含电动汽车配电网电压稳定性分析方法

1.本发明属于配电网电压稳定性分析技术领域，具体涉及含电动汽车配电网电压稳定性分析方法。


背景技术：

[0002]“双碳”目标下，能源转型战略和智慧城市建设使电动汽车得到进一步应用和普及。预计2030年，中国电动汽车保有量将达8000万辆，现有的城市充电设施不能满足快速增长下的电动汽车充电需求。随着电动汽车的不断发展，充电负荷占配电网总负荷的比例不断上升，但是充电负荷和常规负荷(除电动汽车充电负荷外配电网其他负荷)时-空特性具有明显差异，使得规划结果与实际需求不平衡，导致充电站容量冗余的问题。


技术实现要素：

[0003]
本发明的目的是提供含电动汽车配电网电压稳定性分析方法，解决了规划结果与实际需求不平衡，导致充电站容量冗余的问题。
[0004]
本发明所采用的技术方案是，含电动汽车配电网电压稳定性分析方法，具体按照以下步骤实施：
[0005]
步骤1、建立计及目的地类型与时刻相关性的出行链模型，结合蒙特卡洛仿真模拟生成电动汽车充电负荷场景集；
[0006]
步骤2、建立计及节点空间相关性的常规负荷生成模型，生成常规负荷场景集；
[0007]
步骤3、基于电动汽车充电负荷场景集、常规负荷场景集，构建潜在小概率极端负荷场景和典型负荷场景；
[0008]
步骤4、基于快速电压稳定指标和电压稳定裕度，分析电动汽车接入后配电网电压稳定性。
[0009]
本发明的特点还在于：
[0010]
步骤1具体过程为：
[0011]
步骤1.1、对电动汽车出行数据进行统计分析，获取表征出行链的特征变量概率分布；
[0012]
步骤1.2、电动汽车当前位置类型、当前时刻已知时，计算出发去往下一目的地的条件概率p(l
next
|l
cur
,t
cur
)，建立计及目的地类型与时刻相关性的出行链模型；
[0013]
步骤1.3、基于蒙特卡洛仿真，进行多辆电动汽车的出行模拟，形成出行链，并计算电动汽车在各个节点的充电负荷。
[0014]
步骤1.1中电动汽车出行数据包括：初始出发地点ld、初始出发时间td、行驶时间td、目的地le、停车时间t
p
、行程级数n、日出行次数n，其中，日出行次数表示用户每日出行多少次；行程级数表示用户每一次出行时经过目的地的数目。
[0015]
步骤1.2计算出发去往下一目的地的条件概率p(l
next
|l
cur
,t
cur
)过程为：获取计及目的地类型和时刻相关性的功能区出行条件概率p(l
next
|l
cur
,t
cur
)，采用l
cur
和l
next
表示当
前位置和下一目的地，t
cur
表示当前位置出发时间，则当前位置为l
cur
，出发时间为t
cur
时，下一出行目的地为l
next
的概率为：
[0016][0017]
s.t.0≤t
cur
≤96
[0018]
式中，l
cur
、l
next
为实验区域内当前位置和下一目的地，t
cur
为当前时刻，tra1和tra为满足条件的行程数；
[0019]
步骤1.3具体过程为：
[0020]
步骤1.3.1、对于配电网系统的母线节点进行编号，并定义电动汽车的数目为m；
[0021]
步骤1.3.2、定义变量j，并初始化为0；
[0022]
步骤1.3.3、令j＝j+1，抽取第j辆电动汽车evj的初始荷电状态soc、日出行次数、行程级数、初始出行时间、初始出发地点、停车时间，根据出行链模型生成第j辆电动汽车evj出行链t
trip
，t
trip
为维行向量，共包含级行程；
[0023]
步骤1.3.4、基于floyd算法规划最优行驶路径，并计算电动汽车evj到达k节点时的荷电状态表示为：
[0024][0025]
式(3)中，qc表示出发前电池电量等于电池容量，表示出发前荷电状态，单位耗电量e与行驶距离d的乘积表示路程耗电量；
[0026]
步骤1.3.5、设置开始充电阈值s2，若则计算第j辆电动汽车t时刻在k节点充电量δs
j,k
和充电功率p
j,k
(t)，表示为：
[0027][0028]
其中，充电时段为为到达节点k的时间；
[0029]
p
j,k
