CN112883566A - 一种基于虚拟电池模型的光伏产消者能量建模方法及系统 - Google Patents

一种基于虚拟电池模型的光伏产消者能量建模方法及系统 Download PDF

Info

Publication number
CN112883566A
CN112883566A CN202110143976.4A CN202110143976A CN112883566A CN 112883566 A CN112883566 A CN 112883566A CN 202110143976 A CN202110143976 A CN 202110143976A CN 112883566 A CN112883566 A CN 112883566A
Authority
CN
China
Prior art keywords
energy
virtual battery
time
power
electric automobile
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
CN202110143976.4A
Other languages
English (en)
Other versions
CN112883566B (zh
Inventor
徐立敏
艾欣
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.)
North China Electric Power University
Original Assignee
North China Electric Power University
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 North China Electric Power University filed Critical North China Electric Power University
Priority to CN202110143976.4A priority Critical patent/CN112883566B/zh
Publication of CN112883566A publication Critical patent/CN112883566A/zh
Application granted granted Critical
Publication of CN112883566B publication Critical patent/CN112883566B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based 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
    • 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
    • H02J2310/00—The network for supplying or distributing electric power characterised by its spatial reach or by the load
    • H02J2310/40—The network being an on-board power network, i.e. within a vehicle
    • H02J2310/48—The network being an on-board power network, i.e. within a vehicle for electric vehicles [EV] or hybrid vehicles [HEV]
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Power Engineering (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Human Resources & Organizations (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Water Supply & Treatment (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本发明公开了一种基于虚拟电池模型的光伏产消者能量建模方法，所述建模方法包括如下步骤：根据单个电动汽车的灵活性，确定聚合电动汽车的灵活性；根据聚合电动汽车的灵活性，构建包含聚合电动汽车、光伏发电和刚性负荷的光伏产消者的第一虚拟电池模型；采用蒙特卡洛算法将所述第一虚拟电池模型转换为带有鲁棒边界的概率化的第二虚拟电池模型；求解所述第二虚拟电池模型，确定满足旋转备用容量约束条件和备用能量约束条件且使日前能量费用最小的备用容量，作为光伏产消者能够提供的最优备用容量。本发明的建模方法，能够充分描述区域内聚合电动汽车的灵活性资源，表征其功率和能量上下限，并体现其不确定性，为其大规模应用于电网调度提供基础。

