CN106384175A - 一种基于可调度能力的电动汽车实时控制方法 - Google Patents

Abstract

一种基于可调度能力的电动汽车实时控制方法，本发明在概念的基础上，提出了一种对微电网中电动汽车的充放电功率进行实时分配的方法。该方法该综合考虑EV历史充电行为以及当前的入网信息，建立了EV可调度能力分析模型；结合EV电池损耗程度、充放电迫切程度、反向充电能力以及信用度四项评价指标，确定EV可调度能力的优先调度权，结合个采样周期内功率补偿需求，制定广义的功率分配准则。为了充分体现调度优先权的合理性，本发明在每个采样周期设定SA阈值，当优先调度权取值大于所设阈值时，系统对其重新进行功率分配。本发明实现对电动汽车的优化运行的实时控制、改善系统的负荷特性、减小微电网运行的总成本。

Description

一种基于可调度能力的电动汽车实时控制方法

技术领域

本发明涉及一种基于可调度能力的电动汽车实时控制方法。

背景技术

随着全球一次能源消耗殆尽情况和环境问题的日益严峻，传统能量网架结构亟需转变。强调互动的现代电力系统供需关系中，需求响应(demand response，DR)资源已然被视为在需求侧接入系统的虚拟发电机组，是能源互联时代不可或缺的新型分布式能源。

电动汽车(electric vehicle，EV)并网(vehicle to grid，V2G)思想的提出，使电动汽车以DR的形式参与电网“双向互动”。就目前情形来看，一方面，电动汽车因其在节能减排方面的潜力正受到各国政府、汽车行业的大力推广；另一方面，在这种推广势头的作用下，将来大规模电动汽车的充电需求将给配网带来大量的负荷增长，可能会对配网造成负荷峰谷差加剧、线路过载等负面影响。实现并网EV能量的可调度能力的准确评估，并对它们进行合理的功率分配是如何有效地将EV作为移动储能单元参与配电网的运行调控、实现对规模化EV优化调度的关键技术之一。

发明内容

为了克服现有电动汽车控制方式的实时性较差、负荷特性较差、成本较高的不足，本发明提供一种实现对电动汽车的优化运行的实时控制、改善系统的负荷特性、减小微电网运行的总成本的基于可调度能力的电动汽车实时控制方法。

本发明的技术方案是：

一种基于可调度能力的电动汽车实时控制方法，所述电动汽车实时控制方法面向微电网系统的电动汽车(EV，electric vehicle)集群，基于可调度能力(schedulableability，SA)的概念，建立EV可调度能力分析模型，对微电网系统进行实时功率分配，该方法包括以下步骤：

S1：以Δt为采样周期长度，对整个优化时域T＝{1,2,3,...,K}进行采样，对于任意采样点有t∈T,其中K为采样点总数；

S2：令初始采样点t＝1为电动汽车接入充电设施的时段；

S3：采集第t个采样点供需两侧的信息；

S4：建立EV可调度能力综合评估模型，即SA综合评估模型；从局域配电网的电能公共服务平台获取第l辆电动汽车(l＝1,2,...,n，以下简称电动汽车l)的历史入网信息及此次入网信息，综合评估得到电动汽车l可调度能力

S5：根据第t个采样点所有入网的电动汽车的可调度能力，确定该采样周期内的入网车辆的调度优先权，并制定电动汽车的功率广义分配准则；

S6：根据第t个采样点处的所有入网EV的可调度能力，确定该采样周期内的入网车辆的SA阈值；

S7：根据系统功率补偿需求量，考虑步骤S6中的入网车辆SA阈值，修正电动汽车的功率实时分配准则；

S8：t≥K时，即完成该采样时间内的电动汽车的功率分配；t＜K时，t＝t+1，转至S3，继续对下一个采样周期进行新的功率分配；

进一步，所述步骤S3中，供需两侧的信息包括：分布式风、光发电单元出力和常规负荷需求；，电动汽车l的接入时间T_in,l，期望离网时间T_out,l，电池的容量Q_s,l，电池的初始荷电状态(State of Charge,SOC)S_0,l，且0≤S_0,l≤1，期望SOC。

再进一步，所述步骤S4中，建立SA综合评估模型的步骤如下：

S41：读入当前车辆的信息，确定每一个采样点处电动汽车需要保持的荷电状态：

$S_1^{req}\left(t\right)=\left\{\begin{array}{cc}{S}_{E,l}-S_{EV,\min }-\frac{P_{c,l}{\mathrm{\η}}_{c,l}(T_{out,l}-t)\mathrm{\Δ}t}{Q_{s,l}},& ift\∈(T_{out,l}-S_{E,l}/(P_{c,d}{\mathrm{\η}}_{c,d})\mathrm{\Δ}t,T_{out,l})\\ & andt\∈T_{m,l}\\ S_{EV,min},& else\end{array}\right.---\left(1\right)$

式中，为电动汽车l在采样周期Δt内需要保持的荷电状态；T_out，l表示电动汽车预期离网时间；S_E，l表示电动汽车l在第t个采样点结束时需要达到的荷电状态；P_c,l、η_c,l分别表示电动汽车l的额定充电功率和充电效率；T_m,l表示电动汽车接入电网的持续时间T_sy,l＝T_out,l-T_in,l内所包含的采样点集，S_EV,min表示电动汽车l入网期间需要保持的最小荷电状态；

