规模化电动汽车和风电协同调度的机组组合问题研究.pdf

第４３卷第１１期２０１５年６月１日电力系统保护与控制ＰｏｗｅｒＳｙｓｔｅｍＰｒｏｔｅｃｔｉｏｎａｎｄＣｏｎｔｒｏｌＶ０１．４３Ｎｏ．１１Ｊｕｎ．１，２０１５规模化电动汽车和风电协同调度的机组组合问题研究汪春，吴可，张祥文，孙海顺，张聪，许晓慧（１．中国电力科学研究院，北京１００１９２；２．强电磁工程与新技术国家重点实验室（华中科技大学），湖北武汉４３００７４）摘要：基于电动汽车通过集中控制器与电网交互的模式，考虑集中控制器所辖区域电动汽车负荷每个调度时段的可控特性，提出将集中控制器充电负荷作为机组组合模型的控制变量。通过蒙特卡洛抽样模拟电动汽车并网场景，计算集中控制器的可调度上限值和下限值，建立了规模化电动汽车与风电协同调度的机组组合模型。算例分析结果表明了应用提出的机组组合模型提高风电消纳能力和降低系统运行成本的有效性。关键词：电动汽车集中控制器；风力发电；协同调度；机组组合；可调度容量ＵｎｉｔｃｏｍｍｉｔｍｅｎｔｃｏｎｓｉｄｅｒｉｎｇｃｏｏｒｄｉｎａｔｅｄｄｉｓｐａｔｃｈｏｆｌａｒｇｅｓｃａｌｅｅｌｅｃｔｒｉｃｖｅｈｉｃｌｅｓａｎｄｗｉｎｄｐｏｗｅｒｇｅｎｅｒａｔｉｏｎＷＡＮＧＣｈｕｎ，ＷＵＫｅ，ＺＨＡＮＧＸｉａｎｇｗｅｎ，ＳＵＮＨａｉｓｈｕｎ２，ＺＨＡＮＧＣｏｎｇ，ＸＵＸｉａｏｈｕｉ（１．ＣｈｍａＥｌｅｃｔｒｉｃＰｏｗｅｒＲｅｓｅａｒｃｈＩｎｓｔｉｔｕｔｅ，Ｂｅｉｊｉｎｇ１００１９２，Ｃｈｉｎａ；２．ＳｔａｔｅＫｅｙＬａｂｏｒａｔｏｒｙｏｆＡｄｖａｎｃｅｄＥｌｅｃｔｒｏｍａｇｎｅｔｉｃＥｎｇｉｎｅｅｒｉｎｇａｎｄＴｅｃｈｎｏｌｏｇｙ，ＨｕａｚｈｏｎｇＵｎｉｖｅｒｓｉｔｙｏｆＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，Ｗｕｈａｎ４３００７４，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ａｓｓｕｍｉｎｇｔｈａｔａｌｌｅｌｅｃｔｒｉｃｖｅｈｉｃｌｅｓｉｎｔｅｇｒａｔｅｄｔｏｔｈｅｇｒｉｄａｒｅｍａｎａｇｅｄｂｙａｇｇｒｅｇａｔｏｒｓ，ｔｈｉｓｐａｐｅｒｐｒｏｐｏｓｅｓｔｈａｔｔｈｅｃｈａｒｇｉｎｇｌｏａｄｏｆｅａｃｈＥＶａｇ￣ｅｇａｔｏｒｃａｎｂｅｄｉｓｐａｔｃｈｅｄｗｉｔｈｉｎｔｈｅｕｎｉｔｃｏｍｍｉｔｍｅｎｔｍｏｄｅｌｔａｋｉｎｇｔｈｅｃｏｎｔｒｏｌｌａｂｉｌｉｔｙｏｆｔｈｅｃｈａｒｇｉｎｇｏｆＥＶｓａｔｅａｃｈｄｉｓｐａｔｃｈｅｄｔｉｍｅｐｅｒｉｏｄｉｎｔｏｃｏｎｓｉｄｅｒａｔｉｏｎ．ＴｈｉｓｃａｎｂｅａｃｃｏｍｐｌｉｓｈｅｄｂｙａｓｓｅｓｓｉｎｇｔｈｅｕｐｐｅｒａｎｄｌｏｗｅｒｌｉｍｉｔｏｆｃｈａｒｇｉｎｇｌｏａｄｏｆｅａｃｈＥＶａｇ￣ｅｇａｔｏｒｂａｓｅｄｏｎｔｈｅｇｒｉｄｃｏｎｎｅｃｔｅｄＥＶｓｓｃｅｎａｒｉｏｓｓｉｍｕｌａｔｉｏｎｕｓｉｎｇＭｏｎｔｅＣａｒｌｏｍｅｔｈｏｄ．Ａｕｎｉｔｃｏｍｍｉｔｍｅｎｔ（ｕｃ）ｍｏｄｅｌｉｓｐｒｏｐｏｓｅｄｆｏｒｏｐｔｉｍａｌｃｏｏｒｄｉｎａｔｉｏｎｏｆｗｉｎｄｐｏｗｅｒｇｅｎｅｒａｔｉｏｎａｎｄｃｈａｒｇｉｎｇｌｏａｄｏｆＥＶａｇｇｒｅｇａｔｏｒｓ．ＣａｓｅｓｓｔｕｄｙｓｈｏｗｔｈａｔｗｉｔｈｔｈｅｐｒｏｐｏｓｅｄＵＣｍｏｄｅｌｔｈｅｗｉｎｄａｂａｎｄｏｎＣａｎｂｅｄｅｃｒｅａｓｅｄａｓｗｅｌｌａｓｔｈｅｃｏｓｔｏｆｏｐｅｒａｔｉｏｎｅｆｆｅｃｔｉｖｅｌｙ．Ｋｅｙｗｏｒｄｓ：ＥＶａｇｇｒｅｇａｔｏｒ；ｗｉｎｄｐｏｗｅｒｇｅｎｅｒａｔｉｏｎ；ｃｏｏｒｄｉｎａｔｅｄｄｉｓｐａｔｃｈ；ｕｎｉｔｃｏｍｍｉｔｍｅｎｔ；ｓｃｈｅｄｕｌｉｎｇｃａｐａｃｉｔｙ中图分类号：ＴＭ６１４文献标识码：Ａ文章编号：１６７４．