1.本发明属于电力系统分布式光伏调度的种基制应用领域,尤其涉及一种基于云边协同机制的边协分布式光伏优化调度方法及系统
。
背景技术:
2.随着分布式光伏普及率的同机提高和电动汽车渗透率的逐步增加,其输出对系统的分布伏优法及间歇性影响不容忽视
。
可再生能源的式光协调调度对提高用户用电经济性
、
促进可再生能源消费具有重要意义
。化调
单个分布式光伏的度方调节能力受功率因数
、
容量等条件限制,系统仅根据并网点运行状态对其出力进行调节难以实现较大范围的种基制调节效果,同时随着储能的边协逐步增加,需要站在更高的同机角度,开展分布式光伏群控群调控制终端研制及示范应用,分布伏优法及综合考虑配电网全分布式电源群调群控局调控需求,式光协调各可调控资源进行长时间尺度调度
。化调
同时,度方电力共享与实时电价概念的引入,对分布式电源
、
负荷和电网的调度与可再生能源消费的影响值得深入研究
。
因此,在现有的应用中,低压配电网终端采集了大量的量测数据,作为信息管理中心,其终端可以与云端站点形成云边协同的运营管理系统,借助云边协同机制实现低压配电网的数据采集
、
状态感知和资源协同
。
云边协同机制可以实现分布式智能调度控制以及提高数据边缘利用率
。
而现有技术中,未涉及电能共享模式对消费者用电经济性和清洁能源消费行为的影响
。
此外,分布式电源调控涉及到多时间尺度
、
多类型资源
、
多利益主体之间的协调,电网现有的调控方法难以实现分布式电源系统的实时监控
、
高效协调与有序管理
。
因此,如何借助电能共享模式,实现分布式光伏等清洁能源间的协同,以及考虑灵活负荷下的优化调度策略,值得进一步探讨
。
技术实现要素:
3.为解决上述问题,本发明提出一种基于云边协同机制的分布式光伏优化调度策略,在将光伏视为一种共享能源的基础上,提出了一种基于云边协同机制的分布式光伏优化调度策略,建立了考虑用电总成本和光伏消费两个目标的消费者光伏和电动汽车负荷的日前调度模型,并采用非支配排序遗传算法对模型进行求解,采用满意度评价法选择最优折衷解;进一步地,基于云端协同机制,可以将上述技术部署在智能感知终端设备中,通过智能终端感知设备与家庭用电负荷
、
电动汽车负荷
、
其他家庭共享,使得终端设备执行云站的下行计算
、
存储和资源管理策略,满足任务所需资源的分配,实现电能共享,提高电网的运行经济性,降低能耗以及用电成本
。
本发明提出的云边协同分布式光伏优化调度策略有利于提高用户用电的经济效益,促进清洁能源的消费,具有广阔的应用前景
。
4.本发明结合工程实际,可适用于不同规模和容量下的分布式光伏协同调度策略的设计
。
5.本发明的技术方案如下:
6.一种基于云边协同机制的分布式光伏优化调度策略,其特征在于,包括以下步骤:
7.步骤1,设计云边协同机制,具体如下:
8.电网中的设备产生大量数据,上传到云端进行处理,给云端造成很大压力
。
为了分担中心云节点的压力,在低压配电网中设置的智能感知终端设备可以在自己的范围内负责数据的计算和存储
。
同时,大部分数据不是一次性数据,处理后的数据仍需要从终端节点采集到中心云
。
云计算可以做大数据分析和挖掘,数据共享,以及算法模型的训练和升级
。
云与终端的协同融合是云端协同机制
。
基于云端协同机制,在低压配电网中设置智能感知终端设备,接收并执行云站的下行计算和存储资源调度管理策略,满足任务所需资源的分配,降低能耗
。
9.步骤2,建立居民电价成本模型,具体如下:
10.居民电价成本模型的目标是将居民的总电力成本降至最低,即从电网购买电力的最低成本,如以下公式所示:
[0011][0012]
其中,
t,h
为时间和用户序号,
t
为优化调度时间区间,n为用户总数,mtb
为
t
时刻的电价,为用户居家负载的电量,为用户电动汽车的充电电量,
δ
t
为调度时间间隔
。
[0013]
步骤3,建立分布式光伏消纳模型,具体如下:
[0014]
以分布式光伏的最大消纳为优化目标,如以下公式所示:
[0015][0016]
其中,为分布式光伏提供给用户居家负载的功率,为分布式光伏的共享功率
。
[0017]
步骤4,确定约束,建立多目标优化模型,具体如下:
[0018]
以居民用电总成本最小和分布式光伏耗电量最大为目标,构建了低压配电网电动汽车与分布式光伏协调管控的多目标优化模型
。
[0019]
此外,还具有以下约束条件
。
[0020]
1)
用户居家的功率平衡约束;
[0021]
2)
低压配电网中电能共享平衡约束;
[0022]
3)
线路功率上限约束;
[0023]
4)
光伏输出约束;
[0024]
5)
电动汽车充放电约束
。
[0025]
步骤5,设计
nsga2
算法,求解多目标优化模型,具体如下:
[0026]
nsga2
算法采用了一种快速的非支配排序算法,与
nsga
相比,计算复杂度大大降低
。
用拥挤度和拥挤度比较算子代替需要指定的子代,作为快速排序后节点比较的获胜标准,使准
pareto
域中的个体扩展到整个
pareto
域,均匀分布,保持种群的多样性
。
引入精英策略,扩大了采样空间,防止了最优个体的丢失,提高了算法的速度和鲁棒性
。
该算法适用于复杂
、
非线性的多目标优化问题
。
[0027]
nsga2
算法,是基于
pareto
的多目标优化算法
。
其特点是在每一代遗传操作中,将父代和子代种群合并,进行非劣和拥挤距离的排序,从而形成新的种群,直到代数达到给定值时结束程序
。
[0028]
步骤6,提出满意度评价法,确定折衷解,具体如下:
[0029]
本发明采用满意度评价法来选择最优折衷方案
。
模糊隶属度函数是每个
pareto
解对应的目标函数的满足值,通过比较各自的满意度来找到最优折衷解
。
模糊隶属度函数是每个
pareto
解对应的目标函数的满足值,通过比较各自的满意度找到最优折衷解
。
模糊隶属度函数
μi,k为:
[0030][0031]
式中,
μ
i,k
为模糊隶属度函数值,fi,k
为第i个目标函数在第k个
pareto
解集中的解,fi,min
和fi,max
为第i个目标函数最小
、
最大的解,当
μ
i,k
=1和
μ
i,k
=0时,意味着这一解fi,k
是完全可以接受和完全不可以接受的
。
[0032]
利用以下公式,得到
pareto
解集中最优解的满意度评价值,
[0033][0034]
式中,
μk为第k个解的满意度评价值,m为优化目标个数
。
[0035]
步骤7,确定优化调度策略,具体如下:
[0036]
根据步骤6中确定的
pareto
解集中最优解中,对应的调度策略,即为优化调度策略
。
[0037]
在传统模式下,光伏发电产生的电能首先被负荷实时消耗,剩余的电能只能被丢弃
。
[0038]
一种基于云边协同机制的分布式光伏优化调度系统,包括若干智能感知终端设备,所述智能感知终端设备配置有所述基于云端协同机制的分布式光伏优化调度方法,通过智能终端感知设备与家庭用电负荷
、
电动汽车负荷
、
其他家庭共享,使得智能感知终端设备执行云站的下行计算
、
存储和资源管理策略
。
[0039]
因此,本发明具有如下优点:
[0040]
本发明提出的基于云边协同机制的分布式光伏优化调度策略,能够满足家庭负载和本地光伏的消纳,并基于电能共享模式和云边协同机制的调度策略,实现分布式光伏电能的共享,降低电动汽车的充电成本和家庭用电成本,提高光伏消纳率
。
附图说明
[0041]
图1是本发明方法流程图
。
[0042]
图2是电能共享下的能源信息流示意图
。
[0043]
图3是
nsga2
算法流程图
。
具体实施方式
[0044]
步骤1,设计云边协同机制,具体如下:
[0045]
电网中的设备产生大量数据,上传到云端进行处理,给云端造成很大压力
。
为了分担中心云节点的压力,在低压配电网中设置的智能感知终端设备可以在自己的范围内负责
数据的计算和存储
。
同时,大部分数据不是一次性数据,处理后的数据仍需要从终端节点采集到中心云
。
云计算可以做大数据分析和挖掘,数据共享,以及算法模型的训练和升级
。
云与终端的协同融合是云端协同机制
。
基于云端协同机制,在低压配电网中设置智能感知终端设备,接收并执行云站的下行计算和存储资源调度管理策略,满足任务所需资源的分配,降低能耗
。
智能感知终端设备负责制定低压配电网前天调度计划,监测和管理灵活负荷,降低用电成本,促进清洁能源消耗
。
低压配电网中的每个用户都有分布式光伏
、
充电桩
(
支持电动汽车充放电
)
和智能插座
。
电力共享模式下的能量流和信息流如图2所示,具体而言,家庭光伏发电优先利用自己家庭的日常负荷,即光伏到户
(pv2h)
过程;当光伏发电过剩时,可以通过智能终端感知设备与其他家庭共享,即光伏到户
(pv2c)
过程
。
具有
v2g
功能的电动汽车使用并连接到充电桩后,使用智能感知终端设备
ps-cems
控制充放电功率,降低充电成本,促进分布式光伏消费
。
[0046]
步骤2,建立居民电价成本模型,具体如下:
[0047]
居民电价成本模型的目标是将居民的总电力成本降至最低,即从电网购买电力的最低成本,如以下公式所示:
[0048][0049]
其中,
t,h
为时间和用户序号,
t
为优化调度时间区间,n为用户总数,mtb
为
t
时刻的电价,为用户居家负载的电量,为用户电动汽车的充电电量,
δ
t
为调度时间间隔
。
[0050]
步骤3,建立分布式光伏消纳模型,具体如下:
[0051]
以分布式光伏的最大消纳为优化目标,如以下公式所示:
[0052][0053]
其中,为分布式光伏提供给用户居家负载的功率,为分布式光伏的共享功率
。
[0054]
步骤4,确定约束,建立多目标优化模型,具体如下:
[0055]
以居民用电总成本最小和分布式光伏耗电量最大为目标,构建了低压配电网电动汽车与分布式光伏协调管控的多目标优化模型
。
包括步骤
2、
步骤3的优化目标,如下:
[0056][0057][0058]
此外,还具有以下约束条件
。
[0059]
1)
用户居家的功率平衡约束:
[0060][0061][0062]
式中,为居民h从其他居民或电网获得的功率,为分布式光伏提供给
用户居家负载的功率,为居民h从电网获取的功率,为居民h从其他居民或者分布式光伏获得的共享电能,
l
h,t
为居民h在
t
时刻的负载功率
。
[0063]
2)
低压配电网中电能共享平衡约束:
[0064][0065]
式中,为居民h从其他居民或者分布式光伏获得的共享功率,为分布式光伏的共享功率
。
本约束表明在任意时刻,共享出去的功率与获得的共享功率达到平衡
。
[0066]
3)
线路功率上限约束:
[0067][0068][0069]
式中,是线路能够承载的最大功率,为
0-1
变量,为
t
时刻线路上的功率,以确保线路功率流向唯一
。
[0070]
4)
光伏输出约束:
[0071][0072][0073]
式中,
η
dc-ac
为逆变器转换效率,为分布式光伏总功率;为分布式光伏的预测出力
。
[0074]
5)
电动汽车充放电约束:
[0075][0076]
式中,
η
ev-c
为充电桩的充电转换效率,分别为
ev
的实际充电功率和电网的充电负荷功率
。
[0077][0078]
式中,为
ev
最小充电
、
放电功率,为
0-1
变量,表示
ev
是否在充电
、
放电状态;为
ev
的充电
、
放电功率,为
ev
的实时荷电状态,为
ev
的
soc
最小
、
最大值,
η
ev-c
、
η
ev-d
为充电桩的充电
、
放电转换效率,为
ev
的电池容量,为期望的最终
soc
值,为结束时刻
ev
的
soc
状态,为起始时刻
ev
的
soc
状态
。
[0079]
步骤5,设计
nsga2
算法,求解多目标优化模型,具体如下:
[0080]
nsga2
算法采用了一种快速的非支配排序算法,与
nsga
相比,计算复杂度大大降低
。
用拥挤度和拥挤度比较算子代替需要指定的子代,作为快速排序后节点比较的获胜标准,使准
pareto
域中的个体扩展到整个
pareto
域,均匀分布,保持种群的多样性
。
引入精英策略,扩大了采样空间,防止了最优个体的丢失,提高了算法的速度和鲁棒性
。
该算法适用于复杂
、
非线性的多目标优化问题
。
[0081]
nsga2
算法,是基于
pareto
的多目标优化算法
。
其特点是在每一代遗传操作中,将父代和子代种群合并,进行非劣和拥挤距离的排序,从而形成新的种群,直到代数达到给定值时结束程序
。
程序实现过程如下:
[0082]
1)
根据算法应用的具体需要,随机生成给定个体总数的初代种群
p0
,并进行非支配排序,在染色体中加入非支配等级的信息;再对初代种群执行二元锦标赛选择
、
交叉和变异的遗传操作,得到初代子代种群
q0
,令
gen
=
0。
[0083]
2)
取新的群体
rt
=
pt∪qt
并进行非劣排序,得到非支配前端
f1
,
f2
,
…
。
[0084]
3)
对所有
fi
按拥挤距离排序,并取最好的n个个体形成种群
pt+1。
[0085]
4)
对种群
pt+1
执行复制
、
交叉和变异,形成新的种群
qt+1。
[0086]
5)
如果
gen》
设定值成立,则结束程序;否则,
gen
=
gen+1
,转到
2)。
[0087]
因此,在本文的算法中,以全天时间尺度下,分布式光伏提供给用户居家负载的功率分布式光伏的共享功率用户居家负载的电量
l
h,t
,居民从电网获取的功率居民h从其他居民或者分布式光伏获得的共享电能用户电动汽车的充电电量为
nsga2
算法的决策变量
。
上述的
minf1和
maxf2是
nsga2
算法的目标函数,在种群执行复制
、
交叉
、
变异的过程中,种群中每个个体的决策变量即为个体的染色体编码,且决策变量受到上述模型中的约束条件约束,即染色体编码的取值也在对应的约束范围内
。
迭代的各代种群中的每个个体都有对应的两个目标函数值
。
对于个体a和个体b,当
minf
1a
《minf
1b
,且
maxf
2a
》maxf
2b
.
,则说明个体a完全支配个体
b。
[0088]
算法输入的是各个决策变量的取值范围,最终算法收敛时得到的最终代种群中每个个体与其他个体都无法形成上述的完全支配的情况,则输出的是最终代种群中每个个体的染色体编码,即各个个体的决策变量和以及对应的目标函数值,且该种群之间的个体形成
pareto
解集
。
[0089]
nsga2
算法流程图如图3所示
。
[0090]
步骤6,提出满意度评价法,确定折衷解,具体如下:
[0091]
由于步骤5中,利用
nsga-2
算法求解模型,得到多个
pareto
最优解集,因此需要对多个
pareto
最优解集进行筛选和比较,以确定最优折衷解,从而确定源负荷相互作用调峰最优决策方案
。
各目标函数值的评价结果均较令人满意和不满意
。
在经典集合中,特征函数只能取0和1两个值,而在模糊集合中,特征函数的取值范围从两个元素的集合扩展到
(0
,
1)
的区间
。
因此,本发明采用满意度评价法来选择最优折衷方案
。
模糊隶属度函数是每个
pareto
解对应的目标函数的满足值,通过比较各自的满意度来找到最优折衷解
。
模糊隶属度函数是每个
pareto
解对应的目标函数的满足值,通过比较各自的满意度找到最优折衷解
。
模糊隶属度函数
μ
i,k
分别为:
[0092][0093][0094]
式中,
μ
i,k
为模糊隶属度函数值,fi,k
为第i个目标函数在第k个
pareto
解集中的解,fi,min
和fi,max
为第i个目标函数最小
、
最大的解,当
μ
i,k
=1和
μ
i,k
=0时,意味着这一解fi,k
是完全可以接受和完全不可以接受的
。
[0095]
利用以下公式,得到
pareto
解集中最优解的满意度评价值,
[0096][0097]
式中,
μk为第k个解的满意度评价值,m为优化目标个数,取
2。
[0098]
因此,根据步骤5中
nsga2
算法求解得到的
pareto
解集中各组解的目标函数f1,k
和f2,k
,求解
(30)-(32)
,从而得到
pareto
解集中第k个解的满意度评价值
μk。
[0099]
步骤7,确定优化调度策略,具体如下:
[0100]
根据步骤6中确定的
pareto
解集中最优解中,对应的调度策略,即为优化调度策略
。
[0101]
在传统模式下,光伏发电产生的电能首先被负荷实时消耗,剩余的电能只能被丢弃
。
在本发明提出的基于云边协同机制分布式光伏优化调度策略中,家庭光伏发电优先使用本户家庭日常负荷;当光伏发电过剩时,可以通过智能终端感知设备与其他家庭共享
。
[0102]
本发明还提供一种基于云边协同机制的分布式光伏优化调度系统,包括若干智能感知终端设备,所述智能感知终端设备配置有所述基于云端协同机制的分布式光伏优化调度方法,通过智能终端感知设备与家庭用电负荷
、
电动汽车负荷
、
其他家庭共享,使得智能感知终端设备执行云站的下行计算
、
存储和资源管理策略
。
[0103]
本领域内的技术人员应明白,本技术的实施例可提供为方法
、
系统
、
或计算机程序产品
。
因此,本技术可采用完全硬件实施例
、
完全软件实施例
、
或结合软件和硬件方面的实施例的形式
。
而且,本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质
(
包括但不限于磁盘存储器
、cd-rom、
光学存储器等
)
上实施的计算机程序产品的形式
。
本技术实施例中的方案可以采用各种计算机语言实现,例如,面向对象的程序设计语言
java
和直译式脚本语言
javascript
等
。
[0104]
本技术是参照根据本技术实施例的方法
、
设备
(
系统
)、
和计算机程序产品的流程图和
/
或方框图来描述的
。
应理解可由计算机程序指令实现流程图和
/
或方框图中的每一流程和
/
或方框
、
以及流程图和
/
或方框图中的流程和
/
或方框的结合
。
可提供这些计算机程序指令到通用计算机
、
专用计算机
、
嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和
/
或方框图一个方框或多个方框中指定的功能的装置
。
[0105]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和
/
或方框图一个方框或多个方框中指定的功能
。
[0106]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和
/
或方框图一个方框或多个方框中指定的功能的步骤
。
[0107]
尽管已描述了本技术的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改
。
所以,所附权利要求意欲解释为包括优选实施例以及落入本技术范围的所有变更和修改
。
[0108]
显然,本领域的技术人员可以对本技术进行各种改动和变型而不脱离本技术的精神和范围
。
这样,倘若本技术的这些修改和变型属于本技术权利要求及其等同技术的范围之内,则本技术也意图包含这些改动和变型在内
。