CN112600205A - 充电站储能的配置方法 - Google Patents

充电站储能的配置方法 Download PDF

Info

Publication number
CN112600205A
CN112600205A CN202011536206.8A CN202011536206A CN112600205A CN 112600205 A CN112600205 A CN 112600205A CN 202011536206 A CN202011536206 A CN 202011536206A CN 112600205 A CN112600205 A CN 112600205A
Authority
CN
China
Prior art keywords
energy storage
charge
storage battery
constraint
charging station
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.)
Granted
Application number
CN202011536206.8A
Other languages
English (en)
Other versions
CN112600205B (zh
Inventor
李笑彤
王方敏
吕风波
齐步洋
贡晓旭
王坤芳
宋宝同
张宏宇
鞠力
席嫣娜
刘新萌
王晓冰
苏宁
宝海龙
梁英哲
王思涵
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
Sichuan Energy Internet Research Institute EIRI Tsinghua University
State Grid Beijing Electric Power Co Ltd
Economic and Technological Research Institute of State Grid Beijing Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Sichuan Energy Internet Research Institute EIRI Tsinghua University
State Grid Beijing Electric Power Co Ltd
Economic and Technological Research Institute of State Grid Beijing Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, Sichuan Energy Internet Research Institute EIRI Tsinghua University, State Grid Beijing Electric Power Co Ltd, Economic and Technological Research Institute of State Grid Beijing Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202011536206.8A priority Critical patent/CN112600205B/zh
Publication of CN112600205A publication Critical patent/CN112600205A/zh
Application granted granted Critical
Publication of CN112600205B publication Critical patent/CN112600205B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/50—Charging stations characterised by energy-storage or power-generation means
    • B60L53/53—Batteries
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/60—Monitoring or controlling charging stations
    • B60L53/62—Monitoring or controlling charging stations in response to charging parameters, e.g. current, voltage or electrical charge
    • 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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • H02J2203/20—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
    • H02J2310/00—The network for supplying or distributing electric power characterised by its spatial reach or by the load
    • H02J2310/10—The network having a local or delimited stationary reach
    • H02J2310/18—The network being internal to a power source or plant
    • 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
    • Y04S30/00—Systems supporting specific end-user applications in the sector of transportation
    • Y04S30/10—Systems supporting the interoperability of electric or hybrid vehicles
    • Y04S30/14—Details associated with the interoperability, e.g. vehicle recognition, authentication, identification or billing

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本申请公开了一种充电站储能的配置方法。其中，该方法包括：获取充电站的样本数据；基于充电站的样本数据，采用约束条件对储能电池进行配置，生成储能电池的配置模型，其中，约束条件包括：充放电能量守恒、充放电功率约束、荷电状态约束、配电容量约束和电池容量约束。本申请解决了由于相关技术中采用充电站单一典型负荷数据来配置储能容量造成的配置结果不准确的技术问题。

