CN103457326A - 一种大规模电动汽车充电负荷的分布式联合协调控制方法 - Google Patents

Abstract

本发明涉及一种大规模电动汽车充电负荷的分布式联合协调控制方法，属于能源管理技术领域。首先，客户端根据车辆基本信息确定初始充电功率并发送给协调中心。协调中心计算优化负荷曲线与优化判定阈值。根据各客户端充电功率计算当前负荷曲线及其表征值。若表征值小于判定阈值，则发送停止交互命令，客户端按当前充电功率为电动汽车充电；否则计算概率转移矩阵并向客户端发送。客户端根据概率转移矩阵，计算转移矩阵，更新充电功率并发送给协调中心。如此反复交互，直至表征值小于判定阈值。本发明可有效实现错峰充电，缓解协调中心的计算压力，保护用户的充电需求隐私，节约上下层之间的数据通信资源，适用于大规模电动汽车有序控制。

Description

一种大规模电动汽车充电负荷的分布式联合协调控制方法

技术领域

本发明涉及一种大规模电动汽车充电负荷的分布式联合协调控制方法，属于能源管理技术领域。

背景技术

电动汽车相较传统汽车具有节能环保、低碳减排等优点，在解决能源危机以及环境污染等问题具有显著优势，受到了世界各国政府的青睐。在中国，国家大力推动电力汽车行业的发展，2012年国务院提出了“2015年，纯电动汽车和插电混合动力汽车累计产销量达到50万辆，到2020年超过500万辆』的宏伟目标。可以预见，在电动汽车广泛普及的未来，其充电负荷的接入将给电网带来不可忽视的影响。有研究表明，如不对电动汽车充电负荷加以协调控制，大量电动汽车用户将于下班回家后将电动汽车接入电网充电，导致充电高峰与居民用电高峰时间重叠，造成峰谷差加剧、电压下降、变压器过载、网损增加等问题，将对电网的安全经济运行造成威胁。通过出台分时电价机制以及采用适当的控制方法可以引导电动汽车在用电低谷时段进行充电，清华大学胡泽春等人之前提出了一种充电站内的电动汽车协调充电控制方法（专利申请号：201110023668.4），在分时电价的前提下采用该控制方法，可在满足用户充电需求的基础上，引导电动汽车在夜间负荷低谷时段进行充电，但该有序充电策略的不足在于，在电动汽车渗透率较大的情况下，在低谷电价开始时段会形成电动汽车充电尖峰，造成配电网网损增加，变压器过载等问题。因此，有必要研究、发展电动汽车的削峰填谷错峰充电有序协调控制技术。传统的电动汽车有序充电协调控制方法中，往往采取集中控制的模式。即各电动汽车向有序充电协调中心上传电池荷电状态（State of Charge,SOC）等信息，由协调中心求解一个大规模非线性混合整数规划问题，再将各优化结果传输给电动汽车。其不足在于该非线性混合整数规划问题的优化变量与电动汽车数量呈正比，在控制的电动汽车数量很多时，往往会使得求解时间过长或难以求得最优解，且须向各电动汽车分别下发不同指令，对通讯设施具有较高的要求。

发明内容

本发明的目的是提出一种大规模电动汽车充电负荷的分布式联合协调控制方法，在考虑电动汽车用户充电需求以及隐私信息保护的基础上，运用客户端以及协调中心的双层控制结构，实现电动汽车的错峰充电。

本发明提出的大规模电动汽车充电负荷的分布式联合协调控制方法，包括以下步骤：

（1）控制系统的客户端分别从用户侧获取充电起始时间t_start和充电结束时间t_end、从电池管理系统获取用户电动汽车当前电池容量B和当前电池荷电状态SOC以及从充电桩控制系统获取充电桩的充电功率P和充电效率η；

