CN111934344A

CN111934344A - 一种基于动态规划的园区光伏与储能多目标优化调度方法

Info

Publication number: CN111934344A
Application number: CN202010658601.7A
Authority: CN
Inventors: 胡宁; 司君诚; 刘航航; 王元元; 刘彧挥; 刘琪; 季兴龙; 孙名妤; 马晓祎; 任敬刚; 蔡言斌; 谢芸; 张秋瑞; 苏小向; 张丹; 王燕; 吕风磊
Original assignee: State Grid Corp of China SGCC; Dongying Power Supply Co of State Grid Shandong Electric Power Co Ltd
Current assignee: State Grid Corp of China SGCC; Dongying Power Supply Co of State Grid Shandong Electric Power Co Ltd
Priority date: 2020-07-09
Filing date: 2020-07-09
Publication date: 2020-11-13

Abstract

本发明公开了一种基于动态规划的园区光伏与储能多目标优化调度方法，包括数据获取的配电网接入的光伏场站发电功率、配电网总负荷和光伏场站内分布式储能的充放电功率，以最小化光伏场站等效负荷方差和、最小化负荷峰谷差以及最小化分布式储能充放电成本为目标构建多目标优化调度函数；以分布式储能充放电功率、电池储存容量与使用寿命构建约束条件，在约束条件下求解多目标优化调度函数，得到光伏场站接入配电网后最优发电功率。实现分布式储能接入电网的最优充放电功率和光伏场站并网后的最优发电功率的协同调度。

Description

一种基于动态规划的园区光伏与储能多目标优化调度方法

技术领域

本发明涉及电网调度技术领域，特别是涉及一种基于动态规划的园区光伏与储能多目标优化调度方法。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

目前电动汽车作为新能源发展的突出代表，已取代传统的燃料汽车，成为引领汽车工业发展的重要趋势，未来电动汽车的大批量接入将会对电力系统的稳定运行产生很大的影响。目前对系统配电网层面主要有对电压、网损和谐波等方面的研究，随着可再生能源的发展，光伏在世界能源格局中的比重不断增加，光伏并网对电力系统的影响也越来越大；在系统中，光伏并网会伴有一定的弃光现象，造成能源的浪费，利用储能提升电网安全稳定水平已成为未来高比例新能源电网的必然选择。而发明人认为，目前虽已有对电动汽车接入电网和光伏并网协同调度的相关研究，但电动汽车作为一种分布式储能，如何综合考虑分布式储能的状态和位置等随机性参数，实现分布式储能的调度，仍有待进一步研究。

发明内容

为了解决上述问题，本发明提出了一种基于动态规划的园区光伏与储能多目标优化调度方法，考虑网络约束、电池充放电特性及状态约束，通过以平抑电网负荷波动、减少电动汽车充放电成本以及调整后的负荷峰谷差建立多目标协同调度函数，采用基于动态规划和遗传算法对多目标协同调度模型进行优化，针对分布式储能自发做出充放电的决策，实现分布式的就地决策算法，实现电动汽车接入电网的最优充放电功率和光伏并网后的最优发电功率的协同调度。

为了实现上述目的，本发明采用如下技术方案：

第一方面，本发明提供一种基于动态规划的园区光伏与储能多目标优化调度方法，包括：

根据获取的配电网接入的光伏场站发电功率、配电网总负荷和光伏场站内分布式储能的充放电功率，以最小化光伏场站等效负荷方差和、最小化负荷峰谷差以及最小化分布式储能充放电成本为目标构建多目标优化调度函数；

以分布式储能充放电功率、电池储存容量与使用寿命、分布式储能是否接收调度构建约束条件，在约束条件下求解多目标优化调度函数，得到光伏场站接入配电网后最优发电功率和分布式储能的充放电功率。

第二方面，本发明提供一种基于动态规划的园区光伏与储能多目标优化调度系统，包括：

目标函数构建模块，用于根据获取的配电网接入的光伏场站发电功率、配电网总负荷和光伏场站内分布式储能的充放电功率，以最小化光伏场站等效负荷方差和、最小化负荷峰谷差以及最小化分布式储能充放电成本为目标构建多目标优化调度函数；