Description

充电站储能的配置方法
技术领域
本申请涉及电动汽车储能领域，具体而言，涉及一种充电站储能的配置方法。
背景技术
随着能源革命的不断推进，以燃油为动力的汽车正在被逐步取代，电动汽车越来越受到广泛关注，我国较早开展电动汽车推广，且在近几年取得明显成效。在电动汽车发展过程中，充电基础设施仍然是制约其发展的重要因素，随着电动汽车保有量不断提升，已建充电设施面临电动汽车充电多样化需求，负荷变化特性与分时电价叠加等问题使得充电站运营成本和经济性受到影响。储能系统可有效修正用户负荷曲线从而降低用电费，当前储能成本明显下降，技术不断完善，可结合已建充电站实际运行数据，配置小型储能系统，通过“低充高放”模式，降低充电站购电成本，提升项目整体经济性。考虑储能设备投资成本与安装容量相关，为获得较大投资收益需要对储能容量进行优化配置。
但相关技术中针对充电站的储能容量配置的问题探讨较少，一般根据充电站单一典型负荷数据进行储能容量的配置，因而存在配置结果不准确的技术问题。
针对上述的问题，目前尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种充电站储能的配置方法，以至少解决由于相关技术中采用充电站单一典型负荷数据来配置储能容量造成的配置结果不准确的技术问题。
根据本申请实施例的另一方面，还提供了一种充电站储能的配置方法，包括：获取充电站的样本数据；基于充电站的样本数据，采用约束条件对储能电池进行配置，生成储能电池的配置模型，其中，约束条件包括：充放电能量守恒、充放电功率约束、荷电状态约束、配电容量约束和电池容量约束。
可选地，储能电池在预定时间段内执行至少一次充放电，其中，充放电结果用于保持储能电池的充放电能量守恒。
可选地，储能电池在充放电时，基于充放电功率约束，确定储能电池的充放电功率，其中，充放电功率小于等于额定功率，大于最小允许功率。
可选地，储能电池在充放电时，基于荷电状态约束，确定储能电池的荷电状态处于预设的放电深度范围之内，并基于荷电状态以及充放电功率，计算得到储能电池的电池额定容量。
可选地，基于配电容量约束，确定储能电池的充放电功率与负荷的结合值小于等于预先配置的配变容量。
可选地，基于电池容量约束，确定储能电池的最大允许容量小于等于预定阈值。
可选地，基于充电站的样本数据，采用约束条件对储能电池进行配置，生成储能电池的配置模型，包括：从充电站的样本数据中随机选取多条数据曲线作为初始聚类中心；基于充电站的样本数据中除初始聚类中心以外的数据曲线与聚类曲线的欧式距离进行聚类，获取聚类结果，其中，聚类结果包括多个样本曲线，样本曲线为除初始聚类中心以外的数据曲线中与初始聚类中心最近的负荷曲线；获取聚类结果中每条负荷曲线在同一时刻的平均值，确定新的聚类中心曲线；基于新的聚类中心曲线再次进行聚类，直至生成储能电池的配置模型。
根据本申请实施例的一个方面，还提供了一种充电站储能的配置装置，包括：获取模块，用于获取充电站的样本数据；配置模块，用于基于充电站的样本数据，采用约束条件对储能电池进行配置，生成储能电池的配置模型，其中，约束条件包括：充放电能量守恒、充放电功率约束、荷电状态约束、配电容量约束和电池容量约束。
可选地，储能电池在预定时间段内执行至少一次充放电，其中，充放电结果用于保持储能电池的充放电能量守恒。
可选地，储能电池在充放电时，基于充放电功率约束，确定储能电池的充放电功率，其中，充放电功率小于等于额定功率，大于最小允许功率。
可选地，储能电池在充放电时，基于荷电状态约束，确定储能电池的荷电状态处于预设的放电深度范围之内，并基于荷电状态以及充放电功率，计算得到储能电池的电池额定容量。
可选地，基于配电容量约束，确定储能电池的充放电功率与负荷的结合值小于等于预先配置的配变容量。
可选地，基于电池容量约束，确定储能电池的最大允许容量小于等于预定阈值。
可选地，配置模块包括：选择模块，用于从充电站的样本数据中随机选取多条数据曲线作为初始聚类中心；聚类模块，用于基于充电站的样本数据中除初始聚类中心以外的数据曲线与聚类曲线的欧式距离进行聚类，获取聚类结果，其中，聚类结果包括多个样本曲线，样本曲线为除初始聚类中心以外的数据曲线中与初始聚类中心最近的负荷曲线；子获取模块，用于获取聚类结果中每条负荷曲线在同一时刻的平均值，确定新的聚类中心曲线；训练模块，用于基于新的聚类中心曲线再次进行聚类，直至生成储能电池的配置模型。
根据本申请实施例的另一方面，还提供了一种非易失性存储介质，非易失性存储介质包括存储的程序，其中，在程序运行时控制非易失性存储介质所在设备执行任意一种充电站储能的配置方法。
根据本申请实施例的另一方面，还提供了一种处理器，处理器用于运行程序，其中，程序运行时执行任意一种充电站储能的配置方法。
在本申请实施例中，采用获取充电站的储能电池周期性的进行充放电的充电站的样本数据的方式，通过基于充电站的样本数据生成储能电池的配置模型，达到了基于充电站的样本数据，采用充放电能量守恒、充放电功率约束、荷电状态约束、配电容量约束和电池容量约束对储能电池进行配置，生成储能电池的配置模型的技术效果，进而解决了由于相关技术中采用充电站单一典型负荷数据来配置储能容量造成的配置结果不准确的技术问题。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本申请实施例的一种可选的充电站储能的配置方法的流程示意图；
图2是根据本申请实施例的一种可选的充电站储能的配置装置的结构示意图；
图3a至图3d为每类场景对应的负荷曲线示意图；
图4是某地区分时电价的示意图；
图5是储能电池SOC曲线的示意图；
图6a至图6d是一个周期内储能充放电功率曲线的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，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。
根据本申请实施例，提供了一种充电站储能的配置方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本申请实施例的充电站储能的配置方法，如图1所示，该方法包括如下步骤：
步骤S102，获取充电站的样本数据；
步骤S104，基于充电站的样本数据，采用约束条件对储能电池进行配置，生成储能电池的配置模型，其中，约束条件包括：充放电能量守恒、充放电功率约束、荷电状态约束、配电容量约束和电池容量约束。
该充电站储能的配置方法中，首先，可获取充电站的样本数据；然后，基于充电站的样本数据，采用约束条件对储能电池进行配置，生成储能电池的配置模型，其中，约束条件包括：充放电能量守恒、充放电功率约束、荷电状态约束、配电容量约束和电池容量约束，达到了基于充电站的样本数据，采用充放电能量守恒、充放电功率约束、荷电状态约束、配电容量约束和电池容量约束对储能电池进行配置，生成储能电池的配置模型的技术效果，进而解决了由于相关技术中采用充电站单一典型负荷数据来配置储能容量造成的配置结果不准确的技术问题。
本申请另一些可选的实施例中，可通过利用充电站基础数据，以储能电池投资效益最高为目标函数建立优化配置模型，具体地:
对于已建充电站，其储能配置主要考虑投入储能系统以后的经济效益最大，因此以储能系统全寿命周期内经济效益最优为目标函数，如下式所示:
maxP＝F-C；
上式中，P表示折算到每日的净收益，单位为元；F表示折算到每日因配置储能系统而产生的收益，单位为元；C表示折算每日的配置储能系统所增加的成本，单位为元。
对于配置储能系统的充电站而言，其收益主要为通过储能充放电而取得的峰谷套利收益，暂不考虑削减配变容量的收益。充电站每日向电网购电成本计算如下式所示:
Figure BDA0002853122740000051
上式中，p(t)表示充电站所执行的分时电价，单位为元/kWh暂不考虑容量电价模式；Pc(t)表示充电站负荷，即电动汽车充电功率，单位为kW，暂不考虑其他站用电负荷。
考虑储能充放电后，向电网购电成本计算如下所示:
Figure BDA0002853122740000052
上式中，Pb(t)表示储能系统放电功率，其负值为充电功率，单位为kW。
因此，配置储能系统后，充电站每日增加的收益计算如下式所示:
Figure BDA0002853122740000053
储能系统成本主要由初始投资成本和运维成本构成，初始投资成本包括:电池、储能变流器PCS、电池管理系统BMS及其他辅助设施成本，即电量型成本及功率型成本。运维成本与初始投资成本相关，可通过乘以运维系数得到，因此，成本计算如下式所示：
Figure BDA0002853122740000054
上式中，C1表示折算到年值的储能系统初始投资成本；PB表示储能配置功率，单位为kW；EB表示储能配置电量(例如：电池额定容量)，单位为kWh；c1表示PCS单价，单位为元/kW；c2表示BMS系统单价，单位为元/kW；c3表示电池单价，单位为元/kWh；c4表示其他辅助设施单价，单位为元/kWh；r表示贴现率；n表示储能运行寿命。
储能系统年运维成本计算公式如下式所示:
C2＝kc×[(c1+c2)PB+(c3+c4)EB]；