(t)包含慢充功率p1和快充功率p2，计算在节点k的停车时间慢充方式下充至满电所需时间t
c,1
，快充方式下充至满电所需时间t
c,2
，充电功率p
j,k
(t)，表示为：
[0030][0031][0032]
考虑里程焦虑及充/放电深度影响，设定充电阈值s1、s2，即soc小于等于s2时开始充电，soc大于等于s1时充电结束；
[0033]
继续行驶直到完成整个出行链；
[0034]
步骤1.3.6、判断j是否等于m，如果是执行步骤1.3.7，否则，返回步骤1.3.3；
[0035]
步骤1.3.7、计算每个节点各时刻的充电功率即负荷；
[0036][0037]
m表示在k节点充电的ev数目，
[0038]
步骤1.3.8、进行多次仿真模拟，生成海量充电负荷场景。
[0039]
步骤2具体过程为：
[0040]
步骤2.1、采用条件wasserstein梯度惩罚生成对抗网络，包含生成器和判别器，将条件变量设置为包含工作日、非工作日的日期类型，以0(非工作日),1(工作日)表示，构建基于数据驱动的条件wasserstein梯度惩罚生成对抗网络，即常规负荷场景生成模型；
[0041]
步骤2.2、通过电表获取配电网各节点中除电动汽车充电负荷外其他负荷作为原始常规负荷数据，将多个节点的原始常规负荷数据重塑成多维矩阵输入条件wasserstein梯度惩罚生成对抗网络，生成海量常规负荷场景。
[0042]
步骤2.2将多个节点的原始常规负荷数据重塑成多维矩阵过程为：将每天获取的原始常规负荷数据作为行，将获取原始常规负荷数据天数作为列，形成一个多维矩阵。
[0043]
步骤3具体过程为：
[0044]
步骤3.1、将步骤1得到的电动汽车充电负荷场景集分为工作日充电负荷场景集和非工作日充电负荷场景集，对工作日和非工作日充电负荷场景集，分别选取各节点充电负荷均值作为典型充电场景，选取各节点充电负荷上边界作为极端充电场景；
[0045]
步骤3.2、将步骤2生成的常规负荷生成场景集分为工作日常规负荷场景集和非工作日常规负荷场景集，采用k-means聚类算法分别将其进行聚类，选取最佳聚类数下各聚类簇的聚类中心作为各节点典型常规负荷场景，各聚类簇中峰谷差最大的场景作为各节点极端常规负荷场景；
[0046]
步骤3.3、分别将工作日和非工作日对应的各节点充电负荷场景和常规负荷场景对应叠加，将叠加后得到场景中含有极端充电场景或极端常规负荷场景的作为潜在小概率极端负荷场景，将叠加后不含极端充电场景或极端常规负荷场景的场景作为典型负荷场景。
[0047]
步骤4具体过程为：通过快速电压稳定指标和电压稳定裕度分别计算每个潜在小概率极端负荷场景和每个典型负荷场景的支路稳定性和节点稳定性：
[0048]
快速电压稳定指标fvsi
ik
计算公式为：
[0049][0050]
其中，i和k为线路首末节点，qk为接受端无功功率，vi为线路首端电压，x
ik
为线路电抗值，z
ik
为线路阻抗值，fvsi越接近0，则系统电压稳定性越高，相反地，若fvsi值越大，则电压稳定性越低，当fvsi接近1时，系统将失去稳定性；
[0051]
电压稳定裕度计算公式为：
[0052]
vsm(k)＝v
i4-4(p(k)x
ik-q(k)r
ik
)
2-4v
i2
(p(k)r
ik
+q(k)x
ik
)
ꢀꢀꢀꢀꢀꢀꢀꢀ
(9)
[0053]
s.t.i,k＝2,3,
…
,33
[0054]
式中，r
ik
为线路电阻值，p(k)是k节点外所有节点的有功负荷、k节点本身的有功负荷、k节点外所有支路有功损耗之和；q(k)是k节点外所有节点的无功负荷、k节点本身的无
功负荷、k节点外所有支路无功损耗之和，vsm是判别节点电压是否接近崩溃的重要指标，其值介于0到1之间，vsm越小，该节点越达到崩溃临界。
[0055]
本发明有益效果是：
[0056]
本发明含电动汽车配电网电压稳定性分析方法，建立出行链模型计及目的地类型与时刻相关性，使出行行为的模拟更符合实际出行行为，充电负荷仿真结果更准确；建立的常规负荷生成模型计及多节点空间相关性，使常规负荷生成结果更真实；最后，基于快速电压稳定指标和电压稳定裕度指标进行支路稳定性和节点稳定性分析，使分析结果更可靠。
