一种基于光伏发电的换电站运行方法与流程

本发明涉及换电站运行，特别涉及一种基于光伏发电的换电站运行方法。

背景技术：

1、随着经济的发展与人民对更高生活质量的追求，资源的过度开发已经成为了不可避免的趋势，高速的发展造成了巨大的环境污染问题，严重影响国家的发展和人民的健康生活。在国家绿色发展的政策下，大力推广电动汽车的普及成为解决温室气体排放的一个重要举措；此外随着电动汽车及相关技术的进步，人们对电动汽车的认可度不断提高。

2、由于电力能源的一些特性，电动汽车目前无法做到瞬时的能源补充。对于一些特定的人群来说，快速充电依然不是很方便。换电充电以更换电动汽车电池为主要“充电”方式，可以在3-5分钟内完成换电操作，极大地解决了插入式充电带来的充电时间过长等问题，可以实现真正意义上的“快速”充电。

3、近些年来，国家电网公司在全国各地建设了一大批公共交通换电站，极大地推动了换电模式的发展。在换电模式下，电池在换电站内可以进行统一管理，不仅可以提高电池的使用寿命，减少资源的浪费；同时也可以缓解电动汽车无序充电引起的配电系统过负荷问题。换电站除了具有“快速充电”的功能之外，其含有的大量动力电池还可作为储能更好地参与电网调节，发挥调峰调频，接纳更多的可再生能源发电等

4、目前在电动出租车换电站建设、运行方面，虽然有一定数量的换电站投入使用，但是针对出租车换电需求分析、换电站最优容量规划等方面缺少相关的技术研究，进而在换电站建设运行方面，无法做到资源的合理配置。盲目地扩大换电站的规模，在增加投资的同时，还会引起资源浪费等问题；反之，电池库存过少，无法满足必要的换电需求，制约了换电模式的发展。

5、鉴于此，需要一些换电站运行策略来帮助推广换电站的建设和发展。

技术实现思路

1、为了解决上述问题，本发明提供了一种基于光伏发电的换电站运行方法，具体技术方案如下：

2、一种基于光伏发电的换电站运行方法，包括：以下步骤：

3、步骤s1，光伏发电装置与换电站连接，结合环境参数，并采用bp神经网络模型对光伏发电功率进行预测；

4、步骤s2，采用免疫遗传算法与最短路径算法相结合对换电站进行布局规划；

5、步骤s3，基于光伏发电功率数据，根据换电站的规划布局，以换电站每日的最小充电费用为目标，建立光伏-换电站直接运行模型，并计算换电站的可供电能；

6、步骤s4，基于光伏发电功率数据，根据换电站的规划布局，以换电站每日最小充电费用为目标，建立光伏-换电站优化运行模型，并计算换电站的可供电能；在光伏-换电站优化运行模型中换电站在满足自身换电需求的情况下，出售部分电能，其中换电站出售电能时的电价高于市场价格。

7、优选地，所述步骤s1具体包括以下步骤：

8、s11：对环境参数历史数据进行归一化处理，转换为[0.1]区间的数据，计算公式如下：

9、

10、其中，环境参数历史数据包括太阳福射强度、环境温度、风速、湿度以及能见度；式中，p(t)表示t时刻的环境参数数据；pmax(t)和pmin(t)表示t时刻的环境参数数据的最大值和最小值；p*(t)为归一化后的数据；

11、s12：对bp模型进行训练，样本输入矩阵为x＝(x1,x2,…xn)，其中行矢量代表输入样本，列矢量x1,x2,…xn分别代表一组样本值，输入样本数量较大；每一组模型输入变量为x＝[x1,x2,x3,x4,x5]t，其中x1,x2,x3,x4,x5分别表示太阳福射强度、环境温度、风速、湿度、能见度；输出变量为每一组样本数据对应的光伏发电功率；

12、步骤s13，建立bp神经网络模型，在建模过程中，确定隐含层节点个数m表示输入层节点个数；

13、步骤s14，采用bp网络的levenberg-marquardt优化方法训练bp神经网络模型，其权重和阈值更新公式为：

14、xk+1＝xk-(jtj+ui)-1jte；

15、其中，xk为第k次迭代数据，xk+1为第k+1次迭代数据，j为误差对权值微分的雅克比矩阵，e为误差向量，u为一个标量；

16、在matlab工具箱中带有levenberg-marquardt优化方法的训练函数为trainlm.m，其训练参数有：训练次数epochs、训练步长show、误差函数指标goal、训练时间time、最小梯度min-grad、减少内存系数men-reduc以及u的初始值、增加系数、减小系数和最大值；步骤s15，获取预测日的环境参数，将环境参数归一化后输入到训练好的bp神经网络模型中进行预测，从而得到预测日的光伏发电功率。

17、优选地，所述步骤s2中具体包括以下步骤：

18、步骤s21，构建换电站的成本目标函数，构建换电站的成本包括换电站的建设投入成本、换电站的网络损耗成本、换电站的用户排队时间成本；

19、步骤s22，构建成本目标函数的约束条件，

20、步骤s23，采用stra dijk算法计算充电需求点与换电站在整个地图网络中的最优充电点的最优路径；

21、步骤s24，采用遗传免疫算法对换电站进行布局规划寻优。

22、优选地，所述步骤s21中换电站的建设投入成本具体如下：

23、

24、其中，cji为第i个换电站的购置成本，cwi为第i个换电站的运维费用；i为换电站的数量；第i个换电站的购置成本的计算如下：

25、

26、其中：λ0表示换电站收益率；ai表示第i个换电站的建筑面积；di表示第i个换电站的建筑地价；ei表示第i个换电站的配变容量；dei表示第i个换电站的配变价格；n1表示充电桩购置数量；dci表示第i个换电站的充电桩购置价格；dqi表示第i个换电站的其他费用；f表示换电站的可运行年数；

27、第i个换电站的运维费用的计算方式如下：

28、cwi＝(a+b)niccimi；

29、其中，a表示电能损耗系数；b表示运维折算率；ni表示第i个换电站的电动汽车使用次数；cci表示第i个换电站的充电一次使用电费；mi表示第i个换电站年电动汽车使用量；

30、第i个换电站的网络损耗成本计算如下：

31、w2＝365ticpiel；

32、其中，ti表示代表日可使用时间；cpi表示代表充电电价；el表示网损；

33、网损el的计算方式如下：

34、

35、其中，m表示节点总量；gxy表示节点x、y中间线路的总电导；cosφxy表示节点x、y之间功角差的余弦值；ux、uy分别为节点x、y的电压；

36、换电站的用户排队时间成本的计算如下：

37、w3＝365cw(tc+tp)；

38、其中，tc为总到达换电站时间，tp为总排队时间；cw为换电站的运维费用，其中

39、

40、

41、

42、其中，j表示代表电动车需要充电的第j个地点；pij表示代表选择概率因子取值为0、1；lij表示在i点充电需行驶距离；hi表示等待时间期望值；v表示车辆平均速度；

43、成本目标函数为：

44、wmin＝ω1w1+ω2w2+ω3w3；其中，ω1、ω2、ω3分别为对应成本函数的权重值，且三者和为1。

45、优选地，所述成本目标函数的约束条件为：

46、约束条件一：建站总数：

47、

48、pi为是否建设换电站取值为1或0，得出总数n；

49、约束条件二：充电距离：

50、lij＜lm；

51、充电距离受最大服务半径lm约束；

52、约束条件三：需求数量约束：

53、约束点内只能建造一个换电站公式如下：

54、

55、约束条件四：潮流计算：

56、

57、其中，gxy、bxy、θxy分别为x，y节点电导、电纳、电压相角；px为节点注入有功功率，qx为节点注入无功功率,m为节点数量，ux、uy分别为节点x、y的电压；

58、约束条件五：电压范围：

59、uxmin＜ux＜uxmax；

60、其中，uxmin、uxmax分别为节点x的电压下限、电压上限；

61、负荷量：

62、px＜pxmax；

63、负荷量应在x节点的最大负荷pxmax范围内取值。

64、优选地，所述步骤s3具体包括：

65、s31：以换电站每日最小充电费用为目标：

66、

67、其中，pbss.t为t时刻换电站的充电功率，ppv.t为t时刻光伏发电的出力功率，t为充电持续时间，ut为分时电价；d为一个运行周期长度；

68、

69、pcharge,h(n,n)为h时刻换电站的充电功率；n为换电站的电池库存数；n为换电站服务的换电电动汽车数量；

70、s32：换电站充电功率约束条件：

71、0≤pbss.t≤pbss.max·n；

72、pbss.max为换电站单块电池的最大充电功率；n为换电站的电池库存量；

73、s33：光伏发电出力约束条件：

74、0≤ppv.t≤ppv.max；

75、ppv.max为光伏发电最大功率，其值取决于光伏发电的装机容量以及当日的天气情况。

76、优选地，所述步骤s4具体包括：

77、s41：以换电站每日最小充电费用为目标

78、

79、pbss.t和ppv.t分别为t时刻换电站的充电功率和光伏发电的出力功率；tin为充电持续时间；tout为换电站售电持续时间；ut为分时购电价；vt为分时售电电价；psell.t为t时刻换电站的售电功率；

80、s42：换电站在满足充电功率约束条件、光伏发电功率约束条件的基础上，还需要额外满足换电站出售功率限制条件：

81、0≤psell.t≤psell,max·ptn；

82、psell,max为换电站单块电池最大售电功率；ptn为t时刻换电站的电池盈余量；

83、

84、lh为h时刻换电站的电池盈余情况；

85、

86、gh-7为换电站在第h时刻刚刚充好电的电池数量，为换电站前h-1个时刻换电需求的总和，dh为h时刻的换电需求；

87、s43：换电站在参与电力市场出售部分能源时，首先应满足换电站的基本换电需求：

88、

89、pin.t为换电站t时刻的总体充电功率；qbattery,s0为换电站初始的电能容量；为满足t+1时刻换电需求所需要的电量；

90、换电站的总体充电功率pin.t：

91、pin.t＝pbss.t-ppv.t；

92、换电站初始的电能容量qbattery,s0表示为：

93、qbattery.s0＝pt0·c；

94、pt0为电动汽车换电站的初始电池盈余量，c为换电站单块电池容量；

95、t+1时刻换电需求所需要的电量

96、

97、为t+1时刻出租车的换电需求。

98、与现有技术相比，本发明的有益效果为：

99、本发明采用基于bp神经网络的方法，对光伏发电功率的预测，使数据更准确。本发明采用免疫遗传算法与最短路径算法模型对换电站进行布局规划，可快速寻找充电需求点与换电站在整个地图网络中的最优充电点的最优路径。本发明构建光伏-换电站直接运行模型，降低换电站的充电费用。本发明构建参与电力市场下光伏-换电站优化运行模型，提高换电站的额外收益。