劉 濤,朱布博

(陜西交通職業(yè)技術(shù)學(xué)院,陜西 西安 710018)

0 引言

隨著越來(lái)越多的電動(dòng)汽車(chē)(battery electric vehicle,BEV)被投入市場(chǎng)[1-3],BEV的車(chē)型、充電方式的需求也因市場(chǎng)的需求變化而變得形式多樣。且隨著當(dāng)下社會(huì)大背景“碳達(dá)峰,碳中和”理念的提出[4-5],清潔電源風(fēng)力發(fā)電也在逐步普及[6]。因此,在考慮風(fēng)電并網(wǎng)情況下,如何對(duì)BEV充電負(fù)荷進(jìn)行分群[7-10],并基于分群方法建立調(diào)度模型等研究極具價(jià)值和意義。

1 國(guó)內(nèi)外研究現(xiàn)狀

針對(duì)BEV滲入電力系統(tǒng)對(duì)其造成調(diào)度困難的現(xiàn)狀,越來(lái)越多的研究開(kāi)始對(duì)BEV進(jìn)行了分群調(diào)度研究。文獻(xiàn)[11]基于對(duì)電動(dòng)汽車(chē)有序充放電實(shí)時(shí)響應(yīng)分群策略,提出一種車(chē)聯(lián)網(wǎng)(vehicle to grid,V2G)模式。并綜合考慮各約束條件,包括車(chē)主、電池以及電網(wǎng)等因素。考慮到無(wú)序充放電大大影響到電網(wǎng)穩(wěn)定運(yùn)行,文獻(xiàn)[12]提出將分群優(yōu)化應(yīng)用于電動(dòng)汽車(chē)和電網(wǎng)互動(dòng)調(diào)度中研究。針對(duì)未來(lái)將會(huì)有大規(guī)模的電動(dòng)汽車(chē)充放電調(diào)度的問(wèn)題,文獻(xiàn)[13]設(shè)計(jì)了一種面向含風(fēng)電樓宇的電動(dòng)汽車(chē)優(yōu)化調(diào)度策略。上述文獻(xiàn)只是根據(jù)BEV的技術(shù)指標(biāo)的變化規(guī)律進(jìn)行細(xì)化分群,并沒(méi)有結(jié)合BEV的應(yīng)用實(shí)際情況進(jìn)行優(yōu)化分群,如未對(duì)現(xiàn)在的BEV隨著用戶需求的不同,而研究不同種車(chē)型的分群模型。

目前,風(fēng)力發(fā)電逐漸普及,但風(fēng)電并網(wǎng)同時(shí)也加大了對(duì)BEV分群調(diào)度研究的難度,其中最難的是處理其中的不確定性——風(fēng)出力、車(chē)負(fù)荷,BEV本身由于既作為電源也作為負(fù)荷,其充電電量、充電時(shí)間以及充電方式等各方面都具有較強(qiáng)的不確定性,還有風(fēng)力發(fā)電的不確定性[14-16]。文獻(xiàn)[17]定義了時(shí)間滿意度與功率滿意度,加權(quán)為用戶滿意度,在此基礎(chǔ)上基于充分保證用戶滿意度,實(shí)現(xiàn)最大化經(jīng)濟(jì)效益。由于日前電力市場(chǎng)下的可再生能源的不確定性,文獻(xiàn)[18]提出將風(fēng)儲(chǔ)系統(tǒng)和BEV需求的資源聯(lián)合優(yōu)化調(diào)度的聯(lián)合模型。文獻(xiàn)[19]基于風(fēng)出力的不確定因素、預(yù)測(cè)出力偏差以及市場(chǎng)價(jià)格的波動(dòng)性等因素的影響下,研究融合風(fēng)力發(fā)電商和BEV聚合商,并構(gòu)建了在日前市場(chǎng)和實(shí)時(shí)市場(chǎng)的聯(lián)合競(jìng)價(jià)模型。

