CN112186754A - 一种电动汽车与分布式电源共同入网的判稳方法 - Google Patents

Abstract

本发明属于电动汽车与分布式电源共同入网技术领域，具体涉及一种电动汽车与分布式电源共同入网的判稳方法。包括以下步骤：1)采用前推回代法对电动汽车与分布式电源共同入网进行潮流计算，计算出各节点的电压及网损；2)采用粒子群算法对电动汽车与分布式电源共同入网的多目标问题进行计算，经过多次迭代，输出外部种群，获得Pareto最优前沿解集；3)将拥挤距离排序方法与粒子群算法相结合，求得最佳收敛效果的全局最优解G。本发明在粒子群算法和拥挤距离排序的基础上添加了稳定敛散性判别方法，增强了计算结果的鲁棒性，有效提高了解集的优化能力。

Description

一种电动汽车与分布式电源共同入网的判稳方法

技术领域

本发明属于电动汽车与分布式电源共同入网技术领域，具体涉及一种电动汽车与分布式电源共同入网的判稳方法。

背景技术

分布式电源(Distributed Generation,DG)，是目前配电网中应用较多的一种供电设备，如风电、光伏等都属于这种电源类型。电动汽车(Electric Vehicles,EV)，作为一种新提倡的能源，和其它分布式能源一样，接入配电网具有间歇性，所不同的是它既可作负载又可作电源。将电动汽车与分布式电源同时接入电网，会存在协调稳定性的问题。

目前关于电动汽车与分布式电源协同入网的研究文献已较多，文献[1]采用遗传算法，建立了电动汽车和分布式发电协调控制的多目标优化模型，讨论出在分布式发电一定的情况下，采用电动汽车入网后的最终方案，并将其与随机充电和延迟充电模式进行了对比。文献[2]讨论了电动汽车在充电状态下和风电共同入网的协同调度问题，并以西北电网为例进行仿真分析。文献[3]提出了一种V2G模式下基于电动汽车分群方法的配电网运行策略。以上文献均是对多种新能源入网时协调调度或控制的方案或策略，并未指出提出方案对***稳定性敛散性的影响且没有提出。

本专利通过建立多目标的优化模型，利用算例讨论和验证了当电动汽车与分布式电源同时入网时，如何使其协调控制，并提出了一种判断多种新能源同时加入电网后采取新方法或策略的稳定性敛散性问题的方法。

参考文献：

[1]李慧玲，白晓民，谭闻，等.电动汽车与分布式发电入网的协调控制研究[J].电网技术，2013,37(8)：2108-2114；

[2]于大洋，宋曙光，张波，等.区域电网电动汽车充电与风电协同调度的分析[J].电力***自动化，2011,35(14)：24-28；

[3]梅哲，V2G模式下含分布式能源的配电网优化运行研究[D],西华大学，2019.04:15-30；

发明内容

本发明针对上述问题提供了一种电动汽车与分布式电源共同入网的判稳方法。

为达到上述目的本发明采用了以下技术方案：

一种电动汽车与分布式电源共同入网的判稳方法，包括以下步骤：

1)采用前推回代法对电动汽车与分布式电源共同入网进行潮流计算，计算出各节点的电压及网损；

2)采用粒子群算法对电动汽车与分布式电源共同入网的多目标问题进行计算，经过多次迭代，输出外部种群，获得Pareto最优前沿解集；

3)将拥挤距离排序方法与粒子群算法相结合，求得最佳收敛效果的全局最优解G。

进一步，所述步骤2)中的多目标问题包括电压偏差、等效负荷率、网损率和投资运营成本。

再进一步，所述步骤3)将拥挤距离排序方法与粒子群算法相结合，求得最佳收敛效果的全局最优解G的具体步骤为：

301)将粒子群算法中的内部粒子群进行进化，在内部粒子群进化的过程中加入小概率随机变异机制，即对粒子的位置产生小范围扰动，以增强算法的全局搜索能力，小概率随机变异机制中的变异概率C为0-0.01中的任意数值；

