CN107769237B - 基于电动汽车接入的多能源系统协同调度方法及装置 - Google Patents
基于电动汽车接入的多能源系统协同调度方法及装置 Download PDFInfo
- Publication number
- CN107769237B CN107769237B CN201711243772.8A CN201711243772A CN107769237B CN 107769237 B CN107769237 B CN 107769237B CN 201711243772 A CN201711243772 A CN 201711243772A CN 107769237 B CN107769237 B CN 107769237B
- Authority
- CN
- China
- Prior art keywords
- electric car
- energy system
- energy
- discharge
- charge
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 239000003344 environmental pollutant Substances 0.000 claims abstract description 25
- 231100000719 pollutant Toxicity 0.000 claims abstract description 25
- 230000008569 process Effects 0.000 claims abstract description 18
- 238000007600 charging Methods 0.000 claims abstract description 9
- 239000007789 gas Substances 0.000 claims description 68
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 52
- 239000003345 natural gas Substances 0.000 claims description 26
- 230000005611 electricity Effects 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- RZGZMLICFFEUIQ-UHFFFAOYSA-N 5-[(1-phenylcyclohexyl)amino]pentanoic acid Chemical compound C=1C=CC=CC=1C1(NCCCCC(=O)O)CCCCC1 RZGZMLICFFEUIQ-UHFFFAOYSA-N 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 7
- 238000010248 power generation Methods 0.000 claims description 7
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims 1
- 238000004146 energy storage Methods 0.000 abstract description 5
- 238000010276 construction Methods 0.000 abstract description 3
- 238000007599 discharging Methods 0.000 abstract 3
- 238000010845 search algorithm Methods 0.000 abstract 1
- 239000000243 solution Substances 0.000 description 12
- 239000011159 matrix material Substances 0.000 description 9
- 238000005457 optimization Methods 0.000 description 8
- 230000008878 coupling Effects 0.000 description 6
- 238000010168 coupling process Methods 0.000 description 6
- 238000005859 coupling reaction Methods 0.000 description 6
- 230000006399 behavior Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 3
- GWEVSGVZZGPLCZ-UHFFFAOYSA-N Titan oxide Chemical compound O=[Ti]=O GWEVSGVZZGPLCZ-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000009194 climbing Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 description 1
- 239000005864 Sulphur Substances 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000029087 digestion Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000005619 thermoelectricity Effects 0.000 description 1
- 239000004408 titanium dioxide Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/28—Arrangements for balancing of the load in a network by storage of energy