附图说明
[0057]
图1是本发明含电动汽车配电网电压稳定性分析方法流程图；
[0058]
图2是本发明实施例中交通路网与配电网耦合网络图；
[0059]
图3是本发明实施例中电动汽车出行次数和行程级数概率分布图；
[0060]
图4是本发明实施例中电动汽车初始出行时间概率分布图；
[0061]
图5是本发明实施例中计及目的地类型与时刻相关性的出行概率分布图；
[0062]
图6是本发明实施例中电动汽车行驶距离概率分布图；
[0063]
图7是本发明实施例中常规负荷实验数据集构建过程图；
[0064]
图8是本发明实施例中常规负荷生成场景与历史场景概率分布图；
[0065]
图9是本发明实施例中常规负荷生成场景时序特性及覆盖能力分析图；
[0066]
图10是本发明实施例中工作日典型、极端负荷场景图；
[0067]
图11是本发明实施例中非工作日典型、极端负荷场景图；
[0068]
图12是本发明实施例中各场景快速电压稳定指标结果图；
[0069]
图13是本发明实施例中各场景电压稳定裕度指标结果图。
具体实施方式
[0070]
下面结合附图和具体实施方式对本发明进行详细说明。
[0071]
本发明含电动汽车配电网电压稳定性分析方法，具体按照以下步骤实施：
[0072]
步骤1、建立计及目的地类型与时刻相关性的出行链模型，结合蒙特卡洛仿真模拟生成电动汽车充电负荷场景集；具体过程为：
[0073]
步骤1.1、对电动汽车出行数据进行统计分析，电动汽车出行数据包括初始出发地点ld、初始出发时间td、行驶时间td、目的地le、停车时间t
p
、行程级数n、日出行次数n，其中，日出行次数表示用户每日出行多少次；行程级数表示用户每一次出行时经过目的地的数目，获取表征出行链的特征变量概率分布；
[0074]
步骤1.2、电动汽车当前位置类型、当前时刻已知时，获取计及目的地类型和时刻相关性的功能区出行条件概率p(l
next
|l
cur
,t
cur
)，采用l
cur
和l
next
表示当前位置和下一目的地，t
cur
表示当前位置出发时间，则当前位置为l
cur
，出发时间为t
cur
时，下一出行目的地为l
next
的概率为：
[0075]
[0076]
s.t.0≤t
cur
≤96
[0077]
式中，l
cur
、l
next
为实验区域内当前位置和下一目的地，t
cur
为当前时刻，tra1和tra为满足条件的行程数；
[0078]
根据电动汽车出行数据形成的出行变量建立计及目的地类型与时刻相关性的出行链模型；
[0079]
步骤1.3、基于蒙特卡洛仿真，将ld、td、td、t
p
、n、n作为独立分布的特征变量，进行随机抽取，然后根据p(l
next
|l
cur
,t
cur
)选择每一级行程的目的地，进行多辆电动汽车的出行模拟，形成出行链，并计算电动汽车在各个节点的充电负荷；具体过程为：
[0080]
步骤1.3.1、对于配电网系统的母线节点进行编号，并定义电动汽车的数目为m；
[0081]
步骤1.3.2、定义变量j，并初始化为0；
[0082]
步骤1.3.3、令j＝j+1，抽取第j辆电动汽车evj的初始荷电状态soc、日出行次数、行程级数、初始出行时间、初始出发地点、停车时间，根据出行链模型生成第j辆电动汽车evj出行链t
trip
，t
trip
为维行向量，共包含级行程；
[0083]
第次出行时级行程出行链如式(2)所示，每辆ev每天产生n条式(2)所示出行链。
[0084][0085]
步骤1.3.4、基于floyd算法规划最优行驶路径(例如，假设从功能区a至功能区b共有4条路线，选择的路线为4条路线中距离最短的路线)，并计算电动汽车evj到达k节点时的荷电状态等于出发前电池电量减去路程耗电量所得结果与电池容量的比值，表示为：
[0086][0087]
式(3)中，qc表示出发前电池电量等于电池容量，表示出发前荷电状态，单位耗电量e与行驶距离d的乘积表示路程耗电量；
[0088]
步骤1.3.5、设置开始充电阈值s2，若则计算第j辆电动汽车t时刻在k节点充电量δs
