CN111654036B - 一种计及储能快充电站的配电网两阶段鲁棒优化调度方法 - Google Patents
一种计及储能快充电站的配电网两阶段鲁棒优化调度方法 Download PDFInfo
- Publication number
- CN111654036B CN111654036B CN202010421534.7A CN202010421534A CN111654036B CN 111654036 B CN111654036 B CN 111654036B CN 202010421534 A CN202010421534 A CN 202010421534A CN 111654036 B CN111654036 B CN 111654036B
- Authority
- CN
- China
- Prior art keywords
- model
- node
- energy storage
- formula
- distribution network
- 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
- 238000004146 energy storage Methods 0.000 title claims abstract description 143
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000005457 optimization Methods 0.000 title claims abstract description 67
- 230000009977 dual effect Effects 0.000 claims abstract description 41
- 239000013598 vector Substances 0.000 claims description 30
- 239000011159 matrix material Substances 0.000 claims description 26
- 230000003068 static effect Effects 0.000 claims description 24
- 230000005611 electricity Effects 0.000 claims description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 238000007599 discharging Methods 0.000 claims description 16
- 238000005265 energy consumption Methods 0.000 claims description 12
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 5
- 230000029305 taxis Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 7
- 238000004088 simulation Methods 0.000 description 5
- 230000008878 coupling Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 4
- 238000005859 coupling reaction Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 241000135164 Timea Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- 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
- H02J3/18—Arrangements for adjusting, eliminating or compensating reactive power in networks
-
- 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
- H02J3/04—Circuit arrangements for ac mains or ac distribution networks for connecting networks of the same frequency but supplied from different sources
- H02J3/06—Controlling transfer of power between connected networks; Controlling sharing of load between connected networks
-
- 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
-
- 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
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve 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
- 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]
-
- 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
- Y02E40/30—Reactive power compensation
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种计及储能快充电站的配电网两阶段鲁棒优化调度方法,以储能电动汽车充电站所属的配电网运行成本最小为目标函数,建立两阶段鲁棒优化调度模型,将两阶段鲁棒优化调度模型解耦为主问题模型和子问题模型;将子问题模型转化为子问题对偶模型,设定待优化的调度策略参数的初值并代入至子问题对偶模型,对子问题进行求解;然后将子问题模型求解得到的一组子问题优化参数代入主问题模型中,求解得到一组更新后的调度策略参数,将更新后的调度策略参数再次代入子问题模型中,经过反复迭代,最终得到一组优化的调度策略参数。本发明能够改善配电网运行的经济性和可靠性,可用于大规模快充电站接入配电网后的协调优化调度。
Description
技术领域
本发明涉及一种配电系统鲁棒优化调度,特别涉及一种计及储能快充电站的配电网两阶段鲁棒优化调度方法。
背景技术
目前,近年来,电动汽车(electric vehicles,EV)充电负荷在配电网中的渗透率大幅度提高,充电负荷的不确定性,特别是快充负荷所具备的间歇性和随机性,使配电系统的可靠经济运行面临一定程度的风险。为了尽量减少快充负荷对配电系统带来的负面影响,如何对快充负荷进行精细化建模以及在配电系统内如何实现优化调度成为解决问题的关键。
