一种计及充电负荷转移的车-网协同优化方法、装置及存储介质

本发明涉及一种计及充电负荷转移的车-网协同优化方法、装置及存储介质，属于配电网经济调度。

背景技术：

1、近年来，随着新能源产业的不断发展，电动汽车和新能源发电在配电网中的渗透率不断提高，但是由于充电负荷的无序性和清洁能源出力的不确定性使得配电网调度面临巨大挑战。相关研究表明，对配网进行合理优化，不仅可以降低配网调度成本，而且还可以降低电动汽车和新能源发电入网造成的负荷波动，实现电动汽车和新能源发电良好入网。

技术实现思路

1、本发明的目的在于提供一种计及充电负荷转移的车-网协同优化方法、装置及存储介质，减少电动汽车和新能源发电的入网波动。

2、为实现以上目的，本发明是采用下述技术方案实现的：

3、第一方面，本发明提供了一种计及充电负荷转移的车-网协同优化方法，包括以下步骤：

4、步骤1：建立电动汽车充电规律概率模型，并运用蒙特卡洛方法预测各类电动汽车的充电需求；

5、步骤2：根据风速和光照的概率分布，建立风力和光伏发电系统不确定性模型并预测其机组出力；

6、步骤3：结合快充负荷无序性和慢充负荷可调性特点，配合分布式电源出力，构建车-网协同调度模型；

7、步骤4：运用带精英策略的非支配排序遗传算法(nsga-ii)和模糊决策对多目标优化模型进行求解，输出最优调度方案。

8、结合第一方面，进一步的，步骤1中，所述电动汽车出行概率模型包括开始充电时间、期望结束充电时间和期望充电电量的概率分布，车辆类型包含电动私家车、电动网约车、电动公交车，所述电动私家车概率模型包括：

9、开始充电时间概率密度函数：

10、

11、式中：ts为并网充电时间；γ(·)为伽马函数；μs为位置参数；σs为尺度参数；νs为形状参数；取模型参数μs＝19.76，σs＝2.274，νs＝2.45。

12、期望结束充电时间概率密度函数：

13、

14、式中：模型参数μe＝7.428，σe＝1.390，νs＝1.128。

15、期望充电电量概率密度函数：

16、

17、式中：模型参数μq＝20，σq＝17.0866。

18、结合第一方面，进一步的，步骤2中，风力发电机组和光伏发电机组的不确定出力模型包括：

19、风速近似服从两参数的威布尔分布：

20、

21、式中：v为表示风速的随机变量；k为威布尔分布参数；c为该地区平均风速；v为实际风速。则风力发电机组出力表示如下：

22、

23、式中：pwt为风电机组t时刻的机组出力；pe为风电机组的额定输出功率；vin为风力发电机切入风速；ve为风力发电机额定风速；vout为风力发电机切除风速。

24、光照近似服从两参数的beta分布：

25、

26、式中：r为光照强度；rmax为该时段内的最大光照强度；α和β为beta分布的两个参数；可由光照强度的平均值和均方差计算得到；γ(·)为伽玛函数。则光伏发电机组出力表示如下：

27、ppvt＝rt·η·s

28、式中：η为光伏电池板的转化效率；s为光伏阵列的铺设面积。

29、结合第一方面，进一步的，车-网协同优化模型的目标函数包括配电网调度成本最低和配电网等效负荷波动率最小，表达式为：

30、min[f1 f2]

31、所述配电网调度成本的表达式为：

32、

33、式中：cf(pdg,i,t)为第i个分布式电源在第t个时段的燃料成本；com(pdg,i,t)为第i个分布式电源在第t个时段的维护成本；ndg为分布式电源的数量；pdg,i,t为分布式电源的出力；pgrid,t为t时段联络线传输功率；ploss,t为t时段系统网络损耗；ωt为t时段配网购电电价。

34、所述配电网等效负荷波动率的表达式为：

35、

36、

37、

38、

39、式中：pt为t时段配电系统等效负荷，也即联络线传输功率；pload,t为系统基础负荷；ploss,t为系统网损；为配网等效负荷均值；ps为配网等效负荷标准差。

40、结合第一方面，进一步的，所述车-网协同优化模型配电网约束条件，包括：

41、配电网潮流约束为：

42、

43、

44、式中：gij、bij和δij分别为节点i和节点j之间的电导、电纳和相角差；pgi和qgi分别是节点i的有功出力和无功出力；pdi和qdi分别为节点i的有功功率和无功功率。

45、功率平衡约束为：

46、

47、分布式电源出力约束为：

48、

49、式中：和分别为第i个分布式电源输出功率的最小值和最大值。

50、分布式电源出力爬坡约束为：

51、

52、

53、式中：和分别为第i个分布式电源上、下爬坡限幅值。

54、联络线传输功率容量约束为：

55、

56、式中：和分别为联络线传输功率的下限和上限。

57、节点电压约束为：

58、

59、式中：uj,t为节点j时刻的电压；和分别为节点j在正常运行时电压幅值的最小值和最大值。

60、结合第一方面，进一步的，所述车-网协同优化模型电动汽车约束条件包括：

61、电动汽车充电需求约束。优化后电动汽车的充电需求应与无序充电时的充电需求保持一致，其表达式为：

62、

63、式中：pev,t为优化后集群电动汽车在t时段的充电负荷；为蒙特卡洛模拟的电动汽车t时段的充电需求；△t为一个时段的时长，可取1小时。

64、各时段调度容量合理性约束。各时段的充电容量应与其对应时段可调度的电动汽车数量成正相关，其表达式为：

65、

66、式中：为t时段最大充电容量的占比；pmax为单辆电动汽车最大充电功率；nt为第t个时段电动汽车与充电桩连接的数量；pt为电动汽车第t个时段与充电桩连接的占比。

67、结合第一方面，进一步的，所述nsga-ii算法求解多目标优化模型包括：

68、(1)利用蒙特卡洛方法计算出快充负荷分布和慢充负荷需求；

69、(2)系统初始化。设置nsga-ii算法参数，包括种群大小、迭代次数、交叉变异概率等；读取配电系统数据信息，包括系统结构、线路参数、基础负荷、分布式电源接入节点等；获取电动汽车充电负荷信息，包括电动汽车的数量，充电需求，接入节点等。

70、(3)初始化种群g0，根据两个目标函数可知，优化模型的控制变量为可控分布式电源各时段的出力和电动汽车各时段的充电功率，若t＝24，则可构造(m+1)×24大小的个体，则初始种群g0可表示如下：

71、

72、式中：m为可控分布式电源的数量；n为种群规模大小。

73、(4)调用潮流计算函数进行潮流计算，并按照目标函数计算适应度。

74、(5)通过交叉变异得到子代种群qg，并将子代种群qg和父代种群gg合并得到新种群rg。

75、(6)对新种群rg进行快速非支配排序和拥挤度计算。

76、(7)采用精英策略选择n个优良个体，淘汰其余个体。

77、(8)对新种群再次进行快速非支配排序、拥挤度计算和个体优劣排序以更新种群个体支配信息。

78、(9)若满足终止条件，则输出系统的优化结果，否则返回步骤3。

79、结合第一方面，进一步的，所述模糊决策包括：

80、将每个个体的单个目标函数值进行模糊化处理，包括：

81、

82、式中：为第个目标第w个前沿解的模糊化处理结果；为第个目标的第w个前沿解；和分别是第个目标前沿解中的最小值和最大值。

83、将模糊化处理后的单目标函数值按目标权重偏好进行加权处理，包括：

84、

85、式中：μw为第w个前沿解经模糊化出后的结果；为第个目标的权重值；m为优化目标的个数；w为帕累托前沿解的个数。

86、筛选出μw的最大值作为优化问题的最终优化结果，根据w值找出对应的解，输出可控分布式电源各时段出力和电动汽车各时段充电功率。

87、第二方面，本发明还提供了一种计及充电负荷转移的车-网协同优化装置，包括：

88、信息处理模块，被配置为：基于新能源预测出力和电动汽车充电需求，建立车-网协同优化模型，并使用nsga-ii算法和模糊决策求解多目标优化模型，得到可控分布式电源各时段出力和电动汽车各时段充电功率。

89、第三方面，本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时，实现如第一方面中任一项所述的计及充电负荷转移的车-网协同优化方法。

90、与现有技术相比，本发明所达到的有益效果是：

91、(1)步骤1中，所述电动私家车充电概率模型是根据国内充电站实际运营数据统计拟合而成，可以更加准确地预测电动私家车的充电负荷需求，为开展电动汽车充电负荷优化、车-网协同优化研究奠定基础。

92、(2)步骤3中，为应对新能源发电和规模化充电负荷的入网冲击，建立以配网调度成本最小和配网等效负荷波动最小的车-网协同优化模型，同时考虑配网正常运行约束和电动汽车充电需求以及各时段充电负荷分布的合理性约束，能较好地实现配网安全管理和经济运行，促进电动汽车和新能源良好入网。

93、(3)步骤4中，运用nsga-ii算法求解车-网协同优化模型，可以得到一组包含独特决策信息的帕累托解集，本发明提出一种基于模糊聚类的决策方法，将帕累托解集进行模糊化处理，决策者通过设置车-网协同优化模型中各个配网调度指标之间的权重关系，可以寻找一组兼顾电动汽车用户方利益和配电网供电方利益的折中解。

94、本发明提供的一种计及充电负荷转移的车-网协同优化方法、装置及存储介质，从供电侧和需求侧协同优化角度出发，通过nsga-ii算法和模糊决策求得配网最优调度方案和电动汽车充电负荷的重新分配，不仅能够降低配电网调度成本，而且还可以降低配网等效负荷的峰谷差和波动率，实现电动汽车和新能源良好入网。