CN113300392A - 考虑余电上网的光储充一体化电站优化控制方法 - Google Patents

考虑余电上网的光储充一体化电站优化控制方法 Download PDF

Info

Publication number
CN113300392A
CN113300392A CN202110519857.4A CN202110519857A CN113300392A CN 113300392 A CN113300392 A CN 113300392A CN 202110519857 A CN202110519857 A CN 202110519857A CN 113300392 A CN113300392 A CN 113300392A
Authority
CN
China
Prior art keywords
power
power station
charging integrated
charging
optical storage
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
CN202110519857.4A
Other languages
English (en)
Other versions
CN113300392B (zh
Inventor
陈云辉
曹凌捷
姚俊伟
程锦星
陈波波
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.)
Shanghai Electric Power Design Institute Co Ltd
Original Assignee
Shanghai Electric Power Design Institute 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 Shanghai Electric Power Design Institute Co Ltd filed Critical Shanghai Electric Power Design Institute Co Ltd
Priority to CN202110519857.4A priority Critical patent/CN113300392B/zh
Publication of CN113300392A publication Critical patent/CN113300392A/zh
Application granted granted Critical
Publication of CN113300392B publication Critical patent/CN113300392B/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
    • 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
    • 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
    • G06F30/25—Design optimisation, verification or simulation using particle-based methods
    • 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
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load 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
    • H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
    • 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
    • H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
    • H02J3/14—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by switching loads on to, or off from, network, e.g. progressively balanced loading
    • H02J3/144—Demand-response operation of the power transmission or distribution network
    • 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
    • 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
    • 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
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B70/00—Technologies for an efficient end-user side electric power management and consumption
    • Y02B70/30—Systems integrating technologies related to power network operation and communication or information technologies for improving the carbon footprint of the management of residential or tertiary loads, i.e. smart grids as climate change mitigation technology in the buildings sector, including also the last stages of power distribution and the control, monitoring or operating management systems at local level
    • Y02B70/3225—Demand response systems, e.g. load shedding, peak shaving
    • 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
    • Y04S20/00—Management or operation of end-user stationary applications or the last stages of power distribution; Controlling, monitoring or operating thereof
    • Y04S20/20—End-user application control systems
    • Y04S20/222—Demand response systems, e.g. load shedding, peak shaving

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了考虑余电上网的光储充一体化电站优化控制方法；步骤如下：步骤1、预测光伏发电系统出力；步骤2、预测充电负荷特性；步骤3、建立优化目标；步骤4、建立约束条件，优化模型的约束条件包括光储充一体化电站电力平衡约束、配电变压器的容量约束、储能系统运行约束、光伏发电系统运行约束；步骤5、建立考虑余电上网的光储充一体化电站优化控制策略计算方法。本发明籍由建立以光储充一体化电站购电成本以及损耗成本最小为目标的优化模型，采用粒子群算法更加精确高效的解决光储充一体化电站的控制问题。

