一种虚拟电厂中电动汽车换电站的容量优化配置方法与流程

本发明涉及电厂参数优化技术领域,具体地说是一种虚拟电厂中电动汽车换电站的容量优化配置方法。

背景技术：

电动汽车换电站需要配置一定的冗余电池，由于动力电池造价高，冗余度过大会显著增加投资和运维成本，造成资源的浪费，而冗余度不足又会降低电动汽车换电站“低充高放”的能力，造成虚拟电厂的发电计划难以与峰谷电价相匹配，降低虚拟电厂的售电收益，严重时甚至会出现无法满足换电需求的情况。因此电动汽车换电站的容量配置问题直接关系虚拟电厂的运营收益。

目前对于换电站容量优化问题的研究多是从电力企业内部利益出发展开的，而对于电网以外投资主体的利益考虑较少。随着电力市场改革的不断推进，电网竞争性业务逐渐放开，换电站的投资主体多元化，不同主体追求着自身利益的最大化，而不同主体所追求利益的差异性将对其投资决策以及运行控制策略产生显著影响。在容量规划中考虑投资主体变化情况，有助于在当前电力市场改革背景下有效指导换电站的投资建设。

在电动汽车换电站与风电场构成虚拟电厂的框架下，电动汽车换电站除了为配送站提供换电服务外，还要发挥多元效益，因此其容量优化问题不仅要考虑换电需求等内部因素，还应当考虑风电消纳等外部因素对其容量配置的影响，如电池容量能否满足风电的备用需求、能否实现虚拟电厂发电计划与峰谷电价的匹配等等。而这些问题再现有技术中均为涉及。

技术实现要素：

本发明实施例中提供了一种虚拟电厂中电动汽车换电站的容量优化配置方法，以解决现有技术中缺少对虚拟电厂容量配置进行研究的问题。

为了解决上述技术问题，本发明实施例公开了如下技术方案：

本发明提供了一种虚拟电厂中电动汽车换电站的容量优化配置方法，所述方法包括：

将电动汽车换电站的电池系统容量、pcs的额定功率以及电动汽车换电站各时段的计划充放电功率作为决策变量，各时段风电场的实际功率和实际换电需求作为随机变量，构建电动汽车换电站的容量优化配置模型；

以未被满足电量指标、弃风电量指标和年化收益指标实现概率的最大化为容量优化模型的优化目标，确定最优的电池系统容量和pcs额定功率。

进一步地，所述容量优化配置模型为：

式中，lexmin{·}为按照字典序最小化目标向量，pr{·}为运行指标实现的概率，分别为未被满足电量指标、弃风电量指标和年化收益指标实现概率的目标值，分别为第i个指标实现的概率偏离其目标值的负偏差和正偏差，为t时段的弃风功率，δt为单位时段长度，qws为虚拟电厂的弃风电量的上限，为t时段未被满足的换电量，qds为虚拟电厂的未被满足换电量的上限，bsold为年售电收入，bev为换电服务的年收入，bevb为电池报废收入的等年值，cevb为电池投资的等年值、cpcs为pcs投资的等年值，cope为虚拟电厂的年化运维费用，bs为最小年化收益，g(·)≤0为约束条件。

进一步地，所述电池投资的等年值cevb的表达式为：

式中，qevb为电池系统的额定容量，βevb为单位电池容量的价格，r0为资金贴现率，levb为电池的使用寿命；

电池使用寿命levb的表达式为：

ncir为电池的额定放电次数，dod为额定放电次数ncir对应的放电深度，为t时段电动汽车换电站的充电功率，nday为一年包含的天数，nt为一天划分的时段数，ηc为电动汽车换电站的充电效率。

进一步地，所述pcs投资的等年值cpcs的表达式为：

式中，ppcs为pcs的额定功率，βpcs为pcs单位功率的价格，l为pcs的使用寿命。

进一步地，所述虚拟电厂的年化运维费用cope的表达式为：

cope＝bpen+mevbβevbqevb+mpcsβpcsppcs

式中，bpen为虚拟电厂出力偏差导致的经济惩罚，mevb为电池系统单位投资的年维护费用，mpcs为pcs单位投资的年维护费用。

进一步地，所述虚拟电厂出力偏差导致的经济惩罚bpen的表达式为：

式中，为t时段虚拟电厂的发电计划，为风电的预测值，为电动汽车换电站的计划充放电功率，充电为正，放电为负，为t时段虚拟电厂的实际输出功率，ρ^t为t时段风电的上网电价，α为功率偏差惩罚系数。

