CN107867198A - 调节含风电配电网频率的电动汽车实时充电策略 - Google Patents

调节含风电配电网频率的电动汽车实时充电策略 Download PDF

Info

Publication number
CN107867198A
CN107867198A CN201711069159.9A CN201711069159A CN107867198A CN 107867198 A CN107867198 A CN 107867198A CN 201711069159 A CN201711069159 A CN 201711069159A CN 107867198 A CN107867198 A CN 107867198A
Authority
CN
China
Prior art keywords
mrow
msub
pev
power
munderover
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.)
Granted
Application number
CN201711069159.9A
Other languages
English (en)
Other versions
CN107867198B (zh
Inventor
夏世威
邹唯薇
张茜
孙广增
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.)
North China Electric Power University
Original Assignee
North China Electric Power University
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 North China Electric Power University filed Critical North China Electric Power University
Priority to CN201711069159.9A priority Critical patent/CN107867198B/zh
Publication of CN107867198A publication Critical patent/CN107867198A/zh
Application granted granted Critical
Publication of CN107867198B publication Critical patent/CN107867198B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/60—Monitoring or controlling charging stations
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/70—Energy storage systems for electromobility, e.g. batteries
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/7072—Electromobility specific charging systems or methods for batteries, ultracapacitors, supercapacitors or double-layer capacitors
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02T90/10—Technologies relating to charging of electric vehicles
    • Y02T90/12—Electric charging stations

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本发明涉及一种用来调节含风电配电网频率的插入式电动汽车自动实时充电策略，以中和配电网系统中的风电功率输出波动，调节系统频率。本发明将插入式电动汽车车主的日常驾驶需求综合为支付意愿参数，建立考虑配电网系统频率调整的电动汽车集群效益最大化模型，同时考虑了充电网络中电动汽车的分散特性，设计了一种完全分布式控制方案来优化控制电动汽车充放电过程以共同分担风电功率波动。本发明在调节含强波动风力发电功率的配电网系统频率方面具有有效性，对于电动汽车不同的驾驶模式具有很强的鲁棒性，同时可灵活满足即插即用的电动汽车充电需求。

Description

调节含风电配电网频率的电动汽车实时充电策略
技术领域
本发明涉及分布式发电技术领域，是一种用来调节含风电配电网频率的插入式电动汽车自动实时充电策略。
背景技术
随着人们对环境和能源保护的日益关注，风电作为一种典型的可持续发展的绿色能源，已经以高的渗透率接入到了电力系统中。风力发电的显著特点是自然间歇性，即使提前几个小时也很难准确预测，因此在含不确定风力发电的电力系统中，迫切需要寻求有效的对策来解决这些不确定性，以适应高度变化的风力发电，提高电力系统的可控性。
现有的策略中，一种直接的策略就是在现有的火电厂中储备大规模的旋转备用，为系统安全提供充足的裕度。然而在实时运行中，高度波动的风电功率会频繁要求火电备用单元带负载循环运行，从而导致蒸汽机的磨损，缩短发电系统的寿命，并且由于火电厂复杂的电动力学和相对较大的时间常数，它们可能无法赶上快速变化的风电输出功率波动。另一种策略就是利用现今取得了新进展的快速反应装置，如蓄电池储能装置、抽水蓄能发电装置、插入式电动汽车(PEV)和柴油发电机等，运用适当的控制方案，使它们与快速波动的风电功率相匹配。特别的是，PEV由于其近乎零排放的优点，已经在许多地方得到了国家层面的支持并且数量剧增。由于并网PEV可以从电网到车辆(G2V)获得电能为电池充电，或者从车辆到电网(V2G)注入电能为电网提供能量支持，如果运用合适的充放电方案，如此大量的PEV可能会成为兆瓦级别的储能装置，为电力系统有效地提供快速增加或减少的电能，以调整系统频率。
现有的PEV充电方案中，多采用集中控制方案和分散式控制方案。集中控制和分散控制通常都需要信息中心收集必要的信息以产生全局信号，然而，PEV集群是一个庞大而且高度分散的群体，控制中心收集和处理信息将具有庞大的计算量，并存在鲁棒性和灵活性差等问题，因此需要一个完全分布式的充电控制方案。另一方面，目前用于调节风电波动的PEV技术主要是以电网的角度研究的，并没有完全解决PEV自身的充电需求以及其效用问题。因此，需要一种能够调节系统频率并且兼顾PEV日常驾驶模式和最大化PEV总效用的一种新型PEV充电方案。
发明内容
本发明的目的在于克服现有技术的上述不足，提供一种用来调节含风电配电网频率的插入式电动汽车自动实时充电策略，能够调节配电网系统频率，最大化PEV总效用，并同时满足PEV日常驾驶模式；运用全分布式控制方案，能够更好地适应充电网络中PEV的分散特性，在多个PEV中经济分配风电输出波动来调整系统频率，具有即插即用的灵活性。
为实现上述目的，本发明采用了以下技术方案：一种用来调节含风电配电网频率的插入式电动汽车自动实时充电策略，具体包括以下步骤：
(1)建立一种同时考虑PEV集群总效益、PEV日常驾驶需求和含风电的配电网系统频率调节的PEV原始充电模型；
(2)利用拉格朗日乘数法将所提出的模型转化为一个无约束优化优化模型来求解原始PEV充电模型；
(3)根据所转化的PEV充电模型，设计一种基于一致性算法的完全分布式充电方案，实时地经济分配PEV充电功率。
进一步的，步骤(1)所述的“建立一种同时考虑PEV集群总效益、PEV日常驾驶需求和含风电的配电网系统频率调节的PEV原始充电模型”的具体过程为：
a.分析风电功率输出特性，得到风电功率输出波动Pi_fluc(t)的表达式
对于第i个风电场，功率输出波动表示为Pi_fluc(t)＝Pact_i,t-Pfore_i,t，其中Pact_i,t为实际风电功率，Pfore_i,t为预测风电功率，Pi_fluc(t)可正可负，表明了PEV必要的充电功率或者放电功率。
b.建立PEV电池动态模型，得到对于第i台PEV，由初始电荷状态SOCi,t达到理想电荷状态SOCi,Ti所需要的能量Ei，其表达式为其中， 为PEV电池额定电压；Voc为PEV电池端电压；α是Voc对于电池荷电状态SOC的灵敏度参数；Cnom为PEV电池的负荷容量；R、F和T分别为气体常数、法拉第常数以及电池温度。
c.提出支付意愿(WTP)参数，用来综合PEV驾驶模式的所有参数并指示PEV充电需求的紧急程度。
