CN114186417A - 一种风光储充综合能源体优化调度方法及系统 - Google Patents

一种风光储充综合能源体优化调度方法及系统 Download PDF

Info

Publication number
CN114186417A
CN114186417A CN202111516358.6A CN202111516358A CN114186417A CN 114186417 A CN114186417 A CN 114186417A CN 202111516358 A CN202111516358 A CN 202111516358A CN 114186417 A CN114186417 A CN 114186417A
Authority
CN
China
Prior art keywords
wind
storage
charging
integrated energy
energy body
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.)
Pending
Application number
CN202111516358.6A
Other languages
English (en)
Inventor
郑涛
滕贤亮
杜刚
曹敬
崔昊杨
汪小闯
杨宇峰
柳纲
程炜
陈康
司云强
张凌翔
肖徐兵
周志成
孙刚
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.)
Nari Technology Co Ltd
NARI Nanjing Control System Co Ltd
Original Assignee
Nari Technology Co Ltd
NARI Nanjing Control System 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 Nari Technology Co Ltd, NARI Nanjing Control System Co Ltd filed Critical Nari Technology Co Ltd
Priority to CN202111516358.6A priority Critical patent/CN114186417A/zh
Publication of CN114186417A publication Critical patent/CN114186417A/zh
Pending legal-status Critical Current

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
    • 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
    • H02J3/24—Arrangements for preventing or reducing oscillations of power in networks
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/06—Wind turbines or wind farms
    • 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
    • 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
    • H02J2300/28—The renewable source being wind energy
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

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

本发明公开了一种风光储充综合能源体优化调度方法及系统，本发明采用以风光储充综合能源体运行成本最小、联络线功率波动最低以及电动汽车车主支付费用最小为目标的优化模型，实现了风光储充综合能源体调度，填补了风光储充综合能源体调度的空白。

