面向碳中和目标的园区能源系统规划与电动汽车协同调度研究

面向"碳中和"目标的园区能源系统规划与以风光储/体化和电动汽车有序充电为核心的"零碳"园区优化配置与运行策略 研究背景景能源与气候危机随着全球经济的快速发展,化石能源的大量开采与消耗导致温室气体排放持续增全球对能源短缺与气候变化问题的高度重视,低碳可持续发展成为主流趋势2工业园区作为各国工业体系的重要组成部分,是碳排放和能源消耗的关键源头2据统计,工业园区耗能占全国总耗能的60%以上,碳排放占比约为30%2在此背景下,建设低碳、清洁的园区能源系统成为全球工业发展的重要方向2政策推动与技术机遇我国出台了/系列推动能源安全与低碳转型的政策22016年《"十三五"能源规划》提出建设清洁低碳安全高效的现代能源体系22020年,我国在联合国大会上提出2030年前实现"碳达峰"、2060年前实现"碳中和"的目标22021年《"十四五"能源领域科技创新规划》强调开展源网荷储/体化和风光储/体化规划与集成设计研究22023年国家能源局发布通知,要求在2025年前发展实施/批技术先进、经济效益良好的可再生能源示范项储能系统优化配置合理配置储能系统是提高风光利用率、保障园区电能供应稳定性的关键2需要在考虑风光û力不确定性与相关性的基础上储能系统优化配置合理配置储能系统是提高风光利用率、保障园区电能供应稳定性的关键2需要在考虑风光û力不确定性与相关性的基础上,对储能容量进行经济性与技术性的综合优化2电动汽车充电管理截至2023年12月,s国电动汽车保有量突破2040万辆2大规模电动汽车无序充电会对电网造r巨大óü2如何制定有序充电计划,在保障电网与用戶利益的同时最大化消纳园区弃风弃光电量,是亟需解ô的难题2可再生能源间歇性风力和光伏发电受天气因素影响,具有较强具有互补性,但波动性给园区规划与运行带来挑战,需要配备储能设施和备用电源以保障供需平衡2文献综述"零碳"园区、储能规划、风光储优化配置以及电动汽车充电行~管理是当前能源领域的研究热点2国内外学者在这些方向取得了丰富的研究成果,~本研究提供了重要的理论基础和实践参考201"零碳"园区发展研究国内外积极推动"零碳"园区发展,如福建O峡海P风电产业园区和欧洲欧瑞府科技园区2研究主要集中在大规模园区,而小型"零碳"园区因负荷水平较低、设计简单、数量更多而具有良好发展前景203风光储优化配置研究研究人员深入探讨了风光储系统的优化配置,充分利用风光时空互补特性2但大部分研究将风光储作~备用系统,未考虑园区完全依靠风光供电的情况2本文将基于园区负荷优化风光储装机容量202储能规划研究学者们从经济效益、风电出力期望值、预测误差统计特性等角度提出多种储能配置优化方法2但现有研究较少考虑储能在园区中同时发挥多种作用的情况,本文将进一步分析储能的运行状况204电动汽车充电行~研究从电网侧有序充电策略和需求响应引导策略两方面展开研究2学者们提出了多种有序充电策略以降低电网负荷峰谷差和充电成本2但现有研究较少考虑独立运行园区与电网分时段向充电站供电的情况2研究内容与技术路线本文针对"零碳"园区建设中的关键技术问题,系统研究风光储优化配置方法和电动汽车协同调度策略,主要研究内容包括风光功率预测与容量配置、考虑相关性的储能优化配置、基于电动汽车有序充电的风光消纳策略三个核心部分。第二章:基于功率预测的园区风光配置建立"零碳"园区设备数学模型,对比ELM、LSTM和GRU三种预测算法的性能。使用LSTM算法对园区风光出力进行预测,并基于典型日负荷需求确定风光机组最优配置方案。第三章:考虑风光出力相关性的储能配置采用核密度估计法与FrankCopula函数生成考虑相关性的风光场景,使用K-means聚类算法削减场景。建立双层储能优化配置模型,上层优化全生命周期成本,下层优化弃风弃光惩罚与发电成本。第四章:基于电动汽车有序充电的园区风光消纳策略提出双层优化策略,上层制定综合考虑电网稳定性与用户满意度的有序充电计划,下层根据园区运行情况制定供电策略,实现对园区弃风弃光电量的高效消创新点考虑相关性的双层储能优化配置采用核密度估计与Copula考虑相关性的双层储能优化配置采用核密度估计与Copula理论生成考虑风光出力不确定性与相关性的典型场景。构建双层优化模型,N层考虑储能全生命周期成本,O层考虑运行中的弃风弃光惩罚与发电成本,实现储能容量的经济性优化配置。电网-园区协同的电动汽车充电策略提出电网与"零碳"园区分时段向充电站供电的双层优化策略。N层综合考虑电网负荷峰谷差与用户充电费用制定有序充电计划,O层基于园区运行状况动态调整供电策略,实现多方利益平衡与风光消纳最大化。功率预测驱动的风光配置方法提出基于LSTM算法的风光功率预测方法,通过小规模风光电场数据训练模型,将其应用于"零碳"园区风光出力预测。基于预测数据和典型日负荷分析,确定经济性最优的风光配置方案,为园区规划提供数据支撑。"零碳"园区能源系统由可再生能源发电系统、储能系统、备用发电机组和本地负荷构成2通过改变园区能源结构,配备足够数量的风光发电机组满足园区日常负荷需求,是减少碳排放最有效的方法2可再生能源发电系统包括风力发电机组和光伏电池阵列,通过AC/DC或DC/AC变换器与交流为园区主要电源,需要通过功率预测和优化配置保证供电可靠性2储能系统与备用电源配备锂电池储能系统应对风光出力波动,通过DC/AC变换器与母线连备用电源,在储能不足时保障园区正常运行,确保供电安全性2控制与信息系统控制中心通过信息传输线实时监测各设备运行状态,协调风光储备用电源与负荷之间的功率平衡,实现园区能源的智能化管理与优化调度2风力发电机数学模型风力发电作为清洁能源被广泛应用于园区能源系统。单台风力发电机的输出功率由切入风速、额定风速和切出风速决定。当风速低于切入风速或超出切出风速时,风机停转不输出电能;当风速处于切入风速和额定风速之间时,输出功率与风速成比例关系;当风速位于额定风速和切出风速之间时,输出功率保持为额定功率。风机输出特性方程vvfvmorvgvoutvm<v<vrvr<vfvout式中:P_WT为风力发电机实际发电功率;v为风机轮毂处风速;v_m为切入风速;v_out为切出风速;v_r为额定风速;P'_WT为额定输出功率。该模型准确描述了风机在不同风速下的运行特性,为风电功率预测与容量配置提供理论基础。光伏输出功率模型Tcell,t=Ta,t+0.0138×(1+0.031×T光伏输出功率模型Tcell,t=Ta,t+0.0138×(1+0.031×Ta,t)×(1−0.042×vt)×It式中:P'_PV为t时刻输出功率;f_STC为功率降额因子;I_t为t时刻辐照度;vt为风速2该模型综合考虑了辐照度、温度、风速等环境因素对光伏输出功率的影响2光伏电池等效电路模型等效串联电阻;V为输出电压;I_d为二极管电流2在含分布式能源的园区中,风光出力的不确定性会导致电能供应过剩或短缺2配置储能可有效解决风光出力与负荷需求不同步的问题2目前锂电池因使用寿命长、绿色环保而被广泛用于园区储能系统2柴油发电机可作为园区备用电源,其发电效率高于微型燃气轮机,能在风光储不足时保障园区正常运行2储能装置数学模型式中:W_bat(t)为储能t时刻剩余容量;τ_bat为充放电损耗;P_bat,ch(t)和P_bat,dis为t时刻充放电功率;η_bat,ch和η_bat,dis为充放电效率2该模型考虑了储能的充放电效率和自放电损耗,能够准确描述储能在不同工况下的运行特性2柴油发电机模型F=F0Ygen+F1Pgenf(Pgen)=aPen+bPgen+c本函数系数2该模型采用二次函数表⽰发电成本,能够准确反映柴油发电机的运行经济性2算法对比风光发电功率受天气因素影响具有较强随机性,准确的功率预测对园区规划至关重要2本研究选取了三种主流预测算法进行对比分析:ELM极限学习机算法、LSTM长短期记忆神经网络和GRU门控循环单元,通过实际案例验证各算法的预测精度和适用性2ELM极限学习机算法基于广义矩阵理论的单隐层网络模型2输入层到隐含层的权重和偏差可随机取值,无需调整,在相等预测精度下运算速度更快2但对动态变化数据的处理能力较弱,整体预测误差较高2LSTM长短期记忆网络通过输入门、遗忘门和输出门机制处理时序数据2能够捕捉长期依赖关系,对风光功率的预测精度最高2R2达0.94以上,MAPE低于6%,是三种算法中综合性能最优的选择2通过更新门和重置门控制信息流动,结构比LSTM更精简,运算速度更快2预测精度介于ELM和LSTM之间,在某些特定任务上效果良好,是速度与精度的折中方案2选取某地10MW风电场与5MW光伏电站2022年的实时数据,采样步长为1小时,数据包括风速、风向、温度、太阳辐射角、辐射量及功率。选取70%数据作为训练集,30%作为测试集,对三种算法进行评估。评价指标包括决定系数R2和平均绝对百分比误差MAPE。光伏功率预测结果评价评价指标光伏功率预测结果评价评价指标ELM0.94520.94520.90370.9425MAPE(%)MAPE(%)6.8044.964ELMLSTMLSTMLSTM算法的R2值最接近1,MAPE值最小,预测精度最高。ELM算法结构简单,对动态变化数据处理能力较差,预测误差相LSTM算法的R2值最接近1,MAPE值最小,预测精度最高。ELM算法结构简单,对动态变化数据处理能力较差,预测误差相对较大。综合分析表明,LSTM算法对风光功率预测最为准确,能够为园区规划运行提供更为可靠的数据支撑,因此本研究采用LSTM算法进行风光功率预测。基于LSTM算法的预测结果,提出一种经济性优化的风Z容量配置方法2首Y利用小规模风Z电场的历史数据训练预测模型,然后应用于"零碳"园区风Z出力预测,经标幺化处理得到单位装机容量下的预测功率,最后根据典型日负荷需求确定最优配置方案201模型训练将10MW风电场与5MWZ伏电站的历史风速、风向、温度、辐射和功率数据作为训练集,对LSTM预测模型进行训练,建立气候参数与发电功率之间的映射关系203经济性分析计算风电和Z伏的度电成本2考虑设备成本、建安成本、线路架设成本等,1MW风电度电成本为0.236元/kWh,1MWZ伏度电成本为0.170元/kWh2Z伏发电经济性优于风电,应优Y配置Z伏202功率预测将"零碳"园区所在地区的历史气候数据输入训练后的模型,得到风电和Z伏在10MW和5MW装机容量时的预测功率2对预测数据进行标幺化处理,得到单位装机容量的年功率预测数据204容量配置根据园区可用安装面积确定Z伏最大装机容量为1.3MW2选取春夏秋冬四个典型日,对比各日电量需求与Z伏发电量,计算缺额电量2以冬季典型日缺额最大作为配置标准,确定风电装机容量为400kW2综合考虑园区负荷需求、可用安装面积、设备经济性等因素,确定"零碳"园区的最优风光配置方案2光伏装机容量1300kW,风电装机容量400kW,该配置能够满足园区全年负荷需求,同时实现经济性最优2风光配置方案设备类型设备型号装机容量光伏XKD-200W1300kW风电LP-50KW400kW光伏采用200Wp电池板6500块,风电采用50kW垂直轴风机8台2光伏占地约8000m2,已达到园区可用安装面积上限2该配置方案能够保证园区在全年各典型日内的电能供应需求2典型日电量平衡典型日负荷电量缺额电量春季5700kWh840kWh夏季8038kWh862kWh秋季9100kWh2219kWh冬季7426kWh2235kWh冬季典型日缺额电量最大,以此作为风电容量配置标准2配置400kW风电后能满足冬季用电需求,其他季节则有富余电量可供储能或外部负荷消场景生成风光出力的不确定性和相关性对园区储能规划和运行调度有重要影响。本研究采用核密度估计法与FrankCopula函数生成考虑风光出力相关性的场景,通过K-means聚类算法将大量场景削减为4个典型日场景,为储能配置优化提供科学依据。Copula理论Copula函数是连接多个变量联合分布和边缘分布的函数。FrankCopula函数既可描述非负相关性也可描述负相关性,适合表征同一地区风光出力的负相关互补关联合分布构建使用FrankCopula函数将每个时刻的风光概率密度函数连接构成联合分布函数,能够准确反映风光出力的时序相关性和互补特性。 核密度估计对每小时风光出力数据进行核密度估计拟合,得到概率密度函数。采用高斯核函数,能够准确描述风光出力的统计分布特性。场景生成与削减对联合分布进行随机采样生成大量风光相关性场景。使用K-means聚类算法设置4个聚类中心,将场景削减典型日场景特征分析通过场景生成与削减得到春季、夏季、秋季、冬季四个典型日场景,各典型日的概率分别为0.27、0.21、0.30、0.22。各典型日的风光出力在时间尺度上具有/定相关性,季节性特征显著,能够较好地描述当地风光出力的相关性与不确定性。春季典型日特征春季典型日特征落日时间较早,晚间风速水平高于白天。风光互补特性明显,夜晚风电出力充足可弥补光伏发电不足。日照时长适中,光伏发电时段集中在10-16点。夏季典型日特征光伏持续发电时间最长,风电出力相对较高且主要在白天时段。总体风光发电量充足,是全年风光出力最丰富的季节,但也最容易出现弃风弃光现象。秋季典型日特征落日时间较晚,光伏发电充足,但风电出力相对较低。总体电量平衡,但早晚时段风电出力不足可能需要储能或备用电源补充。冬季典型日特征日照时间最短,风速水平总体较低且波动较大。风光发电量全年最少,对储能和备用电源的依赖性最强,是风光配置的关键约束条件。双层储能优化配置模型框架建立考虑经济性的双层储能优化配置模型2上层以储能全生命周期成本最小为目标,决策变量为储能额定功率和组数;下层以弃风弃光惩罚成本与柴油发电成本最小为目标,决策变量为储能时序充放电功率2上下两层相互迭代优化,最终得到经济性与技术性兼顾的最优储能配置方案2上层:容量优化配置模型目标函数为储能全生命周期成本最小,包括投资成本、运维成本和更换回收成本2约束条件包括储能容量约束和SOC约束2决策变量为单组储能额定功率和储能组数2下层:储能出力优化模型目标函数为弃风弃光惩罚成本与柴油发电成本之和最小2约束条件包括功率平衡约束、储能充放电功率约束和柴油发电机功率约束2决策变量为储能时序充放电功迭代优化求解采用NSGA-II算法求解双层优化模型2上层确定储能容量后传递给下层,下层优化储能运行策略后将结果反馈给上层2通过反复迭代,得到满足上下层利益的最优储能配置方案2上层目标函数:储能全生命周期成本N层模型以储能全生命周期成本为优化目标,综合考虑储能投资成本、运维成本和更换回收成本2通过年金法将一次性投资成本转化为等额年度成本,便于与运维成本和更换成本进行综合优化2该目标函数能够准确反映储能系统的经济性,为容量配置决策提供科学依据211投资成本包含储能本体和配套辅助设备的投资成本2C_pb、C_eb为储能单位功率和容量投资成本;C_pf、C_ef为辅助设备单位功率和容量投资成本;P_N为额定功率;E_N为额定容量;γ为寿命周期;i为利率222运维成本包含储能系统在生命周期内的维护和运行成本2C_pom为单位功率维护成本;C_eom为单位容量维护成本2通过年金系数转化为等额年度成本233更换回收成本包含储能在生命周期内的更换成本和报废处理成本2α为安装成本年O降比例;k为更换次数;C_escr为单位容量报废处理成本2考虑了技术进步带来的成本O降趋势2下层模型以储能时序充放电功率为决策变量,在上层确定的储能容量配置基础上,优化储能运行策略,使园区弃风弃光电量和柴油发电成本最小2目标函数包括弃风弃光惩罚成本和柴油发电成本,约束条件包括园区功率平衡约束、储能充放电功率约束和柴油发电机功率约束2f=min(Cqi+Cfuel)Cqi=Cpgi(Ppv(t)+Pwind(t)−Pes(t)−Pload(t)+Pfuel(t))+CesCfuel=CpfuelPfuel(t)式中:C_qi为弃风弃光惩罚成本;C_fuel为柴油发电成本;C_pgi为单位弃风弃光惩罚成本系数;C_es为储能中无法消纳电量的惩罚成本;C_pfuel为柴油发电机度电成本2约束条件功率平衡约束:Pload(t)=Ppv(t)+Pwind(t)+Pfuel(t)−Pes(t)储能充放电功率约束:Pes,c,min≤Pes,c(t)≤Pes,c,maxPes,d,min≤Pes,d(t)≤Pes,d,max柴油发电机功率约束: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遗传算法求解双层储能优化配置模型。该算法通过非支配排序与拥挤度距离评估候选解,在保证收敛性的同时确保Pareto前沿有足够多样性。相比NSGA算法,NSGA-II降低了计算复杂度,运算速度更快且收敛性更好。01定义双层规划问题上层优化问题为储能全生命周期成本最小,约束条件为储能容量和SOC约束。下层优化问题为弃风弃光惩罚成本与发电成本最小,约束条件为功率平衡、储能充放电功率和柴油发电机功率约束。03评估与排序计算给定上层决策x时下层目标函数的最优决策y*。将y*代入上下层目标函数进行非支配排序,计算每个个体的拥挤距离,确保解集在Pareto前沿上均匀分布。02初始化种群生成规模为N的初始种群,种群中个体为上层决策变量x(储能额定功率)与下层决策变量y(储能时序出力)的组合,确保初始种群具有良好的多样性。04选择与进化根据非支配等级和拥挤距离选择个体,进行交叉和变异操作生成新种群。将父代和子代合并后重新排序,选择前N个个体组成新种群。重复迭代直到达到最大迭代次数。仿真结果仿真结果基于四个典型日场景对双层储能优化配置模型进行求解,得到最优储能配置方案为2组储能,单组额定功率478.5kW,单组额定容量1913.08kWh。该配置方案在全生命周期成本与运行经济性之间达到最优平衡,能够有效降低弃风弃光惩罚成本和柴油发电成本。储能配置方案参数储能组数单组额定功率单组额定容量数值2478.5单位组kWkWh该配置方案总功率为957kW,总容量为3826.16kWh,能够满足园区四个典型日的储能需求,在降低弃风弃光的同时减少柴油发电机出力。储能全生命周期成本与惩罚成本成反比关系。前期增加储能额定功率能快速降低惩罚成本,在储能功率大于500kW后继续增加的边际效益递减。储能功率超过500kW和1000kW时需增加储能组数,会产生额外成本增加。储能运行特性分析分析最优储能配置方案下四个典型日的储能运行情况,包括储能时序充放电功率和SOC变化。结果表明储能在夜间与凌晨处于放电状态供应负荷,在10点左右开始充电利用风光富余电量,在16点左右SOC达到上限出现弃风弃光现象。调度结束时刻SOC大于初始值,表明配置方案能保证园区稳定运行。春季典型日春季典型日储能在8-9点放电功率较大,10-15点充电功率较高。16点后SOC达到上限开始出现弃风弃光。全天储能利用较为充分,柴油发电机基本不需要出力。夏季典型日风光出力最充足,储能在10-16点长时间处于充电状态。16点后SOC持续处于上限,弃风弃光电量最大。储能有效平抑了风光出力波动,但容量有待进/步优化。秋季典型日8-9点储能SOC达到下限,柴油发电机短时出力补充电量。下午时段风光充足储能充电,但仍出现弃风弃光。可考虑通过需求侧响应调整负荷曲线。冬季典型日风光发电量最少,储能充放电功率波动较大。全天基本不出现弃风弃光,但对储能和备用电源依赖性强。该日情况是风光配置的关键约束。弃风弃光与备用电源分析分析四个典型日的柴油发电机出力和弃风弃光情况。结果显示每个典型日均存在弃风弃光现象,其中夏季典型日弃风弃光量最大。秋季典型日上午需要柴油发电机短时出力,下午又出现弃风弃光,反映出储能配置与负荷需求之间的不匹配。园区可通过引入外部可调负荷提高风光消纳率。柴油发电机仅在秋季典型日的8-9点短时出力,功率峰值约220kW。其他典型日储能配置基本能满足园区负荷需求,无需备用电源。柴油发电成本较高,应尽量减少其出力时间。夏季典型日弃风弃光功率最大,峰值接近1000kW,主要发生在14-18点风光出力高峰期。春季和冬季弃风弃光量较少。继续增加储能投资会提高总体成本,建议通过外部负荷消纳。储能配置方案已实现经济性优化,但仍存在弃风弃光现象。可通过引入电动汽车等灵活负荷参与调度,进/步提升园区风光消纳率,降低整体运行成本。电动汽车作为灵活可调负荷,可提升园区风光消纳率。建立电动汽车充电行为模型,需要确定充电开始时间、离开时间、日行驶里程和初始荷电状态等关键参数。根据统计数据,园区电动汽车用户的充电开始时间集中在8-9点,离开时间集中在17-18点,停车时间约9小时,有充足时间参与调度。充电时间分布充电开始时间和离开时间均服从正态分布。到达车位时间期望值为7.5点,标准差0.5;离开时间期工上下班时间高度吻合。日行驶里程服从对数正态分布,μ_D=3.20,δ_D=0.88。考虑园区与市区往返距离25km,需对日行驶里程进行修正。修正后的分布更符合园区用车场景的实际情况。初始荷电状态根据日行驶里程和电池容量计算初始荷电状态。假设用户期望充满电,则初始SOC=期望SOC-行驶里程耗电量/电池容量。该模型能准确反映不同用户的充电需求。电动汽车无序充电建模无序充电是指电动汽车到达车位后立即开始充电,不考虑电价和电网负荷等因素影响,直到达到期望荷电状态。通过蒙特卡洛模拟生成大量充电场景,统计得到电动汽车无序充电的负荷曲线。该基准场景为后续有序充电策略提供对比参01参数初始化确定参与充电的电动汽车数量、电池容量、每公里耗电量、充电功率等基本信息。本研究中考虑200台电动汽车,电池容量50kWh,充电功率5kW,充电效率90%。02场景生成根据概率密度函数生成每台车的到达时刻、离开时刻和初始荷电状态。通过蒙特卡洛法抽取相应变量,模拟各参数分布函数,生成大量充电场景。03充电时长计算根据充电功率、初始SOC和目标SOC计算每台车的充电所需时间。考虑充电效率和功率约束,确保充电时长不超过停04负荷统计统计每个时刻正在充电的电动汽车数量N,计算总充电功率P_ev(t)=N×P_ev^i。重复运行程序多次,得到无序充电负荷的平均值曲线。提û电网与"零碳"园区分时段向充电站供电的双层优化策略2N层以电网负荷峰谷差与用户充电费用最优~目标制定电动汽车有序充电计划,保证在任何情况O满足充电需求且对电网冲ü最小2O层以消纳园区弃风弃光电量~目标,建立供电判断指标动态调控园区向充电站供电时间2控制中心监测电网负荷、控制中心监测电网负荷、园区运行状态和充电站需求2根据N层充电计划和O层供电判断指标,协调电网与园区分时段供电2电网作~主要供电方,保证所有电动汽车的充电需求2通过有序充电计划引导用户在负荷低谷时段充电,降低电网负荷峰谷差2零碳园区根据风光û力和储能状态判断是否具备向充零碳园区根据风光û力和储能状态判断是否具备向充电站供电能力2在满足自身负荷需求前提O,优先消纳弃风弃光电量2接收来自电网或园区的电能,根据有序充电计划~电动汽车充电2通过信息传输线实时N传充电需求和状态信息2综合优化策略minf=λ(f1/f1max)+(1−λ)(f2/f2max)采用线性à权法综合用户侧与电网侧目标,λ=0.2权衡双方利益。对目标函数归一化处理消除量纲差异。该策略在降低充电成本的同时减小负荷峰谷差综合优化策略minf=λ(f1/f1max)+(1−λ)(f2/f2max)采用线性à权法综合用户侧与电网侧目标,λ=0.2权衡双方利益。对目标函数归一化处理消除量纲差异。该策略在降低充电成本的同时减小负荷峰谷差,实现多方共赢。用户侧优化策略以充电费用最低为目标,在满足充电需求前提下引导用户在低电价时段充电。Q_t为时段电价,P_ev(t)为充电ß率。该策略能有效降低用户充电成本,提高参与调度积极性。Ps(t)=Pev(t)+Pl(t)以负荷方差最小为目标,将充电负荷转移到荷,P_l(t)为基本负荷。该策略能有效降低电网负荷峰谷差,减轻电网运行压力。改进粒子群算法HPSO电动汽车有序充电优化是高维多变量多约束的非线性问题,传统优化算法难以适用。采用引入交叉遗传机制的改进粒子群算法(HPSO)进行求解。通过选择与交叉操作产生新的子代粒子,具有双亲粒子优点,能加强区域搜索能力,有效解决标准粒子群算法易陷入局部最优的问题。速度与位置更新Vl+1=ËVl+c1rand1(Pl2X)+c2rand2(G2X)X+1=X+Vl+1式中:w为惯性权重;k为迭代次数;X_ld^k为粒子位置;V_ld^k为粒子速交叉遗传机制Pcl(x)=p.Pp1(x)+(12p).Pp2(x)Pc2(x)=p.Pp2(x)+(12p).Pp1(x)以/定概率选择粒子放入杂交池,随机组合交叉产生子代。p为D维随机数向量。子代粒子继承双亲优点,增强区域搜索能力,提高算法全局收敛性和收敛为保证优化结果的合理性和可行性,对电动汽车有序充电问题设定一系列约束条件和基本假设2约束条件包括电网基本负荷不变、充电状态调整时刻为固定周期、充电时间约束和充电容量约束2基本假设包括所有电动汽车服从调度、采用分时电价政策、不考虑车型差异等2充电容量约束Qmin≤Qie充电容量约束Qmin≤Qie≤Qev充电电量Q_ie必须满足用户最低目标充电量Q_min,且不超过出行需求得到满足,同时避免电池过充2分时电价政策采用三段分时电价:谷时段0.365元(00:00-08:00),平时段0.687元(12:00-17:00、21:00-24:00),峰时段1.169元(08:00-12:00、17:00-同期电价一致2参与调度的电动汽车数量为200台,充电功率恒定为5kW,电池容量50kWh,充电效率型的差异性影响2充电时间约束ts≤tch≤te充电时间只能在车辆到达时刻t_s与离开时刻t_e之间调整,不时间段进行优化2充电策略对比四种充电策略的电网负荷对比对无序充电、用户侧有序充电、电网侧有序充电和综合有序充电四种策略进行仿真对比。结果显示无序充电在8-10点出现"峰上加峰"现象,用户侧有序充电虽降低成本但增大峰谷差,电网侧有序充电负荷最平缓但成本较高,综合有序充电在降低成本的同时有效控制峰谷差,是综合最优方案。无序充电分析充电时间集中在8-10点,与上班时间重合,此时园区设备开始工作处于负荷小高峰。大量电动汽车接入使总负荷峰值达7959kW,峰谷差率33.21%,对电网造成较大冲击。充电时段部分处于电价高峰期,用户成本3961.4元。用户侧有序充电分析以成本最优为目标,大量车辆在8点低谷电价时充电,之后推移到15点与电网负荷峰顶重合。虽充电费用降至2649.2元,但总负荷峰值增至8774kW,峰谷差率达39.72%,对电网运行产生不利影响。电网侧有序充电分析以负荷峰谷差最小为目标,电网负荷曲线最为平缓,总负荷峰值7874kW,峰谷差率28.63%。但部分充电时间处于峰值电价区间,充电费用3540.7元,高于用户侧策略,可能降低用户满意综合有序充电分析平衡用户与电网利益,充电费用3366.5元,总负荷峰值7874kW,峰谷差率28.89%。相比无序充电费用降低15%,相比用户侧策略峰谷差率降低27%,是综合性能最优的充电方案。综合对比四种充电策略的充电费用、总负荷峰值和峰谷差率2综合有序充电策略在用户充电成本与电网负荷波动之间达到最优平衡,充电费用比无序充电降低15%,峰谷差率与电网侧策略相近且远低于用户侧策略,能够兼顾电网稳定性与用户经济性,提高用户参与调度的积极性23961无序充电费用峰值7959kW2649用户侧充电费用峰值8774kW3541峰谷差率28.63%峰值7874kW3367综合策略充电费用峰谷差率28.89%峰值7874kW单位:充电费用为元,峰值为kW2综合有序充电策略的充电费用比无序充电降低595元,降幅15%,比用户侧策略仅高717元,增幅27%2峰谷差率与电网侧策略仅相差0.26个百分点,比用户侧策略低10.83个百分点,比无序充电低4.32个百分点2该策略在保证电网稳定运行的前提下,有效降低了用户充电成本,实现了多方利益的平衡2下层园区风光消纳策略备用电量设定14点前M=-0.4W_es,即储能剩余容量不低于下限要大于0.8W_es2该设定考虑了点,14点后储能需存储电能保障夜晚供电2负荷调整备用电量设定14点前M=-0.4W_es,即储能剩余容量不低于下限要大于0.8W_es2该设定考虑了点,14点后储能需存储电能保障夜晚供电2负荷调整当R(t)=1时,t时段园区向电动汽车供电,叠加负荷为Py'(t)=Py(t)+Pev(t);当R(t)=0时,园区不向电动汽车供供电判断指标Py(t)2Pev(t))△t2Wes(0)2M式中:W_es(t)为储能t时刻剩余容量;P_pv(t)为风光预测总功率,考虑不确定性取0.8倍;P_ev(t)为电动汽车计划充电功率;P_y(t)为园区基本负荷;M为储能预留备用电量;R(t)为供电判断结果2园区风光消纳效果分析以夏季典型日为算例,对比四种P层充电策略Q双层优化策略对园区风光消纳的影响2结果显⽰O种有序充电策略的园区负荷水平均高于无序充电,能较好提升风光消纳率2综合有序充电策略的风光消纳率达76.63%,是四种策略中最优的,同时电网负荷峰谷差仅略高于无序充电,整体性能最佳2无序充电风光消纳率峰谷差率34.98%63.99%63.99%电网侧策略消纳率峰谷差率35.03%接入电动汽车后园区负荷高峰与风光出力高峰基本重合,储能无需大功率放电,对园区运行影响较小270.86%70.86%用户侧策略消纳率峰谷差率41.69%76.63%76.63%综合策略消纳率峰谷差率35.03%综合有序充电策略在降低电网负荷峰谷差的同时实现了最高的风光消纳率,是兼顾电网、用户和园区O方利益的最优方案2分析园区参与电动汽车供电后对电网负荷的影响。结果显示四种充电策略下园区接入后均会增大电网负荷峰谷差。这是因为园区储能在电网负荷第/个峰顶时段不能供电,而园区风光出力高峰期与电网负荷低谷时段重合,影响了充电功率的填谷效果。但综合有序充电策略整体负荷情况最优,峰谷差增幅最小。负荷变化分析负荷1为电网基础负荷;负荷2为电动汽车全部在电网充电时的总负荷;负荷3为园区参与供电后的电网总负荷。园区主要荷低谷期,园区供电减少了电网的充电负荷,但同时也减弱了充电负荷的填谷效峰谷差影响无序充电时园区参与后峰谷差率从28.63%增至35.03%。虽有所增加,但综合策略仍保持在可接受范围,且大幅提升了风光消纳率。园区储能运行状况分析分析四种充电策略下园区储能的运行情况。结果显示园区参与电动汽车供电后,储能处于SOC上限状态的时间明显减少,弃风弃光现象得到有效缓解。三种有序充电策略均会出现储能大功率充放电,但综合有序充电策略的储能利用最为合理,能够在满足园区稳定运行的前提下最大化消纳风光电量。无序充电储能运行无序充电储能运行储能功率曲线较为平缓,SOC在16-18点长时间处于上限状态。弃风弃光电量较多,储能利用率较低。园区参与电动汽车供电的时间较短,风光消纳效果有限。用户侧策略储能运行用户侧策略储能运行储能在12-15点大功率充电,15-17点SOC达到上限。虽消纳率较高,但储能充放电频繁,对储能寿命有/定影响。需要优化储能运行策略以延长使用寿命。电网侧策略储能运行电网侧策略储能运行储能运行相对平稳,SOC变化较为缓和。但消纳率略低于用户侧策略,仍有/定优化空间。可通过调整充电计划进/步提升消纳效果。综合策略储能运行储能充放电功率适中,SOC曲线合理,处于上限状态时间最短。风光消纳率最高达76.63%,储能利用最充分。调度结束时SOC大于初始值,能保证园区持续稳定运行。不同典型日风光消纳效果分析选取春、秋、冬三个典型日,分析综合有序充电策略下双层优化策略的适用性2结果表明该策略在各种工况下均能实现对园区风光电量的高效消纳,春季和冬季消纳率超过85%,秋季达71%2调度结束时储能SOC均大于初始值,能够保持园区电量平衡,验证了策略的稳定性和适用性2不同典型日储能运行情况差异明显2春季风光发电充足,储能充放电平稳;冬季发电量少,储能波动较大;秋季介于两者之间2但各季节调度结束时SOC均高于初始值,表明策略能适应不同场景2各典型日关键指标对比典型日园区充电量消纳率春季1270kWh86.27%夏季2400kWh76.63%秋季1105kWh冬季695kWh电动汽车总充电量均为3875kWh,园区充电量占比从17.9%(冬季)到61.9%(夏季)不等2分析不同典型日内园区向电动汽车售电的收入和经济性。夏季典型日售电收入最高达1856元,冬季最低为812元。平均售电价格存在差异,这是因为综合有序充电计划中电动汽车在12-14点进行大功率充电,当园区风光电量充足时能满足该时段需求,平均售电价格较低;当风光电量不足时需在其他峰时段供电,平均售电价格较高。春季售电收入(元)平均电价1.00元/kWh夏季售电收入(元)平均电价0.77元/kWh秋季售电收入(元)冬季售电收入(元)夏季因风光发电充足,园区能在平时段大量供电,平均售电价格最低为0.77元/kWh;春秋冬三季风光发电相对不足,需在峰时段供电,平均售电价格在1.00-1.17元/kWh之间。总体来看,园区通过向电动汽车售电可获得可观收入,同时提高了风光电量的利用率,实现了经济效益与环境效益的双赢。研究总结本研究系统地解决了"零碳"园区建设中的关键技术问题,在风光功率预测、储能优化配置和电动汽车协同调度O个方面取得了重要研究成果2提出的技术方法和优化策略具有较强的理论创新性和工程实用性,为"零碳"园区的规划建设和运行管理提供了科学依据和技术支撑2电网-园区协同的电动汽车充电策略提出双层优化策略,电网-园区协同的电动汽车充电策略提出双层优化策略,P层综合考虑电网稳定性与用户经济性制定有序充电计划,Q层根据园区运行状况动态调整供电策略2仿真结果表明综合有序充电策略使充电费用降低基于LSTM的风光功率预测与容量对比了ELM、LSTM和GRUO种预测算法,验证了LSTM算法的优越性2提出基于功率预测的风光容量配置方法,通过标幺化处理和典型日分析,确定光伏1300kW、风电400kW的最优配置方案,为园区规划提供数据支撑2考虑相关性的双层储能优化配置采用核密度估计与FrankCopula函数生成考虑风光相关性的典型场景2建立双层优化模型,P层优化全生命周期成本,Q层优化运行成本,得到2组共957kW/3826kWh的最优储能配置方案,实现经济性与技术性的平衡2本研究在"零碳"园区能源系统规划与运行优化领域做出了重要的理论贡献2系统地研究了风光储优化配置方法,提出了考虑风光出力相关性的场景生成方法和双层储能优化配置模型,丰富了可再生能源系统规划理论2创新性地提出了电网与园区协同的电动汽车充电策略,为解决可再生能源消纳问题提供了新思路2方法创新提出了功率预测驱动的风光配置方法、考虑相关性的场景生成方法和双层优化配置模型,形成了系统的"零碳"园区规划方法体系,为相关领域研究提供理论基础2算法创新对比分析了多种预测算法和优化算法,采用LSTM算法进行功率预测,NSGA-II算法求解储能配置,改进粒子群算法优化充电策略,为复杂能源系统优化问题提供有效求解方法2 模型创新建立了园区设备数学模型、储能优化配置模型和电动汽车充电行为模型,构建了电网-园区协同的双层优化框架,拓展了能源系统优化理论的应用范围2本研究成果具有重要的工程应用价值和现实意义2提出的风光储优化配置方法可直接应用于"零碳"园区的规划设计,电动汽车协同调度策略可指导充电站的建设运营2研究结果为工业园区实现"碳中和"目标提供了可行的技术路线,对推动我国能源结构转型和产业升级具有重要意义2规划设计指导提供了科学的风光储容量配置方法和经济性评估工具,可为园区管理者制定合理的投资建设方案,降低建设成本,提高投资回报率,加快"零碳"园区建设进程2运行调度优化提出的双层优化策略和供电判断指标可应用于园区能源管理系统,实现风光储和电动汽车的智能协同调度,提高可再生能源利用率,降低运行成政策制定支撑研究成果可为政府部门制定"零碳"园区发展政策、分时电价机制和电动汽车充电设施规划提供科学依据,推动能源转型和绿色发动态电价机制本文采用固定分时电价,实际中可通过动态电价和补贴激励更精确地引导充电行为2后续可研究电网与园区的需求响应机制,制定更灵活的电价策略,提高用户参与积极性2充电行为精细化本文对电动汽车充电行为的建模相对简化,未充分考虑车型差异和用户个性化需求2后续可建立更精细的充电行为模型,动态电价机制本文采用固定分时电价,实际中可通过动态电价和补贴激励更精确地引导充电行为2后续可研究电网与园区的需求响应机制,制定更灵活的电价策略,提高用户参与积极性2充电行为精细化本文对电动汽车充电行为的建模相对简化,未充分考虑车型差异和用户个性化需求2后续可建立更精细的充电行为模型,考虑用户出行模式、心理