2 BEV分群優(yōu)化方法

在傳統(tǒng)電廠中引入并網(wǎng)運(yùn)行的風(fēng)電場(chǎng),從而構(gòu)建“風(fēng)-網(wǎng)-站-車(chē)”體系模型。其中,“風(fēng)”表示并網(wǎng)接入的新能源風(fēng)電場(chǎng);“網(wǎng)”表示傳遞電能的電網(wǎng);“站”表示直接為BEV提供電能的充換電站;“車(chē)”則表示用戶側(cè)的BEV。

隨著電動(dòng)汽車(chē)市場(chǎng)的高速發(fā)展,BEV目前逐漸分化出3種車(chē)型,分別為公交BEV、出租BEV和私家BEV。同時(shí)根據(jù)用戶側(cè)的不同需求,也產(chǎn)生了3種充電方式,分別為快充、慢充和常規(guī)充電方式。

針對(duì)車(chē)型、充電方式趨于復(fù)雜的現(xiàn)狀,傳統(tǒng)的調(diào)度方法已不再適用。所以本文根據(jù)BEV的此種變化,首先將所有BEV進(jìn)行分類(lèi)分群,再提出“BEV相關(guān)系數(shù)”指標(biāo),為后續(xù)“風(fēng)-網(wǎng)-站-車(chē)”體系模型的建立和仿真分析作理論基礎(chǔ)。

2.1 BEV分群

如圖1所示,風(fēng)電場(chǎng)并網(wǎng)接入電網(wǎng),共同給充換電站提供電能,其中充換電站里的BEV可以和電網(wǎng)進(jìn)行雙向供電。在充換電站內(nèi),充電方式有2類(lèi),一是過(guò)程較為簡(jiǎn)單但技術(shù)要求高的充電方式,換電;二是根據(jù)充電方式速率不同,由快到慢分為3種:快充、常規(guī)充電和慢充。車(chē)型根據(jù)車(chē)型的不同同樣有3種:公交BEV、私家BEV和出租BEV。

圖1 “風(fēng)-網(wǎng)-站-車(chē)”體系模型

充換電站內(nèi)的BEV按上述進(jìn)行分類(lèi)分群,其中,公交BEV、出租BEV和私家BEV的數(shù)量權(quán)重系數(shù)分別為ω1、ω2和ω3;換電、快充、常規(guī)充電和慢充充電方式的權(quán)重系數(shù)分別為σ1、σ2、σ3和σ4,充電功率分別設(shè)定為PN、Phigh、Pnormal和Pslow。

繼續(xù)深入剖析,默認(rèn)每個(gè)BEV用戶充電目標(biāo)值均為BEV額定功率值。則可推導(dǎo)出公交BEV充電總功率、出租BEV充電總功率和私家BEV充電總功率的表達(dá)式,分別為:

(1)

(2)

(3)

SOC(i,t)為第i輛公交BEV在t時(shí)刻的荷電狀態(tài)值,即電池剩余電量百分比,假設(shè)每次充電意愿充滿,則這輛BEV即刻需要充入的功率值可用1減SOC(i,t)值再乘上BEV的額定功率所得;同理SOC(j,t)、SOC(k,t)分別為出租車(chē)、私家車(chē)的荷電狀態(tài)值。

同理,換電總功率、快充總功率、常規(guī)充總功率和慢充總功率表達(dá)式為:

(4)

(5)

(6)

(7)

2.2 BEV相關(guān)系數(shù)

通常情況下,電動(dòng)汽車(chē)分為2類(lèi)充電模式:一是換電模式;二是集中充電模式,含有快充、常規(guī)充電以及慢充3種方式。由于換電模式、快充以及慢充充電方式作為衍生出的新充電方式,所以這4種充電方式與3種BEV車(chē)型之間的隱含關(guān)系有待研究,通過(guò)最終的相關(guān)系數(shù)值,可以得到基礎(chǔ)數(shù)據(jù),更利于有針對(duì)性的對(duì)3種BEV車(chē)型合理選擇充電方式進(jìn)行優(yōu)化調(diào)度。