进一步地，年售电收入bsold、换电服务的年收入bev，以及电池报废收入的等年值bevb的表达式分别为：

式中，为t时段满足的换电量，ωev为单位换电量的价格，βevb0为电池报废的单价。

进一步地，所述约束条件包括电池系统和pcs最大容量限制、充放电功率约束、电动汽车换电站电量约束、电动汽车换电站在决策周期末的电量约束以及电动汽车零排放约束。

进一步地，，所述电动汽车换电站的电量约束为：

q^min≤q^t≤qevb，

式中，q^t为t时段电动汽车换电站的电量，q^min为电动汽车换电站的最低电量，qevb为电池系统的额定容量；

t时段电动汽车换电站的电量q^t的迭代过程为：

为第t个时段的充电功率，满足

为第t个时段的放电功率，满足

ηd为电动汽车换电站的放电效率。

进一步地，所述电动汽车换电站在决策周期末的电量约束为：

式中，决策周期末剩余电量，qⁱⁿⁱ为电动汽车换电站的初始电量。

发明内容中提供的效果仅仅是实施例的效果，而不是发明所有的全部效果，上述技术方案中的一个技术方案具有如下优点或有益效果：

1、将电动汽车换电站的容量配置作为研究对象，建立容量优化配置模型，并以未被满足电量指标、弃风电量指标和年化收益指标实现概率的最大化作为优化目标，综合考虑电池和pcs价格以及谷峰电价等因素，确定电池系统和pcs的容量配置，从而指导电动汽车换电站的容量配置，有效提高了规划结果在实际运行中的可行性。

2、容量优化配置模型能够同时考虑风电消纳和虚拟电厂年化收益等外部因素对规划结果的影响。通过综合考虑初始投资、风电上网电价和电池寿命等多个因素，分析电动汽车换电站“低充高放”的盈利空间，从而确定电动汽车换电站的容量优化配置，在满足换电需求的基础上，提高风电利用率，同时响应上网电价提高虚拟电厂的盈利能力。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明所述方法实施例的流程示意图；

图2为染色体的分段编码示意图；

图3是风电上网电价示意图；

图4是典型日的风功率预测值示意图；

图5是典型日的换电需求示意图；

图6是不同电价对应的电池容量优化结果示意图。

具体实施方式

为能清楚说明本方案的技术特点，下面通过具体实施方式，并结合其附图，对本发明进行详细阐述。下文的公开提供了许多不同的实施例或例子用来实现本发明的不同结构。为了简化本发明的公开，下文中对特定例子的部件和设置进行描述。此外，本发明可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施例和/或设置之间的关系。应当注意，在附图中所图示的部件不一定按比例绘制。本发明省略了对公知组件和处理技术及工艺的描述以避免不必要地限制本发明。

本发明以电动汽车换电站与风电场构成的虚拟电厂为研究对象，在风电场容量确定的基础上，研究电动汽车换电站的电池容量以及pcs(powerconvertsystem，功率转换系统)额定功率的优化问题。从规划的角度建立虚拟电厂的年化收益指标；将规划与调度相关联，考虑风电功率和换电需求的随机性，基于相关机会规划思想，以虚拟电厂的未满足换电量指标、弃风电量指标和年化收益指标实现的概率最大化为目标建立虚拟电厂的多目标容量优化模型；综合考虑电池和pcs价格、峰谷电价差等因素，确定电池系统和pcs的容量配置；最后通过算例分析对模型进行验证。

如图1所示，本发明虚拟电厂中电动汽车换电站的容量优化配置方法包括：

s1,将电动汽车换电站的电池系统容量、pcs的额定功率以及电动汽车换电站各时段的计划充放电功率作为决策变量，各时段风电场的实际功率和实际换电需求作为随机变量，构建电动汽车换电站的容量优化配置模型；

s2,以未被满足电量指标、弃风电量指标和年化收益指标实现概率的最大化为容量优化模型的优化目标，确定最优的电池系统容量和pcs额定功率。

容量优化配置模型为：

(1)式中，lexmin{·}为按照字典序最小化目标向量，pr{·}为运行指标实现的概率，分别为未被满足电量指标实现概率的目标值、弃风电量指标实现概率的目标值和年化收益指标实现概率的目标值，分别为第i个指标实现的概率偏离其目标值的负偏差和正偏差，为t时段的弃风功率，δt为单位时段长度，qws为虚拟电厂的弃风电量的上限，为t时段未被满足的换电量，qds为虚拟电厂的未被满足换电量的上限，bsold为年售电收入，bev为换电服务的年收入，bevb为电池报废收入的等年值，cevb为电池投资的等年值、cpcs为pcs投资的等年值，cope为虚拟电厂的年化运维费用，bs为最小年化收益，g(·)≤0为约束条件。

