发明内容
本申请提供一种风光储充微电网调控计划确定方法及系统,以至少解决制定的调控计划不准确的技术问题。
本申请第一方面实施例提出一种风光储充微电网调控计划确定方法,所述方法包括:
获取待调控日各时刻的风电出力预测值、光伏出力预测值、综合电价值、第一负荷预测值和充电桩的充放电功率预测值;
将所述各时刻的风电出力预测值、光伏出力预测值、综合电价值、第一负荷预测值和充电桩的充放电功率预测值代入预先构建的风光储充微电网调控模型中,求解所述风光储充微电网调控模型,得到待调控日各时刻的储能充放电功率值;
将所述调控日各时刻的储能充放电功率值、风电出力预测值、光伏出力预测值和充电桩的充放电功率预测值作为风光储充微电网的调控计划。
优选的,所述风光储充微电网调控模型的构建过程包括:
以电力平衡与效益综合值最大为目标构建目标函数;
为所述目标函数构建风电出力约束、光伏出力约束、储能充放电功率约束、储能SOC约束、储能末时段SOC约束和充电桩充放电功率约束。
进一步的,所述目标函数的计算式如下:
式中,
为电力平衡与效益综合值,
为1个时刻的时间长度,
为预设的第一系数,
为第i个时刻风电出力预测值,
为第i个时刻光伏出力预测值,
为第i个时刻储
能充放电功率值,
为第i个时刻充电桩的充放电功率预测值,
为第i个时刻第一负
荷预测值,
为第i个时刻综合电价,
为第i个时刻充电桩对外服务价格。
进一步的,所述充电桩的充放电功率预测值的获取过程包括:
获取待调控日对应的相似日簇各时刻的充电桩充放电平均值,并将所述相似日簇各时刻的充电桩充放电平均值作为所述待调控日各时刻的初始充放电功率;
利用预先确定的误差概率密度对所述待调控日各时刻的初始充放电功率进行修正,得到第一次修正后的所述待调控日各时刻的充放电功率;
将第一次修正后的所述待调控日各时刻的充放电功率及综合电价值代入预先建立的功率修正模型中,得到第二次修正后的所述待调控日各时刻的充放电功率,并将第二次修正后的所述待调控日各时刻的充放电功率作为待调控日各时刻充电桩的充放电功率预测值。
进一步的,所述误差概率密度的确定过程包括:
获取历史时段内各时刻充电桩的开始充电时间、充电功率、结束充电时间和充电车辆信息数据;
根据所述历史时段内各时刻充电桩的开始充电时间、充电功率、结束充电时间和充电车辆信息数据进行统计分析,分别得到充电桩在不同时间段类型下的运行统计值;
基于充电桩在不同时间段类型下的运行统计值,并利用统计学方法确定所述误差概率密度。
进一步的,所述功率修正模型的建立过程包括:
获取历史时段内各时刻的综合电价、第一次修正后的充电桩充放电功率、及历史时段内各时刻充电桩的实际充放电功率;
利用所述历史时段内各时刻的综合电价、第一次修正后的充电桩充放电功率对机器学习模型进行训练,得到初始的功率修正模型,并输出训练结果;
确定所述训练结果与所述历史时段内各时刻充电桩的实际充放电功率的差值,当所述差值小于等于预设的误差阈值时,将所述初始的功率修正模型作为功率修正模型,否则调整模型参数,然后进行训练直至训练结果与历史时段内各时刻充电桩的实际充放电功率的差值小于等于预设的误差阈值,得到功率修正模型。
本申请第二方面实施例提出一种风光储充微电网调控计划确定系统,所述系统包括:
获取模块,用于获取待调控日各时刻的风电出力预测值、光伏出力预测值、综合电价值、第一负荷预测值和充电桩的充放电功率预测值;
求解模块,用于将所述各时刻的风电出力预测值、光伏出力预测值、综合电价值、第一负荷预测值和充电桩的充放电功率预测值代入预先构建的风光储充微电网调控模型中,求解所述风光储充微电网调控模型,得到待调控日各时刻的储能充放电功率值;
计划模块,用于将所述调控日各时刻的储能充放电功率值、风电出力预测值、光伏出力预测值和充电桩的充放电功率预测值作为风光储充微电网的调控计划。
优选的,所述风光储充微电网调控模型的构建过程包括:
以电力平衡与效益综合值最大为目标构建目标函数;
为所述目标函数构建风电出力约束、光伏出力约束、储能充放电功率约束、储能SOC约束、储能末时段SOC约束和充电桩充放电功率约束。
进一步的,所述目标函数的计算式如下:
式中,
为电力平衡与效益综合值,
为1个时刻的时间长度,
为预设的第一系数,
为第i个时刻风电出力预测值,
为第i个时刻光伏出力预测值,
为第i个时刻储
能充放电功率值,
为第i个时刻充电桩的充放电功率预测值,
为第i个时刻第一负
荷预测值,
为第i个时刻综合电价,
为第i个时刻充电桩对外服务价格。
进一步的,所述充电桩的充放电功率预测值的获取过程包括:
获取待调控日对应的相似日簇各时刻的充电桩充放电平均值,并将所述相似日簇各时刻的充电桩充放电平均值作为所述待调控日各时刻的初始充放电功率;
利用预先确定的误差概率密度对所述待调控日各时刻的初始充放电功率进行修正,得到第一次修正后的所述待调控日各时刻的充放电功率;
将第一次修正后的所述待调控日各时刻的充放电功率及综合电价值代入预先建立的功率修正模型中,得到第二次修正后的所述待调控日各时刻的充放电功率,并将第二次修正后的所述待调控日各时刻的充放电功率作为待调控日各时刻充电桩的充放电功率预测值。
本申请的实施例提供的技术方案至少带来以下有益效果:
本申请提出了一种风光储充微电网调控计划确定方法及系统,其中所述方法包括:获取待调控日各时刻的风电出力预测值、光伏出力预测值、综合电价值、第一负荷预测值和充电桩的充放电功率预测值;将所述各时刻的风电出力预测值、光伏出力预测值、综合电价值、第一负荷预测值和充电桩的充放电功率预测值代入预先构建的风光储充微电网调控模型中,求解所述风光储充微电网调控模型,得到待调控日各时刻的储能充放电功率值;将所述调控日各时刻的储能充放电功率值、风电出力预测值、光伏出力预测值和充电桩的充放电功率预测值作为风光储充微电网的调控计划。本申请提出的技术方案,充分考虑了充电桩充放电对于微电网调控的影响及综合电价,保证了微电网调控计划的精确性,进而保障了微电网技术的可持续发展。
本申请附加的方面以及优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本申请,而不能理解为对本申请的限制。
本申请提出的一种风光储充微电网调控计划确定方法及系统,其中所述方法包括:获取待调控日各时刻的风电出力预测值、光伏出力预测值、综合电价值、第一负荷预测值和充电桩的充放电功率预测值;将所述各时刻的风电出力预测值、光伏出力预测值、综合电价值、第一负荷预测值和充电桩的充放电功率预测值代入预先构建的风光储充微电网调控模型中,求解所述风光储充微电网调控模型,得到待调控日各时刻的储能充放电功率值;将所述调控日各时刻的储能充放电功率值、风电出力预测值、光伏出力预测值和充电桩的充放电功率预测值作为风光储充微电网的调控计划。本申请提出的技术方案,充分考虑了充电桩充放电对于微电网调控的影响及综合电价,保证了微电网调控计划的精确性,进而保障了微电网技术的可持续发展。
下面参考附图描述本申请实施例的一种风光储充微电网调控计划确定方法及系统。
实施例一
图1为根据本申请一个实施例提供的一种风光储充微电网调控计划确定方法的流程图,如图1所示,所述方法包括:
步骤1:获取待调控日各时刻的风电出力预测值、光伏出力预测值、综合电价值、第一负荷预测值和充电桩的充放电功率预测值;
需要说明的是,所述综合电价值的获取过程包括:
基于签订的中长期电量占比、约定的中长期电量电价、现货市场电价及预设的要求,采用适合的计算方法进行综合电价计算,得到综合电价,其中所述计算方法可以加权平均计算方法。
需要说明的是,所述第一负荷预测值为系统中除充电桩外的其他负荷,所述第一负荷预测值的获取过程包括:
先获取充电桩历史各个时刻的开始充电时间、充电功率、结束充电时间、充电车辆信息等数据,统计分析车辆、充电桩的充放电规律,得到充电桩在星期、节假日、季节等方面的运行统计值,充电桩对应各个频繁充电车辆星期、节假日、季节等方面的运行统计值。
然后对待调控日、日内各时刻的时间特征进行提取,采用聚类算法或相似度计算方法获得与待调控日、日内各时刻最相似的相似日簇,计算该簇各时刻的其他负荷平均值,以该值作为待调控日各时刻的第一负荷预测值。
在本公开实施例中,所述充电桩的充放电功率预测值的获取过程包括:
步骤F1:获取待调控日对应的相似日簇各时刻的充电桩充放电平均值,并将所述相似日簇各时刻的充电桩充放电平均值作为所述待调控日各时刻的初始充放电功率;
需要说明的是,所述相待调控日对应的相似日簇各时刻的充电桩充放电平均值的获取过程包括:
先获取充电桩历史各个时刻的开始充电时间、充电功率、结束充电时间、充电车辆信息等数据,统计分析车辆、充电桩的充放电规律,得到充电桩在星期、节假日、季节等方面的运行统计值,充电桩对应各个频繁充电车辆星期、节假日、季节等方面的运行统计值。
然后对待调控日、日内各时刻的时间特征进行提取,采用聚类算法或相似度计算方法获得与待调控日、日内各时刻最相似的相似日簇,计算该簇各时段的充电桩充放电平均值。
步骤F2:利用预先确定的误差概率密度对所述待调控日各时刻的初始充放电功率进行修正,得到第一次修正后的所述待调控日各时刻的充放电功率;
其中,所述误差概率密度的确定过程包括:
获取历史时段内各时刻充电桩的开始充电时间、充电功率、结束充电时间和充电车辆信息数据;
根据所述历史时段内各时刻充电桩的开始充电时间、充电功率、结束充电时间和充电车辆信息数据进行统计分析,分别得到充电桩在不同时间段类型下的运行统计值;
基于充电桩在不同时间段类型下的运行统计值,并利用统计学方法确定所述误差概率密度。
步骤F3:将第一次修正后的所述待调控日各时刻的充放电功率及综合电价值代入预先建立的功率修正模型中,得到第二次修正后的所述待调控日各时刻的充放电功率,并将第二次修正后的所述待调控日各时刻的充放电功率作为待调控日各时刻充电桩的充放电功率预测值。
需要说明的是,所述功率修正模型的建立过程包括:
获取历史时段内各时刻的综合电价、第一次修正后的充电桩充放电功率、及历史时段内各时刻充电桩的实际充放电功率;
利用所述历史时段内各时刻的综合电价、第一次修正后的充电桩充放电功率对机器学习模型进行训练,得到初始的功率修正模型,并输出训练结果;
确定所述训练结果与所述历史时段内各时刻充电桩的实际充放电功率的差值,当所述差值小于等于预设的误差阈值时,将所述初始的功率修正模型作为功率修正模型,否则调整模型参数,然后进行训练直至训练结果与历史时段内各时刻充电桩的实际充放电功率的差值小于等于预设的误差阈值,得到功率修正模型。
步骤2:将所述各时刻的风电出力预测值、光伏出力预测值、综合电价值、第一负荷预测值和充电桩的充放电功率预测值代入预先构建的风光储充微电网调控模型中,求解所述风光储充微电网调控模型,得到待调控日各时刻的储能充放电功率值;
在本公开实施例中,所述风光储充微电网调控模型的构建过程包括:
以电力平衡与效益综合值最大为目标构建目标函数;
为所述目标函数构建风电出力约束、光伏出力约束、储能充放电功率约束、储能SOC约束、储能末时段SOC约束和充电桩充放电功率约束。
进一步的,所述目标函数的计算式如下:
式中,
为电力平衡与效益综合值,
为1个时刻的时间长度,
为预设的第一系数,
为第i个时刻风电出力预测值,
为第i个时刻光伏出力预测值,
为第i个时刻储
能充放电功率值,
<0表示储能充电,
>0表示储能放电,
为第i个时刻充电桩的
充放电功率预测值,
为第i个时刻第一负荷预测值,
为第i个时刻综合电价,
为第i个时刻充电桩对外服务价格,其中,
,式中,
为预先设定的峰段电价,
为
峰段电价的调整系数,根据实际情况定义,一般取1,
为待调控日预测的充电桩充放电功
率在峰段时段内的总电量,由
积分得到,
为待调控日预测的充电桩充放电
的总电量,
为峰段时段,
为预先设定的平段电价,
为平段电价的调整系数,根据实
际情况定义,一般取1,
为平段时段,
为预先设定的谷段电价,
为谷段电价的调整系
数,根据实际情况定义,一般取1,
为谷段时段,
为待调控日预测的充电桩充放电功率
在谷段时段内的总电量。
进一步的,所述风电出力约束的计算式如下:
所述光伏出力约束的计算式如下:
所述储能充放电功率约束的计算式如下:
所述储能SOC约束的计算式如下:
式中,
为储能的最小SOC值,
为储能的最大SOC值,其中,储能的SOC转换
可由公式
进行转换,式中,
为储能电池衰
减前的最大容量,
为第i个时刻储能的充电功率,
为第i个时刻储能的放电功率;
所述储能末时段SOC约束的计算式如下:
需要说明的是,为保证储能能够在下一个控制周期正常工作,应使得末时段储能
动作之后的SOC为给定值
;
所述充电桩充放电功率约束的计算式如下:
式中,
为充电桩额定功率,
为第i个时刻对应的充电桩效。
步骤3:将所述调控日各时刻的储能充放电功率值、风电出力预测值、光伏出力预测值和充电桩的充放电功率预测值作为风光储充微电网的调控计划。
综上所述,本实施例提出的一种风光储充微电网调控计划确定方法,充分在制定调控计划前先进行了充电桩充放电功率的预测,并将充电桩的对外服务价格与尖峰谷时段的电量联动,以动态引导电动汽车充电时主动调节,充分考虑到了充电桩充放电对于微网调控的影响;同时,在制定微网调控计划时通过计算综合电价并将市场价格引入目标函数,综合考虑了电力市场的影响,保证了微电网调控计划的精确性,进而可使得微电网技术的可持续发展。
实施例二
图2为根据本申请一个实施例提供的一种风光储充微电网调控计划确定系统的结构图,如图2所示,所述系统包括:
获取模块100,用于获取待调控日各时刻的风电出力预测值、光伏出力预测值、综合电价值、第一负荷预测值和充电桩的充放电功率预测值;
求解模块200,用于将所述各时刻的风电出力预测值、光伏出力预测值、综合电价值、第一负荷预测值和充电桩的充放电功率预测值代入预先构建的风光储充微电网调控模型中,求解所述风光储充微电网调控模型,得到待调控日各时刻的储能充放电功率值;
计划模块300,用于将所述调控日各时刻的储能充放电功率值、风电出力预测值、光伏出力预测值和充电桩的充放电功率预测值作为风光储充微电网的调控计划。
所述风光储充微电网调控模型的构建过程包括:
以电力平衡与效益综合值最大为目标构建目标函数;
为所述目标函数构建风电出力约束、光伏出力约束、储能充放电功率约束、储能SOC约束、储能末时段SOC约束和充电桩充放电功率约束。
在本公开实施例中,所述目标函数的计算式如下:
式中,
为电力平衡与效益综合值,
为1个时刻的时间长度,
为预设的第一系数,
为第i个时刻风电出力预测值,
为第i个时刻光伏出力预测值,
为第i个时刻储
能充放电功率值,
为第i个时刻充电桩的充放电功率预测值,
为第i个时刻第一负
荷预测值,
为第i个时刻综合电价,
为第i个时刻充电桩对外服务价格。
进一步的,所述充电桩的充放电功率预测值的获取过程包括:
获取待调控日对应的相似日簇各时刻的充电桩充放电平均值,并将所述相似日簇各时刻的充电桩充放电平均值作为所述待调控日各时刻的初始充放电功率;
利用预先确定的误差概率密度对所述待调控日各时刻的初始充放电功率进行修正,得到第一次修正后的所述待调控日各时刻的充放电功率;
将第一次修正后的所述待调控日各时刻的充放电功率及综合电价值代入预先建立的功率修正模型中,得到第二次修正后的所述待调控日各时刻的充放电功率,并将第二次修正后的所述待调控日各时刻的充放电功率作为待调控日各时刻充电桩的充放电功率预测值。
进一步的,所述误差概率密度的确定过程包括:
获取历史时段内各时刻充电桩的开始充电时间、充电功率、结束充电时间和充电车辆信息数据;
根据所述历史时段内各时刻充电桩的开始充电时间、充电功率、结束充电时间和充电车辆信息数据进行统计分析,分别得到充电桩在不同时间段类型下的运行统计值;
基于充电桩在不同时间段类型下的运行统计值,并利用统计学方法确定所述误差概率密度。
进一步的,所述功率修正模型的建立过程包括:
获取历史时段内各时刻的综合电价、第一次修正后的充电桩充放电功率、及历史时段内各时刻充电桩的实际充放电功率;
利用所述历史时段内各时刻的综合电价、第一次修正后的充电桩充放电功率对机器学习模型进行训练,得到初始的功率修正模型,并输出训练结果;
确定所述训练结果与所述历史时段内各时刻充电桩的实际充放电功率的差值,当所述差值小于等于预设的误差阈值时,将所述初始的功率修正模型作为功率修正模型,否则调整模型参数,然后进行训练直至训练结果与历史时段内各时刻充电桩的实际充放电功率的差值小于等于预设的误差阈值,得到功率修正模型。
综上所述,本实施例提出的一种风光储充微电网调控计划确定系统,充分考虑了充电桩充放电对于微电网调控的影响及综合电价,保证了微电网调控计划的精确性,进而保障了微电网技术的可持续发展。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、 “示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。