[發明專利]計及故障率影響含電動汽車的分布式電源選址定容方法

有效

• 申請號: 202011402389.4
• 申請日: 2020-12-02
• 公開（公告）號: CN112580256B
• 公開（公告）日: 2022-04-01
• 發明（設計）人: 馬麗葉;王海鋒
• 申請（專利權）人: 燕山大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N3/00;G06Q30/02;G06Q50/06;G06F111/04
• 代理公司: 北京孚睿灣知識產權代理事務所(普通合伙) 11474
• 代理人: 王冬杰

1.一種計及故障率影響含電動汽車的分布式電源選址定容方法，其特征在于：所述分布式電源包括風力發電機組和光伏發電機組，負荷包括用戶負荷和電動汽車充電負荷，所述分布式電源選址定容方法包括以下步驟：

S1、建立分布式電源、用戶負荷和電動汽車充電負荷的不確定性模型；

S11、風電出力不確定性模型

風機出力P_WT與風速v的函數關系為：

式中：P_S，WT為風機額定功率；v_in為切入風速；v_s為額定風速；v_out為切出風速；

風速概率密度函數f(v)為：

式中：k，c為威布爾形狀參數和尺度；

S12、光伏出力不確定性模型

光伏出力P_PV與光照強度r的函數關系為：

式中：s_m為單位光伏陣列的面積；M為光伏陣列的總數；η_m為光伏陣列光電轉換效率；

光伏陣列輸出功率的概率密度函數為：

式中：α，β為Beta分布的形狀參數；Γ(*)為伽馬函數；r_max為最大光照強度；

S13、用戶負荷不確定性模型

用戶負荷的概率密度函數為：

式中：P_l、Q_l分別表示有功負荷與無功負荷；μ_P和σ_P分別為有功負荷的期望值與標準差；μ_Q和σ_Q分別為無功負荷的期望值與標準差；

S14、電動汽車充電負荷不確定性模型

電動汽車用戶日行駛里程d服從對數正態分布，其概率密度函數f(d)及行駛期望值E(D)為：

式中：μ_d和σ_d為日行駛里程的期望值與標準差；

電動汽車開始充電時刻x服從正態分布，其概率密度函數f(x)為：

式中：μ_a和σ_a為電動汽車開始充電時刻的期望值與標準差；

電動汽車充電時長t服從正態分布，其概率密度函數f(t)為：

式中：μ_t和σ_t為電動汽車充電時長的期望值與標準差；

S2、建立元件時變故障模型，獲得隨時間變化的元件故障率、元件修復率、平均保障延誤時間和元件失效率；

首先求出PV、WT、EVCS的單位光伏面板、風機和充電樁的故障率，然后再求出PV、WT和EVCS的整體故障率；

S21、元件故障率

在電力系統中，元件故障率的威布爾分布來表達式為：

元件故障率的威布爾概率密度函數為：

式中：λ(t)為元件故障率；γ為威布爾形狀參數；θ為特征壽命；

S22、元件修復率

元件修復率由元件維修時間MTTR概率分布函數和元件維修時間概率密度函數決定，其中元件維修時間使用疊加指數分布來描述，元件維修時間概率分布函數G(t)和概率密度函數g(t)為：

