CN105515030A - 一种接入电网的电动汽车的有序充电方法 - Google Patents

Abstract

本发明提供一种接入电网的电动汽车的有序充电方法，通过建立发电区域中的区域风光出力概率模型；建立两段式峰谷电价模型，根据两段式峰谷电价模型的求解结果对电动汽车的有序充电进行引导；针对两段式峰谷电价模型的谷电价时段起止时间以及峰谷电价建立优化模型；根据遗传算法求解优化模型，得到电动汽车的最佳有序充电方案。本发明提出的方法充分考虑到需求响应方案并针对其提出有效、可行的有序充电控制策略；有效且可靠地提高了电动汽车充电站的经济效益；并为接入电网的电动汽车的有序充电提供了可靠的数据依据，保证了电动汽车高效的有序充电；进而减少了电网的能量损耗并保证了电网的稳定运行。

Description

一种接入电网的电动汽车的有序充电方法

技术领域

本发明涉及电力系统中电动汽车规划与控制领域，具体涉及一种接入电网的电动汽车的有序充电方法。

背景技术

随着世界范围内环境质量的不断下降，人们越来越提倡绿色环保的生活概念。电动汽车因响应了我国的节能减排政策而发展迅速。另一方面，传统的化石燃料资源日益枯竭，风能和太阳能作为较有前景的可再生能源被人们广泛研究和利用。

针对电动汽车的有序充电以及新能源等相关领域，国内外已经开展了一定程度的研究。方法一是从充电站运营效益的角度出发，通过动态响应电网分时电价，采用有序充电控制方法提高电动汽车充电站的经济效益，但没有考虑电网的负荷波动可能导致另外一个用电高峰在夜间出现。方法二是针对如何利用电动汽车有序充电对电网实现削峰填谷效果的问题，提出了峰谷电价时段的优化模型与方法，但是未考虑峰谷电价和用户响应问题。方法三是以减小电网峰谷差作为主要目标，结合电网分时电价时段划分与局域配电网负荷波动情况，提出了电动汽车充电分时电价时段划分方法，但没有考虑区域风、光等新能源出力对电网负荷特性的影响。方法四是建立了电动汽车与风电协同调度的数学模型，分析了调度电动汽车充电以平滑电网负荷波动、消纳夜间过剩风电的可行性。但该文献侧重于通过调度来控制电动汽车充电行为，未针对需求侧响应提出具体的有序充电方案。

发明内容

有鉴于此，本发明提供的一种接入电网的电动汽车的有序充电方法，该方法针对如何利用电动汽车有序充电对电网进行削峰填谷以及消纳风能、太阳能等可再生能源问题提出具体模型和方法，充分考虑到需求响应方案并针对其提出有效、可行的有序充电控制策略；有效且可靠地提高了电动汽车充电站的经济效益；并为接入电网的电动汽车的有序充电提供了可靠的数据依据，保证了电动汽车高效的有序充电；进而减少了电网的能量损耗并保证了电网的稳定运行。

本发明的目的是通过以下技术方案实现的：

一种接入电网的电动汽车的有序充电方法，所述电网包括风力发电系统及光伏发电系统；所述方法包括如下步骤：

步骤1.建立发电区域中的区域风光出力概率模型；

步骤2.建立两段式峰谷电价模型，根据所述两段式峰谷电价模型的求解结果对所述电动汽车的有序充电进行引导；

步骤3.针对所述两段式峰谷电价模型的谷电价时段起止时间以及峰谷电价建立优化模型；

步骤4.根据遗传算法求解所述优化模型，得到所述电动汽车的最佳有序充电方案。

优选的，所述步骤1，包括：

1-1.获取所述发电区域内的风力发电场及光伏发电站的个数，并检测所述发电区域的风速及光照强度；

1-2.求解所述风力发电系统及光伏发电系统的总有功出力的半不变量γ：

$\mathrm{\γ}=\underset{i=1}{\overset{n}{\Σ}}{\mathrm{\δ}}_i+\underset{j=1}{\overset{m}{\Σ}}{\mathrm{\ϵ}}_j---\left(1\right)$

