CN116061742B - 一种分时电价光伏园区内电动汽车的充电控制方法和系统 - Google Patents
一种分时电价光伏园区内电动汽车的充电控制方法和系统 Download PDFInfo
- Publication number
- CN116061742B CN116061742B CN202211311824.1A CN202211311824A CN116061742B CN 116061742 B CN116061742 B CN 116061742B CN 202211311824 A CN202211311824 A CN 202211311824A CN 116061742 B CN116061742 B CN 116061742B
- Authority
- CN
- China
- Prior art keywords
- charging
- electric automobile
- power
- photovoltaic
- 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.)
- Active
Links
- 230000005611 electricity Effects 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000009826 distribution Methods 0.000 claims abstract description 51
- 238000010248 power generation Methods 0.000 claims description 22
- 238000005457 optimization Methods 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000012423 maintenance Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 230000008901 benefit Effects 0.000 claims description 4
- 238000004146 energy storage Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 239000000446 fuel Substances 0.000 claims description 3
- 230000002068 genetic effect Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000013500 data storage Methods 0.000 description 9
- 238000007726 management method Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 241000270708 Testudinidae Species 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
- B60L53/60—Monitoring or controlling charging stations
- B60L53/64—Optimising energy costs, e.g. responding to electricity rates
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
- B60L53/50—Charging stations characterised by energy-storage or power-generation means
- B60L53/51—Photovoltaic means
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
- B60L53/60—Monitoring or controlling charging stations
- B60L53/66—Data transfer between charging stations and vehicles
- B60L53/665—Methods related to measuring, billing or payment
