[发明专利]一种基于柔性负荷动态特性的台区弹性调度方法与装置

权利要求书

1.一种基于柔性负荷动态特性的台区弹性调度方法，其特征在于：包括如下步骤：

建立多目标优化模型；

采用多目标粒子群优化算法对多目标优化模型求解得到最优解集；

根据最优解集中的电动汽车的可调度资源和空调最大可削减量对负荷进行削峰填谷的调度；

所述多目标优化模型如下：

式中，P_car(t)为t时间段台区提供给电动汽车的可调度资源；T为全天计算时间段数；P_average为负荷平均值；car_need(t)为电动汽车t时间段的充电需求值；P_elastic(t)为t时间段电网提供给电动汽车的可充电资源，P_load(t)为t时间段的常规负荷值，其中包括削峰后的空调负荷；

多目标优化模型约束条件为：

P_car(t)＞car_need(t) (9)

P_air(t)＜air_max(t) (10)

P_car(t)＜P_elastic(t) (11)

其中，sum_car为电动汽车的总充电量，P_air(t)为t时间段的空调削峰值，air_max(t)为t时间段的空调最大可削峰量。

2.根据权利要求1所述的一种基于柔性负荷动态特性的台区弹性调度方法，其特征在于：所述car_need(t)由电动汽车充电需求负荷曲线获得；获得电动汽车充电需求负荷曲线包括如下步骤：

根据日最远行驶里程d_max，计算得到充电时长T_ch；

根据出行时间t₁抽取出每天的充电起始时刻；

通过充电时长和充电功率，计算得到电动车每分钟的充电需求，累加所有电动汽车在相同时间下的需求量；

式中，d_max表示电动汽车群的最远行驶里程；ω为电动汽车行驶每公里的耗电量；P_ch表示充电功率；

式中，μ_d为行驶距离期望值，δ_d为行驶距离标准差；

电动汽车出行时间可近似为对数正态分布模型，其概率密度函数如下：

式中，t₁为每辆电动汽车的出行时间，μ_t为出行时间期望值，δ_t为出行时间标准差；通过仿真算法计算公式(2)、公式(3)得到d_max、t₁。

3.根据权利要求1所述的一种基于柔性负荷动态特性的台区弹性调度方法，其特征在于：所述空调最大可削峰量为两种模式下的所需空调负荷的差值；两种模式包括：一种正常模式，空调一直开启，直到室内与室外温度相同时关闭；另一种是循环模式，开启后根据预测的工作时长有间断的开关；循环模式下空调负荷预测步骤如下：

不同空调开启时刻可近似为对数正态分布模型，其概率密度函数为：

式中：t₂为每台空调的开启时刻，μ_t为开启时刻期望值，δ_t为开启时刻标准差；

而空调使用时长也可近似为对数正态分布模型，其概率密度函数如下：

式中：L为每台空调的使用时长，μ_L为使用时长期望值，δ_L为使用时长标准差；

通过仿真算法计算公式(4)、公式(5)得到t₂、L，根据空调额定功率计算得到各时间段的空调负荷。