CN110138006A - 考虑含有新能源电动汽车的多微电网协调优化调度方法 - Google Patents

考虑含有新能源电动汽车的多微电网协调优化调度方法 Download PDF

Info

Publication number
CN110138006A
CN110138006A CN201910428108.3A CN201910428108A CN110138006A CN 110138006 A CN110138006 A CN 110138006A CN 201910428108 A CN201910428108 A CN 201910428108A CN 110138006 A CN110138006 A CN 110138006A
Authority
CN
China
Prior art keywords
micro
capacitance sensor
electric car
electric
energy
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
Application number
CN201910428108.3A
Other languages
English (en)
Other versions
CN110138006B (zh
Inventor
窦春霞
汤雯博
岳东
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.)
Nanjing Post and Telecommunication University
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing Post and Telecommunication University
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 Nanjing Post and Telecommunication University filed Critical Nanjing Post and Telecommunication University
Priority to CN201910428108.3A priority Critical patent/CN110138006B/zh
Publication of CN110138006A publication Critical patent/CN110138006A/zh
Application granted granted Critical
Publication of CN110138006B publication Critical patent/CN110138006B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • 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
    • H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
    • H02J3/14—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by switching loads on to, or off from, network, e.g. progressively balanced loading
    • 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
    • H02J3/382—
    • H02J3/383—
    • H02J3/386—
    • 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
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • 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
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • 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
    • H02J2310/00—The network for supplying or distributing electric power characterised by its spatial reach or by the load
    • H02J2310/50—The network for supplying or distributing electric power characterised by its spatial reach or by the load for selectively controlling the operation of the loads
    • H02J2310/56—The network for supplying or distributing electric power characterised by its spatial reach or by the load for selectively controlling the operation of the loads characterised by the condition upon which the selective controlling is based
    • H02J2310/62—The condition being non-electrical, e.g. temperature
    • H02J2310/64—The condition being economic, e.g. tariff based load management
    • 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
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
    • 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
    • H02J3/008—Circuit arrangements for ac mains or ac distribution networks involving trading of energy or energy transmission rights
    • 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
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B70/00—Technologies for an efficient end-user side electric power management and consumption
    • Y02B70/30—Systems integrating technologies related to power network operation and communication or information technologies for improving the carbon footprint of the management of residential or tertiary loads, i.e. smart grids as climate change mitigation technology in the buildings sector, including also the last stages of power distribution and the control, monitoring or operating management systems at local level
    • Y02B70/3225—Demand response systems, e.g. load shedding, peak shaving
    • 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
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/50—Photovoltaic [PV] energy
    • Y02E10/56—Power conversion systems, e.g. maximum power point trackers
    • 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
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/76—Power conversion electric or electronic aspects
    • 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
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
    • 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
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E70/00—Other energy conversion or management systems reducing GHG emissions
    • Y02E70/30—Systems combining energy storage with energy generation of non-fossil origin
    • 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
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems
    • 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
    • Y02T90/16—Information or communication technologies improving the operation of electric vehicles
    • Y02T90/167—Systems integrating technologies related to power network operation and communication or information technologies for supporting the interoperability of electric or hybrid vehicles, i.e. smartgrids as interface for battery charging of electric vehicles [EV] or hybrid vehicles [HEV]
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S20/00—Management or operation of end-user stationary applications or the last stages of power distribution; Controlling, monitoring or operating thereof
    • Y04S20/20—End-user application control systems
    • Y04S20/222—Demand response systems, e.g. load shedding, peak shaving
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S30/00—Systems supporting specific end-user applications in the sector of transportation
    • Y04S30/10—Systems supporting the interoperability of electric or hybrid vehicles
    • Y04S30/14—Details associated with the interoperability, e.g. vehicle recognition, authentication, identification or billing

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)

Abstract

本发明揭示了一种考虑含有新能源电动汽车的多微电网协调优化调度方法，包括如下步骤：首先，建立电动汽车层优化模型，电动汽车层优化模型包括电动汽车侧优化目标及电动汽车充放电约束；其次，基于基础的负荷预测曲线、电动汽车的参数及分时电价，经过所述电动汽车层优化模型，得到包含电动汽车参与微电网调度情况下新的系统负荷数据；之后，对光伏和风机出力预测数据进行不确定性分析；然后，建立多微电网层优化调度模型；最后，采用粒子群算法进行多个微电网协调优化调度。本发明综合考虑了微电网侧和电动汽车侧两者不同的优化决策目标以及微电网内部的分布式电源出力不稳定性影响，避免了传统优化算法只能有一个优化主体的缺陷。

