电动汽车可调度能力的风车协同参与机组组合方法

王吉 胡珊珊 黄建钟

摘   要：为了提高用户评估电动汽车的利用效率，节省用户成本，提出了风车协同参与机组组合方法。通过构建出电动汽车可调度充电数据模型以及电动汽车可调度充电和放电数据模型，从整体上把握电动汽车运行过程中的容量范围，并且还能够及时、有效地评价电动汽车的风电功率、放电功率以及充电功率等。从而设计出不同汽车类型、不同容量的發电机组的启停机规划，实现用户的最大化利益。通过算例分析，在PEV电网应用环境下进行仿真试验，考虑了不同类型的电动汽车的出行特征，分析出各种不同类型的电动汽车出行数据，并测量、计算出不同时段的汽车输出功率，最终分析出汽车运行的最小成本，通过多次运算，整体误差较小。

关键词：电动汽车;风车协同;参与机组组合;容量范围

中图分类号：TM619                                           文献标识码：A

Windmill Cooperative Participation Unit Combination Method

for Dispatchable Capability of Electric Vehicle

WANG Ji1?，HU Shan-shan1，HUANG Jian-zhong2

（1. China Southern Power Grid Research Institute Co.，Ltd.，Guangzhou，Guangdong 510000，China;

2. Shenzhen Xinglong Technology Co.，Ltd.，Shenzhen，Guangdong 518052，China）

Abstract：In order to improve the user's evaluation of the utilization efficiency of electric vehicles and save the cost of users，a windmill cooperative participation unit combination method was proposed. By constructing an electric vehicle schedulable charging data model and an electric vehicle schedulable charging and discharging data model，the overall capacity range of the electric vehicle during operation can be grasped，and the wind power，Discharge power and charging power，etc.，and then design the start and stop planning of generator sets of different car types and different capacities，so as to achieve the maximum benefits for users. Through the analysis of examples，the simulation test is performed in the PEV grid application environment，considering the travel characteristics of different types of electric vehicles，analyzing the travel data of various types of electric vehicles，and measuring and calculating the output power of the vehicle at different periods. Finally，the minimum cost of automobile operation is analyzed. Through multiple calculations，the overall error is small.

Key words：electric vehicle;windmill synergy;participation in unit portfolio;capacity range

在电网技术中，机组组合（Unit Commitment，UC）问题是需要调度的重要内容[1-2]。在常规技术中，应用到电网中的机组组合通过这种方式实现的：在电网控制端的远程调度中心室内，管理人员或者用户依据电网中的负荷情况来勾画出预测曲线图。然后根据机组运行状况、运行成本等情况按照用户期望的状态为目标，最终以最高的效果制定出机组的开机计划[3-4]。当风电的出力表现为不确定性时，用户则需要根据调度中心表现出的负荷预测曲线以及风电预测曲线，对电机组的运行状态、开机计划等重新制定。这种方式给用户造成了较大的工作量，评估电动汽车能力困难[5-6]。

为了便于用户更好地掌握风车协同参与机组合方法，获取精度较高的电动汽车可调度能力，研究了新型的风车协同参与机组合分析模型，该模型能够根据电动汽车负荷情况，将可调度能力分门别类[7-8]，诸如根据汽车的负荷情况分为无序充电负荷、有序充电负荷、可调充电负荷等，根据负荷情况的不同，再基于车辆行驶过程的各种不同行为特性，进而对电动汽车出行状态、情况或者规律进行模拟、仿真，从而构建出电动汽车行驶情况的状态矩阵以及电动汽车行驶过程中的冲、放电电池容量模型[9-10]。从而全面地、高精度衡量电动车风车协同参与机组组合能力。

上述不同类型的汽车中，每日的机组运行成本如表1所示。表 2 为以上 3 种电动汽车接入模式下进行机组组合计算得到的机组总运行成本、燃料成本和启停成本。

在模式1、模式 2 和模式 3 下，在调度电动汽车负荷的不同充电时段内，通过充电负荷与风电出力的方式情况进行调度，进而达到消纳风电的目的。在模式 3的情况下，风电出力的曲线跟随特性比较好，因而弃风量显得较少。

