CN111008748B - 包括电动汽车充电负荷的微电网经济调度优化方法 - Google Patents
包括电动汽车充电负荷的微电网经济调度优化方法 Download PDFInfo
- Publication number
- CN111008748B CN111008748B CN201911309173.0A CN201911309173A CN111008748B CN 111008748 B CN111008748 B CN 111008748B CN 201911309173 A CN201911309173 A CN 201911309173A CN 111008748 B CN111008748 B CN 111008748B
- Authority
- CN
- China
- Prior art keywords
- charging
- scene
- charging pile
- time
- power
- 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
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000005457 optimization Methods 0.000 title claims abstract description 21
- 239000002245 particle Substances 0.000 claims description 35
- 239000007789 gas Substances 0.000 claims description 31
- 230000005611 electricity Effects 0.000 claims description 23
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 12
- 238000007726 management method Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 7
- 238000010521 absorption reaction Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 230000000739 chaotic effect Effects 0.000 claims description 5
- 230000001133 acceleration Effects 0.000 claims description 4
- 230000009194 climbing Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 238000012423 maintenance Methods 0.000 claims description 4
- 238000005057 refrigeration Methods 0.000 claims description 4
- 238000010845 search algorithm Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 239000001257 hydrogen Substances 0.000 claims description 3
- 229910052739 hydrogen Inorganic materials 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 2
- 230000005484 gravity Effects 0.000 claims description 2
- 238000005286 illumination Methods 0.000 claims description 2
- 238000009440 infrastructure construction Methods 0.000 claims description 2
- 101150067055 minC gene Proteins 0.000 claims description 2
- 230000000452 restraining effect Effects 0.000 claims description 2
- 238000004088 simulation Methods 0.000 claims description 2
- 239000002918 waste heat Substances 0.000 claims description 2
- 230000003203 everyday effect Effects 0.000 claims 5
- 230000002354 daily effect Effects 0.000 claims 3
- 238000004364 calculation method Methods 0.000 claims 1
