CN116090739A - 一种综合考虑电动汽车有序充电的虚拟电厂优化调度方法 - Google Patents

一种综合考虑电动汽车有序充电的虚拟电厂优化调度方法 Download PDF

Info

Publication number
CN116090739A
CN116090739A CN202211503344.5A CN202211503344A CN116090739A CN 116090739 A CN116090739 A CN 116090739A CN 202211503344 A CN202211503344 A CN 202211503344A CN 116090739 A CN116090739 A CN 116090739A
Authority
CN
China
Prior art keywords
power plant
virtual power
ess
charging
wind
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
Application number
CN202211503344.5A
Other languages
English (en)
Inventor
孙景钌
胡长洪
项烨鋆
刘津源
孔凡坊
赖欢欢
陈梦翔
朱启伟
董志辉
施正钗
倪秋龙
叶琳
刘辉乐
奚洪磊
俞凯
杨剑友
薛大立
郑俊翔
臧怡宁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Zhejiang Electric Power Co Ltd
Wenzhou Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Original Assignee
State Grid Zhejiang Electric Power Co Ltd
Wenzhou Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Zhejiang Electric Power Co Ltd, Wenzhou Power Supply Co of State Grid Zhejiang Electric Power Co Ltd filed Critical State Grid Zhejiang Electric Power Co Ltd
Priority to CN202211503344.5A priority Critical patent/CN116090739A/zh
Publication of CN116090739A publication Critical patent/CN116090739A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06313—Resource planning in a project environment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Computer Hardware Design (AREA)
  • Artificial Intelligence (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Educational Administration (AREA)
  • Primary Health Care (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本发明公开了一种综合考虑电动汽车有序充电的虚拟电厂优化调度方法，包括S1建立电动汽车有序充电控制调度模型的目标函数和约束条件，构建基于价格因素的电动汽车有序充电模型，确定接入虚拟电厂的电动汽车负荷需求；S2构建综合考虑收益最大化、新能源消纳的含电动汽车虚拟电厂调度模型，该虚拟电厂充分考虑风力发电、光伏发电的消纳能力，通过协调储能设备来协调电动汽车和新能源间的功率和电能匹配；S3提出了动态权重混沌‑粒子群算法进行优化求解，通过改进粒子群算法使算法的收敛速度和精度进一步的提高；本发明专利有效解决了电动汽车有序充电和虚拟电厂新能源消纳间的矛盾，兼顾虚拟电厂控制的便捷性和运行的经济性和安全性。

