CN109861208A - 一种基于两阶段预处理策略的电动汽车并网优化调度方法 - Google Patents
一种基于两阶段预处理策略的电动汽车并网优化调度方法 Download PDFInfo
- Publication number
- CN109861208A CN109861208A CN201910012487.8A CN201910012487A CN109861208A CN 109861208 A CN109861208 A CN 109861208A CN 201910012487 A CN201910012487 A CN 201910012487A CN 109861208 A CN109861208 A CN 109861208A
- Authority
- CN
- China
- Prior art keywords
- unit
- node
- period
- electric car
- idle
- 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.)
- Granted
Links
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于两阶段预处理策略的电动汽车并网优化调度方法:S1、获取电网模型和实时数据;S2、建立两阶段电动汽车充放电优化调度模型;S3对第一阶段模型进行预处理;S4、采用权重自适应粒子群算法计算第一阶段模型的有功出力和机组组合;S5、将第一阶段模型的输出作为第二阶段模型的输入;S6、考虑网络安全约束情况下配网层各节点最优负担的充放电电动汽车数量;S7、判断相应节点电压是否越限;S8、计算节点无功变化对电压的灵敏度并增加网络安全约束条件;S9、优化调度结束。本发明能够实现削峰填谷,减少大规模电动汽车接入电网带来的安全和经济的危害,降低发电机组发电成本,减小配电网网损。
Description
技术领域
本发明涉及一种基于两阶段预处理策略的电动汽车并网优化调度方法,属于电力系统控制技术。
背景技术
在当今能源危机和环境污染问题愈发严重的情况下,电动汽车迎来了自身发展的重大契机,世界各主要国家相继出台实施了多项政策措施支持电动汽车的研究和推动新能源汽车产业的发展,至今已经取得了一定的成果。但由于大规模无序充放电的电动汽车并网会给电网带来巨大的安全性和经济性威胁,因此研究电动汽车有序充放电和优化经济调度是当前一大难点。
发明内容
发明目的:为了克服现有技术中存在的不足,本发明提供一种基于两阶段预处理策略的电动汽车并网优化调度方法,能够实现在大规模电动汽车接入电网时降低输电层发电成本,降低配网网损,保证设备控制效果。
技术方案:为实现上述目的,本发明采用的技术方案为:
一种基于两阶段预处理策略的电动汽车并网优化调度方法,包括如下步骤:
S1、获取电网模型和实时数据;
S2、建立两阶段电动汽车充放电优化调度模型,其中第一阶段模型以输电层发电成本最低为目标,第二阶段模型以配电层网损最低为目标;
S3、对第一阶段模型进行预处理以提高求解效率;
S4、采用权重自适应粒子群算法计算经预处理后的第一阶段模型的有功出力和机组组合;
S5、将第一阶段模型的输出作为第二阶段模型的输入,并对配网层各节点进行预处理以减少计算量;
S6、考虑网络安全约束情况下配网层各节点最优负担的充放电电动汽车数量;
S7、在最优负担的充放电电动汽车数量情况下,判断相应节点电压是否越限:若没有越限则满足网络安全约束,转入步骤S9;否则转入步骤S8;
S8、计算节点无功变化对电压的灵敏度并增加网络安全约束条件,转步骤S6;
S9、优化调度结束。
优选的,所述步骤S3中,对第一阶段模型进行预处理,包括:①将直流潮流约束作为第一阶段模型的一个约束条件;②初始化第一阶段模型的对象,形成权重自适应粒子群算法的初始种群,并对初始种群进行预处理;③初始化机组的开停机状态,使得机组满足机组启停约束条件;④初始化机组爬坡效率,使得机组满足机组爬坡约束条件。
优选的,在刚开始的状态下,各个机组的启停状况是随机产生的,极有可能不能满足机组启停的约束条件,因此先计算各个机组在t时段的启停情况,即机组i在t时段内的连续运行时间和连续停运时间之后按设置的条件进行调整,来对开停机时间进行预处理。
优选的,所述步骤S5中,对配网层各节点进行预处理,具体包括如下步骤:
S51、获取配网层各节点的潮流数据;
S52、建立配电网层的有功网损模型;
S53、求出负荷节点的无功变化对有功网损模型的灵敏度值;
S54、对所有节点的灵敏度进行计算和排序;
S55、设定阀值δ,去除灵敏度高于阀值δ的节点;
S56、统计保留的节点,即得到优化后的节点数量,完成配网层各节点的预处理。
本发明的模型预处理包括初始种群生成以及预处理,开停机预处理,机组爬坡约束预处理;节点优化预处理利用节点无功变化对有功网损的灵敏度进行筛选,根据不同情况下去除不同数量的节点,加快运算速率,减少计算时间。判别节点电压越限,若不越限则运算结束,若节点电压越限,则增加相关约束并重新进行计算,得出新的节点最优电动汽车充放电数量;两阶段目标函数建立包括:输电层发电及环境成本模型和配电层网损模型。求解算法为权重自适应的粒子群算法。
