一种充电站光储车迭代学习模型预测控制方法及系统

摘要: 本发明涉及充电站能量管理与优化控制,具体涉及一种充电站光储车迭代学习模型预测控制方法及系统。背景技术:1、随着电动汽车规模化接入,具备光伏、储能和快充桩的充电站...
一种充电站光储车迭代学习模型预测控制方法及系统

本发明涉及充电站能量管理与优化控制,具体涉及一种充电站光储车迭代学习模型预测控制方法及系统。

背景技术:

1、随着电动汽车规模化接入,具备光伏、储能和快充桩的充电站逐步从单一负荷节点转变为可调度的源荷储一体化单元。现有充电站通常采用日前优化、固定分时电价引导或普通模型预测控制来安排充电功率和储能充放电,能够在一定程度上降低峰谷差和购电成本。

2、但是,车辆到站时间、离站时间、初始荷电状态、用户对价格激励的响应意愿以及光伏实时出力均具有显著随机性。仅依赖日前计划时,实际运行容易出现车辆充电需求与光伏高发时段错配、储能过早充满或过早放空、站网交换功率偏离目标等问题;仅采用常规模型预测控制时,又难以充分利用历史运行中重复出现的预测偏差和控制误差。

3、现有方法还存在三方面不足:其一,车辆柔性往往只按可延迟充电时间粗略划分,未将用户价格响应、车辆时间裕度和可放电安全约束统一成可计算边界;其二,光伏消纳控制多以功率平衡为目标,缺少对本地绿电可吸收时段的主动辨识;其三,滚动控制通常只根据当前预测重新优化,不能学习相似天气、相似交通流和相似价格条件下的历史批次误差演化规律,导致源侧和荷侧随机扰动同时出现时控制精度下降。

技术实现思路

1、本发明的目的在于,提供一种充电站光储车迭代学习模型预测控制方法及系统,以解决光伏出力和电动汽车充电需求双侧随机波动条件下,充电站难以结合车辆可调节能力和本地绿电匹配窗口进行协同控制,导致站网交换功率实时偏差较大、光伏就地消纳水平较低且车辆期望离站电量难以保证的问题。

2、为了实现上述目的,本发明提供的一种充电站光储车迭代学习模型预测控制方法,包括:

3、获取充电站内光伏发电单元和储能电池的光储运行数据、经充电桩接入的车辆运行数据及电网功率目标;

4、根据所述车辆运行数据确定各车辆充放电可行功率范围,并基于各车辆的充放电可行功率范围确定车辆群可用调节容量;

5、根据所述光储运行数据和所述车辆群可用调节容量辨识各待控制时段的绿电消纳匹配状态,确定对应的绿电消纳控制目标;

6、依据所述绿电消纳控制目标和电网功率目标,以储能电池和车辆群充放电功率为控制量,在所述车辆群可用调节容量、储能运行约束和功率平衡约束下进行模型预测滚动优化,得到基础控制序列;

7、调用历史批次误差库中与当前运行场景相匹配的历史误差序列,进行高阶比例微分迭代学习以生成修正量,并修正所述基础控制序列得到目标控制序列;

8、根据所述目标控制序列控制储能电池和经充电桩接入的车辆进行充放电,并依据执行反馈结果更新所述历史批次误差库。

9、上述方法通过多模态价格-需求弹性模型量化车辆响应意愿,通过车辆时间裕度界定充放电柔性边界,通过光伏消纳匹配时段辨识确定优先吸收绿电的控制窗口,并在模型预测控制中引入高阶比例微分迭代学习项,对历史批次误差进行滚动学习补偿。

10、作为上述技术方案的进一步改进,所述车辆群可用调节容量的确定包括:根据所述车辆运行数据,将车辆响应模式分为仅允许延迟启动且充电功率固定的第一响应模式、允许调整充电功率但不向站内反送电的第二响应模式、在满足电池安全和用户授权条件下允许双向充放电的第三响应模式;根据各响应模式对应的基础响应概率和弹性参数、站方单位激励价格、用户最低接受激励及车辆等待厌恶系数建立价格需求弹性函数,基于所述价格需求弹性函数确定各车辆的价格响应概率;根据各车辆的价格响应概率及其在对应充放电可行功率范围内的可调功率,确定各响应模式的车辆群可调功率期望值,并根据各响应模式的车辆群可调功率期望值确定所述车辆群可用调节容量。

11、作为上述技术方案的进一步改进,各车辆充放电可行功率范围的确定包括:取车辆与充电桩额定充电功率的较小值为最大充电功率;以车辆离站前剩余时间与按所述最大充电功率满足期望电量所需时间之差确定时间裕度,时间裕度不大于零时车辆为刚性补电对象,大于零时进入柔性集合;根据剩余应补电量及离站前剩余可用充电时间确定最小充电功率;取第三响应模式车辆的双向充放电额定功率、安全荷电状态以上可释放电量对应功率及由所述时间裕度与用户舒适度折减系数限定的放电功率中的最小值为最大放电功率;第一响应模式车辆的可行功率集合由零和不大于所述最大充电功率的固定额定充电功率组成;第二响应模式车辆的可行功率范围为最小充电功率至最大充电功率;第三响应模式车辆的可行功率范围为负最大放电功率至最大充电功率。

12、作为上述技术方案的进一步改进,还包括:对各车辆的时间裕度、期望荷电状态与当前荷电状态的差值、价格响应概率及历史执行可靠度进行归一化加权,得到车辆控制优先系数;按照所述车辆控制优先系数由高至低,将所述目标控制序列中的车辆群充放电功率分配至所述柔性集合内的车辆,并使各车辆的分配功率位于对应充放电可行功率范围;对所述刚性补电对象执行不低于对应最小充电功率的保底充电;获取各车辆对所分配功率的实际执行结果,根据所述实际执行结果更新各车辆的历史执行可靠度,并将更新后的历史执行可靠度用于下一控制周期的车辆控制优先系数计算。

13、作为上述技术方案的进一步改进,所述绿电消纳匹配状态及控制目标的确定包括:将光伏预测功率扣除刚性站内负荷所得的预测光伏富余功率、由所述车辆群可用调节容量确定的车辆群可增加充电容量及根据储能荷电状态确定的储能剩余可充电容量作为正向项,将光伏与车辆需求预测不确定度及电网购电边际价格作为反向项,归一化加权得到光伏消纳匹配指数;设定第一阈值和低于第一阈值的第二阈值;当所述光伏消纳匹配指数高于第一阈值时,匹配状态为绿电优先吸收状态,控制目标为提高车辆群和储能电池的充电功率;当所述光伏消纳匹配指数位于两个阈值之间时,匹配状态为光储平衡状态,控制目标为将储能荷电状态维持在中间区间;当所述光伏消纳匹配指数低于第二阈值且电网功率目标要求削峰时,匹配状态为网侧支撑状态,控制目标为优先调用储能电池放电和允许双向充放电的车辆反送电。

14、作为上述技术方案的进一步改进,所述模型预测滚动优化包括:以储能荷电状态、车辆群实测功率、站网交换功率、光伏功率、车辆群可用调节容量及所述历史批次误差库中的历史误差特征构建状态向量,以储能充电功率、储能放电功率、车辆群充放电功率及用于确定预测域内车辆群可用调节容量的激励价格构建控制向量;基于所述状态向量和控制向量预测充电站运行状态;以最小化站网交换功率与电网功率目标的跟踪偏差、弃光功率、购电功率、车辆激励成本、储能循环损耗及车辆离站荷电状态违约量的加权和为优化目标;在各车辆充放电可行功率范围、车辆群可用调节容量、储能荷电状态上下限、储能充放电互斥、站内功率平衡、变压器容量及车辆离站电量约束下,于预测域和控制域内求解所述优化目标,得到所述基础控制序列。

15、作为上述技术方案的进一步改进,所述历史批次误差库的构建和调用包括:基于天气类型、工作日或节假日类型、车辆到站密度、价格水平及光伏波动强度,确定当前运行场景标签和各历史批次的运行场景标签;按照各历史批次的运行场景标签,存储各历史批次中不同采样位置的站网交换功率实测值与电网功率目标、光伏消纳功率实测值与预测值以及车辆需求实测值与预测值之间的偏差,形成对应历史误差序列;根据当前运行场景标签与各历史批次的运行场景标签之间的相似度,选取相匹配的历史批次,从所述相匹配的历史批次调用历史误差序列,并读取与当前采样位置对应的历史误差数据。

16、作为上述技术方案的进一步改进,所述高阶比例微分迭代学习包括:针对当前批次的各采样位置,将所述相匹配的上一同类历史批次中与当前采样位置对应的历史误差数据作为比例误差项,取所述上一同类历史批次中相邻采样位置的历史误差之差作为一阶误差变化项,取连续一阶误差变化项之差作为二阶误差变化项;计算当前采样位置的站网交换功率实测值与电网功率目标之间的偏差,或光伏消纳功率实测值与预测值之间的偏差,得到当前实时误差;将所述比例误差项、一阶误差变化项、二阶误差变化项及当前实时误差分别与对应学习增益相乘,并将各乘积与所述上一同类历史批次在对应采样位置的迭代学习修正量叠加,得到当前批次在当前采样位置的迭代学习修正量;在各车辆充放电可行功率范围、车辆群可用调节容量及储能运行约束下,将当前批次各采样位置的迭代学习修正量分别与所述基础控制序列中对应采样位置的基础控制量叠加,得到所述目标控制序列。

17、作为上述技术方案的进一步改进,所述历史批次误差库的更新包括:根据所述目标控制序列进行充放电控制,采集储能电池和车辆的实际功率、光伏实测功率、车辆指令执行结果、储能荷电状态变化、站网交换功率及车辆离站荷电状态达成情况,形成执行反馈结果;将所述执行反馈结果中的实测值与对应预测值或控制目标进行比较,得到当前批次误差,并按照当前运行场景标签和采样位置将所述当前批次误差写入所述历史批次误差库;当连续若干控制周期的当前批次误差满足收敛条件时,降低对应学习增益;当检测到设备故障或可用充电桩数量突变时,重置对应运行场景的历史误差调用权重;在下一滚动控制周期,基于更新后的历史误差调用权重从更新后的历史批次误差库中匹配历史误差序列,并采用更新后的学习增益进行高阶比例微分迭代学习修正。

18、本发明还提供了一种充电站光储车迭代学习模型预测控制系统,包括光伏发电单元、储能电池、充电桩、车辆状态采集模块、站网交换计量模块、历史批次误差库及站级能量管理控制器,所述充电桩用于接入车辆,所述站级能量管理控制器分别与所述光伏发电单元、储能电池、充电桩、车辆状态采集模块、站网交换计量模块及历史批次误差库通信连接;所述站级能量管理控制器包括:

19、数据获取模块,用于获取所述光伏发电单元和储能电池的光储运行数据、通过所述车辆状态采集模块获取经充电桩接入的车辆运行数据,并接收电网功率目标;

20、车辆柔性确定模块,用于根据所述车辆运行数据确定各车辆充放电可行功率范围,并基于各车辆的充放电可行功率范围确定车辆群可用调节容量;

21、绿电匹配辨识模块,用于根据所述光储运行数据和车辆群可用调节容量辨识各待控制时段的绿电消纳匹配状态,并确定对应的绿电消纳控制目标;

22、预测优化模块,用于依据所述绿电消纳控制目标和电网功率目标,以储能电池和车辆群充放电功率为控制量,在车辆群可用调节容量、储能运行约束及功率平衡约束下进行模型预测滚动优化,得到基础控制序列;

23、迭代学习修正模块,用于调用所述历史批次误差库中与当前运行场景相匹配的历史误差序列,进行高阶比例微分迭代学习以生成修正量,并修正所述基础控制序列得到目标控制序列;

24、执行反馈模块,用于根据所述目标控制序列控制储能电池和充电桩,使经充电桩接入的车辆进行充放电,获取执行反馈结果,并依据所述执行反馈结果更新所述历史批次误差库。

25、本发明提供的控制方法及系统的有益效果在于:

26、(1)根据车辆响应模式、价格响应概率、时间裕度及充放电安全条件确定各车辆充放电可行功率范围,并形成车辆群可用调节容量,能够准确表征不同车辆的调节能力,避免将不可调节车辆纳入调度,同时兼顾车辆期望离站电量。

27、(2)根据光储运行数据和车辆群可用调节容量辨识绿电消纳匹配状态,能够确定适于光伏消纳的控制时段,协调车辆群与储能电池的充放电功率,提高光伏就地消纳水平,减少弃光及无效上网。

28、(3)在车辆群可用调节容量、储能运行及功率平衡约束下进行模型预测滚动优化,能够协调储能电池和车辆群的充放电过程,降低站网交换功率与电网功率目标之间的偏差,并兼顾购电、车辆激励及储能循环损耗。

29、(4)利用相似运行场景的历史误差序列进行高阶比例微分迭代学习,对基础控制序列实施修正,并根据执行反馈结果更新历史批次误差库,能够利用重复出现的误差变化规律补偿光伏出力和车辆需求的预测偏差,提高随机波动条件下的滚动控制精度与适应性。