CN115471044A - 含光储的配电台区电动汽车调度方法、系统及存储介质 - Google Patents

含光储的配电台区电动汽车调度方法、系统及存储介质 Download PDF

Info

Publication number
CN115471044A
CN115471044A CN202210966277.4A CN202210966277A CN115471044A CN 115471044 A CN115471044 A CN 115471044A CN 202210966277 A CN202210966277 A CN 202210966277A CN 115471044 A CN115471044 A CN 115471044A
Authority
CN
China
Prior art keywords
power
electric
storage
power generation
cost
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
CN202210966277.4A
Other languages
English (en)
Inventor
李帅虎
张志丹
徐勇
童星
赵翔
陈远扬
王炜宇
施星宇
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.)
Changsha University of Science and Technology
Original Assignee
Changsha University of Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Changsha University of Science and Technology filed Critical Changsha University of Science and Technology
Priority to CN202210966277.4A priority Critical patent/CN115471044A/zh
Publication of CN115471044A publication Critical patent/CN115471044A/zh
Pending legal-status Critical Current

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
    • G06Q10/06—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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/04—Power grid distribution networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E70/00—Other energy conversion or management systems reducing GHG emissions
    • Y02E70/30—Systems combining energy storage with energy generation of non-fossil origin

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Marketing (AREA)
  • Software Systems (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Primary Health Care (AREA)
  • Medical Informatics (AREA)
  • Operations Research (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本发明提供一种含光储的配电台区电动汽车调度方法、系统及存储介质，其中调度方法：首先根据光伏发电的历史数据进行聚类分析，生成光伏出力场景，确定一天内光伏发电功率；其次分别建立电储能模型和电动汽车电池损耗数学模型；在充分考虑电网损耗和运行成本最小的条件下，以负荷峰谷差和购售电成本最小为目标函数，建立含光储发电系统的电动汽车协调调度模型；然后确定含光储发电系统的电动汽车协调调度模型的决策变量及约束条件；再然后采用多目标粒子群算法对含光储发电系统的电动汽车协调调度模型进行优化求解；本发明充分利用光储发电系统和传统电网的优势，增大可再生能源消纳，减少了煤炭的使用以及减少电动汽车电池损耗成本。

Description

含光储的配电台区电动汽车调度方法、系统及存储介质
技术领域
本发明涉及新能源技术技术领域，尤其涉及一种含光储的配电台区电动汽车调度方法、系统及存储介质。
背景技术
随着温室效应和化石能源枯竭的加重，发展清洁能源已成为社会各界的共识。利用可再生能源发电的分布式能源具有低污染、高效率等优势，近年来得到快速发展。同时，随着中国不同电价政策的逐步实施、储能技术的日益成熟及分布式发电技术所占比例的大幅度提高，研究不同电价政策下，含有储能系统的电网的经济调度及机组组合出力逐渐成为研究热点。
目前，关于对可再生能源和电动汽车的电网调度问题做了大量的研究工作，但是在可再生能源出力的不确定性及储能在经济调度中所发挥的作用等方面的研究较少。
因此，亟需一种含光储的配电台区电动汽车调度方法，利用光储发电系统和传统电网的各自优势，增大可再生能源消纳，减少了煤炭的使用以及减少电动汽车电池损耗成本。
发明内容
本发明的主要目的是提供一种含光储的配电台区电动汽车调度方法、系统及存储介质，利用光储发电系统和传统电网的各自优势，增大可再生能源消纳，减少了煤炭的使用以及减少电动汽车电池损耗成本。
为实现上述目的，本发明提供一种含光储的配电台区电动汽车调度方法，其步骤包括：
S1：采用多元线性回归算法对光伏发电的历史数据进行聚类分析，生成光伏出力场景，确定一天内光伏发电功率；
S2：分别建立电储能模型和电动汽车电池损耗数学模型；
S3：在充分考虑电网损耗和运行成本最小的条件下，以负荷峰谷差和购售电成本最小为目标函数，建立含光储发电系统的电动汽车协调调度模型；
S4：确定含光储发电系统的电动汽车协调调度模型的决策变量及约束条件；
S5：采用多目标粒子群算法(MOPSO)对含光储发电系统的电动汽车协调调度模型进行优化求解。
作为上述方案进一步的优化，所述步骤S1中确定一天内光伏发电功率的步骤包括：
S11：采用蒙特卡洛模拟随机生成光伏出力抽样场景S；
S12：计算光伏出力抽样场景S中每对场景s和s'之间的几何距离；
S13：选定与剩余场景概率距离之和最小的场景d；
S14：以光伏出力抽样场景S中与场景d几何距离最近的场景r替代场景d，将d的概率加到场景r的概率上，消除d，形成新的S'；
S15：判断剩余场景数目是否满足要求；若不满足，重复步骤S11至步骤S13；若满足，结束场景削减。
作为上述方案进一步的优化，所述步骤S2包括：
S21:建立电储能模型；
电储能容量为：
EES(t)＝(1-τ)EES(t-1)+[PES-ch(t)ηch-PES-dis(t)/ηdis]Δt (1)
其中，EES(t)为t时段电储能容量；τ为电储能自身放电率；PES-ch(t)为t时段储能的充电功率；PES-dis(t)为t时段储能的放电功率；ηch为t时段储能的充电效率；ηdis为t时段储能的放电效率；
S22:建立电动动汽车EV电池损耗模型；
电动动汽车EV电池损耗公式为：
Figure BDA0003795122360000031
其中，nv为EV数量；
Figure BDA0003795122360000032
为第v辆EV的电池购买成本；
Figure BDA0003795122360000033
为第v辆EV电池生命周期内的充放电循环次数；
Figure BDA0003795122360000034
为第v辆EV电池容量；
Figure BDA0003795122360000035
为EV可用电池放电深度；
Figure BDA0003795122360000036
为t时段第v辆EV放电功率；
Figure BDA0003795122360000037
为第v辆EV放电效率；
Figure BDA0003795122360000038
为t时段第v辆EV行驶距离；Ev为EV单位行驶距离所需消耗的功率。
作为上述方案进一步的优化，所述步骤S3包括：
根据步骤S2中建立的电储能和电动汽车电池损耗数学模型，构建以购售电成本、EV电池损耗成本和需求响应成本最小为目标函数的电动汽车协调调度模型；
目标函数为：
Figure BDA0003795122360000039
其中，
Figure BDA00037951223600000310
为t时段购售电成本；
Figure BDA00037951223600000311
为t时段需求响应成本；
Figure BDA00037951223600000312
为t时段EV电池损耗成本；
Figure BDA00037951223600000313
为t时段可转移负荷成本。
作为上述方案进一步的优化，所述步骤S4包括：
S41：根据目标函数设定的光储发电系统的电动汽车协调调度模型确定决策变量为：光伏发电功率PPV；购售电量
Figure BDA0003795122360000041
中断负荷量
Figure BDA0003795122360000042
EV电池放电功率
Figure BDA0003795122360000043
电储能系统充放电功率PES-ch、PES-dis；
S42：根据目标函数设定的光储发电系统的电动汽车协调调度模型确定约束条件，包括电动汽车蓄电池容量约束、电储能系统充放电功率约束、购售电量约束、系统功率平衡约束。
作为上述方案进一步的优化，具体的，所述约束条件需满足式(4)～式(10)：
Figure BDA0003795122360000044
Figure BDA0003795122360000045
Figure BDA0003795122360000046
Figure BDA0003795122360000047
Figure BDA0003795122360000048
Figure BDA0003795122360000049
Figure BDA00037951223600000410
其中，
Figure BDA00037951223600000411
为第v辆EV蓄电量上限；
Figure BDA00037951223600000412
为第v辆EV蓄电量；
Figure BDA00037951223600000413
Figure BDA00037951223600000414
为第v辆EV蓄电量下限；
Figure BDA00037951223600000415
为t时刻储能系统充电功率；
Figure BDA00037951223600000416
为t时刻储能系统最大充电功率；
Figure BDA00037951223600000417
为t时刻储能系统放电功率；
Figure BDA00037951223600000418
Figure BDA00037951223600000419
为t时刻储能系统最大放电功率；
Figure BDA00037951223600000420
分别表示t时段电储能是否充放电，是则置1，否则置0；
Figure BDA00037951223600000421
为t时刻购售电功率；
Figure BDA00037951223600000422
Figure BDA00037951223600000423
为t时刻购售电的最大功率；
Figure BDA00037951223600000424
为t时刻是否购售电，是则置1，否则置0；
Figure BDA00037951223600000425
为t时段中断负荷量；
Figure BDA00037951223600000426
为t时段电力负荷；
Figure BDA00037951223600000427
为第m级中断负荷系数；
Figure BDA00037951223600000428
为时段转移后转移负荷量；
Figure BDA00037951223600000429
为t时段转移负荷量上限。
作为上述方案进一步的优化，所述步骤S5包括：
S51：数据初始化，输入光伏发电功率、电储能模型、电动汽车电池损耗数学模型和其对应的各参数，以及MOPSO算法参数；同时，初始化粒子种群，种群中每一个粒子个体都对应着一个调度周期内的调度方案；
S52：将粒子个体作为系统变量输入到仿真模型，对违背所述约束条件的决策变量进行修正，并计算系统的购售电成本、EV电池损耗成本和需求响应成本并作为个体适应度值；
S53：将所述个体适应度作为优化模型的输入，通过式(11)得到子代种群各个粒子的速度和位置；
Figure BDA0003795122360000051
其中，Vi+1为新一代粒子速度，Vi为当前代粒子速度，ω为惯性权重，c1、c2为学习效率，Xi+1为粒子新的位置，Xi为粒子当前位置，rand是介于0-1之间的随机数，pbesti为每个粒子当前的最好位置；
S54：确定个体极值pbest：将pbest作为粒子的初始个体极值，如果当前的粒子支配pbest，则将当前的粒子作为pbest个体极值；如果两者不能比较，则计算两者在群体中支配其他粒子的个数，支配较多的粒子则作为个体极值pbest；
S55：对种群进行分层排序，将最优的非支配解Pareto存入外部存档集合，清除非Pareto解，并判断外部存档集合是否超过规定容量m；
S56：返回步骤S53，直至找到最优解集Pareto并将其输出。
作为上述方案进一步的优化，在步骤S55中，若超过规定容量m，则按照拥挤距离选取m个粒子并运用轮盘赌法选择gbest；若未超过规定容量m，则直接运用轮盘赌法选择gbest。
此外，为实现上述目的，本发明还提供一种含光储的配电台区电动汽车调度系统，包括能量管理系统、均与所述能量管理系统连接的光伏发电系统和电储能单元，以及与所述能量管理系统连接的各个电动汽车；所述能量管理系统包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的配电台区电动汽车调度程序，所述配电台区电动汽车调度被所述处理器执行时实现如上述所述的一种含光储的配电台区电动汽车调度方法的步骤。
此外，为实现上述目的，本发明还提供一种存储介质，所述存储介质上存储有配电台区电动汽车调度方法程序，所述配电台区电动汽车调度程序被处理器执行时实现如上述任一项所述的一种含光储的配电台区电动汽车调度方法的步骤。
由于本发明采用了以上技术方案，使本申请具备的有益效果在于：
本发明提供的含光储的配电台区电动汽车调度方法、系统及存储介质，首先根据光伏发电的历史数据进行聚类分析，生成光伏出力场景，确定一天内光伏发电功率；其次分别建立电储能模型和电动汽车电池损耗数学模型；在充分考虑电网损耗和运行成本最小的条件下，以负荷峰谷差和购售电成本最小为目标函数，建立含光储发电系统的电动汽车协调调度模型；然后确定含光储发电系统的电动汽车协调调度模型的决策变量及约束条件；再然后采用多目标粒子群算法对含光储发电系统的电动汽车协调调度模型进行优化求解，从而得到关于光储发电系统和传统电网用电情况的最优解集；充分利用光储发电系统和传统电网各自优势，增大可再生能源消纳，减少了煤炭的使用以及减少电动汽车电池损耗成本；具体的，通过光储发电系统向用户侧供电，降低传统电网的出力，减少了煤炭的使用促进了可再生能源的消纳；用户侧也可以在电价较低的时候对电动汽车进行充电，可以实现削峰填谷的作用，具有良好的应用潜力。
附图说明
为了更清楚地说明本发明实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述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方式，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示出的结构获得其他的附图。
图1是本发明实施例的含光储的配电台区电动汽车调度方法流程示意图；
图2是本发明实施例的含光储的配电台区电动汽车调度系统简易结构拓扑图；
图3是本发明实施例的含光储的配电台区电动汽车调度方法具体实施流程图；
图4是本发明实施例的可转移负荷响应结果图；
图5是本发明实施例的分时电价下储能优化结果图；
图6是比亚迪E6调度结果图；
图7是尼桑LEAF调度结果图。
本发明目的的实现、功能特点及优点将结合实施方式，参照附图做进一步说明。
具体实施方式
下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅仅是本发明的一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
需要说明，本发明实施方式中所有方向性指示(诸如上、下……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。
另外，在本发明中如涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。
并且，本发明各个实施方式之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
实施例1：
参照图1，本发明提供一种含光储的配电台区电动汽车调度方法，其步骤包括：
S1：采用多元线性回归算法对光伏发电的历史数据进行聚类分析，生成光伏出力场景，确定一天内光伏发电功率；
S2：分别建立电储能模型和电动汽车电池损耗数学模型；
S3：在充分考虑电网损耗和运行成本最小的条件下，以负荷峰谷差和购售电成本最小为目标函数，建立含光储发电系统的电动汽车协调调度模型；
S4：确定含光储发电系统的电动汽车协调调度模型的决策变量及约束条件；
S5：采用多目标粒子群算法(MOPSO)对含光储发电系统的电动汽车协调调度模型进行优化求解。如此的设置，能够得到关于光储发电系统和传统电网用电情况匹配的最优解集；充分利用光储发电系统和传统电网各自优势，增大可再生能源消纳，减少了煤炭的使用以及减少电动汽车电池损耗成本；具体的，通过光储发电系统向用户侧供电，降低传统电网的出力，减少了煤炭的使用促进了可再生能源的消纳；用户侧也可以在电价较低的时候对电动汽车进行充电，可以实现削峰填谷的作用，具有良好的应用潜力。
作为优选的实施例，所述步骤S1中确定一天内光伏发电功率的步骤包括：
S11：采用蒙特卡洛模拟随机生成光伏出力抽样场景S；
S12：计算光伏出力抽样场景S中每对场景s和s'之间的几何距离；
S13：选定与剩余场景概率距离之和最小的场景d；
S14：以光伏出力抽样场景S中与场景d几何距离最近的场景r替代场景d，将场景d的概率加到场景r的概率上，消除场景d，形成新的S'；
S15：判断剩余场景数目是否满足要求；若不满足，重复步骤S11至步骤S13；若满足，结束场景削减；在本实施例中，当剩余场景数目等于5的时候则结束场景削减。
作为优选的实施例，所述步骤S2包括：
S21:建立电储能模型；
电储能容量为：
EES(t)＝(1-τ)EES(t-1)+[PES-ch(t)ηch-PES-dis(t)/ηdis]Δt (1)
其中，EES(t)为t时段电储能容量；τ为电储能自身放电率；PES-ch(t)为t时段储能的充电功率；PES-dis(t)为t时段储能的放电功率；ηch为t时段储能的充电效率；ηdis为t时段储能的放电效率；
S22:建立电动动汽车EV电池损耗模型；
电动动汽车EV电池损耗公式为：
Figure BDA0003795122360000091
其中，nv为EV数量；
Figure BDA0003795122360000092
为第v辆EV的电池购买成本；
Figure BDA0003795122360000093
为第v辆EV电池生命周期内的充放电循环次数；
Figure BDA0003795122360000101
为第v辆EV电池容量；
Figure BDA0003795122360000102
为EV可用电池放电深度；
Figure BDA0003795122360000103
为t时段第v辆EV放电功率；
Figure BDA0003795122360000104
为第v辆EV放电效率；
Figure BDA0003795122360000105
为t时段第v辆EV行驶距离；Ev为EV单位行驶距离所需消耗的功率。
作为优选的实施例，所述步骤S3包括：
根据步骤S2中建立的电储能和电动汽车电池损耗数学模型，构建以购售电成本、EV电池损耗成本和需求响应成本最小为目标函数的电动汽车协调调度模型；
目标函数为：
Figure BDA0003795122360000106
其中，
Figure BDA0003795122360000107
为t时段购售电成本；
Figure BDA0003795122360000108
为t时段需求响应成本；
Figure BDA0003795122360000109
为t时段EV电池损耗成本；
Figure BDA00037951223600001010
为t时段可转移负荷成本。
作为优选的实施例，所述步骤S4包括：
S41：根据目标函数设定的光储发电系统的电动汽车协调调度模型确定决策变量为：光伏发电功率PPV；购售电量
Figure BDA00037951223600001011
中断负荷量
Figure BDA00037951223600001012
EV电池放电功率
Figure BDA00037951223600001013
电储能系统充放电功率PES-ch、PES-dis；
S42：根据目标函数设定的光储发电系统的电动汽车协调调度模型确定约束条件，包括电动汽车蓄电池容量约束、电储能系统充放电功率约束、购售电量约束、系统功率平衡约束。
作为优选的实施例，具体的，所述约束条件需满足式(4)～式(10)：
Figure BDA00037951223600001014
Figure BDA00037951223600001015
Figure BDA0003795122360000111
Figure BDA0003795122360000112
Figure BDA0003795122360000113
Figure BDA0003795122360000114
Figure BDA0003795122360000115
其中，
Figure BDA0003795122360000116
为第v辆EV蓄电量上限；
Figure BDA0003795122360000117
为第v辆EV蓄电量；
Figure BDA0003795122360000118
Figure BDA0003795122360000119
为第v辆EV蓄电量下限；
Figure BDA00037951223600001110
为t时刻储能系统充电功率；
Figure BDA00037951223600001111
为t时刻储能系统最大充电功率；
Figure BDA00037951223600001112
为t时刻储能系统放电功率；
Figure BDA00037951223600001113
Figure BDA00037951223600001114
为t时刻储能系统最大放电功率；
Figure BDA00037951223600001115
分别表示t时段电储能是否充放电，是则置1，否则置0；
Figure BDA00037951223600001116
为t时刻购售电功率；
Figure BDA00037951223600001117
Figure BDA00037951223600001118
为t时刻购售电的最大功率；
Figure BDA00037951223600001119
为t时刻是否购售电，是则置1，否则置0；
Figure BDA00037951223600001120
为t时段中断负荷量；
Figure BDA00037951223600001121
为t时段电力负荷；
Figure BDA00037951223600001122
为第m级中断负荷系数；
Figure BDA00037951223600001123
为时段转移后转移负荷量；
Figure BDA00037951223600001124
为t时段转移负荷量上限。
作为优选的实施例，参照附图3，所述步骤S5包括：
S51：数据初始化，输入光伏发电功率、电储能模型、电动汽车电池损耗数学模型和其对应的各参数，以及MOPSO算法参数；同时，初始化粒子种群，设定粒子群规模为20，最大迭代次数为200，种群中每一个粒子个体都对应着一个调度周期内的调度方案；
S52：将粒子个体作为系统变量输入到仿真模型，对违背所述约束条件的决策变量进行修正，并计算系统的购售电成本、EV电池损耗成本和需求响应成本并作为个体适应度值；
S53：将所述个体适应度作为优化模型的输入，通过式(11)得到子代种群各个粒子的速度和位置；在本实施例中，设定c1和c2均为1.2；选取初始惯性权重ωmax为0.9，迭代至最大代数时惯性权重ωmin为0.4；
Figure BDA0003795122360000121
其中，Vi+1为新一代粒子速度，Vi为当前代粒子速度，ω为惯性权重，c1、c2为学习效率，Xi+1为粒子新的位置，Xi为粒子当前位置，rand是介于0-1之间的随机数，pbesti为每个粒子当前的最好位置；
S54：确定个体极值pbest：将pbest作为粒子的初始个体极值，如果当前的粒子支配pbest，则将当前的粒子作为pbest个体极值；如果两者不能比较，则计算两者在群体中支配其他粒子的个数，支配较多的粒子则作为个体极值pbest；
S55：对种群进行分层排序，将最优的非支配解Pareto存入外部存档集合，清除非Pareto解，并判断外部存档集合是否超过规定容量m；若超过规定容量m，则按照拥挤距离选取m个粒子并运用轮盘赌法选择gbest；若未超过规定容量m，则直接运用轮盘赌法选择gbest；其中gbest是整个群体中所有粒子发现的最好位置；
S56：返回步骤S53，直至找到最优支配解Pareto并将其输出。
为了更好的说明本发明提供的配电台区电动汽车调度方法的实施步骤，参照图1和图3；首先通过光伏出力场景，生成的如图4所述的一天内光伏发电功率，两条曲线分别表示一天内光伏转移前的负荷和一天内光伏转移后的负荷；其次输入基本参数：如储能装置最大充放电功率为1kW、充电效率为95％、容量为4kW·h的蓄电池组；电动汽车选取比亚迪E6和尼桑LEAF各1000辆，其中电池容量分别为57和24kW/h，电池成本为22800和9600元，始末蓄电量分别为36.42/10.75和4.68/5.86kW/h；可中断负荷不超过总负荷的20％；MOPSO的相关参数取值：初始化20个粒子位置、速度、pbest和gbest，初始迭代次数为inter＝0，最大迭代次数为200，c1和c2均为1.2；选取是初始惯性权重ωmax为0.9，迭代至最大代数时惯性权重ωmin为0.4；计算初始化20个种群的适应度值，即购售电成本、EV电池损耗成本和需求响应成本；然后更新粒子的速度、位置、设置动态惯性权重，更新种群个体极值pbest；找出新粒子的pareto最优解，将其合并存入外部存档集合，找出外部存档集合中的pareto最优解，清楚非pareto最优解；然后判断外部集合最优解数量是否超过规定容量m，若超过规定容量m，则按照拥挤距离选取m个粒子并运用轮盘赌法选择gbest；若未超过规定容量m，则直接运用轮盘赌法选择gbest；其中gbest是整个群体中所有粒子发现的最好位置；依次迭代，直至找到最优支配解Pareto并将其输出；
在充分考虑电网损耗和运行成本最小的条件下，以负荷峰谷差和购售电成本最小为目标函数，得到如图5所示的分时电价下储能优化结构图，通过图5所示的分时电价下储能优化结构图可知，本发明提供的调度方法能起到削峰填谷的作用，具体的，电储能系统在0:00～8:00和14:00～16:00时刻进行充电操作；电储能系统在9:00～12:00、13:00～15:00和18:00～20:00时刻进行放电操作，减小了原始负荷曲线峰段负荷；进一步地，对两种类型的电动汽车分别通过本发明的调度方法得到的如图6和图7所示的调度结果图，可以看出电动汽车电池EV充电时间大多集中在6:00～8:00、13:00～15:00时段，放电时间集中在9:00～13:00、18:00～20:00时段；但两种电动汽车优化结果存在一些差异，如选取的尼桑LEAF，当电动汽车电池EV初始电量低时，为了满足自身行驶需求，其在6:00～8:00时段以最大充电功率充电，直到达到蓄电量上限；而比亚迪E6初始电量高仅需少量充电时间即可达到蓄电量上限；并且，当电动汽车电池EV末电量低时，除行驶消耗和所需末电量外，其他电量在11:00～13:00高时段放出；综上所述，在电价高的时候从电网购电，电价低的时候售电，则电动汽车在峰时段可以利用电储能系统对其进行充电，在减少峰谷差的同时也降低了电动汽车的购电成本。
实施例2：
参照图2，本发明还提供一种含光储的配电台区电动汽车调度系统，包括能量管理系统、均与所述能量管理系统连接的光伏发电系统和电储能单元，以及与所述能量管理系统连接的各个电动汽车；所述能量管理系统包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的配电台区电动汽车调度程序，所述配电台区电动汽车调度被所述处理器执行时实现如上述所述的一种含光储的配电台区电动汽车调度方法的步骤。
实施例3：
本发明还提供一种存储介质，所述存储介质上存储有配电台区电动汽车调度方法程序，所述配电台区电动汽车调度程序被处理器执行时实现如上述任一项所述的一种含光储的配电台区电动汽车调度方法的步骤。
上述存储介质可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatilememory)，例如至少一个磁盘存储器。可以理解的是，存储介质可以为随机存储器(Random Access Memory，RAM)、磁碟、硬盘、固态硬盘(solid state disk，SSD)或者非易失性存储器等各种可以存储程序代码的机器可读介质。
本领域内的技术人员应明白，本发明实施例可提供为方法或存储介质。因此，本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是在本发明的发明构思下，利用本发明说明书及附图内容所作的等效结构变换，或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围。

Claims (10)

1.一种含光储的配电台区电动汽车调度方法，其特征在于，步骤包括：
S1：采用多元线性回归算法对光伏发电的历史数据进行聚类分析，生成光伏出力场景，确定一天内光伏发电功率；
S2：分别建立电储能模型和电动汽车电池损耗数学模型；
S3：在充分考虑电网损耗和运行成本最小的条件下，以负荷峰谷差和购售电成本最小为目标函数，建立含光储发电系统的电动汽车协调调度模型；
S4：确定含光储发电系统的电动汽车协调调度模型的决策变量及约束条件；
S5：采用多目标粒子群算法对含光储发电系统的电动汽车协调调度模型进行优化求解。
2.根据权利要求1所述的一种含光储的配电台区电动汽车调度方法，其特征在于，所述步骤S1中确定一天内光伏发电功率的步骤包括：
S11：采用蒙特卡洛模拟随机生成光伏出力抽样场景S；
S12：计算光伏出力抽样场景S中每对场景s和s'之间的几何距离；
S13：选定与剩余场景概率距离之和最小的场景d；
S14：以光伏出力抽样场景S中与场景d几何距离最近的场景r替代场景d，将d的概率加到场景r的概率上，消除d，形成新的S'；
S15：判断剩余场景数目是否满足要求；若不满足，重复步骤S11至步骤S13；若满足，结束场景削减。
3.根据权利要求1或2所述的一种含光储的配电台区电动汽车调度方法，其特征在于，所述步骤S2包括：
S21:建立电储能模型；
电储能容量为：
EES(t)＝(1-τ)EES(t-1)+[PES-ch(t)ηch-PES-dis(t)/ηdis]Δt (1)
其中，EES(t)为t时段电储能容量；τ为电储能自身放电率；PES-ch(t)为t时段储能的充电功率；PES-dis(t)为t时段储能的放电功率；ηch为t时段储能的充电效率；ηdis为t时段储能的放电效率；
S22:建立电动动汽车EV电池损耗模型；
电动动汽车EV电池损耗公式为：
Figure FDA0003795122350000021
其中，nv为EV数量；
Figure FDA0003795122350000022
为第v辆EV的电池购买成本；
Figure FDA0003795122350000023
为第v辆EV电池生命周期内的充放电循环次数；
Figure FDA0003795122350000024
为第v辆EV电池容量；
Figure FDA0003795122350000025
为EV可用电池放电深度；
Figure FDA0003795122350000026
为t时段第v辆EV放电功率；
Figure FDA0003795122350000027
为第v辆EV放电效率；
Figure FDA0003795122350000028
为t时段第v辆EV行驶距离；Ev为EV单位行驶距离所需消耗的功率。
4.根据权利要求3所述的一种含光储的配电台区电动汽车调度方法，其特征在于，所述步骤S3包括：
根据步骤S2中建立的电储能和电动汽车电池损耗数学模型，构建以购售电成本、EV电池损耗成本和需求响应成本最小为目标函数的电动汽车协调调度模型；
目标函数为：
Figure FDA0003795122350000029
其中，
Figure FDA00037951223500000210
为t时段购售电成本；
Figure FDA00037951223500000211
为t时段需求响应成本；
Figure FDA00037951223500000212
为t时段EV电池损耗成本；
Figure FDA00037951223500000213
为t时段可转移负荷成本。
5.根据权利要求4所述的一种含光储的配电台区电动汽车调度方法，其特征在于，所述步骤S4包括：
S41：根据目标函数设定的光储发电系统的电动汽车协调调度模型确定决策变量分别为：光伏发电功率PPV；购售电量
Figure FDA00037951223500000214
中断负荷量
Figure FDA00037951223500000215
EV电池放电功率
Figure FDA0003795122350000031
电储能系统充放电功率PES-ch、PES-dis；
S42：根据目标函数设定的光储发电系统的电动汽车协调调度模型确定约束条件，包括电动汽车蓄电池容量约束、电储能系统充放电功率约束、购售电量约束、系统功率平衡约束。
6.根据权利要求5所述的一种含光储的配电台区电动汽车调度方法，其特征在于，所述约束条件需满足式(4)～式(10)：
Figure FDA0003795122350000032
Figure FDA0003795122350000033
Figure FDA0003795122350000034
Figure FDA0003795122350000035
Figure FDA0003795122350000036
Figure FDA0003795122350000037
Figure FDA0003795122350000038
其中，
Figure FDA0003795122350000039
为第v辆EV蓄电量上限；
Figure FDA00037951223500000310
为第v辆EV蓄电量；
Figure FDA00037951223500000311
为第v辆EV蓄电量下限；
Figure FDA00037951223500000312
为t时刻储能系统充电功率；
Figure FDA00037951223500000313
为t时刻储能系统最大充电功率；
Figure FDA00037951223500000314
为t时刻储能系统放电功率；
Figure FDA00037951223500000315
为t时刻储能系统最大放电功率；
Figure FDA00037951223500000316
分别表示t时段电储能是否充放电，是则置1，否则置0；
Figure FDA00037951223500000317
Figure FDA00037951223500000318
为t时刻购售电功率；
Figure FDA00037951223500000319
为t时刻购售电的最大功率；
Figure FDA00037951223500000320
为t时刻是否购售电，是则置1，否则置0；
Figure FDA00037951223500000321
为t时段中断负荷量；
Figure FDA00037951223500000322
为t时段电力负荷；
Figure FDA00037951223500000323
为第m级中断负荷系数；
Figure FDA00037951223500000324
为时段转移后转移负荷量；
Figure FDA00037951223500000325
为t时段转移负荷量上限。
7.根据权利要求6所述的一种含光储的配电台区电动汽车调度方法，其特征在于，所述步骤S5包括：
S51：数据初始化，输入光伏发电功率、电储能模型、电动汽车电池损耗数学模型和其对应的各参数，以及MOPSO算法参数；同时，初始化粒子种群，种群中每一个粒子个体都对应着一个调度周期内的调度方案；
S52：将粒子个体作为系统变量输入到仿真模型，对违背所述约束条件的决策变量进行修正，并计算系统的购售电成本、EV电池损耗成本和需求响应成本并作为个体适应度值；
S53：将所述个体适应度作为优化模型的输入，通过式(11)得到子代种群各个粒子的速度和位置；
Figure FDA0003795122350000041
其中，Vi+1为新一代粒子速度，Vi为当前代粒子速度，ω为惯性权重，c1、c2为学习效率，Xi+1为粒子新的位置，Xi为粒子当前位置，rand是介于0-1之间的随机数，pbesti为每个粒子当前的最好位置；
S54：确定个体极值pbest：将pbest作为粒子的初始个体极值，如果当前的粒子支配pbest，则将当前的粒子作为pbest个体极值；如果两者不能比较，则计算两者在群体中支配其他粒子的个数，支配较多的粒子则作为个体极值pbest；
S55：对种群进行分层排序，将最优的非支配解Pareto存入外部存档集合，并清除非Pareto解，并判断外部存档集合是否超过规定容量m；
S56：返回步骤S53，直至找到最优解集Pareto并将其输出。
8.根据权利要求7所述的一种含光储的配电台区电动汽车调度方法，其特征在于，在步骤S55中，若超过规定容量m，则按照拥挤距离选取m个粒子并运用轮盘赌法选择gbest；若未超过规定容量m，则直接运用轮盘赌法选择gbest。
9.一种含光储的配电台区电动汽车调度系统，其特征在于，包括能量管理系统、均与所述能量管理系统连接的光伏发电系统和电储能单元，以及与所述能量管理系统连接的各个电动汽车；所述能量管理系统包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的配电台区电动汽车调度程序，所述配电台区电动汽车调度程序被所述处理器执行时实现如权利要求1-8任意一项所述的一种含光储的配电台区电动汽车调度方法的步骤。
10.一种存储介质，其特征在于，所述存储介质上存储有含光储的配电台区电动汽车调度方法程序，所述含光储的配电台区电动汽车调度程序被处理器执行时实现如权利要求1-8任意一项所述的一种含光储的配电台区电动汽车调度方法的步骤。
CN202210966277.4A 2022-08-12 2022-08-12 含光储的配电台区电动汽车调度方法、系统及存储介质 Pending CN115471044A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210966277.4A CN115471044A (zh) 2022-08-12 2022-08-12 含光储的配电台区电动汽车调度方法、系统及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210966277.4A CN115471044A (zh) 2022-08-12 2022-08-12 含光储的配电台区电动汽车调度方法、系统及存储介质

Publications (1)

Publication Number Publication Date
CN115471044A true CN115471044A (zh) 2022-12-13

Family

ID=84366520

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210966277.4A Pending CN115471044A (zh) 2022-08-12 2022-08-12 含光储的配电台区电动汽车调度方法、系统及存储介质

Country Status (1)

Country Link
CN (1) CN115471044A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117526453A (zh) * 2024-01-04 2024-02-06 国网浙江省电力有限公司 一种基于电动汽车集群的配电网光伏消纳调度方法
CN117811051A (zh) * 2024-02-27 2024-04-02 华东交通大学 一种基于需求侧响应的微电网弹性控制方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117526453A (zh) * 2024-01-04 2024-02-06 国网浙江省电力有限公司 一种基于电动汽车集群的配电网光伏消纳调度方法
CN117526453B (zh) * 2024-01-04 2024-03-22 国网浙江省电力有限公司 一种基于电动汽车集群的配电网光伏消纳调度方法
CN117811051A (zh) * 2024-02-27 2024-04-02 华东交通大学 一种基于需求侧响应的微电网弹性控制方法
CN117811051B (zh) * 2024-02-27 2024-05-07 华东交通大学 一种基于需求侧响应的微电网弹性控制方法

Similar Documents

Publication Publication Date Title
CN109816171B (zh) 一种电动汽车区域微网群双层分布式优化调度方法
CN106651002B (zh) 一种基于正弦余弦算法的大规模电动汽车充放电多目标优化方法
CN111509781B (zh) 一种分布式电源协调优化控制方法及系统
CN115471044A (zh) 含光储的配电台区电动汽车调度方法、系统及存储介质
Li et al. An optimal design and analysis of a hybrid power charging station for electric vehicles considering uncertainties
CN112131733B (zh) 计及电动汽车充电负荷影响的分布式电源规划方法
CN106339778A (zh) 一种考虑多目标的光蓄微电网运行优化方法
CN103795079A (zh) 离网并网混合光伏发电控制系统及其经济性运行优化方法
CN104600729A (zh) 基于v2g技术的电动汽车参与经济调度优化控制方法
CN104915725B (zh) 计及实时电价的微网用户群电能优化互济交易方法
CN109472394A (zh) 一种储能成本和收益的经济优化方法及系统
CN113326467B (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
CN112550047B (zh) 一种充光储一体化充电站优化配置方法和装置
Khezri et al. Impact of optimal sizing of wind turbine and battery energy storage for a grid-connected household with/without an electric vehicle
CN116151486B (zh) 含储能系统的光伏充电站多时间尺度随机优化方法及装置
CN112308373A (zh) 基于时空双层优化的电动汽车有序充放电调度模型及算法
CN107273968A (zh) 一种基于动态模糊混沌粒子群的多目标调度方法及装置
CN108512238B (zh) 基于需求侧响应的智能家居两阶段优化调度方法
Mroczek et al. The V2G process with the predictive model
CN112803464A (zh) 一种储能系统充放电控制方法、系统、设备和存储介质
Yi et al. A data-driven framework for residential electric vehicle charging load profile generation
CN113715669B (zh) 电动汽车有序充电控制方法、系统、设备及可读存储介质
CN203933038U (zh) 离网并网混合光伏发电控制系统
CN105896580B (zh) 一种微电网多目标优化控制方法及装置
CN112467767B (zh) 综合能源系统环境下的电动汽车并网协同控制方法

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