式(1)中，δ_i为由历史数据求得所述风电场i的有功出力随机变量的半不变量，i＝1,2,3,…,n；ε_j为光伏电站j的有功出力随机变量的半不变量，j＝1,2,3,…,m；n为所述发电区域内的风力发电场的个数；m为所述发电区域内的光伏发电站的个数；

1-3.根据所述风力发电系统及光伏发电系统的总有功出力的半不变量，建立所述发电区域中的区域风光出力概率模型：

1-4.根据所述区域风光出力概率模型，得到各时刻点的负荷随机变量各自满足的概率密度函数：

$\left\{\begin{array}{c}{L}_{tc}=L_{ta}-({\mathrm{\μ}}_t-3{\mathrm{\σ}}_t)\\ L_{tb}=L_{ta}-({\mathrm{\μ}}_t+3{\mathrm{\σ}}_t)\\ L_t=L_{ta}-C_t\end{array}\right.---\left(2\right)$

式(2)中：C_t为t时刻的风光总有功出力随机变量，满足概率密度函数；μ_t为t时刻的风速的平均值；σ_t为t时刻的风速的标准差；L_t为负荷随机变量；a点对应t时刻的电网原始负荷、记为L_ta；b点对应风光出力最大时的负荷、记为L_tb；c点对应风光出力最小时的负荷、记为L_tc。

优选的，所述1-3，包括：

a.通过Gram-Charher展开级数求得第k个小时的所述风力发电系统及光伏发电系统的总有功出力的随机变量的概率密度函数和累积分布函数；

b.根据所述概率密度函数和累积分布函数绘制叠加风光出力的网供负荷曲线；所述网供负荷曲线上的每一个时刻，其负荷都是最大值点和最小值点间的一个随机值，且这个随机值的概率密度由该时刻点的风光总有功出力概率密度函数决定。

优选的，所述步骤2，包括：

2-1.建立所述电动汽车的两段式峰谷电价模型f_p(t)；

式(3)中：P_v为谷时段电价；P_p为峰时段电价；t₁为谷时段开始时刻；t₂为谷时段结束时刻；在(t₁,t₂)时段内，电价按照P_v计算，其他时段按P_p计算；

2-2.根据所述电动汽车的两段式峰谷电价模型f_p(t)，建立峰谷电价比β的计算函数：

β＝(P_p-P_v)/P₀(4)

式(4)中，P₀为未实施峰谷分时电价政策时的电网原始电价；

2-3.根据所述峰谷电价比，构建出电动汽车响应曲面；得到所述电动汽车响应峰谷分时电价政策的用户比例λ是以t₁、Δt、β为自变量的函数：

λ＝f(t₁,Δt,β)(5)

式(5)中：t₁是谷电价时段开始时刻；Δt为谷电价的持续时间，Δt＝t₂-t₁，其中t₂是谷电价时段结束时刻；

2-4.根据峰谷电价对所述电动汽车的有序充电进行引导。

优选的，所述步骤3，包括：

针对所述两段式峰谷电价模型的谷电价时段起止时间以及峰谷电价建立优化模型：

$\begin{array}{cc}\max & P_{\mathrm{\&theta;}}(t_1,\mathrm{\&Delta;}t,\mathrm{\&beta;})\\ s.t.& \left\{\begin{array}{c}0\&le;t_1\&le;24\\ 0<\mathrm{\&Delta;}t<12\\ 0<\mathrm{\&beta;}<{\mathrm{\&beta;}}_{\lim }\end{array}\right.\end{array}---\left(6\right)$

式(6)中：P_θ为对于电网负荷峰谷差率不大于某个特定指标θ的概率。

优选的，所述步骤4，包括：

4-1.以P_θ最大为目标，根据遗传算法求解所述优化模型；即对谷时段开始时刻t₁、谷时段持续时间t以及峰谷电价比β进行寻优；计算使电网负荷曲线峰谷差率最小的一组变量值；

4-2.根据使电网负荷曲线峰谷差率最小的一组变量值，得到所述电动汽车的最佳有序充电方案。

从上述的技术方案可以看出，本发明提供了一种接入电网的电动汽车的有序充电方法，通过建立发电区域中的区域风光出力概率模型；建立两段式峰谷电价模型，根据两段式峰谷电价模型的求解结果对电动汽车的有序充电进行引导；针对两段式峰谷电价模型的谷电价时段起止时间以及峰谷电价建立优化模型；根据遗传算法求解优化模型，得到电动汽车的最佳有序充电方案。本发明提出的方法充分考虑到需求响应方案并针对其提出有效、可行的有序充电控制策略；有效且可靠地提高了电动汽车充电站的经济效益；并为接入电网的电动汽车的有序充电提供了可靠的数据依据，保证了电动汽车高效的有序充电；进而减少了电网的能量损耗并保证了电网的稳定运行。

与最接近的现有技术比，本发明提供的技术方案具有以下优异效果：

1、本发明所提供的技术方案中，针对计及区域风光出力时，如何利用电动汽车有序充电对负荷曲线的峰谷差进行优化的问题，提出了优化模型与方法。有效且可靠地提高了电动汽车充电站的经济效益；并为接入电网的电动汽车的有序充电提供了可靠的数据依据。

2、本发明所提供的技术方案，首先，利用概率规律建立了区域风光出力的概率模型，该模型可以描述区域负荷曲线叠加风光出力后的变化和描述方法，并针对其提出了不确定性负荷曲线峰谷差的评估方法；其次，建立了两段式峰谷电价模型，并构建出电动汽车响应曲面。通过该模型可以利用峰谷电价对电动汽车的有序充电进行引导；

再次，对两段式峰谷电价模型的谷电价时段起止时间以及峰谷电价建立了优化模型，该模型可以实际计算出使电网峰谷差最小的谷电价时段起止时间以及峰谷电价，并通过遗传算法对此优化问题进行了求解。

本发明充分考虑到需求响应方案并针对其提出有效、可行的有序充电控制策略；保证了电动汽车高效的有序充电。

3、本发明所提供的技术方案，有效且可靠地提高了电动汽车充电站的经济效益；并为接入电网的电动汽车的有序充电提供了可靠的数据依据，保证了电动汽车高效的有序充电；进而减少了电网的能量损耗并保证了电网的稳定运行。

