CN109754112B - 一种考虑配电网削峰填谷的光储充电塔随机优化调度方法 - Google Patents

一种考虑配电网削峰填谷的光储充电塔随机优化调度方法 Download PDF

Info

Publication number
CN109754112B
CN109754112B CN201811422608.8A CN201811422608A CN109754112B CN 109754112 B CN109754112 B CN 109754112B CN 201811422608 A CN201811422608 A CN 201811422608A CN 109754112 B CN109754112 B CN 109754112B
Authority
CN
China
Prior art keywords
power
charging
tower
time
ess
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
Application number
CN201811422608.8A
Other languages
English (en)
Other versions
CN109754112A (zh
Inventor
成乐祥
高昇宇
臧海祥
卫志农
柳志航
许洪华
谈康
王拓
徐峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
State Grid Jiangsu Electric Power Co Ltd
Hohai University HHU
Nanjing Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
State Grid Jiangsu Electric Power Co Ltd
Hohai University HHU
Nanjing Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, State Grid Jiangsu Electric Power Co Ltd, Hohai University HHU, Nanjing Power Supply Co of State Grid Jiangsu Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201811422608.8A priority Critical patent/CN109754112B/zh
Publication of CN109754112A publication Critical patent/CN109754112A/zh
Application granted granted Critical
Publication of CN109754112B publication Critical patent/CN109754112B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02T90/10—Technologies relating to charging of electric vehicles
    • Y02T90/12—Electric charging stations

Landscapes

  • Supply And Distribution Of Alternating Current (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本发明为一种考虑配电网削峰填谷的光储充电塔随机优化调度方法，步骤：1以该塔日运行成本最小和配电网削峰填谷为目标，建立该塔日前多目标优化调度模型；2采用该塔各时段购电量曲线方差最小来评估削峰填谷影响，通过经济折算系数，将多目标优化转化为单目标优化问题；3考虑该塔中光伏机组出力不确定性对日前调度影响，采用代表性场景描述，以该塔日前优化调度和代表性场景调整分别为第一、二阶段决策，日前调度成本与实时调整期望运行成本之和为目标，构建随机优化调度模型；4对实际光储充电塔测试，并对模型求解。本发明能有效获取光储充电塔参与配电网削峰填谷场景下概率最优调度策略，保证该塔经济高效可靠运行，实现区域配电网削峰填谷。

