CN114583729A - 考虑全生命周期碳排放的光-储电动汽车充电站调度方法 - Google Patents
考虑全生命周期碳排放的光-储电动汽车充电站调度方法 Download PDFInfo
- Publication number
- CN114583729A CN114583729A CN202111599655.1A CN202111599655A CN114583729A CN 114583729 A CN114583729 A CN 114583729A CN 202111599655 A CN202111599655 A CN 202111599655A CN 114583729 A CN114583729 A CN 114583729A
- Authority
- CN
- China
- Prior art keywords
- energy storage
- charging station
- bat
- charging
- power
- 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
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
- H02J3/28—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
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/008—Circuit arrangements for ac mains or ac distribution networks involving trading of energy or energy transmission rights
-
- 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
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明公开了一种考虑全生命周期碳排放的光‑储电动汽车充电站调度方法,本发明首先根据电网提供的各时刻新能源发电占比的历史数据,充电站光伏发电历史数据和天气预报数据对未来一日的火力发电占比、光伏出力分别进行预测。其次以接入电网的每辆EV的充放电状态及储能设备的充放电状态为优化变量,建立考虑全生命周期碳排放以及充电站运营成本的充电站优化调度模型。使用改进型的非支配排序遗传算法求解得到充电站日前调度计划。充电站运行过程中优先使用PV和储能设备为EV供电,当PV和储能设备无法满足EV充电需求时,充电站从电网购电以保证EV充电需求,最后收集数据修正原有模型。
Description
技术领域
本发明涉及电动汽车充放电服务技术,具体涉及考虑全生命周期碳排放的含光伏电 动汽车充电站调度方法。
背景技术
虽然电动汽车(Electric Vehicle,EV)在运行过程中不产生碳排放,但现阶段我国的发电结构仍以火力发电为主,由其产生的越来越大的充电需求会导致发电***产生大量碳排放。另外光伏发电、风力发电等新能源发电在发电过程中不产生碳排放,但是 其设备在生产制造、回收的过程中均会产生碳排放。针对该问题提出一种考虑全生命周 期碳排放的光-储EV充电站调度方法。传统的调度方法通常以价格为引导,引导用户在 电价较低的时间段进行充电,尽可能的降低用户、充电站成本。在考虑碳排放问题后, 充电站在满足EV用户充电需求的情况下优先使用充电站光伏(photovoltaic,PV)、 储能设备为EV充电,充电站储能设备在***新能源发电占比较高的时间段进行充电, 促进新能源发电消纳。由于新能源发电占比较高的时间段不一定是电价较低的时间段, 因此充电站会损失一部分利益以促进新能源消纳,降低碳排放。
发明内容
本发明以减少EV运行过程中间接产生的碳排放为主要目的,提供一种综合考虑碳排 放以及充电站运行成本的优化调度方法。
本发明假定充电站可以获取用户充电需求、用户接受充电站充放电调度、充电站可 从电网获取电网运行时各时刻新能源发电占比数据。首先根据电网提供的各时刻新能源 发电占比的历史数据,充电站光伏发电历史数据和天气预报数据对未来一日的火力发电 占比、光伏出力分别进行预测。其次以接入电网的每辆EV的充放电状态及储能设备的充放电状态为优化变量,建立考虑全生命周期碳排放以及充电站运营成本的充电站优化调度模型。使用改进型的非支配排序遗传算法求解得到充电站日前调度计划。充电站运 行过程中优先使用PV和储能设备为EV供电,当PV和储能设备无法满足EV充电需求时, 充电站从电网购电以保证EV充电需求。储能设备优先在电网新能源发电占比较高的时 段进行充电。充电站在运行过程中收集EV充电数据、PV出力数据、各时刻新能源占比 数据,并将这些数据加入相应数据集,修正原有模型。
具体按照以下步骤实施:
步骤1、新能源发电占比预测;
步骤2、充电站PV出力预测;
步骤3、构建EV、储能设备的充放电模型;
步骤4、构建以碳排放最小为目标的调度策略;
设备的生命周期主要分为生产、使用、报废三个阶段,其三个过程中均有可能产生碳排放,对于PV设备和储能设备而言运行过程中没有碳排放,其碳排放主要在生产建 造以及回收处理过程中。基于费用等年值法设备生产和回收过程中的碳排放的N分钟折 现如式(1)所示[1]。
其中,L0为碳排放每N分钟折现值;I1为折现率;m1为设备使用年限;ψmade为生产过程 中的碳排放;ψre为回收过程中的碳排放。
EV和传统燃油汽车在生产、运行、报废回收阶段均会产生碳排放,本发明以充电站运行过程中减少碳排放为研究目标故不考虑汽车在生产和报废回收阶段的碳排放。由于EV的渗透率与充电负荷直接相关,因此考虑燃油车在运行过程中产生的碳排放,其具体 计算如式(2)所示:
Lv=γ·AGC·M (2)
其中,Lv为燃油车运行过程中产生的碳排放;γ为燃油车碳排放因子;AGC为单位里程 油耗;M为行驶里程。
由于充电站PV容量有限且PV受日照影响有较大的波动性,因此在PV供给不足的情况下,充电站还需要从大电网购电以满足EV用户充电需求。充电站在运行过程中的碳 排放具体如式(3)所示。
其中,L为充电站运行时产生的碳排放;Lfix为充电站设备全寿命周期碳排放的折现值, 其具体计算如式(4)所示;m表示燃油车数量,Lv,i表示第i辆燃油车的碳排放;α表示表示火力机组发电的碳排放强度;βt表示t时刻发电***中火电的占比,假定其值可 以获得;Pbuy表示向大电网购电量;Ppv表示充电站PV出力;Pbat表示充电站储能***出 力;PV2G表示EV用户参与V2G的放电功率。
其中,Ppv,max为PV最大装机容量;Pbat,max为储能设备最大容量;ψpv、ψbat为单位容量PV、 储能设备的全生命周期碳排放;n为充电桩数目;ψpv为一个充电桩全生命周期碳排放;ψcs为充电站基础建设和拆除回收过程产生碳排放;
步骤5、以充电站运营成本最低为目标的调度策略;
充电站运营成本具体表示如式(5)所示。
F=c1Ppv+c2Pbat+cbPg,b-csPg,s+cvPev,d-c3Pev,c (5)
其中,c1,c2分别为PV和储能设备单位功率出力成本;cb、cs为充电站向电网购电、售电 的电价;cv为充电站补贴用户参与V2G的成本;c3为充电站售电价格,Pg,b表示充电站向电网购电量,Pg,s表示电网向充电站的售电量;Pev,c为EV充电功率;Pev,d为EV参与V2G 放电功率。
步骤6、调度策略约束条件构建
(1)功率约束
Ppv+Pg+Pbat=Pev,c-Pev,d (6)
其中,Ppv为充电站PV出力,Pg为充电站和电网间的交换功率,充电站从购电时其值为 正,充电站向电网馈电时其值为负;Pbat为充电站储能设备功率,储能设备放电时其值为正,充电时其值为负;Pev,c为EV充电功率;Pev,d为EV参与V2G放电功率。
(2)储能设备约束
Smin≤St≤Smax (7)
St=St-1+(ηbat,cλbat,cPbat,c-λbat,dPbat,d/ηbat,d)Δt (8)
λbat,c·λbat,d=0,λbat,c,λbat,d∈{0,1} (9)
其中,St为t时刻储能设备的电量;Smin为储能设备电量最小值,Smax为储能设备电量最 大值,ηbat,c为储能设备充电效率;Pbat,c储能设备充电功率;ηbat,d为储能设备放电效率; Pbat,d储能设备放电功率;Δt为间隔时间;λbat,c,λbat,d为充放电状态量,当储能设备处于充电状态时λbat,c为1,λbat,d为0;处于放电状态时,λbat,d为1;λbat,c为0。
(3)EV电池约束
λev,c·λev,d=0,λev,c,λev,d∈{0,1} (12)
其中,为t时刻EV电量;Ecap为EV电池容量;Emin为EV电池电量最小值;为EV接入充电站时的最小电量;为EV离开充电站时的电量;Emax为EV电池电量最大值,ηev,c为储能设备充电效率;Pev,c储能设备充电功率;ηev,d为储能设备放电效率;Pev,d储能设 备放电功率;Δt为间隔时间;λev,c,λev,d为充放电状态量,当储能设备处于充电状态 时λev,c为1,λev,d为0;处于放电状态时,λev,d为1;λev,c为0。
步骤7、调度策略求解方法
针对上述多目标问题采用基于d2距离(解距离参考向量的欧式距离)改进型的非支配 排序遗传算法(NSGA-II)进行求解,首先初始化种群,然后计算种群对应目标函数值,并对其进行非支配排序以及基于d2距离的非支配层个体选择,同时通过选择、交叉、变 异产生子代种群,并将父代和子代总群合并得到新种群,重复上述操作直至满足终止条 件。根据本发明方法可进一步研究EV渗透率、用户参与V2G比例、电网中可再生能源 的比例对于结果的的影响,进而为节能减排起到一定的参考作用。
步骤8、模型修正
在实际运行过程中充电站收集当日EV充电数据、PV出力数据、当日天气数据、电网各时刻新能源发电占比数据,并将数据加入到相应数据集,修正步骤1、步骤2中的 预测模型,进一步使模型更加准确。
作为优选,所述的新能源发电占比预测;具体为:
由于各时刻新能源发电占比是时间序列,选择对时间序列具有良好处理能力的长短 时记忆网络进行预测其中LSTM具备3个隐藏层,每层有个300个LSTM单元网络,隐藏层使用ReLU函数作为激活函数;网络输入为前30天各时刻的新能源发电占比数据,输出为未 来一天各时刻新能源发电占比数据。
作为优选,充电站PV出力预测具体为
在充电站建设初期由于缺乏PV历史数据,根据光伏电池模型对其出力进行预测,光伏 电池模型具体如式(13)所示。
其中,I为光伏电池输出电流;U为光伏电池的输出电压;S为光照强度,标况下为1000W/m2; T为电池表面温度;Tref为标况下参考温度;Isc为光伏电池短路电流;I0为二极管反向饱 和电流;q为电荷电量;n为二极管排放系数;K为波尔兹曼常数;Rsh为电池内部等效电阻;
在充电站运行过程中,PV数据越来越充足,考虑使用深度学习的方法对PV出力进行 预测PV出力受天气因素影响较大且有很强的时间相关性,使用LSTM对PV出力进行预测。其中LSTM具备3个隐藏层,每层有个300个LSTM单元网络,隐藏层使用ReLU函数作为激活 函数。网络选择对其影响较大的辐照度、温度、湿度、散射度以及前七日各时刻PV出力 历史数据作为输入。网络的输出即为未来一天各时刻PV出力情况。
作为优选,构建EV、储能设备的充放电模型;具体为:
EV及储能设备充放电模型由式(14)表示:
其中,为EV或储能设备在t时刻的荷电状态;Pt c与Pt d分别为EV或储能设备在t时刻 的额定充电功率与放电功率;E为EV电池容量或储能设备容量;ηc,ηd分别为EV或储能设备相应的充电,放电效率;Δt为时间间隔。
本发明具有的优点及有益结果为:
(1)本发明综合考虑了EV充电站运行过程中的碳排放以及充电站运营成本。
(2)本发明可以进一步研究主要影响因素对结果的影响,为减小碳排放提供更全面的 参考价值。
(3)本发明使用的基于d2距离改进型NSGA-II算法可以提升样本多样性,进而提升全局搜索能力。
(4)本发明不断更新、完善相应数据集,并对模型做出修正,在运行过程中模型准确 度会进一步提升。
附图说明
图1新能源发电占比预测LSTM结构图;
图2基于d2距离改进型NSGA-II算法流程。
具体实施方式
步骤1、新能源发电占比预测;
如图1所示,由于各时刻新能源发电占比是时间序列,选择对时间序列具有良好处理 能力的长短时记忆网络进行预测其中LSTM具备3个隐藏层,每层有个300个LSTM单元网络,隐藏层使用ReLU函数作为激活函数;网络输入为前30天各时刻的新能源发电占比数据,输出为未来一天各时刻新能源发电占比数据。
步骤2、充电站PV出力预测;
在充电站建设初期由于缺乏PV历史数据,根据光伏电池模型对其出力进行预测,光伏 电池模型具体如式(1)所示。
其中,I为光伏电池输出电流;U为光伏电池的输出电压;S为光照强度,标况下为1000W/m2; T为电池表面温度;Tref为标况下参考温度;Isc为光伏电池短路电流;I0为二极管反向饱 和电流;q为电荷电量;n为二极管排放系数;K为波尔兹曼常数;Rsh为电池内部等效电阻;
在充电站运行过程中,PV数据越来越充足,考虑使用深度学习的方法对PV出力进行 预测PV出力受天气因素影响较大且有很强的时间相关性,使用LSTM对PV出力进行预测。其中LSTM具备3个隐藏层,每层有个300个LSTM单元网络,隐藏层使用ReLU函数作为激活 函数。网络选择对其影响较大的辐照度、温度、湿度、散射度以及前七日各时刻PV出力 历史数据作为输入。网络的输出即为未来一天各时刻PV出力情况。
步骤3、构建EV、储能设备的充放电模型;
EV及储能设备充放电模型由式(2)表示:
其中,为EV或储能设备在t时刻的荷电状态;Pt c与Pt d分别为EV或储能设备在t时刻 的额定充电功率与放电功率;E为EV电池容量或储能设备容量;ηc,ηd分别为EV或储能设备相应的充电,放电效率;Δt为时间间隔。
步骤4、构建以碳排放最小为目标的调度策略;
设备的生命周期主要分为生产、使用、报废三个阶段,其三个过程中均有可能产生碳排放,对于PV设备和储能设备而言运行过程中没有碳排放,其碳排放主要在生产建 造以及回收处理过程中。基于费用等年值法设备生产和回收过程中的碳排放的N分钟折 现如式(3)所示[1]。
其中,L0为碳排放每N分钟折现值;I1为折现率;m1为设备使用年限;ψmade为生产过程 中的碳排放;ψre为回收过程中的碳排放。
EV和传统燃油汽车在生产、运行、报废回收阶段均会产生碳排放,本发明以充电站运行过程中减少碳排放为研究目标故不考虑汽车在生产和报废回收阶段的碳排放。由于EV的渗透率与充电负荷直接相关,因此考虑燃油车在运行过程中产生的碳排放,其具体 计算如式(4)所示:
Lv=γ·AGC·M (4)
其中,Lv为燃油车运行过程中产生的碳排放;γ为燃油车碳排放因子;AGC为单位里程 油耗;M为行驶里程。
由于充电站PV容量有限且PV受日照影响有较大的波动性,因此在PV供给不足的情况下,充电站还需要从大电网购电以满足EV用户充电需求。充电站在运行过程中的碳 排放具体如式(5)所示。
其中,L为充电站运行时产生的碳排放;Lfix为充电站设备全寿命周期碳排放的折现值, 其具体计算如式(6)所示;m表示燃油车数量,Lv,i表示第i辆燃油车的碳排放;α表示表示火力机组发电的碳排放强度;βt表示t时刻发电***中火电的占比,假定其值可 以获得;Pbuy表示向大电网购电量;Ppv表示充电站PV出力;Pbat表示充电站储能***出 力;PV2G表示EV用户参与V2G的放电功率。
其中,Ppv,max为PV最大装机容量;Pbat,max为储能设备最大容量;ψpv、ψbat为单位容量PV、 储能设备的全生命周期碳排放;n为充电桩数目;ψpv为一个充电桩全生命周期碳排放;ψcs为充电站基础建设和拆除回收过程产生碳排放;
步骤5、以充电站运营成本最低为目标的调度策略;
充电站运营成本具体表示如式(7)所示。
F=c1Ppv+c2Pbat+cbPg,b-csPg,s+cvPev,d-c3Pev,c (7)
其中,c1,c2分别为PV和储能设备单位功率出力成本;cb、cs为充电站向电网购电、售电 的电价;cv为充电站补贴用户参与V2G的成本;c3为充电站售电价格,Pg,b表示充电站向电网购电量,Pg,s表示电网向充电站的售电量;Pev,c为EV充电功率;Pev,d为EV参与V2G 放电功率。
步骤6、调度策略约束条件构建
(1)功率约束
Ppv+Pg+Pbat=Pev,c-Pev,d (8)
其中,Ppv为充电站PV出力,Pg为充电站和电网间的交换功率,充电站从购电时其值为 正,充电站向电网馈电时其值为负;Pbat为充电站储能设备功率,储能设备放电时其值为正,充电时其值为负;Pev,c为EV充电功率;Pev,d为EV参与V2G放电功率。
(2)储能设备约束
Smin≤St≤Smax (9)
St=St-1+(ηbat,cλbat,cPbat,c-λbat,dPbat,d/ηbat,d)Δt (10)
λbat,c·λbat,d=0,λbat,c,λbat,d∈{0,1} (11)
其中,St为t时刻储能设备的电量;Smin为储能设备电量最小值,Smax为储能设备电量最 大值,ηbat,c为储能设备充电效率;Pbat,c储能设备充电功率;ηbat,d为储能设备放电效率; Pbat,d储能设备放电功率;Δt为间隔时间;λbat,c,λbat,d为充放电状态量,当储能设备处于充电状态时λbat,c为1,λbat,d为0;处于放电状态时,λbat,d为1;λbat,c为0。
(3)EV电池约束
λev,c·λev,d=0,λev,c,λev,d∈{0,1} (14)
其中,为t时刻EV电量;Ecap为EV电池容量;Emin为EV电池电量最小值;为EV接入充电站时的最小电量;为EV离开充电站时的电量;Emax为EV电池电量最大值,ηev,c为储能设备充电效率;Pev,c储能设备充电功率;ηev,d为储能设备放电效率;Pev,d储能设 备放电功率;Δt为间隔时间;λev,c,λev,d为充放电状态量,当储能设备处于充电状态 时λev,c为1,λev,d为0;处于放电状态时,λev,d为1;λev,c为0。
步骤7、调度策略求解方法
针对上述多目标问题采用基于d2距离(解距离参考向量的欧式距离)改进型的非支配 排序遗传算法(NSGA-II)进行求解,首先初始化种群,然后计算种群对应目标函数值,并对其进行非支配排序以及基于d2距离的非支配层个体选择,同时通过选择、交叉、变 异产生子代种群,并将父代和子代总群合并得到新种群,重复上述操作直至满足终止条 件。基于d2距离改进型的NSGA-II具体流程如图2所示。根据本发明方法可进一步研究 EV渗透率、用户参与V2G比例、电网中可再生能源的比例对于结果的的影响,进而为节 能减排起到一定的参考作用。
步骤8、模型修正
在实际运行过程中充电站收集当日EV充电数据、PV出力数据、当日天气数据、电网各时刻新能源发电占比数据,并将数据加入到相应数据集,修正步骤1、步骤2中的 预测模型,进一步使模型更加准确。
参考文献
[1]矫舒美,乔学博,李勇,姚天宇,曹一家.计及综合能源***全寿命周期碳排放和 碳交易的电转气设备和光伏联合优化配置[J].电力自动化设备,2021,41(09):156-163.
Claims (4)
1.考虑全生命周期碳排放的光-储电动汽车充电站调度方法,其特征在于,该方法具体包括以下步骤:
步骤1、新能源发电占比预测;
步骤2、充电站PV出力预测;
步骤3、构建EV、储能设备的充放电模型;
步骤4、构建以碳排放最小为目标的调度策略;
基于费用等年值法设备生产和回收过程中的碳排放的N分钟折现如式(3)所示;
其中,L0为碳排放每N分钟折现值;I1为折现率;m1为设备使用年限;ψmade为生产过程中的碳排放;ψre为回收过程中的碳排放;
由于EV的渗透率与充电负荷直接相关,因此考虑燃油车在运行过程中产生的碳排放,其具体计算如式(4)所示:
Lv=γ·AGC·M (2)
其中,Lv为燃油车运行过程中产生的碳排放;γ为燃油车碳排放因子;AGC为单位里程油耗;M为行驶里程;
由于充电站PV容量有限且PV受日照影响有较大的波动性,因此在PV供给不足的情况下,充电站还需要从大电网购电以满足EV用户充电需求;充电站在运行过程中的碳排放具体如式(5)所示;
其中,L为充电站运行时产生的碳排放;Lfix为充电站设备全寿命周期碳排放的折现值,其具体计算如式(6)所示;m表示燃油车数量,Lv,i表示第i辆燃油车的碳排放;α表示表示火力机组发电的碳排放强度;βt表示t时刻发电***中火电的占比;Pbuy表示向大电网购电量;Ppv表示充电站PV出力;Pbat表示充电站储能***出力;PV2G表示EV用户参与V2G的放电功率;
其中,Ppv,max为PV最大装机容量;Pbat,max为储能设备最大容量;ψpv、ψbat为单位容量PV、储能设备的全生命周期碳排放;n为充电桩数目;ψpv为一个充电桩全生命周期碳排放;ψcs为充电站基础建设和拆除回收过程产生碳排放;
步骤5、以充电站运营成本最低为目标的调度策略;
充电站运营成本具体表示如式(7)所示;
F=c1Ppv+c2Pbat+cbPg,b-csPg,s+cvPev,d-c3Pev,c (5)
其中,c1,c2分别为PV和储能设备单位功率出力成本;cb、cs为充电站向电网购电、售电的电价;cv为充电站补贴用户参与V2G的成本;c3为充电站售电价格,Pg,b表示充电站向电网购电量,Pg,s表示电网向充电站的售电量;Pev,c为EV充电功率;Pev,d为EV参与V2G放电功率;
步骤6、调度策略约束条件构建
(1)功率约束
Ppv+Pg+Pbat=Pev,c-Pev,d (6)
其中,Ppv为充电站PV出力,Pg为充电站和电网间的交换功率,充电站从购电时其值为正,充电站向电网馈电时其值为负;Pbat为充电站储能设备功率,储能设备放电时其值为正,充电时其值为负;Pev,c为EV充电功率;Pev,d为EV参与V2G放电功率;
(2)储能设备约束
Smin≤St≤Smax (7)
St=St-1+(ηbat,cλbat,cPbat,c-λbat,dPbat,d/ηbat,d)Δt (8)
λbat,c·λbat,d=0,λbat,c,λbat,d∈{0,1} (9)
其中,St为t时刻储能设备的电量;Smin为储能设备电量最小值,Smax为储能设备电量最大值,ηbat,c为储能设备充电效率;Pbat,c储能设备充电功率;ηbat,d为储能设备放电效率;Pbat,d储能设备放电功率;Δt为间隔时间;λbat,c,λbat,d为充放电状态量,当储能设备处于充电状态时λbat,c为1,λbat,d为0;处于放电状态时,λbat,d为1;λbat,c为0;
(3)EV电池约束
λev,c·λev,d=0,λev,c,λev,d∈{0,1} (12)
其中,为t时刻EV电量;Ecap为EV电池容量;Emin为EV电池电量最小值;为EV接入充电站时的最小电量;为EV离开充电站时的电量;Emax为EV电池电量最大值,ηev,c为储能设备充电效率;Pev,c储能设备充电功率;ηev,d为储能设备放电效率;Pev,d储能设备放电功率;Δt为间隔时间;λev,c,λev,d为充放电状态量,当储能设备处于充电状态时λev,c为1,λev,d为0;处于放电状态时,λev,d为1;λev,c为0;
步骤7、调度策略求解方法
针对上述多目标问题采用基于d2距离改进型的非支配排序遗传算法进行求解,首先初始化种群,然后计算种群对应目标函数值,并对其进行非支配排序以及基于d2距离的非支配层个体选择,同时通过选择、交叉、变异产生子代种群,并将父代和子代总群合并得到新种群,重复上述操作直至满足终止条件;
步骤8、模型修正
在实际运行过程中充电站收集当日EV充电数据、PV出力数据、当日天气数据、电网各时刻新能源发电占比数据,并将数据加入到相应数据集,修正步骤1、步骤2中的预测模型,进一步使模型更加准确。
2.根据权利要求1所述的考虑全生命周期碳排放的光-储电动汽车充电站调度方法,其特征在于:所述的新能源发电占比预测;具体为:
由于各时刻新能源发电占比是时间序列,选择对时间序列具有良好处理能力的长短时记忆网络进行预测其中LSTM具备3个隐藏层,每层有个300个LSTM单元网络,隐藏层使用ReLU函数作为激活函数;网络输入为前30天各时刻的新能源发电占比数据,输出为未来一天各时刻新能源发电占比数据。
3.根据权利要求1所述的考虑全生命周期碳排放的光-储电动汽车充电站调度方法,其特征在于:充电站PV出力预测
根据光伏电池模型对其出力进行预测,光伏电池模型具体如式(1)所示;
其中,I为光伏电池输出电流;U为光伏电池的输出电压;S为光照强度,标况下为1000W/m2;T为电池表面温度;Tref为标况下参考温度;Isc为光伏电池短路电流;I0为二极管反向饱和电流;q为电荷电量;n为二极管排放系数;K为波尔兹曼常数;Rsh为电池内部等效电阻;
在充电站运行过程中,PV数据越来越充足,考虑使用深度学习的方法对PV出力进行预测PV出力受天气因素影响较大且有很强的时间相关性,使用LSTM对PV出力进行预测;其中LSTM具备3个隐藏层,每层有个300个LSTM单元网络,隐藏层使用ReLU函数作为激活函数;网络选择对其影响较大的辐照度、温度、湿度、散射度以及前七日各时刻PV出力历史数据作为输入;网络的输出即为未来一天各时刻PV出力情况。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111599655.1A CN114583729A (zh) | 2021-12-24 | 2021-12-24 | 考虑全生命周期碳排放的光-储电动汽车充电站调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111599655.1A CN114583729A (zh) | 2021-12-24 | 2021-12-24 | 考虑全生命周期碳排放的光-储电动汽车充电站调度方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114583729A true CN114583729A (zh) | 2022-06-03 |
Family
ID=81771099
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111599655.1A Pending CN114583729A (zh) | 2021-12-24 | 2021-12-24 | 考虑全生命周期碳排放的光-储电动汽车充电站调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114583729A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116934040A (zh) * | 2023-07-28 | 2023-10-24 | 天津大学 | 一种移动充电站日前协同优化调度方法 |
CN117421935A (zh) * | 2023-12-18 | 2024-01-19 | 国网湖北省电力有限公司经济技术研究院 | 考虑碳排放的电动汽车换电站运行优化方法、***及设备 |
WO2024055545A1 (zh) * | 2022-09-15 | 2024-03-21 | 广东邦普循环科技有限公司 | 一种汽车动力电池管控方法及*** |
-
2021
- 2021-12-24 CN CN202111599655.1A patent/CN114583729A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024055545A1 (zh) * | 2022-09-15 | 2024-03-21 | 广东邦普循环科技有限公司 | 一种汽车动力电池管控方法及*** |
CN116934040A (zh) * | 2023-07-28 | 2023-10-24 | 天津大学 | 一种移动充电站日前协同优化调度方法 |
CN116934040B (zh) * | 2023-07-28 | 2024-03-19 | 天津大学 | 一种移动充电站日前协同优化调度方法 |
CN117421935A (zh) * | 2023-12-18 | 2024-01-19 | 国网湖北省电力有限公司经济技术研究院 | 考虑碳排放的电动汽车换电站运行优化方法、***及设备 |
CN117421935B (zh) * | 2023-12-18 | 2024-03-08 | 国网湖北省电力有限公司经济技术研究院 | 考虑碳排放的电动汽车换电站运行优化方法、***及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111178619B (zh) | 一种考虑分布式电源和充电站联合规划的多目标优化方法 | |
CN105024432B (zh) | 一种基于虚拟电价的电动汽车充放电优化调度方法 | |
CN114583729A (zh) | 考虑全生命周期碳排放的光-储电动汽车充电站调度方法 | |
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 | |
CN106651002B (zh) | 一种基于正弦余弦算法的大规模电动汽车充放电多目标优化方法 | |
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 | |
CN107590607A (zh) | 一种基于光伏预测的微电网优化调度***和方法 | |
CN112183882B (zh) | 一种基于电动汽车快充需求的智慧充电站充电优化方法 | |
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 | |
CN112668791A (zh) | 热电联供***的优化方法 | |
CN116061742B (zh) | 一种分时电价光伏园区内电动汽车的充电控制方法和*** | |
CN112086980A (zh) | 考虑充电桩接入的公用配电变压器定容选型方法与*** | |
CN114519449A (zh) | 一种园区能源***运行优化方法 | |
CN116011697A (zh) | 一种考虑p2x多能源耦合运行优化调度方法及*** | |
CN114725930A (zh) | 一种自适应电力***调度方法及装置 | |
CN117543581A (zh) | 考虑电动汽车需求响应的虚拟电厂优化调度方法及其应用 | |
CN113500940A (zh) | 一种基于粒子群算法的电动汽车有序充放电动态优化策略 | |
CN117698496A (zh) | 考虑多分布资源协调运行的充电桩规划方法、***、介质 | |
CN111339474B (zh) | 一种基于趋势预测分析法的综合能源***预测运行方法 | |
CN117060506A (zh) | 考虑绿电计费方式的电动汽车、光伏协同优化方法及装置 | |
CN115018376B (zh) | 一种考虑新型电力***特征的负荷调控优化方法 | |
CN116191508A (zh) | 一种计及风光出力的含储能有源配电网经济运行优化方法 | |
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 | |
Chang et al. | A coordinated charging strategy for PV-Assisted charging station of electric vehicles based on charging service price | |
Taher et al. | Multi-objective optimization of a grid-connected PV system for a public building: Faculty of Sciences and Technology at Pau |
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 |