S42：其次确定每一采样点处系统功率补偿需求量和补偿需求状态，补偿需求量为：

P_com(t)＝P_W(t)+P_PV(t)-L_B(t) (2)

补偿状态为：

$\mathrm{\&phi;}\left(t\right)=\left\{\begin{array}{cc}{\mathrm{\&phi;}}_{V2G},& P_{com}\left(t\right)<0\\ {\mathrm{\&phi;}}_{G2V},& P_{com}\left(t\right)>0\\ 0,& else\end{array}\right.---\left(3\right)$

式中，P_com(t)、φ(t)分别表示采样点t处系统所需功率补偿量；P_W(t)、P_PV(t)和L_B(t)分别表示采样点t处的风机、光伏出力和常规负荷；φ_G2V、φ_V2G分别表示系统处于充电、放电补偿需求状态，且φ_V2G＝φ_G2V＝1，φ_V2Gφ_G2V＝0；

S43：选取SA评估指标，建立SA评估体系；

选出四项评估指标，设由评估指标所组成的初始决策矩阵表示为：Q＝(q_lj)_n×4，其中，j＝1,2,3,4，四项评估指标包括逆向指标：电动汽车l电池的损耗程度q_l1和充电迫切程度q_l2；正向指标：EV反向供电能力q_l3和EV用户信用度q_l4；

电动汽车l电池损耗程度q_l1以及充电迫切程度q_l2的属性值分别表示如下：

$q_{i,l}=-{\mathrm{\&chi;}}_{ref}{v}_{Tem,l}{\mathrm{\&tau;}}_{S_{0,l}}{\mathrm{\&Delta;}}_{DOD,l}{Y}_{cyc,l}---\left(4\right)$

其中：

$v_{Tem,l}=\exp \&lsqb;\frac{-E_a}{\&part;}(\frac{1}{{\mathrm{Tem}}_{0,l}}-\frac{1}{v_{Tem,ref}})\&rsqb;---\left(5\right)$

${\mathrm{\&tau;}}_{S_{0,l}}=\exp \&lsqb;\frac{\mathrm{\&alpha;}Far}{\&part;}(S_{0,l}-{\mathrm{\&tau;}}_{ref})\&rsqb;---\left(6\right)$

${\mathrm{\&Delta;}}_{DOD,l}={\left(\frac{{\mathrm{DOD}}_l}{{\mathrm{\&Delta;}}_{DOD,ref}}\right)}^{\mathrm{\&beta;}}---\left(7\right)$

式中，ν_Tem,l表示温度加速因数；为电动汽车的电池初始荷电状态S_0,l对电池容量衰减的加速因数；Δ_DOD,i表示电池放电深度DOD_i对容量衰减的加速因数；Y_cyc,l表示电动汽车l的历史充放电循环次数，Tem_0,l表示电动汽车l入网时的环境温度；

$q_{l,2}={\mathrm{\&phi;}}_{G2V}\frac{P_{c,l}{\mathrm{\&eta;}}_{c,l}(T_{out,l}-t)\mathrm{\&Delta;}t}{P_{c,l}{\mathrm{\&eta;}}_{c,l}(T_{out,l}-t)\mathrm{\&Delta;}t-Q_{s,l}(S_{E,l}-S_l(t-1\left)\right)}---\left(8\right)$

式中，φ_G2V表示系统是否需要充电补偿的状态，“是”为1，“否”为0；S_l(t-1)表示第t-1个采样点电动汽车的SOC；

EV反向供电能力q_l3以及EV用户信用度q_l4的属性值分别表示如下：

$q_{l,3}={\mathrm{\&phi;}}_{G2V}\frac{P_{c,l}{\mathrm{\&eta;}}_{c,l}(T_{out,l}-t)\mathrm{\&Delta;}t-Q_{s,l}(S_{E,l}-S_l(t-1\left)\right)}{P_{c,l}{\mathrm{\&eta;}}_{c,l}(T_{out,l}-t)\mathrm{\&Delta;}t}---\left(9\right)$

$q_{l,4}=\frac{1}{X}\underset{x=1}{\overset{X}{\&Sigma;}}(1-\frac{T_{out,l}^x-T_{d,l}^x}{T_{out,l}^x-T_{in,l}^x})---\left(10\right)$

式中，X表示一定时间周期内第l辆EV参与调度的总次数；分别表示第x次参与调度的起始时间和预期离网时间；表示第x次参与调度时离开电网的时间；因此，由式(10)可知，对于第x次参与调度时，电动汽车的离网时间越接近预期离网时间电动汽车信用度越大，当电动汽车在完成调度后离网时，信用度为1；

S44：执行SA综合评估方法，过程如下：

对各指标属性值：q_l1、q_l2、q_l3以及q_l4进行无量纲化处理；处理后的评估矩阵记为：D＝(d_lj)_n×4，其中：

$d_{lj}=1-\left|q_{lj}-q_j^{*}\right|/{\mathrm{\&xi;}}_j---\left(11\right)$

式中，d_lj为无量纲化处理后电动汽车l的第j个指标的属性值；对于正项指标q_l3和q_l4，表示第j个指标的最大值；对于逆向指标q_l1和q_l2，表示第j个指标的最小值；ξ_j表示q_lj与之差绝对值的最大值：