Description

一种基于虚拟电池模型的光伏产消者能量建模方法及系统
技术领域
本发明涉及电能管理领域，特别是涉及一种基于虚拟电池模型的光伏产消者能量建模方法及系统。
背景技术
由于再生能源发电的间歇性，加上不断增长的电力需求，要求有效利用现有的发电量，有效的解决方法之一是需求侧管理(demand side management,DSM)。
目前，电动汽车(electric vehicles,EV)数量不断增长，EV是一种靠电动机驱动的汽车，此外还有可以通过插头充电的电池。由于研究证实恰当的EV管理有助于平抑发电量和耗电量的波动，因此智能电网中EV的协调充电是一个重要的研究课题，也是DSM的一个重要部分。为实现合理的EV需求侧管理，目前有两个主要挑战。
(1)第一个挑战是EV的数量不断增加。因此，将EV的可扩展用于DSM的灵活性描述方法是必要的。
(2)第二个挑战是对EV进行DSM固有的不确定性和动态性。例如，由于驾驶员行为的随机性，EV可在不确定的时间持续与电网连接或断开。因此，描述EV灵活性的方法必须考虑动态用户行为。
此外，目前分布式能源大量渗透，EV与分布式光伏发电(photovoltaic,PV)、刚性负荷构成具备源荷二重性的产消者。本身EV的响应是不确定的，PV的接入更加剧了产消者模型的不确定性，因此，基于确定模型的产消者能量描述方法在实际运行中可能导致失败。通常来说，解决不确定性问题采用概率编程方法，但概率编程增加决策变量维数，给运行者带来求解压力。因此，EV需求侧管理优化过程中，如何实现充分描述光伏产消者能量的随机灵活性，进而提高优化效率和精度，成为一个亟待解决的技术问题。
发明内容
本发明的目的是提供一种基于虚拟电池模型的光伏产消者能量建模方法及系统，以实现充分描述光伏产消者能量的随机灵活性，进而提高优化效率和精度。
为实现上述目的，本发明提供了如下方案：
一种基于虚拟电池模型的光伏产消者能量建模方法，所述建模方法包括如下步骤：
根据单个电动汽车的灵活性，确定聚合电动汽车的灵活性；聚合电动汽车的灵活性包括聚合电动汽车的能量的边界和功率的边界；
根据聚合电动汽车的灵活性，构建包含聚合电动汽车、光伏发电和刚性负荷的光伏产消者的第一虚拟电池模型；
采用蒙特卡洛算法将所述第一虚拟电池模型转换为带有鲁棒边界的概率化的第二虚拟电池模型；
求解所述第二虚拟电池模型，确定满足旋转备用容量约束条件和备用能量约束条件且使日前能量费用最小的备用容量，作为光伏产消者能够提供的最优备用容量。
可选的，所述根据单个电动汽车的灵活性，确定聚合电动汽车的灵活性，具体包括：
确定单个电动汽车的电池能量的上限和下限为：
Figure BDA0002929221820000021
Figure BDA0002929221820000022
Figure BDA0002929221820000023
Figure BDA0002929221820000024
其中，
Figure BDA0002929221820000025
和
Figure BDA0002929221820000026
分别表示t时刻电动汽车i的电池能量的上限和下限；Ei,Tai表示到达时刻电动汽车i的电池的能量，
Figure BDA0002929221820000027
和
Figure BDA0002929221820000028
分别表示电动汽车i的最大功率和最小功率，Δt表示时间间隔，
Figure BDA0002929221820000029
和
Figure BDA00029292218200000210
表示电动汽车i的电池本身的最大能量和最小能量，Tdi表示电动汽车i的离开时刻，Tai表示电动汽车i的到达时刻，
Figure BDA0002929221820000031
和
Figure BDA0002929221820000032
分别表示从接入电网时间和离开电网时间计算得到的能量下限，
Figure BDA0002929221820000033
表示电动汽车i在充电结束后能达到的预计能量；
根据单个电动汽车的电池能量的上限和下限确定单个电动汽车的功率的上限和下限为：
Figure BDA0002929221820000034
Figure BDA0002929221820000035
其中，
Figure BDA0002929221820000036
和
Figure BDA0002929221820000037
分别表示t时刻电动汽车i的功率的上限和下限；
根据单个电动汽车的电池能量的上限和下限，确定聚合电动汽车的能量的边界为：
Figure BDA0002929221820000038
Figure BDA0002929221820000039
其中，
Figure BDA00029292218200000310
和
Figure BDA00029292218200000311
分别表示t时刻聚合电动汽车j的能量的上限和下限；
根据单个电动汽车的功率的上限和下限，确定聚合电动汽车的功率的边界为：
Figure BDA00029292218200000312
Figure BDA00029292218200000313
其中，
Figure BDA00029292218200000314
和
Figure BDA00029292218200000315
分别表示t时聚合电动汽车j的功率的下限和上限。
可选的，所述根据聚合电动汽车的灵活性，构建包含聚合电动汽车、光伏发电和刚性负荷的光伏产消者的第一虚拟电池模型，具体包括：
利用光伏发电和刚性负荷的不可控功率，修正聚合电动汽车的灵活性，获得虚拟电池模型的灵活性为：
Figure BDA00029292218200000316
Figure BDA00029292218200000317
Figure BDA0002929221820000041
Figure BDA0002929221820000042
根据虚拟电池模型的灵活性，构建包含聚合电动汽车、光伏发电和刚性负荷的光伏产消者的第一虚拟电池模型为：
Figure BDA0002929221820000043
Figure BDA0002929221820000044
Figure BDA0002929221820000045
其中，
Figure BDA0002929221820000046
和
Figure BDA0002929221820000047
分别表示t时刻虚拟电池j的功率的下限和上限，
Figure BDA0002929221820000048
表示t时刻虚拟电池j的功率变量，
Figure BDA0002929221820000049
和
Figure BDA00029292218200000410
分别表示t时刻虚拟电池j的能量的下限和上限，
Figure BDA00029292218200000411
表示t时刻虚拟电池j的能量变量；
Figure BDA00029292218200000412
表示t+1时刻虚拟电池j的能量变量，Δt表示时间间隔，
Figure BDA00029292218200000413
表示聚合电动汽车的模型修正量，
Figure BDA00029292218200000414
Figure BDA00029292218200000415
和
Figure BDA00029292218200000416
分别表示电动汽车i到达电网和离开电网的能量状态，Ne表示电动汽车的数量；
Figure BDA00029292218200000417
表示t时刻的光伏发电和刚性负荷的不可控功率。
可选的，所述采用蒙特卡洛算法将所述第一虚拟电池模型转换为带有鲁棒边界的概率化的第二虚拟电池模型，具体包括：
采用蒙特卡洛算法将所述第一虚拟电池模型转换为带有鲁棒边界的概率化的第二虚拟电池模型为：
Figure BDA00029292218200000418
Figure BDA00029292218200000419
Figure BDA00029292218200000420
Figure BDA00029292218200000421
其中，Eo表示初始虚拟电池的容量状态，
Figure BDA00029292218200000422
表示τ时刻虚拟电池的功率变量，
Figure BDA00029292218200000423
表示τ时刻由于聚合EV到达或离开虚拟电池的能量交换量，
Figure BDA00029292218200000424
表示t时刻虚拟电池能量上限，
Figure BDA00029292218200000425
表示t时刻虚拟电池能量下限，
Figure BDA00029292218200000426
表示t时刻虚拟电池的功率变量，
Figure BDA0002929221820000051
表示t时刻虚拟电池功率上限，
Figure BDA0002929221820000052
表示t时刻虚拟电池功率下限，
Figure BDA0002929221820000053
表示不可控部分在t时刻第k个场景内用虚拟电池模型表示的功率的不确定度，
Figure BDA0002929221820000054
表示聚合电动汽车在t时刻第k个场景内用虚拟电池模型表示的功率的不确定度，
Figure BDA0002929221820000055
表示聚合电动汽车在t时刻第k个场景内用虚拟电池模型表示的能量的不确定度。
可选的，所述旋转备用容量约束条件为：
Figure BDA0002929221820000056
Figure BDA0002929221820000057
其中，Rj,t表示t时刻虚拟电池j提供的旋转备用容量，
Figure BDA0002929221820000058
表示t时刻虚拟电池j提供的旋转备用容量的限值，
Figure BDA0002929221820000059
表示t时刻虚拟电池j的功率变量，
Figure BDA00029292218200000510
表示t时刻虚拟电池j的功率的上限；
所述备用能量约束条件为：
Figure BDA00029292218200000511
Figure BDA00029292218200000512
其中，
Figure BDA00029292218200000513
表示t+1时刻虚拟电池j提供的备用能量，
Figure BDA00029292218200000514
表示t时刻虚拟电池j提供的备用能量，Δt表示时间间隔，
Figure BDA00029292218200000515
和
Figure BDA00029292218200000516
分别表示t时刻虚拟电池j的能量的下限和上限，Ej,t表示待求解的最优备用容量。
一种基于虚拟电池模型的光伏产消者能量建模系统，所述建模系统包括：
聚合电动汽车的灵活性确定模块，用于根据单个电动汽车的灵活性，确定聚合电动汽车的灵活性；聚合电动汽车的灵活性包括聚合电动汽车的能量的边界和功率的边界；
第一虚拟电池模型构建模块，用于根据聚合电动汽车的灵活性，构建包含聚合电动汽车、光伏发电和刚性负荷的光伏产消者的第一虚拟电池模型；
模型转换模块，用于采用蒙特卡洛算法将所述第一虚拟电池模型转换为带有鲁棒边界的概率化的第二虚拟电池模型；
