Virtual power plant optimization scheduling method comprehensively considering orderly charging of electric vehicles

技术领域

本发明涉及虚拟电厂优化调度方法，具体涉及一种综合考虑电动汽车有序充电的虚拟电厂优化调度方法。

背景技术

虚拟电厂是一种通过先进信息通信技术和软件系统，实现DG、储能系统、可控负荷、电动汽车等DER的聚合和协调优化，以作为一个特殊电厂参与电力市场和电网运行的电源协调管理系统。虚拟电厂概念的核心可以总结为“通信”和“聚合”。虚拟电厂的关键技术主要包括协调控制技术、智能计量技术以及信息通信技术。

而目前国内的电动汽车正在快速发展，电动汽车的充电功率也在大幅提高，在没有充放电调控的传统情况下，大量不受控制的电动汽车会导致配电网的潮流和电压波动、变压器过载以及严重的能量损失等问题。使得电动汽车有序充电和虚拟电厂新能源消纳间产生矛盾。

发明内容

本发明的目的在于提供一种综合考虑电动汽车有序充电的虚拟电厂优化调度方法，能够有效解决电动汽车有序充电和虚拟电厂新能源消纳间产生矛盾的问题。

为了解决上述技术问题，本发明是通过以下技术方案实现的：

一种综合考虑电动汽车有序充电的虚拟电厂优化调度方法，包括以下步骤：

S1、建立虚拟电厂范畴内电动汽车有序充电控制模型及约束条件；

S2、建立基于虚拟电厂收益、申报偏差最小和新能源消纳的虚拟电厂优化调度模型；

S3、利用混沌-粒子群算法进行虚拟电厂优化调度求解，实现不同场景下虚拟电厂的最优控制。

优选的，所述步骤S1中，电动汽车有序充电模型可以表示为虚拟电厂范畴内电动汽车的有序充电负荷控制，包括电动汽车充电功率控制、充电站功率因素控制和有序充电并网的虚拟电厂内部网络无功/电压控制，最大程度实现电动汽车接入对电网的支撑及经济运行，电动汽车有序充电的目标函数包括充电费用、充电后网络有功损耗以及无功支撑：

F＝min(F₁+F₂+F₃)                   (1)

其中，P_Ev,i为节点i的电动汽车充电功率，M为电动汽车并网接入点数量；F₂为电动汽车充电费用，c_P(t)为分时有功电价，P_loss为电动汽车并网接入后网络损耗，cosθ为电动汽车充电控制功率因素，c_Q(t)为无功补偿电价。

优选的，所述步骤S1中，虚拟电厂范畴内电动汽车有序充电控制模型应该满足的约束包括等式约束和不等式约束：虚拟电厂内有潮流约束方程、电动汽车荷电状态以及节点电压约束：

SOC_Ev,min≤SOC_Ev,i≤SOC_Ev,max           (4)

U_min≤U_i≤U_max                 (5)

其中，P_Ev,i、P_L,i、P_DG,i为节点i的电动汽车功率、负荷功率和新能源接入功率；SOC_i为节点i的电动汽车荷电状态，U_i为节点i电压；θ_ij为节点i和节点j之间的相角，G_ij和B_ij为节点i和节点j之间电导和电纳。

优选的，所述S2中，通过合理储能系统的充放电，在满足电动汽车充电需求的前提下，进一步提升新能源的消纳能力，由此提高虚拟电厂收益能力，构建的虚拟电厂优化调度模型包括目标函数和约束条件，目标函数为：

P(t)＝c₁(t)(P_Wind(t)+P_PV(t)+P_GT(t)+P_ESS(t))   (8)

C(t)＝C_OM(t)+C_GT(t)+C_PE(t)                                  (9)

C_OM(t)＝β_WindP_Wind(t)+β_PVP_PV(t)+β_GTP_GT(t)+β_ESSP_ESS(t)(10)

C_GT(t)＝β_GTP_GT(t)                (11)