- H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开一种基于电动汽车接入的多能源系统协同调度方法及装置，涉及智能电网领域，该方法包括步骤：根据电动汽车接入电网时间和离开电网时间的统计数据划分电动汽车集群，根据各个电动汽车集群在对应时段接入、离开电网的概率密度和充电需求信息获取电动汽车集群化的日前调度模型以构建多能源系统协同调度模型，采用多群组均衡协同搜索算法获取供能成本和污染物排放最小的最优充放电策略，并对各个电动汽车集群进行充放电；可减少供能成本和降低污染物，提升了多能源系统运行状况，防止不必要的故障发生；同时在对充放电模式优化的过程中，还对智能电网中的储能调度进行优化，抑制智能电网的不确定性，降低了智能电网的建设费用。
Description
技术领域
本发明涉及智能电网领域，特别是涉及一种基于电动汽车接入的多能源系统协同调度方法及装置。
背景技术
随着多能源系统的发展和电动汽车的大量普及，如何有效地针对多能源系统和电动汽车的协同调度是未来能源互联网实现“源-网-荷”协同中不得不面对的问题，特别是在能源中心加入了电转气设备和储气设备后，电网和气网之间的耦合程度更加深刻。
传统的电网调度模式在接入电动汽车之后，由于增加了时间段的耦合约束，相当于将节点规模扩大了数倍，势必将引入数量庞大的变量，大大增加了模型的求解难度，已无法满足对多能源系统协同的要求。
发明内容
基于此，有必要针对无法满足对多能源系统协同要求的问题，本发明提供一种基于电动汽车接入的多能源系统协同调度方法及装置。
本发明实施例提供一种基于电动汽车接入的多能源系统协同调度方法，包括以下步骤：
根据电动汽车接入电网时间和离开电网时间的统计数据划分电动汽车集群；
根据各个所述电动汽车集群在对应时段接入、离开电网的概率密度和充电需求信息获取电动汽车集群化的日前调度模型；
根据所述日前调度模型构建多能源系统协同调度模型；
依据预设约束条件采用多群组均衡协同搜索算法，对所述多能源系统协同调度模型的目标函数进行求解，获得满足多能源系统供能成本和污染物排放最小的各个电动汽车集群在对应时段的最优充放电策略；
根据所述最优充放电策略在对应时段对各个电动汽车集群进行充放电。
相应地，本发明实施例还提供一种基于电动汽车接入的多能源系统协同调度装置，包括：
电动汽车集群划分模块，用于根据电动汽车接入电网时间和离开电网时间的统计数据划分电动汽车集群；
日前调度模型获取模块，用于根据各个所述电动汽车集群在对应时段接入、离开电网的概率密度和充电需求信息获取电动汽车集群化的日前调度模型；
多能源系统协同调度模型获取模块，用于根据所述日前调度模型构建多能源系统协同调度模型；
最优充放电策略获取模块，用于依据预设约束条件采用多群组均衡协同搜索算法，对所述多能源系统协同调度模型的目标函数进行求解，获得满足多能源系统供能成本和污染物排放最小的各个电动汽车集群在对应时段的最优充放电策略；
充放电指导模块，用于根据所述最优充放电策略在对应时段对各个电动汽车集群进行充放电。
相应地，本发明实施例还提供一种存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行上述任意一项所述方法的步骤。
相应地，本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述任意一项所述方法的步骤。
上述技术方案中的一个技术方案具有如下优点和有益效果：
本发明基于电动汽车接入的多能源系统协同调度方法及装置，根据车主出行统计规律数据和充电需求信息，提出了电动汽车集群化的日前调度模型，并参与构建多能源系统协同调度模型，获取供能成本和污染物排放最小的各个电动汽车集群在对应时段的最优充放电策略，并对各个电动汽车集群进行充放电指导；为此，可减少供能成本和降低污染物，提升了多能源系统运行状况，防止不必要的故障发生；同时在对充放电模式优化的过程中，还对智能电网中的储能调度进行优化，抑制智能电网的不确定性，降低了智能电网的建设费用。
附图说明
图1为本发明基于电动汽车接入的多能源系统架构图；
图2为本发明基于电动汽车接入的11节点多能源系统拓扑图；
图3为本发明实施例中基于电动汽车接入的多能源系统协同调度方法第一流程图；
图4为本发明实施例中电动汽车行驶行为图；
图5为本发明实施例中基于电动汽车接入的多能源系统协同调度方法第二流程图；
图6为本发明实施例中天然气管道和加压站模型；
图7为本发明实施例中基于电动汽车接入的多能源系统协同调度方法第三流程图；
图8为本发明实施例中基于电动汽车接入的多能源系统优化的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下通过实施例，并结合附图，对本发明的基于电动汽车接入的多能源系统协同调度方法及装置进一步详细说明。
应当理解，除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本发明各实施例中在本发明的说明书中所使用的术语只是为了描述具体的实施例，并不是旨在限制本发明。
本发明基于电动汽车的多能源系统协同调度方法及装置各实施例，基于能源中心加入了电转气设备和储气设备后，电网和气网之间的耦合程度更加深刻，涉及能源中心及其工作原理，显然，需要介绍本发明的应用场景。
能源中心(Energy Hub，EH)可视为各个能源网络之间的耦合部分。一种典型的多能源系统及能源中心结构如图1所示。
如图1所示，一个能源中心包含着多种不同能源的输入、转换和输出形式。能源中心在运行时，电能通过变压器和电力网络传输给电力负荷，天然气通过天然气网传输给天然气负荷的过程称为直接传输，此过程不包含能源类型的变换。
一方面，燃气锅炉可将天然气转换为热能，燃气轮机通过使用天然气发电向电网提供电能，实现电网和气网的耦合的同时也产生热能供给热负荷。另一方面，电转气设备又可以将电能转换为天然气，这些使能源类型相互转化的设备称为转换器。
