為避免大量電動汽車（EV）無序充電對電網(wǎng)安全、經(jīng)濟(jì)運行的影響,提出了基于電動汽車入網(wǎng)（V2G）輔助服務(wù)的配電網(wǎng)日前調(diào)度方法。首先,基于智能電網(wǎng)和物聯(lián)網(wǎng)的歷史及實時信息建立EV充放電模型,并進(jìn)行EV輔助服務(wù)參與者的篩選和分類。其次,建立了考慮V2G輔助服務(wù)的2層配電網(wǎng)最優(yōu)經(jīng)濟(jì)調(diào)度模型。上層模型以網(wǎng)損成本、EV用戶成本和系統(tǒng)總負(fù)荷均方差最小為目標(biāo),優(yōu)化充電站的充放電功率和電壓調(diào)節(jié)設(shè)備的工作狀態(tài);下層模型以EV的充放電狀態(tài)轉(zhuǎn)換次數(shù)最少和充電站功率與上層優(yōu)化結(jié)果偏差最小為目標(biāo),計算每輛參與輔助服務(wù)EV的充放電功率。最后,算例系統(tǒng)仿真驗證了所提方法的有效性。 

【文章來源】：電力系統(tǒng)自動化. 2020,44(14)北大核心EICSCD

【文章頁數(shù)】：9 頁

【部分圖文】：

基于IoT的V2G輔助服務(wù)架構(gòu)

采用某配電系統(tǒng)和該系統(tǒng)所覆蓋的送電區(qū)域內(nèi)的道路作為算例測試系統(tǒng)，如圖2所示。該配電網(wǎng)共56條支路和58個節(jié)點，其中有36個負(fù)荷節(jié)點。節(jié)點4,16分別接有光伏電源G1和G2，裝機容量均為0.3 MW，節(jié)點33接有風(fēng)電機組G3，裝機容量為1 MW。算例中的電壓調(diào)節(jié)設(shè)備主要為有載調(diào)壓變壓器（額定電壓為（35±3×2.5%)kV,1～7擋可調(diào)，其中4擋時電壓為35 kV）和節(jié)點42,51處所接的電容器組C1和C2（每組電容器均為10×0.1 Mvar）；共有9個節(jié)點接有充電站（用S1至S9表示）。充電站內(nèi)單臺變壓器的容量為1 600 kVA，功率因數(shù)為0.85，效率為0.95，則單臺變壓器的最大負(fù)載能力為1 292 kW，設(shè)單臺變壓器可接入EV的數(shù)量最多為300輛（充電站的充電插座充裕）。充電站從電網(wǎng)購電電價采用分時電價的機制，電價參數(shù)見附錄A表A1，設(shè)EV充電電價（放電電價）為充電站從電網(wǎng)購電電價的1.5倍。配電網(wǎng)各節(jié)點信息和充電站接入信息見附錄A表A2和表A3，各類負(fù)荷日負(fù)荷變化系數(shù)如附錄A圖A2所示，所有負(fù)荷正常運行的電壓區(qū)間設(shè)為0.95～1.05（標(biāo)幺值）。算例以行程較為隨機的電動出租車和私家車作為可能參與經(jīng)濟(jì)調(diào)度的EV對象，其中電動私家車和電動出租車的參數(shù)分別參考尼桑leaf和比亞迪e6，且假設(shè)各自的充放電功率相同，相關(guān)參數(shù)見附錄A表A4。EV電池荷電狀態(tài)下限為0.1，上限為0.9，設(shè)每輛EV初始荷電狀態(tài)服從N(0.5,0.1）的正態(tài)分布。EV用戶行駛規(guī)律的概率密度分布函數(shù)參數(shù)參見文獻(xiàn)[21]，設(shè)EV按最短路徑確定行程。配電系統(tǒng)供電范圍內(nèi)的道路交通網(wǎng)共33個道路節(jié)點和53條道路，道路節(jié)點地理坐標(biāo)見附錄A表A5，定義路段等級見附錄A表A6，算例中各路段情況見附錄A表A7。區(qū)域可同時滿足最多5 700輛EV接入，其中電動私家車和出租車數(shù)量比例取為17∶3。24 h為1個調(diào)度區(qū)間，均分為96個計算時段，設(shè)各時段內(nèi)功率恒定。權(quán)重因子體現(xiàn)了目標(biāo)函數(shù)各目標(biāo)所占比重，其值將直接影響優(yōu)化結(jié)果。已有研究指出[22]，通常情況下各目標(biāo)取相同權(quán)重因子便可達(dá)到綜合最優(yōu)，故本文取w1=w2=w3=1/3,w4=w5=0.5。

