CN110288271A - 一种基于模型预测控制的台区级充电负荷调控策略及方法 - Google Patents

一种基于模型预测控制的台区级充电负荷调控策略及方法 Download PDF

Info

Publication number
CN110288271A
CN110288271A CN201910622749.2A CN201910622749A CN110288271A CN 110288271 A CN110288271 A CN 110288271A CN 201910622749 A CN201910622749 A CN 201910622749A CN 110288271 A CN110288271 A CN 110288271A
Authority
CN
China
Prior art keywords
power
formula
few days
charging
scene
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
CN201910622749.2A
Other languages
English (en)
Other versions
CN110288271B (zh
Inventor
陈中
周文闻
张梓麒
邢强
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.)
Beijing Quan Call Technology Co Ltd
Original Assignee
Beijing Quan Call Technology 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 Beijing Quan Call Technology Co Ltd filed Critical Beijing Quan Call Technology Co Ltd
Priority to CN201910622749.2A priority Critical patent/CN110288271B/zh
Publication of CN110288271A publication Critical patent/CN110288271A/zh
Application granted granted Critical
Publication of CN110288271B publication Critical patent/CN110288271B/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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • 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
    • H02J3/28—Arrangements for balancing of the load in a network by storage of energy
    • H02J3/383—
    • 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
    • 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
    • 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
    • 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
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Power Engineering (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种基于模型预测控制的台区级充电负荷调控策略及方法，该台区级充电负荷调控策略包括日前策略制定、日内滚动优化、实时反馈校正；台区级充电负荷调控策略分为自治平衡模式和调度响应模式；本发明在于解决台区级负荷调控遇到的预测误差与随机性等问题，能够在保证台区功率不越限的前提下，降低三相不平衡度，提升台区充电服务能力并增加台区收益，具备对上级调度曲线的跟踪能力。

Description

一种基于模型预测控制的台区级充电负荷调控策略及方法
技术领域
本发明涉及电力系统智能用电及经济调度领域，尤其涉及一种基于模型预测控制的台区级充电负荷调控策略及方法。
背景技术
在当前的有序充电研究中，多认为电动汽车充电功率可以完全受运营商或电网控制。但在实际的应用场景下，充电功率调节受BMS、充电桩等多方面因素的影响。台区作为配电网管理的基本单元，是用户、分布式新能源、储能和充电设施等接入电网的终端节点。通过台区的智能调控与自主平衡，为电动汽车等用户提供高质量服务、实现新能源就地消纳、提升自身运行安全性与经济性的同时，还能以台区为主体参与电网辅助服务，是当前技术水平与电网管理模式下实现源网荷互动的有效手段。
泛在电力物联终端作为一种具备计量、通信与控制功能的新型供能装置，就地安装于用电设备附近，为电动汽车充电桩等设备的交互管理提供接口。能源控制器负责台区内用能设备的管控，是台区本地控制中枢，安装于台区低压配电房内。能源控制器和泛在电力物联终端可以实现较为简单的策略计算并进行本地控制，而具有通用性、较为复杂的计算功能由位于云端平台区的采集控制系统实现。服务共享系统为用户提供互动接口，利用便携式移动终端，用户可将充电需求发送至云端进行处理，也可以通过蓝牙等短距离通讯方式与能源控制器和泛在电力物联终端进行交互。
台区内用户侧能源设备包括分布式新能源、储能和充电桩等，在能源控制器与泛在电力物联终端的管理下，计及常规负荷的影响，进行协同调度，实现台区的自主平衡，并具备以台区为基本单元参与电网调节的能力。该服务模式具有通用性和扩展性，适应当前智能电网发展形态。
发明内容
本发明目的在于解决台区级负荷调控遇到的预测误差与随机性等问题，能够在保证台区功率不越限的前提下，降低三相不平衡度，提升台区充电服务能力并增加台区收益，具备对上级调度曲线的跟踪能力。
为了实现上述目的，本发明是通过以下技术方案实现的：
一种基于模型预测控制的台区级充电负荷调控策略，包括以下内容：
日前策略制定，根据台区所处位置历史电动汽车充电信息进行分析，调整日内/日间充电行为比例，生成电动汽车充电需求若干场景，并对分布式新能源出力、常规负荷进行日前多场景预测，生成典型场景集，构造目标函数和约束条件；在此基础上，以小时为间隔对次日台区各设备的运行情况进行日前优化，并确定部分设备的控制策略；
日内滚动优化，根据电动汽车用户的实时预约充电订单信息及短时间尺度的预测情况，利用滚动非线性优化方法，以△T为间隔，对K△T时段内分配给各充电桩的最大允许充电功率和分布式新能源出力进行优化，并执行第一个时段的控制策略，在下一时间窗口根据最新量测值更新预测值(短期预测)并重复执行上述过程；
实时反馈校正，以△t为更短的时间间隔启动，在充电功率、车载电池荷电状态(State of Charge,SoC)、常规负荷及分布式新能源出力实时量测值的基础上，考虑电池管理系统(Battery Management System,BMS)响应的随机性，对分配给各充电桩的最大允许充电功率进行修正，构成闭环优化控制。
在本发明的较佳实施例中，所述台区级充电负荷调控策略分为自治平衡模式和调度响应模式；自治平衡模式下，上层调度对台区功率曲线没有要求，台区在保证从外部吸收的功率不超过限值的基础上，自行优化所辖设备的运行；调度响应模式下，台区主动跟随上级调度日前下发的分时段调度曲线，采用惩罚系数体现负荷曲线的响应结果。
在本发明的较佳实施例中，所述策略采用“先到先充”的充电调节原则，在需要降低充电功率时，优先对后进入充电队列的电动汽车进行调节；在需要提升充电功率时，则优先对先进入充电队列的电动汽车进行调节。
一种基于模型预测控制的台区级充电负荷调控方法，其基于模型预测控制的台区级充电负荷调控方法包括以下步骤：
步骤(1)：预测模型和场景选取；
步骤(2)：目标优化和条件约束；
步骤(3)：预测模型求解。
在本发明的较佳实施例中，所述步骤(1)包括：
步骤(1-1)：日前预测和场景选取
光伏发电出力受光照强度、环境温湿度及不可预知阴影等因素的影响，采用直接法进行光伏发电出力的日前(短期)预测，通过天气类型反映这些因素的影响，根据台区不同类型天气下光伏出力的历史信息，预测次日各时段的光伏发电新能源出力；
将天气类型分为晴天、多云、阴转多云、阴天、阴转雨、雨转阴和雨雪天7种，出现概率记为Pw1，Pw2，…，Pw7；天气类型及其出现概率由天气预报获取；如天气预报明日可能为阴天或阴转多云，概率分别为30％和70％，则根据历史数据分别生成两种场景下的光伏发电新能源出力情况，与出现概率一同作为日前优化的输入条件；
当台区位于工作场所时，日内充电行为占比较大；而当台区位于居民区时，日间充电行为则占比较大；根据历史订单信息确定充电行为比例，并取上下浮动15％，等概率的作为3组对次日充电场景的预测；
对日前的常规负荷预测进行简单化处理，取近两个相同类型日(工作日/非工作日)的负荷曲线，最近1天出现概率取60％，较远1天出现概率取40％，作为次日常规负荷的两个不同场景；设日前光伏发电新能源出力、充电需求和常规负荷预测场景数分别为和则日前策略制定需要考虑的场景数为：
步骤(1-2)：日内滚动预测和场景选取
在日内滚动优化阶段，以当前量测值为基础，基于自回归滑动平均(AutoRegressive Moving Average,ARMA)模型，对下一阶段的光伏发电新能源出力和常规负荷值进行滚动预测：
式中，xt+i|t为t+i时刻光伏发电新能源出力和常规负荷在t时刻的预测值，φ和θ为相关系数，xt+i-1、xt+i-2为预测或实际值；ε为预测误差的随机变量，通常认为光伏发电新能源出力和常规负荷短期预测误差满足正态分布，其概率密度函数为：
用户通过移动终端向云平台发送预约信息，包括预计的抵达时间和预期的充电电量出于操作的可行性与便捷性，用户无需确定具体的到达时刻，而是根据平台提示选择一个到达时段，设置该时段与日内滚动优化的时间窗口重合；在滚动优化中，考虑用户实际到达时刻的随机性，设其在预约时段内均匀分布；
采用拉丁超立方抽样生成大量光伏发电新能源出力、常规负荷和电动汽车充电需求场景后，利用同步回代法进行场景削减，设削减后光伏发电新能源出力、常规负荷和充电到达时刻的场景数分别为和则日内滚动优化需要考虑的场景数为：
步骤(1-3)：实时校正BMS响应的不确定性
电动汽车k在t时刻的充电功率为电池荷电状态为 充电桩向其发送的最大允许充电功率为
在实时校正环节中，考虑优化计算的速度，采用如下经验方法体现BMS响应不确定性的影响：
当或时,此时电池所能接受的最大充电功率较小，功率调节能力也较弱，
在时，有：
在时，有：
式中，为校正后的充电功率；为该电动汽车的最小充电功率，小于该功率时充电过程将终止；ω为响应深度，取ω＝0.2、ω＝0.8两个场景，并分别将其权重设置为80％和20％；
当时，此时电池充电处于稳定阶段，所能接受的最大充电功率较大，功率调节能力也较强，取取ω＝0.2、ω＝0.9两个场景，并分别将其权重设置为10％和90％；
所述步骤(2)包括：
步骤(2-1)：日前预测的目标优化和条件约束
日前预测目标优化，日前策略制定以台区运行经济性最优为目标，如公式(7)、公式(8)所示：
式中，ps为场景s的概率，CDA为台区运行收益，T为日前优化时段数， 分别为场景s下时段t向常规负荷和电动汽车的售电收益，为场景s下时段t台区向从外部购电的成本，为场景s下时段t向由于未完成调度计划而付出的惩罚成本；和分别为时段t常规负荷、电动汽车充电和外部购电的单价，cf为惩罚因子；和分别为场景s下时段t台区常规负荷、电动汽车充电和总负荷功率；为时段t台区总功率上限或电网下发的调度负荷曲线；
台区功率平衡约束，如公式(9)、公式(10)所示：
式中，为场景s下时段t光伏发电功率，为场景s下时段t储能的充(放)电功率，当储能属于充电状态时取正值，而当储能属于放电状态时取负值；公式(10)确保了台区不向配网倒送功率、不超过允许功率或电网下发的调度限值；
充电需求约束，在日前策略制定过程中，根据电动汽车充电需求预测，优化电动汽车各时段的充电总功率，不对各充电桩的功率进行分配；
储能状态约束，根据日前优化调度的实际需要，有：
式中，为储能的最大充放电功率，和分别为储能容量的初始值和最大值；
新能源出力约束，如公式(13)所示：
式中，为场景s下时段t光伏发电的最大出力；
步骤(2-2)：日内滚动的目标优化和条件约束
日内滚动目标优化，如公式(14)所示：
日内滚动优化的目标和日前策略制定相同，优化时段为K，场景数为ns，采用充电桩最大允许输出功率代替电动汽车的实际充电功率进行基于预测的日内滚动优化；
充电桩功率约束，如公式(15)—(17)所示：
式中，为台区充电桩i场景s下时段t输出的最大允许充电功率，N为台区充电桩总数，为场景s下时段t充电桩与电动汽车的连接状态；充电桩的编号i不是固定的，而是根据用户预约和优先到达的情况进行动态编码；
台区功率平衡约束，电动汽车充电可能会加剧台区三相不平衡问题，在日内滚动优化中，需考虑台区三相不平衡度的约束：
式中，x＝a,b,c，分别代表各相的功率，ρ为最大三相不平衡度；
新能源和储能约束，分布式新能源和储能装置采用单相安装方式，对各相情况进行分别考虑，如公式(22)所示：
式中为各相光伏发电的有功约束，储能各时段的运行策略在日前优化中已经确定，此时不再调整，若储能采用单相安装方式，则将总的功率和能量平均到各相即可；
步骤(2-3)：实时反馈校正的目标优化和条件约束
实时反馈校正目标优化，保证各相功率实际执行量与日内滚动优化结果的偏差最小：
式中，为时段t日内滚动优化的结果，为场景s下根据实测值对t时段的控制变量(各充电桩最大允许输出功率)进行调整后得到的各相功率；
实时反馈校正约束，如公式(24)—(26)所示：
式中，和为时刻t负荷、储能和光伏发电新能源出的量测值，为场景s下t时刻电动汽车k调节后的充电功率，其与充电桩k输出的最大允许充电功率之间关系如公式(5)、公式(6)所示；
所述步骤(3)包括：
日前策略制定为线性优化问题，台区管理规模有限，控制变量数量规模不大，采用成熟的优化算法求解；
日内滚动优化中考虑了三相平衡问题，为模型引入了非线性约束条件，对约束条件进行线性化处理；
将A、B、C三相功率分别记为Pa、Pb和Pc，将公式(19)转化成A相的平衡条件：
公式(27)线性化处理，令Pb＝Pa+△x1，Pc＝Pa+△x2，公式(27)转化为：
若△x1+△x2≥0，公式(28)等价于：
ρ(3Pa+△x1+△x2)-(△x1+△x2)≥0 公式(29)
ρ(3Pa+△x1+△x2)≥0，公式(29)在△x1+△x2≤0时仍然成立；
若△x1+△x2≤0，公式(28)等价于：
ρ(3Pa+△x1+△x2)+(△x1+△x2)≥0 公式(30)
ρ(3Pa+△x1+△x2)≥0，公式(29)在△x1+△x2≥0时仍然成立；
根据公式(29)、公式(30)，可将公式(19)所述非线性的三相平衡条件线性化求解；
实时反馈校正实现负荷跟随，校正的对象为各充电桩输出的最大允许充电功率，目标函数为控制变量的二次函数，约束条件均为线性。
综上所述，由于采用了上述技术方案，本发明的有益效果是日前策略制定从较长时间尺度上考虑储能等设备的经济性，日内滚动优化在保证用户需求完成度的基础上根据短期信息对调度计划进行调整，实时反馈校正通过保证调度计划完成水平以确保台区运行在安全的范围内；通过三个阶段的优化控制，最大限度消除各种不确定性的影响，提升台区运行的经济性、安全性与灵活性。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅是本申请的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例中泛在共享智慧用电服务系统示意图；
图2为本发明实施例中泛在共享智慧用电系统终端示意图；
图3为本发明实施例中泛在共享用电系统控制模块基本构成示意图；
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，并不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，一种基于模型预测控制的台区级充电负荷调控策略，包括以下内容：
日前策略制定，根据台区所处位置历史电动汽车充电信息进行分析，调整日内/日间充电行为比例，生成电动汽车充电需求若干场景，并对分布式新能源出力、常规负荷进行日前多场景预测，生成典型场景集，构造目标函数和约束条件；在此基础上，以小时为间隔对次日台区各设备的运行情况进行日前优化，并确定部分设备的控制策略；
日内滚动优化，根据电动汽车用户的实时预约充电订单信息及短时间尺度的预测情况，利用滚动非线性优化方法，以△T为间隔，对K△T时段内分配给各充电桩的最大允许充电功率和分布式新能源出力进行优化，并执行第一个时段的控制策略，在下一时间窗口根据最新量测值更新预测值(短期预测)并重复执行上述过程；
实时反馈校正，以△t为更短的时间间隔启动，在充电功率、车载电池荷电状态(State of Charge,SoC)、常规负荷及分布式新能源出力实时量测值的基础上，考虑电池管理系统(Battery Management System,BMS)响应的随机性，对分配给各充电桩的最大允许充电功率进行修正，构成闭环优化控制。
在本发明的较佳实施例中，所述台区级充电负荷调控策略分为自治平衡模式和调度响应模式；自治平衡模式下，上层调度对台区功率曲线没有要求，台区在保证从外部吸收的功率不超过限值的基础上，自行优化所辖设备的运行；调度响应模式下，台区主动跟随上级调度日前下发的分时段调度曲线，采用惩罚系数体现负荷曲线的响应结果。
在本发明的较佳实施例中，所述策略采用“先到先充”的充电调节原则，在需要降低充电功率时，优先对后进入充电队列的电动汽车进行调节；在需要提升充电功率时，则优先对先进入充电队列的电动汽车进行调节。
如图2所示，一种基于模型预测控制的台区级充电负荷调控方法，包括以下步骤：
步骤(1)：预测模型和场景选取；
步骤(2)：目标优化和条件约束；
步骤(3)：预测模型求解。
在本发明的较佳实施例中，所述步骤(1)包括：
步骤(1-1)：日前预测和场景选取
光伏发电出力受光照强度、环境温湿度及不可预知阴影等因素的影响，采用直接法进行光伏发电出力的日前(短期)预测，通过天气类型反映这些因素的影响，根据台区不同类型天气下光伏出力的历史信息，预测次日各时段的光伏发电新能源出力；
将天气类型分为晴天、多云、阴转多云、阴天、阴转雨、雨转阴和雨雪天7种，出现概率记为Pw1，Pw2，…，Pw7；天气类型及其出现概率由天气预报获取；如天气预报明日可能为阴天或阴转多云，概率分别为30％和70％，则根据历史数据分别生成两种场景下的光伏发电新能源出力情况，与出现概率一同作为日前优化的输入条件；
当台区位于工作场所时，日内充电行为占比较大；而当台区位于居民区时，日间充电行为则占比较大；根据历史订单信息确定充电行为比例，并取上下浮动15％，等概率的作为3组对次日充电场景的预测；
对日前的常规负荷预测进行简单化处理，取近两个相同类型日(工作日/非工作日)的负荷曲线，最近1天出现概率取60％，较远1天出现概率取40％，作为次日常规负荷的两个不同场景；设日前光伏发电新能源出力、充电需求和常规负荷预测场景数分别为和则日前策略制定需要考虑的场景数为：
步骤(1-2)：日内滚动预测和场景选取
在日内滚动优化阶段，以当前量测值为基础，基于自回归滑动平均(AutoRegressive Moving Average,ARMA)模型，对下一阶段的光伏发电新能源出力和常规负荷值进行滚动预测：
式中，xt+i|t为t+i时刻光伏发电新能源出力和常规负荷在t时刻的预测值，φ和θ为相关系数，xt+i-1、xt+i-2为预测或实际值；ε为预测误差的随机变量，通常认为光伏发电新能源出力和常规负荷短期预测误差满足正态分布，其概率密度函数为：
用户通过移动终端向云平台发送预约信息，包括预计的抵达时间和预期的充电电量出于操作的可行性与便捷性，用户无需确定具体的到达时刻，而是根据平台提示选择一个到达时段，设置该时段与日内滚动优化的时间窗口重合；在滚动优化中，考虑用户实际到达时刻的随机性，设其在预约时段内均匀分布；
