CN115149523A - 一种考虑风光出力不确定性的充电站配置方法及系统 - Google Patents
一种考虑风光出力不确定性的充电站配置方法及系统 Download PDFInfo
- Publication number
- CN115149523A CN115149523A CN202210733073.6A CN202210733073A CN115149523A CN 115149523 A CN115149523 A CN 115149523A CN 202210733073 A CN202210733073 A CN 202210733073A CN 115149523 A CN115149523 A CN 115149523A
- Authority
- CN
- China
- Prior art keywords
- power
- wind
- charging station
- layer
- configuration scheme
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000012795 verification Methods 0.000 claims description 38
- 238000005286 illumination Methods 0.000 claims description 26
- 230000005540 biological transmission Effects 0.000 claims description 10
- 230000005611 electricity Effects 0.000 claims description 8
- 230000009191 jumping Effects 0.000 claims description 8
- 239000000126 substance Substances 0.000 claims description 8
- 229910052739 hydrogen Inorganic materials 0.000 claims description 4
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 claims description 3
- 239000001257 hydrogen Substances 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 229910052731 fluorine Inorganic materials 0.000 claims description 2
- 125000001153 fluoro group Chemical group F* 0.000 claims description 2
- 230000005855 radiation Effects 0.000 claims description 2
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 claims 1
- 238000010521 absorption reaction Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000000750 progressive 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
-
- 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
- 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
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/40—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation wherein a plurality of decentralised, dispersed or local energy generation technologies are operated simultaneously
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种考虑风光出力不确定性的充电站配置方法及系统,包括:获取电网历史年度运行数据以及多套充电站配置方案,确定各充电站配置方案对应的电源输出功率并确定功率平衡约束、各充电站配置方案对应的电网年化网损函数;根据交通网络拓扑确定各充电站配置方案对应的用户耗费时间函数;以电网年化网损和用户所需时间最小为上层目标函数,对上层多目标配置模型进行求解,得到上层最优配置方案集合,降低了电网年化网损和电动汽车用户充电耗费的时间;并基于下层校验模型,在各典型场景下对弃风弃光量约束中弃风量范围的上限和弃光量范围的上限进行迭代更新,使得弃风弃光量尽可能小,保证了风光新能源的消纳能力。
Description
技术领域
本发明涉及电网规划领域,特别是涉及一种考虑风光出力不确定性的充电站配置方法及系统。
背景技术