Description

一种考虑配电网削峰填谷的光储充电塔随机优化调度方法
技术领域
本发明属于电力系统优化调度技术领域，涉及一种考虑配电网削峰填谷的光储充电 塔随机优化调度方法。
背景技术
可再生能源和电动汽车因节能减排的优势受到各国关注与高度重视，将成为应对能 源短缺与环境污染问题的有效途径。随着电动汽车规模的不断增长，大力建设公共充电设施成为重中之重。将电动汽车充电设施、光伏系统、储能系统(energy storage system,ESS) 等融合形成的光储充电塔，为提高能源利用效率、提升系统灵活性以及降低运行成本提 供了巨大潜力。
光储充电塔作为未来公共充电站的重点发展方向，通过光伏系统、储能系统(ESS)、 电动汽车充电系统、供电系统等各个子系统间协调配合，能够实现更高的经济目标与效 率。同时，ESS、电动汽车V2G等技术可以在负荷低谷时段充电，高峰时段放电，以达 到“削峰填谷”、合理分配电能的效果，因此，制定合理的充电塔能量优化调度策略，有 利于充分发挥充电塔的经济性以及参与电网削峰填谷的能力，具有重要的现实意义。与 此同时，充电塔中光伏机组出力和塔用电负荷预测误差具有一定的不确定性，将对系统 能量调度产生影响。因此，如何在充电塔系统调度过程中有效处理系统中不确定性，从 而获取光储充电塔系统调度最优决策，并使得充电塔经济高效运行，这一问题值得深入 探究。
发明内容
本发明的目的在于，针对现有技术的不足，提出了一种考虑配电网削峰填谷的光储 充电塔随机优化调度方法，解决光储充电塔参与电网削峰填谷场景下随机优化调度问题， 能够保证充电塔经济高效与可靠运行，同时实现区域配电网的削峰填谷。
为实现上述发明目的，本发明提供了一种考虑配电网削峰填谷的光储充电塔随机优 化调度方法，包括以下步骤：
步骤1：以光储充电塔日运行成本最小和电网削峰填谷为目标，建立光储充电塔日前 多目标优化调度模型；
步骤2：在步骤1的基础上采用充电塔各时段购电量曲线方差最小来评估削峰填谷影 响，通过经济折算系数，将多目标优化转化为单目标优化问题；
步骤3：考虑充电塔光伏机组出力不确定性对日前调度影响，采用代表性场景描述不 确定性集合，以充电塔日前优化调度和实时场景调整分别为第一、二阶段决策，日前调度成本与实时调整期望运行成本之和为目标，构建两阶段随机优化调度模型；
步骤4：在步骤3的基础上，在实际光储充电塔系统中测试，并对模型进行求解；
进一步，所述步骤1包括以下步骤：
步骤101：考虑由充电设施、光伏发电系统、储能系统(energy storage system,ESS) 等融合形成的光储充电塔，出力取期望值时作为系统基准场景，所述光储充电塔日前多 目标优化调度模型中目标包括光储充电塔日运行成本最小和电网削峰填谷两部分。其中， 充电塔日运行成本F1包含系统购电成本、ESS放电成本、电动汽车放电损耗成本以及备用容量成本，可表示如下：
Figure BDA0001880840420000021
式中，T为充电塔日前调度周期；
Figure BDA0001880840420000022
为t时刻充电塔系统购电功率；λt p为t时刻充电塔系统购电电价；ces为ESS放电成本系数；
Figure BDA0001880840420000023
为t时刻ESS放电功率；cv2g为电动 汽车放电损耗成本系数；
Figure BDA0001880840420000024
为t时刻第v辆电动汽车放电功率
Figure BDA0001880840420000025
为电动汽车放电 效率；ev为第v辆电动汽车单位行驶距离消耗的功率；
Figure BDA0001880840420000026
为t时刻第v辆电动汽车的行 驶距离；nv2g为参与电动汽车入网(vehicle to grid,V2G)方式的电动汽车数量；Cgr、CV2G、 CESS分别为系统购电量、电动汽车、ESS的备用成本系数；
Figure BDA0001880840420000027
分别为t时刻系统 购电量、ESS提供的备用容量；
Figure BDA0001880840420000028
为t时刻第v辆电动汽车V2G提供的备用容量；上 标U、D分别表示对应上、下备用；下标0表示基准场景；
步骤102：所述光储充电塔日前多目标优化调度模型中包括充电塔向配电网购电约 束、ESS约束、电动汽车约束和充电塔系统功率平衡约束；
