考虑园区电动汽车参与新型城镇削峰填谷双层优化运行方法与流程

1.本发明属于能源系统运行优化技术领域，涉及一种考虑园区电动汽车参与新型城镇削峰填谷双层优化运行方法。


背景技术：

2.风电和光伏具有间歇性和反调峰特性使其难以被完全消纳，目前弃风弃光严重，风电还间接拉大了负荷峰谷差，增加了系统调峰调频难度，给城镇电网安全稳定运行带来威胁。城镇作为光伏和风电的主要消纳终端，不仅要承担着风电、光伏等间歇性能源出力的不确定性，还需要计及逐步增长的电动汽车等负荷的随机性。因此在既有的城镇研究光伏和风电等在生能源消纳，协调解决园区日益增长的电动汽车等负荷的随机性，对未来新型城镇的可持续发展拥有重要意义。


技术实现要素：

3.有鉴于此，本发明的目的在于提供一种考虑园区电动汽车参与新型城镇削峰填谷双层优化运行方法。
4.为达到上述目的，本发明提供如下技术方案：
5.一种考虑园区电动汽车参与新型城镇削峰填谷双层优化运行方法，包括以下步骤：
6.s1：建立削峰填谷优化下新型城镇双层优化调度模型；
7.s2：初始化参数，确定上层优化调度模型的目标函数和约束条件；
8.s3：利用cplex求解器求解上层优化调度模型；
9.s4：输出上层优化调度模型的求解结果，根据下层园区反馈结果，确定下层园区削峰填谷目标分配值；
10.s4：确定下层优化调度模型的目标函数和约束条件；
11.s5：利用混沌蜻蜓算法求解下层优化调度模型；
12.s6：输出最优调度策略，并将结果反馈给上层城镇；
13.s7：判断削峰填谷优化下新型城镇双层优化模型是否达到终止条件，若是，则输出结果；否则返回到步骤s1。
14.进一步，所述削峰填谷优化下新型城镇双层优化调度模型分为上下两层，上层为城镇配电系统，下层为城镇园区系统；上层为削峰填谷约束下区域电站总成本最小，在满足电负荷需求的前提下，当风电和光伏发电过剩时，通过下层的各个微网的充电站将多余的电量储存起来，当风电和光伏发电电量不足时，下层的各个微网充电站将储存的电量释放出来，实现削峰填谷的目的；下层优化调度目标为用电经济性，利用充电站的各电动汽车和蓄电池对其进行调度优化，使系统总成本最小。
15.进一步，将电动汽车负荷分为三类：第一类负荷是随机充电负荷，只不能参与电站互动的电动汽车；第二类负荷是可转移充电负荷，指电动汽车只接受运营商进行充电时间
的转移调度；第三类负荷是可调度充电负荷，指电动汽车接受运营商进行充放电双向调度。
16.进一步，上层优化模型目标函数包含两个部分，削峰填谷目标和经济运行目标；所述削峰填谷目标采用所有相邻时间段的净负荷变化率平方和最小来表征，引入经济折算系数ω将削峰填谷目标投影到经济维度；所述经济运行目标包括燃气发电成本、弃风成本和弃光成本最小，具体目标函数表达式为：
[0017][0018][0019][0020][0021]
式中：f
up
属于区域电站综合成本；属于削峰填谷成本；属于燃气发电成本；属于弃风和弃光总成本；t属于时间断面数；ig为区域火电厂总和；i
wt
属于风电场群数量；i
pv
属于光伏电场群数量；img属于下层微网充电站总数量；p
net,t
属于t时刻新型区域能源站净负荷；ai、bi、ci为第i台燃气轮机燃料成本系数；分别属于t时刻第i个风电场和光伏电厂的弃风率和弃光率；分别属于t时刻第i个风电场和光伏电厂的有功出力；ρ
wt
、ρ
pv
分别属于光伏和风电的上网电价；
[0022]
削峰填谷效果越好，净负荷变化率越小，即(p
net,t-p
net,t-1
)2值越小，净负荷的计算公式为：
[0023][0024]
式中：i
l
为区域电站节点总和；i
mg
为微网总和；为t时刻节点i的有功功率；为t时段微网i的有功功率；为t时段火电厂i的发电有功功率；为t时段风电场i的发电有功功率；为t时段光伏电厂i的发电有功功率；p
tmg,l
为t时段微网的负荷有功功率；为t时段充电站i的有功功率；p
tmg,ge
为t时段微网可再生能源发电有功功率。
[0025]
进一步，上层优化模型的约束条件包括：
[0026]
区域电站功率平衡约束：
[0027][0028]
式中：p
tl
为区域电站负荷功率；p
tup-down
为区域电站和微网充电站的交互功率；p
tlpg
为区域电站和主网交互功率；
[0029]
风力发电、光伏发电和燃气发电的约束条件为：
[0030][0031][0032][0033]
式中：分别为t时段风力发电和光伏发电预测值；分别为t时段燃气发电机组的出力上下限值；
[0034]
削峰填谷约束
[0035][0036]
式中：分别为t时段上层区域电站和下层微网实时削峰填谷电量目标值；分别为t时段上层区域电站和下层微网总负荷预测值；分别为t时段风电场和光伏电厂发电预测值；为t时段微网i削峰填谷电量目标值；γ削峰填谷系数。
[0037]
进一步，下层目标函数是以运行成本为目标，包括向区域电站购电成本、维护成本、调度成本和削峰填谷交易成本：
[0038][0039]
式中：f
down
为总运行成本；qi为t时段实际电能；e
t
为t时段实时电价；为维护成本；为调度成本；为削峰填谷交易成本；
[0040][0041][0042][0043]
式中：cb、c
ev
分别为储能成本参数和电动汽车调度成本；分别为储能放电和充电功率；分别为可调度电动汽车放电和充电功率；为削峰填谷交
易价格；为实时削峰填谷目标值；为实时削峰填谷实际值；为削峰填谷实时交易量，如果大于0，说明该园区实时削峰填谷量小于分配值；如果小于0，说明该园区实时削峰填谷量大于分配值。
[0044]
进一步，下层优化模型的约束条件包括：
[0045]
可调度充电电动汽车约束：
[0046][0047]
式中：t
start
、t
end
、t
on
、t
off
分别为电动汽车并网时间、离网时间、开始调度时间、结束调度时间；为t时段电动汽车电能值；分别为电动汽车电能上下限；分别为电动汽车放电上下限；
[0048]
可转移充电电动汽车约束：
[0049][0050]
式中：t
start
、t
end
、t
up
、t
low
、t
lim
分别为电动汽车并网时间、离网时间、实际开始充电时间、实际结束充电时间、极限开始充电时间；
[0051]
储能电池约束
[0052][0053]
式中：为t时段储能电池电能值；分别为储能电池电能上下限；分别为储能电池电能上下限；分别为储能电池放电上下限。
[0054]
进一步，所述混沌蜻蜓算法具体包括：
[0055]
蜻蜓种群在行为遵循三个基本原则：分离si、对齐ai和内聚ci，具有本能的靠近食物源fi和远离天敌ei的行为，蜻蜓个体的位置的更新与这五种行为有关，其下一代蜻蜓的位置和位置更新步长计算为：
[0056]
δx
t 1
＝(ssi aai cci ffi eei) wδxiꢀꢀꢀꢀꢀꢀꢀꢀ
(18)
[0057]
x
t 1
＝x
t
δx
i 1
ꢀꢀꢀꢀꢀ
(19)
[0058]
式中：t表示当前迭代次数；i表示第i个蜻蜓个体；x
t
表示当前t代种群个体位置；δx
t 1
表示下一代种群位置更新步长；x
t 1
表示下一代种群个体位置；s表示分离度权重；a表示对齐度权重；c表示内聚度权重；f表示食物因子；e表示天敌因子；w表示自适应惯性权重系数值；
[0059]
引入自适应惯性权重法来更新权值系数，则自适应惯性权值系数的表达式如下：
[0060][0061]
式中，w
max
、w
min
分别为w的最大值和最小值，j是蜻蜓个体当前的适应度函数值；j
avg
和j
min
分别是当前所有蜻蜓个体的平均适应度函数值和最小适应度函数值；
[0062]
采用混沌局部搜索对每次迭代中的精英种群进行混沌扰动，引导算法跳出局部最优，把种群部分最佳分子个体进行保留操作，作为每次迭代的精英种群js，并选择logistic映射作为混沌映射对算法每次迭代中精英种群进行混沌局部搜索，混沌映射序列如式(21)所示，产生的混沌序列后通过式(22)返回到新的精英种群中：
[0063]zj,k 1
＝μz
j,k
(1-z
j,k
),k＝0,1,2...,0≤z
j,0
≤1
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(21)
[0064][0065]
式中：z
j,k
是扩充的混沌变量序列，k是根据所取精英种群的数量来取值；μ是控制变量；是当前精英种群中的分子个体；然后对经混沌序列的精英种群计算适应值，并执行精英保留操作，保存种群的最优个体。
[0066]
进一步，步骤s5具体包括以下步骤：
[0067]
s51：初始化参数，输入算法和模型参数；
[0068]
s52：计算个体的适应度值，确定最优个体x
beset
进行保存；
[0069]
s53：执行混沌搜索，更新蜻蜓个体的位置，同时更新自适应惯性权值；
[0070]
s54：计算适应度值，选择精英种群进行保留；
[0071]
s55：判断是否满足终止条件，若是，则执行下一步；否则返回到步骤s52继续迭代；
[0072]
s56：输出最优调度策略。
[0073]
本发明的有益效果在于：本发明提出的考虑园区电动汽车参与新型城镇削峰填谷双层优化运行方法不仅考虑了新型城镇燃气发电成本、弃风成本和弃光成本，同时兼顾城镇园区的购电成本、维护成本、调度成本和削峰填谷交易成本。
[0074]
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
[0075]
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：
[0076]
图1为综合能源系统结构图；
[0077]
图2为电动汽车可转移负荷示意图；
[0078]
图3为电动汽车可调度负荷示意图；
[0079]
图4为削峰填谷示意图；
的作用；当电负荷高峰时，通过释放可调度充电汽车存储的电能来减少净负荷，起到“削峰”作用。这样通过电动汽车的充放电，实现风力发电和光伏发电时空平移，有效平滑净负荷曲线。
[0089]
上层优化模型目标函数包含两个部分，削峰填谷目标和经济运行目标。削峰填谷目标采用所有相邻时间段的净负荷变化率平方和最小来表征，引入经济折算系数ω将削峰填谷目标投影到经济维度。经济运行目标包括燃气发电成本、弃风成本和弃光成本最小，具体目标函数表达式为：
[0090][0091][0092][0093][0094]
式中：f
up
属于区域电站综合成本；属于削峰填谷成本；属于燃气发电成本；属于弃风和弃光总成本；t属于时间断面数；ig为区域火电厂总和；i
wt
属于风电场群数量；i
pv
属于光伏电场群数量；img属于下层微网充电站总数量；p
net,t
属于t时刻新型区域能源站净负荷；ai、bi、ci为第i台燃气轮机燃料成本系数；分别属于t时刻第i个风电场和光伏电厂的弃风率和弃光率；分别属于t时刻第i个风电场和光伏电厂的有功出力；ρ
wt
、ρ
pv
分别属于光伏和风电的上网电价。
[0095]
削峰填谷效果越好，净负荷变化率越小，即(p
net,t-p
net,t-1
)2值越小，净负荷的计算公式为：
[0096][0097]
式中：i
l
为区域电站节点总和；i
mg
为微网总和；为t时刻节点i的有功功率；为t时段微网i的有功功率；为t时段火电厂i的发电有功功率；为t时段风电场i的发电有功功率；为t时段光伏电厂i的发电有功功率；p
tmg,l
为t时段微网的负荷有功功率；为t时段充电站i的有功功率；p
tmg,ge
为t时段微网可再生能源发电有功功率。
[0098]
上层约束条件包括：
[0099]
(1)区域电站功率平衡约束
[0100][0101]
式中：p
tl
为区域电站负荷功率；p
tup-down
为区域电站和微网充电站的交互功率；p
tlpg
为区域电站和主网交互功率。
[0102]
(2)发电约束
[0103]
风力发电、光伏发电和燃气发电的约束条件为：
[0104][0105][0106][0107]
式中：分别为t时段风力发电和光伏发电预测值；分别为t时段燃气发电机组的出力上下限值。
[0108]
(3)削峰填谷约束
[0109][0110]
式中：分别为t时段上层区域电站和下层微网实时削峰填谷电量目标值；值；分别为t时段上层区域电站和下层微网总负荷预测值；分别为t时段风电场和光伏电厂发电预测值；为t时段微网i削峰填谷电量目标值；γ削峰填谷系数。
[0111]
下层以运行成本为目标，包含三个方面，即向区域电站购电成本、维护成本、调度成本和削峰填谷交易成本。
[0112][0113]
式中：f
down
为总运行成本；qi为t时段实际电能；e
t
为t时段实时电价；为维护成本；为调度成本；为削峰填谷交易成本。
[0114][0115]
[0116][0117]
式中：cb、c
ev
分别为储能成本参数和电动汽车调度成本；分别为储能放电和充电功率；分别为可调度电动汽车放电和充电功率；为削峰填谷交易价格；为实时削峰填谷目标值；为实时削峰填谷实际值；为削峰填谷实时交易量，如果大于0，说明该园区实时削峰填谷量小于分配值，必须通过绿证交易购买削峰填谷指标；如果小于0，说明该园区实时削峰填谷量大于分配值，可以通过绿证交易中心售出。
[0118]
下层约束条件包括：
[0119]
(1)可调度充电电动汽车约束
[0120][0121]
式中：t
start
、t
end
、t
on
、t
off
分别为电动汽车并网时间、离网时间、开始调度时间、结束调度时间；为t时段电动汽车电能值；分别为电动汽车电能上下限；分别为电动汽车电能上下限；分别为电动汽车放电上下限。
[0122]
(2)可转移充电电动汽车约束
[0123][0124]
式中：t
start
、t
end
、t
up
、tl
ow
、tlim分别为电动汽车并网时间、离网时间、实际开始充电时间、实际结束充电时间、极限开始充电时间。
[0125]
(3)储能电池约束
[0126][0127]
式中：为t时段储能电池电能值；分别为储能电池电能上下限；分别为储能电池放电上下限。
[0128]
上层优化模型为典型的非线性混合规划问题，可使用yalmip建模软件在matlab中建立机组组合模型，并利用cplex求解器求解计算。下层调度模型属于非线性优化问题，利
用全局寻优能力较强的蜻蜓算法(da)进行优化求解，同时，针对da的缺陷，对其进行改进，提出了混沌蜻蜓算法(c-da)。
[0129]
蜻蜓种群在行为遵循三个基本原则：分离si、对齐ai和内聚ci。同时，为了生存，本能的靠近食物源fi和远离天敌ei的行为。因此，蜻蜓个体的位置的更新与这五种行为有关，其下一代蜻蜓的位置和位置更新步长计算为：
[0130]
δx
t 1
＝(ssi aai cci ffi eei) wδxiꢀꢀꢀꢀꢀꢀ
(18)
[0131]
x
t 1
＝x
t
δx
i 1
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(19)
[0132]
式中：t表示当前迭代次数；i表示第i个蜻蜓个体；x
t
表示当前t代种群个体位置；δx
t 1
表示下一代种群位置更新步长；x
t 1
表示下一代种群个体位置；s表示分离度权重；a表示对齐度权重；c表示内聚度权重；f表示食物因子；e表示天敌因子；w表示自适应惯性权重系数值。
[0133]
da拥有较好的全局搜索能力，但是，由于其每代的寻优过程没有充分利用上代的优秀个体，影响算法的收敛速度，也容易早熟收敛。蜻蜓种群在优化过程中不断向种群最优位置靠拢，种群多样性逐渐降低，易在后期陷入局部最优。为了提升da的性能，本发明对da进行改进，提出了c-da。
[0134]
(1)为加快搜索速度，平衡算法的全局和局部的搜索能力，引入自适应惯性权重法来更新权值系数，则自适应惯性权值系数的表达式如下:
[0135][0136]
式中，w
max
、w
min
分别为w的最大值和最小值，j是蜻蜓个体当前的适应度函数值；j
avg
和j
min
分别是当前所有蜻蜓个体的平均适应度函数值和最小适应度函数值。
[0137]
(2)为了避免算法陷入局部最优值，引入混沌局部搜索增强da的局部搜索能力，进而跳出局部最优，提高解的精度，采用混沌局部搜索对每次迭代中的精英种群进行混沌扰动，引导算法跳出局部最优，增强da的全局搜索能力以及解的精度。把种群部分最佳分子个体进行保留操作，作为每次迭代的精英种群js，并选择logistic映射作为混沌映射对算法每次迭代中精英种群进行混沌局部搜索，混沌映射序列如式(21)所示，产生的混沌序列后通过式(22)返回到新的精英种群中。
[0138]zj,k 1
＝μz
j,k
(1-z
j,k
),k＝0,1,2...,0≤z
j,0
≤1
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(21)
[0139][0140]
式中：z
j,k
是扩充的混沌变量序列，k是根据所取精英种群的数量来取值(即k＝1/b，b是所取精英种群数量占整个种群数量的百分比)，从而保证种群的总数量不变，不因每次迭代而减少；μ是控制变量，当μ＝4时,是当前精英种群中的分子个体。然后对经混沌序列的精英种群计算适应值，并执行精英保留操作，保存种群的最优个体。
[0141]
下层具体优化步骤如下：
[0142]
步骤1：初始化参数，输入算法和模型参数。
[0143]
步骤2：计算个体的适应度值，确定最优个体x
beset
进行保存。
[0144]
步骤3：执行混沌搜索，更新蜻蜓个体的位置，同时更新自适应惯性权值。
[0145]
步骤4：计算适应度值，选择精英种群进行保留。
[0146]
步骤5：判断是否满足终止条件，若是，则执行下一步；否则返回到步骤2继续迭代。
[0147]
步骤6：输出最优调度策略。
[0148]
综上所述，含电动汽车的区域电站削峰填谷双层优化调度模型求解过程如图5所示。
[0149]
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。