電動汽車參與下的虛擬電廠多目標優化調度

羅　捷，吳俊明,陳德超，易志鵬，鄧偉華

(1.長沙理工大學智能電網運行與控制湖南省重點實驗室，湖南長沙410114；2.國網江西贛東北供電公司，江西樂平333300；3.國網黃山供電公司，安徽黃山245000；4.湖南省瀏陽市供電公司，湖南長沙410300)

電動汽車參與下的虛擬電廠多目標優化調度

羅捷1，吳俊明1,陳德超2，易志鵬3，鄧偉華4

(1.長沙理工大學智能電網運行與控制湖南省重點實驗室，湖南長沙410114；2.國網江西贛東北供電公司，江西樂平333300；3.國網黃山供電公司，安徽黃山245000；4.湖南省瀏陽市供電公司，湖南長沙410300)

摘要：為了實現虛擬電廠中分布式發電機組的經濟調度，同時減少虛擬電廠運行產生的污染，結合電動汽車與電力系統之間能量雙向流動的特點，考慮虛擬電廠運行對環境的影響，建立了電動汽車參與下的虛擬電廠多目標優化調度模型。為了求解該模型，采用基于向量求值的粒子群優化算法(Vector Evaluated Particle Swarm Optimization, VEPSO)，并通過8節點虛擬電廠仿真，對比分析多目標與單目標條件下優化調度結果，驗證了所提出的方法可以使虛擬電廠以低成本運行，同時實現良好的環境效益。

關鍵詞：虛擬電廠；電動汽車；多目標優化調度；VEPSO

中圖分類號：TM711

文獻標識碼：A

DOI:10.3969/j.issn.1672-0792.2015.02.009

收稿日期：2014-07-31。

基金項目：國家自然科學基金(71331001)。

作者簡介：羅捷(1988-)，男，碩士研究生，從事電力系統運行與控制方面的研究，E-mail:184262902@qq.com。

Abstract：In order to achieve economic dispatch of the distributed turbines and reduce pollution generated due to the running of virtual power plant, combining with the characteristics of two-way flow between EV, a distributed optimization scheduling model of virtual power plant with EV is established. Vector evaluated particles swarm optimization (EVPSO) is used to solve the model. Through the simulation of virtual power plant with 8 nodes, and comparing with the results of optimization scheduling multi-objective and single objective conditions, it verifies the proposed method can keep the virtual power plant operation with low cost and achieve good environmental benefits.

Keywords：virtual power plants; electric vehicles; multi-objective optimal dispatch; VEPSO

0引言

隨著能源危機和環境危機的日益突出，世界主要大國均大力推動分布式發電，以提高對風能、太陽能等可再生能源的利用率，降低污染氣體的排放[1~4]。然而，由于分布式電源容量小、數量大、分布不均勻，大量分布式發電的接入可能造成線路阻塞、電壓閃變、潮流改變等問題，給分布式電源的管理帶來了挑戰。為此，文獻[5]首次提出虛擬電廠的概念，通過先進的計算機、通信和計量等技術，實現分布式發電單元的協調優化運行。

由于可再生能源發電的隨機性和間歇性特點，大量分布式發電的接入對電力系統的安全穩定運行帶來了嚴峻的挑戰。文獻[6~9]利用儲能裝置或增加旋轉備用平抑可再生能源波動性。然而由于儲能裝置投資成本大、儲能電池報廢后處理困難，容易造成環境污染；增加旋轉備用需頻繁啟動和停止機組，設備利用效率低下，投資和運行成本較高，并且受到機組爬坡速度方面的限制，旋轉備用機組不能迅速響應可再生能源發電出力變化。

為此，利用需求側管理平抑可再生能源發電波動性受到越來越大的重視[10~11]，文獻[12~15]利用可中斷負荷平抑可再生能源發電的波動性，然而，這種方法降低了對用戶的供電可靠性。

本文克服可中斷負荷參與需求側管理的不足，借助于配電網中數量龐大的電動汽車，利用電動汽車與電網連接時能量雙向流動的特點，充分發揮資源配置效應，平抑可再生能源發電的間歇性，實現分布式發電單元的協調優化調度。

1虛擬電廠優化調度模型

1.1　風力發電成本

風速是隨機變化的，風速的不確定性通常可以用威布爾分布來描述，其概率密度函數可表示為：

(1)

式中：νn表示節點n的風場實際風速；κn和σn分別表示威布爾分布的形狀參數和尺度參數。

當風速小于切入速度時，風力發電機組不啟動；當風速大于切入速度時，隨著風速的增大，風力發電機發電功率逐漸升高；達到額定轉速后，風力發電機發電功率保持恒定；風速進一步增大，達到切除速度后，為保護風機，風機停機。風力發電機組最大輸出功率與風速之間關系如圖1所示，可表示為[16]：