${\mathrm{\&xi;}}_j=\underset{1\&le;l\&le;n}{max}\left\{\right|q_{lj}-q_j^{*}\left|\right\}---\left(12\right)$

分别采用层次分析法、标准差和平均值最大化方法确定评估指标q_l1、q_l2、q_l3以及q_l4的主、客观权重w_Sj、w_Oj，层次分析法AHP是一种主观赋权法，利用AHP确定四个指标的主观权重时，首先将四个评估指标q_l1、q_l2、q_l3以及q_l4作为AHP的准则层，其次通过主观衡定四个指标q_l1、q_l2、q_l3以及q_l4的重要性来构造准则层的判断矩阵，最后经过一致性检验便可确定四个评估指标的主观权重；标准差和平均值最大化方法是一种客观赋权法，通过比较四个评估指标q_l1、q_l2、q_l3以及q_l4属性值的变化程度来确定客观权重，变化程度越高则客观权重越大，反之越小；将四个评估指标q_l1、q_l2、q_l3以及q_l4的主客观权重分别组成向量w_S、w_O，根据乘法组合法融合得出四个评估指标q_l1、q_l2、q_l3以及q_l4综合权重系数：进而得出接入微电网的电动汽车l的SA的值

更进一步，所述步骤S5中，电动汽车的优先调度权计算过程如下：

$p_{SA}^l\left(t\right)=f_{SA}^l\left(t\right)/\underset{1}{\overset{n}{\&Sigma;}}{f}_{SA}^l\left(t\right)---\left(13\right)$

结合步骤S4采样周期内的系统功率补偿需求，电动汽车的功率广义分配准则如下：

$P_l\left(t\right)=p_{SA}^l\left(t\right)P_{com}\left(t\right)---\left(14\right)$

式中，P_l(t)表示电动汽车在采样点t处的功率。

所述步骤S6中，SA阈值计算过程如下：

$TH\left(t\right)=(\frac{{\mathrm{\&eta;}}_{c,l}{P}_{c,l}}{P_{com}\left(t\right){|}_{P_{com}\left(t\right)>0}}-\frac{P_{d,i}/{\mathrm{\&eta;}}_{d,l}}{P_{com}\left(t\right){|}_{P_{com}\left(t\right)<0}})\underset{1}{\overset{n}{\&Sigma;}}{f}_{SA}^l\left(t\right)---\left(15\right).$

所述步骤S7中，对电动汽车重新进行功率分配执行过程如下：

当可调度能力超过该采样周期内的阈值时，即令根据式(13)重新调整该电动汽车的调度优先权，调整后的调度优先权记为新的实时功率分配准则表示如下：

$P_l\left(t\right)=\left\{\begin{array}{cc}\min \{P_{d,l}/{\mathrm{\&eta;}}_{d,l},p_{SA,a}^l\left(t\right)P_{com}\left(t\right)\},& if{S}_l(t-1)>S_l^{req}\left(t\right)\\ & andt\&Element;T_{m,l}\\ \min \{{\mathrm{\&eta;}}_{c,l}/P_{c,l},p_{SA,a}^l\left(t\right)P_{com}\left(t\right)\},& if{S}_l(t-1)\&le;S_l^{req}\left(t\right)\\ & andt\&Element;T_{m,l}\\ 0,& else\end{array}\right.---\left(16\right)$

根据所有入网电动汽车的SA评估值初步确定对每一辆电动汽车的调度优先权，为充分体现调度优先权的合理性，通过在每个采样周期设定一个合理的SA阈值，当电动汽车的优先调度权的评估值大于该阈值时，系统对其重新进行功率分配，实现微电网的优化运行的实时控制。

本发明在概念的基础上，提出了一种对微电网中电动汽车的充放电功率进行实时分配的方法。该方法该综合考虑EV历史充电行为以及当前的入网信息，建立了EV可调度能力分析模型；结合EV电池损耗程度、充放电迫切程度、反向充电能力以及信用度四项评价指标，确定EV可调度能力的优先调度权，结合个采样周期内功率补偿需求，制定广义的功率分配准则；为了充分体现调度优先权的合理性，本发明在每个采样周期设定SA阈值，当优先调度权取值大于所设阈值时，系统对其重新进行功率分配。

本发明的有益效果是：

1.流程简单，该实时控制方法只需要根据充放电设施的数据库内容(入网参数，电池状况及历史数据等)，便可以对EV的可调度能力进行评估。

2.能够优先选出更加合适参与调度的车辆，在满足用户充电需求及考虑分布式风、光发电单元出力的前提下，使EV能够准确地实时响应系统能量补偿需求，有效改善了系统的负荷特性，同时提高了供需两侧的经济性。

3.实用性强，该电动汽车实时控制方法基于可调度能力，相比与日前调度，面对出行情况具有较大随机性的单辆EV时更具有实际意义。

附图说明

图1是本发明的流程图。

图2是RES出力、常规负荷曲线图。

图3是微电网补偿需求量和EV功率分配曲线图。

图4是EV功率分配与调度优先权变化关系曲线图。

具体实施方式

下面结合附图对本发明做进一步说明。

参照图1～图4，一种基于可调度能力的电动汽车实时控制方法，所述电动汽车实时控制方法面向微电网系统的电动汽车(EV，electric vehicle)集群，基于可调度能力(schedulable ability，SA)的概念，建立EV可调度能力分析模型，对微电网系统进行实时功率分配，该方法包括以下步骤：

