基于时空双层优化的电动汽车有序充放电调度模型及算法的制作方法

[0001]
本发明属于电动汽车充放电领域，涉及一种基于时空双层优化的电动汽车有序充放电调度模型及其算法。


背景技术：

[0002]
近年来，在中央和地方各级政府的政策支持下，我国电动汽车产业蓬勃发展。以清洁电力作为动力源的电动汽车，能够有效地减少化石燃料的使用和降低碳排放量水平。据工业和信息化部电动汽车发展战略研究报告预测，2030年我国电动汽车保有量将达到8000万辆。规模如此庞大的电动汽车，若采用无序充电方式，将对电网带来诸多不利影响，如加重电网负担、系统网损增加、电能质量下降等。
[0003]
由此，需研究电动汽车的充电负荷模型，对电动汽车充电行为进行时间和空间维度的双层调度和控制，实现电动汽车与电网的双向能量交换和互动，改善电网负荷特性，降低需求侧峰谷差。


技术实现要素：

[0004]
本发明的目的在于解决现有技术的不足，提供一种基于时空双层优化的电动汽车有序充放电调度模型及其算法。
[0005]
本发明解决其技术问题是通过以下技术方案实现的：
[0006]
一种基于时空双层优化的电动汽车有序充放电调度模型，其特征在于：包括上层时间尺度模型及下层空间调度模型，所述的上层时间尺度模型用于考虑电动汽车的集群时间分布特性，以系统等效负荷波动最小以及电动汽车车主的充放电收益最大化为目标，确定不同优化时段电动汽车的充放电功率量；
[0007]
所述的下层空间调度模型以上层时间尺度模型的结果为基础，用于以系统有功网损最小化为目标，根据电动汽车的充放电的空间分布特性，制定各电动汽车的有序充放电分配调度计划。
[0008]
而且，所述的上层时间尺度模型包括目标函数和约束条件两部分；
[0009]
所述目标函数有2个，一是最小化系统等效负荷波动目标函数，二是最大化用户侧的充放电收益为目标函数；所述约束条件由四个组成，一是电池充放电功率约束，二是电池荷电状态值(soc)约束，三是用户出行时间约束，四是各个时段电动汽车充放电数量约束。
[0010]
而且，所述的最小化系统等效负荷波动目标函数为：
[0011][0012]
在有序充放电方式下，参数定义如下：一天的时长：t；一天中的采样点总数：
[0013]
n
k
，即24；平均负荷功率：p
av
(t)；t时段系统的等效负荷功率：p
s
(t)；
[0014]
t时段系统的负荷功率：p(t)；t时段系统的电动汽车充放电功率：p
ev
(t)；
[0015]
所述的最大化用户侧的充放电收益目标函数为：
[0016][0017]
式中，其中参数如下：t时段电动汽车车主参与v2g放电时的电价：q(t)；t时段每个时段的充放电时间：δt；t时段电动汽车的放电电动汽车车主充电的价格：r(t)；
[0018]
和充电的电量：p
dis
(t)和p
ch
(t)；电动汽车参与v2g的电池损耗补偿成本，为固定成本：c
loss
；
[0019]
而且，所述的电池充放电功率约束条件为：
[0020][0021]
式中，参数定义如下：电动汽车每小时的充放电功率：p(t)；最大充电功率：p(t)
c,max
，取12kw；最大放电功率：p(t)
d,max
，为30kw；
[0022]
所述的电池荷电状态值约束条件为：
[0023]
soc
min
≤soc(i)≤soc
max
[0024]
q
m
·
soc(t+1)＝q
m
·
soc(t)+p
c
(t)
·
δt
·
η
c-p
d
(t)
·
δt/η
d
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0025]
式中，参数定义如下：
[0026]
第i台电动汽车的荷电状态：soc(i)；电动汽车荷电状态值的上下限：soc
max
和soc
min
；电动汽车的电池容量：q
m
；电动汽车电池的充电和放电效率：η
c
和η
d
；
[0027]
所述用户出行时间约束条件为：
[0028]
设定一天中8:00-9:00和17:00-18:00电动汽车处于行驶离网状态，不参加与电网的互动；
[0029]
所述各个时段电动汽车充放电数量约束条件为：
[0030][0031]
式中，参数定义如下：
[0032]
t时段处在充电和放电状态的电动汽车数量：n
c
(t)和n
d
(t)；t时段的电动汽车总数：n
max
。
[0033]
而且，所述下层空间调度模型的目标函数为最小网损率目标函数，其为：
[0034][0035]
式中，参数定义如下：配电网中线路的总支路数：l；配电网中的线路l的电阻值：r
l
；配电网中流过线路l的电流值：采样和调控的时间段长：δt。
[0036]
而且，所述下层空间调度模型的约束条件由三个组成，一是节点潮流方程约束，二是支路潮流约束，三是节点电压幅值约束；
[0037]
所述的节点潮流方程约束条件为：
[0038][0039]
式中，参数定义如下：
[0040]
节点i的有功和无功功率不平衡量δp
i
和δq
i
：节点i的电压幅值：u
i
；配电网节点总数：n
b
；节点i注入的有功和无功功率：p
i
和q
i
；i和j之间的电导、电纳和相角差g
ij
、b
ij
、δ
ij
；
[0041]
所述的支路潮流约束条件为：
[0042][0043]
式中，参数定义如下：
[0044]
支路l传输的有功和无功功率：p
l
、q
l
；支路传输功率的有功和无功功率上下限：p
lmax
、p
lmin
、支路l的有功和无功功率变化值：δp
l
和δq
l
；
[0045]
所述的节点电压幅值约束条件为：
[0046][0047]
式中，参数定义如下：
[0048]
节点i的电压幅值及其上下限：u
i
、
[0049]
所述的各节点电动汽车的充放电数量约束条件为：
[0050][0051]
式中，参数定义如下：
[0052]
t时段节点i参与电网互动的电动汽车数量和上限值：n
i
(t)和
[0053]
一种基于时空双层优化的电动汽车有序充放电调度模型的求解方法，其特征在于：包括充电负荷求解方法及上层时间尺度模型与下层空间调度模型的求解方法，所述的充电负荷求解方法利用蒙特卡洛法实现，所述上层时间尺度模型及下层空间调度模型的求解方法均采用多目标遗传算法实现。
[0054]
而且，所述充电负荷求解方法利用蒙特卡洛法实现的方法为：包括如下步骤：
[0055]
步骤1，输入电动汽车的基本信息，所述电动汽车的基本信息包括但不限于：电动
汽车的规模量、起始充电时刻的概率分布、三种类型的电动汽车的电池容量及充电方式的选择；
[0056]
步骤2，对于单辆电动汽车，首先根据不同类型的电动汽车的概率分布确定相应的电池容量和充电方式，再通过抽取起始充电时间和日行驶里程确定充电时长，得到单辆电动汽车的日充电功率需求量，将计算求出的n辆电动汽车的充电负荷进行累加，并对结果进行统计学处理，得到当天总的电动汽车充电负荷曲线。
[0057]
而且，所述上层时间尺度模型的求解方法为：
[0058]
采用matlab2014b仿真环境进行编程计算，在对电动汽车的有序充放电模型进行求解时采用英国sheffield大学编写的遗传算法工具箱进行优化计算，设定算法的收敛精度ε为10-5
，种群规模pop＝150，进化代数gen＝400，交叉概率pc＝0.9，变异概率pm＝0.05；
[0059]
所述下层空间调度模型的求解方法为：
[0060]
采用matlab2014b仿真环境进行编程计算，遗传算法参数选取如下：最大遗传代数maxgen＝300，代沟ggap＝0.9，交叉概率pc＝0.7，变异概率pm＝0.05。
[0061]
本发明的优点和有益效果为：
[0062]
本基于时空双层优化的电动汽车有序充放电调度模型及其算法，为了减少电动汽车充电负荷对电网带来的不利影响，引导用户合理有效地参与电网互动，建立了一种基于时空双维度的电动汽车有序充放电控制模型，充分考虑了电动汽车的时空分布特性，将模型解耦为基于时间尺度和空间尺度的优化调度子模型，采用遗传算法和前推回代潮流计算求解该模型。算例表明，该模型可实现电动汽车的实时充放电调度：电网高峰、峰时电价时段电动汽车向系统放电反馈能量，电网相对低谷、谷时电价时段电动汽车进行充电存储电能，实现平抑等效负荷的波动和提高用户充放电收益的双重优化目标；空间上将v2g调度计划具体到各接入点，按照时上层时间制定的充放电计划选取合适节点作为充放电接入点，实现配电系统网络损耗最小化。
附图说明
[0063]
图1为本发明基于蒙特卡洛模拟的电动汽车充电负荷计算流程图；
[0064]
图2为本发明时空联合调度电动汽车有序充放电流程图。
具体实施方式
[0065]
下面通过具体实施例对本发明作进一步详述，以下实施例只是描述性的，不是限定性的，不能以此限定本发明的保护范围。
[0066]
一种基于时空双层优化的电动汽车有序充放电调度模型，其创新之处在于：包括上层时间尺度模型及下层空间调度模型，所述的上层时间尺度模型用于考虑电动汽车的集群时间分布特性，以系统等效负荷波动最小以及电动汽车车主的充放电收益最大化为目标，确定不同优化时段电动汽车的充放电功率量；
[0067]
所述的下层空间调度模型以上层时间尺度模型的结果为基础，用于以系统有功网损最小化为目标，根据电动汽车的充放电的空间分布特性，制定各电动汽车的有序充放电分配调度计划。
[0068]
所述的上层时间尺度模型包括目标函数和约束条件两部分；
[0069]
所述目标函数有2个，一是最小化系统等效负荷波动目标函数，二是最大化用户侧的充放电收益为目标函数；所述约束条件由四个组成，一是电池充放电功率约束，二是电池荷电状态值(soc)约束，三是用户出行时间约束，四是各个时段电动汽车充放电数量约束。
[0070]
所述的最小化系统等效负荷波动目标函数为：
[0071][0072]
在有序充放电方式下，参数定义如下：一天的时长：t；一天中的采样点总数：n
k
，即24；平均负荷功率：p
av
(t)；t时段系统的等效负荷功率：p
s
(t)；t时段系统的负荷功率：p(t)；t时段系统的电动汽车充放电功率：p
ev
(t)；
[0073]
以最大化用户侧的充放电收益为目标函数二。电动汽车负荷属于可控负荷中的可转移负荷分类，当电网调度侧需要电动汽车用户完成一定的互动任务时，电网都要给负荷支付相应的费用，即电网侧需求响应调度成本。但从用户侧的角度出发，获得的充放电收益越大，用户的参与电网v2g调度的积极性越高。用户的v2g收益由充放电成本差和电池损耗补偿组成。
[0074]
所述的最大化用户侧的充放电收益目标函数为：
[0075][0076]
式中，其中参数如下：t时段电动汽车车主参与v2g放电时的电价：q(t)；t时段每个时段的充放电时间：δt；t时段电动汽车的放电电动汽车车主充电的价格：r(t)；
[0077]
和充电的电量：p
dis
(t)和p
ch
(t)；电动汽车参与v2g的电池损耗补偿成本，为固定成本：c
loss
；
[0078]
所述的电池充放电功率约束条件为：
[0079][0080]
式中，参数定义如下：电动汽车每小时的充放电功率：p(t)；最大充电功率：p(t)
c,max
，取12kw；最大放电功率：p(t)
d,max
，为30kw；
[0081]
soc值是指电池处在一定放电倍率下，余电量与相同条件下额定容量的比值。通过soc值可以很好地反映电池的剩余电量，充放电过程中电池的soc值有一定的限制。
[0082]
所述的电池荷电状态值约束条件为：
[0083]
soc
min
≤soc(i)≤soc
max
[0084]
q
m
·
soc(t+1)＝q
m
·
soc(t)+p
c
(t)
·
δt
·
η
c-p
d
(t)
·
δt/η
d
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0085]
式中，参数定义如下：
[0086]
第i台电动汽车的荷电状态：soc(i)；电动汽车荷电状态值的上下限：soc
max
和soc
min
；电动汽车的电池容量：q
m
；电动汽车电池的充电和放电效率：η
c
和η
d
；
[0087]
所述用户出行时间约束条件为：
[0088]
设定一天中8:00-9:00和17:00-18:00电动汽车处于行驶离网状态，不参加与电网的互动；
[0089]
所述各个时段电动汽车充放电数量约束条件为：
[0090][0091]
式中，参数定义如下：
[0092]
t时段处在充电和放电状态的电动汽车数量：n
c
(t)和n
d
(t)；t时段的电动汽车总数：n
max
。
[0093]
而且，所述下层空间调度模型的目标函数为最小网损率目标函数，其为：
[0094][0095]
式中，参数定义如下：配电网中线路的总支路数：l；配电网中的线路l的电阻值：r
l
；配电网中流过线路l的电流值：采样和调控的时间段长：δt。
[0096]
所述下层空间调度模型的约束条件由三个组成，一是节点潮流方程约束，二是支路潮流约束，三是节点电压幅值约束；
[0097]
所述的节点潮流方程约束条件为：
[0098][0099]
式中，参数定义如下：
[0100]
节点i的有功和无功功率不平衡量δp
i
和δq
i
：节点i的电压幅值：u
i
；配电网节点总数：n
b
；节点i注入的有功和无功功率：p
i
和q
i
；i和j之间的电导、电纳和相角差g
ij
、b
ij
、δ
ij
；
[0101]
所述的支路潮流约束条件为：
[0102][0103]
式中，参数定义如下：
[0104]
支路l传输的有功和无功功率：p
l
、q
l
；支路传输功率的有功和无功功率上下限：p
lmax
、p
lmin
、支路l的有功和无功功率变化值：δp
l
和δq
l
；
[0105]
所述的节点电压幅值约束条件为：
[0106][0107]
式中，参数定义如下：
[0108]
节点i的电压幅值及其上下限：u
i
、
[0109]
多辆电动汽车在同一节点进行充电，可能导致配电网负荷过重，出现电压下降甚至越限的情况，因此需要考虑各节点电压幅值的上下限约束。
[0110]
所述的各节点电动汽车的充放电数量约束条件为：
[0111][0112]
式中，参数定义如下：
[0113]
t时段节点i参与电网互动的电动汽车数量和上限值：n
i
(t)和
[0114]
一种基于时空双层优化的电动汽车有序充放电调度模型的求解方法，其创新之处在于：包括充电负荷求解方法及上层时间尺度模型与下层空间调度模型的求解方法，所述的充电负荷求解方法利用蒙特卡洛法实现，所述上层时间尺度模型及下层空间调度模型的求解方法均采用多目标遗传算法实现。
[0115]
蒙特卡洛法，或称计算机随机模拟方法，是一种以“随机数”为基础的计算方法。基于蒙特卡洛法预测规模化电动汽车接入电网的充电负荷需求流程如图1所示：
[0116]
所述充电负荷求解方法利用蒙特卡洛法实现的方法为：包括如下步骤：
[0117]
步骤1，输入电动汽车的基本信息，所述电动汽车的基本信息包括但不限于：电动汽车的规模量、起始充电时刻的概率分布、三种类型的电动汽车的电池容量及充电方式的选择；
[0118]
步骤2，对于单辆电动汽车，首先根据不同类型的电动汽车的概率分布确定相应的电池容量和充电方式，再通过抽取起始充电时间和日行驶里程确定充电时长，得到单辆电动汽车的日充电功率需求量，将计算求出的n辆电动汽车的充电负荷进行累加，并对结果进行统计学处理，得到当天总的电动汽车充电负荷曲线。
[0119]
遗传算法是一种基于生物自然选择和自然遗传机制的智能随机搜索算法，通过模拟自然进化过程来搜索最优解。采用遗传算法求解上层时间模型与下层空间模型。
[0120]
所述上层时间尺度模型的求解方法为：
[0121]
考虑到第t时段电动汽车在配电网节点k的充放电负荷为c
k,t
是实数型决策变量，变量编码方式采用常见的二进制编码，便于进行交叉、变异等遗传操作。采用二进制编码则节点k参与v2g的电动车数量c
k,t
作为染色体：
[0122][0123]
采用matlab2014b仿真环境进行编程计算，在对电动汽车的有序充放电模型进行求解时采用英国sheffield大学编写的遗传算法工具箱进行优化计算。设定算法的收敛精度ε为10-5
,种群规模pop＝150,进化代数gen＝400,交叉概率pc＝0.9,变异概率pm＝0.05。通过对时间维度电动汽车充放电调度，在电网高峰时段电动汽车向系统放电反馈能量，在电网相对谷时段电动汽车进行充电存储电能，实现平抑等效负荷的波动和提高用户充放电收益的双重优化目标。
[0124]
所述下层空间调度模型的求解方法为：
[0125]
考虑到第t时段电动汽车接入配电网节点k的数量q
k,t
是实数型决策变量，变量编码方式采用常见的二进制编码，便于进行交叉、变异等遗传操作。采用二进制编码则节点k参与v2g的电动车数量q
k,t
作为染色体：
[0126][0127]
采用matlab2014b仿真环境进行编程计算。遗传算法参数选取如下：最大遗传代数maxgen＝300,代沟ggap＝0.9,交叉概率pc＝0.7,变异概率pm＝0.05。链式配电网络中电动汽车充电负荷接于根节点的网络损耗最小，随着接入点从根节点向末端节点移动，网络损耗增加。此外，功率传输的路径越长，电气距离越长，有功损耗也越大。因此，从系统运行经济性和线路运行的可靠性方面考虑，电动汽车的充电接入点选择靠近配电网馈线的前端节点。电动汽车的放电作为临时“电源”时，接入网络末端节点的网络损耗最小，随着接入点从末节点向根节点移动，网络损耗也逐步增大。并且损耗随着电源点到末端节点的线路距离的增长而增大。因此选择靠近配电系统的末端节点作为电动汽车的放电接入点。下层空间模型通过对空间维度电动汽车充放电负荷节点的优化调度，选取不同节点作为电动汽车充放电接入节点，实现配电系统的损耗最小化。
[0128]
如图所示的电动汽车有序充放电时空双维度调度模型，采用时间优化的充放电量作为上层时间调度优化和下层空间调度优化的连接变量，在进行实时空间分配调度时按照日计划各时段的充放电量分配充电车辆数，实现电量的供需平衡。工作原理如下：
[0129]
以系统等效负荷波动最小及电动汽车车主的充放电收益最大化为目标，建立上层时间尺度模型；
[0130]
采用遗传算法对上层时间尺度模型进行求解，满足终止条件得到最优解——基于时间维度的有序充放电序列；
[0131]
在上层时间优化的基础上，以系统有功网损最小化为目标建立下层空间调度模型；
[0132]
采用遗传算法进行潮流计算和以网损为最小目标的空间负荷优化，满足终止条件得出最优解，保存各负荷节点的电动汽车充放电数量最优配置结果；
[0133]
通过蒙特卡洛模拟方法抽取电动汽车的起始充电时间、充电量、充电方式等，得出电动汽车在无序充电方式下的各时段充电总负荷；
[0134]
将无序充电负荷曲线与双层优化有序充放电荷曲线相比，可有效地降低峰谷差，达到削峰填谷的效果。
[0135]
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0136]
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0137]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0138]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0139]
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。