CN109948823B - 一种光储充电塔自适应鲁棒日前优化调度方法 - Google Patents
一种光储充电塔自适应鲁棒日前优化调度方法 Download PDFInfo
- Publication number
- CN109948823B CN109948823B CN201811268564.8A CN201811268564A CN109948823B CN 109948823 B CN109948823 B CN 109948823B CN 201811268564 A CN201811268564 A CN 201811268564A CN 109948823 B CN109948823 B CN 109948823B
- Authority
- CN
- China
- Prior art keywords
- charging
- time
- power
- cost
- day
- 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
Images
Abstract
本发明公布了一种光储充电塔自适应鲁棒日前优化调度方法，首先以光储充电塔日运行总成本最小为目标，建立日前能量‑备用协同优化调度模型。接着考虑光伏出力及负荷不确定性对日前调度影响，以日前能量‑备用协同优化调度和实时能量平衡调整分别为第一、二阶段决策，建立自适应鲁棒三层优化调度模型。然后采用代表性场景描述不确定性集合，引入辅助变量代替第二阶段最恶劣场景的运行成本，实现内层min‑max问题的解耦，从而将三层优化转化为含有限数量场景的单层鲁棒优化模型。最后在实际光储充电塔系统中进行测试并求解。本发明能够有效处理系统不确定性，降低三层优化模型的复杂度，同时获取充电塔日前调度策略，所得结果具有鲁棒性。
Description
技术领域
本发明属于电力系统优化调度技术领域，涉及一种光储充电塔自适应鲁棒日前优化调度方法。
背景技术
近年来，能源危机和环境污染问题日益严峻，可再生能源和电动汽车由于具有节能减排的优势得到迅速发展，未来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，当电动汽车接入充电站集中充电时，将给电网造成一定的冲击；考虑由充电设施、光伏系统、储能系统(energy storage system,ESS)等构成的新型光储充电塔，为有效解决电动汽车充电以及建设智慧城市交通提供了全新思路。
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、ESS、电动汽车以及配电网之间协调调度，获取购电计划以及ESS充放电计划等，能够合理分配电能，降低充电塔日运行成本，同时可促进光伏发电的就地消纳，然而充电塔系统光伏出力和负荷预测具有不确定性，将导致系统调度过程中备用容量急剧增加，将给系统可靠性带来一系列挑战。在日前电力市场中，能量-备用协同优化能够协调经济性和可靠性，实现对净负荷不确定性备用容量的最佳分配，因此开展光储充电塔日前能量-备用协同优化调度研究具有重要现实意义。
此外，如何有效处理光储充系统不确定性是一个重要问题。一方面传统随机规划法能得到概率意义上的最优解，但随机变量概率分布信息难以准确获取，且计算量大，另一方面传统静态鲁棒优化具有无需获取不确定参数精确概率分布的优点，但其调度决策结果略过于保守。
因而，考虑将自适应鲁棒优化应用于光储充系统调度研究，该方法能够实现调度策略对不确定性的实时调整，在一定程度上克服传统鲁棒优化的保守性。
发明内容
发明目的：本发明的目的在于针对现有技术的不足，提出了一种光储充电塔自适应鲁棒日前优化调度方法，采用自适应鲁棒优化可以有效处理光储充系统不确定性，同时能够求解获取光储充系统日前鲁棒调度策略，合理分配电能以及备用容量，能够为充电塔调度人员提供决策依据。
技术方案：本发明提供了一种光储充电塔自适应鲁棒日前优化调度方法，包括以下如下步骤：
步骤1：以光储充电塔日运行总成本最小为目标，建立日前能量-备用协同优化调度模型；
步骤2：在步骤1的基础上考虑光伏出力及负荷不确定性对日前调度影响，以日前能量-备用协同优化调度和实时能量平衡调整分别为第一、二阶段决策，建立自适应鲁棒三层优化调度模型；
步骤3：采用代表性场景描述不确定性集合，引入辅助变量代替第二阶段最恶劣场景的运行成本，实现内层min-max问题的解耦，从而将自适应鲁棒三层优化调度模型转化为含有限数量场景的单层鲁棒优化模型；
