基于電動(dòng)汽車一體化電站的虛擬電廠智能調(diào)度

徐璐, 袁越

(河海大學(xué)能源與電氣學(xué)院, 南京市 210098)

?

基于電動(dòng)汽車一體化電站的虛擬電廠智能調(diào)度

徐璐, 袁越

(河海大學(xué)能源與電氣學(xué)院, 南京市 210098)

隨著能源供應(yīng)的日趨緊張，電動(dòng)汽車的迅速發(fā)展勢(shì)在必行，大量的電動(dòng)汽車儲(chǔ)能電池的無序充電將給電網(wǎng)造成負(fù)面沖擊。為此，提出一體化電站的運(yùn)營模式，建立包含有電動(dòng)汽車充換儲(chǔ)一體化電站和可中斷負(fù)荷的虛擬電廠控制模型；以運(yùn)行成本最小為調(diào)度目標(biāo)，運(yùn)用二進(jìn)制粒子群算法，實(shí)現(xiàn)虛擬電廠的經(jīng)濟(jì)調(diào)度。最后，運(yùn)用仿真算例驗(yàn)證了調(diào)度方案的可行性。結(jié)果表明，在虛擬電廠的控制下，充換儲(chǔ)一體化電站與可中斷負(fù)荷相互配合，可大大緩解高峰用電的緊張，起到削峰填谷的作用。

虛擬電廠; 電動(dòng)汽車; 可中斷負(fù)荷; 二進(jìn)制粒子群算法

0 引 言

根據(jù)中國交通運(yùn)輸部發(fā)布的《交通運(yùn)輸行業(yè)智能交通發(fā)展戰(zhàn)略(2012—2020年)》預(yù)測(cè)，國內(nèi)汽車保有量到2020年會(huì)超過2億輛，以現(xiàn)在的單車耗油量計(jì)算，汽車年耗油將突破3億t。巨大的市場(chǎng)需求與嚴(yán)峻的能源環(huán)境約束之間的矛盾異常尖銳。發(fā)展電動(dòng)汽車，實(shí)現(xiàn)能源轉(zhuǎn)型與產(chǎn)業(yè)振興勢(shì)在必行[1]。電動(dòng)汽車能源供給設(shè)施是電動(dòng)汽車產(chǎn)業(yè)鏈中的重要部分,充換儲(chǔ)一體化電站是集電動(dòng)汽車充電、換電及儲(chǔ)能功能為一體的電站，對(duì)電動(dòng)汽車儲(chǔ)能電池進(jìn)行統(tǒng)一管理，根據(jù)電網(wǎng)電價(jià)對(duì)電池有序充電，提供換電服務(wù)，使電動(dòng)汽車能量供給更加快捷。此種方式便于進(jìn)行專業(yè)的電池保養(yǎng)、維護(hù)、回收，實(shí)現(xiàn)電池的高效利用；此外，還可以將電量通過集成儲(chǔ)能單元進(jìn)行儲(chǔ)能，在用電低谷時(shí)充電，在高峰時(shí)放電，起到削峰填谷的作用[2]?，F(xiàn)有的文獻(xiàn)大部分單從換電站或儲(chǔ)能電站角度考慮[3-7]，如文獻(xiàn)[8]就針對(duì)動(dòng)力電池?fù)Q電站與儲(chǔ)能電站接入微電網(wǎng)模式在可再生能源接納能力、供電可靠性及經(jīng)濟(jì)性等方面進(jìn)行了比較。但對(duì)于結(jié)合充換電功能和儲(chǔ)能功能的一體化電站運(yùn)營模式研究較少。