优化模块，用于以分布式储能充放电功率、电池储存容量与使用寿命、分布式储能是否接收调度构建约束条件，在约束条件下求解多目标优化调度函数，得到光伏场站接入配电网后最优发电功率和分布式储能的充放电功率。

第三方面，本发明提供一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成第一方面所述的方法。

第四方面，本发明提供一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成第一方面所述的方法。

与现有技术相比，本发明的有益效果为：

1)本发明通过以平抑电网负荷波动、减少电动汽车充放电成本以及调整后的负荷峰谷差建立多目标协同调度函数，采用基于动态规划和遗传算法对多目标协同调度模型进行优化，避免了优化算法的维数灾问题和计算速度缓慢的问题。

2)本发明不需要分层，不需要上下层之间协调，算法结构简单，这种调度方法适合电动汽车电池分布广，容量小的特点，能够节省调度系统的投资，实现更加灵活的配置。

附图说明

构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。

图1为本发明实施例1提供的一种基于动态规划的园区光伏与储能多目标优化调度方法流程图。

具体实施方式：

下面结合附图与实施例对本发明做进一步说明。

应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

实施例1

如图1所示，本实施例提供一种基于动态规划的园区光伏与储能多目标优化调度方法，包括：

S1：根据获取的配电网接入的光伏场站发电功率、配电网总负荷和光伏场站内分布式储能的充放电功率，以最小化光伏场站等效负荷方差和、最小化负荷峰谷差以及最小化分布式储能充放电成本为目标构建多目标优化调度函数；

S2：以分布式储能充放电功率、电池储存容量与使用寿命、分布式储能是否接收调度构建约束条件，在约束条件下求解多目标优化调度函数，得到光伏场站接入配电网后最优发电功率和分布式储能的充放电功率。

在本实施例中，以电动汽车为例，考虑到电动汽车充放电时间与光伏发电均具备较强的随机性，本实施例设一个调度周期为1天，并将1天分为24个时间段，通过分时电价将每一个时间段内的电动汽车充放电功率作为优化变量，所述步骤S1具体包括：

(1)在区域电网中，大规模的电动汽车集中管理后，可向电网提供调峰、调频等多种辅助服务，本实施例把减少系统调峰容量不足而导致的弃光伏量考虑到电力系统负荷波动中，构建等效负荷方差和为最小的目标函数，如下：

其中，P_wt为区域电网中各个光伏场在第t时段总的发电功率值；P_1t为区域电网中第t时段时的总负荷需求值；P_avg表示1天内电力系统各时段负荷和的平均值；P_evt为在t时段时所有电动汽车的充放电功率。

(2)以满足电动汽车用户的充放电需求并降低充放电费用构建目标函数，本实施例考虑电动汽车充放电时对电池产生的损耗成本r_b：

式中，r_1t为电动汽车按分时电价充放电时t时段的充电电价；r_2t为电动汽车按分时电价充放电时t时段的放电电价；当P_evt小于等于0时，r₁＝0，r₂＝1；反之，当P_evt大于0时，r₁＝1，r₂＝0；P_evt小于等于0时代表电动汽车放电，反之，代表充电；Δt为计算时间长度；C_b为电动汽车每单位容量的电池价格，电动汽车以某型号M1为例，电池容量为20kW，电池价格为2200元/kWh；k为电池全寿命所能使用的循环次数，设为1600次，可知r_b＝0.1435元/kWh。

(3)调整后的负荷峰谷差目标模型：

P`_1t＝P_1t-P_wt+P_evt

min P_L＝max(P`_1t)-min(P`_1t)

式中，P`_1t为原负荷曲线调整后的负荷曲线；P_L为调整后的负荷曲线峰谷差。

所述步骤S2中，是否接受调度、充放电功率约束、电池储存能量约束和可用时间约束分别表示为：

(1)是否接收调度约束：

每个分布式储能配置是否接受协同调度标志u_cp,j(t)，u_cp,j(t)＝0表示第j个分布式储能不接受协同调度，无论周围负荷处于什么水平，此分布式储能始终处于充电状态；u_cp,j(t)＝1表示第j个充电桩接受协同调度。下一时间段充电概率阈值p_ev,j(t+1)：

