[发明专利]一种计及风电与电动汽车随机性的两阶段机组组合建模方法

说明书

本发明公开了一种计及风电与电动汽车随机性的两阶段机组组合建模方法，包括：步骤一，对建立最终模型所需要的数据进行整理，包括：风电的预测数据，不可调度电动汽车充放电情况的历史数据，可调度电动汽车的出行以及规模数据，以及电力系统相关参数；步骤二，利用风电预测数据生成风电出力多场景，并利用K‑means聚类分析法得到不可调度电动汽车的典型负荷曲线；步骤三，利用蒙特卡洛方法对可调度电动汽车的行为进行随机模拟，并生成EV充电聚集商的相应参数；步骤四，考虑风电出力多场景和可调度电动汽车的充电聚集商模式，以及不可调度电动汽车负荷，形成基于场景分析的考虑EV充电聚集商的二阶段随机机组组合模型；步骤五，根据实际数据并利用步骤四建立的二阶段随机机组组合模型，使用CPLEX求解器求解该MILP‑UC问题，并由求解结果确定机组组合和备用安排方案。

技术领域

本发明属于电力系统技术领域，涉及一种计及风电与电动汽车随机性的两阶段机组组合建模方法。

背景技术

当今时代，风电等新能源和电动汽车的发展给国家能源产业和环境问题带来了巨大机遇。但同时，风电出力的随机性和间歇性以及电动汽车充电负荷的不确定性让传统的电力系统调度方案不再适用，给电力系统运行和调度带来了巨大的挑战。随着风电和电动汽车的并网规模的增大，其给电力系统带来的负面影响也与日俱增。因此需要确定合理的调度方法，在考虑到风电与电动汽车影响的基础上，保证电力系统的稳定可靠运行，尽量减少系统的运行的成本。

目前对于风电出力不确定性建模方法来说，较为流行且可靠的是随机调度模型，相对于确定性调度和模糊调度等模型来说，其对风电的不确定性的描述更为客观与准确。而关于电动汽车建模方法，目前大多基于单个的电动汽车或者一组相同的电动汽车来建立模型，同时还有考虑充电聚集商模式的模型。后者相对前者来说，在保证问题规模并不很大的前提下，实现了电动汽车不再作为个体来与电力系统交互，同属一个充电聚集商的电动汽车也不必被强制设定为相同。然而，目前同时使用较优方式来考虑风电和电动汽车不确定性的模型并不多见，充分并且同时考虑到两者不确定性的研究尚不成熟。

综上，在新能源快速发展和电动汽车保有率持续增加的背景下，基于场景分析并考虑电动汽车充电聚集商模式的随机调度模型能够充分考虑风电和电动汽车的充电需求不确定性，并为电力系统的经济可靠运行提供调度方案，填补已有研究的不足。

发明内容

为了解决现有技术中存在的问题，本发明的目的在于提供一种计及风电与电动汽车随机性的两阶段机组组合建模方法，以填补现有相关调度模型的不足：充分考虑风电和电动汽车的充电需求不确定性，首先根据预测和历史数据生成风电多场景，并对可调度电动汽车的行为进行随机模拟，利用聚类分析得到不可调度电动汽车的典型负荷曲线。再建立EV充电聚集商模型和基于场景分析的二阶段随机机组组合模型。通过计算，为电力系统的经济可靠运行提供机组组合和备用安排方案。

为了实现上述目的，本发明采用如下技术方案：一种计及风电与电动汽车随机性的两阶段机组组合建模方法，包括以下步骤：

步骤一：对建立模型所需要的数据进行整理，包括风电预测数据、不可调度电动汽车充放电情况的历史数据、可调度电动汽车的出行数据和规模数据、以及电力系统相关参数；通过可调度电动汽车的出行数据得到其相应服从的概率分布，包括行驶距离的概率分布；

步骤二：利用步骤一得到的风电预测数据生成风电出力多场景；利用K-means聚类分析法对不可调度电动汽车充放电情况的历史数据处理得到不可调度电动汽车的典型负荷曲线；

步骤三：利用蒙特卡洛方法对步骤一得到的可调度电动汽车的出行数据和规模数据进行随机模拟，并生成可调度电动汽车的充电聚集商模式；

步骤四：根据步骤二生成的风电出力多场景和步骤三生成的可调度电动汽车的充电聚集商模式，以及步骤二得到的不可调度电动汽车的典型负荷曲线，以及电力系统相关参数形成基于场景分析的考虑EV充电聚集商的二阶段随机机组组合模型。