多能源系统拓扑图把能量从能源或资源到最终利用的整个过程分解为相互衔接的若干个环节，其中，相互衔接的若干个环节包括资源开采、加工精炼、运输和存储、集中转换、输送和分配，以及在不同设备中转换成最终用能形式；如图2所示的11节点多能源系统拓扑图，其节点表示各环节的交接处，用带箭头的线段表示能量经各环节的流动情况，并根据不同的要求和用途在各线段上注明相应的数据。
本发明实施例中提供了一种基于电动汽车接入的多能源系统协同调度方法，如图3所示，包括以下步骤：
S310：根据电动汽车接入电网时间和离开电网时间的统计数据划分电动汽车集群。
在本实施例中，根据能量管理系统家族的概念，在各能源中心设立一个区域电动汽车能量管理中心(EV-Distributed Energy Management System,EV-DEMS)实现对该能源中心覆盖区域内电动汽车信息的统一收集并上报至系统调度中心，调度中心根据各EV-DEMS上报的电动汽车接入和离开电网时间的统计数据划分电动汽车集群。
如上所述，通过EV-DEMS可以全面收集相关信息，防止电动汽车参与调度导致系统信息流量的大幅提高，可以将信息全部传送到调度中心进行集中决策。
在一个实施例中，考虑日间夜间一日两充的电动汽车行驶行为，如图4所示，电动汽车日间和夜间接入电网和离开电网的时间都相对集中于7～10时、16～19时之内，可考虑将具有相同接入时间和离开时间的汽车视作一个电动汽车集群，其中，日间离开、日间接入、夜间离开和夜间接入为不同电动汽车集群。
需要说明的是，在各实施例中，大部分电动汽车接入和离开电网时间的统计数据都集中于对应时段内，如图4中日间离开集群和夜间离开集群的对应时段范围广，但在部分时段内接入和离开的汽车数量很少，在建立日前调度模型时可将部分时段的少量汽车并入到邻近的集群中。
现有技术中，对电动汽车日前需求预测采用的蒙特卡洛法或日前申报机制都是针对单台电动汽车的，由于单台电动汽车的行驶行为和充电行为具有很大的随机性，上述方法都不能够保证实际需求与预测需求的吻合度，并且当车数增加，仍以单台车为调度对象会产生维数灾难的问题。
而在本实施例中，采用电动汽车作为群体建立日前调度模型，当电动汽车的数量达到一定规模时，电动汽车作为群体的行为规律相当稳定，充电需求的预测值与实际值吻合度较高，制定的相应策略也具有较好的可执行度。
S320：根据各个电动汽车集群在对应时段接入、离开电网的概率密度和充电需求信息获取电动汽车集群化的日前调度模型。
其中，各个电动汽车集群的充电需求信息根据EV-DEMS所获取的，包括各个集群的电动汽车数量，每个集群中所有车的期望电量、接入时的电量和电池容量。
需要说明的是，此时，在建立日前调度模型过程中，对于上述在其余时段的少量电动汽车，其充电需求信息与将并入到邻近集群的电动汽车一致，从而在不增加计算难度的前提下提升日前调度模型的精度。
具体而言，各个电动汽车集群在对应时段接入、离开电网的概率密度是根据各个时段接入、离开电网的电动汽车数量与该集群所有时段接入、离开电网的电动汽车总数之比所获得的；其中，当前时段接入、离开电网的电动汽车数量和所有电动汽车的数量是根据EV-DEMS所获取的，可参照图4。
在一个实施例中，同一个电动汽车集群接入、离开电网的概率密度在其对应时段中每个时段有较大差异，且仅有几个时段的概率密度较高，因此可设置预设值，当每个电动汽车集群在某个时段接入、离开电网的概率密度高于预设值时，该时段计入该电动汽车集群的对应时段，参与建立集群化的日前调度模型；同理，当低于预设值时，则不计入对应时段，不参与建立日前调度模型；可选地，预设值可自定义。
S330：根据日前调度模型构建多能源系统协同调度模型。
具体而言，电动汽车集群化的日前调度模型通过求解获得各个节点的电动汽车充放电功率，将电动汽车充放电功率作为优化变量，利用其作为一种主动负荷，并依托典型的多能源系统模型，参与构建多能源系统协同调度模型。
S340：依据预设约束条件采用多群组均衡协同搜索算法，对多能源系统协同调度模型的目标函数进行求解，获得满足多能源系统供能成本和污染物排放最小的各个电动汽车集群在对应时段的最优充放电策略。
具体而言，本发明各实施例以图1中所示的典型能源中心为研究对象，考虑到大量电动汽车接入并参与系统调度的情况，以能源中心各设备运行变量、各节点电动汽车充放电功率、电网和气网的状态量为优化变量，计及电网潮流、天然气网潮流、能源中心运行约束、电、气、热负荷需求约束及电动汽车需求及相关运行约束，以一天内多能源系统供能成本和污染物排放最小为目标。
在本实施例中，多群组均衡协同搜索算法(equilibrium-inspired multiplegroup search optimization with synergistic learning,，EMGSS)是2015年由B.Zhou等人提出的群搜索多目标智能算法；该算法在基于“发现者-搜索者”的搜索模式上。提出基于随机强化学习的协同进化搜索中个体奖励适应度分配，完成不同群组间的信息交互和共享。
其中，多群组均衡协同搜索算法采用动态空间收缩策略以快速收敛到极值点，并将相应的非支配解与精英库进行比较作为帕累托前沿；采用分级均衡聚类方法来调整外部精英库中帕累托前沿解的数量。
S350：根据最优充放电策略在对应时段对各个电动汽车集群进行充放电。
具体而言，通过多群组均衡协同搜索算法获取满足多能源系统供能成本和污染物排放最小的各个电动汽车集群的最优充放电策略，并对各个电动汽车集群进行充放电。
发明人发现传统技术中，在接入电动汽车之后，由于增加了时间段的耦合约束，相当于将节点规模扩大了数倍，势必将引入数量庞大的变量，大大增加了模型的求解难度，已无法满足对多能源系统协同的要求。
如上所述，根据车主出行统计规律数据和充电需求信息，提出了电动汽车集群化的日前调度模型，并参与构建多能源系统协同调度模型，获取供能成本和污染物排放最小的各个电动汽车集群在对应时段的最优充放电策略，并对各个电动汽车集群进行充放电指导；为此，可减少供能成本和降低污染物，提升了多能源系统运行状况，防止不必要的故障发生；同时在对充放电模式优化的过程中，还对智能电网中的储能调度进行优化，抑制智能电网的不确定性，降低了智能电网的建设费用。