與此同時(shí)，大量分布式能源的加入讓電網(wǎng)的運(yùn)行情況更為復(fù)雜。虛擬電廠(virtual power plant，VPP)為解決分布式能源并網(wǎng)問題提供了新的思路。VPP通過先進(jìn)的控制、計(jì)量、通信等技術(shù)聚合分布式電源、儲(chǔ)能系統(tǒng)、可控負(fù)荷、電動(dòng)汽車等不同類型的分布式能源，并通過更高層面的軟件構(gòu)架實(shí)現(xiàn)協(xié)調(diào)運(yùn)行，更有利于資源的合理配置[9]。在虛擬電廠的控制下，在高峰期使充換儲(chǔ)一體化電站中的集成儲(chǔ)能單元放電，可大大緩解高峰用電的緊張。在虛擬電廠中接入可中斷負(fù)荷，可起到削峰填谷的作用，同時(shí)通過對(duì)用戶的補(bǔ)償，可以使電力公司和用戶達(dá)到雙贏的效果?，F(xiàn)有的討論虛擬電廠的調(diào)度問題的文獻(xiàn)中[10-13]，考慮電動(dòng)汽車充換儲(chǔ)一體化電站和可中斷負(fù)荷結(jié)合，通過虛擬電廠的精確控制，使各方面合理調(diào)度，做到運(yùn)行成本最小，同時(shí)達(dá)到削峰填谷的目的，并未引起業(yè)界的深入研究。

本文在結(jié)合以上工作基礎(chǔ)上，提出一體化電站的運(yùn)營模式，建立包含有電動(dòng)汽車充換儲(chǔ)一體化電站和可中斷負(fù)荷的虛擬電廠控制模型；以運(yùn)行成本最小為調(diào)度目標(biāo)，運(yùn)用二進(jìn)制離散粒子群算法，實(shí)現(xiàn)虛擬電廠的調(diào)度；論文最后運(yùn)用仿真算例，驗(yàn)證提出的調(diào)度方案的可行性。

1 虛擬電廠模型建立

1.1 虛擬電廠控制模型

綜合看來，虛擬電廠概念的核心可以總結(jié)為“通信”和“聚合”。虛擬電廠可認(rèn)為是通過先進(jìn)信息通信技術(shù)和軟件系統(tǒng)，實(shí)現(xiàn)分布式電源、儲(chǔ)能系統(tǒng)、可控負(fù)荷、電動(dòng)汽車等分布式能源的聚合和協(xié)調(diào)，可以作為一個(gè)特殊電廠參與電力市場(chǎng)和電網(wǎng)運(yùn)行的電源協(xié)調(diào)管理系統(tǒng)。本文所研究的虛擬電廠除控制終端和必要的通信設(shè)備外，主要由可中斷負(fù)荷和電動(dòng)汽車充換儲(chǔ)一體化電站組成，采用集中控制結(jié)構(gòu)，控制模型如圖1所示。

圖1 虛擬電廠的控制模型

虛擬電廠的控制終端接收由發(fā)電系統(tǒng)及電網(wǎng)傳輸而來的發(fā)電及負(fù)荷數(shù)據(jù)，結(jié)合可中斷負(fù)荷提交的中斷時(shí)間及中斷電量數(shù)據(jù)及一體化電站所能提供的電量數(shù)據(jù)，經(jīng)過分析計(jì)算出調(diào)度策略，再將信號(hào)傳輸給所管轄的可中斷負(fù)荷及一體化電站，可中斷負(fù)荷及一體化電站根據(jù)虛擬電廠終端所發(fā)信號(hào)進(jìn)行中斷及充放電。

1.2 一體化電站運(yùn)營模式

電動(dòng)汽車充換儲(chǔ)一體化電站是集充電、電動(dòng)汽車換電以及儲(chǔ)能功能為一體的多功能電站。電站分為3個(gè)部分，儲(chǔ)能區(qū)、充放電區(qū)及換電區(qū)，運(yùn)營模式如圖2所示。

