CN116151486A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN116151486A CN116151486A CN202310416185.3A CN202310416185A CN116151486A CN 116151486 A CN116151486 A CN 116151486A CN 202310416185 A CN202310416185 A CN 202310416185A CN 116151486 A CN116151486 A CN 116151486A
- Authority
- CN
- China
- Prior art keywords
- energy storage
- charging
- photovoltaic
- storage system
- photovoltaic output
- 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
- 238000004146 energy storage Methods 0.000 title claims abstract description 256
- 238000005457 optimization Methods 0.000 title claims abstract description 99
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000009826 distribution Methods 0.000 claims abstract description 65
- 238000007599 discharging Methods 0.000 claims abstract description 41
- 230000005611 electricity Effects 0.000 claims description 83
- 238000010248 power generation Methods 0.000 claims description 46
- 238000005070 sampling Methods 0.000 claims description 30
- 238000005096 rolling process Methods 0.000 claims description 28
- 238000003860 storage Methods 0.000 claims description 11
- 238000005520 cutting process Methods 0.000 claims description 8
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 4
- 230000009897 systematic effect Effects 0.000 claims description 4
- 101100001674 Emericella variicolor andI gene Proteins 0.000 claims description 2
- 230000002354 daily effect Effects 0.000 description 43
- 230000006870 function Effects 0.000 description 24
- 238000004364 calculation method Methods 0.000 description 11
- 230000003139 buffering effect Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000002457 bidirectional effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013486 operation strategy Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- B60L53/62—Monitoring or controlling charging stations in response to charging parameters, e.g. current, voltage or electrical charge
-
- 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
- B60L53/63—Monitoring or controlling charging stations in response to network capacity
-
- 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
-
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/007—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources
- H02J3/0075—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources for providing alternative feeding paths between load and source according to economic or energy efficiency considerations, e.g. economic dispatch
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/28—Arrangements for balancing of the load in a network by storage of energy
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/28—Arrangements for balancing of the load in a network by storage of energy
- H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/28—Arrangements for balancing of the load in a network by storage of energy
- H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
- H02J3/322—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means the battery being on-board an electric or hybrid vehicle, e.g. vehicle to grid arrangements [V2G], power aggregation, use of the battery for network load balancing, coordinated or cooperative battery charging
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/381—Dispersed generators
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/22—The renewable source being solar energy
- H02J2300/24—The renewable source being solar energy of photovoltaic origin
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2310/00—The network for supplying or distributing electric power characterised by its spatial reach or by the load
- H02J2310/40—The network being an on-board power network, i.e. within a vehicle
- H02J2310/48—The network being an on-board power network, i.e. within a vehicle for electric vehicles [EV] or hybrid vehicles [HEV]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2310/00—The network for supplying or distributing electric power characterised by its spatial reach or by the load
- H02J2310/50—The network for supplying or distributing electric power characterised by its spatial reach or by the load for selectively controlling the operation of the loads
- H02J2310/56—The network for supplying or distributing electric power characterised by its spatial reach or by the load for selectively controlling the operation of the loads characterised by the condition upon which the selective controlling is based
- H02J2310/62—The condition being non-electrical, e.g. temperature
- H02J2310/64—The condition being economic, e.g. tariff based load management
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Business, Economics & Management (AREA)
- Mechanical Engineering (AREA)
- Economics (AREA)
- Transportation (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Public Health (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明公开了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。包括：预测得到次日光伏出力和充电负荷预测值；确定多个日前典型场景及对应的概率，进行初始优化，得到储能系统优化初始荷电状态和次日各调度周期内储能系统与区域配电网之间的参考功率交换值；在次日内的每个调度周期，更新当前储能系统荷电状态、充电负荷和光伏出力测量值，确定下一调度周期光伏出力和充电负荷预测值，确定多个日内典型场景及对应的概率，进行日内优化，得到从当前至当日结束中每个调度周期内储能系统的充放电功率，更新储能系统充放电策略。在满足每辆电动汽车充电需求的前提下，能够减少预测误差，降低系统日运行成本，同时能提高鲁棒性。
Description
技术领域
本发明涉及微电网技术领域，特别涉及一种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。
背景技术
随着能源与环境问题的日益严峻，电动汽车作为一种高效利用清洁能源的交通工具，在世界各国受到了大力推广。随着电动汽车数量激增，其通过充电桩直接接入电网无序充电会加剧电网负荷峰峰谷差，带来电压下降、谐波污染等问题。同时由于我国发电侧一次能源主要以煤炭为主，电动汽车相当于仍间接依赖化石燃料供能。光伏充电站通过就地集成光伏发电系统和充电设施，有效提高了可再生能源利用率，同时降低了电动汽车负荷对电网的依赖性。为了充分发挥光伏充电站的优势，同时降低电动汽车无序充电对电网稳定运行带来的影响，目前已有的针对电动汽车光伏充电站的优化调度问题的技术方案包括：（1）对光伏充电站建立了以购电费用和蓄电池循环电量最小为目标的多目标优化调度模型，并通过非支配排序遗传算法进行求解；（2）考虑电动汽车充电负荷随机性，利用MATSim软件模拟电动汽车用户充电行为，提出一种电动汽车充电双层控制策略；（3）建立换电服务效率和消纳可再生能源率的评价指标，在此基础上提出了一种光伏换电站动态功率分配方法；（4）以满足电动汽车充电需求、提高光伏利用率和降低充电负荷对配电网影响为目标，提出一种电动汽车光伏充电站实时运行策略；（5）以降低购电费用、提高光伏利用率以及降低电网峰谷差为优化目标，提出一种三分段能量管理策略，对光伏充电站的充电功率进行实时动态分配。
以上技术方案仅针对单个充电站在日前或实时单一时间尺度上对电动汽车充电行为进行优化调度。日前调度有充足的时间进行全局优化计算，但难以避免统计预测数据的误差带来的影响，并不适用于对每一辆电动汽车进行具体充电功率分配，而实时调度根据当前数据进行优化，考虑到了每一辆车的实际充电需求和充电站实时运行情况，但其对计算时限性的要求使其难以整合整体数据进行长时间尺度的全局优化计算。综上所述，仅针对电动汽车用户充电功率进行调度难以满足电动汽车快充负荷的调度需求，而在时间尺度上，仅在日前或实时单一时间尺度上进行优化调度难以兼顾预测精准性和优化全局性要求。
发明内容
为了解决上述问题，发明人做出本发明，通过具体实施方式，提供一种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。在日前，调度中心采用场景削减后的多场景预测数据，以日运行成本最小为目标对其储能系统的初始荷电状态进行优化计算；在日内，每周期以当前实时数据和实时预测数据滚动更新光伏出力和充电负荷的预测值，以日运行成本最小为目标对储能系统的充放电功率进行随机优化调度。
第一方面，本发明实施例提供一种含储能系统的光伏充电站多时间尺度随机优化方法，包括以下步骤：
根据含储能系统的光伏充电站系统中光伏出力和充电负荷历史数据，预测得到次日光伏出力和充电负荷预测值；
根据所述次日光伏出力和充电负荷预测值的预测误差，确定多个光伏出力和充电负荷的日前典型场景及对应的概率，根据所述日前典型场景及对应的概率，以日运营成本最低为目标进行优化，得到储能系统优化初始荷电状态和次日各调度周期内储能系统与区域配电网之间的参考功率交换值；
在次日内，以所述储能系统优化初始荷电状态和次日各调度周期内储能系统与区域配电网之间的参考功率交换值初始化所述光伏充电站系统；
在次日内的每个调度周期，更新当前储能系统荷电状态、充电负荷和光伏出力测量值，并预测得到下一调度周期光伏出力和充电负荷预测值，根据所述下一调度周期光伏出力和充电负荷预测值的预测误差，确定多个光伏出力和充电负荷的日内典型场景及对应的概率，以日运营成本最低为目标进行优化，得到从当前至当日结束中每个调度周期内储能系统的充放电功率；根据所述从当前至当日结束中每个调度周期内储能系统的充放电功率，更新储能系统充放电策略。
第二方面，本发明实施例提供一种含储能系统的光伏充电站多时间尺度随机优化装置，包括：
日前预测模块，用于根据含储能系统的光伏充电站系统中光伏出力和充电负荷历史数据，预测得到次日光伏出力和充电负荷预测值；
日前优化模块，用于根据所述次日光伏出力和充电负荷预测值的预测误差，确定多个光伏出力和充电负荷的日前典型场景及对应的概率，根据所述日前典型场景及对应的概率，以日运营成本最低为目标进行优化，得到储能系统优化初始荷电状态和次日各调度周期内储能系统与区域配电网之间的参考功率交换值；
日内初始化模块，用于在次日内，以所述储能系统优化初始荷电状态和次日各调度周期内储能系统与区域配电网之间的参考功率交换值初始化所述光伏充电站系统；
日内滚动优化模块，用于在次日内的每个调度周期，更新当前储能系统荷电状态、充电负荷和光伏出力测量值，并预测得到下一调度周期光伏出力和充电负荷预测值，根据所述下一调度周期光伏出力和充电负荷预测值的预测误差，确定多个光伏出力和充电负荷的日内典型场景及对应的概率，以日运营成本最低为目标进行优化，得到从当前至当日结束中每个调度周期内储能系统的充放电功率；根据所述从当前至当日结束中每个调度周期内储能系统的充放电功率，更新储能系统充放电策略。
基于同一发明构思，本发明实施例还提供一种计算机存储介质，所述计算机存储介质中存储有计算机可执行指令，所述计算机可执行指令执行时实现前述的含储能系统的光伏充电站多时间尺度随机优化方法。
本发明实施例提供的上述技术方案的有益效果至少包括：
本发明考虑到光伏出力和充电负荷的不确定性，在满足每辆电动汽车充电需求的前提下，使储能系统在电价较低的时段进行充电储能，在电价较高的时段进行放电供能，在光伏充电站与配电网之间进行了能量缓冲，降低了购电成本的同时还响应了配电网削峰填谷，将购电负荷由高电价的峰时期向低电价的谷时期转移，通过滚动优化逐级消除了预测误差的影响，在分时电价机制下显著降低了系统日运行成本，同时能更好的应对实际运行中可能出现的多种可能性场景，提高了鲁棒性。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例中一种含储能系统的光伏充电站多时间尺度随机优化方法流程图；
图2为本发明实施例中含储能系统的光伏充电站优化调度架构图；
图3为本发明实施例中削减前后光伏发电功率曲线场景图；
图4为本发明实施例中削减前后电动汽车充电总负荷曲线场景图；
图5为本发明实施例中含储能系统的光伏充电站优化调度流程图；
图6为本发明实施例中100组日内实时曲线场景图；
图7为本发明实施例中 100组实时场景下算例2与算例4的日内滚动优化运行成本对比；
图8为本发明实施例中日前优化储能系统的充电功率曲线和放电功率曲线；
图9为本发明实施例中未配置储能系统时的购售电功率和配置储能系统后的购售电功率曲线；
图10为本发明实施例中一种含储能系统的光伏充电站多时间尺度随机优化装置框图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
为了解决现有技术中存在的问题，本发明实施例提供一种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。
本发明实施例提供一种含储能系统的光伏充电站多时间尺度随机优化方法，其流程如图1所示，包括如下步骤：
步骤S1：根据含储能系统（Energy Storage System，简称ESS）的光伏充电站系统中光伏出力和充电负荷历史数据，预测得到次日光伏出力和充电负荷预测值。
在一些具体的实施例中，如图2所示，所述含储能系统的光伏充电站系统包括：储能系统、区域配电网、光伏充电站、AC-DC变换器、DC-AC变换器、DC-DC变换器、配电网交流母线和光伏站直流母线，所述光伏充电站包括充电桩和光伏发电系统。图2中，实线箭头表示能量流，虚线箭头表示信息流，在物理架构上，调度中心配置储能系统经由AC-DC变换器向各光伏充电站供电，亦可将多余电量售给配电网；配电网经由AC-DC变换器向各光伏充电站和储能系统供电；光伏发电系统经DC-DC变换器接入光伏充电站直流母线，光伏充电站经由DC-DC变换器向各充电桩供电，并将多余光伏出力反送回配电网交流母线，多余光伏出力可由其他光伏出力不足的充电站消纳，或储存至储能系统，亦可售给配电网。在调度架构上，日前调度中心对各光伏站次日的光伏出力和充电负荷数据进行预测，生成多个典型预测场景，并以日运行成本最小为目标计算出次日储能系统的最优初始荷电状态与次日各优化周期内储能系统与区域配电网之间的参考功率交换值；在日内，调度中心在每个调度周期起始时刻滚动更新当前实时数据和实时预测数据，以日运行成本最小为目标，对从当前时刻到当天结束之间的每个周期内储能系统的充放电功率进行优化调度。
在一些具体的实施例中，所述含储能系统的光伏充电站多时间尺度随机优化方法，还包括通过蒙特卡洛模拟法采样生成所述光伏出力或充电负荷历史数据。
步骤S2：根据所述次日光伏出力和充电负荷预测值的预测误差，确定多个光伏出力和充电负荷的日前典型场景及对应的概率，根据所述日前典型场景及对应的概率，以日运营成本最低为目标进行优化，得到储能系统优化初始荷电状态和次日各调度周期内储能系统与区域配电网之间的参考功率交换值。
在一些具体的实施例中，所述含储能系统的光伏充电站多时间尺度随机优化方法，还包括以下步骤：
建立成本模型，所述成本模型包括：
购电成本
，其中，
表示t时刻购电成本，
表示t时刻购电功率，单位kWh，
表示t时刻购电电价，单位元/kWh，
表示每个调度周期的时长，
为t时刻售电功率，
为t时刻售电电价；调度中心可根据实时情况优化判断该时段向配电网购电或售电，因此购电成本C g包括购电费用和售电利润。
光伏发电成本
，其中，
表示光伏发电成本，
为光伏发电系统度电成本，单位元/kWh，
为t时刻光伏发电功率；
储能系统充放电成本
，其中，
表示储能系统充放电成本，
表示储能系统的初始总投资额，
表示第t次充放电的电动汽车数目。储能系统的充放电成本主要由蓄电池组的总投资成本和使用寿命内可循环次数决定。蓄电池在使用寿命内的可循环充放电次数与环境温度T、充放电深度D以及充放电结束时的荷电状态SOC等因素有关，这些因素都会影响蓄电池的退化速度。根据蓄电池的寿命试验可以得出，蓄电池寿命内等效可循环充放电次数N可表示为：
。第t次充电时其等效放电深度D tc为：
，第t次放电时其等效放电深度D td为：
，P bc为储能系统充电功率；η bc为储能系统充电效率；P bd为储能系统放电功率；η bd为储能系统放电效率；B 储能系统为储能系统容量，单位kWh；DOD为储能系统实际放电深度，其表达式为：
，其中
为储能系统在t时刻的荷电状态，
，
为储能系统在t-1时刻的荷电状态，
为每个调度周期的时长。从
可以看出，储能系统在荷电状态较低时进行充放电，其实际放电深度较大，其使用寿命的损耗更大，因此充放电成本也就更高。
在一些具体的实施例中，预测得到次日光伏出力和充电负荷预测值，或预测得到下一调度周期光伏出力和充电负荷预测值，包括以下步骤：
将光伏出力或充电负荷测量值输入预测模型，得到对应的光伏出力或充电负荷预测值，所述预测模型为：
，其中，
为在t时刻对t+i时刻进行预测的值，p和q分别为自回归阶数和滑动平均阶数，
和
为相关系数，
为在
时刻测量的实际值，t、i、j表示时刻，
和
为预测误差。
在一些具体的实施例中，根据所述次日光伏出力和充电负荷预测值的预测误差，确定多个光伏出力和充电负荷的日前典型场景及对应的概率，或，根据所述下一调度周期光伏出力和充电负荷预测值的预测误差，确定多个光伏出力和充电负荷的日内典型场景及对应的概率，包括以下步骤：
根据充电负荷预测误差满足正态分布，确定充电负荷预测误差的概率密度函数；将充电负荷预测误差的概率密度函数分为多个充电负荷等概率区间；在每个充电负荷等概率区间中，随机抽取一个采样点，并输入对应的概率密度函数的反函数，得到对应采样点的充电负荷样本值，所述充电负荷样本值包括对应的充电负荷预测值及对应的概率；根据多个充电负荷样本值，确定多个对应的充电负荷场景及对应的概率；充电负荷的预测误差概率密度函数为：
，μ和σ为预测误差的期望和标准差，由历史充电负荷数据统计得出。
根据光伏出力预测误差满足Beta分布，确定光伏出力预测误差的概率密度函数；将光伏出力预测误差的概率密度函数分为多个光伏出力等概率区间；在每个光伏出力等概率区间中，随机抽取一个采样点，并输入对应的概率密度函数的反函数，得到对应采样点的光伏出力样本值，所述光伏出力样本值包括对应的光伏出力预测值及对应的概率；根据多个光伏出力样本值，确定多个对应的光伏出力场景及对应的概率。光伏出力预测误差的概率密度函数为：
，α和β为
的形状参数和尺度参数，可由历史光伏发电数据统计得出。
例如，根据充电负荷与光伏出力预测误差的概率分布特性，采用拉丁超立方抽样法各抽取一定数量的预测误差值，生成充电负荷与光伏出力的多场景样本集和各场景相应的概率值。拉丁超立方抽样是一种分层抽样技术，通过对概率分布空间分层随机抽样，使采样样本能够覆盖整个样本空间，提高抽样精度，其具体步骤为：
（1）将充电负荷和光伏出力预测误差概率密度函数
分为N个等概率区间；
（2）对于每个概率区间，随机抽取一个采样点
；
（3）通过
的反函数
求解得出各采样点的样本值
。
将多个光伏出力场景和充电负荷场景进行聚类消减，得到光伏出力典型场景和充电负荷典型场景。例如，由于总样本集数量较大，计算效率较低，因此采用同步回代法将相似的场景样本进行聚类削减，生成一定数量的典型场景来表征原始样本的分布情况，其具体步骤如下：
（1）假设通过拉丁超立方抽样得到了N个场景样本，设每个场景i的概率Pi =1/N；
（2）计算所有样本两两之间的欧式距离d，并找出每个样本xi距离最近的样本xj，其距离为dij：
（3）计算样本xi与距离最近的样本xj之间的概率距离Pij：
（4）找出最短概率距离Pmn，削减场景x n，并更新场景x m的概率P m：
（5）更新场景数N=n-1，重复以上步骤直至削减到目标场景数目。
例如，在日前根据预测模型得出1000个次日24小时光伏出力与电动汽车充电负荷场景和5个削减后的典型场景分别如下图3和图4所示。图3上方坐标系中的曲线表示1000个光伏出力场景对应的1000个光伏发电功率曲线，图3下方坐标系中的曲线表示5个光伏出力典型场景对应的5个光伏发电功率曲线，24点后第二天的前8个小时用25至32时段依次表示，图4上方坐标系中的曲线表示1000个充电负荷场景对应的1000个充电总负荷曲线，图4下方坐标系中的曲线表示5个充电负荷典型场景对应的5个充电总负荷曲线。
在一些具体的实施例中，将多个光伏出力场景和充电负荷场景进行聚类消减，得到光伏出力典型场景和充电负荷典型场景，包括以下步骤：
确定多个光伏出力典型场景中两个一组的全部组合，计算每个组合中两个光伏出力典型场景的欧式距离，找出每个光伏出力典型场景欧式距离最近的光伏出力典型场景，计算每个光伏出力典型场景及对应的欧式距离最近的光伏出力典型场景之间的概率距离，找出概率距离最短的组合，将所述概率距离最短的组合中的一个光伏出力典型场景削减，更新所述概率距离最短的组合中的另一个光伏出力典型场景的概率，进行光伏出力典型场景削减，直到达到目标光伏出力典型场景数；
确定多个充电负荷典型场景中两个一组的全部组合，计算每个组合中两个充电负荷典型场景的欧式距离，找出每个充电负荷典型场景欧式距离最近的充电负荷典型场景，计算每个充电负荷典型场景及对应的欧式距离最近的充电负荷典型场景之间的概率距离，找出概率距离最短的组合，将所述概率距离最短的组合中的一个充电负荷典型场景削减，更新所述概率距离最短的组合中的另一个充电负荷典型场景的概率，进行充电负荷典型场景削减，直到达到目标充电负荷典型场景数。
在一些具体的实施例中，根据所述日前典型场景及对应的概率，以日运营成本最低为目标进行优化，得到储能系统优化初始荷电状态和次日各调度周期内储能系统与区域配电网之间的参考功率交换值，包括以下步骤：
设置优化模型，所述优化模型的目标函数为
其中，S PV为光伏出力典型场景集合，ω PV表示光伏出力典型场景，λ ωPV为光伏出力典型场景ω PV的概率，S EV为光伏充电站充电负荷典型场景集合，ω EV为光伏充电站充电负荷典型场景，λ ωEV为光伏充电站充电负荷典型场景ω EV的概率，T为调度周期数，
为每个调度周期的时长，
为在t时刻场景ω下的总购电成本，
为在t时刻场景ω下储能系统充放电成本，N S为所运营的光伏充电站数目，
为第n个光伏充电站在t时刻场景ω下的光伏发电成本，n表示所运营的光伏充电站编号，
为在t时刻场景ω下的总购电功率，
为在t时刻场景ω下的总售电功率，
表示t时刻购电电价，
为t时刻售电电价，
表示储能系统的初始总投资额，
表示在场景ω下的第t次充放电的电动汽车数目，
为光伏发电系统度电成本，
表示第n个光伏充电站在t时刻场景ω下的光伏发电功率；
例如，在日前，调度中心根据预测模型利用前一日的数据对次日24小时的光伏出力和电动汽车负荷进行预测，并根据预测误差规律生成5个光伏出力典型场景和5个电动汽车负荷典型场景以及各场景概率，然后以日运营成本最低为目标，对储能系统的初始荷电状态和次日各优化周期内储能系统与区域配电网之间的参考功率交换值进行优化计算。
所述优化模型的约束包括：
功率平衡约束
，每个调度周期内调度中心向电网购电的功率与储能系统放电功率之和必须满足光伏站所需功率。
功率交换约束
，调度中心在同一调度周期内购电与售电行为不能同时进行，且最大购、售电功率不得超过配电网变压器和AC-DC变换器的额定功率。
储能系统充放电约束
，
为在t时刻场景ω下储能系统放电功率，
为在t时刻场景ω下储能系统充电功率，
表示第n个光伏充电站在t时刻场景ω下的充电功率，
为配电变压器的额定功率，
为AC-DC变换器的额定功率，
为储能系统最大充电功率，
为储能系统最大放电功率，
为储能系统在t时刻充电功率，
为储能系统充电效率，
为储能系统在t时刻放电功率，
为储能系统放电效率，
为储能系统在t时刻的荷电状态。储能系统的充、放电功率不得超过其最大限制，且在同一周期内不能同时进行充、放电，此外，储能系统在一天中的总充电量应与总放电量相同，从而使储能系统在一天的调度结束后的剩余荷电量与初始荷电量与相同，满足循环的需求。为了避免过放与过充对蓄电池寿命的不利影响，限制储能系统的荷电状态为0.25至0.9之间。
将所述日前典型场景及对应的概率，输入所述优化模型，建立日前初始优化模型，得到储能系统优化初始荷电状态和次日各调度周期内储能系统与区域配电网之间的参考功率交换值。
步骤S3：在次日内，以所述储能系统优化初始荷电状态和次日各调度周期内储能系统与区域配电网之间的参考功率交换值初始化所述光伏充电站系统。例如，通过日前初始优化，得到了储能系统最优初始荷电状态和各时段与区域配电网之间的参考功率交换值。由于日前预测的时间尺度较长，预测值无法准确贴合实际值，且预测误差会随着预测周期的增长而显著增大，因此在日内引入滚动优化，每15min更新校正一次当前储能系统与光伏充电站的运行数据和当前预测数据，并将日前优化的值作为初始解，以日运营成本最低为目标，滚动优化从当前时刻到调度结束之间的每个周期内储能系统的充放电功率。
步骤S4：在次日内的每个调度周期，更新当前储能系统荷电状态、充电负荷和光伏出力测量值，并预测得到下一调度周期光伏出力和充电负荷预测值，根据所述下一调度周期光伏出力和充电负荷预测值的预测误差，确定多个光伏出力和充电负荷的日内典型场景及对应的概率，以日运营成本最低为目标进行优化，得到从当前至当日结束中每个调度周期内储能系统的充放电功率；根据所述从当前至当日结束中每个调度周期内储能系统的充放电功率，更新储能系统充放电策略。
在一些具体的实施例中，以日运营成本最低为目标进行优化，得到从当前至当日结束中每个调度周期内储能系统的充放电功率，包括以下步骤：
将所述日内典型场景及对应的概率，输入所述优化模型，建立日内滚动优化模型，得到从当前至当日结束中每个调度周期内储能系统的充放电功率。因此，日内滚动优化模型相对日前初始优化模型，其参数为日内优化中相应的参数。
例如，在一个具体实施例中，优化调度流程如图5所示，调度中心在日前采用自回归滑动平均模型，对次日各站的充电负荷和光伏出力进行预测，再利用拉丁超立方抽样法抽样生成1000个样本集，通过同步回代法将样本集削减至5个，将削减后各场景数据代入日前优化模型进行求解，得出次日储能系统的最优初始荷电状态和各时段的参考充放电功率。到日内，调度中心在每个滚动优化的起始时刻，更新当前时刻的储能系统荷电状态、光伏发电功率和充电负荷，并重新预测未来时段的光伏发电功率与充电负荷，再重复进行抽样和场景削减以更新预测值，最后代入日内滚动优化模型进行求解，得出该时段储能系统的充放电功率，执行新的充放电策略。其中，在日内滚动优化中，每15min更新校正一次当前储能系统与光伏充电站的运行数据和当前预测数据，因此次日24小时内，每小时包括4个调度周期，全天包括96个调度周期。
例如，调度中心下辖三个光伏充电站，每个光伏充电站内设有60台充电桩，每台充电桩的额定功率为32kW；站内光伏发电设备的装机容量为300kW，平均光伏发电度电成本LOCE为0.6041元/kWh；双向AC-DC变换器和双向DC-DC变换器的转换效率为0.97，额定功率为600kW；电动汽车动力电池的充电效率为0.92；调度中心配置的储能系统容量为800kWh，单位初始投资成本为0.3万元/kWh，充电效率和放电效率为0.95，计自放电率0.2%，最大充电功率和最大放电功率为400kW。在Matlab软件上利用自适应变异粒子群算法对模型进行求解，算法中设定粒子数为50，迭代次数为600，学习因子为2，惯性权重从0.4到0.9线性递增。
预设电动汽车用户需要采用快充方式进行大功率快速充电，因此采用电动出租车的充电模型作为充电负荷数据。由某省私家电动汽车历史行驶数据统计分析得出，私家电动汽车的行为规律及其参数服从表1。
表1电动汽车行为与参数
设售电价格为购电价格的70%。光伏发电度电成本低于光伏发电时段的平均购电价格，因此最大消纳光伏出力经济性更高。为验证本发明申请提出的含储能系统的光伏充电站多时间尺度随机优化方法的有效性，设计了四组算例进行对比分析：
（1）算例1：不配置储能系统的运行模型；
（2）算例2：配置800kWh储能系统，仅考虑一种预测场景，不根据预测误差概率进行多场景生成与削减的确定性优化模型；
（3）算例3：配置800kWh储能系统，考虑9个典型预测场景的随机优化模型；
（4）算例4：配置800kWh储能系统，考虑25个典型预测场景的随机优化模型。
利用预测模型和多场景生成方法，生成100组日内实时场景，其光伏出力与充电负荷曲线如图6所示，在100组实时场景下，算例2与算例4的日内滚动优化运行成本如图7所示，四组算例的日前预测运行成本和日内滚动运行成本分别如下表2所示，其中日内滚动运行成本为100组实时场景的平均成本。
表2日运行成本对比
由算例1和算例2运行成本对比可知，当调度中心未配置储能系统时，在光伏出力无法满足充电负荷时只能向配电网购买电量，而充电负荷高峰正处于高电价时段，总购电成本高于储能系统参与充放电的总运行成本，因此配置储能系统后日内滚动运行成本降低了约1241.70元。由算例2至算例4的运行成本可以看出，随着预测时考虑的场景数越多，优化需要兼顾的极端场景也越多，日平均运行成本会随之增加。综合算例2至算例4，以及图7可以看出，在某些极端场景下，不考虑多场景的确定性优化模型得出的成本会高于考虑多场景的随机优化模型，可见考虑多场景的随机优化模型能顾及实际情形下可能出现的极端性场景，鲁棒性更好。由表2日前预测运行成本和日内滚动运行成本的对比可以看出，日内滚动优化通过更新当前值和最新预测值有效减小了预测误差，因此在算例2至算例4中，考虑不同数量场景时日内滚动运行成本的增幅远小于日前预测运行成本。
以考虑25个典型场景的算例4为例，将预测光伏出力场景和预测充电负荷场景分别削减至5个，在日前进行随机优化得出最优初始荷电状态为0.32，次日储能系统充、放电功率曲线如图8所示，光伏充电站向区域配电网购电电价如图8上方坐标系中实线所示，光伏充电站向区域配电网售电电价如图8上方坐标系中虚线所示，储能系统充电功率曲线如图8中间坐标系中所示，储能系统放电功率曲线如图8下方坐标系中所示。在25个典型预测场景下，未配置储能系统时的购、售电功率曲线如图9上方坐标系所示，配置储能系统后的购、售电功率曲线如图9下方坐标系所示，可以看出，储能系统在电价较低的时段进行充电储能，在电价较高的时段进行放电供能，在光伏充电站与配电网之间进行了能量缓冲，降低了购电成本的同时还响应了配电网削峰填谷，将购电负荷由高电价的峰时期向低电价的谷时期转移。
本实施例的上述方法中，本发明考虑到光伏出力和充电负荷的不确定性，在满足每辆电动汽车充电需求的前提下，使储能系统在电价较低的时段进行充电储能，在电价较高的时段进行放电供能，在光伏充电站与配电网之间进行了能量缓冲，降低了购电成本的同时还响应了配电网削峰填谷，将购电负荷由高电价的峰时期向低电价的谷时期转移，通过滚动优化逐级消除了预测误差的影响，在分时电价机制下显著降低了系统日运行成本，同时能更好的应对实际运行中可能出现的多种可能性场景，提高了鲁棒性。
本领域技术人员能够对上述顺序进行变换而并不离开本公开的保护范围。
本发明实施例提供一种含储能系统的光伏充电站多时间尺度随机优化装置，如图10所示，包括：
日前预测模块，用于根据含储能系统的光伏充电站系统中光伏出力和充电负荷历史数据，预测得到次日光伏出力和充电负荷预测值；
日前优化模块，用于根据所述次日光伏出力和充电负荷预测值的预测误差，确定多个光伏出力和充电负荷的日前典型场景及对应的概率，根据所述日前典型场景及对应的概率，以日运营成本最低为目标进行优化，得到储能系统优化初始荷电状态和次日各调度周期内储能系统与区域配电网之间的参考功率交换值；
日内初始化模块，用于在次日内，以所述储能系统优化初始荷电状态和次日各调度周期内储能系统与区域配电网之间的参考功率交换值初始化所述光伏充电站系统；
日内滚动优化模块，用于在次日内的每个调度周期，更新当前储能系统荷电状态、充电负荷和光伏出力测量值，并预测得到下一调度周期光伏出力和充电负荷预测值，根据所述下一调度周期光伏出力和充电负荷预测值的预测误差，确定多个光伏出力和充电负荷的日内典型场景及对应的概率，以日运营成本最低为目标进行优化，得到从当前至当日结束中每个调度周期内储能系统的充放电功率；根据所述从当前至当日结束中每个调度周期内储能系统的充放电功率，更新储能系统充放电策略。
在一些具体的实施例中，所述含储能系统的光伏充电站系统包括：储能系统、区域配电网、光伏充电站、AC-DC变换器、DC-AC变换器、DC-DC变换器、配电网交流母线和光伏站直流母线，所述光伏充电站包括充电桩和光伏发电系统。
在一些具体的实施例中，所述含储能系统的光伏充电站多时间尺度随机优化装置，包括预测模型，用于预测得到次日光伏出力和充电负荷预测值，或预测得到下一调度周期光伏出力和充电负荷预测值，所述预测模型为：
，用于将光伏出力或充电负荷测量值输入所述预测模型，得到对应的光伏出力或充电负荷预测值，其中，
为在t时刻对t+i时刻进行预测的值，p和q分别为自回归阶数和滑动平均阶数，
和
为相关系数，
为在
时刻测量的实际值，t、i、j表示时刻，
和
为预测误差。
在一些具体的实施例中，所述含储能系统的光伏充电站多时间尺度随机优化装置，包括场景生成削减模型，用于根据所述次日光伏出力和充电负荷预测值的预测误差，确定多个光伏出力和充电负荷的日前典型场景及对应的概率，或，根据所述下一调度周期光伏出力和充电负荷预测值的预测误差，确定多个光伏出力和充电负荷的日内典型场景及对应的概率，所述场景生成削减模型包括场景生成单元和场景削减单元，所述场景生成单元，用于：
根据充电负荷预测误差满足正态分布，确定充电负荷预测误差的概率密度函数；将充电负荷预测误差的概率密度函数分为多个充电负荷等概率区间；在每个充电负荷等概率区间中，随机抽取一个采样点，并输入对应的概率密度函数的反函数，得到对应采样点的充电负荷样本值，所述充电负荷样本值包括对应的充电负荷预测值及对应的概率；根据多个充电负荷样本值，确定多个对应的充电负荷场景及对应的概率；
根据光伏出力预测误差满足Beta分布，确定光伏出力预测误差的概率密度函数；将光伏出力预测误差的概率密度函数分为多个光伏出力等概率区间；在每个光伏出力等概率区间中，随机抽取一个采样点，并输入对应的概率密度函数的反函数，得到对应采样点的光伏出力样本值，所述光伏出力样本值包括对应的光伏出力预测值及对应的概率；根据多个光伏出力样本值，确定多个对应的光伏出力场景及对应的概率。
在一些具体的实施例中，所述场景削减单元，用于：
确定多个光伏出力典型场景中两个一组的全部组合，计算每个组合中两个光伏出力典型场景的欧式距离，找出每个光伏出力典型场景欧式距离最近的光伏出力典型场景，计算每个光伏出力典型场景及对应的欧式距离最近的光伏出力典型场景之间的概率距离，找出概率距离最短的组合，将所述概率距离最短的组合中的一个光伏出力典型场景削减，更新所述概率距离最短的组合中的另一个光伏出力典型场景的概率，进行光伏出力典型场景削减，直到达到目标光伏出力典型场景数；
确定多个充电负荷典型场景中两个一组的全部组合，计算每个组合中两个充电负荷典型场景的欧式距离，找出每个充电负荷典型场景欧式距离最近的充电负荷典型场景，计算每个充电负荷典型场景及对应的欧式距离最近的充电负荷典型场景之间的概率距离，找出概率距离最短的组合，将所述概率距离最短的组合中的一个充电负荷典型场景削减，更新所述概率距离最短的组合中的另一个充电负荷典型场景的概率，进行充电负荷典型场景削减，直到达到目标充电负荷典型场景数。
在一些具体的实施例中，所述含储能系统的光伏充电站多时间尺度随机优化装置，还包括：
成本模型，所述成本模型包括：
购电成本
，其中，
表示t时刻购电成本，
表示t时刻购电功率，单位kWh，
表示t时刻购电电价，单位元/kWh，
表示每个调度周期的时长，
为t时刻售电功率，
为t时刻售电电价；
光伏发电成本
，其中，
表示光伏发电成本，
为光伏发电系统度电成本，单位元/kWh，
为t时刻光伏发电功率；
储能系统充放电成本
，其中，
表示储能系统充放电成本，
表示储能系统的初始总投资额，
表示第t次充放电的电动汽车数目。
在一些具体的实施例中，所述含储能系统的光伏充电站多时间尺度随机优化装置，包括：
优化模型，所述优化模型的目标函数为
其中，S PV为光伏出力典型场景集合，ω PV表示光伏出力典型场景，λ ωPV为光伏出力典型场景ω PV的概率，S EV为光伏充电站充电负荷典型场景集合，ω EV为光伏充电站充电负荷典型场景，λ ωEV为光伏充电站充电负荷典型场景ω EV的概率，T为调度周期数，
为每个调度周期的时长，
为在t时刻场景ω下的总购电成本，
为在t时刻场景ω下储能系统充放电成本，N S为所运营的光伏充电站数目，
为第n个光伏充电站在t时刻场景ω下的光伏发电成本，n表示所运营的光伏充电站编号，
为在t时刻场景ω下的总购电功率，
为在t时刻场景ω下的总售电功率，
表示t时刻购电电价，
为t时刻售电电价，
表示储能系统的初始总投资额，
表示在场景ω下的第t次充放电的电动汽车数目，
为光伏发电系统度电成本，
表示第n个光伏充电站在t时刻场景ω下的光伏发电功率；
所述优化模型的约束包括：
功率平衡约束
，
功率交换约束
，
储能系统充放电约束
，
为在t时刻场景ω下储能系统放电功率，
为在t时刻场景ω下储能系统充电功率，
表示第n个光伏充电站在t时刻场景ω下的充电功率，
为配电变压器的额定功率，
为AC-DC变换器的额定功率，
为储能系统最大充电功率，
为储能系统最大放电功率，
为储能系统在t时刻充电功率，
为储能系统充电效率，
为储能系统在t时刻放电功率，
为储能系统放电效率，
为储能系统的荷电状态。
在一些具体的实施例中，所述含储能系统的光伏充电站多时间尺度随机优化装置，包括日前初始优化模型，所述日前初始优化模型由所述日前典型场景及对应的概率输入所述优化模型而得到，所述日前初始优化模型输出储能系统优化初始荷电状态和次日各调度周期内储能系统与区域配电网之间的参考功率交换值。
在一些具体的实施例中，所述含储能系统的光伏充电站多时间尺度随机优化装置，包括日内滚动优化模型，所述日内滚动优化模型由所述日内典型场景及对应的概率输入所述优化模型而得到，所述日内滚动优化模型输出从当前至当日结束中每个调度周期内储能系统的充放电功率。
在一些具体的实施例中，通过蒙特卡洛模拟法采样生成所述光伏出力或充电负荷历史数据。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
本实施例中，本发明考虑到光伏出力和充电负荷的不确定性，在满足每辆电动汽车充电需求的前提下，使储能系统在电价较低的时段进行充电储能，在电价较高的时段进行放电供能，在光伏充电站与配电网之间进行了能量缓冲，降低了购电成本的同时还响应了配电网削峰填谷，将购电负荷由高电价的峰时期向低电价的谷时期转移，通过滚动优化逐级消除了预测误差的影响，在分时电价机制下显著降低了系统日运行成本，同时能更好的应对实际运行中可能出现的多种可能性场景，提高了鲁棒性。
基于同一发明构思，本发明实施例还提供一种计算机存储介质，所述计算机存储介质中存储有计算机可执行指令，所述计算机可执行指令执行时实现前述的含储能系统的光伏充电站多时间尺度随机优化方法。
凡在本发明的原则范围内做的任何修改、补充和等同替换等，均应仍归属于本发明的专利涵盖范围内。
Claims (20)
1.含储能系统的光伏充电站多时间尺度随机优化方法，其特征在于，包括以下步骤：
根据含储能系统的光伏充电站系统中光伏出力和充电负荷历史数据，预测得到次日光伏出力和充电负荷预测值；
根据所述次日光伏出力和充电负荷预测值的预测误差，确定多个光伏出力和充电负荷的日前典型场景及对应的概率，根据所述日前典型场景及对应的概率，以日运营成本最低为目标进行优化，得到储能系统优化初始荷电状态和次日各调度周期内储能系统与区域配电网之间的参考功率交换值；
在次日内，以所述储能系统优化初始荷电状态和次日各调度周期内储能系统与区域配电网之间的参考功率交换值初始化所述光伏充电站系统；
在次日内的每个调度周期，更新当前储能系统荷电状态、充电负荷和光伏出力测量值，并预测得到下一调度周期光伏出力和充电负荷预测值，根据所述下一调度周期光伏出力和充电负荷预测值的预测误差，确定多个光伏出力和充电负荷的日内典型场景及对应的概率，以日运营成本最低为目标进行优化，得到从当前至当日结束中每个调度周期内储能系统的充放电功率；根据所述从当前至当日结束中每个调度周期内储能系统的充放电功率，更新储能系统充放电策略。
2.如权利要求1所述的方法，其特征在于，所述含储能系统的光伏充电站系统包括：储能系统、区域配电网、光伏充电站、AC-DC变换器、DC-AC变换器、DC-DC变换器、配电网交流母线和光伏站直流母线，所述光伏充电站包括充电桩和光伏发电系统。
3.如权利要求1所述的方法，其特征在于，预测得到次日光伏出力和充电负荷预测值，或预测得到下一调度周期光伏出力和充电负荷预测值，包括以下步骤：
将光伏出力或充电负荷测量值输入预测模型，得到对应的光伏出力或充电负荷预测值，所述预测模型为：
，其中，
为在t时刻对t+i时刻进行预测的值，p和q分别为自回归阶数和滑动平均阶数，
和
为相关系数，
为在
时刻测量的实际值，t、i、j表示时刻，
和
为预测误差。
4.如权利要求1所述的方法，其特征在于，根据所述次日光伏出力和充电负荷预测值的预测误差，确定多个光伏出力和充电负荷的日前典型场景及对应的概率，或，根据所述下一调度周期光伏出力和充电负荷预测值的预测误差，确定多个光伏出力和充电负荷的日内典型场景及对应的概率，包括以下步骤：
根据充电负荷预测误差满足正态分布，确定充电负荷预测误差的概率密度函数；
将充电负荷预测误差的概率密度函数分为多个充电负荷等概率区间；
在每个充电负荷等概率区间中，随机抽取一个采样点，并输入对应的概率密度函数的反函数，得到对应采样点的充电负荷样本值，所述充电负荷样本值包括对应的充电负荷预测值及对应的概率；
根据多个充电负荷样本值，确定多个对应的充电负荷场景及对应的概率；
根据光伏出力预测误差满足Beta分布，确定光伏出力预测误差的概率密度函数；
将光伏出力预测误差的概率密度函数分为多个光伏出力等概率区间；
在每个光伏出力等概率区间中，随机抽取一个采样点，并输入对应的概率密度函数的反函数，得到对应采样点的光伏出力样本值，所述光伏出力样本值包括对应的光伏出力预测值及对应的概率；
根据多个光伏出力样本值，确定多个对应的光伏出力场景及对应的概率；
将多个光伏出力场景和充电负荷场景进行聚类消减，得到光伏出力典型场景和充电负荷典型场景。
5.如权利要求4所述的方法，其特征在于，将多个光伏出力场景和充电负荷场景进行聚类消减，得到光伏出力典型场景和充电负荷典型场景，包括以下步骤：
确定多个光伏出力典型场景中两个一组的全部组合，计算每个组合中两个光伏出力典型场景的欧式距离，找出每个光伏出力典型场景欧式距离最近的光伏出力典型场景，计算每个光伏出力典型场景及对应的欧式距离最近的光伏出力典型场景之间的概率距离，找出概率距离最短的组合，将所述概率距离最短的组合中的一个光伏出力典型场景削减，更新所述概率距离最短的组合中的另一个光伏出力典型场景的概率，进行光伏出力典型场景削减，直到达到目标光伏出力典型场景数；
确定多个充电负荷典型场景中两个一组的全部组合，计算每个组合中两个充电负荷典型场景的欧式距离，找出每个充电负荷典型场景欧式距离最近的充电负荷典型场景，计算每个充电负荷典型场景及对应的欧式距离最近的充电负荷典型场景之间的概率距离，找出概率距离最短的组合，将所述概率距离最短的组合中的一个充电负荷典型场景削减，更新所述概率距离最短的组合中的另一个充电负荷典型场景的概率，进行充电负荷典型场景削减，直到达到目标充电负荷典型场景数。
6.如权利要求1所述的方法，其特征在于，所述含储能系统的光伏充电站多时间尺度随机优化方法，还包括以下步骤：
建立成本模型，所述成本模型包括：
购电成本
，其中，
表示t时刻购电成本，
表示t时刻购电功率，单位kWh，
表示t时刻购电电价，单位元/kWh，
表示每个调度周期的时长，
为t时刻售电功率，
为t时刻售电电价；
光伏发电成本
，其中，
表示光伏发电成本，
为光伏发电系统度电成本，单位元/kWh，
为t时刻光伏发电功率；
储能系统充放电成本
，其中，
表示储能系统充放电成本，
表示储能系统的初始总投资额，
表示第t次充放电的电动汽车数目。
7.如权利要求1所述的方法，其特征在于，根据所述日前典型场景及对应的概率，以日运营成本最低为目标进行优化，得到储能系统优化初始荷电状态和次日各调度周期内储能系统与区域配电网之间的参考功率交换值，包括以下步骤：
设置优化模型，所述优化模型的目标函数为
其中，S PV为光伏出力典型场景集合，ω PV表示光伏出力典型场景，λ ωPV为光伏出力典型场景ω PV的概率，S EV为光伏充电站充电负荷典型场景集合，ω EV为光伏充电站充电负荷典型场景，λ ωEV为光伏充电站充电负荷典型场景ω EV的概率，T为调度周期数，
为每个调度周期的时长，
为在t时刻场景ω下的总购电成本，
为在t时刻场景ω下储能系统充放电成本，N S为所运营的光伏充电站数目，
为第n个光伏充电站在t时刻场景ω下的光伏发电成本，n表示所运营的光伏充电站编号，
为在t时刻场景ω下的总购电功率，
为在t时刻场景ω下的总售电功率，
表示t时刻购电电价，
为t时刻售电电价，
表示储能系统的初始总投资额，
表示在场景ω下的第t次充放电的电动汽车数目，
为光伏发电系统度电成本，
表示第n个光伏充电站在t时刻场景ω下的光伏发电功率；
所述优化模型的约束包括：
功率平衡约束
，
功率交换约束
，
储能系统充放电约束
，
为在t时刻场景ω下储能系统放电功率，
为在t时刻场景ω下储能系统充电功率，
表示第n个光伏充电站在t时刻场景ω下的充电功率，
为配电变压器的额定功率，
为AC-DC变换器的额定功率，
为储能系统最大充电功率，
为储能系统最大放电功率，
为储能系统在t时刻充电功率，
为储能系统充电效率，
为储能系统在t时刻放电功率，
为储能系统放电效率，
为储能系统在t时刻的荷电状态；
将所述日前典型场景及对应的概率，输入所述优化模型，建立日前初始优化模型，得到储能系统优化初始荷电状态和次日各调度周期内储能系统与区域配电网之间的参考功率交换值。
8.如权利要求7所述的方法，其特征在于，以日运营成本最低为目标进行优化，得到从当前至当日结束中每个调度周期内储能系统的充放电功率，包括以下步骤：
将所述日内典型场景及对应的概率，输入所述优化模型，建立日内滚动优化模型，得到从当前至当日结束中每个调度周期内储能系统的充放电功率。
9.如权利要求1至8任一所述的方法，其特征在于，所述含储能系统的光伏充电站多时间尺度随机优化方法，还包括通过蒙特卡洛模拟法采样生成所述光伏出力或充电负荷历史数据。
10.含储能系统的光伏充电站多时间尺度随机优化装置，其特征在于，包括：
日前预测模块，用于根据含储能系统的光伏充电站系统中光伏出力和充电负荷历史数据，预测得到次日光伏出力和充电负荷预测值；
日前优化模块，用于根据所述次日光伏出力和充电负荷预测值的预测误差，确定多个光伏出力和充电负荷的日前典型场景及对应的概率，根据所述日前典型场景及对应的概率，以日运营成本最低为目标进行优化，得到储能系统优化初始荷电状态和次日各调度周期内储能系统与区域配电网之间的参考功率交换值；
日内初始化模块，用于在次日内，以所述储能系统优化初始荷电状态和次日各调度周期内储能系统与区域配电网之间的参考功率交换值初始化所述光伏充电站系统；
日内滚动优化模块，用于在次日内的每个调度周期，更新当前储能系统荷电状态、充电负荷和光伏出力测量值，并预测得到下一调度周期光伏出力和充电负荷预测值，根据所述下一调度周期光伏出力和充电负荷预测值的预测误差，确定多个光伏出力和充电负荷的日内典型场景及对应的概率，以日运营成本最低为目标进行优化，得到从当前至当日结束中每个调度周期内储能系统的充放电功率；根据所述从当前至当日结束中每个调度周期内储能系统的充放电功率，更新储能系统充放电策略。
11.如权利要求10所述的装置，其特征在于，所述含储能系统的光伏充电站系统包括：储能系统、区域配电网、光伏充电站、AC-DC变换器、DC-AC变换器、DC-DC变换器、配电网交流母线和光伏站直流母线，所述光伏充电站包括充电桩和光伏发电系统。
12.如权利要求10所述的装置，其特征在于，所述含储能系统的光伏充电站多时间尺度随机优化装置，包括预测模型，用于预测得到次日光伏出力和充电负荷预测值，或预测得到下一调度周期光伏出力和充电负荷预测值，所述预测模型为：
，用于将光伏出力或充电负荷测量值输入所述预测模型，得到对应的光伏出力或充电负荷预测值，其中，
为在t时刻对t+i时刻进行预测的值，p和q分别为自回归阶数和滑动平均阶数，
和
为相关系数，
为在
时刻测量的实际值，t、i、j表示时刻，
和
为预测误差。
13.如权利要求10所述的装置，其特征在于，所述含储能系统的光伏充电站多时间尺度随机优化装置，包括场景生成削减模型，用于根据所述次日光伏出力和充电负荷预测值的预测误差，确定多个光伏出力和充电负荷的日前典型场景及对应的概率，或，根据所述下一调度周期光伏出力和充电负荷预测值的预测误差，确定多个光伏出力和充电负荷的日内典型场景及对应的概率，所述场景生成削减模型包括场景生成单元和场景削减单元，所述场景生成单元，用于：
根据充电负荷预测误差满足正态分布，确定充电负荷预测误差的概率密度函数；
将充电负荷预测误差的概率密度函数分为多个充电负荷等概率区间；
在每个充电负荷等概率区间中，随机抽取一个采样点，并输入对应的概率密度函数的反函数，得到对应采样点的充电负荷样本值，所述充电负荷样本值包括对应的充电负荷预测值及对应的概率；
根据多个充电负荷样本值，确定多个对应的充电负荷场景及对应的概率；
根据光伏出力预测误差满足Beta分布，确定光伏出力预测误差的概率密度函数；
将光伏出力预测误差的概率密度函数分为多个光伏出力等概率区间；
在每个光伏出力等概率区间中，随机抽取一个采样点，并输入对应的概率密度函数的反函数，得到对应采样点的光伏出力样本值，所述光伏出力样本值包括对应的光伏出力预测值及对应的概率；
根据多个光伏出力样本值，确定多个对应的光伏出力场景及对应的概率。
14.如权利要求13所述的装置，其特征在于，所述场景削减单元，用于：
确定多个光伏出力典型场景中两个一组的全部组合，计算每个组合中两个光伏出力典型场景的欧式距离，找出每个光伏出力典型场景欧式距离最近的光伏出力典型场景，计算每个光伏出力典型场景及对应的欧式距离最近的光伏出力典型场景之间的概率距离，找出概率距离最短的组合，将所述概率距离最短的组合中的一个光伏出力典型场景削减，更新所述概率距离最短的组合中的另一个光伏出力典型场景的概率，进行光伏出力典型场景削减，直到达到目标光伏出力典型场景数；
确定多个充电负荷典型场景中两个一组的全部组合，计算每个组合中两个充电负荷典型场景的欧式距离，找出每个充电负荷典型场景欧式距离最近的充电负荷典型场景，计算每个充电负荷典型场景及对应的欧式距离最近的充电负荷典型场景之间的概率距离，找出概率距离最短的组合，将所述概率距离最短的组合中的一个充电负荷典型场景削减，更新所述概率距离最短的组合中的另一个充电负荷典型场景的概率，进行充电负荷典型场景削减，直到达到目标充电负荷典型场景数。
15.如权利要求10所述的装置，其特征在于，所述含储能系统的光伏充电站多时间尺度随机优化装置，还包括：
成本模型，所述成本模型包括：
购电成本
，其中，
表示t时刻购电成本，
表示t时刻购电功率，单位kWh，
表示t时刻购电电价，单位元/kWh，
表示每个调度周期的时长，
为t时刻售电功率，
为t时刻售电电价；
光伏发电成本
，其中，
表示光伏发电成本，
为光伏发电系统度电成本，单位元/kWh，
为t时刻光伏发电功率；
储能系统充放电成本
，其中，
表示储能系统充放电成本，
表示储能系统的初始总投资额，
表示第t次充放电的电动汽车数目。
16.如权利要求10所述的装置，其特征在于，所述含储能系统的光伏充电站多时间尺度随机优化装置，包括：
优化模型，所述优化模型的目标函数为
其中，S PV为光伏出力典型场景集合，ω PV表示光伏出力典型场景，λ ωPV为光伏出力典型场景ω PV的概率，S EV为光伏充电站充电负荷典型场景集合，ω EV为光伏充电站充电负荷典型场景，λ ωEV为光伏充电站充电负荷典型场景ω EV的概率，T为调度周期数，
为每个调度周期的时长，
为在t时刻场景ω下的总购电成本，
为在t时刻场景ω下储能系统充放电成本，N S为所运营的光伏充电站数目，
为第n个光伏充电站在t时刻场景ω下的光伏发电成本，n表示所运营的光伏充电站编号，
为在t时刻场景ω下的总购电功率，
为在t时刻场景ω下的总售电功率，
表示t时刻购电电价，
为t时刻售电电价，
表示储能系统的初始总投资额，
表示在场景ω下的第t次充放电的电动汽车数目，
为光伏发电系统度电成本，
表示第n个光伏充电站在t时刻场景ω下的光伏发电功率；
所述优化模型的约束包括：
功率平衡约束
，
功率交换约束
，
储能系统充放电约束
，
为在t时刻场景ω下储能系统放电功率，
为在t时刻场景ω下储能系统充电功率，
表示第n个光伏充电站在t时刻场景ω下的充电功率，
为配电变压器的额定功率，
为AC-DC变换器的额定功率，
为储能系统最大充电功率，
为储能系统最大放电功率，
为储能系统在t时刻充电功率，
为储能系统充电效率，
为储能系统在t时刻放电功率，
为储能系统放电效率，
为储能系统在t时刻的荷电状态。
17.如权利要求16所述的装置，其特征在于，所述含储能系统的光伏充电站多时间尺度随机优化装置，包括日前初始优化模型，所述日前初始优化模型由所述日前典型场景及对应的概率输入所述优化模型而得到，所述日前初始优化模型输出储能系统优化初始荷电状态和次日各调度周期内储能系统与区域配电网之间的参考功率交换值。
18.如权利要求16所述的装置，其特征在于，所述含储能系统的光伏充电站多时间尺度随机优化装置，包括日内滚动优化模型，所述日内滚动优化模型由所述日内典型场景及对应的概率输入所述优化模型而得到，所述日内滚动优化模型输出从当前至当日结束中每个调度周期内储能系统的充放电功率。
19.如权利要求10至18任一所述的装置，其特征在于，通过蒙特卡洛模拟法采样生成所述光伏出力或充电负荷历史数据。
20.一种计算机存储介质，其特征在于，所述计算机存储介质中存储有计算机可执行指令，所述计算机可执行指令执行时实现权利要求1-9任一所述的含储能系统的光伏充电站多时间尺度随机优化方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310416185.3A CN116151486B (zh) | 2023-04-19 | 2023-04-19 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310416185.3A CN116151486B (zh) | 2023-04-19 | 2023-04-19 | 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 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116151486A true CN116151486A (zh) | 2023-05-23 |
| CN116151486B CN116151486B (zh) | 2023-07-07 |
Family
ID=86339266
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310416185.3A Active CN116151486B (zh) | 2023-04-19 | 2023-04-19 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116151486B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116706892A (zh) * | 2023-06-15 | 2023-09-05 | 华北电力大学 | 一种轨道交通光储配置方法、系统及电子设备 |
| CN117293795A (zh) * | 2023-09-08 | 2023-12-26 | 杭州戈虎达科技有限公司 | 一种面向灵活爬坡服务的电力系统资源调度方法 |
| CN117613923A (zh) * | 2024-01-22 | 2024-02-27 | 国网天津市电力公司宁河供电分公司 | 一种基于动态分区的配电网调度方法及系统 |
| CN118281924A (zh) * | 2024-03-26 | 2024-07-02 | 湖南城市学院 | 配网储能系统多应用场景优化方法、系统和可读存储介质 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108667012A (zh) * | 2018-05-21 | 2018-10-16 | 国网山东省电力公司电力科学研究院 | 基于多场景的区域能源互联网源荷储双阶段协调优化方法 |
| CN109066744A (zh) * | 2018-08-08 | 2018-12-21 | 中国电力科学研究院有限公司 | 一种含储能配电网协调调度方法和系统 |
| CN110417006A (zh) * | 2019-07-24 | 2019-11-05 | 三峡大学 | 考虑多能协同优化的综合能源系统多时间尺度能量调度方法 |
| CN110570007A (zh) * | 2019-06-17 | 2019-12-13 | 上海交通大学 | 电动汽车多时间尺度优化调度方法 |
| 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 |
| CN112803464A (zh) * | 2021-03-16 | 2021-05-14 | 中国电力科学研究院有限公司 | 一种储能系统充放电控制方法、系统、设备和存储介质 |
| CN112865190A (zh) * | 2020-12-31 | 2021-05-28 | 中国电力科学研究院有限公司 | 计及光伏和充电需求的光储充电站优化调度方法和系统 |
| US20210276447A1 (en) * | 2017-12-22 | 2021-09-09 | Microgrid Labs Inc | Design and control of electric vehicle charging infrastructure |
| CN113733963A (zh) * | 2021-08-31 | 2021-12-03 | 国网北京市电力公司 | 一种光储充一体站日前调度方法、系统、装置及存储介质 |
| WO2021244000A1 (zh) * | 2020-06-03 | 2021-12-09 | 国网上海市电力公司 | 一种区域能源综合体虚拟聚合系统及方法 |
| CN114243795A (zh) * | 2021-11-16 | 2022-03-25 | 国网辽宁省电力有限公司经济技术研究院 | 一种典型充电站综合能源协同交互优化配置方法及系统 |
| CN115001037A (zh) * | 2022-06-06 | 2022-09-02 | 国网山东省电力公司潍坊供电公司 | 一种多目标多时间尺度协同的储能系统调度运行方法 |
| CN115189401A (zh) * | 2022-07-27 | 2022-10-14 | 国网甘肃省电力公司经济技术研究院 | 一种计及源荷不确定性的日前-日内协调优化调度方法 |
-
2023
- 2023-04-19 CN CN202310416185.3A patent/CN116151486B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20210276447A1 (en) * | 2017-12-22 | 2021-09-09 | Microgrid Labs Inc | Design and control of electric vehicle charging infrastructure |
| CN108667012A (zh) * | 2018-05-21 | 2018-10-16 | 国网山东省电力公司电力科学研究院 | 基于多场景的区域能源互联网源荷储双阶段协调优化方法 |
| CN109066744A (zh) * | 2018-08-08 | 2018-12-21 | 中国电力科学研究院有限公司 | 一种含储能配电网协调调度方法和系统 |
| CN110570007A (zh) * | 2019-06-17 | 2019-12-13 | 上海交通大学 | 电动汽车多时间尺度优化调度方法 |
| CN110417006A (zh) * | 2019-07-24 | 2019-11-05 | 三峡大学 | 考虑多能协同优化的综合能源系统多时间尺度能量调度方法 |
| WO2021244000A1 (zh) * | 2020-06-03 | 2021-12-09 | 国网上海市电力公司 | 一种区域能源综合体虚拟聚合系统及方法 |
| 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 |
| CN112865190A (zh) * | 2020-12-31 | 2021-05-28 | 中国电力科学研究院有限公司 | 计及光伏和充电需求的光储充电站优化调度方法和系统 |
| CN112803464A (zh) * | 2021-03-16 | 2021-05-14 | 中国电力科学研究院有限公司 | 一种储能系统充放电控制方法、系统、设备和存储介质 |
| CN113733963A (zh) * | 2021-08-31 | 2021-12-03 | 国网北京市电力公司 | 一种光储充一体站日前调度方法、系统、装置及存储介质 |
| CN114243795A (zh) * | 2021-11-16 | 2022-03-25 | 国网辽宁省电力有限公司经济技术研究院 | 一种典型充电站综合能源协同交互优化配置方法及系统 |
| CN115001037A (zh) * | 2022-06-06 | 2022-09-02 | 国网山东省电力公司潍坊供电公司 | 一种多目标多时间尺度协同的储能系统调度运行方法 |
| CN115189401A (zh) * | 2022-07-27 | 2022-10-14 | 国网甘肃省电力公司经济技术研究院 | 一种计及源荷不确定性的日前-日内协调优化调度方法 |
Non-Patent Citations (3)
| Title |
|---|
| CHEN CHAO ETC.: "Cost-Benefit Analysis of Distributed Energy Storage in Distribution Grids with Renewables", 《IEEE》, pages 1490 - 1495 * |
| 杨昌海等: "基于电网最低运行成本的储能装置最佳接入位置研究", 《重庆理工大学学报( 自然科学)》, pages 243 - 250 * |
| 王阳等: "基于GRU-MPC 的光储充电站日前-日内两阶段优化控制", 《电力自动化设备》, pages 177 - 182 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116706892A (zh) * | 2023-06-15 | 2023-09-05 | 华北电力大学 | 一种轨道交通光储配置方法、系统及电子设备 |
| CN116706892B (zh) * | 2023-06-15 | 2023-12-29 | 华北电力大学 | 一种轨道交通光储配置方法、系统及电子设备 |
| CN117293795A (zh) * | 2023-09-08 | 2023-12-26 | 杭州戈虎达科技有限公司 | 一种面向灵活爬坡服务的电力系统资源调度方法 |
| CN117613923A (zh) * | 2024-01-22 | 2024-02-27 | 国网天津市电力公司宁河供电分公司 | 一种基于动态分区的配电网调度方法及系统 |
| CN117613923B (zh) * | 2024-01-22 | 2024-04-05 | 国网天津市电力公司宁河供电分公司 | 一种基于动态分区的配电网调度方法及系统 |
| CN118281924A (zh) * | 2024-03-26 | 2024-07-02 | 湖南城市学院 | 配网储能系统多应用场景优化方法、系统和可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116151486B (zh) | 2023-07-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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. | A review on electric vehicles interacting with renewable energy in smart grid | |
| Berrueta et al. | Combined dynamic programming and region-elimination technique algorithm for optimal sizing and management of lithium-ion batteries for photovoltaic plants | |
| CN111900727B (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 | |
| Schröder et al. | Optimization of distributed energy resources for electric vehicle charging and fuel cell vehicle refueling | |
| CN109948823B (zh) | 一种光储充电塔自适应鲁棒日前优化调度方法 | |
| 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 | |
| CN111626527A (zh) | 计及可调度电动汽车快/慢充放电形式的智能电网深度学习调度方法 | |
| Nayak et al. | Technoeconomic analysis of a grid-connected PV and battery energy storagesystem considering time of use pricing | |
| Rodríguez-Gallegos et al. | Optimal PV and storage sizing for PV-battery-diesel hybrid systems | |
| CN114519449A (zh) | 一种园区能源系统运行优化方法 | |
| Ni et al. | Hierarchical optimization of electric vehicle system charging plan based on the scheduling priority | |
| CN114725930B (zh) | 一种自适应电力系统调度方法及装置 | |
| CN114944661A (zh) | 一种基于储能系统滚动优化的微电网三阶段优化控制方法 | |
| Thang | Optimal sizing of distributed energy resources and battery energy storage system in planning of islanded micro-grids based on life cycle cost | |
| CN115423153A (zh) | 基于概率预测的光伏储能系统能量管理方法 | |
| Guo et al. | Stochastic optimization for economic operation of plug-in electric vehicle charging stations at a municipal parking deck integrated with on-site renewable energy generation | |
| Zhang et al. | A review on capacity sizing and operation strategy of grid-connected photovoltaic battery systems | |
| CN117937486A (zh) | 电网管理方法、装置、设备以及存储介质 | |
| Ahmed et al. | Grid Integration of PV Based Electric Vehicle Charging Stations: A Brief Review | |
| Bokopane et al. | Optimal power dispatching for a grid-connected electric vehicle charging station microgrid with renewable energy, battery storage and peer-to-peer energy sharing | |
| Das et al. | Game theoretical energy management of EV fast charging station with V2G capability | |
| CN116167578A (zh) | 一种商业楼宇的电动汽车充电站协调调控方法及电子设备 | |
| CN110570098A (zh) | 考虑换电需求与光伏不确定性电动汽车充换电站控制方法 | |
| Chang et al. | Bi‐level scheduling of large‐scale electric vehicles based on the generation side and the distribution side |
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 |