Description

考虑含有新能源电动汽车的多微电网协调优化调度方法
技术领域
本发明涉及一种多微电网协调优化调度方法，尤其涉及一种结合新能源电动汽车的多微电网协调优化调度方法，属于电力系统自动化调度技术领域。
背景技术
随着分布式电源、分布式储能装置、插电式电动汽车等新能源技术的飞速发展，微电网系统得到了广泛的应用。一方面，微电网可以将一个区域内的分布式电源、储能和负荷设备整合起来组成一个小型的能独立运行的电力网系统，很大程度上缓解了大量分布式电源接入大电网带来的各种负面效果，从而带来了可观的经济效益和环境效益。另一方面，由于微电网内部分布式电源、负荷种类的多样性给微电网的安全稳定运行和经济优化调度带来了不小的难题。
插电式电动汽车作为一种特殊的负荷设备因其具有环保、节能的特点近年来受到了广泛关注。插电式电动汽车可以通过充电桩接入微电网，然后通过调整自身充放电行为配合微电网协调运行。目前大部分研究都集中在利用电动汽车减少配电网中分布式能源的出力波动和微电网自身能量管理优化，但是并未涉及电动汽车参与多微电网系统的优化调度问题。另外，在传统多微电网系统优化调度过程中，很少考虑微电网内部分布式电源出力的不确定性，以及电动汽车侧对用电方式和电价的满意程度，造成优化策略考虑不足，无法在实际运行中使整个系统的效益达到最大化。
综上所述，如何提供一种考虑含有新能源电动汽车的多微电网协调优化调度方法，就成为本领域技术人员亟待解决的问题。
发明内容
本发明是针对含有新能源电动汽车的多微电网系统，通过分时电价引导调控电动汽车充放电行为，科学处理电动汽车和微电网之间的交互关系，实现新能源的有效利用、微电网之间的资源互补以及多微电网系统整体效益最大化，提供的一种考虑含有新能源电动汽车的多微电网协调优化调度方法。
本发明的技术解决方案是：
一种考虑含有新能源电动汽车的多微电网协调优化调度方法，包括如下步骤：
S1：将新能源电动汽车接入微电网，并建立电动汽车层优化模型，所述电动汽车层优化模型包括电动汽车侧优化目标及电动汽车充放电约束；
S2：基于基础的负荷预测曲线、电动汽车的参数及分时电价，经过所述电动汽车层优化模型，得到包含电动汽车参与微电网调度情况下新的系统负荷数据；
S3：对光伏和风机出力预测数据进行不确定性分析，得出出力不确定性分析数据，所述出力不确定性分析数据包括多微电网系统内光伏出力范围、多微电网系统内风机的出力范围，每个微电网内储能装置的储能情况、及每个微电网内分布式电源当前的运行状态；
S4：建立多微电网层优化调度模型，并将步骤S3中的得到的出力不确定性分析数据、及步骤S2中的包含电动汽车参与微电网调度情况下新的系统负荷数据均通过多微电网层优化调度模型调度，得到多个更安全稳定的微电网；
S5：基于步骤S4中的多微电网层优化调度模型，采用粒子群算法进行多个微电网协调优化调度，得到兼顾微电网侧和电动汽车侧不同优化目标下的多微电网协调优化调度方法。
优选地，所述步骤S1中的电动汽车侧优化目标为：
min Sev＝-(λ1η+λ2θ)，
其中，
其中，式中λ1、λ2为权重比例；η为电动汽车参与调度计划后对用电方式改变的满意程度；θ为电动汽车参与调度计划后对电价的满意度；Lbefore(p)和Lafter(p)分别为参与调度后前后电动汽车日负荷大小，通过负荷变化程度的大小体现电动汽车用电满意度；Q(pbefore)为参与调度前电动汽车电费支出；Q(pafter)为参与调度后的电费支出；Ldis(p)为参与调度的电动汽车部分共享电量；price(t)为分时电价。
优选地，所述分时电价为：
式中p-1、p0、p+1分别为负荷谷时、平时、峰时电价；tgstart和tgend为谷时电价开始和结束时间；tfstart和tfend为峰时电价开始结束时间。
优选地，所述电动汽车充放电约束为：
式中Pch,min、Pch,max分别为电动汽车允许的充电最小值与充电最大值；Pdis,min、为Pdis,max分别为电动汽车允许的放电最小值、放电最大值；PEV(t)为电动汽车当前容量大小；SOCEV为电动汽车充放电程度上下限。
优选地，所述步骤S3中对光伏和风机出力预测数据进行不确定性分析的方法包括：
S31：将光照强度及风速的真实数据与预测值的偏差几率视为正态分布，
其中，ΔWT为风速的实际值与预测值的误差，ΔPV为光照强度的实际值与预测值的误差，δ为正态分布函数的标准差；
S32：设置采样次数为M，分别将各个微电网内的N个太阳能电池或风机所处位置的光照强度、风速用随机变量x1，x2，x3，...，xN表示，相应xN的最终概率分布是TN＝fN(xN)，TN的取值范围是0到1，在0-1之间取M等份，在每一份中随机取值得到TN,M，则xN的第M次采样数值xN,M满足TN,M＝fN,M(xN,M),通过这个函数可以得到
S33：对于个体N经过步骤S32中的采样结束后得到一个大小为N×M的矩阵，采用cholesky分解法对采样得到的矩阵进行调整得到M个场景；
S34：合并步骤S33中M个场景中的类似场景，然后通过拉丁超立方采样，得出光伏和风机预测曲线。
优选地，所述步骤S4中的多微电网层优化调度模型包括多微电网系统线路损耗、多微电网系统负荷波动、微电网运行综合成本、微电网优化调度目标、及微电网约束条件。
优选地，所述多微电网系统线路损耗Wloss的表达式为：
其中，Rl为相应线路的电阻值，Pl,t、Ql,t、Vl,t分别为相应线路中的有功功率、无功功率及线路上的电压值；
所述多微电网系统线路损耗Zload的表达式为：
其中，L为线路总数；T为总的调度时间段；Ldt为该时间段的基础负荷；Lev,t为电动汽车参与后的负荷；Lav为负荷平均值；
所述微电网运行综合成本Cmg的表达式为：
