计及电动汽车功率可调控域的最优潮流节点电价计算方法与流程

本发明属于智能电网领域，涉及一种计及电动汽车功率可调控域的最优潮流节点电价计算方法。
背景技术：
：目前，国内外已有很多针对电动汽车充放电的研究成果，例如luox等建立了单辆电动汽车充电迫切程度指标，进一步分析电动汽车充放电功率在虚拟公共电价条件下的自动响应策略，实现调频和平抑电网风电接入产生的功率波动；flathcm等指出，时间上的实时电价和空间上的节点电价、区域电价能对电动汽车起到良好的引导作用，实现电压均衡、削峰填谷等等；潘樟惠等从电力市场角度出发，用户侧电动汽车代理商采用模拟发电侧发电厂竞价上网的方式，建立了基于需求侧放电竞价的优化调度模型，实现电网削峰填谷和降低用户侧充电成本的目标；麻秀范等在负荷聚合商研究基础上进行了进一步研究，空间上建立节点阻塞电价的双层优化调度模型，上层从供电侧出发，考虑发电成本最小化建立直流最优潮流模型得到节点阻塞电价；下层从需求侧出发，根据上层传递的节点阻塞电价，考虑充电费用、电池损耗及用户等待时间建立多目标优化模型，再将优化后充放电负荷反馈给上层，以实现用户和电网的经济效益最大化；常方宇等从用户侧出发，将消费者心理学原理应用于描述电网需求侧用户对分时电价价差的响应情况，研究如何有效制定分时电价价格和对应的充电峰平谷时段，引导用户用电，实现降低峰谷负荷差率及运营商、用户的经济效益共赢的目标。上述方法主要通过电价引导电动汽车充放电，旨在满足电网削峰填谷和用户经济性，鲜有考虑电动汽车充放电的紧迫性及等效储能，且没有给出明确的指标区分充放电先后顺序；进一步分析，部分文献考虑充电迫切度，但没有进一步分析充放电迫切度的松弛性，即充放电存在时间区间，在保证电动汽车充放电完成的前提下，单位时间区间内电动汽车充放电功率存在上下限。技术实现要素：有鉴于此，本发明的目的在于提供一种计及电动汽车功率可调控域的最优潮流节点电价计算方法，在保证电动汽车出行需要和充放电迫切程度的情况下，以电网运行成本最小化为目标，建立计及空间特性的节点电价最优潮流模型，求解得到最优的空间节点电价，通过实时电价引导电动汽车用户改变充放电习惯，降低运行成本。为达到上述目的，本发明提供如下技术方案：计及电动汽车功率可调控域的最优潮流节点电价计算方法该方法包括以下步骤：s1：采用极大似然估计法对电动汽车(electricvehicle,ev)出行参数进行估计，包括ev日行驶距离、起始充放电时间；根据ev日行驶距离、起始充放电时间及电池荷电状态特性，通过卷积运算得到单个ev的充电负荷期望值，再应用中心极限定理得到ev集群总充电负荷pev的概率密度函数；s2：将每一个时间截面ev行驶目的地定义为一个状态，根据马尔科夫理论，进一步将调度周期按照设定时间间隔离散化，即利用m×m×m三维矩阵表征ev目的地空间转移概率矩阵，得到对应任意时间间隔t的二维空间转移概率矩阵pt；其中，针对状态转移概率矩阵中的元素表征连续时间间隔内的状态转移，忽略时间间隔内以自身为目的地或者停靠时间较短的状态转移情况，得到状态转移概率矩阵的约束条件；s3：由步骤s1和s2分别得到的pev、pt及状态转移概率矩阵的约束条件，抽样得到n辆ev出行情况，从而得到ev规模化在时间序列对电网功率的初始需求；s4：定义车辆n的充电迫切度γch,n、放电充裕度为γdis,n，并根据定义确认调度顺序，进一步确定时间序列功率可调控域上下限；当ev充电在可调时间区间始端，确定当前时段功率可调控域上限；当ev充电不在可调时间区间始端但放电在可调时间区间始端，确定当前时段可调控域下限；s5：以周期内全部常规发电机组的燃料费用、运行经济成本最小化为目标函数，建立多时段最优潮流的目标函数；考虑空间各节点电压约束、各节点潮流方程约束、ev功率可调控域约束、la需求响应中断约束、ev入网功率约束、ev充放电时间约束，建立改进后的节点电价最优潮流模型，求解得到最优的空间节点电价。进一步，步骤s1所述ev日行驶距离满足对数正态分布，其概率密度函数为式中，μd为日行驶距离的期望值，拟合取值2.98；σd为日行驶距离的标准差，拟合取值1.14；d表示ev日行驶距离，取值范围0≤d≤200，单位为km；所述起始充放电时间满足分段正态分布，其概率密度函数为式中，μs为起始充电时间的数学期望值，拟合取值17.47；σs为起始充电时间的数学标准差，拟合取值3.41；t为起始充放电时间；所述总充电负荷pev的概率密度函数为式中，μev，σev分别表示总充电负荷pev的期望值和标准差。进一步，所述步骤s2中的二维空间转移概率矩阵pt为式中，表示(t-1)-t时间段内，出发地为di到目的地为dj的出行概率；所述状态转移概率矩阵的约束条件为进一步，所述步骤s3中的抽样得到n辆ev出行情况具体包括以下步骤：s301：根据汽车保有量和电动汽车渗透情况确定区域内电动汽车数量；s302：采用具有统计规律的行驶里程和行驶时间概率密度函数模拟，单辆电动汽车初始参数随机抽样；s303：设置初始值：电动汽车编号n＝1；s304：设置出行时间、里程初始i＝1，目的地采用具有统计规律的空间转移概率密度函数模拟抽样；s305：电动汽车模拟出行，更新电动汽车soc状态，并叠加充放电负荷曲线；s306：判定是否最后出行，否，转步骤s304；是，转步骤s307；s307：判定是否为最后一辆电动汽车，否，转步骤s303更新电动汽车编号n；是，转步骤s308；s308：输出n辆电动汽车时空随机充放电对电网的负荷需求。进一步，所述步骤s4中ev充电迫切程度γch,n为式中：tin,n和tout,n分别表示车辆n的接入时间和指定离网时间；ηch表示ev充电效率；tch,n表示车辆n的充电时间；socin,n和socex,n分别表示车辆n的电池初始荷电状态和离网时的荷电状态期望值；pch,n表示车辆n的额定充电功率；bc,n表示车辆n的电池容量；当额定充电功率为定值时，充电时间与停靠时间的比值越大反映越优先调度；当充电迫切度相同时，以下一调度时段充电迫切度确定调度顺序，充电迫切度越大越优先调度所述车辆n的放电充裕度为γdis,n为式中：ηdis表示ev放电效率；tdis,n表示车辆n的放电时间；pdis,n表示车辆n的额定放电功率；当额定放电功率为定值时，放电时间与停靠时间的比值越大越优先调度；当放电充裕度相同时，以下一调度时段放电充裕度确定调度顺序，放电充裕度越大越优先调度；进一步，所述步骤s5中多时段最优潮流的目标函数为式中：ct表示电网总运行成本；t表示调度时段数；cgen,t表示所有机组时段t的机组发电成本；pgen,i表示发电机i的有功出力；h表示发电机数目；ai、bi、ci分别表示发电机的耗量特性参数；cs,t表示所有机组时段t的启停成本；sgen,i表示机组启停费用；ui(t)表示时段t的机组启停状态，1表示正常运行，0表示停机；所述各节点电压约束为vmin≤vi(t)≤vmax，式中：vmin、vmax分别表示节点电压幅值的上下限；所述各节点潮流方程约束为pl,i(t)＝pev,i(t)+pla,i(t)式中：pg,i(t)、qg,i(t)分别表示时段t节点i发电机组的有功和无功出力；pl,i(t)、ql,i(t)分别表示时段t节点i负荷的有功和无功出力，将ev总负荷pev,i(t)和la总可中断负荷pla,i(t)加入到潮流方程；vi(t)、vj(t)分别表示时段t节点i、j的电压幅值；gij、bij分别表示系统导纳矩阵中支路i-j的电导和电纳；θij(t)表示时段t节点电压相角差；所述ev功率可调控域约束为pev,min(t)≤pev,i(t)≤pev,max(t)式中：pev,max(t)、pev,min(t)分别表示步骤s4中时间序列t功率可调控域上下限；所述la需求响应中断约束为pla,min≤pla,i(t)≤pla,max式中：pla,min、pla,max分别表示la总可中断负荷功率的上下限；pla,k(t)表示时段t第k个la的可中断功率；所述ev入网功率约束为|pev,i(t)+pla,i(t)|δt＝|qe,i,t|≤pgrid,i(t)δtsocmin≤socn(t)≤socmaxstatech,n(t)statedis,n(t)＝0式中：pev,i(t)和pla,i(t)分别表示时段t节点i的ev和la的响应变动的功率；pgrid,i(t)表示电网时段t节点i额定功率限制；pch,n和pdis,n分别表示车辆n的额定充电功率和额定放电功率；bc,n表示车辆n的电池容量；qe,i,t表示时段t节点i优化后变动的电能；i表示节点数目；ni(t)表示时段t节点i的ev数量；n表示ev总数量；δt表示单位时间间隔，取1h；statech,n(t)、statedis,n(t)分别表示时段t车辆n的充放电0-1状态变量，1表示充放电，0表示既不充电也不放电；socmin和socmax分别表示ev电池荷电状态最小值和最大值；ηch和ηdis分别表示ev充放电效率；ηself表示ev自放电系数；所述ev充放电时间约束为tin,n+tch,n≤tout,n式中：和tdis,n分别表示放电时间和修正放电时间；tin,n表示车辆n充电完成时间；tout,n表示车辆n确认参与放电后，只能释放部分电能时的放电时间。本发明的有益效果在于：计及空间特性的节点最优潮流电价模型能实现ev充放电的合理分布，放电集中在末端节点靠近负载，充电集中在始端节点靠近电源，有效降低系统运行经济成本，改善节点电压和节点电价分布情况，降低系统网损。附图说明为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：图1为n辆电动汽车时空随机充放电流程图；图2为优化调度策略流程图；图3为ieee33节点配电网示意图；图4为电网时段最差电压分布图；图5为优化后电网节点电价分布图；图6为节点时空功率调度图；图7为日充放电功率需求曲线图；图8为电网电压分布图；图9为电网节点电价分布图。具体实施方式下面将结合附图，对本发明的优选实施例进行详细的描述。1ev负荷时空分布概率及模拟抽样方法1.1ev时间分布概率考虑ev(电动汽车)和燃油汽车出行习惯相似性，结合美国交通部在2009年对全美家用47641条小型车辆使用情况的调查统计行驶数据(nationalhouseholdtravelsurvey,nhts)，其中96％的私家乘用车日常处于停驶状态，具有更多的可调控时间，灵活性高，因此本文以私家乘用车为研究对象进行分析。采用极大似然估计法对ev出行参数进行估计，ev日行驶距离符合对数正态分布；起始充放电时间满足分段正态分布。日行驶距离概率密度函数如式所示。式中：μd为日行驶距离的期望值，拟合取值2.98；σd为日行驶距离的标准差，拟合取值1.14；d表示ev日行驶距离，取值范围0≤d≤200,单位为km。ev随机起始充放电时间的概率密度函数如式(2)所示。式中：μs为起始充电时间的数学期望值，拟合取值17.47；σs为起始充电时间的数学标准差，拟合取值3.41。由式(1)～(2)及电池荷电状态特性，通过卷积运算可得单个ev的充电负荷期望值，应用中心极限定理推导出ev集群总充电负荷pev的概率密度函数如式所示：式中：μev、σev分别表示总充电负荷pev的期望值和标准差。从经济和电网角度出发，ev的放电行为无序随机状态即在高峰高电价时期接入电网并开始放电。1.2ev空间转移概率马尔科夫过程主要应用转移概率表征系统未来状态的发展趋势，以转移概率大小反映各随机状态的内在规律。如将每一个时间截面ev行驶目的地定义为一个状态，根据马尔科夫理论，ev下一个状态只是由当前状态决定。进一步将调度周期按照设定时间间隔离散化，即可利用m×m×m三维矩阵表征ev目的地空间转移概率矩阵，其中m为时间间隔离散后数目，m为出行目的地分类数目。对应任意时间间隔t的二维空间转移概率矩阵pt如式(4)所示。式中：表示(t-1)-t时间段内，出发地为di到目的地为dj的出行概率。针对状态转移概率矩阵中的元素表征连续时间间隔内的状态转移，本文忽略时间间隔内以自身为目的地或者停靠时间较短的状态转移情况，因为两者均可看作短暂停留的行程，均考虑不可能充放电是合理的。故状态转移概率矩阵的约束条件如下。大规模ev时空分布模拟抽样方法由1.1和1.2节分别得到的ev规模化总充电负荷pev概率情况和出行目的地的概率情况，进一步抽样得到n辆ev出行情况，得到ev规模化在时间序列对电网功率的初始需求，模拟抽样流程如图1所示。2计及功率可调控域的最优潮流模型如图2所示，考虑空间各节点电动汽车在时间序列对功率需求的紧迫程度有所不同，首先针对各时段电网空间各节点的ev充放电排序，得到时段内ev充放电对电网需求的功率可调控域(即功率最大值和最小值)，紧接着考虑节点实时电价对用户用电的引导作用，在ev功率可控域约束条件下求解基于电网运行经济成本最小化的节点电价最优潮流模型。2.1计及充电迫切度和放电充裕度的功率可调控域定义1充电迫切度γch为ev充电时间与停靠时间的比值，反应ev充电迫切程度。当额定充电功率为定值时，即充电时间长短能反映充电电量大小，充电时间与停靠时间的比值相当于单位时间内对电量的需求程度，比值越大反映越迫切，因此越优先调度；当充电迫切度相同时，以下一调度时段充电迫切度确定调度顺序，充电迫切度越大越优先调度。车辆n的充电迫切度γch,n的定义如式所示。式中：tin,n和tout,n分别表示车辆n的接入时间和指定离网时间；ηch表示ev充电效率；tch,n表示车辆n的充电时间；socin,n和socex,n分别表示车辆n的电池初始荷电状态和离网时的荷电状态期望值；pch,n表示车辆n的额定充电功率；bc,n表示车辆n的电池容量。定义2放电充裕度γdis为ev放电时间与停靠时间的比值，反应ev放电迫切程度。当额定放电功率为定值时，即放电时间长短能反映放电电量大小，放电时间与停靠时间的比值相当于单位时间内对电量的充裕程度，比值越大即后续可调控时间相对更小，优先调度；当放电充裕度相同时，以下一调度时段放电充裕度确定调度顺序，放电充裕度越大越优先调度。放电充裕度的定义如式所示。式中：ηdis表示ev放电效率；tdis,n表示车辆n的放电时间；pdis,n表示车辆n的额定放电功率。根据确认的调度顺序，进一步确定时间序列功率可调控域上下限。当尽可能让ev充电在可调时间区间始端，即为当前时段功率可调控域上限；当尽可能让ev充电不在可调时间区间始端和尽可能放电在可调时间区间始端，即为当前时段可调控域下限。即将确定性的pev,i(t)转换为可变的变量。2.2计及功率可调控域的最优潮流节点电价模型实时电价能以更短的时间周期更新，能够较为准确的反映各个时段电网供电边际成本和用户侧需求变化，即能较好的克服传统分时电价的不足。因此，本文考虑空间各节点ev功率可调控域约束和la需求响应中断约束建立改进后的节点电价最优潮流模型。以周期内全部常规发电机组的燃料费用(或总成本)、机组启停成本即运行经济成本最小化为目标函数，多时段最优潮流的目标函数如式所示。式中：ct表示电网总运行成本；t表示调度时段数；cgen,t表示所有机组时段t的机组发电成本；pgen,i表示发电机i的有功出力；h表示发电机数目；ai、bi、ci分别表示发电机的耗量特性参数；cs,t表示所有机组时段t的启停成本；sgen,i表示机组启停费用；ui(t)表示时段t的机组启停状态，1表示正常运行，0表示停机。约束条件：节点电压约束vmin≤vi(t)≤vmax(14)式中：vmin、vmax分别表示节点电压幅值的上下限。节点潮流方程约束pl,i(t)＝pev,i(t)+pla,i(t)(16)式中：pg,i(t)、qg,i(t)分别表示时段t节点i发电机组的有功和无功出力；pl,i(t)、ql,i(t)分别表示时段t节点i负荷的有功和无功出力，将ev总负荷pev,i(t)和la总可中断负荷pla,i(t)加入到潮流方程；vi(t)、vj(t)分别表示时段t节点i、j的电压幅值；gij、bij分别表示系统导纳矩阵中支路i-j的电导和电纳；θij(t)表示时段t节点电压相角差。ev功率可调控域约束pev,min(t)≤pev,i(t)≤pev,max(t)(17)式中：pev,max(t)、pev,min(t)分别表示经2.1节优化排序后时段t功率可调控域上下限。la可中断功率约束pla,min≤pla,i(t)≤pla,max(18)式中：pla,min、pla,max分别表示la总可中断负荷功率的上下限；pla,k(t)表示时段t第k个la的可中断功率。ev入网功率约束|pev,i(t)+pla,i(t)|δt＝|qe,i,t|≤pgrid,i(t)δt(20)socmin≤socn(t)≤socmax(22)statech,n(t)statedis,n(t)＝0(23)式中：pev,i(t)和pla,i(t)分别表示时段t节点i的ev和la的响应变动的功率；pgrid,i(t)表示电网时段t节点i额定功率限制；pch,n和pdis,n分别表示车辆n的额定充电功率和额定放电功率；bc,n表示车辆n的电池容量；qe,i,t表示时段t节点i优化后变动的电能；i表示节点数目；ni(t)表示时段t节点i的ev数量；n表示ev总数量；δt表示单位时间间隔，取1h；statech,n(t)、statedis,n(t)分别表示时段t车辆n的充放电0-1状态变量，1表示充放电，0表示既不充电也不放电；socmin和socmax分别表示ev电池荷电状态最小值和最大值；ηch和ηdis分别表示ev充放电效率；ηself表示ev自放电系数。ev充放电时间约束tin,n+tch,n≤tout,n(25)式中：和tdis，n分别表示放电时间和修正放电时间；表示修正放电时间。式表示车辆n充电完成时间在离开时间之前，即保证用户未来出行需求；式表示车辆n确认参与放电后，只能释放部分电能时对放电时间进行修正。模型优化得到空间各个节点时间序列变动的电能qe，潮流方程的拉格朗日乘子即为节点电价，进一步建立基于空间各个节点计及时间尺度的充放电电价优化调度模型响应qe，纳入用户侧需求响应的情况，引导la改变用电方式和确定ev用户具体的充放电时间，达到削峰填谷的和降低用户用电费用的目的。3算例数据及基础模型考虑ev时空充放电均在配电网，故参考文献(hel,yangj,yanj,etal.abi-layeroptimizationbasedtemporalandspatialschedulingforlarge-scaleelectricvehicles[j].appliedenergy,2016,168:179-192.)修改ieee33节点配电系统为例，验证本文所提模型和算法的有效性，节点目的地分类及电网的拓扑结构见图3，发电侧和配电网用户通过简化的变压器和输电线路连接，节点1连接的机组参数及相关系数如下表：表a1ieee33节点系统机组参数注：发电机g1～g3位于节点1。表a2高赔偿可中断负荷参数表a3典型日各时段节点负荷(单位:mw)基准容量100mva，电压等级12.66kv。选取节点2、21、24作为办公区负荷接入点，节点6、10、30作为商业休闲区负荷接入点，节点16、18、33作为居民区负荷接入点，各节点均安装有ev充放电设备和智能控制终端。la可中断容量取实时负荷的10％，高赔偿可中断负荷参数和响应可靠性水平见表a2。ev相关参数和数量求取参考文献(李振坤,田源,董成明,等.基于随机潮流的含电动汽车配电网内分布式电源规划[j].电力系统自动化,2014,38(16):60-66.lizhenkun,tianyuan,dongchengming,etal.distributedgeneratorsprogrammingindistributionnetworkinvolvingvehicletogridbasedonprobabilisticpowerflow[j].automationofelectricpowersystems,2014,38(16):60-66.)，电池补偿成本参考文献(杨甲甲,赵俊华,文福拴,等.含电动汽车和风电机组的虚拟发电厂竞价策略[j].电力系统自动化,2014,38(13):92-102.yangjiajia,zhaojunhua,wenfushuan,etal.developmentofbiddingstrategiesforvirtualpowerplantsconsideringuncertainoutputsfromplug-inelectricvehiclesandwindgenerators[j].automationofelectricpowersystems,2014,38(13):92-102.)，渗透率选择50％，典型日ev时空充放电典型抽样充放电负荷曲线如图7所示，各节点la叠加ev日充放电曲线后，典型日节点有功功率数据表a3所示。截断分布的上限δmax＝qdis,n，对应ev用户持续响应放电电价直到调度完成；其截断分布的下限δmin＝0，对应ev用户未参与响应，均值和方差设定为u＝0,σ＝qdis,n。基础算例考虑在ev初始抽样充放电接入电网情况下，结合节点负荷数据对其进行最优潮流计算，得到时空电压分布和各节点电价情况，如图8和图9所示。从电压分布看出，节点18、33在负荷高峰时段14、19出现电压低于0.95，对电网稳定运行带来威胁。从节点电价分析，时间尺度上不同负载对应有不同的节点电价，例如负荷高峰时段14-19对应较高的节点电价，负荷低谷时段9以前对应较低的节点电价，为时间尺度的需求响应提供了保障；空间维度上，同一时段各节点电价各不相同，为空间维度的需求响应提供了条件。3.2计及空间特性的节点电价最优潮流模型优化图4明显看出经过空间最优潮流优化后电压明显提升，负荷高峰时期电压为0.971相比于基础模型0.942提高3％，为电网的安全可靠运行提供了保障。图5节点电价分布，对比图9可看出节点电价在负荷低谷时段1-9和时段22-24有所上升，负荷高峰时段节点11-20电价明显下降。典型日ev充放电时空调度结果如图6所示。由图知负荷功率增加主要集中在节点2，6，16，33，负荷功率削减主要集中在10，18，21，24，30。33节点配网为典型的放射型网络，功率潮流由1节点(电源)到末端节点(负载)，因此，系统空间最优潮流优化调度时，同一区域类调度ev充电靠近电源侧，调度la需求响应和ev放电在末端节点，均能降低网损，提高电网运行经济成本，与网损和运行经济成本结果相一致，如下表。网损和运行经济成本对比算例网损(mw)运行经济成本($)随机抽样基础模型4.4761194212空间最优潮流模型2.4898180887最后说明的是，以上优选实施例仅用以说明本发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本发明权利要求书所限定的范围。当前第1页12