CN112018762B - 一种考虑输配协同含无功电压约束的电动汽车充电优化调度方法 - Google Patents
一种考虑输配协同含无功电压约束的电动汽车充电优化调度方法 Download PDFInfo
- Publication number
- CN112018762B CN112018762B CN202010894493.3A CN202010894493A CN112018762B CN 112018762 B CN112018762 B CN 112018762B CN 202010894493 A CN202010894493 A CN 202010894493A CN 112018762 B CN112018762 B CN 112018762B
- Authority
- CN
- China
- Prior art keywords
- power
- generating unit
- thermal power
- power generating
- output
- 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
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
-
- 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
-
- 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
- H02J3/322—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means the battery being on-board an electric or hybrid vehicle, e.g. vehicle to grid arrangements [V2G], power aggregation, use of the battery for network load balancing, coordinated or cooperative battery charging
-
- 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
- H02J3/381—Dispersed generators
-
- 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
- H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
-
- 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
- H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
- H02J3/472—For selectively connecting the AC sources in a particular order, e.g. sequential, alternating or subsets of sources
-
- 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]
-
- 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
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/22—The renewable source being solar energy
- H02J2300/24—The renewable source being solar energy of photovoltaic origin
-
- 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
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/28—The renewable source being wind energy
-
- 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
- Y02E70/00—Other energy conversion or management systems reducing GHG emissions
- Y02E70/30—Systems combining energy storage with energy generation of non-fossil origin
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Abstract
一种考虑输配协同含无功电压约束的电动汽车充电优化调度方法,通过对输电网模型采用基于细菌趋化改进的粒子群算法求得成本最优的机组组合,利用增加直流潮流约束提高模型求解效率;通过Benders分解将输电网发电机组模型分为主子问题迭代求解,进一步提高模型的求解效率。同时利用光伏机组发电进行协同调度,保证系统运行的效率;在配网层考虑安全约束前提下,采用节点预处理策略,缩减解空间范围,提高整体求解效率。
Description
技术领域
本发明属于电力系统控制领域,具体涉及一种考虑输配协同含无功电压约束的电动汽车充电优化调度方法。
背景技术
在当今能源危机和环境污染问题愈发严重的情况下,电动汽车迎来了自身发展的重大契机,世界各主要国家相继出台实施了多项政策措施支持电动汽车的研究和推动新能源汽车产业的发展,至今已经取得了一定的成果。但由于大规模无序充放电的电动汽车并网会给电网带来巨大的安全性和经济性威胁,因此研究电动汽车有序充放电和优化经济调度是当前一大难点。同时,处理大规模非线性规划问题比较复杂,因此,针对混合非线性大规模求解问题,也对其进行了研究。
发明内容
本发明针对现有技术中的不足,提供一种考虑输配协同含无功电压约束的电动汽车充电优化调度方法。本发明从调度的实际应用出发,通过考虑大规模电动汽车并网时的波动性,建立输电网以机组发电成本最小为目标函数和配电网以网损最小为目标的电动汽车优化充电模型,目的是在满足输电网最优机组方案并符合安全约束条件下使得在区域内电动汽车充电时,系统的网损最低以及负荷峰谷差最小。同时考虑光伏机组加入配网进行协同调度,提高了新能源的利用率。在模型的计算中,加入直流潮流约束和预处理策略,并采用了benders分解优化模型,保证计算的收敛性,提高了模型的求解效率。同时考虑到能量可实现交付因素,在输电网模型中加入相应的积分约束。本发明能较好的处理大规模电动汽车并网带来的不确定性问题,同时也提高新能源发电和利用率。在输电网吗模型的基础上添加了积分约束,实现电能传输的可交付性;在输配网协同优化模型基础上采用了预处理策略以提高模型整体的求解效率;在模型的迭代阶段增加了节点电压安全约束,保证了电网运行的安全性和经济性。本发明可应用于电力系统调度平台,以保证电网优化运行调度的安全性和经济性。