（2）客户端根据上述获取的信息，计算电动汽车的充电时长并设定电动汽车的初始充电功率为L_0,n(t)，n＝1,2,…,N_EV，t＝1,2,…,T_max，其中n为客户端编号，N_EV为被控电动汽车数量，t为采样序号，T_max为最大采样序号，各采样时刻之间的间隔为Δt，在时段[t_start,t_start+T]内，电动汽车的初始充电功率L_0,n(t)等于充电桩的充电功率P，在[t_start,t_start+T]的以外时段，电动汽车的初始充电功率为零，客户端将初始充电功率L_0,n(t)发送给控制系统的协调中心；

（3）控制系统的协调中心从电力系统获取电力系统预测的当日常规负荷曲线L_base(t)，根据控制系统各客户端的初始充电功率L_0,n(t)，计算所有被控电动汽车充电所需的能量E_EV：

$E_{\mathrm{EV}}=\mathrm{\η}\underset{n=1}{\overset{N_{\mathrm{EV}}}{\mathrm{\Σ}}}\underset{t=1}{\overset{T_{\max }}{\mathrm{\Σ}}}{L}_{0,n}\left(t\right)\mathrm{\Δt}$

（4）根据电动汽车数量N_EV、总能量E_EV以及上述预测的当日常规负荷曲线L_base(t)，建立一个优化负荷模型：

$\min \underset{t=1}{\overset{T_{\max }}{\mathrm{\Σ}}}{(P_{\mathrm{EV}}\left(t\right)+L_{\mathrm{base}}\left(t\right))}^2$

$s.t.\underset{t=1}{\overset{T_{\max }}{\mathrm{\Σ}}}{P}_{\mathrm{EV}}\left(t\right)\mathrm{\Δt}=E_{\mathrm{EV}}$

0≤P_EV(t)≤N_EVP

其中，P_EV(t)为被控电动汽车的总充电功率；

求解上述优化负荷模型，得到优化负荷曲线为L_opt(t)＝P_EV(t)+L_base(t)；

（5）设定一个优化精度阈值ε，ε∈(1,1.5]，将优化精度阈值ε与上述优化负荷模型的目标函数最小值

相乘，得到优化判定阈值为

（6）控制系统的协调中心将上述预测的当日常规负荷曲线L_base(t)与各电动汽车的当前充电功率L_n相加，得到当前负荷曲线

（7）根据上述当前负荷曲线L_cur(t)，计算当前负荷曲线的表征值

将表征值D_cur与优化判定阈值D_thd进行比较，若D_cur≤D_thd，则进行步骤（10），若D_cur＞D_thd，则根据步骤（6）的当前负荷曲线L_cur(t)和步骤（4）的优化负荷曲线L_opt(t)，计算概率转移矩阵M_p，并将概率转移矩阵M_p发送给控制系统的各客户端，所述的概率转移矩阵M_p为一个T_max×T_max的方阵，方阵中第i行第j列的元素为m_i,j，元素m_i,j的确定过程如下：

（7-1）设定一个转出负荷向量V_out，在第i时刻，若L_opt(i)＞L_cur(i)，则转出负荷向量V_out(i)＝0，若L_opt(i)≤L_cur(i)，则V_out(i)＝L_cur(i)-L_opt(i)；

（7-2）设定一个转入负荷向量V_in，在第i时刻，若L_opt(i)＞L_cur(i)，则V_in(i)＝L_opt(i)-L_cur(i)，若L_opt(i)≤L_cur(i)，则V_in(i)＝0；

（7-3）在第j时刻，若V_out(j)＝0，则对于任意整数i∈[1,T_max]，m_i,j＝0，若V_out(j)＞0，则

对于任意整数i∈[1,T_max]且i≠j，

（8）控制系统的客户端根据接收的概率转移矩阵M_p，计算得到一个转移矩阵M_t，具体步骤如下：

（8-1）客户端根据接收的概率转移矩阵M_p以及当前充电功率L_n，计算得到转移充电向量V_trans和保留充电向量V_res，对任意整数j∈[1，T_max],若

则V_trans(j)＝L_n(j)，V_res(j)＝0，对任意整数j∈[1,T_max]，若则V_trans(j)＝0，V_res(j)＝L_n(j)；

（8-2）对概率转移矩阵M_p进行修正，对任意整数i、j∈[1,T_max]，若满足i＜t_start、i＞t_end、j＜t_start或j＞t_end中的任意一种情况，则使m_i,j＝0，对任意整数i、j∈[1,T_max]，若V_res(j)＝1，则使m_j,i＝0，对任意整数i、j∈[1,T_max]，若V_trans(j)＝0，则使m_i,j＝0；

（8-3）对任意整数j∈[1,T_max]，若

则生成一个在区间均匀分布的随机数R，若R∈(0,m_1,j]，则使m_1,j＝1，对任意整数i∈[1,T_max]且i≠1，则使m_i,j＝0，对任意整数i∈[1,T_max]且i≠j，则使m_1,i＝0；若

n满足条件T_max-1≥n≥1，则使m_n+1,j＝1，对任意整数i∈[1,T_max]且i≠n+1，使m_i,j＝0，对任意整数i∈[1,T_max]且i≠j，使m_n+1,i＝0，修正后的概率转移矩阵即为转移矩阵M_t；

（9）控制系统的客户端根据上述计算结果，得到更新后电动汽车充电功率L_new＝M_tV_trans+V_res，并将更新后的充电功率作为L_n发送给控制系统的协调中心，返回步骤（6）；

（10）控制系统的协调中心向控制系统中各客户端发送停止客户端与协调中心之间交互的指令，客户端接收到该指令后，按当前充电功率L_n为电动汽车充电，实现有序错峰充电。

本发明提出的大规模电动汽车充电负荷的分布式联合协调控制方法，其优点是：

1、本发明的大规模电动汽车充电负荷的分布式联合协调控制方法，可有效实现削峰填谷错峰充电，提高电力系统设备的使用率，延缓设备升级，提高经济效益。

2、本发明的大规模电动汽车充电负荷的分布式联合协调控制方法中，将协调计算分散至各客户端，在客户端考虑电动汽车的相关约束，实施本地自主决策，因而可有效缓解电动汽车有序充电协调中心的计算压力，适用于大规模分布式电动汽车充电负荷有序控制。

3、本发明的调控制方法中，控制计算简单快速。控制系统的协调中心端的计算，均不涉及复杂优化问题的求解，客户端仅须根据控制系统协调中心侧广播的负荷概率转移矩阵确定自身的充电功率，普通单片机即可实现上述功能，因此节约了控制成本。控制过程中，控制系统的协调中心侧仅需计算负荷概率转移矩阵，并判定充电功率是否已满足削峰填谷的要求，计算过程简单，快速，易于实现。

4、本发明的调控制方法，保护用户隐私。控制系统的协调中心向各客户端广播的是统一的负荷概率转移矩阵，而非各电动汽车的充电功率，因此可有效保护用户的充电需求隐私。

5、本发明的调控制方法，节约了通信资源。控制系统的协调中心，采取广播形式统一向各客户端发送信号，无须向各客户端分别下达不同指令，节约了上、下层之间的数据通信资源，降低了设备投资，适用于大规模分布式电动汽车充电负荷的联合协调控制。

附图说明

图1为大规模电动汽车充电负荷的分布式联合协调控制方法的流程框图。

具体实施方式

本发明提出的大规模电动汽车充电负荷的分布式联合协调控制方法，其流程框图如图1所示，包括以下步骤：

（1）控制系统的客户端分别从用户侧获取充电起始时间t_start和充电结束时间t_end、从电池管理系统获取用户电动汽车当前电池容量B和当前电池荷电状态SOC以及从充电桩控制系统获取充电桩的充电功率P和充电效率η；

