CN115833199A - 一种移动储能调度方法、系统及存储介质 - Google Patents

Abstract

本发明公开了一种移动储能调度方法、系统及存储介质，该方法包括：分别建立电动汽车、移动储能车、氢燃料发电车模型，评估不同时段三类移动储能的可调度功率；建立负荷峰谷差、配电网网损和配电网运行成本多目标函数，为了降低排名异常的概率，采用向量归一化将多目标进行优化；采用萤火虫与粒子群混合优化算法，求解多类型移动储能共同参与调度的最优方案。本发明提供的计及交通能耗电价补贴的移动储能调度方法能够有效减少负荷峰谷差、降低配电网网损和降低配电网运行成本，该方法可为配电网经济弹性运行提供新思路。

Description

一种移动储能调度方法、系统及存储介质

技术领域

本发明涉及移动储能调度领域，特别是涉及一种计及交通能耗电价补贴的移动储能调度方法、系统及存储介质。

背景技术

随着大容量储能电池的出现、氢燃料发电车的兴起及电动汽车数量的高速增长，各类型移动储能资源的容量及规模已达到支撑配电网优化运行的要求。移动储能类型多，具备聚合容量可观、移动方便、调控灵活等优点，可以参与电网优化运行的调控，实现削峰填谷，缓解峰谷差，提高电压合格率、新能源接入率、供电可靠性、降低电网损耗等目标。

目前部分电网公司采用单一类型移动储能提供保供电、应急等服务，并未统筹协调多类型移动储能，并发挥其在配电网优化运行方面的作用，造成移动资源闲置与浪费。对于优化问题的构建，目标函数的设计通常考虑比较单一，如仅仅针对配电网运行指标最优、经济成本最低、需求响应最快中的一种进行讨论，而且进行整体约束设计时，也仅针对单类型移动储能设备进行约束设计。对于电动汽车调度，现有的研究都以降低电动汽车充电电价的方法对电动汽车进行调度，未涉及计算电动汽车前往充电站的交通能耗，对从当前位置到充电站这段距离行驶耗能进行直接的补贴，更大范围吸引电动汽车用户参与调度。目前求解多目标优化问题主要算法大多基于数学的规划方法和基于遗传算法的两类方法，传统优化算法求解结果对初值依赖性强，且易产生局部最优。目前对移动储能参与调度都是聚焦于电动汽车、移动储能式车，并未对移动储能车、氢燃料发电车参与调度进行研究。

发明内容

本发明提供了一种移动储能调度方法、系统及存储介质，提出三类移动储能协调调度，为配电网提供了移动储能协调调度的方案，有利于配电网安全运行及提高移动储能利用率。

为实现上述目的，本发明所采取的技术方案包括如下步骤：

一种移动储能调度方法，包括以下步骤：

步骤1：分别建立电动汽车、移动储能车、氢燃料发电车模型，评估不同时段三类移动储能的可调度功率；

步骤2：建立负荷峰谷差、配电网网损和配电网运行成本多目标函数，为了降低排名异常的概率，采用向量归一化将多目标进行优化；

步骤3：采用萤火虫与粒子群混合优化算法，求解多类型移动储能共同参与调度的最优方案。

可选的，所述步骤1分别建立三类移动储能模型，评估不同时段三类移动储能的可调度功率，具体包括：

(1)移动储能在不同时段充电或放电取决于预测需求侧负荷大小、电动汽车随机充电功率，当t时段预测负荷大于每小时平均负荷时，移动储能放电，反之充电。不同时段负荷需求总功率：

其中，P_load,before(t)为t时段负荷需求总功率，移动储能t时段所需调度的充电功率

为每小时平均负荷与预测用电功率的差值，放电功率

为预测用电功率与每小时平均负荷的差值。

(2)用dijkstra算法求解得到最短路径：

其中，D^t为最佳路径，

为在t时段从实时位置i到充电站j所需时间最短的距离。

(3)电动汽车行驶耗电成本：

其中，

为配电网需要支付给电动汽车的交通能耗总成本，

为电动汽车参与调度时前往充电站每公里补贴，distance_ev(i)为第i辆电动汽车前往充电站的距离。

(4)根据每公里电耗成本，得到配电网支付给电动汽车的交通能耗补贴为：

其中，Num_ev(t)为t时段参与充电调度的电动汽车数量，

为t时段电动汽车调度充电时配电网所需支付的成本，Pract(t)为t时段的分时电价，Prcharge(t)为t时段电动汽车充电单位电价。

(5)电动汽车用户参与充电调度意愿如下：

式中，willc(t)为t时段用户参与意愿，c_will为用户参与意愿可变因子。

(6)t时段移动储能车放电总功率：

式中，

为t时段移动储能车放电总功率，

为t时段移动储能车不需要参与放电调度的概率，

为移动储能车放电功率，

为t时段可以参与放电调度的移动储能车。

(7)t时段移动储能车充电总功率：

式中，

为t时段移动储能车放电总功率，

为t时段移动储能车不需要参与充电调度的概率，

为移动储能车充电功率，

为t时段可以参与充电调度的移动储能车。

(8)t时段移动储能车参与调度的充电总成本：

式中，

为移动储能车充电总成本，

为移动储能车充电单位成本，

为t时段实际参与放电调度的移动储能车，

为t时段移动储能车参与放电调度的几率，

为t时段移动储能车总数。

(9)移动储能车参与调度时，前往充电站行驶的油耗总成本：

式中，

为配电网需要承担的移动储能车交通能耗总成本，Price^UPS为移动储能车参与调度时前往充电站每公里补贴，distance_UPS(i)为第i辆移动储能车前往充电站的距离。

(10)氢燃料发电车参与放电的总功率：

式中，

时段氢燃料发电车放电总功率，

为t时段移动储能车参与放电调度的几率，Num^Qing为氢燃料发电车总数。

(11)氢燃料发电车充氢总成本：

式中，

氢燃料发电车充氢的总成本，

为氢燃料发电车充氢单位成本，

为t时段实际参与放电调度的氢燃料发电车。

(12)氢燃料发电车参与调度时，前往充电站行驶的油耗总成本为每公里油耗与行驶距离之积，如式(12)所示，以此推算出氢燃料发电车的交通能耗：

式中，

为配电网需要承担的氢燃料发电车交通能耗总成本，Price^Qing为氢燃料发电车参与调度时前往充电站每公里补贴，distance_Qing(i)为第i辆氢燃料发电车前往充电站的距离，Num_Qing(t)为t时段参与调度的氢燃料发电车数。

可选的，所述步骤2建立负荷峰谷差、配电网网损和配电网运行成本多目标函数，具体包括：

(1)通过调度移动储能减少负荷峰谷差得到的利润如下：

式中，Price_fgc为负荷峰谷差单位惩罚成本。

(2)当移动储能接入放电时，网损减少，移动储能接入充放电能量损耗、配电网通过减少网损得到的利润如下：

式中，f_wangsun为减少网损所得利润，Price_wangsun为网损单位成本，P_t ^grid为t时段移动储能接入节点处的净有功功率，

为t时段移动储能充放电能量损耗，P_t,discharge、P_t,charge分别为接入节点处移动储能在t时段内的放、充电速率，η_discharge、η_charge分别为移动储能的放、充电效率。

(3)决策矩阵建立

首先构造决策矩阵，方法如下：

式中，E^α为决策矩阵，K_ij为第i个移动储能的第j个指标。

(4)矩阵归一化

由于选择一个不合适的切换目标移动储能会导致系统出现更多不必要的切换，需要对指标进行处理，减少排序异常的情况。对矩阵中每个元素的值进行向量归一化，其中，列向量的每个元素除以该向量的模长，排除有误的数据。最后将有效指标归一化处理：

式中，N_ij为第i个移动储能的第j个归一化指标。

(5)发散度系数计算

当第j个指标归一化系数越发散，熵发散系数越高，对切换决策影响力越高，同理归一化系数越收敛，熵发散系数越低，对切换决策影响力越低：

式中，d_j为第j个指标的熵发散度系数，C为一个常量。

(6)熵权值计算

使用熵权法计算指标权重：

式中，w_j为第j个指标的权重。

(7)计算性能值

为了简化决策目标，将三个指标归一化，根据前四个步骤，最后的归一化决策矩阵如下：

最后性能值计算如下：

式中，Profit_pdw为配电网调度所得利润，u为有效指标数。

可选的，所述步骤3采用萤火虫与粒子群混合优化算法，求解多类型移动储能共同参与调度的最优方案，具体包括：

(1)在粒子群算法中，粒子通过跟随它们当前的最佳适应度值在问题空间中飞行，通过更新代来搜索最优解，粒子的更新由下式实现:

式中，

为粒子的位置，ω^k为惯性权重，α₁、α₂为学习因子，rand₁、rand₂为随机数，

为先前速度，

为最佳适应度，

为相邻粒子中最优粒子。

(2)根据式(25)和式(26)完成粒子的更新，并使用从最大值到最小值线性递减的惯性权重来更新惯性权重。如果每个粒子在当前迭代中的适应度优于前一次迭代，则在下一次迭代中其速度保持不变；否则，将根据式(27)和式(28)更新粒子的速度和位置，这种计算速度的更新提高了效率。

式中，k_max为最大迭代次数，ω_max、ω_min分别为最大、小惯性权重，mf为动量因素。

(3)对于粒子群算法容易陷入局部最优的缺点，本文利用混沌序列的随机性和遍历性，选择Tent映射方程产生初始种群，能使初始个体尽可能均匀分布在搜索区域中，以此来提高初始种群的多样性和适应性，加快种群进化进程。Tent映射方程为：

(4)通过将各种模糊规则包含到前一惯性权重的清晰数据中来实现加权调整。首先，通过模糊化过程将清晰数据转换为模糊集，然后通过解模糊过程将模糊集转换为清晰数据。根据预定义的逻辑，根据这些模糊输入集分配输出。选择作为模糊系统输入的变量是当前最佳性能评估和当前惯性权重，而输出变量是惯性权重的变化。标准化适应度值用作0和1之间的输入变量，定义为

在萤火虫与粒子群混合优化算法模型中，第一次迭代时的计算值可用于下一次迭代。F_max是一个非常大的值，大于任何可接受的解。在萤火虫算法中，输入语言变量通过“AND”操作符连接起来，拉森积被用作单个规则的模糊算子。为了触发规则，使用了单独的基于规则的推理，其中每个规则都是单独触发的。单独触发每个规则会产生裁剪输出模糊集，每个规则对应一个模糊集。通过组合所有裁剪模糊集，可以获得整体模糊输出，使用质心解模糊方法将该聚合模糊输出转换为单个清晰值。

(5)为了防止算法过早收敛，引入柯西变异算子，有效提高算法摆脱局部最优解的能力，避免早熟现象的发生。变异公式为：

式中，X_i(t)为在t代全局最优解，λ为调整参数，C(0,1)为t＝1时的标准柯西随机分布。

一种移动储能调度系统，包括：

移动储能可调度功率评估模块，分别建立电动汽车、移动储能车、氢燃料发电车模型并评估不同时段三类移动储能的可调度功率；

多目标函数优化模块，建立负荷峰谷差、配电网网损和配电网运行成本多目标函数并采用向量归一化将多目标进行优化；

多目标函数求解模块，采用萤火虫与粒子群混合优化算法，求解所述多目标函数，确定多类型移动储能共同参与调度的最优方案。

一种计算机存储介质，其特征在于，该程序被处理器执行程序时实现如权利要求1-4任一项所述的方法。

本发明与现有技术相比，具有如下有益效果：

1)本发明的三类移动储能协调调度可以提高移动储能车、氢燃料发电车的利用率，且其可以有效减少负荷峰谷差、网损、配电网运行成本。

2)本发明采用萤火虫与粒子群混合优化算法求解的效果明显优于采用粒子群算法求解的效果。

3)本发明计及交通能耗并对此进行补贴时移动储能的可调度容量远大于不计及交通能耗，且计及交通能耗后调度的总体效果更优。

附图说明

下面结合附图对本发明的具体实施方式作进一步详细的说明。

图1为粒子群算法求解的参与调度前后功率对比图；

图2为萤火虫与粒子群混合优化算法求解的参与调度前后功率对比图；

图3为粒子群算法求解的参与的移动储能参与调度功率分布图；

图4为萤火虫与粒子群混合优化算法求解的移动储能调度功率分布图；

图5为仅含电动汽车参与的调度前后功率对比图；

图6为无交通能耗时的调度前后功率对比图；

图7为仅含电动汽车参与的移动储能调度功率图；

图8为无交通能耗的移动储能调度功率分布图。

图9为一种移动储能调动系统框图。

具体实施方式

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

一种计及交通能耗电价补贴的移动储能调度方法，包括以下步骤：

步骤1：分别建立电动汽车、移动储能车、氢燃料发电车模型，评估不同时段三类移动储能的可调度功率；

步骤2：建立负荷峰谷差、配电网网损和配电网运行成本多目标函数，为了降低排名异常的概率，采用向量归一化将多目标进行优化；

步骤3：采用萤火虫与粒子群混合优化算法，求解多类型移动储能共同参与调度的最优方案。

可选的，所述步骤1分别建立三类移动储能模型，评估不同时段三类移动储能的可调度功率，具体包括：

(1)移动储能在不同时段充电或放电取决于预测需求侧负荷大小、电动汽车随机充电功率，当t时段预测负荷大于每小时平均负荷时，移动储能放电，反之充电。不同时段负荷需求总功率：

其中，P_load,before(t)为t时段负荷需求总功率，移动储能t时段所需调度的充电功率

为每小时平均负荷与预测用电功率的差值，放电功率

为预测用电功率与每小时平均负荷的差值。

(2)用dijkstra算法求解得到最短路径：

其中，D^t为最佳路径，

为在t时段从实时位置i到充电站j所需时间最短的距离。

(3)电动汽车行驶耗电成本：

其中，

为配电网需要支付给电动汽车的交通能耗总成本，

为电动汽车参与调度时前往充电站每公里补贴，distance_ev(i)为第i辆电动汽车前往充电站的距离。

(4)根据每公里电耗成本，得到配电网支付给电动汽车的交通能耗补贴为：

其中，Num_ev(t)为t时段参与充电调度的电动汽车数量，

为t时段电动汽车调度充电时配电网所需支付的成本，Pract(t)为t时段的分时电价，Prcharge(t)为t时段电动汽车充电单位电价。

(5)电动汽车用户参与充电调度意愿如下，从而计算得到电动汽车的交通能耗：

式中，willc(t)为t时段用户参与意愿，c_will为用户参与意愿可变因子。

(6)t时段移动储能车放电总功率：

式中，

为t时段移动储能车放电总功率，

为t时段移动储能车不需要参与放电调度的概率，

为移动储能车放电功率，

为t时段可以参与放电调度的移动储能车。

(7)t时段移动储能车充电总功率：

式中，

为t时段移动储能车放电总功率，

为t时段移动储能车不需要参与充电调度的概率，

为移动储能车充电功率，

为t时段可以参与充电调度的移动储能车。

(8)t时段移动储能车参与调度的充电总成本：

式中，

为移动储能车充电总成本，

为移动储能车充电单位成本，

为t时段实际参与放电调度的移动储能车，

为t时段移动储能车参与放电调度的几率，

为t时段移动储能车总数。

(9)移动储能车参与调度时，前往充电站行驶的油耗总成本：

式中，

为配电网需要承担的移动储能车交通能耗总成本，Price^UPS为移动储能车参与调度时前往充电站每公里补贴，distance_UPS(i)为第i辆移动储能车前往充电站的距离。

(10)氢燃料发电车参与放电的总功率：

式中，

时段氢燃料发电车放电总功率，

为t时段移动储能车参与放电调度的几率，Num^Qing为氢燃料发电车总数。

(11)氢燃料发电车充氢总成本：

式中，

氢燃料发电车充氢的总成本，

为氢燃料发电车充氢单位成本，

为t时段实际参与放电调度的氢燃料发电车。

(12)氢燃料发电车参与调度时，前往充电站行驶的油耗总成本为每公里油耗与行驶距离之积，如式(12)所示。

式中，

为配电网需要承担的氢燃料发电车交通能耗总成本，Price^Qing为氢燃料发电车参与调度时前往充电站每公里补贴，distance_Qing(i)为第i辆氢燃料发电车前往充电站的距离，Num_Qing(t)为t时段参与调度的氢燃料发电车数。

可选的，所述步骤2建立负荷峰谷差、配电网网损和配电网运行成本多目标函数，具体包括：

(1)通过调度移动储能减少负荷峰谷差得到的利润如下：

式中，Price_fgc为负荷峰谷差单位惩罚成本。

(2)当移动储能接入放电时，网损减少，移动储能接入充放电能量损耗、配电网通过减少网损得到的利润如下：

式中，f_wangsun为减少网损所得利润，Price_wangsun为网损单位成本，P_t ^grid为t时段移动储能接入节点处的净有功功率，

为t时段移动储能充放电能量损耗，P_t,discharge、P_t,charge分别为接入节点处移动储能在t时段内的放、充电速率，η_discharge、η_charge分别为移动储能的放、充电效率。

(3)决策矩阵建立

首先构造决策矩阵，方法如下：

式中，E^α为决策矩阵，K_ij为第i个移动储能的第j个指标。

(4)矩阵归一化

由于选择一个不合适的切换目标移动储能会导致系统出现更多不必要的切换，需要对指标进行处理，减少排序异常的情况。对矩阵中每个元素的值进行向量归一化，其中，列向量的每个元素除以该向量的模长，排除有误的数据。最后将有效指标归一化处理：

式中，N_ij为第i个移动储能的第j个归一化指标。

(5)发散度系数计算

当第j个指标归一化系数越发散，熵发散系数越高，对切换决策影响力越高，同理归一化系数越收敛，熵发散系数越低，对切换决策影响力越低：

式中，d_j为第j个指标的熵发散度系数，C为一个常量。

(6)熵权值计算

使用熵权法计算指标权重：

式中，w_j为第j个指标的权重。

(7)计算性能值

，根据前四个步骤，最后的归一化决策矩阵如下：

最后性能值计算如下：

式中，Profit_pdw为配电网调度所得利润，u为有效指标数。

可选的，所述步骤3采用萤火虫与粒子群混合优化算法，求解多类型移动储能共同参与调度的最优方案，具体包括：

(1)在粒子群算法中，粒子通过跟随它们当前的最佳适应度值在问题空间中飞行，通过更新代来搜索最优解，粒子的更新由下式实现:

式中，

为粒子的位置，ω^k为惯性权重，α₁、α₂为学习因子，rand₁、rand₂为随机数，

为先前速度，

为最佳适应度，

为相邻粒子中最优粒子。

(2)在迭代时，根据粒子的先前速度、粒子的位置以及到目前为止在相邻的粒子中达到最佳适应度的最佳粒子，为每个粒子计算一个新的速度。惯性权重控制算法的搜索特性。随机数是[0,1]内均匀分布的数。更新每个粒子在解超空间中的位置。根据式(25)和式(26)完成粒子的更新，并使用从最大值到最小值线性递减的惯性权重来更新惯性权重。如果每个粒子在当前迭代中的适应度优于前一次迭代，则在下一次迭代中其速度保持不变；否则，将根据式(27)和式(28)更新粒子的速度和位置，这种计算速度的更新提高了效率。

式中，k_max为最大迭代次数，ω_max、ω_min分别为最大、小惯性权重，mf为动量因素。

(3)对于粒子群算法容易陷入局部最优的缺点，本文利用混沌序列的随机性和遍历性，选择Tent映射方程产生初始种群，能使初始个体尽可能均匀分布在搜索区域中，以此来提高初始种群的多样性和适应性，加快种群进化进程。Tent映射方程为：

(4)通过将各种模糊规则包含到前一惯性权重的清晰数据中来实现加权调整。首先，通过模糊化过程将清晰数据转换为模糊集，然后通过解模糊过程将模糊集转换为清晰数据。根据预定义的逻辑，根据这些模糊输入集分配输出。选择作为模糊系统输入的变量是当前最佳性能评估和当前惯性权重，而输出变量是惯性权重的变化。标准化适应度值用作0和1之间的输入变量，定义为

在萤火虫与粒子群混合优化算法模型中，第一次迭代时的计算值可用于下一次迭代。F_max是一个非常大的值，大于任何可接受的解。在萤火虫算法中，输入语言变量通过“AND”操作符连接起来，拉森积被用作单个规则的模糊算子。为了触发规则，使用了单独的基于规则的推理，其中每个规则都是单独触发的。单独触发每个规则会产生裁剪输出模糊集，每个规则对应一个模糊集。通过组合所有裁剪模糊集，可以获得整体模糊输出，使用质心解模糊方法将该聚合模糊输出转换为单个清晰值。

(5)为了防止算法过早收敛，引入柯西变异算子，有效提高算法摆脱局部最优解的能力，避免早熟现象的发生。变异公式为：

式中，X_i(t)为在t代全局最优解，λ为调整参数，C(0,1)为t＝1时的标准柯西随机分布。

一种移动储能调度系统，包括：

移动储能可调度功率评估模块，分别建立电动汽车、移动储能车、氢燃料发电车模型并评估不同时段三类移动储能的可调度功率；

多目标函数优化模块，建立负荷峰谷差、配电网网损和配电网运行成本多目标函数并采用向量归一化将多目标进行优化；

多目标函数求解模块，采用萤火虫与粒子群混合优化算法，求解所述多目标函数，确定多类型移动储能共同参与调度的最优方案。

一种计算机存储介质该程序被处理器执行程序时实现如权利要求1-4任一项所述的方法。

以下结合附图和具体实施例对本发明作进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

以24小时为周期，时间尺度为1小时。电动汽车以比亚迪e6为研究对象，电动汽车充电功率为7千瓦，移动储能参与调度时前往充电站每公里补贴为0.5元/公里。移动储能车的充放电功率为100千瓦，电池容量为450千瓦时，最多可连续充/放电4小时。氢燃料发电车的额定输出功率为110千瓦，单台氢燃料发电车的总容量为700kW·h，一台满容量的氢燃料发电车可以放电超过6小时，由氢能转换为电能折算后电价为每度电6元。移动储能的放、充电效率为0.95，网损单位成本为300元/MW，负荷峰谷差单位惩罚成本为200元/MW。移动储能电量范围为5％-95％，用户参与调度意愿范围为0-0.95。电动汽车随机充电电价为分时电价，分时电价时段及价格如表1所示。电动汽车有序充电时由于配电网的补贴，电动汽车调度充电电价如表2所示。

表1分时电价

表2电动汽车调度充电电价

如图1-2所示，电动汽车1000辆，移动储能车100辆，氢燃料发电车10辆，考虑交通能耗的情况下，分别对比由粒子群算法、萤火虫与粒子群混合优化算法的求解结果，对比效果如图1和图2所示。不同算法下求解的负荷峰谷差值、负荷方差值对比如表3和表4所示。可以看出使用萤火虫与粒子群混合优化算法求解的多类移动储能调度与粒子群算法求解相比，负荷峰谷差减少程度更明显，效果更好。

表3不同算法求解的负荷峰谷差

表4不同算法求解的负荷方差

如图3-4所示，分别采用粒子群算法、萤火虫与粒子群混合优化算法求解的移动储能参与调度功率分布，可以看出多类移动储能参与调度时移动储能的利用率更高。

分别采用粒子群算法、萤火虫与粒子群混合优化算法求解的网损、配电网降低的运行总成本对比如表5和6所示。由表5、6可以看出，对比萤火虫与粒子群混合优化算法求解与粒子群算法求解可以看出，萤火虫与粒子群混合优化算法求解的调度后网损更小，配电网调度后降低的运行总成本更多。使用萤火虫与粒子群混合优化算法求解的总体效果远优于由粒子群算法求解的效果。

表5不同算法求解的网损

表6不同算法求解配电网降低的运行总成本

对以下3种场景进行仿真：

场景1：电动汽车1000辆，考虑交通能耗，萤火虫与粒子群混合优化算法求解；

场景2：电动汽车1000辆，移动储能车100辆，氢燃料发电车10辆，不考虑交通能耗，萤火虫与粒子群混合优化算法求解。

场景3：电动汽车1000辆，移动储能车100辆，氢燃料发电车10辆，考虑交通能耗，萤火虫与粒子群混合优化算法求解。

上述场景下，所求解的移动储能功率调度方案分别如图5-7所示；所得到的负荷峰谷差、负荷方差对比如表7和表8所示；所求得的网损、配电网降低的运行总成本对比如表9和表10所示。通过图2、5、6结合表7、8可以看出，使用多种类型移动储能参与调度且考虑交通能耗时负荷峰谷差减少程度最明显，效果最优。

表7不同场景下的负荷峰谷差

表8不同场景下的负荷方差

表9不同场景下的网损

表10不同场景下配电网降低的运行总成本

通过图4、图7、图8可以看出多类移动储能参与调度时移动储能的利用率更高。通过表9、10，由场景1与场景3对比可证明，三类移动储能协调调度减小负荷峰谷差、网损的效果比仅由电动汽车参与调度的效果更明显，由于电动汽车调度的综合成本比移动储能车、氢燃料发电车更高，由三类移动储能协调调度时配电网降低的运行成本更多。由场景2、3对比可证明当计及交通能耗并对此进行电价补贴时，移动储能参与意愿更高，可调度容量更大，削峰填谷、降低网损、减少配电网运行成本的效果更好。

由上述分析可知，与传统的仅由电动汽车参与调度相比，三类移动储能协调参与调度降低负荷峰谷差、负荷方差、网损的效果更为明显，同时使配电网调度的整体成本更低。移动储能车与氢燃料发电车过去仅作为应急电源车，如今参与调度可以大幅度提高其利用率。由于在调度过程中考虑了交通能耗，对移动储能参与调度起到激励作用，提高了移动储能用户参与调度的积极性，增大了移动储能可调度功率。

本发明提供了一种计及交通能耗电价补贴的移动储能调度方法，分别建立三类移动储能模型，评估不同时段三类移动储能的可调度功率，建立负荷峰谷差、配电网网损和配电网运行成本多目标函数，为了降低排名异常的概率，采用向量归一化将多目标进行优化，采用萤火虫与粒子群混合优化算法，求解多类型移动储能共同参与调度的最优方案。本发明提供的一种计及交通能耗电价补贴的移动储能调度方法能够有效减少负荷峰谷差、降低配电网网损和降低配电网运行成本，该方法可为配电网经济弹性运行提供新思路。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请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，本申请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。本申请实施例中的方案可以采用各种计算机语言实现，例如，面向对象的程序设计语言Java和直译式脚本语言JavaScript等。

本申请是参照根据本申请实施例的方法、设备(系统)、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。

尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。

显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (6)

1.一种移动储能调度方法，其特征在于，包括以下步骤：

步骤1：分别建立电动汽车、移动储能车、氢燃料发电车模型，评估不同时段三类移动储能的可调度功率；

步骤2：建立负荷峰谷差、配电网网损和配电网运行成本多目标函数，采用向量归一化将多目标进行优化；

步骤3：采用萤火虫与粒子群混合优化算法，求解所述多目标函数，确定多类型移动储能共同参与调度的最优方案。

2.根据权利要求1所述的一种移动储能调度方法，其特征在于，分别建立电动汽车、移动储能车、氢燃料发电车模型，评估不同时段三类移动储能的可调度功率：

(1)不同时段负荷需求总功率：

其中，P_load,before(t)为t时段负荷需求总功率，移动储能t时段所需调度的充电功率

为每小时平均负荷与预测用电功率的差值，放电功率

为预测用电功率与每小时平均负荷的差值；

(2)用dijkstra算法求解得到移动储能行驶的最短路径，从而计算得到电动汽车的交通能耗：

其中，D^t为最佳路径，

为在t时段从实时位置i到充电站j所需时间最短的距离。

(3)电动汽车行驶耗电成本：

其中，

为配电网需要支付给电动汽车的交通能耗总成本，

为电动汽车参与调度时前往充电站每公里补贴，distance_ev(i)为第i辆电动汽车前往充电站的距离；

(4)根据每公里电耗成本，得到配电网支付给电动汽车的交通能耗补贴为：

其中，Num_ev(t)为时段参与充电调度的电动汽车数量，

为时段电动汽车调度充电时配电网所需支付的成本，Pract(t)为t时段的分时电价，Prcharge(t)为时段电动汽车充电单位电价；

(5)用户的主观意愿对调度容量的影响极大，电动汽车用户参与充电调度意愿如下：

式中，willc(t)为时段用户参与意愿，c_will为用户参与意愿可变因子；

(6)时段移动储能车放电总功率：

式中，

为时段移动储能车放电总功率，

为时段移动储能车不需要参与放电调度的概率，

为移动储能车放电功率，

为时段可以参与放电调度的移动储能车。

(7)时段移动储能车充电总功率：

式中，

为时段移动储能车放电总功率，

为时段移动储能车不需要参与充电调度的概率，

为移动储能车充电功率，

为时段能参与充电调度的移动储能车；

(8)时段移动储能车参与调度的充电总成本：

式中，

为移动储能车充电总成本，

为移动储能车充电单位成本，

为时段实际参与放电调度的移动储能车，

为时段移动储能车参与放电调度的几率，

为时段移动储能车总数；

(9)移动储能车参与调度时，前往充电站行驶的油耗总成本：

式中，

为配电网需要承担的移动储能车交通能耗总成本，Price^UPS为移动储能车参与调度时前往充电站每公里补贴，distance_UPS(i)为第i辆移动储能车前往充电站的距离；

(10)氢燃料发电车参与放电的总功率：

式中，

时段氢燃料发电车放电总功率，

为时段移动储能车参与放电调度的几率，Num^Qing为氢燃料发电车总数；

(11)氢燃料发电车充氢总成本：

式中，

氢燃料发电车充氢的总成本，

为氢燃料发电车充氢单位成本，

为时段实际参与放电调度的氢燃料发电车；

(12)氢燃料发电车参与调度时，前往充电站行驶的油耗总成本为每公里油耗与行驶距离之积，如以下公式所示，以此推算出氢燃料发电车的交通能耗：

式中，

为配电网需要承担的氢燃料发电车交通能耗总成本，Price^Qing为氢燃料发电车参与调度时前往充电站每公里补贴，distance_Qing(i)为第i辆氢燃料发电车前往充电站的距离，Num_Qing(t)为时段参与调度的氢燃料发电车数。

3.根据权利要求1所述的一种移动储能调度方法，其特征在于，所述步骤2包括以下步骤：

(1)通过调度移动储能减少负荷峰谷差得到的利润如下：

式中，Price_fgc为负荷峰谷差单位惩罚成本。

(2)当移动储能接入放电时，网损减少，移动储能接入充放电能量损耗、配电网通过减少网损得到的利润如下：

式中，f_wangsun为减少网损所得利润，Price_wangsun为网损单位成本，P_t ^grid为时段移动储能接入节点处的净有功功率，

为时段移动储能充放电能量损耗，P_t,discharge、P_t,charge分别为接入节点处移动储能在时段内的放、充电速率，η_discharge、η_charge分别为移动储能的放、充电效率；

(3)决策矩阵建立

首先构造决策矩阵，方法如下：

式中，E^α为决策矩阵，K_ij为第i个移动储能的第j个指标；

(4)矩阵归一化

由于选择一个不合适的切换目标移动储能会导致系统出现更多不必要的切换，需要对指标进行处理，减少排序异常的情况；对矩阵中每个元素的值进行向量归一化，其中，列向量的每个元素除以该向量的模长，排除有误的数据；最后将有效指标归一化处理：

式中，N_ij为第个移动储能的第个归一化指标；

(5)发散度系数计算

当第个指标归一化系数越发散，熵发散系数越高，对切换决策影响力越高，同理归一化系数越收敛，熵发散系数越低，对切换决策影响力越低，第个指标的熵发散度系数d_j：

式中，C为一个常量；

(6)熵权值计算

使用熵权法计算指标权重：

式中，w_j为第个指标的权重；

(7)计算性能值

为了简化决策目标，将三个指标归一化，根据前四个步骤，最后的归一化决策矩阵如下：

最后性能值计算如下：

式中，Profit_pdw为配电网调度所得利润，u为有效指标数。

4.根据权利要求1所述的一种移动储能调度方法，其特征在于，所述步骤3包括：

(1)在粒子群算法中，粒子通过跟随它们当前的最佳适应度值在问题空间中飞行，

通过更新代来搜索最优解，粒子的更新由下式实现:

式中，

为粒子的位置，ω^k为惯性权重，α₁、α₂为学习因子，rand₁、rand₂为随机数，

为先前速度，

为最佳适应度，

为相邻粒子中最优粒子；

(2)

根据式(25)和式(26)完成中粒子的更新，并使用从最大值到最小值线性递减的惯性权重来更新惯性权重；如果每个粒子在当前迭代中的适应度优于前一次迭代，则在下一次迭代中其速度保持不变；否则，将根据式(27)和式(28)更新粒子的速度和位置；公式25、公式26和公式27分别为：

式中，k_max为最大迭代次数，ω_max、ω_min分别为最大、小惯性权重，mf为动量因素；

(3)用混沌序列的随机性和遍历性，选择Tent映射方程产生初始种群，，Tent映射方程为：

(4)通过将各种模糊规则包含到前一惯性权重的清晰数据中来实现加权调整:

首先将清晰数据转换为模糊集，然后将模糊集转换为清晰数据；，根据这些模糊输入集分配输出；选择作为模糊系统输入的变量是当前最佳性能评估和当前惯性权重，而输出变量是惯性权重的变化；标准化适应度值用作0和1之间的输入变量，定义为

在萤火虫与粒子群混合优化算法模型中，第一次迭代时的计算值用于下一次迭代；F_max是一个非常大的值，大于任何可接受的解；在萤火虫算法中，输入语言变量通过“AND”操作符连接起来，拉森积被用作单个规则的模糊算子；为了触发规则，使用单独的基于规则的推理，其中每个规则都是单独触发的；单独触发每个规则会产生裁剪输出模糊集，每个规则对应一个模糊集；通过组合所有裁剪模糊集，获得整体模糊输出，使用质心解模糊方法将该聚合模糊输出转换为单个清晰值；

(5)引入柯西变异算子，变异公式为：

式中，X_i(t)为在t代全局最优解，λ为调整参数，C(0,1)为t＝1时的标准柯西随机分布。

5.一种移动储能调度系统，其特征在于，包括：

移动储能可调度功率评估模块，分别建立电动汽车、移动储能车、氢燃料发电车模型并评估不同时段三类移动储能的可调度功率；

多目标函数优化模块，建立负荷峰谷差、配电网网损和配电网运行成本多目标函数并采用向量归一化将多目标进行优化；

多目标函数求解模块，采用萤火虫与粒子群混合优化算法，求解所述多目标函数，确定多类型移动储能共同参与调度的最优方案。

6.一种计算机存储介质，其特征在于，该程序被处理器执行程序时实现如权利要求1-4任一项所述的方法。

Images