CN102509176A - 一种风光储协同调度的滚动优化决策方法 - Google Patents

Abstract

本发明公开了一种风光储协同调度的滚动优化决策方法，该方法的实现步骤如下：首先获得日前对负荷、风电场风功率及光伏电站输出功率的预测值以及各个电动汽车换电站的充电需求等数据，对各个电动汽车换电站的次日充电计划进行日前计划安排，要既能够满足各个电动汽车换电站的电动汽车能源需求，又缩小等效负荷曲线的峰谷差率，从而降低常规机组的调峰压力，提高可再生能源的接入水平；在当日运行中，通过每小时获得的更新的对当日剩余时段的负荷、风电场风功率及光伏电站输出功率的预测数据，不断实时对当日剩余时段的各个电动汽车换电站充电计划进行滚动的修正，从而尽量减小预测误差导致的电动汽车换电站充电计划对于当日实际等效负荷曲线平滑效果的削弱。

Description

一种风光储协同调度的滚动优化决策方法

技术领域

本发明涉及一种风光储协同调度的滚动优化决策方法。

背景技术

风力发电、光伏发电等可再生能源发电方式的技术发展逐渐成熟，在发电容量中所占比例逐年升高。但是风能、太阳能等能源具有随机性和间歇性的特点，尤其是风力发电具有夜间发电多，白天较低的反调峰特性，使得系统中由负荷、风电功率、光伏发电功率组成的等效负荷曲线的峰谷差率较之原来的负荷曲线的峰谷差率有明显增加，系统中火电机组面临的调峰压力加大，从而又制约了电网接纳更多风力发电、光伏发电功率的能力。

智能电网技术的发展，尤其是电动汽车充电基础设施的建设，为在智能电网平台上实现风电、光伏发电与电动汽车储能协调优化利用提供了基础。一系列电动汽车充电对电网影响的相关研究表明：电动汽车低排放的优势只有在以低碳电力为主的区域才比较显著，而在以燃煤发电为主的区域并不显著；只有尽可能多地采用风电、光伏发电等可再生能源为电动汽车充电，才能充分发挥电动汽车的减排效益；另外，若对电动汽车充电不加以引导，会增大电网的峰值负荷，迫使电网建设更多的调峰电源。

因此有必要在电网调度中，将电动汽车充电与风电、光伏发电等可再生能源相互融合，提高节能减排效益。

发明内容

本发明的目的就是为解决上述问题，提出一种风光储协同调度的滚动优化决策方法，既能满足各个电动汽车换电站的电动汽车能源需求，又可以缩小等效负荷曲线的峰谷差率，改善地区电网负荷特性，从而达到降低常规机组的调峰压力，提高可再生能源接入水平的目的。通过日前计划、滚动计划的多时间尺度协同调度滚动优化决策模型的建立，能够逐级消减风电、光伏等新能源预测误差的影响，进一步改善等效负荷的负荷特性。

本发明的目的是由以下技术方案来实现的：一种风光储协同调度的滚动优化决策方法，它包括以下步骤：

步骤1：首先获取日前预测数据：从地区电网调度中心的预测系统获得日前对次日各个负荷需求、各个风电场风功率及各个光伏电站输出功率在各个时段的预测数据；

步骤2：获取次日的日前计划：根据步骤1中获得的日前对次日各个负荷需求、各个风电场风功率及各个光伏电站输出功率在各个时段的预测值以及各个电动汽车换电站的充电需求数据，对各个电动汽车换电站的次日充电计划进行日前计划；

步骤3：对于步骤2中的所述的日前计划，在当日运行中，通过每小时获得的更新的对当日剩余时段的负荷、风电场风功率及光伏电站输出功率的预测数据，不断实时对当日剩余时段的各个电动汽车换电站充电计划进行滚动并同时进行修正；