随着“双碳”目标的指引和“以新能源为主体的新型电力系统”战略的推进,规模化可再生能源高速发展,终端电气化程度也不断提高。由于电动汽车具有化石能源依赖性低、零排放等特性,必将成为新型负荷发展的主力军。伴随着作为绿色能源代表的风机、光伏等分布式电源在配电网的高比例渗透,配电网结构以及运行方式较传统配电网发生改变,其短时间的随机性、波动性和长时间的逆调峰特性给电网稳定运行和消纳能力带来巨大挑战。因此在对充电站进行配置时需要考虑风电和光伏这类可再生分布式电源;同时应在充电站合理有效配置的基础上,保证风电和光伏新能源的消纳能力。
发明内容
本发明的目的是提供一种考虑风光出力不确定性的充电站配置方法及系统,以解决风光出力预测不精确导致的充电站不合理配置的问题,并在充电站合理有效配置的基础上,保证风电和光伏新能源的消纳能力。
为实现上述目的,本发明提供了如下方案:
一种考虑风光出力不确定性的充电站配置方法,包括:
获取电网历史年度运行数据以及多套充电站配置方案;其中,所述电网历史年度运行数据包括:年均风电出力数据、年均光伏出力数据、风速数据、光照强度数据、电网参数和电网所属区域的交通网络拓扑;所述充电站配置方案包括:充电站的设置位置;
根据所述年均风电出力数据和风力发电机输出功率模型,以及所述年均光伏出力数据和光伏发电机输出功率模型,确定各所述充电站配置方案对应的电源输出功率;
根据所述电网参数确定各所述充电站配置方案对应的电网年化网损函数;
根据所述交通网络拓扑确定各所述充电站配置方案对应的用户耗费时间函数;所述用户耗费时间包括用户电动汽车行驶到充电站的时间和排队时间;
基于上层多目标配置模型,确定上层最优配置方案集合;所述上层多目标配置模型包括上层目标函数以及上层约束条件;所述上层目标函数包括以所述电网年化网损函数最小为目标的第一目标函数和以所述用户所需时间函数最小为目标的第二目标函数;所述上层约束条件包括:功率平衡约束、节点电压约束、支路传输功率约束、充电站容量约束、上级电网购电量约束以及弃风弃光量约束;其中,各所述充电站配置方案的功率平衡约束由所述充电站配置方案对应的电源输出功率确定;
基于下层校验模型,确定所述上层最优配置方案集合中各上层最优配置方案的期望弃风量和期望弃光量;所述下层校验模型包括下层目标函数以及下层约束条件,所述下层目标函数为以上层最优配置方案在各所述典型场景下的弃风弃光量之和最小为目标的函数,所述下层约束条件包括电力系统潮流约束;所述典型场景根据所述风速数据和所述光照强度数据确定;
当所述上层最优配置方案的期望弃风量和期望弃光量均小于允许弃风弃光量时,所述上层最优配置方案通过下层校验;采用已通过校验的上层最优配置方案的各节点弃风量最大值更新所述弃风弃光量约束中弃风量范围的上限采用已通过校验的上层最优配置方案的各节点弃光量最大值更新所述弃风弃光量约束中弃光量范围的上限并跳转至“基于所述上层多目标配置模型,确定上层最优配置方案”步骤,直至相邻两次迭代所得的之差、之差均小于对应的给定值时,停止迭代跳转,此时得到的上层最优配置方案为最终的充电站配置方案。
可选地,所述风力发电机输出功率模型如下:
可选地,所述光伏发电机输出功率模型如下:
可选地,所述上层目标函数为:
min(C1,C2)
其中,C1表示电网年化网损函数;C2表示用户所需时间;Nb为配电网节点数;rij为线路ij的电阻;Vi为节点i的电压幅值;Nd为待新建充电站数量;λi为表示待新建充电站状态的0-1变量;Nr为配电网所在区域道路数量;为用户前往第i个待新建充电站的电动汽车年均风电出力数据的平均行驶时间;为用户在第i个待新建充电站的平均排队时间。
可选地,所述功率平衡约束如下:
其中,PiG,分别为上级电网向节点i注入的有功和无功功率;Pi W,分别为风电于节点i注入的有功和无功功率;Pi H,分别为光伏于节点i注入的有功和无功功率;Pi W ,cut 分别为节点i因弃风损失的有功和无功功率;Pi H,cut,分别为节点i因弃光损失的有功和无功功率;Pi D,为节点i的有功和无功负荷;Vi,Vj为节点i和节点j的电压幅值;Gij,Bij,θij分别为线路ij的导纳矩阵实部、虚部和相角差。
可选地,所述弃风弃光量约束为:
可选地,所述充电站容量约束如下:
其中,Nd为待新建充电站数量;λi为表示待新建充电站状态的0-1变量;Pi D,E为第i个待新建充电站的充电功率;GE为配电网充电需求。
可选地,所述下层目标函数为:
可选地,所述电力系统潮流约束如下:
其中,为线路ij在典型场景s中的有功和无功功率;为线路jk在典型场景s中的有功和无功功率;xij为线路ij中的电抗;为节点j在典型场景s中的有功和无功负荷;分别为上级电网向节点j在典型场景s中注入的有功和无功功率;分别为风电于节点j在典型场景s中注入的有功和无功功率;分别为光伏于节点j在典型场景s中注入的有功和无功功率;分别为节点j在典型场景s中因弃风损失的有功和无功功率;分别为节点i因弃光损失的有功和无功功率;Ui,s为节点i在典型场景s中电压的平方;Uj,s为节点j在典型场景s中电压的平方;Lij,s为线路ij在典型场景s中电流的平方。
本发明还提供了一种考虑风光出力不确定性的充电站配置系统,包括:
获取模块,用于获取电网历史年度运行数据以及多套充电站配置方案;其中,所述电网历史年度运行数据包括:年均风电出力数据、年均光伏出力数据、风速数据、光照强度数据、电网参数和电网所属区域的交通网络拓扑;所述充电站配置方案包括:充电站的设置位置;
电源输出功率确定模块,用于根据所述年均风电出力数据和风力发电机输出功率模型,以及所述年均光伏出力数据和光伏发电机输出功率模型,确定各所述充电站配置方案对应的电源输出功率;