在一个实施例中，如图5所示，根据日前调度模型构建多能源系统协同调度模型的步骤包括：
S510：根据日前调度模型获取各个节点的电动汽车充放电功率。
在本实施例中，电动汽车集群化的日前调度模型需满足以下约束：
其中，公式(1)用以计算电动汽车集群i的充电需求；M为集群i的电动汽车数量，SOCend,i,m、SOCstart,i,m和di,m分别为集群i中第m辆车的期望电量、接入时的电量和充电需求；cmax,i,m为该车的电池容量。
其中，公式(2)表示集群i各时刻的充放电电量之和需满足整个集群的充电需求，Pi,t为集群i于t时刻的充放电出力，Tend,i和Tstart,i分别为集群i的离开时间和接入时间。
其中，公式(3)表示集群i各时刻的充放电功率需在集群消纳能力之内，pdischar.max,i,m和pchar.max,i,m分别表示集群i中第m辆车的充放电极限，若不考虑V2G过程，则该式的下界为0。
对于调度中心来说，在各节点有电动汽车接入时，可以通过调整各节点针对电动汽车充电的出力来达到协同调度的效果。在接入各节点的电动汽车集群中，有一些集群的停留时段包含了其他一些集群的停留时段，并且总能够找到一个集群的停留时间段包含了其余所有集群的停留时间，因此在调整该部分出力时需满足以下约束：
其中，公式(4)表示在所有有电动汽车集群接入的时段(即停留时间最久的集群的停留时段)内，节点n点针对电动汽车的充放电电量总和需满足所有电动汽车的充电需求；Pev,n,t为节点n在t时刻的所有电动汽车的充放电功率，Tstart和Tend为所有电动汽车集群接入的开始时间和离开时间；I为集群总数。
其中，公式(5)表示对于其余集群(除去停留时间最久的集群)，节点n在集群i停留时间内针对电动汽车的充放电电量总和需不小于该集群包含的所有集群的充电需求。
在本实施例中，电动汽车集群化日前调度模型根据当日实际的汽车接入情况，考虑单台车的初始电量、停留时间和精确充电需求等具体约束，调整各个节点针对电动汽车充电的出力，并依次获取各个节点的优化电动汽车充放电功率，来达到协同调度的效果。
S520：根据各个节点的电动汽车充放电功率和典型多能源系统模型建立多能源系统协同调度模型。
在本实施例中，多能源系统协同调度模型的目标函数为：
其中，公式(6)中其中，Ωelec为发电机组集合；Ωgas为天然气源集合；T为一个调度中期内包含的时段数，本发明各实施例中为24小时；a、b和c为各发电机组或天然气气源成本系数；Pini,t为第i个火力发电机组或天然气源于t时刻的出力；污染物排放主要考虑火电机组产生的二氧化硫，u、v和w为污染物排放系数。
在一个实施例中，约束条件包括：能源中心约束条件、电网潮流约束条件、天然气网潮流约束条件。
具体地，能源中心约束建模时可将具有Pω个输入，个输出的能源中心抽象成以下数学方程：
L＝ηυP (7)
其中，公式(7)中L称为负荷向量，为阶矩阵；η为表示能源中心各转换设备效率的效率矩阵，为阶矩阵；υ为表示各形式能源通过不同转换设备比例的调度系数矩阵，为ω*ω阶矩阵。
在能源中心优化运行过程中，忽略由工况变化引起的效率变化，因此将效率矩阵视为常数矩阵，通过改变调度系数和能源输入，确定能源中心内部能源流向和出力，在满足多种负荷需求的基础上实现优化运行的目标。
在本实施例中，优化过程中，各能源中心于各时段都需满足运行约束条件：
其中，公式(8)中Le,t，Lh,t和Lg,t分别为t时刻常规电负荷、热负荷和天然气负荷；Pe,t和Pg,t分别为能源中心t时刻输入的电功率和天然气功率；Pev,t为t时刻电动汽车的充放电功率之和，需满足上节中式(2)～式(6)的约束；Ptrans,t、PCHP,t、Pbo,t、Pp2g,t、Ppump,t和Pgss,t分别为t时刻通往变压器、燃气轮机、燃气锅炉、电转气设备、热泵和储气设备的功率；ηe trans、ηe CHP、ηh CHP、ηev、ηp2g、ηpump和ηbo分别为变压器效率、燃气轮机发电效率、燃气轮机热效率、充电桩的充放电效率、电转气设备效率、热泵效率和燃气锅炉热效率。
能源中心里燃气轮机、燃气锅炉、电转气、变压器设备需满足下列运行约束：
其中，公式(9)中Ptrans,min、Ptrans,max、Pp2g,min、Pp2g,max、PCHP,min、PCHP,max、Pbo,min、Pbo,max、Ppump,min和Ppump,max分别为所对应设备的出力上下限，PCHP,D和PCHP,U分别为燃气轮机的爬坡极限。
储气设备在运行时需满足以下约束条件：
其中，公式(10)中Pgss.min和Pgss.max分别是储气设备向下和向上爬坡的功率极限；Sgss.min和Sgss.max分别为储气设备储气状态最小值和最大值，文中分别取为0.2和0.9；Sgss(t-1)为t-1时刻的储气状态；Cgss.max为储气设备最大储气容量。为使调度策略具有可持续性，规定在日前调度结束时刻储气状态回到0.5。
具体地，多能源系统运行过程中，需满足电网潮流约束条件，如下式所示：
PGimin≤PGi≤PGimax i∈NG (13)
QGimin≤QGi≤QGimax i∈NG (14)
Vimin≤Vi≤Vimax i∈NB (15)
Plmin≤Pl≤Plmax l∈NL (16)
PGi,D≤PGi,t-PGi,t-1≤PGi,U i∈NG,t∈T (17)
其中，公式(11)和公式(12)为节点功率平衡约束，公式(13)和公式(14)为发电机有功和无功出力上下限约束，公式(15)为节点电压约束，公式(16)为线路传输功率约束，公式(17)为机组爬坡约束。PGi和QGi分别为节点i发电机发出的有功功率和无功功率；PDi和QDi分别为节点i的有功负荷和无功负荷；gij,bij和θij分别为节点ij之间的电导、电纳和角度；Vi为节点i的电压；Pl为支路l流过的有功功率；PGimax和PGimin，QGimax和QGimin，Vimax和Vimin，Plmax和Plmin分别为发电机组有功及无功出力、节点电压和支路传输功率上下限；PGi,D和PGi,U为机组爬坡极限；NG,NB和NL分别为发电机、节点和支路个数。
