面向风电消纳的车-储-热协同调度策略

doi:10.3969/j.issn.1000-7229.2019.08.010

电力建设 ›› 2019, Vol. 40 ›› Issue (8): 77-83.doi: 10.3969/j.issn.1000-7229.2019.08.010

• 综合能源系统故障状态分析及其运行调度 • 上一篇下一篇

面向风电消纳的车-储-热协同调度策略

周思宇1，刘成刚2，戈阳阳3，赵清松3，李琼慧4，王彩霞4，龙虹毓1

1.西南大学工程技术学院，重庆市 400715；2.内蒙古电力科学研究院，呼和浩特市 010020；3.国网辽宁省电力有限公司电力科学研究院，沈阳市 110006；4.国网能源研究院有限公司，北京市 102209

出版日期:2019-08-01
作者简介:周思宇（1994），男，硕士研究生，主要研究方向为电动汽车与电网互动技术；刘成刚（1988），男，硕士，主要研究方向为发电机组性能分析计算；戈阳阳（1983），男，博士，主要研究方向为清洁能源及微电网并网技术；赵清松（1987），男，硕士，工程师，主要研究方向为新能源并网消纳；李琼慧（1969），女，硕士，教授级高级工程师，主要研究方向为新能源并网规划及技术经济性评价；王彩霞（1985），女，博士，主要研究为新能源并网分析、电力系统优化；龙虹毓（1978），男，博士，副教授，通信作者，主要研究方向为电力系统优化调度。
基金资助:
中央高校基本科研业务费专项资金资助项目（XDJK2015A006）；国网辽宁省电力有限公司项目（LNDL2018-05PT-GC-DKY-JSFW）；博士引进人才基金（SWU114050）

Research on Vehicle-Storage-Heat Joint Dispatching Strategy for Wind Power Consumption

ZHOU Siyu1，LIU Chenggang2， GE Yangyang3，ZHAO Qingsong3，LI Qionghui4，WANG Caixia4，LONG Hongyu1

1. College of Engineering and Technology，Southwest University，Chongqing 400715，China；2.Inner Mongolia Electric Power Science and Research Institute， Hohhot 010020， China；3. Electric Power Research Institute，State Grid Liaoning Electric Power Co.， Ltd.， Shenyang 110006，China；4. State Grid Energy Research Institute Co.， Ltd.， Beijing 102209，China

Online:2019-08-01
Supported by:
This work is supported by Fundamental Research Funds for the Central Universities （No. XDJK2015A006）.

摘要/Abstract

摘要： 良好的需求侧管理能够有效应对风电出力的不确定性，提升风电消纳能力。然而，传统的需求侧管理机制，受参与元素单一的限制，严重影响了资源的利用效率。因此，文章提出一种面向风电消纳的车-储-热协同调度策略。首先，建立了需求侧用户热负荷非均匀特性模型，并将具有差异性的热负荷视作虚拟储热；其次，基于电动汽车的储能特性，建立了电动汽车充放电模型；随后，综合考虑用户扰动成本和电池折旧成本，建立了以风电消纳量最大为目标的调度策略；最后，在GAMS软件上进行算例分析，并与未计及电动汽车参与的调度策略进行对比。结果表明：通过车-储-热协同调度策略，风电消纳量增大了25.42%，投入产出比减小了10.3%。

关键词: 需求侧管理, 车-储-热, 非均匀特性, 电动汽车, 风电消纳

Abstract: Good demand-side management can effectively cope with the uncertainty of wind power and improve the wind power consumption. However， the traditional demand-side management mechanism is limited by the single element of participation， which seriously affects the efficiency of resource utilization. Therefore， this paper proposes a vehicle-storage-heat joint dispatching strategy for wind power consumption. Firstly， this paper establishes the non-uniform characteristic model of demand-side user heat load， and regards the differential heat load as virtual heat storage. Secondly， according to the energy storage characteristics of electric vehicle， the electric vehicle charging and discharging model is established. Subsequently， comprehensive considering the users disturbance cost and battery depreciation cost， a scheduling strategy with target of the largest wind power consumption is established. Finally， the case analysis is carried out on GAMS software， and compared with the scheduling strategy without considering the participation of electric vehicles. The results show that through the proposed method of the coordinated scheduling of electric vehicles， heat pumps and thermoelectric unit， the wind power consumption is increased by 25.42%， and the input-output ratio decreased by 10.3%.

Key words: demand-side management, vehicle-storage-heat, non-uniformity, electric vehicle, wind power consumption

中图分类号:

TM 73

周思宇，刘成刚，戈阳阳，赵清松，李琼慧，王彩霞，龙虹毓. 面向风电消纳的车-储-热协同调度策略[J]. 电力建设, 2019, 40(8): 77-83.

ZHOU Siyu，LIU Chenggang， GE Yangyang，ZHAO Qingsong，LI Qionghui，WANG Caixia，LONG Hongyu. Research on Vehicle-Storage-Heat Joint Dispatching Strategy for Wind Power Consumption[J]. Electric Power Construction, 2019, 40(8): 77-83.

