计及灵活性储能调节的网-源-储-充协调优化调度方法与流程

1.本发明涉及能源优化调度技术，更具体的说，是涉及一种计及灵活性储能调节的网-源-储-充协调优化调度方法。


背景技术：

2.我国作为能源消耗大国，发展大规模风电和光伏等新能源是我国的战略趋势。但由于间歇式新能源所固有的随机性、波动性和间歇性等特征，使得大规模新能源的发电特性难以满足接入电网的要求，制约着我国新能源的发展。
3.针对上述问题，理论研究和实践证明，储能技术的引入可以有效改善间歇式电源运行性能，提升电力系统调控能力，增强电网的适应能力。其中，电化学储能由于功率密度高、选址灵活、响应速度快等特点，已经成为现阶段各国研究机构的重点研究方向。同时，近年来移动式储能在配电网故障抢修、灾后供电保障、通信基站和政府、医院等领域的应急供电保障等方面展现出了很大的优势和发展潜力。然而，针对移动储能车与储能电站、风-光新能源发电等的集成优化问题研究，目前尚无相关的理论和技术作为支撑，仍处于起步阶段。


技术实现要素：

4.本发明的目的是为了克服现有技术中的不足，提出了计及储能车空间移动属性的网-源-储-充双层优化方法，即一种计及灵活性储能调节的网-源-储-充协调优化调度方法，通过将遗传算法作为上层优化，将日内储能优化调度作为下层优化，开展网-源-储-充资源的协同策略研究。
5.本发明的目的是通过以下技术方案实现的。
6.本发明计及灵活性储能调节的网-源-储-充协调优化调度方法，包括以下过程：
7.第一步：在已知储能车的初始路网节点，以及存在充放电需求的配电网节点的前提下，得出储能车的所有初始调度方案；
8.第二步：根据储能车的初始电量、路网车流量情况及车速-流量实用模型，得到储能车从起始节点到达目标节点过程中行驶在每个路段所需的时间，并依照储能车行驶总时长最短的原则，建立路径选择优化模型；
9.第三步：根据路径选择优化模型，确定储能车行驶路径，根据储能车各类损耗数据，建立储能车行程耗能模型，得到储能车在每个路段的耗电量以及全程耗电量，进而得到储能车在行驶过程中的损耗成本；
10.第四步：计算储能车调度成本，包括初始充电成本和日内调度成本；
11.第五步：将各储能车初始调度方案对应的总调度成本作为遗传算法的适应度，利用遗传算法，得到总调度成本最低的储能车最优调度方案；其中，总调度成本包括损耗成本和储能车调度成本。
12.第二步中所述车速-流量实用模型：
[0013][0014]
式中，v
jlt
表示在t时刻位于路网节点j与l之间的路段上的行车速度；v
jl,max
表示路网节点j与l之间路段的最大车辆行驶速度，设定为路段的车辆交通限速；n
cr,jlt
表示t时刻路网节点j与l之间路段上的车辆数；c
jl
表示路网节点j与l之间路段的车辆承载能力，其中承载能力表示为路段中能够承载的最大车辆数；a、b、n则为调节系数，根据道路的具体特点进行确定。
[0015]
第二步中所述路径选择优化模型：
[0016][0017]
式中，n
road
表示在路网中的所有路段的集合；o和d分别表示交通道路图中某条调度路线的起始节点和目标节点；tk表示在从o到d的过程中在路段k的通行时间；route_i表示从o到d的第i条路径，其中i∈i，i表示从o到d所有可行路径的数量；表示从o到d的总出行时间。
[0018]
第三步中所述储能车行程耗能模型：储能车在道路上行驶的损耗包括轮胎损耗、空气阻力损耗、能动系统损耗和辅助损耗；
[0019]
轮胎阻力f
fric
和空气阻力f
aero
采用如下经验式计算：
[0020]ffric
+f
aero
＝a+bv+cv2[0021]
式中，v为速度，单位为m/s；a、b、c分别为阻力参数；
[0022]
能动系统损耗主要考虑储能车在加速状态下的损耗，加速所需的力f
acce
表示为：
[0023]facce
＝m
mesames
[0024]
式中，m
mes
为储能车的质量，单位为kg；a
mes
表示储能车加速度，单位为m/s2；
[0025]
因此，电动机处所需的力矩m为：
[0026][0027]
式中，m
cf
是经换算后的空载力矩；r为轮胎半径，单位是m；ng和ηg分别表示传输系数比和传输效率；
[0028]
储能车的角速度ω表示为：
[0029][0030]
由此得到直流侧有功功率p
dc
如下：
[0031][0032]
式中，ηm为电动机的效率；pfm为电动机的功率因数；η
inv
为逆变器传输效率；p
aux
为辅助损耗，本发明中取0.18kw。
[0033]
第四步中首先根据储能车在初始节点的剩余电量及路网模型，判断储能车是否有初始充电成本；在储能车到达目标节点后，再根据实时电价情况，得到各初始调度方案下储能车的最优充放电操作及最低的日内调度成本。
[0034]
所述路网模型采用经典图论方法来描述，利用代表道路权值的邻接矩阵d来描述各路段长度以及节点连接的关系。
[0035]
所述储能车的最优充放电操作应满足储能车电量约束、储能车充放电功率约束、储能车调控时间约束；
[0036]
①
储能车电量约束
[0037]
soc
min
≤soc
t
≤soc
max
[0038]
式中，soc
t
表示每辆储能车的实时荷电状态，soc
min
表示储能车电量的下限，soc
max
表示储能车电量的上限；
[0039]
②
储能车充放电功率约束
[0040]
0≤p
t
≤p
max
[0041]
式中，p
t
表示储能车充放电功率，p
max
表示储能车的最大充放电功率；
[0042]
③
储能车调控时间约束
[0043]
t
in
≤t
dis
≤t
out
[0044]
式中，t
dis
表示储能车调控时间，t
in
与t
out
分别表示储能车接入与接出电网的时间。
[0045]
第五步中所述总调度成本包括损耗成本和储能车调度成本，如下式：
[0046][0047]
式中，c代表n辆储能车的总调度成本，当总调度成本最小时，对应的储能车充放电操作即为最优充放电操作方案；c
0i
为第i辆储能车在其起始节点预先充电的成本；c
1i
为第i辆储能车在到达目标节点后的充电成本，该充电成本与储能车在行驶过程中的损耗成本有关，损耗成本越低该部分充电成本越低；c
2i
为第i辆储能车在对应节点的放电成本；c
3i
为第i辆储能车放电后，为保证第二天的调度，再次充电至电量阈值的充电成本；
[0048]c0i
＝p
0i
*cp
0i
*t
0i
[0049]
式中，p
0i
表示第i辆储能车在其起始节点预先充电时刻的电价，cp
0i
表示第i辆储能车在其起始节点预先充电时刻的充电功率，t
0i
表示第i辆储能车在其起始节点以大小为cp
0i
的功率充电的时间；
[0050]c1i
＝p
1i
*cp
1i
*t
1i
[0051]
式中，p
1i
表示第i辆储能车到达目标节点后进行充电时刻的电价，cp
1i
表示第i辆储能车到达目标节点后进行充电时刻的充电功率，t
1i
表示第i辆储能车到达目标节点后以大小为cp
1i
的功率充电的时间；
[0052]c2i
＝p
2i
*dcp
1i
*t
2i
[0053]
式中，p
2i
表示第i辆储能车在对应节点放电时刻的电价，dcp
1i
表示第i辆储能车在对应节点放电时刻的放电功率，t
2i
表示第i辆储能车在对应节点以大小为dcp
1i
的功率放电的时间；
[0054]c3i
＝p
3i
*cp
2i
*t
3i
[0055]
式中，p
3i
表示第i辆储能车最后充电时刻的电价，cp
2i
表示此时第i辆储能车最后
充电时刻充电功率，t
3i
表示第i辆储能车以大小为cp
2i
的功率充电的时间。
[0056]
第五步中所述遗传算法的计算过程：
[0057]
1)设置某些节点拥有初始储能车资源及充放电需求，得到初始群体：储能车初始调度方案；
[0058]
2)取适应度函数为各储能车初始调度方案对应的总调度成本；
[0059]
3)设置交叉率和变异率分别为0.3和0.1，进行交叉和变异操作；
[0060]
4)设置终止准则：储能车在某初始调度方案下，能否满足目标节点的充放电需求；
[0061]
5)如果不满足终止准则，则转到步骤2)，否则转入下一步；
[0062]
6)将适应度函数值最优的个体作为该问题的最优解输出
[0063]
与现有技术相比，本发明的技术方案所带来的有益效果是：
[0064]
(1)本发明在网-源-储-充协调优化调度过程中，充分考虑了储能车的空间移动特性，并综合路网模型、日内车流量情况和储能车的行程耗时、耗能模型等因素，得到储能车向目标节点调度的最优方案。
[0065]
(2)本发明在储能车到达目标节点后，利用日内储能优化调度进行下层优化，得到最经济的储能车充放电调度方案，并综合考虑储能车在行驶过程中的损耗成本和日内储能优化调度成本，两部分成本共同构成遗传算法中的适应度函数。
[0066]
(3)本发明得到适应度函数后，利用遗传算法进行上层优化。通过双层优化，得到使得总调度成本最低的储能车最优调度方案及日内充放电操作。该方法既保证了目标节点的充放电需求得到满足，又同时使得储能车调度成本最低。
附图说明
[0067]
图1是本发明实施例使用的案例地区路网节点道路拓扑结构图。
[0068]
图2是本发明实施例使用的案例地区配电网拓扑图。
[0069]
图3是本发明中所采取的案例地区一天内24小时的风光发电功率图；
[0070]
其中，(a)案例地区一天内24小时风机出力功率，(b)案例地区一天内24小时光伏出力功率。
[0071]
图4是配电网3个节点接入风光发电后储能的充放电需求图。
[0072]
图5是储能车最优调度方案下每辆储能车在路段中的耗时及耗电量图；
[0073]
其中，(a)节点4-节点24储能车在每个路段的耗时及耗电量，(b)节点11-节点23储能车在每个路段的耗时及耗电量，(c)节点18-节点14储能车在每个路段的耗时及耗电量。
[0074]
图6是储能车最优调度方案下每辆储能车一天内各时段充放电量图；
[0075]
其中，(a)节点4-24储能车一天内各时段充放电量，(b)节点11-23储能车一天内各时段充放电量，(c)节点18-14储能车一天内各时段充放电量。
具体实施方式
[0076]
下面结合附图对本发明作进一步的描述。
[0077]
大规模储能系统并网，通常将储能与间歇式新能源联合起来，针对风光发电的随机性、波动性和间歇性，以电池储能作为载体，实现间歇式新能源与储能的出力互补，使新能源发电达到或者接近常规电源。然而，针对移动储能车与储能电站、风-光新能源发电等
的集成优化问题研究，目前尚无强相关的理论和技术作为支撑，仍处于起步阶段。为此，本发明通过将遗传算法作为上层优化，将日内储能优化调度作为下层优化，开展基于大容量电池储能车的网-源-储-充协同调度策略研究。
[0078]
本发明计及灵活性储能调节的网-源-储-充协调优化调度方法，具体方法过程如下：
[0079]
第一步：在已知储能车的初始路网节点，以及存在充放电需求的配电网节点的前提下，可得出储能车的所有初始调度方案，即遗传算法的初始种群。
[0080]
第二步：根据储能车的初始电量、路网车流量情况及车速-流量实用模型，可知储能车从起始节点到达目标节点过程中，行驶在每个路段所需的时间，并依照储能车行驶总时长最短的原则，建立路径选择优化模型。
[0081]
①
车速-流量实用模型
[0082]
由于车辆的出行路径与行车速度会直接影响车辆抵达目的地的时间，因而在分析车辆出行特性时需要考虑车速与交通流量之间的关系。本发明采用车速-流量实用模型进行分析计算。在t时刻位于路网节点j与l之间的路段上的行车速度v
jlt
计算式如式(1)所示。
[0083][0084]
式中，v
jlt
表示在t时刻位于路网节点j与l之间的路段上的行车速度；v
jl,max
表示路网节点j与l之间路段的最大车辆行驶速度，设定为路段的车辆交通限速；n
cr,jlt
表示t时刻路网节点j与l之间路段上的车辆数；c
jl
表示路网节点j与l之间路段的车辆承载能力，其中承载能力表示为路段中能够承载的最大车辆数；a、b、n则为调节系数，根据道路的具体特点进行确定。
[0085]
②
路径选择优化模型
[0086]
本发明采用广度遍历搜索方法，得到最短路径，模型表示如下：
[0087][0088]
式中，n
road
表示在路网中的所有路段的集合；o和d分别表示交通道路图中某条调度路线的起始节点和目标节点；tk表示在从o到d的过程中在路段k的通行时间；route_i表示从o到d的第i条路径，其中i∈i，i表示从o到d所有可行路径的数量；表示从o到d的总出行时间。
[0089]
第三步：根据路径选择优化模型，确定储能车行驶路径，根据储能车各类损耗数据，可建立储能车行程耗能模型，得到储能车在每个路段的耗电量以及全程耗电量，进而得到储能车在行驶过程中的损耗成本。
[0090]
本发明所分析的储能车的能耗特性如下所示。储能车车载电池通过直流侧放电，经车载逆变器后转换为交流电，供给永磁交流电机，进而带动机械装置(发条、轮胎等)运动。储能车行程耗能模型，即储能车在道路上行驶的损耗，主要包括四部分：储能车在道路上行驶的损耗包括轮胎损耗、空气阻力损耗、能动系统损耗和辅助损耗。
[0091]
其中，轮胎阻力f
fric
和空气阻力f
aero
可采用如下经验式计算：
[0092]ffric
+f
aero
＝a+bv+cv2ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0093]
式中，v为速度，单位为m/s；a、b、c分别为阻力参数。
[0094]
能动系统损耗主要考虑储能车在加速状态下的损耗，加速所需的力f
acce
可以表示为：
[0095]facce
＝m
mesames
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0096]
式中，m
mes
为储能车的质量，单位为kg；a
mes
表示储能车加速度，单位为m/s2。
[0097]
因此，电动机处所需的力矩m为：
[0098][0099]
式中，m
cf
是经换算后的空载力矩；r为轮胎半径，单位是m；ng和ηg分别表示传输系数比和传输效率。
[0100]
储能车的角速度ω可表示为：
[0101][0102]
由此可得到直流侧有功功率p
dc
如下：
[0103][0104]
式中，ηm为电动机的效率；pfm为电动机的功率因数；η
inv
为逆变器传输效率；p
aux
为辅助损耗，本发明中取0.18kw。
[0105]
第四步：计算储能车调度成本，包括初始充电成本和日内调度成本。
[0106]
在计算储能车调度成本时，首先根据储能车在初始节点的剩余电量及路网模型，判断储能车是否有初始充电成本。其中，所述路网模型采用经典图论方法来描述，即利用代表道路权值的邻接矩阵d来描述各路段长度以及节点连接的关系。
[0107]
在储能车到达目标节点后，再根据实时电价情况，得到各初始调度方案下储能车的最优充放电操作及最低的日内调度成本。其中，所述储能车的最优充放电操作应满足储能车电量约束、储能车充放电功率约束、储能车调控时间约束。
[0108]
①
储能车电量约束
[0109]
为延长储能车电池的使用寿命，储能车电池的实际存储电量需要保持在一个适当的范围内，因此每辆储能车的电荷状态(soc)满足下面的约束：
[0110]
soc
min
≤soc
t
≤soc
max
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0111]
式中，soc
t
表示每辆储能车的实时荷电状态；soc
min
表示储能车电量的下限，取0.05；soc
max
表示储能车电量的上限，取0.95。
[0112]
②
储能车充放电功率约束
[0113]
储能车的充放电功率不能超过其额定功率。储能车充放电功率满足下面的约束：
[0114]
0≤p
t
≤p
max
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)
[0115]
式中，p
t
表示储能车充放电功率；p
max
表示储能车的最大充放电功率，对于最大电池容量为200kwh的储能车，设置最大充放电功率为100kw。
[0116]
③
储能车调控时间约束
[0117]
储能车仅在接入电网的时段才能参与电网调控，调控时间需满足：
[0118]
t
in
≤t
dis
≤t
out
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(10)
[0119]
式中，t
dis
表示储能车调控时间，t
in
与t
out
分别表示储能车接入与接出电网的时间。
[0120]
第五步：将各储能车初始调度方案对应的总调度成本作为遗传算法的适应度，利用遗传算法，得到总调度成本最低的储能车最优调度方案。
[0121]
总调度成本，主要包括损耗成本和储能车调度成本，表达式如下：
[0122][0123]
式中，c代表n辆储能车的总调度成本，当总调度成本最小时，对应的储能车充放电操作即为最优充放电操作方案；c
0i
为第i辆储能车在其起始节点预先充电的成本；c
1i
为第i辆储能车在到达目标节点后的充电成本，该充电成本与储能车在行驶过程中的损耗成本有关，损耗成本越低该部分充电成本越低；c
2i
为第i辆储能车在对应节点的放电成本；c
3i
为第i辆储能车放电后，为保证第二天的调度，再次充电至电量阈值的充电成本；
[0124]
根据各辆储能车的初始位置、其对应的目标节点及路网模型，判断储能车的起始电量能否支持其到达目标节点，即是否需要预先充电。计算该部分储能车充电成本，如下式所示。
[0125]c0i
＝p
0i
*cp
0i
*t
0i
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(12)
[0126]
式中，p
0i
表示第i辆储能车在其起始节点预先充电时刻的电价，cp
0i
表示第i辆储能车在其起始节点预先充电时刻的充电功率，t
0i
表示第i辆储能车在其起始节点以大小为cp
0i
的功率充电的时间。
[0127]
根据目标节点的电量需求，判断储能车到达目标节点后的剩余电量能否支持该节点的充放电需求，若能满足，则该储能车到达目标节点后不需要额外充放电；若不能满足，则储能车在该节点处开始充放电，在留出储能车soc最小阈值的前提下，当储能车电量刚好满足该节点电量需求时，停止充放电。计算该部分储能车充放电成本，如下式所示。
[0128]c1i
＝p
1i
*cp
1i
*t
1i
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(13)
[0129]
式中，p
1i
表示第i辆储能车到达目标节点后进行充电时刻的电价，cp
1i
表示第i辆储能车到达目标节点后进行充电时刻的充电功率，t
1i
表示第i辆储能车到达目标节点后以大小为cp
1i
的功率充电的时间。
[0130]
当目标节点出现充放电需求时，计算储能车在对应目标节点的充放电成本，如下式所示。
[0131]c2i
＝p
2i
*dcp
1i
*t
2i
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(14)
[0132]
式中，p
2i
表示第i辆储能车在对应节点放电时刻的电价，dcp
1i
表示第i辆储能车在对应节点放电时刻的放电功率，t
2i
表示第i辆储能车在对应节点以大小为dcp
1i
的功率放电的时间。
[0133]
储能车放电结束后，为便于第二天的储能车调度，在一天时间结束前，将储能车电量充至soc＝0.5，计算储能车进行再次充电的充电成本，如下式所示。
[0134]c3i
＝p
3i
*cp
2i
*t
3i
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(15)
[0135]
式中，p
3i
表示第i辆储能车最后充电时刻的电价，cp
2i
表示此时第i辆储能车最后充电时刻充电功率，t
3i
表示第i辆储能车以大小为cp
2i
的功率充电的时间。
[0136]
遗传算法的计算过程：
[0137]
1)设置某些节点拥有初始储能车资源及充放电需求，得到初始群体：储能车初始
调度方案；
[0138]
2)取适应度函数为各储能车初始调度方案对应的总调度成本；
[0139]
3)设置交叉率和变异率分别为0.3和0.1，进行交叉和变异操作；
[0140]
4)设置终止准则：储能车在某初始调度方案下，能否满足目标节点的充放电需求；
[0141]
5)如果不满足终止准则，则转到步骤2)，否则转入下一步；
[0142]
6)将适应度函数值最优的个体作为该问题的最优解输出。
[0143]
实施例：
[0144]
采用我国华东地区某城市某区进行案例分析，将案例地区分为45个路网节点，节点之间的道路均为双向车道，同一路段的两侧距离近似相同，如图1所示。其中正方形表示居民区域，圆形表示工作区(主要以生产单位，企事业单位等为主)，六边形表示其他类型区域。所分析地区的核心段主要由2条10kv线路供电，分别来自2个不同的110kv变电站。
[0145]
为方便分析，定义2条线路的节点编号以及与之对应的路网节点如图2所示，其中，节点上方编号表示电气拓扑图中电气节点编号；节点下方编号表示与之对应的路网节点编号；有编号表示的线路代表含分段开关的线路或开关站，其中虚线表示常开线路，实线表示常闭线路。
[0146]
在该案例地区，设置3辆参与配电网优化调度的储能车，并设置含有初始储能车资源的路网节点为4、11和18，初始电量分别为100kwh、60kwh和40kwh。有充放电需求的节点为14、23和24，并在上述路网的14、23、24节点分别接入不同额定容量的风、光发电。风、光发电功率因随时间和气候等因素的变化而呈现一定的波动性，案例地区一天内24小时的风光发电情况如图3所示。
[0147]
图4为本发明配电网3个节点接入风光发电后储能的充放电需求图。图中纵轴正向为充电需求量，负向为放电需求量。
[0148]
图5为本发明储能车最优调度方案下每辆储能车在路段中的耗时及耗电量图。根据储能车所在的初始节点，储能车初始电量情况，以及有充放电需求的节点，可得到6组储能车调度方案，作为遗传算法的初始种群。根据路径选择优化模型及适应度函数，得到储能车最优调配方案为：3辆储能车分别从路网的4、11、18节点调度到路网的24、23、14节点。
[0149]
图6为本发明配电网3个节点接入风光发电后3辆储能车一天内各时段充放电量图。3辆储能车按照图6进行充放电操作，根据分时电价情况，最终可得到储能车总调度成本的最小值为-242.5714元。
[0150]
尽管上面结合附图对本发明的功能及工作过程进行了描述，但本发明并不局限于上述的具体功能和工作过程，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可以做出很多形式，这些均属于本发明的保护之内。

技术特征：
式中，v为速度，单位为m/s；a、b、c分别为阻力参数；能动系统损耗主要考虑储能车在加速状态下的损耗，加速所需的力f
acce
表示为：f
acce
＝m
mes
a
mes
式中，m
mes
为储能车的质量，单位为kg；a
mes
表示储能车加速度，单位为m/s2；因此，电动机处所需的力矩m为：式中，m
cf
是经换算后的空载力矩；r为轮胎半径，单位是m；n
g
和η
g
分别表示传输系数比和传输效率；储能车的角速度ω表示为：由此得到直流侧有功功率p
dc
如下：式中，η
m
为电动机的效率；pf
m
为电动机的功率因数；η
inv
为逆变器传输效率；p
aux
为辅助损耗，本发明中取0.18kw。5.根据权利要求1所述的计及灵活性储能调节的网-源-储-充协调优化调度方法，其特征在于，第四步中首先根据储能车在初始节点的剩余电量及路网模型，判断储能车是否有初始充电成本；在储能车到达目标节点后，再根据实时电价情况，得到各初始调度方案下储能车的最优充放电操作及最低的日内调度成本。6.根据权利要求5所述的计及灵活性储能调节的网-源-储-充协调优化调度方法，其特征在于，所述路网模型采用经典图论方法来描述，利用代表道路权值的邻接矩阵d来描述各路段长度以及节点连接的关系。7.根据权利要求5所述的计及灵活性储能调节的网-源-储-充协调优化调度方法，其特征在于，所述储能车的最优充放电操作应满足储能车电量约束、储能车充放电功率约束、储能车调控时间约束；
①
储能车电量约束soc
min
≤soc
t
≤soc
max
式中，soc
t
表示每辆储能车的实时荷电状态，soc
min
表示储能车电量的下限，soc
max
表示储能车电量的上限；
②
储能车充放电功率约束0≤p
t
≤p
max
式中，p
t
表示储能车充放电功率，p
max
表示储能车的最大充放电功率；
③
储能车调控时间约束t
in
≤t
dis
≤t
out
式中，t
dis
表示储能车调控时间，t
in
与t
out
分别表示储能车接入与接出电网的时间。8.根据权利要求1所述的计及灵活性储能调节的网-源-储-充协调优化调度方法，其特征在于，第五步中所述总调度成本包括损耗成本和储能车调度成本，如下式：
式中，c代表n辆储能车的总调度成本，当总调度成本最小时，对应的储能车充放电操作即为最优充放电操作方案；c
0i
为第i辆储能车在其起始节点预先充电的成本；c
1i
为第i辆储能车在到达目标节点后的充电成本，该充电成本与储能车在行驶过程中的损耗成本有关，损耗成本越低该部分充电成本越低；c
2i
为第i辆储能车在对应节点的放电成本；c
3i
为第i辆储能车放电后，为保证第二天的调度，再次充电至电量阈值的充电成本；c
0i
＝p
0i
*cp
0i
*t
0i
式中，p
0i
表示第i辆储能车在其起始节点预先充电时刻的电价，cp
0i
表示第i辆储能车在其起始节点预先充电时刻的充电功率，t
0i
表示第i辆储能车在其起始节点以大小为cp
0i
的功率充电的时间；c
1i
＝p
1i
*cp
1i
*t
1i
式中，p
1i
表示第i辆储能车到达目标节点后进行充电时刻的电价，c
p1i
表示第i辆储能车到达目标节点后进行充电时刻的充电功率，t
1i
表示第i辆储能车到达目标节点后以大小为cp
1i
的功率充电的时间；c
2i
＝p
2i
*dcp
1i
*t
2i
式中，p
2i
表示第i辆储能车在对应节点放电时刻的电价，dcp
1i
表示第i辆储能车在对应节点放电时刻的放电功率，t
2i
表示第i辆储能车在对应节点以大小为dcp
1i
的功率放电的时间；c
3i
＝p
3i
*cp
2i
*t
3i
式中，p
3i
表示第i辆储能车最后充电时刻的电价，cp
2i
表示此时第i辆储能车最后充电时刻充电功率，t
3i
表示第i辆储能车以大小为cp
2i
的功率充电的时间。9.根据权利要求1所述的计及灵活性储能调节的网-源-储-充协调优化调度方法，其特征在于，第五步中所述遗传算法的计算过程：1)设置某些节点拥有初始储能车资源及充放电需求，得到初始群体：储能车初始调度方案；2)取适应度函数为各储能车初始调度方案对应的总调度成本；3)设置交叉率和变异率分别为0.3和0.1，进行交叉和变异操作；4)设置终止准则：储能车在某初始调度方案下，能否满足目标节点的充放电需求；5)如果不满足终止准则，则转到步骤2)，否则转入下一步；6)将适应度函数值最优的个体作为该问题的最优解输出。

技术总结
本发明公开了一种计及灵活性储能调节的网-源-储-充协调优化调度方法：在已知储能车的初始路网节点、存在充放电需求的配电网节点的前提下，得出储能车所有初始调度方案；根据储能车的初始电量、路网车流量情况及车速-流量实用模型，得到储能车从起始节点到达目标节点过程中行驶在每个路段所需的时间，建立路径选择优化模型；确定储能车行驶路径后，根据储能车各类损耗数据，建立储能车行程耗能模型，得到储能车在每个路段的耗电量以及全程耗电量，得到储能车在行驶过程中的损耗成本；计算储能车调度成本；将各储能车初始调度方案对应的总调度成本作为遗传算法的适应度，利用遗传算法，得到总调度成本最低的储能车最优调度方案。案。案。


技术研发人员：刘一欣 张帅 李相俊 贾学翠 张敏 王腾鑫 李煜阳 董立志 王金浩
受保护的技术使用者：中国电力科学研究院有限公司 国网山西省电力公司电力科学研究院
技术研发日：2023.04.20
技术公布日：2023/8/22