算例考慮日內(nèi)區(qū)域的EV樣本數(shù)為4 000輛，定義參與V2G輔助服務(wù)意愿的EV占樣本總數(shù)的比值為用戶V2G輔助服務(wù)參與度（后文簡稱參與度），分別取為0,25%,50%,75%和100%，其中參與度為0表示所有用戶均為無序充電。經(jīng)本文算法優(yōu)化后，用戶不同參與度下的負(fù)荷曲線見圖3。圖4為不同參與度下系統(tǒng)網(wǎng)損和負(fù)荷均方差，附錄A表A8為網(wǎng)損成本、用戶成本和負(fù)荷均方差�？梢钥闯觯篍V無序充電將會使配電網(wǎng)在16:00—22:00（時段64至88）內(nèi)形成一個充電高峰，增大了峰谷差；不同參與度下EV的V2G輔助服務(wù)都可以起到優(yōu)化EV充放電行為、平移負(fù)荷的作用，從而降低負(fù)荷峰谷差和系統(tǒng)網(wǎng)損。圖4 不同用戶參與度下的系統(tǒng)網(wǎng)損和負(fù)荷均方差

【參考文獻(xiàn)】：
期刊論文
[1]基于出行概率矩陣的電動汽車充電站規(guī)劃[J]. 姜欣,馮永濤,熊虎,王金鳳,曾慶山.  電工技術(shù)學(xué)報. 2019(S1)
[2]融合多源信息的電動汽車充電負(fù)荷預(yù)測及其對配電網(wǎng)的影響[J]. 陳麗丹,張堯,Antonio Figueiredo.  電力自動化設(shè)備. 2018(12)
[3]區(qū)域電動汽車協(xié)調(diào)優(yōu)化的充放電策略[J]. 侯慧,柯賢彬,王成智,樊浩,羅俊陽.  高電壓技術(shù). 2018(02)
[4]微電網(wǎng)下考慮分布式電源消納的電動汽車互動響應(yīng)控制策略[J]. 楊曉東,張有兵,蔣楊昌,謝路耀,趙波.  電工技術(shù)學(xué)報. 2018(02)
[5]大規(guī)模電動汽車集群分層實時優(yōu)化調(diào)度[J]. 潘振寧,張孝順,余濤,王德志.  電力系統(tǒng)自動化. 2017(16)
[6]基于集群響應(yīng)的規(guī)�；妱悠嚦潆妰�(yōu)化調(diào)度[J]. 陳靜鵬,艾芊,肖斐.  電力系統(tǒng)自動化. 2016(22)
[7]基于出行鏈隨機模擬的電動汽車充電需求分析[J]. 溫劍鋒,陶順,肖湘寧,駱晨,廖坤玉.  電網(wǎng)技術(shù). 2015(06)
[8]電動汽車規(guī)模化接入配電網(wǎng)的充電優(yōu)化[J]. 楊秀菊,白曉清,李佩杰,韋化.  電力自動化設(shè)備. 2015(06)
[9]計及電動汽車和光伏—儲能的微網(wǎng)能量優(yōu)化管理[J]. 蘇粟,蔣小超,王瑋,姜久春,V.G.AGELIDIS,耿婧.  電力系統(tǒng)自動化. 2015(09)
[10]電動汽車充電負(fù)荷與調(diào)度控制策略綜述[J]. 王錫凡,邵成成,王秀麗,杜超.  中國電機工程學(xué)報. 2013(01)



本文編號：3335679