计及光伏和充电需求的光储充电站优化调度方法和系统技术方案

本发明专利技术涉及计及光伏和充电需求的光储充电站优化调度方法和系统，包括：将待优化日各时段的日前光伏出力预测值和日前充电需求预测值输入日前优化调度模型中，利用改进的粒子群算法求解所述模型，得到日前优化调度模型输出的待优化日各时段的优化变量的最优值；利用待优化日内满足第一约束条件的时段的优化变量的最优值对待优化日内满足第一约束条件的时段进行调度，并利用日内滚动优化模型对待优化日内不满足第一约束条件的时段进行调度。本发明专利技术通过考虑光伏出力、充电需求不确定性来优化充电站的运行，使得充电站能保证新能源消纳率最大的同时兼顾日运行成本，更为科学有效地对光储充电站进行优化调度，提升了光储充电站调度的准确性。

【技术实现步骤摘要】
计及光伏和充电需求的光储充电站优化调度方法和系统
本专利技术涉及电动汽车充电服务领域，具体涉及计及光伏和充电需求的光储充电站优化调度方法和系统。
技术介绍
随着环境问题的日益严峻，电动汽车得到了大力发展。统计数据表明，电动汽车的无序充电将给配电网运行带来巨大的不利影响。充电站作为充电的配套设施，是支撑电动汽车大规模发展的关键因素。面向慢充的电动汽车充电站通常占地面积较大，屋顶具备安装一定规模分布式光伏的条件，然而光伏出力和充电负荷在时序上可能具有不匹配性，进而给配电网带来一定负担。若在光伏充电站中配置一定容量的储能系统，将可有效缓解这一问题。若能进一步对停驶状态下的电动汽车充电行为进行科学调度，将可以达到更好的效果。因此，慢充条件下光储充电站的优化调度是一个值得开展深入研究的工作。目前，已有学者针对电动汽车光储充电站的多时间尺度优化调度问题进行了研究。王睿娟和程杉等提出的基于多时间尺度的电动汽车光储充电站联合分层优化调度方法，其中上层调度中心根据预测数据开展以平抑配电网负荷波动和总购电成本最小为目标的日前调度，下层各光储充电站结本文档来自技高网...

【技术保护点】
1.计及光伏和充电需求的光储充电站优化调度方法，其特征在于，所述方法包括：/n将待优化日各时段的日前光伏出力预测值和日前充电需求预测值输入日前优化调度模型中，利用改进的粒子群算法求解日前优化调度模型，得到日前优化调度模型输出的待优化日各时段的优化变量的最优值；/n利用待优化日内满足第一约束条件的时段的优化变量的最优值对待优化日内满足第一约束条件的时段进行调度，并利用日内滚动优化模型对待优化日内不满足第一约束条件的时段进行调度；/n其中，所述优化变量包括：光储充电站内储能系统中功铅酸蓄电池组的充放电功率和光储充电站的购电功率；/n改进的粒子群算法的改进之处在于：改进了粒子群算法中惯性权重因子ω、...

【技术特征摘要】
1.计及光伏和充电需求的光储充电站优化调度方法，其特征在于，所述方法包括：
将待优化日各时段的日前光伏出力预测值和日前充电需求预测值输入日前优化调度模型中，利用改进的粒子群算法求解日前优化调度模型，得到日前优化调度模型输出的待优化日各时段的优化变量的最优值；
利用待优化日内满足第一约束条件的时段的优化变量的最优值对待优化日内满足第一约束条件的时段进行调度，并利用日内滚动优化模型对待优化日内不满足第一约束条件的时段进行调度；
其中，所述优化变量包括：光储充电站内储能系统中功铅酸蓄电池组的充放电功率和光储充电站的购电功率；
改进的粒子群算法的改进之处在于：改进了粒子群算法中惯性权重因子ω、学习因子C1以及学习因子C2的设置值。


2.如权利要求1所述的方法，其特征在于，所述利用日内滚动优化模型对待优化日内不满足第一约束条件的时段进行调度，包括：
获取所述不满足第一约束条件的时段的光伏出力超短期预测值和充电需求超短期预测值；
将所述不满足第一约束条件的时段的光伏出力超短期预测值和充电需求超短期预测值输入日内滚动优化模型，利用改进的粒子群算法求解日内滚动优化模型，得到日内滚动优化模型输出的所述不满足第一约束条件的时段的优化变量的最优值；
利用所述不满足第一约束条件的时段的优化变量的最优值对所述不满足第一约束条件的时段进行调度。


3.如权利要求2所述的方法，其特征在于，所述不满足第一约束条件的时段的光伏出力超短期预测值为在该时段之前的Sh个时段分别预测的该时段的光伏出力的平均值；
所述不满足第一约束条件的时段的充电需求超短期预测值为在该时段之前的Sh个时段分别预测的该时段的充电需求的平均值；
其中，Sh为预设时段数。


4.如权利要求1所述的方法，其特征在于，所述待优化日各时段的日前光伏出力预测值的获取过程，包括：
基于各历史日内各时段的光伏出力数据，采用核密度估计法生成待优化日内各时段的光伏出力概率密度函数；
在定义域范围内对待优化日内各时段的光伏出力概率密度函数求积分，并将积分结果作为待优化日内各时段的日前光伏出力预测值。


5.如权利要求1所述的方法，其特征在于，所述待优化日各时段的日前充电需求预测值的获取过程，包括：
对区域内电动汽车用户的历史充电行为进行统计，得到不能满足行驶需求时充电的电动汽车用户的占比，并将所述占比作为电动汽车用户的充电概率；所述充电行为为行驶结束后充电或不能满足行驶需求时充电；
基于电动汽车用户的充电概率，获取区域内各电动汽车用户在待优化日内各时段的充电行为；
基于区域内各电动汽车用户的出行规律和区域内各电动汽车用户在待优化日内各时段的充电行为，采用蒙特卡洛模拟各电动汽车用户在待优化日的行驶行为，得到待优化日各时段内需要充电的电动汽车用户、电动汽车用户的行驶里程以及电动汽车用户的充电起始时间；
根据待优化日各时段内需要充电的电动汽车用户、电动汽车用户的行驶里程以及电动汽车用户的充电起始时间，计算待优化日各时段的日前充电需求预测值；
其中，对于区域内第ψ个电动汽车用户，随机生成与在待优化日内第t个时段对应的处于区间[0，1]内的随机数Randψ(t)，若Randψ(t)＞p，则区域内第ψ个电动汽车用户在待优化日内第t个时段的充电行为为电动汽车在行驶结束后充电，否则，区域内第ψ个电动汽车用户在待优化日内第t个时段的充电行为为不能满足行驶需求时再进行充电，p为电动汽车用户的充电概率，t∈(1～T)，T为一日内包含的时段总数，ψ∈(1～Sψ)，Sψ为区域内电动汽车用户总数。


6.如权利要求5所述的方法，其特征在于，所述待优化日各时段的日前充电需求预测值的计算式为：



式中，Pev(t)为待优化日第t个时段的日前充电需求预测值，Pξ(t)为待优化日第t个时段内第ξ个需要充电的电动汽车用户的充电需求，ξ∈(1～Sξ)，Sξ为待优化日第t个时段需要充电的电动汽车用户总数；
其中，所述Pξ(t)的计算式为：



式中，Tend(t)为待优化日第t个时段的结束时刻，Tξ(t)为在待优化日第t个时段内第ξ个需要充电的电动汽车用户的起始充电时刻，ΔTs为单位时长，Ps为单位时长对应的充电功率，tc，ξ(t)为在待优化日第t个时段内第ξ个需要充电的电动汽车用户的充电时长；
所述tc，ξ(t)的计算式为：



式中，pc是电动汽车充电功率，SOCξ(t)为待优化日第t个时段内第ξ个需要充电的电动汽车用户的荷电状态；
所述SOCξ(t)的计算式为：
SOCξ(t)＝(1-dξ(t)/dm，ξ)
式中，dm，ξ为第ξ个需要充电的用户的电动汽车的最大行驶里程，dξ(t)为在待优化日第t个时段内第ξ个需要充电的电动汽车用户的行驶里程。


7.如权利要求1所述的方法，其...

【专利技术属性】
技术研发人员：刘亚骑，崔晓青，韩为民，王晶，马浩，陈希，齐大勇，张斌荣，杨元健，全雯琳，张静，林晶怡，李昊，苗博，李文，
申请(专利权)人：中国电力科学研究院有限公司，国家电网有限公司，国网山东省电力公司济南供电公司，
类型：发明
国别省市：北京;11