电动汽车充电负荷与分布式电源互补协调方法与流程

阅读：评论：0

1.本发明涉及配电网多能互补领域，尤其涉及电动汽车充电负荷与分布式电源互补协调方法。

背景技术：

2.随着电动汽车的普及和电力系统的发展，电动汽车充电负荷和分布式电源的接入规模将会进一步扩大，其所带来的不确定性对配电网规划也将带来不可忽视的影响。同时，影响电动汽车充电负荷和分布式电源的不确定性的因素也多种多样，因此，分析考虑新负荷与配电网下的系统运行特性和能量流物理拓扑等关联关系，提出配电网电动汽车充电负荷与分布式电源的互补协调方法。

技术实现要素：

3.为了解决上述问题，本发明的目的是提供电动汽车充电负荷与分布式电源互补协调方法，其技术方案如下：
4.电动汽车充电负荷与分布式电源互补协调方法，包括以下步骤：
5.步骤1)电动汽车充电负荷不确定性分析，建立电动汽车充电负荷影响指标与模型；
6.步骤2)分布式电源不确定性分析，建立分布式电源出力影响指标与模型；
7.步骤3)分布式电源与电动汽车充电负荷互补关联性分析；
8.步骤4)建立电动汽车充电负荷与分布式电源互补系统结构模型；
9.步骤5)制定电动汽车充电负荷与分布式电源互补协调策略。
10.步骤1)中的电动汽车充电负荷不确定性分析，是指从电动汽车的规模、用户行为以及电动汽车性能三个方面进行分析。
11.步骤1)中的电动汽车充电负荷影响指标与模型，包括电动汽车充电开始时刻的概率密度函数、电动汽车充电结束时刻的概率密度函数以及电动汽车日行驶里程的概率密度函数；
12.电动汽车充电开始时刻的概率密度函数，表达式如下：
[0013][0014]
式中，t为时间，μ
out
为电动汽车充电开始时刻的期望值，σ
out
为电动汽车充电开始时刻的方差；
[0015]
电动汽车充电结束时刻的概率密度函数，表达式如下：
[0016][0017]
式中，t为时间，μ
in
为电动汽车充电结束时刻的期望值，σ
in
为电动汽车充电结束时刻的方差；
[0018]
电动汽车日行驶里程的概率密度函数和概率，表达式如下：
[0019][0020]
式中，r为电动汽车一天的行驶里程，单位为km；μd为电动汽车日行驶里程的期望值，σd为电动汽车日行驶里程的方差。
[0021]
步骤2)中的分布式电源不确定性分析，是指从分布式电源自身特性、自然环境以及政策和市场环境三个方面进行分析。
[0022]
步骤2)中的分布式电源出力影响指标与模型，包括风力发电出力影响指标与模型、光伏发电出力影响指标与模型。
[0023]
风力发电出力影响指标与模型，包括风速概率分布模型和风电机组的输出功率；
[0024]
风速概率分布模型，表达式如下：
[0025][0026]
式中，c为威布尔分布的尺度，k为威布尔分布的形状参数；
[0027]
参数k可通过风速序列的均值和标准差求解，表达式如下：
[0028][0029]
式中，σ为风速序列的均、μ为风速序列的标准差；
[0030]
参数c可由k计算得到：
[0031][0032]
风电机组输出功率，表达式如下：
[0033][0034]
式中，pw为风电机组输出功率、为风电机组额定输出功率，v
ci
为风电机组的切入风速、vr为风电机组的额定风速、v
co
为风电机组的切出风速。
[0035]
光伏发电出力影响指标与模型，包括光照强度、光照强度概率密度分布模型和光伏机组的输出功率；
[0036]
光照强度，表达式如下：
[0037][0038]
式中，s
t
为实时光照强度，s
max
为一段时间内最大光照强度值；
[0039]
光照强度概率密度分布，表达式如下：
[0040][0041]
式中a为形状参数、b为尺度参数；
[0042]
参数a、b大小可由某一段时间内光照强度的均值μ和标准差σ决定，表达式如下：
[0043][0044][0045]
光伏机组输出功率，表达式如下：