步骤4：通过滚动计划逐步修正各个电动汽车充电站的充电计划值。

步骤5：完成风光储协同调度的滚动优化。

所述步骤2中，在对各个电动汽车换电站的次日充电计划进行日前计划的过程中，为了缩小等效负荷曲线的峰谷差率，采用如下目标函数：

$\min \underset{t=1}{\overset{T}{\mathrm{\Σ}}}{(P_{\mathrm{et}}\left(0\right)-P_{\mathrm{av}}\left(0\right))}^2---\left(1\right)$

其中：P_et(0)为由负荷、风电场风功率、光伏电站输出功率以及电动汽车换电站充电功率组成的在时段t的等效负荷，P_av(0)为各个时段等效负荷的平均值，它们的表达式如下：

$P_{\mathrm{et}}\left(0\right)=\underset{d=1}{\overset{D}{\mathrm{\Σ}}}{P}_{\mathrm{lt},d}\left(0\right)-\underset{w=1}{\overset{W}{\mathrm{\Σ}}}{P}_{\mathrm{wt},w}\left(0\right)-\underset{s=1}{\overset{S}{\mathrm{\Σ}}}{P}_{\mathrm{st},s}\left(0\right)+\underset{e=1}{\overset{E}{\mathrm{\Σ}}}{P}_{\mathrm{ev},t,e}\left(0\right)$

$P_{\mathrm{av}}\left(0\right)=\frac{1}{T}\underset{t=1}{\overset{T}{\mathrm{\Σ}}}{P}_{\mathrm{et}}\left(0\right)$

其中：D、W、S及E分别为地区电网的负荷、风电场、光伏电站、电动汽车换电站数目；日前预测负荷d在时段t的负荷需求为P_lt，d(0)；日前预测某风电场w在时段t的预测风电输出功率为P_wt，w(0)；日前预测某光伏电站s在时段t的预测输出功率为P_st，s(0)；日前计划电动汽车换电站e在时段t的计划充电功率为P_ev，t，e(0)；

对于所述控制量P_ev，t，e(0)，需满足如下约束条件：

$P_{\mathrm{ev},t,e}^{\min }\left(0\right)\≤P_{\mathrm{ev},t,e}\left(0\right)\≤P_{\mathrm{ev},t,e}^{\max }\left(0\right);$

S_t，ev(0)＝S_t-1，ev(0)+η_cha，ev·P_ev，t，e(0)·Δt-P_ev，t，d(0)·Δt

$S_e^{\min }\left(0\right)\≤S_{t,\mathrm{ev}}\left(0\right)\≤S_e^{\max }\left(0\right)$

为电动汽车换电站e日前预测的时段t最大、最小允许充电功率；P_ev，t，d(0)·Δt为电动汽车换电站e日前预测的时段t电动汽车能源供给需求电量；S_t，ev(0)为日前计划的电动汽车换电站e在时段t之末或时段t+1之初存有的电量，其中S_0，ev(0)为换电站e在时段1之初即前一日末剩余电量，但在做日前计划时前一日的剩余电量实际值是不可知的，只能认为是对前一日进行的最新一次滚动计划中最后时段剩余的电量；η_cha，ev为电动汽车换电站e的电池充电效率；

为电动汽车换电站e每个时段允许的最大、最小库存电量。

所述步骤3中，在进行滚动计划过程中，为了缩小等效负荷曲线的峰谷差率，采用如下目标函数：

$\min \underset{t=m\×(r-1)+1}{\overset{T}{\mathrm{\Σ}}}{(P_{\mathrm{et}}\left(r\right)-P_{\mathrm{av}}\left(r\right))}^2$

其中：

$P_{\mathrm{et}}\left(r\right)=\underset{d=1}{\overset{D}{\mathrm{\Σ}}}{P}_{\mathrm{lt},d}\left(r\right)-\underset{w=1}{\overset{W}{\mathrm{\Σ}}}{P}_{\mathrm{wt},w}\left(r\right)-\underset{s=1}{\overset{S}{\mathrm{\Σ}}}{P}_{\mathrm{st},s}\left(r\right)+\underset{e=1}{\overset{E}{\mathrm{\Σ}}}{P}_{\mathrm{ev},t,e}\left(r\right)$