C_PE(t)＝c₂(t)(D_n+P_Ev(t)-P_Wind(t)-P_PV(t)-P_GT(t)-P_ESS(t))(12)

P_ESS(t)＝P_ESS,DC(t)-P_ESS,C(t)           (13)

其中P(t)为收益，C(t)为成本；P_Wind(t)为风电功率，P_PV(t)为光伏功率， P_GT(t)为燃气轮机功率，P_ESS(t)储能功率交互功率，P_ESS，DC(t)为储能放电功率， P_ESS,C(t)为储能充电功率；C_OM(t)为运行成本，C_GT(t)为能耗成本，C_PE(t)为惩罚成本；β_Wind、β_PV、β_GT和β_ESS分别为风电、光伏、燃气轮机和储能的运行成本系数；β_GT为燃料成本，c₂(t)为购电电价成本，D_n为申报计划功率。

优选的，所述虚拟电厂优化调度应满足功率平衡等约束条件，主要包括：

E(t)＝E(t-1)+ΔtP_ESS(t)η              (14)

P_GT,min≤P_GT(t)≤P_GT,max              (15)

-R_DΔt≤P_Wind(t)-P_Wind(t-1)≤R_UΔt

-R_DΔt≤P_Wind(t)-P_Wind(t-1)≤R_UΔt              (16)

SOC_ESS,min≤SOC_ESS(t)≤SOC_ESS,max             (17)

其中，E(t)为储能存储电量，η为储能效率，P_GT,min、P_GT,max为燃气轮机的出力最小值和最大值；R_U、R_D表示光伏和风电爬坡的上下爬升率；SOC_ESS(t) 储能系统的状态，SOC_ESS,min、SOC_ESS,max为储能系统最大和最小状态量，一般为 0.1和0.9。

优选的，所述S3中所述混沌-粒子群算法：在优化过程中将混沌算法的遍历性应用到粒子群算法中，由此构造含柯西混沌变异的粒子群优化算法柯西混沌变异主要通过柯西扰动在将停滞不前的粒子最优解在一定范围内进行扰动操作，使粒子位置和速度跳出当前状态；

其中，为第k次迭代粒子的位置，为第k次迭代粒子的飞行速度，rand 为随机函数，tan为正切函数。

优选的，所述S3中所述混沌-粒子群混合优化算法：在优化过程中动态调整权重因子和学习因子，利用平均适应度来调整权重因子，提高算法在不同阶段的开拓能力，构造非线性的学习因子调整计划，在调整过程中分别利用正选和余弦函数实现互补非线性调整，提高不同阶段算法的收敛性；

其中，fit_i为个体在本次迭代中的适应度值，fit_avg为本次迭代中群体的适应度平均值，fit_min为本次迭代中群体中的最小适应度值，w_min、w_max分别为惯性权重的上下限。t、k分别表示当前的迭代次数和最大迭代次数；c_1,e、c_1,s为个体学习因子的边界值，通常设为0.5和2.5；c_2,e、c_2,s为全局学习因子的边界值，通常设为2.5和0.5。

与现有技术相比，本发明的优点是：该方法首先结合市场价格因素，建立虚拟电厂范畴内电动汽车有序充电控制模型及约束条件，对区域内电动汽车实现有效调度；其次，建立基于虚拟电厂收益、申报偏差最小和新能源消纳的虚拟电厂优化调度模型，该模型充分考虑虚拟电厂内部新能源出力、储能系统以及电动汽车负荷需求的协调；最后，利用混沌-粒子群算法进行虚拟电厂优化调度求解，实现不同场景下虚拟电厂的最优控制，有效解决了电动汽车有序充电和虚拟电厂新能源消纳间的矛盾，兼顾虚拟电厂控制的便捷性和运行的经济性和安全性。通过上述方法充分利用电动汽车的无功电压支撑能力，通过控制电动汽车的有功、无功协调控制，实现考虑断面安全稳定约束的虚拟电厂内部源网荷储协调，提高虚拟电厂运行的安全性、经济性和稳定性。