CN112418605A - 一种光储式充电站储能***优化运行方法 - Google Patents

Abstract

本发明涉及一种光储式充电站储能***优化运行方法，分析光储式充电站***结构、运行策略和负荷特性；以电网侧负荷方差最小、储能***运行维护成本最小和向电网购电费用最小为目标函数，以储能***功率、荷电状态和电网侧供电功率为约束条件，建立储能***多目标优化运行模型；结合典型日光伏发电功率、基于蒙特卡洛法抽样的电动汽车充电功率和储能***所在地区分时电价基础数据，采用NSGA‑III算法对所提模型进行求解，得到Pareto最优解集；再利用模糊聚类方法对Pareto最优解集进行筛选，得到储能***最优折中运行方案。采用NSGA‑III与模糊聚类结合的优化算法，有效避免求解过程陷入局部最优问题，有效改善电网侧负荷波动水平。

Description

一种光储式充电站储能***优化运行方法

技术领域

本发明涉及一种光伏储能技术领域，特别涉及一种光储式充电站储能***优化运行方法。

背景技术

电动汽车的快速普及使得人们对公共充电设施日益关注。光储式充电站作为全新的充电设施，可实现可再生能源与电动汽车的就地集成，已得到广泛认可。储能***作为光储式充电站最重要的组成部分之一，调度周期内其参与运行的容量将直接关系到充电站的综合性能。储能***参与运行的容量过高会增加储能***运维成本，而参与运行的容量过低会使***平滑网侧供电功率和削峰填谷的能力弱化，同时较大程度上会降低光伏能源利用效率，因此对储能***运行过程进行优化研究具有重要意义。

目前，针对储能***参与运行的优化研究已取得相应成果。其中多采用粒子群算法对储能***运行问题进行求解。该算法对优化目标权重的设置存在一定主观性，容易使优化过程陷入局部最优解，使充电站综合运行成本过高，电网侧负荷波动水平较大。

发明内容

本发明是针对光伏储能优化运行的问题，提出了一种光储式充电站储能***优化运行方法。

本发明的技术方案为：一种光储式充电站储能***优化运行方法，分析光储式充电站***结构、运行策略和负荷特性；以电网侧负荷方差最小、储能***运行维护成本最小和向电网购电费用最小为目标函数，以储能***功率、荷电状态和电网侧供电功率为约束条件，建立储能***多目标优化运行模型；结合典型日光伏发电功率、基于蒙特卡洛法抽样的电动汽车充电功率和储能***所在地区分时电价基础数据，采用NSGA-III算法对所提模型进行求解，得到Pareto最优解集；最后利用模糊聚类方法对Pareto最优解集进行筛选，得到储能***最优折中运行方案。

所述分析光储式充电站运行策略和负荷特性分析具体指：在光储式光储式充电站内，遵循光伏电能优先给负荷供电的原则，以此减小充电站对电网功率的需求；当光伏发电功率大于负荷充电功率时，利用剩余的光伏电能对电量未满的储能电池组充电；当光伏发电功率小于负荷充电功率，且分时电价为谷电价时，公共电网对电量未满的储能电池组充电同时向差额负荷供电；当光伏发电功率小于负荷充电功率，且分时电价高于谷电价时，满足放电条件的储能电池组和公共电网协调配合向差额负荷供电；

根据电动汽车出行规律，电动私家车的起始充电时间服从正态分布，概率密度函数为：

其中，σ_S和μ_S分别为电动私家车起始充电时间的期望值和标准差，t₁为电动私家车起始充电时间；

假设电动出租车起始充电时间服从均匀分布，即

f_S(t₂)＝randperm(24,1)

其中，randperm(24,1)表示在区间[1,24]生成的随机整数，t₂为电动出租车起始充电时间；

电动私家车和电动出租车日行驶距离分别服从对数正态分布和正态分布，概率密度函数为：

其中，

和

和

分别为电动私家车和电动出租车的日行驶距离期望与标准差，s₁和s₂分别为电动私家车和电动出租车的日行驶距离；

根据上述电动汽车出行规律的概率密度函数，采用蒙特卡洛算法随机地抽样各类电动汽车的起始充电时间和日行驶距离，分析可得不同时段充电站内电动汽车的充电数量与动力电池的初始荷电状态，进一步计算可得充电站日负荷需求。

所述采用NSGA-III算法对所提模型进行求解，得到Pareto最优解集的具体步骤如下：

1)输入NSGA-III初始参数，同时初始化产生单位超平面上数量为H的参考点；

2)以一天内储能***的充放电功率为控制变量，即种群中的个体，设置控制变量上下限，之后随机生成规模大小为N的初始种群P_t，其个体为P_t ⁱ，i＝1,2,...,N；

3)计算多目标函数的值，并根据该值的大小对P_t进行快速非支配排序；

4)完成排序后，筛选P_t中前N/2个优势个体进行交叉变异，得到子代Q_t，其个体为

j＝1,2,...,N/2，随后将P_t和Q_t合并得到R_t，其个体为

k＝1,2,...,3N/2；

5)对R_t进行快速非支配排序，将非支配层中的个体放入新定义的种群S_t中,直到S_t的个体数大于N；

6)以各目标函数的单位向量为x、y、z轴建立空间坐标系，寻找S_t在坐标系下各目标函数的理想点，进一步计算可得各坐标轴的额外点，连接各坐标轴的额外点进而构建所属超平面，根据超平面与坐标轴的截距将目标函数归一化；

7)计算S_t中每个个体到参考点的最短距离，并记录各参考点所关联的个体数量；

8)根据各目标函数的值以及各参考点关联个体的数量从S_t中筛选出前N个个体作为父代种群P_t+1；

9)判断是否完成迭代次数，若迭代未完成则继续进行步骤2)～8)，若迭代完成则输出Pareto最优解集。

所述光储式充电站储能***优化运行方法，步骤1)参考点的初始化如下式所示，由该式产生的H个参考点均匀地分布在单位超平面上，保证了后续优良个体筛选的多样性，

其中：单位超平面是指以(0,0,1)、(0,1,0)、(0,0,1)为顶点构建的平面；H为参考点总数；M为优化目标数量；p为每个优化目标分段数，决定了数量为H的参考点在单位超平面上的分布位置。

本发明的有益效果在于：本发明光储式充电站储能***优化运行方法，采用NSGA-III与模糊聚类结合的优化算法，有效避免了求解过程陷入局部最优的问题，能够有效改善电网侧负荷波动水平，减小充电站运行的综合成本。

附图说明

图1为本发明光储式充电站储能***优化运行方法流程图；

图2为光储式充电站***结构示意图；

图3为实施例中充电负荷与光伏发电功率图；

图4为实施例中Pareto最优解集示意图；

图5为实施例中两种算法下电网侧供电功率对比图；

图6为为实施例中两种算法下储能***充放电功率对比图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

如图1所示光储式充电站储能***优化运行方法，包括以下步骤：

S1、分析光储式充电站***结构、运行策略和负荷特性；

S2、兼顾充电站经济性指标和电网侧运行的技术性指标，以电网侧负荷方差最小、储能***运行维护成本最小和向电网购电费用最小为目标函数，以储能***功率、荷电状态和电网侧供电功率为约束条件，建立储能***多目标优化运行模型；

S3、结合典型日光伏发电功率、基于蒙特卡洛法抽样的电动汽车充电功率和储能***所在地区分时电价基础数据，采用NSGA-III算法对所提模型进行求解，得到Pareto最优解集。

S4、利用模糊聚类方法对Pareto最优解集进行筛选，得到储能***最优折中运行方案。

所述步骤S1中分析光储式充电站运行策略和负荷特性分析具体指：

在光储式光储式充电站内，遵循光伏电能优先给负荷供电的原则，以此减小充电站对电网功率的需求；当光伏发电功率大于负荷充电功率时，利用剩余的光伏电能对电量未满的储能电池组充电；当光伏发电功率小于负荷充电功率，且分时电价为谷电价时，公共电网对电量未满的储能电池组充电同时向差额负荷供电；当光伏发电功率小于负荷充电功率，且分时电价高于谷电价时，满足放电条件的储能电池组和公共电网协调配合向差额负荷供电；

根据电动汽车出行规律，电动私家车的起始充电时间服从正态分布，概率密度函数为：

其中，σ_S和μ_S分别为电动私家车起始充电时间的期望值和标准差，t₁为电动私家车起始充电时间；

假设电动出租车起始充电时间服从均匀分布，即

f_S(t₂)＝randperm(24,1)

其中，randperm(24,1)表示在区间[1,24]生成的随机整数，t₂为电动出租车起始充电时间；

电动私家车和电动出租车日行驶距离分别服从对数正态分布和正态分布，概率密度函数为：

其中，

和

和

分别为电动私家车和电动出租车的日行驶距离期望与标准差，s₁和s₂分别为电动私家车和电动出租车的日行驶距离；

根据上述电动汽车出行规律的概率密度函数，采用蒙特卡洛算法随机地抽样各类电动汽车的起始充电时间和日行驶距离，分析可得不同时段充电站内电动汽车的充电数量与动力电池的初始荷电状态，进一步计算可得充电站日负荷需求。

本实施例中，以典型光储式充电站***结构为例进行分析，如图2所示。图2中光储式充电站采用直流快速充电模式，站内充电桩个数为30个，单台充电桩的充电功率为60kW。锂电池储能***额定功率为2MW，额定电量为10MW·h，配电变压器的额定容量为2MVA。AC/DC变流模块的额定功率为1500kW。假设充电站服务范围内电动汽数量为500辆，其中电动私家车和电动出租车数量比为7:3，通过蒙特卡洛算法仿真得到充电站日充电负荷需求，同时选取某地典型日光伏预测数据为基础数据，设定光伏出力占比为18％，功率曲线如图3所示。

NSGA-III算法参数设置如下：初始种群数量N为200，最大迭代次数Gen_max为1000，交叉概率为0.9，变异概率为1/24，结合光伏出力特性、负荷数据和充电站运行策略对储能运行方案进行优化。

将本发明方法应用于本实施例中，具体过程为：

1、输入NSGA-III初始参数，同时初始化产生单位超平面上数量为H的参考点；

2、输入典型日光伏功率数据，分析站内充电负荷出行特征，采用蒙特卡洛法统计不同时段内电动汽车充电数量，计算得出日负荷功率曲线；

3、以一天内储能***的充放电功率为控制变量(即种群中的个体)，设置控制变量上下限，之后随机生成规模大小为N的初始种群P_t，其个体为P_t ⁱ，i＝1,2,...,N；

4、计算多目标函数的值，并根据该值的大小对P_t进行快速非支配排序；

5、完成排序后，筛选P_t中前N/2个优势个体进行交叉变异，得到子代Qt，其个体为

j＝1,2,...,N/2，随后将P_t和Qt合并得到R_t，其个体为

k＝1,2,...,3N/2。

6、对R_t进行快速非支配排序，将非支配层(F1，F2…)中的个体放入新定义的种群S_t中,直到S_t的个体数大于N。

7、以各目标函数的单位向量为x、y、z轴建立空间坐标系，寻找S_t在坐标系下各目标函数的理想点，进一步计算可得各坐标轴的额外点，连接各坐标轴的额外点进而构建所属超平面，根据超平面与坐标轴的截距将目标函数归一化。

8、计算S_t中每个个体到参考点的最短距离，并记录各参考点所关联的个体数量。

9、根据各目标函数的值以及各参考点关联个体的数量从S_t中筛选出前N个个体作为父代种群P_t+1。

10、判断是否完成迭代次数，若迭代未完成则继续进行步骤3～9，若迭代完成则输出Pareto最优解集。

11、采用模糊聚类法对Pareto最优解集进行筛选，得到储能***最优折中运行方案。

在步骤1中，NSGA-III算法参数设置如下：初始种群数量N为200，最大迭代次数Gen_max为1000，交叉概率为0.9，变异概率为1/24。参考点的初始化如下式所示，由该式产生的H个参考点均匀地分布在单位超平面上，保证了后续优良个体筛选的多样性。

其中：单位超平面是指以(0,0,1)、(0,1,0)、(0,0,1)为顶点构建的平面；H为参考点总数，M为优化目标数量，p为每个优化目标分段数，决定了数量为H的参考点在单位超平面上的分布位置，文中p取值为4。

在步骤3中，种群P_t中的第i个个体P_t ⁱ代表优化周期内储能***的充放电计划，可表示为：

在步骤4中，以电网侧负荷方差最小、储能***运行维护成本最小和向电网购电费用最小为目标函数，即

电网侧负荷方差R_Var计算式为：

其中T为时段数；P_grid(t)为电网在时段t的供电功率；P_{grid_avr}为运行周期内电网供电功率的平均值，可表示为：

储能***运行维护成本C_Bess计算式为：

C_Bess＝C_pP_{Bess_run}+C_eE_{Bess_run}

其中，C_Bess为运行周期内储能***运行维护成本；P_{Bess_run}和E_{Bess_run}分别为储能***参与运行的最大功率值和总电量；C_p和C_e分别为储能***单位功率和单位电量的维护成本。

P_{Bess_run}和E_{Bess_run}可根据一天内各时段储能充放电功率计算得到，即P_{Bess_run}＝max[P_Bess,ch(1),...,P_Bess,disch(n),...,P_Bess,ch(24)]

其中，P_Bess,ch(t)为储能***在时段t的充电功率；P_Bess,disch(t)为储能***在时段t的放电功率；以1h为单位时间段，即△t＝1h。

向电网购电费用C_grid计算式为：

其中，C_grid为运行周期内向电网的购电费用；P_rice(t)为时段t的电网电价。

约束条件具体为：

电网供电功率约束：

P_grid≤min(P_Tr,P_AD)

其中，P_Tr和P_AD分别为充电站变压器和AC/DC变流模块的额定容量。

储能***荷电状态约束：

储能***充电时，满足：

P_PV(t)+P_grid(t)＝P_load(t)+P_Bess,ch(t)

储能***充电时，满足：

P_load(t)＝P_PV(t)+P_Bess,disch(t)+P_grid(t)

其中，P_PV(t)为时段t的光伏发电功率，P_load(t)为时段t的负荷充电功率。

储能***荷电状态约束：

其中，E(t)为储能***在时段t的电量，E_{Bess_run}为储能***参与运行的总电量，SOC_max和SOC_min分别为储能***荷电状态上、下限值。

在步骤7中，种群S_t中的理想点定义为

为第i个优化目标的最小值，额外点和目标函数归一化的计算公式具体为：

其中，ASF为各坐标轴对应的额外点，x为种群S_t中的个体，f_i(x)为第i个转换目标，

为第i个优化目标的最小值，w为转换权重。

其中，f_i ⁿ(x)为个体x第i个目标归一化后的值，a_i为第i个坐标轴上的截距。

步骤9中根据目标函数值、个体关联参考点数量从S_t筛选N个个体，具体筛选步骤为：1)首先根据各目标函数值对S_t中的个体进行非支配排序，得到非支配层(F1、F2…)；2)将各非支配层(F1，F2…)中的个体累计求和,直到个体总数大于N(标记此时非支配层为Fm)，将F1至Fm-1层中的个体放入新父代种群P_t+1，同时假设其个体总数为N1,则只需在Fm里继续筛选N-N1个个体即可；3)通过计算Fm中每个参考点关联个体的数量，即在Fm中优先选择关联个体数目最少的参考点附近的个体进入P_t+1，直至P_t+1的数量达到种群规模N。

在步骤11中，模糊隶属度函数计算公式为：

其中，

为个体单目标模糊化后的值，

为第

个目标的第m个前沿解，

和

分别为Pareto解集中第

个目标函数的最大值和最小值。

进一步地，单目标聚类求和计算公式为：

其中，γ^m为个体目标加权聚类求和后的值，

为第

个目标的权重，M为优化目标总个数，W为Pareto前沿解的个数。

基于上述所提算法优化得到的Pareto最优解集如图4所示。由图4可知，储能***优化运行的最优解均匀地分布在Pareto前端曲面上，体现解集的多样性与收敛性，可为储能***优化运行提供多种方案。

为验证本发明所提优化算法求解储能***优化运行问题的有效性，从充电站整体角度出发，利用熵权法求得各个优化目标的权重系数，分别采用本发明所提优化算法和粒子群算法进行求解，所得储能***参与运行的容量如表1所示。

由表1两种算法的储能运行容量求解结果可看出，相比于粒子群算法，NSGA-III与模糊聚类结合的优化算法使储能***参与运行的功率和电量分别降低71kW、95kWh。

表1

基于以上两种优化算法求解得到***运行优化指标的折中最优解，如表2所示两种算法的优化指标求解结果。由表2可见，针对光储式充电站储能***优化运行，与粒子群算法相比，NSGA-III与模糊聚类结合的优化算法使储能***运行维护成本和向电网的购电费用分别降低1.56％和0.93％，进一步减少了充电站不必要的综合运行成本；电网侧负荷方差下降6619kW2，同时结合图5可得，NSGA-III与模糊聚类结合的优化算法同时较大程度上提高了电网侧负荷波动水平，提升了电网运行稳定性，证明了所提算法的有效性。

表2

对应表1和表2储能***优化运行结果，得到两种优化算法在运行周期内储能充放电功率曲线如图6所示。

由图6可知，谷电价时段负荷功率水平较低，储能***处于充电状态，负荷由电网向其供电，其余时段储能***和电网协调配合向负荷供电。图6中局部放大图再次证明了本发明所提优化算法可进一步降低储能***参与运行的最大功率值，进而降低储能***的运行维护成本。

通过案例仿真分析可得出：与粒子群算法相比，本发明所提优化算法储能***运行维护成本、向电网的购电费用和电网侧负荷方差均降低，光储式充电站经济性指标和电网运行技术性指标进一步提升。

Claims (4)

1.一种光储式充电站储能***优化运行方法，其特征在于，分析光储式充电站***结构、运行策略和负荷特性；以电网侧负荷方差最小、储能***运行维护成本最小和向电网购电费用最小为目标函数，以储能***功率、荷电状态和电网侧供电功率为约束条件，建立储能***多目标优化运行模型；结合典型日光伏发电功率、基于蒙特卡洛法抽样的电动汽车充电功率和储能***所在地区分时电价基础数据，采用NSGA-III算法对所提模型进行求解，得到Pareto最优解集；最后利用模糊聚类方法对Pareto最优解集进行筛选，得到储能***最优折中运行方案。

2.根据权利要求1所述光储式充电站储能***优化运行方法，其特征在于，所述分析光储式充电站运行策略和负荷特性分析具体指：

在光储式光储式充电站内，遵循光伏电能优先给负荷供电的原则，以此减小充电站对电网功率的需求；当光伏发电功率大于负荷充电功率时，利用剩余的光伏电能对电量未满的储能电池组充电；当光伏发电功率小于负荷充电功率，且分时电价为谷电价时，公共电网对电量未满的储能电池组充电同时向差额负荷供电；当光伏发电功率小于负荷充电功率，且分时电价高于谷电价时，满足放电条件的储能电池组和公共电网协调配合向差额负荷供电；

根据电动汽车出行规律，电动私家车的起始充电时间服从正态分布，概率密度函数为：

其中，σ_S和μ_S分别为电动私家车起始充电时间的期望值和标准差，t₁为电动私家车起始充电时间；

假设电动出租车起始充电时间服从均匀分布，即

f_S(t₂)＝randperm(24,1)

其中，randperm(24,1)表示在区间[1,24]生成的随机整数，t₂为电动出租车起始充电时间；

电动私家车和电动出租车日行驶距离分别服从对数正态分布和正态分布，概率密度函数为：

其中，

和

和

分别为电动私家车和电动出租车的日行驶距离期望与标准差，s₁和s₂分别为电动私家车和电动出租车的日行驶距离；

根据上述电动汽车出行规律的概率密度函数，采用蒙特卡洛算法随机地抽样各类电动汽车的起始充电时间和日行驶距离，分析可得不同时段充电站内电动汽车的充电数量与动力电池的初始荷电状态，进一步计算可得充电站日负荷需求。

3.根据权利要求1所述光储式充电站储能***优化运行方法，其特征在于，所述采用NSGA-III算法对所提模型进行求解，得到Pareto最优解集的具体步骤如下：

1)输入NSGA-III初始参数，同时初始化产生单位超平面上数量为H的参考点；

2)以一天内储能***的充放电功率为控制变量，即种群中的个体，设置控制变量上下限，之后随机生成规模大小为N的初始种群P_t，其个体为

3)计算多目标函数的值，并根据该值的大小对P_t进行快速非支配排序；

4)完成排序后，筛选P_t中前N/2个优势个体进行交叉变异，得到子代Q_t，其个体为

随后将P_t和Q_t合并得到R_t，其个体为

5)对R_t进行快速非支配排序，将非支配层中的个体放入新定义的种群S_t中,直到S_t的个体数大于N；

6)以各目标函数的单位向量为x、y、z轴建立空间坐标系，寻找S_t在坐标系下各目标函数的理想点，进一步计算可得各坐标轴的额外点，连接各坐标轴的额外点进而构建所属超平面，根据超平面与坐标轴的截距将目标函数归一化；

7)计算S_t中每个个体到参考点的最短距离，并记录各参考点所关联的个体数量；

8)根据各目标函数的值以及各参考点关联个体的数量从S_t中筛选出前N个个体作为父代种群P_t+1；

9)判断是否完成迭代次数，若迭代未完成则继续进行步骤2)～8)，若迭代完成则输出Pareto最优解集。

4.根据权利要求3所述光储式充电站储能***优化运行方法，其特征在于，步骤1)参考点的初始化如下式所示，由该式产生的H个参考点均匀地分布在单位超平面上，保证了后续优良个体筛选的多样性，

其中：单位超平面是指以(0,0,1)、(0,1,0)、(0,0,1)为顶点构建的平面；H为参考点总数；M为优化目标数量；p为每个优化目标分段数，决定了数量为H的参考点在单位超平面上的分布位置。

Images