一种电动汽车充放电聚合优化调度方法及装置与流程

本发明涉及电动汽车技术领域，具体涉及一种电动汽车充放电聚合优化调度方法及装置。

背景技术：

近年来，以电动汽车为代表的柔性负荷参与电网调度成为了缓解供需侧矛盾的重要手段之一。客户侧电动汽车单体可控功率较小，电网接入分散分布，不同类型电动汽车的用能特性、控制方式差异较大，用电运行时间存在一定随机性。电动汽车规模化集中充电将造成“峰上加峰”，对电网系统平衡与局部电网构成严重冲击。需借助负荷聚合方法，将分散分布多样的可调控负荷资源加以体量汇集、特性规整与调度管理，才能将可调控负荷潜力转化为可调控资源。当前的优化调度未考虑电动汽车负荷的不确定性，均采用确定性方法来求解，与负荷的随机性特性不相符。针对电动汽车的充放电调度，目前大部分研究考虑多目标优化的充电调度策略，解决了单目标优化调度策略“填谷”效果差的问题，但多数未考虑电动汽车集群参与电网动态平衡过程中诸多不确定因素对优化结果的影响。部分引入了电动汽车分层分区调度历年，构建了可入网电动汽车充放电调度模型，但未考虑用户成本。部分研究重点考虑了充电站运营经济最大化，但是没有考虑电网负荷波动，导致大量的电动汽车用户在谷时段进行充电造成了“雪崩效应”。由于电动汽车类型多样、用电需求多样化、在电网中分散分布，具有较强的随机性特征，难以表现为具有一定体量规模、可靠控制特性的可控负荷。

技术实现要素：

针对现有技术的不足，本发明的目的是提供一种电动汽车充放电聚合优化调度方法，综合考虑了电动汽车未接入电网的电力负荷预测值、各时刻电动汽车接入电网的类型数量和各类型电动汽车数量等多个随机性因素，构建电动汽车优化调度模型分析电动汽车的充电需求及充电行为，有效降低电动汽车的随机性特征对电网系统平衡的影响。

所述方法具体包括：

获取预测时段各时刻电动汽车未接入电网的电力负荷预测值、各时刻电动汽车接入电网的类型数量和各类型电动汽车数量；

将所述预测时段各时刻电动汽车未接入电网的电力负荷预测值、各时刻电动汽车接入电网的类型数量和各类型电动汽车数量输入至预先构建的电动汽车优化调度模型，求解得到预测时段各时刻各类型电动汽车接入电网的最优充放电功率；

其中，所述电动汽车优化调度模型是以电网负荷均方差最小且用户成本最低为目标进行构建的。

优选的，所述电动汽车优化调度模型的目标函数为：

式中，j∈[1,t]，i∈[1,nj]，t为时段总数，nj为预测时段第j个时刻电动汽车接入电网的类型数量，t1为电网负荷均方差的目标值，plj为预测时段第j个时刻电动汽车未接入电网的负荷预测值，pi,j为预测时段第j个时刻第i种类型的电动汽车接入电网的最优充放电功率，pavr为预测时段电网的平均负荷，t2为用户充电成本的目标值，sj为第j个时刻电网的电价，[...]表示数据为区间数。

进一步的，按下式确定预测时段电网的平均负荷pavr：

其中，按下式确定pi,j：

式中，v∈vj，vj为预测时段第j个时刻第i种类型的电动汽车接入电网的数量，pi,vj为预测时段第j个时刻第i种类型的电动汽车v接入电网的充放电功率，ηi,v为预测时段第j个时刻第i种类型的电动汽车v接入电网的充放电效率。

进一步的，按下式确定预先构建的电动汽车的优化调度模型的充放电功率约束条件：

pi,vjmin≤pi,vj≤pi,vjmax

式中，pi,vjmin为预测时段第j个时刻第i种类型的电动汽车v的最大充电功率，pi,vj为预测时段第j个时刻第i种类型的电动汽车v接入电网的充放电功率，pi,vjmax为预测时段第j个时刻第i种类型的电动汽车v接入电网的最大放电功率；

按下式确定预先构建的电动汽车的优化调度模型的充放电电流约束条件：

式中，ic为电动汽车的充电电流，c为充放电倍率，id为电动汽车的放电电流；

按下式确定预先构建的电动汽车的优化调度模型的电池可用容量约束条件：

soci,vjmin≤soci,vj≤soci,vjmax

式中，soci,vj为预测时段第j个时刻第i种类型的电动汽车v接入电网的荷电状态，soci,vjmin为预测时段第j个时刻第i种类型的电动汽车v接入电网的荷电状态下限值，soci,vjmax为预测时段第j个时刻第i种类型的电动汽车v接入电网的荷电状态上限值。

优选的，所述求解得到预测时段各时刻各类型电动汽车接入电网的最优充放电功率，包括：

采用区间优化算法和多目标遗传算法求解电动汽车优化调度模型，得到预测时段各时刻各类型电动汽车接入电网的最优充放电功率。

基于同一发明构思，本发明还提供了一种电动汽车充放电聚合优化调度装置，所述装置包括：

获取模块，用于获取预测时段各时刻电动汽车未接入电网的电力负荷预测值、各时刻电动汽车接入电网的类型数量和各类型电动汽车数量；

求解模块，用于将所述预测时段各时刻电动汽车未接入电网的电力负荷预测值、各时刻电动汽车接入电网的类型数量和各类型电动汽车数量输入至预先构建的电动汽车优化调度模型，求解得到预测时段各时刻各类型电动汽车接入电网的最优充放电功率；

其中，所述电动汽车优化调度模型是以电网负荷均方差最小且用户成本最低为目标进行构建的。

优选的，所述电动汽车优化调度模型的目标函数为：

式中，j∈[1,t]，i∈[1,nj]，t为时段总数，nj为预测时段第j个时刻电动汽车接入电网的类型数量，t1为电网负荷均方差的目标值，plj为预测时段第j个时刻电动汽车未接入电网的负荷预测值，pi,j为预测时段第j个时刻第i种类型的电动汽车接入电网的最优充放电功率，pavr为预测时段电网的平均负荷，t2为用户充电成本的目标值，sj为第j个时刻电网的电价，[...]表示数据为区间数。

进一步的，按下式确定预测时段电网的平均负荷pavr：

其中，按下式确定pi,j：

式中，v∈vj，vj为预测时段第j个时刻第i种类型的电动汽车接入电网的数量，pi,vj为预测时段第j个时刻第i种类型的电动汽车v接入电网的充放电功率，ηi,v为预测时段第j个时刻第i种类型的电动汽车v接入电网的充放电效率。

进一步的，按下式确定预先构建的电动汽车的优化调度模型的充放电功率约束条件：

pi,vjmin≤pi,vj≤pi,vjmax

式中，pi,vjmin为预测时段第j个时刻第i种类型的电动汽车v的最大充电功率，pi,vj为预测时段第j个时刻第i种类型的电动汽车v接入电网的充放电功率，pi,vjmax为预测时段第j个时刻第i种类型的电动汽车v接入电网的最大放电功率；

按下式确定预先构建的电动汽车的优化调度模型的充放电电流约束条件：

式中，ic为电动汽车的充电电流，c为充放电倍率，id为电动汽车的放电电流；

按下式确定预先构建的电动汽车的优化调度模型的电池可用容量约束条件：

soci,vjmin≤soci,vj≤soci,vjmax

式中，soci,vj为预测时段第j个时刻第i种类型的电动汽车v接入电网的荷电状态，soci,vjmin为预测时段第j个时刻第i种类型的电动汽车v接入电网的荷电状态下限值，soci,vjmax为预测时段第j个时刻第i种类型的电动汽车v接入电网的荷电状态上限值。

优选的，所述求解模块，用于：

采用区间优化算法和多目标遗传算法求解电动汽车优化调度模型，得到预测时段各时刻各类型电动汽车接入电网的最优充放电功率。

与最接近的现有技术相比，本发明具有的有益效果：

本发明提供的一种电动汽车充放电聚合优化调度方法及装置，包括获取预测时段各时刻电动汽车未接入电网的电力负荷预测值、各时刻电动汽车接入电网的类型数量和各类型电动汽车数量；将所述预测时段各时刻电动汽车未接入电网的电力负荷预测值、各时刻电动汽车接入电网的类型数量和各类型电动汽车数量输入至预先构建的电动汽车优化调度模型，求解得到预测时段各时刻各类型电动汽车接入电网的最优充放电功率；所述电动汽车优化调度模型是以电网负荷均方差最小且用户成本最低为目标进行构建的；本发明提供的技术方案利用电动汽车未接入电网的电力负荷预测值、各时刻电动汽车接入电网的类型数量和各类型电动汽车数量多个随机性因素构建电动汽车优化调度模型并求解，有效降低了电动汽车的随机性特征对电网系统平衡的影响。

本发明还利用将区间优化算法和多目标遗传算法相融合的方法来获取最优解，为电动汽车充放电调度提供了更为可靠的决策信息。

附图说明

图1是本发明提供的一种电动汽车充放电聚合优化调度方法的流程图；

图2是本发明实施例提供的区间多目标优化流程图；

图3是本发明提供的一种电动汽车充放电聚合优化调度装置的结构图。

具体实施方式

下面结合附图对本发明的具体实施方式作进一步的详细说明。

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做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

实施例1：

本发明提供了一种电动汽车充放电聚合优化调度方法，如图1所示，该方法包括：

步骤101，获取预测时段各时刻电动汽车未接入电网的电力负荷预测值、各时刻电动汽车接入电网的类型数量和各类型电动汽车数量；

步骤102，将预测时段各时刻电动汽车未接入电网的电力负荷预测值、各时刻电动汽车接入电网的类型数量和各类型电动汽车数量输入至预先构建的电动汽车优化调度模型，求解得到预测时段各时刻各类型电动汽车接入电网的最优充放电功率；

其中，电动汽车优化调度模型是以电网负荷均方差最小且用户成本最低为目标进行构建的。

在本发明的实施例中，步骤101具体包括：

预测时段各时刻电动汽车未接入电网的电力负荷预测值、各时刻电动汽车接入电网的类型数量和各类型电动汽车数量获取方式均是对历史时段各时刻电动汽车未接入电网的电力负荷历史数据、各时刻电动汽车接入电网的类型数量的历史数据和各类型电动汽车数量的历史数据，通过数据拟合的方法得到。

步骤102具体包括：

电动汽车优化调度模型的目标函数为：

式中，j∈[1,t]，i∈[1,nj]，t为时段总数，nj为预测时段第j个时刻电动汽车接入电网的类型数量，t1为电网负荷均方差的目标值，plj为预测时段第j个时刻电动汽车未接入电网的负荷预测值，pi,j为预测时段第j个时刻第i种类型的电动汽车接入电网的最优充放电功率，pavr为预测时段电网的平均负荷，t2为用户充电成本的目标值，sj为第j个时刻电网的电价，[...]表示该值为区间数；

式中，区间数(具有上限和下限)表示为：

在本发明的实施例中，基于区间优化理论，假设电动汽车优化调度的初始目标函数中包含的不确定性参数的取值为区间数，其中不确定参数包括plj、sj、pavr，初始目标函数为：

可以通过挖掘智慧车联网平台大数据中的海量信息，针对不同类型电动汽车，分析相关因素的随机性，获取电动汽车充电行为数据信息，具体为：

可以通过智慧车辆网平台或者其他现有技术获取如上不确定参数的区间数的上下限或者中点以及宽度，使得初始目标函数能转化为如上式(1)的电动汽车优化调度模型的目标函数。

值得注意的是，已有研究指出，90％以上的乘用车辆平均每天行驶时间仅为1h左右且不处于电网峰谷时段，而有95％的时间为闲置状态。同时考虑到未来私家车可利用集中建设在停车场的充电桩充电，受场地因素制约较小，故本实施例不涉及可用时间约束，即认为所有电动汽车24h均可参与统一调度。

为了完善上述技术方案，可以通过聚合方式按下式确定预测时段电网的平均负荷pavr：

按下式确定pi,j：

式中，v∈vj，vj为预测时段第j个时刻第i种类型的电动汽车接入电网的数量，pi,vj为预测时段第j个时刻第i种类型的电动汽车v接入电网的充放电功率，ηi,v为预测时段第j个时刻第i种类型的电动汽车v接入电网的充放电效率。

在本发明的实施例中，电动汽车优化调度模型的约束条件包括：充放电功率约束条件、充放电电流约束条件和电池可用容量约束条件，确定方式如下：

按下式确定预先构建的电动汽车的优化调度模型的充放电功率约束条件：

pi,vjmin≤pi,vj≤pi,vjmax

式中，pi,vjmin为预测时段第j个时刻第i种类型的电动汽车v的最大充电功率，pi,vj为预测时段第j个时刻第i种类型的电动汽车v接入电网的充放电功率，pi,vjmax为预测时段第j个时刻第i种类型的电动汽车v接入电网的最大放电功率；

按下式确定预先构建的电动汽车的优化调度模型的充放电电流约束条件：

式中，ic为电动汽车的充电电流，c为充放电倍率，id为电动汽车的放电电流；

按下式确定预先构建的电动汽车的优化调度模型的电池可用容量约束条件：

soci,vjmin≤soci,vj≤soci,vjmax

式中，soci,vj为预测时段第j个时刻第i种类型的电动汽车v接入电网的荷电状态，soci,vjmin为预测时段第j个时刻第i种类型的电动汽车v接入电网的荷电状态下限值，soci,vjmax为预测时段第j个时刻第i种类型的电动汽车v接入电网的荷电状态上限值。

在本发明的实施例中，求解得到预测时段各时刻各类型电动汽车接入电网的最优充放电功率，包括：采用区间优化算法和多目标遗传算法求解电动汽车优化调度模型，得到预测时段各时刻各类型电动汽车接入电网的最优充放电功率。

本发明的实施例中，采用了如图2所示的基于区间优化理论的多目标遗传算法迭代计算，获取最优调度方案的具体实现流程如下：

s1、根据电动汽车的相关数据随机生成具有n个个体的父代种群，初始化迭代次数d＝1；

所述电动汽车的相关数据包括预测时段各时刻电动汽车未接入电网的电力负荷预测值、各时刻电动汽车接入电网的类型数量和各类型电动汽车数量；

s2、对父代种群依次执行多目标遗传算法的选择、交叉和变异操作，得到具有n个个体的子代种群；

s3、将初始父代种群和子代种群合并成具有2n个个体的种群并输入至电动汽车优化调度模型进行求解，得到2n个个体的候选解；

s4、基于可信度和拥挤度，从2n个个体的候选解中选取n个个体形成新的父代种群；

s5、令d＝d+1，判断d是否收敛；

若是，则获取新的父代种群中n个个体的可行解，并采用层次分析法从n个个体的可行解中选择最优调度方案；

否则，基于新的父代种群并返回值步骤s2。

在本发明的实施例中，上述s4中基于可信度和拥挤度，从2n个个体的候选解中选取n个个体形成新的父代种群，包括：

s41、计算2n个个体候选解的可信度，将可信度满足阈值要求的个体作为可行解；

s42、采用非支配排序算法对作为可行解的个体进行分层并计算个体的拥挤度；

s43、选择拥挤度高的前n个个体形成新的父代种群；

在本发明的实施例中，上述s41可以采用区间优化算法计算个体候选解可信度，具体包括如下步骤：

考虑区间和其宽度分别记为w(a)和w(b)，则称：

为a大于或等于b(记为a≥b)的区间可信度。

对于区间不等式约束gj(x,c)≥aj，记个体x满足该约束条件的可信度为：

δj＝p(gj(x,c)≥aj)

相应的，记个体x不满足该约束条件的可信度(个体x对该约束的违背度)为：

lj＝1-p(gj(x,c)≥aj)＝p(gj(x,c)≤aj)

采用非支配排序算法对种群中的2n个个体进行分层并计算非支配层个体的拥挤度；

将个体x满足每一约束条件的可信度与设置的可信度阈值比较，从而判断其是否为可行解，即若对于任一约束条件gj(x,c)≥aj，均有则称x为可行解；否则，称x为非可行解。

在本发明的实施例中，上述s5中采用层次分析法从n个个体的可行解中选择最优调度方案，包括：

根据预设的电网负荷均方差和用户成本的权重系数构造两两比较矩阵；

计算两两比较矩阵的归一化特征向量ω，并对两两比较矩阵进行一致性检验；

将通过一致性校验的特征向量ω作为目标函数t1和t2的权重向量，选择符合权重向量要求的无功功率作为最优调度方案。

实施例2：

本发明提供了一种电动汽车充放电聚合优化调度装置，如图3所示，该装置包括：

获取模块，用于获取预测时段各时刻电动汽车未接入电网的电力负荷预测值、各时刻电动汽车接入电网的类型数量和各类型电动汽车数量；

求解模块，用于将所述预测时段各时刻电动汽车未接入电网的电力负荷预测值、各时刻电动汽车接入电网的类型数量和各类型电动汽车数量输入至预先构建的电动汽车优化调度模型，求解得到预测时段各时刻各类型电动汽车接入电网的最优充放电功率；

其中，所述电动汽车优化调度模型是以电网负荷均方差最小且用户成本最低为目标进行构建的。

优选的，电动汽车优化调度模型的目标函数为：

式中，j∈[1,t]，i∈[1,nj]，t为时段总数，nj为预测时段第j个时刻电动汽车接入电网的类型数量，t1为电网负荷均方差的目标值，plj为预测时段第j个时刻电动汽车未接入电网的负荷预测值，pi,j为预测时段第j个时刻第i种类型的电动汽车接入电网的最优充放电功率，pavr为预测时段电网的平均负荷，t2为用户充电成本的目标值，sj为第j个时刻电网的电价，[...]表示该值为区间数；

式中，区间数(具有上限和下限)表示为：

进一步的，可以通过聚合方式按下式确定预测时段电网的平均负荷pavr：

其中，按下式确定pi,j：

式中，v∈vj，vj为预测时段第j个时刻第i种类型的电动汽车接入电网的数量，pi,vj为预测时段第j个时刻第i种类型的电动汽车v接入电网的充放电功率，ηi,v为预测时段第j个时刻第i种类型的电动汽车v接入电网的充放电效率。

进一步的，按下式确定预先构建的电动汽车的优化调度模型的充放电功率约束条件：

pi,vjmin≤pi,vj≤pi,vjmax

式中，pi,vjmin为预测时段第j个时刻第i种类型的电动汽车v的最大充电功率，pi,vj为预测时段第j个时刻第i种类型的电动汽车v接入电网的充放电功率，pi,vjmax为预测时段第j个时刻第i种类型的电动汽车v接入电网的最大放电功率；

按下式确定预先构建的电动汽车的优化调度模型的充放电电流约束条件：

式中，ic为电动汽车的充电电流，c为充放电倍率，id为电动汽车的放电电流；

按下式确定预先构建的电动汽车的优化调度模型的电池可用容量约束条件：

soci,vjmin≤soci,vj≤soci,vjmax

式中，soci,vj为预测时段第j个时刻第i种类型的电动汽车v接入电网的荷电状态，soci,vjmin为预测时段第j个时刻第i种类型的电动汽车v接入电网的荷电状态下限值，soci,vjmax为预测时段第j个时刻第i种类型的电动汽车v接入电网的荷电状态上限值。

优选的，求解模块，用于：

采用区间优化算法和多目标遗传算法求解电动汽车优化调度模型，得到预测时段各时刻各类型电动汽车接入电网的最优充放电功率。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。