CN104794533B - 计入可入网电动汽车的配电网用户光伏电站的容量最优配置方法 - Google Patents

Abstract

本发明公开了一种计入可入网电动汽车的光伏电站最优容量的配置方法，涉及电力系统分布式发电技术领域。该方法首先以用户日发电成本最小为目标，结合各机组运行约束条件，建立优化问题的数学模型，得到用户侧年净收益，再改变分布式电源的容量带入优化模型中计算，得到相应年净收益，并以此作为输入输出样本来训练神经网络，从而可以由遗传算法搜寻得到最优的分布式电源容量。优点是：构建了计入可入网电动汽车的光伏电站系统的日优化调度模型，给出了计算使用户获利最大的最优配置方法。其中将系统的日优化问题简化为线性规划问题，大大简化了计算，具有一定的工程参考价值。

Description

计入可入网电动汽车的配电网用户光伏电站的容量最优配置 方法

技术领域

本发明属于电力系统分布式发电技术领域，具体涉及一种计入可入网电动汽车的光伏电站的容量优化配置方法。

背景技术

对于用电需求较大、采用分时电价的用户，合理建设光伏电站，可从节省电费与国家补贴两方面获利，再加上环境友好，再生可持续利用的优点，光伏发电是未来新能源发展与推广的重要方向。

光伏电站并网有三种方式：“全部自发自用”、“自发自用，余电上网”、“全部上网”。对于“自发自用，余电上网”和“全部上网”两种方式，由于不能加入储能装置，用户不能管理光伏并网系统中的能量流动，因此其收益与光伏电站的装机容量正相关，不存在最优容量。而对于“全部自发自用”方式，用户可以通过加入储能装置来合理管理系统能量流动，对其用电需求能起到“削峰填谷”的效果，节省用电费用。为使用户获利达到最大，需要计算出用户光伏电站的最优配置。

未来随着电动汽车的普及，1天24h当中90％的电动车辆都可以入网参与V2G(vehicle-to-grid)服务，在V2G服务时间段内，电动汽车的电池作为储能装置并网，可以被光伏电站用户充分利用。

在光伏发电的最优容量计算方法方面，目前的算法多注重算法的先进性，导致计算过程繁琐，且难以判断计算结果是局部最优还是全局最优，所以可靠性难以定论。因此，需要建立一套具有工程推广价值，可靠性较高的，且计算简单的光伏电站的优化配置方法，为新能源发电的设计提供参考。

对于光伏发电的数学模型，以及神经网络算法和遗传算法可以参考现有方法：

1)光伏发电的数学模型

P_PV＝η*S*R*[1-0.005(T-25)]

S＝P_PVm/P_PVm1

其中，P_PV为光伏阵列的输出功率，η为光伏的额定转换效率，S为光伏阵列的面积(m2)，R为光伏组件倾斜面上的太阳辐照强度(W/m2)，T为光伏组件温度(摄氏度)；P_PVm1为每平方米光伏的峰值输出功率(见厂商技术参数)；P_PVm为用户采用的面积为S平方米的光伏阵列的峰值输出功率。

由此模型可见，只要输入光伏的额定转换效率η，光伏阵列的面积S,光伏组件倾斜面上的太阳辐照强度R，光伏组件温度T，就可以得到光伏阵列的输出功率。对于给定型号的光伏组件，其性能参数-光伏最大功率P_PVm与面积S成正比。(YonaA，Senjyu T，FunabashiT.Application ofrecurrent neural network to short-term-ahead generating powerforecasting for photovoltaic system[C].IEEE Power Engineering Society GeneralMeeting，2007)。

2)神经网络算法

神经网络是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。以样本来训练神经网络，即设定好网络的结构，各个神经元的赋活函数，以及训练函数及学习率等参数，初始化网络后，以样本输入值输入到神经网络，得到相应的输出后与样本的输出值相比较，根据误差来修正网络，经过一定次数和一段时间的训练，误差达到预定范围内即训练完毕，以此得到的神经网络可以很准确的模拟样本中输入输出之间的关系。

3)遗传算法

遗传算法是根据自然界生物染色体进化的数学模型，它是模仿染色体的基因在自然进化的过程中进行选择、交叉和变异生成下一代种群。以遗传算法搜寻神经网络最优值操作的步骤是:确定输入变量的维数与目标函数，给定输入变量的取值范围，确定种群规模、最大遗传代数、优化目标精度，以及选择交叉算子等参数。这样就可以通过软件的计算输出目标函数的最优值和最优值对应的输入。

发明内容

本发明的目的是针对采用自发自用并网方式的光伏电站，提出一种计入可入网电动汽车后的光伏容量最优配置方法，实现用户的利益最大化。

本发明解决其技术问题是采用以下技术方案实现的：

一种计入可入网电动汽车的光伏电站最优容量的配置方法，步骤如下：

1)用户输入下列参数：

2)对于给定的光伏电站容量—光伏电站峰值功率P_PVm、蓄电池储能容量和电动汽车电池容量的配置：以系统运行条件为约束，以用户的日运行成本为目标函数，建立电能调度日优化模型：

目标函数：minf＝f_grid+f_abans+f_{p_loss}

其中，f表示光伏电站用户的日运行成本，f_grid表示光伏电站用户向电网购电的费用，f_abans表示光伏电站丢弃多余的产电的惩罚成本，f_p-loss表示蓄电池同时充放电的惩罚成本和电动汽车同时充放电的惩罚成本之和；

其中，C_grid(k)表示第k时刻的电价，P_grid(k)表示第k时刻电网的供电量；

其中，C_abans表示弃产电多余惩罚因子，P_abans(k)表示第k个时刻产电多余量；

其中，C_P-loss＝2*C_abans，C_{p_loss}表示包含蓄电池和电动汽车的储能装置，同时充放电的惩罚因子，η₁表示蓄电池的充电效率，η₂表示蓄电池的放电效率，η₃表示电动汽车的电池充电效率，η₄表示电动汽车的电池放电效率，P_ba-ch(k)表示蓄电池第k个时刻的充电功率，P_ba-dis(k)表示蓄电池第k个时刻的放电功率，P_V2G-ch(i)表示电动汽车第i个时刻的充电功率，P_V2G-dis(i)表示电动汽车第i个时刻的放电功率，a表示电动汽车参与V2G服务的开始时刻，b表示电动汽车参与V2G服务的结束时刻；

约束条件一

电能平衡

P_grid(k)+P_ba-dis(k)+P_V2G-dis(k)-P_ba-ch(k)-P_V2G-ch(k)-P_abans(k)＝P_l(k)-P_PV(k)

(0≤a≤k≤b≤24,k∈N)

P_grid(k)+P_ba-dis(k)-P_ba-ch(k)-P_abans(k)＝P_l(k)-P_PV(k)

(0≤k≤a-1或b+1≤k≤24,k∈N)

其中，a表示电动汽车参与V2G服务的开始时刻，b表示电动汽车参与V2G服务的结束时刻，P_grid(k)表示第k个时刻电网的供电量，

P_ba-dis(k)表示第k个时刻蓄电池的放电功率，P_ba-ch(k)表示第k个时刻蓄电池的充电功率，P_V2G-ch(k)表示电动汽车第k个时刻的充电功率，

P_V2G-dis(k)表示电动汽车第k个时刻的放电功率，P_l(k)表示第k个时刻用户的预测用电负荷，P_PV(k)表示第k个时刻光伏阵列预测的输出电能，P_abans(k)表示第k个时刻产电多余量；

约束条件二

蓄电池运行约束

E_s(k)＝E_s(k-1)+P_ba-ch(k)*η₁*1-P_ba-dis(k)/η₂*1

取蓄电池初始储能状态为：

其中，E_s(k)表示第k个时刻蓄电池的剩余能量，P_ba-dis(k)表示第k个时刻蓄电池的放电功率，P_ba-ch(k)表示第k个时刻蓄电池的充电功率，表示蓄电池最大充放电功率，η₁表示蓄电池的充电效率，η₂表示蓄电池的放电效率，表示蓄电池的储能容量，和SOC_s ^max分别表示蓄电池的最小和最大储能状态；

约束条件三

电动汽车运行约束

E_V2G(i)＝E_V2G(i-1)+P_V2G-ch(i)*η₃*1-P_V2G-dis(i)/η₄*1

(0≤a≤i≤b≤24,i∈N)

取电动汽车入网的初始储能状态为：

取电动汽车离网前储能状态约束为：

其中，a表示电动汽车参与V2G服务的开始时刻，b表示电动汽车参与V2G服务的结束时刻，E_V2G(i)表示第i个时刻电动汽车的剩余能量，P_V2G-dis(i)表示第i个时刻电动汽车的放电功率，P_V2G-ch(i)表示第i个时刻电动汽车的充电功率，表示电动汽车最大充放电功率，η₃表示电动汽车的电池充电效率，η₄表示电动汽车的电池放电效率，表示电动汽车电池容量，和分别表示电动汽车的最小和最大储能状态：

约束条件四

电网供应电能约束

(1≤k≤24,k∈N)

其中，P_grid(k)表示第k个时刻电网向用户提供的电量，表示电网供应的最大功率限制；

约束条件五

光伏产电多余量约束

P_abans(k)≥0

(1≤k≤24,k∈N)

其中，P_abans(k)表示第k个时刻产电多余量；

求解满足上述5个约束条件的目标函数，可得到系统每天的优化调度方案；

3)在步骤2)得到的日优化调度方案的基础上，计算光伏电站用户的年净收益，用户的年净收益由安装光伏电站后节省的电费和国家补贴之和减去光伏电站一年的发电成本得到；

其中，f_user表示光伏电站用户的年净收益，P_l(k)表示第k个时刻用户的预测用电负荷，P_grid(k)表示第k个时刻电网的供电量，C_grid(k)表示第k时刻的电价，P_pv(k)表示光伏第k个时刻的发电功率，C_pvsub表示光伏发电的补贴，C_pv表示光伏的发电成本，P_pvm表示光伏电站的装机容量，n_PV表示光伏的使用年限；

当分布式电源组合：光伏电站峰值功率P_PVm，表示蓄电池储能容量，电动汽车电池容量确定后，可得到光伏电站用户的年净收益；

4)采用不同的分布式电源的容量组合P_PVm、和代入步骤2)，3)得到相应的用户净收益，以此作为输入输出数据训练神经网络，再以遗传算法搜寻神经网络的最优值，即得到使用户年净收益最大的光伏电站最优装机组合；

按照下列步骤，采用不同的分布式电源的容量组合，即光伏电站峰值功率P_PVm，表示蓄电池储能容量，电动汽车电池容量

其中P_PVm的上限P_l ^max为用户用电负荷的最大值；

其中的上限P_l(k)表示第k个时刻用户的预测用电负荷；

其中的上限P_l(k)表示第k个时刻用户的预测用电负荷；

按照下列步骤改变P_PVm,的值，得到相应的用户年净收益f_user：

Step1.j＝1；

Step2.i1＝1；

Step3.i2＝1；

Step4.i3＝1；

Step5.

j＝j+1；

将P_PVm,代入步骤1)和2)中，得到相应的f_user值；

Step6.i3＝i3+1；

若i3≤21，则返回step5；

Step7.i2＝i2+1；

若i2≤21，则返回step4；

Step8.i1＝i1+1；

若i1≤21，则返回step3；

把以上得到的21³组P_PVm,f_user向量作为神经网络的训练样本来训练神经网络，得到的神经网络能够代表输入值P_PVm,和输出值f_user的关系；

由遗传算法搜寻神经网络的全局最优解，从而得到最优的分布式电源容量。

本发明的技术效果在于，构建了计入可入网电动汽车的光伏电站系统的日优化调度模型，给出了计算使用户获利最大的最优配置方法。其中将系统的日优化问题简化为线性规划问题，大大简化了计算，具有一定的工程参考价值。

附图说明

图1为本发明的系统结构示意图。

具体实施方式

为了更具体的描述本发明，下面结合附图，具体说明本发明的运用。并网光伏电站系统(计入可入网电动汽车)结构框图如图1所示，具体步骤如下：

1)用户确定输入数据：

2)建立光伏电站并网系统的日优化调度模型

目标函数f表示光伏电站用户的日运行成本，包括：光伏电站用户向电网购电的费用、光伏电站丢弃多余的产电的惩罚成本、蓄电池同时充放电的惩罚成本和电动汽车同时充放电的惩罚成本之和，即：

其中C_P-loss＝2*C_abans。

约束条件：

电能平衡约束：

P_grid(k)+P_ba-dis(k)+P_V2G-dis(k)-P_ba-ch(k)-P_V2G-ch(k)-P_abans(k)＝P_l(k)-P_PV(k)

(0≤a≤k≤b≤24,k∈N)

P_grid(k)+P_ba-dis(k)-P_ba-ch(k)-P_abans(k)＝P_l(k)-P_PV(k)

(0≤k≤a-1或b+1≤k≤24,k∈N)

蓄电池运行约束：

E_s(k)＝E_s(k-1)+P_ba-ch(k)*η₁*1-P_ba-dis(k)/η₂*1

电动汽车运行约束：

E_V2G(i)＝E_V2G(i-1)+P_V2G-ch(i)*η₃*1-P_V2G-dis(i)/η₄*1

电网供应电能约束：

弃产电多余约束：

P_abans(k)≥0 (1≤k≤24,k∈N)

3)在步骤2)得到的日优化调度方案的基础上，可以计算光伏电站用户的年净收益，用户的年净收益由安装光伏电站后节省的电费和国家补贴之和减去光伏电站一年的发电成本得到。

在用户给定的数据基础上，对于分布式电源组合：光伏电站峰值功率P_PVm，蓄电池容量电动汽车电池容量确定后，由步骤2)可得到系统的具体日优化调度方案如下：

解向量：

由此可以计算出全年365天的日调度方案，进而由步骤3)的方法得到光伏电站用户的年净收益。

4)采用不同的分布式电源的容量组合P_PVm、和代入步骤2)，3)得到相应的用户净收益。以此作为输入输出数据训练神经网络，再以遗传算法搜寻神经网络的最优值，即得到使用户年净收益最大的光伏电站最优装机组合。

按照下列步骤，采用不同的分布式电源的容量组合，即光伏电站峰值功率P_PVm，蓄电池容量电动汽车电池容量

其中P_PVm的上限 为用户用电负荷的最大值；

其中的上限P_l(k)为每个采样时刻的用电负荷值；

其中的上限P_l(k)为每个采样时刻的用电负荷值；

按照下列步骤改变P_PVm,的值，得到相应的用户年净收益f_user：

Step1.j＝1；

Step2.i1＝1；

Step3.i2＝1；

Step4.i3＝1；

Step5.

j＝j+1；

将P_PVm,代入步骤1)和2)中，得到相应的f_user值；

Step6.i3＝i3+1；

若i3≤21，则返回step5；

Step7.i2＝i2+1；

若i2≤21，则返回step4；

Step8.i1＝i1+1；

若i1≤21，则返回step3；

把以上得到的21³组(P_PVm,f_user)向量作为神经网络的训练样本来训练神经网络，得到的神经网络能够代表输入值(P_PVm,)和输出值f_user的关系；然后由遗传算法搜寻神经网络的全局最优解，从而得到最优的光伏电站容量配置(P_PVm,)。

Claims (1)

1.一种计入可入网电动汽车的光伏电站最优容量的配置方法，其特征在于，该方法包含如下步骤：

1)用户输入下列参数：

2)对于给定的光伏电站容量—光伏电站峰值功率P_PVm、蓄电池储能容量和电动汽车电池容量的配置：以系统运行条件为约束，以用户的日运行成本为目标函数，建立电能调度日优化模型：

目标函数：minf＝f_grid+f_abans+f_{p_loss}

其中，f表示光伏电站用户的日运行成本，f_grid表示光伏电站用户向电网购电的费用，f_abans表示光伏电站丢弃多余的产电的惩罚成本，f_p-loss表示蓄电池同时充放电的惩罚成本和电动汽车同时充放电的惩罚成本之和；

其中，C_grid(k)表示第k时刻的电价，P_grid(k)表示第k时刻电网的供电量；

其中，C_abans表示弃产电多余惩罚因子，P_abans(k)表示第k个时刻产电多余量；

其中，C_P-loss＝2*C_abans，C_{p_loss}表示包含蓄电池和电动汽车的储能装置，同时充放电的惩罚因子，η₁表示蓄电池的充电效率，η₂表示蓄电池的放电效率，η₃表示电动汽车的电池充电效率，η₄表示电动汽车的电池放电效率，P_ba-ch(k)表示蓄电池第k个时刻的充电功率，P_ba-dis(k)表示蓄电池第k个时刻的放电功率，P_V2G-ch(i)表示电动汽车第i个时刻的充电功率，P_V2G-dis(i)表示电动汽车第i个时刻的放电功率，a表示电动汽车参与V2G服务的开始时刻，b表示电动汽车参与V2G服务的结束时刻；

约束条件一

电能平衡

P_grid(k)+P_ba-dis(k)+P_V2G-dis(k)-P_ba-ch(k)-P_V2G-ch(k)-P_abans(k)＝P_l(k)-P_PV(k)

(0≤a≤k≤b≤24,k∈N)

P_grid(k)+P_ba-dis(k)-P_ba-ch(k)-P_abans(k)＝P_l(k)-P_PV(k)

(0≤k≤a-1或b+1≤k≤24,k∈N)