本发明从调度的实际应用出发,通过考虑大规模电动汽车并网时的波动性,建立以发电成本最小为目标,计算得到机组最优组合方式以及对应出力,同时建立以配电网网损最小为目标的模型,在满足第一阶段计算结果并符合安全约束条件下使得网损最低。通过在模型中加入直流潮流约束和预处理策略,更好的保证了计算的收敛性,提高了模型的求解效率。本发明能较好的处理大规模电动汽车并网带来的不确定性问题,并在两阶段模型的求解上采用了新的预处理策略,提高模型整体的求解效率的同时也保证了电网优化调度的安全性和经济性。
有益效果:本发明提供的基于两阶段预处理策略的电动汽车并网优化调度方法,能够实现在大规模电动汽车接入电网时降低输电层发电成本,降低配网网损,保证设备控制效果;通过对第一阶段采用权重自适应粒子群算法求得成本最优的机组组合,利用增加直流潮流约束提高模型求解效率,并在配网层考虑安全约束前提下,采用节点预处理策略,进一步缩减解空间范围,提高整体求解效率,最终得到各节点最优充放电电动汽车数量,能够有效解决大规模电动汽车接入电网带来的经济和安全问题。
附图说明
图1为本发明的总体流程图;
图2为本发明中对第一阶段模型进行预处理的策略图;
图3为预处理过程中的机组爬坡约束预处理的流程图;
图4为预处理过程中的开停机预处理的流程图;
图5为本发明中的对配网层各节点进行预处理的流程图;
图6为权重惯性曲线。
具体实施方式
下面结合附图对本发明作更进一步的说明。
一种基于两阶段预处理策略的电动汽车并网优化调度方法,包括如下步骤:
S1、获取电网模型和实时数据。
S2、建立两阶段电动汽车充放电优化调度模型,其中第一阶段模型以输电层发电成本最低为目标,第二阶段模型以配电层网损最低为目标。
第一阶段模型和第二阶段模型为:
第一阶段模型的目标函数为:
第一阶段模型的约束条件为:
其中:为机组发电总成本,为机组i在t时段内的有功出力(决策变量),Sci,t为机组i在t时段内的启停成本,Ii,t为机组i在t时段内的启停状态,Ii,t=1表示机组i在t时段处于启动状态,Ii,t=0表示机组i在t时段处于停机状态,为机组i在t时段内的发电成本函数,G为可启停的机组总数,T为研究周期内的总时段数;
E为系统环境排放上限值,为PM2.5排放量;
Ai、Bi、Ci、αi和γi为影响机组i排放量的系统参数;
Pd为电动汽车平均放电功率,Nd(t)为t时段内研究区域进行放电的总的电动汽车的数量,Pc为电动汽车平均充电功率,Nc(t)为t时段内研究区域进行充电的总的电动汽车的数量,Nw为研究系统中风电场的总数目,为风电场w在t时段的风电预测量,Dt为t时段内系统总负荷,Pt loss为研究系统在t时段内的系统网损,Pi max,t为机组i在t时段内允许的有功出力最大值,α为备用对需求的系数,一般情况取值在0.05~0.1范围内;
Pi min,t为机组i在t时段内允许的有功出力最小值;
Pw min,t和Pw max,t为t时段内风电场w出力的最小值和最大值;
Qi t为机组i在t时段内的无功出力,Qi min,t和Qi max,t机组i在t时段内的无功出力的最小值和最大值;
ΔPUi min和ΔPUi max为机组i在启动过程中功率变换的最小值和最大值;
ΔPDi min和ΔPDi max为机组i在停机过程中功率变换的最小值和最大值;
Tt-1 io和Tt-1 if为机组i在t时段前处于运行和停机状态的时间,Tmin io和Tmin if为机组i的最小允许运行时间和最小运行停机时间;
第二阶段模型的目标函数为:
第二阶段模型的约束条件为:
其中:Ploss,t为t时段内系统的网损值,Vi和Vj为节点i和j的节点电压,Gij为节点导纳矩阵中对应元素的实部,δij为节点i和j之间的相角差;
Pdi,t为节点i在t时段的总的有功负荷值,Pi为在t时段内注入节点i的有功功率值;Qdi,t为节点i在t时段的总的无功负荷值,Qi为在t时段内注入节点i的无功功率值;
Bij节点导纳矩阵中对应元素的虚部,代表节点i和j之间线路的电纳;Sij为节点i和j之间的潮流量,YiT为节点i和j之间线路的等效阻抗,Yim为节点i和j之间线路的对地导纳,上标*表示共轭;
Ndi(t)为t时段内在节点i进行放电的总的电动汽车的数量,Nci(t)为t时段内在节点i进行充电的总的电动汽车的数量,I为研究区域(包括居民区、商业区、办公区等),Vi,min和Vi,max为节点i允许的最小和最大电压;
Qi、Qi,min、Qi,max为机组无功输出的值及其最小和最大值,Qw、Qw,min、Qw,max为风电场w吸收的无功功率及其允许的最小值和最大值,Smax为线路潮流的上限值。
S3、对第一阶段模型进行预处理以提高求解效率。
对第一阶段模型进行预处理,包括:①将直流潮流约束作为第一阶段模型的一个约束条件;②初始化第一阶段模型的对象,形成权重自适应粒子群算法的初始种群,并对初始种群进行预处理;③初始化机组的开停机状态,使得机组满足机组启停约束条件;④初始化机组爬坡效率,使得机组满足机组爬坡约束条件。
在刚开始的状态下,各个机组的启停状况是随机产生的,极有可能不能满足机组启停的约束条件,因此先计算各个机组在t时段的启停情况,即机组i在t时段内的连续运行时间和连续停运时间之后按设置的条件进行调整,来对开停机时间进行预处理;所述初始化机组的开停机状态,具体包括如下过程:
S331、初始化i=1,t=1,进入步骤S332;
