考虑出行链重构下电动汽车在多态场景中的电力调度方法

本发明涉及电动汽车的电力调度，特别是指一种考虑出行链重构下电动汽车在多态场景中的电力调度方法。

背景技术：

1、近年来，我国电动汽车(electrical vehicle，ev)保有量迅速上升，电动汽车集群作为分布式储能资源，具有很强的削峰填谷潜力。但是，电动汽车用户充电选择上的主观性导致了电动汽车的负荷分布在时间和空间上具有较大的突变性，并对原有的充放电调度计划造成破坏。因此，如何充分考虑用户主观性进行ev的充放电调度，已经成为了亟待解决的问题。

2、目前针对电动汽车出行行为的分析主要集中在确定的行驶路径、出行时间以及停驻时间。文献[肖俊明，冯超，朱永胜，等.非齐次半马尔科夫充放电策略辅助用户随机出行的多目标动态电力调度[j].电网技术，2021，45(09)：3571-3582.doi:10.13335/j.1000-3673.pst.2020.1832.]通过马尔科夫蒙特卡洛模拟常态下ev的时空分布，得到ev参与能量互动的稳定时长，并以不同调度目标对ev进行能量管理。文献[郝丽丽，王国栋，王辉，等.考虑电动汽车入网辅助服务的配电网日前调度策略[j].电力系统自动化，2020，44(14)：35-43.]建立了电动汽车出行修正模型，对ev出行过程中目的地的变化进行修正。文献[tangd，wang p.probabilistic modeling of nodal charging demand based on spatial-temporal dynamics of moving electric vehicles[j].ieee transactions on smartgrid，2015，7(2)：627-636.]提出随机停靠模型，模拟ev出行过程中的自主停靠行为，增加了ev充电时段的不确定性。文献[tan b，chen h，zheng x，et al.two-stage robustoptimization dispatch for multiple microgrids with electric vehicle loadsbased on a novel data-driven uncertainty set[j].international journal ofelectrical power&energy systems，2022，134：107359.]对某时段不符合预期的ev进入或离开负荷聚合商(electric vehicle aggregator，eva)所造成的异常功率波动，采用鲁棒优化方法确保每辆ev充电安全。文献[tahmasebi m，ghadiri a，haghifam m r，et al.mpc-based approach for online coordination of evs considering ev usageuncertainty[j].international journal of electrical power&energy systems，2021，130：106931.]建立了电动汽车在不同使用场景下的自适应充放电策略，以降低电网成本。文献[wang z，jochem p，fichtner w.a scenario-based stochastic optimizationmodel for charging scheduling of electric vehicles under uncertainties ofvehicle availability and charging demand[j].journal of cleaner production，2020，254:119886.]对每个充电时段进行两阶段分析，预测未来时段内不确定的充电需求，分析长时间尺度下多场景中所提算法的适用性。文献[李东东，张凯，姚寅，等.基于信息间隙决策理论的电动汽车聚合商日前需求响应调度策略[j].电力系统保护与控制，2022，50(24)：101-111.]通过信息间隙决策理论讨论了ev接入eva前时间的不确定性。文献[王颖,和敬涵,许寅,等.考虑疏散需求的城市电力-交通系统协同应急恢复方法[j].电力系统自动化,2023,47(3):68-76.]讨论了在极端条件下ev参与重要负荷供电和能源消纳过程，充分挖掘紧急情况下电动汽车对区域电网的电能的支撑和平抑作用，但未充分考虑ev在上述两种情况下的实际出行需求和参与调度时段的不确定性。

3、综上所述，目前研究中均将ev视作具有确定时长且不可中断能量互动单元，重点分析了ev在常态环境中参与能量交互前的不确定性。对比发现在多态场景下ev参与调度计划过程中加入不确定因素使得充放电计划被迫调整甚至中断的研究工作较少。

技术实现思路

1、针对多态场景中电动汽车协同储能站在出行链重构事件中的电力调度问题，本发明提出了一种考虑出行链重构下电动汽车在多态场景中的电力调度方法，首先提出用户充电意愿底线模型，模拟实际行驶过程中用户自身充电意愿对充电计划的影响；然后将影响调度计划的突发事件分为四类，提出出行链重构模型模拟ev用户受不同事件影响造成的出行链改变；其次考虑多态场景，提出储能站协同ev能量管理策略；最后综合以上模型，考虑气温和电价等因素，以用户经济性和电力系统安全性为目标，以出行链重构为重点，对ev进行充放电调度，构建日前-实时两阶段调度模型，实现用户的经济性和电力系统多态场景下的安全性最优。

2、本发明的技术方案是这样实现的：

3、一种考虑出行链重构下电动汽车在多态场景中的电力调度方法，其步骤如下：

4、步骤一：提出用户充电意愿底线模型，模拟实际行驶过程中用户自身充电意愿对调度计划的影响；

5、步骤二：将影响调度计划的突发事件分为四类，提出出行链重构模型模拟ev用户受不同突发事件影响造成的出行链改变；

6、步骤三：考虑多态场景，提出储能站协同ev能量管理模型；

7、步骤四：综合所述用户充电意愿底线模型、出行链重构模型和ev能量管理模型，考虑气温和电价因素，以用户经济性和电力系统安全性为目标，以出行链重构为重点，对ev进行充放电调度，构建日前-实时两阶段调度模型，并通过gurobi求解器对日前-实时两阶段调度模型进行求解，实现用户的经济性和电力系统多态场景下的安全性最优。

8、所述用户充电意愿底线模型为：

9、

10、式中，为第n辆ev用户所在当前位置节点ls距本段路程终点ld的距离，ki,n为第n辆ev用户第i次出行过程中的总路径距离，为第n辆ev用户原充电意愿底线，为第n辆ev用户调整之后的充电意愿底线。

11、所述出行链重构模型是针对ev在行驶状态和停驻状态提出的；

12、ev行驶过程中，发生出行链重构事件需要对ev这次出行的目的地和路径进行调整：

13、un＝un+1；

14、

15、ld,i＝lm；

16、

17、

18、式中：un表示第n辆ev的总出行次数，表示出行链重构前第i次出行到最后un次出行的所有节点，表示出行链重构后第i+1次出行到最后un次出行的所有节点，ld,i表示第i次出行过程中的原出行链目的地节点，lm为中间位置节点，tin表示ev入网的时段，et表示事件发生的时间，为从ls到ld消耗的时间，为平均速度，δ为交通拥堵系数，表示当前位置节点ls到终点位置ld的距离；

19、停驻状态下的ev出行链重构事件包括四类：紧急且必要事件、紧急不必要事件、必要不紧急事件、不必要不紧急事件；

20、紧急且必要事件发生时，ev的状态为：

21、un＝un+1；

22、

23、

24、

25、tcm＝min{tu,n,1,tu,n,2,tu,n,3}；

26、

27、

28、

29、

30、

31、式中：表示完成一次出行所需的最低电量，tcm表示三种充电方案中到达m的最早时间，tu,n,1、tu,n,2和tu,n,3分别表示三种充电方案中到达m的时间；p是第n辆ev的充放电功率，上标c和d分别为充电和放电标识，s和f分别为慢充和快充标识，上标max为最大功率标识；表示第n辆在et时段的ev电池电量状态，tout和tin分别表示离网时段和入网时段；tout,1表示第一次离网时段，tout,2表示第二次离网时段，et表示出行链重构事件发生的实际时刻，表示向下取整，表示向上取整，tin,2表示第二次入网时段，表示ls到最近快充站lf消耗的时间，表示ls到重构后中间节点lm消耗的时间，表示快充站lf到重构后中间节点lm消耗的时间，δtp表示在中间节点lm停驻的时间，表示方案三中第二次离网后ev的电量，表示第n辆ev以最大功率慢充，表示第n辆ev以最大功率快充，tun1表示方案一到达lm的时间，tun2表示方案二到达lm的时间，tun3表示方案三到达lm的时间，表示完成一次出行链重构事件的电量消耗，表示从当前位置ls到快充站lf消耗的电量，表示从当前位置ls到重构后中间节点lm消耗的电量，表示从重构后中间节点到原出行链的目的地ld消耗的电量，表示从快充站到重构后中间节点lm消耗的电量，sn,t表示第n辆ev在t事件的电量；

32、三种方充电方案分别为：1)ev在当前所在地ls以最大慢充功率充电至能够满足和的最小电量，出发至事件发生位置lm，最后到达原定出行链目的地ld；2)ev在当前所在地ls寻找距离最近的快充站节点lf，进行快充达到满足和的最小电量，再出发至事件发生位置lm，最后到达原定出行链目的地ld；3)用户的电量能够满足到达事件要求的目的地lm，并且在该目的地以最大慢充功率充电时，预计能够满足到达原定出行链目的地ld；

33、紧急不必要事件发生时，ev的状态为：

34、un＝un+1；

35、

36、

37、

38、

39、

40、scon,i～u＝s'con,i～u eu,un,h＝1；

41、式中：eu,un,h为判断是否进行出行的变量，eu,un,h为0时不出行，eu,un,h为1时出行；为紧急不必要事件的持续时间，表示ev在et到第96个时段优化前的功率，表示ev在et到第96个时段优化后的功率，scon,i～u表示ev在et到第96个时段优化前每次出行的路程约束，s'con,i～u表示ev在et到第96个时段优化后每次出行的路程约束；表示用户的充电意愿底线；

42、必要不紧急事件发生时，ev的状态为：

43、un＝un+1；

44、

45、

46、scon,i～u＝s'con,i～u；

47、其中，表示从重构事件发生的节点位置lm到家lh的起始时段；

48、不必要不紧急事件发生时，ev的状态为：

49、un＝un+1；

50、

51、

52、scon,i～u＝s'con,i～u；

53、其中，表示从当家lh到重构后的节点lm的起始时段。

54、所述储能站协同ev能量管理模型包括常态下能量模型和极端状态下能量模型；

55、常态下能量模型包括：

56、储能站机组，储能在区间0％至20％：

57、

58、储能在区间20％至80％：

59、

60、储能在区间80％至100％：

61、

62、火电机组用于补足风力和储能站发电不满足的负荷需求：

63、

64、其中，ps,t为t时段内储能站机组出力，pw,t表示t时段内风力机组出力，po,t表示时段t内调度优化结果，pf,t为t时段内火电机组出力，ss,t为t时段内储能站的电量，为储能站容量上限；

65、极端状态下能量模型包括：

66、供电状态：

67、

68、

69、式中：为t时段可调度放电功率总量，为在ls节点ev能够参与的最大充电功率；表示第n辆ev在t时段以最大功率充电，表示第n辆ev在t时段中的充电标识，其值为1时，ev进行充电，为0时，ev不充电，表示第n辆ev在t时段中的放电标识，其值为1时，ev进行放电，为0时，ev不放电，d表示ev是否参与调度，d为1时参与调度，d为0时不参与调度；

70、消纳状态：

71、

72、

73、式中：为t时段可调度充电功率总量，为在ls节点ev能够参与的最大充电功率。

74、所述日前-实时两阶段调度模型包括日前阶段目标函数、实时阶段的目标函数和约束条件；

75、日前阶段目标函数为：

76、

77、

78、

79、

80、式中：表示日前阶段日负荷均方差，表示日前阶段用户充放电总成本，pb表示基础负荷，表示第n辆ev在t时段的实际的充电功率，表示第n辆ev在t时段的实际的放电功率，pav为日平均负荷，为第n辆ev在时段t的总充电成本，为第n辆ev在时段t的总放电收益，为t时段的充电电价，为t时段的放电收益，δtc表示充电时长，δtd表示放电时长；

81、实时阶段的目标函数为：

82、

83、

84、其中，表示实时阶段日负荷均方差，表示实时阶段用户充放电总成本；

85、约束条件包括电动汽车功率约束条件、电池电荷状态约束条件、电动汽车行程约束条件、电动汽车充放电状态约束条件；

86、电动汽车功率约束条件为：

87、

88、

89、

90、

91、

92、

93、

94、其中，表示第n辆ev在t时段中的充电标识，其值为1时，ev进行充电，为0时，ev不充电，表示第n辆ev在t时段中最大的充电功率，表示第n辆ev在t时段中最小的充电功率，表示第n辆ev在t时段中以最大的慢充功率充电，表示第n辆ev在t时段中以最大的快充功率充电，表示第n辆ev在t时段中的放电标识，其值为1时，ev进行放电，为0时，ev不放电，表示第n辆ev在t时段中以最大功率放电，表示第n辆ev在t时段中以最小功率放电，表示第n辆ev在t时段中以充电节点最大的功率慢速放电，表示第n辆ev在t时段中以充电节点最大的功率快速放电；

95、电池电荷状态约束条件为：

96、

97、

98、式中：为第n辆ev的最大电池容量，δtn,t为第n辆ev在t时段的充放电时长；表示第n辆ev在t+1时段中的充电功率，表示第n辆ev在t+1时段中的放电功率，sn,t表示第n辆ev在t时段中的ev的电量，表示第n辆ev的充电意愿底线；

99、电动汽车行程约束条件为：

100、

101、

102、式中：为第n辆ev下一次行程的最低电量，表示第n辆ev在tin,n的入网时段中的电量，表示第n辆ev在t时段的充电功率，表示第n辆ev在t时段的放电功率，表示第n辆ev在tin的入网时段的充电时长，表示第n辆ev在tin的入网时段的放电时长，tin,n表示第n辆ev的入网时段，tout.n表示第n辆ev的离网时段，表示第n辆ev在t+1时段中的充电功率，t′in,n为下一段充电开始时段；

103、电动汽车充放电状态约束条件为：

104、0<tin,n,i≤tout,n,i+1；

105、0<tout,n,i+1≤tin,n,i+2；

106、tout,n,t＝t′out,n,t eh,n＝1；

107、式中：tin,n,i表示第n辆ev在i次出行的入网时段，tin,n,i+2表示第n辆ev在i+2次出行的入网时段，tout,n,i+1表示第n辆ev在i+1次出行的离网时段，eh,n表示第n辆ev发生出行链重构事件标识符，eh,n为1时，第n辆ev在一天内发生出行链重构事件，为0时，ev在一天内不发生出行链重构事件，t′out,n,t为出行链事件影响下实际离网时间。

108、与现有技术相比，本发明产生的有益效果为：

109、1)基于路网和配电网耦合的场景，提出了出行链重构模型，对不同事件提供常态下不同的充放电调度计划，以及极端条件下的电动汽车协同储能站调度策略。

110、2)通过仿真实验结果表明，用户的出行链重构行为在常态下受用户的参与度，通过电动汽车的充放电行为，改变每个时段的负荷需求总量，进而产生不同的作用，同时在需求侧的影响也会波及供电侧可再生能源使用率，影响到碳排放总量。极端条件下电动汽车的出行链重构行为亦会通过用户实际的使用需求改变各时段的能源供给和负荷消纳量。

111、3)本发明提出的调度策略能够有效缓解常态中出行链重构事件对既定调度计划的破坏，进而最大限度地平抑负荷波动，以及增加储能站和电动汽车在极端条件下能源供给和负荷消纳量。