面向光伏波动的充电站V2G滚动时域能量管理方法与流程

本发明涉及充电站能量管理，尤其涉及一种面向光伏波动的充电站v2g滚动时域能量管理方法。

背景技术：

1、随着光伏与电动汽车在充电站场景的深度融合，利用v2g（vehicle-to-grid，电动汽车与电网之间的双向能量交互）技术平抑光伏波动并参与电网互动成为提升系统经济性的重要手段。

2、然而，现有的充电站能量管理方法多采用确定性优化或静态概率模型，难以有效应对光伏出力与v2g集群响应的双重强不确定性，易导致购电计划保守或越限风险高；同时，日前规划与日内执行之间存在风险信息脱节，缺乏将日前风险预算向日内动态机会约束传递的机制；此外，现有的日内滚动优化多采用固定周期控制，对突发功率波动响应滞后，且在集群指令分配时未充分考虑用户响应意愿的动态变化，导致v2g可用容量评估失准。

3、因此，亟需一种能够实现风险信息跨层级传递、兼顾响应时效与经济性且具备全闭环自演进能力的v2g滚动时域能量管理方法。

技术实现思路

1、为解决现有技术中存在的上述问题，本发明提供了一种面向光伏波动的充电站v2g滚动时域能量管理方法，通过构建日前规划与日内滚动协同的闭环架构，将不确定性由被动应对转为主动预算分配与持续自适应修正，系统性提升经济性、鲁棒性与长期运行精度。

2、本发明的目的可以通过以下技术方案实现：

3、本公开提供了一种面向光伏波动的充电站v2g滚动时域能量管理方法，包括以下步骤：

4、s1、日前预决策与风险裕度生成：采集充电站历史运行数据训练光伏出力预测模型和电动汽车充电需求预测模型；以日为周期生成日前预测值，经两阶段分布鲁棒优化输出未来各时段的购电基准功率及风险裕度，所述风险裕度为无量纲系数，表征该时段日前规划所预留的功率调整弹性空间；

5、s2、v2g集群柔性边界动态感知：在各滚动周期起始时刻采集电动汽车实时状态，经模糊逻辑量化用户响应意愿指数，结合电动汽车充电需求预测模型滚动估计未来时域

h内v2g集群可调度容量的置信区间及集群响应置信度；

6、s3、多约束滚动时域功率增量优化：滚动周期起始时刻读取购电基准功率、风险裕度、v2g集群可调度容量置信区间及集群响应置信度，以风险裕度和集群响应置信度为双重概率参数构建动态联合机会约束，构建含动态联合机会约束的模型预测控制优化问题，以v2g集群功率增量为变量在线求解，输出当前时刻的功率增量指令；

7、s4、集群功率指令实时分配：根据v2g集群功率增量指令，采用用户意愿与荷电状态联合优先级策略将功率增量分配至各充电桩，并同步控制储能执行，执行后更新车辆状态；

8、s5、双模触发式反馈校正：以高频采样监测并网点功率与光伏出力偏差，采用固定周期滚动与事件触发扰动相结合的双模架构，当偏差超阈值时执行预测时域缩小的紧急重优化并下发修正指令；

9、s6、偏差回溯与模型自演进：将并网点功率实测偏差滤波后反馈至步骤s2的所述v2g集群可调度容量置信区间，形成实时闭环修正；积累历史偏差触发模糊逻辑规则参数微调，驱动感知模型自演进；并依据偏差收敛状态自适应调整步骤s5的触发阈值。

10、进一步地，步骤s1中所述两阶段分布鲁棒优化包括：

11、第一阶段决策变量为次日各时段的购电基准功率和风险裕度；

12、第二阶段随机变量为各时段的光伏出力和电动汽车充电负荷，其概率分布属于以历史数据经验分布为中心、wasserstein距离不超过预设半径的模糊集；第二阶段决策变量为各时段的实际购电功率调整量、储能系统充放电功率、v2g集群总功率，在最坏光伏出力和电动汽车充电负荷概率分布下最小化期望运营成本；

13、采用列与约束生成算法求解所述两阶段分布鲁棒优化问题，输出次日各时段的购电基准功率轨迹及风险裕度序列。

14、进一步地，步骤s2中所述v2g集群可调度容量的置信区间按如下方式生成：

15、调用步骤s1中电动汽车充电需求预测模型，获取未来预测时域内各断面的预计接入车辆数及接入车辆soc分布预测；

16、计算各时间断面的v2g集群可调度容量估计值：

17、；

18、；

19、其中为第辆车的用户响应意愿指数，、分别为第辆车的最大放电功率和最大充电功率，为指示函数，为第辆车的预计离网时刻，为当前在网车辆数；

20、以充电站总接入车辆数、平均soc、平均用户意愿指数、时段编号及天气类型为特征，以历史容量估计误差为响应变量，采用分位数回归建立置信区间估计模型，得到各断面置信区间上界和下界；

21、所述集群响应置信度取当前所有接入车辆意愿指数的加权平均值，权重为各车辆额定功率与集群总额定功率之比。

22、进一步地，步骤s2中所述用户响应意愿指数通过预先建立的模糊逻辑规则库计算得到：

23、所述模糊逻辑规则库的输入变量包括荷电状态soc、电池健康度soh、预计离网时刻和放电电价激励，输出为意愿指数；所述模糊逻辑规则库的规则权重在每日预设时刻通过自适应神经模糊推理系统利用历史v2g响应记录进行参数微调，使意愿指数估计值与实际响应记录的均方误差最小化。

24、进一步地，步骤s3中所述动态联合机会约束为：

25、；

26、其中为购电功率相对于购电基准功率的调整量，、分别为并网点功率下限和上限；

27、允许越限概率上限，其中为步骤s1输出的风险裕度，为步骤s2输出的集群响应置信度；

28、所述动态联合机会约束通过条件风险价值近似转化为确定性线性约束纳入所述模型预测控制优化问题。

29、进一步地，步骤s3中所述模型预测控制优化问题的目标函数为：

30、；

31、其中为购电功率相对于购电基准功率的调整量，为分时电价，为储能系统老化成本，为v2g电池衰减折算成本，为正则化系数；

32、约束条件包括：功率平衡约束、储能系统约束、v2g集群功率上下限约束、各变量变化率约束、购电功率调整量上下限约束及所述动态联合机会约束；

33、所述优化问题为二次规划问题，通过分段线性化转化为线性规划形式后采用优化求解器在线求解。

34、进一步地，步骤s4中所述用户意愿与荷电状态联合优先级策略包括：

35、若所述v2g集群功率增量指令，进入放电增量分配模式，构建放电增量分配优先级指标：

36、；

37、按从高到低排序，依次分配放电功率增量；

38、若，进入充电增量分配模式，构建充电增量分配优先级指标：

39、；

40、按从高到低排序，依次分配充电功率增量；

41、式中，为第辆车的当前荷电状态，、分别为第辆车可参与v2g的最低荷电状态阈值和最高荷电状态阈值，为第辆车的预计离网时刻；权重系数满足，且；

42、若遍历完所有在网车辆后仍有未分配功率，将剩余部分自动转为储能补足指令。

43、进一步地，步骤s5中所述双模触发式反馈校正包括：

44、以预设高频采样周期监测并网点功率实测值和光伏出力实测值；

45、设置双重触发条件：当并网点功率实测值与预测值偏差超过第一阈值时触发第一触发条件；当光伏出力实测值与预测值偏差超过第二阈值时触发第二触发条件；

46、当任一触发条件满足时，执行紧急重优化：预测时域缩小至小于正常预测时域，固定购电功率调整量为最近一次正常优化值，仅优化v2g集群功率增量和储能功率；

47、紧急重优化完成后，以触发时刻为新的计时起点恢复定时器；

48、设置触发死区时间、偏差确认次数和最大触发频率限制三重防误触发保护。

49、进一步地，步骤s6中所述将并网点功率实测偏差滤波后反馈至步骤s2的v2g集群可调度容量置信区间包括：

50、采集上一滚动周期内所有采样时刻的并网点功率实测值和对应的预测值，计算平均偏差并经一阶低通滤波得到滤波后偏差补偿项；

51、将所述滤波后偏差补偿项注入所述v2g集群可调度容量置信区间：

52、；

53、；

54、其中为偏差补偿系数；修正后置信区间替代原始区间输入下一周期优化。

55、进一步地，步骤s6中所述积累历史偏差触发模糊逻辑规则参数微调包括：

56、每个滚动周期将时间戳、时段类型、天气类型、平均偏差、滤波后偏差补偿项、状态特征及紧急重优化触发标识存入历史偏差数据库；

57、当记录数达到预设阈值时，自动触发模糊逻辑规则库参数微调，微调目标函数为：

58、；

59、其中为隶属度函数参数向量，为当前参数，为时段-天气分组集合，为分组的样本权重，为正则化系数，为在分组的样本集下采用参数计算得到的并网点功率偏差预测均方误差；

60、同时对紧急重优化标记的极端工况样本赋予额外权重；

61、根据偏差收敛状态动态调整步骤s5的触发阈值：当偏差绝对值小于等于预设稳态容忍偏差时放宽触发阈值，当偏差绝对值大于预设稳态容忍偏差时收紧触发阈值。

62、本发明的有益效果：

63、本发明通过构建日前-日内两级协调的滚动时域能量管理架构：日前预决策阶段，引入无量纲风险裕度作为信息纽带，经两阶段分布鲁棒优化生成购电基准功率及其风险裕度，实现日前经济最优与日内柔韧性需求的衔接；日内感知层面，经模糊逻辑量化用户响应意愿指数，结合充电需求预测滚动估计v2g集群可调度容量的置信区间及集群响应置信度，将感知信息升级为“区间+置信度”的概率化表征；滚动优化层面，将风险裕度与集群响应置信度相乘构建允许越限概率上限以形成动态联合机会约束，使概率边界随滚动窗口与实时感知同步更新，并经cvar近似转化为确定性约束纳入mpc，实现经济性与安全性的自适应平衡；反馈校正层面，采用“固定周期滚动+事件触发扰动”双模架构，通过功率偏差与光伏预测偏差双重触发实现突发扰动的超前预警与快速重优化，克服纯固定周期mpc的响应滞后；闭环自演进层面，将并网点功率实测偏差经低通滤波后反馈注入v2g集群可调度容量置信区间，使修正信号从决策层延伸至感知层形成全闭环控制，同时通过历史偏差积累触发模糊规则参数微调和触发阈值自适应调整，驱动感知模型与决策参数随工况持续演进。