CN108090277A - 一种考虑满意度和调度能力的电动汽车微网双层优化调度方法 - Google Patents

一种考虑满意度和调度能力的电动汽车微网双层优化调度方法 Download PDF

Info

Publication number
CN108090277A
CN108090277A CN201711348375.7A CN201711348375A CN108090277A CN 108090277 A CN108090277 A CN 108090277A CN 201711348375 A CN201711348375 A CN 201711348375A CN 108090277 A CN108090277 A CN 108090277A
Authority
CN
China
Prior art keywords
mrow
msub
msubsup
munderover
charging
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
CN201711348375.7A
Other languages
English (en)
Inventor
杨丽君
郭海军
黄凯婷
安立明
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.)
Yanshan University
Original Assignee
Yanshan 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 Yanshan University filed Critical Yanshan University
Priority to CN201711348375.7A priority Critical patent/CN108090277A/zh
Publication of CN108090277A publication Critical patent/CN108090277A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06Q10/06—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
    • 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
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Coloring Foods And Improving Nutritive Qualities (AREA)

Abstract

本发明公开了一种考虑满意度和调度能力的电动汽车微网双层优化调度方法，提出对电动汽车进行分层分区调度的理念，引入用户满意度和EV可调度能力概念，构建了电动汽车微网双层优化调度模型。在上层模型中，微网层以运行成本、负荷波动和购电成本最小为优化目标；在下层模型中，制订各充电层充电策略，考虑户满意度，最大化车主参与调度，进行2阶段优化调度，对EV进行有序充电设计。根据最优可调度能力阈值，对EV进行有序和无序充电，从而实现削峰填谷。最后在Matlab7.10环境下，对本文所提出的双层优化调度策略进行仿真分析，验证了该策略的有效性和优越性。

Description

一种考虑满意度和调度能力的电动汽车微网双层优化调度 方法
技术领域
本发明涉及微电网能源优化调度领域，尤其是一种考虑用户满意度和电动汽车可调度能力的微网双层优化调度策略。
背景技术
近几年，能源危机不断加剧，世界对石油、煤炭、天然气的需求量日益增大，化石能源日渐枯竭。随着化石燃料的大量使用，CO2温室气体和SO2等有毒有害气体的大量排放，造成了越来越严重的环境问题。为了应对能源危机和环境恶化，世界各国都在进行能源改革，实施清洁代替和电能代替为重点，加快分布式电源(distributed energy resources，DERs)供能及微电网技术发展的脚步，这是未来能源发展格局的新方向。
随着电动汽车(Electric Vehicle,EV)的飞速发展，电动汽车数量成几何倍数增加，大规模无序充电的电动汽车接入电网充电将给电网带来强大的冲击，并可能导致电网局部过负荷，威胁电网运行的安全性和经济性。如何优化调度大量电动汽车充电对微网的可靠运行显得尤为重要。
电动汽车不仅是用电设备，由于其电池具有的某些特性，还可被视为可控负荷或储能设备。其不仅能作为负荷从电网中汲取电能，而且还可以通过电动汽车入网技术(V2G)技术向电网输送电能。V2G技术的提出使得可在每天平均95％的电动汽车闲置时间里，利用电动汽车的电池作为储能资源，通过调度电池的充放电行为，增加微网对可再生能源的吸纳能力，减小负荷波动和运行成本，实现削峰填谷。通过恰当的V2G控制，不仅能够有效减小电动汽车作为充电负荷对电力系统带来的负面影响，并且能够丰富电力系统运行方式和控制手段。目前，电动汽车调度策略方面的研究方向主要是针对充放电过程，对电动汽车的储能特性、V2G技术设计较少，对用户的个性化需求也很少涉及。
发明内容
本发明目的在于提供一种克服大量电动汽车无序充电引起的负荷峰谷加剧缺点的考虑满意度和调度能力的电动汽车微网双层优化调度方法。
为实现上述目的，采用了以下技术方案：本发明所述方法的步骤如下：
步骤1，获取EV(电动汽车)的充电相关信息；
步骤2，可调度能力综合评估；
步骤3，提出基于双层优化的电动汽车调度模型；
步骤4，采用改进粒子群算法结合Yalmip优化工具箱对双层优化调度模型进行求解。
步骤5，用matlab软件对算例进行仿真分析。
进一步的，所述步骤1的具体内容如下：EV在充电站接入电网充电时，充电桩读取EV接入时间、电池初始荷电状态、预期离开时间以及离网时期望荷电状态；对于任意车辆l，设其状态空间为：
Ω＝[Tin,l,Tout,l,So,l,Se,l,Cs,l,Pc,l,Pd,l,ηc,l,ηd,l]
式中，Tin,l和Tout,l分别为车辆l的入网时间和离网时间；So,l、Se,l分别表示车辆l的起始荷电状态(state of charge,SOC)和预期荷电状态；Cs,l为电池容量；Pc,l、Pd,l分别表示车辆l的额定充、放电功率；ηc,l、ηd,l分别为车辆l的充、放电效率。
进一步的，所述步骤2的具体过程如下：
步骤2-1，建立可调度能力评估体系
2-1-1)评估电池损耗程度a1：
式中，χref为参考系数；为温度加速因数；为电池初始荷电状态对容量衰减的加速因数；为电池放电深度对容量衰减的加速因数；Ycyc,l为电动汽车l的历史充放电循环次数；
2-1-2)评估用户信用度a2
式中，X为一周期内EV接入充电站参与调度的总次数；和分别为第x次参与调度时的起始时间和预期离网时间；为第x次参与调度时离开电网的时间；对于EV第x参调度时，离网时间越接近预期离网时间用户的信用度越大，其值越接近1；
2-1-3)评估放电能力a3
式中，ηd为放电效率；为第x次参与调度时电动汽车l开始的电荷状态；电动汽车l接入电网时间越长、入网起始电荷状态越大，其充电需求就越弱，放电能力则会越强，a2值越接近1；
步骤2-2，确定最优可调度能力阈值
由于各指标具有不同的纲量，不便于统一分析，所以有必要对其进行无纲化处理。采用直线型无量纲处理方法：
式中，blj为无纲量化处理后电动汽车l的第j个指标的属性值；为第j个指标的最大或最小值；ξj为blj与之差绝对值的最大值；
根据综合权重向量与各项评估指标值，对电动汽车可调度能力进行综合评估，车辆l的可调度能力为：
式中，ωj为综合权重系数，m为评估指标个数；
设定本阶段优化时域为Tk,hor＝{1,2,…,V}，对于任意采样点有Vk∈Tk,hor
V为采样点总数，则每一采样点处系统功率补偿需求量为：
Pcom(vk)＝PW+PPV(vk)-LB(vk)
式中，Pcom(vk)为采样点vk处系统所需功率补偿量；PW(vk)为采样点vk处风机出力；PPV(vk)为采样点vk处光伏出力；LB(vk)为采样点vk处的常规负荷；
为了实现EV集群的削峰填谷的作用，避免过度优化调度产生的峰谷倒置现象，确定最优可调度能力阈值T*，当Rl≥T*时，EV获得优先调度权，对其进行两阶段调度，当Rl≤T*,EV则进行无序充电。其表达式为：
进一步的，所述步骤3的具体过程如下：
步骤3-1，建立上层优化模型
3-1-1)目标函数
微网运行成本最小
COM＝kDSGPDSG+kFCPFC
式中，CM为微网的运行成本；T为调度周期；H为分布式电源的数量；Cfuel为分布式电源的燃料成本；ai、bi、ci为机组的燃料系数；Pi t为DG的输出功率COM为分布式电源的运行维护成本；kDSG、kFC为柴油发电机、燃料电池的维护成本系数；为EV的输出功率(充电状态为正，放电状态为负)；C1为主网与微网交易电价；为微网与主网间的交换功率；
微网负荷波动最小
其中，为分布式电源在t时刻的出力；N为充电站数量；为在t时刻的常规负荷；平均负荷功率。
微网从主网购电成本最小
式中，CD为主网电价；为微网在时段t的有功；和分别为微网从主网的购电电价和向主网的售电电价；Δt为一个调度时段的时长；
3-1-2)约束条件
(1)多时段潮流等式约束
式中，t∈[1,t]，和分别时段t微网内i节点DG注入的有功功率和无功功率；和分别为时段t微网内i节点的有功负荷和无功负荷；为时段t充电站k的充电负荷；Nk为微网节点数目；为时段t节点i，j之间的电压相角。
节点电压幅值约束
式中，和分别为微网中节点i的电压最小值和最大值；
(2)传输线路功率约束
式中，为线路m在时段t的传输功率；为线路m允许的最大传输功率；
(3)各时段充电站可调度功率约束
式中，为充电站k的最大调度容量，其值大小nk为充电站k的电动汽车数量，为充电站在t时段的可调度系数，
3-2)建立下层优化模型
充电站层制定每辆EV的充电策略，采用2阶段优化处理方法；
3-2-1)第1阶段优化：用户满意度最大
用户满意度包括出行满意度和充电费用满意度两个方面；
EV出行满意度为
其中，当EV到达充电站即开始充电至充满的情况下，EV的出行满意度最大为1，如果充电存在延迟，小于1甚至可能为负；
充电费用满意度为
式中，Ct为t时段电价；和是充电站k内第l辆电动汽车在高电价时段和低电价时段时的充电费用；当EV尽可能被安排在低电价时段充电时，值最大为1；
充电站层第1阶段优化调度的目标是站内所有用户的满意度最大，目标函数为：
3-2-2)第2阶段优化：微网层与充电站层偏差最小
式中，为优化后充电站k在时段t的充电有功大小；N为微网内充电站数目；通过2阶段优化，计算出各充电站每个时段的充电负荷每时段的充电负荷为
则充电计划为
再将充电计划反馈至微网层再优化，以实现两层偏差最小；
步骤3中，2阶段优化的约束条件：
1)蓄电池充放电约束
式中，为充电站k内电动汽车l的蓄电池在时间段t和t+1结束时的荷电状态；
2)不可调度时段约束
式中，分别为充电站k内电动汽车l接入和离开的时刻。
进一步的，所述步骤4的具体过程如下：
采用改进粒子群算法结合Yalmip优化工具箱进行求解；上层模型采用混沌粒子群算法求解，下层模型采用Yalmip优化工具箱求解；求出上层优化目标和粒子适应度，再根据下层求解结果反馈至上层再次迭代优化，最后根据收敛情况判断求解完毕；迭代次数为100。
进一步的，所述步骤5的具体过程如下：
步骤5-1，确定算例以及其必要特征；
步骤5-2，采用matlab软件算例进行仿真分析。
与现有技术相比，本发明具有如下优点：
1、考虑到车主的个性化需求，兼顾电动汽车的可充电能力和用户的满意度。
2、最大程度消纳风电、光等DG发电，避免能源浪费。
3、减小了负荷波动，实现了削峰填谷，避免了谷峰倒置现象的出现。
附图说明
图1是本发明方法的微电网系统图。
图2是本发明方法的双层优化计算流程图。
图3是本发明方法的充电站有序充电策略图。
图4是本发明方法的风电、光伏出力预测图。
图5优化前后负荷曲线图。
图6微网与主网电量交易量图。
具体实施方式
下面结合附图对本发明做进一步说明：结合图2和图3，本发明所述的具体步骤如下：
步骤1，采集电动汽车信息
EV在充电站接入电网充电时，充电桩读取EV接入时间、电池初始荷电状态、预期离开时间以及离网时期望荷电状态；对于任意车辆l，设其状态空间为：
Ω＝[Tin,l,Tout,l,So,l,Se,l,Cs,l,Pc,l,Pd,l,ηc,l,ηd,l]
式中，Tin,l和Tout,l分别为车辆l的入网时间和离网时间；So,l、Se,l分别表示车辆l的起始荷电状态(state of charge,SOC)和预期荷电状态；Cs,l为电池容量；Pc,l、Pd,l分别表示车辆l的额定充、放电功率；ηc,l、ηd,l分别为车辆l的充、放电效率。
步骤2，建立可调度能力评估体系和确定最优可调度能力阈值
(2-1)建立可调度能力评估体系
(1)评估电池损耗程度a1
式中，χref为参考系数；νTem,l为温度加速因数；为电池初始荷电状态对容量衰减的加速因数；为电池放电深度对容量衰减的加速因数；Ycyc,l为电动汽车l的历史充放电循环次数。
(2)评估用户信用度a2
式中，X为一周期内EV接入充电站参与调度的总次数；和分别为第x次参与调度时的起始时间和预期离网时间；为第x次参与调度时离开电网的时间；对于EV第x参调度时，离网时间越接近预期离网时间用户的信用度越大，其值越接近1；
(3)评估放电能力a3
式中，ηd为放电效率；为第x次参与调度时电动汽车l开始的电荷状态；电动汽车l接入电网时间越长、入网起始电荷状态越大，其充电需求就越弱，放电能力则会越强，a2值越接近1；
(2-2)确定最优可调度能力
由于各指标具有不同的纲量，不便于统一分析，所以有必要对其进行无纲化处理。采用直线型无量纲处理方法：
式中，blj为无纲量化处理后电动汽车l的第j个指标的属性值；为第j个指标的最大或最小值；ξj为blj与之差绝对值的最大值；
根据综合权重向量与各项评估指标值，对电动汽车可调度能力进行综合评估，车辆l的可调度能力为：
式中，ωj为综合权重系数，m为评估指标个数；
设定本阶段优化时域为Tk,hor＝{1,2,…,V}，对于任意采样点有Vk∈Tk,hor
V为采样点总数，则每一采样点处系统功率补偿需求量为：
Pcom(vk)＝PW+PPV(vk)-LB(vk)
式中，Pcom(vk)为采样点vk处系统所需功率补偿量；PW(vk)为采样点vk处风机出力；PPV(vk)为采样点vk处光伏出力；LB(vk)为采样点vk处的常规负荷；
为了实现EV集群的削峰填谷的作用，避免过度优化调度产生的峰谷倒置现象，确定最优可调度能力阈值T*，当Rl≥T*时，EV获得优先调度权，对其进行两阶段调度，当Rl≤T*,EV则进行无序充电。其表达式为：
步骤3，建立双层优化模型
(3-1)建立上层优化模型
(1)目标函数
微网运行成本最小
COM＝kDSGPDSG+kFCPFC
式中，CM为微网的运行成本；T为调度周期；H为分布式电源的数量；Cfuel为分布式电源的燃料成本；ai、bi、ci为机组的燃料系数；为DG的输出功率COM为分布式电源的运行维护成本；kDSG、kFC为柴油发电机、燃料电池的维护成本系数；为EV的输出功率(充电状态为正，放电状态为负)；C1为主网与微网交易电价；为微网与主网间的交换功率；
(2)微网负荷波动最小
其中，为分布式电源在t时刻的出力；N为充电站数量；为在t时刻的常规负荷；平均负荷功率。
微网从主网购电成本最小
式中，CD为主网电价；为微网在时段t的有功；和分别为微网从主网的购电电价和向主网的售电电价；Δt为一个调度时段的时长；
(3)约束条件
1.多时段潮流等式约束
式中，t∈[1,t]，和分别时段t微网内i节点DG注入的有功功率和无功功率；和分别为时段t微网内i节点的有功负荷和无功负荷；为时段t充电站k的充电负荷；Nk为微网节点数目；为时段t节点i，j之间的电压相角。
2.节点电压幅值约束
式中，和分别为微网中节点i的电压最小值和最大值；
3.传输线路功率约束
式中，为线路m在时段t的传输功率；为线路m允许的最大传输功率；
4.各时段充电站可调度功率约束
式中，为充电站k的最大调度容量，其值大小nk为充电站k的电动汽车数量，为充电站在t时段的可调度系数，
(3-2)建立下层优化模型
充电站层制定每辆EV的充电策略，采用2阶段优化处理方法；
(1)第1阶段优化：用户满意度最大
用户满意度包括出行满意度和充电费用满意度两个方面；
1.EV出行满意度为
其中，当EV到达充电站即开始充电至充满的情况下，EV的出行满意度最大为1，如果充电存在延迟，小于1甚至可能为负；
2.充电费用满意度为
式中，Ct为t时段电价；和是充电站k内第l辆电动汽车在高电价时段和低电价时段时的充电费用；当EV尽可能被安排在低电价时段充电时，值最大为1；
充电站层第1阶段优化调度的目标是站内所有用户的满意度最大，目标函数为：
(2)第2阶段优化：微网层与充电站层偏差最小
式中，为优化后充电站k在时段t的充电有功大小；N为微网内充电站数目；通过2阶段优化，计算出各充电站每个时段的充电负荷每时段的充电负荷为
则充电计划为
再将充电计划反馈至微网层再优化，以实现两层偏差最小；
进一步的，步骤3中，2阶段优化的约束条件：
1.蓄电池充放电约束
式中，为充电站k内电动汽车l的蓄电池在时间段t和t+1结束时的荷电状态；
2.不可调度时段约束
式中，分别为充电站k内电动汽车l接入和离开的时刻。
步骤4，采用改进粒子群算法Yalmip优化工具箱对双层优化调度模型进行求解。
采用改进粒子群算法结合Yalmip优化工具箱进行求解；上层模型采用混沌粒子群算法求解，下层模型采用Yalmip优化工具箱求解；求出上层优化目标和粒子适应度，再根据下层求解结果反馈至上层再次迭代优化，最后根据收敛情况判断求解完毕；迭代次数为100。
步骤5，用matlab软件对算例进行仿真分析。
(5-1)确定算例以及其必要特征
算例采用包含风电、光伏等分布式电源的微网系统对常规负荷和EV充电负荷进行供电，用于验证所提模型和方法的有效性。微网设置4个充电站，风电机组10组，太阳能电池板30块，均由最大功率跟踪策略实现最大功率输出，风电和光伏出力预测值如图4所示。配电变压器容量为800kVA，效率为0.95。6台柴油机，5组燃料电池。
方案一：无序充电模式。电动汽车进入充电站直接进行恒功率充电，不考虑EV的反向放电能力，直至用户离开或达到用户充电需求为止。
方案二：全部有序充电模式。基于两阶段优化调度方法对所有入网电动汽车进行充放电控制。
方案三：根据最优可调度能力阈值，对电动汽车进行两阶段有序充放电控制。
(5-2)，采用matlab软件算例进行仿真分析
通过蒙特卡洛模拟EV集群的充电行为，抽样获得日内24h电动汽车集群的入网信息和日充电需求数据。在Matlab中采用Yalmip和Cplex工具箱对上述3种方案进行仿真。仿真结果如图5所示。方案一造成了峰上加峰现象；方案二引起了谷峰倒置的现象；方案三较方案一、方案二具有明显的优越性，达到了削峰填谷的效果，减少了负荷波动，负荷曲线基本平稳。方案一、二都超过了变压器的容量，影响了微网运行的安全性。微网与主网的交易量如图6。经过优化后微网与主网的功率交易量减少，减少了线路传输损耗，增加了对风电、光伏发电的消纳。
以上所述的实施例仅仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims (6)

1.一种考虑满意度和调度能力的电动汽车微网双层优化调度方法，其特征在于，所述方法的步骤如下：
步骤1，获取EV(电动汽车)的充电相关信息；
步骤2，可调度能力综合评估；
步骤3，提出基于双层优化的电动汽车调度模型；
步骤4，采用改进粒子群算法结合Yalmip优化工具箱对双层优化调度模型进行求解；
步骤5，用matlab软件对算例进行真分仿析。
2.根据权利要求1所述的考虑满意度和调度能力的电动汽车微网双层优化调度方法，其特征在于，所述步骤1的具体内容如下：EV在充电站接入电网充电时，充电桩读取EV接入时间、电池初始荷电状态、预期离开时间以及离网时期望荷电状态；对于任意车辆l，设其状态空间为：
式中，Tin,l和Tout,l分别为车辆l的入网时间和离网时间；So,l、Se,l分别表示车辆l的起始荷电状态(state of charge,SOC)和期望荷电状态；Cs,l为电池容量；Pc,l、Pd,l分别表示车辆l的额定充、放电功率；ηc,l、ηd,l分别为车辆l的充、放电效率。
3.根据权利要求1所述的考虑满意度和调度能力的电动汽车微网双层优化调度方法，其特征在于：所述步骤2的具体过程如下：
步骤2-1，建立可调度能力评估体系
2-1-1)评估电池损耗程度a1：
<mrow> <msub> <mi>a</mi> <mn>1</mn> </msub> <mo>=</mo> <mo>-</mo> <msub> <mi>&amp;chi;</mi> <mi>ref</mi> </msub> <msub> <mi>&amp;nu;</mi> <msub> <mi>T</mi> <mrow> <mi>em</mi> <mo>,</mo> <mi>l</mi> </mrow> </msub> </msub> <msub> <mi>&amp;tau;</mi> <msub> <mi>S</mi> <mrow> <mn>0</mn> <mo>,</mo> <mi>l</mi> </mrow> </msub> </msub> <msub> <mi>&amp;Delta;</mi> <msub> <mi>D</mi> <mi>i</mi> </msub> </msub> <msub> <mi>Y</mi> <mrow> <mi>cyc</mi> <mo>,</mo> <mi>l</mi> </mrow> </msub> </mrow>
式中，χref为参考系数；为温度加速因数；为电池初始荷电状态对容量衰减的加速因数；为电池放电深度对容量衰减的加速因数；Ycyc,l为电动汽车l的历史充放电循环次数；
2-1-2)评估用户信用度a2
<mrow> <msub> <mi>a</mi> <mn>2</mn> </msub> <mo>=</mo> <mfrac> <mn>1</mn> <mi>X</mi> </mfrac> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>x</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>X</mi> </munderover> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <mfrac> <mrow> <msubsup> <mi>T</mi> <mrow> <mi>o</mi> <mi>u</mi> <mi>t</mi> <mo>,</mo> <mi>l</mi> </mrow> <mi>x</mi> </msubsup> <mo>-</mo> <msubsup> <mi>T</mi> <mrow> <mi>d</mi> <mo>,</mo> <mi>l</mi> </mrow> <mi>x</mi> </msubsup> </mrow> <mrow> <msubsup> <mi>T</mi> <mrow> <mi>o</mi> <mi>u</mi> <mi>t</mi> <mo>,</mo> <mi>l</mi> </mrow> <mi>x</mi> </msubsup> <mo>-</mo> <msubsup> <mi>T</mi> <mrow> <mi>n</mi> <mo>,</mo> <mi>l</mi> </mrow> <mi>x</mi> </msubsup> </mrow> </mfrac> <mo>)</mo> </mrow> </mrow>
式中，X为一周期内EV接入充电站参与调度的总次数；和分别为第x次参与调度时的起始时间和预期离网时间；为第x次参与调度时离开电网的时间；对于EV第x参调度时，离网时间越接近预期离网时间用户的信用度越大，其值越接近1；
2-1-3)评估放电能力a3
<mrow> <msub> <mi>a</mi> <mn>3</mn> </msub> <mo>=</mo> <mfrac> <mn>1</mn> <mi>X</mi> </mfrac> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>x</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>X</mi> </munderover> <mfrac> <mrow> <msub> <mi>P</mi> <mrow> <mi>d</mi> <mo>,</mo> <mi>l</mi> </mrow> </msub> <msub> <mi>&amp;eta;</mi> <mi>d</mi> </msub> <mrow> <mo>(</mo> <msubsup> <mi>T</mi> <mrow> <mi>o</mi> <mi>u</mi> <mi>t</mi> <mo>,</mo> <mi>l</mi> </mrow> <mi>x</mi> </msubsup> <mo>-</mo> <msubsup> <mi>T</mi> <mrow> <mi>i</mi> <mi>n</mi> </mrow> <mi>x</mi> </msubsup> <mo>)</mo> </mrow> <mo>-</mo> <msub> <mi>C</mi> <mrow> <mi>s</mi> <mo>,</mo> <mi>l</mi> </mrow> </msub> <mrow> <mo>(</mo> <msub> <mi>S</mi> <mrow> <mi>E</mi> <mo>,</mo> <mi>l</mi> </mrow> </msub> <mo>-</mo> <msubsup> <mi>S</mi> <mrow> <mn>0</mn> <mo>,</mo> <mi>l</mi> </mrow> <mi>x</mi> </msubsup> <mo>)</mo> </mrow> </mrow> <mrow> <msub> <mi>P</mi> <mrow> <mi>d</mi> <mo>,</mo> <mi>l</mi> </mrow> </msub> <msub> <mi>&amp;eta;</mi> <mi>d</mi> </msub> <mrow> <mo>(</mo> <msubsup> <mi>T</mi> <mrow> <mi>o</mi> <mi>u</mi> <mi>t</mi> <mo>,</mo> <mi>l</mi> </mrow> <mi>x</mi> </msubsup> <mo>-</mo> <msubsup> <mi>T</mi> <mrow> <mi>i</mi> <mi>n</mi> </mrow> <mi>x</mi> </msubsup> <mo>)</mo> </mrow> </mrow> </mfrac> </mrow>
式中，ηd为放电效率；为第x次参与调度时电动汽车l开始的电荷状态；电动汽车l接入电网时间越长、入网起始电荷状态越大，其充电需求就越弱，放电能力则会越强，a2值越接近1；
步骤2-2，确定最优可调度能力阈值
采用直线型无量纲处理方法：
<mrow> <msub> <mi>b</mi> <mrow> <mi>l</mi> <mi>j</mi> </mrow> </msub> <mo>=</mo> <mn>1</mn> <mo>-</mo> <mfrac> <mrow> <mo>|</mo> <msub> <mi>a</mi> <mrow> <mi>l</mi> <mi>j</mi> </mrow> </msub> <mo>-</mo> <msubsup> <mi>a</mi> <mi>j</mi> <mi>m</mi> </msubsup> <mo>|</mo> </mrow> <msub> <mi>&amp;xi;</mi> <mi>j</mi> </msub> </mfrac> </mrow>
<mrow> <msub> <mi>&amp;xi;</mi> <mi>j</mi> </msub> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mi>l</mi> <mi>n</mi> </munderover> <mi>m</mi> <mi>a</mi> <mi>x</mi> <mo>{</mo> <mo>|</mo> <msub> <mi>a</mi> <mrow> <mi>l</mi> <mi>j</mi> </mrow> </msub> <mo>-</mo> <msubsup> <mi>a</mi> <mi>j</mi> <mi>m</mi> </msubsup> <mo>|</mo> <mo>}</mo> </mrow>
式中，blj为无纲量化处理后电动汽车l的第j个指标的属性值；为第j个指标的最大或最小值；ξj为blj与之差绝对值的最大值；
根据综合权重向量与各项评估指标值，对电动汽车可调度能力进行综合评估，车辆l的可调度能力为：
<mrow> <msub> <mi>R</mi> <mi>l</mi> </msub> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>m</mi> </munderover> <msub> <mi>&amp;omega;</mi> <mi>j</mi> </msub> <msub> <mi>b</mi> <mrow> <mi>l</mi> <mi>j</mi> </mrow> </msub> </mrow>
式中，ωj为综合权重系数，m为评估指标个数；
设定本阶段优化时域为Tk,hor＝{1,2,…,V}，对于任意采样点有Vk∈Tk,hor
V为采样点总数，则每一采样点处系统功率补偿需求量为：
Pcom(vk)＝PW+PPV(vk)-LB(vk)
式中，Pcom(vk)为采样点vk处系统所需功率补偿量；PW(vk)为采样点vk处风机出力；PPV(vk)为采样点vk处光伏出力；LB(vk)为采样点vk处的常规负荷；
为了实现EV集群的削峰填谷的作用，避免过度优化调度产生的峰谷倒置现象，确定最优可调度能力阈值T*，当Rl≥T*时，EV获得优先调度权，对其进行两阶段调度，当Rl≤T*,EV则进行无序充电。其表达式为：
<mrow> <msup> <mi>T</mi> <mo>*</mo> </msup> <mo>=</mo> <mrow> <mo>(</mo> <mrow> <mfrac> <mrow> <msub> <mi>&amp;eta;</mi> <mi>l</mi> </msub> <msub> <mi>P</mi> <mrow> <mi>c</mi> <mo>,</mo> <mi>l</mi> </mrow> </msub> </mrow> <mrow> <msub> <mi>P</mi> <mrow> <mi>c</mi> <mi>o</mi> <mi>m</mi> </mrow> </msub> <mrow> <mo>(</mo> <msub> <mi>v</mi> <mi>k</mi> </msub> <mo>)</mo> </mrow> <msub> <mo>|</mo> <msub> <mi>P</mi> <mrow> <mi>c</mi> <mi>o</mi> <mi>m</mi> <mrow> <mo>(</mo> <msub> <mi>v</mi> <mi>k</mi> </msub> <mo>)</mo> </mrow> <mo>&gt;</mo> <mn>0</mn> </mrow> </msub> </msub> </mrow> </mfrac> <mo>-</mo> <mfrac> <mrow> <msub> <mi>P</mi> <mrow> <mi>d</mi> <mo>,</mo> <mi>l</mi> </mrow> </msub> <mo>/</mo> <msub> <mi>&amp;eta;</mi> <mrow> <mi>d</mi> <mo>,</mo> <mi>l</mi> </mrow> </msub> </mrow> <mrow> <msub> <mi>P</mi> <mrow> <mi>c</mi> <mi>o</mi> <mi>m</mi> </mrow> </msub> <mrow> <mo>(</mo> <msub> <mi>v</mi> <mi>k</mi> </msub> <mo>)</mo> </mrow> <msub> <mo>|</mo> <msub> <mi>P</mi> <mrow> <mi>c</mi> <mi>o</mi> <mi>m</mi> <mrow> <mo>(</mo> <msub> <mi>v</mi> <mi>k</mi> </msub> <mo>)</mo> </mrow> <mo>&lt;</mo> <mn>0</mn> </mrow> </msub> </msub> </mrow> </mfrac> </mrow> <mo>)</mo> </mrow> <munderover> <mo>&amp;Sigma;</mo> <mi>l</mi> <mi>N</mi> </munderover> <msub> <mi>R</mi> <mi>l</mi> </msub> </mrow>
4.根据权利要求1所述的考虑满意度和调度能力的电动汽车微网双层优化调度方法，其特征在于，所述步骤3的具体过程如下：
步骤3-1，建立上层优化模型
3-1-1)目标函数
微网运行成本最小
<mrow> <msub> <mi>minC</mi> <mi>M</mi> </msub> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>t</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>T</mi> </munderover> <mrow> <mo>(</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>H</mi> </munderover> <mo>(</mo> <mrow> <msub> <mi>C</mi> <mrow> <mi>f</mi> <mi>u</mi> <mi>e</mi> <mi>l</mi> </mrow> </msub> <mo>+</mo> <msub> <mi>C</mi> <mrow> <mi>O</mi> <mi>M</mi> </mrow> </msub> <mo>+</mo> <msub> <mi>C</mi> <mn>1</mn> </msub> <msubsup> <mi>P</mi> <mrow> <mi>g</mi> <mi>r</mi> <mi>i</mi> <mi>d</mi> </mrow> <mi>t</mi> </msubsup> </mrow> <mo>)</mo> <mo>)</mo> </mrow> </mrow>
<mrow> <msub> <mi>C</mi> <mrow> <mi>f</mi> <mi>u</mi> <mi>e</mi> <mi>l</mi> </mrow> </msub> <mo>=</mo> <msub> <mi>a</mi> <mi>i</mi> </msub> <mo>+</mo> <msub> <mi>b</mi> <mi>i</mi> </msub> <msubsup> <mi>P</mi> <mi>i</mi> <mi>t</mi> </msubsup> <mo>+</mo> <msub> <mi>c</mi> <mi>i</mi> </msub> <msup> <mrow> <mo>(</mo> <msubsup> <mi>P</mi> <mi>i</mi> <mi>t</mi> </msubsup> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mrow>
COM＝kDSGPDSG+kFCPFC
式中，CM为微网的运行成本；T为调度周期；H为分布式电源的数量；Cfuel为分布式电源的燃料成本；ai、bi、ci为机组的燃料系数；为DG的输出功率COM为分布式电源的运行维护成本；kDSG、kFC为柴油发电机、燃料电池的维护成本系数；为EV的输出功率(充电状态为正，放电状态为负)；C1为主网与微网交易电价；为微网与主网间的交换功率；
微网负荷波动最小
<mrow> <msub> <mi>minW</mi> <mn>2</mn> </msub> <mo>=</mo> <mfrac> <mn>1</mn> <mi>T</mi> </mfrac> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>t</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>T</mi> </munderover> <msup> <mrow> <mo>(</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>H</mi> </munderover> <msubsup> <mi>P</mi> <mrow> <mi>D</mi> <mi>G</mi> </mrow> <mi>t</mi> </msubsup> <mo>+</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>N</mi> </munderover> <msubsup> <mi>P</mi> <mi>k</mi> <mi>t</mi> </msubsup> <mo>+</mo> <msubsup> <mi>P</mi> <mi>b</mi> <mi>t</mi> </msubsup> <mo>-</mo> <msub> <mover> <mi>P</mi> <mo>&amp;OverBar;</mo> </mover> <mrow> <mi>a</mi> <mi>g</mi> <mi>e</mi> </mrow> </msub> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mrow>
其中，为分布式电源在t时刻的出力；为时段t充电站k的充电负荷；N为充电站数量；为在t时刻的常规负荷；平均负荷功率。
微网从主网购电成本最小
<mrow> <msub> <mi>minC</mi> <mi>D</mi> </msub> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>t</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>T</mi> </munderover> <msub> <mi>C</mi> <mn>1</mn> </msub> <msubsup> <mi>P</mi> <mrow> <mi>p</mi> <mi>c</mi> <mi>c</mi> </mrow> <mi>t</mi> </msubsup> <mi>&amp;Delta;</mi> <mi>t</mi> </mrow>
<mrow> <msub> <mi>C</mi> <mn>1</mn> </msub> <mo>=</mo> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <msubsup> <mi>C</mi> <mo>+</mo> <mi>t</mi> </msubsup> </mtd> <mtd> <mrow> <msubsup> <mi>P</mi> <mrow> <mi>p</mi> <mi>c</mi> <mi>c</mi> </mrow> <mi>t</mi> </msubsup> <mo>&amp;GreaterEqual;</mo> <mn>0</mn> </mrow> </mtd> </mtr> <mtr> <mtd> <msubsup> <mi>C</mi> <mo>-</mo> <mi>t</mi> </msubsup> </mtd> <mtd> <mrow> <msubsup> <mi>P</mi> <mrow> <mi>p</mi> <mi>c</mi> <mi>c</mi> </mrow> <mi>t</mi> </msubsup> <mo>&lt;</mo> <mn>0</mn> </mrow> </mtd> </mtr> </mtable> </mfenced> </mrow>
式中，CD为主网电价；为微网在时段t的有功；和分别为微网从主网的购电电价和向主网的售电电价；Δt为一个调度时段的时长；
3-1-2)约束条件
(1)多时段潮流等式约束
<mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <msubsup> <mi>P</mi> <mrow> <mi>D</mi> <mi>G</mi> <mo>,</mo> <mi>i</mi> </mrow> <mi>t</mi> </msubsup> <mo>=</mo> <msubsup> <mi>P</mi> <mrow> <mi>D</mi> <mo>,</mo> <mi>i</mi> </mrow> <mi>t</mi> </msubsup> <mo>+</mo> <msubsup> <mi>P</mi> <mrow> <mi>k</mi> <mo>,</mo> <mi>i</mi> </mrow> <mi>t</mi> </msubsup> <mo>+</mo> <msubsup> <mi>U</mi> <mi>i</mi> <mi>t</mi> </msubsup> <mstyle> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <msub> <mi>N</mi> <mi>k</mi> </msub> </munderover> </mstyle> <msubsup> <mi>U</mi> <mi>i</mi> <mi>t</mi> </msubsup> <mo>(</mo> <msub> <mi>G</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mi>c</mi> <mi>o</mi> <mi>s</mi> <msubsup> <mi>&amp;theta;</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> <mi>t</mi> </msubsup> <mo>+</mo> <msubsup> <mi>B</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> <mi>t</mi> </msubsup> <mi>sin</mi> <msubsup> <mi>&amp;theta;</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> <mi>t</mi> </msubsup> <mo>)</mo> </mtd> </mtr> <mtr> <mtd> <msubsup> <mi>Q</mi> <mrow> <mi>D</mi> <mi>G</mi> <mo>,</mo> <mi>i</mi> </mrow> <mi>t</mi> </msubsup> <mo>=</mo> <msubsup> <mi>Q</mi> <mrow> <mi>D</mi> <mo>,</mo> <mi>i</mi> </mrow> <mi>t</mi> </msubsup> <mo>+</mo> <msubsup> <mi>U</mi> <mi>i</mi> <mi>t</mi> </msubsup> <mstyle> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <msub> <mi>N</mi> <mi>k</mi> </msub> </munderover> </mstyle> <msubsup> <mi>U</mi> <mi>i</mi> <mi>t</mi> </msubsup> <mo>(</mo> <msub> <mi>G</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mi>cos</mi> <msubsup> <mi>&amp;theta;</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> <mi>t</mi> </msubsup> <mo>-</mo> <msubsup> <mi>B</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> <mi>t</mi> </msubsup> <mi>sin</mi> <msubsup> <mi>&amp;theta;</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> <mi>t</mi> </msubsup> <mo>)</mo> </mtd> </mtr> </mtable> </mfenced>
式中，t∈[1,t]，和分别时段t微网内i节点DG注入的有功功率和无功功率；和分别为时段t微网内i节点的有功负荷和无功负荷；为时段t充电站k的充电负荷；Nk为微网节点数目；为时段t节点i，j之间的电压相角。
节点电压幅值约束
<mrow> <msubsup> <mi>U</mi> <mi>i</mi> <mi>min</mi> </msubsup> <mo>&amp;le;</mo> <msubsup> <mi>U</mi> <mi>i</mi> <mi>t</mi> </msubsup> <mo>&amp;le;</mo> <msubsup> <mi>U</mi> <mi>i</mi> <mi>max</mi> </msubsup> </mrow>
式中，和分别为微网中节点i的电压最小值和最大值；
(2)传输线路功率约束
<mrow> <mo>|</mo> <msubsup> <mi>P</mi> <mi>m</mi> <mi>t</mi> </msubsup> <mo>|</mo> <mo>&amp;le;</mo> <msubsup> <mi>P</mi> <mi>m</mi> <mrow> <mi>m</mi> <mi>a</mi> <mi>x</mi> </mrow> </msubsup> </mrow>
式中，为线路m在时段t的传输功率；为线路m允许的最大传输功率；
各时段充电站可调度功率约束
<mrow> <mn>0</mn> <mo>&amp;le;</mo> <msubsup> <mi>P</mi> <mi>k</mi> <mi>t</mi> </msubsup> <mo>&amp;le;</mo> <msubsup> <mi>P</mi> <mi>k</mi> <mrow> <mi>m</mi> <mi>a</mi> <mi>x</mi> </mrow> </msubsup> </mrow>
式中，为充电站k的最大调度容量，其值大小nk为充电站k的电动汽车数量，为充电站在t时段的可调度系数，
3-2)建立下层优化模型
充电站层制定每辆EV的充电策略，采用2阶段优化处理方法；
3-2-1)第1阶段优化：用户满意度最大
用户满意度包括出行满意度和充电费用满意度两个方面；
EV出行满意度为
<mrow> <msub> <mo>&amp;part;</mo> <mrow> <mi>l</mi> <mn>1</mn> </mrow> </msub> <mo>=</mo> <mn>1</mn> <mo>-</mo> <mfrac> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>t</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>T</mi> </munderover> <mo>|</mo> <msub> <mi>P</mi> <mrow> <mi>c</mi> <mo>,</mo> <mi>l</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>P</mi> <mrow> <mi>c</mi> <mo>,</mo> <mi>l</mi> </mrow> </msub> <msubsup> <mi>f</mi> <mrow> <mi>k</mi> <mo>,</mo> <mi>l</mi> </mrow> <mi>t</mi> </msubsup> <mo>|</mo> <mi>&amp;Delta;</mi> <mi>t</mi> </mrow> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>t</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>T</mi> </munderover> <msub> <mi>P</mi> <mrow> <mi>c</mi> <mo>,</mo> <mi>l</mi> </mrow> </msub> <mi>&amp;Delta;</mi> <mi>t</mi> </mrow> </mfrac> </mrow>