３４１５（２０１５）１１－００４１．０８０引言机组组合（Ｕｎｉｔｃｏｍｍｉｔｍｅｎｔ，ｕＣ）问题是电网日前调度的内容。对于传统机组组合问题，调度中心根据负荷预测曲线，以机组运行成本最低为目标来制定机组的开机计划；当考虑风电的出力不确定性时，调度中心则需要根据负荷预测曲线和风电预测曲线来制定火电机组的开机计划，同样是以火电机组运行成本最低为目标，系统的备用容量需求则与风电出力的预测精度有一。当电网接入大规模ＥＶ时，若将Ｅｖ作为纯负荷与传统负荷叠加进行机组组合安排会使机组成本大幅基金项目：国家科技支撑计划项目（２０１３ＢＡＡ０１Ｂ００）；国家自然科学基金委项目（５１３６１１３５７０３）；国家电网公司科技项目增加。实际上大多数ＥＶ在一天中９６％的时间里是空闲的ＩＪ，假定电动汽车充电设施条件具备，大量并网的电动汽车具有良好的可控性，可以参与电网调度，辅助电网提高风电接纳能力，降低系统运行成本，提高供电可靠・１￣［５－９］。因此，含大规模Ｅｖ的电力系统机组组合成为热点研究问题。已有的研究工作中，文献『１０］在ＵＣ目标函数中加入了电池电荷状态的罚函数来一定程度上反应ＥＶ用户的需求，文献【ｌ１】以发电机组的运行成本和二氧化碳排放量加权和最小化为目标函数，分别计及了电动汽车的电池消耗及对环境的影响；文献ｉ１１．１２］考虑入网ＥＶ运用Ｖ２Ｇ技术，文献【ｌ１１把每时段内充放电的ＥＶ数量作为可优化调度变量，文献【１２］假设ＥＶ的充电需求都由新能源提供。对于含大规模ＥＶ和风电的ＵＣ问题，则大多按负荷跟踪出力的方式来使ＥＶ负荷与风电出力相协调，文献［１３１．４２．电力系统保护与控制建立了包含电动汽车充、放、耗电约束的风电电动汽车协同利用模型，其中将风电并网容量的一定比例作为风电有功出力预测误差导致的备用容量需求，以电动汽车充放电功率、风电出力、机组出力为控制对象；文献［１４］￣ＪＪ从绿色环保的角度建立了电网碳排放计算模型，分析了电动汽车与风电协同调度的碳减排效益。上述研究工作大多假定调度中心直接与每辆ＥＶ进行通信并对其充电进行控制，但随着ＥＶ规模的扩大，某一调度区域内ＥＶ数量可达数十万辆，由调度中心直接读取单台ＥＶ的行驶数据并对其进行充电安排在实际中也缺乏可行性，因此考虑把某区域内的ＥＶ通过集中控制器（ａｇｇｒｅｇａｔｏｒ）与电网进行交互，是一种比较合理的模式［１５－１６ｊ。基于电动汽车集中管理器模式，常规机组组合的思路是调度中心接受集中管理器目前预测电动汽车负荷，并根据系统常规日负荷和风电出力预测确定开机方式，集中管理器则按照预报负荷控制所辖区域电动汽车充放电。而鉴于电动汽车负荷可控性，本文提出电动汽车集中管理器不仅向调度中心上报日前预测电动汽车负荷，同时根据所辖区域电动汽车出行规律和用户充电需求评估充电负荷可控特性，提出每一调度时段的可调度负荷范围。这样，每个ＥＶ集中管理器的负荷成为机组组合模型中的待求变量，一旦调度通过机组组合给出充电负荷指令，集中管理器按照调度指令控制所辖区域电动汽车。本文首先阐述了ＥＶ集中控制器与电网的交互模式，然后以ＥＶ集中控制器充电负荷、风电出力、机组出力为控制变量，考虑ＥＶ负荷可调度范围、用户充电需求、机组侧等相关约束，建立了ＥＶ集中控制器与风电协同调度的机组组合数学模型；其中ＥＶ负荷的可调度范围根据可调度容量的概念进行评估。最后通过算例分析对比了不同ＥＶ充电控制策略下电力系统机组最优组合结果。１电动汽车一风电协同调度的ＵＣ模型１．１电动汽车集中控制器与电网交互模式作为电动汽车和电网的接口，ＥＶ集中控制器将承担服务电网和用户的双重职责。