[发明专利]智能电网的储能调度方法和装置

摘要

本发明涉及一种智能电网的储能调度方法和装置，该方法包括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；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；采用基于四阶Gram‑Charlier级数展开式的两点估计法对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，获得满足约束条件的最优储能调度方案；依据最优储能调度方案对储能装置进行调度。本发明能够有效抑制智能电网的不确定性，使智能电网安全、稳定地运行。

主权项

一种智能电网的储能调度方法，其特征在于，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；所述风力发电机不确定模型的风速分布一般可用两参数威布尔概率密度分布函数拟合：f(vw)=(kwcw)(vwcw)kw-1exp[-(vwcw)kw]]]>其中，kw为威布尔分布的形状参数，cw为尺度参数，vw为实时风速；威布尔分布的数学期望与方差可用Gamma函数求取；在现实工程中，风力发电机功率与风速在数学模型中可表示成如下的分段函数：PWT=0vw≤vci,vw≥vcoPWT-r·vw-vcivr-vcivci≤vw≤vrPWT-rvr≤vw≤vco]]>其中，vr为额定风速，PWT‑r为风力发电机额定功率，vco为切出风速，vci为切入风速，vw为实时风速；对于所述负荷不确定性模型的模拟，通过历史负荷数据预测24小时的负荷曲线(即日负荷曲线)，再根据下式拟合出负荷的一般概率分布模型；f(Pf)=1σf2πexp[-(Pf-μf)22σf2]]]>其中：Pf为负荷功率，σf为负荷功率的标准差，μf为负荷功率的期望值；对于所述电动汽车充电不确定性模型，根据美国家庭交通出行调查数据(NHTS)结果显示，电动汽车的开始充电时刻服从一般正态分布，日行驶里程服从对数正态分布，相应的概率密度函数表达式如下：f(Tc)=1σT2πexp[-(Tc-μT)22σT2],(μT-12)<Tc≤241σT2πexp[-(Tc+24-μT)22σT2],0<Tc≤(μT-12)]]>f(D)=1DσD2πexp[-(lnD-μD)22σD2]0≤D≤200]]>其中，Tc为开始充电时刻，μT＝17.6，σT＝3.4；式(5)中，D为日行驶里程，其单位为公里，μD＝3.2，σD＝0.88；所需要求解的所述随机潮流方程为：PG(t)＝PWT(t)‑PBEV(t)‑Pf(t)‑PESS(t)其中，PG(t)为上级电网的注入功率，Pf(t)为负荷功率，PWT(t)为风力发电机功率，PESS(t)为储能装置的充放电功率，而PBEV(t)为电动汽车的充电功率，其受电动汽车开始充电时刻Tc、电动汽车日行驶里程D的影响；改进后的粒子群更新方程如下：其中：Vid为粒子当前运动速度，k为迭代次数，ω为惯性权重系数，代表粒子之前速度的保持程度，c1、c2为粒子的学习因子，Pid为第i个粒子自身优解，Xid为粒子的当前位置，r1、r2为[0,1]区间内随机数，Pgd为所有粒子当前搜索到的最优解，ωstart为初始惯性权重，ωend为迭代至最大次数时的惯性权重，Tmax为最大迭代次数；采用基于分段惯性递减权重的粒子群算法，对依据所述期望潮流分布建立的目标函数进行求解的过程包括：所述基于分段惯性递减权重的粒子群算法的迭代次数为1000，在前700次迭代中采用二次非线性惯性递减权重对所述目标函数进行寻优，在后300次迭代中采用线性惯性递减权重对所述目标函数进行寻优；所述目标函数为：F＝min(λ1·f1+λ2·f2+λ3·f3)其中，f1为所述智能电网的运行成本函数，f2为所述智能电网的供缺电量成本函数，f3为所述智能电网的储能装置成本函数，λ1、λ2、λ3均为权重系数，且满足λ1+λ2+λ3＝1。