本發(fā)明涉及配電網(wǎng)源網(wǎng)站協(xié)同規(guī)劃，尤其涉及一種考慮v2g模式的配電網(wǎng)源網(wǎng)站協(xié)同規(guī)劃方法及系統(tǒng)。
背景技術(shù)：
1、本部分的陳述僅僅是提供了與本發(fā)明相關(guān)的背景技術(shù)信息，不必然構(gòu)成在先技術(shù)。
2、v2g（vehicle-to-grid），即車輛到電網(wǎng)，v2g技術(shù)是一種讓電動(dòng)汽車（ev）?不僅從電網(wǎng)充電，還能反向向電網(wǎng)放電的技術(shù)。
3、隨著新型電力系統(tǒng)的發(fā)展和能源轉(zhuǎn)型的推進(jìn)，配電網(wǎng)逐步向高比例可再生能源接入、高電力電子化和高靈活互動(dòng)性的方向演進(jìn)。電動(dòng)汽車的爆發(fā)式增長(zhǎng)和光伏電源（photovoltaic?generation,?pvg）場(chǎng)站的大規(guī)模并網(wǎng)，為配電網(wǎng)的規(guī)劃和運(yùn)行帶來(lái)了新的挑戰(zhàn)：一方面，v2g（vehicle-to-grid）技術(shù)的成熟使得電動(dòng)汽車從單一負(fù)荷轉(zhuǎn)變?yōu)椤翱烧{(diào)負(fù)荷+移動(dòng)儲(chǔ)能”的雙重角色，改變了配電網(wǎng)的負(fù)荷結(jié)構(gòu)和特性；另一方面，pvg場(chǎng)站出力的波動(dòng)性與間歇性與電動(dòng)汽車充電需求的時(shí)空隨機(jī)性，加劇了配電網(wǎng)的峰谷差和電壓波動(dòng)問(wèn)題，導(dǎo)致電網(wǎng)潮流復(fù)雜化。
4、傳統(tǒng)規(guī)劃方法通常將pvg場(chǎng)站、配電網(wǎng)、v2g充電站獨(dú)立規(guī)劃，即將pvg選址定容、配電網(wǎng)擴(kuò)展、v2g充放電站布局分開優(yōu)化，各自優(yōu)化各自的目標(biāo)函數(shù)。此類方法雖然簡(jiǎn)化了計(jì)算復(fù)雜度，但割裂了分布式pvg場(chǎng)站與v2g充放電站的時(shí)空互補(bǔ)特性，忽視了充放電負(fù)荷與光伏出力在時(shí)間維度上的匹配潛力，以及空間維度上電網(wǎng)動(dòng)態(tài)重構(gòu)的可能性。在電動(dòng)汽車充放電行為對(duì)配電網(wǎng)電壓、功率流和系統(tǒng)穩(wěn)定性有較大影響的情況下，將會(huì)導(dǎo)致電網(wǎng)資源的浪費(fèi)或系統(tǒng)調(diào)度不當(dāng)。
5、近年來(lái)有研究嘗試將v2g充放電站與分布式電源進(jìn)行協(xié)同規(guī)劃，提高電網(wǎng)的規(guī)劃和運(yùn)行效益。但是，現(xiàn)有的聯(lián)合規(guī)劃方法大多數(shù)都是基于確定的配電網(wǎng)，少有文獻(xiàn)同時(shí)進(jìn)行配電網(wǎng)的擴(kuò)展規(guī)劃研究，也不涉及將pvg場(chǎng)站出力、v2g充放電行為與配電網(wǎng)拓?fù)鋬?yōu)化納入統(tǒng)一模型進(jìn)行求解。
6、另外，在對(duì)pvg場(chǎng)站、配電網(wǎng)和v2g充放電站進(jìn)行聯(lián)合規(guī)劃時(shí)，需要建立統(tǒng)一的優(yōu)化模型，并考慮大量的決策變量，如充電站選址及充放電功率容量、光伏電源的安裝位置與額定功率以及配電網(wǎng)線路升級(jí)方案和網(wǎng)絡(luò)重構(gòu)策略，同時(shí)還要處理約束條件的非線性和動(dòng)態(tài)變化，這導(dǎo)致問(wèn)題維度呈組合爆炸增長(zhǎng)，傳統(tǒng)優(yōu)化算法面臨計(jì)算效率與求解精度的雙重挑戰(zhàn)。
技術(shù)實(shí)現(xiàn)思路
1、為了解決上述問(wèn)題，本發(fā)明提出了一種考慮v2g模式的配電網(wǎng)源網(wǎng)站協(xié)同規(guī)劃方法及系統(tǒng)，建立配電網(wǎng)、光伏電源（photovoltaic?generation,?pvg）和v2g充放電站擴(kuò)展的協(xié)同規(guī)劃模型，提升配電網(wǎng)規(guī)劃方案的經(jīng)濟(jì)性與可靠性。
2、在一些實(shí)施方式中，采用如下技術(shù)方案：
3、一種考慮v2g模式的配電網(wǎng)源網(wǎng)站協(xié)同規(guī)劃方法，包括：
4、獲取配電網(wǎng)現(xiàn)有拓?fù)浣Y(jié)構(gòu)、交通路網(wǎng)結(jié)構(gòu)數(shù)據(jù)、電動(dòng)汽車數(shù)量時(shí)空分布數(shù)據(jù)、光伏資源分布數(shù)據(jù)以及歷史日負(fù)荷功率曲線集；
5、確認(rèn)源網(wǎng)站協(xié)同規(guī)劃中各個(gè)設(shè)施的初步空間位置約束；將歷史日負(fù)荷功率曲線聚類為典型日負(fù)荷功率曲線，進(jìn)而預(yù)測(cè)得到未來(lái)各類典型日?qǐng)鼍跋鹿?jié)點(diǎn)負(fù)荷功率集、v2g充放電站最大可調(diào)度功率集以及pvg場(chǎng)站最大出力功率集；
6、以系統(tǒng)總經(jīng)濟(jì)成本最低為目標(biāo)建立上層規(guī)劃模型，以年綜合運(yùn)行成本最小為目標(biāo)建立下層規(guī)劃模型；
7、采用嵌套迭代算法對(duì)雙層規(guī)劃模型進(jìn)行求解，通過(guò)上層規(guī)劃模型決策線路新建/升級(jí)類型、臺(tái)區(qū)容量和位置、v2g充放電站和pvg場(chǎng)站的選址定容方案，輸出滿足負(fù)荷增長(zhǎng)需求且投資成本最低的初步規(guī)劃方案，并將配電網(wǎng)拓?fù)浼霸O(shè)備信息傳遞到下層模型；通過(guò)下層規(guī)劃模型求解年最優(yōu)運(yùn)行結(jié)果，同步生成越限支路、節(jié)點(diǎn)標(biāo)記集及懲罰成本反饋至上層規(guī)劃模型；
8、迭代計(jì)算直至投資-運(yùn)行總成本波動(dòng)穩(wěn)定且安全指標(biāo)達(dá)標(biāo)，輸出配電網(wǎng)源網(wǎng)站協(xié)同規(guī)劃方案。
9、在另一些實(shí)施方式中，采用如下技術(shù)方案：
10、一種考慮v2g模式的配電網(wǎng)源網(wǎng)站協(xié)同規(guī)劃系統(tǒng)，包括：
11、數(shù)據(jù)獲取模塊，用于獲取配電網(wǎng)現(xiàn)有拓?fù)浣Y(jié)構(gòu)、交通路網(wǎng)結(jié)構(gòu)數(shù)據(jù)、電動(dòng)汽車數(shù)量時(shí)空分布數(shù)據(jù)、光伏資源分布數(shù)據(jù)以及歷史日負(fù)荷功率曲線集；
12、場(chǎng)景生成模塊，用于確認(rèn)源網(wǎng)站協(xié)同規(guī)劃中各個(gè)設(shè)施的初步空間位置約束；將歷史日負(fù)荷功率曲線聚類為典型日負(fù)荷功率曲線，進(jìn)而預(yù)測(cè)得到未來(lái)各類典型日?qǐng)鼍跋鹿?jié)點(diǎn)負(fù)荷功率集、v2g充放電站最大可調(diào)度功率集以及pvg場(chǎng)站最大出力功率集；
13、模型構(gòu)建模塊，用于以系統(tǒng)總經(jīng)濟(jì)成本最低為目標(biāo)建立上層規(guī)劃模型，以年綜合運(yùn)行成本最小為目標(biāo)建立下層規(guī)劃模型；
14、模型優(yōu)化求解模塊，用于采用嵌套迭代算法對(duì)雙層規(guī)劃模型進(jìn)行求解，通過(guò)上層規(guī)劃模型決策線路新建/升級(jí)類型、臺(tái)區(qū)容量和位置、v2g充放電站和pvg場(chǎng)站的選址定容方案，輸出滿足負(fù)荷增長(zhǎng)需求且投資成本最低的初步規(guī)劃方案，并將配電網(wǎng)拓?fù)浼霸O(shè)備信息傳遞到下層模型；通過(guò)下層規(guī)劃模型求解年最優(yōu)運(yùn)行結(jié)果，同步生成越限支路、節(jié)點(diǎn)標(biāo)記集及懲罰成本反饋至上層規(guī)劃模型；
15、迭代計(jì)算直至投資-運(yùn)行總成本波動(dòng)穩(wěn)定且安全指標(biāo)達(dá)標(biāo)，輸出配電網(wǎng)源網(wǎng)站協(xié)同規(guī)劃方案。
16、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：
17、（1）本發(fā)明通過(guò)多種系統(tǒng)（智慧車聯(lián)網(wǎng)、地理信息系統(tǒng)、能源管理平臺(tái)）的數(shù)據(jù)采集，并結(jié)合改進(jìn)的k-means聚類算法及蒙特卡洛算法，準(zhǔn)確模擬和預(yù)測(cè)未來(lái)負(fù)荷變化及v2g充放電站與光伏場(chǎng)站的調(diào)度能力，為配電網(wǎng)優(yōu)化規(guī)劃提供了準(zhǔn)確的基礎(chǔ)數(shù)據(jù)，確保了規(guī)劃方案的合理性；
18、基于v2g模式通過(guò)雙層協(xié)同規(guī)劃模型，實(shí)現(xiàn)了配電網(wǎng)、pvg場(chǎng)站和v2g充放電站協(xié)同規(guī)劃經(jīng)濟(jì)性、可靠性提升，顯著提高了資源利用效率，降低了總經(jīng)濟(jì)成本。
19、（2）本發(fā)明構(gòu)建雙層協(xié)同規(guī)劃模型，通過(guò)將規(guī)劃層與運(yùn)行層分開，有效優(yōu)化資源配置。上層規(guī)劃層確?？偨?jīng)濟(jì)成本最小化，包括年建設(shè)投資成本與年綜合運(yùn)行成本；下層運(yùn)行層則通過(guò)多場(chǎng)景優(yōu)化，計(jì)算配電網(wǎng)在實(shí)際運(yùn)行中的最優(yōu)狀態(tài)，減少節(jié)點(diǎn)支路越限和資源浪費(fèi)，實(shí)現(xiàn)配電網(wǎng)經(jīng)濟(jì)性與可靠性的平衡。
20、采用“決策傳遞-狀態(tài)反饋-方案修正”策略，通過(guò)反饋機(jī)制，實(shí)時(shí)調(diào)整規(guī)劃方案，及時(shí)發(fā)現(xiàn)并解決越限問(wèn)題，使得規(guī)劃和運(yùn)行過(guò)程更加靈活，根據(jù)實(shí)際情況進(jìn)行快速修正，確保規(guī)劃方案的魯棒性和可行性。
21、（3）本發(fā)明采用自適應(yīng)混合粒子群算法對(duì)上層規(guī)劃模型進(jìn)行求解，在上層規(guī)劃過(guò)程中靈活調(diào)整混合粒子搜索策略，根據(jù)下層傳遞的越限支路和節(jié)點(diǎn)參數(shù)嚴(yán)重程度動(dòng)態(tài)調(diào)整搜索范圍，保證了算法的高效性并提高了收斂速度，更好地解決復(fù)雜的決策問(wèn)題。
22、采用并行粒子群算法對(duì)下層規(guī)劃模型進(jìn)行求解，通過(guò)場(chǎng)景并行優(yōu)化與粒子群算法的結(jié)合，能夠有效提升計(jì)算效率。并行計(jì)算框架中的計(jì)算主節(jié)點(diǎn)將多個(gè)典型日?qǐng)鼍暗牟⑿星蠼馊蝿?wù)分配到不同的計(jì)算子節(jié)點(diǎn)，大大加快了計(jì)算效率，并針對(duì)每個(gè)場(chǎng)景進(jìn)行獨(dú)立優(yōu)化，最終得到全局運(yùn)行成本最優(yōu)解。
23、（4）本發(fā)明基于微網(wǎng)模式的v2g實(shí)現(xiàn)方式。下層運(yùn)行層在微網(wǎng)模式下，實(shí)現(xiàn)了v2g充放電站的高效運(yùn)行。結(jié)合集中式和分散式的調(diào)度控制方式，下層運(yùn)行層又包括集中調(diào)度層和分散執(zhí)行層兩部分。集中調(diào)度層為智慧車聯(lián)網(wǎng)系統(tǒng)，負(fù)責(zé)經(jīng)濟(jì)性的全局優(yōu)化，而分散執(zhí)行層為v2g充放電站，負(fù)責(zé)根據(jù)電動(dòng)汽車的充放電需求進(jìn)行靈活調(diào)整，提高了系統(tǒng)的運(yùn)行效率和安全性。