CN115833207A - 电气化铁路车载储能配置方法、系统、设备及介质 - Google Patents
电气化铁路车载储能配置方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN115833207A CN115833207A CN202211694859.8A CN202211694859A CN115833207A CN 115833207 A CN115833207 A CN 115833207A CN 202211694859 A CN202211694859 A CN 202211694859A CN 115833207 A CN115833207 A CN 115833207A
- Authority
- CN
- China
- Prior art keywords
- power
- train
- scene
- energy storage
- curve
- 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
Links
Images
Landscapes
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明公开了一种电气化铁路车载储能配置方法、系统、设备及介质,包括获取牵引变电所的历史运行数据;基于过滤噪声场景与同步回代缩减法构建场景削减策略;通过聚类削减算法削减列车负荷功率曲线场景;计算牵引变电所的功率匹配参数,设置变量车载储能装置容量与联络线购电功率,以日运行成本低、源荷功率自匹配度高为目标函数;通过求解器依次完成N个牵引变电所的多目标函数求解,计算出各个牵引变电所的列车车载储能配置功率与容量的最优解;根据最优解建立车载储能配置模型并输出。能够满足最优车载储能的规划要求,可靠性高、实用性好。
Description
技术领域
本发明涉及电网调度领域,特别涉及一种电气化铁路车载储能配置方法、系统、设备及介质。
背景技术
随着“双碳”政策的推进与科学技术的发展,光伏、风电等清洁能源大规模并网已成为未来能源供应的发展趋势。现有研究对风光出力不缺定性分析技术日渐成熟,高铁、火车轨道交通能源系统的分布式能源多能供应模式已成大势所趋。考虑新能源供能随机性与波动性,以及牵引网的机车负荷功率剧烈波动性,现有的电气化铁路车载储能配置方法可靠性低、实用性差,无法满足最优车载储能的规划要求。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此,本发明提出一种电气化铁路车载储能配置方法、系统、设备及介质,能够满足最优车载储能的规划要求,可靠性高、实用性好。
根据本发明第一方面实施例的电气化铁路车载储能配置方法,包括以下步骤:
S100、获取牵引变电所的历史运行数据,根据历史运行数据获得风光出力功率曲线场景和列车负荷功率曲线场景;
S200、通过过滤噪声场景与同步回代缩减法对风光出力功率曲线场景进行削减;
S300、通过聚类削减算法对列车负荷功率曲线场景进行削减;
S400、计算牵引变电所的功率匹配参数,将车载储能装置容量、功率及联络线购电功率作为求解变量,构建日运行成本低、源荷功率自匹配度高的目标函数;
S500、循环迭代列车线路上的所有牵引变电所总数N,依次完成N个牵引变电所的多目标函数求解,计算出各个牵引变电所的列车车载储能配置功率与容量的最优解;
S600、根据最优解建立日运行成本低、源荷功率匹配高的车载储能配置模型并输出。
根据本发明的一些实施例,所述步骤S100中的历史运行数据包括区域风速历史参数、光照强度环境历史参数、列车运行数据图和电网购电价格。
根据本发明的一些实施例,所述步骤S100的具体步骤为:
S101、根据区域风速历史参数计算对应时间段的风电机组出力功率,计算公式为
Pwind(t)是第i个牵引变电所的风电机组在t时段发电功率;是风电机组的额定功率;是日前t时刻风速标幺值;vin,i和vout,i是风电机组的切入风速和切出风速;vNi是风电机组的额定运行风速;τi是第i个牵引变电所是否配置风电,0-1状态变量;
S102、根据光照强度环境历史参数计算对应时间段的光伏发电设备出力功率,计算公式为
PPV,i(t)为第i个牵引变电所的光伏发电设备在t时段发电功率,I(t)为所在地区光照强度;Imax为光伏发电设备正常发电所需光照强度阈值;为光伏发电设备额定发电功率;λi是第i个牵引变电所是否配置光伏发电设备,0-1状态变量;
S103、根据列车运行数据计算牵引变电所的列车日负荷功率,计算公式为
n(t)=n1(t)+n2(t)+n3(t)
其中,PG(t)为牵引变电所的列车日负荷功率,γ(t)为列车运行状态变量,0-1状态变量,1表示列车加速运行,0表示列车制动运行;为列车额定速度正常运行时所需供电功率;为正常制动状况时牵引变电所的送电功率;n(t)为t时刻在第i个牵引线的总列车车次数;n1(t)为t时刻变速运行状态下的车次,n2(t)为未达到额定速度的匀速运行状态下的车次数,n3(t)为额定运行速度下的车次数;vi(t)、vG,N为t时刻的列车实际速度与列车的正常额定运行速度;
S104、根据步骤S101计算出的风电机组出力功率和步骤S102计算出的光伏发电设备出力功率获得风光出力功率曲线场景,根据步骤S103计算出的牵引变电所的列车日负荷功率获得列车负荷功率曲线场景。
根据本发明的一些实施例,所述步骤S200的具体步骤为:
S201、构建风电和光伏的原始场景,分别计算光伏、风电各个原始场景间的欧氏距离,形成聚类的场景集合,根据场景集合划分为重要场景、一般场景与噪声场景;
S202、剔除噪声场景,保留重要场景与一般场景,作为原始场景;
S203、通过同步回代缩减法对原始场景进行缩减,获得缩减后场景功率曲线与对应场景的发生概率。
根据本发明的一些实施例,所述步骤S300中聚类削减算法的具体步骤为:
S301、选择m个列车负荷功率曲线作为初始聚类中心;
S302、计算所有列车各时刻负荷功率曲线的各初始聚类中心的欧式距离,归类各条负荷功率曲线并入距离最近的聚类中心曲线,计算公式为
其中,d(pi,t,oj,t)为t时刻第i条列车负荷曲线t时刻功率值到第j条初始聚类中心所在曲线t时刻功率值的欧式距离;pi,t为第i条列车负荷曲线数据;oj为第j个聚类中心的列车负荷曲线;
S303、通过聚类中心曲线更新计算公式更新聚类中心曲线,获得更新后的聚类中心曲线,聚类中心曲线更新计算公式为
S304、通过畸变函数对更新后的聚类中心曲线进行校验,所述畸变函数SSE(pi,t,oj,t)的公式为
若校验通过(SSE≤SSEmin),则继续后续步骤;
若校验未通过(SSE>SSEmin),则返回步骤S303重新更新聚类中心曲线;
其中,SSEmin为畸变函数校验最低阈值;
S305、通过聚类削减获得2种列车运行的典型场景作为牵引变电所的列车负荷重载场景和列车负荷正常场景。
根据本发明的一些实施例,所述步骤S400计算日内牵引变电所“源-网-荷”功率匹配参数,设置变量车载储能装置容量与联络线购电功率,以日运行成本低、源荷功率自匹配度高为目标函数的具体步骤为
S401、构建源荷功率自匹配度高的表达式
S402、构建车载锂电池储能购置与维护成本的表达式:
CBAT为车载锂电池储能的总购置成本;CEBAT为锂电池单位容量购置成本;CPBAT为锂电池单位功率购置成本;Com为锂电池单位容量维护成本;为锂电池购置容量与功率;NG为起点至终点线路上的列车总车辆数目;
S403、计算列车车载储能配置的电度电费收益,计算公式为
其中,Nlife为车载锂电池储能的总运行周期;Ie,t为t时刻的电网电费单价;Esave为锂电池每小时节省电能量;
S404、计算牵引变电所的日运行成本,计算公式为
其中,Cgrid,day,n为牵引变电所的日运行电网购电费用;
S405、根据第i个牵引变电所功率守恒原则,配合t时刻在第i条牵引线上的n(t)个列车总数,构建牵引变电所与电网的交互能量公式
其中,为t时刻牵引变电所i与公共电网的交互能量;Pwind(t)为t时刻牵引变电所的风电机组出力功率、PPV(t)为t时刻牵引变电所的光伏出力功率、为t时刻牵引变电所的储能放电,为t时刻牵引变电所的充电功率。
根据本发明的一些实施例,所述步骤S500中通过Cplex求解器完成N个牵引变电所的多目标函数求解。
根据本发明第二方面实施例的电气化铁路车载储能配置系统,包括:
数据获取单元,用于获取牵引变电所的历史运行数据,根据历史运行数据获得风光出力功率曲线场景和列车负荷功率曲线场景;
第一削减单元,用于通过过滤噪声场景与同步回代缩减法对风光出力功率曲线场景进行削减;
第二削减单元,用于通过聚类削减算法对列车负荷功率曲线场景进行削减;
函数构建单元,用于计算牵引变电所的功率匹配参数,设置变量车载储能装置容量与联络线购电功率,构建日运行成本低、源荷功率自匹配度高的目标函数;
函数求解单元,用于循环迭代列车线路上的所有牵引变电所总数N,依次完成N个牵引变电所的多目标函数求解,计算出各个牵引变电所的列车车载储能配置功率与容量的最优解;
模型输出单元,用于根据最优解建立日运行成本低、源荷功率匹配高的车载储能配置模型并输出。
根据本发明第三方面实施例的电子设备,所述电子设备包括存储器、处理器、存储在所述存储器上并可在所述处理器上运行的程序以及用于实现所述处理器和所述存储器之间的连接通信的数据总线,所述程序被所述处理器执行时实现如上述的方法的步骤。
根据本发明第四方面实施例的存储介质,所述存储介质为计算机可读存储介质,用于计算机可读存储,所述存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现上述的方法的步骤。
根据本发明实施例的电气化铁路车载储能配置方法、系统、设备及介质,至少具有如下
有益效果:
本发明提供了一种考虑源荷多重不确定性的电气化铁路车载储能配置方法,首先获取牵引变电所的历史运行数据;基于过滤噪声场景与同步回代缩减法构建场景削减策略;通过聚类削减算法来削减列车负荷功率曲线场景;计算日内牵引变电所“源-网-荷”功率匹配参数,设置变量车载储能装置容量与联络线购电功率,以日运行成本低、源荷功率自匹配度高为目标函数;循环迭代列车线路上的所有牵引变电所总数N,通过求解器依次完成N个牵引变电所的多目标函数求解,计算出各个牵引变电所的列车车载储能配置功率与容量的最优解;根据最优解建立日运行成本低、源荷功率匹配高的车载储能配置模型并输出。能够以运行成本最低、源荷功率匹配最高,构建了多目标函数,包括考虑储能配置成本、电网购电成本等。能够满足最优车载储能的规划要求,可靠性高、实用性好。
本发明的附加方面和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,或通过本发明的实践了解到。
附图说明
下面结合附图和实施例对本发明做进一步的说明,其中:
图1为本发明实施例中电气化铁路的牵引变电所的运行示意图;
图2为本发明实施例中电气化铁路车载储能配置方法的流程图。
具体实施方式
下面详细描述本发明的实施例,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,仅用于解释本发明,而不能理解为对本发明的限制。
在本发明的描述中,需要理解的是,涉及到方位描述,例如上、下等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
在本发明的描述中,多个指的是两个以上。如果有描述到第一、第二只是用于区分技术特征为目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
本发明的描述中,除非另有明确的限定,设置、安装、连接等词语应做广义理解,所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
参照图1和图2所示,一种电气化铁路车载储能配置方法,包括以下步骤:
S100、获取牵引变电所的历史运行数据,根据历史运行数据获得风光出力功率曲线场景和列车负荷功率曲线场景;
需要说明的是,牵引变电所指的是铁路线上从起点至终点沿途的所有牵引变电所,设一条线路上一共有N个牵引变电所,获取第i个牵引变电所的上一个月历史运行数据,1≤i≤N,历史运行数据包括该牵引变电所的区域风速历史参数、光照强度环境历史参数、列车运行数据和电网购电价格。
首先结合上一个月的牵引变电所所在区域的风速历史参数与光照强度历史参数,构建风光出力功率的场景集合,获得30条每日的日内时刻光伏、风电功率曲线,风速与风电机组出力功率相关联,光照强度与光伏出力功率相关联,步骤S100的具体步骤为:
S101、根据区域风速历史参数计算对应时间段的风电机组出力功率,计算公式为
其中,Pwind(t)是第i个牵引变电所的风电机组在t时段发电功率;是风电机组的额定功率;是日前t时刻风速标幺值;vin,i和vout,i是风电机组的切入风速和切出风速;vNi是风电机组的额定运行风速;τi是第i个牵引变电所是否配置风电,τi的状态变量为0-1;
S102、根据光照强度环境历史参数计算对应时间段的光伏发电设备出力功率,光伏发电设备出力和光照强度的计算公式为
其中,PPV,i(t)为第i个牵引变电所的光伏发电设备在t时段发电功率,I(t)为所在地区光照强度;Imax为光伏发电设备正常发电所需光照强度阈值;为光伏发电设备额定发电功率;λi是第i个牵引变电所是否配置光伏发电设备,λi的状态变量为0-1;
S103、根据列车运行数据计算牵引变电所的列车日负荷功率。
具体的,列车运行数据通过列车运行图获取,假设牵引线当日通过的列车型号均相同,依据列车日运行时刻图,可以根据牵引线当日经过列车的时刻、车次计算出第i个牵引变电所的列车日负荷功率与,其计算公式为
n(t)=n1(t)+n2(t)+n3(t)
其中,PG(t)为牵引变电所的列车日负荷功率,γ(t)为列车运行状态变量,γ(t)的状态变量为0-1,1表示列车加速运行,0表示列车制动运行;为列车额定速度正常运行时所需供电功率;为正常制动状况时牵引变电所的送电功率;n(t)为t时刻在第i个牵引线的总列车车次数;n1(t)、n2(t)、n3(t)分别为t时刻三种运行状况下的车次数,其中n1(t)为t时刻变速运行状态下的车次,变速运行状态指的是速度介于0至速度额定值,加/减速的运行状态;n2(t)为速度与上一时刻速度一致,匀速运行,但未达到额定速度的匀速运行状态下的车次数,n3(t)为额定运行速度下的车次数;vi(t)、vG,N分别为t时刻的列车实际速度与列车的正常额定运行速度。
其中,步骤S300中列车运行的约束条件为
S104、根据步骤S101计算出的风电机组出力功率和步骤S102计算出的光伏发电设备出力功率获得风光出力功率曲线场景,根据步骤S103计算出的牵引变电所的列车日负荷功率获得列车负荷功率曲线场景。
S200、通过过滤噪声场景与同步回代缩减法对风光出力功率曲线场景进行削减。
具体的,步骤S200首先基于过滤噪声场景与同步回代缩减法构建场景削减策略,然后通过场景削减策略对风光出力功率曲线场景进行削减。因为风电光伏功率存在较大不确定性与波动性,为了考虑其功率不确定性,并代入后续目标函数公式计算,因此就需要对风光出力功率曲线场景进行削减后,按照剩余典型的风光出力功率场景曲线来进行计算。通过步骤S200可以获取典型风光出力场景功率曲线。
需要说明的是,因为削减风电、光伏现有30种场景,因此需要削减场景获得3种典型场景下风光出力曲线;针对多场景大规模光伏、风电出力的场景削减问题,为提高削减的精确性,需要保留典型风光出力场景。因此本发明构建了过滤噪声场景与同步回代缩减法相关联的缩减策略,具体包括以下步骤:
S201、构建风电和光伏的原始场景,分别计算光伏、风电各个原始场景间的欧氏距离,形成聚类的场景集合,根据场景集合划分为重要场景、一般场景与噪声场景,欧氏距离的计算公式为;
场景集合的表达式为
其中,D(ci,cj)为场景ci与cj的欧氏距离;θi为场景ci的判断量,其中1表示重要,-1表示一般,0表示噪声;ε表示领域判断阈值;Nmin表示重要场景领域场景数目的最小判定阈值;为统计符合所在领域条件的场景数目。
S202、剔除噪声场景,保留重要场景与一般场景,将重要场景与一般场景作为同步回代缩减法的原始场景;
同步回代缩减法通过步骤S203-S206实现,具体如下:
S203、设剔除噪声场景的剩余场景总数为N’,迭代次数为k,迭代计算N’个场景的距离D’集合,作为N’×N’阶场景距离矩阵,公式为
D'(ci,cj)=||ct,i-ct,j||2
S207、判定保留场景数是否满足预期要求Nretain,依次循环迭代计算,若保留场景数超过预期要求数量,则继续迭代步骤S204,若等于场景预期要求数量,则获得缩减后场景功率曲线与对应场景的发生概率,也就是不同功率曲线将发生的概率。
需要说明的是,步骤S207中预期要求Nretain通过人为设定,作为一个阈值来展开判断。
S300、通过聚类削减算法对列车负荷功率曲线场景进行削减,
其中,因为铁路机车负荷曲线的波动性大,因此需要对列车负荷功率曲线场景进行削减,获得几种典型场景下列车功率曲线,步骤S300的具体步骤如下:
S301、选择m个列车负荷功率曲线作为初始聚类中心;
S302、计算所有列车各时刻负荷功率曲线的各初始聚类中心的欧式距离,归类各条负荷功率曲线并入距离最近的聚类中心曲线,计算公式为
其中,d(pi,t,oj,t)为t时刻第i条列车负荷曲线t时刻功率值到第j条初始聚类中心所在曲线t时刻功率值的欧式距离;pi,t为第i条列车负荷曲线数据;oj为第j个聚类中心的列车负荷曲线,因为步骤S301中选择m个列车负荷功率曲线,则上式中m为负荷的场景总数,本实施例中将m设定为30个,当然也可以根据实际需要设定为其他值。
S303、更新聚类中心曲线,获得更新后的聚类中心曲线,聚类中心曲线更新计算公式为
S304、通过畸变函数对更新后的聚类中心曲线进行校验,畸变函数SSE(pi,t,oj,t)的公式为
若校验通过(SSE≤SSEmin),则继续后续步骤;
若校验未通过(SSE>SSEmin),则返回步骤S303重新更新聚类中心曲线;
其中,SSEmin为畸变函数校验最低阈值;
S305、通过聚类削减获得2种列车运行的典型场景作为牵引变电所的列车负荷重载场景和列车负荷正常场景。
S400、计算牵引变电所的功率匹配参数,将车载储能装置容量、功率及联络线购电功率作为求解变量,构建日运行成本低、源荷功率自匹配度高的目标函数,
需要说明的是,牵引变电所的功率匹配参数为日内牵引变电所“源-网-荷”功率匹配参数,为保障牵引变电所可靠稳定运行,本发明在步骤S200中获得的风光出力低的典型场景与步骤S300中获得的列车负荷重载场景的基础上,构建日运行成本低、源荷功率自匹配度高的目标函数,具体如下:
S401、构建源荷功率自匹配度高的表达式,其中“源荷功率自匹配度高”采用“与公共电网交互电能低”来表示,具体如下
S402、构建车载车载储能设备购置与维护成本的表达式,为更好促进牵引能源系统的削峰填谷,提高能源供给的低碳清洁化,降低日运行成本,设定所有列车按照同等容量配置储能装置,储能装置为锂电池,列车的车载锂电池储能购置与维护成本的表达式为:
其中,CBAT为车载锂电池储能的总购置成本;CEBAT为锂电池单位容量购置成本;CPBAT为锂电池单位功率购置成本;Com为锂电池单位容量维护成本;为锂电池购置容量与功率;NG为起点至终点线路上的列车总车辆数目;
S403、计算列车车载储能配置的电度电费收益,列车车载储能配置带来收益,这是因为锂电池回收制动状况下能量,减少电能损耗,变相得转化为收益,因此电度电费收益计算公式为
其中,Nlife为车载锂电池储能的总运行周期;Ie,t为t时刻的电网电费单价;Esave为锂电池每小时节省电能量。
S404、计算牵引变电所的日运行成本;
具体的,牵引变电所的日运行成本根据车载储能的全生命周期时间结合车载储能的投资成本与收益来计算,其计算公式为
其中,Cgrid,day,n为牵引变电所的日运行电网购电费用;
S405、根据第i个牵引变电所功率守恒原则,配合t时刻在第i条牵引线上的n(t)个列车总数,构建牵引变电所与电网的交互能量的表达式
其中,为t时刻牵引变电所i与公共电网的交互能量;Pwind(t)为t时刻牵引变电所的风电机组出力功率、PPV(t)为t时刻牵引变电所的光伏出力功率、为t时刻牵引变电所的储能放电,为t时刻牵引变电所的充电功率。
需要说明的是,本发明中列车车载储能设备的运行约束为
S500、循环迭代列车线路上的所有牵引变电所总数N,通过求解器依次完成N个牵引变电所的多目标函数求解,计算出各个牵引变电所的列车车载储能配置功率与容量的最优解;
需要说明的是,本实施例中采用Cplex求解器依次完成列车线路第i={1,2,3......,N}个牵引变电所的多目标函数求解。
具体的,本实施例中采用MATLAB平台调用Cplex求解器计算分析。以一天24h为优化求解周期,步长为1h。循环迭代完成列车从起点站至终点站共计N个牵引变电所的依次计算。求解日运行成本低、源荷功率自匹配度高的目标函数,共获得N个牵引变电所线路的各自车载储能配置和电网购电的最优解,然后根据最优解进行车载储能配置。
配置车载储能后,为保证整条列车能够在运行线路上供电运行的安全性与可靠性,需要选取最大车载储能的功率与容量解,并为NG个列车均进行车载储能配置,计算公式如下。
S600、根据步骤S500计算出的列车车载储能配置功率与容量的最优解建立日运行成本低、源荷功率匹配高的车载储能配置模型并输出。
本发明还涉及一种电气化铁路车载储能配置系统,包括:数据获取单元、策略构建单元、场景削减单元、函数构建单元、函数求解单元和模型输出单元。
具体的,数据获取单元用于获取牵引变电所的历史运行数据,根据历史运行数据获得风光出力功率曲线场景和列车负荷功率曲线场景;第一削减单元用于通过过滤噪声场景与同步回代缩减法对风光出力功率曲线场景进行削减;第二削减单元用于通过聚类削减算法对列车负荷功率曲线场景进行削减;函数构建单元用于计算牵引变电所的功率匹配参数,设置变量车载储能装置容量与联络线购电功率,构建日运行成本低、源荷功率自匹配度高的目标函数;函数求解单元用于循环迭代列车线路上的所有牵引变电所总数N,依次完成N个牵引变电所的多目标函数求解,计算出各个牵引变电所的列车车载储能配置功率与容量的最优解;模型输出单元用于根据最优解建立日运行成本低、源荷功率匹配高的车载储能配置模型并输出。
本发明还涉及一种电子设备,所述电子设备包括存储器、处理器、存储在所述存储器上并可在所述处理器上运行的程序以及用于实现所述处理器和所述存储器之间的连接通信的数据总线,所述程序被所述处理器执行时实现如上述实施例的方法的步骤。
本发明还涉及一种存储介质,所述存储介质为计算机可读存储介质,用于计算机可读存储,所述存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现上述实施例的方法的步骤。
本发明提供了一种考虑源荷多重不确定性的电气化铁路车载储能配置方法,首先获取牵引变电所的历史运行数据;基于过滤噪声场景与同步回代缩减法构建场景削减策略;通过聚类削减算法来削减列车负荷功率曲线场景;计算日内牵引变电所“源-网-荷”功率匹配参数,设置变量车载储能装置容量与联络线购电功率,以日运行成本低、源荷功率自匹配度高为目标函数;循环迭代列车线路上的所有牵引变电所总数N,通过求解器依次完成N个牵引变电所的多目标函数求解,计算出各个牵引变电所的列车车载储能配置功率与容量的最优解;根据最优解建立日运行成本低、源荷功率匹配高的车载储能配置模型并输出。能够以运行成本最低、源荷功率匹配最高,构建了多目标函数,包括考虑储能配置成本、电网购电成本等。能够满足最优车载储能的规划要求,可靠性高、实用性好。
本发明以运行成本最低、源荷功率匹配最高构建多目标函数,综合考虑了储能配置成本和电网购电成本等。结合牵引变电所所在区域光伏、风电的储藏量以及月发电功率曲线特征,并考虑列车运行时刻表聚类划分列车的典型运行负荷曲线,应用MATLAB求解器完成多目标优化模型求解,获取最优车载储能的规划方案,可复制性强、推广意义高。
上面结合附图对本发明实施例作了详细说明,但是本发明不限于上述实施例,在所属技术领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (10)
1.一种电气化铁路车载储能配置方法,其特征在于,包括以下步骤:
S100、获取牵引变电所的历史运行数据,根据历史运行数据获得风光出力功率曲线场景和列车负荷功率曲线场景;
S200、通过过滤噪声场景与同步回代缩减法对风光出力功率曲线场景进行削减;
S300、通过聚类削减算法对列车负荷功率曲线场景进行削减;
S400、计算牵引变电所的功率匹配参数,将车载储能装置容量、功率及联络线购电功率作为求解变量,构建日运行成本低、源荷功率自匹配度高的目标函数;
S500、循环迭代列车线路上的所有牵引变电所总数N,依次完成N个牵引变电所的多目标函数求解,计算出各个牵引变电所的列车车载储能配置功率与容量的最优解;
S600、根据最优解建立日运行成本低、源荷功率匹配高的车载储能配置模型并输出。
2.根据权利要求1所述的电气化铁路车载储能配置方法,其特征在于,所述步骤S100中牵引变电所的历史运行数据包括区域风速历史参数、光照强度环境历史参数、列车运行数据图和电网购电价格。
3.根据权利要求2所述的电气化铁路车载储能配置方法,其特征在于,所述步骤S100的具体步骤为:
S101、根据区域风速历史参数计算对应时间段的风电机组出力功率,计算公式为
其中,Pwind(t)是第i个牵引变电所的风电机组在t时段发电功率;是风电机组的额定功率;是日前t时刻风速标幺值;vin, i是风电机组的切入风速,vout, i是风电机组的切出风速;vNi是风电机组的额定运行风速;τi表示第i个牵引变电所是否配置风电,τi的状态变量为0-1;
S102、根据光照强度环境历史参数计算对应时间段的光伏发电设备出力功率,计算公式为
PPV,i(t)为第i个牵引变电所的光伏发电设备在t时段发电功率,I(t)为所在地区光照强度;Imax为光伏发电设备正常发电所需光照强度阈值;为光伏发电设备额定发电功率;λi是第i个牵引变电所是否配置光伏发电设备,λi的状态变量为0-1;
S103、根据列车运行数据计算牵引变电所的列车日负荷功率,计算公式为
n(t)=n1(t)+n2(t)+n3(t)
其中,PG(t)为牵引变电所的列车日负荷功率,γ(t)为列车运行的状态变量;为列车额定速度正常运行时所需供电功率;为正常制动状况时牵引变电所的送电功率;n(t)为t时刻在第i个牵引线的总列车车次数;n1(t)、n2(t)、n3(t)分别为t时刻三种运行状况下的车次数;n1(t)为t时刻变速运行状态下的车次,n2(t)为未达到额定速度的匀速运行状态下的车次数,n3(t)为额定运行速度下的车次数;vi(t)为t时刻的列车实际速度,vG,N为列车的正常额定运行速度;
S104、根据步骤S101计算出的风电机组出力功率和步骤S102计算出的光伏发电设备出力功率获得风光出力功率曲线场景,根据步骤S103计算出的牵引变电所的列车日负荷功率获得列车负荷功率曲线场景。
4.根据权利要求1所述的电气化铁路车载储能配置方法,其特征在于,所述步骤S200的具体步骤为:
S201、构建风电和光伏的原始场景,分别计算光伏和风电各个原始场景间的欧氏距离,形成聚类的场景集合,根据场景集合划分为重要场景、一般场景与噪声场景;
S202、剔除噪声场景,保留重要场景与一般场景,作为原始场景;
S203、通过同步回代缩减法对原始场景进行缩减,获得缩减后场景功率曲线与对应场景的发生概率。
5.根据权利要求1所述的电气化铁路车载储能配置方法,其特征在于,所述步骤S300中聚类削减算法的具体步骤为:
S301、选择m个列车负荷功率曲线作为初始聚类中心;
S302、计算所有列车各时刻负荷功率曲线的各初始聚类中心的欧式距离,归类各条负荷功率曲线并入距离最近的聚类中心曲线,计算公式为
其中,d(pi,t,oj,t)为t时刻第i条列车负荷曲线t时刻功率值到第j条初始聚类中心所在曲线t时刻功率值的欧式距离;pi,t为第i条列车负荷曲线数据;oj为第j个聚类中心的列车负荷曲线;
S303、通过聚类中心曲线更新计算公式更新聚类中心曲线,获得更新后的聚类中心曲线,聚类中心曲线更新计算公式为
S304、通过畸变函数对更新后的聚类中心曲线进行校验,所述畸变函数SSE(pi,t,oj,t)的公式为
若校验通过(SSE≤SSEmin),则继续后续步骤;
若校验未通过(SSE>SSEmin),则返回步骤S303重新更新聚类中心曲线;
其中,SSEmin为畸变函数校验最低阈值;
S305、通过聚类削减获得2种列车运行的典型场景作为牵引变电所的列车负荷重载场景和列车负荷正常场景。
6.根据权利要求1所述的电气化铁路车载储能配置方法,其特征在于,所述步骤S400的具体步骤为
S401、构建源荷功率自匹配度高的表达式
S402、构建车载锂电池储能购置与维护成本的表达式:
CBAT为车载锂电池储能的总购置成本;CEBAT为锂电池单位容量购置成本;CPBAT为锂电池单位功率购置成本;Com为锂电池单位容量维护成本;为锂电池购置容量,为锂电池购置功率;NG为起点至终点线路上的列车总车辆数目;
S403、计算列车车载储能配置的电度电费收益,计算公式为
其中,Nlife为车载锂电池储能的总运行周期;Ie,t为t时刻的电网电费单价;Esave为锂电池每小时节省电能量;
S404、计算牵引变电所的日运行成本,计算公式为
其中,Cgrid,day,n为牵引变电所的日运行电网购电费用;
S405、根据第i个牵引变电所功率守恒原则,配合t时刻在第i条牵引线上的n(t)个列车总数,构建牵引变电所与电网的交互能量的表达式
7.根据权利要求1所述的电气化铁路车载储能配置方法,其特征在于,所述步骤S500中通过Cplex求解器完成N个牵引变电所的多目标函数求解。
8.一种电气化铁路车载储能配置系统,其特征在于,包括:
数据获取单元,用于获取牵引变电所的历史运行数据,根据历史运行数据获得风光出力功率曲线场景和列车负荷功率曲线场景;
第一削减单元,用于通过过滤噪声场景与同步回代缩减法对风光出力功率曲线场景进行削减;
第二削减单元,用于通过聚类削减算法对列车负荷功率曲线场景进行削减;
函数构建单元,用于计算牵引变电所的功率匹配参数,设置变量车载储能装置容量与联络线购电功率,构建日运行成本低、源荷功率自匹配度高的目标函数;
函数求解单元,用于循环迭代列车线路上的所有牵引变电所总数N,依次完成N个牵引变电所的多目标函数求解,计算出各个牵引变电所的列车车载储能配置功率与容量的最优解;
模型输出单元,用于根据最优解建立日运行成本低、源荷功率匹配高的车载储能配置模型并输出。
9.一种电子设备,其特征在于,所述电子设备包括存储器、处理器、存储在所述存储器上并可在所述处理器上运行的程序以及用于实现所述处理器和所述存储器之间的连接通信的数据总线,所述程序被所述处理器执行时实现如权利要求1至7任一项所述的方法的步骤。
10.一种存储介质,所述存储介质为计算机可读存储介质,用于计算机可读存储,其特征在于,所述存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211694859.8A CN115833207A (zh) | 2022-12-28 | 2022-12-28 | 电气化铁路车载储能配置方法、系统、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211694859.8A CN115833207A (zh) | 2022-12-28 | 2022-12-28 | 电气化铁路车载储能配置方法、系统、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115833207A true CN115833207A (zh) | 2023-03-21 |
Family
ID=85518898
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211694859.8A Pending CN115833207A (zh) | 2022-12-28 | 2022-12-28 | 电气化铁路车载储能配置方法、系统、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115833207A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117810914A (zh) * | 2024-02-27 | 2024-04-02 | 成都交大光芒科技股份有限公司 | 一种牵引变电所储能装置运行状态预测方法以及系统 |
-
2022
- 2022-12-28 CN CN202211694859.8A patent/CN115833207A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117810914A (zh) * | 2024-02-27 | 2024-04-02 | 成都交大光芒科技股份有限公司 | 一种牵引变电所储能装置运行状态预测方法以及系统 |
CN117810914B (zh) * | 2024-02-27 | 2024-05-03 | 成都交大光芒科技股份有限公司 | 一种牵引变电所储能装置运行状态预测方法以及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jian et al. | Optimal scheduling for vehicle-to-grid operation with stochastic connection of plug-in electric vehicles to smart grid | |
Liu et al. | Optimal sizing of a wind-energy storage system considering battery life | |
Wu et al. | A two-stage stochastic optimization model for scheduling electric vehicle charging loads to relieve distribution-system constraints | |
Tang et al. | Aggregated optimal charging and vehicle‐to‐grid control for electric vehicles under large electric vehicle population | |
CN109398149A (zh) | 基于分布式能源应用的智能电动汽车充放电系统及其运行控制方法 | |
CN110751314B (zh) | 考虑用户充电行为特征数据驱动的电动汽车负荷预测方法 | |
Zheng et al. | Optimal integration of mobile battery energy storage in distribution system with renewables | |
US11498450B2 (en) | Forecast of electric vehicle state of charge and energy storage capacity | |
Zheng et al. | Optimal short-term power dispatch scheduling for a wind farm with battery energy storage system | |
CN110245858B (zh) | 一种含电动汽车充电站的微电网可靠性评估方法 | |
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 | |
Liu et al. | Energy-storage configuration for EV fast charging stations considering characteristics of charging load and wind-power fluctuation | |
CN115833207A (zh) | 电气化铁路车载储能配置方法、系统、设备及介质 | |
CN115065078A (zh) | 微网环境下储能容量配置方法及系统 | |
Brenna et al. | Synergy between renewable sources and electric vehicles for energy integration in distribution systems | |
CN109950900B (zh) | 基于电动汽车负荷最小峰值模型的微网负荷削减控制方法 | |
CN115102160A (zh) | 一种薄弱电网条件下牵引供电系统日前能量优化调度方法 | |
Kim et al. | Methodology for security analysis of grid-connected electric vehicle charging station with wind generating resources | |
CN112928766A (zh) | 一种基于多影响因素的配电网接纳电动汽车能力评估方法 | |
TWI706366B (zh) | 電動車充電站電能管理方法 | |
Naik et al. | Small‐scale solar plants coupled with smart public transport system and its coordination with the grid | |
CN113052450B (zh) | 一种适应电能替代发展战略的城市能源互联网规划方法 | |
CN112003279B (zh) | 层次化微电网新能源消纳能力的评估方法 | |
He et al. | Coordinated planning of charging swapping stations and active distribution network based on EV spatial‐temporal load forecasting | |
Zhang et al. | Simulating charging processes of mobility-on-demand services at public infrastructure: Can operators complement each other? |
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 |