圖2 一體化電站的運(yùn)營模式

在電價(jià)低且負(fù)荷小的時(shí)間段，電網(wǎng)通過充放電裝置給電站中的電動(dòng)汽車儲(chǔ)能電池及集中儲(chǔ)能單元充電，充電電量由電網(wǎng)的發(fā)電量減去負(fù)荷用電量的剩余電量提供。若剩余電量同時(shí)滿足兩者所需總充電量，則兩者同時(shí)充電；若剩余電量不能同時(shí)滿足兩者所需總充電量，優(yōu)先給電站中的電動(dòng)汽車充電，將電動(dòng)汽車儲(chǔ)能電池充滿后再給集中儲(chǔ)能單元充電，電動(dòng)汽車儲(chǔ)能電池供來電站的電動(dòng)汽車換電使用；在電價(jià)高，電網(wǎng)負(fù)荷大的時(shí)間段，集中儲(chǔ)能單元查看電站中存儲(chǔ)的電動(dòng)汽車儲(chǔ)能電池是否足夠，若不足則優(yōu)先給電動(dòng)汽車儲(chǔ)能電池充電，在滿足電動(dòng)汽車換電需求的情況下通過充放電裝置向電網(wǎng)放電。

2 調(diào)度策略及算法

2.1 目標(biāo)函數(shù)及約束條件

本文的調(diào)度是以充換儲(chǔ)一體化電站的集中儲(chǔ)能單元和可中斷負(fù)荷作為調(diào)控資源，在分布式電源自身約束的前提下，實(shí)現(xiàn)虛擬電廠的運(yùn)行成本最小。因此，以最小化虛擬電廠運(yùn)行成本為調(diào)度目標(biāo)，即

Fmin=fEV+fIL

(1)

式中：Fmin為虛擬電廠的最小運(yùn)行成本；fEV為一體化電站的充電成本；fIL為可中斷負(fù)荷的支出。在一體化電站中，存在集成儲(chǔ)能單元和電動(dòng)汽車儲(chǔ)能電池這2個(gè)部分，當(dāng)集成儲(chǔ)能單元在電網(wǎng)中放電時(shí)，將其算作可中斷負(fù)荷一起進(jìn)行調(diào)度。因此，本文將集成儲(chǔ)能單元的充電情形算入fEV，將其放電情形算入fIL。

(2)

式中：Qcharge(t)為t時(shí)刻充電電量；lt為t時(shí)刻充電的單位成本，等于單位電量的電價(jià)加上維護(hù)費(fèi)用。

為便于考慮，默認(rèn)充電電池進(jìn)行一次性充放，即在充滿前不進(jìn)行放電，在放盡前不進(jìn)行充電。對(duì)于可中斷負(fù)荷，

(3)

式中：sch(n,t)為第n個(gè)可中斷負(fù)荷在t時(shí)間段內(nèi)的狀態(tài)，其值為1代表中斷，0代表不中斷；bt為t時(shí)刻基礎(chǔ)電價(jià)；d為對(duì)用戶的費(fèi)用補(bǔ)償系數(shù)；PIL為中斷功率。

對(duì)于可中斷負(fù)荷來說，除了要達(dá)到中斷的成本最小，還要考慮可中斷負(fù)荷本身的約束條件，包括最大中斷次數(shù)，最長中斷時(shí)間和最短中斷間隔時(shí)間的影響[14]。將負(fù)荷中斷補(bǔ)償費(fèi)用，中斷次數(shù)費(fèi)用，違反約束罰金和中斷不足罰金之和構(gòu)成公式(4)。由定義可知，在知道Qcharge(t)及t時(shí)刻充電的單位成本后，fEV可直接算出，因此Fmin由fIL決定，而fIL由公式(4)中的VIL決定。

(20NFI2+21NFI3+…+2β-2NFIβ)ξ+

PevV+PeuctUC

(4)

式中：λ為中斷補(bǔ)償費(fèi)用權(quán)重；NFIi為中斷次數(shù)大于i的負(fù)荷數(shù)量；β為最大中斷次數(shù)；ξ為再次中斷補(bǔ)償?shù)臋?quán)重；Pev為違反負(fù)荷約束的單位次數(shù)的懲罰權(quán)重；V為違反負(fù)荷約束的次數(shù)；Peuc為單位時(shí)間中斷容量不足的懲罰權(quán)重；tUC為中斷不足的小時(shí)數(shù)。

