最大化运营商收益的V2G调度二阶段随机规划方法

最大化运营商收益的v2g调度二阶段随机规划方法
技术领域
1.本发明涉及能源管理优化模型领域，具体地说是一种最大化运营商收益的基于二阶段随机规划的v2g调度方法。


背景技术：

2.v2g，是vehicle-to-grid的简称，它的目的是电动汽车与电网互动，利用电动车的电池作为电网和可再生能源的缓冲。在节能减排和化石能源紧缺的外部大环境下，电动汽车(evs)凭借其运行成本低廉，节能环保效应突出的特点逐渐占据更多燃油车的市场。除了节能减排以外，evs作为移动储能，通过v2g方式与电网互动可以为电网带来很多辅助服务，其中包括为电网辅助调峰和辅助调频。本模型可实现辅助调峰，可准确控制evs的充放电状态以及evs充放电电量,让evs有序参与电网运行调控。在evs参与电网运行调控中，v2g运营商(调度中心，ag)的集中调度的作用不可或缺。
3.v2g运营商为模型的收益主体，其职能包括：管理协议内evs充放电，为协议外evs提供电力，运营区域内的可再生能源发电系统，为区域部分负荷提供电力中转以及进行区域的余电上网。
4.evs参与v2g充放电调度的问题是具有多种不确定性的最优化决策问题。不确定性可以分为v2g调度资源随机性和可再生能源发电随机性。在以往的研究中，evs参与v2g过程中的多种随机性难以得到全面的考虑，而且在v2g调度资源和可再生能源随机性的结合研究并不深入。


技术实现要素：

5.针对现有技术中的不足，本发明提供一种最大化运营商收益的基于二阶段随机规划的v2g调度方法，结合v2g调度随机性和可再生能源发电随机性的v2g二阶段非线性随机规划模型，将v2g调度资源和可再生能源层面的随机性结合。
6.为实现上述目的，本发明的技术方案如下：
7.一种最大化运营商收益的v2g调度二阶段随机规划方法，用于至少包括电动汽车、充放电桩和电网构成的系统，其包括以下步骤：
8.获取运营商服务区域内的电动汽车的日前参数集，同时，向运营商服务区域内的电动汽车发出调度邀约协议，将同意调度邀约协议的电动汽车归类为协议内电动汽车，将无响应及拒绝调度邀约协议的电动汽车视为协议外电动汽车；
9.基于运营商服务区域内的电动汽车的日前参数集、协议内电动汽车和协议外电动汽车的情况，以及可再生能源的发电情况构建随机情景集合，所述构建随机情景集合在满足设定的协议外电动汽车随机充电需求下，对协议内电动汽车进行充放电优化调度；
10.考虑各个随机因素相互独立，利用随机情景集合模型构建最终随机情景，构建在所述最终随机情景下的v2g二阶段非线性随机规划模型；
11.利用所述v2g二阶段非线性随机规划模型实现最大化v2g运营商总体收益。
12.本发明与现有技术相比，其有益效果在于：
13.充分考虑v2g调度资源和可再生能源发电不确定性，建立了最大化运营商收益的二阶段随机规划模型，有效完善v2g调度的过程，明确及量化v2g调度系统的收益来源，全面优化协议内电动汽车参与v2g调度的操作状态，为车网互动资源优化利用建模建立提供理论与方法的支撑。
14.在充分考虑电动汽车受多种随机性影响的情况下，改进了v2g调度资源随机性与可再生能源发电随机性的情景生成方法，从而使得二阶段随机规划模型的情景集全面体现多种随机因素。
附图说明
15.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例中所需要使用的附图进行简单的介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
16.图1为本发明实施例中v2g调度的方法流程图；
17.图2为本发明实施例中v2g运营商的收益成本关系图；
18.图3为本发明实施例中考虑随机性v2g优化调度模型情景生成过程原理图；
19.图4为本发明实施例中v2g运营商网络节点分布图；
20.图5为本发明实施例中evs决策变量图；
21.图6为本发明实施例中情景evs充放电负荷的柱状图。
具体实施方式
22.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、完整的描述，显然，所描述的实施例仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，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他实施例，都属于本技术保护的范围。
23.实施例：
24.需要说明的是，本发明实施例的术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
25.在一个具体实施例中，本发明可以包括如下步骤：
26.步骤1、v2g车桩网资源监测统计
27.对v2g运营商服务区域内evs与服务站容量进行统计与分析，用于构建随机情景集合：
28.1.车-桩-网信息交互，实时数据更新，获得车辆参与调度的日前参数(车型，电池容量，电池电量，停靠位置，充放电爬坡能力等)。
29.2.根据用户响应电网v2g调度邀约的结果，将同意参与日前调度的evs归类为协议内evs，无响应及拒绝邀约的电动汽车视为协议外电动汽车。
30.3.协议内evs：日前承诺参与调度的车辆，以距离优选原则安排于运营商管理的各充放电站，在规定时间前并网，实时响应调度中心充放电、并离网指令。
31.4.协议外evs：随机产生充电需求，并被调度中心优先满足，此类充电需求不受调度中心控制。
32.步骤2、随机情景生成-组合
33.v2g运营商通过情景生成-组合的方法生成随机情景，应用于v2g调度数学模型的第二阶段约束。在满足一定协议外evs随机充电需求下，对协议内电动汽车进行充放电优化调度。
34.2-1.v2g调度资源随机情景
35.v2g调度资源随机情景主要包括车辆初始soc的随机情景和v2g服务站资源随机情景。
36.为展现协议内evs参与调度的soc随机性，采用协议内电动汽车日前行驶距离对数正态分布模型(1)，通过蒙特卡洛方法获取协议内evs并网前的行驶距离，作为行驶距离随机参数相应生成随机情景集为scd。
[0037][0038]
为描述evs充放电站可调度资源(可调度容量)随机性。选择平均达到率为恒定的齐次泊松模型描述协议外电动汽车随机到达数量(2)，通过蒙特卡洛方法获取充放电站随机到达的协议外电动汽车数量，作为到达数量随机参数再相应生成随机情景集scz。
[0039][0040]
2-2.可再生能源发电随机情景
[0041]
根据风力发电维布分布(weibull distribution)式(3)，通过拉丁超立方抽样(latin hypercube sampling,lhs)获取风速随机参数。
[0042][0043]
通过同步回代情景削减法(simultaneous backward reduction)减少情景数量，最后通过风机功率拟合模型生成风电出力情景sc
wt
。
[0044]
在光伏发电模拟方面，选取一年的光伏日度发电历史数据，建立光伏发电情景池(scenario pool)，通过随机抽样获取光伏发电随机情景，通过同步回代情景削减法(simultaneous backward reduction)生成随机情景sc
pv
。
[0045]
2-3.随机情景的组合
[0046]
考虑各个随机因素相互独立，将以上四类随机情景(scd，scz，sc
wt
，sc
pv
)组合计算，根据式(4)，将上述各随机情景交叉组合，生成模型最终随机情景scf。式(4)用于计算情景组合scf的概率。
[0047][0048]
其中p(scd)分别为1/scd，p(scz)分别为1/scz。p(sc
pv
)以及p(sc
wt
)通过情景削减算法后确定。
[0049]
步骤3、v2g二阶段非线性随机规划模型
[0050]
先对电动汽车参与调度的过程进行变量定义，对区域微电网的能量供给进行变量定义。再对v2g运营商的收益框架进行搭建，之后建立二阶段约束并进行约束的线性化。
[0051]
表1-表3分别列出了v2g二阶段非线性随机规划模型的参数及变量，定义如下。
[0052]
表1索引与集合
[0053][0054]
表2调度模型参数
[0055]
[0056][0057]
表3模型变量
[0058][0059]
3-1.目标函数
[0060]
目标方程f最大化v2g运营商总体收益，见式(5)。其中，式(6)为电动汽车参与调度的运营商总收益(rev
ev
)；式(7)为运营商协调电力供给当地负荷和余电上网的总收益(rev
ag
)；式(8)为运营商在日前和当日购买火电总成本(costb)；式(9)为运营商管辖的可再生能源发电总成本(cost
om
)。
[0061][0062]
式中：
[0063][0064]
[0065][0066][0067]
第一阶段约束条件:
[0068]
式(10)为电动汽车充放电排斥性约束：调度时段内同一辆电动汽车充电操作和放电操作不能同时发生；
[0069][0070]
式(11-14)为电动汽车充电状态约束：t时段内电动汽车接入配电网开始充电，为限制最短充电时长和最短空闲时长，以避免在充电、放电、空闲状态间频繁切换，造成电动汽车电池受损以及切换服务的成本抬高；其中为最短充电时长，为最短空闲时长；
[0071][0072][0073][0074][0075]
式(15-18)电动汽车放电状态约束：用于限制最短放电时长以及最短空闲时长；其中为最短放电时长；
[0076][0077][0078][0079][0080]
式(19-21)电动汽车充放电最大切换次数约束：对一日内最大的电动汽车充放电切换次数进行限制，限制电动汽车一天内可切换状态的最大次数，可有效避免出现电动汽车状态切换过度频繁；其中分别为v2g调度计划内的单辆电动汽车充电、放电次数上限，vi为充放电切换次数上限；
[0081][0082][0083][0084]
第二阶段约束条件：
[0085]
式(22-23)电动汽车并网时初始状态约束：式(22)通过电动汽车并网参与调度前的行驶距离计算车辆入网时的初始电量，式(23)计算evi的初始soc，行驶距离的随机性造
成电动汽车集群的初始soc具有随机性；其中为协议内evi并网前行驶距离的随机参数；
[0086][0087][0088]
式(24-26)为拥有v2g节点最大服务数量约束：由于v2g服务站容量与变压器功率限制，在同一节点对充电和放电的车辆数量均有限制；式(24)限定节点m最大可同时充电的电动汽车数量，式(25)限定节点m最大可同时放电的电动汽车数量，式(26)限定节点m同时可充放电数量小于充放电桩的数量；其中αm，βm分别为每一个v2g服务站时段的最多可充，放电的车辆数量；
[0089][0090][0091][0092]
式(27-28)为电动汽车充放电能量约束：电动汽车充放电过程中，实际可充放电量受实时soc的限制；其中：当和均为0时，evi在时段t充电量和放电量被约束为0；当或时，evi的充电量和放电量分别受电池可调度容量最大值分别受电池可调度容量最大值和约束；
[0093][0094][0095]
式(29-30)为电动汽车荷电状态约束：给出了调度协议内电动汽车电池荷电状态的变化范围；式(29)是车辆参与v2g时最佳电池工况范围；式(30)表示调度结束后电动汽车荷电状态soc需满足用户期望值，在满足用户未来出行需求的前提下进行充放电调度；其中t
end
设定为调度结束时间。
[0096][0097][0098]
式(31)为电动汽车电量平衡约束:evi在t时段的电量等于t-1时段的剩余电量加上t时段充放电量的差值；
[0099][0100]
式(32-33)电动汽车充放电爬坡约束：电动汽车充放电的爬坡能力受充放电桩的额定功率以及充电方式影响，此约束限定每时段的电动车电池充放电量不大于充放电爬坡避免电池充放电超限造成容量耗损加剧；当且仅当车辆接受第一阶段调度计划后，充放电爬坡约束才会在第二阶段生效；为充电最大爬坡能力是，为放电最大爬坡能力是；
[0101][0102][0103]
式(34-35)为v2g节点最大服务容量约束：式(35)计算协议外随机到达的电动汽车产生充电需求总量；式(34)协议内的电动汽车可参与充电调度的容量，这个部分的电量受式(35)协议外电动汽车数量及充电量影响而具有随机性；其中为协议外电动汽车随机到达数量，节点m可提供的额定充电容量；
[0104][0105]
式中：(35)
[0106][0107]
式(36-37)为网络节点容量与平衡约束：模型构建能量传输网络，网络的节点电量平衡满足基尔霍夫定律；式(36)限制了双向能流的最大容量，规定电力传输在标准内；式(37)在引入描述风光发电随机性后，对每一节点构建能量平衡约束，保证节点总流入量等于总流出量；
[0108][0109][0110]
非线性约束线性化：
[0111]
由于约束条件式(27)和(28)均存在非线性项，将式(27)转化为式(38)-(40)，同理式(28)转化为式(41)-(43)，以提升模型解集质量与速度，其中，
[0112][0113][0114][0115][0116][0117][0118]
基于以上目标和约束，构建风光发电随机性和v2g资源随机性的二阶段随机优化模型如下。
[0119]
maxmize f
ꢀꢀ
(5)
[0120]
subject to:
[0121]
first-stage constraints:(10)-(21)
[0122]
充放电排斥性约束(10)
[0123]
充电状态约束(11)-(14)
[0124]
放电状态约束(15)-(18)
[0125]
充放电最大切换次数约束(19)-(21)
[0126]
second-stage constraints:(22)-(43)
[0127]
evs并网时初始状态约束(22)-(23)
[0128]
v2g节点最大服务数量约束(24)-(26)
[0129]
evs充放电能量约束(27)-(28)
[0130]
evs充放电能量约束线性化(38)-(43)
[0131]
evs荷电状态约束(29)-(30)
[0132]
evs电量平衡约束(31)
[0133]
evs充放电爬坡约束(32)-(33)
[0134]
v2g节点最大容量约束(34)-(35)
[0135]
网络节点容量与平衡约束(36)-(37)
[0136]
以下结合具体算例对模型优化结果进行详细说明：
[0137]
以v2g运营商管理的区域结合可再生能源发电系统的交易机制为背景，选取ieee-33节点的标准配电网拓扑，选取部分节点预装风力发电机和光伏发电系统，拓扑结构详见图4。
[0138]
为验证模型的优化效果,先做以下参数设计，定8个v2g节点，调度协议内100辆evs有序充放电。车型及部分参数如表4：
[0139]
表4参与调度evs参数
[0140][0141]
节点20和节点11分别设置单台ge1.5-77风机和ge1.7-100型大功率风机，其他v2g服务站点配备小型的风电光伏系统，风机具体参数见于表5，通过步骤2生成风电随机参数。
[0142]
表5风机参数
[0143][0144][0145]
对于协议内evs，设定的调度结束的目标soc为0.8。设定协议外随机到达的evs的
充电功率均为40kw。
[0146]
生成多变量联合情景，设定scd为4、scz为5、sc
wt
为5、sc
pv
为2。经过情景组合生成scf＝200个最终情景。在python环境下调用gurobi求解器的分支定界算法对模型进行求解计算。
[0147]
图5为受最短充放电时间制约下的evs充放电决策图。其显示几乎所有的协议内evs都参与了充放电日调度，参与调度方式服从模型约束。evs集群受调度时段占总时段比例接近100％，证明模型可有效控制协议内电动汽车的充放电状态，且在最大化调度中心收益的目标下，协议内evs集群需全天待命，保持接入状态。凌晨0:00-2:00时段为evs放电集中时段，因为这一时段放电价格较低，调度中心调度协议内evs放电以供给其他负荷需求，以最大化调度收益。
[0148]
图6证明并网前evs行驶距离随机参数对充放电负荷的影响。协议内evs集群受供需关系约束，凌晨0:00-5:00时段和早上8:00-10:00时段放电较为集中。随机参数对凌晨0:00-5:00时段的放电负荷有所影响，日前行驶距离的均值越大，接入时的soc越低，参与放电的负荷就越小。但是早上8:00-10:00的放电负荷不受随机参数的影响，因为随机参数只对evs初始soc有影响，经过凌晨5:00-7:00时段的充电后，随机参数的影响已经消除。晚上17:00-23:00时段，为实现调度日结束时目标soc＝0.8，evs的充电负荷会显著增高。
[0149]
表6目标函数优化结果显示，调度100辆evs时，该调度日调度中心期望收益为69323.4元。其中调度evs充电收入12359.5元，调度evs放电成本为3388.9元，调度evs净收益8970.6元。调度evs的利润占总利润比重为13％。调度中心最大的利润来源于当地负荷用电，通过可再生能源的就地消纳以供给区域用电负荷和电动汽车，调度中心可以获得可观的收益。
[0150]
表6目标函数能量调度收益表
[0151][0152]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结
合和组合。
[0153]
上述实施例只是为了说明本发明的技术构思及特点，其目的是在于让本领域内的普通技术人员能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡是根据本发明内容的实质所做出的等效的变化或修饰，都应涵盖在本发明的保护范围内。