CN114784896A - 面向虚拟电厂的规模化充电桩能量优化管理方法和系统 - Google Patents

面向虚拟电厂的规模化充电桩能量优化管理方法和系统 Download PDF

Info

Publication number
CN114784896A
CN114784896A CN202210234512.9A CN202210234512A CN114784896A CN 114784896 A CN114784896 A CN 114784896A CN 202210234512 A CN202210234512 A CN 202210234512A CN 114784896 A CN114784896 A CN 114784896A
Authority
CN
China
Prior art keywords
power
power plant
energy
charging pile
virtual power
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
CN202210234512.9A
Other languages
English (en)
Inventor
杨勇
彭道刚
牛浩明
张旭军
周治伊
赵慧荣
李建芳
戚尔江
王丹豪
李文竹
任澜
吴腾飞
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.)
STATE GRID GASU ELECTRIC POWER RESEARCH INSTITUTE
State Grid Gansu Electric Power Co Ltd
Shanghai Electric Power University
Original Assignee
STATE GRID GASU ELECTRIC POWER RESEARCH INSTITUTE
State Grid Gansu Electric Power Co Ltd
Shanghai Electric Power University
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 STATE GRID GASU ELECTRIC POWER RESEARCH INSTITUTE, State Grid Gansu Electric Power Co Ltd, Shanghai Electric Power University filed Critical STATE GRID GASU ELECTRIC POWER RESEARCH INSTITUTE
Priority to CN202210234512.9A priority Critical patent/CN114784896A/zh
Publication of CN114784896A publication Critical patent/CN114784896A/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
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/00032—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries characterised by data exchange
    • 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
    • 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
    • H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given 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
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/0047—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with monitoring or indicating devices or circuits
    • H02J7/0048—Detection of remaining charge capacity or state of charge [SOC]
    • 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
    • H02J7/007—Regulation of charging or discharging current or voltage
    • H02J7/00712—Regulation of charging or discharging current or voltage the cycle being controlled or terminated in response to electric parameters
    • 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
    • H02J7/02—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries for charging batteries from ac mains by converters
    • H02J7/04—Regulation of charging current or voltage
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本发明涉及一种面向虚拟电厂的规模化充电桩能量优化管理方法和系统，方法包括：获取虚拟电厂内各光伏发电站、储能电站、用电客户端和接入电动汽车充电站的大规模电动汽车的节点功率信息及其相应的荷电状态；建立面向虚拟电厂的大规模充电桩能量优化管理模型；基于贪婪‑粒子群优化算法对面向虚拟电厂的大规模充电桩能量管理优化模型进行求解；根据求得的最优解制定面向虚拟电厂的大规模充电桩能量优化管理策略。与现有技术相比，本发明实现了虚拟电厂内各系统之间的能量最优分配及协同互动，确保光伏发电站和电动汽车充电站的能量协同互动，保证虚拟电厂的运行稳定，同时兼顾环保效益。