为实现上述目的,本发明采用以下技术方案:
一种考虑输配协同含无功电压约束的电动汽车充电优化调度方法,其特征在于,包括如下步骤:
S1:获取电网实时数据;
S2:根据电网实时数据,建立两阶段电动汽车充电优化调度模型,第一阶段的输电网模型是输电网以火电机组发电和风力发电成本为目标函数,第二阶段的配电网模型是配电网以综合峰谷差和网损为目标函数;
S3:对输电网模型加入积分约束条件实现发电能量可交付,并对输电网模型采用预处理策略提高模型求解效率;
S4:采用Benders分解方法,将输电网模型目标函数分为主子问题,并基于细菌趋化改进的粒子群算法进行主问题求解,得出火电机组最优出力和火电机组最优开停机组合;
S5:将求解主问题得出的结果代入风电场景,求解当前场景子问题,并检验子问题是否满足子问题本身的约束条件,满足约束条件则进入下一个场景,直至所有场景满足约束条件,输出满足风电出力的最优发电规划,若不满足则生成Benders割,转S4;
S6:将输电网模型得到的最优发电规划代入配电网,并对配电网模型进行节点优化处理;
S7:利用最优潮流求解考虑网络安全约束情况下各节点最优充放电电动汽车数量;
S8:判断各网络安全约束是否越限,若满足安全性问题,则转入S11,否则转入S9;
S9:利用光伏出力对配电网各节点进行有功调度,进行重新计算,并检测各网络安全约束是否越限,若不越限,转入S11,若仍越限,则转入S10;
S10:增加节点电压安全约束条件,转S4,重新规划调度;
S11:优化调度结束。
为优化上述技术方案,采取的具体措施还包括:
进一步地,S2中,两阶段电动汽车充电优化调度模型具体如下:
输电网模型的目标函数:
其中,为火电机组发电的总成本,为成本函数的决策变量,是火电机组i在t时段的实际的有功出力;Sci,t为火电机组i在t时段的启停成本,G为可启停火电机组总数,T为研究周期内的时段总数,Ii,t为火电机组i在t时段的启停状况,Ii,t=1代表火电机组处于启动运行的状态,Ii,t=0代表火电机组处于停机运行的状态;为火电机组i在t时段内的火电成本函数,Shsi和Scsi分别为火电机组i的热、冷启动成本,为火电机组i已经连续停机的时间,为火电机组i所允许的最小停机时间,为火电机组i的冷启动时间;Pi为火电机组i的有功功率,为火电机组i的最小有功功率,ai,bi,ci,xi,yi为对应的火电机组i的排放系数;
约束条件:
pto(0)=pi,0
其中,Pd为电动汽车平均放电功率,Nd(t)为t时段内研究区域进行放电的总的电动汽车的数量,Pc为电动汽车平均充电功率,Nc(t)为t时段内研究区域进行充电的总的电动汽车的数量,NPV为研究区域中光伏电站PV的总数目,PPV t为光伏电站在t时段的预测出力值,Dt为时段t内系统总负荷值,Pt loss为研究系统在t时段内的系统网损值;Pi max,t为火电机组i在时段t内允许的有功出力最大值,Nw为研究区域中风电场的总数目,Pw t为风电场在t时段的输出功率预测值,α为备用对需求的系数;Pi min,t为火电机组i在时段t内的允许有功出力最小值,PPV max,t和PPV min,t为时段t内PV出力的最大值和最小值;Qi t为火电机组i在时段t内的无功出力,Qi min,t和Qi max,t为火电机组i在时段t内的无功出力的最小值和最大值;Wi,t为火电机组i在时段t火电机组出力,σ为每个调度时段时间长度,t是连续时间变量,pi(t)为火电机组i的发电功率函数,hi(t)为pi(t)的导数,pto(0)为初始时刻火电机组i的发电功率,pi,0为给定的初始时刻火电机组i的发电功率;Tt-1 io和Tt-1 if分别指的是火电机组i在时段t之前处于运行和停运状态的时间,Tmin io和Tmin if分别指的是火电机组i的最小允许运行时间和最小允许停运时间;
配电网模型的目标函数:
其中,f为综合峰谷差和网损最优,Vi和Vj为节点i,j的电压,Gij为节点导纳矩阵中对应元素的实部,δij表示节点i,j之间的相角差;Lt为不含电动汽车储能负荷的原网负荷在t时段的值,Pt为电动汽车储能的负荷,当其为正时,整体表现出储能充电的状态,当其为负时,整体表现出储能放电的状态,w1,w2为网损和峰谷差的系数;
约束条件:
Vi,min≤Vi≤Vi,max
其中,Qi为火电机组i的无功功率值,Pi,min、Pi,max分别为火电机组i的有功的最小值和最大值,Qi,min、Qi,max分别为火电机组i的无功的最小值和最大值,QPV为光伏电站的无功功率值,PPV为光伏电站的有功功率值,PPV,min、PPV,max分别为光伏电站的有功无功的最小值和最大值,QPV,min、QPV,max分别为光伏电站的无功的最小值和最大值,Smax为线路潮流的上限值,Sij为节点i、j间的潮流;Mi,EV为充电机的额定容量,Pi,EV(t)为在t时刻充电机的充电功率;分别为t时刻充电机的无功功率的上下限;Vi,min表示火电机组i运行所允许的电压最大值,Vi,max表示火电机组i运行所允许的电压最小值。
进一步地,S3中,加入积分约束条件具体如下:
将积分约束纳入输电网模型中,使火电机组在一个时段内的计划发电量等于实际发电量,保证能量的可交付性;建立常规火电机组发电功率与能量、功率变化率与发电功率之间的积分约束关系,其约束如下:
pto(0)=pi,0
式中,Wi,t为火电机组i在t时刻的火电机组出力,σ为每个调度时段时间长度,t是连续时间变量,T表示研究周期内的时段总数,pi(t)为火电机组i的发电功率函数,pi(0)为给定的初始时刻火电机组i的发电功率,hi(t)为pi(t)的导数,pto(0)为初始时刻火电机组i的发电功率。
进一步地,S3中,预处理策略包括:
1)将直流潮流约束作为输电网模型的约束条件;
2)初始化输电网模型的对象,形成权重自适应粒子群算法的初始种群,并对初始种群进行预处理;
3)初始化火电机组的开停机状态,使得火电机组满足火电机组启停约束条件;
4)初始化火电机组爬坡效率,使得火电机组满足爬坡约束条件。
进一步地,S3中,初始化火电机组的开停机状态具体如下:
S331:初始化i=1,t=1,进入S332;
S337:i=i+1,进入S338;
S338:判断i≤G是否成立:若成立,则返回S332;否则,完成开停机预处理,即完成火电机组的开停机状态的初始化;