S332、若并且满足则设置进入步骤S336;否则,进入步骤S333;
S333、若并且满足则设置进入步骤S336;否则,进入步骤S334;
S334、若并且针对任意整数y,均满足则设置进入步骤S336;否则,进入步骤S335;
S335、设置进入步骤S336;
S336、根据下式更新和更新完成后进入步骤S337:
S337、i=i+1,进入步骤S338;
S338、判断i≤G是否成立:若成立,则返回步骤S332;否则,完成开停机预处理,即完成机组的开停机状态的初始化。
其中:t=1,2,…表示研究周期内的第t个时段,T表示研究周期内的时段总数,G为机组总数量,表示机组i在t时段内的开停机状态,和分别表示i在t时段内开机和停机,和表示机组i在t时段内的连续运行时间和连续停运时间,表示机组i在t时段内应满足的开机时长,表示研究周期内机组i在t时段前的停运时间,表示机组i的停运时间下限,Ti,down表示研究周期内机组i的时段的时间下限。
所述初始化机组爬坡效率,具体包括如下步骤:
S341、计算机组i在微小时间段Δt内的有功出力波动ΔPi t,并进入步骤S342:
S342、判断-RDiΔt≤Pi t≤RUiΔt是否成立:若成立,则说明机组i满足机组爬坡约束条件,进入步骤S345;否则,进入步骤S343;
S343、若则首先计算不满足条件的机组越限差值然后调节直至满足利用满足条件的机组对进行调整;在调节全程中,机组i都应当满足爬坡约束条件(第一阶段模型约束条件中的机组爬坡约束条件),同时要保证机组的有功出力不越限,完成调节后进入步骤S345;否则,进入步骤S344;
S344、若则首先计算然后调节Pi t直至满足利用满足条件的机组对进行调整;在调节全程中,机组i都应当满足爬坡约束条件(第一阶段模型约束条件中的机组爬坡约束条件),同时要保证有功出力不越限,完成调节后进入步骤S345;
S345、i=i+1,进入步骤S346;
S346、判断i≤G是否成立:若成立,则返回步骤S341;否则,完成机组爬坡预处理,即完成机组的机组爬坡效率的初始化;
其中:表示机组i在t时段内的有功出力,RDi和RUi表示机组i调整速率幅值的下限和上限,和表示不满足机组爬坡效率的机组越限差值。
S4、采用权重自适应粒子群算法计算经预处理后的第一阶段模型的有功出力和机组组合。
在采用粒子群算法求解多目标问题时,通常是将基于Pareto分层排序和基本粒子群算法结合运用,目的是通过粒子与粒子相互的关系来寻求出粒子的的最优解,并对非劣解集进行新的更新。
通常粒子的运动速度和权重值ω有着很大的关系,权重值也影响着最终的收敛性。因此对权重值的取值是非常重要的,通常的取值方法是随着迭代次数增加,线性的或者非线性的递减,但是这种方法忽略了迭代进度中粒子的不同特性,使得权重值的取值缺乏引领。
通常,粒子的位置和粒子群的全局最优解之间的差值能够体现出当前粒子与粒子群最优粒子之间的差别,这样能够使得该粒子具有更加良好的全局和局部搜索能力。根据差值不断调整权重值,使得结果更加优化。权重值取值变化如图6所示。
第i个粒子,在t时刻与粒子群全局最优解之间的差值Xi(t)通过下式求解:
ωi(t)=ωs-(ωs-ωe)(Xi(t)-1)2
其中:ωi(t)为第i个粒子在t时刻的权重值的取值,ωs和ωe分别为权重值的初始值和最终值,Xmax和Xmin分别为第i个粒子的位置变量的上限值和下限值。
总之,针对现有技术的情况,本发明建立了两阶段优化调度模型,根据权重自适应的粒子群算法以及算法优化来求出第一阶段发电机组成本最低的模型,得出机组最优组合,带入下层,在满足节点电压不越限的安全约束下得出各节点电动汽车充放电数量,若检验到节点电压越限,在第二阶段模型计算中加入约束,重新求得新的解,在两阶段里都采用预处理策略,增加了运算求解的效率,提高了大规模电动汽车接入电网时的经济性以及安全性,将这种方法应用到实际中去,可以有效解决用电高峰及大规模电动汽车接入电网带来的经济和安全危害。
S5、将第一阶段模型的输出作为第二阶段模型的输入,并对配网层各节点进行预处理以减少计算量。
对配网层各节点进行预处理,具体包括如下步骤:
S51、获取配网层各节点的潮流数据;
S52、建立配电网层的有功网损模型为:
其中:Ploss为系统有功网损,Ui为节点i的电压,n为节点数;负荷点无功变化对系统有功网损的灵敏度为:
其中:U、P、Q、P′、Q′、θ为配电网节点电压幅值、有功功率、无功功率、注入有功功率、注入无功功率以及电压的相角;在灵敏度计算中:
因此得出:
得到:
其中:灵敏度因子SPQ由牛顿拉夫逊法的雅克比矩阵求出;对于节点i:
根据自定义的阀值排除所有节点灵敏度后排除灵敏度值最大的一组节点,得出优化后的节点数,以降低运算负担和时间。
S53、求出负荷节点的无功变化对有功网损模型的灵敏度值;
S54、对所有节点的灵敏度进行计算和排序;
S55、设定阀值δ,去除灵敏度高于阀值δ的节点;
S56、统计保留的节点,即得到优化后的节点数量,完成配网层各节点的预处理。
S6、考虑网络安全约束情况下配网层各节点最优负担的充放电电动汽车数量。
S7、在最优负担的充放电电动汽车数量情况下,判断相应节点电压是否越限:若没有越限则满足网络安全约束,转入步骤S9;否则转入步骤S8。
判断相应节点电压越限后的处理为:
检查越限节点i的电压越限情况,在返回步骤S6之前增加如下约束:
Vi,min≤Vi+lV,PiΔPi′+lV,QiΔQi′≤Vi,max
其中:lV,Pi和lV,Qi为节点i的相对于其有功功率和无功功率的灵敏度,Vi,min和Vi,max为节点i的最小电压和最大电压,ΔPi′为有功出力和无功优化后有功出力上限之间的差值,ΔQi′为无功出力和无功优化后无功出力上限之间的差值。
S8、计算节点无功变化对电压的灵敏度并增加网络安全约束条件,转步骤S6。
灵敏度的计算过程如下:
建立牛顿拉夫逊法的雅克比矩阵,根据第一阶段模型得出的有功出力和前一次迭代得到的电压和无功出力进行潮流计算,得到各节点的电压值,令初次迭代的设置为节点1,发电机节点1.05(标幺值),则:
其中:I为单位矩阵,为对角矩阵,V的对角元素为对应节点的电压值,S为各节点的潮流值,ΔP和ΔQ为各节点潮流计算有功出力和无功出力的修正量,ΔV为各节点电压幅值修正量,Δθ为各节点电压相角修正量;
线路潮流的灵敏度计算过程如下:
求得灵敏度的值为:
其中:LS,Pi和LS,Qi为越限潮流对节点i的对其有功和无功灵敏度,LV,Pi和LV,Qi为越限节点i的对其有功和无功的灵敏度,Gij为节点i和j之间的电导率,θij为节点i和j之间的相角差,Bij为节点i和j之间的电纳值,θi和Vi为节点i的相角和幅值,Sij为节点i和j之间的潮流量。
S9、优化调度结束。
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (9)
1.一种基于两阶段预处理策略的电动汽车并网优化调度方法,其特征在于:包括如下步骤:
S1、获取电网模型和实时数据;
S2、建立两阶段电动汽车充放电优化调度模型,其中第一阶段模型以输电层发电成本最低为目标,第二阶段模型以配电层网损最低为目标;
S3、对第一阶段模型进行预处理以提高求解效率;
S4、采用权重自适应粒子群算法计算经预处理后的第一阶段模型的有功出力和机组组合;
S5、将第一阶段模型的输出作为第二阶段模型的输入,并对配网层各节点进行预处理以减少计算量;
S6、考虑网络安全约束情况下配网层各节点最优负担的充放电电动汽车数量;
S7、在最优负担的充放电电动汽车数量情况下,判断相应节点电压是否越限:若没有越限则满足网络安全约束,转入步骤S9;否则转入步骤S8;
S8、计算节点无功变化对电压的灵敏度并增加网络安全约束条件,转步骤S6;
S9、优化调度结束。
2.根据权利要求1所述的基于两阶段预处理策略的电动汽车并网优化调度方法,其特征在于:所述步骤S3中,对第一阶段模型进行预处理,包括:①将直流潮流约束作为第一阶段模型的一个约束条件;②初始化第一阶段模型的对象,形成权重自适应粒子群算法的初始种群,并对初始种群进行预处理;③初始化机组的开停机状态,使得机组满足机组启停约束条件;④初始化机组爬坡效率,使得机组满足机组爬坡约束条件。
3.根据权利要求2所述的基于两阶段预处理策略的电动汽车并网优化调度方法,其特征在于:所述初始化机组的开停机状态,具体包括如下过程:
S331、初始化i=1,t=1,进入步骤S332;
S332、若并且满足则设置进入步骤S336;否则,进入步骤S333;
S333、若并且满足则设置进入步骤S336;否则,进入步骤S334;
S334、若并且针对任意整数y,均满足则设置进入步骤S336;否则,进入步骤S335;
S335、设置进入步骤S336;
S336、根据下式更新和更新完成后进入步骤S337:
S337、i=i+1,进入步骤S338;
S338、判断i≤G是否成立:若成立,则返回步骤S332;否则,完成开停机预处理,即完成机组的开停机状态的初始化;
其中:t=1,2,…表示研究周期内的第t个时段,T表示研究周期内的时段总数,G为机组总数量,表示机组i在t时段内的开停机状态,和分别表示i在t时段内开机和停机,和表示机组i在t时段内的连续运行时间和连续停运时间,表示机组i在t时段内应满足的开机时长,表示研究周期内机组i在t时段前的停运时间,表示机组i的停运时间下限,Ti,down表示研究周期内机组i的时段的时间下限。
4.根据权利要求2所述的基于两阶段预处理策略的电动汽车并网优化调度方法,其特征在于:所述初始化机组爬坡效率,具体包括如下步骤:
S341、计算机组i在微小时间段Δt内的有功出力波动ΔPi t,并进入步骤S342:
S342、判断-RDiΔt≤ΔPi t≤RUiΔt是否成立:若成立,则说明机组i满足机组爬坡约束条件,进入步骤S345;否则,进入步骤S343;
S343、若ΔPi t≤-RDiΔt,则首先计算不满足条件的机组越限差值然后调节Pi t直至满足Pi t=Pi t-1-RDiΔt,利用满足条件的机组对进行调整;在调节全程中,机组i都应当满足爬坡约束条件,同时要保证机组的有功出力不越限,完成调节后进入步骤S345;否则,进入步骤S344;
S344、若ΔPi t≥RUiΔt,则首先计算然后调节Pi t直至满足Pi t=Pi t-1+RDiΔt,利用满足条件的机组对进行调整;在调节全程中,机组i都应当满足爬坡约束条件,同时要保证有功出力不越限,完成调节后进入步骤S345;
S345、i=i+1,进入步骤S346;
S346、判断i≤G是否成立:若成立,则返回步骤S341;否则,完成机组爬坡预处理,即完成机组的机组爬坡效率的初始化;