相關(guān)系數(shù)在概率學(xué)中是用來(lái)表征2組數(shù)據(jù)之間的關(guān)系緊密程度,現(xiàn)有研究可以得到,充電電動(dòng)汽車(chē)負(fù)荷服從正態(tài)分布。根據(jù)概率學(xué)與統(tǒng)計(jì)領(lǐng)域相關(guān)理論,BEV相關(guān)系數(shù)表示為

(8)

ρPi,Pj(ρi,j)為第i種BEV車(chē)型和第j種充電方式充電功率之間的相關(guān)系數(shù),理論值范圍是-1≤ρi,j≤1;D[Pi+Pj]為第i種BEV車(chē)型和第j種充電方式的功率疊加方差;D[Pi]、D[Pj]為第i種BEV車(chē)型、第j種充電方式的功率方差。

第i種車(chē)型、第j種充電方式功率疊加方差是把1天內(nèi)全部電量疊加,然后得出表達(dá)式為:

D[Pi+Pj]=

(9)

第i種BEV車(chē)型、第j種充電方式功率的分布規(guī)律滿足如下期望方差不同的2個(gè)正態(tài)分布函數(shù),即

(10)

2.3 分群優(yōu)化方法

基于上述研究,可以在1個(gè)調(diào)度周期內(nèi)采用逐日分群優(yōu)化策略,對(duì)前一日的車(chē)型匹配最佳充電方式。采取某一隨機(jī)日作為首日,得出充電總功率Ptotal。并對(duì)車(chē)型充電規(guī)律進(jìn)行分析,統(tǒng)計(jì)得出3種車(chē)型與4種充電方式之間的BEV相關(guān)系數(shù),其表達(dá)為ρi,j(i=1,2,3;j=1,2,3,4),共計(jì)12種BEV相關(guān)系數(shù)。

由于車(chē)型種類(lèi)數(shù)少于充電方式種類(lèi)數(shù),故為便于研究,以車(chē)型作為研究對(duì)象進(jìn)行分析。統(tǒng)計(jì)得出3種車(chē)型與4種充電方式中最大的BEV相關(guān)系數(shù)ρ1,j(t)max、ρ2,j(t)max、ρ3,j(t)max,并按今日車(chē)型與充電方式的比例進(jìn)行次日匹配,得出第2天(d+1日)給相應(yīng)車(chē)型計(jì)劃分配投入的功率,表達(dá)式為:

P1(d+1)=

(11)

P2(d+1)=

(12)

P3(d+1)=

(13)

3 基于BEV分群優(yōu)化方法的“風(fēng)-網(wǎng)-站-車(chē)”體系調(diào)度模型

以“風(fēng)-網(wǎng)-站-車(chē)”體系模型為中心,如圖1所示,共有2種傳遞線路,一是電能流,二是信息流。充換電站與電動(dòng)汽車(chē)可以雙向供電,當(dāng)電動(dòng)汽車(chē)的電量值富裕時(shí),則可以回饋電網(wǎng)賣(mài)電取得收益。電網(wǎng)和BEV的各種數(shù)據(jù)信息均可以傳遞給充換電站。

本文在上述基礎(chǔ)之上,首先研究了BEV用戶滿意度最大目標(biāo)函數(shù)以及電網(wǎng)穩(wěn)定性最強(qiáng)目標(biāo)函數(shù),并轉(zhuǎn)化為單目標(biāo)函數(shù)模型,并網(wǎng)風(fēng)電接入,再考慮各種約束條件,建立了基于BEV分群優(yōu)化方法的“風(fēng)-網(wǎng)-站-車(chē)”體系調(diào)度模型。

3.1 目標(biāo)函數(shù)