S1：以Δt为采样周期，对整个优化时域T＝{1,2,3,...,K}进行采样，对于任意采样点有t∈T,其中K为采样点总数；

S2：令初始采样点t＝1为电动汽车接入充电设施的时段；

S3：采集第t个采样点供需两侧的信息；

S4：建立EV可调度能力综合评估模型，即SA综合评估模型；从局域配电网的电能公共服务平台获取第l辆电动汽车(l＝1,2,...,n，以下简称电动汽车l)的历史入网信息及此次入网信息，综合评估得到电动汽车l可调度能力

S5：根据第t个采样点所有入网的电动汽车的可调度能力，确定该采样周期内的入网车辆的调度优先权,并制定电动汽车的功率广义分配准则；

S6：根据第t个采样点处的所有入网EV的可调度能力，确定该采样周期内的入网车辆的SA阈值；

S7：根据系统功率补偿需求量，考虑步骤S6中的入网车辆SA阈值，修正电动汽车的功率实时分配准则；

S8：t≥K时，即完成该采样时间内的电动汽车的功率分配，t＜K时，t＝t+1,转至S3，继续对下一个采样周期进行新的功率分配；

进一步，所述步骤S3中，供需两侧的信息包括：分布式风、光发电单元出力(RES)和常规负荷需求；电动汽车l的接入时间T_in,l，期望离网时间T_out,l，电池的容量Q_s,l，电池的初始荷电状态(State of Charge,SOC)S_0,l，且0≤S_0,l≤1，期望SOC。

再进一步，所述步骤S4中，建立SA综合评估模型的步骤如下：

S41：读入当前车辆的信息，确定每一个采样点处电动汽车需要保持的荷电状态：

$S_1^{req}\left(t\right)=\left\{\begin{array}{cc}{S}_{E,l}-S_{EV,\min }-\frac{P_{c,l}{\mathrm{\&eta;}}_{c,l}(T_{out,l}-t)\mathrm{\&Delta;}t}{Q_{s,l}},& ift\&Element;(T_{out,l}-S_{E,l}/(P_{c,d}{\mathrm{\&eta;}}_{c,d})\mathrm{\&Delta;}t,T_{out,l})\\ & andk\&Element;T\\ S_{EV,min},& else\end{array}\right.---\left(17\right)$

式中，为电动汽车l在采样周期Δt内需要保持的荷电状态；T_out，l表示电动汽车预期离网时间；S_E，l表示电动汽车l在第t个采样点结束时需要达到的荷电状态；P_c,l、η_c,l分别表示电动汽车l的额定充电功率和充电效率；T_m,l表示电动汽车接入电网的持续时间T_sy,l＝T_out,l-T_in,l内所包含的采样点集；S_EV,min表示电动汽车l入网期间需要保持的最小荷电状态；

S42：其次确定每一采样点处系统能量补偿需求量和补偿需求状态，补偿需求量为：

P_com(t)＝P_W(t)+P_PV(t)-L_B(t) (18)

补偿状态为：

$\mathrm{\&phi;}\left(t\right)=\left\{\begin{array}{cc}{\mathrm{\&phi;}}_{V2G},& P_{com}\left(t\right)<0\\ {\mathrm{\&phi;}}_{G2V},& P_{com}\left(t\right)>0\\ 0,& else\end{array}\right.---\left(19\right)$

式中，P_com(t)、φ(t)分别表示采样点t处系统所需功率补偿量；P_W(t)、P_PV(t)和L_B(t)分别表示采样点t处的风机、光伏出力和常规负荷，φ_G2V、φ_V2G分别表示系统处于充电、放电补偿需求状态，且φ_V2G＝φ_G2V＝1，φ_V2Gφ_G2V＝0；

S43:选取SA评估指标，建立SA评估体系；

选出四项评估指标，设由评估指标所组成的初始决策矩阵表示为：Q＝(q_lj)_n×4，其中，j＝1,2,3,4，四项评估指标包括逆向指标：电动汽车l电池的损耗程度q_l1和充电迫切程度q_l2；正向指标：EV反向供电能力q_l3和EV用户信用度q_l4；

电动汽车l电池损耗程度q_l1以及充电迫切程度q_l2的属性值分别表示如下：

$q_{i,l}=-{\mathrm{\&chi;}}_{ref}{v}_{Tem,l}{\mathrm{\&tau;}}_{S_{0,l}}{\mathrm{\&Delta;}}_{DOD,l}{Y}_{cyc,l}---\left(20\right)$

其中：

$v_{Tem,l}=\exp \&lsqb;\frac{-E_a}{\&part;}(\frac{1}{{\mathrm{Tem}}_{0,l}}-\frac{1}{v_{Tem,ref}})\&rsqb;---\left(21\right)$

${\mathrm{\&tau;}}_{S_{0,l}}=\exp \&lsqb;\frac{\mathrm{\&alpha;}Far}{\&part;}(S_{0,l}-{\mathrm{\&tau;}}_{ref})\&rsqb;---\left(22\right)$

${\mathrm{\&Delta;}}_{DOD,l}={\left(\frac{{\mathrm{DOD}}_l}{{\mathrm{\&Delta;}}_{DOD,ref}}\right)}^{\mathrm{\&beta;}}---\left(23\right)$