302)将粒子群算法中得到的包含外部种群的粒子和内部粒子群进化后并复制到外部种群的非支配粒子个体合并为种群I₁；

303)删除种群I₁中的重复个体和非支配个体，将种群I₁中剩余个体的拥挤距离按降序排列，得到种群I₂；

304)将种群I₂分为缩减的密集个体和新外部种群非劣个体，通过以上的策略可使Pareto前沿的解集更加分布均匀；

305)将步骤304)得到的密集个体和新外部种群非劣个体，按拥挤距离降序排列，得到种群I；

306)若种群I中个体的拥挤距离为∞，则随机选择种群I中的一个个体作为全局最优解G；若种群I中个体的拥挤距离为有限值，则随机选择一个拥挤距离最大的个体为全局最优解G，计算公式为：

G＝I_i

i＝Irnd{n,n+Round[(m-n)*0.1]}

式中，n为I中第一个拥挤距离为有限值的个体个数，m为I中的个体数；

307)判断全局最优解G是否达到最大迭代次数，若达到则输出全局最优解G,若达不到则迭代次数加1，返回步骤步骤301)重新运行直至求出全局最优解G；

308)更换步骤301)中变异概率C的数值，重复步骤301)-步骤307)，输出新的全局最优解G，直至得到的全局最优解G满足在最佳迭代次数内迭代过程震荡程度最大、收敛效果最佳。

与现有技术相比本发明具有以下优点：

1、现有技术中，基本都是针对某算例采用了粒子群等多目标的优化算法，但算法本身并未能对其稳定敛散性进行判别。本发明在粒子群算法和拥挤距离排序的基础上添加了稳定敛散性判别方法，增强了计算结果的鲁棒性，有效提高了解集的优化能力；

2、本发明可应用于采用粒子群等优化算法的各种算例中，可作为评判优化算法的一种新方法。

附图说明

图1为本发明仿真实验中IEEE33节点配电***图；

图2为本发明仿真实验中外部种群的更新繁衍情况一；

图3为本发明仿真实验中外部种群的更新繁衍情况二；

图4为本发明仿真实验中外部种群的更新繁衍情况三；

图5为本发明仿真实验中投资运行成本和等效负荷率的关系图；

图6为本发明仿真实验中投资运行成本和电压偏差的关系图；

图7为本发明仿真实验中投资运行成本和电网损耗率的关系图；

图8为本发明步骤1中前推回代法潮流计算流程图；

图9为本发明步骤2中粒子群算法流程图；

具体实施方式

为了进一步阐述本发明的技术方案，下面通过实施例对本发明进行进一步说明。

一种电动汽车与分布式电源共同入网的判稳方法，包括以下步骤：

1)采用前推回代法对电动汽车与分布式电源共同入网进行潮流计算，计算出各节点的电压及网损；具体包括以下步骤：

101)将节点支路数据从末节点到首节点倒序排列；

102)将迭代偏差置e＝1；

103)采用前推法计算各节点的有功∑P、无功∑Q及各支路的网损η₀，计算公式分别为；

ΔP_i＝∑P-P_i

ΔQ_i＝∑Q-Q_i

∑P＝P_fd+P_gf+P_vtg-P_f-P_gtv

∑Q＝Q_fd+Q_gf+Q_vtg-Q_f-Q_gtv

式中，ΔP_i为节点的总有功变化，ΔQ_i为节点的总无功变化；∑P为总的有功功率，∑Q为总的有功功率；P_fd、P_gf、P_vtg、P_f、P_gtv分别为风电功率、光伏功率、放电功率、负荷功率、充电功率(以上均为有功功率)；Q_fd、Q_gf、Q_vtg、Q_f、Q_gtv分别为风电功率、光伏功率、电动汽车的放电功率、负荷功率、电动汽车的充电功率(以上均为无功功率)；U_i、U_j、G_ij、B_ij、δ_ij分别为节点i,j的电压、节点i,j间的电导、电纳、电压相角差；P_i、Q_i分别为节点的有功和无功负荷；n为节点数。

