CN117391311A - 计及碳排放和不确定性的充电站和配电网协同规划方法 - Google Patents

计及碳排放和不确定性的充电站和配电网协同规划方法 Download PDF

Info

Publication number
CN117391311A
CN117391311A CN202311668641.XA CN202311668641A CN117391311A CN 117391311 A CN117391311 A CN 117391311A CN 202311668641 A CN202311668641 A CN 202311668641A CN 117391311 A CN117391311 A CN 117391311A
Authority
CN
China
Prior art keywords
planning
node
distribution network
scene
charging station
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
Application number
CN202311668641.XA
Other languages
English (en)
Other versions
CN117391311B (zh
Inventor
陈熙
方仍存
徐爽
严道波
董哲
李慧慧
王润华
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.)
Economic and Technological Research Institute of State Grid Hubei Electric Power Co Ltd
Original Assignee
Economic and Technological Research Institute of State Grid Hubei 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 Economic and Technological Research Institute of State Grid Hubei Electric Power Co Ltd filed Critical Economic and Technological Research Institute of State Grid Hubei Electric Power Co Ltd
Priority to CN202311668641.XA priority Critical patent/CN117391311B/zh
Publication of CN117391311A publication Critical patent/CN117391311A/zh
Application granted granted Critical
Publication of CN117391311B publication Critical patent/CN117391311B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • 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
    • H02J3/28—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
    • H02J3/38—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
    • H02J2203/20—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
    • 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
    • H02J2300/28—The renewable source being wind energy

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Finance (AREA)
  • General Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Marketing (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • Power Engineering (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Data Mining & Analysis (AREA)
  • Educational Administration (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

一种计及碳排放和不确定性的充电站和配电网协同规划方法，包括：以包含投资运行成本以及碳排放成本、基于条件风险值的风险成本在内的长期综合成本最小为目标，同时考虑基于条件风险值的风险规避，并结合配电网和各资源的投资运行约束，建立充电站和配电网协同规划模型；综合考虑短期风机和光伏出力、用电负荷、电动汽车充电以及用电价格的不确定性以及长期负荷增长率和碳税的不确定性，采用均值聚类法和非参数组合回归模型生成场景概率矩阵；求解得到风机、光伏、储能、充电站及配电网的最优配置方案。本发明考虑碳排放以及长期负荷增长率和碳税的不确定性，在规划阶段更好的模拟实际运行情况，满足配电网运行的低碳、经济性和稳定性要求。

Description

计及碳排放和不确定性的充电站和配电网协同规划方法
技术领域
本发明涉及电气工程技术领域，尤其涉及一种计及碳排放和不确定性的充电站和配电网协同规划方法。
背景技术
发展以电动汽车为代表的分布式能源是未来配电网系统实现低碳运行的关键。然而，大量分布式电源和电动汽车的接入在提高存量配电网灵活性的同时也增加了其运行控制难度。因此，有必要对增量充电站和配电网进行协同规划，以保证配电网的安全、稳定运行。
现有充电站和配电网协同规划研究主要考虑短期新能源出力的不确定性，并通过多阶段规划方法来确定充电站和分布式电源的配置方案，而忽略了碳排放和诸如负荷增长率等长期不确定性所造成的影响，导致规划方案可能无法满足配电网低碳、稳定运行的要求，环境和经济效益也可能不及预期。因此，有必要在充电站和配电网协同规划阶段考虑碳排放成本并模拟长期运行中的不确定性，以获得更合理的配置方案。
发明内容
本发明的目的是克服现有技术中存在的以上缺陷与问题，提供一种计及碳排放和不确定性的充电站和配电网协同规划方法，其目的在于解决现有充电站和配电网协同规划方法忽略了碳排放和长期不确定性的问题。
为实现以上目的，本发明的技术解决方案是：一种计及碳排放和不确定性的充电站和配电网协同规划方法，包括：
建立充电站和配电网协同规划模型，所述充电站和配电网协同规划模型以包含变电站、线路、风机、光伏、储能、充电站的投资和运行成本以及碳排放成本、基于条件风险值的风险成本在内的长期综合成本最小为目标；所述充电站和配电网协同规划模型的约束条件包括配电网稳态运行约束、配电网运行限值约束、变电站和线路投资约束、风机和光伏投资运行约束、储能投资运行约束、充电站投资运行约束、配电网辐射状拓扑约束、条件风险值约束；
综合考虑短期风机和光伏出力、用电负荷、电动汽车充电以及用电价格的不确定性以及长期负荷增长率和碳税的不确定性，采用均值聚类法和非参数组合回归模型生成场景概率矩阵；
将充电站和配电网协同规划问题转化为混合整数线性化规划问题，求解得到风机、光伏、储能、充电站及配电网的最优配置方案。
所述充电站和配电网协同规划模型的目标函数为：
；
；
；
；
；
；
；
式中，为长期综合成本；/>为包含投资成本和运行成本的规划成本；/>为碳排放成本；/>为关于规划成本的条件风险值；/>为关于碳排放成本的条件风险值；/>和/>分别为两种类型条件风险值的修正系数；/>为规划周期/>的投资成本；/>为规划周期/>的运行成本；/>为利率；/>为每个规划周期的年限；/>为节点/>变电站建设成本；/>为规划周期/>安装使用/>类型导线搭建的线路/>单位成本；/>为导线长度；/>为节点/>风机安装成本；/>为节点/>光伏安装成本；/>为节点/>储能投资成本；/>为充电站建设成本；/>为/>类型充电桩安装成本；/>为场景/>出现的概率；/>为场景/>出现的小时数；/>为确定年化成本现值的函数；/>为场景/>下从电网购电的价格；/>为风机运行维护成本；/>为光伏运行维护成本；为储能充电成本；/>为储能放电成本；/>为场景/>下的碳税成本；/>为节点/>从电网输入单位电能对应的碳排放量；/>和/>为关于规划成本和碳排放成本的风险值；/>为区间置信度；/>为规划周期/>在节点/>建造变电站的二元变量；/>为规划周期/>使用/>类型导线搭建线路/>的二元变量；/>为规划周期/>在节点/>安装风机的二元变量；/>为规划周期/>在节点/>安装光伏的整数变量；/>为规划周期/>在节点/>安装储能的整数变量；/>为规划周期/>在节点/>建造充电站的二元变量；/>为规划周期/>在节点/>安装/>类型充电桩的整数变量；/>为规划周期/>场景/>下节点/>变电站提供的有功功率；/>为规划周期/>场景/>下节点/>风机输出的有功功率；/>为规划周期/>场景/>下节点/>光伏输出的有功功率；/>为规划周期/>场景/>下节点/>储能的充电功率；为规划周期/>场景/>下节点/>储能的放电功率；/>为规划周期/>场景/>下节点/>变电站提供的有功功率；/>为测量场景/>下规划成本和/>间差值的辅助变量；/>为测量场景/>下碳排放成本和/>间差值的辅助变量。
所述配电网稳态运行约束和运行限值约束为：
；
；
；
；
；
；
；
；
；
；
；
；
；
式中，为规划周期/>场景/>下通过/>类型导线搭建线路/>的有功潮流；为规划周期/>场景/>下电流的平方；/>为导线电阻；/>为规划周期/>场景/>下节点/>的有功功率需求；/>为规划周期/>场景/>下节点/>风机输出的有功功率；/>为规划周期/>场景/>下节点/>光伏输出的有功功率；/>为规划周期/>场景/>下的需求因子；/>为规划周期/>场景/>下节点/>充电站的充电需求；/>为规划周期/>场景/>下通过/>类型导线搭建线路/>的无功潮流；/>为导线电抗；/>、/>、/>分别为规划周期/>场景/>下节点/>变电站、风机、光伏输出的无功功率；/>为规划周期/>节点/>的无功功率需求；为规划周期/>场景/>下节点/>电压的平方；/>为导线阻抗；/>为用于计算线路/>电压降的连续变量；/>为规划周期/>场景/>下线路/>电流的平方；/>为有功潮流；为无功潮流；/>和/>分别为配电网节点电压的最大值和最小值；/>为/>类型导线电流最大值；/>为规划周期/>时/>类型导线将线路/>连接的变量；/>表示电能从节点/>流向节点/>的二元变量；/>表示电能从节点/>流向节点/>的二元变量；/>为线路未连通时，辅助变量/>的限值。
所述变电站和线路投资约束为：
；
。
所述风机、光伏及储能投资运行约束为：
；
；
；
；
；
；
；
；
；
；
式中，为节点/>规划光伏机组最大台数；/>为场景/>下风机出力因子；/>为节点/>风机装机容量；/>为风机功率因数角；/>为场景/>下光伏出力因子；/>为节点/>光伏装机容量；/>为光伏功率因数角；/>为节点/>规划储能系统最大台数；/>为节点/>储能系统容量；/>为储能充电效率；/>为储能放电效率；/>为储能充放电时间段/>内场景/>的索引。
所述充电站投资运行约束为：
；
；
；
；
式中，为类型/>充电桩的最大个数；/>为规划周期/>场景/>下第/>个节点充电站的用电需求；/>为类型/>充电桩的容量；/>为规划周期/>场景/>下电动汽车总充电需求。
所述配电网辐射状拓扑约束为：
对于任何有变电站的节点，有：
；
式中，表示电能从节点/>流向节点/>的二元变量；/>表示电能从节点/>流向节点/>的二元变量；
对任意满足的节点/>，有：
；
式中，为规划周期/>场景/>下节点/>的有功功率需求。
所述条件风险值约束为：
；
；
；
；
式中，和/>为场景/>下的期望规划成本和期望碳排放成本。
所述场景概率矩阵的生成方法包括：
收集年度风速、太阳辐射量、用电负荷、电动汽车充电需求以及购电价格的历史数据；
将历史数据按冬季和夏季进行分类，在每个子类别中按白天和夜晚再次细分；
采用均值聚类法将每个子块的数据聚到/>个类别中，每个类别的概率为场景出现的小时数占总计小时数的比值；
采用非参数组合回归模型分别预测负荷和碳税的年增长率，生成个等概率的场景；
将短期不确定性和长期不确定性相结合，得到个场景以及每个场景对应的概率。
一种计及碳排放和不确定性的充电站和配电网协同规划装置，该装置应用于上述所述的方法，所述装置包括：
充电站和配电网协同规划模型建立模块，用于建立充电站和配电网协同规划模型，所述充电站和配电网协同规划模型以包含变电站、线路、风机、光伏、储能、充电站的投资和运行成本以及碳排放成本、基于条件风险值的风险成本在内的长期综合成本最小为目标；所述充电站和配电网协同规划模型的约束条件包括配电网稳态运行约束、配电网运行限值约束、变电站和线路投资约束、风机和光伏投资运行约束、储能投资运行约束、充电站投资运行约束、配电网辐射状拓扑约束、条件风险值约束；
场景概率矩阵生成模块，用于综合考虑短期风机和光伏出力、用电负荷、电动汽车充电以及用电价格的不确定性以及长期负荷增长率和碳税不确定性，采用均值聚类法和非参数组合回归模型生成场景概率矩阵；
最优配置方案获取模块，用于将充电站和配电网协同规划问题转化为混合整数线性化规划问题，求解得到风机、光伏、储能、充电站及配电网的最优配置方案。
与现有技术相比，本发明的有益效果为：
本发明一种计及碳排放和不确定性的充电站和配电网协同规划方法，能够考虑碳排放和长期负荷增长对配电网运行的影响，从而在规划阶段更好的模拟实际运行中的状况，并获得风机、光伏、储能、充电站以及配电网络的最优配置方案，更能满足配电网运行的低碳、经济性和稳定性要求。理论上具体考虑规划成本、碳排放成本、风险成本以及配电网和各类型资源的投资运行约束，并包含在规划模型中，整个规划模型更加完善、合理、接近实际。
附图说明
图1是本发明一种计及碳排放和不确定性的充电站和配电网协同规划方法的流程图。
图2是本发明实施例提供的场景概率矩阵的生成方法示意图。
图3是本发明一种计及碳排放和不确定性的充电站和配电网协同规划装置的结构框图。
图4是本发明一种计及碳排放和不确定性的充电站和配电网协同规划设备的结构框图。
具体实施方式
以下结合附图说明和具体实施方式对本发明作进一步详细的说明。
参见图1，一种计及碳排放和不确定性的充电站和配电网协同规划方法，包括：
S1、建立充电站和配电网协同规划模型，所述充电站和配电网协同规划模型以包含变电站、线路、风机、光伏、储能、充电站的投资和运行成本以及碳排放成本、基于条件风险值的风险成本在内的长期综合成本最小为目标；所述充电站和配电网协同规划模型的约束条件包括配电网稳态运行约束、配电网运行限值约束、变电站和线路投资约束、风机和光伏投资运行约束、储能投资运行约束、充电站投资运行约束、配电网辐射状拓扑约束、条件风险值约束。
充电站和配电网协同规划模型的目标函数为：
；
；
；
；
；
；
；
式中，为长期综合成本；/>为包含投资成本和运行成本的规划成本；/>为碳排放成本；/>为关于规划成本的条件风险值；/>为关于碳排放成本的条件风险值；/>和/>分别为两种类型条件风险值的修正系数；/>为规划周期/>的投资成本；/>为规划周期/>的运行成本；/>为利率；/>为每个规划周期的年限；/>为节点/>变电站建设成本；/>为规划周期/>安装使用/>类型导线搭建的线路/>单位成本；/>为导线长度；/>为节点/>风机安装成本；/>为节点/>光伏安装成本；/>为节点/>储能投资成本；/>为充电站建设成本；/>为/>类型充电桩安装成本；/>为场景/>出现的概率；/>为场景/>出现的小时数；/>为确定年化成本现值的函数；/>为场景/>下从电网购电的价格；/>为风机运行维护成本；/>为光伏运行维护成本；为储能充电成本；/>为储能放电成本；/>为场景/>下的碳税成本；/>为节点/>从电网输入单位电能对应的碳排放量；/>和/>为关于规划成本和碳排放成本的风险值，即最高规划（碳排放）成本和最低规划（碳排放）成本之差；/>为区间置信度；
上述目标函数中涉及的决策变量如下：为规划周期/>在节点/>建造变电站的二元变量，取值为1则建造变电站，取值为0则不建造变电站；/>为规划周期/>使用/>类型导线搭建线路/>的二元变量；/>为规划周期/>在节点/>安装风机的二元变量；/>为规划周期/>在节点/>安装光伏的整数变量；/>为规划周期/>在节点/>安装储能的整数变量；为规划周期/>在节点/>建造充电站的二元变量；/>为规划周期/>在节点/>安装/>类型充电桩的整数变量；/>为规划周期/>场景/>下节点/>变电站提供的有功功率；/>为规划周期/>场景/>下节点/>风机输出的有功功率；/>为规划周期/>场景/>下节点/>光伏输出的有功功率；/>为规划周期/>场景/>下节点/>储能的充电功率；/>为规划周期/>场景/>下节点/>储能的放电功率；/>为规划周期/>场景/>下节点/>变电站提供的有功功率；为测量场景/>下规划成本和/>间差值的辅助变量；/>为测量场景/>下碳排放成本和/>间差值的辅助变量。
配电网稳态运行约束包括有功功率平衡约束、无功功率平衡约束、电压约束和辅助约束；
有功功率平衡约束为：
；
式中，为规划周期/>场景/>下通过/>类型导线搭建线路/>的有功潮流；为规划周期/>场景/>下电流的平方；/>为导线电阻；/>为规划周期/>场景/>下节点/>的有功功率需求；/>为规划周期/>场景/>下节点/>风机输出的有功功率；/>为规划周期/>场景/>下节点/>光伏输出的有功功率；/>为规划周期/>场景/>下的需求因子；/>为规划周期/>场景/>下节点/>充电站的充电需求；
无功功率平衡约束为：
；
式中，为规划周期/>场景/>下通过/>类型导线搭建线路/>的无功潮流；/>为导线电抗；/>、/>、/>分别为规划周期/>场景/>下节点/>变电站、风机、光伏输出的无功功率；/>为规划周期/>节点/>的无功功率需求；
基于基尔霍夫第二定律的电压约束为：
；
式中，为规划周期/>场景/>下节点/>电压的平方；/>为导线阻抗；/>为用于计算线路/>电压降的连续变量，用以确保线路/>未连接时问题的可行，若线路/>连通，则；
辅助约束为：
；
；
；
式中，为规划周期/>场景/>下线路/>电流的平方；/>为有功潮流；/>为无功潮流。
配电网运行限值约束包括电压约束、电流约束、有功无功潮流约束和辅助变量约束；
电压约束为：
；
式中，和/>分别为配电网节点电压的最大值和最小值；
电流约束为：
；
；
式中，为/>类型导线电流最大值；/>为规划周期/>时/>类型导线将线路/>连接的变量，含义为只有当线路/>搭建后才可能连通；
有功无功潮流约束为：
；
；
辅助变量约束为：
；
；
式中，表示电能从节点/>流向节点/>的二元变量；/>表示电能从节点/>流向节点/>的二元变量；若/>，则线路/>未连通，若/>且/>，则电能从节点/>流向节点/>；若/>且/>，则电能从节点/>流向节点/>；/>为线路未连通时，辅助变量/>的限值。
变电站投资约束为：
。
线路投资约束为：
。
风机和光伏投资约束为：
；
；
式中，为节点/>规划光伏机组最大台数。
风机和光伏运行约束为：
；
；
；
；
式中，为场景/>下风机出力因子；/>为节点/>风机装机容量；/>为风机功率因数角；/>为场景/>下光伏出力因子；/>为节点/>光伏装机容量；/>为光伏功率因数角；/>为规划周期/>场景/>下节点/>风机输出的无功功率；/>为规划周期/>场景下节点/>光伏输出的无功功率。
储能投资约束为：
；
式中，为节点/>规划储能系统最大台数。
储能运行约束为：
；
；/>
；
式中，为节点/>储能系统容量；/>为储能充电效率；/>为储能放电效率；为储能充放电时间段/>内场景/>的索引。
充电站投资约束为：
；
；
式中，为类型/>充电桩的最大个数。
充电站运行约束为：
；
；
式中，为规划周期/>场景/>下第/>个节点充电站的用电需求；/>为类型/>充电桩的容量；/>为规划周期/>场景/>下电动汽车总充电需求。
配电网辐射状拓扑约束为：
由于连接到变电站的线路分支始终是正向运行的，所以对于任何有变电站的节点，有：
；
式中，表示电能从节点/>流向节点/>的二元变量；/>表示电能从节点/>流向节点/>的二元变量；
每个负荷节点必须只连接到正向的一条线路上，于是对任意满足的节点/>，有：
；
式中，为规划周期/>场景/>下节点/>的有功功率需求。
条件风险值约束为：
；/>
；
；
；
式中，和/>为场景/>下的期望规划成本和期望碳排放成本。
S2、综合考虑短期风机和光伏出力、用电负荷、电动汽车充电以及用电价格的不确定性以及长期负荷增长率和碳税的不确定性，采用均值聚类法和非参数组合回归模型生成场景概率矩阵。
上述充电站和配电网协同规划问题同时存在短期不确定性和长期不确定性。其中，短期不确定性主要与风机发电、光伏发电、用电需求，电动汽车充电需求以及用电价格相关，长期不确定性则与用电负荷增长率和碳税增长率相关。
场景概率矩阵的生成方法如图2所示，具体包括：先收集年度风速、太阳辐射量、用电负荷、电动汽车充电需求以及购电价格的历史数据；再将历史数据按冬季和夏季进行分类，在每个子类别中按白天和夜晚再次细分；然后采用均值聚类法将每个子块的数据聚到/>个类别中，生成简化的场景，每个类别的概率为该场景出现的小时数占总计小时数的比值；再采用非参数组合回归模型分别预测负荷和碳税的年增长率，生成/>个等概率的场景；然后将短期不确定性和长期不确定性相结合，得到/>个场景以及每个场景对应的概率。
场景概率矩阵中每种场景[，/>，/>，/>，/>，/>]以及场景/>出现的概率/>为求解最优配置方案的规划问题的输入参数。采用上述方法同时考虑了短期不确定性和长期不确定性，且采用/>均值聚类法可以将相似的场景归为一类，降低维度和求解复杂性。传统长期用电需求增长预测模型关注具体的函数表达式，非参数组合回归模型强调变量间的动态映射关系。因此，本发明能较好的实现数据驱动型的动态预测，适用于现阶段的长期用电需求和碳税预测。
S3、采用近似和分段线性化技术，将充电站和配电网协同规划问题转化为混合整数线性化规划问题，求解得到风机、光伏、储能、充电站及配电网的最优配置方案。
本发明提供的方法考虑了碳排放和长短期综合不确定性对增量充电站和配电网规划的影响；以包含变电站、线路、风机、光伏、储能、充电站的投资和运行成本、碳排放成本以及基于条件风险值（CVaR）的风险成本在内的综合成本最小化为目标，并结合配电网和各资源的投资运行约束，建立充电站和配电网协同规划模型；综合考虑短期风机和光伏出力、用电负荷、电动汽车充电以及用电价格的不确定性以及长期负荷增长率和碳税不确定性，采用k均值聚类方法和非参数组合回归模型生成场景概率矩阵；求解充电站和配电网协同规划问题，得到风机、光伏、储能、充电站及配电网最优配置方案。本发明获得的充电站和配电网配置方案能够计及碳排放成本和长期负荷增长以及碳税率变化的不确定性，从而在规划阶段更好的模拟实际运行情况，更能满足配电网运行的低碳、经济性和稳定性要求。
参见图3，本发明还提供一种计及碳排放和不确定性的充电站和配电网协同规划装置，该装置应用于上述计及碳排放和不确定性的充电站和配电网协同规划方法，所述装置包括：
充电站和配电网协同规划模型建立模块，用于建立充电站和配电网协同规划模型，所述充电站和配电网协同规划模型以包含变电站、线路、风机、光伏、储能、充电站的投资和运行成本以及碳排放成本、基于条件风险值的风险成本在内的长期综合成本最小为目标；所述充电站和配电网协同规划模型的约束条件包括配电网稳态运行约束、配电网运行限值约束、变电站和线路投资约束、风机和光伏投资运行约束、储能投资运行约束、充电站投资运行约束、配电网辐射状拓扑约束、条件风险值约束；
场景概率矩阵生成模块，用于综合考虑短期风机和光伏出力、用电负荷、电动汽车充电以及用电价格的不确定性以及长期负荷增长率和碳税不确定性，采用均值聚类法和非参数组合回归模型生成场景概率矩阵；
最优配置方案获取模块，用于将充电站和配电网协同规划问题转化为混合整数线性化规划问题，求解得到风机、光伏、储能、充电站及配电网的最优配置方案。
参见图4，本发明还提供一种计及碳排放和不确定性的充电站和配电网协同规划设备，包括存储器和处理器；
所述存储器，用于存储计算机程序代码，并将所述计算机程序代码传输给所述处理器；
所述处理器，用于根据所述计算机程序代码中的指令执行上述计及碳排放和不确定性的充电站和配电网协同规划方法。
本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述计及碳排放和不确定性的充电站和配电网协同规划方法。
一般来说，用以实现本发明方法的计算机指令的可以采用一个或多个计算机可读的存储介质的任意组合来承载。非临时性计算机可读存储介质可以包括任何计算机可读介质，除了临时性地传播中的信号本身。
计算机可读存储介质例如可以是，但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器（RAn）、只读存储器(ROn)、可擦式可编程只读存储器(EKROn或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROn)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
可以以一个或多个程序设计语言或其组合来编写用以执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Snalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言，特别是可以使用适于神经网络计算的Kython语言和基于TensorFlow、KyTorch等平台框架。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意个类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算机，或连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。
上述设备和非临时性计算机可读存储介质，可以参见对一种计及碳排放和不确定性的充电站和配电网协同规划方法及有益效果的具体描述，在此不再赘述。
尽管上面已经示出和描述了本发明的实施例，应当理解的是，上述实施例是示例性的，不能解释为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种计及碳排放和不确定性的充电站和配电网协同规划方法，其特征在于，包括：
建立充电站和配电网协同规划模型，所述充电站和配电网协同规划模型以包含变电站、线路、风机、光伏、储能、充电站的投资和运行成本以及碳排放成本、基于条件风险值的风险成本在内的长期综合成本最小为目标；所述充电站和配电网协同规划模型的约束条件包括配电网稳态运行约束、配电网运行限值约束、变电站和线路投资约束、风机和光伏投资运行约束、储能投资运行约束、充电站投资运行约束、配电网辐射状拓扑约束、条件风险值约束；
综合考虑短期风机和光伏出力、用电负荷、电动汽车充电以及用电价格的不确定性以及长期负荷增长率和碳税的不确定性，采用均值聚类法和非参数组合回归模型生成场景概率矩阵；
将充电站和配电网协同规划问题转化为混合整数线性化规划问题，求解得到风机、光伏、储能、充电站及配电网的最优配置方案。
2.根据权利要求1所述的一种计及碳排放和不确定性的充电站和配电网协同规划方法，其特征在于，所述充电站和配电网协同规划模型的目标函数为：
；
；
；
；
；
；
；
式中，为长期综合成本；/>为包含投资成本和运行成本的规划成本；/>为碳排放成本；/>为关于规划成本的条件风险值；/>为关于碳排放成本的条件风险值；/>和/>分别为两种类型条件风险值的修正系数；/>为规划周期/>的投资成本；为规划周期/>的运行成本；/>为利率；/>为每个规划周期的年限；/>为节点/>变电站建设成本；/>为规划周期/>安装使用/>类型导线搭建的线路/>单位成本；/>为导线长度；/>为节点/>风机安装成本；/>为节点/>光伏安装成本；/>为节点/>储能投资成本；为充电站建设成本；/>为/>类型充电桩安装成本；/>为场景/>出现的概率；/>为场景/>出现的小时数；/>为确定年化成本现值的函数；/>为场景/>下从电网购电的价格；/>为风机运行维护成本；/>为光伏运行维护成本；为储能充电成本；/>为储能放电成本；/>为场景/>下的碳税成本；/>为节点/>从电网输入单位电能对应的碳排放量；/>和/>为关于规划成本和碳排放成本的风险值；/>为区间置信度；/>为规划周期/>在节点/>建造变电站的二元变量；/>为规划周期/>使用/>类型导线搭建线路/>的二元变量；/>为规划周期/>在节点/>安装风机的二元变量；/>为规划周期/>在节点/>安装光伏的整数变量；/>为规划周期/>在节点/>安装储能的整数变量；/>为规划周期/>在节点/>建造充电站的二元变量；/>为规划周期/>在节点/>安装/>类型充电桩的整数变量；/>为规划周期/>场景/>下节点/>变电站提供的有功功率；/>为规划周期/>场景/>下节点/>风机输出的有功功率；/>为规划周期/>场景/>下节点/>光伏输出的有功功率；/>为规划周期/>场景/>下节点/>储能的充电功率；为规划周期/>场景/>下节点/>储能的放电功率；/>为规划周期/>场景/>下节点/>变电站提供的有功功率；/>为测量场景/>下规划成本和/>间差值的辅助变量；/>为测量场景/>下碳排放成本和/>间差值的辅助变量。
3.根据权利要求2所述的一种计及碳排放和不确定性的充电站和配电网协同规划方法，其特征在于，所述配电网稳态运行约束和运行限值约束为：
；
；
；
；
；
；
；
；
；
；
；
；
；
式中，为规划周期/>场景/>下通过/>类型导线搭建线路/>的有功潮流；/>为规划周期/>场景/>下电流的平方；/>为导线电阻；/>为规划周期/>场景/>下节点/>的有功功率需求；/>为规划周期/>场景/>下节点/>风机输出的有功功率；/>为规划周期/>场景/>下节点/>光伏输出的有功功率；/>为规划周期/>场景/>下的需求因子；/>为规划周期/>场景/>下节点/>充电站的充电需求；/>为规划周期/>场景/>下通过/>类型导线搭建线路/>的无功潮流；/>为导线电抗；/>、/>、/>分别为规划周期/>场景/>下节点/>变电站、风机、光伏输出的无功功率；/>为规划周期/>节点/>的无功功率需求；/>为规划周期/>场景/>下节点/>电压的平方；/>为导线阻抗；/>为用于计算线路/>电压降的连续变量；/>为规划周期/>场景/>下线路/>电流的平方；/>为有功潮流；/>为无功潮流；/>和/>分别为配电网节点电压的最大值和最小值；/>为/>类型导线电流最大值；/>为规划周期/>时/>类型导线将线路/>连接的变量；/>表示电能从节点/>流向节点/>的二元变量；/>表示电能从节点/>流向节点/>的二元变量；/>为线路未连通时，辅助变量的限值。
4.根据权利要求2所述的一种计及碳排放和不确定性的充电站和配电网协同规划方法，其特征在于，所述变电站和线路投资约束为：
；
。
5.根据权利要求2所述的一种计及碳排放和不确定性的充电站和配电网协同规划方法，其特征在于，所述风机、光伏及储能投资运行约束为：
；
；
；
；
；
；
；
；
；
；
式中，为节点/>规划光伏机组最大台数；/>为场景/>下风机出力因子；/>为节点/>风机装机容量；/>为风机功率因数角；/>为场景/>下光伏出力因子；/>为节点/>光伏装机容量；/>为光伏功率因数角；/>为节点/>规划储能系统最大台数；/>为节点储能系统容量；/>为储能充电效率；/>为储能放电效率；/>为储能充放电时间段内场景/>的索引。
6.根据权利要求2所述的一种计及碳排放和不确定性的充电站和配电网协同规划方法，其特征在于，所述充电站投资运行约束为：
；
；
；
；
式中，为类型/>充电桩的最大个数；/>为规划周期/>场景/>下第/>个节点充电站的用电需求；/>为类型/>充电桩的容量；/>为规划周期/>场景/>下电动汽车总充电需求。
7.根据权利要求2所述的一种计及碳排放和不确定性的充电站和配电网协同规划方法，其特征在于，所述配电网辐射状拓扑约束为：
对于任何有变电站的节点，有：
；
式中，表示电能从节点/>流向节点/>的二元变量；/>表示电能从节点/>流向节点的二元变量；
对任意满足的节点/>，有：
；
式中，为规划周期/>场景/>下节点/>的有功功率需求。
8.根据权利要求2所述的一种计及碳排放和不确定性的充电站和配电网协同规划方法，其特征在于，所述条件风险值约束为：
；
；
；
；
式中，和/>为场景/>下的期望规划成本和期望碳排放成本。
9.根据权利要求2所述的一种计及碳排放和不确定性的充电站和配电网协同规划方法，其特征在于，所述场景概率矩阵的生成方法包括：
收集年度风速、太阳辐射量、用电负荷、电动汽车充电需求以及购电价格的历史数据；
将历史数据按冬季和夏季进行分类，在每个子类别中按白天和夜晚再次细分；
采用均值聚类法将每个子块的数据聚到/>个类别中，每个类别的概率为场景出现的小时数占总计小时数的比值；
采用非参数组合回归模型分别预测负荷和碳税的年增长率，生成个等概率的场景；
将短期不确定性和长期不确定性相结合，得到个场景以及每个场景对应的概率。
10.一种计及碳排放和不确定性的充电站和配电网协同规划装置，其特征在于，该装置应用于权利要求1-9任一项所述的方法，所述装置包括：
充电站和配电网协同规划模型建立模块，用于建立充电站和配电网协同规划模型，所述充电站和配电网协同规划模型以包含变电站、线路、风机、光伏、储能、充电站的投资和运行成本以及碳排放成本、基于条件风险值的风险成本在内的长期综合成本最小为目标；所述充电站和配电网协同规划模型的约束条件包括配电网稳态运行约束、配电网运行限值约束、变电站和线路投资约束、风机和光伏投资运行约束、储能投资运行约束、充电站投资运行约束、配电网辐射状拓扑约束、条件风险值约束；
场景概率矩阵生成模块，用于综合考虑短期风机和光伏出力、用电负荷、电动汽车充电以及用电价格的不确定性以及长期负荷增长率和碳税不确定性，采用均值聚类法和非参数组合回归模型生成场景概率矩阵；
最优配置方案获取模块，用于将充电站和配电网协同规划问题转化为混合整数线性化规划问题，求解得到风机、光伏、储能、充电站及配电网的最优配置方案。
CN202311668641.XA 2023-12-07 2023-12-07 计及碳排放和不确定性的充电站和配电网协同规划方法及装置 Active CN117391311B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311668641.XA CN117391311B (zh) 2023-12-07 2023-12-07 计及碳排放和不确定性的充电站和配电网协同规划方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311668641.XA CN117391311B (zh) 2023-12-07 2023-12-07 计及碳排放和不确定性的充电站和配电网协同规划方法及装置

Publications (2)

Publication Number Publication Date
CN117391311A true CN117391311A (zh) 2024-01-12
CN117391311B CN117391311B (zh) 2024-03-08

Family

ID=89466886

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311668641.XA Active CN117391311B (zh) 2023-12-07 2023-12-07 计及碳排放和不确定性的充电站和配电网协同规划方法及装置

Country Status (1)

Country Link
CN (1) CN117391311B (zh)

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109376943A (zh) * 2018-11-12 2019-02-22 中国南方电网有限责任公司电网技术研究中心 一种基于机会约束的风电场-储能联合规划方法
CN109728605A (zh) * 2019-03-01 2019-05-07 西安交通大学 基于机会约束igdt的风电场-输电网-储能联合规划方法
CN110504708A (zh) * 2019-08-09 2019-11-26 国家电网有限公司 计及充电站和分布式电源的配电网多目标协同规划方法
CN111178619A (zh) * 2019-12-25 2020-05-19 东南大学 一种考虑分布式电源和充电站联合规划的多目标优化方法
CN112036654A (zh) * 2020-09-07 2020-12-04 南通大学 基于协同进化的光伏电站与电动汽车充电网络规划方法
CN112217202A (zh) * 2020-09-29 2021-01-12 东南大学 考虑灵活性投资的分布式新能源、储能与配电网规划方法
WO2021098352A1 (zh) * 2019-11-22 2021-05-27 国网福建省电力有限公司 一种考虑电动汽车充电站选址定容的主动配电网规划模型的建立方法
CN114266445A (zh) * 2021-12-02 2022-04-01 国网浙江省电力有限公司 一种分布式电源与电动汽车充电站协调规划方法
CN114818078A (zh) * 2022-05-09 2022-07-29 东南大学 考虑长短期不确定性的净零能耗建筑能源系统规划方法
CN115115268A (zh) * 2022-07-22 2022-09-27 东南大学溧阳研究院 基于路电耦合与低碳约束的电动汽车充电桩容量规划方法
CN115276111A (zh) * 2022-07-08 2022-11-01 国网宁夏电力有限公司经济技术研究院 一种协调优化模型的构建方法及配电网规划方法
CN115375006A (zh) * 2022-07-20 2022-11-22 广东电网有限责任公司广州供电局 计及pv和ev的新型城市配电网双层联合拓展规划方法
CN115395521A (zh) * 2022-10-25 2022-11-25 国网天津市电力公司营销服务中心 一种可再生能源、储能和充电桩协同规划方法及系统

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109376943A (zh) * 2018-11-12 2019-02-22 中国南方电网有限责任公司电网技术研究中心 一种基于机会约束的风电场-储能联合规划方法
CN109728605A (zh) * 2019-03-01 2019-05-07 西安交通大学 基于机会约束igdt的风电场-输电网-储能联合规划方法
CN110504708A (zh) * 2019-08-09 2019-11-26 国家电网有限公司 计及充电站和分布式电源的配电网多目标协同规划方法
WO2021098352A1 (zh) * 2019-11-22 2021-05-27 国网福建省电力有限公司 一种考虑电动汽车充电站选址定容的主动配电网规划模型的建立方法
CN111178619A (zh) * 2019-12-25 2020-05-19 东南大学 一种考虑分布式电源和充电站联合规划的多目标优化方法
CN112036654A (zh) * 2020-09-07 2020-12-04 南通大学 基于协同进化的光伏电站与电动汽车充电网络规划方法
CN112217202A (zh) * 2020-09-29 2021-01-12 东南大学 考虑灵活性投资的分布式新能源、储能与配电网规划方法
CN114266445A (zh) * 2021-12-02 2022-04-01 国网浙江省电力有限公司 一种分布式电源与电动汽车充电站协调规划方法
CN114818078A (zh) * 2022-05-09 2022-07-29 东南大学 考虑长短期不确定性的净零能耗建筑能源系统规划方法
CN115276111A (zh) * 2022-07-08 2022-11-01 国网宁夏电力有限公司经济技术研究院 一种协调优化模型的构建方法及配电网规划方法
CN115375006A (zh) * 2022-07-20 2022-11-22 广东电网有限责任公司广州供电局 计及pv和ev的新型城市配电网双层联合拓展规划方法
CN115115268A (zh) * 2022-07-22 2022-09-27 东南大学溧阳研究院 基于路电耦合与低碳约束的电动汽车充电桩容量规划方法
CN115395521A (zh) * 2022-10-25 2022-11-25 国网天津市电力公司营销服务中心 一种可再生能源、储能和充电桩协同规划方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
TINGTING HOU: "Energy storage system optimizaiton based on a multi-time scale decomposition-coordination algorithm for wind-ESS systems", ELSEVIER, 13 December 2021 (2021-12-13), pages 1 - 12 *
宋倩芸;: "考虑分布式电源及充电桩入网的配电网综合规划研究", 电器与能效管理技术, no. 07, 15 April 2019 (2019-04-15), pages 45 - 53 *
官嘉玉等: ""考虑电动汽车充电站的分布式电源优化配置研究"", 《电气开关》, no. 02, 28 February 2018 (2018-02-28), pages 72 - 77 *

Also Published As

Publication number Publication date
CN117391311B (zh) 2024-03-08

Similar Documents

Publication Publication Date Title
Liu et al. Optimal power peak shaving using hydropower to complement wind and solar power uncertainty
CN106786799B (zh) 一种直流联络线功率阶梯化发电计划优化方法
Howlader et al. Distributed generation incorporated with the thermal generation for optimum operation of a smart grid considering forecast error
Ru et al. Exact sizing of battery capacity for photovoltaic systems
Li et al. Optimized operation of hybrid system integrated with MHP, PV and PHS considering generation/load similarity
Zeng et al. Model predictive control for energy storage systems in a network with high penetration of renewable energy and limited export capacity
CN111382501B (zh) 一种智能电表的配置方法、装置及计算设备
Javadi et al. Optimal planning and operation of hybrid energy system supplemented by storage devices
Kanchana et al. PV Power Forecasting with Holt-Winters Method
Han et al. Optimal sizing considering power uncertainty and power supply reliability based on LSTM and MOPSO for SWPBMs
Zhang et al. An evaluation of the economic benefits of rooftop distributed photovoltaic projects in the whole county in China
Yang et al. Distribution Network Planning Towards a Low-Carbon Transition: A Spatial-Temporal Carbon Response Method
Xu et al. Optimal size and location of battery energy storage systems for reducing the wind power curtailments
Sánchez-Pérez et al. California's vision for reaching zero-carbon emissions
CN117391311B (zh) 计及碳排放和不确定性的充电站和配电网协同规划方法及装置
CN116306181A (zh) 低碳经济下源荷储主动配电网协调规划方法
CN115313508A (zh) 一种微电网储能优化配置方法、装置及存储介质
Liu et al. Capacity optimization of energy storage based on intelligent optimization algorithm and photovoltaic power prediction error data
CN113178896A (zh) 一种固定出力光储联合电站装机容量配置方法及系统
CN109447369B (zh) 一种基于模拟退火算法的考虑多因素的产能端功率分配方法
CN117060491B (zh) 风光混合储能系统的运行优化方法、系统、介质及设备
Wang et al. Energy Storage Configuration for EV Fast Charging Station Considering Characteristics of Charging Load and Wind Power Fluctuation
US20220057767A1 (en) Methods and systems for energy storage dispatch
Perez et al. California's Vision for Reaching Zero-Carbon Emissions
Lei et al. Robust Optimal Dispatch of AC/DC Hybrid Distribution Network With PET

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