咨询热线
010-89780125
微信扫码咨询
微信扫码咨询
东南大学 赵显秋、徐青山，等：考虑不确定性的新型电池充换电站多时间尺度能量管理策略
研究背景
工信部印发《“十四五”工业绿色发展规划》中鼓励工厂、园区发展屋顶光伏、分散式风电和储能，以提升清洁能源占比。在该背景下，传统的换电站在集成燃气轮机、储能、风电和光伏后能够升级为新型电池充换电站，在提供换电服务的同时还能为周围负荷进行供电。但是风电、光伏和负荷的预测不确定性，会给系统的运行带来很大的影响。此外，在对换电站中的电池进行建模时，目前也是主要围绕两个角度出发。第一种是对换电站进行总体建模，只考虑各个时段因换电和充放电出现的总体能量变化。该建模方法比较简化，忽视了电池个体的行为。第二种是对每一块电池进行单独建模，精确性好。但电池数量较多时，优化模型的复杂性大大增加。
研究内容
1) 基于SOC区间对电池建模，嵌入充放电优先级。
将电池SOC划成以下k个区间：[ISOC,0, ISOC,1], [ISOC,1, ISOC,2], …, [ISOC,K-1, ISOC,K]。其中，ISOC,0是最小的SOC值，ISOC,K是最大的SOC值，每个SOC区间具有相同的长度。SOC在[ISOC,K-1, ISOC,K]之间的电池被认为是充好的电池，而SOC在[ISOC,0, ISOC,1]之间的电池被认为是从电动汽车上换下来的缺电电池。充电时SOC高的电池优先充电，因而每个时段充好的电池数量能够增加地最多。同样，放电时SOC低的电池优先放电，因而每个时段充好的电池能够减小地最少。设置充放电优先级能够使得整个站内的充好的电池在各个时段的库存最大，便于提供换电服务。基于大M法可以构建对应的充放电优先级，并将其嵌入到优化问题之中。
2) 多时间尺度能量管理框架。
新型电池充换电站的多时间尺度能量管理框架如图1所示，主要包括日前分布鲁棒优化、日内滚动优化和日内实时优化3个时间尺度。3个时间尺度依次变小(Δt>Δtin>Δtre)，对应的调度周期也依次变小（T>Tin>Tre）。日前分布鲁棒优化根据日前的长时间尺度预测信息，确定电池充放电设备的功率、燃气轮机的启停状态和储能的能量日前参考值，并将其提供给日内滚动优化。日内滚动优化在日前优化的基础上，根据短期的最新预测信息确定储能的能量日内参考值，并每隔Δtin将最新参考值提供给日内实时优化。日内实时优化在日前优化和日内滚动优化的基础上，根据最新的实时预测信息，在调度周期Tre内进行优化，并把控制指令发送给第一个Δtre实时阶段。同样地，日内实时优化也进行滚动更新，不断更新预测信息。
图1 多时间尺度能量管理框架
算例分析
为了验证本文所提方法的正确性，构建了对应的新型电池充换电站能量管理算例。
图2给出了不同时段各个状态电池的充放电数量。各个时段充、放电电池的总量等于各个SOC区间的充、放电电池之和。充电优先级(N6,c,t>N5,c,t>N4,c,t>N3,c,t>N2,c,t>N1,c,t)和放电优先级(N2,d,t>N3,d,t>N4,d,t>N5,d,t>N6,d,t>N7,d,t)也在图中体现出来。在t=4h，总的电池充电数量较少，只有SOC较高的电池进行了充电，即N6,c,t和N5,c,t大于0。其中，N6,c,t等于N6,s,t，也就是SOC区间最高的电池具有最高的充电优先级。在t=2h，只有SOC最低的电池进行了放电，即只有N2,d,t大于0,验证了放电优先级。
图2 充放电电池数量
日前分布鲁棒优化和确定性优化、鲁棒优化的对比结果如表1所示。分布鲁棒优化的平均成本最低；鲁棒优化的平均成本最高，最坏成本最低；确定性优化的最坏成本最高。鲁棒优化考虑了预测误差的边界，能够有效地应对最坏的情况，所以其最坏成本是最低的。分布鲁棒优化同时考虑了预测误差的边界和概率分布，其最坏成本是次高的。确定性优化忽视了预测误差，因而其最坏成本最高的。但是净负荷同时取最大值的概率是极小的，鲁棒优化方法会使得日前调度过于保守。综上所述，分布鲁棒优化更适合于日前调度。
表1 不同日前优化方法对比
后续研究方向或讨论话题
本文的工作主要是对新型电池充换电站的多时间尺度能量策略进行了研究，电网的功率支撑只是作为紧急功率支撑，购售电价格设置得比较简单。在后续工作中，将会对新型电池充换电站在分时电价和现货价格背景下开展研究，最大化其利润。此外，电动汽车换电需求的不确定性也需要进一步研究分析。
参 文 格 式
赵显秋, 徐青山, 杨永标, 等. 考虑不确定性的新型电池充换电站多时间尺度能量管理策略[J/OL].电网技术,1-12[2024-02-19].https://doi.org/10.13335/j.1000-3673.pst.2023.0057.
ZHAO Xianqiu, XU Qingshan, YANG Yongbiao, et al. Multi-time scale energy management strategy of novel battery charging and swapping station considering uncertainties[J/OL]. Power System Technology:1-12[2024-02-19].https://doi.org/10.13335/j.1000-3673.pst.2023.0057(in Chinese).
相关文献扩展阅读
黄敏丽，于艾清．基于改进布谷鸟算法的电动汽车换电站有序充电策略研究[J]．中国电机工程学报，2018，38(4)：1075-1083，1284．
朱兰，田泽清，唐陇军，等．计及细节层次直接负荷控制的区域综合能源系统多时间尺度优化调度[J]．电网技术，2021，45(7)：2763-2772．
作者简介
赵显秋，博士研究生，研究方向为电力系统优化运行和电动汽车V2G技术。
徐青山，教授，博士导师，东南大学电气工程学院副院长，智能配用电研究所所长。研究方向为智能配用电技术和新能源发电技术。
作者：小编