步骤4：在步骤3的基础上，在实际光储充电塔系统中进行测试并求解；
进一步，所述步骤1包括以下步骤：
步骤101：考虑由充电设施、光伏系统、储能系统(energy storage system,ESS)融合后形成的光储充电塔系统，出力取期望值时作为系统基准场景，以光储充电塔基准场景的日运行成本最小为目标，由日前能量成本和备用容量成本组成，可表示如下：
式中，
为t时刻充电塔购电成本，
为t时刻储能系统放电成本，
为t时刻参与V2G的慢充电动汽车放电成本，
为t时刻可中断负荷中断成本，
为系统备用成本，下标0表示基准场景，
光储充电塔系统购电成本
储能系统放电成本
慢充电动汽车放电成本
可中断负荷中断成本
系统备用成本
分别表示如下：
式中，
为t时刻充电塔系统购电功率，
为t时刻充电塔系统购电电价，cESS为储能系统放电成本系数，
为t时刻储能系统放电功率，nv2g为电动汽车的数量，cv2g、N、Sv2g、dDOD分别为慢充电动汽车电池购买成本、充放电循环次数、电池容量及放电深度，
为t时刻第v辆电动汽车放电功率，
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，
为t时刻第v辆电动汽车的行驶距离，nm为可中断等级数，
为第m级可中断负荷中断价格，
为t时刻第m级中断水平的中断负荷，Cgrid、CV2G、CESS、CIL分别为系统购电量、慢充电动汽车、储能系统以及可中断负荷的备用成本系数，
分别为t时刻系统购电量、储能系统以及可中断负荷提供的备用容量，
为t时刻第v辆慢充电动汽车提供的备用容量，上标U、D分别表示对应上备用及下备用；
步骤102：建立日前能量-备用协同优化调度模型，所述模型中包括充电塔购电约束、储能系统约束、参与V2G的慢充电动汽车约束、光伏出力约束、可中断负荷约束、系统功率平衡约束以及系统备用约束，
(1)充电塔购电量约束：
式中，
为充电塔最大购电功率，布尔变量
表示t时刻是否处于购电状态，是则为1，否则为0，
(2)储能系统约束：
式中，
为t时刻储能系统充电功率，
分别为储能系统最大充、放电功率，布尔变量
分别表示t时刻储能系统是否处于充、放电状态，是则为1，否则为0，
为t时刻储能系统的荷电状态值，
分别为储能系统容量及荷电状态值上、下限，D为储能系统最大放电深度；δESS、
分别为储能系统自损耗率及充、放电效率，Δt为系统调度时间段持续时间，
(3)慢充电动汽车约束：
式中，
分别为t时刻第v辆电动汽车充、放电功率，
分别为第v辆电动汽车最大充、放电功率，布尔变量
分别表示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
表示t时刻第v辆慢充电动汽车是否处于并网状态，是则为1，否则为0，
为t时刻第v辆电动汽车的荷电状态值，
分别为第v辆电动汽车电池容量及荷电状态值上、下限，
分别为电动汽车充、放电效率，
(4)光伏出力约束：
式中，
为t时刻光伏出力实际值，
为t时刻光伏出力最大值，
(5)可中断负荷约束：
式中，
为第m级可中断负荷中断系数，
为t时刻塔用电负荷，
为t时刻中断负荷，
(6)光储充电塔系统功率平衡约束：
式中，
为t时刻快充电动汽车的充电功率，
为t时刻电动汽车净充电功率，
(7)系统备用容量约束：
式中，
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：考虑光伏出力及负荷不确定性对日前调度影响，以日前能量-备用协同优化调度和实时能量平衡调整分别为第一、二阶段决策，建立自适应鲁棒三层优化调度模型，所述模型的目标函数可表示如下：
式中，I、II、III、IV分别为充电塔日前能量成本、备用成本、实时调整中平衡成本以及切负荷成本，W表示不确定性所有可能发生的场景集合，
分别为t时刻场景s下购电、储能系统、可中断负荷实时调整功率，上标U、D表示上调整及下调整，
分别为t时刻场景s下第v辆慢充电动汽车的实时调整功率，CEV为快充电动汽车切负荷成本系数，ηEV为快充电动汽车充电效率，
为t时刻场景s下快充电动汽车充电功率，为决策变量；
步骤202：所述自适应鲁棒三层优化调度模型中第一阶段日前能量-备用协同优化调度约束条件与步骤102相同；
