計及風險的含電動汽車配電網(wǎng)分布式電源選址定容優(yōu)化

鄧景松 王英民 孫迪飛 晏寒婷 何俸祿

摘 要：考慮電動汽車充電負荷隨機性的分布式電源選址定容是目前分布式能源接入時亟待解決的問題?；陔妱悠嚦潆娔Ｊ?、日行駛里程、充電時刻的概率分布模型，利用條件風險價值指標衡量充電負荷接入后配電網(wǎng)電壓越限、線路過載及網(wǎng)損升高的風險。提出了計及整體電壓水平、線路過負荷及網(wǎng)損等綜合風險的配電網(wǎng)DG選址定容優(yōu)化模型。提出利用縱橫交叉算法對優(yōu)化目標進行求解，最后利用IEEE-33節(jié)點系統(tǒng)進行算例仿真，論證了本文所提優(yōu)化方法的有效性。

關鍵詞：電動汽車;分布式電源;配電網(wǎng);風險;優(yōu)化

Abstract：With the popularization of electric vehicles， optimal sizing and placement of DG， the randomness of electric vehicle charging load becomes an urgent problem to be solved. Based on the probability distribution model of electric vehicle charging mode， daily driving mileage and charging time， the conditional risk value index is used to measure the risk of voltage limit violation， distribution line overload and network power loss after charging load are connected to the distribution network. A DG optimal sizing and placement model is proposed under the consideration of comprehensive risks such as voltage level， line overload and network power loss of distribution network. It is solved by the crisscross optimization algorithm. Finally， the IEEE-33 node system is used as the simulation scenario to prove the effectiveness of the article optimization method.

Key words：electrical vechicles;distributed generation;distribution network;risk;optimization

0 引言

目前，我國電動汽車產(chǎn)銷保持快速增長，隨之而來的則是電動汽車的充電隨機性增加了電網(wǎng)安全風險的不確定因素[1-4]。另一方面，分布式電源（DG-Distributed Generation）的接入從電源角度進一步增加了配網(wǎng)運行的隨機性。 1）大量充電負荷可能在峰值負荷時段集中接入，增加的負荷需求可能加重電力系統(tǒng)的負擔，可能會導致局部電網(wǎng)過負荷;2）充電樁等基礎設施的建設將改變配電網(wǎng)網(wǎng)絡拓撲結構、增加網(wǎng)絡節(jié)點、增加線路改造困難和電網(wǎng)損耗等，給電網(wǎng)規(guī)劃運行帶來一系列負面影響和困難。

本文結合電動汽車充電負荷特性建模，基于CVar風險評估理論[5-6]，考慮分布式電源及電動汽車接入后配電網(wǎng)的電壓越限及線路過載風險，提出基于一種基于縱橫交叉算法（Criss-Cross Optimization）的配電網(wǎng)分布式電源的選址定容優(yōu)化模型和算法，并利用算例論證了其有效性。

1 電動汽車充電負荷特性建模

根據(jù)研究表明，電動汽車的日行駛里程d的概率密度函數(shù)近似服從對數(shù)正態(tài)分布[7-9]，如式（1）所示。

2 分布式電源選址定容優(yōu)化策略

對于含DG和電動汽車的大型配電網(wǎng)可能出現(xiàn)的風險包括以下兩種情況：一是由于系統(tǒng)元件故障引起的電網(wǎng)運行狀態(tài)的改變，二是因運行條件變化而產(chǎn)生的風險。對于第一種可能發(fā)生的情況，影響最大的因素是系統(tǒng)元件的故障率，可通過選用低故障率的元件來提高系統(tǒng)供電可靠性，降低元件的故障概率，以降低風險。對于第二種可能發(fā)生的情況，即運行條件變化，包括電動汽車充電無序性，分布式電源出力的不確定性，負荷波動性等，其影響因素非常復雜。其中，電動汽車充電和負荷波動方面與人們的生活習慣相關，因此通過控制其不確定性來降低風險是難以實現(xiàn)的，對于DG則可通過裝設控制裝置實現(xiàn)對其出力的控制，從而降低其出力不確定性造成的風險。

綜上所述，本文以過電壓、線路功率兩個方面建立目標函數(shù)控制DG的出力，以降低系統(tǒng)的風險水平。

2.1 DG控制策略

分布式電源由于能源來源具有出力不確定性的特點，本文通過配套相應大規(guī)模的高效儲能裝置，使得DG出力在一段時間內(nèi)可視為恒定可控[10]，實現(xiàn)對DG的優(yōu)化控制。

2.2 電壓風險控制策略

對電壓風險控制的原則為：將所有節(jié)點可能取得的最大可能電壓值和最低可能電壓值均限制在一定范圍內(nèi)，以盡量降低電壓風險。

節(jié)點電壓可在求解CVaR模型后通過潮流計算獲得，設電壓CVaR模型的損失函數(shù)，如式（3）所示。

2.3 線路過負荷風險控制策略

對含DG和電動汽車的配電網(wǎng)線路過負荷的風險控制原則：降低線路負載率使得其不大于線路的的最大允許傳輸，即可降低線路過負荷風險。

線路電流可在求解CVaR模型的過程通過潮流計算獲得，設其CVaR模型的損失函數(shù)，如式（6）所示。

3 含分布式電源和電動汽車的配電網(wǎng)風險控制模型

綜合考慮對含DG和電動汽車配電網(wǎng)的電壓、線路過負荷的風險優(yōu)化控制策略，通過改變DG出力對運行風險進行控制和優(yōu)化，具體模型如下：

4 基于縱橫交叉算法的求解算法

為求解含DG和電動汽車配電網(wǎng)的風險控制優(yōu)化的問題，常用的數(shù)學優(yōu)化方法在求取最優(yōu)解的過程中存在陷入局部最優(yōu)和時間收斂較慢的問題。本文采用的是縱橫交叉算法（Crisscross optimization algorithm，CSO）的算法[11-12]求上述的風險控制模型。CSO是一種基于種群的搜索算法，其搜索機制由橫向交叉和縱向交叉兩種方式相互配合，可提高全局的收斂速度和避免陷入局部最優(yōu)。在迭代過程中每一代這兩種行為將交替進行，每次交叉后得出的解稱為中庸解（MShc，MSvc）。通過引入競爭算子，使得兩種交叉機制有機地結合起來：把交叉后產(chǎn)生的子代進入競爭算子，與其父代進行競爭，保留比父代更優(yōu)秀的粒子進入下次迭代，最后得出的解稱為占優(yōu)解（DSsc，DSvc）。具體算法流程如下：

（1） 獲取父代種群X（第一代為初始化種群，其它代均為縱向交叉產(chǎn)生的占優(yōu)解矩陣DSvc）;

（2） 對父代種群X中所有個體粒子不重復隨機配對，隨機生成1到M個隨機數(shù)，取出相鄰兩個數(shù)作為父代配對粒子的序號i，j;

（3） 父代粒子X（i）和X（j）隨機選取第d維進行橫向交叉，則它們的子代繁殖采用，如式（11）所示。

（5） 參照（2）中得到配對隨機數(shù)，執(zhí)行縱向交叉操作， 式中r在[0，1]之間隨機取值，如式（12）所示。

（6） 計算父代種群X中每個粒子的適應度并比較，取得全局最優(yōu)解gbest，當達到最大迭代次數(shù)或迭代多代最優(yōu)解無變化則終止。

流程圖如圖1所示。

5 算例分析

5.1 含DG的配電網(wǎng)選址算例分析

以IEEE-33節(jié)點系統(tǒng)為分析案例，假設系統(tǒng)接入一臺風機與接入一臺光伏陣列，其容量分別為1 MW和0.5 MW。此外目標函數(shù)中電壓、線路過負荷和網(wǎng)損的權重系分別設定為0.4，0.4和0.2。通過計算得到24小時內(nèi)所有的接入組合，搜索不同組合的24小時綜合風險值，其值最小組合的維數(shù)就是所求的最佳接入位置。結果如表1所示。

根據(jù)計算結果，可知系統(tǒng)綜合風險最小的接入方式下風險為0.217 9和綜合風險最大的接入方式下風險為0.424 1。不同的接入方式對系統(tǒng)風險水平影響甚大。在不確定性的環(huán)境下，對DG進行選址可以較顯著提高規(guī)劃的安全性和經(jīng)濟性。下面通過不同的接入方式間對比說明其影響程度。

設定tsk=14：00，將本文接入方式（簡稱方式1）、風險最?。ê喎Q方式2）和風險最大的接入方式（簡稱方式3）的電壓風險進行對比，結果如圖2所示。

對于風險最小和風險最大的接入方式下風險差值比較，后者大于前者24.54%;從圖2中明顯可見后者從節(jié)點9至節(jié)點18，其電壓風險大于前者。對于風險最小和本文的接入方式下的風險差值比較，后者大于前者5.52%;從圖2中明顯可見后者從節(jié)點27至節(jié)點33，其電壓風險大于前者。

以tsk=14為例，計算整理的網(wǎng)絡損耗風險，具體數(shù)值如表2所示。

通過計算得到24小時內(nèi)所有的接入組合的綜合風險值枚舉得到最小的風險值，獲取其組合的維數(shù)。根據(jù)維數(shù)確定光伏陣列和風機的接入位置，使得系統(tǒng)在不確定性環(huán)境下獲得最佳的風險水平。該方法對大型的分布式電源并網(wǎng)的規(guī)劃研究有著重要的意義，如圖3所示。

5.2 含DG與電動汽車的配電網(wǎng)選址定容算例分析

5.2.1 IEEE-33節(jié)點系統(tǒng)算例分析1

本節(jié)以IEEE-33節(jié)點系統(tǒng)為分析案例，并網(wǎng)情況如下所示：電動汽車滲透率為20%，其負荷平均分布在節(jié)點5、節(jié)點10和節(jié)點25;為了實現(xiàn)對DG出力的優(yōu)化控制，本文對光伏陣列的并網(wǎng)節(jié)點同時配置了一套儲能系統(tǒng)。風機、光伏陣列和儲能電池的容量分別為1 MW、0.5 MW和0.5 MW。假設系統(tǒng)接入一臺風機與接入一臺光伏陣列和儲能系統(tǒng)。采用上節(jié)提出的枚舉方法，獲取最佳的DG的接入位置。結果如表3所示。

按照表3中的DG接入方案接入光伏陣列和儲能電池、風機;假設3種DG出力區(qū)間分別為[0.2 MW，1 MW]、[-0.5 MW，0.5 MW]和[0，0.5 MW]。此外計算綜合風險的目標函數(shù)中電壓、線路過負荷和網(wǎng)損的權重系分別設定為0.4、0.4和0.2。算法的種群規(guī)模為30，最大迭代次數(shù)為100次，橫向交叉率為0.9和縱向交叉為0.7。tsk=21：00和tsk=7：00為系統(tǒng)的峰谷值，以這兩個時間段作為輸入最具代表意義。具體優(yōu)化結果如表4所示。

從表4可以直觀地看到tsk=21：00時段，由于光伏電源不出力和負荷需求處于波峰而導致風機和儲能電池出力值達到最高限制值，系統(tǒng)整體的風險值0.110 6比tsk=7：00時間的整體風險值高0.074 5，前者是后者的三倍。下面選擇tsk=7：00時段對比優(yōu)化前后電壓、線路功率和網(wǎng)損數(shù)據(jù)，如圖4、圖5所示。

從圖4和圖5中可以明顯看出優(yōu)化后系統(tǒng)各個節(jié)點的電壓風險明顯的降低，整體電壓風險水平相對優(yōu)化前降低了39.3%。而由于實際的線路功率相比線路最大功率允許值相差較遠，故線路過負荷整體風險值優(yōu)化前后均為0，但是優(yōu)化前大部分線路CVaR風險值高于優(yōu)化后。

5.2.2 IEEE-33節(jié)點系統(tǒng)算例分析2

同樣以IEEE-33節(jié)點系統(tǒng)為分析案例，并網(wǎng)情況如下所示：電動汽車滲透率為20%，其負荷平均分布在節(jié)點5、節(jié)點10和節(jié)點25;DG接入情況與上節(jié)相同。隨機生成一組DG的接入組合，在此基礎上通過CSO求解優(yōu)化控制模型得到DG的最佳出力。風機的出力區(qū)間為[0.2 MW，1 MW]，儲能系統(tǒng)的出力區(qū)間為[-0.5 MW，0.5 MW]。此外目標函數(shù)中電壓、線路過負荷和網(wǎng)損的權重系分別設定為0.4、0.4和0.2。算法的種群規(guī)模為30，最大迭代次數(shù)為100次，橫向交叉率為0.9和縱向交叉為0.7。tsk=21：00和tsk=7：00大概是系統(tǒng)的峰谷值，以這兩個時間段作為輸入最具代表意義。具體優(yōu)化結果如表5所示。

從表5中兩者的對比結果可見，兩種不同的接入組合使得在DG最佳出力的情況下整體的風險相差很大。tsk=7：00時段兩種不同接入方式下電壓、線路功率，如圖6、圖7所示。

由圖6和圖7中可以明顯看出兩種接入方式優(yōu)化結果的對比情況，采用（18，30）的接入方案，系統(tǒng)部分節(jié)點的電壓風險和線路負荷明顯比（23，18）接入方案要小。綜上所述，本文考慮通過計算所有組合的綜合風險值并對其求和，枚舉得到最佳的接入組合，對降低系統(tǒng)的整體風險有一定的意義。

6 總結

文章在對電動汽車充電模式、日行駛里程概率分布和充電時刻概率分布模型的基礎上，研究了考慮整體電壓風險、線路過負荷風險和網(wǎng)損風險的綜合風險的配電網(wǎng)DG選址定容優(yōu)化問題。利用IEEE-33節(jié)點系統(tǒng)進行仿真分析，并利用CSO算法求解優(yōu)化模型，證明了所提出的綜合風險目標函數(shù)的有效性，仿真結果表明，優(yōu)化方法的優(yōu)化結果有助于提高系統(tǒng)運行的安全性和經(jīng)濟性，且對系統(tǒng)負荷的波動性有較強的適應性。

參考文獻

[1] 李立理，張義斌，周原冰，等. 我國發(fā)展電動汽車充電基礎設施若干問題分析[J]. 能源技術經(jīng)濟，2011（1）：6-10.

[2] 劉煥. 電動汽車充電站建設項目群風險研究[D].重慶：重慶大學，2009.

[3] 厲志輝. 電動汽車充電站對電網(wǎng)影響[D]. 濟南：山東大學，2013.

[4] 徐虹，賀鵬，艾欣.電動汽車充電功率需求分析模型研究綜述[J]. 現(xiàn)代電力，2012，29（3）：51-55.

[5] CIGRE Task Force 38 03.12. Power System Security Assessment：A Position Paper[R]. Electra， 1997 （175）：49-77.

[6] McCalley J D， Vittal V， Abi-Samra N. An overview of risk based security assessment[C]//Power Engineering Society Summer Meeting， 1999. IEEE. IEEE， 1999， 1：173-178.

[7] 田立亭，史雙龍，賈卓. 電動汽車充電功率需求的統(tǒng)計學建模方法[J]. 電網(wǎng)技術，2010（11）：126-130.

[8] Taylor M J，Alexander A.Evaluation of the impact of plug-in electric vehicle loading on distribution system operations[C]//IEEE Power &Energy Society General Meeting，Calgary，Canada，2009：1-6.

[9] Doucet A， Singh S S. Particle methods for change detection， system identification， and control[J]. Proceedings of the IEEE， 2004， 92（3）：423-438.

[10] Schilling M T， Do Coutto Filho M B， da Silva A M L， et al. An integrated approach to power system reliability assessment[J]. International Journal of Electrical Power & Energy Systems， 1995， 17（6）：381-390.

[11] 孟安波，盧海明，李海亮，等. 縱橫交叉算法優(yōu)化FCM在電力客戶分類中的應用[J]. 電力系統(tǒng)保護與控制，2015（20）：150-154.

[12] MENG A， CHEN Y， YIN H， et al. Crisscross optimization algorithm and its application[J]. Knowledge-Based Systems， 2014（67）：218-229.

（收稿日期：2019.09.20）