其中,t=1,2,…表示研究周期内的第t个时段,T表示研究周期内的时段总数,G为火电机组总数量,表示火电机组i在t时段内的开停机状态,和分别表示火电机组i在t时段内开机和停机,和表示火电机组i在t时段内的连续运行时间和连续停运时间,表示火电机组i在t时段内应满足的开机时长,表示研究周期内火电机组i在t时段前的停运时间,表示火电机组i的停运时间下限,Ti,down表示研究周期内火电机组i的时段的时间下限;
S3中,初始化火电机组爬坡效率具体如下:
S343:若则首先计算不满足条件的机组越限差值然后调节直至满足利用满足条件的火电机组对进行调整;在调节全程中,火电机组i都应当满足爬坡约束条件,同时要保证火电机组的有功出力不越限,完成调节后进入S345;否则,进入S344;
S345:i=i+1,进入S346;
S346:判断i≤G是否成立:若成立,则返回S341;否则,完成火电机组爬坡预处理,即完成火电机组爬坡效率的初始化;
进一步地,S4中,基于Benders分解的输电网优化调度模型为:
主问题目标函数为:
约束条件:
PPV min,t≤PPV t≤PPV max,t
pto(0)=pi,0
子问题目标函数为:
约束条件为:
θIS=0
其中,IS为平衡节点编号,表示主问题得出的输出的有功功率,为主问题得出的火电机组的启停状况,Vi表示火电机组i运行的电压,为火电机组i运行的电压下限,为火电机组i运行的电压上限,为火电机组i运行所允许的电压上限约束对应的非负松弛变量,Vi 为火电机组i运行所允许的电压下限约束对应的非负松弛变量,m为火电机组i运行所允许的电压上下限非负松弛变量对应的惩罚乘子;第一个约束表示规定平衡节点的相角θIS为0,第二个约束表示除去与平衡节点相连的火电机组后,其余的火电机组输出的有功功率均由主问题给出,第三个约束表示松弛后的火电机组电压上下限的约束;
在火电机组运行过程中,发生电压越限的时候,由于松弛变量的存在,使得电压能够在更大的范围内取值,来保证子问题存在可行解;当子问题目标函数不为0时,由于存在非负松弛变量,表示此时得出的结果不满足约束条件,需要向主问题反馈Benders割,具体如下:
其中,ωt(P,I)为返回主问题的割的表达式,为子问题在时段t的函数值,l1为拉格朗日乘子,表示火电机组的输出有功功率的变化对子问题目标函数值的灵敏度,l2和l3为对应的机组输出无功功率上下限的拉格朗日乘子,和表示时段t里子问题得出的火电机组i输出的无功功率上下限;
通过向主问题返回的割,进行下一次迭代求解的时候,改变出力和机组组合状态,使得松弛量为零,满足潮流约束,得出负荷各约束的最优解。
进一步地,S5中,风电场景生成具体如下:
风电场在未来t个时刻的输出功率情况用随机时间序列表示:表示包括了不同风电输出功率情况的集合,该随机时间序列的一个现实被称为时段t内的一个场景S(t),将T时段的场景S(t)记为场景S,此时,风电场输出功率时间序列表示为 表示包括了不同时间下的风电场输出功率的集合;同时,每一个场景被赋予一定的权值表示其在未来发生的概率,场景S(t)发生的概率Ps(t)如下式所示:
随后建立风电场输出功率预测误差估计模型,此处采用自回归滑动平均模型来进行估计,如下式所示:
其中,p,q分别为ARMA模型自回归及滑动平均部分的阶数,此处取1;αi,bj为模型参数,通过估计得到;εi、εi-j为服从均值为0,方差为σ2的高斯分布的白噪声;为预测跨度为t个时段的风电场输出功率预测误差与预测功率的比值;
通过对历史预测误差的估计,可采用最小二乘法得到参数αi,bj,σ2;对于每一个风电场输出功率场景S而言,先根据ε的概率密度函数,随机模拟产生T个随机数εi(s),εi(s),…εT(s),则由ARMA模型公式推出风电场输出功率场景S在时段t(t=1,…,T)的预测误差百分比并由下式获得风电场输出功率场景S在各个时段的有功功率值:
采用以上方法随机产生Ns个风电场输出功率场景,每个场景的概率为1/Ns。
进一步地,S6中,节点优化处理过程如下:
S61:获取配电网层各节点的潮流数据;
S62:建立配电网的有功网损模型:
其中,Ploss为系统有功网损,Ui、Uj为节点i、j的电压,n为节点数;Gij表示节点i、j之间的电导,Bij表示节点i、j之间的电纳,θij表示节点i、j之间的相角;
S63:求出负荷节点的无功变化对有功网损模型的灵敏度值:
其中,U、P、Q、P′、Q′、θ分别为配电网节点电压幅值、有功功率、无功功率、注入有功功率、注入无功功率以及电压的相角;在灵敏度计算中:
因此得出:
得到:
其中,灵敏度因子SPQ由牛顿拉夫逊法的雅克比矩阵求出;对于节点i:
S64:对所有节点的灵敏度进行计算和排序;
S65:设定阀值δ,去除灵敏度高于阈值δ的节点;
S66:统计保留的节点,得到优化后的节点数量,完成配电网层各节点的预处理。
进一步地,S9中,光伏出力预测为:
采用场景离散化对光伏机组出力进行预测,将分布式光伏分为不同小时段进行场景分析,通过不同时段的连续的概率模型进行离散化,生成具备不同时段场景特性的有限个光伏出力数据集,进而将不确定性的光伏出力表征为不同时段的确定性出力;
首先将光照强度、环境温度和气候条件作为光伏机组的出力影响因素进行分析,采用灰色关联度综合分析:
PDG=f(hv,AT,Temp)
其中,hv为光照强度,AT为气候条件,Temp为环境温度;
然后将该场景内分布式光伏出力区间[0,PM]均匀离散为n个离散的出力有功功率值,散化步长取l=PM/n,得该场景下光伏出力PM的时段出力为:
其中,Pm(i)表示光伏出力,加减0.5q代表区间范围。
进一步地,S10中,判别节点电压安全约束条件不满足后的处理为:
检查节点电压越限情况,在返回S4之前增加约束如下:
Vi,min≤Vi+lV,PiΔP+lV,QiΔQ≤Vi,max
其中,Vi代表的是越限的节点的电压,lV,Pi和lV,Qi代表的是越限的节点电压相比于此节点的有功功率和无功功率的灵敏度;Vi,min和Vi,max分别代表了该节点的最大电压值和最小电压值;ΔP和ΔQ分别为优化前后有功和无功出力的上限之间的的差值。
本发明的有益效果是:本发明能够实现在大规模电动汽车接入电网时降低输电网发电成本,降低配网网损以及谷峰差,保证设备控制效果,提高新能源的利用率。针对大规模电动汽车接入电网带来的经济和安全问题,本发明提出虑输配协同含无功电压约束的电动汽车充电优化调度方法,通过对输电网模型采用基于细菌趋化改进的粒子群算法求得成本最优的机组组合,利用增加直流潮流约束提高模型求解效率;通过Benders分解将输电网发电机组模型分为主子问题迭代求解,进一步提高模型的求解效率。同时利用光伏机组发电进行协同调度,保证系统运行的效率;在配网层考虑安全约束前提下,采用节点预处理策略,缩减解空间范围,提高整体求解效率。
附图说明
图1是本发明的总体流程图。
图2是本发明的模型预处理策略总流程图。
图3是预处理策略中的开停机预处理流程图。
图4是本发明中的节点预处理策略流程图。
图5是基于细菌趋化改进的粒子群算法的流程图。
具体实施方式
