CN104600729A - 基于v2g技术的电动汽车参与经济调度优化控制方法 - Google Patents

Abstract

基于V2G技术的电动汽车参与经济调度优化控制方法提出了一个多目标优化模型，将电动汽车车主成本和经济调度成本作为多目标模型的两个目标函数，并让电动汽车通过有序充放电的方式来作为经济调度时的备用容量。在满足各种约束条件下，采用多目标遗传算法(NSGA-II)对模型进行求解。通过选择合适的pareto解集中的值，电动汽车采用V2G技术参与经济调度后可以节省车主成本和经济调度的成本，并且可以实现对负荷削峰填谷的功能。与不含电动汽车的经济调度有所区别，本发明充分考虑了电动汽车车主的充电成本和电动汽车集群的负荷特性，能提高电力系统运行的经济性和稳定性。

Description

基于V2G技术的电动汽车参与经济调度优化控制方法

技术领域

本发明涉及电动汽车技术领域，特别涉及一种基于V2G技术的电动汽车参与经济调度优化控制方法。

背景技术

近年来，人们对能源与环境的要求越来越高，电动汽车的普及推广已成为未来的趋势。电动汽车由于其特殊的能源驱动方式，可以提高能源利用效率并减少对环境的污染，正日益受到人们的关注。各国也采取了积极的政策措施来鼓励电动汽车的发展。但是，随着电动汽车的大规模发展，由于车主的充电行为往往比较随机，大量电动汽车插入电网充电必定会对电网结构及运行造成巨大的压力。通过V2G技术，电动汽车可以实现充放电调度，使其满足系统稳定性及经济性要求。然而目前缺少对于电动汽车集群有序充放电调度的正确指导方案。

经济调度是配电系统运行控制过程中的一个重要问题，是指在满足负荷需求及各种约束条件下，协调各机组的出力，使得配电系统运行总成本最小。与不含电动汽车的经济调度有所区别，本文所提出的含电动汽车的经济调度需要更多地考虑电动汽车的用户行为、动力电池的SOC值及输出功率等限制，因此含电动汽车的经济调度更为复杂。在以往的电动汽车集群充电过程中，电动汽车车主的充电成本往往不被考虑，且电动汽车集群的负荷特性也常常被忽略，只是单纯地作为负荷侧的备用容量。

发明内容

本发明要克服限于技术在大量电动汽车插入电网充电时对电网结构及运行造成巨大压力，以及目前缺少对于电动汽车集群有序充放电调度的正确指导方案的缺点，提供一种基于V2G技术的电动汽车参与经济调度优化控制方法。

为了实现上述目的，本发明的实施例提出了一种基于V2G技术的电动汽车参与经济调度优化控制方法，包括以下步骤：

步骤1，向电动汽车充放电控制和经济调度控制总系统输入各种初始信息，包括电动汽车车辆集群的车辆信息、电动汽车动力电池信息、参与经济调度的各台发电机以及风机的参数信息、各种价格信息、24小时各个时段的负荷预测值。

所述的电动汽车车辆集群的车辆信息包括：车辆数量N，电动汽车充满电时的里程数R_i，车辆接入电网时间T_i ¹，车辆离开电网时间T_i ²，车辆日行驶里程D_i，电动汽车充放电功率PC_i,t，i＝1,2,3...N，t＝1,2,3...T，T为研究周期时间段数。

所述的电动汽车动力电池信息包括：电池容量S_i，电池最大充电上限E_max,i，电池最小放电下限E_min,i，电池消耗系数ε₁,ε₂,ε₃,ε₄,δ，充电和放电效率系数η_c,i、η_d,i，i＝1,2,3...N。

所述的参与经济调度的各台发电机以及风机的参数信息包括：风机的形状参数α，风机的尺度参数β，风机额定输出功率P_r，风机的切入风速v_ci，风机的额定风速v_r，风机的切出风速v_co，参与调频的机组数n，机组i的成本系数a_i、b_i、c_i，机组i的NO_X排放量的特征系数α_i、β_i、θ_i、δ_i、λ_i，机组出力的最大值和最小值P_gi,max、P_gi,min，机组i的强迫停运率γ_i，i＝1,2...n。

所述的各种价格信息包括：购买备用容量价格p_r,t，实际调用备用容量价格p_re,t，系统购买电动汽车备用价格p_v,t，失负荷价格V_oll,t，污染排放价格p_pol,t，弃风价格p_e,t，车主支付的充电价格p_g2v,t，车主获利的放电价格p_v2g,t。