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明公开一种分时电价光伏园区内电动汽车的充电控制方法和系统,方法包括:初始化当日配电网基础负荷曲线、光伏出力预测曲线以及电价信息;读取当前待充电电动汽车的电池信息及用户需求条件;判断当前待充电电动汽车是否满足调度条件,若不满足,则当前待充电电动汽车不参与调度,即插即充;若满足,则对当前待充电电动汽车的未来m个充电时段充电功率进行优化计算后,按照计算的充电功率进行充电;叠加充电负荷与基础负荷,更新配电网负荷曲线,供下一时刻待充电电动汽车使用。本发明通过价格激励有序充电参与度以在保证车主充电需求的条件下,降低充电成本,降低配电网峰谷差率,提高配电网的运行稳定性和更大限度的消纳可再生能源。
Description
技术领域
本发明涉及电动汽车充电领域,更具体地,涉及一种分时电价光伏园区内电动汽车的充电控制方法和系统。
背景技术
在化石能源短缺、碳排放问题日益加剧的背景下,以光伏发电等分布式清洁能源为主体构建的电动汽车充电站不仅能让新能源汽车进一步摆脱化石燃料的束缚、实现真正的绿色出行,而且有利于配电侧清洁能源的就地消纳,降低清洁能源的传输成本。
对于光伏园区来说,当光伏系统的出力能力弱于电动汽车的电能需求时,充电站通过上层电网购电作为补充,当光伏系统的出力能力强于电动汽车的充电需求时,充龟站将剩余电能馈至储能系统或支撑基础负荷。但随着电动汽车数量和密度的日益增加,电动汽车无序充电的随机性和聚集性会给区域配电网带来一定压力,同时光伏发电本身具有随机性和波动性的不稳定性特点,因此在准确预测光伏出力的基础上,合理地动态调度充电站的能量,实现充电站的有序调度成为了光伏充电站研究的热门问题。
现有技术公开一种基于光伏预测的微电网优化调度系统,应用于由光伏单元、微型燃气轮机组、充电桩和大电网所构成的微电网中,所述微电网用于为电动汽车充电,所述系统包括:数据处理单元、配电网状态监控单元、车辆信息模块、调度管理单元;所述数据处理单元包括:数据存储模块、光伏出力预测模块;所述数据存储模块包括:历史光伏数据存储模块、历史气象数据存储模块,调度日气象数据存储模块;所述历史光伏数据存储模块采集光伏单元的历史发电功率数据并传递给所述光伏出力预测模块;历史气象数据存储模块采集光伏单元所在地区的历史气象数据并传递给所述光伏出力预测模块;所述光伏出力预测模块使用所述历史光伏数据信息和历史气象数据训练预测模型;所述调度日气象数据存储模块采集光伏单元所在地区调度日气象预报数据,并传递给光伏出力预测模块;所述光伏出力预测模块根据调度日气象数据存储模块输入的调度日气象预报数据,计算得到光伏单元调度日发电功率,并传递给所述调度管理单元;所述车辆信息模块包括车辆信息录入模块、充电需求计算模块;所述车辆信息录入模块获取电动汽车的电池荷电状态信息并传递给所述充电需求计算模块;所述充电需求计算模块获取电动汽车接入微电网及离开微电网时间,并根据所述电池荷电状态信息,计算电动汽车充电需求后传递给所述调度管理单元;所述调度管理单元以光伏利用率最大以及微电网的总运行成本最小为目标,建立微电网优化调度模型,并根据所述光伏单元调度日发电功率、电动汽车充电需求对所述微电网优化调度模型进行求解,得到电动汽车充电功率、微型燃气轮机组出力以及大电网向微电网售电功率,从而实现微电网的优化调度;所述配电网状态监控单元用于监控光伏单元、充电桩以及大电网的运行状态,并在所述光伏单元、充电桩或大电网发生故障时进行报警。
上述方案需要考虑燃气轮机组的发电出力,使得问题复杂化,且没有考虑到光伏整个生命周期内的运营成本。
发明内容
本发明的首要目的是提供一种分时电价光伏园区内电动汽车的充电控制方法,通过价格激励有序充电参与度以在保证车主充电需求的条件下,降低充电成本,降低配电网峰谷差率,提高配电网的运行稳定性和更大限度的消纳可再生能源。
本发明的进一步目的是提供一种分时电价光伏园区内电动汽车的充电控制系统。
为解决上述技术问题,本发明的技术方案如下:
一种分时电价光伏园区内电动汽车的充电控制方法,包括以下步骤:
初始化当日配电网基础负荷曲线、光伏出力预测曲线以及电价信息;
读取当前待充电电动汽车的电池信息及用户需求条件;
判断当前待充电电动汽车是否满足调度条件,若不满足,则当前待充电电动汽车不参与调度,即插即充;若满足,则对当前待充电电动汽车的未来m个充电时段充电功率进行优化计算后,按照计算的充电功率进行充电;
叠加充电负荷与基础负荷,更新配电网负荷曲线,供下一时刻待充电电动汽车使用。
优选地,所述初始化当日配电网基础负荷曲线,具体为:
根据园区特定功能及历史数据,构建本地负荷预测模型,所述本地负荷预测模型用于根据历史数据输出当日配电网基础负荷曲线。
优选地,所述基础负荷模型用于根据历史数据输出当日配电网基础负荷曲线,具体为:
所述历史数据包括历史基础负荷功率数据、电价、温度以及日期类型;
将一天24h划分为n个时段,通过历史基础负荷功率数据,利用长短期人工神经网络LSTM算法建立本地负荷预测模型,所述本地负荷预测模型的输入变量包括历史负荷功率数据、电价、温度以及日期类型,所述本地负荷预测模型通过归一化处理之后形成输入矩阵,输出园区以划分的一个时段为时间节点的当日配电网基础负荷曲线。
优选地,所述光伏出力预测曲线,具体为:
通过采集终端设备的数据,包括太阳全辐照度、直射辐照度、散色辐照度、环境温度、光伏板温度、环境湿度以及光伏发电功率,将太阳全辐照度、直射辐照度、散色辐照度、环境温度、光伏板温度以及环境湿度作为输入变量,光伏发电功率作为输出变量,将待定输入变量以逐一加一的方式输入到Xgboost算法中,计算输入测试集误差以确定输入变量特征集,构建光伏出力预测模型,所述光伏出力预测模型输出光伏出力预测曲线。
优选地,所述电价信息,具体为:
在利用光伏发电为电动汽车提供充电的过程中,以平准化能源成本LCOE评估园区内分布式光伏生命周期内每单位发电量的平均建设和运营资产的总成本,作为分布式光伏所生产电力需要出售的平均最低价格;
当光伏发电有功功率不能满足充电负荷需求时,将选择电池放电以及向上层电网购电,此时,电价为:
CEV,t=α(Cgrid,t+LCOE)
式中,CEV,t为t时段的用户充电电价;Cgrid,t为t时段向上层电网购电分时电价;α为充电站定价系数,根据园区效益需求确定。
优选地,所述平准化能源成本LCOE,具体为:
式中,I为原始投资成本支出,M为维护支出费用,F为燃料费用,r为该工程的贴现率,E为发电量总和,t为光伏生命周期内时间年份,分布式光伏的成本包括物理设备成本和软成本,其中,物理设备成本包括光伏组件成本、逆变器、储能设施、布线和汇流箱,软成本包括工程成本、并网成本、运维成本、租金及利息,根据园区规模设施计算对应平准化能源成本作为出售最低价格,也可根据扩建和再规划修正最低出售价格。
优选地,所述调度条件,具体为:
Tstay>Tdmin
式中,Tstay为电动汽车停留时间,Tdmin为最短充电时间,SOCr为车辆进站时剩余荷电量;Q为电动汽车总电池容量;Pmax为最大充电功率,η为充电效率。
优选地,对当前待充电电动汽车的未来m个充电时段充电功率进行优化计算后,具体为:
以配电网负荷方差最小和电动汽车充电费用最小作为目标函数建立有序充电最优化计算模型,所述有序充电最优化计算模型为每新接入车辆生成未来时段的充电功率安排,所述有序充电最优化计算模型具体为:
1)目标函数
以负荷方差最小为目标,目标函数为:
式中,P0,t为基础负荷模型输出的t时段的园区基础负荷,PEV,t为t时段投入充电的电动汽车充电功率,为优化变量;PPV,t为t时段光伏出力预测模型的预测发电功率,Pavg为T个时段配电网总负荷的平均值;
电动汽车充电费用最小的目标函数为:
式中,CEV,t为第t时段的充电分时电价;PEV,t为t时段投入充电的电动汽车充电功率,Δt为一个时段时长;
尽可能消纳光伏用于用户充电的目标函数为:
2)约束条件
园区充电桩充电功率约束为:
0≤Pi,t≤η·Pcmax
式中,Pi,t为第t时段第i辆电动汽车的充电功率,Pcmax为电动汽车最大充电功率;
目标电池荷电状态SOC约束为:
Soco≤Soci,departure≤Socmax
式中,Soco为用户期望电动汽车最终荷电量,Socmax为电动汽车最大荷电量约束,Soci,departure为目标电池荷电量;
园区供需平衡约束及配电网变压器约束为:
Pgrid,t=Pload,t+PEV,t-PPV,t≤Tr
式中,Tr为园区配电网变压器容量。
优选地,所述有序充电最优化计算模型通过多目标遗传算法NSGA-II进行求解,并自动选择最优解,具体为:
NSGA-II迭代终止后得到一组Pareto最优解集,采用基于信息熵的序数偏好法,对电动汽车充电功率的Pareto最优解集进行自动选择以生成未来时段充电功率方案。
一种分时电价光伏园区内电动汽车的充电控制系统,所述系统应用上述所述的分时电价光伏园区内电动汽车的充电控制方法,所述系统包括:
初始化模块,所述初始化模块用于初始化当日配电网基础负荷曲线、光伏出力预测曲线以及电价信息;
读取模块,所述读取模块用于读取当前待充电电动汽车的电池信息及用户需求条件;
调度充电模块,所述调度充电模块用于判断当前待充电电动汽车是否满足调度条件,若不满足,则当前待充电电动汽车不参与调度,即插即充;若满足,则对当前待充电电动汽车的未来m个充电时段充电功率进行优化计算后,按照计算的充电功率进行充电;
更新模块,所述更新模块用于叠加充电负荷与基础负荷,更新配电网负荷曲线,供下一时刻待充电电动汽车使用。
与现有技术相比,本发明技术方案的有益效果是:
电动汽车充电需求中可以作为可延迟负载的耗电量可以转移到光伏发电量充裕的时间段,并且在光伏发电无法支持电动汽车的总充电负荷时,本发明可选择电力价格平谷时段进行充电,同时通过求解解集向充电用户提供不同充电需求和时间下的价格菜单交互前面板,以价格作为激励手段引导用户充电行为,在兼顾园区配电网运行稳定性和电动汽车用户双方利益进行有序充电调度,充分实现削峰填谷,提高配电网运行稳定性、降低用户充电成本以及促进可再生能源的消纳。
附图说明
图1为本发明的方法流程示意图。
图2为实施例提供的基于XGBoost模型建立光伏出力预测模型的流程示意图。