现在结合附图对本发明作进一步详细的说明。
参考图1描述的本发明的总体流程图,具体步骤如下:
步骤1:获取电网实时数据;
步骤2:建立输电网以传统机组发电和风力发电成本为目标函数和配电网以综合峰谷差和网损为目标函数的输配协同含无功电压约束的电动汽车充电优化模型;
步骤3:加入积分约束实现发电能量可交付,并对输电网模型采用预处理策略提高模型求解效率;
步骤4:采用Benders分解方法,将输电网模型目标函数分为主子问题,并基于细菌趋化改进的粒子群算法进行模型求解,得出常规机组最优出力和机组组合;
步骤5:将得出结果代入风电场景S,求解当前场景子问题,并检验子问题是否满足约束,满足约束则进入下一个场景,直至所有场景满足约束,输出满足风电出力的最优发电规划,若不满足则生成Benders割,转步骤4;
步骤6:将输电网模型得到的最优发电规划代入配电网,并对配电网模型进行节点优化处理;
步骤7:利用最优潮流求解考虑网络安全约束情况下各节点最优充放电电动汽车数量;
步骤8:判断各网络安全约束是否越限,若满足安全性问题,则转入步骤11,否则转入步骤9;
步骤9:利用光伏出力对配电网各节点进行有功调度,进行重新计算,并检测各约束是否越限,若不越限,转入步骤11,若仍越限,则转入步骤10;
步骤10:增加节点电压安全约束条件,转步骤4,重新规划调度;
步骤11:优化调度结束。
为了更清楚的说明本发明,下面将对相关内容进行展开说明。
如图2至图5所示,模型预处理方法主要是对提高模型的求解运算效率,更容易得出满足约束的解,以保证后续计算的顺利进行。
一、模型预处理方法
1、采用直流潮流增加收敛性。在初始阶段对主问题增加直流潮流约束,直流潮流可近似看为交流潮流的一种简化,并且直流潮流计算相对简单一些,在不增加主问题的约束和条件的前提下,相比直接求解考虑网络安全潮流约束问题,这样求解更加容易得到满足安全潮流约束的解;
2、生成初始种群以及初始化的预处理。初始化的对象主要是发电机组运行状况和有功出力值,考虑到有功出力矩阵Ug的不定性,生成的初始种群可能不能达到某些约束条件,因此可以通过预处理使得初始种群能够更快的进入可行域并有效的减少优化的迭代次数,在初始种群中首先选取部分粒子作为引导,在后续演化的过程能使得不行解能更加迅速的进入可行域;
3、对开停机进行预处理。在刚开始的状态下,各个机组的启停状况是随机产生的,极有可能不能满足机组启停的约束条件,因此先计算各个机组在调度期间内t时段的启停的情况,即机组i在时段t内的连续运行时间和连续停运时间之后按设置的条件对其进行调整,来对开停机时间进行预处理,调整方式如下:
(2)先设i和t同时为1,若ui,t为0,ui,t-1为1,并且满足则设ui,t为1;若ui,t为0,ui,t-1为1,同时满足则设ui,t为1;若ui,t为0,ui,t-1为1,同时满足y为任意整数,则设ui,t为1。
4、模型预处理结束。
二、灵敏度求解
建立牛顿拉夫逊法的雅克比矩阵,根据第一阶段得出的有功出力和前一次迭代得到的电压和无功出力进行潮流计算,得到各节点的电压值V,令初次迭代的设置为节点1,发电机节点1.05(标幺值)。
其中,E为单位矩阵,r(E)=r(相角量),1/V为对角矩阵,对角元素为每一个节点的电压。
线路潮流的灵敏度计算如下:
式中值由潮流计算所得。
可求得灵敏度值如下:
三、判别节点电压越限后的处理方法
在配电网计算的过程中,经常会出现所求解满足约束,但是节点电压却越限,导致所求结果并不能应用,在光伏调度不能处理越限问题的时候,再次检查出节点电压越限后,需重新增加网络安全回代方程约束,求出新的解,增加约束如下:
Vi,min≤Vi+lV,PiΔP+lV,QiΔQ≤Vi,max
其中,Vi代表的是越限的节点的电压,lV,Pi和lV,Qi代表的是越限的节点相比于此节点的有功功率和无功功率的灵敏度。Vi,min和Vi,max分别代表了该节点的最大电压值和最小电压值。△P和△Q分别为有功和无功出力与无功优化后有功和无功的上限之间的的差值。
四、基于细菌趋化改进的粒子群算法
考虑到粒子群算法容易陷入局部最优的情形,本文采用细菌趋化算法(BacterialForaging Optimization,BFO)进行粒子群的多样性扩展,BFO算法基本的三个步骤介绍如下:
1、细菌趋化。细菌个体根据其趋药性随机向某个位置移动一步,若该移动带来整个群体向着更好的方向进行,则保持该步移动,并继续沿着该方向进行移动;若该移动带来的效果是细菌群体整体的变差,则重新进行细菌个体的移动,方向选择为该方向的反方向进行。其位置更新公式为:
2、细菌繁殖。当细菌种群完成全部的趋化移动后,判别各个细菌个体所处的位置,通过计算其能量的大小并进行降序排序,对细菌位置交叉的细菌进行淘汰,并对处于数据前列的细菌进行再生。
3、细菌迁移。该步骤是提高细菌种群多样性的关键一步,当细菌种群完成全部的趋化和繁殖步骤后,随机生成一个迁移概率,若该概率小于固定迁移概率Ped则进行迁移操作。
在粒子群的粒子迭代更新中引入多样性量度,定义为:
式中,P为改进粒子群的种群大小;L为改进粒子群的搜索空间的长度;N为主动配电网故障区段定位的解空间维度;Sij表示粒子i在解空间N中的第j个分量。
然后定义两个阈值dlow和dhigh,当种群的多样性小于dlow时,则进行细菌趋化繁殖增加种群的多样性,当种群的多样性大于dhigh时,则进行粒子群操作。若处于两者之间,采用通过粒子历史最差位置Wid和群体最差位置Wgd来实现更新:
五、节点优化预处理
如图5所示,节点预处理方法主要是根据节点无功变化对网损的灵敏度排除一些灵敏度较高的节点,减少后期运算的计算量,以保证后续计算的方便求解。
由于配电网节点多,计算量大,因此采用负荷点无功变化对系统有功网损的灵敏度分析,并对灵敏度进行排序,去除灵敏度较高的节点,减少了计算量。步骤如下:
1、获取节点潮流数据;
2、建立系统有功网损模型;
3、求出负荷点的无功变化对网损的灵敏度矩阵;
4、对所有灵敏度进行排序;
5、根据阈值δ(人工定义),去除灵敏度较高的节点;
6、得到优化后节点数;
7、节点优化预处理结束。
其中,系统有功网损为:
求解灵敏度分析如下:
负荷点无功变化对系统有功网损的灵敏度为:
式中:U、Q′、θ为配电网节点电压幅值、注入无功功率以及电压的相角。
另外,在灵敏度计算中:
因此得出:
得到节点无功变化对有功网损的灵敏度表达为:
对于节点i:
灵敏度矩阵中的SPQ的因子由牛顿-拉夫逊法潮流计算的雅克比矩阵求出。得出所有节点灵敏度后排除灵敏度值较大的节点,将剩余的节点作为研究节点,能降低运算负担和时间。
六、输配协同含无功电压约束的电动汽车充电优化调度模型的建立
具体模型如下:
输电网目标函数:
其中,F(Pi t)为火电机组发电的总成本,Pi t为成本函数的决策变量,是火电机组i在t时段的实际的有功出力;Sci,t为火电机组i在t时段的启停成本,G为可启停火电机组总数,T为研究周期内的时段总数,Ii,t为火电机组i在t时段的启停状况,Ii,t=1代表火电机组处于启动运行的状态,Ii,t=0代表火电机组处于停机运行的状态;Ci(Pi t)为火电机组i在t时段内的火电成本函数,Shsi和Scsi分别为火电机组i的热、冷启动成本,为火电机组i已经连续停机的时间,为火电机组i所允许的最小停机时间,为火电机组i的冷启动时间;Pi为火电机组i的有功功率,Pi min为火电机组i的最小有功功率,ai,bi,ci,xi,yi为对应的火电机组i的排放系数。
约束条件:
pto(0)=pi,0
其中,Pd为电动汽车平均放电功率,Nd(t)为t时段内研究区域进行放电的总的电动汽车的数量,Pc为电动汽车平均充电功率,Nc(t)为t时段内研究区域进行充电的总的电动汽车的数量,NPV为研究区域中光伏电站PV的总数目,PPV t为光伏电站在t时段的预测出力值,Dt为时段t内系统总负荷值,Pt loss为研究系统在t时段内的系统网损值;Pi max,t为火电机组i在时段t内允许的有功出力最大值,Nw为研究区域中风电场的总数目,Pw t为风电场在t时段的输出功率预测值,α为备用对需求的系数;Pi min,t为火电机组i在时段t内的允许有功出力最小值,PPV max,t和PPV min,t为时段t内PV出力的最大值和最小值;Qi t为火电机组i在时段t内的无功出力,Qi min,t和Qi max,t为火电机组i在时段t内的无功出力的最小值和最大值;Wi,t为火电机组i在时段t火电机组出力,σ为每个调度时段时间长度,t是连续时间变量,pi(t)为火电机组i的发电功率函数,hi(t)为pi(t)的导数,pto(0)为初始时刻火电机组i的发电功率,pi,0为给定的初始时刻火电机组i的发电功率;Tt-1 io和Tt-1 if分别指的是火电机组i在时段t之前处于运行和停运状态的时间,Tmin io和Tmin if分别指的是火电机组i的最小允许运行时间和最小允许停运时间。
配电网目标函数:
其中,f为综合峰谷差和网损最优,Vi和Vj为节点i,j的电压,Gij为节点导纳矩阵中对应元素的实部,δij表示节点i,j之间的相角差;Lt为不含电动汽车储能负荷的原网负荷在t时段的值,Pt为电动汽车储能的负荷,当其为正时,整体表现出储能充电的状态,当其为负时,整体表现出储能放电的状态,w1,w2为网损和峰谷差的系数,不同场景下,两者值不同。
约束条件:
Vi,min≤Vi≤Vi,max
其中,Qi为火电机组i的无功功率值,Pi,min、Pi,max分别为火电机组i的有功的最小值和最大值,Qi,min、Qi,max分别为火电机组i的无功的最小值和最大值,QPV为光伏电站的无功功率值,PPV为光伏电站的有功功率值,PPV,min、PPV,max分别为光伏电站的有功无功的最小值和最大值,QPV,min、QPV,max分别为光伏电站的无功的最小值和最大值,Smax为线路潮流的上限值,Sij为节点i、j间的潮流;Mi,EV为充电机的额定容量,Pi,EV(t)为在t时刻充电机的充电功率;分别为t时刻充电机的无功功率的上下限;Vi,min表示火电机组i运行所允许的电压最大值,Vi,max表示火电机组i运行所允许的电压最小值。
总之,针对现有技术的情况,本发明建立了输配网协同优化调度模型,根据通过基于细菌趋化改进的粒子群算法优化来求出输电网发电机组成本最低的模型;利用benders分解加快模型求解,得出机组最优组合,带入下层,在满足节点电压不越限的安全约束下得出各节点电动汽车充放电数量,若检验到节点电压越限,先利用光伏出力进行有功调度,保证配电网络的安全性,若仍出现越限情况,则在第二阶段模型计算中加入约束,重新求得新的解,采用基于细菌趋化改进的粒子群算法求解能更快搜寻到最优解。在两阶段里都采用预处理策略,增加了运算求解的效率,提高了大规模电动汽车接入电网时的经济性以及安全性,将这种方法应用到实际中去,可以有效解决用电高峰及大规模电动汽车接入电网带来的经济和安全危害并提高了新能源的利用率。
以上仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,应视为本发明的保护范围。
Claims (9)
1.一种考虑输配协同含无功电压约束的电动汽车充电优化调度方法,其特征在于,包括如下步骤:
S1:获取电网实时数据;
S2:根据电网实时数据,建立两阶段电动汽车充电优化调度模型,第一阶段的输电网模型是输电网以火电机组发电和风力发电成本为目标函数,第二阶段的配电网模型是配电网以综合峰谷差和网损为目标函数;
S3:对输电网模型加入积分约束条件实现发电能量可交付,并对输电网模型采用预处理策略提高模型求解效率;
S4:采用Benders分解方法,将输电网模型目标函数分为主子问题,并基于细菌趋化改进的粒子群算法进行主问题求解,得出火电机组最优出力和火电机组最优开停机组合;
S5:将求解主问题得出的结果代入风电场景,求解当前场景子问题,并检验子问题是否满足子问题本身的约束条件,满足约束条件则进入下一个场景,直至所有场景满足约束条件,输出满足风电出力的最优发电规划,若不满足则生成Benders割,转S4;S5中,风电场景生成具体如下:
风电场在未来t个时刻的输出功率情况用随机时间序列表示:表示包括了不同风电输出功率情况的集合,该随机时间序列的一个现实被称为时段t内的一个场景S(t),将T时段的场景S(t)记为场景S,此时,风电场输出功率时间序列表示为 表示包括了不同时间下的风电场输出功率的集合;同时,每一个场景被赋予一定的权值表示其在未来发生的概率,场景S(t)发生的概率Ps(t)如下式所示:
随后建立风电场输出功率预测误差估计模型,此处采用自回归滑动平均模型来进行估计,如下式所示:
其中,p,q分别为ARMA模型自回归及滑动平均部分的阶数,此处取1;αi,βj为模型参数,通过估计得到;εi、εi-j为服从均值为0,方差为σ2的高斯分布的白噪声;为预测跨度为t个时段的风电场输出功率预测误差与预测功率的比值;
通过对历史预测误差的估计,可采用最小二乘法得到参数αi,βj,σ2;对于每一个风电场输出功率场景S而言,先根据ε的概率密度函数,随机模拟产生T个随机数εi(s),εi(s),…εT(s),则由ARMA模型公式推出风电场输出功率场景S在时段t(t=1,…,T)的预测误差百分比并由下式获得风电场输出功率场景S在各个时段的有功功率值:
采用以上方法随机产生Ns个风电场输出功率场景,每个场景的概率为1/Ns;
S6:将输电网模型得到的最优发电规划代入配电网,并对配电网模型进行节点优化处理;
S7:利用最优潮流求解考虑网络安全约束情况下各节点最优充放电电动汽车数量;
S8:判断各网络安全约束是否越限,若满足安全性问题,则转入S11,否则转入S9;
S9:利用光伏出力对配电网各节点进行有功调度,进行重新计算,并检测各网络安全约束是否越限,若不越限,转入S11,若仍越限,则转入S10;