Description

面向虚拟电厂的规模化充电桩能量优化管理方法和系统
技术领域
本发明涉及虚拟电厂协同控制领域，尤其是涉及一种面向虚拟电厂的规模化充电桩能量优化管理方法和系统。
背景技术
目前5G网络、数据中心等新型基础设施建设受到越来越多的关注。新基建的实质是数字基础设施，也是推进新一代信息技术与实体经济深度融合的关键基础设施。
充电技术及充电桩是新基建的重要领域之一，充电技术及充电桩的低成本及规模化是推动智慧交通、智慧能源以及数字经济的重要支撑。随着充电桩技术的普及，越来越多的电动汽车充电需求会极大影响电力系统需求侧管理的管理，对电力系统的稳定、经济运行提出了新的要求。其原因在于，随着电动汽车的急剧增长，多数独立的电动汽车充电站和储能电站功率波动较大，特别是电动汽车充电负荷与电网负荷相叠加会进一步加重电网的峰谷差从而导致配电网线路潮流越限与变压器过载等严重问题。
随着智能电网的发展，虚拟电厂作为综合能源服务与电力物联网建设紧密结合的产物，也是一种非常重要的新基建。虚拟电厂是一种通过先进信息通信技术和软件系统，实现DG、储能系统、可控负荷、电动汽车等DER的聚合和协调优化，以作为一个特殊电厂参与电力市场和电网运行的电源协调管理系统，为配电网和输电网提供管理和辅助服务。因此，虚拟电厂将会是未来用于规模化充电桩管理的重要设施。目前如何应用虚拟电厂对规模化充电桩进行管理还没有相关的研究和方案。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种面向虚拟电厂的规模化充电桩能量优化管理方法和系统。
本发明的目的可以通过以下技术方案来实现：
一种面向虚拟电厂的规模化充电桩能量优化管理方法，在设定区域内设有虚拟电厂，该虚拟电厂内包含光伏发电站、储能电站、用户客户端和大规模电动汽车充电站，所述能量优化管理方法包括以下步骤：
S1、获取区域内各光伏发电站、储能电站、用电客户端和接入电动汽车充电站的大规模电动汽车的节点功率信息及其相应的荷电状态；
S2、根据获取的信息建立面向虚拟电厂的大规模充电桩能量优化管理模型；所述大规模充电桩能量优化管理模型包括实现虚拟电厂内各系统运行成本最低为目标函数和对应的约束条件；所述目标函数的表达式为：
minF＝f1+f2+f3+f4
Figure BDA0003541214370000021
Figure BDA0003541214370000022
Figure BDA0003541214370000023
f4＝Ch
式中，λb(t)表示t时刻电网电价；Qg(t)表示t时段虚拟电厂的购电量；λPV表示光伏发电成本；QPV(t)表示t时刻光伏输出电量；QC(t)表示t时刻储能系统充电电量；QF(t)表示t时刻储能系统放电电量；λc表示储能的损耗成本；Ch表示充电桩运营管理费用；
S3、通过基于贪婪-粒子群优化算法对大规模充电桩能量管理优化模型进行求解；
S4、根据求得的最优解制定面向虚拟电厂的大规模充电桩能量优化管理策略。
进一步地，步骤S2中，约束条件包括以下约束条件的一个或多个：电量平衡约束，光伏功率约束，储能电池荷电状态约束，电动汽车功率约束、充电桩购电量约束、电动汽车电池剩余电量不等式约束，以及电动汽车用户充电需求约束。
进一步地，电动汽车功率约束表达式为：
ηminP′ev(i)≤Pev(i)≤ηmaxP′ev(i)
式中，ηmin和ηmax为无序充电模式下的充电裕度；P′ev(i)为电动汽车在i时刻下无序充电的功率值；Pev(i)为电动汽车功率。
进一步地，充电桩购电量约束表达式为：
0≤Qg(t)≤Qmax(t)
式中，Qg(t)表示t时刻充电站向电网的购电量；Qmax(t)表示t时刻电站用电总量。进一步地，电动汽车电池剩余电量不等式约束表达式为：
Sev,min≤Sev(i)≤Sev,max
式中，Sev,max和Sev,min为电池存储能量上限和下限；Sev(i)表示电动汽车电池剩余电量。
进一步地，步骤S2中的基于贪婪-粒子群优化算法中，以各系统运行成本最低为目标，每个子代粒子代表虚拟电厂内各时间点各系统的负荷功率，初始化种群中各微粒的位置和速度时，利用局部寻优法求得系统内各采样时间节点的最优等效负荷后，替代原有粒子的位置和速度。
进一步地，基于贪婪-粒子群优化算法对模型求解具体包括以下步骤：
A1、选取一天的光伏发电功率、储能系统充放电功率、用户用电负荷和电动汽车充电功率采样数据作为初始样本数据生成基本负荷曲线，利用虚拟电厂内各能源系统相关运行参数，计算平均负荷功率、最大负荷功率、最小负荷功率，并按峰平谷不同时间尺度求得一天各系统发电量或者用电量，满足系统运行成本最低，并将其作为初始运行数据；