η(t)表示t时刻的网损率。

104)从前往后计算计算各节点的电压；

105)将求得的各节点电压与上次迭代求得的各节点电压对应差值的最大值赋值给e；

106)判断e是否大于10^-5，若是则返回步骤102)，若不是则输出各节点的电压和网损。

2)采用粒子群算法对电动汽车与分布式电源共同入网的多目标问题进行计算，经过多次迭代，输出外部种群，获得Pareto最优前沿解集；所述多目标问题包括电压偏差、等效负荷率、网损率和投资运营成本；

3)将拥挤距离排序方法与粒子群算法相结合，求得Pareto最优前沿解集中最佳收敛效果的全局最优解G；具体包括以下步骤：

301)将粒子群算法中的内部粒子群进行进化，在内部粒子群进化的过程中加入小概率随机变异机制，即对粒子的位置产生小范围扰动，以增强算法的全局搜索能力，小概率随机变异机制中的变异概率C为0-0.01中的任意数值；

302)将粒子群算法中得到的包含外部种群的粒子和内部粒子群进化后并复制到外部种群的非支配粒子个体合并为种群I₁；

303)删除种群I₁中的重复个体和非支配个体，将种群I₁中剩余个体的拥挤距离按降序排列，得到种群I₂；

304)将种群I₂分为缩减的密集个体和新外部种群非劣个体；

305)将步骤304)得到的密集个体和新外部种群非劣个体，按拥挤距离降序排列，得到种群I；

306)若种群I中个体的拥挤距离为∞，则随机选择种群I中的一个个体作为全局最优解G；若种群I中个体的拥挤距离为有限值，则随机选择一个拥挤距离最大的个体为全局最优解G，计算公式为：

G＝I_i

i＝Irnd{n,n+Round[(m-n)*0.1]}

式中，n为I中第一个拥挤距离为有限值的个体个数，m为I中的个体数；

307)判断全局最优解G是否达到最大迭代次数，若达到则输出全局最优解G,若达不到则迭代次数加1，返回步骤步骤301)重新运行直至求出全局最优解G；

308)更换步骤301)中变异概率C的数值，重复步骤301)-步骤307)，输出新的全局最优解G，直至得到的全局最优解G满足在最佳迭代次数内迭代过程震荡程度最大、收敛效果最佳。

仿真实验

1)仿真数据

选用标准33节点算例进行仿真，网络有32条支路，5条联络开关支路、1个电源，配电***图见图1。网络首段电压12.66kv，三相功率基准值取10MVA，***总负荷为3715kW+j2300kvar，收敛精度为ε＝10^-5。节点2和6接光伏，节点16和31接风电。

选取200辆电动汽车，白天的40辆车在4,7,10,13,16,19,22,25,28这9个节点充放电，每节点五辆，假设充电时间为早7点到18点；晚上160辆车，1节点没车，其他节点每节点5辆车，假设充电时间为晚18点到早7点。

2)仿真结果

依据粒子群算法，搜索到在可行区域内的20组parteo最优前沿解集。根据适当的选择方案，最终选取3-2-1-4.的顺序作为最终的解。其中，1.等效负荷率；2.节点电压；3.网损；4.投资运行成本。

经过仿真，本文选取的电动汽车充放电最终结果为表1所示。由表1可见，晚18：00—22:00，电动汽车将电能回馈电网，此时可作为供电电源缓解用电高峰期电网的压力；23:00-8:00期间，电动汽车作为负荷，从电网吸收电能，此时风电***在此时段进行储能；11:00—14:00期间，电动汽车作为负荷，从电网吸收电能，此时光伏***在此时段进行储能。

表1电动汽车充放电功率

图2—图4为外部种群的三种更新繁衍结果，图2为本专利选取的最终值所对应的外部种群更新繁衍情况。

由三组结果可以看出，图2为采用最佳参数时的繁衍情况，它的变化最为剧烈，表明种群更为多样化，替代也更快，此时的粒子群算法的收敛性最好。

图5为投资运行成本和等效负荷率的关系图，图中可以看出投资运行成本和等效负荷率之间成近乎反比例关系，即当等效负荷率逐渐增大时，投资运行成本有所下降。根据Pareto最优前沿的理论，选出了当两个目标矛盾时的最优解，即图中米字黑点，它表示选取的最佳值，可以看出为平衡二者之间关系选取的最终值。

图6为投资运行成本和电压偏差的关系图，图中可以看出投资运行成本和电压偏差之间成正比例关系，即当电压偏差逐渐增大时，投资运行成本会有所增加，图中米字黑点表示选取的最佳值。

图7为投资运行成本和电网损耗率的关系图，图中可以看出投资运行成本和电网损耗率之间成反比例关系，即当电网损耗率逐渐增大时，投资运行成本会有所减小，图中米字黑点表示选取的最佳值。

以上显示和描述了本发明的主要特征和优点,对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。

此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (3)

1.一种电动汽车与分布式电源共同入网的判稳方法，其特征在于：包括以下步骤：

1)采用前推回代法对电动汽车与分布式电源共同入网进行潮流计算，计算出各节点的电压及网损；

2)采用粒子群算法对电动汽车与分布式电源共同入网的多目标问题进行计算，经过多次迭代，输出外部种群，获得Pareto最优前沿解集；

3)将拥挤距离排序方法与粒子群算法相结合，求得最佳收敛效果的全局最优解G。

2.根据权利要求1所述的一种电动汽车与分布式电源共同入网的判稳方法，其特征在于：所述步骤2)中的多目标问题包括电压偏差、等效负荷率、网损率和投资运营成本。

3.根据权利要求1所述的一种电动汽车与分布式电源共同入网的判稳方法，其特征在于：所述步骤3)将拥挤距离排序方法与粒子群算法相结合，求得最佳收敛效果的全局最优解G的具体步骤为：

301)将粒子群算法中的内部粒子群进行进化，在内部粒子群进化的过程中加入小概率随机变异机制，即对粒子的位置产生小范围扰动，以增强算法的全局搜索能力，小概率随机变异机制中的变异概率C为0-0.01中的任意数值；

302)将粒子群算法中得到的包含外部种群的粒子和内部粒子群进化后并复制到外部种群的非支配粒子个体合并为种群I₁；

303)删除种群I₁中的重复个体和非支配个体，将种群I₁中剩余个体的拥挤距离按降序排列，得到种群I₂；

304)将种群I₂分为缩减的密集个体和新外部种群非劣个体；

305)将步骤304)得到的密集个体和新外部种群非劣个体，按拥挤距离降序排列，得到种群I；

306)若种群I中个体的拥挤距离为∞，则随机选择种群I中的一个个体作为全局最优解G；若种群I中个体的拥挤距离为有限值，则随机选择一个拥挤距离最大的个体为全局最优解G，计算公式为：

G＝I_i

i＝Irnd{n,n+Round[(m-n)*0.1]}

式中，n为I中第一个拥挤距离为有限值的个体个数，m为I中的个体数；

307)判断全局最优解G是否达到最大迭代次数，若达到则输出全局最优解G,若达不到则迭代次数加1，返回步骤步骤301)重新运行直至求出全局最优解G；

308)更换步骤301)中变异概率C的数值，重复步骤301)-步骤307)，输出新的全局最优解G，直至得到的全局最优解G满足在最佳迭代次数内迭代过程震荡程度最大、收敛效果最佳。

Images