最优备用容量求解模块，用于求解所述第二虚拟电池模型，确定满足旋转备用容量约束条件和备用能量约束条件且使日前能量费用最小的备用容量，作为光伏产消者能够提供的最优备用容量。
可选的，所述聚合电动汽车的灵活性确定模块，具体包括：
单个电动汽车的能量边界确定子模块，用于确定单个电动汽车的电池能量的上限和下限为：
Figure BDA0002929221820000061
Figure BDA0002929221820000062
Figure BDA0002929221820000063
Figure BDA0002929221820000064
其中，
Figure BDA0002929221820000065
和
Figure BDA0002929221820000066
分别表示t时刻电动汽车i的电池能量的上限和下限；Ei,Tai表示到达时刻电动汽车i的电池的能量，
Figure BDA0002929221820000067
和
Figure BDA0002929221820000068
分别表示电动汽车i的最大功率和最小功率，Δt表示时间间隔，
Figure BDA0002929221820000069
和
Figure BDA00029292218200000610
表示电动汽车i的电池本身的最大能量和最小能量，Tdi表示电动汽车i的离开时刻，Tai表示电动汽车i的到达时刻，
Figure BDA00029292218200000611
和
Figure BDA00029292218200000612
分别表示从接入电网时间和离开电网时间计算得到的能量下限，
Figure BDA00029292218200000613
表示电动汽车i在充电结束后能达到的预计能量；
单个电动汽车的功率边界确定子模块，根据单个电动汽车的电池能量的上限和下限确定单个电动汽车的功率的上限和下限为：
Figure BDA00029292218200000614
Figure BDA00029292218200000615
其中，
Figure BDA00029292218200000616
和
Figure BDA00029292218200000617
分别表示t时刻电动汽车i的功率的上限和下限；
聚合电动汽车的能量边界确定子模块，用于根据单个电动汽车的电池能量的上限和下限，确定聚合电动汽车的能量的边界为：
Figure BDA00029292218200000618
Figure BDA00029292218200000619
其中，
Figure BDA00029292218200000620
和
Figure BDA00029292218200000621
分别表示t时刻聚合电动汽车j的能量的上限和下限；
聚合电动汽车的功率边界确定子模块，用于根据单个电动汽车的功率的上限和下限，确定聚合电动汽车的功率的边界为：
Figure BDA0002929221820000071
Figure BDA0002929221820000072
其中，
Figure BDA0002929221820000073
和
Figure BDA0002929221820000074
分别表示t时聚合电动汽车j的功率的下限和上限。
可选的，所述第一虚拟电池模型构建模块，具体包括：
灵活性修正子模块，用于利用光伏发电和刚性负荷的不可控功率，修正聚合电动汽车的灵活性，获得虚拟电池模型的灵活性为：
Figure BDA0002929221820000075
Figure BDA0002929221820000076
Figure BDA0002929221820000077
Figure BDA0002929221820000078
第一虚拟电池模型构建子模块，用于根据虚拟电池模型的灵活性，构建包含聚合电动汽车、光伏发电和刚性负荷的光伏产消者的第一虚拟电池模型为：
Figure BDA0002929221820000079
Figure BDA00029292218200000710
Figure BDA00029292218200000711
其中，
Figure BDA00029292218200000712
和
Figure BDA00029292218200000713
分别表示t时刻虚拟电池j的功率的下限和上限，
Figure BDA00029292218200000714
表示t时刻虚拟电池j的功率变量，
Figure BDA00029292218200000715
和
Figure BDA00029292218200000716
分别表示t时刻虚拟电池j的能量的下限和上限，
Figure BDA00029292218200000717
表示t时刻虚拟电池j的能量变量；
Figure BDA00029292218200000718
表示t+1时刻虚拟电池j的能量变量，Δt表示时间间隔，
Figure BDA00029292218200000719
表示聚合电动汽车的模型修正量，
Figure BDA00029292218200000720
Figure BDA00029292218200000721
和
Figure BDA00029292218200000722
分别表示电动汽车i到达电网和离开电网的能量状态，Ne表示电动汽车的数量；
Figure BDA00029292218200000723
表示t时刻的光伏发电和刚性负荷的不可控功率。
可选的，所述模型转换模块，具体包括：
模型转换子模块，用于采用蒙特卡洛算法将所述第一虚拟电池模型转换为带有鲁棒边界的概率化的第二虚拟电池模型为：
Figure BDA0002929221820000081
Figure BDA0002929221820000082
Figure BDA0002929221820000083
Figure BDA0002929221820000084
其中，Eo表示初始虚拟电池的容量状态，
Figure BDA0002929221820000085
表示τ时刻虚拟电池的功率变量，
Figure BDA0002929221820000086
表示τ时刻由于聚合EV到达或离开虚拟电池的能量交换量，
Figure BDA0002929221820000087
表示t时刻虚拟电池能量上限，
Figure BDA0002929221820000088
表示t时刻虚拟电池能量下限，
Figure BDA0002929221820000089
表示t时刻虚拟电池的功率变量，
Figure BDA00029292218200000810
表示t时刻虚拟电池功率上限，
Figure BDA00029292218200000811
表示t时刻虚拟电池功率下限，
Figure BDA00029292218200000812
表示不可控部分在t时刻第k个场景内用虚拟电池模型表示的功率的不确定度，
Figure BDA00029292218200000813
表示聚合电动汽车在t时刻第k个场景内用虚拟电池模型表示的功率的不确定度，
Figure BDA00029292218200000814
表示聚合电动汽车在t时刻第k个场景内用虚拟电池模型表示的能量的不确定度。
可选的，所述旋转备用容量约束条件为：
Figure BDA00029292218200000815
Figure BDA00029292218200000816
其中，Rj,t表示t时刻虚拟电池j提供的旋转备用容量，
Figure BDA00029292218200000817
表示t时刻虚拟电池j提供的旋转备用容量的限值，
Figure BDA00029292218200000818
表示t时刻虚拟电池j的功率变量，
Figure BDA00029292218200000819
表示t时刻虚拟电池j的功率的上限；
所述备用能量约束条件为：
Figure BDA00029292218200000820
Figure BDA00029292218200000821
其中，
Figure BDA00029292218200000822
表示t+1时刻虚拟电池j提供的备用能量，
Figure BDA00029292218200000823
表示t时刻虚拟电池j提供的备用能量，Δt表示时间间隔，
Figure BDA00029292218200000824
和
Figure BDA00029292218200000825
分别表示t时刻虚拟电池j的能量的下限和上限，Ej,t表示待求解的最优备用容量。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明公开了一种基于虚拟电池模型的光伏产消者能量建模方法，所述建模方法包括如下步骤：根据单个电动汽车的灵活性，确定聚合电动汽车的灵活性；根据聚合电动汽车的灵活性，构建包含聚合电动汽车、光伏发电和刚性负荷的光伏产消者的第一虚拟电池模型；采用蒙特卡洛算法将所述第一虚拟电池模型转换为带有鲁棒边界的概率化的第二虚拟电池模型；求解所述第二虚拟电池模型，确定满足旋转备用容量约束条件和备用能量约束条件且使日前能量费用最小的备用容量，作为光伏产消者能够提供的最优备用容量。本发明的建模方法，能够充分描述区域内聚合电动汽车的灵活性资源，表征其功率和能量上下限，并体现其不确定性，为其大规模应用于电网调度提供基础。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的一种基于虚拟电池模型的光伏产消者能量建模方法的流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
本发明的目的是提供一种基于虚拟电池模型的光伏产消者能量建模方法及系统，以实现充分描述光伏产消者能量的随机灵活性，进而提高优化效率和精度。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，本发明提供一种基于虚拟电池模型的光伏产消者能量建模方法，所述建模方法包括如下步骤：
步骤101，根据单个电动汽车的灵活性，确定聚合电动汽车的灵活性；聚合电动汽车的灵活性包括聚合电动汽车的能量的边界和功率的边界。
步骤101，所述根据单个电动汽车的灵活性，确定聚合电动汽车的灵活性，具体包括：
基于电动汽车i的电池特性和驾驶信息，可用极端情况分析法如式(1a)-1(1d)所示计算到达时间Tai，离开时间Tdi，电池本身能量上下限
Figure BDA0002929221820000101
t时刻电池能量上下限
Figure BDA0002929221820000102
注意
Figure BDA0002929221820000103
要保证EV在充电结束后能达到预计能量
Figure BDA0002929221820000104
确定单个电动汽车的电池能量的上限和下限为：
Figure BDA0002929221820000105
Figure BDA0002929221820000106
Figure BDA0002929221820000107
Figure BDA0002929221820000108
其中，
Figure BDA0002929221820000109
和
Figure BDA00029292218200001010
