CN115907488A - 考虑用户积极性的新能源微电网多层级车网协同优化方法 - Google Patents
考虑用户积极性的新能源微电网多层级车网协同优化方法 Download PDFInfo
- Publication number
- CN115907488A CN115907488A CN202211414115.6A CN202211414115A CN115907488A CN 115907488 A CN115907488 A CN 115907488A CN 202211414115 A CN202211414115 A CN 202211414115A CN 115907488 A CN115907488 A CN 115907488A
- Authority
- CN
- China
- Prior art keywords
- layer
- grid
- charge
- microgrid
- load
- 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.)
- Granted
Links
Images
Classifications
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明提出了一种考虑用户积极性的新能源微电网多层级车网协同优化方法,将NEMG优化过程分为负荷层、微网层和配网层。首先,在负荷层,利用蒙特卡洛模拟算法对EV集群A进行有序充放电调度;其次,将负荷层优化结果传送给微网层,微网层通过调控清洁能源、蓄电池及EV集群B出力构建微网层优化模型,并利用MPSO算法进行求解;最后,将微网层优化结果传送给配网层,配网层以燃气轮机与主网联络线的综合运行成本和主网交互功率波动为配网层优化模型,并利用MPSO算法进行求解,以实现经济性与安全性高度统一。本发明的多层级优化策略调节了系统的综合性能,在实现系统的经济性、稳定性与环境效益等多方面的互利共赢行之有效。
Description
技术领域
本发明涉及电动汽车调度技术领域,特别是指一种考虑用户积极性的新能源微电网多层级车网协同优化方法。
背景技术
电动汽车(Electrical Vehicle,EV)作为低碳出行首选的交通工具近年来发展迅速,然而EV直接入网不易达到低碳的预期,且规模化EV入网大概率会进一步增大负荷峰谷差进而影响系统运行的安全与稳定性。对EV接入新能源微网(New Energy Microgrid,NEMG)的统一调配管理可有效减缓规模化EV入网所带来的消极影响,另外,此策略不仅可实时消纳清洁能源,从而达成真正的绿色低碳理念,还可利用车网互动(Vehicle-to-Grid,V2G)技术完成削峰填谷、提供辅助服务等实现多重效益。因此,合理的EV有序充放电调控和微网系统配置给系统的安全、经济与平稳运行提供坚实的保障。
EV作为一种交通工具,其使用主体是具有社会属性的群体,因此用户群体参与调控的积极性应放在考虑因素的首位。文献[王敏,吕林,向月.计及V2G价格激励的电动汽车削峰协同调度策略[J].电力自动化设备,2022,42(04):27-33+85.]提出车网互动激励价格机制,当提升用户参与度系数后,EV参与V2G的激励价格与当前系统的削峰需求呈正相关增长趋势,而用户的积极性对EV的参与度起决定作用,当参与度小于最低临界值时会使得网内负荷曲线偏离正常趋势。文献[王行行,赵晋泉,王珂,等.考虑用户满意度和配网安全的电动汽车多目标双层充电优化[J].电网技术,2017,41(07):2165-2172.]计及用户满意度与配网安全性建立配网-充电站双侧架构,但是模型中EV的频繁充放电会对电池产生较大负面影响。文献[许梦瑶,艾小猛,方家琨,等.考虑用户积极性的电动汽车与机组联合调频的两阶段随机优化调度模型[J].电网技术,2022,46(06):2033-2041.]将积极性指标定义为用电便利性与电池退化成本补偿,以提高EV用户参与辅助服务的积极性。
目前已有较多文章将EV并入NEMG,从而加强其经济性和安全性,改善其资源配置,调节系统的综合性能。文献[荣经国,艾欣,吴界辰,等.考虑高比例电动汽车及风电协同参与的机组组合策略[J].智慧电力,2019,47(05):25-31.]提出一种自下而上调度方案合理的利用了规模化EV资源的灵活性,有效地缩减机组发电成本,提升了可再生能源消纳能力。文献[Li F,Guo H,Jing Z,et al.Peak and valley regulation of distributionnetwork with electric vehicles[J].Journal of Engineering,2019,2019(16):2488-2492.]给出了EV多目标优化策略,但没有讨论如何从电网侧削弱系统负荷波动。文献[占恺峤,胡泽春,宋永华,等.含新能源接入的电动汽车有序充电分层控制策略[J].电网技术,2016,40(12):3689-3695.]将调度模型分为主、次控制中心以及EV集群三层进行优化,研究显示多层级调度具有更好的延展性。上述研究对于EV接入NEMG的研究主要是集中式优化调度,然而现阶段电力系统的参与方日益丰富,由于各利益主体设备隐私需求限制,集中式调度难以获取详细的整体信息,这也是限制电力系统优化的一大阻碍,而多层级协调控制调度多主体电力系统恰好可解决这一难题。
发明内容
针对上述背景技术中存在的不足,本发明提出了一种考虑用户积极性的新能源微网多层级车网协同优化方法,根据各可调度单元属性的差异将其归纳至相应层级,每层充分考虑其运行特性设定相应调度指标,以达到多方互利共赢的目标,最终通过微网系统验证所建架构的合理性与有效性。
本发明的技术方案是这样实现的:
一种考虑用户积极性的新能源微电网多层级车网协同优化方法,其步骤如下:
步骤一:搭建新能源微电网的系统架构,将新能源微电网分为负荷层、微网层和配网层;
步骤二:在负荷层,利用蒙特卡洛模拟算法对EV集群A进行有序充放电调度,得到EV用户综合积极性指数和EV集群A有序充放电负荷;
步骤三:将负荷层优化得到的EV集群A有序充放电负荷与基础负荷叠加传送给微网层,与风光出力共同组成净负荷,微网层通过调控蓄电池及EV集群B出力构建微网层优化模型,并利用多目标粒子群优化MPSO算法进行求解,得到最优的新能源微电网的运行成本和净负荷均值;
步骤四:将微网层优化得到的新能源微电网的净负荷均值传送给配网层,配网层以燃气轮机与主网联络线的综合运行成本和主网交互功率波动为配网层优化模型,并利用多目标粒子群优化MPSO算法进行求解,得到最优的燃气轮机与主网联络线的综合运行成本和主网交互功率。
所述EV集群A中的EV用户第二天有出行计划,对于集群A考虑用户出行需求,EV集群B中的EV用户第二天无出行计划,集群B中EV为实时可控EV。
步骤二的实现方法为:
S2.1、EV用户每天离网时刻Tout,i服从均值为6.92、方差为1.24的正态分布,EV用户每天入网时刻Tin,i服从均值为17.47、方差为1.80的正态分布,分别表示为:
Tout,i~N(6.92,1.242);
Tin,i~N(17.47,1.802);
日行驶里程Ls服从对数正态分布,概率密度函数f(x)为:
式中:均值μ=2.78;方差σ=0.82;
新能源微电网的原始负荷PLB(t)的高峰起始时刻为Tstart,高峰结束时刻为Tend,通过EVi入网时刻Tin来确定EV的充放电状态:
式中:q为EV公里耗电量,ε为EV最大放电深度;Sb,i为用户预期荷电状态,Cbatt,i为EVi的电池容量,且Si(Tout,i)≥Sb,i,Si(Tout,i)表示EVi离网时荷电状态;
S2.2、EV在行驶中,其行驶路程与车辆的荷电状态呈现出线性关系,EV充电功率恒定,则可得单辆EV荷电状态模型为:
式中:Cch,i为EVi的充电电量,Sin,i为EVi入网时荷电状态;Si(t)为EVi的t时段荷电状态;Δt为单位时段;η为EV充放电效率;Pmax为EV最大充放电功率;Pi(t)为t时段EV充放电功率;
S2.3、计算EVi用户出行充电需求指标和EVi用户费用支出指标:
其中,为EV用户出行充电需求指标,为EV用户费用支出指标,Qm,i为日常行驶容量;Qs,i为EV充放电负荷容量;Qr,i为备用行驶容量;Ci=Cprice,i+Closs,i为费用支出;为充放电费用;为充放电状态;为电池损耗费用;和分别为EVi充电的最低与最高支出费用;为EV购电价,为EV售电价;Cchange为更换电池费用;Echange为最大充放电量;T表示总时间;
EV用户的综合积极性指数γ可表示为:
所述微网层优化模型为:
PNL(t)=-PPV(t)-PWT(t)+PSB(t)+PEV(t)+PL(t);
PL(t)=PLB(t)+PEVA(t);
式中:F1为新能源微电网的运行成本,F2为新能源微电网的净负荷均值,为储能的综合运行成本;为EV集群B的收益;PNL(t)为经微网层优化后t时段的新能源微电网的净负荷;PSB(t)为蓄电池SB在t时段的出力,PEV(t)为EV在t时段的出力,PPV(t)为光伏机组PV在t时段的出力,PWT(t)为风电机组WT在t时段的出力;为蓄电池SB运行成本系数,为蓄电池SB损耗成本系数;PEVA(t)为EV集群A有序充放电负荷,PL(t)为EV集群A经负荷层优化后的新能源微电网的负荷;
微网层优化模型的约束条件如下:
蓄电池SB荷电状态约束:
蓄电池SB出力上下限约束:
EV荷电状态约束:
所述配网层优化模型为:
minF3=CCO+CEN+CRMT;
式中:F3为燃气轮机与主网联络线的综合运行成本,F4为主网交互功率,CCO为配网层发电成本,CEN为环境治理总成本,CRMT为额外收益;PGRID(t)为t时段微网与主网间传输功率,Pavr为平均功率;
所述配网层发电成本为
CCO=CMT+CGC;
式中:为联络线交互成本;CMT为燃气轮机MT发电成本;为燃料成本,为折旧成本,为运维成本;Q为天然气价格,CLHV为天然气低热值;ηMT为燃气轮机MT效率,PMT(t)为燃气轮机MT在t时段出力,为燃气轮机MT装机费用,PMT为燃气轮机MT额定功率;fMT为容量因子;d为折旧率;u为有效使用期限;为单位运维费用系数;为向主网购电价格,为向主网售电价格;为购电状态,为售电状态;
所述环境治理总成本为:
式中:Cj为处理第j类污染物单位成本;λmt,j为燃气轮机MT污染物单位排放量,λgrid,j为主网联络线污染物单位排放量;
所述额外收益为:
CRMT=CRQR;
QR=COPRηreQMT;
式中:CR为供热售卖价格;QR为供热量;COPR为供热系数;ηre为余热回收率;QMT为排气余热量;ηMT为MT发电效率;ηloss为热量散失系数;
配网层优化模型的约束条件如下:
传输功率约束:
燃气轮机MT出力约束:
燃气轮机MT爬坡速率约束:
新能源微电网购、售电状态变量约束:
功率平衡约束:
PGRID(t)+PMT(t)=PNL(t)。
所述利用多目标粒子群优化MPSO算法进行求解的方法为:
初始化粒子位置和速度,计算每个粒子的适应度值并得到个体最优和全局最优;
根据适应度值将所有种群中存在非支配关系的粒子存入外部精英集中;
更新粒子的位置与速度,计算每个粒子的适应度值更新各自最优和全局最优;
对上一代外部精英集中粒子进行变异计算变异粒子的适应度值,并与本代粒子共同选出非支配解,更新外部精英集;
当达到最大迭代次数时输出最优解集;
最后采用模糊隶属度函数在最优解集中获取最优折中解。
所述粒子的位置与速度的更新方法为:
Vi(t'+1)=ωVi(t')+c1r1(pbesti(t')-Xi(t'))+c2r2(gbest(t')-Xi(t'));
Xi(t'+1)=Xi(t')+Vi(t'+1);
其中,Vi(t')为t'次迭代的粒子i的速度,pbesti(t')为t'次迭代的粒子i的局部最优值,Xi(t')为t'次迭代的粒子i的位置,gbest(t')为t'次迭代的全局最优值,Vi(t'+1)为t'+1次迭代的粒子i的速度,Xi(t'+1)为t'+1次迭代的粒子i的位置,ω为惯性权重,c1、c2表示学习因子,r1、r2表示[0,1]之间的随机数;
惯性权重的调节方法为:
ω=ωmax-(ωmax-ωmin)(t'/tmax)2;
式中:tmax为最大迭代次数;ωmin为惯性权重最小值,ωmax为惯性权重最大值。
所述对上一代外部精英集中粒子进行变异的方法为:
选取位于[0,1]区间随机数赋值给r1,r2;
对第i个粒子的第k维利用Xi,k=Xmin+(Xmax-Xmin)r2进行变异,其中,Xi,k表示第i个粒子位置,Xmax表示粒子位置取值最大值,Xmin表示粒子位置取值最小值。
与现有技术相比,本发明产生的有益效果为:
1)针对规模化EV接入并网型NEMG的随机性行为,计及其不同的利益主体,本发明提出了NEMG多层级车网协同优化策略;负荷层考虑EV用户积极性前提下,改善了EV充放电计划,微网层调动储能与EV最大化消纳清洁能源以实现低碳理念并节约成本,配网层调度分布式电源出力以减少运行成本,稳定交互波动。
2)本发明提出的考虑EV用户积极性综合指标模型令用户积极性大幅提升,而且不仅在实现“削峰填谷”目标中发挥良好作用,还使EV充放电调度更加贴合实际。
3)通过与不分层级调度对照,本发明所提多层级优化策略调节了系统的综合性能,在实现系统的经济性、稳定性与环境效益等多方面的互利共赢行之有效。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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例,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获得其他的附图。
图1为本发明的多层级车网协同增效策略框架。
图2为本发明的多层级车网协同优化策略仿真计算流程图。
图3为本发明的分时电价。
图4为本发明的不同方案的负荷曲线。
图5为本发明的微网层优化Pareto前沿。
图6为本发明的微网层各单元出力曲线。
图7为本发明的配网层优化Pareto前沿。
图8为本发明的配网层各单元出力曲线。
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付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。
本发明实施例提供了一种考虑用户积极性的新能源微电网多层级车网协同优化方法,以新的观察视角将NEMG优化过程分为负荷层、微网层和配网层。首先,负荷层在考虑用户积极性的前提下将EV作为一种控制负荷的手段,通过分时电价来优化用电负荷。其次,微网层为最大程度贴合清洁能源出力态势,采用清洁能源支撑上层优化后负荷,并由EV与储能参与辅助调节。最终,结余净负荷在配网层由主网与燃气轮机消纳,结余清洁能源入网获取收益,以实现经济性与安全性高度统一。具体步骤如下:
步骤一:搭建新能源微电网的系统架构,将新能源微电网分为负荷层、微网层和配网层;
如图1所示,搭建的NEMG系统架构如图1所示,其中含风电机组WT(Wind Turbine)、光伏机组PV(Photovoltaic)、燃气轮机MT(Micro Turbine)、热电联产机组CU(Cogeneration Units)、蓄电池SB(Storage Battery)、智能充电桩及必要通讯设备等。本发明调度的EV根据用户上报给微网调控中心数据分为两个集群:A集群中EV用户第二天有出行计划,对于此集群考虑用户出行需求,B集群中EV用户第二天无出行计划,此集群中EV为实时可控EV,这种分类方式可实现整体收益最大化。另外,美国交通部的车辆调查报告显示,每天约有20%的车辆处于闲置状态。由此,本发明设定A集群400辆EV,B集群100辆EV。负荷层对NEMG原始负荷“削峰填谷”的同时优化EV用户积极性;微网层对上层优化后负荷再次优化以减少运行成本,另外还尽可能调动EV与SB的储能特性最大化消纳清洁能源,降低弃风、弃光率以实现绿色低碳理念;配网层优化MT与主网联络线出力来削减综合运行成本并减弱交互功率波动,其目的为加强NEMG的经济与安全稳定性。
步骤二:在负荷层,利用蒙特卡洛模拟算法对EV集群A进行有序充放电调度,得到EV用户综合积极性指数和EV集群A有序充放电负荷;
EV用户积极性模型:负荷层将EV作为调控负荷的手段,在负荷高峰时,制定较高交互电价促使参与调度的EV放电和减少充电行为;在负荷低谷时,制定较低交互电价促使参与调度的EV充电和减少放电行为,以此达到通过分时电价引导EV有序充放电来优化负荷曲线的目的。但EV是具有自主行为特性的用户端设备,每辆EV不能由电网直接调控,需要EV用户积极参与接受调度,由此迎合EV用户的意愿、激发其参与EV有序充放电是实现NEMG安全稳定运行与多方互利共赢的重要保障。便利性与经济性是影响用户参与积极性的两个首要因素,因此,本发明分别考虑EV用户出行充电需求指标与EV用户费用支出指标
(1)EV用户出行充电需求指标为:
其中,Si(Tout,i)为EVi离网时荷电状态(State of Charging,SOC);Qm,i为日常行驶容量;Qs,i为EV充放电负荷容量;Sb,i为用户预期SOC;Qr,i为备用行驶容量。
(2)EV用户费用支出指标为:
Ci=Cprice,i+Closs,i (4);
式中:Ci为费用支出;和分别为EVi充电的最低与最高支出费用;Closs,i和Cprice,i分别为电池损耗费用与充放电费用;Pi(t)为t时段EV充放电功率;和分别为EV购、售电价;Ii(t)为充放电状态;Cchange为更换电池费用;Echange为最大充放电量;T表示总时间。EV用户的综合积极性指数γ可表示为:
EV耗电量模型:EV在行驶中,其行驶路程与车辆的SOC呈现出线性关系,EV充电功率恒定,则可得单辆EV荷电状态模型为:
式中:Cch,i和Cbatt,i分别为EVi的充电电量与电池容量;Sin,i为EVi入网SOC;Si(t)为EVi的t时段SOC;Δt为单位时段(1小时);η为EV充放电效率;Pmax为EV最大充放电功率;Tin,i与Tout,i分别为EV的入网、离网时刻。
EV出行行为时空随机性建模:EV用户每天离网时刻Tout,i服从均值为6.92、方差为1.24的正态分布,EV用户每天入网时刻Tin,i服从均值为17.47、方差为1.80的正态分布,分别表示为:
Tout,i~N(6.92,1.242) (10);
Tin,i~N(17.47,1.802) (11);
日行驶里程Ls服从对数正态分布,概率密度函数f(x)为:
式中:均值μ=2.78;方差σ=0.82。
新能源微电网的原始负荷PLB(t)的高峰起始时刻为Tstart,高峰结束时刻为Tend,通过EVi入网时刻Tin来确定EV的充放电状态:
式中:q为EV公里耗电量,ε为EV最大放电深度;Sb,i为用户预期荷电状态,Cbatt,i为EVi的电池容量,为使EV用户下次出行不受影响,则需
Si(Tout,i)≥Sb,i (15)
步骤三:将负荷层优化得到的EV集群A有序充放电负荷与基础负荷叠加传送给微网层,与风光出力共同组成净负荷,微网层通过调控蓄电池及EV集群B出力构建微网层优化模型,并利用多目标粒子群优化MPSO算法进行求解,得到最优的新能源微电网的运行成本和净负荷均值;
微网层调度为保证系统经济性以NEMG运行成本最低作为优化目标,另为实现低碳理念需充分消纳清洁能源,即NEMG净负荷均值最小。
PNL(t)=-PPV(t)-PWT(t)+PSB(t)+PEV(t)+PL(t) (20);
PL(t)=PLB(t)+PEVA(t) (21);
式中:F1为新能源微电网的运行成本,F2为新能源微电网的净负荷均值,为储能的综合运行成本;为EV集群B的收益;PNL(t)为经微网层优化后t时段的新能源微电网的净负荷;PSB(t)为蓄电池SB在t时段的出力,PEV(t)为EV在t时段的出力,PPV(t)为光伏机组PV在t时段的出力,PWT(t)为风电机组WT在t时段的出力;为蓄电池SB运行成本系数,为蓄电池SB损耗成本系数;PEVA(t)为EV集群A有序充放电负荷,PL(t)为EV集群A经负荷层优化后的新能源微电网的负荷。
EV集群B和集群A的调度策略框架大体一致,只是集群B充电起始时刻的选取有所不同。为充分消纳风、光等清洁能源,负荷层优化后的NEMG负荷小于风、光总出力的时间段设定为EV的充电时间,否则为放电时段。
约束条件
1)蓄电池SB荷电状态约束:
2)蓄电池SB出力上下限约束:
3)EV荷电状态约束:
步骤四:将微网层优化得到的新能源微电网的净负荷均值传送给配网层,配网层以燃气轮机与主网联络线的综合运行成本和主网交互功率波动为配网层优化模型,并利用多目标粒子群优化MPSO算法进行求解,得到最优的燃气轮机与主网联络线的综合运行成本和主网交互功率。
为降低对主网的影响以及保证自身的经济性,配网层以燃气轮机与主网联络线的综合运行成本和主网交互功率波动为优化指标。
minF3=CCO+CEN+CRMT (25);
式中:F3为燃气轮机与主网联络线的综合运行成本,F4为主网交互功率,CCO为配网层发电成本,CEN为环境治理总成本,CRMT为额外收益;PGRID(t)为t时段微网与主网间传输功率,Pavr为平均功率。
所述配网层发电成本为:
CCO=CMT+CGC (28);
式中:CGC为联络线交互成本;CMT为燃气轮机MT发电成本;为燃料成本,为折旧成本,为运维成本;Q为天然气价格,CLHV为天然气低热值;ηMT为燃气轮机MT效率,PMT(t)为燃气轮机MT在t时段出力,为燃气轮机MT装机费用,PMT为燃气轮机MT额定功率;fMT为容量因子;d为折旧率;u为有效使用期限;为单位运维费用系数。
NEMG通过联络线与主网进行电能的交互,因分时电价有一定的价格差,从而可产生一定的效益。
传统能源发电会带来COx、SO2、NOx等一系列污染物,为实现绿色低碳理念,扩大清洁能源入网规模,引入染物治理费用即环境成本。
式中:Cj为处理第j类污染物单位成本;λmt,j为燃气轮机MT污染物单位排放量,λgrid,j为主网联络线污染物单位排放量.
燃气轮机提供电能的同时,还可进行热电联产,实现能量梯级利用、获取供热的额外收益。
CRMT=CRQR (36);
QR=COPRηreQMT (37);
式中:CR为供热售卖价格;QR为供热量;COPR为供热系数;ηre为余热回收率;QMT为排气余热量;ηMT为MT发电效率;ηloss为热量散失系数。
约束条件
1)传输功率约束:
2)燃气轮机MT出力约束:
3)燃气轮机MT爬坡速率约束:
4)新能源微电网购、售电状态变量约束:
5)功率平衡约束:
PGRID(t)+PMT(t)=PNL(t) (43)。
本发明采用蒙特卡洛模拟算法和多目标粒子群优化MPSO(multiobjectiveparticle swarm optimization)算法联合求解上述模型,蒙特卡洛模拟算法求解负荷层模型;多目标粒子群优化MPSO求解微网层和配网层多目标、高维、非线性、多约束的优化模型,同时对算法进行改进。模型求解流程如图2。
利用多目标粒子群优化MPSO算法进行求解的方法为:
初始化粒子位置和速度,计算每个粒子的适应度值并得到个体最优和全局最优;
根据适应度值将所有种群中存在非支配关系的粒子存入外部精英集中;
更新粒子的位置与速度,计算每个粒子的适应度值更新各自最优和全局最优;
更新方法为:
Vi(t'+1)=ωVi(t')+c1r1(pbesti(t')-Xi(t'))+c2r2(gbest(t')-Xi(t'))(44);
Xi(t'+1)=Xi(t')+Vi(t'+1) (45);
其中,Vi(t')为t'次迭代的粒子i的速度,pbesti(t')为t'次迭代的粒子i的局部最优值,Xi(t')为t'次迭代的粒子i的位置,gbest(t')为t'次迭代的全局最优值,Vi(t'+1)为t'+1次迭代的粒子i的速度,Xi(t'+1)为t'+1次迭代的粒子i的位置,ω为惯性权重,c1、c2表示学习因子,r1、r2表示[0,1]之间的随机数。
为使算法在全局与局部都拥有较均衡的搜索能力,本发明根据迭代次数t的不同来实时动态调节惯性权重的方案,此方案可保障算法前期保持多样性,后期收敛性较好并搜索准确,方法如下;
ω=ωmax-(ωmax-ωmin)(t'/tmax)2 (46);
式中:tmax为最大迭代次数;ωmin为惯性权重最小值,ωmax为惯性权重最大值。
对上一代外部精英集中粒子进行变异计算变异粒子的适应度值,并与本代粒子共同选出非支配解,更新外部精英集;
选取位于[0,1]区间随机数赋值给r1,r2;
当ξ>r1,则在1和决策变量维数n间取整数k;若ξ<r1,则继续变异循环;
对第i个粒子的第k维利用Xi,k=Xmin+(Xmax-Xmin)r2进行变异,其中,Xi,k表示第i个粒子位置,Xmax表示粒子位置取值最大值,Xmin表示粒子位置取值最小值。
当达到最大迭代次数时输出最优解集;
最后采用模糊隶属度函数在最优解集中获取最优折中解。
算例分析
本发明以某一具体的并网型NEMG为例,EV相关参数参见表1;MT运行参数与SB相关参数与污染物种类及治理费用相关参数分别参见表2和表3;NEMG的购、售电价与EV的充、放电价如图3所示;NEMG日负荷曲线与风光总出力分别由图4、图6可见。改进粒子群算法规模为40,总迭代次数为500。
表1 EV相关参数
表2 NEMG系统各单元相关参数
表3污染物排放及处理参数
负荷层对EV集群A进行有序充放电调度,此外,本发明另选两种方案作为对照,方案一:用户便利性最优的EV无序充电;方案二:用户经济性最优的EV有序充放电。三种不同的方案累加微网基础负荷结果如图4所示。由图可知,在用户便利性最优情况下EV的充电时间主要集中在8:00—12:00与18:00—22:00,此充电时间与用户工作生活规律高度重合,而在这两个时段内NEMG原本就属于用电高峰时段,此充电模式进一步加剧了负荷“峰上加峰”对NEMG产生消极作用。在用户经济性最优情况下EV的充电时间集中在电价低谷的22:00—24:00与1:00—6:00,为获取收益在电价高峰的17:00—21:00时段放电,因“同群效应”的影响此方案将会产生新的负荷峰谷。
本发明所提方案使EV负荷进行了转移,EV入网时刻大多集中在17:00之后,当时间来到负荷高峰时,符合条件的EV可向NEMG输送部分电能来缓解高峰负荷所带来的负面影响,并可产生一定收益。当度过负荷高峰时段,EV可在电价较低时段充电以此来满足出行需求并可减少用电费用支出。
表4为不同方案数据对比。用户便利性最优情况下净支出费用与负荷峰谷差都最大,用户经济性最优方案与综合指标最优方案对比可知虽然净支出费用略低但负荷峰谷差较大对NEMG产生消极影响较大。综述,本发明所提方案成己为人,不仅兼顾用户出行便利性与经济性令用户积极性综合指标达到最大,更使EV合理充放电,达成了“削峰填谷”的目标。
表4不同方案的指标对比
将负荷层优化得到的EV充放电功率与基础负荷叠加传送给微网层,其与该层的风光出力共同组成净负荷。微网层通过调控SB以及EV集群B出力来进行净负荷的优化配置,采用改进的MPSO算法得到Pareto前沿如图5所示。由图可知非支配方案对应的综合运行成本分布在1200~2200元,净负荷均值分布在580~650kW。采用模糊隶属度函数选取(1540.0658元,613.0303kW)为最优折中解。
由图6可知微网层各调度单元对应时段的出力情况。为增加清洁能源的消纳量及减少综合运行成本,SB与EV在风光出力较低的时段(18:00—24:00与1:00—9:00)放电,该时段内清洁能源供给量小于NEMG负荷的需求量。SB与EV在清洁能源出力盈余的时间段(10:00—18:00)充电。然而清洁能源不能完全消纳主要有以下两点因素。首先,由于EV集群B的特殊属性决定了其规模较小,因此消纳清洁能源出力能力有限。其次,SB有荷电状态的限制,因此在其荷电状态合理的范围内消纳清洁能源出力也有限。但为实现最大化消纳清洁能源以达降低碳排放的目的,优化后的NEMG负荷曲线大体上已贴合清洁能源出力态势。
将微网层优化得到的NEMG净负荷传送给配网层,该级调度单元为MT与交互功率。配网层与上层求解方法相同,得到Pareto前沿如图7所示。由图可知该层的运行成本分布在10000~30000元,交互功率波动分布在320~480kW,取(17091.0804,412.3483kW)为最优折中解。
由图8可知配网层各调度单元对应时段的出力情况。由图可知,相对于主网发电的大量污染物排放,MT发电不论污染物排放量还是运行成本都相对较低,其在每个净负荷为正的时段均有出力,不足以支撑需求量才从主网购买。在10:00—17:00这个时间段内,清洁能源出力充沛而微网层不足以完全消纳,此时将电能出售给主网,不仅可以获取收益提升经济性还可完全消纳清洁能源,杜绝弃风、弃光现象的发生,在这一时段内MT也会停止出力。在18:00—24:00与1:00—9:00这两个时间段内净负荷为正,由于MT运行成本较低在这两个时段内几乎一直处于全额出力状态,但由于机组数量限制与净负荷较大,主网出力还是占据主要部分。
将本发明所提的NEMG多层级协同优化结果与NEMG不分层级调度策略的结果进行对比。不分层级调度即将负荷层、微网层与配网层的经济性指标合并,同时考虑净负荷均值与交互功率波动。两种策略仿真结果对比如表5所示。
表5不同策略下NEMG运行结果对比
通过与本发明所提策略调度结果相对照可知,若采用不分层级调度策略其交互功率稳定性降低11.1%,系统综合运行成本增加17.5%,净负荷均值扩大了30.5%。由数据的对比可直观的看出不分层级调度策略各项指标均远不及本发明所提调度策略。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种考虑用户积极性的新能源微电网多层级车网协同优化方法,其特征在于,其步骤如下:
步骤一:搭建新能源微电网的系统架构,将新能源微电网分为负荷层、微网层和配网层;
步骤二:在负荷层,利用蒙特卡洛模拟算法对EV集群A进行有序充放电调度,得到EV用户综合积极性指数和EV集群A有序充放电负荷;
步骤三:将负荷层优化得到的EV集群A有序充放电负荷与基础负荷叠加传送给微网层,与风光出力共同组成净负荷,微网层通过调控蓄电池及EV集群B出力构建微网层优化模型,并利用多目标粒子群优化MPSO算法进行求解,得到最优的新能源微电网的运行成本和净负荷均值;
步骤四:将微网层优化得到的新能源微电网的净负荷均值传送给配网层,配网层以燃气轮机与主网联络线的综合运行成本和主网交互功率波动为配网层优化模型,并利用多目标粒子群优化MPSO算法进行求解,得到最优的燃气轮机与主网联络线的综合运行成本和主网交互功率。
2.根据权利要求1所述的考虑用户积极性的新能源微电网多层级车网协同优化方法,其特征在于,所述EV集群A中的EV用户第二天有出行计划,对于集群A考虑用户出行需求,EV集群B中的EV用户第二天无出行计划,集群B中EV为实时可控EV。
3.根据权利要求1所述的考虑用户积极性的新能源微电网多层级车网协同优化方法,其特征在于,步骤二的实现方法为:
S2.1、EV用户每天离网时刻Tout,i服从均值为6.92、方差为1.24的正态分布,EV用户每天入网时刻Tin,i服从均值为17.47、方差为1.80的正态分布,分别表示为:
Tout,i~N(6.92,1.242);
Tin,i~N(17.47,1.802);
日行驶里程Ls服从对数正态分布,概率密度函数f(x)为:
式中:均值μ=2.78;方差σ=0.82;
新能源微电网的原始负荷PLB(t)的高峰起始时刻为Tstart,高峰结束时刻为Tend,通过EVi入网时刻Tin来确定EV的充放电状态:
式中:q为EV公里耗电量,ε为EV最大放电深度;Sb,i为用户预期荷电状态,Cbatt,i为EVi的电池容量,且Si(Tout,i)≥Sb,i,Si(Tout,i)表示EVi离网时荷电状态;
S2.2、EV在行驶中,其行驶路程与车辆的荷电状态呈现出线性关系,EV充电功率恒定,则可得单辆EV荷电状态模型为:
式中:Cch,i为EVi的充电电量,Sin,i为EVi入网时荷电状态;Si(t)为EVi的t时段荷电状态;Δt为单位时段;η为EV充放电效率;Pmax为EV最大充放电功率;Pi(t)为t时段EV充放电功率;
S2.3、计算EVi用户出行充电需求指标和EVi用户费用支出指标:
其中,为EV用户出行充电需求指标,为EV用户费用支出指标,Qm,i为日常行驶容量;Qs,i为EV充放电负荷容量;Qr,i为备用行驶容量;Ci=Cprice,i+Closs,i为费用支出;为充放电费用;为充放电状态;为电池损耗费用;和分别为EVi充电的最低与最高支出费用;为EV购电价,为EV售电价;Cchange为更换电池费用;Echange为最大充放电量;T表示总时间;
EV用户的综合积极性指数γ可表示为:
4.根据权利要求3所述的考虑用户积极性的新能源微电网多层级车网协同优化方法,其特征在于,所述微网层优化模型为:
PNL(t)=-PPV(t)-PWT(t)+PSB(t)+PEV(t)+PL(t);
PL(t)=PLB(t)+PEVA(t);
式中:F1为新能源微电网的运行成本,F2为新能源微电网的净负荷均值,为储能的综合运行成本;为EV集群B的收益;PNL(t)为经微网层优化后t时段的新能源微电网的净负荷;PSB(t)为蓄电池SB在t时段的出力,PEV(t)为EV在t时段的出力,PPV(t)为光伏机组PV在t时段的出力,PWT(t)为风电机组WT在t时段的出力;为蓄电池SB运行成本系数,为蓄电池SB损耗成本系数;PEVA(t)为EV集群A有序充放电负荷,PL(t)为EV集群A经负荷层优化后的新能源微电网的负荷;
微网层优化模型的约束条件如下:
蓄电池SB荷电状态约束:
蓄电池SB出力上下限约束:
EV荷电状态约束:
5.根据权利要求4所述的考虑用户积极性的新能源微电网多层级车网协同优化方法,其特征在于,所述配网层优化模型为:
min F3=CCO+CEN+CRMT;
式中:F3为燃气轮机与主网联络线的综合运行成本,F4为主网交互功率,CCO为配网层发电成本,CEN为环境治理总成本,CRMT为额外收益;PGRID(t)为t时段微网与主网间传输功率,Pavr为平均功率;
所述配网层发电成本为
CCO=CMT+CGC;
式中:为联络线交互成本;CMT为燃气轮机MT发电成本;为燃料成本,为折旧成本,为运维成本;Q为天然气价格,CLHV为天然气低热值;ηMT为燃气轮机MT效率,PMT(t)为燃气轮机MT在t时段出力,为燃气轮机MT装机费用,PMT为燃气轮机MT额定功率;fMT为容量因子;d为折旧率;u为有效使用期限;为单位运维费用系数;为向主网购电价格,为向主网售电价格;为购电状态,为售电状态;
所述环境治理总成本为:
式中:Cj为处理第j类污染物单位成本;λmt,j为燃气轮机MT污染物单位排放量,λgrid,j为主网联络线污染物单位排放量;
所述额外收益为:
CRMT=CRQR;
QR=COPRηreQMT;
式中:CR为供热售卖价格;QR为供热量;COPR为供热系数;ηre为余热回收率;QMT为排气余热量;ηMT为MT发电效率;ηloss为热量散失系数;
配网层优化模型的约束条件如下:
传输功率约束:
燃气轮机MT出力约束:
燃气轮机MT爬坡速率约束:
新能源微电网购、售电状态变量约束:
功率平衡约束:
PGRID(t)+PMT(t)=PNL(t)。
6.根据权利要求4或5所述的考虑用户积极性的新能源微电网多层级车网协同优化方法,其特征在于,所述利用多目标粒子群优化MPSO算法进行求解的方法为:
初始化粒子位置和速度,计算每个粒子的适应度值并得到个体最优和全局最优;
根据适应度值将所有种群中存在非支配关系的粒子存入外部精英集中;
更新粒子的位置与速度,计算每个粒子的适应度值更新各自最优和全局最优;
对上一代外部精英集中粒子进行变异计算变异粒子的适应度值,并与本代粒子共同选出非支配解,更新外部精英集;
当达到最大迭代次数时输出最优解集;
最后采用模糊隶属度函数在最优解集中获取最优折中解。
7.根据权利要求6所述的考虑用户积极性的新能源微电网多层级车网协同优化方法,其特征在于,所述粒子的位置与速度的更新方法为:
Vi(t'+1)=ωVi(t')+c1r1(pbesti(t')-Xi(t'))+c2r2(gbest(t')-Xi(t'));
Xi(t'+1)=Xi(t')+Vi(t'+1);
其中,Vi(t')为t'次迭代的粒子i的速度,pbesti(t')为t'次迭代的粒子i的局部最优值,Xi(t')为t'次迭代的粒子i的位置,gbest(t')为t'次迭代的全局最优值,Vi(t'+1)为t'+1次迭代的粒子i的速度,Xi(t'+1)为t'+1次迭代的粒子i的位置,ω为惯性权重,c1、c2表示学习因子,r1、r2表示[0,1]之间的随机数;
惯性权重的调节方法为:
ω=ωmax-(ωmax-ωmin)(t'/tmax)2;
式中:tmax为最大迭代次数;ωmin为惯性权重最小值,ωmax为惯性权重最大值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211414115.6A CN115907488B (zh) | 2022-11-11 | 2022-11-11 | 考虑用户积极性的新能源微电网多层级车网协同优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211414115.6A CN115907488B (zh) | 2022-11-11 | 2022-11-11 | 考虑用户积极性的新能源微电网多层级车网协同优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115907488A true CN115907488A (zh) | 2023-04-04 |
CN115907488B CN115907488B (zh) | 2023-07-28 |
Family
ID=86481871
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211414115.6A Active CN115907488B (zh) | 2022-11-11 | 2022-11-11 | 考虑用户积极性的新能源微电网多层级车网协同优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115907488B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106026152A (zh) * | 2016-05-19 | 2016-10-12 | 合肥工业大学 | 一种电动汽车接入微电网的充放电调度方法 |
CN112467767A (zh) * | 2020-11-02 | 2021-03-09 | 国网内蒙古东部电力有限公司呼伦贝尔供电公司 | 综合能源系统环境下的电动汽车并网协同控制方法 |
CN114498639A (zh) * | 2022-04-15 | 2022-05-13 | 国网湖北省电力有限公司经济技术研究院 | 一种考虑需求响应的多微电网联合互济的日前调度方法 |
-
2022
- 2022-11-11 CN CN202211414115.6A patent/CN115907488B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106026152A (zh) * | 2016-05-19 | 2016-10-12 | 合肥工业大学 | 一种电动汽车接入微电网的充放电调度方法 |
CN112467767A (zh) * | 2020-11-02 | 2021-03-09 | 国网内蒙古东部电力有限公司呼伦贝尔供电公司 | 综合能源系统环境下的电动汽车并网协同控制方法 |
CN114498639A (zh) * | 2022-04-15 | 2022-05-13 | 国网湖北省电力有限公司经济技术研究院 | 一种考虑需求响应的多微电网联合互济的日前调度方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115907488B (zh) | 2023-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hou et al. | Multi-objective economic dispatch of a microgrid considering electric vehicle and transferable load | |
CN110188950B (zh) | 基于多代理技术的虚拟电厂供电侧和需求侧优化调度建模方法 | |
Tan et al. | Integration of electric vehicles in smart grid: A review on vehicle to grid technologies and optimization techniques | |
CN105160451B (zh) | 一种含电动汽车的微电网多目标优化调度方法 | |
CN105811409B (zh) | 一种含电动汽车混合储能系统的微网多目标运行调度方法 | |
Jiang et al. | Multi-objective optimal dispatching of microgrid with large-scale electric vehicles | |
Qi et al. | Low-carbon community adaptive energy management optimization toward smart services | |
CN108009693A (zh) | 基于两级需求响应的并网微电网双层优化方法 | |
CN109672202A (zh) | 一种基于区块链技术的储能系统自动需求响应方法 | |
CN103151797A (zh) | 基于多目标调度模型的并网运行方式下微网能量控制方法 | |
CN111900727A (zh) | 基于pso的光储充换一体化充电站协同优化调度方法和装置 | |
CN106339778A (zh) | 一种考虑多目标的光蓄微电网运行优化方法 | |
Xu et al. | Optimal pricing strategy of electric vehicle charging station for promoting green behavior based on time and space dimensions | |
CN111293718B (zh) | 基于场景分析的交直流混合微网分区二层优化运行方法 | |
CN114155103A (zh) | 基于区块链合作博弈的能量共享联盟灵活性交易方法 | |
CN111668878A (zh) | 一种可再生微能源网的优化配置方法和系统 | |
CN115829224A (zh) | 电动汽车集群可调度能力的多主体两阶段低碳优化运行方法 | |
CN115912342A (zh) | 基于云模型的区域柔性负荷低碳调度方法 | |
Wan et al. | Hierarchical multiobjective dispatching strategy for the microgrid system using modified MOEA/D | |
CN117013552A (zh) | 一种电力交通耦合网协同运行策略 | |
CN114285093B (zh) | 一种源网荷储互动调度方法及系统 | |
CN116402307A (zh) | 考虑可调度柔性资源运行特性的电网规划容量分析方法 | |
CN115907488A (zh) | 考虑用户积极性的新能源微电网多层级车网协同优化方法 | |
CN114649821A (zh) | 一种含电动汽车的新能源微电网多目标分层优化调度方法 | |
Ahmad et al. | Multi-objective V2G energy storage system for grid support with cost and emission reduction |
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 |