图3为实施例提供的多目标优化算法NSGA-II结合于信息熵的序数偏好法(TOPSIS)自动选择最优解的流程示意图。
图4为本发明的系统模块示意图。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;
为了更好说明本实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;
对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
本实施例提供一种分时电价光伏园区内电动汽车的充电控制方法,如图1所示,包括以下步骤:
初始化当日配电网基础负荷曲线、光伏出力预测曲线以及电价信息;
读取当前待充电电动汽车的电池信息及用户需求条件;
判断当前待充电电动汽车是否满足调度条件,若不满足,则当前待充电电动汽车不参与调度,即插即充;若满足,则对当前待充电电动汽车的未来m个充电时段充电功率进行优化计算后,按照计算的充电功率进行充电;
叠加充电负荷与基础负荷,更新配电网负荷曲线,供下一时刻待充电电动汽车使用。
实施例2
本实施例在实施例1的基础上,继续公开以下内容:
所述初始化当日配电网基础负荷曲线,具体为:
根据园区特定功能及历史数据,构建本地负荷预测模型,所述本地负荷预测模型用于根据历史数据输出当日配电网基础负荷曲线。
所述基础负荷模型用于根据历史数据输出当日配电网基础负荷曲线,具体为:
所述历史数据包括历史基础负荷功率数据、电价、温度以及日期类型;
将一天24h划分为n个时段,通过历史基础负荷功率数据,利用长短期人工神经网络LSTM算法建立本地负荷预测模型,所述本地负荷预测模型的输入变量包括历史负荷功率数据、电价、温度以及日期类型,所述本地负荷预测模型通过归一化处理之后形成输入矩阵,输出园区以划分的一个时段为时间节点的当日配电网基础负荷曲线,本实施例中将一天划分为96个时段,输出园区以15min为时间节点的的基础负荷曲线。
所述光伏出力预测曲线,具体为:
通过采集终端设备的数据,包括太阳全辐照度、直射辐照度、散色辐照度、环境温度、光伏板温度、环境湿度以及光伏发电功率,将太阳全辐照度、直射辐照度、散色辐照度、环境温度、光伏板温度以及环境湿度作为输入变量,光伏发电功率作为输出变量,将待定输入变量以逐一加一的方式输入到Xgboost算法中,计算输入测试集误差以确定输入变量特征集,构建光伏出力预测模型,所述光伏出力预测模型输出光伏出力预测曲线,如图2所示。
所述电价信息,具体为:
在利用光伏发电为电动汽车提供充电的过程中,以平准化能源成本(levelizedcost of energy,LCOE)评估园区内分布式光伏生命周期内每单位发电量的平均建设和运营资产的总成本,作为分布式光伏所生产电力需要出售的平均最低价格;
当光伏发电有功功率不能满足充电负荷需求时,将选择电池放电以及向上层电网购电,此时,电价为:
CEV,t=α(Cgrid,t+LCOE)
式中,CEV,t为t时段的用户充电电价;Cgrid,t为t时段向上层电网购电分时电价;α为充电站定价系数,根据园区效益需求确定。
所述平准化能源成本LCOE,具体为:
式中,I为原始投资成本支出,M为维护支出费用,F为燃料费用,r为该工程的贴现率,E为发电量总和,t为光伏生命周期内时间年份,分布式光伏的成本包括物理设备成本和软成本,其中,物理设备成本包括光伏组件成本、逆变器、储能设施、布线和汇流箱,软成本包括工程成本、并网成本、运维成本、租金及利息,根据园区规模设施计算对应平准化能源成本作为出售最低价格,也可根据扩建和再规划修正最低出售价格。
所述调度条件,具体为:
Tstay>Tdmin
式中,Tstay为电动汽车停留时间,Tdmin为最短充电时间,SOCr为车辆进站时剩余荷电量;Q为电动汽车总电池容量;Pmax为最大充电功率,η为充电效率。
对当前待充电电动汽车的未来m个充电时段充电功率进行优化计算后,具体为:
以配电网负荷方差最小和电动汽车充电费用最小作为目标函数建立有序充电最优化计算模型,所述有序充电最优化计算模型为每新接入车辆生成未来时段的充电功率安排,所述有序充电最优化计算模型具体为:
当没有新车接入时,维持系统原有状态。
本实施例目标函数包含配电网负荷方差最小和电动汽车充电费用最低,可在降低配电网峰谷差率和提高配电网的运行稳定性的同时,减少车主充电成本,在峰谷分时电价背景下,让电动汽车尽量在电价低的时段,增强削峰填谷的作用,兼顾园区和车主双方利益。
1)目标函数
将一天分为96个时段,以负荷方差最小为目标,目标函数为:
式中,P0,t为基础负荷模型输出的t时段的园区基础负荷,PEV,t为t时段投入充电的电动汽车充电功率,为优化变量;PPV,t为t时段光伏出力预测模型的预测发电功率,Pavg为T个时段配电网总负荷的平均值;
电动汽车充电费用最小的目标函数为:
式中,CEV,t为第t时段的充电分时电价;PEV,t为t时段投入充电的电动汽车充电功率,Δt为一个时段时长;