PEV充电策略需要合适的考虑PEV日常驾驶需求，与充电行为相关的关键参数包括当PEV接入电源充电时的到达时间和初始SOC，以及PEV拔出电源出行时的启程时间和目标SOC。
当风电输出波动Pi_flu(t)为正值，需要从电网向PEV(G2V)输出功率，即相应的PEV需要充电，第i台PEV在t时刻的WTP参数定义为其中，Pi,max是第i台PEV电池的最大输出功率，ηp,i是第i台PEV电池充电效率，t和Ti分别为PEVi的当前的时间和计划启程时间；Cbatt,i是PEVi的电池容量；Ei是PEVi从当前的SOC到达目标SOC所需要的总能量，由步骤b计算得到；第一项和第二项分别表示计划启程时间之前可以被充满的额定电池能量和从当前SOC到目标SOC所需要充满的电池能量，这两项的差值为电池能量裕度，表明了PEV对G2V功率的渴望程度。
当风电功率波动Pi_flu(t)为负值时，需要从PEV向电网(V2G)输送功率，即PEV需要放电，此时WTP参数定义为ωV2G,i(t)＝1/ωG2V,i＝(Pi,max·ηp,i·(Ti-t)-Ei)/Cbatt,i。
当多个PEV用来平衡风电输出波动时，随着充放电过程的进行，PEV的状态被划分为三类：并网响应阶段，并网非响应阶段以及离网阶段。PEVi只有在电池能量裕度比预设门槛值BECthreshold大的时候才处于响应状态，这意味着PEVi并不急于为出行充电，可以适当参与充放电过程来中和风电功率波动。随着时间t越来越接近到PEVi的计划启程时间Ti，PEVi的可充电池能量保持以其最大充电功率Pmax的速率下降，这就导致了BEC裕度的减少。当裕度下降到低于BECthreshold时，PEVi将会撤出风电功率补偿方案并切换到非响应状态。之后，非响应PEVi将会以最大额定功率Pi,max的速率充电以满足日常驾驶需求。一旦PEVi的SOC已达到需求值，即Ei＝0，它将会通过智能插座从电网断开。
d.建立考虑系统频率调整的PEV集群效益最大化模型
考虑一种离散时间系统，在这个系统中n个PEV共同分配功率需求，即系统中的风电功率波动。在每个时刻t，每个PEVi都有一些需求的充放电功率xi(t)，这些需求的单位市场价格是由该时间段的总需求∑xi(t)的函数决定的，即其中，p(t)是t时刻的市场价格；n是PEV车主的数量；xi(t)是t时刻PEVi的需求功率；C(t)是t时刻电网可用容量；a和k是常数。
每一个PEV的的利润盈余Vi_profit等于效益减去成本，即Vi_profit＝ui(t)-xi(t)p(t)＝ωi(t)logxi(t)-xi(t)p(t)，其中，ui(t)为效益函数；ωi(t)为t时刻PEVi的WTP参数值。
对于PEV集群，提出的充电模型的目标就是使总利润盈余最大化，即
为了保证系统频率调节，所有的PEV总功率输出应该与总的风电功率波动完全匹配，即提出的PEV充电模型即为上述公式。
进一步的，步骤(2)所述的“求解PEV充电模型”的具体过程为：
为了求解该模型，利用拉格朗日乘数法将所提出的模型转化为一个无约束优化问题其中λ为拉格朗日乘数。
将功率平衡表达式代入上式，可以进一步把上式写成
p(t)确定后上式中的第二项变成了常数，因此优化上式等价为以下优化问题：
进而PEVi充电功率的最优解是
在提出的PEV充电模型中，所有的PEV都可以根据自己的WTP参数值与所有PEV的WPT参数值总和的比值决定进行充电或者放电，从而协调经济分配风电功率输出波动。
进一步，步骤(3)中所述的“根据所提出的PEV充电模型，设计一种基于一致性算法的完全分布式充电方案，实时地经济分配PEV充电功率”的具体过程为：
在步骤(1)和(2)中，提出了考虑日常驾驶需求和系统频率调整的PEV最优充电模型，并能够实现总利润的最大化。如果有一个信息中心收集所有的WTP参数和风电输出波动，由模型推导出的最优解便可以很容易地以分散式的方式计算出来。然而，为了更好地适应配电网中PEV的分布式特性，提高PEV充电控制方案的可靠性，本发明提出了一种基于一致性理论的全分布式优化算法。
一致性算法只需要本地信息和相邻节点信息，便可协调寻找全局最优解。在一致性算法中，节点i的值根据式进行更新迭代，其中，yj[k]是节点j在第k次迭代中的本地值；yj[k+1]是yj在第k+1次迭代中的更新值；n是参与到信息处理过程的总节点数；dij是通信图中相邻节点i和j之间的权重，可通过下式计算其中，Ni是与节点i相邻的节点集合，ni和nj是分别与节点i和j相邻的节点总数。
根据一致性理论，当k→∞时，所有节点的状态变量都趋于稳定该式表明所有状态变量将会收敛于初始值yj[0]的平均值
为了以一种完全分布式的方式求解在第二节中提出的模型，关键是在本地计算出拉格朗日乘数λ，根据步骤(2)中推导出的公式其分子和分母可以迭代估计为 其中，为t时刻PEVi的平均WTP参数估计值；为t时刻风电场i的平均功率输出估计值。通过公式和以相邻节点PEVj的ωj(t)和Pj_fluc(t)进行迭代更新t时刻PEVi的WTP参数值ωi(t)和t时刻风电场i的功率输出波动Pi_fluc(t)。
随着迭代次数的增加，ωi(t)[k]和Pi_fluc(t)[k]将会趋于平均值，随后可计算出∑ωi(t)和∑Pi_fluc(t)。只需要用到本地值ωi(t)[k]和Pi_fluc(t)[k]，从而得到了PEVi的拉格朗日乘数λ，进而通过确定PEVi的最优输出功率。
本发明的工作原理及有益效果：
为了解决含高度变化风力发电配电网频率调整问题，利用现今取得了新进展的快速反应装置PEV，本发明提出了一种用来调节含风电配电网系统频率的插入式电动汽车自动实时充电策略，以中和配电网系统中的风电功率输出波动，调节系统频率。在PEV车主的包括目标SOC和启程时间等日常驾驶需求综合为支付意愿参数WTP的条件下，通过优化控制PEV充放电过程来使PEV共同分担风电功率波动。在此基础上，设计了一种完全分布式控制方案，能够实时灵活分配多台PEV的充放电功率。该方案对于不同的PEV驾驶模式具有很强的鲁棒性，例如其随机接入和离开、不同的初始SOC、不同的目标SOC以及频繁变化的启程时间。所提出的控制方案在调节系统频率方面具有有效性和鲁棒性，以及在满足具有即插即用需求的PEV充电过程上具有良好的灵活性。
附图说明
图1为本发明的工作流程图；
图2为本发明PEV充电方案工作流程图。
具体实施方式
下面结合附图对本发明做进一步说明：
如图1所示，一种用来调节含风电配电网系统频率的插入式电动汽车自动实时充电策略，该策略包括以下步骤：
(1)分析风电功率输出波动特性和PEV电池动态特性。
(2)用支付意愿(WTP)参数综合PEV驾驶模式的所有参数并指示PEV充电需求的紧急程度。
(3)建立考虑系统频率调整的PEV集群效益最大化模型。
(4)求解该PEV充电模型。
(5)根据所提出的PEV充电模型，设计一种基于一致性算法的完全分布式充电方案，实时地经济分配PEV充电功率。
具体的讲，步骤(5)提出的PEV充电方案实施流程如图2所示，包括以下顺序的步骤：
输入系统数据、PEV参数、风电波动数据以及一致性算法的最大迭代次数。
(2)根据通信网络初始化相邻PEV节点i和j之间的通信系数其中，Ni是与节点i相邻的节点集合，ni和nj是分别与节点i和j相邻的节点总数。
PEV集群之间的通信通过通信技术实现，例如无线通信技术Zigbee，ZigBee可以支持含大量通信节点的网络通信，因此非常适合应用于含有大量分布式PEV互联的网络。每个PEV都有一个智能代理，可以控制PEV的充电策略并通过上述通信技术与相邻PEV进行信息交换。
(3)根据式ωG2V,i(t)＝1/(Pi,max·ηp,i·(Ti-t)/Cbatt,i-Ei/Cbatt,i)和式ωV2G,i(t)＝1/ωG2V,i计算出每个PEV的WTP参数，其中ηp,i是第i台PEV电池充电效率
(4)根据和更新ωi(t)和Pi_fluc(t)。
(5)经过规定次数的迭代，利用最终迭代值ωi(t)[k]和Pi_fluc(t)[k]，根据公式和计算出∑ωi(t)和∑Pi_fluc(t)。
(6)利用步骤(5)计算出来的∑ωi(t)和∑Pi_fluc(t)，根据公式计算出拉格朗日乘数λ，进而通过确定PEVi的最优输出功率。

Claims (5)

1.一种用来调节含风电配电网频率的插入式电动汽车自动实时充电策略，用以中和配电网系统中的风电输出功率波动，调节系统频率，其特征在于：利用了现如今取得新进展的快速反应装置插入式电动汽车(PEV)，在将包括电池目标荷电状态和启程时间等PEV车主日常驾驶需求综合为支付意愿参数的条件下，建立了PEV集群效益最大化模型，该模型同时考虑了系统频率调整；在此基础上，为了更好地适应充电网络中PEV的分散特性，设计了一种完全分布式控制方案来优化控制PEV充放电过程，使PEV共同分担风电功率波动。
2.根据权利要求1所述的一种用来调节含风电配电网频率的插入式电动汽车自动实时充电策略，其特征在于：该策略包括以下步骤：
(1)建立一种同时考虑PEV集群总效益、PEV日常驾驶需求和含风电的配电网系统频率调节的PEV原始充电模型；
(2)利用拉格朗日乘数法将所提出的模型转化为一个无约束优化优化模型来求解原始PEV充电模型；
(3)根据所转化的优化模型，设计一种基于一致性算法的完全分布式充电方案，实时地经济分配PEV充电功率。
3.根据权利要求2所述的一种用来调节含风电配电网频率的插入式电动汽车自动实时充电策略，其特征在于：步骤(1)所述的“建立一种同时考虑PEV集群总效益、PEV日常驾驶需求和含风电的配电网系统频率调节的PEV原始充电模型”的具体过程为：
a.分析风电功率输出特性，得到t时刻风电场i的功率输出波动Pi_fluc(t)的表达式：对于第i个风电场，功率输出波动表示为Pi_fluc(t)＝Pact_i,t-Pfore_i,t，其中Pact_i,t为t时刻实际风电功率，Pfore_i,t为t时刻预测风电功率，Pi_fluc(t)可正可负，表明了PEV必要的充电功率或者放电功率；
b.建立PEV电池动态模型，得到对于第i台PEV，由初始电荷状态SOCi,t达到理想电荷状态SOCi,Ti所需要的能量Ei，其表达式为：
<mrow> <mtable> <mtr> <mtd> <mrow> <msub> <mi>E</mi> <mi>i</mi> </msub> <mo>=</mo> <munderover> <mo>&amp;Integral;</mo> <mrow> <msub> <mi>SOC</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>t</mi> </mrow> </msub> </mrow> <mrow> <msub> <mi>SOC</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>T</mi> <mi>i</mi> </mrow> </msub> </mrow> </munderover> <msub> <mi>V</mi> <mrow> <mi>o</mi> <mi>c</mi> </mrow> </msub> <mi>d</mi> <mi>S</mi> <mi>O</mi> <mi>C</mi> <mo>=</mo> <msub> <mi>V</mi> <mrow> <mi>n</mi> <mi>o</mi> <mi>m</mi> </mrow> </msub> <mrow> <mo>(</mo> <msub> <mi>SOC</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>T</mi> <mi>i</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>SOC</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>t</mi> </mrow> </msub> <mo>)</mo> </mrow> <mo>+</mo> <mi>&amp;alpha;</mi> <mfrac> <mrow> <mi>R</mi> <mi>T</mi> </mrow> <mi>F</mi> </mfrac> <msub> <mi>C</mi> <mrow> <mi>n</mi> <mi>o</mi> <mi>m</mi> </mrow> </msub> <mi>ln</mi> <mrow> <mo>(</mo> <mfrac> <mrow> <msub> <mi>C</mi> <mrow> <mi>n</mi> <mi>o</mi> <mi>m</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>SOC</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>T</mi> <mi>i</mi> </mrow> </msub> </mrow> <mrow> <msub> <mi>C</mi> <mrow> <mi>n</mi> <mi>o</mi> <mi>m</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>SOC</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>t</mi> </mrow> </msub> </mrow> </mfrac> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mo>+</mo> <mi>&amp;alpha;</mi> <mfrac> <mrow> <mi>R</mi> <mi>T</mi> </mrow> <mi>F</mi> </mfrac> <msub> <mi>SOC</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>T</mi> <mi>i</mi> </mrow> </msub> <mi>ln</mi> <mrow> <mo>(</mo> <mfrac> <mrow> <msub> <mi>SOC</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>T</mi> <mi>i</mi> </mrow> </msub> </mrow> <mrow> <msub> <mi>C</mi> <mrow> <mi>n</mi> <mi>o</mi> <mi>m</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>SOC</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>T</mi> <mi>i</mi> </mrow> </msub> </mrow> </mfrac> <mo>)</mo> </mrow> <mo>-</mo> <mi>&amp;alpha;</mi> <mfrac> <mrow> <mi>R</mi> <mi>T</mi> </mrow> <mi>F</mi> </mfrac> <msub> <mi>SOC</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>t</mi> </mrow> </msub> <mi>ln</mi> <mrow> <mo>(</mo> <mfrac> <mrow> <msub> <mi>SOC</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>t</mi> </mrow> </msub> </mrow> <mrow> <msub> <mi>C</mi> <mrow> <mi>n</mi> <mi>o</mi> <mi>m</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>SOC</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>t</mi> </mrow> </msub> </mrow> </mfrac> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> </mtable> <mo>,</mo> </mrow>
其中，Vnom为PEV电池额定电压，Voc为PEV电池端电压，α是Voc对于电池荷电状态SOC的灵敏度参数，Cnom为PEV电池的负荷容量，R、F和T分别为气体常数、法拉第常数以及电池温度；
c.提出支付意愿(WTP)参数，用来综合PEV驾驶模式的所有参数并指示PEV充电需求的紧急程度，主要包括以下内容：
PEV充电策略需要考虑PEV日常驾驶需求，与充电行为相关的关键参数包括当PEV接入电源充电时的到达时间和初始SOC，以及PEV拔出电源出行时的启程时间和目标SOC；
当风电输出波动Pi_flu(t)为正值，需要从电网向PEV(G2V)输出功率，即相应的PEV需要充电，第i台PEV在t时刻的WTP参数定义为其中Pi,max是第i台PEV电池的最大输出功率，ηp,i是第i台PEV电池充电效率，t和Ti分别为PEVi的当前的时间和计划启程时间，Cbatt,i是PEVi的电池容量，Ei是PEVi由步骤b计算得到的从当前SOC到达目标SOC所需要的总能量，第一项和第二项分别表示计划启程时间之前可以被充满的额定电池能量和从当前SOC到目标SOC所需要充满的电池能量，这两项的差值为电池能量裕度，表明了PEV对G2V功率的渴望程度；
当风电功率波动Pi_flu(t)为负值时，需要从PEV向电网(V2G)输送功率，即PEV需要放电，此时WTP参数定义为
当多个PEV用来平衡风电输出波动时，随着充放电过程的进行，PEV的状态被划分为三类：并网响应阶段，并网非响应阶段以及离网阶段；
PEVi只有在电池能量裕度比预设门槛值BECthreshold大的时候才处于响应状态，这意味着PEVi并不急于为出行充电，可以适当参与充放电过程来中和风电功率波动；随着时间t越来越接近到PEVi的计划启程时间Ti，PEVi的可充电池能量保持以其最大充电功率Pmax的速率下降，这就导致了BEC裕度的减少；当裕度下降到低于BECthreshold时，PEVi将会撤出风电功率补偿方案并切换到非响应状态；之后，非响应PEVi将会以最大额定功率Pi,max的速率充电以满足日常驾驶需求；一旦PEVi的SOC已达到需求值，即Ei＝0，它将会通过智能插座从电网断开；
d.建立考虑系统频率调整的PEV集群效益最大化模型：
考虑一种离散时间系统，在这个系统中n个PEV共同分配功率需求，即系统中的风电功率波动；在每个时刻t，每个PEVi都有一些需求的充放电功率xi(t)，这些需求的单位市场价格p(t)是由该时间段的总需求∑xi(t)的函数决定的，即其中，p(t)是t时刻的市场价格；n是PEV车主的数量；xi(t)是t时刻PEVi的需求功率；C(t)是t时刻电网可用容量；a和k是常数；每一个PEV的利润盈余Vi_profit等于效益减去成本，即Vi_profit＝ui(t)-xi(t)p(t)＝ωi(t)logxi(t)-xi(t)p(t)其中，ui(t)为效益函数；ωi(t)为t时刻PEVi的WTP参数值；
对于PEV集群，提出的充电模型的目标就是使总利润盈余最大化，即
<mrow> <mi>m</mi> <mi>a</mi> <mi>x</mi> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <msub> <mi>V</mi> <mrow> <mi>i</mi> <mo>_</mo> <mi>p</mi> <mi>r</mi> <mi>o</mi> <mi>f</mi> <mi>i</mi> <mi>t</mi> </mrow> </msub> <mo>=</mo> <mi>m</mi> <mi>a</mi> <mi>x</mi> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <mo>&amp;lsqb;</mo> <msub> <mi>&amp;omega;</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mi>l</mi> <mi>o</mi> <mi>g</mi> <mi> </mi> <msub> <mi>x</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>-</mo> <msub> <mi>x</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mi>p</mi> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>&amp;rsqb;</mo> <mo>;</mo> </mrow>
为了保证系统频率调节，所有的PEV总功率输出应该与总的风电功率波动完全匹配，提出了PEV充电模型：
4.根据权利要求2所述的一种用来调节含风电配电网频率的插入式电动汽车自动实时充电策略，其特征在于：步骤(2)所述的“求解PEV充电模型”的具体过程为：
a.为了求解该模型，利用拉格朗日乘数法将所提出的模型转化为一个无约束优化问题其中λ为拉格朗日乘数；
b.将功率平衡表达式代入上式，可以进一步把上式写成
<mrow> <mi>m</mi> <mi>a</mi> <mi>x</mi> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <msub> <mi>V</mi> <mrow> <mi>i</mi> <mo>_</mo> <mi>p</mi> <mi>r</mi> <mi>o</mi> <mi>f</mi> <mi>i</mi> <mi>t</mi> </mrow> </msub> <mo>=</mo> <mi>max</mi> <mo>{</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <mo>&amp;lsqb;</mo> <msub> <mi>&amp;omega;</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mi>log</mi> <mi> </mi> <msub> <mi>x</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>&amp;rsqb;</mo> <mo>-</mo> <mi>p</mi> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>m</mi> </munderover> <msub> <mi>P</mi> <mrow> <mi>i</mi> <mo>_</mo> <mi>f</mi> <mi>l</mi> <mi>u</mi> <mi>c</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>+</mo> <mi>&amp;lambda;</mi> <mo>&amp;lsqb;</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>m</mi> </munderover> <msub> <mi>P</mi> <mrow> <mi>i</mi> <mo>_</mo> <mi>f</mi> <mi>l</mi> <mi>u</mi> <mi>c</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>-</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <msub> <mi>x</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>&amp;rsqb;</mo> <mo>}</mo> <mo>;</mo> </mrow>
c.p(t)确定后上式中的第二项变成了常数，因此优化上式等价为以下优化问题
<mrow> <mi>max</mi> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <msub> <mi>V</mi> <mrow> <mi>i</mi> <mo>_</mo> <mi>p</mi> <mi>r</mi> <mi>o</mi> <mi>f</mi> <mi>i</mi> <mi>t</mi> </mrow> </msub> <mo>=</mo> <mi>max</mi> <mo>{</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <mo>&amp;lsqb;</mo> <msub> <mi>&amp;omega;</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mi>log</mi> <mi> </mi> <msub> <mi>x</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>&amp;rsqb;</mo> <mo>+</mo> <mi>&amp;lambda;</mi> <mo>&amp;lsqb;</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>m</mi> </munderover> <msub> <mi>P</mi> <mrow> <mi>i</mi> <mo>_</mo> <mi>f</mi> <mi>l</mi> <mi>u</mi> <mi>c</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>-</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <msub> <mi>x</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>&amp;rsqb;</mo> <mo>}</mo> <mo>;</mo> </mrow>
d.进而PEVi充电功率的最优解是
<mrow> <msub> <mi>x</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>=</mo> <msub> <mi>&amp;omega;</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>/</mo> <mi>&amp;lambda;</mi> <mo>=</mo> <msub> <mi>&amp;omega;</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>/</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <msub> <mi>&amp;omega;</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>&amp;times;</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>m</mi> </munderover> <msub> <mi>P</mi> <mrow> <mi>i</mi> <mo>_</mo> <mi>f</mi> <mi>l</mi> <mi>u</mi> <mi>c</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>.</mo> </mrow>
5.根据权利要求2所述的一种用来调节含风电配电网频率的插入式电动汽车自动实时充电策略，其特征在于：步骤(3)所述的“根据所提出的PEV充电模型，设计一种基于一致性算法的完全分布式充电方案，实时地经济分配PEV充电功率”的具体过程为：
a.在一致性算法中，节点i的值根据进行更新迭代，其中，yj[k]是节点j在第k次迭代中的本地值，yj[k+1]是yj在第k+1次迭代中的更新值，n是参与到信息处理过程的总节点数，dij是通信图中相邻节点i和j之间的权重，可通过公式来计算，其中，Ni是与节点i相邻的节点集合，ni和nj是分别与节点i和j相邻的节点总数；
b.根据公式利用本地参数计算出拉格朗日乘数λ：其分子和分母可以迭代估计为 其中，为t时刻PEVi的平均WTP参数估计值，为t时刻风电场i的平均功率输出估计值；通过公式和以相邻节点PEVj的ωj(t)和Pj_fluc(t)进行迭代更新ωi(t)和Pi_fluc(t)；根据一致性理论，当k→∞时，所有节点的状态变量yi[k]都趋于稳定，收敛于初始值yj[0]的平均值所以，随着迭代次数增加，ωi(t)[k]和Pi_fluc(t)[k]将会趋于平均值，随后可计算出∑ωi(t)和∑Pi_fluc(t)；
c.最后通过式确定PEVi最优输出功率。
CN201711069159.9A 2017-11-03 2017-11-03 调节含风电配电网频率的电动汽车实时充电策略 Active CN107867198B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711069159.9A CN107867198B (zh) 2017-11-03 2017-11-03 调节含风电配电网频率的电动汽车实时充电策略

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711069159.9A CN107867198B (zh) 2017-11-03 2017-11-03 调节含风电配电网频率的电动汽车实时充电策略

Publications (2)

Publication Number Publication Date
CN107867198A true CN107867198A (zh) 2018-04-03
CN107867198B CN107867198B (zh) 2021-06-08

Family

ID=61752932

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711069159.9A Active CN107867198B (zh) 2017-11-03 2017-11-03 调节含风电配电网频率的电动汽车实时充电策略

Country Status (1)

Country Link
CN (1) CN107867198B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103296681A (zh) * 2013-05-27 2013-09-11 东南大学 一种电动汽车与风电协同实时调度优化方法
CN104466999A (zh) * 2014-12-06 2015-03-25 国网浙江省电力公司电动汽车服务分公司 一种含电动汽车和风电机组的虚拟发电厂竞价策略的确定方法
CN105870949A (zh) * 2016-04-08 2016-08-17 苏州泛能电力科技有限公司 一种基于分布式梯度算法的微电网储能单元优化控制方法
CN107133415A (zh) * 2017-05-22 2017-09-05 河海大学 一种考虑用户满意和配网安全的电动汽车充放电优化方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103296681A (zh) * 2013-05-27 2013-09-11 东南大学 一种电动汽车与风电协同实时调度优化方法
CN104466999A (zh) * 2014-12-06 2015-03-25 国网浙江省电力公司电动汽车服务分公司 一种含电动汽车和风电机组的虚拟发电厂竞价策略的确定方法
CN105870949A (zh) * 2016-04-08 2016-08-17 苏州泛能电力科技有限公司 一种基于分布式梯度算法的微电网储能单元优化控制方法
CN107133415A (zh) * 2017-05-22 2017-09-05 河海大学 一种考虑用户满意和配网安全的电动汽车充放电优化方法

Also Published As

Publication number Publication date
CN107867198B (zh) 2021-06-08

Similar Documents

Publication Publication Date Title
Yan et al. Optimized operational cost reduction for an EV charging station integrated with battery energy storage and PV generation
CN109599856B (zh) 一种微网多楼宇中电动汽车充放电管理优化方法及装置
CN104269849B (zh) 基于建筑光伏微电网的能量管理方法及系统
CN108470239A (zh) 计及需求侧管理和储能的主动配电网多目标分层规划方法
CN105262129B (zh) 一种含复合储能微电网的多目标优化系统及方法
CN110826880B (zh) 一种大规模电动汽车接入的主动配电网优化调度方法
CN109948823B (zh) 一种光储充电塔自适应鲁棒日前优化调度方法
CN111244988B (zh) 考虑分布式电源的电动汽车和储能优化调度方法
CN111626527B (zh) 计及可调度电动汽车快/慢充放电形式的智能电网深度学习调度方法
CN116001624A (zh) 基于深度强化学习的一桩多联电动汽车有序充电方法
CN105787605A (zh) 基于改进型量子遗传算法的微网经济优化运行调度方法
Deng et al. Hierarchical distributed frequency regulation strategy of electric vehicle cluster considering demand charging load optimization
Arab et al. Suitable various-goal energy management system for smart home based on photovoltaic generator and electric vehicles
CN109950900B (zh) 基于电动汽车负荷最小峰值模型的微网负荷削减控制方法
Chun et al. Unit commitment considering coordinated dispatch of large scale electric vehicles and wind power generation
Arab et al. A priority-based seven-layer strategy for energy management cooperation in a smart city integrated green technology
CN117522014A (zh) 一种考虑多重不确定性的储配网联合规划方法
CN113054671A (zh) 一种基于计及储能无功调节模型的配电网日前-实时优化控制方法
Kaur et al. Design of the ANFIS based optimized frequency control module for an electric vehicle charging station
CN116667406A (zh) 基于非线性规划的储能充放电策略优化方法
CN115001053A (zh) 主动抑制电池老化的v2g最优调频方法
CN107867198A (zh) 调节含风电配电网频率的电动汽车实时充电策略
CN112668826A (zh) 计及ev双重不确定性的独立微电网模糊随机调度方法
Zheng et al. A Cooperative Game-based Negotiation Strategy of Electric Vehicle Discharging Price
Fan et al. Optimal allocation strategy of energy storage to improve the voltage quality of distribution network

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
GR01 Patent grant
GR01 Patent grant