s的最大调节容量为：

$Q_c=\±\sqrt{{\left(V_g{I}_{c,max}\right)}^2-P_s^2}---\left(29\right)$

$Q_v=\±\sqrt{{\left(\frac{V_{c,max}{V}_g}{X_{c,max}}\right)}^2-P_s^2}-\frac{V_g^2}{X_{c,max}}---\left(30\right)$

Q_s＝min{Q_c,Q_v} (31)

故，停车场并网点处Q_s的最大调节容量如式(29)～(31)所示。

随后在步骤S230中，采用预定算法对第一阶段模型和第二阶段模型进行求解，得到第一向量、第二向量的最优解，将该最优解作为分布式电源和智能停车场的联合部署方案，其中最优解通过对第一阶段模型和第二阶段模型的求解结果进行反复迭代得出，总目标函数如式(32)所示：

$\begin{array}{c}minOF=min({\mathrm{OF}}_1+{\mathrm{OF}}_2)\\ s.t.\left\{\begin{array}{c}G(\·)\\ g(\·)\\ b(\·)\end{array}\right.\end{array}---\left(32\right)$

式中，OF为总目标函数，OF₁、OF₂分别为为第一、第二阶段部署的目标函数，G(·)及g(·)分别代表第一阶段模型和第二阶段模型的不等式约束集合，b(·)则为第二阶段模型的等式约束集合。

式(32)是一个非线性的规划模型，通过求解示(32)得到最终的联合部署方案，一般地，求解式(32)可以采用例如内点法、粒子群算法和遗传算法等算法，本发明实施例对具体的算法不做限制，本领域技术人员可以根据需要合理选择。

可选地，预定算法为遗传算法。遗传算法是一种高度并行、随机和自适应的优化算法，其模拟生物的演化过程，将问题表示成“染色体”的适者生存过程，通过“染色体”群的一代代进化，经过复制、交叉和变异等操作，最终收敛到“最适应环境”的个体，从而求得问题的最优解或近似最优解。遗传算法可以同时使用多个搜索点的搜索信息，具有很好的并行性、通用性，并且其作为一种随机搜索技术，能够寻找到待求解问题的全局最优解。

采用遗传算法求解第一向量、第二向量的过程描述如下。

随机生成第一阶段模型的种群样本作为初始种群。初始种群为根据待安装分布式电源(以风电为例)和电动汽车智能停车场候选站址的个数确定的第一阶段部署的染色体基因个数M，且，M＝M_DWG+M_CS，其中M_DWG、M_CS分别为待安装分布式电源和停车场候选站址的个数，且染色体基因的可选基本字符与各站址处分布式电源和停车场的可选安装容量值一一对应。

计算初始种群各个体在第一阶段模型的目标函数值，并计算初始种群各个体在第二阶段模型的目标函数值，得到初始种群各个体的总目标函数值。

如上所述，第一阶段模型的控制变量包括表征分布式电源中候选站址及在其候选站址处配置的分布式电源数量的第一向量，以及表征智能停车场中候选站址及在其候选站址处配置的双向充电桩数量的第二向量。

第二阶段模型的控制变量为表征智能停车场处有功及无功功率的第三向量。将染色体编码分为控制变量初始值、各时段有功及无功功率的并网值和控制变量运行时段3部分，具体格式为：

式(33)中，X_n为节点n的控制变量，为节点n控制变量的初始值，为节点n控制变量在时段的并网值，为节点n控制变量第k次发生变化的运行时段。

在根据控制变量计算出初始种群的总目标函数值后，根据总目标函数值计算初始种群各个体的适应度，并根据适应度进行选择-交叉-变异-重***遗传操作，生成新的种群。

而后，对新种群重复上述计算总目标函数值的步骤，直至收敛，对应的第一向量和第二向量就是最优解。

至此，根据本发明实施例的分布式电源与智能停车场的联合部署方法200步骤结束。

为证明该方法200的有效性，本文采用IEEE 33节点配网***作为算例进行算例分析，如图5A所示。该***包含居民、商业及工业负荷，分别占***总负荷的23％、67％、10％。***的总峰值负荷为6.7MVA。仿真区域内共有400辆电动汽车，依照动力电池的国家标准，假设私家车使用的锂离子电池额定电压为320V，额定容量100Ah，续航里程为160km；考虑未来充电技术的发展，充电电流为0.2C，电池从零电量充满需要5h，因此常规充电功率为5kW。由于过度的充放电均会缩短动力电池的使用寿命，因此，将动力电池的容量下限设置为0.2，容量上限设置为0.8。***网损电价为0.4元/(kWh)，废气排放费用为0.14元/kg。