在決定4個(gè)權(quán)重值時(shí)，應(yīng)遵守如下4個(gè)原則：(1)不出現(xiàn)中斷不足情況為最重要條件，因此Peuc要遠(yuǎn)大于其他3個(gè)權(quán)重值；(2)中斷次數(shù)要乘以指數(shù)冪，因此因中斷次數(shù)增多而產(chǎn)生的中斷次數(shù)費(fèi)用增長很快，ξ作為再次中斷補(bǔ)償?shù)臋?quán)重本身不需要太大；(3)λ作為中斷補(bǔ)償費(fèi)用權(quán)重，是在滿足其他條件后的調(diào)控權(quán)重，因此其取值介于Pev與ξ之間；(4)4個(gè)值的大小順序?yàn)镻euc>Pev>λ>ξ。

公式(4)應(yīng)滿足每小時(shí)所需的中斷容量和負(fù)荷特性的相關(guān)約束，即每個(gè)負(fù)荷的實(shí)際中斷時(shí)間小于最長停電時(shí)間，實(shí)際在線時(shí)間大于最短持續(xù)供電時(shí)間，因此相關(guān)約束為

(5)

式中：PL為負(fù)荷功率；Pcharge為電動(dòng)汽車一體化電站內(nèi)電動(dòng)汽車電池及集成儲(chǔ)能單元的充電總功率；PG為電網(wǎng)的總發(fā)電功率；Req(t)為t時(shí)間段所需的中斷容量；Noff(i)為第i個(gè)負(fù)荷實(shí)際中斷時(shí)間；Non(i)為第i個(gè)負(fù)荷持續(xù)在線時(shí)間。

在實(shí)際處理過程中，因?qū)⒁惑w化電站中的集中儲(chǔ)能單元對(duì)電網(wǎng)的放電行為并入可中斷負(fù)荷一起考慮，即默認(rèn)集中儲(chǔ)能單元的放電功率為定值P，對(duì)電網(wǎng)進(jìn)行放電時(shí)sch(n,t)為1，不放電時(shí)為0。

2.2 算法

基本粒子群算法具有參數(shù)少，不需要編碼，容易實(shí)現(xiàn)等優(yōu)點(diǎn)，對(duì)其基本原理及具體過程在此不再贅述?；镜牧Ｗ尤核惴ㄖ饕槍?duì)連續(xù)函數(shù)進(jìn)行搜索運(yùn)算，而本文實(shí)際為離散的組合問題，采用二進(jìn)制離散粒子群算法。粒子速度更新公式為

(6)

式中：c1,c2為學(xué)習(xí)因子，是正常數(shù)。rand(0,1)是[0,1]之間的隨機(jī)數(shù)。

將速度利用Sigmoid函數(shù)轉(zhuǎn)化為概率，通過與[0 1]之間的隨機(jī)數(shù)比較進(jìn)行離散化。Sigmoid公式為

(7)

粒子位置更新公式為

(8)

在本文中，利用二進(jìn)制粒子群算法進(jìn)行可中斷負(fù)荷的調(diào)度，每個(gè)粒子是m×n的矩陣，行、列分別對(duì)應(yīng)可中斷負(fù)荷和一體化電站的編號(hào)、時(shí)間點(diǎn)。sch(n,t)為中斷標(biāo)記，如果負(fù)荷n在時(shí)間t內(nèi)中斷，則sch(n,t)為1，為0時(shí)不中斷。初始狀態(tài)是所有粒子隨機(jī)分布在解空間，并且滿足二項(xiàng)分布，0、1概率均為50%。每次迭代速度為

V(n,t)(k+1)=c1×rand(0,1)×[pch(n,t)(k)-

sch(n,t)(k)]+c2×rand(0,1)×[gch(n,t)(k)-

sch(n,t)(k)]+ωV(n,t)(k)

(9)