其中:Pi t表示机组i在t时段内的有功出力,RDi和RUi表示机组i调整速率幅值的下限和上限,和表示不满足机组爬坡效率的机组越限差值。
5.根据权利要求1所述的基于两阶段预处理策略的电动汽车并网优化调度方法,其特征在于:所述步骤S8中,灵敏度的计算过程如下:
建立牛顿拉夫逊法的雅克比矩阵,根据第一阶段模型得出的有功出力和前一次迭代得到的电压和无功出力进行潮流计算,得到各节点的电压值,令初次迭代的设置为节点1,发电机节点1.05,则:
其中:I为单位矩阵,为对角矩阵,V的对角元素为对应节点的电压值,S为各节点的潮流值,ΔP和ΔQ为各节点潮流计算有功出力和无功出力的修正量,ΔV为各节点电压幅值修正量,Δθ为各节点电压相角修正量;
线路潮流的灵敏度计算过程如下:
求得灵敏度的值为:
其中:LS,Pi和LS,Qi为越限潮流对节点i的对其有功和无功灵敏度,LV,Pi和LV,Qi为越限节点i的对其有功和无功的灵敏度,Gij为节点i和j之间的电导率,θij为节点i和j之间的相角差,Bij为节点i和j之间的电纳值,θi和Vi为节点i的相角和幅值,Sij为节点i和j之间的潮流量。
6.根据权利要求1所述的基于两阶段预处理策略的电动汽车并网优化调度方法,其特征在于:所述步骤S5中,对配网层各节点进行预处理,具体包括如下步骤:
S51、获取配网层各节点的潮流数据;
S52、建立配电网层的有功网损模型;
S53、求出负荷节点的无功变化对有功网损模型的灵敏度值;
S54、对所有节点的灵敏度进行计算和排序;
S55、设定阀值δ,去除灵敏度高于阀值δ的节点;
S56、统计保留的节点,即得到优化后的节点数量,完成配网层各节点的预处理。
7.根据权利要求6所述的基于两阶段预处理策略的电动汽车并网优化调度方法,其特征在于:配电网层的有功网损模型为:
其中:Ploss为系统有功网损,Ui为节点i的电压,n为节点数;负荷点无功变化对系统有功网损的灵敏度为:
其中:U、P、Q、P′、Q′、θ为配电网节点电压幅值、有功功率、无功功率、注入有功功率、注入无功功率以及电压的相角;在灵敏度计算中:
因此得出:
得到:
其中:灵敏度因子SPQ由牛顿拉夫逊法的雅克比矩阵求出;对于节点i:
根据自定义的阀值排除所有节点灵敏度后排除灵敏度值最大的一组节点,得出优化后的节点数,以降低运算负担和时间。
8.根据权利要求1所述的基于两阶段预处理策略的电动汽车并网优化调度方法,其特征在于:所述步骤S2中,第一阶段模型和第二阶段模型为:
第一阶段模型的目标函数为:
第一阶段模型的约束条件为:
其中:F(Pi t)为机组发电总成本,Pit为机组i在t时段内的有功出力,Sci,t为机组i在t时段内的启停成本,Ii,t为机组i在t时段内的启停状态,Ii,t=1表示机组i在t时段处于启动状态,Ii,t=0表示机组i在t时段处于停机状态,Ci(Pi t)为机组i在t时段内的发电成本函数,G为可启停的机组总数,T为研究周期内的总时段数;
E为系统环境排放上限值,fe,i(Pi t)为PM2.5排放量;
Ai、Bi、Ci、αi和γi为影响机组i排放量的系统参数;
Pd为电动汽车平均放电功率,Nd(t)为t时段内研究区域进行放电的总的电动汽车的数量,Pc为电动汽车平均充电功率,Nc(t)为t时段内研究区域进行充电的总的电动汽车的数量,Nw为研究系统中风电场的总数目,Pw t为风电场w在t时段的风电预测量,Dt为t时段内系统总负荷,Pt loss为研究系统在t时段内的系统网损,Pi max,t为机组i在t时段内允许的有功出力最大值,α为备用对需求的系数;
Pi min,t为机组i在t时段内允许的有功出力最小值;
Pw min,t和Pw max,t为t时段内风电场w出力的最小值和最大值;
Qi t为机组i在t时段内的无功出力,Qi min,t和Qi max,t机组i在t时段内的无功出力的最小值和最大值;
ΔPUi min和ΔPUi max为机组i在启动过程中功率变换的最小值和最大值;
ΔPDi min和ΔPDi max为机组i在停机过程中功率变换的最小值和最大值;
Tt-1 io和Tt-1 if为机组i在t时段前处于运行和停机状态的时间,Tmin io和Tmin if为机组i的最小允许运行时间和最小运行停机时间;
第二阶段模型的目标函数为:
第二阶段模型的约束条件为:
其中:Ploss,t为t时段内系统的网损值,Vi和Vj为节点i和j的节点电压,Gij为节点导纳矩阵中对应元素的实部,δij为节点i和j之间的相角差;
Pdi,t为节点i在t时段的总的有功负荷值,Pi为在t时段内注入节点i的有功功率值;Qdi,t为节点i在t时段的总的无功负荷值,Qi为在t时段内注入节点i的无功功率值;
Bij节点导纳矩阵中对应元素的虚部,代表节点i和j之间线路的电纳;Sij为节点i和j之间的潮流量,YiT为节点i和j之间线路的等效阻抗,Yim为节点i和j之间线路的对地导纳,上标*表示共轭;
Ndi(t)为t时段内在节点i进行放电的总的电动汽车的数量,Nci(t)为t时段内在节点i进行充电的总的电动汽车的数量,I为研究区域,Vi,min和Vi,max为节点i允许的最小和最大电压;
Qi、Qi,min、Qi,max为机组无功输出的值及其最小和最大值,Qw、Qw,min、Qw,max为风电场w吸收的无功功率及其允许的最小值和最大值,Smax为线路潮流的上限值。
