CN114629148A - 一种含电动汽车资源的电力系统调度框架方法及其系统 - Google Patents
一种含电动汽车资源的电力系统调度框架方法及其系统 Download PDFInfo
- Publication number
- CN114629148A CN114629148A CN202210248597.6A CN202210248597A CN114629148A CN 114629148 A CN114629148 A CN 114629148A CN 202210248597 A CN202210248597 A CN 202210248597A CN 114629148 A CN114629148 A CN 114629148A
- Authority
- CN
- China
- Prior art keywords
- electric vehicle
- charging
- day
- ahead
- electric
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000007599 discharging Methods 0.000 claims abstract description 75
- 230000033228 biological regulation Effects 0.000 claims abstract description 47
- 238000005096 rolling process Methods 0.000 claims abstract description 28
- 238000012937 correction Methods 0.000 claims abstract description 19
- 230000008569 process Effects 0.000 claims abstract description 9
- 239000002245 particle Substances 0.000 claims description 57
- 238000005457 optimization Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 8
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims description 7
- 230000001133 acceleration Effects 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 6
- 238000009472 formulation Methods 0.000 claims description 6
- 239000000203 mixture Substances 0.000 claims description 6
- 230000006641 stabilisation Effects 0.000 claims description 6
- 238000011105 stabilization Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 230000001105 regulatory effect Effects 0.000 claims description 4
- 230000001276 controlling effect Effects 0.000 claims description 3
- 238000004146 energy storage Methods 0.000 abstract description 5
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L55/00—Arrangements for supplying energy stored within a vehicle to a power network, i.e. vehicle-to-grid [V2G] arrangements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water 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
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/007—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
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2310/00—The network for supplying or distributing electric power characterised by its spatial reach or by the load
- H02J2310/50—The network for supplying or distributing electric power characterised by its spatial reach or by the load for selectively controlling the operation of the loads
- H02J2310/56—The network for supplying or distributing electric power characterised by its spatial reach or by the load for selectively controlling the operation of the loads characterised by the condition upon which the selective controlling is based
- H02J2310/58—The condition being electrical
- H02J2310/60—Limiting power consumption in the network or in one section of the network, e.g. load shedding or peak shaving
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Power Engineering (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Educational Administration (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
一种含电动汽车资源的电力系统调度框架方法及其系统,根据区域内各电动汽车充电站收集的电动汽车充放电历史信息,以充电站或电动汽车负荷聚合商为单位对区域内各电动汽车充电站的充放电量进行日前预测;根据区域电网基础负荷信息,确定区域电网调控目标及调控需求;根据确定调控需求,形成电动汽车日前充放电计划;结合区域电网基础负荷信息及生成的区域内电动汽车日前充放电计划,形成电力系统日前调度计划,对安全性进行校核;根据电动汽车日前充放电计划和电力系统日前调度计划,进行电动汽车充放电计划的滚动修正,实时调度。本发明在调度层面将电动汽车作为源侧资源融入原有调度过程中,可以更好地发挥规模化电动汽车的分布式储能资源特性。
Description
技术领域
本发明属于电力系统调度运行领域,具体涉及一种含电动汽车资源的电力系统调度框架方法及其系统。
背景技术
发展新能源汽车是国家应对气候变化、推动能源转型的战略举措,也是终端电能替代的重要内容。预计2030年,我国电动汽车保有量将达到8300万辆,等效储能容量将达50亿千瓦时,电动汽车充电需求将占全社会用电量的6%到7%,最大充电负荷将占电网负荷的11%到12%。规模化电动汽车的充电负荷将对城市电网带来显著影响,势必加剧电力系统峰谷差、电压偏移、局部阻塞等突出矛盾;同时,电动汽车的分布式储能特性,将为电网调峰、调压、新能源消纳等提供丰富的可调度资源。
现有技术,在规模化电动汽车随机性、波动性不断增强的趋势下,将规模化电动汽车只作为负荷考虑的传统调度控制模式已不能适应其接入需求,缺乏有效的多层级协同调度手段。
发明内容
为解决现有技术中存在的不足,本发明的目的在于,提供一种含电动汽车资源的电力系统调度框架方法及其系统,提出了一种含电动汽车资源的电力系统调度框架,在调度层面将电动汽车作为源侧资源融入原有的调度过程中,可以更好地发挥规模化电动汽车的分布式储能资源特性,协同调节电网用电负荷,为电网提供辅助服务,提升区域电网调节能力。
本发明采用如下的技术方案:
本发明一方面提出一种含电动汽车资源的电力系统调度框架方法,包括以下内容:
步骤1,根据区域内各电动汽车充电站收集的电动汽车充放电历史信息得到时间序列历史信息,以电动汽车充电站或电动汽车负荷聚合商为单位对区域内各电动汽车充电站的充放电量进行日前预测;
步骤2,根据区域电网基础负荷信息,确定区域电网调控目标及调控需求;
步骤3,根据步骤2中确定的调控需求,对步骤1中日前预测得到的区域内各电动汽车充电站的充放电量进行调控,形成区域内电动汽车日前充放电计划;
步骤4,结合步骤2中的区域电网基础负荷信息及步骤3生成的区域内电动汽车日前充放电计划,形成电力系统日前调度计划,并对安全性进行校核;
步骤5,根据区域内电动汽车日前充放电计划和电力系统日前调度计划,采集并结合时前与实时电动汽车充放电信息,进行电动汽车日前充放电计划的滚动修正,实现实时调度。
在步骤1中,所采集的电动汽车充放电历史信息包括位置数据、平均出行里程、开始充电时间、预计离开时间、开始SOC以及需求SOC。
在步骤1中,利用差分算法对电动汽车充放电历史信息的时间序列历史信息进行平稳化处理。
日前预测所使用的预测模型为ARIMA(p,d,q),其中p、d、q分别为自回归阶数、差分阶数和移动平均阶数;将时间序列历史信息记为Ori={Ti}(i=1,2,…,N),Ti表示第i辆电动汽车的时间序列历史信息;N为单位区域内电动汽车数量;
ARIMA(p,d,q)具体为:
φ(B)(1-B)dti=θ(B)εt
θ(B)=1-θ1B-θ2B2-…-θqBq
式中,B为后移算子,εt为服从N(0,σ2)正态分布的误差项;θi表示对应时间序列的自相关系数,i=1,2,…q;表示对应时间序列的滑动平均系数,j=1,2…p;φ(B)表示该时间序列的自回归模型,θ(B)表示该时间序列的滑动平均模型。
使用增强迪基-福勒检验得出预测模型中自回归阶数的取值范围、差分阶数的取值范围和移动平均阶数的取值范围,然后利用最小信息准则确定自回归阶数最优值、差分阶数最优值、移动平均阶数最优值;具体做法为从一阶差分开始依次进行平稳化检验,直至通过为止,最终得到平稳序列;
最后依据最小均方差准则确定自回归阶数最优值、差分阶数最优值、移动平均阶数最优值。
采用改进粒子群算法,将电动汽车的充放电功率作为各粒子位置值,计算维度为单位区域内电动汽车数量乘以设定的粒子数量;通过对随机生成的粒子值进行迭代,确定t时刻每个粒子所经过的最佳位置pbest和群体中的最佳位置gbest。
粒子的速度和位置进行更新的方法为:
vi,j(t+1)=vi,j(t)+c1·rand()·[pi,j-xi,j(t)]+c2·rand()·[pg,j-xi,j(t)]
xi,j(t+1)=xi,j(t)+vi,j(t+1)
vi.j∈[vmin,vmax]
xi,j∈X
其中,c1和c2分别为第一正加速常数与第二正加速常数,rand()为随机生成的粒子值;vi,j(t)为第t时刻坐标为(i,j)粒子的速度,vi,j(t+1)为第t+1时刻坐标为(i,j)的粒子速度,pi,j为坐标为(i,j)的粒子位置,pg,j为群体中第j个粒子的最佳位置,xi,j(t)为坐标为(i,j)的粒子值,vmin为粒子速度最小值,vmax为粒子速度最大值,X为粒子可能位置范围的集合。
粒子的速度和位置进行更新的方法所需要的约束包括电动汽车参数约束、电动汽车用户需求约束、桩的充放电功率约束、配电变压器容量约束。
利用步骤3中生成的区域内电动汽车日前充放电计划和步骤2中收集的该区域电网基础负荷进行叠加,形成区域电网日前预测总负荷,调度计划依照区域电网日前预测总负荷进行制定并通过安全性校验。
安全校验包括N-1安全校验,一般以两阶段鲁棒优化模型进行N-1安全校验,目标函数为:
步骤5中,以15min为步长,进行电动汽车日前充放电计划的滚动修正。
利用基于可控自回归积分滑动平均模型的模型预测控制方法对对当前滚动时域内的集群电动汽车充放电功率进行优化求解,使用如下离散差分方程:
A(z-1)y(t)=B(z-1)u(t-1)+C(z-1)ω(t)/Δ
式中,A(z-1)、B(z-1)、C(z-1)分别表示含有算子z-1的第一、第二与第三多项式,Na、Nb、Nc分别为第一多项式的阶数、第二多项式的阶数、第三多项式的阶数;u(t)和y(t)分别为被控对象的输入和输出,在滚动优化的过程中,u(t)为t时刻区域内电动汽车日前充放电计划,y(t)为t时刻电动汽车实时充放电计划,ω(t)为噪声向量;aii、bjj、cxx分别表示第一多项式的系数数列、第二多项式的系数数列、第三多项式的系数数列,ii=1,2…Na,jj=0,1…Nb,xx=1,2…Nc;z为一随机算子;通过不断的差分迭代,最终得到收敛解。
一种含电动汽车资源的电力系统调度框架系统,包括历史信息收集模块、充放电量日前预测模块、调控目标及调控需求制定模块、电动汽车日前充放电计划制定模块、电力系统日前调度计划制定模块、安全性校核模块、电动汽车充放电计划的滚动修正模块,
其中,历史信息收集模块采集的历史数据包括位置数据、平均出行里程、开始充电时间、预计离开时间、开始SOC以及需求SOC,并将所采集的数据输入至充放电量日前预测模块;
充放电量日前预测模块计算并预测对电动汽车充放电量并将预测得到的数据输入至调控目标及调控需求制定模块;
调控目标及调控需求制定模块得到区域电网的调控需求,并通过计算得到需求容量,将结果输入至电动汽车日前充放电计划制定模块;
电动汽车日前充放电计划制定模块采用改进粒子群算法,将电动汽车的充放电功率作为各粒子位置值,计算维度为电动汽车数量乘以设定的粒子数量;并将计算结果输入至电力系统日前调度计划制定模块;
电力系统日前调度计划制定模块利用生成的电动汽车日前充放电计划和收集的该区域电网基础负荷进行叠加,形成该区域电网日前预测总负荷,并将总负荷输入至安全性校核模块;
安全性校核模块使用N-1安全校验方法对总负荷进行安全性校验后,将通过校验的结果输入至电动汽车充放电计划的滚动修正模块;
电动汽车充放电计划的滚动修正模块根据电动汽车日前充放电计划和电力系统日前调度计划,结合时前与实时电动汽车充放电信息,以15min为步长,进行电动汽车充放电计划的滚动修正,实现实时调度。
本发明的有益效果在于,与现有技术相比,本发明:
1、本发明提出了一种含电动汽车资源的电力系统调度框架方法,在调度层面将电动汽车作为源侧资源融入原有的调度过程中,可以更好地发挥规模化电动汽车的分布式储能资源特性,协同调节电网用电负荷,为电网提供辅助服务,提升区域电网调节能力。
2、本发明的含电动汽车资源的电力系统调度框架方法,可将电动汽车资源融入电力系统调度计划制定过程,有利于优化区域电网对于电动汽车负荷和资源的接纳能力,为区域电力系统稳定运行提供支撑。
附图说明
图1为本发明的一种含电动汽车资源的电力系统调度框架方法的流程图;
图2为本发明一实施例中基于ARIMA算法的电动汽车充放电负荷及行为预测的方法;
图3为本发明一实施例中区域内主要配变的输出曲线与优化后的输出曲线。
具体实施方式
下面结合附图对本申请作进一步描述。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申请的保护范围。
如图1,一种含电动汽车资源的电力系统调度框架方法包括以下步骤:
步骤1:根据区域内各电动汽车充电站收集的电动汽车充放电历史信息,以充电站或电动汽车负荷聚合商为单位对区域内各电动汽车充电站的充放电量进行日前预测;
进一步地,所述步骤1中电动汽车充放电信息收集内容和指标如下,符合GB/T32960《电动汽车远程服务与管理系统技术规范》:
表1电动汽车充放电信息收集内容和指标
针对收集的电动汽车充放电历史信息,可以形成相应的时间序列表格,将一天时间分为96点,步长为15min。表格格式范例如下:
表2电动汽车历史充放电信息示例表格(以充电功率为例)
以站或电动汽车负荷聚合商为单位,采用以时间序列预测为主的方法,进行电动汽车充放电量的日前预测。
优选地,可以采用基于差分整合的充放电量时序预测方法,在连续时间段的电动汽车充放电历史数据基础上,生成区域内各充电场站的充放电量日前预测结果。
优选地,应首先按表1收集区域内各电动汽车充电场站中的电动汽车信息,特别是含有较强规律性的电动汽车充放电负荷及充电行为信息,得到时间序列历史信息,从而可以采用预测模型对电动汽车充放电信息进行预测,具体步骤如图2所示。
本领域的技术人员可以根据实际情况选择预测模型,本实施例给出的仅为一优选方案,不能成为对本发明保护范围的必然限制。
首先,利用差分算法对电动汽车历史信息时间序列进行平稳化处理。当数据序列中存在一些明显的异常值,使数据呈现不规则的尖峰或低谷时,差分化处理可以将异常值平滑掉,削弱它对预测序列的影响。预测模型可以记为ARIMA(p,d,q),运用到差分整合移动平均自回归算法,其中p、d、q分别为自回归阶数、差分阶数和移动平均阶数。优选地,根据电动汽车充放电信息的不同,应采取不同的阶数,本文中采用p=3、d=2、q=1。将原始信息时间序列记为Ori={Ti}(i=1,2,…,N),其中N为单位区域内电动汽车数量。
ARIMA(p,d,q)的一般形式为:
φ(B)(1-B)dti=θ(B)εt
θ(B)=1-θ1B-θ2B2-…-θqBq
其中,B为后移算子,εt为服从N(0,σ2)正态分布的误差项;θi表示对应时间序列的自相关系数,i=1,2,…q;表示对应时间序列的滑动平均系数,j=1,2…p;φ(B)表示该时间序列的自回归模型,θ(B)表示该时间序列的滑动平均模型。
其次,差分方程的平稳化作用需要应用增强迪基-福勒检验(ADF)可以得出上述预测模型阶数的大致范围,然后利用最小信息准则确定最佳的模型阶数。具体做法为从一阶差分开始依次进行平稳化检验,直至通过为止,最终得到平稳序列。
最终,最后依据最小均方差准则确定最佳的模型参数,并根据差分的逆操作处理,重构出电动汽车充放电量及充放电行为的预测结果。
步骤2:根据区域电网基础负荷信息,确定区域电网调控目标及调控需求;
区域电网调控目标及调控需求分别包括调峰时段、调峰需求容量;
进一步地,所述步骤2中需计算该区域电网各项运行指标,并利用专家评估法形成的判断标准,得到区域电网的调控需求,并通过计算得到需求容量,判断标准如下表所示:
表3区域电网的调控需求的判断标准
步骤3:根据步骤2中确定的调控需求,在步骤1中预测得到的电动汽车充放电情况基础上进行调控,形成电动汽车日前充放电计划;
进一步地,所述步骤3中在预测的电动汽车充放电情况基础上进行调控,形成电动汽车日前充放电计划,针对不同的电网调控目标采取不同的电动汽车充放电计划优化方法。
优选地,针对不同的电网调控目标采取不同的电动汽车充放电计划优化方法。以调峰为例,可以采用基于改进粒子群优化算法(PSO)的电动汽车日前充放电计划生成方法,本领域的技术人员也可以根据实际情况选择充放电计划生成的算法,本实施例给出的仅为一优选方案,不能成为对本发明保护范围的必然限制。
采用改进粒子群算法时,可将电动汽车的充放电功率作为各粒子位置值,计算维度为电动汽车数量乘以设定的粒子数量。通过对随机生成的粒子值进行迭代,确定t时刻每个粒子所经过的最佳位置pbest和群体中的最佳位置gbest,按下列规则对各个粒子的速度和位置进行更新。
vi,j(t+1)=vi,j(t)+c1·rand()·[pi,j-xi,j(t)]+c2·rand()·[pg,j-xi,j(t)]
xi,j(t+1)=xi,j(t)+vi,j(t+1)
vi.j∈[vmin,vmax]
xi,j∈X
其中,c1和c2分别为第一正加速常数与第二正加速常数,rand()为随机生成的粒子值;vi,j(t)为第t时刻坐标为(i,j)粒子的速度,vi,j(t+1)为第t+1时刻坐标为(i,j)的粒子速度,pi,j为坐标为(i,j)的粒子位置,pg,j为群体中第j个粒子的最佳位置,xi,j(t)为坐标为(i,j)的粒子值,vmin为粒子速度最小值,vmax为粒子速度最大值,X为粒子可能位置范围的集合。
最终,生成电动汽车参与电网辅助调峰的日前计划,即电动汽车96点充放电功率计划。同时,也需要考虑一些约束,包括电动汽车参数约束、电动汽车用户需求约束、桩的充放电功率约束、区域配电变压器容量约束等。
步骤4:结合步骤2中的区域电网基础负荷信息及步骤3生成的区域内电动汽车日前充放电计划,形成电力系统日前调度计划,并对安全性及调控效果进行校核与评价。
优选地,应利用步骤3中生成的电动汽车日前充放电计划和步骤1中收集的该区域电网基础负荷进行叠加,形成该区域电网日前预测总负荷,调度计划依照该预测总负荷进行制定,本领域的技术人员可根据实际情况设定调度计划,本发明给出的调度计划详见发明书中给出的实施例。之后,再通过安全性校验,安全性校验包含N-1安全校验等。一般以两阶段鲁棒优化模型进行N-1安全校验,目标函数为:
步骤5:根据步骤3和4中的电动汽车日前充放电计划和电力系统日前调度计划,结合时前与实时电动汽车充放电信息,以15min为步长,进行电动汽车充放电计划的滚动修正,最终实现实时调度。
进一步地,所述步骤5中电动汽车充放电计划的滚动修正,其特征在于,在确定的电力系统调度计划下,对电动汽车充放电计划进行实时修正,以满足电力系统的运行要求。针对公共充电站、居民小区充电场所以及专用充电站的电动汽车上传的信息,结合日前电动汽车可调度能力预评估结果,利用基于可控自回归积分滑动平均模型(CARIMA)的模型预测控制技术对当前滚动时域内的集群电动汽车充放电功率进行优化求解,并下达第一个时间段的集群电动汽车控制指令;在下一个时刻,结合新到达的电动汽车的状态信息以及电网内电动汽车更新后的状态信息,对滚动时域内的集群电动汽车状态进行预测并求解其最优充放电功率,并下达第一个时间段的电动汽车控制指令;以此方式循环优化,不断更新电动汽车状态信息,并同时下达新的最优指令,实现电动汽车调度方案的滚动优化。滚动时域可设置为15min。CARIMA优化的数学模型可以用离散差分方程描述:
A(z-1)y(t)=B(z-1)u(t-1)+C(z-1)ω(t)/Δ
其中A(z-1)、B(z-1)、C(z-1)分别表示含有算子z-1的第一、第二与第三多项式,Na、Nb、Nc为对应的阶数;u(t)和y(t)分别为被控对象的输入和输出,在滚动优化的过程中,u(t)为t时刻电动汽车日前充放电计划,y(t)为t时刻电动汽车实时充放电计划,ω(t)为噪声向量。aii、bjj、cxx分别表示第一多项式的系数数列、第二多项式的系数数列、第三多项式的系数数列,ii=1,2…Na,jj=0,1…Nb,xx=1,2…Nc;z为一随机算子;通过不断的差分迭代,最终得到收敛解。
实施例:
对江苏省南京某地区电网调度计划生成过程进行模拟。选取区域含电动汽车1232辆,图3中虚线为该地区不考虑电动汽车资源所得到的原始调度曲线,其中负荷峰值已超过区域配电总容量,须通过增大区域间联络功率、调节本地储能及新能源出力等方式满足。可见区域电网调节的主要需求为调峰。采用本专利方法进行优化后,区域内主要配变优化后的输出曲线如图3中实线所示。可见采用本文方法进行优化将降低电源负载,提升功率调节裕度,有利于优化区域电网对于电动汽车负荷和资源的接纳能力,为区域电力系统稳定运行提供支撑。
本发明还公开了一种含电动汽车资源调度模块的电力系统调度系统,在原有电力调度系统中加入了新的功能模块,包括电动汽车历史信息收集模块、充放电量日前预测模块、区域电网调控目标及调控需求制定模块、电动汽车日前充放电计划制定模块、电动汽车充放电计划的滚动修正模块。改进了原有的电力系统日前调度计划制定模块和安全性校核模块。
其中,历史信息收集模块采集的历史数据包括位置数据、平均出行里程、开始充电时间、预计离开时间、开始SOC以及需求SOC,并将所采集的数据输入至充放电量日前预测模块;
充放电量日前预测模块计算并预测对电动汽车充放电量并将预测得到的数据输入至调控目标及调控需求制定模块;
调控目标及调控需求制定模块得到区域电网的调控需求,并通过计算得到需求容量,将结果输入至电动汽车日前充放电计划制定模块;
电动汽车日前充放电计划制定模块采用改进粒子群算法,将电动汽车的充放电功率作为各粒子位置值,计算维度为电动汽车数量乘以设定的粒子数量;并将计算结果输入至电力系统日前调度计划制定模块;
电力系统日前调度计划制定模块利用生成的电动汽车日前充放电计划和收集的该区域电网基础负荷进行叠加,形成该区域电网日前预测总负荷,并将总负荷输入至安全性校核模块;
安全性校核模块使用N-1安全校验方法对总负荷进行安全性校验后,将通过校验的结果输入至电动汽车充放电计划的滚动修正模块;
电力系统日前调度计划形成后,需在实时层面继续收集电动汽车的充放电信息,电动汽车充放电计划的滚动修正模块根据电动汽车日前充放电计划和电力系统日前调度计划,结合时前与实时电动汽车充放电信息,以15min为步长,进行电动汽车充放电计划的滚动修正,实现实时调度。
本发明申请人结合说明书附图对本发明的实施示例做了详细的说明与描述,但是本领域技术人员应该理解,以上实施示例仅为本发明的优选实施方案,详尽的说明只是为了帮助读者更好地理解本发明精神,而并非对本发明保护范围的限制,相反,任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。
Claims (13)
1.一种含电动汽车资源的电力系统调度框架方法,其特征在于,所述电力系统调度框架方法包括:
步骤1,根据区域内各电动汽车充电站收集的电动汽车充放电历史信息得到时间序列历史信息,以电动汽车充电站或电动汽车负荷聚合商为单位对区域内各电动汽车充电站的充放电量进行日前预测;
步骤2,根据区域电网基础负荷信息,确定区域电网调控目标及调控需求;
步骤3,根据步骤2中确定的调控需求,对步骤1中日前预测得到的区域内各电动汽车充电站的充放电量进行调控,形成区域内电动汽车日前充放电计划;
步骤4,结合步骤2中的区域电网基础负荷信息及步骤3生成的区域内电动汽车日前充放电计划,形成电力系统日前调度计划,并对安全性进行校核;
步骤5,根据区域内电动汽车日前充放电计划和电力系统日前调度计划,采集并结合时前与实时电动汽车充放电信息,进行电动汽车日前充放电计划的滚动修正,实现实时调度。
2.根据权利要求1所述的一种含电动汽车资源的电力系统调度框架方法,其特征在于,
在所述步骤1中,所采集的电动汽车充放电历史信息包括位置数据、平均出行里程、开始充电时间、预计离开时间、开始SOC以及需求SOC。
3.根据权利要求1所述的一种含电动汽车资源的电力系统调度框架方法,其特征在于,
在所述步骤1中,利用差分算法对电动汽车充放电历史信息的时间序列历史信息进行平稳化处理。
4.根据权利要求1或3所述的一种含电动汽车资源的电力系统调度框架方法,其特征在于,
日前预测所使用的预测模型为ARIMA(p,d,q),其中p、d、q分别为自回归阶数、差分阶数和移动平均阶数;将时间序列历史信息记为Ori={Ti}(i=1,2,…,N),Ti表示第i辆电动汽车的时间序列历史信息;N为单位区域内电动汽车数量;
ARIMA(p,d,q)具体为:
φ(B)(1-B)dti=θ(B)εt
θ(B)=1-θ1B-θ2B2-…-θqBq
5.根据权利要求4所述的一种含电动汽车资源的电力系统调度框架方法,其特征在于,
使用增强迪基-福勒检验得出预测模型中自回归阶数的取值范围、差分阶数的取值范围和移动平均阶数的取值范围,然后利用最小信息准则确定自回归阶数最优值、差分阶数最优值、移动平均阶数最优值;具体做法为从一阶差分开始依次进行平稳化检验,直至通过为止,最终得到平稳序列;
最后依据最小均方差准则确定自回归阶数最优值、差分阶数最优值、移动平均阶数最优值。
6.根据权利要求5所述的一种含电动汽车资源的电力系统调度框架方法,其特征在于,
采用改进粒子群算法,将电动汽车的充放电功率作为各粒子位置值,计算维度为单位区域内电动汽车数量乘以设定的粒子数量;通过对随机生成的粒子值进行迭代,确定t时刻每个粒子所经过的最佳位置pbest和群体中的最佳位置gbest。
7.根据权利要求6所述的一种含电动汽车资源的电力系统调度框架方法,其特征在于,
所述粒子的速度和位置进行更新的方法为:
vi,j(t+1)=vi,j(t)+c1·rand()·[pi,j-xi,j(t)]+c2·rand()·[pg,j-xi,j(t)]
xi,j(t+1)=xi,j(t)+vi,j(t+1)
vi.j∈[vmin,vmax]
xi,j∈X
其中,c1和c2分别为第一正加速常数与第二正加速常数,rand()为随机生成的粒子值;vi,j(t)为第t时刻坐标为(i,j)粒子的速度,vi,j(t+1)为第t+1时刻坐标为(i,j)的粒子速度,pi,j为坐标为(i,j)的粒子位置,pg,j为群体中第j个粒子的最佳位置,xi,j(t)为坐标为(i,j)的粒子值,vmin为粒子速度最小值,vmax为粒子速度最大值,X为粒子可能位置范围的集合。
8.根据权利要求7所述的一种含电动汽车资源的电力系统调度框架方法,其特征在于,
所述粒子的速度和位置进行更新的方法所需要的约束包括电动汽车参数约束、电动汽车用户需求约束、桩的充放电功率约束、配电变压器容量约束。
9.根据权利要求1或8所述的一种含电动汽车资源的电力系统调度框架方法,其特征在于,
利用步骤3中生成的区域内电动汽车日前充放电计划和步骤2中收集的该区域电网基础负荷进行叠加,形成区域电网日前预测总负荷,调度计划依照区域电网日前预测总负荷进行制定并通过安全性校验。
11.根据权利要求1所述的一种含电动汽车资源的电力系统调度框架方法,其特征在于,
步骤5中,以15min为步长,进行电动汽车日前充放电计划的滚动修正。
12.根据权利要求1或11所述的一种含电动汽车资源的电力系统调度框架方法,其特征在于,
利用基于可控自回归积分滑动平均模型的模型预测控制方法对对当前滚动时域内的集群电动汽车充放电功率进行优化求解,使用如下离散差分方程:
A(z-1)y(t)=B(z-1)u(t-1)+C(z-1)ω(t)/Δ
式中,A(z-1)、B(z-1)、C(z-1)分别表示含有算子z-1的第一、第二与第三多项式,Na、Nb、Nc分别为第一多项式的阶数、第二多项式的阶数、第三多项式的阶数;u(t)和y(t)分别为被控对象的输入和输出,在滚动优化的过程中,u(t)为t时刻区域内电动汽车日前充放电计划,y(t)为t时刻电动汽车实时充放电计划,ω(t)为噪声向量;aii、bjj、cxx分别表示第一多项式的系数数列、第二多项式的系数数列、第三多项式的系数数列,ii=1,2…Na,jj=0,1…Nb,xx=1,2…Nc;z为一随机算子;通过不断的差分迭代,最终得到收敛解。
13.基于权利要求1-12任意一项所述的一种含电动汽车资源的电力系统调度框架方法而实现的一种含电动汽车资源的电力系统调度框架系统,其特征在于,所述电力系统调度框架系统包括历史信息收集模块、充放电量日前预测模块、调控目标及调控需求制定模块、电动汽车日前充放电计划制定模块、电力系统日前调度计划制定模块、安全性校核模块、电动汽车充放电计划的滚动修正模块,
其中,历史信息收集模块采集的历史数据包括位置数据、平均出行里程、开始充电时间、预计离开时间、开始SOC以及需求SOC,并将所采集的数据输入至充放电量日前预测模块;
充放电量日前预测模块计算并预测对电动汽车充放电量并将预测得到的数据输入至调控目标及调控需求制定模块;
调控目标及调控需求制定模块得到区域电网的调控需求,并通过计算得到需求容量,将结果输入至电动汽车日前充放电计划制定模块;
电动汽车日前充放电计划制定模块采用改进粒子群算法,将电动汽车的充放电功率作为各粒子位置值,计算维度为电动汽车数量乘以设定的粒子数量;并将计算结果输入至电力系统日前调度计划制定模块;
电力系统日前调度计划制定模块利用生成的电动汽车日前充放电计划和收集的该区域电网基础负荷进行叠加,形成该区域电网日前预测总负荷,并将总负荷输入至安全性校核模块;
安全性校核模块使用N-1安全校验方法对总负荷进行安全性校验后,将通过校验的结果输入至电动汽车充放电计划的滚动修正模块;
电动汽车充放电计划的滚动修正模块根据电动汽车日前充放电计划和电力系统日前调度计划,结合时前与实时电动汽车充放电信息,以15min为步长,进行电动汽车充放电计划的滚动修正,实现实时调度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210248597.6A CN114629148A (zh) | 2022-03-14 | 2022-03-14 | 一种含电动汽车资源的电力系统调度框架方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210248597.6A CN114629148A (zh) | 2022-03-14 | 2022-03-14 | 一种含电动汽车资源的电力系统调度框架方法及其系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114629148A true CN114629148A (zh) | 2022-06-14 |
Family
ID=81902021
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210248597.6A Pending CN114629148A (zh) | 2022-03-14 | 2022-03-14 | 一种含电动汽车资源的电力系统调度框架方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114629148A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115378016A (zh) * | 2022-09-13 | 2022-11-22 | 国网江苏省电力有限公司苏州供电分公司 | 一种多电动汽车集群日前充电计划生成方法及系统 |
CN117010837A (zh) * | 2023-08-18 | 2023-11-07 | 国网江苏省电力有限公司扬州供电分公司 | 一种基于经纬度坐标的基础资源批量匹配方法 |
-
2022
- 2022-03-14 CN CN202210248597.6A patent/CN114629148A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115378016A (zh) * | 2022-09-13 | 2022-11-22 | 国网江苏省电力有限公司苏州供电分公司 | 一种多电动汽车集群日前充电计划生成方法及系统 |
CN115378016B (zh) * | 2022-09-13 | 2023-10-27 | 国网江苏省电力有限公司苏州供电分公司 | 一种多电动汽车集群日前充电计划生成方法及系统 |
CN117010837A (zh) * | 2023-08-18 | 2023-11-07 | 国网江苏省电力有限公司扬州供电分公司 | 一种基于经纬度坐标的基础资源批量匹配方法 |
CN117010837B (zh) * | 2023-08-18 | 2024-05-17 | 国网江苏省电力有限公司扬州供电分公司 | 一种基于经纬度坐标的基础资源批量匹配方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Optimal sizing of a wind-energy storage system considering battery life | |
CN109816171B (zh) | 一种电动汽车区域微网群双层分布式优化调度方法 | |
Wang et al. | Two-stage mechanism for massive electric vehicle charging involving renewable energy | |
Jian et al. | Optimal scheduling for vehicle-to-grid operation with stochastic connection of plug-in electric vehicles to smart grid | |
Tao et al. | Orderly charging strategy of battery electric vehicle driven by real-world driving data | |
Jia et al. | Historical-data-based energy management in a microgrid with a hybrid energy storage system | |
Wang et al. | Distributed control for large-scale plug-in electric vehicle charging with a consensus algorithm | |
Zand et al. | Using adaptive fuzzy logic for intelligent energy management in hybrid vehicles | |
Wei et al. | Aggregation and scheduling models for electric vehicles in distribution networks considering power fluctuations and load rebound | |
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 | |
Ebrahimi et al. | Stochastic charging optimization of V2G-capable PEVs: A comprehensive model for battery aging and customer service quality | |
CN106096773A (zh) | 一种电动汽车充当储能的多目标优化调度方法 | |
CN104104107B (zh) | 用混合储能平抑风电功率波动的模型预测控制方法 | |
CN103336998B (zh) | 一种风电场功率波动平抑目标值的优化计算方法 | |
CN107231001B (zh) | 一种基于改进灰色预测的楼宇微网在线能量管理方法 | |
CN107730048A (zh) | 一种风电‑电动汽车联合系统随机鲁棒优化调度方法 | |
CN112865190A (zh) | 计及光伏和充电需求的光储充电站优化调度方法和系统 | |
Zhong et al. | An orderly EV charging scheduling method based on deep learning in cloud-edge collaborative environment | |
Liu et al. | Energy-storage configuration for EV fast charging stations considering characteristics of charging load and wind-power fluctuation | |
Yi et al. | A data-driven framework for residential electric vehicle charging load profile generation | |
Dimitroulis et al. | Residential energy management system utilizing fuzzy based decision-making | |
Bouallaga et al. | Methodology for technical and economic assessment of electric vehicles integration in distribution grid | |
Ni et al. | Hierarchical optimization of electric vehicle system charging plan based on the scheduling priority | |
Li et al. | Energy management model of charging station micro-grid considering random arrival of electric vehicles | |
Zhu et al. | Dynamic multi-objective dispatch considering wind power and electric vehicles with probabilistic characteristics |
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 |