CN110224395A - 计及dg相关性和ev需求响应的配电网协同规划方法 - Google Patents
计及dg相关性和ev需求响应的配电网协同规划方法 Download PDFInfo
- Publication number
- CN110224395A CN110224395A CN201910466841.4A CN201910466841A CN110224395A CN 110224395 A CN110224395 A CN 110224395A CN 201910466841 A CN201910466841 A CN 201910466841A CN 110224395 A CN110224395 A CN 110224395A
- Authority
- CN
- China
- Prior art keywords
- charging station
- power
- node
- correlation
- formula
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000009826 distribution Methods 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 29
- 239000010410 layer Substances 0.000 claims abstract description 85
- 230000005611 electricity Effects 0.000 claims abstract description 35
- 238000005286 illumination Methods 0.000 claims abstract description 32
- 238000010586 diagram Methods 0.000 claims abstract description 18
- 230000002596 correlated effect Effects 0.000 claims abstract description 12
- 238000000342 Monte Carlo simulation Methods 0.000 claims abstract description 6
- 238000005070 sampling Methods 0.000 claims abstract description 6
- 238000010304 firing Methods 0.000 claims abstract description 4
- 239000002356 single layer Substances 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 70
- 230000000875 corresponding effect Effects 0.000 claims description 21
- 238000005315 distribution function Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000001186 cumulative effect Effects 0.000 claims description 9
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 238000007599 discharging Methods 0.000 claims description 6
- 238000011084 recovery Methods 0.000 claims description 5
- 230000001131 transforming effect Effects 0.000 claims description 4
- 239000013256 coordination polymer Substances 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 238000009434 installation Methods 0.000 claims 1
- 239000004744 fabric Substances 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 230000005684 electric field Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 1
- 240000002853 Nelumbo nucifera Species 0.000 description 1
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 230000002040 relaxant effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/04—Circuit arrangements for ac mains or ac distribution networks for connecting networks of the same frequency but supplied from different sources
- H02J3/06—Controlling transfer of power between connected networks; Controlling sharing of load between connected networks
-
- H02J3/383—
-
- H02J3/386—
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