Description

一种综合考虑电动汽车有序充电的虚拟电厂优化调度方法
技术领域
本发明涉及虚拟电厂优化调度方法，具体涉及一种综合考虑电动汽车有序充电的虚拟电厂优化调度方法。
背景技术
虚拟电厂是一种通过先进信息通信技术和软件系统，实现DG、储能系统、可控负荷、电动汽车等DER的聚合和协调优化，以作为一个特殊电厂参与电力市场和电网运行的电源协调管理系统。虚拟电厂概念的核心可以总结为“通信”和“聚合”。虚拟电厂的关键技术主要包括协调控制技术、智能计量技术以及信息通信技术。
而目前国内的电动汽车正在快速发展，电动汽车的充电功率也在大幅提高，在没有充放电调控的传统情况下，大量不受控制的电动汽车会导致配电网的潮流和电压波动、变压器过载以及严重的能量损失等问题。使得电动汽车有序充电和虚拟电厂新能源消纳间产生矛盾。
发明内容
本发明的目的在于提供一种综合考虑电动汽车有序充电的虚拟电厂优化调度方法，能够有效解决电动汽车有序充电和虚拟电厂新能源消纳间产生矛盾的问题。
为了解决上述技术问题，本发明是通过以下技术方案实现的：
一种综合考虑电动汽车有序充电的虚拟电厂优化调度方法，包括以下步骤：
S1、建立虚拟电厂范畴内电动汽车有序充电控制模型及约束条件；
S2、建立基于虚拟电厂收益、申报偏差最小和新能源消纳的虚拟电厂优化调度模型；
S3、利用混沌-粒子群算法进行虚拟电厂优化调度求解，实现不同场景下虚拟电厂的最优控制。
优选的，所述步骤S1中，电动汽车有序充电模型可以表示为虚拟电厂范畴内电动汽车的有序充电负荷控制，包括电动汽车充电功率控制、充电站功率因素控制和有序充电并网的虚拟电厂内部网络无功/电压控制，最大程度实现电动汽车接入对电网的支撑及经济运行，电动汽车有序充电的目标函数包括充电费用、充电后网络有功损耗以及无功支撑：
F＝min(F1+F2+F3)                   (1)
Figure BDA0003967169420000021
其中，PEv,i为节点i的电动汽车充电功率，M为电动汽车并网接入点数量；F2为电动汽车充电费用，cP(t)为分时有功电价，Ploss为电动汽车并网接入后网络损耗，cosθ为电动汽车充电控制功率因素，cQ(t)为无功补偿电价。
优选的，所述步骤S1中，虚拟电厂范畴内电动汽车有序充电控制模型应该满足的约束包括等式约束和不等式约束：虚拟电厂内有潮流约束方程、电动汽车荷电状态以及节点电压约束：
Figure BDA0003967169420000031
SOCEv,min≤SOCEv,i≤SOCEv,max           (4)
Umin≤Ui≤Umax                 (5)
其中，PEv,i、PL,i、PDG,i为节点i的电动汽车功率、负荷功率和新能源接入功率；SOCi为节点i的电动汽车荷电状态，Ui为节点i电压；θij为节点i和节点j之间的相角，Gij和Bij为节点i和节点j之间电导和电纳。
优选的，所述S2中，通过合理储能系统的充放电，在满足电动汽车充电需求的前提下，进一步提升新能源的消纳能力，由此提高虚拟电厂收益能力，构建的虚拟电厂优化调度模型包括目标函数和约束条件，目标函数为：
Figure BDA0003967169420000041
Figure BDA0003967169420000042
P(t)＝c1(t)(PWind(t)+PPV(t)+PGT(t)+PESS(t))   (8)
C(t)＝COM(t)+CGT(t)+CPE(t)                                  (9)
COM(t)＝βWindPWind(t)+βPVPPV(t)+βGTPGT(t)+βESSPESS(t)(10)
CGT(t)＝βGTPGT(t)                (11)
CPE(t)＝c2(t)(Dn+PEv(t)-PWind(t)-PPV(t)-PGT(t)-PESS(t))(12)
