CN114243795A - 一种典型充电站综合能源协同交互优化配置方法及系统 - Google Patents

Abstract

本发明提供了一种典型充电站综合能源协同交互优化配置方法及系统，构建风光储年综合投资成本和风光能源出力占比的多目标优化配置模型，充分利用风光和负荷的互补特性，有效降低充电站运行成本。所述方法，包括以下过程：基于电动汽车及分布式能源与电网协同一体化模型获取风光储的发电信息；获取电动汽车充电负荷需求；根据风光储的发电信息以及电动汽车充电负荷需求，结合充电站多能互补优化配置模型，计算获得风光储的数量配置方案；所述充电站多能互补优化配置模型包括两个目标和约束条件；所述目标包括经济性目标和新能源出力占比目标。

Description

一种典型充电站综合能源协同交互优化配置方法及系统

技术领域

本发明属于电动汽车充电站技术领域，具体涉及一种典型充电站综合能源协同交互优化配置方法，还涉及一种典型充电站综合能源协同交互优化配置系统。

背景技术

面对日益严峻的能源和环境压力，以新能源取代化石能源已成为可持续发展的必然趋势，其中尤以风光资源清洁安全、取之不尽的优势受到重视；电动汽车以低能耗、智能化的特点逐渐受到汽车工业改革的关注，其大规模应用能有效减少汽车碳排放量以及对石油资源的依赖。

为推动社会向低碳型能源经济化社会转型，实现经济、环境的可持续发展，可通过以下两种途径来调整能源的利用方式：一是从整体上改变我国能源长期发展格局，大力发展以风光能源，提高现有电网中风能、光能的渗透率，实现局域能源独立和能源自给的能力；二是统筹传统能源和新能源的利用与发展，在传统的电动汽车充电站和新能源发电之间建立联系，实现新能源就地利用。从当前中国的能源消费结构来看，传统能源尤其是煤炭和石油使用占取绝对比例，在二次能源中，基本是以燃煤为主的火力发电为主导能源，因而通过调整一次能源结构来实现低碳经济转型是一项长期而艰巨的任务。因此有必要从第二种方式入手，将新能源与电动汽车充电系统结合，通过引入风、光新能源构建以分布式电源发电形式的电动汽车充电站，其日间发电可以有效供给站内电动汽车充电，实现能源就地消纳，这种间接降低碳排放的方式，也是未来值得推广地实现节能减排的有效手段。

然而，尽管电动汽车是以电能作为动力，但来自电网的电能主要还是靠化石燃料发电，传统的燃料汽车相比，间接碳排放量并不低，依然无法改变对传统燃料依赖的现状。为响应清洁电能的环保理念，提升电动汽车产业的市场竞争力，推进建设分布式、低碳化、智能化的电动汽车充电站对于实现社会可持续发展具有重要作用。

本发明设计了一种典型充电站综合能源协同交互优化配置方法，以提高充电站的优化运行能力，实现电动汽车与分布式能源联合参与需求侧响应和电网辅助服务的聚合管理。

发明内容

本发明的目的在于克服现有技术中的不足，提供了一种典型充电站综合能源协同交互优化配置方法及系统，构建风光储年综合投资成本和风光能源出力占比的多目标优化配置模型，充分利用风光和负荷的互补特性，有效降低充电站运行成本。

为达到上述目的，本发明是采用下述技术方案实现的：

第一方面，本发明提供了一种典型充电站综合能源协同交互优化配置方法，包括以下过程：

基于电动汽车及分布式能源与电网协同一体化模型获取风光储的发电信息；

获取电动汽车充电负荷需求；

根据风光储的发电信息以及电动汽车充电负荷需求，结合充电站多能互补优化配置模型，计算获得风光储的数量配置方案；所述充电站多能互补优化配置模型包括两个目标和约束条件；

所述目标包括经济性目标和新能源出力占比目标。

进一步的，所述充电站多能互补优化配置模型包括经济性目标函数和新能源出力占比目标函数；

所述经济性目标函数表述如下：

F₁＝minC_Σ＝min(C_deploy+C_Grid)

式中，C_Σ为年均投资成本；C_deploy为设备等效投资成本；C_Grid为年购电成本。

C_deploy＝C_inst+C_mer+C_loss

C_mer＝δ_merC_inst C_loss＝δ_lossC_inst

式中，C_inst、C_mer、C_loss分别为系统基建成本、运维成本以及损耗成本；N_PV、N_W、N_B和p_PV、p_W、p_B分别为光伏电池板、风机、储能电池的购置数量和购置单价；C_ob、C_install分别为固定投资成本和安装成本；δ_mer、δ_loss分别为折合成系统运行维护成本和管理人员工资成本占年建设成本的比例系数以及损耗成本占年建设成本的比例系数；r为贴现率；τ为规划年限；

电网年购电成本C_Grid可表示为：

式中，P_grid(t)表示t时刻电网出力；R_g(t)表示t时刻的电网购电单价；

所述新能源出力占比目标以常规集中式能源系统通过大电网供电的负荷比例RAT_grid来反映新能源的出力水平RAT_rep，以大电网供电的负荷比例最小作为充电站多能互补优化配置的目标；

式中，Q_rep为新能源一年总发电功率，Q_EV为电动汽车一年充电总需求负荷，Q_grid为大电网一年总输出功率，P_grid(t)为大电网t时刻输出功率，P_EV(t)为电动汽车t时刻充电需求负荷。

进一步的，所述约束条件包括：功率平衡约束、系统安全运行约束、风光储装配数量约束、风、光发电设备输出功率约束、储能电池输出功率约束和储能电池容量约束；

所述功率平衡约束表示为保证充电站的稳定运行，全年任意时刻都必须满足充电站内电源与负荷之间的功率平衡，其表达式如下：

P_EV(t)＝P_B(t)+P_PV(t)+P_W(t)+P_grid(t)

式中，P_PV(t)、P_W(t)、P_B(t)表示t时刻光伏、风机和储能出力，其中P_B(t)充电为负，放电为正。

所述系统安全运行约束表示外接电网一旦出现故障，为保证该状态下本地重要负荷仍能够正常运转，在并网运行时新能源发电负荷比值提出要求，其表达式如下：

P_rep(t)≥αP_total(t)

P_rep(t)＝P_PV(t)+P_W(t)

P_total(t)＝P_EV(t)+P_站内负荷(t)

式中，P_rep(t)为t时刻新能源发电功率；P_total(t)为t时刻充电站总需求负荷；P_站内负荷(t)为t时刻充电站内其他负荷需求；α为充电站系统最小自发电率，初始化为0.3，可根据充电站实际运行状态进行修正。