[0046][0047]
式中，为光伏发电的额定输出功率；sr为发电功率为额定值时的光照强度。
[0048]
步骤3)中的分布式电源与电动汽车充电负荷互补关联性分析，是指选取风力发电和光伏发电一年12个月典型日变化曲线，分析出风力发电和光伏发电的出力特性，再进行互补关联性分析。
[0049]
步骤4)中的电动汽车充电负荷与分布式电源互补系统结构模型，由风力发电系统、光伏发电系统、储能装置、控制单元以及电动汽车充电负荷连接组成，所述电动汽车充电负荷处于并网运行状态，风力发电系统、光伏发电系统共同或单独与电网为电动汽车充电负荷提供能量，互补系统根据储能装置的剩余电荷，决定其充电或放电。
[0050]
步骤5)中的制定电动汽车充电负荷与分布式电源互补协调策略，是指分析电动汽车充电负荷与分布式电源互补系统中的能量流动，再根据风力发电、光伏发电联合出力和电动汽车充电需求间的关系，最后制定电动汽车充电负荷与分布式电源互补协调策略；
[0051]
电动汽车充电负荷与分布式电源互补系统中的能量流动，表达式如下：
[0052]
δp(t)＝p
pv
(t)+p
wt
(t)-p
load
(t)
ꢀꢀꢀꢀ
(1-13)
[0053]
式中，δp(t)为t时刻的能量差；p
pv
(t)为t时刻光伏发电功率；p
wt
(t)为t时刻风机发电功率；p
load
(t)为t时刻负载功率，这里指电动汽车充电负荷；
[0054]
根据式(1-13)，电动汽车充电负荷与分布式电源互补协调策略如下：
[0055]
δp(t)＞0时，输出功率过剩，此时增大对电动汽车充电负荷的并网比例；同时考虑峰谷电价，在峰时电价时段，分布式电源富余电量优先反送入电网获取收益，在谷时电价时段，分布式电源富余电量优先存入储能装置，以便在用电高峰和风力发电和光伏发电出力不足时提供电能；
[0056]
δp(t)＜0时，输出功率无法满足负载需求，优先让储能装置放电以填补差额，不
足部分由电网提供，此时限制电动汽车充电负荷接入，电动汽车充电负荷消耗的功率依据电网需要进行调节，以此起到调峰调频的作用，通过它们的联合运行优化来提高电网对分布式电源的消纳能力；储能装置的充放电策略根据风力发电和光伏发电出力与负荷的功率差额以及储能运行约束条件进行调整。
[0057]
与现有技术相比，其有益效果在于：建立了电动汽车充电负荷影响指标及负荷模型，建立了风力发电、光伏发电的出力影响指标及出力模型，确保能够精准模拟电动汽车充电负荷和分布式电源的变化情况，以完整模拟配电网中的各种不确定因素，增加了配电网规划的整体科学性。电动汽车充电负荷和分布式电源采用并网运行方式，对容量配置要求不高，还可利用风力发电和光伏发电上网电价和市电价的差额来补偿风力发电和光伏发电高成本问题，同时与大电网的连接保障电动汽车充电负荷稳定运行。采用多能互补系统，包含多种能源供应方式、多个能源供应主体，存在用户用能特性差异性大的特点，能够实现各种能源协调互补，发挥不同能源形式优势，通过融合多种分布式电源、负荷、储能装置，合理配置分布式设备容量，提高清洁能源电网消纳能力和能源利用效率，具有更高的效率、更高的环境效益和更低的用能成本。
附图说明
[0058]
图1为电动汽车充电负荷与分布式电源互补系统结构模型；
[0059]
图2为电动汽车充电负荷影响因素；
[0060]
图3为工作日与休息日电动汽车充电负荷对比；
[0061]
图4为电动汽车充电开始时刻概率密度；
[0062]
图5为电动汽车充电结束时刻概率分布；
[0063]
图6为电动汽车日行驶里程概率分布；
[0064]
图7为蒙东各月典型日风电出力特性；
[0065]
图8为蒙东各季节典型日风电出力特性；
[0066]
图9为蒙东各月典型日光伏出力特性；
[0067]
图10为蒙东各季节典型日光伏出力特性；
[0068]
图11为蒙东各月风电出力、光伏出力和负荷典型日变化曲线对比。