S10:增加节点电压安全约束条件,转S4,重新规划调度;
S11:优化调度结束。
2.如权利要求1所述的一种考虑输配协同含无功电压约束的电动汽车充电优化调度方法,其特征在于:S2中,两阶段电动汽车充电优化调度模型具体如下:
输电网模型的目标函数:
Ci(Pi t)=ai(Pi t)2+biPi t+ci+|xisin[yi(Pi min-Pi)]|
其中,F(Pi t)为火电机组发电的总成本,Pi t为成本函数的决策变量,是火电机组i在t时段的实际的有功出力;Sci,t为火电机组i在t时段的启停成本,G为可启停火电机组总数,T为研究周期内的时段总数,Ii,t为火电机组i在t时段的启停状况,Ii,t=1代表火电机组处于启动运行的状态,Ii,t=0代表火电机组处于停机运行的状态;Ci(Pi t)为火电机组i在t时段内的火电成本函数,Shsi和Scsi分别为火电机组i的热、冷启动成本,为火电机组i已经连续停机的时间,Ti off为火电机组i所允许的最小停机时间,为火电机组i的冷启动时间;Pi为火电机组i的有功功率,Pi min为火电机组i的最小有功功率,ai,bi,ci,xi,yi为对应的火电机组i的排放系数;
约束条件:
pto(0)=pi,0
其中,Pd为电动汽车平均放电功率,Nd(t)为t时段内研究区域进行放电的总的电动汽车的数量,Pc为电动汽车平均充电功率,Nc(t)为t时段内研究区域进行充电的总的电动汽车的数量,NPV为研究区域中光伏电站PV的总数目,PPV t为光伏电站在t时段的预测出力值,Dt为时段t内系统总负荷值,Pt loss为研究系统在t时段内的系统网损值;Pi max,t为火电机组i在时段t内允许的有功出力最大值,Nw为研究区域中风电场的总数目,Pw t为风电场在t时段的输出功率预测值,α为备用对需求的系数;Pi min,t为火电机组i在时段t内的允许有功出力最小值,PPV max,t和PPV min,t为时段t内PV出力的最大值和最小值;Qi t为火电机组i在时段t内的无功出力,Qi min,t和Qi max,t为火电机组i在时段t内的无功出力的最小值和最大值;Wi,t为火电机组i在时段t火电机组出力,σ为每个调度时段时间长度,t是连续时间变量,pi(t)为火电机组i的发电功率函数,hi(t)为pi(t)的导数,pto(0)为初始时刻火电机组i的发电功率,pi,0为给定的初始时刻火电机组i的发电功率;Tt-1 io和Tt-1 if分别指的是火电机组i在时段t之前处于运行和停运状态的时间,Tmin io和Tmin if分别指的是火电机组i的最小允许运行时间和最小允许停运时间;
配电网模型的目标函数:
其中,f为综合峰谷差和网损最优,Vi和Vj为节点i,j的电压,Gij为节点导纳矩阵中对应元素的实部,δij表示节点i,j之间的相角差;Lt为不含电动汽车储能负荷的原网负荷在t时段的值,Pt为电动汽车储能的负荷,当其为正时,整体表现出储能充电的状态,当其为负时,整体表现出储能放电的状态,w1,w2为网损和峰谷差的系数;
约束条件:
Vi,min≤Vi≤Vi,max
其中,Qi为火电机组i的无功功率值,Pi,min、Pi,max分别为火电机组i的有功的最小值和最大值,Qi,min、Qi,max分别为火电机组i的无功的最小值和最大值,QPV为光伏电站的无功功率值,PPV为光伏电站的有功功率值,PPV,min、PPV,max分别为光伏电站的有功无功的最小值和最大值,QPV,min、QPV,max分别为光伏电站的无功的最小值和最大值,Smax为线路潮流的上限值,Sij为节点i、j间的潮流;Mi,EV为充电机的额定容量,Pi,EV(t)为在t时刻充电机的充电功率;分别为t时刻充电机的无功功率的上下限;Vi,min表示火电机组i运行所允许的电压最大值,Vi,max表示火电机组i运行所允许的电压最小值。
3.如权利要求1所述的一种考虑输配协同含无功电压约束的电动汽车充电优化调度方法,其特征在于:S3中,加入积分约束条件具体如下:
将积分约束纳入输电网模型中,使火电机组在一个时段内的计划发电量等于实际发电量,保证能量的可交付性;建立常规火电机组发电功率与能量、功率变化率与发电功率之间的积分约束关系,其约束如下:
pto(0)=pi,0
式中,Wi,t为火电机组i在t时刻的火电机组出力,σ为每个调度时段时间长度,t是连续时间变量,T表示研究周期内的时段总数,pi(t)为火电机组i的发电功率函数,pi(0)为给定的初始时刻火电机组i的发电功率,hi(t)为pi(t)的导数,pto(0)为初始时刻火电机组i的发电功率。
4.如权利要求1所述的一种考虑输配协同含无功电压约束的电动汽车充电优化调度方法,其特征在于:S3中,预处理策略包括:
1)将直流潮流约束作为输电网模型的约束条件;
2)初始化输电网模型的对象,形成权重自适应粒子群算法的初始种群,并对初始种群进行预处理;
3)初始化火电机组的开停机状态,使得火电机组满足火电机组启停约束条件;
4)初始化火电机组爬坡效率,使得火电机组满足爬坡约束条件。
5.如权利要求4所述的一种考虑输配协同含无功电压约束的电动汽车充电优化调度方法,其特征在于:S3中,初始化火电机组的开停机状态具体如下:
S331:初始化i=1,t=1,进入S332;
S337:i=i+1,进入S338;
S338:判断i≤G是否成立:若成立,则返回S332;否则,完成开停机预处理,即完成火电机组的开停机状态的初始化;
其中,t=1,2,…表示研究周期内的第t个时段,T表示研究周期内的时段总数,G为火电机组总数量,表示火电机组i在t时段内的开停机状态,和分别表示火电机组i在t时段内开机和停机,和表示火电机组i在t时段内的连续运行时间和连续停运时间,表示火电机组i在t时段内应满足的开机时长,表示研究周期内火电机组i在t时段前的停运时间,表示火电机组i的停运时间下限,Ti,down表示研究周期内火电机组i的时段的时间下限;
S3中,初始化火电机组爬坡效率具体如下:
S341:计算火电机组i在微小时间段Δt内的有功出力波动ΔPi t,并进入S342:
S342:判断-RDiΔt≤ΔPi t≤RUiΔt是否成立:若成立,则说明火电机组i满足爬坡约束条件,进入S345;否则,进入S343;
S343:若ΔPi t≤-RDiΔt,则首先计算不满足条件的机组越限差值然后调节Pi t直至满足Pi t=Pi t-1-RDiΔt,利用满足条件的火电机组对进行调整;在调节全程中,火电机组i都应当满足爬坡约束条件,同时要保证火电机组的有功出力不越限,完成调节后进入S345;否则,进入S344;
S344:若ΔPi t≥RUiΔt,则首先计算然后调节Pi t直至满足Pi t=Pi t-1+RDiΔt,利用满足条件的火电机组对进行调整;在调节全程中,火电机组i都应当满足爬坡约束条件,同时要保证有功出力不越限,完成调节后进入S345;
S345:i=i+1,进入S346;
S346:判断i≤G是否成立:若成立,则返回S341;否则,完成火电机组爬坡预处理,即完成火电机组爬坡效率的初始化;
6.如权利要求2所述的一种考虑输配协同含无功电压约束的电动汽车充电优化调度方法,其特征在于:S4中,基于Benders分解的输电网优化调度模型为:
主问题目标函数为:
约束条件:
Pi min,tIi,t≤Pi tIi,t≤Pi max,tIi,t
PPV min,t≤PPV t≤PPV max,t
pto(0)=pi,0
子问题目标函数为:
约束条件为:
θIS=0
其中,IS为平衡节点编号,表示主问题得出的输出的有功功率,为主问题得出的火电机组的启停状况,Vi表示火电机组i运行的电压,Vi min为火电机组i运行的电压下限,Vi max为火电机组i运行的电压上限,为火电机组i运行所允许的电压上限约束对应的非负松弛变量,Vi 为火电机组i运行所允许的电压下限约束对应的非负松弛变量,m为火电机组i运行所允许的电压上下限非负松弛变量对应的惩罚乘子;第一个约束表示规定平衡节点的相角θIS为0,第二个约束表示除去与平衡节点相连的火电机组后,其余的火电机组输出的有功功率均由主问题给出,第三个约束表示松弛后的火电机组电压上下限的约束;
在火电机组运行过程中,发生电压越限的时候,由于松弛变量的存在,使得电压能够在更大的范围内取值,来保证子问题存在可行解;当子问题目标函数不为0时,由于存在非负松弛变量,表示此时得出的结果不满足约束条件,需要向主问题反馈Benders割,具体如下:
其中,ωt(P,I)为返回主问题的割的表达式,为子问题在时段t的函数值,l1为拉格朗日乘子,表示火电机组的输出有功功率的变化对子问题目标函数值的灵敏度,l2和l3为对应的机组输出无功功率上下限的拉格朗日乘子,和表示时段t里子问题得出的火电机组i输出的无功功率上下限;
通过向主问题返回的割,进行下一次迭代求解的时候,改变出力和机组组合状态,使得松弛量为零,满足潮流约束,得出负荷各约束的最优解。
7.如权利要求1所述的一种考虑输配协同含无功电压约束的电动汽车充电优化调度方法,其特征在于:S6中,节点优化处理过程如下:
S61:获取配电网层各节点的潮流数据;
S62:建立配电网的有功网损模型:
其中,Ploss为系统有功网损,Ui、Uj为节点i、j的电压,n为节点数;Gij表示节点i、j之间的电导,Bij表示节点i、j之间的电纳,θij表示节点i、j之间的相角;
S63:求出负荷节点的无功变化对有功网损模型的灵敏度值:
其中,U、P、Q、P'、Q′、θ分别为配电网节点电压幅值、有功功率、无功功率、注入有功功率、注入无功功率以及电压的相角;在灵敏度计算中:
因此得出:
得到:
其中,灵敏度因子SPQ由牛顿拉夫逊法的雅克比矩阵求出;对于节点i:
S64:对所有节点的灵敏度进行计算和排序;
S65:设定阀值δ,去除灵敏度高于阈值δ的节点;
S66:统计保留的节点,得到优化后的节点数量,完成配电网层各节点的预处理。
8.如权利要求1所述的一种考虑输配协同含无功电压约束的电动汽车充电优化调度方法,其特征在于:S9中,光伏出力预测为:
采用场景离散化对光伏机组出力进行预测,将分布式光伏分为不同小时段进行场景分析,通过不同时段的连续的概率模型进行离散化,生成具备不同时段场景特性的有限个光伏出力数据集,进而将不确定性的光伏出力表征为不同时段的确定性出力;
首先将光照强度、环境温度和气候条件作为光伏机组的出力影响因素进行分析,采用灰色关联度综合分析:
PDG=f(hv,AT,Temp)
其中,hv为光照强度,AT为气候条件,Temp为环境温度;
然后将该场景内分布式光伏出力区间[0,PM]均匀离散为n个离散的出力有功功率值,散化步长取l=PM/n,得该场景下光伏出力PM的时段出力为:
其中,Pm(i)表示光伏出力,加减0.5q代表区间范围。
9.如权利要求1所述的一种考虑输配协同含无功电压约束的电动汽车充电优化调度方法,其特征在于:S10中,判别节点电压安全约束条件不满足后的处理为:
检查节点电压越限情况,在返回S4之前增加约束如下:
Vi,min≤Vi+lV,PiΔP+lV,QiΔQ≤Vi,max
其中,Vi代表的是越限的节点的电压,lV,Pi和lV,Qi代表的是越限的节点电压相比于此节点的有功功率和无功功率的灵敏度;Vi,min和Vi,max分别代表了该节点的最大电压值和最小电压值;ΔP和ΔQ分别为优化前后有功和无功出力的上限之间的的差值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010894493.3A CN112018762B (zh) | 2020-08-31 | 2020-08-31 | 一种考虑输配协同含无功电压约束的电动汽车充电优化调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010894493.3A CN112018762B (zh) | 2020-08-31 | 2020-08-31 | 一种考虑输配协同含无功电压约束的电动汽车充电优化调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112018762A CN112018762A (zh) | 2020-12-01 |
CN112018762B true CN112018762B (zh) | 2021-04-20 |
Family
ID=73503972
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010894493.3A Active CN112018762B (zh) | 2020-08-31 | 2020-08-31 | 一种考虑输配协同含无功电压约束的电动汽车充电优化调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112018762B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113112083A (zh) * | 2021-04-21 | 2021-07-13 | 东北大学 | 一种基于配能链双层智能算法的多元电力用户管理方法 |
CN114421474B (zh) * | 2022-03-30 | 2022-06-07 | 南京易司拓电力科技股份有限公司 | 配网节点间功率-电压灵敏度估算方法 |
CN115459366B (zh) * | 2022-11-11 | 2024-02-27 | 阿里巴巴(中国)有限公司 | 电力系统中机组的控制方法、存储介质以及电子设备 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5617578B2 (ja) * | 2010-12-03 | 2014-11-05 | ソニー株式会社 | 配電システム及び配電方法 |
CN106230028B (zh) * | 2016-09-08 | 2019-01-22 | 安徽电气工程职业技术学院 | 一种风电—抽水蓄能联合系统的多目标优化方法 |
CN107453381B (zh) * | 2017-08-16 | 2019-10-25 | 国家电网公司 | 基于两阶段交叉控制的电动汽车集群功率调节方法及系统 |
CN109861208B (zh) * | 2019-01-07 | 2020-09-01 | 南京工程学院 | 一种基于两阶段预处理策略的电动汽车并网优化调度方法 |
CN110212584B (zh) * | 2019-06-27 | 2021-04-30 | 上海电力学院 | 一种风电与大规模电动汽车协调优化的调度方法 |
-
2020
- 2020-08-31 CN CN202010894493.3A patent/CN112018762B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112018762A (zh) | 2020-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112018762B (zh) | 一种考虑输配协同含无功电压约束的电动汽车充电优化调度方法 | |
Mohammadi et al. | Scenario-based stochastic operation management of microgrid including wind, photovoltaic, micro-turbine, fuel cell and energy storage devices | |
Wang et al. | Neural networks for power management optimal strategy in hybrid microgrid | |
CN109861208B (zh) | 一种基于两阶段预处理策略的电动汽车并网优化调度方法 | |
Li et al. | Probabilistic charging power forecast of EVCS: Reinforcement learning assisted deep learning approach | |
CN105048479B (zh) | 一种光伏电站无功分组调节方法 | |
Wei et al. | Energy drive and management of smart grids with high penetration of renewable sources of wind unit and solar panel | |
CN106786977B (zh) | 一种电动汽车充电站的充电调度方法 | |
CN105186499A (zh) | 一种配电网多目标概率最优潮流模糊建模与求解方法 | |
CN112865190A (zh) | 计及光伏和充电需求的光储充电站优化调度方法和系统 | |
Vosoogh et al. | An intelligent day ahead energy management framework for networked microgrids considering high penetration of electric vehicles | |
Yu et al. | Joint optimization and learning approach for smart operation of hydrogen-based building energy systems | |
Saravanan et al. | A hybrid strategy for mitigating unbalance and improving voltage considering higher penetration of electric vehicles and distributed generation | |
Jiang et al. | On large action space in EV charging scheduling optimization | |
CN115439000A (zh) | 考虑风光荷功率不确定性和相关性的配电网区块划分方法 | |
Pan et al. | Dual-layer optimal dispatching strategy for microgrid energy management systems considering demand response | |
Han et al. | An optimal control method of microgrid system with household load considering battery service life | |
Rouhani et al. | Soft clustering based probabilistic power flow with correlated inter temporal events | |
Li et al. | Online microgrid energy management based on safe deep reinforcement learning | |
CN116683441A (zh) | 一种面向碳排放约束的电动汽车聚合商调度优化方法 | |
Liang et al. | A chance-constrained optimal power flow model based on second-order cone | |
CN114595891A (zh) | 一种配电网电压及潮流越界风险评估方法、系统及设备 | |
Deb et al. | Congestion management considering plug-in electric vehicle charging coordination in distribution system | |
Wang et al. | Multi-agent q-value mixing network with covariance matrix adaptation strategy for the voltage regulation problem | |
Chen et al. | Load Regulation Method of Interaction Between Electric Vehicle and Power Grid Based on LSTM |
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 |