尽可能消纳光伏用于用户充电的目标函数为:
2)约束条件
园区充电桩充电功率约束为:
0≤Pi,t≤η·Pcmax
式中,Pi,t为第t时段第i辆电动汽车的充电功率,Pcmax为电动汽车最大充电功率;
目标电池荷电状态SOC约束为:
Soco≤Soci,departure≤Socmax
式中,Soco为用户期望电动汽车最终荷电量,Socmax为电动汽车最大荷电量约束,Soci,departure为目标电池荷电量;
园区供需平衡约束及配电网变压器约束为:
Pgrid,t=Pload,t+PEV,t-PPV,t≤Tr
式中,Tr为园区配电网变压器容量。
所述有序充电最优化计算模型通过多目标遗传算法NSGA-II进行求解,并自动选择最优解,具体为:
NSGA-II迭代终止后得到一组Pareto最优解集,采用基于信息熵的序数偏好法,对电动汽车充电功率的Pareto最优解集进行自动选择以生成未来时段充电功率方案,如图3所示。
根据上述算法计算结果,可计得每个单位时间的一个价格菜单呈献给用户前界面以供选择,不同用户到来时刻将提供当前时刻充电站状态以及相应结束充电时刻的价格表,用户于步骤S4可以选择充电与否,通过价格引导用户有序充电,增加充电站可调负荷,从而更好地消纳分布式光伏。
实施例3
本实施例提供一种分时电价光伏园区内电动汽车的充电控制系统,所述系统应用实施例1或实施例2所述的分时电价光伏园区内电动汽车的充电控制方法,如图4所示,所述系统包括:
初始化模块,所述初始化模块用于初始化当日配电网基础负荷曲线、光伏出力预测曲线以及电价信息;
读取模块,所述读取模块用于读取当前待充电电动汽车的电池信息及用户需求条件;
调度充电模块,所述调度充电模块用于判断当前待充电电动汽车是否满足调度条件,若不满足,则当前待充电电动汽车不参与调度,即插即充;若满足,则对当前待充电电动汽车的未来m个充电时段充电功率进行优化计算后,按照计算的充电功率进行充电;
更新模块,所述更新模块用于叠加充电负荷与基础负荷,更新配电网负荷曲线,供下一时刻待充电电动汽车使用。
相同或相似的标号对应相同或相似的部件;
附图中描述位置关系的用语仅用于示例性说明,不能理解为对本专利的限制;
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (6)
1.一种分时电价光伏园区内电动汽车的充电控制方法,其特征在于,包括以下步骤:
初始化当日配电网基础负荷曲线、光伏出力预测曲线以及电价信息;
读取当前待充电电动汽车的电池信息及用户需求条件;
判断当前待充电电动汽车是否满足调度条件,若不满足,则当前待充电电动汽车不参与调度,即插即充;若满足,则对当前待充电电动汽车的未来m个充电时段充电功率进行优化计算后,按照计算的充电功率进行充电;
叠加充电负荷与基础负荷,更新配电网负荷曲线,供下一时刻待充电电动汽车使用;
所述光伏出力预测曲线,具体为:
通过采集终端设备的数据,包括太阳全辐照度、直射辐照度、散色辐照度、环境温度、光伏板温度、环境湿度以及光伏发电功率,将太阳全辐照度、直射辐照度、散色辐照度、环境温度、光伏板温度以及环境湿度作为输入变量,光伏发电功率作为输出变量,将待定输入变量以逐一加一的方式输入到Xgboost算法中,计算输入测试集误差以确定输入变量特征集,构建光伏出力预测模型,所述光伏出力预测模型输出光伏出力预测曲线;
所述电价信息,具体为:
在利用光伏发电为电动汽车提供充电的过程中,以平准化能源成本LCOE评估园区内分布式光伏生命周期内每单位发电量的平均建设和运营资产的总成本,作为分布式光伏所生产电力需要出售的平均最低价格;
当光伏发电有功功率不能满足充电负荷需求时,将选择电池放电以及向上层电网购电,此时,电价为:
CEV,t=α(Cgrid,t+LCOE)
式中,CEV,t为t时段的用户充电电价;Cgrid,t为t时段向上层电网购电分时电价;α为充电站定价系数,根据园区效益需求确定;
所述平准化能源成本LCOE,具体为:
式中,I为原始投资成本支出,M为维护支出费用,F为燃料费用,r为该工程的贴现率,E为发电量总和,t为光伏生命周期内时间年份,分布式光伏的成本包括物理设备成本和软成本,其中,物理设备成本包括光伏组件成本、逆变器、储能设施、布线和汇流箱,软成本包括工程成本、并网成本、运维成本、租金及利息,根据园区规模设施计算对应平准化能源成本作为出售最低价格,也可根据扩建和再规划修正最低出售价格;
对当前待充电电动汽车的未来m个充电时段充电功率进行优化计算后,具体为:
以配电网负荷方差最小和电动汽车充电费用最小作为目标函数建立有序充电最优化计算模型,所述有序充电最优化计算模型为每新接入车辆生成未来时段的充电功率安排,所述有序充电最优化计算模型具体为:
1)目标函数
以负荷方差最小为目标,目标函数为:
式中,P0,t为基础负荷模型输出的t时段的园区基础负荷,PEV,t为t时段投入充电的电动汽车充电功率,为优化变量;PPV,t为t时段光伏出力预测模型的预测发电功率,Pavg为T个时段配电网总负荷的平均值;
