一种考虑电池状态切换次数限制的电动汽车最优调度方法与流程

1.本发明属于电力系统技术领域，具体涉及电动汽车充电调度技术。


背景技术：

2.近年来，随着环境问题的日益突出，以电动汽车为代表的清洁交通已不可避免地取代了传统的化石燃料汽车。据统计，2020年全球电动汽车市场销量为3100万辆，到2030年电动汽车的数量预计将达到1.25亿辆。ev对应的双向功率特性：电池可以改善电力系统的许多运行指标，避免大规模电动汽车入网引起电网冲击。然而，但同时也带来了一个严重的问题，电动汽车频繁的充电和放电会对蓄电池造成不必要的损坏，这与发展电动汽车保护环境的初衷背道而驰。
3.为了解决这一问题，许多学者对包括电动汽车充电在内的联合调度问题进行了广泛的研究。但对充电过程中电池状态切换次数的限制还很少涉及，前人提出了电动汽车电池的状态切换次数以惩罚因子的形式包含在目标函数中，但是这种方法很难精确地量化优化目标和切换时间之间的关系。


技术实现要素：

4.本发明所要解决的技术问题就是提供一种考虑电池状态切换次数限制的电动汽车最优调度方法，避免电动汽车频繁的充放电对蓄电池造成不必要的损坏。
5.为解决上述技术问题，本发明采用如下技术方案：
6.一种考虑电池状态切换次数限制的电动汽车最优调度方法，包括如下步骤：
7.s1：采用线性插值方法进行负荷建模，根据电动汽车驾驶特性建立电动汽车数据集；
8.s2：建立考虑电池状态切换次数限制的电动汽车优化调度模型；
9.s3：采用规则十二角松弛模型对配电网支路的输电容量约束进行线性化；
10.s4：采用优化算法求解模型，生成每辆汽车充放电功率曲线。
11.优选的，负荷建模以现有节点负荷为夏季负荷高峰，通过各时段夏季负荷的比例计算出各节点的24小时负荷分布，通过线性插值得到30分钟间隔的负荷分布。
12.优选的，电动汽车数据集包括以下三个方面：第一部分是车辆到达充电站的时刻，第二部分是发车时刻或停车持续时间，第三部分是电动汽车到达荷电状态，该数据集是根据历史数据拟合出概率密度函数曲线后采用蒙特卡洛模拟生成。
13.优选的，电动汽车优化调度模型的目标函数如下：
[0014][0015]
式中，n是evs的索引，t是时隙的索引，是在优化持续时间内具有充电需求的电动汽车组，t为优化持续时间，c
p,t
为峰谷电价，p
c&d
为充电站充放电功率，和分别为第n辆电动汽车在t时刻的充放电状态，该式累加了每辆充电电动汽车的充电成本；
[0016]
模型约束如下：
[0017]
配电网运行约束条件：
[0018][0019][0020][0021]
式中，i,j和k表示节点编号，ij和jk表示分支ij和jk，ν
λ
表示所有分支的集合，ν
δ
是节点集，pl
ij,t
和ql
ij,t
是对应支路从i到j的有功功率和无功功率，p
j,t
是节点j有功负荷需求，包括电动汽车充电功率，q
j,t
是节点j无功负荷需求，u
i,t
是节点i电压幅值，r
ij
和x
ij
是支路从i到j的电阻和电抗；
[0022]
配电网的安全约束：
[0023][0024][0025]
式中，u
min
和u
max
分别是节点电压幅值的下限和上限，s
max
是指分支的最大传输容量；
[0026]
电动汽车的运行约束：
[0027]
第一部分是电动汽车荷电状态(soc)约束：
[0028][0029][0030][0031][0032]
式中，μ
c&d
是充电桩的充电和放电效率，cap是电动汽车的电池容量，t
dur,n
是第n辆电动汽车的停车持续时间，soc
max
是电动汽车允许的最大荷电状态，t
arr,n
是ev到达充电站时的时刻，t
lea,n
是ev离开充电站时的时刻，范围tn是[t
arr,n
,t
lea,n
]，soc
min
指定荷电状态的下限；
[0033]
第二部分中是电动汽车的充电和放电行为约束：
[0034][0035]
[0036]
式中，和都是二进制变量；
[0037]
第三部分是电动汽车电池状态切换次数约束：
[0038][0039]
将充电、待机、放电这三种不同状态之间的转换视为电池属性切换，式中sw
max
设置为允许的最大切换次数；
[0040]
考虑电池状态切换次数限制的电动汽车优化调度模型如下：
[0041][0042]
优选的，将配电网的潮流约束和传输容量约束依次线性化，
[0043]
其中，潮流约束的线性化，公式如下：
[0044][0045][0046][0047]
(15)-(17)用distflow模型的线性化方法代替(2)-(4)，在(17)中，un代表系统的额定电压；
[0048]
输电容量约束的线性化：
[0049]
使用规则的十二角模型，由12个线性方程组成，公式如下：
[0050][0051]
在简化之后，初始模型(14)被转化为具有降低复杂性的milp问题(19)，
[0052][0053]
本发明引入了对电动汽车电池状态切换次数的限制，缓解了不必要重复充放电造成的能量损失。在对配电网支路的输电容量约束进行线性化的过程中，本发明采用了一种更精确的模型(规则十二角松弛)。该调度模型得到的方案不仅达到了几乎最优的用户充电成本，而且保护了电池。对用户而言，它能在电动汽车充电成本最优的前提下，延长电池的使用寿命；对于电网运营商而言，它可以提高配电网的安全性，促进居民对电动汽车的接受，进而增加可容纳的电动汽车数量。
[0054]
本发明的具体技术方案及其有益效果将会在下面的具体实施方式中进行详细的说明。
附图说明
[0055]
下面结合附图和具体实施方式对本发明作进一步描述：
[0056]
图1是本发明实施例的整体方法流程图；
[0057]
图2是本发明实施例的33节点测试系统的示意图；
[0058]
图3是本发明实施例的电动汽车数据集的行驶特性图；
[0059]
图4是本发明实施例的变电站出口功率和电动汽车总充电功率图。
具体实施方式
[0060]
下面将结合本发明实施例对本发明技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0061]
如图1至图4所示，一种考虑电池状态切换时间限制的电动汽车优化调度方法，包括如下步骤：
[0062]
s1、采用线性插值方法进行负荷建模，根据电动汽车驾驶特性建立电动汽车数据集；
[0063]
s2、建立考虑电池状态切换次数限制的电动汽车优化调度模型；
[0064]
s3、采用规则十二角松弛模型对配电网支路的输电容量约束进行线性化；
[0065]
s4、采用优化算法求解模型，生成每辆汽车充放电功率曲线。
[0066]
其中，所述步骤s1中采用线性插值方法进行负荷建模，夏季负荷将给电网的稳定性带来更多的不确定性，本发明以现有节点负荷为夏季负荷高峰，通过各时段夏季负荷的比例计算出各节点的24小时负荷分布。通过线性插值得到30分钟间隔的负荷分布。
[0067]
所述步骤s1中根据电动汽车驾驶特性建立电动汽车数据集，包括以下三个方面：第一部分是车辆到达充电站的时刻，第二部分是发车时刻或停车持续时间，第三部分是电动汽车到达荷电状态。该数据集是根据历史数据拟合出概率密度函数曲线后采用蒙特卡洛模拟生成。
[0068]
所述步骤s2中建立考虑电池状态切换次数限制的电动汽车优化调度模型，目标函数如下:
[0069][0070]
式中，n是evs的索引，t是时隙的索引，是在优化持续时间内具有充电需求的电动汽车组，t为优化持续时间，c
p,t
为峰谷电价，p
c&d
为充电站充放电功率，和分别为第n辆电动汽车在t时刻的充放电状态，该式累加了每辆充电电动汽车的充电成本；
[0071]
模型约束如下：
[0072]
·
配电网运行约束条件：
[0073][0074][0075][0076]
式中i,j和k表示节点编号，ij和jk表示分支ij和jk，ν
λ
表示所有分支的集合，ν
δ
是节点集，pl
ij,t
和ql
ij,t
是对应支路从i到j的有功功率和无功功率，p
j,t
是节点j有功负荷需求，包括电动汽车充电功率，q
j,t
是节点j无功负荷需求，u
i,t
是节点i电压幅值，r
ij
和x
ij
是支路从i到j的电阻和电抗。
[0077]
·
配电网的安全约束：
[0078][0079][0080]
式中u
min
和u
max
分别是节点电压幅值的下限和上限。s
max
是指分支的最大传输容量。
[0081]
·
电动汽车的运行约束：
[0082]
第一部分是电动汽车荷电状态(soc)约束：
[0083][0084][0085][0086][0087]
式中μ
c&d
是充电桩的充电和放电效率，cap是电动汽车的电池容量，t
dur,n
是第n辆电动汽车的停车持续时间，soc
max
是电动汽车允许的最大荷电状态。t
arr,n
是ev到达充电站时的时刻，t
lea,n
是ev离开充电站时的时刻。范围tn是[t
arr,n
,t
lea,n
]，soc
min
指定荷电状态的下限。
[0088]
第二部分中是电动汽车的充电和放电行为约束：
[0089][0090][0091]
式中和都是二进制变量。
[0092]
第三部分是电动汽车电池状态切换次数约束：
[0093][0094]
将充电、待机、放电这三种不同状态之间的转换视为电池属性切换。式中sw
max
设置为允许的最大切换次数。
[0095]
通过以上分析，提出的考虑电池状态切换次数限制的电动汽车优化调度模型可以写成如下：
[0096][0097]
所述步骤s2中将配电网的潮流约束和传输容量约束依次线性化。首先，潮流约束的线性化，相关公式如下：
[0098][0099]
[0100][0101]
(15)-(17)可以用distflow模型的线性化方法代替(2)-(4)。在(17)中，un代表系统的额定电压。
[0102]
其次，输电容量约束的线性化：
[0103]
使用规则的十二角模型，由12个线性方程组成，公式如下：
[0104][0105]
在简化之后，初始模型(14)被转化为具有降低复杂性的milp问题(19)。
[0106][0107]
本实施例中，图3显示了通过ev数据集的构造方法获得的ev数据集的行程特性，据此建立电动汽车数据集。
[0108]
本实施例中，电动汽车电池状态切换次数的限制公式如下：
[0109][0110]
本发明考虑了电池的三种状态，并将不同状态之间的转换视为电池属性切换。公式规定了电池状态切换次数的限制，其中sw
max
设置为允许的最大切换次数。模型中其他参数表示如表1所示
[0111]
表1.案例的其他参数
[0112][0113]
本实施例中，在输电容量约束的线性化中，多边形约束通常用于近似圆形约束。使用规则的十二角模型。通过规则十二角松弛法获得的配电网传输容量参数α
ω
,β
ω
,γ
ω
的值如表2所示。
[0114]
表2.传输容量的线性化参数
[0115][0116]
本实施例中，为了更好地说明考虑电池状态切换时间限制的电动汽车最优调度策略的优势，建立了三个典型场景。场景一：不协调充电；场景二：不限制电池状态切换时间的v2g优化；场景三：限制电池状态切换时间的v2g优化。
[0117]
在场景ⅰ中，由于电动汽车不参与交互，因此每辆电动汽车的电池状态切换次数只有两次。场景ⅱ中电动汽车电池的平均状态切换次数为6.88，比场景ⅰ高出约244％。增加的
开关次数用于电动汽车的充电和放电计划。场景ⅲ中的该指数为2.73，比场景ⅱ降低约60％，有效避免了调度过程中不必要的电池状态切换。
[0118]
图4显示了场景ⅰ和场景ⅲ中变电站的出口功率以及场景ⅲ中电动汽车的总充电功率。在峰谷电价的指导下，整个负荷曲线更加稳定。最大负荷峰谷差从场景ⅰ中2313kw减小至场景ⅲ中1415kw,减少约39％。21:30时，最大负载降为35.6％.负荷波动和最大负荷将影响系统的稳定性和相关设备的安全运行。从优化结果来看，在场景ⅲ中，系统的安全裕度显著提高，本发明提升了系统安全性。
[0119]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，熟悉该本领域的技术人员应该明白本发明包括但不限于上面具体实施方式中描述的内容。任何不偏离本发明的功能和结构原理的修改都将包括在权利要求书的范围中。