薛新白, 吴红斌
(合肥工业大学 电气与自动化工程学院,安徽 合肥 230009)
含电动汽车与分布式电源的配电网络最优潮流
薛新白, 吴红斌
(合肥工业大学 电气与自动化工程学院,安徽 合肥 230009)
文章基于电动汽车的时空特性模型,研究了电动汽车在无序充电和有序充放电策略下对配电网络有功损耗和电压偏移的影响。考虑分布式电源的运行特性,构建了分布式电源的潮流计算模型。在电动汽车有序充放电的基础上,以一天24 h为基础,建立了包括网络损耗、发电成本、污染物处理费用3个目标函数,采用改进的粒子群算法(particle swarm optimization,PSO),求解含电动汽车与分布式电源的配电网络最优潮流。利用IEEE33算例系统,验证了模型和算法的正确性。研究表明,对电动汽车充放电进行有序的引导以及分布式电源的加入,可以达到降低网损、节约成本、减少环境污染和节点电压偏移的目的。
配电网络;电动汽车;分布式电源;最优潮流;粒子群算法(PSO)
电动汽车具有环保、节能、经济的特点而受到社会的广泛关注。随着风能、太阳能等分布式电源的引入,也会在一定程度上缓解化石能源危机问题[1-2]。分布式电源和电动汽车无论采用何种方式接入都会对电网产生较大的影响[3-5],因此有必要进行合理的有序引导,同时满足配电网络的安全、可靠和经济性。
文献[6]研究了电动汽车充电方式对配电网负荷的影响,研究表明电动汽车的渗透率以及接入电网的起始充电时间对日负荷有显著的影响。文献 [7-8]针对可入网电动汽车进行智能管理,可以降低用电高峰的负荷需求。由于分布式电源的加入,传统的潮流计算方法已经不适用于这类网络,文献[9-10]分析了不同种类的分布式电源的特性,综合考虑了可入网电动汽车的影响进行潮流计算。文献[11]对粒子群算法(particle swarm optimization,PSO)进行改进,求解电力系统多目标问题的最优潮流。
本文基于电动汽车的时空特性模型,研究了电动汽车在无序充电和有序充放电策略下对配电网网络损耗和电压偏移的影响。考虑分布式电源的运行特性,在电动汽车有序充放电的基础上,构建了包括网络损耗、发电成本、污染物处理费用3个目标的综合优化模型,采用改进的PSO算法,进行最优潮流求解。最后,利用IEEE33算例系统进行了仿真验证。
1.1 电动汽车的时空特性模型
电动汽车的充电功率具有时空特性,在文献[12]中有所表述,其决定性因素是用户的行为需求[13]。本文以家用乘用车作为研究对象,根据中国电动汽车用户的上下班习惯,对家用乘用车的返程时间和出行分布进行预测。
(1)
其中,μt=17.47;σt=3.41。
(2)
其中,μs=3.2;σs=0.88。
考虑到电动汽车电池的充放电特性,规定电动汽车蓄电池的荷电状态(state of charge,SOC)不少于20%,即SOC∈[0.2,1]。
1.2 电动汽车无序充电和有序充放电负荷曲线
电动汽车的无序充电是指用户根据自己的日常生活方式随机将电动汽车接入电网进行充电。而电动汽车的有序充放电是指用户对电动汽车的充电和放电进行有序的控制。
设电动汽车数量为300台,单台电池的容量为33.8 kW·h,由蒙特卡洛模拟法可以模拟出300台电动汽车在无序充电和有序充放电的情况下,一天24 h的负荷需求,并叠加在日负荷曲线上,如图1所示。
图1 不同充电策略下的负荷曲线
由图1可以得出:从对大电网的影响角度来看,假设电动汽车都是以无序充电的方式接入电网,300台电动汽车的充电负荷会提高此地区负荷高峰时期的负荷需求。而电动汽车的有序充放电对于日基本负荷有明显的削峰填谷作用。
2.1 目标函数
(1) 系统的有功网损Ploss最小,其表达式为:。
(3)
其中,n为支路总数;Rk为支路k的电阻;Pk、Qk分别为支路k末端流过的有功和无功功率;Uk为支路k末端的电压值。
(2) 系统的发电成本最小,即
(4)
其中,CFuel为发电单元燃料消耗成本;COM为发电单元运行管理成本;CDP为发电单元折旧成本。
(3) 系统的污染物处理费用最小,即
(5)