步骤2，根据电动汽车集群的车辆信息得到每辆车的初始荷电状态，采用蒙特卡洛算法对各个时刻的风能、负荷波动和机组停运状态进行预测。

每辆车的初始荷电状态E_0,i的计算公式假设风速服从Weibull分布，即 $f\left(v_t\right)=\frac{\mathrm{\&alpha;}}{\mathrm{\&beta;}}{\left(\frac{v_t}{\mathrm{\&beta;}}\right)}^{\mathrm{\&alpha;}-1}\exp [-{\left(\frac{v_t}{\mathrm{\&beta;}}\right)}^{\mathrm{\&alpha;}}]$ 其中，v_t是t时刻的风速；由风速预测值可以求得实际风能P_w,t输出，即 $P_{w,t}=\left\{\begin{array}{c}\mathrm{0,0}<v_t\&le;v_{\mathrm{ci}}\&v_t>v_{\mathrm{co}}\\ P_r\frac{(v_t-v_{\mathrm{ci}})}{(v_r-v_{\mathrm{ci}})},v_{\mathrm{ci}}<v_t\&le;v_r\\ P_r,v_r<v_t\&le;v_{\mathrm{co}}\end{array}\right.;$ 假定t时刻的负荷波动ΔP_l,t服从正太分布N(0，)，σ_l为其标准差；t时刻机组i的停运状态数为d_i,t，随机产生一个服从[0,1]内均匀分布的伪随机数ω_i，若ω_i≤γ_i，则机组i的停运状态为0，表示机组故障停运，否则机组的停运状态为1，表示机组正常运行。

步骤3，根据电动汽车车辆集群的车辆信息、电动汽车动力电池信息、参与经济调度的各台发电机以及风机的参数信息、每辆车的初始荷电状态列出电动汽车充放电、发电机和风机出力以及备用购买所需要满足的约束条件，随机初始化个体数为X的满足这些约束条件的群体P。

初始化种群，随机产生X个群体P；群体P中每个个体包括的变量有t时刻各台发电机组的出力P_gi,t、计划风能输出P_ew,t、购买备用容量D_r,t、电动汽车充放电控制矩阵C_M×T；充放电控制矩阵C_M×T中，C_ij为第i量电动汽车在当日第j个时间段其电池的充放电功率，C_ij>0表示此刻该辆车处于充电状态，C_ij<0表示此刻该辆车处于放电状态；判断群体P的每个个体是否满足如下约束条件：

1.系统功率平衡约束： $\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{P}_{\mathrm{gi},t}+P_{\mathrm{ew},t}=D_{l,t}+D_{\mathrm{vl},t}$

式中，D_l,t是不包含电动汽车的t时刻的负荷量，D_vl,t为t时刻车辆集群的总充电量。

2.发电机运行约束、风机出力约束和购买备用约束：

P_gi,min≤P_gi,t≤P_gi,max

0≤P_w,t≤P_r

D_r,t≥max{P_gi,t}

3.车辆充放电约束：

E_min,i≤E_i,t+SD_g2v,i,t·η_c,i/S_i-SD_v2g,i,t/η_d,i/S_i≤E_max,i

式中，E_i,t是车辆i在t时段的SOC；SD_v2g,i,t和SD_g2v,i,t分别为车辆i在t时段的充放电量。

4.车辆充电需求约束：

$\underset{t=1}{\overset{T}{\mathrm{\&Sigma;}}}[{\mathrm{SD}}_{g2v,i,t}\&CenterDot;{\mathrm{\&eta;}}_{c,i}-{\mathrm{SD}}_{v2g,i,t}/{\mathrm{\&eta;}}_{d,i}]=S_i\&CenterDot;(E_{\max ,i}-E_{0,i})$

不满足上述约束条件的群体P中的个体将被重新初始化，直到满足上述约束条件，于是就可以得到最终生成的X个初始化群体P。

步骤4，根据初始化的群体P计算出电动汽车用户总成本。

电动汽车用户成本模型中包括充电成本、放电获益和电池损耗成本，计算公式如下：

$\min F_1=\underset{t=1}{\overset{T}{\mathrm{\&Sigma;}}}[p_{g2v,t}\&CenterDot;{\mathrm{SD}}_{g2v,t}-p_{v2g,t}\&CenterDot;{\mathrm{SD}}_{v2g,t}+\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{D}_{i,t}(I_{i,t},I_{i,t-1})]$

D_i,t(I_i,t,I_i,t-1)＝ε₁(I_i,t)²+ε₂(I_i,t-I_i,t-1)²+ε₃(min(E_i,t-δ·S_i,0))²+ε₄

${\mathrm{SD}}_{g2v,t}=\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{SD}}_{g2v,i,t}$

${\mathrm{SD}}_{v2g,t}=\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{SD}}_{v2g,i,t}$

式中，F₁为电动汽车用户成本(T＝24h)；SD_g2v,t和SD_v2g,t分别是t时段的充电量和放电量；I_i,t为电池充放电状态，放电为-1，充电为+1，不充电也不放电为0；D_i,t(I_i,t,I_i,t-1)表示t-1时刻到t时刻第i辆电动汽车电池状态变化的损耗成本，D_i,t(I_i,t,I_i,t-1)的第一部分表示快速充放电对电池的损耗，第二部分表示充放电模式变换对电池的损耗，第三部分表示过度放电会损害电池，第四部分是一个常数。