- Y02E10/56—Power conversion systems, e.g. maximum power point trackers
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/76—Power conversion electric or electronic aspects
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了计及DG相关性和EV需求响应的配电网协同规划方法,采用蒙特卡洛随机抽样法和风速光照概率分布模型生成风光独立正态分布样本,应用改进相关矩阵法转换为相关样本从而计算风光输出功率;建立多目标双层混合整数线性规划模型,规划层对风机、光伏和充电桩进行选址定容,运行层基于罚函数的思想考虑购电、网损、负荷波动惩罚和弃电惩罚等成本最低,并将投资、DG出力、潮流和EV充放电价等以线性约束表示;应用Voronoi图对路网***进行分区得到EV充电站的服务范围以确定EV响应的上限量;统一双层模型的时间尺度将其转化为单层进行求解以获得对风机、光伏和充电站的规划结果。
Description
技术领域
本发明属于城市配电网规划技术领域,具体涉及一种计及DG相关性和EV需求响应的配电网协同规划方法。
背景技术
在绿色发展的推动下,风机、光伏和电动汽车的渗透率以及配网用电量与日俱增,负荷峰谷随之增大导致电力***的经济性下降造成资源浪费。而风机、光伏出力易受环境因素的影响,具有很强的随机性、时序性,且不同区域的风机、光伏出力具有相关性,同时电动汽车有序充放电具有削峰填谷、促进新能源消纳等作用,因此在城市配电网规划时计及风机和光伏节点间的相关性并考虑EV充放电需求响应应对降低复合峰谷差距有重要的意义。
发明内容
针对现有技术中的上述不足,本发明提供的计及DG相关性和EV需求响应的配电网协同规划方法解决了现有的城市配电网负荷峰谷差过大的问题。
为了达到上述发明目的,本发明采用的技术方案为:计及DG相关性和EV需求响应的配电网协同规划方法,包括以下步骤:
S1、生成风光独立正态分布样本矩阵,并根据其计算出风光输出功率概率模型;
S2、通过Voronoi图对路网***进行分区得到EV充电站的相关参数;
其中,EV充电站的相关参数包括EV充电站的服务范围及其充放电上下限;
S3、根据风光输出功率概率模型和EV充电站的相关参数,建立多目标双层混合整数线性规划模型;
S4、对多目标双层混合整数线性规划模型在时间尺度上进行统一,将其转化为单层模型并对其进行求解,获得配电网协同规划结果。
进一步地,所述步骤S1具体为:
S11、获得基础数据,并根据其计算风光相关系数矩阵ρm;
其中,基础数据包括风速和光照强度的模型参数、各风机和光伏候选安装节点的相关系数;
风光相关系数矩阵ρm包括风速相关系数矩阵和光照强度相关系数矩阵
S12、通过平方根法将相关系数矩阵ρm分解为三角矩阵A和AT的乘积;
其中,相关系数矩阵ρm分解的通用公式为:
式中,
ρm1n为相关系数矩阵ρm中第1行第n列的元素;
ρmn1为相关系数矩阵ρm中第n行第1列的元素;
S13、基于分解后的相关系数矩阵ρm,通过蒙特卡洛随机抽样法生成风光独立正态分布样本矩阵Y;
其中,风光独立正态分布样本矩阵Y包括风速的独立正态分布样本矩阵YWTG和光照强度的独立正态分布样本矩阵YPVG;
S14、将风光独立正态分布样本矩阵Y转换成满足相关系数矩阵ρm的相关样本矩阵M;
其中,相关样本矩阵M的计算公式为:
M=AY
式中,A为三角矩阵;
S15、将相关样本矩阵M转换为服从不同指定分布且具有相关性的光照强度样本和风速样本;
式中,Φ(mi)为mi的标准正态累积分布函数,mi为相关样本矩阵M中样本;
F(xi)为xi的累积分布函数;
xi为具有相关性的n个候选节点服从贝塔分布的光照强度变量(或服从威布尔分布的风速变量)组成的向量X=(x1,x2,…,xn)的元素;
S16、根据光照强度样本和风速样本,确定风光输出功率概率模型;
其中,风光输出功率概率模型包括风机输出功率概率模型和光伏输出功率概率模型。
进一步地,所述步骤S11中:
风速相关系数矩阵和光照强度相关系数矩阵中相关系数的通用计算公式为:
式中,ρxij为xi和xj的相关系数,xi,xj∈X,X=(x1,x2,...,xn0),X为具有相关性的n0个候选节点服从Beta分布的光照强度变量或服从Weibull分布的风速变量;
为标准正态分布随机变量的联合密度函数;
σi,σj分别为向量Xi和Xj的标准差;
F-1(·)为光照强度、风速和负荷在各自所服从的分布函数下累积分布函数F(·)的逆函数;
Φ(·)为标准正态累积分布函数;
μi,μj分别为向量Xi和Xj的均值;
mi,mj均为标准正态分布随机向量M=(m1,m2,…,mn)的元素;
进一步地,所述步骤S16中:
所述风机输出功率概率模型f(PWTG)为::
式中,exp(·)为指数函数;
PWTG为风机的输出功率;
vrate为风机的额定风速;
vin为风机的切入风速;
Prate为风机组的额定功率;
c为Weibull分布尺度参数;
k为Weibull分布形状参数;
所述光伏输出功率概率模型为:
式中,Γ(·)为Gamma函数;
α和β为Beta分布的形状参数;
PPVG为光伏的输出功率;
为最大光照强度对应的最大输出功率。
进一步地,其特征在于,所述步骤S2具体为:
S21、根据路网***中的n1个EV充电站候选节点位置,通过Voronoi图划分对应EV充电站的服务范围;
记Lj为EV充电站候选节点的位置坐标,点Lj的Voronoi图服务范围划分的计算公式为:
式中,
Vn(Lj)为EV充电站候选节点Lj的Voronoi图服务范围;
L为EV充电站候选节点的位置变量;
d(L,Lj)为L到Lj的欧几里得距离;
d(L,Lj')为L到Lj'的欧几里得距离;
为EV充电站的候选节点集合;
S22、根据每个EV充电站所服务范围内EV车流量以及EV出行特性和充电容量进行蒙特卡洛随机抽取,获取参与需求响应的EV充放电上下限。