9.根据权利要求1所述的基于两阶段预处理策略的电动汽车并网优化调度方法,其特征在于:所述步骤S7中,判断相应节点电压越限后的处理为:
检查越限节点i的电压越限情况,在返回步骤S6之前增加如下约束:
Vi,min≤Vi+lV,PiΔPi′+lV,QiΔQi′≤Vi,max
其中:lV,Pi和lV,Qi为节点i的相对于其有功功率和无功功率的灵敏度,Vi,min和Vi,max为节点i的最小电压和最大电压,ΔPi′为有功出力和无功优化后有功出力上限之间的差值,ΔQi′为无功出力和无功优化后无功出力上限之间的差值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910012487.8A CN109861208B (zh) | 2019-01-07 | 2019-01-07 | 一种基于两阶段预处理策略的电动汽车并网优化调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910012487.8A CN109861208B (zh) | 2019-01-07 | 2019-01-07 | 一种基于两阶段预处理策略的电动汽车并网优化调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109861208A true CN109861208A (zh) | 2019-06-07 |
CN109861208B CN109861208B (zh) | 2020-09-01 |
Family
ID=66894070
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910012487.8A Active CN109861208B (zh) | 2019-01-07 | 2019-01-07 | 一种基于两阶段预处理策略的电动汽车并网优化调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109861208B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110197310A (zh) * | 2019-06-10 | 2019-09-03 | 燕山大学 | 一种基于负荷裕度域的充换电站优化调度方法 |
CN111355251A (zh) * | 2020-04-14 | 2020-06-30 | 北方工业大学 | 一种基于配电网的储能选址方法及系统 |
CN112018762A (zh) * | 2020-08-31 | 2020-12-01 | 南京工程学院 | 一种考虑输配协同含无功电压约束的电动汽车充电优化调度方法 |
CN112165095A (zh) * | 2020-10-26 | 2021-01-01 | 国网江苏省电力有限公司淮安供电分公司 | 一种基于群智能的低压配网无功优化方法 |
CN112736894A (zh) * | 2020-11-30 | 2021-04-30 | 国网陕西省电力公司电力科学研究院 | 一种计及风电与电动汽车随机性的两阶段机组组合建模方法 |
CN113629717A (zh) * | 2021-08-25 | 2021-11-09 | 国网江苏省电力有限公司电力科学研究院 | 一种最优潮流计算方法、系统、存储介质及计算设备 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103840521A (zh) * | 2014-02-27 | 2014-06-04 | 武汉大学 | 基于最优潮流的大规模电动汽车优化充放电系统及方法 |
CN104361416A (zh) * | 2014-11-27 | 2015-02-18 | 国家电网公司 | 一种考虑大规模电动汽车接入的电网双层优化调度方法 |
CN104899691A (zh) * | 2015-06-08 | 2015-09-09 | 中国电力科学研究院 | 一种确定规模化电动汽车可调度容量的方法 |
JP2016163445A (ja) * | 2015-03-03 | 2016-09-05 | 東京電力ホールディングス株式会社 | 契約メニュー作成方法 |
CN105976068A (zh) * | 2016-05-23 | 2016-09-28 | 北京交通大学 | 电动汽车的实时充电调度方法和装置 |
CN106505579A (zh) * | 2016-12-19 | 2017-03-15 | 电子科技大学 | 一种电动汽车参与配电网电压调节的调度控制方法 |
CN107453381A (zh) * | 2017-08-16 | 2017-12-08 | 国家电网公司 | 基于两阶段交叉控制的电动汽车集群功率调节方法及系统 |
CN108320064A (zh) * | 2018-04-28 | 2018-07-24 | 国电南瑞南京控制系统有限公司 | 一种电动汽车与风电协同充电双层优化调度方法 |
US10126796B2 (en) * | 2012-02-13 | 2018-11-13 | Accenture Global Services Limited | Electric vehicle distributed intelligence |
-
2019
- 2019-01-07 CN CN201910012487.8A patent/CN109861208B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10126796B2 (en) * | 2012-02-13 | 2018-11-13 | Accenture Global Services Limited | Electric vehicle distributed intelligence |
CN103840521A (zh) * | 2014-02-27 | 2014-06-04 | 武汉大学 | 基于最优潮流的大规模电动汽车优化充放电系统及方法 |
CN104361416A (zh) * | 2014-11-27 | 2015-02-18 | 国家电网公司 | 一种考虑大规模电动汽车接入的电网双层优化调度方法 |
JP2016163445A (ja) * | 2015-03-03 | 2016-09-05 | 東京電力ホールディングス株式会社 | 契約メニュー作成方法 |
CN104899691A (zh) * | 2015-06-08 | 2015-09-09 | 中国电力科学研究院 | 一种确定规模化电动汽车可调度容量的方法 |
CN105976068A (zh) * | 2016-05-23 | 2016-09-28 | 北京交通大学 | 电动汽车的实时充电调度方法和装置 |
CN106505579A (zh) * | 2016-12-19 | 2017-03-15 | 电子科技大学 | 一种电动汽车参与配电网电压调节的调度控制方法 |
CN107453381A (zh) * | 2017-08-16 | 2017-12-08 | 国家电网公司 | 基于两阶段交叉控制的电动汽车集群功率调节方法及系统 |
CN108320064A (zh) * | 2018-04-28 | 2018-07-24 | 国电南瑞南京控制系统有限公司 | 一种电动汽车与风电协同充电双层优化调度方法 |
Non-Patent Citations (2)
Title |
---|
EL-FEDANY IBRAHIM ETAL.: "Framework for Optimizing the Charging Time of Electric Vehicles in Public Supply Station Deployed in Smart Cities", 《2018 IEEE 5TH INTERNATIONAL CONGRESS ON INFORMATION SCIENCE AND TECHNOLOGY (CIST)》 * |
吴红斌 等: "计及可入网电动汽车的微网系统经济调度", 《电力系统自动化》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110197310A (zh) * | 2019-06-10 | 2019-09-03 | 燕山大学 | 一种基于负荷裕度域的充换电站优化调度方法 |
CN110197310B (zh) * | 2019-06-10 | 2021-04-30 | 燕山大学 | 一种基于负荷裕度域的充换电站优化调度方法 |
CN111355251A (zh) * | 2020-04-14 | 2020-06-30 | 北方工业大学 | 一种基于配电网的储能选址方法及系统 |
CN112018762A (zh) * | 2020-08-31 | 2020-12-01 | 南京工程学院 | 一种考虑输配协同含无功电压约束的电动汽车充电优化调度方法 |
CN112165095A (zh) * | 2020-10-26 | 2021-01-01 | 国网江苏省电力有限公司淮安供电分公司 | 一种基于群智能的低压配网无功优化方法 |
CN112165095B (zh) * | 2020-10-26 | 2022-07-22 | 国网江苏省电力有限公司淮安供电分公司 | 一种基于群智能的低压配网无功优化方法 |
CN112736894A (zh) * | 2020-11-30 | 2021-04-30 | 国网陕西省电力公司电力科学研究院 | 一种计及风电与电动汽车随机性的两阶段机组组合建模方法 |
CN113629717A (zh) * | 2021-08-25 | 2021-11-09 | 国网江苏省电力有限公司电力科学研究院 | 一种最优潮流计算方法、系统、存储介质及计算设备 |
Also Published As
Publication number | Publication date |
---|---|
CN109861208B (zh) | 2020-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109861208A (zh) | 一种基于两阶段预处理策略的电动汽车并网优化调度方法 | |
Tao et al. | A novel MPPT controller in PV systems with hybrid whale optimization-PS algorithm based ANFIS under different conditions | |
