[发明专利]一种基于风电曲线连续追踪的电动汽车负荷聚合方法

权利要求书

1.一种基于风电曲线连续追踪的电动汽车负荷聚合方法，其特征在于，包括：

构建电动汽车负荷消纳风电曲线聚合模型，得到电动汽车调用结果，通过所述电动汽车调用结果计算弃风电量；

构建所述电动汽车负荷消纳风电曲线聚合模型的过程包括：

采集风力出力功率，通过预测算法获得风电出力预测功率，采集各电动汽车充电负荷，将各电动汽车同一时段的充电负荷进行相加，得到电动汽车充电聚合负荷,以所述电动汽车充电聚合负荷与所述风电出力预测功率数值差值的最小绝对值为目标函数，以电动汽车聚合负荷规模、负荷互补为约束条件,构建电动汽车负荷消纳风电曲线聚合模型；

所述电动汽车负荷消纳风电曲线聚合模型的目标函数：

其中，F₁为电动汽车负荷聚合调用后与风电电量的偏差，W_t为风力发电厂在t时段的风电预测功率，P_t为除电动汽车负荷以外的用电侧负荷在t时段的功率，k_i为0-1决策变量，为第i个充电站在t时段的负荷，V_t为除风电外的其他发电厂在t时段的出力功率，T为时段数，ΔT为采样时间，N为在曲线连续追踪中参与聚合的充电站数量；

所述聚合负荷规模、负荷互补约束条件包括：

负荷规模约束：聚合负荷资源与需求侧总资源的比例：

其中，N为在曲线连续追踪中参与聚合的充电站数量，T为时段数，k_i为第i个充电站0-1决策变量，为第i个充电站在t时段的负荷，为电动汽车聚合资源占需求侧资源的最小比例，Q为需求侧资源电量；

负荷互补约束：不同负荷曲线间满足特征互补约束为：

k_i·k_jr_i,j≥r_min或k_i·k_jr_i,j＝0

其中，表示在不同i的值中取最小和不同t的值中取最小，为第i个充电站在t时段的负荷，P^E_j,t为第j个充电站在t时段的负荷，表示在不同i的值中取最大和不同t的值中取最大，r_i,j,t为第i条充电站负荷曲线与第j条负荷曲线在第t个时点的关联度，r_i,j为第i与j条充电站负荷曲线间的互补系数，ρ为分辨系数，T为时段数，k_i为第i个充电站的0-1决策变量，k_j为第j个充电站的0-1决策变量，r_min为负荷互补性的下限值；

利用储能设备优化所述弃风电量，获得储能调整优化后的弃风电量，设置储能功率与容量配置，构建储能调整优化后风电曲线连续追踪模型；

构建所述储能调整优化后风电曲线连续追踪模型的过程包括：

利用所述储能设备优化电动汽车聚合调用后的弃风电量，消纳所述储能设备优化前的弃风电量，以优化后的最小弃风电量为目标函数，给定储能功率与容量配置范围，以及电动汽车运行约束，构建储能调整优化后电动汽车进行风电曲线连续追踪模型；构建所述储能调整优化后电动汽车进行风电曲线连续追踪模型的目标函数：

其中，F₃为储能调整优化后的弃风电量,Q_t‘为t时段的弃风电量，T为时段数；

所述电动汽车运行约束条件包括：

F₃≤F₂

λ_s,t+λ_d,t≤1

SOC(t)＜G_ESS

其中，F₃为储能调整优化后的弃风电量,F₂为电动汽车聚合调用后的各时段弃风电量之和,s_t、d_t分别为t时刻储能的充电与放电功率，μ为储能设备的充放电效率，λ_s,t、λ_d,t分别为t时刻储能系统充放电状态的0-1变量，为放电功率的最大值，P_ESS、G_ESS分别为储能设备充放电功率与容量配置上限，SOC(t)为t时刻储能设备的荷电状态，SOC(t+1)为t+1时刻储能设备的荷电状态，ΔT为采样时间；

基于所述储能调整优化后风电曲线连续追踪模型，求解出所述储能设备各时间段的充放电功率，计算输出聚合的成本费用，得到最终输出成本与偏差优化后的电动汽车聚合连续追踪风电曲线方案。