基于BEV分群調(diào)度方法的“風(fēng)-網(wǎng)-站-車(chē)”體系模型目標(biāo)函數(shù)由2個(gè)方面組成,即用戶側(cè)的用戶滿意度F1和電源側(cè)電網(wǎng)穩(wěn)定性F2,將這2個(gè)目標(biāo)函數(shù)加權(quán)求和,并滿足μ1+μ2=1,公式為

maxF=max(μ1F1+μ2F2)

(14)

3.1.1 BEV用戶滿意度目標(biāo)函數(shù)

BEV用戶滿意度目標(biāo)函數(shù)用實(shí)際功率和需求功率的差值與需求功率的比值表示,表達(dá)式為

(15)

Pact為BEV的實(shí)際功率;Pneed為BEV的所需充電的需求功率。

由式(15)顯然可得,當(dāng)Pact>Pneed時(shí),也即F1為正數(shù)時(shí),BEV用戶滿意度呈現(xiàn)非常滿意;Pact=Pneed時(shí),也即F1為0時(shí),BEV用戶滿意度呈現(xiàn)恰好滿意;Pact

3.1.2 電網(wǎng)穩(wěn)定性目標(biāo)函數(shù)

本文電網(wǎng)穩(wěn)定性由整個(gè)“風(fēng)-網(wǎng)-站-車(chē)”體系內(nèi)的負(fù)荷波動(dòng)最小化以及棄風(fēng)功率最大化為目標(biāo),其中涉及風(fēng)出力、車(chē)負(fù)荷,表達(dá)式為

F2=1-σ(P)-Pwind,curtail

(16)

σ(P)為充電站內(nèi)1個(gè)調(diào)度周期內(nèi)的所有樣本負(fù)荷標(biāo)準(zhǔn)差值;Pwind,curtail為風(fēng)電機(jī)組的棄風(fēng)總功率。

參照式(9),同時(shí)融入并網(wǎng)風(fēng)電場(chǎng)風(fēng)電出力,結(jié)合BEV車(chē)負(fù)荷,可得

σ(P)=σ[PBEV+Pwind-PV2G]=

(17)

PBEV(t)為所有BEV在1個(gè)調(diào)度周期內(nèi)的BEV總功率值;Pwind(t)為所有并網(wǎng)風(fēng)電場(chǎng)1個(gè)調(diào)度周期內(nèi)的風(fēng)電總出力值;PV2G(t)為所有BEV通過(guò)充換電站向電網(wǎng)1個(gè)調(diào)度周期內(nèi)的總回饋功率值。由于每個(gè)BEV用戶的使用狀況各有不同,為了便于研究,假設(shè)當(dāng)BEV的SOC值滿足80%以上再回饋電網(wǎng),并保持自身SOC為臨界值-0.8,表示為

PV2G=Pact-0.8PN

(18)

3.2 約束條件

結(jié)合BEV分群調(diào)度經(jīng)濟(jì)模型中僅包含2方面約束條件,即充換電站內(nèi)BEV和并網(wǎng)運(yùn)行風(fēng)電機(jī)組的約束條件。

a.風(fēng)電場(chǎng)約束條件。風(fēng)電機(jī)組額定容量,即最大輸出功率值大于等于0,即

PN(i)≥Pwind(i,t)≥0

(19)

PN(i)為風(fēng)電場(chǎng)i的裝機(jī)容量。

b.充換電站內(nèi)BEV約束條件。3種BEV充電方式的充電功率按照“快充>常規(guī)充電>慢充”依次排序,最小充電功率大于等于0,同時(shí)存在最大充電功率限值。同理,BEV向電網(wǎng)回饋功率、BEV電池電荷量約束也存在上下限,即:

Pmax≥Phigh>Pnormal>Pslow≥0

(20)

PV2Gmax≥PV2G≥0

(21)

SOCmin≤SOC(i,t)≤SOCmax

(22)