Description

考虑余电上网的光储充一体化电站优化控制方法
技术领域
本发明涉及电站控制技术领域，特别涉及考虑余电上网的光储充一体化电站优化控制方法。
背景技术
随着电动汽车数量的持续增加，同时电动汽车充电负荷具有很强的不确定性，大规模电动汽车接入对电网的调度运行尤其是配电网带来了一定挑战。
光储充一体化电站将电动汽车充电桩、光伏发电系统和储能系统有机结合，通过优化控制，可有效降低电动汽车大规模充电给电网带来的冲击，同时还可利用储能系统协同控制，实现光储充一体化电站的经济高效运行。因此光储充一体化电站为解决大规模电动汽车充电提供了巨大潜力。
在现有技术中红，充电站往往仅依靠电动汽车有序充电来调节充电负荷，以降低电动汽车充电对电网的影响，但是这种方式受制于用户的充电体验往往对充电负荷特性的改善作用十分有限。
因此，如何高效精确的解决光储充一体化电站的控制问题成为本领域技术人员急需解决的技术问题。
发明内容
有鉴于现有技术的上述缺陷，本发明提供考虑余电上网的光储充一体化电站优化控制方法，实现的目的是建立以光储充一体化电站购电成本以及损耗成本最小为目标的优化模型，采用粒子群算法更加精确高效的解决光储充一体化电站的控制问题。
为实现上述目的，本发明公开了考虑余电上网的光储充一体化电站优化控制方法；步骤如下：
步骤1、预测光伏发电系统出力，具体为在日前对光储充一体化电站第二天的光伏发电系统出力进行预测；
步骤2、预测充电负荷特性，具体为在日前对光储充一体化电站第二天的充电负荷进行预测；
步骤3、建立优化目标，具体如下：
以光储充一体化电站日运行成本最小为目标，日运行成本包括向电网的购电成本及配电变压器损耗成本，在加上光储充一体化电站的光伏发电系统采用自发自用、余电上网的模式，需要在优化目标中减去余电上网的收益，公式如下：
Figure BDA0003063478670000021
其中，T为调度时刻；Cdown(t)为t调度时段光储充一体化电站向电网购电的成本；Closs(t)为t调度时段光储充一体化电站配电变压器损耗成本；Bup(t)为t调度时段光伏发电系统余电上网的收益；
步骤4、建立约束条件，优化模型的约束条件包括光储充一体化电站电力平衡约束、配电变压器的容量约束、储能系统运行约束、光伏发电系统运行约束；
步骤5、建立考虑余电上网的光储充一体化电站优化控制策略计算方法；
将光伏发电系统出力以及储能系统的充放电功率作为决策变量，采用粒子群算法求解上述优化模型，步骤如下：
在粒子群算法中，每个个体称为一个粒子，每个粒子的位置矢量代表着一个潜在的解：
设zi＝(zi1,zi2,…,zin)为第i个粒子的n维位置矢量，根据设定的适应度函数计算zi当前的适应值，作为衡量粒子当前位置的优劣；
vi＝(vi1,vi2,…,vin)为粒子i的n维飞行速度矢量，即粒子移动的距离；
pi＝(pi1,pi2,…,pin)为粒子i的最佳位置，即粒子i迄今适应度最好的解；
pg＝(pg1,pg2,…,pgn)为整个粒子群迄今搜索到的最优解的位置矢量；
在每次迭代中，粒子根据以下式子更新速度和位置，具体如下：
Figure BDA0003063478670000022
Figure BDA0003063478670000031
其中，
Figure BDA0003063478670000032
是惯性部分，用来表示对于原有速度的继承；ω是惯性权重，起着权衡局部最优能力和全局最优能力的作用；
Figure BDA0003063478670000033
是认知部分，代表了粒子对自身的学习，c1是认知学习因子，r1是取值区间为[0,1]的随机数，用于保持群体的多样性；
Figure BDA0003063478670000034
是社会部分，用来表示粒子间的协作，c2是社会学习因子，r2是取值区间为[0,1]的随机数。
优选的，所述步骤1和所述步骤2中，对光储充一体化电站第二天的光伏发电系统出力，以及充电负荷进行预测的预测时间间隔为15分钟。
