Page 71 - 电力与能源2024年第三期
P. 71
秦振华:智能充电站运营系统决策模型优化研究 345
车在配电网负荷低谷进行充电,在配电网负荷高 时,电动汽车充电,当 S x,y=0,电动汽车未进行充
峰时期反向向电网放电,从而优化整个配电网的 放电。
容量配置 。该方法还能有效抑制由于新能源发 (2)充 电 站 优 化 逻 辑 过 程 。 将 96 个 全 天 时
[6]
电系统的波动性和随机性所导致的“弃风”弃光” 间 段 与 居 民 生 活 的 负 荷 预 测 进 行 叠 加 ,即 可 获
“
现象,提高新能源消纳能力。 得 96 个时间段内的配电网的有功负荷曲线。充
本文通过滚动优化法对充电站的充电时间进 电站的优化策略是确定每个停车位在每个时间段
行合理时段划分,然后利用灰色理论预测电动汽 的充电状态与充电负荷。优化的目标为:减小总
车的充电负荷功率,最后通过粒子群优化算法优 负荷的波动,减少负荷峰值与负荷谷值的差距,使
化求解在各个时段内电动汽车的充电功率,从而 供电商与居民的利益最大化。充电决策优化流程
得到电动汽车充电功率的最优曲线。 如图 1 所示。
1 充电站决策模型
充电站集中管理系统利用充电设备收集信息
并发布命令。当电动汽车通过充电设备接入电网
时,系统能够收集到电动汽车的当前荷电状态、到
达时间、预期离开时间等参数。基于这些参数,管
理系统能够安排合理的充电计划,充电设备按照
充电计划实现电动汽车的充电过程。
(1)划分充电时段。采用滚动优化方法对充
电时段进行划分,每个时段内充电控制参数保持 图 1 充电决策优化流程
不变,参考配电网居民每隔 15 min 采集一次用电
(3)短期负荷预测。在制定充电站决策和充
信 息 的 做 法 ,将 充 电 站 的 充 电 时 间 段 也 按 照 每
电计划时,首先根据居民用电负荷序列,利用灰色
15 min 进 行 划 分 ,这 样 全 天 共 划 分 为 96 个 时 间
理论预测短期内居民的用电负荷,时间序列公式
段。该充电站停车状态矩阵可表示为
如下:
ê é p 1,1 ⋯ p x,1 ⋯ p 96,1 ù ú ú X ={X ( ) 1 ,X ( ) 2 ,⋯,X ( ) n }
0
0
0
0
ê ê ú (3)
ê ê ⋮ ⋱ ⋯ ⋱ ⋮ ú ú
ê ê ú 利用式(3)所示的时间序列可生成新的时间
ê
ê
P = p 1,y ⋯ p x,y ⋯ p 96,y ú ú (1)
ê ê ú 序列,表示如下:
ê ê ⋮ ⋱ ⋯ ⋱ ⋮ ú ú
ê ú X ={X ( ) 1 ,X ( ) 2 ,⋯,X ( ) n } (4)
1
1
1
1
ë p 1,M ⋯ p x,M ⋯ p 96,M û
新时间序列中的个体通过下式获取:
式中 p x,y——在第 x 时间段内第 y 个停车位的停
n
X
车状态,当 p x,y=1 时,说明该停车位有车停放,当 X (t) = ∑ ( ) t ( t = 1,2,3,…,n ) (5)
0
1
t = 1
p x,y=0 时,表明该停车位没有车停放。
对于式(4)新生成的时间序列,采用灰色理论
电动汽车的充电状态矩阵可表示为
实现微分方程转换,可表示如下:
ê ê é S 1,1 ⋯ S x,1 ⋯ S 96,1 ù ú ú é -0. 5 ×[ X ( ) 2 + X ( ) 1 ] t ù
1
1
ê ê ⋮ ⋱ ⋯ ⋱ ⋮ ú ú ê ê ê ê ú ú
1
1
S P = ê ê ê ê S 1,y ⋯ S x,y ⋯ S 96,y ú ú ú (2) ê -0. 5 ×[ X ( ) 3 + X ( ) 2 ] t ú ú ú ú (6)
ê
ê ê ú ú C = ê ê ú ú
ê ê ⋮ ⋱ ⋯ ⋱ ⋮ ú ê ê ⋮
ê ê ú ú ê ê -0. 5 ×[ X ( ) n + X ( n - 1 ] t ú ú
)
1
1
ëS 1,M ⋯ S x,M ⋯ S 96,M û ë û
式中 S x,y——在第 x 个时间段第 y 个停车位的充 式中 C——电动汽车充电负荷序列。
电状态,当 S x,y=—1 时,电动汽车放电,当 S x,y=1 在 未 来 时 间 段 ,电 动 汽 车 充 电 负 荷 可 表 示