一种考虑配电网脆弱性的电动汽车双层优化调度方法与流程

1.本发明设计汽车充放电优化调度技术领域，具体的，涉及一种考虑配电网脆弱性的电动汽车双层优化调度方法。


背景技术：

2.近几年，电动汽车高速发展，大规模电动汽车的无序接入给电网的运行稳定性带来巨大的负面影响，会影响电能的质量，加剧电网峰谷不平衡，导致系统脆弱性加剧，配电网需要改造升级。而电动汽车可以被视为分布式的移动储能，具备电源和负荷的双重属性，拥有改善电网脆弱性的潜能。但由于电动汽车的充电起始时间、充电时长、充电结束时间等条件的随机性，电动汽车充电的优化控制方式也复杂多样。如若每辆电动汽车都采用无序充电方式，势必会有大量的电动汽车集中在某几个时间段充电，这样的充电高峰期会给电网带来极大的压力，增大系统的脆弱性。只有对大规模电动汽车进行合理的统筹调控，才能使得配电网和电动汽车用户互利共赢。现有的研究中，对于引导电动汽车有序充放电，有群体调度与个体调度2种策略。对于大规模的电动汽车群，充电控制方式广泛使用的是群体调度，对电网中的电动汽车进行集群，对群整体进行调度。多数学者基于对电动汽车的充电模式和出行规律的研究，对电动汽车根据不同的参考量进行集群划分，从而实现优化目标。其中，优化目标多为负荷方差最小化、配电网网损最小化等，但是并未考虑电动汽车并网对配电网脆弱性的影响程度。
3.现有的配电网脆弱性研究多数是从结构和状态两个角度进行，而电动汽车的大规模并网对配电网脆弱性的影响主要体现在状态脆弱性方面。若将大规模的电动汽车作为可调控的移动储能，依据其出行特征进行集群划分，通过合理调控实现配电网脆弱性改善以及负荷波动优化，可以有效减小电动汽车无序并网所带来的负面影响，具有现实研究意义。


技术实现要素：

4.为了解决电动汽车无序并网对电网调度造成极大困扰的问题，本发明提供了一种考虑配电网脆弱性的电动汽车双层优化调度方法，外层在考虑脆弱性改善程度的情况下进行以削峰填谷最优为目标的电动汽车调度容量寻优，内层则基于外层的电动汽车调度容量以及电动汽车的出行特征，对电动汽车进行集群划分，然后进行充放电控制，实现了对大规模电动汽车进行合理的统筹调控，有效减小电动汽车无序并网所带来的负面影响。
5.为实现上述技术目的，本发明提供的一种技术方案是，一种考虑配电网脆弱性的电动汽车双层优化调度方法，包括如下步骤：步骤s1、获取配电网负荷信息和电动汽车入网信息；步骤s2、以削峰填谷效果最优为目标构建电动汽车调度的外层模型；步骤s3、构建电动汽车调度的内层模型；步骤s4、根据电动汽车集群充放电控制策略获得电动汽车集群实际充放电总额，返回至外层模型，进一步计算当前实际最优削峰填谷效果以及当前系统脆弱性改善程度；
步骤s3包括如下子步骤：s31、根据电动汽车的出行特征，对电动汽车进行初步分群，基于外层模型的电动汽车调度容量，对电动汽车集群进一步划分，制定电动汽车集群充放电控制策略。
6.作为优选，所述电动汽车入网信息包括接入电网的时刻、离开时刻、额定充/放电功率、电池的额定容量、接入时刻的荷电状态、期望荷电状态以及车主意愿信息。
7.作为优选，步骤s2包括如下步骤：步骤s21，以负荷的标准差最小外层模型的目标函数；步骤s22，设置外层模型的约束条件；步骤s23，基于粒子群算法进行外层模型求解。
8.作为优选，所述外层模型的约束条件包括总充放电约束、平均剩余电量约束和脆弱性改善程度约束。
9.作为优选，总充放电约束为：作为优选，总充放电约束为：式中，soc
ev.j
表示电动汽车j的剩余电量；e
ev.j
表示电动汽车j的电池额定容量；n
ev.ch
、n
ev.op
分别外层模型优化周期内所有参与充电和放电的电动汽车总数；soc
expect.j
表示电动汽车j离网时的期望荷电状态。
10.作为优选，平均剩余电量约束为：式中，soc
min
、soc
max
分别表示电动汽车允许的最小值和最大值。
11.作为优选，脆弱性改善程度约束是基于配电网的状态脆弱性评估构建而成，首先基于节点电压率和潮流变化率，即：基于节点电压率和潮流变化率，即：式中，表示节点j的初始电压值；表示节点j的临界电压值；表示节点k负荷发生波动时，区间i内的节点j的电压值；表示节点k的负荷发生波动时，区间i内的节点j的电压变化率指标；n
et
表示配电网节点个数；表示潮流稳定下线路l通过的有功功率；表示节点k负荷波动后线路l传输的有功功率；表示节点k负荷发生波动时，区间i内线路l的潮流变化率；
然后基于泰尔熵标准构建节点电压状态脆弱性指标和潮流状态脆弱性指标通过熵权法结合为为节点综合状态脆弱性指标tk，即：，即：，即：式中，ωu+ω
p
＝1。
12.而电动汽车有序并网前后的脆弱性指标差值即为配电网脆弱性改善程度，则脆弱性改善程度约束为：
△
tk≥
△
tk
set
式中，
△
tk
set
表示电动汽车群调度优化后配电网脆弱性改善程度的预期值；
△
tk表示电动汽车群调度优化后配电网脆弱性改善程度的实际值。
13.作为优选，步骤s31包括如下步骤：步骤s311、对电动汽车出行规律进行分析研究，按照电动汽车的充电起始时刻和车主意愿进行初步的集群划分；步骤s312、基于电动汽车入网信息计算电动汽车的最长放电时长、最大可调控充电时长，以及最迟开始充电时刻；步骤s313、基于外层模型对电动汽车总充放电功率进行寻优，依据充电起始时刻、充电所需时长、最大可调控充电时长以及最迟开始充电时刻作为参考因子对电动汽车集群进行进一步的划分，从而得到电动汽车集群充放电控制策略。
14.作为优选，电动汽车的最长放电时长t
op
为：式中，p
ev.op
表示电动汽车的额定放电功率；e
ev
表示电动汽车电池的额定容量；soc
ev
表示电动汽车接入时刻的荷电状态；soc
expect
表示电动汽车离开时期望的荷电状态。
15.作为优选，最大可调控充电时长t
move
为：为：式中，t
join
表示电动汽车的接入电网的时刻；t
drop
表示电动汽车的离网时刻；t
ch
表示电动汽车达到预期离网荷电状态所需时间。
16.作为优选，最迟开始充电时刻t
deadline
为：t
deadline
＝t
join
+t
move
。
17.作为优选，步骤s21中的负荷的标准差最小的目标函数minf(p)为：
式中，n表示一天内的时间断面总数；p表示削峰填谷优化之后的负荷值；p
loadn
表示当日时间段n内的负荷预测值；p
ev.ch.n
表示时间段n内的所有电动汽车的充电功率总值；p
ev.op.n
表示时间段n内的所有电动汽车的放电功率总值，p
ev.ch.n
和p
ev.op.n
均为非负数。
18.作为优选，根据电动汽车的出行特征，对电动汽车进行初步分群的步骤如下：将一整天按时间区间均分为n段，每一段相等时间段内接入的电动汽车被划分为同一集群；每个时间段内接入的电动汽车都按照车主意愿将车划分为纯充电车群、纯放电车群和既需要充电又愿意放电车群三大类；其中，第n个时间段内的三个电动汽车集群记为g
n.ev1
、g
n.ev2
和g
n.ev3
；设定第n段时间内g
n.ev1
类车群有an辆，g
n.ev2
类车群有bn辆，g
n.ev3
类车群有cn辆；三大类电动汽车集群内部按照其接入电网的时刻进行编号。
19.作为优选，对电动汽车集群进一步划分，制定电动汽车集群充放电控制策略，包括：基于外层模型对电动汽车总充放电功率的寻优结果计算得到第n时刻的电动汽车的充电功率总值p
ev.ch.n
和放电功率总值p
ev.op.n
；判断时间段n内的电动汽车集群g
n.ev1
和g
n.ev2
是否满足削峰填谷需求；若超出削峰填谷需求，则对g
n.ev1
和g
n.ev2
类电动汽车具体的充放电时刻进行规划；若不能满足削峰填谷需求，则对g
n.ev3
类电动汽车进行调控。
20.本发明的有益效果：本发明提供了一种考虑配电网脆弱性的电动汽车双层优化调度方法，外层在考虑脆弱性改善程度的情况下进行以削峰填谷最优为目标的电动汽车调度容量寻优，内层则基于外层的电动汽车调度容量以及电动汽车的出行特征，对电动汽车进行集群划分，然后进行充放电控制，实现了对大规模电动汽车进行合理的统筹调控，有效减小电动汽车无序并网所带来的负面影响。
附图说明
21.图1为本发明的图1是电动汽车集群分布式分层控制框架图。
22.图2是考虑配电网脆弱性的电动汽车双层优化调度方法示意图。
具体实施方式
23.为使本发明的目的、技术方案以及优点更加清楚明白，下面结合附图和实施例对本发明作进一步详细说明，应当理解的是，此处所描述的具体实施方式仅是本发明的一种最佳实施例，仅用以解释本发明，并不限定本发明的保护范围，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，都属于本发明保护的范围。
24.实施例：本发明假设电动汽车每日的安排是稳定的，不存在突发性的出行要求和充电需求，且单次出行任务的行驶距离不会超出最大续航距离，即在行驶途中没有再次充电的需求。当电动汽车接入充电桩时就立即开始充电，不考虑充放电排队等待问题。
25.如图1所示，电动汽车大规模接入配电网中，通过配电网调度中心、各个电动汽车集群控制器，在电动汽车智能充放电单元之间进行信息通信与指令传递，从而实现电动汽
车集群充放电的实时控制。
26.如图2所示，考虑配电网脆弱性的电动汽车双层优化调度方法的具体步骤如下：步骤s1、获取配电网负荷信息和电动汽车入网信息；电动汽车入网信息包括电动汽车m接入电网的时刻t
join.m
、离开时刻t
drop.m
、额定充(放)电功率p
ev.ch.m
(p
ev.op.m
)、电池的额定容量e
ev.m
、接入时刻的荷电状态soc
ev.m
、期望荷电状态soc
expect.m
以及车主意愿等信息。
27.步骤s2，构建电动汽车调度的外层模型。外层模型是以削峰填谷效果最优为目标，综合考虑电动汽车有序入网后对配电网脆弱性的影响，在约束条件中增加了脆弱性改善程度约束。
28.步骤s21，确定外层模型的目标函数。
29.外层模型的优化目标是削峰填谷最优，而标准差能反映一个数据集的离散程度，所以本发明选择以负荷的标准差作为外层模型的优化目标，表明负荷波动的剧烈程度，其数学表达式为：式中，n表示一天内的时间断面总数；p表示削峰填谷优化之后的负荷值；p
loadn
表示当日时间段n的负荷预测值；p
ev.ch.n
表示第n个时间点的所有电动汽车的充电功率总值；p
ev.op.n
表示时间段n的所有电动汽车的放电功率总值，且p
ev.ch.n
和p
ev.op.n
均为非负数。
30.更具体的，外层模型的削峰填谷优化周期为1天，即24小时。将24小时划分为n段，每段时长为24/n小时，在每段时间内，配电网负荷以及电动汽车充放电功率视为恒定。将电动汽车按照接入配电网的时间划分为n个车群，即：groupn＝[g1,g2,
…
,gn,
…
,gn]其中，配电网负荷预测p
load
是一个集合，即p
load
＝[p
load1
,p
load2
,
…
,p
loadn
,
…
,p
loadn
]。同理，电动汽车充电功率总值为p
ev.ch
＝[p
ev.ch.1
,p
ev.ch.2
,
…
,p
ev.ch.n
,
…
,p
ev.ch.n
]，电动汽车放电功率总值为p
ev.op
＝[p
ev.op.1
,p
ev.op.2
,
…
,p
ev.op.n
,
…
,p
ev.op.n
]，其中元素p
ev.ch.n
(p
ev.op.n
)表示时间段n内的所有进行充(放)电行为的电动汽车的充(放)电功率总和，即：进行充(放)电行为的电动汽车的充(放)电功率总和，即：式中，p
ch.n.i
、p
op.n.i
分别表示时间段n内的第i辆进行充电和放电行为的电动汽车的充放电功率；i
ch.n
、i
op.n
分别表示表示时间段n内进行充电和放电行为的电动汽车总数。
[0031]
步骤s21，设置外层模型的约束条件。包括总充放电约束、平均剩余电量约束和脆弱性改善程度约束。
[0032]
其中，总充放电约束表示一个削峰填谷周期内所有电动汽车的充电电量总和要小于参与充电环节的电动汽车能调度的电量总和。同理，放电电量总和要小于参与放电环节的电动汽车能调度的电量总和，其具体的数学表达式为：
式中，soc
ev.j
表示电动汽车j的剩余电量；e
ev.j
表示电动汽车j的电池额定容量；n
ev.ch
、n
ev.op
分别表示一个削峰填谷周期内所有参与充电和放电的电动汽车总数，其具体的计算公式为：计算公式为：其中，由于外层目标函数中的p
ev.ch.n
和p
ev.op.n
均为一个时段内的电动汽车充放电功率总额，无法精确到每辆电动汽车的剩余电量，所以选用平均剩余电量来代替每辆电动汽车的剩余电量，即该配电网中的所有充放电功率平均分配到所有在时间段n内参与调度的所有电动汽车。
[0033]
平均剩余电量约束为：式中，soc
min
、soc
max
分别表示电动汽车允许的最小值和最大值；n
ev
表示参与调度的所有电动汽车数量，即n
ev
＝n
ev.op
+n
ev.ch
。
[0034]
脆弱性改善程度约束，引入状态脆弱性的概念，从电压和潮流的角度出发，基于泰尔熵标准构建节点电压和节点潮流状态脆弱性指标，二者通过熵权法结合为节点综合状态脆弱性指标，对配电网进行状态脆弱性评估。其中，节点电压变化率为：式中，表示节点j的初始电压值；表示节点j的临界电压值；表示节点k负荷发生波动时，区间i内的节点j的电压值；表示节点k的负荷发生波动时，区间i内的节点j的电压变化率指标；n
et
表示配电网节点个数。
[0035]
节点潮流变化率为：式中，表示潮流稳定下线路l通过的有功功率；表示节点k负荷波动后线路l传输的有功功率；表示节点k负荷发生波动时，区间i内线路l的潮流变化率。
[0036]
基于泰尔熵标准构造节点电压状态脆弱性指标和节点潮流状态脆弱性指标即：
[0037]
然后，基于熵权法将电压状态脆弱性指标和潮流状态脆弱性指标结合为节点综合状态脆弱性指标tk，式中ωu+ω
p
＝1，即：tk表示节点k发生负荷波动时，对配电网状态脆弱性的影响。
[0038]
本发明取其均值为配电网整体的状态脆弱性评估指标，即：因此，可得脆弱性改善程度约束，其具体的数学表达式为：
△
tk≥
△
tk
set
式中，
△
tk
set
表示电动汽车群调度优化后配电网脆弱性改善程度的预期值；
△
tk表示电动汽车群调度优化后配电网脆弱性改善程度的实际值，其具体的表达式为：
△
tk＝tk
0-tk。
[0039]
步骤s23，基于粒子群算法进行模型求解。其中粒子群算法的具体步骤为：步骤s231，初始化范围内，对粒子群内各粒子的位置及其速度进行随机初始化；步骤s232，计算出每个粒子的适应值；步骤s233，对于每一个粒子曾搜索到的最优位置为个体极值，对于全局而言，群体所有粒子搜索到的最优位置为全局极值；步骤s234，对种群中的每一个粒子进行速度和位置的更新；步骤s235，判断是否满足结束条件，如若满足，输出全局极值并结束，否则继续第2.3.2步骤。
[0040]
步骤s3，构建电动汽车调度的内层模型。
[0041]
根据电动汽车的出行特征，对电动汽车进行分群，然后基于外层模型的电动汽车调度容量，对电动汽车集群进行充放电控制。
[0042]
步骤s31，通过对电动汽车出行规律的研究，按照电动汽车的充电起始时刻和车主意愿进行电动汽车的初步集群划分。
[0043]
具体的，已知一天被划分为n段，每个时段内的电动汽车集群为：groupn＝[g1,g2,
…
,gn,
…
,gn]将每一个时段内的集群gn按照车主意愿将电动汽车划分为纯充电车群、纯放电车群和既需要充电又愿意放电车群三大类。其中，车主意愿为电动汽车的车主在接入电网时做出的选择，一共有纯充电、纯放电和既需要充电又愿意放电的三种选择。因此，本发明将电动汽车划分为纯充电的车群g
n.ev1
、纯放电的车群g
n.ev2
和既需要充电又愿意放电的车群g
n.ev3
，且三个集群内部的电动汽车按照其接入电网的时刻进行排序编号。其中，每一段时间内接入的电动汽车都将按照相同的方法进行电动汽车集群调控，需要申明的是，本发明由于篇幅限制，只对第n个时间段内的电动汽车集群进行细分和控制，并非以此限定本发明的
具体实施范围。
[0044]
步骤s32，根据电动汽车的接入电网的时刻、离开的时刻和期望荷电状态，计算电动汽车的最长放电时长t
op
，根据电动汽车接入时的荷电状态和车主的期望值，可求得电动汽车达到期望值所需的充电时长t
ch
。根据电动汽车的接入电网的时刻、离开时刻和所需的充电时长可求得该电动汽车的最大可调控充电时长t
move
，以及最迟开始充电时刻t
deadline
。即：即：即：t
deadline
＝t
join
+t
move
。
[0045]
步骤s33，基于外层模型对电动汽车总充放电功率的寻优结果，依据充电起始时刻、充电所需时长、最大可调控充电时长以及最迟开始充电时刻等参考量对电动汽车集群进行进一步的划分，从而进行具体的车群充放电调控。
[0046]
步骤s331，已知一天24h被划分为n段，其中第n段时间内g
n.ev1
类车群有an辆，g
n.ev2
类车群有bn辆，g
n.ev3
类车群有cn辆，而根据外层模型的寻优可知时段n内的电动汽车的充电功率总值p
ev.ch.n
和放电功率总值p
ev.op.n
，则首先计算g
n.ev1
和g
n.ev2
类电动汽车的总充电和放电功率总值，即：电功率总值，即：式中，p
ev1.n.i
表示时间段n内的电动汽车集群g
n.ev1
中的第i辆电动汽车的额定充电功率；p
ev2.n.i
表示时间段n内的电动汽车集群g
n.ev2
中的第i辆电动汽车的额定放电功率。
[0047]
步骤s332，判断时间段n内的电动汽车集群g
n.ev1
和g
n.ev2
是否满足削峰填谷需求。若满足削峰填谷需求，即：p
ev.ch.n
≤p
ev1.n
p
ev.op.n
≤p
ev2.n
则对电动汽车集群g
n.ev1
和g
n.ev2
进行具体的充放电规划。
[0048]
步骤s333，若时间段n内的电动汽车集群g
n.ev1
和g
n.ev2
不满足削峰填谷需求，即：p
ev.ch.n
》p
ev1.n
p
ev.op.n
》p
ev2.n
则对电动汽车集群g
n.ev1
、g
n.ev2
和g
n.ev3
进行具体的充放电规划。
[0049]
步骤s4，根据上述具体的电动汽车集群充放电控制策略获得电动汽车集群实际充放电总额，返回至外层模型，从而计算可得当前实际最优削峰填谷效果，以及当前系统的脆弱性改善程度。
[0050]
进一步，步骤s332中集群g
n.ev1
中的电动汽车a按照其接入电网的时刻t
join.a
、离网时刻t
drop.a
、最迟开始充电时刻t
deadline.a
以及达到期望值所需的充电时长t
ch.a
进行进一步的分群，即：情形一：若电动汽车a的离网时刻同样处于时间段n内，即满足：t
n-1
≤t
drop.a
≤tn式中，t
n-1
、tn分别表示时间段n的起始时刻和结束时刻。
[0051]
则将电动汽车a划分为车群g
n.ev1.1
，这集群内的电动汽车在其接入电网的时刻时，就立即开始充电。
[0052]
情形二：若电动汽车a的离网时刻不处于时间段n内，但最迟开始充电时刻t
deadline.a
处于时间段n内，即满足：t
drop.a
》tn,t
deadline.a
≤tn则将电动汽车a划分为车群g
n.ev1.2
，这集群内的电动汽车的开始充电时刻为：t
start.a
＝t
n-t
ch.a
。
[0053]
情形三：若电动汽车a的最迟开始充电时刻t
deadline.a
不处于时间段n内，即满足：t
deadline.a
》tn则将电动汽车a划分为车群g
n.ev1.3
，这集群内的电动汽车暂时不做规划。
[0054]
然后对电动汽车的充电功率总额与外层模型寻优结果p
ev.ch.n
进行判断，若车群g
n.ev1.1
和g
n.ev1.2
的充电功率总额p
ev1.1.n
和p
ev1.2.n
之和满足时段n内的填谷需求，即：p
ev.ch.n
≤(p
ev1.1.n
+p
ev1.2.n
))式中，r
ev1.1
、r
ev1.2
分别表示车群g
n.ev1.1
和g
n.ev1.2
内的电动汽车总数；p
ev1.1.r
和p
ev1.2.z
表示车群g
n.ev1.1
和g
n.ev1.2
内的电动汽车r和z的额定输出功率。
[0055]
因为车群g
n.ev1.1
和g
n.ev1.2
的充电功率总额已经满足填谷的需求，所有车群g
n.ev1.3
内的电动汽车顺延至下一个时间段n+1内进行规划，并排在车群g
n+1.ev1
的最前列。
[0056]
若不能满足填谷需求，即：p
ev.ch.n
》(p
ev1.1.n
+p
ev1.2.n
)则对车群g
n.ev1.3
的电动汽车进行调控。车群g
n.ev1.3
内的电动汽车全部按照接入配电网时刻开始充电，直至满足削峰填谷的需求。若车群g
n.ev1.3
内还有电动汽车未被规划，则顺延至下一个时间段n+1内进行规划。
[0057]
同理，车群g
n.ev2
的规划与g
n.ev1
的规划方法相同，不进一步展开说明。
[0058]
进一步，步骤s333中，时间段n内的电动汽车集群g
n.ev1
和g
n.ev2
无法满足外层模型的削峰填谷需求，所以除了对车群g
n.ev1
和g
n.ev2
进行规划外，还需要对车群g
n.ev3
中的电动汽车c进行进一步规划。其具体步骤如下：车群g
n.ev1
和g
n.ev2
中的电动汽车全部按照接入配电网的时刻立即开始充放电，直至达到车主预期的剩余电量为止。
[0059]
计算该时段内的削峰填谷仍需要多少功率，即：
△
p
ev.ch.n
＝p
ev.ch.n-p
ev1.n
△
p
ev.op.n
＝p
ev.op.n-p
ev2.n
若
△
p
ev.ch.n
》
△
p
ev.op.n
，且车群g
n.ev3
内的电动汽车c的最迟开始充电时刻t
deadline.c
同样处于时间段n内，则该电动汽车c按照其接入配电网的时刻开始充电。
[0060]
若
△
p
ev.ch.n
》
△
p
ev.op.n
，但电动汽车c的最迟开始充电时刻不处于时间段n内，则电动汽车c暂时先不充电也不放电。
[0061]
若
△
p
ev.ch.n
《
△
p
ev.op.n
，且电动汽车c的最迟开始充电时刻同样处于时间段n内，则该电动汽车c按照其最迟开始充电时刻开始充电。
[0062]
若
△
p
ev.ch.n
《
△
p
ev.op.n
，但电动汽车c的最迟开始充电时刻不处于时间段n内，则电动汽车c在其接入配电网的时刻立即开始放电，直至电动汽车c最的最迟开始充电时刻t
deadline.c
前移至tn时刻，这是电动汽车的最大放电电量，则其放完电后的剩余电量为：直至
△
p
ev.ch.n
＝
△
p
ev.op.n
，即此刻满足外层削峰填谷需求。
[0063]
以上所述之具体实施方式为本发明一种考虑配电网脆弱性的电动汽车双层优化调度方法的较佳实施方式，并非以此限定本发明的具体实施范围，本发明的范围包括并不限于本具体实施方式，凡依照本发明之形状、结构所作的等效变化均在本发明的保护范围内。