其中FG-i(t)为微电网的发电成本，表达式为PG,i,k为微电网i中分布式电源k的出力，a、b、c为对应电源的发电成本系数；Fev(t)为微电网向电动汽车购电成本，表达式为：Pev-i(t)为电动汽车提供的电量；
所述微电网运行综合成本及微电网优化调度目标为：
minSmg＝β1Wloss+β2Zload+β3Cmg，
式中β1、β2、β3为相对应的权值系数；Wloss为多微电网系统线路损耗；Zload为多微电网系统负荷波动；Cmg为微电网运行综合成本。
优选地，所述微电网约束条件包括功率平衡约束、爬坡约束及储能装置使用约束；
所述功率平衡约束为：∑PMT-i(t)+PPV-i(t)+PEV-i(t)+PWT-i(t)+PESS-i(t)＝Pload-i(t)，式中PWT-i,t为微电网内风机发电量，PMT-i,t为微电网微型燃气轮机发电量，PPV-i,t为微电网光伏发电量，PEV-i,t为微电网内可调度的新能源汽车电量，PESS-i,t为微电网内储能可用电量，Pload-i,t为微电网当前时间负荷预测值；
所述爬坡约束为：
式中Pup,i,k为微电网i中分布式电源k的爬升功率，Pdown,i,k为对应的下降功率；
所述储能装置使用约束为：
式中ESS(t)为储能装置当前容量，ESSmin、ESSmax分别为储能装置健康运行允许的最低容量和最大容量。
优选地，所述步骤S5中的粒子群算法是将每个参与优化的参数作为抽象空间中的粒子位置，并给每个粒子赋予一个自生移动速度，将以需要优化的目标函数作为适应度指标，每次迭代空间中的粒子会按照自己的速度方向和步长来进行移动，通过比较每次移动后的目标函值得到一个局部式中的惯性权重，并得到一个局部最优解，在所有局部最优解中得到当前全局最优解，然后进行下一步迭代，更新粒子位置和粒子速度进行下一轮对比，粒子每次迭代计算都要从新计算新的适应度数值，更新粒子位置和粒子速度，最终经过数次迭代得到相应目标函数的最佳值；更新迭代的表达式为：
其中，和分别为第n次迭代的局部最优解、及第n+1次迭代的局部最优解，f(Xi n)为对应的目标函数。
优选地，所述粒子位置迭代与粒子速度迭代的表达式为：
式中α为惯性权重，c1、c2为学习因子、b1、b2通常为非负常数且范围为[0,1]的随机数。
与现有技术相比，本发明具有如下优点：
本发明提出一种考虑电动汽车参与的多微电网优化调度方法，充分考虑电动汽车充放电行为对微电网调度带来的影响，细化了多微电网优化调度模型，并针对新能源电动汽车大量接入微电网的情况，综合考虑了微电网侧和电动汽车侧两者不同的优化决策目标以及微电网内部的分布式电源出力不稳定性影响，通过电动汽车层优化模型及微电网层优化调度模型双层规划和负荷、发电预测，在满足约束条件的前提下实现了多微电网系统整体效益的最大化，更好的实现了多微电网系统的安全稳定运行和促进多微电网系统消纳新能源的目的，同时避免了传统优化算法只能有一个优化主体的缺陷。
以下便结合实施例附图，对本发明的具体实施方式作进一步的详述，以使本发明技术方案更易于理解、掌握。
附图说明
图1为本发明的流程图。
具体实施方式
一种考虑含有新能源电动汽车的多微电网协调优化调度方法，包括如下步骤：
S1：将新能源电动汽车接入微电网，并建立电动汽车层优化模型，所述电动汽车层优化模型包括电动汽车侧优化目标及电动汽车充放电约束；
进一步地，电动汽车侧优化目标为：
min Sev＝-(λ1η+λ2θ)，
其中，
其中，式中λ1、λ2为权重比例；η为电动汽车参与调度计划后对用电方式改变的满意程度；θ为电动汽车参与调度计划后对电价的满意度；Lbefore(p)和Lafter(p)分别为参与调度后前后电动汽车日负荷大小，通过负荷变化程度的大小体现电动汽车用电满意度；Q(pbefore)为参与调度前电动汽车电费支出；Q(pafter)为参与调度后的电费支出；Ldis(p)为参与调度的电动汽车部分共享电量；price(t)为分时电价。
更进一步地，分时电价为：
式中p-1、p0、p+1分别为负荷谷时、平时、峰时电价；tgstart和tgend为谷时电价开始和结束时间；tfstart和tfend为峰时电价开始结束时间。
电动汽车充放电约束为：
式中Pch,min、Pch,max分别为电动汽车允许的充电最小值与充电最大值；Pdis,min、为Pdis,max分别为电动汽车允许的放电最小值、放电最大值；PEV(t)为电动汽车当前容量大小；SOCEV为电动汽车充放电程度上下限。
S2：基于基础的负荷预测曲线、电动汽车的参数及分时电价，经过所述电动汽车层优化模型，得到包含电动汽车参与微电网调度情况下新的系统负荷数据；
S3：对光伏和风机出力预测数据进行不确定性分析，得出不确定性分析数据，所述不确定性分析数据包括多微电网系统内光伏出力范围、多微电网系统内风机的出力范围，每个微电网内储能装置的储能情况、及每个微电网内分布式电源当前的运行状态；
在本发明的技术方案中，对光伏和风机出力预测数据进行不确定性分析的方法包括：
S31：将光照强度及风速的真实数据与预测值的偏差几率视为正态分布，
其中，ΔWT为风速的实际值与预测值的误差，ΔPV为光照强度的实际值与预测值的误差，δ为正态分布函数的标准差；
S32：设置采样次数为M，分别将各个微电网内的N个太阳能电池或风机所处位置的光照强度、风速用随机变量x1，x2，x3，...，xN表示，相应xN的最终概率分布是TN＝fN(xN)，TN的取值范围是0到1，在0-1之间取M等份，在每一份中随机取值得到TN,M，则xN的第M次采样数值xN,M满足TN,M＝fN,M(xN,M)，通过这个函数可以得到
S33：对于个体N经过步骤S32中的采样结束后得到一个大小为N×M的矩阵，采用cholesky分解法对采样得到的矩阵进行调整得到M个场景；
S34：合并步骤S33中M个场景中的类似场景，然后通过拉丁超立方采样，得出光伏和风机预测曲线。
