计及多元效益的电动汽车换电站与风电协同优化研究

发布时间：2020-09-10 08:17

　　电力系统的安全经济运行是以可靠的电源供应和较为精确的负荷预测为基础的,大规模风电并网造成的强不确定性给电网调度运行带来了严峻挑战。而随着风电并网规模的不断增大,化石能源发电(主动电源)的主导地位不断被削弱,仅依靠主动电源被动应对风电强不确定性的传统思路已难以使调度摆脱强不确定性的困境,亟需挖掘新的调控手段,并从风电侧入手,力求在其并网前就全部或部分消除其不确定性,降低对电网带来的冲击。在风电大规模并网和电动汽车迅速发展的背景下,本文将风电与电动汽车换电站的协同优化作为核心问题展开研究,挖掘二者的协同效应,建立以换电站直接消除风电强不确定性为目的的合作机制,以合作的方式化解风电的不确定性,对于促进风电的开发利用,推动电动汽车产业的发展,缓解能源危机和环境污染的双重压力,具有重要的理论和现实意义。与被动应对风电并网的传统思路不同,本文利用换电站可同时兼作储能电站与主动负荷的多元效益,通过对换电站和风电的协同优化,主动应对风电的不确定性。首先,基于集中充电统一配送的换电模式,建立了集中型充电站与风电场的联合运营框架,提出将集中型充电站依托风电汇集站建设并与风电场构成联合系统,以独立的企业经营者身份参与电网运行。然后结合风电场和集中型充电站的实际运行特点,建立了联合系统的多维度运营指标评价体系。在联合系统的运营框架下,分别对其容量优化配置问题、发电计划决策问题和协同优化调度问题进行了系列研究。为了权衡联合系统的初始投资和运营收益,需要合理配置集中型充电站的容量。本文在风电场容量确定的情况下提出了集中型充电站的多目标容量优化配置模型和算法。模型以联合系统的未满足换电量指标、弃风电量指标以及年化收益指标实现的概率最大化为目标,通过考虑风电功率和换电需求等不确定性因素对规划结果的影响,提高了规划结果在实际运行中的可行性。利用蒙特卡洛模拟与遗传算法相结合的方式对模型进行了求解,仿真结果验证了模型和算法的有效性:模型能够综合考虑初始投资、风电上网电价和电池寿命等多个因素,权衡集中型充电站“低充高放”的盈利空间,从而确定集中型充电站的容量优化配置。在满足换电需求和风电利用率要求的基础上,提高联合系统的盈利能力。作为特殊的发电厂,联合系统的发电计划不但影响自身的运营收益而且影响电网的安全运行。本文结合相关机会目标规划思想,提出了联合系统的多目标发电计划决策方法。首先,基于联合系统的运营框架,提出了其运行控制策略。然后,在已知风电功率和换电需求预测误差概率分布的基础上,结合风电上网电价,构建了联合系统的日前发电计划优化决策模型。最后,通过对三种场景的对比分析,表明模型能够依据决策者对不同指标的重视程度和风险承受水平制定出尽可能满足其预期的发电计划,通过发挥风电场和集中型充电站间的协同效益,促进风电、电动汽车、电网多赢局面的达成。为提高联合系统应对风电出力和换电需求随机性的能力,提出了日前和日内相协调的两阶段协同调度模型和算法。日前调度模型以多个指标实现的概率最大化为目标函数,以剩余电量代替充放电功率作为决策变量,为日内优化决策模型提供有效的指导信息,实现了对集中型充电站调节能力的全局优化配置。在日内运行阶段,基于集中型充电站的备用容量,建立日内优化决策模型,滚动优化其充放电功率,以应对风电出力和换电需求的随机波动。仿真结果表明,与单一时间尺度的调度模型相比,本模型更有利于挖掘集中型充电站的多元效益,避免调节能力被过早用尽的情况出现,提高了联合系统的发电计划跟踪能力。针对风电和换电站分属不同投资主体且无意愿聚合成联合系统的场景,本文基于充换电模式,进一步提出了分散式风电与充换电站的合作框架。基于博弈论思想,将二者各自追求自身利益最大化过程建模为风电运营商为领导者、充换电站为跟随者的Stackelberg博弈模型,并根据模型的强Stackelberg均衡和弱Stackelberg均衡的特点分别提出相应的求解方法。仿真结果表明,所提模型能够在风电运营商和充换电站追求各自利益最大化的同时自动实现资源的优化配置,达成共赢的局面。
【学位单位】：哈尔滨工业大学
【学位级别】：博士
【学位年份】：2018
【中图分类】：U469.72;TM614
【部分图文】：

业务流程图,模式,电池,充电站

图 2-2 集中充电统一配送模式的业务流程图Fig. 2-2 Diagram of the centralized charging and unified distributing pattern配送站仅提供电池更换服务，由于不需要对电池进行充电，因而不存在问题，而且占地面积小，主要建在离电动汽车用户更近的市中心区域。用户在配送站更换下来的空电池将通过物流系统配送至集中型充电站统

【参考文献】