一种计及风光不确定性的电动汽车充电站电价制定方法与流程

本发明涉及一种计及风光不确定性的电动汽车充电站电价制定方法，属于电力系统调度技术领域。

背景技术：

近些年来，各种新能源发电越来越多的开发和应用于电力系统中，从一定程度上缓解了当今社会能源需求的压力。新能源发电技术的发展，加快了人们生活方式的变革，风力发电、光伏电池、电动汽车等也将逐渐普及开来。但是区别于传统发电，风电和光伏出力具有较大的不确定性，其预测难度也比较高，随着未来电动汽车的普及率逐渐提高，含分布式电源的配电网经济调度和运行也随之迎来了问题和挑战，有必要同时针对分布式发电的不确定性和电动汽车充电响应提出一种配电网优化调度和运行方法。

考虑到风电和光伏出力的不确定性，需要针对区域内风速和光照强度提出一种合理的模型或处理方法。目前多数研究认为风速大小近似服从威布尔(weibull)分布，光照强度服从贝塔(beta)分布，这类以确定的概率密度函数去模拟风速和光照强度从而构建风光出力模型的方法虽然具有较高的代表性，但是针对一些较小或极端的供电区域，其模型可能会缺乏精度。部分研究针对风速和光照的不确定性，采取一些随机算法，如蒙特卡洛法，模拟各类分布式发电出力，但其中存在较大的随机性，可能不能反映区域内风速、光照强度的分布特征，且模拟过程的运算量过大。而含有电动汽车的配电网则显得更加复杂，大量的电动汽车接入，必然会造成配电网区域负荷较大的波动性，从而影响供电安全性和可靠性，和分布式发电相比，电动汽车其具有一定的随机性和规律性，且存在需求侧的电价响应，因此电动汽车充电站的电价制定必须具备合理性，以改善配电网区域的电能质量。目前部分关于配电网内电动汽车充电站的电价制定方法研究存在以下不足：

1.未考虑电动汽车站内有新能源发电的存在。部分电动汽车站内有安装风电和光伏等新能源发电，未来这一趋势会越来越明显，而当今鲜有研究将风力发电和光伏发电等考虑在内。

2.未有效对站内风力发电和光伏发电建立合理的出力模型。风电和光伏受气象因素的影响较大，而区域气象历史数据量较大，且由于考虑风光存在一定的互联性，风力和光照强度需要合并处理，这给建模带来了困难，应从海量数据中提取价值量比较高的数据，从而建立合理的风电和光伏的出力模型。

3.未对区域电动汽车群的充电行为做合理的模拟。电动汽车充电行为受时间、充电电价因素影响，故要建立时间尺度上的充电行为模拟，并且需要考虑价格响应。

综上所述，有必要考虑建立合理的电动汽车充电行为的模型，并同时需要考虑站内风力发电、光伏发电的存在，在较大的时间尺度上，制定合理的分时充电电价，以某一目标函数达到最优。

技术实现要素：

本发明所要解决的技术问题在于克服现有技术的不足，提供一种计及风光不确定性的电动汽车充电站电价制定方法，解决现有方法无法建立合理的电动汽车充电行为的模型，并同时需要考虑站内风力发电、光伏发电的存在，导致电价确定不准确的问题。

本发明具体采用以下技术方案解决上述技术问题：

一种计及风光不确定性的电动汽车充电站电价制定方法，包括以下步骤：

步骤1、获取电动汽车充电站区域历史气象数据集，采用k-means聚类算法对其中的风速、光照强度分布曲线进行聚类，得到以聚类中心作为每一类的代表分布曲线，并求取每一类的权重；

步骤2、建立电动汽车充电站区域并网运行的风力发电和光伏发电出力模型；

步骤3、构建单台电动汽车的充电时间模型，并计算单台电动汽车的可充电时段数；

步骤4、结合单台电动汽车的可充电时段数，构建单台电动汽车充电电价的响应模型和起始充电时刻的对充电电价的概率转移矩阵，获取分时电价后的单台电动汽车充电概率分布模型；

步骤5、模拟电动汽车群的充电行为场景，获取电动汽车群的日负荷需求，再结合建立的电动汽车充电站内风力发电和光伏发电出力模型、分时电价后的单台电动汽车充电概率分布模型，获取电动汽车充电站各时段的总充电功率模型和电动汽车充电站对电网的负荷需求模型；

步骤6、结合聚类中心及其权重、电动汽车充电站各时段的总充电功率模型、电动汽车充电站对电网的负荷需求模型构建分时充电电价的电动汽车充电站效益模型，其中电动汽车充电站效益模型包含电动汽车充电站的售电收益以及参与电网调峰所获取的基本收益；

步骤7、采用遗传算法求解构建的电动汽车充电站效益模型中电动汽车充电站各时段的充电电价；

步骤8、根据求解的电动汽车充电站各时段的充电电价中取最优个体解码，获取电动汽车充电站分时电价。

进一步地，作为本发明的一种优选技术方案，所述步骤1中采用k-means聚类算法对风速、光照强度分布曲线进行聚类，具体为：

步骤1-1.对历史气象数据集中风速、光照强度数据分别作归一化处理，采用公式：

其中，v、s分别为n年全时序风速、光照强度的向量；v^*、s^*分别为n年全时序风速、光照强度的归一化向量构成的矩阵，大小为nd×24，nd样本总数；vmax、vmin分别为全时序上的最大风速和最小风速，smax、smin分别为全时序上的最大光照强度和最小光照强度；

步骤1-2.构造风速和光照强度的k-means聚类样本x，则x为nd×48矩阵，每一行为一个聚类样本：

x＝[v^*s^*]

步骤1-3.从聚类样本x中随机选取k个不重复行向量，初始化k个聚类中心，xc1、xc2..xck；

步骤1-4.计算每一个聚类样本到各聚类中心的距离，并把聚类样本归到各聚类中心；并计算每一类新的聚类中心，则第i个聚类中心的更新公式为：

其中，xci表示第i个聚类中心；ni为第i个类包含的样本数；xi,m为第i类中第m个样本；

步骤1-5.重复上述步骤1-4，直至聚类中心收敛为止。

进一步地，作为本发明的一种优选技术方案，所述步骤1求取每一类的权重，采用公式：

ρci＝ni/nd

其中，nd为聚类的总样本数。

进一步地，作为本发明的一种优选技术方案，所述步骤2建立的风力发电和光伏发电出力模型分别为：

ps(t)＝a*γ(t)*η

其中，pw(t)为风力发电机在t时段内的出力，v(t)为t时段的电动汽车充电站内的风速，vci为风力发电机切入风速，vcr为额定风速，vco为切出风速，pr为风力发电机的额定功率；t表示电动汽车可充电时段数d中第t个时段；ps(t)为光伏电池在t时段有功出力，a为电池面积大小，γ(t)为t时段光照强度，η为光电转换效率。

本发明采用上述技术方案，能产生如下技术效果：

本发明为电动汽车充电站制定合理的电价提供参考，本发明提出一种计及风光不确定性的电动汽车充电站电价制定方法。本发明考虑未来电动汽车充电站内普遍存在的新能源发电设备，如风力发电和光伏发电，对充电站区域的风电和光伏出力建立了合理的模型，用k-means聚类算法从海量历史数据中提取数据信息，降低了算法工作量；接着对电动汽车的充电行为作了数学模拟，包括出行起始、行驶路程、结束出行、充电时长等，并建立电动汽车对充电电价的需求响应模型，提出充电概率转移矩阵，反映了电动汽车对充电价格的响应；再对电动汽车群进行充电模拟，结合站内风电和光伏出力模型，计算充电站对电网的负荷需求；最后利用改进的遗传算法，以充电站经济效益为目标，构建充电站经济效益目标函数，利用改进的遗传算法对电动汽车充电站的分时电价进行求解。

本发明中采用所述k-means聚类法处理区域气象数据集，能够减小海量数据造成计算复杂度；所述电动汽车充电模型，包含了出行起始时刻、出行结束时刻、出行时长的模拟，较切合实际；电气汽车充电概率转移矩阵，反映了用户对价格变化的产生充电起始时刻偏移响应；所述充电站效益模型，综合考虑了售电收益和参与削峰填谷的基本收益；所述改进遗传算法，实现了交叉率和变异率的自适应，能够在较大的可行域内快速收敛。

附图说明

图1为本发明计及风光不确定性的电动汽车充电站电价制定方法的流程示意图。

图2为本发明中遗传算法的流程示意图。

具体实施方式

下面结合说明书附图对本发明的实施方式进行描述。

如图1所示，本发明设计了一种计及风光不确定性的电动汽车充电站电价制定方法，该方法具体包括以下步骤：

步骤1、获取电动汽车充电站区域历史气象数据集，采用k-means聚类算法对其中的日风速、光照强度分布曲线进行聚类，得到以聚类中心作为每一类的代表分布曲线，并求取每一类的权重，具体如下：

从电动汽车充电站区域历史气象数据库中抽取n年风速、光照强度的数据集，以日为基本单元，对风速、光照强度曲线作k-means聚类。其基本步骤为：

步骤1-1.对风速、光照强度n年全时序分布数据分别作归一化处理，归一化公式为：

式(1)中，v、s分别为n年全时序风速、光照强度的向量，v^*、s^*分别为n年全时序风速、光照强度的归一化向量构成的矩阵，大小为nd×24，nd样本总数，vmax、vmin分别为全时序上的最大风速和最小风速，smax、smin分别为全时序上的最大光照强度和最小光照强度；

步骤1-2.构造风速和光照强度的k-means聚类样本x，则x为nd×48矩阵，每一行为一个聚类样本：

x＝[v^*s^*](2)

步骤1-3.从x中随机选取k个不重复行向量，初始化k个聚类中心，xc1、xc2..xck；

步骤1-4.计算每一个样本到各聚类中心的距离，并把样本归到各聚类中心，其中距离公式采用欧式距离公式：

式(3)为第i个样本xi和聚类中心xc的距离计算公式；

然后，计算每一类新的聚类中心，则第i个聚类中心的更新公式为：

其中，ni为第i个类包含的样本数，xi,m为第i类中第m个样本；

步骤1-5.重复上述步骤1-4，直至聚类中心收敛为止；

以各聚类中心作为电动汽车充电站典型气象场景，且计算各场景的权重：

ρci＝ni/nd(5)

其中，ni为第i类包含样本数，nd为总样本数。

步骤2、建立电动汽车充电站区域并网运行的风力发电和光伏发电出力模型：

ps(t)＝a*γ(t)*η(7)

式(6)中，pw(t)为风力发电机在t时段内的出力，v(t)为t时段的配电网区域的风速，vci为风力发电机切入风速，vcr为额定风速，vco为切出风速，pr为风力发电机的额定功率；t表示电动汽车可充电时段数d中第t个时段；式(7)中，ps(t)为光伏电池在t时段有功出力，a为电池面积大小，γ(t)为光照强度，η为光电转换效率。

代入k个气象聚类中心的时序风速、光照强度分布数据，根据式(6)、(7)计算聚类中心风电和光伏出力，构建以下集合：

[pcwi(k,t),pcsi(k,t)](8)

式中，pcwi(k,t)、pcsi(k,t)分别代表第k个聚类中心的第t时段的风力发电机出力和光伏出力。

步骤3、构建单台电动汽车的充电时间模型，并计算单台电动汽车的可充电时长，其中构建单台电动汽车充电时间模型为：

其中，tc为单台电动汽车的充电时长；u为每100公里耗电量，l为单台电动汽车的日行驶里程，p为单台电动汽车的充电功率，ηev为充电效率，round函数为取整函数，则单台汽车可选择充电段数为：

其中，ts和te分别为汽车起始出行时刻和结束出行时刻，取整数。

步骤4、结合单台电动汽车的可充电时段数d，构建单台电动汽车充电电价的响应模型，和构建对充电电价的概率转移矩阵f，获取分时电价后的单台电动汽车充电概率分布模型。具体为：

在电价p0下，电动汽车在te时刻结束出行后的d个时段选择充电概率近似服从半正态分布。选择标准正态分布分位点(ue,φe)＝(2,0.9545)，并假设第i台电动汽车在结束出行后的d中第k个时段充电概率为：

式中，φ(.)为标准正态分布函数。t表示可充电时长d中第t个时段。

再构建电动汽车的起始充电时刻的对充电电价的概率转移矩阵f：

其中，表示概率转移矩阵f中的元素，即当t1＝t2＝d时，即有δpi(t1)为第i台电动汽车在第t1个可行充电时段概率的变化，δp(t2)为第t2个可行充电时段的充电电价的变化，d为电动汽车可充电时段数；p0为基本充电电价；pi(t2)为第i电动汽车在t2时段的充电功率；

则第i台电动汽车分时电价以后的概率满足：

更新分时电价以后的概率：

步骤5、模拟电动汽车群的充电行为场景，获取电动汽车群的日负荷需求，再结合建立的电动汽车充电站内风力发电和光伏发电出力模型，获取电动汽车充电站各时段的总充电功率模型和电动汽车充电站对电网的负荷需求模型。具体如下：

电动汽车起始出行时刻服从n(8.92，3.2422)的正态分布、最后出行结束时刻服从n(17.47，3.4122)的正态分布，以km为单位的日行驶里程l服从对数正态分布，即：lnl～n(3.46，1.1422)。假设电动汽车充电周边电动汽车有ncar＝2000，则按照上述3个正态分布函数，产生随机数，循环ncar次，每次循环更新参数d和te，其中d表示电动汽车的可充电时段数，te表示电动汽车到达充电站的时间，取整点时刻；每次循环中根据步骤4建立的模型可得到第i辆车在各时段的充电概率pi(t)，采用轮盘法，获取ncar＝2000辆车的充电时段，根据下式计算各时段充电站总充电功率：

式(15)中，psumev(t)表示电动汽车充电站在第t个时段总充电功率，pi(t)为第i电动汽车在第t个时段的充电功率，ncar为电动汽车数量；p为单台电动汽车的充电功率；

psum(k,t)为电动汽车充电站处于第k个聚类中心条件下的第t个时段对电网的负荷需求；

pcwi(k,t)、pcsi(k,t)分别代表第k个聚类中心的第t时段的风力发电机出力和光伏出力。

步骤6、结合聚类中心及其权重、电动汽车充电站各时段的充电电价模型和总充电功率模型、电动汽车充电站对电网的负荷需求模型构建分时充电电价的电动汽车充电站效益模型，其中电动汽车充电站效益模型包含电动汽车充电站的售电收益以及参与电网调峰所获取的基本收益。

所述构建的分时充电电价的充电站效益模型，如下式：

式中，objectf为电动汽车充电站综合效益；ρci为第i个聚类中心的权重，objectf为综合效益，主要分为两部分，第一部分为充电站售电收入，p(t)为电动汽车充电站在第t时段的售电价，pgrid(t)为电动汽车充电站在第t时段的购电价，psum(k,t)为电动汽车充电站在第k类气象聚类中心下第t时段对电网的负荷需求；第二部分为充电站参与削峰填谷获取的额外收入，psum(k)为第k类聚类中下充电站24时序对电网需要构成的向量；j为人为定义的峰谷差效益函数。

步骤7、采用遗传算法求解构建的电动汽车充电站效益模型中电动汽车充电站各时段的充电电价p(t)，其过程如图2所示，具体子步骤如下：

步骤7-1.给定种群数量nz＝200，构造以下染色体：

其中，tz为种群当前代数，为当前代数中第n个体的染色体，为第n个体染色体上的第t个基因。根据上式中约束条件采用随机赋值法初始化种群，当前种群代数tz＝1，种群最大代数tmax＝50，设置最大变异率pm,max和最小变异率pm,min，设置最大交叉率pc,max和最小交叉率pc,min；

步骤7-2.计算个体适应度，适应度按步骤6中综合效益objectf计算公式求得；

步骤7-3.选取适应度最优的精英个体不参与交叉，其他个体两两个体交叉，自适应交叉概率pc如下：

pc＝pc,max-(pc,max-pc,min)*tz/tmax(18)

其中，tmax为种群最大代数，pc,max为最大交叉概率和pc,min为最小交叉概率；

采用轮盘法判别，若判别不进行交叉，直接复制两个体进入下一步骤，否则如下操作：

式中θ为0-1之间的随机数，为第tz代群体中第n个个体的第t个基因；

步骤7-4.除精英个体不参与变异操作，其余个体概率性变异，自适应变异概率pm如下：

式中，tmax为种群最大代数，pm,max为最大变异概率和pm,min为最小变异概率，为当前平均适应度，fmax为截至当前代数最大适应度。该式实现了变异率随着遗传代数，随着种群平均适应度提高而降低，从加快算法收敛；

步骤7-5.令tz＝tz+1，若tz＝tmax，则停止操作，输出最优个体，否则，返回步骤7-2。

步骤8、根据求解的电动汽车充电站各时段的充电电价中取最优个体解码，获取电动汽车充电站分时电价。

综上，本发明考虑建立合理的电动汽车充电行为的模型，并同时需要考虑站内风力发电、光伏发电的存在，构建充电站经济效益目标函数，利用改进的遗传算法对电动汽车充电站的分时电价进行求解，以电价目标函数达到最优，使得电价制定过程更加准确。

上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。