A2、设置杂交种群粒子数N，给定杂交概率Pc和杂交池比例大小Sp，随机初始化杂交种群，通过子代位置公式child(x)和子代速度公式child(v)初步筛选确定杂交种群中各微粒的位置和速度，将虚拟电厂内各系统各时间点负荷功率看成一组杂交种群；
A3、评价各系统各时间点的每个功率节点适应度，将当前各个功率节点的位置和适应值存储在各个功率点的pbest中，将所有pbest中适应值最优个体的位置和适应值存储于gbest中，并计算目标函数值；
A4、根据杂交概率选取指定数量的粒子放入杂交池内，判断是否满足预设的运算精度或迭代次数，若是则搜索停止，输出各时间点不同功率点的结果；若否则执行步骤A4继续搜索。
一种面向虚拟电厂的规模化充电桩能量优化管理系统，包括处理器和存储器，其特征在于，所述处理器调用所述存储器中存储的程序，实现如上任一所述的面向虚拟电厂的规模化充电桩能量优化管理方法。
与现有技术相比，本发明具有有益效果：
1、本发明实现了面向虚拟电厂的规模化充电桩能量优化管理，有效调节储能系统资源，不仅有效减少减小了光伏发电接入系统时的波动对系统运行稳定性产生的冲击，而且作为用电高峰期间备用，增加电力调度灵活性，实现大规模源－网－荷友好互动；同时，本发明在保证有效接纳各新能源系统发电并保证全消纳的基础上，更加有效的实现虚拟电厂各系统高效经济运行。
2、本发明能够有效整合分布式电源、储能、可控负荷等不同类型的分布式能源，实现多个分布式能源的协调优化运行，从而更有利于资源的合理优化配置及利用，具有良好的发展前景。
附图说明
图1为本发明的流程示意图。
图2为本发明中基于贪婪-粒子群优化算法流程示意图。
图3为本发明中利用贪婪-粒子群算法求解系统运行成本最低流程示意图。
图4为实施例中充电负荷类型分类示意图。
图5为实施例中能量管理优化前后充电桩用电量示意图。
图6为实施例中储能系统SOC变化示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
由于光伏发电、储能系统与传统电网之间在时间和空间上具有一定的互补协调特性，而规模化电动汽车充电站具有良好的调节性能。因此将光伏发电站、储能电站、电动汽车充电站聚合成为一个虚拟电厂，并通过制定面向虚拟电厂的规模化充电桩能量优化管理策略使得可再生清洁能源的发电更加平稳可控，提高可再生清洁能源的利用率。本实施例中，在某工业园区(相当于设定区域)内设有虚拟电厂，该虚拟电厂包括光伏发电站、储能电站、园区内日程用电设备(相当于用户用电端)和含大规模电动汽车的充电站。
如图1所示，本实施例提供了一种面向虚拟电厂的规模化充电桩能量优化管理方法，包括以下步骤：
步骤S1、获取区域内各光伏发电站、储能电站、用电客户端和接入电动汽车充电站的大规模电动汽车的节点功率信息及其相应的荷电状态；
步骤S2、根据获取的信息建立面向虚拟电厂的大规模充电桩能量优化管理模型，所述的面向虚拟电厂的大规模充电桩能量优化管理模型包括实现虚拟电厂内各系统运行成本最低为目标函数和对应的约束条件；
步骤S3、通过基于贪婪-粒子群优化算法对面向虚拟电厂的大规模充电桩能量管理优化模型进行求解；
步骤S4、根据求得的最优解制定面向虚拟电厂的大规模充电桩能量优化管理策略。
其中，步骤S2的原理和展开如下：
针对光伏接入导致的电压升高以及大规模电动汽车充电加重电网峰谷差等问题，调控电动汽车充电站或者储能系统在光伏出力高峰时段充电，有效降低光伏出力波动对电能质量的影响，实现光伏就地消纳。电动汽车充电站的充电行为具有较大的可调控裕度，针对电动汽车、可再生能源、储能系统并存的情况，结合可再生能源功率输出特性、充电设施控制模式以及虚拟电厂各系统控制特性，分析规模化电动汽车充电站与可再生能源发电的协同规划方案。结合电动汽车充电、光伏发电和储能系统三者之间的协同性和互补性，建立面向虚拟电厂的大规模充电桩能量优化管理模型，以虚拟电厂内各系统运行成本最低为目标，提高光伏发电的利用率，实现虚拟电厂各系统经济平稳运行。在光伏发电功率、电动汽车充电功率已知的情况下，本实施例中制定了面向虚拟电厂的大规模充电桩能量优化管理模型，其模型表达式如下：
目标函数为：
minF＝f1+f2+f3+f4
Figure BDA0003541214370000051
Figure BDA0003541214370000052
Figure BDA0003541214370000053
f4＝Ch
式中：λb(t)—t时刻电网电价；Qg(t)—t时段VPP的购电量，kWh；λPV—光伏发电成本(λPV＝0.08元/kWh)；QPV(t)—t时刻光伏输出电量，kWh；QC(t)—t时刻储能系统充电电量，kWh；QF(t)—t时刻储能系统放电电量，kWh；λc—储能的损耗成本(λc＝0.08元/kW)，Ch—充电桩运营管理费用(Ch＝150)。
约束条件包括以下约束条件的一个或多个，本实施例中采用全部约束调节，分别为电量平衡约束，光伏功率约束，储能电池荷电状态约束，电动汽车功率约束、充电桩购电量约束、电动汽车电池剩余电量不等式约束，以及电动汽车用户充电需求约束。
(1)电量平衡约束表达式为：
Figure BDA0003541214370000061
式中，QPV(t)—t时刻光伏输出电量，kWh；QC(t)—t时刻储能系统充电电量，kWh；QF(t)—t时刻储能系统放电电量，kWh；Qg(t)—t时段vpp的购电量，kWh；Qload(t)—t时刻充电桩的用电电量，kWh。
(2)光伏功率约束表达式为：
0≤QPV(t)≤QPVmax(t)
式中，QPV(t)—t时刻光伏输出电量，kWh；QPVmax(t)—t时刻光伏总发电量，kWh。
(3)储能电池荷电状态约束表达式为：
SOCmin≤SOC≤SOCmax
式中，SOCmin—为储能SOC的最小值；SOCmax—储能SOC的最大值。
(4)当用户将电动汽车开入园区内需要进行充电时，为保证系统稳定，应该将每个时段可调度的电动汽车充电功率限制在一定范围内，可以根据用户无序充电模式下进行电动汽车充电功率约束，即
ηminP′ev(i)≤Pev(i)≤ηmaxP′ev(i)
式中，ηmin和ηmax为无序充电模式下的充电裕度；P′ev(i)为电动汽车在i时刻下无序充电的功率值。
(5)所述的充电桩购电量约束表达式为：
0≤Qg(t)≤Qmax(t)
式中，Qg(t)—t时刻充电站向电网的购电量，kWh；Qmax(t)—t时刻电站用电总量，kWh。
(6)根据电动汽车电池的荷电状态以及用户的需求，可以灵活调整充电时间，电动汽车电池剩余电量的不等式约束为：
Sev,min≤Sev(i)≤Sev,max
式中，Sev,max和Sev,min为电池存储能量上、下限。
(7)电动汽车用户充电需求约束：用户为电动汽车设定的目标电量
Figure BDA0003541214370000071
则离网时电池电量满足：
Figure BDA0003541214370000072
Figure BDA0003541214370000073
式中，Sev,max为电动汽车电池最大容量；SOCi为入网时刻电池的初始荷电状态；
Figure BDA0003541214370000074
为电动汽车入网时刻；
Figure BDA0003541214370000075
为离网时刻；
Figure BDA0003541214370000076
为离网时刻电动汽车i的电量。
步骤S3的原理和展开如下：
本实施例将贪婪算法与杂交粒子群算法结合，以此提出了一种贪婪-粒子群优化算法。相对于传统粒子群算法，该算法提高了全局搜索能力，充分利用了种群中的共享信息，在提高收敛速度的同时能够提高收敛率，基于贪婪-粒子群优化算法流程图如图2所示。
以能量优化管理后的虚拟电厂各系统运行成本最小为目标，每个子代粒子代表各时间点各个功率节点的负荷功率，初始化种群中各微粒的位置和速度时，利用局部寻优法求得系统内各采样时间节点的最优等效负荷后，替代原有粒子的位置和速度，并按照最优等效负荷制定能量最优管理策略。每个杂交种群包含N个能源系统288个时段的负荷功率，在满足电力平衡约束的条件下，还需要满足电动汽车功率约束以及电动汽车-光伏发电联合容量平衡约束等约束条件。详细的求解模型流程图如图3所示，具体展开如下：
步骤A1、选取某一天的光伏发电功率、储能系统充放电功率、用户用电负荷和电动汽车充电功率采样数据作为初始样本数据生成基本负荷曲线，利用虚拟电厂内各能源系统相关运行参数，计算平均负荷功率、最大负荷功率、最小负荷功率，并按峰平谷不同时间尺度求得一天各系统发电量或者用电量，满足系统运行成本最低，并将其作为初始运行数据；；
步骤A2、设置杂交种群粒子数N，给定杂交概率Pc和杂交池比例大小Sp，随机初始化杂交种群，通过子代位置公式child(x)和子代速度公式child(v)初步筛选确定杂交种群中各微粒的位置和速度，将虚拟电厂内各系统各时间点负荷功率看成一组杂交种群；
步骤A3、评价各系统各时间点的每个功率节点适应度，将当前各个功率节点的位置和适应值存储在各个功率点的pbest中，将所有pbest中适应值最优个体的位置和适应值存储于gbest中；
步骤A4、由于子代粒子的速度和位置会不断更新，针对各时间点各个功率点的速度和位置不断进行修正，更新此刻每个功率点的速度和位置并计算目标函数值；
步骤A5、对每个功率点的值，将其适应值与其经过的最好位置作比较，如果较好，则将其作为当前的最好位置；
步骤A6、比较当前所有的pbest和gbest，并更新gbest；