其中,i为发电单元的编号;N为发电单元的总个数;k为所排放的污染物类型(CO2、SO2、NOX等);Ck为处理每克k类污染物的费用;γik为第i个发电单元输出每千瓦电能时污染物的排放系数;PGi为第i个发电单元的输出功率;γgirdk为大电网输出每千瓦电能时污染物的排放系数;Pgird为大电网的输出功率。
2.2 约束条件
(1) 等式约束条件。具体如下:
(6)
其中,δij为节点i、j之间的相对功角;PGi、QGi分别为i节点的有功和无功出力;PDi、QDi分别为节点i负荷的有功功率和无功功率。
(2) 不等式约束条件。不等式约束条件包括电源出力约束以及节点电压约束。
电源有功出力PG上下限约束表示如下:
(7)
其中,PG max为电源有功出力的上限值。
节点电压模值Ui上下限约束表示如下:
(8)
其中,Umax、Umin分别为节点电压的上下限。
3.1 改进的PSO算法
PSO算法是近年来发展起来的一种新的进化算法。PSO算法具有算法简单、精度高、收敛快等优点,但是传统的粒子群算法对于高纬的优化问题处理不佳,容易陷入局部最优。为了增强算法的全局性,提高收敛速度和精度,本文采用改进PSO算法来提高最优解的质量。
(1) PSO算法的位置和速度更新公式。在每一次迭代中,通过跟踪粒子本身所找到的局部最优解和整个种群目前找到的全局最优解来更新自己。因此,粒子的速度和位置更新公式[15]如下:
(9)
(2) 自适应惯性因子。改进惯性权重因子可以平衡PSO算法的局部和全局寻优能力。自适应权重系数w的计算公式[15]如下:
(10)
其中,wmax、wmin为惯性权重因子的最大和最小值,一般取wmax=0.9,wmin=0.4;f为当前适应度值;favg、fmin分别为当前所有粒子的平均适应度值和适应度最小值。
(3) 加强学习因子。学习因子c1、c2可以促使粒子向群体中更优秀的个体学习,加快收敛速度。学习因子的更新公式如下:
(11)
其中,c1f、c1i分别为c1的最终值和初始值;c2f、c2i分别为c2的最终值和初始值,一般取c1i=c2f=2.5,c1f=c2i=0.5。
3.2 改进PSO算法的计算步骤
(1) 初始化1个粒子种群。
(2) 根据自适应权重因子w和加强学习因子c1、c2的公式进行更新。
(3) 更新粒子的个体生成位置。
(4) 调用基于前推回代算法的潮流程序来计算每个粒子的适应度。
(5) 更新局部最优适应度和局部最优向量。
(6) 更新全局最优适应度和全局最优向量。
(7) 更新每个粒子的速度。
(8) 检查是否满足迭代停止的条件。若迭代次数达到最大迭代次数则停止迭代,输出全局最优适应度和全局最优向量;否则返回步骤(2)。
4.1 算例系统
本文采用IEEE33节点系统作为算例,用基于前推回代算法的潮流程序计算可入网电动汽车在2种充电策略下的网络损耗和电压偏移;同时引入4种分布式电源,采用改进的PSO算法进行最优潮流计算,该算例系统结构如图2所示。
在该配电网系统中,日负荷的最高峰时总有功负荷为5 334.6 kW,电压基准值UB=12.66 kV。节点1接入大电网作为参考节点,假设其电压保持不变。设节点18、22、25、33有4个充电站,300台电动汽车平均分布在这4个充电站进行充电。
图2 算例系统结构
节点34接入燃料电池,额定参数为P=360 kW,U=12.66 kV。节点35接入工频热电联产同步发电机,额定参数为P=360 kW,cosφ=0.85。节点36、37分别接入光伏、风机系统,发电单元的单位费用见表1所列。相关参数如图3所示。
表1 各发电单元单位费用 元/kW
图3 相关参数
4.2 电动汽车充电策略对配电网络影响分析
当不含分布式电源时,考虑电动汽车无序充电和有序充放电策略,计算一天24 h内配电网络的潮流分布情况,此时系统的总网络损耗见表2所列。
表2 不同充电策略下的网络损耗
由表2可知,电动汽车进行有序充放电可以明显减小系统的网络损耗。
此时选取节点22,比较电动汽车在不同充电策略下的电压值如图4所示,其中参考电压为系统中不含电动汽车充放电负荷时节点22的电压值。
