计及光伏接入的柔性牵引供电系统区间最优潮流优化方法

发电;变电;配电装置的制造技术1.本发明属于柔性牵引供电系统技术领域，尤其涉及一种计及光伏接入的柔性牵引供电系统区间最优潮流优化方法。背景技术：2.我国电气化铁路的快速建设促进了我国经济与社会的发展，但同时也对铁路的供电系统有了更高的要求。在传统电气化铁路尤其是高速铁路中，以负序问题为主的电能质量问题日益严重，电分相的存在严重制约着机车速度和车载量的提升，降低供电效率和质量，严重影响铁路运营的可靠性、安全性和经济性。单相工频交流供电制式的牵引供电系统受自身拓扑结构和牵引负荷的限制，在运行过程中通常存在以下两个问题：3.(1)以负序为主的电能质量问题4.牵引负荷具有单相大功率和不对称的特点，会在三相电网中产生负序电流从而造成负序问题，而且随着高速和重载铁路上运行机车的牵引功率和行车密度不断增大，牵引负荷造成的不对称问题也愈发地明显。如，受到朔黄重载铁路产生的负序电流影响，内蒙古神池风电场的风电机组经常因“电流不对称”故障而停机。5.(2)过分相问题6.机车在过分相时无法连续从牵引网取流，仅利用惯性通过，造成了机车牵引速度和牵引功率的损失，如，由于电分相的存在，京沪高铁单程运行时间延长了约20分钟。同时，机车过分相会产生过压、过流等电气暂态过程，加大了设备烧损和故障的风险，易引起保护装置的误动作，直接影响了铁路的高效安全运行。7.另一方面，我国新能源研究近年来发展迅速，国家能源结构改革趋势明显。我国幅员辽阔，电气化铁路分布广，铁路网与可再生新能源网地理交集多，具有很高的消纳潜力。以川藏铁路为例，电气化铁路沿线分布大量可再生新能源，如果能够就近消纳这些可再生新能源，不但可以减少光伏发电远距离传送成本，而且可以减少电气化铁路运营成本。技术实现要素：8.针对上述问题，本发明提供一种计及光伏接入的柔性牵引供电系统区间最优潮流优化方法。9.本发明的一种计及光伏接入的柔性牵引供电系统区间最优潮流优化方法，包括以下步骤：10.步骤1：获取列车运行过程中牵引负荷数据和光照强度数据。11.步骤2：根据电费参数和步骤1得到的列车运行过程中牵引负荷数据和光照强度数据，建立优化模型的目标函数。12.步骤3：根据混合储能装置和光伏系统的功率容量参数、变流器功率平衡，基于步骤1得到的列车运行过程中牵引负荷数据和光照强度数据，建立优化模型的约束条件，并将优化模型的约束条件线性化。13.步骤4：根据步骤2得到的目标函数和步骤3得到的约束条件，考虑光伏能源的波动性与列车牵引负荷的随机波动性，通过对指定地区的光照强度数据与牵引负荷数据进行统计实现预测误差，进行区间优化，建立混合整数规划模型。14.步骤5：求解步骤4得到的模型，得到牵引变电所日运行最低成本、列车功率削峰填谷对比、混合储能装置荷电状态，即完成柔性牵引供电系统区间最优潮流优化。15.进一步的，步骤1中的牵引变电所负荷过程数据，根据高速铁路线路、列车和时刻表，通过负荷过程仿真软件计算得到，例如elbas/webanet。16.进一步的，步骤1中的典型光照强度场景，是基于场景削减方法对光照强度场景历史数据进行削减得到的，例如同步回代消除法。17.进一步的，步骤2中的目标函数为：18.minf＝ecc+dc+pc(1)[0019][0020][0021][0022]dc＝max(ptdem)×cdem(5)[0023]式中：f为总运营成本，ecc(energyconsumptioncharge)为电度电费成本，pc(penaltycharge)为回馈电费成本，dc(demandcharge)为需量电费成本，ptgrid为同向牵引供电所从电网购得的电能，为从电网购得的电费价格，ptfed为铁路并网反馈回电网的功率，为反馈电能的征收费用价格，ptdem为电能需量大小，cdem为需量电费价格，δt和nt分别代表采样间隔和样本数量。由于不同地区对铁路并网的反馈电能电费的征收标准不同，因此反馈电能的费用价格也会因各地区标准不同而变化。[0024]进一步的，步骤3中的约束条件包括光伏功率约束、功率平衡约束、储能和充放电约束、始末储能相同约束、充放电功率约束。[0025]光伏功率约束：[0026][0027][0028]0≤ptpv≤spv(8)[0029]式中：ptpv为光伏消耗量，ηpv为光伏效率，apv为光伏有效面积，为光伏强度预测值，为光伏出力上界值，spv为光伏转换器容量；拟定ηpv为12％，apv为10000m2，spv为1mva。[0030]功率平衡约束：[0031][0032]式中：ptbatdis为电池放电功率，ptucdis为电容放电功率，ptback为列车回馈功率，ptload为列车牵引功率，ptbatch为电池充电功率，ptucch为电容充电功率。[0033]充放电约束：[0034][0035][0036]式中：表示t时刻电池与超级电容存储的能量；和分别表示电池与超级电容的充电和放电效率；εb和εc分别为电池与超级电容的自放电率。[0037]储量约束：[0038][0039][0040]式中：为电池荷电状态上下限值,为超级电容荷电状态上下限值，表示电池与超级电容总额定存储的能量。[0041]始末储能相同约束：[0042][0043][0044]式中：表示蓄电池和超级电容的初始荷电状态值，表示t时刻电池与超级电容存储的能量。[0045]充放电功率约束：[0046][0047][0048][0049][0050][0051][0052]式中：和为一位二进制数；时超级电容放电，反之则是充电，电池放电，反之则是充电，储能元件充放电功率也受其变流器容量大小限制；分别为电池和超级电容的放电和充电额定功率。[0053]进一步的，步骤4中的区间优化，针对光伏能源的波动性与列车牵引负荷的随机波动性，需要对指定地区的光照强度数据与牵引负荷数据进行统计，建立预测误差模型，对未来一段时间的光伏和牵引负荷的超短期误差进行预测，在不同的光伏和牵引负荷条件下，对混合储能系统的出力计划进行修改，得到系统控制策略。[0054]光伏区间优化：[0055]针对光伏的不确定性，采用高斯分布模型，以光伏平均值st＝ave(solartn)作为期望值，则误差期望值为0，标准差为光伏预测误差则概率分布密度函数为：[0056][0057][0058]其中solartn为在n天内的光照强度数据。[0059]牵引负荷区间优化：[0060]在进行系统负荷预测时，常采用正态分布来描述负荷预测误差，认为预测误差与时间t有如下关系。[0061]负荷功率预测误差：[0062][0063]再生制动功率预测误差：[0064][0065]其中ρl，ρb为预测误差系数。[0066]本发明的有益技术效果为：[0067]本发明提高光伏能量和列车再生制动能量利用率、减少电气化铁路电费成本，实现了牵引负荷削峰填谷，能有效解决一系列成本问题。附图说明[0068]图1为本发明新型柔性牵引供电系统示意图。[0069]图2为实施例中牵引负荷削峰填谷效果图。[0070]图3为实施例中光照强度区间优化，利用matlab求解器对模拟地区一天24小时的光伏出力情况进行预测。[0071]图4为实施例中牵引负荷区间优化，求得牵引负荷的功率预测区间。具体实施方式[0072]下面结合附图和具体实施例对本发明做进一步说明。[0073]本发明以新型柔性牵引供电系统为研究对象，以牵引变电所日运行成本最低为目标，以单日小时为坐标变量，以能量潮流、混合储能系统运行功率，光伏变电站最大容量为约束，考虑光伏的不确定性和牵引负荷的波动性，利用混合整数规划模型进行区间优化，建立了计及光伏接入的柔性牵引供电系统区间最优潮流优化方法，对我国某一地区的往年数据进行分析，最后通过算例分析验证上述优化模型的正确性及有效性。[0074]本发明针对的牵引供电系统结构如图1所示，本发明的一种计及光伏接入的柔性牵引供电系统区间最优潮流优化方法，包括以下步骤：[0075]步骤1：利用牵引负荷过程仿真软件，例如德国signon公司的elbas/webanet软件，输入高速铁路线路、列车与时刻表参数，仿真得到牵引变电所负荷过程数据。[0076]输入光照强度场景数据，基于同步回代消除法对光照强度场景进行场景削减，得到四个典型光照强度场景。[0077]步骤2：根据电费参数和步骤1得到的列车运行过程中牵引负荷数据和光照强度数据，建立优化模型的目标函数。[0078]目标函数为：[0079]minf＝ecc+dc+pc(1)[0080][0081][0082][0083]dc＝max(ptdem)×cdem(5)[0084]式中：f为总运营成本，ecc(energyconsumptioncharge)为电度电费成本，pc(penaltycharge)为回馈电费成本，dc(demandcharge)为需量电费成本，ptgrid为同向牵引供电所从电网购得的电能，为从电网购得的电费价格，ptfed为铁路并网反馈回电网的功率，为反馈电能的征收费用价格，ptdem为电能需量大小，cdem为需量电费价格。由于不同地区对铁路并网的反馈电能电费的征收标准不同，因此反馈电能的费用价格也会因各地区标准不同而变化。[0085]步骤3：根据混合储能装置和光伏系统的功率容量参数、变流器功率平衡，基于步骤1得到的列车运行过程中牵引负荷数据和光照强度数据，建立优化模型的约束条件，并将优化模型的约束条件线性化。[0086]约束条件包括光伏功率约束、功率平衡约束、储能和充放电约束、始末储能相同约束、充放电功率约束。[0087]光伏功率约束：[0088][0089][0090]0≤ptpv≤spv(8)[0091]式中：ptpv为光伏消耗量，ηpv为光伏效率，apv为光伏有效面积，为光伏强度预测值，为光伏出力上界值，spv为光伏转换器容量；拟定ηpv为12％，apv为10000m2，spv为1mva。[0092]功率平衡约束：[0093][0094]式中：ptbatdis为电池放电功率，ptucdis为电容放电功率，ptback为列车回馈功率，ptload为列车牵引功率，ptbatch为电池充电功率，ptucch为电容充电功率。[0095]充放电约束：[0096][0097][0098]式中：表示t时刻电池与超级电容存储的能量；和分别表示电池与超级电容的充电和放电效率；εb和εc分别为电池与超级电容的自放电率。[0099]储量约束：[0100][0101][0102]式中：为电池荷电状态上下限值,为超级电容荷电状态上下限值，表示电池与超级电容总额定存储的能量。[0103]始末储能相同约束：[0104][0105][0106]式中：表示蓄电池和超级电容的初始荷电状态值，表示t时刻电池与超级电容存储的能量。[0107]充放电功率约束：[0108][0109][0110][0111][0112][0113][0114]式中：和为一位二进制数；时超级电容放电，反之则是充电，电池放电，反之则是充电，储能元件充放电功率也受其变流器容量大小限制；分别为电池和超级电容的放电和充电额定功率。[0115]步骤4：根据步骤2得到的目标函数和步骤3得到的约束条件，考虑光伏能源的波动性与列车牵引负荷的随机波动性，通过对指定地区的光照强度数据与牵引负荷数据进行统计实现预测误差，进行区间优化，建立混合整数规划模型(milp)。[0116]区间优化如下：[0117]光伏区间优化：[0118]针对光伏的不确定性，采用高斯分布模型，以光伏平均值st＝ave(solartn)作为期望值，则误差期望值为0，标准差为光伏预测误差则概率分布密度函数为：[0119][0120][0121]其中solartn为在n天内的光照强度数据。[0122]牵引负荷区间优化：[0123]在进行系统负荷预测时，常采用正态分布来描述负荷预测误差，认为预测误差与时间t有如下关系。[0124]负荷功率预测误差：[0125][0126]再生制动功率预测误差：[0127][0128]其中ρl，ρb为预测误差系数。[0129]步骤5：利用优化软件，例如使用软件matlab r2018b，集成优化工具箱yalmip和求解器gurobi(版本9.1.2)，求解步骤4该混合整数线性规划，得到牵引变电所日运行最低成本、列车功率削峰填谷对比、混合储能装置荷电状态，即完成柔性牵引供电系统区间最优潮流优化。[0130]实施例[0131]本发明中集成混合储能装置与光伏的电气化铁路牵引供电系统拓扑结构如图1所示，其参数和电能费用如表1和表2所示：[0132]表1仿真模型设置参数[0133][0134]表2电费参数及计费方式[0135][0136][0137]其他部分参数，拟定ηpv为12％，apv为10000m2，spv为1mva。[0138]为了将传统牵引供电系统与接入新能源的牵引供电系统进行分析，考虑不同地区用固定电价与分时电价两种计费方式进行回馈电能收费的情况，拟对两种收费方式情况下的三种反馈电能计费方式进行对比分析。表3给出了分时电价和固定电价时电费对比结果。[0139]情况ⅰ：不包含储能装置和光伏的柔性牵引供电系统；[0140]情况ⅱ：包含储能装置和光伏的柔性牵引供电系统；[0141]表3分时电价和固定电价电费对比[0142][0143][0144]削峰填谷效果分析：[0145]由于电池的能量密度高，荷电状态变化速度较慢，在时间较短时功率变化不明显，因此一定程度上可以用电池对列车回馈的电能进行存储。而超级电容由于具有充电速度快，功率密度高等特性，荷电状态变化速度较快，可以在较为节约成本的同时进行良好的瞬时充放电任务。因此，在列车从电网获得电能和列车制动产生回馈电能时，电池将起到削峰的作用，而超级电容则起到填谷的作用。在模拟中规定电池和电容的储电状态工作上下限为0.2与0.8，初始状态均为0.5。[0146]在建立好具体模型之后，通过导入传统供电方式和接入混合储能和光伏的数据，利用软件平台进行单日电网输出功率的图像绘制，可以清楚的得出，在接入混合储能和光能之后，显著降低负荷高峰，如图2所示。增大再生制动的能量吸收，这意味着模型能够实现削峰填谷的作用，验证了接入新能源之后模型的有效性。[0147]区间优化：[0148]在上述计算中，我们将混合储能和光伏牵引供电系统，求得不同情况下最优的能量的管理策略。在此基础上，我们将固定的光伏能量优化，考虑列车运行过程中的不确定问题，对该模型进行区间优化，再次进行计算。[0149]由于光伏能源的波动性与列车牵引供电系统的不确定性，故使用混合整数规划模型，对指定地区的光照强度数据与牵引负荷数据进行统计，并带入至模型中，从而求解出计及，新能源接入的牵引供电系统所降低的电费成本。[0150]光照强度区间优化：[0151]由于光伏的波动性较大，对全年的数据进行平均分析并无太大的意义，因此，在考虑了各地区光照特性，并将其与某一地区光照强度数据相比对后，选取了这一地区当年第160天至第189天数据的日平均值进行分析计算。[0152]对公式(22)-(25)中的n根据自己所需来取。[0153]在分析中使用混合高斯分布求解方式，利用matlab求解器对模拟地区一天24小时的光伏出力情况进行预测，并求得了光伏区间的上界与下界，如图3所示。[0154]牵引负荷区间优化：[0155]考虑到牵引负荷的特殊性，在此设置一个固定的误差系数α，利用高斯分布的方法，设置90％区间置信水平，来求得牵引负荷的功率预测区间，如图4所示。误差系数取0.04。[0156]对公式(26)-(27)中的预测误差系数ρl，ρb取0.04。[0157]电能费用区间优化：[0158]在上述过程中，光伏出力和牵引负荷的预测区间上下界均已求得，此时列车运行中的两个不确定性因素已经转化为了两个确定性因素。因此，在此选取列车运行中的上下两种极端情况进行研究分析，并与前面所讨论的电能费用因素进行结合分析，从而得出电能费用的上下界。同时，由于固定电价和分时电价两种计费方式的不同，对列车的电能费用区间优化研究仍然分为两部分情况进行研究，并分别求取两种不同计费方式的电能费用上下界。[0159]在此对两种极端情况进行定义：最低电价情况为综合考虑列车运行期间各环境情况为最优情况下的电价，即列车牵引负荷因素取下界，光伏出力情况取上界；最高电价情况为考虑列车运行期间各环境情况为最恶劣情况下的电价，即列车牵引负荷因素取上界，光伏出力情况取下界。由于列车运行期间其他可能因素数据有缺少，因此无法对其他可能因素进行有效代入分析，因此此处的分析仅针对光伏出力情况与列车牵引负荷因素。表4给出了电费区间优化效果对比。[0160]表4电费区间优化结果对比[0161][0162]最低电价：考虑成本最优情况，牵引负荷取下限，光伏取上限。[0163]最高电价：考虑成本最恶劣情况，牵引负荷取上限，光伏取下限。[0164]本发明考虑在牵引供电系统的背靠背变流器的直流环节接入光伏发电系统以及混合储能系统，同时针对光伏和牵引负荷的波动性，搭建模型，进行区间优化，充分证明了该系统相较于传统系统在减少电费、提高电能质量方面的优越性，能有效解决一系列经济型问题。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!