电动汽车充电费用最小的目标函数为:
式中,CEV,t为第t时段的充电分时电价;PEV,t为t时段投入充电的电动汽车充电功率,Δt为一个时段时长;
尽可能消纳光伏用于用户充电的目标函数为:
2)约束条件
园区充电桩充电功率约束为:
0≤Pi,t≤η·Pcmax
式中,Pi,t为第t时段第i辆电动汽车的充电功率,Pcmax为电动汽车最大充电功率;
目标电池荷电状态SOC约束为:
Soco≤Soci,departure≤Socmax
式中,Soco为用户期望电动汽车最终荷电量,Socmax为电动汽车最大荷电量约束,Soci,departure为目标电池荷电量;
园区供需平衡约束及配电网变压器约束为:
Pgrid,t=Pload,t+PEV,t-PPV,t≤Tr
式中,Tr为园区配电网变压器容量。
2.根据权利要求1所述的分时电价光伏园区内电动汽车的充电控制方法,其特征在于,所述初始化当日配电网基础负荷曲线,具体为:
根据园区特定功能及历史数据,构建本地负荷预测模型,所述本地负荷预测模型用于根据历史数据输出当日配电网基础负荷曲线。
3.根据权利要求2所述的分时电价光伏园区内电动汽车的充电控制方法,其特征在于,所述基础负荷模型用于根据历史数据输出当日配电网基础负荷曲线,具体为:
所述历史数据包括历史基础负荷功率数据、电价、温度以及日期类型;
将一天24h划分为n个时段,通过历史基础负荷功率数据,利用长短期人工神经网络LSTM算法建立本地负荷预测模型,所述本地负荷预测模型的输入变量包括历史负荷功率数据、电价、温度以及日期类型,所述本地负荷预测模型通过归一化处理之后形成输入矩阵,输出园区以划分的一个时段为时间节点的当日配电网基础负荷曲线。
4.根据权利要求1所述的分时电价光伏园区内电动汽车的充电控制方法,其特征在于,所述调度条件,具体为:
Tstay>Tdmin
式中,Tstay为电动汽车停留时间,Tdmin为最短充电时间,SOCr为车辆进站时剩余荷电量;Q为电动汽车总电池容量;Pmax为最大充电功率,η为充电效率。
5.根据权利要求1所述的分时电价光伏园区内电动汽车的充电控制方法,其特征在于,所述有序充电最优化计算模型通过多目标遗传算法NSGA-II进行求解,并自动选择最优解,具体为:
NSGA-II迭代终止后得到一组Pareto最优解集,采用基于信息熵的序数偏好法,对电动汽车充电功率的Pareto最优解集进行自动选择以生成未来时段充电功率方案。
6.一种分时电价光伏园区内电动汽车的充电控制系统,其特征在于,所述系统应用权利要求1至5任一项所述的分时电价光伏园区内电动汽车的充电控制方法,所述系统包括:
初始化模块,所述初始化模块用于初始化当日配电网基础负荷曲线、光伏出力预测曲线以及电价信息;
读取模块,所述读取模块用于读取当前待充电电动汽车的电池信息及用户需求条件;
调度充电模块,所述调度充电模块用于判断当前待充电电动汽车是否满足调度条件,若不满足,则当前待充电电动汽车不参与调度,即插即充;若满足,则对当前待充电电动汽车的未来m个充电时段充电功率进行优化计算后,按照计算的充电功率进行充电;
更新模块,所述更新模块用于叠加充电负荷与基础负荷,更新配电网负荷曲线,供下一时刻待充电电动汽车使用。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211311824.1A CN116061742B (zh) | 2022-10-25 | 2022-10-25 | 一种分时电价光伏园区内电动汽车的充电控制方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211311824.1A CN116061742B (zh) | 2022-10-25 | 2022-10-25 | 一种分时电价光伏园区内电动汽车的充电控制方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116061742A CN116061742A (zh) | 2023-05-05 |
CN116061742B true CN116061742B (zh) | 2024-05-03 |
Family
ID=86170633
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211311824.1A Active CN116061742B (zh) | 2022-10-25 | 2022-10-25 | 一种分时电价光伏园区内电动汽车的充电控制方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116061742B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117040028B (zh) * | 2023-09-28 | 2024-01-09 | 泰豪科技(深圳)电力技术有限公司 | 一种工商业园区光储充微电网的控制策略优化方法及系统 |