采用本实施例的两阶段部署模型对上述配网***中分布式电源与智能停车场进行综合优化部署，所求得的最优部署方案如图5B及表1所示。

表1最优部署方案

表2给出了计及与不计及EV无功能力的两种情形下所选最优部署方案的详细计算结果。

表2不同部署方式下最优部署方案的计算结果

可以看出，在本实施例所研究的轻载配网***中，计及EV无功能力时，分布式电源(风电场)利用率及***年减排期望收益要优于不计及EV无功能力的部署，***年降损期望收益相差相对较小，且***换流装置年损耗费用也相比不计及EV无功能力的情况有了小幅度的改善。这是因为线路轻载时，当有大量分布式电源接入***后，会导致分布式电源接入点及线路末端节点电压有所上升，超过1.0p.u.。EV停车场向电网输送感性无功时，可以改善线路末端电压越上限的情况，从而可以提升分布式电源的利用率，减少***的碳排放。在计及EV的无功能力时，由于需要考虑用户BCR约束，会导致智能停车场作为电源的年最大利用小时数有所降低，这就使得年降损期望收益的增加不太明显。另外，由于放电过程比充电过程换流***的效率稍低，这造成***换流装置年损耗费用基本不变，仅有相当小的改善。综合来看，计及EV无功能力时，总目标函数值OF＝2173830；计及EV无功能力时，总目标函数值OF＝1992310。

需要指出的是，先前关于电动汽车无功能力的研究均没有涉及动力电池的寿命衰减在配电网部署阶段的影响，实际上，动力电池作为一种无功电源，其向电网输送无功的过程中，由于换流装置等存在一定的损耗，实际需要动力电池提供极小的有功功率，动力电池会进行较浅的充放电，因此会对电池的寿命产生一定的损耗。在智能停车场的部署阶段，电池寿命损耗造成的费用是由EV用户而不是电网承担。实际应用中，为保证智能停车场能够吸引部署区域内的电动汽车进站接受服务，必须对EV用户的利益存在一定的保障，即调度用户所拥有EV参与电网能源调度时，需保证其售电收益大于电池寿命损耗带来的损失。为保证上述合理性，在本实施例的模型中，电池寿命损耗费用没有包含在第二阶段的目标函数中，而是体现在用户BCR约束中。

当不考虑用户BCR约束时，总目标函数值OF＝1883710，表2中各项值依次为29.77％、339910元、714910元、8012元。可以看出，在不考虑用户利益的情况下，各项值都有所降低。这是因为在这种情况下，智能停车场在满足区域充电负荷需求的情况下，可以在其容量限制范围内根据电网需求发送所需的有功和无功功率，这必然会使得电网的运行情况更优，但这并不符合电网实际运行的合理性。

此外，在EV向电网输送无功功率的情况下，***中各节点的电压质量得到了极大的改善，图6示出了未安装分布式电源及停车场时原始状态、是否计及智能停车场无功能力三种情况下电网的电压特性曲线。由于本实施例所研究的***各线路均为轻载线路，在分布式电源和停车场部署前，电压并没有出现越上下限的情况，但在安装风电场和仅有V2G能力的停车场后，其附近节点电压会上升，为满足节点电压上限约束，部署时风电容量会受到限制。在控制停车场向电网输送感性无功后，节点电压有所下降，且风电的利用率有所上升。本实施例所提模型方法也可用于重载***中DG与EV充电设施的联合部署，在重载***中，末端节点电压可能会出现越下限的情况，这时可以调节换流装置的触发脉冲，使得动力电池向电网输送容性无功，从而可以将末端节点电压提升至约束范围内，保证所供电的电能质量。