电网年化网损函数确定模块,用于根据所述电网参数确定各所述充电站配置方案对应的电网年化网损函数;
用户耗费时间函数确定模块,用于根据所述交通网络拓扑确定各所述充电站配置方案对应的用户耗费时间函数;所述用户耗费时间包括用户电动汽车行驶到充电站的时间和排队时间;
上层最优配置方案确定模块,用于基于上层多目标配置模型,确定上层最优配置方案集合;所述上层多目标配置模型包括上层目标函数以及上层约束条件;所述上层目标函数包括以所述电网年化网损函数最小为目标的第一目标函数和以所述用户所需时间函数最小为目标的第二目标函数;所述上层约束条件包括:功率平衡约束、节点电压约束、支路传输功率约束、充电站容量约束、上级电网购电量约束以及弃风弃光量约束;其中,各所述充电站配置方案的功率平衡约束由所述充电站配置方案对应的电源输出功率确定;
期望弃风弃光量确定模块,用于基于下层校验模型,确定所述上层最优配置方案集合中各上层最优配置方案的期望弃风量和期望弃光量;所述下层校验模型包括下层目标函数以及下层约束条件,所述下层目标函数为以上层最优配置方案在各所述典型场景下的弃风弃光量之和最小为目标的函数,所述下层约束条件包括电力系统潮流约束;所述典型场景根据所述风速数据和所述光照强度数据确定;
弃风弃光量上限更新模块,用于当所述上层最优配置方案的期望弃风量和期望弃光量均小于允许弃风弃光量时,所述上层最优配置方案通过下层校验;采用已通过校验的上层最优配置方案的各节点弃风量最大值更新所述弃风弃光量约束中弃风量范围的上限采用已通过校验的上层最优配置方案的各节点弃光量最大值更新所述弃风弃光量约束中弃光量范围的上限并跳转至“基于所述上层多目标配置模型,确定上层最优配置方案”步骤,直至相邻两次迭代所得的之差、之差均小于对应的给定值时,停止迭代跳转,此时得到的上层最优配置方案为最终的充电站配置方案。
根据本发明提供的具体实施例,本发明公开了以下技术效果:本发明提出了一种考虑风光出力不确定性的充电站配置方法及系统,包括:获取电网历史年度运行数据以及多套充电站配置方案;其中,所述电网历史年度运行数据包括:年均风电出力数据、年均光伏出力数据、风速数据、光照强度数据、电网参数和电网所属区域的交通网络拓扑;所述充电站配置方案包括:充电站的设置位置;根据所述年均风电出力数据和风力发电机输出功率模型,以及所述年均光伏出力数据和光伏发电机输出功率模型,确定各所述充电站配置方案对应的电源输出功率;根据所述电网参数确定各所述充电站配置方案对应的电网年化网损函数;根据所述交通网络拓扑确定各所述充电站配置方案对应的用户耗费时间函数;所述用户耗费时间包括用户电动汽车行驶到充电站的时间和排队时间;基于上层多目标配置模型,确定上层最优配置方案集合;所述上层多目标配置模型包括上层目标函数以及上层约束条件;所述上层目标函数包括以所述电网年化网损函数最小为目标的第一目标函数和以所述用户所需时间函数最小为目标的第二目标函数;所述上层约束条件包括:功率平衡约束、节点电压约束、支路传输功率约束、充电站容量约束、上级电网购电量约束以及弃风弃光量约束;其中,各所述充电站配置方案的功率平衡约束由所述充电站配置方案对应的电源输出功率确定;基于下层校验模型,确定所述上层最优配置方案集合中各上层最优配置方案的期望弃风量和期望弃光量;所述下层校验模型包括下层目标函数以及下层约束条件,所述下层目标函数为以上层最优配置方案在各所述典型场景下的弃风弃光量之和最小为目标的函数,所述下层约束条件包括电力系统潮流约束;所述典型场景根据所述风速数据和所述光照强度数据确定;当所述上层最优配置方案的期望弃风量和期望弃光量均小于允许弃风弃光量时,所述上层最优配置方案通过下层校验;采用已通过校验的上层最优配置方案的各节点弃风量最大值更新所述弃风弃光量约束中弃风量范围的上限采用已通过校验的上层最优配置方案的各节点弃光量最大值更新所述弃风弃光量约束中弃光量范围的上限并跳转至“基于所述上层多目标配置模型,确定上层最优配置方案”步骤,直至相邻两次迭代所得的之差、之差均小于对应的给定值时,停止迭代跳转,此时得到的上层最优配置方案为最终的充电站配置方案。本发明在对上层多目标配置模型进行求解时,考虑了各节点的风力发电机输出功率和光伏发电机输出功率,降低了电网年化网损;考虑了电网所属区域交通网络拓扑,降低了电动汽车用户充电耗费的时间,得到了有效合理的充电站配置方案;还在各典型场景下对弃风弃光量约束中弃风量范围的上限和弃光量范围的上限进行迭代更新,直至相邻两次迭代所得的弃风量之差、弃光量之差均小于对应的给定值,使得典型场景下的弃风弃光量尽可能的小,保证了风光新能源的消纳能力。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例1提供的考虑风光出力不确定性的充电站配置方法流程示意图;
图2是本发明实施例1中的某年风速数据;
图3是本发明实施例1中的某年光照强度数据;
图4是本发明实施例1中的电动汽车出行链模拟示意图;
图5是本发明实施例1中的各典型场景风机出力数据示意图;
图6是本发明实施例1中的各典型场景光伏出力数据示意图;
图7是本发明实施例2提供的考虑风光出力不确定性的充电站配置系统框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种考虑风光出力不确定性的充电站配置方法及系统,以解决风光出力预测不精确导致的充电站不合理配置的问题,并在充电站合理有效配置的基础上,保证风电和光伏新能源的消纳能力。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1