PESS(t)＝PESS,DC(t)-PESS,C(t)           (13)
其中P(t)为收益，C(t)为成本；PWind(t)为风电功率，PPV(t)为光伏功率， PGT(t)为燃气轮机功率，PESS(t)储能功率交互功率，PESS，DC(t)为储能放电功率， PESS,C(t)为储能充电功率；COM(t)为运行成本，CGT(t)为能耗成本，CPE(t)为惩罚成本；βWind、βPV、βGT和βESS分别为风电、光伏、燃气轮机和储能的运行成本系数；βGT为燃料成本，c2(t)为购电电价成本，Dn为申报计划功率。
优选的，所述虚拟电厂优化调度应满足功率平衡等约束条件，主要包括：
E(t)＝E(t-1)+ΔtPESS(t)η              (14)
PGT,min≤PGT(t)≤PGT,max              (15)
-RDΔt≤PWind(t)-PWind(t-1)≤RUΔt
-RDΔt≤PWind(t)-PWind(t-1)≤RUΔt              (16)
SOCESS,min≤SOCESS(t)≤SOCESS,max             (17)
其中，E(t)为储能存储电量，η为储能效率，PGT,min、PGT,max为燃气轮机的出力最小值和最大值；RU、RD表示光伏和风电爬坡的上下爬升率；SOCESS(t) 储能系统的状态，SOCESS,min、SOCESS,max为储能系统最大和最小状态量，一般为 0.1和0.9。
优选的，所述S3中所述混沌-粒子群算法：在优化过程中将混沌算法的遍历性应用到粒子群算法中，由此构造含柯西混沌变异的粒子群优化算法柯西混沌变异主要通过柯西扰动在将停滞不前的粒子最优解在一定范围内进行扰动操作，使粒子位置和速度跳出当前状态；
Figure BDA0003967169420000051
Figure BDA0003967169420000052
其中，
Figure BDA0003967169420000053
为第k次迭代粒子的位置，
Figure BDA0003967169420000054
为第k次迭代粒子的飞行速度，rand 为随机函数，tan为正切函数。
优选的，所述S3中所述混沌-粒子群混合优化算法：在优化过程中动态调整权重因子和学习因子，利用平均适应度来调整权重因子，提高算法在不同阶段的开拓能力，构造非线性的学习因子调整计划，在调整过程中分别利用正选和余弦函数实现互补非线性调整，提高不同阶段算法的收敛性；
Figure BDA0003967169420000061
Figure BDA0003967169420000062
其中，fiti为个体在本次迭代中的适应度值，fitavg为本次迭代中群体的适应度平均值，fitmin为本次迭代中群体中的最小适应度值，wmin、wmax分别为惯性权重的上下限。t、k分别表示当前的迭代次数和最大迭代次数；c1,e、c1,s为个体学习因子的边界值，通常设为0.5和2.5；c2,e、c2,s为全局学习因子的边界值，通常设为2.5和0.5。
与现有技术相比，本发明的优点是：该方法首先结合市场价格因素，建立虚拟电厂范畴内电动汽车有序充电控制模型及约束条件，对区域内电动汽车实现有效调度；其次，建立基于虚拟电厂收益、申报偏差最小和新能源消纳的虚拟电厂优化调度模型，该模型充分考虑虚拟电厂内部新能源出力、储能系统以及电动汽车负荷需求的协调；最后，利用混沌-粒子群算法进行虚拟电厂优化调度求解，实现不同场景下虚拟电厂的最优控制，有效解决了电动汽车有序充电和虚拟电厂新能源消纳间的矛盾，兼顾虚拟电厂控制的便捷性和运行的经济性和安全性。通过上述方法充分利用电动汽车的无功电压支撑能力，通过控制电动汽车的有功、无功协调控制，实现考虑断面安全稳定约束的虚拟电厂内部源网荷储协调，提高虚拟电厂运行的安全性、经济性和稳定性。
附图说明
图1为本发明一种综合考虑电动汽车有序充电的虚拟电厂优化调度方法的流程图。
具体实施方式
下面详细描述本发明的实施例，旨在用于解释本发明，而不能理解为对本发明的限制。
如图1所示，一种综合考虑电动汽车有序充电的虚拟电厂优化调度方法，包括以下步骤：
S1、建立虚拟电厂范畴内电动汽车有序充电控制模型及约束条件；
S2、建立基于虚拟电厂收益、申报偏差最小和新能源消纳的虚拟电厂优化调度模型；
S3、利用混沌-粒子群算法进行虚拟电厂优化调度求解，实现不同场景下虚拟电厂的最优控制。
电动汽车有序充电模型可以表示为：虚拟电厂内电动汽车的有序充电负荷控制包括电动汽车充电功率控制、充电站功率因素控制和有序充电并网的虚拟电厂内部网络无功/电压控制，最大程度实现电动汽车接入对电网的支撑及经济运行，电动汽车有序充电的目标函数包括充电费用、充电后网络有功损耗以及无功支撑：
F＝min(F1+F2+F3)                            (1)
Figure BDA0003967169420000081
其中，PEv,i为节点i的电动汽车充电功率，M为电动汽车并网接入点数量；F2为电动汽车充电费用，cP(t)为分时有功电价，Ploss为电动汽车并网接入后网络损耗，cosθ为电动汽车充电控制功率因素，cQ(t)为无功补偿电价。
约束条件包括等式约束和不等式约束：主要虚拟电厂内有潮流约束方程、电动汽车荷电状态以及节点电压约束：
Figure BDA0003967169420000082
SOCEv,min≤SOCEv,i≤SOCEv,max                                  (4)
Umin≤Ui≤Umax                                            (5)
其中，PEv,i、PL,i、PDG,i为节点i的电动汽车功率、负荷功率和新能源接入功率；SOCi为节点i的电动汽车荷电状态，Ui为节点i电压；θij为节点i和节点j之间的相角，Gij和Bij为节点i和节点j之间电导和电纳。
虚拟电厂优化调度模型表示为：考虑电动汽车有序充电虚拟电厂调度模型，其特征在于充分考虑了虚拟电厂的收益、新能源的消纳以及系统申报差值最小，通过合理储能系统的充放电，在满足电动汽车充电需求的前提下，进一步提升新能源的消纳能力，由此提高虚拟电厂收益能力。构建的虚拟电厂优化调度模型包括目标函数和约束条件，目标函数为：
Figure BDA0003967169420000091
Figure BDA0003967169420000092
P(t)＝c1(t)(PWind(t)+PPV(t)+PGT(t)+PESS(t))                       (8)
C(t)＝COM(t)+CGT(t)+CPE(t)                                  (9)
COM(t)＝βWindPWind(t)+βPVPPV(t)+βGTPGT(t)+βESSPESS(t)               (10)
CGT(t)＝βGTPGT(t)                                              (11)
CPE(t)＝c2(t)(Dn+PEv(t)-PWind(t)-PPV(t)-PGT(t)-PESS(t))                (12)
PESS(t)＝PESS,DC(t)-PESS,C(t)                                       (13)
其中P(t)为收益，C(t)为成本；PWind(t)为风电功率，PPV(t)为光伏功率，PGT(t)为燃气轮机功率，PESS(t)储能功率交互功率，PESS，DC(t)为储能放电功率，PESS,C(t)为储能充电功率；COM(t)为运行成本，CGT(t)为能耗成本，CPE(t)为惩罚成本；βWind、βPV、βGT和βESS分别为风电、光伏、燃气轮机和储能的运行成本系数；βGT为燃料成本，c2(t) 为购电电价成本，Dn为申报计划功率；