优选的，在所述步骤3中，T为96，即15分钟一个调度时刻。
优选的，在所述步骤3中，t调度时段光储充一体化电站向电网购电的成本Cdown(t)由每个调度时刻的电价和购电电量计算得到，公式如下：
Cdown(t)＝p(t)·Pdown(t)·λdown(t)·△t；
其中，p(t)为t调度时段的购电电价；Pdown(t)为t调度时段电网向光储充一体化电站的送电功率；λdown(t)为变量0或者1，1表示t调度时段光储充一体化电站处于购电状态，0则表示示t调度时段光储充一体化电站处于非购电状态；△t为调度时间间隔；
t调度时段光储充一体化电站配电变压器损耗成本Closs(t)由每个调度时刻的电价和配电变压器的电量损耗计算得到，公式如下：
Figure BDA0003063478670000035
其中，η(t)为t调度时段光储充一体化电站的功率因数；Se为配电变压器的容量；Pup(t)为t调度时段光储充一体化电站向电网反送电的功率；λup(t)为变量0或者1，1表示t调度时段光储充一体化电站处于反送电状态，0则表示示t调度时段光储充一体化电站处于非反送电状态；△Pc为配电变压器的短路损耗；
t调度时段光伏发电系统余电上网的收益Bup(t)由每个调度时刻的上网电价和反送电电量计算得到，公式如下：
Bup(t)＝pup(t)·Pup(t)·λup(t)·△t；
其中，pup(t)为t调度时段的上网电价。
更优选的，△t为15分钟。
优选的，所述步骤4中，光储充一体化电站电力平衡约束具体如下：
Pdown(t)·λdown(t)+Ppv(t)+Pdis(t)＝Pup(t)·λup(t)+Pcharge(t)+Pload(t)；
其中，Ppv(t)为t调度时段光伏发电系统的功率；Pdis(t)为t调度时段储能系统的放电功率；Pcharge(t)为t调度时段储能系统的充电功率；Pload(t)为光储充一体化电站的负荷，包括充电负荷和辅助设备负荷。
优选的，所述步骤4中，配电变压器的容量约束具体如下：
Figure BDA0003063478670000041
Figure BDA0003063478670000042
其中，β为变压器的过载系数。
优选的，所述步骤4中，储能系统运行约束包括出力约束以及储能系统SOC约束，具体如下：
Figure BDA0003063478670000043
其中，Pmax为储能系统功率上限；SOC(t)为t调度时段储能系统的荷电状态，反映储能系统的剩余容量；ηcharge为储能系统充电效率；ηdischarge为储能系统放电效率；Srate为储能系统额定容量；式(1)和式(2)表示储能系统充放电的功率限制；式(3)描述的是储能系统剩余电量的能量平衡约束，可以发现储能系统的当前容量由上一时刻的容量和当前时刻的充放电功率决定，同样表述了充放电的效率；式(4)限制了储能系统所有时刻的容量。
优选的，所述步骤4中，光伏发电系统运行约束的光伏发电系统输出功率的上限受自然资源的影响，具体如下：
Ppv,min(t)≤Ppv(t)≤Ppv,max(t)；
其中，Ppv,max(t)、Ppv,min(t)分别为光伏发电系统在t调度时段最大和最小输出功率。
更优选的，在步骤5中，粒子群优化算法的计算流程如下：
步骤5.1、开始k＝0，初始化粒子群，包括每个粒子的位置和速度，计算每个粒子对应的适应度，更新全局最优粒子
Figure BDA0003063478670000051
步骤5.2、k＝k+1，根据所述步骤4中光伏发电系统运行约束更新
Figure BDA0003063478670000052
和新
Figure BDA0003063478670000053
计算每个粒子新位置下的适应度，更新全局最优粒子
Figure BDA0003063478670000054
以及自身最优位置
Figure BDA0003063478670000055