具体地，多能源系统运行过程中，需满足天然气网潮流约束条件。
具体而言，典型的天然气网络建模需要考虑天然气管道、加压站和储气设备等，管道间的天然气流量、天然气节点气压和加压站系数是反映整个气网运行情况的重要参数。整个天然气网的节点流量平衡方程如下所示：
(A+U)f+w-Tτ＝0 (18)
其中，公式(18)中A为天然气网络管道-节点关联矩阵；U为加压站-节点关联矩阵，A+U为天然气网络的支路-节点关联矩阵；f为支路气流量；w为节点净流量；T为加压站消耗流量与节点的关联矩阵；τ为加压站消耗的气流量。
天然气管道和加压站的模型如图6所示，两个天然气节点间气流量和节点气压需满足以下关系：
其中，加压站通过对管道内的气体进行增压以弥补传输过程中的压力损耗，同时需要消耗一部分气流量fcom。加压站的数学模型可以描述为：
fmn＝fcom+fkn (20)
fcom＝kcomfkn(pk-pm) (21)
除了上述管道和加压站等式约束外，天然气网络还需满足气源注入功率约束、各节点气压上下限约束和加压站加压比约束。
其中，公式(19)至公式(22)中NS,NN和NC分别为气源、节点和加压站个数；fkn为节点k至n管道内的天然气流量；kkn为输气管道传输系数，其数值与管道的物理特性和气温等因素有关；pk和pn分别为节点k和n的气压；kcom为加压站特性常数；Pgi为节点i气源的注入功率；pk/pm为加压站加压比；Pgimax和Pgimin，pimax和pimin，Rimax和Rimin分别为气源功率、节点气压、加压站加压比上下限。
在一个实施例中，如图7所示，依据预设约束条件采用多群组均衡协同搜索算法，对多能源系统协同调度模型的目标函数进行求解，获得满足多能源系统供能成本和污染物排放最小的各个电动汽车集群在对应时段的最优充放电策略包括：
S710：根据多能源系统协同调度模型的模型参数和预设约束条件确定初始化集群位置、搜索角度和精英库。
在本实施例中，模型参数包括电动汽车参数、能源输入的成本参数、系统拓扑参数和能源中心的参数，皆为已知值。
S720：根据初始化集群位置获得每个目标函数值，采取空间搜索扫描策略和多目标协同学习搜索策略，对各个电动汽车集群和所述精英库进行更新。
S730：判断在更新过程中是否达到最大迭代次数或结果是否收敛。
S740：若是，则采用纳什均衡求得最优折中解，并输出各个电动汽车集群在对应时段的最优充放电策略。
在本实施例中，每个时段经由EMGSS获得帕累托前沿之后，需要决策出最优折中解进行下一时段的优化。本发明各实施例模型中优化的两个目标可视为两个理性、非合作决策的参与者，其决策问题可以转化为一个纳什均衡对策问题；其中，该多目标非合作均衡决策模型包含一个求解前沿解集空间中联合概率分布的优化问题。
其中，公式(23)中Hi＝[hi1,…,hij,…,hiMpf]为第i个目标的均衡解，代表着前沿解集对该目标上的概率分布；hij为第j个前沿解对应于第i个目标的均衡值；fij为第j个前沿解第i个目标的归一化适应值；Mpf为前沿解的个数；Mobj为目标个数；权重ωi为第i个目标函数的相对重要性；vi为第i个目标参与者期望目标的上限。公式(23)是一个典型的约束非线性规划问题，可易于由贯序二次规划求解，从而可为各参与者提供一系列均衡值。具备最佳联合均衡值的前沿解即为最优折中解，如公式(24)所示：
在一个实施例中，当判定在更新过程中未达到最大迭代次数或未收敛，则返回步骤S720，即重新采用空间扫描策略和多目标协同学习搜索策略，对各个电动汽车集群和所述精英库进行更新，直至判定达到最大迭代次数或收敛。
如上所述，通过多群组均衡协同搜索算法对多能源系统协同调度模型的目标函数求解，并输出各个电动汽车集群在对应时段的最优充放电策略，该算法具有搜索能力强，计算速度快的特点。
相应地，本发明实施例中提供了一种基于电动汽车接入的多能源系统协同调度装置，如图8所示，包括：
电动汽车集群划分模块810，用于根据电动汽车接入电网时间和离开电网时间的统计数据划分电动汽车集群；
日前调度模型获取模块820，用于根据各个电动汽车集群在对应时段接入、离开电网的概率密度和充电需求信息获取电动汽车集群化的日前调度模型；
多能源系统协同调度模型获取模块830，用于根据日前调度模型构建多能源系统协同调度模型；
最优充放电策略获取模块840，用于依据预设约束条件采用多群组均衡协同搜索算法，对多能源系统协同调度模型的目标函数进行求解，获得满足多能源系统供能成本和污染物排放最小的各个电动汽车集群在对应时段的最优充放电策略；
最优充放电策略实施模块850，用于根据最优充放电策略在对应时段对各个电动汽车集群进行充放电。
在一个实施例中，多能源系统协同调度模型的目标函数为：
其中，Ωelec为发电机组集合；Ωgas为天然气源集合；T为一个调度中期内包含的时段数，本发明各实施例中为24小时；a、b和c为各发电机组或天然气气源成本系数；Pini,t为第i个火力发电机组或天然气源于t时刻的出力；污染物排放主要考虑火电机组产生的二氧化硫，u、v和w为污染物排放系数。
在一个实施例中，多能源系统协同调度模型获取模块830还用于：
根据日前调度模型获取各个节点的电动汽车充放电功率；
根据各个节点的电动汽车充放电功率和典型多能源系统模型建立多能源系统协同调度模型。
上述基于电动汽车接入的多能源系统协同调度装置可执行本发明实施例所提供的基于电动汽车接入的多能源系统协同调度方法，具备执行方法相应的功能模块和有益效果。
此外，本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性的计算机可读取存储介质中，如本发明实施例中，该程序可存储于计算机系统的存储介质中，并被该计算机系统中的至少一个处理器执行，以实现包括如上述各个基于电动汽车接入的多能源系统协同调度方法的实施例的流程。