约束条件表示为：虚拟电厂优化调度应满足功率平衡等约束条件
E(t)＝E(t-1)+ΔtPESS(t)η                       (14)
PGT,min≤PGT(t)≤PGT,max                         (15)
-RDΔt≤PWind(t)-PWind(t-1)≤RUΔt
-RDΔt≤PWind(t)-PWind(t-1)≤RUΔt                     (16)
SOCESS,min≤SOCESS(t)≤SOCESS,max              (17)
E(t)为储能存储电量，η为储能效率，PGT,min、PGT,max为燃气轮机的出力最小值和最大值；RU、RD表示光伏和风电爬坡的上下爬升率；SOCESS(t)储能系统的状态， SOCESS,min、SOCESS,max为储能系统最大和最小状态量，一般为0.1和0.9。
优化算法：粒子群算法是一种群体智能寻优算法，主要应用在复杂系统寻优求解，其在多约束优化、多目标优化、组合优化中的学习都有较好的寻优效果。假设粒子群算法在一个N维空间，个体初始位置和速度为Xi＝(xi1,xi2,L,xin)， Vi＝(vi1,vi2,L,vin)，个体最优解为Pbest,i＝(Pbest,i1,Pbest,i2,L,Pbest,in)，群体粒子最优解为 Gbest,i＝(Gbest,i1,Gbest,i2,L,Gbest,in)，利用Pbest,i和Gbest,i更新个体粒子的速度和位置获得最优结果。粒子群算法主要迭代过程如下所示：
Figure BDA0003967169420000101
Figure BDA0003967169420000102
其中，
Figure BDA0003967169420000103
表示第k次迭代的第i个个体；Pbest,ij表示第i个体的最优解；Gbest,ij代表整个群体的最优解；r1、r2是[0,1]之间的任意值。由PSO的迭代过程可知其寻优效果受权重w和学习因子c1、c2影响，使得算法的寻优效果不稳定，随机性较强。
在优化过程中将混沌算法的遍历性应用到粒子群算法中，由此构造含柯西混沌变异的粒子群优化算法柯西混沌变异主要通过柯西扰动在将停滞不前的粒子最优解在一定范围内进行扰动操作，使粒子位置和速度跳出当前状态，解多样性更加丰富。
Figure BDA0003967169420000111
Figure BDA0003967169420000112
其中，
Figure BDA0003967169420000113
为第k次迭代粒子的位置，
Figure BDA0003967169420000114
为第k次迭代粒子的飞行速度，rand 为随机函数，tan为正切函数。
在优化过程中动态调整权重因子和学习因子，利用平均适应度来调整权重因子，提高算法在不同阶段的开拓能力。构造非线性的学习因子调整计划，在调整过程中分别利用正选和余弦函数实现互补非线性调整，提高不同阶段算法的收敛性。
Figure BDA0003967169420000115
Figure BDA0003967169420000116
其中，fiti为个体在本次迭代中的适应度值，fitavg为本次迭代中群体的适应度平均值，fitmin为本次迭代中群体中的最小适应度值，wmin、wmax分别为惯性权重的上下限。t、k分别表示当前的迭代次数和最大迭代次数；c1,e、c1,s为个体学习因子的边界值，通常设为0.5和2.5；c2,e、c2,s为全局学习因子的边界值，通常设为 2.5和0.5。
以上所述仅为本发明的具体实施例，但本发明的技术特征并不局限于此，任何本领域的技术人员在本发明的领域内，所作的变化或修饰皆涵盖在本发明的专利范围之中。

Claims (7)

1.一种综合考虑电动汽车有序充电的虚拟电厂优化调度方法，其特征在于，包括以下步骤：
S1、建立虚拟电厂范畴内电动汽车有序充电控制模型及约束条件；
S2、建立基于虚拟电厂收益、申报偏差最小和新能源消纳的虚拟电厂优化调度模型；
S3、利用混沌-粒子群算法进行虚拟电厂优化调度求解，实现不同场景下虚拟电厂的最优控制。
2.如权利要求1所述的一种综合考虑电动汽车有序充电的虚拟电厂优化调度方法，其特征在于，所述步骤S1中，电动汽车有序充电模型可以表示为虚拟电厂范畴内电动汽车的有序充电负荷控制，包括电动汽车充电功率控制、充电站功率因素控制和有序充电并网的虚拟电厂内部网络无功/电压控制，最大程度实现电动汽车接入对电网的支撑及经济运行，电动汽车有序充电的目标函数包括充电费用、充电后网络有功损耗以及无功支撑：
F＝min(F1+F2+F3)                   (1)
其中，PEv,i为节点i的电动汽车充电功率，M为电动汽车并网接入点数量；F2为电动汽车充电费用，cP(t)为分时有功电价，Ploss为电动汽车并网接入后网络损耗，cosθ为电动汽车充电控制功率因素，cQ(t)为无功补偿电价。
3.如权利要求1所述的一种综合考虑电动汽车有序充电的虚拟电厂优化调度方法，其特征在于，所述步骤S1中，虚拟电厂范畴内电动汽车有序充电控制模型应该满足的约束包括等式约束和不等式约束：虚拟电厂内有潮流约束方程、电动汽车荷电状态以及节点电压约束：
SOCEv,min≤SOCEv,i≤SOCEv,max           (4)
Umin≤Ui≤Umax                 (5)
其中，PEv,i、PL,i、PDG,i为节点i的电动汽车功率、负荷功率和新能源接入功率；SOCi为节点i的电动汽车荷电状态，Ui为节点i电压；θij为节点i和节点j之间的相角，Gij和Bij为节点i和节点j之间电导和电纳。
4.如权利要求1所述的一种综合考虑电动汽车有序充电的虚拟电厂优化调度方法，其特征在于，所述S2中，通过合理储能系统的充放电，在满足电动汽车充电需求的前提下，进一步提升新能源的消纳能力，由此提高虚拟电厂收益能力，构建的虚拟电厂优化调度模型包括目标函数和约束条件，目标函数为：
P(t)＝c1(t)(PWind(t)+PPV(t)+PGT(t)+PESS(t))(8)
C(t)＝COM(t)+CGT(t)+CPE(t)                                  (9)
COM(t)＝βWindPWind(t)+βPVPPV(t)+βGTPGT(t)+βESSPESS(t)(10)
CGT(t)＝βGTPGT(t)(11)
CPE(t)＝c2(t)(Dn+PEv(t)-PWind(t)-PPV(t)-PGT(t)-PESS(t))(12)
PESS(t)＝PESS,DC(t)-PESS,C(t)(13)
其中P(t)为收益，C(t)为成本；PWind(t)为风电功率，PPV(t)为光伏功率，PGT(t)为燃气轮机功率，PESS(t)储能功率交互功率，PESS，DC(t)为储能放电功率，PESS,C(t)为储能充电功率；COM(t)为运行成本，CGT(t)为能耗成本，CPE(t)为惩罚成本；βWind、βPV、βGT和βESS分别为风电、光伏、燃气轮机和储能的运行成本系数；βGT为燃料成本，c2(t)为购电电价成本，Dn为申报计划功率。
5.如权利要求4所述的一种综合考虑电动汽车有序充电的虚拟电厂优化调度方法，其特征在于，所述虚拟电厂优化调度应满足功率平衡等约束条件，主要包括：
E(t)＝E(t-1)+ΔtPESS(t)η              (14)
PGT,min≤PGT(t)≤PGT,max              (15)
-RDΔt≤PWind(t)-PWind(t-1)≤RUΔt
-RDΔt≤PWind(t)-PWind(t-1)≤RUΔt              (16)
SOCESS,min≤SOCESS(t)≤SOCESS,max             (17)
其中，E(t)为储能存储电量，η为储能效率，PGT,min、PGT,max为燃气轮机的出力最小值和最大值；RU、RD表示光伏和风电爬坡的上下爬升率；
SOCESS(t)储能系统的状态，SOCESS,min、SOCESS,max为储能系统最大和最小状态量，一般为0.1和0.9。
6.如权利要求1所述的一种综合考虑电动汽车有序充电的虚拟电厂优化调度方法，其特征在于，所述S3中所述混沌-粒子群算法：在优化过程中将混沌算法的遍历性应用到粒子群算法中，由此构造含柯西混沌变异的粒子群优化算法柯西混沌变异主要通过柯西扰动在将停滞不前的粒子最优解在一定范围内进行扰动操作，使粒子位置和速度跳出当前状态；
其中，为第k次迭代粒子的位置，为第k次迭代粒子的飞行速度，rand为随机函数，tan为正切函数。
7.如权利要求1所述的一种综合考虑电动汽车有序充电的虚拟电厂优化调度方法，其特征在于，所述S3中所述混沌-粒子群混合优化算法：在优化过程中动态调整权重因子和学习因子，利用平均适应度来调整权重因子，提高算法在不同阶段的开拓能力，构造非线性的学习因子调整计划，在调整过程中分别利用正选和余弦函数实现互补非线性调整，提高不同阶段算法的收敛性；
其中，fiti为个体在本次迭代中的适应度值，fitavg为本次迭代中群体的适应度平均值，fitmin为本次迭代中群体中的最小适应度值，wmin、wmax分别为惯性权重的上下限，t、k分别表示当前的迭代次数和最大迭代次数；c1,e、c1,s为个体学习因子的边界值，通常设为0.5和2.5；c2,e、c2,s为全局学习因子的边界值，通常设为2.5和0.5。
CN202211503344.5A 2022-11-28 2022-11-28 一种综合考虑电动汽车有序充电的虚拟电厂优化调度方法 Pending CN116090739A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211503344.5A CN116090739A (zh) 2022-11-28 2022-11-28 一种综合考虑电动汽车有序充电的虚拟电厂优化调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211503344.5A CN116090739A (zh) 2022-11-28 2022-11-28 一种综合考虑电动汽车有序充电的虚拟电厂优化调度方法

Publications (1)

Publication Number Publication Date
CN116090739A true CN116090739A (zh) 2023-05-09

Family

ID=86201419

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211503344.5A Pending CN116090739A (zh) 2022-11-28 2022-11-28 一种综合考虑电动汽车有序充电的虚拟电厂优化调度方法

Country Status (1)

Country Link
CN (1) CN116090739A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116722570A (zh) * 2023-07-27 2023-09-08 国网浙江省电力有限公司乐清市供电公司 一种配电网优化运行方法、装置、电子设备及存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116722570A (zh) * 2023-07-27 2023-09-08 国网浙江省电力有限公司乐清市供电公司 一种配电网优化运行方法、装置、电子设备及存储介质

Similar Documents

Publication Publication Date Title
Wang et al. Research on economic optimization of microgrid cluster based on chaos sparrow search algorithm
CN110739725B (zh) 一种配电网优化调度方法
WO2022021957A1 (zh) 运营商收益最大化的v2g二阶段随机规划调度模型
CN110112767B (zh) 广域多形态需求侧负荷参与系统调峰的荷源优化控制方法
CN110826880B (zh) 一种大规模电动汽车接入的主动配电网优化调度方法
CN107994595A (zh) 一种削峰填谷控制方法和系统以及应用该控制方法的系统
CN107453381B (zh) 基于两阶段交叉控制的电动汽车集群功率调节方法及系统
CN111769543B (zh) 一种含多微网的区域配电网自律协同运行优化方法
CN113224769B (zh) 考虑光伏多状态调节的多时间尺度配电网电压优化方法
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
CN116090739A (zh) 一种综合考虑电动汽车有序充电的虚拟电厂优化调度方法
Mao et al. Microgrid group control method based on deep learning under cloud edge collaboration
CN114462854A (zh) 含新能源和电动汽车并网的分层调度方法及其系统
CN114567006A (zh) 一种配电网多目标优化运行方法及系统
CN110098623B (zh) 一种基于智能负载的Prosumer单元控制方法
CN115693737A (zh) 一种基于v2g电动汽车聚合参与配电网调度的方法
Zhang et al. Coordinated dispatch of the wind-thermal power system by optimizing electric vehicle charging
CN114977271A (zh) 一种考虑社会因素的新型电力系统调度方法
CN114925880A (zh) 基于非精确交替方向乘子法的虚拟储能电厂分布式协同方法
CN114362169A (zh) 一种计及光储型虚拟电厂边际成本的分层协调调控方法
Zhang et al. Multi-objective Optimal Scheduling Strategy of Microgrid Based on V2G Technology
CN113837449A (zh) 虚拟电厂参与的电网系统集中优化调度方法
Hongli et al. Day-ahead optimal dispatch of regional power grid based on electric vehicle participation in peak shaving pricing strategy
Fan et al. Optimal allocation strategy of energy storage to improve the voltage quality of distribution network
CN113783213B (zh) 一种集中式储能电站选址定容两阶段优化方法

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