CN111932398B - 一种光储型充电站优化控制方法及系统 - Google Patents
一种光储型充电站优化控制方法及系统 Download PDFInfo
- Publication number
- CN111932398B CN111932398B CN202010690901.3A CN202010690901A CN111932398B CN 111932398 B CN111932398 B CN 111932398B CN 202010690901 A CN202010690901 A CN 202010690901A CN 111932398 B CN111932398 B CN 111932398B
- Authority
- CN
- China
- Prior art keywords
- term
- power
- energy storage
- load
- planning curve
- 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 25
- 238000003860 storage Methods 0.000 title claims abstract description 22
- 230000003287 optical effect Effects 0.000 title claims abstract description 11
- 238000005457 optimization Methods 0.000 claims abstract description 127
- 230000007774 longterm Effects 0.000 claims abstract description 105
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 75
- 238000004146 energy storage Methods 0.000 claims description 121
- 239000013598 vector Substances 0.000 claims description 32
- 238000010248 power generation Methods 0.000 claims description 31
- 230000006870 function Effects 0.000 claims description 27
- 230000001105 regulatory effect Effects 0.000 claims description 27
- 230000005611 electricity Effects 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000012423 maintenance Methods 0.000 claims description 12
- 230000001276 controlling effect Effects 0.000 claims description 6
- 238000005096 rolling process Methods 0.000 abstract description 5
- 230000007246 mechanism Effects 0.000 abstract description 4
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000004044 response Effects 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
-
- 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
- Y02B40/00—Technologies aiming at improving the efficiency of home appliances, e.g. induction cooking or efficient technologies for refrigerators, freezers or dish washers
-
- 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
Abstract
本发明公开了一种光储型充电站优化控制方法及系统，本发明采用长期优化算法获得长期计划曲线，以长期计划曲线为参考，采用短期优化算法，获得本轮控制所需的量，并将本领控制后的电网状态作为下轮控制中的输入，实现了长期、短期滚动优化协同控制机制，综合长期优化的全局性以及短期优化的抗扰动性特点，消除长期预测误差带来的影响，满足日内实时运行的动态优化控制需要。
Description
技术领域
本发明涉及一种光储型充电站优化控制方法及系统，属于配电网运行优化领域。
背景技术
随着全球化石能源危机和环境污染等问题的不断凸现，可再生能源大规模应用成为未来国家能源主要战略。交通领域能源消费工业革命以来一直由化石能源占据主导，而以电动汽车为代表的新能源汽车正在逐步改变这一现状，电动汽车充电站作为重要基础设施支撑，其经济性运行水平将对电动汽车规模化发展起到重要推动作用，同时其大规模无序充电功率对电网的安全稳定也会造成重要的影响。
