CN107392462A - 一种考虑分类特性的电动汽车并网调度方法 - Google Patents

一种考虑分类特性的电动汽车并网调度方法 Download PDF

Info

Publication number
CN107392462A
CN107392462A CN201710585417.2A CN201710585417A CN107392462A CN 107392462 A CN107392462 A CN 107392462A CN 201710585417 A CN201710585417 A CN 201710585417A CN 107392462 A CN107392462 A CN 107392462A
Authority
CN
China
Prior art keywords
vehicle
time
unit
scene
electric
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201710585417.2A
Other languages
English (en)
Inventor
葛晓琳
裴晨皓
郝广东
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai University of Electric Power
Original Assignee
Shanghai University of Electric Power
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai University of Electric Power filed Critical Shanghai University of Electric Power
Priority to CN201710585417.2A priority Critical patent/CN107392462A/zh
Publication of CN107392462A publication Critical patent/CN107392462A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Evolutionary Computation (AREA)
  • Primary Health Care (AREA)
  • Computer Hardware Design (AREA)
  • Power Engineering (AREA)
  • General Health & Medical Sciences (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Educational Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种考虑分类特性的电动汽车并网调度方法，其特征在于，包括以下步骤：1)获取各个类型电动汽车出行特性的车辆接入时刻tin(c,v)、离开时刻tout(c,v)以及日行驶里程d(c,v)的概率密度函数；2)采用同步回代对采样场景R(v)进行场景缩减并得到缩减后场景以及对应场景概率；3)以火电机组总成本Fcost最小为调度目标函数建立含电动汽车的随机机组组合模型，并将模型中的非线性条件线性化；4)采用混合整数规划法进行求解，获取调度统计信息，包括各类型电动汽车的充放电时间、充放电功率以及对机组启停的优化信息。与现有技术相比，本发明具有快速可靠、可行性高、适用范围广等优点。

Description

一种考虑分类特性的电动汽车并网调度方法
技术领域
本发明涉及一种电动汽车并网调度方法，尤其是涉及一种考虑分类特性的电动汽车并网调度方法。
背景技术
大规模电动汽车接入电网后，若不加以引导与控制，将会使得电网原有负荷“峰上加峰”，造成峰谷差加大，对机组组合问题产生影响。为减少电动汽车接入对电网的不利影响，充分利用电动汽车的储能特性，含电动汽车的机组组合问题得到了广泛关注。
含电动汽车的随机机组组合模型因其变量及约束的复杂性较难求解，目前普遍使用混合整数规划法作为求解算法。此外，在研究电动汽车参与调度时，一些文献仅对电动汽车进行简单地直接调度，即电网在任意时刻都能对电动汽车进行充放电控制，事实上电动汽车作为一种交通工具，其出行具有一定的随机性，因此充放电时段会受到限制。再者，不少文献在研究电动汽车随机特性时普遍以单一类型车辆的出行特征为蓝本，通过对该类型电动汽车的出行特性分析，通过蒙特卡洛模拟大量场景以获得全面的概率统计信息。而事实上电动汽车的类型不一样，其出行的特征也不一样。因此，不能简单地考虑单一类型电动汽车参与调度，应设法考虑不同种类电动汽车同时参与调度时的情况。
因此，急需一种考虑分类特性的电动汽车并网调度方法，既能充分体现各类型电动汽车出现的随机特性，又能优化机组启停，使系统成本最优。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种快速可靠、可行性高、适用范围广的考虑分类特性的电动汽车并网调度方法。
本发明的目的可以通过以下技术方案来实现：
一种考虑分类特性的电动汽车并网调度方法，包括以下步骤：
1)获取各个类型电动汽车出行特性的车辆接入时刻tin(c,v)、离开时刻tout(c,v)以及日行驶里程d(c,v)的概率密度函数，并采用拉丁超立方抽样生成电动汽车的抽样场景集R(v)＝[Rout(v) Rin(v) Rd(v)]，其中，Rout(v)、Rin(v)和Rd(v)分别为第v类电动汽车生成的离开时刻、接入时刻以及日行驶里程场景矩阵；
2)采用同步回代对采样场景R(v)进行场景缩减并得到缩减后场景以及对应场景概率；
3)以火电机组总成本Fcost最小为调度目标函数建立含电动汽车的随机机组组合模型，并将模型中的非线性条件线性化；
4)采用混合整数规划法进行求解，获取调度统计信息，包括各类型电动汽车的充放电时间、充放电功率以及对机组启停的优化信息。
所述的步骤1)中，各个类型电动汽车包括私家车、公交车、公务车和出租车，
所述的私家车的行驶特性为：
对于私家车用户，可由2009年美国交通部对全美家用车辆的调查结果(nationalhousehold travel survey，NHTS)的统计数据进行仿真模拟，分析处理得出车辆初始离开时间、车辆初始接入时间以及车辆的日行驶里程的概率密度函数。
私家车的接入时间与离开时间均满足正态分布，私家车的日行驶里程满足对数正态分布；
公交车的行驶特性为：
对于公交车，由于公交车的出行时间比较规律，一般在早晨6点开始出发工作，到晚上23点才开回来。
公交车只在23：00-6:00之间进行充放电，公交车的日行驶里程满足对数正态分布；
公务车的行驶特性为：
公务车由于白天上班处于公务任务需要，因此在上班期间都处于行驶阶段，不参与充放电。
公务车在18:00-8:00参与充放电，公务车的日行驶里程满足对数正态分布；
出租车的行驶特性为：
出租车作为一种营业型车辆，应保证其运营的效率最大化，充完电马上进行载客。为保证其运营的效率，出租车只参与充电而不参与放电。而且，当出租车接入充电时马上使用快速充电，充电时间一般为0.5～1h，之后马上投入运营。
出租车的开始充电时间满足均匀分布，日行驶里程满足对数正态分布。
所述的步骤1)中，
1、对于私家车：
私家车的离开时刻tout(c,v)为一天内私家车第一次出行时刻，根据其均值μ1和标准差σ1，其概率密度函数f1(x)为：
私家车的接入时刻tin(c,v)为一天内私家车结束出行时刻，根据其均值μ2和标准差σ2，其概率密度函数f2(x)为：
根据私家车的日行驶里程d(c,v)的均值μ3和标准差σ3，其概率密度函数f3(x)为：
2、对于公交车：
根据公交车的行驶特性，取公交车的车辆离开时间tout(c,v)为6:00，车辆接入时间tin(c,v)为23:00，根据公交车日行驶里程d(c,v)的均值μ4和标准差σ4，其概率密度函数f4(x)为：
3、对于公务车：
根据公务车的行驶特性，取公务车的车辆离开时间tout(c,v)为8:00，车辆接入时间tin(c,v)为18:00，根据公交车日行驶里程的均值μ5和标准差σ5，其概率密度函数f5(x)为：
4、对于出租车：
