CN113733963B - 一种光储充一体站日前调度方法、***、装置及存储介质 - Google Patents

一种光储充一体站日前调度方法、***、装置及存储介质 Download PDF

Info

Publication number
CN113733963B
CN113733963B CN202111014791.XA CN202111014791A CN113733963B CN 113733963 B CN113733963 B CN 113733963B CN 202111014791 A CN202111014791 A CN 202111014791A CN 113733963 B CN113733963 B CN 113733963B
Authority
CN
China
Prior art keywords
day
charging
photovoltaic output
photovoltaic
ahead
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
Application number
CN202111014791.XA
Other languages
English (en)
Other versions
CN113733963A (zh
Inventor
薛贵挺
汪柳君
杨震
单博雅
刘哲
刘长江
杨卫杰
刘云瀚
张加霂
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
State Grid Beijing Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
State Grid Beijing Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, State Grid Beijing Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202111014791.XA priority Critical patent/CN113733963B/zh
Publication of CN113733963A publication Critical patent/CN113733963A/zh
Application granted granted Critical
Publication of CN113733963B publication Critical patent/CN113733963B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/50—Charging stations characterised by energy-storage or power-generation means
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/50—Charging stations characterised by energy-storage or power-generation means
    • B60L53/51—Photovoltaic means
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/60—Monitoring or controlling charging stations
    • B60L53/62—Monitoring or controlling charging stations in response to charging parameters, e.g. current, voltage or electrical charge
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/60—Monitoring or controlling charging stations
    • B60L53/63—Monitoring or controlling charging stations in response to network capacity
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/60—Monitoring or controlling charging stations
    • B60L53/64—Optimising energy costs, e.g. responding to electricity rates
    • 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
    • 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
    • G06Q10/06313—Resource planning in a project environment
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/70—Energy storage systems for electromobility, e.g. batteries
    • 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
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/7072—Electromobility specific charging systems or methods for batteries, ultracapacitors, supercapacitors or double-layer capacitors
    • 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
    • Y02T90/12—Electric charging stations

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Mechanical Engineering (AREA)
  • Transportation (AREA)
  • Power Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种光储充一体站日前调度方法、***、装置及存储介质，方法包括：对光伏出力历史数据进行聚类，得到光伏历史出力集，描述光伏出力的概率分布，对概率分布进行随机采样，生成光伏出力曲线；通过变分自编码器训练充电负荷历史数据，学习EV充电的概率分布模型，生成充电负荷需求曲线；基于光伏出力曲线和充电负荷需求曲线，进行充电站日前优化。通过数据‑模型混合驱动的方法进行了光伏出力和充电需求的场景生成，在考虑碳排放成本的情况下，经过对每种场景的仿真分析，得出不同典型场景下充电站的日前优化运行策略。

Description

一种光储充一体站日前调度方法、***、装置及存储介质
技术领域
本发明属于电力***调度技术领域，具体涉及一种光储充一体站日前调度方法、***、装置及存储介质。
背景技术
在能源和环保的双重压力之下，电动汽车成为未来汽车的主要发展方向，大量EV充电会给电网带来冲击，为了促进新能源消纳以及平抑这种冲击，“光储充一体站”应运而生。而如何优化光储充一体站的运行，使其可以提高新能源利用率，降低碳排放量，从而提高***的经济性和清洁性已成为研究热点之一。对于“光储充一体站”的运行，需要根据车辆的充电行为和光伏出力，制定其包含储能***配置及充电站与电网交换功率的日前调度方法。光储充一体站内，光伏发电***所发出的电能首先满足充电站需求，当***内供电不满足负荷需求时，储能***放电，若仍不能满足，则从大电网购电；当光伏出力过剩时，可将剩余电能给储能充电，也可以向大电网售电从而获得一定的经济效益。
光伏出力的大小取决于光照的强弱，不同的天气会使得光伏出力曲线有很大区别，使得光伏出力产生不确定性，且充电负荷需求也具有不确定性，容易对光储充一体站的运行收益产生影响。
发明内容
本发明的目的在于提供一种光储充一体站日前调度方法、***、装置及存储介质，以解决现有技术中，光储充一体站的运行不确定性大的问题。
为了实现上述目的，本发明采用如下技术方案：
本发明的第一个方面，一种光储充一体站日前调度方法，包括如下步骤：
获取光伏出力历史数据，对所述光伏出力历史数据进行聚类，得到能够反映天气情况的光伏历史出力集；
基于所述光伏历史出力集，描述光伏出力的概率分布，对概率分布进行随机采样，生成光伏出力曲线；
通过变分自编码器训练充电负荷历史数据，学习EV充电的概率分布模型，生成充电站工作日与非工作日的充电负荷需求曲线；
基于所述光伏出力曲线和充电负荷需求曲线，组成八个不同的场景，分别进行充电站日前优化，得到相应的日前优化调度方法。
优选的，选择高斯核函数将光伏出力历史数据映射到更高维度的特征空间后使用kernel k-means的聚类方法对所述光伏出力历史数据进行聚类，具体方法如下：
根据“肘部法”确认光伏出力数据的聚类数k，生成k个初始聚类中心：c1、c2、……、ck；
分别计算每个点到这k个聚类中心的距离，将距离最小的聚类中心所在的簇作为该点所属的簇，然后对每个簇重新计算新的聚类中心；
当所有数据点到聚类中心的距离之和最小时，该结果就作为聚类的结果。
优选的，采用Beta分布来描述光伏出力的概率分布。
优选的，利用蒙特卡洛直接采样法对所述概率分布进行随机采样，生成k种天气下的光伏出力曲线。
优选的，生成充电负荷需求曲线的具体方式如下：
推断网络训练样本得到分布qΦ(z|x)；生成网络为pθ(z)pθ(z|x)生成场景；编码器训练电动汽车充电的负荷数据集X，得到每个隐属性的概率分布，并求得其对应的均值和方差，以向量μ和δ表示；；从高斯分布N(0,1)概率分布中随机采样出一个ε，通过计算z＝μ+εσ生成向量Z作为解码器的输入；经过解码器解码后，得到EV负荷需求曲线。
优选的，进行充电站日前优化，具体方式如下：
将光伏出力曲线和负荷需求曲线，输入预设的日前优化策略模型，分别求解得到对应的优化策略；所述日前优化策略模型的目标函数包括向电动汽车和电网的售电收益、购电成本、碳排放成本、容量电费以及光伏和储能的运行成本。
优选的，所述日前优化策略模型的约束条件包括：储能约束、功率平衡约束和充电站与电网的功率交换约束。
本发明的第二方面，一种用于所述光储充一体站日前调度方法的***，包括：
第一模块，用于获取光伏出力历史数据，对所述光伏出力历史数据进行聚类，得到能够反映天气情况的光伏历史出力集；
第二模块，用于基于所述光伏历史出力集，描述光伏出力的概率分布，对概率分布进行随机采样，生成光伏出力曲线；
第三模块，用于通过变分自编码器训练充电负荷历史数据，学习EV充电的概率分布模型，生成充电站工作日与非工作日的充电负荷需求曲线；
第四模块，用于基于所述光伏出力曲线和充电负荷需求曲线，组成八个不同的场景，分别进行充电站日前优化，同时优化过程中满足***约束条件，得到相应的日前优化调度方法。
本发明的第三方面，一种用于光储充一体站日前调度方法的装置，包括：存储器和处理器；所述存储器，用于存储计算机程序；所述处理器，用于当执行所述计算机程序时，实现所述的光储充一体站日前调度方法。
本发明的第三方面，一种计算机可读存储介质，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现所述的光储充一体站日前调度方法。
本发明的有益效果如下：
(1)本实施例提供的光储充一体站日前调度方法，基于数据与模型混合驱动，得到的策略包括充电站与电网的交换功率曲线和储能的充放电曲线。通过比较运用此策略下的收益与未用此策略时的充电站收益，能够更好地根据分时电价和不同场景做出相应的调整，有利于辅助电网削峰填谷，缓解大量电动汽车充电对电网带来的冲击，并且带来更高的收益。
(2)本实施例提供的光储充一体站日前调度方法，基于数据与模型混合驱动，考虑了不同场景下光储充一体站运行的差异性，根据不同场景制定个性化的日前运行策略，通过与以往固定的储能充放电策略对比发现，本发明所提日前运行策略更贴合现实情况，并且利用分时电价机制，光储充一体站能够获得更高的日收益。
(3)本实施例提供的光储充一体站日前调度方法，采用改进的kernel k-means算法进行聚类，将数据样本通过一个核函数映射到更高维的空间后，数据样本之间的区别会更明显，这样就可以避免出现整体出力水平相近的聚至同一类而无法反映出不同天气的特点的情况。
(4)传统光伏场景的生成通常使用统计法，统计结果主观、不可靠，本实施例提供的光储充一体站日前调度方法，使用数据驱动的方法处理结果更加客观。
(5)本实施例提供的光储充一体站日前调度方法，其中，光伏出力场景生成是按不同时刻的光伏出力值服从的不同概率分布来描述的，通过采用分别训练各时刻的Beta概率分布的方法，抽样生成各时刻点的出力值，最后再将各时刻生成的出力值连接成一条完整的曲线，即得到一个新的场景，这样更符合光伏出力不确定特性。
(6)本实施例提供的光储充一体站日前调度方法，在充电站日收益的目标函数中增加了碳排放成本一项，可以更加明确的考量引入储能后***的经济性和清洁性的优化。
附图说明
构成本申请的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明实施例光储充一体站日前调度方法流程图。
图2为本发明实施例中VAE场景生成流程图。
图3为本发明实施例中不同天气的光伏出力曲线图。
图4为本发明实施例中充电负荷需求曲线图。
图5为二氧化碳排放因子图。
图6为储能的充放电功率图。
图7为充电站与电网的交换功率图。
图8为最大负荷对比图。
具体实施方式
下面将参考附图并结合实施例来详细说明本发明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
以下详细说明均是示例性的说明，旨在对本发明提供进一步的详细说明。除非另有指明，本发明所采用的所有技术术语与本申请所属领域的一般技术人员的通常理解的含义相同。本发明所使用的术语仅是为了描述具体实施方式，而并非意图限制根据本发明的示例性实施方式。
本发明实施例的第一方面，提供了一种考虑碳排放并基于数据-模型混合驱动的光储充一体站日前调度方法，该方法根据历史数据生成不同典型场景，制定相适应的日前优化调度方法，提高经济性。首先根据充电站历史充电数据以及光伏出力数据，采用混合驱动的方式对光伏出力以及充电负荷进行预测，生成不同天气以及工作日/非工作日下的八种不同场景。在此基础上，建立以经济性最优为目标的数学模型，构造含储能充放电约束、荷电状态约束、充电站与电网功率交换、***功率平衡等相关约束。最后根据光储充一体站的具体参数，得到最优的日前调度方法。
本实施例提供的光储充一体站日前调度方法，基于数据与模型混合驱动，得到的策略包括充电站与电网的交换功率曲线和储能的充放电曲线。通过比较运用此策略下的收益与未用此策略时的充电站收益，能够更好地根据分时电价和不同场景做出相应的调整，有利于辅助电网削峰填谷，缓解大量电动汽车充电对电网带来的冲击，并且带来更高的收益。
如图1所示，本发明一种考虑碳排放并基于数据-模型混合驱动的光储充一体站日前运行调度方法，包括以下步骤：
S1、收集某充电站每日的光伏出力历史数据，利用改进的kernel k-means算法进行聚类，将不具有天气等相关信息的光伏出力数据进行聚类，得到能够反映天气情况的光伏历史出力集。kernel k-means的聚类方法为：
选择核函数，将样本数据映射到更高维的特征空间，选取多种核函数进行比较，发现高斯核函数的效果更优：
Figure BDA0003239463900000061
式中，xi，xj为样本数据，σ表示带宽，控制高斯核函数的局部作用范围。当xi和xj的欧式距离在某一区间范围内时，若固定xj，则κ(xi,xj)随xi变化的相当显著。
根据“肘部法则”确认光伏出力数据的聚类数k，生成k个初始聚类中心：c1、c2、……、ck。分别计算每个点到这k个聚类中心的距离，将距离最小的聚类中心所在的簇作为该点所属的簇，然后对每个簇重新计算新的聚类中心，计算公式为：
Figure BDA0003239463900000062
式中：Ci代表第i个簇，x为簇内的点。
当所有数据点到聚类中心的距离之和最小时，该结果就作为聚类的结果。
S2、采用Beta分布来描述光伏出力的概率分布，利用蒙特卡洛直接采样法进行随机采样，生成具有一般性的k种天气下的光伏出力曲线。Beta分布是一种分布在[0,1]区间上的连续分布，其概率密度函数为：
Figure BDA0003239463900000071
式中：
Figure BDA0003239463900000072
Pt.max、Pt.min分别表示该时刻的光伏出力功率的最大值和最小值，P表示该时刻的光伏出力值；α、β分别为Beta分布的形状参数，Γ表示伽马函数。
参数α、β可通过给定时间间隔内功率的期望值μ和方差δ计算得到：
Figure BDA0003239463900000073
Figure BDA0003239463900000074
设一段时期内某一时刻的历史数据Y＝[P1，P2，P3，P4，……]，令其最大值为Pt.max，最小值为Pt.min。首先，计算出该时刻的期望值和方差，根据式(4)和式(5)得出该时刻对应贝塔分布的两个参数α、β，即Beta分布的概率密度曲线。其次，对Beta分布的概率密度曲线进行累计积分，可得到各时刻点的概率分布函数。
Figure BDA0003239463900000075
式中：x表示随机变量，f(x)表示概率密度函数，F(x)表示概率分布函数。
再者，利用蒙特卡罗采样法在概率分布函数上随机采样，采得一个随机的概率值Y。利用式(6)求逆，即可得到与Y值对应的x的值r，再通过r计算可得到该时刻下光伏出力的功率P。
采集n次后，对n次采集所得到的概率值进行累积分布函数的逆运算，分别得到n组不同的出力功率P。对n次所对应的光伏出力的功率取均值，作为该时刻的出力值。最后将一天24小时的时刻出力值连接起来，生成具有一般性的场景光伏出力曲线。
S3、通过变分自编码器(VAE)训练充电负荷历史数据，去学习EV充电的概率分布模型，最后生成充电站工作日与非工作日的充电负荷需求曲线：
通过变分自编码器(variational autoencoder,VAE)训练历史数据，去学习EV充电的概率分布模型。由于是否为工作日对于EV的使用情况有一定影响，故分别对工作日和非工作日的负荷需求去学习概率模型，最后得到两个场景。
VAE场景生成的过程如图2所示，VAE分为编码器和解码器，分为推断网络和生成网络，推断网络训练样本得到分布qΦ(z|x)，生成网络为pθ(z)pθ(z|x)用来生成场景。编码器用来训练电动汽车充电的负荷数据集X，得到每个隐属性的概率分布，并求得其对应的均值和方差，以向量μ和δ表示。然后，从高斯分布N(0,1)概率分布中随机采样出一个ε，通过计算z＝μ+εσ生成向量Z作为解码器的输入。最后，经过解码器解码后，可得到EV负荷需求曲线。
S4、基于新生成的光伏出力曲线和充电负荷需求曲线，组成八个不同的场景，分别进行充电站日前优化，得到相应的日前优化调度方法。具体方式如下：
将S2、S3得到的光伏出力曲线和负荷需求曲线作为日前优化策略模型的已知输入，分别求解对应的优化策略。
考虑充电站向电网所购的电由燃烧煤炭的火力发电厂发出，相应的碳排放成本由充电站承担。另外，购电费用采用两部制电价。因此，优化模型的目标函数包括向电动汽车和电网的售电收益、购电成本、碳排放成本、容量电费以及光伏和储能的运行成本：
Figure BDA0003239463900000081
式中，C为充电站日收益；w为场景序号；αw为场景w出现的概率；
Figure BDA0003239463900000082
为场景w向EV充电的收益；
Figure BDA0003239463900000083
为场景w向电网售电的收益；
Figure BDA0003239463900000084
为场景w下充电站的购电成本；
Figure BDA0003239463900000085
为场景w的二氧化碳排放费用；CR为容量电费；CPV、CBS分别为光伏和储能的运维成本。
售电收益包括向EV售电的收益以及依据分时电价向电网售电的收益：
Figure BDA0003239463900000091
Figure BDA0003239463900000092
式中，θEV为向EV充电的单位收益；
Figure BDA0003239463900000093
为t时段向电网售电的单位收益；
Figure BDA0003239463900000094
为在场景w下t时段的充电功率；
Figure BDA0003239463900000095
为在场景w下t时段充电站向电网输送的功率。
当光伏出力以及储能放电满足不了充电站需求时，充电站需向电网购电：
Figure BDA0003239463900000096
式中，ct为t时段的购电单位电价；
Figure BDA0003239463900000097
为在场景w下t时段从电网获取的功率。
充电站向电网所购的电由燃烧煤炭的火力发电厂发出，相应的碳排放成本由充电站承担：
Figure BDA0003239463900000098
式中，λt为t时段的碳排放因子；
Figure BDA0003239463900000099
为每千克二氧化碳的排放费用。
充电站采用两部制电价，因此每日的容量费用如下：
Figure BDA00032394639000000910
式中，cR为单位容量电费；
Figure BDA00032394639000000911
为1月中负荷最大值。
运维成本包括光伏和储能运维成本，储能运维成本包括固定和可变两部分，其中可变部分由储能***充放电电量决定。
Figure BDA00032394639000000912
Figure BDA00032394639000000913
式中，θPV，θE，θBS分别为光伏单位运维成本、储能单位容量运维成本、单位电量动态成本；
Figure BDA0003239463900000101
为光伏最大功率；
Figure BDA0003239463900000102
为储能额定容量；rp、r’为光伏和储能设备折现率；y、y’分别表示光伏和储能设备使用寿命；
Figure BDA0003239463900000103
分别为各场景t时段储能的充放电功率。
约束条件包括储能约束、功率平衡约束和充电站与电网的功率交换约束。
储能的充放电功率受双向功率变换器额定容量的约束，SOC始末状态需保持一致，当前荷电状态等约束具体如下：
Figure BDA0003239463900000104
Figure BDA0003239463900000105
Figure BDA0003239463900000106
Figure BDA0003239463900000107
SOCfin＝SOC0
SOCmin≤SOCt≤SOCmax
式中，
Figure BDA0003239463900000108
为储能最大充放电功率；
Figure BDA0003239463900000109
为0-1变量，表示储能的充放电状态；ηc、ηd为储能的充放电效率；SOC0、SOCfin分别为储能一天始末的荷电状态；SOCt为储能t时段末的荷电状态；SOCmax、SOCmin为最大最小荷电状态；SOCt-1由
Figure BDA00032394639000001010
迭代求取。
功率平衡约束
Figure BDA00032394639000001011
Figure BDA0003239463900000111
式中，
Figure BDA0003239463900000112
为场景w储能的等效出力。
充电站与电网功率交换约束
充电站与大电网的传输功率受配变容量的影响，不能超过传输容量的最大值。
Figure BDA0003239463900000113
Figure BDA0003239463900000114
Figure BDA0003239463900000115
式中，
Figure BDA0003239463900000116
为0-1变量，表示充电站与电网交换功率的方向；
Figure BDA0003239463900000117
为充电站与电网间最大交换功率。
在本实施例中，针对某光储一体站进行了验证，具体如下某光储充一体站所配储能***的电量为300kWh，最大充放电功率均54kW，最大放电深度为90％。光伏最大发电功率为146kW。光伏出力曲线与工作日/非工作日的充电负荷曲线如图3、4所示，各场景出现概率如表1所示。各成本系数如表2所示，各时段度电二氧化碳排放因子如图5所示。
表1场景组合
Figure BDA0003239463900000118
表2设备参数表
Figure BDA0003239463900000121
充电站的购电分时电价为北京市城区大工业10kV以下电价，如表3所示，容量电费为48元/(kW·月)。分布式光伏自发自用的收益高于余电上网的收益，本申请假设各时段电网向充电站购电的价格为其售电价格的80％。
表3充电站的购电分时电价
Figure BDA0003239463900000122
以上数据作为输入，将优化模型通过MATLAB调用CPLEX进行求解，得到各场景下储能的充放电功率如图6所示，充电站与电网的交换功率如图7所示。
由图6知，光储充一体站会根据分时电价合理调整储能***出力，各场景在8-10点和22-24点，储能几乎不进行充放电；在0-8点以及15-18点储能多处于充电状态，此时电价处于非峰时段，尽可能多的存储电能可用于峰时放电。10-15点以及18-21点为峰时电价，储能***则处于放电状态，减少从电网的购电量，降低充电站的购电成本。所提调度方法能够根据分时电价和不同场景进行削峰填谷，实现充电站日收益最大化。
图7中，对比场景1与场景5，此时光伏出力较高，充电站的购电功率低，并且剩余的光伏能够在峰时电价时向电网售出获得利润；相反，场景4和8为第四类光伏场景下工作日与非工作日的曲线，由于光伏出力较低，充电站向电网的购电功率高。并且工作日比非工作日购电功率稍高，总体呈现电价峰时少购电，低谷多购电的趋势。
将引入储能和光伏前后充电站的二氧化碳排放量进行分析，由运行结果知，当没有储能和光伏加入时，***每天排放二氧化碳1339kg，光伏加入后，每天排放的二氧化碳降为942.62kg，二者都有时排放量最低为937.87kg。由此文中策略相较于没有储能和光伏，每年降低二氧化碳排放量14.6吨，节省排放成本10950元。因此，储能***能够实现碳减排，从而带来环境效益，另外还可以看出结合光伏发电对电力***减排具有促进作用。
储能低充高放不仅能减少电量电费，还能够降低最大负荷，减少容量电费。考虑容量电费前后最大负荷对比图如图8所示。由图8知，当不考虑容量电费时，充电站最大负荷为213kW，当考虑容量电费时，储能实现削峰作用，最大负荷降为185kW，由此每年能够节省容量电费16352元。
以上结果验证了，本申请日前调度方法能够使储能更好地根据光伏出力和充电需求进行灵活调整，利用峰谷电价，减少光储充一体站的运行成本。
本发明的第二方面，一种用于所述光储充一体站日前调度方法的***，包括：
第一模块，用于获取光伏出力历史数据，对所述光伏出力历史数据进行聚类，得到能够反映天气情况的光伏历史出力集；
第二模块，用于基于所述光伏历史出力集，描述光伏出力的概率分布，对概率分布进行随机采样，生成光伏出力曲线；
第三模块，用于通过变分自编码器训练充电负荷历史数据，学习EV充电的概率分布模型，生成充电站工作日与非工作日的充电负荷需求曲线；
第四模块，用于基于所述光伏出力曲线和充电负荷需求曲线，组成八个不同的场景，分别进行充电站日前优化，同时优化过程中满足***约束条件，最后得到相应的日前优化调度方法。
本发明的第三方面，一种用于光储充一体站日前调度方法的装置，包括：存储器和处理器；所述存储器，用于存储计算机程序；所述处理器，用于当执行所述计算机程序时，实现所述的光储充一体站日前调度方法。
本发明的第三方面，一种计算机可读存储介质，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现所述的光储充一体站日前调度方法。
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、装置、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、装置、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。
由技术常识可知，本发明可以通过其它的不脱离其精神实质或必要特征的实施方案来实现。因此，上述公开的实施方案，就各方面而言，都只是举例说明，并不是仅有的。所有在本发明范围内或在等同于本发明的范围内的改变均被本发明包含。

Claims (8)

1.一种光储充一体站日前调度方法，其特征在于，包括如下步骤：
获取光伏出力历史数据，对所述光伏出力历史数据进行聚类，得到能够反映天气情况的光伏历史出力集；
基于所述光伏历史出力集，描述光伏出力的概率分布，对概率分布进行随机采样，生成光伏出力曲线；
通过变分自编码器训练充电负荷历史数据，学习EV充电的概率分布模型，生成充电站工作日与非工作日的充电负荷需求曲线；
基于所述光伏出力曲线和充电负荷需求曲线，组成不同的场景，分别进行充电站日前优化，得到相应的日前优化调度方法；其中，所述场景与不同天气以及工作日/非工作日相关联；
使用kernel k-means的聚类方法对所述光伏出力历史数据进行聚类，具体方法如下：
选择高斯核函数将光伏出力历史数据映射到更高维度的特征空间；
确认光伏出力数据的聚类数k，生成k个初始聚类中心：c 1、c 2、……、c k；
分别计算每个点到这k个聚类中心的距离，将距离最小的聚类中心所在的簇作为该点所属的簇，然后对每个簇重新计算新的聚类中心；
当所有数据点到聚类中心的距离之和最小时，该结果就作为聚类的结果。
2.根据权利要求1所述的光储充一体站日前调度方法，其特征在于，采用Beta分布来描述光伏出力的概率分布。
3.根据权利要求1所述的光储充一体站日前调度方法，其特征在于，利用蒙特卡洛采样法对所述概率分布进行随机采样，生成具有一般性的场景光伏出力曲线。
4.根据权利要求1所述的光储充一体站日前调度方法，其特征在于，进行充电站日前优化，具体方式如下：
将光伏出力曲线和负荷需求曲线，输入预设的日前运行优化策略模型，分别求解得到对应的优化策略；所述日前运行优化策略模型的目标函数包括向电动汽车和电网的售电收益、购电成本、碳排放成本、容量电费以及光伏和储能的运维成本。
5.根据权利要求4所述的光储充一体站日前调度方法，其特征在于，所述日前运行优化策略模型的约束条件包括：储能约束、功率平衡约束和充电站与电网的功率交换约束。
6.一种用于权利要求1~5任一项所述光储充一体站日前调度方法的***，其特征在于，包括：
第一模块，用于获取光伏出力历史数据，对所述光伏出力历史数据进行聚类，得到能够反映天气情况的光伏历史出力集；
第二模块，用于基于所述光伏历史出力集，描述光伏出力的概率分布，对概率分布进行随机采样，生成光伏出力曲线；
第三模块，用于通过变分自编码器训练充电负荷历史数据，学习EV充电的概率分布模型，生成充电站工作日与非工作日的充电负荷需求曲线；
第四模块，用于基于所述光伏出力曲线和充电负荷需求曲线，组成八个不同的场景，分别进行充电站日前优化，同时优化过程中满足***约束条件，得到相应的日前优化调度方法；其中，所述场景与不同天气以及工作日/非工作日相关联；
第一模块中，使用kernel k-means的聚类方法对所述光伏出力历史数据进行聚类，具体方法如下：
选择高斯核函数将光伏出力历史数据映射到更高维度的特征空间；
确认光伏出力数据的聚类数k，生成k个初始聚类中心：c 1、c 2、……、c k；
分别计算每个点到这k个聚类中心的距离，将距离最小的聚类中心所在的簇作为该点所属的簇，然后对每个簇重新计算新的聚类中心；
当所有数据点到聚类中心的距离之和最小时，该结果就作为聚类的结果。
7.一种用于权利要求1~5任一项所述光储充一体站日前调度方法的装置，其特征在于，包括：存储器和处理器；所述存储器，用于存储计算机程序；所述处理器，用于当执行所述计算机程序时，实现权利要求1~5任一项所述的光储充一体站日前调度方法。
8.一种计算机可读存储介质，其特征在于，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现权利要求1~5任一项所述的光储充一体站日前调度方法。
CN202111014791.XA 2021-08-31 2021-08-31 一种光储充一体站日前调度方法、***、装置及存储介质 Active CN113733963B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111014791.XA CN113733963B (zh) 2021-08-31 2021-08-31 一种光储充一体站日前调度方法、***、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111014791.XA CN113733963B (zh) 2021-08-31 2021-08-31 一种光储充一体站日前调度方法、***、装置及存储介质

Publications (2)

Publication Number Publication Date
CN113733963A CN113733963A (zh) 2021-12-03
CN113733963B true CN113733963B (zh) 2023-05-02

Family

ID=78734405

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111014791.XA Active CN113733963B (zh) 2021-08-31 2021-08-31 一种光储充一体站日前调度方法、***、装置及存储介质

Country Status (1)

Country Link
CN (1) CN113733963B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115021290B (zh) * 2022-06-30 2024-04-09 国网北京市电力公司 一种源网荷储柔性优化调控方法、装置、设备及介质
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
CN116628395B (zh) * 2023-05-31 2024-03-01 重庆交通大学 一种基于城市地形特征的道路车辆碳排放测算方法及***

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109948823A (zh) * 2018-10-29 2019-06-28 河海大学 一种光储充电塔自适应鲁棒日前优化调度方法
CN110877546A (zh) * 2019-11-01 2020-03-13 中国能源建设集团广东省电力设计研究院有限公司 基于天气预测的光伏充电站充电控制方法及装置

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10634725B2 (en) * 2017-08-18 2020-04-28 Nec Corporation System and method for model predictive energy storage system control
JP7140569B2 (ja) * 2018-06-29 2022-09-21 株式会社日立製作所 太陽光発電出力推定装置及び出力推定方法
CN109285039B (zh) * 2018-11-22 2021-07-06 东南大学 一种计及风光不确定性的电动汽车充电站电价制定方法
CN110288271B (zh) * 2019-07-11 2022-10-11 北京全来电科技有限公司 一种基于模型预测控制的台区级充电负荷调控策略及方法
CN111509782B (zh) * 2020-04-16 2022-06-10 国网江苏省电力有限公司苏州供电分公司 考虑充电负荷与光伏出力随机特性的概率潮流分析方法
CN112003381A (zh) * 2020-07-31 2020-11-27 中国电力科学研究院有限公司 一种光储充电站内储能电池容量配置方法和***
GB2598962B (en) * 2020-09-22 2023-01-18 Prolectric Services Ltd Methods of managing the power requirements of off-grid assemblies and off-grid assemblies employing such
CN112865190A (zh) * 2020-12-31 2021-05-28 中国电力科学研究院有限公司 计及光伏和充电需求的光储充电站优化调度方法和***

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109948823A (zh) * 2018-10-29 2019-06-28 河海大学 一种光储充电塔自适应鲁棒日前优化调度方法
CN110877546A (zh) * 2019-11-01 2020-03-13 中国能源建设集团广东省电力设计研究院有限公司 基于天气预测的光伏充电站充电控制方法及装置

Also Published As

Publication number Publication date
CN113733963A (zh) 2021-12-03

Similar Documents

Publication Publication Date Title
CN113733963B (zh) 一种光储充一体站日前调度方法、***、装置及存储介质
CN109816171B (zh) 一种电动汽车区域微网群双层分布式优化调度方法
Xu et al. Greenhouse gas emissions of electric vehicles in Europe considering different charging strategies
Yan et al. Low-carbon economic dispatch method for integrated energy system considering seasonal carbon flow dynamic balance
CN111626527A (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
CN115688970B (zh) 基于区间概率不确定集的微电网两阶段自适应鲁棒优化调度方法
Brandt et al. Road to 2020: IS-supported business models for electric mobility and electrical energy markets
Yu et al. A game theoretical pricing mechanism for multi-microgrid energy trading considering electric vehicles uncertainty
Beyazıt et al. Cost optimization of a microgrid considering vehicle-to-grid technology and demand response
CN115310749A (zh) 含大规模电动汽车的区域综合能源供需调度方法和***
CN114662762A (zh) 一种电力现货市场背景下储能电站调控方法
CN112580850A (zh) 一种电力调峰市场的出清方法及***
CN116707016A (zh) 基于场景生成和削减的风光氢储日前随机优化调度方法
CN113836735B (zh) 换电模式下电动公交集群充换电策略两阶段模型建立方法
Yi et al. Optimal energy management strategy for smart home with electric vehicle
Shafiekhani et al. Integration of electric vehicles and wind energy in power systems
CN117578537A (zh) 基于碳交易和需求响应的微电网优化调度方法
CN112633675A (zh) 一种能量调度方法、装置、设备及计算机可读存储介质
Lappalainen et al. Sizing of stationary energy storage systems for electric vehicle charging plazas
Lee et al. Aggregated fuel cell vehicles in electricity markets with high wind penetration
CN115600757A (zh) 海上风电共享储能参与现货市场交易协调优化方法及***
CN115759323A (zh) 一种考虑电网安全的电动汽车优化调度方法
CN112886585B (zh) 一种受端电网中储能电站调峰调频调控策略制定方法
CN112952880B (zh) 一种提升新能源消纳的电动汽车并网点导航与充放电控制方法
CN115186889A (zh) 一种综合能源服务商源荷储资源协同优化方法及***

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