一种基于预测光伏发电的光-电-微协调控制方法技术

一种基于预测光伏发电的光‑电‑微协调控制方法，包括以下步骤：步骤1、建立预测光伏发电的时间序列模型，给出预测光伏发电量的时间序列模型‑差分整合移动平均自回归模型ARIMA，该模型将作为能源管理系统EMS模型的输入数据；步骤2、建立混合整数线性规划模型，过程如下：2.1、约束条件包括电动汽车约束、光伏发电约束和电网约束；2.2、设定目标函数。本发明专利技术可以预测PV功率的流入，并随后对PV发电的停车场进行最佳规划和分配功率流，从而减小充电成本并且减轻主电网上的压力；一个差分整合移动平均自回归模型，用于预测PV功率，另一个混合整数线性规划法，该框架可以最佳地分配功率以最小化充电成本。

【技术实现步骤摘要】
一种基于预测光伏发电的光-电-微协调控制方法
本专利技术涉及带有预测光伏发电的能源管理系统(energymanagementsystem,EMS)，尤其是一种基于预测光伏发电的光-电-微协调控制方法，该能量管理系统能够预测光伏(photovoltaic,PV)的发电量并优化工作场所中光伏，微电网和电动汽车(batteryelectricvehicles,BEV)之间的功率流。通过增加PV自耗来提高BEV的可持续性，以此最大程度地减少充电成本。
技术介绍
由于能源危机和环境污染问题的日益严重，大力发展可再生能源和电动汽车技术成为节能减排的重要举措。随着国内外电动汽车技术的快速发展，电动汽车的占常规汽车比例不断提升。电动汽车内部含有大量的蓄电池组，相当于移动储能，同时蓄电池具有能量双向流动特性，既可以作为负载，又可以作为电源，因此基于这一特点可以通过对所接入的大规模电动汽车进行有效的控制，不仅能够减小静态储能配置容量，同时能够为电网提供辅助服务，因此电动汽车移动储能参与电网互动已经得到了广泛关注。近年来，由于直流微电网存在能量转换次数少、效率高、控制结构简单，并且易于光伏和储能接入等优势得到了迅速发展。因此，如何有效地提高电动汽车、光伏和微电网之间的能量利用率成为现在研究的热点之一。目前针对含分布式新能源和电动汽车以及微网的联合优化调度策略研究是各国学者的研究重点，有文献提出了基于电动汽车空间分布特性以及网络最优潮流建立电动汽车双层经济调度模型，从空间和时间2个层面实现电动汽车在微网中经济调度。针对光伏发电和电动汽车以及微电网的联合优化调度，有学者提出了以网损最小为目标采用双重粒子群算法进行电动汽车与光伏的联合优化调度，实现了微电网的经济运行。此外，先前的研究旨研究最小化排放，最小化惩罚成本，最小化运营成本，改善自我消费或最大化利润等，虽然在各自的目标函数和设置方面均达到了令人满意结果，但没有进行预测就进行了每日优化。还有一些学者提出了启发式策略和具有预测能力的模糊逻辑控制器方法来协调控制光伏发电、电动汽车和微网。但是这些控制方法无法实现全局最优。
技术实现思路
为了克服已有技术的不足，本专利技术提供了一种基于预测光伏发电的光-电-微协调控制方法，可以预测PV功率的流入，并随后对PV发电的停车场进行最佳规划和分配功率流，从而减小充电成本并且减轻主电网上的压力；一个差分整合移动平均自回归模型(autoregressiveintegratedmovingaverage,ARIMA)，用于预测PV功率，另一个混合整数线性规划法(mixedintegerlinearprogramming，MILP)，该框架可以最佳地分配功率以最小化充电成本。本专利技术解决其技术问题所采用的技术方案是：一种基于预测光伏发电的光-电-微协调控制方法，包括以下步骤：步骤1、建立预测光伏发电的时间序列模型给出预测光伏发电量的时间序列模型-差分整合移动平均自回归模型ARIMA，该模型将作为能源管理系统EMS模型的输入数据；ARIMA有两部分组成：阶数为p(AR(P))的自回归模型和阶数为q(MA(q))的移动平均模型，它们都描述了平稳过程；然而，由于辐照度数据表现出非平稳的特性，需要采用差分法来实现时间序列的平稳；此外，采集的数据是具有s个时间段的季节性数据，在这种情况下，ARIMA模型可以扩展为季节性ARIMA(SARIMA)模型，引入B作为后向移位算子，使得BXt＝Xt-1,SARIMA模型用多项式形式表示如下：φ(B)Φ(Bs)(1-B)d(1-Bs)DXt＝θ(B)Θ(Bs)其中，φ(B)＝1-φ1B-φ2B2-L-φPBP描述了以φ1LφP为参数的非季节性AR(P)过程；θ(B)＝1+φ1B+φ2B2+L+φPBP以φ1LφP为参数的非季节性MA(q)过程；第一个差分表示为(Xt-Xt-1)＝(1-B)Xt，因此，第d个差分表示为(1-B)dXtt，将季节差异D公式表示为(Xt-Xt-s)＝(1-Bs)Xt；步骤2、建立混合整数线性规划模型，过程如下：2.1、约束条件，如下：2.1.1)电动汽车约束电动汽车充电和放电功率限制：其中，ui,c,t是二进制变量(0/1)，表示在t时间段内第c个充电点的第i个BEV是否可充电；vi,c,t二进制变量(0/1)，表示时间段t中第c个充电点的第i个BEV是否正在放电的；表示在时间段t中，在第c个充电点向第i个BEV的功率传输；表示在时间段t中，在第c个充电点从第i个BEV进行功率传输；和分别表示向分别向第i个BEV和从第i个BEV传输最大功率；在物理上不可能在相同的充电点对多个电动汽车进行充电，为了降低成本，使用了模块化转换器拓扑，因此引入以下约束：使用两组二进制变量ui,c,t和vi,c,t来确保在给定的时间内在给定的充电点只有一个电动汽车可以充电或放电；根据以下公式计算电动汽车充电功率：其中，为在时间段t中，第c个充电点向第i个BEV的总传输功率；ηch，ηdis分别为电动汽车的充放电效率；电动汽车的电池容量为：其中，Ei,c,t为在时间段t中，第c个充电点处第i个BEV的电池的能量容量；为到达时第c个充电点处第i个BEV的能量容量；为离开时第c个充电点处第i个BEV的能量容量；为了延长电池寿命，防止汽车电池深度放电和过度充电，引入以下约束：分别表示在所有时间段t中，第c个充电点处第i个BEV的最小和最大电池容量；为了减少间歇性充电/放电对电池容量衰减的不利影响，允许EMS发起最大Nmax充电/放电过程，如下所示：其中，分别表示二进制变量ui,c,t的ON和OFF状态之间的正差和负差；分别表示二进制变量vi,c,t的ON和OFF状态之间的正差和负差；Nmax表示充放电最大次数；此外，指定何时将电动汽车与充电点断开连接：ui,c,t＝0,或者vi,c,t＝0,或者2.1.2)光伏发电约束其中ηMPPT为DC-DC转换器效率；ηinv为逆变器效率；表示在时间段t的第c个充电点从光伏发电到第i个BEV的功率传输；表示在时间段t内从光伏系统到电网的功率传输；表示在时间段t内的最大光伏发电功率；2.1.3)电网约束EV-PV充电器是三端口充电器，根据以下公式限制充电和放电功率：其中，表示在时间段t中，在第c个充电点从电网向第i个BEV传输功率；表示从电网到c充电点的最大功率传输；si,c,t二进制变量(0/1)表示防止向电网供电同时又从电网取电.表示在时间段t中，从第c个充电点处的第i个BEV向电网传输功率；表示在时间段t内从光伏发电到电网的传输功率；表示从c充电点到电网的最大传输功率；电动汽车充电过程的功率平衡：其中，ηinv是并网本文档来自技高网...

【技术保护点】
1.一种基于预测光伏发电的光-电-微协调控制方法，其特征在于，所述方法包括以下步骤：/n步骤1、建立预测光伏发电的时间序列模型/n给出预测光伏发电量的时间序列模型-差分整合移动平均自回归模型ARIMA，该模型将作为能源管理系统EMS模型的输入数据；/nARIMA有两部分组成：阶数为p(AR(P))的自回归模型和阶数为q(MA(q))的移动平均模型，它们都描述了平稳过程；然而，由于辐照度数据表现出非平稳的特性，需要采用差分法来实现时间序列的平稳；此外，采集的数据是具有s个时间段的季节性数据，在这种情况下，ARIMA模型可以扩展为季节性ARIMA(SARIMA)模型，引入B作为后向移位算子，使得BX

【技术特征摘要】
1.一种基于预测光伏发电的光-电-微协调控制方法，其特征在于，所述方法包括以下步骤：
步骤1、建立预测光伏发电的时间序列模型
给出预测光伏发电量的时间序列模型-差分整合移动平均自回归模型ARIMA，该模型将作为能源管理系统EMS模型的输入数据；
ARIMA有两部分组成：阶数为p(AR(P))的自回归模型和阶数为q(MA(q))的移动平均模型，它们都描述了平稳过程；然而，由于辐照度数据表现出非平稳的特性，需要采用差分法来实现时间序列的平稳；此外，采集的数据是具有s个时间段的季节性数据，在这种情况下，ARIMA模型可以扩展为季节性ARIMA(SARIMA)模型，引入B作为后向移位算子，使得BXt＝Xt-1,SARIMA模型用多项式形式表示如下：
φ(B)Φ(Bs)(1-B)d(1-Bs)DXt＝θ(B)Θ(Bs)
其中，φ(B)＝1-φ1B-φ2B2-L-φPBP描述了以φ1LφP为参数的非季节性AR(P)过程；θ(B)＝1+φ1B+φ2B2+L+φPBP以φ1LφP为参数的非季节性MA(q)过程；第一个差分表示为(Xt-Xt-1)＝(1-B)Xt，因此，第d个差分表示为(1-B)dXtt，将季节差异D公式表示为(Xt-Xt-s)＝(1-Bs)Xt；
步骤2、建立混合整数线性规划模型，过程如下：
2.1、约束条件，包括2.1.1)电动汽车约束，2.2.2)光伏发电约束，2.1.3)电网约束；
2.2、设定目标函数



其中，Ctot为充放电过程中产生的总成本；为t期间电动汽车充电的边际价格；为t时段光伏发电的边际价格；时间段t内的上网电价λdeg。


2.如权利要求1所述的基于预测光伏发电的光-电-微协调控制方法，其特征在于，所述2.1.1)中，电动汽车约束定义如下：
电动汽车充电和放电功率限制：






其中，ui,c,t是二进制变量(0/1)，表示在t时间段内第c个充电点的第i个BEV是否可充电；vi,c,t二进制变量(0/1)，表示时间段t中第c个充电点的第i个BEV是否正在放电的；表示在时间段t中，在第c个充电点向第i个BEV的功率传输；表示在时间段t中，在第c个充电点从第i个BEV进行功率传输；和分别表示向分别向第i个BEV和从第i个BEV传输最大功率；
在物理上不可能在相同的充电点对多个电动汽车进行充电，为了降低成本，使用了模块化转换器拓扑，因此引入以下约束：



使用两组二进制变量ui,c,t和vi,...

【专利技术属性】
技术研发人员：郁家麟，金海，施海峰，雷象兵，黄旻，张群艳，高嘉豪，顾一懿，
申请(专利权)人：国网浙江海宁市供电有限公司，海宁市金能电力实业有限公司，
类型：发明
国别省市：浙江;33