CN117556549B - 一种面向风光氢储充综合能源的时空联合运行优化方法 - Google Patents
一种面向风光氢储充综合能源的时空联合运行优化方法 Download PDFInfo
- Publication number
- CN117556549B CN117556549B CN202410022197.2A CN202410022197A CN117556549B CN 117556549 B CN117556549 B CN 117556549B CN 202410022197 A CN202410022197 A CN 202410022197A CN 117556549 B CN117556549 B CN 117556549B
- Authority
- CN
- China
- Prior art keywords
- energy
- power
- hydrogen
- energy storage
- storage battery
- 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.)
- Active
Links
- 229910052739 hydrogen Inorganic materials 0.000 title claims abstract description 95
- 239000001257 hydrogen Substances 0.000 title claims abstract description 95
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000005457 optimization Methods 0.000 title claims abstract description 45
- 238000003860 storage Methods 0.000 title claims abstract description 23
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 claims abstract description 84
- 238000004146 energy storage Methods 0.000 claims abstract description 63
- 239000000446 fuel Substances 0.000 claims abstract description 43
- 238000007599 discharging Methods 0.000 claims abstract description 8
- 238000012544 monitoring process Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 11
- 238000010521 absorption reaction Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000013136 deep learning model Methods 0.000 claims description 4
- 238000001816 cooling Methods 0.000 claims description 3
- 238000010438 heat treatment Methods 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 abstract description 2
- 238000009826 distribution Methods 0.000 abstract description 2
- 210000004027 cell Anatomy 0.000 description 15
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 210000000352 storage cell Anatomy 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000003487 electrochemical reaction Methods 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
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
- B60L53/60—Monitoring or controlling charging stations
- B60L53/63—Monitoring or controlling charging stations in response to network capacity
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
- B60L53/60—Monitoring or controlling charging stations
- B60L53/68—Off-site monitoring or control, e.g. remote control
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- 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
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/06—Power analysis or power optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Geometry (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Power Engineering (AREA)
- Transportation (AREA)
- Computer Hardware Design (AREA)
- Mechanical Engineering (AREA)
- Aviation & Aerospace Engineering (AREA)
- Automation & Control Theory (AREA)
- Medical Informatics (AREA)
- Computational Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Fuel Cell (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供一种面向风光氢储充综合能源的时空联合运行优化方法,方法属于新能源技术领域,获取初始化状态信息;获取实时运行的状态信息,根据历史状态信息和事件触发参数,识别当前事件类型和触发策略;基于时空双环优化的目标函数对能量进行调度优化;根据能量调度优化结果,设置储能电池的运行参数和氢燃料电池的运行参数,并按照设置的运行参数监控储能电池和氢燃料电池的运行状态,以及监控电动汽车的状态信息。本发明通过可调电源和储能设备的多时间尺度调度和电动汽车充放的实时调控,实现多能流源荷的精准输配和削峰填谷,抑制电网波动,能够提高运行收入,降低能量损耗。
Description
技术领域
本发明属于新能源技术领域,尤其涉及一种面向风光氢储充综合能源的时空联合运行优化方法。
背景技术
目前电动汽车为代表的新能源汽车同样发展迅速,与之配套的充电设施也不断扩建和完善。对于充电站综合能源微网的运行优化来讲,既可以考虑时间上的能量调度,也可以考虑空间上的最优能流。
现有技术中的优化运行方法最大问题是无法实现对时间调度与空间能流的联合优化导致系统能量损耗升高,无法满足充电站的运行要求,进而造成充电站的运行成本增加。
发明内容
本发明提供的面向风光氢储充综合能源的时空联合运行优化方法,结合日前能量调度、多能流优化和多事件触发校正的综合能源系统时空联合优化运行方法,并采用深度学习方法在线更新事件触发条件,不断优化系统运行状态,有效降低运行损耗,提高经济效益。
面向风光氢储充综合能源的时空联合运行优化方法包括如下步骤:
S1:获取初始化状态信息;
S2:获取实时运行的状态信息,根据历史状态信息和事件触发参数,识别当前事件类型和触发策略;
S3:基于时空双环优化的目标函数对能量进行调度优化;
S4:根据能量调度优化结果,设置储能电池的运行参数和氢燃料电池的运行参数,并按照设置的运行参数监控储能电池和氢燃料电池的运行状态,以及监控电动汽车的状态信息。
进一步需要说明的是,步骤S1中的所述初始化状态信息包括:电动汽车的电池容量、初始SOC、额定电压、充电持续时间、电网许可以及能量调度的变量信息。
进一步需要说明的是,步骤S1中的所述能量调度的变量信息包括:储能电池充电电量信息、放电电量信息以及氢燃料电池输出电量信息。
进一步需要说明的是,方法中配置有总线线路,总线线路连接储能电池的输出端和氢燃料电池的输出端;总线线路上连接有多个支路线路。
进一步需要说明的是,定义每个支路线路上节点的放电功率、放电电压、温度和放电电流。
进一步需要说明的是,步骤S3中,所述时空双环优化的目标函数表示为:
其中,是日能源计划的优化目标,/>为电网的有功功率,/>是电网的无功功率,/>是最优能量流的优化目标;/>和/>分别是氢和储能电池的电力价格,/>为电网供电价格,/>为氢燃料电池氢气流量,/>为氢供能的价格,/>为充电桩的输出功率,/>为充电桩供电价格,/>为储能电池的出力;/>为储能系统供能的价格;当/>时表示储能电池消耗电能,反之表示储能电池输出电能。
进一步需要说明的是,方法中,储能电池在充电状态下,定义为电力负载;储能电池在放电状态下,定义为电源;
具体表示为:
其中,是节点的功率需求,/>是支路线路和转换器中的功率损耗,/>是热泵输入功率,/>是充电桩的输出功率;/>是电网的有功功率,/>是风机出力,/>是太阳能电板出力,/>是氢燃料电池的出力,/>是储能电池的出力,当/>时表示储能电池消耗电能,反之表示储能电池输出电能。
进一步需要说明的是,步骤S2中的所述事件触发参数包括:吸收式制冷机的热输入不超过氢燃料电池的热输出;方程和不等式表示为:
其中,是节点的热需求,/>是支路中的热损失;/>是氢燃料电池产热量;是热泵的热功率;/>表示其正在制冷,反之表示制热;/>是吸收式制冷机的输入功率;
冷能流的能量平衡方程是冷输出的总和等于冷负荷和损耗的总和,方程式表示为:
是吸收式制冷机的输出功率;
氢能量流的能量平衡方程是氢源的总和等于冷负荷和损耗的总和,方程式表示为:
式中,为来自加氢站的氢气流量,/>为节点的氢气需求量;/>为支路中的氢气损失;/>为氢燃料电池氢气流量;
时空双环优化的目标函数还满足交流和直流电路的功率流约束,支路电压的平方表示为:/>
式中, 和/>分别为支路电阻、支路电抗和支路电流的平方、母线电压的平方、支路有功功率和无功功率;/>为支路上的任意节点。
进一步需要说明的是,步骤S2中的所述事件类型包括如下事件类型:
一级事件:不确定性导致的运行的状态信息的偏差达到第一预设阈值范围,通过能流计算,调整并网变压器、储能电池和氢燃料电池的输出功率,使系统恢复稳定状态;
二级事件:不确定性导致的运行的状态信息的偏差达到第二预设阈值范围,基于日前调度计划,通过时空双环优化的目标函数求解,调整并网变压器、储能电池和氢燃料电池的输出功率,使系统恢复稳定状态;
三级事件:不确定性导致的运行的状态信息的偏差达到第三预设阈值范围,重新制定日前调度计划,通过时空双环优化的目标函数求解,调整全部供能设备、储能电池和氢燃料电池的输出功率,使系统恢复稳定状态。
进一步需要说明的是,步骤S4之后还包括:S5:将当前运行的状态信息作为历史数据提供给深度学习模型,识别并更新事件触发参数。
从以上技术方案可以看出,本发明具有以下优点:
本发明提供的面向风光氢储充综合能源的时空联合运行优化方法通过调整优化储能电池的运行参数和氢燃料电池的运行参数,并基于多时间尺度调度和电动汽车充放的实时调控,实现多能流源荷的精准输配和削峰填谷,抑制电网波动,能够提高运行收入,降低能量损耗。
本发明的方法还建立了充电站与电动汽车的全工况模型和交互模型,并结合了日前能量调度、多网络最优能流和多事件触发校正三种方法。还基于事件类型和能流校正策略,并利用深度学习方法识别事件触发参数,设置实时最优能流的计算约束,定时触发的能流校正策略,降低了系统的计算量,进而是的运行成本降低。
附图说明
为了更清楚地说明本发明的技术方案,下面将对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发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为面向风光氢储充综合能源的时空联合运行优化方法流程图;
图2为面向风光氢储充综合能源的时空联合运行优化方法示例流程图;
图3为电动汽车充电运行优化方法示例流程图。
具体实施方式
本发明提供的面向风光氢储充综合能源的时空联合运行优化方法是应用综合能源系统,综合能源系统涉及风电、光伏以及氢能等发电方式,将发的电进行储能,储能方式可以为储能电池和氢燃料电池等等,实现分布式电源、快充桩和慢充桩等充电设施用电,也可以供电气热等用能负荷供电。本方法不限定具体的使用地理位置,并可以结合日前能量调度、多能流优化和多事件触发校正的综合能源系统时空联合优化运行方法,采用深度学习方法在线更新事件触发条件,不断优化系统运行状态,有效降低运行损耗,提高经济效益。
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1所示是一具体实施例中面向风光氢储充综合能源的时空联合运行优化方法的流程图,图2是本实施例的一个示例图。
方法包括:
S1:获取初始化状态信息。
具体来讲,初始化状态信息可以包括源负荷预测数据、能源价格、优化目标、约束、求解算法、预置事件等。当然基于风光氢储充综合能源系统中实际运行的状态,还可以包括:电动汽车的电池容量、初始SOC、额定电压、充电持续时间、电网许可以及能量调度的变量信息。具体的状态信息这里不做限定,可以根据实际使用工况进行设置。
S2:获取实时运行的状态信息,根据历史状态信息和事件触发参数,识别当前事件类型和触发策略。
对于本发明来讲,配置有总线线路,总线线路连接储能电池的输出端和氢燃料电池的输出端。总线线路上连接有多个支路线路。而总线线路、储能电池、氢燃料电池、多个支路线路以及支路线路上的节点构成了一套风光氢储充综合能源系统。本发明中所述的系统,均指代风光氢储充综合能源系统。
示例性的讲,系统中定义每个支路线路和支路所对应节点的放电功率、放电电压、温度和放电电流。
本实施例可以获取系统实时运行的状态信息可以是获取各个支路线路上的放电功率、放电电压、温度和放电电流,以及支路节点上的放电功率、放电电压、温度和放电电流。支路节点可以对应的是各个充电桩,以及对外供电设备等等,获取各个充电桩,以及对外供电设备的电流,电压等信息。
为了获悉到当前各个支路节点的状态是否正常,是否出现异常,这里可以通过调取历史状态信息来进行比对,如果状态信息的波动,或者运行状态超出历史状态信息,则可以作为触发事件,提醒当前支路节点异常,需要进行处理。当前事件类型可以是电流过大,或者充电温度过高,或者充电超时,或充电预存资金不足等等。
作为本实施例的一种具体示例,事件类型包括如下事件类型:
一级事件:不确定性导致的运行的状态信息的偏差达到第一预设阈值范围,通过能流计算,调整并网变压器、储能电池和氢燃料电池的输出功率,使系统恢复稳定状态。
二级事件:不确定性导致的运行的状态信息的偏差达到第二预设阈值范围,基于日前调度计划,通过时空双环优化的目标函数求解,调整并网变压器、储能电池和氢燃料电池的输出功率,使系统恢复稳定状态。
三级事件:不确定性导致的运行的状态信息的偏差达到第三预设阈值范围,重新制定日前调度计划,通过时空双环优化的目标函数求解,调整全部供能设备、储能电池和氢燃料电池的输出功率,使系统恢复稳定状态。
可以看出上述一级事件为可控范围内的异常,可以对系统内部的运行参数进行调节。二级事件相比一级事件更为严重,需要进行时空双环优化的目标函数计算来实现调节参数,使系统恢复稳定状态。三级事件相比一级事件和二级事件更为严重,需要重新制定相关信息才能满足系统正常运行。当然这里的需要数据,这里不做限定。
本实施例系统的运行偏差状态,由偏差节点数量、各节点偏差幅值、各节点经济损失构成,通过日前调度计划、当前能流状态、源荷预测数据、实时源荷数据计算所得。这些数据均可以通过本领域常用的神经网络学习模型的在线训练数据,其中,系统的运行偏差状态为输出量,其他为输入量。
S3:基于时空双环优化的目标函数对系统的能量进行调度优化。
对于上述运行过程,本实施例主要突出的是基于时空双环优化的目标函数对系统的能量进行调度优化,使本实施例的识别当前事件类型和触发策略,能够满足当前不断变化的使用需求。
根据本申请的实施例,可以先基于如下公式定义每个支路线路和支路所对应节点的放电功率、放电电压、温度和放电电流,作为事件触发参数。
其中,是总线线路的电压,/>是从总线线路i到每个支路线路j的电流;/>的含义为:储能电池电化学反应的最大反应速率;/>的含义为:状态变量;/>的含义为:状态变量的变化;/>的含义为:氢燃料电池的出力(kW);/>的含义为:氢燃料电池的额定功率(kW);/>的含义为:节点电压下限;/>的含义为:节点电压上限;/>的含义为:支路电流下限;/>的含义为:支路电流上限。
本实施例的时空双环优化的目标函数表示为:
其中,是日能源计划的优化目标,/>是电网的有功功率,/>是电网的无功功率,/>是最优能量流的优化目标。/>储能电池的电力价格。/>的含义为:电网供电价格(CNY/kW/h);/>的含义为:氢燃料电池氢气流量(kW);/>的含义为:氢供能的价格(CNY/kW/h);/>的含义为:充电桩的输出功率(kW);/>的含义为:充电桩供电价格(CNY/kW/h);的含义为:储能电池的出力(kW),当/>时表示储能电池消耗电能,反之表示储能电池输出电能;/>的含义:储能系统供能的价格(CNY/kW/h)。
储能电池在充电状态下,定义为电力负载;储能电池在放电状态下,定义为电源;具体表示为:
其中,是节点的功率需求,/>是支路线路和转换器中的功率损耗,/>的含义为:热泵输入功率(kW),/>的含义为:充电桩的输出功率(kW)。
的含义为:风机出力(kW),/>的含义为:太阳能电板出力(kW),/>的含义为:氢燃料电池的出力(kW),/>的含义为:储能电池的出力(kW),当/>时表示储能电池消耗电能,反之表示储能电池输出电能。
作为一个事件触发的示例,事件触发参数包括:吸收式制冷机的热输入不超过氢燃料电池的热输出。方程和不等式表示为:
其中,是节点的热需求,/>是支路中的热损失,/>的含义:氢燃料电池产热量(kW),/>的含义:热泵的热功率(kW),/>表示其正在制冷,反之表示制热,/>的含义:吸收式制冷机的输入功率(kW)。
冷能流的能量平衡方程是冷输出的总和等于冷负荷和损耗的总和,方程式表示为:
的含义:吸收式制冷机的输出功率(kW)。
氢能量流的能量平衡方程是氢源的总和等于冷负荷和损耗的总和,方程式表示为:
式中,为来自加氢站的氢气流量,/>为节点的氢气需求量,/>为支路中的氢气损失,/>的含义:氢燃料电池氢气流量(kW)。
时空双环优化的目标函数还满足交流和直流电路的功率流约束。其中,支路电压的平方表示为:/>
式中, 和/>分别为支路电阻、支路电抗和支路电流的平方、母线电压的平方、支路有功功率和无功功率。/>的含义为支路上的任意节点。
S4:根据能量调度优化结果,设置储能电池的运行参数和氢燃料电池的运行参数,并按照设置的运行参数监控储能电池和氢燃料电池的运行状态,以及监控电动汽车的状态信息。
S5:将当前运行的状态信息作为历史数据提供给深度学习模型,识别并更新事件触发参数。
深度学习模型可以使用常规多层神经网络,比如多层神经网络BP算法、CNN(卷积神经网络)、RNN(循环神经网络)、Transformer(注意力机制)等等。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
进一步的,作为上述实施例具体实施方式的细化和扩展,为了完整说明本实施例中的具体实施过程,提供一个具体的面向风光氢储充综合能源的时空联合运行优化方法实施例来充分说明本发明的实现方式。
下面以电动汽车充电桩为例,说明面向风光氢储充综合能源的时空联合运行优化方法。车桩交互模型如图3所示,具体步骤包括:
S101:电动汽车连接到充电桩,充电站的充电控制终端获取所述电动汽车的初始信息。初始信息包括:电池容量、初始SOC、额定电压、充电持续时间、电网许可、充电目标等。
S102:充电控制终端根据初始信息计算充电费用,并发送到电动车辆,进行展示。这里相当于是获取系统实时运行的状态信息。
S103:如得到确定信息,则开始充电。
S104:充电执行过程中,充电控制终端基于时空双环优化的目标函数对充电策略进行配置,调度优化充电状态。
S105:充电控制终端基于输出功率的约束条件调整输出功率和电压,以匹配充电能量流。
根据本实施例的上述方法,充电站可以根据初始信息计算充电服务费的价格,并发送到电动车辆。如果电动汽车同意,则开始充电,否则应重置部分初始信息。收费价格公式表示为:
其中,、/>,和/>分别是电动汽车的平均充电功率(kW)、储能电池的电池容量(kWh)和充电持续时间(h),/>是连接时的初始充电状态,/>是断开时的目标充电状态,/>是充电桩的容量(kW),/>和/>分别是来自充电桩和电网的电力价格(元/kW/h)。
充电开始时,基于时空双环优化的目标函数对充电策略进行配置,调度优化充电状态。系统根据充电和放电策略实时向充电桩发送功率和电压参数。
功率和电压参数的公式表示为:
其中,是最大充电和放电功率,/>是最小充电和放电功率,/>是最大充电和放电电压,/>是最小充电和放电电压,/>是储能电池的剩余电量,/>是充电起始和充电截止的差值,/>,是储能电池的电池容量,/>是储能电池电化学反应的最大反应速率;charging表示充电状态,discharging表示非充电状态。
充电站使用这些参数作为上限来调整输出功率和电压,以匹配集成能源系统的最佳能量流。也就是说根据匹配集成能源系统的最佳能量流结果,设置充电站中如具有储能电池和氢燃料电池等储能设备,按照匹配集成能源系统的最佳能量流输出运行,并监控电动汽车的状态信息。
同时,系统还可以重置功率转换器的操作参数,以控制电动汽车的功率输入,直到充电时间结束。
充电桩输出功率的约束条件表示为:
其中,是充电桩的充电和放电功率,/>是充电桩在该充电持续时间期间的平均功率输出(kW)。
本发明涉及的面向风光氢储充综合能源的时空联合运行优化方法建立了充电站与电动汽车的全工况模型和交互模型。结合了日前能量调度、多网络最优能流和多事件触发校正三种方法。提供了事件类型和能流校正策略,并利用深度学习方法识别事件触发参数,设置实时最优能流的计算约束。可降低充电桩的运行成本。而且定时触发的能流校正策略,降低了系统的计算量,进而是的运行成本降低。
Claims (6)
1.一种面向风光氢储充综合能源的时空联合运行优化方法,其特征在于,方法包括如下步骤:
S1:获取初始化状态信息;
S2:获取实时运行的状态信息,根据历史状态信息和事件触发参数,识别当前事件类型和触发策略;
S3:基于时空双环优化的目标函数对能量进行调度优化;
所述时空双环优化的目标函数表示为:
其中,是日能源计划的优化目标,/>为电网的有功功率,/>是电网的无功功率,/>是最优能量流的优化目标;/>为电网供电价格,/>为氢燃料电池氢气流量,/>为氢供能的价格,/>为充电桩的输出功率,/>为充电桩供电价格,/>为储能电池的出力;/>为储能电池供能的价格;当/>时表示储能电池消耗电能,反之表示储能电池输出电能;
储能电池在充电状态下,定义为电力负载;储能电池在放电状态下,定义为电源;
具体表示为:
其中,是节点的功率需求,/>是支路线路和转换器中的功率损耗,/>是热泵输入功率,/>是充电桩的输出功率;/>是电网的有功功率,/>是风机出力,/>是太阳能电板出力,/>是氢燃料电池的出力,/>是储能电池的出力,当/>时表示储能电池消耗电能,反之表示储能电池输出电能;
所述事件触发参数包括:吸收式制冷机的热输入不超过氢燃料电池的热输出;方程和不等式表示为:
其中,是节点的热需求,/>是支路中的热损失;/>是氢燃料电池产热量;/>是热泵的热功率;/>表示其正在制冷,反之表示制热;/>是吸收式制冷机的输入功率;
冷能流的能量平衡方程是冷输出的总和等于冷负荷和损耗的总和,方程式表示为:
是吸收式制冷机的输出功率;
氢能量流的能量平衡方程是氢源的总和等于冷负荷和损耗的总和,方程式表示为:
式中,为来自加氢站的氢气流量,/>为节点的氢气需求量;/>为支路中的氢气损失;/>为氢燃料电池氢气流量;
时空双环优化的目标函数还满足交流和直流电路的功率流约束,支路电压的平方表示为:/>
式中, 和/>分别为支路电阻、支路电抗和支路电流的平方、母线电压的平方、支路有功功率和无功功率;/>为支路上的任意节点;
S4:根据能量调度优化结果,设置储能电池的运行参数和氢燃料电池的运行参数,并按照设置的运行参数监控储能电池和氢燃料电池的运行状态,以及监控电动汽车的状态信息;
S5:将当前运行的状态信息作为历史数据提供给深度学习模型,识别并更新事件触发参数。
2.根据权利要求1所述的面向风光氢储充综合能源的时空联合运行优化方法,其特征在于,步骤S1中的所述初始化状态信息包括:电动汽车的电池容量、初始SOC、额定电压、充电持续时间、电网许可以及能量调度的变量信息。
3.根据权利要求2所述的面向风光氢储充综合能源的时空联合运行优化方法,其特征在于,步骤S1中的所述能量调度的变量信息包括:储能电池充电电量信息、放电电量信息以及氢燃料电池输出电量信息。
4.根据权利要求3所述的面向风光氢储充综合能源的时空联合运行优化方法,其特征在于,方法中配置有总线线路,总线线路连接储能电池的输出端和氢燃料电池的输出端;总线线路上连接有多个支路线路。
5.根据权利要求4所述的面向风光氢储充综合能源的时空联合运行优化方法,其特征在于,定义每个支路线路上节点的放电功率、放电电压、温度和放电电流。
6.根据权利要求1所述的面向风光氢储充综合能源的时空联合运行优化方法,其特征在于,步骤S2中的所述事件类型包括如下事件类型:
一级事件:不确定性导致的运行的状态信息的偏差达到第一预设阈值范围,通过能流计算,调整并网变压器、储能电池和氢燃料电池的输出功率,使系统恢复稳定状态;
二级事件:不确定性导致的运行的状态信息的偏差达到第二预设阈值范围,基于日前调度计划,通过时空双环优化的目标函数求解,调整并网变压器、储能电池和氢燃料电池的输出功率,使系统恢复稳定状态;
三级事件:不确定性导致的运行的状态信息的偏差达到第三预设阈值范围,重新制定日前调度计划,通过时空双环优化的目标函数求解,调整全部供能设备、储能电池和氢燃料电池的输出功率,使系统恢复稳定状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410022197.2A CN117556549B (zh) | 2024-01-08 | 2024-01-08 | 一种面向风光氢储充综合能源的时空联合运行优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410022197.2A CN117556549B (zh) | 2024-01-08 | 2024-01-08 | 一种面向风光氢储充综合能源的时空联合运行优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117556549A CN117556549A (zh) | 2024-02-13 |
CN117556549B true CN117556549B (zh) | 2024-04-19 |
Family
ID=89813107
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410022197.2A Active CN117556549B (zh) | 2024-01-08 | 2024-01-08 | 一种面向风光氢储充综合能源的时空联合运行优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117556549B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018059096A1 (zh) * | 2016-09-30 | 2018-04-05 | 国电南瑞科技股份有限公司 | 一种多类电源发电计划组合决策方法及存储介质 |
CN110417006A (zh) * | 2019-07-24 | 2019-11-05 | 三峡大学 | 考虑多能协同优化的综合能源系统多时间尺度能量调度方法 |
CN110518570A (zh) * | 2019-07-03 | 2019-11-29 | 浙江工业大学 | 一种基于事件驱动型自动需求响应的户用多微网系统优化控制方法 |
WO2020143104A1 (zh) * | 2019-01-08 | 2020-07-16 | 南京工程学院 | 一种考虑阻塞和储能分时电价的电网混合滚动调度方法 |
CN114243795A (zh) * | 2021-11-16 | 2022-03-25 | 国网辽宁省电力有限公司经济技术研究院 | 一种典型充电站综合能源协同交互优化配置方法及系统 |
WO2022142392A1 (zh) * | 2020-12-28 | 2022-07-07 | 国网天津市电力公司电力科学研究院 | 一种移动储能时空联合优化调度策略的制定方法 |
CN114971372A (zh) * | 2022-06-16 | 2022-08-30 | 太原理工大学 | 基于需求响应的微能网多时空尺度优化调度方法 |
WO2023274425A1 (zh) * | 2021-06-28 | 2023-01-05 | 国网甘肃省电力公司电力科学研究院 | 一种风光水火储系统的多能容量优化配置方法 |
CN117096868A (zh) * | 2023-08-28 | 2023-11-21 | 华北电力大学(保定) | 一种考虑多种柔性负荷和电动汽车的微电网能量调度方法 |
CN117254491A (zh) * | 2023-09-08 | 2023-12-19 | 北方工业大学 | 一种风光氢储微网系统时域滚动优化方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113393054B (zh) * | 2021-07-05 | 2023-11-24 | 华北电力大学 | 一种风储联合系统的优化调度方法及优化调度系统 |
-
2024
- 2024-01-08 CN CN202410022197.2A patent/CN117556549B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018059096A1 (zh) * | 2016-09-30 | 2018-04-05 | 国电南瑞科技股份有限公司 | 一种多类电源发电计划组合决策方法及存储介质 |
WO2020143104A1 (zh) * | 2019-01-08 | 2020-07-16 | 南京工程学院 | 一种考虑阻塞和储能分时电价的电网混合滚动调度方法 |
CN110518570A (zh) * | 2019-07-03 | 2019-11-29 | 浙江工业大学 | 一种基于事件驱动型自动需求响应的户用多微网系统优化控制方法 |
CN110417006A (zh) * | 2019-07-24 | 2019-11-05 | 三峡大学 | 考虑多能协同优化的综合能源系统多时间尺度能量调度方法 |
WO2022142392A1 (zh) * | 2020-12-28 | 2022-07-07 | 国网天津市电力公司电力科学研究院 | 一种移动储能时空联合优化调度策略的制定方法 |
WO2023274425A1 (zh) * | 2021-06-28 | 2023-01-05 | 国网甘肃省电力公司电力科学研究院 | 一种风光水火储系统的多能容量优化配置方法 |
CN114243795A (zh) * | 2021-11-16 | 2022-03-25 | 国网辽宁省电力有限公司经济技术研究院 | 一种典型充电站综合能源协同交互优化配置方法及系统 |
CN114971372A (zh) * | 2022-06-16 | 2022-08-30 | 太原理工大学 | 基于需求响应的微能网多时空尺度优化调度方法 |
CN117096868A (zh) * | 2023-08-28 | 2023-11-21 | 华北电力大学(保定) | 一种考虑多种柔性负荷和电动汽车的微电网能量调度方法 |
CN117254491A (zh) * | 2023-09-08 | 2023-12-19 | 北方工业大学 | 一种风光氢储微网系统时域滚动优化方法及系统 |
Non-Patent Citations (6)
Title |
---|
Multi-energy flow cooperative dispatch for generation, storage, and demand in integrated energy systems with dynamic correction;Haoran Li;《Sustainable Cities and Society》;20211024;全文 * |
农村光-氢-沼储能综合能源系统建模与鲁棒优化调度;王瑞琪;《中国电力》;20230531;第56卷(第5期);全文 * |
基于时空双尺度的电动汽车充放电优化调度方案;马金祥;范新南;吴志祥;蔡昌春;;电气应用;20151220(第24期);全文 * |
电动汽车-风储混合系统联合运行的日内优化调度模型;孙波;董浩;陈纲;刘爱兵;李士动;;可再生能源;20180716(第07期);全文 * |
计及燃料电池热–电综合利用的能源网日前调度优化策略;随权;《中国电机工程学报》;20190320;第39卷(第6期);全文 * |
计及需求响应的微能网综合能源多时空尺度优化调度;秦文萍;《上海交通大学学报》;20231231;第57卷(第12期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117556549A (zh) | 2024-02-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109713696B (zh) | 考虑用户行为的电动汽车光伏充电站优化调度方法 | |
Nguyen et al. | Dynamic demand control of electric vehicles to support power grid with high penetration level of renewable energy | |
Yao et al. | Determination of short-term power dispatch schedule for a wind farm incorporated with dual-battery energy storage scheme | |
CN105846418B (zh) | 一种孤岛型微电网实时调度能量管理系统 | |
Purvins et al. | Application of battery-based storage systems in household-demand smoothening in electricity-distribution grids | |
CN111293691A (zh) | 基于模型预测控制的微电网多时间尺度优化调度方法 | |
US20220085612A1 (en) | Electric power system, server, charge-and-discharge controller, and power demand-and-supply adjustment method | |
CN110729726B (zh) | 一种智慧社区能量优化调度方法和系统 | |
US20230294544A1 (en) | Method of Controlling of Battery Energy Storage System of Power System with High Dynamic Loads | |
Tran et al. | Energy management and dynamic control in composite energy storage system for micro-grid applications | |
Sorour et al. | Forecast-based energy management for domestic PV-battery systems: A UK case study | |
CN107834574B (zh) | 一种分布式能源系统与电网交换功率的控制方法 | |
Dahmane et al. | Decentralized control of electric vehicle smart charging for cost minimization considering temperature and battery health | |
CN109950900B (zh) | 基于电动汽车负荷最小峰值模型的微网负荷削减控制方法 | |
CN115313516A (zh) | 一种光伏发电和储能微电网结合的随机优化运行策略 | |
CN117556549B (zh) | 一种面向风光氢储充综合能源的时空联合运行优化方法 | |
Penangsang et al. | Operation optimization stand-alone microgrid using firefly algorithm considering lifetime characteristics of battery | |
CN114188980B (zh) | 一种考虑储能装置的透明微网群经济运行域生成方法 | |
Dahmane et al. | Coordinated charging of large electric vehicle fleet in a charging station with limited transformer power | |
Tutkun et al. | Design of a PV Powered Charging Station for PHEVs | |
CN115933548A (zh) | 一种考虑管网模型的电热综合能源系统模型预测控制方法 | |
Zidane et al. | A new fuzzy logic solution for energy management of hybrid photovoltaic/battery/hydrogen system | |
CN111404155B (zh) | 一种基于对侧变电站运行状态的储能电站运行控制方法 | |
Bampoulas et al. | A novel dynamic demand control of an electric vehicle integrated in a solar nanogrid with energy storage | |
Yu et al. | A Two-stage Model Predictive Control Strategy for Economical Operation of Microgrid |
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 |