通过上述算例结果及分析可以发现，根据本发明的分布式电源与智能停车场的联合部署方案，充分发挥了动力电池同时作为有功电源和无功电源的能力，在保证电压质量及电网运行经济性的基础上，促进可再生能源的消纳，实现了环境、电网公司、EV用户的最有效益。

同时，本方案在部署模型中考虑了动力电池寿命损耗造成的费用，即计及了EV用户参与电网调度的利益与损失，虽然这造成第二阶段部署的经济效益和***电压质量略差，但这更符合电网的实际运行调度，更具有合理性。

对应于方法200，图7示出了根据本发明一个实施例的分布式电源与智能停车场的联合部署装置700的框图。该装置700包括：第一模型建立单元710、第二模型建立单元720和计算单元730。

第一模型建立单元710适于建立第一阶段模型，其控制变量包括表征分布式电源中候选站址及在其候选站址处配置的分布式电源数量的第一向量，以及表征智能停车场中候选站址及在其候选站址处配置的双向充电桩数量的第二向量，其目标函数为minOF₁＝minC₁，其中，C₁表示智能停车场及分布式电源的年建设投资费用。对于C₁的具体描述以及约束条件参见上文中基于图2的描述，此处不再赘述。

第二模型建立单元720适于建立第二阶段模型，其控制变量包括表征智能停车场中有功及无功功率的第三向量，其目标函数为minOF₂＝min(C₂+C₃+C₄)，其中，C₂表示充电桩双向换流装置年损耗费用，C₃表示碳排放年费用，C₄表示网损年费用。对于目标函数中各参数的具体描述以及约束条件同样参见上文中基于图2的描述，此处不再赘述。

根据一种实现方式，该装置700还包括场景构建单元740，如图8所示。场景构建单元740适于构建描述分布式电源与智能停车场运行状态的预想场景集，其中预想场景集包括多个预想场景及每个预想场景对应的发生概率。场景构建单元740包括：第一建模子单元742、第二建模子单元744、第三建模子单元746和构建子单元748。

其中，第一建模子单元742适于根据分布式电源对应的资源数据，建立分布式电源的概率模型；第二建模子单元744适于根据用户负荷数据，建立传统负荷模型；第三建模子单元746适于根据传统燃油车辆的出行数据，利用基于出行需求的计算方法建立电动汽车充电负荷模型；构建子单元748适于结合分布式电源的概率模型、传统负荷模型和电动汽车充电负荷模型，构建描述分布式电源与智能停车场运行状态的预想场景集。

可选地，分布式电源包括风力发电、光伏发电、生物质能发电，对应的资源数据包括风资源、太阳光照资源、生物质资源的历史统计数据。

计算单元730适于采用预定算法(例如，遗传算法)对第一阶段模型和第二阶段模型进行求解，得到第一向量、第二向量的最优解，将该最优解作为分布式电源和智能停车场的联合部署方案，其中最优解通过对第一阶段模型和第二阶段模型的求解结果进行反复迭代得出，总目标函数为minOF＝min(OF₁+OF₂)。

根据本发明的实施例，将计算单元730分为：种群子单元732和计算子单元734，如图8所示。

种群子单元732适于随机生成第一阶段模型的种群样本作为初始种群。计算子单元734适于计算初始种群各个体在第一阶段模型的目标函数值，并计算初始种群各个体在第二阶段模型的目标函数值，得到初始种群各个体的总目标函数值。种群子单元732还适于根据总目标函数值计算初始种群各个体的适应度，并根据适应度进行选择-交叉-变异-重***遗传操作，生成新种群。接着计算子单元还适于对新种群计算总目标函数值。种群子单元732和计算子单元734重复执行上述步骤，直至收敛，对应求解的第一向量和第二向量就是最优解。

关于计算单元730具体求解过程，可参见上文中基于图2的描述，此处不再赘述。

应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

本领域那些技术人员应当理解在本文所公开的示例中的设备的模块或单元或组件可以布置在如该实施例中所描述的设备中，或者可替换地可以定位在与该示例中的设备不同的一个或多个设备中。前述示例中的模块可以组合为一个模块或者此外可以分成多个子模块。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

本发明还公开了：

A6、如A5所述的方法，其中，第一阶段模型的约束条件为：

$s.t.\left\{\begin{array}{c}{S}_{i\_cs}\≤S_{i\_cs.max}\\ S_{j\_dwg}\≤S_{j\_dwg.max}\end{array}\right.$

其中，S_{i_cs}、S_{i_cs.max}分别表示候选站址i处智能停车场的建设面积、最大可征用土地面积，S_{j_dwg}、S_{j_dwg.max}分别表示候选站址j处分布式电源场的建设面积、最大可征用土地面积，且i∈Ω_cs，_j∈Ω_dwg。

A7、如A5所述的方法，其中，第二阶段模型的目标函数中，

$C_2=\underset{\mathrm{\λ}=1}{\overset{Y_{pl}}{\Σ}}\left[\begin{array}{c}{\mathrm{\π}}_{e,\mathrm{\λ}}^{Net}\frac{1}{{(1+d)}^{\mathrm{\λ}}}\·\\ \underset{s=1}{\overset{m_s}{\Σ}}{\mathrm{PR}}_s\underset{j\∈{\mathrm{\Ω}}_{cs}}{\Σ}\left[\begin{array}{c}{\mathrm{\μ}}_1{T}_{\mathrm{\λ},s}^{1\max }(1-{\mathrm{\η}}_1)P_s^{cs}\\ +{\mathrm{\μ}}_2{T}_{\mathrm{\λ},s}^{2\max }(1-{\mathrm{\η}}_2)P_s^{cs}\\ +{\mathrm{\μ}}_3{T}_{\mathrm{\λ},s}^{3\max }{\mathrm{\ϵ}}_{re}{P}_s^{cs}\end{array}\right]\end{array}\right],$

式中，m_s为运行场景总数目，PR_s为场景s出现的概率，为车主在第λ年充电的电价，μ₁、μ₂、μ₃分别表示充电站作为负荷、有功电源、无功电源时的运行系数，分别表示第λ年在场景s下充电站作为负荷、有功电源、无功电源的年最大利用小时数，η₁、η₂为充电站作为负荷、有功电源时换流***的运行效率，ε_re为充电站作为无功电源时换流***的损耗率，表示在场景s下充电站的额定功率；

$C_3=\underset{\mathrm{\λ}=1}{\overset{Y_{pl}}{\Σ}}\[\frac{1}{{(1+d)}^{\mathrm{\λ}}}\underset{s=1}{\overset{m_s}{\Σ}}{\mathrm{PR}}_s\·{\mathrm{\π}}_{emi,\mathrm{\λ}}{\mathrm{\χ}}_{\mathrm{\λ}}^{gsp}{P}_s^{gsp}\],$

式中，π_emi,λ为第λ年CO₂的排放税，为部署期内的第λ年上级输电网的碳排放系数，为场景s下从上级输电网获得的有功功率；以及

$C_4=\underset{\mathrm{\λ}=1}{\overset{Y_{pl}}{\Σ}}\[\frac{1}{{(1+d)}^{\mathrm{\λ}}}{\mathrm{\π}}_{e,\mathrm{\λ}}^{Net}(\underset{s=1}{\overset{m_s}{\Σ}}{\mathrm{PR}}_s\·{\mathrm{\μ}}_1{T}_{\mathrm{\λ},s}^{1max}{\mathrm{\ΔP}}_{\mathrm{\λ},s}^{loss})\],$

式中，为第λ年在场景s下***内各线路网损之和。

A8、如A7所述的方法，其中，第二阶段模型的约束条件包括如下的一个或多个：潮流约束、节点电压幅值约束、馈线最大电流约束、变压器容量约束、分布式电源利用率约束、用户效益成本比约束、电动汽车充放电功率因数约束。

A9、如A1-8中任一项所述的方法，其中，预定算法为遗传算法。

A10、如A9所述的方法，其中，采用预定算法对第一阶段模型和第二阶段模型进行求解，得到第一向量、第二向量的最优解的步骤包括：

随机生成所述第一阶段模型的种群样本作为初始种群；计算初始种群各个体在第一阶段模型的目标函数值，并计算初始种群各个体在第二阶段模型的目标函数值，得到初始种群各个体的总目标函数值；根据总目标函数值计算初始种群各个体的适应度，并根据适应度进行选择-交叉-变异-重***遗传操作，生成新种群；以及对新种群重复上述计算总目标函数值的步骤，直至收敛，对应的第一向量和第二向量就是最优解。

B16、如B15所述的装置，其中，第一阶段模型的约束条件为：

$s.t.\left\{\begin{array}{c}{S}_{i\_cs}\≤S_{i\_cs.max}\\ S_{j\_dwg}\≤S_{j\_dwg.max}\end{array}\right.$

其中，S_{i_cs}、S_{i_cs.max}分别表示候选站址i处智能停车场的建设面积、最大可征用土地面积，S_{j_dwg}、S_{j_dwg.max}分别表示候选站址j处分布式电源场的建设面积、最大可征用土地面积，且i∈Ω_cs，j∈Ω_dwg。

B17、如B15所述的装置，其中，第二阶段模型的目标函数中，

$C_2=\underset{\mathrm{\λ}=1}{\overset{Y_{pl}}{\Σ}}\left[\begin{array}{c}{\mathrm{\π}}_{e,\mathrm{\λ}}^{Net}\frac{1}{{(1+d)}^{\mathrm{\λ}}}\·\\ \underset{s=1}{\overset{m_s}{\Σ}}{\mathrm{PR}}_s\underset{j\∈{\mathrm{\Ω}}_{cs}}{\Σ}\left[\begin{array}{c}{\mathrm{\μ}}_1{T}_{\mathrm{\λ},s}^{1\max }(1-{\mathrm{\η}}_1)P_s^{cs}\\ +{\mathrm{\μ}}_2{T}_{\mathrm{\λ},s}^{2\max }(1-{\mathrm{\η}}_2)P_s^{cs}\\ +{\mathrm{\μ}}_3{T}_{\mathrm{\λ},s}^{3\max }{\mathrm{\ϵ}}_{re}{P}_s^{cs}\end{array}\right]\end{array}\right],$

式中，m_s为运行场景总数目，PR_s为场景s出现的概率，为车主在第λ年充电的电价，μ₁、μ₂、μ₃分别表示充电站作为负荷、有功电源、无功电源时的运行系数，分别表示第λ年在场景s下充电站作为负荷、有功电源、无功电源的年最大利用小时数，η₁、η₂为充电站作为负荷、有功电源时换流***的运行效率，ε_re为充电站作为无功电源时换流***的损耗率，表示在场景s下充电站的额定功率；

$C_3=\underset{\mathrm{\λ}=1}{\overset{Y_{pl}}{\Σ}}\[\frac{1}{{(1+d)}^{\mathrm{\λ}}}\underset{s=1}{\overset{m_s}{\Σ}}{\mathrm{PR}}_s\·{\mathrm{\π}}_{emi,\mathrm{\λ}}{\mathrm{\χ}}_{\mathrm{\λ}}^{gsp}{P}_s^{gsp}\],$

式中，π_emi,λ为第λ年CO₂的排放税，为部署期内的第λ年上级输电网的碳排放系数，为场景s下从上级输电网获得的有功功率；以及

$C_4=\underset{\mathrm{\λ}=1}{\overset{Y_{pl}}{\Σ}}\[\frac{1}{{(1+d)}^{\mathrm{\λ}}}{\mathrm{\π}}_{e,\mathrm{\λ}}^{Net}(\underset{s=1}{\overset{m_s}{\Σ}}{\mathrm{PR}}_s\·{\mathrm{\μ}}_1{T}_{\mathrm{\λ},s}^{1max}{\mathrm{\ΔP}}_{\mathrm{\λ},s}^{loss})\],$

式中，为第λ年在场景s下***内各线路网损之和。

B18、如B17所述的装置，其中，第二阶段模型的约束条件包括如下的一个或多个：潮流约束、节点电压幅值约束、馈线最大电流约束、变压器容量约束、分布式电源利用率约束、用户效益成本比约束、电动汽车充放电功率因数约束。