电动汽车作为智能电网中的重要组成部分，在相关技术研究领域已开展了大量的研究与应用。电动汽车充电负荷对价格具有良好的响应特性，具有良好的柔性调节能力，且与光伏、储能具有天然的功率互补特性。利用充电负荷的聚集效应，并采用基于需求响应的动态价格激励响应机制，可在源、网、荷、储间形成良好的优化协同空间，大幅降低电动汽车充电负荷对配电网的冲击，同时提升充电站经济运行水平，并可与电网在削峰填谷、辅助调频等方面产生良好互动，在电力市场改革的大背景下具有广阔的推广空间。
现有充电站优化大多集中于日前经济运行优化，受到日内光伏(短期光伏)发电、充电负荷的不确定性影响，很难适应日内实时运行的动态优化控制需要。
发明内容
本发明提供了一种光储型充电站优化控制方法及系统，解决了背景技术中披露的问题。
为了解决上述技术问题，本发明所采用的技术方案是：
一种光储型充电站优化控制方法，包括，
采集前一轮优化控制后当前时刻t的电网联络线功率和储能荷电状态量；
预测t～(t+T0)内的光伏发电功率和充电负荷；其中，T0为预设的长期时间窗口；
基于电网联络线功率、储能荷电状态量、T0内的光伏发电功率和T0内的充电负荷，采用预设的长期优化算法，获得T0内最优的长期计划曲线；其中，长期计划曲线包括储能充放电量计划曲线、联络线功率计划曲线和充电负荷计划曲线，长期优化算法以充电站日运行总成本最小为目标；
预测t～(t+T1)内的光伏发电功率和充电负荷；其中，T1为预设的短期时间窗口；
以长期计划曲线为参考，基于电网联络线功率、储能荷电状态量、T1内的光伏发电功率和T1内的充电负荷，采用预设的短期优化算法，获得T1内最优的短期计划曲线和控制变量计划曲线；其中，短期计划曲线包括储能充放电量计划曲线、联络线功率计划曲线和充电负荷计划曲线，控制变量调节量计划曲线包括储能充放电调节量计划曲线和负荷调节量计划曲线，短期优化算法以短期计划曲线与长期计划曲线之间的误差最小、控制变量调节量最小为目标；
从短期计划曲线的联络线功率计划曲线中获取t+△t时刻对应的联络线功率，从储能充放电调节量计划曲线中获取t+△t时刻对应的储能充放电调节量，从负荷调节量计划曲线中获取t+△t时刻对应的负荷调节量；其中，△t为一轮的控制时长；
将t+△t时刻对应的联络线功率、储能充放电调节量和负荷调节量下发至控制执行单元进行本轮控制。
根据长期优化算法的目标函数，利用优化算法，计算T0内的充电价格，发布充电价格；根据短期优化算法的目标函数，利用优化算法，计算T1内的充电价格，发布充电价格。
长期优化算法的目标函数为：
其中，
Ctotal为充电站日运行总成本，
COM_PV(t)为t时刻的光伏日运行维护成本；
COM_ESS(t)为t时刻的储能日运行维护成本；
CESS(t)＝priceLCOE*PESS_L(t)为t时刻的储能充放电成本，priceLCOE为储能的度电成本，PESS_L(t)为t时刻的储能充放电量；
为t时刻的微电网与大电网交易费用，Pgrid_L(t)为t时刻的电网联络线功率，/>为t时刻的电网购电价格；
CSubsidy_PV(t)＝PPV_L(t)*pricesubsidy为t时刻的微电网与大电网交易费用，PPV_L(t)为t时刻的光伏发电功率，pricesubsidy为光伏补贴价格；
为t时刻的电动汽车充电收益，PEV_L(t)为t时刻的电动汽车充电负荷，/>为t时刻的充电服务费；
CEV_punish(t)＝(Pload_L(t)-PEV_L(t))*ρEV为t时刻的电动汽车充电不足惩罚费用，Pload_L(t)为长期优化中t时刻电动汽车期望充电的总功率，PEV_L(t)为t时刻电动汽车实际总充电功率，ρEV为电动汽车充电惩罚系数。
短期优化算法的目标函数为：
其中，f为短期优化算法的目标，XL为长期计划曲线中同一时刻储能充放电量、联络线功率和充电负荷构成的向量，XS为短期计划曲线中同一时刻储能充放电量、联络线功率和充电负荷构成的向量，US为控制变量调节量计划曲线中同一时刻储能充放电调节量和负荷调节量构成的向量，XL(t+i|t)、XS(t+i|t)、US(t+i|t)分别为t时刻预测得到未来的t+i时刻的XL、XS和US，W和Q为权重向量。
一种光储型充电站优化控制系统，包括，
采集模块：采集前一轮优化控制后当前时刻t的电网联络线功率和储能荷电状态量；
长期预测模块：预测t～(t+T0)内的光伏发电功率和充电负荷；其中，T0为预设的长期时间窗口；
长期优化模块：基于电网联络线功率、储能荷电状态量、T0内的光伏发电功率和T0内的充电负荷，采用预设的长期优化算法，获得T0内最优的长期计划曲线；其中，长期计划曲线包括储能充放电量计划曲线、联络线功率计划曲线和充电负荷计划曲线，长期优化算法以充电站日运行总成本最小为目标；
短期预测模块：预测t～(t+T1)内的光伏发电功率和充电负荷；其中，T1为预设的短期时间窗口；
短期优化模块：以长期计划曲线为参考，基于电网联络线功率、储能荷电状态量、T1内的光伏发电功率和T1内的充电负荷，采用预设的短期优化算法，获得T1内最优的短期计划曲线和控制变量计划曲线；其中，短期计划曲线包括储能充放电量计划曲线、联络线功率计划曲线和充电负荷计划曲线，控制变量调节量计划曲线包括储能充放电调节量计划曲线和负荷调节量计划曲线，短期优化算法以短期计划曲线与长期计划曲线之间的误差最小、控制变量调节量最小为目标；