风光储装配数量约束，其表达式如下：

式中，N_W.max、N_PV.max、N_B.max为风、光、储设备最大安装数量，根据实际充电站规模及运行状况决定。

所述风、光发电设备输出功率约束表示风、光发电设备的任意时刻输出功率需满足该时刻风速或太阳辐射强度所决定的范围约束，其表达式如下：

式中，P_PV,min、P_PV.max为光伏阵列的最小与最大输出功率；P_W,min、P_W.max为风力发电机组的最小与最大输出功率。

所述储能电池输出功率约束表达式如下：

P_B.min≤P_B(t)≤P_B.max

式中，P_B,min为储能电池最小充放电功率；P_B,max为储能电池最大充放电功率。

所述储能电池容量约束表达式如下：

根据储能电池的额定容量和放电深度，储能的电量变化范围需满足：

E_B.min≤E_B(t)≤E_B.max

式中，E_B.max、E_B.min分别为储能电池电量的上限与下限；设储能电池的额定容量为E_B.max，而E_B.min取决于储能电池最大放电深度。

进一步的，所述电动汽车及分布式能源与电网协同一体化模型包括光伏发电系统模型、风力发电系统模型以及储能电池系统模型；

所述光伏发电系统模型的输入是标准测试条件下的额定输出功率P_STC、标准测试条件下的太阳辐射强度G_STC、标准测试条件下的组件表面温度T_STC、实时太阳辐射强度G_C、实时光伏组件表面温度T_C，输出是光伏电池板的实际输出功率P_PV，其表达式如下：

式中，P_PV为光伏电池板的实际输出功率；k为功率温度系数；G_C、T_C为实时太阳辐射强度和光伏组件表面温度，T_a为环境温度；

所述风力发电系统模型输入是实时风速v、为额定风速v_r、分别为风机的切入风速v_in、切除风速v_out、风机额定功率P_r，输出是风机在t时刻的实际输出功率P_W(t)，其表达式如下：

式中，P_W(t)为风机在t时刻的实际输出功率；v为实时风速；v_r为额定风速；v_in、v_out分别为风机的切入风速、切除风速；P_r为风机额定功率。

所述储能电池系统模型输入是工作点储能电池的温度T_bat、标准测试条件下的额定容量E_STC和温度T_STC、容量温度系数σ_B，输出是储能电池工作点的容量E_bot，其表达式如下：

E_bat＝E_STC[1+σ_B(T_bat-T_STC)] (8)

式中，T_bat为工作点储能电池的温度；E_STC、T_STC为标准测试条件下的额定容量和温度；σ_B为容量温度系数。

进一步的，基于电动汽车及分布式能源与电网协同一体化模型获取风光储的发电信息的方法包括以下步骤：

通过资料收集、软件仿真获取目标区域的全年风光资源数据；所述风光资源数据包括全年太阳辐射强度数据和全年风速数据；

根据目标区域的全年太阳辐射强度数据，结合光伏发电系统模型，拟合出光伏发电单元的全年发电功率并确定容量配置中的光伏电池板的设备参数；所述光伏电池板的设备参数包括额定功率、开路电压、短路电流、系统电压、工作电流、规格、价格；

根据该地的全年风速数据，确定容量配置中的风力发电设备的设备参数；所述风力发电设备的设备参数包括风机的切入风速v_in、切除风速v_out、风机额定功率P_r和价格，同时获取实时风速v，并结合风力发电系统模型，获取风机在t时刻的实际输出功率P_W(t)；

确定储能电池的设备参数；所述储能电池的设备参数包括工作点储能电池的温度T_bat、标准测试条件下的额定容量E_STC和温度T_STC、容量温度系数σ_B，结合储能系统模型，获得储能电池工作点的容量E_bot。

进一步的，通过资料收集、软件仿真获取目标区域的全年风光资源数据的方法包括：

获取项目当地气象数据，利用可再生能源互补发电优化建模软件模拟全年太阳辐射强度曲线，得到该地的全年太阳辐射强度数据；

从中国气象数据网获取近年来月平均风速的历史数据，利用可再生能源互补发电优化建模软件进行仿真，输入威布尔分布模型所需的参数以及全年各月的平均风速数据，获得全年风速变化数据。

进一步的，获取电动汽车充电负荷需求的方法包括：

获取电动汽车保有量和渗透率，并根据基于蒙特卡洛模拟的电动汽车充电需求预测方法，对进入该充电站内电动汽车充电需求进行仿真计算，得到充电站典型日充电负荷需求；

以年为周期计算获取充电站年充电负荷数据。

进一步的，根据风光储的发电信息以及电动汽车充电负荷需求，结合充电站多能互补优化配置模型，计算获得风光储的数量配置方案的方法包括：

获取其他数据，所述其他数据包括光伏安装成本、风机安装成本、储能电池安装成本和固定投资成本；

将目标地区的全年风速数据、太阳辐射强度数据、电动汽车充电功率和所选取的风力发电设备、光伏发电单元的设备参数作为风光充电站容量优化配置模型的输入条件；

基于分时电价以充电站经济运行的能量交换策略作为充电站运行机制；

以经济性目标和新能源出力占比目标求解，根据约束条件，结合Pareto最优解理论处理多目标问题，利用改进的多目标群搜索算法进行求解，获得模型迭代结果与最优解集分布，最优解集是尽可能满足两个目标的情况下风光储设备的最优安装数量分配；迭代结果是多个最优解下的目标函数结果，即每一个最优解对应的综合投资成本与电网供电比例。

第二方面，本发明提供了一种典型充电站综合能源协同交互优化配置系统，包括：

发电信息获取模块：用于基于电动汽车及分布式能源与电网协同一体化模型获取风光储的发电信息；

负荷需求获取模块：用于获取电动汽车充电负荷需求；

配置计算模块：用于根据风光储的发电信息以及电动汽车充电负荷需求，结合充电站多能互补优化配置模型，计算获得风光储的数量配置方案；所述充电站多能互补优化配置模型包括两个目标和约束条件；所述目标包括经济性目标和新能源出力占比目标。

第三方面，本发明提供一种典型充电站综合能源协同交互优化配置系统，包括处理器及存储介质；

所述存储介质用于存储指令；

所述处理器用于根据所述指令进行操作以执行根据第一方面所述方法的步骤。

与现有技术相比，本发明所达到的有益效果是：本发明考虑电动汽车充电行为、多类型新能源、多类型储能与电网的融合交互，针对电动汽车充电站多能互补优化配置，构建了兼顾风光储年综合投资成本和风光能源出力占比的多目标优化配置模型，所提容量配置方法能够充分利用风光和负荷的互补特性，有效降低充电站运行成本，实现电动汽车与分布式能源联合参与需求侧响应和电网辅助服务的聚合管理，进一步推广实施满足多方参与主体利益共享的V2G市场运营机制。

附图说明

为了使本发明的内容更容易被清楚地理解，下面根据具体实施例并结合附图，对本发明作进一步详细的说明，其中：

图1是典型充电站综合能源协同交互模型流程图；

图2是全年太阳辐射强度曲线；

图3是全年典型日的太阳辐射强度曲线；

图4是全年逐小时的风速曲线；

图5是全年典型日的风速曲线；

图6是电池储能系统结构模型；

图7是含风光储的典型微网结构图；

图8是计及多能互补的电动汽车充电站结构模型；

图9是电动汽车充电站多能互补优化配置方案设计；

图10是290W光伏电池板全年发电功率曲线；

图11是290W光伏电池板全年典型日发电功率；

图12是10kW风机全年发电功率曲线；

图13是10kW风机全年典型日发电功率；

图14是充电站日充电负荷需求；

图15是模型迭代结果与最优解集分布；

图16是风光储配置方案；

图17是不同新能源出力占比下新能源消纳率变化；

图18是本发明所提能量交换策略与传统能量交换策略下设备出力分布对比；其中(a)场景一：计及充电站经济运行的能量交换策略，(b)场景二：传统能量交换策略；

图19是优化方案的夏季典型日和冬季典型日功率分布情况；其中(a)夏季典型日功率分布，(b)冬季典型日功率分布；

图20是不同月份电量分布情况。

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。

本发明的技术构思为：首先找出电网中潜在在次同步振荡模式频率，并计算出各个潜在模式发生次同步振荡的风险，筛选出风险较高潜在次同步振荡模式对应的厂站部宽频振荡检测装置。

下面结合附图对本发明的应用原理作详细的描述。

实施例一：

本发明的一种典型充电站综合能源协同交互优化配置方法，参见图1所示，包括：

步骤1，电动汽车及分布式能源与电网协同一体化模型的建立。

具体为：考虑风光资源出力的随机波动性，分别建立光伏发电系统模型、风力发电系统模型以及储能电池系统模型，利用HOMER软件模拟风速与太阳辐射强度特性曲线，分析全年风速与光照数据的变化特点，为步骤三算例中的光伏电池板和风力发电机组的选型提供数据参考。

(1)光伏发电系统建模

光伏发电是根据光伏效应将太阳能转化为电能。光伏电池的容量较小，根据不同场景的需要，可以将数十个或数百个单独的光伏电池进行串并联组合成光伏电池模块，模块经封装成为不同功率的太阳能电池板，再经过串并联组成光伏阵列。光伏阵列利用光的伏特效应将太阳能转化为直流电，进行一系列汇流逆变升压操作后接入电网。

其中光伏阵列的实际输出功率由标准测试条件下的额定输出功率P_STC、太阳辐射强度G_STC和组件表面温度T_STC等决定。

式中，P_PV为光伏电池板的实际输出功率；k为功率温度系数，一般取-0.3％/℃；G_C、T_C为实时太阳辐射强度和光伏组件表面温度。

光伏电池工作温度是影响光伏发电系统能力的要素之一。在正常情况下，当太阳能电池板受到照射时，大部分都转化为使电池发热的热能。因此，光伏组件温度一般要比环境温度高。实时光伏组件温度T_C可通过实时太阳辐射强度和环境温度T_a估算，如式(2)：

为得到规划地区的全年太阳辐射强度曲线，利用可再生能源互补发电优化建模软件(Hybrid Optimization Model for Electric Renewable，HOMER)获取项目当地气象数据，模拟全年太阳辐射强度曲线。选择其中的太阳能资源的拟合模块进行仿真，离散得到该地的全年太阳辐射强度曲线如图2所示，规划区全年典型日的太阳辐射强度曲线如图3所示。

由所得全年光照强度数据可知，该地区太阳能资源相对比较丰富，一年中夏季的辐射最强，其次是春季、秋季；所得全年光照强度数据为光伏电池板的选型提供数据参考。

(2)风力发电系统建模

在模拟风机出力前需要进行风速模拟，通常，由于实地采集风速数据的受限条件较多，难以获得长期可靠的数据。威布尔分布是一种用于研究风力发电系统与电网之间动态影响的风速模拟数学模型，在缺乏实测数据的情况下，利用威布尔分布曲线进行现场风速采样模拟风速数据。其模拟出的风速变化曲线与实际风速最贴近，是基于形状参数和尺度参数建立的风速概率分布密度函数，如式(3)所示：

式中，v为输入的风速值；k为形状参数；c为威布尔尺度系数。其中k、c可由平均风速μ和标准差σ计算得出，风速的分布函数表示如下：

式中，Γ为Gamma函数。风机轮毂高度的预测风速利用式(6)得出：

式中，v为轮毂高度风速；h为风机轮毂高度；v₀为地面模拟风速；h₀为地面高度；a为风切变指数。

在理想的风能转换模型中，风机发电功率受到空气密度、叶片半径和风能转换效率的影响。风机的输出功率随风速变化而变化，基于风速模拟模型，利用线性插值法可以得到风机出力的函数表达式如式(7)：

式中，P_W(t)为风机在t时刻的实际输出功率；v为实时风速；v_r为额定风速；v_in、v_out分别为风机的切入风速、切除风速；P_r为风机额定功率。

为得到该地区的全年风速变化曲线，首先从中国气象数据网收集近年来月平均风速的历史数据，利用HOMER软件风力发电机模块进行仿真，输入威布尔分布模型所需的参数以及全年各月的平均风速数据，获得全年风速变化曲线如图4所示，按季节抽取全年典型日的风速曲线如图5所示。

由图4、5可知，全年风速基本呈现夏季小、冬季春季大的分布，一天24h基本呈现白天小、夜晚较大的分布。所得全年风速数据为风力发电机组的选型提供数据参考。

(3)储能系统建模

储能系统的配置除了可以平抑风光发电的随机性和间歇性功率波动，也能在一定程度上缓解能源供需矛盾，保障电网安全运行，实现更加灵活的能源协调优化。在分布式微网系统中，储能系统的充放电特性将为提高系统可靠性发挥显著作用。

单个储能电池典型结构如图6所示。在与风光发电系统的联合中，储能电池组ST_eq、变流器CNV_eq、变压器T_req和阻抗Z_eq相连接组成电池储能系统，输出电能，经过功率控制系统并与变压器TR₀、阻抗Z₀连接后，最终与风光发电系统连接；当风光发电系统输出功率不够时，它将电能传输到负载。根据以上模型，实现系统可靠运行的有效工作模式。

储能电池的性能通常用电池容量和荷电状态进行描述，储能电池工作点的容量E_bat可由式(8)表示：

E_bat＝E_STC[1+σ_B(T_bat-T_STC)] (8)

式中，T_bat为工作点储能电池的温度；E_STC、T_STC为标准测试条件下的额定容量和温度；σ_B为容量温度系数，一般取0.6％。

为协调电源和负荷间的功率平衡，储能控制系统与外部的设备交互来实现协调运行；在监控与调度系统的作用下，储能电池中功率调节的执行设备进行安全有效的充放电管理。其充放电状态如下：

充电过程：

E_ba(λt)＝E_ba[(λ-1)t]+P_ba(λt)tη_c (9)

放电过程：

E_ba(λt)＝E_ba[(λ-1)t]-P_ba(λt)t/η_d (10)

式中，E_ba(λt)和E_ba[(λ-1)t])分别为储能电池λt和(λ-1)t时刻的储能电量；P_ba(λt)为λt时刻电池的充放电功率；η_c、η_d分别为储能电池充电、放电效率。

储能电池充放电过程中，储能控制器根据电池的荷电状态(StateofCharge，SOC)来调控储能电池充电和放电状态，其与(t-1)时段的荷电量、(t-1，t)时段储能电池的充放电量以及每小时的电量衰减量都有关。

储能电池充电时，t时段的SOC可表示为：

SOC(λt)＝SOC[(λ-1)t]+|ΔE_ba(λt)|/E_B (11)

储能电池放电时，t时段的SOC可表示为：

SOC(λt)＝SOC[(λ-1)t]-|ΔE_ba(λt)|/E_B (12)

式中，SOC(λt)、SOC[(λ-1)t]分别为储能电池在λt和(λ-1)t时刻的荷电状态；E_B为储能电池的额定容量；△E_ba(λt)为λt时刻储能电池的能量变化。

步骤2，电动汽车多能互补充电站结构模型与优化配置模型建立。

具体为：基于风光储集成的多能互补微网典型结构，构建计及多能互补的电动汽车充电站结构模型，针对含风光储的电动汽车充电站，为实现充电站的多能互补，构建考虑充电站年综合投资成本和新能源出力占比的风光储容量优化配置模型。

(1)多能互补典型微网结构

多能互补是指不同种类能源的互补利用或者同一种类能源的不同形式的互补利用，多能互补微网系统因其融合了多种分布式电源、负荷、储能装置，可以灵活实现离网或并网运行，提高分布式电源的利用率和系统供电的可靠性而具备很大的发展潜力。典型的含风光储的多能互补微网系统结构如图7所示。

图7所示的风光储典型微网结构采用了目前比较常见的风光互补+储能的多能互补发电模式。作为分布式电源发电的一种重要应用形式，与单独的风力发电或光伏发电相比，功率输出更平稳、可靠性更高。这是得益于微网中储能灵活的充放电特性，能够对风光出力进行平滑处理，通过连续优化发电曲线，持续降低发电曲线的方差，从而达到多能互补的效果。

(2)计及多能互补的电动汽车充电站结构

计及多能互补的电动汽车充电站是将风光储微网系统与电动汽车充电站整合到一起的微网形式。在构建充电站结构模型前，首先要明确分布式电源接口类型和微网系统连接形式。

不同分布式电源有着不同的并网接口，光伏发电单元和储能电池单元发出的是直流电，可以通过DC/AC逆变装置或者DC/DC变换器将直流电转换为可用形式；风力发电单元发出的是交流电，可以通过AC/DC/AC变换器并入交流母线或直接经AC/DC整流装置并入上级直流母线。

由于直流母线易控制，易扩展，可满足用电与发电设备的增容需求，同时分布式电源入网时省去了整流部分，系统建设成本低；因此本发明选取基于直流母线的系统结构，各单元通过相应的电力电子变换器与直流母线相连。本发明构建的含风光储的多能互补电动汽车充电站结构模型如图8所示。

充电站包含了交流配电网、风力发电机组(风力发电系统)、光伏电池阵列(光伏发电系统)、储能装置(储能系统)、中央控制单元、电动汽车充电机等设备。充电站内储能系统配合风力发电系统与光伏发电系统为电动汽车提供电能，保障电动汽车充电的连续性，各部分功能如下：

1)交流配电网：从输电网或地区发电厂接受电能，经过降压变压器及AC/DC整流模块接入直流母线。

2)光伏电池阵列(光伏发电系统)：由太阳能电池板串并联组成，光伏阵列将太阳能转换成电能，连接DC/DC变流模块接入直流母线。

3)风力发电机组(风力发电系统)：由风力机与发电机两部分组成，风力发电机组将风能转换成电能，连接AC/DC整流模块接入直流母线。

4)储能电池组(储能系统)：在调度系统的控制下，配合风光出力为电动汽车提供电能，起到能量储存和调节作用。

5)DC/DC变流模块：储能电池组和光伏发电系统连接电网的变流单元。其中，储能电池组采用能量双向控制，实现充放电功能。

6)AC/DC整流模块：作为风力发电系统与交流侧配电网连接直流母线的整流单元。

7)中央控制单元：负责监控系统内能量、电压与电流的动态变化，协调系统内各单元正常运作。

8)站内负荷：包括站内的照明负荷、空调负荷等交流用电负荷。

9)电动汽车充电机：类似加油站的加油机，可以根据不同电压等级为处于停车位上的不同型号的电动汽车充电。

(3)充电站多能互补优化配置模型

针对风光等可再生能源以分布式电源形式接入电动汽车充电站的优化配置问题，在该类充电站的规划中，研究满足站内电动汽车充电需求的基础上，同时兼顾投资经济性与提升新能源出力比例来实现充电站内分布式电源实现多能互补优化配置的优选，求解计及多能互补电动汽车充电站内风力发电机组、光伏发电机组与储能电池容量的最优配置方案，如图9所示。

1)目标函数

经济性目标

经济性目标主要考虑系统年均投资成本最小，包括分布式电源(包括储能)投资成本和电网购电成本，其目标函数表述如下：

F₁＝minC_Σ＝min(C_deploy+C_Grid) (13)

式中，C_Σ为年均投资成本；C_deploy为设备等效投资成本；C_Grid为年购电成本。

C_deploy＝C_inst+C_mer+C_loss (14)

C_mer＝δ_merC_inst C_loss＝δ_lossC_inst (16)

式中，C_inst、C_mer、C_loss分别为系统基建成本、运维成本以及损耗成本；N_PV、N_W、N_B和p_PV、p_W、p_B分别为光伏电池板、风机、储能电池的购置数量和购置单价；C_ob、C_install分别为固定投资成本和安装成本；δ_mer、δ_loss分别为折合成系统运行维护成本和管理人员工资成本占年建设成本的比例系数以及损耗成本占年建设成本的比例系数；r为贴现率；τ为规划年限。

定义各时刻充电负荷与新能源出力之差为从电网吸收的能量，则电网年购电成本C_Grid可表示为：

式中，P_grid(t)表示t时刻电网出力；R_g(t)表示t时刻的电网购电单价。

新能源出力占比目标

利用新能源对调整城市能源结构，对促进城市可持续发展具有重要意义。对于计及多能互补的电动汽车充电站，理想的运行方式是能够实现新能源发电与充电负荷的就地消纳，同时实现与常规能源系统的有效匹配。以一定周期内新能源能够提供的负荷占电动汽车充电总负荷需求之比来表示新能源出力占比，也反映了系统的自平衡能力。

本发明以常规集中式能源系统通过大电网供电的负荷比例RAT_grid来反映新能源的出力水平RAT_rep，以大电网供电的负荷比例最小作为充电站多能互补优化配置的目标之一。

式中，Q_rep为新能源一年总发电功率，Q_EV为电动汽车一年充电总需求负荷，Q_grid为大电网一年总输出功率，P_grid(t)为大电网t时刻输出功率，P_EV(t)为电动汽车t时刻充电需求负荷。

对于充电站系统，依赖大电网供电的负荷比例越小，则配置方案的新能源出力水平越高，充电站系统的自平衡能力也越强。

2)约束条件

对于电动汽车充电站内多能互补容量优化配置问题，设置约束条件为：

功率平衡约束

为保证充电站的稳定运行，全年任意时刻都必须满足充电站内电源与负荷之间的功率平衡。

P_EV(t)＝P_B(t)+P_PV(t)+P_W(t)+P_grid(t) (20)

式中，P_PV(t)、P_W(t)、P_B(t)表示t时刻光伏、风机和储能出力，其中P_B(t)充电为负，放电为正。

系统安全运行约束

外接电网一旦出现故障，充电站系统便进入孤岛运行状态，为保证该状态下本地重要负荷仍能够正常运转，必须对充电站在并网运行时新能源发电负荷比值提出要求，要求任一小时内新能源发电占充电站总需求负荷比值不低于某值，某值即充电站系统最小自发电率。该充电站多能互补优化配置模型设置以每一小时为间隔，研究全年新能源发电量负荷需求。

P_rep(t)≥αP_total(t) (21)

P_rep(t)＝P_PV(t)+P_W(t) (22)

P_total(t)＝P_EV(t)+P_站内负荷(t) (23)

式中，P_rep(t)为t时刻新能源发电功率；P_total(t)为t时刻充电站总需求负荷；P_站内负荷(t)为t时刻充电站内其他负荷需求；α为充电站系统最小自发电率，初始化为0.3，可根据充电站实际运行状态进行修正。

风光储装配数量约束

式中，N_W.max、N_PV.max、N_B.max为风、光、储设备最大安装数量，根据实际充电站规模及运行状况决定。

风、光发电设备输出功率约束

风、光发电设备的任意时刻输出功率需满足该时刻风速或太阳辐射强度所决定的范围约束。

式中，P_PV,min、P_PV.max为光伏阵列的最小与最大输出功率；P_W,min、P_W.max为风力发电机组的最小与最大输出功率。

储能电池输出功率约束

P_B.min≤P_B(t)≤P_B.max (26)

式中，P_B,min为储能电池最小充放电功率；P_B,max为储能电池最大充放电功率。

储能电池容量约束

根据储能电池的额定容量和放电深度，储能的电量变化范围需满足：

E_B.min≤E_B(t)≤E_B.max (27)

式中，E_B.max、E_B.min分别为储能电池电量的上限与下限；设储能电池的额定容量为E_B.max，而E_B.min取决于储能电池最大放电深度。

步骤3，最后通过不同配置算例验证所提方法的可行性，验证所述典型充电站综合能源协同交互优化配置方法的可行性和正确性。

(1)算例说明

假定规划建设1400m²含风光储的电动汽车充电站，根据系统模型的决策变量和目标函数需求，确定配置的相关参数如下：

1)风光出力数据

通过资料收集、软件仿真某地一年的风光资源数据，如第一步所述得到该地区每月每天的风速、太阳辐射强度等平均风光数据。根据选取的地点及应用场景，可以选用常见的额定功率为290W的光伏池板单体作为容量配置中的光伏发电单元，其性能参数见表1所示：

表1光伏电池板的设备参数

结合光伏发电系统模型和全年太阳辐射强度数据，拟合出单块光伏电池的全年发电功率，290W光伏电池板全年发电功率曲线和全年典型日发电功率如图10和11所示。

根据该地的平均风速数据，考虑设备灵活性与可操作性选取额定功率为10kW的风力发电机作为容量配置中的风力发电设备，其性能参数如表2所示。

表2风力发电机设备参数

结合风力发电系统模型和全年风速数据，得到10kW风机全年发电功率曲线及10kW风机全年典型日发电功率，如图12和图13所示。

结合储能系统模型和全年充电站系统负荷需求，选取的储能电池的主要参数如表3所示。

表3储能电池设备参数

2)电动汽车充电需求

假设某电动汽车充电站服务区域小汽车保有量约1万辆，电动汽车渗透率为5％。根据基于蒙特卡洛模拟的电动汽车充电需求预测方法，对进入该充电站内电动汽车充电需求进行仿真计算，得到充电站典型日充电负荷需求如图14所示。以年为周期计算该充电站年充电负荷数据，以便后续结合风光储出力特性进行充电站多能互补优化配置，即满足前述的经济性目标和新能源出力占比目标。

3)其他系统参数

上述是对规划地区的全年风速数据、太阳辐射强度数据、电动汽车充电功率和所选取的风机、光伏电池规格的简述，这些数据将作为风光充电站容量优化配置问题的基本输入条件。电动汽车充电功率的获取方法为对电动汽车充电站服务区域汽车保有量和电动汽车渗透率为进行假设，再根据现有的基于出行概率矩阵的电动汽车充电需求预测方法，对进入该充电站内电动汽车充电需求进行仿真计算。

充电站其他参数设置如下：

表4充电站设备相关参数表

在容量配置阶段，基于分时电价以充电站经济运行的能量交换策略作为充电站运行机制，设定分时电价如表5所示。

表5分时电价参数

(2)仿真结果及分析

对本发明优化配置模型即上述的经济性目标和新能源出力占比求解，结合Pareto最优解理论处理多目标问题，利用改进的多目标群搜索算法进行求解，算法具体设置：设定种群数量50，最大迭代次数为200，控制参数分别光伏电池数量X_PV、风电机数量X_W、储能电池数量X_B；受配置空间限制，假定光伏电池、风电机数量配置上限分别为1800、15，储能最大安装容量为1600kWh，约为133333Ah，即储能电池配置上限约为533，设定储能系统每小时充放电功率200kW。求解多能互补优化配置模型，得多目标配置结果如图15和图16所示。图15是模型迭代结果与最优解集分布，最优解集是尽可能满足两个目标的情况下风光储设备的最优安装数量分配。迭代结果是多个最优解下的目标函数结果，即每一个最优解对应的综合投资成本与电网供电比例，通过图15描述两者的关系，便于后续进一步分析寻找更加合理的最优解；图16是风光储配置方案，求解目标1和目标2的结果。

从图中可以看出利用算法搜索得到的Pareto解集分布较规律，根据得到的Pareto解集同时计算光伏、风机发电功率及发电量，比较风光发电功率与电动汽车充电负荷大小，根据能量交换策略，计算电网输出功率以及储能系统充放电功率，计算储能系统充放电量、电网输出电量及电动汽车充电电量，加入储能电池充电电量上下限，最终计算年综合投资成本和电网供电比例。Pareto最优解理论。此处Pareto解集为求解上述多目标模型的一系列最优解。

从图15可知充电站综合投资成本与电网供电比例这两个目标互相冲突。随着投资成本的提高，电网供电比例逐渐减小，新能源出力占比增加，因而呈现投资成本随新能源出力比例增大而升高的趋势。新能源出力比例是由风光储三者共同决定的；同一能源利用率可能对应不同的配置方案，且其中储能电池容量与充电站系统运行控制策略密切相关，导致对应的建站成本和购电成本都不同。

通过对算例求解分析得到满足两个目标函数的一系列最优解，为说明优化模型的合理性，选择几组方案来分析在不同风光储容量配置下，充电站年综合投资成本和新能源出力情况。

表6优化配置方案下的充电站年综合投资成本和电网供电比例

由表6的配置方案可以看出，随着电源配置容量增加，依赖电网供电的比例越低，即新能源出力占比越高，投资成本也越高。由于光伏阵列出力的波动性较大，为了提高系统对新能源利用比例，储能的配置数量随着光伏与风机配置数量的变化进行协调。对比表中方案1与6，方案1的储能电池较方案6多177块，此时电网供电比例降低了2.3％，而投资成本增加了4.79万元，这说明单纯增加储能电池对于提高新能源出力比例并不明显且不经济；对比方案5与6，明显地，作为充电站主要供能来源，调整风光的配置数量直接影响新能源的出力比例与投资成本。

由多目标配置结果可知，若优先考虑充电站内新能源出力情况，则充电站投资成本会大大增加；若优先考虑投资经济性，则无法提高新能源出力比例。因而建站方案的最优决策必须结合不同充电站的不同建设需求，选择最为合理的电动汽车充电站风光储容量配置方案。在实际应用中，提高风光能源的配置数量，虽然实现了风光资源的高比例出力，但由于充电站系统相关运行约束及新能源发电的间歇性、不稳定性的特点，配置的储能系统只能完全平抑一年中部分时段的风光发电，必定会发生一定能源弃用的现象。为实现新能源的高比例消纳，提升能源的出力水平，同时使决策者更加合理的选择配置方案，提出将新能源消纳率作为选取最优配置方案的指标。

研究不同新能源出力占比下新能源消纳比例，以风光联合出力和电网出力总和与总充电负荷之差来表示新能源未消纳的部分，则新能源消纳率RAT_csp和新能源出力占比RAT_rep可表示为：

根据优化方案计算得到优化配置模型下的RAT_rep与RAT_csp的关系如下图17所示：由图17可知，当新能源出力占比为77.4％，即电网供电比例在22.6％时，新能源消纳率出现了最大值，此时电动汽车充电站内的多能互补优化配置结果满足决策者对经济性和新能源出力占比的要求，同时兼顾了新能源的消纳率，达到一个相对最优情况，在此配置下，能够更好执行充电站内能量交换策略，实现多能互补充电站的优化运行。

取新能源消纳率最大值时的最优配置方案：

表7最优配置方案

对优化配置方案进行分析以说明多能互补优化配置模型的合理性。

1)不同能量交换策略下充电站设备出力及经济性分析

根据上述优化配置方案结果分析某日充电站以本发明所提改进的能量交换策略和传统能量交换策略控制充电站系统运行这两种场景下的设备出力分布如图18所示。(为了直观展示充电站光伏、风机发电输出功率、电网输出功率和储能设备充放电变化情况，将几条曲线整合到一张图中，并设定储能充电为负方向，放电为正方向。)

在风光出力相同的情况下，储能系统根据不同的运行策略执行充放电，大电网配合输出缺少的负荷。具体以图18(a)分析本发明所提能量交换策略下系统内各设备出力状况。

由图18(a)可知，从0:00至次日7:00，电网执行谷时电价；由于此时段内购电费用低，充电站向电网购电为电动汽车提供电能，并由风机出力和充电站向电网购电补充储能设备，储能系统在5点到达电池满额状态。7:00至12:00为用电高峰，此时电网执行峰时电价；风光出力优先为电动汽车供电，若风光出力大于充电需求，多余电能根据储能设备的荷电状态对电量未满的储能设备进行充电；若风光出力不满足充电需求，储能设备放电；12:00至17:00时，此时段执行平时电价，购电费用较低，若此时风光出力不能满足充电需求，相应的需求缺额则由电网补充。17:00至22:00时，电网执行峰时电价政策，若此时风光出力小于充电需求，则由储能设备补充缺额以减少峰时购电费用；若储能设备容量不足，再由电网补充该时段电动汽车所需电能；22:00至24:00时，储能剩余电量放出，缺额由风机出力及电网提供。

对比图18(a)和图18(b)可知，图18(a)的储能充电容量和电网出力相对图18(b)较多，而图18(a)的电网出力时间都集中在电价谷时和平时，图18(b)电网出力时间多集中在电价峰时。计算两种场景下的年购电成本和建设成本，如表8所示。

表8两种场景下的年投资成本

由表8可以看出，在电动汽车充电站内风光储容量时，执行本发明所提出的能量交换策略场景下的充电站年购电成本较小，该策略促使充电站在平、谷时段向电网购电，有益于降低充电站峰时购电费用，提高充电站运行的经济性。

2)对多能互补充电站系统进行功率平衡分析

风光受天气变化影响因而其出力随机性较大。根据配置方案结果，研究夏季与冬季典型日下电动汽车充电功率与风光发电功率、储能充放电功率、电网输出功率之间的分布情况。

对比图19(a)和(b)可知，受季节影响，夏季光伏出力大于冬季，而风机出力小于冬季，且整体看来，冬季向电网购电量相对夏季增多；由图19(a)可知，在9:00至12:00时段，风光出力高于充电需求，而储能电池电量已满额，此时出现了弃光现象；而图19(b)中，在9:00至10:00时段，风光出力不满足充电负荷，储能电池放电补充缺额；综合分析夏季典型日与冬季典型日下各设备出力情况，优化配置方案下的电动汽车充电功率与电网输出功率、风光发电功率和储能充放电功率之间都满足功率平衡条件。

3)对多能互补充电站系统进行电量平衡分析

对优化配置方案进行电量平衡分析，统计最优配置方案下月电动汽车充电需求、风光联合出力总电量以及配电网购电总电量分布情况。

由图20可看出，全年各月份的风光联合发电总量与全年各月电网提供电量之和基本满足电动汽车充电需求。图中6月至10月可发现，风光联合发电量较多，存在一部分能量并未消纳的情况；这主要是由于光伏出力受不同季节下太阳辐射强度变化而存在差异，同时考虑规划成本，配置的储能电池只能平抑一年中部分时段的光伏发电量，这是一般分布式电源发电尤其是光伏发电站的正常现象，从上图可以看出，电量平衡基本满足运行特性。

实施例二：

本实施例提供一种典型充电站综合能源协同交互优化配置系统，包括：

发电信息获取模块：用于基于电动汽车及分布式能源与电网协同一体化模型获取风光储的发电信息；

负荷需求获取模块：用于获取电动汽车充电负荷需求；

配置计算模块：用于根据风光储的发电信息以及电动汽车充电负荷需求，结合充电站多能互补优化配置模型，计算获得风光储的数量配置方案；所述充电站多能互补优化配置模型包括两个目标和约束条件；所述目标包括经济性目标和新能源出力占比目标。

本实施例所述的系统可用于实现实施例一所述的方法。

实施例三：

本发明实施例还提供了一种典型充电站综合能源协同交互优化配置系统，包括处理器及存储介质；

所述存储介质用于存储指令；

所述处理器用于根据所述指令进行操作以执行实施例一所述方法的步骤。

本发明装置的各个模块的具体实现方案参见上述方法的具体实现过程。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请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，本申请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。

本申请是参照根据本申请实施例的方法、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。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。

Claims (10)

1.一种典型充电站综合能源协同交互优化配置方法，其特征在于，包括以下过程：

基于电动汽车及分布式能源与电网协同一体化模型获取风光储的发电信息；

获取电动汽车充电负荷需求；

根据风光储的发电信息以及电动汽车充电负荷需求，结合充电站多能互补优化配置模型，计算获得风光储的数量配置方案；所述充电站多能互补优化配置模型包括两个目标和约束条件；

所述目标包括经济性目标和新能源出力占比目标。

2.根据权利要求1所述的典型充电站综合能源协同交互优化配置方法，其特征在于，所述充电站多能互补优化配置模型包括经济性目标函数和新能源出力占比目标函数；

所述经济性目标函数表述如下：

F₁＝min C_Σ＝min(C_deploy+C_Grid)

式中，C_Σ为年均投资成本；C_deploy为设备等效投资成本；C_Grid为年购电成本；

C_deploy＝C_inst+C_mer+C_loss

C_mer＝δ_merC_inst C_loss＝δ_lossC_inst

式中，C_inst、C_mer、C_loss分别为系统基建成本、运维成本以及损耗成本；N_PV、N_W、N_B和p_PV、p_W、p_B分别为光伏电池板、风机、储能电池的购置数量和购置单价；C_ob、C_install分别为固定投资成本和安装成本；δ_mer、δ_loss分别为折合成系统运行维护成本和管理人员工资成本占年建设成本的比例系数以及损耗成本占年建设成本的比例系数；r为贴现率；τ为规划年限；

电网年购电成本C_Grid可表示为：

式中，P_grid(t)表示t时刻电网出力；R_g(t)表示t时刻的电网购电单价；

所述新能源出力占比目标以常规集中式能源系统通过大电网供电的负荷比例RAT_grid来反映新能源的出力水平RAT_rep，以大电网供电的负荷比例最小作为充电站多能互补优化配置的目标；

式中，Q_rep为新能源一年总发电功率，Q_EV为电动汽车一年充电总需求负荷，Q_grid为大电网一年总输出功率，P_grid(t)为大电网t时刻输出功率，P_EV(t)为电动汽车t时刻充电需求负荷。

3.根据权利要求2所述的典型充电站综合能源协同交互优化配置方法，其特征在于，所述约束条件包括：功率平衡约束、系统安全运行约束、风光储装配数量约束、风、光发电设备输出功率约束、储能电池输出功率约束和储能电池容量约束；

所述功率平衡约束表示为保证充电站的稳定运行，全年任意时刻都必须满足充电站内电源与负荷之间的功率平衡，其表达式如下：

P_EV(t)＝P_B(t)+P_PV(t)+P_W(t)+P_grid(t)

式中，P_PV(t)、P_W(t)、P_B(t)表示t时刻光伏、风机和储能出力，其中P_B(t)充电为负，放电为正；

所述系统安全运行约束表示外接电网一旦出现故障，为保证该状态下本地重要负荷仍能够正常运转，在并网运行时新能源发电负荷比值提出要求，其表达式如下：

P_rep(t)≥αP_total(t)

P_rep(t)＝P_PV(t)+P_W(t)

P_total(t)＝P_EV(t)+P_站内负荷(t)

式中，P_rep(t)为t时刻新能源发电功率；P_total(t)为t时刻充电站总需求负荷；P_站内负荷(t)为t时刻充电站内其他负荷需求；α为充电站系统最小自发电率，初始化为0.3，可根据充电站实际运行状态进行修正；

风光储装配数量约束，其表达式如下：

式中，N_W.max、N_PV.max、N_B.max为风、光、储设备最大安装数量，根据实际充电站规模及运行状况决定；

所述风、光发电设备输出功率约束表示风、光发电设备的任意时刻输出功率需满足该时刻风速或太阳辐射强度所决定的范围约束，其表达式如下：

式中，P_PV,min、P_PV.max为光伏阵列的最小与最大输出功率；P_W,min、P_W.max为风力发电机组的最小与最大输出功率；

所述储能电池输出功率约束表达式如下：

P_B.min≤P_B(t)≤P_B.max

式中，P_B,min为储能电池最小充放电功率；P_B,max为储能电池最大充放电功率；

所述储能电池容量约束表达式如下：

根据储能电池的额定容量和放电深度，储能的电量变化范围需满足：

E_B.min≤E_B(t)≤E_B.max

式中，E_B.max、E_B.min分别为储能电池电量的上限与下限；设储能电池的额定容量为E_B.max，而E_B.min取决于储能电池最大放电深度。

4.根据权利要求1所述的典型充电站综合能源协同交互优化配置方法，其特征在于，所述电动汽车及分布式能源与电网协同一体化模型包括光伏发电系统模型、风力发电系统模型以及储能电池系统模型；

所述光伏发电系统模型的输入是标准测试条件下的额定输出功率P_STC、标准测试条件下的太阳辐射强度G_STC、标准测试条件下的组件表面温度T_STC、实时太阳辐射强度G_C、实时光伏组件表面温度T_C，输出是光伏电池板的实际输出功率P_PV，其表达式如下：

式中，P_PV为光伏电池板的实际输出功率；k为功率温度系数；G_C、T_C为实时太阳辐射强度和光伏组件表面温度，T_a为环境温度；

所述风力发电系统模型输入是实时风速v、为额定风速v_r、分别为风机的切入风速v_in、切除风速v_out、风机额定功率P_r，输出是风机在t时刻的实际输出功率P_W(t)，其表达式如下：

式中，P_W(t)为风机在t时刻的实际输出功率；v为实时风速；v_r为额定风速；v_in、v_out分别为风机的切入风速、切除风速；P_r为风机额定功率；

所述储能电池系统模型输入是工作点储能电池的温度T_bat、标准测试条件下的额定容量E_STC和温度T_STC、容量温度系数σ_B，输出是储能电池工作点的容量E_bot，其表达式如下：

E_bat＝E_STC[1+σ_B(T_bat-T_STC)]

式中，T_bat为工作点储能电池的温度；E_STC、T_STC为标准测试条件下的额定容量和温度；σ_B为容量温度系数。

5.根据权利要求4所述的典型充电站综合能源协同交互优化配置方法，其特征在于，基于电动汽车及分布式能源与电网协同一体化模型获取风光储的发电信息的方法包括以下步骤：

通过资料收集、软件仿真获取目标区域的全年风光资源数据；所述风光资源数据包括全年太阳辐射强度数据和全年风速数据；

根据目标区域的全年太阳辐射强度数据，结合光伏发电系统模型，拟合出光伏发电单元的全年发电功率并确定容量配置中的光伏电池板的设备参数；所述光伏电池板的设备参数包括额定功率、开路电压、短路电流、系统电压、工作电流、规格、价格；

根据该地的全年风速数据，确定容量配置中的风力发电设备的设备参数；所述风力发电设备的设备参数包括风机的切入风速v_in、切除风速v_out、风机额定功率P_r和价格，同时获取实时风速v，并结合风力发电系统模型，获取风机在t时刻的实际输出功率P_W(t)；

确定储能电池的设备参数；所述储能电池的设备参数包括工作点储能电池的温度T_bat、标准测试条件下的额定容量E_STC和温度T_STC、容量温度系数σ_B，结合储能系统模型，获得储能电池工作点的容量E_bot。

6.根据权利要求5所述的典型充电站综合能源协同交互优化配置方法，其特征在于，通过资料收集、软件仿真获取目标区域的全年风光资源数据的方法包括：

获取项目当地气象数据，利用可再生能源互补发电优化建模软件模拟全年太阳辐射强度曲线，得到该地的全年太阳辐射强度数据；

从中国气象数据网获取近年来月平均风速的历史数据，利用可再生能源互补发电优化建模软件进行仿真，输入威布尔分布模型所需的参数以及全年各月的平均风速数据，获得全年风速变化数据。

7.根据权利要求1所述的典型充电站综合能源协同交互优化配置方法，其特征在于，获取电动汽车充电负荷需求的方法包括：

获取电动汽车保有量和渗透率，并根据基于蒙特卡洛模拟的电动汽车充电需求预测方法，对进入该充电站内电动汽车充电需求进行仿真计算，得到充电站典型日充电负荷需求；

以年为周期计算获取充电站年充电负荷数据。

8.根据权利要求1所述的典型充电站综合能源协同交互优化配置方法，其特征在于，根据风光储的发电信息以及电动汽车充电负荷需求，结合充电站多能互补优化配置模型，计算获得风光储的数量配置方案的方法包括：

获取其他数据，所述其他数据包括光伏安装成本、风机安装成本、储能电池安装成本和固定投资成本；

将目标地区的全年风速数据、太阳辐射强度数据、电动汽车充电负荷需求和所选取的风力发电设备、光伏电池板的设备参数作为风光充电站容量优化配置模型的输入条件；

基于分时电价以充电站经济运行的能量交换策略作为充电站运行机制；

以经济性目标和新能源出力占比目标求解，根据约束条件，结合Pareto最优解理论处理多目标问题，利用改进的多目标群搜索算法进行求解，获得模型迭代结果与最优解集分布，最优解集是尽可能满足两个目标的情况下风光储设备的最优安装数量分配；迭代结果是多个最优解下的目标函数结果，即每一个最优解对应的综合投资成本与电网供电比例。

9.一种典型充电站综合能源协同交互优化配置系统，其特征在于，包括：

发电信息获取模块：用于基于电动汽车及分布式能源与电网协同一体化模型获取风光储的发电信息；

负荷需求获取模块：用于获取电动汽车充电负荷需求；

配置计算模块：用于根据风光储的发电信息以及电动汽车充电负荷需求，结合充电站多能互补优化配置模型，计算获得风光储的数量配置方案；所述充电站多能互补优化配置模型包括两个目标和约束条件；所述目标包括经济性目标和新能源出力占比目标。

10.一种典型充电站综合能源协同交互优化配置系统，包括处理器及存储介质；

所述存储介质用于存储指令；

所述处理器用于根据所述指令进行操作以执行根据第一方面所述方法的步骤。

Images