CN112186809B - 基于电动汽车v2g模式的虚拟电厂优化协同调度方法 - Google Patents
基于电动汽车v2g模式的虚拟电厂优化协同调度方法 Download PDFInfo
- Publication number
- CN112186809B CN112186809B CN202010901386.9A CN202010901386A CN112186809B CN 112186809 B CN112186809 B CN 112186809B CN 202010901386 A CN202010901386 A CN 202010901386A CN 112186809 B CN112186809 B CN 112186809B
- Authority
- CN
- China
- Prior art keywords
- power
- time
- market
- charging
- real
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000005457 optimization Methods 0.000 title claims description 14
- 238000007599 discharging Methods 0.000 claims description 48
- 230000005611 electricity Effects 0.000 claims description 16
- 238000009826 distribution Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- 238000005315 distribution function Methods 0.000 claims description 3
- 238000003064 k means clustering Methods 0.000 claims description 3
- 238000005266 casting Methods 0.000 claims description 2
- 238000004088 simulation Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000005265 energy consumption Methods 0.000 description 4
- 238000004146 energy storage Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 229910001416 lithium ion Inorganic materials 0.000 description 1
- 238000006116 polymerization reaction 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
- H02J3/38—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
- H02J3/28—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
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于电动汽车V2G模式的虚拟电厂优化协同调度方法,建立考虑电动汽车V2G模式的详细电池模型,以日前市场和实时市场的预期收益减去虚拟电厂的运行成本最大为目标,建立基于电动汽车V2G模式的虚拟电厂最优协同调度的混合整数线性规划模型;在满足虚拟电厂约束和电动汽车约束的前提下,求解所述混合整数线性规划模型,基于求解结果对虚拟电厂内各能源进行调度,对充电站进行调度以及参与市场投标;本发明针对含有大规模分布式电源以及大量电动汽车的场景,考虑到电动汽车的V2G模式,给出了依靠虚拟电厂的最优协同调度模型,为降低市场运行成本,提高分布式电源消纳能力的行为决策提供理论指导。
Description
技术领域
本发明涉及电力调度技术领域,具体的说,涉及一种基于电动汽车V2G模式的虚拟电厂优化协同调度方法。
背景技术