获取模块：从短期计划曲线的联络线功率计划曲线中获取t+△t时刻对应的联络线功率，从储能充放电调节量计划曲线中获取t+△t时刻对应的储能充放电调节量，从负荷调节量计划曲线中获取t+△t时刻对应的负荷调节量；其中，△t为一轮的控制时长；
下发模块：将t+△t时刻对应的联络线功率、储能充放电调节量和负荷调节量下发至控制执行单元进行本轮控制。
长期优化模块包括长期充电价格计算模块，根据长期优化算法的目标函数，利用优化算法，计算T0内的充电价格，发布充电价格；短期优化模块包括短期充电价格计算模块，根据短期优化算法的目标函数，利用优化算法，计算T1内的充电价格，发布充电价格。
长期优化模块中长期优化算法的目标函数为：
其中，
Ctotal为充电站日运行总成本，
COM_PV(t)为t时刻的光伏日运行维护成本；
COM_ESS(t)为t时刻的储能日运行维护成本；
CESS(t)＝priceLCOE*PESS_L(t)为t时刻的储能充放电成本，priceLCOE为储能的度电成本，PESS_L(t)为t时刻的储能充放电量；
为t时刻的微电网与大电网交易费用，Pgrid_L(t)为t时刻的电网联络线功率，/>为t时刻的电网购电价格；
CSubsidy_PV(t)＝PPV_L(t)*pricesubsidy为t时刻的微电网与大电网交易费用，PPV_L(t)为t时刻的光伏发电功率，pricesubsidy为光伏补贴价格；
为t时刻的电动汽车充电收益，PEV_L(t)为t时刻的电动汽车充电负荷，/>为t时刻的充电服务费；
CEV_punish(t)＝(Pload_L(t)-PEV_L(t))*ρEV为t时刻的电动汽车充电不足惩罚费用，Pload_L(t)为长期优化中t时刻电动汽车期望充电的总功率，PEV_L(t)为t时刻电动汽车实际总充电功率，ρEV为电动汽车充电惩罚系数。
短期优化模块中短期优化算法的目标函数为：
其中，f为短期优化算法的目标，XL为长期计划曲线中同一时刻储能充放电量、联络线功率和充电负荷构成的向量，XS为短期计划曲线中同一时刻储能充放电量、联络线功率和充电负荷构成的向量，US为控制变量调节量计划曲线中同一时刻储能充放电调节量和负荷调节量构成的向量，XL(t+i|t)、XS(t+i|t)、US(t+i|t)分别为t时刻预测得到未来的t+i时刻的XL、XS和US，W和Q为权重向量。
一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行光储型充电站优化控制方法。
一种计算设备，包括一个或多个处理器、存储器以及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行光储型充电站优化控制方法的指令。
本发明所达到的有益效果：1、本发明采用长期优化算法获得长期计划曲线，以长期计划曲线为参考，采用短期优化算法，获得本轮控制所需的量，并将本领控制后的电网状态作为下轮控制中的输入，实现了长期、短期滚动优化协同控制机制，综合长期优化的全局性以及短期优化的抗扰动性特点，消除长期预测误差带来的影响，满足日内实时运行的动态优化控制需要；2、本发明基于价格需求响应原理，建立价格影响因子矩阵，将价格曲线的主动调整在时域范围内传导到充电需求的跟随变化中，从而把负荷的调节也作为变量参与优化，拓展了经济性优化空间。
附图说明
图1为本发明方法的流程图；
图2为长期计划曲线中的储能充放电量计划曲线；
图3为长期计划曲线中的联络线功率计划曲线；
图4为长期计划曲线中的充电负荷计划曲线；
图5为长期时间窗口内的充电价格曲线；
图6为短期计划曲线中的储能充放电量计划曲线；
图7为短期计划曲线中的联络线功率计划曲线；
图8为短期计划曲线中的充电负荷计划曲线；
图9为储能充放电调节量计划曲线；
图10为负荷调节量计划曲线；
图11为短期时间窗口内的充电价格曲线。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
如图1所示，一种光储型充电站优化控制方法，包括以下步骤：
步骤1，采集前一轮优化控制后当前时刻t的电网联络线功率和储能荷电状态量；采用现有的预测方法(如基于历史数据的神经网络学习算法)，预测t～(t+T0)内的光伏发电功率和充电负荷；其中，T0为预设的长期时间窗口，一般设定为24小时。
步骤2，基于电网联络线功率、储能荷电状态量、T0内的光伏发电功率和T0内的充电负荷，采用预设的长期优化算法，获得T0内最优的长期计划曲线，并计算T0内的充电价格，发布充电价格。
长期计划曲线包括储能充放电量计划曲线、联络线功率计划曲线和充电负荷计划曲线。长期优化算法以充电站日运行总成本最小为目标，具体如下：
长期优化算法的目标函数为：
其中，
Ctotal为充电站日运行总成本，
COM_PV(t)为t时刻的光伏日运行维护成本；
COM_ESS(t)为t时刻的储能日运行维护成本；
CESS(t)＝priceLCOE*PESS_L(t)为t时刻的储能充放电成本，priceLCOE为储能的度电成本，PESS_L(t)为t时刻的储能充放电量；
为t时刻的微电网与大电网交易费用，Pgrid_L(t)为t时刻的电网联络线功率，/>为t时刻的电网购电价格；