j,k
和充电功率p
j,k
(t)，表示为：
[0089][0090]
其中，充电时段为为到达节点k的时间；
[0091]
p
j,k
(t)包含慢充功率p1和快充功率p2，计算在节点k的停车时间慢充方式下充至满电所需时间t
c,1
，快充方式下充至满电所需时间t
c,2
，充电功率p
j,k
(t)，表示为：
[0092]
[0093][0094]
考虑里程焦虑及充/放电深度影响，设定充电阈值s1、s2，即soc小于等于s2时开始充电，soc大于等于s1时充电结束；
[0095]
继续行驶直到完成整个出行链；
[0096]
步骤1.3.6、判断j是否等于m，如果是执行步骤1.3.7，否则，返回步骤1.3.3；
[0097]
步骤1.3.7、计算每个节点各时刻的充电功率即负荷；
[0098][0099]
m表示在k节点充电的ev数目，
[0100]
步骤1.3.8、进行多次仿真模拟，生成海量充电负荷场景。
[0101]
步骤2、建立计及节点空间相关性的常规负荷生成模型，生成常规负荷场景集；具体过程为：
[0102]
步骤2.1、采用条件wasserstein梯度惩罚生成对抗网络，包含生成器和判别器，将条件变量设置为包含工作日、非工作日的日期类型，以0(非工作日),1(工作日)表示，构建基于数据驱动的条件wasserstein梯度惩罚生成对抗网络，即常规负荷场景生成模型；
[0103]
步骤2.2、通过电表获取配电网各节点中除电动汽车充电负荷外其他负荷作为原始常规负荷数据，将每天获取的原始常规负荷数据作为行，将获取原始常规负荷数据天数作为列，形成一个多维矩阵。将多维矩阵输入条件wasserstein梯度惩罚生成对抗网络，生成海量常规负荷场景。
[0104]
步骤3、基于电动汽车充电负荷场景集、常规负荷场景集，构建潜在小概率极端负荷场景和典型负荷场景；具体过程为：
[0105]
步骤3.1、将步骤1得到的电动汽车充电负荷场景集分为工作日充电负荷场景集和非工作日充电负荷场景集，对工作日和非工作日充电负荷场景集，分别选取各节点充电负荷均值作为典型充电场景，选取各节点充电负荷上边界作为极端充电场景；
[0106]
步骤3.2、将步骤2生成的常规负荷生成场景集分为工作日常规负荷场景集和非工作日常规负荷场景集，采用k-means聚类算法分别将其进行聚类，选取最佳聚类数下各聚类簇的聚类中心作为各节点典型常规负荷场景，各聚类簇中峰谷差最大的场景作为各节点极端常规负荷场景；
[0107]
步骤3.3、分别将工作日和非工作日对应的各节点充电负荷场景和常规负荷场景对应叠加，将叠加后得到场景中含有极端充电场景或极端常规负荷场景的作为潜在小概率极端负荷场景，将叠加后不含极端充电场景或极端常规负荷场景的场景作为典型负荷场景。
[0108]
步骤4、基于快速电压稳定指标和电压稳定裕度，分析电动汽车接入后配电网电压稳定性；具体过程为：通过快速电压稳定指标和电压稳定裕度分别计算每个潜在小概率极端负荷场景和每个典型负荷场景的支路稳定性和节点稳定性：
[0109]
快速电压稳定指标fvsi
ik
计算公式为：
[0110][0111]
其中，i和k为线路首末节点，qk为接受端无功功率，vi为线路首端电压，x
ik
为线路电抗值，z
ik
为线路阻抗值，fvsi越接近0，则系统电压稳定性越高，相反地，若fvsi值越大，则电压稳定性越低，当fvsi接近1时，系统将失去稳定性；
[0112]
电压稳定裕度计算公式为：
[0113]
vsm(k)＝v
i4-4(p(k)x
ik-q(k)r
ik
)
2-4v
i2
(p(k)r
ik
+q(k)x
ik
)
ꢀꢀꢀ
(9)
[0114]
s.t.i,k＝2,3,
…
,33
[0115]
式中，r
ik
为线路电阻值，p(k)是k节点外所有节点的有功负荷、k节点本身的有功负荷、k节点外所有支路有功损耗之和；q(k)是k节点外所有节点的无功负荷、k节点本身的无功负荷、k节点外所有支路无功损耗之和，vsm是判别节点电压是否接近崩溃的重要指标，其值介于0到1之间，vsm越小，该节点越达到崩溃临界。
[0116]
实施例
[0117]
1、电动汽车充电负荷场景生产
[0118]
实施例选用某城市实际交通网络与ieee 33节点标准系统耦合得到的耦合网络为基础，如图2所示。
[0119]
基于2017年某地区家庭旅行调查数据建立计及目的地类型与时刻相关性的出行链模型，模拟用户出行。日出行次数及行程级数的概率分布如图3所示，由子图a)可知，日出行次数最多达9次，普遍集中在1-4次；由子图b)可知，行程级数最高达11级，普遍集中在2-7级。
[0120]
初始出发地点类型比例如表1所示，可知工作日用户出行时从居民区出发的概率是61.03％，从商业区出发的概率是24.54％，从工作区出发的概率是14.43％；非工作日从居民区和商业区出发的概率较工作日明显增加，从工作区出发的概率明显减少。
[0121]
表1
[0122][0123]
不同初始出发点下的初始出行时间概率分布如图4所示。采用1h时间分辨率，通过概率质量函数统计用户从各个功能区出发的初始出发时间离散概率分布，并利用概率密度函数将统计结果连续化，以得到任意时刻出发概率。
[0124]
由子图a)可知，工作日用户从居民区出发的高峰时段集中在6:00至10:00，从工作区出发情况与居民区基本相同，从商业区出发高峰时段集中在7:00至12:00，稍晚于居民区和工作区；由子图b)可知，非工作日从居民区出发和从工作区出发的高峰时段集中在7:00至17:00，从商业区出发的高峰时段集中在8:00至12:00，时间明显晚于工作日，其中非工作日多进行娱乐活动或者玩出游玩，多往返于家和商业区。对比可知，数据结论符合实际生活认知。
[0125]
采用1h时间分辨率，通过pmf统计用户从各个功能区出发的出发时间概率分布，所以利用pdf将统计结果连续化，结果如图5所示。每个子图中，同一时刻，3条实线之和为1，3条虚线之和为1，即去往3个功能区概率之和为1(不出行的情况认为是去往和当前位置类型相同的功能区)。由子图a)可知，工作日早高峰时段(6:00-8:00)居民区去往工作区的概率最高，去往商业区的概率次之，去往居民区的概率最小，20:00之后去往居民区概率不断增加；非工作日去往工作区概率较工作日明显降低；由子图b)可知，工作日早高峰时段(6:00-8:00)工作区去往工作区概率最高，去往商业区的概率次之，去往居民区的概率最小，晚高峰时段(17:00-19:00)去往居民区概率最高，去往商业区的概率次之，去往居民区的概率最小；非工作日变化趋势与工作日差别不大；由子图c)可知，工作日早高峰时段(6:00-8:00)商业区去往工作区的概率最高，去往居民区的概率次之，去往商业的概率最小，晚高峰时段(17:00-19:00)去往居民区概率最高，去往商业区的概率次之，去往工作区概率最小；非工作日与工作日趋势基本一致。
[0126]
对生成出行链的行程类型占比、日行驶里程进行检验，以验证本发明建立的出行链模型有效性。模拟了12000辆(进行了多次实验，12000辆时效果趋于稳定)电动汽车在连续360天内的运行情况。设定实验区域内共包含12000辆ev，充电效率ηc＝90％，电池容量qc＝40kwh，单位里程耗电量e＝0.188kwh/km，采用两级充电功率，其中慢充功率p1＝3.7kw，快充功率p2＝30kw，充电完成阈值s1＝0.9，开始充电阈值s2＝0.2。
[0127]
行程类型占比的仿真结果和真实数据对比结果如表2所示，计及相关性的出行链仿真结果相对误差均值为3.88％和5.94％，各变量独立建模的相对误差均值为13.42％和16.32％，可见本发明建立的出行链模型质量显著提高。
[0128]
表2
[0129][0130]
行程的行驶里程的仿真结果如图6所示。计及相关性的出行链模型概率分布结果较独立建模而言，与真实数据更为接近；并以均方根误差(root mean square error，rmse)和皮尔逊相关系数(peareon correlation coefficient，pcc)量化仿真结果与真实数据的平均偏差和相似程度，工作日计及相关性的出行链模型的rmsec和pccc为8.74％和98.87％，各变量独立建模的rmsei和pcci为16.27％和88.12％，非工作日计及相关性的出行链模型的rmsec和pccc为2.30％和98.76％，各变量独立建模的rmsei和pcci为12.52％和89.03％，进一步验证了计及相关性的出行链模型对模拟用户出行的准确性。