步骤A7、根据杂交概率选取指定数量的粒子放入杂交池内，池中的粒子随机两两杂交产生同样数目的子代粒子，通过公式child(x)和child(v)计算子代粒子的位置和速度，同时保持pbest和gbest不变；
步骤A8、判断是否满足预设的运算精度或迭代次数，若是则搜索停止，输出各时间点不同功率点的结果；若否则执行步骤A4继续搜索。
在步骤A2中，子代位置公式child(x)的表达式为：
child(x)＝p·parent1(x)+(1-p)·parent2(x)
式中，p是0到1之间的随机数，child(x)代表子代位置，parent1(x)和parent2(x)代表亲代位置；
子代速度公式child(v)的表达式为：
Figure BDA0003541214370000081
式中，child(v)代表子代速度，parent1(v)和parent2(v)代表亲代速度。
仿真验证：
采用本实施例的方法进行面向虚拟电厂的能量优化管理模型仿真，并采用基于贪婪-粒子群优化算法求解此模型，在Matlab2017a环境下编程，仿真参数如表1所示。
表1仿真参数设置
Figure BDA0003541214370000082
Figure BDA0003541214370000091
首先考虑光伏消纳的能量优化管理策略：
当光伏发电系统输出功率大于电动汽车用户充电功率时，可将光伏发电系统剩余电量通过虚拟电厂存储至储能系统中或是通过虚拟电厂向电网输送电能。当光伏发电系统输出功率小于某时刻电动汽车用户充电功率时，可利用储能系统和电网共同为充电桩供电。以某园区一周日实测光伏发电数量据为例对光伏发电量需求进行分析，如表2所示。
表2光伏发电量数据表
Figure BDA0003541214370000092
由于光伏发电系统的装机容量为8kWp,装机容量较小，所以日发电总量低，考虑光伏消纳及园区收益将光伏发电量全部应用于充电桩充电。
其次，考虑储能SOC的能量优化管理策略：
在虚拟电厂中，当利用光伏和储能对规模化充电桩的能量进行协同优化时，不能仅仅考虑此时段的充电系统用电量而对光伏和储能直接利用，还应对下时段充电桩的用电量进行考虑以优化下时段充电系统的能量。因此基于本方法，考虑储能SOC实现能量优化管理策略。其中对于大规模充电负荷主要分为以下情形，具体流程如图4：
情形一：当充电负荷在负荷上下限内时，如果储能SOC值过高，则储能放电，使充电桩负荷向用电负荷下限接近；如果储能SOC值在正常范围内，则不充不放；如果储能SOC值过低，则储能充电使负荷接近充电负荷上限。
情形二：当充电负荷超过负荷上限时，如果储能SOC值过高，则多放少充；如果储能SOC正常，则不充不放；如果储能SOC值过低，则储能不放电。
情形三：当充电负荷低于负荷下限时，如果储能SOC值过高，则不充不放；如果储能SOC正常，则多充少放；如果储能SOC值过低，则储能充电使充电负荷接近负荷下限。
由于电网的电价不同，所以储能系统在电网低谷期进行充电，在电网平/峰期进行放电，可以提高虚拟电厂的收益。电网峰谷平划分时间如表3所示：
表3电网峰平谷划分
Figure BDA0003541214370000101
利用储能优化充电桩的用电量，规定储能的调节范围为10％-90％。因不同时段电价不同，充电桩的用电量下限规定电网用电平/峰时段为0kWh，用电量上限为200kWh；电网用电低谷期用电量上限为500kWh。储能系统容量为1500kWh优化前后充电桩用电量变化示意图如图5所示。
由图5可以分析得到，储能系统对规模化充电桩的用电量进行能量优化管理，可以降低对电网的用电需求量，同时利用储能系统能量双向流动性的特点，可是实现对电网的削峰填谷，降低电网高峰时用电需求量，减少虚拟电厂的运营成本，提高整体收益。同时进一步考虑了储能的SOC增强了不同时段储能的调节能力，确保了对充电桩下时段的能量优化同样具备调节能力，实现了储能系统调度的灵活性。
如图6所示，储能系统主要在夜间低谷期进行充电，在6：00-22：00这一时间段，储能系统放电对虚拟电厂内充电桩的用电量进行优化，降低系统用电量使其在用电量规定的上下限内。从结果上来看，储能系统在充电桩用电量低谷期进行充电高峰期放电，有效实现了充电系统的用电量平抑，同时根据充电系统用电量上下限、储能SOC的灵活应用使储能系统的调节能力得到了一定的改善。
综上，本发明将各独立能源体系整合于虚拟电厂中，将充分发挥各可再生分布式单元、大规模充电桩可调度的潜力，并且在满足用户充电需求的同时增加新能源出力，实现能量的优化管理，具有良好的发展前景。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (5)

1.一种面向虚拟电厂的规模化充电桩能量优化管理方法，其特征在于，在设定区域内设有虚拟电厂，该虚拟电厂内包含光伏发电站、储能电站、用户客户端和大规模电动汽车充电站，所述能量优化管理方法包括以下步骤：
S1、获取区域内各光伏发电站、储能电站、用电客户端和接入电动汽车充电站的大规模电动汽车的节点功率信息及其相应的荷电状态；
S2、根据获取的信息建立面向虚拟电厂的大规模充电桩能量优化管理模型；所述大规模充电桩能量优化管理模型包括实现虚拟电厂内各系统运行成本最低为目标函数和对应的约束条件；所述目标函数的表达式为：
min F＝f1+f2+f3+f4
Figure FDA0003541214360000011
Figure FDA0003541214360000012
Figure FDA0003541214360000013
f4＝Ch
式中，λb(t)表示t时刻电网电价；Qg(t)表示t时段虚拟电厂的购电量；λPV表示光伏发电成本；QPV(t)表示t时刻光伏输出电量；QC(t)表示t时刻储能系统充电电量；QF(t)表示t时刻储能系统放电电量；λc表示储能的损耗成本；Ch表示充电桩运营管理费用；
S3、通过基于贪婪-粒子群优化算法对大规模充电桩能量管理优化模型进行求解；
S4、根据求得的最优解制定面向虚拟电厂的大规模充电桩能量优化管理策略。
2.根据权利要求1所述的一种面向虚拟电厂的规模化充电桩能量优化管理方法，其特征在于，步骤S2中，约束条件包括以下约束条件的一个或多个：电量平衡约束，光伏功率约束，储能电池荷电状态约束，电动汽车功率约束、充电桩购电量约束、电动汽车电池剩余电量不等式约束，以及电动汽车用户充电需求约束。
3.根据权利要求1所述的一种面向虚拟电厂的规模化充电桩能量优化管理方法，其特征在于，步骤S2中的基于贪婪-粒子群优化算法中，以各系统运行成本最低为目标，每个子代粒子代表虚拟电厂内各时间点各系统的负荷功率，初始化种群中各微粒的位置和速度时，利用局部寻优法求得系统内各采样时间节点的最优等效负荷后，替代原有粒子的位置和速度。
4.根据权利要求3所述的一种面向虚拟电厂的规模化充电桩能量优化管理方法，其特征在于，基于贪婪-粒子群优化算法对模型求解具体包括以下步骤：
A1、选取一天的光伏发电功率、储能系统充放电功率、用户用电负荷和电动汽车充电功率采样数据作为初始样本数据生成基本负荷曲线，利用虚拟电厂内各能源系统相关运行参数，计算平均负荷功率、最大负荷功率、最小负荷功率，并按峰平谷不同时间尺度求得一天各系统发电量或者用电量，满足系统运行成本最低，并将其作为初始运行数据；
A2、设置杂交种群粒子数N，给定杂交概率Pc和杂交池比例大小Sp，随机初始化杂交种群，通过子代位置公式child(x)和子代速度公式child(v)初步筛选确定杂交种群中各微粒的位置和速度，将虚拟电厂内各系统各时间点负荷功率看成一组杂交种群；
A3、评价各系统各时间点的每个功率节点适应度，将当前各个功率节点的位置和适应值存储在各个功率点的pbest中，将所有pbest中适应值最优个体的位置和适应值存储于gbest中，并计算目标函数值；
A4、根据杂交概率选取指定数量的粒子放入杂交池内，判断是否满足预设的运算精度或迭代次数，若是则搜索停止，输出各时间点不同功率点的结果；若否则执行步骤A4继续搜索。
5.一种面向虚拟电厂的规模化充电桩能量优化管理系统，其特征在于，包括处理器和存储器，其特征在于，所述处理器调用所述存储器中存储的程序，实现如权利要求1～4中任一所述的面向虚拟电厂的规模化充电桩能量优化管理方法。
CN202210234512.9A 2022-03-10 2022-03-10 面向虚拟电厂的规模化充电桩能量优化管理方法和系统 Pending CN114784896A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210234512.9A CN114784896A (zh) 2022-03-10 2022-03-10 面向虚拟电厂的规模化充电桩能量优化管理方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210234512.9A CN114784896A (zh) 2022-03-10 2022-03-10 面向虚拟电厂的规模化充电桩能量优化管理方法和系统

Publications (1)

Publication Number Publication Date
CN114784896A true CN114784896A (zh) 2022-07-22

Family

ID=82423126

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210234512.9A Pending CN114784896A (zh) 2022-03-10 2022-03-10 面向虚拟电厂的规模化充电桩能量优化管理方法和系统

Country Status (1)

Country Link
CN (1) CN114784896A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117424295A (zh) * 2023-12-19 2024-01-19 山西中能博源能源科技有限公司 优化分布式资源聚合的虚拟电厂智慧控制系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117424295A (zh) * 2023-12-19 2024-01-19 山西中能博源能源科技有限公司 优化分布式资源聚合的虚拟电厂智慧控制系统
CN117424295B (zh) * 2023-12-19 2024-02-27 山西中能博源能源科技有限公司 优化分布式资源聚合的虚拟电厂智慧控制系统

Similar Documents

Publication Publication Date Title
CN109599861B (zh) 考虑本地负荷调峰能力的送端电网电源结构规划方法
CN108667052B (zh) 一种面向虚拟电厂优化运行的多类型储能系统规划配置方法及系统
CN109146201A (zh) 基于合作博弈的充换储一体化电站微电网优化调度方法
CN109390973B (zh) 一种考虑通道约束的送端电网电源结构优化方法
Lim et al. Optimal allocation of energy storage and solar photovoltaic systems with residential demand scheduling
CN110956324B (zh) 基于改进的moea/d的主动配电网日前高维目标优化调度方法
CN111900725B (zh) 一种电动汽车充电站与光伏发电站的协同互动方法和系统
CN115117931A (zh) 考虑电动汽车灵活性和光伏接入的配电网规划方法及系统
CN116061742B (zh) 一种分时电价光伏园区内电动汽车的充电控制方法和系统
CN115147245B (zh) 一种工业负荷参与调峰辅助服务的虚拟电厂优化调度方法
He et al. Optimal integration of Vehicle to Building (V2B) and Building to Vehicle (B2V) technologies for commercial buildings
WO2023226368A1 (zh) 电动汽车集群充放电控制方法、系统及相关设备
CN116961114A (zh) 基于分区自治的多虚拟电厂协调调度优化方法
CN115511658A (zh) 一种计及储能装置折损的楼宇能量优化方法
CN117578537A (zh) 基于碳交易和需求响应的微电网优化调度方法
CN114914923A (zh) 基于网格法的变时长两阶段电动汽车调度方法及系统
CN114784896A (zh) 面向虚拟电厂的规模化充电桩能量优化管理方法和系统
CN114462854A (zh) 含新能源和电动汽车并网的分层调度方法及其系统
CN116054286A (zh) 一种考虑多元弹性资源的居民台区容量优化配置方法
CN108736496B (zh) 一种分布式储能系统的补充性规划方法及系统
CN117200334A (zh) 一种计及新能源不确定性的多能源调度方法及装置
CN115882494B (zh) 计及车辆并网服务时长差异性的分层级v2g调度优化方法
CN111319505A (zh) 一种光储式电动汽车充电站能量优化方法和装置
CN114971154A (zh) 一种包含碳交易机制的可再生能源消纳方法
CN112100743B (zh) 适用于平抑新能源出力波动的电动汽车虚拟机组调控方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination