一种计及电网稳定性的低压配电网电动汽车调度方法技术

本发明专利技术公开了一种计及电网稳定性的低压配电网电动汽车调度方法，该方法包括：1、建立优化调度日潮流数据模型及电动汽车模型；2、以各充电桩均参与电网调度为前提，建立以负荷波动率最小、网损最低和电压偏差最小为目标函数的日前优化调度模型；3、采用二阶震荡粒子群算法对日前优化调度模型进行求解。本发明专利技术考虑了低压配电网的量测特点，给出了电网最优状态下的电动汽车调度方案，电网公司可以根据此方案来指导电动汽车用户进行充放电，进而可以有效改善电力系统运行的稳定性。改善电力系统运行的稳定性。改善电力系统运行的稳定性。

【技术实现步骤摘要】
一种计及电网稳定性的低压配电网电动汽车调度方法


[0001]本专利技术涉及一种计及电网稳定性的低压配电网电动汽车调度方法，属于电力系统调度自动化领域。

技术介绍

[0002]随着能源和环境问题的日益严峻，电动汽车逐步代替燃油汽车走进大众生活。但是电动汽车规模化接入会对传统电力系统产生较大影响。若将充电桩看作储能装置，并令其接受电网的调度，则能有效降低电网负荷波动和改善网损。电动汽车的充放电负荷受用户出行行为的影响较大，具有较大的不确定性。为了减少电动汽车充放电时对电力系统的冲击，并让其成为削峰填谷的有效手段，国内外学者已对电动汽车入网技术展开了较多研究。目前常用的方法是引导电动汽车在电网负荷较大时对系统放电、较小时进行充电。但现有多数方法的重心集中于考虑用户或充电站收益的充放电策略制定，而忽略了电动汽车充放电负荷对电网运行稳定性的直接影响，无法给出电网最优状态下的电动汽车调度方案，因此有必要从电网安全稳定性出发来确定充放电策略，进而便于更好地指导电动汽车用户进行充放电。另外，配电网中广泛接入的分布式电源也会给电动汽车的优化调度带来了更大的挑战。

技术实现思路

[0003]本专利技术是为了解决上述现有技术存在的不足之处，提出一种计及电网稳定性的低压配电网电动汽车调度方法，以期能够通过电动汽车最优的充放电策略来有效提高电网运行的安全稳定性。
[0004]本专利技术解决技术问题采用如下技术方案：
[0005](省略复制权书)
[0006]与已有技术相比，本专利技术有益效果体现在：r/>[0007]1、本专利技术设计了一种充电桩100％参与电网优化调度的电动汽车实时滚动充放电策略，建立了电动汽车优化调度模型，便于电网公司引导电动汽车用户进行充放电，有效提高了电网运行的安全稳定性；
[0008]2、本专利技术利用CNN
‑
BiLSTM算法对调度日的电气量数据进行了预测，并考虑到低压配电网的量测特点和光伏接入对负荷波动的影响，将出口电流曲线拟合法和典型光伏出力曲线拟合法分别用于负荷建模和光伏建模中，提高了潮流计算所用数据的准确性，并使最终的调度策略更具合理性；
[0009]3、本专利技术将负荷波动率最小、网络损耗最低和电压平均偏差最小同时作为优化调度过程中的目标函数，并采用全局搜索能力更强的二阶震荡粒子群算法进行求解，使得模型的收敛性能更好，优化结果也更为理想，并使系统的稳定性、经济性和安全性均达到了相对最佳。
附图说明
[0010]图1为本专利技术方法流程图；
[0011]图2为本专利技术实施例系统图；
[0012]图3为本专利技术实施例电量预测结果误差分布图；
[0013]图4为本专利技术实施例调度日电流预测结果图；
[0014]图5a为本专利技术实施例适应度函数的变化过程图；
[0015]图5b为本专利技术实施例负荷波动率的变化过程图；
[0016]图5c为本专利技术实施例线路损耗值的变化过程图；
[0017]图5d为本专利技术实施例电压平均偏差的变化过程图；
[0018]图6a为本专利技术实施例电动汽车充放电优化策略图；
[0019]图6b为本专利技术实施例储能装置充放电优化策略图；
[0020]图7a为本专利技术实施例电动汽车实时充电电价定价策略(方案一)；
[0021]图7b为本专利技术实施例电动汽车实时放电电价定价策略(方案一)；
[0022]图7c为本专利技术实施例电动汽车实时充电电价定价策略(方案二)；
[0023]图7d为本专利技术实施例电动汽车实时放电电价定价策略(方案二)。
具体实施方式
[0024]本实施例中，一种计及电网稳定性的低压配电网电动汽车调度方法，选择安徽省北部某低压配电台区进行日前优化调度策略的制定，如图1所示，具体过程如下：
[0025]步骤1、采用CNN
‑
BiLSTM预测模型对所选台区调度日的用户日用电量、台区出口电流和光伏发电量进行预测，并考虑到低压配电网的量测特点，分别建立负荷调度日的光伏模型、负荷模型和电动汽车模型。具体步骤如下：
[0026]步骤1.1、采集所选配电台区历史为期一年的负荷数据、光伏数据、电流数据和天气因素数据，将CNN
‑
BiLSTM预测模型的输入变量设置为对各预测结果影响较大的历史数据、天气因素和日期类型，输出变量设置为负荷调度日的用户日用电量、台区出口电流和光伏发电量，各预测模型输入特征因素见表1所示：
[0027]表1模型输入特征因素汇总
[0028][0029]步骤1.2、根据所选配电系统的拓扑图对各节点编号，如图2所示，之后利用负荷调度日前一年的负荷数据计算一年的全网潮流，得到负荷调度日前一年的电量数据和各时刻台区出口的电流数据；
[0030]由负荷调度日前一年的电量数据所对应的历史数据、天气因素和日期类型以及负荷调度日前一年中各时刻台区出口的电流数据所对应的历史数据、天气因素和日期类型构建输入特征向量，并采用min
‑
max归一化法对输入特征向量进行归一化处理，然后采用迭代式滑动窗口的方式对归一化后的输入特征向量进行处理，得到不同滑动窗口下的输入特征矩阵，滑窗宽度设为96，步长设为1；
[0031]步骤1.3、将不同滑动窗口下的输入特征矩阵输入CNN
‑
BiLSTM预测模型中，先经过CNN模型的特征提取后，再依次利用最大池化法和扁平化法对所提取的特征数据进行筛选和扁平化处理，然后将处理后的特征数据输入BiLSTM网络进行处理，并输出负荷调度日前一年的电量数据预测值和各时刻台区出口的电流数据预测值，负荷用户的日用电量预测结果和光伏发电量预测结果以连续七日的平均绝对百分比误差作为衡量指标，预测结果如图3所示。调度日96点电流数据的预测结果如图4所示；
[0032]从图3可以看出，负荷日用电量和光伏发电量预测结果的平均值均在6％以内。从图4可以看出，台区出口电流的预测数值精度和预测趋势都较为接近实际值。由此可以看出，利用CNN
‑
BiLSTM算法对所选台区的数据进行预测，可以达到较好的效果；
[0033]步骤1.4、利用光伏典型出力曲线来拟合实际的光伏出力曲线，并用光伏典型出力曲线系数Q
pv
表示各时间段内的光伏出力系数q
pvj
，之后通过光伏日发电量预测值G
pv
计算优化调度日光伏在M个时刻的有功出力P
PVj
，式(1)和式(2)为该过程的具体计算公式；
[0034]Q
pv
＝[q
pv1
,q
pv2
,L,q
pvj
L q
pvM
] (1)
[0035][0036]步骤1.5、采用曲线拟合法对用户负荷进行建模，首先将低压配电网出口处电流曲线与实际光伏出力曲线叠加之后的形状视为低压配电网出口各相的日有功功率曲线形状，其中叠加后曲线的向本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种计及电网稳定性的低压配电网电动汽车调度方法，其特征在于，包括以下步骤：步骤1、采用CNN
‑
BiLSTM预测模型对调度日的用户日用电量、台区出口电流和光伏发电量进行预测，并考虑低压配电网的量测特点，分别建立负荷调度日的光伏模型、负荷模型和电动汽车模型；步骤1.1、将低压配电网的历史数据、天气因素和日期类型输入所述CNN
‑
BiLSTM述预测模型中进行预测，并输出负荷调度日的用户日用电量预测值、台区出口电流预测值和光伏发电量预测值；步骤1.2、利用负荷调度日前一年的负荷数据计算一年的全网潮流，得到负荷调度日前一年的电量数据和各时刻台区出口的电流数据；由所述负荷调度日前一年的电量数据所对应的历史数据、天气因素和日期类型以及所述负荷调度日前一年中各时刻台区出口的电流数据所对应的历史数据、天气因素和日期类型构建输入特征向量，并采用min
‑
max归一化法对所述输入特征向量进行归一化处理，然后采用迭代式滑动窗口的方式对归一化后的输入特征向量进行处理，得到不同滑动窗口下的输入特征矩阵；步骤1.3、将不同滑动窗口下的输入特征矩阵输入所述CNN
‑
BiLSTM预测模型中，先经过CNN模型的特征提取后，再依次利用最大池化法和扁平化法对所提取的特征数据进行筛选和扁平化处理，然后将处理后的特征数据输入BiLSTM网络进行处理，并输出所述负荷调度日前一年的电量数据预测值和各时刻台区出口的电流数据预测值；步骤1.4、利用光伏典型出力曲线来拟合实际的光伏出力曲线，并根据光伏出力曲线和所述负荷调度日的光伏发电量预测值计算所述负荷调度日光伏在各时刻的有功出力；步骤1.5、将所述负荷调度日预测的各时刻台区出口的电流数据预测值进行标准化处理后用于计算负荷系数，再将所述负荷调度日的用户日用电量预测值与所述负荷系数相乘，得到所述负荷调度日用户的有功功率值，再依据功率因数计算所述负荷调度日用户的无功功率值；步骤1.6、电动汽车若具有充放电功能，则在优化调度过程中将其视为储能；若只具有充电功能，则在优化调度过程中将其视为负荷；步骤2、以各充电桩均参与低压配电网调度为前提，将电动汽车充放电功率和储能充放电功率作为待求解变量，建立以负荷波动率最小、网损最低和电压平均偏差最小为多目标函数的日前优化调度模型，所述日前优化调度模型建立有功率平衡约束、电压约束、储能电池输出功率约束、储能电池容量约束和电动汽车充放电功率约束；步骤2.1、将负荷波动率作为所述日前优化调度模型的第一目标函数l，其中，所述负荷波动率用各时刻低压配电网总负荷的有功功率标准差与各时刻低压配电网总负荷的有功功率几何均值的比值来表示；步骤2.2、将线路损耗最低设置为所述日前优化调度模型的第二个目标函数ΔP，其中，根据所述负荷调度日的光伏模型、负荷模型和电动汽车模型确定光伏节点、各用户节点和电动汽车节点在所述负荷调度日各时刻的功率值，之后对所述低压配电网进行潮流计算以确定负荷调度日内系统的线路损耗；步骤2.3、将电压平均偏差最小设置为所述日前优化调度模型的第三个目标函数ΔU，其中，将各节点中不同时刻的实际电压和对应时刻的基准电压作差求平均之后的百分比作
为所述电压平均偏差值；步骤2.4、分别将有功功率平衡和无功功率平衡作为所述日前优化调度模型的约束条件一；将电压不越限作为所述日前优化调度模型的约束条件二；将储能电池输出功率不越限作为所述日前优化调度模型的约束条件三；将储能电池容量不越限作为所述日前优化调度模型的约束条件四；将电动汽车充放电功率不越限作...

【专利技术属性】
技术研发人员：曹现峰，高传海，伍伟斌，韩平平，杨大宋，丁静雅，谢毓广，徐文娟，刘洋，
申请(专利权)人：合肥工业大学国网安徽省电力有限公司电力科学研究院，
类型：发明
国别省市：