CN115239032B - 计及能源自洽率的高速公路服务区微电网规划方法及系统 - Google Patents

计及能源自洽率的高速公路服务区微电网规划方法及系统 Download PDF

Info

Publication number
CN115239032B
CN115239032B CN202211169038.2A CN202211169038A CN115239032B CN 115239032 B CN115239032 B CN 115239032B CN 202211169038 A CN202211169038 A CN 202211169038A CN 115239032 B CN115239032 B CN 115239032B
Authority
CN
China
Prior art keywords
service area
power
energy storage
objective function
equipment
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.)
Active
Application number
CN202211169038.2A
Other languages
English (en)
Other versions
CN115239032A (zh
Inventor
夏世威
张晓龙
王子铮
李晨
王鹏
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.)
North China Electric Power University
Original Assignee
North China 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 North China Electric Power University filed Critical North China Electric Power University
Priority to CN202211169038.2A priority Critical patent/CN115239032B/zh
Publication of CN115239032A publication Critical patent/CN115239032A/zh
Priority to GB2300943.4A priority patent/GB2623600A/en
Application granted granted Critical
Publication of CN115239032B publication Critical patent/CN115239032B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • 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
    • G06Q10/06313—Resource planning in a project environment
    • 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
    • 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
    • H02J3/28—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
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • 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
    • 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
    • H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
    • 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
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/22—The renewable source being solar energy
    • H02J2300/24—The renewable source being solar energy of photovoltaic origin
    • 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
    • H02J2300/28—The renewable source being wind 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
    • 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

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Power Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明涉及一种计及能源自洽率的高速公路服务区微电网规划方法及系统，属于高速公路微电网规划技术领域，先建立用于微电网规划的多目标优化模型，该多目标优化模型包括多目标函数和约束条件，多目标函数包括年投资效益目标函数、微电网运行效益目标函数、用户排队等待时间目标函数和微电网能源自洽率目标函数，约束条件包括功率平衡约束、分布式电源出力约束、储能设备出力约束、电动汽车荷电量约束和设备建设约束。然后利用多目标优化算法对多目标优化模型进行优化求解，得到微电网的各个设备的配置方案，从而能够对微电网进行合理规划，实现能源自洽。

Description

计及能源自洽率的高速公路服务区微电网规划方法及系统
技术领域
本发明涉及高速公路微电网规划技术领域，特别是涉及一种计及能源自洽率的高速公路服务区微电网规划方法及系统。
背景技术
近年来，化石燃料短缺和环境污染问题日益严重，电动汽车使用清洁的电力作为能源，使用过程中不会产生排放，噪音也极低。使用可再生能源发电可以使电力生产过程实现零排放，减少传统能源发电带来的排放和不可再生能源消耗。
电动汽车动力电池技术的发展缓慢，电动汽车续航里程不如燃油车，且常规充电需要的时间较长，故使用快速充电技术，提高用户的使用体验，成为了推广电动汽车的必然选择，特别是在高速公路行驶工况下，车速较高，电动汽车的耗电量也较大，需要一次或多次补充电能才能到达目的地，在现有的高速公路服务区内规划充电站满足电动汽车用户的出行需求，成为了使用电动汽车进行城际旅行的关键，但高速公路服务区一般距离电网较远，使用电网电能往往需要传输较远的距离，损耗较大不够经济，这时利用郊外丰富的风电设备和光伏设备资源，并配合储能设备与微型燃气轮机实现服务区微电网能源自洽，是目前亟待解决的问题。
发明内容
本发明的目的是提供一种计及能源自洽率的高速公路服务区微电网规划方法及系统，对微电网进行合理规划，实现能源自洽。
为实现上述目的，本发明提供了如下方案：
一种计及能源自洽率的高速公路服务区微电网规划方法，所述微电网规划方法包括：
建立用于微电网规划的多目标优化模型；所述多目标优化模型包括多目标函数和约束条件；所述多目标函数包括年投资效益目标函数、微电网运行效益目标函数、用户排队等待时间目标函数和微电网能源自洽率目标函数；所述约束条件包括功率平衡约束、分布式电源出力约束、储能设备出力约束、电动汽车荷电量约束和设备建设约束；
利用多目标优化算法对所述多目标优化模型进行优化求解，得到微电网的各个设备的配置方案；所述设备包括微型燃气轮机、光伏设备、风电设备、储能设备和充电桩；所述配置方案包括规划范围内每一服务区所安装的微型燃气轮机、光伏设备、风电设备和储能设备的型号以及充电桩的数量。
一种计及能源自洽率的高速公路服务区微电网规划系统，所述微电网规划系统包括：
多目标优化模型构建模块，用于建立用于微电网规划的多目标优化模型；所述多目标优化模型包括多目标函数和约束条件；所述多目标函数包括年投资效益目标函数、微电网运行效益目标函数、用户排队等待时间目标函数和微电网能源自洽率目标函数；所述约束条件包括功率平衡约束、分布式电源出力约束、储能设备出力约束、电动汽车荷电量约束和设备建设约束；
优化求解模块，用于利用多目标优化算法对所述多目标优化模型进行优化求解，得到微电网的各个设备的配置方案；所述设备包括微型燃气轮机、光伏设备、风电设备、储能设备和充电桩；所述配置方案包括规划范围内每一服务区所安装的微型燃气轮机、光伏设备、风电设备和储能设备的型号以及充电桩的数量。
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：
本发明用于提供一种计及能源自洽率的高速公路服务区微电网规划方法及系统，先建立用于微电网规划的多目标优化模型，该多目标优化模型包括多目标函数和约束条件，多目标函数包括年投资效益目标函数、微电网运行效益目标函数、用户排队等待时间目标函数和微电网能源自洽率目标函数，约束条件包括功率平衡约束、分布式电源出力约束、储能设备出力约束、电动汽车荷电量约束和设备建设约束。然后利用多目标优化算法对多目标优化模型进行优化求解，得到微电网的各个设备的配置方案，从而能够对微电网进行合理规划，实现能源自洽。
附图说明
图1为本发明实施例1所提供的微电网规划方法的方法流程图；
图2为本发明实施例1所提供的高速公路的出入口和服务区的设置示意图；
图3为本发明实施例2所提供的微电网规划系统的系统框图。
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。
实施例1：
本实施例用于提供一种计及能源自洽率的高速公路服务区微电网规划方法，如图1所示，所述微电网规划方法包括：
S1：建立用于微电网规划的多目标优化模型；所述多目标优化模型包括多目标函数和约束条件；所述多目标函数包括年投资效益目标函数、微电网运行效益目标函数、用户排队等待时间目标函数和微电网能源自洽率目标函数；所述约束条件包括功率平衡约束、分布式电源出力约束、储能设备出力约束、电动汽车荷电量约束和设备建设约束；
目前，如何合理的在现有的高速公路服务区内规划充电站满足电动汽车用户的出行需求，成为了使用电动汽车进行城际旅行的关键，在此，本实施例提供一种优选的实现方式，基于电动汽车各项参数建立高速公路服务区充电需求模型，然后以充电需求得到满足为约束，以建设充电站数量最少为目标建立规划模型并求解，得到高速公路服务区充电站的安装位置，以进行高速公路服务区充电站的选址规划，并在此基础上进行高速公路服务区微电网内各设备的容量规划。
具体的，在S1之前，本实施例的微电网规划方法还包括：建立用于充电站规划的规划模型；规划模型包括以充电站数量最少为目标的目标函数和以充电需求得到满足为约束的约束条件；对规划模型进行求解，得到充电站的安装位置。
更为具体的，规划模型的建立过程可以包括：
（1）计算高速公路电动汽车出行特性参数：
电动汽车EV从高速公路的第s个入口进入的时段记为
Figure 761954DEST_PATH_IMAGE001
，其服从如下分段正态分布：
Figure 735726DEST_PATH_IMAGE002
； （1）
式（1）中，
Figure 759218DEST_PATH_IMAGE003
为第s个入口一天中出行最高峰的时段的均值；
Figure 818441DEST_PATH_IMAGE004
为第s个入口一天中出行最高峰的时段的标准差；输入
Figure 188243DEST_PATH_IMAGE003
和
Figure 219784DEST_PATH_IMAGE004
，可利用上式（1）计算电动汽车从高速公路的第s个入口进入的时段。
t s 时段从第s个入口进入高速公路的EV出行量记为
Figure 16838DEST_PATH_IMAGE005
，计算公式如下：
Figure 61893DEST_PATH_IMAGE006
； （2）
式（2）中，NEVs表示第s个入口一天中出行最高峰的时段的EV出行量；输入NEVs，可得t s 时段从第s个入口进入高速公路的EV出行量。t s 时段所有入口的EV出行总量记为nev（t），可以表示为：
Figure 907489DEST_PATH_IMAGE007
。
一般情况下电动汽车用户进入高速公路前都会充电，故SOC值一般较高，t时段的电动汽车i的初始荷电量记为
Figure 855853DEST_PATH_IMAGE008
，其使用截断正态分布模拟，如下式所示：
Figure 761492DEST_PATH_IMAGE009
； （3）
式（3）中，
Figure 293843DEST_PATH_IMAGE010
、
Figure 943130DEST_PATH_IMAGE011
分别为初始荷电量的均值和标准差；输入
Figure 73897DEST_PATH_IMAGE010
、
Figure 150437DEST_PATH_IMAGE011
即可计算得到每辆电动汽车的初始荷电量。
（2）根据高速公路电动汽车出行特性参数，通过蒙特卡洛模拟得到电动汽车充电需求点集合：
如图2所示，按照服务区建设标准，一般每50km有一个服务区，假设高速公路总长为L，那么服务区数量
Figure 405969DEST_PATH_IMAGE012
，其中符号
Figure 357482DEST_PATH_IMAGE013
表示向下取整。（2）可以包括：
（2.1）将一天划分为多个时段；
（2.2）对于每一时段，利用式（2）确定在该时段通过每一入口进入高速公路的电动汽车的数量，求和即可得到在该时段进入高速公路的电动汽车的总数量；对于每一电动汽车，利用式（3）确定该电动汽车的初始荷电量，通过蒙特卡洛模拟方法确定起点和终点，具体的，假设高速公路总共有N个出入口，从高速前N-1个出入口构成的入口集合中随机抽取起点，再从起点之后的出入口构成的出口集合中随机抽取终点；根据起点和终点，通过最短路径算法获取电动汽车在从起点到终点以内的高速公路上的行驶路径，并根据初始荷电量在行驶路径上标记电动汽车的充电需求点的位置，具体的，在电动汽车沿该行驶路径的行驶过程中，以初始荷电量作为初始值，当电量下降到20%时，标记当前位置作为第一个充电需求点，假设在该点将电量补充至90%继续行驶，当电量再次下降到20%时，标记当前位置作为第二个充电需求点，并在该点将电量补充至90%继续行驶，直到到达终点。
（2.3）将所有时段内的每一电动汽车的充电需求点的位置进行组合，得到充电需求点集合。
（3）基于电动汽车充电需求点集合，建立高速公路服务区充电站的位置规划模型：
定义充电需求点集合为
Figure 280439DEST_PATH_IMAGE014
，服务区集合为
Figure 527881DEST_PATH_IMAGE015
，当充电需求点i的电动汽车能够凭借剩余电量行驶到服务区j充电，则称服务区j能够覆盖充电需求点i，使用二进制变量
Figure 270709DEST_PATH_IMAGE016
表示服务区j能否覆盖充电需求点i，则
Figure 324116DEST_PATH_IMAGE017
； （4）
使用二进制变量
Figure 600114DEST_PATH_IMAGE018
表示服务区j是否安装充电站，则充电站的选址问题可以由下述的规划模型进行解决，规划模型如下：
Figure 18457DEST_PATH_IMAGE019
； （5）
Figure 514160DEST_PATH_IMAGE020
； （6）
上式中，
Figure 43362DEST_PATH_IMAGE021
为服务区集合；
Figure 439446DEST_PATH_IMAGE018
为表示服务区j是否安装充电站的二进制变量；
Figure 91007DEST_PATH_IMAGE016
为表示服务区j能否覆盖充电需求点i的二进制变量；
Figure 808427DEST_PATH_IMAGE022
为充电需求点集合。上述规划模型以建设充电站数量最少为目标函数，以所有充电需求点的充电需求得到满足为约束条件，即充电需求点i能够到达的服务区中最少有1个安装有充电站。使用线性求解器求解上述规划模型，即可得到充电站的安装位置。
在确定充电站的安装位置的基础上，本实施例建立运行效益最好，电动汽车用户等待时间最短，微电网能源自洽率最高的多目标函数，建立同时考虑功率平衡约束，分布式电源与储能出力约束，电动汽车荷电量约束，设备建设约束等约束的约束条件，以得到多目标优化模型，并使用多目标优化算法求解该多目标优化模型，即可得到微型燃气轮机、光伏设备、风电设备、储能设备的型号以及充电桩的安装数量等配置信息。
本实施例所构建的多目标优化模型包括多目标函数和约束条件。多目标函数包括年投资效益目标函数、微电网运行效益目标函数、用户排队等待时间目标函数和微电网能源自洽率目标函数，具体如下：
（1）年投资效益目标函数为：
Figure 141320DEST_PATH_IMAGE023
； （7）
式（7）中，
Figure 893375DEST_PATH_IMAGE024
为年投资效益；r为年回报率；T为规划使用寿命；
Figure 715837DEST_PATH_IMAGE025
为服务区集合；
Figure 419089DEST_PATH_IMAGE026
为微型燃气轮机的可选型号集合；
Figure 555672DEST_PATH_IMAGE027
为微型燃气轮机的单位功率建造系数；
Figure 162234DEST_PATH_IMAGE028
为型号m的微型燃气轮机的最大功率；
Figure 155598DEST_PATH_IMAGE029
为表示服务区j是否安装型号m的微型燃气轮机的二进制变量；
Figure 847610DEST_PATH_IMAGE030
为光伏设备的可选型号集合；
Figure 286420DEST_PATH_IMAGE031
为光伏设备的单位功率建造系数；
Figure 747488DEST_PATH_IMAGE032
为型号m的光伏设备的最大功率；
Figure 849436DEST_PATH_IMAGE033
为表示服务区j是否安装型号m的光伏设备的二进制变量；
Figure 91062DEST_PATH_IMAGE034
为风电设备的可选型号集合；
Figure 569448DEST_PATH_IMAGE035
为风电设备的单位功率建造系数；
Figure 383557DEST_PATH_IMAGE036
为型号m的风电设备的最大功率；
Figure 921986DEST_PATH_IMAGE037
为表示服务区j是否安装型号m的风电设备的二进制变量；
Figure 385329DEST_PATH_IMAGE038
为储能设备的可选型号集合；
Figure 667405DEST_PATH_IMAGE039
为型号m的储能设备的单位容量建造系数；
Figure 837487DEST_PATH_IMAGE040
为型号m的储能设备的容量；
Figure 609134DEST_PATH_IMAGE041
为型号m的储能设备的单位功率建造系数；
Figure 995990DEST_PATH_IMAGE042
为型号m的储能设备的最大充放电功率；
Figure 816179DEST_PATH_IMAGE043
为表示服务区j是否安装型号m的储能设备的二进制变量；
Figure 106346DEST_PATH_IMAGE044
为表示服务区j是否安装充电站的二进制变量，其利用上述建立的规划模型可预先获得；
Figure 48894DEST_PATH_IMAGE045
为单个充电站的建造系数；
Figure 424512DEST_PATH_IMAGE046
为单个充电桩的建造系数；
Figure 546926DEST_PATH_IMAGE047
为服务区j的充电站中充电桩的数量。
本实施例的上述二进制变量取1时，代表安装；取0时，代表未安装。
（2）微电网运行效益目标函数为：
Figure 691600DEST_PATH_IMAGE048
； （8）
式（8）中，
Figure 805049DEST_PATH_IMAGE049
为微电网运行效益；t为时段；
Figure 667963DEST_PATH_IMAGE050
为单位电能的购买系数；
Figure 829954DEST_PATH_IMAGE051
为t时段通过电网变电站输送到服务区j的有功功率；
Figure 593249DEST_PATH_IMAGE052
为单位天然气的购买系数；
Figure 549703DEST_PATH_IMAGE053
为服务区j的微型燃气轮机在t时段发电的有功功率；
Figure 962230DEST_PATH_IMAGE054
为微型燃气轮机的转化效率；
Figure 927912DEST_PATH_IMAGE055
为天然气热值；
Figure 47178DEST_PATH_IMAGE056
为表示服务区j的储能设备充电状态的二进制变量，为1时表示储能设备当前在充电；
Figure 938648DEST_PATH_IMAGE057
为服务区j的储能设备在t时段的荷电量；
Figure 572892DEST_PATH_IMAGE058
为服务区j的储能设备在t-1时段的荷电量；
Figure 76685DEST_PATH_IMAGE059
为表示服务区j的储能设备放电状态的二进制变量，为1时表示储能设备当前在放电；
Figure 316037DEST_PATH_IMAGE060
为储能设备的充放电循环寿命，完成一次完整的充电和放电计算为一次循环。
其中，r、
Figure 879873DEST_PATH_IMAGE027
、
Figure 1413DEST_PATH_IMAGE031
、
Figure 807433DEST_PATH_IMAGE035
、
Figure 901291DEST_PATH_IMAGE061
、
Figure 636029DEST_PATH_IMAGE062
、
Figure 182548DEST_PATH_IMAGE050
、
Figure 90461DEST_PATH_IMAGE052
、
Figure 537360DEST_PATH_IMAGE045
、
Figure 442999DEST_PATH_IMAGE046
均为微电网容量规划的多目标优化模型所需参数，这些参数由规划人员基于高速公路服务区微电网实际情况评估后确定。
（3）用户排队等待时间目标函数为：
Figure 476815DEST_PATH_IMAGE063
； （9）
式（9）中，
Figure 188419DEST_PATH_IMAGE064
为用户排队等待时间；
Figure 991290DEST_PATH_IMAGE065
为服务区j在t时段的车辆到达率；
Figure 504048DEST_PATH_IMAGE066
为服务区j的充电站在t时段的平均等待时间；
式（9）所示的电动汽车用户排队等待时间的计算公式中的车辆到达率采用下述公式计算：
Figure 87476DEST_PATH_IMAGE067
； （10）
式（10）中，
Figure 540454DEST_PATH_IMAGE068
为表示在t时段的电动汽车i是否去往服务区j充电的二进制变量，取1则代表去。
t时段的平均充电时间(h)的计算公式如下：
Figure 197832DEST_PATH_IMAGE069
； （11）
式（11）中，
Figure 507590DEST_PATH_IMAGE070
表示服务区j在时段t的平均充电时间；
Figure 37970DEST_PATH_IMAGE071
表示每个充电桩的充电功率；
Figure 29060DEST_PATH_IMAGE072
表示电动汽车的电池容量；
Figure 806523DEST_PATH_IMAGE073
表示t时段电动汽车i到达服务区j充电站时剩余的电池电量。
设定车辆到达过程服从参数为
Figure 224866DEST_PATH_IMAGE074
的泊松分布，每个充电桩的平均充电时间服从参数为
Figure 782887DEST_PATH_IMAGE070
的负指数分布，服务区j充电站有充电桩
Figure 810623DEST_PATH_IMAGE075
台，这样就构成了一个多服务台排队系统，可以使用排队论计算平均等待时间。
首先计算充电站服务强度：
Figure 504910DEST_PATH_IMAGE076
； （12）
式（12）定义了服务区j充电站在t时段的服务强度
Figure 359733DEST_PATH_IMAGE077
，为了防止出现排队队长无限增加的情况，服务强度应该不大于1。
接着给出充电站服务系统平衡方程并计算充电站中存在电动汽车的概率。
充电站服务系统平衡方程如下：
Figure 77154DEST_PATH_IMAGE078
； （13）
式（13）中，
Figure 410046DEST_PATH_IMAGE079
为服务区j充电站在t时段内有n辆电动汽车接受充电服务的概率；
Figure 660636DEST_PATH_IMAGE080
为服务区j充电站在t时段内电动汽车的数量；求解上述平衡方程，并且把上面的服务强度代入，便可得电动汽车接受充电服务的概率：
Figure 483099DEST_PATH_IMAGE081
； （14）
则服务区j充电站在t时段内车辆排队的队伍长度
Figure 687815DEST_PATH_IMAGE082
为：
Figure 886715DEST_PATH_IMAGE083
； （15）
最后计算平均等待时间，服务区j充电站在t时段内电动汽车充电的平均等待时间为：
Figure 493277DEST_PATH_IMAGE084
； （16）
（4）微电网能源自洽率目标函数为：
Figure 424324DEST_PATH_IMAGE085
； （17）
式（17）中，
Figure 614872DEST_PATH_IMAGE086
为微电网能源自洽率；
Figure 351884DEST_PATH_IMAGE087
为服务区数量；
Figure 812952DEST_PATH_IMAGE088
、
Figure 180479DEST_PATH_IMAGE089
、
Figure 422105DEST_PATH_IMAGE090
、
Figure 634912DEST_PATH_IMAGE091
分别为服务区j在t时段的光伏设备发电功率、风电设备发电功率、充电站消耗功率和常规负荷消耗功率。
约束条件包括功率平衡约束、分布式电源出力约束、储能设备出力约束、电动汽车荷电量约束和设备建设约束，具体如下：
（1）功率平衡约束为：
Figure 714601DEST_PATH_IMAGE092
； （18）
式（18）中，
Figure 987450DEST_PATH_IMAGE093
、
Figure 716372DEST_PATH_IMAGE094
分别为服务区j的储能设备在t时段的放电功率和充电功率；
根据充电站中充电桩的数目与每个充电桩的功率，
Figure 732869DEST_PATH_IMAGE095
可用下式表示：
Figure 168530DEST_PATH_IMAGE096
； （19）
（2）分布式电源出力约束为：
Figure 376395DEST_PATH_IMAGE097
； （20）
Figure 264717DEST_PATH_IMAGE098
； （21）
Figure 147222DEST_PATH_IMAGE099
； （22）
Figure 437389DEST_PATH_IMAGE100
； （23）
上式中，
Figure 317620DEST_PATH_IMAGE101
为型号m的微型燃气轮机的最小功率；
Figure 191773DEST_PATH_IMAGE102
为服务区j的微型燃气轮机的最小出力；
Figure 612390DEST_PATH_IMAGE103
为服务区j的微型燃气轮机的最大出力；
Figure 22643DEST_PATH_IMAGE104
为服务区j的光伏设备在t时段的最大预测出力；
Figure 73776DEST_PATH_IMAGE105
为光伏设备单位功率的出力系数，由天气预测的光照强度决定；
Figure 936689DEST_PATH_IMAGE106
为服务区j的风电设备在t时段的最大预测出力；
Figure 597216DEST_PATH_IMAGE107
为风电设备单位功率的出力系数，由天气预测的风速决定。式（20）为微型燃气轮机的出力上下限约束，与选择的型号有关，式（21）-（23）为光伏设备与风电设备的出力上下限约束，与选择的型号和光照强度或风速等天气预测因素有关。
（3）储能设备出力约束为：
Figure 658713DEST_PATH_IMAGE108
； （24）
Figure 880746DEST_PATH_IMAGE109
； （25）
Figure 230956DEST_PATH_IMAGE110
； （26）
Figure 258955DEST_PATH_IMAGE111
； （27）
Figure 378221DEST_PATH_IMAGE112
； （28）
Figure 4112DEST_PATH_IMAGE113
； （29）
Figure 903935DEST_PATH_IMAGE114
； （30）
Figure 407729DEST_PATH_IMAGE115
； （31）
上式中，
Figure 647080DEST_PATH_IMAGE116
为服务区j的储能设备的最大充放电功率；
Figure 945337DEST_PATH_IMAGE117
为储能设备的充放电效率；
Figure 332456DEST_PATH_IMAGE118
为服务区j的储能设备的容量；
Figure 138476DEST_PATH_IMAGE119
、
Figure 966755DEST_PATH_IMAGE120
分别表示服务区j的储能设备在每天开始时的荷电量与结束时的荷电量。式（24）和式（25）为储能设备的充放电功率上下限约束，其中功率上下限由安装型号决定，如式（26）。式（27）表明储能设备在一个时段内只能在充电或放电状态中选择一种，式（28）为储能设备的荷电量计算，与安装选型有关，如式（29），式（30）为荷电量上下限约束，式（31）表示储能一天开始时初始电量应与一天结束时的电量相同以便于调度。
上述三个约束为高速公路服务区微电网运行模型的约束。
（4）电动汽车荷电量约束为：
Figure 701493DEST_PATH_IMAGE121
； （32）
Figure 310329DEST_PATH_IMAGE122
； （33）
Figure 421504DEST_PATH_IMAGE123
； （34）
Figure 868404DEST_PATH_IMAGE124
； （35）
上式中，
Figure 774043DEST_PATH_IMAGE125
为电动汽车i在t时段从服务区j出发时的荷电量；
Figure 870175DEST_PATH_IMAGE126
为电动汽车i在t时段的初始荷电量；
Figure 519462DEST_PATH_IMAGE127
为电动汽车i在t时段位于服务区j时的荷电量；
Figure 322333DEST_PATH_IMAGE128
为电动汽车i在t时段位于服务区j-1时的荷电量；
Figure 461190DEST_PATH_IMAGE129
为服务区j距离高速公路起始点的距离，服务区j是从高速公路起始点开始编号的；
Figure 480836DEST_PATH_IMAGE130
为t时段电动汽车i进入高速公路的入口距离高速公路起始点的距离；
Figure 668235DEST_PATH_IMAGE131
为电动汽车每千米的耗电量；
Figure 591192DEST_PATH_IMAGE132
为表示在t时段的电动汽车i是否去往服务区j-1充电的二进制变量；
Figure 838634DEST_PATH_IMAGE133
为表示服务区j-1是否安装充电站的二进制变量；
Figure 909358DEST_PATH_IMAGE134
为t时段电动汽车i进入高速公路的入口距离高速公路终止点的距离。式（32）给出电动汽车进入高速公路时的初始荷电量，式（33）为电动汽车的荷电量计算方法，SOC变化的范围应限定在电动汽车进入与离开高速的入口与出口之间，电动汽车荷电量变化与行驶情况、充电选择及充电站是否建设有关，式（34）给出了荷电量上下限约束，式（35）则规定了电动汽车只能在行驶途中的服务区进行充电。此约束即为电动汽车荷电量与充电行为约束，也即高速公路服务区电动汽车模型约束。
（5）设备建设约束为：
Figure 398983DEST_PATH_IMAGE135
； （36）
Figure 176446DEST_PATH_IMAGE136
； （37）
Figure 594789DEST_PATH_IMAGE137
； （38）
Figure 887230DEST_PATH_IMAGE138
； （39）
Figure 682011DEST_PATH_IMAGE139
； （40）
上式中，
Figure 812515DEST_PATH_IMAGE140
为充电站内允许安装的充电桩数量的最大值。式（36）-（39）表示一个服务区中，只能选择一个型号的微型燃气轮机、光伏设备、风电设备、储能设备，式（40）限制了充电桩的安装数量。此约束即为高速公路服务区微电网设备建设约束。
S2：利用多目标优化算法对所述多目标优化模型进行优化求解，得到微电网的各个设备的配置方案；所述设备包括微型燃气轮机、光伏设备、风电设备、储能设备和充电桩；所述配置方案包括规划范围内每一服务区所安装的微型燃气轮机、光伏设备、风电设备和储能设备的型号以及充电桩的数量。
在利用多目标优化算法对多目标优化模型进行优化求解之前，本实施例的微电网规划方法还包括：对多目标函数进行优化，得到优化后的多目标函数，并以优化后的多目标函数作为新的多目标函数，执行S2。其中，对多目标函数进行优化包括：将年投资效益目标函数和微电网运行效益目标函数相加，得到第一目标函数；以用户排队等待时间目标函数作为第二目标函数；令1减去微电网能源自洽率目标函数，得到第三目标函数；第一目标函数、第二目标函数和第三目标函数组成优化后的多目标函数。
优化过程所用的公式如下：
Figure 401760DEST_PATH_IMAGE141
； （41）
Figure 384759DEST_PATH_IMAGE142
； （42）
Figure 779969DEST_PATH_IMAGE143
； （43）
上式中，f 1为第一目标函数；f 2为第二目标函数；f 3为第三目标函数。
本实施例还可进一步对第一目标函数、第二目标函数和第三目标函数进行归一化处理，如下式所示：
Figure 266445DEST_PATH_IMAGE144
； （44）
式（44）中，
Figure 790705DEST_PATH_IMAGE145
为第i个目标函数的帕累托解集的最大值；
Figure 995421DEST_PATH_IMAGE146
为第i个目标函数的帕累托解集的最小值；当然，归一化处理仅是一个可选的方式，无论是否进行归一化均可，不影响后续步骤的实现。
微电网容量配置的多目标优化模型的目标函数包含f 1，f 2，f 3，三个目标函数均为最小化目标函数，故其求解是一个多目标优化问题，将目标函数统一进行归一化，采用多目标优化算法进行求解，得到配置方案。
优选的，本实施例采用基于快速非支配排序的遗传算法(NSGA-Ⅱ)求解该多目标优化问题，得出帕累托前沿，由决策者对目标进行权衡并做出决策，得到配置方案。基于快速非支配排序的遗传算法(NSGA-Ⅱ)步骤如下：首先种群初始化，通过快速非支配排序、选择、交叉以及变异操作后得到初始种群，种群中个体数为N；将父代种群和子代种群合并，再通过排序、拥挤度计算得出下一代种群个体；得出新一代种群后根据遗传操作继续产生下一代，如此反复，直到达到进化最大代数停止。其中，非支配排序与拥挤度计算是算法核心，非支配排序将所有不能被任何其他的解支配的解集构成Rank0，再将Rank0中的解剔除，将剩下所有解中所有不能被任何其他的解支配的解集构成Rank1以此类推，Rank等级越小其中的个体越优秀。拥挤度计算用于每一个Rank解集中，计算个体之间的拥挤距离，拥挤距离越大的个体会被优先选中进入下一代，因为这样有利于保持种群的多样性。
目前存在一些高速公路充电站规划方案，但基本都只考虑到充电站本身的规划，较少将高速公路服务区作为微电网进行考虑，也很少有规划考虑到高速公路地处偏远电网输电不便的能源自洽问题，本实施例从电网、用户、能源自洽三个角度提出多目标优化模型并进行求解，实现了电网经济性与用户充电体验的双赢，并最大化利用高速公路服务区附近的风光可再生资源实现服务区能源自洽，减少远距离输电的投资与损耗，解决了距离电网偏远的高速公路服务区，在满足电动汽车充电需求下，使用多种分布式电源组成微电网的能源自洽的问题。
实施例2：
本实施例用于提供一种计及能源自洽率的高速公路服务区微电网规划系统，如图3所示，所述微电网规划系统包括：
多目标优化模型构建模块M1，用于建立用于微电网规划的多目标优化模型；所述多目标优化模型包括多目标函数和约束条件；所述多目标函数包括年投资效益目标函数、微电网运行效益目标函数、用户排队等待时间目标函数和微电网能源自洽率目标函数；所述约束条件包括功率平衡约束、分布式电源出力约束、储能设备出力约束、电动汽车荷电量约束和设备建设约束；
优化求解模块M2，用于利用多目标优化算法对所述多目标优化模型进行优化求解，得到微电网的各个设备的配置方案；所述设备包括微型燃气轮机、光伏设备、风电设备、储能设备和充电桩；所述配置方案包括规划范围内每一服务区所安装的微型燃气轮机、光伏设备、风电设备和储能设备的型号以及充电桩的数量。
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 (8)

1.一种计及能源自洽率的高速公路服务区微电网规划方法，其特征在于，所述微电网规划方法包括：
建立用于微电网规划的多目标优化模型；所述多目标优化模型包括多目标函数和约束条件；所述多目标函数包括年投资效益目标函数、微电网运行效益目标函数、用户排队等待时间目标函数和微电网能源自洽率目标函数；所述约束条件包括功率平衡约束、分布式电源出力约束、储能设备出力约束、电动汽车荷电量约束和设备建设约束；
利用多目标优化算法对所述多目标优化模型进行优化求解，得到微电网的各个设备的配置方案；所述设备包括微型燃气轮机、光伏设备、风电设备、储能设备和充电桩；所述配置方案包括规划范围内每一服务区所安装的微型燃气轮机、光伏设备、风电设备和储能设备的型号以及充电桩的数量；
所述年投资效益目标函数为：
Figure DEST_PATH_IMAGE002
；
其中，
Figure DEST_PATH_IMAGE003
为年投资效益；r为年回报率；T为规划使用寿命；
Figure DEST_PATH_IMAGE004
为服务区集合；
Figure DEST_PATH_IMAGE005
为微型燃气轮机的可选型号集合；
Figure DEST_PATH_IMAGE006
为微型燃气轮机的单位功率建造系数；
Figure DEST_PATH_IMAGE007
为型号m的微型燃气轮机的最大功率；
Figure DEST_PATH_IMAGE008
为表示服务区j是否安装型号m的微型燃气轮机的二进制变量；
Figure DEST_PATH_IMAGE009
为光伏设备的可选型号集合；
Figure DEST_PATH_IMAGE010
为光伏设备的单位功率建造系数；
Figure DEST_PATH_IMAGE011
为型号m的光伏设备的最大功率；
Figure DEST_PATH_IMAGE012
为表示服务区j是否安装型号m的光伏设备的二进制变量；
Figure DEST_PATH_IMAGE013
为风电设备的可选型号集合；
Figure DEST_PATH_IMAGE014
为风电设备的单位功率建造系数；
Figure DEST_PATH_IMAGE015
为型号m的风电设备的最大功率；
Figure DEST_PATH_IMAGE016
为表示服务区j是否安装型号m的风电设备的二进制变量；
Figure DEST_PATH_IMAGE017
为储能设备的可选型号集合；
Figure DEST_PATH_IMAGE018
为型号m的储能设备的单位容量建造系数；
Figure DEST_PATH_IMAGE019
为型号m的储能设备的容量；
Figure DEST_PATH_IMAGE020
为型号m的储能设备的单位功率建造系数；
Figure DEST_PATH_IMAGE021
为型号m的储能设备的最大充放电功率；
Figure DEST_PATH_IMAGE022
为表示服务区j是否安装型号m的储能设备的二进制变量；
Figure DEST_PATH_IMAGE023
为表示服务区j是否安装充电站的二进制变量；
Figure DEST_PATH_IMAGE024
为单个充电站的建造系数；
Figure DEST_PATH_IMAGE025
为单个充电桩的建造系数；
Figure DEST_PATH_IMAGE026
为服务区j的充电站中充电桩的数量；
所述微电网运行效益目标函数为：
Figure DEST_PATH_IMAGE028
；
其中，
Figure DEST_PATH_IMAGE029
为微电网运行效益；t为时段；
Figure DEST_PATH_IMAGE030
为单位电能的购买系数；
Figure DEST_PATH_IMAGE031
为t时段通过电网变电站输送到服务区j的有功功率；
Figure DEST_PATH_IMAGE032
为单位天然气的购买系数；
Figure DEST_PATH_IMAGE033
为服务区j的微型燃气轮机在t时段发电的有功功率；
Figure DEST_PATH_IMAGE034
为微型燃气轮机的转化效率；
Figure DEST_PATH_IMAGE035
为天然气热值；
Figure DEST_PATH_IMAGE036
为表示服务区j的储能设备充电状态的二进制变量；
Figure DEST_PATH_IMAGE037
为服务区j的储能设备在t时段的荷电量；
Figure DEST_PATH_IMAGE038
为服务区j的储能设备在t-1时段的荷电量；
Figure DEST_PATH_IMAGE039
为表示服务区j的储能设备放电状态的二进制变量；
Figure DEST_PATH_IMAGE040
为储能设备的充放电循环寿命；
所述用户排队等待时间目标函数为：
Figure DEST_PATH_IMAGE041
；
其中，
Figure DEST_PATH_IMAGE042
为用户排队等待时间；
Figure DEST_PATH_IMAGE043
为服务区j在t时段的车辆到达率；
Figure DEST_PATH_IMAGE044
为服务区j在t时段的平均等待时间；
所述微电网能源自洽率目标函数为：
Figure DEST_PATH_IMAGE045
；
其中，
Figure DEST_PATH_IMAGE046
为微电网能源自洽率；
Figure DEST_PATH_IMAGE047
为服务区数量；
Figure DEST_PATH_IMAGE048
、
Figure DEST_PATH_IMAGE049
、
Figure DEST_PATH_IMAGE050
、
Figure DEST_PATH_IMAGE051
分别为服务区j在t时段的光伏设备发电功率、风电设备发电功率、充电站消耗功率和常规负荷消耗功率；
所述功率平衡约束为：
Figure DEST_PATH_IMAGE052
；
其中，
Figure DEST_PATH_IMAGE053
、
Figure DEST_PATH_IMAGE054
分别为服务区j的储能设备在t时段的放电功率和充电功率；
所述分布式电源出力约束为：
Figure DEST_PATH_IMAGE056
；
Figure DEST_PATH_IMAGE057
；
Figure DEST_PATH_IMAGE058
；
Figure DEST_PATH_IMAGE059
；
其中，
Figure DEST_PATH_IMAGE060
为型号m的微型燃气轮机的最小功率；
Figure DEST_PATH_IMAGE061
为服务区j的微型燃气轮机的最小出力；
Figure DEST_PATH_IMAGE062
为服务区j的微型燃气轮机的最大出力；
Figure DEST_PATH_IMAGE063
为服务区j的光伏设备在t时段的最大预测出力；
Figure DEST_PATH_IMAGE064
为光伏设备单位功率的出力系数；
Figure DEST_PATH_IMAGE065
为服务区j的风电设备在t时段的最大预测出力；
Figure DEST_PATH_IMAGE066
为风电设备单位功率的出力系数；
所述储能设备出力约束为：
Figure DEST_PATH_IMAGE067
；
Figure DEST_PATH_IMAGE068
；
Figure DEST_PATH_IMAGE069
；
Figure DEST_PATH_IMAGE070
；
Figure DEST_PATH_IMAGE071
；
Figure DEST_PATH_IMAGE072
；
Figure DEST_PATH_IMAGE073
；
Figure DEST_PATH_IMAGE074
；
其中，
Figure DEST_PATH_IMAGE075
为服务区j的储能设备的最大充放电功率；
Figure DEST_PATH_IMAGE076
为储能设备的充放电效率；
Figure DEST_PATH_IMAGE077
为服务区j的储能设备的容量；
Figure DEST_PATH_IMAGE078
、
Figure DEST_PATH_IMAGE079
分别表示服务区j的储能设备在每天开始时的荷电量与结束时的荷电量；
所述电动汽车荷电量约束为：
Figure DEST_PATH_IMAGE080
；
Figure DEST_PATH_IMAGE082
；
Figure DEST_PATH_IMAGE083
；
Figure DEST_PATH_IMAGE084
；
其中，
Figure DEST_PATH_IMAGE085
为电动汽车i在t时段从服务区j出发时的荷电量；
Figure DEST_PATH_IMAGE086
为电动汽车i在t时段的初始荷电量；
Figure DEST_PATH_IMAGE087
为电动汽车i在t时段位于服务区j时的荷电量；
Figure DEST_PATH_IMAGE088
为电动汽车i在t时段位于服务区j-1时的荷电量；
Figure DEST_PATH_IMAGE089
为服务区j距离高速公路起始点的距离；
Figure DEST_PATH_IMAGE090
为t时段电动汽车i进入高速公路的入口距离高速公路起始点的距离；
Figure DEST_PATH_IMAGE091
为电动汽车每千米的耗电量；
Figure DEST_PATH_IMAGE092
表示电动汽车的电池容量；
Figure DEST_PATH_IMAGE093
为表示在t时段的电动汽车i是否去往服务区j-1充电的二进制变量；
Figure DEST_PATH_IMAGE094
为表示服务区j-1是否安装充电站的二进制变量；
Figure DEST_PATH_IMAGE095
为表示在t时段的电动汽车i是否去往服务区j充电的二进制变量；
Figure DEST_PATH_IMAGE096
为t时段电动汽车i进入高速公路的入口距离高速公路终止点的距离；
所述设备建设约束为：
Figure DEST_PATH_IMAGE097
；
Figure DEST_PATH_IMAGE098
；
Figure DEST_PATH_IMAGE099
；
Figure DEST_PATH_IMAGE100
；
Figure DEST_PATH_IMAGE101
；
其中，
Figure DEST_PATH_IMAGE102
为充电站内允许安装的充电桩数量的最大值。
2.根据权利要求1所述的计及能源自洽率的高速公路服务区微电网规划方法，其特征在于，在所述建立用于微电网规划的多目标优化模型之前，所述微电网规划方法还包括：建立用于充电站规划的规划模型；所述规划模型包括以充电站数量最少为目标的目标函数和以充电需求得到满足为约束的约束条件；对所述规划模型进行求解，得到充电站的安装位置。
3.根据权利要求2所述的计及能源自洽率的高速公路服务区微电网规划方法，其特征在于，所述规划模型为：
Figure DEST_PATH_IMAGE103
；
Figure DEST_PATH_IMAGE104
；
其中，
Figure DEST_PATH_IMAGE105
为服务区集合；
Figure DEST_PATH_IMAGE106
为表示服务区j是否安装充电站的二进制变量；
Figure DEST_PATH_IMAGE107
为表示服务区j能否覆盖充电需求点i的二进制变量；
Figure DEST_PATH_IMAGE108
为充电需求点集合。
4.根据权利要求3所述的计及能源自洽率的高速公路服务区微电网规划方法，其特征在于，所述充电需求点集合的获取方式为：
将一天划分为多个时段；对于每一所述时段，确定在所述时段进入高速公路的电动汽车的总数量；对于每一所述电动汽车，确定所述电动汽车的初始荷电量，并通过蒙特卡洛模拟方法确定起点和终点；通过最短路径算法获取所述电动汽车在从所述起点到所述终点以内的高速公路上的行驶路径，并根据所述初始荷电量在所述行驶路径上标记所述电动汽车的充电需求点的位置；将所有所述时段内每一所述电动汽车的充电需求点的位置进行组合，得到充电需求点集合。
5.根据权利要求1所述的计及能源自洽率的高速公路服务区微电网规划方法，其特征在于，所述服务区j在t时段的平均等待时间利用排队论计算得到。
6.根据权利要求1所述的计及能源自洽率的高速公路服务区微电网规划方法，其特征在于，在利用多目标优化算法对所述多目标优化模型进行优化求解之前，所述微电网规划方法还包括：对所述多目标函数进行优化，得到优化后的多目标函数，并以所述优化后的多目标函数作为新的多目标函数；
其中，对所述多目标函数进行优化包括：将所述年投资效益目标函数和所述微电网运行效益目标函数相加，得到第一目标函数；以所述用户排队等待时间目标函数作为第二目标函数；令1减去所述微电网能源自洽率目标函数，得到第三目标函数；所述第一目标函数、所述第二目标函数和所述第三目标函数组成所述优化后的多目标函数。
7.根据权利要求1所述的计及能源自洽率的高速公路服务区微电网规划方法，其特征在于，所述多目标优化算法为NSGA-II算法。
8.一种计及能源自洽率的高速公路服务区微电网规划系统，其特征在于，所述微电网规划系统包括：
多目标优化模型构建模块，用于建立用于微电网规划的多目标优化模型；所述多目标优化模型包括多目标函数和约束条件；所述多目标函数包括年投资效益目标函数、微电网运行效益目标函数、用户排队等待时间目标函数和微电网能源自洽率目标函数；所述约束条件包括功率平衡约束、分布式电源出力约束、储能设备出力约束、电动汽车荷电量约束和设备建设约束；
优化求解模块，用于利用多目标优化算法对所述多目标优化模型进行优化求解，得到微电网的各个设备的配置方案；所述设备包括微型燃气轮机、光伏设备、风电设备、储能设备和充电桩；所述配置方案包括规划范围内每一服务区所安装的微型燃气轮机、光伏设备、风电设备和储能设备的型号以及充电桩的数量；
所述年投资效益目标函数为：
Figure 748630DEST_PATH_IMAGE002
；
其中，
Figure 573366DEST_PATH_IMAGE003
为年投资效益；r为年回报率；T为规划使用寿命；
Figure 315801DEST_PATH_IMAGE004
为服务区集合；
Figure 567791DEST_PATH_IMAGE005
为微型燃气轮机的可选型号集合；
Figure 529931DEST_PATH_IMAGE006
为微型燃气轮机的单位功率建造系数；
Figure 892779DEST_PATH_IMAGE007
为型号m的微型燃气轮机的最大功率；
Figure 492650DEST_PATH_IMAGE008
为表示服务区j是否安装型号m的微型燃气轮机的二进制变量；
Figure 915541DEST_PATH_IMAGE009
为光伏设备的可选型号集合；
Figure 99397DEST_PATH_IMAGE010
为光伏设备的单位功率建造系数；
Figure 357DEST_PATH_IMAGE011
为型号m的光伏设备的最大功率；
Figure 218849DEST_PATH_IMAGE012
为表示服务区j是否安装型号m的光伏设备的二进制变量；
Figure 317036DEST_PATH_IMAGE013
为风电设备的可选型号集合；
Figure 722610DEST_PATH_IMAGE014
为风电设备的单位功率建造系数；
Figure 692840DEST_PATH_IMAGE015
为型号m的风电设备的最大功率；
Figure 765838DEST_PATH_IMAGE016
为表示服务区j是否安装型号m的风电设备的二进制变量；
Figure 530532DEST_PATH_IMAGE017
为储能设备的可选型号集合；
Figure 190445DEST_PATH_IMAGE018
为型号m的储能设备的单位容量建造系数；
Figure 167629DEST_PATH_IMAGE019
为型号m的储能设备的容量；
Figure 360712DEST_PATH_IMAGE020
为型号m的储能设备的单位功率建造系数；
Figure 296307DEST_PATH_IMAGE021
为型号m的储能设备的最大充放电功率；
Figure 942052DEST_PATH_IMAGE022
为表示服务区j是否安装型号m的储能设备的二进制变量；
Figure 487041DEST_PATH_IMAGE023
为表示服务区j是否安装充电站的二进制变量；
Figure 534631DEST_PATH_IMAGE024
为单个充电站的建造系数；
Figure 641128DEST_PATH_IMAGE025
为单个充电桩的建造系数；
Figure 508590DEST_PATH_IMAGE026
为服务区j的充电站中充电桩的数量；
所述微电网运行效益目标函数为：
Figure DEST_PATH_IMAGE109
；
其中，
Figure 922516DEST_PATH_IMAGE029
为微电网运行效益；t为时段；
Figure 824613DEST_PATH_IMAGE030
为单位电能的购买系数；
Figure 102010DEST_PATH_IMAGE031
为t时段通过电网变电站输送到服务区j的有功功率；
Figure 191189DEST_PATH_IMAGE032
为单位天然气的购买系数；
Figure 603279DEST_PATH_IMAGE033
为服务区j的微型燃气轮机在t时段发电的有功功率；
Figure 94303DEST_PATH_IMAGE034
为微型燃气轮机的转化效率；
Figure 542602DEST_PATH_IMAGE035
为天然气热值；
Figure 650235DEST_PATH_IMAGE036
为表示服务区j的储能设备充电状态的二进制变量；
Figure 107762DEST_PATH_IMAGE037
为服务区j的储能设备在t时段的荷电量；
Figure 954757DEST_PATH_IMAGE038
为服务区j的储能设备在t-1时段的荷电量；
Figure 839537DEST_PATH_IMAGE039
为表示服务区j的储能设备放电状态的二进制变量；
Figure 903307DEST_PATH_IMAGE040
为储能设备的充放电循环寿命；
所述用户排队等待时间目标函数为：
Figure 898945DEST_PATH_IMAGE041
；
其中，
Figure 630141DEST_PATH_IMAGE042
为用户排队等待时间；
Figure 184357DEST_PATH_IMAGE043
为服务区j在t时段的车辆到达率；
Figure 735424DEST_PATH_IMAGE044
为服务区j在t时段的平均等待时间；
所述微电网能源自洽率目标函数为：
Figure 534753DEST_PATH_IMAGE045
；
其中，
Figure 808870DEST_PATH_IMAGE046
为微电网能源自洽率；
Figure 769873DEST_PATH_IMAGE047
为服务区数量；
Figure 808236DEST_PATH_IMAGE048
、
Figure 915650DEST_PATH_IMAGE049
、
Figure 90280DEST_PATH_IMAGE050
、
Figure 487763DEST_PATH_IMAGE051
分别为服务区j在t时段的光伏设备发电功率、风电设备发电功率、充电站消耗功率和常规负荷消耗功率；
所述功率平衡约束为：
Figure 13422DEST_PATH_IMAGE052
；
其中，
Figure 656018DEST_PATH_IMAGE053
、
Figure 950734DEST_PATH_IMAGE054
分别为服务区j的储能设备在t时段的放电功率和充电功率；
所述分布式电源出力约束为：
Figure 519118DEST_PATH_IMAGE056
；
Figure 532074DEST_PATH_IMAGE057
；
Figure 211317DEST_PATH_IMAGE058
；
Figure 124653DEST_PATH_IMAGE059
；
其中，
Figure 598359DEST_PATH_IMAGE060
为型号m的微型燃气轮机的最小功率；
Figure 833031DEST_PATH_IMAGE061
为服务区j的微型燃气轮机的最小出力；
Figure 581545DEST_PATH_IMAGE062
为服务区j的微型燃气轮机的最大出力；
Figure 585273DEST_PATH_IMAGE063
为服务区j的光伏设备在t时段的最大预测出力；
Figure 996925DEST_PATH_IMAGE064
为光伏设备单位功率的出力系数；
Figure 718893DEST_PATH_IMAGE065
为服务区j的风电设备在t时段的最大预测出力；
Figure 5518DEST_PATH_IMAGE066
为风电设备单位功率的出力系数；
所述储能设备出力约束为：
Figure 129332DEST_PATH_IMAGE067
；
Figure 210420DEST_PATH_IMAGE068
；
Figure 935798DEST_PATH_IMAGE069
；
Figure 760535DEST_PATH_IMAGE070
；
Figure 4434DEST_PATH_IMAGE071
；
Figure 256424DEST_PATH_IMAGE072
；
Figure 720028DEST_PATH_IMAGE073
；
Figure 82877DEST_PATH_IMAGE074
；
其中，
Figure 915703DEST_PATH_IMAGE075
为服务区j的储能设备的最大充放电功率；
Figure 338595DEST_PATH_IMAGE076
为储能设备的充放电效率；
Figure 522451DEST_PATH_IMAGE077
为服务区j的储能设备的容量；
Figure 187526DEST_PATH_IMAGE078
、
Figure 140438DEST_PATH_IMAGE079
分别表示服务区j的储能设备在每天开始时的荷电量与结束时的荷电量；
所述电动汽车荷电量约束为：
Figure 999810DEST_PATH_IMAGE080
；
Figure 405383DEST_PATH_IMAGE082
；
Figure 110034DEST_PATH_IMAGE083
；
Figure 418918DEST_PATH_IMAGE084
；
其中，
Figure 183612DEST_PATH_IMAGE085
为电动汽车i在t时段从服务区j出发时的荷电量；
Figure 342060DEST_PATH_IMAGE086
为电动汽车i在t时段的初始荷电量；
Figure 850402DEST_PATH_IMAGE087
为电动汽车i在t时段位于服务区j时的荷电量；
Figure 777907DEST_PATH_IMAGE088
为电动汽车i在t时段位于服务区j-1时的荷电量；
Figure 483476DEST_PATH_IMAGE089
为服务区j距离高速公路起始点的距离；
Figure 598062DEST_PATH_IMAGE090
为t时段电动汽车i进入高速公路的入口距离高速公路起始点的距离；
Figure 910095DEST_PATH_IMAGE091
为电动汽车每千米的耗电量；
Figure 692106DEST_PATH_IMAGE092
表示电动汽车的电池容量；
Figure 64181DEST_PATH_IMAGE093
为表示在t时段的电动汽车i是否去往服务区j-1充电的二进制变量；
Figure 433108DEST_PATH_IMAGE094
为表示服务区j-1是否安装充电站的二进制变量；
Figure 283252DEST_PATH_IMAGE095
为表示在t时段的电动汽车i是否去往服务区j充电的二进制变量；
Figure 919770DEST_PATH_IMAGE096
为t时段电动汽车i进入高速公路的入口距离高速公路终止点的距离；
所述设备建设约束为：
Figure 462747DEST_PATH_IMAGE097
；
Figure 817505DEST_PATH_IMAGE098
；
Figure 704296DEST_PATH_IMAGE099
；
Figure 460900DEST_PATH_IMAGE100
；
Figure 174778DEST_PATH_IMAGE101
；
其中，
Figure 16832DEST_PATH_IMAGE102
为充电站内允许安装的充电桩数量的最大值。
CN202211169038.2A 2022-09-26 2022-09-26 计及能源自洽率的高速公路服务区微电网规划方法及系统 Active CN115239032B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202211169038.2A CN115239032B (zh) 2022-09-26 2022-09-26 计及能源自洽率的高速公路服务区微电网规划方法及系统
GB2300943.4A GB2623600A (en) 2022-09-26 2023-01-23 Method and system for micro-grid planning of expressway service areas considering energy source self-consistency rate

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211169038.2A CN115239032B (zh) 2022-09-26 2022-09-26 计及能源自洽率的高速公路服务区微电网规划方法及系统

Publications (2)

Publication Number Publication Date
CN115239032A CN115239032A (zh) 2022-10-25
CN115239032B true CN115239032B (zh) 2023-02-10

Family

ID=83667493

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211169038.2A Active CN115239032B (zh) 2022-09-26 2022-09-26 计及能源自洽率的高速公路服务区微电网规划方法及系统

Country Status (2)

Country Link
CN (1) CN115239032B (zh)
GB (1) GB2623600A (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117077932B (zh) * 2023-07-25 2024-03-08 武汉理工大学 考虑运输需求和资源禀赋约束的港口自洽能源配置方法
CN117474231A (zh) * 2023-10-12 2024-01-30 山东正晨科技股份有限公司 一种高速公路综合能源系统的多目标优化调度方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106339778A (zh) * 2016-09-30 2017-01-18 安徽工程大学 一种考虑多目标的光蓄微电网运行优化方法
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
CN111310966A (zh) * 2019-11-21 2020-06-19 国网四川省电力公司经济技术研究院 含电动汽车充电站的微电网选址及优化配置方法
US11878602B2 (en) * 2019-11-22 2024-01-23 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
CN114091917A (zh) * 2021-10-14 2022-02-25 国网(苏州)城市能源研究院有限责任公司 冷热电联供型微电网动态环保经济调度方法及系统
CN114204573B (zh) * 2021-12-08 2023-06-27 上海交通大学宁波人工智能研究院 一种自洽能源系统控制装置及方法

Also Published As

Publication number Publication date
CN115239032A (zh) 2022-10-25
GB202300943D0 (en) 2023-03-08
GB2623600A (en) 2024-04-24

Similar Documents

Publication Publication Date Title
CN111178619B (zh) 一种考虑分布式电源和充电站联合规划的多目标优化方法
CN115239032B (zh) 计及能源自洽率的高速公路服务区微电网规划方法及系统
Zheng et al. A novel real-time scheduling strategy with near-linear complexity for integrating large-scale electric vehicles into smart grid
CN110533225B (zh) 一种基于机会约束规划的商业园区综合能源系统优化调度方法
Jian et al. Optimal scheduling for vehicle-to-grid operation with stochastic connection of plug-in electric vehicles to smart grid
CN103793758B (zh) 含光伏发电系统的电动汽车充电站的多目标优化调度方法
CN103241130B (zh) 一种电动公交车充换电站的能量管理方法及系统
CN109754112B (zh) 一种考虑配电网削峰填谷的光储充电塔随机优化调度方法
CN105322559A (zh) 一种基于v2g技术的电动汽车配电调度控制方法
CN109492791B (zh) 基于充电引导的城际高速路网光储充电站定容规划方法
CN108596667B (zh) 一种基于车联网的电动汽车实时充电电价计算方法
CN109948823B (zh) 一种光储充电塔自适应鲁棒日前优化调度方法
CN111626527B (zh) 计及可调度电动汽车快/慢充放电形式的智能电网深度学习调度方法
CN103903090B (zh) 基于用户意愿和出行规律的电动汽车充电负荷分配方法
CN104966127A (zh) 一种基于需求响应的电动汽车经济调度方法
CN110189025B (zh) 考虑不同负荷增长的电动汽车充电站规划方案获取方法
CN106339778A (zh) 一种考虑多目标的光蓄微电网运行优化方法
CN107919675B (zh) 综合考虑车主和运营商利益的充电站负荷调度模型
CN112183882B (zh) 一种基于电动汽车快充需求的智慧充电站充电优化方法
Khezri et al. Impact of optimal sizing of wind turbine and battery energy storage for a grid-connected household with/without an electric vehicle
CN111845453A (zh) 考虑柔性控制的电动汽车充电站双层优化充放电策略
CN113326467A (zh) 基于多重不确定性的多站融合综合能源系统多目标优化方法、存储介质及优化系统
CN114583729A (zh) 考虑全生命周期碳排放的光-储电动汽车充电站调度方法
CN111639866A (zh) 基于遗传算法的储能充电站的储能容量的配置方法
CN112865149B (zh) 一种基于代理商与区域分时电价的车网多时空互动方法

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
GR01 Patent grant