面向"碳中和"目標(biāo)的園區(qū)能源系統(tǒng)規(guī)劃與以風(fēng)光儲(chǔ)/體化和電動(dòng)汽車有序充電為核心的"零碳"園區(qū)優(yōu)化配置與運(yùn)行策略 研究背景景能源與氣候危機(jī)隨著全球經(jīng)濟(jì)的快速發(fā)展,化石能源的大量開采與消耗導(dǎo)致溫室氣體排放持續(xù)增全球?qū)δ茉炊倘迸c氣候變化問題的高度重視,低碳可持續(xù)發(fā)展成為主流趨勢(shì)2工業(yè)園區(qū)作為各國工業(yè)體系的重要組成部分,是碳排放和能源消耗的關(guān)鍵源頭2據(jù)統(tǒng)計(jì),工業(yè)園區(qū)耗能占全國總耗能的60%以上,碳排放占比約為30%2在此背景下,建設(shè)低碳、清潔的園區(qū)能源系統(tǒng)成為全球工業(yè)發(fā)展的重要方向2政策推動(dòng)與技術(shù)機(jī)遇我國出臺(tái)了/系列推動(dòng)能源安全與低碳轉(zhuǎn)型的政策22016年《"十三五"能源規(guī)劃》提出建設(shè)清潔低碳安全高效的現(xiàn)代能源體系22020年,我國在聯(lián)合國大會(huì)上提出2030年前實(shí)現(xiàn)"碳達(dá)峰"、2060年前實(shí)現(xiàn)"碳中和"的目標(biāo)22021年《"十四五"能源領(lǐng)域科技創(chuàng)新規(guī)劃》強(qiáng)調(diào)開展源網(wǎng)荷儲(chǔ)/體化和風(fēng)光儲(chǔ)/體化規(guī)劃與集成設(shè)計(jì)研究22023年國家能源局發(fā)布通知,要求在2025年前發(fā)展實(shí)施/批技術(shù)先進(jìn)、經(jīng)濟(jì)效益良好的可再生能源示范項(xiàng)儲(chǔ)能系統(tǒng)優(yōu)化配置合理配置儲(chǔ)能系統(tǒng)是提高風(fēng)光利用率、保障園區(qū)電能供應(yīng)穩(wěn)定性的關(guān)鍵2需要在考慮風(fēng)光?力不確定性與相關(guān)性的基礎(chǔ)上儲(chǔ)能系統(tǒng)優(yōu)化配置合理配置儲(chǔ)能系統(tǒng)是提高風(fēng)光利用率、保障園區(qū)電能供應(yīng)穩(wěn)定性的關(guān)鍵2需要在考慮風(fēng)光?力不確定性與相關(guān)性的基礎(chǔ)上,對(duì)儲(chǔ)能容量進(jìn)行經(jīng)濟(jì)性與技術(shù)性的綜合優(yōu)化2電動(dòng)汽車充電管理截至2023年12月,s國電動(dòng)汽車保有量突破2040萬輛2大規(guī)模電動(dòng)汽車無序充電會(huì)對(duì)電網(wǎng)造r巨大óü2如何制定有序充電計(jì)劃,在保障電網(wǎng)與用戶利益的同時(shí)最大化消納園區(qū)棄風(fēng)棄光電量,是亟需解?的難題2可再生能源間歇性風(fēng)力和光伏發(fā)電受天氣因素影響,具有較強(qiáng)具有互補(bǔ)性,但波動(dòng)性給園區(qū)規(guī)劃與運(yùn)行帶來挑戰(zhàn),需要配備儲(chǔ)能設(shè)施和備用電源以保障供需平衡2文獻(xiàn)綜述"零碳"園區(qū)、儲(chǔ)能規(guī)劃、風(fēng)光儲(chǔ)優(yōu)化配置以及電動(dòng)汽車充電行~管理是當(dāng)前能源領(lǐng)域的研究熱點(diǎn)2國內(nèi)外學(xué)者在這些方向取得了豐富的研究成果,~本研究提供了重要的理論基礎(chǔ)和實(shí)踐參考201"零碳"園區(qū)發(fā)展研究國內(nèi)外積極推動(dòng)"零碳"園區(qū)發(fā)展,如福建O峽海P風(fēng)電產(chǎn)業(yè)園區(qū)和歐洲歐瑞府科技園區(qū)2研究主要集中在大規(guī)模園區(qū),而小型"零碳"園區(qū)因負(fù)荷水平較低、設(shè)計(jì)簡(jiǎn)單、數(shù)量更多而具有良好發(fā)展前景203風(fēng)光儲(chǔ)優(yōu)化配置研究研究人員深入探討了風(fēng)光儲(chǔ)系統(tǒng)的優(yōu)化配置,充分利用風(fēng)光時(shí)空互補(bǔ)特性2但大部分研究將風(fēng)光儲(chǔ)作~備用系統(tǒng),未考慮園區(qū)完全依靠風(fēng)光供電的情況2本文將基于園區(qū)負(fù)荷優(yōu)化風(fēng)光儲(chǔ)裝機(jī)容量202儲(chǔ)能規(guī)劃研究學(xué)者們從經(jīng)濟(jì)效益、風(fēng)電出力期望值、預(yù)測(cè)誤差統(tǒng)計(jì)特性等角度提出多種儲(chǔ)能配置優(yōu)化方法2但現(xiàn)有研究較少考慮儲(chǔ)能在園區(qū)中同時(shí)發(fā)揮多種作用的情況,本文將進(jìn)一步分析儲(chǔ)能的運(yùn)行狀況204電動(dòng)汽車充電行~研究從電網(wǎng)側(cè)有序充電策略和需求響應(yīng)引導(dǎo)策略兩方面展開研究2學(xué)者們提出了多種有序充電策略以降低電網(wǎng)負(fù)荷峰谷差和充電成本2但現(xiàn)有研究較少考慮獨(dú)立運(yùn)行園區(qū)與電網(wǎng)分時(shí)段向充電站供電的情況2研究?jī)?nèi)容與技術(shù)路線本文針對(duì)"零碳"園區(qū)建設(shè)中的關(guān)鍵技術(shù)問題,系統(tǒng)研究風(fēng)光儲(chǔ)優(yōu)化配置方法和電動(dòng)汽車協(xié)同調(diào)度策略,主要研究?jī)?nèi)容包括風(fēng)光功率預(yù)測(cè)與容量配置、考慮相關(guān)性的儲(chǔ)能優(yōu)化配置、基于電動(dòng)汽車有序充電的風(fēng)光消納策略三個(gè)核心部分。第二章:基于功率預(yù)測(cè)的園區(qū)風(fēng)光配置建立"零碳"園區(qū)設(shè)備數(shù)學(xué)模型,對(duì)比ELM、LSTM和GRU三種預(yù)測(cè)算法的性能。使用LSTM算法對(duì)園區(qū)風(fēng)光出力進(jìn)行預(yù)測(cè),并基于典型日負(fù)荷需求確定風(fēng)光機(jī)組最優(yōu)配置方案。第三章:考慮風(fēng)光出力相關(guān)性的儲(chǔ)能配置采用核密度估計(jì)法與FrankCopula函數(shù)生成考慮相關(guān)性的風(fēng)光場(chǎng)景,使用K-means聚類算法削減場(chǎng)景。建立雙層儲(chǔ)能優(yōu)化配置模型,上層優(yōu)化全生命周期成本,下層優(yōu)化棄風(fēng)棄光懲罰與發(fā)電成本。第四章:基于電動(dòng)汽車有序充電的園區(qū)風(fēng)光消納策略提出雙層優(yōu)化策略,上層制定綜合考慮電網(wǎng)穩(wěn)定性與用戶滿意度的有序充電計(jì)劃,下層根據(jù)園區(qū)運(yùn)行情況制定供電策略,實(shí)現(xiàn)對(duì)園區(qū)棄風(fēng)棄光電量的高效消創(chuàng)新點(diǎn)考慮相關(guān)性的雙層儲(chǔ)能優(yōu)化配置采用核密度估計(jì)與Copula考慮相關(guān)性的雙層儲(chǔ)能優(yōu)化配置采用核密度估計(jì)與Copula理論生成考慮風(fēng)光出力不確定性與相關(guān)性的典型場(chǎng)景。構(gòu)建雙層優(yōu)化模型,N層考慮儲(chǔ)能全生命周期成本,O層考慮運(yùn)行中的棄風(fēng)棄光懲罰與發(fā)電成本,實(shí)現(xiàn)儲(chǔ)能容量的經(jīng)濟(jì)性優(yōu)化配置。電網(wǎng)-園區(qū)協(xié)同的電動(dòng)汽車充電策略提出電網(wǎng)與"零碳"園區(qū)分時(shí)段向充電站供電的雙層優(yōu)化策略。N層綜合考慮電網(wǎng)負(fù)荷峰谷差與用戶充電費(fèi)用制定有序充電計(jì)劃,O層基于園區(qū)運(yùn)行狀況動(dòng)態(tài)調(diào)整供電策略,實(shí)現(xiàn)多方利益平衡與風(fēng)光消納最大化。功率預(yù)測(cè)驅(qū)動(dòng)的風(fēng)光配置方法提出基于LSTM算法的風(fēng)光功率預(yù)測(cè)方法,通過小規(guī)模風(fēng)光電場(chǎng)數(shù)據(jù)訓(xùn)練模型,將其應(yīng)用于"零碳"園區(qū)風(fēng)光出力預(yù)測(cè)?；陬A(yù)測(cè)數(shù)據(jù)和典型日負(fù)荷分析,確定經(jīng)濟(jì)性最優(yōu)的風(fēng)光配置方案,為園區(qū)規(guī)劃提供數(shù)據(jù)支撐。"零碳"園區(qū)能源系統(tǒng)由可再生能源發(fā)電系統(tǒng)、儲(chǔ)能系統(tǒng)、備用發(fā)電機(jī)組和本地負(fù)荷構(gòu)成2通過改變園區(qū)能源結(jié)構(gòu),配備足夠數(shù)量的風(fēng)光發(fā)電機(jī)組滿足園區(qū)日常負(fù)荷需求,是減少碳排放最有效的方法2可再生能源發(fā)電系統(tǒng)包括風(fēng)力發(fā)電機(jī)組和光伏電池陣列,通過AC/DC或DC/AC變換器與交流為園區(qū)主要電源,需要通過功率預(yù)測(cè)和優(yōu)化配置保證供電可靠性2儲(chǔ)能系統(tǒng)與備用電源配備鋰電池儲(chǔ)能系統(tǒng)應(yīng)對(duì)風(fēng)光出力波動(dòng),通過DC/AC變換器與母線連備用電源,在儲(chǔ)能不足時(shí)保障園區(qū)正常運(yùn)行,確保供電安全性2控制與信息系統(tǒng)控制中心通過信息傳輸線實(shí)時(shí)監(jiān)測(cè)各設(shè)備運(yùn)行狀態(tài),協(xié)調(diào)風(fēng)光儲(chǔ)備用電源與負(fù)荷之間的功率平衡,實(shí)現(xiàn)園區(qū)能源的智能化管理與優(yōu)化調(diào)度2風(fēng)力發(fā)電機(jī)數(shù)學(xué)模型風(fēng)力發(fā)電作為清潔能源被廣泛應(yīng)用于園區(qū)能源系統(tǒng)。單臺(tái)風(fēng)力發(fā)電機(jī)的輸出功率由切入風(fēng)速、額定風(fēng)速和切出風(fēng)速?zèng)Q定。當(dāng)風(fēng)速低于切入風(fēng)速或超出切出風(fēng)速時(shí),風(fēng)機(jī)停轉(zhuǎn)不輸出電能;當(dāng)風(fēng)速處于切入風(fēng)速和額定風(fēng)速之間時(shí),輸出功率與風(fēng)速成比例關(guān)系;當(dāng)風(fēng)速位于額定風(fēng)速和切出風(fēng)速之間時(shí),輸出功率保持為額定功率。風(fēng)機(jī)輸出特性方程vvfvmorvgvoutvm<v<vrvr<vfvout式中:P_WT為風(fēng)力發(fā)電機(jī)實(shí)際發(fā)電功率;v為風(fēng)機(jī)輪轂處風(fēng)速;v_m為切入風(fēng)速;v_out為切出風(fēng)速;v_r為額定風(fēng)速;P'_WT為額定輸出功率。該模型準(zhǔn)確描述了風(fēng)機(jī)在不同風(fēng)速下的運(yùn)行特性,為風(fēng)電功率預(yù)測(cè)與容量配置提供理論基礎(chǔ)。光伏輸出功率模型Tcell,t=Ta,t+0.0138×(1+0.031×T光伏輸出功率模型Tcell,t=Ta,t+0.0138×(1+0.031×Ta,t)×(1?0.042×vt)×It式中:P'_PV為t時(shí)刻輸出功率;f_STC為功率降額因子;I_t為t時(shí)刻輻照度;vt為風(fēng)速2該模型綜合考慮了輻照度、溫度、風(fēng)速等環(huán)境因素對(duì)光伏輸出功率的影響2光伏電池等效電路模型等效串聯(lián)電阻;V為輸出電壓;I_d為二極管電流2在含分布式能源的園區(qū)中,風(fēng)光出力的不確定性會(huì)導(dǎo)致電能供應(yīng)過?；蚨倘?配置儲(chǔ)能可有效解決風(fēng)光出力與負(fù)荷需求不同步的問題2目前鋰電池因使用壽命長(zhǎng)、綠色環(huán)保而被廣泛用于園區(qū)儲(chǔ)能系統(tǒng)2柴油發(fā)電機(jī)可作為園區(qū)備用電源,其發(fā)電效率高于微型燃?xì)廨啓C(jī),能在風(fēng)光儲(chǔ)不足時(shí)保障園區(qū)正常運(yùn)行2儲(chǔ)能裝置數(shù)學(xué)模型式中:W_bat(t)為儲(chǔ)能t時(shí)刻剩余容量;τ_bat為充放電損耗;P_bat,ch(t)和P_bat,dis為t時(shí)刻充放電功率;η_bat,ch和η_bat,dis為充放電效率2該模型考慮了儲(chǔ)能的充放電效率和自放電損耗,能夠準(zhǔn)確描述儲(chǔ)能在不同工況下的運(yùn)行特性2柴油發(fā)電機(jī)模型F=F0Ygen+F1Pgenf(Pgen)=aPen+bPgen+c本函數(shù)系數(shù)2該模型采用二次函數(shù)表?發(fā)電成本,能夠準(zhǔn)確反映柴油發(fā)電機(jī)的運(yùn)行經(jīng)濟(jì)性2算法對(duì)比風(fēng)光發(fā)電功率受天氣因素影響具有較強(qiáng)隨機(jī)性,準(zhǔn)確的功率預(yù)測(cè)對(duì)園區(qū)規(guī)劃至關(guān)重要2本研究選取了三種主流預(yù)測(cè)算法進(jìn)行對(duì)比分析:ELM極限學(xué)習(xí)機(jī)算法、LSTM長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)和GRU門控循環(huán)單元,通過實(shí)際案例驗(yàn)證各算法的預(yù)測(cè)精度和適用性2ELM極限學(xué)習(xí)機(jī)算法基于廣義矩陣?yán)碚摰膯坞[層網(wǎng)絡(luò)模型2輸入層到隱含層的權(quán)重和偏差可隨機(jī)取值,無需調(diào)整,在相等預(yù)測(cè)精度下運(yùn)算速度更快2但對(duì)動(dòng)態(tài)變化數(shù)據(jù)的處理能力較弱,整體預(yù)測(cè)誤差較高2LSTM長(zhǎng)短期記憶網(wǎng)絡(luò)通過輸入門、遺忘門和輸出門機(jī)制處理時(shí)序數(shù)據(jù)2能夠捕捉長(zhǎng)期依賴關(guān)系,對(duì)風(fēng)光功率的預(yù)測(cè)精度最高2R2達(dá)0.94以上,MAPE低于6%,是三種算法中綜合性能最優(yōu)的選擇2通過更新門和重置門控制信息流動(dòng),結(jié)構(gòu)比LSTM更精簡(jiǎn),運(yùn)算速度更快2預(yù)測(cè)精度介于ELM和LSTM之間,在某些特定任務(wù)上效果良好,是速度與精度的折中方案2選取某地10MW風(fēng)電場(chǎng)與5MW光伏電站2022年的實(shí)時(shí)數(shù)據(jù),采樣步長(zhǎng)為1小時(shí),數(shù)據(jù)包括風(fēng)速、風(fēng)向、溫度、太陽輻射角、輻射量及功率。選取70%數(shù)據(jù)作為訓(xùn)練集,30%作為測(cè)試集,對(duì)三種算法進(jìn)行評(píng)估。評(píng)價(jià)指標(biāo)包括決定系數(shù)R2和平均絕對(duì)百分比誤差MAPE。光伏功率預(yù)測(cè)結(jié)果評(píng)價(jià)評(píng)價(jià)指標(biāo)光伏功率預(yù)測(cè)結(jié)果評(píng)價(jià)評(píng)價(jià)指標(biāo)ELM0.94520.94520.90370.9425MAPE(%)MAPE(%)6.8044.964ELMLSTMLSTMLSTM算法的R2值最接近1,MAPE值最小,預(yù)測(cè)精度最高。ELM算法結(jié)構(gòu)簡(jiǎn)單,對(duì)動(dòng)態(tài)變化數(shù)據(jù)處理能力較差,預(yù)測(cè)誤差相LSTM算法的R2值最接近1,MAPE值最小,預(yù)測(cè)精度最高。ELM算法結(jié)構(gòu)簡(jiǎn)單,對(duì)動(dòng)態(tài)變化數(shù)據(jù)處理能力較差,預(yù)測(cè)誤差相對(duì)較大。綜合分析表明,LSTM算法對(duì)風(fēng)光功率預(yù)測(cè)最為準(zhǔn)確,能夠?yàn)閳@區(qū)規(guī)劃運(yùn)行提供更為可靠的數(shù)據(jù)支撐,因此本研究采用LSTM算法進(jìn)行風(fēng)光功率預(yù)測(cè)?；贚STM算法的預(yù)測(cè)結(jié)果,提出一種經(jīng)濟(jì)性優(yōu)化的風(fēng)Z容量配置方法2首Y利用小規(guī)模風(fēng)Z電場(chǎng)的歷史數(shù)據(jù)訓(xùn)練預(yù)測(cè)模型,然后應(yīng)用于"零碳"園區(qū)風(fēng)Z出力預(yù)測(cè),經(jīng)標(biāo)幺化處理得到單位裝機(jī)容量下的預(yù)測(cè)功率,最后根據(jù)典型日負(fù)荷需求確定最優(yōu)配置方案201模型訓(xùn)練將10MW風(fēng)電場(chǎng)與5MWZ伏電站的歷史風(fēng)速、風(fēng)向、溫度、輻射和功率數(shù)據(jù)作為訓(xùn)練集,對(duì)LSTM預(yù)測(cè)模型進(jìn)行訓(xùn)練,建立氣候參數(shù)與發(fā)電功率之間的映射關(guān)系203經(jīng)濟(jì)性分析計(jì)算風(fēng)電和Z伏的度電成本2考慮設(shè)備成本、建安成本、線路架設(shè)成本等,1MW風(fēng)電度電成本為0.236元/kWh,1MWZ伏度電成本為0.170元/kWh2Z伏發(fā)電經(jīng)濟(jì)性優(yōu)于風(fēng)電,應(yīng)優(yōu)Y配置Z伏202功率預(yù)測(cè)將"零碳"園區(qū)所在地區(qū)的歷史氣候數(shù)據(jù)輸入訓(xùn)練后的模型,得到風(fēng)電和Z伏在10MW和5MW裝機(jī)容量時(shí)的預(yù)測(cè)功率2對(duì)預(yù)測(cè)數(shù)據(jù)進(jìn)行標(biāo)幺化處理,得到單位裝機(jī)容量的年功率預(yù)測(cè)數(shù)據(jù)204容量配置根據(jù)園區(qū)可用安裝面積確定Z伏最大裝機(jī)容量為1.3MW2選取春夏秋冬四個(gè)典型日,對(duì)比各日電量需求與Z伏發(fā)電量,計(jì)算缺額電量2以冬季典型日缺額最大作為配置標(biāo)準(zhǔn),確定風(fēng)電裝機(jī)容量為400kW2綜合考慮園區(qū)負(fù)荷需求、可用安裝面積、設(shè)備經(jīng)濟(jì)性等因素,確定"零碳"園區(qū)的最優(yōu)風(fēng)光配置方案2光伏裝機(jī)容量1300kW,風(fēng)電裝機(jī)容量400kW,該配置能夠滿足園區(qū)全年負(fù)荷需求,同時(shí)實(shí)現(xiàn)經(jīng)濟(jì)性最優(yōu)2風(fēng)光配置方案設(shè)備類型設(shè)備型號(hào)裝機(jī)容量光伏XKD-200W1300kW風(fēng)電LP-50KW400kW光伏采用200Wp電池板6500塊,風(fēng)電采用50kW垂直軸風(fēng)機(jī)8臺(tái)2光伏占地約8000m2,已達(dá)到園區(qū)可用安裝面積上限2該配置方案能夠保證園區(qū)在全年各典型日內(nèi)的電能供應(yīng)需求2典型日電量平衡典型日負(fù)荷電量缺額電量春季5700kWh840kWh夏季8038kWh862kWh秋季9100kWh2219kWh冬季7426kWh2235kWh冬季典型日缺額電量最大,以此作為風(fēng)電容量配置標(biāo)準(zhǔn)2配置400kW風(fēng)電后能滿足冬季用電需求,其他季節(jié)則有富余電量可供儲(chǔ)能或外部負(fù)荷消場(chǎng)景生成風(fēng)光出力的不確定性和相關(guān)性對(duì)園區(qū)儲(chǔ)能規(guī)劃和運(yùn)行調(diào)度有重要影響。本研究采用核密度估計(jì)法與FrankCopula函數(shù)生成考慮風(fēng)光出力相關(guān)性的場(chǎng)景,通過K-means聚類算法將大量場(chǎng)景削減為4個(gè)典型日?qǐng)鼍?為儲(chǔ)能配置優(yōu)化提供科學(xué)依據(jù)。Copula理論Copula函數(shù)是連接多個(gè)變量聯(lián)合分布和邊緣分布的函數(shù)。FrankCopula函數(shù)既可描述非負(fù)相關(guān)性也可描述負(fù)相關(guān)性,適合表征同一地區(qū)風(fēng)光出力的負(fù)相關(guān)互補(bǔ)關(guān)聯(lián)合分布構(gòu)建使用FrankCopula函數(shù)將每個(gè)時(shí)刻的風(fēng)光概率密度函數(shù)連接構(gòu)成聯(lián)合分布函數(shù),能夠準(zhǔn)確反映風(fēng)光出力的時(shí)序相關(guān)性和互補(bǔ)特性。 核密度估計(jì)對(duì)每小時(shí)風(fēng)光出力數(shù)據(jù)進(jìn)行核密度估計(jì)擬合,得到概率密度函數(shù)。采用高斯核函數(shù),能夠準(zhǔn)確描述風(fēng)光出力的統(tǒng)計(jì)分布特性。場(chǎng)景生成與削減對(duì)聯(lián)合分布進(jìn)行隨機(jī)采樣生成大量風(fēng)光相關(guān)性場(chǎng)景。使用K-means聚類算法設(shè)置4個(gè)聚類中心,將場(chǎng)景削減典型日?qǐng)鼍疤卣鞣治鐾ㄟ^場(chǎng)景生成與削減得到春季、夏季、秋季、冬季四個(gè)典型日?qǐng)鼍?各典型日的概率分別為0.27、0.21、0.30、0.22。各典型日的風(fēng)光出力在時(shí)間尺度上具有/定相關(guān)性,季節(jié)性特征顯著,能夠較好地描述當(dāng)?shù)仫L(fēng)光出力的相關(guān)性與不確定性。春季典型日特征春季典型日特征落日時(shí)間較早,晚間風(fēng)速水平高于白天。風(fēng)光互補(bǔ)特性明顯,夜晚風(fēng)電出力充足可彌補(bǔ)光伏發(fā)電不足。日照時(shí)長(zhǎng)適中,光伏發(fā)電時(shí)段集中在10-16點(diǎn)。夏季典型日特征光伏持續(xù)發(fā)電時(shí)間最長(zhǎng),風(fēng)電出力相對(duì)較高且主要在白天時(shí)段?？傮w風(fēng)光發(fā)電量充足,是全年風(fēng)光出力最豐富的季節(jié),但也最容易出現(xiàn)棄風(fēng)棄光現(xiàn)象。秋季典型日特征落日時(shí)間較晚,光伏發(fā)電充足,但風(fēng)電出力相對(duì)較低?？傮w電量平衡,但早晚時(shí)段風(fēng)電出力不足可能需要儲(chǔ)能或備用電源補(bǔ)充。冬季典型日特征日照時(shí)間最短,風(fēng)速水平總體較低且波動(dòng)較大。風(fēng)光發(fā)電量全年最少,對(duì)儲(chǔ)能和備用電源的依賴性最強(qiáng),是風(fēng)光配置的關(guān)鍵約束條件。雙層儲(chǔ)能優(yōu)化配置模型框架建立考慮經(jīng)濟(jì)性的雙層儲(chǔ)能優(yōu)化配置模型2上層以儲(chǔ)能全生命周期成本最小為目標(biāo),決策變量為儲(chǔ)能額定功率和組數(shù);下層以棄風(fēng)棄光懲罰成本與柴油發(fā)電成本最小為目標(biāo),決策變量為儲(chǔ)能時(shí)序充放電功率2上下兩層相互迭代優(yōu)化,最終得到經(jīng)濟(jì)性與技術(shù)性兼顧的最優(yōu)儲(chǔ)能配置方案2上層:容量?jī)?yōu)化配置模型目標(biāo)函數(shù)為儲(chǔ)能全生命周期成本最小,包括投資成本、運(yùn)維成本和更換回收成本2約束條件包括儲(chǔ)能容量約束和SOC約束2決策變量為單組儲(chǔ)能額定功率和儲(chǔ)能組數(shù)2下層:儲(chǔ)能出力優(yōu)化模型目標(biāo)函數(shù)為棄風(fēng)棄光懲罰成本與柴油發(fā)電成本之和最小2約束條件包括功率平衡約束、儲(chǔ)能充放電功率約束和柴油發(fā)電機(jī)功率約束2決策變量為儲(chǔ)能時(shí)序充放電功迭代優(yōu)化求解采用NSGA-II算法求解雙層優(yōu)化模型2上層確定儲(chǔ)能容量后傳遞給下層,下層優(yōu)化儲(chǔ)能運(yùn)行策略后將結(jié)果反饋給上層2通過反復(fù)迭代,得到滿足上下層利益的最優(yōu)儲(chǔ)能配置方案2上層目標(biāo)函數(shù):儲(chǔ)能全生命周期成本N層模型以儲(chǔ)能全生命周期成本為優(yōu)化目標(biāo),綜合考慮儲(chǔ)能投資成本、運(yùn)維成本和更換回收成本2通過年金法將一次性投資成本轉(zhuǎn)化為等額年度成本,便于與運(yùn)維成本和更換成本進(jìn)行綜合優(yōu)化2該目標(biāo)函數(shù)能夠準(zhǔn)確反映儲(chǔ)能系統(tǒng)的經(jīng)濟(jì)性,為容量配置決策提供科學(xué)依據(jù)211投資成本包含儲(chǔ)能本體和配套輔助設(shè)備的投資成本2C_pb、C_eb為儲(chǔ)能單位功率和容量投資成本;C_pf、C_ef為輔助設(shè)備單位功率和容量投資成本;P_N為額定功率;E_N為額定容量;γ為壽命周期;i為利率222運(yùn)維成本包含儲(chǔ)能系統(tǒng)在生命周期內(nèi)的維護(hù)和運(yùn)行成本2C_pom為單位功率維護(hù)成本;C_eom為單位容量維護(hù)成本2通過年金系數(shù)轉(zhuǎn)化為等額年度成本233更換回收成本包含儲(chǔ)能在生命周期內(nèi)的更換成本和報(bào)廢處理成本2α為安裝成本年O降比例;k為更換次數(shù);C_escr為單位容量報(bào)廢處理成本2考慮了技術(shù)進(jìn)步帶來的成本O降趨勢(shì)2下層模型以儲(chǔ)能時(shí)序充放電功率為決策變量,在上層確定的儲(chǔ)能容量配置基礎(chǔ)上,優(yōu)化儲(chǔ)能運(yùn)行策略,使園區(qū)棄風(fēng)棄光電量和柴油發(fā)電成本最小2目標(biāo)函數(shù)包括棄風(fēng)棄光懲罰成本和柴油發(fā)電成本,約束條件包括園區(qū)功率平衡約束、儲(chǔ)能充放電功率約束和柴油發(fā)電機(jī)功率約束2f=min(Cqi+Cfuel)Cqi=Cpgi(Ppv(t)+Pwind(t)?Pes(t)?Pload(t)+Pfuel(t))+CesCfuel=CpfuelPfuel(t)式中:C_qi為棄風(fēng)棄光懲罰成本;C_fuel為柴油發(fā)電成本;C_pgi為單位棄風(fēng)棄光懲罰成本系數(shù);C_es為儲(chǔ)能中無法消納電量的懲罰成本;C_pfuel為柴油發(fā)電機(jī)度電成本2約束條件功率平衡約束:Pload(t)=Ppv(t)+Pwind(t)+Pfuel(t)?Pes(t)儲(chǔ)能充放電功率約束:Pes,c,min≤Pes,c(t)≤Pes,c,maxPes,d,min≤Pes,d(t)≤Pes,d,max柴油發(fā)電機(jī)功率約束:0≤Pfuel(t)≤Pfuel,maxNSGA-II算法求解流程采用NSGA-II快速精英非支配排序遺傳算法求解雙層儲(chǔ)能優(yōu)化配置模型。該算法通過非支配排序與擁擠度距離評(píng)估候選解,在保證收斂性的同時(shí)確保Pareto前沿有足夠多樣性。相比NSGA算法,NSGA-II降低了計(jì)算復(fù)雜度,運(yùn)算速度更快且收斂性更好。01定義雙層規(guī)劃問題上層優(yōu)化問題為儲(chǔ)能全生命周期成本最小,約束條件為儲(chǔ)能容量和SOC約束。下層優(yōu)化問題為棄風(fēng)棄光懲罰成本與發(fā)電成本最小,約束條件為功率平衡、儲(chǔ)能充放電功率和柴油發(fā)電機(jī)功率約束。03評(píng)估與排序計(jì)算給定上層決策x時(shí)下層目標(biāo)函數(shù)的最優(yōu)決策y*。將y*代入上下層目標(biāo)函數(shù)進(jìn)行非支配排序,計(jì)算每個(gè)個(gè)體的擁擠距離,確保解集在Pareto前沿上均勻分布。02初始化種群生成規(guī)模為N的初始種群,種群中個(gè)體為上層決策變量x(儲(chǔ)能額定功率)與下層決策變量y(儲(chǔ)能時(shí)序出力)的組合,確保初始種群具有良好的多樣性。04選擇與進(jìn)化根據(jù)非支配等級(jí)和擁擠距離選擇個(gè)體,進(jìn)行交叉和變異操作生成新種群。將父代和子代合并后重新排序,選擇前N個(gè)個(gè)體組成新種群。重復(fù)迭代直到達(dá)到最大迭代次數(shù)。仿真結(jié)果仿真結(jié)果基于四個(gè)典型日?qǐng)鼍皩?duì)雙層儲(chǔ)能優(yōu)化配置模型進(jìn)行求解,得到最優(yōu)儲(chǔ)能配置方案為2組儲(chǔ)能,單組額定功率478.5kW,單組額定容量1913.08kWh。該配置方案在全生命周期成本與運(yùn)行經(jīng)濟(jì)性之間達(dá)到最優(yōu)平衡,能夠有效降低棄風(fēng)棄光懲罰成本和柴油發(fā)電成本。儲(chǔ)能配置方案參數(shù)儲(chǔ)能組數(shù)單組額定功率單組額定容量數(shù)值2478.5單位組kWkWh該配置方案總功率為957kW,總?cè)萘繛?826.16kWh,能夠滿足園區(qū)四個(gè)典型日的儲(chǔ)能需求,在降低棄風(fēng)棄光的同時(shí)減少柴油發(fā)電機(jī)出力。儲(chǔ)能全生命周期成本與懲罰成本成反比關(guān)系。前期增加儲(chǔ)能額定功率能快速降低懲罰成本,在儲(chǔ)能功率大于500kW后繼續(xù)增加的邊際效益遞減。儲(chǔ)能功率超過500kW和1000kW時(shí)需增加儲(chǔ)能組數(shù),會(huì)產(chǎn)生額外成本增加。儲(chǔ)能運(yùn)行特性分析分析最優(yōu)儲(chǔ)能配置方案下四個(gè)典型日的儲(chǔ)能運(yùn)行情況,包括儲(chǔ)能時(shí)序充放電功率和SOC變化。結(jié)果表明儲(chǔ)能在夜間與凌晨處于放電狀態(tài)供應(yīng)負(fù)荷,在10點(diǎn)左右開始充電利用風(fēng)光富余電量,在16點(diǎn)左右SOC達(dá)到上限出現(xiàn)棄風(fēng)棄光現(xiàn)象。調(diào)度結(jié)束時(shí)刻SOC大于初始值,表明配置方案能保證園區(qū)穩(wěn)定運(yùn)行。春季典型日春季典型日儲(chǔ)能在8-9點(diǎn)放電功率較大,10-15點(diǎn)充電功率較高。16點(diǎn)后SOC達(dá)到上限開始出現(xiàn)棄風(fēng)棄光。全天儲(chǔ)能利用較為充分,柴油發(fā)電機(jī)基本不需要出力。夏季典型日風(fēng)光出力最充足,儲(chǔ)能在10-16點(diǎn)長(zhǎng)時(shí)間處于充電狀態(tài)。16點(diǎn)后SOC持續(xù)處于上限,棄風(fēng)棄光電量最大。儲(chǔ)能有效平抑了風(fēng)光出力波動(dòng),但容量有待進(jìn)/步優(yōu)化。秋季典型日8-9點(diǎn)儲(chǔ)能SOC達(dá)到下限,柴油發(fā)電機(jī)短時(shí)出力補(bǔ)充電量。下午時(shí)段風(fēng)光充足儲(chǔ)能充電,但仍出現(xiàn)棄風(fēng)棄光?？煽紤]通過需求側(cè)響應(yīng)調(diào)整負(fù)荷曲線。冬季典型日風(fēng)光發(fā)電量最少,儲(chǔ)能充放電功率波動(dòng)較大。全天基本不出現(xiàn)棄風(fēng)棄光,但對(duì)儲(chǔ)能和備用電源依賴性強(qiáng)。該日情況是風(fēng)光配置的關(guān)鍵約束。棄風(fēng)棄光與備用電源分析分析四個(gè)典型日的柴油發(fā)電機(jī)出力和棄風(fēng)棄光情況。結(jié)果顯示每個(gè)典型日均存在棄風(fēng)棄光現(xiàn)象,其中夏季典型日棄風(fēng)棄光量最大。秋季典型日上午需要柴油發(fā)電機(jī)短時(shí)出力,下午又出現(xiàn)棄風(fēng)棄光,反映出儲(chǔ)能配置與負(fù)荷需求之間的不匹配。園區(qū)可通過引入外部可調(diào)負(fù)荷提高風(fēng)光消納率。柴油發(fā)電機(jī)僅在秋季典型日的8-9點(diǎn)短時(shí)出力,功率峰值約220kW。其他典型日儲(chǔ)能配置基本能滿足園區(qū)負(fù)荷需求,無需備用電源。柴油發(fā)電成本較高,應(yīng)盡量減少其出力時(shí)間。夏季典型日棄風(fēng)棄光功率最大,峰值接近1000kW,主要發(fā)生在14-18點(diǎn)風(fēng)光出力高峰期。春季和冬季棄風(fēng)棄光量較少。繼續(xù)增加儲(chǔ)能投資會(huì)提高總體成本,建議通過外部負(fù)荷消納。儲(chǔ)能配置方案已實(shí)現(xiàn)經(jīng)濟(jì)性優(yōu)化,但仍存在棄風(fēng)棄光現(xiàn)象?？赏ㄟ^引入電動(dòng)汽車等靈活負(fù)荷參與調(diào)度,進(jìn)/步提升園區(qū)風(fēng)光消納率,降低整體運(yùn)行成本。電動(dòng)汽車作為靈活可調(diào)負(fù)荷,可提升園區(qū)風(fēng)光消納率。建立電動(dòng)汽車充電行為模型,需要確定充電開始時(shí)間、離開時(shí)間、日行駛里程和初始荷電狀態(tài)等關(guān)鍵參數(shù)。根據(jù)統(tǒng)計(jì)數(shù)據(jù),園區(qū)電動(dòng)汽車用戶的充電開始時(shí)間集中在8-9點(diǎn),離開時(shí)間集中在17-18點(diǎn),停車時(shí)間約9小時(shí),有充足時(shí)間參與調(diào)度。充電時(shí)間分布充電開始時(shí)間和離開時(shí)間均服從正態(tài)分布。到達(dá)車位時(shí)間期望值為7.5點(diǎn),標(biāo)準(zhǔn)差0.5;離開時(shí)間期工上下班時(shí)間高度吻合。日行駛里程服從對(duì)數(shù)正態(tài)分布,μ_D=3.20,δ_D=0.88?？紤]園區(qū)與市區(qū)往返距離25km,需對(duì)日行駛里程進(jìn)行修正。修正后的分布更符合園區(qū)用車場(chǎng)景的實(shí)際情況。初始荷電狀態(tài)根據(jù)日行駛里程和電池容量計(jì)算初始荷電狀態(tài)。假設(shè)用戶期望充滿電,則初始SOC=期望SOC-行駛里程耗電量/電池容量。該模型能準(zhǔn)確反映不同用戶的充電需求。電動(dòng)汽車無序充電建模無序充電是指電動(dòng)汽車到達(dá)車位后立即開始充電,不考慮電價(jià)和電網(wǎng)負(fù)荷等因素影響,直到達(dá)到期望荷電狀態(tài)。通過蒙特卡洛模擬生成大量充電場(chǎng)景,統(tǒng)計(jì)得到電動(dòng)汽車無序充電的負(fù)荷曲線。該基準(zhǔn)場(chǎng)景為后續(xù)有序充電策略提供對(duì)比參01參數(shù)初始化確定參與充電的電動(dòng)汽車數(shù)量、電池容量、每公里耗電量、充電功率等基本信息。本研究中考慮200臺(tái)電動(dòng)汽車,電池容量50kWh,充電功率5kW,充電效率90%。02場(chǎng)景生成根據(jù)概率密度函數(shù)生成每臺(tái)車的到達(dá)時(shí)刻、離開時(shí)刻和初始荷電狀態(tài)。通過蒙特卡洛法抽取相應(yīng)變量,模擬各參數(shù)分布函數(shù),生成大量充電場(chǎng)景。03充電時(shí)長(zhǎng)計(jì)算根據(jù)充電功率、初始SOC和目標(biāo)SOC計(jì)算每臺(tái)車的充電所需時(shí)間?？紤]充電效率和功率約束,確保充電時(shí)長(zhǎng)不超過停04負(fù)荷統(tǒng)計(jì)統(tǒng)計(jì)每個(gè)時(shí)刻正在充電的電動(dòng)汽車數(shù)量N,計(jì)算總充電功率P_ev(t)=N×P_ev^i。重復(fù)運(yùn)行程序多次,得到無序充電負(fù)荷的平均值曲線。提?電網(wǎng)與"零碳"園區(qū)分時(shí)段向充電站供電的雙層優(yōu)化策略2N層以電網(wǎng)負(fù)荷峰谷差與用戶充電費(fèi)用最優(yōu)~目標(biāo)制定電動(dòng)汽車有序充電計(jì)劃,保證在任何情況O滿足充電需求且對(duì)電網(wǎng)沖ü最小2O層以消納園區(qū)棄風(fēng)棄光電量~目標(biāo),建立供電判斷指標(biāo)動(dòng)態(tài)調(diào)控園區(qū)向充電站供電時(shí)間2控制中心監(jiān)測(cè)電網(wǎng)負(fù)荷、控制中心監(jiān)測(cè)電網(wǎng)負(fù)荷、園區(qū)運(yùn)行狀態(tài)和充電站需求2根據(jù)N層充電計(jì)劃和O層供電判斷指標(biāo),協(xié)調(diào)電網(wǎng)與園區(qū)分時(shí)段供電2電網(wǎng)作~主要供電方,保證所有電動(dòng)汽車的充電需求2通過有序充電計(jì)劃引導(dǎo)用戶在負(fù)荷低谷時(shí)段充電,降低電網(wǎng)負(fù)荷峰谷差2零碳園區(qū)根據(jù)風(fēng)光?力和儲(chǔ)能狀態(tài)判斷是否具備向充零碳園區(qū)根據(jù)風(fēng)光?力和儲(chǔ)能狀態(tài)判斷是否具備向充電站供電能力2在滿足自身負(fù)荷需求前提O,優(yōu)先消納棄風(fēng)棄光電量2接收來自電網(wǎng)或園區(qū)的電能,根據(jù)有序充電計(jì)劃~電動(dòng)汽車充電2通過信息傳輸線實(shí)時(shí)N傳充電需求和狀態(tài)信息2綜合優(yōu)化策略minf=λ(f1/f1max)+(1?λ)(f2/f2max)采用線性à權(quán)法綜合用戶側(cè)與電網(wǎng)側(cè)目標(biāo),λ=0.2權(quán)衡雙方利益。對(duì)目標(biāo)函數(shù)歸一化處理消除量綱差異。該策略在降低充電成本的同時(shí)減小負(fù)荷峰谷差綜合優(yōu)化策略minf=λ(f1/f1max)+(1?λ)(f2/f2max)采用線性à權(quán)法綜合用戶側(cè)與電網(wǎng)側(cè)目標(biāo),λ=0.2權(quán)衡雙方利益。對(duì)目標(biāo)函數(shù)歸一化處理消除量綱差異。該策略在降低充電成本的同時(shí)減小負(fù)荷峰谷差,實(shí)現(xiàn)多方共贏。用戶側(cè)優(yōu)化策略以充電費(fèi)用最低為目標(biāo),在滿足充電需求前提下引導(dǎo)用戶在低電價(jià)時(shí)段充電。Q_t為時(shí)段電價(jià),P_ev(t)為充電?率。該策略能有效降低用戶充電成本,提高參與調(diào)度積極性。Ps(t)=Pev(t)+Pl(t)以負(fù)荷方差最小為目標(biāo),將充電負(fù)荷轉(zhuǎn)移到荷,P_l(t)為基本負(fù)荷。該策略能有效降低電網(wǎng)負(fù)荷峰谷差,減輕電網(wǎng)運(yùn)行壓力。改進(jìn)粒子群算法HPSO電動(dòng)汽車有序充電優(yōu)化是高維多變量多約束的非線性問題,傳統(tǒng)優(yōu)化算法難以適用。采用引入交叉遺傳機(jī)制的改進(jìn)粒子群算法(HPSO)進(jìn)行求解。通過選擇與交叉操作產(chǎn)生新的子代粒子,具有雙親粒子優(yōu)點(diǎn),能加強(qiáng)區(qū)域搜索能力,有效解決標(biāo)準(zhǔn)粒子群算法易陷入局部最優(yōu)的問題。速度與位置更新Vl+1=?Vl+c1rand1(Pl2X)+c2rand2(G2X)X+1=X+Vl+1式中:w為慣性權(quán)重;k為迭代次數(shù);X_ld^k為粒子位置;V_ld^k為粒子速交叉遺傳機(jī)制Pcl(x)=p.Pp1(x)+(12p).Pp2(x)Pc2(x)=p.Pp2(x)+(12p).Pp1(x)以/定概率選擇粒子放入雜交池,隨機(jī)組合交叉產(chǎn)生子代。p為D維隨機(jī)數(shù)向量。子代粒子繼承雙親優(yōu)點(diǎn),增強(qiáng)區(qū)域搜索能力,提高算法全局收斂性和收斂為保證優(yōu)化結(jié)果的合理性和可行性,對(duì)電動(dòng)汽車有序充電問題設(shè)定一系列約束條件和基本假設(shè)2約束條件包括電網(wǎng)基本負(fù)荷不變、充電狀態(tài)調(diào)整時(shí)刻為固定周期、充電時(shí)間約束和充電容量約束2基本假設(shè)包括所有電動(dòng)汽車服從調(diào)度、采用分時(shí)電價(jià)政策、不考慮車型差異等2充電容量約束Qmin≤Qie充電容量約束Qmin≤Qie≤Qev充電電量Q_ie必須滿足用戶最低目標(biāo)充電量Q_min,且不超過出行需求得到滿足,同時(shí)避免電池過充2分時(shí)電價(jià)政策采用三段分時(shí)電價(jià):谷時(shí)段0.365元(00:00-08:00),平時(shí)段0.687元(12:00-17:00、21:00-24:00),峰時(shí)段1.169元(08:00-12:00、17:00-同期電價(jià)一致2參與調(diào)度的電動(dòng)汽車數(shù)量為200臺(tái),充電功率恒定為5kW,電池容量50kWh,充電效率型的差異性影響2充電時(shí)間約束ts≤tch≤te充電時(shí)間只能在車輛到達(dá)時(shí)刻t_s與離開時(shí)刻t_e之間調(diào)整,不時(shí)間段進(jìn)行優(yōu)化2充電策略對(duì)比四種充電策略的電網(wǎng)負(fù)荷對(duì)比對(duì)無序充電、用戶側(cè)有序充電、電網(wǎng)側(cè)有序充電和綜合有序充電四種策略進(jìn)行仿真對(duì)比。結(jié)果顯示無序充電在8-10點(diǎn)出現(xiàn)"峰上加峰"現(xiàn)象,用戶側(cè)有序充電雖降低成本但增大峰谷差,電網(wǎng)側(cè)有序充電負(fù)荷最平緩但成本較高,綜合有序充電在降低成本的同時(shí)有效控制峰谷差,是綜合最優(yōu)方案。無序充電分析充電時(shí)間集中在8-10點(diǎn),與上班時(shí)間重合,此時(shí)園區(qū)設(shè)備開始工作處于負(fù)荷小高峰。大量電動(dòng)汽車接入使總負(fù)荷峰值達(dá)7959kW,峰谷差率33.21%,對(duì)電網(wǎng)造成較大沖擊。充電時(shí)段部分處于電價(jià)高峰期,用戶成本3961.4元。用戶側(cè)有序充電分析以成本最優(yōu)為目標(biāo),大量車輛在8點(diǎn)低谷電價(jià)時(shí)充電,之后推移到15點(diǎn)與電網(wǎng)負(fù)荷峰頂重合。雖充電費(fèi)用降至2649.2元,但總負(fù)荷峰值增至8774kW,峰谷差率達(dá)39.72%,對(duì)電網(wǎng)運(yùn)行產(chǎn)生不利影響。電網(wǎng)側(cè)有序充電分析以負(fù)荷峰谷差最小為目標(biāo),電網(wǎng)負(fù)荷曲線最為平緩,總負(fù)荷峰值7874kW,峰谷差率28.63%。但部分充電時(shí)間處于峰值電價(jià)區(qū)間,充電費(fèi)用3540.7元,高于用戶側(cè)策略,可能降低用戶滿意綜合有序充電分析平衡用戶與電網(wǎng)利益,充電費(fèi)用3366.5元,總負(fù)荷峰值7874kW,峰谷差率28.89%。相比無序充電費(fèi)用降低15%,相比用戶側(cè)策略峰谷差率降低27%,是綜合性能最優(yōu)的充電方案。綜合對(duì)比四種充電策略的充電費(fèi)用、總負(fù)荷峰值和峰谷差率2綜合有序充電策略在用戶充電成本與電網(wǎng)負(fù)荷波動(dòng)之間達(dá)到最優(yōu)平衡,充電費(fèi)用比無序充電降低15%,峰谷差率與電網(wǎng)側(cè)策略相近且遠(yuǎn)低于用戶側(cè)策略,能夠兼顧電網(wǎng)穩(wěn)定性與用戶經(jīng)濟(jì)性,提高用戶參與調(diào)度的積極性23961無序充電費(fèi)用峰值7959kW2649用戶側(cè)充電費(fèi)用峰值8774kW3541峰谷差率28.63%峰值7874kW3367綜合策略充電費(fèi)用峰谷差率28.89%峰值7874kW單位:充電費(fèi)用為元,峰值為kW2綜合有序充電策略的充電費(fèi)用比無序充電降低595元,降幅15%,比用戶側(cè)策略僅高717元,增幅27%2峰谷差率與電網(wǎng)側(cè)策略僅相差0.26個(gè)百分點(diǎn),比用戶側(cè)策略低10.83個(gè)百分點(diǎn),比無序充電低4.32個(gè)百分點(diǎn)2該策略在保證電網(wǎng)穩(wěn)定運(yùn)行的前提下,有效降低了用戶充電成本,實(shí)現(xiàn)了多方利益的平衡2下層園區(qū)風(fēng)光消納策略備用電量設(shè)定14點(diǎn)前M=-0.4W_es,即儲(chǔ)能剩余容量不低于下限要大于0.8W_es2該設(shè)定考慮了點(diǎn),14點(diǎn)后儲(chǔ)能需存儲(chǔ)電能保障夜晚供電2負(fù)荷調(diào)整備用電量設(shè)定14點(diǎn)前M=-0.4W_es,即儲(chǔ)能剩余容量不低于下限要大于0.8W_es2該設(shè)定考慮了點(diǎn),14點(diǎn)后儲(chǔ)能需存儲(chǔ)電能保障夜晚供電2負(fù)荷調(diào)整當(dāng)R(t)=1時(shí),t時(shí)段園區(qū)向電動(dòng)汽車供電,疊加負(fù)荷為Py'(t)=Py(t)+Pev(t);當(dāng)R(t)=0時(shí),園區(qū)不向電動(dòng)汽車供供電判斷指標(biāo)Py(t)2Pev(t))△t2Wes(0)2M式中:W_es(t)為儲(chǔ)能t時(shí)刻剩余容量;P_pv(t)為風(fēng)光預(yù)測(cè)總功率,考慮不確定性取0.8倍;P_ev(t)為電動(dòng)汽車計(jì)劃充電功率;P_y(t)為園區(qū)基本負(fù)荷;M為儲(chǔ)能預(yù)留備用電量;R(t)為供電判斷結(jié)果2園區(qū)風(fēng)光消納效果分析以夏季典型日為算例,對(duì)比四種P層充電策略Q雙層優(yōu)化策略對(duì)園區(qū)風(fēng)光消納的影響2結(jié)果顯?O種有序充電策略的園區(qū)負(fù)荷水平均高于無序充電,能較好提升風(fēng)光消納率2綜合有序充電策略的風(fēng)光消納率達(dá)76.63%,是四種策略中最優(yōu)的,同時(shí)電網(wǎng)負(fù)荷峰谷差僅略高于無序充電,整體性能最佳2無序充電風(fēng)光消納率峰谷差率34.98%63.99%63.99%電網(wǎng)側(cè)策略消納率峰谷差率35.03%接入電動(dòng)汽車后園區(qū)負(fù)荷高峰與風(fēng)光出力高峰基本重合,儲(chǔ)能無需大功率放電,對(duì)園區(qū)運(yùn)行影響較小270.86%70.86%用戶側(cè)策略消納率峰谷差率41.69%76.63%76.63%綜合策略消納率峰谷差率35.03%綜合有序充電策略在降低電網(wǎng)負(fù)荷峰谷差的同時(shí)實(shí)現(xiàn)了最高的風(fēng)光消納率,是兼顧電網(wǎng)、用戶和園區(qū)O方利益的最優(yōu)方案2分析園區(qū)參與電動(dòng)汽車供電后對(duì)電網(wǎng)負(fù)荷的影響。結(jié)果顯示四種充電策略下園區(qū)接入后均會(huì)增大電網(wǎng)負(fù)荷峰谷差。這是因?yàn)閳@區(qū)儲(chǔ)能在電網(wǎng)負(fù)荷第/個(gè)峰頂時(shí)段不能供電,而園區(qū)風(fēng)光出力高峰期與電網(wǎng)負(fù)荷低谷時(shí)段重合,影響了充電功率的填谷效果。但綜合有序充電策略整體負(fù)荷情況最優(yōu),峰谷差增幅最小。負(fù)荷變化分析負(fù)荷1為電網(wǎng)基礎(chǔ)負(fù)荷;負(fù)荷2為電動(dòng)汽車全部在電網(wǎng)充電時(shí)的總負(fù)荷;負(fù)荷3為園區(qū)參與供電后的電網(wǎng)總負(fù)荷。園區(qū)主要荷低谷期,園區(qū)供電減少了電網(wǎng)的充電負(fù)荷,但同時(shí)也減弱了充電負(fù)荷的填谷效峰谷差影響無序充電時(shí)園區(qū)參與后峰谷差率從28.63%增至35.03%。雖有所增加,但綜合策略仍保持在可接受范圍,且大幅提升了風(fēng)光消納率。園區(qū)儲(chǔ)能運(yùn)行狀況分析分析四種充電策略下園區(qū)儲(chǔ)能的運(yùn)行情況。結(jié)果顯示園區(qū)參與電動(dòng)汽車供電后,儲(chǔ)能處于SOC上限狀態(tài)的時(shí)間明顯減少,棄風(fēng)棄光現(xiàn)象得到有效緩解。三種有序充電策略均會(huì)出現(xiàn)儲(chǔ)能大功率充放電,但綜合有序充電策略的儲(chǔ)能利用最為合理,能夠在滿足園區(qū)穩(wěn)定運(yùn)行的前提下最大化消納風(fēng)光電量。無序充電儲(chǔ)能運(yùn)行無序充電儲(chǔ)能運(yùn)行儲(chǔ)能功率曲線較為平緩,SOC在16-18點(diǎn)長(zhǎng)時(shí)間處于上限狀態(tài)。棄風(fēng)棄光電量較多,儲(chǔ)能利用率較低。園區(qū)參與電動(dòng)汽車供電的時(shí)間較短,風(fēng)光消納效果有限。用戶側(cè)策略儲(chǔ)能運(yùn)行用戶側(cè)策略儲(chǔ)能運(yùn)行儲(chǔ)能在12-15點(diǎn)大功率充電,15-17點(diǎn)SOC達(dá)到上限。雖消納率較高,但儲(chǔ)能充放電頻繁,對(duì)儲(chǔ)能壽命有/定影響。需要優(yōu)化儲(chǔ)能運(yùn)行策略以延長(zhǎng)使用壽命。電網(wǎng)側(cè)策略儲(chǔ)能運(yùn)行電網(wǎng)側(cè)策略儲(chǔ)能運(yùn)行儲(chǔ)能運(yùn)行相對(duì)平穩(wěn),SOC變化較為緩和。但消納率略低于用戶側(cè)策略,仍有/定優(yōu)化空間。可通過調(diào)整充電計(jì)劃進(jìn)/步提升消納效果。綜合策略儲(chǔ)能運(yùn)行儲(chǔ)能充放電功率適中,SOC曲線合理,處于上限狀態(tài)時(shí)間最短。風(fēng)光消納率最高達(dá)76.63%,儲(chǔ)能利用最充分。調(diào)度結(jié)束時(shí)SOC大于初始值,能保證園區(qū)持續(xù)穩(wěn)定運(yùn)行。不同典型日風(fēng)光消納效果分析選取春、秋、冬三個(gè)典型日,分析綜合有序充電策略下雙層優(yōu)化策略的適用性2結(jié)果表明該策略在各種工況下均能實(shí)現(xiàn)對(duì)園區(qū)風(fēng)光電量的高效消納,春季和冬季消納率超過85%,秋季達(dá)71%2調(diào)度結(jié)束時(shí)儲(chǔ)能SOC均大于初始值,能夠保持園區(qū)電量平衡,驗(yàn)證了策略的穩(wěn)定性和適用性2不同典型日儲(chǔ)能運(yùn)行情況差異明顯2春季風(fēng)光發(fā)電充足,儲(chǔ)能充放電平穩(wěn);冬季發(fā)電量少,儲(chǔ)能波動(dòng)較大;秋季介于兩者之間2但各季節(jié)調(diào)度結(jié)束時(shí)SOC均高于初始值,表明策略能適應(yīng)不同場(chǎng)景2各典型日關(guān)鍵指標(biāo)對(duì)比典型日?qǐng)@區(qū)充電量消納率春季1270kWh86.27%夏季2400kWh76.63%秋季1105kWh冬季695kWh電動(dòng)汽車總充電量均為3875kWh,園區(qū)充電量占比從17.9%(冬季)到61.9%(夏季)不等2分析不同典型日內(nèi)園區(qū)向電動(dòng)汽車售電的收入和經(jīng)濟(jì)性。夏季典型日售電收入最高達(dá)1856元,冬季最低為812元。平均售電價(jià)格存在差異,這是因?yàn)榫C合有序充電計(jì)劃中電動(dòng)汽車在12-14點(diǎn)進(jìn)行大功率充電,當(dāng)園區(qū)風(fēng)光電量充足時(shí)能滿足該時(shí)段需求,平均售電價(jià)格較低;當(dāng)風(fēng)光電量不足時(shí)需在其他峰時(shí)段供電,平均售電價(jià)格較高。春季售電收入(元)平均電價(jià)1.00元/kWh夏季售電收入(元)平均電價(jià)0.77元/kWh秋季售電收入(元)冬季售電收入(元)夏季因風(fēng)光發(fā)電充足,園區(qū)能在平時(shí)段大量供電,平均售電價(jià)格最低為0.77元/kWh;春秋冬三季風(fēng)光發(fā)電相對(duì)不足,需在峰時(shí)段供電,平均售電價(jià)格在1.00-1.17元/kWh之間?？傮w來看,園區(qū)通過向電動(dòng)汽車售電可獲得可觀收入,同時(shí)提高了風(fēng)光電量的利用率,實(shí)現(xiàn)了經(jīng)濟(jì)效益與環(huán)境效益的雙贏。研究總結(jié)本研究系統(tǒng)地解決了"零碳"園區(qū)建設(shè)中的關(guān)鍵技術(shù)問題,在風(fēng)光功率預(yù)測(cè)、儲(chǔ)能優(yōu)化配置和電動(dòng)汽車協(xié)同調(diào)度O個(gè)方面取得了重要研究成果2提出的技術(shù)方法和優(yōu)化策略具有較強(qiáng)的理論創(chuàng)新性和工程實(shí)用性,為"零碳"園區(qū)的規(guī)劃建設(shè)和運(yùn)行管理提供了科學(xué)依據(jù)和技術(shù)支撐2電網(wǎng)-園區(qū)協(xié)同的電動(dòng)汽車充電策略提出雙層優(yōu)化策略,電網(wǎng)-園區(qū)協(xié)同的電動(dòng)汽車充電策略提出雙層優(yōu)化策略,P層綜合考慮電網(wǎng)穩(wěn)定性與用戶經(jīng)濟(jì)性制定有序充電計(jì)劃,Q層根據(jù)園區(qū)運(yùn)行狀況動(dòng)態(tài)調(diào)整供電策略2仿真結(jié)果表明綜合有序充電策略使充電費(fèi)用降低基于LSTM的風(fēng)光功率預(yù)測(cè)與容量對(duì)比了ELM、LSTM和GRUO種預(yù)測(cè)算法,驗(yàn)證了LSTM算法的優(yōu)越性2提出基于功率預(yù)測(cè)的風(fēng)光容量配置方法,通過標(biāo)幺化處理和典型日分析,確定光伏1300kW、風(fēng)電400kW的最優(yōu)配置方案,為園區(qū)規(guī)劃提供數(shù)據(jù)支撐2考慮相關(guān)性的雙層儲(chǔ)能優(yōu)化配置采用核密度估計(jì)與FrankCopula函數(shù)生成考慮風(fēng)光相關(guān)性的典型場(chǎng)景2建立雙層優(yōu)化模型,P層優(yōu)化全生命周期成本,Q層優(yōu)化運(yùn)行成本,得到2組共957kW/3826kWh的最優(yōu)儲(chǔ)能配置方案,實(shí)現(xiàn)經(jīng)濟(jì)性與技術(shù)性的平衡2本研究在"零碳"園區(qū)能源系統(tǒng)規(guī)劃與運(yùn)行優(yōu)化領(lǐng)域做出了重要的理論貢獻(xiàn)2系統(tǒng)地研究了風(fēng)光儲(chǔ)優(yōu)化配置方法,提出了考慮風(fēng)光出力相關(guān)性的場(chǎng)景生成方法和雙層儲(chǔ)能優(yōu)化配置模型,豐富了可再生能源系統(tǒng)規(guī)劃理論2創(chuàng)新性地提出了電網(wǎng)與園區(qū)協(xié)同的電動(dòng)汽車充電策略,為解決可再生能源消納問題提供了新思路2方法創(chuàng)新提出了功率預(yù)測(cè)驅(qū)動(dòng)的風(fēng)光配置方法、考慮相關(guān)性的場(chǎng)景生成方法和雙層優(yōu)化配置模型,形成了系統(tǒng)的"零碳"園區(qū)規(guī)劃方法體系,為相關(guān)領(lǐng)域研究提供理論基礎(chǔ)2算法創(chuàng)新對(duì)比分析了多種預(yù)測(cè)算法和優(yōu)化算法,采用LSTM算法進(jìn)行功率預(yù)測(cè),NSGA-II算法求解儲(chǔ)能配置,改進(jìn)粒子群算法優(yōu)化充電策略,為復(fù)雜能源系統(tǒng)優(yōu)化問題提供有效求解方法2 模型創(chuàng)新建立了園區(qū)設(shè)備數(shù)學(xué)模型、儲(chǔ)能優(yōu)化配置模型和電動(dòng)汽車充電行為模型,構(gòu)建了電網(wǎng)-園區(qū)協(xié)同的雙層優(yōu)化框架,拓展了能源系統(tǒng)優(yōu)化理論的應(yīng)用范圍2本研究成果具有重要的工程應(yīng)用價(jià)值和現(xiàn)實(shí)意義2提出的風(fēng)光儲(chǔ)優(yōu)化配置方法可直接應(yīng)用于"零碳"園區(qū)的規(guī)劃設(shè)計(jì),電動(dòng)汽車協(xié)同調(diào)度策略可指導(dǎo)充電站的建設(shè)運(yùn)營2研究結(jié)果為工業(yè)園區(qū)實(shí)現(xiàn)"碳中和"目標(biāo)提供了可行的技術(shù)路線,對(duì)推動(dòng)我國能源結(jié)構(gòu)轉(zhuǎn)型和產(chǎn)業(yè)升級(jí)具有重要意義2規(guī)劃設(shè)計(jì)指導(dǎo)提供了科學(xué)的風(fēng)光儲(chǔ)容量配置方法和經(jīng)濟(jì)性評(píng)估工具,可為園區(qū)管理者制定合理的投資建設(shè)方案,降低建設(shè)成本,提高投資回報(bào)率,加快"零碳"園區(qū)建設(shè)進(jìn)程2運(yùn)行調(diào)度優(yōu)化提出的雙層優(yōu)化策略和供電判斷指標(biāo)可應(yīng)用于園區(qū)能源管理系統(tǒng),實(shí)現(xiàn)風(fēng)光儲(chǔ)和電動(dòng)汽車的智能協(xié)同調(diào)度,提高可再生能源利用率,降低運(yùn)行成政策制定支撐研究成果可為政府部門制定"零碳"園區(qū)發(fā)展政策、分時(shí)電價(jià)機(jī)制和電動(dòng)汽車充電設(shè)施規(guī)劃提供科學(xué)依據(jù),推動(dòng)能源轉(zhuǎn)型和綠色發(fā)動(dòng)態(tài)電價(jià)機(jī)制本文采用固定分時(shí)電價(jià),實(shí)際中可通過動(dòng)態(tài)電價(jià)和補(bǔ)貼激勵(lì)更精確地引導(dǎo)充電行為2后續(xù)可研究電網(wǎng)與園區(qū)的需求響應(yīng)機(jī)制,制定更靈活的電價(jià)策略,提高用戶參與積極性2充電行為精細(xì)化本文對(duì)電動(dòng)汽車充電行為的建模相對(duì)簡(jiǎn)化,未充分考慮車型差異和用戶個(gè)性化需求2后續(xù)可建立更精細(xì)的充電行為模型,動(dòng)態(tài)電價(jià)機(jī)制本文采用固定分時(shí)電價(jià),實(shí)際中可通過動(dòng)態(tài)電價(jià)和補(bǔ)貼激勵(lì)更精確地引導(dǎo)充電行為2后續(xù)可研究電網(wǎng)與園區(qū)的需求響應(yīng)機(jī)制,制定更靈活的電價(jià)策略,提高用戶參與積極性2充電行為精細(xì)化本文對(duì)電動(dòng)汽車充電行為的建模相對(duì)簡(jiǎn)化,未充分考慮車型差異和用戶個(gè)性化需求2后續(xù)可建立更精細(xì)的充電行為模型,考慮用戶出行模式、心理