本发明涉及电动汽车出行调度领域，尤其是涉及一种考虑电动汽车出行相关性的机组组合调度方法。
背景技术：
：电动汽车与电网互动技术(vehicletogrid，v2g)的提出使得电动汽车可看作一种分布式储能装置，通过对其充放电的引导使其能在空闲时段为电网服务，带来削峰填谷、减少系统成本的好处。因此，为充分利用v2g技术来创造经济效益，含电动汽车的机组组合问题得到广泛关注。电动汽车的出行特性参数包括接入时间、离网时间、日行驶里程以及每时段的接入车辆数等，这些行驶特性具有很强的随机性。针对电动汽车出行随机性的研究，现有文献普遍基于电动汽车的车辆行驶数据统计构造。《电动汽车最优充电模型及其近似求解方法》通过对全美家用车辆的调查结果nhts的调查结果数据进行分析，拟合估计出车车辆行驶数据的概率分布，通过蒙克卡罗抽样方法计算电动汽车的充电负荷。《电动汽车充电功率需求的统计学建模方法》、《modelingofloaddemandduetoevbatterychargingindistributionsystems》、《statisticalchargingloadmodelingofphevsinelectricitydistributionnetworksusingnationaltravelsurveydata》、《插电式混合电动汽车充电对配电网的影响》构造了单辆电动汽车的充电负荷概率模型，再利用蒙特卡洛抽样多台ev的充电需求分布。《电动汽车充电负荷计算方法》研究了私家车、出租车、公交车的出行特性，并通过对其充电预测得出实时充电优化策略。然而，上述文献普遍采取随机抽样方法，假定车辆的行驶特性之间相互独立，而实际中，车辆的出行参数之间存在着相关性，因此，对电动汽车进行调度计划时需要考虑电动汽车出行特性的相关性。利用v2g技术可以很好的优化机组组合问题，通过制定电动汽车的充放电计划，在满足用户出行特性的条件下合理的分配电动汽车充放电功率及充放电时间，以此实现资源利用的最大化。然而现有技术文献把电动汽车在各时段的数量作为优化变量，以额定容量进行调度，没有考虑电动汽车充放电功率的变化，电动汽车调度的灵活性较差，因此，对电动汽车充放电方式可作进一步研究。大量的电动汽车并入电网会对电网的稳定运行产生一定冲击，制定合理的电动汽车调度计划能有效缓解电网中线路潮流功率过大的压力。在考虑电动汽车容量及出行约束条件下，优化机组出力的同时优化电动汽车的充放电计划，以此作为电动汽车调度的优化方案。《换电站与电网协调的多目标双层实时充放电调度方法》研究电动汽车换电站与电网协调优化的双层实时充放电调度模型，在电网负荷波动最小的条件下实现调度偏差最小。《以降损为目标的电动汽车有序充电优化》通过建立电动汽车有序充电方案减少了配网网损，改善了配网电压水平。上述文献均未计及电网的线路潮流约束，为避免在对电动汽车进行充放电计划安排时出现线路越限问题，保证系统的安全性，电动汽车的并网调度问题还需进一步研究。技术实现要素：本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种考虑电动汽车出行相关性的机组组合调度方法。本发明的目的可以通过以下技术方案来实现：一种考虑电动汽车出行相关性的机组组合调度方法，其特征在于，包括以下步骤：1)获取各类型电动汽车的行驶特性，包括离开时刻、接入时刻和日行驶里程；2)根据各类型电动汽车行驶特性的概率密度函数，进行拉丁超立方抽样生成数据矩阵r0(v)＝[r0out(v)r0in(v)r0d(v)]，其中，r0out(v)、r0in(v)和r0d(v)分别表示第v类电动汽车的离开时刻、接入时刻以及日行驶里程的数据矩阵；3)利用spearman秩相关系数获取数据矩阵中离开时刻、接入时刻以及日行驶里程的相关性；4)利用copula模型生成各类车型的车辆行驶特性数据，并建立具有相关性的车辆离开时刻、接入时刻以及日行驶里程的场景矩阵，并进行场景缩减；5)以火电机组总成本最小为调度目标建立含电动汽车的随机机组组合模型；6)将随机机组组合模型中的非线性条件线性化；7)采用混合整数规划法对随机机组组合模型进行求解，获取各类型电动汽车的充放电功率以及机组启停计划统计信息。所述的步骤1)中，各类型电动汽车及其行驶特性具体为：11)私家车用户行驶特性：接入时间与离开时间均满足正态分布，日行驶里程满足对数正态分布；12)公交车用户行驶特性：仅在23：00-6:00之间进行充放电，日行驶里程满足对数正态分布；13)出租车的行驶特性：开始充电时间满足均匀分布，日行驶里程满足对数正态分布。所述的步骤2)中，各类型电动汽车行驶特性的概率密度函数具体为：21)私家车的离开时刻为一天内车辆第一次出行时刻，获取其均值μ1和标准差σ1，则其概率密度函数f1(x)为：私家车的接入时刻为一天内车辆结束出行时刻，获取其均值μ2和标准差σ2，则其概率密度函数f2(x)为：获取私家车的日行驶里程d的均值μ3和标准差σ3，则其概率密度函数f3(x)为：22)取公交车的车辆离开时间为6:00，车辆接入时间为23:00，获取公交车日行驶里程d(c,v)的均值μ4和标准差σ4，其概率密度函数f4(x)为：23)出租车的车辆接入时间满足均匀分布，在1-24小时间均匀取值，设出租车快速充电一小时，车辆离开时刻为：获取出租车日行驶里程的均值μ5和标准差σ5，其概率密度函数f5(x)为：所述的步骤4)具体包括以下步骤：41)对电动汽车的离开时间tout、接入时间tin以及日行驶里程d构建各边缘分布；42)选择正态copula函数并利用非参数核密度估计法进行估计，采用累计分布函数将原始数据转化为服从[0,1]间的均匀分布数据；43)采用伪极大似然估计对正态copula函数进行参数估计，获取参数矩阵；44)采用copula函数得出车辆信息的相关性数据；45)将车辆行驶特性数据中的离开时间、接入时间和日行驶里程三个数据的累计概率分布函数生成逆函数，利用copula函数生成具有相关性的可用于模型计算的场景矩阵r(v)＝[rout(v)rin(v)rd(v)]，其中rout(v)、rin(v)、rd(v)分别表示电动汽车离开时间、接入时间与日行驶里程的场景矩阵；46)利用同步回代场景缩减法对场景矩阵r(v)＝[rout(v)rin(v)rd(v)]进行场景缩减，用以在不减少精度情况下提高计算效率。所述的步骤5)中，含电动汽车的随机机组组合模型的目标函数为：cg(i,t)＝u(i,t)×(a(i)+b(i)p(c,i,t)+c(i)p2(c,i,t))其中，f1cost为总煤耗量，t为计划时段编号，t为计划时段总数，i为火电机组编号，n为火电机组总数，c为电动汽车出行预测场景编号，c为场景总数，π(c)为场景c对应的概率，cg(i,t)为运行成本，cu(i,t)为启动成本，cd(i,t)为停机成本，u(i,t)为机组i在t时段的运行状态的变量，u(i,t)＝1表示运行状态，u(i,t)＝0表示停行状态，a(i)，b(i)，c(i)为发电机组i的成本系数，p(c,i,t)为c场景下t时段火电机组i的功率，u(i,t)为机组i在t时段的运行状态矩阵，为机组i的热启动能耗，为机组i的冷启动能耗，toff(i)为机组i的停机时间，tcold(i)为机组i的冷启动时间，为机组i的停机能耗。所述的含电动汽车的随机机组组合模型的约束条件包括火电机组约束和电动汽车约束，对于火电机组，有以下约束条件：a)负荷平衡约束：其中，v为c场景下t时段所有电动汽车的类型，包括私家车、公交车和车租车，pch(c,e,v,t)表示c场景下所有v类车在t时段的充电功率，pdis(c,e,v,t)表示c场景下所有v类车在t时段的放电功率，d(t)为t时刻系统的最大负荷；b)系统备用需求：上备用约束：其中，为c场景t时刻下火电机i的功率上限，为t时段负荷的上备用需求；下备用约束：其中，p(c,i,t)为c场景t时刻下火电机组i的功率下限，k(t)为t时段负荷的下备用需求。c)机组出力约束：d)火电机组爬坡限制约束：火电机组爬坡限制约束包括机组的启机爬坡约束、机组的停机爬坡约束和机组连续运行爬坡约束；机组的启机爬坡约束：其中，su(i)为机组i启动爬坡限制，机组的停机爬坡约束：其中，sd(i)为机组i停机爬坡限制；机组连续运行爬坡约束：p(c,i,t-1)-p(c,i,t)≤ru(i)u(i,t-1)p(c,i,t)-p(c,i,t-1)≤rd(i)u(i,t)其中，ru(i)机组i上爬坡约束，rd(i)机组i下爬坡约束；e)火电机组最小启停约束。[u(i,t-1)-u(i,t)][m(i,t-1)-ut(i)]≥0[u(i,t)-u(i,t-1)][-m(i,t-1)-dt(i)]≥0其中，ut(i)为机组i最小连续停机时间，dt(i)为机组i最小连续启动时间，m(i,t)为机组i在第t时段已连续运行或连续停机的时间；对于电动汽车，有以下约束：f)出行时段约束：当tin≤tout时，电动汽车只有在[tin,tout]之间进行充放电，则有：其中，v为电动汽车的类型编号，tin(c,e,v)为c场景下并入e节点所在区域第v类车单辆车的入网时刻，tout(c,e,v)为c场景下并入e节点所在区域第v类车单辆车的离网时刻，x(c,e,v,t)为c场景下t时段并入e节点所在区域第v类车单辆车在t时刻的充电状态，x(c,e,v,t)＝0表示此时车辆处于不充电状态，x(c,e,v,t)＝1表示此时车辆处于充电状态，y(c,e,v,t)为c场景下第v类车单辆车在t时刻的放电状态，y(c,e,v,t)＝0表示此时车辆处于不放电状态，y(c,e,v,t)＝1表示此时车辆处于放电状态；当tout≤tin时，电动汽车只有在[1,tin]u[tout,24]之间进行充放电，则有：g)电动汽车充放电功率约束：对于电动汽车，将电动汽车分区域分别接入不同节点时，不同类型电动汽车所接入的节点e每小时接入电动汽车数量会根据一定的停驶概率发生变化，电动汽车的充放电功率：pch(c,e,v,t)＝nev(c,e,v,t)×pvch(c,e,v,t)pdis(c,e,v,t)＝nev(c,e,v,t)×pvdis(c,e,v,t)nev(c,e,v,t)＝nevz(v)×ζ(e,v)×ρ(v,t)其中：pvch(c,e,v,t)为c场景下t时段并入节点e所在区域第v类车每辆车的充电功率，pvdis(c,e,v,t)为c场景下t时段并入节点e所在区域第v类车每辆车的放电功率，pch(c,e,v,t)和pdis(c,e,v,t)为规模化电动汽车的充放电功率，nev(c,e,v,t)为c场景下t时段并入节点e所在区域第v类车车辆总数，nevz(v)为城市内第v类车的车辆数，ζ(e,v)为在e节点所在区域v类车所占城市内第v类车的百分比，ρ(v,t)为第v类车在t时刻的车辆停驶概率；h)电量平衡约束：当电动汽车开始接入电网时，即t＝tin(c,e,v)时，则有：soc(c,e,v,t)＝soc0(c,e,v,t)其中，soc(c,e,v,t)为c场景下t时段并入e节点所在区域第v类车的电池百分比状态，soc0(c,e,v,t)为c场景下t时段并入e节点所在区域第v类车单辆车在t＝tin(c,v)时刻的初始电池荷电状态，soce(c,e,v)为c场景下并入e节点所在区域第v类车单辆车用户在离网时的电池荷电状态期望值，d(c,e,v)为c场景下并入e节点所在区域第v类车单辆车用户的日行驶里程，m(v)为第v类车的百公里耗电量，q(v)表示第v类车电池的最大电量值；当电动汽车在与电网连接时间段时，满足电动汽车的电量平衡：其中，q(v)为第v类车单辆车的最大电池容量，为单辆车的充电效率，δt为充放电时间间隔，为单辆车的放电效率。当电动汽车离开电网时，即t＝tout(c,e,v)时，车辆的电池状态满足用户的期望电量值，则有：soc(c,e,v,t)≥soce(c,e,v,t)；i)电动汽车的充放电功率限制：其中，为第v类车的充电功率上限，为第v类车的放电功率上限。j)电动汽车电池电量状态限制：其中，soc为车辆的电池荷电状态下限值，为车辆的电池荷电状态上限值；k)电池可放电深度约束：dod(c,e,v,t)＝soc(c,e,v,t)-soc(c,e,v,t-1)其中，dod(c,e,v,t)为电池的放电深度，为电池放电深度的最大值；l)电池充电限制：m)电池放电限制：n)加入网络静态安全约束：其中，pf(c,b,t)为c场景第b条支路在t时段的潮流功率，n为机组总数，nb为节点总数，e为电动汽车接入的节点，e为电动汽车接入节点的总数，sfg(b,i)为机组i对应的接入节点对线路b的转移因子，sfd(b,nd)为节点负荷nd对线路b的转移因子，sfev(b,e)为电动汽车接入节点e对线路b的转移因子；o)网络线路可传输功率上下限：其中，代表支路b的功率约束上限，pf(b)代表支路b的功率约束下限。与现有技术相比，本发明具有以下优点：一、快速可靠：本发明公开的方法能够快速可靠地计算出决策变量与电动汽车出行特性的概率分布，得出可靠精准的调度信息。二、可行性高：在电动汽车的出行随机特性中考虑其出行相关性，并在机组组合模型中计及网络安全约束，保证电动汽车调度的合理性以及电网的安全性，获得更具可行性的调度方案。三、适用范围广：在含电动汽车的随机机组组合模型中以电动汽车的充放电功率作为优化变量，更深一层挖掘电动汽车的调度空间，使调度结果更具灵活性，面对变量繁多的系统时，在求解电力系统中其他随机优化问题时具有巨大潜力。附图说明图1为方法流程图。图2为copula抽样建模流程图。图3为ieee39节点拓扑结构图。图4为各类型电动汽车每小时对应的停驶概率。图5为私家车考虑相关性充放电功率对比。图6为公交车考虑相关性充放电功率对比。图7为方案2各节点总充放电功率。图8为两种方案下节点3总充放电功率。图9为添入网络潮流约束后各支路功率。具体实施方式下面结合附图和具体实施例对本发明进行详细说明。实施例本发明提出了一种考虑电动汽车出行相关性的机组组合问题研究方法，本发明通过v2g技术把电动汽车充放电功率作为优化变量引入机组组合模型中，在考虑了线路潮流约束的条件上建立电动汽车并网调度的随机机组组合模型。该模型研究了各类电动汽车接入时间、离开时间以及日行驶里程之间的相关性，并利用copula函数进行相关性建模，生成具有相关性的出行数据。然后利用场景法建立各节点接入电动汽车相关场景矩阵，用矩阵r(v)表示，为了描述电动汽车的随机性，r(v)矩阵会非常庞大，如果直接求取大量场景下的调度结果，计算量、所占用的存储空间以及计算时间都非常巨大。为了减轻计算负担，采用同步回代技术进行场景缩减。本发明所建模型以调度周期内系统总成本最小为目标，同时满足各类型电动汽车的具有相关性的出行约束、火电机组的运行约束以及启停约束。随机机组组合模型是一个复杂的非线性模型，通过一定的线性化方法将目标函数里的运行成本，启动成本以及停机成本线性化后，再将火电机组中的最小连续运行约束以及最小连续停机约束线性化，最终将其表示为混合整数线性规划(mixedintegerlinearprogramming，milp)模型。最终，通过混合整数规划法进行求解，得出调度统计信息，包括各类型电动汽车的充放电时间、充放电功率以及对机组启停等信息。本方法建立了考虑电动汽车出行相关性的机组组合模型，并计及网络静态安全约束。为描述各类型电动汽车的接入时间、离开时间以及日行驶里程之间的相关性，利用copula函数生成具有相关性的车辆行驶数据。为了保证网络线路的潮流安全稳定，机组组合模型中引入网络静态安全约束，使电动汽车在各时段的充放电调度计划合理分配到网络节点中。本发明验证了电动汽车出行随机特性中具有相关性，考虑电动汽车出行相关性对车辆调度计划的准确性有一定影响，在调度过程中需要予以考虑；同时，在对电动汽车进行调度时以充放电功率作为变量进行优化可更充分地反映车辆的充放电需求；此外增加网络静态安全约束后，保证了潮流功率不越限，增加了系统运行的安全性。为论证本文提出的一种考虑电动汽车出行相关性的机组组合问题研究方法，结合ieee10机39节点系统进行测试，系统拓扑图3所示，火电机组以及网络节点负荷参数取自10机组仿真模型。各类电动汽车的参数以及行驶参数如使用表1所示，依照某城市区域内各类电动汽车的数量比例，公交车、出租车、私家车与公务车比例为0.012:0.028:0.84:0.12，本章为方便计算，将公务车舍去，车辆数并入私家车一列，即公交车、出租车与私家车的比例为0.012:0.028:0.96，设城市车辆总数为40万，其中城市中电动公交车、出租车以及私家车的占比分别为15％、15％、10％，相应车辆数为720、1680与38400辆。各类型电动汽车每小时对应的停驶概率ρ(v,t)如图4所示，根据ρ(v,t)可计算各类型电动汽车每小时对应的停驶概率，电动汽车的接入节点e取3、13、23，各类电动车在对应节点的车辆比例如表2所示。电动汽车的荷电状态上下限soc分别取1和0.2，充放电效率取0.95，可放电深度最大值设置为36.2％。表1各类电动汽车参数设置车辆参考电池最大充最大放百公里充电类型车型容量电功率电功率耗电量模式私家车日产leaf244.81212常规公交车比亚迪k93248016285常规出租车比亚迪e660————19.5快充表2各类型电动汽车在各节点数量占比实施例1：为论证本文提出的一种考虑电动汽车出行相关性的机组组合问题研究方法，研究电动汽车出行特性中的离开时间、接入时间以及日行驶里程数据之间的相关性。对电动汽车对于单台电动汽车，其soc的初始值与电动汽车的日行驶里程d有关，而充放电的时间区间与车辆的每日首次离开时刻tout以及每日首次接入时刻tin有关。以单台私家车的行驶特性为例，通过提取nhts中电动汽车的离开时刻、接入时刻以及日行驶里程3类数据，并利用非参数核密度估计法估计这三类数据的概率密度，而后得出概率密度函数。然后利用拉丁抽样法对进行抽样，建立数据矩阵r0(v)＝[r0out(v)r0in(v)r0d(v)]，然后通过spearman秩相关系数对这3类数据进行相关性分析，spearman秩相关系数矩阵可以很好的衡量非正态变量之间的关联强弱程度。因此，在提取车辆的离开时刻、接入时刻以及日行驶里程三个变量的场景矩阵r(v)＝[rout(v)rin(v)rd(v)]后，通过计算这三者的spearman秩相关系数如下：s(1,2)＝0.0364表示车辆的离开时间与接入时间之间的spearman秩相关系数为0.0364，近似等于0，这说明车辆的接入时间以及离开时间之间几乎不存在相关性，两者近似于完全随机；s(1,3)＝-0.5984显示车辆的离开时间与日行驶里程的spearman秩相关系数为负值且小于-0.5，这表明两者间存在一定的相关性，说明车辆每天的离开时间越早，其日行驶里程可能越大；s(1,3)＝0.7357显示车辆的接入时间与日行驶里程的spearman秩相关系数为正数且大于0.5，这表明具有一定的相关性，说明车辆每天的接入时间越晚，其日行驶里程可能会越大。因此，分析表明，车辆的行驶数据之间存在着相关性，若假设各变量独立，所建的模型将与实际不符。因此，利用copula模型生成各类车型的车辆行驶特性数据，利用场景法，建立包含各类车型的车辆离开时刻，接入时刻以及日行驶里程的数据矩阵，在生成的10000个样本的基础上，利用同步回代技术进行缩减运算，缩减为样本个数为100个场景进行计算。图5、图6显示私家车和公交车在考虑出行相关性与不考虑出行相关性下电动汽车的充放电功率，出租车的出行主要以运营为主要目的，其出行特性之间不存在相关性。而私家车以及公交车由于受到出行特性间相关性的影响，在制定电动汽车的充放电计划安排上与不考虑出行相关性会产生一定差异，且若不考虑相关性，有可能会出现车辆一日内接入电网的时间区间达到22小时以上，但是一日内的车辆日行驶里程却很大，这不符合车辆的实际行驶规律，最终会影响车辆调度的准确性。因此，在考虑了电动汽车出行特性间的相关性后，得出的电动汽车充放电功率综合考虑了实际中出行数据之间的联接性，与现实车辆出行情况更贴切。实施例2：为论证本文提出的一种考虑电动汽车出行相关性的机组组合问题研究方法，研究以电动汽车充放电功率作为变量进行优化调度对优化方案的影响，开展以下两种方案的对比分析：方案1：以各个时刻电动汽车的充放电车辆数作变量，优化出电动汽车的充放电计划。方案2：以电动汽车的充放电功率作为变量，通过对电动汽车充放电功率大小以及充放电时段的调整与平移，优化出电动汽车的充放电计划。假设两种方案种系统中各时段各节点的接入的电动汽车数量相同，方案1中各类电动汽车的充放电功率为定值，采用额定充放电功率。图7显示了方案2下各节点在各时段电动汽车的平均充放电功率。以节点3为例，表3、表4分别显示了方案1下各类电动汽车的各时段的充放电数量以及相应的充放电功率；表5显示了方案2下各类电动汽车的各时段充放电功率；图8显示了两种方案下节点3的总充放电功率分布情况。由图8可以看出，若采用方案1的优化调度计划，各类车的充放电功率都采用定值，而车辆的数量为变量，所优化出来的放电效果远大于方案2下的放电效果。在采用方案1进行制定调度方案时，会过大的估计电动汽车的调度能力，且优化结果不灵活，仅满足用户接入以及离开的时间，无法满足用户对最后出行电量的需求，与实际情况产生偏差。因此，在制定电动汽车充放电计划时，采用电动汽车充放电功率大小作为变化量进行优化，可以更好的挖掘优化空间，改善优化效果。表3节点3各类型ev各时间段充电数量及对应充电功率表4节点3各类型ev各时间段放电数量表5方案2下各类ev充放电功率实施例3：为论证本文提出的一种考虑电动汽车出行相关性的机组组合问题研究方法，研究电动汽车并网后网络潮流约束对节点支路潮流的影响，将模型中的网络潮流约束取消后进行计算，采用1、1.5、2、2.5、3倍系统原负荷进行仿真运算，对比观察节点系统增加负荷后的网络潮流越限情况。表6显示不同大小的系统负荷下支路潮流的越限情况。当系统负荷为原负荷时，系统中仅有2条支路越限；当系统负荷增加为原来的1.5倍时，越限支路数为3条，过载量有一定的增幅；当系统负荷增加为原来的2倍时，越限支路数增加到7条，且过载量也由数十兆瓦增加到数百兆瓦；当系统负荷增加为原来的2.5倍时，越限支路数增加到11条，过载量翻倍；当系统负荷增加为原来的3倍时，越限支路数达到13条，过载量也达到上千兆瓦。图9显示添入网络潮流约束后各支路功率情况。同比不添加潮流约束的情形下，当系统负荷为原负荷时，加入网络潮流约束后，支路37与支路44的功率都能限制在要求范围内，各支路功率也均未越限。因此，电动汽车参与电力系统调度时，需要对各支路的网络潮流进行约束，使之在规定的传输容量范围内，避免因传输容量不足而对电力系统的稳定性产生影响，使系统能在合理调度大规模电动汽车的条件下保障安全性。表6情形1下节点系统越限支路潮流情况当前第1页12