基于动态规划的园区光伏与储能多目标优化调度方法.pdf

《基于动态规划的园区光伏与储能多目标优化调度方法.pdf》由会员分享，可在线阅读，更多相关《基于动态规划的园区光伏与储能多目标优化调度方法.pdf（10页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 202010658601.7 (22)申请日 2020.07.09 (71)申请人 国网山东省电力公司东营供电公司 地址 257081 山东省东营市东营区东营鲁 能方大电力工业园 申请人 国家电网有限公司 (72)发明人 胡宁司君诚刘航航王元元 刘彧挥刘琪季兴龙孙名妤 马晓祎任敬刚蔡言斌谢芸 张秋瑞苏小向张丹王燕 吕风磊 (74)专利代理机构 济南圣达知识产权代理有限 公司 37221 代理人 李琳 (51)Int.Cl. H02J 3/38(2006.01) H02J 3/32。

2、(2006.01) G06Q 10/06(2012.01) G06Q 50/06(2012.01) B60L 53/64(2019.01) B60L 53/51(2019.01) (54)发明名称 一种基于动态规划的园区光伏与储能多目 标优化调度方法 (57)摘要 本发明公开了一种基于动态规划的园区光 伏与储能多目标优化调度方法， 包括数据获取的 配电网接入的光伏场站发电功率、 配电网总负荷 和光伏场站内分布式储能的充放电功率， 以最小 化光伏场站等效负荷方差和、 最小化负荷峰谷差 以及最小化分布式储能充放电成本为目标构建 多目标优化调度函数； 以分布式储能充放电功 率、 电池储存容量与使用寿。

3、命构建约束条件， 在 约束条件下求解多目标优化调度函数， 得到光伏 场站接入配电网后最优发电功率。 实现分布式储 能接入电网的最优充放电功率和光伏场站并网 后的最优发电功率的协同调度。 权利要求书2页 说明书6页 附图1页 CN 111934344 A 2020.11.13 CN 111934344 A 1.一种基于动态规划的园区光伏与储能多目标优化调度方法， 其特征在于， 包括： 根据获取的配电网接入的光伏场站发电功率、 配电网总负荷和光伏场站内分布式储能 的充放电功率， 以最小化光伏场站等效负荷方差和、 最小化负荷峰谷差以及最小化分布式 储能充放电成本为目标构建多目标优化调度函数； 以分布。

4、式储能充放电功率、 电池储存容量与使用寿命、 分布式储能是否接收调度构建 约束条件， 在约束条件下求解多目标优化调度函数， 得到光伏场站接入配电网后最优发电 功率和分布式储能的充放电功率。 2.如权利要求1所述的一种基于动态规划的园区光伏与储能多目标优化调度方法， 其 特征在于， 所述多目标优化调度函数中， 最小化光伏场站等效负荷方差和的目标函数为： 其中， Pwt为区域电网中各个光伏场在第t时段总的发电功率值； P1t为区域电网中第t时 段时的总负荷需求值； Pavg表示1天内电力系统各时段负荷和的平均值； Pevt为在t时段时所 有分布式储能的充放电功率。 3.如权利要求1所述的一种基于动。

5、态规划的园区光伏与储能多目标优化调度方法， 其 特征在于， 所述多目标优化调度函数中， 最小化分布式储能充放电成本的目标函数为： 其中， r1t为分布式储能按分时电价充放电时t时段的充电电价； r2t为分布式储能按分时 电价充放电时t时段的放电电价； Pevt为在t时段时所有分布式储能的充放电功率； Cb为分布 式储能每单位容量的电池价格。 4.如权利要求1所述的一种基于动态规划的园区光伏与储能多目标优化调度方法， 其 特征在于， 所述多目标优化调度函数中， 最小化负荷峰谷差的目标函数为： P1tP1t-Pwt+Pevt minPLmax(P1t)-min(P1t) 其中， P1t为原负荷曲线。

6、调整后的负荷曲线； PL为调整后的负荷曲线峰谷差。 5.如权利要求1所述的一种基于动态规划的园区光伏与储能多目标优化调度方法， 其 特征在于， 所述约束条件中， 分布式储能充放电功率约束为： PevmtPevtPevMt Pevmt-N2tPevmax PevMtN2tPevmax N2tNev-N1t 其中， Pevt为所能调度的所有分布式储能在第t时段时的充放电功率； Pevmt为所能调度的 权利要求书 1/2 页 2 CN 111934344 A 2 所有分布式储能在第t段时的充放电功率最小值； PevMt为所能调度的所有分布式储能在第t 段时的充放电功率最大值； Nev为所能调度的所有。

7、分布式储能总数量； N1t为t时段内所有行 驶的分布式储能总数量； N2t为t时段内所有停驶的分布式储能总数量。 6.如权利要求1所述的一种基于动态规划的园区光伏与储能多目标优化调度方法， 其 特征在于， 所述约束条件中， 分布式储能电池剩余电量的极值约束为： SminSt+1Smax Smina1NevSevmax Smaxa2NevSevmax 式中， Smin和Smax分别为电池所剩余电量的最小、 最大值； Sevmax为每辆分布式储能的平均 容量的最大值， a1、 a2为分布式储能最少、 最多保存的电能。 7.如权利要求1所述的一种基于动态规划的园区光伏与储能多目标优化调度方法， 其 。

8、特征在于， 所述在约束条件下求解多目标优化调度函数的求解过程包括： 以分布式储能充放电功率为适应度函数， 采用多目标优化调度函数的倒数作为适应度 值； 采用轮盘赌法选择适应值最优的个体组成新种群； 对新种群中某两个个体按照一定的交叉概率和变异概率进行交叉操作和变异操作； 判断采用遗传算法进化次数是否是种群个体数目的倍数， 采用非线性规格进行局部寻 优， 并把局部最优值作为新个体进行进化， 直至得到分布式储能充放电功率的最优解。 8.一种基于动态规划的园区光伏与储能多目标优化调度系统， 其特征在于， 包括： 目标函数构建模块， 用于根据获取的配电网接入的光伏场站发电功率、 配电网总负荷 和光伏场。

9、站内分布式储能的充放电功率， 以最小化光伏场站等效负荷方差和、 最小化负荷 峰谷差以及最小化分布式储能充放电成本为目标构建多目标优化调度函数； 优化模块， 用于以分布式储能充放电功率、 电池储存容量与使用寿命、 分布式储能是否 接收调度构建约束条件， 在约束条件下求解多目标优化调度函数， 得到光伏场站接入配电 网后最优发电功率和分布式储能的充放电功率。 9.一种电子设备， 其特征在于， 包括存储器和处理器以及存储在存储器上并在处理器 上运行的计算机指令， 所述计算机指令被处理器运行时， 完成权利要求1-7任一项所述的方 法。 10.一种计算机可读存储介质， 其特征在于， 用于存储计算机指令， 。

10、所述计算机指令被 处理器执行时， 完成权利要求1-7任一项所述的方法。 权利要求书 2/2 页 3 CN 111934344 A 3 一种基于动态规划的园区光伏与储能多目标优化调度方法 技术领域 0001 本发明涉及电网调度技术领域， 特别是涉及一种基于动态规划的园区光伏与储能 多目标优化调度方法。 背景技术 0002 本部分的陈述仅仅是提供了与本发明相关的背景技术信息， 不必然构成在先技 术。 0003 目前电动汽车作为新能源发展的突出代表， 已取代传统的燃料汽车， 成为引领汽 车工业发展的重要趋势， 未来电动汽车的大批量接入将会对电力系统的稳定运行产生很大 的影响。 目前对系统配电网层面主。