$P_{\mathrm{av}}\left(r\right)=\frac{1}{T-m\×(r-1)}\underset{t=m(r-1)+1}{\overset{T}{\mathrm{\Σ}}}{P}_{\mathrm{et}}\left(r\right)$

其中：D、、W、S及E分别为地区电网的负荷、风电场、光伏电站、电动汽车换电站数目；第r次滚动预测负荷d在时段t的负荷需求为P_lt，d(r)；第r次滚动预测某风电场w在时段t的预测风电输出功率为P_wt，w(r)；第r次滚动预测某光伏电站s在时段t的预测输出功率为P_st，s(r)；第r次滚动计划换电站e在时段t的计划充电功率为P_ev，t，e(r)；P_et(r)为由负荷、风电场风功率、光伏电站输出功率以及电动汽车换电站充电功率组成的在时段t的等效负荷，P_av(r)为当日剩余时段的各个时段等效负荷的平均值；

对于所述控制量P_ev，t，e(r)，需满足如下约束条件：

$P_{\mathrm{ev},t,e}^{\min }\left(r\right)\≤P_{\mathrm{ev},t,e}\left(r\right)\≤P_{\mathrm{ev},t,e}^{\max }\left(r\right)$

S_t，ev(r)＝S_t-1，ev(r)+η_cha，ev·P_ev，t，e(r)·Δt-P_ev，t，d(r)·Δt

$S_e^{\min }\left(r\right)\≤S_{t,\mathrm{ev}}\left(r\right)\≤S_e^{\max }\left(r\right)$

为电动汽车换电站e第r次滚动预测的时段t最大、最小允许充电功率；P_ev，t，d(r)·Δt为电动汽车换电站e第r次滚动预测的时段t电动汽车能源供给需求电量；S_t，ev(r)为第r次滚动计划的电动汽车换电站e在时段t之末或时段t+1之初存有的电量，其中S_{m×(r-1)，ev}(r)为换电站e在时段m×(r-1)之末即时段m×(r-1)+1之初剩余电量，该值为时段m×(r-1)之初实测值与时段m×(r-1)的充电计划以及换电需求得到；η_cha，ev为电动汽车换电站e的电池充电效率；

为电动汽车换电站e每个时段允许的最大、最小库存电量。

所述步骤3中，所述剩余时段是指：滚动计划每m个时间间隔执行一次，即当日的第r次滚动计划对剩余的时段m×(r-1)+1至时段T的充电计划进行修正。

所述步骤3中，所述修正需满足如下条件：

P_ev，t，e(r)≤P_ev，t，e(0)+ΔP_e(r)

P_ev，t，e(r)≥P_ev，t，e(0)-ΔP_e(r)

ΔP_e(r)为日前计划在滚动计划中允许的修正值。

本发明的有益效果是：该方法通过合理安排各个电动汽车换电站的充电计划，既能满足各个电动汽车换电站的电动汽车能源需求，又可以缩小等效负荷曲线的峰谷差率，改善地区电网负荷特性，从而达到降低常规机组的调峰压力，提高可再生能源接入水平的目的；另外通过日前计划、滚动计划的多时间尺度协同调度滚动优化决策模型的建立，能够逐级消减风电、光伏等新能源预测误差的影响，进一步改善等效负荷的负荷特性。

附图说明

图1为本发明的滚动优化决策方法框图；

图2为本发明模型的控制效果。

具体实施方式

下面结合附图和实施例对本发明作进一步说明。

如图1所示，一种风光储协同调度的滚动优化决策方法包括如下步骤：

A.日前预测数据获取与日前计划：

1)日前预测数据获取

从地区电网调度中心的预测系统获得日前对次日各个负荷需求、各个风电场风功率及各个光伏电站输出功率在各个时段的预测值。并由此求出由负荷、风电场风功率及光伏电站输出功率组成的等效负荷曲线，详见表1。获得各个电动汽车充电站在次日各个时段的最大最小充电功率值、电动汽车能量需求、换电站允许的最大、最小库存电量等，详见表2。

