一种主动配电网联合V2G充电场站协同规划方法技术

本发明专利技术提供一种主动配电网联合V2G充电场站协同规划方法，包括以下步骤：S1：获取EV用户的行为特征和相应的配网数据信息，建立大规模MISOCP问题模型；S2：根据规划问题的物理特性和变量之间的弱耦合作用，采用顺序分解法将大规模MISOCP问题模型分解为第一阶段和第二阶段，其中，第一阶段为MILP问题模型，第二阶段为相对小规模MIS OCP问题模型；S3：使用求解器顺序求解MILP问题模型和相对小规模MISOCP问题模型，获得规划结果。采用本发明专利技术提供的方法，能够在低EV渗透率下获取最优规划结果。够在低EV渗透率下获取最优规划结果。够在低EV渗透率下获取最优规划结果。

【技术实现步骤摘要】
一种主动配电网联合V2G充电场站协同规划方法


[0001]本专利技术涉及电力系统规划领域，尤其涉及一种主动配电网联合V2G充电场站协同规划方法。

技术介绍

[0002]近年来，电动汽车(Electric Vehicle,EV)领域发展迅速，其依靠电能作为能量补给，具有环境友好性。此外，车载动力电池既可以作为负载充电也可作为电源放电，和电网具有双向互动能力(Vehicle to grid,V2G)，可以将其视为主动配电网(Active Distribution Network,ADN)的移动储能装置来减少固定储能的投资。
[0003]EV直接影响配电网规划调度，其通过V2G技术参与电力系统有功功率优化控制，其中包括削峰填谷、频率调节和减少网损，提高电力系统的可靠性和安全性；还可以通过无功交互参与电力系统的无功功率优化调节，保持系统电压稳定。因时空灵活特征，还可用于消纳可再生能源的波动和不确定性。然而，未合理规划引导的EV同样会带来相应的负面影响，危害电力系统安全稳定运行，因此，对配电网和V2G充电场站合理规划对电网公司以及用户意义重大。
[0004]目前，对主动配电网联合V2G充电场站协同规划的方法研究主要集中在启发式算法和数学优化方法。启发式算法可以给出质量较高的可行解，但无法保证结果的最优性。数学优化方法虽然可以保证解的最优性，但多采用概率模型，如果考虑每辆EV的充放电行为，规模较大时求解困难，甚至得不到最优解，综上所述，现有技术中的方法较难获取最优规划方案。

技术实现思路

[0005]针对上述问题，本专利技术提出一种主动配电网联合V2G充电场站协同规划方法，充分考虑到了不同区域(居民区、办公区和商业区)EV用户的行为特征。除此之外，还对配电网内多种分布式能源(Distribution Generat ion Resources,DGRs)进行建模，包括光伏(Photovoltaic,PV)、储能(Energy Storage System,ESS)、静止无功补偿器(Capacitor Bank,CB)、分组投切电容器(Static Var Compensator,SVC)和有载调压变压器(On Load Tap Changer,OLTC)，从而获得最优规划方案。
[0006]为实现上述目的，本专利技术采用如下方案：
[0007]本专利技术提供一种主动配电网联合V2G充电场站协同规划方法，包括以下步骤：
[0008]S1：获取EV用户的行为特征和相应的配网数据信息，建立大规模MI SOCP问题模型；
[0009]S2：根据规划问题的物理特性和变量之间的弱耦合作用，采用顺序分解法将大规模MISOCP问题模型分解为第一阶段和第二阶段，其中，第一阶段为MILP问题模型，第二阶段为相对小规模MISOCP问题模型；
[0010]S3：使用求解器顺序求解MILP问题模型和相对小规模MISOCP问题模型，获得规划
结果。
[0011]在一些实施例中，本专利技术还包括以下技术特征：
[0012]步骤S1具体为：在充分考虑EV用户行为不确定性的基础上，对配电网拓扑结构、V2G充电场站改造新建区域和多种DGRs的运行进行规划，建立大规模MISOCP问题模型：
[0013]min
x∈X,y∈Y
f(x)+E
ξ
[q(y,ξ)]ꢀꢀꢀ
(1)
[0014][0015]其中，x代表待规划的ADN与V2G充电场站的建设和运行变量，y代表EV充放电行为的优化变量，X,Y代表变量x,y的可行域集合，G和d表示对变量y约束的矩阵和向量，T，W和h分别代表对x和y同时约束的矩阵和向量，体现变量之间的耦合作用；ξ(q,G,T,W,d,h)代表用户行为的不确定性，包括K个场景，每个场景概率为p
k
，E表示多场景概率的期望，q表示把变量处理成目标函数的常数矩阵。
[0016]步骤S2包括以下步骤：
[0017]S2
‑
1：所述第一阶段中，根据EV充放电行为特征不确定集ξ，在满足用户用电需求的基础上，对EV充放电行为y进行优化，具体为：
[0018]min
y∈Y
q
T
(ξ)y
ꢀꢀꢀ
(3)
[0019]s.t.G(ξ)y＝d(ξ)
ꢀꢀꢀ
(4)
[0020]式中，y代表EV充放电行为的优化变量，G和d表示对变量y约束的矩阵和向量；
[0021]S2
‑
2：所述第二阶段中，将第一阶段优化目标函数(3)和约束条件(4)后的结果q
T
(ξ)y命名为Q(y,ξ)，代入第二阶段对ADN与V2G充电场站的建设和运行变量x进行求解，确定配电网拓扑结构、V2G充电场站改造新建选址定容，以及多种DGRs出力情况，建立相对小规模MISOCP问题模型，具体为：
[0022]min
x∈X
f(x)+E
ξ
[Q(y,ξ)]ꢀꢀꢀ
(5)
[0023][0024]式中，x代表待规划的ADN与V2G充电场站的建设和运行变量，T，W和h分别代表对x和y同时约束的矩阵和向量，包括K个场景，每个场景概率为p
k
，E表示多场景概率的期望。
[0025]步骤S2
‑
1具体为：
[0026]以EV用户充电花费和放电补贴金额总和最小为目标函数，优化充放电行为，建立MILP问题模型，为公式(3)的物理表达形式：
[0027][0028]其中，代表根据分时电价设定t时段充电价格，代表t时段用户放电补
贴，激励在用户不违背固有行为习惯的基础上向电网反向送电，p
ch,u,t
和p
dis,u,t
分别代表第u辆EV接入电网的时间段t内充放电功率，τ
u
代表第u辆EV接入电网的时间段。
[0029]在所述第一阶段中，还包括以下约束，为公式(4)的物理表达形式：
[0030][0031][0032][0033]p
ch,u,t
≤(1
‑
p
u
)
×
M
ꢀꢀꢀ
(11)
[0034]p
dis,u,t
≥
‑
p
u
×
M
ꢀꢀꢀ
(12)
[0035][0036][0037]p
u
∈{0,1}
ꢀꢀꢀꢀ
(15)
[0038]公式(8)
‑
(15)为EV行为约束方程，公式(8)表示电池充放电过程中的容量约束，表示第u辆EV的电池容量，代表容量上下限，代表接入电网的初始车载电量，和表示第u辆EV在时间t的充放电功率；公式(9)表示每辆EV离网时，车载电量要满足用户需求，表示第u辆EV的离网电池容量本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种主动配电网联合V2G充电场站协同规划方法，其特征在于，包括以下步骤：S1：获取EV用户的行为特征和相应的配网数据信息，建立大规模MISOCP问题模型；S2：根据规划问题的物理特性和变量之间的弱耦合作用，采用顺序分解法将大规模MISOCP问题模型分解为第一阶段和第二阶段，其中，第一阶段为MILP问题模型，第二阶段为相对小规模MISOCP问题模型；S3：使用求解器顺序求解MILP问题模型和相对小规模MISOCP问题模型，获得规划结果。2.根据权利要求1所述的主动配电网联合V2G充电场站协同规划方法，其特征在于，步骤S1具体为：在充分考虑EV用户行为不确定性的基础上，对配电网拓扑结构、V2G充电场站改造新建区域和多种DGRs的运行进行规划，建立大规模MISOCP问题模型：min
x∈X,y∈Y
f(x)+E
ξ
[q(y,ξ)]
ꢀꢀꢀꢀ
(1)其中，x代表待规划的ADN与V2G充电场站的建设和运行变量，y代表EV充放电行为的优化变量，X,Y代表变量x,y的可行域集合，G和d表示对变量y约束的矩阵和向量，T，W和h分别代表对x和y同时约束的矩阵和向量，体现变量之间的耦合作用；ξ(q,G,T,W,d,h)代表用户行为的不确定性，包括K个场景，每个场景概率为p
k
，E表示多场景概率的期望，q表示把变量处理成目标函数的常数矩阵。3.根据权利要求2所述的主动配电网联合V2G充电场站协同规划方法，其特征在于，步骤S2包括以下步骤：S2
‑
1：所述第一阶段中，根据EV充放电行为特征不确定集ξ，在满足用户用电需求的基础上，对EV充放电行为y进行优化，具体为：min
y∈Y
q
T
(ξ)y
ꢀꢀꢀꢀꢀ
(3)s.t.G(ξ)y＝d(ξ)
ꢀꢀꢀ
(4)式中，y代表EV充放电行为的优化变量，G和d表示对变量y约束的矩阵和向量；S2
‑
2：所述第二阶段中，将第一阶段优化目标函数(3)和约束条件(4)后的结果q
T
(ξ)y命名为Q(y,ξ)，代入第二阶段对ADN与V2G充电场站的建设和运行变量x进行求解，确定配电网拓扑结构、V2G充电场站改造新建选址定容，以及多种DGRs出力情况，建立相对小规模MISOCP问题模型，具体为：min
x∈X
f(x)+E
ξ
[Q(y,ξ)]
ꢀꢀꢀꢀꢀ
(5)式中，x代表待规划的ADN与V2G充电场站的建设和运行变量，T，W和h分别代表对x和y同时约束的矩阵和向量，包括K个场景，每个场景概率为p
k
，E表示多场景概率的期望。
4.根据权利要求3所述的主动配电网联合V2G充电场站协同规划方法，其特征在于，步骤S2
‑
1具体为：以EV用户充电花费和放电补贴金额总和最小为目标函数，优化充放电行为，建立MILP问题模型，为公式(3)的物理表达形式：其中，代表根据分时电价设定t时段充电价格，代表t时段用户放电补贴，激励在用户不违背固有行为习惯的基础上向电网反向送电，p
ch,u,t
和p
dis,u,t
分别代表第u辆EV接入电网的时间段t内充放电功率，τ
u
代表第u辆EV接入电网的时间段。5.根据权利要求4所述的主动配电网联合V2G充电场站协同规划方法，其特征在于，在所述第一阶段中，还包括以下约束，为公式(4)的物理表达形式：所述第一阶段中，还包括以下约束，为公式(4)的物理表达形式：所述第一阶段中，还包括以下约束，为公式(4)的物理表达形式：p
ch,u,t
≤(1
‑
p
u
)
×
M
ꢀꢀꢀꢀꢀꢀ
(11)p
dis,u,t
≥
‑
p
u
×
M
ꢀꢀ
(12)(12)p
u
∈{0,1}
ꢀꢀꢀꢀꢀꢀ
(15)公式(8)
‑
(15)为EV行为约束方程，公式(8)表示电池充放电过程中的容量约束，表示第u辆EV的电池容量，代表容量上下限，代表接入电网的初始车载电量，和表示第u辆EV在时间t的充放电功率；公式(9)表示每辆EV离网时，车载电量要满足用户需求，表示第u辆EV的离网电池容量需求；公式(10)
‑
(15)表示EV只可在接入电网时间段内进行充放电行为，且两种行为不可同时进行，充放电功率也要受到相应约束，表示第u辆EV充放电功率的上下限；公式(15)是对0
‑
1变量p
u
的说明，对EV的充放电行为进行限制。6.根据权利要求3所述的主动配电网联合V2G充电场站协同规划方法，其特征在于，步骤S2
‑
2具体为：以最小化投资运行成本为目标函数，规划配电网拓扑、V2G充电场站选址定容和多种
DGRs的运行状态，建立相对小规模MISOCP问题模型，为公式(5)的物理表达形式，具体为：DGRs的运行状态，建立相对小规模MISOCP问题模型，为公式(5)的物理表达形式，具体为：DGRs的运行状态，建立相对小规模MISOCP问题模型，为公式(5)的物理表达形式，具体为：DGRs的运行状态，建立相对小规模MISOCP问题模型，为公式(5)的物理表达形式，具体为：DGRs的运行状态，建立相对小规模MISOCP问题模型，为公式(5)的物理表达形式，具体为：其中，目标函数(16)由四部分组成：年化线路网损(16a)；年化主网购电费用(16b)；V2G场站改造新建费用(16c)；线路规划建设费用(16d)；公式(16a)中，C
tou
代表分时电价，R
ij
代表ij线路电阻，P
ij,t
和Q
ij,t
代表t时间段流过线路ij的有功无功功率，L代表待规划的线路拓扑，TI表示规划的时间区间，N表示所有节点集合；公式(16b)中，代表与主网连接的i节点在t时间段的购入电量，Sub代表建设变电站的节点；公式(16c)和(16d)中，y
i
和z
ij
表示是否建设充电站和线路的0
‑
1变量，代表改造新建场站费用，代表建设配电线路的费用，N表示场站建设的候选节点。7.根据权...

【专利技术属性】
技术研发人员：沈欣炜，王永恒，陈威，
申请(专利权)人：清华大学深圳国际研究生院，
类型：发明
国别省市：