【技术实现步骤摘要】
本专利技术属于新能源，具体涉及一种风光发电系统与电动汽车的协同控制方法及系统。
技术介绍
1、目前，越来越多的分布式光伏接入配电网，用于新能源电动汽车的使用。然而由于分布式光伏出力具有随机波动性，配电网存在电压波动、调节能力逐渐降低等问题，如何协同控制分布式电源与电动汽车去平抑分布式电源随机波动性给配电网带来的不利影响，解决配电网电压波动、调节能力逐渐降低等问题，亟待解决。
2、目前常用的风电发电系统和电动汽车的协同控制方法是构建风光出力相关性模型，随机抽取样本点生成原始场景样本，由原始场景样本聚类得到风光运行的典型场景，再建立风光运行的典型场景下风光发电系统与电动汽车协同优化控制双层模型；但是该双层模型在构建的过程中并没有考虑到电动汽车的出行特征，也没有考虑到降低配电网网损的情况。
技术实现思路
1、本专利技术提出了一种风光发电系统与电动汽车的协同控制方法及系统，考虑配电网网损和电动汽车用户的出行便利性，构建风光发电系统与电动汽车的协同优化控制双层模型，实现配电网的运行经济最优化，提升电动汽车用户出行的便捷性。
2、本专利技术的第一方面提供了一种风光发电系统与电动汽车的协同控制方法，所述方法包括：
3、使用快速前代技术，根据场景筛选条件对获取的风光运行场景进行缩减，得到典型运行场景；
4、根据风光发电系统和电动汽车的实际需求，构建以最小化配电网网损为目标的上层模型；
5、根据电动汽车用户的实际出行需求，构建以最大化电动汽
6、根据所述上层模型、所述下层模型和典型运行场景，构建协同优化控制双层模型；
7、根据协同优化控制双层模型，获取最优协同控制策略；
8、根据最优协同控制策略，对风光发电系统的发电机组和电动汽车的充放电功率进行协同控制。
9、上述方案先使用快速前代技术对获取的风光运行场景进行缩减，得到更加具有代表性且发生概率更高的典型运行场景，以减少后续的计算成本和提升数据的准确性；然后根据实际需求，分别以最小化配电网网损为目标的上层模型，以最大化电动汽车便利指标和电动汽车的充电电量为目标的下层模型，充分考虑了电动汽车用户出行的便利需求和配电网的运行经济性，基于典型运行场景得到协同优化控制双层模型；最后根据协同优化控制双层模型，得到最优协同控制策略用于调控风光发电系统和电动汽车的协同运行，实现配电网的运行经济最优化，且提升电动汽车用户出行的便捷性。
10、在第一方面的一种可能的实现方法中，使用快速前代技术，根据场景筛选条件对获取的风光运行场景进行缩减，得到典型运行场景，具体为：
11、计算任意两个风光运行场景之间的l2范数，将所述l2范数与对应的风光运行场景的出现概率相乘，得到最小值构成集合；
12、根据场景筛选条件对最小值构成集合进行筛选，直至最小值构成集合中的元素总数等于第一阈值，得到最优最小值构成集合；
13、根据最优最小值构成集合，确定典型运行场景。
14、上述方案先计算任意两个风光运行场景之间的l2范数，并通过所述l2范数计算得到用于表述每个场景出现概率和代表性的最小值构成集合；根据所述最小值构成集合，通过场景筛选条件进行筛选，剔除代表性低且发生概率较低的场景，得到第一阈值个典型运行场景，为后续的计算提供数据支撑减少后续计算的计算成本并提升计算准确度。
15、在第一方面的一种可能的实现方法中，根据风光发电系统和电动汽车的实际需求，构建以最小化配电网网损为目标的上层模型，具体为：
16、根据风光发电系统和电动汽车的实际需求，以电动汽车在各个时刻的充放电功率为变量，以最小化配电网网损为目标，构建上层模型目标函数；
17、根据风光发电系统和电动汽车的实际运行情况，构建上层模型约束条件；其中，所述上层模型约束条件包括风光发电系统出力约束、配电网节点功率约束、电网节点电压约束、电网节点电流约束；
18、根据上层模型目标函数和上层模型约束条件，构建以最小化配电网网损为目标的上层模型。
19、上述方案以电动汽车在各个时刻的充放电功率为变量，构建以最小化配电网网损为目标的上层模型目标函数，实现通过控制电动汽车在各个时刻的充放电功率来最小化配电网网损；然后根据风光发电系统和电动汽车的实际运行情况，从节点的运行稳定性出发构建上层模型约束条件，通过上层模型约束条件对上层模型目标函数的运算进行限制，得到上层模型。
20、在第一方面的一种可能的实现方法中，上层模型目标函数和上层模型约束条件，具体为：
21、所述上层模型目标函数，具体表达式为：
22、
23、式中，f2为配电网网损，t为配电网的运行控制时段总数，δt为每个运行控制时段的时长，l为配电网中线路总数，t、l分别为运行控制时段的编号和线路编号，rl为线路l的阻抗，pl、ql为线路l的有功功率和无功功率，ul为线路l的末端电压；
24、所述风光发电系统出力约束，具体表达式为：
25、
26、式中，pw(t)为t时刻的风电出力，ps(t)为t时刻的光伏出力，pw,max、ps,max分别为风电最大装机容量和光伏发电最大装机容量；
27、所述配电网节点功率约束，具体表达式为：
28、
29、式中，pi、qi分别为节点i的有功功率和无功功率，gij、bij分别为节点i和节点j之间线路的电导和电纳，δij为节点i和节点j之间的电压相位角差，ui、uj分别为节点i的电压和节点j的电压；
30、所述电网节点电压约束，具体表达式为：
31、uimin<ui<uimax；
32、式中，uimin为配电网节点i的电压下限，uimax为配电网节点i的电压上限；
33、所述电网节点电流约束，具体表达式为：
34、iij<iijmax；
35、式中，iij为节点i和节点j之间线路的电流，iijmax为节点i和节点j之间线路的最大电流。
36、在第一方面的一种可能的实现方法中，根据电动汽车用户的实际出行需求，构建以最大化电动汽车便利指标和电动汽车的充电电量为目标的下层模型，具体为：
37、根据电动汽车用户的实际出行需求，以电动汽车便利指标和电动汽车的充电电量为变量，构建下层模型目标函数；其中，可以根据对电动汽车便利指标和电动汽车的充电电量这两个变量的偏好在下层模型目标函数中进行权重调节；
38、根据风光发电系统和电动汽车的实际运行情况，构建下层模型约束条件；其中，所述下层模型约束条件包括电动汽车充放电唯一性约束、电动汽车充放电功率约束、电动汽车的电池荷电状态上下限约束、用户充电需求约束、电动汽车充电时段约束、电动汽车充放电的荷电状态平衡约束；
39、根据下层模型目标函数和下层模型本文档来自技高网...
【技术保护点】
1.一种风光发电系统与电动汽车的协同控制方法，其特征在于，包括：
2.根据权利要求1所述的风光发电系统与电动汽车的协同控制方法，其特征在于，所述使用快速前代技术，根据场景筛选条件对获取的风光运行场景进行缩减，得到典型运行场景，具体为：
3.根据权利要求1所述的风光发电系统与电动汽车的协同控制方法，其特征在于，所述根据风光发电系统和电动汽车的实际需求，构建以最小化配电网网损为目标的上层模型，具体为：
4.根据权利要求3所述的风光发电系统与电动汽车的协同控制方法，其特征在于，所述上层模型目标函数和上层模型约束条件，具体为：
5.根据权利要求1所述的风光发电系统与电动汽车的协同控制方法，其特征在于，所述根据电动汽车用户的实际出行需求，构建以最大化电动汽车便利指标和电动汽车的充电电量为目标的下层模型，具体为：
6.根据权利要求5所述的风光发电系统与电动汽车的协同控制方法，其特征在于，所述电动汽车便利指标和电动汽车的电池荷电状态有关，具体为：
7.根据权利要求5所述的风光发电系统与电动汽车的协同控制方法，其特征在于，所
8.根据权利要求5所述的风光发电系统与电动汽车的协同控制方法，其特征在于，所述下层模型目标函数和下层模型约束条件，具体为：
9.一种风光发电系统与电动汽车的协同控制系统，其特征在于，包括：场景缩减模块、上层模型构建模块、下层模型构建模块、双层模型生成模块、最优协同控制策略获取模块和协同控制模块；
10.一种终端设备，其特征在于，包括处理器和存储器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的一种风光发电系统与电动汽车的协同控制方法的步骤。
...【技术特征摘要】
1.一种风光发电系统与电动汽车的协同控制方法，其特征在于，包括：
2.根据权利要求1所述的风光发电系统与电动汽车的协同控制方法，其特征在于，所述使用快速前代技术，根据场景筛选条件对获取的风光运行场景进行缩减，得到典型运行场景，具体为：
3.根据权利要求1所述的风光发电系统与电动汽车的协同控制方法，其特征在于，所述根据风光发电系统和电动汽车的实际需求，构建以最小化配电网网损为目标的上层模型，具体为：
4.根据权利要求3所述的风光发电系统与电动汽车的协同控制方法，其特征在于，所述上层模型目标函数和上层模型约束条件，具体为：
5.根据权利要求1所述的风光发电系统与电动汽车的协同控制方法，其特征在于，所述根据电动汽车用户的实际出行需求，构建以最大化电动汽车便利指标和电动汽车的充电电量为目标的下层模型，具体为：
6...
【专利技术属性】
技术研发人员：王乃啸，孟子杰，喻振帆，周巍，蔡新雷，李超，江贺彬，潘廷哲，金鑫，曹望璋，
申请(专利权)人：广东电网有限责任公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。