Pmax為最大充電功率限值;PV2Gmax為回饋功率最大限值;SOC(i,t)為第i臺(tái)電池t時(shí)段的電荷量百分比。

充換電站總功率為換電BEV、快充、常規(guī)充電、慢充充電總功率與BEV回饋電網(wǎng)總功率做差,即

(23)

c.恒等式約束。其中設(shè)定按充電方式或車(chē)型分類(lèi)的BEV數(shù)量總數(shù)保持一致,有如下數(shù)量權(quán)重約束,即

σ1+σ2+σ3+σ4=ω1+ω2+ω3

(24)

若在整個(gè)充換電站1天調(diào)度周期內(nèi)充電的BEV總數(shù)為N,則需補(bǔ)充數(shù)量權(quán)重約束,即

σ1+σ2+σ3+σ4=ω1+ω2+ω3=N

(25)

結(jié)合式(1)～式(7),可推導(dǎo)得

Pbus+Ptaxi+Pcar=

Pswap+Phigh+Pnormal+Pslow

(26)

4 基于可信性理論的模糊機(jī)會(huì)約束

4.1 基于可信性理論的模糊機(jī)會(huì)約束

本模型中存在2大不確定變量,BEV充電負(fù)荷可由梯形模糊數(shù)(Pbev1,Pbev2,Pbev3,Pbev4)進(jìn)行表示[20]。同樣的,并網(wǎng)運(yùn)行風(fēng)電場(chǎng)的出力可用梯形模糊數(shù)(Pwind1,Pwind2,Pwind3,Pwind4)表示?；诖?針對(duì)上述不確定性問(wèn)題,本文將結(jié)合可信性理論進(jìn)行探究,對(duì)式(23)進(jìn)行模糊機(jī)會(huì)約束處理并建立如下基于可信性理論的不等式,即

(27)

α為模糊變量;Cr為可信性測(cè)度;Pwind(i,t)為第i個(gè)風(fēng)電場(chǎng)t時(shí)刻的風(fēng)出力;γ為置信水平。

4.2 清晰化等價(jià)處理

文獻(xiàn)[21]列舉了眾多模糊參量清晰化等價(jià)形式,其中模糊機(jī)會(huì)規(guī)劃中涉及了一個(gè)最重要的步驟,即處理模糊約束條件。該步驟可理解為清晰化約束條件。最終可轉(zhuǎn)化為式(28)所表示的不確定等價(jià)形式,可表示BEV充電負(fù)荷、并網(wǎng)運(yùn)行風(fēng)電場(chǎng)的實(shí)際出力情況。

(28)

5 算例仿真

5.1 帶收縮因子的粒子群優(yōu)化算法

粒子群優(yōu)化算法[22-23](particle swarm optimization,PSO)源于人們對(duì)自然界中鳥(niǎo)覓食、遷徙等行為的觀察。

粒子群中的每個(gè)粒子給定初值并使其滿足約束,設(shè)定每個(gè)車(chē)負(fù)荷作為控制變量,將1天分為T(mén)(T=24)個(gè)時(shí)間節(jié)點(diǎn),得出100個(gè)粒子生成初始粒子群種群,且每個(gè)粒子為T(mén)×(N1+N2)×n矩陣,即

X1=

X1為某一天某一時(shí)刻充電的某個(gè)初始化粒子;Pcha1,1為3種充電模式的充電功率;Pswap1,1為第一個(gè)時(shí)刻的第一個(gè)BEV的換電功率。

為高效加強(qiáng)收斂的速度,有效預(yù)防局部收斂,本文將收縮因子引入速度更新公式中,即

(29)

結(jié)合CFPSO算法設(shè)定各參數(shù)。粒子群共有100個(gè)粒子;加速系數(shù)c1=c2=2.05;φ為收縮因子,其值為0.729;粒子速度最大值為1,最小值為-1;最大迭代次數(shù)為500。

5.2 基礎(chǔ)數(shù)據(jù)

