电动汽车充电与大规模风电并网的协同调度研究

发布时间：2020-08-10 16:23

【摘要】：当今世界的能源消费仍然是以化石燃料为主,可再生能源所占比例仍有很大的提升空间。加之传统的化石资源日益枯竭,以风电为代表的清洁能源得到了广泛的研究与利用;另一方面,为响应国家节能减排、绿色出行的号召,电动汽车在我国也发展迅猛。电动汽车作为减少化石燃料消耗、减少尾气排放的新型交通工具,其优点也逐渐显现出来。但是随着风电等清洁能源的并网容量以及电动汽车渗透率的不断提高,电力系统的发电规划以及调度运行将面临许多新的考验。以风力发电为例,其强烈的波动性与随机性会对电力系统的可靠运行造成一系列负面影响。另有研究表明,国内陆上的可利用风电资源在夜间较高,白天较低,具有明显的反调峰特性,且在实际运行中,风电的大规模入网会造成火电机组偏离经济运行点,因此造成的煤耗增加会抵消风电的经济与环保效益;而电动汽车充电负荷在特定时段内大量、无序加入,也会显著影响电网的安全稳定运行,如造成新的用电高峰、系统网损增加、降低某些节点的电压水平等恶劣工况。因此对电动汽车充电负荷进行合理的引导与调度,使其尽量采用风电等可再生能源进行充电,可最大化发挥二者的效益。本文的主要工作正是基于上述背景与问题展开研究。通过一定方式引导电动汽车合理有序充电,减少电动汽车充电负荷的无序接入对电网的冲击;同时减少发电机组间因引入风电造成的频繁的出力调整,优化机组运行,最终达到削峰填谷、减少系统运行费用的目的。本文首先建立了区域风电与电动汽车充电负荷的功率预测模型,为后文的风电-电动汽车协同调度作铺垫。其次,定性分析了风电的价值构成,并定量描述风电功率波动对火电机组煤耗特性的影响。在此基础上构建了风电-电动汽车协同调度的数学模型。本文提出的模型同时考虑用户需求与电网运行条件的约束,在用户侧根据充电控制方式的不同,设置了三种不同的充电场景,以分析各充电场景对系统调度的影响;电网侧则以系统运行成本、污染物排放量与弃风量为优化目标,以优化电网运行。在设置充电场景时,考虑到了分时电价和电价弹性政策对用户的影响,充分从EV用户角度出发,定量分析了此种充电方式带给电网与用户的经济效益。所选算例验证了所提模型的有效性,并分析了不同电动汽车渗透率对结果的影响。算法方面,通过对量子演化算法(Quantum-Inspired Evolutionary Algorithm,QEA)进行相应改进并作为外层算法求解机组组合问题,并利用传统的粒子群算法(Particle Swarm optimization,PSO)作为内层算法求解经济调度问题,发展出了求解风电-电动汽车协同调度问题的双层粒子群算法。
【学位授予单位】：山东大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TM614;TM73
【图文】：

风电,功率,中间层,权向量

ＢＰ学习算法的基本原理梯度最速下降法，通过梯度搜索使得层与层之间的逡逑连接权值得到及时更新，使得网络的实际输出与样本输出的误差的均方差达到最逡逑小［５８］。如图２－２所示，ＢＰ网络的结构主要由输入层、隐含层和输出层三部分构逡逑成，输入向量Ｘ邋＝邋（ｘｐｘ２，．．．；，，网络中间层输出向量．．，＆／，网络输逡逑出层向重（＾邋＝邋（0１，（？２，．．．，（＾）７，目标向星７＇邋＝邋（／１，？２，．．．，匕）７＇，隐含层有爪个神经兀；逡逑定义输入与中间层之间的权向量为Ｆ邋＝邋（ｖ，ｉ，邋ｖＩ２，．．．，ｖ＿）７＇；中间层至输出的权向量逡逑定义为妒＝0１１，＇＾１２，．．．，？）７＇。逡逑１１逡逑

三层,神经网络,等量关系,梯度下降法

梯度下降法的权值更新公式如下：逡逑１、计算误差函数：逡逑ｅ邋＝去（ｒ－ｃ）２＝４＾＞－４）２邋（々＝１，２，…，Ｚ）邋（２－１）逡逑Ｌ逦２邋ｋ＝＇逡逑２、中间层节点处等量关系：逡逑Ｎ逡逑ｎｅｔｊ邋＝邋Ｙｊｖｖｘ＜逦（２－２）逡逑／＝１逡逑ｊＦ，邋＝ｆ（ｎｅｔｊ）邋（ｉ邋＝邋＼，２，．．”Ｎ，ｊ邋＝、２，．＿．，ｍ）逦（２－３）逡逑３、输出层节点处等量关系：逡逑ｍ逡逑ｎｅｈ逦（２－４）逡逑Ｍ逡逑ｃｋ＝ｆ｛ｎｅｔｋ）逦（２－５）逡逑

梯度下降法,节点,权值,三层

图２－３用以风电功率预测的ＢＰ神经网络结构图逡逑某风机的输出与其当前所在区域的风向、风速、温度、大气湿度及压强均逡逑

【参考文献】