集群电动汽车的多模式调频方法、装置、设备及介质与流程

1.本发明涉及车网互联技术领域，具体涉及一种集群电动汽车的多模式调频方法、装置、设备及介质。


背景技术：

2.随着电池技术和车电互联技术的快速发展，利用电动汽车的移动储能特性和电池的快速响应能力来弥补新能源电力系统调频资源的不足，已成为当前研究的热点。与集中式储能电站不同，单台电动汽车由于其功率小、容量小，会使得用户用车行为呈现不确定性，进而导致对单台电动汽车直接控制的难度极大，因此相比之下，集群电动汽车更适合参与电网调控。但是，集群电动汽车群体数量多、分布广，其无序充电反而会加大峰谷差、且由于充放电转换次数过多降低电能质量，甚至对系统安全稳定运行造成负面影响。因此，如何提供一种调频方法以合理针对集群电动汽车的多种模式进行调控，是本领域亟待解决的技术问题。


技术实现要素：

3.本发明的目的在于提供一种集群电动汽车的多模式调频方法、装置、设备及介质，以解决现有技术中电动汽车调频难度大、影响电能质量且安全性低的问题。
4.为了克服上述现有技术中的缺陷，本发明提供了一种集群电动汽车的多模式调频方法，包括：
5.基于电动汽车充电、放电、闲置状态下的负荷动态转移模型及充电、放电与闲置状态间的切换过程，构建集群电动汽车的多状态切换控制模型；
6.根据所述多状态切换控制模型，计算所述集群电动汽车的实时可调功率，并对所述实时可调功率的范围进行分段处理；
7.根据所述分段处理的结果，判断agc指令所属分段并设计相应的控制模式，根据所述控制模式构建集群电动汽车的多模式调频方式。
8.进一步地，所述电动汽车充电状态下的负荷动态转移模型为：
9.x
c
(k+1)＝a
c
x
c
(k)+v
c
(k)
10.式中，x
c
(k)为n维列向量，表示k时刻充电状态下各个soc区间内的负荷量；v
c
(k)为n维列向量，表示k时刻每个区间内新加入或脱离充电状态的负荷量；a
c
为充电状态下的状态转移矩阵；
11.其中，x
c
(k)，v
c
(k)及a
c
分别满足：
12.x
c
(k)＝[x
c
(k,1),
…
,x
c
(k,i),
…
,x
c
(k,n)]
t
[0013]
v
c
(k)＝[v
c
(k,1),v
c
(k,2),
…
,v
c
(k,n)]
t
[0014][0015]
式中，表示充电过程中soc区间i
c
与i
c
+1之间的转移概率；表示充电完成的负荷量占区间n总负荷量的比重。
[0016]
进一步地，所述电动汽车放电状态下的负荷动态转移模型为：
[0017]
x
d
(k+1)＝a
d
x
d
(k)+v
d
(k)
[0018]
式中，x
d
(k)为n维列向量，表示k时刻放电状态下各个soc区间内的负荷量；v
d
(k)为n维列向量，表示k时刻每个区间内新加入或脱离放电状态的负荷量；a
d
为放电状态下的状态转移矩阵：
[0019][0020]
式中，表示放电过程中soc区间i
d
+1与i
d
之间的转移概率；表示放电完成的负荷量占区间1总负荷量的比重。
[0021]
进一步地，所述电动汽车闲置状态下的负荷动态转移模型为：
[0022]
x
l
(k+1)＝a
l
x
l
(k)+v
l
(k)
[0023]
式中，x
l
(k)为n维列向量，表示k时刻闲置状态下各个soc区间内的负荷量；v
l
(k)为n维列向量，表示k时刻每个区间内新加入或脱离闲置状态的负荷量；a
l
为n维单位阵，表示闲置状态下的状态转移矩阵。
[0024]
进一步地，所述集群电动汽车的多状态切换控制模型为：
[0025][0026]
式中，u1(k)、u2(k)、u3(k)均为n维列向量；a为3n
×
3n维的状态转移矩阵；b为3n
×
3n维的状态转移矩阵，用于描述状态切换过程；c为3n维的输出行向量，用于描述功率输出部分；v(k)＝[v
c
(k),v
l
(k),v
d
(k)]
t
；y(k)为总输出功率。
[0027]
其中，a、b、c分别为：
[0028][0029][0030][0031]
式中，0则表示n维零矩阵；i表示n维单位阵；表示集群电动汽车采用最大功率充电；表示集群电动汽车采用最大功率放电。
[0032]
进一步地，所述对所述实时可调功率的范围进行分段处理，包括将所述实时可调功率分为实时可下调功率与实时可上调功率；其中，
[0033]
所述实时可下调功率分为第一段、第二段及第三段：
[0034]
当u1(k+1)＝x
c
(k)，u2(k+1)＝0且u3(k+1)＝0时，使功率下调p1‑
，得到区间[0,p1‑
]为第一段；
[0035]
当u1(k+1)＝x
c
(k)，u2(k+1)＝0且u3(k+1)＝x
l
(k)时，使功率下调p2‑
，得到区间(p1‑
,p2‑
]为第二段；
[0036]
当u1(k+1)＝0，u2(k+1)＝x
c
(k)且u3(k+1)＝x
l
(k)，使功率下调p3‑
，得到区间为第三段；
[0037]
所述实时可上调功率分为第四段、第五段及第六段：
[0038]
当u1(k+1)＝0，u2(k+1)＝0且u3(k+1)＝
‑
x
d
(k)时，使功率上调p
1+
，得到区间[0,p
1+
]为第四段；
[0039]
当u1(k+1)＝
‑
x
l
(k)，u2(k+1)＝0且u3(k+1)＝
‑
x
d
(k)时，使功率上调p
2+
，得到区间(p
1+
,p
2+
]为第五段；
[0040]
当u1(k+1)＝
‑
x
l
(k)，u2(k+1)＝
‑
x
d
(k)且u3(k+1)＝0时，使功率上调p
3+
，得到区间为第六段。
[0041]
进一步地，所述集群电动汽车的多模式调频方式包括：
[0042]
第一控制模式、第二控制模式、第三控制模式、第四控制模式、第五控制模式及第六控制模式；
[0043]
当所述集群电动汽车处于所述第一段时，采用所述第一控制模式，且对应的状态空间表达式、控制目标以及约束条件分别为：
[0044]
[0045]
min j＝q
t
||y
p
(k)
‑
p
t
(k)||2+u(k)
t
q
u
u(k)
[0046]
s.t.0≤u1(k+i|k)≤x
c
(k),i＝0,1,2
…
m
‑1[0047]
式中，x1(k)表示第一控制模式下的总状态变量，是该模式下充电、闲置、放电三种状态变量的汇总，即y1(k)为第一控制模式下系统的输出功率；y
p
(k)为k时刻预测模型的输出序列；p
t
(k)为k时刻调频功率指令组成的序列；||y
p
(k)
‑
p
t
(k)||2为输出量预测值与参考信号的误差项，且q
t
为误差项所占权重；u(k)
t
q
u
u(k)是为减小电动汽车状态切换次数而引入的控制约束项，q
u
为u(k)
t
q
u
u(k)项的权重矩阵；m表示模型预测控制中的控制步长；
[0048]
当所述集群电动汽车处于所述第二段时，采用所述第二控制模式，且对应的状态空间表达式、控制目标以及约束条件分别为：
[0049][0050]
min j＝q
t
||y
p
(k)
‑
p
t
(k)||2+u(k)
t
q
u
u(k)+q
o
(cx(k+1))2[0051]
s.t.0≤u1(k+i|k)≤x
c
(k),i＝0,1,2
…
m
‑1[0052]
0≤u3(k+i|k)≤x
l
(k),i＝0,1,2
…
m
‑1[0053]
式中，x2(k)表示第二控制模式下的总状态变量，是该模式下充电、闲置、放电三种状态变量的汇总，即y2(k)为第二控制模式下系统的输出功率；y
p
(k)为k时刻预测模型的输出序列；p
t
(k)为k时刻调频功率指令组成的序列；||y
p
(k)
‑
p
t
(k)||2为输出量预测值与参考信号的误差项，且q
t
为误差项所占权重；u(k)
t
q
u
u(k)是为减小电动汽车状态切换次数而引入的控制约束项，q
u
为u(k)
t
q
u
u(k)项的权重矩阵；m表示模型预测控制中的控制步长；q
o
(cx(k+1))为用于增大闲置状态比例和减少集群电动汽车充放电功率的相互抵消的项，q
o
为q
o
(cx(k+1))项的权重系数；
[0054]
当所述集群电动汽车处于所述第三段时，采用所述第三控制模式，且对应的状态空间表达式、控制目标以及约束条件分别为：
[0055][0056]
min j＝q
t
||y
p
(k)
‑
p
t
(k)||2+u(k)
t
q
u
u(k)+q
o
(cx(k+1))2[0057]
s.t.u1(k+i|k),u2(k+i|k),u3(k+i|k)≥0
[0058]
u1(k+i|k)+u2(k+i|k)≤x
c
(k)
[0059]
u3(k+i|k)≤x
l
(k),i＝1,2,3
…
m
[0060]
式中，x3(k)表示第三控制模式下的总状态变量，是该模式下充电、闲置、放电三种状态变量的汇总，即y3(k)为第三控制模式下系统的输出功率；y
p
(k)为k
时刻预测模型的输出序列；p
t
(k)为k时刻调频功率指令组成的序列；||y
p
(k)
‑
p
t
(k)||2为输出量预测值与参考信号的误差项，且q
t
为误差项所占权重；u(k)
t
q
u
u(k)是为减小电动汽车状态切换次数而引入的控制约束项，q
u
为u(k)
t
q
u
u(k)项的权重矩阵；m表示模型预测控制中的控制步长；q
o
(cx(k+1))为用于增大闲置状态比例和减少集群电动汽车充放电功率的相互抵消的项，q
o
为q
o
(cx(k+1))项的权重系数；
[0061]
当所述集群电动汽车处于所述第四段时，采用所述第四控制模式，且对应的状态空间表达式、控制目标以及约束条件分别为：
[0062][0063]
minj＝q
t
||y
p
(k)
‑
p
t
(k)||2+u(k)
t
q
u
u(k)
[0064]
s.t.
‑
x
d
(k)≤u3(k+i|k)≤0,i＝0,1,2
…
m
‑1[0065]
式中，x4(k)表示第四控制模式下的总状态变量，是该模式下充电、闲置、放电三种状态变量的汇总，即y4(k)为第四控制模式下系统的输出功率；y
p
(k)为k时刻预测模型的输出序列；p
t
(k)为k时刻调频功率指令组成的序列；||y
p
(k)
‑
p
t
(k)||2为输出量预测值与参考信号的误差项，且q
t
为误差项所占权重；u(k)
t
q
u
u(k)是为减小电动汽车状态切换次数而引入的控制约束项，q
u
为u(k)
t
q
u
u(k)项的权重矩阵；m表示模型预测控制中的控制步长；
[0066]
当所述集群电动汽车处于所述第五段时，采用所述第五控制模式，且对应的状态空间表达式、控制目标以及约束条件分别为：
[0067][0068]
min j＝q
t
||y
p
(k)
‑
p
t
(k)||2+u(k)
t
q
u
u(k)+q
o
(cx(k+1))2[0069]
s.t.
‑
x
l
(k)≤u1(k+i|k)≤0,i＝0,1,2
…
m
‑1[0070]
‑
x
d
(k)≤u3(k+i|k)≤0,i＝0,1,2
…
m
‑1[0071]
式中，x5(k)表示第五控制模式下的总状态变量，是该模式下充电、闲置、放电三种状态变量的汇总，即y5(k)为第五控制模式下系统的输出功率；y
p
(k)为k时刻预测模型的输出序列；p
t
(k)为k时刻调频功率指令组成的序列；||y
p
(k)
‑
p
t
(k)||2为输出量预测值与参考信号的误差项，且q
t
为误差项所占权重；u(k)
t
q
u
u(k)是为减小电动汽车状态切换次数而引入的控制约束项，q
u
为u(k)
t
q
u
u(k)项的权重矩阵；m表示模型预测控制中的控制步长；q
o
(cx(k+1))为用于增大闲置状态比例和减少集群电动汽车充放电功率的相互抵消的项，q
o
为q
o
(cx(k+1))项的权重系数；
[0072]
当所述集群电动汽车处于所述第六段时，采用所述第六控制模式，且对应的状态空间表达式、控制目标以及约束条件分别为：
[0073][0074]
min j＝q
t
||y
p
(k)
‑
p
t
(k)||2+u(k)
t
q
u
u(k)+q
o
(cx(k+1))2[0075]
s.t.u1(k+i|k),u2(k+i|k),u3(k+i|k)≤0
[0076]
u2(k+i|k)+u3(k+i|k)≥
‑
x
d
(k)
[0077]
u1(k+i|k)≥
‑
x
l
(k),i＝1,2,3
…
m
[0078]
式中，x6(k)表示第六控制模式下的总状态变量，是该模式下充电、闲置、放电三种状态变量的汇总，即y6(k)为第六控制模式下系统的输出功率；y
p
(k)为k时刻预测模型的输出序列；p
t
(k)为k时刻调频功率指令组成的序列；||y
p
(k)
‑
p
t
(k)||2为输出量预测值与参考信号的误差项，且q
t
为误差项所占权重；u(k)
t
q
u
u(k)是为减小电动汽车状态切换次数而引入的控制约束项，q
u
为u(k)
t
q
u
u(k)项的权重矩阵；m表示模型预测控制中的控制步长；q
o
(cx(k+1))为用于增大闲置状态比例和减少集群电动汽车充放电功率的相互抵消的项，q
o
为q
o
(cx(k+1))项的权重系数。
[0079]
本发明还提供了一种集群电动汽车的多模式调频装置，包括：
[0080]
控制模型构建单元，用于基于电动汽车充电、放电、闲置状态下的负荷动态转移模型及充电、放电与闲置状态间的切换过程，构建集群电动汽车的多状态切换控制模型；
[0081]
分段处理单元，用于根据所述多状态切换控制模型，计算所述集群电动汽车的实时可调功率，并对所述实时可调功率的范围进行分段处理；
[0082]
调频方式构建单元，用于根据所述分段处理的结果，判断agc指令所属分段并设计相应的控制模式，根据所述控制模式构建集群电动汽车的多模式调频方式。
[0083]
本发明还提供了一种终端设备，包括：
[0084]
一个或多个处理器；
[0085]
存储器，与所述处理器耦接，用于存储一个或多个程序；
[0086]
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上任一项所述的集群电动汽车的多模式调频方法。
[0087]
本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行实现如上任一项所述的集群电动汽车的多模式调频方法。
[0088]
相对于现有技术，本发明的有益效果在于：
[0089]
本发明以电动汽车充电、放电、闲置三种状态的负荷动态转移模型为基础，结合三种状态的切换过程，构建了集群电动汽车多状态切换控制模型。该模型考虑了充电与放电状态间的直接转换，可以拓宽集群电动汽车的实时可调功率范围。基于多状态切换控制模型，本发明又对实时可调功率进行了分段处理，并为每个功率分段设计了相应的控制模式，提出了多模式调频方式。该方式可以有效减少集群电动汽车充放电直接转换次数，避免充放电功率的抵消，快速准确地跟踪电网agc指令。
附图说明
[0090]
为了更清楚地说明本发明的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，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。
[0091]
图1是本发明某一实施例提供的集群电动汽车的多模式调频方法的流程示意图；
[0092]
图2是本发明某一实施例提供的充电过程中相邻soc区间的概率转移示意图；
[0093]
图3是本发明某一实施例提供的放电过程中相邻soc区间的概率转移示意图；
[0094]
图4是本发明某一实施例提供的状态切换示意图；
[0095]
图5是本发明某一实施例提供的实时可调功率范围对比图；
[0096]
图6是本发明某一实施例提供的不同方式下充放电直接转换次数对比图；
[0097]
图7是本发明某一实施例提供的不同方式下充放电电动汽车数量对比图；
[0098]
图8是本发明某一实施例提供的agc指令跟踪结果图；
[0099]
图9是本发明某一实施例提供的集群电动汽车的多模式调频装置的结构示意图。
具体实施方式
[0100]
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，所描述的实施例仅仅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。
[0101]
应当理解，文中所使用的步骤编号仅是为了方便描述，不对作为对步骤执行先后顺序的限定。
[0102]
应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
[0103]
术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
[0104]
术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
[0105]
第一方面：
[0106]
请参阅图1，本发明某一实施例提供了一种集群电动汽车的多模式调频方法，包括：
[0107]
s10、基于电动汽车充电、放电、闲置状态下的负荷动态转移模型及充电、放电与闲置状态间的切换过程，构建集群电动汽车的多状态切换控制模型；
[0108]
在本实施例中，首先需要构建电动汽车充电、放电、闲置状态下的负荷动态转移模型，其中，将电动汽车的soc离散为n个区间，并用x表示相应区间的负荷量，则电动汽车充电状态下的负荷动态转移模型为：
[0109]
x
c
(k+1)＝a
c
x
c
(k)+v
c
(k)
ꢀꢀ
(1)
[0110]
式中，x
c
(k)为n维列向量，且满足x
c
(k)＝[x
c
(k,1),
…
,x
c
(k,i),
…
,x
c
(k,n)]
t
，表示k时刻充电状态下各个soc区间内的负荷量；v
c
(k)为n维列向量，且满足v
c
(k)＝[v
c
(k,1),
v
c
(k,2),
…
,v
c
(k,n)]
t
，表示k时刻每个区间内新加入或脱离充电状态的负荷量；a
c
为充电状态下的状态转移矩阵：
[0111][0112]
式中，表示充电过程中soc区间i
c
与i
c
+1之间的转移概率；表示充电完成的负荷量占区间n总负荷量的比重。
[0113]
需要说明的是，相邻两个时间间隔内，各区间的负荷只有两个转移路径：保留在原状态区间或转移到相邻的下一个区间。此时，区间i
c
向区间i
c
+1转移的负荷量用表示；而仍保留在区间i
c
的负荷量则用表示。
[0114]
在某一实施例中，式(2)中转移概率的具体求解过程如下：
[0115]
假定参与聚合的电动汽车电池容量符合某种概率密度分布f(c
p
)，由电池的固有充电特性可得：
[0116][0117]
其中，p
ch
表示充电功率；η
ch
表示充电效率；δt表示时间间隔；s(k+1)和s(k)分别表示k+1和k时刻的电动汽车的荷电状态；表示临界容量，是指能够实现一个步长内从s(k)转移到s(k+1)的最大容许容量。由此便可建立起随机过程soc与电池容量概率分布之间的关系：
[0118][0119]
式中，p
r
表示条件概率。
[0120]
如图2所示，为方便精确的求解转移概率将区间i
c
等分为n各小区间。先计算每个小区间向区间i
c
+1的转移概率进而求取区间i
c
向区间i
c
+1的期望转移概率。
[0121][0122]
其中，表示区间i
c
中第j
c
个小区间向区间i
c
+1转移的概率；s
down
(i+1)表示第i
c
+1个区间的下界值；s
down
(i,j)表示区间i
c
中第j
c
个小区间的soc下界值；和分别
表示区间i
c
中的0概率临界值和1概率临界值，可将最小电池容量c
min
和最大电池容量c
max
分别带入式(3)求得。期望转移概率
[0123][0124]
进一步地，放电过程与充电过程建模类似，同样将soc按从低到高的顺序等分为n份，则电动汽车放电状态下负荷动态转移模型为：
[0125]
x
d
(k+1)＝a
d
x
d
(k)+v
d
(k)
ꢀꢀ
(7)
[0126]
式中，x
d
(k)为n维列向量，表示k时刻放电状态下各个soc区间内的负荷量；v
d
(k)为n维列向量，表示k时刻每个区间内新加入或脱离放电状态的负荷量；a
d
为放电状态下的状态转移矩阵：
[0127][0128]
式中，表示放电过程中soc区间i
d
+1与i
d
之间的转移概率；表示放电完成的负荷量占区间1总负荷量的比重。
[0129]
需要说明的是，与充电过程相反，放电是负荷从高soc低soc转移，所以此处是指区间i
d
+1向区间i
d
的转移概率。此时，区间i
d
+1向区间i
d
转移的负荷量用表示；而仍保留在区间i
d
的负荷量则用表示。
[0130]
在某一实施例中，式(8)中转移概率的具体求解过程如下：
[0131]
首先，需要说明的是，放电过程中临界容量可由电池固有放电特性求得：
[0132][0133]
式中，p
dis
表示放电功率；η
dis
表示放电效率；δt表示时间间隔；s(k+1)和s(k)分别表示k+1和k时刻的电动汽车的荷电状态；表示临界容量，是指能够实现一个步长内从s(k)转移到s(k+1)的最大容许容量。
[0134]
如图3所示，为方便精确的求解转移概率将区间i
d
+1等分为n个小区间。先计算每个小区间向区间i
d
的转移概率p
d(i+1,j)
→
i
，进而求取区间i
d
+1向区间i
d
的期望转移概率：
[0135][0136]
其中，表示区间i
d
+1中第j
d
个小区间向区间i
d
转移的概率；s
up
(i)表示第i
d
个区间的上界值；s
up
(i+1,j)表示区间i
d
+1中第j
d
个小区间的soc上界值；和分别表示区间i
d
+1中的0概率临界值和1概率临界值，可将最小电池容量c
min
和最大电池容量c
max
分别带入式(9)求得期望转移概率
[0137][0138]
进一步地，所述电动汽车闲置状态下的负荷动态转移模型为：
[0139]
x
l
(k+1)＝a
l
x
l
(k)+v
l
(k)
ꢀꢀ
(12)
[0140]
式中，x
l
(k)为n维列向量，表示k时刻闲置状态下各个soc区间内的负荷量。v
l
(k)为n维列向量，表示k时刻每个区间内新加入或脱离闲置状态的负荷量；a
l
为闲置状态下的状态转移矩阵，因为闲置状态下，电动汽车既无充电功率也无放电功率，其soc不会发生任何变化，所以各soc区间内的负荷量不会改变，即a
l
为n维单位阵。
[0141]
进一步地，在本实施例中，根据前文已建立的电动汽车三种状态的动态转移模型，可拓展出电动汽车三种状态间的动态切换模型。三种状态的动态转移模型中，soc离散化方法相同，都是将soc区间n等分，并按照递增的顺序进行排序。状态切换过程则是指，处于相同的soc区间内的负荷在充电、放电和闲置3种状态间进行合理切换。如图4所示，图4给出了状态切换过程示意图，u1表示充电与闲置状态间的负荷转移量；u2表示充电与放电状态间的负荷转移量；u3表示闲置状态与放电状态间的负荷转移量；上标“+”表示功率上调；
“‑”
表示功率下调。
[0142]
基于上述过程分析，结合前文已经建立的充电、放电以及闲置状态的负荷动态转移模型，集群电动汽车的多状态切换控制模型表达式如下：
[0143][0144]
式中，u1(k)、u2(k)、u3(k)均为n维列向量；a为3n
×
3n维的状态转移矩阵；b为3n
×
3n维的状态转移矩阵，用于描述状态切换过程；c为3n维的输出行向量，用于描述功率输出部分；v(k)＝[v
c
(k),v
l
(k),v
d
(k)]
t
；y(k)为总输出功率。
[0145]
需要强调，考虑了充电、放电和闲置的负荷动态转移过程后，多状态切换控制模型中a为：
[0146][0147]
其中，a
c
、a
l
、a
d
已在前文求出，0则表示n维零矩阵。
[0148]
由于状态切换过程应满足电动汽车数量守恒，只改变电动汽车的运行状态，不改变电动汽车的数量，即每一次状态切换时总的净负荷改变量为零。为此，可得控制矩阵b为：
[0149][0150]
其中，i表示n维单位阵。
[0151]
令集群电动汽车均采用最大功率充放电，闲置状态功率为0，可得c：
[0152][0153]
式中，表示集群电动汽车采用最大功率充电；表示集群电动汽车采用最大功率放电。
[0154]
s20、根据所述多状态切换控制模型，计算所述集群电动汽车的实时可调功率，并对所述实时可调功率的范围进行分段处理；
[0155]
在本实施例中，在多状态切换控制模型中，将k时刻下的电动汽车分为了3个不同的组别，即充电状态组、放电状态组和闲置状态组，结合k时刻的控制量可得到k+1时刻下各状态组的负荷数量，由此可预测出下一个时刻集群电动汽车的实时可调功率。
[0156]
具体地，实时可下调功率p
‑
可分为三段，即i
‑
、ii
‑
和iii
‑
段；
[0157]
i
‑
段：当u1(k+1)＝x
c
(k)，u2(k+1)＝0，u3(k+1)＝0时，即处于充电状态组的电动汽车全部停止充电转为闲置状态，可使功率下调p1‑
，则[0,p1‑
]为下调功率i
‑
段。
[0158]
ii
‑
段：当u1(k+1)＝x
c
(k)，u2(k+1)＝0，u3(k+1)＝x
l
(k)时，即在p1‑
的基础上将处于闲置状态组的电动汽车全部转为放电状态，使功率下调p2‑
，则(p1‑
,p2‑
]为下调功率ii
‑
段。
[0159]
iii
‑
段：当u1(k+1)＝0，u2(k+1)＝x
c
(k)，u3(k+1)＝x
l
(k)，即处于充电状态组以及闲置状态组的所有电动汽车均转换为放电状态，可得最大下调功率p3‑
，则(p2‑
,p3‑
]为下调功率iii
‑
段，大于p3‑
的调频指令集群电动汽车以最大下调功率p3‑
进行响应。
[0160]
进一步地，实时可下调功率p
+
可分为三段，即i
+
、ii
+
和iii
+
段；
[0161]
i
+
段：当u1(k+1)＝0，u2(k+1)＝0，u3(k+1)＝
‑
x
d
(k)时，即处于放电状态组的电动汽车全部停止放电转为闲置状态，可使功率上调p
1+
，则[0,p
1+
]为上调功率i
+
段。
[0162]
ii
+
段：当u1(k+1)＝
‑
x
l
(k)，u2(k+1)＝0，u3(k+1)＝
‑
x
d
(k)时，即在p
1+
的基础上将处于闲置状态组的电动汽车全部转为充电状态，使功率上调p
2+
，则(p
1+
,p
2+
]为上调功率ii
+
段。
[0163]
iii
+
段：当u1(k+1)＝
‑
x
l
(k)，u2(k+1)＝
‑
x
d
(k)，u3(k+1)＝0，即处于放电状态组以
及闲置状态组的所有电动汽车均转换为充电状态，可得最大上调功率p
3+
，则(p
2+
,p
3+
]为上调功率iii
+
段，大于p
3+
的调频指令集群电动汽车以最大上调功率p
3+
进行响应。
[0164]
s30、根据所述分段处理的结果，判断agc指令所属分段并设计相应的控制模式，根据所述控制模式构建集群电动汽车的多模式调频方式。
[0165]
在本实施例中，结合前文实时可调功率分段方法，通过判断调频指令的适用控制模式，提出基于模型预测控制的多模式控制方式。6个功率分段，共对应6种控制模式，每种控制模式所对应的状态空间表达式、控制目标以及约束条件如下：
[0166]
控制模式1：适应于实时下调功率i
‑
段，对应的状态空间表达式、控制目标以及约束条件分别为：
[0167][0168]
minj＝q
t
||y
p
(k)
‑
p
t
(k)||2+u(k)
t
q
u
u(k)
[0169]
s.t.0≤u1(k+i|k)≤x
c
(k),i＝0,1,2
…
m
‑1ꢀꢀ
(18)
[0170]
式中，x1(k)表示第一控制模式下的总状态变量，是该模式下充电、闲置、放电三种状态变量的汇总，即y1(k)为第一控制模式下系统的输出功率；y
p
(k)为k时刻预测模型的输出序列；p
t
(k)为k时刻调频功率指令组成的序列；||y
p
(k)
‑
p
t
(k)||2为输出量预测值与参考信号的误差项，且q
t
为误差项所占权重；u(k)
t
q
u
u(k)是为减小电动汽车状态切换次数而引入的控制约束项，q
u
为u(k)
t
q
u
u(k)项的权重矩阵；m表示模型预测控制中的控制步长；
[0171]
控制模式2：适应于实时下调功率ii
‑
段，且对应的状态空间表达式、控制目标以及约束条件分别为：
[0172][0173]
minj＝q
t
||y
p
(k)
‑
p
t
(k)||2+u(k)
t
q
u
u(k)+q
o
(cx(k+1))2[0174]
s.t.0≤u1(k+i|k)≤x
c
(k),i＝0,1,2
…
m
‑1[0175]
0≤u3(k+i|k)≤x
l
(k),i＝0,1,2
…
m
‑1ꢀꢀꢀ
(20)
[0176]
式中，x2(k)表示第二控制模式下的总状态变量，是该模式下充电、闲置、放电三种状态变量的汇总，即y2(k)为第二控制模式下系统的输出功率；y
p
(k)为k时刻预测模型的输出序列；p
t
(k)为k时刻调频功率指令组成的序列；||y
p
(k)
‑
p
t
(k)||2为输出量预测值与参考信号的误差项，且q
t
为误差项所占权重；u(k)
t
q
u
u(k)是为减小电动汽车状态切换次数而引入的控制约束项，q
u
为u(k)
t
q
u
u(k)项的权重矩阵；m表示模型预测控制中的控制步长；q
o
(cx(k+1))为用于增大闲置状态比例和减少集群电动汽车充放电功率的相
互抵消的项，q
o
为q
o
(cx(k+1))项的权重系数；
[0177]
控制模式3：适应于实时下调功率iii
‑
段，且对应的状态空间表达式、控制目标以及约束条件分别为：
[0178][0179]
minj＝q
t
||y
p
(k)
‑
p
t
(k)||2+u(k)
t
q
u
u(k)+q
o
(cx(k+1))2[0180]
s.t.u1(k+i|k),u2(k+i|k),u3(k+i|k)≥0
[0181]
u1(k+i|k)+u2(k+i|k)≤x
c
(k)
[0182]
u3(k+i|k)≤x
l
(k),i＝1,2,3
…
m
ꢀꢀꢀ
(22)
[0183]
式中，x3(k)表示第三控制模式下的总状态变量，是该模式下充电、闲置、放电三种状态变量的汇总，即y3(k)为第三控制模式下系统的输出功率；y
p
(k)为k时刻预测模型的输出序列；p
t
(k)为k时刻调频功率指令组成的序列；||y
p
(k)
‑
p
t
(k)||2为输出量预测值与参考信号的误差项，且q
t
为误差项所占权重；u(k)
t
q
u
u(k)是为减小电动汽车状态切换次数而引入的控制约束项，q
u
为u(k)
t
q
u
u(k)项的权重矩阵；m表示模型预测控制中的控制步长；q
o
(cx(k+1))为用于增大闲置状态比例和减少集群电动汽车充放电功率的相互抵消的项，q
o
为q
o
(cx(k+1))项的权重系数；需要强调的是，此处引入q
o
(cx(k+1))项，除了起到避免充放电功率相互抵消外，还具有减少充放电状态直接切换的次数的作用。
[0184]
控制模式4：适应于实时上调功率i
+
段，且对应的状态空间表达式、控制目标以及约束条件分别为：
[0185][0186]
min j＝q
t
||y
p
(k)
‑
p
t
(k)||2+u(k)
t
q
u
u(k)
[0187]
s.t.
‑
x
d
(k)≤u3(k+i|k)≤0,i＝0,1,2
…
m
‑1ꢀꢀ
(24)
[0188]
式中，x4(k)表示第四控制模式下的总状态变量，是该模式下充电、闲置、放电三种状态变量的汇总，即y4(k)为第四控制模式下系统的输出功率；y
p
(k)为k时刻预测模型的输出序列；p
t
(k)为k时刻调频功率指令组成的序列；||y
p
(k)
‑
p
t
(k)||2为输出量预测值与参考信号的误差项，且q
t
为误差项所占权重；u(k)
t
q
u
u(k)是为减小电动汽车状态切换次数而引入的控制约束项，q
u
为u(k)
t
q
u
u(k)项的权重矩阵；m表示模型预测控制中的控制步长；
[0189]
控制模式5：适应于实时上调功率ii
+
段，且对应的状态空间表达式、控制目标以及约束条件分别为：
[0190][0191]
minj＝q
t
||y
p
(k)
‑
p
t
(k)||2+u(k)
t
q
u
u(k)+q
o
(cx(k+1))2[0192]
s.t.
‑
x
l
(k)≤u1(k+i|k)≤0,i＝0,1,2
…
m
‑1[0193]
‑
x
d
(k)≤u3(k+i|k)≤0,i＝0,1,2
…
m
‑1ꢀꢀꢀ
(26)
[0194]
式中，x5(k)表示第五控制模式下的总状态变量，是该模式下充电、闲置、放电三种状态变量的汇总，即y5(k)为第五控制模式下系统的输出功率；y
p
(k)为k时刻预测模型的输出序列；p
t
(k)为k时刻调频功率指令组成的序列；||y
p
(k)
‑
p
t
(k)||2为输出量预测值与参考信号的误差项，且q
t
为误差项所占权重；u(k)
t
q
u
u(k)是为减小电动汽车状态切换次数而引入的控制约束项，q
u
为u(k)
t
q
u
u(k)项的权重矩阵；m表示模型预测控制中的控制步长；q
o
(cx(k+1))为用于增大闲置状态比例和减少集群电动汽车充放电功率的相互抵消的项，q
o
为q
o
(cx(k+1))项的权重系数；
[0195]
控制模式6：适应于实时上调功率iii
+
段，且对应的状态空间表达式、控制目标以及约束条件分别为：
[0196][0197]
minj＝q
t
||y
p
(k)
‑
p
t
(k)||2+u(k)
t
q
u
u(k)+q
o
(cx(k+1))2[0198]
s.t.u1(k+i|k),u2(k+i|k),u3(k+i|k)≤0
[0199]
u2(k+i|k)+u3(k+i|k)≥
‑
x
d
(k)
[0200]
u1(k+i|k)≥
‑
x
l
(k),i＝1,2,3
…
m
ꢀꢀꢀ
(28)
[0201]
式中，x6(k)表示第六控制模式下的总状态变量，是该模式下充电、闲置、放电三种状态变量的汇总，即y6(k)为第六控制模式下系统的输出功率；y
p
(k)为k时刻预测模型的输出序列；p
t
(k)为k时刻调频功率指令组成的序列；||y
p
(k)
‑
p
t
(k)||2为输出量预测值与参考信号的误差项，且q
t
为误差项所占权重；u(k)
t
q
u
u(k)是为减小电动汽车状态切换次数而引入的控制约束项，q
u
为u(k)
t
q
u
u(k)项的权重矩阵；m表示模型预测控制中的控制步长；q
o
(cx(k+1))为用于增大闲置状态比例和减少集群电动汽车充放电功率的相互抵消的项，q
o
为q
o
(cx(k+1))项的权重系数。
[0202]
本发明实施例考虑了充电与放电状态间的直接转换，可以拓宽集群电动汽车的实时可调功率范围。同时基于多状态切换控制模型，对实时可调功率进行了分段处理，并为每个功率分段设计了相应的控制模式，提出了多模式调频方式，能够有效减少集群电动汽车充放电直接转换次数，避免充放电功率的抵消，快速准确地跟踪电网agc指令。
[0203]
为了进一步理解本发明，并验证基于多状态切换控制模型的多模式调频方法的有效性，在某一实施例中，选取某区域18:00至18:30时段的实际agc指令进行仿真验证。仿真
步长为0.1s，参与聚合的1000辆电动汽车集群参数见表1。
[0204]
表1电动汽车集群参数设定
[0205][0206]
为说明本发明所提的多状态切换控制模型具有更宽的实时可调功率范围，将其与未考虑充放电状态直接转换的切换模型进行了仿真对比，结果如图5所示。可知，面对同样的调控指令，在调控过程中考虑充放电的直接转换后，切换同样的电动汽车数量，多状态切换控制模型功率改变值更大，确实获得了更宽的实时可调功率范围。
[0207]
在某一实施例中，为分析多模式调频方法的优势，对以下两种方式进行了对比仿真：方式1多模式调频控制方式；方式2不区分agc指令与实时可调功率，采用单一的控制模式，即认为每个时刻下3种状态间均可切换。如图6所示，图6给出了2种方式下电池充放电直接切换次数的对比结果。可见，方式2出现直接切换的频率明显高于方式1，而在方式1的多模式调控作用下，受约束条件限制，仅在模式3和模式6时出现直接切换。经计算，面对同样的agc指令，方式1下共计切换926次，方式2下切换次数则高达2925次。可见本发明提供的多模式调频方法可有效减少电池充放电直接切换次数，减少了电能的损耗。
[0208]
请参阅图7，在某一实施例中，给出了2种方式下充电与放电状态电动汽车数量之和的对比结果。可见，方式2下充放电状态的电动汽车数量之和明显多于方式1，由于两者该时段跟踪同一个agc指令，故每个时刻中方式2比方式1多出的电动汽车数量，其功率之和必然为零，即方式2出现了充放电功率相互抵消现象，而方式1则有效避免了这种现象，实现了集群电动汽车更高效的调度。
[0209]
请参阅图8，在某一实施例中，给出了多模式控制方式下agc指令的跟踪结果。在18:00
‑
18:30时段，除图8中圈出的部分，集群电动汽车均能准确快速地跟随agc功率指令的变化。这是因为在圈出的时段里agc指令超出了集群电动汽车的实时可调功率极限，导致集群电动汽车无法完全响应。
[0210]
第二方面：
[0211]
请参阅图9，在某一实施例中，还提供了一种集群电动汽车的多模式调频装置，包括：
[0212]
控制模型构建单元01，用于基于电动汽车充电、放电、闲置状态下的负荷动态转移模型及充电、放电与闲置状态间的切换过程，构建集群电动汽车的多状态切换控制模型；
[0213]
分段处理单元02，用于根据所述多状态切换控制模型，计算所述集群电动汽车的实时可调功率，并对所述实时可调功率的范围进行分段处理；
[0214]
调频方式构建单元03，用于根据所述分段处理的结果，判断agc指令所属分段并设
计相应的控制模式，根据控制模式构建集群电动汽车的多模式调频方式。
[0215]
可以理解的是，该装置的功能模块01
‑
03分别用于执行步骤s10
‑
s30，且在执行步骤时考虑了充电与放电状态间的直接转换，拓宽了集群电动汽车的实时可调功率范围。同时能够有效减少集群电动汽车充放电直接转换次数，避免充放电功率的抵消，快速准确地跟踪电网agc指令。
[0216]
第三方面：
[0217]
本发明某一实施例还提供了一种终端设备，包括：一个或多个处理器；存储器，与所述处理器耦接，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上所述的集群电动汽车的多模式调频方法。
[0218]
处理器用于控制该终端设备的整体操作，以完成上述的集群电动汽车的多模式调频方法的全部或部分步骤。存储器用于存储各种类型的数据以支持在该终端设备的操作，这些数据例如可以包括用于在该终端设备上操作的任何应用程序或方法的指令，以及应用程序相关的数据。该存储器可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(static random access memory，简称sram)，电可擦除可编程只读存储器(electrically erasable programmable read
‑
only memory，简称eeprom)，可擦除可编程只读存储器(erasable programmable read
‑
only memory，简称eprom)，可编程只读存储器(programmable read
‑
only memory，简称prom)，只读存储器(read
‑
only memory，简称rom)，磁存储器，快闪存储器，磁盘或光盘。
[0219]
终端设备可以被一个或多个应用专用集成电路(application specific 1ntegrated circuit，简称as1c)、数字信号处理器(digital signal processor，简称dsp)、数字信号处理设备(digital signal processing device,简称dspd)、可编程逻辑器件(programmable logic device，简称pld)、现场可编程门阵列(field programmable gate array，简称fpga)、控制器、微控制器、微处理器或其他电子元件实现，用于执行如上述任一项实施例所述的集群电动汽车的多模式调频方法，并达到如上述方法一致的技术效果。
[0220]
本发明某一实施例还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现如上述任一项实施例所述的集群电动汽车的多模式调频方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器，上述程序指令可由终端设备的处理器执行以完成如上述任一项实施例所述的集群电动汽车的多模式调频方法，并达到如上述方法一致的技术效果。
[0221]
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。