【技术实现步骤摘要】
本专利技术属于电力优化，具体的说是居配台区的光储充协同优化方法及系统。
技术介绍
1、随着电力系统的不断发展和能源结构的转型，分布式光伏发电、储能系统和电动汽车充电桩在配电网中的应用越来越广泛。传统的配电网主要用于单向电力传输，而在新能源和分布式电源的大量接入后，配电网面临着诸多挑战，如电压波动、负载不平衡、局部过载等问题，同时，随着电动汽车的普及，充电负荷的增加对配电网也提出了更高的要求。
2、在此背景下，光伏发电、储能系统和充电桩的协同优化成为解决配电网压力的一种有效手段，通过将光伏发电、储能和充电负荷进行有机结合，可以提高能源的利用效率，降低配电网的运行压力，但存在很多问题：1）分布式能源接入的协调问题，由于光伏发电的间歇性和波动性，单独的光伏发电系统容易导致配电网电压波动；2）电动汽车充电对配电网的冲击问题，电动汽车的集中充电可能导致局部区域的负载过大；3）能源利用效率问题，如何提高光伏发电的自消纳率、减少弃光率。
3、如授权公告号为cn117254526b的中国专利公开了一种光储充检微电网一体站能源协同优化控制方法，应用于光储充电站
包括以下步骤：采集负荷数据和光伏系统的发电功率数据；基于变压器的历史负荷数据建立不同时间段内的负荷模型；基于历史发电功率数据建立光伏系统在不同时间段内的发电模型；将变压器的负荷模型分别与对应时间段的发电模型、预设储能系统输出功率进行比较；基于比较结果、集合电价时间以及光伏系统的实时发电功率切换不同的工作模式，调节光伏系统、储能系统和电网的工作状态。该专利技术
4、如授权公告号为cn111900727b的中国专利公开了一种基于pso的光储充换一体化充电站协同优化调度方法和装置，方法包括以下步骤：获取光储充换一体化充电站内各光伏发电模块、能量储存模块和电动汽车充换电模块的测点信息；根据获取的信息建立协同调度策略模型，协同调度策略模型包括实现光储充换一体化充电站运行成本最小的目标函数和约束条件；通过粒子群算法对协同调度策略模型进行求解；根据求得的最优解制定光储充换一体化充电站的电网电力输入及储能出力计划。与现有技术相比，该专利技术针对充电站内各模块在运作时的协同控制特性对各模块的出力进行协同优化调度，有效减少了一体化充电站对电网系统稳定性的影响，同时也保证了一体化充电站自身的安全稳定运行。
5、上述专利的缺陷：1）未能充分考虑储能系统的优化，可能会影响整体能源协同优化的效果；2）简单的时间集合切换策略可能无法充分应对，导致未能实现最优的能源调度和成本控制。
技术实现思路
1、针对现有技术的不足，本专利技术提出了居配台区的光储充协同优化方法及系统，通过光储充协同优化，可以有效缓解光伏发电带来的电压波动，减少配电网的运行风险，提高配电网的运行稳定性。
2、为实现上述目的，本专利技术提供如下技术方案：
3、居配台区的光储充协同优化方法，包括：
4、采集居配台区内的实时数据；
5、对采集的居配台区内的实时数据进行预处理，建立居配台区的第一预测模型、第二预测模型和第三预测模型；
6、设定优化目标，建立多目标优化模型；
7、设定多目标优化模型的约束条件，对多目标优化模型进行约束，并对多目标优化模型进行求解；
8、根据优化模型的输出，配置光伏、储能和充电设备的容量与位置，优化配电网改造方案。
9、具体的，所述建立居配台区的第一预测模型、第二预测模型和第三预测模型，包括：
10、建立第一预测模型，对居配台区未来的电力需求进行预测，具体公式为：
11、，
12、其中，pload(t)表示居配台区的负荷预测模型，pload(t-1)表示t-1时刻居配台区的历史负荷，pload(t-24)表示前一天t时刻居配台区的负荷数据，t(t)表示t时刻居配台区的环境温度，h(t)表示t时刻居配台区的相对湿度，d(t)表示t时刻居配台区的日照强度，、、、和表示模型的回归系数，表示随机误差项；
13、建立第二预测模型，对时刻t时的光伏发电功率进行预测，具体公式为：
14、，
15、其中，ppv(t)表示时刻t的光伏发电功率预测值，g(t)表示时刻t的太阳辐照度，a表示光伏组件的有效面积，表示光伏组件的初始效率，表示温度系数，tcell(t)表示时刻t时光伏组件的实际温度，tref表示参考温度，表示t时刻太阳光入射角；
16、建立第三预测模型，对时刻t的电车充电功率进行预测，具体公式为：
17、，
18、其中，pchar(t)表示时刻t的电车充电功率预测值，n表示居配台区内电车的数量，表示居配台区内第i辆电车的充电效率，ci表示居配台区内第i辆电车的电池容量，tarr,i表示第i辆电车的预计到达时间，表示居配台区内第i辆电车的充电时间分布宽度参数。
19、具体的，所述建立多目标优化模型，包括：
20、多目标优化模型的具体公式为：
21、，
22、其中，f(x)表示多目标优化模型，即目标优化函数，、、和表示目前权重因子，ctotal表示运营总成本，rpv表示光伏发电的消纳率，xtsta表示光伏发电稳定性的标准差，ctr表示光伏发电的改造成本函数。
23、具体的，所述多目标优化模型的约束条件，包括：
24、电压约束、功率平衡约束、储能设备充放电约束和电车充电约束，电压约束为大于等于储能设备最小电压和小于等于储能设备最大电压，储能设备充放电约束为大于等于零和小于等于储能设备的最大容量，电车充电约束为大于等于零和小于等于电车的最大充电功率。
25、具体的，所述对多目标优化模型进行求解，包括：
26、生成多目标优化模型的初始解的种群；
27、计算多目标优化模型每个初始解的适应度，计算公式为：
28、，
29、其中，g(x)表示多目标优化模型第x个初始解的适应度，ctotal(x)表示多目标优化模型第x个初始解对应的运营总成本，表示多目标优化模型的初始解的种群中运营成本最小值，rpv(x)表示多目标优化模型第x个初始解对应的光伏发电消纳率，表示多目标优化模型的初始解的种群中光伏发电消纳率的最大值，xtsta(x)表示多目标优化模型第x个初始解对应的储能设备稳定性的标准差，表示多目标优化模型的初始解的种群中储能设备稳定性标准差的最小值，ctr(x)表示多目标优化模型第x个初始解对应的光伏发电改造成本，表示多目标优化模型的初始解的种群中光伏发电改造成本的最小值，、、和表示加权系数。
30、具体的，所述对多目标优化模型进行求解，还包括：
31、计算多目标优化模型的初始解种群的平均适应度gavg和最大适应度gmax，对多目标优化模型的初始解进行自适应交叉和变异操作，并对多目标优化模本文档来自技高网...
【技术保护点】
1.居配台区的光储充协同优化方法，其特征在于，包括：
2.如权利要求1所述的居配台区的光储充协同优化方法，其特征在于，所述建立居配台区的第一预测模型、第二预测模型和第三预测模型，包括：
3.如权利要求2所述的居配台区的光储充协同优化方法，其特征在于，所述建立多目标优化模型，包括：
4.如权利要求3所述的居配台区的光储充协同优化方法，其特征在于，所述多目标优化模型的约束条件，包括：
5.如权利要求4所述的居配台区的光储充协同优化方法，其特征在于，所述对多目标优化模型进行求解，包括：
6.如权利要求5所述的居配台区的光储充协同优化方法，其特征在于，所述对多目标优化模型进行求解，还包括：
7.如权利要求6所述的居配台区的光储充协同优化方法，其特征在于，所述居配台区内的实时数据，包括：历史负荷数据、光伏发电数据、充电数据及气象数据。
8.居配台区的光储充协同优化系统，用于实现权利要求1-7中任一项所述的居配台区的光储充协同优化方法，其特征在于，包括：数据采集模块，模型建立模块，目标优化模块，约束求解模块和
9.如权利要求8所述的居配台区的光储充协同优化系统，其特征在于，所述约束求解模块，包括：约束单元和求解单元；
10.一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-7中任一项所述的居配台区的光储充协同优化方法的步骤。
11.一种计算机可读存储介质，其特征在于，其上存储有计算机指令，当计算机指令运行时执行权利要求1-7中任一项所述的居配台区的光储充协同优化方法的步骤。
...【技术特征摘要】
1.居配台区的光储充协同优化方法，其特征在于，包括：
2.如权利要求1所述的居配台区的光储充协同优化方法，其特征在于，所述建立居配台区的第一预测模型、第二预测模型和第三预测模型，包括：
3.如权利要求2所述的居配台区的光储充协同优化方法，其特征在于，所述建立多目标优化模型，包括：
4.如权利要求3所述的居配台区的光储充协同优化方法，其特征在于，所述多目标优化模型的约束条件，包括：
5.如权利要求4所述的居配台区的光储充协同优化方法，其特征在于，所述对多目标优化模型进行求解，包括：
6.如权利要求5所述的居配台区的光储充协同优化方法，其特征在于，所述对多目标优化模型进行求解，还包括：
7.如权利要求6所述的居配台区的光储充协同优化方法，其特征在于，所述居配台区内的实...
【专利技术属性】
技术研发人员：桂帆，郭政，马斌，周翔，李强，李峻，
申请(专利权)人：南京电力设计研究院有限公司，
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。