步骤5.3、判断是否收敛，若满足收敛条件，则优化结束，否则重复执行步骤5.2至步骤5.3。
本发明的有益效果：
本发明籍由建立以光储充一体化电站购电成本以及损耗成本最小为目标的优化模型，采用粒子群算法更加精确高效的解决光储充一体化电站的控制问题。
以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本发明的目的、特征和效果。
附图说明
图1示出本发明一实施例中粒子位置调整示意图。
图2示出本发明一实施例中粒子群算法流程图。
具体实施方式
实施例
考虑余电上网的光储充一体化电站优化控制方法；步骤如下：
步骤1、预测光伏发电系统出力，具体为在日前对光储充一体化电站第二天的光伏发电系统出力进行预测；
步骤2、预测充电负荷特性，具体为在日前对光储充一体化电站第二天的充电负荷进行预测；
步骤3、建立优化目标，具体如下：
以光储充一体化电站日运行成本最小为目标，日运行成本包括向电网的购电成本及配电变压器损耗成本，在加上光储充一体化电站的光伏发电系统采用自发自用、余电上网的模式，需要在优化目标中减去余电上网的收益，公式如下：
Figure BDA0003063478670000061
其中，T为调度时刻；Cdown(t)为t调度时段光储充一体化电站向电网购电的成本；Closs(t)为t调度时段光储充一体化电站配电变压器损耗成本；Bup(t)为t调度时段光伏发电系统余电上网的收益；
步骤4、建立约束条件，优化模型的约束条件包括光储充一体化电站电力平衡约束、配电变压器的容量约束、储能系统运行约束、光伏发电系统运行约束；
步骤5、建立考虑余电上网的光储充一体化电站优化控制策略计算方法；
将光伏发电系统出力以及储能系统的充放电功率作为决策变量，采用粒子群算法求解上述优化模型，步骤如下：
在粒子群算法中，每个个体称为一个粒子，每个粒子的位置矢量代表着一个潜在的解：
设zi＝(zi1,zi2,…,zin)为第i个粒子的n维位置矢量，根据设定的适应度函数计算zi当前的适应值，作为衡量粒子当前位置的优劣；
vi＝(vi1,vi2,…,vin)为粒子i的n维飞行速度矢量，即粒子移动的距离；
pi＝(pi1,pi2,…,pin)为粒子i的最佳位置，即粒子i迄今适应度最好的解；
pg＝(pg1,pg2,…,pgn)为整个粒子群迄今搜索到的最优解的位置矢量；
在每次迭代中，粒子根据以下式子更新速度和位置，具体如下：
Figure BDA0003063478670000062
Figure BDA0003063478670000063
其中，
Figure BDA0003063478670000064
是惯性部分，用来表示对于原有速度的继承；ω是惯性权重，起着权衡局部最优能力和全局最优能力的作用；
Figure BDA0003063478670000065
是认知部分，代表了粒子对自身的学习，c1是认知学习因子，r1是取值区间为[0,1]的随机数，用于保持群体的多样性；
Figure BDA0003063478670000066
是社会部分，用来表示粒子间的协作，c2是社会学习因子，r2是取值区间为[0,1]的随机数；如图1所示。
本发明采用自发自用、余电上网的模式下，综合考虑了光储充一体化电站电力平衡约束、配电变压器的容量约束、储能系统运行约束、光伏发电系统运行约束，建立以光储充一体化电站购电成本以及损耗成本最小为目标的优化模型，采用粒子群算法更加精确高效的解决光储充一体化电站的控制问题。
在某些实施例中，步骤1和步骤2中，对光储充一体化电站第二天的光伏发电系统出力，以及充电负荷进行预测的预测时间间隔为15分钟。
在某些实施例中，在步骤3中，T为96，即15分钟一个调度时刻。
在某些实施例中，在步骤3中，t调度时段光储充一体化电站向电网购电的成本Cdown(t)由每个调度时刻的电价和购电电量计算得到，公式如下：
Cdown(t)＝p(t)·Pdown(t)·λdown(t)·△t；