本实施例提供了一种考虑风光出力不确定性的充电站配置方法,参见图1,所述方法包括:
步骤S1:获取电网历史年度运行数据以及多套充电站配置方案;其中,所述电网历史年度运行数据包括:年均风电出力数据、年均光伏出力数据、风速数据、光照强度数据、电网参数和电网所属区域的交通网络拓扑;所述充电站配置方案包括:充电站的设置位置。
步骤S2:根据所述年均风电出力数据和风力发电机输出功率模型,以及所述年均光伏出力数据和光伏发电机输出功率模型,确定各所述充电站配置方案对应的电源输出功率。
步骤S3:根据所述电网参数确定各所述充电站配置方案对应的电网年化网损函数。
步骤S4:根据所述交通网络拓扑确定各所述充电站配置方案对应的用户耗费时间函数;所述用户耗费时间包括用户电动汽车行驶到充电站的时间和排队时间。
步骤S5:基于上层多目标配置模型,确定上层最优配置方案集合;所述上层多目标配置模型包括上层目标函数以及上层约束条件;所述上层目标函数包括以所述电网年化网损函数最小为目标的第一目标函数和以所述用户所需时间函数最小为目标的第二目标函数;所述上层约束条件包括:功率平衡约束、节点电压约束、支路传输功率约束、充电站容量约束、上级电网购电量约束以及弃风弃光量约束;其中,各所述充电站配置方案的功率平衡约束由所述充电站配置方案对应的电源输出功率确定。
步骤S6:基于下层校验模型,确定所述上层最优配置方案集合中各上层最优配置方案的期望弃风量和期望弃光量;所述下层校验模型包括下层目标函数以及下层约束条件,所述下层目标函数为以上层最优配置方案在各所述典型场景下的弃风弃光量之和最小为目标的函数,所述下层约束条件包括电力系统潮流约束;所述典型场景根据所述风速数据和所述光照强度数据确定。
步骤S7:当所述上层最优配置方案的期望弃风量和期望弃光量均小于允许弃风弃光量时,所述上层最优配置方案通过下层校验;采用已通过校验的上层最优配置方案的各节点弃风量最大值更新所述弃风弃光量约束中弃风量范围的上限采用已通过校验的上层最优配置方案的各节点弃光量最大值更新所述弃风弃光量约束中弃光量范围的上限并跳转至“基于所述上层多目标配置模型,确定上层最优配置方案”步骤,直至相邻两次迭代所得的之差、之差均小于对应的给定值时,停止迭代跳转,此时得到的上层最优配置方案为最终的充电站配置方案。
在步骤S2中,风速的大小和风场位置是风电出力从0到额定值波动的主要原因。本实施例采用双参数Weibull分布对风速的变化进行模拟,其概率密度函数如下:
其中,vw,t表示位置w处t时刻风电叶轮轮毂的风速;rw,t和cw,t分别为位置w处t时刻风机的形状参数和尺度参数,其值可通过如图2所示的风速数据拟合获得。
光伏出力的波动性受许多因素的影响,如太阳光照强度、光伏组件表面温度湿度等。影响光伏出力从0到额定值变化的主要因素是一天内光照强度的变化,本实施例采用Beta分布对一天内光照强度变化进行描述,其概率密度函数如下:
其中,Iw,t和Iw,max分别为位置w处光照强度及其最大值;αw,t,βw,t分别为位置w处在t时刻Beta分布的两个参数,两个参数的值可通过如图3所示的光照强度数据拟合获得。
所述光伏发电机输出功率模型如下:
由上述步骤可得到各所述充电站配置方案对应的电源输出功率。
步骤S3中各所述充电站配置方案对应的电网年化网损函数由电网参数确定,电网年化网损函数计算如下:
在本实施例中,步骤S4得到各所述充电站配置方案对应的用户耗费时间函数的具体过程如下:
(1)模拟私家车、出租车出行链,预测电动汽车充电需求,具体地:
电动私家车的出行规律性较强,出行目的地较为固定,可以分为三类:家庭、公司、其他(包括商超、医院、学校等),分别简写为H、W、O。本文涉及出行链如图4所示。三种出行行程概率分布为52.8%、24.1%、23.1%。
考虑到出租车轮班制的特点,将出租车充电时间划分为4个时段(0:00-9:00,9:00-14:30,14:30-19:30,19:30-24:00)。
(2)本实施例根据私家车和出租车的特点,采用蒙特卡洛法抽样得到私家车的出行链并采用最短路径法模拟,得到用户前往第i个待新建充电站的电动汽车的平均行驶时间Ti W和充电需求GE。
依据《2021年中国一线城市出行平台调研报告》的统计数据,得到用户在第i个待新建充电站的平均排队时间Ti M,由此可得到各所述充电站配置方案对应的用户耗费时间函数:
其中,C2表示用户所需时间;Nd为待新建充电站数量;λi为表示待新建充电站状态的0-1变量;Nr为配电网所在区域道路数量;Ti W为用户前往第i个待新建充电站的电动汽车的平均行驶时间;Ti M为用户在第i个待新建充电站的平均排队时间。
步骤S5以步骤S3得到的电网年化网损函数最小为目标的第一目标函数和以步骤S4得到的用户所需时间函数最小为目标的第二目标函数构成上层目标函数。
其中,电网年化网损函数最小以及用户所需时间函数最小指的是:第一目标函数最小时,第二目标函数可能不是最小的,这里的“最小”指的在设定范围内的电网年化网损最小以及用户所需时间最小,符合在设定范围内的充电站配置方案都可作为上层最优配置方案。即第一目标函数和第二目标函数综合起来看都比较小时,对应的配置方案来构成了上层最优配置方案集合。