进一步地,其特征在于,所述步骤S3中的多目标双层混合整数线性规划模型包括上层的投资决策层和下层的模拟运行层;
其中,投资决策层用于对风机、光伏和EV充电站进行选址定容;
模拟运行层在投资决策层确定风机、光伏和EV充电站的位置和数量后仿真模拟其在配电网中的运行,并对配网的主网购电成本、线损成本、V2G成本、DG弃电惩罚和负荷波动惩罚进行计算。
进一步地,其特征在于,所述多目标双层混合整数线性规划模型为:
式中,F(·)为投资层目标函数;
f(·)为运行层目标函数;
xinv为上层投资决策变量;
xope为下层模拟运行变量;
CINV为上层投资决策层的综合投资成本;
COPE为下层模拟运行层的综合运行成本;
其中,上层投资决策层的综合投资成本CINV为:
式中,κ为年度投资等效系数;
ξ∈{WTG,PVG}为风机和光伏的设备类型;
cξ为电网中设备ξ的DG单位投资价格;
为电网中节点j中设备ξ的DG数量;
Gξ和GCS分别表示DG和充电站候选投资节点集合;
cCP为充电站的单位投资价格;
为电网中节点j的充电站数量;
κξ为电网中风机和光伏的设备的年度投资等效系数;
κCS为电网中充电站的年度投资系数;
下层模拟运行层的综合运行成本COPE为:
COpe=CPur+CLoss+CV2G+CDG+CLoadGap
式中,CPur为主网购电成本;
CLoss为线损成本;
CV2G为V2G成本;
CDG为DG弃电惩罚;
CLoadGap为负荷波动惩罚。
进一步地,所述多目标双层混合整数线性规划模型的约束条件包括投资约束、风机和光伏的出力约束、潮流约束、电网安全约束、EV充电站约束和引导电价约束;
其中,所述投资约束为:
式中,
Gξ为DG候选投资节点集合;
GCP为充电桩候选投资节点集合;为DG投资数量;
为DG投资数量上限;
为EV充电站投资数量;
为EV充电站投资数量上限;所述风机和光伏的出力约束为:
式中,
T为所有时段的集合;
为风机和光伏的实际出力值;
为风机和光伏的预测出力值;潮流约束包括为:
式中,
E为电网***中所有支路的集合;k为电网的节点;
j为电网中某条支路的起始节点,Ω(j)为以j为起始节点对应的终点所在的集合;当以j为支路的终点时,Λ(j)为以j为终点对应的起始节点所在的集合;
Pjk,t为由节点i和节点j组成的支路对应的有功功率;
为由节点i和节点j组成的支路的电流的平方;
rij为由节点i和节点j组成的支路电阻;
GEV为EV充电站放电量;
为EV充电站放电量;
为DG的实际出力;
为节点j在t时刻的电压的平方;
为节点i在t时刻的电压的平方;
Pij,t为支路ij在t时刻的有功功率;
Qij,t为由节点i和节点j组成的支路对应的无功功率;
xij为由节点i和节点j组成的支路的电抗;
t为电网运行的时刻;
T为所有时段的集合;
GLoad为负荷节点集合;
||·||2为2范数矩阵;
所述电网安全约束为:
式中,GE为电网***中所有节点的集合;
为节点电压幅值下限;
为节点电压幅值上限;
Uj,t为节点电压幅值;
Iij,t为节点电流幅值;
节点电流幅值上限;
所述EV充电站约束为:
式中,和分别为EV充电站充电和放电的0-1变量;为参与需求响应的EV充电站的充电量;
为参与需求响应的EV充电站的放电量;
为参与需求响应的EV充电站可充电总容量上限;
为参与需求响应的EV充电站可放电总容量上限;
为EV充电站j的充电站的数量;
PCP为EV充电站的额定充放电功率;
ηcha为EV充电站的充电效率;
ηdis为EV充电站的放电效率;
所述引导电价约束为:
式中,和σEV为充放电价波动的上下限比例;
为EV充电站的充放电基础电价;
为EV充电站的充电引导价格;
为V2G动态电价;
为负荷电量需求:
PAve为***的负荷均值。
进一步地,所述步骤S4中,多目标双层混合整数线性规划模型在时间尺度上进行统一时的计算公式为:
min F=CINV+ω·COPE
式中,ω为转化因子。
本发明的有益效果是:在本发明中,基于蒙特卡洛随机抽样法和风速光照概率分布模型生成风光独立正态分布样本,并应用改进相关矩阵法转换为相关样本从而计算风光出力,更符合现实中各个分布式新能源电厂的实际情况;应用Voronoi图对路网***进行分区得到EV充电站的服务范围以确定EV响应的上限量,对充电站的服务范围进行分区可以更准确的估算电动汽车响应量;建立的多目标双层混合整数线性规划模型中考虑购电、网损、负荷波动惩罚和弃电惩罚等成本,在规划时可以有效的减少上级电网购电量、降低网络电能损耗、限制负荷波动、充分利用风光资源发电;约束条件将投资、DG出力、潮流和EV充放电价等以线性约束表示,以及统一双层模型的时间尺度将其转化为单层,减少了求解规划结果的时间。
附图说明
图1为本发明中计及DG相关性和EV需求响应的配电网协同规划方法实现流程图。
图2为本发明提供的实施例中配电网场景示意图。
图3为本发明提供的实施例中配电网规划结果示意图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
如图1所示,计及DG相关性和EV需求响应的配电网协同规划方法,包括以下步骤:
S1、生成风光独立正态分布样本矩阵,并根据其计算出风光输出功率概率模型;
S2、通过Voronoi图对路网***进行分区得到EV充电站的相关参数;
其中,EV充电站的相关参数包括EV充电站的服务范围及其充放电上下限;
S3、根据风光输出功率概率模型和EV充电站的相关参数,建立多目标双层混合整数线性规划模型;
S4、对多目标双层混合整数线性规划模型在时间尺度上进行统一,将其转化为单层模型并对其进行求解,获得配电网协同规划结果。
上述步骤S1具体为:
S11、获得基础数据,并根据其计算风光相关系数矩阵ρm;
其中,基础数据包括风速和光照强度的模型参数、各风机和光伏候选安装节点的相关系数;
风光相关系数矩阵ρm包括风速相关系数矩阵和光照强度相关系数矩阵其中的相关系数的通用计算公式为:
式中,ρxij为xi和xj的相关系数,xi,xj∈X,X=(x1,x2,...,xn0),X为具有相关性的n0个候选节点服从Beta分布的光照强度变量或服从Weibull分布的风速变量;
为标准正态分布随机变量的联合密度函数;
σi,σj分别为向量Xi和Xj的标准差;
F-1(·)为光照强度、风速和负荷在各自所服从的分布函数下累积分布函数F(·)的逆函数;
Φ(·)为标准正态累积分布函数;
μi,μj分别为向量Xi和Xj的均值;
mi,mj均为标准正态分布随机向量M=(m1,m2,…,mn)的元素;
其中,标准正态分布随机变量的联合密度函数为:
S12、通过平方根法将相关系数矩阵ρm分解为三角矩阵A和AT的乘积;
其中,相关系数矩阵ρm分解的通用公式为:
式中,
ρm1n为相关系数矩阵ρm中第1行第n列的元素;
ρmn1为相关系数矩阵ρm中第n行第1列的元素;
S13、基于分解后的相关系数矩阵ρm,通过蒙特卡洛随机抽样法生成风光独立正态分布样本矩阵Y;
其中,风光独立正态分布样本矩阵Y包括风速的独立正态分布样本矩阵YWTG和光照强度的独立正态分布样本矩阵YPVG;
S14、将风光独立正态分布样本矩阵Y转换成满足相关系数矩阵ρm的相关样本矩阵M;
其中,相关样本矩阵M的计算公式为:
M=AY (4)
式中,A为三角矩阵;
S15、将相关样本矩阵M转换为服从不同指定分布且具有相关性的光照强度样本和风速样本;
式中,Φ(mi)为mi的标准正态累积分布函数,mi为相关样本矩阵M中样本;
F(xi)为xi的累积分布函数;
xi为具有相关性的n个候选节点服从贝塔分布的光照强度变量(或服从威布尔分布的风速变量)组成的向量X=(x1,x2,…,xn)的元素;
S16、根据光照强度样本和风速样本,确定风光输出功率概率模型;
其中,风光输出功率概率模型包括风机输出功率概率模型和光伏输出功率概率模型。
上述风机输出功率概率模型f(PWTG)为:
式中,exp(·)为指数函数;
PWTG为风机的输出功率;
vrate为风机的额定风速;
vin为风机的切入风速;
Prate为风机组的额定功率;
c为Weibull分布尺度参数;
k为Weibull分布形状参数;
其中,风机的输出功率PWTG为:
式中,vout为风机的切出风速;
上述光伏输出功率概率模型为:
式中,Γ(·)为Gamma函数;
α和β为Beta分布的形状参数;
PPVG为光伏的输出功率;
为最大光照强度对应的最大输出功率。
其中,光伏的输出功率PPVG为:
上述步骤S2具体为:
S21、根据路网***中的n1个EV充电站候选节点位置,通过Voronoi图划分对应EV充电站的服务范围;
记Lj为EV充电站候选节点的位置坐标,点Lj的Voronoi图服务范围划分的计算公式为:
式中,
Vn(Lj)为EV充电站候选节点Lj的Voronoi图服务范围;
L为EV充电站候选节点的位置变量;
d(L,Lj)为L到Lj的欧几里得距离;
d(L,Lj')为L到Lj'的欧几里得距离;
为EV充电站的候选节点集合;
S22、根据每个EV充电站所服务范围内EV车流量以及EV出行特性和充电容量进行蒙特卡洛随机抽取,获取参与需求响应的EV充放电上下限。
上述步骤S3中的多目标双层混合整数线性规划模型包括上层的投资决策层和下层的模拟运行层;
其中,投资决策层用于对风机、光伏和EV充电站进行选址定容;
模拟运行层在投资决策层确定风机、光伏和EV充电站的位置和数量后仿真模拟其在配电网中的运行,并对配网的主网购电成本、线损成本、V2G成本、DG弃电惩罚和负荷波动惩罚进行计算。模拟运行层考虑购电、网损、负荷波动惩罚和弃电惩罚等成本,并确定相应的约束条件;
该多目标双层混合整数线性规划模型为:
式中,F(·)为投资层目标函数;
f(·)为运行层目标函数;
xinv为上层投资决策变量;
xope为下层模拟运行变量;
CINV为上层投资决策层的综合投资成本;
COPE为下层模拟运行层的综合运行成本;
其中,上层投资决策层的综合投资成本CINV为:
式中,κ为年度投资等效系数;
ξ∈{WTG,PVG}为风机和光伏的设备类型;
cξ为电网中设备ξ的DG单位投资价格;
为电网中节点j中设备ξ的DG数量;
Gξ和GCS分别表示DG和充电站候选投资节点集合;
cCP为充电站的单位投资价格;
为电网中节点j的充电站数量;
κξ为电网中风机和光伏的设备的年度投资等效系数;
κCS为电网中充电站的年度投资系数;
下层模拟运行层的综合运行成本COPE为:
COpe=CPur+CLoss+CV2G+CDG+CLoadGap (13)
式中,CPur为主网购电成本;
CLoss为线损成本;
CV2G为V2G成本;
CDG为DG弃电惩罚;
CLoadGap为负荷波动惩罚。
其中,
式中,cpur主网的分时电价;
closs为主网线损电价;
cv2g为主网V2G动态电价;
cξ为主网DG弃电惩罚价格;
cloadgap为主网负荷波动惩罚价格;
为由节点i和节点j组成的支路电流的平方;
rij由节点i和节点j组成的支路对应的电阻;
为EV充电站放电量;
为DG预测出力;
为DG实际出力;
为负荷电量需求;
PAve为***的负荷均值;
本发明中的多目标双层混合整数线性规划模型的约束条件包括投资约束、风机和光伏的出力约束、潮流约束、电网安全约束、EV充电站约束和引导电价约束;
(1)受到场地和资金等因素的制约,每个节点可安装的设备数量存在上限,因此投资约束为:
式中,
Gξ为DG候选投资节点集合;
GCP为充电桩候选投资节点集合;
为DG投资数量;
为DG投资数量上限;
为EV充电站投资数量;
为EV充电站投资数量上限;
风机和光伏的出力约束为:
式中,
T为所有时段的集合;
为风机和光伏的实际出力值;
为风机和光伏的预测出力值;
(2)配电网支路潮流的约束采用distflow支路潮流形式,并用二阶锥松弛技术将原模型线性化,因此潮流约束包括为:
式中,
E为电网***中所有支路的集合;
k为电网的节点;
j为电网中某条支路的起始节点,Ω(j)为以j为起始节点对应的终点所在的集合;当以j为支路的终点时,Λ(j)为以j为终点对应的起始节点所在的集合;
Pjk,t为由节点i和节点j组成的支路对应的有功功率;
为由节点i和节点j组成的支路的电流的平方;
rij为由节点i和节点j组成的支路电阻;
GEV为EV充电站放电量;
为EV充电站放电量;
为DG的实际出力;
为节点j在t时刻的电压的平方;
为节点i在t时刻的电压的平方;
Pij,t为支路ij在t时刻的有功功率;
Qij,t为由节点i和节点j组成的支路对应的无功功率;
xij为由节点i和节点j组成的支路的电抗;
t为电网运行的时刻;
T为所有时段的集合;
GLoad为负荷节点集合;
||·||2为2范数矩阵;
(4)电网安全约束为:
式中,GE为电网***中所有节点的集合;
为节点电压幅值下限;
为节点电压幅值上限;
Uj,t为节点电压幅值;
Iij,t为节点电流幅值;
节点电流幅值上限;
(5)EV充电站约束为:
式中,和分别为EV充电站充电和放电的0-1变量;
为参与需求响应的EV充电站的充电量;
为参与需求响应的EV充电站的放电量;
为参与需求响应的EV充电站可充电总容量上限;
为参与需求响应的EV充电站可放电总容量上限;
为EV充电站j的充电站的数量;
PCP为EV充电站的额定充放电功率;
ηcha为EV充电站的充电效率;
ηdis为EV充电站的放电效率;
(6)根据负荷变化制定相应的EV充放电价引导EV灵活充放电可抑制其波动达到削峰填谷的目的,减轻电网压力,因此引导电价约束为:
式中,和σEV为充放电价波动的上下限比例;
为EV充电站的充放电基础电价;
为EV充电站的充电引导价格;
为V2G动态电价;
为负荷电量需求:
PAve为***的负荷均值。
上述步骤S4中,多目标双层混合整数线性规划模型在时间尺度上进行统一时的计算公式为:
minF=CINV+ω·COPE (19)
式中,ω为转化因子。
在本发明的一个实施例中,提供了通过本发明方法进行配电网协同规划的实例:
如图2所示,本实例中规划年限取5年,投资运行转化因子取2000,风机候选节点为[3,17,21],光伏候选节点为[10,24,31],电动汽车充电站候选节点为[5,16,25,33],同时对充电站服务区域的Voronoi图用绿色实线划分风机、光伏和充电桩采用市场均价、电动汽车充电桩采用69kW直流快充,负荷节点按负荷特性将负荷分为居民用电负荷、工业用电负荷和商业用电负荷,灰色网格表示路网***黑色实线表示电网***。
在本发明实施例中,以中等相关度为例通过蒙特卡洛抽样后经改进相关矩阵法处理得到各节点处风、光电场的相关输出功率如表1所示,抽取参与需求响应的EV可充放电上限如表2所示。
表1各节点处风、光电场的相关输出功率
表2电动汽车需求响应的可充放电上限
在本发明实施例中,根据双层线性规划模型的上层投资决策成本最低,在考虑投资约束下确定的风机、光伏和充电桩数量代入下层模拟运行层;根据输入的决策变量以及DG出力约束、电网潮流约束、电网安全约束、充电站约束和充放电价格约束,下层模拟运行层对电网购电成本、网络损耗成本、V2G成本、DG弃电惩罚成本和负荷波动惩罚成本进行计算并将其综合成本反馈至目标函数计算总成本;对每次计算的结果进行记录和对比最终得到一个最优的计及DG相关性和EV需求响应的风机、光伏和EV充电站协同规划结果。
如图3所示,在33节点电气接线***中将考虑DG候选节点中等相关和EV充放电需求响应的风机、光伏和EV充电站协同规划结果。
本发明的有益效果是:在本发明中,基于蒙特卡洛随机抽样法和风速光照概率分布模型生成风光独立正态分布样本,并应用改进相关矩阵法转换为相关样本从而计算风光出力,更符合现实中各个分布式新能源电厂的实际情况;应用Voronoi图对路网***进行分区得到EV充电站的服务范围以确定EV响应的上限量,对充电站的服务范围进行分区可以更准确的估算电动汽车响应量;建立的多目标双层混合整数线性规划模型种考虑购电、网损、负荷波动惩罚和弃电惩罚等成本,在规划时可以有效的减少上级电网购电量、降低网络电能损耗、限制负荷波动、充分利用风光资源发电;约束条件将投资、DG出力、潮流和EV充放电价等以线性约束表示,以及统一双层模型的时间尺度将其转化为单层,减少了求解规划结果的时间。
Claims (9)
1.计及DG相关性和EV需求响应的配电网协同规划方法,其特征在于,包括以下步骤:
S1、生成风光独立正态分布样本矩阵,并根据其计算出风光输出功率概率模型;
S2、通过Voronoi图对路网***进行分区得到EV充电站的相关参数;
其中,EV充电站的相关参数包括EV充电站的服务范围及其充放电上下限;
S3、根据风光输出功率概率模型和EV充电站的相关参数,建立多目标双层混合整数线性规划模型;
S4、对多目标双层混合整数线性规划模型在时间尺度上进行统一,将其转化为单层模型并对其进行求解,获得配电网协同规划结果。
2.根据权利要求1所述的计及DG相关性和EV需求响应的配电网协同规划方法,其特征在于,所述步骤S1具体为:
S11、获得基础数据,并根据其计算风光相关系数矩阵ρm;
其中,基础数据包括风速和光照强度的模型参数、各风机和光伏候选安装节点的相关系数;
风光相关系数矩阵ρm包括风速相关系数矩阵和光照强度相关系数矩阵
S12、通过平方根法将相关系数矩阵ρm分解为三角矩阵A和AT的乘积;
其中,相关系数矩阵ρm分解的通用公式为:
式中,
ρm1n为相关系数矩阵ρm中第1行第n列的元素;
ρmn1为相关系数矩阵ρm中第n行第1列的元素;
S13、基于分解后的相关系数矩阵ρm,通过蒙特卡洛随机抽样法生成风光独立正态分布样本矩阵Y;
其中,风光独立正态分布样本矩阵Y包括风速的独立正态分布样本矩阵YWTG和光照强度的独立正态分布样本矩阵YPVG;
S14、将风光独立正态分布样本矩阵Y转换成满足相关系数矩阵ρm的相关样本矩阵M;
其中,相关样本矩阵M的计算公式为:
M=AY
式中,A为三角矩阵;
S15、将相关样本矩阵M转换为服从不同指定分布且具有相关性的光照强度样本和风速样本;
式中,Φ(mi)为mi的标准正态累积分布函数,mi为相关样本矩阵M中样本;
F(xi)为xi的累积分布函数;