S4：建立多微电网层优化调度模型，并将步骤S3中的得到的出力不确定性分析数据、及步骤S2中的包含电动汽车参与微电网调度情况下新的系统负荷数据通过多微电网层优化调度模型调度，并得到多个更安全稳定的微电网；
在本实施例中，多微电网层优化调度模型包括多微电网系统线路损耗、多微电网系统负荷波动、微电网运行综合成本、微电网优化调度目标、及微电网约束条件。
多微电网系统线路损耗Wloss的表达式为：
其中，Rl为相应线路的电阻值，Pl,t、Ql,t、Vl,t分别为相应线路中的有功功率、无功功率及线路上的电压值；
所述多微电网系统线路损耗Zload的表达式为：
其中，L为线路总数；T为总的调度时间段；Ldt为该时间段的基础负荷；Lev,t为电动汽车参与后的负荷；Lav为负荷平均值；
所述微电网运行综合成本Cmg的表达式为：
其中FG-i(t)为微电网的发电成本，表达式为PG,i,k为微电网i中分布式电源k的出力，a、b、c为对应电源的发电成本系数；Fev(t)为微电网向电动汽车购电成本，表达式为：Pev-i(t)为电动汽车提供的电量；
所述微电网运行综合成本及微电网优化调度目标为：
minSmg＝β1Wloss+β2Zload+β3Cmg，
式中β1、β2、β3为相对应的权值系数；Wloss为多微电网系统线路损耗；Zload为多微电网系统负荷波动；Cmg为微电网运行综合成本。
微电网约束条件包括功率平衡约束、爬坡约束及储能装置使用约束；
所述功率平衡约束为：∑PMT-i(t)+PPV-i(t)+PEV-i(t)+PWT-i(t)+PESS-i(t)＝Pload-i(t)，式中PWT-i,t为微电网内风机发电量，PMT-i,t为微电网微型燃气轮机发电量，PPV-i,t为微电网光伏发电量，PEV-i,t为微电网内可调度的新能源汽车电量，PESS-i,t为微电网内储能可用电量，Pload-i,t为微电网当前时间负荷预测值；
所述爬坡约束为：
式中Pup,i,k为微电网i中分布式电源k的爬升功率，Pdown,i,k为对应的下降功率；
所述储能装置使用约束为：
式中ESS(t)为储能装置当前容量，ESSmin、ESSmax分别为储能装置健康运行允许的最低容量和最大容量。
S5：基于步骤S4中的多微电网层优化调度模型，采用粒子群算法进行多微电网协调优化调度，得到兼顾微电网侧和电动汽车侧不同优化目标下的多微电网协调优化调度方法。
粒子群算法是将每个参与优化的参数作为抽象空间中的粒子位置，并给每个粒子赋予一个自生移动速度，将以需要优化的目标函数作为适应度指标，每次迭代空间中的粒子会按照自己的速度方向和步长来进行移动，通过比较每次移动后的目标函值得到一个局部式中的惯性权重，并得到一个局部最优解，在所有局部最优解中得到当前全局最优解，然后进行下一步迭代，更新粒子位置和粒子速度进行下一轮对比，粒子每次迭代计算都要从新计算新的适应度数值，更新粒子位置和粒子速度，最终经过数次迭代得到相应目标函数的最佳值；更新迭代的表达式为：
其中，和分别为第n次迭代的局部最优解、及第n+1次迭代的局部最优解，为对应的目标函数。
粒子位置迭代与粒子速度迭代的表达式为：
式中α为惯性权重，c1、c2为学习因子、b1、b2通常为非负常数且范围为[0,1]的随机数。
以下用具体实施例说明本发明提供的考虑含有新能源电动汽车的多微电网协调优化调度方法：
S1：将新能源电动汽车接入微电网，并建立电动汽车层优化模型，所述电动汽车层优化模型包括电动汽车侧优化目标及电动汽车充放电约束；
插电式电动汽车具有节能环保的特点，近年来得到了很多关注，大量电动汽车接入电网就像当初分布式电源的兴起一样，会对电网的电能质量产生影响。将电动汽车接入微电网，利用电动汽车既能充电又能放电的双重特性，配合微电网的运行，在用电闲时作为负荷进行蓄能，在用电高峰期共享自身多余的电量，减轻微电网的负荷压力。同时，参与微电网调度计划必定会对电动汽车自身用电行为产生影响。在电动汽车层，以电动汽车侧利益最大化作为优化目标设置如下：
电动汽车侧优化目标为：
min Sev＝-(λ1η+λ2θ)，
其中，
其中，式中λ1、λ2为权重比例；η为电动汽车参与调度计划后对用电方式改变的满意程度；θ为电动汽车参与调度计划后对电价的满意度；Lbefore(p)和Lafter(p)分别为参与调度后前后电动汽车日负荷大小，通过负荷变化程度的大小体现电动汽车用电满意度；Q(pbefore)为参与调度前电动汽车电费支出；Q(pafter)为参与调度后的电费支出；Ldis(p)为参与调度的电动汽车部分共享电量；price(t)为分时电价。
分时电价为：
式中p-1、p0、p+1分别为负荷谷时、平时、峰时电价；tgstart和tgend为谷时电价开始和结束时间；tfstart和tfend为峰时电价开始结束时间。
每辆电动汽车在进行充放电操作时，充电功率和放电功率都必须在设备允许的安全范围内。为了不影响电池的使用寿命，电动汽车不能出现过充过放行为。
电动汽车充放电约束为：
式中Pch,min、Pch,max分别为电动汽车允许的充电最小值与充电最大值；Pdis,min、为Pdis,max分别为电动汽车允许的放电最小值、放电最大值；PEV(t)为电动汽车当前容量大小；SOCEV为电动汽车充放电程度上下限。
S2：基于基础的负荷预测曲线、电动汽车的参数及分时电价，经过所述电动汽车层优化模型，得到包含电动汽车参与微电网调度情况下新的系统负荷数据；
S3：对光伏和风机出力预测数据进行不确定性分析，得出不确定性分析数据，所述不确定性分析数据包括多微电网系统内光伏出力范围、多微电网系统内风机的出力范围，每个微电网内储能装置的储能情况、及每个微电网内分布式电源当前的运行状态；
自然环境下太阳光照强度和风速受当地环境因素影响，具有很大的不确定性，在本发明的技术方案中，对光伏和风机出力预测数据进行不确定性分析的方法包括：