取北京市一地區(qū)配有24 000輛BEV、4個(gè)并網(wǎng)風(fēng)電場(chǎng)。假設(shè)BEV電池容量均為80 kWh/臺(tái)。其中,快速充電、常規(guī)充電、慢速充電的功率分別為30 kW、15 kW、7 kW,換電功率即電池容量。并網(wǎng)運(yùn)行單個(gè)風(fēng)電場(chǎng)的容量最大值為40 MW。

5.3 算例結(jié)果分析

5.3.1 BEV群特性分析

公交BEV全天實(shí)時(shí)功率分布如圖2所示。由圖2可知,由于晚7點(diǎn)到早6點(diǎn)之間公交BEV不出車(chē),所以有效時(shí)間只是在早6點(diǎn)到晚7點(diǎn)這13個(gè)小時(shí)。同時(shí)發(fā)現(xiàn)公交BEV充電功率在中午12點(diǎn)達(dá)到一個(gè)充電峰值,換電和快充充電功率全天均高于常規(guī)充電和慢充充電方式,慢充充電功率全天分布最低。這說(shuō)明公交BEV以換電、快充充電方式為主,常規(guī)充電和慢充充電方式為輔。隨著人們出行方式逐漸改變以及政府“低碳零污染”的要求指引,現(xiàn)在公交BEV正迎合了這2個(gè)需求,所以可以在今后多建造換電站以及開(kāi)放快速充電樁為公交BEV提供便利。

圖2 公交BEV全天實(shí)時(shí)功率分布

出租BEV全天實(shí)時(shí)功率分布如圖3所示。由圖3可知,出租BEV與公交BEV略微不同,中午12點(diǎn)的充電功率不大,這是因?yàn)榇藭r(shí)正居于下班高峰期,公交BEV難以滿足人們的需求,很多人選擇出租BEV的出行方式,所以此時(shí)未充電。在14點(diǎn)出現(xiàn)一個(gè)充電小高峰,這是因?yàn)檫@時(shí)出租BEV接單較少,大部分在充電中。充電方式與公交BEV類(lèi)似,換電、快充充電方式充電功率最高,常規(guī)充電、慢充最低。由此可見(jiàn),人們對(duì)出租BEV的全天出租BEV實(shí)時(shí)功率分布圖需求也很高,可見(jiàn)今后應(yīng)該加大換電站、快充充電站的建設(shè),以滿足人們?nèi)找嬖鲩L(zhǎng)的需要。

圖3 出租BEV全天實(shí)時(shí)功率分布

私家BEV全天實(shí)時(shí)功率分布如圖4所示。由圖4可知,此功率分布圖與圖2和圖3的最大區(qū)別就是慢充的充電功率竟高于快充和常規(guī)充電方式,這大概是因?yàn)楝F(xiàn)在的快充充電方式價(jià)格較高,為追求用戶自身利益最大化,大部分人們?cè)谝归g都選擇慢充,而較少的使用快充、常規(guī)充電甚至換電方式。所以今后可以在小區(qū)附近多建造慢充充電樁或常規(guī)充電樁,提高BEV用戶的滿意度。

圖4 私家BEV全天實(shí)時(shí)功率分布

5.3.2 基于分群優(yōu)化方法的“風(fēng)-網(wǎng)-站-車(chē)”體系綜合分析

某電網(wǎng)完全根據(jù)本文所構(gòu)建“風(fēng)-網(wǎng)-站-車(chē)”體系模型方法來(lái)制定充電計(jì)劃,對(duì)市場(chǎng)1周的用電情況進(jìn)行分析計(jì)算。本算例提取某1周4種充電方式所對(duì)應(yīng)的用戶功率數(shù)據(jù),如圖5所示。圖5中,采用分群優(yōu)化方法進(jìn)行調(diào)度。其中有3種標(biāo)記:左下斜線、右下斜線和豎線,分別表示公交BEV、出租BEV及私家BEV和當(dāng)前顏色所代表的充電方式之間的BEV相關(guān)系數(shù)最大,即關(guān)聯(lián)最密切。

