本发明属于属于新能源公交车充电站充电方法领域,具体涉及一种基于双层控制的新能源公交充电站的充电方法。
背景技术:
新能源公交充电站的组成主要由配电室、充电桩以及新能源公交车组成。新能源公交车充电站的运行以公交车的运行时刻表为依托,与一般的新能源充电站的使用具有时间上的特殊性,目前对于新能源充电站的充电方法主要有两种:
第一种是通过考虑充电站的负荷峰谷波动对电网的影响来减少网损,但是没有充分考虑对于充电站的下层组成成分。
第二种是根据分时电价指导,进行负荷的时间维度上优化形成合理的配置,但是在优化时刻时总是忽略新能源公交车辆的实际运行。
目前,新能源公交充电站的充电方法对于整个充电站组成结构有所割裂,没有从配电室、充电桩以及公交车几个层次全面考虑的经济方法。
技术实现要素:
本发明的目的在于提供一种基于双层控制的新能源公交充电站的充电方法,其在配电室、充电桩以及电动公交车多层次分析考虑,在计及公交运行的基础上给予最优的充电计划。
本发明是通过如下技术方案来实现的:
即一种基于双层控制的新能源公交充电站的充电方法,其特征在于步骤如下:
1)根据公交车的排班发车规律,以及充电桩充电平台的充电记录信息识别出公交车的信息,具体包括电池容量、充电功率,并且获得配电站的负荷需求曲线;
2)一天的功率需求曲线进行y小时的离散化,并且通过区间符号来表示:
3)根据步骤二所求得的离散功率需求,确定出每个具体时刻的变压器的运行数量n,其数量判别不等式为:
判断目前平均负荷率是否负荷不等式,符合就不该改变当前的变压器数量,小于不等式左边就减少当前变压器数量,大于右边则增多变压器数量直到符合不等式;
式中:pc为变压器短路损耗,p0为变压器空载损耗,βtn为tn时刻的n台变压器的平均负荷率,sn为变压器容量,pneed,tn为tn时刻的配电室充电需求负荷;
4)在变压器数目n确定的情况下,以车辆充电运营费用最低、变压器损耗最低以及负荷波动最小为目标函数,以变压器容量和变压器负荷为约束条件,把变压器的负荷量作为优化量,通过粒子群优化算法得到每个变压器某一时刻的负荷量,
变压器1到变压器n在t1时刻的负荷量为:
[ptrsf1,t1,ptrsf2,t1,…,ptrsfn,t1]t
依次计算最终得到每一时间每个变压器负荷量的集合表示如下:
5)下层优化模型根据上层优化模型给定的单个变压器在某一时刻的负荷总量,以充电时效比最高为目标函数,以电动公交的充电功率额定值和充电时间为约束条件,通过粒子群优化算法得出某一时刻单个变压器所带的m个充电桩给相应电动公交车的充电功率,依次计算,最终得出这一时刻n个变压器所带的m*n个充电桩给予相应电动公交车的功率,
计算可得出1号变压器每个时刻给予m个充电桩的负荷量如下所示:
最终得出这n个变压器在每个时刻所带的m*n个充电桩给予相应电动公交车的功率如下所示。
根据计算出的充电桩功率以及其对应的充电时间,按照电动车需求分配充电桩。
本发明步骤1)-4)为上层优化方法,其优化配电室所有变压器的功率;步骤5)为下层优化方法,其优化所有充电桩的充电功率。使用本发明在降低充电费用的同时,对于变压器损耗、负荷方差和充电时间有着明显的改善。
附图说明
图1为本发明的优化流程图;
图2为本发明的优化模型图;
图3为本发明实施例中充电站某一工作日的负荷需求曲线;
图4为本发明实施例中充电站的离散负荷数据;
图5为本发明实施例中变压器使用数量数据;
图6为本发明实施例中四个变压器优化后负荷数据;
图7为本发明实施例中变压器1的20个充电桩在96个时刻的充电数据;
图8为本发明实施例中变压器2的20个充电桩在96个时刻的充电数据;
图9为本发明实施例中变压器3的20个充电桩在96个时刻的充电数据;
图10为本发明实施例中变压器4的20个充电桩在96个时刻的充电数据;
图11为本发明实施例优化前后的负荷数据。
具体实施方式
以下实施例仅用于更加清楚地说明本发明的技术方案,因此只作为示例,而不能以此来限制本发明的保护范围。需要注意的是,除非另有说明,本申请使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。
本发明的步骤如下:
步骤一:根据公交车的排班发车规律,以及充电桩充电平台的充电记录信息识别出公交车的信息,具体包括电池容量、充电功率,并且获得配电站的负荷需求曲线。
本发明通过采集变压器的电压电流然后计算出功率,进而获得负荷需求数据,通过负荷需求数据制得负荷需求曲线。
步骤二:由于功率需求是随时间的连续值,所以进行优化是需要进行离散化,把一天24小时按照0.25小时的间隔来离散出96个数据点,表达形式如下所示:
[pneed,t1,pneed,t2,pneed,t3,...,pneed,t96]
步骤三:根据步骤二所求得的离散功率需求,确定出每个具体时刻的变压器的运行数量n。
其数量判别不等式为:
判断目前平均负荷率是否负荷不等式,符合就不该改变当前的变压器数量,小于不等式左边就减少当前变压器数量,大于右边则增多变压器数量直到符合不等式。
式中:pc为变压器短路损耗,p0为变压器空载损耗,βtn为tn时刻的n台变压器的平均负荷率,sn为变压器容量,pneed,tn为tn时刻的配电室充电需求负荷。