分别表示t时刻电动汽车i的电池能量的上限和下限；Ei,Tai表示到达时刻电动汽车i的电池的能量，
Figure BDA00029292218200001011
和
Figure BDA00029292218200001012
分别表示电动汽车i的最大功率和最小功率，Δt表示时间间隔，
Figure BDA00029292218200001013
和
Figure BDA00029292218200001014
表示电动汽车i的电池本身的最大能量和最小能量，Tdi表示电动汽车i的离开时刻，Tai表示电动汽车i的到达时刻，
Figure BDA00029292218200001015
和
Figure BDA00029292218200001016
分别表示从接入电网时间和离开电网时间计算得到的能量下限，
Figure BDA00029292218200001017
表示电动汽车i在充电结束后能达到的预计能量；
根据单个电动汽车的电池能量的上限和下限确定单个电动汽车的功率的上限和下限如式(2a)-(2b)所示。
Figure BDA00029292218200001018
Figure BDA00029292218200001019
其中，
Figure BDA00029292218200001020
和
Figure BDA00029292218200001021
分别表示t时刻电动汽车i的功率的上限和下限；
在此基础上，用虚拟电池模型描述光伏产消者灵活性，即，聚合电动汽车的灵活性；
利用单个电动汽车各自的能量可行域可得到用虚拟电池模型描述的聚合电动汽车灵活性，单个电动汽车的能量和功率上下限求和可求得新的能量和功率边界，计算公式如式(3a)-(3d)所示。具体的，
根据单个电动汽车的电池能量的上限和下限，确定聚合电动汽车的能量的边界为：
Figure BDA0002929221820000111
Figure BDA0002929221820000112
其中，
Figure BDA0002929221820000113
和
Figure BDA0002929221820000114
分别表示t时刻聚合电动汽车j的能量的上限和下限；
根据单个电动汽车的功率的上限和下限，确定聚合电动汽车的功率的边界为：
Figure BDA0002929221820000115
Figure BDA0002929221820000116
其中，
Figure BDA0002929221820000117
和
Figure BDA0002929221820000118
分别表示t时聚合电动汽车j的功率的下限和上限。
步骤102，根据聚合电动汽车的灵活性，构建包含聚合电动汽车、光伏发电和刚性负荷的光伏产消者的第一虚拟电池模型。
步骤102所述根据聚合电动汽车的灵活性，构建包含聚合电动汽车、光伏发电和刚性负荷的光伏产消者的第一虚拟电池模型，具体包括：
利用光伏发电和刚性负荷的不可控功率，修正聚合电动汽车的灵活性，获得虚拟电池模型的灵活性为：
Figure BDA0002929221820000119
Figure BDA00029292218200001110
Figure BDA0002929221820000121
Figure BDA0002929221820000122
根据虚拟电池模型的灵活性，构建包含聚合电动汽车、光伏发电和刚性负荷的光伏产消者的第一虚拟电池模型为：
Figure BDA0002929221820000123
Figure BDA0002929221820000124
Figure BDA0002929221820000125
其中，
Figure BDA0002929221820000126
和
Figure BDA0002929221820000127
分别表示t时刻虚拟电池j的功率的下限和上限，
Figure BDA0002929221820000128
表示t时刻虚拟电池j的功率变量，
Figure BDA0002929221820000129
和
Figure BDA00029292218200001210
分别表示t时刻虚拟电池j的能量的下限和上限，
Figure BDA00029292218200001211
表示t时刻虚拟电池j的能量变量；
Figure BDA00029292218200001212
表示t+1时刻虚拟电池j的能量变量，Δt表示时间间隔，
Figure BDA00029292218200001213
表示聚合电动汽车的模型修正量，
Figure BDA00029292218200001214
Figure BDA00029292218200001215
和
Figure BDA00029292218200001216
分别表示电动汽车i到达电网和离开电网的能量状态，Ne表示电动汽车的数量；
Figure BDA00029292218200001217
表示t时刻的光伏发电和刚性负荷的不可控功率。
具体的，由于聚合灵活性来自于单个接入电网的电动汽车，因此在时变虚拟电池模型中，应考虑电动汽车到达和离开电网的能量状态。电动汽车i到达和离开电网的能量状态可分别用下式表示：
Figure BDA00029292218200001218
Figure BDA00029292218200001219
上式中，Wi,t是t时刻EVi和电网相连的状态，数值是0或1。因此，可以提出修正聚合电动汽车的虚拟电池模型公式，如式(4c)所示：
Figure BDA00029292218200001220
基于上述方法，由聚合电动汽车形成的虚拟电池模型可用下式表示：
Figure BDA00029292218200001221
Figure BDA00029292218200001222
Figure BDA0002929221820000131
上式中，
Figure BDA0002929221820000132
是t时刻虚拟电池的功率变量，
Figure BDA0002929221820000133
是t时刻虚拟电池的能量变量。
对于非时变的不可控部分，包括光伏出力和传统负荷，可在一天中离散的时间间隔上进行优化，认为在每个时间间隔内不可控功率
Figure BDA0002929221820000134
是恒定的，即不可控部分向系统提供或消耗能量为
Figure BDA0002929221820000135
换句话说，可以将能量
Figure BDA0002929221820000136
加到式(3a)上，同样可以将功率
Figure BDA0002929221820000137
加到式(3b)上，并带入式(5a)-(5c)得到包含聚合电动汽车、光伏发电和刚性负荷的光伏产消者的第一虚拟电池模型。
步骤103，采用蒙特卡洛算法将所述第一虚拟电池模型转换为带有鲁棒边界的概率化的第二虚拟电池模型。
由于聚合电动汽车的不确定性，基于确定模型的最优调度计划在实际运行中可能会失败，为解决这个问题，提出鲁棒边界的虚拟电池模型。基于历史运行数据，用蒙特卡洛模拟生成场景并建立基于概率的虚拟电池模型，由此提出考虑鲁棒优化和场景生成的机会约束优化问题解决方法。该方法中不确定变量的一般线性约束如式(6)所示：
aq·x+wq(σ)≤bq (6)
上式中，aq和bq是系数；x是决策变量；wq(σ)代表不确定性，并且是随机变量σ的函数。考虑式(5a)-(5c)中第一虚拟电池模型不确定性，结合式(6)，获得概率化的虚拟电池模型如式(7a)-(7d)所示：
Figure BDA0002929221820000138
Figure BDA0002929221820000139
Figure BDA00029292218200001310
Figure BDA00029292218200001311
上式中，wE,t(σ)和wP,t(σ)分别是代表虚拟电池模型能量和功率不确定性的随机变量。
公式(6)的机会约束公式如式(8)所示：
Figure BDA0002929221820000141
上式中，Ncon代表不等式约束的数量。式(8)意味着任何满足机会约束(6)的x在ε可行域内。随机变量wq的上下限可以按照下式获得：
Figure BDA0002929221820000142
Figure BDA0002929221820000143
因为所有关于决策变量的目标函数和约束条件都是凸的，约束条件(10)也可以写作(11a)：
Figure BDA0002929221820000144
上式中，Nq是场景数量，依赖于不确定函数wq(σ)的数量，场景数量由式(11b)决定：
Figure BDA0002929221820000145
上式中，e是欧拉常数，因为置信度γ只影响设置的样本对数，所以它可以设置的很小。
式(11a)的最优解是
Figure BDA0002929221820000146
借助笛卡尔乘积
Figure BDA0002929221820000147
可以建立超矩形
Figure BDA0002929221820000148
得到式(8)的如下的鲁棒边界：
Figure BDA0002929221820000149
根据式(7)-(12)和约束条件的结构，式(12)可以详细写作式(13)即本发明的第二虚拟电池模型：
Figure BDA00029292218200001410
Figure BDA00029292218200001411
Figure BDA00029292218200001412
Figure BDA00029292218200001413
上式中，
Figure BDA00029292218200001414
代表聚合电动汽车在t时刻第k个场景内用虚拟电池模型表示的能量的不确定度；
Figure BDA00029292218200001415
和
Figure BDA00029292218200001416
分别代表聚合电动汽车和不可控部分在t时刻第k个场景内用虚拟电池模型表示的功率的不确定度。
上述方法不像基于场景的方法那样依赖决策变量x的数量，而是依赖不确定向量的维数和约束条件的个数。通过蒙特卡洛模拟得到的聚合灵活性可以使运算更加高效。
步骤104，求解所述第二虚拟电池模型，确定满足旋转备用容量约束条件和备用能量约束条件且使日前能量费用最小的备用容量，作为光伏产消者能够提供的最优备用容量。
考虑到经济收益，灵活的光伏产消者可以参与辅助服务市场。认为光伏产消者参加的辅助服务市场为电网提供旋转备用，一旦需要旋转备用容量，产消者可以提供一定时间的备用容量，因此，通过产消者能量管理系统最小化日前能量费用可得到产消者提供的备用容量。根据虚拟电池模型，能提供的旋转备用容量有以下约束条件：
Figure BDA0002929221820000151
Figure BDA0002929221820000152
上式中，
Figure BDA0002929221820000153
代表旋转备用容量限制；Rj,t代表功率。约束条件(14b)保证提供这样的备用不会超过虚拟电池功率上限。进一步，旋转备用容量受持续时间限制，这意味着必须考虑受虚拟电池模型限制的旋转备用容量。备用能量依赖于激活的产消者资源提供的旋转备用功率，如下式所示：