- 125000004435 hydrogen atom Chemical class [H]* 0.000 claims 1
- 238000001816 cooling Methods 0.000 abstract description 4
- 238000010438 heat treatment Methods 0.000 abstract description 4
- 230000007547 defect Effects 0.000 abstract description 2
- 238000011161 development Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 239000000295 fuel oil Substances 0.000 description 1
- 150000002431 hydrogen Chemical class 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
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
- 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
- H02J3/008—Circuit arrangements for ac mains or ac distribution networks involving trading of energy or energy transmission rights
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Power Engineering (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
为了解决现有技术中确定性优化方法所建立的优化模型没有将电动汽车入网考虑其中而造成的综合能源系统灵活性不够的缺点，本发明公开了一种包括电动汽车充电负荷的微电网经济调度优化方法，同时考虑电动汽车充电负荷、风光出力以及CCHP系统冷热电负荷的不确定性和随机性，利用随机规划中的期望值模型来描述充电负荷的不确定性和随机性，同时采用机会约束形式来表征充电设施的投建容量能够满足电动汽车的充电需求，采用多场景随机规划的方法来描述各随机变量的不确定性和随机性。本发明期望目标是提高综合能源系统灵活性、增强可再生能源消纳能力，同时降低系统在运行周期内的综合运行成本，为微电网经济调度运行提供必要的技术支撑。
Description
技术领域
本发明属于电力系统及其自动化技术领域，涉及一种计及电动汽车充电负荷的CCHP微电网经济调度优化方法。
背景技术
随着科学技术的发展，使得全球工业迅速崛起，经济水平不断提高，但随之所带来的能源危机和环境污染问题也日益严重。传统的能源结构及利用方式难以为继，因此，推动能源结构转型、提高能源利用效率、发展清洁能源和可再生能源势在必行。
如今，微网研究与应用越来越引起世界各国的重视。微网是通过分布式微型电源，向用户端提供各类负荷的小型供能系统，它有孤岛运行和并网运行两种运行方式。而CCHP型微网可以将电、冷、热、气、可再生能源等多种能源有机耦合，对区域内多种分布式资源进行群管群控，建立多能综合利用平台，整合利用区域内的可再生能源、可控供能机组、冷热电三联供等分布式资源，结合能量的存储及转换技术，实现电、气、冷、热可再生能源等多种能源互补供应、协调运行，提高系统运行效率，降低运行成本。
微网经济分配就是根据电价和负荷需求等因素灵活地调节各个发电单元的输出功率，在保证供需平衡的同时，使经济效益达到最高。然而以风、光为代表的可再生能源、其出力受自然资源影响较大，具有间歇性、波动性和随机性，易对电力系统的运行控制造成不良影响，因此需要提高能源供给系统灵活性，以增强可再生能源消纳能力。
而且近年来，我国持续加大对于电动汽车发展的支持力度，以促进燃油替代，减少尾气排放，保障能源安全、防治大气污染，不断推动我国从汽车大国向汽车强国转变。为了进一步促进电动汽车的普及应用，完善充电基础设施的规划发展，有必要在CCHP系统中考虑电动汽车入网对系统经济分配的影响。
针对新能源入网问题，以往通常采用确定性的优化方法进行建模和求解，且建立的CCHP系统大都仅考虑了风光等可再生能源，而很少将电动汽车充电基础设施的规划考虑其中。且由于可再生能源出力及负荷功率具有不确定性，传统的确定性优化方法存在一定的局限性。所以，传统的确定性优化方法所建立的模型大都没有将电动汽车入网考虑其中，更无法确定电动汽车充电负荷对CCHP系统经济分配的影响。
发明内容
为了解决现有技术中确定性优化方法所建立的优化模型没有将电动汽车入网考虑其中而造成的综合能源系统灵活性不够的缺点，本发明公开了一种包括电动汽车充电负荷的微电网经济调度优化方法。
