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

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

考虑全生命周期碳排放的光-储电动汽车充电站调度方法

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；ψ^made为生产过程 中的碳排放；ψ^re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：

L_v＝γ·AGC·M (2)

其中，L_v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；L_fix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，L_v,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；β_t表示t时刻发电***中火电的占比，假定其值可 以获得；P_buy表示向大电网购电量；P_pv表示充电站PV出力；P_bat表示充电站储能***出 力；P_V2G表示EV用户参与V2G的放电功率。

其中，P_pv,max为PV最大装机容量；P_bat,max为储能设备最大容量；ψ_pv、ψ_bat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；ψ_pv为一个充电桩全生命周期碳排放；ψ_cs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＝c₁P_pv+c₂P_bat+c_bP_g,b-c_sP_g,s+c_vP_ev,d-c₃P_ev,c (5)

其中，c₁，c₂分别为PV和储能设备单位功率出力成本；c_b、c_s为充电站向电网购电、售电 的电价；c_v为充电站补贴用户参与V2G的成本；c₃为充电站售电价格，P_g,b表示充电站向电网购电量，P_g,s表示电网向充电站的售电量；P_ev,c为EV充电功率；P_ev,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

P_pv+P_g+P_bat＝P_ev,c-P_ev,d (6)

其中，P_pv为充电站PV出力，P_g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；P_bat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；P_ev,c为EV充电功率；P_ev,d为EV参与V2G放电功率。

(2)储能设备约束

S_min≤S_t≤S_max (7)

S_t＝S_t-1+(η_bat,cλ_bat,cP_bat,c-λ_bat,dP_bat,d/η_bat,d)Δt (8)

λ_bat,c·λ_bat,d＝0,λ_bat,c,λ_bat,d∈{0,1} (9)

其中，S_t为t时刻储能设备的电量；S_min为储能设备电量最小值，S_max为储能设备电量最 大值，η_bat,c为储能设备充电效率；P_bat,c储能设备充电功率；η_bat,d为储能设备放电效率； P_bat,d储能设备放电功率；Δt为间隔时间；λ_bat,c，λ_bat,d为充放电状态量，当储能设备处于充电状态时λ_bat,c为1，λ_bat,d为0；处于放电状态时，λ_bat,d为1；λ_bat,c为0。

(3)EV电池约束

λ_ev,c·λ_ev,d＝0,λ_ev,c,λ_ev,d∈{0,1} (12)

其中，

为t时刻EV电量；E^cap为EV电池容量；E_min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；E_max为EV电池电量最大值，η_ev,c为储能设备充电效率；P_ev,c储能设备充电功率；η_ev,d为储能设备放电效率；P_ev,d储能设 备放电功率；Δt为间隔时间；λ_ev,c，λ_ev,d为充放电状态量，当储能设备处于充电状态 时λ_ev,c为1，λ_ev,d为0；处于放电状态时，λ_ev,d为1；λ_ev,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；T_ref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；P_t ^c与P_t ^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；η^c,η^d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；T_ref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；P_t ^c与P_t ^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；η^c,η^d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；ψ^made为生产过程 中的碳排放；ψ^re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：

L_v＝γ·AGC·M (4)

其中，L_v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；L_fix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，L_v,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；β_t表示t时刻发电***中火电的占比，假定其值可 以获得；P_buy表示向大电网购电量；P_pv表示充电站PV出力；P_bat表示充电站储能***出 力；P_V2G表示EV用户参与V2G的放电功率。

其中，P_pv,max为PV最大装机容量；P_bat,max为储能设备最大容量；ψ_pv、ψ_bat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；ψ_pv为一个充电桩全生命周期碳排放；ψ_cs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＝c₁P_pv+c₂P_bat+c_bP_g,b-c_sP_g,s+c_vP_ev,d-c₃P_ev,c (7)

其中，c₁，c₂分别为PV和储能设备单位功率出力成本；c_b、c_s为充电站向电网购电、售电 的电价；c_v为充电站补贴用户参与V2G的成本；c₃为充电站售电价格，P_g,b表示充电站向电网购电量，P_g,s表示电网向充电站的售电量；P_ev,c为EV充电功率；P_ev,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

P_pv+P_g+P_bat＝P_ev,c-P_ev,d (8)

其中，P_pv为充电站PV出力，P_g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；P_bat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；P_ev,c为EV充电功率；P_ev,d为EV参与V2G放电功率。

(2)储能设备约束

S_min≤S_t≤S_max (9)

S_t＝S_t-1+(η_bat,cλ_bat,cP_bat,c-λ_bat,dP_bat,d/η_bat,d)Δt (10)

λ_bat,c·λ_bat,d＝0,λ_bat,c,λ_bat,d∈{0,1} (11)

其中，S_t为t时刻储能设备的电量；S_min为储能设备电量最小值，S_max为储能设备电量最 大值，η_bat,c为储能设备充电效率；P_bat,c储能设备充电功率；η_bat,d为储能设备放电效率； P_bat,d储能设备放电功率；Δt为间隔时间；λ_bat,c，λ_bat,d为充放电状态量，当储能设备处于充电状态时λ_bat,c为1，λ_bat,d为0；处于放电状态时，λ_bat,d为1；λ_bat,c为0。

(3)EV电池约束

λ_ev,c·λ_ev,d＝0,λ_ev,c,λ_ev,d∈{0,1} (14)

其中，

为t时刻EV电量；E^cap为EV电池容量；E_min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；E_max为EV电池电量最大值，η_ev,c为储能设备充电效率；P_ev,c储能设备充电功率；η_ev,d为储能设备放电效率；P_ev,d储能设 备放电功率；Δt为间隔时间；λ_ev,c，λ_ev,d为充放电状态量，当储能设备处于充电状态 时λ_ev,c为1，λ_ev,d为0；处于放电状态时，λ_ev,d为1；λ_ev,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；ψ^made为生产过程中的碳排放；ψ^re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：

L_v＝γ·AGC·M (2)

其中，L_v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；L_fix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，L_v,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；β_t表示t时刻发电***中火电的占比；P_buy表示向大电网购电量；P_pv表示充电站PV出力；P_bat表示充电站储能***出力；P_V2G表示EV用户参与V2G的放电功率；

其中，P_pv,max为PV最大装机容量；P_bat,max为储能设备最大容量；ψ_pv、ψ_bat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；ψ_pv为一个充电桩全生命周期碳排放；ψ_cs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＝c₁P_pv+c₂P_bat+c_bP_g,b-c_sP_g,s+c_vP_ev,d-c₃P_ev,c (5)

其中，c₁，c₂分别为PV和储能设备单位功率出力成本；c_b、c_s为充电站向电网购电、售电的电价；c_v为充电站补贴用户参与V2G的成本；c₃为充电站售电价格，P_g,b表示充电站向电网购电量，P_g,s表示电网向充电站的售电量；P_ev,c为EV充电功率；P_ev,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

P_pv+P_g+P_bat＝P_ev,c-P_ev,d (6)

其中，P_pv为充电站PV出力，P_g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；P_bat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；P_ev,c为EV充电功率；P_ev,d为EV参与V2G放电功率；

(2)储能设备约束

S_min≤S_t≤S_max (7)

S_t＝S_t-1+(η_bat,cλ_bat,cP_bat,c-λ_bat,dP_bat,d/η_bat,d)Δt (8)

λ_bat,c·λ_bat,d＝0,λ_bat,c,λ_bat,d∈{0,1} (9)

其中，S_t为t时刻储能设备的电量；S_min为储能设备电量最小值，S_max为储能设备电量最大值，η_bat,c为储能设备充电效率；P_bat,c储能设备充电功率；η_bat,d为储能设备放电效率；P_bat,d储能设备放电功率；Δt为间隔时间；λ_bat,c，λ_bat,d为充放电状态量，当储能设备处于充电状态时λ_bat,c为1，λ_bat,d为0；处于放电状态时，λ_bat,d为1；λ_bat,c为0；

(3)EV电池约束

λ_ev,c·λ_ev,d＝0,λ_ev,c,λ_ev,d∈{0,1} (12)

其中，

为t时刻EV电量；E^cap为EV电池容量；E_min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；E_max为EV电池电量最大值，η_ev,c为储能设备充电效率；P_ev,c储能设备充电功率；η_ev,d为储能设备放电效率；P_ev,d储能设备放电功率；Δt为间隔时间；λ_ev,c，λ_ev,d为充放电状态量，当储能设备处于充电状态时λ_ev,c为1，λ_ev,d为0；处于放电状态时，λ_ev,d为1；λ_ev,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；T_ref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。

4.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：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(2)表示：

其中，

为EV或储能设备在t时刻的荷电状态；P_t ^c与P_t ^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；η^c,η^d分别为EV或储能设备相应的充电，放电效率；Δt为时间间隔。

Images