本实施例的容量优化配置模型不考虑风电场的投资成本，虚拟电厂的年化成本仅包括电池投资的等年值cevb、pcs投资的等年值cpcs以及虚拟电厂的年化运维费用cope。

电池投资的等年值cevb的表达式为：

(2)式中，qevb为电池系统的额定容量，βevb为单位电池容量的价格，r0为资金贴现率，levb为电池的使用寿命；

放电会加速电池老化，需要对电动汽车换电站通过“低充高放”所增加的售电收益和电池的放电成本进行定量分析，才能确定电动汽车换电站参与“低充高放”是否有利可图。以电池的使用寿命为纽带将电池充放电量与电池的充放电成本相关联，充放电量大，则电池使用寿命缩短，电池系统初始投资的等年值升高，即增加了虚拟电厂的投资成本。

电池使用寿命levb的表达式为：

(3)式中，ncir为电池的额定放电次数，dod为额定放电次数ncir对应的放电深度，为t时段电动汽车换电站的充电功率，nday为一年包含的天数，nt为一天划分的时段数，ηc为电动汽车换电站的充电效率。

功率转换系统pcs为双向的，除了能够为电池充电外，还可以向电网放电。pcs投资的等年值cpcs的表达式为：

(4)式中，ppcs为pcs的额定功率，βpcs为pcs单位功率的价格，l为pcs的使用寿命，为固定值。

虚拟电厂年化运维费用cope的表达式为：

cope＝bpen+mevbβevbqevb+mpcsβpcsppcs(5)

(5)式中，bpen为虚拟电厂出力偏差导致的经济惩罚，mevb为电池系统单位投资的年维护费用，mpcs为pcs单位投资的年维护费用。

(5)式中包括三部分，分别代表虚拟电厂出力偏差导致的经济惩罚bpen、电池系统的年维护费用mevbβevbqevb和pcs的年维护费用mpcsβpcsppcs。

虚拟电厂若未能跟踪其发电计划，则会根据功率偏差的大小和出现的时段受到相应的经济惩罚，经济惩罚bpen的表达式为：

(6)式中，为t时段虚拟电厂的发电计划，为风电的预测值，为电动汽车换电站的计划充放电功率，充电为正，放电为负，为t时段虚拟电厂的实际输出功率，ρ^t为t时段风电的上网电价，α为功率偏差惩罚系数。

虚拟电厂的年售电收入bsold、换电服务的年收入bev，以及电池报废收入的等年值bevb的表达式分别为：

式中，为t时段满足的换电量，ωev为单位换电量的价格，βevb0为电池报废的单价。

定义虚拟电厂的年化收益指标为：虚拟电厂的年化收益应不小于允许的最小年化收益bs。

bsold+bev+bevb-cevb-cpcs-cope≥bs(10)

电动汽车换电站与风电场合作后，其容量优化配置问题不但要考虑满足换电需求，还需要考虑为风电提供备用，防止弃风以及提高虚拟电厂的年化收益等多个问题，因此选取虚拟电厂的未被满足换电量指标、弃风电量指标和年化收益指标作为容量配置模型的优化目标。

t时段电动汽车换电站满足的换电量和未满足的换电量的表达式分别为：

(11)、(12)式中，q^t为t时段电动汽车换电站的电量；为t时段的换电需求；q^min为电动汽车换电站的最低电量。

t时段虚拟电厂的实际出力的表达式为：

(13)式中，为t时段电动汽车换电站可充放功率的最小值，

ηd为放电效率。

t时段的弃风功率表达式为：

(14)式中，为t时段电动汽车换电站可充放功率的最大值，

约束条件g(·)≤0主要包括如下五个方面：

1)电池系统和pcs最大容量限制：

(16)、(17)式中，为电池系统的额定容量的最大限值；为pcs的额定功率的最大限值。

电池系统额定容量和pcs额定功率最大限值受到场地、成本、变压器容量等多个条件的制约。

2)充放电功率约束：

式中为t时段电动汽车换电站的充放电功率，充电为正，放电为负，

3)电动汽车换电站电量约束：

q^min≤q^t≤qevb(20)

(20)式中q^t为t时段电动汽车换电站的电量。

t时段的电动汽车换电站的电量q^t的迭代过程为：

(21)式中为第t个时段的充电功率，

为第t个时段的放电功率，

ηd为电动汽车换电站的放电效率。

4)电动汽车换电站在决策周期末的电量约束:

式中qⁱⁿⁱ为电动汽车换电站的初始电量。

为实现各个决策周期之间的解耦，决策周期末剩余电量与初始电量qⁱⁿⁱ相同。

5)电动汽车零排放约束：

利用蒙特卡洛模拟与遗传算法结合的方式对上述容量优化配置模型进行求解。考虑到电池系统额定容量、pcs额定功率和计划充放电功率三组变量，不论哪一组变量的改变都会对未满足换电量指标、弃风电量指标和年化收益指标产生影响。为了在优化过程中能够对这三组变量进行动态调整，增加染色体中各组变量的多样性，同时提高遗传算法的搜索效率和局部搜索能力，在遗传操作过程中采用分段式染色体操作。

如图2所示，将染色体从逻辑上分为三段，第一段和第二段分别为电池系统容量和pcs额定功率，均为规划变量，第三段为各时段的计划充放电功率，为运行变量，规划变量限定了运行变量的决策空间，而运行变量通过影响虚拟电厂各运行指标实现的概率反过来影响规划变量。

以下通过算例分析来验证本发明容量优化模型的可行性。

如表1和图3所示，电动汽车换电站的初始电量qⁱⁿⁱ和最低剩余电量q^min分别取电池系统额定容量的30％和10％。决策周期为每日24个时段。风电的上网电价已知，并且采取峰谷电价。功率偏差的惩罚系数α取0.3。

表1电动汽车换电站的参数取值

风电功率和换电需求的典型日预测值分别如图4和图5所示，假设它们的相对预测误差均服从n(0,0.1²)的正态分布。

决策者根据各指标重要性的不同，并结合自身对不同指标的风险承受能力，设定的虚拟电厂的运营指标值及其实现的概率目标值如表2所示。

表2虚拟电厂运营指标及其概率目标

利用本发明的容量优化模型优化得到电动汽车换电站的电池系统容量为123mwh，pcs的额定功率为25mw。根据优化结果，虚拟电厂的未被满足换电量指标和弃风电量指标实现的概率均达到目标值95％，年化收益指标实现的概率仅为78％，未达到目标值85％。这反映出决策者为风险厌恶型，决策者基于对不同指标的重视程度以及风险承受能力，将前两个指标满足的概率目标值设定较高，为了确保前两个指标能够被满足，牺牲了年化收益指标。从而为容量配置提供了参考。

电动汽车换电站“低充高放”可以提高虚拟电厂的售电收益，相应地也会带来成本的增加，包括两个方面，一是为此额外配置冗余电池容量所增加的投资和运维成本，另一个是放电导致电池寿命缩短所带来的年化投资成本的增加。如图6所示，给出了不同电池电价水平下电池系统额定容量的优化结果。当电池单价低时，电动汽车换电站“低充高放”的成本也低，因此电动汽车换电站配置了较高的冗余容量，利用峰谷电价差来获得额外的售电收益。电池单价的升高会增加虚拟电厂的初始投资和运维费用，因此随着电池单价的不断升高，“低充高放”的成本也不断增加，虚拟电厂通过“低充高放”所增加的售电收益不足以抵消所增加的成本，因此电动汽车换电站的放电量不断减少，为“低充高放”所额外配置的容量也随之降低。但是，当电池单价超过400万元/mwh后，电池系统容量几乎不再随着电池单价的升高而进一步降低。这是因为，为了满足虚拟电厂的前两个指标，电动汽车换电站需要留有足够的电池容量来为换电需求和风电提供备用。

表3给出了不同电池单价时对应的虚拟电厂的各指标实现的情况。

表3电池单价对各指标的影响

从表3可见，不同电池电价下虚拟电厂的前两个指标实现的概率均能达到决策者设定的目标值95％。结合表3可知，为了确保前两个指标的实现，电池系统的额定容量并未始终随着电池单价的升高而减少，而是降低到一定程度后便不再变化，从而为换电需求和风电保留有足够的冗余容量。这也导致虚拟电厂的年化收益不断降低，该指标被满足的概率也相应地减小，当电池单价超过300万元/mwh后，虚拟电厂的年化收益已经无法达到指标值(2.19亿元)，因此年化收益指标实现的概率降为0。

综上，为考虑运行阶段风电和换电需求等不确定性因素对规划结果的影响，模型将规划与调度有机关联，同时优化得到虚拟电厂的规划容量和调度决策计划，从而有效提高了规划结果在实际运行中的可行性。

除了换电需求外，本发明有容量优化配置模型能够同时考虑风电消纳和虚拟电厂年化收益等外部因素对规划结果的影响。通过综合考虑初始投资、风电上网电价和电池寿命等多个因素，分析电动汽车换电站“低充高放”的盈利空间，从而确定电动汽车换电站的容量优化配置，在满足换电需求的基础上，提高风电利用率，同时响应上网电价提高虚拟电厂的盈利能力。

以上所述只是本发明的优选实施方式，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也被视为本发明的保护范围。