具体实施方式
[0069]
为了能够更清楚地理解本发明的上述目的、特征和优点，下面将结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本技术的实施例及实施例中的特征可以相互组合。
[0070]
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
[0071]
实施例1
[0072]
如图2-3所示，电动汽车充电负荷的不确定性来源于多种因素，从宏观的较长时间尺度下的充电需求来看，电动汽车的规模是引导充电负荷动态变化的内在因素，也是对充电负荷进行定量分析的关键因素。从微观角度，电动汽车性能影响因素主要包括电动汽车
类型、单位里程耗电量以及电池性能等。另外，用户行为也决定了电动汽车的充电需求。用户的行为主要表现为出行行为和充电行为。出行行为特征主要包括首次出行时间、出行目的地、行驶里程、行驶时长及停车时长、不同特征日的出行需求差异等，这部分影响因素之间相互耦合相互作用，反应了电动汽车充电负荷的时空特性。
[0073]
实施例2
[0074]
分布式电源不确定性分析，将影响分布式电源的不确定性因素分为三类，分别为分布式电源自身特性的不确定性、自然环境的不确定性、政策和市场环境的不确定性。
[0075]
①
分布式电源自身特性的不确定性
[0076]
从自身出力特性来看，不同类型分布式电源出力特点不同，可将其分为间歇出力型和稳定出力型。间歇型通常指的是分布式风电、分布式光伏等，稳定型通常指燃气机组、燃料电池等可控分布式电源。分布式电源自身出力的不确定性主要体现在风电、光伏发电等分布式可再生能源设备的出力波动性及其对系统的影响。分布式可再生能源接入系统后，其出力波动性将持续冲击系统有功平衡，对此系统需提高备用容量、加快调频机组响应速度来满足频繁的调频和调度需求。另外，分布式可再生能源经高压电网远距离输送，功率的波动穿越本地电网和远距离输电通道，将影响电网无功平衡，并引起沿线母线电压随机波动。
[0077]
②
自然环境的不确定性
[0078]
分布式电源为风电机组和光伏机组，二者出力均于自然环境因素密切相关。风电出力主要由风速决定，光伏出力受多种因素影响，包括太阳光照强度、光伏阴影程度及光伏组件表面湿度、温度等，其中光照强度是最主要的影响因素。需要考虑自然因素对分布式电源出力特性的影响。
[0079]
③
政策和市场环境的不确定性
[0080]
分布式电源不确定性还易受政策、市场电价波动性以及电池成本等因素的影响。从市场角度考虑，未来市场化程度决定了分布式电源的上网情况且并网电价也具有一定的不确定性。从政策角度考虑，分布式电源安装成本和政策扶持程度也具有不确定性。
[0081]
实施例3
[0082]
如图4-6所示，电动汽车充电负荷影响指标和模型，电动汽车驾驶员的用车习惯是影响电动汽车充电行为的重要因素，具有随机不确定性。电动汽车驾驶员的用车习惯主要包括行驶距离、充电场所、充电时间、开始充电时刻、动力电池容量以及初始荷电量等。用户行驶特性由于受到政策法规限制、个体年龄和工作等多重因素影响个体差异明显，具有较大的随机性。
[0083]
车辆在一天中最后一次返程结束时刻，也就是接入电网时刻，和第一次出行时刻，也就是离开电网时刻，均服从正态分布，车辆日行驶里程服从对数正态分布。
[0084]
电动汽车充电开始时刻的概率密度函数，表达式如下：
[0085]
[0086]
式中，t为时间，μ
out
为电动汽车充电开始时刻的期望值，σ
out
为电动汽车充电开始时刻的方差，参考美国交通部对全美家用车辆调查结果，取μ
out
＝17.47，σ
out
＝3.41；
[0087]
电动汽车充电结束时刻的概率密度函数，表达式如下：
[0088][0089]
式中，t为时间，μ
in
为电动汽车充电结束时刻的期望值，σ