根据出租车的行驶特性，出租车的车辆接入时间tin(c,v)符合均匀分布，在1-24小时间均匀取值，出租车快速充电一小时，车辆离开时刻tout(c,v)为：
tout(c,v)＝tin(c,v)+2
根据出租车日行驶里程的均值μ6和标准差σ6，其概率密度函数f6(x)为：
所述的步骤1)中，对各类型电动汽车的出行时刻，行程结束时刻以及行驶参数通过拉丁超立方抽样法采样出10000个场景，为了减轻计算负担，对采样出的10000个场景利用同步回代技术进行场景缩减成100个场景，同时得到每个场景的场景概率，
所述的步骤3)中，含电动汽车的火电机组的随机机组模型的目标函数为：
CG(c,i,t)＝u(i,t)×(a(i)+b(i)P(c,i,t)+c(i)P2(c,i,t))
其中，为总煤耗量，t为计划时段编号，T为计划时段总数，i为火电机组编号，N为火电机组总数，c为电动汽车出行预测场景编号，C为场景总数，π(c)为场景c对应的概率，CG(c,i,t)为c场景下t时刻火电机组i的运行成本，CU(i,t)为启动成本，CD(i,t)为停机成本，u(i,t)为机组i在t时段的运行状态的变量，u(i,t)＝1表示运行状态，u(i,t)＝0表示停行状态，a(i)，b(i)，c(i)为发电机组i的成本系数，P(c,i,t)为c场景下t时刻火电机组i的功率，为机组i的热启动能耗，为机组i的冷启动能耗，toff(i)表示机组i的停机时间，Tcold(i)表示机组i的冷启动时间，为机组i的停机能耗。
所述的步骤3)中，含电动汽车的火电机组的随机机组模型的约束条件包括火电机组约束以及电动汽车约束。
所述的火电机组约束包括：
A、负荷平衡约束：
其中，V为c场景下t时段所有电动汽车的类型，分别为私家车、公交车、公务车和出租车，Pch(c,v,t)表示c场景下所有v类车在t时段的充电功率，Pdis(c,v,t)表示c场景下所有v类车在t时段的放电功率，D(t)为t时刻系统的最大负荷；
B、系统备用需求，包括：
上备用约束：
下备用约束：
其中，为c场景t时刻下火电机i的功率上限，为t时段负荷的上备用需求，P(c,i,t)为c场景t时刻下火电机组i的功率下限，K(t)为t时段负荷的下备用需求；
C、机组出力约束：
其中，u(i,t)为机组i在时段t运行状态变量，当u(i,t)＝0时表示机组i停机，当u(i,t)＝1时表示机组i运行；
D、火电机组爬坡限制约束，包括机组的启停爬坡约束和机组连续运行爬坡约束；
E、火电机组最小启停约束：
[u(i,t-1)-u(i,t)][M(i,t-1)-UT(i)]≥0
[u(i,t)-u(i,t-1)][-M(i,t-1)-DT(i)]≥0
其中，UT(i)为机组i最小连续停机时间，DT(i)为机组i最小连续启动时间，M(i,t)为机组i在第t时段已连续运行或连续停机的时间。
所述的火电机组爬坡限制约束中：
机组的启停爬坡约束：
其中，SU(i)为机组i启动爬坡限制，SD(i)为机组i停机爬坡限制；
机组连续运行爬坡约束：
P(c,i,t-1)-P(c,i,t)≤RU(i)u(i,t-1)
P(c,i,t)-P(c,i,t-1)≤RD(i)u(i,t)
其中，RU(i)机组i上爬坡约束，RD(i)机组i下爬坡约束；
所述的电动汽车约束包括：
F、出行时段约束：
当tin≤tout时，电动汽车只有在[tin,tout]之间进行充放电，则有：
其中，v为电动汽车的类型编号，tin(c,v)为c场景下第v类车单辆车的入网时刻，tout(c,v)为c场景下第v类车单辆车的离网时刻，X(c,v,t)为c场景下第v类车单辆车在t时刻的充电状态，X(c,v,t)＝0代表此时车辆处于不充电状态，X(c,v,t)＝1代表此时车辆处于充电状态，Y(c,v,t)为c场景下第v类车单辆车在t时刻的放电状态，Y(c,v,t)＝0代表此时车辆处于不放电状态，Y(c,v,t)＝1代表此时车辆处于放电状态；
当tout≤tin时，电动汽车只有在[1,tin]U[tout,24]之间进行充放电，则有：
Pch(c,v,t)＝Nev(c,v)×PVch(c,v,t)
Pdis(c,v,t)＝Nev(c,v)×PVdis(c,v,t)
其中，Nev(c,v)表示c场景下的并入电网的v类车车辆总数，PVch(c,v,t)为c场景下v类车在t时段每辆车的充电功率，PVdis(c,v,t)为c场景下v类车在t时段每辆车的放电功率；
G、电量平衡约束：
当电动汽车开始接入电网时，即t＝tin(c,v)时，则有：
SOC(c,v,t)＝SOC0(c,v,t)
其中，SOC(c,v,t)为场景c下第v类车单辆车在t时刻的电池百分比状态，SOC0(c,v,t)为场景c下第v类车单辆车在t＝tin(c,v)时刻的初始电池荷电状态，SOCE(c,v)为场景c下第v类车单辆车用户在离网时的电池荷电状态期望值，d(c,v)为场景c下第v类车单辆车用户的日行驶里程，M(v)为第v类车的百公里耗电量；
当电动汽车在与电网连接时间段时，满足电动汽车的电量平衡：
其中，Q(v)为第v类车单辆车的最大电池容量，为单辆车的充电效率，Δt为充放电时间间隔，为单辆车的放电效率；
当电动汽车离开电网时，即t＝tout(c,v)时，车辆的电池状态满足用户的期望电量值，则有：
SOC(c,v,t)≥SOCE(c,v,t)；
H、电动汽车的充放电功率限制：
其中，为第v类车的充电功率上限，为第v类车的放电功率上限；
I、电动汽车电池电量状态限制：
电动汽车要在保证不损耗电池正常寿命情况下进行充放电：
其中，SOC为车辆的电池荷电状态下限值，为车辆的电池荷电状态上限值；
J、电池充电限制：
车辆的充电量应保证不超过电池当前的可充电范围：
K、电池放电限制：
车辆的放电量应保证不超过电池当前的可放电范围：
所述的步骤3)中，将模型中的非线性条件线性化包括目标函数的线性化和非线性约束的线性化，其中，目标函数的线性化包括火电机组运行成本线性化和机组启动能耗线性化。
目标函数中火电机组的运行成本为二次函数，可以使用分段线性曲线来描述运行煤耗，分段的段数越多，越趋近于原始的曲线。
机组在启动时的能耗可以看作是机组停机时间的阶梯函数，由于启动煤耗与停机时间的长度相关，所以考虑机组初始连续停运的时间以及冷启动时间，将计划周期划分为三类调度时段建立启动煤耗的线性化表达式。即第1个时间段内的启动能耗，2到冷启动时段内的启动能耗以及其余时段内的启动能耗。
将火电机组最小连续运行约束以及火电机组最小连续停机约束进行线性化。
与现有技术相比，本发明具有以下优点：
一、快速可靠：与现有方法相比，本发明公开的方法能够快速可靠地计算出决策变量与电动汽车出行特性的概率分布，得出可靠精准的调度信息。
二、可行性高：在含电动汽车的机组组合模型中考虑了多类型电动汽车出行的随机特性，考虑了不同种类的电动汽车具有不同的出行特性，调度人员根据不同的车辆类型进行安排调度，更为符合实际运行情况，可获得更具可行性的调度方案。。
三、适用范围广：在计及四类车型不同的出行特性的同时计算机组最优启停分布，对于变量繁多的系统，该方法同样能够保持快速性与准确性，在求解电力系统中其他随机优化问题的巨大潜力。
附图说明
图1为求取考虑分类特性的电动汽车并网调度方法的流程图。
图2为实施例1中各类型电动汽车充放电功率分布图。
图3为实施例1中五种方案下电动汽车的充放电功率对比图。
图4为实施例2中三种方案下的系统负荷对比图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
实施例
本发明提出了一种考虑分类特性的电动汽车并网调度方法，本发明首先分析了各类型电动汽车的行驶特性，通过得到的电动汽车的出行时间以及日行驶里程的概率密度函数后对其进行抽样。为了模拟电动汽车的出行特性，本发明提出了拉丁超立方抽样以及同步回代技术进行场景缩减。与蒙特卡洛的简单抽样相比，拉丁超立方抽样的抽样效率以及鲁棒性都有了很大的改善，因此，采用拉丁超立方进行场景抽样。通过上述抽样，可以产生大量场景，用矩阵R(v)表示，为了描述电动汽车的随机性，R(v)矩阵会非常庞大，如果直接求取大量场景下的调度结果，计算量、所占用的存储空间以及计算时间都非常巨大。为了减轻计算负担，采用同步回代技术进行场景缩减，如图1所示，具体过程如下：
步骤1：输入各类型电动汽车的车辆接入时间、离开时间以及日行驶里程的均值μ以及标准差σ；
步骤2：利用拉丁超立方抽样生成规模为K的矩阵R(v)；
步骤3：假设场景集中任意两个场景m和n，相应场景发生的概率分别为πi和πj，那么两个场景中的数据Rm(v)＝[Rm out(v) Rm in(v) Rm d(v)]和Rn(v)＝[Rn out(v) Rn in(v) Rn d(v)]的概率距离可以用2-范数表示：D(Rm,Rn)＝||Rm-Rn||2
步骤4：设迭代索引变量k＝1，原始场景集合为C；
步骤5：令C(k)＝C，J(k)为计算过程中需要删除的电动汽车运行场景，设为空集；
步骤6：求出场景m与场景n之间的距离Dm,n＝D(Rm,Rn)m,n∈C(k),m≠n，并将其排序；
步骤7：通过计算可求得与场景m之间的最小距离场景；
步骤8：求出场景m与集合C中的其他场景的最小概率距离DJm＝minD(Rm,Rn)m,n∈C(k),m≠n；
步骤9：得出与场景m在集合C中与其他场景最小概率距离所对应的场景n；
步骤10：将最小概率距离乘以对应场景发生的概率Zm＝πm·DJm＝πm·minD(Rm,Rn)m∈C(k)，同时索引出场景c1，满足
步骤11：将场景c1删除，原场景集合变为C(k+1)＝C(k)-{c1}，同时需要删除对应的场景集合J(k+1)＝J(k)+{c1}，场景c1的概率合并到与其距离最近的场景l中，相应的场景l的概率整合为
步骤12：判断预设的缩减场景是否达到，若达到，则转至步骤13，若未达到，令k＝k+1,转至步骤6；
步骤13：最终得到缩减后的运行场景集合为C(k+1)，保留其相关数据以及各场景对应的概率，并将数据用于接下来对模型的求解。
接着，建立考虑分类特性的电动汽车并网调度模型，该模型以调度周期内系统总成本最小为目标，同时满足各类型电动汽车的出行约束、火电机组的运行约束以及启停约束。随机机组组合模型是一个复杂的非线性模型，通过一定的线性化方法将目标函数里的运行成本，启动成本以及停机成本线性化后，再将火电机组中的最小连续运行约束以及最小连续停机约束线性化，最终将其表示为混合整数线性规划(mixed integer linearprogramming，MILP)模型。
最终，通过混合整数规划法进行求解，得出调度统计信息，包括各类型电动汽车的充放电时间、充放电功率以及对机组启停等信息。
本方法首先对各类型电动汽车的出行特性中的随机变量进行模拟，得出概率密度函数后利用其均值和标准差进行抽样产生大量场景，为降低计算的复杂性采用同步回代技术进行场景缩减以便快速求解，保证了求解的精度，提高了求解的速度。因此，本发明提出的方法兼具计算进度高以及计算速度快等优点。此外，在含电动汽车的机组组合模型中考虑了多类型电动汽车出行的随机特性，考虑了不同种类的电动汽车具有不同的出行特性，调度人员根据不同的车辆类型进行安排调度，更为符合实际运行情况，可以获得更具可行性的调度方案。最后，本发明模型中在计及四类车型不同的出行特性的同时计算机组最优启停分布，对于变量繁多的系统，该方法同样能够保持快速性与准确性，在求解电力系统中其他随机优化问题的巨大潜力。
实施例1：
为论证本发明提出的一种考虑分类特性的电动汽车并网调度方法，采用以下五种方案进行对比：
方案1：所有车型的行驶特性均考虑为私家车。
方案2：所有车型的行驶特性均考虑为公交车。
方案3：所有车型的行驶特性均考虑为公务车。
方案4：所有车型的行驶特性均考虑为出租车。
方案5：考虑多类型电动汽车的行驶特性，即本发明采用的模型。
图2显示考虑多类型电动汽车时各类型电动汽车的充放电功率。图3显示方案1-方案5所得的充放电功率。从图3可看出，当所有电动汽车的出行特性均考虑为同一类车型时，充放电功率遵循该类电动汽车的出行规律，但不能表示其他类型车辆的出行规律。方案1显示车辆在23:00进行充电，但方案5在23:00时由于大量的公交车接入，充放电优化安排大规模公交车进行放电，因此整体呈放电功率；另外，出租车以运营为主要目的，只进行充电行为不进行放电行为，导致方案1每小时的充放电功率与方案5的充放电功率有差异。方案2、方案3由于其分别只在23:00-6:00与18:00-8:00进行调度，因此充放电功率值出现在所约束时间段内，这与方案5中考虑多类电动汽车参与调度时的充放电功率有很大差别方案4中出租车接入电网后立即进行固定功率快速充电，且只进行1小时，不进行放电行为，因此也与方案5的充放电功率有很大差异。对电动汽车进行分类调度后，得出的充放电功率综合了各类型电动汽车的出行规律，更为符合实际情况。因此，在机组组合问题中，需要对电动汽车进行分类建模。
实施例2：
为研究本发明提出的一种考虑分类特性的电动汽车并网调度方法对电网调度的影响，在采用考虑分类特性的电动汽车条件下对比分析以下3种方案：
方案1：对电动汽车进行无序充电方式，即电动汽车接入后立即进行充电直至满足充电需求，不考虑电动汽车的反向放电。
方案2:对电动汽车进行协调充电方式，即控制电动汽车的充电时间，优化系统负荷的同时满足充电需求，不考虑电动汽车的反向放电。
方案3：电动汽车采取V2G技术进行优化调度，即电动汽车接入电网后根据电网需求进行充电和放电的优化调度。
图4给出三种方案下各时段的系统负荷值以及无EV时系统原负荷，方案2实行了协调充电后，对比方案1无序充电，合理安排了电动汽车的充电时间，避免了电动汽车在负荷高峰期充电，安排其在负荷低估进行充电，起到一定的填谷作用。方案3在实行V2G技术后，比方案2协调充电方案的负荷曲线更加平缓，电动汽车不仅能够在负荷低谷时进行充电，而且在系统负荷高峰期进行放电，减少系统的负荷压力，调整各时段机组的出力，减少昂贵机组的开机时间，能有效减少机组成本，同时也具有环保效益。最终，方案1的系统总成本为591905.71美元，方案2的系统总成本为571467.38美元，方案3的系统总成本为560129.63美元。由此可见，采用V2G能够有效地减少成本。

Claims (10)

1.一种考虑分类特性的电动汽车并网调度方法，其特征在于，包括以下步骤：
1)获取各个类型电动汽车出行特性的车辆接入时刻tin(c,v)、离开时刻tout(c,v)以及日行驶里程d(c,v)的概率密度函数，并采用拉丁超立方抽样生成电动汽车的抽样场景集R(v)＝[Rout(v) Rin(v) Rd(v)]，其中，Rout(v)、Rin(v)和Rd(v)分别为第v类电动汽车生成的离开时刻、接入时刻以及日行驶里程场景矩阵；
2)采用同步回代对采样场景R(v)进行场景缩减并得到缩减后场景以及对应场景概率；
3)以火电机组总成本Fcost最小为调度目标函数建立含电动汽车的随机机组组合模型，并将模型中的非线性条件线性化；
4)采用混合整数规划法进行求解，获取调度统计信息，包括各类型电动汽车的充放电时间、充放电功率以及对机组启停的优化信息。
2.根据权利要求1所述的一种考虑分类特性的电动汽车并网调度方法，其特征在于，所述的步骤1)中，各个类型电动汽车包括私家车、公交车、公务车和出租车。
3.根据权利要求2所述的一种考虑分类特性的电动汽车并网调度方法，其特征在于，
所述的私家车的行驶特性为：
私家车的接入时间与离开时间均满足正态分布，私家车的日行驶里程满足对数正态分布；
公交车的行驶特性为：
公交车只在23：00-6:00之间进行充放电，公交车的日行驶里程满足对数正态分布；
公务车的行驶特性为：
公务车在18:00-8:00参与充放电，公务车的日行驶里程满足对数正态分布；
出租车的行驶特性为：
出租车的开始充电时间满足均匀分布，日行驶里程满足对数正态分布。
4.根据权利要求3所述的一种考虑分类特性的电动汽车并网调度方法，其特征在于，所述的步骤1)中，
1、对于私家车：
私家车的离开时刻tout(c,v)为一天内私家车第一次出行时刻，根据其均值μ1和标准差σ1，其概率密度函数f1(x)为：
私家车的接入时刻tin(c,v)为一天内私家车结束出行时刻，根据其均值μ2和标准差σ2，其概率密度函数f2(x)为：
根据私家车的日行驶里程d(c,v)的均值μ3和标准差σ3，其概率密度函数f3(x)为：
2、对于公交车：
根据公交车的行驶特性，取公交车的车辆离开时间tout(c,v)为6:00，车辆接入时间tin(c,v)为23:00，根据公交车日行驶里程d(c,v)的均值μ4和标准差σ4，其概率密度函数f4(x)为：
3、对于公务车：
根据公务车的行驶特性，取公务车的车辆离开时间tout(c,v)为8:00，车辆接入时间tin(c,v)为18:00，根据公交车日行驶里程的均值μ5和标准差σ5，其概率密度函数f5(x)为：
4、对于出租车：
根据出租车的行驶特性，出租车的车辆接入时间tin(c,v)符合均匀分布，在1-24 小时间均匀取值，出租车快速充电一小时，车辆离开时刻tout(c,v)为：
tout(c,v)＝tin(c,v)+2
根据出租车日行驶里程的均值μ6和标准差σ6，其概率密度函数f6(x)为：
5.根据权利要求1所述的一种考虑分类特性的电动汽车并网调度方法，其特征在于，所述的步骤3)中，含电动汽车的火电机组的随机机组模型的目标函数为：
CG(c,i,t)＝u(i,t)×(a(i)+b(i)P(c,i,t)+c(i)P2(c,i,t))
其中，F1 cost为总煤耗量，t为计划时段编号，T为计划时段总数，i为火电机组编号，N为火电机组总数，c为电动汽车出行预测场景编号，C为场景总数，π(c)为场景c对应的概率，CG(c,i,t)为c场景下t时刻火电机组i的运行成本，CU(i,t)为启动成本，CD(i,t)为停机成本，u(i,t)为机组i在t时段的运行状态的变量，u(i,t)＝1表示运行状态，u(i,t)＝0表示停行状态，a(i)，b(i)，c(i)为发电机组i的成本系数，P(c,i,t)为c场景下t时刻火电机组i的功率，为机组i的热启动能耗，为机组i的冷启动能耗，toff(i)表示机组i的停机时间，Tcold(i)表示机组i的冷启动时间，为机组i的停机能耗。
6.根据权利要求5所述的一种考虑分类特性的电动汽车并网调度方法，其特征在于，所述的步骤3)中，含电动汽车的火电机组的随机机组模型的约束条件包括火电机组约束以及电动汽车约束。
7.根据权利要求6所述的一种考虑分类特性的电动汽车并网调度方法，其特征在于，所述的火电机组约束包括：
A、负荷平衡约束：
其中，V为c场景下t时段所有电动汽车的类型，分别为私家车、公交车、公务车和出租车，Pch(c,v,t)表示c场景下所有v类车在t时段的充电功率，Pdis(c,v,t)表示c场景下所有v类车在t时段的放电功率，D(t)为t时刻系统的最大负荷；
B、系统备用需求，包括：
上备用约束：
下备用约束：
其中，为c场景t时刻下火电机i的功率上限，为t时段负荷的上备用需求，P(c,i,t)为c场景t时刻下火电机组i的功率下限，K(t)为t时段负荷的下备用需求；
C、机组出力约束：
其中，u(i,t)为机组i在时段t运行状态变量，当u(i,t)＝0时表示机组i停机，当u(i,t)＝1时表示机组i运行；
D、火电机组爬坡限制约束，包括机组的启停爬坡约束和机组连续运行爬坡约束；
E、火电机组最小启停约束：
[u(i,t-1)-u(i,t)][M(i,t-1)-UT(i)]≥0
[u(i,t)-u(i,t-1)][-M(i,t-1)-DT(i)]≥0
其中，UT(i)为机组i最小连续停机时间，DT(i)为机组i最小连续启动时间，M(i,t)为机组i在第t时段已连续运行或连续停机的时间。
8.根据权利要求7所述的一种考虑分类特性的电动汽车并网调度方法，其特征在于，所述的火电机组爬坡限制约束中：
机组的启停爬坡约束：
其中，SU(i)为机组i启动爬坡限制，SD(i)为机组i停机爬坡限制；
机组连续运行爬坡约束：
P(c,i,t-1)-P(c,i,t)≤RU(i)u(i,t-1)
P(c,i,t)-P(c,i,t-1)≤RD(i)u(i,t)
其中，RU(i)机组i上爬坡约束，RD(i)机组i下爬坡约束。
9.根据权利要求6所述的一种考虑分类特性的电动汽车并网调度方法，其特征在于，所述的电动汽车约束包括：
F、出行时段约束：
当tin≤tout时，电动汽车只有在[tin,tout]之间进行充放电，则有：
其中，v为电动汽车的类型编号，tin(c,v)为c场景下第v类车单辆车的入网时刻，tout(c,v)为c场景下第v类车单辆车的离网时刻，X(c,v,t)为c场景下第v类车单辆车在t时刻的充电状态，X(c,v,t)＝0代表此时车辆处于不充电状态，X(c,v,t)＝1代表此时车辆处于充电状态，Y(c,v,t)为c场景下第v类车单辆车在t时刻的放电状态，Y(c,v,t)＝0代表此时车辆处于不放电状态，Y(c,v,t)＝1代表此时车辆处于放电状态；
当tout≤tin时，电动汽车只有在[1,tin]U[tout,24]之间进行充放电，则有：
Pch(c,v,t)＝Nev(c,v)×PVch(c,v,t)
Pdis(c,v,t)＝Nev(c,v)×PVdis(c,v,t)
其中，Nev(c,v)表示c场景下的并入电网的v类车车辆总数，PVch(c,v,t)为c场景下v类车在t时段每辆车的充电功率，PVdis(c,v,t)为c场景下v类车在t时段每辆车的放电功率；
G、电量平衡约束：
当电动汽车开始接入电网时，即t＝tin(c,v)时，则有：
SOC(c,v,t)＝SOC0(c,v,t)
其中，SOC(c,v,t)为场景c下第v类车单辆车在t时刻的电池百分比状态，SOC0(c,v,t)为场景c下第v类车单辆车在t＝tin(c,v)时刻的初始电池荷电状态，SOCE(c,v)为场景c下第v类车单辆车用户在离网时的电池荷电状态期望值，d(c,v)为场景c下第v类车单辆车用户的日行驶里程，M(v)为第v类车的百公里耗电量；
当电动汽车在与电网连接时间段时，满足电动汽车的电量平衡：
其中，Q(v)为第v类车单辆车的最大电池容量，为单辆车的充电效率，Δt为充放电时间间隔，为单辆车的放电效率；
当电动汽车离开电网时，即t＝tout(c,v)时，车辆的电池状态满足用户的期望电量值，则有：
SOC(c,v,t)≥SOCE(c,v,t)；
H、电动汽车的充放电功率限制：
其中，为第v类车的充电功率上限，为第v类车的放电功率上限；
I、电动汽车电池电量状态限制：
电动汽车要在保证不损耗电池正常寿命情况下进行充放电：
其中，SOC为车辆的电池荷电状态下限值，为车辆的电池荷电状态上限值；
J、电池充电限制：
车辆的充电量应保证不超过电池当前的可充电范围：
K、电池放电限制：
车辆的放电量应保证不超过电池当前的可放电范围：
10.根据权利要求6所述的一种考虑分类特性的电动汽车并网调度方法，其特征在于，所述的步骤3)中，将模型中的非线性条件线性化包括目标函数的线性化和非线性约束的线性化，其中，目标函数的线性化包括火电机组运行成本线性化和机组启动能耗线性化。
CN201710585417.2A 2017-07-18 2017-07-18 一种考虑分类特性的电动汽车并网调度方法 Pending CN107392462A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710585417.2A CN107392462A (zh) 2017-07-18 2017-07-18 一种考虑分类特性的电动汽车并网调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710585417.2A CN107392462A (zh) 2017-07-18 2017-07-18 一种考虑分类特性的电动汽车并网调度方法

Publications (1)

Publication Number Publication Date
CN107392462A true CN107392462A (zh) 2017-11-24

Family

ID=60340086

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710585417.2A Pending CN107392462A (zh) 2017-07-18 2017-07-18 一种考虑分类特性的电动汽车并网调度方法

Country Status (1)

Country Link
CN (1) CN107392462A (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108493942A (zh) * 2018-04-16 2018-09-04 华中科技大学 一种计及电动汽车的概率潮流获取方法
CN108596394A (zh) * 2018-04-28 2018-09-28 国网江苏电力设计咨询有限公司 一种多类型电动汽车充电站的选址协调配置方法
CN108599267A (zh) * 2018-04-17 2018-09-28 上海电力学院 一种考虑电动汽车出行相关性的机组组合调度方法
CN108923536A (zh) * 2018-07-12 2018-11-30 中国南方电网有限责任公司 可调度潜力分析方法、系统、计算机设备及存储介质
CN109130897A (zh) * 2018-08-01 2019-01-04 上海电力学院 一种基于时空双尺度的匹配式v2v能量交换方法
CN109606183A (zh) * 2018-12-19 2019-04-12 国网北京市电力公司 电动汽车的充电方法和装置
CN109934403A (zh) * 2019-03-12 2019-06-25 浙江大学 基于数学模型的电动汽车居民区域充电负荷分析预测方法
CN112348387A (zh) * 2020-11-16 2021-02-09 中原工学院 一种充放电策略辅助用户出行的动态电力调度方法
WO2022021957A1 (zh) * 2021-03-16 2022-02-03 中国科学院广州能源研究所 运营商收益最大化的v2g二阶段随机规划调度模型
CN114330833A (zh) * 2021-12-02 2022-04-12 国网浙江省电力有限公司 一种考虑电池状态切换次数限制的电动汽车最优调度方法
CN114548245A (zh) * 2022-02-10 2022-05-27 常州大学 一种基于用户特性的电动汽车优化调度方法

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108493942A (zh) * 2018-04-16 2018-09-04 华中科技大学 一种计及电动汽车的概率潮流获取方法
CN108599267A (zh) * 2018-04-17 2018-09-28 上海电力学院 一种考虑电动汽车出行相关性的机组组合调度方法
CN108599267B (zh) * 2018-04-17 2020-09-01 上海电力学院 一种考虑电动汽车出行相关性的机组组合调度方法
CN108596394B (zh) * 2018-04-28 2021-10-15 国网江苏电力设计咨询有限公司 一种多类型电动汽车充电站的选址协调配置方法
CN108596394A (zh) * 2018-04-28 2018-09-28 国网江苏电力设计咨询有限公司 一种多类型电动汽车充电站的选址协调配置方法
CN108923536A (zh) * 2018-07-12 2018-11-30 中国南方电网有限责任公司 可调度潜力分析方法、系统、计算机设备及存储介质
CN109130897A (zh) * 2018-08-01 2019-01-04 上海电力学院 一种基于时空双尺度的匹配式v2v能量交换方法
CN109130897B (zh) * 2018-08-01 2021-10-08 上海电力学院 一种基于时空双尺度的匹配式v2v能量交换方法
CN109606183A (zh) * 2018-12-19 2019-04-12 国网北京市电力公司 电动汽车的充电方法和装置
CN109934403A (zh) * 2019-03-12 2019-06-25 浙江大学 基于数学模型的电动汽车居民区域充电负荷分析预测方法
CN112348387A (zh) * 2020-11-16 2021-02-09 中原工学院 一种充放电策略辅助用户出行的动态电力调度方法
CN112348387B (zh) * 2020-11-16 2022-05-13 中原工学院 一种充放电策略辅助用户出行的动态电力调度方法
WO2022021957A1 (zh) * 2021-03-16 2022-02-03 中国科学院广州能源研究所 运营商收益最大化的v2g二阶段随机规划调度模型
CN114330833A (zh) * 2021-12-02 2022-04-12 国网浙江省电力有限公司 一种考虑电池状态切换次数限制的电动汽车最优调度方法
CN114330833B (zh) * 2021-12-02 2024-09-17 国网浙江省电力有限公司 一种考虑电池状态切换次数限制的电动汽车最优调度方法
CN114548245A (zh) * 2022-02-10 2022-05-27 常州大学 一种基于用户特性的电动汽车优化调度方法

Similar Documents

Publication Publication Date Title
CN107392462A (zh) 一种考虑分类特性的电动汽车并网调度方法
Das et al. Charging scheduling of electric vehicle incorporating grid-to-vehicle and vehicle-to-grid technology considering in smart grid
Manríquez et al. The impact of electric vehicle charging schemes in power system expansion planning
Jian et al. Optimal scheduling for vehicle-to-grid operation with stochastic connection of plug-in electric vehicles to smart grid
Han et al. Ordered charge control considering the uncertainty of charging load of electric vehicles based on Markov chain
CN103241130B (zh) 一种电动公交车充换电站的能量管理方法及系统
Rahman et al. Comprehensive impact analysis of electric vehicle charging scheduling on load-duration curve
Graber et al. Two-stage stochastic sizing and packetized energy scheduling of BEV charging stations with quality of service constraints
Darabi et al. Plug-in hybrid electric vehicles: Charging load profile extraction based on transportation data
Ding et al. Joint charging scheduling of electric vehicles with battery to grid technology in battery swapping station
Liang et al. A calculation model of charge and discharge capacity of electric vehicle cluster based on trip chain
CN111400662A (zh) 一种考虑电动汽车充电需求的空间负荷预测方法
CN108599267B (zh) 一种考虑电动汽车出行相关性的机组组合调度方法
Wu et al. Hydrogen energy storage system for demand forecast error mitigation and voltage stabilization in a fast-charging station
Zhou et al. Electric bus charging facility planning with uncertainties: Model formulation and algorithm design
CN115860185A (zh) 一种考虑极端高温天气下多类型电动汽车充电方式的电网负荷预测方法
CN115130727A (zh) 一种新能源纯电公交车夜间充电调度方法
CN112613682A (zh) 一种电动汽车充电负荷预测方法
CN107067130A (zh) 一种基于电动汽车马尔可夫充电需求分析模型的快速充电站容量规划方法
Yao et al. Simulation-based optimization framework for economic operations of autonomous electric taxicab considering battery aging
Sun et al. Charging stations‐oriented electric vehicle charging strategy based on battery characteristics
CN114629148A (zh) 一种含电动汽车资源的电力系统调度框架方法及其系统
Huang et al. A robust coordinated charging scheduling approach for hybrid electric bus charging systems
CN109359784A (zh) 计及运营商的电动汽车负荷时间预测方法和系统
CN113836735A (zh) 换电模式下电动公交集群充换电策略两阶段模型建立方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20171124

RJ01 Rejection of invention patent application after publication