B19、如B11-18中任一项所述的装置，其中，预定算法为遗传算法。

B20、如B19所述的装置，其中，计算单元包括：

种群子单元，适于随机生成所述第一阶段模型的种群样本作为初始种群；计算子单元，适于计算初始种群各个体在第一阶段模型的目标函数值，并计算初始种群各个体在第二阶段模型的目标函数值，得到初始种群各个体的总目标函数值；种群子单元还适于根据总目标函数值计算初始种群各个体的适应度，并根据适应度进行选择-交叉-变异-重***遗传操作，生成新种群；计算子单元还适于对所述新种群计算总目标函数值；以及种群子单元和所述计算子单元适于重复执行上述步骤，直至收敛，对应求解的第一向量和第二向量就是最优解。

此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

此外，所述实施例中的一些在此被描述成可以由计算机***的处理器或者由执行所述功能的其它装置实施的方法或方法元素的组合。因此，具有用于实施所述方法或方法元素的必要指令的处理器形成用于实施该方法或方法元素的装置。此外，装置实施例的在此所述的元素是如下装置的例子：该装置用于实施由为了实施该发明的目的的元素所执行的功能。

如在此所使用的那样，除非另行规定，使用序数词“第一”、“第二”、“第三”等等来描述普通对象仅仅表示涉及类似对象的不同实例，并且并不意图暗示这样被描述的对象必须具有时间上、空间上、排序方面或者以任意其它方式的给定顺序。

尽管根据有限数量的实施例描述了本发明，但是受益于上面的描述，本技术领域内的技术人员明白，在由此描述的本发明的范围内，可以设想其它实施例。此外，应当注意，本说明书中使用的语言主要是为了可读性和教导的目的而选择的，而不是为了解释或者限定本发明的主题而选择的。因此，在不偏离所附权利要求书的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。对于本发明的范围，对本发明所做的公开是说明性的，而非限制性的，本发明的范围由所附权利要求书限定。

Claims (10)

1.一种分布式电源与智能停车场的联合部署方法，包括步骤：

建立第一阶段模型，其控制变量包括表征分布式电源中候选站址及在其候选站址处配置的分布式电源数量的第一向量，以及表征智能停车场中候选站址及在其候选站址处配置的双向充电桩数量的第二向量，其目标函数为minOF₁＝minC₁，其中，C₁表示智能停车场及分布式电源的年建设投资费用；

建立第二阶段模型，其控制变量是表征智能停车场中有功及无功功率的第三向量，其目标函数为minOF₂＝min(C₂+C₃+C₄)，其中，C₂表示充电桩双向换流装置年损耗费用，C₃表示碳排放年费用，C₄表示网损年费用；以及

采用预定算法对所述第一阶段模型和所述第二阶段模型进行求解，得到所述第一向量、第二向量的最优解，将该最优解作为分布式电源和智能停车场的联合部署方案，其中所述最优解通过对第一阶段模型和第二阶段模型的求解结果进行反复迭代得出，总目标函数为minOF＝min(OF₁+OF₂)。

2.如权利要求1所述的方法，还包括步骤：

构建描述分布式电源与智能停车场运行状态的预想场景集，其中所述预想场景集包括多个预想场景及每个预想场景对应的发生概率。

3.如权利要求2所述的方法，其中，构建预想场景集的步骤包括：

根据分布式电源对应的资源数据，建立分布式电源的概率模型；

根据用户负荷数据，建立传统负荷模型；

根据传统燃油车辆的出行数据，利用基于出行需求的计算方法建立电动汽车充电负荷模型；以及

结合分布式电源的概率模型、传统负荷模型和电动汽车充电负荷模型，构建描述分布式电源与智能停车场运行状态的预想场景集。

4.如权利要求3所述的方法，其中，

所述分布式电源包括风力发电、光伏发电、生物质能发电，对应的资源数据包括风资源、太阳光照资源、生物质资源的历史统计数据。

5.如权利要求1-4中任一项所述的方法，其中，所述第一阶段模型的目标函数中，

$C_1=\underset{\mathrm{\λ}=1}{\overset{Y_{pl}}{\Σ}}\frac{1}{{(1+d)}^{\mathrm{\λ}}}\[\underset{i\∈{\mathrm{\Ω}}_{cs}}{\Σ}{A}_{cs}{n}_{i,\mathrm{\λ}}^{cs}+\underset{j\∈{\mathrm{\Ω}}_{dwg}}{\Σ}{A}_{dwg}{n}_{j,\mathrm{\λ}}^{dwg}\],$

其中，d为折现率，λ指部署期限中第λ年，Y_pl为总部署年数，分别为第λ年在候选站址i，j处新建双向充电桩、分布式电源的数量，A_csi、A_dwgj分别为在候选站址i，j处新建一个双向充电桩、一个分布式电源的投资费用，Ω_cs为停车场候选站址的集合，Ω_dwg为分布式电源候选站址的集合。

6.一种分布式电源与智能停车场的联合部署装置，所述装置包括：

第一模型建立单元，适于建立第一阶段模型，其控制变量包括表征分布式电源中候选站址及在其候选站址处配置的分布式电源数量的第一向量，以及表征智能停车场中候选站址及在其候选站址处配置的双向充电桩数量的第二向量，其目标函数为minOF₁＝minC₁，其中，C₁表示智能停车场及分布式电源的年建设投资费用；

第二模型建立单元，适于建立第二阶段模型，其控制变量包括表征智能停车场中有功及无功功率的第三向量，其目标函数为minOF₂＝min(C₂+C₃+C₄)，其中，C₂表示充电桩双向换流装置年损耗费用，C₃表示碳排放年费用，C₄表示网损年费用；以及

计算单元，适于采用预定算法对所述第一阶段模型和所述第二阶段模型进行求解，得到所述第一向量、第二向量的最优解，将该最优解作为分布式电源和智能停车场的联合部署方案，其中所述最优解通过对第一阶段模型和第二阶段模型的求解结果进行反复迭代得出，总目标函数为minOF＝min(OF₁+OF₂)。

7.如权利要求6所述的装置，还包括：

场景构建单元，适于构建描述分布式电源与智能停车场运行状态的预想场景集，其中所述预想场景集包括多个预想场景及每个预想场景对应的发生概率。

8.如权利要求7所述的装置，其中，所述场景构建单元包括：

第一建模子单元，适于根据分布式电源对应的资源数据，建立分布式电源的概率模型；

第二建模子单元，适于根据用户负荷数据，建立传统负荷模型；

第三建模子单元，适于根据传统燃油车辆的出行数据，利用基于出行需求的计算方法建立电动汽车充电负荷模型；以及

构建子单元，适于结合分布式电源的概率模型、传统负荷模型和电动汽车充电负荷模型，构建描述分布式电源与智能停车场运行状态的预想场景集。

9.如权利要求8所述的装置，其中，所述分布式电源包括风力发电、光伏发电、生物质能发电，对应的资源数据包括风资源、太阳光照资源、生物质资源的历史统计数据。

10.如权利要求6-9中任一项所述的装置，其中，所述第一阶段模型的目标函数中，

$C_1=\underset{\mathrm{\λ}=1}{\overset{Y_{pl}}{\Σ}}\frac{1}{{(1+d)}^{\mathrm{\λ}}}\[\underset{i\∈{\mathrm{\Ω}}_{cs}}{\Σ}{A}_{cs}{n}_{i,\mathrm{\λ}}^{cs}+\underset{i\∈{\mathrm{\Ω}}_{dwg}}{\Σ}{A}_{wdg}{n}_{j,\mathrm{\λ}}^{dwg}\],$

其中，d为折现率，λ指部署期限中第λ年，Y_pl为总部署年数，分别为第λ年在候选站址i，j处新建双向充电桩、分布式电源的数量，A_csi、A_dwgj分别为在候选站址i，j处新建一个双向充电桩、一个分布式电源的投资费用，Ω_cs为停车场候选站址的集合，Ω_dwg为分布式电源候选站址的集合。