(2)

式中：Pw,n為最大可輸出功率；νin,n為切入風速；νout,n為切出風速；νr,n為額定風速；Pr,n為額定輸出功率。

圖1　最大輸出功率與風速之間關系

考慮風速的不確定性對電力系統產生的影響，風速預測通常會產生一定誤差，導致計劃發電功率與實際可用功率之間不同。風力發電成本可分為預期成本、低估懲罰成本和高估懲罰成本3項[17]。即風力發電成本為：

Cw,n=cw,nPs,n+E(cw,u,n[Pw,n-Ps,n]++

cw,o,n[Ps,n-Pw,n]+)

(3)

式中：cw,n，cw,u,n，cw,o,n分別表示直接成本系數、低估懲罰成本系數、高估懲罰成本系數；Ps,n表示計劃發電功率；[x]+=max{x,0}；E(x)表示x的期望。

1.2　微型燃氣輪機發電成本

微型燃氣輪機發電成本與其輸出功率之間的關系可設為：

(4)

式中：Cg,n為節點n的微型燃氣輪機發電成本；Pg,n為發電功率；cgn,2和cgn,1均為成本系數。

1.3　排污成本

虛擬電廠中微型燃氣輪機運行，以及向大電網購買的電能會產生CO2，SOx，NOx等污染氣體。虛擬電廠的排放成本均可表示為：

(5)

式中：l為污染物的種類數；N表示虛擬電廠的節點總數；αi表示排放污染氣體i的懲罰成本；βi,grid為大電網排放污染氣體i的排放因子；Ps為虛擬電廠向大電網的購電功率；βi,g,n表示節點n微型燃氣輪機排放污染氣體i的排放因子。

2分布式優化調度數學建模

2.1　目標函數

為了實現虛擬電廠各分布式電源總運行成本最低，同時虛擬電廠運行產生的污染氣體對環境影響最小，目標函數為：

minF={F1,F2}

(6)

(7)

F2=Ce

(8)

式中：c為向大電網購買電能的價格；Pν2g,n表示節點n電動汽車的充放電功率；正表示充電；負表示放電。

2.2　約束條件

(1)等式約束

虛擬電廠在運行中需滿足功率平衡，即滿足：

(9)

式中：Pd,n，ΔPL,n分別表示節點n的負荷功率和網損。

(2)不等式約束

a.線路傳輸功率限制

虛擬電廠運行中需滿足線路傳輸功率限制，即滿足：

(m=1,…,M)(10)

式中：M表示傳輸線路的條數；ηmn為節點n向傳輸線路m的注入功率靈敏度；Pm為線路傳輸線路m的傳輸功率極限。

b.發電功率極限

微型燃氣輪機運行時需滿足最大和最小發電功率限制，即：

(11)

c.爬坡速度限制

風力發電機和微型燃氣輪機有功出力受到爬坡速度的限制，即：

(12)

(13)

d.電動汽車充放電限制

電動汽車在虛擬電廠優化調度時，需滿足充放電功率限制，同時，為了保證電池過充和過放對電池壽命的影響，以及正常行駛功能，需滿足：

(14)

(15)

3模型求解

通過增加變量，可以將等式約束條件轉化為不等式約束條件，因此，電動汽車參與下的虛擬電廠分布式優化調度模型可表示為：

minF(X)

s.t.X∈R?En

其中，X=(x1,x2,…,xn)T，F(X)=(f1(X),f2(X))T，R={X|g(X)≤0},g(X)=(g1(X),g2(X),…,gm(X))T，。

針對多目標優化問題，傳統方法經常采用目標加權法，通過固定的權重系數，將多目標優化問題轉換為單目標優化問題。這種方法權重系數直接影響著優化結果的好壞，并且，由于采用單目標優化方法去優化新的效用函數，每次優化智能獲得一個最優解，如果不具備足夠的關于問題先驗知識，即使優化過程很成功，也很難判別優化結果的最優性。

為了減小傳統目標加權法中權重系數對優化結果產生的不利影響，本文采用VEPSO算法。算法的步驟如下：

(1)在可行域內隨機規模為N的微粒群。

(3)對微粒群1和2，分別確定其中最佳微粒，將其作為微粒群中的社會共享信息。

(4)對于不同子微粒群中的微粒，均利用來自其他微粒群的社會共享信息來調整自己的飛行速度，并更新其位置，更新后的所有微粒重新組合成新的微粒群。

(5)重復步驟(2)~(4)，直至滿足終止條件(達到設定精度或運算次數)，從2個子微粒群中選取一組最優解構成最優解集，作為優化結果輸出。

4仿真

8節點電力系統結構如圖2所示，線路負荷功率、節點上負荷、微型燃氣輪機參數、風力發電機參數、電動汽車參數分別如表1~6所示，節點2含150輛電動汽車，節點4含300輛電動汽車，向電網購買電能的價格為0.45元/kW·h。