CSubsidy_PV(t)＝PPV_L(t)*pricesubsidy为t时刻的微电网与大电网交易费用，PPV_L(t)为t时刻的光伏发电功率，pricesubsidy为光伏补贴价格；
为t时刻的电动汽车充电收益，PEV_L(t)为t时刻的电动汽车充电负荷，/>为t时刻的充电服务费；
CEV_punish(t)＝(Pload_L(t)-PEV_L(t))*ρEV为t时刻的电动汽车充电不足惩罚费用，Pload_L(t)为长期优化中t时刻电动汽车期望充电的总功率，PEV_L(t)为t时刻电动汽车实际总充电功率，ρEV为电动汽车充电惩罚系数。
目标函数Ctotal包含电网联络线、储能、光伏发电以及充电负荷各单元的成本，成本又进一步通过公式可表示为与各元件的出力功率相关，所以通过优化算法即可优化得到各元件的出力功率。
约束条件为：
A)功率平衡约束
PPV_L(t)+PEV_L(t)+PESS_L(t)+Pgrid_L(t)＝0
总功率平衡约束确保充电站内各时刻供电和用电的平衡；
B)充电站与电网功率交换约束
其中，为充电站与电网交互功率的下限，为负值；/>为充电站与电网交互功率的上限，为正值；
C)储能充放电功率约束
Pcharge_max≤PESS_L(t)≤Pdischarge_max
其中，Pcharge_max为电池最大充电功率，为负值；Pdischarge_max为电池最大放电功率，为正值；储能在任意时间段内的充放电状态唯一，负值表示充电，正值则为放电；
D)储能荷电量状态约束
SOCmin≤SOCL(t)≤SOCmax
SOCL(t+1)＝SOCL(t)*(1-δselfdischarge)-(PESS_L(t)*Δt)/EESS(t)
SOCL(t)＝SOCL(t+23)
其中，SOCL(t)为t时刻的储能荷电量，SOCmin、SOCmax分别为储能荷电量下限和上限，δselfdischarge为储能的自放电率，EESS(t)为储能在t时刻的充放电电量，正值表示放电电量，负值表示充电电量；
E)电动汽车充电负荷约束
PEV_Min≤PEV_L(t)≤PEV_Max
其中，PEV_Min、PEV_Max分别为PEV_L(t)的下限和上限；
F)充电服务费价格约束
priceservice_min≤pricet service(t)≤priceservice_max
其中，priceservice_min、priceservice_max分别为的下限和上限。
采用长期优化算法，可获得T0内各时刻最优的储能充放电量、联络线功率和充电负荷，同一时刻最优的储能充放电量、联络线功率和充电负荷构成向量XL，假设pΔt为优化时间尺度，一般为1小时，则可获得一组向量XL(t+pΔt)、XL(t+2pΔt)、...、XL(t+(T0/pΔt)pΔt)，其中，XL(t+pΔt)、XL(t+2pΔt)、XL(t+(T0/pΔt)pΔt)分别为t+pΔt时刻、t+2pΔt时刻和t+(T0/pΔt)pΔt时刻对应的向量。
T0内各时刻最优的储能充放电量连接构成储能充放电量计划曲线，T0内各时刻最优的联络线功率连接构成联络线功率计划曲线，T0内各时刻最优的充电负荷连接构成充电负荷计划曲线。
步骤3，采用现有的预测方法(如基于历史数据的神经网络学习算法)，预测t～(t+T1)内的光伏发电功率和充电负荷；其中，T1为预设的短期时间窗口，一般取4小时。
步骤4，以长期计划曲线为参考，基于电网联络线功率、储能荷电状态量、T1内的光伏发电功率和T1内的充电负荷，采用预设的短期优化算法，获得T1内最优的短期计划曲线和控制变量计划曲线，并计算T1内的充电价格，发布充电价格。
短期计划曲线包括储能充放电量计划曲线、联络线功率计划曲线和充电负荷计划曲线，控制变量调节量计划曲线包括储能充放电调节量计划曲线和负荷调节量计划曲线。短期优化算法以短期计划曲线与长期计划曲线之间的误差最小(即储能充放电量计划曲线之间误差最小、联络线功率计划曲线误差最小、充电负荷计划曲线误差最小)、控制变量调节量最小(即储能充放电调节量ΔPESS和负荷调节量ΔPload均最小)为目标，具体如下：
短期优化算法的目标函数为：
其中，f为短期优化算法的目标，XL为长期计划曲线中同一时刻储能充放电量、联络线功率和充电负荷构成的向量，XS为短期计划曲线中同一时刻储能充放电量、联络线功率和充电负荷构成的向量，US为控制变量调节量计划曲线中同一时刻储能充放电调节量和负荷调节量构成的向量，XL(t+i|t)、XS(t+i|t)、US(t+i|t)分别为基于预测控制原理t时刻预测得到未来的t+i时刻的XL、XS和US，W和Q为权重向量(具体为：W表示输出向量的权重系数矩阵，Q表示控制变量的权重系数矩阵)。
与长期优化阶段相似，通过优化算法使短期计划曲线与长期计划曲线的输出变量之间的误差最小、控制变量调节量最小从而优化得到短期优化的输出变量和控制变量优化值。
短期优化算法的约束条件与长期优化算法一致，此外ΔPESS和ΔPload所要满足的约束条件如下：
ΔPESS_min≤ΔPESS(t)≤ΔPESS_max
ΔPload_min≤ΔPload(t)≤ΔPload_max
其中，ΔPESS(t)为t时刻储能充放电调节量，ΔPESS_min、ΔPESS_max分别为ΔPESS(t)的下限和上限，ΔPload(t)为t时刻负荷调节量，ΔPload_min、ΔPload_max分别为ΔPload(t)的下限和上限。