其中，总容量p_1l(t)、等效负荷p_avg(t)，充电桩是否接受协同调度标志u_cp,j(t)。

(2)电动汽车充放电功率约束：

P_evmt≤P_evt≤P_evMt

P_evmt＝-N_2tP_evmax

P_evMt＝N_2tP_evmax

N_2t＝N_ev-N_1t

式中，P_evt为所能调度的所有电动汽车在第t时段时的充放电功率；P_evmt为所能调度的所有电动汽车在第t段时的充放电功率最小值；P_evMt为所能调度的所有电动汽车在第t段时的充放电功率最大值；N_ev为所能调度的所有电动汽车总数量；N_1t为t时段内所有行驶的电动汽车总数量；N_2t为t时段内所有停驶的电动汽车总数量。

(3)电动汽车电池剩余电量的极值约束：

S_min≤S_t+1≤S_max

S_min＝a₁N_evS_evmax

S_max＝a₂N_evS_evmax

式中，S_min和S_max分别为电池所剩余电量的最小、最大值；S_evmax为每辆电动汽车的平均容量的最大值，a₁、a₂为电动汽车至少、至多能够保存的能量。

S_t+1＝S_t+gP_evmaxΔt-S_1t

式中，S_t+1表示在第t时段电动汽车的剩余电量；S_t为在第t时段电动汽车的电池剩余电量；S_1t表示在t时段内所有行驶电动汽车的总耗电量；g为在第t时段内电动汽车的充放电效率。

S_1t＝N_1tS_1av

N_2t＝C_2tN_ev

S_1av＝S_kmV_evΔt

式中，S_1av表示电动汽车在一个时段中的平均行驶耗电量；C_2t表示电动汽车在t时段时的停驶概率；S_km表示电动汽车行使所需的平均耗电量；V_ev表示电动汽车通常行驶的平均速度。

电动汽车整体的能量需求：

式中，E_evn表示为在这24个时段内电动汽车所需要的电能总量。

所述步骤S2中，在约束条件下，采用遗传算法和动态规划寻优算法求解多目标优化调度函数，得到电动汽车最优充放电功率，以电动汽车最优充电功率协同调度并网后光伏场站的发电功率，具体为：

(1)种群初始化：

把要求解目标模型的初始可行解通过实数编码表示成遗传空间的个体，本文是把各时段的电动汽车充放电功率作为遗传空间的个体。

(2)求解适应度函数：

用来区分种群中电动汽车充放电功率是否为最优的标准是适应度函数，一般是根据所求目标模型变化得到。目标模型值与其适应度值具有倒数相对性，前者值越小，后者值越大，所得到的个体就越优；

采用函数值的倒数作为个体的适应度值，函数值越小的个体，适应度值越大，个体越优，即：

(3)选择操作，采用轮盘赌法从种群中选择适应度好的个体组成新的种群：

选择操作是从每次迭代所产生的种群中选出优秀个体，作为种群1，并将大于子代最优值的父代最优值代替子代的最差值，作为种群2，将种群1和种群2结合形成新的种群，然后利用轮盘赌法繁衍到下一代的个体，下式表示个体i被选中的概率为：

其中，F_i为某一个体i的适应度值；F_j为种群中所有个体数目适应度值。

(4)交叉操作为从新种群中选择两个个体，按照一定概率交叉得到新个体，变异操作为从新种群中随机选择一个个体，按照一定概率变异得到新个体；

将选择操作后所产生的新种群中某两个个体按照一定的交叉概率和变异概率进行变化，可使种群进一步进化，使其具有多样性。

(5)非线性寻优，即局部寻优，判断进化次数是否是种群个体数目的倍数，把利用遗传算法每次进化后所得到的次优可行解作为种群初始可行解值，然后再利用fmincon函数进行局部搜索寻优，并把所寻到的局部优化可行解作为新遗传个体继续进化。

实施例2

本实施例提供一种基于动态规划的园区光伏与储能多目标优化调度方法及系统，包括：

此处需要说明的是，上述模块对应于实施例1中的步骤S1至S2，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例1所公开的内容。需要说明的是，上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。

在更多实施例中，还提供：

一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成实施例1中所述的方法。为了简洁，在此不再赘述。

应理解，本实施例中，处理器可以是中央处理单元CPU，处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。

一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例1中所述的方法。

实施例1中的方法可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。

本领域普通技术人员可以意识到，结合本实施例描述的各示例的单元即算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims

1.一种基于动态规划的园区光伏与储能多目标优化调度方法，其特征在于，包括：

2.如权利要求1所述的一种基于动态规划的园区光伏与储能多目标优化调度方法，其特征在于，所述多目标优化调度函数中，最小化光伏场站等效负荷方差和的目标函数为：

其中，P_wt为区域电网中各个光伏场在第t时段总的发电功率值；P_1t为区域电网中第t时段时的总负荷需求值；P_avg表示1天内电力系统各时段负荷和的平均值；P_evt为在t时段时所有分布式储能的充放电功率。

3.如权利要求1所述的一种基于动态规划的园区光伏与储能多目标优化调度方法，其特征在于，所述多目标优化调度函数中，最小化分布式储能充放电成本的目标函数为：

其中，r_1t为分布式储能按分时电价充放电时t时段的充电电价；r_2t为分布式储能按分时电价充放电时t时段的放电电价；P_evt为在t时段时所有分布式储能的充放电功率；C_b为分布式储能每单位容量的电池价格。

4.如权利要求1所述的一种基于动态规划的园区光伏与储能多目标优化调度方法，其特征在于，所述多目标优化调度函数中，最小化负荷峰谷差的目标函数为：

`

P_1t＝P_1t-P_wt+P_evt

``

minP_L＝max(P_1t)-min(P_1t)

其中，P`_1t为原负荷曲线调整后的负荷曲线；P_L为调整后的负荷曲线峰谷差。

5.如权利要求1所述的一种基于动态规划的园区光伏与储能多目标优化调度方法，其特征在于，所述约束条件中，分布式储能充放电功率约束为：

P_evmt≤P_evt≤P_evMt

P_evmt＝-N_2tP_evmax

P_evMt＝N_2tP_evmax

N_2t＝N_ev-N_1t

其中，P_evt为所能调度的所有分布式储能在第t时段时的充放电功率；P_evmt为所能调度的所有分布式储能在第t段时的充放电功率最小值；P_evMt为所能调度的所有分布式储能在第t段时的充放电功率最大值；N_ev为所能调度的所有分布式储能总数量；N_1t为t时段内所有行驶的分布式储能总数量；N_2t为t时段内所有停驶的分布式储能总数量。

6.如权利要求1所述的一种基于动态规划的园区光伏与储能多目标优化调度方法，其特征在于，所述约束条件中，分布式储能电池剩余电量的极值约束为：

S_min≤S_t+1≤S_max

S_min＝a₁N_evS_evmax

S_max＝a₂N_evS_evmax

式中，S_min和S_max分别为电池所剩余电量的最小、最大值；S_evmax为每辆分布式储能的平均容量的最大值，a₁、a₂为分布式储能最少、最多保存的电能。

7.如权利要求1所述的一种基于动态规划的园区光伏与储能多目标优化调度方法，其特征在于，所述在约束条件下求解多目标优化调度函数的求解过程包括：

以分布式储能充放电功率为适应度函数，采用多目标优化调度函数的倒数作为适应度值；

采用轮盘赌法选择适应值最优的个体组成新种群；

对新种群中某两个个体按照一定的交叉概率和变异概率进行交叉操作和变异操作；

判断采用遗传算法进化次数是否是种群个体数目的倍数，采用非线性规格进行局部寻优，并把局部最优值作为新个体进行进化，直至得到分布式储能充放电功率的最优解。

8.一种基于动态规划的园区光伏与储能多目标优化调度系统，其特征在于，包括：

9.一种电子设备，其特征在于，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成权利要求1-7任一项所述的方法。

10.一种计算机可读存储介质，其特征在于，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1-7任一项所述的方法。