Figure BDA0002929221820000154
上式中，
Figure BDA0002929221820000155
起始状态是0。备用能量上下限受整体能量约束，如下式所示：
Figure BDA0002929221820000156
作为另一种实施方式，本发明的建模方法可概括为如下步骤：
光伏产消者参与日前能量市场和备用市场模型；
用虚拟电池模型描述单个电动汽车灵活性；
整合电动汽车，构建包含聚合电动汽车、光伏发电、刚性负荷的光伏产消者虚拟电池模型；
鲁棒虚拟电池模型边界；
构建光伏产消者提供备用模型。
其中，所述光伏产消者参与日前能量市场和备用市场模型，具体包括：
需要有合适的模型描述光伏产消者。
所述需要有合适的模型描述光伏产消者，具体包括：用虚拟电池模型描述单个电动汽车灵活性。
具体步骤为：
步骤1：采集EVi的电池特性和驾驶信息，例如到达时间Tai，离开时间Tdi。
步骤2：将步骤1中采集得到的EVi的电池特性和驾驶信息用极端情况分析法如式(1a)-(1d)所示计算，得到t时刻电池能量上下限
Figure BDA0002929221820000161
注意
Figure BDA0002929221820000162
要保证EV在充电结束后能达到预计能量
Figure BDA0002929221820000163
步骤3：步骤2中能量上下限同样影响相应时期功率上下限，如式(2a)-(2b)所示：
步骤4：利用步骤2,3得到的单个电动汽车各自的能量可行域可得到用虚拟电池模型描述的聚合电动汽车灵活性，单个电动汽车的能量和功率上下限求和可求得新的能量和功率边界，计算公式如式(3a)-(3d)。
步骤5：采集t时刻EVi和电网相连的状态，用Wi,t表示，数值是0或1，0表示不与电网相连，1表示与电网相连。
步骤6：由于聚合灵活性来自于单个接入电网的电动汽车，因此在时变虚拟电池模型中，应考虑电动汽车到达和离开电网的能量状态。利用步骤2,5得到的数据进行如式(4a)-(4b)的计算，得到电动汽车i到达和离开电网的能量状态。
步骤7：利用步骤6得到的数据进行如式(4c)的计算，得到修正的聚合电动汽车的虚拟电池模型公式。
步骤8：利用步骤4,7得到的数据进行如式(5a)-(5c)的计算，可得到由聚合电动汽车形成的虚拟电池模型。
步骤9：采集非时变不可控部分的功率
Figure BDA0002929221820000171
对于非时变的不可控部分，包括光伏出力和传统负荷，可在一天中离散的时间间隔上进行优化，认为在每个时间间隔内不可控功率
Figure BDA0002929221820000172
是恒定的，即不可控部分向系统提供或消耗能量为
Figure BDA0002929221820000173
步骤10：利用步骤4,9得到的数据，将能量
Figure BDA0002929221820000174
加到式(3a)上，同样可以将功率
Figure BDA0002929221820000175
加到式(3b)上，这样得到包含非时变不可控部分的虚拟电池模型，即为描述光伏产消者的模型。
接下来是鲁棒虚拟电池模型边界的过程：
步骤11：利用步骤8得到的数据按照式(7a)-(7d)进行计算，得到概率化的虚拟电池模型。
说明进行步骤11的数学推导原因：由于聚合电动汽车的不确定性，基于确定模型的最优调度计划在实际运行中可能会失败，为解决这个问题，提出鲁棒边界的虚拟电池模型。基于历史运行数据，用蒙特卡洛模拟生成场景并建立基于概率的虚拟电池模型，由此提出考虑鲁棒优化和场景生成的机会约束优化问题解决方法。该方法中不确定变量的一般线性约束如式(6)所示：
考虑式(5)中虚拟电池模型不确定性，结合式(6)，得到式(7a)-(7d)
步骤12：利用步骤11的数据，根据式(13a)-(13d)处理随机变量wE,t(σ)和wP,t(σ)。
进行步骤12的数学推导原因：公式(6)的机会约束公式如式(8)所示。
式(8)意味着任何满足机会约束(6)的x在ε可行域内。随机变量wq的上下限可以按照下式(9)和(10)获得：
因为所有关于决策变量的目标函数和约束条件都是凸的，约束条件(10)也可以写作式(11a)：
式(11a)中，Nq是场景数量，依赖于不确定函数wq(σ)的数量，场景数量由式(11b)决定。
式(11a)的最优解是
Figure BDA0002929221820000176
借助笛卡尔乘积
Figure BDA0002929221820000177
可以建立超矩形
Figure BDA0002929221820000178
得到式(8)的鲁棒边界如式(12)所示。
根据式(7)-(12)和约束条件的结构，式(12)可以详细写作式(13)。
上述方法不像基于场景的方法那样依赖决策变量x的数量，而是依赖不确定向量的维数和约束条件的个数。通过蒙特卡洛模拟得到的聚合灵活性可以使运算更加高效。
步骤13：利用步骤5的数据，构建光伏产消者提供备用服务的模型。考虑到经济收益，灵活的光伏产消者可以参与辅助服务市场。认为光伏产消者参加的辅助服务市场为电网提供旋转备用，一旦需要旋转备用容量，产消者可以提供一定时间的备用容量，因此，根据虚拟电池模型，能提供的旋转备用容量有式(14a)-(14b)约束条件：
约束条件(14b)保证提供这样的备用不会超过虚拟电池功率上限。进一步，旋转备用容量受持续时间限制，这意味着必须考虑受虚拟电池模型限制的旋转备用容量。备用能量依赖于激活的产消者资源提供的旋转备用功率，如式(14c)和式(14d)所示。
本发明还提供一种基于虚拟电池模型的光伏产消者能量建模系统，所述建模系统包括：
聚合电动汽车的灵活性确定模块，用于根据单个电动汽车的灵活性，确定聚合电动汽车的灵活性；聚合电动汽车的灵活性包括聚合电动汽车的能量的边界和功率的边界。
所述聚合电动汽车的灵活性确定模块，具体包括：
单个电动汽车的能量边界确定子模块，用于确定单个电动汽车的电池能量的上限和下限为：
Figure BDA0002929221820000181
Figure BDA0002929221820000182
Figure BDA0002929221820000183
Figure BDA0002929221820000184
其中，
Figure BDA0002929221820000185
和
Figure BDA0002929221820000186
分别表示t时刻电动汽车i的电池能量的上限和下限；Ei,Tai表示到达时刻电动汽车i的电池的能量，
Figure BDA0002929221820000187
和
Figure BDA0002929221820000188
分别表示电动汽车i的最大功率和最小功率，Δt表示时间间隔，
Figure BDA0002929221820000191
和
Figure BDA0002929221820000192
表示电动汽车i的电池本身的最大能量和最小能量，Tdi表示电动汽车i的离开时刻，Tai表示电动汽车i的到达时刻，
Figure BDA0002929221820000193
和
Figure BDA0002929221820000194
分别表示从接入电网时间和离开电网时间计算得到的能量下限，
Figure BDA0002929221820000195
表示电动汽车i在充电结束后能达到的预计能量；
单个电动汽车的功率边界确定子模块，根据单个电动汽车的电池能量的上限和下限确定单个电动汽车的功率的上限和下限为：
Figure BDA0002929221820000196
Figure BDA0002929221820000197
其中，
Figure BDA0002929221820000198
和
Figure BDA0002929221820000199
分别表示t时刻电动汽车i的功率的上限和下限；
聚合电动汽车的能量边界确定子模块，用于根据单个电动汽车的电池能量的上限和下限，确定聚合电动汽车的能量的边界为：
Figure BDA00029292218200001910
其中，
Figure BDA00029292218200001911
和
Figure BDA00029292218200001912
分别表示t时刻聚合电动汽车j的能量的上限和下限；
聚合电动汽车的功率边界确定子模块，用于根据单个电动汽车的功率的上限和下限，确定聚合电动汽车的功率的边界为：
Figure BDA00029292218200001913
Figure BDA00029292218200001914
其中，
Figure BDA00029292218200001915
和
Figure BDA00029292218200001916
分别表示t时聚合电动汽车j的功率的下限和上限。
第一虚拟电池模型构建模块，用于根据聚合电动汽车的灵活性，构建包含聚合电动汽车、光伏发电和刚性负荷的光伏产消者的第一虚拟电池模型。
所述第一虚拟电池模型构建模块，具体包括：
灵活性修正子模块，用于利用光伏发电和刚性负荷的不可控功率，修正聚合电动汽车的灵活性，获得虚拟电池模型的灵活性为：
Figure BDA0002929221820000201
Figure BDA0002929221820000202
Figure BDA0002929221820000203
Figure BDA0002929221820000204
第一虚拟电池模型构建子模块，用于根据虚拟电池模型的灵活性，构建包含聚合电动汽车、光伏发电和刚性负荷的光伏产消者的第一虚拟电池模型为：
Figure BDA0002929221820000205
Figure BDA0002929221820000206
Figure BDA0002929221820000207
其中，
Figure BDA0002929221820000208
和
Figure BDA0002929221820000209
分别表示t时刻虚拟电池j的功率的下限和上限，
Figure BDA00029292218200002010
表示t时刻虚拟电池j的功率变量，
Figure BDA00029292218200002011
和
Figure BDA00029292218200002012
分别表示t时刻虚拟电池j的能量的下限和上限，
Figure BDA00029292218200002013
表示t时刻虚拟电池j的能量变量；
Figure BDA00029292218200002014
表示t+1时刻虚拟电池j的能量变量，Δt表示时间间隔，
Figure BDA00029292218200002015
表示聚合电动汽车的模型修正量，
Figure BDA00029292218200002016
Figure BDA00029292218200002017
和
Figure BDA00029292218200002018
分别表示电动汽车i到达电网和离开电网的能量状态，Ne表示电动汽车的数量；
Figure BDA00029292218200002019
表示t时刻的光伏发电和刚性负荷的不可控功率。
模型转换模块，用于采用蒙特卡洛算法将所述第一虚拟电池模型转换为带有鲁棒边界的概率化的第二虚拟电池模型。
所述模型转换模块，具体包括：
模型转换子模块，用于采用蒙特卡洛算法将所述第一虚拟电池模型转换为带有鲁棒边界的概率化的第二虚拟电池模型为：
Figure BDA00029292218200002020
Figure BDA00029292218200002021
Figure BDA00029292218200002022
Figure BDA00029292218200002023
其中，Eo表示初始虚拟电池的容量状态，
Figure BDA0002929221820000211
表示τ时刻虚拟电池的功率变量，
Figure BDA0002929221820000212
表示τ时刻由于聚合EV到达或离开虚拟电池的能量交换量，
Figure BDA0002929221820000213
表示t时刻虚拟电池能量上限，
Figure BDA0002929221820000214
表示t时刻虚拟电池能量下限，
Figure BDA0002929221820000215
表示t时刻虚拟电池的功率变量，
Figure BDA0002929221820000216
表示t时刻虚拟电池功率上限，
Figure BDA0002929221820000217
表示t时刻虚拟电池功率下限，
Figure BDA0002929221820000218
表示不可控部分在t时刻第k个场景内用虚拟电池模型表示的功率的不确定度，
Figure BDA0002929221820000219
表示聚合电动汽车在t时刻第k个场景内用虚拟电池模型表示的功率的不确定度，
Figure BDA00029292218200002110
表示聚合电动汽车在t时刻第k个场景内用虚拟电池模型表示的能量的不确定度。
最优备用容量求解模块，用于求解所述第二虚拟电池模型，确定满足旋转备用容量约束条件和备用能量约束条件且使日前能量费用最小的备用容量，作为光伏产消者能够提供的最优备用容量。
所述旋转备用容量约束条件为：
Figure BDA00029292218200002111
Figure BDA00029292218200002112
其中，Rj,t表示t时刻虚拟电池j提供的旋转备用容量，
Figure BDA00029292218200002113
表示t时刻虚拟电池j提供的旋转备用容量的限值，
Figure BDA00029292218200002114
表示t时刻虚拟电池j的功率变量，
Figure BDA00029292218200002115
表示t时刻虚拟电池j的功率的上限；
所述备用能量约束条件为：
Figure BDA00029292218200002116
Figure BDA00029292218200002117
其中，
Figure BDA00029292218200002118
表示t+1时刻虚拟电池j提供的备用能量，
Figure BDA00029292218200002119
表示t时刻虚拟电池j提供的备用能量，Δt表示时间间隔，
Figure BDA00029292218200002120
和
Figure BDA00029292218200002121
分别表示t时刻虚拟电池j的能量的下限和上限，Ej,t表示待求解的最优备用容量。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明公开了一种基于虚拟电池模型的光伏产消者能量建模方法，所述建模方法包括：构建包含光伏发电、聚合电动汽车、刚性负荷的光伏产消者市场运行框架；光伏产消者参与日前能量市场和备用市场模型；用虚拟电池模型描述单个电动汽车灵活性；整合电动汽车，构建包含聚合电动汽车、光伏发电、刚性负荷的光伏产消者虚拟电池模型；鲁棒虚拟电池模型边界；构建光伏产消者提供备用模型。采用本发明的方法建模，能够充分描述区域内聚合电动汽车的灵活性资源，表征其功率和能量上下限，并体现其不确定性，为其大规模应用于电网调度提供基础。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种基于虚拟电池模型的光伏产消者能量建模方法，其特征在于，所述建模方法包括如下步骤：
根据单个电动汽车的灵活性，确定聚合电动汽车的灵活性；聚合电动汽车的灵活性包括聚合电动汽车的能量的边界和功率的边界；
根据聚合电动汽车的灵活性，构建包含聚合电动汽车、光伏发电和刚性负荷的光伏产消者的第一虚拟电池模型；
采用蒙特卡洛算法将所述第一虚拟电池模型转换为带有鲁棒边界的概率化的第二虚拟电池模型；
求解所述第二虚拟电池模型，确定满足旋转备用容量约束条件和备用能量约束条件且使日前能量费用最小的备用容量，作为光伏产消者能够提供的最优备用容量。
2.根据权利要求1所述的基于虚拟电池模型的光伏产消者能量建模方法，其特征在于，所述根据单个电动汽车的灵活性，确定聚合电动汽车的灵活性，具体包括：
确定单个电动汽车的电池能量的上限和下限为：
Figure FDA0002929221810000011
Figure FDA0002929221810000012
Figure FDA0002929221810000013
Figure FDA0002929221810000014
其中，
Figure FDA0002929221810000015
和
Figure FDA0002929221810000016
分别表示t时刻电动汽车i的电池能量的上限和下限；Ei,Tai表示到达时刻电动汽车i的电池的能量，Pi EVMAX和Pi EVMIN分别表示电动汽车i的最大功率和最小功率，Δt表示时间间隔，
Figure FDA0002929221810000017
和
Figure FDA0002929221810000018
表示电动汽车i的电池本身的最大能量和最小能量，Tdi表示电动汽车i的离开时刻，Tai表示电动汽车i的到达时刻，
Figure FDA0002929221810000019
和
Figure FDA00029292218100000110
分别表示从接入电网时间和离开电网时间计算得到的能量下限，
Figure FDA00029292218100000111
表示电动汽车i在充电结束后能达到的预计能量；
根据单个电动汽车的电池能量的上限和下限，确定单个电动汽车的功率的上限和下限为：
Figure FDA0002929221810000021
Figure FDA0002929221810000022
其中，
Figure FDA0002929221810000023
和
Figure FDA0002929221810000024
分别表示t时刻电动汽车i的功率的上限和下限；
根据单个电动汽车的电池能量的上限和下限，确定聚合电动汽车的能量的边界为：
Figure FDA0002929221810000025
其中，
Figure FDA0002929221810000026
和
Figure FDA0002929221810000027
分别表示t时刻聚合电动汽车j的能量的上限和下限，Ne表示电动汽车的数量；
根据单个电动汽车的功率的上限和下限，确定聚合电动汽车的功率的边界为：
Figure FDA0002929221810000028
Figure FDA0002929221810000029
其中，
Figure FDA00029292218100000210
和
Figure FDA00029292218100000211
分别表示t时聚合电动汽车j的功率的下限和上限。
3.根据权利要求2所述的基于虚拟电池模型的光伏产消者能量建模方法，其特征在于，所述根据聚合电动汽车的灵活性，构建包含聚合电动汽车、光伏发电和刚性负荷的光伏产消者的第一虚拟电池模型，具体包括：
利用光伏发电和刚性负荷的不可控功率，修正聚合电动汽车的灵活性，获得虚拟电池模型的灵活性为：
Figure FDA00029292218100000212
Figure FDA00029292218100000213
Figure FDA0002929221810000031
Figure FDA0002929221810000032
根据虚拟电池模型的灵活性，构建包含聚合电动汽车、光伏发电和刚性负荷的光伏产消者的第一虚拟电池模型为：
Figure FDA0002929221810000033
Figure FDA0002929221810000034
Figure FDA0002929221810000035
其中，
Figure FDA0002929221810000036
和
Figure FDA0002929221810000037
分别表示t时刻虚拟电池j的功率的下限和上限，
Figure FDA0002929221810000038
表示t时刻虚拟电池j的功率变量，
Figure FDA0002929221810000039
和
Figure FDA00029292218100000310
分别表示t时刻虚拟电池j的能量的下限和上限，
Figure FDA00029292218100000311
表示t时刻虚拟电池j的能量变量；
Figure FDA00029292218100000312
表示t+1时刻虚拟电池j的能量变量，Δt表示时间间隔，
Figure FDA00029292218100000313
表示聚合电动汽车的模型修正量，
Figure FDA00029292218100000314
Figure FDA00029292218100000315
和
Figure FDA00029292218100000316
分别表示电动汽车i到达电网和离开电网的能量状态；Pt uncon表示t时刻的光伏发电和刚性负荷的不可控功率。
4.根据权利要求1所述的基于虚拟电池模型的光伏产消者能量建模方法，其特征在于，所述采用蒙特卡洛算法将所述第一虚拟电池模型转换为带有鲁棒边界的概率化的第二虚拟电池模型，具体包括：
采用蒙特卡洛算法将所述第一虚拟电池模型转换为带有鲁棒边界的概率化的第二虚拟电池模型为：
Figure FDA00029292218100000317
Figure FDA00029292218100000318
Figure FDA00029292218100000319
Figure FDA00029292218100000320
其中，Eo表示初始虚拟电池的容量状态，
Figure FDA00029292218100000321
表示τ时刻虚拟电池的功率变量，
Figure FDA00029292218100000322
表示τ时刻由于聚合EV到达或离开虚拟电池的能量交换量，
Figure FDA00029292218100000323
表示t时刻虚拟电池能量上限，
Figure FDA00029292218100000324
表示t时刻虚拟电池能量下限，Pt VB表示t时刻虚拟电池的功率变量，Pt VBmax表示t时刻虚拟电池功率上限，Pt VBmin表示t时刻虚拟电池功率下限，
Figure FDA0002929221810000041
表示不可控部分在t时刻第k个场景内用虚拟电池模型表示的功率的不确定度，
Figure FDA0002929221810000042
表示聚合电动汽车在t时刻第k个场景内用虚拟电池模型表示的功率的不确定度，
Figure FDA0002929221810000043
表示聚合电动汽车在t时刻第k个场景内用虚拟电池模型表示的能量的不确定度。
5.根据权利要求1所述的基于虚拟电池模型的光伏产消者能量建模方法，其特征在于，所述旋转备用容量约束条件为：
Figure FDA0002929221810000044
Figure FDA0002929221810000045
其中，Rj,t表示t时刻虚拟电池j提供的旋转备用容量，
Figure FDA0002929221810000046
表示t时刻虚拟电池j提供的旋转备用容量的限值，
Figure FDA0002929221810000047
表示t时刻虚拟电池j的功率变量，
Figure FDA0002929221810000048
表示t时刻虚拟电池j的功率的上限；
所述备用能量约束条件为：
Figure FDA0002929221810000049
Figure FDA00029292218100000410
其中，
Figure FDA00029292218100000411
表示t+1时刻虚拟电池j提供的备用能量，
Figure FDA00029292218100000412
表示t时刻虚拟电池j提供的备用能量，Δt表示时间间隔，
Figure FDA00029292218100000413
和
Figure FDA00029292218100000414
分别表示t时刻虚拟电池j的能量的下限和上限，Ej,t表示待求解的最优备用容量。
6.一种基于虚拟电池模型的光伏产消者能量建模系统，其特征在于，所述建模系统包括：
聚合电动汽车的灵活性确定模块，用于根据单个电动汽车的灵活性，确定聚合电动汽车的灵活性；聚合电动汽车的灵活性包括聚合电动汽车的能量的边界和功率的边界；
第一虚拟电池模型构建模块，用于根据聚合电动汽车的灵活性，构建包含聚合电动汽车、光伏发电和刚性负荷的光伏产消者的第一虚拟电池模型；
模型转换模块，用于采用蒙特卡洛算法将所述第一虚拟电池模型转换为带有鲁棒边界的概率化的第二虚拟电池模型；
最优备用容量求解模块，用于求解所述第二虚拟电池模型，确定满足旋转备用容量约束条件和备用能量约束条件且使日前能量费用最小的备用容量，作为光伏产消者能够提供的最优备用容量。
7.根据权利要求6所述的基于虚拟电池模型的光伏产消者能量建模系统，其特征在于，所述聚合电动汽车的灵活性确定模块，具体包括：
单个电动汽车的能量边界确定子模块，用于确定单个电动汽车的电池能量的上限和下限为：
Figure FDA0002929221810000051
Figure FDA0002929221810000052
Figure FDA0002929221810000053
Figure FDA0002929221810000054
其中，
Figure FDA0002929221810000055
和
Figure FDA0002929221810000056
分别表示t时刻电动汽车i的电池能量的上限和下限；Ei,Tai表示到达时刻电动汽车i的电池的能量，Pi EVMAX和Pi EVMIN分别表示电动汽车i的最大功率和最小功率，Δt表示时间间隔，
Figure FDA0002929221810000057
和
Figure FDA0002929221810000058
表示电动汽车i的电池本身的最大能量和最小能量，Tdi表示电动汽车i的离开时刻，Tai表示电动汽车i的到达时刻，
Figure FDA0002929221810000059
和
Figure FDA00029292218100000510
分别表示从接入电网时间和离开电网时间计算得到的能量下限，
Figure FDA00029292218100000511
表示电动汽车i在充电结束后能达到的预计能量；
单个电动汽车的功率边界确定子模块，根据单个电动汽车的电池能量的上限和下限确定单个电动汽车的功率的上限和下限为：
Figure FDA00029292218100000512
Figure FDA00029292218100000513
其中，
Figure FDA00029292218100000514
和
Figure FDA00029292218100000515
分别表示t时刻电动汽车i的功率的上限和下限；
聚合电动汽车的能量边界确定子模块，用于根据单个电动汽车的电池能量的上限和下限，确定聚合电动汽车的能量的边界为：
Figure FDA00029292218100000516
其中，
Figure FDA0002929221810000061
和
Figure FDA0002929221810000062
分别表示t时刻聚合电动汽车j的能量的上限和下限；
聚合电动汽车的功率边界确定子模块，用于根据单个电动汽车的功率的上限和下限，确定聚合电动汽车的功率的边界为：
Figure FDA0002929221810000063
Figure FDA0002929221810000064
其中，
Figure FDA0002929221810000065
和
Figure FDA0002929221810000066
分别表示t时聚合电动汽车j的功率的下限和上限。
8.根据权利要求7所述的基于虚拟电池模型的光伏产消者能量建模系统，其特征在于，所述第一虚拟电池模型构建模块，具体包括：
灵活性修正子模块，用于利用光伏发电和刚性负荷的不可控功率，修正聚合电动汽车的灵活性，获得虚拟电池模型的灵活性为：
Figure FDA0002929221810000067
Figure FDA0002929221810000068
Figure FDA0002929221810000069
Figure FDA00029292218100000610
第一虚拟电池模型构建子模块，用于根据虚拟电池模型的灵活性，构建包含聚合电动汽车、光伏发电和刚性负荷的光伏产消者的第一虚拟电池模型为：
Figure FDA00029292218100000611
Figure FDA00029292218100000612
Figure FDA00029292218100000613
其中，
Figure FDA00029292218100000614
和
Figure FDA00029292218100000615
分别表示t时刻虚拟电池j的功率的下限和上限，
Figure FDA00029292218100000616
表示t时刻虚拟电池j的功率变量，
Figure FDA00029292218100000617
和
Figure FDA00029292218100000618
分别表示t时刻虚拟电池j的能量的下限和上限，
Figure FDA00029292218100000619
表示t时刻虚拟电池j的能量变量；
Figure FDA00029292218100000620
表示t+1时刻虚拟电池j的能量变量，Δt表示时间间隔，
Figure FDA00029292218100000621
表示聚合电动汽车的模型修正量，
Figure FDA00029292218100000622
Figure FDA00029292218100000623
和
Figure FDA00029292218100000624
分别表示电动汽车i到达电网和离开电网的能量状态，Ne表示电动汽车的数量；Pt uncon表示t时刻的光伏发电和刚性负荷的不可控功率。
9.根据权利要求6所述的基于虚拟电池模型的光伏产消者能量建模系统，其特征在于，所述模型转换模块，具体包括：
模型转换子模块，用于采用蒙特卡洛算法将所述第一虚拟电池模型转换为带有鲁棒边界的概率化的第二虚拟电池模型为：
Figure FDA0002929221810000071
Figure FDA0002929221810000072
Figure FDA0002929221810000073
Figure FDA0002929221810000074
其中，Eo表示初始虚拟电池的容量状态，
Figure FDA0002929221810000075
表示τ时刻虚拟电池的功率变量，
Figure FDA0002929221810000076
表示τ时刻由于聚合EV到达或离开虚拟电池的能量交换量，
Figure FDA0002929221810000077
表示t时刻虚拟电池能量上限，
Figure FDA0002929221810000078
表示t时刻虚拟电池能量下限，Pt VB表示t时刻虚拟电池的功率变量，Pt VBmax表示t时刻虚拟电池功率上限，Pt VBmin表示t时刻虚拟电池功率下限，
Figure FDA0002929221810000079
表示不可控部分在t时刻第k个场景内用虚拟电池模型表示的功率的不确定度，
Figure FDA00029292218100000710
表示聚合电动汽车在t时刻第k个场景内用虚拟电池模型表示的功率的不确定度，
Figure FDA00029292218100000711
表示聚合电动汽车在t时刻第k个场景内用虚拟电池模型表示的能量的不确定度。
10.根据权利要求6所述的基于虚拟电池模型的光伏产消者能量建模系统，其特征在于，所述旋转备用容量约束条件为：
Figure FDA00029292218100000712
Figure FDA00029292218100000713
其中，Rj,t表示t时刻虚拟电池j提供的旋转备用容量，
Figure FDA00029292218100000714
表示t时刻虚拟电池j提供的旋转备用容量的限值，
Figure FDA00029292218100000715
表示t时刻虚拟电池j的功率变量，
Figure FDA00029292218100000716
表示t时刻虚拟电池j的功率的上限；
所述备用能量约束条件为：
Figure FDA00029292218100000717
Figure FDA0002929221810000081
其中，
Figure FDA0002929221810000082
表示t+1时刻虚拟电池j提供的备用能量，
Figure FDA0002929221810000083
表示t时刻虚拟电池j提供的备用能量，Δt表示时间间隔，
Figure FDA0002929221810000084
和
Figure FDA0002929221810000085
分别表示t时刻虚拟电池j的能量的下限和上限，Ej,t表示待求解的最优备用容量。
CN202110143976.4A 2021-02-02 2021-02-02 一种基于虚拟电池模型的光伏产消者能量建模方法及系统 Active CN112883566B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110143976.4A CN112883566B (zh) 2021-02-02 2021-02-02 一种基于虚拟电池模型的光伏产消者能量建模方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110143976.4A CN112883566B (zh) 2021-02-02 2021-02-02 一种基于虚拟电池模型的光伏产消者能量建模方法及系统

