CN116307087A - 考虑电动汽车充放电的微电网系统储能优化配置方法 - Google Patents
考虑电动汽车充放电的微电网系统储能优化配置方法 Download PDFInfo
- Publication number
- CN116307087A CN116307087A CN202310074114.XA CN202310074114A CN116307087A CN 116307087 A CN116307087 A CN 116307087A CN 202310074114 A CN202310074114 A CN 202310074114A CN 116307087 A CN116307087 A CN 116307087A
- Authority
- CN
- China
- Prior art keywords
- grid
- micro
- energy storage
- power
- electric automobile
- 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 172
- 238000007599 discharging Methods 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000005457 optimization Methods 0.000 claims abstract description 76
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 claims abstract description 52
- 229910052744 lithium Inorganic materials 0.000 claims abstract description 52
- 238000004364 calculation method Methods 0.000 claims abstract description 43
- 239000004973 liquid crystal related substance Substances 0.000 claims description 48
- 238000004422 calculation algorithm Methods 0.000 claims description 44
- 239000002245 particle Substances 0.000 claims description 35
- 230000005611 electricity Effects 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 18
- 238000010248 power generation Methods 0.000 claims description 15
- 230000002068 genetic effect Effects 0.000 claims description 13
- 230000000670 limiting effect Effects 0.000 claims description 10
- 238000012423 maintenance Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 8
- 230000007613 environmental effect Effects 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 7
- 239000000356 contaminant Substances 0.000 claims description 5
- 239000003344 environmental pollutant Substances 0.000 claims description 3
- 231100000719 pollutant Toxicity 0.000 claims description 3
- 230000006870 function Effects 0.000 description 33
- 238000003860 storage Methods 0.000 description 16
- 238000013461 design Methods 0.000 description 15
- 230000008859 change Effects 0.000 description 11
- 230000003287 optical effect Effects 0.000 description 11
- 210000004027 cell Anatomy 0.000 description 10
- 238000007726 management method Methods 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 8
- 238000011217 control strategy Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000003993 interaction Effects 0.000 description 7
- 238000000342 Monte Carlo simulation Methods 0.000 description 6
- 238000007728 cost analysis Methods 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 239000007789 gas Substances 0.000 description 4
- 238000005286 illumination Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000011835 investigation Methods 0.000 description 3
- MWUXSHHQAYIFBG-UHFFFAOYSA-N nitrogen oxide Inorganic materials O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000000178 monomer Substances 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 1
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 229910002091 carbon monoxide Inorganic materials 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 235000003642 hunger Nutrition 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 229910001416 lithium ion Inorganic materials 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000001376 precipitating effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000037351 starvation Effects 0.000 description 1
- 210000000352 storage cell Anatomy 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 239000002912 waste gas Substances 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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"
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas 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]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/04—Power grid distribution networks
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Tourism & Hospitality (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Physics (AREA)
- General Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Game Theory and Decision Science (AREA)
- Geometry (AREA)
- Development Economics (AREA)
- Power Engineering (AREA)
- Computer Hardware Design (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
Abstract
本发明涉及微电网能量配置领域,公开一种考虑电动汽车充放电的微电网系统储能优化配置方法,方法包括:构建考虑电动汽车入网的微电网模型,计算微电网的日均运行总成本,预测电动汽车在各个时刻的充放电负荷;结合微电网的日均运行总成本和电动汽车在各个时刻的充放电负荷预测值建立多目标优化模型,求解多目标优化模型得到微电网系统储能优化配置方案;系统包括建模模块、日均运行总成本计算模块、电动汽车充放电负荷预测模块和优化配置方案求解模块。本发明可以实现对锂电池储能系统单位容量成本的精确计算、实现在电动汽车入网模式下的电动汽车的有序充放电负荷、配置方案经济且可靠性高。
Description
技术领域
本发明涉及微电网能量配置领域,尤其是指一种考虑电动汽车充放电的微电网系统储能优化配置方法。
背景技术
微电网(Micro-Grid)是一种电力负荷和微型电源的集合,它可以通过单一接口的接、断来实现并网和离网运行,且整合了不同种类的分布式发电电源(比如光伏(Photovoltaic,PV)发电)并将其接入电网,从而实现能源利用的安全性、稳定性和经济性,提高电力系统的综合性能。但是,微电网具有很大的不确定性,主要表现在源、荷两侧。
由于分布式发电功率的不确定性以及不稳定性,大规模分布式发电系统如果直接接入大电网将会引起电网的功率波动,严重的可导致电网崩溃。微电网内的电池储能系统(Battery Energy Storage System,BESS)可以用于消纳光伏发电多余的电能,并在需要的时候弥补电网功率供给不足。微电网的经济特性分析结果将会影响决策者对于微电网的建设和运行的策略制定,而锂电池储能系统的容量成本在计算整个系统的投资成本时至关重要。当前,业界大多基于全生命周期模型对储能系统的单位容量成本进行分析,该方法根据储能系统的寿命预测(例如10年)测算出其单位容量成本,并认定为某一定值。但是,不同的制造工艺、不同应用场景、不同规模的电池厂都会极大影响锂电池的单位成本以及最低成本的经济规模,导致当前的锂电池储能系统单位容量成本测算值并不准确。
而负荷侧的不确定性,除了基本用电外,未来大规模电动汽车(ElectricVehicles,EV)的充电负荷不确定性也成为了微电网负荷的主要考虑因素。近年来,电动汽车入网(Vehicles to Grid,V2G)逐渐兴起。V2G也称为电动汽车有序充放电,其与电动汽车常规充电方式的本质区别就是电动汽车通过充电站不仅可以充电,还可以在电量充足、电网功率供给不足的时候向微电网放电以弥补功率缺额。但是,前的电动汽车充放电能量管理策略很少有考虑V2G模式,即使考虑了也仅仅只是简单的迁移应用,没有贴近现实而无法实现在V2G模式下的电动汽车的有序充放电负荷。
发明内容
为此,本发明所要解决的技术问题在于克服现有技术中的不足,提供一种考虑电动汽车充放电的微电网系统储能优化配置方法,可以实现对锂电池储能系统单位容量成本的精确计算、实现在电动汽车入网模式下的电动汽车的有序充放电负荷、配置方案经济且可靠性高。
为解决上述技术问题,本发明提供了一种考虑电动汽车充放电的微电网系统储能优化配置方法,包括:
构建考虑电动汽车入网的微电网模型,计算微电网的日均运行总成本;
根据电动汽车的历史入网情况,预测电动汽车在各个时刻的充放电负荷;
结合所述微电网的日均运行总成本和电动汽车在各个时刻的充放电负荷预测值建立多目标优化模型,求解所述多目标优化模型得到微电网系统储能优化配置方案。
在本发明的一个实施例中,所述微电网的日均运行总成本Cd的计算方法为:
其中,Cinv微电网各个部件的日均投资成本,为锂电池储能系统的日均运行维护成本,Cp为微电网建设和运行过程中的环境成本,CEV为微电网一日内支付给所有电动汽车参与能量调度管理的补贴成本,Cpu为微电网运行时由于功率供求不平衡而支付的惩罚成本。
在本发明的一个实施例中,所述微电网各个部件的日均投资成本Cinv的计算方法为:
其中,表示锂电池储能系统的单位容量成本,/>为锂电池储能系统额定容量,/>为储能变流器的单位投资成本,/>为锂电池储能系统额定功率,/>为光伏太阳能电池板的单位投资成本,/>为光伏太阳能电池板的额定功率,r为折现系数,n为微电网有效运行年限;
所述微电网建设和运行过程中的环境成本Cp的计算方法为:
其中,mi为各个污染物的单位容量排放量,ki为第i种污染物的单位处理成本;
所述微电网支付给所有电动汽车参与能量调度管理的补贴成本CEV的计算方法为:
所述微电网运行时由于功率供求不平衡而支付的惩罚成本Cpu的计算方法为:
其中,kpu为单位惩罚成本,ΔPi为i时刻的功率缺额,s为功率不平衡时段数。
在本发明的一个实施例中,所述根据电动汽车的历史入网情况,预测电动汽车在各个时刻的充放电功率,具体为:
构建电动汽车在充放电过程中的限制条件,在电动汽车接入电网后使用粒子群优化算法预测所有电动汽车在各个时刻的充放电负荷预测值。
在本发明的一个实施例中,所述电动汽车在充放电过程中的限制条件包括电动汽车SOC约束和电动汽车单向功率流约束,
所述电动汽车SOC约束为:
其中,SOCmax、SOCmin分别为电动汽车动力电池的最大允许SOC值、最小允许SOC值,SOCi,t表示第i辆电动汽车在t时刻的SOC值;
所述电动汽车单向功率流约束为:
在本发明的一个实施例中,所述使用粒子群优化算法预测所有电动汽车在各个时刻的充放电负荷预测值时,建立的目标函数为:
其中,为微电网所有EV用户一日内总充电成本,t为时间,N代表电网内电动汽车总数,/>为t时刻V2G中所有电动汽车充电电价,/>为t时刻V2G中所有电动汽车放电电价,/>代表第i辆电动汽车在t时刻的充电功率、/>代表第i辆电动汽车在t时刻的放电功率。
在本发明的一个实施例中,所述结合所述微电网的日均运行总成本和电动汽车在各个时刻的充放电负荷预测值建立多目标优化模型,求解所述多目标优化模型得到微电网系统储能优化配置方案,具体为:
建立多目标优化模型的约束条件,将储能系统的额定功率和光伏太阳能电池板的数量作为多目标优化模型的控制变量,使用带精英策略的快速非支配排序遗传算法求解所述多目标优化模型得到微电网系统储能优化配置方案。
在本发明的一个实施例中,所述多目标优化模型的约束条件包括储能系统的荷电状态约束和充放电功率约束,
所述储能系统的荷电状态约束为:
所述充放电功率约束为:
在本发明的一个实施例中,所述使用带精英策略的快速非支配排序遗传算法求解所述多目标优化模型时,建立的目标函数为:
Pt load=Pt basic+Pt EV,
Pt supply=Pt PV+Pt BESS+Pt sys,
其中,为t时刻的居民基本用电负荷,/>为电动汽车在t时刻的充放电负荷预测值;/>为t时刻的光伏太阳能电池板PV发电功率,/>为t时刻的储能系统出力,/>为当地配电站分配的稳定供电功率,nPV表示需要配置的光伏太阳能电池板的数量,/>为t时刻的单位光伏太阳能电池板的输出功率。
本发明还提供了一种考虑电动车充放电的微电网系统储能优化配置系统,包括建模模块、日均运行总成本计算模块、电动汽车充放电负荷预测模块和优化配置方案求解模块,
所述建模模块构建考虑电动汽车入网的微电网模型,所述日均运行总成本计算模块计算微电网的日均运行总成本;
所述电动汽车充放电负荷预测模块根据电动汽车的历史入网情况,预测电动汽车在各个时刻的充放电负荷;
所述优化配置方案求解模块结合所述微电网的日均运行总成本和电动汽车在各个时刻的充放电负荷预测值建立多目标优化模型,求解所述多目标优化模型得到微电网系统储能优化配置方案。
本发明的上述技术方案相比现有技术具有以下优点:
本发明通过构建考虑电动汽车入网的微电网模型,在此基础下结合所述微电网的日均运行总成本和电动汽车在各个时刻的充放电负荷预测值求解微电网系统储能优化配置方案,可以实现对锂电池储能系统单位容量成本的精确计算;并且配置方案贴近现实,可以实现在电动汽车入网模式下的电动汽车的有序充放电负荷,配置方案经济且可靠性高。
附图说明
为了使本发明的内容更容易被清楚的理解,下面根据本发明的具体实施例并结合附图,对本发明作进一步详细的说明,其中:
图1是本发明的流程图,
图2是本发明的结构图,
图3是本发明中并网型微电网的基本结构图,
图4是本发明中相应电动汽车在接入电网后的V2G控制策略的流程图,
图5是本发明中粒子群优化算法的求解流程图,
图6是本发明中NSGA-Ⅱ算法的流程图,
图7是本发明实施例中的对MWh级别的锂电池储能系统的单位成本计算值的拟合曲线图,
图8是本发明实施例中利用蒙特卡洛模拟法抽取500辆电动汽车在住宅区微电网的停靠概率图,
图9是本发明实施例中利用蒙特卡洛模拟法抽取500辆电动汽车在住宅区微电网的行驶里程数据图,
图10是本发明实施例中根据图8和图9中的数据计算初始SOC值的结果图,
图11是本发明实施例中将求解后得到的EV负荷曲线与居民基本用电负荷进行叠加,以及得到的微电网一日内总负荷曲线图。
图12是本发明实施例中求解得到的帕雷托解集的示意图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明,以使本领域的技术人员可以更好地理解本发明并能予以实施,但所举实施例不作为对本发明的限定。
本发明首先从底层设计开发的角度入手,提出电池容量为MWh级别的微电网储能电池柜的结构设计方案,通过标定储能电池柜的不同额定容量,得到不同容量对应的储能单位成本,拟合出单位成本随额定容量的变化公式,提高储能系统成本计算的准确性,并将公式应用到微电网经济特定分析。其次,研究基于经济模型的电动汽车充放电荷预测方法,并提出电动汽车充放电控制策略。根据调查统计数据,利用蒙特卡洛模拟法抽取电动汽车样本,预测样本电动汽车V2G模式下的负荷,为微电网光储系统的优化配置模型提供电动汽车负荷输入数据。最后,在考虑锂电池储能系统的单位容量成本变化和电动汽车V2G模式下的充放电负荷的基础上,建立了微电网光储多目标优化配置模型,得到微电网在经济性最优和运行稳定性最优情况下的光伏电池板数量和锂电池储能系统的额定功率/额定容量配置结果。
实施例一
参照图1-图2所示,本发明公开了一种考虑电动汽车充放电的微电网系统储能优化配置方法,包括以下步骤:
S1:构建考虑电动汽车入网的微电网模型,计算微电网的日均运行总成本。
S1-1:考虑电动汽车入网的微电网模型的基本结构如图3所示,包括光伏板,电动汽车,储能系统,以及基本用电负荷。整个微电网通过当地配电站系统与电力系统相连并进行功率交互。
储能系统结构设计:首先是储能系统的结构模块化设计,从电池单体开始,包括单体的电化学成分,单体的尺寸(长度,宽度,厚度);到电池模组,包括模组中含有的单体数量和串并联方式等;再到电池包,包括电池包中包含的模组数量、串并联方式和相应的单体的数量等;最后,由若干电池包组成储能电池柜,整个储能系统则由若干电池柜串并联组成,以满足功率容量的需求。本设计方案以Argonne实验室开发的锂电池底层设计及成本分析模型(Battery Performance and Cost model,BatPac)为基础,同时参考了动力电池单体外形设计标准GB/T 34013-2017。
锂电池储能系统成本分析:在电池设计模块设计出从电池单体到整个储能系统的方案之后,通过输入每个部分和组件的价格,随即可以进行储能系统的成本分析,从而为微电网的经济性分析提供更加准确、可靠的参考,同时也为锂电池储能系统自身的优化配置模型提供更加精确的输入数据。最后计算出的储能系统成本主要由两个部分决定,第一是选取的电池电化学成分和相关材料的市场价格;第二是最后标定的储能系统额定容量(额定容量与储能系统所使用的材料的量有关)。因此,为了分析储能系统的单位容量成本随其额定容量的变化,设定电池原材料价格,且在不同时期计算电池批量制造成本时应考虑相关原材料的价格波动情况。
根据以上设计方案,所述考虑电动汽车入网的微电网模型下的锂电池储能系统的单位容量成本通过锂电池储能系统额定容量/>拟合得到,即可以得到容量为MWh级别的锂电池储能系统的单位容量成本随其额定容量的变化公式/>
S1-2:微电网的经济特性分析主要是指微电网日均运行总成本的计算。微电网的日均运行总成本是将整个微电网主要的建设投资成本和在微电网生命周期内的运行费用进行平均化,具体计算其平均每天的成本。针对本专利所研究的微电网系统,在微电网的建设和运行时,主要的成本包括储能系统成本和日常运行维护成本,光伏太阳能板的初始投资成本,因制造锂电池储能而产生废气的环境治理成本以及V2G模式下支付给电动汽车向微电网放电时的补贴成本,此外,为了维持主电网功率稳定性,微电网运行前还会与主电网签订安全运行协议,如果微电网在运行过程中,未能保持网内功率供求平衡而需要主电网额外供电(或需要主电网消纳多余的电能),那么微电网运营商需要额外支付惩罚成本。因此,所述微电网的日均运行总成本Cd的计算方法为:
其中,Cinv微电网各个部件的日均投资成本,为锂电池储能系统的日均运行维护成本,Cp为微电网建设和运行过程中的环境成本,CEV为微电网一日内支付给所有电动汽车参与能量调度管理的补贴成本,Cpu为微电网运行时由于功率供求不平衡而支付的惩罚成本。计算方法分别为:
S1-2-1:微电网内各部件的总日均投资成本为其总初始投资成本除以微电网的有效使用天数,即:使用年限×365天。储能系统的投资成本计算考虑到其单位容量成本随额定容量的变化;光伏太阳能电池板的投资成本与其额定功率的配置有关。此外,由于微电网使用年限较长,在这里还考虑了初始投资成本的通货膨胀。因此,所述微电网各个部件的日均投资成本Cinv的计算方法为:
其中,表示锂电池储能系统的单位容量成本,/>为锂电池储能系统额定容量,/>为储能变流器(Power Conversion System,PCS)的单位投资成本,/>为锂电池储能系统额定功率,/>为光伏太阳能电池板的单位投资成本,/>为光伏太阳能电池板的额定功率,r为折现系数,本实施例中r=8%;n为微电网有效运行年限。
S1-2-3:微电网虽然相对于传统电网中的火电厂来说更加绿色,更加环保,微电网内的微电源在运行过程中也不会产生大量污染,但是大规模的锂电池储能系统的制造过程中所产生的污染是足以需要引起重视的。储能系统的环境成本是指由于锂电池储能系统的制造而产生的污染无气体治理成本,包括二氧化碳、氮氧化物、二氧化硫、一氧化碳等。不同污染物气体的排放而造成的处理成本是各不相同的,各污染物气体的产量取决于储能电池的额定容量大小。因此,所述微电网建设和运行过程中的环境成本Cp的计算方法为:
其中,mi为各个污染物的单位容量排放量,ki为第i种污染物的单位处理成本;
S1-2-4:V2G模式与EV无序充电的最大区别就微电网内的电动汽车会在能量管理系统的控制下向电网放电补充功率缺额,同时赚取利润。而电动汽车额外的充放电行为会缩短电池的使用寿命,因此,EV放电时,微电网运营商还会支付给用户放电除了放电利润以外的补偿。因此,所述微电网支付给所有电动汽车参与能量调度管理的补贴成本CEV的计算方法为:
S1-2-5:微电网的运营需要以维持主电网的功率稳定为前提,微电网运营商需与主电网签订相关功率协议,如果微电网内的功率未能维持供求平衡,其功率缺额或者功率过剩只能由主电网进行补充或者消纳,由此给主电网带来功率负担,此时微电网需缴纳相应惩罚成本。因此,所述微电网运行时由于功率供求不平衡而支付的惩罚成本Cpu的计算方法为:
其中,kpu为单位惩罚成本,ΔPi为i时刻的功率缺额,s为功率不平衡时段数。
S2:根据电动汽车的历史入网情况,预测电动汽车在各个时刻的充放电负荷(即充放电功率)。大规模电动电动汽车接入电网,也势必会催生电力系统向智能化改革发展。因此,本发明中对电动汽车的负荷进行预测,同时利用相关控制策略控制其充(放)电,以平抑由于大量电动汽车接入而导致的负荷大幅波动,提高电网供电的稳定性。
S2-1:构建电动汽车在充放电过程中的限制条件。
电动汽车在充放电过程中的限制条件主要是其荷电状态(SOC)以及其充放电功率,因此,所述电动汽车在充放电过程中的限制条件包括电动汽车SOC约束和电动汽车单向功率流约束。
为了延长电动汽车动力电池的使用寿命,以及考虑到居民可能会有紧急出行的情况,电动汽车电池的荷电状态值不能过低,也不能过高(过充也会影响电池寿命),因此动力电池的荷电状态需要限定其最大、最小值,所述电动汽车SOC约束为:
其中,SOCmax、SOCmin分别为电动汽车动力电池的最大允许SOC值、最小允许SOC值,本实施例中SOCmax取值0.9、SOCmin取值0.1,SOCi,t表示第i辆电动汽车在t时刻的SOC值。限制条件表示所有电动汽车在接入电网后的任意时刻,其电池SOC值必须在指定范围内,以延长电池寿命及为了应对居民遇到紧急情况留有一定电池电量。
所述电动汽车单向功率流约束为:微电网内任意一辆电动汽车在接入电网后的任何时刻,只能处于充电、放电、静置三个状态中的一种,即任意时刻,EV充、放电功率至少有一个为0,而不可能同时充、放电。因此,功率流约束为:
S2-2:使用电动汽车在接入电网后的V2G控制策略控制电动汽车接入电网。
电动汽车经济预测模型力求微电网内总的净充电成本最低,本质上是基于预测数据的日前宏观计划模型。基于该模型的核心目标,本专利提出相应电动汽车在接入电网后的V2G控制策略如图4所示。
基于控制策略,电动汽车在接入电网后,会实时接收能量管理系统的在线状态监测,同时控制其在合适时机充、放电以降低电动汽车的净充电成本。
在求解模型时,首先利用蒙特卡洛模拟法抽取微电网内所有电动汽车的日行驶里程以及回到小区接入电网的时间数据后,将其导入到EV充放电经济模型中,通过V2G控制策略,再利用粒子群优化算法(Particle SwarmOptimization,PSO)求解模型,可得到所有电动汽车的充放电负荷预测数据。
S2-3:在电动汽车接入电网后使用粒子群优化算法预测所有电动汽车在各个时刻的充放电负荷预测值。
从经济性的角度考虑,建立微电网电动汽车的充放电负荷预测的经济模型,且假定所有电动汽车均参加微电网EV充放电管理协议。EV负荷预测模型中,以EV用户总净充电成本最低为目标,即在汽车电池电量允许的情况下,根据电网分时电价控制电动汽车在电价高峰期以额定功率P0放电赚取利润,而在电价低谷的时候以额定功率P0充电,以降低充电成本,净充电成本为所有电动汽车的一日内总的充电电价与总放电电价的差值。因此,所述使用粒子群优化算法预测所有电动汽车在各个时刻的充放电负荷预测值时,建立的目标函数为:
其中,为微电网所有EV用户一日内总充电成本,t为时间,N代表电网内电动汽车总数,/>为t时刻V2G中所有电动汽车充电电价,/>为t时刻V2G中所有电动汽车放电电价,/>代表第i辆电动汽车在t时刻的充电功率、/>代表第i辆电动汽车在t时刻的放电功率。
粒子群优化算法(PSO)算法是计算智能领域,除了蚁群算法、鱼群算法之外的一种群体只能的优化算法。该算法最早由Kennedy和Eberhart在1995年提出的。PSO算法源于对鸟类捕食行为的研究,鸟类在捕食时,找到食物最简单有效的策略就是搜寻当前距离食物最近的鸟的周围区域。PSO算法就是从这一行为中得到启发并应用于寻优求解问题中。PSO算法中,每个粒子代表问题的一个潜在解,且对应一个适应度值(适应度函数值),粒子当前速度决定其将要移动的方向和距离,速度会随自身及其他粒子的移动经验进行动态调整,从而实现个体在可行解空间的寻优。
PSO算法首先在可行解空间中初始化一群粒子,每个粒子都代表极值优化问题的一个潜在最优解,粒子特征时由其位置、速度和适应度值来表征的,其中,适应度值由设置的适应度函数计算得到,值的好坏表示粒子的优劣。在解空间中,粒子通过跟踪个体极值Pbest和群体极值Gbest更新个体位置。个体极值是指个体所搜索到的适应度最优位置,群体极值指种群中的所有粒子搜索到的适应度最优位置。粒子每更新一次位置,就计算一次适应度值,并通过比较新位置下粒子的适应度和个体极值、群体极值的适应度来更新Pbest和Gbest。
在一个D维的搜索空间中,由n个粒子组成种群X=(X1,X2,…,Xn),其中第i个粒子表示为一个D维的向量Xi=(xi1,xi2,…,xiD)T,代表第i个粒子在D维空间中的位置,同时代表问题的一个潜在解。根据目标函数可计算出每个粒子位置Xi所对应的适应度值。第i个粒子的速度可表示为Vi=(Vi1,Vi2,…,ViD)T,种群的群体极值为Pg=(Pg1,Pg2,…,PgD)T。
在算法计算过程中,每经过一次迭代,粒子便通过个体极值和群体极值更新一次自身速度和位置,粒子的速度和位置更新公式如下所示:
其中,ω为惯性权重;d=1,2,…,D;i=1,2,…,n;k为当前迭代次数;Vid为粒子速度;c1和c2是非负常数,称为加速度因子;r1、r2是分布于[0,1]之间的的随机数。为防止粒子的盲目搜索,一般会将粒子的位置和速度限制在一定区间[-Xmax,Xmax]、[-Vmax,Vmax]。PSO算法求解流程如图5所示。
电动汽车无序充电将会大幅增加电网的功率负荷以及峰谷差值,增加电力系统功率波动及不稳定性。而在V2G模式下,电动汽车有序充放电可以实现电动汽车与电网的功率交互,即电动汽车不仅可以从电网充电,还可以向电网放电(反向充电);此时,充电站会根据电动汽车的荷电状态和当前电网电价来制定已经停靠在住宅区并接入充电站的电动汽车的充、放电策略,该策略的核心目标便是使所有电动汽车的总净充电成本尽可能达到最低。
利用PSO算法求解电动汽车有序充放电负荷模型,在满足约束条件下,可求得最优解。最优解为一个24维的变量,每个维度的值分别代表一日内24个时段每个时段的电动汽车总负荷,其结果将以电动汽车的充、放电预测曲线形式呈现。
S3:结合所述微电网的日均运行总成本和电动汽车在各个时刻的充放电负荷预测值建立多目标优化模型,求解所述多目标优化模型得到微电网系统储能优化配置方案。具体为:
建立多目标优化模型的约束条件,将储能系统的额定功率Prated和光伏太阳能电池板的数量nPV作为多目标优化模型的控制变量,使用带精英策略的快速非支配排序遗传算法求解所述多目标优化模型得到微电网系统储能优化配置方案。
S3-1:约束条件可将模型在求解过程中将解集限定在一定范围内。在求解微电网光-储容量优化配置模型时,在不考虑逆变器的功率损耗以及网损,也不考虑锂电池储能系统的充放电效率的影响前提下。因此,所述多目标优化模型的约束条件包括储能系统的荷电状态约束和充放电功率约束,
储能系统锂电池的实时荷电状态是根据当前时段的充放电能量进行迭代计算的;此外,锂电池的寿命与充放电深度有很大关系,一般情况下,为了延长电池使用寿命,会尽量避免电池过充过放。因此,所述储能系统的荷电状态约束为:
其中,为储能系统在t时刻的SOC,/>为储能系统在t时刻的功率(或出力),Δt为时间步长;η为充放电效率,本实施例中忽略充放电效率的影响,故η取值为1;为储能锂电池的最小允许SOC值,/>为最大SOC允许值。
设定储能系统的最大充放电功率需低于其额定功率,最小充放电功率为0kW,即不进行充放电动作;另外,任何时刻储能系统只能充电或放电,不能同时既充电又放电。因此,所述充放电功率约束为:
S3-2:相比于单目标问题的优化求解,多目标优化问题的目标函数及其解集非常复杂,很多经典的求解方法也不再适用。20世纪60年代初期开始,遗传算法以其优秀的全局搜索能力而受到追捧,该算法的优势便是可以在遗传计算过程中保留很多潜在解,这对于求解帕雷托解集至关重要。目前,由遗传算法改进而来的带精英策略的快速非支配排序遗传算法(NondominatedSorting Genetic Algorithm,NSGA-Ⅱ)是应用最为广泛也是最成功的一种算法。
NSGA-Ⅱ算法流程一般可分为三步:
(1)随机产生含有N个的个体初始种群,并进行非支配排序,然后通过选择(SelectionFcn)、交叉(CrossoverFcn)、变异(MultationFcn)得到初代子种群;
(2)合并第二代父代和子代种群,计算序值和拥挤距离,并进行快速非支配排序,选取合适的个体组成下一代父代种群;
(3)将最新一代父代种群进行交叉、变异后,产生新的子代种群,重复以上操作,直至满足程序最大计算代数等终止条件。
相比于NSGA算法,NSGA-Ⅱ的改进主要有三个方面:
(1)快速非支配排序:将算法计算复杂度从O(MN3)降低到O(MN2),其中,M为模型中目标函数个数,N为种群所包含的个体数;
其中,Ii表示第i个个体的拥挤度;fi表示第i个目标函数值;fmax和fmin分别表示种群中处于同一层级的个体按照目标函数排序后的最大值和最小值。
NSGA-Ⅱ算法的流程图如图6所示。
在利用NSGA-Ⅱ求解多目标优化问题时,所建立的模型主要包括三个要素,分别是目标函数、控制变量和约束条件。目标函数f(f1,f2,…,fn)描述模型优化求解后需要达到的预期效果,多目标优化模型一般含有两个或两个以上的目标函数;多目标优化模型的控制变量X(x1,x2,…)为目标函数中的自变量,同时也是在求解时需要输出的解(即优化配置的结果)。求解时,当各个自变量变化时,各个目标函数的值的变化趋势一般成互斥关系。以两目标函数为例,在控制变量值由X1(x11,x12,…)变化到X2(x21,x22,…)时,若第一个目标函数值变优,那么另一个目标函数值会变劣。通过求解模型,可以输出在两个目标函数同时达到最优的情况下的一系列解集,称作帕雷托前沿,帕累托前沿上的解之间无法比较优劣,若某一个解所对应的某一个目标函数值优于第二个解所对应的相同目标函数值,那么这个解对应的另外一个目标函数值必定劣于第二个解所对应的值。
所建立的光储系统优化配置模型含有两个目标,第一个目标是微电网的经济性最优,即以微电网日均运行总成本最低为目标;在没有微电网的情况下,电力系统供电的特征就是实时供求平衡,即电网供应的实时功率与负荷需求功率一定是相等的。而当众多微电网运行并网时,势必会破坏电力系统的功率平衡,从而影响电力系统的正常运行。因此,模型的第二个目标是微电网的功率稳定性最优,即以微电网内功率供求平衡差值最小为目标。因此,所述使用带精英策略的快速非支配排序遗传算法求解所述多目标优化模型时,建立的微电网光储系统优化配置模型的目标函数为:
minf:其中,微电网日均运行总成本Cd为目标函数一。第二个目标函数J表示微电网一日内平均每小时功率供求差值。其中,Cd为所述微电网日均运行总成本,/>为微电网在t时刻的总功率负荷,/>为微电网在t时刻的总的功率供应值;
Pt load=Pt basic+Pt EV,
Pt supply=Pt PV+Pt BESS+Pt sys,
其中,为t时刻的居民基本用电负荷,/>为电动汽车在t时刻的充放电负荷预测值;/>为t时刻的光伏太阳能电池板PV发电功率,/>为t时刻的储能系统出力,/>为当地配电站分配的稳定供电功率,nPV表示需要配置的光伏太阳能电池板的数量,/>为t时刻的单位光伏太阳能电池板的输出功率。以上各个功率的单位均为kW,时间步长取为1h。从优化模型中可析出两个控制变量,分别是储能系统的额定功率Prated和光伏太阳能电池板的数量nPV。电动汽车充放电参与到整个微电网系统的进行,和微网中的家庭用电,光伏发电一同进行调节,即通过求解多目标优化模型,实现微电网的日均运行总成本最小。
从优化模型中析出控制变量储能系统的额定功率Prated的过程为:假设一般情况下,储能系统的充放电电流倍率为Mu C,即可近似认为满容量状态下,整个储能系统以额定功率放电,最多可放(1/Mu)小时。因此,储能系统的总能量与其额定功率存在以下关系:其中/>为锂电池储能系统额定容量(kWh),Prated即为锂电池储能系统的额定功率(kW)。
利用NSGA-Ⅱ算法求解出的微电网光-储系统优化配置模型的结果为一系列帕雷托解集,解集上每个点都代表一组解(PV板数量,储能系统的额定功率Prated),该点对应的横坐标为目标函数一(微电网日均运行总成本)的函数优化值,纵坐标为目标函数二(微电网一日内平均每小时功率供求差值)的优化值。
本发明从底层设计开发的角度,提出电池容量为MWh级别的微电网储能电池柜的结构设计方案,通过标定储能电池柜的不同额定容量,得到不同容量对应的储能单位成本,拟合出单位成本随额定容量的变化公式,提高储能系统成本计算的准确性,并将公式应用到微电网经济特定分析。其次,研究基于经济模型的电动汽车充放电荷预测方法,并提出电动汽车充放电控制策略。根据调查统计数据,利用蒙特卡洛模拟算法抽取电动汽车样本,预测样本电动汽车V2G模式下的负荷,为微电网光储系统的优化配置模型提供电动汽车负荷输入数据。最后,在考虑锂电池储能系统的单位容量成本变化和电动汽车V2G模式下的充放电负荷的基础上,建立了微电网光储多目标优化配置模型,得到微电网在经济性最优和运行稳定性最优情况下的光伏电池板数量和储能系统的额定功率结果。
实施例二
本发明还公开了一种考虑电动车充放电的微电网系统储能优化配置系统,包括建模模块、日均运行总成本计算模块、电动汽车充放电负荷预测模块和优化配置方案求解模块。所述建模模块构建考虑电动汽车入网的微电网模型,所述日均运行总成本计算模块计算微电网的日均运行总成本;所述电动汽车充放电负荷预测模块根据电动汽车的历史入网情况,预测电动汽车在各个时刻的充放电负荷;所述优化配置方案求解模块结合所述微电网的日均运行总成本和电动汽车在各个时刻的充放电负荷预测值建立多目标优化模型,求解所述多目标优化模型得到微电网系统储能优化配置方案。
光伏发电波动性大,储能系统非常有必要;储能系统的单位容量成本会随着总容量要求而变化,不单是一个单一的数值;由于电动汽车电气化,其可参与微电网运行,使得电网运行更加稳定,用户也可获得利润。因此,为了使微电网经济性和运行稳定性最优,并考虑V2G,本发明中的锂电池储能系统的额定容量/功率配置和光伏太阳能电池板的数量配置方案在全寿命周期内对电池进行内短路检测,本发明首先利用Argonne实验室开发的锂电池底层设计及成本分析模型(Battery Performance and Cost model,BatPac),提出储能系统设计方案及其单位容量成本分析方法,其次以微电网内所有电动汽车用户总净充电成本最低为目标,利用粒子群优化算法(Particle SwarmOptimization,PSO)得到了微电网内电动汽车有序充放电负荷,最后建立住宅区微电网光储系统优化配置模型,利用带精英策略的快速非支配排序遗传算法(Nondominated Sorting Genetic Algorithm,NSGA-Ⅱ),得到微电网内光伏太阳能电池板的数量和储能系统的额定容量最优配置解集。
本发明的有益效果:
1、本发明通过构建考虑电动汽车入网的微电网模型,在此基础下结合所述微电网的日均运行总成本和电动汽车在各个时刻的充放电负荷预测值求解微电网系统储能优化配置方案,可以实现对锂电池储能系统单位容量成本的精确计算;并且配置方案贴近现实,可以实现在电动汽车入网模式下的电动汽车的有序充放电负荷,配置方案经济且可靠性高。
2、光伏发电系统和锂电池储能系统作为微电网理想的新能源发电电源和能量存储装置,其功率容量的优化配置决定着微电网是否能够经济、可靠地运行。因此,本发明中在求解配置方案时,将储能系统的额定功率和光伏太阳能电池板的数量作为多目标优化模型的控制变量,从而提高配置方案的经济性和可靠性。
为了进一步说明本发明的具体实现方式和有益效果,本实施例中以北方某地区城镇住宅区并网型微电网为仿真对象进行仿真实验,研究在考虑电动汽车负荷时微电网内光-储系统的优化配置方案。
微电网的相关假设和数据说明如下:
(1)假设住宅区微电网系统有1000住户,电动汽车500辆,全部参与V2G模式(服从能量调度策略);
(2)所研究的微电网的电源包括:当地配电站固定为该住宅区供电(这里假设供电功率为600kW)、光伏太阳能发电系统以及容量为MWh级别的锂电池储能系统;
(3)微电网的功率负荷包括:居民日常基本用电负荷、电动汽车负荷;
(4)由于目前住宅区微电网的发展处于工程项目示范阶段,我国居民住宅区并没有实行分时电价的相关数据,而未来随着微电网的普及会呈现分时电价的发展趋势,这里的分时复用电价暂以某地商用分时电价为参考。
1、进行储能系统设计方案及其单位容量成本分析
住宅区微电网储能系统容量规模一般在MWh级别,基于BatPac设计模型(电动汽车用锂离子电池性能和成本计算模型),对MWh级别的锂电池储能系统的单位成本计算如图7。然后可以拟合出容量为MWh级别的锂电池储能系统的单位容量成本随其额定容量的变化公式为:
2、进行微电网功率供给分析
该微电网在正常运时功率供给来源于两个方面,分别是当地配电站根据该住宅区微电网内居民的基本生活用电负荷情况而为微电网分配的稳定供电功率以及光伏太阳能发电系统的发电功率。供电站稳定供电600kW,而光伏太阳能电池板的发电功率大小与当地的气候有关,包括温度和光照强度,太阳能电池板单板功率输出计算公式为:
其中,PPV为太阳能电池板单板实时功率输出;PSTC表示在标准测试环境下的单块光伏电池的最大功率;GSTC为在标准测试环境下的光照强度;G(t)表示某时刻的光照强度;k功率温度系数;TSTC为温度参考值;TC(t)表示某时刻的环境温度。只要获取当地的光照强度数据以及温度数据,便可计算得到PV板单板的功率输出。
3、进行微电网功率负荷分析
(1)住宅区内居民一日内基本用电负荷
居民基本用电负荷是指满足居民生活需求用电,比如冰箱,电视,微波炉等等。
(2)微电网EV无序充电负荷预测
以比亚迪E6(BYD-E6)电动汽车为研究对象,研究算例中住宅区微电网电动汽车功率负荷。然后利用蒙特卡洛模拟抽取500辆EV在住宅区微电网停靠率、行驶里程数据并计算其初始SOC分别如图8、图9、和图10所示。
(3)微电网电动汽车有序充放电(V2G)负荷预测
将EV停靠率及初始SOC数据导入有序充放电管理模型,利用PSO求解得到一日内住宅区微电网所有电动汽车各个时刻的总充放电负荷预测数据,算法相关参数设置为:种群个数:500;变量维度:48(求解后合并为24维);最大迭代次数:500;惯性权重:0.8;自我/群体学习因子:0.5/05;施加的电动汽车荷电状态约束:SOCmin=0.1,SOCmax=0.9。
将求解后得到的EV负荷曲线与居民基本用电负荷进行叠加,以及得到的微电网一日内总负荷曲线如图11所示。图11中Pload(total)表示微电网一日内总负荷曲线,Pload(EV)表示电动汽车在各个时刻的充放电负荷预测值,Pload(basic)表示t时刻的居民基本用电负荷。从图11可以看出,与微电网电动汽车无序充电相比,本发明中使用的住宅区内电动汽车基于经济模型的有序充放电策略不但可以最小化用户的成本,还可以降低电网功率负荷峰谷差值。可以说,本发明的电动汽车有序充放电对于电力系统和用户是双赢的选择。
4、进行微电网光储系统优化配置
将EV充放电数据、居民负荷数据、单板PV单元发电功率数据等导入微电网光储系统优化配置模型,并编写NSGA-Ⅱ算法程序,对模型进行求解,得到了储能系统单位成本变化、EV有序充放电的微电网光-储系统优化配置方案。以整个微电网的总日均成本最低以及微电网功率平衡率指标函数最小为目标,储能系统的额定功率以及光伏太阳能电池板数量为控制变量。
输入PV单板发电功率数据、EV有序充放电(V2G模式)负荷数据以及微电网居民基本用电负荷数据,同时将储能系统的单位成本计算式导入模型,设定配电站分配给小区的固定电能定为600kW。运行算法求解,得到帕雷托解集如图12所示。
根据仿真求解结果,从中抽取以下两种配置方案分别进行分析,如表1所示。
表1BESS变单位成本、V2G模式下的配置方案
从表1可以看出,经济性最优时,微电网总日均投资成本最低。此时,锂电池储能系统的额定功率为159.4kW,PV板的数量为187块,微电网总的日均投资成本为357.6元/天;一日内微电网平均每小时需要与主电网进行27.4kW的实时功率交互;稳定性最优时,微电网与电力系统平均每小时进行的交互功率最小。此时,锂电池储能系统的额定功率为155.2kW,PV板的数量为350块,微电网总的日均投资成本为396.4元/天;一日内微电网平均每小时需要与主电网进行10.6kW的实时功率交互。
将两种方案进行对比可知,两种配置方式的储能系统额定功率相差不大,而PV板的数量相差较多。但是由于光伏发电功率的减少,随之而来的是微电网与电力系统的交互功率的增加,平均每小时的交互功率从10.6kW增长到27.4kW,增加了61.3%。当从一个微电网(即一个住宅区,仅1000住户)推广到整个地区时,会对电力系统的供电稳定性构成严重的威胁。所以,在配置储能系统和PV板时,决策者应该综合考虑经济型和稳定性。通过本发明方法最终可以求解出一系列不同的光伏电池板数量和储能系统的额定功率对应的最优解,在此基础上结合实际需求对经济性和稳定性分别进行分析,根据实际中对经济性或者稳定性的关注程度选取最适合的一个最优解。如果经济性更重要,那就要适当牺牲稳定性,选择经济性最优时对应的一个最优解,反之亦然。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,上述实施例仅仅是为清楚地说明所作的举例,并非对实施方式的限定。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变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (10)
1.一种考虑电动汽车充放电的微电网系统储能优化配置方法,其特征在于,包括:
构建考虑电动汽车入网的微电网模型,计算微电网的日均运行总成本;
根据电动汽车的历史入网情况,预测电动汽车在各个时刻的充放电负荷;
结合所述微电网的日均运行总成本和电动汽车在各个时刻的充放电负荷预测值建立多目标优化模型,求解所述多目标优化模型得到微电网系统储能优化配置方案。
3.根据权利要求2所述的考虑电动汽车充放电的微电网系统储能优化配置方法,其特征在于:所述微电网各个部件的日均投资成本Cinv的计算方法为:
其中,表示锂电池储能系统的单位容量成本,/>为锂电池储能系统额定容量,为储能变流器的单位投资成本,/>为锂电池储能系统额定功率,/>为光伏太阳能电池板的单位投资成本,/>为光伏太阳能电池板的额定功率,r为折现系数,n为微电网有效运行年限;
所述微电网建设和运行过程中的环境成本Cp的计算方法为:
其中,mi为各个污染物的单位容量排放量,ki为第i种污染物的单位处理成本;
所述微电网支付给所有电动汽车参与能量调度管理的补贴成本CEV的计算方法为:
所述微电网运行时由于功率供求不平衡而支付的惩罚成本Cpu的计算方法为:
其中,kpu为单位惩罚成本,ΔPi为i时刻的功率缺额,s为功率不平衡时段数。
4.根据权利要求1所述的考虑电动汽车充放电的微电网系统储能优化配置方法,其特征在于:所述根据电动汽车的历史入网情况,预测电动汽车在各个时刻的充放电功率,具体为:
构建电动汽车在充放电过程中的限制条件,在电动汽车接入电网后使用粒子群优化算法预测所有电动汽车在各个时刻的充放电负荷预测值。
7.根据权利要求1-6任一项所述的考虑电动汽车充放电的微电网系统储能优化配置方法,其特征在于:所述结合所述微电网的日均运行总成本和电动汽车在各个时刻的充放电负荷预测值建立多目标优化模型,求解所述多目标优化模型得到微电网系统储能优化配置方案,具体为:
建立多目标优化模型的约束条件,将储能系统的额定功率和光伏太阳能电池板的数量作为多目标优化模型的控制变量,使用带精英策略的快速非支配排序遗传算法求解所述多目标优化模型得到微电网系统储能优化配置方案。
9.根据权利要求7所述的考虑电动汽车充放电的微电网系统储能优化配置方法,其特征在于:
所述使用带精英策略的快速非支配排序遗传算法求解所述多目标优化模型时,建立的目标函数为:
Pt load=Pt basic+Pt EV,
Pt supply=Pt PV+Pt BESS+Pt sys,
10.一种考虑电动车充放电的微电网系统储能优化配置系统,其特征在于:包括建模模块、日均运行总成本计算模块、电动汽车充放电负荷预测模块和优化配置方案求解模块,
所述建模模块构建考虑电动汽车入网的微电网模型,所述日均运行总成本计算模块计算微电网的日均运行总成本;
所述电动汽车充放电负荷预测模块根据电动汽车的历史入网情况,预测电动汽车在各个时刻的充放电负荷;
所述优化配置方案求解模块结合所述微电网的日均运行总成本和电动汽车在各个时刻的充放电负荷预测值建立多目标优化模型,求解所述多目标优化模型得到微电网系统储能优化配置方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310074114.XA CN116307087B (zh) | 2023-02-07 | 2023-02-07 | 考虑电动汽车充放电的微电网系统储能优化配置方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310074114.XA CN116307087B (zh) | 2023-02-07 | 2023-02-07 | 考虑电动汽车充放电的微电网系统储能优化配置方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116307087A true CN116307087A (zh) | 2023-06-23 |
CN116307087B CN116307087B (zh) | 2023-12-15 |
Family
ID=86784167
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310074114.XA Active CN116307087B (zh) | 2023-02-07 | 2023-02-07 | 考虑电动汽车充放电的微电网系统储能优化配置方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116307087B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117474263A (zh) * | 2023-11-09 | 2024-01-30 | 北京航天拓扑高科技有限责任公司 | 一种基于燃气负荷预测的执行设备调度方法 |
CN117507868A (zh) * | 2024-01-04 | 2024-02-06 | 南京轶诺科技有限公司 | 一种新能源汽车电力共享分配方法及系统 |
CN117613959A (zh) * | 2023-11-28 | 2024-02-27 | 国网江苏省电力有限公司镇江供电分公司 | 一种计及电动汽车的新型配电系统混合储能优化配置方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104600729A (zh) * | 2014-08-19 | 2015-05-06 | 浙江工业大学 | 基于v2g技术的电动汽车参与经济调度优化控制方法 |
US20160064934A1 (en) * | 2013-03-27 | 2016-03-03 | Electric Power Research Institute Of State Grid Zhejiang Electric Power Company | Optimization method for independent micro-grid system |
CN105868844A (zh) * | 2016-03-24 | 2016-08-17 | 上海电力学院 | 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 |
CN106339778A (zh) * | 2016-09-30 | 2017-01-18 | 安徽工程大学 | 一种考虑多目标的光蓄微电网运行优化方法 |
CN108110801A (zh) * | 2017-12-28 | 2018-06-01 | 国家电网公司 | 考虑电动汽车与储能的有源配电网多级冗余协调控制方法 |
CN109888806A (zh) * | 2019-02-28 | 2019-06-14 | 武汉大学 | 一种含电动汽车的微电网储能优化配置方法 |
CN110929908A (zh) * | 2018-09-19 | 2020-03-27 | 华中科技大学 | 多微网系统容量配置与经济调度的协同优化方法及系统 |
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 |
CN114649821A (zh) * | 2022-03-04 | 2022-06-21 | 三峡大学 | 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 |
-
2023
- 2023-02-07 CN CN202310074114.XA patent/CN116307087B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160064934A1 (en) * | 2013-03-27 | 2016-03-03 | Electric Power Research Institute Of State Grid Zhejiang Electric Power Company | Optimization method for independent micro-grid system |
CN104600729A (zh) * | 2014-08-19 | 2015-05-06 | 浙江工业大学 | 基于v2g技术的电动汽车参与经济调度优化控制方法 |
CN105868844A (zh) * | 2016-03-24 | 2016-08-17 | 上海电力学院 | 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 |
CN106339778A (zh) * | 2016-09-30 | 2017-01-18 | 安徽工程大学 | 一种考虑多目标的光蓄微电网运行优化方法 |
CN108110801A (zh) * | 2017-12-28 | 2018-06-01 | 国家电网公司 | 考虑电动汽车与储能的有源配电网多级冗余协调控制方法 |
CN110929908A (zh) * | 2018-09-19 | 2020-03-27 | 华中科技大学 | 多微网系统容量配置与经济调度的协同优化方法及系统 |
CN109888806A (zh) * | 2019-02-28 | 2019-06-14 | 武汉大学 | 一种含电动汽车的微电网储能优化配置方法 |
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 |
CN114649821A (zh) * | 2022-03-04 | 2022-06-21 | 三峡大学 | 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 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117474263A (zh) * | 2023-11-09 | 2024-01-30 | 北京航天拓扑高科技有限责任公司 | 一种基于燃气负荷预测的执行设备调度方法 |
CN117613959A (zh) * | 2023-11-28 | 2024-02-27 | 国网江苏省电力有限公司镇江供电分公司 | 一种计及电动汽车的新型配电系统混合储能优化配置方法 |
CN117507868A (zh) * | 2024-01-04 | 2024-02-06 | 南京轶诺科技有限公司 | 一种新能源汽车电力共享分配方法及系统 |
CN117507868B (zh) * | 2024-01-04 | 2024-03-08 | 南京轶诺科技有限公司 | 一种新能源汽车电力共享分配方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116307087B (zh) | 2023-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sun | A multi-objective optimization model for fast electric vehicle charging stations with wind, PV power and energy storage | |
CN106651026B (zh) | 多时间尺度微电网能量管理优化调度方法 | |
Lu et al. | Multi-objective optimal load dispatch of microgrid with stochastic access of electric vehicles | |
Roslan et al. | Scheduling controller for microgrids energy management system using optimization algorithm in achieving cost saving and emission reduction | |
CN116307087B (zh) | 考虑电动汽车充放电的微电网系统储能优化配置方法和系统 | |
CN107546781B (zh) | 基于pso改进算法的微电网多目标运行优化方法 | |
CN105207259B (zh) | 基于能量管理的并网状态下的微电网系统调度方法 | |
CN109217290B (zh) | 计及电动汽车充放电的微网能量优化管理方法 | |
CN110378548B (zh) | 一种电动汽车虚拟电厂多时间尺度响应能力评估模型构建方法 | |
CN109657993B (zh) | 一种基于非合作博弈的能源局域网储能系统自动需求响应方法 | |
CN109948823B (zh) | 一种光储充电塔自适应鲁棒日前优化调度方法 | |
CN106451508A (zh) | 分布式混合储能系统配置、充放电方法及装置 | |
CN113326467B (zh) | 基于多重不确定性的多站融合综合能源系统多目标优化方法、存储介质及优化系统 | |
CN112865190A (zh) | 计及光伏和充电需求的光储充电站优化调度方法和系统 | |
CN111009895B (zh) | 一种微网优化调度方法、系统以及设备 | |
CN109754112A (zh) | 一种考虑配电网削峰填谷的光储充电塔随机优化调度方法 | |
CN109636056A (zh) | 一种基于多智能体技术的多能源微网去中心化优化调度方法 | |
CN111162524A (zh) | 一种电动汽车充电用户接入配电网的控制方法和系统 | |
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 | |
CN105140941A (zh) | 考虑锂电池可变折旧成本与实用充放电策略的微电网优化调度方法 | |
CN114069678A (zh) | 一种考虑储能退化成本的光储直流微电网能量调度方法 | |
CN108512238A (zh) | 基于需求侧响应的智能家居两阶段优化调度方法 | |
Pan et al. | Dual-layer optimal dispatching strategy for microgrid energy management systems considering demand response | |
CN110929908B (zh) | 多微网系统容量配置与经济调度的协同优化方法及系统 | |
CN112467717A (zh) | 一种基于模糊控制的混合能源系统实时负荷分配方法 |
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 |