一种配电网调度与充电协同的鲁棒优化方法与流程

1.本发明属于配电网技术领域，尤其涉及一种配电网调度与充电协同的鲁棒优化方法。


背景技术：

2.电动汽车（electric vehicle，ev）作为解决能源危机和温室气体排放的重要途经，受到世界各国的广泛关注， ev既是交通道路网（以下简称路网）的车流负荷，又是电网的用电负荷。随着ev的快速发展，其充电行为（充电时间、地点等）对路网车流分布和电网负荷分布均会造成越来越大的影响，使得路-电双网耦合特征日趋显著。鉴于对ev的有序调控可获得缓解路网拥堵和提升电网运行稳定性的双重功效，计及路-电耦合的配电网优化运行渐已成为研究热点。
3.目前，针对计及路-电耦合的配电网优化调度已开展了一些研究，然而，现有计及路-电耦合的配网优化调度研究中一般都没有考虑充电响应协同优化问题。


技术实现要素：

4.本发明提供一种配电网调度与充电协同的鲁棒优化方法，用于解决没有考虑电动汽车充电响应协同优化，使得电动汽车无序出行和充电对路网和配网的不良影响的技术问题。
5.本发明提供一种配电网调度与充电协同的鲁棒优化方法，用于对配网和路网的运行状态进行协同优化，方法包括：按照用户对充电服务费用的响应态度对用户进行分类，并基于改进的ue原理构建考虑多类型用户出行响应的路网用户出行路径决策模型；分析负载不确定性影响下充电响应引导用户出行和充电行为的变化，由路网成本计算函数获得出行行为变化后的路网运行时间成本，并利用路-电耦合约束条件将负载充电行为变化转为配电网负荷变化，得到配电网负荷峰谷差成本；以路网运行时间成本、配电网运行成本和配电网负荷峰谷差成本综合最低为优化目标构建协同优化模型，并对所述协同优化模型进行深度寻优，得到最优解以及与所述最优解对应的运行方案，其中，所述协同鲁棒优化模型的表达式为：，
式中，为不确定性变量的置信水平， 为优化模型决策变量的取值，为风电逆累积分布函数，为光电逆累积分布函数，为路网出行用户的逆累积分布函数，为最优运行成本，为目标函数值的置信度，为时段风力发电的预测误差，为时段光伏发电的预测误差，为时段路网出行用户的预测误差，为时段风力发电的预测误差均值，为时段光伏发电的预测误差均值，为时段路网出行用户的预测误差均值。
6.在本发明的一些实施例中，所述基于改进的ue原理构建考虑多类型用户出行响应的路网用户出行路径决策模型，包括：基于充电站充电电价对路网用户出行行为的影响构建考虑多类型用户出行响应的路网用户出行路径决策模型，其中，路网用户出行路径决策模型的表达式为：，式中，为时段od对的类ⅰ型用户路径方案的通行成本； 为时段od对的类ⅰ型用户最优通行成本，为时段选择路径方案通行的类ⅰ型用户车流。
7.在本发明的一些实施例中，其中，路网成本计算函数的表达式为：，式中，为时段路网时间成本系数，为时段路段的总车流量，为路段的通行时间，为od对，为od对集，为路径方案，为od对的路网用户路径方案集，为路径方案经过的路段集。
8.在本发明的一些实施例中，其中，基于电动汽车和快充充电站将路网和配网进行耦合，路-电耦合约束条件的表达式为：，式中，为ⅰ型用户单位车流量快充负荷转换系数，为时段dc充电站接入的配电网节点的快充负荷总量，为dc充电站充电的类ⅰ型用户总车流，a为ⅰ型用户种类总数，为含dc充电站的路段集，为路段。
9.在本发明的一些实施例中，所述以路网运行时间成本、配电网运行成本和配电网负荷峰谷差成本综合最低为优化目标构建协同优化模型，包括：基于路网和配网的协同优化，以路网运行时间成本、配电网运行成本和配电网负荷峰谷差成本综合最低为优化目标构建协同优化模型，其中，优化目标的表达式为：，
式中，为时段路网运行时间成本，为时段配电网运行成本，为配电网负荷峰谷差成本，为时段路网运行成本系数，t为时间周期。
10.在本发明的一些实施例中，计算时段配电网运行成本的表达式为：，式中，为时段机组出力成本，为时段机组启动成本，为时段机组停机成本，为时段配网网损成本，为时段配网节点负荷峰值成本，为时段配电网购电成本，为时段配网降碳成本；计算配电网负荷峰谷差成本的表达式为：，式中，为配网负荷峰谷差的单位惩罚成本，、分别为各时段配网总负荷最大值和各时段配网总负荷最小值。
11.在本发明的一些实施例中，其中，计算时段机组出力成本的表达式为：，式中，、、均为机组的成本系数，为常规机组总数，为第g台机组时段的功率值；计算时段机组启动成本和时段机组停机成本的表达式分别为：，，式中，为时段机组启动动作系数，为机组启动动作成本，为时段机组停止动作系数，为机组停机动作成本；计算时段配网节点负荷峰值成本的表达式为：，，式中，为时段配电网节点负荷最大值，为单位节点负荷峰值惩罚系数，为时段配电网节点的负荷总量，为时段节点的常规负荷，为时段dc充电站接入的配电网节点的快充负荷总量，为时段配网节点为od对的慢充终端提供的慢充功率，j为配电网节总数；
计算时段配电网购电成本和时段配网降碳成本的表达式为：，，式中，为时段单位购电电价，为时段的购电电量，为时段弃风弃光单位惩罚系数，为时段弃风弃光量。
12.在本发明的一些实施例中，所述对所述协同优化模型进行深度寻优，包括：基于自适应谐波混叠微分进化算法对所述协同优化模型进行深度寻优。
13.本技术的一种配电网调度与充电协同的鲁棒优化方法，通过以路网运行时间成本、配电网运行成本和配电网负荷峰谷差成本综合最低为优化目标构建协同优化模型，以应对电动汽车出行和可再生能源并网出力的不确定性，从而根据配网调度实现负荷优化分配和削峰填谷的同时，进一步通过优化区域内各充电站充电响应以引导电动汽车车流出行和充电行为，减少电动汽车无序出行和充电对路网和配网的不良影响。
附图说明
14.为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
15.图1为本发明一实施例提供的一种配电网调度与充电协同的鲁棒优化方法的流程图；图2为本发明一实施例提供一个具体实施例的路-电双网影响关系示意图；图3为本发明一实施例提供的一具体实施例的协同优化模型求解流程图。
具体实施方式
16.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。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。
17.请参阅图1，其示出了本技术的一种配电网调度与充电协同的鲁棒优化方法的流程图。
18.如图1所示，配电网调度与充电协同的鲁棒优化方法，用于对配网和路网的运行状态进行协同优化，具体包括以下步骤：步骤s101，按照用户对充电服务费用的响应态度对用户进行分类，并基于改进的ue原理构建考虑多类型用户出行响应的路网用户出行路径决策模型。
19.在本实施例中，出行用户路径决策是影响路网车流分布的重要因素，为研究路网车流分布以及配网快充负荷分布情况，需首先分析路网出行用户的路径决策形式。路网拓扑结构已知时，可将路网转化为无向连接图，为路网节点集，为路段集，节
点间通过路段链接。路网用户出行路径决策模型中每个起点-终点（origin-destination, od）可看作一个od对，所有od对组成od对集。将ⅰ型用户分为a类，以准确分析各类ⅰ型用户路径决策和充电响应的差异性。ⅱ型用户路径决策不受充电费用影响，可由ⅰ型用户路径决策简化获得。
20.需要说明的是，将路网出行用户分为：采用快充充电的ⅰ型用户（仅ev用户）和不采用快充充电的ⅱ型用户（燃油汽车、采用慢充的ev用户等）。路网运行状态、配网运行状态和dc充电站的充电电价经由路网出行用户有图2所示联系。
21.若已知t时段od对的出行用户总数为，设t时段od对的类ⅰ型用户车流量为，ⅱ型用户车流量为则应满足如下等式约束：，（1）假设od对的路网用户路径方案集为，时段选择路径方案通行的类ⅰ型用户车流为，则路段上的类ⅰ型用户车流可由式(2)-(3)所示的模型计算：，（2），（3）式中，为时段路段上类ⅰ型用户的车流量，为路径方案对路段的经过情况，经过则为1，反之为0。ⅱ型用户路段车流计算同式(2)-(3)，在此不再重复。路段的总出行车流为该路段上各类型路网用户车流求和，如式(4)所示：，（4）式中，为时段路段上ⅱ型用户的车流量，为时段路段的总车流量。
22.在任意时段路段上总车流都应存在最大车流限制，如式(5)：，（5）式中，为路段的车流最大值。
23.路段的通行时间可由式(6)所示的美国联邦公路局函数计算。
24.，（6）式中，为路段的固定通行时间，、均为固定阻抗影响参数。
25.传统的ue原理仅考虑用户基于时间成本的路径决策，可用于ⅱ型用户的出行路径决策，如式(7)所示：，（7）
式中，为时段od对选择路径方案通行的ⅱ型用户车流，为时段od对路径方案的通行时间，为时段od对的最短通行时间。
26.路径的通行时间为其所经路段的通行时间求和，如式(8)所示：，（8）式中， 为路径方案经过的路段集。
27.充电电价会影响ⅰ型用户的路径决策，因此，本发明对ue原理进行改进，ⅰ型用户将以路径通行成本进行路径决策而不是时间成本。原理可描述为：若od对的车流中存在类ⅰ型用户选择路径方案出行，则路径方案的通行成本为该od对类ⅰ型用户的最优通行成本，且每个类ⅰ型用户都不能通过改变出行方案来减少自身通行成本，据此可将式(6)所示的ue原理改写为式(9)所示。
28.，（9）其中，为时段od对的类ⅰ型用户路径方案的通行成本； 为时段od对的类ⅰ型用户最优通行成本。
29.可写为路径方案的时间成本和充电成本求和，如式(10)：式中，为时段od对的类ⅰ型用户路径方案的充电成本。
30.步骤s102，分析负载不确定性影响下充电响应引导用户出行和充电行为的变化，由路网成本计算函数获得出行行为变化后的路网运行时间成本，并利用路-电耦合约束条件将负载充电行为变化转为配电网负荷变化，得到配电网负荷峰谷差成本。
31.在本实施例中，步骤s101所构建的路网用户出行路径决策模型可描述ⅰ型用户出行路径选择形式，但仍需考虑ⅰ型用户充电响应以准确分析ev的快充负荷分布情况和细化ⅰ型用户的路径决策。假设ⅰ型用户出行时需要且仅进行一次快充充电，则其出行路径方案和充电方案具有以下关系：1）ⅰ型用户所选路径方案必须经过一个及以上含dc充电站的路段；2）若ⅰ型用户路径方案经过多个dc充电站，则充电电价最低的dc充电站为该用户充电方案；（3）若路径方案中多个dc充电站充电电价一致，则ⅰ型用户选择在靠近终点处的dc充电站充电。由上述关系可知，在dc充电站充电电价确定时，ⅰ型用户的路径方案应对应一个唯一的充电方案，由此，本发明引入ⅰ型用户的路径决策与充电响应关联系数，代表od对选择路径方案出行的ⅰ型用户对dc充电站的选择情况，若选择在充电则为1，否则为0。则有下式(11)-(13)：，（11），（12），（13）
式中，为选择路径方案出行的ⅰ型用户实际充电电价，为dc充电站的充电电价，为时段路径方案的类ⅰ型用户在dc充电站充电的总车流；若该路径上的类ⅰ型用户选择在充电，则为选择该路径方案出行的类ⅰ型用户总车流，否则为0。
32.由式(12)可得出路径方案的实际充电电价，为体现各类ⅰ型用户对充电电价响应的差异性，引入类ⅰ型用户的充电成本响应系数，将式(10)中类ⅰ型用户的路径充电成本写为式(14)：，（14）选择在dc充电站充电的类ⅰ型用户总车流为各od对的所有路径方案在充电的类ⅰ型用户车流和，可写为式(15)：，（15）综上，与的关联使得ⅰ型用户充电响应与路径决策具有相关性，而路段是否装设充电站以及该充电站的充电电价会影响ⅰ型用户的充电响应和，并进一步影响其路径决策，因此可基于充电电价对ⅰ型用户的充电响应进行优化，以改善路-电耦合系统的运行状态。
33.路网与配电网通过ev和dc充电站完成车流到负荷的转换，受空间距离的影响，各dc充电站由最近的配电网节点供电。dc充电站的充电负荷与选择在该充电站充电的ⅰ型用户车流数量呈正相关，则与配网节点的快充负荷存在式(16)所示关系：，（16）式中，为ⅰ型用户单位车流量快充负荷转换系数，为时段dc充电站接入的配电网节点的快充负荷总量，为dc充电站充电的类ⅰ型用户总车流；为含dc充电站的路段集。
34.综合ⅰ型用户的路径决策和充电响应可获得配网快充负荷分布。配网中存在与路网交通信息等因素无关的慢充负荷，来自于ⅱ型用户在终点处的慢充终端充电，此类负荷仅取决于ⅱ型用户数量和终端位置，可统计获得ⅱ型用户单位车流的慢充负荷转换系数并由此获得慢充电能需求总量。另外慢充ev具有充电功率较小的特点，需要若干个调度时段才能完成充电，因此配网可基于v2g技术主动管理慢充ev的充电负荷功率，如式(17)-(20)所示：，（17），（18）
，（19），（20）式中，为单位车流最大充电功率系数，反映单位ⅱ型用户车流的充电功率最大值，为时段驶入od对慢充终端的ⅱ型用户慢充功率最大值，为时段驶入od对慢充终端的ⅱ型用户慢充功率最大值，为ⅱ型用户车流量，为时段驶入od对慢充终端的ⅱ型用户慢充电能需求总量，即为该慢充终端对应的配网节点的电能需求，为用户的最大充电时长限制，为慢充用户从驶入到离开慢充终端的时间，为时段配网节点为od对的慢充终端提供的慢充功率。
35.式(17)反映驶入慢充终端的ⅱ型用户最大充电功率；式(18)可视为由统计获得的ⅱ型用户慢充电能需求总量；式(19)表示配网的慢充功率管理需满足在ⅱ型用户要求的时间内完成充电；式(20)表明配网对的主动管理，但需满足ev的最大充电功率限制，最大充电功率为时段慢充终端接入的所有慢充ev最大充电功率之和。
36.步骤s103，以路网运行时间成本、配电网运行成本和配电网负荷峰谷差成本综合最低为优化目标构建协同优化模型，并对所述协同优化模型进行深度寻优，得到最优解以及与所述最优解对应的运行方案。
37.在本实施例中，本构建的协同优化模型决策变量为：路网dc充电站充电电价制定、配网分布式机组出力、配网购电以及ev的慢充负荷功率管理。为兼顾路网和配网的运行状态，制定目标函数如式(20)所示：，（20）式中，为时段路网运行时间成本，为时段配电网运行成本，为配电网负荷峰谷差成本，为时段路网运行成本系数，t为时间周期。
38.充电电价会影响路网车流分布，并进一步影响路网的运行状态，而路网运行时间成本过高会影响路网用户出行效率，降低路网用户对充电响应方案的接受度。为保证良好的路网运行状态，本发明构建的路网运行时间成本模型，如式(21)所示：，（20）式中，为时段路网时间成本系数，为时段路段的总车流量，为路段的通行时间，为od对，为od对集，为路径方案，为od对的路网用户路径方案集，为路径方案经过的路段集。
39.计算配电网负荷峰谷差成本的表达式为：，式中，为配网负荷峰谷差的单位惩罚成本，、分别为各时段配网
总负荷最大值和各时段配网总负荷最小值。
40.考虑配网运行时的机组出力成本、机组启停成本、网损成本、节点负荷峰值成本、主电网购电成本、降碳成本，则配网运行成本可写为式(22)：，（21）式中，为时段机组出力成本，为时段机组启动成本，为时段机组停机成本，为时段配网网损成本，为时段配网节点负荷峰值成本，为时段配电网购电成本，为时段配网降碳成本；机组出力成本由式(23)计算：，（22）式中，、、均为机组的成本系数，为常规机组总数，为第g台机组t时段的功率值；机组的启动成本和停机成本由式(24)和(25)给出：（24）（25）式中，为时段机组启动动作系数，为机组启动动作成本，为时段机组停止动作系数，为机组停机动作成本；配网节点负荷峰值成本如式(26)和式(27)所示：，（26），（27）式中，为时段配电网节点负荷最大值，为单位节点负荷峰值惩罚系数，数，时段配电网节点的负荷总量，为时段节点的常规负荷，为时段dc充电站接入的配电网节点的快充负荷总量，为时段配网节点为od对的慢充终端提供的慢充功率，j为配电网节总数；购电成本与降碳成本分别由购电电价和弃风弃光惩罚系数计算，如式(28)和式(29)：，（28），（29）
式中，为时段单位购电电价，为时段的购电电量，为时段弃风弃光单位惩罚系数，为时段弃风弃光量。
41.为获取更加精确的风光出力和路网出行用户不确定变量概率分布曲线，采用高斯混合模型(gaussian mixture model，gmm）拟合不确定性变量的预测误差概率分布，gmm原理如式(30)和式(31)：，（30），（31）式中，为高斯分量总数，为第个高斯分量的权重，为第个高斯分量的概率密度曲线，、分别为该概率密度曲线的均值和方差。
42.假设在确定性模型下，获得的最优运行成本为，结合置信区间鲁棒优化理论，考虑以一定置信水平不劣于期望最优值的约束下，最大化不确定变量的置信区间，最大化规避不确定性对优化结果的影响。构建如式(32)所示的cgd模型：，（32）式中，为概率值，为不确定性变量的置信水平，为目标函数值的置信度，为不确定变量在置信水平为下的取值区间，、分别为取值区间的最小值和最大值。
43.由gmm拟合出的预测误差概率密度曲线，可获得在置信水平下，风光出力和路网出行用户的预测误差波动区间，可通过式(33)-(35)计算：，（33），（34），（35）式中，分别为时段风力发电、光伏发电和路网出行用户的预测误差，分别为时段风力发电、光伏发电和路网出行用户的预测误差的均值，分别为置信水平下时段的风电、光电和路网出行用户取值区间的最小值，分别为置信度水平下时段的风电、光电和路网出行用户取
值区间的最大值。
44.基于cgd的优化模型难以直接求解，需要对其进行简化。在不确定性变量相互独立的条件下，若已知、和，则可由耦合系统的成本函数计算系统成本。即可将视为不确定变量，令其不确定分布函数为，则式(36)成立：，（36）定义分别为成本、风电、光电和路网出行用户的逆累积分布函数，由不确定变量运算法则式，有式(37)和式(38)：，（37），（38）综上，可获得便于求解的等价模型如式(39)所示：，（39）针对上述模型采用改进的自适应谐波混叠微分进化算法进行求解，求解流程图见图3：步骤1、输入耦合系统结构和设备参数、风光车流相关数据，有gmm拟合各时段概率密度函数；步骤2、设定算法参数、目标置信水平、路网权重等，初始化种群；步骤3、优化求解确定性模型，求得最优解；步骤4、通过数据分析求得风光测流概率分布模型；步骤5、迭代此时i=0，由式（39）计算每个个体的目标函数值；步骤6、按照置信水平由大到小排序；步骤7、判断是否存在相同的个体；步骤8、若是，则计算个体等级和拥挤度，并进行非劣排序；步骤9、自适应谐波混叠微分进化得到新种群；步骤10、判断是否达到最大迭代次数；步骤11、若是，则输出最优解及对应的运行方案。
45.综上，本技术的方法能够实现以下技术效果：1）考虑慢充负荷管理的配网调度可达到负荷削峰填谷和提升经济性的目的；2）基于充电电价的充电响应优化可有效引导快充负荷转移和车流分布，优化路-电耦合系统的运行状态，缓解配网节点负荷拥堵情况；3）考虑路网用户路径决策和充电响应的差异性使得优化方案更加切合实际状况，
并维护了各类型路网用户的出行利益；4）基于cgd的鲁棒优化模型充分体现了各类不确定性的多态性，且可通过设定目标显著性水平调控优化方案，兼顾了优化方案的鲁棒性和灵活性。
46.最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。