上式中，C2表示折算到年值的储能系统运维成本；kc表示运维系数，通常按照1％考虑。
将储能系统成本折算的每日，则其日均成本如下式所示：
Figure BDA0002853122740000061
因此，目标函数可以用下式表示：
Figure BDA0002853122740000062
本申请一些可选的实施例中，储能电池在预定时间段内执行至少一次充放电，其中，充放电结果用于保持储能电池的充放电能量守恒。
具体地，储能系统每日完成若干次完整充放电，在一日内充放电能量守恒。其约束公式如下式：
Figure BDA0002853122740000063
其中，Pb(t)表示储能系统放电功率，其负值为充电功率，单位为kW，T表示储能电池充放电周期，通常取24h。
本申请一些实施例中，储能电池在充放电时，基于充放电功率约束，确定储能电池的充放电功率，其中，充放电功率小于等于额定功率，大于最小允许功率。
具体地，储能电池在充放电时，考虑其寿命等因素，其充放电功率以额定功率为最大值，大于最小允许功率。其约束公式如下式：
β×PB≤|Pb(t)|≤PB；其中，β表示电池充放电功率最小允许比例，PB表示储能配置功率，单位为kW。
本申请一些实施例中，储能电池在充放电时，基于荷电状态约束，确定储能电池的荷电状态处于预设的放电深度范围之内，并基于荷电状态以及充放电功率，计算得到储能电池的电池额定容量。
具体地，储能电池充放电时需要考虑其电量范围。其约束公式如下式所示：
SOCmin≤SOCk≤SOCmax；上式中，SOCk表示k时刻的荷电状态，k∈[1,24]；SOCmax表示电池最大允许放电深度；SOCmin表示电池最小允许放电深度。
SOCk计算方法如下式所示：
Figure BDA0002853122740000071
SOC0表示初始时刻的荷电状态；Pb(t)表示储能系统放电功率；EB表示电池额定容量(电池额定电量)。
可根据储能放电功率计算电池额定容量，即储能放电功率与电池额定容量(电池额定电量)EB满足如下关系式：
Figure BDA0002853122740000072
上式中，T1表示24小时时刻内的任意起始时刻，ΔT表示24小时内任意时间间隔，T1,ΔT∈[1,24]。
本申请一些可选的实施例中，基于配电容量约束，确定储能电池的充放电功率与负荷的结合值小于等于预先配置的配变容量。
具体地，安装储能系统后，其充放电功率，应确保与负荷叠加后不超过原有配变容量约数据，其约束条件如下所示：
Pc(t)-Pb(t)≤Smax；
上式中，Smax表示最大允许容量，通常取充电站配电变压器容量的80％；Pc(t)表示充电站负荷，即电动汽车充电功率；Pb(t)表示储能系统放电功率。
本申请一些可选的实施例中，基于电池容量约束，确定储能电池的最大允许容量小于等于预定阈值。
具体地，储能系统电池容量受场地、总体投资成本等因素影响，因此电池容量不能无限制，电池容量约束如下所示：
EB≤Emax；
上式中，Emax表示电池最大允许容量，通常受场地约束条件影响。
本申请一些可选的实施例中，可以通过如下步骤生成储能电池的配置模型，基于充电站的样本数据，采用约束条件对储能电池进行配置，生成储能电池的配置模型，具体的，从充电站的样本数据中随机选取多条数据曲线作为初始聚类中心；基于充电站的样本数据中除初始聚类中心以外的数据曲线与聚类曲线的欧式距离进行聚类，获取聚类结果，其中，聚类结果包括多个样本曲线，样本曲线为除初始聚类中心以外的数据曲线中与初始聚类中心最近的负荷曲线；获取聚类结果中每条负荷曲线在同一时刻的平均值，确定新的聚类中心曲线；基于新的聚类中心曲线再次进行聚类，直至生成储能电池的配置模型。
具体地，在负荷样本分析时，由于样本数据区间过大，不具有实际的工程可操作性，因此可采用聚类分析来缩减样本场景，形成可以涵盖样本数据特征的典型场景集，并分别在每个场景进行计算。
以样本一年内365条日负荷数据作为原始样本集，每条有24维数据，通过K-均值聚合出K个场景。计算步骤如下：
1)选定聚类数目K，随机选取样本中K条数据曲线
Figure BDA0002853122740000081
作为初始聚类中心：
Figure BDA0002853122740000082
2)计算样本中其它曲线与聚类曲线的欧式距离，将各曲线与聚类中心最近的曲线归为一类场景：
Figure BDA0002853122740000083
式中：
Figure BDA0002853122740000084
表示曲线间距离，
Figure BDA0002853122740000085