(1)充电塔向配电网购电约束：
Figure BDA0001880840420000029
Figure BDA00018808404200000210
式中，
Figure BDA0001880840420000031
为充电塔最大购电功率；布尔变量
Figure BDA0001880840420000032
表示t时刻是否处于购电状态，是则为1，否则为0；
(2)ESS约束：
Figure BDA0001880840420000033
Figure BDA0001880840420000034
Figure BDA0001880840420000035
Figure BDA0001880840420000036
Figure BDA0001880840420000037
Figure BDA0001880840420000038
Figure BDA0001880840420000039
Figure BDA00018808404200000310
式中，
Figure BDA00018808404200000311
为t时刻ESS充电功率；
Figure BDA00018808404200000312
分别为ESS最大充、放电功率； 布尔变量
Figure BDA00018808404200000313
分别表示t时刻ESS是否处于充、放电状态，是则为1，否则为0；
Figure BDA00018808404200000314
为t时刻ESS的荷电状态值；
Figure BDA00018808404200000315
分别为ESS容量及荷电状态值上、 下限；D、
Figure BDA00018808404200000316
分别为ESS最大放电深度及始、末荷电状态值；δESS、
Figure BDA00018808404200000317
分别为ESS自损耗率及充、放电效率；Δt为系统调度时间段持续时间；
(3)电动汽车约束：
Figure BDA00018808404200000318
Figure BDA00018808404200000319
Figure BDA00018808404200000320
Figure BDA00018808404200000321
Figure BDA00018808404200000322
Figure BDA00018808404200000323
Figure BDA0001880840420000041
Figure BDA0001880840420000042
式中，
Figure BDA0001880840420000043
分别为t时刻第v辆电动汽车充、放电功率；
Figure BDA0001880840420000044
分别为t时刻第v辆电动汽车最大充、放电功率；布尔变量
Figure BDA0001880840420000045
分别为t时刻第v 辆电动汽车是否处于充、放电状态，是则为1，否则为0；布尔变量
Figure BDA0001880840420000046
表示t时刻第v 辆电动汽车是否处于并网状态，是则为1，否则为0；
Figure BDA0001880840420000047
为t时刻第v辆电动汽车的荷 电状态值；
Figure BDA0001880840420000048
分别为第v辆电动汽车容量及荷电状态值上、下限；
Figure BDA0001880840420000049
Figure BDA00018808404200000410
分别为t时刻第v辆电动汽车最大放电深度及始、末荷电状态值；
Figure BDA00018808404200000411
分别 为第v辆电动汽车充、放电效率；
(4)光伏出力约束：
Figure BDA00018808404200000412
式中，
Figure BDA00018808404200000413
为t时刻光伏出力实际值；
Figure BDA00018808404200000414
为t时刻光伏出力最大值；
(5)充电塔系统功率平衡约束：
Figure BDA00018808404200000415
Figure BDA00018808404200000416
式中，
Figure BDA00018808404200000417
为t时刻电动汽车净充电功率；Pt EV,f为t时刻电动汽车固定充电功率；Pt load为t时刻塔用电负荷；