in
为电动汽车充电结束时刻的方差，取μ
in
＝8.92，σ
in
＝3.24。
[0090]
电动汽车日行驶里程的概率密度函数和概率，表达式如下：
[0091][0092]
式中，r为电动汽车一天的行驶里程，单位为km；μd为电动汽车日行驶里程的期望值，σd为电动汽车日行驶里程的方差，取μd＝2.98，σd＝1.14。
[0093]
实施例4
[0094]
风电出力特性分析，风能是一种随机性强、能量密度低的清洁能源，易受气候条件和地理条件影响。风力发电的动力来源于风能，受风能影响，风电具有较大的波动性、不确定性、随机性。因此从风电出力的波动性、出力变化、季节气候等方面可以分析风力发电特性。
[0095]
如图7所示，以蒙东地区为例，对其2019年每小时风电出力标幺值进行汇总，按月求取典型日风电功率曲线。通过每月典型日风电功率曲线，研究风电输出功率的日变化规律，分析各月风电出力在24h内的变化规律性。通过分析可以看出，蒙东地区三月、十一月、十二月的风电出力最大，风电出力标幺值均位于区间[0.3,0.45]，六月、七月、八月的风电出力最小，风电出力标幺值均位于区间[0,0.25]。横向对比各月典型日的出力曲线，多数月份的典型日均出现两个低谷，第一个低谷位于上午7～9时，第二个低谷位于下午17～19时。多数月份的典型日均出现一个峰值，位于下午13～15时。因此可以推断，虽然各季节的平均风速和风资源情况不同，但风速的日内变化仍呈现一定规律，一般下午下午13～15时为风电出力较大时段，清晨和傍晚出力较小，夜间和凌晨的风电出力较为平稳且维持在中高水平。
[0096]
如图8所示，统计蒙东风电出力季节特性，按季节求取典型日风电功率曲线，图中各小图纵坐标均为区间[0,0.5]，因此可以进行直观对比。夏季典型日的风电出力标幺值位于区间[0.1,0.2]，为四个季节中最低，因此夏季为四季中风电出力最小的季节，且日内风电出力情况变化不大，大部分时间均处于低出力状态。春季、秋季和冬季典型日出力的标幺值均位于区间[0.2,0.4]。春季、秋季风电出力均在下午13～16时之间呈现一个明显的峰值，且该峰值的标幺值接近0.4。春季、秋季风电出力均在上午的7～10时、下午16～19时之间呈现一个明显的低谷。可以推断在春秋季节中，下午13～16时为风电出力较大的时间段，上午的7～10时、下午16～19为风电出力较小的时间段。冬季风电出力较为平缓。且冬季典型日出力的最大值明显小于春、秋两季节日最大值，冬季出力的最小值也小于春、秋两季节
的日最小值。综合上述分析，四季中春秋两季节的风电出力最大，冬季风电出力次于春秋，夏季风电出力最小。上述风电出力特性与蒙东地区风能“春季风速最大，冬季风速次之，夏季风速最小”的季节特性。
[0097]
实施例5
[0098]
风电出力影响指标与模型，风电输出功率受实际风速和机组设备发电参数决定，且风电出力的随机性与机组自身结构的复杂性，会使风电机组的输出功率难以控制，因此准确描述风速变化规律愈发重要。本报告为充分计及蒙东风力资源丰富的特点，主要考虑风速对风电出力的影响。风速的概率分布常采用威布尔(weibull)分布表示。威布尔分布只需要确定概率分布的三个基本参数即形状参数、尺度参数、位置参数就可模拟某地区实际风速变化，因此在风速计算中被广泛应用，具体内容如下：
[0099]
风速概率分布模型，表达式如下：
[0100][0101]
式中，c为威布尔分布的尺度，k为威布尔分布的形状参数；
[0102]
参数k可通过风速序列的均值和标准差求解，表达式如下：
[0103][0104]
式中，σ为风速序列的均、μ为风速序列的标准差；
[0105]
参数c可由k计算得到：
[0106][0107]
风电机组的输出功率随风速的波动而变化，风电机组输出功率可表示为实时风速的分段函数。根据风速概率分布描述风速大小后，风电机组输出功率可由风速表示，表达式如下：