其与电网和电动汽车的交互模式如图１所示。图１中，ＥＶ集中控制器收集其辖区内的电动汽车用户需求、出行习惯、行驶数据等信息，对辖区内的电动汽车充电负荷进行预测，并评估其可调度范围；调度中心整合传统负荷预测信息、风电预测信息以及Ｅｖ集中控制器上传的ＥＶ负荷预测信息及可调度范围，对机组出力、风电出力以及ＥＶ集中控制器充电负荷进行优化调度，ＥＶ集中控制器充电负荷优化结果作为指令下达给每个ＥＶ集中控制器，ＥＶ集中控制器收到指令后控制其辖区内的每辆电动汽车充电来满足该调度指令。传统负荷预测曲线风电预测曲线图１电动汽车集中控制器与电网交互模式Ｆｉｇ．１ＩｎｔｅｒａｃｔｉｏｎｍｅｃｈａｎｉｓｍｆｒａｍｅｗｏｒｋｏｆＥＶａｇｇｒｅｇａｔｏｒａｎｄｐｏｗｅｒｄ１．２目标函数由于风电具有清洁经济等特点，在《可再生能源法》中已确定了对可再生能源全额上网的扶持政策，因此本模型中不考虑风电的出力成本，优化目标为火电棚鲴运行成本－成本与启动成本之和）最小。ｒ∑∑ｍｉｎＦ（，）＝［（）ｔ＋Ｓｔ（、ｘｏｆｒ￣，ｔ，）】（１）ｔ＝ｌｉ＝１式中：为第ｉ台发电机组第时段的出力；甜为第ｉ台发电机组第ｆ时段的状态，当其处于运行状态时为１，否则为０；ｏｍ为第ｉ台发电丑．第ｆ时段连续停机时间；为第ｉ台发电机组第ｆ时段的燃料成本函数；为第ｉ台发电机细第ｆ时段的启动成本函数：为发电机组总数；Ｔ＝２４，为总优化时段。发电机组燃料成本和启动成本分别如式（２）、式（３）所示。（）＝（ｔ）＋圪＋（２）Ｓｆｔ，．ｏｆｆｔ，，ｔ）＝≤ｆ，＜ｏｍ（＋ｖ，ｏ）且甜一ｚｆ＝１｛，＞（。＋）且一＝１ｌ０，其他Ｌ式中：ａｉ，ｃｉ为第ｉ台发电机组燃料成本系数；为第ｉ台发电机组的热启动成本；为第ｉ台发电机组的冷启动成本；为第ｉ台发电机组的最小允许停机时间；。为第ｉ台发电机细ｌ的冷启动时间。１．３约束条件（１）负荷平衡约束汪春，等规模化电动汽车和风电协同调度的机组组合问题研究－４３一负荷平衡约束如式（４）所示。ＮＮＡｇ￡∑∑ｐｔ＋Ｐｗ＝＋（４）ｉ＝１ｊ＝ｌ式中：ｆＤ为第ｔ时段电力系统的常规负荷水平；为第ｆ时段风电机组出力；为第ｔ时段第个ＥＶ集中管理器的充电负荷指令值；、、蜊是模型的控制对象。（２）机组出力上下限约束机组出力上下限约束如式（５）所示。ｔ≤“ｅｔｆｔ（５）式中，和为机组ｆ的最小和最大出力。ｆ３）旋转备用约束旋转备用约束要考虑风电预测误差所带来的额外的备用需求，如式（６）所示。ＮＮｇ一∑磁Ｒ＋ｗｉ（６）ｉ＝１ｉ＝１式中：为ｆ时段系统旋转备用容量需求；Ｋｗ为风电有功出力预测误差对系统备用的需求百分数：Ｃ为ｆ时段风电容量因数；ｅｗｉ为风电装机容量。（４）发电机组启停时间约束发电机状态从开机到停机时，约束如式（７）。（一）（一ｔ¨≥）０（７）发电机状态从停机到开机时，约束如式（８）。（誓０ｍ一。）（一ｔ）０（８）式中：为第ｉ台发电机组在第ｆ时段连续运行的时间；为第ｉ台发电机组的最小开机时间。（５）爬坡约束火电机组爬坡约束如式（９）所示。一ｐｄ。ｏ一（９）式中，、砖分别为机组ｆ的功率上升量限制和功率下降量限制。（６）风电出力约束风电出力是本模型控制对象之一，其出力约束如式（１０）所示。０ｅｗＣｆｔＰｗｉｎｄ（１０）（７）电动汽车用户充电能量需求约束电动汽车用户充电能量需求约束是为了保证ＥＶ集中控制器有足够的能量来满足各个ＥＶ的充电需求，如式（１１）所示。ｒｒ∑∑＝（１１）式中，为第ｕ，个电动汽车集中控制器在第ｔ时刻的充电负荷的预测值，该值由ＥＶ集中控制器对其辖区内的电动汽车进行负荷预测得到。该式表示，ＥＶ集中控制器整个调度时段内的充电负荷总量在优化后应与充电负荷预测值总量相等，以此来保证ＥＶ集中控制器在被优化调度后依然能有足够的供电量来满足其辖区内的ＥＶ进行充电。（８）ＥＶ集中控制器充电负荷上下限约束ＥＶ集中控制器充电负荷是本模型中控制对象，其控制范围如式（１２１所示。一ｐ＋一ｄ０ｗｎ≤ＰＥｇ一ｐｒｅ＋ｇｇ，一ｕｐ（１２）式中，ｇｇ，一叩、ｐｔ－ｄ。分别为第个电动汽车集中控制器在第，时刻的可上调容量和可下调容量，为正值，ｇｇ，一曲为负值，由可调度容量的计算方法得到。（９）ＥＶ集中控制器充电负荷分配比例约束＾ｒＡ２ｖＡｇｇ∑∑如果一ｇｇ，０，即第ｆ时刻需要ｊ＝１ｙ＝ｌ对ＥＶ集中控制器的充电负荷预测值进行上调，则各ＥＶ集中控制器按照上调容量大小进行比例分配，应满足一：譬一（１３）ⅣⅣ＾ｒＡ龊＾，ＡｇｇＡｇｇｇｇ、一∑∑∑∑一．曙一．ⅣＡｇｇⅣＡ∑∑同理，如果一＜０，即第ｆ时刻，＝ｌｊ＝ｌ需要对ＥＶ集中控制器的充电负荷预测值进行下调，则各ＥＶ集中控制器按照下调容量大小进行比例分配，应满足一一一———一■——■一瓦：一∑∑∑一ｐｔ．２ｐｔｒａｉｎ一．０４）式（１）～式（１４）组成的优化模型为非线性混合整数规划问题。本文采用ＹＡＬＭＩＰ建模软件在Ｍａｔｌａｂ中进行模型的搭建，调用ＣＰＬＥＸ求解器进行计算。为便于求解，对模型的目标函数及约束条件进行部分线性化【ｌ８］。２ＥＶ集中控制器可调度范围计算方法按照本文所提出的机组组合模型，每个ＥＶ集中控制器需要预测所辖区域电动汽车充电负荷及可调度范围。其中，电动汽车充电负荷预测已有较多研究，一种方法是基于辖区电动汽车规模及出行规律通过随机．．４４．．电力系统保护与控制模拟构建ＥＶ并网场景，然后考虑不同的充电策略如无序充电和智能充电，得到电动汽车充电计划以及负荷预测曲线㈣。基于上述随机模拟的充电计划，考虑到ＥＶ负荷充电时间往往小于其并网时间，因此在满足每个电动汽车个体充电需求的前提下，对于正在充电的ＥＶ负荷，可将其切除出电网作为可下调容量，对于没有充电的ＥＶ负荷，可将其并入电网作为可上调容量。因此每个电动汽车集中管理器可以基于场景模拟和电动汽车负荷预测，根据其辖区电动汽车可控性，评估其在每个调度时段可接受的负荷调节范围。计算可调度范围需要确定可上调容量和可下调容量。首先需要对每一辆电动汽车的可控性进行判断，电动汽车可控性通过以下两个判据判断：ｔｏｒ＜（１５）—ｌ＿ｎｅｅｄＳｏｉ，＜了（（Ｑ－ｔ）ｘＡＴｘＰｃ，）ｘｒｌ×１００、≤１；１０。Ｌ。式（１５）为并网判据，为ＥＶ并网时刻，为ＥＶ离网时刻。该判据不成立，表示电动汽车未接入电网，即不可控。式（１６）为充电要求判据，。为用户的期望电量，ｓ：为电池的当前电量，ＡＴ为调度模拟的时间间隔，为ＥＶ的充电功率，为充电效率，Ｃ表示电池容量。若该判据成立，说明即使此调度时段该辆ＥＶ不充电，也能够在用户离开时满足用户的需求，所以该辆ＥＶ在该时刻可以选择充电或者不充电，即可控。若不成立则说明只有从当前时刻开始连续充电直到用户离开，才有可能满足用户的需求，所以该辆ＥＶ在该时刻必须充电，即不可控。同时满足上述两个判据的电动汽车才具有可控性，即该电动汽车可以根据电网需要进行充电或者停止充电。可调度容量具体计算步骤如图２所示。３算例分析３．１算例数据本文以１０机系统为例，系统参数参考文献【１８】，具体数据见附录。给定系统旋转备用容量需求Ｒ为系统容量的１０％。风电容量因数ｃ参考２００９年冬季山东电网的数据选取，风电备用需求Ｋｗ设定为２０％。假设该调度区域内设置了５个电动汽车集中控制器，每个集中控制器中含有２万辆电动汽车，ＥＶ集中控制器内的电动汽车负荷预测参考文献［１９】的模型，采用蒙特卡洛抽样进行电动汽车并网场景模拟。参照美国２００１年交通部统计的家庭车辆行驶调查数图２可调度容量计算流程Ｆｉｇ．