Description

一种风光储充综合能源体优化调度方法及系统
技术领域
本发明涉及一种风光储充综合能源体优化调度方法及系统，属于电力系统协调控制技术领域。
背景技术
在世界能源格局不断变化和电网公司转型的背景下，用户侧风光储充综合能源体逐步成为新的调控对象。综合能源体的运行监视面临设备类型多样化、数据规模海量化以及运行状态高度不确定性等实际问题目前还没有风光储充综合能源体的优化调度方法。
发明内容
本发明提供了一种风光储充综合能源体优化调度方法及系统，解决了背景技术中披露的问题。
为了解决上述技术问题，本发明所采用的技术方案是：
一种风光储充综合能源体优化调度方法，包括：
获取风光储充综合能源体运行成本计算参数、联络线功率波动计算参数和电动汽车车主支付费用计算参数；
将风光储充综合能源体运行成本计算参数、联络线功率波动计算参数和电动汽车车主支付费用计算参数作为预设优化模型的输入，求解预设优化模型，获得最小成本消费的风光储消费方案；其中，优化模型的目标函数以风光储充综合能源体运行成本最小、联络线功率波动最低以及电动汽车车主支付费用最小为目标；
根据最小成本消费的风光储消费方案，进行风光储充综合能源体调度。
风光储充综合能源体运行成本计算参数包括风机的购买单价、风机的装机容量、光伏板的购买单价、光伏板的装机容量、蓄电池的购买单价、蓄电池的装机容量、单个电动汽车充电桩价格、电动汽车充电桩数量、蓄电池单位充/放电功率所需价格、蓄电池组额定充/放电功率、每年风力发电运行维护所需成本、每年光伏发电运行维护所需成本、每年蓄电池运行维护所需成本、每年电动汽车充电桩运行维护所需成本以及电动汽车充电桩单位充电量维护成本。
联络线功率波动计算参数包括当前时刻弃风弃光功率、当前时刻供电缺额功率、联络线功率的上下限、风光储充综合能源体向主网购电功率、风光储充综合能源体向主网售电功率、风光储充综合能源体向主网分时单位购售电价以及电动汽车分时电价。
电动汽车车主支付费用计算参数包括电动车放电功率、电动车充电功率、电动汽车充电电价以及电动汽车放电电价。
优化模型的目标函数为F1、F2和F3采用加权系数法转换而成，其中，F1为以风光储充综合能源体运行成本最小为目标的目标函数，F2为以联络线功率波动最低为目标的目标函数，F3为以电动汽车车主支付费用最小为目标的目标函数。
优化模型的目标函数为：
Figure BDA0003398978800000021
其中，F为优化模型的目标函数，ω1为F1的权重，ω2为F2的权重、ω3为F3的权重，ω1+ω2+ω3＝1，F1max为风光储充综合能源体运行成本上限，F2max为联络线功率波动上限，F3max为电动汽车车主支付费用上限。
以风光储充综合能源体运行成本最小为目标的目标函数为：
minF1＝Fcap+Fern
其中，Fcap为日平均综合成本，Fern为日平均综合收益；
Figure BDA0003398978800000031
Figure BDA0003398978800000032
其中，feq,i为风机/光伏板/蓄电池的购买单价，Gi为风机/光伏板/蓄电池的装机容量，i＝1表示风机，i＝2表示光伏板，i＝3表示蓄电池，feq,ev为单个电动汽车充电桩价格，Nev为电动汽车充电桩数量，fes为蓄电池单位充/放电功率所需价格，Pes为蓄电池组额定充/放电功率，ki为风机/光伏板/蓄电池的折现系数，αi为风机/光伏板/蓄电池的折旧率，βi为风机/光伏板/蓄电池的使用年限，fope,i为每年风力发电/光伏发电运/蓄电池运行维护所需成本，fope,v为每年电动汽车充电桩运行维护所需成本，fev为电动汽车充电桩单位充电量维护成本，Gev为当前调度周期内电动汽车总充电量；
Fern＝Fprfi+Fwst+Fnon+Fgm
其中，Fprfi为风光储充综合能源体运行过程中的电价，Fnon为风光储充综合能源体运行过程中的电量缺额，Fwst为风光储充综合能源体运行过程中的电量超额，Fgm为弥补缺额供电量造成环境污染带来的经济损失。
以联络线功率波动最低为目标的目标函数为：
Figure BDA0003398978800000033
其中，P″cw.max为风光储充综合能源体运行过程中联络线的峰值，P″cw.min为风光储充综合能源体运行过程中联络线的谷值，T为优化时段，P″cw.t为风光储充综合能源体实时运行联络功率，Pave为风光储充综合能源体平均运行联络功率。
以电动汽车车主支付费用最小为目标的目标函数为：
Figure BDA0003398978800000041
其中，T为优化时段，EV为电动汽车类别，
Figure BDA0003398978800000042
为第j类电动汽车在t时段的充电功率，
Figure BDA0003398978800000043
为第j类电动汽车在t时段的放电功率，μc为电动汽车在t时段的充电电价，μd为电动汽车在t时段的放电电价。
优化模型的约束条件为：
1≤kwp+kpv≤kmax
Figure BDA0003398978800000044
Figure BDA0003398978800000045
Figure BDA0003398978800000046
Figure BDA0003398978800000047
Figure BDA0003398978800000048
Pcw,min≤P″cw.t≤Pcw,max
Figure BDA0003398978800000049
其中，kwp为风力发电与负荷峰值功率之比，kpv为光伏发电与负荷峰值功率之比，kmax为风力发电与光伏发电在负荷峰值功率的占比上限，
Figure BDA00033989788000000410
为t时段电动汽车充电可调容量，
Figure BDA00033989788000000411
为
Figure BDA00033989788000000412
的最小值，
Figure BDA00033989788000000413
为
Figure BDA00033989788000000414
的最大值，
Figure BDA00033989788000000415
为t时段电动汽车的放电容量最大值，
Figure BDA00033989788000000416
为t时段电动汽车的放电容量，T为优化时段，
Figure BDA0003398978800000051
为t时段电动汽车的充电容量，
Figure BDA0003398978800000052
为电动汽车充电站剩余可调容量，
Figure BDA0003398978800000053
为t时段电动汽车的充电容量，Pcw,min为风光储充综合能源体运行过程中联络功率最小设定值、P″cw.t为风光储充综合能源体运行过程中联络功率t时刻值，Pcw,max为风光储充综合能源体运行过程中联络功率最大设定值，η为蓄电池利用率，Ges.max为蓄电池使用过程中的最大电量，Ges.min为蓄电池使用过程中的最小电量，Ges为蓄电池装机容量，ηmin为蓄电池利用率的最小值。
一种风光储充综合能源体优化调度系统，包括：
获取模块：获取风光储充综合能源体运行成本计算参数、联络线功率波动计算参数和电动汽车车主支付费用计算参数；
方案获取模块：将风光储充综合能源体运行成本计算参数、联络线功率波动计算参数和电动汽车车主支付费用计算参数作为预设优化模型的输入，求解预设优化模型，获得最小成本消费的风光储消费方案；其中，优化模型的目标函数以风光储充综合能源体运行成本最小、联络线功率波动最低以及电动汽车车主支付费用最小为目标；
调度模块：根据最小成本消费的风光储消费方案，进行风光储充综合能源体调度。
优化模型的目标函数为F1、F2和F3采用加权系数法转换而成，其中，F1为以风光储充综合能源体运行成本最小为目标的目标函数，F2为以联络线功率波动最低为目标的目标函数，F3为以电动汽车车主支付费用最小为目标的目标函数。
优化模型的目标函数为：
Figure BDA0003398978800000054
其中，F为优化模型的目标函数，ω1为F1的权重，ω2为F2的权重、ω3为F3的权重，ω1+ω2+ω3＝1，F1max为风光储充综合能源体运行成本上限，F2max为联络线功率波动上限，F3max为电动汽车车主支付费用上限。
一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行风光储充综合能源体优化调度方法。
一种计算设备，包括一个或多个处理器、一个或多个存储器以及一个或多个程序，其中一个或多个程序存储在所述一个或多个存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行风光储充综合能源体优化调度方法的指令。
本发明所达到的有益效果：1、本发明采用以风光储充综合能源体运行成本最小、联络线功率波动最低以及电动汽车车主支付费用最小为目标的优化模型，实现了风光储充综合能源体调度，填补了风光储充综合能源体调度的空白；2、本发明将可调度的电动汽车相关设备加入到传统发电机组的组合优化中，可有效降低弃风、弃光比率，提高智能电网运行的经济性与稳定性。
附图说明
图1为风光储充综合能源体优化调度方法的流程图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
如图1所示，一种风光储充综合能源体优化调度方法，包括以下步骤：
步骤1，获取风光储充综合能源体运行成本计算参数、联络线功率波动计算参数和电动汽车车主支付费用计算参数；
步骤2，将风光储充综合能源体运行成本计算参数、联络线功率波动计算参数和电动汽车车主支付费用计算参数作为预设优化模型的输入，求解预设优化模型，获得最小成本消费的风光储消费方案；其中，优化模型的目标函数以风光储充综合能源体运行成本最小、联络线功率波动最低以及电动汽车车主支付费用最小为目标；
步骤3，根据最小成本消费的风光储消费方案，进行风光储充综合能源体调度。
上述方法运用在电网调度控制中心，采用以风光储充综合能源体运行成本最小、联络线功率波动最低以及电动汽车车主支付费用最小为目标的优化模型，实现了风光储充综合能源体调度，填补了风光储充综合能源体调度的空白。
风光储充综合能源体包括风电场、光伏电站、蓄电池和电动汽车充电桩，以微电网形式存在，为了实现优化调度，需要以风光储充综合能源体运行成本最小、联络线功率波动最低以及电动汽车车主支付费用最小为目标。
经过对风光储充综合能源体分析，风光储充综合能源体运行成本与风机的购买单价、风机的装机容量、光伏板的购买单价、光伏板的装机容量、蓄电池的购买单价、蓄电池的装机容量、单个电动汽车充电桩价格、电动汽车充电桩数量、蓄电池单位充/放电功率所需价格、蓄电池组额定充/放电功率、每年风力发电运行维护所需成本、每年光伏发电运行维护所需成本、每年蓄电池运行维护所需成本、每年电动汽车充电桩运行维护所需成本以及电动汽车充电桩单位充电量维护成本相关。
因此基于上述风光储充综合能源体运行成本计算参数，可以预先构建出以风光储充综合能源体运行成本最小为目标的目标函数F1，函数可以如下：
minF1＝Fcap+Fern
其中，Fcap为日平均综合成本，Fern为日平均综合收益；
Figure BDA0003398978800000081
Figure BDA0003398978800000082
其中，feq,i为风机/光伏板/蓄电池的购买单价，Gi为风机/光伏板/蓄电池的装机容量，i＝1表示风机，i＝2表示光伏板，i＝3表示蓄电池，feq,ev为单个电动汽车充电桩价格，Nev为电动汽车充电桩数量，fes为蓄电池单位充/放电功率所需价格，Pes为蓄电池组额定充/放电功率，ki为风机/光伏板/蓄电池的折现系数，αi为风机/光伏板/蓄电池的折旧率，可以取0.08，βi为风机/光伏板/蓄电池的使用年限，fope,i为每年风力发电/光伏发电运/蓄电池运行维护所需成本，fope,v为每年电动汽车充电桩运行维护所需成本，fev为电动汽车充电桩单位充电量维护成本，Gev为当前调度周期内电动汽车总充电量；
Fern＝Fprfi+Fwst+Fnon+Fgm
其中，Fprfi为风光储充综合能源体运行过程中的电价，Fnon为风光储充综合能源体运行过程中的电量缺额，Fwst为风光储充综合能源体运行过程中的电量超额，Fgm为弥补缺额供电量造成环境污染带来的经济损失。
经过对风光储充综合能源体分析，联络线功率波动与当前时刻弃风弃光功率、当前时刻供电缺额功率、联络线功率的上下限、风光储充综合能源体向主网购电功率、风光储充综合能源体向主网售电功率、风光储充综合能源体向主网分时单位购售电价以及电动汽车分时电价等相关。
因此基于上述联络线功率波动计算参数，可以预先构建出以联络线功率波动最低为目标的目标函数F2，函数可以如下：
Figure BDA0003398978800000091
其中，P″cw.max为风光储充综合能源体运行过程中联络线的峰值，P″cw.min为风光储充综合能源体运行过程中联络线的谷值，T为优化时段，P″cw.t为风光储充综合能源体实时运行联络功率，Pave为风光储充综合能源体平均运行联络功率。
经过对风光储充综合能源体分析，电动汽车车主支付费用与电动车放电功率、电动车充电功率、电动汽车充电电价以及电动汽车放电电价相关。
因此基于上述电动汽车车主支付费用计算参数，可以预先构建出以电动汽车车主支付费用最小为目标的目标函数F3，函数可以如下：
Figure BDA0003398978800000092
其中，T为优化时段，EV为电动汽车类别，
Figure BDA0003398978800000093
为第j类电动汽车在t时段的充电功率，
Figure BDA0003398978800000094
为第j类电动汽车在t时段的放电功率，μc为电动汽车在t时段的充电电价，μd为电动汽车在t时段的放电电价。
可以对上述构建的三个目标函数进行规范化处理，采用加权系数法将三个目标函数转化为单目标函数，转换后的目标函数可以为：
Figure BDA0003398978800000095
其中，F为优化模型的目标函数，ω1为F1的权重，ω2为F2的权重、ω3为F3的权重，ω1+ω2+ω3＝1，F1max为风光储充综合能源体运行成本上限，F2max为联络线功率波动上限，F3max为电动汽车车主支付费用上限。
上述转换后的目标函数即为优化模型的目标函数，考虑发电功率、电动汽车充放电容量、蓄电池利用率等，可以构建优化模型的约束条件：
获取风力发电与负荷峰值功率之比、光伏发电功率与负荷峰值功率之比，构造功率比约束条件：
1≤kwp+kpv≤kmax
其中，kwp为风力发电与负荷峰值功率之比，kpv为光伏发电与负荷峰值功率之比，kmax为风力发电与光伏发电在负荷峰值功率的占比上限。
确定电动汽车充放电容量约束条件：
Figure BDA0003398978800000101
Figure BDA0003398978800000102
Figure BDA0003398978800000103
Figure BDA0003398978800000104
其中，
Figure BDA0003398978800000105
为t时段可调电动汽车容量，
Figure BDA0003398978800000106
为
Figure BDA0003398978800000107
的最小值，
Figure BDA0003398978800000108
为
Figure BDA0003398978800000109
的最大值，
Figure BDA00033989788000001010
为t时段电动汽车的放电容量最大值，
Figure BDA00033989788000001011
为t时段电动汽车的放电容量，T为优化时段，
Figure BDA00033989788000001012
为t时段电动汽车的充电容量，
Figure BDA00033989788000001013
为电动汽车充电站剩余可调容量，
Figure BDA00033989788000001014
为t时段电动汽车的充电容量。
获取联络线功率波动范围，构造联络线的功率约束条件：
Pcw,min≤P″cw.t≤Pcw,max
其中，Pcw,min为风光储充综合能源体运行过程中联络功率最小设定值、P″cw.t为风光储充综合能源体运行过程中联络功率t时刻值，Pcw,max为风光储充综合能源体运行过程中联络功率最大设定值。
获取蓄电池使用过程中的最大、最小电量，构造蓄电池利用率约束条件：
Figure BDA0003398978800000111
其中，η为蓄电池利用率，Ges.max为蓄电池使用过程中的最大电量，Ges.min为蓄电池使用过程中的最小电量，Ges为蓄电池装机容量，ηmin为蓄电池利用率的最小值。
上述优化模型预先构建，进行优化调度时，将风光储充综合能源体运行成本计算参数、联络线功率波动计算参数和电动汽车车主支付费用计算参数输入优化模型，利用模糊控制理论求解优化模型，即可而获得最小成本消费的风光储消费方案，即F1、F2和F3，最后根据最小成本消费的风光储消费方案，进行风光储充综合能源体调度。
上述方法将可调度的电动汽车相关设备(电动汽车充电桩)加入到传统发电机组的组合优化中，利用以风光储充综合能源体运行成本最小、联络线功率波动最低以及电动汽车车主支付费用最小为目标的优化模型，实现了风光储充综合能源体调度，可有效降低弃风、弃光比率，提高智能电网运行的经济性与稳定性。
基于同样的技术方案，本发明还公开了上述方法的软件系统，即一种风光储充综合能源体优化调度系统，包括：
获取模块：获取风光储充综合能源体运行成本计算参数、联络线功率波动计算参数和电动汽车车主支付费用计算参数。
方案获取模块：将风光储充综合能源体运行成本计算参数、联络线功率波动计算参数和电动汽车车主支付费用计算参数作为预设优化模型的输入，求解预设优化模型，获得最小成本消费的风光储消费方案；其中，优化模型的目标函数以风光储充综合能源体运行成本最小、联络线功率波动最低以及电动汽车车主支付费用最小为目标。
优化模型的目标函数为F1、F2和F3采用加权系数法转换而成，其中，F1为以风光储充综合能源体运行成本最小为目标的目标函数，F2为以联络线功率波动最低为目标的目标函数，F3为以电动汽车车主支付费用最小为目标的目标函数。
优化模型的目标函数为：
Figure BDA0003398978800000121
其中，F为优化模型的目标函数，ω1为F1的权重，ω2为F2的权重、ω3为F3的权重，ω1+ω2+ω3＝1，F1max为风光储充综合能源体运行成本上限，F2max为联络线功率波动上限，F3max为电动汽车车主支付费用上限。
调度模块：根据最小成本消费的风光储消费方案，进行风光储充综合能源体调度。
上述模块中参数以及优化模型等均与方法的一致，这里不重复描述了。
基于同样的技术方案，本发明还公开了一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行风光储充综合能源体优化调度方法。
基于同样的技术方案，本发明还公开了一种计算设备，包括一个或多个处理器、一个或多个存储器以及一个或多个程序，其中一个或多个程序存储在所述一个或多个存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行风光储充综合能源体优化调度方法的指令。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上仅为本发明的实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均包含在申请待批的本发明的权利要求范围之内。

Claims (15)

1.一种风光储充综合能源体优化调度方法，其特征在于，包括：
获取风光储充综合能源体运行成本计算参数、联络线功率波动计算参数和电动汽车车主支付费用计算参数；
将风光储充综合能源体运行成本计算参数、联络线功率波动计算参数和电动汽车车主支付费用计算参数作为预设优化模型的输入，求解预设优化模型，获得最小成本消费的风光储消费方案；其中，优化模型的目标函数以风光储充综合能源体运行成本最小、联络线功率波动最低以及电动汽车车主支付费用最小为目标；
根据最小成本消费的风光储消费方案，进行风光储充综合能源体调度。
2.根据权利要求1所述的一种风光储充综合能源体优化调度方法，其特征在于，风光储充综合能源体运行成本计算参数包括风机的购买单价、风机的装机容量、光伏板的购买单价、光伏板的装机容量、蓄电池的购买单价、蓄电池的装机容量、单个电动汽车充电桩价格、电动汽车充电桩数量、蓄电池单位充/放电功率所需价格、蓄电池组额定充/放电功率、每年风力发电运行维护所需成本、每年光伏发电运行维护所需成本、每年蓄电池运行维护所需成本、每年电动汽车充电桩运行维护所需成本以及电动汽车充电桩单位充电量维护成本。
3.根据权利要求1所述的一种风光储充综合能源体优化调度方法，其特征在于，联络线功率波动计算参数包括当前时刻弃风弃光功率、当前时刻供电缺额功率、联络线功率的上下限、风光储充综合能源体向主网购电功率、风光储充综合能源体向主网售电功率、风光储充综合能源体向主网分时单位购售电价以及电动汽车分时电价。
4.根据权利要求1所述的一种风光储充综合能源体优化调度方法，其特征在于，电动汽车车主支付费用计算参数包括电动车放电功率、电动车充电功率、电动汽车充电电价以及电动汽车放电电价。
5.根据权利要求1所述的一种风光储充综合能源体优化调度方法，其特征在于，优化模型的目标函数为F1、F2和F3采用加权系数法转换而成，其中，F1为以风光储充综合能源体运行成本最小为目标的目标函数，F2为以联络线功率波动最低为目标的目标函数，F3为以电动汽车车主支付费用最小为目标的目标函数。
6.根据权利要求5所述的一种风光储充综合能源体优化调度方法，其特征在于，优化模型的目标函数为：
Figure FDA0003398978790000021
其中，F为优化模型的目标函数，ω1为F1的权重，ω2为F2的权重、ω3为F3的权重，ω1+ω2+ω3＝1，F1max为风光储充综合能源体运行成本上限，F2max为联络线功率波动上限，F3max为电动汽车车主支付费用上限。
7.根据权利要求5所述的一种风光储充综合能源体优化调度方法，其特征在于，以风光储充综合能源体运行成本最小为目标的目标函数为：
min F1＝Fcap+Fern
其中，Fcap为日平均综合成本，Fern为日平均综合收益；
Figure FDA0003398978790000022
Figure FDA0003398978790000031
其中，feq,i为风机/光伏板/蓄电池的购买单价，Gi为风机/光伏板/蓄电池的装机容量，i＝1表示风机，i＝2表示光伏板，i＝3表示蓄电池，feq,ev为单个电动汽车充电桩价格，Nev为电动汽车充电桩数量，fes为蓄电池单位充/放电功率所需价格，Pes为蓄电池组额定充/放电功率，ki为风机/光伏板/蓄电池的折现系数，αi为风机/光伏板/蓄电池的折旧率，βi为风机/光伏板/蓄电池的使用年限，fope,i为每年风力发电/光伏发电运/蓄电池运行维护所需成本，fope,v为每年电动汽车充电桩运行维护所需成本，fev为电动汽车充电桩单位充电量维护成本，Gev为当前调度周期内电动汽车总充电量；
Fern＝Fprfi+Fwst+Fnon+Fgm
其中，Fprfi为风光储充综合能源体运行过程中的电价，Fnon为风光储充综合能源体运行过程中的电量缺额，Fwst为风光储充综合能源体运行过程中的电量超额，Fgm为弥补缺额供电量造成环境污染带来的经济损失。
8.根据权利要求5所述的一种风光储充综合能源体优化调度方法，其特征在于，以联络线功率波动最低为目标的目标函数为：
Figure FDA0003398978790000032
其中，P″cw.max为风光储充综合能源体运行过程中联络线的峰值，P″cw.min为风光储充综合能源体运行过程中联络线的谷值，T为优化时段，P″cw.t为风光储充综合能源体实时运行联络功率，Pave为风光储充综合能源体平均运行联络功率。
9.根据权利要求5所述的一种风光储充综合能源体优化调度方法，其特征在于，以电动汽车车主支付费用最小为目标的目标函数为：
Figure FDA0003398978790000041
其中，T为优化时段，EV为电动汽车类别，
Figure FDA0003398978790000042
为第j类电动汽车在t时段的充电功率，
Figure FDA00033989787900000418
为第j类电动汽车在t时段的放电功率，μc为电动汽车在t时段的充电电价，μd为电动汽车在t时段的放电电价。
10.根据权利要求1或5所述的一种风光储充综合能源体优化调度方法，其特征在于，优化模型的约束条件为：
1≤kwp+kpv≤kmax
Figure FDA0003398978790000043
Figure FDA0003398978790000044
Figure FDA0003398978790000045
Figure FDA0003398978790000046
Pcw,min≤P″cw.t≤Pcw,max
Figure FDA0003398978790000047
其中，kwp为风力发电与负荷峰值功率之比，kpv为光伏发电与负荷峰值功率之比，kmax为风力发电与光伏发电在负荷峰值功率的占比上限，
Figure FDA0003398978790000048
为t时段电动汽车充电可调容量，
Figure FDA0003398978790000049
为
Figure FDA00033989787900000410
的最小值，
Figure FDA00033989787900000411
为
Figure FDA00033989787900000412
的最大值，
Figure FDA00033989787900000413
为t时段电动汽车的放电容量最大值，
Figure FDA00033989787900000414
为t时段电动汽车的放电容量，T为优化时段，
Figure FDA00033989787900000415
为t时段电动汽车的充电容量，
Figure FDA00033989787900000416
为电动汽车充电站剩余可调容量，
Figure FDA00033989787900000417
为t时段电动汽车的充电容量，Pcw,min为风光储充综合能源体运行过程中联络功率最小设定值、Pc″w.t为风光储充综合能源体运行过程中联络功率t时刻值，Pcw,max为风光储充综合能源体运行过程中联络功率最大设定值，η为蓄电池利用率，Ges.max为蓄电池使用过程中的最大电量，Ges.min为蓄电池使用过程中的最小电量，Ges为蓄电池装机容量，ηmin为蓄电池利用率的最小值。
11.一种风光储充综合能源体优化调度系统，其特征在于，包括：
获取模块：获取风光储充综合能源体运行成本计算参数、联络线功率波动计算参数和电动汽车车主支付费用计算参数；
方案获取模块：将风光储充综合能源体运行成本计算参数、联络线功率波动计算参数和电动汽车车主支付费用计算参数作为预设优化模型的输入，求解预设优化模型，获得最小成本消费的风光储消费方案；其中，优化模型的目标函数以风光储充综合能源体运行成本最小、联络线功率波动最低以及电动汽车车主支付费用最小为目标；
调度模块：根据最小成本消费的风光储消费方案，进行风光储充综合能源体调度。
12.根据权利要求11所述的一种风光储充综合能源体优化调度系统，其特征在于，优化模型的目标函数为F1、F2和F3采用加权系数法转换而成，其中，F1为以微电网运行成本最小为目标的目标函数，F2为以联络线功率波动最低为目标的目标函数，F3为以电动汽车车主支付费用最小为目标的目标函数。
13.根据权利要求12所述的一种风光储充综合能源体优化调度系统，其特征在于，优化模型的目标函数为：
Figure FDA0003398978790000051
其中，F为优化模型的目标函数，ω1为F1的权重，ω2为F2的权重、ω3为F3的权重，ω1+ω2+ω3＝1，F1max为风光储充综合能源体运行成本上限，F2max为联络线功率波动上限，F3max为电动汽车车主支付费用上限。
14.一种存储一个或多个程序的计算机可读存储介质，其特征在于：所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行根据权利要求1至10所述的方法中的任一方法。
15.一种计算设备，其特征在于，包括：
一个或多个处理器、一个或多个存储器以及一个或多个程序，其中一个或多个程序存储在所述一个或多个存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行根据权利要求1至10所述的方法中的任一方法的指令。
CN202111516358.6A 2021-12-08 2021-12-08 一种风光储充综合能源体优化调度方法及系统 Pending CN114186417A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111516358.6A CN114186417A (zh) 2021-12-08 2021-12-08 一种风光储充综合能源体优化调度方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111516358.6A CN114186417A (zh) 2021-12-08 2021-12-08 一种风光储充综合能源体优化调度方法及系统

Publications (1)

Publication Number Publication Date
CN114186417A true CN114186417A (zh) 2022-03-15

Family

ID=80543425

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111516358.6A Pending CN114186417A (zh) 2021-12-08 2021-12-08 一种风光储充综合能源体优化调度方法及系统

Country Status (1)

Country Link
CN (1) CN114186417A (zh)

Similar Documents

Publication Publication Date Title
CN105846423B (zh) 一种计及需求响应的光伏微电网储能多目标容量配置方法
CN111738497B (zh) 计及需求侧响应的虚拟电厂双层优化调度方法
Li et al. Emission-concerned wind-EV coordination on the transmission grid side with network constraints: Concept and case study
CN109190882B (zh) 电力市场环境下基于云储能的微网经济优化交易方法
CN110190597B (zh) 一种分布式电力管理系统
CN106712012B (zh) 一种大规模电动汽车并网充放电的集中控制方法
CN103810539B (zh) 考虑换电服务可用性的电动汽车换电站容量优化配置方法
CN107248751A (zh) 一种实现配电网负荷功率削峰填谷的储能站调度控制方法
CN107464010A (zh) 一种虚拟电厂容量优化配置方法
CN102185375A (zh) 智能电网下的电动汽车节能增效评价与监管系统及其方法
CN109861277A (zh) 一种充电站光伏和储能容量的配置方法及系统
Zhang et al. A multiobjective robust scheduling optimization mode for multienergy hybrid system integrated by wind power, solar photovoltaic power, and pumped storage power
CN106952004A (zh) 一种电动汽车社区充电实时优化调度方法
CN111030101B (zh) 一种基于多元化大数据清洁能源消纳联动调控方法及系统
CN109617066A (zh) 基于电价体系的储能配置方法
Yi et al. Power demand side response potential and operating model based on EV mobile energy storage
CN115358519A (zh) 一种虚拟电厂优化调度方法及装置
Chupradit et al. Modeling and Optimizing the Charge of Electric Vehicles with Genetic‎ Algorithm in the Presence of Renewable Energy Sources
CN106485605A (zh) 清洁能源电阶梯电价预购平台及控制方法
CN115940284B (zh) 一种考虑分时电价的新能源制氢系统的运行控制策略
CN114186417A (zh) 一种风光储充综合能源体优化调度方法及系统
CN116131297A (zh) 一种面向新能源消纳的源网荷储省地协同调控方法及系统
Meng et al. A revenue-risk equilibrium model for distributed energy integrated virtual power plants considering uncertainties of wind and photovoltaic power
Yang et al. Energy Storage Configuration Optimization Method for Industrial Park Microgrid Based on Demand Side Response
CN111932398B (zh) 一种光储型充电站优化控制方法及系统

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