分布式电源由于具有可靠、灵活、经济、环保等特点,在各国电力系统中逐渐被广泛运用,以应对能源短缺、环境保护等问题。然而,分布式电源出力的波动性、随机性和间歇性给电力系统的安全性和稳定性带来了风险;此外,由于分布式电源单独并网的建设成本高,而集中并网的方式与分布式发展的理念相悖。因此,分布式电源的协调控制与能量管理成为国内外学术界和工业界的关注重点。
1997年Shimon Awerbuch首次提出了虚拟电厂的概念,虚拟电厂作为一个聚合分布式电源、可控负荷和储能系统的集群,以特殊的发电厂形式参与电网运行,可以整合区域内各种分布式电源,通过先进的信息技术将发电系统、储能设备以及可控负荷聚合成一个虚拟的可控集合体,从而挖掘分布式电源的应用潜能,协调分布式电源与电网的矛盾,实现供应链的实时优化与能源系统的智能管理。因此,采用虚拟电厂技术可以有效的分布式电源的功率波动,减小其带来的风险。
近年来,随着电动汽车的日益普及,更多的电动汽车被集成到系统级操作和市场投标中,其灵活性在虚拟电厂的运行管理中也逐渐凸显。在没有充放电调控的传统情况下,大量不受控制的电动汽车会导致配电网的潮流和电压波动、变压器过载以及严重的能量损失等问题。而在虚拟电厂信息技术的调控下,该电动汽车队列有望被聚合成一个可控的虚拟电池,当可再生能源利用率较高时,海量电动汽车可以聚合起来充电,通过V2G(Vehicle-to-grid,车辆到电网)技术,将清洁能源转换至负荷高峰时刻,并且有效地响应快速充放电的调度信号。
发明内容
本发明的目的在于提供一种基于电动汽车V2G模式的虚拟电厂优化协同调度方法,建立包含日前市场和实时市场的预期收益、虚拟电厂的运行成本的目标函数,为降低市场运行成本,提高分布式电源消纳能力的行为决策提供理论指导。
本发明采用的技术方案如下:
本发明提供一种基于电动汽车V2G模式的虚拟电厂优化协同调度方法,包括:
建立考虑电动汽车V2G模式的充电站模型;
以日前市场和实时市场的预期收益减去虚拟电厂的运行成本最大为目标,建立基于电动汽车V2G模式的虚拟电厂最优协同调度的混合整数线性规划模型;
在满足虚拟电厂约束和电动汽车约束的前提下,求解所述混合整数线性规划模型,基于求解结果对虚拟电厂内各能源进行调度,对充电站进行调度以及参与市场投标;所述虚拟电厂内能源包括电力负荷,光伏电站和微型燃气轮机。
进一步的,所述建立考虑电动汽车V2G模式的充电站模型,包括:
建立电动汽车充电模型:
其中,和分别第i台电动汽车t时刻的最大充电功率和最大放电功率,为电动汽车蓄电池的电压最大值,第i台电动汽车t时刻的电流,分别为第i台电动汽车t时刻的充电功率和放电功率,是第i台电动汽车充放电状态的参数,为0时电动汽车出站不充电,为1时电动汽车进站充电,和分别为第i台电动汽车到站时间和出站时间,为第i台电动汽车t时刻的荷电状态,为第i台电动汽车的充/放电效率,为第i台电动汽车电池组的容量,Ti a、Ti d、和为电动汽车的状态信息;
根据电动汽车模型和电动汽车的状态信息,建立充电站模型:
进一步的,所述电动汽车到站时间和出站时间符合高斯分布。
进一步的,所述电动汽车的状态信息由电动汽车历史数据符合的概率分布函数模拟得到。
进一步的,所述建立基于电动汽车V2G模式的虚拟电厂最优协同调度的混合整数线性规划模型,包括:
其中,RDA为日前市场的预期收益,RRT为实时市场的预期收益,CRT为虚拟电厂的运行成本,XDA和XRT分别表示日前市场和实时市场的相关决策变量,为t时刻日前市场价格,Pt DA表示虚拟电厂在t时刻的日前投标量,为在第s组预测数据中t时刻的实时市场价格,表示虚拟电厂在第s组预测数据中t时刻的实时投标量,γs为第s组预测数据出现的概率,cg表示第g台微型燃气轮机的单位出力成本,表示第g台微型燃气轮机在第s组数据中的t时刻的实时功率,ΦS为预测数据组集合,ΦT为时刻集合,ΦMT为微型燃气轮机集合。
进一步的,所述预测数据组获取如下:
基于光伏预测结果和区域电力系统中各光伏电站出力相关系数生成光伏预测出力曲线,由日前市场电价生成电价曲线,由虚拟电厂电力负荷生成负荷曲线;
通过k均值聚类对光伏预测出力曲线、电价曲线和负荷曲线进行聚类,得到多组时序的包含光伏预测出力、电价和负荷量的概率性曲线;
根据概率性曲线得到多组时序的预测数据,每一组预测数据中包括:
进一步的,所述虚拟电厂约束包括:
虚拟电厂整体约束:
其中,分别表示日前市场t时刻第r个光伏电站和第g台微型燃气轮机的输出功率,Pt CSD,DA、Pt CSC,DA分别表示日前市场t时刻充电站的充电功率和放电功率,Pt L,DA表示日前市场t时刻虚拟电厂的电力负荷功率,表示实时市场第r个光伏电站在第s组预测数据中的t时刻的实时功率,表示实时市场第g台微型燃气轮机在第s组预测数据中的t时刻的实时功率,分别表示实时市场在第s组预测数据中的t时刻充电站的充电功率、放电功率和虚拟电厂的电力负荷功率,表示虚拟电厂投标功率的最大值,ΦPV为光伏电站集合;
光伏电站约束:
微型燃气轮机约束:
电力负荷需求约束:
所述电动汽车约束为:
其中,Pt CSC和Pt CSD为t时刻充电站的总充电功率和放电功率,和是第i台电动汽车t时刻的充电功率和放电功率,是充电站的容量,是指示第i台电动汽车充放电状态的参数,和为第i台电动汽车t时刻的最大充电功率和放电功率,为第i台电动汽车t时刻的荷电状态,为第i台电动汽车的充/放电效率,为第i台电动汽车电池组的容量,分别表示第i台电动汽车到站时与出站时的荷电状态,分别表示第i台电动汽车的初始荷电状态和目标荷电状态,Ti a、Ti d分别表示第i台电动汽车的到站时间和出站时间。
进一步的,所述求解所述混合整数线性规划模型,基于求解结果对虚拟电厂内各能源进行调度,对充电站进行调度以及参与市场投标,包括:
利用YALMIP调用商用求解器CPLEX,对所述基于V2G模式的虚拟电厂最优协同调度的混合整数线性规划模型进行求解,
以及,
计算最终的日前市场预期收益,实时市场预期收益和整体收益。
本发明的有益效果为:
本发明基于V2G技术,提出了一个聚合发电系统(光伏电站和微型燃气轮机)、储能设备(电动汽车)和可控负荷的虚拟电厂的最优调度模型,实现虚拟电厂的最优协同调度。本发明能够显著降低市场运行成本,增大经济效益和环境效益,增加可再生能源的消纳能力,协调海量分布式电源即插即用与电网安全经济运行的矛盾,获得更多的市场收入。
附图说明
图1为本发明的基于电动汽车V2G模式的虚拟电厂优化协同调度方法流程示意图;
图2为本发明实施例中虚拟电厂日前最优投标量;
图3为本发明实施例中太阳能消纳量和电动汽车最优调度曲线。
具体实施方式
下面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。
本发明提供一种基于电动汽车V2G模式的虚拟电厂优化协同调度方法,参见图1,包括:
1)设定运行模拟的总时间为T,初始化虚拟电厂的数据。获取虚拟电厂参与协同调度的光伏电站预测功率和柔性负荷用电功率,以及主网电价信息,包括:
基于光伏预测结果和区域电力系统中各光伏电场出力相关系数生成光伏出力曲线,由日前市场电价生成电价曲线,由虚拟电厂电气负荷生成负荷曲线;
通过k均值聚类的方法,选择数据的批次距离尽可能远的k个点作为聚类中心,对光伏出力曲线、电价曲线和负荷曲线多组预测数据进行缩减,综合考虑总体数据统计特征和个体特征,数据聚类后可得到多组时序的包含光伏出力、电价和负荷量的概率性曲线;
具体的,聚类过程为:选择数据的批次距离尽可能远的k个点作为聚类中心。首先随机选择一个点作为第一个初始类簇中心点,然后选择距离该点最远的点作为第二个初始类簇中心点,然后再选择距离前两个点的最近距离最大的点作为第三个初始类簇的中心点,以此类推,直至选出k个初始类簇中心点。
根据概率性曲线得到多组时序的预测数据,每一组预测数据中都包括不同时间下的光伏预测出力、电价和负荷用电功率。具体的,通过光伏预测出力曲线,可以得到第r个光伏电站在第s组预测数据中的t时刻的实时预测功率通过电价曲线,可以得到实时市场价格通过负荷用电功率曲线,可以得到第s组预测数据中的实时日负荷总需求第s组预测数据中的实时最小负荷和最大负荷和电动汽车第s条状态曲线出现的概率γs与光伏出力曲线、电价曲线和负荷曲线同一组的概率相同,为已知量;第s组预测数据中的t时刻充电站的充电功率、放电功率和虚拟电厂的电力负荷功率 为未知量;虚拟电厂在第s组预测数据曲线中t时刻的实时投标量第g台微型燃气轮机在第s组预测数据中的t时刻的实时功率第r个光伏电站在第s组预测数据中的t时刻的实时功率为未知量,需要根据模型的优化求解以确定。
日前市场(day-ahead market)是以计划电量与模拟运行日节点电价来结算的交易市场,实时市场(real-time market)是在系统实际运行前15分钟开展交易的实际物理执行市场。虚拟电厂是一种通过先进信息通信技术和软件系统,实现分布式发电、储能系统、可控负荷、电动汽车等分布式能源的聚合和协调优化,以作为一个特殊电厂参与电力市场和电网运行的电源协调管理系统。