Publications (2)

Publication Number Publication Date
CN112883566A true CN112883566A (zh) 2021-06-01
CN112883566B CN112883566B (zh) 2024-02-20

Family

ID=76055781

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110143976.4A Active CN112883566B (zh) 2021-02-02 2021-02-02 一种基于虚拟电池模型的光伏产消者能量建模方法及系统

Country Status (1)

Country Link
CN (1) CN112883566B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116611669A (zh) * 2023-07-17 2023-08-18 华北电力大学 一种需求侧资源可行域聚合方法、系统及电子设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160077507A1 (en) * 2014-09-11 2016-03-17 Gerald Bernard Sheble Resource control by probability tree convolution production cost valuation by iterative equivalent demand duration curve expansion (aka. tree convolution)
CN107947165A (zh) * 2017-11-30 2018-04-20 国网浙江省电力公司经济技术研究院 一种面向调节需求的配电网灵活性评价方法
CN109149557A (zh) * 2018-07-25 2019-01-04 贵州电网有限责任公司 一种考虑直接负荷控制的微网系统经济调度方法
CN111654045A (zh) * 2020-04-08 2020-09-11 国网浙江省电力有限公司 一种电力现货市场下储能系统充放电优化方法
CN111682536A (zh) * 2020-06-24 2020-09-18 上海电力大学 虚拟电厂参与日前双重市场的随机-鲁棒优化运行方法
CN112072703A (zh) * 2020-09-10 2020-12-11 华北电力大学 一种适用新能源接入规划的灵活性评价方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160077507A1 (en) * 2014-09-11 2016-03-17 Gerald Bernard Sheble Resource control by probability tree convolution production cost valuation by iterative equivalent demand duration curve expansion (aka. tree convolution)
CN107947165A (zh) * 2017-11-30 2018-04-20 国网浙江省电力公司经济技术研究院 一种面向调节需求的配电网灵活性评价方法
CN109149557A (zh) * 2018-07-25 2019-01-04 贵州电网有限责任公司 一种考虑直接负荷控制的微网系统经济调度方法
CN111654045A (zh) * 2020-04-08 2020-09-11 国网浙江省电力有限公司 一种电力现货市场下储能系统充放电优化方法
CN111682536A (zh) * 2020-06-24 2020-09-18 上海电力大学 虚拟电厂参与日前双重市场的随机-鲁棒优化运行方法
CN112072703A (zh) * 2020-09-10 2020-12-11 华北电力大学 一种适用新能源接入规划的灵活性评价方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
吴界辰 等: "需求侧资源灵活性刻画及其在 日前优化调度中的应用", 《电工技术学报》, vol. 35, no. 9, pages 1973 - 1984 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116611669A (zh) * 2023-07-17 2023-08-18 华北电力大学 一种需求侧资源可行域聚合方法、系统及电子设备
CN116611669B (zh) * 2023-07-17 2023-09-19 华北电力大学 一种需求侧资源可行域聚合方法、系统及电子设备

Also Published As

Publication number Publication date
CN112883566B (zh) 2024-02-20

Similar Documents

Publication Publication Date Title
Li et al. On the determination of battery energy storage capacity and short-term power dispatch of a wind farm
Shin et al. Plug-in electric vehicle to home (V2H) operation under a grid outage
Morstyn et al. Scalable energy management for low voltage microgrids using multi-agent storage system aggregation
Boujoudar et al. Intelligent control of battery energy storage for microgrid energy management using ANN
Zhang et al. Microgrid cooperative distributed energy scheduling (CoDES) considering battery degradation cost
CN110165715B (zh) 一种将电动汽车储能式充电站接入虚拟电厂的方法
CN111987719B (zh) 一种电动汽车聚合商参与调频的投标方法及装置
CN112542845B (zh) 一种计及频率支撑能力的储能电站参与调峰控制方法
Chowdhury et al. Optimal control of lossy energy storage systems with nonlinear efficiency based on dynamic programming and pontryagin's minimum principle
CN111641233A (zh) 一种考虑新能源及负荷不确定性的电力系统日内灵活调峰方法
CN114498768A (zh) 一种区域智能变电站源荷储优化运行策略生成方法及装置
Zhang et al. Sequence control strategy for hybrid energy storage system for wind smoothing
Gbadega et al. Predictive control of adaptive micro-grid energy management system considering electric vehicles integration
CN115313516A (zh) 一种光伏发电和储能微电网结合的随机优化运行策略
CN108418212A (zh) 一种考虑柔性负荷的电力系统两阶段随机优化调度模型
Ananda-Rao et al. Battery energy storage system assessment in a designed battery controller for load leveling and peak shaving applications
Aluisio et al. Hybrid energy storage system optimization for improving wind power integration
Kryonidis et al. Impact of power smoothing techniques on the long-term performance of battery energy storage systems
CN112883566A (zh) 一种基于虚拟电池模型的光伏产消者能量建模方法及系统
CN117913914A (zh) 基于电量分类的一体化项目并网多时段调度方法及装置
Wee et al. Design of a renewable—Hybrid energy storage power scheme for short-term power dispatch
CN117277390A (zh) 储能设备放电控制方法、装置、电子设备及存储介质
CN111884214A (zh) 适用于园区能量路由器集群的分层优化调度方法及装置
CN107171357A (zh) 一种用于风光储优化配置的复合控制方法
CN115360738B (zh) 一种考虑可控域约束的电动汽车一次调频控制方法

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