其中，a表示电动汽车参与V2G服务的开始时刻，b表示电动汽车参与V2G服务的结束时刻，P_grid(k)表示第k个时刻电网的供电量，P_ba-dis(k)表示第k个时刻蓄电池的放电功率，P_ba-ch(k)表示第k个时刻蓄电池的充电功率，P_V2G-ch(k)表示电动汽车第k个时刻的充电功率，P_V2G-dis(k)表示电动汽车第k个时刻的放电功率，P_l(k)表示第k个时刻用户的预测用电负荷，P_PV(k)表示第k个时刻光伏阵列预测的输出电能，P_abans(k)表示第k个时刻产电多余量；

约束条件二

蓄电池运行约束

E_s(k)＝E_s(k-1)+P_ba-ch(k)*η₁*1-P_ba-dis(k)/η₂*1

取蓄电池初始储能状态为：

其中，E_s(k)表示第k个时刻蓄电池的剩余能量，P_ba-dis(k)表示第k个时刻蓄电池的放电功率，P_ba-ch(k)表示第k个时刻蓄电池的充电功率，表示蓄电池最大充放电功率，η₁表示蓄电池的充电效率，η₂表示蓄电池的放电效率，表示蓄电池的储能容量，和SOC_s ^max分别表示蓄电池的最小和最大储能状态；

约束条件三

电动汽车运行约束

E_V2G(i)＝E_V2G(i-1)+P_V2G-ch(i)*η₃*1-P_V2G-dis(i)/η₄*1

取电动汽车入网的初始储能状态为：

取电动汽车离网前储能状态约束为：

其中，a表示电动汽车参与V2G服务的开始时刻，b表示电动汽车参与V2G服务的结束时刻，E_V2G(i)表示第i个时刻电动汽车的剩余能量，P_V2G-dis(i)表示第i个时刻电动汽车的放电功率，P_V2G-ch(i)表示第i个时刻电动汽车的充电功率，表示电动汽车最大充放电功率，η₃表示电动汽车的电池充电效率，η₄表示电动汽车的电池放电效率，表示电动汽车电池容量，和分别表示电动汽车的最小和最大储能状态：

约束条件四

电网供应电能约束

(1≤k≤24,k∈N)

其中，P_grid(k)表示第k个时刻电网向用户提供的电量，表示电网供应的最大功率限制；

约束条件五

光伏产电多余量约束

P_abans(k)≥0

(1≤k≤24,k∈N)

其中，P_abans(k)表示第k个时刻产电多余量；

求解满足上述5个约束条件的目标函数，可得到系统每天的优化调度方案；

3)在步骤2)得到的日优化调度方案的基础上，计算光伏电站用户的年净收益，用户的年净收益由安装光伏电站后节省的电费和国家补贴之和减去光伏电站一年的发电成本得到；

其中，f_user表示光伏电站用户的年净收益，P_l(k)表示第k个时刻用户的预测用电负荷，P_grid(k)表示第k个时刻电网的供电量，C_grid(k)表示第k时刻的电价，P_pv(k)表示光伏第k个时刻的发电功率，C_pvsub表示光伏发电的补贴，C_pv表示光伏的发电成本，P_pvm表示光伏电站的装机容量，n_PV表示光伏的使用年限；

当分布式电源组合：光伏电站峰值功率P_PVm，表示蓄电池储能容量，电动汽车电池容量确定后，可得到光伏电站用户的年净收益；

4)采用不同的分布式电源的容量组合P_PVm、和代入步骤2)，3)得到相应的用户净收益，以此作为输入输出数据训练神经网络，再以遗传算法搜寻神经网络的最优值，即得到使用户年净收益最大的光伏电站最优装机组合；

按照下列步骤，采用不同的分布式电源的容量组合，即光伏电站峰值功率P_PVm，表示蓄电池储能容量，电动汽车电池容量

其中P_PVm的上限 为用户用电负荷的最大值；

其中的上限P_l(k)表示第k个时刻用户的预测用电负荷；

其中的上限P_l(k)表示第k个时刻用户的预测用电负荷；

按照下列步骤改变P_PVm,的值，得到相应的用户年净收益f_user：

Step1.j＝1；

Step2.i1＝1；

Step3.i2＝1；

Step4.i3＝1；

Step5.

j＝j+1；

将P_PVm,代入步骤1)和2)中，得到相应的f_user值；

Step6.i3＝i3+1；

若i3≤21，则返回step5；

Step7.i2＝i2+1；

若i2≤21，则返回step4；

Step8.i1＝i1+1；

若i1≤21，则返回step3；

把以上得到的21³组P_PVm,f_user向量作为神经网络的训练样本来训练神经网络，得到的神经网络能够代表输入值P_PVm, 和输出值f_user的关系；

由遗传算法搜寻神经网络的全局最优解，从而得到最优的分布式电源容量。