4、本发明提供的技术方案，应用广泛，具有显著的社会效益和经济效益。

附图说明

图1是本发明的一种接入电网的电动汽车的有序充电方法的流程图；

图2是本发明的有序充电方法中步骤1的流程示意图；

图3是本发明的有序充电方法中步骤2的流程示意图；

图4是本发明的有序充电方法中步骤4的流程示意图；

图5是本发明的一种接入电网的电动汽车的有序充电方法的具体应用例中的区域典型日负荷曲线图；

图6本发明的具体应用例中的区域负荷曲线变化图；

图7本发明的具体应用例中的区域负荷曲线“带”图；

图8本发明的具体应用例中的t时刻负荷波动范围图；

图9本发明的具体应用例中的由峰谷电价差形成的用户响应示意图；

图10本发明的具体应用例中的考虑行驶需求因素的峰谷电价差用户响应曲线示意图

图11本发明的具体应用例中的考虑行驶需求因素的峰谷电价差用户响应曲面示意图；

图12本发明的具体应用例中的遗传算法流程图；

图13本发明的具体应用例中的计算Pθ子程序流程图。

具体实施方式

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他实施例，都属于本发明保护的范围。

如图1所示，本发明提供一种接入电网的电动汽车的有序充电方法，电网包括风力发电系统及光伏发电系统；方法包括如下步骤：

步骤1.建立发电区域中的区域风光出力概率模型；

步骤2.建立两段式峰谷电价模型，根据两段式峰谷电价模型的求解结果对电动汽车的有序充电进行引导；

步骤3.针对两段式峰谷电价模型的谷电价时段起止时间以及峰谷电价建立优化模型；

步骤4.根据遗传算法求解优化模型，得到电动汽车的最佳有序充电方案。

如图2所示，步骤1，包括：

1-1.获取发电区域内的风力发电场及光伏发电站的个数，并检测发电区域的风速及光照强度；

1-2.求解风力发电系统及光伏发电系统的总有功出力的半不变量γ：

$\mathrm{\&gamma;}=\underset{i=1}{\overset{n}{\&Sigma;}}{\mathrm{\&delta;}}_i+\underset{j=1}{\overset{m}{\&Sigma;}}{\mathrm{\&epsiv;}}_j---\left(1\right)$

式(1)中，δ_i为由历史数据求得风电场i的有功出力随机变量的半不变量，i＝1,2,3,…,n；ε_j为光伏电站j的有功出力随机变量的半不变量，j＝1,2,3,…,m；n为发电区域内的风力发电场的个数；m为发电区域内的光伏发电站的个数；

1-3.根据风力发电系统及光伏发电系统的总有功出力的半不变量，建立发电区域中的区域风光出力概率模型：

1-4.根据区域风光出力概率模型，得到各时刻点的负荷随机变量各自满足的概率密度函数：

$\left\{\begin{array}{c}{L}_{tc}=L_{ta}-({\mathrm{\&mu;}}_t-3{\mathrm{\&sigma;}}_t)\\ L_{tb}=L_{ta}-({\mathrm{\&mu;}}_t+3{\mathrm{\&sigma;}}_t)\\ L_t=L_{ta}-C_t\end{array}\right.---\left(2\right)$

式(2)中：C_t为t时刻的风光总有功出力随机变量，满足概率密度函数；μ_t为t时刻的风速的平均值；σ_t为t时刻的风速的标准差；L_t为负荷随机变量；a点对应t时刻的电网原始负荷、记为L_ta；b点对应风光出力最大时的负荷、记为L_tb；c点对应风光出力最小时的负荷、记为L_tc。

其中，1-3，包括：

a.通过Gram-Charher展开级数求得第k个小时的风力发电系统及光伏发电系统的总有功出力的随机变量的概率密度函数和累积分布函数；Gram-Charher由一个未知随机变量的各阶矩或各阶半不变量计算该随机变量分布的函数值有很多方法。在电力系统随机生产模拟中主要用Gram-Charlier级数展开式和EDGEWORTH级数展开式。这两种级数都是把随机变量的分布函数表达为由正态随机变量各阶导数组成的级数。

b.根据概率密度函数和累积分布函数绘制叠加风光出力的网供负荷曲线；网供负荷曲线上的每一个时刻，其负荷都是最大值点和最小值点间的一个随机值，且这个随机值的概率密度由该时刻点的风光总有功出力概率密度函数决定。

如图3所示，步骤2，包括：

2-1.建立电动汽车的两段式峰谷电价模型f_p(t)；

式(3)中：P_v为谷时段电价；P_p为峰时段电价；t₁为谷时段开始时刻；t₂为谷时段结束时刻；在(t₁,t₂)时段内，电价按照P_v计算，其他时段按P_p计算；

2-2.根据电动汽车的两段式峰谷电价模型f_p(t)，建立峰谷电价比β的计算函数：

β＝(P_p-P_v)/P₀(4)

式(4)中，P₀为未实施峰谷分时电价政策时的电网原始电价；

2-3.根据峰谷电价比，构建出电动汽车响应曲面；得到电动汽车响应峰谷分时电价政策的用户比例λ是以t1、Δt、β为自变量的函数：

λ＝f(t₁,Δt,β)(5)

式(5)中：t1是谷电价时段开始时刻；Δt为谷电价的持续时间，Δt＝t2-t1，其中t2是谷电价时段结束时刻；

2-4.根据峰谷电价对电动汽车的有序充电进行引导。

其中，步骤3，包括：

针对两段式峰谷电价模型的谷电价时段起止时间以及峰谷电价建立优化模型：

$\begin{array}{cc}\max & P_{\mathrm{\&theta;}}(t_1,\mathrm{\&Delta;}t,\mathrm{\&beta;})\\ s.t.& \left\{\begin{array}{c}0\&le;t_1\&le;24\\ 0<\mathrm{\&Delta;}t<12\\ 0<\mathrm{\&beta;}<{\mathrm{\&beta;}}_{\lim }\end{array}\right.\end{array}---\left(6\right)$

式(6)中：Pθ为对于电网负荷峰谷差率不大于某个特定指标θ的概率。

如图4所示，步骤4，包括：

4-1.以Pθ最大为目标，根据遗传算法求解优化模型；即对谷时段开始时刻t1、谷时段持续时间t以及峰谷电价比β进行寻优；计算使电网负荷曲线峰谷差率最小的一组变量值；

4-2.根据使电网负荷曲线峰谷差率最小的一组变量值，得到电动汽车的最佳有序充电方案。

本发明一种接入电网的电动汽车的有序充电方法的具体应用例，具体如下：

针对如何利用电动汽车有序充电对电网进行削峰填谷以及消纳风能、太阳能等可再生能源问题提出具体模型和方法。通过建立区域风光出力概率模型和两段式峰谷电价模型对电动汽车有序充电进行引导，对两段式峰谷电价模型的谷电价时段起止时间以及峰谷电价比建立优化模型，并利用遗传算法进行优化求解。

1)区域风光出力概率模型

若一个地区共有风电场n个，有光伏发电站m个，风速按满足Weibull分布考虑时，可由历史数据求得风电场i的有功出力随机变量的半不变量δi，其中i＝1,2,3,…,n；光照强度满足Beta分布时，对于光伏电站j，可以求出光伏电站j的有功出力随机变量的半不变量εj，j＝1,2,3,…,m。

所有风电场和光伏电站的有功出力是m+n个随机变量，因此可以得到风、光总有功出力的半不变量，即：

$\mathrm{\&gamma;}=\underset{i=1}{\overset{n}{\&Sigma;}}{\mathrm{\&delta;}}_i+\underset{j=1}{\overset{m}{\&Sigma;}}{\mathrm{\&epsiv;}}_j---\left(1\right)$

式中γ为风、光总有功出力的半不变量。

进而，我们可以通过Gram-Charher展开级数求得第k个小时的区域风、光总出力随机变量的概率密度函数fk(x)和累积分布函数Fk(x)。图5为一区域典型日负荷曲线，当叠加风光出力后，网供负荷曲线发生如图6所示的变化。当叠加风光出力后，负荷曲线不再是一条确定性曲线，而是满足一定规律波动的“带”，见图7。在每一个时刻，负荷都是最大值点和最小值点间的一个随机值，且这个随机值的概率密度由该时刻点的风光总有功出力概率密度函数决定。

如图8所示，若在t时刻，t＝1,2,3,…,24，记负荷随机变量为Lt，a点对应电网原始负荷，记作Lta，b点对应风光出力最大时的负荷，记为Ltb，c点对应风光出力最小时的负荷，记为Ltc，则有

$\left\{\begin{array}{c}{L}_{tc}=L_{ta}-({\mathrm{\&mu;}}_t-3{\mathrm{\&sigma;}}_t)\\ L_{tb}=L_{ta}-({\mathrm{\&mu;}}_t+3{\mathrm{\&sigma;}}_t)\\ L_t=L_{ta}-C_t\end{array}\right.---\left(2\right)$