步骤203：所述自适应鲁棒三层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：
式中，
分别为t时刻场景s下购电、储能系统充电、储能系统放电功率和可中断负荷中断量，
分别为t时刻场景s下第v辆慢充电动汽车的充、放电功率，
为t时刻场景s下储能系统荷电状态，
为t时刻场景s下第v辆慢充电动汽车荷电状态，
为t时刻场景s下快充电动汽车充电功率，
为场景s下快充电动汽车最大总充电功率，
为t时刻快充电动汽车初始荷电状态值，
为场景s下快充电动汽车电池总容量，
分别为t时刻场景s下光伏出力预测值和实际出力值。
进一步：所述步骤3包括以下步骤：
步骤301：采用代表性场景描述不确定性集合W，依据有限历史数据随机生成一系列代表性场景构成。
步骤302：引入辅助变量β代替实时阶段最恶劣场景的运行成本，实现内层max-min问题解耦，从而将自适应鲁棒三层优化调度模型转化为含有限数量场景的单层鲁棒优化模型：
其中，辅助变量β满足：
代表性场景集合
其中Ns为光储充电塔系统代表性场景数量。
步骤303：所述单层鲁棒优化模型约束条件如下：
1)日前能量-备用调度约束：式(1)-(26)；
2)实时调整约束：式(27)-(48)，s∈W。
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，求解并获取充电塔日前鲁棒调度策略。
工作原理：本发明首先以光储充电塔日运行总成本最小为目标，建立日前能量-备用协同优化调度模型；然后考虑光伏出力及负荷不确定性对日前调度影响，以日前能量-备用协同优化调度和实时能量平衡调整分别为第一、二阶段决策，建立自适应鲁棒三层优化调度模型；再接着采用代表性场景描述不确定性集合，引入辅助变量代替第二阶段最恶劣场景的运行成本，实现内层min-max问题的解耦，从而将三层优化转化为含有限数量场景的单层鲁棒优化模型；最后在实际光储充电塔系统中进行测试并求解。
有益效果：与现有电动汽车充电站日前优化调度相比，本发明具有如下优点和技术效果：
(1)通过光储充子系统间协调优化，可显著降低充电塔日运行成本；
(2)能够有效处理光伏出力和充电负荷不确定性，得到光储充系统鲁棒调度策略；
(3)通过转化为含有限数量场景的单层鲁棒优化模型，降低了自适应鲁棒三层优化调度模型的求解难度。
附图说明
图1为光储充电塔自适应鲁棒日前优化调度流程图；
图2为光储充电塔中光伏机组出力代表性场景图；
图3为光储充电塔中充电负荷代表性场景图；
图4为光储充电塔日前鲁棒调度结果图。
具体实施方式
以下结合附图和实例对本发明的实施作进一步说明，但本发明的实施和包含不限于此。
一种光储充电塔自适应鲁棒日前优化调度方法，包括以下如下步骤：
步骤1：以光储充电塔日运行总成本最小为目标，建立日前能量-备用协同优化调度模型；
步骤2：在步骤1的基础上考虑光伏出力及负荷不确定性对日前调度影响，以日前能量-备用协同优化调度和实时能量平衡调整分别为第一、二阶段决策，建立自适应鲁棒三层优化调度模型；
步骤3：采用代表性场景描述不确定性集合，引入辅助变量代替第二阶段最恶劣场景的运行成本，实现内层min-max问题的解耦，从而将自适应鲁棒三层优化调度模型转化为含有限数量场景的单层鲁棒优化模型；
步骤4：在步骤3的基础上，在实际光储充电塔系统中进行测试并求解；
进一步，所述步骤1包括以下步骤：
步骤101：考虑由充电设施、光伏系统、储能系统(energy storage system,ESS)融合后形成的光储充电塔系统，出力取期望值时作为系统基准场景，以光储充电塔基准场景的日运行成本最小为目标，由日前能量成本和备用容量成本组成，可表示如下：
式中，
为t时刻充电塔购电成本；
为t时刻ESS放电成本；
为t时刻参与V2G的慢充电动汽车(electric vehicle,EV)放电成本；
为t时刻可中断负荷(interruptible load,IL)中断成本；
为系统备用成本；下标0表示基准场景；
光储充电塔系统购电成本
ESS放电成本
慢充EV放电成本
IL中断成本
系统备用成本
分别表示如下：
式中，
为t时刻充电塔系统购电功率；
为t时刻充电塔系统购电电价；cESS为ESS放电成本系数；
为t时刻ESS放电功率；nv2g为EV的数量；cv2g、N、Sv2g、dDOD分别为慢充EV(电动汽车)电池购买成本、充放电循环次数、电池容量及放电深度；
为t时刻第v辆EV放电功率；
为EV放电效率；ev为第v辆EV单位行驶距离消耗的功率；
为t时刻第v辆EV的行驶距离；nm为可中断等级数；
为第m级IL中断价格；
为t时刻第m级中断水平的中断负荷；Cgrid、CV2G、CESS、CIL分别为系统购电量、慢充EV、ESS以及IL的备用成本系数；
分别为t时刻系统购电量、ESS以及IL提供的备用容量；
为t时刻第v辆慢充EV提供的备用容量；上标U、D分别表示对应上备用及下备用；
步骤102：建立日前能量-备用协同优化调度模型，所述模型中包括充电塔购电约束、ESS约束、参与V2G的慢充EV约束、光伏出力约束、IL约束、系统功率平衡约束以及系统备用约束；
(1)充电塔购电量约束：
式中，
为充电塔最大购电功率；布尔变量
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：
式中，
为t时刻ESS充电功率；
分别为ESS最大充、放电功率；布尔变量
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；
为t时刻ESS的荷电状态值；
分别为ESS容量及荷电状态值上、下限；D为ESS最大放电深度；δESS、
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)慢充EV约束：
式中，
分别为t时刻第v辆EV充、放电功率；
分别为第v辆EV最大充、放电功率；布尔变量
分别表示t时刻第v辆EV是否处于充、放电状态，是则为1，否则为0；布尔变量
表示t时刻第v辆慢充EV是否处于并网状态，是则为1，否则为0；
为t时刻第v辆EV的荷电状态值；
分别为第v辆EV电池容量及荷电状态值上、下限；
分别为EV充、放电效率；
(4)光伏出力约束：
式中，
为t时刻光伏出力实际值；
为t时刻光伏出力最大值；
(5)IL约束：
式中，
为第m级IL中断系数；
为t时刻塔用电负荷；
为t时刻中断负荷；
(6)光储充电塔系统功率平衡约束：
式中，
为t时刻快充EV的充电功率；
为t时刻EV净充电功率；
(7)系统备用容量约束：
式中，
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：考虑光伏出力及负荷不确定性对日前调度影响，以日前能量-备用协同优化调度和实时能量平衡调整分别为第一、二阶段决策，建立自适应鲁棒三层(min-max-min)优化调度模型，所述模型的目标函数可表示如下：
式中，I、II、III、IV分别为充电塔日前能量成本、备用成本、实时调整中平衡成本以及切负荷成本；W表示不确定性所有可能发生的场景集合；
分别为t时刻场景s下购电、ESS、IL实时调整功率，上标U、D表示上调整及下调整；
分别为t时刻场景s下第v辆慢充EV的实时调整功率；CEV为快充EV切负荷成本系数；ηEV为快充EV充电效率；
为t时刻场景s下快充EV充电功率，为决策变量；
步骤202：所述自适应鲁棒三层优化调度模型中第一阶段日前能量-备用协同优化调度约束条件与步骤102相同；
步骤203：所述自适应鲁棒三层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：
式中，
分别为t时刻场景s下购电、ESS充电、ESS放电功率和IL中断量；
分别为t时刻场景s下第v辆慢充EV的充、放电功率；
为t时刻场景s下ESS荷电状态；
为t时刻场景s下第v辆慢充EV荷电状态；
为t时刻场景s下快充EV充电功率；
为场景s下快充EV最大总充电功率；
为t时刻快充EV初始荷电状态值；
为场景s下快充EV电池总容量；
分别为t时刻场景s下光伏出力预测值和实际出力值。
进一步：所述步骤3包括以下步骤：
步骤301：采用代表性场景描述不确定性集合W，依据有限历史数据随机生成一系列代表性场景构成。
步骤302：引入辅助变量β代替实时阶段最恶劣场景的运行成本，实现内层max-min问题解耦，从而将自适应鲁棒三层优化调度模型转化为含有限数量场景的单层鲁棒优化模型：
其中，辅助变量β满足：
代表性场景集合
其中Ns为光储充电塔系统代表性场景数量。
步骤303：所述单层鲁棒优化模型约束条件如下：
1)日前能量-备用调度约束：式(1)-(26)；
2)实时调整约束：式(27)-(48)，s∈W。
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，求解并获取充电塔日前鲁棒调度策略。
算例分析：
考虑光储充电塔的塔顶配置峰值总功率为200kWp的光伏发电系统，塔内配置电池总容量为3000kWh的ESS，同时配有7kW交流充电桩150个，40kW直流充电机160个，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，最大购电量不超过1800kW，主要设备参数如表1所示，
表1为系统主要设备参数
选取实际光伏电站出力以及快充EV充电负荷，采用蒙特卡罗模拟法生成64组光伏出力及充电负荷代表性场景；
如图2、图3所示纯EV电池容量为35kWh，充放电效率为0.9，慢充EV离网、并网时刻、行驶距离数据以及始末荷电状态直接随机模拟生成，塔用电负荷曲线如表2所示，其中IL中断等级取为3，中断系数分别为0.2，0.15，0.1，
表2为充电塔塔用电负荷数据
光储充电塔日前调度周期为1天，时间步长为1h，采用本调度方法求解光储充电塔自适应鲁棒日前调度模型，所得结果如图4所示。
由图4可知，在0～8小时段内，电价低、光伏出力多数时段几乎为零，负荷处于低谷，充电塔优先调度从配网购入电量，对ESS和EV进行充电；在负荷高峰时段，电价高、日间光伏出力逐渐增加，ESS和V2G放电，IL进行中断部分塔用电负荷，其余缺额部分由充电塔从电网购电满足功率平衡。当负荷处于平时段，电价较高、日间光伏出力保持较高水平，可优先满足充电塔内部用电需求，该时段ESS由于峰平电价差较小以及自身放电损耗不进行充放电，IL不中断，慢充EV夜间充电保证次日行驶，剩余电量由充电塔从电网进行调度，通过光储充各个子系统间协调配合，能够合理分配电能。
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 (2)
1.一种光储充电塔自适应鲁棒日前优化调度方法，其特征在于：包括以下步骤：
步骤1：以光储充电塔日运行总成本最小为目标，建立日前能量-备用协同优化调度模型；
所述步骤1包括以下步骤：
步骤101：考虑由充电设施、光伏系统、储能系统融合后形成的光储充电塔系统，出力取期望值时作为系统基准场景，以光储充电塔基准场景的日运行成本最小为目标，由日前能量成本和备用容量成本组成，可表示如下：
式中，
为t时刻充电塔购电成本，
为t时刻储能系统放电成本，
为t时刻参与V2G的慢充电动汽车放电成本，
为t时刻可中断负荷中断成本，
为系统备用成本，下标0表示基准场景，
光储充电塔系统购电成本
储能系统放电成本
慢充电动汽车放电成本
可中断负荷中断成本
系统备用成本
分别表示如下：
式中，
为t时刻充电塔系统购电功率，
为t时刻充电塔系统购电电价，cESS为储能系统放电成本系数，
为t时刻储能系统放电功率，nv2g为电动汽车的数量，cv2g、N、Sv2g、dDOD分别为慢充电动汽车电池购买成本、充放电循环次数、电池容量及放电深度，
为t时刻第v辆电动汽车放电功率，
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，
为t时刻第v辆电动汽车的行驶距离，nm为可中断等级数，
为第m级可中断负荷中断价格，
为t时刻第m级中断水平的中断负荷，Cgrid、CV2G、CESS、CIL分别为系统购电量、慢充电动汽车、储能系统以及可中断负荷的备用成本系数，
分别为t时刻系统购电量、储能系统以及可中断负荷提供的备用容量，
为t时刻第v辆慢充电动汽车提供的备用容量，上标U、D分别表示对应上备用及下备用；
步骤102：建立日前能量-备用协同优化调度模型，所述模型中包括充电塔购电约束、储能系统约束、参与V2G的慢充电动汽车约束、光伏出力约束、可中断负荷约束、系统功率平衡约束以及系统备用约束，
(1)充电塔购电量约束：
式中，
为充电塔最大购电功率，布尔变量
表示t时刻是否处于购电状态，是则为1，否则为0，
(2)储能系统约束：
式中，
为t时刻储能系统充电功率，
分别为储能系统最大充、放电功率，布尔变量
分别表示t时刻储能系统是否处于充、放电状态，是则为1，否则为0，
为t时刻储能系统的荷电状态值，
分别为储能系统容量及荷电状态值上、下限，D为储能系统最大放电深度；δESS、
分别为储能系统自损耗率及充、放电效率，Δt为系统调度时间段持续时间，
(3)慢充电动汽车约束：
式中，
分别为t时刻第v辆电动汽车充、放电功率，
分别为第v辆电动汽车最大充、放电功率，布尔变量
分别表示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
表示t时刻第v辆慢充电动汽车是否处于并网状态，是则为1，否则为0，
为t时刻第v辆电动汽车的荷电状态值，
分别为第v辆电动汽车电池容量及荷电状态值上、下限，
分别为电动汽车充、放电效率，
(4)光伏出力约束：
式中，
为t时刻光伏出力实际值，
为t时刻光伏出力最大值，
(5)可中断负荷约束：
式中，
为第m级可中断负荷中断系数，
为t时刻塔用电负荷，
为t时刻中断负荷，
(6)光储充电塔系统功率平衡约束：
式中，
为t时刻快充电动汽车的充电功率，
为t时刻电动汽车净充电功率，
(7)系统备用容量约束：
式中，
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；
步骤2：在步骤1的基础上考虑光伏出力及负荷不确定性对日前调度影响，以日前能量-备用协同优化调度和实时能量平衡调整分别为第一、二阶段决策，建立自适应鲁棒三层优化调度模型；
所述步骤2包括以下步骤：
步骤201：考虑光伏出力及负荷不确定性对日前调度影响，以日前能量-备用协同优化调度和实时能量平衡调整分别为第一、二阶段决策，建立自适应鲁棒三层优化调度模型，所述模型的目标函数可表示如下：
式中，I、II、III、IV分别为充电塔日前能量成本、备用成本、实时调整中平衡成本以及切负荷成本，W表示不确定性所有可能发生的场景集合，
分别为t时刻场景s下购电、储能系统、可中断负荷实时调整功率，上标U、D表示上调整及下调整，
分别为t时刻场景s下第v辆慢充电动汽车的实时调整功率，CEV为快充电动汽车切负荷成本系数，ηEV为快充电动汽车充电效率，
为t时刻场景s下快充电动汽车充电功率，为决策变量；
步骤202：所述自适应鲁棒三层优化调度模型中第一阶段日前能量-备用协同优化调度约束条件与步骤102相同；
步骤203：所述自适应鲁棒三层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：
式中，
分别为t时刻场景s下购电、储能系统充电、储能系统放电功率和可中断负荷中断量，
分别为t时刻场景s下第v辆慢充电动汽车的充、放电功率，
为t时刻场景s下储能系统荷电状态，
为t时刻场景s下第v辆慢充电动汽车荷电状态，
为t时刻场景s下快充电动汽车充电功率，
为场景s下快充电动汽车最大总充电功率，
为t时刻快充电动汽车初始荷电状态值，
为场景s下快充电动汽车电池总容量，
分别为t时刻场景s下光伏出力预测值和实际出力值；
步骤3：采用代表性场景描述不确定性集合，引入辅助变量代替第二阶段最恶劣场景的运行成本，实现内层min-max问题的解耦，从而将自适应鲁棒三层优化调度模型转化为含有限数量场景的单层鲁棒优化模型；
所述步骤3包括以下步骤：
步骤301：采用代表性场景描述不确定性集合W，依据有限历史数据随机生成一系列代表性场景构成；
步骤302：引入辅助变量β代替实时阶段最恶劣场景的运行成本，实现内层max-min问题解耦，从而将自适应鲁棒三层优化调度模型转化为含有限数量场景的单层鲁棒优化模型：
其中，辅助变量β满足：
代表性场景集合
其中Ns为光储充电塔系统代表性场景数量；
步骤303：所述单层鲁棒优化模型约束条件如下：
1)日前能量-备用调度约束：式(1)-(26)；
2)实时调整约束：式(27)-(48)，s∈W；
步骤4：在步骤3的基础上，在实际光储充电塔系统中进行测试并求解。
2.根据权利要求1所述的光储充电塔自适应鲁棒日前优化调度方法，其特征在于：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，求解并获取充电塔日前鲁棒调度策略。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811268564.8A CN109948823B (zh) | 2018-10-29 | 2018-10-29 | 一种光储充电塔自适应鲁棒日前优化调度方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811268564.8A CN109948823B (zh) | 2018-10-29 | 2018-10-29 | 一种光储充电塔自适应鲁棒日前优化调度方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109948823A CN109948823A (zh) | 2019-06-28 |
| CN109948823B true CN109948823B (zh) | 2022-01-28 |
Family
ID=67006381
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811268564.8A Active CN109948823B (zh) | 2018-10-29 | 2018-10-29 | 一种光储充电塔自适应鲁棒日前优化调度方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109948823B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111242392B (zh) * | 2020-03-06 | 2022-12-09 | 上海电力大学 | 多虚拟电厂参与主动配电网的双层-两阶段运行方法 |
| CN111262245B (zh) * | 2020-03-07 | 2022-04-29 | 西南交通大学 | 一种计及光伏不确定性的牵引供电系统能量管理优化运行方法 |
| CN111932398B (zh) * | 2020-07-17 | 2023-12-19 | 国电南京自动化股份有限公司 | 一种光储型充电站优化控制方法及系统 |
| CN112488444B (zh) * | 2020-10-31 | 2022-12-23 | 海南电网有限责任公司 | 电动汽车快慢同步有序充电调度方法以及电量结算方法 |
| CN112417656B (zh) * | 2020-11-10 | 2022-08-12 | 苏州沃联新能源有限公司 | 光储系统的能量调度策略的优化方法、装置和存储介质 |
| CN113733963B (zh) * | 2021-08-31 | 2023-05-02 | 国网北京市电力公司 | 一种光储充一体站日前调度方法、系统、装置及存储介质 |
| CN114050609B (zh) * | 2021-11-05 | 2023-11-24 | 国网江苏省电力有限公司盐城供电分公司 | 一种高比例新能源电力系统自适应鲁棒日前优化调度方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016092774A1 (ja) * | 2014-12-09 | 2016-06-16 | 株式会社デンソー | 電力供給システム |
| CN107730048A (zh) * | 2017-10-26 | 2018-02-23 | 华中科技大学 | 一种风电‑电动汽车联合系统随机鲁棒优化调度方法 |
| CN107863784A (zh) * | 2017-11-21 | 2018-03-30 | 国网江苏省电力有限公司经济技术研究院 | 含可中断负荷的风电及电动汽车联合系统的日前调度方法 |
| CN108388973A (zh) * | 2018-01-11 | 2018-08-10 | 河海大学 | 一种虚拟电厂自适应鲁棒调度优化方法 |
-
2018
- 2018-10-29 CN CN201811268564.8A patent/CN109948823B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016092774A1 (ja) * | 2014-12-09 | 2016-06-16 | 株式会社デンソー | 電力供給システム |
| CN107730048A (zh) * | 2017-10-26 | 2018-02-23 | 华中科技大学 | 一种风电‑电动汽车联合系统随机鲁棒优化调度方法 |
| CN107863784A (zh) * | 2017-11-21 | 2018-03-30 | 国网江苏省电力有限公司经济技术研究院 | 含可中断负荷的风电及电动汽车联合系统的日前调度方法 |
| CN108388973A (zh) * | 2018-01-11 | 2018-08-10 | 河海大学 | 一种虚拟电厂自适应鲁棒调度优化方法 |
Non-Patent Citations (2)
| Title |
|---|
| 含电动汽车的虚拟电厂鲁棒随机优化调度;孙国强 等;《电力系统自动化》;20170325;第41卷(第6期);全文 * |
| 考虑碳排放交易的日前调度双阶段鲁棒优化模型;张刚 等;《中国电工程学报》;20180920;第38卷(第18期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109948823A (zh) | 2019-06-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109948823B (zh) | 一种光储充电塔自适应鲁棒日前优化调度方法 | |
| CN109559035B (zh) | 一种考虑灵活性的城市配电网双层规划方法 | |
| CN103793758B (zh) | 含光伏发电系统的电动汽车充电站的多目标优化调度方法 | |
| CN106228258B (zh) | 一种计及需求侧管理的家庭能源局域网能量优化控制方法 | |
| 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 | |
| CN109599856B (zh) | 一种微网多楼宇中电动汽车充放电管理优化方法及装置 | |
| 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 | |
| CN109217290B (zh) | 计及电动汽车充放电的微网能量优化管理方法 | |
| CN103241130A (zh) | 一种电动公交车充换电站的能量管理方法及系统 | |
| Yu et al. | A real time energy management for EV charging station integrated with local generations and energy storage system | |
| CN107565607A (zh) | 一种基于实时电价机制的微电网多时间尺度能量调度方法 | |
| CN116151486B (zh) | 含储能系统的光伏充电站多时间尺度随机优化方法及装置 | |
| CN104951614A (zh) | 一种计及电动汽车充电可控性的机组组合模型及建模方法 | |
| CN113799640A (zh) | 适用于含电动汽车充电桩微电网的能量管理方法 | |
| CN115473285A (zh) | 基于合作博弈论的多类型储能系统最优容量配置方法 | |
| CN115115130A (zh) | 一种基于模拟退火算法的风光储制氢系统日前调度方法 | |
| 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 | |
| CN115377964A (zh) | 一种区域两阶段弹性能量管理方法、系统、设备及介质 | |
| CN111216586B (zh) | 考虑风电消纳的居民小区电动汽车有序充电控制方法 | |
| CN110929908B (zh) | 多微网系统容量配置与经济调度的协同优化方法及系统 | |
| Thakre et al. | Potentially affect of a vehicle to grid on the electricity system | |
| Chunlin et al. | Research on the economic benefit of energy storage system works with photovoltaic system considering the cost of electricity | |
| Zhao et al. | Evaluation of a PV powered EV charging station and its buffer battery | |
| Kumar et al. | Electric Vehicles as Energy Storage: V2G Capacity Estimation | |
| CN113285464B (zh) | 一种电动公交车与分布式光伏协调控制系统 |
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 |