2)基于电动汽车的充电过程以及最大充电功率生成电动汽车充电模型,由电动汽车的荷电状态以及充电效率,考虑电动汽车用户的随机行为生成充电站模型。电动汽车与虚拟电厂的连接状态分为充电和放电两种,锂离子电池放电过程的物理原理与充电过程对称,故选取电动汽车的充电过程展开分析。
结合蓄电池的充放电能量守恒,电动汽车充电模型为:
其中,和分别第i台电动汽车t时刻的最大充电功率和最大放电功率;为电动汽车蓄电池的电压最大值;第i台电动汽车t时刻的电流,分别为第i台电动汽车t时刻的充电功率和放电功率;是第i台电动汽车充放电状态的参数,为0时电动汽车出站不充电,为1时电动汽车进站充电,Ti a和Ti d分别为第i台电动汽车到站时间和出站时间;为第i台电动汽车t时刻的荷电状态;为第i台电动汽车的充/放电效率;为第i台电动汽车电池组的容量;分别表示第i台电动汽车到站时与出站时的荷电状态;分别表示第i台电动汽车的初始荷电状态和目标荷电状态。其中,Ti a、Ti d、和能够反映单台电动汽车的运行状态,为电动汽车的状态信息。假设系统内有N台电动汽车,N台电动汽车的状态信息由电动汽车历史数据符合的概率分布函数模拟得到。
考虑单个电动汽车用户的随机行为,假设其到站时间和出站时间符合高斯分布。根据电动汽车模型和状态信息,建立充电站模型。
充电站模型为:
3)根据步骤1)得到的预测数据以及步骤2)得到的电动汽车充电模型与充电站模型,综合考虑虚拟电厂各组成部分间的物理联系,建立计及V2G模式的虚拟电厂最优协同调度的混合整数线性规划模型,包括:
3-1)构建包含日前市场和实时市场的预期收益、虚拟电厂的运行成本的目标函数:
其中,RDA为日前市场的预期收益,RRT为实时市场的预期收益,CRT为虚拟电厂的运行成本,XDA和XRT分别表示日前市场和实时市场的相关决策变量。
日前市场中的预期收益表示为:
其中,λt DA为日前市场价格,为已知量,Pt DA表示虚拟电厂在t时刻的日前投标量,为决策变量。
实时市场的预期收益表示为:
虚拟电厂的运行成本表示为:
其中,γs为第s组预测数据出现的概率,为已知量,cg表示第g台微型燃气轮机的单位出力成本,表示第g台微型燃气轮机在第s组预测数据中的t时刻的实时功率,为决策变量,ΦS为数据组集合,ΦT为时刻集合,ΦMT为微型燃气轮机集合。
3-2)构建虚拟电厂投标策略的约束条件,如下:
3-2-1)虚拟电厂整体约束
其中,分别表示日前市场t时刻第r个光伏电站和第g台微型燃气轮机的输出功率,为决策变量,Pt CSD,DA、Pt CSC,DA分别表示日前市场t时刻充电站的充电功率和放电功率,为决策变量,Pt L,DA表示日前市场t时刻虚拟电厂的电力负荷功率,考虑负荷为柔性负荷,Pt L,DA为决策变量,表示实时市场第r个光伏电站在第s组预测数据中的t时刻的实时功率,为决策变量,表示实时市场第g台微型燃气轮机在第s组预测数据中的t时刻的实时功率,为决策变量,分别表示实时市场在第s组预测数据中的t时刻充电站的充电功率、放电功率和虚拟电厂的电力负荷功率,为决策变量,表示虚拟电厂投标功率的最大值,为已知量,ΦPV为光伏电站集合。
3-2-2)电动汽车约束
其中,Pt CSC和Pt CSD为t时刻充电站的总充电功率和放电功率,为决策变量;和是第i台电动汽车t时刻的充电功率和放电功率,为决策变量;是充电站的容量;是指示第i台电动汽车充放电状态的参数;和为第i台电动汽车t时刻的最大充电功率和放电功率;为第i台电动汽车t时刻的荷电状态;为第i台电动汽车的充/放电效率;为第i台电动汽车电池组的容量;分别表示第i台电动汽车到站时与出站时的荷电状态;分别表示第i台电动汽车的初始荷电状态和目标荷电状态;Ti a、Ti d分别表示第i台电动汽车的到站时间和出站时间。
3-2-3)光伏电站约束
3-2-4)微型燃气轮机约束
3-2-5)负荷需求约束
本发明的计及V2G模式的虚拟电厂最优协同调度的混合整数线性规划模型中,各参量说明如下:
第r个光伏电站在第s组预测数据中的t时刻的实时预测功率通过光伏预测出力曲线获取;实时市场价格通过电价曲线获取;第s组预测数据中的实时日负荷总需求第s组预测数据中的实时最小负荷和最大负荷和通过负荷用电功率曲线获取;电动汽车第s条状态曲线出现的概率γs与光伏出力曲线、电价曲线和负荷曲线同一组的概率相同,为已知量;第s组预测数据中的t时刻充电站的充电功率、放电功率和虚拟电厂的电力负荷功率为未知量;虚拟电厂在第s组预测数据曲线中t时刻的实时投标量第g台微型燃气轮机在第s组预测数据中的t时刻的实时功率第r个光伏电站在第s组预测数据中的t时刻的实时功率为未知量,需要根据模型的优化求解以确定。
4)利用YALMIP调用商用求解器CPLEX,对所述计及V2G模式的虚拟电厂最优协同调度的混合整数线性规划模型,进行求解,得到Pt CSD,DA、Pt CSC,DA、Pt L,DA、Pt DA、利用这些决策量对虚拟电厂内各能源进行调度,利用光伏电站的实际功率与实时预测功率的比值确定太阳能的消纳率,采用日前投标量Pt DA参与市场投标,最终实现虚拟电厂经济效益的最大化。
实施例
对如下三种策略进行比较:
1)策略1:该策略下,虚拟电厂中的电动汽车支持V2G技术,实现电能馈入电网;
2)策略2:该策略不支持V2G技术,但可以改变电动汽车的充电率;
3)策略3:该策略不考虑虚拟电厂的信息交互,是传统的能源聚合模式,此时电动汽车到站即刻按最高充电率充电。
采用上述三个策略,求解得到虚拟电厂日前最优投标量、太阳能消纳量以及电动汽车最优调度。虚拟电厂日前最优投标量如图2,虚拟电厂可根据优化求解的结果在日前市场中进行电量投标。策略1相比策略2、3,虚拟电厂有更多的剩余功率可供投标,尤其是在上午7:00到10:00的高峰时段。策略1是本发明所提虚拟电厂框架运行的核心策略,该策略相比于其他两个策略,具有显著优势。
不同策略的单日太阳能消纳量和电动汽车最优投标策略如图3所示。其中,电动汽车调度策略中,电动汽车向电网放电时能量为正;反之,为负。虚拟电厂的运营者可以此为依据,对区域内的电动汽车进行合理的充/放电调度。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (6)
1.一种基于电动汽车V2G模式的虚拟电厂优化协同调度方法,其特征在于,包括:
建立考虑电动汽车V2G模式的充电站模型;
以日前市场和实时市场的预期收益减去虚拟电厂的运行成本最大为目标,建立基于电动汽车V2G模式的虚拟电厂最优协同调度的混合整数线性规划模型如下:
其中,RDA为日前市场的预期收益,RRT为实时市场的预期收益,CRT为虚拟电厂的运行成本,XDA和XRT分别表示日前市场和实时市场的相关决策变量,为t时刻日前市场价格,Pt DA表示虚拟电厂在t时刻的日前投标量,为在第s组预测数据中t时刻的实时市场价格,表示虚拟电厂在第s组预测数据中t时刻的实时投标量,γs为第s组预测数据出现的概率,cg表示第g台微型燃气轮机的单位出力成本,表示第g台微型燃气轮机在第s组数据中的t时刻的实时功率,ΦS为预测数据组集合,ΦT为时刻集合,ΦMT为微型燃气轮机集合;
在满足虚拟电厂约束和电动汽车约束的前提下,求解所述混合整数线性规划模型,基于求解结果对虚拟电厂内各能源进行调度,对充电站进行调度以及参与市场投标;
所述虚拟电厂内能源包括电力负荷,光伏电站和微型燃气轮机;
所述虚拟电厂约束包括:
虚拟电厂整体约束:
其中,分别表示日前市场t时刻第r个光伏电站和第g台微型燃气轮机的输出功率,Pt CSD,DA、Pt CSC,DA分别表示日前市场t时刻充电站的充电功率和放电功率,Pt L,DA表示日前市场t时刻虚拟电厂的电力负荷功率,表示实时市场第r个光伏电站在第s组预测数据中的t时刻的实时功率,表示实时市场第g台微型燃气轮机在第s组预测数据中的t时刻的实时功率,分别表示实时市场在第s组预测数据中的t时刻充电站的充电功率、放电功率和虚拟电厂的电力负荷功率,表示虚拟电厂投标功率的最大值,ΦPV为光伏电站集合;
光伏电站约束:
微型燃气轮机约束:
电力负荷需求约束:
所述电动汽车约束为:
2.根据权利要求1所述的一种基于电动汽车V2G模式的虚拟电厂优化协同调度方法,其特征在于,所述建立考虑电动汽车V2G模式的充电站模型,包括:
建立电动汽车充电模型:
其中,和分别第i台电动汽车t时刻的最大充电功率和最大放电功率,为电动汽车蓄电池的电压最大值,第i台电动汽车t时刻的电流,分别为第i台电动汽车t时刻的充电功率和放电功率,是第i台电动汽车充放电状态的参数,为0时电动汽车出站不充电,为1时电动汽车进站充电,Ti a和Ti d分别为第i台电动汽车到站时间和出站时间,为第i台电动汽车t时刻的荷电状态,为第i台电动汽车的充/放电效率,为第i台电动汽车电池组的容量,Ti a、Ti d、和为电动汽车的状态信息;
根据电动汽车模型和电动汽车的状态信息,建立充电站模型:
3.根据权利要求2所述的一种基于电动汽车V2G模式的虚拟电厂优化协同调度方法,其特征在于,所述电动汽车到站时间和出站时间符合高斯分布。
4.根据权利要求2所述的一种基于电动汽车V2G模式的虚拟电厂优化协同调度方法,其特征在于,所述电动汽车的状态信息由电动汽车历史数据符合的概率分布函数模拟得到。
5.根据权利要求1所述的一种基于电动汽车V2G模式的虚拟电厂优化协同调度方法,其特征在于,所述预测数据组获取如下:
基于光伏预测结果和区域电力系统中各光伏电站出力相关系数生成光伏预测出力曲线,由日前市场电价生成电价曲线,由虚拟电厂电力负荷生成负荷曲线;
通过k均值聚类对光伏预测出力曲线、电价曲线和负荷曲线进行聚类,得到多组时序的包含光伏预测出力、电价和负荷量的概率性曲线;
根据概率性曲线得到多组时序的预测数据,每一组预测数据中包括:
6.根据权利要求1所述的一种基于电动汽车V2G模式的虚拟电厂优化协同调度方法,其特征在于,所述求解所述混合整数线性规划模型,基于求解结果对虚拟电厂内各能源进行调度,对充电站进行调度以及参与市场投标,包括:
利用YALMIP调用商用求解器CPLEX,对所述基于V2G模式的虚拟电厂最优协同调度的混合整数线性规划模型进行求解,
以及,
计算最终的日前市场预期收益,实时市场预期收益和整体收益。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010901386.9A CN112186809B (zh) | 2020-09-01 | 2020-09-01 | 基于电动汽车v2g模式的虚拟电厂优化协同调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010901386.9A CN112186809B (zh) | 2020-09-01 | 2020-09-01 | 基于电动汽车v2g模式的虚拟电厂优化协同调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112186809A CN112186809A (zh) | 2021-01-05 |
CN112186809B true CN112186809B (zh) | 2022-04-15 |
Family
ID=73925338
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010901386.9A Expired - Fee Related CN112186809B (zh) | 2020-09-01 | 2020-09-01 | 基于电动汽车v2g模式的虚拟电厂优化协同调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112186809B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019020632A1 (en) * | 2017-07-24 | 2019-01-31 | A.T. Kearney Limited | AGGREGATION OF ENERGY RESOURCES |
CN112865082B (zh) * | 2021-01-18 | 2023-08-29 | 西安交通大学 | 一种聚合多类型电动汽车的虚拟电厂日前调度方法 |
CN112865151B (zh) * | 2021-01-19 | 2023-05-02 | 西安交通大学 | 一种含电动汽车的虚拟发电厂在线实时调度方法 |
CN115081777B (zh) * | 2021-03-16 | 2024-05-31 | 中国科学院广州能源研究所 | 最大化运营商收益的v2g调度二阶段随机规划方法 |
CN113077111A (zh) * | 2021-04-26 | 2021-07-06 | 上海电机学院 | 基于插电混动汽车v2g技术的虚拟电厂优化调度方法 |
CN113285444B (zh) * | 2021-05-08 | 2022-08-19 | 国网江苏省电力有限公司南通供电分公司 | 一种电动汽车充电与光伏发电的虚拟平衡协同控制系统 |
CN113964852B (zh) * | 2021-08-19 | 2023-11-28 | 国家电投集团资本控股有限公司 | 一种面向共享储能的虚拟电厂的发电控制方法及装置 |
CN114037463B (zh) * | 2021-10-13 | 2023-07-11 | 南京邮电大学 | 一种电动汽车参与发电与备用市场的联合调度优化方法 |
CN114205381B (zh) * | 2021-11-29 | 2024-05-14 | 国网福建省电力有限公司经济技术研究院 | 一种包含虚拟电厂负荷分类、资源建模及参与电力市场交易的系统 |
CN114285029B (zh) * | 2021-12-17 | 2023-08-29 | 国网河南省电力公司经济技术研究院 | 一种激励电动汽车参与车网互动的调度控制方法及系统 |
CN116523193B (zh) * | 2023-03-08 | 2024-01-26 | 上海电享信息科技有限公司 | 一种虚拟电厂储能调度方法、装置、电子设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105046371A (zh) * | 2015-08-19 | 2015-11-11 | 东南大学 | 一种基于需求侧竞价的电动汽车充放电调度方法 |
CN108960510A (zh) * | 2018-07-04 | 2018-12-07 | 四川大学 | 一种基于两阶段随机规划的虚拟电厂优化交易策略模型 |
CN109484240A (zh) * | 2018-10-26 | 2019-03-19 | 国网山东省电力公司日照供电公司 | 一种基于分群控制的电动汽车集群实时充电优化方法 |
CN110011342A (zh) * | 2019-04-04 | 2019-07-12 | 华北电力大学 | 一种集群电动汽车充放电功率优化管理方法 |
CN110674575A (zh) * | 2019-09-20 | 2020-01-10 | 华北电力大学(保定) | 一种基于时序出行集的电动汽车集群充电需求与放电能力模型建模方法 |
CN111244990A (zh) * | 2020-01-16 | 2020-06-05 | 南京工业大学 | 一种配电网v2g辅助服务日前调度方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10065520B2 (en) * | 2014-07-11 | 2018-09-04 | The Regents Of The University Of California | System for optimizing electricity use from an electric grid and related method |
-
2020
- 2020-09-01 CN CN202010901386.9A patent/CN112186809B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105046371A (zh) * | 2015-08-19 | 2015-11-11 | 东南大学 | 一种基于需求侧竞价的电动汽车充放电调度方法 |
CN108960510A (zh) * | 2018-07-04 | 2018-12-07 | 四川大学 | 一种基于两阶段随机规划的虚拟电厂优化交易策略模型 |
CN109484240A (zh) * | 2018-10-26 | 2019-03-19 | 国网山东省电力公司日照供电公司 | 一种基于分群控制的电动汽车集群实时充电优化方法 |
CN110011342A (zh) * | 2019-04-04 | 2019-07-12 | 华北电力大学 | 一种集群电动汽车充放电功率优化管理方法 |
CN110674575A (zh) * | 2019-09-20 | 2020-01-10 | 华北电力大学(保定) | 一种基于时序出行集的电动汽车集群充电需求与放电能力模型建模方法 |
CN111244990A (zh) * | 2020-01-16 | 2020-06-05 | 南京工业大学 | 一种配电网v2g辅助服务日前调度方法 |
Non-Patent Citations (2)
Title |
---|
João Soares.The Effect of Demand Response in the Minimum Available Reserve of Energy Management.《IEEE》.2016,1-5. * |
基于两阶段随机规划的虚拟电厂优化交易策略;周博;《电力建设》;20180930;第39卷(第9期);第71-75页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112186809A (zh) | 2021-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112186809B (zh) | 基于电动汽车v2g模式的虚拟电厂优化协同调度方法 | |
CN110739725B (zh) | 一种配电网优化调度方法 | |
CN111882105B (zh) | 含共享储能系统的微电网群及其日前经济优化调度方法 | |
Wang et al. | Two-stage optimal scheduling strategy for large-scale electric vehicles | |
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 | |
CN109050284B (zh) | 一种考虑v2g的电动汽车充放电电价优化方法 | |
CN109948823B (zh) | 一种光储充电塔自适应鲁棒日前优化调度方法 | |
CN113326467B (zh) | 基于多重不确定性的多站融合综合能源系统多目标优化方法、存储介质及优化系统 | |
Zhang et al. | A non-cooperative game based charging power dispatch in electric vehicle charging station and charging effect analysis | |
CN117060506B (zh) | 考虑绿电计费方式的电动汽车、光伏协同优化方法及装置 | |
CN117578522A (zh) | 基于源网荷储协同服务的电动汽车快充站储能系统及方法 | |
Li et al. | Optimal dispatch for PV-assisted charging station of electric vehicles | |
CN111224418B (zh) | 一种基于电动汽车储能的微电网调度方法及系统 | |
CN110861508B (zh) | 居民区直流充电机共享充电控制方法、系统及存储介质 | |
CN112396223A (zh) | 一种交互能源机制下的电动汽车充电站能量管理方法 | |
Chen et al. | Optimal charging scheduling for electric vehicle in parking lot with renewable energy system | |
CN116404629A (zh) | 一种高比例分布式光伏配电网中的电动汽车协调充电方法 | |
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 | |
CN112109580B (zh) | 一种电量自分配的微电网电动汽车充放电控制系统 | |
Yuan et al. | Electric vehicle smart charging network under the energy internet framework | |
Karandinou et al. | A Method for the Assessment of Multi-objective Optimal Charging of Plug-in Electric Vehicles at Power System Level | |
CN112785048A (zh) | 计及电动汽车用户需求的直流微电网经济调度方法 | |
Li et al. | Orderly charging model of private electric vehicle based on double sequence valley period | |
Gao et al. | A two-layer model to dispatch electric vehicles and wind power | |
Rathor et al. | Trip Chain Information Model Based Stochastic Energy Management System for Microgrid |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220415 |