S31：将光照强度及风速的真实数据与预测值的偏差几率视为正态分布，
其中，ΔWT为风速的实际值与预测值的误差，ΔPV为光照强度的实际值与预测值的误差，δ为正态分布函数的标准差；
S32：设置采样次数为M，分别将各个微电网内的N个太阳能电池或风机所处位置的光照强度、风速用随机变量x1，x2，x3，...，xN表示，相应xN的最终概率分布是TN＝fN(xN)，TN的取值范围是0到1，在0-1之间取M等份，在每一份中随机取值得到TN,M，则xN的第M次采样数值xN,M满足TN,M＝fN,M(xN,M),通过这个函数可以得到
S33：对于个体N经过步骤S32中的采样结束后得到一个大小为N×M的矩阵，采用cholesky分解法对采样得到的矩阵进行调整得到M个场景；
S34：合并步骤S33中M个场景中的类似场景，然后通过拉丁超立方采样，得出光伏和风机预测曲线。
通过拉丁超立方采样时，采样的场景数量越大最终结果越精确。但为了简化计算过程，可以合并类似的场景减少计算量。经过拉丁超立方采样后的光伏和风机预测曲线将更贴合实际运行情况。
S4：建立多微电网层优化调度模型，并将步骤S3中的得到的出力不确定性分析数据、及步骤S2中的包含电动汽车参与微电网调度情况下新的系统负荷数据通过多微电网层优化调度模型调度，并得到多个更安全稳定的微电网；
微电网层以整体微电网经济效益最佳为目标，在运行中要尽可能保证微电网安全稳定运行，充分利用多微电网之间的能源互补提高微电网层的整体收益。并针对目前新能源汽车的兴起制定相应的调度策略，让新能源汽车参与到微电网间的调度。风电、光电能源作为清洁能源，微电网在调度时最大限度利用风电和光电。电动汽车在微电网中作为一种可移动的特殊储能设备存在，既可以在峰时共享出多余的电量，又能够在谷时存储电量。
在本实施例中，多微电网层优化调度模型包括多微电网系统线路损耗、多微电网系统负荷波动、微电网运行综合成本、微电网优化调度目标、及微电网约束条件。
多微电网系统线路损耗Wloss的表达式为：
其中，Rl为相应线路的电阻值，Pl,t、Ql,t、Vl,t分别为相应线路中的有功功率、无功功率及线路上的电压值；
所述多微电网系统线路损耗Zload的表达式为：
其中，L为线路总数；T为总的调度时间段；Ldt为该时间段的基础负荷；Lev,t为电动汽车参与后的负荷；Lav为负荷平均值；
所述微电网运行综合成本Cmg的表达式为：
其中FG-i(t)为微电网的发电成本，表达式为
PG,i,k为微电网i中分布式电源k的出力，a、b、c为对应电源的发电成本系数；Fev(t)为微电网向电动汽车购电成本，表达式为：Pev-i(t)为电动汽车提供的电量；
所述微电网运行综合成本及微电网优化调度目标为：
min Smg＝β1Wloss+β2Zload+β3Cmg，
式中β1、β2、β3为相对应的权值系数；Wloss为多微电网系统线路损耗；Zload为多微电网系统负荷波动；Cmg为微电网运行综合成本。
微电网约束条件包括功率平衡约束、爬坡约束及储能装置使用约束；
所述功率平衡约束为：∑PMT-i(t)+PPV-i(t)+PEV-i(t)+PWT-i(t)+PESS-i(t)＝Pload-i(t)，式中PWT-i,t为微电网内风机发电量，PMT-i,t为微电网微型燃气轮机发电量，PPV-i,t为微电网光伏发电量，PEV-i,t为微电网内可调度的新能源汽车电量，PESS-i,t为微电网内储能可用电量，Pload-i,t为微电网当前时间负荷预测值；
所述爬坡约束为：
式中Pup,i,k为微电网i中分布式电源k的爬升功率，Pdown,i,k为对应的下降功率；
所述储能装置使用约束为：
式中ESS(t)为储能装置当前容量，ESSmin、ESSmax分别为储能装置健康运行允许的最低容量和最大容量。
S5：基于步骤S4中的多微电网层优化调度模型，采用粒子群算法进行多微电网协调优化调度，得到兼顾微电网侧和电动汽车侧不同优化目标下的多微电网协调优化调度方法。
粒子群算法是将每个参与优化的参数作为抽象空间中的粒子位置，并给每个粒子赋予一个自生移动速度，将以需要优化的目标函数作为适应度指标，每次迭代空间中的粒子会按照自己的速度方向和步长来进行移动，通过比较每次移动后的目标函值得到一个局部式中的惯性权重，并得到一个局部最优解，在所有局部最优解中得到当前全局最优解，然后进行下一步迭代，更新粒子位置和粒子速度进行下一轮对比，粒子每次迭代计算都要从新计算新的适应度数值，更新粒子位置和粒子速度，最终经过数次迭代得到相应目标函数的最佳值；更新迭代的表达式为：
其中，和分别为第n次迭代的局部最优解、及第n+1次迭代的局部最优解，f(Xi n)为对应的目标函数。
粒子位置迭代与粒子速度迭代的表达式为：
式中α为惯性权重，c1、c2为学习因子、b1、b2通常为非负常数且范围为[0,1]的随机数，在本实施例中，粒子群种群大小设置为50，迭代次数设置为1000，将学习因子设置为1.75。
本发明针对含有新能源电动汽车的多微电网系统，通过分时电价引导调控电动汽车充放电行为，科学处理电动汽车和微电网之间的交互关系，实现新能源的有效利用、微电网之间的资源互补以及多微电网系统整体效益最大化。在多微电网的联合运行中采用这种调度方式，考虑了电动汽车侧的响应后，在满足电动汽车自身需求的情况下有效实现了负荷的峰谷转移，平滑了负荷曲线，减轻电网的供电压力。同时，在多微电网层面充分考虑了分布式电源的不稳定性，大大降低了因光伏和风机出力预测不准带来的偏差。在多微电网协同运行的过程中兼顾了微电网的安全稳定和经济效益，有效提高了微电网内部清洁能源的利用率，并降低了微电网的运行成本。
应该注意的是，上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。

