[发明专利]智能电网的储能调度方法和装置

说明书

技术领域

本发明涉及智能电网领域，特别是涉及一种智能电网的储能调度方法和装置。

背景技术

伴随着智能电网技术的日益成熟，风力发电、电动汽车领域发展迅猛，二者的随机性特点必然给智能电网的运行带来诸多不确定因素，而在智能电网中接入储能单元可以减小上述不确定性带来的风险。

随机潮流是电力系统稳态运行的一种宏观统计方法，用概率论来表述系统运行中的不确定性，可计算出系统稳态运行的整体样本信息，随着风力发电、电动汽车等随机因素单元的大规模并入电网，电力系统的不确定性愈发明显，因此，在随机潮流的基础上研究智能电网的安全运行特性更贴合实际工况。目前在计算随机潮流与储能优化领域已有诸多研究成果。但目前研究出的储能调度方法其精确度和效率均较低，不利于抑制智能电网的不确定性。

发明内容

基于此，本发明提供一种智能电网的储能调度方法和装置，优化智能电网中的储能调度，抑制智能电网的不确定性。

为实现上述目的，本发明实施例采用以下技术方案：

一种智能电网的储能调度方法，包括如下步骤：

获取智能电网中的风力发电机不确定模型、负荷不确定性模型以及电动汽车充电不确定性模型；所述智能电网中包含风力发电机、储能装置以及电动汽车充电站；

根据所述风力发电机不确定模型、负荷不确定性模型以及电动汽车充电不确定性模型，采用基于四阶Gram-Charlier级数展开式的两点估计法对所述智能电网进行随机潮流计算，并对随机潮流计算结果进行随机采样，获得期望潮流分布；

依据所述期望潮流分布确定约束条件，采用基于分段惯性递减权重的粒子群算法，对预先建立的目标函数进行求解，获得满足所述约束条件的最优储能调度方案；

依据所述最优储能调度方案对所述智能电网中的所述储能装置进行调度。

一种智能电网的储能调度装置，包括：

不确定模型获取模块，用于获取智能电网中的风力发电机不确定模型、负荷不确定性模型以及电动汽车充电不确定性模型；所述智能电网中包含风力发电机、储能装置以及电动汽车充电站；

随机潮流计算模块，用于根据所述风力发电机不确定模型、负荷不确定性模型以及电动汽车充电不确定性模型，采用基于四阶Gram-Charlier级数展开式的两点估计法对所述智能电网进行随机潮流计算，并对随机潮流计算结果进行随机采样，获得期望潮流分布；

寻优模块，用于依据所述期望潮流分布确定约束条件，采用基于分段惯性递减权重的粒子群算法，对预先建立的目标函数进行求解，获得满足所述约束条件的最优储能调度方案；

优化调度模块，用于依据所述最优储能调度方案对所述智能电网中的所述储能装置进行调度。

根据本发明实施例的上述技术方案，在对智能电话进行储能调度时，引入风力发电机不确定模型、负荷不确定性模型以及电动汽车充电不确定性模型，并通过基于四阶Gram-Charlier级数展开式的两点估计法进行高精度、高效率的随机潮流计算，依据随机潮流计算的结果确定约束条件，然后采用基于分段惯性递减权重的粒子群算法，对预先建立的目标函数进行求解，获得满足约束条件的最优储能调度方案，从而依据最优储能调度方案对智能电网中进行储能调度。

本发明实施例中采用基于四阶Gram-Charlier级数展开式的两点估计法进行随机潮流计算，其具有高精度、高效率的优点。本发明实施例中使用基于分段惯性递减权重的粒子群算法对目标函数进行求解，相较于基于单一线性递减惯性权重或单一非线性递减惯性权重的粒子群算法相比，一方面能够加快前期收敛速度，另一方面在迭代后期使算法具有更好的跳出次优解的能力，因此能够准确地找到最优解，获得最优储能调度方案，依据该最优储能调度方案对智能电网进行储能调度后能有效抑制不确定性，使智能电网能够安全、稳定地运行。

附图说明

图1是本发明的智能电网的储能调度方法在一个实施例中的流程示意图；

图2为本发明实施例中风力发电机功率曲线示意图；

图3为本发明实施例中采用基于四阶Gram-Charlier级数展开式的两点估计法以及基于分段惯性递减权重的粒子群算法进行求解的流程示意图；

图4为本发明实施例中智能电网的结构示意图；

图5为本发明实施例中采用的比亚迪F3DM车型的电池参数；

图6为本发明实施例中采用不同算法模拟的节点1功率概率密度分布示意图；

图7为本发明实施例中计算出的智能电网各元件调度期望值；