在一个实施例中，还提供一种存储介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如上述各实施例中的任意一种加速度计非线性特性的测评方法。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random Access Memory，RAM)等。
该计算机存储介质，其存储的计算机程序，通过实现包括如上述各基于电动汽车接入的多能源系统协同调度方法的实施例的流程，从而实现了减少供能成本和降低污染物，提升了多能源系统运行状况，防止不必要的故障发生；同时在对充放电模式优化的过程中，还对智能电网中的储能调度进行优化，抑制智能电网的不确定性，降低了智能电网的建设费用。
本发明实施例中还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现上述任意一项方法的步骤。
计算机设备中的处理器执行程序时实现上述任意一项方法的步骤，从而实现了减少供能成本和降低污染物，提升了多能源系统运行状况，防止不必要的故障发生；同时在对充放电模式优化的过程中，还对智能电网中的储能调度进行优化，抑制智能电网的不确定性，降低了智能电网的建设费用。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (8)
1.一种基于电动汽车接入的多能源系统协同调度方法，其特征在于，包括以下步骤：
根据电动汽车接入电网时间和离开电网时间的统计数据划分电动汽车集群；
根据各个所述电动汽车集群在对应时段接入、离开电网的概率密度和充电需求信息获取电动汽车集群化的日前调度模型；
根据所述日前调度模型构建多能源系统协同调度模型；其中，根据所述日前调度模型构建多能源系统协同调度模型的步骤包括：根据所述日前调度模型获取各个节点的电动汽车充放电功率；根据各个节点的所述电动汽车充放电功率和典型多能源系统模型建立所述多能源系统协同调度模型；
依据预设约束条件采用多群组均衡协同搜索算法，对所述多能源系统协同调度模型的目标函数进行求解，获得满足多能源系统供能成本和污染物排放最小的各个电动汽车集群在对应时段的最优充放电策略；所述预设约束条件包括：能源中心约束条件、电网潮流约束条件和天然气网潮流约束条件；其中，所述能源中心约束条件包括：
其中，Le,t，Lh,t和Lg,t分别为t时刻常规电负荷、热负荷和天然气负荷；Pg,t为能源中心t时刻输入的天然气功率；Pev,t为t时刻电动汽车的充放电功率之和；Ptrans,t、PCHP,t、Pbo,t、Pp2g,t、Ppump,t和Pgss,t分别为t时刻通往变压器、燃气轮机、燃气锅炉、电转气设备、热泵和储气设备的功率；ηe trans、ηe CHP、ηh CHP、ηev、ηp2g、ηpump和ηbo分别为变压器效率、燃气轮机发电效率、燃气轮机热效率、充电桩的充放电效率、电转气设备效率、热泵效率和燃气锅炉热效率；
根据所述最优充放电策略在对应时段对各个电动汽车集群进行充放电。
2.根据权利要求1所述的基于电动汽车接入的多能源系统协同调度方法，其特征在于，所述多能源系统协同调度模型的目标函数为：
其中，F1为多能源系统供能成本；F2为多能源系统污染物排放量；Ωelec为发电机组集合；Ωgas为天然气源集合；T为一个调度中期内包含的时段数，所述时段数为24小时；a、b和c为各发电机组或天然气气源成本系数；Pini,t为第i个火力发电机组或天然气源于t时刻的出力；污染物排放主要考虑火电机组产生的二氧化硫，u、v和w为污染物排放系数。
3.根据权利要求1或2所述的基于电动汽车接入的多能源系统协同调度方法，其特征在于，依据预设约束条件采用多群组均衡协同搜索算法，对所述多能源系统协同调度模型的目标函数进行求解，获得满足多能源系统供能成本和污染物排放最小的各个电动汽车集群在对应时段的最优充放电策略的步骤包括：
根据所述多能源系统协同调度模型的模型参数和所述预设约束条件确定初始化集群位置、搜索角度和精英库；
根据所述初始化集群位置获得每个目标函数值，采取空间搜索扫描策略和多目标协同学习搜索策略，对各个所述电动汽车集群和所述精英库进行更新；
判断在更新过程中是否达到最大迭代次数或结果是否收敛；
若是，则采用纳什均衡求得最优折中解，并输出各个所述电动汽车集群在对应时段的所述最优充放电策略。
4.根据权利要求1或2所述的基于电动汽车接入的多能源系统协同调度方法，其特征在于，所述充电需求信息包括各所述电动汽车集群的电动汽车数量、电动汽车的期望电量、电动汽车接入时的电量和电动汽车的电池容量。
5.一种基于电动汽车接入的多能源系统协同调度装置，其特征在于，包括：
电动汽车集群划分模块，用于根据电动汽车接入电网时间和离开电网时间的统计数据划分电动汽车集群；
日前调度模型获取模块，用于根据各个所述电动汽车集群在对应时段接入、离开电网的概率密度和充电需求信息获取电动汽车集群化的日前调度模型；
多能源系统协同调度模型获取模块，用于根据所述日前调度模型构建多能源系统协同调度模型；其中，根据所述日前调度模型构建多能源系统协同调度模型的步骤包括：根据所述日前调度模型获取各个节点的电动汽车充放电功率；根据各个节点的所述电动汽车充放电功率和典型多能源系统模型建立所述多能源系统协同调度模型；
最优充放电策略获取模块，用于依据预设约束条件采用多群组均衡协同搜索算法，对所述多能源系统协同调度模型的目标函数进行求解，获得满足多能源系统供能成本和污染物排放最小的各个电动汽车集群在对应时段的最优充放电策略；所述预设约束条件包括：能源中心约束条件、电网潮流约束条件和天然气网潮流约束条件；其中，所述能源中心约束条件包括：
其中，Le,t，Lh,t和Lg,t分别为t时刻常规电负荷、热负荷和天然气负荷；Pg,t为能源中心t时刻输入的天然气功率；Pev,t为t时刻电动汽车的充放电功率之和；Ptrans,t、PCHP,t、Pbo,t、Pp2g,t、Ppump,t和Pgss,t分别为t时刻通往变压器、燃气轮机、燃气锅炉、电转气设备、热泵和储气设备的功率；ηe trans、ηe CHP、ηh CHP、ηev、ηp2g、ηpump和ηbo分别为变压器效率、燃气轮机发电效率、燃气轮机热效率、充电桩的充放电效率、电转气设备效率、热泵效率和燃气锅炉热效率；
最优充放电策略实施模块，用于根据所述最优充放电策略在对应时段对各个电动汽车集群进行充放电。
6.根据权利要求5所述基于电动汽车接入的多能源系统协同调度装置，其特征在于，多能源系统协同调度模型的目标函数为：
其中，F1为多能源系统供能成本；F2为多能源系统污染物排放量；Ωelec为发电机组集合；Ωgas为天然气源集合；T为一个调度中期内包含的时段数，所述时段数为24小时；a、b和c为各发电机组或天然气气源成本系数；Pini,t为第i个火力发电机组或天然气源于t时刻的出力；污染物排放主要考虑火电机组产生的二氧化硫，u、v和w为污染物排放系数。
7.一种存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行权利要求1-4中任意一项所述方法的步骤。
8.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1-4中任意一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711243772.8A CN107769237B (zh) | 2017-11-30 | 2017-11-30 | 基于电动汽车接入的多能源系统协同调度方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711243772.8A CN107769237B (zh) | 2017-11-30 | 2017-11-30 | 基于电动汽车接入的多能源系统协同调度方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107769237A CN107769237A (zh) | 2018-03-06 |
| CN107769237B true CN107769237B (zh) | 2019-11-08 |
Family
ID=61277173
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711243772.8A Active CN107769237B (zh) | 2017-11-30 | 2017-11-30 | 基于电动汽车接入的多能源系统协同调度方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107769237B (zh) |
Families Citing this family (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108631344B (zh) * | 2018-03-27 | 2021-03-23 | 国网天津市电力公司 | 一种计及输电网运行约束的电动汽车有序充放电控制方法 |
| CN108536147B (zh) * | 2018-04-16 | 2023-01-13 | 姜鹏飞 | 一种基于区块链和智能合约的自动驾驶汽车控制方法及系统 |
| CN109484240B (zh) * | 2018-10-26 | 2022-05-31 | 国网山东省电力公司日照供电公司 | 一种基于分群控制的电动汽车集群实时充电优化方法 |
| CN109494809B (zh) * | 2019-01-07 | 2020-12-29 | 中国矿业大学(北京) | 包含电转气装置的电-气互联系统及运行方法 |
| CN109871482A (zh) * | 2019-01-15 | 2019-06-11 | 南京邮电大学 | 一种基于纳什均衡的群组教育资源推荐方法 |
| CN111382912B (zh) * | 2020-03-23 | 2022-04-22 | 华北电力大学 | 一种交通网层能量最优分配策略确定方法及系统 |
| CN113675866B (zh) * | 2020-05-15 | 2023-12-05 | 北京信息科技大学 | 一种规模化电动汽车的动态网格化金字塔调度方法 |
| CN111525569A (zh) * | 2020-06-10 | 2020-08-11 | 南方电网科学研究院有限责任公司 | 一种区域综合能源系统优化调度方法、系统及设备 |
| CN112467767B (zh) * | 2020-11-02 | 2023-06-09 | 国网内蒙古东部电力有限公司呼伦贝尔供电公司 | 综合能源系统环境下的电动汽车并网协同控制方法 |
| CN112874369B (zh) * | 2021-01-12 | 2022-08-05 | 上海追日电气有限公司 | 一种充电管理系统的充电与供能优化方法及装置 |
| CN113487207B (zh) * | 2021-07-16 | 2022-06-28 | 重庆大学 | 基于多智能体系统最优用户集群的多能源社区中的多目标能源管理系统 |
| CN113675834B (zh) * | 2021-08-19 | 2024-03-26 | 中国电子科技集团公司第十八研究所 | 一种集群化能源系统分布式协同控制方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104600729B (zh) * | 2014-08-19 | 2016-12-07 | 浙江工业大学 | 基于v2g技术的电动汽车参与经济调度优化控制方法 |
| CN105811409B (zh) * | 2016-04-28 | 2018-06-26 | 上海电力学院 | 一种含电动汽车混合储能系统的微网多目标运行调度方法 |
| CN106447152A (zh) * | 2016-06-21 | 2017-02-22 | 中国南方电网有限责任公司电网技术研究中心 | 基于能源中心的电‑气‑热系统协同调度方法和系统 |
-
2017
- 2017-11-30 CN CN201711243772.8A patent/CN107769237B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN107769237A (zh) | 2018-03-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107769237B (zh) | 基于电动汽车接入的多能源系统协同调度方法及装置 | |
| CN108599373B (zh) | 高比例可再生能源电力系统输配协调调度目标级联分析法 | |
| CN111881616B (zh) | 一种基于多主体博弈的综合能源系统的运行优化方法 | |
| Wang et al. | Balancing risk and cost in fuzzy economic dispatch including wind power penetration based on particle swarm optimization | |
| CN104362677B (zh) | 一种主动配电网优化配置结构及其配置方法 | |
| Kunya et al. | Review of economic dispatch in multi-area power system: State-of-the-art and future prospective | |
| CN109523060A (zh) | 高比例可再生能源在输配电网协同接入下的配比优化方法 | |
| Mahesh et al. | Optimal sizing of a grid-connected PV/wind/battery system using particle swarm optimization | |
| CN111682536B (zh) | 虚拟电厂参与日前双重市场的随机-鲁棒优化运行方法 | |
| CN104392394B (zh) | 一种微电网储能裕度的检测方法 | |
| Li et al. | Optimal planning of Electricity–Hydrogen hybrid energy storage system considering demand response in active distribution network | |
| CN104091207A (zh) | 考虑有害气体排放量的含风电场多目标机组组合优化方法 | |
| CN115423207A (zh) | 风储虚拟电厂在线调度方法和装置 | |
| CN117595392A (zh) | 计及光伏消纳与光储充配置的配电网联合优化方法及系统 | |
| CN114285093B (zh) | 一种源网荷储互动调度方法及系统 | |
| CN116307029A (zh) | 促进多虚拟网格间源储荷协调的双层优化调度方法及系统 | |
| CN117200225B (zh) | 考虑涵盖电动汽车集群的配电网优化调度方法及相关装置 | |
| Tong et al. | An intelligent scheduling control method for smart grid based on deep learning | |
| CN117791710A (zh) | 一种基于多目标优化模型的风光储容量配置优化方法 | |
| CN105354626A (zh) | 一种双层电力经济调度快速优化方法 | |
| El Bourakadi et al. | Multi-agent system based on the fuzzy control and extreme learning machine for intelligent management in hybrid energy system | |
| CN116937764A (zh) | 基于规划运行交互特性的供电系统应急保障电站配置方法 | |
| CN116882543A (zh) | 一种虚拟电厂源-荷协调优化调度方法 | |
| CN116073417A (zh) | 考虑综合性能的配电网源-网-荷-储联合规划方法 | |
| CN111668879B (zh) | 一种基于c-pso算法的高渗透率配电网调度模型及其计算方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20210615 Address after: 510700 3rd, 4th and 5th floors of building J1 and 3rd floor of building J3, No.11 Kexiang Road, Science City, Luogang District, Guangzhou City, Guangdong Province Patentee after: China South Power Grid International Co.,Ltd. Address before: 510663 3 building, 3, 4, 5 and J1 building, 11 building, No. 11, Ke Xiang Road, Luogang District Science City, Guangzhou, Guangdong. Patentee before: China South Power Grid International Co.,Ltd. Patentee before: POWER GRID TECHNOLOGY RESEARCH CENTER. CHINA SOUTHERN POWER GRID |
|
| TR01 | Transfer of patent right |