所述上层多目标配置模型还包括上层约束条件,所述上层约束条件包括:功率平衡约束、节点电压约束、支路传输功率约束、充电站容量约束、上级电网购电量约束以及弃风弃光量约束;其中,各所述充电站配置方案的功率平衡约束由所述充电站配置方案对应的电源输出功率确定。
其中,(1)功率平衡约束如下:
其中,Pi G,分别为上级电网向节点i注入的有功和无功功率;Pi W,分别为风电于节点i注入的有功和无功功率;Pi H,分别为光伏于节点i注入的有功和无功功率;Pi W,cut 分别为节点i因弃风损失的有功和无功功率;Pi H,cut,分别为节点i因弃光损失的有功和无功功率;Pi D,为节点i的有功和无功负荷;Vi,Vj为节点i和节点j的电压幅值;Gij,Bij,θij分别为线路ij的导纳矩阵实部、虚部和相角差。
(2)节点电压约束,即:
Vi min≤Vi≤Vi max
其中,Vi min,Vi max分别为节点i的电压上下限。
(3)支路传输功率约束:
(4)充电站容量约束:
其中,Nd为待新建充电站数量;λi为表示待新建充电站状态的0-1变量;Pi D,E为第i个待新建充电站的充电功率;GE为配电网充电需求。
(5)上级电网购电量约束:Pi G≥0,其中,Pi G为上级电网购电量。
(6)弃风弃光量约束:
其中,分别为节点i处风电和光伏允许弃风弃光最大比例系数;Pi W为风电于节点i注入的有功功率;Pi H为光伏于节点i注入的有功功率;Pi W,cut,Pi H,cut分别为所述下层校验模型返回的弃风弃光值。
通过上述步骤可以确定上层最优配置方案集合。
步骤S6确定风电出力和光伏出力的典型场景具体过程如下:
本实施例通过蒙特卡洛在春、夏、秋、冬四个季节中分别抽取某一天(24小时)的所述风速数据来模拟每个季节的风电出力,通过蒙特卡洛在春、夏、秋、冬四个季节中分别抽取某一天(24小时)的所述光照强度数据来模拟每个季节的光伏出力,生成4个风机、光伏出力的典型场景,每个场景的概率为ρs,其中,每个场景的风机出力情况如图5所示,每个场景的光伏出力情况图6所示。
在得到风机和光伏出力的典型场景后,基于下层校验模型,确定所述上层最优配置方案集合中各方案的期望弃风量和期望弃光量。所述下层校验模型包括下层目标函数以及下层约束条件,所述下层目标函数为以上层最优配置方案在各所述典型场景下的弃风弃光量之和最小为目标的函数,所述下层约束条件包括电力系统潮流约束。当所述上层最优配置方案的期望弃风量和期望弃光量均小于允许弃风弃光量时,方案通过下层校验;采用已通过校验方案的各节点弃风量最大值更新所述弃风弃光量约束中弃风量范围的上限采用已通过校验方案的节点弃光量最大值更新所述弃风弃光量约束中弃光量范围的上限返回的值能反应不确定性对节点弃风弃光的影响,可以有效辅助上层多目标配置模型获得计及多典型场景下不确定因素的最优配置方案集合;并跳转至“基于所述上层多目标配置模型,确定上层最优配置方案集合”步骤,直至相邻两次迭代所得的Pi W,cut之差、之差均小于对应的给定值时,停止迭代跳转,此时得到的上层最优配置方案为最终的充电站配置方案。
其中,所述下层目标函数为:
所述电力系统潮流约束如下:
其中,为线路ij在典型场景s中的有功和无功功率;为线路jk在典型场景s中的有功和无功功率;xij为线路ij中的电抗;为节点j在典型场景s中的有功和无功负荷;分别为上级电网向节点j在典型场景s中注入的有功和无功功率;分别为风电于节点j在典型场景s中注入的有功和无功功率;分别为光伏于节点j在典型场景s中注入的有功和无功功率;分别为节点j在典型场景s中因弃风损失的有功和无功功率;分别为节点i因弃光损失的有功和无功功率;Ui,s为节点i在典型场景s中电压的平方;Uj,s为节点j在典型场景s中电压的平方;Lij,s为线路ij在典型场景s中电流的平方。
在本实施例中,使用IEEE33节点配电系统进行仿真计算,其包含33个节点及其已有网络负荷、路网拓扑、线路阻抗等参数,并于节点3,10,17设置有风机和光伏。待新建充电站节点为9至17节点,所使用充电桩的充电功率为25kW,电动汽车的电池容量为30kWh,车辆续航里程为300km。结合私家车和出租车的出行习惯,采用最短路径法模拟1980辆私家车和1260辆出租车的出行路径。均为60%。
采用多目标粒子群算法对上层多目标配置模型进行求解,得到最优配置方案集合,得到充电站未校验部分配置的决策结果如表1所示。
表1充电站未校验部分配置的决策结果
将上述最优配置方案集合传递到下层校验模型。下层校验模型对最优配置方案进行校验,采用商用求解器Gurobi求解。
下层校验模型在所有典型场景中对上层多目标配置模型产生的最优配置方案集合逐一进行校验,当各最优配置方案在所有典型场景中的期望弃风弃光量低于允许弃风弃光量即时通过校验。接着,将已通过校验的配置方案中的各节点弃风弃光量最大值返回至上层多目标配置模型所述弃风弃光量约束中的再次执行上层多目标配置模型,以获得可以有效应对系统不确定性的充电站配置模型,同时将结果再次传递至下层校验模型。当相邻两次更新的差值小于给定值时,停止迭代。将此时得到的上层最优配置方案为最终的充电站配置方案集合。
将最终的充电站配置方案根据系统网损从大到小排序,得到充电站校验后部分配置的决策结果如表2所示。
表2充电站校验后部分配置的决策结果
实施例2
本实施例提供了一种考虑风光出力不确定性的充电站配置系统,参见图7,所述系统包括:
获取模块T1,用于获取电网历史年度运行数据以及多套充电站配置方案;其中,所述电网历史年度运行数据包括:年均风电出力数据、年均光伏出力数据、风速数据、光照强度数据、电网参数和电网所属区域的交通网络拓扑;所述充电站配置方案包括:充电站的设置位置;