本发明为了解决上述技术体所采用的技术方案是：一种包括电动汽车充电负荷的微电网经济调度优化方法，其特征在于：同时考虑电动汽车充电负荷、风光出力以及CCHP系统冷热电负荷的不确定性和随机性，利用随机规划中的期望值模型来描述充电负荷的不确定性和随机性，同时采用机会约束形式来表征充电设施的投建容量能够满足电动汽车的充电需求，采用多场景随机规划的方法来描述各随机变量的不确定性和随机性。
本发明的有益效果是：本发明同时考虑电动汽车充电负荷、风光出力以及CCHP系统冷热电负荷的不确定性和随机性，通过微网能量管理系统MGEMS获取某地微电网运行的数据，在考虑电动汽车充电负荷的不确定性和随机性时，采用多场景随机规划的方法，利用随机规划中的期望值模型来描述充电负荷的不确定性和随机性，同时采用机会约束形式来表征充电设施的投建容量能够在一定概率下满足电动汽车的充电需求，在考虑风光出力以及CCHP系统冷热电负荷的不确定性和随机性时，同样采用多场景随机规划的方法来描述各随机变量的不确定性和随机性。其期望目标是提高综合能源系统灵活性、增强可再生能源消纳能力，同时降低系统在日、月、年、多年等运行周期内的综合运行成本，为微电网经济调度运行提供必要的技术支撑。
附图说明
图1是本发明所针对的风-光-气-蓄联合调度系统结构图；
图2是本发明的流程框图；
图3是本发明的求解过程流程图。
具体实施方式
下面参照附图并结合实例对本发明的具体实施方式做进一步详细描述。
如图1，一种包括电动汽车充电负荷的微电网经济调度优化方法，其特征在于：同时考虑电动汽车充电负荷、风光出力以及CCHP系统冷热电负荷的不确定性和随机性，利用随机规划中的期望值模型来描述充电负荷的不确定性和随机性，同时采用机会约束形式来表征充电设施的投建容量能够满足电动汽车的充电需求，采用多场景随机规划的方法来描述各随机变量的不确定性和随机性。
图2中的步骤1描述构建数据矩阵的过程和方法。从微电网能量管理系统MGEMS获取某地一年历史和实时数据集，并利用蒙特卡洛方法生成S个充电负荷场景，将获取到的一天中电动汽车充电桩i在场景s下时段t的充电功率，通过处理、计算和分析，构建电动汽车充电负荷数据矩阵：
其中Pi EV(s,t)表征电动汽车充电桩i在场景s下时段t的充电功率，
(
为j型充电桩的规划数目上限，j＝1,2分别代表快、慢充电桩)；S、T分别为生成的场景总数、每天划分的时段总数。单个电动汽车充电桩i每日充电负荷数据样本的数量N＝S*T，数据集的数量n＝T，s＝1,2,...,S，t＝1,2,...,T。
从微电网能量管理系统MGEMS获取某地一年历史和实时数据集，并利用蒙特卡洛方法生成S个风机出力场景，将获取到的每日风速数据，通过处理、计算和分析，构建风机在场景s下时段t的出力数据矩阵：
其中
表征第d天在场景s下时段t的风机出力，d＝1,2,...,365(对应一年当中相应的日期)；S、T分别为生成的场景总数、每天划分的时段总数。单日风机出力数据样本的数量N＝S*T，数据集的数量n＝T，s＝1,2,...,S，t＝1,2,...,T。
从微电网能量管理系统MGEMS获取某地一年历史和实时数据集，并利用蒙特卡洛方法生成S个光伏出力场景，将获取到的每日光照强度数据，通过处理、计算和分析，构建光伏发电站在场景s下时段t的出力数据矩阵：
其中
表征第d天在场景s下时段t的光伏板出力，d＝1,2,...,365(对应一年当中相应的日期)；S、T分别为生成的场景总数、每天划分的时段总数。单日光伏板出力数据样本的数量N＝S*T，数据集的数量n＝T，s＝1,2,...,S，t＝1,2,...,T。
从微电网能量管理系统MGEMS获取某地一年历史和实时数据集，并利用蒙特卡洛方法生成S个电负荷功率场景，将获取到的电负荷功率数据，通过处理、计算和分析，构建系统在场景s下时段t的电负荷功率数据矩阵：
其中
表征第d天系统在场景s下时段t的电负荷功率，d＝1,2,...,365(对应一年当中相应的日期)；S、T分别为生成的场景总数、每天划分的时段总数。单日系统电负荷功率数据样本的数量N＝S*T，数据集的数量n＝T，s＝1,2,...,S，t＝1,2,...,T。
从微电网能量管理系统MGEMS获取某地一年历史和实时数据集，并利用蒙特卡洛方法生成S个冷/热负荷功率场景，将获取到的冷/热负荷功率数据，通过处理、计算和分析，构建系统在场景s下时段t的冷/热负荷功率数据矩阵：
其中
表征第d天在场景s下时段t的冷/热负荷功率，d＝1,2,...,365(对应一年当中相应的日期)；j＝c,h分别对应冷、热负荷；S、T分别为生成的场景总数、每天划分的时段总数。单日冷/热负荷功率数据样本的数量N＝S*T，数据集的数量n＝T，s＝1,2,...,S，t＝1,2,...,T。
图2中的步骤2描述计及电动汽车充电负荷经济调度模型的目标函数构建的过程和方法。综合能源系统中综合运行成本要满足各场景下系统中电动汽车充电基础设施总的规划成本、常规发电机组(运行成本+启动成本+停机成本)、快速调节机组(运行成本+启动成本+停机成本)、燃气轮机(运行成本+启动成本+停机成本)、燃气锅炉的运行成本、与主网之间的购售电成本六者期望之和最小化，其目标函数的数学表达式为：
minCS＝min(C1+C2+C3+C4+C5+C6)
经济分配模型中各成本分量具体表述如下：