采用拉丁超立方抽样生成大量光伏发电新能源出力、常规负荷和电动汽车充电需求场景后，利用同步回代法进行场景削减，设削减后光伏发电新能源出力、常规负荷和充电到达时刻的场景数分别为和则日内滚动优化需要考虑的场景数为：
步骤(1-3)：实时校正BMS响应的不确定性
电动汽车k在t时刻的充电功率为电池荷电状态为 充电桩向其发送的最大允许充电功率为
在实时校正环节中，考虑优化计算的速度，采用如下经验方法体现BMS响应不确定性的影响：
当或时,此时电池所能接受的最大充电功率较小，功率调节能力也较弱，
在时，有：
在时，有：
式中，为校正后的充电功率；为该电动汽车的最小充电功率，小于该功率时充电过程将终止；ω为响应深度，取ω＝0.2、ω＝0.8两个场景，并分别将其权重设置为80％和20％；
当时，此时电池充电处于稳定阶段，所能接受的最大充电功率较大，功率调节能力也较强，取取ω＝0.2、ω＝0.9两个场景，并分别将其权重设置为10％和90％；
所述步骤(2)包括：
步骤(2-1)：日前预测的目标优化和条件约束
日前预测目标优化，日前策略制定以台区运行经济性最优为目标，如公式(7)、公式(8)所示：
式中，ps为场景s的概率，CDA为台区运行收益，T为日前优化时段数， 分别为场景s下时段t向常规负荷和电动汽车的售电收益，为场景s下时段t台区向从外部购电的成本，为场景s下时段t向由于未完成调度计划而付出的惩罚成本；和分别为时段t常规负荷、电动汽车充电和外部购电的单价，cf为惩罚因子；和分别为场景s下时段t台区常规负荷、电动汽车充电和总负荷功率；为时段t台区总功率上限或电网下发的调度负荷曲线；
台区功率平衡约束，如公式(9)、公式(10)所示：
式中，为场景s下时段t光伏发电功率，为场景s下时段t储能的充(放)电功率，当储能属于充电状态时取正值，而当储能属于放电状态时取负值；公式(10)确保了台区不向配网倒送功率、不超过允许功率或电网下发的调度限值；
充电需求约束，在日前策略制定过程中，根据电动汽车充电需求预测，优化电动汽车各时段的充电总功率，不对各充电桩的功率进行分配；
储能状态约束，根据日前优化调度的实际需要，有：
式中，为储能的最大充放电功率，和分别为储能容量的初始值和最大值；
新能源出力约束，如公式(13)所示：
式中，为场景s下时段t光伏发电的最大出力；
步骤(2-2)：日内滚动的目标优化和条件约束
日内滚动目标优化，如公式(14)所示：
日内滚动优化的目标和日前策略制定相同，优化时段为K，场景数为ns，采用充电桩最大允许输出功率代替电动汽车的实际充电功率进行基于预测的日内滚动优化；
充电桩功率约束，如公式(15)—(17)所示：
式中，为台区充电桩i场景s下时段t输出的最大允许充电功率，N为台区充电桩总数，为场景s下时段t充电桩与电动汽车的连接状态；充电桩的编号i不是固定的，而是根据用户预约和优先到达的情况进行动态编码；
台区功率平衡约束，电动汽车充电可能会加剧台区三相不平衡问题，在日内滚动优化中，需考虑台区三相不平衡度的约束：
式中，x＝a,b,c，分别代表各相的功率，ρ为最大三相不平衡度；
新能源和储能约束，分布式新能源和储能装置采用单相安装方式，对各相情况进行分别考虑，如公式(22)所示：
式中为各相光伏发电的有功约束，储能各时段的运行策略在日前优化中已经确定，此时不再调整，若储能采用单相安装方式，则将总的功率和能量平均到各相即可；
步骤(2-3)：实时反馈校正的目标优化和条件约束
实时反馈校正目标优化，保证各相功率实际执行量与日内滚动优化结果的偏差最小：
式中，为时段t日内滚动优化的结果，为场景s下根据实测值对t时段的控制变量(各充电桩最大允许输出功率)进行调整后得到的各相功率；
实时反馈校正约束，如公式(24)—(26)所示：
式中，和为时刻t负荷、储能和光伏发电新能源出的量测值，为场景s下t时刻电动汽车k调节后的充电功率，其与充电桩k输出的最大允许充电功率之间关系如公式(5)、公式(6)所示；
所述步骤(3)包括：
日前策略制定为线性优化问题，台区管理规模有限，控制变量数量规模不大，采用成熟的优化算法求解；
日内滚动优化中考虑了三相平衡问题，为模型引入了非线性约束条件，对约束条件进行线性化处理；
将A、B、C三相功率分别记为Pa、Pb和Pc，将公式(19)转化成A相的平衡条件：
公式(27)线性化处理，令Pb＝Pa+△x1，Pc＝Pa+△x2，公式(27)转化为：
若△x1+△x2≥0，公式(28)等价于：
ρ(3Pa+△x1+△x2)-(△x1+△x2)≥0 公式(29)
ρ(3Pa+△x1+△x2)≥0，公式(29)在△x1+△x2≤0时仍然成立；
若△x1+△x2≤0，公式(28)等价于：
ρ(3Pa+△x1+△x2)+(△x1+△x2)≥0 公式(30)
ρ(3Pa+△x1+△x2)≥0，公式(29)在△x1+△x2≥0时仍然成立；
根据公式(29)、公式(30)，可将公式(19)所述非线性的三相平衡条件线性化求解；
实时反馈校正实现负荷跟随，校正的对象为各充电桩输出的最大允许充电功率，目标函数为控制变量的二次函数，约束条件均为线性。
显然，本领域的技术人员可以对本发明实施例进行各种改动和变型而不脱离本发明实施例的精神和范围。这样，倘若本发明实施例的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (5)

1.一种基于模型预测控制的台区级充电负荷调控策略，其特征在于，包括以下内容：
日前策略制定，根据台区所处位置历史电动汽车充电信息进行分析，调整日内/日间充电行为比例，生成电动汽车充电需求若干场景，并对分布式新能源出力、常规负荷进行日前多场景预测，生成典型场景集，构造目标函数和约束条件；在此基础上，以小时为间隔对次日台区各设备的运行情况进行日前优化，并确定部分设备的控制策略；
日内滚动优化，根据电动汽车用户的实时预约充电订单信息及短时间尺度的预测情况，利用滚动非线性优化方法，以△T为间隔，对K△T时段内分配给各充电桩的最大允许充电功率和分布式新能源出力进行优化，并执行第一个时段的控制策略，在下一时间窗口根据最新量测值更新预测值(短期预测)并重复执行上述过程；
实时反馈校正，以△t为更短的时间间隔启动，在充电功率、车载电池荷电状态(Stateof Charge,SoC)、常规负荷及分布式新能源出力实时量测值的基础上，考虑电池管理系统(Battery Management System,BMS)响应的随机性，对分配给各充电桩的最大允许充电功率进行修正，构成闭环优化控制。
2.根据权利要求1所述的一种基于模型预测控制的台区级充电负荷调控策略，其特征在于，所述台区级充电负荷调控策略分为自治平衡模式和调度响应模式；自治平衡模式下，上层调度对台区功率曲线没有要求，台区在保证从外部吸收的功率不超过限值的基础上，自行优化所辖设备的运行；调度响应模式下，台区主动跟随上级调度日前下发的分时段调度曲线，采用惩罚系数体现负荷曲线的响应结果。
3.根据权利要求1所述的一种基于模型预测控制的台区级充电负荷调控策略，其特征在于，所述策略采用“先到先充”的充电调节原则，在需要降低充电功率时，优先对后进入充电队列的电动汽车进行调节；在需要提升充电功率时，则优先对先进入充电队列的电动汽车进行调节。
4.一种基于模型预测控制的台区级充电负荷调控方法，其特征在于，包括权利要求1-3中任意一项所述的基于模型预测控制的台区级充电负荷调控策略，其基于模型预测控制的台区级充电负荷调控方法包括以下步骤：
步骤(1)：预测模型和场景选取；
步骤(2)：目标优化和条件约束；
步骤(3)：预测模型求解。
5.根据权利要求4所述的一种基于模型预测控制的台区级充电负荷调控方法，其特征在于，
所述步骤(1)包括：
步骤(1-1)：日前预测和场景选取
光伏发电出力受光照强度、环境温湿度及不可预知阴影等因素的影响，采用直接法进行光伏发电出力的日前(短期)预测，通过天气类型反映这些因素的影响，根据台区不同类型天气下光伏出力的历史信息，预测次日各时段的光伏发电新能源出力；
将天气类型分为晴天、多云、阴转多云、阴天、阴转雨、雨转阴和雨雪天7种，出现概率记为Pw1，Pw2，…，Pw7；天气类型及其出现概率由天气预报获取；如天气预报明日可能为阴天或阴转多云，概率分别为30％和70％，则根据历史数据分别生成两种场景下的光伏发电新能源出力情况，与出现概率一同作为日前优化的输入条件；
当台区位于工作场所时，日内充电行为占比较大；而当台区位于居民区时，日间充电行为则占比较大；根据历史订单信息确定充电行为比例，并取上下浮动15％，等概率的作为3组对次日充电场景的预测；
对日前的常规负荷预测进行简单化处理，取近两个相同类型日(工作日/非工作日)的负荷曲线，最近1天出现概率取60％，较远1天出现概率取40％，作为次日常规负荷的两个不同场景；设日前光伏发电新能源出力、充电需求和常规负荷预测场景数分别为和则日前策略制定需要考虑的场景数为：
步骤(1-2)：日内滚动预测和场景选取
在日内滚动优化阶段，以当前量测值为基础，基于自回归滑动平均(Auto RegressiveMoving Average,ARMA)模型，对下一阶段的光伏发电新能源出力和常规负荷值进行滚动预测：
式中，xt+i|t为t+i时刻光伏发电新能源出力和常规负荷在t时刻的预测值，φ和θ为相关系数，xt+i-1、xt+i-2为预测或实际值；ε为预测误差的随机变量，通常认为光伏发电新能源出力和常规负荷短期预测误差满足正态分布，其概率密度函数为：
用户通过移动终端向云平台发送预约信息，包括预计的抵达时间和预期的充电电量出于操作的可行性与便捷性，用户无需确定具体的到达时刻，而是根据平台提示选择一个到达时段，设置该时段与日内滚动优化的时间窗口重合；在滚动优化中，考虑用户实际到达时刻的随机性，设其在预约时段内均匀分布；
采用拉丁超立方抽样生成大量光伏发电新能源出力、常规负荷和电动汽车充电需求场景后，利用同步回代法进行场景削减，设削减后光伏发电新能源出力、常规负荷和充电到达时刻的场景数分别为和则日内滚动优化需要考虑的场景数为：
步骤(1-3)：实时校正BMS响应的不确定性
电动汽车k在t时刻的充电功率为电池荷电状态为 充电桩向其发送的最大允许充电功率为
在实时校正环节中，考虑优化计算的速度，采用如下经验方法体现BMS响应不确定性的影响：
当或时,此时电池所能接受的最大充电功率较小，功率调节能力也较弱，
在时，有：
在时，有：
式中，为校正后的充电功率；为该电动汽车的最小充电功率，小于该功率时充电过程将终止；ω为响应深度，取ω＝0.2、ω＝0.8两个场景，并分别将其权重设置为80％和20％；
当时，此时电池充电处于稳定阶段，所能接受的最大充电功率较大，功率调节能力也较强，取取ω＝0.2、ω＝0.9两个场景，并分别将其权重设置为10％和90％；
所述步骤(2)包括：
步骤(2-1)：日前预测的目标优化和条件约束
日前预测目标优化，日前策略制定以台区运行经济性最优为目标，如公式(7)、公式(8)所示：
式中，ps为场景s的概率，CDA为台区运行收益，T为日前优化时段数， 分别为场景s下时段t向常规负荷和电动汽车的售电收益，为场景s下时段t台区向从外部购电的成本，为场景s下时段t向由于未完成调度计划而付出的惩罚成本；和分别为时段t常规负荷、电动汽车充电和外部购电的单价，cf为惩罚因子；和分别为场景s下时段t台区常规负荷、电动汽车充电和总负荷功率；为时段t台区总功率上限或电网下发的调度负荷曲线；
台区功率平衡约束，如公式(9)、公式(10)所示：
式中，为场景s下时段t光伏发电功率，为场景s下时段t储能的充(放)电功率，当储能属于充电状态时取正值，而当储能属于放电状态时取负值；公式(10)确保了台区不向配网倒送功率、不超过允许功率或电网下发的调度限值；
充电需求约束，在日前策略制定过程中，根据电动汽车充电需求预测，优化电动汽车各时段的充电总功率，不对各充电桩的功率进行分配；
储能状态约束，根据日前优化调度的实际需要，有：
式中，为储能的最大充放电功率，和分别为储能容量的初始值和最大值；
新能源出力约束，如公式(13)所示：
式中，为场景s下时段t光伏发电的最大出力；
步骤(2-2)：日内滚动的目标优化和条件约束
日内滚动目标优化，如公式(14)所示：
日内滚动优化的目标和日前策略制定相同，优化时段为K，场景数为ns，采用充电桩最大允许输出功率代替电动汽车的实际充电功率进行基于预测的日内滚动优化；
充电桩功率约束，如公式(15)—(17)所示：
式中，为台区充电桩i场景s下时段t输出的最大允许充电功率，N为台区充电桩总数，为场景s下时段t充电桩与电动汽车的连接状态；充电桩的编号i不是固定的，而是根据用户预约和优先到达的情况进行动态编码；
台区功率平衡约束，电动汽车充电可能会加剧台区三相不平衡问题，在日内滚动优化中，需考虑台区三相不平衡度的约束：
式中，x＝a,b,c，分别代表各相的功率，ρ为最大三相不平衡度；
新能源和储能约束，分布式新能源和储能装置采用单相安装方式，对各相情况进行分别考虑，如公式(22)所示：
式中为各相光伏发电的有功约束，储能各时段的运行策略在日前优化中已经确定，此时不再调整，若储能采用单相安装方式，则将总的功率和能量平均到各相即可；
步骤(2-3)：实时反馈校正的目标优化和条件约束
实时反馈校正目标优化，保证各相功率实际执行量与日内滚动优化结果的偏差最小：
式中，为时段t日内滚动优化的结果，为场景s下根据实测值对t时段的控制变量(各充电桩最大允许输出功率)进行调整后得到的各相功率；
实时反馈校正约束，如公式(24)—(26)所示：
式中，和为时刻t负荷、储能和光伏发电新能源出的量测值，为场景s下t时刻电动汽车k调节后的充电功率，其与充电桩k输出的最大允许充电功率之间关系如公式(5)、公式(6)所示；
所述步骤(3)包括：
日前策略制定为线性优化问题，台区管理规模有限，控制变量数量规模不大，采用成熟的优化算法求解；
日内滚动优化中考虑了三相平衡问题，为模型引入了非线性约束条件，对约束条件进行线性化处理；
将A、B、C三相功率分别记为Pa、Pb和Pc，将公式(19)转化成A相的平衡条件：
公式(27)线性化处理，令Pb＝Pa+△x1，Pc＝Pa+△x2，公式(27)转化为：
若△x1+△x2≥0，公式(28)等价于：
ρ(3Pa+△x1+△x2)-(△x1+△x2)≥0 公式(29)
ρ(3Pa+△x1+△x2)≥0，公式(29)在△x1+△x2≤0时仍然成立；
若△x1+△x2≤0，公式(28)等价于：
ρ(3Pa+△x1+△x2)+(△x1+△x2)≥0 公式(30)
ρ(3Pa+△x1+△x2)≥0，公式(29)在△x1+△x2≥0时仍然成立；
根据公式(29)、公式(30)，可将公式(19)所述非线性的三相平衡条件线性化求解；
实时反馈校正实现负荷跟随，校正的对象为各充电桩输出的最大允许充电功率，目标函数为控制变量的二次函数，约束条件均为线性。
CN201910622749.2A 2019-07-11 2019-07-11 一种基于模型预测控制的台区级充电负荷调控策略及方法 Active CN110288271B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910622749.2A CN110288271B (zh) 2019-07-11 2019-07-11 一种基于模型预测控制的台区级充电负荷调控策略及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910622749.2A CN110288271B (zh) 2019-07-11 2019-07-11 一种基于模型预测控制的台区级充电负荷调控策略及方法

Publications (2)

Publication Number Publication Date
CN110288271A true CN110288271A (zh) 2019-09-27
CN110288271B CN110288271B (zh) 2022-10-11

Family

ID=68022050

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910622749.2A Active CN110288271B (zh) 2019-07-11 2019-07-11 一种基于模型预测控制的台区级充电负荷调控策略及方法

Country Status (1)

Country Link
CN (1) CN110288271B (zh)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110783955A (zh) * 2019-11-01 2020-02-11 国网河北省电力有限公司沧州供电分公司 有利于降低台区三相不平衡的光伏单相接入容量配置方法
CN111016721A (zh) * 2019-12-26 2020-04-17 南京邮电大学 一种满足台区三相平衡的电动汽车本地有序充电策略
CN111898822A (zh) * 2020-07-30 2020-11-06 东北电力大学 基于多相关日场景生成的充电负荷区间预测方法
CN111950887A (zh) * 2020-08-07 2020-11-17 江苏师范大学 新型电负荷预测与电力系统经济调度融合方法
CN112134300A (zh) * 2020-10-09 2020-12-25 国网江苏省电力有限公司无锡供电分公司 基于预约的电动汽车光储充电站滚动优化运行方法及系统
CN112217195A (zh) * 2020-08-11 2021-01-12 广东电网有限责任公司广州供电局 一种基于gru多步预测技术的云储能充放电策略形成方法
CN112418715A (zh) * 2020-12-11 2021-02-26 广西电网有限责任公司 风电功率序列场景集的生成方法、装置以及存储介质
CN112803493A (zh) * 2021-02-09 2021-05-14 国网山东省电力公司电力科学研究院 基于边际成本的分散式储能与分布式光伏协同方法及系统
CN113111297A (zh) * 2021-03-26 2021-07-13 苏州斯瑞威新能源科技有限公司 充电桩功率自动优化方法及装置
CN113733963A (zh) * 2021-08-31 2021-12-03 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
CN114004033A (zh) * 2021-11-16 2022-02-01 国网天津市电力公司 考虑低压配电网的住宅区电动汽车充电调度方法及装置
CN114865664A (zh) * 2022-05-26 2022-08-05 东南大学溧阳研究院 一种需求响应参与配电网三相不平衡与碳排放治理方法
CN115946563A (zh) * 2023-03-13 2023-04-11 山东理工大学 充电堆功率动态分配策略优化方法、系统、终端及介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106160091A (zh) * 2016-07-25 2016-11-23 东南大学 促进可再生能源消纳的电动汽车换电站充放电调度方法
CN107895971A (zh) * 2017-11-28 2018-04-10 国网山东省电力公司德州供电公司 基于随机规划和模型预测控制的区域能源互联网调度方法
US20190079473A1 (en) * 2017-09-13 2019-03-14 Johnson Controls Technology Company Building energy system with stochastic model predictive control and demand charge incorporation
CN109634119A (zh) * 2018-12-24 2019-04-16 浙江工业大学 一种基于日内滚动优化的能源互联网优化控制方法
CN109752953A (zh) * 2018-10-08 2019-05-14 国网天津市电力公司电力科学研究院 一种集成电制冷机的楼宇供能系统模型预测调控方法
CN109765787A (zh) * 2019-01-30 2019-05-17 南方电网科学研究院有限责任公司 一种基于日内-实时滚动控制的配电网源荷快速跟踪方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106160091A (zh) * 2016-07-25 2016-11-23 东南大学 促进可再生能源消纳的电动汽车换电站充放电调度方法
US20190079473A1 (en) * 2017-09-13 2019-03-14 Johnson Controls Technology Company Building energy system with stochastic model predictive control and demand charge incorporation
CN107895971A (zh) * 2017-11-28 2018-04-10 国网山东省电力公司德州供电公司 基于随机规划和模型预测控制的区域能源互联网调度方法
CN109752953A (zh) * 2018-10-08 2019-05-14 国网天津市电力公司电力科学研究院 一种集成电制冷机的楼宇供能系统模型预测调控方法
CN109634119A (zh) * 2018-12-24 2019-04-16 浙江工业大学 一种基于日内滚动优化的能源互联网优化控制方法
CN109765787A (zh) * 2019-01-30 2019-05-17 南方电网科学研究院有限责任公司 一种基于日内-实时滚动控制的配电网源荷快速跟踪方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
肖浩等: "基于模型预测控制的微电网多时间尺度协调优化调度", 《电力系统自动化》 *

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110783955B (zh) * 2019-11-01 2021-07-20 国网河北省电力有限公司沧州供电分公司 有利于降低台区三相不平衡的光伏单相接入容量配置方法
CN110783955A (zh) * 2019-11-01 2020-02-11 国网河北省电力有限公司沧州供电分公司 有利于降低台区三相不平衡的光伏单相接入容量配置方法
CN111016721A (zh) * 2019-12-26 2020-04-17 南京邮电大学 一种满足台区三相平衡的电动汽车本地有序充电策略
CN111016721B (zh) * 2019-12-26 2022-03-11 南京邮电大学 一种满足台区三相平衡的电动汽车本地有序充电策略
CN111898822A (zh) * 2020-07-30 2020-11-06 东北电力大学 基于多相关日场景生成的充电负荷区间预测方法
CN111898822B (zh) * 2020-07-30 2022-06-03 东北电力大学 基于多相关日场景生成的充电负荷区间预测方法
CN111950887A (zh) * 2020-08-07 2020-11-17 江苏师范大学 新型电负荷预测与电力系统经济调度融合方法
CN112217195A (zh) * 2020-08-11 2021-01-12 广东电网有限责任公司广州供电局 一种基于gru多步预测技术的云储能充放电策略形成方法
CN112217195B (zh) * 2020-08-11 2023-04-07 广东电网有限责任公司广州供电局 一种基于gru多步预测技术的云储能充放电策略形成方法
CN112134300A (zh) * 2020-10-09 2020-12-25 国网江苏省电力有限公司无锡供电分公司 基于预约的电动汽车光储充电站滚动优化运行方法及系统
CN112418715A (zh) * 2020-12-11 2021-02-26 广西电网有限责任公司 风电功率序列场景集的生成方法、装置以及存储介质
CN112803493A (zh) * 2021-02-09 2021-05-14 国网山东省电力公司电力科学研究院 基于边际成本的分散式储能与分布式光伏协同方法及系统
CN113111297A (zh) * 2021-03-26 2021-07-13 苏州斯瑞威新能源科技有限公司 充电桩功率自动优化方法及装置
CN113733963A (zh) * 2021-08-31 2021-12-03 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
CN114004033A (zh) * 2021-11-16 2022-02-01 国网天津市电力公司 考虑低压配电网的住宅区电动汽车充电调度方法及装置
CN114865664A (zh) * 2022-05-26 2022-08-05 东南大学溧阳研究院 一种需求响应参与配电网三相不平衡与碳排放治理方法
CN115946563A (zh) * 2023-03-13 2023-04-11 山东理工大学 充电堆功率动态分配策略优化方法、系统、终端及介质

Also Published As

Publication number Publication date
CN110288271B (zh) 2022-10-11

Similar Documents

Publication Publication Date Title
CN110288271A (zh) 一种基于模型预测控制的台区级充电负荷调控策略及方法
Yang et al. Computational scheduling methods for integrating plug-in electric vehicles with power systems: A review
Thingvad et al. Economic value of electric vehicle reserve provision in the Nordic countries under driving requirements and charger losses
Wu et al. Deep learning adaptive dynamic programming for real time energy management and control strategy of micro-grid
Honarmand et al. Integrated scheduling of renewable generation and electric vehicles parking lot in a smart microgrid
US9153966B2 (en) Power grid control system using electric vehicle, power grid control apparatus, information distribution apparatus, and information distribution method
Shang et al. Internet of smart charging points with photovoltaic Integration: A high-efficiency scheme enabling optimal dispatching between electric vehicles and power grids
US20130096725A1 (en) Electric Power Control Method, Program, and Electric Power Control Apparatus
CN103241130A (zh) 一种电动公交车充换电站的能量管理方法及系统
CN112734098B (zh) 一种基于源-荷-网平衡的配电网电力调度方法及系统
Solanke et al. Control and management of a multilevel electric vehicles infrastructure integrated with distributed resources: A comprehensive review
Lymperopoulos et al. Ancillary services provision utilizing a network of fast-charging stations for electrical buses
Duan et al. Optimal dispatching of electric vehicles based on smart contract and internet of things
EP3944453A1 (en) Power reception control method of power reception elements, and power reception control device
US20220158470A1 (en) Power reception control method for power storage element and power reception control device
CN107482690A (zh) 风电与电动汽车协同调度的电力系统调度优化方法及系统
US11962156B2 (en) Systems and methods for constrained optimization of a hybrid power system that accounts for asset maintenance and degradation
CN115765015A (zh) 面向电网实际应用场景的源网荷储协同互动方案制定方法
CN114944661A (zh) 一种基于储能系统滚动优化的微电网三阶段优化控制方法
Meikandasivam Optimal distribution of plug-in-electric vehicle’s storage capacity using water filling algorithm for load flattening and vehicle prioritization using ANFIS
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
Chen et al. Electric autonomous vehicle charging and parking coordination for vehicle-to-grid voltage regulation with renewable energy
CN110826210B (zh) 基于功率互联的多区域楼宇虚拟电厂建模及优化协调方法
JP2017046507A (ja) 系統安定化システム
US11936184B2 (en) Systems and methods for operating hybrid power system by combining prospective and real-time optimizations

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