CN111626527B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN111626527B CN111626527B CN202010522503.0A CN202010522503A CN111626527B CN 111626527 B CN111626527 B CN 111626527B CN 202010522503 A CN202010522503 A CN 202010522503A CN 111626527 B CN111626527 B CN 111626527B
- Authority
- CN
- China
- Prior art keywords
- charging
- electric automobile
- power
- day
- scheduling
- 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
- 238000007599 discharging Methods 0.000 title claims abstract description 66
- 238000013135 deep learning Methods 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000012549 training Methods 0.000 claims abstract description 46
- 230000006870 function Effects 0.000 claims abstract description 32
- 238000005457 optimization Methods 0.000 claims abstract description 11
- 238000004088 simulation Methods 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000010248 power generation Methods 0.000 claims description 14
- 230000005611 electricity Effects 0.000 claims description 13
- 239000000446 fuel Substances 0.000 claims description 13
- 230000009194 climbing Effects 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- 238000012423 maintenance Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000005684 electric field Effects 0.000 claims description 6
- 230000000670 limiting effect Effects 0.000 claims description 6
- 229910052739 hydrogen Inorganic materials 0.000 claims description 5
- 239000001257 hydrogen Substances 0.000 claims description 5
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 4
- 238000009827 uniform distribution Methods 0.000 claims description 4
- 238000010521 absorption reaction Methods 0.000 claims description 3
- 150000002431 hydrogen Chemical class 0.000 claims description 3
- 238000013178 mathematical model Methods 0.000 claims description 3
- YZCKVEUIGOORGS-OUBTZVSYSA-N Deuterium Chemical compound [2H] YZCKVEUIGOORGS-OUBTZVSYSA-N 0.000 claims description 2
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 claims description 2
- YZCKVEUIGOORGS-IGMARMGPSA-N Protium Chemical compound [1H] YZCKVEUIGOORGS-IGMARMGPSA-N 0.000 claims 1
- 238000009826 distribution Methods 0.000 abstract description 11
- 238000011161 development Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000002411 adverse Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000000739 chaotic effect Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- BULVZWIRKLYCBC-UHFFFAOYSA-N phorate Chemical compound CCOP(=S)(OCC)SCSCC BULVZWIRKLYCBC-UHFFFAOYSA-N 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
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
- G06Q10/067—Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02T90/10—Technologies relating to charging of electric vehicles
- Y02T90/16—Information or communication technologies improving the operation of electric vehicles
- Y02T90/167—Systems integrating technologies related to power network operation and communication or information technologies for supporting the interoperability of electric or hybrid vehicles, i.e. smartgrids as interface for battery charging of electric vehicles [EV] or hybrid vehicles [HEV]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S30/00—Systems supporting specific end-user applications in the sector of transportation
- Y04S30/10—Systems supporting the interoperability of electric or hybrid vehicles
- Y04S30/12—Remote or cooperative charging
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明公开了一种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,属于区域智能电网运行领域,它在日前调度阶段,以总运行成本为目标函数进行电源功率优化分配;日内预调度阶段模拟负荷波动与日前调度计划作为深度学习网络输入样本,将模拟生成预测数据输入到日内预调度阶段的区域智能电网模型中,将模型训练阶段调度计划中的可控单元调度数据作为深度学习网络的输出样本。通过输入样本和输出样本训练基于深度学习网络的区域智能电网日内调度模型;通过超短期预测得到负荷下一调度时刻预测值;将预测值与日前调度计划一起输入到区域智能电网日内调度模型中,得到可控单元的日内调度值。本发明解决了区域智能电网分布式电源、电动汽车与负荷预测存在误差、对区域智能电网难以实现日内经济调度等问题。
Description
技术领域
本发明涉及区域智能电网调度领域,具体为一种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。
背景技术
电力调度是现代能源管理***中的一项重要任务,在发电、输电和运行的约束条件下,***运行经济性成为电力调度的一个重要目标。在传统的电力调度中,只涉及火电发电机组,调度中心根据上一个调度日的机组组合状态及***参数,以煤耗量最低为目标制定机组的开机计划。随着全球范围内的能源危机和环境问题 日益严峻,使得大力发展可再生能源成为世界各国的共识。风能、水能、太阳能、潮汐能、地热能等现代可再生能源在近十年中取得了迅速的发展,风力发电和光伏发电将成为整个可再生能源产业高速发展的主要推动力。随着电池技术的发展,插电式电动汽车(plug-in electric vehicles, 电动汽车)近年来发展迅速,对传统的电力调度产生了多方面的影响。快速增长的电动汽车充电需求给电网发电能力带来了新的压力,提高了发电扩容成本,降低了发电经济效益。电动汽车与电网互动(vehicle-to-grid,V2G)技术的发展,可以使得电动汽车更好的参与到电网调度的过程中。当电动汽车大量接入电网后,如果电网可以通过调度电动汽车在电网负荷高峰时段进行放电,在电网负荷低谷时段进行充电,就可以对电网起到削峰填谷的作用,提高电力***对可再生能源的消纳能力。因此,在电力调度问题中,负荷不仅要在传统火电机组之间分配,还要在电动汽车和可再生能源之间分配,区域智能电网调度方法成为当前研究的热点。现有研究中,并未考虑到利用调节电动汽车充放电功率来抑制风电出力和负荷波动性与不确定性造成的不利影响以及调度策略依赖日前调度的准确性,因此容易对电网调度计划造成影响,为了解决这个问题,需要改进现有的调度方法。
发明内容
本发明现有研究并未考虑到利用调节电动汽车充放电功率来抑制风电出力和负荷波动性与不确定性造成的不利影响,调度策略依赖日前调度的准确性,容易对电网调度计划造成影响的问题,提供了一种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。
本发明是通过如下技术方案来实现的:本发明中的智能电网调度***主要由电源端和负荷端两部分组成,如图2所示,其中发电端包含V2G***,火电机组和风电场三部分,负荷端包含常规负荷,大量无序电动汽车和大量可调度电动汽车充电负荷。为了减少火电机组的启停成本,在日前调度过程中,火电机组中最大的两台常规机组一直处于开启状态,因此将火电机组分为火电机组Ⅰ和火电机组Ⅱ,火电机组Ⅰ由两个最大常规机组构成,火电机组Ⅱ由其他机组构成。一种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,包括日前调度阶段、模型训练阶段和日内调度阶段;
一、日前调度阶段:
(1)按小时分段,将1天分为24时段,每一时段中各分布式单元的功率输出与吸收为定值;
(2)调用预测出的未来一天各时段的风电场发电功率、无序充电电动汽车充电功率和常规负荷波动情况数据;
(3)建立电动汽车数学模型:
a.电动汽车分类:
根据电动汽车充电特性,将电动汽车分为三类:第一类是无序充电电动汽车,如电动出租车、电动公交车、电动物流车以及大量不参与电网调度的私家车等,公众服务类车辆具有一个重要特点是平均每天的行车时间相对较长,对充电速度和充电时间要求较高而不能参与电网互动;第二类是快充可调度电动汽车,第三类是是慢充可调度电动汽车,这两类可调度电动汽车,大部分是私家车,其重要特点就是一天中大部分时间都处于闲置状态,有充足的时间可以参与电网互动,在用电高峰时段可以作为V2G电源,同时利用其充放电特性平抑风电波动以及减少机组运行和启停费用。慢充可调度电动汽车充放电过程对电池损耗影响较小,但是其调度响应速度慢;快充可调度电动汽车调度更加灵活,但其快充特性也会带来一定额外的电池损耗。
b.电动汽车状态矩阵:
任意一辆电动汽车在行驶结束时的状态均采用一个一维矩阵来表示:
Ω=[L N Sn Se Ts Te]
其中:L表示电动汽车负荷类型,用数字1、2、3、4、5分别表示电动汽车无序充电负荷、慢充可调度充电负荷、慢充可调度放电负荷、快充可调度充电负荷、快充可调度放电负荷;N表示电动汽车充放电标识,处于充电模式为1,放电模式为-1,其余时刻为0;Sn和Se分别表示电动汽车停驶时的荷电状态和离网时用户期望荷电状态;Ts和Te分别表示电动汽车入网时间和用户离网时刻;
c.无序电动汽车负荷模型:
通过对2009年美国交通部对全美家用车辆调查数据进行拟合得到电动汽车行驶结束时间分布和充电前电池荷电状态分布,采用蒙特卡洛Monte carol方法对电动汽车状态矩阵中电动汽车最后一次行驶结束时间、电动汽车结束行驶时的荷电状态及电动汽车用户日行驶里程进行抽取,生成无序电动汽车模型:
电动汽车用户日行驶里程近似服从对数正态分布,其概率密度函数如下:
式中:d为汽车行驶里程,μd=3.019,σd=1.123;
电动汽车电池荷电状态SOC与其行使里程d近似满足线性关系如下:
E=(1-d/D)×100%;
最后一次出行结束时间近似服从Weibull分布,如下:
式中:kt是形状参数,ct是尺度参数;
设定电动汽车一天只进行一次充电,充电时间从最后一次行驶结束后开始;且电动汽车用户剩余电量在20%-50%时才会充电,用户期望离网时间统一设置为Te=7,用户离家时的期望电荷Se服从80%-100%的均匀分布;
d.电动汽车可调度充放电负荷模型:
目前大部分电动私家车均采用锂电池,考虑到调度电动汽车充放电会造成电池寿命衰减和损耗,尽量减少电动汽车的充放电切换次数;设定模型中一天对每辆汽车只进行一次放电调度,为减少对配电网的影响,兼顾充电效率与电池使用寿命,对第二、三类电动汽车进行可调度充放电容量计算:
如图1所示,为电动汽车SOC时间节点示意图;设定t0到t1的时间段为电动汽车荷电状态SOC的时间节点长度,其中还包括有t和tlim这两个节点,t0表示电动汽车到达充电地点后接入电网的时刻,此时电动汽车电池电荷量为Q0;t表示电动汽车当前所处时刻,此时电动汽车电池电荷量为Qt;从时刻t0到t的荷电状态为已知,这段时间代表电网已经对电动汽车进行了一段时间的调度;t1为电动汽车离开电网的时刻,此时电动汽车荷电状态为Q1;接下来从t到t1时段内是电网待调度电动汽车时段;在这段时间内,我们对电动汽车进行放电调度,放电过程从t转移至持续到tlim时刻,tlim表示电动汽车放电极限时间点,这一时间点表示在满足电动汽车用户离网时期望的荷电状态下,电动汽车放电的最大时刻,如果超过这个时间点电动汽车离开时电池电量就不能满足用户需要;电动汽车在tlim时刻时的荷电状态为Qlim;从tlim到t1的这段时间为电动汽车放电后需要充电的时段,由于通过之前的放电已经使得电动汽车电池电量处于较低水平,在之后的时段内需要对电动汽车进行充电来满足用户离网时所要求电量;
电动汽车放电极限时间tlim计算如下:
式中:t为电动汽车当前所处时刻;t时刻电动汽车的电池电荷量为Q1;t1为电动汽车离开电网的时刻;Pc为电动汽车充电功率;Pd为电动汽车放电功率;Cs为电动汽车电池容量;
电动汽车可调度放电容量计算如下:
电动汽车充电容量计算如下:
Pev,c=Cs[Qt+Q1-Q0-Qlim]
利用蒙特卡洛法从电动汽车状态矩阵中抽取可调度电动汽车矩阵,确定可调度电动汽车数量,通过确定每辆可调度电动汽车放电极限时间点tlim以及可调度充、放电容量,将每一辆可调度电动汽车可调度充、放电容量叠加到可调度充、放电容量曲线中,最终得到可调度电动汽车充、放电的极限容量;
(4)在日前调度阶段建立的优化模型包括区域智能电网总运行成本最低目标函数和分布式电源约束条件;
a.日前调度阶段的区域智能电网总运行成本最低目标函数计及常规机组的燃料成本、启停成本和电动汽车的购售电成本,表达式如下:
其中,F为日前经济优化调度阶段***运行总成本;N1为火电机组Ⅰ中的机组数,为机组i在t时段的燃料成本函数;为机组i在t时段的发电功率;为机组i在t 时段的启停状态;N2为火电机组Ⅱ中的机组数,为机组i在t时段的燃料成本函数,为机组i在t时段的发电功率,为机组i在t时段的启停状态,为机组i在t时段的启停成本函数;为慢充可调度电动汽车在t时段的充电调度容量,μc为电动汽车在t时段的充电电价,为慢充可调度电动汽车在t时段的放电调度容量,μd为电动汽车在t时段的放电电价;为快充可调度电动汽车在t时段的充电调度容量;为快充可调度电动汽车在t时段的放电调度容量;ηb为快充可调度电动汽车调度电池损耗惩罚费用;为无序电动汽车在t时段的充电调度容量;
b.为保证区域智能电网的安全可靠运行,区域智能电网中各单元在每个时段中均需满足一定的等式约束或不等式约束条件,包括:
①火电机组Ⅰ出力上下限约束和爬坡约束:
②火电机组Ⅱ出力上下限约束、启停约束以及爬坡约束:
③慢充电动汽车可调度容量约束:
④快充电动汽车可调度容量约束:
⑤***负荷平衡约束:
(5)根据步骤(4)的区域智能电网总运行成本最低目标函数和分布式电源约束条件;通过MATLAB的yalmip软件模块求解出:未来一天各时段火电机组Ⅰ运行状态、火电机组Ⅱ运行状态、慢充可调度电动汽车充放电功率、快充可调度电动汽车充放电功率;日前调度***运行总成本;
二、模型训练阶段:
(1)模型训练阶段调度计划中,以15分钟作为单位时段,将全天分为96个时段;
(2)通过增加扰动的方法模拟生成日内各时段的电场发电功率、无序充电电动汽车充电功率和常规负荷波动情况数据;
(3)将模拟生成的日内各时段的电场发电功率、无序充电电动汽车充电功率和常规负荷波动情况与日前调度数据合并作为深度学习网络输入样本;
(4)在模型训练阶段,火电机组Ⅱ和慢充可调度电动汽车执行日前调度计划;
(5)模型训练阶段优化目标函数考虑了火电机组Ⅰ的运行维护成本、快充可调度电动汽车的运行和维护成本和无序充电电动汽车的运行和维护成本,表达式如下所示:
其中,FX为模型训练阶段***运行总成本;N1为火电机组Ⅰ中的机组数,为机组i在t时段的燃料成本函数,为机组i在t时段的发电功率,为机组i在t 时段的启停状态;为快充可调度电动汽车在t时段的充电调度容量,为快充可调度电动汽车在t时段的放电调度容量,ηb-X为快充可调度电动汽车调度电池损耗惩罚费用,μc为电动汽车在t时段的充电电价,μd为电动汽车在t时段的放电电价;为无序电动汽车在t时段的充电调度容量;
(6)为保障区域智能电网安全可靠运行,在模型训练阶段区域智能电网中各单元满足约束条件与日前调度阶段相同;
(7)根据步骤(5)的优化目标函数,以及步骤(6)的约束条件,通过MATLAB的yalmip软件模块求解出模型训练阶段:火电机组Ⅰ模拟发电功率、快充可调度电动汽车模拟充放电功率;模型训练阶段***运行总成本等,将求解出的火电机组Ⅰ模拟发电功率、快充可调度电动汽车模拟充放电功率作为深度学习网络的输出样本;
a.在模型训练调度阶段,深度学习网络训练样本中的输入样本为:
式中:Ninput为时段t内深度学习网络模拟输入样本;T为时间尺度;为时段 t内模拟风电场功率与日前风电场预测功率差额;为时段t内模拟常规负荷与日前预测常规负荷差额;为时段t内模拟无序充电电动汽车负荷与日前无序充电电动汽车预测负荷差额;为时段t内模拟风电场功率;为时段t内模拟常规负荷;为时段t内模拟无序充电电动汽车负荷;为慢充可调度PEV在t时段的放电调度容量;慢充可调度PEV在t时段的放电调度容量;为日前调度阶段快充可调度PEV在t时段的放电调度容量;为日前调度阶段快充可调度PEV在t时段的充电调度容量;为日前调度阶段火电机组Ⅰ中机组i在t时段的发电功率;为火电机组Ⅱ中机组i在t时段的发电功率;为时段t内日前风电场预测功率;为时段t内日前预测常规负荷;日前无序充电电动汽车预测负荷;
b.将模型训练阶段中的可控单元调度数据作为深度学习网络训练的输出样本,深度学习网络训练样本中的输出样本为:
(8)重复步骤(2)~(7),增加输入样本和输出样本,训练深度学习网络得到日内调度模型;
三、日内调度阶段:
(1)在日内调度阶段,以15分钟作为单位时段,将全天分为96个时段;
(2)通过超短期预测日内各时段的风电场发电功率、无序电动汽车充电功率以及常规负荷波动情况;
(3)将下一时刻超短期预测数据与日前调度计划输入到日内调度模型中,得到火电机组Ⅰ发电功率、快充可调度电动汽车充放电功率作为下一时刻调度值;
深度学习网络的输入数据为:
式中:NS-input为时段t内深度学习网络的实时输入数据;为时段t内日内风电场超短期预测功率与日前风电场预测功率差额;为时段t内日内超短期预测常规负荷与日前预测常规负荷差额;为时段t内日内无序充电电动汽车超短期预测负荷与日前无序充电电动汽车预测负荷差额;为时段t内日内风电场超短期预测功率;为时段t内日内超短期预测常规负荷;为时段t内日内无序充电电动汽车超短期预测负荷。
深度学习网络的输出数据为:
式中:NS-output表示时段t内深度学习网络的实时输出数据;表示快充可调度电动汽车在时段t内的实时放电功率;表示快充可调度电动汽车在时段t内的实时充电功率;表示火电机组Ⅰ在时段t内的实时输出功率;
(4)在日内调度阶段,火电机组Ⅱ和慢充可调度电动汽车执行日前调度计划。
与现有技术相比本发明具有以下有益效果:本发明所提供的一种计及可调度电动汽车快/慢充放电形式的智能电网深度学***各时段电价,根据日前风电场出力、无序充电电动汽车负荷与常规负荷预测,火电机组和可调度电动汽车等总运行成本为目标函数进行区域智能电网内分布式电源功率优化分配,对智能电网运行状态的处理更加全面;
(2)本发明利用调节电动汽车充放电功率来抑制风电出力和负荷波动性与不确定性造成的不利影响,将可调度电动汽车分为快充可调度电动汽车和慢充可调度电动汽车。考虑到慢充可调度电动汽车的调度响应速度和尽可能降低火电机组启停成本,在日前调度阶段确定慢充可调度电动汽车和火电机组Ⅱ的调度计划。在日前调度计划的基础上,进一步精确日内时间尺度,充分发挥快充可调度电动汽车调度灵活的特点,使用日内调度模型调度区域智能电网可控单元,保证区域智能电网稳定运行。
(3)本发明通过对比基于BP神经网络的调度策略,基于LSTM深度学习网络的经济调度策略与日后调度结果更加接近,调度成本也几乎吻合,验证了基于LSTM深度学习网络的调度策略在智能电网调度过程的经济性与有效性。
附图说明
图1是本发明所涉及的电动汽车SOC时间节点示意图。
图2是本发明所涉及的智能电网调度***结构。
图3是本发明所涉及的日前预测风电场输出功率曲线。
图4是本发明所涉及的风电场输出功率日内实际曲线。
图5是本发明所涉及的日前预测无序电动汽车负荷曲线。
图6是本发明所涉及的无序电动汽车日内实际负荷曲线。
图7是本发明所涉及的日前预测常规负荷需求曲线。
图8是本发明所涉及的常规负荷日内实际曲线。
图9是本发明所涉及的火电机组Ⅱ日前调度运行曲线。
图10是本发明所涉及的慢充可调度电动汽车调度运行曲线。
图11是本发明所涉及的火电机组Ⅰ日前调度运行曲线。
图12是本发明所涉及的快充可调度电动汽车日前调度运行曲线。
图13是本发明所涉及的快充电动汽车日内调度运行曲线。
图14是本发明所涉及的火电机组Ⅰ日内调度运行曲线。
图15是本发明所涉及的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策略流程图。
图16是本发明所涉及的计算无序充电电动汽车的算法流程图。
图17是本发明所涉及的可调度充放电电动汽车预测流程图。
具体实施方式
以下结合具体实施例对本发明作进一步说明。
本文智能电网调度***主要由电源端和负荷端两部分组成,如图2所示,其中发电端包含V2G***,火电机组和风电场三部分,负荷端包含常规负荷,大量无序电动汽车和大量可调度电动汽车充电负荷。为了减少火电机组的启停成本,在日前调度过程中,火电机组中最大的两台常规机组一直处于开启状态,因此将火电机组分为火电机组Ⅰ和火电机组Ⅱ,火电机组Ⅰ由两个最大常规机组构成,火电机组Ⅱ由其他机组构成。本发明采用10机***为例进行分析计算,火电机组装机容量为1668MW,其中火电机组1和 2组成了火电机组Ⅰ,装机容量为900MW,火电机组3-10组成了火电机组Ⅱ,装机容量为768MW。在原有***中增加100MW风电场16座,总装机容量为1600MW。本文设置区域电动汽车为30万辆,分别为无序充电电动汽车10万辆,快充可调度电动汽车10 万辆,慢充可调度电动汽车10万辆。为了减少可调度电动汽车参与调度给电动汽车电池带来的损耗,本文做如下假设:电动汽车一天只进行一次调度,充电时间从最后一次行驶结束后开始。电动汽车用户剩余电量在20%-50%时才会充电,(用户期望离网时间统一设置为Te=7)用户离家时的期望电荷Se服从(80%-100%)的均匀分布。本发明快充可调度电动汽车和慢充可调度电动汽车参数如表1所示;电动汽车充放电电价如表2所示:
表1电动汽车参数设置
表2电动汽车充放电电价
一种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,如图15 所示,包括日前调度阶段、模型训练阶段和日内调度阶段;
一、日前调度阶段:
(1)按小时分段,将1天分为24时段,每一时段中各分布式单元的功率输出与吸收为定值;
(2)调用预测出的未来一天各时段的风电场发电功率、无序充电电动汽车充电功率和常规负荷波动情况数据;图3为日前预测风电场输出功率曲线,图5为日前预测无序电动汽车负荷曲线,图7为日前预测常规负荷需求曲线,图10为火电机组Ⅱ日前调度运行曲线,图11为慢充可调度电动汽车调度运行曲线;
(3)建立电动汽车数学模型:
a.电动汽车分类:
根据电动汽车充电特性,将电动汽车分为三类:第一类是无序充电电动汽车,第二类是快充可调度电动汽车,第三类是是慢充可调度电动汽车;
b.电动汽车状态矩阵:
任意一辆电动汽车在行驶结束时的状态均采用一个一维矩阵来表示:
Ω=[L N Sn Se Ts Te]
其中:L表示电动汽车负荷类型,用数字1、2、3、4、5分别表示电动汽车无序充电负荷、慢充可调度充电负荷、慢充可调度放电负荷、快充可调度充电负荷、快充可调度放电负荷;N表示电动汽车充放电标识,处于充电模式为1,放电模式为-1,其余时刻为0;Sn和Se分别表示电动汽车停驶时的荷电状态和离网时用户期望荷电状态;Ts和Te分别表示电动汽车入网时间和用户离网时刻;
c.无序电动汽车负荷模型:
由于相较于电动私家车而言,电动公用车辆负荷几乎可以忽略不计,本文对无序电动汽车充电负荷模拟主要针对不参与电网调度的私家车。由于电动汽车尚未大规模推广和应用,通过分析2009年美国燃油私家车、行驶数据,得出全美家用车辆日行驶里程和最后一次出行结束时间近似服从对数正态分布和Weibull分布。采用蒙特卡洛Monte carol 方法对电动汽车状态矩阵中电动汽车最后一次行驶结束时间、电动汽车结束行驶时的荷电状态及电动汽车用户日行驶里程进行抽取,生成无序电动汽车模型:
电动汽车用户日行驶里程近似服从对数正态分布,其概率密度函数如下:
式中:d为汽车行驶里程,μd=3.019,σd=1.123;
电动汽车电池荷电状态SOC与其行使里程d近似满足线性关系如下:
E=(1-d/D)×100%;
最后一次出行结束时间近似服从Weibull分布,如下:
式中:kt是形状参数,ct是尺度参数;
设定电动汽车一天只进行一次充电,充电时间从最后一次行驶结束后开始;且电动汽车用户剩余电量在20%-50%时才会充电,用户期望离网时间统一设置为Te=7,用户离家时的期望电荷Se服从80%-100%的均匀分布;如图16所示,为利用蒙特卡洛模拟方法计算无序充电电动汽车的算法流程图;
d.电动汽车可调度充放电负荷模型:
设定模型中一天对每辆汽车只进行一次放电调度,对第二、三类电动汽车进行可调度充放电容量计算:
如图1所示,为一辆可调度电动汽车在调度过程中的时间节点以及SOC状态,设定t0到t1的时间段为电动汽车荷电状态SOC的时间节点长度,其中还包括有t和tlim这两个节点,t0表示电动汽车到达充电地点后接入电网的时刻,此时电动汽车电池电荷量为 Q0;t表示电动汽车当前所处时刻,此时电动汽车电池电荷量为Qt;从时刻t0到t的荷电状态为已知,这段时间代表电网已经对电动汽车进行了一段时间的调度;t1为电动汽车离开电网的时刻,此时电动汽车荷电状态为Q1;接下来从t到t1时段内是电网待调度电动汽车时段;在这段时间内,我们对电动汽车进行放电调度,放电过程从t转移至持续到tlim时刻,tlim表示电动汽车放电极限时间点,这一时间点表示在满足电动汽车用户离网时期望的荷电状态下,电动汽车放电的最大时刻,如果超过这个时间点电动汽车离开时电池电量就不能满足用户需要;电动汽车在tlim时刻时的荷电状态为Qlim;从tlim到t1的这段时间为电动汽车放电后需要充电的时段,由于通过之前的放电已经使得电动汽车电池电量处于较低水平,在之后的时段内需要对电动汽车进行充电来满足用户离网时所要求电量;流程图如图17所示;
电动汽车放电极限时间tlim计算如下:
式中:t为电动汽车当前所处时刻;t时刻电动汽车的电池电荷量为Q1;t1为电动汽车离开电网的时刻;Pc为电动汽车充电功率;Pd为电动汽车放电功率;Cs为电动汽车电池容量;
电动汽车可调度放电容量计算如下:
电动汽车充电容量计算如下:
Pev,c=Cs[Qt+Q1-Q0-Qlim]
利用蒙特卡洛法从电动汽车状态矩阵中抽取可调度电动汽车矩阵,确定可调度电动汽车数量,通过确定每辆可调度电动汽车放电极限时间点tlim以及可调度充、放电容量,将每一辆可调度电动汽车可调度充、放电容量叠加到可调度充、放电容量曲线中,最终得到可调度电动汽车充、放电的极限容量;
(4)在日前调度阶段建立的优化模型包括区域智能电网总运行成本最低目标函数和分布式电源约束条件;
a.日前调度阶段的区域智能电网总运行成本最低目标函数计及常规机组的燃料成本、启停成本和电动汽车的购售电成本,表达式如下:
其中,F为日前经济优化调度阶段***运行总成本;N1为火电机组Ⅰ中的机组数,为机组i在t时段的燃料成本函数;为机组i在t时段的发电功率;为机组i在t 时段的启停状态;N2为火电机组Ⅱ中的机组数,为机组i在t时段的燃料成本函数,为机组i在t时段的发电功率,为机组i在t时段的启停状态,为机组i在t时段的启停成本函数;为慢充可调度电动汽车在t时段的充电调度容量,μc为电动汽车在t时段的充电电价,为慢充可调度电动汽车在t时段的放电调度容量,μd为电动汽车在t时段的放电电价;为快充可调度电动汽车在t时段的充电调度容量;为快充可调度电动汽车在t时段的放电调度容量;ηb为快充可调度电动汽车调度电池损耗惩罚费用;为无序电动汽车在t时段的充电调度容量;
b.为保证区域智能电网的安全可靠运行,区域智能电网中各单元在每个时段中均需满足一定的等式约束或不等式约束条件,包括:
①火电机组Ⅰ出力上下限约束和爬坡约束:
②火电机组Ⅱ出力上下限约束、启停约束以及爬坡约束:
③慢充电动汽车可调度容量约束:
④快充电动汽车可调度容量约束:
⑤***负荷平衡约束:
(5)根据步骤(4)的区域智能电网总运行成本最低目标函数和分布式电源约束条件;通过MATLAB的yalmip软件模块求解出:未来一天各时段火电机组Ⅰ运行状态、火电机组Ⅱ运行状态、慢充可调度电动汽车充放电功率、快充可调度电动汽车充放电功率;日前调度***运行总成本;分别见图9、图10、图11和图12;日前调度预测出的***运行总成本为423.72万元/天;
二、模型训练阶段:
(1)模型训练阶段调度计划中,以15分钟作为单位时段,将全天分为96个时段;
(2)通过增加扰动的方法模拟生成日内各时段的电场发电功率、无序充电电动汽车充电功率和常规负荷波动情况数据;
(3)将模拟生成的日内各时段的电场发电功率、无序充电电动汽车充电功率和常规负荷波动情况与日前调度数据合并作为深度学习网络输入样本;
(4)在模型训练阶段,火电机组Ⅱ和慢充可调度电动汽车执行日前调度计划;
(5)模型训练阶段优化目标函数考虑了火电机组Ⅰ的运行维护成本、快充可调度电动汽车的运行和维护成本和无序充电电动汽车的运行和维护成本,表达式如下所示:
其中,FX为模型训练阶段***运行总成本;N1为火电机组Ⅰ中的机组数,为机组i在t时段的燃料成本函数,为机组i在t时段的发电功率,为机组i在t 时段的启停状态;为快充可调度电动汽车在t时段的充电调度容量,为快充可调度电动汽车在t时段的放电调度容量,ηb-X为快充可调度电动汽车调度电池损耗惩罚费用,μc为电动汽车在t时段的充电电价,μd为电动汽车在t时段的放电电价;为无序电动汽车在t时段的充电调度容量;
(6)为保障区域智能电网安全可靠运行,在模型训练阶段区域智能电网中各单元满足约束条件与日前调度阶段相同;
(7)根据步骤(5)的优化目标函数,以及步骤(6)的约束条件,通过MATLAB的yalmip软件模块求解出模型训练阶段:火电机组Ⅰ模拟发电功率、快充可调度电动汽车模拟充放电功率;模型训练阶段***运行总成本等,将求解出的火电机组Ⅰ模拟发电功率、快充可调度电动汽车模拟充放电功率作为深度学习网络的输出样本;
a.在模型训练调度阶段,深度学习网络训练样本中的输入样本为:
式中:Ninput为时段t内深度学习网络模拟输入样本;T为时间尺度;为时段 t内模拟风电场功率与日前风电场预测功率差额;为时段t内模拟常规负荷与日前预测常规负荷差额;为时段t内模拟无序充电电动汽车负荷与日前无序充电电动汽车预测负荷差额;为时段t内模拟风电场功率;为时段t内模拟常规负荷;为时段t内模拟无序充电电动汽车负荷;为慢充可调度PEV在t时段的放电调度容量;慢充可调度PEV在t时段的放电调度容量;为日前调度阶段快充可调度PEV在t时段的放电调度容量;为日前调度阶段快充可调度PEV在t时段的充电调度容量;为日前调度阶段火电机组Ⅰ中机组i在t时段的发电功率;为火电机组Ⅱ中机组i在t时段的发电功率;为时段t内日前风电场预测功率;为时段t内日前预测常规负荷;日前无序充电电动汽车预测负荷;
b.将模型训练阶段中的可控单元调度数据作为深度学习网络训练的输出样本,深度学习网络训练样本中的输出样本为:
(8)重复步骤(2)~(7),增加输入样本和输出样本,训练深度学习网络得到日内调度模型;
三、日内调度阶段:
(1)在日内调度阶段,以15分钟作为单位时段,将全天分为96个时段;
(2)通过超短期预测日内各时段的风电场发电功率、无序电动汽车充电功率以及常规负荷波动情况;
(3)将下一时刻超短期预测数据与日前调度计划输入到日内调度模型中,得到火电机组Ⅰ发电功率、快充可调度电动汽车充放电功率作为下一时刻调度值,日内超短期预测数据作为实际运行情况,风电场实际功率、无序充电电动汽车实际功率和常规负荷如图4、图6、图8所示:
深度学习网络的输入数据为:
式中:NS-input为时段t内深度学习网络的实时输入数据;为时段t内日内风电场超短期预测功率与日前风电场预测功率差额;为时段t内日内超短期预测常规负荷与日前预测常规负荷差额;为时段t内日内无序充电电动汽车超短期预测负荷与日前无序充电电动汽车预测负荷差额;为时段t内日内风电场超短期预测功率;为时段t内日内超短期预测常规负荷;为时段t内日内无序充电电动汽车超短期预测负荷。
深度学习网络的输出数据为:
式中:NS-output表示时段t内深度学习网络的实时输出数据;表示快充可调度电动汽车在时段t内的实时放电功率;表示快充可调度电动汽车在时段t内的实时充电功率;表示火电机组Ⅰ在时段t内的实时输出功率。
日内调度结果与BP神经网络调度结果对比:
如图13和图14所示,BP神经网络调度成本为477.43万元,日内调度成本为456.25万元。
(4)在日内调度阶段,火电机组Ⅱ和慢充可调度电动汽车执行日前调度计划。
(5)增加日后调度验证日内调度的经济性,收集日内全天数据,在日后阶段重新规划。日后调度成本为456.13万元。
本发明要求保护的范围不限于以上具体实施方式,而且对于本领域技术人员而言,本发明可以有多种变形和更改,凡在本发明的构思与原则之内所作的任何修改、改进和等同替换都应包含在本发明的保护范围之内。
Claims (1)
1.一种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,其特征在于:包括日前调度阶段、模型训练阶段和日内调度阶段;
一、日前调度阶段:
(1)按小时分段,将1天分为24时段,每一时段中各分布式单元的功率输出与吸收为定值;
(2)调用预测出的未来一天各时段的风电场发电功率、无序充电电动汽车充电功率和常规负荷波动情况数据;
(3)建立电动汽车数学模型:
a.电动汽车分类:
根据电动汽车充电特性,将电动汽车分为三类:第一类是无序充电电动汽车,第二类是快充可调度电动汽车,第三类是慢充可调度电动汽车;
b.电动汽车状态矩阵:
任意一辆电动汽车在行驶结束时的状态均采用一个一维矩阵来表示:
Ω=[L N Sn Se Ts Te]
其中:L表示电动汽车负荷类型,用数字1、2、3、4、5分别表示电动汽车无序充电负荷、慢充可调度充电负荷、慢充可调度放电负荷、快充可调度充电负荷、快充可调度放电负荷;N表示电动汽车充放电标识,处于充电模式为1,放电模式为-1,其余时刻为0;Sn和Se分别表示电动汽车停驶时的荷电状态和离网时用户期望荷电状态;Ts和Te分别表示电动汽车入网时间和用户离网时刻;
c.无序电动汽车负荷模型:
设定:电动汽车用户剩余电量在20%-50%时进行充电,用户期望离网时间统一设置为Te=7,用户离家时的期望电荷Se服从80%~100%的均匀分布;采用蒙特卡洛Monte carol方法对电动汽车状态矩阵中电动汽车最后一次行驶结束时间、电动汽车结束行驶时的荷电状态及电动汽车用户日行驶里程进行抽取,生成无序电动汽车模型:
d.电动汽车可调度充放电负荷模型:
设定模型中一天对每辆汽车只进行一次放电调度,对第二、三类电动汽车进行可调度充放电容量计算:
设定t0到t1的时间段为电动汽车荷电状态SOC的时间节点长度,其中还包括有t和tlim这两个节点,t0表示电动汽车到达充电地点后接入电网的时刻,此时电动汽车电池电荷量为Q0;t表示电动汽车当前所处时刻,此时电动汽车电池电荷量为Qt;从时刻t0到t的荷电状态为已知,这段时间代表电网已经对电动汽车进行了一段时间的调度;t1为电动汽车离开电网的时刻,此时电动汽车荷电状态为Q1;接下来从t到t1时段内是电网待调度电动汽车时段;在这段时间内,我们对电动汽车进行放电调度,放电过程从t转移至持续到tlim时刻,tlim表示电动汽车放电极限时间点,这一时间点表示在满足电动汽车用户离网时期望的荷电状态下,电动汽车放电的最大时刻,如果超过这个时间点电动汽车离开时电池电量就不能满足用户需要;电动汽车在tlim时刻时的荷电状态为Qlim;从tlim到t1的这段时间为电动汽车放电后需要充电的时段,由于通过之前的放电已经使得电动汽车电池电量处于较低水平,在之后的时段内需要对电动汽车进行充电来满足用户离网时所要求电量;
电动汽车放电极限时间tlim计算如下:
式中:t为电动汽车当前所处时刻;t时刻电动汽车的电池电荷量为Qt;t1为电动汽车离开电网的时刻;Pc为电动汽车充电功率;Pd为电动汽车放电功率;Cs为电动汽车电池容量;
电动汽车可调度放电容量计算如下:
电动汽车充电容量计算如下:
Pev,c=Cs[Qt+Q1-Q0-Qlim]
利用蒙特卡洛法从电动汽车状态矩阵中抽取可调度电动汽车矩阵,确定可调度电动汽车数量,通过确定每辆可调度电动汽车放电极限时间点tlim以及可调度充、放电容量,将每一辆可调度电动汽车可调度充、放电容量叠加到可调度充、放电容量曲线中,最终得到可调度电动汽车充、放电的极限容量;
(4)在日前调度阶段建立的优化模型包括区域智能电网总运行成本最低目标函数和分布式电源约束条件;
a.日前调度阶段的区域智能电网总运行成本最低目标函数计及常规机组的燃料成本、启停成本和电动汽车的购售电成本,表达式如下:
其中,F为日前经济优化调度阶段***运行总成本;N1为火电机组Ⅰ中的机组数,为火电机组Ⅰ中机组i在t时段的燃料成本函数;为火电机组Ⅰ中机组i在t时段的发电功率;为火电机组Ⅰ中机组i在t时段的启停状态;N2为火电机组Ⅱ中的机组数,为火电机组Ⅱ中机组i在t时段的燃料成本函数,为火电机组Ⅱ中机组i在t时段的发电功率,为火电机组Ⅱ中机组i在t时段的启停状态,为火电机组Ⅱ中机组i在t时段的启停成本函数;为慢充可调度电动汽车在t时段的充电调度容量,μc为电动汽车在t时段的充电电价,为慢充可调度电动汽车在t时段的放电调度容量,μd为电动汽车在t时段的放电电价;为快充可调度电动汽车在t时段的充电调度容量;为快充可调度电动汽车在t时段的放电调度容量;ηb为快充可调度电动汽车调度电池损耗惩罚费用;为无序电动汽车在t时段的充电调度容量;
b.为保证区域智能电网的安全可靠运行,区域智能电网中各单元在每个时段中均需满足一定的等式约束或不等式约束条件,包括:
①火电机组Ⅰ出力上下限约束和爬坡约束:
②火电机组Ⅱ出力上下限约束、启停约束以及爬坡约束:
③慢充电动汽车可调度容量约束:
④快充电动汽车可调度容量约束:
⑤***负荷平衡约束:
(5)根据步骤(4)的区域智能电网总运行成本最低目标函数和分布式电源约束条件;通过MATLAB的yalmip软件模块求解出:未来一天各时段火电机组Ⅰ运行状态、火电机组Ⅱ运行状态、慢充可调度电动汽车充放电功率、快充可调度电动汽车充放电功率;日前调度***运行总成本;
二、模型训练阶段:
(1)模型训练阶段调度计划中,以15分钟作为单位时段,将全天分为96个时段;
(2)通过增加扰动的方法模拟生成日内各时段的电场发电功率、无序充电电动汽车充电功率和常规负荷波动情况数据;
(3)将模拟生成的日内各时段的电场发电功率、无序充电电动汽车充电功率和常规负荷波动情况与日前调度数据合并作为深度学习网络输入样本;
(4)在模型训练阶段,火电机组Ⅱ和慢充可调度电动汽车执行日前调度计划;
(5)模型训练阶段优化目标函数考虑了火电机组Ⅰ的运行维护成本、快充可调度电动汽车的运行和维护成本和无序充电电动汽车的运行和维护成本,表达式如下所示:
其中,FX为模型训练阶段***运行总成本;N1为火电机组Ⅰ中的机组数,为机组i在t时段的燃料成本函数,为机组i在t时段的发电功率,为机组i在t时段的启停状态;为快充可调度电动汽车在t时段的充电调度容量,为快充可调度电动汽车在t时段的放电调度容量,ηb-X为快充可调度电动汽车调度电池损耗惩罚费用,μc为电动汽车在t时段的充电电价,μd为电动汽车在t时段的放电电价;为无序电动汽车在t时段的充电调度容量;
(6)为保障区域智能电网安全可靠运行,在模型训练阶段区域智能电网中各单元满足约束条件与日前调度阶段相同;
(7)根据步骤(5)的优化目标函数,以及步骤(6)的约束条件,通过MATLAB的yalmip软件模块求解出模型训练阶段:火电机组Ⅰ模拟发电功率、快充可调度电动汽车模拟充放电功率和***运行总成本,将求解出的火电机组Ⅰ模拟发电功率、快充可调度电动汽车模拟充放电功率作为深度学习网络的输出样本;
a.在模型训练调度阶段,深度学习网络训练样本中的输入样本为:
式中:Ninput为时段t内深度学习网络模拟输入样本;T为时间尺度;为时段t内模拟风电场功率与日前风电场预测功率差额;为时段t内模拟常规负荷与日前预测常规负荷差额;为时段t内模拟无序充电电动汽车负荷与日前无序充电电动汽车预测负荷差额;为时段t内模拟风电场功率;为时段t内模拟常规负荷;为时段t内模拟无序充电电动汽车负荷;为慢充可调度PEV在t时段的放电调度容量;慢充可调度PEV在t时段的放电调度容量;为日前调度阶段快充可调度PEV在t时段的放电调度容量;为日前调度阶段快充可调度PEV在t时段的充电调度容量;为日前调度阶段火电机组Ⅰ中机组i在t时段的发电功率;为火电机组Ⅱ中机组i在t时段的发电功率;为时段t内日前风电场预测功率;为时段t内日前预测常规负荷;日前无序充电电动汽车预测负荷;
b.将模型训练阶段中的可控单元调度数据作为深度学习网络训练的输出样本,深度学习网络训练样本中的输出样本为:
(8)重复步骤(2)~(7),增加输入样本和输出样本,训练深度学习网络得到日内调度模型;
三、日内调度阶段:
(1)在日内调度阶段,以15分钟作为单位时段,将全天分为96个时段;
(2)通过超短期预测日内各时段的风电场发电功率、无序电动汽车充电功率以及常规负荷波动情况;
(3)将下一时刻超短期预测数据与日前调度计划输入到日内调度模型中,得到火电机组Ⅰ发电功率、快充可调度电动汽车充放电功率作为下一时刻调度值;
深度学习网络的输入数据为:
式中:NS-input为时段t内深度学习网络的实时输入数据;为时段t内日内风电场超短期预测功率与日前风电场预测功率差额;为时段t内日内超短期预测常规负荷与日前预测常规负荷差额;为时段t内日内超短期无序充电电动汽车预测负荷与日前无序充电电动汽车预测负荷差额;为时段t内日内风电场超短期预测功率;为时段t内日内超短期预测常规负荷;为时段t内日内无序充电电动汽车超短期预测负荷;
深度学习网络的输出数据为:
式中:NS-output表示时段t内深度学习网络的实时输出数据;表示快充可调度电动汽车在时段t内的实时放电功率;表示快充可调度电动汽车在时段t内的实时充电功率;表示火电机组Ⅰ在时段t内的实时输出功率;
(4)在日内调度阶段,火电机组Ⅱ和慢充可调度电动汽车执行日前调度计划。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010522503.0A CN111626527B (zh) | 2020-06-10 | 2020-06-10 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010522503.0A CN111626527B (zh) | 2020-06-10 | 2020-06-10 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111626527A CN111626527A (zh) | 2020-09-04 |
CN111626527B true CN111626527B (zh) | 2023-02-03 |
Family
ID=72261067
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010522503.0A Active CN111626527B (zh) | 2020-06-10 | 2020-06-10 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111626527B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112134304B (zh) * | 2020-09-22 | 2022-04-01 | 南方电网数字电网研究院有限公司 | 一种基于深度学习的微电网全自动导航方法、***与装置 |
CN112241596B (zh) * | 2020-10-26 | 2022-09-02 | 国网上海市电力公司 | 一种计及电动汽车的城市电网中长期生产模拟方法 |
CN112488444B (zh) * | 2020-10-31 | 2022-12-23 | 海南电网有限责任公司 | 电动汽车快慢同步有序充电调度方法以及电量结算方法 |
CN112396217B (zh) * | 2020-11-02 | 2022-05-06 | 国家电网有限公司华东分部 | 可控负荷资源长距离优化调度实现方法及*** |
CN112952839B (zh) * | 2021-01-29 | 2022-09-20 | 国网内蒙古东部电力有限公司 | 一种基于可控负荷的配电网经济调度评估方法 |
CN112803493B (zh) * | 2021-02-09 | 2023-03-21 | 国网山东省电力公司电力科学研究院 | 基于边际成本的分散式储能与分布式光伏协同方法及*** |
CN113780670B (zh) * | 2021-09-16 | 2023-08-15 | 太原理工大学 | 基于两阶段的区域电网电动汽车调峰优化调度方法 |
CN113935600A (zh) * | 2021-09-29 | 2022-01-14 | 国网宁夏电力有限公司 | 一种基于深度学习的自适应经济调度***及方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105930955A (zh) * | 2016-04-07 | 2016-09-07 | 浙江万马新能源有限公司 | 基于深度学习的充电网络运行态势分析方法及装置 |
CN106505552A (zh) * | 2016-11-10 | 2017-03-15 | 太原理工大学 | 一种基于功率池的双层母线直流微电网及其控制方法 |
CN106712061A (zh) * | 2016-05-16 | 2017-05-24 | 浙江工业大学 | 一种基于电动汽车可调度能力的日内优先调度方法 |
CN109995091A (zh) * | 2019-04-26 | 2019-07-09 | 太原理工大学 | 一种考虑预测误差的交直流混合微电网经济调度方法 |
CN110570014A (zh) * | 2019-08-07 | 2019-12-13 | 浙江大学 | 一种基于蒙特卡洛和深度学习的电动汽车充电负荷预测方法 |
CN111047071A (zh) * | 2019-10-29 | 2020-04-21 | 国网江苏省电力有限公司盐城供电分公司 | 基于深度迁移学习和Stackelberg博弈的电力***实时供需互动方法 |
CN111064214A (zh) * | 2019-12-31 | 2020-04-24 | 国网浙江省电力有限公司电力科学研究院 | 基于电动汽车两阶段滚动式策略的配电网优化调度方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012122310A1 (en) * | 2011-03-08 | 2012-09-13 | Trilliant Networks, Inc. | System and method for managing load distribution across a power grid |
-
2020
- 2020-06-10 CN CN202010522503.0A patent/CN111626527B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105930955A (zh) * | 2016-04-07 | 2016-09-07 | 浙江万马新能源有限公司 | 基于深度学习的充电网络运行态势分析方法及装置 |
CN106712061A (zh) * | 2016-05-16 | 2017-05-24 | 浙江工业大学 | 一种基于电动汽车可调度能力的日内优先调度方法 |
CN106505552A (zh) * | 2016-11-10 | 2017-03-15 | 太原理工大学 | 一种基于功率池的双层母线直流微电网及其控制方法 |
CN109995091A (zh) * | 2019-04-26 | 2019-07-09 | 太原理工大学 | 一种考虑预测误差的交直流混合微电网经济调度方法 |
CN110570014A (zh) * | 2019-08-07 | 2019-12-13 | 浙江大学 | 一种基于蒙特卡洛和深度学习的电动汽车充电负荷预测方法 |
CN111047071A (zh) * | 2019-10-29 | 2020-04-21 | 国网江苏省电力有限公司盐城供电分公司 | 基于深度迁移学习和Stackelberg博弈的电力***实时供需互动方法 |
CN111064214A (zh) * | 2019-12-31 | 2020-04-24 | 国网浙江省电力有限公司电力科学研究院 | 基于电动汽车两阶段滚动式策略的配电网优化调度方法 |
Non-Patent Citations (2)
Title |
---|
Predictive active power-flow control of two-way wireless power transfer system in V2G services;A.A.S.Mohamed等;《2016 IEEE 2nd Annual Southern Power Electronics Conference》;20170209;第1-6页 * |
计及电动汽车可调度能力的风/车协同参与机组组合策略;师景佳 等;《高压电技术》;20181031;第44卷(第10期);第3433-3440页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111626527A (zh) | 2020-09-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111626527B (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 | |
CN110570007B (zh) | 电动汽车多时间尺度优化调度方法 | |
CN103793758B (zh) | 含光伏发电***的电动汽车充电站的多目标优化调度方法 | |
CN112186809B (zh) | 基于电动汽车v2g模式的虚拟电厂优化协同调度方法 | |
CN111431198B (zh) | 峰谷电价下考虑电动汽车v2g能力的配电网储能调峰方法 | |
CN109217290B (zh) | 计及电动汽车充放电的微网能量优化管理方法 | |
CN109948823B (zh) | 一种光储充电塔自适应鲁棒日前优化调度方法 | |
CN110378548B (zh) | 一种电动汽车虚拟电厂多时间尺度响应能力评估模型构建方法 | |
CN110138006B (zh) | 考虑含有新能源电动汽车的多微电网协调优化调度方法 | |
Alabi et al. | Improved hybrid inexact optimal scheduling of virtual powerplant (VPP) for zero-carbon multi-energy system (ZCMES) incorporating Electric Vehicle (EV) multi-flexible approach | |
CN109710882B (zh) | 一种基于优化运行的离网型微电网电动汽车有序充放电负荷建模及求解方法 | |
CN107590607A (zh) | 一种基于光伏预测的微电网优化调度***和方法 | |
CN103246942A (zh) | 风电-电动汽车-火电联合运行模型的多目标调度方法 | |
CN107919675B (zh) | 综合考虑车主和运营商利益的充电站负荷调度模型 | |
CN113326467B (zh) | 基于多重不确定性的多站融合综合能源***多目标优化方法、存储介质及优化*** | |
CN116151486B (zh) | 含储能***的光伏充电站多时间尺度随机优化方法及装置 | |
CN112070628B (zh) | 一种计及环境因素的智能电网多目标经济调度方法 | |
CN111762057B (zh) | 一种区域微网中v2g电动汽车智能充放电管理方法 | |
CN112238781A (zh) | 一种基于分层架构的电动汽车有序充电控制方法 | |
CN108695903B (zh) | 基于粒子群优化算法的微电网优化调度方法 | |
Li et al. | Optimal dispatch for PV-assisted charging station of electric vehicles | |
CN114884133B (zh) | 一种计及电动汽车的微电网经济调度优化方法及*** | |
CN116404629A (zh) | 一种高比例分布式光伏配电网中的电动汽车协调充电方法 | |
Chang et al. | A coordinated charging strategy for PV-Assisted charging station of electric vehicles based on charging service price | |
CN113852073A (zh) | 一种基于激励-响应充电决策估计的日前优化调度方法 |
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 |