[发明专利]一种电动汽车充电网络与分布式能源联合优化调度方法

权利要求书

1.一种电动汽车充电网络与分布式能源联合优化调度方法，其特征在于：包括以下步骤：

步骤1、收集数据样本，包括电动汽车负荷数据、分布式能源出力数据；

步骤2、构建联合优化调度模型，以最大化可再生能源消纳为目标设置目标函数和约束条件，以获得最优电动汽车调度计划；

步骤3、基于粒子群算法进行联合优化调度模型求解；

步骤4、根据步骤3的输出结果确定最优调度方法。

2.根据权利要求1所述的一种电动汽车充电网络与分布式能源联合优化调度方法，其特征在于：所述步骤1的具体方法为：收集典型日的96点电动汽车负荷数据、风力发电数据和光伏发电数据样本。

3.根据权利要求1所述的一种电动汽车充电网络与分布式能源联合优化调度方法，其特征在于：所述步骤2的具体步骤包括：

(1)构建目标函数

按照最大化可再生能源消纳为目标，以电动汽车和燃气机组出力为优化对象，按96点进行计算；则目标函数为：

其中，P_{pv_i}为在第i个时刻的光伏发电功率，P_{w_i}为在第i个时刻的风力发电功率，Δt为时间间隔时长；

(2)构建约束条件

1)功率平衡约束

P_{load_i}+P_{ev_i}＝P_{g_i}+P_{pv_i}+P_{w_i} (2)

其中，P_{load_i}为购电在第i个时刻的负荷功率，P_{ev_i}为电动汽车系统在第i个时刻的负荷功率；

2)燃气轮机出力约束

|P_{g_(i+1)}-P_{g_i}|≤R·Q_g (3)

其中P_{g_i}为在第i个时刻的燃气电厂发电功率，P_{g_(i+1)}为为在第i+1个时刻的燃气电厂发电功率，R为燃气电厂的最大爬坡速率，Q_g为燃气电厂的总装机容量；

3)电动汽车充放电约束

P_{ev_i}≤N_t·P_{ev_in} (4)

SOC_t+1-SOC_t≥SOC_{demand_t} (6)

其中，P_{ev_in}为单辆电动汽车最大充电功率，SOC_t为在第i个时刻电动汽车的总荷电状态，SOC_t+1在第i+1个时刻电动汽车的总荷电状态，SOC_{demand_t}为t时刻到t+1时刻电动汽车需要的荷电变化量；

4)风光电量约束

Q_{pv_i}+Q_{w_i}＝Q_{o_i}-Q_{ev_i}-Q_{g_i} (7)

其中，Q_{pv_i}为光伏电厂在第i个时刻的售电电量，Q_{w_i}为风电场在第i个时刻的售电电量，Q_{o_i}为微网在第i个时刻的售电电量，Q_{ev_i}为电动汽车在第i个时刻的售电量，Q_{g_i}为燃气机组在第i个时刻的售电电量。

4.根据权利要求1所述的一种电动汽车充电网络与分布式能源联合优化调度方法，其特征在于：所述步骤3的具体步骤包括：

(1)参数确定：初始化粒子群算法参数，包括种群大小、初始位置和初始速度；

(2)适应值计算：计算各个粒子的适应值，并更新粒子的位置和速度；

适应值为一定充放电水平下的日风电光伏消纳量，计算公式如(8)：

速度更新公式为公式(9)：

V_k+1＝w*V_k+c₁*rand()*(p_best-X_k)+c₂*rand()*(g_best-X_k) (9)

其中，V_k+1为更新后的速度；w为惯性因子；V_k为当前速度；rand()为随机数生成函数，生成0-1之间的随机数；p_best为粒子当前实现的最优位置；X_k为粒子当前位置；c₁和c₂为学习因子，分别向本粒子历史最好位置和种群中当前最好位置进行学习；

位置更新公式为公式(10)：

X_k+1＝X_k+V_k+1 (10)

(3)通过粒子群算法求解最优调度策略：若满足最大迭代次数则退出，否则返回步骤(2)继续计算；

设定最大迭代次数为K，若未达到最大迭代次数，则返回步骤(2)进一步计算各个粒子的适应值，并更新粒子的位置和速度。