[0131]
2、常规负荷场景生成
[0132]
实验数据集构建过程如图7所示。实验采用某地区2009年1月至2010年12月的智能
电表数据，包含6435户共730天的负荷数据，采样周期为30min，每天包含48个负荷值，将实验区域内32个节点1天的负荷数据共48
×
32个负荷值重塑成48
×
32的矩阵作为条件wasserstein梯度惩罚生成对抗网络输入，共730组数据样本，按照4:1的比例将数据分为训练集与测试集。生成5000组数据，包含3570个工作日，1430个非工作日。
[0133]
高质量多节点常规负荷生成场景应具备以下特征：1)概率分布特性与历史场景的概率分布特性相似；2)能体现单节点常规负荷时序特性，能有效覆盖未知场景。
[0134]
采用经验累积分布函数(empirical cumulative distribution function，ecdf)分析生成场景的概率分布特性，生成场景集与历史场景集各节点的ecdf如图8所示。由图可知，相较于各节点单独进行场景生成，多节点联合场景生成数据集的ecdf曲线几乎高度拟合，生成场景具有与历史场景相似的概率分布特性，表明模型具有实现场景概率建模的学习能力，可以更有效捕捉历史数据的概率特征、变化趋势、短期特征(峰谷变化)、长期特征(功率概率分布)。
[0135]
生成场景对未知场景的覆盖效果如图9所示，由图可知，生成场景的负荷均值曲线能较好的反应历史场景集曲线特征(增减趋势、峰谷变化)，且与历史场景的负荷均值曲线较为相似，时序变化基本一致，具有与历史数据较强的时序相似性；各节点常规负荷生成场景的上边缘更高，下边缘更低，上下边缘组成的区间更大，覆盖范围更广，能较为完整的包裹住测试集场景，具有较强的未知场景覆盖能力。
[0136]
图10为工作日场景，组合1表示工作日典型充电场景叠加工作日典型常规负荷，组合2表示工作日极端充电场景叠加工作日典型常规负荷，组合3表示工作日典型充电负荷叠加工作日极端常规负荷，组合4表示工作日极端充电负荷叠加工作日极端常规负荷。电动汽车ev充电负荷显著增加了凌晨时段配电网负荷，且进一步增加了晚高峰(18:00—22:00)负荷，充电负荷使配电网负荷增加了20.12％(el-2)至92.63％(el-7)。
[0137]
图11为非工作日场景，组合1表示非工作日典型充电场景叠加非工作日典型常规负荷，组合2表示非工作日极端充电场景叠加非工作日典型常规负荷，组合3表示非工作日典型充电负荷叠加非工作日极端常规负荷，组合4表示非工作日极端充电负荷叠加非工作日极端常规负荷。充电负荷显著增加了凌晨时段和晚高峰时段负荷，与工作日影响基本一致，充电负荷使配电网负荷增加了22.83％(el-26)至93.72％(el-43)，相较于工作日，充电负荷在总负荷中占比有所增加。
[0138]
各个场景fvsi指标结果如图12所示。由图可知，叠加电动汽车充电负荷前各支路fvsi值均小于0.6，多数稳定在0至0.3之间，配电网支路电压整体处于稳定状态，对于非工作日场景，较工作日负荷更大、波动更强，fvsi指标较工作日逐渐增大，不稳定支路集中在2、5、7、8、9、27等支路；ev充电负荷的增加，使得各支路fvsi均有所增加，最大值达0.998(el-12场景，支路5)，已接近失稳，需要着重考虑；以支路2为例，对比44个负荷场景，计及充电负荷后，工作日和非工作日各场景的fvsi值变化较大，波动性更强，一定程度上改变了工作日场景普遍低于非工作日场景的指标特性；计及充电负荷后不稳定支路集中在2、3、4、5、7、8、9、27、28、29、30等支路，不稳定支路数比只计及常规负荷时有所增加。
[0139]
各个场景的节点vsm指标如图13所示，充电负荷接入后显著降低了各节点vsm值，即降低了电压稳定性；不同节点电压稳定性存在差异，节点21、22、23、24、25等接入充电负荷前后变化较小，即这些节点更加稳定。综合全部场景下各节点vsm结果，可知最为薄弱的
节点是7、14、17、18、29、32、33等节点，其他节点vsm指标均高于0.243，相对较稳定。
[0140]
通过上述方式，本发明公开了含电动汽车配电网电压稳定性分析方法，考虑多节点负荷间空间相关性的负荷场景生成，本发明方法能更有效分析配网空间内ev充电负荷和常规负荷时-空分布，更有利于提高配电网电压稳定性分析准确性。

技术特征：
1.含电动汽车配电网电压稳定性分析方法，其特征在于，具体按照以下步骤实施：步骤1、建立计及目的地类型与时刻相关性的出行链模型，结合蒙特卡洛仿真模拟生成电动汽车充电负荷场景集；步骤2、建立计及节点空间相关性的常规负荷生成模型，生成常规负荷场景集；步骤3、基于电动汽车充电负荷场景集、常规负荷场景集，构建潜在小概率极端负荷场景和典型负荷场景；步骤4、基于快速电压稳定指标和电压稳定裕度，分析电动汽车接入后配电网电压稳定性。2.根据权利要求1所述基于多节点负荷生成的含电动汽车配电网电压稳定性分析，步骤1具体过程为：步骤1.1、对电动汽车出行数据进行统计分析，获取表征出行链的特征变量概率分布；步骤1.2、电动汽车当前位置类型、当前时刻已知时，计算出发去往下一目的地的条件概率p(l
next
|l
cur
,t
cur
)，建立计及目的地类型与时刻相关性的出行链模型；步骤1.3、基于蒙特卡洛仿真，进行多辆电动汽车的出行模拟，形成出行链，并计算电动汽车在各个节点的充电负荷。3.根据权利要求1所述基于多节点负荷生成的含电动汽车配电网电压稳定性分析，其特征在于，步骤1.1中所述电动汽车出行数据包括：初始出发地点l
d
、初始出发时间t
d
、行驶时间t
d
、目的地l
e
、停车时间t
p
、行程级数n、日出行次数n，其中，日出行次数表示用户每日出行多少次；行程级数表示用户每一次出行时经过目的地的数目。4.根据权利要求1所述基于多节点负荷生成的含电动汽车配电网电压稳定性分析，其特征在于，步骤1.2所述计算出发去往下一目的地的条件概率p(l
next
|l
cur
,t
cur
)过程为：获取计及目的地类型和时刻相关性的功能区出行条件概率p(l
next
|l
cur
,t
cur
)，采用l
cur
和l
next
表示当前位置和下一目的地，t
cur
表示当前位置出发时间，则当前位置为l
cur
，出发时间为t
cur
时，下一出行目的地为l
next
的概率为：式中，l
cur
、l
next
为实验区域内当前位置和下一目的地，t
cur
为当前时刻，tra1和tra为满足条件的行程数。5.根据权利要求2所述基于多节点负荷生成的含电动汽车配电网电压稳定性分析，其特征在于，步骤1.3具体过程为：步骤1.3.1、对于配电网系统的母线节点进行编号，并定义电动汽车的数目为m；步骤1.3.2、定义变量j，并初始化为0；步骤1.3.3、令j＝j+1，抽取第j辆电动汽车ev
j
的初始荷电状态soc、日出行次数、行程级数、初始出行时间、初始出发地点、停车时间，根据出行链模型生成第j辆电动汽车ev
j
出行链t
trip
，t
trip
为维行向量，共包含级行程；步骤1.3.4、基于floyd算法规划最优行驶路径，并计算电动汽车ev
j
到达k节点时的荷电
状态表示为：式(3)中，q
c
表示出发前电池电量等于电池容量，表示出发前荷电状态，单位耗电量e与行驶距离d的乘积表示路程耗电量；步骤1.3.5、设置开始充电阈值s2，若则计算第j辆电动汽车t时刻在k节点充电量δs
j,k
和充电功率p
j,k
(t)，表示为：其中，充电时段为其中，充电时段为为到达节点k的时间；p
j,k
(t)包含慢充功率p1和快充功率p2，计算在节点k的停车时间慢充方式下充至满电所需时间t
c,1
，快充方式下充至满电所需时间t
c,2
，充电功率p
j,k
(t)，表示为：(t)，表示为：考虑里程焦虑及充/放电深度影响，设定充电阈值s1、s2，即soc小于等于s2时开始充电，soc大于等于s1时充电结束；继续行驶直到完成整个出行链；步骤1.3.6、判断j是否等于m，如果是执行步骤1.3.7，否则，返回步骤1.3.3；步骤1.3.7、计算每个节点各时刻的充电功率即负荷；m表示在k节点充电的ev数目，步骤1.3.8、进行多次仿真模拟，生成海量充电负荷场景。6.根据权利要求1所述基于多节点负荷生成的含电动汽车配电网电压稳定性分析，其特征在于，步骤2具体过程为：步骤2.1、采用条件wasserstein梯度惩罚生成对抗网络，包含生成器和判别器，将条件变量设置为包含工作日、非工作日的日期类型，以0(非工作日),1(工作日)表示，构建基于数据驱动的条件wasserstein梯度惩罚生成对抗网络，即常规负荷场景生成模型；步骤2.2、通过电表获取配电网各节点中除电动汽车充电负荷外其他负荷作为原始常规负荷数据，将多个节点的原始常规负荷数据重塑成多维矩阵输入条件wasserstein梯度惩罚生成对抗网络，生成海量常规负荷场景。7.根据权利要求1所述基于多节点负荷生成的含电动汽车配电网电压稳定性分析，其特征在于，步骤2.2所述将多个节点的原始常规负荷数据重塑成多维矩阵过程为：将每天获
取的原始常规负荷数据作为行，将获取原始常规负荷数据天数作为列，形成一个多维矩阵。8.根据权利要求1所述基于多节点负荷生成的含电动汽车配电网电压稳定性分析，其特征在于，步骤3具体过程为：步骤3.1、将步骤1得到的电动汽车充电负荷场景集分为工作日充电负荷场景集和非工作日充电负荷场景集，对工作日和非工作日充电负荷场景集，分别选取各节点充电负荷均值作为典型充电场景，选取各节点充电负荷上边界作为极端充电场景；步骤3.2、将步骤2生成的常规负荷生成场景集分为工作日常规负荷场景集和非工作日常规负荷场景集，采用k-means聚类算法分别将其进行聚类，选取最佳聚类数下各聚类簇的聚类中心作为各节点典型常规负荷场景，各聚类簇中峰谷差最大的场景作为各节点极端常规负荷场景；步骤3.3、分别将工作日和非工作日对应的各节点充电负荷场景和常规负荷场景对应叠加，将叠加后得到场景中含有极端充电场景或极端常规负荷场景的作为潜在小概率极端负荷场景，将叠加后不含极端充电场景或极端常规负荷场景的场景作为典型负荷场景。9.根据权利要求1所述基于多节点负荷生成的含电动汽车配电网电压稳定性分析，其特征在于，步骤4具体过程为：通过快速电压稳定指标和电压稳定裕度分别计算每个潜在小概率极端负荷场景和每个典型负荷场景的支路稳定性和节点稳定性：快速电压稳定指标fvsi
ik
计算公式为：其中，i和k为线路首末节点，q
k
为接受端无功功率，v
i
为线路首端电压，x
ik
为线路电抗值，z
ik
为线路阻抗值，fvsi越接近0，则系统电压稳定性越高，相反地，若fvsi值越大，则电压稳定性越低，当fvsi接近1时，系统将失去稳定性；电压稳定裕度计算公式为：式中，r
ik
为线路电阻值，p(k)是k节点外所有节点的有功负荷、k节点本身的有功负荷、k节点外所有支路有功损耗之和；q(k)是k节点外所有节点的无功负荷、k节点本身的无功负荷、k节点外所有支路无功损耗之和，vsm是判别节点电压是否接近崩溃的重要指标，其值介于0到1之间，vsm越小，该节点越达到崩溃临界。

技术总结
本发明公开了含电动汽车配电网电压稳定性分析方法，具体按照以下步骤实施：首先，计及目的地类型与时刻相关性建立出行链模型，结合蒙特卡洛仿真方法，实现出行模拟，生产海量充电负荷场景；其次，计及多节点空间相关性，基于条件Wasserstein梯度惩罚生成对抗网络建立常规负荷生成模型，生成大量常规负荷场景；然后，筛选出典型、极端充电负荷场景和典型、极端常规负荷场景，并构造潜在小概率极端负荷场景、典型负荷场景；最后，基于快速电压稳定指标和电压稳定裕度指标分析配电网电压稳定性，解决了规划结果与实际需求不平衡，导致充电站容量冗余的问题，能使电动汽车配电网电压稳定性分析结果更可靠。析结果更可靠。析结果更可靠。


技术研发人员：黄南天 胡乾坤 王日俊 贺庆奎 杨冬锋 刘闯 孔令国 张良 蔡国伟 高旭 姜雨晴 郭笑林
受保护的技术使用者：东北电力大学
技术研发日：2022.01.21
技术公布日：2022/7/5