本發明專利技術公開了一種計入可入網電動汽車的光伏電站最優容量的配置方法，涉及電力系統分布式發電技術領域。該方法首先以用戶日發電成本最小為目標，結合各機組運行約束條件，建立優化問題的數學模型，得到用戶側年凈收益，再改變分布式電源的容量帶入優化模型中計算，得到相應年凈收益，并以此作為輸入輸出樣本來訓練神經網絡，從而可以由遺傳算法搜尋得到最優的分布式電源容量。優點是：構建了計入可入網電動汽車的光伏電站系統的日優化調度模型，給出了計算使用戶獲利最大的最優配置方法。其中將系統的日優化問題簡化為線性規劃問題，大大簡化了計算，具有一定的工程參考價值。
【技術實現步驟摘要】
本專利技術屬于電力系統分布式發電
，具體涉及一種計入可入網電動汽車的 光伏電站的容量優化配置方法。
技術介紹
對于用電需求較大、采用分時電價的用戶，合理建設光伏電站，可從節省電費與國 家補貼兩方面獲利，再加上環境友好，再生可持續利用的優點，光伏發電是未來新能源發展 與推廣的重要方向。 光伏電站并網有三種方式："全部自發自用"、"自發自用，余電上網"、"全部上網"。 對于"自發自用，余電上網"和"全部上網"兩種方式，由于不能加入儲能裝置，用戶不能管理 光伏并網系統中的能量流動，因此其收益與光伏電站的裝機容量正相關，不存在最優容量。 而對于"全部自發自用"方式，用戶可以通過加入儲能裝置來合理管理系統能量流動，對其 用電需求能起到"削峰填谷"的效果，節省用電費用。為使用戶獲利達到最大，需要計算出 用戶光伏電站的最優配置。 未來隨著電動汽車的普及，1天24h當中90%的電動車輛都可以入網參與 V2G(vehicle-to-grid)服務，在V2G服務時間段內，電動汽車的電池作為儲能裝置并網，可 以被光伏電站用戶充分利用。 在光伏發電的最優容量計算方法方面，目前的算法多注重算法的先進性，導致計 算過程繁瑣，且難以判斷計算結果是局部最優還是全局最優，所以可靠性難以定論。因此， 需要建立一套具有工程推廣價值，可靠性較高的，且計算簡單的光伏電站的優化配置方法， 為新能源發電的設計提供參考。 對于光伏發電的數學模型，以及神經網絡算法和遺傳算法可以參考現有方法： 1)光伏發電的數學模型 Ppv=q*S*R* S - PpVm/PpVml 其中，Ppv為光伏陣列的輸出功率，n為光伏的額定轉換效率，S為光伏陣列的面積 (!!^，!^為光伏組件傾斜面上的太陽輻照強度"/^^^為光伏組件溫度丨攝氏度彡斤^^為 每平方米光伏的峰值輸出功率（見廠商技術參數）；ppvm為用戶采用的面積為S平方米的光 伏陣列的峰值輸出功率。由此模型可見，只要輸入光伏的額定轉換效率n，光伏陣列的面積s，光伏組件 傾斜面上的太陽輻照強度R，光伏組件溫度T，就可以得到光伏陣列的輸出功率。對于給 定型號的光伏組件，其性能參數-光伏最大功率Ppvm與面積S成正比。（YonaA，Senjyu T，FunabashiT.Applicationofrecurrentneuralnetworktoshort-term-ahead generatingpowerforecastingforphotovoltaicsystem.IEEEPowerEngineering SocietyGeneralMeeting，2007)。 2)神經網絡算法 神經網絡是一種模仿動物神經網絡行為特征，進行分布式并行信息處理的算法數 學模型。這種網絡依靠系統的復雜程度，通過調整內部大量節點之間相互連接的關系，從而 達到處理信息的目的。以樣本來訓練神經網絡，即設定好網絡的結構，各個神經元的賦活函 數，以及訓練函數及學習率等參數，初始化網絡后，以樣本輸入值輸入到神經網絡，得到相 應的輸出后與樣本的輸出值相比較，根據誤差來修正網絡，經過一定次數和一段時間的訓 練，誤差達到預定范圍內即訓練完畢，以此得到的神經網絡可以很準確的模擬樣本中輸入 輸出之間的關系。 3)遺傳算法 遺傳算法是根據自然界生物染色體進化的數學模型，它是模仿染色體的基因在自 然進化的過程中進行選擇、交叉和變異生成下一代種群。以遺傳算法搜尋神經網絡最優值 操作的步驟是：確定輸入變量的維數與目標函數，給定輸入變量的取值范圍，確定種群規 模、最大遺傳代數、優化目標精度，以及選擇交叉算子等參數。這樣就可以通過軟件的計算 輸出目標函數的最優值和最優值對應的輸入。
技術實現思路
本專利技術的目的是針對采用自發自用并網方式的光伏電站，提出一種計入可入網電 動汽車后的光伏容量最優配置方法，實現用戶的利益最大化。 本專利技術解決其技術問題是采用以下技術方案實現的： 一種計入可入網電動汽車的光伏電站最優容量的配置方法，步驟如下： 1)用戶確定輸入參數：【主權項】1. 一種計入可入網電動汽車的光伏電站最優容量的配置方法，其特征在于，該方法包 含如下步驟： 1)用戶輸入下列參數：2)對于給定的光伏電站容量一光伏電站峰值功率Ppvm、蓄電池容量旬和電動汽車電 池容量馬貴的配置；W系統運行條件為約束，W用戶的日運行成本為目標函數，建立電能 調度日優化模型： 目標函數；minf=fg"d+fabans+fp_loss 其中，f表示光伏電站用戶的日運行成本，fgW表示光伏電站用戶向電網購電的費用，fabans表示光伏電站丟棄多余的產電的懲罰成本，fp_lDss表示蓄電池同時充放電的懲罰成本 和電動汽車同時充放電的懲罰成本之和；其中，Cgdd(k)表示第k個時刻的電價，Pgw(k)表示第k個時刻電網向光伏電站用戶提 供的電量；其中，Cab。^表示光伏電站丟棄多余的產電的懲罰因子，Pabans似表示第k個時刻光伏電 站丟棄多余的產電量；其中，Cp-lws= 2*CabaM，CpiDss表示包含蓄電池和電動汽車的儲能裝置，同時充放電的 懲罰因子，rii表示蓄電池的充電效率，n2表示蓄電池的放電效率，n3表示電動汽車的 充電效率，n4表示電動汽車的放電效率，Pba_ch(k)表示蓄電池第k個時刻的充電功率， Pi?_dk似表示蓄電池第k個時刻的放電功率，Pv2e_eh(i)表示電動汽車第i個時刻的充電功 率，Pv2e_dkW表示電動汽車第i個時刻的放電功率，a表示電動汽車參與V2G服務的開始 時刻，b表不電動汽車參與V2G服務的結束時刻；約束條件一 電能平衡 Pgrid似 +Pba-dis似 +Pv2G-dis似-Pba-ch似 _Pv2G-ch似-Pabans似-Pi似-Ppv似 (0《a《k《b《24,kG腳 Pgrid似 +Pba-di日似-Pba-化似-Paba。日似二Pi似-PpV似 (0《k《a-1或b+1《k《24,kG腳 其中，a表不電動汽車參與V2G服務的開始時刻，b表不電動汽車參與V2G服務的結束 時刻，Pgdd似表示第k個時刻電網向用戶供應的電能，Pba_dk(k)表示第k個時刻蓄電池的 放電功率，Pb3_th似表示第k個時刻蓄電池的充電功率，Pv2c_eh似表示電動汽車第k個時刻 的充電功率，Pv2e_dk似表示電動汽車第k個時刻的放電功率，Pi似表示第k個時刻用戶的 預測用電負荷，PpV似表示第k個時刻光伏陣列預測的輸出電能，似表示第k個時刻 產電多余量； 約束條件二 蓄電池運行約束其中，氏似表示第k個時刻蓄電池的剩余能量，Pba_dk(k)表示第k個時刻蓄電池的放 電功率，Pba_th(k)表示第k個時刻蓄電池的充電功率，巧r表示蓄電池運行的最大功率限 審IJ，ni表示蓄電池的充電效率，n康示蓄電池的放電效率，巧W表示蓄電池的儲能容量，wcr和wcr分別表示蓄電池的最小和最大儲能狀態； 約束條件= 電動汽車運行約束取電動汽車入網的初始儲能狀態為：取電動汽車離網前儲能狀態約束為：其中，a表不電動汽車參與V2G服務的開始時刻，b表不電動汽車參與V2G服務的結束 時刻，Ev2c；a)表示第i個時刻電動本文檔來自技高網...
【技術保護點】
一種計入可入網電動汽車的光伏電站最優容量的配置方法，其特征在于，該方法包含如下步驟：1)用戶輸入下列參數：光伏發電成本Cpv(元/kw)光伏發電的補貼Cpvsub(元/kwh)光伏額定轉換效率η光伏每平米的峰值輸出功率Ppvm1(w/m2)光伏使用年限npv一年的氣溫數據T一年的光照數據R棄產電多余懲罰因子Cabans(元/kwh)電價Cgrid(元/kwh)一年的用戶預測電負荷Pl(kw)蓄電池售價Cba(元/kwh)蓄電池充電效率η1蓄電池放電效率η2蓄電池最大充放電功率Psmax(kw)蓄電池使用年限nba蓄電池最小儲能狀態SOCsmin蓄電池最大儲能狀態SOCsmax電動汽車參與V2G服務開始時刻a電動汽車參與V2G服務結束時刻b電動汽車的電池充電效率η3電動汽車的電池放電效率η4電動汽車的最小儲能狀態SOCV2Gmin電動汽車的最大儲能狀態SOCV2Gmax電動汽車最大充放電功率PV2Gmax(kw)2)對于給定的光伏電站容量—光伏電站峰值功率PPVm、蓄電池容量和電動汽車電池容量的配置：以系統運行條件為約束，以用戶的日運行成本為目標函數，建立電能調度日優化模型：目標函數：minf＝fgrid+fabans+fp_loss其中，f表示光伏電站用戶的日運行成本，fgrid表示光伏電站用戶向電網購電的費用，fabans表示光伏電站丟棄多余的產電的懲罰成本，fp?loss表示蓄電池同時充放電的懲罰成本和電動汽車同時充放電的懲罰成本之和；fgrid=Σk=124Cgrid(k)*Pgrid(k)]]>其中，Cgrid(k)表示第k個時刻的電價，Pgrid(k)表示第k個時刻電網向光伏電站用戶提供的電量；fabans=Σk=124Cabans*Pabans(k)]]>其中，Cabans表示光伏電站丟棄多余的產電的懲罰因子，Pabans(k)表示第k個時刻光伏電站丟棄多余的產電量；fp_loss=Σk=124Cp_loss*[(1-η1)*Pba-ch(k)+(1/η2-1)*Pba-dis(k)]+Σi=abCp_loss*[(1-η3)*PV2G-ch(i)+(1/η4-1)*PV2G-dis(i)]]]>其中，CP?loss＝2*Cabans，Cp_loss表示包含蓄電池和電動汽車的儲能裝置，同時充放電的懲罰因子，η1表示蓄電池的充電效率，η2表示蓄電池的放電效率，η3表示電動汽車的充電效率，η4表示電動汽車的放電效率，Pba?ch(k)表示蓄電池第k個時刻的充電功率，Pba?dis(k)表示蓄電池第k個時刻的放電功率，PV2G?ch(i)表示電動汽車第i個時刻的充電功率，PV2G?dis(i)表示電動汽車第i個時刻的放電功率，a表示電動汽車參與V2G服務的開始時刻，b表示電動汽車參與V2G服務的結束時刻；約束條件一電能平衡Pgrid(k)+Pba?dis(k)+PV2G?dis(k)?Pba?ch(k)?PV2G?ch(k)?Pabans(k)＝Pl(k)?PPV(k)?????????????????????????????????????????(0≤a≤k≤b≤24,k∈N)Pgrid(k)+Pba?dis(k)?Pba?ch(k)?Pabans(k)＝Pl(k)?PPV(k)????????????????????????????????(0≤k≤a?1或b+1≤k≤24,k∈N)其中，a表示電動汽車參與V2G服務的開始時刻，b表示電動汽車參與V2G服務的結束時刻，Pgrid(k)表示第k個時刻電網向用戶供應的電能，Pba?dis(k)表示第k個時刻蓄電池的放電功率，Pba?ch(k)表示第k個時刻蓄電池的充電功率，PV2G?ch(k)表示電動汽車第k個時刻的充電功率，PV2G?dis(k)表示電動汽車第k個時刻的放電功率，Pl(k)表示第k個時刻用戶的預測用電負荷，PPV(k)表示第k個時刻光伏陣列預測的輸出電能，Pabans(k)表示第k個時刻產電多余量；約束條件二蓄電池運行約束Es(k)＝Es(k?1)+Pba?ch(k)*η1*1?Pba?dis(k)/η2*10≤Pba-ch(k)≤Pbamax]]>0≤Pba-dis(k)≤Pbamax]]>Estotal*SOCsmin≤Es(k)≤Estotal*SOCsmin,(1≤k≤24,k∈N)]]>取蓄電池初始儲能狀態為：Es0=Estotal*SOCsmin]]>其中，Es(k)表示第k個時刻蓄電池的剩余能量，Pba?dis(k)表示第k個時刻蓄電池的放電功率，Pba?ch(k)表示第k個時刻蓄電池的充電功率，...
【技術特征摘要】
【專利技術屬性】
技術研發人員：謝東，杜治，張籍，劉美華，專祥濤，康巧萍，張軒昂，
申請(專利權)人：國家電網公司，國網湖北省電力公司經濟技術研究院，武漢大學，
類型：發明
國別省市：北京;11
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。