其中，p(t)为t调度时段的购电电价；Pdown(t)为t调度时段电网向光储充一体化电站的送电功率；λdown(t)为变量0或者1，1表示t调度时段光储充一体化电站处于购电状态，0则表示示t调度时段光储充一体化电站处于非购电状态；△t为调度时间间隔；
t调度时段光储充一体化电站配电变压器损耗成本Closs(t)由每个调度时刻的电价和配电变压器的电量损耗计算得到，公式如下：
Figure BDA0003063478670000071
其中，η(t)为t调度时段光储充一体化电站的功率因数；Se为配电变压器的容量；Pup(t)为t调度时段光储充一体化电站向电网反送电的功率；λup(t)为变量0或者1，1表示t调度时段光储充一体化电站处于反送电状态，0则表示示t调度时段光储充一体化电站处于非反送电状态；△Pc为配电变压器的短路损耗；
t调度时段光伏发电系统余电上网的收益Bup(t)由每个调度时刻的上网电价和反送电电量计算得到，公式如下：
Bup(t)＝pup(t)·Pup(t)·λup(t)·△t；
其中，pup(t)为t调度时段的上网电价。
在某些实施例中，△t为15分钟。
在某些实施例中，步骤4中，光储充一体化电站电力平衡约束具体如下：
Pdown(t)·λdown(t)+Ppv(t)+Pdis(t)＝Pup(t)·λup(t)+Pcharge(t)+Pload(t)；
其中，Ppv(t)为t调度时段光伏发电系统的功率；Pdis(t)为t调度时段储能系统的放电功率；Pcharge(t)为t调度时段储能系统的充电功率；Pload(t)为光储充一体化电站的负荷，包括充电负荷和辅助设备负荷。
在某些实施例中，步骤4中，配电变压器的容量约束具体如下：
Figure BDA0003063478670000081
Figure BDA0003063478670000082
其中，β为变压器的过载系数。
在某些实施例中，步骤4中，储能系统运行约束包括出力约束以及储能系统SOC约束，具体如下：
Figure BDA0003063478670000083
其中，Pmax为储能系统功率上限；SOC(t)为t调度时段储能系统的荷电状态，即state of charge的缩写SOC，反映储能系统的剩余容量；ηcharge为储能系统充电效率；ηdischarge为储能系统放电效率；Srate为储能系统额定容量；式(1)和式(2)表示储能系统充放电的功率限制；式(3)描述的是储能系统剩余电量的能量平衡约束，可以发现储能系统的当前容量由上一时刻的容量和当前时刻的充放电功率决定，同样表述了充放电的效率；式(4)限制了储能系统所有时刻的容量。
在某些实施例中，步骤4中，光伏发电系统运行约束的光伏发电系统输出功率的上限受自然资源的影响，具体如下：
Ppv,min(t)≤Ppv(t)≤Ppv,max(t)；
其中，Ppv,max(t)、Ppv,min(t)分别为光伏发电系统在t调度时段最大和最小输出功率。
如图2所示，在某些实施例中，在步骤5中，粒子群优化算法的计算流程如下：
步骤5.1、开始k＝0，初始化粒子群，包括每个粒子的位置和速度，计算每个粒子对应的适应度，更新全局最优粒子
Figure BDA0003063478670000091
步骤5.2、k＝k+1，根据步骤4中光伏发电系统运行约束更新
Figure BDA0003063478670000092
和新
Figure BDA0003063478670000093
计算每个粒子新位置下的适应度，更新全局最优粒子
Figure BDA0003063478670000094
以及自身最优位置
Figure BDA0003063478670000095
步骤5.3、判断是否收敛，若满足收敛条件，则优化结束，否则重复执行步骤5.2至步骤5.3。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (10)

1.考虑余电上网的光储充一体化电站优化控制方法；步骤如下：
步骤1、预测光伏发电系统出力，具体为在日前对光储充一体化电站第二天的光伏发电系统出力进行预测；
步骤2、预测充电负荷特性，具体为在日前对光储充一体化电站第二天的充电负荷进行预测；
步骤3、建立优化目标，具体如下：
以光储充一体化电站日运行成本最小为目标，日运行成本包括向电网的购电成本及配电变压器损耗成本，在加上光储充一体化电站的光伏发电系统采用自发自用、余电上网的模式，需要在优化目标中减去余电上网的收益，公式如下：
Figure FDA0003063478660000011
其中，T为调度时刻；Cdown(t)为t调度时段光储充一体化电站向电网购电的成本；Closs(t)为t调度时段光储充一体化电站配电变压器损耗成本；Bup(t)为t调度时段光伏发电系统余电上网的收益；
步骤4、建立约束条件，优化模型的约束条件包括光储充一体化电站电力平衡约束、配电变压器的容量约束、储能系统运行约束、光伏发电系统运行约束；
步骤5、建立考虑余电上网的光储充一体化电站优化控制策略计算方法；
将光伏发电系统出力以及储能系统的充放电功率作为决策变量，采用粒子群算法求解上述优化模型，步骤如下：
在粒子群算法中，每个个体称为一个粒子，每个粒子的位置矢量代表着一个潜在的解：
设zi＝(zi1,zi2,…,zin)为第i个粒子的n维位置矢量，根据设定的适应度函数计算zi当前的适应值，作为衡量粒子当前位置的优劣；
vi＝(vi1,vi2,…,vin)为粒子i的n维飞行速度矢量，即粒子移动的距离；
pi＝(pi1,pi2,…,pin)为粒子i的最佳位置，即粒子i迄今适应度最好的解；
pg＝(pg1,pg2,…,pgn)为整个粒子群迄今搜索到的最优解的位置矢量；
在每次迭代中，粒子根据以下式子更新速度和位置，具体如下：
Figure FDA0003063478660000021
Figure FDA0003063478660000022
其中，
Figure FDA0003063478660000023
是惯性部分，用来表示对于原有速度的继承；ω是惯性权重，起着权衡局部最优能力和全局最优能力的作用；
Figure FDA0003063478660000024
是认知部分，代表了粒子对自身的学习，c1是认知学习因子，r1是取值区间为[0,1]的随机数，用于保持群体的多样性；
Figure FDA0003063478660000025
是社会部分，用来表示粒子间的协作，c2是社会学习因子，r2是取值区间为[0,1]的随机数。
2.根据权利要求1所述的考虑余电上网的光储充一体化电站优化控制方法，其特征在于，所述步骤1和所述步骤2中，对光储充一体化电站第二天的光伏发电系统出力，以及充电负荷进行预测的预测时间间隔为15分钟。
3.根据权利要求1所述的考虑余电上网的光储充一体化电站优化控制方法，其特征在于，在所述步骤3中，T为96，即15分钟一个调度时刻。
4.根据权利要求1所述的考虑余电上网的光储充一体化电站优化控制方法，其特征在于，在所述步骤3中，t调度时段光储充一体化电站向电网购电的成本Cdown(t)由每个调度时刻的电价和购电电量计算得到，公式如下：
Cdown(t)＝p(t)·Pdown(t)·λdown(t)·△t；
其中，p(t)为t调度时段的购电电价；Pdown(t)为t调度时段电网向光储充一体化电站的送电功率；λdown(t)为变量0或者1，1表示t调度时段光储充一体化电站处于购电状态，0则表示示t调度时段光储充一体化电站处于非购电状态；△t为调度时间间隔；
t调度时段光储充一体化电站配电变压器损耗成本Closs(t)由每个调度时刻的电价和配电变压器的电量损耗计算得到，公式如下：
Figure FDA0003063478660000026
其中，η(t)为t调度时段光储充一体化电站的功率因数；Se为配电变压器的容量；Pup(t)为t调度时段光储充一体化电站向电网反送电的功率；λup(t)为变量0或者1，1表示t调度时段光储充一体化电站处于反送电状态，0则表示示t调度时段光储充一体化电站处于非反送电状态；△Pc为配电变压器的短路损耗；
t调度时段光伏发电系统余电上网的收益Bup(t)由每个调度时刻的上网电价和反送电电量计算得到，公式如下：
Bup(t)＝pup(t)·Pup(t)·λup(t)·△t；
其中，pup(t)为t调度时段的上网电价。
5.根据权利要求4所述的考虑余电上网的光储充一体化电站优化控制方法，其特征在于，△t为15分钟。
6.根据权利要求1所述的考虑余电上网的光储充一体化电站优化控制方法，其特征在于，所述步骤4中，光储充一体化电站电力平衡约束具体如下：
Pdown(t)·λdown(t)+Ppv(t)+Pdis(t)＝Pup(t)·λup(t)+Pcharge(t)+Pload(t)；
其中，Ppv(t)为t调度时段光伏发电系统的功率；Pdis(t)为t调度时段储能系统的放电功率；Pcharge(t)为t调度时段储能系统的充电功率；Pload(t)为光储充一体化电站的负荷，包括充电负荷和辅助设备负荷。
7.根据权利要求1所述的考虑余电上网的光储充一体化电站优化控制方法，其特征在于，所述步骤4中，配电变压器的容量约束具体如下：
Figure FDA0003063478660000031
Figure FDA0003063478660000032
其中，β为变压器的过载系数。
8.根据权利要求1所述的考虑余电上网的光储充一体化电站优化控制方法，其特征在于，所述步骤4中，储能系统运行约束包括出力约束以及储能系统SOC约束，具体如下：
Figure FDA0003063478660000033
其中，Pmax为储能系统功率上限；SOC(t)为t调度时段储能系统的荷电状态，反映储能系统的剩余容量；ηcharge为储能系统充电效率；ηdischarge为储能系统放电效率；Srate为储能系统额定容量；式(1)和式(2)表示储能系统充放电的功率限制；式(3)描述的是储能系统剩余电量的能量平衡约束，可以发现储能系统的当前容量由上一时刻的容量和当前时刻的充放电功率决定，同样表述了充放电的效率；式(4)限制了储能系统所有时刻的容量。
9.根据权利要求1所述的考虑余电上网的光储充一体化电站优化控制方法，其特征在于，所述步骤4中，光伏发电系统运行约束的光伏发电系统输出功率的上限受自然资源的影响，具体如下：
Ppv,min(t)≤Ppv(t)≤Ppv,max(t)；
其中，Ppv,max(t)、Ppv,min(t)分别为光伏发电系统在t调度时段最大和最小输出功率。
10.根据权利要求9所述的考虑余电上网的光储充一体化电站优化控制方法，其特征在于，在步骤5中，粒子群优化算法的计算流程如下：
步骤5.1、开始k＝0，初始化粒子群，包括每个粒子的位置和速度，计算每个粒子对应的适应度，更新全局最优粒子
Figure FDA0003063478660000041
步骤5.2、k＝k+1，根据所述步骤4中光伏发电系统运行约束更新
Figure FDA0003063478660000042
和新
Figure FDA0003063478660000043
计算每个粒子新位置下的适应度，更新全局最优粒子
Figure FDA0003063478660000044
以及自身最优位置
Figure FDA0003063478660000045
步骤5.3、判断是否收敛，若满足收敛条件，则优化结束，否则重复执行步骤5.2至步骤5.3。
CN202110519857.4A 2021-05-13 2021-05-13 考虑余电上网的光储充一体化电站优化控制方法 Active CN113300392B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110519857.4A CN113300392B (zh) 2021-05-13 2021-05-13 考虑余电上网的光储充一体化电站优化控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110519857.4A CN113300392B (zh) 2021-05-13 2021-05-13 考虑余电上网的光储充一体化电站优化控制方法

Publications (2)

Publication Number Publication Date
CN113300392A true CN113300392A (zh) 2021-08-24
CN113300392B CN113300392B (zh) 2022-07-29

Family

ID=77321643

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110519857.4A Active CN113300392B (zh) 2021-05-13 2021-05-13 考虑余电上网的光储充一体化电站优化控制方法

Country Status (1)

Country Link
CN (1) CN113300392B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116451875A (zh) * 2023-06-14 2023-07-18 国网吉林省电力有限公司经济技术研究院 光储充一体站容量优化配置方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106684916A (zh) * 2017-02-16 2017-05-17 上海电力学院 一种带蓄电池的并网光伏系统运行优化方法
US20170337646A1 (en) * 2016-05-19 2017-11-23 Hefei University Of Technology Charging and discharging scheduling method for electric vehicles in microgrid under time-of-use price
CN108565902A (zh) * 2018-04-27 2018-09-21 武汉大学 一种基于光储协调优化的户用型能量调度方法
CN110289622A (zh) * 2019-03-26 2019-09-27 国网浙江省电力有限公司嘉兴供电公司 一种光储充能量路由器的日前经济优化调度方法
CN111055719A (zh) * 2019-12-30 2020-04-24 云南电网有限责任公司 电动汽车充电站收益最大化决策的方法
CN111900727A (zh) * 2020-07-15 2020-11-06 国网上海市电力公司 基于pso的光储充换一体化充电站协同优化调度方法和装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170337646A1 (en) * 2016-05-19 2017-11-23 Hefei University Of Technology Charging and discharging scheduling method for electric vehicles in microgrid under time-of-use price
CN106684916A (zh) * 2017-02-16 2017-05-17 上海电力学院 一种带蓄电池的并网光伏系统运行优化方法
CN108565902A (zh) * 2018-04-27 2018-09-21 武汉大学 一种基于光储协调优化的户用型能量调度方法
CN110289622A (zh) * 2019-03-26 2019-09-27 国网浙江省电力有限公司嘉兴供电公司 一种光储充能量路由器的日前经济优化调度方法
CN111055719A (zh) * 2019-12-30 2020-04-24 云南电网有限责任公司 电动汽车充电站收益最大化决策的方法
CN111900727A (zh) * 2020-07-15 2020-11-06 国网上海市电力公司 基于pso的光储充换一体化充电站协同优化调度方法和装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张国玉等: "面向储能电站调度的光储发电系统运行优化策略研究", 《电力工程技术》 *
顾飞等: "光储系统储能电站的经济优化调度策略", 《电工技术》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116451875A (zh) * 2023-06-14 2023-07-18 国网吉林省电力有限公司经济技术研究院 光储充一体站容量优化配置方法

Also Published As

Publication number Publication date
CN113300392B (zh) 2022-07-29

Similar Documents

Publication Publication Date Title
Hossain et al. Modified PSO algorithm for real-time energy management in grid-connected microgrids
Wu et al. Deep learning adaptive dynamic programming for real time energy management and control strategy of micro-grid
CN112713618B (zh) 基于多场景技术的主动配电网源网荷储协同优化运行方法
CN110119886B (zh) 一种主动配网动态规划方法
Yang et al. Computational scheduling methods for integrating plug-in electric vehicles with power systems: A review
Athari et al. Operational performance of energy storage as function of electricity prices for on-grid hybrid renewable energy system by optimized fuzzy logic controller
CN106410861B (zh) 一种基于可调度能力的微电网优化运行实时控制方法
CN108879746B (zh) 基于多时间尺度需求响应的集中式混合储能协调控制方法
CN108875992B (zh) 一种考虑需求响应的虚拟电厂日前优化调度方法
CN110086187B (zh) 计及负荷特性的储能调峰日前优化调度方法
CN107039975B (zh) 一种分布式能源系统能量管理方法
CN110138006B (zh) 考虑含有新能源电动汽车的多微电网协调优化调度方法
CN108964050A (zh) 基于需求侧响应的微电网双层优化调度方法
CN105680474B (zh) 一种储能抑制光伏电站快速功率变化的控制方法
JP5639540B2 (ja) 蓄電池需給計画作成装置および蓄電池需給計画作成方法
CN111934360B (zh) 基于模型预测控制的虚拟电厂-储能系统能量协同优化调控方法
CN108985524B (zh) 一种多能互补系统的协调控制方法
CN110956324B (zh) 基于改进的moea/d的主动配电网日前高维目标优化调度方法
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
CN113410900A (zh) 基于自适应差分鲸鱼优化的微电网hess优化配置方法及系统
CN108197766A (zh) 一种包含微电网群的主动配电网优化调度模型
CN109167347A (zh) 基于云自适应粒子群多目标电动汽车充放电优化调度方法
CN112508325A (zh) 一种家庭微电网多时间尺度电能调度方法
CN115115130A (zh) 一种基于模拟退火算法的风光储制氢系统日前调度方法
CN113972645A (zh) 基于多智能体深度确定策略梯度算法的配电网优化方法

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