（2）客户端根据上述获取的信息，计算电动汽车的充电时长

并设定电动汽车的初始充电功率为L_0,n(t)，n＝1,2,…,N_EV，t＝1,2,…,T_max，其中n为客户端编号，N_EV为被控电动汽车数量，t为采样序号，T_max为最大采样序号，各采样时刻之间的间隔为Δt，在时段[t_start,t_start+T]内，电动汽车的初始充电功率L_0,n(t)等于充电桩的充电功率P，在[t_start,t_start+T]的以外时段，电动汽车的初始充电功率为零，客户端将初始充电功率L_0,n(t)发送给控制系统的协调中心；

（3）控制系统的协调中心从电力系统获取电力系统预测的当日常规负荷曲线L_base(t)，根据控制系统各客户端的初始充电功率L_0,n(t)，计算所有被控电动汽车充电所需的能量E_EV：

$E_{\mathrm{EV}}=\mathrm{\η}\underset{n=1}{\overset{N_{\mathrm{EV}}}{\mathrm{\Σ}}}\underset{t=1}{\overset{T_{\max }}{\mathrm{\Σ}}}{L}_{0,n}\left(t\right)\mathrm{\Δt}$

（4）根据电动汽车数量N_EV、总能量E_EV以及上述预测的当日常规负荷曲线L_base(t)，建立一个优化负荷模型：

$\min \underset{t=1}{\overset{T_{\max }}{\mathrm{\Σ}}}{(P_{\mathrm{EV}}\left(t\right)+L_{\mathrm{base}}\left(t\right))}^2$

$s.t.\underset{t=1}{\overset{T_{\max }}{\mathrm{\Σ}}}{P}_{\mathrm{EV}}\left(t\right)\mathrm{\Δt}=E_{\mathrm{EV}}$

0≤P_EV(t)≤N_EVP

其中，P_EV(t)为被控电动汽车的总充电功率；

求解上述优化负荷模型，得到优化负荷曲线为L_opt(t)＝P_EV(t)+L_base(t)；

（5）设定一个优化精度阈值ε，ε∈(1,1.5]，将优化精度阈值ε与上述优化负荷模型的目标函数最小值

相乘，得到优化判定阈值为

（6）控制系统的协调中心将上述预测的当日常规负荷曲线L_base(t)与各电动汽车的当前充电功率L_n相加，得到当前负荷曲线

（7）根据上述当前负荷曲线L_cur(t)，计算当前负荷曲线的表征值

将表征值D_cur与优化判定阈值D_thd进行比较，若D_cur≤D_thd，则进行步骤（10），若D_cur＞D_thd，则根据步骤（6）的当前负荷曲线L_cur(t)和步骤（4）的优化负荷曲线L_opt(t)，计算概率转移矩阵M_p，并将概率转移矩阵M_p发送给控制系统的各客户端，所述的概率转移矩阵M_p为一个T_max×T_max的方阵，方阵中第i行第j列的元素为m_i,j，元素m_i,j的确定过程如下：

（7-1）设定一个转出负荷向量V_out，在第i时刻，若L_opt(i)＞L_cur(i)，则转出负荷向量V_out(i)＝0，若L_opt(i)≤L_cur(i)，则V_out(i)＝L_cur(i)-L_opt(i)；

（7-2）设定一个转入负荷向量V_in：在第i时刻，若L_opt(i)＞L_cur(i)，则V_in(i)＝L_opt(i)-L_cur(i)，若L_opt(i)≤L_cur(i)，则V_in(i)＝0；

（7-3）在第j时刻，若V_out(j)＝0，则对于任意整数i∈[1,T_max]，m_i,j＝0，若V_out(j)＞0，则

对于任意整数i∈[1,T_max]且i≠j，

（8）控制系统的客户端根据接收的概率转移矩阵M_p，计算得到一个转移矩阵M_t，具体步骤如下：

（8-1）客户端根据接收的概率转移矩阵M_p以及当前充电功率L_n，计算得到转移充电向量V_trans和保留充电向量V_res，对任意整数j∈[1,T_max]，若则V_trans(j)＝L_n(j)，V_res(j)＝0，对任意整数j∈[1,T_max]，若

则V_trans(j)＝0，V_res(j)＝L_n(j)；

（8-2）对概率转移矩阵M_p进行修正，对任意整数i、j∈[1,T_max]，若满足i＜t_start、i＞t_end、j＜t_start或j＞t_end中的任意一种情况，则使m_i,j＝0，对任意整数i、j∈[1,T_max]，若V_res(j)＝1，则使m_j,i＝0，对任意整数i、j∈[1,T_max]，若V_trans(j)＝0，则使m_i,j＝0；

（8-3）对任意整数j∈[1,T_max]，若

则生成一个在区间

均匀分布的随机数R，若R∈(0,m_1,j]，则使m_1,j＝1，对任意整数i∈[1,T_max]且i≠1，则使m_i,j＝0，对任意整数i∈[1,T_max]且i≠j，则使m_1,i＝0；若

n满足条件T_max-1≥n≥1，则使m_n+1,j＝1，对任意整数i∈[1,T_max]且i≠n+1，使m_i,j＝0，对任意整数i∈[1,T_max]且i≠j，使m_n+1,i＝0，修正后的概率转移矩阵即为转移矩阵M_t；

（9）控制系统的客户端根据上述计算结果，得到更新后电动汽车充电功率L_new＝M_tV_trans+V_res，并将更新后的充电功率作为L_n发送给控制系统的协调中心，返回步骤（6）；

（10）控制系统的协调中心向控制系统中各客户端发送停止客户端与协调中心之间交互的指令，客户端接收到该指令后，按当前充电功率L_n为电动汽车充电，实现有序错峰充电。

Claims (1)

1.一种大规模电动汽车充电负荷的分布式联合协调控制方法，其特征在于该方法包括以下步骤：

（1）控制系统的客户端分别从用户侧获取充电起始时间t_start和充电结束时间t_end、从电池管理系统获取用户电动汽车当前电池容量B和当前电池荷电状态SOC以及从充电桩控制系统获取充电桩的充电功率P和充电效率η；

（2）客户端根据上述获取的信息，计算电动汽车的充电时长

并设定电动汽车的初始充电功率为L_0,n(t)，n＝1,2,…,N_EV，t＝1,2,…,T_max，其中n为客户端编号，N_EV为被控电动汽车数量，t为采样序号，T_max为最大采样序号，各采样时刻之间的间隔为Δt，在时段[t_start,t_start+T]内，电动汽车的初始充电功率L_0,n(t)等于充电桩的充电功率P，在[t_start,t_start+T]的以外时段，电动汽车的初始充电功率为零，客户端将初始充电功率L_0,n(t)发送给控制系统的协调中心；

（3）控制系统的协调中心从电力系统获取电力系统预测的当日常规负荷曲线L_base(t)，根据控制系统各客户端的初始充电功率L_0,n(t)，计算所有被控电动汽车充电所需的能量E_EV：

$E_{\mathrm{EV}}=\mathrm{\η}\underset{n=1}{\overset{N_{\mathrm{EV}}}{\mathrm{\Σ}}}\underset{t=1}{\overset{T_{\max }}{\mathrm{\Σ}}}{L}_{0,n}\left(t\right)\mathrm{\Δt}$

（4）根据电动汽车数量N_EV、总能量E_EV以及上述预测的当日常规负荷曲线L_base(t)，建立一个优化负荷模型：

$\min \underset{t=1}{\overset{T_{\max }}{\mathrm{\Σ}}}{(P_{\mathrm{EV}}\left(t\right)+L_{\mathrm{base}}\left(t\right))}^2$

$s.t.\underset{t=1}{\overset{T_{\max }}{\mathrm{\Σ}}}{P}_{\mathrm{EV}}\left(t\right)\mathrm{\Δt}=E_{\mathrm{EV}}$

0≤P_EV(t)≤N_EVP

其中，P_EV(t)为被控电动汽车的总充电功率；

求解上述优化负荷模型，得到优化负荷曲线为L_opt(t)＝P_EV(t)+L_base(t)；

（5）设定一个优化精度阈值ε，ε∈(1,1.5]，将优化精度阈值ε与上述优化负荷模型的目标函数最小值

相乘，得到优化判定阈值为

（6）控制系统的协调中心将上述预测的当日常规负荷曲线L_base(t)与各电动汽车的当前充电功率L_n相加，得到当前负荷曲线

（7）根据上述当前负荷曲线L_cur(t)，计算当前负荷曲线的表征值

将表征值D_cur与优化判定阈值D_thd进行比较，若D_cur≤D_thd，则进行步骤（10），若D_cur＞D_thd，则根据步骤（6）的当前负荷曲线L_cur(t)和步骤（4）的优化负荷曲线L_opt(t)，计算概率转移矩阵M_p，并将概率转移矩阵M_p发送给控制系统的各客户端，所述的概率转移矩阵M_p为一个T_max×T_max的方阵，方阵中第i行第j列的元素为m_i,j，元素m_i,j的确定过程如下：

（7-1）设定一个转出负荷向量V_out，在第i时刻，若L_opt(i)＞L_cur(i)，则转出负荷向量V_out(i)＝0，若L_opt(i)≤L_cur(i)，则V_out(i)＝L_cur(i)-L_opt(i)；

（7-2）设定一个转入负荷向量V_in：在第i时刻，若L_opt(i)＞L_cur(i)，则V_in(i)＝L_opt(i)-L_cur(i)，若L_opt(i)≤L_cur(i)，则V_in(i)＝0；

（7-3）在第j时刻，若V_out(j)＝0，则对于任意整数i∈[1,T_max]，m_i,j＝0，若V_out(j)＞0，则

对于任意整数i∈[1,T_max]且i≠j，

（8）控制系统的客户端根据接收的概率转移矩阵M_p，计算得到一个转移矩阵M_t，具体步骤如下：

（8-1）客户端根据接收的概率转移矩阵M_p以及当前充电功率L_n，计算得到转移充电向量V_trans和保留充电向量V_res，对任意整数j∈[1,T_max]，若

则V_trans(j)＝L_n(j)，V_res(j)＝0，对任意整数j∈[1,T_max]，若

则V_trans(j)＝0，V_res(j)＝L_n(j)；

（8-2）对概率转移矩阵M_p进行修正，对任意整数i、j∈[1,T_max]，若满足i＜t_start、i＞t_end、j＜t_start或j＞t_end中的任意一种情况，则使m_i,j＝0，对任意整数i、j∈[1,T_max]，若V_res(j)＝1，则使m_j,i＝0，对任意整数i、j∈[1,T_max]，若V_trans(j)＝0，则使m_i,j＝0；

（8-3）对任意整数j∈[1,T_max]，若

则生成一个在区间

均匀分布的随机数R，若R∈(0,m_1,j]，则使m_1,j＝1，对任意整数i∈[1,T_max]且i≠1，则使m_i,j＝0，对任意整数i∈[1,T_max]且i≠j，则使m_1,i＝0；若

n满足条件T_max-1≥n≥1，则使m_n+1,j＝1，对任意整数i∈[1,T_max]且i≠n+1，使m_i,j＝0，对任意整数i∈[1,T_max]且i≠j，使m_n+1,i＝0，修正后的概率转移矩阵即为转移矩阵M_t；

（9）控制系统的客户端根据上述计算结果，得到更新后电动汽车充电功率L_new＝M_tV_trans+V_res，并将更新后的充电功率作为L_n发送给控制系统的协调中心，返回步骤（6）；

（10）控制系统的协调中心向控制系统中各客户端发送停止客户端与协调中心之间交互的指令，客户端接收到该指令后，按当前充电功率L_n为电动汽车充电，实现有序错峰充电。