CN114421502A - 一种微电网群落的协同优化方法 - Google Patents

一种微电网群落的协同优化方法 Download PDF

Info

Publication number
CN114421502A
CN114421502A CN202210030898.1A CN202210030898A CN114421502A CN 114421502 A CN114421502 A CN 114421502A CN 202210030898 A CN202210030898 A CN 202210030898A CN 114421502 A CN114421502 A CN 114421502A
Authority
CN
China
Prior art keywords
community
power
microgrid
micro
grid
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
CN202210030898.1A
Other languages
English (en)
Inventor
陈昌松
徐志文
陈浩文
张竞月
段善旭
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.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and Technology
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 Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN202210030898.1A priority Critical patent/CN114421502A/zh
Publication of CN114421502A publication Critical patent/CN114421502A/zh
Pending legal-status Critical Current

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
    • 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
    • H02J3/008—Circuit arrangements for ac mains or ac distribution networks involving trading of energy or energy transmission rights
    • 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
    • H02J3/48—Controlling the sharing of the in-phase component
    • 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
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/0068—Battery or charger load switching, e.g. concurrent charging and load supply
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • 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
    • 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)
  • Supply And Distribution Of Alternating Current (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本发明公开了一种微电网群落的协同优化方法，以微电网群落中可再生能源发电单元与电动汽车双向充放电装置的装机容量作为外环决策变量，以微电网群落中电动汽车的充放电功率以及微电网群落与配电网交换的有功功率作为中间环决策变量，以微电网群落与配电网交换的无功功率作为内环决策变量，通过粒子群算法实现三者的协同优化，实现微电网群落的总成本最优；由内、中、外三环组成三环协同优化模型，内环、中间环、外环分别对微电网群落与配电网交换的无功功率、电动汽车的充放电功率以及微电网群落与配电网交换的有功功率、可再生能源发电单元与电动汽车双向充放电装置的装机容量进行优化，内、中、外三环协同实现微电网群落的总成本最优。

Description

一种微电网群落的协同优化方法
技术领域
本发明属于电网优化技术领域，更具体地，涉及一种微电网群落的协同优化。
背景技术
发展可再生能源替代传统化石能源，以及推广电动汽车成为保障能源供应、发展低碳经济的重要途经。但大量的可再生能源发电单元以及电动汽车接入配电网中，会对配电网稳定运行和电能质量产生一系列不良影响，对配电网的管理运行带来极大挑战。
微电网具备规模小、调节迅速的优点，通过相应的能量交换装置，将随机性强的分布式可再生能源与电动汽车进行集成，提高对用户的供电灵活性。目前针对微电网的研究中，通常只考虑电动汽车两者与单一微电网的互动，较少有研究考虑电动汽车在微电网群落中的跨时空能量搬移，对电动汽车的移动储能特性应用不足。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了一种微电网群落的协同优化方法，由此解决现有的优化方法由于只考虑电动汽车与可再生能源两者与单一微电网的互动，应用场景简单、优化目标单一，无法满足实际情况，并且未充分考虑并控制微电网运行对配电网产生的影响，易使配电网网损增加、电压不稳定等技术问题。
为实现上述目的，按照本发明的一个方面，提供了一种微电网群落的协同优化方法，包括：
S1，建立微电网群落的电动汽车充放电模型，获取光伏发电模块和风力发电机的发电数据；
S2，建立微电网群落的容量配置模型，并在满足其约束条件的前提下，对可再生能源发电单元与电动汽车双向充放电装置的装机容量进行优化；其中，所述容量配置模型的目标函数为微电网群落的容量配置成本，约束条件为装机容量约束；
建立微电网群落的有功调度模型，并在满足其约束条件的前提下，对电动汽车的充放电功率以及微电网群落与配电网交换的有功功率进行优化；其中，所述有功调度模型的目标函数为微电网群落的运行成本，约束条件为功率平衡约束、微电网群落与配电网交换功率的约束、可再生能源出力约束、电动汽车功率约束与容量约束；
建立微电网群落的网损成本优化模型，在满足其约束条件的前提下，对微电网群落与配电网交换的无功功率进行优化；其中，所述网损成本优化模型的目标函数为微电网群落的网损成本，约束条件为潮流约束；
S3，分别以所述微电网群落的容量配置模型、微电网群落的有功调度模型和微电网群落的网损成本优化模型作为外环、中间环和内环，对所述微电网群落的容量配置成本、运行成本以及网损成本进行优化，以使微电网群落的总成本最小。
按照本发明的另一方面，提供了一种微电网群落的协同优化系统，包括：
第一模型建立模块，用于建立微电网群落的电动汽车充放电模型；
数据获取模块，用于获取光伏发电模块和风力发电机的发电数据；
第二模型建立模块，用于建立微电网群落的容量配置模型，并在满足其约束条件的前提下，对可再生能源发电单元与电动汽车双向充放电装置的装机容量进行优化；其中，所述容量配置模型的目标函数为微电网群落的容量配置成本，约束条件为装机容量约束；
第三模型建立模块，用于建立微电网群落的有功调度模型，并在满足其约束条件的前提下，对电动汽车的充放电功率以及微电网群落与配电网交换的有功功率进行优化；其中，所述有功调度模型的目标函数为微电网群落的运行成本，约束条件为功率平衡约束、微电网群落与配电网交换功率的约束、可再生能源出力约束、电动汽车功率约束与容量约束；
第四模型建立模块，用于建立微电网群落的网损成本优化模型，在满足其约束条件的前提下，对微电网群落与配电网交换的无功功率进行优化；其中，所述网损成本优化模型的目标函数为微电网群落的网损成本，约束条件为潮流约束；
优化模块，用于分别以所述微电网群落的容量配置模型、微电网群落的有功调度模型和微电网群落的网损成本优化模型作为外环、中间环和内环，对所述微电网群落的容量配置成本、运行成本以及网损成本进行优化，以使微电网群落的总成本最小。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
1、本发明提供的微电网群落的协同优化方法，由内、中、外三环组成三环协同优化模型，通过粒子群算法实现三者的协同优化，实现微电网群落的总成本最优；其中，模型的内环对微电网群落的网损成本进行优化，使可再生能源发电单元与电动汽车双向充放电装置的装机容量固定、微电网群落有功调度固定的情况下，取得最低的配电网新增网损，从而使微电网群落的网损成本最优；中间环则是对微电网群落进行有功调度，优化电动汽车的充放电功率以及微电网群落与配电网交换的有功功率，使微电网群落的运行成本最优；外环则对可再生能源发电单元以及电动汽车双向充放电装置的装机容量进行优化，提高可再生能源的消纳并充分利用电动汽车的移动储能特性，减少微电网群落的容量配置成本。内、中、外三环协同实现微电网群落的总成本最低。
2.、本发明提供的微电网群落的协同优化方法，在考虑电动汽车的跨时空能量搬移特性的同时，考虑电动汽车、微电网群落、配电网三者之间的协同互动，将可再生能源、电动汽车、微电网群落以及配电网四者联合进行研究，通过可再生能源发电单元以及电动汽车双向充放电装置的容量配置、微电网群落的网损成本优化、微电网群落有功调度协同优化微电网群落的总成本。
3、本发明提供的微电网群落的协同优化方法，适用于包含多个微电网在内的微电网群落。电动汽车在微电网群落中进行能量的跨时空搬移，充分利用微电网与配电网不同时间段的电价变化，以及不同微电网的电价变化，为微电网群落提供充放电服务，降低微电网群落的运行成本。
4、本发明提供的微电网群落的协同优化方法，可用于指导微电网群落中的有功与无功调度，从能量调度与网损成本优化两个方面降低微电网群落的总成本。
5、本发明提供的微电网群落的协同优化方法，可以用于指导微电网群落中不同微电网的可再生能源发电单元以及电动汽车双向充放电装置的建设规划，提高可再生能源的消纳以及电动汽车的充放电效率，进一步减少微电网群落的容量配置成本。
附图说明
图1为本发明提供的微电网群落的协同优化方法中微电网群落的整体结构图；
图2为本发明提供的微电网群落所接入IEEE-33节点的配电网结构图；
图3为本发明提供的微电网群落的协同优化方法中微电网群落的控制系统图；
图4为本发明提供的微电网群落的协同优化方法中三环协同优化流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明提供的微电网群落的协同优化方法基于如图1所示的基本结构，所考虑的微电网群落中包含多个独立的单一直流微电网，本发明针对微电网所处的区域及功能将其分为住宅区微电网(Residential Microgrid,RMG)与办公区微电网(Official Microgrid,OBMG)两类。每种微电网中均包含一定容量的光伏发电模块(PV)和风力发电机(WT)，以及若干电动汽车双向充放电装置。每个微电网通过DC/AC变换器与配电网相连接，可以与配电网之间进行有功和无功的能量交换，从而保证供电的稳定性。两种微电网均为直流微电网，但其与配电网以及电动汽车进行电能交换采取的电价不同，通过本发明提供的三环协同优化模型对微电网群落进行优化，输出微电网群落的有功调度结果、网损成本优化结果以及容量配置结果。
本发明实例提供一种微电网群落的协同优化方法，如图1所示，包括：
S1，建立微电网群落的电动汽车充放电模型，获取光伏发电模块和风力发电机的发电数据。
其中，光伏模块和风力发电模块单机出力根据所处时间段确定。
光伏发电模块和风力发电机的发电数据为可再生能源发电单元PV和WT的单机发电数据。
根据电动汽车状态，确定电动汽车的充放电模型。
进一步地，当电动汽车接入微电网时,电动汽车的充放电模型为：
Figure BDA0003466382900000061
其中，m表示微电网编号，
Figure BDA0003466382900000064
为第m个微电网中第n辆电动汽车在t时段的充放电功率，大于0表示充电，小于0代表放电；SOCEVm,n,t为第m个微电网中第n辆电动汽车在t时段的剩余电量；σ为电动汽车的自放电系数，ηDEV和ηCEV分别为电动汽车的放电和充电功率。
当电动汽车处于行驶状态，电动汽车充放电模型为：
Figure BDA0003466382900000062
其中
Figure BDA0003466382900000063
为行驶时间段d内第n辆电动汽车行驶的距离，SEVm为行驶单位距离的耗电量。
电动汽车剩余电量根据电动汽车所处时间空间位置进行确定。
S2，建立微电网群落的容量配置模型，并在满足其约束条件的前提下，对可再生能源发电单元与电动汽车双向充放电装置的装机容量进行优化；其中，所述容量配置模型的目标函数为微电网群落的容量配置成本，约束条件为装机容量约束；
建立微电网群落的有功调度模型，并在满足其约束条件的前提下，对电动汽车的充放电功率以及微电网群落与配电网交换的有功功率进行优化；其中，所述有功调度模型的目标函数为微电网群落的运行成本，约束条件为功率平衡约束、微电网群落与配电网交换功率的约束、可再生能源出力约束、电动汽车功率约束与容量约束；
建立微电网群落的网损成本优化模型，在满足其约束条件的前提下，对微电网群落与配电网交换的无功功率进行优化；其中，所述网损成本优化模型的目标函数为微电网群落的网损成本，约束条件为潮流约束。
进一步地，所述潮流约束包括配电网潮流节点功率约束、配电网潮流节点电压约束、配电网潮流支路功率约束以及配电网潮流支路电流约束。
所述微电网群落总成本为微电网群落运行成本Cope,m、容量配置成本Ccap,m及网损成本CW,m之和，总成本Ctotal可表示为：
Figure BDA0003466382900000071
其中Cope,m为运行成本，计算公式如下
Cope,m＝CRES,m+CEV,m+CG,m (4)
CRES,m、CEV,m、CG,m分别为可再生能源发电成本、电动汽车充放电成本、配电网电能交易成本。
可再生能源发电成本包括光伏模块和风力发电机的发电成本，计算公式如下
Figure BDA0003466382900000072
其中
Figure BDA0003466382900000073
分别是第m个微电网中光伏和风电模块在t时段的发电功率，
Figure BDA0003466382900000074
分别是第m个微电网中光伏和风电模块在t时段的发电成本。Δt为调度时间间隔。
根据公式(6)计算电动汽车充放电成本
Figure BDA0003466382900000075
其中
Figure BDA0003466382900000076
第m个微电网中第n辆电动汽车在t时段的充放电功率，
Figure BDA0003466382900000077
为电动汽车充放电电价。
根据公式(7)计算配电网电能交易成本。
Figure BDA0003466382900000081
其中
Figure BDA0003466382900000082
为第m个微电网与配电网的电能交换功率，
Figure BDA0003466382900000083
为微电网与配电网之间交换电能的电价。
Ccap,m为容量配置成本，计算公式如下
Figure BDA0003466382900000084
其中，T为调度周期，
Figure BDA0003466382900000085
为第m个微电网中可再生能源发电装置折算到一年的投资成本，其计算公式如下。
Figure BDA0003466382900000086
CPV和CWT分别表示单个光伏模块和单台风力发电机的价格；
Figure BDA0003466382900000087
和
Figure BDA0003466382900000088
为第m个微电网中光伏模块和风机的数量；LPV和LWT为光伏模块和风机的预期使用寿命；r为进行优化计算时设备的折现率
Figure BDA0003466382900000089
为电动汽车双向充放电装置折算到一年的投资成本，其计算公式如下。
Figure BDA00034663829000000810
CEV表示单个电动汽车双向充放电装置的价格，
Figure BDA0003466382900000091
为第m个微电网中双向充放电装置的数量，LEV为双向充放电装置的预期使用寿命。
本发明采用IEEE-33节点配电网模型对方法进行验证，配电网结构如图2所示，CW,m为微电网群落的网损成本，因微电网群落接入配电网导致配电网产生的新增网损，这部分网损成本由微电网群落的运营商支付，根据配电网的新增网损计算得出，称为微电网群落的网损成本，计算公式如下
Figure BDA0003466382900000092
其中，
Figure BDA0003466382900000093
为不接入微电网群落情况下，配电网的基本网损，
Figure BDA0003466382900000094
为微电网群落接入配电网运行后，导致配电网新增的网损，Nbr为配电网支路数量，i,j为配电网节点，ki为支路开关状态，Rij为支路电阻，
Figure BDA0003466382900000095
和
Figure BDA0003466382900000096
分别为t时刻注入支路的初始有功和无功功率，kil为微电网群落的网损成本系数。
微电网群落包含住宅区微电网以及办公区微电网两类，微电网总数为NM，其中，当m取值为1～M，表示住宅区微电网，而(M+1)～NM表示办公区微电网。所有办公区微电网中的电动汽车双向充放电装置的数量应与住宅区微电网相同。
约束条件主要包括功率平衡约束、微电网群落与配电网交换功率的约束、可再生能源出力约束、电动汽车功率约束与容量约束、潮流约束以及装机容量约束。
功率平衡约束、微电网群落与配电网交换功率的约束、可再生能源出力约束、电动汽车功率约束与容量约束以及装机容量约束分别如下所示。
Figure BDA0003466382900000101
Figure BDA0003466382900000102
Figure BDA0003466382900000103
Figure BDA0003466382900000104
Figure BDA0003466382900000105
其中
Figure BDA0003466382900000106
为第m个微电网的负荷，SOCEVm,n,t为第m个微电网中第n辆电动汽车在t时段的剩余电量，
Figure BDA0003466382900000107
和
Figure BDA0003466382900000108
分别为第m个微电网光伏模块、风机模块和双向电动汽车充放电装置的容量，
Figure BDA00034663829000001012
和
Figure BDA0003466382900000109
分别为第m个微电网中光伏、风电和双向电动汽车充放电装置的最大装机容量。
潮流约束包括配电网潮流节点功率约束、配电网潮流节点电压约束、配电网潮流支路功率约束以及配电网潮流支路电流约束，分别如下所示
Figure BDA00034663829000001010
Figure BDA00034663829000001011
Figure BDA0003466382900000111
Figure BDA0003466382900000112
其中
Figure BDA0003466382900000113
和
Figure BDA0003466382900000114
分别为配电网节点i的初始注入有功和无功功率，PLi,t和QLi,t分别为配电网节点i的有功个无功负载，Vi,t和Vj,t分别为节点i和j的电压，Gij,Bij和δij分别为支路ij的电导、电纳和相位角差。Pij,t,Qij,t分别为支路的有功和无功功率，Iij为支路ij的电流。
S3，分别以所述微电网群落的容量配置模型、微电网群落的有功调度模型和微电网群落的网损成本优化模型作为外环、中间环和内环，对所述微电网群落的容量配置成本、运行成本以及网损成本进行优化，以使微电网群落的总成本最小。
优选地，所述S3包括：
S31：对可再生能源发电单元与电动汽车双向充放电装置的装机容量进行初始化获得外环粒子群；
S32：以微电网群落的容量配置成本作为外环粒子的适应度函数，产生初始外环粒子群。根据中间环优化目标，即微电网群落的运行成本最低，进行中间环的循环迭代获得外环粒子对应的最优中间环决策变量以及该外环粒子的适应度值。计算初始外环粒子群中所有外环粒子的适应度值，根据适应度值大小进行寻优，获得初始外环粒子群中的局部最优外环粒子和全局最优外环粒子，此为外环粒子群的第一次循环过程；
S33：不断更新外环粒子的速度和位置，获得更新后的外环粒子适应度值并进行寻优，更新局部最优外环粒子和全局最优外环粒子；
S34：不断重复S33直到粒子群循环次数达到上限值，将全局最优外环粒子作为最佳外环决策变量进行输出，并将全局最优外环粒子对应的中间环决策变量作为最优中间环决策变量进行输出。
具体地，以微电网群落中可再生能源发电单元与电动汽车充放电装置的装机容量作为外环决策变量，随机生成多个外环决策变量，即可再生能源发电单元与电动汽车双向充放电装置的装机容量，针对一个特定的外环决策变量，以微电网群落中电动汽车的充放电功率以及微电网群落与配电网交换的有功功率作为中间环决策变量，在满足调度约束条件下随机生成多个中间环决策变量，再次针对一个特定的中间环决策变量，以配电网新增网损最低并满足潮流约束条件求得该特定情况下微电网群落的最优网损成本和对应的内环决策变量(微电网群落与配电网交换的无功功率)，利用粒子群算法，在多个不同的外环决策变量、中间环决策变量进行寻优，得出以最小总成本所对应的外环决策变量、中间环决策变量、内环决策变量。
内环对微电网群落与配电网交换的无功功率进行优化，中间环对电动汽车的充放电功率以及微电网群落与配电网交换的有功功率进行优化，外环对可再生能源发电单元与电动汽车双向充放电装置的装机容量进行优化。内、中、外三环协同实现微电网群落的总成本最低。
进一步地，所述S32包括：
S321：对电动汽车的充放电功率和微电网群落与配电网交换的有功功率进行初始化获得中间环粒子群；
S322：将微电网群落的运行成本作为中间环粒子的适应度函数，根据内环优化目标，即微电网群落的网损成本最低，满足潮流约束条件的情况下，进行内环循环迭代，获得该中间环粒子对应的最优的内环决策变量以及该中间环粒子的适应度值。计算初始中间环粒子群中所有中间环粒子的适应度值，并根据适应度值大小进行寻优，获得初始中间环粒子群中的局部最优中间环粒子和全局最优中间环粒子，此为中间环粒子的第一次循环过程；
S323：不断更新中间环粒子的速度和位置，获得更新后的中间环粒子适应度值并进行寻优，更新局部最优中间环粒子和全局最优中间环粒子；
S324：不断重复S323直到粒子群循环次数达到上限值，将全局最优中间环粒子作为最佳中间环决策变量进行输出，并将全局最优中间环粒子对应的内环决策变量作为最优内环决策变量进行输出。
进一步地，所述S322包括：
S3221：对微电网群落与配电网交换的无功功率进行初始化获得内环粒子群；
S3222：将微电网群落的网损成本作为内环粒子适应度函数，以此求得内环粒子的适应度值，并根据此适应度值进行寻优，获得第一次内环粒子循环中局部最优内环粒子和全局最优内环粒子；
S3223：不断更新内环粒子的速度和位置，获得更新后的内环粒子适应度值并进行寻优，更新局部最优内环粒子和全局最优内环粒子；
S3224：不断重复S3223直到粒子群循环次数达到上限值，将全局最优内环粒子作为最佳内环决策变量进行输出。
本发明所提出的微电网群落的协同优化方法包括容量配置、有功调度、网损成本优化三者的协同，以最低的微电网群落总成本为三环协同优化的最终目标。本发明所建立的协同优化系统架构如图3所示，包含电动汽车可调度容量预测模块、可再生能源模块、负荷模块、协同优化模块四个部分。电动汽车可调度容量预测模块通过电动汽车的时空分布特征确定可调度容量范围，可再生能源模块通过光伏风电数据取得可再生能源单机出力情况，负荷模块提供负荷数据，结合市场电价与并网参数，协同优化模块整合以上数据并进行优化输出使微电网群落总成本最低的可再生能源发电单元与电动汽车双向充放电装置容量配置结果、微电网群落有功调度结果、微电网群落的网损成本优化结果。
本发明所提出的微电网群落的协同优化方法由内、中、外三环组成的三环协同优化模型。模型的内环通过优化微电网群落与配电网交换的无功功率取得微电网群落的最低网损成本；中间环则是对微电网群落进行有功调度，即优化电动汽车的充放电功率以及微电网群落与配电网交换的有功功率，使微电网群落的运行成本最低；外环则对可再生能源发电单元以及电动汽车双向充放电装置的装机容量进行优化，减少微电网群落的容量配置成本。内、中、外三环协同实现微电网群落的总成本最低。
如图4所示，协同优化中的内环获得微电网群落中与配电网交换的无功功率，即网损成本优化的具体步骤如下：
1.在一定外环配置以及中间环微电网群落有功调度情况下，以微电网群落中每个微电网每个小时与配电网交换的无功功率为内环优化变量，构成粒子群算法的粒子
Figure BDA0003466382900000141
Figure BDA0003466382900000142
Figure BDA0003466382900000143
其中
Figure BDA0003466382900000144
为第m个微电网在t时间段与配电网交换的无功功率，微电网群落通过DC/AC变换器与配电网进行无功功率的交换，其优化的无功交换功率范围由中间环中微电网群落与配电网交换的有功功率
Figure BDA0003466382900000145
确定，其公式为
Figure BDA0003466382900000151
其中Sm为DC/AC变换器的额定功率，内环与中间环通过公式(23)产生联系，形成协同。
2.随机生成一系列内环粒子，计算对应每个内环粒子的微电网群落的网损成本，进行比较，以最小网损成本作为内环粒子的全局最优值，并将每个内环粒子的成本值作为初次迭代的个体历史最优值。
3.根据下列公式更新粒子的位置与速度
Figure BDA0003466382900000152
Figure BDA0003466382900000153
其中，k为目前迭代次数，
Figure BDA0003466382900000154
和
Figure BDA0003466382900000155
分别为迭代后粒子i的速度与位置，
Figure BDA0003466382900000156
和
Figure BDA0003466382900000157
为更新后粒子的速度和位置；
Figure BDA0003466382900000158
分别为迭代后的个体最优值与全局最优值；c1、c2为学习因子，一般均取2，r1、r2为区间(0,1)的随机数，根据需要取值；w为加权因子，取值一般在0.1到0.9之间，当w较大，此时算法全局寻优能力较强，而w较小，此时局部寻优能力较强。
4.计算每个内环粒子对应网损成本，并与内环粒子历史值进行比较，选较小作为新的个体最优值，将个体最优值与全局最优值比较，取最小的作为最新的全局最优值。
5.不断重复步骤3，直到循环次数达到设定上限Ninmax，输出全局最优成本对应的结果，即优化后的网损成本。
如图4所示，协同优化中间环的有功调度，具体可描述如下：
1.在一定外环配置情况下，以电动汽车的充放电功率以及微电网群落与配电网交换的有功功率作为中间环优化变量，形成粒子
Figure BDA0003466382900000159
如下
Figure BDA0003466382900000161
Figure BDA0003466382900000162
Figure BDA0003466382900000163
分别为第m个微电网在t时间段电动汽车的充放电功率和与配电网之间的交换功率。当
Figure BDA0003466382900000164
大于0时，表示电动汽车向微电网放电，否则电动汽车充电；对于交换功率，当
Figure BDA0003466382900000165
大于0时，表示微电网向配电网购电，否则微电网将电能出售给配电网。
2.初始化中间环粒子群，针对每一个中间环粒子进行有功调度，计算在一定容量配置的情况下微电网群落的运行成本，同时协同优化内环的网损成本，即重复网损成本优化步骤1-5，使输出当前中间环粒子的微电网群落运行成本，将其作为该粒子的个体最优值。
3.不断更新各个中间环粒子的位置与速度，重新计算粒子的目标函数值，并于记录的每个中间环粒子对应的个体最优值进行比较，更新全局最优值；
4.重复步骤3直到迭代次数到达设定上限Nmidmax，输出此时全局最优值，即为微电网群落的最小运行成本，对应的中间环粒子即为最优有功调度结果。
中间环粒子群算法的每个粒子对应一种可能的微电网群落有功调度。通过内环网损成本优化模型对每一种情况的运行成本进行优化计算和比较，得到最优的有功调度方案。
如图4所示，协同优化中外环的容量配置，具体可描述如下：
1.改变容量配置，以可再生能源发电单元以及电动汽车双向充放电装置的装机容量作为外环优化变量，形成粒子NMG如下
Figure BDA0003466382900000171
其中
Figure BDA0003466382900000172
和
Figure BDA0003466382900000173
分别为第m个微电网中电动汽车双向充放电装置的装机容量、光伏模块装机容量、风力发电机装机容量。
2.初始化外环粒子群，针对每一个外环粒子进行容量配置，重新优化中间环有功调度以及内环网损成本优化，即重复有功调度步骤1-4，使输出当前外环粒子的微电网群落的容量配置成本，将其作为该粒子的个体最优值。
3.不断更新各个外环粒子的位置与速度，重新计算粒子的目标函数值，并于记录的每个外环粒子对应的个体最优值进行比较，更新全局最优值；
4.重复步骤3直到迭代次数到达设定上限Noutmax，输出此时全局最优值，即为微电网群落的最小容量配置成本，对应的外环粒子即为最优有功调度结果。
外环粒子群算法的每个粒子对应一种可能的系统配置。通过中间环有功调度模型以及内环网损成本优化模型对每一种配置情况的容量配置成本进行优化计算和比较，得到最优的配置方案。
综上，本发明所提出的微电网群落的协同优化方法具体包括以下步骤：
1、确定微电网群落的结构；
2、获取可再生能源发电单元PV和WT的单机发电数据；
3、根据电动汽车状态，确定电动汽车的充放电模型，根据微电网群落的结构，确定各项约束条件，确定微电网群落的总成本计算方法；
4、根据配电网潮流约束条件，确定配电网网损计算方法，从而确定微电网群落的网损成本计算方法；
5、建立微电网群落容量配置模型，对可再生能源发电单元与电动汽车双向充放电装置的装机容量进行优化，并计算微电网群落的容量配置成本。
6、建立微电网群落有功调度模型，在一定容量配置情况下对电动汽车的充放电功率以及微电网群落与配电网交换的有功功率进行优化，并计算微电网群落的运行成本。
7、建立微电网群落的网损成本优化模型，通过优化微电网群落与配电网之间交换的无功功率，优化配电网的新增网损，从而优化微电网群落的网损成本。
以上步骤即为：根据规模化电动汽车接入的微电网群落确定微电网群落的成本计算方式和调度约束，根据微电网群落接入的配电网结构确定配电网网损计算方式以及潮流约束，获得含电动汽车、配电网接口的微电网群落模型。
8、采用粒子群算法改变可再生能源发电单元以及电动汽车双向充放电装置的装机容量配置，优化电动汽车的充放电功率以及微电网群落与配电网交换的有功功率，以获得最优的微电网群落的运行成本。
9、采用粒子群算法改变电动汽车的充放电功率以及微电网群落与配电网交换的有功功率，优化微电网群落与配电网交换的无功功率，对网损成本进行优化，并不断比较，保留网损成本最小的无功调度策略以及有功调度策略；
10、重复步骤8、9直到设定循环上限，输出所有容量配置、有功调度与无功调度情况下使微电网群落的总成本最小的一种，即可得出最优的有功调度策略、可再生能源发电单元以及电动汽车双向充放电装置的容量配置情况。
下面对本发明提供的微电网群落的协同优化系统进行描述，下文描述的微电网群落的协同优化系统与上文描述的微电网群落的协同优化方法可相互对应参照。
本发明实施例提供一种微电网群落的协同优化系统，包括：
第一模型建立模块，用于建立微电网群落的电动汽车充放电模型；
数据获取模块，用于获取光伏发电模块和风力发电机的发电数据；
第二模型建立模块，用于建立微电网群落的容量配置模型，并在满足其约束条件的前提下，对可再生能源发电单元与电动汽车双向充放电装置的装机容量进行优化；其中，所述容量配置模型的目标函数为微电网群落的容量配置成本，约束条件为装机容量约束；
第三模型建立模块，用于建立微电网群落的有功调度模型，并在满足其约束条件的前提下，对电动汽车的充放电功率以及微电网群落与配电网交换的有功功率进行优化；其中，所述有功调度模型的目标函数为微电网群落运行成本，约束条件为功率平衡约束、微电网群落与配电网交换功率的约束、可再生能源出力约束、电动汽车功率约束与容量约束；
第四模型建立模块，用于建立微电网群落的网损成本优化模型，在满足其约束条件的前提下，对微电网群落与配电网交换的无功功率进行优化；其中，所述网损成本优化模型的目标函数为微电网群落的网损成本，约束条件为潮流约束；
优化模块，用于分别以所述微电网群落的容量配置模型、微电网群落的有功调度模型和微电网群落的网损成本优化模型作为外环、中间环和内环，对所述微电网群落的容量配置成本、运行成本以及网损成本进行优化。内、中、外三环协同实现微电网群落的总成本最低。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种微电网群落的协同优化方法，其特征在于，包括：
S1，建立微电网群落的电动汽车充放电模型，获取光伏发电模块和风力发电机的发电数据；
S2，建立微电网群落的容量配置模型，并在满足其约束条件的前提下，对可再生能源发电单元与电动汽车双向充放电装置的装机容量进行优化；其中，所述容量配置模型的目标函数为微电网群落的容量配置成本，约束条件为装机容量约束；
建立微电网群落的有功调度模型，并在满足其约束条件的前提下，对电动汽车的充放电功率以及微电网群落与配电网交换的有功功率进行优化；其中，所述有功调度模型的目标函数为微电网群落运行成本，约束条件为功率平衡约束、微电网群落与配电网交换功率的约束、可再生能源出力约束、电动汽车功率约束与容量约束；
建立微电网群落的网损成本优化模型，在满足其约束条件的前提下，对微电网群落与配电网交换的无功功率进行优化；其中，所述网损成本优化模型的目标函数为微电网群落的网损成本，约束条件为潮流约束；
S3，分别以所述微电网群落的容量配置模型、微电网群落的有功调度模型和微电网群落的网损成本优化模型作为外环、中间环和内环，对所述微电网群落的容量配置成本、运行成本以及网损成本进行优化，以使微电网群落的总成本最小。
2.如权利要求1所述的方法，其特征在于，所述S3包括：
S31：对可再生能源发电单元与电动汽车双向充放电装置的装机容量进行初始化获得外环粒子群；
S32：以微电网群落的容量配置成本作为外环粒子的适应度函数，产生初始外环粒子群；根据中间环优化目标，即微电网群落的运行成本最低，进行中间环的循环迭代获得外环粒子对应的最优中间环决策变量以及该外环粒子的适应度值；计算初始外环粒子群中所有外环粒子的适应度值，根据适应度值大小进行寻优，获得第一次外环粒子循环中的局部最优外环粒子和全局最优外环粒子，此为外环粒子群的第一次循环过程；
S33：不断更新外环粒子的速度和位置，获得更新后的外环粒子适应度值并进行寻优，更新局部最优外环粒子和全局最优外环粒子；
S34：不断重复S33直到粒子群循环次数达到上限值，将全局最优外环粒子作为最佳外环决策变量进行输出，并将全局最优外环粒子对应的中间环决策变量作为最优中间环决策变量进行输出。
3.如权利要求2所述的方法，其特征在于，所述S32包括：
S321：对电动汽车的充放电功率和微电网群落与配电网交换的有功功率进行初始化获得中间环粒子群；
S322：将微电网群落的运行成本作为中间环粒子的适应度函数，根据内环优化目标，即微电网群落的网损成本最低，满足潮流约束条件的情况下，进行内环循环迭代，获得该中间环粒子对应的最优的内环决策变量以及该中间环粒子的适应度值；计算初始中间环粒子群中所有中间环粒子的适应度值，并根据适应度值大小进行寻优，获得第一次中间环粒子循环中的局部最优中间环粒子和全局最优中间环粒子，此为中间环粒子的第一次循环过程；
S323：不断更新中间环粒子的速度和位置，获得更新后的中间环粒子适应度值并进行寻优，更新局部最优中间环粒子和全局最优中间环粒子；
S324：不断重复S323直到粒子群循环次数达到上限值，将全局最优中间环粒子作为最佳中间环决策变量进行输出，并将全局最优中间环粒子对应的内环决策变量作为最优内环决策变量进行输出。
4.如权利要求3所述的方法，其特征在于，所述S322包括：
S3221：对微电网群落与配电网交换的无功功率进行初始化获得内环粒子群；
S3222：将微电网群落的网损成本作为内环粒子适应度函数，以此求得内环粒子的适应度值，并根据此适应度值进行寻优，获得第一次内环粒子循环中局部最优内环粒子和全局最优内环粒子；
S3223：不断更新内环粒子的速度和位置，获得更新后的内环粒子适应度值并进行寻优，更新局部最优内环粒子和全局最优内环粒子；
S3224：不断重复S3223直到粒子群循环次数达到上限值，将全局最优内环粒子作为最佳内环决策变量进行输出。
5.如权利要求1或2所述的方法，其特征在于，当电动汽车接入微电网时,电动汽车的充放电模型为：
Figure FDA0003466382890000031
其中，m表示微电网编号，
Figure FDA0003466382890000032
为第m个微电网中第n辆电动汽车在t时段的充放电功率，大于0表示充电，小于0代表放电；SOCEVm,n,t为第m个微电网中第n辆电动汽车在t时段的剩余电量；σ为电动汽车的自放电系数，ηDEV和ηCEV分别为电动汽车的放电和充电功率；
当电动汽车处于行驶状态，电动汽车充放电模型为：
Figure FDA0003466382890000033
其中
Figure FDA0003466382890000034
为行驶时间段d内第n辆电动汽车行驶的距离，SEVm为行驶单位距离的耗电量。
6.如权利要求1所述的方法，其特征在于，所述微电网群落的总成本为微电网群落的运行成本Cope,m、容量配置成本Ccap,m及网损成本CW,m之和。
7.如权利要求6所述的方法，其特征在于，所述网损成本CW,m的计算公式为：
Figure FDA0003466382890000041
其中，
Figure FDA0003466382890000042
为不接入微电网群落情况下，配电网的基本网损，
Figure FDA0003466382890000043
为微电网群落接入配电网运行后，导致配电网新增的网损，Nbr为配电网支路数量，i,j为配电网节点，ki为支路开关状态，Rij为支路电阻，
Figure FDA0003466382890000044
和
Figure FDA0003466382890000045
分别为t时刻注入支路的初始有功和无功功率，kil为网损成本系数。
8.如权利要求1所述的方法，其特征在于，所述潮流约束包括配电网潮流节点功率约束、配电网潮流节点电压约束、配电网潮流支路功率约束以及配电网潮流支路电流约束。
9.一种微电网群落的协同优化系统，其特征在于，包括：
第一模型建立模块，用于建立微电网群落的电动汽车充放电模型；
数据获取模块，用于获取光伏发电模块和风力发电机的发电数据；
第二模型建立模块，用于建立微电网群落的容量配置模型，并在满足其约束条件的前提下，对可再生能源发电单元与电动汽车双向充放电装置的装机容量进行优化；其中，所述容量配置模型的目标函数为微电网群落的容量配置成本，约束条件为装机容量约束；
第三模型建立模块，用于建立微电网群落的有功调度模型，并在满足其约束条件的前提下，对电动汽车的充放电功率以及微电网群落与配电网交换的有功功率进行优化；其中，所述有功调度模型的目标函数为微电网群落的运行成本，约束条件为功率平衡约束、微电网群落与配电网交换功率的约束、可再生能源出力约束、电动汽车功率约束与容量约束；
第四模型建立模块，用于建立微电网群落的网损成本优化模型，在满足其约束条件的前提下，对微电网群落与配电网交换的无功功率进行优化；其中，所述网损成本优化模型的目标函数为微电网群落的网损成本，约束条件为潮流约束；
优化模块，用于分别以所述微电网群落的容量配置模型、微电网群落的有功调度模型和微电网群落的网损成本优化模型作为外环、中间环和内环，对所述微电网群落的容量配置成本、运行成本以及网损成本进行优化，以使微电网群落的总成本最小。
CN202210030898.1A 2022-01-12 2022-01-12 一种微电网群落的协同优化方法 Pending CN114421502A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210030898.1A CN114421502A (zh) 2022-01-12 2022-01-12 一种微电网群落的协同优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210030898.1A CN114421502A (zh) 2022-01-12 2022-01-12 一种微电网群落的协同优化方法

Publications (1)

Publication Number Publication Date
CN114421502A true CN114421502A (zh) 2022-04-29

Family

ID=81272690

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210030898.1A Pending CN114421502A (zh) 2022-01-12 2022-01-12 一种微电网群落的协同优化方法

Country Status (1)

Country Link
CN (1) CN114421502A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114912235A (zh) * 2022-05-27 2022-08-16 华中科技大学 一种微电网群落的网络损耗协同优化方法
CN116388213A (zh) * 2023-05-22 2023-07-04 国网江西省电力有限公司电力科学研究院 含新能源和充电站的主动配电网动态无功优化方法及系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114912235A (zh) * 2022-05-27 2022-08-16 华中科技大学 一种微电网群落的网络损耗协同优化方法
CN114912235B (zh) * 2022-05-27 2024-08-02 华中科技大学 一种微电网群落的网络损耗协同优化方法
CN116388213A (zh) * 2023-05-22 2023-07-04 国网江西省电力有限公司电力科学研究院 含新能源和充电站的主动配电网动态无功优化方法及系统
CN116388213B (zh) * 2023-05-22 2023-09-12 国网江西省电力有限公司电力科学研究院 含新能源和充电站的主动配电网动态无功优化方法及系统

Similar Documents

Publication Publication Date Title
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
CN110739725B (zh) 一种配电网优化调度方法
CN109861256A (zh) 一种计及全寿命周期成本的配电网储能优化配置方法
Tao et al. Pricing strategy and charging management for PV-assisted electric vehicle charging station
CN114421502A (zh) 一种微电网群落的协同优化方法
CN114977320A (zh) 一种配电网源网荷储多目标协同规划方法
CN116667325B (zh) 一种基于改进布谷鸟算法的微电网并网运行优化调度方法
CN114448044A (zh) 一种换电站双向快充有序充放电方法及系统
CN115829224A (zh) 电动汽车集群可调度能力的多主体两阶段低碳优化运行方法
Zhang et al. Multi-objective optimal scheduling strategy of microgrid based on v2g technology
Ahmed et al. Grid Integration of PV Based Electric Vehicle Charging Stations: A Brief Review
Zehra et al. A Cost-Effective Fuzzy-based Demand-Response Energy Management for Batteries and Photovoltaics
CN117335461A (zh) 基于多目标优化的电动汽车-储能协同充放电方法
Wang et al. A user cost and convenience oriented EV charging and discharging scheduling algorithm in V2G based microgrid
CN115796533A (zh) 考虑清洁能源消纳的虚拟电厂双层优化调度方法及装置
CN114336597A (zh) 基于自适应惩罚函数粒子群算法的光储逆变器能量调度
CN110929908B (zh) 多微网系统容量配置与经济调度的协同优化方法及系统
Muthamizhan et al. A Multi-Port Autonomous Reconfigurable Solar PV System for Renewable Energy Integration in Hybrid AC/DC System
Hannan et al. ANN based binary backtracking search algorithm for virtual power plant scheduling and cost-effective evaluation
Cuiqing et al. A hybrid ac/dc microgrid energy management strategy based on neural network
Senthilkumar et al. EV charging and fuel cell vehicle refuelling with distributed energy resources using hybrid approach
CN114912235B (zh) 一种微电网群落的网络损耗协同优化方法
CN118157133B (zh) 一种基于电动汽车激励策略的主动配电网双层优化调度方法
Lei et al. The Trading Framework of Distributed Energy Storage System Based on Robust Optimization and Stackelberg Game
Rajesh et al. A Novel Fuzzy based Fast DC Charging for Electric Vehicle Charging Station

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