(5)系统备用容量约束：
Figure BDA00018808404200000418
式中，
Figure BDA00018808404200000419
分别为t时刻光储充系统需提供的上、下备用总容量最小值。
进一步，所述步骤2包括以下步骤：
步骤201：采用充电塔各时段购电量曲线方差F2最小来评估削峰填谷影响，可表示如下：
Figure RE-GDA0001965819740000051
式中，
Figure BDA0001880840420000052
为充电塔各时段购电功率平均值；
步骤202：所述光储充电塔日前多目标优化调度模型中存在多个目标函数，且目标量 纲不同，引入经济折算系数，将削峰填谷目标投影到经济性维度，从而将多目标优化转化为单目标优化问题，目标函数如下：
min.F＝F1+λF2 (25)
式中，λ为削峰填谷目标的经济折算系数。
进一步，所述步骤3包括以下步骤：
步骤301：考虑充电塔光伏机组出力不确定性对日前调度影响，采用代表性场景描述 不确定性集合，以充电塔日前优化调度和实时场景调整分别为第一、二阶段决策，日前调度成本与实时调整期望运行成本之和为目标，建立两阶段随机优化调度模型，所述模 型的目标函数可表示如下：
Figure BDA0001880840420000053
式中，I、II分别为充电塔日前调度成本、实时调整成本；Ns表示所有可能发生的场景数量；ρs为场景s的概率；
Figure BDA0001880840420000054
分别为t时刻场景s下购电、ESS实时调整功 率，上标U、D表示上调整及下调整；
Figure BDA0001880840420000055
分别为t时刻场景s下第v辆电动 汽车实时调整功率；
步骤302：所述两阶段随机优化调度模型中第一阶段日前优化调度约束条件与步骤 102相同；
步骤303：所述两阶段随机优化调度模型中第二阶段实时调整约束条件包括各子系统 实时调整约束以及日前与实时阶段耦合约束：
Figure BDA0001880840420000056
Figure BDA0001880840420000057
Figure BDA0001880840420000058
Figure BDA0001880840420000061
Figure BDA0001880840420000062
Figure BDA0001880840420000063
Figure BDA0001880840420000064
Figure BDA0001880840420000065
Figure BDA0001880840420000066
Figure BDA0001880840420000067
Figure BDA0001880840420000068
Figure BDA0001880840420000069
Figure BDA00018808404200000610
Figure BDA00018808404200000611
Figure BDA00018808404200000612
式中，
Figure BDA00018808404200000613
分别为t时刻场景s下购电、ESS充电、ESS放电功率；
Figure BDA00018808404200000614
Figure BDA00018808404200000615
分别为t时刻场景s下第v辆电动汽车的充、放电功率；
Figure BDA00018808404200000616
为t时刻场景s下ESS 荷电状态；
Figure BDA00018808404200000617
为t时刻场景s下第v辆电动汽车荷电状态；
Figure BDA00018808404200000618
分别为t时刻场 景s下光伏出力预测值和实际出力值；
Figure BDA00018808404200000619
为t时刻场景s下EV净充电功率；
步骤304：在步骤303的基础上，调用GAMS软件中的CPLEX求解器对光储充电 塔两阶段随机优化调度模型进行求解；
进一步，所述步骤4为在步骤3的基础上，在实际光储充电塔系统中进行测试，获取光储充电塔参与电网削峰填谷场景下的概率最优调度策略。
