一种工商业园区电网双层优化控制策略模型建立方法

1.本发明涉及一种工商业园区电网双层优化控制策略模型建立方法，属于电网能量管理技术领域。


背景技术：

2.当前，推动能源转型和绿色发展，电动汽车(electric vehicle，ev)和可再生分布式电源(renewable distributed generation，rdg)发展迅速。以光伏系统为代表的rdg系统在工商业园区得到大量应用，但rdg供电间歇性与波动性较大，将导致园区电网的实际出力与调度计划之间出现较大的偏差，给园区电网的安全运行带来了巨大隐患。此外，园区电网如果包含大量的ev负荷，由于ev数量的自由波动，将加剧这一不利状况。因此，制定合理的能量管理策略是保障园区电网源荷平衡的保障。
3.近年来，模型预测控制(model predictive control，mpc)在风光渗入电网的跟踪调度研究中得到了诸多应用，与传统基于日前风光出力数据进行能量调度的策略不同，mpc可根据日内风光出力实时数据进行超短期预测并滚动优化调度策略。将mpc技术用于电源端出力波动性问题较为常见，而解决负荷端波动性问题的研究少见。
4.ev电池额定容量通常远远大于车主日常所需的里程需求，当接入电网后具有典型的负荷和电源双重属性。通过建立电动汽车虚拟储能系统(ev virtual energy storage system，ev-vess)，并与储能系统(energy storage system，ess)进行容量及功率配合，组成电动汽车-储能电池的混合储能系统(ev-ess hybrid energy storage system，hess)，制定合理的hess充放电规则，不仅可减少因为大量ev接入园区电网造成的不稳定性，还能改善因rdg的出力波动造成的跟踪调度计划的偏差，并提高园区电网运行的经济性。显然，利用ev电池参与电网能量管理(v2g)，可以平抑园区电网负荷，提升可再生能源消纳，有效提升电网运行的稳定性及经济性。但通常情况下，园区电网车辆数量是灵活变化的，因而考虑园区电网参与v2g的ev数量和对象也应该允许其自由变化。这就为制定既能满足车主充电要求，又有效利用ev电池参与v2g的充电场充放电策略带来了很大困难。
5.鉴于此，提出一种基于源、荷不确定性的工商业园区电网双层优化控制策略模型建立方法，可在分布式清洁电源及园区电网内各充电场由于电动汽车数量变化带来的源、荷不确定性的情况下，有效提升园区电网调度策略精确性、可再生分布式电源的消纳、以及园区电网的经济性。


技术实现要素：

6.本发明提供一种工商业园区电网双层优化控制策略模型建立方法，解决了间歇式分布式清洁电源以及园区电网内各充电场由于电动汽车数量变化引起的源、荷不确定性，导致的负荷端波动性问题。
7.本发明的技术方案是：
8.一种工商业园区电网双层优化控制策略模型建立方法，具体步骤如下：
9.step1：以电动车电池储能系统、园区电池储能系统为基础，利用模型预测控制技术，构建上层电动汽车-储能电池的混合储能系统模型，得到滚动修正的实时调度指令与日前调度计划；
10.step2：根据step1中所得到的滚动修正的实时调度指令与日前调度计划综合得出能量调度v2g管理需求，并结合电动车充电需求构建下层充电汽车有序充放电策略模型；
11.step3：根据step2中的下层充电汽车有序充放电策略模型得到实际调度结果，返回至上层电动汽车-储能电池的混合储能系统模型，基于模型预测控制技术，在下一时刻滚动优化更新日前调度计划以及调度指令，最后不断优化更新执行结果输出，结合上层与下层模型得到工商业园区电网双层优化控制策略模型。
12.step1中的上层电动汽车-储能电池的混合储能系统(hess)模型构建过程为：
13.1)设定电动汽车最大充电时延指标
14.定义接入园区电网的电动汽车(ev)个体evi必要充电时间为ti：
[0015][0016]
式(1)中，p
ch,i
为evi额定充电功率，η
ch,i
为额定充电效率，ei为电池容量，s
out,i
为离网soc，s
i,t
为evi在t时刻的soc状态，根据evi必要充电时间、evi个体入网时间t
in,i
与车主所期望的离网时间t
out,i
便可得到每辆evi个体在t时刻的最大充电时延t
dmax,i
，如式(2)所示。最大充电时延t
dmax,i
表示evi个体达到用户离场电池需求soc指标前可充电时间的宽裕程度。
[0017]
t
dmax,i
＝t
out,i-t-ti,t∈[t
in,i
,t
out,i
]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0018]
式(2)中，t
dmax,i
越大的evi相较于其他ev充电时间更宽裕，当t
dmax,i
》0时，表示evi的充电时间为宽裕状态，可进行放电任务，在执行放电任务应优先选择这样的电动汽车，反之，t
dmax,i
越小的evi相较于其他电动汽车的可充电时间更少，在执行电动汽车放电任务的优先级排序中更靠后；当t
dmax,i
≤0时，表示evi需要立即充电，没有执行放电任务的能力，且t
dmax,i
越小的evi充电需求越迫切，具备更高的充电优先级。
[0019]
2)构建电动汽车充放电优先级队列
[0020]
当电动汽车在t时刻接入园区电网时，便可根据上述的最大充电时延指标，建立t时刻的电动汽车充放电优先级队列，具体步骤为：首先建立充放电优先级队列：计算t时刻接入园区电网所有电动汽车的t
dmax,i
，按照t
dmax,i
的正负大小生成充电优先级升序队列n
ch,t
以及放电优先级降序队列n
dis,t
。其次修正充放电优先级队列：为避免频繁调度部分ev，采用荷电均一指标，对有相同t
dmax,i
的ev进行重新排序：
[0021][0022][0023]
式(3)、(4)中，h
ch,i,t
、h
dis,i,t
分别为充、放电优先级队列中要修正的evi的荷电均一值；s
max,i
、s
min,i
分别为evi的最高、最低soc。evi的荷电均一值越大，将更优先动作，当荷电均一值相等时，则t
out,i
越小的evi优先动作。经过上述步骤，便可确定实际的电动汽车充放电
优先级队列n
mix,ch,t
、n
mix,dis,t
。
[0024]
3)构建园区上层hess模型
[0025]
根据上述步骤得到的电动汽车充放电优先级队列，根据队列中所有的电动汽车个体其本身的电池容量、离网soc要求和t时刻的soc状态，计算得到电动汽车的充放电虚拟储能容量为：
[0026][0027][0028]
式(5)、(6)中，e
ve,maxch,t
、e
ve,maxdis,t
分别为t时刻ev-vess的虚拟储能充、放电最大容量。
[0029][0030][0031]
式(7)、(8)中，p
ve,maxch,t
、p
ve,maxdis,t
分别为t时刻ev-vess的虚拟储能充、放电最大功率。p
dis,i
为evi额定放电功率，η
dis,i
为额定放电效率。
[0032]
同理，t时刻的储能系统(ess)充放电容量可以表示为：
[0033]eess,ch,t
＝(s
max,ess-s
ess,t
)
×eess
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)
[0034]eess,dis,t
＝(s
ess,t-s
min,ess
)
×eess
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(10)
[0035]
式(9)、(10)中，e
ess,ch,t
、e
ess,dis,t
分别为t时刻储能系统的充、放电容量；s
max,ess
、s
min,ess
分别为储能系统的最高、最低soc；s
ess,t
为t时刻储能系统的soc，e
ess
为储能系统的额定容量。
[0036]
经过以上步骤，便可得到基于最大充电时延指标的上层动态hess模型：
[0037]ehess,maxch,t
＝e
ve,maxch,t
+e
ess,ch,t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(11)
[0038]ehess,maxdis,t
＝e
ve,maxdis,t
+e
ess,dis,t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(12)
[0039]
p
hess,maxch,t
＝p
ve,maxch,t
+p
ess,ch,max
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(13)
[0040]
p
hess,maxdis,t
＝p
ve,maxdis,t
+η
ess,dis
p
ess,dis,max
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(14)
[0041]
式(11)～(12)中，e
hess,maxch,t
、e
hess,maxdis,t
分别为t时刻的hess的充、放电最大容量；p
hess,maxch,t
、p
hess,maxdis,t
分别为t时刻的hess的充、放电最大功率；η
ess,dis
为储能系统的放电效率；p
ess,ch,max
、p
ess,dis,max
分别为储能系统的充、放电最大功率。
[0042]
step2中的下层充电汽车有序充放电策略模型构建过程为：
[0043]
下层充电汽车有序充放电策略模型在接收到实时调度计划的充放电任务，对电动汽车和储能系统进行充放电任务分配，形成执行指令完成充放电任务，并将执行指令反馈到上层参与mpc计算。
[0044]
1)下层电动汽车充电策略模型
[0045]
当t时刻下层hess接收到充电任务时，定义充电任务功率为p
hess,ch,t
。若p
hess,ch,t
≤
p
hess,maxch,t
，表示t时刻hess可完全消纳充电任务功率，此时按照先电动汽车后储能系统的原则，从n'
mix,ch,t
中降序选择电动汽车配合储能系统完成充电任务，作为充电汽车有序充电策略模型：
[0046][0047]
式(15)中，n'
mix,ch,t
为t时刻n
mix,ch,t
中被安排充电任务的evi总数，总数，p
ch,i,t
、p
ess,ch,t
分别为t时刻被安排充电任务的电动汽车evi与储能系统的充电功率。若p
hess,ch,t
＞p
hess,maxch,t
，表示t时刻hess不能完全消纳充电任务功率，则对hess的所有成员都安排充电任务，大于p
hess,maxch,t
的剩余充电任务功率舍弃。
[0048]
2)下层电动汽车放电策略模型
[0049]
当t时刻下层hess接收到放电任务时，定义放电任务功率为p
hess,dis,t
。此时按照先储能系统后电动汽车的原则，从n
mix,dis,t
中降序选择电动汽车配合储能系统完成放电任务，作为下层充电汽车有序放电策略模型：
[0050][0051]
式(16)中，n'
mix,dis,t
为t时刻n
mix,dis,t
中被安排放电任务的电动汽车evi总数，p
dis,i,t
，p
ess,dis,t
、分别为t时刻被安排放电任务的evi与储能系统的放电功率。式(15)、(16)分别为下层充、放电策略模型，也为下层充电汽车有序充放电策略模型。
[0052]
step3中基于模型预测控制技术(mpc)滚动优化工商业园区电网双层优化控制策略模型构建过程为：
[0053]
1)构建mpc预测控制模型
[0054]
根据园区电网的功率平衡方程及hess的能量平衡方程建立基于mpc预测控制模型中的状态空间方程：
[0055][0056]
式(17)中，x(t)＝[p
pg,t
,e
hess,maxdis,t
]
t
为状态向量，p
pg,t
为t时刻注入园区电网的功率，p
pg,t
＝p
hess,t
+p
rdg,t
+p
g,t
；u(t)＝[p
hess,t
,p
g,t
]
t
为控制向量，p
hess,t
为t时刻hess总功率，p
hess,t
＞0时，p
hess,t
＝p
hess,dis,t
；p
hess,t
＜0时，p
hess,t
＝-p
hess,ch,t
；p
g,t
为t时刻向外部电网的购电量；v(t)＝[p
rdg,t
,δp
l,t
]
t
为扰动向量，p
rdg,t
为t时刻rdg的出力值，δp
l,t
为负荷短期预测功率增量；y(t)＝[p
pg,t
]为输出向量；a，b，c，d为系数矩阵，如下式所示：
[0057][0058]
式(18)中，-ηh为hess的转化效率，th为转换kw和kw
·
h的系数。
[0059]
2)滚动优化
[0060]
上层mpc滚动优化控制目标设定为rdg和hess输出功率以及从外部电网的购电量之和能尽可能接近园区电网负荷预测值，并且尽可能减少园区电网运行成本。目标函数如
式(19)所示：
[0061][0062]
式(19)中：y(t+j)表示t+j时刻预测模型输出；r(t+j)表示t+j时刻的负荷预测值；u(t+j-1)为t+j前一时刻的控制变量；m为控制时域，p为预测时域，m≤p；q和r为权重系数；c
hess
为hess的维护运行成本；p
hess,t+j
为t+j时刻hess输出功率；c
g,t+j
，p
g,t+j
分别为t+j时刻向外部电网购电电价和购电量。通过时域滚动，对预测时域内的模型输出y(t+p|t)进行预测，如式(20)所示：920)
[0063][0064]
式(20)中，y(t+p|t)为t时刻预测出的t+j时刻模型输出；u(t+j|t)为t+j时刻的控制变量增量；v(t+j|t)为t+j时刻的扰动变量增量。
[0065]
3)功率平衡约束
[0066]
(1+α)p
l,t+j
＝p
hess,t+j
(t)+p
rdg,t+j
(t)+p
g,t+j
(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(21)
[0067]
式(21)中，p
l,t+j
为t+j时刻的负荷预测值；α为允许的跟踪偏差；p
hess,t+j
(t)，p
rdg,t+j
(t)，p
g,t+j
(t)分别为t时刻预测的t+j时刻的hess功率，rdg的输出功率和从外部电网购电的购电功率。
[0068]
4)hess荷电水平约束
[0069][0070]
式(22)中，s
i,t+j
，s
ess,t+j
分别为t+j时刻的evi和ess的soc；p
ch,i,t+k
，p
dis,i,t+k
分别为t时刻预测的t+k时刻的evi充放电功率，k∈[1,j]；p
ess,ch,t+k
，p
ess,dis,t+k
为t时刻预测的t+k时刻预测的ess充放电功率。
[0071]
5)hess功率水平约束
[0072][0073]
式(23)中，p
hess,minch,t
为t时刻hess的充电功率下限；p
hess,ch,t+j
(t)，p
hess,dis,t+j
(t)分别为t时刻预测的t+j时刻hess的充放电功率；p
ch,i,min
为evi个体的最小充电功率；p
ess,ch,min
为ess的充电功率下限。
[0074]
6)反馈校正
[0075]
在下一预测时域初始时刻t+1，利用t时刻系统经过下层反馈的hess实际状态与短时风光预测数据置换t时刻mpc模型输出的t+1时刻的预测状态，进行反馈校正，如式(24)所示：
[0076]
x(t+1|t)＝x
tno
(t+1)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(24)
[0077]
式(24)中，x
tno
(t+1)为经过下层控制策略后反馈的系统实际状态，该状态也体现了上层模型与下层模型联系。
[0078]
式(11)～(14)构成的上层电动汽车-储能电池的混合储能系统模型，与式(15)、(16)构成的下层电动汽车有序充放电模型，结合式(17)中的mpc模型以式(19)为目标函数，对预测时域内的模型以式(20)的形式进行预测输出，在满足式(21)功率平衡约束、式(22)hess荷电水平约束、式(23)hess功率水平约束的约束条件下，最终构成工商业园区电网双层优化控制策略模型。
[0079]
本发明的有益效果是：可以在计及源、荷双重不确定性的情况下，兼顾系统风险与成本，实现了系统优化调度方案的可靠性与经济性，为后续研究能源调度过程中的多重不确定性问题提供了良好的参考。
[0080]
可在间歇式分布式清洁电源及园区电网内，由于各充电场电动汽车数量变化带来的源荷不确定性的情况下。利用v2g技术扩展了园区电网储能系统，提升园区电网调度策略精确性，增加了可再生分布式电源的消纳、园区电网的经济效益，为后续研究电网能量管理
过程中的多重不确定性问题提供了良好的参考。
附图说明
[0081]
图1是本发明的步骤流程图；
[0082]
图2是本发明实施例中园区电网示意图；
[0083]
图3是本发明实施例中园区rdg数据；
[0084]
图4是本发明实施例中园区负荷数据；
[0085]
图5是本发明实施例中三种情况下的调度计划与调度结果图；
具体实施方式
[0086]
下面结合附图和具体实施方式，对本发明作进一步说明。
[0087]
实施例1：如图1所示，一种工商业园区电网双层优化控制策略模型建立方法，首先建立了上层电动汽车-储能电池的混合储能系统模型，综合应用园区电池储能系统和电动汽车电池储能系统参与电网能量平衡。其次考虑同时满足车主对电动汽车的充电需求和上层能量调度的v2g管理需求，建立下层园区电网内停车场的充电汽车有序充放电策略模型。最后基于模型预测控制技术，不断提供滚动修正的实时调度指令及日前调度计划，得出工商业园区电网双层优化控制策略模型。
[0088]
以如图2所示园区电网结构的园区电网系统进行算例分析，以某日基本运行情况为分析对象进行仿真。假设该园区多个充电场内一天之中有a、b、c三种不同类型的车接入电网，其详细参数见表1，园区电网ess相关参数见表2。市场峰谷电价及园区电网交易电价见表3，chess取0.6元/kwh。光伏与风电的装机容量分别为100kw和84kw，选取该园区电网的典型光伏、风电功率曲线进行叠加得到日前rdg预测功率曲线，日前rdg预测功率曲线与园区电网日前负荷功率曲线叠加随机模拟量模拟日内实际功率曲线分别见图3、图4。
[0089]
表1接入电网电动汽车情况
[0090][0091]
表2园区电网ess参数
[0092]
[0093]
表3市场峰谷电价
[0094][0095]
模型所提的控制策略中，日前调度时段数为96个调度周期，15min为一个调度周期，预测时域与日前调度时段相同，控制时域与调度周期相同，即p＝1440min(24h)，m＝15min。上层mpc的权重系数q、r分别为1.5和1，跟踪偏差为5％，ηh、th分别为95％和0.25。在上述条件下对以下三种情况进行比较分析：1.根据日前rdg、负荷和hess数据，采用动态经济调度模型，制定的日前调度计划；2.仅考虑日内rdg与负荷波动的mpc调度策略，计算得到的实时调度计划；3.本技术所提的mpc调度策略，综合考虑了日内rdg与负荷波动以及实时hess数据，计算得到的实时调度计划。
[0096]
为了比较三种情况下调度结果的优缺点，引入了平均相对跟踪偏差指标γ
mre
，γ
mre
可用来评估调度计划的可靠性，γ
mre
越小，表明调度计划越可靠，其表达式如下式所示：
[0097][0098]
式中，n为调度周期，文中取值为96。三种情况比较结果见5，评价指标计算结果见4，调度成本见表5。
[0099]
表4三种情况下指标的计算结果
[0100][0101]
表5三种情况下园区调度成本
[0102][0103]
由表4可以看出：情况2和情况3的调度结果均能满足允许跟踪偏差值的要求，且情况3的跟踪偏差值更小。这是因为情况3比情况2多用到了日内实时的hess数据，在有动态hess参与的情况下，能更好地根据短期预测rdg数据与负荷数据，修正日前调度计划使得各电源的输出功率之和都能与实时负荷功率相匹配。情况1相较于采用mpc滚动优化的情况2与情况3，跟踪偏差值更大，因为系统受不确定因素的影响，在日内调度执行中采用日前预测数据所设定的调度指令，大大增加了电网总功率与负荷实时偏差值，这种情况下的园区电网源荷平衡能力差，使得园区电网长期处于不平衡的状态下，并且无法最大程度下消纳rdg功率，造成绿色能源的浪费，而在情况2与情况3下会避免出现这样的情况，这两种情况下的园区电网在实现源荷平衡的同时，还能兼顾rdg功率最大程度的消纳，高效利用绿色能
源。
[0104]
由表5可以看出：情况1所产生的调度成本最高，由于系统受不确定因素的影响，系统的所有扰动由外电网购电承担，这导致无论电价高低，园区电网都有可能向外购电。而情况2和3加入了mpc滚动优化，使得系统可以利用最新的信息计算得到实时调度计划，最大程度利用rdg功率，减少外电网的购电量。
[0105]
由图5(b)与图5(c)，表(5)可以看出：情况2与情况3在没有电动汽车接入的情况下调度计划基本不变，这是由于在ev接入园区电网之前，园区电网处于电价谷期，在以经济性为最优的调度计划中，这段时间都将从外电网中购电。
[0106]
在电动汽车接入园区电网后，园区电网很长一段时间处于电价的平峰期，此时应当使用hess进行源荷平衡，由于情况2采用的还是以往hess的调度指令，使得园区电网在这段时间内频繁向外购电，也并没有考虑到hess实际的充放电能力，可能会使得hess系处于一个较危险的soc水平，而情况3考虑了这一方面，则会使hess的能力范围内进行合理充放电，只在hess能力不足时，向外电网购电，在有剩余的rdg功率情况下对hess进行充电。
[0107]
在电动汽车离开园区电网之后，只能依靠ess完成调度计划。由于情况2并没有考虑实时ess的调度能力，导致ess出力不足，只能在电价峰期购电实现源荷平衡，而情况3则会对ess出力进行合理调控，避免了这种情况的发生。
[0108]
从图5(d)可以看出：hess的运行情况与本文所提的园区电网设备配合运行方案基本一致。其中ev配合运行中，a类车所分配到的放电任务更多，参与调度的能力更强。这是因为a类车相对于其他两类车的期望离网soc较低，充电功率较高，所以其最大充电时延相对较大，在放电意向对列中会排到较高优先级。
[0109]
本发明所提及的工商业园区电网双层优化控制策略模型建立方法，使用该方法建立的基于源、荷不确定性的工商业园区电网双层优化控制策略模型，针对含有大量电动汽车及可再生分布式电源接入的园区电网，提供了一种双层优化控制策略，在提高园区电网执行调度计划能力的同时，更好地解决园区电网内部电动汽车的有序充放电和可再生分布式电源、电动汽车、ess三者配合调度问题。所提策略降低了日内可再生分布式电源与负荷功率变化对日内调度计划的影响，并且采用了实时的hess数据，在兼顾车主意愿的同时修正日前调度计划，降低了平、峰期向外电网购电量，保证了日内调度计划的实时跟踪效果与经济性，为电动汽车参与园区电网新能源消纳和合理制定日内调度计划提供了理论依据，同时能够提升园区电网调度策略精确性，增加可再生分布式电源的消纳与园区电网的经济效益，为后续研究电网能量管理过程中的多重不确定性问题提供了良好的参考。
[0110]
以上结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。

技术特征：
1.一种工商业园区电网双层优化控制策略模型建立方法，其特征在于，包括如下步骤：step1以电动车电池储能系统、园区电池储能系统为基础，利用模型预测控制技术，构建上层电动汽车-储能电池的混合储能系统模型，得到滚动修正的实时调度指令与日前调度计划；step2根据step1中所得到的滚动修正的实时调度指令与日前调度计划综合得出能量调度v2g管理需求，并结合电动车充电需求构建下层充电汽车有序充放电策略模型；step3根据step2中的下层充电汽车有序充放电策略模型得到实际调度结果，返回至上层电动汽车-储能电池的混合储能系统模型，基于模型预测控制技术，在下一时刻滚动优化更新日前调度计划以及调度指令，最后不断优化更新执行结果输出，结合上层与下层模型得到工商业园区电网双层优化控制策略模型。2.根据权利要求1所述的工商业园区电网双层优化控制策略模型建立方法，其特征在于：所述step1中的上层电动汽车-储能电池的混合储能系统模型构建过程为：1)设定电动汽车最大充电时延指标定义接入园区电网的电动汽车个体ev
i
必要充电时间为t
i
：式中，p
ch,i
为ev
i
额定充电功率，η
ch,i
为额定充电效率，e
i
为电池容量，s
out,i
为离网soc，s
i,t
为ev
i
在t时刻的soc状态；ev
i
个体达到用户离场电池需求soc指标前可充电时间的宽裕程度通过最大充电时延t
dmax,i
表示：t
dmax,i
＝t
out,i-t-t
i
,t∈[t
in,i
,t
out,i
]式中，t
in,i
为ev
i
个体入网时间，t
out,i
为车主所期望的离网时间；2)构建电动汽车充放电优先级队列当电动汽车在t时刻接入园区电网时，根据上述最大充电时延指标，建立t时刻的电动汽车充放电优先级队列；首先建立充放电优先级队列：计算t时刻接入园区电网所有电动汽车的t
dmax,i
，按照t
dmax,i
的正负大小生成充电优先级升序队列n
ch,t
以及放电优先级降序队列n
dis,t
，当t
dmax,i
>0时，进行放电任务，t
dmax,i
越小的ev
i
相较于其他电动汽车的可充电时间更少，在执行电动汽车放电任务的优先级排序中更靠后；当t
dmax,i
≤0时，进行充电任务，t
dmax,i
越小的ev
i
充电需求越迫切，具备更高的充电优先级；其次修正充放电优先级队列：采用荷电均一指标，对有相同t
dmax,i
的ev进行重新排序；的ev进行重新排序；式中，h
ch,i,t
、h
dis,i,t
分别为充、放电优先级队列中要修正的ev
i
的荷电均一值；s
max,i
、s
min,i
分别为ev
i
的最高、最低soc，ev
i
的荷电均一值越大，将更优先动作，当荷电均一值相等时，则t
out,i
越小的ev
i
优先动作，经过上述步骤，确定实际的电动汽车充电优先级队列
n
mix,ch,t
、放电优先级队列n
mix,dis,t
；3)构建园区上层电动汽车-储能电池的混合储能系统模型电动汽车的充放电虚拟储能容量为：电动汽车的充放电虚拟储能容量为：式中，e
ve,maxch,t
、e
ve,maxdis,t
分别为t时刻电动汽车虚拟储能系统ev-vess的虚拟储能充电最大容量、放电最大容量；电最大容量、放电最大容量；式中，p
ve,maxch,t
、p
ve,maxdis,t
分别为t时刻ev-vess的虚拟储能充电最大功率、放电最大功率，p
dis,i
为ev
i
额定放电功率，η
dis,i
为额定放电效率；同理，t时刻的储能系统ess充放电容量表示为：e
ess,ch,t
＝(s
max,ess-s
ess,t
)
×
e
ess
e
ess,dis,t
＝(s
ess,t-s
min,ess
)
×
e
ess
式中，e
ess,ch,t
、e
ess,dis,t
分别为t时刻ess的充电容量、放电容量；s
max,ess
、s
min,ess
分别为ess的最高soc、最低soc；s
ess,t
为t时刻ess的soc，e
ess
为ess的额定容量；基于最大充电时延指标的上层电动汽车-储能电池的混合储能系统模型为：e
hess,maxch,t
＝e
ve,maxch,t
+e
ess,ch,t
e
hess,maxdis,t
＝e
ve,maxdis,t
+e
ess,dis,t
p
hess,maxch,t
＝p
ve,maxch,t
+p
ess,ch,max
p
hess,maxdis,t
＝p
ve,maxdis,t
+η
ess,dis
p
ess,dis,max
式中，e
hess,maxch,t
、e
hess,maxdis,t
分别为t时刻的电动汽车-储能电池的混合储能系统hess的充电最大容量、放电最大容量；p
hess,maxch,t
、p
hess,maxdis,t
分别为t时刻的hess的充电最大功率、放电最大功率；η
ess,dis
为ess的放电效率；p
ess,ch,max
、p
ess,dis,max
分别为ess的充电最大功率、放电最大功率。3.根据权利要求1所述的工商业园区电网双层优化控制策略模型建立方法，其特征在于：所述step2中的下层充电汽车有序充放电策略模型包括下层电动汽车充电策略模型和下层电动汽车放电策略模型，构建过程为：下层充电汽车有序充放电策略模型在接收到实时调度计划的充放电任务，对电动汽车和储能系统进行充放电任务分配，形成执行指令完成充放电任务，并将执行指令反馈到上层参与模型预测控制计算；1)下层电动汽车充电策略模型当t时刻下层hess接收到充电任务时，定义充电任务功率为p
hess,ch,t
，若p
hess,ch,t
≤p
hess,maxch,t
，表示t时刻hess可完全消纳充电任务功率，此时按照先电动汽车后储能系统的
原则，从n'
mix,ch,t
中降序选择电动汽车配合储能系统完成充电任务，作为充电汽车有序充电策略模型：式中，n'
mix,ch,t
为t时刻n
mix,ch,t
中被安排充电任务的ev
i
总数，总数，p
ch,i,t
、p
ess,ch,t
分别为t时刻被安排充电任务的电动汽车ev
i
与储能系统的充电功率，若p
hess,ch,t
＞p
hess,maxch,t
，表示t时刻hess不能完全消纳充电任务功率，则对hess的所有成员都安排充电任务，大于p
hess,maxch,t
的剩余充电任务功率舍弃；2)下层电动汽车放电策略模型当t时刻下层hess接收到放电任务时，定义放电任务功率为p
hess,dis,t
，按照先储能系统后电动汽车的原则，从n
mix,dis,t
中降序选择电动汽车配合储能系统完成放电任务，作为下层充电汽车有序放电策略模型：式中，n'
mix,dis,t
为t时刻n
mix,dis,t
中被安排放电任务的电动汽车ev
i
总数，p
dis,i,t
，p
ess,dis,t
、分别为t时刻被安排放电任务的ev
i
与储能系统的放电功率。4.根据权利要求1所述的工商业园区电网双层优化控制策略模型建立方法，其特征在于：所述step3中基于模型预测控制技术滚动优化工商业园区电网双层优化控制策略模型构建过程为：1)构建预测控制模型建立基于预测控制模型中的状态空间方程：式中，x(t)＝[p
pg,t
,e
hess,maxdis,t
]
t
为状态向量，p
pg,t
为t时刻注入园区电网的功率，p
pg,t
＝p
hess,t
+p
rdg,t
+p
g,t
，p
rdg,t
为t时刻rdg的出力值，p
g,t
为t时刻向外部电网的购电量；u(t)＝[p
hess,t
,p
g,t
]
t
为控制向量，p
hess,t
为t时刻hess总功率，p
hess,t
＞0时，p
hess,t
＝p
hess,dis,t
，p
hess,t
＜0时，p
hess,t
＝-p
hess,ch,t
；v(t)＝[p
rdg,t
,δp
l,t
]
t
为扰动向量，δp
l,t
为负荷短期预测功率增量；y(t)＝[p
pg,t
]为输出向量；a，b，c，d为系数矩阵，如下式所示：c＝[1 0]d＝[1
ꢀ‑
1]式中，-η
h
为hess的转化效率，t
h
为转换kw和kw
·
h的系数；2)滚动优化上层滚动优化控制目标设定为rdg和hess输出功率以及从外部电网的购电量之和接近园区电网负荷预测值，同时减少园区电网运行成本，目标函数为：
式中，y(t+j)表示t+j时刻预测模型输出；r(t+j)表示t+j时刻的负荷预测值；u(t+j-1)为t+j前一时刻的控制变量；m为控制时域，p为预测时域，m≤p；q和r为权重系数；c
hess
为hess的维护运行成本；p
hess,t+j
为t+j时刻hess输出功率；c
g,t+j
，p
g,t+j
分别为t+j时刻向外部电网购电电价和购电量，通过时域滚动，对预测时域内的模型输出y(t+p|t)进行预测：y(t+1|t)＝cx(t+1|t)+y(t)＝cax(t)+cbu(t|t)+cdv(t)+y(t)....式中，y(t+p|t)为t时刻预测出的t+j时刻模型输出；u(t+j|t)为t+j时刻的控制变量增量；v(t+j|t)为t+j时刻的扰动变量增量；3)功率平衡约束(1+α)p
l,t+j
＝p
hess,t+j
(t)+p
rdg,t+j
(t)+p
g,t+j
(t)式中，p
l,t+j
为t+j时刻的负荷预测值；α为允许的跟踪偏差；p
hess,t+j
(t)，p
rdg,t+j
(t)，p
g,t+j
(t)分别为t时刻预测的t+j时刻的hess功率，rdg的输出功率和从外部电网购电的购电功率；4)hess荷电水平约束s
min,i
≤s
i,t+j
≤s
max,i
s
min,ess
≤s
ess,t+j
≤s
max,ess
式中，s
i,t+j
，s
ess,t+j
分别为t+j时刻的ev
i
和ess的soc；p
ch,i,t+k
，p
dis,i,t+k
分别为t时刻预测的t+k时刻的ev
i
充电功率、放电功率，k∈[1,j]；p
ess,ch,t+k
，p
ess,dis,t+k
分别为t时刻预测的t+k时刻预测的ess充电功率、放电功率；5)hess功率水平约束5)hess功率水平约束式中，p
hess,minch,t
为t时刻hess的充电功率下限；p
hess,ch,t+j
(t)，p
hess,dis,t+j
(t)分别为t时刻预测的t+j时刻hess的充电功率、放电功率；p
ch,i,min
为ev
i
个体的最小充电功率；p
ess,ch,min
为ess的充电功率下限；6)反馈校正在下一预测时域初始时刻t+1，利用t时刻系统经过下层反馈的hess实际状态与短时风光预测数据置换t时刻预测控制模型输出的t+1时刻的预测状态，进行反馈校正：x(t+1|t)＝x
tno
(t+1)式中，x
tno
(t+1)为经过下层控制策略后反馈的系统实际状态；step1的上层电动汽车-储能电池的混合储能系统模型，与step2的下层电动汽车有序充放电模型，结合预测控制模型，根据目标函数对预测时域内的模型进行预测输出，在满足功率平衡约束、hess荷电水平约束、hess功率水平约束的约束条件下，最终构成工商业园区电网双层优化控制策略模型。

技术总结
本发明涉及一种工商业园区电网双层优化控制策略模型建立方法，属于电网能量管理技术领域。本发明首先建立了上层电动汽车-储能电池的混合储能系统模型，综合应用园区电池储能系统和电动汽车电池储能系统参与电网能量平衡。其次考虑同时满足车主对电动汽车的充电需求和上层能量调度的V2G管理需求，建立了下层园区电网内停车场的充电汽车有序充放电策略模型。最后基于模型预测控制技术，不断提供滚动修正的实时调度指令及日前调度计划，解决分布式清洁电源及园区电网内各充电场由于电动汽车数量变化带来的源荷不确定性。本发明扩展了园区电网储能系统，提升了园区电网调度策略精确性，增加了可再生分布式电源的消纳与园区电网的经济效益。电网的经济效益。电网的经济效益。


技术研发人员：邱革非 何虹辉 刘铠铭 冯泽华 杨昊天 杨浩宇 何超
受保护的技术使用者：昆明理工大学
技术研发日：2023.04.20
技术公布日：2023/8/9