由图4可知,日负荷高峰时(19~22时),对比2种充电策略下节点22的电压值和参考电压曲线可以看出,有序充放电策略下,节点电压最高,说明电动汽车进行有序充放电可以在日负荷高峰时期支撑节点电压,改善用电高峰时的节点电压质量。
图4 不同充电策略下的电压值
4.3 含电动汽车与分布式电源配电网最优潮流
4.3.1 不同算例下的目标函数值
本文将在电动汽车有序充放电基础上,加入风机、光伏、燃料电池、热电联产同步发电机4种分布式电源,进行最优潮流计算。采取风能、光伏最大化利用原则,研究在不同目标函数下,大电网、燃料电池和热电联产同步发电机的出力情况。
算例1 仅仅含电动汽车的有序充放电。
算例2 含分布式电源+电动汽车,以总网络损耗最小为目标函数。
算例3 含分布式电源+电动汽车,以发电成本最小为目标函数。
算例4 含分布式电源+电动汽车,以污染物处理费用最小为目标函数。
不同算例下对应的目标函数值见表3所列。
通过分析表3可以得出:
(1) 算例2~算例4加入分布式电源后,各个目标函数值都显著减小,说明在配电网中加入分布式电源可以减小网络损耗,降低发电成本和污染物处理费用,提高系统效率,具有经济性。
(2) 对比算例2~算例4可以看出,总网络损耗、总发电成本、总污染物处理费用分别在对应目标函数时达到最优,证明了PSO算法的可行性和正确性。
4.3.2 改进的与传统的PSO算法对比分析
选取目标函数2系统总网络损耗评价指标,比较改进的PSO算法和传统PSO算法,结果如图5所示。
图5 收敛曲线
从收敛情况来看,相对于学习因子和惯性权重不变的PSO算法,使用加强学习因子和自适应权重的改进PSO算法使得迭代次数减少(从86次减少到47次),目标函数值更优(从3 172.374降低到3 169.996)。证明了改进的PSO算法的优越性。
4.3.3 不同目标函数下分布式电源的出力分析
在不同目标函数下,各分布式电源的潮流出力情况如图6所示。
图6 不同目标函数下分布式电源的出力对比
由图6a可知,在0~7时,燃料电池的出力一直高于同步发电机,这是由于燃料电池位于负荷的中心位置;而在17~23时,情况与之前相反,电动汽车处于放电阶段,因此在此期间同步发电机的出力一直高于燃料电池。大电网的出力与日负荷曲线的变化基本保持一致,这是由于分布式电源的容量相对较小,电源供应仍以大电网为主。
由图6b可知,当以发电成本最小为寻优目标时,燃料电池的出力一直比热电联产的同步发电机要大,是由于燃料电池的发电成本比同步发电机要小。同时因为大电网的发电成本远远高于2种分布式电源,所以在负荷的高峰时期,2种分布式电源出力一直大于大电网。
由图6c可知,当以污染物处理费用最小为寻优目标时,同步发电机的出力基本上都比燃料电池大,原因是比燃料电池的污染物处理费用要小。同时对比图6b中大电网的出力可以看出,在图6c中大电网的出力略有上升,这是由于大电网的污染物处理费用与分布式电源相差不多。
4.3.4 不同目标函数下节点电压的对比分析
选取节点22,比较分布式电源的加入对其电压值的影响,如图7所示,其中参考电压为系统不含电动汽车充放电负荷及分布式电源时的节点22电压值。
图7 分布式电源对于节点电压的影响
由图7可知,在日负荷高峰时段(19~22时),算例1~算例4中节点22的电压都高于参考电压值,说明电动汽车有序充电策略可以在日负荷高峰时期改善电压质量;同时算例1中的节点电压明显低于算例2~算例4中的电压,说明加入分布式电源可以优化配电网的系统潮流分布,支撑节点电压,提高电压质量。
本文基于电动汽车的时空特性模型,研究了电动汽车在无序充电和有序充放电策略下对配电网络损耗和电压偏移的影响。采用改进的PSO算法,求解含电动汽车与分布式电源的配电网络最优潮流。通过分析得到,电动汽车进行有序充放电可以减小网络损耗和节点电压偏移量;当目标函数不同时,各分布式电源的潮流出力情况不同;加入分布式电源可以进一步优化潮流结果,同时支撑节点电压,提高电压质量。
[1] 王锐,顾伟,吴志.含可再生能源的热电联供型微网经济运行优化[J].电力系统自动化,2011,35(8):22-27.
[2] 周玮,彭昱,孙辉,等.含风电场的电力系统动态经济调度[J].中国电机工程学报,2009,29(25):13-18.
[3] TAYLOR J,MAITRA A,ALEXANDER A,et al.Evaluation of the impact of plug-in electric vehicle loading on distribution system operations[C]//IEEE Power & Energy Society General Meeting.Calgary:IEEE,2009:1-6.
[4] 吴红斌,侯小凡,赵波,等.计及可入网电动汽车的微网系统经济调度[J].电力系统自动化,2014,38(9):78-84.
[5] 田文奇,和敬涵,姜久春,等.电动汽车换电站有序充电调度策略研究[J].电力系统保护与控制,2012,40(21):114-119.
[6] QIAN K J,ZHOU C K,ALLAN M,et al.Modeling of load demand due to EV battery charging in distribution systems[J].IEEE Transactions on Power Systems,2011,26(2):802-810.
[7] MASOUM A S,DEILAMI S,MOSES P S,et al.Smart load management of plug-in electric vehicles in distribution and residential networks with charging stations for peak shaving and loss minimization considering voltage regulation[J].IET Generation,Transmission & Distribution,2011,5(8):877-888.
[8] 占恺峤,宋永华,胡泽春,等.以降损为目标的电动汽车有序充电优化[J].中国电机工程学报,2012,32 (31):11-18.
[9] 丁明,郭学凤.含多种分布式电源的弱环配电网三相潮流计算[J].中国电机工程学报,2009,29(13):35-40.
[10] 王守相,黄丽娟,王成山,等.分布式发电系统的不平衡三相潮流计算[J].电力自动化设备,2007,27(8):11-15.
[11] 刘志鹏,文福拴,薛禹胜,等.计及可入网电动汽车的分布式电源最优选址和定容[J].电力系统自动化,2011,35(18):11-16.
[12] ALRASHIDI M R,EL-HAWARY M E.Hybrid particle swarm optimization approach for solving the discrete OPF problem considering the valve loading effects[J].IEEE Transactions on Power Systems,2007,22(4):2030-2038.
[13] KANG J E,RECKER W W.An activity-based assessment of the potential impacts of plug-in hybrid electric vehicles on energy and emissions using 1-day travel data[J].Transportation Research Part D:Transport and Environment,2009,14(8):541-556.
[14] 田立亭,史双龙,贾卓.电动汽车充电功率需求的统计学建模方法[J].电网技术,2010,34(11):126-130.
[15] 刘媛.含分布式电源的优化调度[D].长沙:湖南大学,2013.
(责任编辑 张 镅)
Optimal power flow of distribution network with electric vehicles and distributed generations
XUE Xinbai, WU Hongbin
(School of Electric Engineering and Automation, Hefei University of Technology, Hefei 230009, China)
Based on the temporal and spatial characteristics of electric vehicles(EVs), the influence of EVs on distribution network active power loss and voltage deviation under uncoordinated charging mode and coordinated charging/discharging mode is studied. Considering the operating characteristics, the models of the distributed generations in power flow calculation are presented. Considering the coordinated charging/discharging strategy and 24 h of a day, the three objective functions which include network loss, cost of power generation and pollutant treatment cost are established. And the improved particle swarm optimization(PSO) algorithm is used to solve the optimal power flow with EVs and distributed generations. The validity of models and algorithm is verified through calculating the IEEE 33-node example system. The result shows that the goals of reducing network loss, cost, environment pollution and voltage deviation can be achieved by adding coordinated charging/discharging of EVs and distributed generations.
distribution network; electric vehicles(EVs); distributed generations; optimal power flow; particle swarm optimization(PSO)
2015-08-26;
2015-11-26
国家自然科学基金资助项目(51177036)
薛新白(1991-),女,安徽合肥人,合肥工业大学硕士生; 吴红斌(1972-),男,湖北鄂州人,博士,合肥工业大学教授,博士生导师.
10.3969/j.issn.1003-5060.2017.01.010
TM714.3
A
1003-5060(2017)01-0053-00