圖2　8節點電力系統結構

表1　線路參數

表2　節點上負荷

表3　微型燃氣輪機參數

表4　風力發電機參數

采用VEPSO優化算法，取計算精度為10-4，功率調度曲線如圖4所示，目標函數的誤差曲線如圖4所示。由圖3，4可知，經過33次運算可得精確解，VEPSO優化算法具有較快的收斂速度和較高的計算精度。

表5　電動汽車參數

表6　懲罰成本和排放因子

圖3　功率調度曲線

圖4　目標函數的誤差曲線

不同目標下優化調度的總費用如表7所示，由調度結果可知，多目標條件下，總發電成本略高于以發電成本最小為目標的優化調度，但大幅減少了排污成本，降低了虛擬電廠運行對環境造成的污染。

表7　不同目標下優化調度的總費用　元

5結論

考慮配電網中大量電動汽車的儲能特性，本文建立了電動汽車參與下的虛擬電廠多目標優化調度模型，以包含電動汽車、風力發電機組、微型燃氣輪機的8節點虛擬電廠為例，運用基于向量求值的粒子群優化算法求解優化調度模型。通過對比分析多目標與單目標條件下優化調度結果，體現了所提出的方法可以使虛擬電廠以低成本運行，同時實現良好的環境效益。

參考文獻:

[1]朱昊，韋鋼，陳秋南，等.分布式電源單相并網逆變器控制方法研究[J].電力科學與工程，2013,29(9):6-12.

[2]夏向陽，徐剛，程莎莎，等. 配電網中分布式發電系統的復合并網控制方法[J].電力科學與工程，2013,29(8):1-5.

[3]趙興勇，康凱，趙艷秋.分布式電源選址定容優化算法[J].電力科學與工程，2011,27(3):51-54.

[4]郭劍鋒，彭春華.含分布式發電的配電網規劃研究[J].電力科學與工程，2009,25(8):17-21.

[5]Pudjianto D, Ramsay C, Strbac G. Virtual power plant and system intergration of distributed energy resources[J].Renewable Power Generation,IET,2007,1(1):10-16.

[6]廖強強，穆廣平，徐華，等.電動汽車電池用于電網低電壓線路的儲能調壓實驗[J].電力建設，2014,35(5):56-59.

[7]房旭雪，葉林，趙永寧，等.平抑風電功率波動的儲能容量經濟配置方法[J].電網與清潔能源，2013,29(12):101-106,118.

[8]金鵬，艾欣，孫英云.考慮原動機特性的下垂控制策略研究[J].華北電力大學學報(自然科學版)，2013,40(6):7-12.

[9]劉國中.基于FD-Monte Carlo混合法的節點電價和節點可靠性指標評估[J].電力科學與工程，2012,28(9):18-23.

[10]李軍軍，吳政球，譚勛瓊，等.風力發電及其技術發展綜述[J].電力建設，2011,32(8):64-72.

[11]潘歡，陳錦麟，張黨強，等.計及抽搐電站調峰運行的水火電優化調度[J].電力科學與工程，2013,29(10):1-5.

[12]陳飛，羅運虎.國外與國內兩種微電網供電方式的協調[J].電網與清潔能源，2013,29(1):24-28.

[13]鄭靜，文福拴，周明磊.計及需求側響應的含風電場的輸電系統規劃[J].華北電力大學學報(自然科學版)，2014,41(3):42-48.

[14]李莉，譚忠富，關勇.發電公司與供電公司聯合實施可中斷負荷的優化模型[J].電力科學與工程，2008,24(2):16-19.

[15]張燕，周明.考慮備用成本的含風電場短期經濟調度[J].電力科學與工程，2011,27(4):6-12.

[16]楊楠，王波，劉滌塵，等．計及大規模風電和柔性負荷的電力系統供需側聯合隨機調度方法[J]．中國電機工程學報，2013，33(16)：63-70．

[17]孫惠娟，彭春華，易洪京．大規模風電接入電網多目標隨機優化調度[J]．電力自動化設備，2012，32(5)：123-128．

Multi-objective Optimization Scheduling of Virtual Power Plant with Electric Vehicles

Luo Jie1，Wu Junming1，Chen Dechao2, Yi Zhipeng3, Deng Weihua4(1.Hunan Province Key Laboratory of Smart Grids Operation and Control, Changsha University of Science and Technology, Changsha 410114,China;2.State Grid Jiangxi Gandongbei Power Supply Company, Leping 333300,China; 3.State Grid Huangshan Power Supply Company, Huangshan 245000,China;4.Liuyang Electric Power Supply Company, Changsha 410300,China)