本发明涉及配电网规划，具体的是一种配电网多时间尺度降损优化方法及系统。
背景技术：
1、随着近年来电动汽车（electric vehicle，ev）主导的新能源汽车呈现爆发式增长姿态，电动汽车高保有量带来的电动汽车规模化充电将使电网出现总负荷“峰上加峰”、负荷波动、谐波污染、三相不平衡、电压畸变等问题。随之而生的电动汽车入网技术（vehicleto grid，v2g）克服了电动汽车“双向通信，单向输能”的局限，使电动汽车具备源、荷二重属性。通过用户侧与电网侧的互动控制其有序充放电，为电力系统提供客观的灵活性资源，实现平抑电网负荷、提升可再生能源消纳，减少网损等综合优点。虽然目前电动汽车与新能源协调互动优化已有不少成果，但大多未考虑在不同时间尺度上模型预测风光出力的影响，未解决实施调控中预测误差对配电网的降损问题。
技术实现思路
1、本发明所要解决的技术问题在于如何解决实施调控中预测误差对配电网的降损。
2、第一方面，本发明所要解决的技术问题通过以下技术方案实现：一种配电网多时间尺度降损优化方法，方法包括以下步骤：
3、接收电动汽车行驶相关数据，根据电动汽车行驶相关数据使用蒙特卡洛模拟法计算得出电动汽车的充放电功率；
4、将电动汽车的充放电功率输入至预先建立的动态分时电价模型，输出得到动态分时电价，将动态分时电价输入至预先建立的基于mpc的日前日内多时间尺度优化调度策略模型内，以网损和运行成本为目标函数，输出得到优化调度结果。
5、结合第一方面，在第一方面的某些实现方式中，该方法还包括：所述电动汽车行驶相关数据包括：：考虑出行习惯对车辆进行分类、电池特性、日行驶里程 l、起始充电时间 t0和起始荷电状态 soc0。
6、结合第一方面，在第一方面的某些实现方式中，该方法还包括：所述电动汽车的日行驶里程 l的概率函数为：
7、
8、式中：为行驶里程的均值，为行驶里程的标准差；
9、电动汽车起始充电时间概率分布：
10、电动汽车起始充电时间 t0服从正态分布，即 t0~n( μt, σ2 t),概率密度函数为：
11、
12、式中：为起始充电时间的均值，为起始充电时间的标准差；
13、电动汽车充电持续时长
14、电动汽车的充放电时长与最终电池荷电状态有关，第w辆汽车起始荷电状态表示为：
15、
16、式中：为百公里耗电量；为电池容量；
17、充电时长表示为：
18、
19、式中：为电动汽车实际所需充电时长；为ev用户的soc期望值；为ev充放电效率；为单个电动汽车w的充电功率；
20、通过单台电动汽车的充电负荷并累加得到总的电动汽车充电功率：
21、
22、式中：是电动汽车总数，( t)是电动汽车 t时段的总充电功率。
23、结合第一方面，在第一方面的某些实现方式中，该方法还包括：所述将电动汽车的充电功率输入至预先建立的动态分时电价模型，输出得到动态分时电价的过程如下：
24、当等效负荷高于均值与 σ倍峰谷差之和时为高峰时期，低于均值与 σ倍峰谷之差时为低谷时期，其余时间为平时期，分时电价模型表示为：
25、
26、
27、
28、
29、式中：c(t)为动态分时电价，为等效负荷平时段的电价， δ为高峰时段和低谷时段电价上下波动范围，为等效负荷，为基础负荷，为等效负荷的均值，为等效负荷峰谷差，、分别为等效负荷的峰谷值。
30、结合第一方面，在第一方面的某些实现方式中，该方法还包括：所述预先建立的基于mpc的日前日内多时间尺度优化调度策略模型内的日前优化模型以根节点购电成本、电动汽车用户充放电成本和网络损耗为目标函数的计算过程：
31、目标函数：
32、根节点购电成本最少：
33、
34、式中： f1为根节点购电成本最少的目标函数， pbuy为根节点输入有功功率， t为总调度周期；
35、电动汽车用户充放电成本最小：
36、
37、式中：为电动汽车用户充放电成本最小的目标函数，为t时刻的电动汽车充电电价；为给电动汽车用户的放电激励补贴；和分别为电动汽车充电和放电功率；
38、网络损耗最小：
39、
40、式中：为网络损耗最小的目标函数，为支路 ij的电阻；为 t时刻支路 ij的电流；
41、通过线性加权对目标函数进行归一处理，如下所示：
42、
43、式中：、和分别为、和的权重系数；
44、约束条件包括：
45、单台汽车充放电功率约束、电动汽车荷电状态约束、储能设备功率约束、储能设备荷电约束、光伏约束、可转移负荷约束及配电网相关约束；
46、可控单元 u的预测模型表达式如下：
47、
48、 puo( k)为可控单元 u在 k时段的初始出力值；u为可控单元总数；( k+i|k)为 k时段预测未来[ k+( i-1), k+i]时段内可控单元 u的出力增量； pu( k+i|k)为k时段预测未来 k+i时段可控单元u的出力值；、为相邻预测时段内各可控单元出力需满足的爬坡功率值； n为预测时域内时段总数。
49、结合第一方面，在第一方面的某些实现方式中，该方法还包括：所述预先建立的基于mpc的日前日内多时间尺度优化调度策略模型内的日内优化模型的约束条件包括交流潮流方程约束、运行安全约束和有功、无功控制设备行为约束，实际和预测控制所得到的输出控制序列存在偏差，故而反馈矫正如下：
50、
51、式中， t=t0+， t0为当前时刻，为新一轮滚动优化调度中的预测序列，为最新预测得到的序列。
52、第二方面，为了达到上述目的，本发明公开了一种配电网多时间尺度降损优化系统，包括：
53、功率计算模块，用于接收电动汽车行驶相关数据，根据电动汽车行驶相关数据使用蒙特卡洛模拟法计算得出电动汽车的充电功率；
54、优化调度模块，用于将电动汽车的充电功率输入至预先建立的动态分时电价模型，输出得到动态分时电价，将动态分时电价输入至预先建立的基于mpc的日前日内多时间尺度优化调度策略模型内，以网损和运行成本为目标函数，输出得到优化调度结果。
55、结合第二方面，在第二方面的某些实现方式中，考虑出行习惯对车辆进行分类、电池特性、日行驶里程 l、起始充电时间 t0和起始荷电状态 soc0；
56、功率计算模块内电动汽车的日行驶里程 l的概率函数为：
57、
58、式中：为行驶里程的均值，为行驶里程的标准差；
59、电动汽车起始充电时间概率分布：
60、电动汽车起始充电时间 t0服从正态分布，即 t0~n( μt, σ2 t),概率密度函数为：
61、
62、式中：为起始充电时间的均值，为起始充电时间的标准差；
63、电动汽车充电持续时长
64、电动汽车的充放电时长与最终电池荷电状态有关，第w辆汽车起始荷电状态表示为：
65、
66、式中：为百公里耗电量；为电池容量；
67、充电时长 tc，w表示为：
68、
69、式中：为电动汽车实际所需充电时长；为ev用户的soc期望值；为ev充放电效率；为单个电动汽车w的充电功率；
70、通过单台电动汽车的充电负荷并累加得到总的电动汽车充电功率：
71、
72、式中：是电动汽车总数，( t)是电动汽车 t时段的总充电功率。
73、优化调度模块将电动汽车的充放电功率输入至预先建立的动态分时电价模型，输出得到动态分时电价的过程如下：
74、当等效负荷高于均值与 σ倍峰谷差之和时为高峰时期，低于均值与 σ倍峰谷之差时为低谷时期，其余时间为平时期，分时电价模型表示为
75、
76、
77、
78、
79、式中：c(t)为动态分时电价，为等效负荷平时段的电价， δ为高峰时段和低谷时段电价上下波动范围，为等效负荷，为基础负荷，为等效负荷的均值，为等效负荷峰谷差，、分别为等效负荷的峰谷值；
80、优化调度模块内预先建立的基于mpc的日前日内多时间尺度优化调度策略模型内的日前优化模型以根节点购电成本、电动汽车用户充放电成本和网络损耗为目标函数的计算过程：
81、目标函数：
82、根节点购电成本最少：
83、
84、式中： f1为根节点购电成本最少的目标函数， pbuy为根节点输入有功功率， t为总调度周期；电动汽车用户充放电成本最小：
85、
86、式中：为电动汽车用户充放电成本最小的目标函数，为t时刻的电动汽车充电电价；为给电动汽车用户的放电激励补贴；和分别为电动汽车充电和放电功率；
87、网络损耗最小：
88、
89、式中：为网络损耗最小的目标函数，为支路 ij的电阻；为 t时刻支路 ij的电流；
90、通过线性加权对目标函数进行归一处理，如下所示：
91、
92、式中：、和分别为、和的权重系数；
93、约束条件包括：
94、单台汽车充放电功率约束、电动汽车荷电状态约束、储能设备功率约束、储能设备荷电约束、光伏约束、可转移负荷约束及配电网相关约束；
95、可控单元 u的预测模型表达式如下：
96、
97、 puo( k)为可控单元 u在 k时段的初始出力值；u为可控单元总数；( k+i|k)为 k时段预测未来[ k+( i-1), k+i]时段内可控单元 u的出力增量； pu( k+i|k)为k时段预测未来 k+i时段可控单元u的出力值；、为相邻预测时段内各可控单元出力需满足的爬坡功率值； n为预测时域内时段总数。
98、优化调度模块内预先建立的基于mpc的日前日内多时间尺度优化调度策略模型内的日内优化模型的约束条件包括交流潮流方程约束、运行安全约束和有功、无功控制设备行为约束，实际和预测控制所得到的输出控制序列存在偏差，故而反馈矫正如下：
99、
100、式中， t=t0+， t0为当前时刻，为新一轮滚动优化调度中的预测序列，为最新预测得到的序列。
101、本发明的有益效果：
102、本发明针对风光资源出力不确定性和大量电动汽车接入配电网无序充电导致配电网负荷峰值叠加、网损增大以及单时间尺度优化调度相对实时变化的dr资源导致调度结果偏差，提出了考虑电动汽车的配电网多时间尺度降损策略。通过在实施例中设置不同的场景算法对比发现所提策略降损、平抑负荷波动效果明显。电动汽车参与电网互动降低风光并网影响的同时，其灵活性对风光出力预测偏差进行补偿，维持了系统平衡。
1.一种配电网多时间尺度降损优化方法，其特征在于，方法包括以下步骤：
2.根据权利要求1所述的一种配电网多时间尺度降损优化方法，其特征在于，所述电动汽车行驶相关数据包括：考虑出行习惯对车辆进行分类、电池特性、日行驶里程l、起始充电时间t0和起始荷电状态。
3.根据权利要求2所述的一种配电网多时间尺度降损优化方法，其特征在于，所述电动汽车的日行驶里程l的概率函数为：
4.根据权利要求1所述的一种配电网多时间尺度降损优化方法，其特征在于，所述将电动汽车的充电功率输入至预先建立的动态分时电价模型，输出得到动态分时电价的过程如下：
5.根据权利要求1所述的一种配电网多时间尺度降损优化方法，其特征在于，所述预先建立的基于mpc的日前日内多时间尺度优化调度策略模型内的日前优化模型以根节点购电成本、电动汽车用户充放电成本和网络损耗为目标函数的计算过程：
6.根据权利要求5所述的一种配电网多时间尺度降损优化方法，其特征在于，所述预先建立的基于mpc的日前日内多时间尺度优化调度策略模型内的日内优化模型的约束条件包括交流潮流方程约束、运行安全约束和有功、无功控制设备行为约束，实际和预测控制所得到的输出控制序列存在偏差，故而反馈矫正如下：
7.一种配电网多时间尺度降损优化系统，其特征在于，包括：
8.根据权利要求7所述的一种配电网多时间尺度降损优化系统，其特征在于，所述功率计算模块内电动汽车行驶相关数据包括：考虑出行习惯对车辆进行分类、电池特性、日行驶里程l、起始充电时间t0和起始荷电状态soc0；
9.根据权利要求8所述的一种配电网多时间尺度降损优化系统，其特征在于，优化调度模块内将电动汽车的充电功率输入至预先建立的动态分时电价模型，输出得到动态分时电价的过程如下：
10.根据权利要求9所述的一种配电网多时间尺度降损优化系统，其特征在于，优化调度模块内预先建立的基于mpc的日前日内多时间尺度优化调度策略模型内的日内优化模型的约束条件包括交流潮流方程约束、运行安全约束和有功、无功控制设备行为约束，实际和预测控制所得到的输出控制序列存在偏差，故而反馈矫正如下：