采用短期优化算法，可获得T1内各时刻最优的储能充放电量、联络线功率和充电负荷、以及最优的储能充放电调节量和负荷调节量，其中，同一时刻最优的储能充放电量、联络线功率和充电负荷构成向量X′S，一时刻最优的储能充放电调节量和负荷调节量构成向量U′S。
假设△t为一轮的控制时长，一般为15分钟，则可获得向量组X′S(t+Δt)、X′S(t+2Δt)、...、X′S(t+(T0/Δt)Δt)，U′S(t+Δt)、U′S(t+2Δt)、…、U′S(t+(T0/Δt)Δt)其中，X′S(t+Δt)、X′S(t+2Δt)、X′S(t+(T0/Δt)Δt)分别为t+Δt时刻、t+2Δt时刻和t+(T0/Δt)Δt时刻对应的向量X′S，U′S(t+Δt)、U′S(t+2Δt)、U′S(t+(T0/Δt)Δt)分别为t+Δt时刻、t+2Δt时刻和t+(T0/Δt)Δt时刻对应的向量U′S。
T1内各时刻最优的储能充放电量连接构成储能充放电量计划曲线，T1内各时刻最优的联络线功率连接构成联络线功率计划曲线，T1内各时刻最优的充电负荷连接构成充电负荷计划曲线，T1内各时刻最优的储能充放电调节量连接构成储能充放电调节量计划曲线，T1内各时刻最优的负荷调节量连接构成负荷调节量计划曲线。
充电价格由基本电价和充电服务费构成，基本电价一般为峰谷平电价，充电服务费的价格最高可取0.8元/kWh，最低可取0.5元/kWh。
步骤5，从短期计划曲线的联络线功率计划曲线中获取t+△t时刻对应的联络线功率，从储能充放电调节量计划曲线中获取t+△t时刻对应的储能充放电调节量，从负荷调节量计划曲线中获取t+△t时刻对应的负荷调节量。
步骤6，将t+△t时刻对应的联络线功率、储能充放电调节量和负荷调节量下发至控制执行单元进行本轮控制，转至步骤1，进行下一轮控制。
若T0取一天，pΔt取1h，则长期计划曲线将每隔1h优化更新未来24h的功率调度曲线，一天内滚动优化24次，T1取4小时，△t取15min，则短期计划曲线将每隔15min优化更新未来4小时的功率调度曲线，一天内滚动优化96次，具体如图2～11所示。
上述方法采用长期优化算法获得长期计划曲线，以长期计划曲线为参考，采用短期优化算法，获得本轮控制所需的量，并将本领控制后的电网状态作为下轮控制中的输入，实现了长期、短期滚动优化协同控制机制，综合长期优化的全局性以及短期优化的抗扰动性特点，基于模型预测控制的原理，使得在日内实时运行过程中，可以动态地优化并修正计划曲线，消除长期预测误差带来的影响，满足日内实时运行的动态优化控制需要；同时上述方法基于价格需求响应原理，建立价格影响因子矩阵，将价格曲线的主动调整在时域范围内传导到充电需求的跟随变化中，从而把负荷的调节也作为变量参与优化，拓展了经济性优化空间。
一种光储型充电站优化控制系统，包括：
采集模块：采集前一轮优化控制后当前时刻t的电网联络线功率和储能荷电状态量。
长期预测模块：预测t～(t+T0)内的光伏发电功率和充电负荷；其中，T0为预设的长期时间窗口。
长期优化模块：基于电网联络线功率、储能荷电状态量、T0内的光伏发电功率和T0内的充电负荷，采用预设的长期优化算法，获得T0内最优的长期计划曲线；其中，长期计划曲线包括储能充放电量计划曲线、联络线功率计划曲线和充电负荷计划曲线，长期优化算法以充电站日运行总成本最小为目标。
长期优化模块包括长期充电价格计算模块，根据长期优化算法的目标函数，利用优化算法，计算T0内的充电价格，发布充电价格。
长期优化模块中长期优化算法的目标函数为：
其中，
Ctotal为充电站日运行总成本，
COM_PV(t)为t时刻的光伏日运行维护成本；
COM_ESS(t)为t时刻的储能日运行维护成本；
CESS(t)＝priceLCOE*PESS_L(t)为t时刻的储能充放电成本，priceLCOE为储能的度电成本，PESS_L(t)为t时刻的储能充放电量；
为t时刻的微电网与大电网交易费用，Pgrid_L(t)为t时刻的电网联络线功率，/>为t时刻的电网购电价格；
CSubsidy_PV(t)＝PPV_L(t)*pricesubsidy为t时刻的微电网与大电网交易费用，PPV_L(t)为t时刻的光伏发电功率，pricesubsidy为光伏补贴价格；
为t时刻的电动汽车充电收益，PEV_L(t)为t时刻的电动汽车充电负荷，/>为t时刻的充电服务费；
CEV_punish(t)＝(Pload_L(t)-PEV_L(t))*ρEV为t时刻的电动汽车充电不足惩罚费用，Pload_L(t)为长期优化中t时刻电动汽车期望充电的总功率，PEV_L(t)为t时刻电动汽车实际总充电功率，ρEV为电动汽车充电惩罚系数。
短期预测模块：预测t～(t+T1)内的光伏发电功率和充电负荷；其中，T1为预设的短期时间窗口。
短期优化模块：以长期计划曲线为参考，基于电网联络线功率、储能荷电状态量、T1内的光伏发电功率和T1内的充电负荷，采用预设的短期优化算法，获得T1内最优的短期计划曲线和控制变量计划曲线；其中，短期计划曲线包括储能充放电量计划曲线、联络线功率计划曲线和充电负荷计划曲线，控制变量调节量计划曲线包括储能充放电调节量计划曲线和负荷调节量计划曲线，短期优化算法以短期计划曲线与长期计划曲线之间的误差最小、控制变量调节量最小为目标。
短期优化模块包括短期充电价格计算模块，根据短期优化算法的目标函数，利用优化算法，计算T1内的充电价格，发布充电价格。
短期优化模块中短期优化算法的目标函数为：
其中，f为短期优化算法的目标，XL为长期计划曲线中同一时刻储能充放电量、联络线功率和充电负荷构成的向量，XS为短期计划曲线中同一时刻储能充放电量、联络线功率和充电负荷构成的向量，US为控制变量调节量计划曲线中同一时刻储能充放电调节量和负荷调节量构成的向量，XL(t+i|t)、XS(t+i|t)、US(t+i|t)分别为t时刻预测得到未来的t+i时刻的XL、XS和US，W和Q为权重向量。
获取模块：从短期计划曲线的联络线功率计划曲线中获取t+△t时刻对应的联络线功率，从储能充放电调节量计划曲线中获取t+△t时刻对应的储能充放电调节量，从负荷调节量计划曲线中获取t+△t时刻对应的负荷调节量；其中，△t为一轮的控制时长。
下发模块：将t+△t时刻对应的联络线功率、储能充放电调节量和负荷调节量下发至控制执行单元进行本轮控制。
一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行光储型充电站优化控制方法。
一种计算设备，包括一个或多个处理器、存储器以及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行光储型充电站优化控制方法的指令。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上仅为本发明的实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均包含在申请待批的本发明的权利要求范围之内。
Claims (6)
1.一种光储型充电站优化控制方法，其特征在于：包括，
采集前一轮优化控制后当前时刻t的电网联络线功率和储能荷电状态量；
预测t～(t+T0)内的光伏发电功率和充电负荷；其中，T0为预设的长期时间窗口；
基于电网联络线功率、储能荷电状态量、T0内的光伏发电功率和T0内的充电负荷，采用预设的长期优化算法，获得T0内最优的长期计划曲线；其中，长期计划曲线包括储能充放电量计划曲线、联络线功率计划曲线和充电负荷计划曲线，长期优化算法以充电站日运行总成本最小为目标；
长期优化算法的目标函数为：
其中，Ctotal为充电站日运行总成本；
COM_PV(t)为t时刻的光伏日运行维护成本；
COM_ESS(t)为t时刻的储能日运行维护成本；
CESS(t)＝priceLCOE*PESS_L(t)为t时刻的储能充放电成本，priceLCOE为储能的度电成本，PESS_L(t)为t时刻的储能充放电量；
为t时刻的微电网与大电网交易费用，Pgrid_L(t)为t时刻的电网联络线功率，/>为t时刻的电网购电价格；
CSubsidy_PV(t)＝PPV_L(t)*pricesubsidy为t时刻的微电网与大电网交易费用，PPV_L(t)为t时刻的光伏发电功率，pricesubsidy为光伏补贴价格；
为t时刻的电动汽车充电收益，PEV_L(t)为t时刻的电动汽车充电负荷，/>为t时刻的充电服务费；
CEV_punish(t)＝(Pload_L(t)-PEV_L(t))*ρEV为t时刻的电动汽车充电不足惩罚费用，Pload_L(t)为长期优化中t时刻电动汽车期望充电的总功率，PEV_L(t)为t时刻电动汽车实际总充电功率，ρEV为电动汽车充电惩罚系数；
预测t～(t+T1)内的光伏发电功率和充电负荷；其中，T1为预设的短期时间窗口；
以长期计划曲线为参考，基于电网联络线功率、储能荷电状态量、T1内的光伏发电功率和T1内的充电负荷，采用预设的短期优化算法，获得T1内最优的短期计划曲线和控制变量计划曲线；其中，短期计划曲线包括储能充放电量计划曲线、联络线功率计划曲线和充电负荷计划曲线，控制变量调节量计划曲线包括储能充放电调节量计划曲线和负荷调节量计划曲线，短期优化算法以短期计划曲线与长期计划曲线之间的误差最小、控制变量调节量最小为目标；
短期优化算法的目标函数为：
其中，f为短期优化算法的目标，XL为长期计划曲线中同一时刻储能充放电量、联络线功率和充电负荷构成的向量，XS为短期计划曲线中同一时刻储能充放电量、联络线功率和充电负荷构成的向量，US为控制变量调节量计划曲线中同一时刻储能充放电调节量和负荷调节量构成的向量，XL(t+i|t)、XS(t+i|t)、US(t+i|t)分别为t时刻预测得到未来的t+i时刻的XL、XS和US，W和Q为权重向量；
从短期计划曲线的联络线功率计划曲线中获取t+△t时刻对应的联络线功率，从储能充放电调节量计划曲线中获取t+△t时刻对应的储能充放电调节量，从负荷调节量计划曲线中获取t+△t时刻对应的负荷调节量；其中，△t为一轮的控制时长；
将t+△t时刻对应的联络线功率、储能充放电调节量和负荷调节量下发至控制执行单元进行本轮控制。
2.根据权利要求1所述的一种光储型充电站优化控制方法，其特征在于：根据长期优化算法的目标函数，利用优化算法，计算T0内的充电价格，发布充电价格；根据短期优化算法的目标函数，利用优化算法，计算T1内的充电价格，发布充电价格。
3.一种光储型充电站优化控制系统，其特征在于：包括，
采集模块：采集前一轮优化控制后当前时刻t的电网联络线功率和储能荷电状态量；
长期预测模块：预测t～(t+T0)内的光伏发电功率和充电负荷；其中，T0为预设的长期时间窗口；
长期优化模块：基于电网联络线功率、储能荷电状态量、T0内的光伏发电功率和T0内的充电负荷，采用预设的长期优化算法，获得T0内最优的长期计划曲线；其中，长期计划曲线包括储能充放电量计划曲线、联络线功率计划曲线和充电负荷计划曲线，长期优化算法以充电站日运行总成本最小为目标；
长期优化算法的目标函数为：
其中，Ctotal为充电站日运行总成本；
COM_PV(t)为t时刻的光伏日运行维护成本；
COM_ESS(t)为t时刻的储能日运行维护成本；
CESS(t)＝priceLCOE*PESS_L(t)为t时刻的储能充放电成本，priceLCOE为储能的度电成本，PESS_L(t)为t时刻的储能充放电量；
为t时刻的微电网与大电网交易费用，Pgrid_L(t)为t时刻的电网联络线功率，/>为t时刻的电网购电价格；
CSubsidy_PV(t)＝PPV_L(t)*pricesubsidy为t时刻的微电网与大电网交易费用，PPV_L(t)为t时刻的光伏发电功率，pricesubsidy为光伏补贴价格；
为t时刻的电动汽车充电收益，PEV_L(t)为t时刻的电动汽车充电负荷，/>为t时刻的充电服务费；
CEV_punish(t)＝(Pload_L(t)-PEV_L(t))*ρEV为t时刻的电动汽车充电不足惩罚费用，Pload_L(t)为长期优化中t时刻电动汽车期望充电的总功率，PEV_L(t)为t时刻电动汽车实际总充电功率，ρEV为电动汽车充电惩罚系数；
短期预测模块：预测t～(t+T1)内的光伏发电功率和充电负荷；其中，T1为预设的短期时间窗口；
短期优化模块：以长期计划曲线为参考，基于电网联络线功率、储能荷电状态量、T1内的光伏发电功率和T1内的充电负荷，采用预设的短期优化算法，获得T1内最优的短期计划曲线和控制变量计划曲线；其中，短期计划曲线包括储能充放电量计划曲线、联络线功率计划曲线和充电负荷计划曲线，控制变量调节量计划曲线包括储能充放电调节量计划曲线和负荷调节量计划曲线，短期优化算法以短期计划曲线与长期计划曲线之间的误差最小、控制变量调节量最小为目标；
短期优化算法的目标函数为：
其中，f为短期优化算法的目标，XL为长期计划曲线中同一时刻储能充放电量、联络线功率和充电负荷构成的向量，XS为短期计划曲线中同一时刻储能充放电量、联络线功率和充电负荷构成的向量，US为控制变量调节量计划曲线中同一时刻储能充放电调节量和负荷调节量构成的向量，XL(t+i|t)、XS(t+i|t)、US(t+i|t)分别为t时刻预测得到未来的t+i时刻的XL、XS和US，W和Q为权重向量；
获取模块：从短期计划曲线的联络线功率计划曲线中获取t+△t时刻对应的联络线功率，从储能充放电调节量计划曲线中获取t+△t时刻对应的储能充放电调节量，从负荷调节量计划曲线中获取t+△t时刻对应的负荷调节量；其中，△t为一轮的控制时长；
下发模块：将t+△t时刻对应的联络线功率、储能充放电调节量和负荷调节量下发至控制执行单元进行本轮控制。
4.根据权利要求3所述的一种光储型充电站优化控制系统，其特征在于：长期优化模块包括长期充电价格计算模块，根据长期优化算法的目标函数，利用优化算法，计算T0内的充电价格，发布充电价格；短期优化模块包括短期充电价格计算模块，根据短期优化算法的目标函数，利用优化算法，计算T1内的充电价格，发布充电价格。
5.一种存储一个或多个程序的计算机可读存储介质，其特征在于：所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行根据权利要求1至2所述的方法中的任一方法。
6.一种计算设备，其特征在于：包括，
一个或多个处理器、存储器以及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行根据权利要求1至2所述的方法中的任一方法的指令。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010690901.3A CN111932398B (zh) | 2020-07-17 | 2020-07-17 | 一种光储型充电站优化控制方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010690901.3A CN111932398B (zh) | 2020-07-17 | 2020-07-17 | 一种光储型充电站优化控制方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111932398A CN111932398A (zh) | 2020-11-13 |
| CN111932398B true CN111932398B (zh) | 2023-12-19 |
Family
ID=73313301
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010690901.3A Active CN111932398B (zh) | 2020-07-17 | 2020-07-17 | 一种光储型充电站优化控制方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111932398B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108876000A (zh) * | 2018-04-28 | 2018-11-23 | 国网江苏电力设计咨询有限公司 | 一种光伏充电站光、储、变压器容量协调优化配置方法 |
| CN109948823A (zh) * | 2018-10-29 | 2019-06-28 | 河海大学 | 一种光储充电塔自适应鲁棒日前优化调度方法 |
| CN110224444A (zh) * | 2019-05-16 | 2019-09-10 | 广东电网有限责任公司 | 一种海岛微电网多时间尺度协调控制方法 |
| CN110570007A (zh) * | 2019-06-17 | 2019-12-13 | 上海交通大学 | 电动汽车多时间尺度优化调度方法 |
-
2020
- 2020-07-17 CN CN202010690901.3A patent/CN111932398B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108876000A (zh) * | 2018-04-28 | 2018-11-23 | 国网江苏电力设计咨询有限公司 | 一种光伏充电站光、储、变压器容量协调优化配置方法 |
| CN109948823A (zh) * | 2018-10-29 | 2019-06-28 | 河海大学 | 一种光储充电塔自适应鲁棒日前优化调度方法 |
| CN110224444A (zh) * | 2019-05-16 | 2019-09-10 | 广东电网有限责任公司 | 一种海岛微电网多时间尺度协调控制方法 |
| CN110570007A (zh) * | 2019-06-17 | 2019-12-13 | 上海交通大学 | 电动汽车多时间尺度优化调度方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111932398A (zh) | 2020-11-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107248751B (zh) | 一种实现配电网负荷功率削峰填谷的储能站调度控制方法 | |
| CN110210647B (zh) | 一种分布式电源、储能与柔性负荷联合调度方法及装置 | |
| CN107565607B (zh) | 一种基于实时电价机制的微电网多时间尺度能量调度方法 | |
| Zhang et al. | An improved charging/discharging strategy of lithium batteries considering depreciation cost in day-ahead microgrid scheduling | |
| CN106253315B (zh) | 一种考虑电动汽车充电站可调度性的储能容量配置方法 | |
| CN111626527B (zh) | 计及可调度电动汽车快/慢充放电形式的智能电网深度学习调度方法 | |
| CN105162149A (zh) | 基于模糊自适应调节的光储系统跟踪发电计划出力方法 | |
| CN111030150B (zh) | 一种微电网系统负荷可靠供电的混合储能容量确定方法 | |
| CN113824111A (zh) | 一种光储能场景中储能容量配置和调度方法 | |
| CN116957294A (zh) | 基于数字孪生的虚拟电厂参与电力市场交易的调度方法 | |
| WO2023226368A1 (zh) | 电动汽车集群充放电控制方法、系统及相关设备 | |
| CN115036918A (zh) | 一种光储充电站经济运行费用和负荷方差优化的方法 | |
| CN114154790A (zh) | 基于需量管理和柔性负荷的工业园区光储容量配置方法 | |
| CN112101632B (zh) | 基于分布式估计算法楼宇负荷优化调度方法 | |
| CN111932398B (zh) | 一种光储型充电站优化控制方法及系统 | |
| CN112134272A (zh) | 配网电动汽车负荷调控方法 | |
| CN114640133B (zh) | 一种基于实时信息的城市电网电动汽车协同调控方法及系统 | |
| CN116760008A (zh) | 一种考虑负荷特性的多时间尺度有功无功协调调度方法 | |
| CN115619153A (zh) | 动态聚合下考虑分布式资源运行特性的响应方法和装置 | |
| CN115549159A (zh) | 一种考虑调峰成本的大规模电动汽车分群调度策略 | |
| CN111216586B (zh) | 考虑风电消纳的居民小区电动汽车有序充电控制方法 | |
| CN113794215A (zh) | 电动汽车与可再生能源协调优化方法和系统 | |
| CN113346514B (zh) | 一种基于agc的发电机组最优里程调度方法 | |
| CN109980668B (zh) | 一种含有ess的电力系统可靠性评估方法 | |
| CN114186417A (zh) | 一种风光储充综合能源体优化调度方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |