CN112865190A - 计及光伏和充电需求的光储充电站优化调度方法和*** - Google Patents
计及光伏和充电需求的光储充电站优化调度方法和*** Download PDFInfo
- Publication number
- CN112865190A CN112865190A CN202011611046.9A CN202011611046A CN112865190A CN 112865190 A CN112865190 A CN 112865190A CN 202011611046 A CN202011611046 A CN 202011611046A CN 112865190 A CN112865190 A CN 112865190A
- Authority
- CN
- China
- Prior art keywords
- day
- optimized
- charging
- time period
- optimization
- 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.)
- Pending
Links
- 238000003860 storage Methods 0.000 title claims abstract description 163
- 230000003287 optical effect Effects 0.000 title claims abstract description 85
- 238000000034 method Methods 0.000 title claims abstract description 79
- 238000005457 optimization Methods 0.000 claims abstract description 177
- 238000005096 rolling process Methods 0.000 claims abstract description 50
- 239000002245 particle Substances 0.000 claims abstract description 43
- 238000005265 energy consumption Methods 0.000 claims abstract description 38
- 239000002253 acid Substances 0.000 claims description 90
- 230000006870 function Effects 0.000 claims description 57
- 238000004146 energy storage Methods 0.000 claims description 43
- 230000006399 behavior Effects 0.000 claims description 40
- 238000009826 distribution Methods 0.000 claims description 40
- 238000004364 calculation method Methods 0.000 claims description 33
- 238000007599 discharging Methods 0.000 claims description 31
- 230000008569 process Effects 0.000 claims description 28
- 230000005611 electricity Effects 0.000 claims description 20
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 238000005286 illumination Methods 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 6
- 230000010354 integration Effects 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 230000002354 daily effect Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000002457 bidirectional effect Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 229910001416 lithium ion Inorganic materials 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013486 operation strategy Methods 0.000 description 1
- 238000000131 plasma-assisted desorption ionisation Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/28—Arrangements for balancing of the load in a network by storage of energy
- H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
- H02J3/322—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means the battery being on-board an electric or hybrid vehicle, e.g. vehicle to grid arrangements [V2G], power aggregation, use of the battery for network load balancing, coordinated or cooperative battery charging
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- 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
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
- Y02E10/56—Power conversion systems, e.g. maximum power point trackers
-
- 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
- Y02E70/00—Other energy conversion or management systems reducing GHG emissions
- Y02E70/30—Systems combining energy storage with energy generation of non-fossil origin
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明涉及计及光伏和充电需求的光储充电站优化调度方法和***，包括：将待优化日各时段的日前光伏出力预测值和日前充电需求预测值输入日前优化调度模型中，利用改进的粒子群算法求解所述模型，得到日前优化调度模型输出的待优化日各时段的优化变量的最优值；利用待优化日内满足第一约束条件的时段的优化变量的最优值对待优化日内满足第一约束条件的时段进行调度，并利用日内滚动优化模型对待优化日内不满足第一约束条件的时段进行调度。本发明通过考虑光伏出力、充电需求不确定性来优化充电站的运行，使得充电站能保证新能源消纳率最大的同时兼顾日运行成本，更为科学有效地对光储充电站进行优化调度，提升了光储充电站调度的准确性。
Description
技术领域
本发明涉及电动汽车充电服务领域，具体涉及计及光伏和充电需求的光储充电站优化调度方法和***。
背景技术
随着环境问题的日益严峻，电动汽车得到了大力发展。统计数据表明，电动汽车的无序充电将给配电网运行带来巨大的不利影响。
充电站作为充电的配套设施，是支撑电动汽车大规模发展的关键因素。面向慢充的电动汽车充电站通常占地面积较大，屋顶具备安装一定规模分布式光伏的条件，然而光伏出力和充电负荷在时序上可能具有不匹配性，进而给配电网带来一定负担。若在光伏充电站中配置一定容量的储能***，将可有效缓解这一问题。若能进一步对停驶状态下的电动汽车充电行为进行科学调度，将可以达到更好的效果。因此，慢充条件下光储充电站的优化调度是一个值得开展深入研究的工作。
目前，已有学者针对电动汽车光储充电站的多时间尺度优化调度问题进行了研究。王睿娟和程杉等提出的基于多时间尺度的电动汽车光储充电站联合分层优化调度方法，其中上层调度中心根据预测数据开展以平抑配电网负荷波动和总购电成本最小为目标的日前调度，下层各光储充电站结合实时数据根据总调度中心下达的指导购电功率曲线实现所接入电动汽车的实时充电功率分配。睿雪和胡泽春等提出的电动公交车光储充电站日运行随机优化策略，其中日前阶段以充电站的运行成本最小为目标得到了日内滚动优化时储能***的初始荷电状态和各时段充电站购售电功率参考值，日内阶段根据当天的光伏出力情况动态调整储能***的状态和充放电功率以实现充电站运行成本的最小化。
多时间尺度的调度可以满足调度的全局统筹性和实时调度的精确性，因此，立足于多时间尺度对光储充电站进行科学调度是很有必要的。然而，上述文献忽略了光伏和充电需求双重不确定对光储充电站调度的影响，因而光储充电站优化调度模型有待进一步完善。
发明内容
针对现有技术的不足，本发明的目的是提供计及光伏和充电需求的光储充电站优化调度方法和***，该方法更为科学有效地对光储充电站进行优化调度，提升了光储充电站调度的准确性。
本发明的目的是采用下述技术方案实现的：
本发明提供计及光伏和充电需求的光储充电站优化调度方法，其改进之处在于，所述方法包括：
将待优化日各时段的日前光伏出力预测值和日前充电需求预测值输入日前优化调度模型中，利用改进的粒子群算法求解日前优化调度模型，得到日前优化调度模型输出的待优化日各时段的优化变量的最优值；
利用待优化日内满足第一约束条件的时段的优化变量的最优值对待优化日内满足第一约束条件的时段进行调度，并利用日内滚动优化模型对待优化日内不满足第一约束条件的时段进行调度；
其中，所述优化变量包括：光储充电站内储能***中功铅酸蓄电池组的充放电功率和光储充电站的购电功率；
改进的粒子群算法的改进之处在于：改进了粒子群算法中惯性权重因子ω、学习因子C1以及学习因子C2的设置值。
优选的，所述利用日内滚动优化模型对待优化日内不满足第一约束条件的时段进行调度，包括：
获取所述不满足第一约束条件的时段的光伏出力超短期预测值和充电需求超短期预测值；
将所述不满足第一约束条件的时段的光伏出力超短期预测值和充电需求超短期预测值输入日内滚动优化模型，利用改进的粒子群算法求解日内滚动优化模型，得到日内滚动优化模型输出的所述不满足第一约束条件的时段的优化变量的最优值；
利用所述不满足第一约束条件的时段的优化变量的最优值对所述不满足第一约束条件的时段进行调度。
进一步的，所述不满足第一约束条件的时段的光伏出力超短期预测值为在该时段之前的Sh个时段分别预测的该时段的光伏出力的平均值；
所述不满足第一约束条件的时段的充电需求超短期预测值为在该时段之前的Sh个时段分别预测的该时段的充电需求的平均值；
其中，Sh为预设时段数。
优选的，所述待优化日各时段的日前光伏出力预测值的获取过程，包括：
基于各历史日内各时段的光伏出力数据，采用核密度估计法生成待优化日内各时段的光伏出力概率密度函数；
在定义域范围内对待优化日内各时段的光伏出力概率密度函数求积分，并将积分结果作为待优化日内各时段的日前光伏出力预测值。
优选的，所述待优化日各时段的日前充电需求预测值的获取过程，包括：
对区域内电动汽车用户的历史充电行为进行统计，得到不能满足行驶需求时充电的电动汽车用户的占比，并将所述占比作为电动汽车用户的充电概率；所述充电行为为行驶结束后充电或不能满足行驶需求时充电；
基于电动汽车用户的充电概率，获取区域内各电动汽车用户在待优化日内各时段的充电行为；
基于区域内各电动汽车用户的出行规律和区域内各电动汽车用户在待优化日内各时段的充电行为，采用蒙特卡洛模拟各电动汽车用户在待优化日的行驶行为，得到待优化日各时段内需要充电的电动汽车用户、电动汽车用户的行驶里程以及电动汽车用户的充电起始时间；
根据待优化日各时段内需要充电的电动汽车用户、电动汽车用户的行驶里程以及电动汽车用户的充电起始时间，计算待优化日各时段的日前充电需求预测值；
其中，对于区域内第ψ个电动汽车用户，随机生成与在待优化日内第t个时段对应的处于区间[0，1]内的随机数Randψ(t)，若Randψ(t)＞p，则区域内第ψ个电动汽车用户在待优化日内第t个时段的充电行为为电动汽车在行驶结束后充电，否则，区域内第ψ个电动汽车用户在待优化日内第t个时段的充电行为为不能满足行驶需求时再进行充电，p为电动汽车用户的充电概率，t∈(1～T)，T为一日内包含的时段总数，ψ∈(1～Sψ)，Sψ为区域内电动汽车用户总数。
进一步的，所述待优化日各时段的日前充电需求预测值的计算式为：
式中，Pev(t)为待优化日第t个时段的日前充电需求预测值，Pξ(t)为待优化日第t个时段内第ξ个需要充电的电动汽车用户的充电需求，ξ∈(1～Sξ)，Sξ为待优化日第t个时段需要充电的电动汽车用户总数；
其中，所述Pξ(t)的计算式为：
式中，Tend(t)为待优化日第t个时段的结束时刻，Tξ(t)为在待优化日第t个时段内第ξ个需要充电的电动汽车用户的起始充电时刻，ΔTs为单位时长，Ps为单位时长对应的充电功率，tc，ξ(t)为在待优化日第t个时段内第ξ个需要充电的电动汽车用户的充电时长；
所述tc，ξ(t)的计算式为：
式中，pc是电动汽车充电功率，SOCξ(t)为待优化日第t个时段内第ξ个需要充电的电动汽车用户的荷电状态；
所述SOCξ(t)的计算式为：
SOCξ(t)＝(1-dξ(t)/dm，ξ)
式中，dm，ξ为第ξ个需要充电的用户的电动汽车的最大行驶里程，dξ(t)为在待优化日第t个时段内第ξ个需要充电的电动汽车用户的行驶里程。
优选的，所述第一约束条件为：光伏出力超短期预测值与日前光伏出力预测值的差值小于第一阈值且充电需求超短期预测值与日前充电需求预测值的差值小于第二阈值。
优选的，所述日前优化调度模型的构建，包括：
以新能源消纳率最大并结合光储充电站运行成本最低为目标构建目标函数；
为所述目标函数构建铅酸蓄电池组充放电功率约束、铅酸蓄电池SOC范围约束、配电网供电功率约束和***功率平衡约束。
进一步的，所述日前优化调度模型的目标函数的计算式为：
F＝min[λaf1+λbf2]
式中，F为日前优化调度模型的目标函数值，λa为新能源消纳量对应的权重，f1为待优化日的新能源消纳量的倒数，λb为运行成本对应的权重，f2为待优化日的运行成本。
进一步的，所述待优化日第t个时段的新能源消纳量的倒数f1(t)的计算式为：
式中，Ppv(t)为待优化日第t个时段的新能源消纳量，λw(t)为待优化日第t个时段所对应的场景的权重，t∈(1～T)，T为一日内包含的时段总数；
其中，所述场景是基于光照强度和电动汽车用户的充电概率p划分的。
进一步的，所述待优化日第t个时段的运行成本f2(t)的计算式为：
式中，C(t)为待优化日第t个时段的运行成本，λw(t)为待优化日第t个时段所对应的场景的权重，t∈(1～T)，T为一日内包含的时段总数；
其中，所述待优化日第t个时段的运行成本C(t)的计算式为：
式中，Pr(t)为待优化日第t个时段的电价，Pg(t)为待优化日第t个时段向配电网购电的功率，Δt为时段的时长，C1，j(t)为待优化日第t个时段光储充电站的储能***中铅酸蓄电池的第j次充放电循环过程的寿命损耗成本，PD(t)为待优化日第t个时段配电网的常规负荷功率，Pavg(t)为待优化日第t个时段配电网的预计平均负荷功率，j∈(1～NT，t)，NT，t为待优化日第t个时段光储充电站的储能***中铅酸蓄电池的充放电循环次数，M为惩罚系数；
所述待优化日第t个时段光储充电站的储能***中铅酸蓄电池的第j次充放电循环过程的寿命损耗成本C1，j(t)的计算式如下：
式中，Rj(t)为待优化日第t个时段光储充电站的储能***中铅酸蓄电池的第j次充放电循环过程的充放电深度，α1为铅酸蓄电池的第一寿命系数，α2为铅酸蓄电池的第二寿命系数，α3为铅酸蓄电池的第三寿命系数，α4为铅酸蓄电池的第四寿命系数，α5为铅酸蓄电池的第五寿命系数，Cv为铅酸蓄电池投资成本。
优选的，所述日内滚动优化模型的构建，包括：
以新能源消纳率最大为目标构建目标函数；
为所述目标函数构建铅酸蓄电池组充放电功率约束、铅酸蓄电池SOC范围约束、配电网供电功率约束、***功率平衡约束、充电需求约束和充电时长约束，得到所述日内滚动优化模型。
进一步的，所述日内滚动优化模型的目标函数的计算式为：
F1＝max Ppv(μ)
式中，F1为日内滚动优化模型的目标函数值，Ppv(μ)为待优化日内不满足第一约束条件的第μ个时段的新能源消纳量，μ∈(1～Sμ)，Sμ为待优化日内不满足第一约束条件的时段的总数。
优选的，所述惯性权重因子ω的计算式为：
ω＝0.5+0.5Nrand
其中，Nrand是0-1之间的随机数。
所述学习因子C1的计算式为：
所述学习因子C2的计算式为：
式中，C1S为学习因子C1的迭代初始值，C2S为学习因子C2的迭代初始值，C1e为学习因子C1的迭代终值，C2e为学习因子C2的迭代终值，Gmax为粒子群算法迭代总次数，δ为当前迭代次数。
本发明提供计及光伏和充电需求的光储充电站优化调度***，其改进之处在于，所述***包括：
优化求解模块，用于将待优化日各时段的日前光伏出力预测值和日前充电需求预测值输入日前优化调度模型中，利用改进的粒子群算法求解日前优化调度模型，得到日前优化调度模型输出的待优化日各时段的优化变量的最优值；
调度模块，用于利用待优化日内满足第一约束条件的时段的优化变量的最优值对待优化日内满足第一约束条件的时段进行调度，并利用日内滚动优化模型对待优化日内不满足第一约束条件的时段进行调度；
其中，所述优化变量包括：光储充电站内储能***中功铅酸蓄电池组的充放电功率和光储充电站的购电功率；
改进的粒子群算法的改进之处在于：改进了粒子群算法中惯性权重因子ω、学习因子C1以及学习因子C2的设置值。
与最接近的现有技术相比，本发明具有的有益效果：
本发明提供的技术方案，将待优化日各时段的日前光伏出力预测值和日前充电需求预测值输入日前优化调度模型中，利用改进的粒子群算法求解所述模型，得到日前优化调度模型输出的待优化日各时段的优化变量的最优值；利用待优化日内满足第一约束条件的时段的优化变量的最优值对待优化日内满足第一约束条件的时段进行调度，并利用日内滚动优化模型对待优化日内不满足第一约束条件的时段进行调度。该方案通过考虑光伏出力、充电需求不确定性来优化充电站的运行，使得光储充电站能保证新能源消纳率最大的同时兼顾日运行成本，更为科学有效地对光储充电站进行优化调度，提升了光储充电站调度的准确性。
本发明提供的技术方案，粒子群算法可以提升寻优的准确性。
附图说明
图1是计及光伏和充电需求的光储充电站优化调度方法流程图；
图2是计及光伏和充电需求的光储充电站优化调度***结构图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步的详细说明。
为使本发明实施例的目的、技术方案和优点更加清楚，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它实施例，都属于本发明保护的范围。
实施例1：
本发明提供计及光伏和充电需求的光储充电站优化调度方法，如图1所示，所述方法包括：
步骤101，将待优化日各时段的日前光伏出力预测值和日前充电需求预测值输入日前优化调度模型中，利用改进的粒子群算法求解日前优化调度模型，得到日前优化调度模型输出的待优化日各时段的优化变量的最优值；
步骤102，利用待优化日内满足第一约束条件的时段的优化变量的最优值对待优化日内满足第一约束条件的时段进行调度，并利用日内滚动优化模型对待优化日内不满足第一约束条件的时段进行调度；
其中，所述优化变量包括：光储充电站内储能***中功铅酸蓄电池组的充放电功率和光储充电站的购电功率；
改进的粒子群算法的改进之处在于：改进了粒子群算法中惯性权重因子ω、学习因子C1以及学习因子C2的设置值。
本发明提供的技术方法，日前优化调度模型以利用核密度估计算法预测的光伏出力和利用二项分布统计的电动汽车充电需求为输入来优化光储充电站的运行，日内滚动优化模型是以短时间尺度内预测得到的光伏出力和电动汽车充电需求为输入来优化光储充电站的运行，日前优化调度模型和日内滚动优化模型的结合使用，充分考虑了光伏出力和储能需求不确定对光储充电站优化调度的影响，提升了光储充电站调度的准确性。
具体的，所述利用日内滚动优化模型对待优化日内不满足第一约束条件的时段进行调度，包括：
获取所述不满足第一约束条件的时段的光伏出力超短期预测值和充电需求超短期预测值；
将所述不满足第一约束条件的时段的光伏出力超短期预测值和充电需求超短期预测值输入日内滚动优化模型，利用改进的粒子群算法求解日内滚动优化模型，得到日内滚动优化模型输出的所述不满足第一约束条件的时段的优化变量的最优值；
利用所述不满足第一约束条件的时段的优化变量的最优值对所述不满足第一约束条件的时段进行调度。
进一步的，所述不满足第一约束条件的时段的光伏出力超短期预测值为在该时段之前的Sh个时段分别预测的该时段的光伏出力的平均值；
所述不满足第一约束条件的时段的充电需求超短期预测值为在该时段之前的Sh个时段分别预测的该时段的充电需求的平均值；
其中，Sh为预设时段数。
具体的，所述待优化日各时段的日前光伏出力预测值的获取过程，包括：
基于各历史日内各时段的光伏出力数据，采用核密度估计法生成待优化日内各时段的光伏出力概率密度函数；
在定义域范围内对待优化日内各时段的光伏出力概率密度函数求积分，并将积分结果作为待优化日内各时段的日前光伏出力预测值。
具体的，所述待优化日各时段的日前充电需求预测值的获取过程，包括：
对区域内电动汽车用户的历史充电行为进行统计，得到不能满足行驶需求时充电的电动汽车用户的占比，并将所述占比作为电动汽车用户的充电概率；所述充电行为为行驶结束后充电或不能满足行驶需求时充电；
基于电动汽车用户的充电概率，获取区域内各电动汽车用户在待优化日内各时段的充电行为；
基于区域内各电动汽车用户的出行规律和区域内各电动汽车用户在待优化日内各时段的充电行为，采用蒙特卡洛模拟各电动汽车用户在待优化日的行驶行为，得到待优化日各时段内需要充电的电动汽车用户、电动汽车用户的行驶里程以及电动汽车用户的充电起始时间；
根据待优化日各时段内需要充电的电动汽车用户、电动汽车用户的行驶里程以及电动汽车用户的充电起始时间，计算待优化日各时段的日前充电需求预测值；
其中，对于区域内第ψ个电动汽车用户，随机生成与在待优化日内第t个时段对应的处于区间[0，1]内的随机数Randψ(t)，若Randψ(t)＞p，则区域内第ψ个电动汽车用户在待优化日内第t个时段的充电行为为电动汽车在行驶结束后充电，否则，区域内第ψ个电动汽车用户在待优化日内第t个时段的充电行为为不能满足行驶需求时再进行充电，p为电动汽车用户的充电概率，t∈(1～T)，T为一日内包含的时段总数，ψ∈(1～Sψ)，Sψ为区域内电动汽车用户总数。
进一步的，所述待优化日各时段的日前充电需求预测值的计算式为：
式中，Pev(t)为待优化日第t个时段的日前充电需求预测值，Pξ(t)为待优化日第t个时段内第ξ个需要充电的电动汽车用户的充电需求，ξ∈(1～Sξ)，Sξ为待优化日第t个时段需要充电的电动汽车用户总数；
其中，所述Pξ(t)的计算式为：
式中，Tend(t)为待优化日第t个时段的结束时刻，Tξ(t)为在待优化日第t个时段内第ξ个需要充电的电动汽车用户的起始充电时刻，ΔTs为单位时长，Ps为单位时长对应的充电功率，tc，ξ(t)为在待优化日第t个时段内第ξ个需要充电的电动汽车用户的充电时长；
所述tc，ξ(t)的计算式为：
式中，pc是电动汽车充电功率，SOCξ(t)为待优化日第t个时段内第ξ个需要充电的电动汽车用户的荷电状态；
所述SOCξ(t)的计算式为：
SOCξ(t)＝(1-dξ(t)/dm，ξ)
式中，dm，ξ为第ξ个需要充电的用户的电动汽车的最大行驶里程，dξ(t)为在待优化日第t个时段内第ξ个需要充电的电动汽车用户的行驶里程。
具体的，所述第一约束条件为：光伏出力超短期预测值与日前光伏出力预测值的差值小于第一阈值且充电需求超短期预测值与日前充电需求预测值的差值小于第二阈值。
具体的，所述日前优化调度模型的构建，包括：
以新能源消纳率最大并结合光储充电站运行成本最低为目标构建目标函数；
为所述目标函数构建铅酸蓄电池组充放电功率约束、铅酸蓄电池SOC范围约束、配电网供电功率约束和***功率平衡约束。
进一步的，所述日前优化调度模型的目标函数的计算式为：
F＝min[λaf1+λbf2]
式中，F为日前优化调度模型的目标函数值，λa为新能源消纳量对应的权重，f1为待优化日的新能源消纳量的倒数，λb为运行成本对应的权重，f2为待优化日的运行成本。
进一步的，所述待优化日第t个时段的新能源消纳量的倒数f1(t)的计算式为：
式中，Ppv(t)为待优化日第t个时段的新能源消纳量，λw(t)为待优化日第t个时段所对应的场景的权重，t∈(1～T)，T为一日内包含的时段总数；
其中，所述场景是基于光照强度和电动汽车用户的充电概率p划分的。
进一步的，所述待优化日第t个时段的运行成本f2(t)的计算式为：
式中，C(t)为待优化日第t个时段的运行成本，λw(t)为待优化日第t个时段所对应的场景的权重，t∈(1～T)，T为一日内包含的时段总数；
其中，所述待优化日第t个时段的运行成本C(t)的计算式为：
式中，Pr(t)为待优化日第t个时段的电价，Pg(t)为待优化日第t个时段向配电网购电的功率，Δt为时段的时长，C1，j(t)为待优化日第t个时段光储充电站的储能***中铅酸蓄电池的第j次充放电循环过程的寿命损耗成本，PD(t)为待优化日第t个时段配电网的常规负荷功率，Pavg(t)为待优化日第t个时段配电网的预计平均负荷功率，j∈(1～NT，t)，NT，t为待优化日第t个时段光储充电站的储能***中铅酸蓄电池的充放电循环次数，M为惩罚系数；
所述待优化日第t个时段光储充电站的储能***中铅酸蓄电池的第j次充放电循环过程的寿命损耗成本C1，j(t)的计算式如下：
式中，Rj(t)为待优化日第t个时段光储充电站的储能***中铅酸蓄电池的第j次充放电循环过程的充放电深度，α1为铅酸蓄电池的第一寿命系数，α2为铅酸蓄电池的第二寿命系数，α3为铅酸蓄电池的第三寿命系数，α4为铅酸蓄电池的第四寿命系数，α5为铅酸蓄电池的第五寿命系数，Cv为铅酸蓄电池投资成本。
具体的，所述日内滚动优化模型的构建，包括：
以新能源消纳率最大为目标构建目标函数；
为所述目标函数构建铅酸蓄电池组充放电功率约束、铅酸蓄电池SOC范围约束、配电网供电功率约束、***功率平衡约束、充电需求约束和充电时长约束，得到所述日内滚动优化模型。
进一步的，所述日内滚动优化模型的目标函数的计算式为：
F1＝max Ppv(μ)
式中，F1为日内滚动优化模型的目标函数值，Ppv(μ)为待优化日内不满足第一约束条件的第μ个时段的新能源消纳量，μ∈(1～Sμ)，Sμ为待优化日内不满足第一约束条件的时段的总数。
具体的，所述惯性权重因子ω的计算式为：
ω＝0.5+0.5Nrand
其中，Nrand是0-1之间的随机数。
所述学习因子C1的计算式为：
所述学习因子C2的计算式为：
式中，C1S为学习因子C1的迭代初始值，C2S为学习因子C2的迭代初始值，C1e为学习因子C1的迭代终值，C2e为学习因子C2的迭代终值，Gmax为粒子群算法迭代总次数，δ为当前迭代次数。
本发明提供的技术方法，提供了包含日前优化模型和日内滚动优化模型的双层优化模型，日前优化调度模型以光储充电站日运行成本最小和新能源消纳率最大为目标构建的，同时，以日前优化模型的优化结果为参考，建立基于短时间尺度预测的日内滚动优化模型，为切实有效地开展光储充电站的优化调度提供理论基础。
本发明提供的技术方法，尽量减小了因日前预测不准确导致的误差，提高了优化的合理性。
实施例2：
本发明提供计及光伏和充电需求的光储充电站优化调度***，如图2所示，所述***包括：
优化求解模块，用于将待优化日各时段的日前光伏出力预测值和日前充电需求预测值输入日前优化调度模型中，利用改进的粒子群算法求解日前优化调度模型，得到日前优化调度模型输出的待优化日各时段的优化变量的最优值；
调度模块，用于利用待优化日内满足第一约束条件的时段的优化变量的最优值对待优化日内满足第一约束条件的时段进行调度，并利用日内滚动优化模型对待优化日内不满足第一约束条件的时段进行调度；
其中，所述优化变量包括：光储充电站内储能***中功铅酸蓄电池组的充放电功率和光储充电站的购电功率；
改进的粒子群算法的改进之处在于：改进了粒子群算法中惯性权重因子ω、学习因子C1以及学习因子C2的设置值。
具体的，所述调度模块，具体包括：
第一获取单元，用于获取所述不满足第一约束条件的时段的光伏出力超短期预测值和充电需求超短期预测值；
优化求解单元，用于将所述不满足第一约束条件的时段的光伏出力超短期预测值和充电需求超短期预测值输入日内滚动优化模型，利用改进的粒子群算法求解日内滚动优化模型，得到日内滚动优化模型输出的所述不满足第一约束条件的时段的优化变量的最优值；
调度单元，用于利用所述不满足第一约束条件的时段的优化变量的最优值对所述不满足第一约束条件的时段进行调度。
进一步的，所述不满足第一约束条件的时段的光伏出力超短期预测值为在该时段之前的Sh个时段分别预测的该时段的光伏出力的平均值；
所述不满足第一约束条件的时段的充电需求超短期预测值为在该时段之前的Sh个时段分别预测的该时段的充电需求的平均值；
其中，Sh为预设时段数。
具体的，所述***还包括：用于预先获取待优化日各时段的日前光伏出力预测值的第一获取模块，所述第一获取模块包括：
生成单元，用于基于各历史日内各时段的光伏出力数据，采用核密度估计法生成待优化日内各时段的光伏出力概率密度函数；
积分单元，用于在定义域范围内对待优化日内各时段的光伏出力概率密度函数求积分，并将积分结果作为待优化日内各时段的日前光伏出力预测值。
具体的，所述***还包括：用于预先获取待优化日各时段的日前充电需求预测值的第二获取模块，所述第二获取模块，包括：
统计单元，用于对区域内电动汽车用户的历史充电行为进行统计，得到不能满足行驶需求时充电的电动汽车用户的占比，并将所述占比作为电动汽车用户的充电概率；所述充电行为为行驶结束后充电或不能满足行驶需求时充电；
第二获取单元，用于基于电动汽车用户的充电概率，获取区域内各电动汽车用户在待优化日内各时段的充电行为；
模拟单元，用于基于区域内各电动汽车用户的出行规律和区域内各电动汽车用户在待优化日内各时段的充电行为，采用蒙特卡洛模拟各电动汽车用户在待优化日的行驶行为，得到待优化日各时段内需要充电的电动汽车用户、电动汽车用户的行驶里程以及电动汽车用户的充电起始时间；
计算单元，用于根据待优化日各时段内需要充电的电动汽车用户、电动汽车用户的行驶里程以及电动汽车用户的充电起始时间，计算待优化日各时段的日前充电需求预测值；
其中，对于区域内第ψ个电动汽车用户，随机生成与在待优化日内第t个时段对应的处于区间[0，1]内的随机数Randψ(t)，若Randψ(t)＞p，则区域内第ψ个电动汽车用户在待优化日内第t个时段的充电行为为电动汽车在行驶结束后充电，否则，区域内第ψ个电动汽车用户在待优化日内第t个时段的充电行为为不能满足行驶需求时再进行充电，p为电动汽车用户的充电概率，t∈(1～T)，T为一日内包含的时段总数，ψ∈(1～Sψ)，Sψ为区域内电动汽车用户总数。
进一步的，所述待优化日各时段的日前充电需求预测值的计算式为：
式中，Pev(t)为待优化日第t个时段的日前充电需求预测值，Pξ(t)为待优化日第t个时段内第ξ个需要充电的电动汽车用户的充电需求，ξ∈(1～Sξ)，Sξ为待优化日第t个时段需要充电的电动汽车用户总数；
其中，所述Pξ(t)的计算式为：
式中，Tend(t)为待优化日第t个时段的结束时刻，Tξ(t)为在待优化日第t个时段内第ξ个需要充电的电动汽车用户的起始充电时刻，ΔTs为单位时长，Ps为单位时长对应的充电功率，tc，ξ(t)为在待优化日第t个时段内第ξ个需要充电的电动汽车用户的充电时长；
所述tc，ξ(t)的计算式为：
式中，pc是电动汽车充电功率，SOCξ(t)为待优化日第t个时段内第ξ个需要充电的电动汽车用户的荷电状态；
所述SOCξ(t)的计算式为：
SOCξ(t)＝(1-dξ(t)/dm，ξ)
式中，dm，ξ为第ξ个需要充电的用户的电动汽车的最大行驶里程，dξ(t)为在待优化日第t个时段内第ξ个需要充电的电动汽车用户的行驶里程。
具体的，所述第一约束条件为：光伏出力超短期预测值与日前光伏出力预测值的差值小于第一阈值且充电需求超短期预测值与日前充电需求预测值的差值小于第二阈值。
具体的，所述***还包括：用于构建日前优化调度模型的第一构建模块，所述第一构建模块，包括：
第一目标函数构建单元，用于以新能源消纳率最大并结合光储充电站运行成本最低为目标构建目标函数；
第一约束条件构建单元，用于为所述目标函数构建铅酸蓄电池组充放电功率约束、铅酸蓄电池SOC范围约束、配电网供电功率约束和***功率平衡约束。
具体的，所述日前优化调度模型的目标函数的计算式为：
F＝min[λaf1+λbf2]
式中，F为日前优化调度模型的目标函数值，λa为新能源消纳量对应的权重，f1为待优化日的新能源消纳量的倒数，λb为运行成本对应的权重，f2为待优化日的运行成本。
具体的，所述待优化日第t个时段的新能源消纳量的倒数f1(t)的计算式为：
式中，Ppv(t)为待优化日第t个时段的新能源消纳量，λw(t)为待优化日第t个时段所对应的场景的权重，t∈(1～T)，T为一日内包含的时段总数；
其中，所述场景是基于光照强度和电动汽车用户的充电概率p划分的。
具体的，所述待优化日第t个时段的运行成本f2(t)的计算式为：
式中，C(t)为待优化日第t个时段的运行成本，λw(t)为待优化日第t个时段所对应的场景的权重，t∈(1～T)，T为一日内包含的时段总数；
其中，所述待优化日第t个时段的运行成本C(t)的计算式为：
式中，Pr(t)为待优化日第t个时段的电价，Pg(t)为待优化日第t个时段向配电网购电的功率，Δt为时段的时长，C1，j(t)为待优化日第t个时段光储充电站的储能***中铅酸蓄电池的第j次充放电循环过程的寿命损耗成本，PD(t)为待优化日第t个时段配电网的常规负荷功率，Pavg(t)为待优化日第t个时段配电网的预计平均负荷功率，j∈(1～NT，t)，NT，t为待优化日第t个时段光储充电站的储能***中铅酸蓄电池的充放电循环次数，M为惩罚系数；
所述待优化日第t个时段光储充电站的储能***中铅酸蓄电池的第j次充放电循环过程的寿命损耗成本C1，j(t)的计算式如下：
式中，Rj(t)为待优化日第t个时段光储充电站的储能***中铅酸蓄电池的第j次充放电循环过程的充放电深度，α1为铅酸蓄电池的第一寿命系数，α2为铅酸蓄电池的第二寿命系数，α3为铅酸蓄电池的第三寿命系数，α4为铅酸蓄电池的第四寿命系数，α5为铅酸蓄电池的第五寿命系数，Cv为铅酸蓄电池投资成本。
具体的，所述***还包括用于构建日内滚动优化模型的第二构建模块，所述第二构建模块包括：
第二目标函数构建单元，用于以新能源消纳率最大为目标构建目标函数；
第二约束条件构建单元，用于为所述目标函数构建铅酸蓄电池组充放电功率约束、铅酸蓄电池SOC范围约束、配电网供电功率约束、***功率平衡约束、充电需求约束和充电时长约束，得到所述日内滚动优化模型。
进一步的，其特征在于，所述日内滚动优化模型的目标函数的计算式为：
F1＝max Ppv(μ)
式中，F1为日内滚动优化模型的目标函数值，Ppv(μ)为待优化日内不满足第一约束条件的第μ个时段的新能源消纳量，μ∈(1～Sμ)，Sμ为待优化日内不满足第一约束条件的时段的总数。
具体的，所述惯性权重因子ω的计算式为：
ω＝0.5+0.5Nrand
其中，Nrand是0-1之间的随机数。
所述学习因子C1的计算式为：
所述学习因子C2的计算式为：
式中，C1S为学习因子C1的迭代初始值，C2S为学习因子C2的迭代初始值，C1e为学习因子C1的迭代终值，C2e为学习因子C2的迭代终值，Gmax为粒子群算法迭代总次数，δ为当前迭代次数。
实施例3：
为考虑光伏和充电需求双重不确定对光储充电站调度的影响，本发明提出计及光伏和充电需求的光储充电站优化调度方法，该方法具体实施过程如下所述：
S1：光伏出力和电动汽车充电需求的不确定性建模：
构建光伏出力的不确定模型，所述模型包括但不限于基于核密度估计的光伏出力不确定性模型；
构建电动汽车充电需求的不确定性模型，所述模型包括但不限于基于二项分布的用户充电行为不确定性模型。
其中，建立基于核密度估计的光伏出力不确定性模型的过程如下所述：
基于各历史日内各时段的光伏出力数据，采用核密度估计法生成待优化日内各时段的光伏出力概率密度函数，待优化日内第t个时段的光伏出力概率密度函数fh(xt)：
式中，n为历史日的总数，h为核密度估计的带宽，
为第ξ个历史日内第t个时段的光伏出力，xt为待优化日内第t个时段的日前光伏出力预测值，t∈(1～T)，T为一日内包含的时段总数；
令待优化日内第t个时段的日前光伏出力预测值Pp(t)的计算式如下：
求解得到待优化日内第t个时段的日前光伏出力预测值。
建立基于二项分布的用户充电行为不确定性模型的过程如下所述：
充电习惯受电动汽车用户的主观影响，具有较强的不确定性。对于区域内的电动汽车集群来说，充电习惯则呈现出不确定的情况是介于“用户行驶结束后充电”和“用户不能满足行驶需求时充电”两种状态之间。
将行驶结束后即充电用1表示，不能满足行驶需求时充电用0表示，则对于单个电动汽车用户来说，其每天的充电行为服从0-1分布。假设用户之间充电行为互不影响，则数量为n的电动汽车用户群体充电习惯近似服从参数为n、p的二项分布。通过对区域内的电动汽车集群的充电行为的统计分析，得到电动汽车用户集群的充电概率p，p属于区间[0，1]，数值上等于不能满足行驶需求时充电的用户的占比；
对于区域内第ψ个用户，随机生成服从U(0，1)且与待优化日内第t个时段对应的随机数Randψ(t)，若Randψ(t)＞p，则区域内第ψ个用户在待优化日内第t个时段的充电行为电动汽车在行驶结束后充电，否则，区域内第ψ个用户在待优化日内第t个时段的充电行为电动汽车在不能满足行驶需求时再进行充电。
使用此方法，以此得到区域内各个用户在待优化日内第t个时段的充电行为；
基于区域内各用户的出行规律，采用蒙特卡洛模拟电动汽车各用户在待优化日的行驶行为，得到待优化日第t个时段内需要充电的用户、用户的行驶里程以及用户的充电起始时间；
对于在待优化日第t个时段内第ξ个需要充电的用户，利用在待优化日第t个时段内第ξ个需要充电的用户的行驶里程dξ(t)确定在待优化日第t个时段内第ξ个需要充电的用户的荷电状态SOCξ(t)，计算式如下：
SOCξ(t)＝(1-dξ(t)/dm，ξ)
式中，dm，ξ为第ξ个需要充电的用户的电动汽车的最大行驶里程。
结合充电功率，可以得到在待优化日第t个时段内第ξ个需要充电的用户的充电所需时长tc，ξ(t)，为：
式中，pc是电动汽车充电功率。
结合电动汽车用户的充电起始时间，得到在待优化日第t个时段内第ξ个需要充电的用户的日前充电需求预测值，计算式如下：
式中，Tend(t)为待优化日第t个时段的结束时刻，Tξ(t)为在待优化日第t个时段内第ξ个需要充电的用户的起始充电时刻，ΔTs为单位时长，Ps为单位时长对应的充电功率；
依照同样方法，可以得到在待优化日第t个时段内所有需要充电的用户的日前充电需求的预测值；将在待优化日第t个时段内所有需要充电的用户的日前充电需求预测值的加和作为待优化日第t个时段的日前充电需求预测值Pev(t)；重复执行上述操作，直至得到待优化日所有时段的日前充电需求预测值。
S2：光储充电站多时间尺度优化调度框架与调度模型建模，所提光储充电站多时间尺度优化调度框架与数学模型，包括但不限于光储充电站多时间尺度优化调度框架、考虑双重不确定性的日前优化调度模型和基于短时间尺度预测的日内滚动优化模型。
光储充电站的优化调度有日前调度和日内调度。日前调度主要确定后一日的充电安排，日内调度则在较小的时间步长内对日前所得到的调度策略进行调整。基于此，本发明以具有不确定性的日前光伏出力预测值和电动汽车日前充电需求预测值作为日前优化调度模型的输入数据，以新能源消纳率最大和成本最低为目标构建日前优化调度模型，成本最低的计算考虑到光储充电站的购电成本、蓄电池循环使用的寿命损耗成本以及对配电网造成的负荷波动的惩罚项。
在日内阶段，根据实际情况进行判断时候是否需要进行日内优化，如果不需要日内优化，则以日前的优化结果为最终优化结果，否则以***当前实际运行状态为初始状态，以短时间尺度预测的光伏出力和充电需求为输入，以新能源消纳率最大为目标构建日内滚动优化模型，通过日内滚动优化模型得到最终的优化结果。优化变量为每个时段对应的储能充电功率或放电功率以及每个时段的购电量。
其中，考虑双重不确定性的日前优化模型的目标函数为：
F＝min[λaf1+λbf2]
式中，F为日前优化模型的目标函数值，λa为新能源消纳量对应的权重，f1为待优化日的新能源消纳量的倒数，λb为运行成本对应的权重，f2为待优化日的运行成本；
其中，
Ppv(t)为待优化日第t个时段的新能源消纳量，光伏的消纳取决于充电站的运行策略，受到了光储充电站充放电状态和配电网购电量的影响，C(t)为待优化日第t个时段的运行成本，λw(t)为待优化日第t个时段所对应的场景的权重，t∈(1～T)，T为一日内包含的时段总数，w∈(1～W)，W为场景的总数；
这里，场景是基于光照强度和电动汽车用户集群的充电概率p划分的，场景共有6种；
光照强度分为两种情况，光照强度大于预设光照强度和光照强度小于等于预设光照强度，一般预设光照强度取值为500勒克斯；
电动汽车用户集群的充电概率p分为三种情况，p大于第一预设充电概率值，p小于第二预设充电概率值，p处于第一预设充电概率值与第二预设充电概率值所构成的闭区间，与第二预设充电概率值小于第一预设充电概率值；一般第一预设充电概率值取值为0.8，第二预设充电概率值取值为0.6；
所述C(t)的计算式如下：
式中，Pr(t)为待优化日第t个时段的电价，Pg(t)为待优化日第t个时段向配电网购电的功率，Δt为时段的时长，C1，j(t)为待优化日第t个时段光储充电站的储能***中铅酸蓄电池的第j次充放电循环过程的寿命损耗成本，PD(t)为待优化日第t个时段配电网的常规负荷功率，Pavg(t)为待优化日第t个时段配电网的预计平均负荷功率，j∈(1～NT，t)，NT，t为待优化日第t个时段光储充电站的储能***中铅酸蓄电池的充放电循环次数，M为惩罚系数；
因光储充电站的储能***由铅酸蓄电池组构成，铅酸蓄电池的寿命依赖于多种因素，如运行温度、最大充电电流及充放电过程等。这里主要研究充放电过程对储能电池寿命的影响，充放电过程主要涉及充放电次数、充放电深度。
当铅酸蓄电池充放电循环深度为R时，故障前最大循环充放电次数NESS可表示为：
式中，α1～α5是铅酸蓄电池的寿命参数，这些相关系数由铅酸蓄电池厂商提供的寿命测试数据得到，范围在区间[0，1]。
铅酸蓄电池充放电循环一次，电池寿命损耗占总寿命百分比为
Cv为铅酸蓄电池投资成本，铅酸蓄电池的此次充放电循环过程的寿命损耗成本C1为：
因此，待优化日第t个时段光储充电站的储能***中铅酸蓄电池的第j次充放电循环过程的寿命损耗成本C1，j(t)的计算式如下：
式中，Rj(t)为待优化日第t个时段光储充电站的储能***中铅酸蓄电池的第j次充放电循环过程的充放电深度。
为日前优化调度模型的目标函数构建铅酸蓄电池组充放电功率约束、铅酸蓄电池SOC范围约束、配电网供电功率约束和***功率平衡约束；
其中，铅酸蓄电池组充放电功率受双向DC-DC变换器额定功率约束，因此铅酸蓄电池组充放电功率约束如下：
|Pb(t)|≤Pbnηdd
式中，|Pb(t)|为待优化日第t个时段铅酸蓄电池组的充放电功率的绝对值，Pbn为双向DC-DC变换器的额定功率，ηdd为双向DC-DC变换器的转换率。
铅酸蓄电池的寿命受放电深度的影响，因此光储充电站的储能***中铅酸蓄电池组中各铅酸蓄电池的SOC范围约束如下：
1-D≤SOC(t)≤1
式中，D为铅酸蓄电池组最大放电深度，SOC(t)为待优化日第t个时段光储充电站的储能***中铅酸蓄电池的荷电状态。
式中，SOCz(t)为待优化日第t个时段光储充电站的储能***中铅酸蓄电池组的荷电状态，SOCz(t-1)为待优化日第t-1个时段光储充电站的储能***中铅酸蓄电池组的荷电状态，Ebn为光储充电站的储能***中铅酸蓄电池组的额定容量，Pb(t)为待优化日第t个时段光储充电站的储能***中铅酸蓄电池组的充放电功率。
配电网供电功率受到配电变压器和AC-DC变换器的额定容量限制，因此配电网供电功率约束如下：
Pg(t)≤min(PT，PAD)
式中，PT为配电变压器额定容量，PAD为AC-DC变换器的额定容量。
当光储充电站的储能***处于充电状态时，***功率平衡约束如下：
式中，Pp(t)为待优化日第t个时段的日前光伏出力预测值，Pev(t)为待优化日第t个时段的日前充电需求预测值。
当光储充电站的储能***处于放电状态时，***功率平衡约束如下：
在日内调度阶段，需要对待优化日内不满足第一约束条件的时段的光伏出力和充电需求进行超短期预测；第一约束条件为光伏出力超短期预测值与日前光伏出力预测值的偏差小于预设值且充电需求超短期预测值与该时段日前充电需求预测值的偏差小于预设值；
进行光伏出力超短期预测可用光伏出力预测模型实现，其中，光伏出力预测模型可表示为：
P(k+hΔt|k)＝P0(k)+Δup(k+hΔt|k)h＝1，2，…Sh
式中，P(k+hΔt|k)为在当前时段k预测的当前时段之后h个时段的光伏出力，P0(k)为在当前时段k的光伏出力，Δup(k+hΔt|k)为在当前时段k预测的当前时段之后h个时段的光伏出力与当前时段k的光伏出力之间的差值，获取差值的技术很成熟，这里不再赘述；
进行充电需求超短期预测可用充电需求预测模型实现，其中，充电需求预测模型刻表示为：
S(k+hΔt|k)＝S0(k)+Δus(k+hΔt|h)h＝1，2，…Sh
式中，S(k+hΔt|k)为在当前时段k预测的当前时段之后h个时段的充电需求，S0(k)为在当前时段k的充电需求，Δus(k+hΔt|h)为在当前时段k预测的当前时段之后h个时段的充电需求与当前时段k的充电需求的差值，获取差值的技术很成熟，这里不再赘述；
也就是说，不满足第一约束条件的时段的前Sh个时段均可以预测得到不满足第一约束条件的时段的光伏出力，我们将不满足第一约束条件的时段前Sh个时段预测得到的不满足第一约束条件的时段的光伏出力的平均值作为该时段的光伏出力超短期预测值；同理，获取不满足第一约束条件的时段的充电需求超短期预测值；
对于待优化日内满足第一约束条件的时段而言，其日前优化调度结果即为最终优化调度结果，对于待优化日内不满足第一约束条件的时段而言，将该时段的光伏出力超短期预测值和充电需求超短期预测值代入日内滚动优化模型，并将该模型输出的值作为最终优化结果。
第一约束条件中的偏差可以为5％时，偏差定义为：
其中，X1是日内调度结果，X0是日前调度结果。
日内滚动优化模型的目标函数如下：
F1＝max Ppv(η)
式中，F1为日内滚动优化模型的目标函数值，Ppv(η)为不满足第一约束条件的第η个时段的新能源消纳量。
为新能源消纳率最大目标函数构建充电需求约束、充电时长约束、铅酸蓄电池组充放电功率约束、铅酸蓄电池SOC范围约束、配电网供电功率约束和***功率平衡约束；
其中，所述充电需求约束如下：
SOCead，qc，ξ(t)≥SOCqc，ξ(t)
式中，SOCead，qc，ξ(t)为在待优化日第t个时段内第ξ个需要充电的电动汽车用户的充电完成时的荷电状态，SOCqc，ξ(t)为在待优化日第t个时段内第ξ个需要充电的电动汽车用户的电动汽车的荷电状态；
所述充电时长约束如下：
Tead，qc，ξ(t)≤Tqc，ξ(t)
式中，Tead，qc，ξ(t)为在待优化日第t个时段内第ξ个需要充电的电动汽车用户的充电结束时间，Tqc，ξ(t)为在待优化日第t个时段内第ξ个需要充电的电动汽车用户的期望充电结束时间。
S3：基于参数改进的粒子群优化求解算法
粒子群优化算法将每个优化问题等效为搜索空间中的一个粒子，问题的最优解就对应于最优的粒子。每个粒子都有位置向量和速度向量，其中，位置向量指的是粒子在解空间中的位置，由优化的函数计算得到，粒子的速度向量受粒子的自身经验以及群中最优粒子的影响，从而确定下一代迭代的进化方向和距离。
粒子群优化算法的基本核心就是利用群体中的个体信息的共享实现粒子在解空间中的搜索以寻找到最优解。在使用粒子群优化求解算法时需要输入权重因子和学习参数，在寻优的过程中，粒子通过惯性权重和学习因子确定下一步的演化方向。
所提基于参数改进的粒子群优化求解算法，包括但不限于应用随机权重改进粒子群优化算法的收敛速度和基于非线性反余弦加速改进学习因子。
具体步骤为：
计算改进的惯性权重因子；
对于惯性权重ω，若ω采用0.5-1之间的随机数，比线性递减策略精度更高，收敛速度更快，定义惯性权重为：
ω＝0.5+0.5Nrand
其中，Nrand是0-1之间的随机数。
计算改进的学习因子：
对于学习因子C1和C2，采用非线性反余弦加速，C1先大后小，而C2先小后大，即在搜索初期粒子飞行主要参考本身的历史信息C1，而后期则更加注重群体信息C2：
式中，C1S和C2S分别为学习因子C1和C2的迭代初始值；C1e和C2e分别为学习因子C1和C2的迭代终值，Gmax为算法迭代总次数，δ为迭代次数。
本实施例中选取500辆私家车，使用的锂离子动力电池额定电压为320V、额定容量100Ah，根据电动汽车的行为规律预测生成其到达充电站的电量需求。光储充电站内单台充电桩的额定功率为10kW；站内光伏***的额定容量为800kW。
其优化过程描述如下：
利用基于核密度估计的光伏出力不确定性模型计算待优化日内各时段的日前光伏出力预测值，时段的时长可设为15min；
光伏发电功率与用户的充电需求每天均存在差异，将额定光照强度折算为1，依据下式得到光伏输出模型如下：
式中，η为光照强度，ηN为额定光照强度，Pp，N为额定光伏出力。
依据下式，选取1000天的历史数据，带宽为1，可以得到待优化日每个时段的光伏出力概率密度函数如下。
利用待优化日每个时段的光伏出力概率密度函数计算待优化日内各时段的日前光伏出力预测值；
基于二项分布的用户充电行为不确定性模型计算待优化日内各时段的充电需求：
假设用户额定行驶里程为500km，充电功率为100kW，电池容量为80kWh，基于二项分布的用户充电行为不确定性模型计算得到待优化日内各时段的日前充电需求预测值：
将待优化日内各时段的日前光伏出力预测值、日前充电需求前预测值、分时电价代入日前优化调度模型，利用改进的粒子群算法求解所述模型，得到待优化日内各时段光储充电站的储能***中铅酸蓄电池组的充放电功率和光储充电站的购电功率；
获取待优化日内满足第一约束条件的时段和不满足第一约束条件的时段；第一约束条件为光伏出力超短期预测值与日前光伏出力预测值的偏差小于预设值且充电需求超短期预测值与该时段日前充电需求预测值的偏差小于预设值；
满足第一约束条件的时段对应的日前优化调度模型输出的光储充电站的储能***中铅酸蓄电池组的充放电功率和光储充电站的购电功率即为最终优化结果；
对于不满足第一约束条件的时段，将该时段光伏出力超短期预测值和充电需求超短期预测值代入日内滚动优化模型，利用改进的粒子群算法求解所述，得到所述模型输出的该时段的光储充电站的储能***中铅酸蓄电池组的充放电功率和光储充电站的购电功率，将其作为最终优化结果。
本领域内的技术人员应明白，本发明的实施例可提供为方法、***、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
Claims (15)
1.计及光伏和充电需求的光储充电站优化调度方法，其特征在于，所述方法包括：
将待优化日各时段的日前光伏出力预测值和日前充电需求预测值输入日前优化调度模型中，利用改进的粒子群算法求解日前优化调度模型，得到日前优化调度模型输出的待优化日各时段的优化变量的最优值；
利用待优化日内满足第一约束条件的时段的优化变量的最优值对待优化日内满足第一约束条件的时段进行调度，并利用日内滚动优化模型对待优化日内不满足第一约束条件的时段进行调度；
其中，所述优化变量包括：光储充电站内储能***中功铅酸蓄电池组的充放电功率和光储充电站的购电功率；
改进的粒子群算法的改进之处在于：改进了粒子群算法中惯性权重因子ω、学习因子C1以及学习因子C2的设置值。
2.如权利要求1所述的方法，其特征在于，所述利用日内滚动优化模型对待优化日内不满足第一约束条件的时段进行调度，包括：
获取所述不满足第一约束条件的时段的光伏出力超短期预测值和充电需求超短期预测值；
将所述不满足第一约束条件的时段的光伏出力超短期预测值和充电需求超短期预测值输入日内滚动优化模型，利用改进的粒子群算法求解日内滚动优化模型，得到日内滚动优化模型输出的所述不满足第一约束条件的时段的优化变量的最优值；
利用所述不满足第一约束条件的时段的优化变量的最优值对所述不满足第一约束条件的时段进行调度。
3.如权利要求2所述的方法，其特征在于，所述不满足第一约束条件的时段的光伏出力超短期预测值为在该时段之前的Sh个时段分别预测的该时段的光伏出力的平均值；
所述不满足第一约束条件的时段的充电需求超短期预测值为在该时段之前的Sh个时段分别预测的该时段的充电需求的平均值；
其中，Sh为预设时段数。
4.如权利要求1所述的方法，其特征在于，所述待优化日各时段的日前光伏出力预测值的获取过程，包括：
基于各历史日内各时段的光伏出力数据，采用核密度估计法生成待优化日内各时段的光伏出力概率密度函数；
在定义域范围内对待优化日内各时段的光伏出力概率密度函数求积分，并将积分结果作为待优化日内各时段的日前光伏出力预测值。
5.如权利要求1所述的方法，其特征在于，所述待优化日各时段的日前充电需求预测值的获取过程，包括：
对区域内电动汽车用户的历史充电行为进行统计，得到不能满足行驶需求时充电的电动汽车用户的占比，并将所述占比作为电动汽车用户的充电概率；所述充电行为为行驶结束后充电或不能满足行驶需求时充电；
基于电动汽车用户的充电概率，获取区域内各电动汽车用户在待优化日内各时段的充电行为；
基于区域内各电动汽车用户的出行规律和区域内各电动汽车用户在待优化日内各时段的充电行为，采用蒙特卡洛模拟各电动汽车用户在待优化日的行驶行为，得到待优化日各时段内需要充电的电动汽车用户、电动汽车用户的行驶里程以及电动汽车用户的充电起始时间；
根据待优化日各时段内需要充电的电动汽车用户、电动汽车用户的行驶里程以及电动汽车用户的充电起始时间，计算待优化日各时段的日前充电需求预测值；
其中，对于区域内第ψ个电动汽车用户，随机生成与在待优化日内第t个时段对应的处于区间[0，1]内的随机数Randψ(t)，若Randψ(t)＞p，则区域内第ψ个电动汽车用户在待优化日内第t个时段的充电行为为电动汽车在行驶结束后充电，否则，区域内第ψ个电动汽车用户在待优化日内第t个时段的充电行为为不能满足行驶需求时再进行充电，p为电动汽车用户的充电概率，t∈(1～T)，T为一日内包含的时段总数，ψ∈(1～Sψ)，Sψ为区域内电动汽车用户总数。
6.如权利要求5所述的方法，其特征在于，所述待优化日各时段的日前充电需求预测值的计算式为：
式中，Pev(t)为待优化日第t个时段的日前充电需求预测值，Pξ(t)为待优化日第t个时段内第ξ个需要充电的电动汽车用户的充电需求，ξ∈(1～Sξ)，Sξ为待优化日第t个时段需要充电的电动汽车用户总数；
其中，所述Pξ(t)的计算式为：
式中，Tend(t)为待优化日第t个时段的结束时刻，Tξ(t)为在待优化日第t个时段内第ξ个需要充电的电动汽车用户的起始充电时刻，ΔTs为单位时长，Ps为单位时长对应的充电功率，tc，ξ(t)为在待优化日第t个时段内第ξ个需要充电的电动汽车用户的充电时长；
所述tc，ξ(t)的计算式为：
式中，pc是电动汽车充电功率，SOCξ(t)为待优化日第t个时段内第ξ个需要充电的电动汽车用户的荷电状态；
所述SOCξ(t)的计算式为：
SOCξ(t)＝(1-dξ(t)/dm，ξ)
式中，dm，ξ为第ξ个需要充电的用户的电动汽车的最大行驶里程，dξ(t)为在待优化日第t个时段内第ξ个需要充电的电动汽车用户的行驶里程。
7.如权利要求1所述的方法，其特征在于，所述第一约束条件为：光伏出力超短期预测值与日前光伏出力预测值的差值小于第一阈值且充电需求超短期预测值与日前充电需求预测值的差值小于第二阈值。
8.如权利要求1所述的方法，其特征在于，所述日前优化调度模型的构建，包括：
以新能源消纳率最大并结合光储充电站运行成本最低为目标构建目标函数；
为所述目标函数构建铅酸蓄电池组充放电功率约束、铅酸蓄电池SOC范围约束、配电网供电功率约束和***功率平衡约束。
9.如权利要求8所述的方法，其特征在于，所述日前优化调度模型的目标函数的计算式为：
F＝min[λaf1+λbf2]
式中，F为日前优化调度模型的目标函数值，λa为新能源消纳量对应的权重，f1为待优化日的新能源消纳量的倒数，λb为运行成本对应的权重，f2为待优化日的运行成本。
10.如权利要求9所述的方法，其特征在于，所述待优化日第t个时段的新能源消纳量的倒数f1(t)的计算式为：
式中，Ppv(t)为待优化日第t个时段的新能源消纳量，λw(t)为待优化日第t个时段所对应的场景的权重，t∈(1～T)，T为一日内包含的时段总数；
其中，所述场景是基于光照强度和电动汽车用户的充电概率p划分的。
11.如权利要求9所述的方法，其特征在于，所述待优化日第t个时段的运行成本f2(t)的计算式为：
式中，C(t)为待优化日第t个时段的运行成本，λw(t)为待优化日第t个时段所对应的场景的权重，t∈(1～T)，T为一日内包含的时段总数；
其中，所述待优化日第t个时段的运行成本C(t)的计算式为：
式中，Pr(t)为待优化日第t个时段的电价，Pg(t)为待优化日第t个时段向配电网购电的功率，Δt为时段的时长，C1，j(t)为待优化日第t个时段光储充电站的储能***中铅酸蓄电池的第j次充放电循环过程的寿命损耗成本，PD(t)为待优化日第t个时段配电网的常规负荷功率，Pavg(t)为待优化日第t个时段配电网的预计平均负荷功率，j∈(1～NT，t)，NT，t为待优化日第t个时段光储充电站的储能***中铅酸蓄电池的充放电循环次数，M为惩罚系数；
所述待优化日第t个时段光储充电站的储能***中铅酸蓄电池的第j次充放电循环过程的寿命损耗成本C1，j(t)的计算式如下：
式中，Rj(t)为待优化日第t个时段光储充电站的储能***中铅酸蓄电池的第j次充放电循环过程的充放电深度，α1为铅酸蓄电池的第一寿命系数，α2为铅酸蓄电池的第二寿命系数，α3为铅酸蓄电池的第三寿命系数，α4为铅酸蓄电池的第四寿命系数，α5为铅酸蓄电池的第五寿命系数，Cv为铅酸蓄电池投资成本。
12.如权利要求1所述的方法，其特征在于，所述日内滚动优化模型的构建，包括：
以新能源消纳率最大为目标构建目标函数；
为所述目标函数构建铅酸蓄电池组充放电功率约束、铅酸蓄电池SOC范围约束、配电网供电功率约束、***功率平衡约束、充电需求约束和充电时长约束，得到所述日内滚动优化模型。
13.如权利要求12所述的方法，其特征在于，所述日内滚动优化模型的目标函数的计算式为：
F1＝max Ppv(μ)
式中，F1为日内滚动优化模型的目标函数值，Ppv(μ)为待优化日内不满足第一约束条件的第μ个时段的新能源消纳量，μ∈(1～Sμ)，Sμ为待优化日内不满足第一约束条件的时段的总数。
14.如权利要求1所述的方法，其特征在于，所述惯性权重因子ω的计算式为：
ω＝0.5+0.5Nrand
其中，Nrand是0-1之间的随机数。
所述学习因子C1的计算式为：
所述学习因子C2的计算式为：
式中，C1S为学习因子C1的迭代初始值，C2S为学习因子C2的迭代初始值，C1e为学习因子C1的迭代终值，C2e为学习因子C2的迭代终值，Gmax为粒子群算法迭代总次数，δ为当前迭代次数。
15.计及光伏和充电需求的光储充电站优化调度***，其特征在于，所述***包括：
优化求解模块，用于将待优化日各时段的日前光伏出力预测值和日前充电需求预测值输入日前优化调度模型中，利用改进的粒子群算法求解日前优化调度模型，得到日前优化调度模型输出的待优化日各时段的优化变量的最优值；
调度模块，用于利用待优化日内满足第一约束条件的时段的优化变量的最优值对待优化日内满足第一约束条件的时段进行调度，并利用日内滚动优化模型对待优化日内不满足第一约束条件的时段进行调度；
其中，所述优化变量包括：光储充电站内储能***中功铅酸蓄电池组的充放电功率和光储充电站的购电功率；
改进的粒子群算法的改进之处在于：改进了粒子群算法中惯性权重因子ω、学习因子C1以及学习因子C2的设置值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011611046.9A CN112865190A (zh) | 2020-12-31 | 2020-12-31 | 计及光伏和充电需求的光储充电站优化调度方法和*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011611046.9A CN112865190A (zh) | 2020-12-31 | 2020-12-31 | 计及光伏和充电需求的光储充电站优化调度方法和*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112865190A true CN112865190A (zh) | 2021-05-28 |
Family
ID=75998614
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011611046.9A Pending CN112865190A (zh) | 2020-12-31 | 2020-12-31 | 计及光伏和充电需求的光储充电站优化调度方法和*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112865190A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113568307A (zh) * | 2021-07-02 | 2021-10-29 | 福建时代星云科技有限公司 | 一种储充站的控制策略优化方法及终端 |
| CN113733963A (zh) * | 2021-08-31 | 2021-12-03 | 国网北京市电力公司 | 一种光储充一体站日前调度方法、***、装置及存储介质 |
| CN114004033A (zh) * | 2021-11-16 | 2022-02-01 | 国网天津市电力公司 | 考虑低压配电网的住宅区电动汽车充电调度方法及装置 |
| CN115099590A (zh) * | 2022-06-14 | 2022-09-23 | 国网浙江省电力有限公司电力科学研究院 | 计及光荷不确定性的主动配电网经济优化调度方法及*** |
| CN115189377A (zh) * | 2022-08-01 | 2022-10-14 | 四川大学 | 基于光伏发电量预测的微网优化调度方法、装置和设备 |
| CN115395619A (zh) * | 2022-09-23 | 2022-11-25 | 青岛鼎信通讯股份有限公司 | 一种基于能量路由器的电动汽车有序充电方法 |
| CN116151486A (zh) * | 2023-04-19 | 2023-05-23 | 国网天津市电力公司城西供电分公司 | 含储能***的光伏充电站多时间尺度随机优化方法及装置 |
| CN117040028A (zh) * | 2023-09-28 | 2023-11-10 | 泰豪科技(深圳)电力技术有限公司 | 一种工商业园区光储充微电网的控制策略优化方法及*** |
-
2020
- 2020-12-31 CN CN202011611046.9A patent/CN112865190A/zh active Pending
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113568307A (zh) * | 2021-07-02 | 2021-10-29 | 福建时代星云科技有限公司 | 一种储充站的控制策略优化方法及终端 |
| CN113733963A (zh) * | 2021-08-31 | 2021-12-03 | 国网北京市电力公司 | 一种光储充一体站日前调度方法、***、装置及存储介质 |
| CN114004033A (zh) * | 2021-11-16 | 2022-02-01 | 国网天津市电力公司 | 考虑低压配电网的住宅区电动汽车充电调度方法及装置 |
| CN115099590A (zh) * | 2022-06-14 | 2022-09-23 | 国网浙江省电力有限公司电力科学研究院 | 计及光荷不确定性的主动配电网经济优化调度方法及*** |
| CN115189377A (zh) * | 2022-08-01 | 2022-10-14 | 四川大学 | 基于光伏发电量预测的微网优化调度方法、装置和设备 |
| CN115395619A (zh) * | 2022-09-23 | 2022-11-25 | 青岛鼎信通讯股份有限公司 | 一种基于能量路由器的电动汽车有序充电方法 |
| CN115395619B (zh) * | 2022-09-23 | 2024-04-05 | 青岛鼎信通讯股份有限公司 | 一种基于能量路由器的电动汽车有序充电方法 |
| CN116151486A (zh) * | 2023-04-19 | 2023-05-23 | 国网天津市电力公司城西供电分公司 | 含储能***的光伏充电站多时间尺度随机优化方法及装置 |
| CN116151486B (zh) * | 2023-04-19 | 2023-07-07 | 国网天津市电力公司城西供电分公司 | 含储能***的光伏充电站多时间尺度随机优化方法及装置 |
| CN117040028A (zh) * | 2023-09-28 | 2023-11-10 | 泰豪科技(深圳)电力技术有限公司 | 一种工商业园区光储充微电网的控制策略优化方法及*** |
| CN117040028B (zh) * | 2023-09-28 | 2024-01-09 | 泰豪科技(深圳)电力技术有限公司 | 一种工商业园区光储充微电网的控制策略优化方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112865190A (zh) | 计及光伏和充电需求的光储充电站优化调度方法和*** | |
| Zheng et al. | A novel real-time scheduling strategy with near-linear complexity for integrating large-scale electric vehicles into smart grid | |
| CN103241130B (zh) | 一种电动公交车充换电站的能量管理方法及*** | |
| Wang et al. | Distributed control for large-scale plug-in electric vehicle charging with a consensus algorithm | |
| 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 | |
| Li et al. | An optimal design and analysis of a hybrid power charging station for electric vehicles considering uncertainties | |
| CN113103905B (zh) | 一种电动汽车智能充电分配调节方法、装置、设备及介质 | |
| Zhang et al. | Multi-objective hydro-thermal-wind coordination scheduling integrated with large-scale electric vehicles using IMOPSO | |
| 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 | |
| Yang et al. | Optimal dispatching strategy for shared battery station of electric vehicle by divisional battery control | |
| CN113541168A (zh) | 一种电动汽车集群可调控能力确定方法、调度方法及*** | |
| Li et al. | Online battery protective energy management for energy-transportation nexus | |
| 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*** | |
| CN116307087B (zh) | 考虑电动汽车充放电的微电网***储能优化配置方法和*** | |
| CN112238781B (zh) | 一种基于分层架构的电动汽车有序充电控制方法 | |
| 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 | |
| Ma et al. | Real-time plug-in electric vehicles charging control for V2G frequency regulation | |
| CN111313449B (zh) | 一种基于机器学习的集群电动汽车功率优化管理方法 | |
| CN114914923B (zh) | 基于网格法的变时长两阶段电动汽车调度方法及*** | |
| CN114692965A (zh) | 基于数模混合驱动的电动汽车集群可调度潜力预测方法及装置 | |
| Yi et al. | A data-driven framework for residential electric vehicle charging load profile generation | |
| Ali et al. | Optimal operation of static energy storage in fast-charging stations considering the trade-off between resilience and peak shaving | |
| Ren et al. | Bayesian network based real-time charging scheduling of electric vehicles | |
| 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 | |
| CN115036952A (zh) | 一种基于mpc的电动汽车参与负荷平抑的实时功率控制方法 |
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 |