[0108][0109]
式中，pw为风电机组输出功率、为风电机组额定输出功率，v
ci
为风电机组的切入风速、vr为风电机组的额定风速、v
co
为风电机组的切出风速。
[0110]
实施例6
[0111]
如图9所示，光伏出力特性分析，以蒙东地区为例，对其2019年每小时光伏出力标幺值进行汇总，按月求取典型日光伏功率曲线。通过每月典型日光伏功率曲线研究光伏功率的日变化规律，分析各月光伏出力在24h内的变化规律性。通过分析可以看出，蒙东各月典型日光伏出力呈现先升后降的趋势，呈现“一峰”特性，光伏出力主要集中在上午6时～下午18时之间，各月典型日的最大出力大多发生在12时，较大出力发生在11时～15时之间。其中，上午6时～中午12时和中午12时～下午18时分别呈现严格上升和严格下降趋势。晚间20时至清晨6时，出力始终维持在极低水平。
[0112]
如图10所示，统计蒙东风电光伏季节特性，按季节求取典型日光伏功率曲线。图中
各小图纵坐标均为区间[0,0.8]，因此可以进行直观对比。夏季典型日的光伏出力峰值的标幺值位于区间[0.5,0.6]，为四个季节中最低，因此夏季为四季中光伏出力最小的季节。秋季、春季和冬季典型日光伏出力峰值的标幺值均位于区间[0.6,0.8]，峰值相近，因此该年份这三个季节的光伏出力情况也较为相似，均处于中高水平。四个季节典型日的光伏出力均以正午12:00呈现对称分布，因此四季日内光伏出力分布情况均较为相似。
[0113]
实施例7
[0114]
光伏出力影响指标与模型，光照强度受时间或气候的影响会表现出一定的差异性和波动性。所以，光伏发电并网后，由于光能的间歇性和波动性导致光伏发电给电网带来的影响也具有不确定性。光伏输出功率主要受光照强度、光照小时数等因素的影响，其中光照强度为主要影响因素。
[0115]
针对蒙东地区的光伏出力建模，将光照强度作为光伏功率输出的主要参数。探究光照强度分布规律前，为简化计算需进行标准化，表达式如下：
[0116][0117]
式中，s
t
为实时光照强度，s
max
为一段时间内最大光照强度值；
[0118]
光照强度概率密度分布，表达式如下：
[0119][0120]
式中a为形状参数、b为尺度参数；
[0121]
参数a、b大小可由某一段时间内光照强度的均值μ和标准差σ决定，表达式如下：
[0122][0123][0124]
光伏机组输出功率，表达式如下：
[0125][0126]
式中，为光伏发电的额定输出功率；sr为发电功率为额定值时的光照强度。
[0127]
实施例8
[0128]
如图11所示，分布式电源与电动汽车充电负荷互补关联性分析，以蒙东地区为例，对其2019年各月典型日变化曲线进行互补关联性分析，可以看出光伏发电出力从上午6时～中午11时快速增长，全网各月负荷在这一阶段整体也处于上升期；下午13时～18时，光伏发电出力快速下降，但各月负荷变化不大，仍保持在相对较高水平。在上午6时～下午18时之间，与光伏发电出力特性相反，风电总体呈现先降后升的趋势，由于风电最小出力主要集中在上午8时～10时之间，风电出力低谷时段早于光伏发电出力的高峰时段出现。
[0129]
通常认为夜间风大、白天风小，而光伏只有日间出力，因此认为风电与光伏具有互
补性。但根据变化曲线，发现事实并非如此。对比风电出力和光伏出力的趋势折线图，发现风电各时段概率分布曲线相近，与时间的相关性较弱，折线较为平坦。而光伏各时段概率分布曲线差异较大，以正午13:00作为时间轴，呈现较为明显的半对称性，且离13:00越近出力越大，与时间的相关性强。因此可以初步得出光伏与风电的出力互补性不明显的结论。正午时分光伏出力最大的时候，风电出力可能达到最大或最小。然而，负荷曲线的高峰时段主要集中在8时～13时、18时～20时，风电、光伏出力总和可以基本匹配日负荷曲线，形成分布式电源与负荷的互动互补。
[0130]
实施例9
[0131]
如图1所示，将风光储与电动汽车充电站整合成一个整体，组成含电动汽车充电负荷与分布式电源的多能互补系统，实现配电系统的多能互补运行。本发明建立的电动汽车充电负荷与分布式电源互补系统结构模型，由风力发电系统、光伏发电系统、储能装置、控制单元以及电动汽车充电负荷连接组成，在系统中，电动汽车充电桩可通过公共节点与外部电网进行能量交互。当充电桩与电网连接时，电动汽车充电负荷处于并网运行状态，并网运行状态下，风力发电系统、光伏发电系统共同或单独与电网为电动汽车提供能量，系统根据储能电池组的剩余电荷，决定其充电或放电。
[0132]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0133]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0134]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0135]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0136]
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

技术特征：

1.电动汽车充电负荷与分布式电源互补协调方法，其特征在于，包括以下步骤：步骤1)电动汽车充电负荷不确定性分析，建立电动汽车充电负荷影响指标与模型；步骤2)分布式电源不确定性分析，建立分布式电源出力影响指标与模型；步骤3)分布式电源与电动汽车充电负荷互补关联性分析；步骤4)建立电动汽车充电负荷与分布式电源互补系统结构模型；步骤5)制定电动汽车充电负荷与分布式电源互补协调策略。2.根据权利要求1所述的电动汽车充电负荷与分布式电源互补协调方法，其特征在于，所述步骤1)中的电动汽车充电负荷不确定性分析，是指从电动汽车的规模、用户行为以及电动汽车性能三个方面进行分析。3.根据权利要求1所述的电动汽车充电负荷与分布式电源互补协调方法，其特征在于，所述步骤1)中的电动汽车充电负荷影响指标与模型，包括电动汽车充电开始时刻的概率密度函数、电动汽车充电结束时刻的概率密度函数以及电动汽车日行驶里程的概率密度函数；电动汽车充电开始时刻的概率密度函数，表达式如下：式中，t为时间，μ
out
为电动汽车充电开始时刻的期望值，σ
out
为电动汽车充电开始时刻的方差；电动汽车充电结束时刻的概率密度函数，表达式如下：式中，t为时间，μ
in
为电动汽车充电结束时刻的期望值，σ
in
为电动汽车充电结束时刻的方差；电动汽车日行驶里程的概率密度函数和概率，表达式如下：式中，r为电动汽车一天的行驶里程，单位为km；μ
d
为电动汽车日行驶里程的期望值，σ
d
为电动汽车日行驶里程的方差。4.根据权利要求1所述的电动汽车充电负荷与分布式电源互补协调方法，其特征在于，所述步骤2)中的分布式电源不确定性分析，是指从分布式电源自身特性、自然环境以及政策和市场环境三个方面进行分析。5.根据权利要求1所述的电动汽车充电负荷与分布式电源互补协调方法，其特征在于，所述步骤2)中的分布式电源出力影响指标与模型，包括风力发电出力影响指标与模型、光
伏发电出力影响指标与模型。6.根据权利要求5所述的电动汽车充电负荷与分布式电源互补协调方法，其特征在于，所述风力发电出力影响指标与模型，包括风速概率分布模型和风电机组的输出功率；风速概率分布模型，表达式如下：式中，c为威布尔分布的尺度，k为威布尔分布的形状参数；参数k可通过风速序列的均值和标准差求解，表达式如下：式中，σ为风速序列的均、μ为风速序列的标准差；参数c可由k计算得到：风电机组输出功率，表达式如下：式中，p
w
为风电机组输出功率、为风电机组额定输出功率，v
ci
为风电机组的切入风速、v
r
为风电机组的额定风速、v
co
为风电机组的切出风速。7.根据权利要求5所述的电动汽车充电负荷与分布式电源互补协调方法，其特征在于，所述光伏发电出力影响指标与模型，包括光照强度、光照强度概率密度分布模型和光伏机组的输出功率；光照强度，表达式如下：式中，s
t
为实时光照强度，s
max
为一段时间内最大光照强度值；光照强度概率密度分布，表达式如下：式中a为形状参数、b为尺度参数；参数a、b大小可由某一段时间内光照强度的均值μ和标准差σ决定，表达式如下：参数a、b大小可由某一段时间内光照强度的均值μ和标准差σ决定，表达式如下：光伏机组输出功率，表达式如下：
式中，为光伏发电的额定输出功率；s
r
为发电功率为额定值时的光照强度。8.根据权利要求1所述的电动汽车充电负荷与分布式电源互补协调方法，其特征在于，所述步骤3)中的分布式电源与电动汽车充电负荷互补关联性分析，是指选取风力发电和光伏发电一年12个月典型日变化曲线，分析出风力发电和光伏发电的出力特性，再进行互补关联性分析。9.根据权利要求1所述的电动汽车充电负荷与分布式电源互补协调方法，其特征在于，所述步骤4)中的电动汽车充电负荷与分布式电源互补系统结构模型，由风力发电系统、光伏发电系统、储能装置、控制单元以及电动汽车充电负荷连接组成，所述电动汽车充电负荷处于并网运行状态，风力发电系统、光伏发电系统共同或单独与电网为电动汽车充电负荷提供能量，互补系统根据储能装置的剩余电荷，决定其充电或放电。10.根据权利要求1所述的电动汽车充电负荷与分布式电源互补协调方法，其特征在于，所述步骤5)中的制定电动汽车充电负荷与分布式电源互补协调策略，是指分析电动汽车充电负荷与分布式电源互补系统中的能量流动，再根据风力发电、光伏发电联合出力和电动汽车充电需求间的关系，最后制定电动汽车充电负荷与分布式电源互补协调策略；电动汽车充电负荷与分布式电源互补系统中的能量流动，表达式如下：δp(t)＝p
pv
(t)+p
wt
(t)-p
load
(t)
ꢀꢀꢀꢀ
(1-13)式中，δp(t)为t时刻的能量差；p
pv
(t)为t时刻光伏发电功率；p
wt
(t)为t时刻风机发电功率；p
load
(t)为t时刻负载功率，这里指电动汽车充电负荷；根据式(1-13)，电动汽车充电负荷与分布式电源互补协调策略如下：δp(t)＞0时，输出功率过剩，此时增大对电动汽车充电负荷的并网比例；同时考虑峰谷电价，在峰时电价时段，分布式电源富余电量优先反送入电网获取收益，在谷时电价时段，分布式电源富余电量优先存入储能装置，以便在用电高峰和风力发电和光伏发电出力不足时提供电能；δp(t)＜0时，输出功率无法满足负载需求，优先让储能装置放电以填补差额，不足部分由电网提供，此时限制电动汽车充电负荷接入，电动汽车充电负荷消耗的功率依据电网需要进行调节，以此起到调峰调频的作用，通过它们的联合运行优化来提高电网对分布式电源的消纳能力；储能装置的充放电策略根据风力发电和光伏发电出力与负荷的功率差额以及储能运行约束条件进行调整。

技术总结

本发明涉及电动汽车充电负荷与分布式电源互补协调方法，步骤如下：步骤1）电动汽车充电负荷不确定性分析，建立电动汽车充电负荷影响指标与模型；步骤2）分布式电源不确定性分析，建立分布式电源出力影响指标与模型；步骤3）分布式电源与电动汽车充电负荷互补关联性分析；步骤4）建立电动汽车充电负荷与分布式电源互补系统结构模型；步骤5）制定电动汽车充电负荷与分布式电源互补协调策略。采用并网运行方式，对容量配置要求低，利用上网电和市电的电价差额来补偿成本，与大电网的连接保障电动汽车充电负荷稳定运行。采用多能互补系统，能够实现各种能源协调互补，合理配置分布式设备容量，具有更高的效率、更高的环境效益和更低的用能成本。的用能成本。的用能成本。