[发明专利]含光伏智能小区电动汽车与可控负荷两阶段优化调度方法

摘要

本发明公开了一种含光伏智能小区电动汽车与可控负荷两阶段优化调度方法，基于住宅区面积、可控负荷使用特性以及热力学定理建立的可控负荷出力模型、基于电动汽车用户行驶特性建立电动汽车充电模型、基于光伏出力预测偏差满足正态分布建立光伏概率模型，日前调度中以电动汽车有序充电后的运营方收益最大为目标制定分时电价，通过分时电价引导电动汽车有序充电以有效减小系统峰谷差；考虑光伏预测、气温预测偏差对智能小区内电动汽车及可控负荷协同调度的影响，通过引入实时调度来修正由于日前预测所导致的供求不平衡量，在实时调度中以日前制定的分时电价为依据，优化电动汽车日前充电方案降低实时调度费用、平抑负荷波动；分为日前调度和实时调度两阶段优化。

主权项

一种含光伏智能小区电动汽车与可控负荷两阶段优化调度方法，基于住宅区面积、可控负荷使用特性以及热力学定理建立可控负荷出力模型、基于电动汽车用户行驶特性建立电动汽车充电模型、基于光伏出力预测偏差满足正态分布建立光伏概率模型，日前调度中以电动汽车有序充电后的运营方收益最大为目标制定分时电价，通过分时电价引导电动汽车有序充电以有效减小系统峰谷差；考虑光伏预测、气温预测偏差对智能小区内电动汽车及可控负荷协同调度的影响，通过引入实时调度来修正由于日前预测所导致的供求不平衡量，在实时调度中以日前制定的分时电价为依据，优化电动汽车日前充电方案降低实时调度费用、平抑负荷波动；分为日前调度和实时调度两阶段优化，包含如下步骤：A.日前调度阶段：Step1：采用预设的电动汽车负荷模型，输入电动汽车i的开始充电时刻t_i,a、停止充电时刻t_i,s、日行驶里程d_i、动力电池容量E_i以及最大充电功率P_max,i，其中i代表电动汽车的编号，i＝1,2,3…n，n为居民小区内电动汽车总数，共输入n组数据；Step2：采用预设的温度控制型负荷模型计算得到温度控制型负荷的出力情况，将温度控制型负荷出力情况作为初始条件输入，同时将预测到的光伏次日第j小时(j＝1,2,3…24)内的出力情况P_pv,j和居民基础负荷P_L,j作为初始条件输入；Step3：根据24个时段电价构成日前调度模型，设置迭代次数k＝0，粒子数为N，在居民用户可接受的电价范围内对电价方案进行初始化，将初始化电价以及各类负荷数据代入式(6)中计算得到的运营方收益，日前调度的目标函数为运营方收益最大：$\max g_1=\underset{t=1}{\overset{24}{\Σ}}(C_t{P}_{AL,t}\mathrm{\Δ}t-C_{TR}{P}_{TR,t}\mathrm{\Δ}t)---\left(6\right)$其中：C_t为所制定的t时段电价；C_TR为输电网的单位电价；P_TR,t为运营方t时段向输电网购买的功率；P_AL,t为t时刻的总负荷量；重复上述过程N次，得到第一次迭代的N个24小时分时电价粒子以及N个优化目标值，令第l个电价粒子为X^1,l，每一个电价粒子都是24小时电价的集合，即令第l个优化目标值为最大的所对应的电价粒子X^1,l就是全局最优电价粒子X^gbest，完成第一次迭代；Step4：比较第l个电价粒子历次迭代的值，若第k′次迭代值最大，则第k′次迭代中的X^k′,l为第l个个体最优电价粒子X^l,pbest；以式(6)为目标函数，运营方的收益由24个时段向各类负荷收取的总费用减去24个时段向输电网购买电量的总费用构成，在相应的约束条件下，将上次即k次迭代的全局最优电价粒子X^gbest以及第l个个体最优电价粒子X^l,pbest代入粒子群优化算法，迭代求解得到第k+1次的电价粒子X^k+1,l；将电价粒子X^k+1,l以及各类负荷数据代入式(6)中，得到第l个电价粒子X^k+1,l的优化目标值Step5：重复第4步操作N次，最大的值所对应的电价粒子X^k+1,l即为全局最优电价粒子X^gbest，完成本次迭代，令k＝k+1；Step6：重复第4、5步操作k次，得到k次迭代时的全局最优电价粒子X^gbest，此电价就是日前调度得到的最优电价，作为实时调度的电价依据；B.实时调度阶段：Step1：输入各时段室外温度、光伏出力以及居民基础负荷等数据的日前与实时预测偏差值，根据式(17)确定实时调度功率，输入日前调度得到的最优电价粒子X^gbest；根据式(17)确定每个时段实时调度功率P_rt,t：P_rt,t＝P′_PV,t+P′_TR,t‑P′_AL,t    (17)其中：P′_PV,t是实时调度中t时段的光伏出力情况；P′_TR,t是实时调度中供电公司向输电网购买功率；P′_AL,t为实时调度中t时刻总负荷量；Step2：根据24个时段内电动汽车充电功率变化量构成实时调度模型，设置迭代次数K＝0，粒子数为M，在实时调度功率范围内对电动汽车充电功率变化量进行初始化，根据电动汽车充电功率变化量计算出温度控制型负荷功率变化量以及向电网购买电量的变化量，将上述数据代入式(8)中计算得到的实时调度费用就是实时调度的优化目标，实时调度的目标函数应为实时调度费用最小：${\mathrm{ming}}_2=\underset{t=4z-3}{\overset{4z}{\Σ}}(C_t-C_1){\mathrm{\ΔP}}_{ch,t}-(C_2-C_t){\mathrm{\ΔP}}_{ch,t}+C_t\left|{\mathrm{\ΔP}}_{AC,t}\right|+C_s\left|{\mathrm{\ΔP}}_{tr,t}\right|,z=1,2,...,6---\left(8\right)$其中：C₂和C₁分别是日前调度得到最高电价和最低电价；C_S是电网的实时电价；△P_ch,t＝P′_ch,t‑P_ch,t是电动汽车充电功率的变化量；△P_AC,t＝P′_AC,t‑P_AC,t是温度控制型负荷的功率变化量；△P_tr,t是实时调度中运营方向电网购买的电量的变化量；重复上述过程M次，得到第一次迭代的M个电动汽车充电功率变化量以及M个优化目标值，令第L个电动汽车充电功率变化量粒子为Y^1,L，每一个粒子都是24小时内n辆电动汽车充电功率变化量的集合，即令第L个优化目标值为最小的所对应的电动汽车充电功率变化量粒子Y^1,L就是全局最优电动汽车充电功率变化量粒子Y^gbest，完成第一次迭代；Step3：比较第L个电动汽车充电功率变化量粒子历次迭代的值，若第K′次迭代值最小，则第K′次迭代中的Y^K′,L为第L个个体最优电动汽车充电功率变化量粒子Y^L,pbest；以式(8)为目标函数，在相应约束条件下，将上次即K次迭代的全局最优电动汽车充电功率变化量粒子Y^gbest以及第L个个体最优电动汽车充电功率变化量粒子Y^L,pbest代入粒子群优化算法，迭代求解得到第K+1次的电动汽车充电功率变化量粒子Y^K+1,L；将电动汽车充电功率变化量粒子Y^K+1,L以及温度控制型负荷功率变化量等数据代入式(8)中，得到第L个电动汽车充电功率变化量粒子Y^K+1,L的优化目标值Step4：重复第3步操作M次，最小的值所对应的电动汽车充电功率变化量粒子Y^K+1,L即为全局最优电动汽车充电功率变化量粒子Y^gbest，完成本次迭代；Step5：重复第3、4步操作K次，得到K次迭代时的全局最优电动汽车充电功率变化量粒子Y^gbest，通过此电动汽车充电功率变化量就可以求得温度控制型负荷功率变化量以及向电网购买电量的变化量，这就是实时调度最终得到的24时段内的功率修正方案，通过这一方案对日前调度计划进行修正使得电力达到一个实时的供求平衡。