CN107154625A - 基于模糊贝叶斯学习的电动汽车放电电价谈判方法 - Google Patents

Abstract

本发明涉及基于模糊贝叶斯学习的电动汽车放电电价谈判方法，属于智能电网领域。建立电力公司和EV代理商谈判函数并分类分析各参数，以电力公司调用备用机组的费用作为电力公司调用EV的最大值，结合电力公司调度EV功率，获得电力公司可接受调用EV上限与EV入网功率之间的关系。从EV角度计算充电价格、电池损耗以及最低期望收益作为EV参与系统调度下限，制定双方谈判函数。再基于模糊概率思想估算电力公司和EV代理商另一限值，并基于模糊贝叶斯学习模型对预估参数进行学习修正，通过谈判函数得出电价。该方法在顾及电力公司利益的前提下较已有方法得出的电价更接近理论均衡点，并使得EV用户获利更多，在V2G前期推广能够有效地刺激用户的行为。

Description

基于模糊贝叶斯学习的电动汽车放电电价谈判方法

技术领域

本发明属于智能电网领域，涉及基于模糊贝叶斯学习的电动汽车放电电价谈判方法。

背景技术

随着当今社会对能源与环境问题的日益关注，以及近来电池技术的迅速发展，电动汽车的大规模推广应用面临新的机遇。与此同时，电动汽车并网也成为研究的热点。但是，电动汽车作为日常负荷可能会增加电网负担，并需要增加基础设施投资。针对此问题，已涌现出大量文献对电动汽车入网(vehicle-to-grid,V2G)的可行性进行评估。电动汽车充电负荷的时序特性对电力系统的运行与投资有重要的影响，如果电动汽车的充电能安排在低谷时段，则有可能在满足快速增长的充电负荷前提下，减缓配电网的建设投资，节约投资成本，且避免形成充电负荷高峰，减少电动汽车充电对配电网运行的冲击。

然而电动汽车本身作为一种居民日常交通工具，首先必须满足日常行驶要求。在满足行驶要求的前提下，经车主同意才能参与到电力系统调度当中。因此，制定合理的电价机制以刺激车主的参与积极性显得尤为重要。针对电动汽车充放电电价的制定，国内外学者进行了大量的研究。然而，目前国内外的研究几乎都是针对电动汽车的充电电价，对电动汽车放电电价研究较少。而且，现有的研究在提及放电电价时，大部分采用直接假设电价求解调度模型的方式或者仅给出一个大概研究方向，并没有具体的方法和思路。

发明内容

有鉴于此，本发明的目的在于提供一种基于模糊贝叶斯学习的电动汽车放电电价谈判方法，通过对电力公司和电动汽车用户参与V2G成本的研究，以确定其在参与V2G过程中各自接受的电动汽车放电电价上下限，然后建立谈判函数在双方接受价格范围内谈判得出电动汽车放电电价。

为达到上述目的，本发明提供如下技术方案：

基于模糊贝叶斯学习的电动汽车放电电价谈判方法，包括以下步骤：

S1：建立电力公司和电动汽车(electric vehicle,EV)代理商谈判函数；

S2：分析并计算谈判参数；

S3：在得到所有参数之后带入谈判函数逐步谈判得出谈判电价，利用模糊贝叶斯学习模型在谈判过程中不断修正参数最后得出电价。

进一步，如权利要求1所述的基于模糊贝叶斯学习的电动汽车放电电价谈判方法，其特征在于：步骤S1中所述电力公司代理商谈判函数为式中，K为最大谈判次数；k表示谈判回合，k＞2；为EV代理商预估的电力公司所能接受的最大值；为EV代理商所能接受的最小值，其中，λ_ch为EV用户的充电电价；λ_loss为电动汽车参与调度的电池损耗成本；λ_pro为收益，即电力公司对EV参加放电预期收益；

所述EV代理商谈判函数为其中，为电力公司能接受的最大值；为电力公司预估的EV代理商所能接受的最小值，其中λ_ch为EV用户的充电电价；λ_sub为财政补贴，即电力公司为刺激EV用户参加调度给出的补贴；λ'_pro为收益预估，即电力公司对EV参加放电预期收益的预估。

进一步，如权利要求1所述的基于模糊贝叶斯学习的电动汽车放电电价谈判方法，其特征在于：步骤S2具体为：

所述计算方法为：在相同负荷条件下，以购电成本最低为目标函数，建立V2G机组组合模型，并利用改进的粒子群算法求解模型；通过计算计V2G和不计V2G的机组组合购电费用差值，结合电网调度的电动汽车功率P_ev，计算出电力公司的上限与P_ev的关系，从而得到不同P_ev下对应的

所述计算方法为：其中，λ_ch为EV用户的充电电价，取0.42元；λ_loss为电动汽车参与调度的电池损耗成本，取0.1元；λ_pro为收益，即电力公司对EV参加放电预期收益，λ_pro＝1.3*(λ_ch+λ_loss)；

所述计算方法为：式中，c(E_λe(u))为E_λe(u)的期望值，λ^top为各行业尖峰价格均值统计值，A_ej为定义在U_e上的一个模糊事件，事件总数为m，U_e为λ_e的取值空间U_e＝{λ_e(i)},i＝1,2,…,n，λ_e的所有可能取值总数为n，λ_e为备用成本与峰时电价差值占峰时电价的比例；P(A_ej)表示A_ej发生的概率，其中，j＝1,2,…,m，u_ej为A_ej的语气算子，π_ej为A_ej发生概率；

所述计算方法为：式中，λ_ch为EV用户的充电电价，取0.42元；λ_sub为财政补贴；c(E_λe(u))为E_λe(u)的期望值。

进一步，如权利要求1所述的基于模糊贝叶斯学习的电动汽车放电电价谈判方法，其特征在于：所述S3包括以下步骤：

S301：获取先验知识，即先验知识指报价前对对方的认知；

S302：谈判双方各自计算自身确定限值并根据先验知识估计对方限值；

S303：根据各自得到的限值得出各自报价；

S304：判断是否满足谈判结束条件；若满足，则跳转至S305；若不满足，则利用模糊贝叶斯学习更新先验知识并跳转至S302；

S305：判断谈判次数是否超出最大谈判次数限制；若超出，则谈判失败，利用谈判函数更新报价；若未超出，则谈判结束并输出报价。

本发明的有益效果在于：目前国内外电动汽车放电电价的制定研究较少，方法不明确。本发明所述方法在计及电动汽车用户和电力公司双方入网成本后采用谈判的方式得出放电电价，该电价在顾及到电力公司利益的前提下较已有方法得出的电价高，使得电动汽车用户获利更多，在V2G前期推广能够有效地刺激用户的行为，为电动汽车入网研究奠定理论基础。

附图说明

为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：

图1为计算流程图；

图2为谈判流程图；

图3为两种情况下的谈判曲线；

图4为不同K值下的报价曲线；

图5为估计值对谈判交点的影响示意图。

具体实施方式

下面将结合附图，对本发明的优选实施例进行详细的描述。

1、建立电力公司和电动汽车代理商谈判函数

建立电力公司和EV代理商两方面谈判函数，其中电力公司方面谈判函数如式(1)所示：

式中，K为最大谈判次数，k表示谈判回合，k>2；为EV代理商预估的电力公司所能接受的最大值；为EV谈判最小值，即EV代理商所能接受的最小值。

代理商代表的是EV用户，其最小值由以下三个部分构成：

EV用户的充电电价λ_ch；如果用户参与调度的放电电价小于充电电价，那么用户的收益为负。

电动汽车参与调度的电池损耗成本λ_loss；电动汽车参与电力系统调度必然会频繁充放电，电池寿命必然受影响，这一部分间接成本是由调度产生的，因此须由电力公司承担。

收益λ_pro；EV代理商对EV进行发电的收益有一个最低期望值。

因此，如式(2)所示：

EV代理商方面谈判函数如式(3)所示：

式中，为电力公司能接受的最大值，最小值为电力公司预估的EV代理商所能接受的最小值。电力公司预估的不能低于EV成本，故设定由以下几部分组成：

EV用户的充电电价λ_ch。

财政补贴λ_sub。电力公司为刺激EV用户参加调度给出的补贴。

收益预估λ'_pro，电力公司对EV参加放电预期收益的预估。

因此，如式(4)所示：

2、分析并计算谈判参数

针对谈判函数中所涉及的四个参数将其分为两类分别分析计算：

1)确定性参数

作为电力公司方面的参数，本发明从电力公司角度以电力公司峰时调用备用机组成本作为参考，计算出单位备用功率调用电价作为 作为EV代理商方面的参数，本发明从EV用户角度考虑用为充电电价、电池损耗和预期收益之和作为具体如下：

电力公司上限的确定：

由于电动汽车响应速度快，其在电网调度中可部分替代备用机组。但若电力公司调用电动汽车的费用大于调用备用机组的费用，就经济性而言，电网将选择传统备用机组。故本发明在相同负荷条件下，以购电成本最低为目标函数，建立V2G机组组合模型，并利用改进的粒子群算法求解模型。通过计算计及V2G和不计V2G的机组组合购电费用差值，结合电网调度的电动汽车功率Pev，计算出电力公司的上限与P_ev的关系，从而得到不同P_ev下对应的其主要思路如图1所示。由于本发明重点在于放电电价的谈判策路，故对此模型求解不做赘述。

EV代理商下限的确定：

是EV代理商对EV放电成本及收益的预估，根据式(2)，主要由充电电价λ_ch、电池损耗成本λ_loss和收益λ_pro组成，本发明λ_ch取0.42元，λ_loss取0.1元，EV用户预期收益为30％，即：λ_pro＝1.3*(λ_ch+λ_loss)，EV代理商下限得以确定。

2)不确定参数

为EV代理商估计电网可承受的最大值，而为电力公司估计EV可承受的最低值。由于上述两个参数的不确定性，本发明提出了一种基于模糊概率的方法分别从电力公司和EV代理商的角度估计对方的信息最后计算出两个参数，具体如下：

由于和为估计参数，因此在参数计算前，EV代理商和电力公司需分别收集对方资料以获取对方信息，即先验知识。EV代理商对电力公司的先验认知为：在负荷高峰期，电力公司会调用备用机组，通常，调用备用机组的功率不超过普通机组的20％。但是该部分功率的发电成本高，约为普通机组的11倍，根据市场统计尖峰时刻由于调用备用机组导致整体用户电价上涨约15％-25％，据此EV代理商对电力公司调用备用机组的成本做如下分析：按照当地某天负荷情况，假设尖峰电价为1.2元/kWh，峰时电价为1元/kWh，最高负荷点功率为1500MW。最高负荷点必然为传统机组和备用机组同时运作，假设调用备用机组占调用传统机组α，电力公司盈利率为β，单位备用机组发电成本为λ，在调用备用机组后盈利率不变。则在平时价格时期电力公司的发电成本C₁满足：

尖峰时刻电力公司的发电成本C_a分为两个部分：传统机组的成本C₂和备用机组的成本C₃。三者满足：

C_a＝C₂+C₃ (6)

由于传统机组这一部分的成本是不会变的，因此：

C₁＝C₂ (8)

综合上数关系式可得单位备用机组发电成本：

分别讨论α＝10％、α＝15％、α＝20％；β＝30％、β＝35％、β＝40％、β＝50％几种情况下λ的取值。结果见下表：

备用机组调用成本与备用机组调用率及电力公司盈利率的关系

α、β取值	β＝30％	β＝35％	β＝40％	β＝50％
					α＝10％	2.5	2.4	2.3	2.1
α＝15％	2.2	1.9	1.8	1.7
					α＝20％	1.7	1.6	1.6	1.5

电网调用备用机组成本为尖峰电价的1.1～2倍。因此EV代理商得出的结论是：备用机组的调用成本很高。而电力公司通过统计各行业数据认为：EV用户的预期收益占充电电价的比例估计在30％—50％间是较为合理的，而对于电力公司而言，需要估计EV用户能接受的最低限度的价格，因此电力公司初始认知为：EV的最低预期收益很低。由此可得双方的先验知识如下表所示。其中峰时电价为EV代理商统计数据，表示一天中各行业的尖峰价格均值。

EV代理商与电力公司先验知识

决策者	先验对象
		EV代理商	备用成本与峰时电价差值占峰时电价的比例λe
电力公司	EV期望收益占充电电价比例λg

因此，不确定参数和的估算即λ_e和λ_g的估算，根据模糊数学的基本知识，以λ_e为例说明λ_e和λ_g的计算过程。

设λ_e的取值空间为有限空间U_e＝{λ_e(i)}，i＝1，2，…，n，A_ej为定义在U_e上的模糊事件，j＝1,2,…,m，它表示λ_e的一个可能取值，相应的发生概率用语言概率π_ej表示。则A_ej发生的概率为：

式中，u_ej为A_ej的语气算子。

P(A_ej)即为EV代理商的先验知识，同理电力公司的先验估计为：

式中：A_gk(k＝1，2，…，L)为定义在论域U_g的一个模糊事件，表示λ_g的一个可能取值π_gk为模糊事件A_gk的发生概率，用语言概率表示；u_gk为A_gk的语气算子。因此，

式中，λ^top为各行业尖峰价格均值统计值。

式(21)对E(λ_e)的求解实际上是在求fuzzy事件的fuzzy概率期望值，由于A_ej和P(A_ej)都是模糊集合，可运用扩张原理和语言概率的四则运算求得E(λ_e)的隶属度函数，但计算量通常是非常大的，此时可首先可运用二次重心法将P(A_ej)清晰化，再运用扩张原理求得E(λ_e)的隶属度函数。其步骤如下：

求P(A_ej)的重心

式中，u为E(λ_e)的语气算子。

求归一化后的概率

运用扩张原理求E(λ_e)的隶属函数E_λe(u)

求E_λe(u)的重心得到清晰化的期望值

则EV代理商初始报价：

式中，c(E_λe(u))为E_λe(u)的期望值。

同理电力公司初始报价为：

式中，c(E_λg(u))为E(λ_g)的期望值。

3、谈判流程

如图2所示，在得到所有参数之后带入谈判函数逐步谈判得出谈判电价，然而在考虑到双方最初估计信息准确性的问题又提出了模糊贝叶斯学习模型在谈判过程中不断修正参数最后得出电价。

仿真分析：

根据确定的参与调度的电动汽车其功率和价格的关系，可假设电动汽车电池损耗λ_loss＝0.1元/kWh、充电价λ_ch＝0.42元/kWh，K＝15。

假设某市代理商拥有3000台电动汽车，EV电池和充电参数均相同。交易电量已知，根据某市一天的电价数据，峰时电价取1.28元/(kWh)，EV代理商和电力公司的先验知识如下表所示：

先验知识语言描述

用A_e1、A_e2、A_e3分别表示λ_e高、中、低三种情况，其隶属度函数分别为：

用A_g1、A_g2、A_g3分别表示EV期望收益占充电电价比例高、中、低三种情况，其隶属度函数为：

“很可能”、“很不可能”和“有点可能”的隶属函数π₁(p)、π₂(p)、π₃(p)如上节所示在第一轮谈判开始之前EV代理商开始计算初始报价：

计算模糊概率重心有：c(π₁)＝0.83、c(π₂)＝0.17、c(π₃)＝0.64。

对π₁、π₂、π₃归一化处理有P₁＝0.51、P₂＝0.10、P₃＝0.39。

计算A_e1、A_e2、A_e3隶属度重心有c(A_e1)＝0.89、c(A_e2)＝0.93、c(A_e3)＝0.11。

计算λ_e期望值c(E_λe(u)＝0.8276，则EV代理商给出初始报价 同理，可计算出电力公司的初始报价为0.666元/(kWh)。

在得到初值之后双方进行贝叶斯学习，以电力公司为例，电力公司给出在EV代理商在各种A_gk情况下报价为2.34元/(kWh)的可能性，如下表所示：

电力公司对条件概率的估计

在得到条件概率后，结合前面的先验概率，运用贝叶斯公式计算后验概率，如下表所示：

电力公司获得的后验概率

事件	A1	A2	A3
				后验概率	0.2	0.6	0.2

根据上表，修正后带入谈判函数得到新的同理，EV代理商经过贝叶斯学习后，带入谈判函数得到下一轮报价如此反复循环，当进行到第六轮时双方达成一致最终价格为1.47元/(kWh)。采用贝叶斯学习后的谈判曲线，与未进行学习时的谈判曲线比较如图3所示，可以看出，经过学习后的曲线由于改变了斜率，谈判次数有所减少。

在上述谈判中，最大谈判次数K取值均为15。为研究最大谈判次数对谈判报价曲线的影响，本发明对K进行灵敏度分析，计算出最大谈判次数K在不同的取值下(K值为5～15)，谈判报价曲线如图4所示，谈判过程如下表：

最大谈判次数K对两种情况下的谈判结果的影响

可得出如下结论：

经过贝叶斯学习修正后，谈判次数减少，谈判成交价格降低。未采用贝叶斯学习时，谈判次数总是在最大谈判次数的中间值附近，学习后，谈判次数减少1～2次。

当谈判次数K的取值过小，可能导致谈判不成功，取值过大，又将导致谈判时间增加。由于K值过小，每两次报价之间差值过大，虽然曲线也会相交，但交点可能在两相邻整数谈判次数之间，不满足谈判成功条件。K值过大，则每两次报价之间差值过小，必然导致谈判次数增加。

在最大谈判次数K的取值不会导致谈判失败的条件下，随着K值继续增加，是否更新估计信息，对成交价格的影响变小。未更新时，成交价格在1.5～1.6元/kWh之间变动，而采用贝叶斯学习更新后，成交价格在1.4～1.5元/kWh之间变动，双方差值不超过0.1元/kWh。

分析发现，在谈判伊始，谈判双方对对方信息估计的准确性对将谈判过程的影响不容忽视。故本发明进一步分析了估计值对谈判交点的影响，如图5所示，A点为谈判双方对对方估计值完全准确时，双方谈判函数的交点，即为谈判的理论均衡价格点。由于本发明谈判函数的设置，谈判双方在谈判次数达到最大值(即K值)时，必然达到自身可接受的限值(EV为下限，电力公司为上限)，因此双方报价曲线必然会在K值之前相交。如果双方对对方的估计值较接近真实值时，交点一定在K/2附近(通常略大于K/2)，且成交价格在附近，如图中B点。此时，双方谈判函数的交点值与理论均衡价格点差别很小，但谈判次数明显增大。但是，如果有一方对对方估计值与实际值相差较大，则交点会向最大谈判次数K靠近，且相差越大越靠近K。双方谈判函数的交点也会受到影响，估计值偏差更大的一方将更加受益，且该交点将偏离理论均衡价格点A，如图中C点和E点。

由上述分析可知，EV估计电力公司可承受的最大值超过实际值，成交价格会向靠近，即成交价格将偏大。同理，如果电力公司对EV可承受的最低值估计过低，成交价格会向靠近，即成交价格将偏小，此时，交点价格对电力公司有利，而对EV代理商不利。通过贝叶斯学习后，双方第K1轮报价后，第K2、K3、K4轮报价均被修正，双方谈判函数斜率发生改变，谈判曲线交于D点，该交点价格更接近理论利益均衡点A。

综上所述，可通过谈判次数判断双方的估计值是否合理。对于常规的谈判曲线，如果交点在K/2附近(通常是在K/2右边)，那么双方的估计值较准确。对于学习后的谈判曲线，如果交点小于K/2，则双方的估计值较准确。此外，经过贝叶斯学习后，谈判成交价格更接近理论均衡价格点，尤其在双方对对方估计值与实际值相差较大时，学习后的效果更为明显。

最后说明的是，以上优选实施例仅用以说明本发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本发明权利要求书所限定的范围。

Claims (4)

1.基于模糊贝叶斯学习的电动汽车放电电价谈判方法，其特征在于：该方法包括以下步骤：

S1：建立电力公司和电动汽车(electric vehicle,EV)代理商谈判函数；

S2：分析并计算谈判参数；

S3：在得到所有参数之后带入谈判函数逐步谈判得出谈判电价，利用模糊贝叶斯学习模型在谈判过程中不断修正参数最后得出电价。

2.如权利要求1所述的基于模糊贝叶斯学习的电动汽车放电电价谈判方法，其特征在于：步骤S1中所述电力公司代理商谈判函数为式中，K为最大谈判次数；k表示谈判回合，k＞2；为EV代理商预估的电力公司所能接受的最大值；为EV代理商所能接受的最小值，其中，λ_ch为EV用户的充电电价；λ_loss为电动汽车参与调度的电池损耗成本；λ_pro为收益，即电力公司对EV参加放电预期收益；

所述EV代理商谈判函数为其中，为电力公司能接受的最大值；为电力公司预估的EV代理商所能接受的最小值，其中λ_ch为EV用户的充电电价；λ_sub为财政补贴，即电力公司为刺激EV用户参加调度给出的补贴；λ'_pro为收益预估，即电力公司对EV参加放电预期收益的预估。

3.如权利要求1所述的基于模糊贝叶斯学习的电动汽车放电电价谈判方法，其特征在于：步骤S2具体为：

所述计算方法为：在相同负荷条件下，以购电成本最低为目标函数，建立V2G机组组合模型，并利用改进的粒子群算法求解模型；通过计算计V2G和不计V2G的机组组合购电费用差值，结合电网调度的电动汽车功率P_ev，计算出电力公司的上限与P_ev的关系，从而得到不同P_ev下对应的

所述计算方法为：其中，λ_ch为EV用户的充电电价，取0.42元；λ_loss为电动汽车参与调度的电池损耗成本，取0.1元；λ_pro为收益，即电力公司对EV参加放电预期收益，λ_pro＝1.3*(λ_ch+λ_loss)；

所述计算方法为：式中，c(E_λe(u))为E_λe(u)的期望值，λ^top为各行业尖峰价格均值统计值，A_ej为定义在U_e上的一个模糊事件，事件总数为m，U_e为λ_e的取值空间U_e＝{λ_e(i)},i＝1,2,…,n，λ_e的所有可能取值总数为n，λ_e为备用成本与峰时电价差值占峰时电价的比例；P(A_ej)表示A_ej发生的概率，其中，j＝1,2,…,m，u_ej为A_ej的语气算子，π_ej为A_ej发生概率；

所述计算方法为：式中，λ_ch为EV用户的充电电价，取0.42元；λ_sub为财政补贴；c(E_λe(u))为E_λe(u)的期望值。

4.如权利要求1所述的基于模糊贝叶斯学习的电动汽车放电电价谈判方法，其特征在于：所述S3包括以下步骤：

S301：获取先验知识，即先验知识指报价前对对方的认知；

S302：谈判双方各自计算自身确定限值并根据先验知识估计对方限值；

S303：根据各自得到的限值得出各自报价；

S304：判断是否满足谈判结束条件；若满足，则跳转至S305；若不满足，则利用模糊贝叶斯学习更新先验知识并跳转至S302；

S305：判断谈判次数是否超出最大谈判次数限制；若超出，则谈判失败，利用谈判函数更新报价；若未超出，则谈判结束并输出报价。