为曲线i的第k维数据；
Figure BDA0002853122740000086
表示聚类中心第j条曲线。
3)分配完成后形成K个场景，每个场景包含若干样本曲线。计算场景中每条负荷曲线同一时刻数据的平均值，得到新的聚类中心曲线，以此生成新的聚类中心：
Figure BDA0002853122740000087
Figure BDA0002853122740000088
4)重复步骤2和步骤3，直至聚类结果不再改变。
本申请一些可选的实施例中，在得到上述储能电池的配置模型之后，可以通过粒子群算法对该配置模型进行求解，需要说明的是，粒子群算法是一种基于迭代的优化算法，具体为：假设在D维目标搜索空间中，有m个粒子组成一个群体，其中第i个粒子位置表示为Xi，将Xi带入目标函数即适应度函数计算出其适应值，根据适应值的大小衡量其优劣，粒子个体经历过的最好位置记为Pi，整个群体所有粒子经历过的最好位置记为Pg，粒子的速度即为Vi。则可采用如下公式对粒子所在的位置不断更新：
Figure BDA0002853122740000091
Figure BDA0002853122740000092
其中，其中，i＝1,2,3,…,m，d＝1,2,3,…,D，ω是非负数，称为惯性因子；c1,c2是加速常数(非负数)；r1,r2是[0,1]范围内变换的随机数，α称为约束因子，该约束因子目的是控制速度的权重。
图2是根据本申请实施例的充电站储能的配置装置，如图2所示，该配置装置包括：
获取模块40，用于获取充电站的样本数据；
配置模块42，用于基于充电站的样本数据，采用约束条件对储能电池进行配置，生成储能电池的配置模型，其中，约束条件包括：充放电能量守恒、充放电功率约束、荷电状态约束、配电容量约束和电池容量约束。
该充电站储能的配置装置中，获取模块40，用于获取充电站的样本数据；配置模块42，用于基于充电站的样本数据，采用约束条件对储能电池进行配置，生成储能电池的配置模型，其中，约束条件包括：充放电能量守恒、充放电功率约束、荷电状态约束、配电容量约束和电池容量约束，达到了基于充电站样本数据，采用充放电能量守恒、充放电功率约束、荷电状态约束、配电容量约束和电池容量约束对储能电池进行配置，生成储能电池的配置模型的技术效果，进而解决了由于相关技术中采用充电站单一典型负荷数据来配置储能容量造成的配置结果不准确的技术问题。
本申请一些可选的实施例中，储能电池在预定时间段内执行至少一次充放电，其中，充放电结果用于保持储能电池的充放电能量守恒。
具体地，储能系统每日完成若干次完整充放电，在一日内充放电能量守恒。其约束公式如下式：
Figure BDA0002853122740000093
其中，Pb(t)表示储能系统放电功率，其负值为充电功率，单位为kW，T表示储能电池充放电周期，通常取24h。
本申请一些实施例中，储能电池在充放电时，基于充放电功率约束，确定储能电池的充放电功率，其中，充放电功率小于等于额定功率，大于最小允许功率。
具体地，储能电池在充放电时，考虑其寿命等因素，其充放电功率以额定功率为最大值，大于最小允许功率。其约束公式如下式：
β×PB≤|Pb(t)|≤PB；其中，β表示电池充放电功率最小允许比例，PB表示储能配置功率，单位为kW。
本申请一些实施例中，储能电池在充放电时，基于荷电状态约束，确定储能电池的荷电状态处于预设的放电深度范围之内，并基于荷电状态以及充放电功率，计算得到储能电池的电池额定容量。
具体地，储能电池充放电时需要考虑其电量范围。其约束公式如下式所示：
SOCmin≤SOCk≤SOCmax；上式中，SOCk表示k时刻的荷电状态，k∈[1,24]；SOCmax表示电池最大允许放电深度；SOCmin表示电池最小允许放电深度。
SOCk计算方法如下式所示：
Figure BDA0002853122740000101
SOC0表示初始时刻的荷电状态；Pb(t)表示储能系统放电功率；EB表示电池额定容量(电池额定电量)。
可根据储能放电功率计算电池额定容量，即储能放电功率与电池额定容量(电池额定电量)EB满足如下关系式：
Figure BDA0002853122740000102
上式中，T1表示24小时时刻内的任意起始时刻，ΔT表示24小时内任意时间间隔，T1,ΔT∈[1,24]。
本申请一些可选的实施例中，基于配电容量约束，确定储能电池的充放电功率与负荷的结合值小于等于预先配置的配变容量。
具体地，安装储能系统后，其充放电功率，应确保与负荷叠加后不超过原有配变容量约数据，其约束条件如下所示：
Pc(t)-Pb(t)≤Smax；
上式中，Smax表示最大允许容量，通常取充电站配电变压器容量的80％；Pc(t)表示充电站负荷，即电动汽车充电功率；Pb(t)表示储能系统放电功率。
本申请一些可选的实施例中，基于电池容量约束，确定储能电池的最大允许容量小于等于预定阈值。
具体地，储能系统电池容量受场地、总体投资成本等因素影响，因此电池容量不能无限制，电池容量约束如下所示：
EB≤Emax；
上式中，Emax表示电池最大允许容量，通常受场地约束条件影响。
本申请一些实施例中，配置模块包括：选择模块，用于从充电站的样本数据中随机选取多条数据曲线作为初始聚类中心；聚类模块，用于基于充电站的样本数据中除初始聚类中心以外的数据曲线与聚类曲线的欧式距离进行聚类，获取聚类结果，其中，聚类结果包括多个样本曲线，样本曲线为除初始聚类中心以外的数据曲线中与初始聚类中心最近的负荷曲线；子获取模块，用于获取聚类结果中每条负荷曲线在同一时刻的平均值，确定新的聚类中心曲线；训练模块，用于基于新的聚类中心曲线再次进行聚类，直至生成储能电池的配置模型。
为了本领域技术人员更好的理解的本申请实施例，现以某个公共充电站为例进行详细说明的：选取某个公共充电站，其配置10台60kW充电桩，总额定功率为600kW，配变容量为800kVA。收集该充电站上一年度8760小时负荷数据，经聚合后划分的4类场景中，第一类152天，第二类72天，第三类52天，第四类89天，每类场景对应的的负荷曲线如图3a至图3d所示，该地区分时电价如图4所示。储能系统各部分成本单价如下表所示：
Figure BDA0002853122740000111
其他相关参数选取如下表所示：
Figure BDA0002853122740000121
采用粒子群优化方法求解储能优化配置模型，粒子群算法参数选取的算法参数如下表所示：
Figure BDA0002853122740000122
分别计算每类场景下该充电站储能最优配置和平均每日净收益，结果如表所示：
Figure BDA0002853122740000123
Figure BDA0002853122740000131
基于四类场景储能容量和场景概率，计算不同容量配置时各个场景下的收益，结果如表所示：
Figure BDA0002853122740000132
从上表中可以看出，由第1类场景计算出的储能容量能够取得最大综合收益。储能容量优化结果(Energy storage optimization results)如下表所示：
Figure BDA0002853122740000133
Figure BDA0002853122740000141
结合上述优化结果，该充电站储能最优配置结果为383.39kW/996.83kWh，经济效益最优，折算到每日净收益390.36元，储能投资成本为164.881万元。储能电池SOC曲线如图5所示。
由上述分析可知，(1)储能容量配置为383.39kW/996.83kWh时，在4类场景下储能净收益最大，此时储能系统全寿命周期内经济效益最优。(2)该储能电站一天内充电次数为4次，放电次数为3次，按照充放电深度，基本符合一天2充2放的规律，与充电站尖峰负荷特性相一致。一个周期内储能充放电功率曲线如图6a至图6d所示。
根据本申请实施例的另一方面，还提供了一种非易失性存储介质，非易失性存储介质包括存储的程序，其中，在程序运行时控制非易失性存储介质所在设备执行任意一种充电站储能的配置方法。
具体地，上述存储介质用于存储执行以下功能的程序指令，实现以下功能:获取充电站的样本数据；基于充电站的样本数据，采用约束条件对储能电池进行配置，生成储能电池的配置模型，其中，约束条件包括：充放电能量守恒、充放电功率约束、荷电状态约束、配电容量约束和电池容量约束。
根据本申请实施例的另一方面，还提供了一种处理器，处理器用于运行程序，其中，程序运行时执行任意一种充电站储能的配置方法。
具体地，上述处理器用于调用存储器中的程序指令，实现以下功能：
获取充电站的样本数据；基于充电站的样本数据，采用约束条件对储能电池进行配置，生成储能电池的配置模型，其中，约束条件包括：充放电能量守恒、充放电功率约束、荷电状态约束、配电容量约束和电池容量约束。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
在本申请的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对相关技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。

Claims (16)

1.一种充电站储能的配置方法，其特征在于，包括：
获取充电站的样本数据；
基于所述充电站的样本数据，采用约束条件对所述储能电池进行配置，生成储能电池的配置模型，其中，所述约束条件包括：充放电能量守恒、充放电功率约束、荷电状态约束、配电容量约束和电池容量约束。
2.根据权利要求1所述的方法，其特征在于，所述储能电池在预定时间段内执行至少一次充放电，其中，所述充放电结果用于保持所述储能电池的所述充放电能量守恒。
3.根据权利要求2所述的方法，其特征在于，所述储能电池在充放电时，基于所述充放电功率约束，确定所述储能电池的充放电功率，其中，所述充放电功率小于等于额定功率，大于最小允许功率。
4.根据权利要求3所述的方法，其特征在于，所述储能电池在充放电时，基于所述荷电状态约束，确定所述储能电池的荷电状态处于预设的放电深度范围之内，并基于所述荷电状态以及所述充放电功率，计算得到所述储能电池的电池额定容量。
5.根据权利要求1所述的方法，其特征在于，基于所述配电容量约束，确定所述储能电池的充放电功率与负荷的结合值小于等于预先配置的配变容量。
6.根据权利要求1所述的方法，其特征在于，基于所述电池容量约束，确定所述储能电池的最大允许容量小于等于预定阈值。
7.根据权利要求1-6中任意一项所述的方法，其特征在于，基于所述充电站的样本数据，采用约束条件对所述储能电池进行配置，生成储能电池的配置模型，包括：
从所述充电站的样本数据中随机选取多条数据曲线作为初始聚类中心；
基于所述充电站的样本数据中除所述初始聚类中心以外的数据曲线与聚类曲线的欧式距离进行聚类，获取聚类结果，其中，所述聚类结果包括多个样本曲线，所述样本曲线为除所述初始聚类中心以外的数据曲线中与所述初始聚类中心最近的负荷曲线；
获取所述聚类结果中每条负荷曲线在同一时刻的平均值，确定新的聚类中心曲线；
基于所述新的聚类中心曲线再次进行聚类，直至生成所述储能电池的配置模型。
8.一种充电站储能的配置装置，其特征在于，包括：
获取模块，用于获取充电站的样本数据；
配置模块，用于基于所述充电站的样本数据，采用约束条件对所述储能电池进行配置，生成储能电池的配置模型，其中，所述约束条件包括：充放电能量守恒、充放电功率约束、荷电状态约束、配电容量约束和电池容量约束。
9.根据权利要求8所述的装置，其特征在于，所述储能电池在预定时间段内执行至少一次充放电，其中，所述充放电结果用于保持所述储能电池的所述充放电能量守恒。
10.根据权利要求9所述的装置，其特征在于，所述储能电池在充放电时，基于所述充放电功率约束，确定所述储能电池的充放电功率，其中，所述充放电功率小于等于额定功率，大于最小允许功率。
11.根据权利要求10所述的装置，其特征在于，所述储能电池在充放电时，基于所述荷电状态约束，确定所述储能电池的荷电状态处于预设的放电深度范围之内，并基于所述荷电状态以及所述充放电功率，计算得到所述储能电池的电池额定容量。
12.根据权利要求8所述的装置，其特征在于，基于所述配电容量约束，确定所述储能电池的充放电功率与负荷的结合值小于等于预先配置的配变容量。
13.根据权利要求8所述的装置，其特征在于，基于所述电池容量约束，确定所述储能电池的最大允许容量小于等于预定阈值。
14.根据权利要求8-13中任意一项所述的装置，其特征在于，所述配置模块包括：
选择模块，用于从所述充电站的样本数据中随机选取多条数据曲线作为初始聚类中心；
聚类模块，用于基于所述充电站的样本数据中除所述初始聚类中心以外的数据曲线与聚类曲线的欧式距离进行聚类，获取聚类结果，其中，所述聚类结果包括多个样本曲线，所述样本曲线为除所述初始聚类中心以外的数据曲线中与所述初始聚类中心最近的负荷曲线；
子获取模块，用于获取所述聚类结果中每条负荷曲线在同一时刻的平均值，确定新的聚类中心曲线；
训练模块，用于基于所述新的聚类中心曲线再次进行聚类，直至生成所述储能电池的配置模型。
15.一种非易失性存储介质，其特征在于，所述非易失性存储介质包括存储的程序，其中，在所述程序运行时控制所述非易失性存储介质所在设备执行权利要求1至7中任意一项所述充电站储能的配置方法。
16.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至7中任意一项所述充电站储能的配置方法。
CN202011536206.8A 2020-12-22 2020-12-22 充电站储能的配置方法 Active CN112600205B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011536206.8A CN112600205B (zh) 2020-12-22 2020-12-22 充电站储能的配置方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011536206.8A CN112600205B (zh) 2020-12-22 2020-12-22 充电站储能的配置方法

Publications (2)

Publication Number Publication Date
CN112600205A true CN112600205A (zh) 2021-04-02
CN112600205B CN112600205B (zh) 2022-09-02

Family

ID=75200268

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011536206.8A Active CN112600205B (zh) 2020-12-22 2020-12-22 充电站储能的配置方法

Country Status (1)

Country Link
CN (1) CN112600205B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116191515A (zh) * 2023-03-28 2023-05-30 上海艾临科智能科技有限公司 交流侧储能装置充放电参数控制方法、装置及电子设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106651059A (zh) * 2017-01-13 2017-05-10 国网山西省电力公司 一种电动汽车充电站优化配置的方法
CN112003381A (zh) * 2020-07-31 2020-11-27 中国电力科学研究院有限公司 一种光储充电站内储能电池容量配置方法和系统
CN112103946A (zh) * 2020-08-20 2020-12-18 西安理工大学 一种基于粒子群算法的微电网储能优化配置方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106651059A (zh) * 2017-01-13 2017-05-10 国网山西省电力公司 一种电动汽车充电站优化配置的方法
CN112003381A (zh) * 2020-07-31 2020-11-27 中国电力科学研究院有限公司 一种光储充电站内储能电池容量配置方法和系统
CN112103946A (zh) * 2020-08-20 2020-12-18 西安理工大学 一种基于粒子群算法的微电网储能优化配置方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
唐文左等: "配电网中分布式储能系统的优化配置方法", 《电力建设》, no. 04, 27 March 2015 (2015-03-27), pages 38 - 45 *
齐琳等: "基于改进粒子群算法的电动汽车充电站布局优化", 《公路交通科技》, no. 06, 15 June 2017 (2017-06-15), pages 136 - 143 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116191515A (zh) * 2023-03-28 2023-05-30 上海艾临科智能科技有限公司 交流侧储能装置充放电参数控制方法、装置及电子设备
CN116191515B (zh) * 2023-03-28 2023-12-15 上海艾临科智能科技有限公司 交流侧储能装置充放电参数控制方法、装置及电子设备

Also Published As

Publication number Publication date
CN112600205B (zh) 2022-09-02

Similar Documents

Publication Publication Date Title
CN108960510B (zh) 一种基于两阶段随机规划的虚拟电厂优化交易策略装置
CN104966127B (zh) 一种基于需求响应的电动汽车经济调度方法
CN109816171B (zh) 一种电动汽车区域微网群双层分布式优化调度方法
CN106651026B (zh) 多时间尺度微电网能量管理优化调度方法
CN110774929A (zh) 一种电动汽车有序充电的实时控制策略及优化方法
CN107370170A (zh) 一种考虑容量电价和负荷预测误差的储能系统容量配置方法
CN105207259B (zh) 基于能量管理的并网状态下的微电网系统调度方法
CN110516855B (zh) 一种面向负荷聚合商的分布式储能控制权优化调度方法
CN115189370A (zh) 一种混合储能参与调频的容量分配方法及系统
CN114938035B (zh) 考虑储能退化成本的共享储能能量调度方法及系统
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
CN110739690A (zh) 考虑电动汽车快充站储能设施的配电网优化调度方法及系统
CN108183473A (zh) 一种集群电动汽车参与辅助服务市场的优化投标方法
CN109742755A (zh) 基于节点分区的含电动汽车的主动配电网运行调度方法
CN111987719B (zh) 一种电动汽车聚合商参与调频的投标方法及装置
CN103715688A (zh) 并网型微网优化配置方法及装置
CN110533222A (zh) 基于峰平谷电价的电动汽车充电负荷预测方法及装置
CN107273968A (zh) 一种基于动态模糊混沌粒子群的多目标调度方法及装置
CN106786692A (zh) 一种基于分布式的电动汽车有序充电控制方法
CN111126882A (zh) 虚拟变电站调度方法及终端设备
CN113799640A (zh) 适用于含电动汽车充电桩微电网的能量管理方法
CN113780670A (zh) 基于两阶段的区域电网电动汽车调峰优化调度方法
CN115000985A (zh) 一种用户侧分布式储能设施聚合管控方法及系统
CN112600205B (zh) 充电站储能的配置方法
CN118232380A (zh) 储能设备充放电策略生成方法、装置、设备和存储介质

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