CN117937550B (zh) * | 2024-03-25 | 2024-08-02 | 宁波市电力设计院有限公司 | 一种综合能源储能系统优化调度方法和系统 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018161723A1 (zh) * | 2017-03-08 | 2018-09-13 | 深圳市景程信息科技有限公司 | 基于长短时记忆神经网络的电力负荷预测系统 |
CN110543988A (zh) * | 2019-08-28 | 2019-12-06 | 上海电力大学 | 一种基于XGBoost算法的光伏短期出力预测系统及方法 |
CN110956270A (zh) * | 2019-10-18 | 2020-04-03 | 广州丰石科技有限公司 | 一种基于xgboost算法的太阳辐照度预测方法 |
CN111864749A (zh) * | 2020-08-18 | 2020-10-30 | 国网湖南省电力有限公司 | 光伏系统出力园区电动汽车充电方法、系统及存储介质 |
CN111932402A (zh) * | 2020-08-13 | 2020-11-13 | 河南理工大学 | 一种基于相似日和lstm的短期电力负荷双向组合预测方法 |
CN112418605A (zh) * | 2020-10-19 | 2021-02-26 | 国网上海市电力公司 | 一种光储式充电站储能系统优化运行方法 |
CN112801427A (zh) * | 2021-04-08 | 2021-05-14 | 国能日新科技股份有限公司 | 基于XGBoost的光伏辐照度预报方法及系统 |
CN113954680A (zh) * | 2021-12-07 | 2022-01-21 | 国网浙江杭州市萧山区供电有限公司 | 基于充电时段优化的电动汽车充电控制方法 |
CN114030386A (zh) * | 2021-11-30 | 2022-02-11 | 国网浙江杭州市萧山区供电有限公司 | 基于用户充电选择的电动汽车充电控制方法 |
CN114330100A (zh) * | 2021-11-30 | 2022-04-12 | 国网辽宁省电力有限公司锦州供电公司 | 一种短期光伏功率概率区间预测方法 |
CN115036918A (zh) * | 2022-06-29 | 2022-09-09 | 国网湖北省电力有限公司电力科学研究院 | 一种光储充电站经济运行费用和负荷方差优化的方法 |
CN115169703A (zh) * | 2022-07-12 | 2022-10-11 | 广东电网有限责任公司广州供电局 | 一种基于长短时记忆网络组合的短期电力负荷预测方法 |
-
2022
- 2022-10-25 CN CN202211311824.1A patent/CN116061742B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018161723A1 (zh) * | 2017-03-08 | 2018-09-13 | 深圳市景程信息科技有限公司 | 基于长短时记忆神经网络的电力负荷预测系统 |
CN110543988A (zh) * | 2019-08-28 | 2019-12-06 | 上海电力大学 | 一种基于XGBoost算法的光伏短期出力预测系统及方法 |
CN110956270A (zh) * | 2019-10-18 | 2020-04-03 | 广州丰石科技有限公司 | 一种基于xgboost算法的太阳辐照度预测方法 |
CN111932402A (zh) * | 2020-08-13 | 2020-11-13 | 河南理工大学 | 一种基于相似日和lstm的短期电力负荷双向组合预测方法 |
CN111864749A (zh) * | 2020-08-18 | 2020-10-30 | 国网湖南省电力有限公司 | 光伏系统出力园区电动汽车充电方法、系统及存储介质 |
CN112418605A (zh) * | 2020-10-19 | 2021-02-26 | 国网上海市电力公司 | 一种光储式充电站储能系统优化运行方法 |
CN112801427A (zh) * | 2021-04-08 | 2021-05-14 | 国能日新科技股份有限公司 | 基于XGBoost的光伏辐照度预报方法及系统 |
CN114030386A (zh) * | 2021-11-30 | 2022-02-11 | 国网浙江杭州市萧山区供电有限公司 | 基于用户充电选择的电动汽车充电控制方法 |
CN114330100A (zh) * | 2021-11-30 | 2022-04-12 | 国网辽宁省电力有限公司锦州供电公司 | 一种短期光伏功率概率区间预测方法 |
CN113954680A (zh) * | 2021-12-07 | 2022-01-21 | 国网浙江杭州市萧山区供电有限公司 | 基于充电时段优化的电动汽车充电控制方法 |
CN115036918A (zh) * | 2022-06-29 | 2022-09-09 | 国网湖北省电力有限公司电力科学研究院 | 一种光储充电站经济运行费用和负荷方差优化的方法 |
CN115169703A (zh) * | 2022-07-12 | 2022-10-11 | 广东电网有限责任公司广州供电局 | 一种基于长短时记忆网络组合的短期电力负荷预测方法 |
Non-Patent Citations (2)
Title |
---|
安苏阿特吉.《绿色能源经济》.2016,227-229页. * |
王成孝.《核电站经济》.1997,335-337页. * |
Also Published As
Publication number | Publication date |
---|---|
CN116061742A (zh) | 2023-05-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110350523B (zh) | 基于需求响应的多能源互补优化调度方法 | |
CN109193812B (zh) | 一种园区光储荷微电网经济调度实现方法 | |
CN111738497B (zh) | 计及需求侧响应的虚拟电厂双层优化调度方法 | |
CN116061742B (zh) | 一种分时电价光伏园区内电动汽车的充电控制方法和系统 | |
Li et al. | Emission-concerned wind-EV coordination on the transmission grid side with network constraints: Concept and case study | |
CN110188950A (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 | |
Schröder et al. | Optimization of distributed energy resources for electric vehicle charging and fuel cell vehicle refueling | |
CN111404206B (zh) | 考虑投资回报约束的风光储发电系统容量双层规划方法 | |
CN110807588B (zh) | 一种多能源耦合综合能源系统的优化调度方法 | |
CN115173453A (zh) | 一种储能辅助电网调峰的优化配置方法 | |
CN116957294A (zh) | 基于数字孪生的虚拟电厂参与电力市场交易的调度方法 | |
CN115936244A (zh) | 考虑可再生能源发电不确定性的虚拟电厂优化调度方法 | |
CN114491997B (zh) | 考虑需求响应及电动汽车的虚拟电厂运行优化方法及系统 | |
Zheng et al. | Optimal dispatch for reversible solid oxide cell-based hydrogen/electric vehicle aggregator via stimuli-responsive charging decision estimation | |
CN116307505A (zh) | 一种企业微电网能量经济优化调度方法 | |
CN112202201A (zh) | 一种考虑需求响应和电动汽车的联合微电网运行策略 | |
CN112836849A (zh) | 一种考虑风电不确定性的虚拟电厂调度方法 | |
CN116599148A (zh) | 一种面向新能源消纳的氢电混合储能两阶段协同规划方法 | |
CN115358519A (zh) | 一种虚拟电厂优化调度方法及装置 | |
CN115293485A (zh) | 考虑电动汽车和需求响应的综合能源系统低碳调度方法 | |
CN112653195B (zh) | 一种并网型微电网鲁棒优化容量配置方法 | |
CN118174333A (zh) | 一种用于家庭光伏系统的储能容量优化方法及系统 | |
CN113765105A (zh) | 基于动态随机模型的微电网群能量管理方法 | |
CN113612219A (zh) | 一种基于源网荷储互动的减碳微网日前能量优化方法 | |
CN110826210A (zh) | 基于功率互联的多区域楼宇虚拟电厂建模及优化协调方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |