计及灵活性储能调节的网-源-储-充协调优化调度方法

本发明涉及能源优化调度技术，更具体的说，是涉及一种计及灵活性储能调节的网-源-储-充协调优化调度方法。

背景技术：

1、我国作为能源消耗大国，发展大规模风电和光伏等新能源是我国的战略趋势。但由于间歇式新能源所固有的随机性、波动性和间歇性等特征，使得大规模新能源的发电特性难以满足接入电网的要求，制约着我国新能源的发展。

2、针对上述问题，理论研究和实践证明，储能技术的引入可以有效改善间歇式电源运行性能，提升电力系统调控能力，增强电网的适应能力。其中，电化学储能由于功率密度高、选址灵活、响应速度快等特点，已经成为现阶段各国研究机构的重点研究方向。同时，近年来移动式储能在配电网故障抢修、灾后供电保障、通信基站和政府、医院等领域的应急供电保障等方面展现出了很大的优势和发展潜力。然而，针对移动储能车与储能电站、风-光新能源发电等的集成优化问题研究，目前尚无相关的理论和技术作为支撑，仍处于起步阶段。

技术实现思路

1、本发明的目的是为了克服现有技术中的不足，提出了计及储能车空间移动属性的网-源-储-充双层优化方法，即一种计及灵活性储能调节的网-源-储-充协调优化调度方法，通过将遗传算法作为上层优化，将日内储能优化调度作为下层优化，开展网-源-储-充资源的协同策略研究。

2、本发明的目的是通过以下技术方案实现的。

3、本发明计及灵活性储能调节的网-源-储-充协调优化调度方法，包括以下过程：

4、第一步：在已知储能车的初始路网节点，以及存在充放电需求的配电网节点的前提下，得出储能车的所有初始调度方案；

5、第二步：根据储能车的初始电量、路网车流量情况及车速-流量实用模型，得到储能车从起始节点到达目标节点过程中行驶在每个路段所需的时间，并依照储能车行驶总时长最短的原则，建立路径选择优化模型；

6、第三步：根据路径选择优化模型，确定储能车行驶路径，根据储能车各类损耗数据，建立储能车行程耗能模型，得到储能车在每个路段的耗电量以及全程耗电量，进而得到储能车在行驶过程中的损耗成本；

7、第四步：计算储能车调度成本，包括初始充电成本和日内调度成本；

8、第五步：将各储能车初始调度方案对应的总调度成本作为遗传算法的适应度，利用遗传算法，得到总调度成本最低的储能车最优调度方案；其中，总调度成本包括损耗成本和储能车调度成本。

9、第二步中所述车速-流量实用模型：

10、

11、式中，vjlt表示在t时刻位于路网节点j与l之间的路段上的行车速度；vjl,max表示路网节点j与l之间路段的最大车辆行驶速度，设定为路段的车辆交通限速；ncr,jlt表示t时刻路网节点j与l之间路段上的车辆数；cjl表示路网节点j与l之间路段的车辆承载能力，其中承载能力表示为路段中能够承载的最大车辆数；a、b、n则为调节系数，根据道路的具体特点进行确定。

12、第二步中所述路径选择优化模型：

13、

14、式中，nroad表示在路网中的所有路段的集合；o和d分别表示交通道路图中某条调度路线的起始节点和目标节点；tk表示在从o到d的过程中在路段k的通行时间；route_i表示从o到d的第i条路径，其中i∈i，i表示从o到d所有可行路径的数量；表示从o到d的总出行时间。

15、第三步中所述储能车行程耗能模型：储能车在道路上行驶的损耗包括轮胎损耗、空气阻力损耗、能动系统损耗和辅助损耗；

16、轮胎阻力ffric和空气阻力faero采用如下经验式计算：

17、ffric+faero＝a+bv+cv2

18、式中，v为速度，单位为m/s；a、b、c分别为阻力参数；

19、能动系统损耗主要考虑储能车在加速状态下的损耗，加速所需的力facce表示为：

20、facce＝mmesames

21、式中，mmes为储能车的质量，单位为kg；ames表示储能车加速度，单位为m/s2；

22、因此，电动机处所需的力矩m为：

23、

24、式中，mcf是经换算后的空载力矩；r为轮胎半径，单位是m；ng和ηg分别表示传输系数比和传输效率；

25、储能车的角速度ω表示为：

26、

27、由此得到直流侧有功功率pdc如下：

28、

29、式中，ηm为电动机的效率；pfm为电动机的功率因数；ηinv为逆变器传输效率；paux为辅助损耗，本发明中取0.18kw。

30、第四步中首先根据储能车在初始节点的剩余电量及路网模型，判断储能车是否有初始充电成本；在储能车到达目标节点后，再根据实时电价情况，得到各初始调度方案下储能车的最优充放电操作及最低的日内调度成本。

31、所述路网模型采用经典图论方法来描述，利用代表道路权值的邻接矩阵d来描述各路段长度以及节点连接的关系。

32、所述储能车的最优充放电操作应满足储能车电量约束、储能车充放电功率约束、储能车调控时间约束；

33、①储能车电量约束

34、socmin≤soct≤socmax

35、式中，soct表示每辆储能车的实时荷电状态，socmin表示储能车电量的下限，socmax表示储能车电量的上限；

36、②储能车充放电功率约束

37、0≤pt≤pmax

38、式中，pt表示储能车充放电功率，pmax表示储能车的最大充放电功率；

39、③储能车调控时间约束

40、tin≤tdis≤tout

41、式中，tdis表示储能车调控时间，tin与tout分别表示储能车接入与接出电网的时间。

42、第五步中所述总调度成本包括损耗成本和储能车调度成本，如下式：

43、

44、式中，c代表n辆储能车的总调度成本，当总调度成本最小时，对应的储能车充放电操作即为最优充放电操作方案；c0i为第i辆储能车在其起始节点预先充电的成本；c1i为第i辆储能车在到达目标节点后的充电成本，该充电成本与储能车在行驶过程中的损耗成本有关，损耗成本越低该部分充电成本越低；c2i为第i辆储能车在对应节点的放电成本；c3i为第i辆储能车放电后，为保证第二天的调度，再次充电至电量阈值的充电成本；

45、c0i＝p0i*cp0i*t0i

46、式中，p0i表示第i辆储能车在其起始节点预先充电时刻的电价，cp0i表示第i辆储能车在其起始节点预先充电时刻的充电功率，t0i表示第i辆储能车在其起始节点以大小为cp0i的功率充电的时间；

47、c1i＝p1i*cp1i*t1i

48、式中，p1i表示第i辆储能车到达目标节点后进行充电时刻的电价，cp1i表示第i辆储能车到达目标节点后进行充电时刻的充电功率，t1i表示第i辆储能车到达目标节点后以大小为cp1i的功率充电的时间；

49、c2i＝p2i*dcp1i*t2i

50、式中，p2i表示第i辆储能车在对应节点放电时刻的电价，dcp1i表示第i辆储能车在对应节点放电时刻的放电功率，t2i表示第i辆储能车在对应节点以大小为dcp1i的功率放电的时间；

51、c3i＝p3i*cp2i*t3i

52、式中，p3i表示第i辆储能车最后充电时刻的电价，cp2i表示此时第i辆储能车最后充电时刻充电功率，t3i表示第i辆储能车以大小为cp2i的功率充电的时间。

53、第五步中所述遗传算法的计算过程：

54、1)设置某些节点拥有初始储能车资源及充放电需求，得到初始群体：储能车初始调度方案；

55、2)取适应度函数为各储能车初始调度方案对应的总调度成本；

56、3)设置交叉率和变异率分别为0.3和0.1，进行交叉和变异操作；

57、4)设置终止准则：储能车在某初始调度方案下，能否满足目标节点的充放电需求；

58、5)如果不满足终止准则，则转到步骤2)，否则转入下一步；

59、6)将适应度函数值最优的个体作为该问题的最优解输出

60、与现有技术相比，本发明的技术方案所带来的有益效果是：

61、(1)本发明在网-源-储-充协调优化调度过程中，充分考虑了储能车的空间移动特性，并综合路网模型、日内车流量情况和储能车的行程耗时、耗能模型等因素，得到储能车向目标节点调度的最优方案。

62、(2)本发明在储能车到达目标节点后，利用日内储能优化调度进行下层优化，得到最经济的储能车充放电调度方案，并综合考虑储能车在行驶过程中的损耗成本和日内储能优化调度成本，两部分成本共同构成遗传算法中的适应度函数。

63、(3)本发明得到适应度函数后，利用遗传算法进行上层优化。通过双层优化，得到使得总调度成本最低的储能车最优调度方案及日内充放电操作。该方法既保证了目标节点的充放电需求得到满足，又同时使得储能车调度成本最低。