CN113949084A - 一种基于非线性分位数区间预测的充放电优化调度方法 - Google Patents

一种基于非线性分位数区间预测的充放电优化调度方法 Download PDF

Info

Publication number
CN113949084A
CN113949084A CN202111020191.4A CN202111020191A CN113949084A CN 113949084 A CN113949084 A CN 113949084A CN 202111020191 A CN202111020191 A CN 202111020191A CN 113949084 A CN113949084 A CN 113949084A
Authority
CN
China
Prior art keywords
prediction
nonlinear
power
quantile
charge
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
CN202111020191.4A
Other languages
English (en)
Other versions
CN113949084B (zh
Inventor
葛晓琳
李岩
符杨
李振坤
曹士鹏
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 University of Electric Power
Original Assignee
Shanghai University of Electric Power
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 University of Electric Power filed Critical Shanghai University of Electric Power
Priority to CN202111020191.4A priority Critical patent/CN113949084B/zh
Publication of CN113949084A publication Critical patent/CN113949084A/zh
Application granted granted Critical
Publication of CN113949084B publication Critical patent/CN113949084B/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
    • 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
    • H02J3/007—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources
    • H02J3/0075—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources for providing alternative feeding paths between load and source according to economic or energy efficiency considerations, e.g. economic dispatch
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • 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
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/76—Power conversion electric or electronic aspects
    • 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

本发明涉及一种基于非线性分位数区间预测的充放电优化调度方法，包括以下步骤：1)构建非线性分位数回归预测模型，预测得到电动汽车接入、离开时间的区间预测结果；2)通过Stacking融合框架提高预测模型的预测精度，并集成多个非线性预测函数以选择最佳预测结果，并转化为基于分位点的区间预测；3)考虑多种分布式电源以及精细化电池运行相关约束构建鲁棒经济调度模型；4)采用C&CG方法对鲁棒经济调度模型进行求解，获取调度统计信息，包括电动汽车充放电功率及荷电状态、风电光伏出力情况、园区购电功率。与现有技术相比，本发明具有快速可靠、可行性高、适用范围广等优点。

Description

一种基于非线性分位数区间预测的充放电优化调度方法
技术领域
本发明涉及电动汽车优化调度领域，尤其是涉及一种基于非线性分位数区间预测的电动汽车充放电优化调度方法。
背景技术
由于电动汽车(EV)充电和放电需求的不确定性，其并网时间具有随机性、间歇性和时间波动性等特点，这将给园区的优化调度带来困难。
在园区进行优化调度时，EV接入、离开时间难以确知，需进行日前预测，现有技术文献大都基于特定的概率分布函数进行电动汽车接入、离开时间区间预测的。然而，对于小型充电站中的电动汽车，由于样本数量有限，很难有效地计算概率分布参数，因此，如何构建电动汽车接入、离开时间的非参数区间预测仍需进一步研究。
此外，由于电动汽车具有很强的时间随机性和波动性，单一的预测函数无法达到预期的精度。一些现有文献将几种方法结合起来进行负荷功率预测，但它们并没有反映出不同预测算法在数据观测方面的差异，而且每种算法也没有取长补短，得到更好的模型。与此同时，当电动汽车参与调度时，电池充电和放电的安全性是一个需要考虑的因素。现有技术多数对电池构造固定的运行约束，没有动态地对电池运行边界进行分析，并且没有解决电动汽车频繁充放电转换的问题。
因此，急需一种基于非线性分位数区间预测的电动汽车充放电优化调度方法，既能实现精确预测电动汽车接入、离开时间的同时，又能在调度中提高电池充放电的安全性。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于非线性分位数区间预测的充放电优化调度方法。
本发明的目的可以通过以下技术方案来实现：
一种基于非线性分位数区间预测的充放电优化调度方法，包括以下步骤：
1)构建非线性分位数回归预测模型，预测得到电动汽车接入、离开时间的区间预测结果；
2)通过Stacking融合框架提高预测模型的预测精度，并集成多个非线性预测函数以选择最佳预测结果，并转化为基于分位点的区间预测；
3)考虑多种分布式电源以及精细化电池运行相关约束构建鲁棒经济调度模型；
4)采用C&CG方法对鲁棒经济调度模型进行求解，获取调度统计信息，包括电动汽车充放电功率及荷电状态、风电光伏出力情况、园区购电功率。
考虑电动汽车接入和离开时间的预测值和实际值之间的非线性关系，采用非线性函数构建非线性分位数回归预测模型拟合预测值与实际值之间的映射关系，从而得到电动汽车接入、离开时间的区间预测结果。
所述的非线性分位数回归预测模型通过优化以下方程获得模型的参数估计，则有：
Figure BDA0003241602630000021
Figure BDA0003241602630000022
Figure BDA0003241602630000023
其中，τ为分位点，y为实际数据，g(ζ,θ(τ))为非线性函数，θ(τ)＝(α(τ),β(τ),…)T为非线性分位数预测模型的参数，
Figure BDA0003241602630000024
为非线性分位数预测模型的参数估计，ρτ(·)表示响应的测试函数，zn为第n个基于非线性分位数回归的实际数据和拟合数据之间的误差值，N为误差总数，RN表示全体实数，ζ为预测数据，具体表示电动汽车接入、离开时间的预测数据Tf，P(zn＜0)为误差值小于0的概率。
所述的非线性函数包括二次函数、三次函数、指数函数和对数函数。
所述的步骤2)中，Stacking融合框架提高预测模型的预测精度具体为：
根据Stacking融合算法，将原始数据划分为多个训练集，然后将训练集输入到第一层学习模型的每个基学习器中进行训练，第一层学习模型的基学习器为多个非线性函数；
然后将每个基学习器的学习结果输入到第二层学习模型元学习器中进行筛选，得到最终的学习结果，所述的第二层学习模型元学习器采用具有高筛选性能的败者树算法。
所述的步骤2)中，对于给定的置信水平(1-γ)，基于分位点的区间预测结果具体为：
P(Tr∈Hγ|Tf)＝1-γ
Figure BDA0003241602630000031
Figure BDA0003241602630000032
Figure BDA0003241602630000033
Figure BDA0003241602630000034
其中，Hγ为置信区间，P(Tr∈Hγ|Tf)为基于预测数据拟合得到的实际值Tr落入置信区间Hγ的概率，τ、
Figure BDA0003241602630000035
分别为基于置信水平得到的分位点下、上限，
Figure BDA0003241602630000036
分别为置信区间的下、上限，θ(τ)、
Figure BDA0003241602630000037
分别为基于分位点下、上限得到的非线性分位数预测模型的参数。
所述的步骤3)中，考虑风电和光伏发电出力的不确定性，以使园区运营成本最小为目标函数构建鲁棒经济调度模型，则有：
Figure BDA0003241602630000038
其中，Fgrid为园区购电成本，FEV为电动汽车放电成本，Fcur为弃风、弃光成本，T为调度周期，
Figure BDA0003241602630000039
为电网分时电价，
Figure BDA00032416026300000310
为向电网购电功率，
Figure BDA00032416026300000311
为t时刻电动汽车s的充放电功率，Cw和Cpv分别为单位弃风、弃光成本，Nw和Npv分别为园区风电、光伏机组集合，
Figure BDA00032416026300000312
和
Figure BDA00032416026300000313
分别为t时刻风电机组i的预测、实际出力，
Figure BDA00032416026300000314
和
Figure BDA00032416026300000315
为t时刻光伏机组j的预测、实际出力，S为调度电动汽车的集合，Nw、Npv分别为风电机组和光伏机组的集合。
鲁棒经济调度模型的约束条件包括：
A、电动汽车相关约束：
电动汽车相关约束包括精细化电池运行相关约束和电动汽车的充放电功率约束，所述的电动汽车的充放电功率约束具体为：
Figure BDA0003241602630000041
其中，
Figure BDA0003241602630000042
和
Figure BDA0003241602630000043
分别为电动汽车的额定充、放电功率；
B、系统有功功率平衡约束：
Figure BDA0003241602630000044
其中，PD为园区内基础负荷；
C、风电功率约束：
Figure BDA0003241602630000045
Figure BDA0003241602630000046
Figure BDA0003241602630000047
其中，Ww为风电的不确定性集，ΔPi,t为风电预测功率与实际功率的最大偏差量，
Figure BDA0003241602630000048
为风电不确定性集的0/1变量，
Figure BDA0003241602630000049
为风电输出功率的空间约束参数，
Figure BDA00032416026300000410
为风电输出功率的时间约束参数。
D、光伏功率约束
Figure BDA00032416026300000411
Figure BDA00032416026300000412
Figure BDA0003241602630000051
其中，Wpv为光伏的不确定性集，ΔPj,t为光伏预测功率与实际功率的最大偏差量，
Figure BDA0003241602630000052
为光伏不确定性集的0/1变量，
Figure BDA0003241602630000053
为光伏输出功率的空间约束参数；
Figure BDA0003241602630000054
为光伏输出功率的时间约束参数。
所述的步骤3)中，精细化电池运行相关约束包括：
1、精细化SOC运行边界约束，具体包括：
(1)时变SOC边界约束：
Figure BDA0003241602630000055
其中，(t,SOCs(t))为电动汽车当前时刻t的荷电状态，[tin,tout]为电动汽车s接入电网的时段，
Figure BDA0003241602630000056
为电动汽车电池荷电状态的下、上限约束，
Figure BDA0003241602630000057
为用户进入园区时电动汽车的初始电池荷电状态，
Figure BDA0003241602630000058
为用户出行前对电池荷电状态的需求，Es,o为电动汽车的电池容量，
Figure BDA0003241602630000059
和
Figure BDA00032416026300000510
分别为电动汽车的充、放电效率；
(2)SOC爬坡上限约束：
Figure BDA00032416026300000511
(3)SOC爬坡下限约束：
Figure BDA00032416026300000512
电动汽车s的接入时间tin,s、离开时间tout,s的预测区间表示为：
Figure BDA0003241602630000061
Figure BDA0003241602630000062
其中，
Figure BDA0003241602630000063
分别为接入时间拟合值的置信区间的下、上限，
Figure BDA0003241602630000064
分别为离开时间拟合值的置信区间的下、上限；
2、电池最小连续充放电时间约束，则有：
Figure BDA0003241602630000065
其中，
Figure BDA0003241602630000066
为电池充电状态，
Figure BDA0003241602630000067
为电池放电状态，
Figure BDA0003241602630000068
与
Figure BDA0003241602630000069
均为0/1变量，当
Figure BDA00032416026300000610
时，电池充电，
Figure BDA00032416026300000611
时，电池放电或保持不工作状态，当
Figure BDA00032416026300000612
时，电池放电，
Figure BDA00032416026300000613
时，电池充电或保持不工作状态，Ton,s为最小充电时间，Toff,s为最小放电时间，M为一很大的正数。
所述的步骤4)中，采用C&CG算法对鲁棒经济调度模型进行求解，将模型分解为一个主问题和一个子问题，所述的主问题为考虑电池相关约束的园区经济调度优化问题，所述的子问题为风电、光伏不确定性的优化问题，且主问题和子问题通过割集连接，则主问题表示为：
Figure BDA00032416026300000614
子问题表示为：
Figure BDA00032416026300000615
其中，Z表示子问题的目标函数。
与现有技术相比，本发明具有以下优点：
一、快速可靠：本发明能够快速可靠地预测电动汽车接入、离开时间，得出可靠精准的调度信息。
二、可行性高：本发明在鲁棒经济调度模型中考虑了一系列电池运行相关约束和风光出力的不确定性，调度人员可根据调度目标进行安排调度，保证电动汽车调度的合理性以及电池的安全性，获得更具可行性的调度方案。
三、适用范围广：本发明在含电动汽车的鲁棒经济调度模型中以电动汽车的充放电功率和荷电状态作为优化变量，更深一层挖掘电动汽车的调度空间，使调度结果更具灵活性，面对变量繁多的系统时，在求解电力系统中其他随机优化问题时具有巨大潜力。
附图说明
图1为负荷功率各时段的预测值。
图2为风电功率预测区间和光伏功率预测区间，其中，图(2a)为风电功率预测区间，图(2b)为光伏功率预测区间。
图3为四个非线性分位数回归预测函数的拟合曲线，其中，图(3a)为基于二次函数的分位数回归预测，图(3b)为基于三次函数的分位数回归预测，图(3c)为基于指数函数的分位数回归预测，图(3d)为基于对数函数的分位数回归预测。
图4为基于不同区间预测方法得到的接入、离开时间对比，其中，图(4a)为基于不同区间预测方法得到的接入时间对比，图(4b)为基于不同区间预测方法得到的离开时间对比。
图5为电动汽车的充放电方案和SOC曲线。
图6为一天调度中25辆电动汽车的四种方案对比。
图7为本发明的方法流程图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
实施例
如图7所示，本发明提供一种基于非线性分位数区间预测的电动汽车充放电优化调度方法，既能实现精确预测电动汽车接入、离开时间的同时，又能在调度中提高电池充放电的安全性，具体包括以下步骤：
1)首先针对园区内电动汽车接入、离开时间的概率统计参数难以准确估计的问题，提出了一种非线性非参数概率区间预测方法，根据分位数预测原理，结合园区内电动汽车驾驶员的习惯和行为，可以直接预测相应置信区间边界的分位数，该方法克服了区间预测依赖概率统计参数的缺点。
2)其次，针对单一预测函数精度低、可信度低的问题，提出了一种基于Stacking融合框架的多函数预测模型。该模型综合了四种非线性预测函数，采用败者树算法通过强化学习确定最优预测结果。
3)然后，提出了改进的SOC运行边界约束和最小电池充放电持续时间约束，构造了电池动态时变运行边界。通过描述SOC的实时运行曲线和充放电状态转换路径，剖析了电池充放电的动态演化过程，显著降低了电池充放电频率和电池损耗。
4)最后，通过求解鲁棒经济调度模型，获取调度统计信息，包括电动汽车充放电功率及荷电状态、风电光伏出力情况、园区购电功率。
步骤1)中，由于电动汽车行程的不确定性，接入、离开时间的日前预测值与实际值之间存在较大误差。对于任何方法得到的预测值，采用非线性分位数回归拟合预测值与实际值之间的映射关系，从而得到接入、离开时间的区间预测结果，具体模型表达式如下：
电动汽车接入、离开时间的预测数据和实际数据之间的关系是非线性的。为此，使用非线性函数g(ζ,θ(τ))建立分位数回归模型。其中θ(τ)＝(α(τ),β(τ),…)T，是回归模型的参数，通过优化以下方程获得模型的参数估计。
Figure BDA0003241602630000081
Figure BDA0003241602630000082
Figure BDA0003241602630000083
τ表示分位点，y表示实际数据，
Figure BDA0003241602630000084
表示非线性分位数预测模型的参数估计，ρτ(·)表示响应的测试函数，z表示基于非线性分位数回归的实际数据和拟合数据之间的误差值，N为误差总数，RN表示全体实数，ζ为预测数据，具体表示电动汽车接入、离开时间的预测数据Tf，P(zn＜0)为误差值小于0的概率，选取四个典型的非线性函数用于预测模型，则有：
Figure BDA0003241602630000091
因此，四个非线性函数的模型参数估计表示为：
Figure BDA0003241602630000092
通过改变分位数τ的值，估计基于不同分位数下的模型参数。对于提出的电动汽车调度问题，预测数据ζ表示接入、离开时间的预测数据Tf，非线性分位数回归模型如下所示：
Figure BDA0003241602630000093
其中，
Figure BDA0003241602630000094
表示基于不同分位点下的拟合值。
步骤2)中，针对单一预测函数精度低、可信度低的问题，本发明提出了一种基于Stacking融合框架的多函数预测模型，具体为：
根据Stacking融合算法，将原始数据划分为多个训练集，然后将训练集输入到第一层学习模型的每个基学习器中进行训练。然后，将每个基学习器的学习结果输入到第二层学习模型元学习器中进行筛选，得到最终的学习结果。选择四个非线性函数g1(ζ,θ(τ)),g2(ζ,θ(τ)),g3(ζ,θ(τ))和g4(ζ,θ(τ))作为第一层学习模型的基学习器，第二层元学习器使用具有高筛选性能的败者树算法。
非线性分位数区间预测是一种非参数概率预测方法，不需要详细的概率参数。给定置信水平(1-γ)，计算得到电动汽车接入、离开时间在未来时刻的一组分位点，只要分位点间隔设置恰当，这一组分位点即可完整地描述预测对象波动区间的概率分布，可有效把握不确定性信息的变化情况，接入、离开时间的波动区间如下所示：
P(Tr∈Hγ|Tf)＝1-γ
Figure BDA0003241602630000101
Figure BDA0003241602630000102
Figure BDA0003241602630000103
Figure BDA0003241602630000104
其中，Hγ表示置信区间，P(Tr∈Hγ|Tf)为基于预测数据拟合得到的实际值落入置信区间的概率，Tr为基于预测数据拟合得到的实际值，τ、
Figure BDA0003241602630000105
分别为基于置信水平得到的分位点下、上限，
Figure BDA0003241602630000106
分别为置信区间的下、上限，θ(τ)、
Figure BDA0003241602630000107
分别为基于分位点下、上限得到的非线性分位数预测模型的参数。
步骤3)中，考虑风电和光伏发电出力的不确定性，构建鲁棒经济调度模型，目标函数是使园区运营成本最小：
Figure BDA0003241602630000108
Fgrid为园区购电成本，FEV为电动汽车放电成本，Fcur为弃风、弃光成本，T为调度周期，
Figure BDA00032416026300001015
为电网分时电价，Pt grid为向电网购电功率，Cw和Cpv为单位弃风、弃光成本，Nw和Npv为园区风电、光伏机组集合，
Figure BDA0003241602630000109
和
Figure BDA00032416026300001010
为t时刻风电机组i的预测、实际出力，
Figure BDA00032416026300001011
和
Figure BDA00032416026300001012
为t时刻光伏机组j的预测、实际出力，S为调度电动汽车的集合。
约束条件包括：
1)电动汽车相关约束
电动汽车相关约束包括一系列精细化电池运行相关约束和电动汽车的充放电功率约束：
Figure BDA00032416026300001013
2)系统有功功率平衡约束
Figure BDA00032416026300001014
PD为园区内基础负荷。
3)风电功率约束
Figure BDA0003241602630000111
Figure BDA0003241602630000112
Figure BDA0003241602630000113
其中，Ww为风电的不确定性集，ΔPi,t为风电预测功率与实际功率的最大偏差量，
Figure BDA0003241602630000114
为风电不确定性集的0/1变量，
Figure BDA0003241602630000115
为风电输出功率的空间约束参数，
Figure BDA0003241602630000116
为风电输出功率的时间约束参数。
4)光伏功率约束
Figure BDA0003241602630000117
Figure BDA0003241602630000118
Figure BDA0003241602630000119
其中，Wpv为光伏的不确定性集，ΔPj,t为光伏预测功率与实际功率的最大偏差量，
Figure BDA00032416026300001110
为光伏不确定性集的0/1变量，
Figure BDA00032416026300001111
为光伏输出功率的空间约束参数；
Figure BDA00032416026300001112
为光伏输出功率的时间约束参数。
为了研究电池运行的荷电状态，一系列精细化电池运行相关约束，具体表达式如下：
1)精细化SOC运行边界约束
a)时变SOC边界约束：
Figure BDA0003241602630000121
电动汽车当前荷电状态为(t,SOCs(t))，[tin,tout]为电动汽车s接入电网的时段，
Figure BDA0003241602630000122
为电动汽车电池荷电状态的上、下限约束，
Figure BDA0003241602630000123
为用户进入园区时的初始电池荷电状态，
Figure BDA0003241602630000124
为用户出行前对电池荷电状态的需求，
Figure BDA0003241602630000125
和
Figure BDA0003241602630000126
分别为电动汽车的额定充、放电功率，Es,o为电动汽车的电池容量，
Figure BDA0003241602630000127
和
Figure BDA0003241602630000128
分别为电动汽车的充、放电效率。
b)SOC爬坡上限约束：
Figure BDA0003241602630000129
c)SOC爬坡下限约束：
Figure BDA00032416026300001210
接入、离开时间的预测区间如下所示：
Figure BDA00032416026300001211
Figure BDA00032416026300001212
其中，
Figure BDA00032416026300001213
分别为接入时间拟合值的置信区间的下、上限，
Figure BDA00032416026300001214
分别为离开时间拟合值的置信区间的下、上限；根据区间优化原则，如果在所有边界满足约束，则区间中的所有值都满足，这意味着只需考虑与电动汽车最迟接入和最早离开所对应的约束。
2)电池最小连续充放电时间约束
Figure BDA0003241602630000131
Figure BDA0003241602630000132
为电池充电状态，
Figure BDA0003241602630000133
为电池放电状态，
Figure BDA0003241602630000134
与
Figure BDA0003241602630000135
为0/1变量。
Figure BDA0003241602630000136
时，电池充电，
Figure BDA0003241602630000137
时，电池放电或保持不工作状态；
Figure BDA0003241602630000138
时，电池放电，
Figure BDA0003241602630000139
时，电池充电或保持不工作状态。Ton,s为最小充电时间，Toff,s为最小放电时间。M为一很大的正数，
Figure BDA00032416026300001310
为t时刻电动汽车s的充放电功率。
步骤4)中，采用C&CG算法对模型进行求解，将模型分解为一个主问题和一个子问题，主问题为考虑电池相关约束的园区经济调度优化问题，子问题为风电、光伏不确定性的优化问题，主、子问题通过割集连接。
主问题表示为：
Figure BDA00032416026300001311
子问题表示为：
Figure BDA00032416026300001312
其中，Z表示子问题的目标函数。
求解的流程具体如下：
41)设定下界LB＝0，上界UB＝+∞，收敛误差ε≥0，迭代次数l＝0，解空间Ο＝0；
42)求解优化模型的主问题，将最优解传递给子问题并更新下限
Figure BDA00032416026300001313
若不通过相关约束，则生成割集并将其添加到主问题中，以解决园区的经济调度方案；
43)求解子问题获得最恶劣场景下弃风、弃光量，得到子问题目标函数的上界，更新上界
Figure BDA00032416026300001314
若UB-LB≤ε，转入步骤45)，否则，转入步骤44)；
44)更新l＝l+1，转入步骤42)；
45)停止迭代并输出最优解
Figure BDA0003241602630000141
为了论证本发明提出的一种基于非线性分位数区间预测的电动汽车充放电优化调度方法，结合某园区进行测试。设调度周期为一天24h，调度时间间隔为15min。假设某充电园区内共有25辆电动汽车，电动汽车充放电过程所执行的峰谷分时电价如表1所示，单台电动汽车的额定充电功率为10kW，额定放电功率为12kW，充放电效率均为95％，电动汽车电池额定容量为48kWh，购置成本为60000元，电动汽车接入电网时的SOC满足N(0.4，0.12)的正态分布，离开电网时的SOC期望值为0.9,
Figure BDA0003241602630000142
取5.44，
Figure BDA0003241602630000143
取25.24，
Figure BDA0003241602630000144
取4.85，
Figure BDA0003241602630000145
取23.19；该区域内有三台风电机组和三台光伏机组，其容量分别为500kW和100kW，其弃风单位惩罚成本和弃光单位惩罚成本分别为0.5元/kW和0.45元/kW。
表1峰谷分时电价
时段 电价/元
00:00-08:00 0.365
08:00-12:00 0.869
12:00-17:00 0.687
17:00-21:00 0.869
21:00-24:00 0.687
本例中引入拟合优度这一比较方法，比较了四种非线性分位数回归模型在不同分位数下的预测精度。拟合优度R2值越接近1，回归拟合就越精确。其中y的均值为
Figure BDA0003241602630000146
则拟合优度R2如下：
Figure BDA0003241602630000147
图3显示了四个非线性分位数回归预测函数的拟合曲线，其值从0.1到0.9不等。对于每个非线性分位数回归函数，得到九条拟合曲线。表2中的拟合结果表明，对于不同的分位数点，通过不同的非线性分位数回归函数可以获得最高的拟合优度。以指数函数为例，τ＝0.1时它的拟合优度最高，而τ＝0.4时拟合结果最差。结果表明，单一的预测函数很难适应数据模式的变化。基于均值拟合的融合算法的拟合优度不是最差的，也不是最好的。而基于Stacking融合的算法对于任何分位点的预测都能达到最佳拟合优度。这是因为该方法可以根据各种预测函数的预测结果，通过败者树算法选择最合适的预测函数，从而匹配电动汽车的不同数据模式。
表2各预测函数的拟合优度结果
Figure BDA0003241602630000151
通过现有的置信区间预测方法和本发明提出的分位数区间预测方法进行比较。对于所提出的区间预测方法，以置信度为0.8为例，区间的上限为基于二次函数的非线性分位数预测结果，下限为基于指数函数的区间预测结果。对于传统的置信区间预测方法，根据置信水平和概率统计信息，围绕均值调整区间的上下限。
图(4a)中25组EV接入时间实际值中有20组数据准确落入基于传统置信区间法的预测区间内，预测准确率为80％，有23组数据准确落入基于分位点的区间法的预测区间内，预测准确率为92％，高于利用传统置信区间法所做出的区间预测结果。同样，在图(4b)中的25组电动汽车离开时间，传统方法的预测区间仅覆盖84％的数据，而本方法的预测区间覆盖100％的数据。对比表明，基于分位数的区间预测方法是可行的，与传统方法相比，EV接入和发车区间预测的精度得到了有效提高。
为了验证时变SOC边界约束和最小电池充放电持续时间约束对调度的影响，提出四个案例进行对比分析：
方案1：电动汽车在调度阶段任意进行充放电计划。
方案2：电动汽车在调度阶段考虑实时SOC边界约束，不考虑电池最小连续充放电时间约束。
方案3：电动汽车在调度阶段考虑电池最小连续充放电时间约束，不考虑实时SOC边界约束。
方案4：电动汽车在调度阶段考虑实时SOC边界约束和电池最小连续充放电时间约束。
从图5可以看出，方案1中的电动汽车共执行10次放电计划，方案2中的电动汽车共执行7次放电计划，方案3中的电动汽车共执行2次放电计划，方案4中的电动汽车共执行2次放电计划。与方案1和方案2相比，方案3和方案4显著减少了放电次数。在同一调度周期内，考虑到电池的最小充放电持续时间限制，可以显著避免过多频繁的充放电。与方案3相比，方案4考虑了时变SOC边界约束，使其SOC值始终保持在20％-90％之间，SOC变化速度相对较慢，保证了电池运行的安全性。
对四种方案的电池损耗进行分析。从图6可以看出，方案4中25辆电动汽车的损耗成本明显低于其他情况，其损耗成本面积最小，从而大大延长了电池的使用寿命。每种方案损失的总成本分别为825.90、688.14、249.43、89.06元。与其他三种方案相比，方案4的电池损耗成本分别降低了89.2％、87.1％和64.3％。可以发现，本发明提出的电池相关约束对降低电池损耗成本和延长电动汽车电池使用寿命具有重要作用。
为了进一步分析这四个案例的经济性，进行了比较分析。方案4的调度成本略高于其他三种情况，因为它考虑了电池最小连续充放电时间约束以及时变SOC边界限制，这将导致更多地向电网购电来满足负荷要求。但是，方案4的电池损耗成本小到足以实现最低的总成本。
表3四种方案的调度成本和电池损耗成本
充放电方案 方案1 方案2 方案3 方案4
调度成本(元) 13515.71 13608.02 13921.45 13979.25
电池损耗成本(元) 825.90 688.14 249.43 89.06
总成本(元) 14341.61 14296.16 14170.88 14068.31

Claims (10)

1.一种基于非线性分位数区间预测的充放电优化调度方法，其特征在于，包括以下步骤：
1)构建非线性分位数回归预测模型，预测得到电动汽车接入、离开时间的区间预测结果；
2)通过Stacking融合框架提高预测模型的预测精度，并集成多个非线性预测函数以选择最佳预测结果，并转化为基于分位点的区间预测；
3)考虑多种分布式电源以及精细化电池运行相关约束构建鲁棒经济调度模型；
4)采用C&CG方法对鲁棒经济调度模型进行求解，获取调度统计信息，包括电动汽车充放电功率及荷电状态、风电光伏出力情况、园区购电功率。
2.根据权利要求1所述的一种基于非线性分位数区间预测的充放电优化调度方法，其特征在于，考虑电动汽车接入和离开时间的预测值和实际值之间的非线性关系，采用非线性函数构建非线性分位数回归预测模型拟合预测值与实际值之间的映射关系，从而得到电动汽车接入、离开时间的区间预测结果。
3.根据权利要求2所述的一种基于非线性分位数区间预测的充放电优化调度方法，其特征在于，所述的非线性分位数回归预测模型通过优化以下方程获得模型的参数估计，则有：
Figure FDA0003241602620000011
Figure FDA0003241602620000012
Figure FDA0003241602620000013
其中，τ为分位点，y为实际数据，g(ζ,θ(τ))为非线性函数，θ(τ)＝(α(τ),β(τ),…)T为非线性分位数预测模型的参数，
Figure FDA0003241602620000014
为非线性分位数预测模型的参数估计，ρτ(·)表示响应的测试函数，zn为第n个基于非线性分位数回归的实际数据和拟合数据之间的误差值，N为误差总数，RN表示全体实数，ζ为预测数据，具体表示电动汽车接入、离开时间的预测数据Tf，P(zn＜0)为误差值小于0的概率。
4.根据权利要求3所述的一种基于非线性分位数区间预测的充放电优化调度方法，其特征在于，所述的非线性函数包括二次函数、三次函数、指数函数和对数函数。
5.根据权利要求4所述的一种基于非线性分位数区间预测的充放电优化调度方法，其特征在于，所述的步骤2)中，Stacking融合框架提高预测模型的预测精度具体为：
根据Stacking融合算法，将原始数据划分为多个训练集，然后将训练集输入到第一层学习模型的每个基学习器中进行训练，第一层学习模型的基学习器为多个非线性函数；
然后将每个基学习器的学习结果输入到第二层学习模型元学习器中进行筛选，得到最终的学习结果，所述的第二层学习模型元学习器采用具有高筛选性能的败者树算法。
6.根据权利要求4所述的一种基于非线性分位数区间预测的充放电优化调度方法，其特征在于，所述的步骤2)中，对于给定的置信水平(1-γ)，基于分位点的区间预测结果具体为：
P(Tr∈Hγ|Tf)＝1-γ
Figure FDA0003241602620000021
Figure FDA0003241602620000022
Figure FDA0003241602620000023
Figure FDA0003241602620000024
其中，Hγ为置信区间，P(Tr∈Hγ|Tf)为基于预测数据拟合得到的实际值Tr落入置信区间Hγ的概率，τ、
Figure FDA0003241602620000025
分别为基于置信水平得到的分位点下、上限，
Figure FDA0003241602620000026
分别为置信区间的下、上限，θ(τ)、
Figure FDA0003241602620000027
分别为基于分位点下、上限得到的非线性分位数预测模型的参数。
7.根据权利要求6所述的一种基于非线性分位数区间预测的充放电优化调度方法，其特征在于，所述的步骤3)中，考虑风电和光伏发电出力的不确定性，以使园区运营成本最小为目标函数构建鲁棒经济调度模型，则有：
Figure FDA0003241602620000031
其中，Fgrid为园区购电成本，FEV为电动汽车放电成本，Fcur为弃风、弃光成本，T为调度周期，
Figure FDA0003241602620000032
为电网分时电价，Pt grid为向电网购电功率，
Figure FDA0003241602620000033
为t时刻电动汽车s的充放电功率，Cw和Cpv分别为单位弃风、弃光成本，Nw和Npv分别为园区风电、光伏机组集合，
Figure FDA0003241602620000034
和
Figure FDA0003241602620000035
分别为t时刻风电机组i的预测、实际出力，
Figure FDA0003241602620000036
和
Figure FDA0003241602620000037
为t时刻光伏机组j的预测、实际出力，S为调度电动汽车的集合，Nw、Npv分别为风电机组和光伏机组的集合。
8.根据权利要求7所述的一种基于非线性分位数区间预测的充放电优化调度方法，其特征在于，鲁棒经济调度模型的约束条件包括：
A、电动汽车相关约束：
电动汽车相关约束包括精细化电池运行相关约束和电动汽车的充放电功率约束，所述的电动汽车的充放电功率约束具体为：
Figure FDA0003241602620000038
其中，
Figure FDA0003241602620000039
和
Figure FDA00032416026200000310
分别为电动汽车的额定充、放电功率；
B、系统有功功率平衡约束：
Figure FDA00032416026200000311
其中，PD为园区内基础负荷；
C、风电功率约束：
Figure FDA00032416026200000312
Figure FDA00032416026200000313
Figure FDA0003241602620000041
Figure FDA0003241602620000042
Figure FDA0003241602620000043
Figure FDA0003241602620000044
其中，Ww为风电的不确定性集，ΔPi,t为风电预测功率与实际功率的最大偏差量，
Figure FDA0003241602620000045
为风电不确定性集的0/1变量，
Figure FDA0003241602620000046
为风电输出功率的空间约束参数，
Figure FDA0003241602620000047
为风电输出功率的时间约束参数。
D、光伏功率约束
Figure FDA0003241602620000048
Figure FDA0003241602620000049
Figure FDA00032416026200000410
Figure FDA00032416026200000411
Figure FDA00032416026200000412
Figure FDA00032416026200000413
其中，Wpv为光伏的不确定性集，ΔPj,t为光伏预测功率与实际功率的最大偏差量，
Figure FDA00032416026200000414
为光伏不确定性集的0/1变量，
Figure FDA00032416026200000415
为光伏输出功率的空间约束参数；
Figure FDA00032416026200000416
为光伏输出功率的时间约束参数。
9.根据权利要求8所述的一种基于非线性分位数区间预测的充放电优化调度方法，其特征在于，所述的步骤3)中，精细化电池运行相关约束包括：
1、精细化SOC运行边界约束，具体包括：
(1)时变SOC边界约束：
Figure FDA0003241602620000051
其中，(t,SOCs(t))为电动汽车当前时刻t的荷电状态，[tin,tout]为电动汽车s接入电网的时段，
Figure FDA0003241602620000052
为电动汽车电池荷电状态的下、上限约束，
Figure FDA0003241602620000053
为用户进入园区时电动汽车的初始电池荷电状态，
Figure FDA0003241602620000054
为用户出行前对电池荷电状态的需求，Es,o为电动汽车的电池容量，
Figure FDA0003241602620000055
和
Figure FDA0003241602620000056
分别为电动汽车的充、放电效率；
(2)SOC爬坡上限约束：
Figure FDA0003241602620000057
(3)SOC爬坡下限约束：
Figure FDA0003241602620000058
电动汽车s的接入时间tin,s、离开时间tout,s的预测区间表示为：
Figure FDA0003241602620000059
Figure FDA00032416026200000510
其中，
Figure FDA00032416026200000511
分别为接入时间拟合值的置信区间的下、上限，
Figure FDA00032416026200000512
分别为离开时间拟合值的置信区间的下、上限；
2、电池最小连续充放电时间约束，则有：
Figure FDA0003241602620000061
其中，
Figure FDA0003241602620000062
为电池充电状态，
Figure FDA0003241602620000063
为电池放电状态，
Figure FDA0003241602620000064
与
Figure FDA0003241602620000065
均为0/1变量，当
Figure FDA0003241602620000066
时，电池充电，
Figure FDA0003241602620000067
时，电池放电或保持不工作状态，当
Figure FDA0003241602620000068
时，电池放电，
Figure FDA0003241602620000069
时，电池充电或保持不工作状态，Ton,s为最小充电时间，Toff,s为最小放电时间，M为一很大的正数。
10.根据权利要求9所述的一种基于非线性分位数区间预测的充放电优化调度方法，其特征在于，所述的步骤4)中，采用C&CG算法对鲁棒经济调度模型进行求解，将模型分解为一个主问题和一个子问题，所述的主问题为考虑电池相关约束的园区经济调度优化问题，所述的子问题为风电、光伏不确定性的优化问题，且主问题和子问题通过割集连接，则主问题表示为：
Figure FDA00032416026200000610
子问题表示为：
Figure FDA00032416026200000611
其中，Z表示子问题的目标函数。
CN202111020191.4A 2021-09-01 2021-09-01 一种基于非线性分位数区间预测的充放电优化调度方法 Active CN113949084B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111020191.4A CN113949084B (zh) 2021-09-01 2021-09-01 一种基于非线性分位数区间预测的充放电优化调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111020191.4A CN113949084B (zh) 2021-09-01 2021-09-01 一种基于非线性分位数区间预测的充放电优化调度方法

Publications (2)

Publication Number Publication Date
CN113949084A true CN113949084A (zh) 2022-01-18
CN113949084B CN113949084B (zh) 2023-10-31

Family

ID=79327640

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111020191.4A Active CN113949084B (zh) 2021-09-01 2021-09-01 一种基于非线性分位数区间预测的充放电优化调度方法

Country Status (1)

Country Link
CN (1) CN113949084B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109193636A (zh) * 2018-10-08 2019-01-11 华东交通大学 一种基于分类不确定集的电力系统环境经济鲁棒调度方法
CN110598929A (zh) * 2019-09-10 2019-12-20 河海大学 一种风电功率非参数概率区间超短期预测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109193636A (zh) * 2018-10-08 2019-01-11 华东交通大学 一种基于分类不确定集的电力系统环境经济鲁棒调度方法
CN110598929A (zh) * 2019-09-10 2019-12-20 河海大学 一种风电功率非参数概率区间超短期预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
JAMES W. TAYLOR等: "A Quantile Regression Neural Network Approach to Estimating the Conditional Density of Multiperiod Returns", 《JOURNAL OF FORECASTIN‘》, pages 299 - 311 *
卢艺 等: "考虑光伏和电动汽车不确定性的配电网鲁棒经济调度", 《电工电能新技术》, vol. 37, no. 09, pages 42 - 50 *
李智 等: "基于分位点回归的风电功率波动区间分析", 《电力系统自动化》, vol. 35, no. 03, pages 83 - 87 *

Also Published As

Publication number Publication date
CN113949084B (zh) 2023-10-31

Similar Documents

Publication Publication Date Title
CN103241130B (zh) 一种电动公交车充换电站的能量管理方法及系统
CN109599856B (zh) 一种微网多楼宇中电动汽车充放电管理优化方法及装置
Schwenk et al. Integrating battery aging in the optimization for bidirectional charging of electric vehicles
Liu et al. A dynamic stochastic optimization for recharging plug-in electric vehicles
CN110053508B (zh) 基于车联网平台的能源互联网集群运行调度方法及系统
CN116151486B (zh) 含储能系统的光伏充电站多时间尺度随机优化方法及装置
CN114036459A (zh) 基于v2g调度响应下的电动汽车用能绿色程度计算方法
CN111313449B (zh) 一种基于机器学习的集群电动汽车功率优化管理方法
CN113794199A (zh) 一种考虑电力市场波动的风电储能系统最大收益优化方法
CN111799786A (zh) 一种基于博弈论的新能源混合电力系统容量配置方法
CN110633847B (zh) 一种基于模块分割式电池换电站的充电策略控制方法
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
CN116896086A (zh) 考虑需求响应的虚拟电厂可调资源调控系统及方法
CN117353355A (zh) 一种计及电动汽车调控潜力的含风电系统优化调度方法
CN115000985A (zh) 一种用户侧分布式储能设施聚合管控方法及系统
CN114629148A (zh) 一种含电动汽车资源的电力系统调度框架方法及其系统
CN117791625A (zh) 电动汽车有序充放电规划方法、设备及介质
CN112260274A (zh) 一种基于全景理论的虚拟电厂组建方法
CN117382430A (zh) 车辆充电规划系统及方法
CN117154792A (zh) 计及风光不确定性的电动汽车换电站日前优化调度方法
CN114640133B (zh) 一种基于实时信息的城市电网电动汽车协同调控方法及系统
CN110570098A (zh) 考虑换电需求与光伏不确定性电动汽车充换电站控制方法
CN113364019B (zh) 车载储能资源参与电力调峰的方法及系统
CN112736894B (zh) 一种计及风电与电动汽车随机性的两阶段机组组合建模方法
CN113949084B (zh) 一种基于非线性分位数区间预测的充放电优化调度方法

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