1.一种计及故障率影响含电动汽车的分布式电源选址定容方法,其特征在于:所述分布式电源包括风力发电机组和光伏发电机组,负荷包括用户负荷和电动汽车充电负荷,所述双层选址定容协调优化方法包括以下步骤:S1、建立分布式电源、用户负荷和电动汽车充电负荷的不确定性模型;
S11、风电出力不确定性模型风机出力PWT与风速v的函数关系为:式中:PS,WT为风机额定功率;vin为切入风速;vS为额定风速;vout为切出风速;
风速概率密度函数f(v)为:式中:k,c为威布尔形状参数和尺度;
S12、光伏出力不确定性模型光伏出力PPV与光照强度r的函数关系为:式中:sm为单位光伏阵列的面积;M为光伏阵列的总数;ηm为光伏阵列光电转换效率;
光伏阵列输出功率的概率密度函数为:式中:α,β为Beta分布的形状参数;Γ(*)为伽马函数;rmax为最大光照强度;
S13、用户负荷不确定性模型用户负荷的概率密度函数为:式中:Pl、Ql分别表示有功负荷与无功负荷;μP和σP分别为有功负荷的期望值与标准差;
μQ和σQ分别为无功负荷的期望值与标准差;
S14、电动汽车充电负荷不确定性模型电动汽车用户日行驶里程d服从对数正态分布,其概率密度函数f(d)及行驶期望值E(D)为:
式中:μd和σd为日行驶里程的期望值与标准差;
电动汽车开始充电时刻x服从正态分布,其概率密度函数f(x)为:式中:μa和σa为电动汽车开始充电时刻的期望值与标准差;
电动汽车充电时长t服从正态分布,其概率密度函数f(t)为:式中:μt和σt为电动汽车充电时长的期望值与标准差;
S2、建立元件时变故障模型,获得随时间变化的元件故障率、元件修复率、平均保障延误时间和元件失效率;
首先求出PV、WT、EVCS的单位光伏面板、风机和充电桩的故障率,然后再求出PV、WT和EVCS的整体故障率;
S21、元件故障率
在电力系统中,元件故障率的威布尔分布来表达式为:元件故障率的威布尔概率密度函数为:式中:λ(t)为元件故障率;γ为威布尔形状参数;θ为特征寿命;
S22、元件修复率
元件修复率由元件维修时间MTTR概率分布函数和元件维修时间概率密度函数决定,其中元件维修时间使用叠加指数分布来描述,元件维修时间概率分布函数G(t)和概率密度函数g(t)为:
式中:αr、βr为该指数的形状和尺寸参数;
则元件修复率μ(t)为:
式中:g(t)为元件维修时间概率密度函数;G(t)为元件维修时间概率分布函数;
S23、平均保障延误时间
平均保障延误时间MLDT通过产品稳态可用度获得,产品稳态可用度A和产品平均寿命MTBF为:
式中:ηr、δr为威布尔尺度和形状参数;
产品稳态可用度A简化表达为:式中:μ(t)为元件修复率;λ(t)为元件故障率;
其中,MTTR为元件维修时间;式(11)求期望得出,则由式(14)、(15)、(16)联立求得MLDT;
S4、元件失效率
元件失效率由元件故障概率密度函数f(t)和元件可靠性概率密度函数R(t)表示,其中元件可靠性概率密度函数R(t)为:式中:λA为可靠性常数;
元件失效率表示为:
S3、求解PV整体故障率、EVCS整体故障率和WT整体故障率;
S31、获得PV整体故障率用二项分布来表示光伏阵列的整体故障率,如下式:式中:k为正在运行的光伏面板数;M为光伏面板总数;λPV(t)为光伏面板故障率,由式(9)求得;
S32、获得EVCS整体故障率EVCS情况与光伏发电站情况相同,由同一型号的充电桩组成一个EVCS,每一个充电桩之间运行彼此独立,因此能用二项分布来表示EVCS整体故障率,如下式:式中:l为正在运行的EV充电桩数;N为EV充电桩总数;λEV(t)为光伏面板故障率,由式(9)求得;
S33、WT整体故障率
风电机组与上述两种情况不同,风电机组故障分为两种状态,即停运状态和降额状态。
在降额状态下运行时,风电的实际出力要乘以降额系数来表示;
使用Markov链分析该模型得风电机组的停运概率PS,WT和降额概率PD,WT为:式中:μD(t)为降额修复率;λS,WT(t)为停运转移率;λD,WT(t)为降额转移率;μs(t)为停运修复率;
则WT整体故障率和实际出力为:式中:U为[0,1]上的随机值;αD,WT为降额系数;
S34、系统运行风险满意度函数Rrisk能用下式表示:式中:rrisk表示系统运行风险指标;Pl,PV、Pl,WT、Pl,EV分别为PV、WT、EV充电桩的元件失效率;Pf,PV、Pf,WT、Pf,EV分别为PV、WT、EV充电桩的整体元件故障率;PRE,PV、PRE,WT、PRE,EV分别为PV、WT、EV充电桩的预期出力;ρ1、ρ2、ρ3分别为权重系数,满足ρ1+ρ2+ρ3=1;PWT为WT实际出力;
tRE,PV、tRE,WT、tRE,EV分别为PV、WT、EV充电桩的平均维修时间;tDE,PV、tDE,WT、tDE,EV分别为PV、WT、EV充电桩的平均保障延误时间;
S5、系统综合性能指标包含系统网损指数、无功损耗指数、线路负载指数和电压偏差指数:
①系统网损指数RPloss:式中: 为有DG和EVCS潮流计算线路上损耗功率;Ploss为没有DG和EVCS潮流计算线路上损耗功率;
RPloss表明了DG和EVCS的渗透对于系统有功网损的影响,RPloss越小系统性能越好;
②无功损耗指数RQloss:式中: 为有DG和EVCS潮流计算线路上损耗的无功功率;Qloss为没有DG和EVCS潮流计算线路上损耗的无功功率;
表明了DG和EVCS的渗透对于系统无功网损的影响,RQloss越小系统性能越好;
③线路负载指数RL:
式中:RLi为第i条线路负载;PSi为第i条线路容量;
RL表明了所有线路中线路负载与容量比值的最大值,RL越小线路可用容量越大,系统性能越好;
④电压偏差指数RV:
式中:V1为变电站节点电压;Vi为第i节点电压偏差;
RV表明了节点与变电站电压偏差比值的最大值,RV越小表示电压偏差越小,系统性能越好;
加权后得到系统网络综合性能指标:式中:αr为收缩系数;取0.4,ξ1、ξ2、ξ3、ξ4为各指标权重,满足ξ1+ξ2+ξ3+ξ4=1,R越大,系统性能越好;
S6、双层DG、EVCS协调规划模型S61、建立上层模型
S611、确定上层目标函数上层目标函数为步骤(4)中所述的系统运行风险满意度Rrisk最大;
S612、确定上层约束条件上层约束包含潮流约束和DG约束,S6121、潮流约束
①系统功率平衡约束
式中:Pis、Qis分别为第i个节点的有功和无功注入功率;Ui、Uj为节点i和节点j的电压幅值;Gij、Bij、δij分别为节点i与j之间的导纳和相角差;
②电压偏差约束
|V1‑Vj|≤ΔVmax (31)式中:ΔVmax为允许的最大电压偏差;
③线路负载约束
PLi≤PSi (32)式中:PSi为第i条线路的最大容量;
S6122、DG约束
①DG渗透率约束
ηDG≤ηDG,max (33)式中:ηDG,max为DG最大渗透率;
②DG节点最大安装容量约束Pi,DG≤Pimax,DG (34)式中:Pi,DG为第i节点DG安装总容量;Pimax,DG为第i节点DG最大安装容量;
S62、建立下层模型
S621、确定下层目标函数下层目标函数即步骤(5)中所述的系统综合性能最大,S622、确定下层约束条件下层约束包含潮流约束和EV约束;
S6221、潮流约束
潮流约束包含系统功率平衡约束、电压偏差约束、线路负载约束,与上层规划中所述的潮流约束一致;
S6222、EV约束
①EVCS渗透率约束
ηEV≤ηEV,max (35)式中:ηEV,max为EVCS最大渗透率;
②DG就地消纳约束
EVCS的选址位置影响了DG消纳效果,EVCS选在DG位置的节点或附近的节点能促进DG的消纳,并对EV选址位置进行约束,如下:式中:α为0‑1决策变量,该节点存在DG或EVCS为1,否则为0;αi,DG,αij,EV分别为第i节点DG 0‑1决策变量和与它相邻节点的EVCS 0‑1决策变量;
S7、利用改进粒子群算法与内点法结合的混合搜索策略求解上述模型。
2.根据权利要求1所述的计及故障率影响含电动汽车的分布式电源选址定容方法,其特征在于:在所述S7中,利用粒子群算法的搜索能力产生逼向最优解的初值,将不断优化的初值带入内点法中求解,取迭代过程中的最小值作为该问题的最优解。
3.根据权利要求2所述的计及故障率影响含电动汽车的分布式电源选址定容方法,其特征在于:粒子群算法中固定权重为自适应权重,随着粒子适应度值改变而改变;固定学习因子改为同步收缩因子,收缩因子随迭代次数改变而改变。
4.根据权利要求2所述的计及故障率影响含电动汽车的分布式电源选址定容方法,其特征在于:所述混合搜索策略具体步骤如下:S1、获取节点配电网线路和节点信息,获取风机、光伏面板和EV充电桩的各项参数;
S2、设定上层算法初始参数,包括种群数量、维度、最大权重、最小权重、最大学习因子、最小学习因子和最大迭代次数T;初始化种群和粒子,每个粒子代表一种DG的待选位置和容量;
S3、进行潮流计算并求出上层粒子适应度和系统运行风险满意度函数,更新上层个体最优;
S4、将上层个体最优作为内点法初值进行计算,将结果作为上层全局最优;
S5、更新系统网络并进入下层模型;
S6、读取上层模型的系统网络,下层初始参数设置与上层基本一致,每个粒子代表EVCS的待选位置和容量;
S7、进行潮流计算并求出下层粒子适应度和系统综合指标,更新下层个体最优;
S8、将下层个体最优作为内点法初值进行计算,将结果作为下层全局最优;
S9、更新系统网络若达到最大迭代次数则输出结果,否则更新权重和学习因子返回S3。