本发明以光储充电塔日运行成本最小和配电网削峰填谷为目标，建立光储充电塔日 前多目标优化调度模型；然后，采用光储充电塔各时段购电量曲线方差最小来评估削峰填谷影响，通过经济折算系数，将多目标优化转化为单目标优化问题；接着，考虑光储 充电塔光伏机组出力不确定性对日前调度影响，采用代表性场景描述不确定性集合，以 充电塔日前优化调度和实时场景调整分别为第一、二阶段决策，日前调度成本与实时调 整期望运行成本之和为目标，构建两阶段随机优化调度模型；最后，在实际光储充电塔 系统中测试，并对模型进行求解。
本发明可以有效获取光储充电塔参与配电网削峰填谷场景下概率最优调度策略，保 证光储充电塔经济高效与可靠运行，同时实现区域配电网的削峰填谷。
本发明的有益效果：与现有电动汽车充电站优化调度方法相比，本发明具有如下优 点和技术效果：
(1)采用光储充电塔各时段购电量曲线方差最小来评估电网削峰填谷影响，并通过 经济折算系数，将多目标转化为单目标优化，从而实现区域配电网的削峰填谷。
(2)能够有效计及光伏机组出力不确定性对光储充电塔调度决策的影响。
(3)通过光储充电塔各个子系统间能量协调调度，能够获取概率最优调度策略，实现能量在各个子系统之间的合理分配，保证光储充电塔经济高效可靠运行。
附图说明
图1为本发明考虑配电网削峰填谷的光储充电塔两阶段随机优化调度求解流程图。
图2为本发明实施例经随机模拟生成的光储充电塔各时段负荷预测值。
图3为本发明实施例经随机模拟生成的光储充电塔各时段光伏出力预测值。
图4为本发明实施例的光储充电塔概率最优调度结果图。
具体实施方式
以下结合附图和实施例对本发明的实施作进一步说明。
本实施例所构建光储充电塔系统的子系统包括有，光伏发电系统、电池储能系统、电动汽车交流充电桩和直流充电机。配电网将电能提供给光储充电塔，配电网与光储充 电塔之间还进行能量交互。本实施例光储充电塔系统各部分参数如下，在光储充电塔的 塔顶安装了峰值总功率为200kWp的光伏发电系统，塔内配置电池总容量为3000kWh的 储能系统，同时配有7kW交流充电桩150个，40kW直流充电机160个，能够满足电动 汽车充电需求。
本实施例光储充电塔系统主要设备参数如表1所示。充电塔购电电价采用江苏省工 业用户峰谷分时电价，峰时段8:00-12:00，17:00-21:00为1.2678元/kWh，平时段 12:00-17:00，21:00-24:00为0.7606元/kWh，谷时段0:00-8:00为0.3536元/kWh。
表1系统主要设备参数
Figure BDA0001880840420000081
选取纯电动汽车为对象，每辆电动汽车电池型号相同，单位行驶距离消耗的功率为 0.25kWh/km，电动汽车离网、并网时刻以及行驶距离数据直接由蒙特卡罗模拟随机生成。 电动汽车固定充电功率如表2所示：
表2光储充电塔电动汽车固定充电功率数据
Figure BDA0001880840420000082
为获取本实施例光储充电塔的概率优化调度策略，按照附图1所示光储充电塔两阶 段随机优化调度求解流程图的步骤方法，逐步计算求解。
通过随机模拟生成本实施例光储充电塔的用电负荷曲线图(如图2所示)和光伏出力预测曲线图(如图3所示)，同时考虑光伏出力预测服从以预测值为期望，20％预测值 为其标准差的正态分布，采用蒙特卡罗模拟法生成20组光伏出力代表性场景。系统调度 总时段T为24，每1h为时间步长，所得光储充电塔概率最优调度策略如图4所示。
由图4可知，考虑光储充电塔参与削峰填谷场景的两阶段随机优化调度能够改善光 储充电塔系统从配电网所购电量的波动程度。其中，经济折算系数λ的引入实质上是对配电网调峰进行权重处理，当取值为0时，表明光储充电塔仅考虑日运行经济成本进行 调度。
此外，可以得知，通过求解光储充电塔两阶段随机优化调度模型，能够有效获取光储充电塔的概率最优调度策略，协调各个子系统，并且能够合理分配电能，即使光储充 电塔内部系统与配电网进行能量交互，储能系统能够低电价充电，高电价时段放电，并 通过光伏机组、储能系统、电动汽车、配电网之间的优化调度，能够使配电网提供的电 能比较平稳，而不至于在不同时段间相差较大，达到了配电网削峰填谷的技术效果。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神 和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。

