5456字开题报告范文，电力系统博士论文开篇报告:风光发电和电动汽车随机充放电对配电系统影响的研究

风光互补发电及电动汽车充放电随机性对配电系统影响的研究

开幕报告

内容

一、选题背景

二.研究的目的和意义

第三，本研究涉及的主要理论

第四，本文的主要内容和研究框架

(一)本研究的主要内容

(2)本文的研究框架

五、写作大纲

六、本文的研究进展

七、读过的文学作品

一、选题背景

近年来，电力系统智能化发展趋势已成为电力行业和学术界的热门话题。智能电网必须能够容纳大规模间歇性可再生能源和分布式电力。中国已经成为新能源发电设备，特别是光伏电池的主要制造商。风力发电也取得了巨大的成就。冯光发电具有一定的互补性和随机性。从长远来看，风能丰富，但有些季节光能较少，而风能较少，但有些季节光能丰富。从短期来看，白天光能丰富，但是晚上没有光能，但是风一般很大。风光互补发电系统可以在一定程度上弥补风力发电或光伏发电单独供电的不稳定性。然而，受自然气候严重影响的风光互补发电的随机性、间隙性和波动性，与其他传统发电资源的可靠性、可控性和可调节性相比，仍存在相当大的差距。国内外学术界、工程界和经济界仍在深入研究、探索和实践。电动汽车在节能减排、推动气候变暖、保障石油供应安全方面具有传统汽车无法比拟的优势。它已经引起了政府、汽车制造商和能源企业的广泛关注。越来越多地使用电池设备和充电技术来提升油井也促进了电动汽车的不断普及。研究表明，在中等发展速度下，到2020年、2030年和2050年，电动汽车将分别占美国汽车总数的35%、51%和62%。各国正在建设大量充电设施，以使电动汽车更容易进入电力系统直接给电池充电。中国还制定了适合本国国情的发展规划，以促进电动汽车产业化，提高汽车网络(电网)的集成度。由于大多数私人电动汽车一天中大部分时间都是空闲的，这些空闲的电动汽车可以在高峰用电期间将电力送回电力系统。电动汽车与电网(V2G)相互作用的概念最早是由特拉华大学的肯普顿(Kempton)和莱滕德(Letendre)在1997年提出的。并网电动汽车的引入给电力系统的安全和经济运行带来了新的挑战。电动汽车作为电力系统中的一种特殊负载，在时间(不确定充电时间)-空(不确定充电位置)-行为(不确定驾驶和充放电行为)的三维空间中具有随机不确定性。当大量无协调的电动汽车并入电网时，必然会对电网的安全经济运行产生巨大影响。上述不确定性给大规模多变量电力系统的规划和运行优化带来很大困难。风光互补发电系统的发电功率因不同地区、季节和天气条件而异。风速随机变化引起的风力发电机输出功率的不确定性和太阳辐射强度随机变化引起的太阳能输出功率的不确定性将给分布式发电规划带来风险。因此，在建模时应该给予适当的考虑。在大量电动汽车无序充电的情况下，系统的最大负荷可能增加，整个网络负荷的使用小时可能减少，电网的投资和收益比可能降低，电网的效率可能降低。特别是对于含有可再生能源发电的电力系统，如果不协调可再生能源发电的随机性和电动汽车充放电的随机性之间的关系，电网的发电能力和输电能力就不能得到充分发挥，从而增加了发电和输电成本，浪费了大量资源。

二.研究的目的和意义

如何对冯光混合发电和电动汽车的随机特性进行建模和研究，合理规划配电系统中的可再生能源发电；挖掘可再生能源发电、负荷功耗与电动汽车充放电之间的正向耦合关系，进一步研究电动汽车作为可再生能源发电系统储能装置的可行性；这是促进中国安全高效利用可再生能源的有效途径。

第三，本研究涉及的主要理论

在世界能源短缺和环境污染日益严重的今天，风能作为一种清洁、成熟的可再生能源，近年来在世界各国取得了长足的进步。地球风能资源丰富，发展潜力巨大。世界风能总量约为2740亿千瓦，其中可用部分约为200亿千瓦，比地球上可开发的水能总量大10倍。风能将成为世界可再生能源格局中的重要力量。丹麦是世界上第一个大规模开始风力发电的国家。丹麦也是世界领先的风力发电技术和第一个掌握海上风力发电技术发展的国家。到2025年，丹麦的风力发电将占国内总发电量的50%。德国规定的电价确保丰利发电的投资者能够获得一定的利润。对风电场的投资通常可以在7-8年内收回成本。就风力涡轮机技术而言，德国目前是世界上最先进的国家。英国的海上风力发电项目稳步增长。十三个海上风电场相继建成，总装机容量超过1155兆瓦。由于英国被海洋包围，其近海风力资源占欧洲总资源的相当大一部分。美国风能资源丰富。据估计，如果全部开发出来，美国三个州(北达科他州、堪萨斯州和得克萨斯州)的风力可以满足美国的电力需求。目前，美国最大的风力发电场是德克萨斯州的霍斯霍洛韦能源中心(Horse HollowWind Energy Center)，该中心拥有421台风力涡轮机，装机容量为735兆瓦。近年来，印度一直名列世界顶级风力发电机之列。印度风力发电的快速增长是由该国的可再生能源激励政策推动的。印度政府一直积极支持风力发电的发展。“十一五”期间，中国风电装机容量连续五年翻了一番，居世界首位。2007年之前，国内风力发电场70%的机组是从欧洲进口的。2007年后，它们逐渐国有化，单机容量越来越大。图1.1显示了中国风力发电系统单机容量的增长。由于风的随机性，风力发电的输出功率不稳定。高风电容量的电网可能会出现电能质量问题。例如，电压波动和闪烁、频率偏差、谐波等问题。这种随机性使得系统中源网负载平衡难以控制，成为电力系统规划中需要解决的焦点问题。

2013年，全球光伏装机容量达到36GW，日本和美国的装机容量分别达到6GW和3.5GW，欧洲的装机容量约为9GW。日本是最早推广光伏发电产业的国家之一。直到2004年，日本一直主导着光伏产业。分布式光伏发电在日本被广泛应用，不仅在公园、学校、医院、展览馆等公共设施中，而且在住宅屋顶光伏应用的示范项目中也有应用。然而，自2005年以来，日本取消了“阳光屋顶”计划，装机容量呈下降趋势。2009年后，日本恢复了太阳能屋顶补贴计划，光伏产业呈现出新的发展态势。美国是第一个将太阳能转化为电能的国家。美国光伏产业的发展主要是由于光伏发电相关组件价格的大幅下降和联邦政府的大力补贴。可以说，美国是世界上对光伏产业支持最大的国家。德国2009年的太阳能总装机容量是4GW，但2010年增加到10 GW，并在两年内创下世界纪录(年装机容量为7.5GW)。2013年，中国新装机容量达到10GW，同比增长122%，居世界首位。其中，光伏大型地面电站约7GW，分布式发电约3GW。2013年，国务院出台了《国发24号文件》等一系列政策文件，从上网电价、补贴资金、上网管理等多方面破解国内应用市场发展瓶颈，推动国内市场大规模启动。光伏电站在无限补贴和产量的条件下，掀起了新一轮大规模电站建设。2014年，在光伏发电成本持续下降、政策持续支持和新兴市场快速崛起等有利因素的推动下，全球光伏市场将继续增长#。据估计，2014年全球光伏新装机容量将达到43GW，中国将达到12GW，其中约6GW用于大型电站和分布式发电。然而，由于分布式发电商业模式的不成熟和许多潜在的风险点，大规模推广光伏发电仍然存在很大阻力。另一方面，太阳能光伏发电受太阳辐射强度的影响，其输出具有很强的随机性和间歇性，对峰值调节、调频、待机、潮流、母线电压等都有很大影响。

第四，本文的主要内容和研究框架

(一)本研究的主要内容

本文研究了风光互补发电和电动汽车的特点，研究了可再生能源配电系统的规划，并进行了风光储发电系统的发电量规划。分析了风光互补发电和电动汽车充放电的随机性，研究了考虑V2G随机性的配电系统负荷曲线变化，从供电可靠性出发，优化了含间歇能量的配电系统丰力发电能力，探讨了电动汽车作为间歇能量发电系统储能装置的有效方法，同时考虑了用户的停电补偿成本。通过概率潮流分析，深入探讨了可再生能源发电与负荷功耗之间的正向互补特性。具体工作主要集中在以下几个方面:

第一章是绪论。首先，阐述了论文的研究背景。其次，介绍了风光互补发电的研究现状及其对配电系统的主要影响，电动汽车的发展现状及其对配电系统的影响。然后，总结了国内外相关研究的现状和主要问题。第二章讨论了分布式发电在一定条件下的位置和容量。以有功功率损耗、电压质量、电压稳定指数和线路负荷能力为优化目标，采用比较矩阵法确定各目标的权重，以风力发电为分布式电源，优化分布式电源的安装容量和配电系统的位置。本章中的优化问题包括离散变量和连续变量。为了提高快速优化能力，避免陷入局部优化，利用云理论对遗传算法进行了改进，遗传量和变异量根据染色体的适应度进行优化。最后，将该方法应用于28节点配电系统中分布式电源的定位和容量确定，并与普通遗传算法进行了比较。第三章进行了基于成本/可靠性评估的电动汽车风力发电系统容量规划。建立了风力发电和电动汽车配电系统的成本/可靠性评估模型。考虑到风力发电的不确定性和可接入电网的电动汽车充放电的随机性和规律性，考虑到可中断供电负荷的补偿成本，以配电系统年成本最小为目标规划配电系统的风力发电容量。蒙特卡洛模拟法用于模拟风机输出、发电机和负载状态，以获得用户的停电时间。以IEEE-RBTS(Roy Bilh NTON Test System)为测试系统，对提出的优化模型进行仿真，得到不同电动汽车数量下，以年系统成本(包括固定成本、维护运行成本、燃料成本)和负荷停机补偿成本之和最小为目标的风力发电装机容量。第四章提出了一种考虑风光互补发电和电动汽车充放电随机性的概率潮流计算方法。建立了包括风力发电、太阳能发电和电动汽车在内的电力系统概率潮流模型。根据历史气象资料，分析了不同季节和不同天气条件下的凤凰灯数据，并考虑了风力发电、太阳能发电、电动汽车充放电和负荷的不确定性。在此基础上，采用三点估计法(3PEM)计算电力系统在不同季节、每天不同时间的概率潮流，进而计算潮流结果的统计特征。最后，以140节点配电系统为例，验证了所构建的概率潮流模型和所采用的求解方法。通过与蒙特卡罗模拟法得到的概率潮流结果的比较，证明了该方法的准确性。此外，还研究和分析了风力发电、光伏发电和电动汽车等配电系统在不同季节和时间段的概率潮流结果的差异。第五章研究了考虑储能系统充放电策略优化的风光互补发电系统容量优化问题。在第三章建立的风力发电随机模型和第四章建立的光伏发电随机模型的基础上，对蓄电池充放电功率进行建模，并采用动态规划方法优化蓄电池充放电控制策略。在保证供电可靠性的前提下，建立了最经济的风力发电/光伏发电/蓄电池容量模型。最后，基于我国某地区的气象数据，以IEEE-RBTS-BUS4的负荷为例，对风光互补发电系统进行了容量优化，并对所得结果进行了分析。第六章总结了本文的工作，并指出了有待进一步研究的问题。

(2)本文的研究框架

本文的研究框架可以简单表达如下:

五、写作大纲

鸣谢3-4

概要4-6

摘要6-8

1导言12-31

1.1研究背景和意义12-13

1.2风力和太阳能发电概述13-19

1.2.1风力发电和光伏发电的发展13-16

1.2.2风光互补发电的发展16

1.2.3风光互补发电简介16-17

1.2.4风光互补发电系统存在的问题17-18

1.2.5风力和太阳能发电作为分布式发电系统的配电系统规划问题18-19

1.3电动车辆概述19-25

1.3.1电动车辆的类型和特性21-22

1.3.2国内外研究现状22-24

1.3.3电动车辆对电力系统的影响24-25

1.4研究现状25-29

1.4.1风光发电随机性和电动汽车充放电随机性对配电系统影响的研究26-28

1.4.2现有研究中存在的问题28-29

1.5本条的主要研究内容和工作29-31

2基于改进遗传算法31-47的分布式发电选址和容量确定

2.1导言31

2.2优化目标的建模31-34

2.2.1数学推导31-33

2.2.2优化目标33-34

2.3重量分布34-36

2.4基于云理论的基于云的自适应遗传算法36-41

2.4.1云理论简介36-37

2.4.2基于云理论的自适应遗传算法37-41

2.5示例41-45

2.5.1模拟系统基本信息介绍41

2.5.2模拟结果41-44

2.5.3配电系统负荷增加50%时的模拟结果44-45

2.6本章概述45-47

3基于成本/可靠性评估的电动汽车风力发电系统容量规划47-64

3.1导言47-48

3.2电动汽车充放电功率和风力发电功率建模48-52

3.2.1电动汽车充放电功率的随机性48-49

3.2.2风力发电概率密度函数49-51

3.2.3负载功率的概率密度函数51

3.2.4风扇和负载点停机模拟51-52

3.2.5蒙特卡罗模拟52

3.3可靠性/成本评估模型52-57

3.3.1成本评估模型52-54

3.3.2负荷停电补偿费用54-55

3.3.3确定风力发电系统最佳容量的计算步骤55-57

3.4示例57-63

3.5本章总结63-64

4包括风力发电、太阳能发电和电动汽车在内的电力系统的概率潮流计算64-78

4.1导言64-65

4.2风力/光电输出概率密度和电动汽车充放电功率概率密度65-69

4.2.1风力涡轮机输出的概率密度65-66

4.2.2光伏发电输出概率密度66-68

4.2.3电动车辆充放电功率的概率密度68-69

4.3考虑天气条件的基于三点估计的概率潮流模型69-71

4.3.1通过三点估算计算概率潮流69-70

4.3.2考虑不同季节和天气条件下每天每小时的概率趋势70-71

4.4示例和结果71-77

4.4.1风力涡轮机参数71

4.4.2光伏发电参数71-72

4.4.3电动车辆充电和放电功率参数72

4.4.4负荷的概率密度参数72-73

4 . 4 . 5 140节点配电系统73-77的仿真结果

4.5本章总结77-78

5考虑储能系统充放电策略的风光互补发电系统容量优化78-90

5.1导言78-79

5.2风力发电、光伏发电和储能系统的充放电功率79-81

5.3风光互补发电系统81-82最佳容量确定方法

5.3.1电源可靠性指数81

5.3.2优化模型81-82

5.3.3优化步骤82

5.4示例分析82-89

5.4.1参数设置82-83

5.4.2不同条件下的优化结果83-86

5.4.3不同气候特征的影响86-89

5.5本章总结89-90

结论与展望90-92

6.1结论90-91

6.2展望91-92

参考文献92-103

六、本文的研究进展(略)

七、读过的主要文献

[1]霍兰兹K，G. T .，胡吉特R. G .晴空指数的概率密度函数及其应用[J .]。太阳能，1982，30(3)；195-209，

[2]伯顿，夏普，詹金斯等人，风能手册[。奇切斯特:约翰·威利父子有限公司，2001年。

[3]迪金森，切利米西诺夫，太阳能技术手册[。伦敦:巴特沃斯，1980年。

[4]杜瓦尔·米？《插入式混合动力电动汽车的环境评估》。第一卷:全国温室气体排放[。加利福尼亚州帕洛阿尔托:电力研究所，2007年

[5]马德里，阿格塔·J .南加州爱迪生公司，1999年9月

[6]肯普顿·威，勒滕德·s .电动汽车作为电力公司的新动力源[·J .，交通研究第四部分，1997，2(3): 157-175。

胡泽春，宋永华，许智伟，等。电网电动汽车的影响与利用[]。中国电气工程学报，2012，32(4): 1-10。

[8]陈瑞杰，唐杰，高士平.优化电动汽车充电:一个客户的视角[. J .，汽车技术的IEEE交易，2013，62(7): 2919-2927 .

[9][9]钱k，周c，艾伦·M .，等. V2G电池充电分配系统负荷需求建模[.《电力系统IEEE交易》，2011，26(2): 802-810。

[10]门德斯诉h .，里维尔J .，富恩特J. I .，等.分布式发电对分布式投资延期的影响[J]。《电力和能源系统》，2006，28(4): 244-252。

王培红，朱芳。风能和太阳能光伏互补发电的应用与优化[。上海电力，2009，(1):23-26。

[12]李和。风光互补发电系统的优化设计[。2001年中国科学院硕士学位论文。

[13]王宇。风光互补发电控制系统的研究与开发[。天津大学论文，2008。

[14]曹杨。小型高效风光互补电源研究[。贵州大学论文，2008。

[15]美国布恩布鲁昂，纳里斯·普廷松。独立混合动力系统的基于模型的优化[。2009年世界可再生能源大会:1-10。

[16]卡马鲁扎曼·索皮安，生明·扎哈里姆，优素福·阿里，等.利用遗传算法的混合可再生能源系统的最优运行策略.《数学上的WSEAS交易》，2008，24(7): 130-140。

[17]沙姆·凯泽，阿里弗尔·拉赫曼。孟加拉国典型农村综合能源系统的最佳运行策略[。工程和应用科学，2006，(4):309-315。

彭军，李丹，王庆成，等。太阳能发电系统在苏尼特右旗应用的调查与分析[。农业工程杂志，2008，24 (9): 193-198。

[19]EKE R .，KARA 0。《风力/光伏混合发电系统的优化》，[，国际绿色能源杂志，2005，2(1): 57-63。

《混合系统的多目标设计和控制，最大限度地降低成本和未满足的负载》，[。电力系统研究，2009，79(1): 170-180。

[21]杨海霞“魏振中，娄振中.太阳能-风能混合发电系统的优化设计和技术经济分析[J .，应用能源，2009，86(2): 163-169，

[22][22]库特鲁利斯，科洛科萨，波提拉基斯，等.使用遗传算法优化独立光伏/风力发电机系统尺寸的方法学[.太阳能，2006，80(9): 1072-1088。

[23]胡郝伟，陈喆，BAK-詹森。丹麦电池储能系统对实时电价的优化运行策略[。美国明尼苏达州明尼阿波利斯市2010年7月25日至29日美国电力和能源学会大会会议录:1-7。

[24]鲁帕那贡塔。鲍尔曼。《利用非线性规划技术进行蓄冷调度》，[，电力系统电气与电子工程师协会学报，1995，10(3):1279-1285。

[25]欧达洛夫，切尔考伊，贝京，电池储能系统的大小和最佳运行，用于调峰应用[。电力技术会议录，2007年7月1-5日，瑞士洛桑:621-625。

[26]查克拉。联邦调查局，混蛋。弗勒里。[10][，王志平，等.储能成本对配电站经济性能的影响.电气电子工程师协会电力系统交易，2005，20(2): 684-691。

[27]李。电池储能系统在额定使用时间内的运行时间表工业用户与风力涡轮机发电机:多遍迭代粒子群优化方法[。IEEE能源转换交易，2007，22(3): 774-782。

[28]冯。C. C .，Hoscyc .纳亚尔。使用模拟连接技术优化混合能源系统[。1993年10月19日至21日在中国北京召开的国际电子电气工程师协会计算机、通信、控制和电力工程会议录:235-238，

[29]杜瓦尔·米，克尼平·e，亚历山大·米，等。插入式混合动力电动汽车的环境评估。第一卷:全国温室气体排放[-帕洛阿尔托，加利福尼亚州:电力研究所，2007年。

[30]中华人民共和国科技部。2012-08-07[电动车科技发展第十二个五年计划

李慧玲，白肖敏。电动汽车对配电系统的影响及对策[。电力系统自动化，2011，35 (17): 38-44。