步骤5，根据初始化的群体P计算出系统经济调度总成本。

经济调度模型中的总成本包含发电成本、备用成本、失负荷成本、污染排放成本和弃风成本，其中备用成本包含购买备用成本、实际调用备用成本和电动汽车充放电调度成本，系统经济调度总成本计算公式如下：

$\min F_2=\underset{t=1}{\overset{T}{\mathrm{\&Sigma;}}}(C_t^g+C_t^r+C_t^{\mathrm{int}}+C_t^{\mathrm{pl}}+C_t^w)$

发电成本 $C_t^g=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}(a_i{P}_{\mathrm{gi},t}^2+b_i{P}_{\mathrm{gi},t}+c_i)$

备用成本 $C_t^r=p_{r,t}{D}_{r,t}+p_{\mathrm{re},t}{D}_{\mathrm{re},t}+p_{v,t}{\mathrm{SD}}_{v2g,t}$

失负荷成本 $C_t^{\mathrm{int}}=E_{\mathrm{ens},t}\&CenterDot;V_{\mathrm{oll},t}$

污染排放成本 $C_t^{\mathrm{pl}}=p_{\mathrm{pol},t}\&CenterDot;[\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}e\left(P_{\mathrm{gi},t}\right)+e\left(D_{\mathrm{re},t}\right)]$

$e\left(P_{\mathrm{gi},t}\right)={\mathrm{\&alpha;}}_i{P}_{\mathrm{gi},t}^2+{\mathrm{\&beta;}}_i{P}_{\mathrm{gi},t}+{\mathrm{\&theta;}}_i+{\mathrm{\&delta;}}_i{e}^{{\mathrm{\&lambda;}}_i\&CenterDot;P_{\mathrm{gi},t}}$

弃风成本 $C_t^w=\left\{\begin{array}{c}{P}_{e,t}\&CenterDot;[P_{w,t}-P_{\mathrm{ew},t}],P_{w,t}>P_{\mathrm{ew},t}\\ 0,P_{w,t}\&le;P_{\mathrm{ew},t}\end{array}\right.$

式中，F₂为系统经济调度总成本(T＝24h)；D_re,t为实际调用备用容量；E_ens,t为失负荷量。其中，当P_w,t≤P_ew,t时，风机输出真实风能，没有弃风成本；当P_w,t>P_ew,t时，风机输出计划风能，弃风成本不为零。

用D_h,t变量来描述备用调用关系，假设D_h,t表达式如下：

$\left\{\begin{array}{c}{D}_{h,t}=D_{l,t}+\mathrm{\&Delta;}{P}_{l,t}+D_{\mathrm{vl}.t}-\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{P}_{\mathrm{gi},t}{d}_{i,t}-{\mathrm{SD}}_{v2g,t}-P_{w,t,}{P}_{w,t}\&le;P_{\mathrm{ew},t}\\ D_{h,t}=D_{l,t}+\mathrm{\&Delta;}{P}_{l,t}+D_{\mathrm{vl},t}-\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{P}_{\mathrm{gi},t}{d}_{i,t}-{\mathrm{SD}}_{v2g,t}-P_{\mathrm{ew},t,}{P}_{w,t}>P_{\mathrm{ew},t}\end{array}\right.$

当D_h,t<0时，表示供大于需，不需要调用备用容量，也没有失负荷量，电网可以储存剩余的电量。D_h,t>0则调用车辆充放电量与备用容量，若全部调用备用容量与车辆可调度量还不满足负荷需求，将产生失负荷量。

步骤6，评价群体P，对P进行非支配排序和拥挤距离计算。

步骤7，对种群P进行选择、交叉和变异，生成满足系统各个约束条件的种群Q，评价Q。

步骤8，生成新种群R＝P∪Q，对R作非支配排序和拥挤距离计算。

步骤9，从R中选择X个最优个体组成种群P。

步骤10，判断是否满足终止条件，若不满足约束条件，则返回步骤7；若满足终止条件，则生成Pareto最优解集，并确定最终解，最终解包括各时刻各台发电机组的出力、计划风能输出、购买备用容量、电动汽车充放电控制矩阵，最后由最终解来调整各个时刻的系统运行。

终止条件的判断是指判断多目标遗传算法的迭代次数是否已经达到最大遗传代数Y代，若还未达到，则返回步骤7；若已达到，则生成最优解集。最终解可以按系统运行的需要，从最优解集中选择其中的一组。

根据本发明的实施例提出了一个多目标优化模型，将电动汽车车主成本和经济调度成本作为多目标模型的目标函数，并让电动汽车通过有序充放电来作为经济调度时的备用容量。在满足各种约束条件下，采用多目标遗传算法(NSGA-II)对模型进行求解。通过选择合适的pareto解集中的值，电动汽车采用V2G技术参与经济调度后可以节省车主成本和经济调度的成本，并且可以实现对负荷削峰填谷的功能，提高系统运行的稳定性。

与不含电动汽车的经济调度有所区别，本发明所提出的含电动汽车的经济调度需要更多地考虑电动汽车的用户行为、动力电池的SOC值及输出功率等限制，因此含电动汽车的经济调度更为复杂；在以往，电动汽车车主的充电成本往往不被考虑，且电动汽车集群的负荷特性也常常被忽略，本发明充分考虑了各种因素的影响，且能提高电力系统运行的经济性和稳定性。

附图说明

图1为本发明的整体流程图。

图2是本发明的实施例的分时电价图

图3是本发明的实施例的各台发电机、风机输出能量和购买备用容量示意图

图4是本发明的电动汽车无序充电和有序充放电时的系统负荷比较图

具体实施方式

以下结合附图描述根据本发明实施例的基于V2G技术的电动汽车参与经济调度优化控制方法。

参考图1，根据基于V2G技术的电动汽车参与经济调度优化控制方法的整体流程图，选择NSGA-II算法的个体数为X＝200，交叉率为0.9,变异率为0.1，迭代次数为Y＝500代，包括如下的实施步骤：

(1)向电动汽车充放电控制和经济调度控制总系统输入各种初始信息，包括电动汽车车辆集群的车辆信息、电动汽车动力电池信息、参与经济调度的各台发电机以及风机的参数信息、各种价格信息、24小时各个时段的负荷预测值。

根据本发明的一个实施例，所述的电动汽车车辆集群的车辆信息包括：车辆数量N＝10000量。电动汽车充满电时的里程数R_i均取200km。车辆接入电网时间T_i ¹，车辆离开电网时间T_i ²，车辆日行驶里程D_i，都根据各自的分布函数由蒙特卡洛方法随机产生：车辆接入电网时间T_i ¹的分布函数为：

$f_{T1}\left(x\right)=\left\{\begin{array}{c}\frac{1}{{\mathrm{\&sigma;}}_{T1}\sqrt{2\mathrm{\&pi;}}}\exp \left[\frac{{(x-{\mathrm{\&mu;}}_{T1})}^2}{2{\mathrm{\&sigma;}}_{T1}^2}\right],({\mathrm{\&mu;}}_{T1}-12)<x\&le;24\\ \frac{1}{{\mathrm{\&sigma;}}_{T1}\sqrt{2\mathrm{\&pi;}}}\exp \left[\frac{{(x+24-{\mathrm{\&mu;}}_{T1})}^2}{2{\mathrm{\&sigma;}}_{T1}^2}\right],0<x\&le;({\mathrm{\&mu;}}_{T1}-12)\end{array}\right.,$ 式中，μ_T1＝17.6,σ_T1＝3.4；车辆离开电网时间T_i ²分布函数为： $f_{T2}\left(x\right)=\frac{1}{(x-7){\mathrm{\&sigma;}}_{T2}\sqrt{2\mathrm{\&pi;}}}\exp \left[\frac{-{(\ln (x-7)-{\mathrm{\&mu;}}_{T2})}^2}{2{\mathrm{\&sigma;}}_{T2}^2}\right],$ 式中，μ_T2＝0,σ_T2＝1；车辆日行驶里程D_i的分布函数为： $f_D\left(x\right)=\frac{1}{x{\mathrm{\&sigma;}}_D\sqrt{2\mathrm{\&pi;}}}\exp \left[\frac{-{(\ln x-{\mathrm{\&mu;}}_D)}^2}{2{\mathrm{\&sigma;}}_D^2}\right],$ 式中，μ_D＝3.2,σ_D＝0.88。假设电动汽车恒功率充放电，则取充放电功率PC_i,t＝4KW。i＝1,2,3...N，t＝1,2,3...T，T为研究周期时间段数，这里为24。

根据本发明的一个实施例，所述的电动汽车动力电池信息包括：电池容量S_i为20～30kWh之间的均匀分布，电池最大充电上限E_max,i＝0.9，电池最小放电下限E_min,i＝0.1，电池消耗系数ε₁＝0.3,ε₂＝0.1,ε₃＝0.2,ε₄＝0.1,δ＝0.2，充电和放电效率系数η_c,i＝0.9、η_d,i＝0.9，i＝1,2,3...N。

根据本发明的一个实施例，以IEEE30节点系统为例，该系统有6个机组，所述的参与经济调度的各台发电机以及风机的参数信息包括：风机的形状参数α＝1.965，风机的尺度参数β＝10.82，风机额定输出功率P_r＝30MW，风机的切入风速v_ci＝4m/s，风机的额定风速v_r＝20m/s，风机的切出风速v_co＝25m/s。参与调频的机组数n＝6，机组i的成本系数a_i、b_i、c_i、机组出力的最大值和最小值P_gi,max、P_gi,min和强迫停运率γ_i如下表所示：

机组	ai	bi	ci	Pgi,min	Pgi,max	γi
							1	100	200	10	0.05	0.5	0.01
2	120	150	10	0.05	0.6	0.01
							3	40	180	20	0.05	1.0	0.02
4	60	60	10	0.05	1.2	0.02
							5	40	180	20	0.05	1.0	0.03
6	100	100	10	0.05	0.6	0.01

机组i的NO_X排放量的特征系数α_i、β_i、θ_i、δ_i、λ_i如下表所示：

机组	αi	βi	θi	δi	λi
						1	6.49	-5.554	4.091	2.0E-4	2.857
2	5.638	-6.047	2.543	5.0E-4	3.333
						3	4.586	-5.094	4.258	1.0E-6	8.0
4	3.38	-3.55	5.326	2.0E-3	2.0
						5	4.586	-5.094	4.258	1.0E-6	8.0

根据本发明的一个实施例，所述的各种价格信息包括：购买备用容量价格p_r,t＝5$/MWh，实际调用备用容量价格p_re,t＝20$/MWh，系统购买电动汽车备用价格p_v,t＝10$/MWh，失负荷价格V_oll,t＝2000$/MWh，污染排放价格p_pol,t＝0.5$/MWh，弃风价格p_e,t＝8$/MWh，车主支付的充电价格p_g2v,t和车主获利的放电价格p_v2g,t均为时刻t的分时电价，如图2所示。

根据本发明的一个实施例，所述的24小时各个时段的负荷预测值如下表所示：

(2)根据电动汽车集群的车辆信息得到每辆车的初始荷电状态，采用蒙特卡洛算法对各个时刻的风能、机组停运状态和负荷波动进行预测。

根据本发明的一个实施例，每辆车的初始荷电状态E_0,i的计算公式假设风速服从Weibull分布，即其中，v_t是t时刻的风速；由风速预测值可以求得实际风能P_w,t输出，即 $P_{w,t}=\left\{\begin{array}{c}\mathrm{0,0}<v_t\&le;v_{\mathrm{ci}}\&v_t>v_{\mathrm{co}}\\ P_r\frac{(v_t-v_{\mathrm{ci}})}{(v_r-v_{\mathrm{ci}})},v_{\mathrm{ci}}<v_t\&le;v_r\\ P_r,v_r<v_t\&le;v_{\mathrm{co}}\end{array}\right.;$ 假定t时刻的负荷波动ΔP_l,t服从正太分布N(0，)，σ_l＝10；t时刻机组i的停运状态数为d_i,t，随机产生一个服从[0,1]内均匀分布的伪随机数ω_i，若ω_i≤γ_i，则机组i的停运状态数d_i,t＝0，表示机组故障停运，否则机组的停运状态数d_i,t＝1，表示机组正常运行。

(3)根据电动汽车车辆集群的车辆信息、电动汽车动力电池信息、参与经济调度的各台发电机以及风机的参数信息、每辆车的初始荷电状态列出电动汽车充放电、发电机和风机出力以及备用购买所需要满足的约束条件，随机初始化个体数为X的满足这些约束条件的群体P。

根据本发明的一个实施例，初始化种群，随机产生X＝200个群体P；群体P中每个个体包括的变量有t时刻各台发电机组的出力P_gi,t、计划风能输出P_ew,t、购买备用容量D_r,t、电动汽车充放电控制矩阵C_M×T；充放电控制矩阵C_M×T中，C_ij为第i量电动汽车在当日第j个时间段其电池的充放电功率，C_ij>0表示此刻该辆车处于充电状态，C_ij<0表示此刻该辆车处于放电状态；判断群体P的每个个体是否满足如下约束条件：

1.系统功率平衡约束： $\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{P}_{\mathrm{gi},t}+P_{\mathrm{ew},t}=D_{l,t}+D_{\mathrm{vl},t}$

式中，D_l,t是不包含电动汽车的t时刻的负荷量，其值为各个时刻的负荷预测值，D_vl,t为t时刻车辆集群的总充电量。

2.发电机运行约束、风机出力约束和购买备用约束：

P_gi,min≤P_gi,t≤P_gi,max

0≤P_w,t≤P_r

D_r,t≥max{P_gi,t}

3.车辆充放电约束：

E_min,i≤E_i,t+SD_g2v,i,t·η_c,i/S_i-SD_v2g,i,t/η_d,i/S_i≤E_max,i

式中，E_i,t是车辆i在t时段的SOC；SD_v2g,i,t和SD_g2v,i,t分别为车辆i在t时段的充放电量。

4.车辆充电需求约束：

$\underset{t=1}{\overset{T}{\mathrm{\&Sigma;}}}[{\mathrm{SD}}_{g2v,i,t}\&CenterDot;{\mathrm{\&eta;}}_{c,i}-{\mathrm{SD}}_{v2g,i,t}/{\mathrm{\&eta;}}_{d,i}]=S_i\&CenterDot;(E_{\max ,i}-E_{0,i})$

不满足上述约束条件的群体P中的个体将被重新初始化，直到满足上述约束条件，于是就可以得到最终生成的X个初始化群体P。

(4)根据初始化的群体P计算出电动汽车用户总成本。

电动汽车用户成本模型中包括充电成本、放电获益和电池损耗成本，计算公式如下：

$\min F_1=\underset{t=1}{\overset{T}{\mathrm{\&Sigma;}}}[p_{g2v,t}\&CenterDot;{\mathrm{SD}}_{g2v,t}-p_{v2g,t}\&CenterDot;{\mathrm{SD}}_{v2g,t}+\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{D}_{i,t}(I_{i,t},I_{i,t-1})]$

D_i,t(I_i,t,I_i,t-1)＝ε₁(I_i,t)²+ε₂(I_i,t-I_i,t-1)²+ε₃(min(E_i,t-δ·S_i,0))²+ε₄

${\mathrm{SD}}_{g2v,t}=\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{SD}}_{g2v,i,t}$

${\mathrm{SD}}_{v2g,t}=\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{SD}}_{v2g,i,t}$

式中，F₁为电动汽车用户成本(T＝24h)；SD_g2v,t和SD_v2g,t分别是t时段的充电量和放电量；I_i,t为电池充放电状态，放电为-1，充电为+1，不充电也不放电为0；D_i,t(I_i,t,I_i,t-1)表示t-1时刻到t时刻第i辆电动汽车电池状态变化的损耗成本，D_i,t(I_i,t,I_i,t-1)的第一部分表示快速充放电对电池的损耗，第二部分表示充放电模式变换对电池的损耗，第三部分表示过度放电会损害电池，第四部分是一个常数。

(5)根据初始化的群体P计算出系统经济调度总成本。

经济调度模型中的总成本包含发电成本、备用成本、失负荷成本、污染排放成本和弃风成本，其中备用成本包含购买备用成本、实际调用备用成本和电动汽车充放电调度成本，系统经济调度总成本计算公式如下：

$\min F_2=\underset{t=1}{\overset{T}{\mathrm{\&Sigma;}}}(C_t^g+C_t^r+C_t^{\mathrm{int}}+C_t^{\mathrm{pl}}+C_t^w)$

发电成本 $C_t^g=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}(a_i{P}_{\mathrm{gi},t}^2+b_i{P}_{\mathrm{gi},t}+c_i)$

备用成本 $C_t^r=p_{r,t}{D}_{r,t}+p_{\mathrm{re},t}{D}_{\mathrm{re},t}+p_{v,t}{\mathrm{SD}}_{v2g,t}$

失负荷成本 $C_t^{\mathrm{int}}=E_{\mathrm{ens},t}\&CenterDot;V_{\mathrm{oll},t}$

污染排放成本 $C_t^{\mathrm{pl}}=p_{\mathrm{pol},t}\&CenterDot;[\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}e\left(P_{\mathrm{gi},t}\right)+e\left(D_{\mathrm{re},t}\right)]$

$e\left(P_{\mathrm{gi},t}\right)={\mathrm{\&alpha;}}_i{P}_{\mathrm{gi},t}^2+{\mathrm{\&beta;}}_i{P}_{\mathrm{gi},t}+{\mathrm{\&theta;}}_i+{\mathrm{\&delta;}}_i{e}^{{\mathrm{\&lambda;}}_i\&CenterDot;P_{\mathrm{gi},t}}$

弃风成本 $C_t^w=\left\{\begin{array}{c}{P}_{e,t}\&CenterDot;[P_{w,t}-P_{\mathrm{ew},t}],P_{w,t}>P_{\mathrm{ew},t}\\ 0,P_{w,t}\&le;P_{\mathrm{ew},t}\end{array}\right.$

式中，F₂为系统经济调度总成本(T＝24h)；D_re,t为实际调用备用容量；E_ens,t为失负荷量。其中，当P_w,t≤P_ew,t时，风机输出真实风能，没有弃风成本；当P_w,t>P_ew,t时，风机输出计划风能，弃风成本不为零。

用D_h,t变量来描述备用调用关系，假设D_h,t表达式如下：

$\left\{\begin{array}{c}{D}_{h,t}=D_{l,t}+\mathrm{\&Delta;}{P}_{l,t}+D_{\mathrm{vl}.t}-\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{P}_{\mathrm{gi},t}{d}_{i,t}-{\mathrm{SD}}_{v2g,t}-P_{w,t,}{P}_{w,t}\&le;P_{\mathrm{ew},t}\\ D_{h,t}=D_{l,t}+\mathrm{\&Delta;}{P}_{l,t}+D_{\mathrm{vl},t}-\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{P}_{\mathrm{gi},t}{d}_{i,t}-{\mathrm{SD}}_{v2g,t}-P_{\mathrm{ew},t,}{P}_{w,t}>P_{\mathrm{ew},t}\end{array}\right.$

当D_h,t<0时，表示供大于需，不需要调用备用容量，也没有失负荷量，电网可以储存剩余的电量。D_h,t>0则调用车辆充放电量与备用容量，若全部调用备用容量与车辆可调度量还不满足负荷需求，将产生失负荷量。

(6)评价群体P，对P进行非支配排序和拥挤距离计算。

(7)对种群P进行选择、交叉和变异，生成满足系统各个约束条件的种群Q，评价Q。

(8)生成新种群R＝P∪Q，对R作非支配排序和拥挤距离计算。

(9)从R中选择X个最优个体组成种群P。

(10)判断是否满足终止条件，若不满足约束条件，则返回步骤(7)；若满足终止条件，则生成Pareto最优解集，并确定最终解，最终解包括各时刻各台发电机组的出力、计划风能输出、购买备用容量、电动汽车充放电控制矩阵，最后由最终解来调整各个时刻的系统运行。

根据本发明的一个实施例，终止条件的判断是指判断多目标遗传算法的迭代次数是否已经达到最大遗传代数Y＝500代，若还未达到，则返回步骤(7)；若已达到，则生成最优解集。最终解可以按系统运行的需要，从最优解集中选择其中的一组。实施例当中选择电动汽车车主成本和经济调度成本权重为2:1的那组解。

最终可以得到如下的结果和结论：

结论一，各台发电机、风机输出能量和购买备用容量如图3所示。由图3可知，机组1在11时发生故障，输出为0；参数相似的机组3,4,5,6的输出能量和购买备用容量接近。因为购买备用容量必须大于任何一台发电机，如果其中一台发电机的输出明显高于其他发电机，则会造成购买备用容量成本增加，使得目标函数值增加，因此才使得参数相似的发电机组输出和备用容量购买量接近，以减小总成本。

结论二，当电动汽车无序充电(即在电动汽车接入电网的第一时刻开始充电，直到充满才停止充电)时，经济调度的总成本为22753.07$，电动汽车用户总成本为10467$。当电动汽车作为负荷侧的备用容量参与有序的充放电调度之后，经济调度的总成本为21138.65$，电动汽车用户总成本为-6339.5$，这表示参与有序充放电的电动汽车用户总共能获得6339.5$的盈利。

结论三，电动汽车无序充电和有序充放电时的系统负荷比较如图4所示。由图4可知，电动汽车有序充放电可以减小负荷峰谷差，提高电力系统运行的稳定性。

根据本发明的实施例，电动汽车通过有序充放电来作为经济调度时的备用容量，结合NSGA-II算法对模型求解后，得到系统各发电机输出、风机输出、备用容量和电动汽车集群充放电量矩阵，最后根据所得到这些解来调整各个时刻的系统运行。可知有序充放电调度可以节省经济调度成本和车主充电成本，也可以起到削峰填谷的作用，提高系统运行的稳定性与安全性。

本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。

Claims (1)

1.一种基于V2G技术的电动汽车参与经济调度优化控制方法，包括以下步骤：

步骤1，向电动汽车充放电控制和经济调度控制总系统输入各种初始信息，包括电动汽车车辆集群的车辆信息、电动汽车动力电池信息、参与经济调度的各台发电机以及风机的参数信息、各种价格信息、24小时各个时段的负荷预测值。

所述的电动汽车车辆集群的车辆信息包括：车辆数量N，电动汽车充满电时的里程数R_i，车辆接入电网时间车辆离开电网时间车辆日行驶里程D_i，电动汽车充放电功率PC_i,t，i＝1,2,3...N，t＝1,2,3...T，T为研究周期时间段数。

所述的电动汽车动力电池信息包括：电池容量S_i，电池最大充电上限E_max,i，电池最小放电下限E_min,i，电池消耗系数ε₁,ε₂,ε₃,ε₄,δ，充电和放电效率系数η_c,i、η_d,i，i＝1,2,3...N。

所述的参与经济调度的各台发电机以及风机的参数信息包括：风机的形状参数α，风机的尺度参数β，风机额定输出功率P_r，风机的切入风速v_ci，风机的额定风速v_r，风机的切出风速v_co，参与调频的机组数n，机组i的成本系数a_i、b_i、c_i，机组i的NO_X排放量的特征系数α_i、β_i、θ_i、δ_i、λ_i，机组出力的最大值和最小值P_gi,max、P_gi,min，机组i的强迫停运率γ_i，i＝1,2...n。

所述的各种价格信息包括：购买备用容量价格p_r,t，实际调用备用容量价格p_re,t，系统购买电动汽车备用价格p_v,t，失负荷价格V_oll,t，污染排放价格p_pol,t，弃风价格p_e,t，车主支付的充电价格p_g2v,t，车主获利的放电价格p_v2g,t。

步骤2，根据电动汽车集群的车辆信息得到每辆车的初始荷电状态，采用蒙特卡洛算法对各个时刻的风能、负荷波动和机组停运状态进行预测。

每辆车的初始荷电状态E_0,i的计算公式假设风速服从Weibull分布，即其中，v_t是t时刻的风速；由风速预测值可以求得实际风能P_w,t输出，即假定t时刻的负荷波动ΔP_l,t服从正太分布N(0，)，σ_l为其标准差；t时刻机组i的停运状态数为d_i,t，随机产生一个服从[0,1]内均匀分布的伪随机数ω_i，若ω_i≤γ_i，则机组i的停运状态为0，表示机组故障停运，否则机组的停运状态为1，表示机组正常运行。

步骤3，根据电动汽车车辆集群的车辆信息、电动汽车动力电池信息、参与经济调度的各台发电机以及风机的参数信息、每辆车的初始荷电状态列出电动汽车充放电、发电机和风机出力以及备用购买所需要满足的约束条件，随机初始化个体数为X的满足这些约束条件的群体P。

初始化种群，随机产生X个群体P；群体P中每个个体包括的变量有t时刻各台发电机组的出力P_gi,t、计划风能输出P_ew,t、购买备用容量D_r,t、电动汽车充放电控制矩阵C_M×T；充放电控制矩阵C_M×T中，C_ij为第i量电动汽车在当日第j个时间段其电池的充放电功率，C_ij＞0表示此刻该辆车处于充电状态，C_ij＜0表示此刻该辆车处于放电状态；判断群体P的每个个体是否满足如下约束条件：

1)系统功率平衡约束：

式中，D_l,t是不包含电动汽车的t时刻的负荷量，D_vl,t为t时刻车辆集群的总充电量。

2)发电机运行约束、风机出力约束和购买备用约束：

P_gi,min≤P_gi,t≤P_gi,max

0≤P_w,t≤P_r

D_r,t≥max{P_gi,t}

3)车辆充放电约束：

E_min,i≤E_i,t+SD_g2v,i,t·η_c,i/S_i-SD_v2g,i,t/η_d,i/S_i≤E_max,i

式中，E_i,t是车辆i在t时段的SOC；SD_v2g,i,t和SD_g2v,i,t分别为车辆i在t时段的充放电量。

4)车辆充电需求约束：

不满足上述约束条件的群体P中的个体将被重新初始化，直到满足上述约束条件，于是就可以得到最终生成的X个初始化群体P。

步骤4，根据初始化的群体P计算出电动汽车用户总成本。

电动汽车用户成本模型中包括充电成本、放电获益和电池损耗成本，计算公式如下：

D_i,t(I_i,t,I_i,t-1)＝ε₁(I_i,t)²+ε₂(I_i,t-I_i,t-1)²+ε₃(min(E_i,t-δ·S_i,0))²+ε₄

式中，F₁为电动汽车用户成本(T＝24h)；SD_g2v,t和SD_v2g,t分别是t时段的充电量和放电量；I_i,t为电池充放电状态，放电为-1，充电为+1，不充电也不放电为0；D_i,t(I_i,t,I_i,t-1)表示t-1时刻到t时刻第i辆电动汽车电池状态变化的损耗成本，D_i,t(I_i,t,I_i,t-1)的第一部分表示快速充放电对电池的损耗，第二部分表示充放电 模式变换对电池的损耗，第三部分表示过度放电会损害电池，第四部分是一个常数。

步骤5，根据初始化的群体P计算出系统经济调度总成本。

经济调度模型中的总成本包含发电成本、备用成本、失负荷成本、污染排放成本和弃风成本，其中备用成本包含购买备用成本、实际调用备用成本和电动汽车充放电调度成本，系统经济调度总成本计算公式如下：

发电成本

备用成本

失负荷成本

污染排放成本

弃风成本

式中，F₂为系统经济调度总成本(T＝24h)；D_re,t为实际调用备用容量；E_ens,t为失负荷量。其中，当P_w,t≤P_ew,t时，风机输出真实风能，没有弃风成本；当P_w,t＞P_ew,t时，风机输出计划风能，弃风成本不为零。

用D_h,t变量来描述备用调用关系，假设D_h,t表达式如下：

当D_h,t＜0时，表示供大于需，不需要调用备用容量，也没有失负荷量，电网可以储存剩余的电量。D_h,t＞0则调用车辆充放电量与备用容量，若全部调用备用容量与车辆可调度量还不满足负荷需求，将产生失负荷量。

步骤6，评价群体P，对P进行非支配排序和拥挤距离计算。

步骤7，对种群P进行选择、交叉和变异，生成满足系统各个约束条件的种群Q，评价Q。

步骤8，生成新种群R＝P∪Q，对R作非支配排序和拥挤距离计算。

步骤9，从R中选择X个最优个体组成种群P。

步骤10，判断是否满足终止条件，若不满足约束条件，则返回步骤7；若满足终止条件，则生成Pareto最优解集，并确定最终解，最终解包括各时刻各台发电机组的出力、计划风能输出、购买备用容量、电动汽车充放电控制矩阵，最后由最终解来调整各个时刻的系统运行。

终止条件的判断是指判断多目标遗传算法的迭代次数是否已经达到最大遗传代数Y代，若还未达到，则返回步骤7；若已达到，则生成最优解集。最终解可以按系统运行的需要，从最优解集中选择其中的一组。