表1  日前预测的由负荷、风电、光伏发电组成的等效负荷

表2  电动汽车换电站的能源需求及充电能力

2)日前计划

日前计划是基于日前对负荷、风电场风功率及光伏电站输出功率的预测，通过合理调度安排次日各个电动汽车换电站的充电计划，既能够满足各个电动汽车换电站的电动汽车能源需求，又缩小等效负荷曲线的峰谷差率，从而降低常规机组的调峰压力，提高可再生能源的接入水平。

在日前计划过程中，为了缩小等效负荷曲线的峰谷差率，现采用如下目标函数：

$\min \underset{t=1}{\overset{T}{\mathrm{\Σ}}}{(P_{\mathrm{et}}\left(0\right)-P_{\mathrm{av}}\left(0\right))}^2---\left(1\right)$

其中：P_et(0)为由负荷、风电场风功率、光伏电站输出功率以及电动汽车换电站充电功率组成的在时段t的等效负荷，P_av(0)为各个时段等效负荷的平均值，它们的表达式如下：

$P_{\mathrm{et}}\left(0\right)=\underset{d=1}{\overset{D}{\mathrm{\Σ}}}{P}_{\mathrm{lt},d}\left(0\right)-\underset{w=1}{\overset{W}{\mathrm{\Σ}}}{P}_{\mathrm{wt},w}\left(0\right)-\underset{s=1}{\overset{S}{\mathrm{\Σ}}}{P}_{\mathrm{st},s}\left(0\right)+\underset{e=1}{\overset{E}{\mathrm{\Σ}}}{P}_{\mathrm{ev},t,e}\left(0\right)$

$P_{\mathrm{av}}\left(0\right)=\frac{1}{T}\underset{t=1}{\overset{T}{\mathrm{\Σ}}}{P}_{\mathrm{et}}\left(0\right)$

其中：D、W、S及E分别为地区电网的负荷、风电场、光伏电站、电动汽车换电站数目。日前预测负荷d在时段t的负荷需求为P_lt，d(0)；日前预测某风电场w在时段t的预测风电输出功率为P_wt，w(0)；日前预测某光伏电站s在时段t的预测输出功率为P_st，s(0)。日前计划电动汽车换电站e在时段t的计划充电功率为P_ev，t，e(0)。

对于该控制量P_ev，t，e(0)，需满足如下约束条件：

$P_{\mathrm{ev},t,e}^{\min }\left(0\right)\≤P_{\mathrm{ev},t,e}\left(0\right)\≤P_{\mathrm{ev},t,e}^{\max }\left(0\right)--\left(4\right)$

S_t，ev(0)＝S_t-1，ev(0)+η_cha，ev·P_ev，t，e(0)·Δt-P_ev，t，d(0)·Δt    (5)

$S_e^{\min }\left(0\right)\≤S_{t,\mathrm{ev}}\left(0\right)\≤S_e^{\max }\left(0\right)---\left(6\right)$

为电动汽车换电站e日前预测的时段t最大、最小允许充电功率；P_ev，t，d(0)·Δt为电动汽车换电站e日前预测的时段t电动汽车能源供给需求电量；S_t，ev(0)为日前计划的电动汽车换电站e在时段t之末(或时段t+1之初)存有的电量，其中S_0，ev(0)为换电站e在时段1之初(即前一日末)剩余电量，但在做日前计划时前一日的剩余电量实际值是不可知的，只能认为是对前一日进行的最新一次滚动计划中最后时段剩余的电量；η_cga，ev为电动汽车换电站e的电池充电效率；

为电动汽车换电站e每个时段允许的最大、最小库存电量。

求解日前计划得到的各个电动汽车充电站的充电计划值，详见表3。

表3  日前电动汽车充电站的充电计划

B.更新剩余时段预测数据与滚动计划：

1)更新剩余时段预测数据

从地区电网调度中心的预测系统不断更新对各个负荷需求、各个风电场风功率及各个光伏电站输出功率在当日剩余时段的预测值。并由此求出由负荷、风电场风功率及光伏电站输出功率组成的当日剩余时段的等效负荷曲线，每小时获得的更新的当日剩余时段的等效负荷曲线详见表4，各个电动汽车充电站在当日剩余时段的最大最小充电功率值、电动汽车能量需求、换电站允许的最大、最小库存电量等与日前预测数据相同。