步骤四:在变压器数目n确定的情况下,以车辆充电运营费用最低、变压器损耗最低以及负荷波动最小为目标以变压器容量、公交运行负荷需求为约束条件,把变压器的负荷量作为优化量,通过粒子群优化算法得到每个变压器某一时刻的负荷量。
目标函数:在变压器数量n确定的情况下,构造目标函数为
f1=min(ω1*c1+ω2*c2+ω3*c3)
ω1+ω2+ω3=1
ω1,ω2,ω3称为权重用来平衡各个目标函数的比重。
(1)一天时间内的总充电费用c1
式中:stn表示在tn时刻的电价,ptrsfi,tn为变压器i在tn时刻的功率。
(2)一天内变压器累计损耗费用c2
式中:stn表示在tn时刻的电价,ptrsfi,tn为变压器i在tn时刻的功率,pc为变压器短路损耗;为变压器空载损耗,sn表示变压器容量。
(3)一天内变压器的充电负荷波动c3
式中:c3为充电负荷均方差,ptrsfi,tn为变压器i在tn时刻的功率。pavr,i为变压器i的在一天时间内负荷的平均值。
约束条件如下:
(1)变压器容量约束。为保证变压器不会超负荷运行对其容量进行约束。
ptrsfi,tn≤sn
sn表示变压器容量,ptrsfi,tn为变压器i在tn时刻的功率。
由目标函数和约束条件经过粒子群优化算法得到每一时间每个变压器负荷量的集合表示如下:
步骤五:下层优化模型根据上层优化模型给定的每个变压器每一时刻的负荷总量,以充电时效比最高(当前充电与入站时间的比例)为目标函数,以电动公交的充电功率额定值和充电时间为约束条件。用粒子群算法求解每个变压器每一时刻的每一充电桩的功率。
构造下层目标函数:
f2=max(d1)
(1)充电时效比。确保最大利用充电桩和减少车辆在运行期间的空闲期。
talltime,i=tout,i-tin,i
式中:d1表示充电时效比,tuse为此变压器的所有车辆的充电时间,talltime为此变压器的所有车辆的进站时间。tuse,i为第i辆车根据当前时刻第i个充电桩功率所估算的时间,talltime,i为第i辆的入站停留时间,socneed为满足下次运行的需求荷电状态,soci为第i辆车结束运营后的荷电状态。e为电池容量,tin,i为第i辆车入站时间,tout,i为第i辆车下一次安排发车时间,ptrsfn,tn,i为第n个变压器的第i个充电桩在tn时刻的功率。
约束条件如下
(1)充电桩充电功率约束
0≤ptrsfn,tn,i≤pmax
ptrsfn,tn,i为第n个变压器的第i个充电桩在tn时刻的功率,pmax为公交充电功率的最大值。
(2)充电时间约束
tuse,i≤talltime,i
最终得出这n个变压器在每个时刻所带的m*n个充电桩给予相应电动公交车的功率如下所示:
根据计算出的充电桩功率以及其对应的充电时间,按照电动车需求分配充电桩。
实施例:通过山东省某公交充电站云平台采集的数据可知,充电站其某一工作日曲线如图3所示,充电站的向电网购电电价采由表1所示。
表1分时电价
得到负荷的连续值通过步骤二进行离散化以15分钟为间隔得到96个离散点:
[2581,2554,2504,...,2604]
充电站离散负荷数据如图4所示,得到一天的96个负荷数据,充电站有四个scb10干式变压器,额定容量为1250kva。负载损耗pc=0.969kw,空载损耗为p0=0.209kw。根据步骤三的公式并代入参数,可以得出变压器的使用台数,计算公式如下所示
0.29≤βn≤0.75,n∈[1,96]
式中:βtn为tn时刻的n台变压器的平均负荷率,pneed,tn为tn时刻的配电室充电需求负荷。
最终得出一天的96个时刻变压器使用数量如图5所示。
在变压器数目确定的情况下,根据步骤四,以车辆充电运营费用最低、变压器损耗最低以及负荷波动最小为目标以变压器容量、公交运行负荷需求为约束条件,把变压器的负荷量作为优化量,通过粒子群优化算法得到每个变压器某一时刻的负荷量。然后依次计算可以获得出每一时间每个变压器负荷量柱状图,如图6所示。
各变压器96个时刻负荷数据的集合表示如下:
ptrsf2=[318,399,336,...359,391,492]
ptrsf2=[394,346,427,...325,297,315]
ptrsf3=[334,331,276,...325,297,315]
ptrsf4=[371,374,342,...300,397,358]
每个变压器所带20个充电桩根据步骤五下层优化模型根据上层优化模型给定的每个变压器每一时刻的负荷总量,以充电时效比最高(当前充电与入站时间的比例)为目标函数,以电动公交的100kw的最大充电功率和充电时间为约束条件。用粒子群算法求解每个变压器每一时刻的每一充电桩的功率。最终得出时刻4个变压器在96个时刻所带的20个充电桩给予相应电动公交车的功率数据如下所示:
变压器1-4的20个充电桩在96个时刻的充电数据如图7-图10所示。根据这双层结构优化后的负荷数据如图11所示:
优化前后参数对比如表2所示
表2优化前后参数
经过本方法,可以在双层模型在降低充电费用的同时,对于变压器损耗、负荷方差和充电时间有着明显的改善。经优化充电成本减少2%,变压器损耗减少21%,负荷总方差减少65%,时效比提升25%。