Syahputra et al. | Performance Enhancement of Distribution Network with DG Integration Using Modified PSO Algorithm. | |
Albert et al. | A remote diagnosis using variable fractional order with reinforcement controller for solar-MPPT intelligent system | |
CN112018762B (zh) | 一种考虑输配协同含无功电压约束的电动汽车充电优化调度方法 | |
Lu et al. | A hybrid approach for day-ahead forecast of PV power generation | |
CN104050517A (zh) | 基于grnn神经网络的光伏发电预测方法 | |
Guo et al. | Efficient maximum power point tracking for a photovoltaic using hybrid shuffled frog-leaping and pattern search algorithm under changing environmental conditions | |
CN108334152A (zh) | 一种局部阴影下光伏阵列最大功率点预测优化控制方法 | |
CN105022885A (zh) | 基于改进的Big Bang-Big Crunch的分布式光伏并网接纳能力计算方法 | |
Huang et al. | A novel spline model guided maximum power point tracking method for photovoltaic systems | |
CN109101071A (zh) | 一种基于智能预测的光伏多峰值最大功率点跟踪方法 | |
CN106155170B (zh) | 一种太阳能电池最大功率跟踪控制方法 | |
Arabi Nowdeh et al. | A new hybrid moth flame optimizer-perturb and observe method for maximum power point tracking in photovoltaic energy system | |
CN114595891A (zh) | 一种配电网电压及潮流越界风险评估方法、系统及设备 | |
Kumar et al. | Improving power quality and load profile using PV‐battery‐SAPF system with metaheuristic tuning and its HIL validation | |
CN111724064A (zh) | 一种基于改进免疫算法的含储能配电网规划方法 | |
Anu Shalini et al. | Hybrid power generation forecasting using CNN based BILSTM method for renewable energy systems | |
CN108988393B (zh) | 一种微网黑启动的微源时序的优化方法 | |
Jegajothi et al. | Combination BFPSO Tuned Intelligent Controller for Maximum Power Point Tracking in Solar Photovoltaic Farm Interconnected to Grid Supply | |
CN116131356A (zh) | 一种风光储并网型微电网优化调度方法 | |
Miry et al. | Improving of maximum power point tracking for photovoltaic systems based on swarm optimization techniques | |
CN114142527A (zh) | 一种多微网协同运行的经济调度优化方法 | |
Javadi et al. | Optimal design and economic assessment of battery based stand-alone wind/PV generating system using ABC | |
Legha et al. | An imperialist competitive algorithm for sitting and sizing of distributed generation in radial distribution network to improve reliability and losses reduction |
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 |