圖5 1周4種充電方式所對(duì)應(yīng)的用戶功率

以第1天的數(shù)據(jù)作為初始數(shù)據(jù),在第1天結(jié)束時(shí)統(tǒng)計(jì)得出如圖數(shù)據(jù)結(jié)果,并計(jì)算出充電總功率Ptotal,統(tǒng)計(jì)出最大BEV相關(guān)系數(shù)所對(duì)應(yīng)的充電方式和BEV車(chē)型,并按照當(dāng)日BEV車(chē)型功率的BEV相關(guān)系數(shù)的比例對(duì)次日進(jìn)行功率分配計(jì)劃。

由圖5可知,1周內(nèi)常規(guī)充電未被選中最大BEV相關(guān)系數(shù)有4次,慢充有3次。綜合觀察,公交BEV周一～周五分布在換電和快充充電方式,周末均對(duì)應(yīng)于慢充充電方式;出租BEV1周基本上都分布在換電和快充充電方式之間;私家BEV分布在周四1次、周末2次。這說(shuō)明公交BEV和出租BEV更傾向于換電、快充充電方式,私家BEV更傾向于慢充充電方式。

5.3.3 靈敏度分析

本文針對(duì)模型中的置信水平這一指標(biāo)進(jìn)行靈敏度分析,其中涉及不同置信水平下的BEV用戶滿意度分析和不同置信水平下的電網(wǎng)穩(wěn)定性分析,如圖6和圖7所示。

圖6 不同置信水平下的BEV用戶滿意度分析

圖7 不同置信水平下的電網(wǎng)穩(wěn)定性分析

由圖6可知,隨著置信水平由0.1變化至0.9時(shí),BEV用戶滿意度值呈指數(shù)性規(guī)律增加。這是因?yàn)橹眯潘街递^低時(shí),不確定變量(BEV負(fù)荷、風(fēng)出力)的不確定性較大,所以直接造成BEV用戶的滿意度處于較低水平。隨著置信水平值增加,同理,不確定變量(BEV負(fù)荷、風(fēng)出力)的不確定性在模糊機(jī)會(huì)約束下愈來(lái)愈穩(wěn)定,所以用戶滿意度保持持續(xù)上升。

由圖7可知,當(dāng)置信水平較低時(shí),不確定變量(BEV負(fù)荷、風(fēng)出力)不確定因素較大,所以電網(wǎng)穩(wěn)定性也不強(qiáng)。但當(dāng)置信水平增長(zhǎng)到0.8左右時(shí),由于整個(gè)“風(fēng)-網(wǎng)-站-車(chē)”體系對(duì)不確定變量(BEV負(fù)荷、風(fēng)出力)的不確定性有一定的包容度,明顯當(dāng)置信水平為0.8時(shí),整個(gè)電網(wǎng)系統(tǒng)穩(wěn)定性緩慢趨向于呈一種飽和狀態(tài),即負(fù)荷標(biāo)準(zhǔn)差值隨著置信水平的增加而不再快速上升。

6 結(jié)束語(yǔ)

本文首先在對(duì)BEV進(jìn)行分群調(diào)度的基礎(chǔ)上,通過(guò)概率論數(shù)理統(tǒng)計(jì)推導(dǎo)出BEV的相關(guān)系數(shù),并提出一種分群優(yōu)化方法。進(jìn)而考慮風(fēng)電并網(wǎng)的情況下構(gòu)建了基于BEV分群優(yōu)化方法的“風(fēng)-網(wǎng)-站-車(chē)”體系調(diào)度模型,以實(shí)現(xiàn)BEV用戶滿意度最大、電網(wǎng)穩(wěn)定性最強(qiáng)。采用基于可信性理論的模糊機(jī)會(huì)約束對(duì)車(chē)負(fù)荷、風(fēng)出力2個(gè)不確定變量進(jìn)行處理,最后采用帶收縮因子的PSO算法對(duì)模型進(jìn)行計(jì)算。仿真計(jì)算結(jié)果證明了所構(gòu)建模型和所提算法的合理性。