1)C1表示系统中电动汽车充电基础设施总的规划成本，其具体数学表达式为：
式中：C11为充电基础设施的建设投资成本；C12为充电基础设施的运行成本；C13为充电基础设施的维护成本；
为j型充电桩的规划数目上限，j＝1,2分别代表快、慢充电桩；Yi j是充电桩i是否投建的0-1变量，j＝1,2分别代表快、慢充电桩；
是充电桩i的最大充电容量，j＝1,2分别代表快、慢充电桩；
是充电桩i的容量投资单价，j＝1,2分别代表快、慢充电桩；R0为贴现率；
是充电桩i的折旧年限，j＝1,2分别代表快、慢充电桩；T为时段总数；S为场景总数；ρs是充电负荷场景s发生的概率，
是场景s下时段t充电桩i的充电功率，j＝1,2分别代表快、慢充电桩；k(t)为时段t的购电价格；ηi j为每年充电桩i的单位容量维护成本，j＝1,2分别代表快、慢充电桩。
2)C2表示系统中常规发电机组(运行成本+启动成本+停机成本)，其具体数学表达式为：
式中：Nc为常规发电机组数量；
分别为常规发电机组的运行成本、启动成本和停机成本；Δt为时间间隔。
3)C3表示系统中快速调节机组(运行成本+启动成本+停机成本)，其具体数学表达式为：
式中：Nk为快速调节机组数量；
分别为快速调节机组的运行成本、启动成本和停机成本。
4)C4表示系统中燃气轮机(运行成本+启动成本+停机成本)，其具体数学表达式为：
式中：Nr为燃气轮机数量；
分别为燃气轮机的运行成本、启动成本和停机成本。
5)C5表示系统中燃气锅炉的运行成本，其具体数学表达式为：
式中：
为燃气锅炉的运行成本。
6)C6表示系统与主网之间的购售电成本，其具体数学表达式为：
式中：
分别为场景s下时段t联络线购电和售电的功率；kB、kS分别为购电和售电单价。
图2中的步骤3描述计及电动汽车充电负荷经济调度模型的约束条件构建的过程和方法。计及电动汽车充电负荷经济调度模型的约束条件包括：充电桩的充电功率约束、充电站总容量的机会约束、充电站充电功率平衡约束、充电站电量约束、充电设施建设的总数目限制、系统功率平衡约束、系统机组出力上下限约束、发电机组爬坡率约束、最小开停机时间约束、联络线功率约束等。
各约束条件具体表述如下：
1)充电桩的充电功率约束：
2)充电站总容量的机会约束：
式中：kCAP为充电站容量的冗余度系数；Q(s,t)为场景s下时段t电动汽车集群的总充电负荷；Prob{·}为{·}中事件成立的概率，α1为给定约束条件成立的置信水平。
3)充电站充电功率平衡约束：
4)充电站电量约束：
式中：Ti j为充电桩i一次工作的平均充电时间，j＝1,2分别代表快、慢充电桩；
为充电桩i全天的最大可充电次数，j＝1,2分别代表快、慢充电桩；RENER为充电站电量的冗余度系数。
5)充电设施建设的总数目限制：
式中：nmax为充电站内可以容纳的慢充桩与快充桩的最大数目。
6)系统功率平衡约束：
式中：
分别为常规发电机组、快速调节机组、燃气轮机场景s下时段t的出力；
分别为风机和光伏场景s下时段t的出力；
分别为场景s下时段t系统的电、冷、热负荷功率；
为电制冷机场景s下时段t消耗的电功率；
为吸收式制冷机场景s下时段t的制冷功率；
为电制冷机场景s下时段t的制冷功率；
为余热锅炉场景s下时段t提供的热功率；
为燃气锅炉场景s下时段t提供的热功率。
7)系统机组出力上下限约束：
式中：
分别为常规发电机组、快速调节机组、燃气轮机、燃气锅炉的开停机状态，1为开机，0为停机；
分别为常规发电机组出力的最小值和最大值；
分别为快速调节机组出力最小值和最大值；
分别为燃气轮机出力的最小值和最大值；
分别为吸收式制冷机和电制冷机的额定功率；
分别为燃气锅炉的最小出力和最大出力；
分别为燃气锅炉用于制热和供吸收式制冷机制冷的功率。
8)发电机组爬坡率约束：
式中：
分别为常规发电机组、快速调节机组出力增加和减少的爬坡率。
9)最小开停机时间约束：
式中：
分别为常规发电机组、燃气锅炉的最小开机时间和最小停机时间。
10)联络线功率约束：
式中：Pex,max为联络线最大传输功率；
为购售电状态，1为购电，0为售电。
图2中的步骤4描述机会约束条件处理的过程和方法。在一定置信水平下，电动汽车充电站的总容量满足充电负荷的机会约束条件可以等价为如下形式：
式中：Kα1是一个较大的常数；Φ-1(·)为随机变量KCAP·Q(s,t)的累积概率分布函数。
图2中的步骤5描述计及电动汽车充电负荷经济调度模型的求解过程和方法。采用智能算法中的万有引力搜索算法，并利用混沌粒子群算法对引力搜索算法的速度和位置更新公式进行改进，结合各负荷场景s所对应的概率进行优化调整，可以求解出电动汽车总规划成本的最小方案、综合能源系统中各机组或设备的开停机计划、联络线购售电计划使得经济分配模型所得到的解最优。
具体步骤如下：
1)读取系统数据，设置机会约束条件下的置信水平，输入改进万有引力搜索算法所需参数；
2)获取目标函数和约束条件；
3)利用蒙特卡洛方法和后向缩减法进行场景生成和削减，并初始化各随机变量在各场景下相应的发生概率；
4)采用混沌方法初始化粒子，检验粒子是否在取值范围内：随机产生一个n维、每个分量数值在0～1之间的向量Z1＝[Z11,Z12,…,Z1n]，利用混沌算法得出Z2、Z3，…，ZM。设n维优化变量ai≤xi≤bi，将Zi的各个分量载波到优化变量的取值范围得：
5)计算适应度及粒子受到的引力和加速度：根据大数定律，检验优化变量是否满足约束条件，对于满足约束条件的粒子，以目标函数值作为其适应度值；对于不满足约束条件的粒子，采用惩罚函数方法计算其适应度值；其中，
表示t时刻i粒子的更新加速度，可表示为：
式中：Fi k(t)表示在t时刻第k维粒子的适应度值，mi(t)表示t时刻粒子的质量；其中，
表示在t时刻第k维粒子a受到粒子b的引力，可表示为：
式中：k1、k2是与万有引力计算公式相关的两个常数，且k2非常小；||Na(t),Nb(t)||2表示粒子Na(t)和Nb(t)之间的欧氏距离；
表示在t时刻第k维粒子a、b的位置；
6)更新个体的位置和速度：从M个初始群体中择优选取m个粒子作为初始解，它们的位置和目标函数值即为个体最优值，采用随机模拟方法从中选出群体最优值，利用PSO算法中的速度更新公式改写GSA中的速度更新公式：
式中：ω为PSO中的惯性权重；k3、k4、k5为3个[0,1]中的随机数；c1、c2为PSO中的学习因子；
分别为粒子的个体最优和群体最优；利用载波得到的优化变量取值改写GSA中的位置更新公式：
然后检验是否满足约束条件，计算出适应度值；
7)对优化变量进行混沌扰动，并更新个体最优值和群体最优值；
8)检验是否满足终止条件：是，输出结果；否，更新各随机变量在各场景下相应的生成概率，然后转到步骤5)。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易变化或替换，都属于本发明的保护范围之内。因此本发明的保护范围所述以权利要求的保护范围为准。
Claims (4)
1.一种包括电动汽车充电负荷的微电网经济调度优化方法，其特征在于：同时考虑电动汽车充电负荷、风光出力以及CCHP系统冷热电负荷的不确定性和随机性，利用随机规划中的期望值模型来描述充电负荷的不确定性和随机性，同时采用机会约束形式来表征充电设施的投建容量能够满足电动汽车的充电需求，采用多场景随机规划的方法来描述各随机变量的不确定性和随机性；
具体步骤包括：
S1.获取数据集，构建电动汽车充电负荷数据矩阵；
S2.根据S1步骤获得的电动汽车充电负荷数据矩阵构建计及电动汽车充电负荷经济调度模型的目标函数；
S3.构建S2步骤所述计及电动汽车充电负荷经济调度模型的约束条件；
S4.对S3步骤中的约束条件中的机会约束条件进行转化和处理；
S5.对S2步骤中的计及电动汽车充电负荷经济调度模型进行求解；
S5步骤中具体的过程是：
S501.读取S1步骤所述的数据集，设置S4步骤中机会约束条件下的置信水平，输入改进万有引力搜索算法所需参数；
S502.获取S2、S3步骤所述的目标函数和约束条件；
S503.利用蒙特卡洛方法和后向缩减法进行场景生成和削减，并初始化各随机变量在各场景下相应的发生概率；
S504.采用混沌方法初始化粒子，检验粒子是否在取值范围内：随机产生一个n维、每个分量数值在0～1之间的向量Z1＝[Z11,Z12,…,Z1n]，利用混沌算法得出Z2、Z3，…，ZM；
设n维优化变量ai≤xi≤bi，将Zi的各个分量载波到优化变量的取值范围得：
其中，xi为第i维优化变量，aj、bj为常数，对应第i维优化变量的上下限；
S505.计算适应度及粒子受到的引力和加速度：根据大数定律，检验优化变量是否满足约束条件，对于满足约束条件的粒子，以目标函数值作为其适应度值；对于不满足约束条件的粒子，采用惩罚函数方法计算其适应度值；其中，
表示t时刻i粒子的更新加速度，可表示为：
式中：
表示在t时刻第k维粒子的适应度值，mi(t)表示t时刻粒子的质量；其中，
表示在t时刻第k维粒子a受到粒子b的引力，可表示为：
式中：k1、k2是与万有引力计算公式相关的两个常数；||Na(t),Nb(t)||2表示粒子Na(t)和Nb(t)之间的欧氏距离；
表示在t时刻第k维粒子a、b的位置；
S506.更新个体的位置和速度：从M个初始群体中择优选取m个粒子作为初始解，采用随机模拟方法从中选出群体最优值，利用PSO算法中的速度更新公式改写GSA中的速度更新公式：
式中：ω为PSO中的惯性权重；k3、k4、k5为3个[0,1]中的随机数；c1、c2为PSO中的学习因子；
分别为粒子的个体最优和群体最优；利用载波得到的优化变量取值改写GSA中的位置更新公式：
然后检验是否满足约束条件，得出适应度值；
S507.对优化变量进行混沌扰动，并更新个体最优值和群体最优值；
S508.检验是否满足终止条件：是，输出结果；否，更新各随机变量在各场景下相应的生成概率，然后转到步骤S505。
2.根据权利要求1所述的一种包括电动汽车充电负荷的微电网经济调度优化方法，其特征在于：S1步骤的具体过程如下：
从微电网能量管理系统MGEMS获取某地某段时间数据集，并利用蒙特卡洛方法生成S个充电负荷场景，将获取到的一天中电动汽车充电桩i在场景s下时段t的充电功率，构建电动汽车充电负荷数据矩阵；
其中
表征电动汽车充电桩i在场景s下时段t的充电功率，