式中，ν_Tem,l表示温度加速因数；为电动汽车的电池初始荷电状态S_0,l对电池容量衰减的加速因数；Δ_DOD,i表示电池放电深度DOD_i对容量衰减的加速因数；Y_cyc,l表示电动汽车l的历史充放电循环次数；Tem_0,l表示电动汽车l入网时的环境温度；

$q_{l,2}={\mathrm{\&phi;}}_{G2V}\frac{P_{c,l}{\mathrm{\&eta;}}_{c,l}(T_{out,l}-t)\mathrm{\&Delta;}t}{P_{c,l}{\mathrm{\&eta;}}_{c,l}(T_{out,l}-t)\mathrm{\&Delta;}t-Q_{s,l}(S_{E,l}-S_l(t-1\left)\right)}---\left(24\right)$

式中，φ_G2V表示系统是否需要充电补偿的状态，“是”为1，“否”0；S_l(t-1)表示第t-1个采样点电动汽车的SOC；

EV反向供电能力q_l3以及EV用户信用度q_l4的属性值分别表示如下：

$q_{l,3}={\mathrm{\&phi;}}_{G2V}\frac{P_{c,l}{\mathrm{\&eta;}}_{c,l}(T_{out,l}-t)\mathrm{\&Delta;}t-Q_{s,l}(S_{E,l}-S_l(t-1\left)\right)}{P_{c,l}{\mathrm{\&eta;}}_{c,l}(T_{out,l}-t)\mathrm{\&Delta;}t}---\left(25\right)$

$q_{l,4}=\frac{1}{X}\underset{x=1}{\overset{X}{\&Sigma;}}(1-\frac{T_{out,l}^x-T_{d,l}^x}{T_{out,l}^x-T_{in,l}^x})---\left(26\right)$

式中，X表示一定时间周期内第l辆EV参与调度的总次数； 分别表示第x次参与调度的起始时间和预期离网时间；表示第x次参与调度时离开电网的时间；因此，由式(10)可知，对于第x次参与调度时，电动汽车的离网时间越接近预期离网时间电动汽车信用度越大，当电动汽车在完成调度后离网时，信用度为1；

S44:执行SA综合评估方法，过程如下：

对各指标属性值：q_l1、q_l2、q_l3以及q_l4进行无量纲化处理；处理后的评估矩阵记为：D＝(d_lj)_n×4，其中：

$d_{lj}=1-\left|q_{lj}-q_j^{*}\right|/{\mathrm{\&xi;}}_j---\left(27\right)$

式中，d_lj为无量纲化处理后电动汽车l的第j个指标的属性值；对于正项指标q_l3和q_l4，表示第j个指标的最大值；对于逆向指标q_l1和q_l2，表示第j个指标的最小值；ξ_j表示q_lj与之差绝对值的最大值：

${\mathrm{\&xi;}}_j=\underset{1\&le;l\&le;n}{max}\left\{\right|q_{lj}-q_j^{*}\left|\right\}---\left(28\right)$

分别采用层次分析法、标准差和平均值最大化方法确定评估指标q_l1、q_l2、q_l3以及q_l4的主、客观权重w_Sj、w_Oj，层次分析法AHP是一种主观赋权法，利用AHP确定四个指标的主观权重时，首先将四个评估指标q_l1、q_l2、q_l3以及q_l4作为AHP的准则层，其次通过主观衡定四个指标q_l1、q_l2、q_l3以及q_l4的重要性来构造准则层的判断矩阵，最后经过一致性检验便可确定四个评估指标的主观权重；标准差和平均值最大化方法是一种客观赋权法，通过比较四个评估指标q_l1、q_l2、q_l3以及q_l4属性值的变化程度来确定客观权重，变化程度越高则客观权重越大，反之越小；将四个评估指标q_l1、q_l2、q_l3以及q_l4的主客观权重分别组成向量w_S、w_O，根据乘法组合法融合得出四个评估指标q_l1、q_l2、q_l3以及q_l4综合权重系数：进而得出接入局域配电网电动汽车l的SA的值

所述步骤S5中，电动汽车的优先调度权计算过程如下：

$p_{SA}^l\left(t\right)=f_{SA}^l\left(t\right)/\underset{1}{\overset{n}{\&Sigma;}}{f}_{SA}^l\left(t\right)---\left(29\right)$

结合步骤S4采样周期内的系统功率补偿需求，电动汽车的功率广义分配准则如下：

$P_l\left(t\right)=p_{SA}^l\left(t\right)P_{com}\left(t\right)---\left(30\right)$

式中，P_l(t)表示电动汽车在采样点t处的功率。

所述步骤S6中，SA阈值计算过程如下：

$TH\left(t\right)=(\frac{{\mathrm{\&eta;}}_{c,l}{P}_{c,l}}{P_{com}\left(t\right){|}_{P_{com}\left(t\right)>0}}-\frac{P_{d,i}/{\mathrm{\&eta;}}_{d,l}}{P_{com}\left(t\right){|}_{P_{com}\left(t\right)<0}})\underset{1}{\overset{n}{\&Sigma;}}{f}_{SA}^l\left(t\right)---\left(31\right)$

所述步骤S7中，对电动汽车重新进行功率分配执行过程如下：

当可调度能力超过该采样周期内的阈值时，即令根据式(13)重新调整该电动汽车的调度优先权，调整后的调度优先权记为新的实时功率分配准则表示如下：

$P_l\left(t\right)=\left\{\begin{array}{cc}\min \{P_{d,l}/{\mathrm{\&eta;}}_{d,l},p_{SA,a}^l\left(t\right)P_{com}\left(t\right)\},& if{S}_l(t-1)>S_l^{req}\left(t\right)\\ & andt\&Element;T_{m,l}\\ \min \{{\mathrm{\&eta;}}_{c,l}/P_{c,l},p_{SA,a}^l\left(t\right)P_{com}\left(t\right)\},& if{S}_l(t-1)\&le;S_l^{req}\left(t\right)\\ & andt\&Element;T_{m,l}\\ 0,& else\end{array}\right.---\left(32\right)$

根据所有入网电动汽车的SA评估值初步确定对每一辆电动汽车的调度优先权，为充分体现调度优先权的合理性，通过在每个采样周期设定一个合理的SA阈值，当电动汽车的优先调度权的评估值大于该阈值时，系统对其重新进行功率分配，实现微电网的优化运行的实时控制。

本发明在概念的基础上，提出了一种对微电网中电动汽车的充放电功率进行实时分配的方法。该方法该综合考虑EV历史充电行为以及当前的入网信息，建立了EV可调度能力分析模型；结合EV电池损耗程度、充放电迫切程度、反向充电能力以及信用度四项评价指标，确定EV可调度能力的优先调度权，结合个采样周期内功率补偿需求，制定广义的功率分配准则。为了充分体现调度优先权的合理性，本发明在每个采样周期设定SA阈值，当优先调度权取值大于所设阈值时，系统对其重新进行功率分配。某居民区局域配电网的总负荷包括常规负荷和电动汽车集群负荷。居民区接入配电变压器的容量为750kVA，效率为0.95，设计算时间长度为24h，时间间隔t为0.05h。该微电网服务的电动汽车规模为25辆。电动汽车的相关参数设置及负荷特性如表1所示。

表1

表1中，r_d表示EV日行驶里程，假设EV每天只充一次电，且充至期望荷电状态S_E,l后开始第二次出行，用户在电池电量不足以满足次日充电需求S_E,l时开始充电。定义S_0,l＝(S_E,l-r_d/R_a)，其中，R_a为EV充电至充至期望状态后的可行驶里程。S_EV,max、S_EV,min分别表示EV电池SOC的上、下限，T_out,l～N(8.92,3.24²)表示T_out,l满足正态分布。

通过蒙特卡洛模拟EV的充电行为，抽样获得日内24h内25辆电动汽车的入网信息和日充电需求数据。在Matlab中采用YALMIP和Cplex对按照步骤S5～S7所得出的功率分配方法进行建模、求解，得到微电网需求量和EV功率分配图和EV功率分配与调度优先权变化关系曲线。

由说明书附图3可知，系统中的EV集群在一天内的功率分布趋势能实时跟随系统能量补偿需求。结合说明书附图3中系统实际补偿需求量分布和说明书附图4中两EV的功率分配情况可知，整体看来，在两辆EV入网的时段内，功率分布趋势均与系统实际补偿需求保持一致，符合预期效果。对比两辆EV功率分配的具体情况可知，在两者共同的入网时段内，EV1在每一采样周期内响应补偿需求的能量普遍大于EV2，结合两者的调度优先权值可知，出现这一现象的原因是，在实时功率分配的大部分采样周期内EV1调度优先权均大于EV2的调度优先权，因此在进行功率分配时，EV1的响应能力较高，分配功率较大。

综上可知，本发明基于EV可调度能力分析模型，根据所有入网电动汽车的SA评估值初步确定对每一辆电动汽车的调度优先权，并通过在每个采样周期设定一个合理的SA阈值，当电动汽车的优先调度权的评估值大于该阈值时，系统对其重新进行功率分配，实现微电网的优化运行的实时控制，有效改善了系统的负荷特性，同时提高了供需两侧的经济性。

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包括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 (6)

1.一种基于可调度能力的电动汽车实时控制方法，其特征在于，该方法包括以下步骤：

S1：以Δt为采样周期长度，对整个优化时域T＝{1,2,3,...,K}进行采样，对于任意采样点有t∈T，其中K为采样点总数；

S2：令初始采样点t＝1为电动汽车接入充电设施的时段；

S3：采集第t个采样点供需两侧的信息；

S4：建立电动汽车EV可调度能力综合评估模型，即SA综合评估模型；从局域配电网的电能公共服务平台获取第l辆电动汽车的历史入网信息及此次入网信息，l＝1,2,...,n，综合评估得到电动汽车l可调度能力

S5：根据第t个采样点所有入网的电动汽车的可调度能力，确定该采样周期内的入网车辆的调度优先权，并制定电动汽车的功率广义分配准则；

S6：根据第t个采样点处的所有入网EV的可调度能力，确定该采样周期内的入网车辆的SA阈值；

S7：根据系统功率补偿需求量，考虑步骤S6中的入网车辆SA阈值，修正电动汽车的功率实时分配准则；

S8：t≥K时，即完成该采样时间内的电动汽车的功率分配，t＜K时，t＝t+1,转至S3，继续对下一个采样周期进行新的功率分配。

2.根据权利要求1所述的基于可调度能力的电动汽车实时控制方法，特征在于，所述步骤S3中，供需两侧的信息包括：分布式风、光发电单元出力RES和常规负荷需求；电动汽车l的接入时间T_in,l，期望离网时间T_out,l，电池的容量Q_s,l，电池的初始荷电状态(State ofCharge,SOC)S_0,l，且0≤S_0,l≤1，期望SOC。

3.根据权利要求1或2所述的基于可调度能力的电动汽车实时控制方法，其特征在于：所述步骤S4中，建立SA综合评估模型的步骤如下：

S41：读入当前车辆的信息，确定每一个采样点处电动汽车需要保持的荷电状态：

$S_1^{req}\left(t\right)=\left\{\begin{array}{cc}{S}_{E,l}-S_{EV,min}-\frac{P_{c,l}{\mathrm{\&eta;}}_{c,l}(T_{out,l}-t)\mathrm{\&Delta;}t}{Q_{s,l}},& ift\&Element;(T_{out,l}-S_{E,l}/(P_{c,d}{\mathrm{\&eta;}}_{c,d})\mathrm{\&Delta;}t,T_{out,l})\\ & andt\&Element;T\\ S_{EV,min},& else\end{array}\right.---\left(1\right)$

式中，为电动汽车l在采样周期Δt内需要保持的荷电状态；T_out，l表示电动汽车预期离网时间；S_E，l表示电动汽车l在第t个采样点结束时需要达到的荷电状态；P_c,l、η_c,l分别表示电动汽车l的额定充电功率和充电效率；T_m,l表示电动汽车接入电网的持续时间T_sy,l＝T_out,l-T_in,l内所包含的采样点集；S_EV,min表示电动汽车l入网期间需要保持的最小荷电状态；

S42：其次确定每一采样点处系统能量补偿需求量和补偿需求状态，补偿需求量为：

P_com(t)＝P_W(t)+P_PV(t)-L_B(t) (2)

补偿状态为：

$\mathrm{\&phi;}\left(t\right)=\left\{\begin{array}{cc}{\mathrm{\&phi;}}_{V2G},& P_{com}\left(t\right)<0\\ {\mathrm{\&phi;}}_{G2V},& P_{com}\left(t\right)>0\\ 0,& else\end{array}\right.---\left(3\right)$

式中，P_com(t)、φ(t)分别表示采样点t处系统所需功率补偿量；P_W(t)、P_PV(t)和L_B(t)分别表示采样点t处的风机、光伏出力和常规负荷，φ_G2V、φ_V2G分别表示系统处于充电、放电补偿需求状态，且φ_V2G＝φ_G2V＝1，φ_V2Gφ_G2V＝0；

S43：选取SA评估指标，建立SA评估体系；

选出四项评估指标，设由评估指标所组成的初始决策矩阵表示为：Q＝(q_lj)_n×4，其中，j＝1,2,3,4，四项评估指标包括逆向指标：电动汽车l电池的损耗程度q_l1和充电迫切程度q_l2；正向指标：EV反向供电能力q_l3和EV用户信用度q_l4；

电动汽车l电池损耗程度q_l1以及充电迫切程度q_l2的属性值分别表示如下：

$q_{l,1}=-{\mathrm{\&chi;}}_{ref}{\mathrm{\&nu;}}_{Tem,l}{\mathrm{\&tau;}}_{S_{0,l}}{\mathrm{\&Delta;}}_{DOD,l}{Y}_{cyc,l}---\left(4\right)$

其中：

${\mathrm{\&nu;}}_{Tem,l}=\exp \&lsqb;\frac{-E_a}{\&part;}(\frac{1}{{\mathrm{Tem}}_{0,l}}-\frac{1}{{\mathrm{\&nu;}}_{Tem,ref}})\&rsqb;---\left(5\right)$

${\mathrm{\&tau;}}_{S_{0,l}}=\exp \&lsqb;\frac{\mathrm{\&alpha;}Far}{\&part;}(S_{0,l}-{\mathrm{\&tau;}}_{ref})\&rsqb;---\left(6\right)$

${\mathrm{\&Delta;}}_{DOD,l}={\left(\frac{{\mathrm{DOD}}_l}{{\mathrm{\&Delta;}}_{DOD,ref}}\right)}^{\mathrm{\&beta;}}---\left(7\right)$

式中，ν_Tem,l表示温度加速因数；为电动汽车的电池初始荷电状态S_0,l对电池容量衰减的加速因数；Δ_DOD,i表示电池放电深度DOD_i对容量衰减的加速因数；Y_cyc,l表示电动汽车l的历史充放电循环次数，Tem_0,l表示电动汽车l入网时的环境温度；

$q_{l,2}={\mathrm{\&phi;}}_{G2V}\frac{P_{c,l}{\mathrm{\&eta;}}_{c,l}(T_{out,l}-t)\mathrm{\&Delta;}t}{P_{c,l}{\mathrm{\&eta;}}_{c,l}(T_{out,l}-t)\mathrm{\&Delta;}t-Q_{s,l}(S_{E,l}-S_l(t-1\left)\right)}---\left(8\right)$

式中，φ_G2V表示系统是否需要充电补偿的状态，“是”为1，“否”0；S_l(t-1)表示第t-1个采样点电动汽车的SOC；

EV反向供电能力q_l3以及EV用户信用度q_l4的属性值分别表示如下：

$q_{l,3}={\mathrm{\&phi;}}_{G2V}\frac{P_{c,l}{\mathrm{\&eta;}}_{c,l}(T_{out,l}-t)\mathrm{\&Delta;}t-Q_{s,l}(S_{E,l}-S_l(t-1\left)\right)}{P_{c,l}{\mathrm{\&eta;}}_{c,l}(T_{out,l}-t)\mathrm{\&Delta;}t}---\left(9\right)$

$q_{l,4}=\frac{1}{X}\underset{x=1}{\overset{X}{\&Sigma;}}(1-\frac{T_{out,l}^x-T_{d,l}^x}{T_{out,l}^x-T_{in,l}^x})---\left(10\right)$

式中，X表示一定时间周期内第l辆EV参与调度的总次数；分别表示第x次参与调度的起始时间和预期离网时间；表示第x次参与调度时离开电网的时间；因此，由式(10)可知，对于第x次参与调度时，电动汽车的离网时间越接近预期离网时间电动汽车信用度越大，当电动汽车在完成调度后离网时，信用度为1；

S44：执行SA综合评估方法，过程如下：

对各指标属性值：q_l1、q_l2、q_l3以及q_l4进行无量纲化处理；处理后的评估矩阵记为：D＝(d_lj)_n×4，其中：

$d_{lj}=1-|q_{lj}-q_j^{*}|/{\mathrm{\&xi;}}_j---\left(11\right)$

式中，d_lj为无量纲化处理后电动汽车l的第j个指标的属性值；对于正项指标q_l3和q_l4，表示第j个指标的最大值；对于逆向指标q_l1和q_l2，表示第j个指标的最小值；ξ_j表示q_lj与之差绝对值的最大值：

${\mathrm{\&xi;}}_j=\underset{1\&le;l\&le;n}{max}\left\{\right|q_{lj}-q_j^{*}\left|\right\}---\left(12\right)$

分别采用层次分析法、标准差和平均值最大化方法确定评估指标q_l1、q_l2、q_l3以及q_l4的主、客观权重w_Sj、w_Oj，层次分析法AHP是一种主观赋权法，利用AHP确定四个指标的主观权重时，首先将四个评估指标q_l1、q_l2、q_l3以及q_l4作为AHP的准则层，其次通过主观衡定四个指标q_l1、q_l2、q_l3以及q_l4的重要性来构造准则层的判断矩阵，最后经过一致性检验便可确定四个评估指标的主观权重；标准差和平均值最大化方法是一种客观赋权法，通过比较四个评估指标q_l1、q_l2、q_l3以及q_l4属性值的变化程度来确定客观权重，变化程度越高则客观权重越大，反之越小；将四个评估指标q_l1、q_l2、q_l3以及q_l4的主客观权重分别组成向量w_S、w_O，根据乘法组合法融合得出四个评估指标q_l1、q_l2、q_l3以及q_l4综合权重系数：进而得出接入局域配电网电动汽车l的SA的值

4.根据权利要求3所述的基于可调度能力的电动汽车实时控制方法，其特征在于：所述步骤S5中，电动汽车的优先调度权计算如下：

$p_{SA}^l\left(t\right)=f_{SA}^l\left(t\right)/\underset{1}{\overset{n}{\&Sigma;}}{f}_{SA}^l\left(t\right)---\left(13\right)$

结合步骤S4采样周期内的系统功率补偿需求，电动汽车的功率广义分配准则如下：

$P_l\left(t\right)=p_{SA}^l\left(t\right)P_{com}\left(t\right)---\left(14\right)$

式中，P_l(t)表示电动汽车在采样点t处的功率。

5.根据权利要求4所述的基于可调度能力的电动汽车实时控制方法，其特征在于：所述步骤S6中，SA阈值计算如下：

$TH\left(t\right)=(\frac{{\mathrm{\&eta;}}_{c,l}{P}_{c,l}}{P_{com}\left(t\right){|}_{P_{com}\left(t\right)>0}}-\frac{P_{d,l}/{\mathrm{\&eta;}}_{d,l}}{P_{com}\left(t\right){|}_{P_{com}\left(t\right)<0}})\underset{1}{\overset{n}{\&Sigma;}}{f}_{SA}^l\left(t\right)---\left(15\right).$

6.根据权利要求5所述的基于可调度能力的电动汽车实时控制方法，特征在于，所述步骤S7中，对电动汽车重新进行功率分配执行过程如下：

当可调度能力超过该采样周期内的阈值时，即令根据式(13)重新调整该电动汽车的调度优先权，调整后的调度优先权记为新的实时功率分配准则表示如下：

$P_l\left(t\right)=\left\{\begin{array}{cc}min\{P_{d,l}/{\mathrm{\&eta;}}_{d,l},p_{SA,a}^l\left(t\right)P_{com}\left(t\right)\},& if{S}_l(t-1)>S_l^{req}\left(t\right)\\ & andt\&Element;T_{m,l}\\ min\{{\mathrm{\&eta;}}_{c,l}{P}_{c,1},p_{SA,a}^l\left(t\right)P_{com}\left(t\right)\},& if{S}_l(t-1)\&le;S_l^{req}\left(t\right)\\ & andt\&Element;T_{m,l}\\ 0,& else\end{array}\right.---\left(16\right)$

根据所有入网电动汽车的SA评估值初步确定对每一辆电动汽车的调度优先权，通过在每个采样周期设定一个SA阈值，当电动汽车的优先调度权的评估值大于该阈值时，系统对其重新进行功率分配，实现微电网的优化运行的实时控制。