CN106786505A - 一种基于邻域信息的分散充电桩协同调度方法 - Google Patents

Abstract

本发明公开了一种基于邻域信息的分散充电桩协同调度方法，充电桩对象在t时间段开始时刻，根据上一时间段作出的计划变更自己的充电状态标志，接着充电桩获取邻域一定半径内当前其他对象的发、用电信息，结合自身是否接受协同调度标志，计算出t+1时段的充电概率阈值，用随机生成的随机数与之比较，作出是否充电的决策。本发明不需要分层，不需要上下层之间协调，算法结构简单。这种调度方法适合充电桩分布广，容量小的特点，能够节省调度系统的投资，实现更加灵活的配置。

Description

一种基于邻域信息的分散充电桩协同调度方法

技术领域

本发明属于电动汽车充电桩充电控制领域，具体涉及一种用于电网削峰填谷的基于邻域信息的分散充电桩协同调度方法。

背景技术

目前，以煤炭、石油为主的化石燃料广泛使用，造成大气污染日益严重。电动汽车以其良好的环保、节能特性，得到了全球各地政府、企业的大力关注。充电机技术和电池制造技术逐年提高，充电设施建设加速推进，促进了电动汽车的迅速增长，实现了交通出行的低碳环保化。

然而大规模的电动汽车同时接入电网充电，其无序充电会提高电网峰谷差率，增加电网投资，导致局部设备过载。为解决这一问题，当前普遍采用的策略为集中式调度，即调控中心获取包括充电桩在内的所有发、用电信息，以平抑电网等效负荷波动为目标，对充电桩充电时间区间进行最优规划。由于充电桩数量骤增，分布更加分散，电网调度采用分层调度的架构。通过集中器汇总局域电动汽车充电需求以及功率调节能力，上传到调控中心。调控中心根据掌握的电网运行信息，向各集中器下发功率控制指令。集中器根据电网指令以及局域充电需求和调节能力，优化调度各电动车充电。

分层调度增加了系统的复杂度，其工程实现的难度在于：

1)集中器部署和管理存在困难；

2)电网信息与充电信息分属不同企业，信息共享困难；

3)集中器与调控中心之间的协调算法流程复杂；

4)调度控制电动汽车用户存在困难。

发明内容

本发明为了解决上述问题，提出了一种基于邻域信息的分散充电桩协同调度方法，本发明通过每个充电桩根据自身邻域一定半径内所有对象的发、用电信息，结合自身状态信息，以平抑电网等效负荷波动为目标，采用邻域最优化算法，自发的作出是否充电的决定，通过这种分布式的就地决策算法，尽最大可能地实现全局期望的削峰填谷功能。

为了实现上述目的，本发明采用如下技术方案：

一种基于邻域信息的分散充电桩协同调度方法，充电桩对象在t时间段开始时刻，根据上一时间段作出的计划变更自己的充电状态标志，接着充电桩获取邻域一定半径内当前其他对象的发、用电信息，结合自身是否接受协同调度标志，计算出t+1时段的充电概率阈值，用随机生成的随机数与之比较，作出是否充电的决策。

一种基于邻域信息的分散充电桩协同调度方法，包括以下步骤：

(1)根据控制需求划分时间段；

(2)获取邻域一定半径内发、用电对象的等效负荷以及邻域内配电变压器或开关的总容量；

(3)充电桩根据上一时间段做出的计划更改充电桩充电状态，根据获取的参数，以平滑充电桩所在位置一定邻域半径内电网等效负荷曲线为目标，生成自身下一时间段充电概率阈值；

(4)每个充电桩随机生成对比参数，判断对比参数与充电概率阈值的差值，若对比参数大于等于充电概率阈值，则该充电桩充电，否则不充电；

(5)返回步骤(3)，进行每个时间段的循环。

所述步骤(1)中，根据控制需求将一天划分为T个时间段，每个时间段分为当前运行和下一阶段计划两部分。

所述步骤(2)中，发、用电对象为负荷对象、光伏发电对象、风力发电对象和邻域内其他充电桩对象。

所述步骤(2)中，光伏发电对象包括集中式光伏电站和分散的光伏电池板在内的所有光伏发电单元；风力发电对象包括大型风电场和单个风电机在内的所有风力发电单元。

所述步骤(2)中，获取邻域一定半径内发、用电对象的等效负荷P_E,j(t)的获取和领域内配电变压器或开关的总容量P_N,j，其中，P_E，j(t)＝ΣP_load，i(t)-ΣP_PV，i(t)-ΣP_wind，i(t)+N_charging，j(t)·ΔP (1)