式中：Ct为t时刻的风光总有功出力随机变量，满足概率密度函数ft(c)。

以上过程建立了区域风光出力的概率模型，进而负荷曲线“带”的24个时刻点的负荷随机变量各自满足的概率密度函数也已求出。

2)两段式峰谷电价模型

本文建立的两段式峰谷电价模型如下：

式中：Pv为谷时段电价；Pp为峰时段电价；t1为谷时段开始时刻；t2为谷时段结束时刻；在(t1,t2)时段内，电价按照Pv计算，其他时段按Pp计算。

设P0为未实施峰谷分时电价政策时的电网原始电价，峰谷电价比β如式(4)所示。

β＝(P_p-P_v)/P₀(4)

电力消费者对于峰谷电价差的响应可以分为3个阶段，如图9所示。第一阶段，β在(0,a)区间时，选择在谷电价时段进行充电的用户很少。第二阶段(a,b)，随着峰谷电价差的拉大，越来越多的用户选择在谷价时段进行充电。第三阶段，当峰谷电价差拉开足够大后，响应用户数量将停止增加。图中λ＝n/N是电动汽车充电用户转移比例，其中n是响应峰谷电价差而选择谷时段充电的电动汽车数量，N是电动汽车的总数量。

电动汽车用户对峰谷电价的响应程度除受到峰谷电价差本身的影响之外，还受到时间的影响。将1d内的24h分为3个时段，即

T_p+T_y+T_d＝24(5)

式中：Tp为用户对电动汽车行驶需求迫切时段；Ty为用户对电动汽车行驶需求一般时段；Td为用户对电动汽车行驶需求低迷时段。在用户对行驶需求不同的阶段，对峰谷电价差的响应也有差别，见图10。

通过以上分析可知，电动汽车响应峰谷分时电价政策的用户比例λ是以t1、Δt、β为自变量的函数，即

λ＝f(t₁,Δt,β)(6)

式中：t1是谷电价时段开始时刻；t是谷电价时段持续时间，t＝t2-t1，其中t2是谷电价时段结束时刻。

电动汽车充电用户的价格响应函数应该是包含峰谷电价差与时间2个变量的三维曲面，见图11。

3)优化模型

峰谷电价政策下的电动汽车有序充电模型涉及三部分主要内容，即谷电价区间的划分，峰谷电价比与用户响应的关系，以及不同时间段用户响应的差别，这三者相互耦合，交缠在一起。由于这些变量相互之间关联性强，单独对任一变量进行寻优都未必能够达到理想的效果，因此需要通盘考虑，综合优化。

供电方通过制定峰谷电价P_p、P_v，以及划定谷时段起止时刻t₁、t₂引导电动汽车用户进行有序充电。

如果电网负荷曲线用ζ(t)表示，可以定义峰谷差率反映负荷曲线的平坦程度，峰谷差率B由下式决定：

$B=\frac{max\mathrm{\&zeta;}\left(t\right)-min\mathrm{\&zeta;}\left(t\right)}{max\mathrm{\&zeta;}\left(t\right)}---\left(7\right)$

式中maxζ(t)——电网负荷曲线峰值；

minζ(t)——电网负荷谷值。

而当区域电网原始负荷叠加风光出力后，负荷曲线由原来的一条确定性曲线变为满足概率规律波动的负荷曲线“带”，从而不能再同原来一样利用上式计算峰谷差率，可利用下式对不确定性负荷曲线峰谷差进行评估：

$P_{\mathrm{\&theta;}}=P(\frac{L_{tp}-L_{tv}}{L_{tp}}\&le;\mathrm{\&theta;})---\left(8\right)$

概率P_θ的大小可以反映不确定性负荷曲线峰谷差的大小，P_θ越大，峰谷差(率)越小，负荷曲线“带”越趋于平坦，负荷曲线也越趋于平坦。

若电动汽车的总数为N，对应于每一组Pp、Pv、t1、t2都存在λN辆电动汽车进行有序充电，其负荷曲线记为δo；(1，λ)N辆电动汽车未响应峰谷电价政策而继续进行无序充电，其负荷曲线记为δf；若原始的叠加了风、光出力的负荷曲线“带”记为δb，则对应于此组Pp、Pv、t1、t2的负荷曲线“带”δ＝δb+δo+δf。因此，找出一组Pp、Pv、t1、t2使其对应的δ的峰谷差最小，就可以通过制定峰谷电价Pp、Pv及谷时段起止时刻t1、t2引导电动汽车有序充电，达到最有效地减小峰谷差、消纳新能源出力的目的。

由上述分析可知，Pθ的大小可以反映不确定性负荷曲线峰谷差的大小，为了对计及区域风光出力的负荷曲线峰谷差进行优化，建立如下的优化模型：

$\begin{array}{cc}\max & P_{\mathrm{\&theta;}}(t_1,\mathrm{\&Delta;}t,\mathrm{\&beta;})\\ s.t.& \left\{\begin{array}{c}0\&le;t_1\&le;24\\ 0<\mathrm{\&Delta;}t<12\\ 0<\mathrm{\&beta;}<{\mathrm{\&beta;}}_{\lim }\end{array}\right.\end{array}---\left(9\right)$

对于电网负荷峰谷差率不大于某个特定指标θ的概率Pθ，以Pθ最大为目标，对谷时段开始时刻t1、谷时段持续时间t以及峰谷电价比β进行寻优。

根据以上模型通过寻优操作可以得到使电网负荷曲线峰谷差率最小的一组变量值，其中t₁、Δt能够准确描述谷时段的位置与长度，而峰谷电价比β还不足以确定峰谷电价的具体数值。

供电方在确定峰谷电价P_p、P_v的过程中需要考虑自身的利益不因峰谷分时电价政策的施行和收到损害。为保证这一点，需要使施行峰谷电价之后的平均电价与未施行峰谷分时电价之前保持不变。可以得到如下等式约束

Qc·P₀＝Qc_v·P_v+Qc_p·P_p(10)

式中Qc——电动汽车充电总电量；

Qc_v——谷电价时段的电动汽车充电电量；

Qc_p——峰电价时段的电动汽车充电电量；

P₀——未实行峰谷分时电价政策之前的电价。

峰谷电价比β可以由之前方法确定，通过上式就能够确定峰谷电价P_p、P_v。

利用遗传算法对建立的峰谷时段优化模型进行求解，其主程序流程图如图12所示，计算峰谷差率Pθ的子程序流程图如图13所示。

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，而这些未脱离本发明精神和范围的任何修改或者等同替换，其均在申请待批的本发明的权利要求保护范围之内。

Claims (6)

1.一种接入电网的电动汽车的有序充电方法，所述电网包括风力发电系统及光伏发电系统；其特征在于，所述方法包括如下步骤：

步骤1.建立发电区域中的区域风光出力概率模型；

步骤2.建立两段式峰谷电价模型，根据所述两段式峰谷电价模型的求解结果对所述电动汽车的有序充电进行引导；

步骤3.针对所述两段式峰谷电价模型的谷电价时段起止时间以及峰谷电价建立优化模型；

步骤4.根据遗传算法求解所述优化模型，得到所述电动汽车的最佳有序充电方案。

2.如权利要求1所述的方法，其特征在于，所述步骤1包括：

1-1.获取所述发电区域内的风力发电场及光伏发电站的个数，并检测所述发电区域的风速及光照强度；

1-2.求解所述风力发电系统及光伏发电系统的总有功出力的半不变量γ：

$\mathrm{\&gamma;}=\underset{i=1}{\overset{n}{\&Sigma;}}{\mathrm{\&delta;}}_i+\underset{j=1}{\overset{m}{\&Sigma;}}{\mathrm{\&epsiv;}}_j---\left(1\right)$

式(1)中，δ_i为由历史数据求得所述风电场i的有功出力随机变量的半不变量，i＝1,2,3,…,n；ε_j为光伏电站j的有功出力随机变量的半不变量，j＝1,2,3,…,m；n为所述发电区域内的风力发电场的个数；m为所述发电区域内的光伏发电站的个数；

1-3.根据所述风力发电系统及光伏发电系统的总有功出力的半不变量，建立所述发电区域中的区域风光出力概率模型；

1-4.根据所述区域风光出力概率模型，得到各时刻点的负荷随机变量各自满足的概率密度函数；

$\left\{\begin{array}{c}{L}_{tc}=L_{ta}-({\mathrm{\&mu;}}_t-3{\mathrm{\&sigma;}}_t)\\ L_{tb}=L_{ta}-({\mathrm{\&mu;}}_t+3{\mathrm{\&sigma;}}_t)\\ L_t=L_{ta}-C_t\end{array}\right.---\left(2\right)$

式(2)中：C_t为t时刻的风光总有功出力随机变量，满足概率密度函数；μ_t为t时刻的风速的平均值；σ_t为t时刻的风速的标准差；L_t为负荷随机变量；a点对应t时刻的电网原始负荷、记为L_ta；b点对应风光出力最大时的负荷、记为L_tb；c点对应风光出力最小时的负荷、记为L_tc。

3.如权利要求2所述的方法，其特征在于，所述1-3包括：

a.通过Gram-Charher展开级数求得第k个小时的所述风力发电系统及光伏发电系统的总有功出力的随机变量的概率密度函数和累积分布函数；

b.根据所述概率密度函数和累积分布函数绘制叠加风光出力的网供负荷曲线；所述网供负荷曲线上的每一个时刻，其负荷都是最大值点和最小值点间的一个随机值，且这个随机值的概率密度由该时刻点的风光总有功出力概率密度函数决定。

4.如权利要求3所述的方法，其特征在于，所述步骤2包括：

2-1.建立所述电动汽车的两段式峰谷电价模型f_p(t)；

式(3)中：P_v为谷时段电价；P_p为峰时段电价；t₁为谷时段开始时刻；t₂为谷时段结束时刻；在(t₁,t₂)时段内，电价按照P_v计算，其他时段按P_p计算；

2-2.根据所述电动汽车的两段式峰谷电价模型f_p(t)，建立峰谷电价比β的计算函数：

β＝(P_p-P_v)/P₀(4)

式(4)中，P₀为未实施峰谷分时电价政策时的电网原始电价；

2-3.根据所述峰谷电价比，构建出电动汽车响应曲面；得到所述电动汽车响应峰谷分时电价政策的用户比例λ是以t₁、Δt、β为自变量的函数：

λ＝f(t₁,Δt,β)(5)

式(5)中：t₁是谷电价时段开始时刻；Δt为谷电价的持续时间，Δt＝t₂-t₁，其中t₂是谷电价时段结束时刻；

2-4.根据峰谷电价对所述电动汽车的有序充电进行引导。

5.如权利要求4所述的方法，其特征在于，所述步骤3包括：

针对所述两段式峰谷电价模型的谷电价时段起止时间以及峰谷电价建立优化模型：

maxP_θ(t₁,Δt,β)

$s.t.\left\{\begin{array}{c}0\&le;t_1\&le;24\\ 0<\mathrm{\&Delta;}t<12\\ 0<\mathrm{\&beta;}<{\mathrm{\&beta;}}_{\lim }\end{array}\right.---\left(6\right)$

式(6)中：P_θ为对于电网负荷峰谷差率不大于某个特定指标θ的概率。

6.如权利要求5所述的方法，其特征在于，所述步骤4包括：

4-1.以P_θ最大为目标，根据遗传算法求解所述优化模型；即对谷时段开始时刻t₁、谷时段持续时间t以及峰谷电价比β进行寻优；计算使电网负荷曲线峰谷差率最小的一组变量值；

4-2.根据使电网负荷曲线峰谷差率最小的一组变量值，得到所述电动汽车的最佳有序充电方案。