在进行机组最佳组合方案比较时，首先测量、计算出不同时段的汽车输出功率，以四辆不同的电动汽车的输出功率进行举例说明，如表2所示。

在计算各个不同时段的最小成本时间，该时段中，最终的最小成本可以为：

min f1 = 200 234;min f2 = 200 214;

min f3 = 210 124;min f4 = 221 100;

min f5 = 202 110;min f6 = 201 410;

min f7 = 211 010。

再计算重新启动次数时，则有公式λj（j = 1，2， 3，4） = aij（j = 1，2， 3，4）。

-实际启动的次数

在计算成本时，有：

min最小成本 = min f1 + min f2 + min f3 + min f4 +

min f5 + min f6 + min f7 - λjmj

因此，可以按照上述方式计算出最小成本，配置出最合适的参与机组组合方式，大大减少了汽车运行中的工作消耗。

通过上述试验，通过多次反复的测试，得出如表3所示的误差数据。在表3中，通过计算不同汽车的误差，然后再计算出不同汽车之间的平均误差。

通过上述计算，通过本设计的方案，风车协同参与机机组组合的误差精度在1.3%以下，具有较好的精度。

4   结   论

为了解决机组组合问题，将电动汽车的充放电负荷、负载等参数作为机组组合中的变量参数进行分析，并且通过构建电动汽车可调度充电数据模型，进而分析出可调度电动汽车与风车协同参与的机组组合模型。通过算例分析，从数据分析误差角度、经济效益角度分别分析各种汽车在不同模式下、在充放电或充电时采用分时电价模式，通过将多个电动汽车进行对比分析，本研究的算法通过合理调度电动汽车充放电可以提高风电消纳能力，模型应用计算的误差较小，大大提高了风车协同参与机组组合的能力。

参考文献

[1]    荣经国，艾欣，吴界辰，等.  考虑高比例电动汽车及风电协同参与的机组组合策略[J]. 智慧电力，2019，47（5）：25-31.

[2]    规模化电动汽车和风电协同调度的机组组合问题研究[J]. 电力系统保护与控制，2015（11）：1-60.

[3]    基于禁忌动态规划的含电动汽车机组组合研究[J]. 电力工程技术，2018，37（2）：25-31.

[4]    黄思杰. 基于大数据的智能ERP系统设计[J]. 现代电子技术，2018，41（24）：104-107.

[5]    刘久彪. 空间数据库反向最近邻聚类方法[J]. 吉林大学学报（理学版），2019，57（02）：387-392.

[6]    于繁华，姚亦飞，逯启荣. 教育大数据下基于离群检测的教学预警模型[J]. 吉林大学学报（信息科学版），2018，36（04）：459-464.

[7]    孟杰，李庚银. 含风光电站的电力系统动态经济调度[J]. 电网与清洁能源，2013，（11）：70-75.

[8]    华文，徐政. 包含风电场的发电系统可靠性研究[J]. 高压电器，2010，（12）：36-40.

[9]    王锡凡，邵成成，王秀丽，等. 电动汽车充电负荷与调度控制策略综述[J]. 中国电机工程学报，2013，（1）：1-10.

[10]  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]. 电力系统自动化，2011，（14）：24-29.

[11]  李志雄. 基于改进布谷鸟搜索算法的桥式起重机主梁轻量化方法研究[D]. 太原：中北大学，2018，41-50.

[12]  戴欣，袁越，傅质馨，等.  用户侧电动汽车放电策略及其经济效益评估[J]. 电力系统及其自动化学报，2013（6）：55-61.

[13]  赵文猛，刘明波. 求解含风电场随机机组组合问题的动态削减多切割方法[J]. 电力系统自动化，2014（9） ：26-33.

[14]  馬瑞，康仁，姜飞，等.  考虑风电随机模糊不确定性的电力系统多目标优化调度计划研究[J]. 电力系统保护与控制，2013（1） ：150-156.

[15]  刘吉臻，王海东，李明扬. 含风电的电力系统机组组合问题研究综述[J]. 电力建设，2014（12）：38-45.

[16]  徐秋实，邓长虹，赵维兴，等.  含风电电力系统的多场景鲁棒调度方法[J]. 电网技术，2014（3）：653-661.

[17]  赵俊华，文福拴，薛禹胜，等.  计及电动汽车和风电出力不确定性的随机经济调度[J]. 电力系统自动化，2010（20）：22-29.

[18]  陆凌蓉，文福拴，薛禹胜，等.  计及可入网电动汽车的电力系统机组最优组合[J]. 电力系统自动化，2011（21）：16-20.

[19]  杨明，程凤璐，韩学山. 电力系统实时调度的有效静态安全域法[J]. 中国电机工程学报，2015（6）：1353-1362.

[20]  李牧青，宋依群，严正，等.  电动汽车代理商的博弈竞争模型和算法研究[J]. 电网技术，2014（6）：1512-1517.

[21]  黄海丽，周扬. 风电电动汽车协同利用对电网风电接纳能力的影响[J]. 山东电力技术，2014（3）：1-7.

[22]  刘超. 计及电动汽车最优时空分布的分级调度模型研究[D]. 重庆：重庆大学，2014：1-62.

[23]  于大洋，黄海丽，雷鸣，等.  电动汽车充电与风电协同调度的碳减排效益分析[J]. 电力系统自动化，2012（10）：14-18.

[24]  沈冬梅. 基于改进引力搜索算法的电力系统机组组合问题的研究[J]. 控制科学与工程，2016（08）：1-75.