∑P_load,i(t)表示邻域内常规负荷对象的总功率，∑P_PV,i(t)表示邻域内光伏发电单元的总功率，∑P_wind,i(t)表示邻域内所有风力发电单元的总功率，ΔP表示每个充电桩的充电功率，N_charging,j(t)表示充电桩j邻域内处于充电状态的所有充电桩的总数量。

所述步骤(2)中，每个充电桩配置是否接受协同调度标志u_cp,j(t)，u_cp,j(t)＝0表示第j个充电桩不接受协同调度，无论周围负荷处于什么水平，此充电桩始终处于充电状态；u_cp,j(t)＝1表示第j个充电桩接受协同调度。

所述步骤(3)中，下一时间段充电概率阈值p_j(t+1)：

其中，总容量P_N,j(t)、等效负荷P_E,j(t)，充电桩是否接受协同调度标志u_cp,j(t)。

所述步骤(4)中，充电桩随机生成[0,1]之间的随机数r，如果r≥p(t+1)，则充电桩t+1时段充电，否则不充电。

一种基于邻域信息的分散充电桩协同调度系统，包括调控中心服务器、处理器和寄存器，其中：

所述寄存器，包括多个，每个寄存器被配置为与每个充电桩相对应；

所述调控中心服务器，被配置为基于地理位置的算法将每个充电桩一定邻域半径内的所有发、用电数据通过通信网络转发给该充电桩，并根据其计算该充电桩的下一时间段充电概率阈值；

所述处理器，被配置为随机生成对比参数，将下一时间段充电概率阈值与对比参数，得出该充电桩下一时间段充电标志的值，并将其存储至相应的寄存器。

本发明的有益效果为：

1)本发明不需要人为设置集中器和划分区域，工程和商业应用实现简单；

2)本发明不需要分层，不需要上下层之间协调，算法结构简单，这种调度方法适合充电桩分布广，容量小的特点，能够节省调度系统的投资，实现更加灵活的配置；

3)本发明降低了调控中心繁重的数据计算任务，经济性显著提高。

附图说明

图1为本发明的理论模型示意图；

图2为本发明的逐个时间段工作过程图。

具体实施方式：

下面结合附图与实施例对本发明作进一步说明。

选取生活住宅小区或者园区为实例场景。

本协同调度方法涉及邻域信息的获取，首先根据控制需求将一天划分为T个时间段，每个时间段分为当前运行和下一阶段计划两部分，如图2所示。

本协同调度方法涉及邻域信息的获取，包括邻域一定半径内发、用电对象的等效负荷P_E,j(t)、邻域内配电变压器或开关的总容量P_N,j，本实例选取生活住宅小区或园区为场景，因此可以认为邻域内配电变压器的总容量P_N,j为邻域内10Kv配电变压器或开关的总容量。邻域是指：以充电桩对象为中心，一定距离为半径的空间区域。

所述邻域一定半径内发、用电对象等效负荷P_E,j(t)可以认为由两部分组成，一部分是除充电桩对象以外的发、用电对象负荷P_other,j(t)，另一部分是充电桩对象负荷P_cp,j(t)。即：

P_E,j(t)＝P_other,j(t)+P_cp,j(t) (2)

除充电桩对象以外的发、用电对象可以是常规负荷对象、光伏发电对象、风力发电对象，但不仅限于此。常规负荷对象是指住宅小区、工厂、商场等负荷单元；光伏发电对象是指包括集中式光伏电站和分散的光伏电池板在内的所有光伏发电单元；风力发电对象是指包括大型风电场和单个风电机在内的所有风力发电单元。因此：

P_other,j(t)＝∑P_load,i(t)-∑P_PV,i(t)-∑P_wind,i(t) (3)

公式(3)中，P_load,i(t)表示常规负荷单元i的功率，∑P_load,i(t)表示邻域内常规负荷对象的总功率；P_PV,i(t)表示光伏发电单元i的功率，∑P_PV,i(t)表示邻域内光伏发电单元的总功率；P_wind,i(t)表示风力发电单元i的功率，∑P_wind,i(t)表示邻域内所有风力发电单元的总功率。

充电桩是指为电动汽车充电的充电设施，是本发明中控制的主体。ΔP表示每个充电桩的充电功率；Flag表示每个充电桩的充电状态，Flag＝true表示充电桩处于充电状态；Flag＝false表示充电桩处于空闲状态；u_cp,j(t)表示第j个充电桩是否接受协同调度标志。u_cp,j(t)＝0表示第j个充电桩不接受协同调度，无论周围负荷处于什么水平，此充电桩始终处于充电状态；u_cp,j(t)＝1表示第j个充电桩接受协同调度；N_charging,j(t)表示充电桩j邻域内处于充电状态的所有充电桩的总数量，因此：

P_cp,j(t)＝N_charging,j(t)·ΔP (4)

综上所述，邻域一定半径内发、用电对象等效负荷P_E,j(t)可以表示为：

P_E,j(t)＝∑P_load,i(t)-∑P_PV,i(t)-∑P_wind,i(t)+N_charging,j(t)·ΔP (5)

本协同调度方法理论模型如图1所示，圆圈实体代表除充电桩以外的发、用电对象，椭圆形实体代表充电桩对象。s_n(t)是这些发、用电对象的属性，表示此对象在时段t的实际功率值。其中充电桩根据邻域一定半径内发、用电信息，结合自身是否接受协同调度标志，计算出t+1时段的充电概率阈值，用随机数生成程序生成的随机数与之比较，作出是否充电的决策。

具体工作过程如下：

充电桩对象在t时间段开始时刻，根据上一时间段作出的计划变更自己的充电状态标志Flag，接着充电桩获取邻域一定半径内当前其他对象的发、用电信息，结合自身是否接受协同调度标志，计算出t+1时段的充电概率阈值，用随机数生成程序生成的随机数与之比较，作出是否充电的决策。

考虑到各充电桩周围发、用电的绝对功率不同，采用相对值指标进行标准化处理，使不同绝对数值具有可比性。以充电桩j为例说明充电桩工作过程，首先根据上一时段做出的计划变更当前充电状态，然后获取周围发、用电对象的信息，根据公式(5)计算出等效负荷P_E,j(t)，结合充电桩自身是否接受协同调度标志u_cp,j(t)，根据公式(6)计算出充电桩j在t+1时间段的充电概率p_j(t+1)。

充电桩随机数生成程序产生[0,1]之间的随机数r，如果r≥p(t+1)，则充电桩t+1时段充电，否则不充电。

至此，充电桩下一时间段的充电计划完成，t+1时间段到来初始时刻，充电桩就按照t时间段制定的充电计划进行充电或者不充电。

所有的充电桩充电都按照上述过程执行。

公式(6)所产生的效果是：

1)t+1时段充电概率阈值p_j(t+1)的取值范围为[0,1]；

2)当等效负荷P_E,j(t)＜0时，说明此时光伏、风电等可再生能源发电量较大，此时充电概率阈值取0，保证所有充电桩都可以充电，达到了消纳可再生能源的目的；

3)在常规负荷峰值、光伏发电和风力发电出力较小时产生较大的充电概率阈值p_j(t+1)。此时充电桩充电概率较小；在常规负荷低谷、光伏发电和风力发电出力较大时产生较小的充电概率p_j(t+1)值，此时充电桩概率较大，整体上实现平滑电网等效负荷的功能。

模型的工程实现方法可以采用以下方法，但不仅限于与此。调控中心服务器采用基于地理位置的算法，将充电桩j一定邻域半径内的所有发、用电数据通过通信网络转发给充电桩j，每一个充电桩都是具有处理器功能的智能体，根据公式(6)算出充电桩j的概率阈值，再用随机数生成程序生的随机数与之比较，得出当前充电桩j下一时间段充电标志Flag的值，然后写入充电桩j存储器中，通过这种方式，将理论模型具体实现。在此工程实现方法中，调控中心服务器只起到数据中转、分发的功能，对信息的计算由具体每一个充电桩智能体独立进行。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (10)

1.一种基于邻域信息的分散充电桩协同调度方法，其特征是：充电桩对象在t时间段开始时刻，根据上一时间段作出的计划变更自己的充电状态标志，接着充电桩获取邻域一定半径内当前其他对象的发、用电信息，结合自身是否接受协同调度标志，计算出t+1时段的充电概率阈值，用随机生成的随机数与之比较，作出是否充电的决策。

2.一种基于邻域信息的分散充电桩协同调度方法，其特征是：包括以下步骤：

(1)根据控制需求划分时间段；

(2)获取邻域一定半径内发、用电对象的等效负荷以及邻域内配电变压器或开关的总容量；

(3)充电桩根据上一时间段做出的计划更改充电桩充电状态，根据获取的参数，以平滑充电桩所在位置一定邻域半径内电网等效负荷曲线为目标，生成自身下一时间段充电概率阈值；

(4)每个充电桩随机生成对比参数，判断对比参数与充电概率阈值的差值，若对比参数大于等于充电概率阈值，则该充电桩充电，否则不充电；

(5)返回步骤(3)，进行每个时间段的循环。

3.如权利要求2所述的一种基于邻域信息的分散充电桩协同调度方法，其特征是：所述步骤(1)中，根据控制需求将一天划分为T个时间段，每个时间段分为当前运行和下一阶段计划两部分。

4.如权利要求2所述的一种基于邻域信息的分散充电桩协同调度方法，其特征是：所述步骤(2)中，发、用电对象为负荷对象、光伏发电对象、风力发电对象和邻域内其他充电桩对象。

5.如权利要求2所述的一种基于邻域信息的分散充电桩协同调度方法，其特征是：所述步骤(2)中，光伏发电对象包括集中式光伏电站和分散的光伏电池板在内的所有光伏发电单元；风力发电对象包括大型风电场和单个风电机在内的所有风力发电单元。

6.如权利要求2所述的一种基于邻域信息的分散充电桩协同调度方法，其特征是：所述步骤(2)中，每个充电桩配置是否接受协同调度标志u_cp,j(t)，u_cp,j(t)＝0表示第j个充电桩不接受协同调度，无论周围负荷处于什么水平，此充电桩始终处于充电状态；u_cp,j(t)＝1表示第j个充电桩接受协同调度。

7.如权利要求2所述的一种基于邻域信息的分散充电桩协同调度方法，其特征是：所述步骤(2)中，获取邻域一定半径内发、用电对象的等效负荷P_E,j(t)的获取和领域内配电变压器或开关的总容量P_N,j，其中，P_E,j(t)＝∑P_load,i(t)-∑P_PV,i(t)-∑P_wind,i(t)+N_charging,j(t)·ΔP(1)

∑P_load,i(t)表示邻域内常规负荷对象的总功率，∑P_PV,i(t)表示邻域内光伏发电单元的总功率，∑P_wind,i(t)表示邻域内所有风力发电单元的总功率，ΔP表示每个充电桩的充电功率，N_charging,j(t)表示充电桩j邻域内处于充电状态的所有充电桩的总数量。

8.如权利要求2所述的一种基于邻域信息的分散充电桩协同调度方法，其特征是：所述步骤(3)中，下一时间段充电概率阈值p_j(t+1)：

$p_j(t+1)=\left\{\begin{array}{cc}{u}_{cp,j}\left(t\right)\frac{P_{E,j}\left(t\right)}{P_{N,j}\left(t\right)},& P_{E,j}\left(t\right)\&GreaterEqual;0\\ 0,& P_{E,j}\left(t\right)<0\end{array}\right.---\left(1\right)$

其中，总容量P_N,j(t)、等效负荷P_E,j(t)，充电桩是否接受协同调度标志u_cp,j(t)。

9.如权利要求2所述的一种基于邻域信息的分散充电桩协同调度方法，其特征是：所述步骤(4)中，充电桩随机生成[0,1]之间的随机数r，如果r≥p(t+1)，则充电桩t+1时段充电，否则不充电。

10.一种基于邻域信息的分散充电桩协同调度系统，其特征是：包括调控中心服务器、处理器和寄存器，其中：

所述寄存器，包括多个，每个寄存器被配置为与每个充电桩相对应；

所述调控中心服务器，被配置为基于地理位置的算法将每个充电桩一定邻域半径内的所有发、用电数据通过通信网络转发给该充电桩，并根据其计算该充电桩的下一时间段充电概率阈值；

所述处理器，被配置为随机生成对比参数，将下一时间段充电概率阈值与对比参数，得出该充电桩下一时间段充电标志的值，并将其存储至相应的寄存器。