目前,大部分现有技术基于时间和空间两个维度开展电动汽车充电负荷建模研究。基于统计学方法,得到不同类型电动汽车充电行为的起始充电时间和起始荷电状态(state of charge,SOC)的概率分布,再利用蒙特卡洛模拟方法得到电动汽车的充电负荷;有的采用经典排队论的方法对充电负荷进行建模,利用泊松分布描述电动汽车到达住宅区的两阶段时间,并得到充电负荷的集聚特性,进而实现充电站内充电设施的优化配置。以上两种方法均从时间维度着手开展研究,但作为一种可移动负荷,电动汽车充电负荷特性与用户出行行为、电池续航能力、交通网络拓扑和流量等因素密切相关,需综合考虑交通网和配电网的耦合影响。有的采用起止点(Origin-Destination,OD)分析法,通过已有的交通数据在相关软件上反推得到用于模拟车辆行驶路径的OD矩阵,进而基于路径最短原则确定电动汽车的行驶行为,但忽略了路网流量对行驶时间的影响,可能导致得到的出行路径具有很高的时间成本;有的在描述出行类型的马尔科夫链基础上对电动汽车的时空特性进行建模,得到各充电站的充电负荷概率模型,但缺乏对电动汽车在道路上的行为模拟,且电动汽车能耗模型较为简单。为了更真实地模拟用户在路网中的驾驶行为,应综合考虑路网流量、行驶能耗等因素对用户出行路径选择的影响,进而准确刻画不同空间位置充电站充电负荷的时空分布特性。
另一方面,为了减少电动汽车充电负荷对配电网的冲击,众多学者针对电动汽车接入场景下的配电网优化调度开展了相关研究。有的研究了大规模电动汽车接入配电网后与分布式电源的协调运行调度问题,并提出了一种电动汽车接入的主动配电网多目标优化模型,但未考虑电动汽车充电负荷波动的随机性对配电网产生的影响,考虑到电动汽车快充负荷接入配电网带来的不确定性,以路网“均衡模型”规划电动汽车用户出行路径,搭建了耦合交通系统的配电网鲁棒调度模型,但未考虑充电负荷时序变化对配电网调度的影响。
针对电动汽车大规模接入所带来的一系列问题,在快充电站中配置储能装置,可就地实现对电动汽车充电负荷的补偿,缓解配电网供电压力,并通过削峰填谷等手段降低充电负荷时序变化对配电网的负面影响,被认为是延缓配电网升级,提高配电网对电动汽车接纳能力的有效手段。文献详细列出了配置储能的充电站运行成本,并在此基础上搭建了充电站内储能系统的日前优化调度模型,但研究对象仅针对单独的储能充电站,未考虑含储能充电站调度对配电网的影响。
发明内容
本发明为解决公知技术中存在的技术问题而提供一种计及储能快充电站的配电网两阶段鲁棒优化调度方法。
本发明为解决公知技术中存在的技术问题所采取的技术方案是:一种计及储能快充电站的配电网两阶段鲁棒优化调度方法,其特征在于,以储能电动汽车充电站所属的配电网运行成本最小为目标函数,建立两阶段鲁棒优化调度模型,将两阶段鲁棒优化调度模型解耦为主问题模型和子问题模型;其中,在主问题模型中,设置一组待优化的调度策略参数,主问题约束包括:配电网潮流运行约束,储能最大充放电功率约束,储能在运行过程中允许的最大和最小剩余容量,静止无功补偿装置的最大补偿容量;在子问题模型中,子问题约束包括:电动汽车充电负荷和配电网潮流约束;将子问题模型转化为子问题对偶模型,设定待优化的调度策略参数的初值并代入至子问题对偶模型,对子问题进行求解;然后将子问题模型求解得到的一组子问题优化参数代入主问题模型中,求解得到一组更新后的调度策略参数,将更新后的调度策略参数再次代入子问题模型中,经过反复迭代,最终得到一组优化的调度策略参数。
进一步地,具体包括如下步骤:
步骤1,建立储能快充电站充电负荷模型;
步骤2,由储能快充电站充电负荷模型,以配电网运行成本最小为目标函数,建立计及储能快充电站所属配电网的确定性优化调度模型;
步骤3,将确定性优化调度模型转换为主问题模型和子问题模型,求解得到一组优化的鲁棒调度策略参数。
进一步地,步骤1中,建立储能快充电站充电负荷模型的方法为:采用蒙特卡洛模拟方法对确定区域内的电动汽车的出行情况和充电情况进行模拟,采用置信区间的形式描述快充负荷的不确定性,储能快充电站充电负荷模型表示如下:
ΔPEVmax(t)=zconf/2*sd(t) (2);
式中,为t时刻快充负荷置信区间的上下边界;为一段时间内t时刻快充负荷的平均值;ΔPEVmax(t)为t时刻快充负荷的最大波动偏差;sd(t)为统计数据的标准差;conf表示置信水平;zconf/2为置信系数,由置信水平conf决定。
进一步地,对确定区域内的电动汽车的出行情况和充电情况进行模拟的方法为:
步骤1-1,建立电动汽车能耗模型;
步骤1-2,采用正态分布概率模型,建立电动汽车对应的起始出行时间和返程出行时间分布模型;
步骤1-3,建立包含储能快充电站的交通路网模型;建立路段通行时间-流量关系模型;
步骤1-4,采用广度搜索遍历算法,以通行时间最小为目标,建立电动车行驶路径模型及充电模型。
进一步地,步骤2中,建立计及储能快充电站所属配电网的确定性优化调度模型的方法包括:
步骤2-1,设立目标函数,假设储能充电站由配电网运营商经营,以储能充电站所在的配电网运行成本最小为目标函数,用Cgrid表示配电网购电成本;用Closs表示线路网损成本;用Cstorage表示储能运行成本,则目标函数表示如下:
其中,
步骤2-1,确定约束条件,约束条件包括潮流约束、储能约束及静止无功补偿装置约束,其中,
潮流约束包括:
umin≤ui≤umax; (11);
0≤iij≤imax; (12);
储能约束包括:
静止无功补偿装置约束包括:
式(3)~式(17)中,Cgrid为配电网购电成本;Closs为线路网损成本;Cstorage为储能运行成本;Kstorage为折算后的储能单位充放电成本;表示t时刻节点j的储能变流器交流侧输入的有功功率;表示t时刻节点j的储能变流器交流侧输出的有功功率;η为储能系统的充放电效率;Kloss为单位网损成本;Iij为电网支路ij的电流;Rij为支路ij的电阻;Ω表示配电网中所有节点的集合;Nt表示调度时段总数;Kprice(t)为t时刻的分时电价;Pgrid(t)表示t时刻流入配电网的有功功率;Pij表示从节点i向节点j流出的有功功率;Pjk表示从节点j向节点k流出的有功功率;Qij表示从节点i向节点j流出的无功功率;Qjk表示从节点j向节点k流出的无功功率;Pj为节点j净负荷有功功率;Qj为节点j净负荷无功功率;Rij表示节点i和节点j间线路的电阻值;Xij表示节点i和节点j间线路的电抗值;PLj为节点j原始负荷的有功功率;QLj为节点j原始负荷的无功功率;为节点j的电动汽车充电负荷;为节点j的静止无功补偿装置发出的无功功率;表示节点j储能装置的充电功率;表示节点j储能装置的放电功率;iij表示支路i→j的电流幅值的平方项;ui表示节点i电压幅值的平方项;umin为节点电压下限的平方值;umax为节点电压上限的平方值;imax是支路电流上限的平方值;表示节点j储能变流器允许的最大充放电功率;λj表示节点j储能装置的充放电状态,取1时表示放电,取0时表示充电;Estorage(0)为储能在调度初始时刻的容量,和为储能在运行过程中允许的最大和最小剩余容量;为t时刻节点j的静止无功补偿装置发出的无功功率;表示静止无功补偿装置的最大补偿容量。
进一步地,步骤3中,将确定性优化调度模型转换为主问题模型和子问题模型的方法包括:
步骤3-1,设x=[λ,Pdisj,Pchj,Qsvcj]为第一阶段优化变量,其中,λ为节点j储能各时段充放电状态列向量;Pchj为储能各时段充电功率列向量;Pdisj为储能各时段放电功率列向量;Qsvcj为静止无功补偿装置输出无功功率列向量;设y=[Pij,Qij,ui,iij]以及为第二阶段优化变量,其中,Pij表示从节点i向节点j流出的有功功率;Qij表示从节点i向节点j流出的无功功率;ui为节点i电压幅值的平方项;iij为支路i→j的电流幅值的平方项;为节点j的电动汽车充电负荷;设Δ(x,v)表示给定一组x和v后第二阶段变量y的可行域;设v位于箱型不确定集V内;将确定性优化调度模型转换为如下紧缩形式:
s.t. Rx≥r
箱型不确定集V表示如下:
式中:
N为式(4)中储能运行成本对应变量的系数矩阵;K为式(4)中网损成本和购电成本对应变量的系数矩阵;R为式(13)~式(17)中的对应变量的系数矩阵,r为常数列向量;A和C分别为式(5)、式(6)、式(7)、式(11)、式(12)中的等式两边对应变量的系数矩阵,a为常数列向量;D和E分别为式(9)、式(10)中的等式两边对应变量的系数矩阵;G和g分别表示式(8)中的不等式两边对应变量的系数矩阵;
步骤3-2,将确定性优化调度模型的紧缩形式解耦为主问题模型和子问题模型;采用列约束生成算法对模型进行求解。
进一步地,步骤3-2中,将确定性优化调度模型的紧缩形式解耦为主问题模型和子问题模型的方法包括如下步骤:
步骤3-2-1,建立如下主问题模型:
步骤3-2-2,设x*为第一阶段主问题的优化结果,建立如下子问题模型:
步骤3-2-4,当快充负荷达到最大值时配电网的运行成本最高,假设这种情况为最恶劣场景;在箱型不确定集V中引入快充负荷的不确定预算,用ΓEV表示在调度周期内充电站快充负荷在充电负荷不确定区间出现最大值的时段总数,其取值越大得到的方案越保守,反之,则方案越冒险;将箱型不确定集V调整为如下所示:
Z表示除储能成本外的配电网运行成本;k为当前的迭代次数;yl为第l次迭代后子问题的解;vl为第l次迭代后得到的最恶劣场景下不确定变量v的取值;N为式(4)中储能运行成本对应变量的系数矩阵;K为式(4)中网损成本和购电成本对应变量的系数矩阵;R为式(13)~式(17)中的对应变量的系数矩阵,r为常数列向量;A和C分别为式(5)、式(6)、式(7)、式(11)、式(12)中的等式两边对应变量的系数矩阵,a为常数列向量;D和E分别为式(9)、式(10)中的等式两边对应变量的系数矩阵;G和g分别表示式(8)中的不等式两边对应变量的系数矩阵;
进一步地,步骤3-2中,采用列约束生成算法对模型进行求解的方法包括如下步骤:
步骤a:给定一组v值作为初始的最恶劣场景,设定运行成本下界LB=-∞,运行成本上界UB=+∞,迭代次数k=1;
步骤d:若UB-LB<ε,其中ε为事先设定的一个足够小的收敛阈度,则表明已得到最优解,停止迭代;否则增加变量yk+1及如下约束:
令k=k+1,返回步骤b,直至算法收敛;
Z表示除储能成本外的配电网运行成本;k为当前的迭代次数;K为式(4)中网损成本和购电成本对应变量的系数矩阵;A和C分别为式(5)、式(6)、式(7)、式(11)、式(12)中的等式两边对应变量的系数矩阵,a为常数列向量;D和E分别为式(9)、式(10)中的等式两边对应变量的系数矩阵;G和g分别表示式(8)中的不等式两边对应变量的系数矩阵;为k+1次迭代时的最恶劣场景。
本发明具有的优点和积极效果是:本发明提出一种综合考虑电动汽车行驶能耗、道路交通网络约束及用户行驶行为模拟的快充电站充电负荷建模方法,并基于置信度构建快充负荷的不确定区间;针对快充电站充电负荷对配电网可能产生的负面影响,考虑在快充电站中配置储能装置,根据储能就地消纳的特性,建立计及储能快充电站的配电网两阶段鲁棒优化模型,可调灵活地实现不确定环境下快充电站储能系统的鲁棒决策。通过在13节点路网和改进的IEEE-33节点配电系统耦合网络,验证了本发明的方法能够更为细致地反映电动汽车能耗与驾驶行为之间的关系,能够改善配电网运行的经济性和可靠性,能够用于大规模快充电站接入配电网后的协调优化调度。
附图说明
图1是本发明的工作流程图;
图2是本发明的一种建立储能快充电站充电负荷模型的流程图;
图3是本发明对应的一种配电网区域路网-电网耦合系统示意图;
图4是配电网交易的分时电价示意图;
图5是配电网区域中的私家车起始出行时间分布图;
图6是配电网区域中的私家车返程时间分布图;
图7是配电网区域中的出租车起始出行时间分布图;
图8是图3中的配电网区域路网交通节点6的充电负荷图;
图9是图3中的配电网区域路网交通节点7的充电负荷图;
图10是图3中的配电网区域路网交通节点9的充电负荷图;
图11是图3中的配电网区域路网交通节点11的充电负荷图;
图12是图3中的1号配电网负荷和储能充放电功率状态示意图。
具体实施方式
为能进一步了解本发明的发明内容、特点及功效,兹列举以下实施例,并配合附图详细说明如下:
请参见图1至图12,一种计及储能快充电站的配电网两阶段鲁棒优化调度方法,以储能电动汽车充电站所属的配电网运行成本最小为目标函数,建立两阶段鲁棒优化调度模型,将两阶段鲁棒优化调度模型解耦为主问题模型和子问题模型;其中,在主问题模型中,设置一组待优化的调度策略参数,主问题约束包括:配电网潮流运行约束,储能最大充放电功率约束,储能在运行过程中允许的最大和最小剩余容量,静止无功补偿装置的最大补偿容量;在子问题模型中,子问题约束包括:电动汽车充电负荷和配电网潮流约束;将子问题模型转化为子问题对偶模型,设定待优化的调度策略参数的初值并代入至子问题对偶模型,对子问题进行求解;然后将子问题模型求解得到的一组子问题优化参数代入主问题模型中,求解得到一组更新后的调度策略参数,将更新后的调度策略参数再次代入子问题模型中,经过反复迭代,最终得到一组优化的调度策略参数。
上述的一种计及储能快充电站的配电网两阶段鲁棒优化调度方法,可具体包括如下步骤:
步骤1,建立储能快充电站充电负荷模型;
步骤2,由储能快充电站充电负荷模型,以配电网运行成本最小为目标函数,建立计及储能快充电站所属配电网的确定性优化调度模型;
步骤3,将确定性优化调度模型转换为主问题模型和子问题模型,求解得到一组优化的鲁棒调度策略参数。
其中,步骤1中,建立储能快充电站充电负荷模型的方法可为:可采用蒙特卡洛模拟方法对确定区域内的电动汽车的出行情况和充电情况进行模拟,可采用置信区间的形式描述快充负荷的不确定性,储能快充电站充电负荷模型可表示如下:
ΔPEVmax(t)=zconf/2*sd(t) (2);
式中,为t时刻快充负荷置信区间的上下边界;为一段时间内t时刻快充负荷的平均值;ΔPEVmax(t)为t时刻快充负荷的最大波动偏差;sd(t)为统计数据的标准差;conf表示置信水平;zconf/2为置信系数,由置信水平conf决定。
优选地,对确定区域内的电动汽车的出行情况和充电情况进行模拟的方法可为:
步骤1-1,可建立电动汽车能耗模型;
步骤1-2,可采用正态分布概率模型,建立电动汽车对应的起始出行时间和返程出行时间分布模型;
步骤1-3,可建立包含储能快充电站的交通路网模型;建立路段通行时间-流量关系模型;
步骤1-4,可采用广度搜索遍历算法,以路径总长度最小为目标,建立电动车行驶路径模型及充电模型。
优选地,步骤2中,建立计及储能快充电站所属配电网的确定性优化调度模型的方法可包括:
步骤2-1,设立目标函数,可假设储能充电站由配电网运营商经营,以储能充电站所在的配电网运行成本最小为目标函数,可用Cgrid表示配电网购电成本;可用Closs表示线路网损成本;可用Cstorage表示储能运行成本,则目标函数可表示如下:
其中,
步骤2-1,确定约束条件,约束条件可包括潮流约束、储能约束及静止无功补偿装置约束,其中,
潮流约束可包括:
umin≤ui≤umax; (11)
0≤iij≤imax; (12)
储能约束可包括:
静止无功补偿装置约束可包括:
式(3)~式(17)中,Cgrid为配电网购电成本;Closs为线路网损成本;Cstorage为储能运行成本;Kstorage为折算后的储能单位充放电成本;表示t时刻节点j的储能变流器交流侧输入的有功功率;表示t时刻节点j的储能变流器交流侧输出的有功功率;η为储能系统的充放电效率;Kloss为单位网损成本;Iij为电网支路ij的电流;Rij为支路ij的电阻;Ω表示配电网中所有节点的集合;Nt表示调度时段总数;Kprice(t)为t时刻的分时电价;Pgrid(t)表示t时刻流入配电网的有功功率;Pij表示从节点i向节点j流出的有功功率;Pjk表示从节点j向节点k流出的有功功率;Qij表示从节点i向节点j流出的无功功率;Qjk表示从节点j向节点k流出的无功功率;Pj为节点j净负荷有功功率;Qj为节点j净负荷无功功率;Rij表示节点i和节点j间线路的电阻值;Xij表示节点i和节点j间线路的电抗值;PLj为节点j原始负荷的有功功率;QLj为节点j原始负荷的无功功率;为节点j的电动汽车充电负荷;为节点j的静止无功补偿装置发出的无功功率;表示节点j储能装置的充电功率;表示节点j储能装置的放电功率;iij表示支路i→j的电流幅值的平方项;ui表示节点i电压幅值的平方项;umin为节点电压下限的平方值;umax为节点电压上限的平方值;imax是支路电流上限的平方值;表示节点j储能变流器允许的最大充放电功率;λj表示节点j储能装置的充放电状态,取1时表示放电,取0时表示充电;Estorage(0)为储能在调度初始时刻的容量,和为储能在运行过程中允许的最大和最小剩余容量;为t时刻节点j的静止无功补偿装置发出的无功功率;表示静止无功补偿装置的最大补偿容量。
优选地,步骤3中,将确定性优化调度模型转换为主问题模型和子问题模型的方法可包括:
步骤3-1,可设x=[λ,Pdisj,Pchj,Qsvcj]为第一阶段优化变量,其中,λ为节点j储能各时段充放电状态列向量;Pchj为储能各时段充电功率列向量;Pdisj为储能各时段放电功率列向量;Qsvcj为静止无功补偿装置输出无功功率列向量;可设y=[Pij,Qij,ui,iij]以及 为第二阶段优化变量,其中,Pij表示从节点i向节点j流出的有功功率;Qij表示从节点i向节点j流出的无功功率;ui为节点i电压幅值的平方项;iij为支路i→j的电流幅值的平方项;为节点j的电动汽车充电负荷;可设Δ(x,v)表示给定一组x和v后第二阶段变量y的可行域;设v位于箱型不确定集V内;将确定性优化调度模型转换为如下紧缩形式:
箱型不确定集V可表示如下:
式中:
N为式(4)中储能运行成本对应变量的系数矩阵;K为式(4)中网损成本和购电成本对应变量的系数矩阵;R为式(13)~式(17)中的对应变量的系数矩阵,r为常数列向量;A和C分别为式(5)、式(6)、式(7)、式(11)、式(12)中的等式两边对应变量的系数矩阵,a为常数列向量;D和E分别为式(9)、式(10)中的等式两边对应变量的系数矩阵;G和g分别表示式(8)中的不等式两边对应变量的系数矩阵;
步骤3-2,将确定性优化调度模型的紧缩形式解耦为主问题模型和子问题模型;可采用列约束生成算法对模型进行求解。
优选地,步骤3-2中,将确定性优化调度模型的紧缩形式解耦为主问题模型和子问题模型的方法可包括如下步骤:
步骤3-2-1,可建立如下主问题模型:
步骤3-2-2,设x*为第一阶段主问题的优化结果,可建立如下子问题模型:
步骤3-2-4,当快充负荷达到最大值时配电网的运行成本最高,可假设这种情况为最恶劣场景;可在箱型不确定集V中引入快充负荷的不确定预算,可用ΓEV表示在调度周期内充电站快充负荷在充电负荷不确定区间出现最大值的时段总数,其取值越大得到的方案越保守,反之,则方案越冒险;可将箱型不确定集V调整为如下所示:
Z表示除储能成本外的配电网运行成本;k为当前的迭代次数;yl为第l次迭代后子问题的解;vl为第l次迭代后得到的最恶劣场景下不确定变量v的取值;N为式(4)中储能运行成本对应变量的系数矩阵;K为式(4)中网损成本和购电成本对应变量的系数矩阵;R为式(13)~式(17)中的对应变量的系数矩阵,r为常数列向量;A和C分别为式(5)、式(6)、式(7)、式(11)、式(12)中的等式两边对应变量的系数矩阵,a为常数列向量;D和E分别为式(9)、式(10)中的等式两边对应变量的系数矩阵;G和g分别表示式(8)中的不等式两边对应变量的系数矩阵;
优选地,步骤3-2中,采用列约束生成算法对模型进行求解的方法可包括如下步骤:
步骤a:可给定一组v值作为初始的最恶劣场景,可设定运行成本下界LB=-∞,运行成本上界UB=+∞,迭代次数k=1;
步骤d:若UB-LB<ε,其中ε为事先设定的一个足够小的收敛阈度,则表明已得到最优解,停止迭代;否则增加变量yk+1及如下约束:
令k=k+1,返回步骤b,直至算法收敛;
Z表示除储能成本外的配电网运行成本;k为当前的迭代次数;K为式(4)中网损成本和购电成本对应变量的系数矩阵;A和C分别为式(5)、式(6)、式(7)、式(11)、式(12)中的等式两边对应变量的系数矩阵,a为常数列向量;D和E分别为式(9)、式(10)中的等式两边对应变量的系数矩阵;G和g分别表示式(8)中的不等式两边对应变量的系数矩阵;为k+1次迭代时的最恶劣场景。
下面以本发明的一个优选实施例来进一步说明本发明的工作流程及工作原理:
1、建立储能快充电站充电负荷模型
a)电动汽车相关参数建模
采用对数正态分布和正态分布概率模型近似模拟电动汽车对应的起始出行时间和返程出行时间分布:
式中,μ和σ分别表示出行时刻的均值和标准差。
考虑电动汽车能耗建模,电动汽车车载电池通过直流侧放电,经车载逆变器后转换为交流电,供给永磁交流电机,进而带动机械装置(发条、轮胎等)运动。电动汽车在道路上行驶的损耗主要包括四部分:轮胎损耗,空气阻力损耗,能动系统损耗和辅助损耗。损耗的计算公式如下:
Ffric+Faero=A1+A2v+A3v2 (c);
Facce=ma (d);
式中,Ffric、Faero和Facce分别表示轮胎阻力、空气阻力和能动系统在加速状态下所需的力;v为速度;A1、A2、A3分别为阻力参数;m为电动汽车的重量;a表示加速度;M为电动机处所需的力矩;MCF是经换算后的空载力矩;r为轮胎半径;ng和ηg分别表示传输系数比和传输效率;Pdc表示电池直流侧有功功率;ηm为电动机的效率;PFm为电动机的功率因数;ηinv为逆变器传输效率;Paux表示辅助损耗;tb表示通过路段b时各变速过程和匀速过程的时间;En(t)表示通过该路段的能耗;表示t时刻第i个过程电动汽车的能耗功率。
b)交通路网模型
参考经典图论方法,采用表示道路权值的领接矩阵D描述交通节点与路段之间的关系。矩阵中的元素dij表示对应路段的长度:
式中,lij表示路段(i,j)的长度;NT表示路网中所有交通节点的集合。
c)用户出行路径选择
在模拟电动汽车用户出行路径时,采用广度搜索遍历算法,寻找全程所需时间最短的路径。若在途中未出现剩余电量低于充电阈值的情况,最短用时路径求解如下:
式中,o为出发节点;d为交通道路网络中的目的地节点;Routei表示从o到d的第i条路径;Ntotal表示Routei中所有路段的集合。
若在途中出现剩余电量低于充电阈值的情况,则需规划合适的充电站进行充电,此时需考虑用户在充电站内的排队时间和充电时间:
式中,PCj表示区域内第j号公共充电站;表示从出发地o到第j号公共充电站的第i条路径所对应的行驶时间;表示在第j号公共充电站的排队时间;表示在第j号公共充电站的充电时间;表示从第j号公共充电站到目的地d的第i条路径所对应的行驶时间。
d)快充电站充电负荷不确定区间建模
采用蒙特卡洛模拟的方法对一定区域内的电动汽车的出行情况和充电情况进行模拟。考虑到区域内电动汽车每天的出行情况存在一定的差异,各充电站快充负荷随机性较强。采用置信区间的形式描述快充负荷的不确定性,其表达形式如下:
ΔPEVmax(t)=zconf/2*sd(t) (2);
式中,为t时刻快充负荷置信区间的上下边界;为根据所示方法得到的一段时间内t时刻快充负荷的平均值;ΔPEVmax(t)为t时刻快充负荷的最大波动偏差;sd(t)为统计数据的标准差;conf表示置信水平;zconf/2为置信系数,由置信水平conf决定。
2、建立计及储能快充电站的配电网的确定性优化调度模型
a)假设储能充电站由配电网运营商经营,由此以储能充电站所在的配电网运行成本最小为目标函数
式中,Cgrid表示配电网购电成本;Closs表示线路网损成本;Cstorage表示储能运行成本,三者可由下式计算得到:
式中,Kstorage为折算后的储能单位充放电成本;和分别表示t时刻节点j的储能变流器交流侧输入和输出的有功功率;η为储能系统的充放电效率;Kloss为单位网损成本;Iij为电网支路ij的电流;Rij为支路ij的电阻;Ω表示配电网中所有节点的集合;Nt表示调度时段总数;Kprice(t)为t时刻的分时电价;Pgrid(t)表示t时刻流入配电网的有功功率。
b)约束条件
umin≤ui≤umax (11);
0≤iij≤imax (12);
式(5)-(12)为潮流约束,Pij和Qij分别表示从节点i向节点j流出的有功和无功功率;Pj和Qj为节点j净负荷有功和无功功率;Rij和Xij表示节点i和节点j间线路的电阻值和电抗值;PLj和QLj为节点j原始负荷的有功功率和无功功率;为节点j的电动汽车充电负荷;为节点j的静止无功补偿装置发出的无功功率;和Pdisj表示节点j储能装置的充电和放电功率;iij和ui分别表示支路i→j的电流幅值和节点j电压幅值的平方项;umin和umax分别为节点电压下限和上限的平方值;imax是支路电流上限的平方值;式(13)-(16)为储能约束,表示节点j储能变流器允许的最大充放电功率,λj表示节点j储能装置的充放电状态,取1时表示放电,取0时表示充电;Estorage(0)为储能在调度初始时刻的容量,和为储能在运行过程中允许的最大和最小剩余容量;为t时刻节点j的静止无功补偿装置发出的无功功率;表示静止无功补偿装置的最大补偿容量。
3、建立并求解计及储能快充电站的配电网两阶段鲁棒优化调度模型,确定储能鲁棒调度策略
两阶段鲁棒优化调度问题的紧缩形式如下:
式中,为第一阶段优化变量,包括节点j储能各时段充放电状态列向量λ、储能各时段充放电功率列向量Pchj和Pdisj、以及SVC输出无功功率列向量第二阶段优化变量包括y=[Pij,Qij,Ui,Iij]和用以描述配电网潮流优化解和快充负荷不确定性变量。N、K为目标函数对应的系数矩阵;A、C、D、E、G、g为对应约束下变量的系数矩阵;a、r为常数列向量;此外,考虑v位于箱型不确定集V内:
采用列约束生成算法对问题进行求解,具体过程如下:
a)主问题具体形式
式中,Z表示除储能成本外的配电网运行成本,k为当前的迭代次数;yl为第l次迭代后子问题的解;vl为第l次迭代后得到的“最恶劣”场景下不确定变量v的取值。
b)子问题的具体形式
式中,x*为第一阶段主问题的优化结果,带入子问题进行求解。
c)子问题的对偶形式。在给定一组v的情况下,内层min问题变为一个二阶锥规划问题,根据强对偶理论可将其转化为对偶问题的max形式,并与外层max问题结合,得到如下形式:
式(14)取到最大值时,不确定变量v的取值应为式(14)所描述波动区间的边界。此外,对于本文所研究问题,快充负荷取到最大值时,配电网的运行成本更高,更符合“最恶劣”场景的定义,因此可将式(11)改写成如下形式:
式中,ΓEV为引入的快充负荷不确定预算,表示在调度周期内快充负荷取到式(15)所描述的波动区间的最大值的时段总数,可用于调节调度方案的保守性,取值越大得到的方案越保守,反之,则方案越冒险。将式(15)中的不确定变量表达式代入式(14),并引入辅助变量B’可将子问题变换成下面的混合整数二阶锥规划模型:
d)列约束生成算法对模型进行求解,确定储能调度策略。经过上述推导和转换,两阶段鲁棒模型最终解耦为主问题式(12)和子问题式(16),随后可用列约束生成算法进行求解,具体步骤如下:
步骤1:给定一组v值作为初始的最恶劣场景,设定运行成本下界LB=-∞,上界UB=+∞,迭代次数k=1;
步骤4:若UB-LB<ε,其中ε为事先设定的一个足够小的收敛阈度,则表明已得到最优解,停止迭代;否则增加变量yk+1及如下约束:
令k=k+1,返回步骤2,直至算法收敛。
本发明采用13节点的交通网络和调整后的IEEE33节点配电网耦合系统进行验证,系统拓扑图如附图3所示。仿真时长取为30分钟,配电网交易的分时电价如附图4所示。快充电站分别建在6、7、9、11四个交通节点上,各个站内的快充电桩数量依次为20、10、20和15,每个快充电桩的快充功率为45kW,快充效率为95%。各类电动汽车的出行参数如附图5至附图7所示:私家车起始出行时刻服从对数正态分布,均值为2.18,标准差为0.30,返程出行时刻服从标准正态分布,均值为16.79,标准差为3.53。
出租车起始出行时刻服从分段对数正态分布,假设服从1段分布的出租车为公共出租车(1类),均值为-1.68,标准差为1.41,返程时间为21点至23点,服从2段分布的出租车为私人出租车(2类),均值为1.90,标准差为0.36,返程时间为19点至23点。
该区域内共有2500辆私家车和700辆出租车(均为电动汽车,其中出租车包含150辆1类出租车和550辆2类出租车),车辆类型采用一款Nissan Leaf的电动汽车,电池容量为24kWh,能耗模型的各系数如表1所示。假设车辆起始出行的SOC范围为0.8~0.9,充电需求阈值为0.2~0.3,充电SOC上限为0.9。
表1Nissan Leaf电动汽车能耗模型各参数
采用本发明所提的储能快充电站充电负荷模型建模方法,得到的区域内各快充电站的充电负荷如附图8至附图11所示。从图中可以观察到,在凌晨5-6点时出现一个相对较小的充电高峰,这主要是由部分1类出租车在半夜行驶的情况下产生的充电需求所引起的。此外,充电负荷峰值主要集中在中午11-12点和傍晚17-18点左右。其中,中午11-12点的峰值主要由早上时段出行的2类出租车充电需求及1类出租车的二次充电需求引起,而17-18点为全天交通出行的高峰期,路段流量变大也将导致电动汽车出行能耗变大,此时私家车、出租车的充电需求叠加,产生充电高峰。快充负荷在晚上20点之后逐渐降低,这是由于多数电动汽车用户在夜间选择回家慢充导致的。同时,从仿真结果中还可以看出,在快充负荷水平较高的时段,其不确定区间范围也相对较大,反映了较强的充电需求与充电地点选择随机性之间的对应关系。
以1号配电网及其接入的交通节点6和7的快充电站为例说明两阶段鲁棒优化调度效果。两个快充电站内接入的储能装置容量分别为4MWh和1MWh,最大充放电功率为1000kW和250kW,1度电折算成本为0.35¥/kWh,SOC上下限均为0.9和0.1,效率为0.95。SVC接入配电网中11、22和27节点,最大无功补偿功率为200kvar。
如附图12所示,1号配点网馈线容量为3.5kW,在不确定预算取值最大(因为仿真步长为30分钟,所以该值取为48)场景下,配电网内总负荷有越限的情况发生。采用本发明所提的优化调度方法,储能充放电功率情况如图所示,可以看出,储能主要在夜间谷时段进行充电,在越限时刻时刻放电,以较低的成本满足配电网内的容量需求,使配电网净负荷曲线更加平滑。
表2所示为在不同的不确定预算下配电网不同成本的对比情况,因为快充负荷一天中不同时刻的大小不同,不难发现,随着不确定预算的参数逐渐变大,配电网内各成本也在逐渐增加。
表2不同不确定预算下的成本对比
不确定预算 | 储能充放电成本/¥ | 网损成本/¥ | 购电成本/¥ | 总运行成本/¥ |
0 | 2231.2 | 833.61 | 57900.4 | 60965.3 |
12 | 2412.2 | 874.02 | 59048.1 | 62334.3 |
24 | 2743.4 | 896.88 | 60046.4 | 63686.7 |
36 | 2780.1 | 913.00 | 60487.8 | 64180.9 |
48 | 2780.1 | 914.5 | 60512.2 | 64206.8 |
此外,为了验证本发明中二阶锥对偶模型的精度,计算得到不同不确定预算下主问题运行成本(不计储能运行成本)和对偶问题的运行成本,如表3所示。由表中数据可知,主问题和对偶问题的优化解误差在1.5%以内,可以满足仿真算法中的收敛阈度要求。
表3不同不确定预算下的对偶误差
本发明根据对区域中快充负荷的建模,得到各快充电站充电负荷的不确定性。然后,以配电网中总运行成本最低作为目标函数,在满足配电网内各种约束的条件下,可调灵活地实现对充电站内储能装置充放电的优化调度。
以上所述的实施例仅用于说明本发明的技术思想及特点,其目的在于使本领域内的技术人员能够理解本发明的内容并据以实施,不能仅以本实施例来限定本发明的专利范围,即凡本发明所揭示的精神所作的同等变化或修饰,仍落在本发明的专利范围内。
Claims (5)
1.一种计及储能快充电站的配电网两阶段鲁棒优化调度方法,其特征在于,以储能电动汽车充电站所属的配电网运行成本最小为目标函数,建立两阶段鲁棒优化调度模型,将两阶段鲁棒优化调度模型解耦为主问题模型和子问题模型;其中,在主问题模型中,设置一组待优化的调度策略参数,主问题约束包括:配电网潮流运行约束,储能最大充放电功率约束,储能在运行过程中允许的最大和最小剩余容量,静止无功补偿装置的最大补偿容量;在子问题模型中,子问题约束包括:电动汽车充电负荷和配电网潮流约束;将子问题模型转化为子问题对偶模型,设定待优化的调度策略参数的初值并代入至子问题对偶模型,对子问题进行求解;然后将子问题模型求解得到的一组子问题优化参数代入主问题模型中,求解得到一组更新后的调度策略参数,将更新后的调度策略参数再次代入子问题模型中,经过反复迭代,最终得到一组优化的调度策略参数;
具体包括如下步骤:
步骤1,建立储能快充电站充电负荷模型;
步骤2,由储能快充电站充电负荷模型,以配电网运行成本最小为目标函数,建立计及储能快充电站所属配电网的确定性优化调度模型;
步骤3,将确定性优化调度模型转换为主问题模型和子问题模型,求解得到一组优化的鲁棒调度策略参数;
步骤2中,建立计及储能快充电站所属配电网的确定性优化调度模型的方法包括:
步骤2-1,设立目标函数,假设储能充电站由配电网运营商经营,以储能充电站所在的配电网运行成本最小为目标函数,用Cgrid表示配电网购电成本;用Closs表示线路网损成本;用Cstorage表示储能运行成本,则目标函数表示如下:
其中,
步骤2-2,确定约束条件,约束条件包括潮流约束、储能约束及静止无功补偿装置约束,其中,
潮流约束包括:
umin≤ui≤umax; (11);
0≤iij≤imax; (12);
储能约束包括:
静止无功补偿装置约束包括:
式(3)~式(17)中,Cgrid为配电网购电成本;Closs为线路网损成本;Cstorage为储能运行成本;Kstorage为折算后的储能单位充放电成本;表示t时刻节点j的储能变流器交流侧输入的有功功率;表示t时刻节点j的储能变流器交流侧输出的有功功率;η为储能系统的充放电效率;Kloss为单位网损成本;Iij为电网支路ij的电流;Rij为支路ij的电阻;Ω表示配电网中所有节点的集合;Nt表示调度时段总数;Kprice(t)为t时刻的分时电价;Pgrid(t)表示t时刻流入配电网的有功功率;Pij表示从节点i向节点j流出的有功功率;Pjk表示从节点j向节点k流出的有功功率;Qij表示从节点i向节点j流出的无功功率;Qjk表示从节点j向节点k流出的无功功率;Pj为节点j净负荷有功功率;Qj为节点j净负荷无功功率;Rij表示节点i和节点j间线路的电阻值;Xij表示节点i和节点j间线路的电抗值;PLj为节点j原始负荷的有功功率;QLj为节点j原始负荷的无功功率;为节点j的电动汽车充电负荷;为节点j的静止无功补偿装置发出的无功功率;表示节点j储能装置的充电功率;表示节点j储能装置的放电功率;iij表示支路i→j的电流幅值的平方项;ui表示节点i电压幅值的平方项;umin为节点电压下限的平方值;umax为节点电压上限的平方值;imax是支路电流上限的平方值;表示节点j储能变流器允许的最大充放电功率;λj表示节点j储能装置的充放电状态,取1时表示放电,取0时表示充电;Estorage(0)为储能在调度初始时刻的容量,和为储能在运行过程中允许的最大和最小剩余容量;为t时刻节点j的静止无功补偿装置发出的无功功率;表示静止无功补偿装置的最大补偿容量;
步骤3中,将确定性优化调度模型转换为主问题模型和子问题模型的方法包括:
步骤3-1,设x=[λ,Pdisj,Pchj,Qsvcj]为第一阶段优化变量,其中,λ为节点j储能各时段充放电状态列向量;Pchj为储能各时段充电功率列向量;Pdisj为储能各时段放电功率列向量;Qsvcj为静止无功补偿装置输出无功功率列向量;设y=[Pij,Qij,ui,iij]以及为第二阶段优化变量,其中,Pij表示从节点i向节点j流出的有功功率;Qij表示从节点i向节点j流出的无功功率;ui为节点i电压幅值的平方项;iij为支路i→j的电流幅值的平方项;为节点j的电动汽车充电负荷;设Δ(x,v)表示给定一组x和v后第二阶段优化变量y的可行域;设v位于箱型不确定集V内;将确定性优化调度模型转换为如下紧缩形式:
s.t.Rx≥r
箱型不确定集V表示如下:
式中:
N为式(4)中储能运行成本对应变量的系数矩阵;K为式(4)中网损成本和购电成本对应变量的系数矩阵;R为式(13)~式(17)中的对应变量的系数矩阵,r为常数列向量;A和C分别为式(5)、式(6)、式(7)、式(11)、式(12)中的等式两边对应变量的系数矩阵,a为常数列向量;D和E分别为式(9)、式(10)中的等式两边对应变量的系数矩阵;G和g分别表示式(8)中的不等式两边对应变量的系数矩阵;
步骤3-2,将确定性优化调度模型的紧缩形式解耦为主问题模型和子问题模型;采用列约束生成算法对模型进行求解。
2.根据权利要求1所述的计及储能快充电站的配电网两阶段鲁棒优化调度方法,其特征在于,步骤3-2中,将确定性优化调度模型的紧缩形式解耦为主问题模型和子问题模型的方法包括如下步骤:
步骤3-2-1,建立如下主问题模型:
步骤3-2-2,设x*为第一阶段主问题的优化结果,建立如下子问题模型:
步骤3-2-4,当快充负荷达到最大值时配电网的运行成本最高,假设这种情况为最恶劣场景;在箱型不确定集V中引入快充负荷的不确定预算,用ΓEV表示在调度周期内充电站快充负荷在充电负荷不确定区间出现最大值的时段总数,其取值越大得到的方案越保守,反之,则方案越冒险;将箱型不确定集V调整为如下所示:
Z表示除储能成本外的配电网运行成本;k为当前的迭代次数;yl为第l次迭代后子问题的解;vl为第l次迭代后得到的最恶劣场景下不确定变量v的取值;N为式(4)中储能运行成本对应变量的系数矩阵;K为式(4)中网损成本和购电成本对应变量的系数矩阵;R为式(13)~式(17)中的对应变量的系数矩阵,r为常数列向量;A和C分别为式(5)、式(6)、式(7)、式(11)、式(12)中的等式两边对应变量的系数矩阵,a为常数列向量;D和E分别为式(9)、式(10)中的等式两边对应变量的系数矩阵;G和g分别表示式(8)中的不等式两边对应变量的系数矩阵;
3.根据权利要求2所述的计及储能快充电站的配电网两阶段鲁棒优化调度方法,其特征在于,步骤3-2中,采用列约束生成算法对模型进行求解的方法包括如下步骤:
步骤a:给定一组v值作为初始的最恶劣场景,设定运行成本下界LB=-∞,运行成本上界UB=+∞,迭代次数k=1;
步骤d:若UB-LB<ε,其中ε为事先设定的一个足够小的收敛阈度,则表明已得到最优解,停止迭代;否则增加变量yk+1及如下约束:
令k=k+1,返回步骤b,直至算法收敛;
5.根据权利要求4所述的计及储能快充电站的配电网两阶段鲁棒优化调度方法,其特征在于,对确定区域内的电动汽车的出行情况和充电情况进行模拟的方法为:
步骤1-1,建立电动汽车能耗模型;
步骤1-2,采用正态分布概率模型,建立电动汽车对应的起始出行时间和返程出行时间分布模型;
步骤1-3,建立包含储能快充电站的交通路网模型;建立路段通行时间-流量关系模型;
步骤1-4,采用广度搜索遍历算法,以通行时间最小为目标,建立电动车行驶路径模型及充电模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010421534.7A CN111654036B (zh) | 2020-05-18 | 2020-05-18 | 一种计及储能快充电站的配电网两阶段鲁棒优化调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010421534.7A CN111654036B (zh) | 2020-05-18 | 2020-05-18 | 一种计及储能快充电站的配电网两阶段鲁棒优化调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111654036A CN111654036A (zh) | 2020-09-11 |
CN111654036B true CN111654036B (zh) | 2022-03-11 |
Family
ID=72352302
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010421534.7A Active CN111654036B (zh) | 2020-05-18 | 2020-05-18 | 一种计及储能快充电站的配电网两阶段鲁棒优化调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111654036B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112347615A (zh) * | 2020-10-20 | 2021-02-09 | 天津大学 | 一种计及光储快充一体站的配电网混合优化调度方法 |
CN112751350B (zh) * | 2020-12-28 | 2024-03-19 | 国网天津市电力公司电力科学研究院 | 一种移动储能时空联合优化调度策略的制定方法 |
CN112750063B (zh) * | 2021-01-04 | 2023-12-05 | 李璐 | 基于随机规划的公交车队设施选址-路径规划-调度方法 |
CN112994063B (zh) * | 2021-04-29 | 2022-11-01 | 重庆大学 | 基于储能有序充电和智能软开关控制模型的配电网优化运行方法 |
CN113361078B (zh) * | 2021-05-20 | 2022-08-16 | 国网湖北省电力有限公司电力科学研究院 | 一种考虑光伏发电不确定性的配电网云边协同调控方法 |
CN113364045B (zh) * | 2021-05-26 | 2024-05-31 | 国网上海市电力公司 | 一种移动式储能参与的主动配电网故障恢复方法 |
CN113452052A (zh) * | 2021-06-30 | 2021-09-28 | 中国电力科学研究院有限公司 | 含充储电站的配电网的调度方法、系统、设备及存储介质 |
CN113627645B (zh) * | 2021-07-02 | 2024-01-19 | 东南大学 | 基于鲁棒优化的电动公交混合充电站充电时刻表设计方法 |
CN113541191A (zh) * | 2021-07-22 | 2021-10-22 | 国网上海市电力公司 | 考虑大规模可再生能源接入的多时间尺度调度方法 |
CN113902182B (zh) * | 2021-09-29 | 2022-09-20 | 大连理工大学 | 考虑能耗不确定性的电动公交车队鲁棒充电优化方法 |
CN114069664B (zh) * | 2021-11-01 | 2023-12-08 | 国网湖北省电力有限公司经济技术研究院 | 一种规模化储能系统的配电网电压分布式控制方法 |
CN116029464B (zh) * | 2023-03-28 | 2023-07-18 | 浙江大学 | 一种电网精确箱型经济运行域的加速求解方法 |
CN116385209B (zh) * | 2023-06-06 | 2023-08-18 | 国网安徽省电力有限公司经济技术研究院 | 中低压直流配电网储能系统接入效益评估方法 |
CN117944506B (zh) * | 2024-03-26 | 2024-06-25 | 国网湖北省电力有限公司经济技术研究院 | 基于配电-交通系统的电动汽车充电引导方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107979111A (zh) * | 2017-07-21 | 2018-05-01 | 天津大学 | 一种基于两阶段鲁棒优化的微电网能量管理方法 |
-
2020
- 2020-05-18 CN CN202010421534.7A patent/CN111654036B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111654036A (zh) | 2020-09-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111654036B (zh) | 一种计及储能快充电站的配电网两阶段鲁棒优化调度方法 | |
CN112347615A (zh) | 一种计及光储快充一体站的配电网混合优化调度方法 | |
Ostadi et al. | A comparative analysis of optimal sizing of battery-only, ultracapacitor-only, and battery–ultracapacitor hybrid energy storage systems for a city bus | |
Ostadi et al. | Optimal sizing of the battery unit in a plug-in electric vehicle | |
CN105098852A (zh) | 电动汽车换电装置及其充电管理方法 | |
Pal et al. | Planning of EV charging station with distribution network expansion considering traffic congestion and uncertainties | |
Škugor et al. | A bi-level optimisation framework for electric vehicle fleet charging management | |
Fathollahi et al. | Optimal siting and sizing of wireless EV charging infrastructures considering traffic network and power distribution system | |
Fang et al. | An energy management strategy for hybrid electric bus based on reinforcement learning | |
CN109840635A (zh) | 基于电压稳定性和充电服务质量的电动汽车充电站规划方法 | |
CN112183882B (zh) | 一种基于电动汽车快充需求的智慧充电站充电优化方法 | |
CN110866636A (zh) | 一种综合考虑电动汽车充电站及分布式能源的微电网规划方法 | |
Mroczek et al. | The V2G process with the predictive model | |
Li et al. | Incentive learning-based energy management for hybrid energy storage system in electric vehicles | |
Yi et al. | Two-stage optimal allocation of charging stations based on spatiotemporal complementarity and demand response: A framework based on MCS and DBPSO | |
Halder | Penetration of Electric Vechiles-Impact of Public Services | |
CN116961057A (zh) | 一种考虑电动汽车的多时段配电网故障恢复方法 | |
Clement-Nyns | Impact of plug-in hybrid electric vehicles on the electricity system | |
CN114006390B (zh) | 一种电动汽车充电负荷参与电网互动仿真方法及系统 | |
Vorobjovs et al. | Electric vehicle charging station load analyzing based on monte-carlo method | |
Hao et al. | Optimized and coordinated charging methods for electric vehicles cost | |
Li et al. | The rapid and coordinated charging strategy for private electric vehicles | |
CN110033119A (zh) | 一种户用电动汽车充电优化方法和系统 | |
CN104616067A (zh) | 考虑上网电价与遗传算法优化的风储发电控制方法及系统 | |
Yang | New energy charging pile planning in residential area based on improved genetic algorithm |
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 |