xi为具有相关性的n个候选节点服从贝塔分布的光照强度变量(或服从威布尔分布的风速变量)组成的向量X=(x1,x2,…,xn)的元素;
S16、根据光照强度样本和风速样本,确定风光输出功率概率模型;
其中,风光输出功率概率模型包括风机输出功率概率模型和光伏输出功率概率模型。
3.根据权利要求2所述的计及DG相关性和EV需求响应的配电网协同规划方法,其特征在于,所述步骤S11中:
风速相关系数矩阵和光照强度相关系数矩阵中相关系数的通用计算公式为:
式中,ρxij为xi和xj的相关系数,xi,xj∈X,X=(x1,x2,...,xn0),X为具有相关性的n0个候选节点服从Beta分布的光照强度变量或服从Weibull分布的风速变量;
为标准正态分布随机变量的联合密度函数;
σi,σj分别为向量Xi和Xj的标准差;
F-1(·)为光照强度、风速和负荷在各自所服从的分布函数下累积分布函数F(·)的逆函数;
Φ(·)为标准正态累积分布函数;
μi,μj分别为向量Xi和Xj的均值;
mi,mj均为标准正态分布随机向量M=(m1,m2,…,mn)的元素。
4.根据权利要求2所述的计及DG相关性和EV需求响应的配电网协同规划方法,其特征在于,所述步骤S16中:
所述风机输出功率概率模型f(PWTG)为:
式中,exp(·)为指数函数;
PWTG为风机的输出功率;
vrate为风机的额定风速;
vin为风机的切入风速;
Prate为风机组的额定功率;
c为Weibull分布尺度参数;
k为Weibull分布形状参数;
所述光伏输出功率概率模型为:
式中,Γ(·)为Gamma函数;
α和β为Beta分布的形状参数;
PPVG为光伏的输出功率;
为最大光照强度对应的最大输出功率。
5.根据权利要求2所述的计及DG相关性和EV需求响应的配电网协同规划方法,其特征在于,所述步骤S2具体为:
S21、根据路网***中的n1个EV充电站候选节点位置,通过Voronoi图划分对应EV充电站的服务范围;
记Lj为EV充电站候选节点的位置坐标,点Lj的Voronoi图服务范围划分的计算公式为:
式中,
Vn(Lj)为EV充电站候选节点Lj的Voronoi图服务范围;
L为EV充电站候选节点的位置变量;
d(L,Lj)为L到Lj的欧几里得距离;
d(L,Lj')为L到Lj'的欧几里得距离;
为EV充电站的候选节点集合;
S22、根据每个EV充电站所服务范围内EV车流量以及EV出行特性和充电容量进行蒙特卡洛随机抽取,获取参与需求响应的EV充放电上下限。
6.根据权利要求5所述的计及DG相关性和EV需求响应的配电网协同规划方法,其特征在于,所述步骤S3中的多目标双层混合整数线性规划模型包括上层的投资决策层和下层的模拟运行层;
其中,投资决策层用于对风机、光伏和EV充电站进行选址定容;
模拟运行层在投资决策层确定风机、光伏和EV充电站的位置和数量后仿真模拟其在配电网中的运行,并对配网的主网购电成本、线损成本、V2G成本、DG弃电惩罚和负荷波动惩罚进行计算。
7.根据权利要求6所述的计及DG相关性和EV需求响应的配电网协同规划方法,其特征在于,所述多目标双层混合整数线性规划模型为:
式中,F(·)为投资层目标函数;
f(·)为运行层目标函数;
xinv为上层投资决策变量;
xope为下层模拟运行变量;
CINV为上层投资决策层的综合投资成本;
COPE为下层模拟运行层的综合运行成本;
其中,上层投资决策层的综合投资成本CINV为:
式中,κ为年度投资等效系数;
ξ∈{WTG,PVG}为风机和光伏的设备类型;
cξ为电网中设备ξ的DG单位投资价格;
为电网中节点j中设备ξ的DG数量;
Gξ和GCS分别表示DG和充电站候选投资节点集合;
cCP为充电站的单位投资价格;
为电网中节点j的充电站数量;
κξ为电网中风机和光伏的设备的年度投资等效系数;
κCS为电网中充电站的年度投资系数;
下层模拟运行层的综合运行成本COPE为:
COpe=CPur+CLoss+CV2G+CDG+CLoadGap
式中,CPur为主网购电成本;
CLoss为线损成本;
CV2G为V2G成本;
CDG为DG弃电惩罚;
CLoadGap为负荷波动惩罚。
8.根据权利要求7所述的计及DG相关性和EV需求响应的配电网协同规划方法,其特征在于,所述多目标双层混合整数线性规划模型的约束条件包括投资约束、风机和光伏的出力约束、潮流约束、电网安全约束、EV充电站约束和引导电价约束;
其中,所述投资约束为:
式中,
Gξ为DG候选投资节点集合;
GCP为充电桩候选投资节点集合;
为DG投资数量;
为DG投资数量上限;
为EV充电站投资数量;
为EV充电站投资数量上限;
所述风机和光伏的出力约束为:
式中,
T为所有时段的集合;
为风机和光伏的实际出力值;
为风机和光伏的预测出力值;
潮流约束包括为:
式中,
E为电网***中所有支路的集合;
k为电网的节点;
j为电网中某条支路的起始节点,Ω(j)为以j为起始节点对应的终点所在的集合;当以j为支路的终点时,Λ(j)为以j为终点对应的起始节点所在的集合;
Pjk,t为由节点i和节点j组成的支路对应的有功功率;
为由节点i和节点j组成的支路的电流的平方;
rij为由节点i和节点j组成的支路电阻;
GEV为EV充电站放电量;
为EV充电站放电量;
为DG的实际出力;
为节点j在t时刻的电压的平方;
为节点i在t时刻的电压的平方;
Pij,t为支路ij在t时刻的有功功率;
Qij,t为由节点i和节点j组成的支路对应的无功功率;
xij为由节点i和节点j组成的支路的电抗;
t为电网运行的时刻;
T为所有时段的集合;
GLoad为负荷节点集合;
||·||2为2范数矩阵;
所述电网安全约束为:
式中,GE为电网***中所有节点的集合;
为节点电压幅值下限;
为节点电压幅值上限;
Uj,t为节点电压幅值;
Iij,t为节点电流幅值;
节点电流幅值上限;
所述EV充电站约束为:
式中,和分别为EV充电站充电和放电的0-1变量;
为参与需求响应的EV充电站的充电量;
为参与需求响应的EV充电站的放电量;
为参与需求响应的EV充电站可充电总容量上限;
为参与需求响应的EV充电站可放电总容量上限;
为EV充电站j的充电站的数量;
PCP为EV充电站的额定充放电功率;
ηcha为EV充电站的充电效率;
ηdis为EV充电站的放电效率;
所述引导电价约束为:
式中,和σ EV为充放电价波动的上下限比例;
为EV充电站的充放电基础电价;
为EV充电站的充电引导价格;
为V2G动态电价;
为负荷电量需求:
PAve为***的负荷均值。
9.根据权利要求7所述的计及DG相关性和EV需求响应的配电网协同规划方法,其特征在于,所述步骤S4中,多目标双层混合整数线性规划模型在时间尺度上进行统一时的计算公式为:
min F=CINV+ω·COPE
式中,ω为转化因子。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910466841.4A CN110224395A (zh) | 2019-05-31 | 2019-05-31 | 计及dg相关性和ev需求响应的配电网协同规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910466841.4A CN110224395A (zh) | 2019-05-31 | 2019-05-31 | 计及dg相关性和ev需求响应的配电网协同规划方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110224395A true CN110224395A (zh) | 2019-09-10 |
Family
ID=67818939
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910466841.4A Pending CN110224395A (zh) | 2019-05-31 | 2019-05-31 | 计及dg相关性和ev需求响应的配电网协同规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110224395A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110580394A (zh) * | 2019-09-11 | 2019-12-17 | 广西大学 | 一种平行多层蒙特卡罗双馈异步风机参数优化方法 |
CN111064181A (zh) * | 2019-11-20 | 2020-04-24 | 国网浙江省电力有限公司杭州供电公司 | 基于充电负荷空间可调度特性的电源与充电站配置方法 |
CN111162517A (zh) * | 2019-11-22 | 2020-05-15 | 国网四川省电力公司经济技术研究院 | 计及源荷相关性含电动汽车的分布式电源选址定容方法 |
CN111987717A (zh) * | 2020-08-18 | 2020-11-24 | 湖南大学 | 车联网充放电管理方法及***、电力***及存储介质 |
CN113131530A (zh) * | 2021-04-25 | 2021-07-16 | 西安热工研究院有限公司 | 一种电动汽车参与分散式风电场出力的控制方法及*** |
CN113346479A (zh) * | 2021-05-18 | 2021-09-03 | 国网吉林省电力有限公司 | 一种基于机会约束的电力***经济调度方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106875075A (zh) * | 2015-12-14 | 2017-06-20 | 贵州电网有限责任公司电力科学研究院 | 一种基于出行行为学的电动汽车充电站布点方法 |
CN107147152A (zh) * | 2017-06-15 | 2017-09-08 | 广东工业大学 | 新能源配电网多类型有功无功源协同优化配置方法及*** |
CN109409558A (zh) * | 2017-08-15 | 2019-03-01 | 中国电力科学研究院 | 一种多目标规划充电服务网络的方法及*** |
-
2019
- 2019-05-31 CN CN201910466841.4A patent/CN110224395A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106875075A (zh) * | 2015-12-14 | 2017-06-20 | 贵州电网有限责任公司电力科学研究院 | 一种基于出行行为学的电动汽车充电站布点方法 |
CN107147152A (zh) * | 2017-06-15 | 2017-09-08 | 广东工业大学 | 新能源配电网多类型有功无功源协同优化配置方法及*** |
CN109409558A (zh) * | 2017-08-15 | 2019-03-01 | 中国电力科学研究院 | 一种多目标规划充电服务网络的方法及*** |
Non-Patent Citations (2)
Title |
---|
冯思: "计及不确定性和相关性的含风电和光伏的配电网重构", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
石玉东 等: "考虑时序特性的配电网风-光-储随机规划模型", 《电力***保护与控制》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110580394A (zh) * | 2019-09-11 | 2019-12-17 | 广西大学 | 一种平行多层蒙特卡罗双馈异步风机参数优化方法 |
CN110580394B (zh) * | 2019-09-11 | 2022-08-12 | 广西大学 | 一种平行多层蒙特卡罗双馈异步风机参数优化方法 |
CN111064181A (zh) * | 2019-11-20 | 2020-04-24 | 国网浙江省电力有限公司杭州供电公司 | 基于充电负荷空间可调度特性的电源与充电站配置方法 |
CN111162517A (zh) * | 2019-11-22 | 2020-05-15 | 国网四川省电力公司经济技术研究院 | 计及源荷相关性含电动汽车的分布式电源选址定容方法 |
CN111987717A (zh) * | 2020-08-18 | 2020-11-24 | 湖南大学 | 车联网充放电管理方法及***、电力***及存储介质 |
CN111987717B (zh) * | 2020-08-18 | 2021-12-17 | 湖南大学 | 车联网充放电管理方法及***、电力***及存储介质 |
CN113131530A (zh) * | 2021-04-25 | 2021-07-16 | 西安热工研究院有限公司 | 一种电动汽车参与分散式风电场出力的控制方法及*** |
CN113346479A (zh) * | 2021-05-18 | 2021-09-03 | 国网吉林省电力有限公司 | 一种基于机会约束的电力***经济调度方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110224395A (zh) | 计及dg相关性和ev需求响应的配电网协同规划方法 | |
CN110895638B (zh) | 考虑电动汽车充电站选址定容的主动配电网模型建立方法 | |
CN106972481B (zh) | 规模化充电设施接入有源配电网的安全性量化评估方法 | |
CN103177395B (zh) | 一种基于社会期望的智能配电网节能减排综合评价方法 | |
WO2023010759A1 (zh) | 基于配售电竞争态势下区域配电网网格化负荷区间预测方法 | |
CN112131733B (zh) | 计及电动汽车充电负荷影响的分布式电源规划方法 | |
CN108805321A (zh) | 一种电动汽车充电站规划方法 | |
CN105068419B (zh) | 居民小区电动汽车充放电控制方法 | |
CN103715688B (zh) | 并网型微网优化配置方法及装置 | |
CN111162517B (zh) | 计及源荷相关性含电动汽车的分布式电源选址定容方法 | |
CN112347615A (zh) | 一种计及光储快充一体站的配电网混合优化调度方法 | |
De Lima et al. | A specialized long-term distribution system expansion planning method with the integration of distributed energy resources | |
CN112734098A (zh) | 一种基于源-荷-网平衡的配电网电力调度方法及*** | |
CN109560574A (zh) | 一种考虑不确定因素的智能配电网网架规划方法 | |
Suresh et al. | Optimal location of an electrical vehicle charging station in a local microgrid using an embedded hybrid optimizer | |
CN109583706A (zh) | 配电***接纳电动汽车能力的多元优化评估方法及*** | |
Khezri et al. | Impact of optimal sizing of wind turbine and battery energy storage for a grid-connected household with/without an electric vehicle | |
Boumaiza et al. | Modeling a blockchain-enabled transactive energy system for community microgrids | |
CN113935538A (zh) | 基于能源互联网的主动配电网规划方法、装置和*** | |
CN104268802A (zh) | 采用神经网络模型确定城市居民小区用电需用系数的方法 | |
Huang et al. | Optimal charging and discharging of electric vehicles within campus microgrids | |
Kasturi et al. | PV/BESS for supporting electric vehicle charging station integration in a capacity-constrained power distribution grid using MCTLBO | |
Batista da Silva et al. | Analysis of residential rooftop photovoltaic diffusion in India through a Bass model approach | |
Kelly | Probabilistic modelling of plug-in hybrid electric vehicle impacts on distribution networks in British Columbia | |
Tayyab et al. | Holistic approach for microgrid planning for e-mobility infrastructure under consideration of long-term uncertainty |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190910 |
|
RJ01 | Rejection of invention patent application after publication |