光-储充电站容量配置与定价模型的构建方法、计算设备与流程

本发明涉及电力系统领域，尤其涉及一种光-储充电站容量配置与定价模型的构建方法、装置和计算设备。

背景技术：

近年来，随着储能技术的进步、电网智能水平以及电动汽车保有量的大幅提高，使得电动汽车充电基础设施得到快速发展。然而基于可再生能源和储能系统双向流动的特点，含有光伏发电系统和储能系统的光-储充电站应运而生，这就激发了技术人员关于电动汽车光-储充电站容量配置的研究。

目前，已有技术中研究了基于用户行为和基于补贴的需求响应的模型创建，利用电价引导、用户分类意愿等方法考虑了电动汽车用户的电力需求响应(即需求响应)。但是目前未有模型基于实时电价的用户用电行为选择模型，且当前光-储充电站容量配置模型无法同时考虑光-储充电站各单元装机容量配置及计于实时电价的用户需求响应两方面因素，即当前光-储充电站配置模型无法同时考虑运营商及电动汽车用户的供需双方的利益。因此，目前的光-储充电站容量配置模型分析结果不全面，结果准确性低。

技术实现要素：

为此，本发明提供一种多能源协同系统优化调度模型的构建方法、装置和计算设备，以力图解决或者至少缓解上面存在的问题。

根据本发明的一个方面，提供了一种光-储充电站容量配置与定价模型的构建方法，适于在计算设备中执行，所述模型包括第一模型和第二模型，第一模型为运营商方的光-储充电站容量配置与定价模型，第二模型为电动汽车用户方的光-储充电站容量配置与定价模型；第一模型对应第一目标函数和第一约束条件，第二模型对应第二目标函数和第二约束条件；第一目标函数、第二目标函数统称为目标函数，第一约束条件、第二约束条件统称为约束条件；所述方法包括步骤：

获取基础参数；

建立计及电价的需求响应和基础参数的光-储充电站容量配置与定价模型，模型包括所述目标函数和约束条件；

将基础参数代入至模型中，并以运营商效益最大化的同时电动汽车用户的用电费用最低为目标，采用商业求解器对所述模型进行求解，输出光-储充电站中各设备容量配置数据与电价定价方案；

其中，第一目标函数为：maxf^cso＝b^ope-c^inv，式中，maxf^cso为运营商最大收益，b^ope为预期收入，c^ivn为投资成本；

其中，第二目标函数为：式中，为电动汽车用户最大效益，为v类型电动汽车用户在t时刻的需求电量，uv为电动汽车用户的效用函数，为运营商售电电价。

可选地，第一目标函数包括：

c^inv＝k^cfc^cfp^ncf+k^rdgc^rdgp^nrdg+k^es(c^espp^nes+c^esee^nes)

式中，θ为一年的天数，t为任意时刻，t为一天总时长，一天总时长为24小时，为运营商与主网的交易电价，为t时刻电动汽车用户充电功率，为t时刻运营商与主网的交互功率，p^ncf为充电桩装机容量，p^nrdg为光伏发电单元装机容量，e^nes为储能单元装机功率，p^nes为储能单元装机容量，c^cfm为充电站年运维成本，c^rdgm为光伏发电单元年运维成本，c^esm为储能单元年运维成本，c^cf为充电站单位投资成本，c^rdg为光伏发电单元单位投资成本，c^esp为储能单元储能功率投资成本，c^ese为储能单元储能能量投资成本，δt为时间尺度，k^cf为充电站资本回收系数，k^rdg为光伏发电单元资本回收系数，k^es为储能单元资本回收系数。

可选地，第一约束条件包括：装机容量约束、电价约束、设备出力约束中的一种或多种；第二约束条件包括：电动汽车用户电量需求约束。

可选地，装机容量约束包括：

式中，为t时刻充电桩装机容量上限，为t时刻光伏发电单元装机容量上限，为t时刻储能单元装机功率上限，为t时刻储能单元装机容量上限。

可选地，电价约束包括：

式中，为运营商售电电价上限。

可选地，设备出力约束包括：

充电站与电网之间交换功率约束条件：

光伏发电单元最大调度功率约束和充电站充电容量约束：

储能单元充放电功率约束：

储能单元运行期间能量改变特性约束：

es单元运行期间充放电状态约束：

调度运行结束时储能单元可用容量与开始时可用能量约束：

光-储充电站的功率平衡约束：

运营商提供的电量约束：

式中，l为库恩-塔克条件的拉格朗日函数，为变压器额定功率，为t时刻光伏充电单元出力，为表示光伏发电单元出力系数，为储能单元在t时刻充电功率，为储能单元在t时刻放电功率，为t时刻的储能单元容量，为t-1时刻的储能单元容量，η^esc为储能单元运行期间充电效率，η^esd为储能单元运行期间放电效率，为储能单元运行期间最小充放电状态，为储能单元运行期间最大充放电状态，为在调度运行开始时储能单元可用容量,为在调度运行结束时储能单元可用容量,η^cf为充电桩充电效率，fv,t为电动汽车用户数。

可选地，电动汽车用户电量需求约束包括：

式中，为v类型电动汽车用户在t时刻的最小需求电量，为v类型电动汽车用户在t时刻的最大需求电量。

可选地，所述方法还包括：

通过效用函数将所述第二模型线性化；

线性化的所述第二模型的目标函数为：

线性化的所述第二模型的约束条件包括：

式中，为电动汽车用户最大效益，m为分段线性化的段数，m为分段线性化总段数，均为拉格朗日乘子，为v类电动汽车用户每个时间段的充电需求量，λv,t为拉格朗日乘子，为v类型电动汽车在时刻t的第m段的充电电量上限。

可选地，所述方法还包括：

通过库恩-塔克条件将线性化的第二模型与第一模型转换为一个模型，转换后的第一目标函数不变；转换后的第二目标函数与第二约束条件转换为：

式中，均为拉格朗日乘子，为t时刻v类型电动汽车的最大充电量。

可选地，所述方法还包括：

通过线性化方法将一个模型转化为混合整数线性规划模型。

可选地，基础参数包括：光-储充电站中各类设备基本参数、光伏发电单元出力参数、不同电动汽车类型的数量中的一种或多种。

根据本发明的一个方面，提供了一种光-储充电站容量配置与定价模型的构建装置，驻留在计算设备中执行，模型包括第一模型和第二模型，第一模型为运营商方的光-储充电站容量配置与定价模型，第二模型为电动汽车用户方的光-储充电站容量配置与定价模型；第一模型对应第一目标函数和第一约束条件，第二模型对应第二目标函数和第二约束条件；第一目标函数、第二目标函数统称为目标函数，第一约束条件、第二约束条件统称为约束条件；所述装置包括：

获取参数模块，适于获取基础参数；

模型构建单元，适于建立计及电价的需求响应和基础参数的光-储充电站容量配置与定价模型，模型包括所述目标函数和约束条件；

模型求解单元，适于将基础参数代入至所述模型中，并以运营商效益最大化的同时电动汽车用户的用电费用最低为目标，采用商业求解器对模型进行求解，输出光-储充电站中各设备容量配置数据与电价定价方案；

其中，第一目标函数为：maxf^cso＝b^ope-c^inv，式中，maxf^cso为运营商最大收益，b^ope为预期收入，c^inv为投资成本；

其中，第二目标函数为：式中，为电动汽车用户最大效益，为v类型电动汽车用户在t时刻的需求电量，uv为电动汽车用户的效用函数，为运营商售电电价。

根据本发明的一个方面，提供一种计算设备，包括：至少一个处理器；和存储有程序指令的存储器，其中，所述程序指令被配置为适于由所述至少一个处理器执行，所述程序指令包括用于执行如上所述方法的指令。

根据本发明的一个方面，提供一种存储有程序指令的可读存储介质，当所述程序指令被计算设备读取并执行时，使得所述计算设备执行如上所述方法。

根据本发明的技术方案，构建了光-储充电站容量配置及定价模型，以光-储充电站和电动汽车用户为第一模型、第二模型问题主体，以运营商收益最大化和用户效益最大化为目标，建立光-储充电站容量配置和电价制定双层优化模型。模型有效的刻画了用户需求响应计及运营商与电动汽车两个主体之间博弈行为，通过分段线性化、库恩-塔克(kuhn-tuckerconditions，简称kkt)条件和线性化方法将两个模型问题转化为单层混合整数线性规划模型。最后通过模拟仿真，从规划结果、电价水平、运行状态和储能系统状态等方面进行分析，验证了模型的有效性和实用性。

附图说明

为了实现上述以及相关目的，本文结合下面的描述和附图来描述某些说明性方面，这些方面指示了可以实践本文所公开的原理的各种方式，并且所有方面及其等效方面旨在落入所要求保护的主题的范围内。通过结合附图阅读下面的详细描述，本公开的上述以及其它目的、特征和优势将变得更加明显。遍及本公开，相同的附图标记通常指代相同的部件或元素。

图1示出了根据本发明一个实施例的计算设备100的结构框图；

图2示出了根据本发明一个实施例的光-储充电站200内部结构示意图；

图3示出了根据本发明一个实施例的光-储充电站容量配置与定价模型的构建方法300的流程图；

图4示出了根据本发明一个实施例的光-储充电站容量配置与定价模型的构建装置400的结构图；

图5示出了为光伏出力系数及市场电价参数示意图；

图6示出了不同类型电动汽车用户数量示意图；

图7示出了实时售电电价示意图；

图8示出了光-储充电站运行结果示意图；

图9示出了储能系统soc状态曲线示意图；以及

图10示出了不同方案下电动汽车需求量曲线示意图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

本发明提供一种光-储充电站容量配置与定价模型的构建方法，依据光-储充电站运营商和电动汽车用户为第一、第二两个问题主体而建立。双层模型可以同时考虑光-储充电站运营商和电动汽车优化的博弈交互行为，即电动汽车用户充电时间的选择影响到光-储充电站中个设备容量配置和电价设计。基于双层模型实现用户基于电价实时选择用电时间的优化光-储充电站容量配置和定价，并利用分段线性效用函数、kkt条件和线性化方法将双层模型转化为单层模型的混合整数线性规划进行求解，进而得到光-储充电站的容量配置数据和电价定制方案。

本发明提供一种光-储充电站容量配置与定价模型的构建方法，适于在计算设备中执行。计算设备100的框图如图1所示，在基本的配置102中，计算设备100典型地包括系统存储器106和一个或者多个处理器104。存储器总线108可以用于在处理器104和系统存储器106之间的通信。

取决于期望的配置，处理器104可以是任何类型的处理，包括但不限于：微处理器(μp)、微控制器(μc)、数字信息处理器(dsp)或者它们的任何组合。处理器104可以包括诸如一级高速缓存110和二级高速缓存112之类的一个或者多个级别的高速缓存、处理器核心114和寄存器116。示例的处理器核心114可以包括运算逻辑单元(alu)、浮点数单元(fpu)、数字信号处理核心(dsp核心)或者它们的任何组合。示例的存储器控制器118可以与处理器104一起使用，或者在一些实现中，存储器控制器118可以是处理器104的一个内部部分。

取决于期望的配置，系统存储器106可以是任意类型的存储器，包括但不限于：易失性存储器(诸如ram)、非易失性存储器(诸如rom、闪存等)或者它们的任何组合。系统存储器106可以包括操作系统120、一个或者多个应用122以及程序数据124。在一些实施方式中，应用122可以布置为在操作系统上利用程序数据124进行操作。程序数据124包括指令，在根据本发明的计算设备100中，程序数据124包含用于执行有源配电网规划模型的构建方法200的指令。

计算设备100还可以包括有助于从各种接口设备(例如，输出设备142、外设接口144和通信设备146)到基本配置102经由总线/接口控制器130的通信的接口总线140。示例的输出设备142包括图形处理单元148和音频处理单元150。它们可以被配置为有助于经由一个或者多个a/v端口152与诸如显示器或者扬声器之类的各种外部设备进行通信。示例外设接口144可以包括串行接口控制器154和并行接口控制器156，它们可以被配置为有助于经由一个或者多个i/o端口158和诸如输入设备(例如，键盘、鼠标、笔、语音输入设备、触摸输入设备)或者其他外设(例如打印机、扫描仪等)之类的外部设备进行通信。示例的通信设备146可以包括网络控制器160，其可以被布置为便于经由一个或者多个通信端口164与一个或者多个其他计算设备162通过网络通信链路的通信。

网络通信链路可以是通信介质的一个示例。通信介质通常可以体现为在诸如载波或者其他传输机制之类的调制数据信号中的计算机可读指令、数据结构、程序模块，并且可以包括任何信息递送介质。“调制数据信号”可以这样的信号，它的数据集中的一个或者多个或者它的改变可以在信号中编码信息的方式进行。作为非限制性的示例，通信介质可以包括诸如有线网络或者专线网络之类的有线介质，以及诸如声音、射频(rf)、微波、红外(ir)或者其它无线介质在内的各种无线介质。这里使用的术语计算机可读介质可以包括存储介质和通信介质二者。

计算设备100可以实现为服务器，例如文件服务器、数据库服务器、应用程序服务器和web服务器等，也可以实现为小尺寸便携(或者移动)电子设备的一部分，这些电子设备可以是诸如蜂窝电话、个人数字助理(pda)、个人媒体播放器设备、无线网络浏览设备、个人头戴设备、应用专用设备、或者可以包括上面任何功能的混合设备。计算设备100还可以实现为包括桌面计算机和笔记本计算机配置的个人计算机。在一些实施例中，计算设备100被配置为执行根据本发明的一种光-储充电站容量配置与定价模型的构建方法300。

本发明提供的一种光-储充电站容量配置与定价模型的构建方法。而其中将含有光伏发电系统和储能系统的充电站称为光-储充电站。光-储充电站融合了光伏(photovoltaic，简称pv)发电单元、储能(energystorage，简称es)单元、充电桩(smartchargingstation)等，使光伏发电单元与电动汽车的充放电关联运行，促进可再生能源就地高效消纳及满足电动汽车负荷需求，同时引入储能单元还能够有效缓解充电桩充电对区域电网的冲击，实现了供电源-储能单元-负荷的有机结合，符合新一代电力系统清洁高效、绿色低碳、安全可控的要求。

本发明构建的双层模型其中的一个主体光-储充电站的系统结构如图2所示。假设光-储充电站的所有单元均基于ac接口集成到充电站中，并由系统运营商以集中方式控制。光-储充电站200通常由多个电动汽车充电桩、储能单元和光伏单元组成，通过电力电子转换器连接到外部电网，以便在发电不足时从电网获得能量供应。光-储充电站200为了充分利用可再生能源，部署了储能单元，当光伏发电单元出力处于过剩状态(相对于连接的电动汽车充电需求)时，存储单元可以充电运行以存储多余的能量，而当光伏发电单元出力不足时，储能单元基于存储的电能实现放电供应。因此，通过协调控制储能单元和光伏发电单元出力，可以最小化光-储充电站200的能耗。

图3示出了根据本发明一个实施例的光-储充电站容量配置与定价模型的构建方法300的示意图，该方法适于驻留在图1所示的计算设备100中执行。

如图3所示，该方法始于步骤s310。在步骤s310中，获取基础参数。基础数据是作为模型的输入数据。基础参数包括：光-储充电站中各类设备基本参数、光伏发电单元出力参数、不同电动汽车类型的数量中的一种或多种。模型输入数据将在算例部分给出示例。例如可包括以下各公式中等式或不等式右边的参数。例如，光-储充电站中各类设备基本参数可包括充电桩的装机容量、光伏发电单元的装机容量、储能所有的装机容量等。

随后，在步骤s320中，建立计及电价的需求响应和基础参数的光-储充电站容量配置与定价模型，模型包括目标函数和约束条件。上述的需求响应即电力需求响应的简称，是指当电力批发市场价格升高或系统可靠性受威胁时，电力用户接收到供电方发出的诱导性减少负荷的直接补偿通知后或者电力价格上升信号后，改变其固有的习惯用电模式，达到减少某时段的用电负荷，从而保障电网稳定，并抑制电价上升的短期行为。本发明主要考虑基于价格的需求响应。

进一步的，上述目标函数包括第一目标函数和第二目标函数。第一目标函数对应的主体为光-储充电站运营商，第二目标函数对应的主体为电动汽车用户。

第一目标函数为：maxf^cso＝b^ope-c^inv，式中，maxf^cso为运营商最大收益，b^ope为预期收入，c^inv为投资成本。

其中，

c^inv＝k^cfc^cfp^ncf+k^rdgc^rdgp^nrdg+k^es(c^espp^nes+c^esee^nes)

进一步的，第一目标函数为：

式中，θ为一年的天数，t为任意时刻，t为一天总时长，一天总时长为24小时，，为运营商与主网的交易电价，为t时刻电动汽车用户充电功率，为t时刻运营商与主网的交互功率，p^ncf为充电桩装机容量，p^nrdg为光伏发电单元装机容量，e^nes为储能单元装机功率，p^nes为储能单元装机容量，c^cfm为充电站年运维成本，c^rdgm为光伏发电单元年运维成本，c^esm为储能单元年运维成本，c^cf为充电站单位投资成本，c^rdg为光伏发电单元单位投资成本，c^esp为储能单元储能功率投资成本，c^ese为储能单元储能能量投资成本，δt为时间尺度，k^cf为充电站资本回收系数，k^rdg为光伏发电单元资本回收系数，k^es为储能单元资本回收系数。

上述的第二目标函数为：式中，为电动汽车用户最大效益，为v类型电动汽车用户在t时刻的需求电量，uv为电动汽车用户的效用函数，为运营商售电电价。

根据本发明的一个实施例，约束条件包括第一约束条件和第二约束条件，第一约束条件为第一目标函数的约束条件，第二约束条件为第二目标函数的约束条件。第一约束条件包括：装机容量约束、电价约束、设备出力约束中的一种或多种。

1)通过装机容量约束，保证光伏发电单元、储能单元的正常工作状态。

装机容量约束包括：

式中，为t时刻充电桩装机容量上限，为t时刻光伏发电单元装机容量上限，为t时刻储能单元装机功率上限，为t时刻储能单元装机容量上限。

2)电为运营商提供的电价约束，以保证电动汽车充电市场的稳定性。电价约束包括：

式中，为运营商售电电价上限。

3)基于设备出力约束，保证系统正常运行。设备出力约束包括：

充电站与电网之间交换功率约束条件：

光伏发电单元最大调度功率约束和充电站充电容量约束：

储能单元充放电功率约束：

储能单元运行期间能量改变特性约束：

es单元运行期间充放电状态约束：

调度运行结束时储能单元可用容量与开始时可用能量约束：

光-储充电站的功率平衡约束：

运营商提供的电量约束：

l为库恩-塔克条件的拉格朗日函数，为变压器额定功率，为t时刻光伏充电单元出力，为表示光伏发电单元出力系数，为储能单元在t时刻充电功率，为储能单元在t时刻放电功率，为t时刻的储能单元容量，为t-1时刻的储能单元容量，η^esc为储能单元运行期间充电效率，η^esd为储能单元运行期间放电效率，为储能单元运行期间最小充放电状态，为储能单元运行期间最大充放电状态，为在调度运行开始时储能单元可用容量,为在调度运行结束时储能单元可用容量,η^cf为充电桩充电效率，fv,t为电动汽车用户数。

第二约束条件包括电动汽车用户电量需求约束。为了维持供电系统的稳定，需要对电动汽车用户用电量进行约束。电动汽车用户电量需求约束包括：

式中，为v类型电动汽车用户在t时刻的最小需求电量，为v类型电动汽车用户在t时刻的最大需求电量。

由于双层问题求解本身存在一定难度，将双层模型求解问题转化为单层模型求解问题，单层模型可以利用求解器直接求解。

接下来依次将第二模型分段线性化、基于kkt条件将第二模型替换并整理归纳到第一模型、通过线性化方法将处理后的单层非线性模型转换成单层混合整数线性规划模型，进而解决双层模型求解难的问题。

首先将第二模型线性化，即将电动汽车用户对应的第二模型进行线性化处理，得到第二模型的线性表达形式。

本发明一个实施例中，通过效用函数将第二模型线性化。效用函数用于衡量消费者从消费既定的商品组合中所获得满足的程度，本文消费者即电动汽车用户，商品为需求电量。效用函数特征在于效用随着商品购买数量的递增而增长，而单位商品的边际效用是递减的。本发明中假设电动汽车用户的边际效用是关于其充电量的分段线性函数，分段函数是表示福利效用与能源消费关系的典型函数，且以线性形式表示电动汽车用户的效益适用于所提出的双层模型和求解方法。在不失一般性的情况下，本发明假设所采用的分段函数分为五段，并且每段对应于预先给定的边际效用值。

表示电动汽车用户每个时间段的充电需求量，则其从运营商所获得的总效益可以通过公式如下两个公式实现分段线性化的表示。

则原第二模型结果线性化后的第二模型的目标函数为：

线性化的所述第二模型的电动汽车用户的充电约束包括：

式中，为电动汽车用户最大效益，m为分段线性化的段数，m为分段线性化总段数，均为拉格朗日乘子，为v类电动汽车用户每个时间段的充电需求量，λv,t为针对等式的拉格朗日乘子，为v类型电动汽车在时刻t的第m段的充电电量上限。

假设电动汽车用户的总电量必须满足其日常行程距离但不超过其电池容量，则电动汽车用户在每个时间段中的充电电量约束为电动汽车用户在每个时间段中的充电电量小于每段的上限，约束条件如下：

本发明中还对每个时间段充电电量进行了约束，每个时间段充电电量需满足为正，即每个充电时间段对电动汽车进行充电，约束条件如下：

式中，soc为核电状态，和ε^ev表示电动汽车用户的电池容量和电动汽车每公里消耗容量，表示v类电动汽车用户一天的预期行驶距离，和分别表示电动汽车电池允许的最小soc、最大soc及其到达充电站时的初始soc。

基于第二模型的线性表达形式，接下来将第二模型替换其整理归纳到第一模型，从而将原双层模型重整为等效的非线性单层模型。

本发明一个实施例中，接下来，可以利用kkt条件将第二模型替换为其相应的kkt最优性条件并将其整理归纳到第一模型，从而将原双层模型重整为等效的单层模型。转换后的第一目标函数不变，转换后的第二模型的第二目标函数与第二约束条件转换为：

式中，均为拉格朗日乘子，λv,t为针对等式的拉格朗日乘子，为t时刻v类型电动汽车的最大充电量。

最后，将非线性单层模型转换为一类混合整数线性规划形式。

通过双层问题单层化，得以将模型转化为单层问题，但是此单层问题存在非线性项，是双线性问题，用经典算法无法得到精确解。因此需要将上述得到的非线性单层模型中的非线性项进行线性化处理。

单层问题约束中的非线性项是由于使用kkt条件进行单层转化所导致，在约束中引入的互补松弛条件存在两个变量相乘的项，对于这一类非线性项可以通过fortuny-amat转化，进而将模型转化为一类混合整数线性规划形式。形如0≤μ⊥d≥0的具体转化形式如下：

μ≥0,d≥0

μ≤(1-w)m

d≤wm

w∈{0,1}

式中，m是一个足够大的常数，w为一类0-1变量，d为连续变量，μ为拉格朗日乘子。通过上述方法，约束中的非线性互补约束可以重写为线性形式。

此外对于第二模型目标函数中存在的非线性项，本文采用一类经典的线性逼近方法进行线性化处理。具体方法如下：假设z＝a×b代表一个双线性项，并且a∈[amin,amax]，b∈[bmin,bmax]，则双线性项a×b可以通过以下形式进行线性化替代：

z≥aminb+bmina-aminbmin

z≥amaxb+bmaxa-amaxbmax

z≤aminb+bmaxa-aminbmax

z≤amaxb+bmina-amaxbmin

式中，amax为变量a的上限，amin为变量a的下限，bmin为变量b的下限，bmax为变量b的上限。

通过上述过程将第二模型目标函数中非线性项进行了有效的线性转化，从而将非线性双层优化规划模型转化为单层的混合整数线性规划模型。

随后，在步骤s330中，将基础参数代入至转化为单层的混合整数线性规划模型中，并以运营商效益最大化的同时电动汽车用户的用电费用最低为目标，采用商业求解器对混合整数线性规划模型进行求解，输出光-储充电站中各设备容量配置数据与电价定价方案。

应当理解的是，存在多种模型的求解方法，本发明不受限于具体的实现方式，所有能够对上述模型进行求解的方法均在本发明的保护范围之内。根据一个实施例，本发明采用商业求解器对上述模型进行求解。进一步的，本发明中采用cplex等商业求解器对上述模型进行求解。

图4示出了根据本发明一个实施例的多能源协同系统优化调度模型的构建装置400的结构框图，该装置400可以驻留在计算设备100中，模型包括第一模型和第二模型，第一模型为运营商方的光-储充电站容量配置与定价模型，第二模型为电动汽车用户方的光-储充电站容量配置与定价模型；第一模型对应第一目标函数和第一约束条件，第二模型对应第二目标函数和第二约束条件；第一目标函数、第二目标函数统称为目标函数，第一约束条件、第二约束条件统称为约束条件。如图4所示，装置400包括：获取参数单元410、模型构建单元420和模型求解单元430。

获取参数单元410，适于获取基础参数；

模型构建单元420，适于建立计及电价的需求响应和基础参数的光-储充电站容量配置与定价模型，模型包括目标函数和约束条件；

模型求解单元430，适于将基础参数代入至模型中，并以运营商效益最大化的同时电动汽车用户的用电费用最低为目标，采用商业求解器对模型进行求解，输出光-储充电站中各设备容量配置数据与电价定价方案；

其中，第一目标函数为：maxf^cso＝b^ope-c^inv，式中，maxf^cso为运营商最大收益，b^ope为预期收入，c^inv为投资成本；

其中，第二目标函数为：式中，为电动汽车用户最大效益，为v类型电动汽车用户在t时刻的需求电量，uv为电动汽车用户的效用函数，为运营商售电电价。

以下将采用具体案例来验证本发明所构建的光-储充电站容量配置与定价模型进行数值算例仿真，得出电价制定及容量配置规划结果，将本发明构建的模型与未考虑需求响应模型进行对比分析，总结二者规划结果的差异和计于电价的需求响应的效益，证明所采用模型的优越性。

本发明选用太阳能光伏板和锂离子电池的作为光伏发电设备和储能设备。相关基本参数如表1所示，假设光-储充电站的总面积为3000m2，cf、pv、es的最大安装容量为5000kw，500kw，2500kwh(900kw)，基本折现率为6％。

表1设备基本参数表

假设光-储充电站与外部电网相连的变压器容量为4000kva，实时市场电价和光伏发电单元出力系数如图5所示。简单起见，算例中每辆电动汽车的电池容量为40kwh，耗电功率为0.18kwh/km，soc的下限和上限分别取为30％和90％。为了适应所提出的模型框架，假设系统中的电动汽车用户根据日常驾驶模式分为三类：远程(lr，l^tot＝100km)，中程(mr，l^tot＝50km)和短程(sr，l^tot＝20km)。

此外，运营商可以在一天中的不同时间预测电动汽车流量以及充电站中每类客户的占比，假设三类用户的数量如图6所示。

根据上述基础数据，在matlab环境下利用cplex求解器进行求解，得到规划结果和经济成本结果如表2所示：

表2光-储充电站规划结果

由表2规划结果可以看出，光-储充电站的日售电量为8.764mwh，年净收益为75.2万元，其中光伏装机处于最大装机容量边界，说明在光-储充电站的运行过程中，通过光伏发电单元发电相比从主网购电获得更高的收益。因此规划结果显示在需求较大的情况下，光-储充电站应更多的利用现有空间安装光伏，在这种规划运行情况下，光伏发电单元出力占比近30％，并且由于较多配置储能实现了光伏出力的全部消纳。

制定实时电价如图7所示。从图7实时电价图看出，一天中最高电价为$0.40/kwh，出现在晚上7-9点时段，而最低电价为$0.32/kwh，出现在凌晨3-4点之间。从电价变化的趋势来看，电价在上午9点至11点，晚上7点至9点期间达到高峰，其中在晚上7点至9点之间，电价水平达到限制峰值，为最高电价，在下午时段出现小幅波动，这符合电动汽车用户的充电行为。在考虑电动汽车需求响应后，电动汽车用户较为集中的充电时间为上午和晚间，而此时光伏的出力较小，且从主网的购电电价也较高，因此光-储充电站只能通过主网购电或者通过储能单元来满足用户负荷需求，这时运营商为了保证系统的盈利需要制定较高的电价。

针对这一规划结果，光-储充电站系统运行结果如图8所示。从时间来看，在22点至次日的5点之前，储能系统运行较多，由于此时主网的电价较低，因此运营商从主网购电利用电动汽车系统不断进行充电，以维持储能电量。此外，在夜间时共发生3次es放电现象，由于夜间电价在浮动，运营商通过上一时刻的低价充电和下一时刻的高价售电进行盈利，但总体来看，夜间基本处于储能单元蓄能的状态。在5-9点期间，电动汽车负荷相对较小，且光伏发电很少，此时主要通过主网购电满足负荷，而不动用储能单元内的储能，而到了上午充电的高峰时段，运营商大量调用夜间的储能，并利用光伏发电单元发电满足电动汽车用户的需求，同时出现了向外部电网送电的情况，直至储能系统的soc达到下限，这一段时间是主要盈利时间。在11-13点期间，运营商直接利用主网购电和光伏发电满足用户负荷，未利用储能单元进行储能，直至13-15点期间，开始对储能单元进行充电，此时光伏发电单元出力较大且主网购电电价较低，因此利用存储单元充电储能。

从图9的存储单元soc状态曲线可以看出储能单元在夜间的时候出现了储能单元soc的快速变化，结合图8的运行状态可以得出光-储充电站利用夜间的价差进行快充快放，获得盈利。3-5点期间进入快速充电状态，储能单元储能达上限soc，之后适当放电后维持稳定状态，在9点到11点期间由于放电储能处于较低状态，11点及13点两次充电，soc攀升到上限后，下午进行充放，在18点维持稳定状态，在晚间进行放电后至soc下限。

通过上述结果的分析可以得出：第一，在技术成熟和成本降低的情况下，光-储充电站应充分利用空间进行光伏发电单元和储能单元的投资建设；第二，运营商应合理制定电价，通过电价手段调整电动汽车用户充电需求，利用需求响应达到二者的效益平衡；第三，运营商需充分利用光伏发电单元发电和储能单元储能的特性，尤其是储能单元的储能特性，结合电价水平，进行合理充放调整，促进系统经济高效的运行。

为了明确用户需求响应的价值，对考虑需求响应和不考虑需求响应规划模型的效果进行对比分析。不考虑需求响应模型设定电价为固定电价，电动汽车用户的充电需求是固定的，每个用户有固定的充电需求。不考虑需求响应的模型中，设定cso的售电价格为0.35$/kwh。得到规划结果以及系统经济特性如表3所示。

表3不同方案规划结果

通过表3可以看出，不考虑需求响应的单层优化模型的规划结果中充电桩配置容量更大，而该方案中为固定售电电价，较大的安装容量导致其投资运维成本增加，净收益减少。出现上述结果的原因在于不考虑需求响应单层模型中，电动汽车用户的充电需求与电价无关，规划过程中设定需求固定，运营商需要投资建设更多的充电单元来满足用户的需求，因此与考虑计于价格的需求响应的规划方案相比，导致成本的增加。

通过图10可以看出，在考虑需求响应的情况下，能够在光伏发电单元出力较多的时间段通过价格手段提升用户需求获得更高收益，在晚间储能单元储能较少且光伏发电单元出力较少时，通过价格激励手段降低用户需求。总体来看，通过需求响应手段全天可以增加用户需求241.2kwh电量，提高了运营商的收益，同样也更大程度上满足了用户需求。上述对比表明了电动汽车用户需求响应对光-储充电站优化设计的重要性。

综上，为了提出有效的光-储充电站规划方案，本文建立了考虑用户需求响应的光-储充电站双层规划模型。模型以光-储充电站和电动汽车用户为上、下层问题主体，以运营商收益和用户效益最大化为目标，建立光-储充电站的容量配置和电价制定双层优化模型。模型有效的刻画计及了两个主体之间博弈行为，通过分段线性化、kkt条件和线性化方法将问题转化为单层混合整数线性规划模型。通过模拟仿真，从规划结果、电价水平、运行状态和储能定义状态等方面进行分析，验证了模型的有效性和实用性。

a8如a1至7中任一项所述的方法，所述方法还包括：

通过效用函数将所述第二模型线性化；

线性化的所述第二模型的目标函数为：

线性化的所述第二模型的约束条件包括：

式中，为电动汽车用户最大效益，m为分段线性化的段数，m为分段线性化总段数，均为拉格朗日乘子，为v类电动汽车用户每个时间段的充电需求量，λv,t为拉格朗日乘子，为v类型电动汽车在时刻t的第m段的充电电量上限。

a9如a8所述的方法，所述方法还包括：

通过库恩-塔克条件将线性化的所述第二模型与所述第一模型转换为一个模型，转换后的所述第一目标函数不变；转换后的所述第二目标函数与所述第二约束条件转换为：

式中，均为拉格朗日乘子，为t时刻v类型电动汽车的最大充电量。

a10如a9所述的方法，所述方法还包括：

通过线性化方法将所述一个模型转化为混合整数线性规划模型。

a11如a1至10中任一项所述的方法，其中，所述基础参数包括：光-储充电站中各类设备基本参数、光伏发电单元出力参数、不同电动汽车类型的数量中的一种或多种。

这里描述的各种技术可结合硬件或软件，或者它们的组合一起实现。从而，本发明的方法和设备，或者本发明的方法和设备的某些方面或部分可采取嵌入有形媒介，例如软盘、cd-rom、硬盘驱动器或者其它任意机器可读的存储介质中的程序代码(即指令)的形式，其中当程序被载入诸如计算机之类的机器，并被所述机器执行时，所述机器变成实践本发明的设备。

在程序代码在可编程计算机上执行的情况下，计算设备一般包括处理器、处理器可读的存储介质(包括易失性和非易失性存储器和/或存储元件)，至少一个输入装置，和至少一个输出装置。其中，存储器被配置用于存储程序代码；处理器被配置用于根据该存储器中存储的所述程序代码中的指令，执行本发明的光-储充电站容量配置与定价模型的构建方法。

以示例而非限制的方式，计算机可读介质包括计算机存储介质和通信介质。计算机可读介质包括计算机存储介质和通信介质。计算机存储介质存储诸如计算机可读指令、数据结构、程序模块或其它数据等信息。通信介质一般以诸如载波或其它传输机制等已调制数据信号来体现计算机可读指令、数据结构、程序模块或其它数据，并且包括任何信息传递介质。以上的任一种的组合也包括在计算机可读介质的范围之内。

在此处所提供的说明书中，算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与本发明的示例一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下被实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

本领域那些技术人员应当理解在本文所公开的示例中的设备的模块或单元或组件可以布置在如该实施例中所描述的设备中，或者可替换地可以定位在与该示例中的设备不同的一个或多个设备中。前述示例中的模块可以组合为一个模块或者此外可以分成多个子模块。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以任意的组合方式来使用。