[發(fā)明專利]基于合作博弈的充換儲一體化電站微電網(wǎng)優(yōu)化調(diào)度方法

在審

• 申請?zhí)枺?/td>: 201811068368.6
• 申請日: 2018-09-13
• 公開（公告）號: CN109146201A
• 公開（公告）日: 2019-01-04
• 發(fā)明（設(shè)計）人: 程杉;倪凱旋
• 申請（專利權(quán)）人: 三峽大學(xué)
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06
• 代理公司: 宜昌市三峽專利事務(wù)所 42103
• 代理人: 吳思高

1.基于合作博弈的充換儲一體化電站微電網(wǎng)優(yōu)化調(diào)度方法，其特征在于包括以下步驟：

步驟1：考慮電動汽車換電需求和光伏、風(fēng)力發(fā)電隨機特性，利用魯棒優(yōu)化對光伏、風(fēng)力發(fā)電功率、電動汽車換電需求進行建模；

步驟2：構(gòu)建以微電網(wǎng)供電成本最小的上層微電網(wǎng)優(yōu)化調(diào)度模型；

步驟3：建立一體化電站的壽命損耗成本模型及其運行損耗模型；

步驟4：構(gòu)建以CSSIS利潤最大為目標函數(shù)的下層充換儲一體化電站優(yōu)化模型；

步驟5：構(gòu)建基于合作博弈的充換儲一體化微電網(wǎng)優(yōu)化調(diào)度模型；

步驟6：利用非支配排序遺傳算法(NSGAII)結(jié)合求解器CPLEX，對基于合作博弈的充換儲一體化微電網(wǎng)優(yōu)化調(diào)度模型進行求解。

2.根據(jù)權(quán)利要求1所述基于合作博弈的充換儲一體化電站微電網(wǎng)優(yōu)化調(diào)度方法，其特征在于：所述步驟1中，所述魯棒優(yōu)化是一類基于區(qū)間擾動信息不確定性決策的方法，其目標在于實現(xiàn)不確定參量最劣情況下的最優(yōu)決策；

風(fēng)電出力模型如下：

式中：P_WT(v)是預(yù)測的風(fēng)力發(fā)電功率，v為預(yù)測風(fēng)速，v_c為切入風(fēng)速，v_f為切出風(fēng)速，v_r為額定風(fēng)速，P_r為風(fēng)機額定功率；

風(fēng)速v是隨機性較強的因素，將利用韋伯分布來確定v的概率分布：

式中：為尺度參數(shù)；π為形狀參數(shù)；V為v概率密度函數(shù)的具體表現(xiàn)形式；

得出風(fēng)機出力的概率密度函數(shù)為：

α＝V_c+βP_WT

求得風(fēng)機出力的累積分布函數(shù)為：

式中，F(xiàn)_WT(P_WT)是風(fēng)機出力的積累概率分布函數(shù)；β為韋伯分布函數(shù)參數(shù)；V_c為切入風(fēng)速；P_WT為風(fēng)電出力；為尺度參數(shù)；

光伏發(fā)電出力模型：

P_PV＝LMθ；

式中：P_PV為光伏發(fā)電出力功率；L為太陽輻照度；M為受光面積；θ為發(fā)電效率；

光伏發(fā)電出力P_PV的概率密度為：

式中，為為光伏發(fā)電出力最大值；a和b分別為貝塔分布函數(shù)形狀參數(shù)；μ_Beta和σ_Beta分別為平均偏差值和標準偏差值；

則光伏發(fā)電出力的累積分布函數(shù)為：

電動汽車日車輛日行駛里程近似為對數(shù)正態(tài)分布，其概率密度函數(shù)為：

式中，σ_D＝3.20，μ_D＝0.88；x為行駛距離；

由上式可計算電動汽車日行駛距離的期望為：

則電動汽車的換電需求概率分布為：

f_EX(x)＝αE(x)N_EV

其中：α為電動汽車每公里耗電量；N_EV電動汽車數(shù)量；

電動汽車和風(fēng)電、光伏的不確定集為：

式中：S_k(t)分別為t時段功率波動的最大場景和最小場景；為不確定集合對象k在t時段的預(yù)測功率；u_k(t)、d_k(t)分別為不確定集合對象k在t時段向上波動比例和向下波動比例。