电源输出功率确定模块T2,用于根据所述年均风电出力数据和风力发电机输出功率模型,以及所述年均光伏出力数据和光伏发电机输出功率模型,确定各所述充电站配置方案对应的电源输出功率;
电网年化网损函数确定模块T3,用于根据所述电网参数确定各所述充电站配置方案对应的电网年化网损函数;
用户耗费时间函数确定模块T4,用于根据所述交通网络拓扑确定各所述充电站配置方案对应的用户耗费时间函数;所述用户耗费时间包括用户电动汽车行驶到充电站的时间和排队时间;
上层最优配置方案确定模块T5,用于基于上层多目标配置模型,确定上层最优配置方案集合;所述上层多目标配置模型包括上层目标函数以及上层约束条件;所述上层目标函数包括以所述电网年化网损函数最小为目标的第一目标函数和以所述用户所需时间函数最小为目标的第二目标函数;所述上层约束条件包括:功率平衡约束、节点电压约束、支路传输功率约束、充电站容量约束、上级电网购电量约束以及弃风弃光量约束;其中,各所述充电站配置方案的功率平衡约束由所述充电站配置方案对应的电源输出功率确定;
期望弃风弃光量确定模块T6,用于基于下层校验模型,确定所述上层最优配置方案集合中各上层最优配置方案的期望弃风量和期望弃光量;所述下层校验模型包括下层目标函数以及下层约束条件,所述下层目标函数为以上层最优配置方案在各所述典型场景下的弃风弃光量之和最小为目标的函数,所述下层约束条件包括电力系统潮流约束;
弃风弃光量上限更新模块T7,用于当所述上层最优配置方案的期望弃风量和期望弃光量均小于允许弃风弃光量时,所述上层最优配置方案通过下层校验;采用已通过校验的上层最优配置方案的各节点弃风量最大值更新所述弃风弃光量约束中弃风量范围的上限采用已通过校验的上层最优配置方案的各节点弃光量最大值更新所述弃风弃光量约束中弃光量范围的上限并跳转至“基于所述上层多目标配置模型,确定上层最优配置方案”步骤,直至相邻两次迭代所得的之差、之差均小于对应的给定值时,停止迭代跳转,此时得到的上层最优配置方案为最终的充电站配置方案。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种考虑风光出力不确定性的充电站配置方法,其特征在于,包括:
获取电网历史年度运行数据以及多套充电站配置方案;其中,所述电网历史年度运行数据包括:年均风电出力数据、年均光伏出力数据、风速数据、光照强度数据、电网参数和电网所属区域的交通网络拓扑;所述充电站配置方案包括:充电站的设置位置;
根据所述年均风电出力数据和风力发电机输出功率模型,以及所述年均光伏出力数据和光伏发电机输出功率模型,确定各所述充电站配置方案对应的电源输出功率;
根据所述电网参数确定各所述充电站配置方案对应的电网年化网损函数;
根据所述交通网络拓扑确定各所述充电站配置方案对应的用户耗费时间函数;所述用户耗费时间包括用户电动汽车行驶到充电站的时间和排队时间;
基于上层多目标配置模型,确定上层最优配置方案集合;所述上层多目标配置模型包括上层目标函数以及上层约束条件;所述上层目标函数包括以所述电网年化网损函数最小为目标的第一目标函数和以所述用户所需时间函数最小为目标的第二目标函数;所述上层约束条件包括:功率平衡约束、节点电压约束、支路传输功率约束、充电站容量约束、上级电网购电量约束以及弃风弃光量约束;其中,各所述充电站配置方案的功率平衡约束由所述充电站配置方案对应的电源输出功率确定;
基于下层校验模型,确定所述上层最优配置方案集合中各上层最优配置方案的期望弃风量和期望弃光量;所述下层校验模型包括下层目标函数以及下层约束条件,所述下层目标函数为以上层最优配置方案在各典型场景下的弃风弃光量之和最小为目标的函数,所述下层约束条件包括电力系统潮流约束;所述典型场景根据所述风速数据和所述光照强度数据确定;
9.根据权利要求1所述的方法,其特征在于,所述电力系统潮流约束如下:
10.一种考虑风光出力不确定性的充电站配置系统,其特征在于,包括:
获取模块,用于获取电网历史年度运行数据以及多套充电站配置方案;所述电网历史年度运行数据包括:年均风电出力数据、年均光伏出力数据、风速数据、光照强度数据、电网参数和电网所属区域的交通网络拓扑;所述充电站配置方案包括:充电站的设置位置;
电源输出功率确定模块,用于根据所述年均风电出力数据和风力发电机输出功率模型,以及光伏出力数据和光伏发电机输出功率模型,确定各所述充电站配置方案对应的电源输出功率;
电网年化网损函数确定模块,用于根据所述电网参数确定各所述充电站配置方案对应的电网年化网损函数;
用户耗费时间函数确定模块,用于根据所述交通网络拓扑确定各所述充电站配置方案对应的用户耗费时间函数;所述用户耗费时间包括用户电动汽车行驶到充电站的时间和排队时间;
上层最优配置方案确定模块,用于基于上层多目标配置模型,确定上层最优配置方案集合;所述上层多目标配置模型包括上层目标函数以及上层约束条件;所述上层目标函数包括以所述电网年化网损函数最小为目标的第一目标函数和以所述用户所需时间函数最小为目标的第二目标函数;所述上层约束条件包括:功率平衡约束、节点电压约束、支路传输功率约束、充电站容量约束、上级电网购电量约束以及弃风弃光量约束;其中,各所述充电站配置方案的功率平衡约束由所述充电站配置方案对应的电源输出功率确定;
期望弃风弃光量确定模块,用于基于下层校验模型,确定所述上层最优配置方案集合中各上层最优配置方案的期望弃风量和期望弃光量;所述下层校验模型包括下层目标函数以及下层约束条件,所述下层目标函数为以上层最优配置方案在各所述典型场景下的弃风弃光量之和最小为目标的函数,所述下层约束条件包括电力系统潮流约束;所述典型场景根据所述风速数据和所述光照强度数据确定;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210733073.6A CN115149523B (zh) | 2022-06-27 | 2022-06-27 | 一种考虑风光出力不确定性的充电站配置方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210733073.6A CN115149523B (zh) | 2022-06-27 | 2022-06-27 | 一种考虑风光出力不确定性的充电站配置方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115149523A true CN115149523A (zh) | 2022-10-04 |
CN115149523B CN115149523B (zh) | 2024-05-07 |
Family
ID=83408747
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210733073.6A Active CN115149523B (zh) | 2022-06-27 | 2022-06-27 | 一种考虑风光出力不确定性的充电站配置方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115149523B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170036560A1 (en) * | 2014-04-22 | 2017-02-09 | Nec Europe Ltd. | Method for load balancing of charging stations for mobile loads within a charging stations network and a charging stations network |
CN106651059A (zh) * | 2017-01-13 | 2017-05-10 | 国网山西省电力公司 | 一种电动汽车充电站优化配置的方法 |
CN110504708A (zh) * | 2019-08-09 | 2019-11-26 | 国家电网有限公司 | 计及充电站和分布式电源的配电网多目标协同规划方法 |
CN110895638A (zh) * | 2019-11-22 | 2020-03-20 | 国网福建省电力有限公司 | 一种考虑电动汽车充电站选址定容的主动配电网规划模型的建立方法 |
CN111639870A (zh) * | 2020-06-04 | 2020-09-08 | 国网山东省电力公司潍坊供电公司 | 考虑源荷不确定性的输电网多目标柔性规划方法及系统 |
CN112132427A (zh) * | 2020-09-10 | 2020-12-25 | 国家电网有限公司 | 一种考虑用户侧多种资源接入的电网多层规划方法 |
US20210155111A1 (en) * | 2019-11-22 | 2021-05-27 | State Grid Fujian Electric Power Co., Ltd. | Method for establishing active distribution network planning model considering location and capacity determination of electric vehicle charging station |
CN113489003A (zh) * | 2021-07-19 | 2021-10-08 | 杭州电子科技大学 | 一种考虑风光水一体化互补运行的源网协调规划方法 |
-
2022
- 2022-06-27 CN CN202210733073.6A patent/CN115149523B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170036560A1 (en) * | 2014-04-22 | 2017-02-09 | Nec Europe Ltd. | Method for load balancing of charging stations for mobile loads within a charging stations network and a charging stations network |
CN106651059A (zh) * | 2017-01-13 | 2017-05-10 | 国网山西省电力公司 | 一种电动汽车充电站优化配置的方法 |
CN110504708A (zh) * | 2019-08-09 | 2019-11-26 | 国家电网有限公司 | 计及充电站和分布式电源的配电网多目标协同规划方法 |
CN110895638A (zh) * | 2019-11-22 | 2020-03-20 | 国网福建省电力有限公司 | 一种考虑电动汽车充电站选址定容的主动配电网规划模型的建立方法 |
