CN117526453A - 一种基于电动汽车集群的配电网光伏消纳调度方法 - Google Patents

一种基于电动汽车集群的配电网光伏消纳调度方法 Download PDF

Info

Publication number
CN117526453A
CN117526453A CN202410012927.0A CN202410012927A CN117526453A CN 117526453 A CN117526453 A CN 117526453A CN 202410012927 A CN202410012927 A CN 202410012927A CN 117526453 A CN117526453 A CN 117526453A
Authority
CN
China
Prior art keywords
distribution network
power distribution
electric
power
model
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
CN202410012927.0A
Other languages
English (en)
Other versions
CN117526453B (zh
Inventor
陈蕾
叶林
吕军
干梦双
路朋
杨建宾
徐重酉
刘日亮
孙益辉
徐玮韡
郑隽杰
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.)
China Agricultural University
State Grid Zhejiang Electric Power Co Ltd
Original Assignee
China Agricultural University
State Grid Zhejiang Electric Power Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China Agricultural University, State Grid Zhejiang Electric Power Co Ltd filed Critical China Agricultural University
Priority to CN202410012927.0A priority Critical patent/CN117526453B/zh
Publication of CN117526453A publication Critical patent/CN117526453A/zh
Application granted granted Critical
Publication of CN117526453B publication Critical patent/CN117526453B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/50—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
    • B60L53/63—Monitoring or controlling charging stations in response to network capacity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06313—Resource planning in a project environment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • 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
    • G06Q10/067—Enterprise or organisation modelling
    • 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
    • H02J3/008—Circuit arrangements for ac mains or ac distribution networks involving trading of energy or energy transmission rights
    • 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
    • H02J3/04—Circuit arrangements for ac mains or ac distribution networks for connecting networks of the same frequency but supplied from different sources
    • H02J3/06—Controlling transfer of power between connected networks; Controlling sharing of load between connected 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
    • 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
    • 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
    • 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
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given 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
    • 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Power Engineering (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Mechanical Engineering (AREA)
  • Transportation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Probability & Statistics with Applications (AREA)
  • Algebra (AREA)
  • Artificial Intelligence (AREA)
  • Computational Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)

Abstract

本申请公开一种基于电动汽车集群的配电网光伏消纳调度方法。首先基于配电网的光伏历史发电数据和电负荷历史数据，构建光伏与电负荷的时序相关性典型场景集合，并在时序相关性典型场景集合的基础上构建综合范数概率场景不确定集；获取支持通过配电网储电和供电的电动汽车集群的可调度能力区间；根据配电网的构成和传输线路，构建配电网工作的等效模型。接着构建配电网的电量供需平衡模型，将电量供需平衡模型转换为待求解的问题，得到配电调度方案，包括配电网的光伏发电规划数据、配电网中的电负荷规划数据以及电动汽车集群的充放电规划数据。本方案能够更加准确地把握电量供需关系并进行合理调度，可在供需平衡前提下促进光伏的消纳。

Description

一种基于电动汽车集群的配电网光伏消纳调度方法
技术领域
本申请涉及配电技术领域，特别是涉及一种基于电动汽车集群的配电网光伏消纳调度方法。
背景技术
分布式光伏能够将太阳能转换为电能，其以清洁低碳、空间分布适应性强的特点成为了“双碳”目标推进过程中的关键助力。随着分布式光伏使用的渗透率逐渐提升，电压越限、电能质量下降等一系列问题在配电网运行过程中逐渐显现，导致光伏供电能力存在比较明显的不确定性。例如，乌云遮蔽阳光较长的时间，便在相应的时段影响了太阳能的收集和转换。此外，用户电力需求也日趋多元化和灵活化，导致电力负荷的不确定性也显著增强。目前看来，光伏-电负荷所呈现出的双重不确定性，给配电网的电能供应和运行带来了不小的挑战。例如，电负荷过大，但是同期光伏供能未达到预期水平，供电能力相较于用电需求短缺；或者，光伏供能过于充足，但同期电负荷较小，供电能力远大于用电需求。如何协调配电网运行和光伏消纳的矛盾是当前亟待解决的关键问题。
发明内容
基于上述问题，本申请提供了一种基于电动汽车集群的配电网光伏消纳调度方法，目的是为当前配电网的电力调度工作提供理论支撑和技术支撑，以便在电量供需平衡的前提下促进光伏的消纳。
本申请实施例公开了如下技术方案：提供了一种基于电动汽车集群的配电网光伏消纳调度方法。该方法包括：
基于配电网的光伏历史发电数据和电负荷历史数据，构建光伏与电负荷的时序相关性典型场景集合，并在所述时序相关性典型场景集合的基础上构建综合范数概率场景不确定集；
获取支持通过所述配电网储电和供电的电动汽车集群的可调度能力区间；所述可调度能力区间包括充放电功率可调度区间和电池容量可调度区间；
根据所述配电网的构成和传输线路，构建所述配电网工作的等效模型；
在所述等效模型、所述可调度能力区间及所述综合范数概率场景不确定集的基础上，基于阶段性约束集合和阶段性目标函数，构建所述配电网的电量供需平衡模型；
将所述电量供需平衡模型转换为待求解的问题，基于所述问题的目标函数对所述问题进行求解，得到配电调度方案；所述配电调度方案包括所述配电网的光伏发电规划数据、所述配电网中的电负荷规划数据以及所述电动汽车集群的充放电规划数据；所述问题的目标函数为关于所述综合范数概率场景不确定集的函数。
在可选实现方式中，所述阶段性约束集合包括预调度阶段的第一约束集合和调节阶段的第二约束集合，所述阶段性目标函数包括预调度阶段的第一目标函数和调节阶段的第二目标函数；
所述在所述等效模型、所述可调度能力区间及所述综合范数概率场景不确定集的基础上，基于阶段性约束集合和阶段性目标函数，构建所述配电网的电量供需平衡模型，包括：
从所述综合范数概率场景不确定集中随机抽取一组数据作为预测数据；
根据所述等效模型、所述可调度能力区间、所述预测数据、所述第一约束集合和所述第一目标函数，构建电量供需预调度阶段确定性模型；
根据所述第二约束集合和所述第二目标函数，在所述电量供需预调度阶段确定性模型基础上构建电量供需调节阶段确定性模型；
在所述电量供需预调度阶段确定性模型和所述电量供需调节阶段确定性模型的基础上，基于所述综合范数概率场景不确定集构建所述配电网的电量供需平衡模型。
在可选实现方式中，所述第一约束集合包括以下中的一种或多种：
发电燃气轮机的出力模型约束，需求响应模型约束，接入所述配电网的储能装置的储能约束，所述电动汽车集群的约束和所述等效模型的约束；其中，所述储能设备用于提供临时电能支撑；
所述第二约束集合包括以下中的一种或多种：
设备调节约束，静止无功发生器的运行约束和所述等效模型的约束。
在可选实现方式中，所述第一目标函数表征以运行成本最小化作为优化目标，所述第二目标函数表征以设备调节成本最小化作为优化目标；
所述运行成本包括以下一种或多种：
设备运维成本、购能成本、弃光惩罚成本、需求响应成本和网损损失；
所述设备调节成本包括以下一种或多种：
因设备调节产生的运维成本、购能成本、弃光惩罚成本和需求响应成本。
在可选实现方式中，所述将所述电量供需平衡模型转换为待求解的问题，基于所述问题的目标函数对所述问题进行求解，得到配电调度方案，包括：
通过列和约束生成方法将所述电量供需平衡模型转换为主问题和子问题，基于所述主问题的目标函数和所述子问题的目标函数，通过交互迭代的方式对所述主问题和所述子问题进行求解，最终获得所述配电调度方案。
在可选实现方式中，所述通过交互迭代的方式对所述主问题和所述子问题进行求解，包括：
所述主问题将预调度阶段的待求解参数传递到所述子问题；
所述子问题在所述主问题给定设备处理及启停结果基础上寻找最劣的光伏与电负荷的联合概率作为最劣概率，并将所述最劣概率返回所述主问题进行迭代；
在迭代过程中，所述主问题提供解的下边界，所述子问题提供解的下边界，直至解的上下边界的差值满足收敛条件，结束迭代。
在可选实现方式中，所述基于配电网的光伏历史发电数据和电负荷历史数据，构建光伏与电负荷的时序相关性典型场景集合，并在所述时序相关性典型场景集合的基础上构建综合范数概率场景不确定集，包括：
对所述光伏历史发电数据进行归一化处理，得到归一化后的光伏历史发电数据，以及对所述电负荷历史数据进行归一化处理，得到归一化后的电负荷历史数据；
通过非参数核密度估计方法对归一化后的光伏历史发电数据进行概率密度函数的拟合，得到拟合出的第一概率密度函数，以及通过非参数核密度估计方法对归一化后的电负荷历史数据进行概率密度函数的拟合，得到拟合出的第二概率密度函数；其中，所述第一概率密度函数和所述第二概率密度函数均为表征概率与功率相关性的函数；
以所述第一概率密度函数和所述第二概率密度函数为基础，基于二元Frank-Copula理论构建所述配电网的光伏与电负荷的联合概率分布函数；
基于所述联合概率分布函数生成所述配电网的光伏与电负荷的时序相关性典型场景集合；所述相关性典型场景集合包括所述配电网的光伏与电负荷的多个相关性典型场景；所述相关性典型场景通过光伏与电负荷的联合概率表征；
在所述时序相关性典型场景集合的基础上，以1范数和无穷范数构成有关所述多个时序相关性典型场景的综合范数概率场景不确定集。
在可选实现方式中，所述获取支持通过所述配电网储电和供电的电动汽车集群的可调度能力区间，包括：
根据电动汽车的充放电功率约束、电池容量约束、电池荷电状态约束和电动汽车并网离网的时间约束，对电动汽车进行建模；
基于所述电动汽车集群中不同的电动汽车在并网时间的差异性和在离网时间的差异性，通过引入0-1布尔变量对所述电动汽车集群中单台电动汽车的模型进行变换，得到变换后的电动汽车的模型；
基于所述变换后的电动汽车的模型中，电动汽车的充放电功率的边界以及电量边界，采用闵可夫斯基和方法得到所述电动汽车集群的可调度能力模型；
在所述电动汽车集群的可调度能力模型、电动汽车的出行规律和充电习惯的基础上，通过蒙特卡洛模型获得所述电动汽车集群的充放电功率可调度区间和电池容量可调度区间。
在可选实现方式中，所述在所述电动汽车集群的可调度能力模型、电动汽车的出行规律和充电习惯的基础上，通过蒙特卡洛模型获得所述电动汽车集群的充放电功率可调度区间和电池容量可调度区间，包括：
根据电动汽车的出行规律和充电习惯，采用蒙特卡洛抽样法对所述电动汽车集群中电动汽车的初始电池荷电状态、并网时间、离网时间和各个时刻的电动汽车数量进行模拟；
识别模拟得到的数据中的异常数据并进行修正，得到所述电动汽车集群的修正后的电动汽车模拟数据；
根据所述电动汽车集群的电动汽车充电顺序和所述修正后的电动汽车模拟数据，计算得到所述电动汽车集群在电量供需预调度阶段及电量供需调节阶段的充放电功率可调度区间和电池容量可调度区间。
在可选实现方式中，所述配电网为中-低压多级配电网，具体构成包括：上级电网、10KV电压配电网作为中压配电网、传输线路、变压器、380V电压配电网作为低压配电网；分布式光伏同时接入于所述中压配电网和所述低压配电网，所述电动汽车集群中的电动汽车作为灵活荷储资源接入于所述低压配电网；储能装置接入于所述中压配电网，用于起到临时电能支撑作用；所述低压配电网允许向所述中压配电网购买或售卖电能，所述中压配电网允许向所述上级电网购买电能；
所述根据所述配电网的构成和传输线路，构建所述配电网工作的等效模型，包括：
根据所述中-低压多级配电网的构成和传输线路，构建所述中压配电网的第一潮流模型和所述低压配电网的第二潮流模型；
对所述第一潮流模型和所述第二潮流模型分别进行二阶锥松弛，得到所述中压配电网的变换后潮流模型和所述低压配电网的变换后潮流模型；
根据所述中压配电网、所述传输线路、所述变压器以及所述低压配电网各自的有功损耗，获得所述中-低压多级配电网的网损等效模型。
相较于现有技术，本申请具有以下有益效果：
本申请技术方案中，为在电量供需平衡的前提下促进光伏的消纳，首先采取三方面的准备工作。其一，基于配电网的光伏历史发电数据和电负荷历史数据，构建光伏与电负荷的时序相关性典型场景集合，并在时序相关性典型场景集合的基础上构建综合范数概率场景不确定集。通过此项准备工作，把握发电数据和电负荷数据之间紧密联系的规律，并将此项规律与光伏-电负荷所呈现出的双重不确定性联系在一起，以综合范数概率场景不确定集来表征。其二，获取支持通过配电网储电和供电的电动汽车集群的可调度能力区间，其中，可调度能力区间包括充放电功率可调度区间和电池容量可调度区间。电动汽车集群的使用，作为本方案促进光伏消纳的关键技术手段，此项准备工作目的是为了对电动汽车集群在配电过程中可施展的能力进行充分的调查、研究和认知，从而更好地发挥其作用。其三，根据配电网的构成和传输线路，构建配电网工作的等效模型。此项准备工作的执行，实现对配电网的等效建模，方便把握其工作规律，辅助后续进一步实现高水平的调度安排。
接着，在等效模型、可调度能力区间及综合范数概率场景不确定集的基础上（即以上三方面准备工作的基础上），基于阶段性约束集合和阶段性目标函数，构建配电网的电量供需平衡模型。这一模型的构建，具体考虑到了光伏发电与用户用电各自的不确定性及关联规律，并考虑到了电动汽车集群的可调度能力以及配电网的工作模式，使得对纳入了电动汽车集群能力的配电网的电量供需平衡关系实现建模。紧接着，本申请将电量供需平衡模型转换为待求解的问题，基于问题的目标函数对问题进行求解，得到配电调度方案。由于配电调度方案包括配电网的光伏发电规划数据、配电网中的电负荷规划数据以及电动汽车集群的充放电规划数据，因此可知相较于已有的配电技术，本方案通过执行以上的流程，能够更加准确地把握电量供需关系并进行合理调度，可在供需平衡前提下促进光伏的消纳。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种促进光伏消纳的配电调度方案的生成过程示意图；
图2为本申请实施例提供的一种基于电动汽车集群的配电网光伏消纳调度方法的流程图；
图3为构建配电网的光伏与电负荷的联合概率分布函数的一种具体实现方式的流程图；
图4为获取支持通过配电网储电和供电的电动汽车集群的可调度能力区间的流程示意图；
图5为实现构建配电网工作的等效模型的流程示意图；
图6为本申请实施例提供的一种中-低压多级配电网的有功网损等效示意图；
图7为构建配电网的电量供需平衡模型的示例流程图；
图8为本申请实施例提供的基于电动汽车集群的配电网光伏消纳调度方法的实现流程架构示意图。
具体实施方式
正如前文描述，在分布式光伏供电场景中，因光伏供电（又称：光伏发电）的不确定性与配电网电力负荷（简称：电负荷）的不确定性，导致配电网电能供应面临极大的挑战。光伏消纳不充分是当前配电领域面临的一个重点难题。
发明人经过研究发现，电动汽车具有高度可调控的电池容量和充电/放电能力。据统计显示每辆电动汽车超过90%的时间都处于闲置状态。发明人认为，如果将电动汽车合理可作为电力系统的可调控资源，可用于平衡配电网中光伏发电及用电需求带来的不确定性。
为充分调动电动汽车的参与度，发挥其优势——荷储能力，避免电动汽车无序充电造成“峰上加峰”的消极影响，有必要通过集群化管理、完善电价机制、细化运行策略等方式加以引导。此外，配电网逐渐从单级向多级发展，不同电压等级配电网间的能量交互和信息传递日益密切，为分布式光伏的消纳提供了新的方向。多级配电网不仅包括变压器、逆变器和电缆线路，还涉及电力负荷的分布和复杂的互连关系，如何充分发挥电动车集群的灵活可调度能力，实现分布式光伏接入多级配电网的协调运行具有重要的现实意义。
建立在以上构思基础上，本申请中提供了一种基于电动汽车集群的配电网光伏消纳调度方法。通过应用电动汽车集群，研究光伏发电和电负荷相互间相关性的规律，并对配电网建模，构建出配电网的电量供需平衡模型，并基于此求解得到有关于光伏发电规划、电负荷规划数据以及电动汽车集群的充放电规划的配电调度方案。具体可以参照图1所示，该图为本申请实施例提供的一种促进光伏消纳的配电调度方案的生成过程示意图。
如图1所示，在本申请实施例中，将前期的准备工作划分为三个方面，其一为针对光伏历史发电数据及电负荷历史数据间相关性规律的研究，研究结果是收获有关于光伏和电负荷的相关性场景的综合范数概率场景不确定集。对于引入到多级配电网中起到储能功能的电动汽车集群，则要分析其可调度能力区间，从而更好地发挥其在多级配电网中的稳定作用。配电网方面，结合其架构及线路，需要对其工作进行等效建模，从而明确其中设备运行的约束限制，建立更加准确、符合实际情形的电量供需平衡模型。电量供需平衡模型的建立，离不开前期的上述研究、准备工作。在电量供需平衡模型的基础上进一步求解，得到配电调度方案，从而为配电网的电力调度提供支撑，更好地、更有效地促进光伏消纳。
参见图2，该图为本申请实施例提供的一种基于电动汽车集群的配电网光伏消纳调度方法的流程图。如图2所示，该方法包括步骤S201~S205：
S201、基于配电网的光伏历史发电数据和电负荷历史数据，构建光伏与电负荷的时序相关性典型场景集合，并在时序相关性典型场景集合的基础上构建综合范数概率场景不确定集。
本方案中，配电网为中-低压多级配电网。在一示例中，该中-低压多级配电网中，具体构成包括上级电网、10KV电压配电网作为中压配电网、传输线路、变压器、380V电压配电网作为低压配电网。分布式光伏同时接入于多级配电网的中压配电网和低压配电网，电动汽车集群中的电动汽车作为灵活荷储资源接入于低压配电网。此外，还设置有小型储能装置，小型储能装置接入于中压配电网，用于起到临时电能支撑作用。低压配电网允许向中压配电网购买或售卖电能，中压配电网允许向上级电网购买电能；
本步骤的一个关注点在于，准确表征中-低压多级配电网中分布式光伏与电负荷的概率分布情况，数据基础是过往的光伏发电情况和电负荷情况。因此，本步骤从多级配电网的光伏历史发电数据和电负荷历史数据出发，依次经历数据归一化、拟合两方面数据的概率密度函数，再进行关联性的联合分析的过程。
图3描述了本步骤构建配电网的光伏与电负荷的联合概率分布函数的一种具体实现方式的流程，该流程包括：
S2011、对光伏历史发电数据进行归一化处理，得到归一化后的光伏历史发电数据，以及对电负荷历史数据进行归一化处理，得到归一化后的电负荷历史数据。
对光伏历史发电数据和电负荷历史数据分别归一化的目的在于，避免数据单位的差异性带来的影响。在归一化两方面历史数据的基础上，接下来通过S2012实现光伏历史发电数据以及电负荷历史数据的概率密度函数拟合。
S2012、通过非参数核密度估计方法对归一化后的光伏历史发电数据进行概率密度函数的拟合，得到拟合出的第一概率密度函数，以及通过非参数核密度估计方法对归一化后的电负荷历史数据进行概率密度函数的拟合，得到拟合出的第二概率密度函数。
在拟合第一概率密度函数和第二概率密度函数时，具体可以采用基于历史数据驱动的非参数核密度估计方法。作为示例，以高斯核函数作为非参数核密度估计的重要模型实现对光伏-电负荷的拟合。表征分布式光伏的出力的第一概率密度函数以及表征用户电负荷需求的第二概率密度函数可以统一由如下公式（1）进行表示。
公式（1）
第一概率密度函数和第二概率密度函数均为表征概率与功率相关性的函数。实际上，第一概率密度函数和第二概率密度函数可以视为表征概率与功率关系的函数，所绘制的函数图形中，横坐标表示功率，纵坐标表示概率。在公式（1）中，z表示随机变量，其可以指代分布式光伏的出力功率，对应于光伏历史发电数据，z也可以指代用户的电负荷需求功率，对应于电负荷历史数据。表示概率密度函数；d为带宽，K（·）表示高斯核函数，i代表时刻，i在1~n中取值，n为样本容量，z i 为时刻i的分布式光伏或用户电负荷需求的功率的归一化结果。
在第一概率密度函数和第二概率密度函数的拟合基础上，还需要进一步挖掘分布式光伏供电与电负荷二者之间的相关性，因此，本方案中考虑采用能够描述二者相关性的函数表征光伏供电与电负荷的关联。如下方S2013介绍。
S2013、以第一概率密度函数和第二概率密度函数为基础，基于二元Frank-Copula理论构建配电网的光伏与电负荷的联合概率分布函数。
Frank-Copula函数是一种用于建模多维随机变量相关性的函数，它可以将边缘分布与联合分布联系起来。实际应用中Frank-Copula函数可以更好地描述中-低压多级配电网光伏-电负荷的相关性，如公式（2）所示，C(u,v,α)即表示基于二元Frank-Copula理论构建配电网的光伏与电负荷的联合概率分布函数。
公式（2）
在公式（2）中，α为取值不等于0的实参数，u和v为两个边缘分布函数，u和v分别等价为和/>。/>和 />分别表示第一概率密度函数的分布函数以及第二概率密度函数的分布函数。Z DPV 表示分布式光伏，Z Load 表示用户电负荷。
在S2011~S2013的基础上，接下来，所要执行的操作为：基于联合概率分布函数生成配电网的光伏与电负荷的时序相关性典型场景集合。在本申请实施例中，时序相关性典型场景集合包括配电网的光伏与电负荷的多个相关性典型场景，时序相关性典型场景通过光伏与电负荷的联合概率表征。也就是说，时序相关性典型场景集合实际上是涵盖了几种典型的光伏与电负荷的强关联性的情形，由于已经得到了配电网的光伏与电负荷的联合概率分布函数，因此时序相关性典型场景还可以通过以上强关联的情形下光伏与电负荷的联合概率分布函数加以表征。
具体实现中，可以在Frank-Copula函数基础上，利用三次样条插值法和蒙特卡洛模拟法的基础上进行场景生成，而后利用同步回代消除法进行场景削减，从而得到中-低压多级配电网光伏-电负荷的典型场景集合，即上文所介绍的时序相关性典型场景集合。三次样条插值（Cubic Spline Interpolation）简称Spline插值，是通过一系列形值点的一条光滑曲线，数学上通过求解三弯矩方程组得出曲线函数组的过程。
作为示例，在配电网的光伏与电负荷的时序相关性典型场景集合中包含k个光伏与电负荷的相关性典型场景。且对应的光伏与电负荷的相关性典型场景具有相同的概率，具体而言，由于光伏和电负荷的概率分布函数通过Frank-Copula函数建立了联系，则光伏和电负荷的场景所对应的概率是一样的。如果说概率是门锁，那么光伏和电负荷的场景（场景可以理解为功率曲线）相当于钥匙，一个概率对应2条曲线。在时序相关性典型场景集合的基础上，以1范数（1-范数）和无穷范数（∞-范数）构成有关多个时序相关性典型场景的综合范数概率场景不确定集，通过下方公式（3）表示为：
公式（3）
以上公式（3）中，Ω表示综合范数概率场景不确定集，K指场景削减前的光伏及电负荷总场景数量，k为经过场景削减后保留的光伏与电负荷的相关性典型场景的总数量，p i 表示k个光伏与电负荷的相关性典型场景中场景i的概率，p 0 i 表示第i个场景的初始概率；θ 1 和θ ∞ 分别表示1-范数和∞-范数概率允许的偏差，β 1 和β ∞ 分别为对应的置信度。
通过S201实现了综合范数概率场景不确定集的构建。该环节考虑到光伏、电负荷的不确定性因素，并通过综合范数概率场景不确定集的方式描述二者之间的相关性。
S202、获取支持通过配电网储电和供电的电动汽车集群的可调度能力区间。
本步骤的实现依赖于对充电站中的电动汽车的建模。在建模的前提下，才能够更好地分析整个电动汽车集群的可调度能力区间，从而分析其在配电场景下能够发挥的效用上限。在可选实现方式中，S202获取支持通过配电网储电和供电的电动汽车集群的可调度能力区间，可以包括以下几个步骤，可结合图4所示流程进行理解：
S2021、根据电动汽车的充放电功率约束、电池容量约束、电池荷电状态约束和电动汽车并网离网的时间约束，对电动汽车进行建模。
以上几种约束可以通过下方公式（4）和公式（5）表示：
公式（4）
公式（5）
式中，和/>分别表示集中式充电站中电动汽车i在t时刻的充电功率和放电功率，/>和/>分别表示电动汽车i的最大充电功率和最大放电功率。S i,t 、S i max 和S i min 分别为电动汽车i在t时刻的SOC（电池荷电状态）和电动汽车i的最大SOC及最小SOC，Si,t-1表示电动汽车i在t-1时刻的SOC。T i start 和T i end 分别代表集中式充电站中电动汽车并网的时刻和离网的时刻。CEV表示电动汽车的电池容量。γ cha 和γ dis 分别为充电效率和放电效率，Δt为充电单位时长，在本方案中可以取值为1小时（1h）。Si start和Si end分别为电动汽车i并网时的SOC和离网时的SOC。公式（5）中T表示的是从Ti start到Ti end的时间区间。
S2022、基于电动汽车集群中不同的电动汽车在并网时间的差异性和在离网时间的差异性，通过引入0-1布尔变量对电动汽车集群中单台电动汽车的模型进行变换，得到变换后的电动汽车的模型。
受用户出行习惯以及对电动汽车充电习惯的影响，不同电动汽车并网时间存在比较明显的差异性。同理，离网时间也存在较大的差异。这使得集中式充电站中的电动汽车并网时段的定义域无法统一地表示，也就无法满足闵可夫斯基和方法的应用前提，无法直接进行集群化的处理。针对于此问题，本申请中提出，引入0-1布尔变量使电动汽车的并网时段与调度时段相互统一，进而在下文介绍的步骤S2023中保证闵可夫斯基和方法的适用性。每一辆电动汽车的充放状态均由0-1布尔变量决定，当电动车的数量较多时，常规方法无法得所有电动车的充、放电功率（也就是可调度能力），必须利用闵可夫斯基和进行处理。
在本方案中，对于上文展示的公式（4）和公式（5）所描述的单台电动汽车的模型，可以在引入0-1布尔变量后改写为公式（6）的形式：
公式（6）
一些已在前文介绍过的参数的含义，例如和/>，/>和/>，γ cha 和γ dis 以及Δt此处不再赘述。结合公式（6），u i,t 为引入的0-1布尔变量，分别表示电动汽车i的并网状态或离网状态，u i,t 取值1表示并网，ui,t取值0表示离网。C i,t 、C i max 和C i min 分别为电动汽车i在t时刻的电池电量、电动汽车i的最大电量边界和最小电量边界。其中，电动汽车的电量边界对应的SOC范围为[0.1，0.9]。
在公式（6）所示的单台电动汽车改写后的模型表达式基础上，便可以进一步采取S2023步骤，对电动汽车的充放电功率的边界以及电量边界采用闵可夫斯基和的方法得到电动汽车集群的可调度能力模型。
S2023、基于变换后的电动汽车的模型中，电动汽车的充放电功率的边界以及电量边界，采用闵可夫斯基和方法得到电动汽车集群的可调度能力模型。
本方案中将充电站中充电的全部电动汽车划分到一个集群中，并在公式（6）基础上实现对整个电动汽车集群的可调度能力的建模，如下方公式（7）所示。
公式（7）
在以上公式（7）中，j指代电动汽车集群，W表示集群j中的电动汽车的数量集合，i表示单台电动汽车，和/>分别为电动汽车集群j在t时刻的最大可调度的充电功率和放电功率。C j,t max 和C j,t min 分别为电动汽车集群j在t时刻的最大可调度电池电量和最小可调度电池电量。
本步骤中，从公式（6）至公式（7），主要是以集群为单位，考虑到电动汽车并网、离网的情况，以0-1布尔变量作为系数，对整个集群的并网的各电动汽车的和/>，C i max 和C i min 累加。
S2024、在电动汽车集群的可调度能力模型、电动汽车的出行规律和充电习惯的基础上，通过蒙特卡洛模型获得电动汽车集群的充放电功率可调度区间和电池容量可调度区间。
可调度能力区间包括充放电功率可调度区间和电池容量可调度区间，公式（7）中的和/>描述的便是集群j的充电功率可调度区间的上边界以及放电功率可调度区间的上边界，C j,t max 和C j,t min 描述的便是集群j的电池容量可调度区间的上下边界。在本方案中，将配电调度分化为两个建模阶段，第一个阶段称为日前阶段或者电量供需预调度阶段，第二个阶段在第一个阶段之后，称为日内阶段或者电量供需调节阶段。在S2024的执行过程中，不但要考虑前述的公式（7）所描述的集群可调度能力模型，还需要结合电动汽车的出行规律和对电动汽车的充电习惯，也就是说，此处还要结合集中式充电站中电动汽车的历史数据来分析其灵活可调节能力。在本方案的一种可选实现方式中，借助蒙特卡洛模型进行分析。
具体而言，可以根据电动汽车的出行规律和充电习惯，采用蒙特卡洛抽样法对电动汽车集群中电动汽车的初始电池荷电状态、并网时间、离网时间和各个时刻的电动汽车数量进行模拟。在模拟过程中，假设集中式充电站中的电动汽车的并离网时间服从正态分布的规律，并假设各时刻电动汽车的数量服从均匀分布。通过蒙特卡洛模型模拟到的数据可能存在并网时刻和离网时刻不合理的数据，这些数据可以称为异常数据，可以通过识别模拟得到的数据中的异常数据并对异常数据进行修正，得到电动汽车集群的修正后的电动汽车模拟数据。电动汽车集群在电量供需预调度阶段（日前阶段）和电量供需调节阶段（日内阶段）的可调度能力的建模（充放电功率可调度区间和电池容量可调度区间的分析），与电动汽车集群中的电动汽车的充电顺序也有着密切的联系。本方案在完成对异常数据的修正之后，根据电动汽车集群的电动汽车充电顺序和修正后的电动汽车模拟数据，计算得到电动汽车集群在电量供需预调度阶段及电量供需调节阶段的充放电功率可调度区间和电池容量可调度区间。
从而，在本方案S202的执行过程中，通过对单台电动汽车建模，再从集群的角度出发，按照电量供需预调度阶段和电量供需调节阶段两个阶段进行分析，最后能够获得电动汽车集群在电量供需预调度阶段及电量供需调节阶段的充放电功率可调度区间和电池容量可调度区间，即，从两个阶段对电动汽车的工作情况和工作能力进行了充分的分析，有了充足的了解。
S203、根据配电网的构成和传输线路，构建配电网工作的等效模型。
前文介绍过本方案中配电网的结构，该配电网为中-低压多级配电网，包括上级电网、10KV电压配电网作为中压配电网、传输线路、变压器、380V电压配电网作为低压配电网。分布式光伏同时接入于多级配电网的中压配电网和低压配电网，电动汽车集群中的电动汽车作为灵活荷储资源接入于低压配电网。还设置有小型储能装置，小型储能装置接入于中压配电网，用于起到临时电能支撑作用。
在本方案中，考虑到多级配电网的构成和传输线路，可采用图5所示的步骤S2031~S2033实现配电网工作的等效模型的构建。如图5所示，在可选实现方式中，根据配电网的构成和传输线路，构建配电网工作的等效模型，包括：
S2031、根据中-低压多级配电网的构成和传输线路，构建中压配电网的第一潮流模型和低压配电网的第二潮流模型。
本方案对多级配电网中的10KV电压的中压配电网及380V电压的低压配电网分别建立Distflow潮流模型，也就是第一潮流模型和第二潮流模型。公式（8）率先展示中压配电网的第一潮流模型。
公式（8）
在节点网络中，两个节点可以连接一条边，称为支路。在公式（8）中，和φ(j)分别代表以j为尾节点的支路的首节点的集合和以j为首节点的支路的尾节点的集合，l表示集合中的一个节点，h表示φ(j)集合中的一个节点；P t lj 和Q t lj 分别为主支路lj在t时刻的有功功率和无功功率，P t jh 和Q t jh 表示子支路jh在t时刻传输的有功功率和无功功率。P t j 和Q t j 分别为节点j在t时刻注入的有功功率和无功功率。x lj 和r lj 分别为主支路lj的电阻和电抗。U j t 为节点j在t时刻的电压幅值，U l t 为节点l在t时刻的电压幅值。/>和/>分别为节点j在t时刻接入的第n个电动汽车集群的充放电功率。
P t Load1,j 和Q t Load1,j 分别为中压配电网节点j在t时刻负荷的有功功率和无功功率；P t Need2,j 和Q t Need2,j 分别为低压配电网节点j在t时刻需要中压配电网提供的有功功率和无功功率；和/>分别为中压配电网中节点j的燃气轮机m在t时刻的有功功率和无功功率；P t pv,j 为中压配电网中节点j的分布式光伏在t时刻的有功功率，P t buy,j 为中压配电网中节点j从上级电网中购入的功率。对于公式（8）中出现的数量参数，N为电动汽车集群的总数量，n表示第n个集群，M为燃气轮机的总台数，m表示第m台燃气轮机。
低压配电网的第二潮流模型与中压配电网的第一潮流模型形式近似，最大的差别在于，低压配电网的有功、无功平衡模型如下所示：
公式（9）
公式（9）中，P t Load2,j 和Q t Load2,j 分别为低压配电网节点j在t时刻负荷的有功功率和无功功率；P t j2 和Q t j2 分别为节点j在t时刻注入的有功功率和无功功率。P t EV_cha,j 为节点j在t时刻的充电功率。P t EES,cha,j 和P t EES,dis,j 分别为低压配电网的节点j的小型储能装置在t时刻的充电功率和放电功率。Q t svg,j 为节点j在t时刻静止无功发生器（Static Var Generator,SVG）的无功补偿功率。
S2032、对第一潮流模型和第二潮流模型分别进行二阶锥松弛，得到中压配电网的变换后潮流模型和低压配电网的变换后潮流模型。
由于第一潮流模型和第二潮流模型非凸，导致难以直接求解，因此本方案提出在S2032步骤中对两个模型分别进行二阶锥松弛，简化模型求解，使其可解。以第一潮流模型为示例，在具体实现时，引入两个变量和/>，其中/>，/>。进而可以得到如下公式（10）：
公式（10）
在此基础上，对公式（8）进行松弛和等价变换，可以得到其标准二阶锥形，进而公式（8）可以改写为如下形式：
公式（11）
对于低压配电网的第二潮流模型的松弛及变换可以参照公式（11），此处不再赘述。
在以上S2031~S2032完成了对中压配电网和低压配电网各自潮流模型的构建以及松弛变换。为了实现多级配电网的协同运行，本申请实施例中还通过S2033对多级配电网的网损进行等效。需要说明的是，S2031~S2032与S2033可以并行执行，对于相互间执行的先后顺序不做限定，图5中仅展示的是一种示例执行顺序。
S2033、根据中压配电网、传输线路、变压器以及低压配电网各自的有功损耗，获得中-低压多级配电网的网损等效模型。
图6为本申请实施例提供的一种中-低压多级配电网的有功网损等效示意图。如图6所示并结合下方公式（12）对该中-低压多级配电网的网损等效模型进行说明：
公式（12）
式中，为t时刻中-低压多级配电网的总有功损耗；P t M-DN,lost 、P t Line,lost 、P t Tra,lost 、P t L-DN,lost 分别为t时刻中压配电网、传输线路、变压器及低压配电网的有功损耗。
经过以上介绍可知，通过执行S203，能够实现对中-低压多级配电网的建模，形成其潮流模型以及网损等效模型。这一操作的执行，有益于对中-低压多级配电网的工作模式进行充分、细致的分析，从而更好地实现配电调度，提升光伏消纳的促进作用。
另外，需要说明的是，以上步骤S201、S202和S203是独立并行执行的，其可以是同时执行，也可以是各自为先后顺序执行的，但是需要说明的是，同时执行或者分先后顺序执行不会影响S201~S203各步骤的执行效果。对于S201~S203分先后执行的情况，可以是依次按照以下几种可能的顺序执行：S201→S202→S203；S201→S203→S202；S202→S201→S203；S202→S203→S201；S203→S201→S202；S203→S202→S201。
S204、在等效模型、可调度能力区间及综合范数概率场景不确定集的基础上，基于阶段性约束集合和阶段性目标函数，构建配电网的电量供需平衡模型。
在S201~S203的准备工作完毕，即可执行本步骤。本步骤主要是基于阶段性的约束，构建两阶段的电量供需平衡模型。如前文介绍的日前、日内两个阶段，即电量供需预调度阶段和电量供需调节阶段。相应地，两个阶段具有其各自对应的约束集合，以及各自对应的阶段性目标函数。具体而言，阶段性约束集合包括预调度阶段的第一约束集合和调节阶段的第二约束集合，阶段性目标函数包括预调度阶段的第一目标函数和调节阶段的第二目标函数。
图7为构建配电网的电量供需平衡模型的示例流程图。构建配电网的电量供需平衡模型的过程包括S2041~S2044：
S2041、从综合范数概率场景不确定集中随机抽取一组数据作为预测数据。
抽取预测数据的主要目的是，在初期构建确定性模型。
S2042、根据等效模型、可调度能力区间、预测数据、第一约束集合和第一目标函数，构建电量供需预调度阶段确定性模型。
第一目标函数表征以运行成本F1最小化作为优化目标。运行成本包括以下一种或多种：设备运维成本、购能成本、弃光惩罚成本、需求响应成本和网损损失。在示例实现方式中，第一目标函数可以表示为：
公式（13）
在公式（13）中F dev、F buy、F pun、F DR 、F lost 分别为设备运维成本、购能成本、弃光惩罚成本、需求响应成本和网损损失。T为运行周期总时长，本文运行周期（调度周期）为24h。μ n EV 、μ n EES 、μ n GT 、μ pv 分别为电动汽车集群、小型储能装置、燃气轮机和光伏发电的单位运行成本系数；μ t E_buy为t时刻从上级电网购电的单位成本系数；μ gas 为单位天然气成本系数；μ t pv_A为t时刻分布式光伏的弃光成本系数；μ t tran 、μ t cut 分别为t时刻负荷转移、削减的成本系数；P t pv_pre为t时刻分布式光伏的预测发电功率，对应于上文所介绍的预测数据；L t tran ，L t cut 分别为t时刻可转移负荷量及可削减负荷量；μ lost 为网损损失成本系数。为t时刻中-低压多级配电网的总有功损耗。PEV,cha，PEV,dis，PESS,cha，PEES,dis，PGT，Ppv分别为电动汽车的充、放电功率；电储能装置的充、放电功率；燃气轮机的发电功率；光伏的实际发电功率。数量参数N为电动汽车集群的总数量，n表示第n个集群，M为燃气轮机的总台数，m表示第m台燃气轮机。η m GT 为第m台燃气轮机的气-电转化效率。
在运维时，考虑到的设备中，日前设备包括燃气轮机、分布式光伏、小型储能装置；日内设备包括燃气轮机、分布式光伏、小型储能装置、SVG。
弃光的原因是：分布式光伏有能力发出更多的电量，但配电网无法继续消纳，造成了资源的浪费。
需求响应（Demand Response，简称DR）分为激励型DR和价格型DR等，主要是通过补贴或奖励让用于参与需求响应，降低峰谷差，减弱电力系统的电力供应压力。
在可选实现方式中，第一约束集合包括以下中的一种或多种：发电燃气轮机（简称GT）的出力模型约束，需求响应模型约束，接入配电网的储能装置的储能约束，电动汽车集群的约束和等效模型的约束；其中，储能设备用于提供临时电能支撑。下面结合公式描述第一约束集合涉及到的几种约束。
第一约束集合：
（1）发电燃气轮机的出力模型约束
公式（14）
其中，η GT 为GT的气-电转化效率；ξ t GT 为t时刻燃气轮机的启停状态变量，1对应启动，0对应停机；G t GT 为t时刻燃气轮机的天然气消耗功率；、/>分别为燃气轮机运行过程中的最小、最大发电功率；/>、/>分别为燃气轮机的最大上爬坡功率和最大下爬坡功率。
（2）需求响应模型约束
公式（15）
式中，D t ，L t 分别为t时刻DR后的负荷量、DR前的负荷量，L t tran ，L t cut 分别为t时刻可转移负荷量及可削减负荷量；α tran ，α cut 分别为负荷转移比例系数和削减比例系数。
（3）接入配电网的储能装置的储能约束
公式（16）
ESS表示电储能（electrical energy storage, EES）的含义。S1和ST分别代表电储能装置调度开始前的储能容量和调度周期结束后的储能容量，一个调度周期为24h。公式（16）中，v t EES 为t时刻储能装置的充电状态；、/>分别为储能装置的最大充电功率和最大放电功率；S t 、C EES 分别为储能装置t时刻的储能容量和储能装置的最大储能容量；χ为初始状态储能容量比例系数；/>、/>分别为储能装置的充电功率和放电效率。
（4）电动汽车集群的约束和等效模型的约束
关于电动汽车集群的约束已在S202部分介绍过，等效模型的约束已在S203介绍过，此处不再赘述。
S2043、根据第二约束集合和第二目标函数，在电量供需预调度阶段确定性模型基础上构建电量供需调节阶段确定性模型。
在可选实现方式中，第二目标函数表征以设备调节成本F2最小化作为优化目标；设备调节成本包括以下一种或多种：因设备调节产生的运维成本、购能成本、弃光惩罚成本和需求响应成本。
公式（17）
公式（17）中，N为电动汽车集群的总数量，n表示第n个集群，M为燃气轮机的总台数，m表示第m台燃气轮机。、/>、/>、/>分别为系统设备调节产生的运维成本、设备调节后系统的购能成本、日内弃光惩罚成本及需求响应成本，Flost表示网损损失。T为运行周期总时长，可为24h；/>、/>、/>、/>、/>分别为电动汽车的充/放电调节功率、储能装置的充/放电调节功率和燃气轮机的调节功率；/>为日内光伏发电功率；L t tran_intra ，L t cut_intra 分别为t时刻可转移负荷量及可削减负荷量；μ lost 为网损损失成本系数。/>、/>、/>分别为电动汽车集群n、电储能装置、第m台燃气轮机的单位功率调节成本系数；ΔPt buy为t时刻从上级电网购电功率的调节量。
在可选实现方式中，第二约束集合包括以下中的一种或多种：设备调节约束，静止无功发生器SVG的运行约束和等效模型的约束。下面结合公式描述第二约束集合涉及到的几种约束。
第二约束集合：
（1）设备调节约束
公式（18）
公式（18）中部分参数与公式（16）中的部分参数存在重叠，例如、/>分别为储能装置的最大充电功率和最大放电功率；公式（18）中部分参数与公式（17）中的部分参数存在重叠，例如/>、/>、/>、/>、/>分别为电动汽车的充/放电调节功率、储能装置的充/放电调节功率和燃气轮机的调节功率。公式（18）中部分参数与公式（14）中的部分参数存在重叠，例如/>、/>分别为燃气轮机的最大上爬坡功率和最大下爬坡功率。/>和分别表示电动汽车i的最大充电功率和最大放电功率。通过公式（18）不难发现，在日内阶段考虑对设备进行调节时，考虑到了电动汽车集群方面的约束，储能装置，燃气轮机GT等设备的约束。此外，还考虑到了SVG的运行约束，参见下方介绍。
（2）SVG运行约束
静止无功发生器（Static Var Generator, SVG），其作用是进行无功补偿，配电网光伏消纳过程中最容易发生的事情事电压越限，SVG的作用就是用于调节电压（因为电压和无功相关）。SVG约束可以参照下方公式（19）：
公式（19）
公式（19）中，为中-低多级压配电网中节点j上SVG在t时刻的无功补偿功率；、/>为中-低多级压配电网中节点j上SVG的最小/最大无功补偿功率。
（3）其他约束例如潮流模型等已在前文S203等部分介绍过，此处不再赘述。
对于运行约束，简而言之，日前设备运行约束，包括燃气轮机的启停状态约束、爬坡约束、出力约束；储能容量充放功率约束、容量约束；光伏发电功率约束（发电的功率上下限约束）；电动汽车集群的可调度能力约束。日内的时候还要考虑SVG的运行约束。、
S2044、在电量供需预调度阶段确定性模型和电量供需调节阶段确定性模型的基础上，基于综合范数概率场景不确定集构建配电网的电量供需平衡模型。
基于以上S2041~S2043构建了电量供需预调度阶段确定性模型和电量供需调节阶段确定性模型。本方案中，将这两部分模型结合前面获得的综合范数概率场景不确定集，构建了考虑到光伏-电负荷双重不确定性的两阶段鲁棒模型，并将其作为配电网的电量供需平衡模型。考虑到不同光伏-电负荷相关性场景是相互独立的，即可并行求解，则两阶段鲁棒模型的紧凑形式可表示为：
公式（20）
以上公式中，F1代表运行成本，F2代表设备调节成本。p i 表示光伏与电负荷的相关性典型场景中场景i的概率。X代表了第一目标函数以及第一约束集合中涉及到的多种参数，Y代表第二目标函数以及第二约束集合中涉及到的多种参数。
S205、将电量供需平衡模型转换为待求解的问题，基于问题的目标函数对问题进行求解，得到配电调度方案。
本方案中，在S205执行时，通过列和约束生成方法将两阶段鲁棒模型（也就是电量供需平衡模型）转换为易于求解的主问题和子问题，基于主问题的目标函数和子问题的目标函数，通过交互迭代的方式对主问题和子问题进行求解，最终获得配电调度方案。
主问题的目标函数F down表示为：
公式（21）
子问题的目标函数F up表示为：
公式（22）
通过公式（21）和公式（22）中包含的参数p i 可知，在求解时，依然考虑到最初S201获取的综合范数概率场景不确定集。F1代表运行成本，F2代表设备调节成本。
在求解过程中，主问题将X传递到子问题，子问题在主问题给定设备出力及启停结果基础上寻找最劣的光伏-电负荷概率分布，之后子问题将最劣概率分布返回主问题进行迭代。在迭代过程中主问题提供解的下边界，子问题提供解的上边界，直到上下边界的差值满足收敛条件，结束迭代。通过求解得到的配电调度方案包括配电网的光伏发电规划数据、配电网中的电负荷规划数据以及电动汽车集群的充放电规划数据。
图8为本申请实施例提供的基于电动汽车集群的配电网光伏消纳调度方法的实现流程架构示意图。图8可以一并前文介绍中提供的多幅流程图加以理解细致的全流程。结合图8不难发现，本申请提出了一种考虑电动汽车灵活调控能力的多级配电网光伏消纳方法，包括构建基于光伏-电负荷相关性典型场景的综合范数不确定集；提出考虑电动汽车集群、小型储能、负荷需求响应及主动调压措施与分布式光伏的协调运行方式；构建日前-日内两阶段鲁棒优化模型，在综合考虑光伏-负荷不确定性影响前提下充分挖掘电动汽车的灵活荷储能力，促进了光伏的就地消纳能力。
需要说明的是，本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。以上所述，仅为本申请的一种具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。

Claims (10)

1.一种基于电动汽车集群的配电网光伏消纳调度方法，其特征在于，包括：
基于配电网的光伏历史发电数据和电负荷历史数据，构建光伏与电负荷的时序相关性典型场景集合，并在所述时序相关性典型场景集合的基础上构建综合范数概率场景不确定集；
获取支持通过所述配电网储电和供电的电动汽车集群的可调度能力区间；所述可调度能力区间包括充放电功率可调度区间和电池容量可调度区间；
根据所述配电网的构成和传输线路，构建所述配电网工作的等效模型；
在所述等效模型、所述可调度能力区间及所述综合范数概率场景不确定集的基础上，基于阶段性约束集合和阶段性目标函数，构建所述配电网的电量供需平衡模型；
将所述电量供需平衡模型转换为待求解的问题，基于所述问题的目标函数对所述问题进行求解，得到配电调度方案；所述配电调度方案包括所述配电网的光伏发电规划数据、所述配电网中的电负荷规划数据以及所述电动汽车集群的充放电规划数据；所述问题的目标函数为关于所述综合范数概率场景不确定集的函数。
2.根据权利要求1所述的方法，其特征在于，所述阶段性约束集合包括预调度阶段的第一约束集合和调节阶段的第二约束集合，所述阶段性目标函数包括预调度阶段的第一目标函数和调节阶段的第二目标函数；
所述在所述等效模型、所述可调度能力区间及所述综合范数概率场景不确定集的基础上，基于阶段性约束集合和阶段性目标函数，构建所述配电网的电量供需平衡模型，包括：
从所述综合范数概率场景不确定集中随机抽取一组数据作为预测数据；
根据所述等效模型、所述可调度能力区间、所述预测数据、所述第一约束集合和所述第一目标函数，构建电量供需预调度阶段确定性模型；
根据所述第二约束集合和所述第二目标函数，在所述电量供需预调度阶段确定性模型基础上构建电量供需调节阶段确定性模型；
在所述电量供需预调度阶段确定性模型和所述电量供需调节阶段确定性模型的基础上，基于所述综合范数概率场景不确定集构建所述配电网的电量供需平衡模型。
3.根据权利要求2所述的方法，其特征在于，所述第一约束集合包括以下中的一种或多种：发电燃气轮机的出力模型约束，需求响应模型约束，接入所述配电网的储能装置的储能约束，所述电动汽车集群的约束和所述等效模型的约束；其中，所述储能设备用于提供临时电能支撑；
所述第二约束集合包括以下中的一种或多种：设备调节约束，静止无功发生器的运行约束和所述等效模型的约束。
4.根据权利要求2所述的方法，其特征在于，所述第一目标函数表征以运行成本最小化作为优化目标，所述第二目标函数表征以设备调节成本最小化作为优化目标；
所述运行成本包括以下一种或多种：
设备运维成本、购能成本、弃光惩罚成本、需求响应成本和网损损失；
所述设备调节成本包括以下一种或多种：
因设备调节产生的运维成本、购能成本、弃光惩罚成本和需求响应成本。
5.根据权利要求2所述的方法，其特征在于，所述将所述电量供需平衡模型转换为待求解的问题，基于所述问题的目标函数对所述问题进行求解，得到配电调度方案，包括：
通过列和约束生成方法将所述电量供需平衡模型转换为主问题和子问题，基于所述主问题的目标函数和所述子问题的目标函数，通过交互迭代的方式对所述主问题和所述子问题进行求解，最终获得所述配电调度方案。
6.根据权利要求5所述的方法，其特征在于，所述通过交互迭代的方式对所述主问题和所述子问题进行求解，包括：
所述主问题将预调度阶段的待求解参数传递到所述子问题；
所述子问题在所述主问题给定设备处理及启停结果基础上寻找最劣的光伏与电负荷的联合概率作为最劣概率，并将所述最劣概率返回所述主问题进行迭代；
在迭代过程中，所述主问题提供解的下边界，所述子问题提供解的下边界，直至解的上下边界的差值满足收敛条件，结束迭代。
7.根据权利要求1所述的方法，其特征在于，所述基于配电网的光伏历史发电数据和电负荷历史数据，构建光伏与电负荷的时序相关性典型场景集合，并在所述时序相关性典型场景集合的基础上构建综合范数概率场景不确定集，包括：
对所述光伏历史发电数据进行归一化处理，得到归一化后的光伏历史发电数据，以及对所述电负荷历史数据进行归一化处理，得到归一化后的电负荷历史数据；
通过非参数核密度估计方法对归一化后的光伏历史发电数据进行概率密度函数的拟合，得到拟合出的第一概率密度函数，以及通过非参数核密度估计方法对归一化后的电负荷历史数据进行概率密度函数的拟合，得到拟合出的第二概率密度函数；其中，所述第一概率密度函数和所述第二概率密度函数均为表征概率与功率相关性的函数；
以所述第一概率密度函数和所述第二概率密度函数为基础，基于二元Frank-Copula理论构建所述配电网的光伏与电负荷的联合概率分布函数；
基于所述联合概率分布函数生成所述配电网的光伏与电负荷的时序相关性典型场景集合；所述相关性典型场景集合包括所述配电网的光伏与电负荷的多个相关性典型场景；所述相关性典型场景通过光伏与电负荷的联合概率表征；
在所述时序相关性典型场景集合的基础上，以1范数和无穷范数构成有关所述多个时序相关性典型场景的综合范数概率场景不确定集。
8.根据权利要求1所述的方法，其特征在于，所述获取支持通过所述配电网储电和供电的电动汽车集群的可调度能力区间，包括：
根据电动汽车的充放电功率约束、电池容量约束、电池荷电状态约束和电动汽车并网离网的时间约束，对电动汽车进行建模；
基于所述电动汽车集群中不同的电动汽车在并网时间的差异性和在离网时间的差异性，通过引入0-1布尔变量对所述电动汽车集群中单台电动汽车的模型进行变换，得到变换后的电动汽车的模型；
基于所述变换后的电动汽车的模型中，电动汽车的充放电功率的边界以及电量边界，采用闵可夫斯基和方法得到所述电动汽车集群的可调度能力模型；
在所述电动汽车集群的可调度能力模型、电动汽车的出行规律和充电习惯的基础上，通过蒙特卡洛模型获得所述电动汽车集群的充放电功率可调度区间和电池容量可调度区间。
9.根据权利要求8所述的方法，其特征在于，所述在所述电动汽车集群的可调度能力模型、电动汽车的出行规律和充电习惯的基础上，通过蒙特卡洛模型获得所述电动汽车集群的充放电功率可调度区间和电池容量可调度区间，包括：
根据电动汽车的出行规律和充电习惯，采用蒙特卡洛抽样法对所述电动汽车集群中电动汽车的初始电池荷电状态、并网时间、离网时间和各个时刻的电动汽车数量进行模拟；
识别模拟得到的数据中的异常数据并进行修正，得到所述电动汽车集群的修正后的电动汽车模拟数据；
根据所述电动汽车集群的电动汽车充电顺序和所述修正后的电动汽车模拟数据，计算得到所述电动汽车集群在电量供需预调度阶段及电量供需调节阶段的充放电功率可调度区间和电池容量可调度区间。
10.根据权利要求1所述的方法，其特征在于，所述配电网为中-低压多级配电网，具体构成包括：上级电网、10KV电压配电网作为中压配电网、传输线路、变压器、380V电压配电网作为低压配电网；分布式光伏同时接入于所述中压配电网和所述低压配电网，所述电动汽车集群中的电动汽车作为灵活荷储资源接入于所述低压配电网；储能装置接入于所述中压配电网，用于起到临时电能支撑作用；所述低压配电网允许向所述中压配电网购买或售卖电能，所述中压配电网允许向所述上级电网购买电能；
所述根据所述配电网的构成和传输线路，构建所述配电网工作的等效模型，包括：
根据所述中-低压多级配电网的构成和传输线路，构建所述中压配电网的第一潮流模型和所述低压配电网的第二潮流模型；
对所述第一潮流模型和所述第二潮流模型分别进行二阶锥松弛，得到所述中压配电网的变换后潮流模型和所述低压配电网的变换后潮流模型；
根据所述中压配电网、所述传输线路、所述变压器以及所述低压配电网各自的有功损耗，获得所述中-低压多级配电网的网损等效模型。
CN202410012927.0A 2024-01-04 2024-01-04 一种基于电动汽车集群的配电网光伏消纳调度方法 Active CN117526453B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410012927.0A CN117526453B (zh) 2024-01-04 2024-01-04 一种基于电动汽车集群的配电网光伏消纳调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410012927.0A CN117526453B (zh) 2024-01-04 2024-01-04 一种基于电动汽车集群的配电网光伏消纳调度方法

Publications (2)

Publication Number Publication Date
CN117526453A true CN117526453A (zh) 2024-02-06
CN117526453B CN117526453B (zh) 2024-03-22

Family

ID=89742352

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410012927.0A Active CN117526453B (zh) 2024-01-04 2024-01-04 一种基于电动汽车集群的配电网光伏消纳调度方法

Country Status (1)

Country Link
CN (1) CN117526453B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
WO2022021957A1 (zh) * 2021-03-16 2022-02-03 中国科学院广州能源研究所 运营商收益最大化的v2g二阶段随机规划调度模型
CN115117931A (zh) * 2022-07-14 2022-09-27 华北电力大学 考虑电动汽车灵活性和光伏接入的配电网规划方法及系统
CN115471044A (zh) * 2022-08-12 2022-12-13 长沙理工大学 含光储的配电台区电动汽车调度方法、系统及存储介质
CN115829224A (zh) * 2022-10-26 2023-03-21 新疆大学 电动汽车集群可调度能力的多主体两阶段低碳优化运行方法
CN116632896A (zh) * 2023-06-26 2023-08-22 中国地质大学（武汉） 一种多光储充电站的电动汽车充放电协同调度方法及系统
CN116644866A (zh) * 2023-07-27 2023-08-25 国网江西省电力有限公司经济技术研究院 考虑风光不确定性的综合能源系统鲁棒优化方法及系统
CN116706869A (zh) * 2023-02-21 2023-09-05 中国电力科学研究院有限公司 一种用于区域电网供需平衡场景的预测方法及装置

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
WO2022021957A1 (zh) * 2021-03-16 2022-02-03 中国科学院广州能源研究所 运营商收益最大化的v2g二阶段随机规划调度模型
CN115117931A (zh) * 2022-07-14 2022-09-27 华北电力大学 考虑电动汽车灵活性和光伏接入的配电网规划方法及系统
CN115471044A (zh) * 2022-08-12 2022-12-13 长沙理工大学 含光储的配电台区电动汽车调度方法、系统及存储介质
CN115829224A (zh) * 2022-10-26 2023-03-21 新疆大学 电动汽车集群可调度能力的多主体两阶段低碳优化运行方法
CN116706869A (zh) * 2023-02-21 2023-09-05 中国电力科学研究院有限公司 一种用于区域电网供需平衡场景的预测方法及装置
CN116632896A (zh) * 2023-06-26 2023-08-22 中国地质大学（武汉） 一种多光储充电站的电动汽车充放电协同调度方法及系统
CN116644866A (zh) * 2023-07-27 2023-08-25 国网江西省电力有限公司经济技术研究院 考虑风光不确定性的综合能源系统鲁棒优化方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
ZHONG ZHANG ET AL.: "A Novel Peer-to-Peer Local Electricity Market for Joint Trading of Energy and Uncertainty", 《IEEE TRANSACTIONS ON SMART GRID》, vol. 11, no. 2, 31 March 2020 (2020-03-31), pages 1205 - 1215, XP011772382, DOI: 10.1109/TSG.2019.2933574 *
刘舒真 等: "考虑车网互动的风-光-车-储微网容量配置方法", 《科技创新与应用》, vol. 11, no. 14, 31 December 2021 (2021-12-31), pages 123 - 127 *
靳伟 等: "薄弱配电网高比例分布式光伏并网消纳规划研究", 《河北工业科技》, vol. 37, no. 03, 31 May 2020 (2020-05-31), pages 151 - 158 *

Also Published As

Publication number Publication date
CN117526453B (zh) 2024-03-22

Similar Documents

Publication Publication Date Title
CN110119886B (zh) 一种主动配网动态规划方法
Logenthiran et al. Short term generation scheduling of a microgrid
CN112713618B (zh) 基于多场景技术的主动配电网源网荷储协同优化运行方法
CN114139780A (zh) 含分布式电源的虚拟电厂与配电网协调优化方法及系统
CN107609693A (zh) 基于Pareto档案粒子群算法的微电网多目标优化方法
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
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
CN103997091A (zh) 一种规模化电动汽车智能充电控制方法
Kapoor et al. Optimal charge/discharge scheduling of battery storage interconnected with residential PV system
CN111786417A (zh) 一种面向分布式新能源消纳的主动配电网多目标区间优化调度的方法
Dong et al. Optimal scheduling framework of electricity-gas-heat integrated energy system based on asynchronous advantage actor-critic algorithm
Dutta et al. Contribution of electric vehicles for frequency regulation in presence of diverse power sources and transmission links
CN117526453B (zh) 一种基于电动汽车集群的配电网光伏消纳调度方法
CN110224397B (zh) 一种风光接入背景下用户侧电池储能成本效益分析方法
CN108683211B (zh) 一种考虑分布式电源波动性的虚拟发电厂组合优化方法及模型
CN114759616B (zh) 一种考虑电力电子器件特性的微电网鲁棒优化调度方法
CN116707016A (zh) 基于场景生成和削减的风光氢储日前随机优化调度方法
CN115800276A (zh) 一种考虑机组爬坡的电力系统应急调度方法
Wenyue et al. Optimal scheduling strategy for virtual power plant considering voltage control
Lei et al. Robust Optimal Dispatch of AC/DC Hybrid Distribution Network With PET
Yang et al. Multi-source scheduling method on supply side of microgrid based on reinforcement learning algorithm
Xiao et al. Day-ahead active distribution network optimal schedule with EV penetration
Xu Wind-solar-storage linkage configuration of carbon-neutral energy internet based on fuzzy control algorithm
CN114240125A (zh) 一种分布式储能电站在线、自适应的电能调度优化方法
Shao et al. A two-stage optimization method for economic operation of the micro-grid

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