Claims (5)

1.一种考虑配电网削峰填谷的光储充电塔随机优化调度方法，其特征在于：包括以下步骤，
步骤1、以光储充电塔日运行成本最小和配电网削峰填谷为目标，建立光储充电塔日前多目标优化调度模型；
步骤2、在步骤1的基础上采用光储充电塔各时段购电量曲线方差最小来评估削峰填谷影响，通过经济折算系数，将多目标优化转化为单目标优化问题；
步骤3、考虑光储充电塔光伏机组出力不确定性对日前调度影响，采用代表性场景描述不确定性集合，以充电塔日前优化调度和代表性场景调整分别为第一、二阶段决策，日前调度成本与实时调整期望运行成本之和为目标，构建两阶段随机优化调度模型；
步骤4、在步骤3的基础上，在实际光储充电塔系统中测试，并对模型进行求解。
2.根据权利要求1所述的一种考虑配电网削峰填谷的光储充电塔随机优化调度方法，其特征在于：所述步骤1包括以下步骤：
步骤101、考虑由电动汽车充电桩、光伏发电系统、储能系统(energy storage system,ESS)等融合形成的光储充电塔系统，出力取期望值时作为该系统基准场景，所述光储充电塔系统日前多目标优化调度模型中目标包括光储充电塔日运行成本最小和配电网削峰填谷两部分，其中，光储充电塔日运行成本F1包含光储充电塔系统购电成本、ESS放电成本、电动汽车放电损耗成本以及备用容量成本，可表示如下：
Figure FDA0001880840410000011
式中，T为充电塔日前调度周期；
Figure FDA0001880840410000012
为t时刻充电塔系统购电功率；
Figure FDA0001880840410000013
为t时刻充电塔系统购电电价；ces为ESS放电成本系数；
Figure FDA0001880840410000014
为t时刻ESS放电功率；cv2g为电动汽车放电损耗成本系数；
Figure FDA0001880840410000015
为t时刻第v辆电动汽车放电功率；
Figure FDA0001880840410000016
为电动汽车放电效率；ev为第v辆电动汽车单位行驶距离消耗的功率；
Figure FDA0001880840410000017
为t时刻第v辆电动汽车的行驶距离；nv2g为参与电动汽车入网(vehicle to grid,V2G)方式的电动汽车数量；Cgr、CV2G、CESS分别为系统购电量、电动汽车、ESS的备用成本系数；
Figure FDA0001880840410000018
分别为t时刻系统购电量、ESS提供的备用容量；
Figure FDA0001880840410000019
为t时刻第v辆电动汽车V2G提供的备用容量；上标U、D分别表示对应上、下备用；下标0表示基准场景；
步骤102、所述光储充电塔日前多目标优化调度模型中包括光储充电塔向配电网购电约束、ESS约束、电动汽车约束、光伏出力约束、光储充电塔系统功率平衡约束、光储充电塔系统备用容量约束，
(1)光储充电塔向配电网购电约束：
Figure FDA0001880840410000021
Figure FDA0001880840410000022
式中，
Figure FDA0001880840410000023
为充电塔最大购电功率；布尔变量
Figure FDA0001880840410000024
表示t时刻是否处于购电状态，是则为1，否则为0；
(2)ESS约束：
Figure FDA0001880840410000025
Figure FDA0001880840410000026
Figure FDA0001880840410000027
Figure FDA0001880840410000028
Figure FDA0001880840410000029
Figure FDA00018808404100000210
Figure FDA00018808404100000211
Figure FDA00018808404100000212
式中，
Figure FDA00018808404100000213
为t时刻ESS充电功率；
Figure FDA00018808404100000214
分别为ESS最大充、放电功率；布尔变量
Figure FDA00018808404100000215
分别表示t时刻ESS是否处于充、放电状态，是则为1，否则为0；
Figure FDA00018808404100000216
为t时刻ESS的荷电状态值；
Figure FDA00018808404100000217
分别为ESS容量及荷电状态值上、下限；D、
Figure FDA00018808404100000218
分别为ESS最大放电深度及始、末荷电状态值；δESS、
Figure FDA00018808404100000219
分别为ESS自损耗率及充、放电效率；Δt为系统调度时间段持续时间；
(3)电动汽车约束：
Figure FDA00018808404100000220
Figure FDA0001880840410000031
Figure FDA0001880840410000032
Figure FDA0001880840410000033
Figure FDA0001880840410000034
Figure FDA0001880840410000035
Figure FDA0001880840410000036
Figure FDA0001880840410000037
式中，
Figure FDA0001880840410000038
分别为t时刻第v辆电动汽车充、放电功率；
Figure FDA0001880840410000039
分别为t时刻第v辆电动汽车最大充、放电功率；布尔变量
Figure FDA00018808404100000310
分别为t时刻第v辆电动汽车是否处于充、放电状态，是则为1，否则为0；布尔变量
Figure FDA00018808404100000311
表示t时刻第v辆电动汽车是否处于并网状态，是则为1，否则为0；
Figure FDA00018808404100000312
为t时刻第v辆电动汽车的荷电状态值；
Figure FDA00018808404100000313
分别为第v辆电动汽车容量及荷电状态值上、下限；
Figure FDA00018808404100000314
Figure FDA00018808404100000315
分别为t时刻第v辆电动汽车最大放电深度及始、末荷电状态值；
Figure FDA00018808404100000316
分别为第v辆电动汽车充、放电效率；
(4)光伏出力约束：
Figure FDA00018808404100000317
式中，
Figure FDA00018808404100000318
为t时刻光伏出力实际值；
Figure FDA00018808404100000319
为t时刻光伏出力最大值；
(5)充电塔系统功率平衡约束：
Figure FDA00018808404100000320
Figure FDA00018808404100000321
式中，
Figure FDA00018808404100000322
为t时刻电动汽车净充电功率；Pt EV,f为t时刻电动汽车固定充电功率；Pt load为t时刻塔用电负荷；
(6)系统备用容量约束：
Figure FDA0001880840410000041
式中，
Figure FDA0001880840410000042
分别为t时刻光储充电塔系统需提供的上、下备用总容量最小值。
3.根据权利要求1所述的一种考虑配电网削峰填谷的光储充电塔随机优化调度方法，其特征在于：所述步骤2包括以下步骤，
步骤201、采用光储充电塔各时段购电量曲线方差F2最小来评估削峰填谷影响，可表示如下：
Figure FDA0001880840410000043
式中，
Figure FDA0001880840410000044
为光储充电塔各时段购电功率平均值；
步骤202、所述光储充电塔日前多目标优化调度模型中存在多个目标函数，且目标量纲不同，引入经济折算系数，将削峰填谷目标投影到经济性维度，从而将多目标优化转化为单目标优化问题，目标函数如下：
min. F＝F1+λF2 (25)
式中，λ为削峰填谷目标的经济折算系数。
4.根据权利要求1所述的一种考虑配电网削峰填谷的光储充电塔随机优化调度方法，其特征在于：所述步骤3包括以下步骤，
步骤301、考虑光储充电塔光伏机组出力不确定性对日前调度影响，采用代表性场景描述不确定性集合，以光储充电塔日前优化调度和代表性场景调整分别为第一、二阶段决策，日前调度成本与实时调整期望运行成本之和为目标，建立对应于第一、第二阶段决策的两阶段随机优化调度模型，所述模型的目标函数可表示如下：
Figure FDA0001880840410000045
式中，I、II分别为充电塔日前调度成本、实时调整成本；Ns表示所有可能发生的场景数量；ρs为场景s的概率；
Figure FDA0001880840410000046
分别为t时刻场景s下购电、ESS实时调整功率，上标U、D表示上调整及下调整；
Figure FDA0001880840410000051
分别为t时刻场景s下第v辆电动汽车实时调整功率；
步骤302、所述两阶段随机优化调度模型中第一阶段日前优化调度约束条件与步骤102相同；
步骤303、所述两阶段随机优化调度模型中第二阶段实时调整约束条件包括实时调整约束以及日前与实时阶段耦合约束：
Figure FDA0001880840410000052
Figure FDA0001880840410000053
Figure FDA0001880840410000054
Figure FDA0001880840410000055
Figure FDA0001880840410000056
Figure FDA0001880840410000057
Figure FDA0001880840410000058
Figure FDA0001880840410000059
Figure FDA00018808404100000510
Figure FDA00018808404100000511
Figure FDA00018808404100000512
Figure FDA00018808404100000513
Figure FDA00018808404100000514
Figure FDA00018808404100000515
Figure FDA00018808404100000516
式中，
Figure FDA00018808404100000517
分别为t时刻场景s下购电、ESS充电、ESS放电功率；
Figure FDA00018808404100000518
Figure FDA00018808404100000519
分别为t时刻场景s下第v辆电动汽车的充、放电功率；
Figure FDA00018808404100000520
为t时刻场景s下ESS荷电状态；
Figure FDA00018808404100000521
为t时刻场景s下第v辆电动汽车荷电状态；
Figure FDA00018808404100000522
分别为t时刻场景s下光伏出力预测值和实际出力值；
Figure FDA0001880840410000061
为t时刻场景s下EV净充电功率；
步骤304、在步骤303的基础上，调用代数建模系统(GAMS)软件中的CPLEX求解器对光储充电塔两阶段随机优化调度模型进行求解。
5.根据权利要求1所述的一种考虑配电网削峰填谷的光储充电塔随机优化调度方法，其特征在于：所述步骤4在实际光储充电塔系统中进行测试是指构建某一光储充电塔系统，采用步骤3的模型和方法进行求解，获取光储充电塔参与配电网削峰填谷场景下的概率最优调度策略。
CN201811422608.8A 2018-11-27 2018-11-27 一种考虑配电网削峰填谷的光储充电塔随机优化调度方法 Active CN109754112B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811422608.8A CN109754112B (zh) 2018-11-27 2018-11-27 一种考虑配电网削峰填谷的光储充电塔随机优化调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811422608.8A CN109754112B (zh) 2018-11-27 2018-11-27 一种考虑配电网削峰填谷的光储充电塔随机优化调度方法