为j型充电桩的规划数目上限，j＝1,2分别代表快、慢充电桩；S、T分别为生成的场景总数、每天划分的时段总数；单个电动汽车充电桩i每日充电负荷数据样本的数量N＝S*T，数据集的数量n＝T，s＝1,2,...,S，t＝1,2,...,T；
从微电网能量管理系统MGEMS获取某地某段时间历史和实时数据集，并利用蒙特卡洛方法生成S个风机出力场景，将获取到的每日风速数据，通过处理、计算和分析，构建风机在场景s下时段t的出力数据矩阵：
其中
表征第d天在场景s下时段t的风机出力，d为该段时间的天数，d＝1,2,...,；S、T分别为生成的场景总数、每天划分的时段总数；单日风机出力数据样本的数量N＝S*T，数据集的数量n＝T，s＝1,2,...,S，t＝1,2,...,T；
从微电网能量管理系统MGEMS获取某地某段时间历史和实时数据集，并利用蒙特卡洛方法生成S个光伏出力场景，将获取到的每日光照强度数据，构建光伏发电站在场景s下时段t的出力数据矩阵：
其中
表征第d天在场景s下时段t的光伏板出力，d为该时段的天数，d＝1,2,...,；S、T分别为生成的场景总数、每天划分的时段总数；单日光伏板出力数据样本的数量N＝S*T，数据集的数量n＝T，s＝1,2,...,S，t＝1,2,...,T；
从微电网能量管理系统MGEMS获取某地某段时间的历史数据和实时数据集，并利用蒙特卡洛方法生成S个电负荷功率场景，将获取到的电负荷功率数据，构建系统在场景s下时段t的电负荷功率数据矩阵：
其中
表征第d天系统在场景s下时段t的电负荷功率，d为该时段的天数，d＝1,2,...,；S、T分别为生成的场景总数、每天划分的时段总数；单日系统电负荷功率数据样本的数量N＝S*T，数据集的数量n＝T，s＝1,2,...,S，t＝1,2,...,T；
从微电网能量管理系统MGEMS获取某地某段时间的历史数据和实时数据集，并利用蒙特卡洛方法生成S个冷/热负荷功率场景，将获取到的冷/热负荷功率数据，构建系统在场景s下时段t的冷/热负荷功率数据矩阵：
其中
表征第d天在场景s下时段t的冷/热负荷功率，d为该时段的天数，d＝1,2,...,；j＝c,h分别对应冷、热负荷；S、T分别为生成的场景总数、每天划分的时段总数；单日冷/热负荷功率数据样本的数量N＝S*T，数据集的数量n＝T，s＝1,2,...,S，t＝1,2,...,T。
3.根据权利要求1所述的一种包括电动汽车充电负荷的微电网经济调度优化方法，其特征在于：S2步骤的具体过程如下：
综合能源系统中综合运行成本目标函数的数学表达式为：
minCS＝min(C1+C2+C3+C4+C5+C6)
经济调度模型中各成本分量具体表述如下：
1)C1表示系统中电动汽车充电基础设施总的规划成本：
式中：C11为充电基础设施的建设投资成本；C12为充电基础设施的运行成本；C13为充电基础设施的维护成本；
为j型充电桩的规划数目上限，j＝1,2分别代表快、慢充电桩；Yi j是充电桩i是否投建的0-1变量，j＝1,2分别代表快、慢充电桩；
是充电桩i的最大充电容量，j＝1,2分别代表快、慢充电桩；
是充电桩i的容量投资单价，j＝1,2分别代表快、慢充电桩；R0为贴现率；
是充电桩i的折旧年限，j＝1,2分别代表快、慢充电桩；T为时段总数；S为场景总数；ρs是充电负荷场景s发生的概率，
是场景s下时段t充电桩i的充电功率，j＝1,2分别代表快、慢充电桩；k(t)为时段t的购电价格；
为每年充电桩i的单位容量维护成本，j＝1,2分别代表快、慢充电桩；
2)C2表示系统中常规发电机组即运行成本、启动成本、停机成本的和：
式中：Nc为常规发电机组数量；
分别为常规发电机组的运行成本、启动成本和停机成本；Δt为时间间隔；
3)C3表示系统中快速调节机组即运行成本、启动成本、停机成本的和：
式中：Nk为快速调节机组数量；
分别为快速调节机组的运行成本、启动成本和停机成本；
4)C4表示系统中燃气轮机即运行成本、启动成本、停机成本的和：
式中：Nr为燃气轮机数量；
分别为燃气轮机的运行成本、启动成本和停机成本；
5)C5表示系统中燃气锅炉的运行成本：
式中：
为燃气锅炉的运行成本；
6)C6表示系统与主网之间的购售电成本：
式中：
分别为场景s下时段t联络线购电和售电的功率；kB、kS分别为购电和售电单价。
4.根据权利要求1所述的一种包括电动汽车充电负荷的微电网经济调度优化方法，其特征在于：S3步骤中所述的约束条件包括：
1)充电桩的充电功率约束：
2)充电站总容量的机会约束：
式中：kCAP为充电站容量的冗余度系数；Q(s,t)为场景s下时段t电动汽车集群的总充电负荷；Prob{·}为{·}中事件成立的概率，α1为给定约束条件成立的置信水平；
3)充电站充电功率平衡约束：
4)充电站电量约束：
式中：Ti j为充电桩i一次工作的平均充电时间，j＝1,2分别代表快、慢充电桩；ωi j为充电桩i全天的最大可充电次数，j＝1,2分别代表快、慢充电桩；RENER为充电站电量的冗余度系数；
5)充电设施建设的总数目限制：
式中：nmax为充电站内可以容纳的慢充桩与快充桩的最大数目；
6)系统功率平衡约束：
式中：
分别为常规发电机组、快速调节机组、燃气轮机场景s下时段t的出力；
分别为风机和光伏场景s下时段t的出力；
分别为场景s下时段t系统的电、冷、热负荷功率；
为电制冷机场景s下时段t消耗的电功率；
为吸收式制冷机场景s下时段t的制冷功率；
为电制冷机场景s下时段t的制冷功率；
为余热锅炉场景s下时段t提供的热功率；
为燃气锅炉场景s下时段t提供的热功率；
7)系统机组出力上下限约束：
式中：
分别为常规发电机组、快速调节机组、燃气轮机、燃气锅炉的开停机状态，1为开机，0为停机；
分别为常规发电机组出力的最小值和最大值；
分别为快速调节机组出力最小值和最大值；
分别为燃气轮机出力的最小值和最大值；
分别为吸收式制冷机和电制冷机的额定功率；
分别为燃气锅炉的最小出力和最大出力；
分别为燃气锅炉用于制热和供吸收式制冷机制冷的功率；
8)发电机组爬坡率约束：
式中：
分别为常规发电机组、快速调节机组的开停机状态；
9)最小开停机时间约束：
式中：
分别为常规发电机组、燃气锅炉的最小开机时间和最小停机时间；
分别为常规发电机组、燃气锅炉的开停机状态；
10)联络线功率约束：
式中：Pex,max为联络线最大传输功率；
为购售电状态，1为购电，0为售电；
分别为场景s下时段t联络线购电和售电的功率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911309173.0A CN111008748B (zh) | 2019-12-18 | 2019-12-18 | 包括电动汽车充电负荷的微电网经济调度优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911309173.0A CN111008748B (zh) | 2019-12-18 | 2019-12-18 | 包括电动汽车充电负荷的微电网经济调度优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111008748A CN111008748A (zh) | 2020-04-14 |
| CN111008748B true CN111008748B (zh) | 2022-10-04 |
Family
ID=70115911
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911309173.0A Active CN111008748B (zh) | 2019-12-18 | 2019-12-18 | 包括电动汽车充电负荷的微电网经济调度优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111008748B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111953023B (zh) * | 2020-07-20 | 2022-02-22 | 上海电力大学 | 一种基于macpso算法的含充电桩区域能源网管理方法 |
| CN112241596B (zh) * | 2020-10-26 | 2022-09-02 | 国网上海市电力公司 | 一种计及电动汽车的城市电网中长期生产模拟方法 |
| CN112467767B (zh) * | 2020-11-02 | 2023-06-09 | 国网内蒙古东部电力有限公司呼伦贝尔供电公司 | 综合能源系统环境下的电动汽车并网协同控制方法 |
| CN112907030B (zh) * | 2021-01-20 | 2023-12-19 | 国网山东省电力公司寿光市供电公司 | 一种考虑需求侧响应的能源中心配置方法及系统 |
| CN112886577A (zh) * | 2021-02-01 | 2021-06-01 | 中国电建集团华东勘测设计研究院有限公司 | 一种建筑群微网能量优化调度方法 |
| CN113762612A (zh) * | 2021-08-31 | 2021-12-07 | 北京交通大学 | 一种电动汽车充电站的分时运维成本测算方法及装置 |
| CN113972663B (zh) * | 2021-10-27 | 2023-04-18 | 清华大学 | 考虑用户决策随机性的电动汽车灵活性计算方法及装置 |
| CN114819345B (zh) * | 2022-04-25 | 2024-05-10 | 重庆大学 | 基于车-路-站-网融合的电动汽车充电负荷时空分布预测方法 |
| CN115360717B (zh) * | 2022-10-18 | 2023-03-24 | 国网浙江省电力有限公司宁波供电公司 | 用于综合能源的配电网调度方法、系统、设备及介质 |
-
2019
- 2019-12-18 CN CN201911309173.0A patent/CN111008748B/zh active Active
Non-Patent Citations (2)
| Title |
|---|
| 含机会约束的两阶段电动汽车充电基础设施随机规划;武中等;《智能电网》;20170410;第5卷(第04期);第356-361页 * |
| 计及电动汽车和风光资源不确定性的微电网优化配置;吴宇等;《电测与仪表》;20160825;第53卷(第16期);第39-43页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111008748A (zh) | 2020-04-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111008748B (zh) | 包括电动汽车充电负荷的微电网经济调度优化方法 | |
| CN108229025B (zh) | 一种冷热电联供型多微网主动配电系统经济优化调度方法 | |
| Ju et al. | A two-stage optimal coordinated scheduling strategy for micro energy grid integrating intermittent renewable energy sources considering multi-energy flexible conversion | |
| Zhao et al. | Distributed model predictive control strategy for islands multimicrogrids based on noncooperative game | |
| Violante et al. | An energy management system for isolated microgrids with thermal energy resources | |
| CN106099993B (zh) | 一种适应新能源大规模接入的电源规划方法 | |
| Zhao et al. | Active dynamic aggregation model for distributed integrated energy system as virtual power plant | |
| CN109859071B (zh) | 虚拟电厂多能互补的源荷储优化配置方法 | |
| CN109523065B (zh) | 一种基于改进量子粒子群算法的微能源网优化调度方法 | |
| CN102509175B (zh) | 分布式供电系统可靠性优化方法 | |
| CN111463836A (zh) | 一种综合能源系统优化调度方法 | |
| CN111445107B (zh) | 冷热电联供型微电网多目标优化配置方法 | |
| CN114707289B (zh) | 基于机会约束的电热耦合综合能源系统多目标优化方法 | |
| CN113256045A (zh) | 考虑风光不确定性的园区综合能源系统日前经济调度方法 | |
| Liu et al. | Two-stage optimal economic scheduling for commercial building multi-energy system through internet of things | |
| CN113779783A (zh) | 计及多重不确定性的区域综合能源系统规划与运行联合优化方法 | |
| CN112418488A (zh) | 一种基于两阶段能量优化的综合能源系统调度方法及装置 | |
| Saha | Adaptive model-based receding horizon control of interconnected renewable-based power micro-grids for effective control and optimal power exchanges | |
| CN113610316B (zh) | 不确定环境下考虑综合需求响应的园区综合能源系统优化调度方法 | |
| CN111126675A (zh) | 多能互补微网系统优化方法 | |
| Lamari et al. | Multi‐objective economic/emission optimal energy management system for scheduling micro‐grid integrated virtual power plant | |
| CN112883630A (zh) | 用于风电消纳的多微网系统日前优化经济调度方法 | |
| Zeng et al. | New optimization method based on energy management in microgrids based on energy storage systems and combined heat and power | |
| CN112966444A (zh) | 一种建筑多能源系统智慧能量优化方法及装置 | |
| CN116468215A (zh) | 计及源荷不确定性的综合能源系统调度方法及装置 |
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 |