式中：α_r、β_r為該指數的形狀和尺寸參數；

則元件修復率μ(t)為：

式中：g(t)為元件維修時間概率密度函數；G(t)為元件維修時間概率分布函數；

S23、平均保障延誤時間

平均保障延誤時間MLDT通過產品穩態可用度獲得，產品穩態可用度A和產品平均壽命MTBF為：

式中：η_r、δ_r為威布爾尺度和形狀參數；

產品穩態可用度A簡化表達為：

式中：μ(t)為元件修復率；λ(t)為元件故障率；

其中，MTTR為元件維修時間；式(11)求期望得出，則由式(14)、(15)、(16)聯立求得MLDT；

S24、元件失效率

元件失效率由元件故障概率密度函數f(t)和元件可靠性概率密度函數R(t)表示，其中元件可靠性概率密度函數R(t)為：

式中：λ_A為可靠性常數；

元件失效率表示為：

S3、求解PV整體故障率、EVCS整體故障率和WT整體故障率；

S31、獲得PV整體故障率

用二項分布來表示光伏陣列的整體故障率，如下式：

式中：k為正在運行的光伏面板數；M為光伏面板總數；λ_PV(t)為光伏面板故障率，由式(9)求得；

S32、獲得EVCS整體故障率

EVCS情況與光伏發電站情況相同，由同一型號的充電樁組成一個EVCS，每一個充電樁之間運行彼此獨立，因此能用二項分布來表示EVCS整體故障率，如下式：

式中：l為正在運行的EV充電樁數；N為EV充電樁總數；λ_PV(t)為光伏面板故障率，由式(9)求得；

S33、WT整體故障率

風電機組與上述兩種情況不同，風電機組故障分為兩種狀態，即停運狀態和降額狀態；在降額狀態下運行時，風電的實際出力要乘以降額系數來表示；

使用Markov鏈分析該模型得風電機組的停運概率P_S，WT和降額概率P_D，WT為：

式中：μ_D(t)為降額修復率；λ_S，WT(t)為停運轉移率；λ_D，WT(t)為降額轉移率；μ_S(t)為停運修復率；

則WT整體故障率和實際出力為：

式中：U為[0，1]上的隨機值；α_D，WT為降額系數；

S34、系統運行風險滿意度函數R_risk能用下式表示：

式中：r_risk表示系統運行風險指標；P_l，PV、P_l，WT、P_l，EV分別為PV、WT、EV充電樁的元件失效率；P_f，PV、P_f，WT、P_f，EV分別為PV、WT、EV充電樁的整體元件故障率；P_RE，PV、P_RE，WT、P_RE，EV分別為PV、WT、EV充電樁的預期出力；ρ₁、ρ₂、ρ₃分別為權重系數，滿足ρ₁+ρ₂+ρ₃＝1；P_WT為WT實際出力；t_RE，PV、t_RE，WT、t_RE，EV分別為PV、WT、EV充電樁的平均維修時間；t_DE，PV、t_DE，WT、t_DE，EV分別為PV、WT、EV充電樁的平均保障延誤時間；

S4、系統綜合性能指標包含系統網損指數、無功損耗指數、線路負載指數和電壓偏差指數：

①系統網損指數R_Ploss：

式中：P_∑loss為有DG和EVCS潮流計算線路上損耗功率；P_loss為沒有DG和EVCS潮流計算線路上損耗功率；

R_Ploss表明了DG和EVCS的滲透對于系統有功網損的影響，R_Ploss越小系統性能越好；

②無功損耗指數R_Qloss：

式中：Q_∑loss為有DG和EVCS潮流計算線路上損耗的無功功率；Q_loss為沒有DG和EVCS潮流計算線路上損耗的無功功率；

R_Qloss表明了DG和EVCS的滲透對于系統無功網損的影響，R_Qloss越小系統性能越好；

③線路負載指數R_L：

式中：P_Li為第i條線路負載；P_Si為第i條線路容量；

R_L表明了所有線路中線路負載與容量比值的最大值，R_L越小線路可用容量越大，系統性能越好；

④電壓偏差指數R_V：

式中：V₁為變電站節點電壓；V_i為第i節點電壓偏差；

R_V表明了節點與變電站電壓偏差比值的最大值，R_V越小表示電壓偏差越小，系統性能越好；

加權后得到系統網絡綜合性能指標：

式中：α_r為收縮系數；取0.4，ξ₁、ξ₂、ξ₃、ξ₄為各指標權重，滿足ξ₁+ξ₂+ξ₃+ξ₄＝1，R越大，系統性能越好；

S5、雙層DG、EVCS協調規劃模型

S51、建立上層模型

S511、確定上層目標函數

上層目標函數為步驟S34中所述的系統運行風險滿意度函數R_risk最大；

S512、確定上層約束條件

上層約束包含潮流約束和DG約束，

S5121、潮流約束

①系統功率平衡約束

式中：P_is、Q_is分別為第i個節點的有功和無功注入功率；U_i、U_j為節點i和節點j的電壓幅值；G_ij、B_ij、δ_ij分別為節點i與j之間的導納和相角差；

②電壓偏差約束

|V₁-V_j|≤ΔV_max (31)

式中：ΔV_max為允許的最大電壓偏差；

③線路負載約束

P_Li≤P_Si (32)

式中：P_Si為第i條線路的最大容量；

S5122、DG約束

①DG滲透率約束

η_DG≤η_DG，max (33)

式中：η_DG，max為DG最大滲透率；

②DG節點最大安裝容量約束

P_i，DG≤P_imax，DG (34)

式中：P_i，DG為第i節點DG安裝總容量；P_imax，DG為第i節點DG最大安裝容量；

S52、建立下層模型

S521、確定下層目標函數

下層目標函數即步驟S4中所述的系統網絡綜合性能指標R最大，

S522、確定下層約束條件

下層約束包含潮流約束和EV約束；

S5221、潮流約束

潮流約束包含系統功率平衡約束、電壓偏差約束、線路負載約束，與上層規劃中所述的潮流約束一致；

S5222、EV約束

①EVCS滲透率約束

η_EV≤η_EV，max (35)

式中：η_EV，max為EVCS最大滲透率；

②DG就地消納約束

EVCS的選址位置影響了DG消納效果，EVCS選在DG位置的節點或附近的節點能促進DG的消納，并對EV選址位置進行約束，如下：

式中：α為0-1決策變量，該節點存在DG或EVCS為1，否則為0；α_i，DG，α_ij，EV分別為第i節點DG 0-1決策變量和與它相鄰節點的EVCS 0-1決策變量；

S6、利用改進粒子群算法與內點法結合的混合搜索策略求解上述模型。