２Ｃａｌｃｕｌａｔｉｏｎｐｒｏｃｅｓｓｏｆｓｃｈｅｄｕｌｉｎｇｃａｐａｃｉｔｙ据（ＮａｔｉｏｎａｌＨｏｕｓｅｈｏｌｄＴｒａｖｅｌＳｕｒｖｅｙ，ＮＨＴＳ）对用户出行规律进行统计拟合，假设用户最后一次回家之后并入电网，第２天离开时从电网断开，当ＥＶ电量小于一定值时用户才会选择充电，本文设置起始荷电状态…为服从（２０～５０）的截断正态分布，期望值为４０，均方差为１２。用户并网时会设定期望荷电状态，本文统一取Ｓｏ一＝８０。ＥＶ采取慢速充电模式，充电功率为服从（３－４ｋＷ）均匀分布。ＥＶ采用统一型号的电池，电池容量取Ｃ＝６０ｋＷ。充电效率取＝９５％。３．２算例场景为说明计及电动汽车可控性时能有效降低机组运行成本，对比了下述三种含ＥＶ的机组组合模型的求解结果。模型１：无序充电方式，ＥＶ集中控制器模拟辖区ＥＶｓ并网场景，对电动汽车充电负荷进行预测，作为不可控负荷接入ＵＣ模型中。模型２：智能充电方式下，ＥＶ集中控制器模拟辖区Ｅｖｓ并网场景，以平滑区域负荷曲线为目标，做出充电安排以及预测负荷，作为不可控负荷接入ＵＣ模．．４６．．电力系统保护与控制出了随着风电装机容量的增加，在三种ＵＣ模型下的风电利用率和风电电量占比。时（ａ）所有ＥＶ集中控制器的负荷预测值及指令值时（ｂ）某个ＥＶ集中控制器的负荷预测值及指令值图４三种ＵＣ模型的ＥＶ集中控制器充电负荷曲线Ｆｉｇ．４ＥＶａｇｇｒｅｇａｔｏｒｃｈａｒｇｉｎｇｌｏａｄｓｂｙｔｈｒｅｅｄｉｆｆｅｒｅｎｔＵＣｍｏｄｅｌｓ表２不同风电装机容量下三种ＵＣ模型的风电利用率和风电电量占比Ｔａｂｌｅ２ＵｔｉｌｉｚａｔｉｏｎｒａｔｅａｎｄｐｒｏｐｏｒｔｉｏｎｏｆｗｉｎｄｐｏｗｅｒｗｉｔｈｔｈｒｅｅＵＣｍｏｄｅｌｓａｔｄｉｆｆｅｒｅｎｔｗｉｎｄｐｏｗｅｒｃ０ｐａｃｉｔｙ附录从表２中可以看出，风电装机容量小于１５００ＭＷ时，由于没有富余的风电，电网为零弃风状态，三种ＵＣ模型下风电弃风率和风电电量占比是一样的；当风电装机容量大于２０００ＭＷ时，开始出现弃风，且风电电量占比达到了５０％以上，ＵＣ模型ｌｆＥＶ无序充电）产生的弃风最多而风电电量占比最小，ＵＣ模型３（ＥＶ与风电协同调度１产生的弃风最少而风电电量占比最大；随着风电装机容量的增加，三种ＵＣ模型的风电利用率都逐渐降低，但由于风电装机容量增大了，因此风电出力是增加的，故而风电电量占比是上升的趋势。４结论利用电动汽车的可控性辅助电网接纳可再生能源接入是电动汽车与电网交互应用的热点研究问题，规模化电动汽车通过集中控制器与电网进行交互是一种合理可行的模式。电动汽车集中控制器参与电网机组组合的常规思路是预报电动汽车负荷，调度安排开机方式满足其负荷要求。本文鉴于电动汽车可控特性，提出将集中控制器的充电负荷作为控制变量参与含风电的机组组合问题，集中控制器确定预报负荷及其可调节范围，调度安排开机方式、风电出力以及集群控制器充电指令，使得系统运行成本最小。电动汽车集中控制器基于ＥＶ并网场景随机模拟和充电方式预测充电负荷，进而评估每个调度时段的可调节负荷，将电动汽车可控特性引入机组组合。按照上述思路，本文建立了电动汽车与风电协同调度的机组组合数学模型，介绍了集中控制器充电负荷可调度容量的评估方法，并模拟不同风电并网容量，开展了算例Ｅ匕较研究，研究结果表明了所建立模型在提高风电接纳能力和氐系统行碱本方面的有效Ｉ生。附表１ｌ０机系统机组参数Ｔａｂｌｅ１Ｐａｒａｍｅｔｅｒｓｏｆ１０－－ｇｅｎｅｒａｔｏｒｓｙｓｔｅｍ≥要时辞汪春，等规模化电动汽车和风电协同调度的机组组合问题研究．．４７．．附表２１０机系统机组参数Ｔａｂｌｅ２Ｐａｒａｍｅｔｅｒｓｏｆ１０一ｇｅｎｅｒａｔｏｒｓｙｓｔｅｍ时附图１常规日负荷曲线和风电场容量因数Ｆｉｇ．