11、要有对电压、 网损和谐波等方面的研究， 随着可再生能源 的发展， 光伏在世界能源格局中的比重不断增加， 光伏并网对电力系统的影响也越来越大； 在系统中， 光伏并网会伴有一定的弃光现象， 造成能源的浪费， 利用储能提升电网安全稳定 水平已成为未来高比例新能源电网的必然选择。 而发明人认为， 目前虽已有对电动汽车接 入电网和光伏并网协同调度的相关研究， 但电动汽车作为一种分布式储能， 如何综合考虑 分布式储能的状态和位置等随机性参数， 实现分布式储能的调度， 仍有待进一步研究。 发明内容 0004 为了解决上述问题， 本发明提出了一种基于动态规划的园区光伏与储能多目标优 化调度方法， 考虑网络约束。

12、、 电池充放电特性及状态约束， 通过以平抑电网负荷波动、 减少 电动汽车充放电成本以及调整后的负荷峰谷差建立多目标协同调度函数， 采用基于动态规 划和遗传算法对多目标协同调度模型进行优化， 针对分布式储能自发做出充放电的决策， 实现分布式的就地决策算法， 实现电动汽车接入电网的最优充放电功率和光伏并网后的最 优发电功率的协同调度。 0005 为了实现上述目的， 本发明采用如下技术方案： 0006 第一方面， 本发明提供一种基于动态规划的园区光伏与储能多目标优化调度方 法， 包括： 0007 根据获取的配电网接入的光伏场站发电功率、 配电网总负荷和光伏场站内分布式 储能的充放电功率， 以最小化光。

13、伏场站等效负荷方差和、 最小化负荷峰谷差以及最小化分 布式储能充放电成本为目标构建多目标优化调度函数； 0008 以分布式储能充放电功率、 电池储存容量与使用寿命、 分布式储能是否接收调度 构建约束条件， 在约束条件下求解多目标优化调度函数， 得到光伏场站接入配电网后最优 发电功率和分布式储能的充放电功率。 0009 第二方面， 本发明提供一种基于动态规划的园区光伏与储能多目标优化调度系 统， 包括： 0010 目标函数构建模块， 用于根据获取的配电网接入的光伏场站发电功率、 配电网总 负荷和光伏场站内分布式储能的充放电功率， 以最小化光伏场站等效负荷方差和、 最小化 说明书 1/6 页 4 。

14、CN 111934344 A 4 负荷峰谷差以及最小化分布式储能充放电成本为目标构建多目标优化调度函数； 0011 优化模块， 用于以分布式储能充放电功率、 电池储存容量与使用寿命、 分布式储能 是否接收调度构建约束条件， 在约束条件下求解多目标优化调度函数， 得到光伏场站接入 配电网后最优发电功率和分布式储能的充放电功率。 0012 第三方面， 本发明提供一种电子设备， 包括存储器和处理器以及存储在存储器上 并在处理器上运行的计算机指令， 所述计算机指令被处理器运行时， 完成第一方面所述的 方法。 0013 第四方面， 本发明提供一种计算机可读存储介质， 用于存储计算机指令， 所述计算 机指。

15、令被处理器执行时， 完成第一方面所述的方法。 0014 与现有技术相比， 本发明的有益效果为： 0015 1)本发明通过以平抑电网负荷波动、 减少电动汽车充放电成本以及调整后的负荷 峰谷差建立多目标协同调度函数， 采用基于动态规划和遗传算法对多目标协同调度模型进 行优化， 避免了优化算法的维数灾问题和计算速度缓慢的问题。 0016 2)本发明不需要分层， 不需要上下层之间协调， 算法结构简单， 这种调度方法适合 电动汽车电池分布广， 容量小的特点， 能够节省调度系统的投资， 实现更加灵活的配置。 附图说明 0017 构成本发明的一部分的说明书附图用来提供对本发明的进一步理解， 本发明的示 意性。

16、实施例及其说明用于解释本发明， 并不构成对本发明的不当限定。 0018 图1为本发明实施例1提供的一种基于动态规划的园区光伏与储能多目标优化调 度方法流程图。 具体实施方式： 0019 下面结合附图与实施例对本发明做进一步说明。 0020 应该指出， 以下详细说明都是示例性的， 旨在对本发明提供进一步的说明。 除非另 有指明， 本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常 理解的相同含义。 0021 需要注意的是， 这里所使用的术语仅是为了描述具体实施方式， 而非意图限制根 据本发明的示例性实施方式。 如在这里所使用的， 除非上下文另外明确指出， 否则单数形式 也意图。

17、包括复数形式， 此外， 还应当理解的是， 术语 “包括” 和 “具有” 以及他们的任何变形， 意图在于覆盖不排他的包含， 例如， 包含了一系列步骤或单元的过程、 方法、 系统、 产品或设 备不必限于清楚地列出的那些步骤或单元， 而是可包括没有清楚地列出的或对于这些过 程、 方法、 产品或设备固有的其它步骤或单元。 0022 在不冲突的情况下， 本发明中的实施例及实施例中的特征可以相互组合。 0023 实施例1 0024 如图1所示， 本实施例提供一种基于动态规划的园区光伏与储能多目标优化调度 方法， 包括： 0025 S1： 根据获取的配电网接入的光伏场站发电功率、 配电网总负荷和光伏场站内分。

18、 布式储能的充放电功率， 以最小化光伏场站等效负荷方差和、 最小化负荷峰谷差以及最小 说明书 2/6 页 5 CN 111934344 A 5 化分布式储能充放电成本为目标构建多目标优化调度函数； 0026 S2： 以分布式储能充放电功率、 电池储存容量与使用寿命、 分布式储能是否接收调 度构建约束条件， 在约束条件下求解多目标优化调度函数， 得到光伏场站接入配电网后最 优发电功率和分布式储能的充放电功率。 0027 在本实施例中， 以电动汽车为例， 考虑到电动汽车充放电时间与光伏发电均具备 较强的随机性， 本实施例设一个调度周期为1天， 并将1天分为24个时间段， 通过分时电价将 每一个时间。

19、段内的电动汽车充放电功率作为优化变量， 所述步骤S1具体包括： 0028 (1)在区域电网中， 大规模的电动汽车集中管理后， 可向电网提供调峰、 调频等多 种辅助服务， 本实施例把减少系统调峰容量不足而导致的弃光伏量考虑到电力系统负荷波 动中， 构建等效负荷方差和为最小的目标函数， 如下： 0029 0030 0031 其中， Pwt为区域电网中各个光伏场在第t时段总的发电功率值； P1t为区域电网中 第t时段时的总负荷需求值； Pavg表示1天内电力系统各时段负荷和的平均值； Pevt为在t时段 时所有电动汽车的充放电功率。 0032 (2)以满足电动汽车用户的充放电需求并降低充放电费用构建。

20、目标函数， 本实施 例考虑电动汽车充放电时对电池产生的损耗成本rb： 0033 0034 0035 式中， r1t为电动汽车按分时电价充放电时t时段的充电电价； r2t为电动汽车按分 时电价充放电时t时段的放电电价； 当Pevt小于等于0时， r10， r21； 反之， 当Pevt大于0时， r11， r20； Pevt小于等于0时代表电动汽车放电， 反之， 代表充电； t为计算时间长度； Cb 为电动汽车每单位容量的电池价格， 电动汽车以某型号M1为例， 电池容量为20kW， 电池价格 为2200元/kWh； k为电池全寿命所能使用的循环次数， 设为1600次， 可知rb0.1435元/kW。

21、h。 0036 (3)调整后的负荷峰谷差目标模型： 0037 P1tP1t-Pwt+Pevt 0038 min PLmax(P1t)-min(P1t) 0039 式中， P1t为原负荷曲线调整后的负荷曲线； PL为调整后的负荷曲线峰谷差。 0040 所述步骤S2中， 是否接受调度、 充放电功率约束、 电池储存能量约束和可用时间约 束分别表示为： 0041 (1)是否接收调度约束： 0042 每个分布式储能配置是否接受协同调度标志ucp,j(t)， ucp,j(t)0表示第j个分布 式储能不接受协同调度， 无论周围负荷处于什么水平， 此分布式储能始终处于充电状态； ucp,j(t)1表示第j个充。

22、电桩接受协同调度。 下一时间段充电概率阈值pev,j(t+1)： 说明书 3/6 页 6 CN 111934344 A 6 0043 0044 其中， 总容量p1l(t)、 等效负荷pavg(t)， 充电桩是否接受协同调度标志ucp,j(t)。 0045 (2)电动汽车充放电功率约束： 0046 PevmtPevtPevMt 0047 Pevmt-N2tPevmax 0048 PevMtN2tPevmax 0049 N2tNev-N1t 0050 式中， Pevt为所能调度的所有电动汽车在第t时段时的充放电功率； Pevmt为所能调 度的所有电动汽车在第t段时的充放电功率最小值； PevMt为。

23、所能调度的所有电动汽车在第t 段时的充放电功率最大值； Nev为所能调度的所有电动汽车总数量； N1t为t时段内所有行驶 的电动汽车总数量； N2t为t时段内所有停驶的电动汽车总数量。 0051 (3)电动汽车电池剩余电量的极值约束： 0052 SminSt+1Smax 0053 Smina1NevSevmax 0054 Smaxa2NevSevmax 0055 式中， Smin和Smax分别为电池所剩余电量的最小、 最大值； Sevmax为每辆电动汽车的平 均容量的最大值， a1、 a2为电动汽车至少、 至多能够保存的能量。 0056 St+1St+gPevmaxt-S1t 0057 式中，。

24、 St+1表示在第t时段电动汽车的剩余电量； St为在第t时段电动汽车的电池剩 余电量； S1t表示在t时段内所有行驶电动汽车的总耗电量； g为在第t时段内电动汽车的充放 电效率。 0058 S1tN1tS1av 0059 N2tC2tNev 0060 S1avSkmVevt 0061 式中， S1av表示电动汽车在一个时段中的平均行驶耗电量； C2t表示电动汽车在t时 段时的停驶概率； Skm表示电动汽车行使所需的平均耗电量； Vev表示电动汽车通常行驶的平 均速度。 0062 电动汽车整体的能量需求： 0063 0064 式中， Eevn表示为在这24个时段内电动汽车所需要的电能总量。 0。

25、065 所述步骤S2中， 在约束条件下， 采用遗传算法和动态规划寻优算法求解多目标优 化调度函数， 得到电动汽车最优充放电功率， 以电动汽车最优充电功率协同调度并网后光 伏场站的发电功率， 具体为： 0066 (1)种群初始化： 0067 把要求解目标模型的初始可行解通过实数编码表示成遗传空间的个体， 本文是把 说明书 4/6 页 7 CN 111934344 A 7 各时段的电动汽车充放电功率作为遗传空间的个体。 0068 (2)求解适应度函数： 0069 用来区分种群中电动汽车充放电功率是否为最优的标准是适应度函数， 一般是根 据所求目标模型变化得到。 目标模型值与其适应度值具有倒数相对性。

26、， 前者值越小， 后者值 越大， 所得到的个体就越优； 0070 采用函数值的倒数作为个体的适应度值， 函数值越小的个体， 适应度值越大， 个体 越优， 即： 0071 0072 (3)选择操作， 采用轮盘赌法从种群中选择适应度好的个体组成新的种群： 0073 选择操作是从每次迭代所产生的种群中选出优秀个体， 作为种群1， 并将大于子代 最优值的父代最优值代替子代的最差值， 作为种群2， 将种群1和种群2结合形成新的种群， 然后利用轮盘赌法繁衍到下一代的个体， 下式表示个体i被选中的概率为： 0074 0075 其中， Fi为某一个体i的适应度值； Fj为种群中所有个体数目适应度值。 0076。

27、 (4)交叉操作为从新种群中选择两个个体， 按照一定概率交叉得到新个体， 变异操 作为从新种群中随机选择一个个体， 按照一定概率变异得到新个体； 0077 将选择操作后所产生的新种群中某两个个体按照一定的交叉概率和变异概率进 行变化， 可使种群进一步进化， 使其具有多样性。 0078 (5)非线性寻优， 即局部寻优， 判断进化次数是否是种群个体数目的倍数， 把利用 遗传算法每次进化后所得到的次优可行解作为种群初始可行解值， 然后再利用fmincon函 数进行局部搜索寻优， 并把所寻到的局部优化可行解作为新遗传个体继续进化。 0079 实施例2 0080 本实施例提供一种基于动态规划的园区光伏与。

28、储能多目标优化调度方法及系统， 包括： 0081 目标函数构建模块， 用于根据获取的配电网接入的光伏场站发电功率、 配电网总 负荷和光伏场站内分布式储能的充放电功率， 以最小化光伏场站等效负荷方差和、 最小化 负荷峰谷差以及最小化分布式储能充放电成本为目标构建多目标优化调度函数； 0082 优化模块， 用于以分布式储能充放电功率、 电池储存容量与使用寿命、 分布式储能 是否接收调度构建约束条件， 在约束条件下求解多目标优化调度函数， 得到光伏场站接入 配电网后最优发电功率和分布式储能的充放电功率。 0083 此处需要说明的是， 上述模块对应于实施例1中的步骤S1至S2， 上述模块与对应的 步骤。

29、所实现的示例和应用场景相同， 但不限于上述实施例1所公开的内容。 需要说明的是， 上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。 0084 在更多实施例中， 还提供： 0085 一种电子设备， 包括存储器和处理器以及存储在存储器上并在处理器上运行的计 算机指令， 所述计算机指令被处理器运行时， 完成实施例1中所述的方法。 为了简洁， 在此不 说明书 5/6 页 8 CN 111934344 A 8 再赘述。 0086 应理解， 本实施例中， 处理器可以是中央处理单元CPU， 处理器还可以是其他通用 处理器、 数字信号处理器DSP、 专用集成电路ASIC， 现成可编程。

30、门阵列FPGA或者其他可编程 逻辑器件、 分立门或者晶体管逻辑器件、 分立硬件组件等。 通用处理器可以是微处理器或者 该处理器也可以是任何常规的处理器等。 0087 存储器可以包括只读存储器和随机存取存储器， 并向处理器提供指令和数据、 存 储器的一部分还可以包括非易失性随机存储器。 例如， 存储器还可以存储设备类型的信息。 0088 一种计算机可读存储介质， 用于存储计算机指令， 所述计算机指令被处理器执行 时， 完成实施例1中所述的方法。 0089 实施例1中的方法可以直接体现为硬件处理器执行完成， 或者用处理器中的硬件 及软件模块组合执行完成。 软件模块可以位于随机存储器、 闪存、 只读。

31、存储器、 可编程只读 存储器或者电可擦写可编程存储器、 寄存器等本领域成熟的存储介质中。 该存储介质位于 存储器， 处理器读取存储器中的信息， 结合其硬件完成上述方法的步骤。 为避免重复， 这里 不再详细描述。 0090 本领域普通技术人员可以意识到， 结合本实施例描述的各示例的单元即算法步 骤， 能够以电子硬件或者计算机软件和电子硬件的结合来实现。 这些功能究竟以硬件还是 软件方式来执行， 取决于技术方案的特定应用和设计约束条件。 专业技术人员可以对每个 特定的应用来使用不同方法来实现所描述的功能， 但是这种实现不应认为超出本申请的范 围。 0091 以上仅为本发明的优选实施例而已， 并不用于限制本发明， 对于本领域的技术人 员来说， 本发明可以有各种更改和变化。 凡在本发明的精神和原则之内， 所作的任何修改、 等同替换、 改进等， 均应包含在本发明的保护范围之内。 0092 上述虽然结合附图对本发明的具体实施方式进行了描述， 但并非对本发明保护范 围的限制， 所属领域技术人员应该明白， 在本发明的技术方案的基础上， 本领域技术人员不 需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。 说明书 6/6 页 9 CN 111934344 A 9 图1 说明书附图 1/1 页 10 CN 111934344 A 10 。