式中：pch(n,t)為個(gè)體最優(yōu)解的sch(n,t)值；gch(n,t)為全局最優(yōu)解的sch(n,t)值。

算法流程為：

(1)初始化粒子的位置和速度。

(2)計(jì)算粒子適應(yīng)度函數(shù)值。

(3)判斷Pbest

(4)Gbest=Pbest。

(5)迭代次數(shù)加1。

(6)更新粒子的速度和位置。

(7)判斷算法是否收斂，若是，停止計(jì)算；若否，進(jìn)行(2)。

3 算例分析

一個(gè)城鎮(zhèn)電網(wǎng)，其中包含14個(gè)可中斷負(fù)荷以及2個(gè)電動(dòng)汽車一體化電站。在此電網(wǎng)中，發(fā)電系統(tǒng)可提供的功率為1.6 MW，對(duì)于負(fù)荷超出電網(wǎng)供應(yīng)部分，可以通過切斷可中斷負(fù)荷或者使集中儲(chǔ)能單元放電來提供所缺功率。00:00—08:00，電價(jià)為0.35 元/( kW·h)；08:00—22:00，電價(jià)為0.55元/( kW·h)；22:00—24:00為0.35元/( kW·h)。電網(wǎng)每日負(fù)荷數(shù)據(jù)如表1所示。

表1 每日負(fù)荷數(shù)據(jù)

Table 1 Daily load data

對(duì)于集成儲(chǔ)能單元的補(bǔ)償，因其本身放電時(shí)有維護(hù)費(fèi)用,因此其補(bǔ)償單獨(dú)計(jì)算。該系統(tǒng)內(nèi)存在2個(gè)一體化電站，每個(gè)一體化電站中存在大量充放電機(jī)及2組集成儲(chǔ)能單元，充放電機(jī)充放電功率為50 kW，每組集成儲(chǔ)能單元容量為400 kW·h,充放電功率為100 kW，每放出100 kW·h支出費(fèi)用為80元。該城鎮(zhèn)共有電動(dòng)汽車80輛，每輛車所用電池容量為50 kW·h。

經(jīng)計(jì)算，該電網(wǎng)在00:00—08:00時(shí)間段內(nèi)剩余電量共有6.26 MW·h，可滿足所有電動(dòng)汽車電池及所有集成儲(chǔ)能單元的充電需求，具體充電方案如表2所示。

表2 電動(dòng)汽車電池及集成儲(chǔ)能單元充電方案

Table 2 Charging scheme of electric vehicle battery and integrated energy storage unit

fEV=(50×80+400×4)×0.35=1 960(元)，在負(fù)荷高峰期集成儲(chǔ)能單元的電量可全部用于給電網(wǎng)放電。

該虛擬電廠調(diào)度是16個(gè)可中斷負(fù)荷在12 h內(nèi)的調(diào)度，可中斷負(fù)荷數(shù)據(jù)如表3所示，其中1-14節(jié)點(diǎn)為可中斷負(fù)荷，15、16節(jié)點(diǎn)代表2個(gè)一體化電站中的集成儲(chǔ)能單元。c1,c2取2，4個(gè)權(quán)重值根據(jù)前面設(shè)定的4個(gè)取值原則設(shè)定，根據(jù)此算例實(shí)際情況，在此設(shè)定Peuc為Pev的10倍，經(jīng)過多次試驗(yàn)，確定Peuc=108，Pev=107，ξ=1 000，λ=150 000，種群的粒子個(gè)數(shù)為250個(gè)，迭代次數(shù)為200次。在00:00—11:00時(shí)段及23:00—24:00時(shí)刻，發(fā)電系統(tǒng)供電可支持電網(wǎng)負(fù)荷，所以可中斷負(fù)荷只需在11：00—23：00時(shí)進(jìn)行中斷，通過二進(jìn)制粒子群算法對(duì)VIL進(jìn)行計(jì)算，得出該時(shí)段內(nèi)每小時(shí)的中斷情況如表4所示。

表3 可中斷負(fù)荷數(shù)據(jù)

Table 3 Data of interruptible loads

適應(yīng)度函數(shù)變化由圖3所示。VIL最小值為3.28×108，此時(shí)fIL=1 453.62元。Fmin=fEV+fIL=1 960元+ 1 453.62元= 3 413.62元。

表4 可中斷負(fù)荷調(diào)度結(jié)果

Table 4 Scheduling results of interruptible loads

圖3 適應(yīng)度函數(shù)