１Ｃｏｎｖｅｎｔｉｏｎａｌｄａｉｌｙｌｏａｄｃｕｒｖｅａｎｄｃａｐａｃｉｔｙｆａｃｔｏｒｓｏｆｗｉｎｄｆａｒｍｓ０５Ｏ０４５０．４００３５０．３００．２５Ｏ＿２００．１５Ｏｌ０参考文献［１］孟杰，李庚银．含风光电站的电力系统动态经济调度【Ｊ】＿电网与清洁能源，２０１３，２９（１１）：７０．７５．ＭＥＮＧＪｉｅ，ＬＩＧｅｎｇｙｉｎ．Ｄｙｎａｍｉｃｅｃｏｎｏｍｉｃａｌｄｉｓｐａｔｃｈｆｏｒｐｏｗｅｒｓｙｓｔｅｍｃｏｎｔａｉｎｉｎｇｗｉｎｄｐｏｗｅｒａｎｄｐｈｏｔｏｖｏｌｔａｉｃｐｏｗｅｒ［Ｊ］．ＰｏｗｅｒＳｙｓｔｅｍａｎｄＣｌｅａｎＥｎｅｒｇｙ，２０１３，２９（１１）：７０・７５．［２］华文，徐政．包含风电场的发电系统可靠性研究［Ｊ］．高压电器，２０１０，４６（１２）：３６．４０．ＨＵＡＷｅｎ，ＸＵＺｈｅｎｇ．Ｒｅｌｉａｂｉｌｉｔｙａｓｓｅｓｓｍｅｎｔｏｆｇｅｎｅｒａｔｉｏｎｓｙｓｔｅｍｓｃｏｎｔａｉｎｉｎｇｗｉｎｄｆａｒｍ［Ｊ］．ＨｉｇｈＶｏｌｔａｇｅＡｐｐａｒａｔｕｓ，２０１０，４６（１２）：３６－４０．［３］高赐威，张亮．电动汽车充电对电网影响的综述［Ｊ］．电网技术，２０１１，３５（２）：１２７．１３１．ＧＡＯＣｉｗｅｉ，ＺＨＡＮＧＬｉａｎｇ．Ａｓｕｒｖｅｙｏｆｉｎｆｌｕｅｎｃｅｏｆｅｌｅｃｔｒｉｃｓｖｅｈｉｃｌｅｃｈａｒｇｉｎｇｏｎｐｏｗｅｒｇｒｉｄ［Ｊ］．ＰｏｗｅｒＳｙｓｔｅｍＴｅｃｈｎｏｌｏｇｙ，２０１１，３５（２）：１２７－１３１．［４］王锡凡，邵成成，王秀丽，等．电动汽车充电负荷与调度控制策略综述［Ｊ】．中国电机工程学报，２０１３，３３（１）：１－１０．ＷＡＮＧＸｉｆａｎ，ＳＨＡＯＣｈｅｎｇｃｈｅｎｇ，ＷＡＮＧＸｉｕｌｉ，ｅｔａ１．Ｓｕｒｖｅｙｏｆｅｌｅｃｔｒｉｃｖｅｈｉｃｌｅｃｈａｒｇｉｎｇｌｏａｄａｎｄｄｉｓｐａｔｃｈｃｏｎｔｒｏｌｓｔｒａｔｅｇｉｅｓ［Ｊ］．ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＣＳＥＥ，２０１３，—３３（１）：１１０．［５］ＹＵＤ，ＬＩＡＮＧＪ，ＨＡＮＸ，ｅｔａ１．ＰｒｏｆｉｌｉｎｇｔｈｅｒｅｇｉｏｎａｌｗｉｎｄｐｏｗｅｒｆｌｕｃｔｕａｔｉｏｎｉｎＣｈｉｎａ［Ｊ］．ＥｎｅｒｇｙＰｏｌｉｃｙ，２０１ｌ，—３９（１）：２９９３０６．［６］ＹＵＤ，ＨＡＮＸ，ＺＨＡＯＪ．Ａｍｅｔｈｏｄｔｏａｓｓｅｓｓｔｈｅｒｅｇｉｏｎａｌｗｉｎｄｐｏｗｅｒｆｌｕｃｔｕａｔｉｏｎｂａｓｅｄｏｎｔｈｅｍｅｔｅｏｒｏｌｏｇｉｃａｌｏｂｓｅｒｖｉｎｇｓｙｓｔｅｍ［Ｊ］．ＩｎｔｅｒｎａｔｉｏｎａｌＪｏｕｒｎａｌｏｆＧｒｅｅｎＥｎｅｒｇｙ，２０１０，７（５）：５１６－５２９．［７］于大洋，韩学山，梁军，等．基于ＮＡＳＡ地球观测数据库的区域风电功率波动特性分析［Ｊ］．电力系统自动化，２０１ｌ，３５（５）：７７－８１．ＹＵＤａｙａｎｇ，ＨＡＮＸｕｅｓｈａｎ，ＬＩＡＮＧＪｕｎ，ｅｔａ１．Ｓｔｕｄｙｏｎ’ｔｈｅｐｒｏｆｉｌｉｎｇｏｆｃｈｉｎａＳｒｅｇｉｏｎａｌｗｉｎｄｐｏｗｅｒｆｌｕｃｔｕａｔｉｏｎＵｓｉｎｇＧＥＯＳ一５ｄａｔａａｓｓｉｍｉｌａｔｉｏｎｓｙｓｔｅｍｏｆＮａｔｉｏｎａｌＡｅｒｏｎａｕｔｉｃｓａｎｄＳｐａｃｅＡｄｍｉｎｉｓｔｒａｔｉｏｎｏｆＡｍｅｒｉｃａ［Ｊ］．ＡｕｔｏｍａｔｉｏｎｏｆＥｌｅｃｔｒｉｃＰｏｗｅｒＳｙｓｔｅｍｓ，２０１１，３５（５）：７７．８１．［８］于大洋，宋曙光，张波，等．区域电网电动汽车充电与风电协同调度的分析［Ｊ】．电力系统自动化，２０１１，３５（１４）：２４－２９．ＹＵＤａｙａｎｇ，ＳＯＮＧＳｈｕｇｕａｎｇ，ＺＨＡＮＧＢｏ，ｅｔａ１．