US20210155111A1 (en) * | 2019-11-22 | 2021-05-27 | State Grid Fujian Electric Power Co., Ltd. | Method for establishing active distribution network planning model considering location and capacity determination of electric vehicle charging station |
CN111639870A (zh) * | 2020-06-04 | 2020-09-08 | 国网山东省电力公司潍坊供电公司 | 考虑源荷不确定性的输电网多目标柔性规划方法及系统 |
CN112132427A (zh) * | 2020-09-10 | 2020-12-25 | 国家电网有限公司 | 一种考虑用户侧多种资源接入的电网多层规划方法 |
CN113489003A (zh) * | 2021-07-19 | 2021-10-08 | 杭州电子科技大学 | 一种考虑风光水一体化互补运行的源网协调规划方法 |
Non-Patent Citations (2)
Title |
---|
石玉东;蒋卓臻;高红均;王家怡;朱嘉远;刘俊勇;: "促进风电消纳的配电网分布式电源与电动汽车充电站联合鲁棒规划", 可再生能源, no. 11, 19 November 2018 (2018-11-19) * |
耿晓娜;刘俊德;范振亚;刘伟东;: "含充电站及光伏电源的配电网协调规划", 华北电力技术, no. 05, 25 May 2017 (2017-05-25) * |
Also Published As
Publication number | Publication date |
---|---|
CN115149523B (zh) | 2024-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ridha et al. | Multi-objective optimization and multi-criteria decision-making methods for optimal design of standalone photovoltaic system: A comprehensive review | |
Vlachogiannis | Probabilistic constrained load flow considering integration of wind power generation and electric vehicles | |
CN108944531A (zh) | 一种电动汽车有序充电控制方法 | |
CN109755967B (zh) | 一种配电网中光储系统的优化配置方法 | |
CN112467722A (zh) | 一种考虑电动汽车充电站的主动配电网源-网-荷-储协调规划方法 | |
CN110866636A (zh) | 一种综合考虑电动汽车充电站及分布式能源的微电网规划方法 | |
CN110570327B (zh) | 一种计及源荷互动响应的主动配电网双层规划方法 | |
CN109038560B (zh) | 基于运行策略的配电网分布式储能经济性评价方法和系统 | |
CN106786977B (zh) | 一种电动汽车充电站的充电调度方法 | |
CN113437756B (zh) | 考虑配电网静态电压稳定性的微电网优化配置方法 | |
CN110175865A (zh) | 基于泛在感知技术的电动汽车充电实时定价方法 | |
CN113988384A (zh) | 一种提高配电网可靠性的储能容量优化配置方法 | |
CN105868499A (zh) | 一种含风光储的电动汽车充电站容量配比方法 | |
CN111162517B (zh) | 计及源荷相关性含电动汽车的分布式电源选址定容方法 | |
CN106779254A (zh) | 一种含分布式电源的充电站规划方法 | |
CN115392544A (zh) | 家庭用电负荷预测方法和装置 | |
CN115204672A (zh) | 一种考虑主动配电网脆弱性的分布式储能配置方法 | |
CN109002943B (zh) | 考虑负荷分类的分布式风电源与电容器联合动态规划方法 | |
CN111293687B (zh) | 一种基于三维粒子群算法的分布式电源选址定容的方法 | |
CN110336322B (zh) | 基于日最小负荷置信区间的光伏发电准入容量确定方法 | |
CN115149523A (zh) | 一种考虑风光出力不确定性的充电站配置方法及系统 | |
CN109586309B (zh) | 基于大数据自由熵理论和场景匹配的配电网无功优化方法 | |
CN116402307A (zh) | 考虑可调度柔性资源运行特性的电网规划容量分析方法 | |
CN115423342A (zh) | 基于概率随机潮流的电动汽车接入配电网风险评估方法 | |
CN113036806B (zh) | 一种基于随机规划模型的风光互补系统容量配比方法 |
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 | ||
GR01 | Patent grant |