参考文献

［1］STRUNZ K， ABBASI E， HUU D N. DC microgrid for wind and solar power integration［J］. IEEE Journal of Emerging and Selected Topics in Power Electronics， 2014， 2（1）： 115-126.
［2］SIOSHANSI R， DENHOLM P. Benefits of colocating concentrating solar power and wind［J］. IEEE Transactions on Sustainable Energy， 2013， 4（4）： 877-885.
［3］蒋宇，陈星莺，余昆，等. 考虑风电功率预测不确定性的日前发电计划鲁棒优化方法［J］. 电力系统自动化， 2018， 42（19）： 57-63， 183.
JIANG Yu， CHEN Xingying， YU Kun， et al. Robust optimization method for day-ahead generation scheduling considering prediction uncertainty of wind power［J］. Automation of Electric Power Systems， 2018， 42（19）： 57-63， 183.
［4］MOEINI-AGHTAIE M， DEHGHANIAN P， FOTUHI-FIRUZABAD M， et al. Multiagent genetic algorithm： an online probabilistic view on economic dispatch of energy hubs constrained by wind availability［J］. IEEE Transactions on Sustainable Energy， 2014， 5（2）： 699-708.
［5］陈磊，徐飞，王晓，等. 储热提升风电消纳能力的实施方式及效果分析［J］. 中国电机工程学报， 2015， 35（17）： 4283-4290.
CHEN Lei， XU Fei， WANG Xiao， et al. Implementation and effect of thermal storage in improving wind power accommodation［J］. Proceedings of the CSEE， 2015， 35（17）： 4283-4290.
［6］于婧，孙宏斌，沈欣炜. 考虑储热装置的风电-热电机组联合优化运行策略［J］. 电力自动化设备， 2017， 37（6）： 139-145.
YU Jing， SUN Hongbin， SHEN Xinwei. Optimal operating strategy of integrated power system with wind farm， CHP unit and heat storage device［J］. Electric Power Automation Equipment， 2017， 37（6）： 139-145.
［7］龙虹毓，付林，徐瑞林，等. 利用燃气机组和热泵减少不确定因素影响的电网调度［J］. 电工技术学报， 2015， 30（20）： 219-226.
LONG Hongyu， FU Lin， XU Ruilin， et al. Research on the electric grid dispatch for alleviating the uncertainties impact through gas-fired cogenerations and heat pumps［J］. Transactions of China Electrotechnical Society， 2015， 30（20）： 219-226.
［8］刘小聪，王蓓蓓，李扬，等. 计及需求侧资源的大规模风电消纳随机机组组合模型［J］. 中国电机工程学报， 2015， 35（14）： 3714-3723.
LIU Xiaocong， WANG Beibei， LI Yang， et al. Stochastic unit commitment model for high wind power integration considering demand side resources［J］. Proceedings of the CSEE， 2015， 35（14）： 3714-3723.
［9］王再闯，袁铁江，李永东，等. 基于储能电站提高风电消纳能力的电源规划研究［J］. 可再生能源， 2014， 32（7）： 954-960.
WANG Zaichuang， YUAN Tiejiang， LI Yongdong， et al. Power planning based on energy storage station to improve accommodation of wind power［J］. Renewable Energy Resources， 2014， 32（7）： 954-960.
［10］朱金菊，戈阳阳，徐亨，等. 计及用户均匀性差异的风电消纳策略研究［J］. 现代电子技术， 2019， 42（7）： 145-152.
ZHU Jinju， GE Yangyang， XU Heng， et al. Research on wind power absorption strategy considering user uniformity difference［J］. Modern Electronics Technique， 2019， 42（7）： 145-152.
［11］王锡凡，邵成成，王秀丽，等. 电动汽车充电负荷与调度控制策略综述［J］. 中国电机工程学报， 2013， 33（1）： 1-10.
WANG Xifan， SHAO Chengcheng， WANG Xiuli， et al. Survey of electric vehicle charging load and dispatch control strategies［J］. Proceedings of the CSEE， 2013， 33（1）： 1-10.
［12］SABER A Y， VENAYAGAMOORTHY G K. Resource scheduling under uncertainty in a smart grid with renewables and plug-in vehicles［J］. IEEE Systems Journal， 2012， 6（1）： 103-109.
［13］LO′PEZ M A， DE LA TORRE S， MARTI′N S， et al. Demand-side management in smart grid operation considering electric vehicles load shifting and vehicle-to-grid support［J］. International Journal of Electrical Power & Energy Systems， 2015， 64： 689-698.
［14］葛少云，郭建祎，刘洪，等. 计及需求侧响应及区域风光出力的电动汽车有序充电对电网负荷曲线的影响［J］. 电网技术， 2014， 38（7）： 1806-1811.
GE Shaoyun， GUO Jianyi， LIU Hong， et al. Impacts of electric vehicles ordered charging on power grid load curve considering demand side response and output of regional wind farm and photovoltaic generation［J］. Power System Technology， 2014，38（7）： 1806-1811.
［15］龙虹毓，何国军，徐瑞林，等. 计及分布式电源热泵的热电联产协调优化调度与能效分析［J］. 电力系统自动化， 2013， 37（14）： 38-42.
LONG Hongyu， HE Guojun， XU Ruilin， et al. Cogeneration coordination optimal dispatch and energy efficiency analysis containing distributed electric heat pumps［J］. Automation of Electric Power Systems， 2013， 37（14）： 38-42.
［16］姚伟锋，赵俊华，文福拴，等. 集中充电模式下的电动汽车调频策略［J］. 电力系统自动化， 2014， 38（9）： 69-76.
YAO Weifeng， ZHAO Junhua， WEN Fushuan， et al. Frequency regulation strategy for electric vehicles with centralized charging［J］. Automation of Electric Power Systems， 2014， 38（9）： 69-76.
［17］蔡德福，钱斌，陈金富，等. 含电动汽车充电负荷和风电的电力系统动态概率特性分析［J］. 电网技术， 2013， 37（3）： 590-596.
CAI Defu， QIAN Bin， CHEN Jinfu， et al. Analysis on dynamic probabilistic characteristic of power grid connected with electric vehicle charging load and wind power［J］. Power System Technology， 2013， 37（3）： 590-596.
［18］付林. 热电（冷）联产系统电力调峰运行研究［D］. 北京：清华大学， 2000.

[1]	张卫国, 陈良亮, 成海生, 付蓉, 季娟. 基于电动汽车供电资源态势感知的台区负荷弹性调度策略[J]. 电力建设, 2020, 41(8): 48-56.
[2]	王瀚琳, 刘洋, 许立雄, 陈贤邦, 谭思维. 考虑风电消纳的区域多微网分层协调优化模型[J]. 电力建设, 2020, 41(8): 87-98.
[3]	郑惠萍, 曾鹏, 刘新元, 程雪婷, 薄利明, 杨尉薇, 张一帆, 崔杨. 基于误差前馈预测的多时空尺度风电集群有功功率分层控制策略[J]. 电力建设, 2020, 41(8): 120-128.
[4]	吴钉捷, 李晓露. 基于实时出行需求和交通路况的电动汽车充电负荷预测[J]. 电力建设, 2020, 41(8): 57-67.
[5]	张浩禹，邱晓燕，周晟锐，赵有林，李凌昊，张楷 . 基于机会约束目标规划的多电-气互联综合能源系统分布式优化模型[J]. 电力建设, 2020, 41(7): 82-91.
[6]	谭忠富，谭彩霞，蒲雷，杨佳澄. 基于协同免疫量子粒子群优化算法的虚拟电厂双层博弈模型[J]. 电力建设, 2020, 41(6): 9-17.
[7]	胡珏，韦钢，袁洪涛，罗志刚. 电动汽车充换储一体站的建模[J]. 电力建设, 2020, 41(6): 44-51.
[8]	刘辉，谢良峰，谢海敏，阳育德，覃智君. 考虑电动汽车响应AGC的系统网损评估[J]. 电力建设, 2020, 41(6): 52-59.
[9]	苏俊妮，张鑫，赵俊炜，张锐，曲明辉，杨艳红. 计及需求响应和储能的电-气综合能源系统优化调度[J]. 电力建设, 2020, 41(5): 1-8.
[10]	林紫菡，蒋晨威，陈明辉，尚慧玉，赵宏伟，阳曾，王一铮，文福拴. 计及柔性负荷的综合能源系统低碳经济运行[J]. 电力建设, 2020, 41(5): 9-18.
[11]	都成，魏震波. 基于模糊激励型需求响应的微电网两阶段优化调度模型[J]. 电力建设, 2020, 41(5): 37-44.
[12]	周斌，张卫国，崔文佳，毛东宇，陈中. 考虑预警负荷的电动汽车充放电优化策略[J]. 电力建设, 2020, 41(4): 10-21.
[13]	赵文会，张九阳，高姣倩，宋亚君. 考虑动态电量和无限次博弈的电动汽车上网电价模型#br#[J]. 电力建设, 2020, 41(4): 30-37.
[14]	蒋浩，林舜江，卢艺，何森. 考虑时间相关性的电动汽车充电站负荷概率建模及场景生成[J]. 电力建设, 2020, 41(2): 47-57.
[15]	张宇威, 杨军，吴赋章，詹祥澎，龙雪梅，张俊，徐箭. 基于电网-交通网耦合的充电站故障传播分析框架[J]. 电力建设, 2020, 41(1): 13-22.

面向风电消纳的车-储-热协同调度策略

Research on Vehicle-Storage-Heat Joint Dispatching Strategy for Wind Power Consumption

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价