在該段時(shí)間內(nèi)的實(shí)際中斷量和多余中斷量如表5所示。

從表5可以看出，在個(gè)別時(shí)間點(diǎn)該算法算出的多余中斷量較大，某些節(jié)點(diǎn)不進(jìn)行中斷結(jié)果會(huì)更好。這是由于該算法考慮時(shí)為避免出現(xiàn)中斷不足，將中斷不足的衡量權(quán)重設(shè)得較大，相對(duì)來講中斷多余受到的懲罰較小。綜合來講，此調(diào)度沒有出現(xiàn)中斷不足的情況，且從表3分析，基本滿足最長中斷時(shí)間和最短間隔時(shí)間的約束。因此結(jié)果較為合理。

表5 實(shí)際中斷量與所需中斷量對(duì)比

Table 5 Comparison of actual interrupted energy and required interrupted energy

4 結(jié) 論

本文提出的包含有電動(dòng)汽車充換儲(chǔ)一體化電站和可中斷負(fù)荷的虛擬電廠調(diào)度策略是可行的。在虛擬電廠的控制下，充換儲(chǔ)一體化電站與可中斷負(fù)荷相互配合，可大大緩解高峰用電的緊張，起到削峰填谷的作用。二進(jìn)制粒子群算法可用于兩者結(jié)合的調(diào)度問題的求解，但結(jié)果并非最佳，更合適的優(yōu)化方法值得研究。

[1]和敬涵, 謝毓毓, 葉豪東, 等. 電動(dòng)汽車充電模式對(duì)主動(dòng)配電網(wǎng)的影響[J]. 電力建設(shè), 2015, 36(1): 97-102. He Jinghan, Xie Yuyu, Yi Haodong, et al. Influence of electric vehicles charging modes on active network distribution[J]. Electric Power Construction, 2015, 36(1):97-102.

[2]解大, 賈玉健, 馮俊淇, 等. 一體化電站對(duì)電力系統(tǒng)區(qū)域控制偏差指標(biāo)的響應(yīng)控制策略[J]. 電力建設(shè), 2014,35(12):19-25. Xie Da, Jia Yujian, Feng Junqi, et al. Integrated station control strategy responding to power system area control error[J]. Electric Power Construction, 2014, 35(12):19-25.

[3]Takagi M, Iwafune Y, Yamamoto H, et al. Energy storage of PV using batteries of battery-switch stations[C]// IEEE International Symposium on Industrial Electronics. Austin: IEEE, 2010: 3413-3419.

[4]丁明, 徐寧舟, 畢銳. 用于平抑可再生能源功率波動(dòng)的儲(chǔ)能電站建模及評(píng)價(jià)[J]. 電力系統(tǒng)自動(dòng)化, 2011, 35(2): 66-72. Ding Ming, Xu Ningzhou, Bi Rui. Modeling of bess for smoothing renewable energy output fluctuations[J]. Automation of Electric Power Systems, 2011, 35(2): 66-72.

[5]馮俊淇, 解大, 賈玉健, 等. 電動(dòng)汽車充放儲(chǔ)一體化電站調(diào)度參數(shù)分析[J]. 電網(wǎng)技術(shù), 2013, 37(12): 3325-3330. Feng Junqi, Xie Da, Jia Yujian, et al. Dispatch parameters analysis of charging/discharging and storage integrated station for electric vehicles[J]. Power System Technology, 2013, 37(12): 3325-3330.

[6]田文奇, 和敬涵, 姜久春, 等. 基于自適應(yīng)變異粒子群算法的電動(dòng)汽車換電池站充電調(diào)度多目標(biāo)優(yōu)化[J]. 電網(wǎng)技術(shù), 2012, 36(11): 25-29. Tian Wenqi, He Jinghan, Jiang Jiuchun, et al. Multi-objective optimization of charging dispatching for electric vehicle battery swapping station based on adaptive mutation particle swarm optimization[J]. Power System Technology, 2012, 36(11): 25-29.

[7]羅卓偉, 胡澤春, 宋永華，等. 換電模式下電動(dòng)汽車電池充電負(fù)荷建模與有序充電研究[J]. 中國電機(jī)工程學(xué)報(bào), 2012, 32(31): 1-10. Luo Zhuowei, Hu Zechun, Song Yonghua, et al. Study on charging load modeling and coordinated charging of electric vehicles under battery swapping modes[J]. Proceedings of the CSEE, 2012, 32(31): 1-10.

[8]曹一家，苗軼群，江全元.含電動(dòng)汽車換電站的微電網(wǎng)孤島運(yùn)行優(yōu)化[J]. 電力自動(dòng)化設(shè)備,2012,32(5):1-6. Cao Yijia, Miao Yiqun, Jiang Quanyuan. Optimal operation of islanded microgrid with battery swap stations[J]. Electric Power Automation Equipment, 2012, 32(5):1-6.

[9]衛(wèi)志農(nóng), 余爽, 孫國強(qiáng), 等. 虛擬電廠的概念與發(fā)展[J]. 電力系統(tǒng)自動(dòng)化, 2013,37(13): 1-9. Wei Zhinong, Yu Shuang, Sun Guoqiang, et al. Concept and development of virtual power plant[J]. Automation of Electric Power Systems, 2013, 37(13): 1-9.

[10]Kwanea A, Thohy A, Meibom P. Demand side resource operation on the Irish power system with high wind power penetration[J]. Energy Policy, 2011, 39: 2925-2934.

[11]Haussmann W B, Erget T, Wittwerc C. Decentralised optimization of cogeneration in virtual power plant[J]. Solar Energy, 2010, 84: 604-611.

[12]Gong Jinxia, Xie Da, Jiang Chuanwen, et al. Multiple objective compromised method for power management in virtual power plants [J]. Energies, 2011, 4(4): 700-716.

[13]Galus M D, Kocn S, Andersson G. Provision of load frequency control by PHEVs, controllable loads, and a cogeneration unit[J]. IEEE Transaction on Industrial Electronics, 2011, 58(10): 4568-4582.

[14]王倩倩, 趙彩虹, 馬成飛, 等. 基于二進(jìn)制粒子群算法的可中斷負(fù)荷優(yōu)化調(diào)度[J]. 南京師范大學(xué)學(xué)報(bào)：工程技術(shù)版, 2011, 11(2), 19-25. Wang Qianqian, Zhao Caihong, Ma Chengfei, et al. Scheduling of interruptible load based on binary particle swarm optimization[J]. Journal of Nanjing Normal University ：Engineering and Technology Edition, 2011, 11(2), 19-25.

(編輯：蔣毅恒)

Intelligent Scheduling for Virtual Power Plant Based on Electric Vehicle Integrated Station

XU Lu, YUAN Yue

(College of Energy and Electrical Engineering, Hohai University, Nanjing 210098, China)

With the shortage of energy supply, it is imperative for electric vehicles to develop rapidly. Large-scale unordered charging of electric vehicles will bring about negative impacts on power grid. Therefore, this paper firstly proposed the operating mode of integrated power station, and constructed the control model of virtual power plant containing electric vehicle integrated station with charging, exchange and storage, and interruptible loads. Secondly, this paper used binary particle swarm optimization algorithm to realize the economic scheduling of virtual power plant, with taking the minimum operation cost as the scheduling target. Finally, the feasibility of the proposed scheduling scheme was verified by simulation example. The results show that under the control of the virtual power plant, the electric vehicle integrated station with charging, exchange and storage and the interruptible loads can cooperate with each other, which will greatly relieve the strain on the peak and make the system more effective.

virtual power plant; electric vehicle; interruptible load; binary particle swarm optimization algorithm

TM 910.6；U 469.72

A

1000-7229(2015)07-0133-06

10.3969/j.issn.1000-7229.2015.07.019

2015-04-14

2015-06-06

徐璐(1989)，女，通信作者，碩士研究生，主要研究方向?yàn)樘摂M電廠優(yōu)化調(diào)度；

袁越(1966)，男，教授，博士研究生導(dǎo)師，研究方向?yàn)殡娏ο到y(tǒng)運(yùn)行與控制、可再生能源發(fā)電系統(tǒng)、智能電網(wǎng)與微網(wǎng)技術(shù)。