表4  滚动修正的由负荷、风电、光伏发电组成的等效负荷

2)滚动计划

根据已有相关研究，日前预报存在一定的预测偏差，特别是风电及光伏等可再生能源的日前预测具有较大偏差，因此日前确定的电动汽车换电站充电计划对于当日实际发生的负荷、风电及光伏电站功率曲线的平滑效果有所降低，此外电动汽车换电站的能源需求在当日也有一定变化，因此需要不断实时对当日剩余时段的电动汽车换电站充电计划进行滚动的修正。滚动计划的实施依赖于对负荷、风电、光伏电站功率的滚动预测，滚动预测能够利用不断更新的实时和实测数据，深入挖掘未来电网的运行情况，为滚动计划的实施提供基础依据。另外，滚动计划的实施依赖于日前所作的充电计划，即每次滚动计划确定的电池充电功率只能在日前计划确定的充电功率的一定范围内进行修正，这样能够间接考虑换电站操作人员的工作强度，使滚动计划具有现实的可行性。

综上，滚动计划是基于当日不断实时更新的负荷、风电场风功率及光伏电站输出功率的预测值，通过合理可行的实时动态修正当日剩余时段各个电动汽车换电站的充电计划，既能够满足各个电动汽车换电站的电动汽车能源需求，又折中的考虑了实际等效负荷峰谷差的减小和实际执行的充电功率尽量贴近日前计划，顾及了操作人员的工作强度，确保滚动计划具有可行性。

滚动预测为每m个时间间隔对当日剩余所有时段进行一次预测，滚动计划与滚动预测在时间尺度上相互匹配。因此滚动计划每m个时间间隔执行一次，即当日的第次滚动计划对剩余的时段m×(r-1)+1至时段T(共T-m×(r-1)个时间间隔)的充电计划进行修正。

在滚动计划过程中，为了缩小等效负荷曲线的峰谷差率，现采用如下目标函数：

$\min \underset{t=m(r-1)+1}{\overset{T}{\mathrm{\Σ}}}{(P_{\mathrm{et}}\left(r\right)-P_{\mathrm{av}}\left(r\right))}^2$

其中：

$P_{\mathrm{et}}\left(r\right)=\underset{d=1}{\overset{D}{\mathrm{\Σ}}}{P}_{\mathrm{lt},d}\left(r\right)-\underset{w=1}{\overset{W}{\mathrm{\Σ}}}{P}_{\mathrm{wt},w}\left(r\right)-\underset{s=1}{\overset{S}{\mathrm{\Σ}}}{P}_{\mathrm{st},s}\left(r\right)+\underset{e=1}{\overset{E}{\mathrm{\Σ}}}{P}_{\mathrm{ev},t,e}\left(r\right)$

$P_{\mathrm{av}}\left(r\right)=\frac{1}{T-m(r-1)}\underset{t=m(r-1)+1}{\overset{T}{\mathrm{\Σ}}}{P}_{\mathrm{et}}\left(r\right)$

其中：D、W、S及E分别为地区电网的负荷、风电场、光伏电站、电动汽车换电站数目。第r次滚动预测负荷d在时段t的负荷需求为P_lt，d(r)；第r次滚动预测某风电场w在时段t的预测风电输出功率为P_wt，w(r)；第r次滚动预测某光伏电站s在时段t的预测输出功率为P_st，s(r)；第r次滚动计划换电站e在时段t的计划充电功率为P_ev，t，e(r)。P_et(r)为由负荷、风电场风功率、光伏电站输出功率以及电动汽车换电站充电功率组成的在时段t的等效负荷，P_av(r)为当日剩余时段的各个时段等效负荷的平均值。

对于该控制量P_ev，t，e(r)，需满足如下约束条件：

$P_{\mathrm{ev},t,e}^{\min }\left(r\right)\≤P_{\mathrm{ev},t,e}\left(r\right)\≤P_{\mathrm{ev},t,e}^{\max }\left(r\right)$

S_t，ev(r)＝S_t-1，ev(r)+η_cha，ev·P_ev，t，e(r)·Δt-P_ev，t，d(r)·Δt

$S_e^{\min }\left(r\right)\≤S_{t,\mathrm{ev}}\left(r\right)\≤S_e^{\max }\left(r\right)$

为电动汽车换电站e第r次滚动预测的时段t最大、最小允许充电功率；P_ev，t，d(r)·Δt为电动汽车换电站e第r次滚动预测的时段t电动汽车能源供给需求电量；S_t，ev(r)为第r次滚动计划的电动汽车换电站e在时段t之末(或时段t+1之初)存有的电量，其中S_m(r-1)，ev(r)为换电站e在时段m(r-1)之末(即时段m(r-1)+1之初)剩余电量，该值为时段m(r-1)之初实测值与时段m(r-1)的充电计划以及换电需求得到；η_cha，ev为电动汽车换电站e的电池充电效率；

为电动汽车换电站e每个时段允许的最大、最小库存电量。

每次滚动计划确定的电池充电功率只能在日前计划确定的充电功率的一定范围内进行修正，即，要折中的考虑实际等效负荷峰谷差的减小和实际执行的充电功率尽量贴近日前计划，顾及了操作人员的工作强度，确保滚动计划具有可行性：对于该控制量P_ev，t，e(r)，还需满足如下约束条件：

P_ev，t，e(r)≤P_ev，t，e(0)+ΔP_e(r)

P_ev，t，e(r)≥P_ev，t，e(0)-ΔP_e(r)

ΔP_e(r)为日前计划在滚动计划中允许的修正值。

通过滚动计划逐步修正各个电动汽车充电站的充电计划值，结果详见表5。负荷、风电功率、光伏发电功率组成的等效负荷曲线的实际值详见表6。通过计算可知，由于增加了滚动计划环节，根据不断更新的预报信息，从而能够不断校正各个电动汽车充电站剩余时段的充电计划，相比于只有日前计划环节而没有滚动计划环节而言，由负荷、风电功率、光伏发电功率及电动汽车充电站的充电功率组成的等效负荷曲线得到进一步的平滑，能够消减风电、光伏等新能源预测误差的影响，进一步改善等效负荷的负荷特性。

表5  滚动计划修正的电动汽车充电站的充电计划

表6  由负荷、风电、光伏发电组成的等效负荷的实际值

图2为应用本发明模型仿真后的控制效果。从图2可以看出，与自由充电模式(自由充电模式的充电值详见表7)相比，日前充电计划已经对负荷曲线产生了良好的平滑效果，但是由于日前风电等可再生能源的预测误差较大，对负荷曲线的平滑效果有所降低。而通过日前计划、滚动计划的多时间尺度协同调度决策模型，实际控制效果与日前计划相比有进一步的改善，从而达到逐级消减风电、光伏等可再生能源预测误差的影响，进一步改善等效负荷的负荷特性。

表7  自由充电模式的电动汽车充电站的充电值

本发明提出的一种风光储协同调度的滚动优化决策方法的优点体现在：通过合理调度安排各个电动汽车换电站的充电计划，既能够满足各个电动汽车换电站的电动汽车能源需求，又能缩小等效负荷曲线的峰谷差率，降低常规机组的调峰压力，提高可再生能源的接入水平。通过日前计划、滚动计划的多时间尺度协同调度滚动优化决策模型的建立，能够逐级消减风电、光伏等新能源预测误差的影响，进一步改善等效负荷的负荷特性。

上述虽然结合附图对本发明专利的具体实施方式进行了描述，但并非对本发明专利保护范围的限制，所属领域技术人员应该明白，在本发明专利的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明专利的保护范围以内。

Claims (5)

1.一种风光储协同调度的滚动优化决策方法，其特征是，该方法的实现步骤如下：

步骤1：首先获取日前预测数据：从地区电网调度中心的预测系统获得日前对次日各个负荷需求、各个风电场风功率及各个光伏电站输出功率在各个时段的预测数据；

步骤2：获取次日的日前计划：根据步骤1中获得的日前对次日各个负荷需求、各个风电场风功率及各个光伏电站输出功率在各个时段的预测值以及各个电动汽车换电站的充电需求数据，对各个电动汽车换电站的次日充电计划进行日前计划；

步骤3：对于步骤2中的所述的日前计划，在当日运行中，通过每小时获得的更新的对当日剩余时段的负荷、风电场风功率及光伏电站输出功率的预测数据，不断实时对当日剩余时段的各个电动汽车换电站充电计划进行滚动并同时进行修正；

步骤4：通过滚动计划逐步修正各个电动汽车充电站的充电计划值。

步骤5：完成风光储协同调度的滚动优化。

2.如权利要求书1所述的一种风光储协同调度的滚动优化决策方法，其特征是，所述步骤2中，在对各个电动汽车换电站的次日充电计划进行日前计划的过程中，为了缩小等效负荷曲线的峰谷差率，采用如下目标函数：

$\min \underset{t=1}{\overset{T}{\mathrm{\Σ}}}{(P_{\mathrm{et}}\left(0\right)-P_{\mathrm{av}}\left(0\right))}^2---\left(1\right)$

其中：P_et(0)为由负荷、风电场风功率、光伏电站输出功率以及电动汽车换电站充电功率组成的在时段t的等效负荷，P_av(0)为各个时段等效负荷的平均值，它们的表达式如下：

$P_{\mathrm{et}}\left(0\right)=\underset{d=1}{\overset{D}{\mathrm{\Σ}}}{P}_{\mathrm{lt},d}\left(0\right)-\underset{w=1}{\overset{W}{\mathrm{\Σ}}}{P}_{\mathrm{wt},w}\left(0\right)-\underset{s=1}{\overset{S}{\mathrm{\Σ}}}{P}_{\mathrm{st},s}\left(0\right)+\underset{e=1}{\overset{E}{\mathrm{\Σ}}}{P}_{\mathrm{ev},t,e}\left(0\right)$

$P_{\mathrm{av}}\left(0\right)=\frac{1}{T}\underset{t=1}{\overset{T}{\mathrm{\Σ}}}{P}_{\mathrm{et}}\left(0\right)$

其中：D、W、S及E分别为地区电网的负荷、风电场、光伏电站、电动汽车换电站数目；日前预测负荷d在时段t的负荷需求为P_lt，d(0)；日前预测某风电场w在时段t的预测风电输出功率为P_wt，w(0)；日前预测某光伏电站s在时段t的预测输出功率为P_st，s(0)；日前计划电动汽车换电站e在时段t的计划充电功率为P_ev，t，e(0)；

对于所述控制量P_ev，t，e(0)，需满足如下约束条件：

$P_{\mathrm{ev},t,e}^{\min }\left(0\right)\≤P_{\mathrm{ev},t,e}\left(0\right)\≤P_{\mathrm{ev},t,e}^{\max }\left(0\right);$

S_t，ev(0)＝S_t-1，ev(0)+η_cha，ev·P_ev，t，e(0)·Δt-P_ev，t，d(0)·Δt

$S_e^{\min }\left(0\right)\≤S_{t,\mathrm{ev}}\left(0\right)\≤S_e^{\max }\left(0\right)$

为电动汽车换电站e日前预测的时段t最大、最小允许充电功率；P_ev，t，d(0)·Δt为电动汽车换电站e日前预测的时段t电动汽车能源供给需求电量；S_t，ev(0)为日前计划的电动汽车换电站e在时段t之末或时段t+1之初存有的电量，其中S_0，ev(0)为换电站e在时段1之初即前一日末剩余电量，但在做日前计划时前一日的剩余电量实际值是不可知的，只能认为是对前一日进行的最新一次滚动计划中最后时段剩余的电量；η_cha，ev为电动汽车换电站e的电池充电效率；

为电动汽车换电站e每个时段允许的

最大、最小库存电量。

3.如权利要求书1所述的一种风光储协同调度的滚动优化决策方法，其特征是，所述步骤3中，在进行滚动计划过程中，为了缩小等效负荷曲线的峰谷差率，采用如下目标函数：

$\min \underset{t=m\×(r-1)+1}{\overset{T}{\mathrm{\Σ}}}{(P_{\mathrm{et}}\left(r\right)-P_{\mathrm{av}}\left(r\right))}^2$

其中：

$P_{\mathrm{et}}\left(r\right)=\underset{d=1}{\overset{D}{\mathrm{\Σ}}}{P}_{\mathrm{lt},d}\left(r\right)-\underset{w=1}{\overset{W}{\mathrm{\Σ}}}{P}_{\mathrm{wt},w}\left(r\right)-\underset{s=1}{\overset{S}{\mathrm{\Σ}}}{P}_{\mathrm{st},s}\left(r\right)+\underset{e=1}{\overset{E}{\mathrm{\Σ}}}{P}_{\mathrm{ev},t,e}\left(r\right)$

$P_{\mathrm{av}}\left(r\right)=\frac{1}{T-m\×(r-1)}\underset{t=m(r-1)+1}{\overset{T}{\mathrm{\Σ}}}{P}_{\mathrm{et}}\left(r\right)$

其中：D、W、S及E分别为地区电网的负荷、风电场、光伏电站、电动汽车换电站数目；第r次滚动预测负荷d在时段t的负荷需求为P_lt，d(r)；第r次滚动预测某风电场w在时段t的预测风电输出功率为P_wt，w(r)；第r次滚动预测某光伏电站s在时段t的预测输出功率为P_st，s(r)；第r次滚动计划换电站e在时段t的计划充电功率为P_ev，t，e(r)；P_et(r)为由负荷、风电场风功率、光伏电站输出功率以及电动汽车换电站充电功率组成的在时段t的等效负荷，P_av(r)为当日剩余时段的各个时段等效负荷的平均值；

对于所述控制量P_ev，t，e(r)，需满足如下约束条件：

$P_{\mathrm{ev},t,e}^{\min }\left(r\right)\≤P_{\mathrm{ev},t,e}\left(r\right)\≤P_{\mathrm{ev},t,e}^{\max }\left(r\right)$

S_t，ev(r)＝S_t-1，ev(r)+η_cha，ev·P_ev，t，e(r)·Δt-P_ev，t，d(r)·Δt

$S_e^{\min }\left(r\right)\≤S_{t,\mathrm{ev}}\left(r\right)\≤S_e^{\max }\left(r\right)$

为电动汽车换电站e第r次滚动预测的时段t最大、最小允许充电功率；P_ev，t，d(r)·Δt为电动汽车换电站e第r次滚动预测的时段t电动汽车能源供给需求电量；S_t，ev(r)为第r次滚动计划的电动汽车换电站e在时段t之末或时段t+1之初存有的电量，其中S_{m×(r-1)，ev}(r)为换电站e在时段m×(r-1)之末即时段m×(r-1)+1之初剩余电量，该值为时段m×(r-1)之初实测值与时段m×(r-1)的充电计划以及换电需求得到；η_cha，ev为电动汽车换电站e的电池充电效率；

为电动汽车换电站e每个时段允许的最大、最小库存电量。

4.如权利要求书1所述的一种风光储协同调度的滚动优化决策方法，其特征是，所述步骤3中，所述剩余时段是指：滚动计划每m个时间间隔执行一次，即当日的第r次滚动计划对剩余的时段m×(r-1)+1至时段T的充电计划进行修正。

5.如权利要求书1所述的一种风光储协同调度的滚动优化决策方法，其特征是，所述步骤3中，所述修正需满足如下条件：

P_ev，t，e(r)≤P_ev，t，e(0)+ΔP_e(r)

P_ev，t，e(r)≥P_ev，t，e(0)-ΔP_e(r)

ΔP_e(r)为日前计划在滚动计划中允许的修正值。

Images