光储充一体化系统容量优化配置方法研究.docx

《光储充一体化系统容量优化配置方法研究.docx》由会员分享，可在线阅读，更多相关《光储充一体化系统容量优化配置方法研究.docx（10页珍藏版）》请在第一文库网上搜索。

1、光储充一体化系统容量优化配置方法研究摘要：电动汽车的发展对于推动双碳目标实现具有重要作用，但是大规模的电动汽车负荷接入电网后，会影响电网的安全运行，光储充一体化系统可以利用光伏系统、充电站和储能系统平衡电动汽车充电负荷引起的波动，故容量优化配置方法的选取对光储充一体化系统的建设与发展至关重要。首先对光储充一体化系统的组成以及光储充一体化充电站发展现状作了简要的概述，列举国内典型的光储充一体化系统示范项目的分布情况。然后分析了电动汽车充电负荷影响因素及基于蒙特卡罗法的电动汽车负荷预测方法。最后比较了几种典型的优化算法应用于系统容量配置的优缺点，以期为科学合理地配置光储充一体化系统的容量提供借鉴。

2、引言由于工业的发展，不可再生能源的大量消耗与浪费，使得环境恶化问题日益严重。近年来，随着碳中和、碳达峰目标的逐步落实，加速了电动汽车与储能市场的发展。我国光伏资源储备量丰富，故面向环保、便捷和安全等目标的“光伏+储能+充电站”一体化系统（简称光储充一体化系统）逐渐受到了人们的青睐。光伏系统可以实现清洁能源的有效利用，储能系统可以存储光伏发电剩余电量，与电网协调配合，缓解电动汽车充电负荷对电网的冲击，充电站作为中间环节，有序控制能量交换。光储充一体化系统对于抑制光伏等可再生能源发电的随机性具有积极的作用，但考虑到其投资经济性，光伏和储能的配置增加了原本就己居高不下的充电站初始投资成本，这使得光储

3、充一体化系统在市场环境下更不经济。所以在实际建设及应用中，需要切实考虑当地的电动汽车充电负荷的分布情况，据此合理配置光伏系统和储能系统的装机容量，降低成本，提高一体化系统的综合效益。首先，掌握区域内的电动汽车充电负荷的分布情况，对于研究光储充一体化系统的容量配置问题至关重要，要全方面考虑电动汽车充电负荷的影响因素,对区域内电动汽车充电负荷进行模拟预测。其次，对于光储充一体化系统容量优化配置问题，较多考虑光储充一体化充电站所带来的经济效益，很少考虑其环境效益和社会效益。当从多角度出发研究光储充一体化系统容量配置时，需要建立多目标函数，此时是一个多目标优化问题，所以在求解时需采用多目标智能优化算法

4、。每种算法都有自己的优劣势与最佳适用场景，可根据实际情况与需求，选择合适的多目标智能优化算法，必要时可选取多种算法进行对比，获得更加合理可靠的装机容量数据。1光储充一体化系统概述1.1 光储充一体化系统结构光储充一体化系统通常是由供配电系统、充电系统、监控系统、光伏系统和储能系统组成的微电网系统。供配电系统主要为一次设备和二次设备提供电源;充电系统主要为电动汽车负荷充电；监控系统可实时监测、读取和备份数据；光伏系统将太阳能转化为电能，供充电站内负荷充电；储能系统存储能量，在夜间电价低谷时将低价电能存入储能电池，在白天用电高峰时刻将其送入充电站给电动汽车负荷充电。光储充一体化典型系统结构示意图如

5、图1所示。光伏插件能量管控中心光伏逆变器储能电池储能逆变器其他负荷监测管控中心高并网开关图1光储充一体化典型系统结构示意图电动汽车及其充电设施大电网1.2 光储充一体化充电站发展现状光储充一体化充电站既可以实现清洁能源的就地消纳，也能够实现削峰填谷等辅助功能，有效提高电网运行时的可靠性与安全性。随着光伏产业发展日益成熟，充电站能量管理策略愈加完善，储能技术和电动汽车产业不断进步，进一步解决了光储充一体化充电站的理论和技术问题。目前，许多国家和地区都开始积极建设光储充一体化系统工程，并且取得了较好的成果。文献4列举了国内多项光储充一体化系统试点项目，并且随着储能技术的发展，试点项目的能量管理策略

6、和用户侧服务项目愈加全面与丰富；文献5重点阐述了现有示范工程的规模及组成、多组态运行模式及不同模式间的切换条件;文献6从实践和理论两个方面证明了我国风光储输联合发电模式的可行性。我国光储充一体化系统典型示范工程分布情况见表K表1光储充一体化系统典型示范工程分布情况Tab.1Distributionoftypica1demonstrationprojectsofintegratedoptica1storageandchargingsystem时间地点光伏容量kW储能容量ZkWh充电桩数量/个2019安徽80013000702023北京340100132023广西35010001002023河南1

7、749未发布30由此可见，光储充一体化充电站无论是在理论上还是实践中都取得了一定的进展。并且，由于电动汽车充电负荷的分布对于光储充一体化系统配置的光伏装机容量和储能装机容量的大小以及电网调度问题都有直接的影响，故要想准确地求解充电站的最佳光伏装机容量和储能装机容量，需要对区域内的电动汽车充电需求及其分布进行模拟与预测。2电动汽车负荷预测对容量配置的影响及其分析2.1 电动汽车充电负荷影响因素分析由于电动汽车具有一定的无序性与随机性，故电动汽车充电负荷的分布情况会直接影响到光储充一体化充电站中容量配置的规模大小。电动汽车充电负荷的影响因素包括车辆电池容量、充电功率、起始充电时间、终止充电时间、车

8、辆行驶规律和区域内电动汽车规模等。首先，不同电动汽车的电池容量和充电功率曲线差异较大，直接影响到用户对充电类型的选择；其次，起始充电时间、终止充电时间很大程度上影响着电动汽车用户行为；最后区域内电动汽车的规模大小直接关系到模型预测的准确性。这些因素互相联系又互相制约，增加了对一个区域内的电动汽车充电负荷预测的难度。2.2 2电动汽车充电负荷预测目前已有很多学者对电动汽车充电负荷预测进行了深入研究。文献10在随机影响因素的概率分布基础上，使用蒙特卡罗法计算一天中单台电动汽车的功率需求期望和标准差，进而延伸到多台电动汽车的功率需求计算方法，但考虑范围与因素较为单一，具有一定的局限性。文献建立了电动

9、汽车出行的时空模型，通过蒙特卡罗法预测一天内的电动汽车充电负荷曲线。文献12增加了在交通路网约束下，构建不同程度的出行链模型，对电动汽车负荷进行预测。由于目前对电动汽车充电负荷预测多集中在短期且单一的时间段内，很少考虑在较长时间尺度下、不同季节时的电动汽车充电负荷模型进行预测，故为了提高预测的准确性与全面性，文献13提出一种考虑季节特性的多时间尺度负荷预测模型。文献14综合考虑温度和交通环境对电动汽车充电负荷的影响，建立了基于蒙特卡罗法的充电负荷预测模型。文献15考虑了多源信息实时交互及用户的充电决策行为两大因素，建立基于后悔理论的电动汽车用户充电站选择模型，使用蒙特卡罗法对两种典型出行特性的

10、电动汽车的时空分布进行了预测。综上可以看出，对电动汽车充电负荷的预测模型和方法考虑的因素逐渐多元化，并且综合分析客观因素与主观因素，可构建更加精确的负荷预测模型。每个电动汽车的充电时间、充电时长、日均行驶里程数和用户习惯等数据都是相互孤立的，并且存在一定的无序性与不确定性，所以想要建立准确度较高的电动汽车充电负荷预测模型难度较大。但蒙特卡罗法利用计算机对电动汽车数据进行大量的随机抽查，并且对抽查样本测验结果进行统计，获得更加准确、全方面的相关数据，可以克服上述困难，更好地模拟电动汽车充电负荷。蒙特卡罗法核心思想就是：首先使用蒙特卡罗法抽取大量电动汽车的初始荷电状态作为样本，得到电动汽车的起始充

11、电时间、终止充电时间和充电时长等数据；然后对抽样区间进行压缩，进而得到电动汽车初始充电时间数据并且进行计算；最后将所测取的电动汽车负荷数据累加，得到该区域内总的电动汽车充电负荷。图2为蒙特卡罗法模拟充电负荷流程图。图2蒙特卡罗法模拟充电负荷流程3光储充一体化系统容量优化配置3.1多目标优化算法光储充一体化系统的建设成本、光伏和储能系统的更换成本、充电服务费收益以及光伏供给负荷占比等因素直接关系到光伏和储能系统初期容量配置的大小，这是一个多目标优化问题。如何科学计算容量大小，使光储充一体化系统在满足充电负荷需求的同时，可以获得更大的经济效益、社会效益和环境效益，使其可持续发展是至关重要的。在研究

12、光储充一体化系统容量配置及其容量优化问题时，目前大部分学者会采用多目标优化算法进行求解。常用的多目标优化算法有粒子群算法、遗传算法、NSGA算法、NSGA-算法和分布式鲁棒优化算法。下面主要对这五种优化方法进行分析比较。如果从算法简单且容易实现的角度出发，则应该优先选择粒子群算法，此算法在求解过程中并没有许多参数需要调整,搜索速度较快,并且算法具有记忆性,会对种群的最佳位置与速度进行持续更新，直至找到最优解，但其最大的缺点是很容易陷入局部最优解。所以在使用此方法时，参数的选取是很重要的。其次是遗传算法，在粒子群算法的基础上增加了交叉、变异和遗传三个算子，一方面扩大了种群的覆盖面；另一方面又避免

13、了粒子群算法陷入局部最优的风险。NSGA算法是在普通遗传算法的基础上，在选择算子执行之前根据个体之间的支配关系进行分层，可以使好的个体有更大的机会遗传到下一代，但是此算法计算量较大，且缺乏精英策略。故NSGA-算法对其进行了改进，引入了快速非支配排序算法、精英策略和个体拥挤距离算子三个步骤，不仅大大增加了种群的多样性与丰富性，而且可以保留父代中的最优解，防止最优解的丢失。但是NSGA-算法解的分布不是很均匀，且收敛速度相较于上面两种算法来说较为缓慢。如果要考虑容量配置时的风险问题，则可以选择使用分布式鲁棒优化算法进行求解。它的思想是考虑最差环境分布下的最优解，把随机变量变成多个随机变量的集合，

14、但是其实现过程较为复杂，结果较为保守。由此可见，对于光储充一体化系统容量优化配置的问题，有许多优化算法可供选择，每种算法都有自己的优劣势，考虑的因素和侧重点都各不相同，所以在研究光储充一体化系统的容量配置问题时，应该根据实际情况进行具体分析。并且为确保容量配置模型的准确性，可以选择两种或两种以上的算法进行比较分析。表2列举出典型的容量配置优化算法，并简述其优缺点，可对容量配置研究方法提供一定的参考。表2容量配置多目标优化算法比较Tab.2Comparisonofmu1ti-objectiveoptimizationa1gorithmsforcapacitya11ocationI多目标优化算法核

15、心思想优点跳点I遗传算法遗传、突变、自然选择以及杂交凌盖面大，利于全局择优：减少了陷入局部最优解的风险，算法易于实现并行化探索能力有限：计算量大：稳定性差粒子群算法从随机解出发,通过迭代寻找最优解，通过适应度来评价解的品质简单容易实现,并且没有许多参数需要调整：搜索速度较快：具有记忆性容易陷入局部最优：不能有效解决离散及组合优化问题；参数选取困难NSGA算法与简单的遗传算法相比，在选择算子执行之前根据个体支配的关系进行分层覆盖面大，利于全局择优：优化目标个数任选：非劣最优解分布均匀，并且允许存在多个不同的解等价计算多且杂：缺少精英策略，优良的解容易丢失：需要指定共享半径NSGA-H算法提出快速非支配排序算法，引进精英策略,采用拥挤度和拥挤度比较算子计算复杂度降低：加强全局搜索能力：可防止早熟解的分布性不均匀，连续性较差：收敛速度依旧较慢分布式鲁棒优化算法将原始问题以一定的近似程度转化为一个具有多项式计算且杂度的凸优化问题仅利用少量信息即可建立较准确的模型考虑因素较为全面，优化结果较为保守2.3 2典型容量配置模型及优化算法分析国内学者对光储充一体化系统容量优化配置方法开展了相关研究。多数研究仅从一个角度出发，如将充电站年均净收益最大或者系统运行成本最小作为目标函数，建立单目标优化模型