Claims (10)

1.一种考虑含有新能源电动汽车的多微电网协调优化调度方法，其特征在于，包括如下步骤：
S1：将新能源电动汽车接入微电网，并建立电动汽车层优化模型，所述电动汽车层优化模型包括电动汽车侧优化目标及电动汽车充放电约束；
S2：基于基础的负荷预测曲线、电动汽车的参数及分时电价，经过所述电动汽车层优化模型，得到包含电动汽车参与微电网调度情况下新的系统负荷数据；
S3：对光伏和风机出力预测数据进行不确定性分析，得出出力不确定性分析数据，所述出力不确定性分析数据包括多微电网系统内光伏出力范围、多微电网系统内风机的出力范围，每个微电网内储能装置的储能情况、及每个微电网内分布式电源当前的运行状态；
S4：建立多微电网层优化调度模型，并将步骤S3中的得到的出力不确定性分析数据、及步骤S2中的包含电动汽车参与微电网调度情况下新的系统负荷数据均通过多微电网层优化调度模型调度，得到多个更安全稳定的微电网；
S5：基于步骤S4中的多微电网层优化调度模型，采用粒子群算法进行多个微电网协调优化调度，得到兼顾微电网侧和电动汽车侧不同优化目标下的多微电网协调优化调度方法。
2.根据权利要求1所述的考虑含有新能源电动汽车的多微电网协调优化调度方法，其特征在于：所述步骤S1中的电动汽车侧优化目标为：
min Sev＝-(λ1η+λ2θ)，
其中，
其中，式中λ1、λ2为权重比例；η为电动汽车参与调度计划后对用电方式改变的满意程度；θ为电动汽车参与调度计划后对电价的满意度；Lbefore(p)和Lafter(p)分别为参与调度后前后电动汽车日负荷大小，通过负荷变化程度的大小体现电动汽车用电满意度；Q(pbefore)为参与调度前电动汽车电费支出；Q(pafter)为参与调度后的电费支出；Ldis(p)为参与调度的电动汽车部分共享电量；price(t)为分时电价。
3.根据权利要求2所述的考虑含有新能源电动汽车的多微电网协调优化调度方法，其特征在于：所述分时电价为：
式中p-1、p0、p+1分别为负荷谷时、平时、峰时电价；tgstart和tgend为谷时电价开始和结束时间；tfstart和tfend为峰时电价开始结束时间。
4.根据权利要求1所述的考虑含有新能源电动汽车的多微电网协调优化调度方法，其特征在于：所述电动汽车充放电约束为：
式中Pch,min、Pch,max分别为电动汽车允许的充电最小值与充电最大值；Pdis,min、为Pdis,max分别为电动汽车允许的放电最小值、放电最大值；PEV(t)为电动汽车当前容量大小；SOCEV为电动汽车充放电程度上下限。
5.根据权利要求1所述的考虑含有新能源电动汽车的多微电网协调优化调度方法，其特征在于：所述步骤S3中对光伏和风机出力预测数据进行不确定性分析的方法包括：
S31：将光照强度及风速的真实数据与预测值的偏差几率视为正态分布，
其中，ΔWT为风速的实际值与预测值的误差，Δpv为光照强度的实际值与预测值的误差，δ为正态分布函数的标准差；
S32：设置采样次数为M，分别将各个微电网内的N个太阳能电池或风机所处位置的光照强度、风速用随机变量x1，x2，x3，...，xN表示，相应xN的最终概率分布是TN＝fN(xN)，TN的取值范围是0到1，在0-1之间取M等份，在每一份中随机取值得到TN,M，则xN的第M次采样数值xN,M满足TN,M＝fN,M(xN,M),通过这个函数可以得到
S33：对于个体N经过步骤S32中的采样结束后得到一个大小为N×M的矩阵，采用cholesky分解法对采样得到的矩阵进行调整得到M个场景；
S34：合并步骤S33中M个场景中的类似场景，然后通过拉丁超立方采样，得出光伏和风机预测曲线。
6.根据权利要求1所述的考虑含有新能源电动汽车的多微电网协调优化调度方法，其特征在于：所述步骤S4中的多微电网层优化调度模型包括多微电网系统线路损耗、多微电网系统负荷波动、微电网运行综合成本、微电网优化调度目标、及微电网约束条件。
7.根据权利要求6所述的考虑含有新能源电动汽车的多微电网协调优化调度方法，其特征在于：
所述多微电网系统线路损耗Wloss的表达式为：
其中，Rl为相应线路的电阻值，Pl,t、Ql,t、Vl,t分别为相应线路中的有功功率、无功功率及线路上的电压值；
所述多微电网系统线路损耗Zload的表达式为：
其中，L为线路总数；T为总的调度时间段；Ldt为该时间段的基础负荷；Lev,t为电动汽车参与后的负荷；Lav为负荷平均值；
所述微电网运行综合成本Cmg的表达式为：
其中FG-i(t)为微电网的发电成本，表达式为PG,i,k为微电网i中分布式电源k的出力，a、b、c为对应电源的发电成本系数；Fev(t)为微电网向电动汽车购电成本，表达式为：Pev-i(t)为电动汽车提供的电量；
所述微电网运行综合成本及微电网优化调度目标为：
min Smg＝β1Wloss+β2Zload+β3Cmg，
式中β1、β2、β3为相对应的权值系数；Wloss为多微电网系统线路损耗；Zload为多微电网系统负荷波动；Cmg为微电网运行综合成本。
8.根据权利要求6所述的考虑含有新能源电动汽车的多微电网协调优化调度方法，其特征在于：所述微电网约束条件包括功率平衡约束、爬坡约束及储能装置使用约束；
所述功率平衡约束为：∑PMT-i(t)+PPV-i(t)+PEV-i(t)+PWT-i(t)+PESS-i(t)＝Pload-i(t)，式中PWT-i,t为微电网内风机发电量，PMT-i,t为微电网微型燃气轮机发电量，PPV-i,t为微电网光伏发电量，PEV-i,t为微电网内可调度的新能源汽车电量，PESS-i,t为微电网内储能可用电量，Pload-i,t为微电网当前时间负荷预测值；
所述爬坡约束为：
式中Pup,i,k为微电网i中分布式电源k的爬升功率，Pdown,i,k为对应的下降功率；
所述储能装置使用约束为：
式中ESS(t)为储能装置当前容量，ESSmin、ESSmax分别为储能装置健康运行允许的最低容量和最大容量。
9.根据权利要求1所述的考虑含有新能源电动汽车的多微电网协调优化调度方法，其特征在于：所述步骤S5中的粒子群算法是将每个参与优化的参数作为抽象空间中的粒子位置，并给每个粒子赋予一个自生移动速度，将以需要优化的目标函数作为适应度指标，每次迭代空间中的粒子会按照自己的速度方向和步长来进行移动，通过比较每次移动后的目标函值得到一个局部式中的惯性权重，并得到一个局部最优解，在所有局部最优解中得到当前全局最优解，然后进行下一步迭代，更新粒子位置和粒子速度进行下一轮对比，粒子每次迭代计算都要从新计算新的适应度数值，更新粒子位置和粒子速度，最终经过数次迭代得到相应目标函数的最佳值；更新迭代的表达式为：
其中，和分别为第n次迭代的局部最优解、及第n+1次迭代的局部最优解，为对应的目标函数。
10.根据权利要求9所述的考虑含有新能源电动汽车的多微电网协调优化调度方法，其特征在于：所述粒子位置迭代与粒子速度迭代的表达式为：
式中α为惯性权重，c1、c2为学习因子、b1、b2通常为非负常数且范围为[0,1]的随机数。
CN201910428108.3A 2019-05-22 2019-05-22 考虑含有新能源电动汽车的多微电网协调优化调度方法 Active CN110138006B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910428108.3A CN110138006B (zh) 2019-05-22 2019-05-22 考虑含有新能源电动汽车的多微电网协调优化调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910428108.3A CN110138006B (zh) 2019-05-22 2019-05-22 考虑含有新能源电动汽车的多微电网协调优化调度方法

Publications (2)

Publication Number Publication Date
CN110138006A true CN110138006A (zh) 2019-08-16
CN110138006B CN110138006B (zh) 2020-12-01

Family

ID=67572296

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910428108.3A Active CN110138006B (zh) 2019-05-22 2019-05-22 考虑含有新能源电动汽车的多微电网协调优化调度方法

Country Status (1)

Country Link
CN (1) CN110138006B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111160384A (zh) * 2019-11-21 2020-05-15 南京国电南自电网自动化有限公司 一种移动储能车调度优化方法、系统及装置
CN111244988A (zh) * 2020-01-06 2020-06-05 华北电力大学 考虑分布式电源的电动汽车和储能优化调度方法
CN111476424A (zh) * 2020-04-14 2020-07-31 南京工程学院 含电动汽车的热电联供型多微电网能量调度方法
CN111652405A (zh) * 2020-02-20 2020-09-11 贵州电网有限责任公司 一种电动汽车充放电策略和电网侧分时电价的双层优化方法
CN111668879A (zh) * 2020-06-18 2020-09-15 国网天津市电力公司 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
CN112874368A (zh) * 2021-03-26 2021-06-01 国网黑龙江省电力有限公司电力科学研究院 一种基于qpso算法的电动汽车充电策略优化方法
CN113158450A (zh) * 2021-04-08 2021-07-23 国网河南省电力公司电力科学研究院 一种基于楼宇能量管理系统经济调度方法及系统
CN116154969A (zh) * 2023-03-06 2023-05-23 珠海赣星自动化设备有限公司 一种智能电网综合管理系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106026169A (zh) * 2016-06-28 2016-10-12 南京邮电大学 一种基于多微电网并入配电网的分解协调优化方法
CN106532774A (zh) * 2016-12-07 2017-03-22 湖南铁路科技职业技术学院 一种电动车辆接入多微电网电力分配系统及方法
CN106940828A (zh) * 2017-04-25 2017-07-11 西安交通大学 一种基于多微网系统下的电动车规模调度方法及调度系统
CN107359617A (zh) * 2017-08-08 2017-11-17 国网江苏省电力公司盐城供电公司 一种包含微网群的主动配电网源‑网‑荷协调控制系统
CN109050284A (zh) * 2018-07-09 2018-12-21 华中科技大学 一种考虑v2g的电动汽车充放电电价优化方法
CN109713732A (zh) * 2019-01-17 2019-05-03 南京邮电大学 一种多微电网和配电网协调优化调度的方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106026169A (zh) * 2016-06-28 2016-10-12 南京邮电大学 一种基于多微电网并入配电网的分解协调优化方法
CN106532774A (zh) * 2016-12-07 2017-03-22 湖南铁路科技职业技术学院 一种电动车辆接入多微电网电力分配系统及方法
CN106940828A (zh) * 2017-04-25 2017-07-11 西安交通大学 一种基于多微网系统下的电动车规模调度方法及调度系统
CN107359617A (zh) * 2017-08-08 2017-11-17 国网江苏省电力公司盐城供电公司 一种包含微网群的主动配电网源‑网‑荷协调控制系统
CN109050284A (zh) * 2018-07-09 2018-12-21 华中科技大学 一种考虑v2g的电动汽车充放电电价优化方法
CN109713732A (zh) * 2019-01-17 2019-05-03 南京邮电大学 一种多微电网和配电网协调优化调度的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
YUANYUAN ZOU，ET AL.: ""Hierarchical Nested Predictive Control for Energy Management of Multi-Microgrids System"", 《2017 11TH ASIAN CONTROL CONFERENCE (ASCC)》 *
王行行，等: ""考虑用户满意度和配网安全的电动汽车多目标双层充电优化"", 《电网技术》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111160384A (zh) * 2019-11-21 2020-05-15 南京国电南自电网自动化有限公司 一种移动储能车调度优化方法、系统及装置
CN111160384B (zh) * 2019-11-21 2023-03-24 南京国电南自电网自动化有限公司 一种移动储能车调度优化方法、系统及装置
CN111244988A (zh) * 2020-01-06 2020-06-05 华北电力大学 考虑分布式电源的电动汽车和储能优化调度方法
CN111244988B (zh) * 2020-01-06 2023-01-06 华北电力大学 考虑分布式电源的电动汽车和储能优化调度方法
CN111652405A (zh) * 2020-02-20 2020-09-11 贵州电网有限责任公司 一种电动汽车充放电策略和电网侧分时电价的双层优化方法
CN111652405B (zh) * 2020-02-20 2023-05-30 贵州电网有限责任公司 一种电动汽车充放电策略和电网侧分时电价的双层优化方法
CN111476424A (zh) * 2020-04-14 2020-07-31 南京工程学院 含电动汽车的热电联供型多微电网能量调度方法
CN111668879A (zh) * 2020-06-18 2020-09-15 国网天津市电力公司 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
CN112874368A (zh) * 2021-03-26 2021-06-01 国网黑龙江省电力有限公司电力科学研究院 一种基于qpso算法的电动汽车充电策略优化方法
CN113158450A (zh) * 2021-04-08 2021-07-23 国网河南省电力公司电力科学研究院 一种基于楼宇能量管理系统经济调度方法及系统
CN116154969A (zh) * 2023-03-06 2023-05-23 珠海赣星自动化设备有限公司 一种智能电网综合管理系统
CN116154969B (zh) * 2023-03-06 2023-08-29 珠海赣星自动化设备有限公司 一种智能电网综合管理系统

Also Published As

Publication number Publication date
CN110138006B (zh) 2020-12-01

Similar Documents

Publication Publication Date Title
CN110138006A (zh) 考虑含有新能源电动汽车的多微电网协调优化调度方法
Hou et al. Multi-objective economic dispatch of a microgrid considering electric vehicle and transferable load
CN105811409B (zh) 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
CN104362677B (zh) 一种主动配电网优化配置结构及其配置方法
CN104269849B (zh) 基于建筑光伏微电网的能量管理方法及系统
CN104734200B (zh) 一种基于虚拟发电的主动配电网优化调度方法
CN111900727B (zh) 基于pso的光储充换一体化充电站协同优化调度方法和装置
CN111799827B (zh) 一种含光储充电站的台区负荷调控方法
CN108944531A (zh) 一种电动汽车有序充电控制方法
CN108347062A (zh) 基于势博弈的微电网能量管理分布式多目标协同优化算法
CN107609693A (zh) 基于Pareto档案粒子群算法的微电网多目标优化方法
CN110705776A (zh) 能源优化调度方法
CN103217900A (zh) 基于实时电价的中压微网混沌pso最优潮流实现方法
CN109636056A (zh) 一种基于多智能体技术的多能源微网去中心化优化调度方法
CN108233430A (zh) 一种计及系统能源波动性的交直流混合微网优化方法
CN116667325B (zh) 一种基于改进布谷鸟算法的微电网并网运行优化调度方法
CN107273968A (zh) 一种基于动态模糊混沌粒子群的多目标调度方法及装置
CN114914923B (zh) 基于网格法的变时长两阶段电动汽车调度方法及系统
CN114169211A (zh) 一种基于改进的粒子群算法的多站融合储能优化配置模型
Mei et al. Multi-objective optimal scheduling of microgrid with electric vehicles
CN114583729A (zh) 考虑全生命周期碳排放的光-储电动汽车充电站调度方法
CN108921331A (zh) 一种计及v2g功能的电动汽车与新能源的调度优化建模及算法
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
CN114462854A (zh) 含新能源和电动汽车并网的分层调度方法及其系统
CN117543581A (zh) 考虑电动汽车需求响应的虚拟电厂优化调度方法及其应用

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
CB02 Change of applicant information

Address after: Room 201, building 2, phase II, No.1 Kechuang Road, Yaohua street, Qixia District, Nanjing City, Jiangsu Province

Applicant after: NANJING University OF POSTS AND TELECOMMUNICATIONS

Address before: 210003 Gulou District, Jiangsu, Nanjing new model road, No. 66

Applicant before: NANJING University OF POSTS AND TELECOMMUNICATIONS

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant