计及光伏和充电需求的光储充电站优化调度方法和系统

技术领域

本发明涉及电动汽车充电服务领域，具体涉及计及光伏和充电需求的光储充电站优化调度方法和系统。

背景技术

随着环境问题的日益严峻，电动汽车得到了大力发展。统计数据表明，电动汽车的无序充电将给配电网运行带来巨大的不利影响。

充电站作为充电的配套设施，是支撑电动汽车大规模发展的关键因素。面向慢充的电动汽车充电站通常占地面积较大，屋顶具备安装一定规模分布式光伏的条件，然而光伏出力和充电负荷在时序上可能具有不匹配性，进而给配电网带来一定负担。若在光伏充电站中配置一定容量的储能系统，将可有效缓解这一问题。若能进一步对停驶状态下的电动汽车充电行为进行科学调度，将可以达到更好的效果。因此，慢充条件下光储充电站的优化调度是一个值得开展深入研究的工作。

目前，已有学者针对电动汽车光储充电站的多时间尺度优化调度问题进行了研究。王睿娟和程杉等提出的基于多时间尺度的电动汽车光储充电站联合分层优化调度方法，其中上层调度中心根据预测数据开展以平抑配电网负荷波动和总购电成本最小为目标的日前调度，下层各光储充电站结合实时数据根据总调度中心下达的指导购电功率曲线实现所接入电动汽车的实时充电功率分配。睿雪和胡泽春等提出的电动公交车光储充电站日运行随机优化策略，其中日前阶段以充电站的运行成本最小为目标得到了日内滚动优化时储能系统的初始荷电状态和各时段充电站购售电功率参考值，日内阶段根据当天的光伏出力情况动态调整储能系统的状态和充放电功率以实现充电站运行成本的最小化。

多时间尺度的调度可以满足调度的全局统筹性和实时调度的精确性，因此，立足于多时间尺度对光储充电站进行科学调度是很有必要的。然而，上述文献忽略了光伏和充电需求双重不确定对光储充电站调度的影响，因而光储充电站优化调度模型有待进一步完善。

发明内容

针对现有技术的不足，本发明的目的是提供计及光伏和充电需求的光储充电站优化调度方法和系统，该方法更为科学有效地对光储充电站进行优化调度，提升了光储充电站调度的准确性。

本发明的目的是采用下述技术方案实现的：

本发明提供计及光伏和充电需求的光储充电站优化调度方法，其改进之处在于，所述方法包括：

将待优化日各时段的日前光伏出力预测值和日前充电需求预测值输入日前优化调度模型中，利用改进的粒子群算法求解日前优化调度模型，得到日前优化调度模型输出的待优化日各时段的优化变量的最优值；

利用待优化日内满足第一约束条件的时段的优化变量的最优值对待优化日内满足第一约束条件的时段进行调度，并利用日内滚动优化模型对待优化日内不满足第一约束条件的时段进行调度；

其中，所述优化变量包括：光储充电站内储能系统中功铅酸蓄电池组的充放电功率和光储充电站的购电功率；

改进的粒子群算法的改进之处在于：改进了粒子群算法中惯性权重因子ω、学习因子C

优选的，所述利用日内滚动优化模型对待优化日内不满足第一约束条件的时段进行调度，包括：

获取所述不满足第一约束条件的时段的光伏出力超短期预测值和充电需求超短期预测值；

将所述不满足第一约束条件的时段的光伏出力超短期预测值和充电需求超短期预测值输入日内滚动优化模型，利用改进的粒子群算法求解日内滚动优化模型，得到日内滚动优化模型输出的所述不满足第一约束条件的时段的优化变量的最优值；

利用所述不满足第一约束条件的时段的优化变量的最优值对所述不满足第一约束条件的时段进行调度。

进一步的，所述不满足第一约束条件的时段的光伏出力超短期预测值为在该时段之前的S

所述不满足第一约束条件的时段的充电需求超短期预测值为在该时段之前的S

其中，S

优选的，所述待优化日各时段的日前光伏出力预测值的获取过程，包括：

基于各历史日内各时段的光伏出力数据，采用核密度估计法生成待优化日内各时段的光伏出力概率密度函数；

在定义域范围内对待优化日内各时段的光伏出力概率密度函数求积分，并将积分结果作为待优化日内各时段的日前光伏出力预测值。

优选的，所述待优化日各时段的日前充电需求预测值的获取过程，包括：

对区域内电动汽车用户的历史充电行为进行统计，得到不能满足行驶需求时充电的电动汽车用户的占比，并将所述占比作为电动汽车用户的充电概率；所述充电行为为行驶结束后充电或不能满足行驶需求时充电；

基于电动汽车用户的充电概率，获取区域内各电动汽车用户在待优化日内各时段的充电行为；

基于区域内各电动汽车用户的出行规律和区域内各电动汽车用户在待优化日内各时段的充电行为，采用蒙特卡洛模拟各电动汽车用户在待优化日的行驶行为，得到待优化日各时段内需要充电的电动汽车用户、电动汽车用户的行驶里程以及电动汽车用户的充电起始时间；

根据待优化日各时段内需要充电的电动汽车用户、电动汽车用户的行驶里程以及电动汽车用户的充电起始时间，计算待优化日各时段的日前充电需求预测值；

其中，对于区域内第ψ个电动汽车用户，随机生成与在待优化日内第t个时段对应的处于区间[0，1]内的随机数Rand

进一步的，所述待优化日各时段的日前充电需求预测值的计算式为：

式中，P

其中，所述P

式中，T

所述t

式中，p

所述SOC

SOC

式中，d

优选的，所述第一约束条件为：光伏出力超短期预测值与日前光伏出力预测值的差值小于第一阈值且充电需求超短期预测值与日前充电需求预测值的差值小于第二阈值。

优选的，所述日前优化调度模型的构建，包括：

以新能源消纳率最大并结合光储充电站运行成本最低为目标构建目标函数；

为所述目标函数构建铅酸蓄电池组充放电功率约束、铅酸蓄电池SOC范围约束、配电网供电功率约束和系统功率平衡约束。

进一步的，所述日前优化调度模型的目标函数的计算式为：

F＝min[λ

式中，F为日前优化调度模型的目标函数值，λ

进一步的，所述待优化日第t个时段的新能源消纳量的倒数f

式中，P

其中，所述场景是基于光照强度和电动汽车用户的充电概率p划分的。

进一步的，所述待优化日第t个时段的运行成本f

式中，C(t)为待优化日第t个时段的运行成本，λ

其中，所述待优化日第t个时段的运行成本C(t)的计算式为：

式中，P

所述待优化日第t个时段光储充电站的储能系统中铅酸蓄电池的第j次充放电循环过程的寿命损耗成本C

式中，R

优选的，所述日内滚动优化模型的构建，包括：

以新能源消纳率最大为目标构建目标函数；

为所述目标函数构建铅酸蓄电池组充放电功率约束、铅酸蓄电池SOC范围约束、配电网供电功率约束、系统功率平衡约束、充电需求约束和充电时长约束，得到所述日内滚动优化模型。

进一步的，所述日内滚动优化模型的目标函数的计算式为：

F

式中，F

优选的，所述惯性权重因子ω的计算式为：

ω＝0.5+0.5N

其中，N

所述学习因子C

所述学习因子C

式中，C

本发明提供计及光伏和充电需求的光储充电站优化调度系统，其改进之处在于，所述系统包括：

优化求解模块，用于将待优化日各时段的日前光伏出力预测值和日前充电需求预测值输入日前优化调度模型中，利用改进的粒子群算法求解日前优化调度模型，得到日前优化调度模型输出的待优化日各时段的优化变量的最优值；

调度模块，用于利用待优化日内满足第一约束条件的时段的优化变量的最优值对待优化日内满足第一约束条件的时段进行调度，并利用日内滚动优化模型对待优化日内不满足第一约束条件的时段进行调度；

其中，所述优化变量包括：光储充电站内储能系统中功铅酸蓄电池组的充放电功率和光储充电站的购电功率；

改进的粒子群算法的改进之处在于：改进了粒子群算法中惯性权重因子ω、学习因子C

与最接近的现有技术相比，本发明具有的有益效果：

本发明提供的技术方案，将待优化日各时段的日前光伏出力预测值和日前充电需求预测值输入日前优化调度模型中，利用改进的粒子群算法求解所述模型，得到日前优化调度模型输出的待优化日各时段的优化变量的最优值；利用待优化日内满足第一约束条件的时段的优化变量的最优值对待优化日内满足第一约束条件的时段进行调度，并利用日内滚动优化模型对待优化日内不满足第一约束条件的时段进行调度。该方案通过考虑光伏出力、充电需求不确定性来优化充电站的运行，使得光储充电站能保证新能源消纳率最大的同时兼顾日运行成本，更为科学有效地对光储充电站进行优化调度，提升了光储充电站调度的准确性。

本发明提供的技术方案，粒子群算法可以提升寻优的准确性。

附图说明

图1是计及光伏和充电需求的光储充电站优化调度方法流程图；

图2是计及光伏和充电需求的光储充电站优化调度系统结构图。

具体实施方式

下面结合附图对本发明的具体实施方式作进一步的详细说明。

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

实施例1：

本发明提供计及光伏和充电需求的光储充电站优化调度方法，如图1所示，所述方法包括：

步骤101，将待优化日各时段的日前光伏出力预测值和日前充电需求预测值输入日前优化调度模型中，利用改进的粒子群算法求解日前优化调度模型，得到日前优化调度模型输出的待优化日各时段的优化变量的最优值；

步骤102，利用待优化日内满足第一约束条件的时段的优化变量的最优值对待优化日内满足第一约束条件的时段进行调度，并利用日内滚动优化模型对待优化日内不满足第一约束条件的时段进行调度；

其中，所述优化变量包括：光储充电站内储能系统中功铅酸蓄电池组的充放电功率和光储充电站的购电功率；

改进的粒子群算法的改进之处在于：改进了粒子群算法中惯性权重因子ω、学习因子C

本发明提供的技术方法，日前优化调度模型以利用核密度估计算法预测的光伏出力和利用二项分布统计的电动汽车充电需求为输入来优化光储充电站的运行，日内滚动优化模型是以短时间尺度内预测得到的光伏出力和电动汽车充电需求为输入来优化光储充电站的运行，日前优化调度模型和日内滚动优化模型的结合使用，充分考虑了光伏出力和储能需求不确定对光储充电站优化调度的影响，提升了光储充电站调度的准确性。

具体的，所述利用日内滚动优化模型对待优化日内不满足第一约束条件的时段进行调度，包括：

获取所述不满足第一约束条件的时段的光伏出力超短期预测值和充电需求超短期预测值；

将所述不满足第一约束条件的时段的光伏出力超短期预测值和充电需求超短期预测值输入日内滚动优化模型，利用改进的粒子群算法求解日内滚动优化模型，得到日内滚动优化模型输出的所述不满足第一约束条件的时段的优化变量的最优值；

利用所述不满足第一约束条件的时段的优化变量的最优值对所述不满足第一约束条件的时段进行调度。

进一步的，所述不满足第一约束条件的时段的光伏出力超短期预测值为在该时段之前的S

所述不满足第一约束条件的时段的充电需求超短期预测值为在该时段之前的S

其中，S

具体的，所述待优化日各时段的日前光伏出力预测值的获取过程，包括：

基于各历史日内各时段的光伏出力数据，采用核密度估计法生成待优化日内各时段的光伏出力概率密度函数；

在定义域范围内对待优化日内各时段的光伏出力概率密度函数求积分，并将积分结果作为待优化日内各时段的日前光伏出力预测值。

具体的，所述待优化日各时段的日前充电需求预测值的获取过程，包括：

对区域内电动汽车用户的历史充电行为进行统计，得到不能满足行驶需求时充电的电动汽车用户的占比，并将所述占比作为电动汽车用户的充电概率；所述充电行为为行驶结束后充电或不能满足行驶需求时充电；

基于电动汽车用户的充电概率，获取区域内各电动汽车用户在待优化日内各时段的充电行为；

基于区域内各电动汽车用户的出行规律和区域内各电动汽车用户在待优化日内各时段的充电行为，采用蒙特卡洛模拟各电动汽车用户在待优化日的行驶行为，得到待优化日各时段内需要充电的电动汽车用户、电动汽车用户的行驶里程以及电动汽车用户的充电起始时间；

根据待优化日各时段内需要充电的电动汽车用户、电动汽车用户的行驶里程以及电动汽车用户的充电起始时间，计算待优化日各时段的日前充电需求预测值；

其中，对于区域内第ψ个电动汽车用户，随机生成与在待优化日内第t个时段对应的处于区间[0，1]内的随机数Rand

进一步的，所述待优化日各时段的日前充电需求预测值的计算式为：

式中，P

其中，所述P

式中，T

所述t

式中，p

所述SOC

SOC

式中，d

具体的，所述第一约束条件为：光伏出力超短期预测值与日前光伏出力预测值的差值小于第一阈值且充电需求超短期预测值与日前充电需求预测值的差值小于第二阈值。

具体的，所述日前优化调度模型的构建，包括：

以新能源消纳率最大并结合光储充电站运行成本最低为目标构建目标函数；

为所述目标函数构建铅酸蓄电池组充放电功率约束、铅酸蓄电池SOC范围约束、配电网供电功率约束和系统功率平衡约束。

进一步的，所述日前优化调度模型的目标函数的计算式为：

F＝min[λ

式中，F为日前优化调度模型的目标函数值，λ

进一步的，所述待优化日第t个时段的新能源消纳量的倒数f

式中，P

其中，所述场景是基于光照强度和电动汽车用户的充电概率p划分的。

进一步的，所述待优化日第t个时段的运行成本f

式中，C(t)为待优化日第t个时段的运行成本，λ

其中，所述待优化日第t个时段的运行成本C(t)的计算式为：

式中，P

所述待优化日第t个时段光储充电站的储能系统中铅酸蓄电池的第j次充放电循环过程的寿命损耗成本C

式中，R

具体的，所述日内滚动优化模型的构建，包括：

以新能源消纳率最大为目标构建目标函数；

为所述目标函数构建铅酸蓄电池组充放电功率约束、铅酸蓄电池SOC范围约束、配电网供电功率约束、系统功率平衡约束、充电需求约束和充电时长约束，得到所述日内滚动优化模型。

进一步的，所述日内滚动优化模型的目标函数的计算式为：

F

式中，F

具体的，所述惯性权重因子ω的计算式为：

ω＝0.5+0.5N

其中，N

所述学习因子C

所述学习因子C

式中，C

本发明提供的技术方法，提供了包含日前优化模型和日内滚动优化模型的双层优化模型，日前优化调度模型以光储充电站日运行成本最小和新能源消纳率最大为目标构建的，同时，以日前优化模型的优化结果为参考，建立基于短时间尺度预测的日内滚动优化模型，为切实有效地开展光储充电站的优化调度提供理论基础。

本发明提供的技术方法，尽量减小了因日前预测不准确导致的误差，提高了优化的合理性。

实施例2：

本发明提供计及光伏和充电需求的光储充电站优化调度系统，如图2所示，所述系统包括：

优化求解模块，用于将待优化日各时段的日前光伏出力预测值和日前充电需求预测值输入日前优化调度模型中，利用改进的粒子群算法求解日前优化调度模型，得到日前优化调度模型输出的待优化日各时段的优化变量的最优值；

调度模块，用于利用待优化日内满足第一约束条件的时段的优化变量的最优值对待优化日内满足第一约束条件的时段进行调度，并利用日内滚动优化模型对待优化日内不满足第一约束条件的时段进行调度；

其中，所述优化变量包括：光储充电站内储能系统中功铅酸蓄电池组的充放电功率和光储充电站的购电功率；

改进的粒子群算法的改进之处在于：改进了粒子群算法中惯性权重因子ω、学习因子C

具体的，所述调度模块，具体包括：

第一获取单元，用于获取所述不满足第一约束条件的时段的光伏出力超短期预测值和充电需求超短期预测值；

优化求解单元，用于将所述不满足第一约束条件的时段的光伏出力超短期预测值和充电需求超短期预测值输入日内滚动优化模型，利用改进的粒子群算法求解日内滚动优化模型，得到日内滚动优化模型输出的所述不满足第一约束条件的时段的优化变量的最优值；

调度单元，用于利用所述不满足第一约束条件的时段的优化变量的最优值对所述不满足第一约束条件的时段进行调度。

进一步的，所述不满足第一约束条件的时段的光伏出力超短期预测值为在该时段之前的S

所述不满足第一约束条件的时段的充电需求超短期预测值为在该时段之前的S

其中，S

具体的，所述系统还包括：用于预先获取待优化日各时段的日前光伏出力预测值的第一获取模块，所述第一获取模块包括：

生成单元，用于基于各历史日内各时段的光伏出力数据，采用核密度估计法生成待优化日内各时段的光伏出力概率密度函数；

积分单元，用于在定义域范围内对待优化日内各时段的光伏出力概率密度函数求积分，并将积分结果作为待优化日内各时段的日前光伏出力预测值。

具体的，所述系统还包括：用于预先获取待优化日各时段的日前充电需求预测值的第二获取模块，所述第二获取模块，包括：

统计单元，用于对区域内电动汽车用户的历史充电行为进行统计，得到不能满足行驶需求时充电的电动汽车用户的占比，并将所述占比作为电动汽车用户的充电概率；所述充电行为为行驶结束后充电或不能满足行驶需求时充电；

第二获取单元，用于基于电动汽车用户的充电概率，获取区域内各电动汽车用户在待优化日内各时段的充电行为；

模拟单元，用于基于区域内各电动汽车用户的出行规律和区域内各电动汽车用户在待优化日内各时段的充电行为，采用蒙特卡洛模拟各电动汽车用户在待优化日的行驶行为，得到待优化日各时段内需要充电的电动汽车用户、电动汽车用户的行驶里程以及电动汽车用户的充电起始时间；

计算单元，用于根据待优化日各时段内需要充电的电动汽车用户、电动汽车用户的行驶里程以及电动汽车用户的充电起始时间，计算待优化日各时段的日前充电需求预测值；

其中，对于区域内第ψ个电动汽车用户，随机生成与在待优化日内第t个时段对应的处于区间[0，1]内的随机数Rand

进一步的，所述待优化日各时段的日前充电需求预测值的计算式为：

式中，P

其中，所述P

式中，T

所述t

式中，p

所述SOC

SOC

式中，d

具体的，所述第一约束条件为：光伏出力超短期预测值与日前光伏出力预测值的差值小于第一阈值且充电需求超短期预测值与日前充电需求预测值的差值小于第二阈值。

具体的，所述系统还包括：用于构建日前优化调度模型的第一构建模块，所述第一构建模块，包括：

第一目标函数构建单元，用于以新能源消纳率最大并结合光储充电站运行成本最低为目标构建目标函数；

第一约束条件构建单元，用于为所述目标函数构建铅酸蓄电池组充放电功率约束、铅酸蓄电池SOC范围约束、配电网供电功率约束和系统功率平衡约束。

具体的，所述日前优化调度模型的目标函数的计算式为：

F＝min[λ

式中，F为日前优化调度模型的目标函数值，λ

具体的，所述待优化日第t个时段的新能源消纳量的倒数f

式中，P

其中，所述场景是基于光照强度和电动汽车用户的充电概率p划分的。

具体的，所述待优化日第t个时段的运行成本f

式中，C(t)为待优化日第t个时段的运行成本，λ

其中，所述待优化日第t个时段的运行成本C(t)的计算式为：

式中，P

所述待优化日第t个时段光储充电站的储能系统中铅酸蓄电池的第j次充放电循环过程的寿命损耗成本C

式中，R

具体的，所述系统还包括用于构建日内滚动优化模型的第二构建模块，所述第二构建模块包括：

第二目标函数构建单元，用于以新能源消纳率最大为目标构建目标函数；

第二约束条件构建单元，用于为所述目标函数构建铅酸蓄电池组充放电功率约束、铅酸蓄电池SOC范围约束、配电网供电功率约束、系统功率平衡约束、充电需求约束和充电时长约束，得到所述日内滚动优化模型。

进一步的，其特征在于，所述日内滚动优化模型的目标函数的计算式为：

F

式中，F

具体的，所述惯性权重因子ω的计算式为：

ω＝0.5+0.5N

其中，N

所述学习因子C

所述学习因子C

式中，C

实施例3：

为考虑光伏和充电需求双重不确定对光储充电站调度的影响，本发明提出计及光伏和充电需求的光储充电站优化调度方法，该方法具体实施过程如下所述：

S1：光伏出力和电动汽车充电需求的不确定性建模：

构建光伏出力的不确定模型，所述模型包括但不限于基于核密度估计的光伏出力不确定性模型；

构建电动汽车充电需求的不确定性模型，所述模型包括但不限于基于二项分布的用户充电行为不确定性模型。

其中，建立基于核密度估计的光伏出力不确定性模型的过程如下所述：

基于各历史日内各时段的光伏出力数据，采用核密度估计法生成待优化日内各时段的光伏出力概率密度函数，待优化日内第t个时段的光伏出力概率密度函数f

式中，n为历史日的总数，h为核密度估计的带宽，

令待优化日内第t个时段的日前光伏出力预测值P

求解得到待优化日内第t个时段的日前光伏出力预测值。

建立基于二项分布的用户充电行为不确定性模型的过程如下所述：

充电习惯受电动汽车用户的主观影响，具有较强的不确定性。对于区域内的电动汽车集群来说，充电习惯则呈现出不确定的情况是介于“用户行驶结束后充电”和“用户不能满足行驶需求时充电”两种状态之间。

将行驶结束后即充电用1表示，不能满足行驶需求时充电用0表示，则对于单个电动汽车用户来说，其每天的充电行为服从0-1分布。假设用户之间充电行为互不影响，则数量为n的电动汽车用户群体充电习惯近似服从参数为n、p的二项分布。通过对区域内的电动汽车集群的充电行为的统计分析，得到电动汽车用户集群的充电概率p，p属于区间[0，1]，数值上等于不能满足行驶需求时充电的用户的占比；

对于区域内第ψ个用户，随机生成服从U(0，1)且与待优化日内第t个时段对应的随机数Rand

使用此方法，以此得到区域内各个用户在待优化日内第t个时段的充电行为；

基于区域内各用户的出行规律，采用蒙特卡洛模拟电动汽车各用户在待优化日的行驶行为，得到待优化日第t个时段内需要充电的用户、用户的行驶里程以及用户的充电起始时间；

对于在待优化日第t个时段内第ξ个需要充电的用户，利用在待优化日第t个时段内第ξ个需要充电的用户的行驶里程d

SOC

式中，d

结合充电功率，可以得到在待优化日第t个时段内第ξ个需要充电的用户的充电所需时长t

式中，p

结合电动汽车用户的充电起始时间，得到在待优化日第t个时段内第ξ个需要充电的用户的日前充电需求预测值，计算式如下：

式中，T

依照同样方法，可以得到在待优化日第t个时段内所有需要充电的用户的日前充电需求的预测值；将在待优化日第t个时段内所有需要充电的用户的日前充电需求预测值的加和作为待优化日第t个时段的日前充电需求预测值P

S2：光储充电站多时间尺度优化调度框架与调度模型建模，所提光储充电站多时间尺度优化调度框架与数学模型，包括但不限于光储充电站多时间尺度优化调度框架、考虑双重不确定性的日前优化调度模型和基于短时间尺度预测的日内滚动优化模型。

光储充电站的优化调度有日前调度和日内调度。日前调度主要确定后一日的充电安排，日内调度则在较小的时间步长内对日前所得到的调度策略进行调整。基于此，本发明以具有不确定性的日前光伏出力预测值和电动汽车日前充电需求预测值作为日前优化调度模型的输入数据，以新能源消纳率最大和成本最低为目标构建日前优化调度模型，成本最低的计算考虑到光储充电站的购电成本、蓄电池循环使用的寿命损耗成本以及对配电网造成的负荷波动的惩罚项。

在日内阶段，根据实际情况进行判断时候是否需要进行日内优化，如果不需要日内优化，则以日前的优化结果为最终优化结果，否则以系统当前实际运行状态为初始状态，以短时间尺度预测的光伏出力和充电需求为输入，以新能源消纳率最大为目标构建日内滚动优化模型，通过日内滚动优化模型得到最终的优化结果。优化变量为每个时段对应的储能充电功率或放电功率以及每个时段的购电量。

其中，考虑双重不确定性的日前优化模型的目标函数为：

F＝min[λ

式中，F为日前优化模型的目标函数值，λ

其中，

这里，场景是基于光照强度和电动汽车用户集群的充电概率p划分的，场景共有6种；

光照强度分为两种情况，光照强度大于预设光照强度和光照强度小于等于预设光照强度，一般预设光照强度取值为500勒克斯；

电动汽车用户集群的充电概率p分为三种情况，p大于第一预设充电概率值，p小于第二预设充电概率值，p处于第一预设充电概率值与第二预设充电概率值所构成的闭区间，与第二预设充电概率值小于第一预设充电概率值；一般第一预设充电概率值取值为0.8，第二预设充电概率值取值为0.6；

所述C(t)的计算式如下：

式中，P

因光储充电站的储能系统由铅酸蓄电池组构成，铅酸蓄电池的寿命依赖于多种因素，如运行温度、最大充电电流及充放电过程等。这里主要研究充放电过程对储能电池寿命的影响，充放电过程主要涉及充放电次数、充放电深度。

当铅酸蓄电池充放电循环深度为R时，故障前最大循环充放电次数N

式中，α1～α5是铅酸蓄电池的寿命参数，这些相关系数由铅酸蓄电池厂商提供的寿命测试数据得到，范围在区间[0，1]。

铅酸蓄电池充放电循环一次，电池寿命损耗占总寿命百分比为

因此，待优化日第t个时段光储充电站的储能系统中铅酸蓄电池的第j次充放电循环过程的寿命损耗成本C

式中，R

为日前优化调度模型的目标函数构建铅酸蓄电池组充放电功率约束、铅酸蓄电池SOC范围约束、配电网供电功率约束和系统功率平衡约束；

其中，铅酸蓄电池组充放电功率受双向DC-DC变换器额定功率约束，因此铅酸蓄电池组充放电功率约束如下：

|P

式中，|P

铅酸蓄电池的寿命受放电深度的影响，因此光储充电站的储能系统中铅酸蓄电池组中各铅酸蓄电池的SOC范围约束如下：

1-D≤SOC(t)≤1

式中，D为铅酸蓄电池组最大放电深度，SOC(t)为待优化日第t个时段光储充电站的储能系统中铅酸蓄电池的荷电状态。

式中，SOC

配电网供电功率受到配电变压器和AC-DC变换器的额定容量限制，因此配电网供电功率约束如下：

P

式中，P

当光储充电站的储能系统处于充电状态时，系统功率平衡约束如下：

式中，P

当光储充电站的储能系统处于放电状态时，系统功率平衡约束如下：

在日内调度阶段，需要对待优化日内不满足第一约束条件的时段的光伏出力和充电需求进行超短期预测；第一约束条件为光伏出力超短期预测值与日前光伏出力预测值的偏差小于预设值且充电需求超短期预测值与该时段日前充电需求预测值的偏差小于预设值；

进行光伏出力超短期预测可用光伏出力预测模型实现，其中，光伏出力预测模型可表示为：

P(k+hΔt|k)＝P

式中，P(k+hΔt|k)为在当前时段k预测的当前时段之后h个时段的光伏出力，P

进行充电需求超短期预测可用充电需求预测模型实现，其中，充电需求预测模型刻表示为：

S(k+hΔt|k)＝S

式中，S(k+hΔt|k)为在当前时段k预测的当前时段之后h个时段的充电需求，S

也就是说，不满足第一约束条件的时段的前S

对于待优化日内满足第一约束条件的时段而言，其日前优化调度结果即为最终优化调度结果，对于待优化日内不满足第一约束条件的时段而言，将该时段的光伏出力超短期预测值和充电需求超短期预测值代入日内滚动优化模型，并将该模型输出的值作为最终优化结果。

第一约束条件中的偏差可以为5％时，偏差定义为：

日内滚动优化模型的目标函数如下：

F

式中，F

为新能源消纳率最大目标函数构建充电需求约束、充电时长约束、铅酸蓄电池组充放电功率约束、铅酸蓄电池SOC范围约束、配电网供电功率约束和系统功率平衡约束；

其中，所述充电需求约束如下：

SOC

式中，SOC

所述充电时长约束如下：

T

式中，T

S3：基于参数改进的粒子群优化求解算法

粒子群优化算法将每个优化问题等效为搜索空间中的一个粒子，问题的最优解就对应于最优的粒子。每个粒子都有位置向量和速度向量，其中，位置向量指的是粒子在解空间中的位置，由优化的函数计算得到，粒子的速度向量受粒子的自身经验以及群中最优粒子的影响，从而确定下一代迭代的进化方向和距离。

粒子群优化算法的基本核心就是利用群体中的个体信息的共享实现粒子在解空间中的搜索以寻找到最优解。在使用粒子群优化求解算法时需要输入权重因子和学习参数，在寻优的过程中，粒子通过惯性权重和学习因子确定下一步的演化方向。

所提基于参数改进的粒子群优化求解算法，包括但不限于应用随机权重改进粒子群优化算法的收敛速度和基于非线性反余弦加速改进学习因子。

具体步骤为：

计算改进的惯性权重因子；

对于惯性权重ω，若ω采用0.5-1之间的随机数，比线性递减策略精度更高，收敛速度更快，定义惯性权重为：

ω＝0.5+0.5N

其中，N

计算改进的学习因子：

对于学习因子C

式中，C

本实施例中选取500辆私家车，使用的锂离子动力电池额定电压为320V、额定容量100Ah，根据电动汽车的行为规律预测生成其到达充电站的电量需求。光储充电站内单台充电桩的额定功率为10kW；站内光伏系统的额定容量为800kW。

其优化过程描述如下：

利用基于核密度估计的光伏出力不确定性模型计算待优化日内各时段的日前光伏出力预测值，时段的时长可设为15min；

光伏发电功率与用户的充电需求每天均存在差异，将额定光照强度折算为1，依据下式得到光伏输出模型如下：

式中，η为光照强度，η

依据下式，选取1000天的历史数据，带宽为1，可以得到待优化日每个时段的光伏出力概率密度函数如下。

利用待优化日每个时段的光伏出力概率密度函数计算待优化日内各时段的日前光伏出力预测值；

基于二项分布的用户充电行为不确定性模型计算待优化日内各时段的充电需求：

假设用户额定行驶里程为500km，充电功率为100kW，电池容量为80kWh，基于二项分布的用户充电行为不确定性模型计算得到待优化日内各时段的日前充电需求预测值：

将待优化日内各时段的日前光伏出力预测值、日前充电需求前预测值、分时电价代入日前优化调度模型，利用改进的粒子群算法求解所述模型，得到待优化日内各时段光储充电站的储能系统中铅酸蓄电池组的充放电功率和光储充电站的购电功率；

获取待优化日内满足第一约束条件的时段和不满足第一约束条件的时段；第一约束条件为光伏出力超短期预测值与日前光伏出力预测值的偏差小于预设值且充电需求超短期预测值与该时段日前充电需求预测值的偏差小于预设值；

满足第一约束条件的时段对应的日前优化调度模型输出的光储充电站的储能系统中铅酸蓄电池组的充放电功率和光储充电站的购电功率即为最终优化结果；

对于不满足第一约束条件的时段，将该时段光伏出力超短期预测值和充电需求超短期预测值代入日内滚动优化模型，利用改进的粒子群算法求解所述，得到所述模型输出的该时段的光储充电站的储能系统中铅酸蓄电池组的充放电功率和光储充电站的购电功率，将其作为最终优化结果。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。