Publications (2)

Publication Number Publication Date
CN109754112A CN109754112A (zh) 2019-05-14
CN109754112B true CN109754112B (zh) 2022-08-23

Family

ID=66403402

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811422608.8A Active CN109754112B (zh) 2018-11-27 2018-11-27 一种考虑配电网削峰填谷的光储充电塔随机优化调度方法

Country Status (1)

Country Link
CN (1) CN109754112B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110690719B (zh) * 2019-09-18 2021-03-30 国网重庆市电力公司电力科学研究院 一种微电网电池储能配置方法及可读存储介质
CN110766240B (zh) * 2019-11-19 2022-11-01 南京工程学院 一种不同场景下的快速充电站分层储能配置方法
CN111049161A (zh) * 2020-01-03 2020-04-21 浙江大学台州研究院 一种储能多场景应用协同控制方法
CN111431198B (zh) * 2020-03-20 2022-07-01 东南大学 峰谷电价下考虑电动汽车v2g能力的配电网储能调峰方法
CN111428946B (zh) * 2020-04-28 2022-07-01 三峡大学 一种充储电站供给侧分散式优化调度方法
CN111768638A (zh) * 2020-05-25 2020-10-13 同济大学 一种单点信号交叉口的车道分配方法
CN111783359B (zh) * 2020-07-02 2023-11-03 重庆大学 考虑换电经济性与电网削峰填谷的电池调度优化方法
CN112668874B (zh) * 2020-12-25 2022-08-26 天津大学 一种参与电网调峰调频的电动汽车集群充电协同调度方法
CN112993985A (zh) * 2021-03-01 2021-06-18 西安交通大学 一种考虑不确定性的微电网多目标规划方法
CN113962438A (zh) * 2021-09-23 2022-01-21 南京邮电大学 一种冷热电混合能源联合优化系统及方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107979111A (zh) * 2017-07-21 2018-05-01 天津大学 一种基于两阶段鲁棒优化的微电网能量管理方法
US10734811B2 (en) * 2017-11-27 2020-08-04 Ihi Inc. System and method for optimal control of energy storage system
CN108090277A (zh) * 2017-12-15 2018-05-29 燕山大学 一种考虑满意度和调度能力的电动汽车微网双层优化调度方法
CN108229025B (zh) * 2018-01-04 2021-04-06 东南大学 一种冷热电联供型多微网主动配电系统经济优化调度方法

Also Published As

Publication number Publication date
CN109754112A (zh) 2019-05-14

Similar Documents

Publication Publication Date Title
CN109754112B (zh) 一种考虑配电网削峰填谷的光储充电塔随机优化调度方法
Lu et al. Multi-objective optimal load dispatch of microgrid with stochastic access of electric vehicles
Hou et al. Multi-objective economic dispatch of a microgrid considering electric vehicle and transferable load
Sadeghi et al. Optimal sizing of hybrid renewable energy systems in presence of electric vehicles using multi-objective particle swarm optimization
Mohammadkhani et al. Energy and emission management of CCHPs with electric and thermal energy storage and electric vehicle
Nikmehr et al. Reliability evaluation of multi-microgrids considering optimal operation of small scale energy zones under load-generation uncertainties
AbuElrub et al. Microgrid integrated electric vehicle charging algorithm with photovoltaic generation
Erol-Kantarci et al. Prediction-based charging of PHEVs from the smart grid with dynamic pricing
CN103840457B (zh) 考虑电动汽车充放电影响的配电网内dg优化配置方法
CN109948823B (zh) 一种光储充电塔自适应鲁棒日前优化调度方法
Li et al. An optimal design and analysis of a hybrid power charging station for electric vehicles considering uncertainties
CN107508284B (zh) 计及电气互联的微电网分布式优化调度方法
Yu et al. A real time energy management for EV charging station integrated with local generations and energy storage system
CN111626527B (zh) 计及可调度电动汽车快/慢充放电形式的智能电网深度学习调度方法
Guo et al. Efficient integration of demand response and plug-in electrical vehicle in microgrid: Environmental and economic assessment
CN113326467B (zh) 基于多重不确定性的多站融合综合能源系统多目标优化方法、存储介质及优化系统
Khezri et al. Impact of optimal sizing of wind turbine and battery energy storage for a grid-connected household with/without an electric vehicle
Yu et al. The impact of charging battery electric vehicles on the load profile in the presence of renewable energy
Ma et al. Real-time plug-in electric vehicles charging control for V2G frequency regulation
CN115239032B (zh) 计及能源自洽率的高速公路服务区微电网规划方法及系统
Wang et al. Optimal energy management for Microgrid with stationary and mobile storages
Zhang et al. Optimal economic programming of an energy hub in the power system while taking into account the uncertainty of renewable resources, risk-taking and electric vehicles using a developed routing method
Huang et al. V2G optimal scheduling of multiple EV aggregator based on TOU electricity price
Makeen et al. Smart techno-economic operation of electric vehicle charging station in Egypt
Zhong et al. Energy cost minimization through optimization of EV, home and workplace battery storage

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