考虑含有新能源电动汽车的多微电网协调优化调度方法与流程
本发明涉及一种多微电网协调优化调度方法，尤其涉及一种结合新能源电动汽车的多微电网协调优化调度方法，属于电力系统自动化调度技术领域。
背景技术：
随着分布式电源、分布式储能装置、插电式电动汽车等新能源技术的飞速发展，微电网系统得到了广泛的应用。一方面，微电网可以将一个区域内的分布式电源、储能和负荷设备整合起来组成一个小型的能独立运行的电力网系统，很大程度上缓解了大量分布式电源接入大电网带来的各种负面效果，从而带来了可观的经济效益和环境效益。另一方面，由于微电网内部分布式电源、负荷种类的多样性给微电网的安全稳定运行和经济优化调度带来了不小的难题。
插电式电动汽车作为一种特殊的负荷设备因其具有环保、节能的特点近年来受到了广泛关注。插电式电动汽车可以通过充电桩接入微电网，然后通过调整自身充放电行为配合微电网协调运行。目前大部分研究都集中在利用电动汽车减少配电网中分布式能源的出力波动和微电网自身能量管理优化，但是并未涉及电动汽车参与多微电网系统的优化调度问题。另外，在传统多微电网系统优化调度过程中，很少考虑微电网内部分布式电源出力的不确定性，以及电动汽车侧对用电方式和电价的满意程度，造成优化策略考虑不足，无法在实际运行中使整个系统的效益达到最大化。
综上所述，如何提供一种考虑含有新能源电动汽车的多微电网协调优化调度方法，就成为本领域技术人员亟待解决的问题。
技术实现要素：
本发明是针对含有新能源电动汽车的多微电网系统，通过分时电价引导调控电动汽车充放电行为，科学处理电动汽车和微电网之间的交互关系，实现新能源的有效利用、微电网之间的资源互补以及多微电网系统整体效益最大化，提供的一种考虑含有新能源电动汽车的多微电网协调优化调度方法。
本发明的技术解决方案是：
一种考虑含有新能源电动汽车的多微电网协调优化调度方法，包括如下步骤：
s1：将新能源电动汽车接入微电网，并建立电动汽车层优化模型，所述电动汽车层优化模型包括电动汽车侧优化目标及电动汽车充放电约束；
s2：基于基础的负荷预测曲线、电动汽车的参数及分时电价，经过所述电动汽车层优化模型，得到包含电动汽车参与微电网调度情况下新的系统负荷数据；
s3：对光伏和风机出力预测数据进行不确定性分析，得出出力不确定性分析数据，所述出力不确定性分析数据包括多微电网系统内光伏出力范围、多微电网系统内风机的出力范围，每个微电网内储能装置的储能情况、及每个微电网内分布式电源当前的运行状态；
s4：建立多微电网层优化调度模型，并将步骤s3中的得到的出力不确定性分析数据、及步骤s2中的包含电动汽车参与微电网调度情况下新的系统负荷数据均通过多微电网层优化调度模型调度，得到多个更安全稳定的微电网；
s5：基于步骤s4中的多微电网层优化调度模型，采用粒子群算法进行多个微电网协调优化调度，得到兼顾微电网侧和电动汽车侧不同优化目标下的多微电网协调优化调度方法。
优选地，所述步骤s1中的电动汽车侧优化目标为：
minsev＝-(λ1η+λ2θ)，
其中，
其中，式中λ1、λ2为权重比例；η为电动汽车参与调度计划后对用电方式改变的满意程度；θ为电动汽车参与调度计划后对电价的满意度；lbefore(p)和lafter(p)分别为参与调度后前后电动汽车日负荷大小，通过负荷变化程度的大小体现电动汽车用电满意度；q(pbefore)为参与调度前电动汽车电费支出；q(pafter)为参与调度后的电费支出；ldis(p)为参与调度的电动汽车部分共享电量；price(t)为分时电价。
优选地，所述分时电价为：
式中p-1、p0、p+1分别为负荷谷时、平时、峰时电价；tgstart和tgend为谷时电价开始和结束时间；tfstart和tfend为峰时电价开始结束时间。
优选地，所述电动汽车充放电约束为：
式中pch,min、pch,max分别为电动汽车允许的充电最小值与充电最大值；pdis,min、为pdis,max分别为电动汽车允许的放电最小值、放电最大值；pev(t)为电动汽车当前容量大小；socev为电动汽车充放电程度上下限。
优选地，所述步骤s3中对光伏和风机出力预测数据进行不确定性分析的方法包括：
s31：将光照强度及风速的真实数据与预测值的偏差几率视为正态分布，
其中，δwt为风速的实际值与预测值的误差，δpv为光照强度的实际值与预测值的误差，δ为正态分布函数的标准差；
s32：设置采样次数为m，分别将各个微电网内的n个太阳能电池或风机所处位置的光照强度、风速用随机变量x1，x2，x3，...，xn表示，相应xn的最终概率分布是tn＝fn(xn)，tn的取值范围是0到1，在0-1之间取m等份，在每一份中随机取值得到tn,m，则xn的第m次采样数值xn,m满足tn,m＝fn,m(xn,m),通过这个函数可以得到
s33：对于个体n经过步骤s32中的采样结束后得到一个大小为n×m的矩阵，采用cholesky分解法对采样得到的矩阵进行调整得到m个场景；
s34：合并步骤s33中m个场景中的类似场景，然后通过拉丁超立方采样，得出光伏和风机预测曲线。
优选地，所述步骤s4中的多微电网层优化调度模型包括多微电网系统线路损耗、多微电网系统负荷波动、微电网运行综合成本、微电网优化调度目标、及微电网约束条件。
优选地，所述多微电网系统线路损耗wloss的表达式为：
其中，rl为相应线路的电阻值，pl,t、ql,t、vl,t分别为相应线路中的有功功率、无功功率及线路上的电压值；
所述多微电网系统线路损耗zload的表达式为：
其中，l为线路总数；t为总的调度时间段；ldt为该时间段的基础负荷；lev,t为电动汽车参与后的负荷；lav为负荷平均值；
所述微电网运行综合成本cmg的表达式为：
其中fg-i(t)为微电网的发电成本，表达式为
所述微电网运行综合成本及微电网优化调度目标为：
minsmg＝β1wloss+β2zload+β3cmg，
式中β1、β2、β3为相对应的权值系数；wloss为多微电网系统线路损耗；zload为多微电网系统负荷波动；cmg为微电网运行综合成本。
优选地，所述微电网约束条件包括功率平衡约束、爬坡约束及储能装置使用约束；
所述功率平衡约束为：∑pmt-i(t)+ppv-i(t)+pev-i(t)+pwt-i(t)+pess-i(t)＝pload-i(t)，式中pwt-i,t为微电网内风机发电量，pmt-i,t为微电网微型燃气轮机发电量，ppv-i,t为微电网光伏发电量，pev-i,t为微电网内可调度的新能源汽车电量，pess-i,t为微电网内储能可用电量，pload-i,t为微电网当前时间负荷预测值；
所述爬坡约束为：
式中pup,i,k为微电网i中分布式电源k的爬升功率，pdown,i,k为对应的下降功率；
所述储能装置使用约束为：
式中ess(t)为储能装置当前容量，essmin、essmax分别为储能装置健康运行允许的最低容量和最大容量。
优选地，所述步骤s5中的粒子群算法是将每个参与优化的参数作为抽象空间中的粒子位置，并给每个粒子赋予一个自生移动速度，将以需要优化的目标函数作为适应度指标，每次迭代空间中的粒子会按照自己的速度方向和步长来进行移动，通过比较每次移动后的目标函值得到一个局部式中的惯性权重，并得到一个局部最优解，在所有局部最优解中得到当前全局最优解，然后进行下一步迭代，更新粒子位置和粒子速度进行下一轮对比，粒子每次迭代计算都要从新计算新的适应度数值，更新粒子位置和粒子速度，最终经过数次迭代得到相应目标函数的最佳值；更新迭代的表达式为：
其中，
优选地，所述粒子位置迭代与粒子速度迭代的表达式为：
式中α为惯性权重，c1、c2为学习因子、b1、b2通常为非负常数且范围为[0,1]的随机数。
与现有技术相比，本发明具有如下优点：
本发明提出一种考虑电动汽车参与的多微电网优化调度方法，充分考虑电动汽车充放电行为对微电网调度带来的影响，细化了多微电网优化调度模型，并针对新能源电动汽车大量接入微电网的情况，综合考虑了微电网侧和电动汽车侧两者不同的优化决策目标以及微电网内部的分布式电源出力不稳定性影响，通过电动汽车层优化模型及微电网层优化调度模型双层规划和负荷、发电预测，在满足约束条件的前提下实现了多微电网系统整体效益的最大化，更好的实现了多微电网系统的安全稳定运行和促进多微电网系统消纳新能源的目的，同时避免了传统优化算法只能有一个优化主体的缺陷。
以下便结合实施例附图，对本发明的具体实施方式作进一步的详述，以使本发明技术方案更易于理解、掌握。
附图说明
图1为本发明的流程图。
具体实施方式
一种考虑含有新能源电动汽车的多微电网协调优化调度方法，包括如下步骤：
s1：将新能源电动汽车接入微电网，并建立电动汽车层优化模型，所述电动汽车层优化模型包括电动汽车侧优化目标及电动汽车充放电约束；
进一步地，电动汽车侧优化目标为：
minsev＝-(λ1η+λ2θ)，
其中，
其中，式中λ1、λ2为权重比例；η为电动汽车参与调度计划后对用电方式改变的满意程度；θ为电动汽车参与调度计划后对电价的满意度；lbefore(p)和lafter(p)分别为参与调度后前后电动汽车日负荷大小，通过负荷变化程度的大小体现电动汽车用电满意度；q(pbefore)为参与调度前电动汽车电费支出；q(pafter)为参与调度后的电费支出；ldis(p)为参与调度的电动汽车部分共享电量；price(t)为分时电价。
更进一步地，分时电价为：
式中p-1、p0、p+1分别为负荷谷时、平时、峰时电价；tgstart和tgend为谷时电价开始和结束时间；tfstart和tfend为峰时电价开始结束时间。
电动汽车充放电约束为：
式中pch,min、pch,max分别为电动汽车允许的充电最小值与充电最大值；pdis,min、为pdis,max分别为电动汽车允许的放电最小值、放电最大值；pev(t)为电动汽车当前容量大小；socev为电动汽车充放电程度上下限。
s2：基于基础的负荷预测曲线、电动汽车的参数及分时电价，经过所述电动汽车层优化模型，得到包含电动汽车参与微电网调度情况下新的系统负荷数据；
s3：对光伏和风机出力预测数据进行不确定性分析，得出不确定性分析数据，所述不确定性分析数据包括多微电网系统内光伏出力范围、多微电网系统内风机的出力范围，每个微电网内储能装置的储能情况、及每个微电网内分布式电源当前的运行状态；
在本发明的技术方案中，对光伏和风机出力预测数据进行不确定性分析的方法包括：
s31：将光照强度及风速的真实数据与预测值的偏差几率视为正态分布，
其中，δwt为风速的实际值与预测值的误差，δpv为光照强度的实际值与预测值的误差，δ为正态分布函数的标准差；
s32：设置采样次数为m，分别将各个微电网内的n个太阳能电池或风机所处位置的光照强度、风速用随机变量x1，x2，x3，...，xn表示，相应xn的最终概率分布是tn＝fn(xn)，tn的取值范围是0到1，在0-1之间取m等份，在每一份中随机取值得到tn,m，则xn的第m次采样数值xn,m满足tn,m＝fn,m(xn,m)，通过这个函数可以得到
s33：对于个体n经过步骤s32中的采样结束后得到一个大小为n×m的矩阵，采用cholesky分解法对采样得到的矩阵进行调整得到m个场景；
s34：合并步骤s33中m个场景中的类似场景，然后通过拉丁超立方采样，得出光伏和风机预测曲线。
s4：建立多微电网层优化调度模型，并将步骤s3中的得到的出力不确定性分析数据、及步骤s2中的包含电动汽车参与微电网调度情况下新的系统负荷数据通过多微电网层优化调度模型调度，并得到多个更安全稳定的微电网；
在本实施例中，多微电网层优化调度模型包括多微电网系统线路损耗、多微电网系统负荷波动、微电网运行综合成本、微电网优化调度目标、及微电网约束条件。
多微电网系统线路损耗wloss的表达式为：
其中，rl为相应线路的电阻值，pl,t、ql,t、vl,t分别为相应线路中的有功功率、无功功率及线路上的电压值；
所述多微电网系统线路损耗zload的表达式为：
其中，l为线路总数；t为总的调度时间段；ldt为该时间段的基础负荷；lev,t为电动汽车参与后的负荷；lav为负荷平均值；
所述微电网运行综合成本cmg的表达式为：
其中fg-i(t)为微电网的发电成本，表达式为
所述微电网运行综合成本及微电网优化调度目标为：
minsmg＝β1wloss+β2zload+β3cmg，
式中β1、β2、β3为相对应的权值系数；wloss为多微电网系统线路损耗；zload为多微电网系统负荷波动；cmg为微电网运行综合成本。
微电网约束条件包括功率平衡约束、爬坡约束及储能装置使用约束；
所述功率平衡约束为：∑pmt-i(t)+ppv-i(t)+pev-i(t)+pwt-i(t)+pess-i(t)＝pload-i(t)，式中pwt-i,t为微电网内风机发电量，pmt-i,t为微电网微型燃气轮机发电量，ppv-i,t为微电网光伏发电量，pev-i,t为微电网内可调度的新能源汽车电量，pess-i,t为微电网内储能可用电量，pload-i,t为微电网当前时间负荷预测值；
所述爬坡约束为：
式中pup,i,k为微电网i中分布式电源k的爬升功率，pdown,i,k为对应的下降功率；
所述储能装置使用约束为：
式中ess(t)为储能装置当前容量，essmin、essmax分别为储能装置健康运行允许的最低容量和最大容量。
s5：基于步骤s4中的多微电网层优化调度模型，采用粒子群算法进行多微电网协调优化调度，得到兼顾微电网侧和电动汽车侧不同优化目标下的多微电网协调优化调度方法。
粒子群算法是将每个参与优化的参数作为抽象空间中的粒子位置，并给每个粒子赋予一个自生移动速度，将以需要优化的目标函数作为适应度指标，每次迭代空间中的粒子会按照自己的速度方向和步长来进行移动，通过比较每次移动后的目标函值得到一个局部式中的惯性权重，并得到一个局部最优解，在所有局部最优解中得到当前全局最优解，然后进行下一步迭代，更新粒子位置和粒子速度进行下一轮对比，粒子每次迭代计算都要从新计算新的适应度数值，更新粒子位置和粒子速度，最终经过数次迭代得到相应目标函数的最佳值；更新迭代的表达式为：
其中，
粒子位置迭代与粒子速度迭代的表达式为：
式中α为惯性权重，c1、c2为学习因子、b1、b2通常为非负常数且范围为[0,1]的随机数。
以下用具体实施例说明本发明提供的考虑含有新能源电动汽车的多微电网协调优化调度方法：
s1：将新能源电动汽车接入微电网，并建立电动汽车层优化模型，所述电动汽车层优化模型包括电动汽车侧优化目标及电动汽车充放电约束；
插电式电动汽车具有节能环保的特点，近年来得到了很多关注，大量电动汽车接入电网就像当初分布式电源的兴起一样，会对电网的电能质量产生影响。将电动汽车接入微电网，利用电动汽车既能充电又能放电的双重特性，配合微电网的运行，在用电闲时作为负荷进行蓄能，在用电高峰期共享自身多余的电量，减轻微电网的负荷压力。同时，参与微电网调度计划必定会对电动汽车自身用电行为产生影响。在电动汽车层，以电动汽车侧利益最大化作为优化目标设置如下：
电动汽车侧优化目标为：
minsev＝-(λ1η+λ2θ)，
其中，
其中，式中λ1、λ2为权重比例；η为电动汽车参与调度计划后对用电方式改变的满意程度；θ为电动汽车参与调度计划后对电价的满意度；lbefore(p)和lafter(p)分别为参与调度后前后电动汽车日负荷大小，通过负荷变化程度的大小体现电动汽车用电满意度；q(pbefore)为参与调度前电动汽车电费支出；q(pafter)为参与调度后的电费支出；ldis(p)为参与调度的电动汽车部分共享电量；price(t)为分时电价。
分时电价为：
式中p-1、p0、p+1分别为负荷谷时、平时、峰时电价；tgstart和tgend为谷时电价开始和结束时间；tfstart和tfend为峰时电价开始结束时间。
每辆电动汽车在进行充放电操作时，充电功率和放电功率都必须在设备允许的安全范围内。为了不影响电池的使用寿命，电动汽车不能出现过充过放行为。
电动汽车充放电约束为：
式中pch,min、pch,max分别为电动汽车允许的充电最小值与充电最大值；pdis,min、为pdis,max分别为电动汽车允许的放电最小值、放电最大值；pev(t)为电动汽车当前容量大小；socev为电动汽车充放电程度上下限。
s2：基于基础的负荷预测曲线、电动汽车的参数及分时电价，经过所述电动汽车层优化模型，得到包含电动汽车参与微电网调度情况下新的系统负荷数据；
s3：对光伏和风机出力预测数据进行不确定性分析，得出不确定性分析数据，所述不确定性分析数据包括多微电网系统内光伏出力范围、多微电网系统内风机的出力范围，每个微电网内储能装置的储能情况、及每个微电网内分布式电源当前的运行状态；
自然环境下太阳光照强度和风速受当地环境因素影响，具有很大的不确定性，在本发明的技术方案中，对光伏和风机出力预测数据进行不确定性分析的方法包括：
s31：将光照强度及风速的真实数据与预测值的偏差几率视为正态分布，
其中，δwt为风速的实际值与预测值的误差，δpv为光照强度的实际值与预测值的误差，δ为正态分布函数的标准差；
s32：设置采样次数为m，分别将各个微电网内的n个太阳能电池或风机所处位置的光照强度、风速用随机变量x1，x2，x3，...，xn表示，相应xn的最终概率分布是tn＝fn(xn)，tn的取值范围是0到1，在0-1之间取m等份，在每一份中随机取值得到tn,m，则xn的第m次采样数值xn,m满足tn,m＝fn,m(xn,m),通过这个函数可以得到
s33：对于个体n经过步骤s32中的采样结束后得到一个大小为n×m的矩阵，采用cholesky分解法对采样得到的矩阵进行调整得到m个场景；
s34：合并步骤s33中m个场景中的类似场景，然后通过拉丁超立方采样，得出光伏和风机预测曲线。
通过拉丁超立方采样时，采样的场景数量越大最终结果越精确。但为了简化计算过程，可以合并类似的场景减少计算量。经过拉丁超立方采样后的光伏和风机预测曲线将更贴合实际运行情况。
s4：建立多微电网层优化调度模型，并将步骤s3中的得到的出力不确定性分析数据、及步骤s2中的包含电动汽车参与微电网调度情况下新的系统负荷数据通过多微电网层优化调度模型调度，并得到多个更安全稳定的微电网；
微电网层以整体微电网经济效益最佳为目标，在运行中要尽可能保证微电网安全稳定运行，充分利用多微电网之间的能源互补提高微电网层的整体收益。并针对目前新能源汽车的兴起制定相应的调度策略，让新能源汽车参与到微电网间的调度。风电、光电能源作为清洁能源，微电网在调度时最大限度利用风电和光电。电动汽车在微电网中作为一种可移动的特殊储能设备存在，既可以在峰时共享出多余的电量，又能够在谷时存储电量。
在本实施例中，多微电网层优化调度模型包括多微电网系统线路损耗、多微电网系统负荷波动、微电网运行综合成本、微电网优化调度目标、及微电网约束条件。
多微电网系统线路损耗wloss的表达式为：
其中，rl为相应线路的电阻值，pl,t、ql,t、vl,t分别为相应线路中的有功功率、无功功率及线路上的电压值；
所述多微电网系统线路损耗zload的表达式为：
其中，l为线路总数；t为总的调度时间段；ldt为该时间段的基础负荷；lev,t为电动汽车参与后的负荷；lav为负荷平均值；
所述微电网运行综合成本cmg的表达式为：
其中fg-i(t)为微电网的发电成本，表达式为
所述微电网运行综合成本及微电网优化调度目标为：
minsmg＝β1wloss+β2zload+β3cmg，
式中β1、β2、β3为相对应的权值系数；wloss为多微电网系统线路损耗；zload为多微电网系统负荷波动；cmg为微电网运行综合成本。
微电网约束条件包括功率平衡约束、爬坡约束及储能装置使用约束；
所述功率平衡约束为：∑pmt-i(t)+ppv-i(t)+pev-i(t)+pwt-i(t)+pess-i(t)＝pload-i(t)，式中pwt-i,t为微电网内风机发电量，pmt-i,t为微电网微型燃气轮机发电量，ppv-i,t为微电网光伏发电量，pev-i,t为微电网内可调度的新能源汽车电量，pess-i,t为微电网内储能可用电量，pload-i,t为微电网当前时间负荷预测值；
所述爬坡约束为：
式中pup,i,k为微电网i中分布式电源k的爬升功率，pdown,i,k为对应的下降功率；
所述储能装置使用约束为：
式中ess(t)为储能装置当前容量，essmin、essmax分别为储能装置健康运行允许的最低容量和最大容量。
s5：基于步骤s4中的多微电网层优化调度模型，采用粒子群算法进行多微电网协调优化调度，得到兼顾微电网侧和电动汽车侧不同优化目标下的多微电网协调优化调度方法。
粒子群算法是将每个参与优化的参数作为抽象空间中的粒子位置，并给每个粒子赋予一个自生移动速度，将以需要优化的目标函数作为适应度指标，每次迭代空间中的粒子会按照自己的速度方向和步长来进行移动，通过比较每次移动后的目标函值得到一个局部式中的惯性权重，并得到一个局部最优解，在所有局部最优解中得到当前全局最优解，然后进行下一步迭代，更新粒子位置和粒子速度进行下一轮对比，粒子每次迭代计算都要从新计算新的适应度数值，更新粒子位置和粒子速度，最终经过数次迭代得到相应目标函数的最佳值；更新迭代的表达式为：
其中，
粒子位置迭代与粒子速度迭代的表达式为：
式中α为惯性权重，c1、c2为学习因子、b1、b2通常为非负常数且范围为[0,1]的随机数，在本实施例中，粒子群种群大小设置为50，迭代次数设置为1000，将学习因子设置为1.75。
本发明针对含有新能源电动汽车的多微电网系统，通过分时电价引导调控电动汽车充放电行为，科学处理电动汽车和微电网之间的交互关系，实现新能源的有效利用、微电网之间的资源互补以及多微电网系统整体效益最大化。在多微电网的联合运行中采用这种调度方式，考虑了电动汽车侧的响应后，在满足电动汽车自身需求的情况下有效实现了负荷的峰谷转移，平滑了负荷曲线，减轻电网的供电压力。同时，在多微电网层面充分考虑了分布式电源的不稳定性，大大降低了因光伏和风机出力预测不准带来的偏差。在多微电网协同运行的过程中兼顾了微电网的安全稳定和经济效益，有效提高了微电网内部清洁能源的利用率，并降低了微电网的运行成本。
应该注意的是，上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。
- 还没有人留言评论。精彩留言会获得点赞！