一种风光发电与新能源汽车协同优化调度方法

1.本发明属于新能源调度技术领域，特别是涉及一种风光发电与新能源汽车协同优化调度方法。


背景技术：

2.近年来，风能、太阳能等可再生能源发电渗透率不断增大，然而可再生能源的间歇性和波动性给电网调度运行增大了难度。与此同时，大规模新能源汽车接入电网也给电力系统稳定运行带来了负面影响。新能源汽车入网(vehicle-to-grid，v2g)技术使新能源汽车不仅可以作为负荷进行充电，也可以作为储能设备向电网馈电。因此，在v2g模式下对含有风光发电的电力系统采取有效的调度策略，已经成为提高电力系统运行稳定性和经济性重要手段。
3.现有技术中，新能源汽车与风光发电的协同调度的研究成果包括以削峰填谷为控制目标，考虑风光发电的新能源汽车充电调度策略；以最小化风电剩余受阻量为目标，建立了新能源汽车参与受阻风电消纳的优化调度方法，能够节省用户充电费用，提高系统消纳风电的能力；以最小化系统发电成本为目标，充分考虑了风电出力的不稳定性，建立了随机经济调度模型；针对传统含新能源汽车的电力系统优化模型未考虑用户成本的问题，建立了大规模新能源汽车充放电与发电系统协同调度模型，有效降低了弃风量和碳排放量；针对新能源汽车能量的双向流动性，提出了包含风、光、储、充电负荷的电网经济调度策略，可以同时降低电网运行费用和充电成本。然而，现阶段在新能源汽车与风光发电协同调度相关研究中，未充分考虑动力电池特性对充电负荷的影响，使得模拟得到的充电负荷不够贴合实际。
4.针对上述问题，本发明提出了一种结合风光发电与新能源汽车充放电协同优化调度策略。


技术实现要素：

5.为解决现有技术中存在的不足，本发明的目的在于，提供一种风光发电与新能源汽车协同优化调度方法，在研究了用户充电行为特性的基础上，利用蒙特卡洛法精确模拟大规模新能源汽车的充电负荷；针对无序充电加剧负荷峰谷差，该策略以最小化等效负荷标准差为目标，考虑相应的约束条件，利用有效集法求解，所得的最优充放电策略能够最大程度缩小负荷峰谷差。
6.本发明采用如下的技术方案。
7.本发明提出的一种风光发电与新能源汽车协同优化调度方法，包括：
8.步骤1，基于用户充电行为特性分析结果，利用蒙特卡洛法根据新能源汽车行驶距离后电池消耗的荷电状态、新能源汽车进行充电后的荷电状态和新能源汽车作为储能设备向电网馈电时的荷电状态，模拟新能源汽车工作一天的总充电负荷；
9.步骤2，基于风光发电原理建立了风力发电和光伏发电的数学模型；利用风力发电
和光伏发电的数学模型获得风电输出功率和光伏输出功率；
10.步骤3，利用新能源汽车工作一天的总充电负荷、风电输出功率和光伏输出功率获取电网等效负荷，以最小化电网等效负荷标准差为目标，在联合约束条件下，利用有效集算法求解二次规划问题得到新能源汽车充放电调度策略。
11.优选地，步骤1包括：
12.步骤1.1，初始化新能源汽车数量上限n＝10000和迭代次数上限；
13.步骤1.2，初始化新能源汽车数量n＝0；
14.步骤1.3，执行n＝n 1；
15.步骤1.4，在第j个时段内，以如下关系式对n辆新能源汽车的充电负荷进行叠加计算：
[0016][0017]
式中，pj为第j个时段内n辆车的充电负荷；p
nj
为第j个时段内第n辆车的充电负荷；
[0018]
步骤1.5，当n小于n时，返回步骤1.3；否则，进入步骤1.6；
[0019]
步骤1.6，当迭代次数达到迭代次数上限时，输出新能源汽车工作一天的总充电负荷，满足如下关系式：
[0020][0021]
式中，p
all
为新能源汽车工作一天的总充电负荷，pj为第j个时段内n辆汽车的充电负荷，m为采集时段总数；
[0022]
否则，迭代次数未达到迭代次数上限时返回步骤1.2。
[0023]
优选地，新能源汽车行驶距离后电池消耗的荷电状态soc
l
满足如下关系式：
[0024][0025]
式中，
[0026]el
为新能源汽车行驶距离l情况下的耗电量，
[0027]ecap
为动力电池容量。
[0028]
优选地，新能源汽车进行充电后的荷电状态socc满足如下关系式：
[0029][0030]
式中，
[0031]
ec为新能源汽车充电的电量，
[0032]ecap
为动力电池容量，
[0033]
ηc为充电效率，
[0034]
tc为充电时长，
[0035]
pc为充电功率。
[0036]
优选地，新能源汽车作为储能设备向电网馈电时的荷电状态socd满足如下关系式：
[0037][0038]
式中，
[0039]
ed为新能源汽车放电的电量，
[0040]ecap
为动力电池容量，
[0041]
ηd为放电效率，
[0042]
td为放电时长，
[0043]
pd为放电功率。
[0044]
优选地，风力发电和光伏发电的数学模型包括：风电机输出功率与风速之间的关系，标准工况下光伏电池电压与电流关系；
[0045]
风电机输出功率与风速之间的关系满足如下关系式：
[0046][0047]
式中，
[0048]
p
wt
为风电机输出功率，
[0049]
pr为风电机额定功率，
[0050]vci
为切入风速，
[0051]
vr为额定风速，
[0052]vco
为切出风速，
[0053]
v为风速；
[0054]
标准工况下光伏电池电压与电流关系满足如下关系式：
[0055][0056]
式中，
[0057]
u为光伏输出电压，
[0058]uoc
为开路电压，
[0059]
i为光伏输出电流，
[0060]
c1和c2分别为第一修正系数和第二修正系数，
[0061]isc
为短路电流，
[0062]im
为最大功率点电流，
[0063]
um为最大功率点电压。
[0064]
优选地，最小化电网等效负荷标准差满足如下关系式：
[0065][0066]
式中，
[0067]
f为电网等效符合标准差，
[0068]
t为所有工作时段的总数，
[0069]
p
t,l
为t时段电网基础负荷，
[0070]
p
t,wt
为t时段风电输出功率，
[0071]
p
t,pv
为t时段光伏输出功率，
[0072]
p
t,ev
为t时段新能源汽车无序充电负荷，
[0073]
p
av
为包含风光发电和无序充电的平均负荷。
[0074]
优选地，包含风光发电和无序充电的平均负荷满足如下关系式：
[0075][0076]
式中，
[0077]
t为所有工作时段的总数，
[0078]
p
t,l
为t时段电网基础负荷，
[0079]
p
t,wt
为t时段风电输出功率，
[0080]
p
t,pv
为t时段光伏输出功率，
[0081]
p
t,ev
为t时段新能源汽车无序充电负荷。
[0082]
优选地，联合约束条件包括：
[0083]
电网最大功率约束，满足如下关系式：
[0084]
p
t,l-p
t,wt-p
t,pv
p
t,ev
≤p
t,lmax
[0085]
式中，
[0086]
p
t,l
为t时段电网基础负荷，
[0087]
p
t,wt
为t时段风电输出功率，
[0088]
p
t,pv
为t时段光伏输出功率，
[0089]
p
t,ev
为t时段新能源汽车无序充电负荷，
[0090]
p
t,lmax
为t时段电网最大运行功率；
[0091]
新能源汽车充放电功率约束，满足如下关系式：
[0092][0093]
式中，
[0094]
为第n辆车t时段充放电功率，当时新能源汽车处于充电状态，当时新能源汽车处于放电状态，
[0095]
为第n辆新能源汽车最大充放电功率；
[0096]
电池荷电状态约束，满足如下关系式：
[0097]
soc
min,n
≤soc
t,n
≤soc
max,n
[0098]
式中，
[0099]
soc
t,n
为t时段第n辆车的荷电状态，
[0100]
soc
min,n
和soc
max,n
分别为第n辆车所允许的最小和最大荷电状态；
[0101]
剩余电量约束，满足如下关系式：
[0102][0103]
式中，
[0104]et,n
为t时段第n辆车剩余电量，
[0105]et-1,n
为t-1时段第n辆车剩余电量，
[0106]
η为新能源汽车充放电效率。
[0107]
优选地，步骤3包括：
[0108]
步骤3.1，以最小化电网等效负荷标准差为目标函数构造二次规划模型，二次规划数学模型f1，满足如下关系式：
[0109][0110]
式中，
[0111]
p
t,l
为t时段电网基础负荷，
[0112]
p
t,wt
为t时段风电输出功率，
[0113]
p
t,pv
为t时段光伏输出功率，
[0114]
p
t,ev
为t时段新能源汽车无序充电负荷，
[0115]
p
t,e
、均为中间变量，不具备实际意义；
[0116]
其中，二次规划数学模型f1是单调递增函数，并且二次规划数学模型f1与f有相同的约束条件和决策变量；
[0117]
步骤3.2，求解二次规划问题minf1采用的hessian矩阵满足如下关系式：
[0118]
[0119]
式中，p
t,ev
为t时段新能源汽车无序充电负荷，t＝1，2，
……
，t；
[0120]
步骤3.3，利用有效集算法解上面的二次规划模型，解得最优解即得到可以最大程度缩小负荷峰谷差的优化调度策略。
[0121]
本发明的有益效果在于，与现有技术相比，本发明能够最大程度缩小负荷峰谷差，缓解新能源汽车无序充电给电网带来的不良影响。
附图说明
[0122]
图1是本发明提出的风光发电与新能源汽车协同优化调度方法的流程图；
[0123]
图2是本发明实施例中根据蒙特卡洛法计算大规模新能源汽车工作一天的总充电负荷的流程图。
[0124]
图3是本发明实施例中光伏电池输出的非线性特性曲线。
具体实施方式
[0125]
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明的技术方案进行清楚、完整地描述。本技术所描述的实施例仅仅是本发明一部分的实施例，而不是全部实施例。基于本发明精神，本领域普通技术人员在没有作出创造性劳动前提下所获得的有所其它实施例，都属于本发明的保护范围。
[0126]
本发明提出的一种风光发电与新能源汽车协同优化调度方法，如图1，包括步骤1至3。
[0127]
步骤1，基于用户充电行为特性分析结果，利用蒙特卡洛法根据新能源汽车行驶距离后电池消耗的荷电状态、新能源汽车进行充电后的荷电状态和新能源汽车作为储能设备向电网馈电时的荷电状态，模拟新能源汽车工作一天的总充电负荷。
[0128]
新能源汽车通过双向充电桩与电网双向传输电能，其中最关键的指标是动力电池荷电状态(state of charge，soc)。荷电状态反映电池当前状态，充放电过程应充分考虑电池荷电状态，避免出现过度充、放电的问题。
[0129]
具体地，新能源汽车行驶距离后电池消耗的荷电状态soc
l
满足如下关系式：
[0130][0131]
式中，
[0132]el
为新能源汽车行驶距离l情况下的耗电量，
[0133]ecap
为动力电池容量。
[0134]
具体地，新能源汽车进行充电后的荷电状态socc满足如下关系式：
[0135][0136]
式中，
[0137]
ec为新能源汽车充电的电量，
[0138]ecap
为动力电池容量，
[0139]
ηc为充电效率，
[0140]
tc为充电时长，
[0141]
pc为充电功率。
[0142]
具体地，新能源汽车作为储能设备向电网馈电时的荷电状态socd满足如下关系式：
[0143][0144]
式中，
[0145]
ed为新能源汽车放电的电量，
[0146]ecap
为动力电池容量，
[0147]
ηd为放电效率，
[0148]
td为放电时长，
[0149]
pd为放电功率。
[0150]
新能源汽车用户行为习惯是影响充电负荷的关键因素，具有很强的随机性和不确定性。用户结束当日最后一次行程后立即充电，起始充电时间越集中，新能源汽车充电负荷越大。日行驶里程反映了新能源汽车当日耗电量，日行驶里程越远，充电持续时间越长。根据统计数据显示，新能源汽车日行驶里程服从对数正态分布，起始充电时间服从正态分布。日行驶里程概率密度函数如下式所示：
[0151][0152]
式中，
[0153]fl
为新能源汽车日行驶里程的概率密度函数，
[0154]
l为新能源汽车日行驶距离，
[0155]
μ
l
为新能源汽车日行驶距离正态分布的期望值，
[0156]
σ
l
为新能源汽车日行驶距离正态分布的标准差。
[0157]
起始充电时间的概率密度函数如下式所示：
[0158][0159]
式中，
[0160]
fct为起始充电时间正态分布的概率密度函数，
[0161]
t为起始充电时间，
[0162]
μc为起始充电时间正态分布的期望值，
[0163]
σc为起始充电时间正态分布的标准差。
[0164]
大规模新能源汽车用户充电行为特性具有规律性，根据蒙特卡洛模拟法计算出单辆汽车充电需求，将全部充电需求累加得到规模化新能源汽车充电负荷需求。随机抽取新能源汽车的起始充电时刻和日行驶里程，结合新能源汽车每百公里耗电量及充电功率，计
算持续充电时间
△
t如下式所示：
[0165][0166]
式中，
[0167]
l为新能源汽车日行驶距离，
[0168]e100
为新能源汽车每百公里耗电量，
[0169]
pc为充电功率，
[0170]
ηc为充电效率。
[0171]
具体地，如图2，步骤1包括：
[0172]
步骤1.1，初始化新能源汽车数量上限n＝10000和迭代次数上限；
[0173]
值得注意的是，本实施例中新能源汽车数量上限设置为10000是一种非限制性的较优选择，本领域技术人员可以根据实际应用场景的情况进行设置。
[0174]
步骤1.2，初始化新能源汽车数量n＝0；
[0175]
步骤1.3，执行n＝n 1；
[0176]
步骤1.4，在第j个时段内，以如下关系式对n辆新能源汽车的充电负荷进行叠加计算：
[0177][0178]
式中，pj为第j个时段内n辆车的充电负荷；p
nj
为第j个时段内第n辆车的充电负荷；
[0179]
步骤1.5，当n小于n时，返回步骤1.3；否则，进入步骤1.6；
[0180]
步骤1.6，当迭代次数达到迭代次数上限时，输出新能源汽车工作一天的总充电负荷，满足如下关系式：
[0181][0182]
式中，p
all
为新能源汽车工作一天的总充电负荷，pj为第j个时段内n辆汽车的充电负荷，m为采集时段总数；
[0183]
否则，迭代次数未达到迭代次数上限时返回步骤1.2。
[0184]
本实施例中，通过构建电池的充放电特性，使得结果更贴合实际，为后面构建调度策略提供依据，使得调度的结果更贴合实际，从而效果更优化。
[0185]
步骤2，基于风光发电原理建立了风力发电和光伏发电的数学模型；利用风力发电和光伏发电的数学模型获得风电输出功率和光伏输出功率。
[0186]
优选地，风力发电和光伏发电的数学模型包括：风电机输出功率与风速之间的关系，标准工况下光伏电池电压与电流关系。
[0187]
对于有着稳定风速分布的地区，威布尔分布可以更准确的描述当地风速规律。本文采用威布尔分布描述风场的整体风速统计规律如下式所示：
[0188][0189]
式中，
[0190]fv
为整体风速，
[0191]
k为风速分布形状参数，
[0192]
c为风速分布尺度参数，
[0193]
v为风速。
[0194]
根据风电机组的工作原理，风电机组的输出功率由风力机轮毂高度处的风速决定。风电机输出功率与风速之间的关系满足如下关系式：
[0195][0196]
式中，
[0197]
p
wt
为风电机输出功率，
[0198]
pr为风电机额定功率，
[0199]vci
为切入风速，
[0200]
vr为额定风速，
[0201]vco
为切出风速；
[0202]
光伏电池阵列接收太阳光照射，半导体材料将太阳能转化成电能，通过控制器和变压器等装置将电能输送至电网侧。光照强度和温度是影响光伏发电功率的关键因素。标准工况下光伏电池电压与电流关系满足如下关系式：
[0203][0204]
式中，
[0205]
u为光伏输出电压，
[0206]uoc
为开路电压，
[0207]
i为光伏输出电流，
[0208]
c1和c2分别为第一修正系数和第二修正系数，
[0209]isc
为短路电流，
[0210]im
为最大功率点电流，
[0211]
um为最大功率点电压。
[0212]
光伏电池输出的非线性特性如图3所示，包括光伏电池的i-u特性和p-u特性。当输出电压u
pv
为0时，输出短路电流i
sc
；当光伏阵列空载运行时，输出为开路电压u
oc
；p-u特性最高点功率pm对应电流im和电压um。
[0213]
步骤3，利用新能源汽车工作一天的总充电负荷、风电输出功率和光伏输出功率获取电网等效负荷，以最小化电网等效负荷标准差为目标，在联合约束条件下，利用有效集算
法求解二次规划问题得到新能源汽车充放电调度策略。
[0214]
实施例中以最小化等效负荷标准差为目标，降低电网负荷的峰谷差，平滑负荷曲线。最小化电网等效负荷标准差满足如下关系式：
[0215][0216]
式中，
[0217]
f为电网等效符合标准差，
[0218]
t为所有工作时段的总数，
[0219]
p
t,l
为t时段电网基础负荷，
[0220]
p
t,wt
为t时段风电输出功率，
[0221]
p
t,pv
为t时段光伏输出功率，
[0222]
p
t,ev
为t时段新能源汽车无序充电负荷，
[0223]
p
av
为包含风光发电和无序充电的平均负荷。
[0224]
优选地，包含风光发电和无序充电的平均负荷满足如下关系式：
[0225][0226]
式中，
[0227]
t为所有工作时段的总数，
[0228]
p
t,l
为t时段电网基础负荷，
[0229]
p
t,wt
为t时段风电输出功率，
[0230]
p
t,pv
为t时段光伏输出功率，
[0231]
p
t,ev
为t时段新能源汽车无序充电负荷。
[0232]
具体地，联合约束条件包括：
[0233]
(1)电网最大功率约束。电网正常运行不能超过最大功率限制，否则将会影响电网的安全运行，甚至造成安全事故。电网最大功率约束，满足如下关系式：
[0234]
p
t,l-p
t,wt-p
t,pv
p
t,ev
≤p
t,lmax
[0235]
式中，
[0236]
p
t,l
为t时段电网基础负荷，
[0237]
p
t,wt
为t时段风电输出功率，
[0238]
p
t,pv
为t时段光伏输出功率，
[0239]
p
t,ev
为t时段新能源汽车无序充电负荷，
[0240]
p
t,lmax
为t时段电网最大运行功率；
[0241]
(2)新能源汽车充放电功率约束。新能源汽车在进行充放电操作时，应满足实际充放电功率低于其最大充放电功率。新能源汽车充放电功率约束，满足如下关系式：
[0242][0243]
式中，
[0244]
为第n辆车t时段充放电功率，当时新能源汽车处于充电状态，当时新能源汽车处于放电状态，
[0245]
为第n辆新能源汽车最大充放电功率；
[0246]
(3)电池荷电状态约束。新能源汽车电池荷电状态不能超过新能源汽车所允许的荷电状态范围。电池荷电状态约束，满足如下关系式：
[0247]
soc
min,n
≤soc
t,n
≤soc
max,n
[0248]
式中，
[0249]
soc
t,n
为t时段第n辆车的荷电状态，
[0250]
soc
min,n
和soc
max,n
分别为第n辆车所允许的最小和最大荷电状态；
[0251]
(4)剩余电量约束。新能源汽车当前时刻剩余电量等于上一时刻剩余电量加本时间段的消耗电量。剩余电量约束，满足如下关系式：
[0252][0253]
式中，
[0254]et,n
为t时段第n辆车剩余电量，
[0255]et-1,n
为t-1时段第n辆车剩余电量，
[0256]
η为新能源汽车充放电效率。
[0257]
具体地，步骤3包括：
[0258]
步骤3.1，以最小化电网等效负荷标准差为目标函数构造二次规划模型。
[0259]
二次规划指目标函数为二次型函数，而约束条件为线性等式或不等式的非线性规划问题。以最小化等效负荷标准差为目标函数构造二次规划模型，标准二次规划模型如下式所示：
[0260][0261]
式中，
[0262]
g为hession矩阵，
[0263]
为有限个等式约束指标集合，
[0264]
为n维向量不等式约束向量，
[0265]
都是n维向量。
[0266]
将目标函数表达式转换为二次规划数学模型f1，转换后的二次规划数学模型f1满足如下关系式：
[0267][0268]
式中，
[0269]
p
t,l
为t时段电网基础负荷，
[0270]
p
t,wt
为t时段风电输出功率，
[0271]
p
t,pv
为t时段光伏输出功率，
[0272]
p
t,ev
为t时段新能源汽车无序充电负荷，
[0273]
p
t,e
、均为中间变量，不具备实际意义；
[0274]
其中，对二次规划数学模型f1求导可得df1/df＝2tf，由目标函数式可知f＞0说明二次规划数学模型f1是单调递增函数，并且二次规划数学模型f1与f有相同的约束条件和决策变量，故可将求解目标函数minf的问题转换为求解minf1二次规划问题。对于二次规划问题minf1。
[0275]
步骤3.2，求解二次规划问题minf1采用的hessian矩阵满足如下关系式：
[0276][0277]
式中，p
t,ev
为t时段新能源汽车无序充电负荷，t＝1，2，
……
，t；
[0278]
步骤3.3，利用有效集算法解上面的二次规划模型，解得最优解即得到可以最大程度缩小负荷峰谷差的优化调度策略。
[0279]
本实施例中采用有效集算法对所提出的问题进行求解，有效集算法是求解这种问题的经典算法，有效集算法是构造一个集合序列去逼近有效集的方法，从一个初始点x0计算有效集w
x0
，通过求解对应等式约束获得下一代迭代，满足所得迭代点都是可行点。若x0为原问题的可行点，则判断拉格朗日乘子λ
*
是否满足λ
*
≥0，i∈wk∩m，若满足条件则停止计算；反之，去掉一个约束并重新求解等式约束的二次规划子问题。若等式约束二次规划子问题的解不是原问题的可行点，则需要增加约束并重新求解所得的二次规划子问题进而得到序列w
xk
，以获得原问题的最优解。运用有效集算法进行求解二次规划问题步骤如下：
[0280]
(1)计算具有可行性的初始值x0，确定有效的约束集w0＝z∪mx0，并令k＝0；
[0281]
(2)解二次规划式，求得极小点pk，若pk≠0，直接进行下一步；若i∈wk∩m，
则停止计算转到x*＝xk；否则，通过拉格朗日乘子计算公式i∈wk∩m得出i，剔除i得w
k 1
，令x
k 1
＝xk，转到步骤(4)；
[0282]
(3)当满足条件时，由式计算可以得出ak，得x
k 1
＝xk akpk，若ak＝1，则转到步骤(4)；否则，增加约束条件，即找到使且令wk＝wk∪j；
[0283]
(4)令w
k 1
＝wk；k＝k 1，转到步骤(2)进行迭代，最终得出最优解x
*
＝xk。
[0284]
本实施例通过步骤1至3对行业普适指标进行优化，使得指标更小更优。
[0285]
本发明的有益效果在于，与现有技术相比，本发明能够最大程度缩小负荷峰谷差，缓解新能源汽车无序充电给电网带来的不良影响。
[0286]
最后应当说明的是，以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。