ＳｙｎｅｒｇｉｓｔｉｃｄｉｓｐａｔｃｈｏｆＰＥＶｓｃｈａｒｇｉｎｇａｎｄｗｉｎｄｐｏｗｅｒｉｎＣｈｉｎｅｓｅｒｅｇｉｏｎａｌｐｏｗｅｒｇｒｉｄｓ［Ｊ］．ＡｕｔｏｍａｔｉｏｎｏｆＥｌｅｃｔｒｉｃＰｏｗｅｒＳｙｓｔｅｍｓ，２０１１，３５（１４）：２４－２９．［９］戴欣，袁越，傅质馨，等．用户侧电动汽车放电策略及其经济效益评估［Ｊ】．电力系统及其自动化学报，２０１３，—２５（６）：５５６１．ＤＡＩＸｉｎ，ＹＵＡＮＹｕｅ，ＦＵＺｈｉｘｉｎ，ｅｔａ１．ｄｉｓｃｈａｒｇｅｓｔｒａｔｅｇｙａｎｄｅｃｏｎｏｍｉｃｂｅｎｅｆｉｔｓｅｖａｌｕａｔｉｏｎｏｆｅｌｅｃｔｒｉｃ—ｖｅｈｉｃｌｅｓｉｎｕｓｅｒｓｉｄｅ［Ｊ］．ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＣＳＵＥＰＳＡ，２０１３，２５（６）：５５－６１．［１０］赵俊华，文福拴，薛禹胜，等．计及电动汽车和风电出力不确定性的随机经济调度［Ｊ］．电力系统自动化，—２０１０，３４（２０）：２２２９．ＺＨＡＯＪｕｎｈｕａ，ＷＥＮＦｕｓｈｕａｎ，ＸＵＥＹｕｓｈｅｎｇ，ｅｔａ１．Ｐｏｗｅｒｓｙｓｔｅｍｓｔｏｃｈａｓｔｉｃｅｃｏｎｏｍｉｃｄｉｓｐａｔｃｈｃｏｎｓｉｄｅｒｉｎｇ湖枷瑚㈣咖姗瑚亭瓣餐．４８．．电力系统保护与控制—ｕｎｃｅｒｔａｉｎｏｕｔｐｕｔｓｆｒｏｍｐｌｕｇｉｎｅｌｅｃｔｒｉｃｖｅｈｉｃｌｅｓａｎｄｗｉｎｄｇｅｎｅｒａｔｏｒｓ［Ｊ］．ＡｕｔｏｍａｔｉｏｎｏｆＥｌｅｃｔｒｉｃＰｏｗｅｒＳｙｓｔｅｍｓ，２０１０，３４（２０）：２２－２９．［１１］陆凌蓉，文福拴，薛禹胜，等．计及可入网电动汽车的电力系统机组最优组合【Ｊ］．电力系统自动化，２０１１，—３５（２１、：１６２０．ＬＵＬｉｎｇｒｏｎｇ，ＷＥＮＦｕｓｈｕａｎ，ＸＵＥＹｕｓｈｅｎｇ，ｅｔａ１．Ｕｎｉｔ—ｃｏｍｍｉｔｍｅｎｔｉｎｐｏｗｅｒｓｙｓｔｅｍｓｗｉｔｈｐｌｕｇｉｎｅｌｅｃｔｒｉｃｖｅｈｉｃｌｅｓ［Ｊ］．ＡｕｔｏｍａｔｉｏｎｏｆＥｌｅｃｔｒｉｃＰｏｗｅｒＳｙｓｔｅｍｓ，２０ｌ１，３５（２１）：１６－２０．［１２１ＧＡＩＮＧＺＬ．Ｄｉｓｃｒｅｔｅｐａｒｔｉｃｌｅｓｗａｒｒｎｏｐｔｉｍｉｚａｔｉｏｎａｌｇｏｒｉｔｈｍｆｏｒｕｎｉｔｃｏｍｍｉｔｍｅｎｔ［Ｃ】／／ＰｏｗｅｒＥｎｇｉｎｅｅｒｉｎｇＳｏｃｉｅｔｙＧｅｎｅｒａｌＭｅｅｔｉｎｇ，ＩＥＥＥ，２００３．［１３］黄海丽，周扬．风电电动汽车协同利用对电网风电接纳能力的影响［Ｊ】＿山东电力技术，２０１４（３）：１－７．ＨＵＡＮＧＨａｉｌｉ，ＺＨＯＵＹａｎｇ．ＩｍｐａｃｔｂｙｓｙｎｅｒｇｉｓｔｉｃｄｉｓｐａｔｃｈｉｎｇｏｆｔｈｅＰＥＶａｎｄｗｉｎｄｐｏｗｅｒｏｎｔｈｅｗｉｎｄｐｏｗｅｒｉｎｔｅｇｒａｔｉｏｎｉｎｐｏｗｅｒｇｒｉｄ［Ｊ］．ＳｈａｎｄｏｎｇＥｌｅｃｔｒｉｃＰｏｗｅｒ，２０１４（３）：１－７．［１４］于大洋，黄海丽，雷鸣，等．电动汽车充电与风电协同调度的碳减排效益分析［Ｊ】．电力系统自动化，２０１２，—３６（１０）：１４１８．ＹＵＤａｙａｎｇ，ＨＵＡＮＧＨａｉｌｉ，ＬＥＩＭｉｎｇ，ｅｔａ１．Ｃ０２ｒｅｄｕｃｔｉｏｎｂｅｎｅｆｉｔｂｙｃｏｏｒｄｉｎａｔｅｄｄｉｓｐａｔｃｈｏｆｅｌｅｃｔｒｉｃｖｅｈｉｃｌｅｃｈａｒｇｉｎｇａｎｄｗｉｎｄｐｏｗｅｒ［Ｊ］．ＡｕｔｏｍａｔｉｏｎｏｆＥｌｅｃｔｒｉｃＰｏｗｅｒＳｙｓｔｅｍｓ，２０１２，３６（１０）：１４－１８．［１５］ＳＨＡＯＣ，ＷＡＮＧＸ，ＤＵＣ，ｅｔａ１．ＣｏｏｐｅｒａｔｉｖｅｄｉｓｐａｔｃｈｏｆｗｉｎｄｇｅｎｅｒａｔｉｏｎａｎｄｅｌｅｃｔｒｉｃｖｅｈｉｃｌｅｓｗｉｔｈｂａｔｔｅｒｙｓｔｏｒａｇｅｃａｐａｃｉｔｙｃｏｎｓｔｒａｉｎｔｓｉｎＳＣＵＣ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎ—ＳｍａｒｔＧｒｉｄ，２０１４，５（５）：２２１９２２２６．［１６］李牧青，宋依群，严正，等．电动汽车代理商的博弈竞争模型和算法研究［Ｊ１．电网技术，２０１４，３８（６）：１５１２．１５１７．ＬＩＭｕｑｉｎｇ，ＳＯＮＧＹｉｑｕｎ，ＹＡＮＺｈｅｎｇ，ｅｔａ１．Ｒｅｓｅａｒｃｈｏｎｇａｍｅｍｏｄｅｌａｎｄａｌｇｏｒｉｔｈｍｆｏｒｅｌｅｃｔｒｉｃｖｅｈｉｃｌｅａｇｇｒｅｇａｔｉｏｎｓ［Ｊ］．ＰｏｗｅｒＳｙｓｔｅｍＴｅｃｈｎｏｌｏｇｙ，２０１４，３８（６）：１５１２．】５】７．［１７］吴小珊，张步涵，袁小明，等．求解含风电场的电力系统机组组合问题的改进量子离散粒子群优化方法［Ｊ１］．中国电机工程学报，２０１３，３３（４）：４５．５２．ＷＵＸｉａｏｓｈａｎ，ＺＨＡＮＧＢｕｈａｎ，ＹＵＡＮＸｉａｏｍｉｎｇ，ｅｔａ１．Ｓｏｌｕｔｉｏｎｓｔｏｕｎｉｔｃｏｍｍｉｔｍｅｎｔｐｒｏｂｌｅｍｓｉｎｐｏｗｅｒｓｙｓｔｅｍｓ—ｗｉｔｈｗｉｎｄｆａｒｍｓｕｓｉｎｇａｄｖａｎｃｅｄｑｕａｎｔｕｍｉｎｓｐｉｒｅｄｂｉｎａｒｙＰＳＯ［Ｊ］．ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＣＳＥＥ，２０１３，３３（４）：４５－５２．１１８ＪＣＡＲＲＩＯＮＭ，ＡＲＲＯＹＯＪＭ．Ａｃｏｍｐｕｔａｔｉｏｎａｌｌｙ—ｅｆｆｉｃｉｅｎｔｍｉｘｅｄｉｎｔｅｇｅｒｌｉｎｅａｒｆｏｒｍｕｌａｔｉｏｎｆｏｒｔｈｅｔｈｅｒｍａｌｕｎｉｔｃｏｍｍｉｔｍｅｎｔｐｒｏｂｌｅｍ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＰｏｗｅｒＳｙｓｔｅｍｓ，２００６，２１（３）：１３７１－１３７８．［１９］张聪，许晓慧，孙海顺，等．基于自适应遗传算法的规模化电动汽车智能充电策略研究『Ｊ】．电力系统保护与控制，２０１４，４２（１４）：１９．２４．ＺＨＡＮＧＣｏｎｇ，ＸＵＸｉａｏｈｕｉ，ＳＵＮＨａｉｓｈｕｎ，ｅｔａ１．Ｓｍａｒｔ—ｃｈａｒｇｉｎｇｓｔｒａｔｅｇｙｏｆｌａｒｇｅｓｃａｌｅｅｌｅｃｔｒｉｃｖｅｈｉｃｌｅｓｂａｓｅｄｏｎａｄａｐｔｉｖｅｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍ［Ｊ］．ＰｏｗｅｒＳｙｓｔｅｍＰｒｏｔｅｃｔｉｏｎ—ａｎｄＣｏｎｔｒｏｌ，２０１４，４２（１４）：１９２４．［２Ｏ］宋豪，宋曙光，王超，等．抽水蓄能电站对山东电网风电接纳能力的影响［Ｊ］．山东大学学报：工学版，２０１１，—４１（５）：１３８１４２．ＳＯＮＧＨａｏ，ＳＯＮＧＳｈｕｇｕａｎｇ，ＷＡＮＧＣｈａｏ，ｅｔａ１．ＩｍｐａｃｔｓｏｆｔｈｅｐｕｍｐｅｄｓｔｏｒａｇｅｐｏｗｅｒｓｔａｔｉｏｎｏｎｔｈｅｗｉｎｄｇｅｎｅｒａｔｉｏｎｉｎｔｅｇｒａｔｉｏｎｃａｐａｂｉｌｉｔｙｏｆｔｈｅＳｈａｎｄｏｎｇＰｏｗｅｒＧｒｉｄ［Ｊ］．ＪｏｕｒｎａｌｏｆＳｈａｎｄｏｎｇＵｎｉｖｅｒｓｉｔｙ：Ｅｎｇｉｎｅｅｒｉｎｇ—Ｓｃｉｅｎｃｅ，２０１１，４１（５）：１３８１４２．收稿日期：２０１５－０１－１１作者简介：汪春（１９８３－），男，硕士，工程师，主要从事水电、火电以及新能源发电方向的研究工作；吴可（１９９０一），女，硕士研究生，主要从事规模化电动汽车与电网交互机理方面的研究工作；Ｅ．ｍａｉｌ：ｗｕｋｅ４９＠ｑｑ．ｃｏｍ张祥文（１９８Ｏ一），男，硕士，高工，主要从事变电站自动化以及新能源发电方向的研究工作。（编辑姜新丽）