其中，当EV到达充电站即开始充电至充满的情况下，EV的出行满意度最大为1，如果充电存在延迟，小于1甚至可能为负；
充电费用满意度为
<mrow> <msub> <mo>&amp;part;</mo> <mrow> <mi>l</mi> <mn>2</mn> </mrow> </msub> <mo>=</mo> <mn>1</mn> <mo>-</mo> <mfrac> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>t</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>T</mi> </munderover> <msub> <mi>C</mi> <mi>t</mi> </msub> <msub> <mi>P</mi> <mrow> <mi>c</mi> <mo>,</mo> <mi>l</mi> </mrow> </msub> <msubsup> <mi>f</mi> <mrow> <mi>k</mi> <mo>,</mo> <mi>l</mi> </mrow> <mi>t</mi> </msubsup> <mi>&amp;Delta;</mi> <mi>t</mi> <mo>-</mo> <msubsup> <mi>D</mi> <mrow> <mi>k</mi> <mo>,</mo> <mi>l</mi> </mrow> <mi>min</mi> </msubsup> </mrow> <mrow> <msubsup> <mi>D</mi> <mrow> <mi>k</mi> <mo>,</mo> <mi>l</mi> </mrow> <mi>max</mi> </msubsup> <mo>-</mo> <msubsup> <mi>D</mi> <mrow> <mi>k</mi> <mo>,</mo> <mi>l</mi> </mrow> <mi>min</mi> </msubsup> </mrow> </mfrac> </mrow>
式中，Ct为t时段电价；和是充电站k内第l辆电动汽车在高电价时段和低电价时段时的充电费用；当EV尽可能被安排在低电价时段充电时，值最大为1；
充电站层第1阶段优化调度的目标是站内所有用户的满意度最大，目标函数为：
<mrow> <msubsup> <mi>maxf</mi> <mi>k</mi> <mn>1</mn> </msubsup> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>l</mi> <mo>=</mo> <mn>1</mn> </mrow> <msub> <mi>n</mi> <mi>k</mi> </msub> </munderover> <mrow> <mo>(</mo> <msub> <mo>&amp;part;</mo> <mrow> <mi>l</mi> <mn>1</mn> </mrow> </msub> <mo>+</mo> <msub> <mo>&amp;part;</mo> <mrow> <mi>l</mi> <mn>2</mn> </mrow> </msub> <mo>)</mo> </mrow> </mrow>
3-2-2)第2阶段优化：微网层与充电站层偏差最小
<mrow> <mi>min</mi> <mi>F</mi> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>t</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>T</mi> </munderover> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>N</mi> </munderover> <mo>|</mo> <msubsup> <mi>P</mi> <mi>k</mi> <mi>t</mi> </msubsup> <mo>-</mo> <msubsup> <mover> <mi>P</mi> <mo>^</mo> </mover> <mi>k</mi> <mi>t</mi> </msubsup> <mo>|</mo> </mrow>
式中，为优化后充电站k在时段t的充电有功大小；N为微网内充电站数目；通过2阶段优化，计算出各充电站每个时段的充电负荷每时段的充电负荷为
<mrow> <msubsup> <mover> <mi>P</mi> <mo>^</mo> </mover> <mi>k</mi> <mi>t</mi> </msubsup> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>l</mi> <mo>=</mo> <mn>1</mn> </mrow> <msub> <mi>n</mi> <mi>k</mi> </msub> </munderover> <msub> <mi>P</mi> <mrow> <mi>c</mi> <mo>,</mo> <mi>l</mi> </mrow> </msub> <msubsup> <mi>f</mi> <mrow> <mi>k</mi> <mo>,</mo> <mi>l</mi> </mrow> <mi>t</mi> </msubsup> </mrow>
则充电计划为
<mrow> <mover> <mi>P</mi> <mo>^</mo> </mover> <mo>=</mo> <mrow> <mo>(</mo> <msubsup> <mover> <mi>P</mi> <mo>^</mo> </mover> <mn>1</mn> <mn>1</mn> </msubsup> <mo>...</mo> <msubsup> <mover> <mi>P</mi> <mo>^</mo> </mover> <mn>1</mn> <mi>T</mi> </msubsup> <mo>,</mo> <msubsup> <mover> <mi>P</mi> <mo>^</mo> </mover> <mn>2</mn> <mn>1</mn> </msubsup> <mo>...</mo> <msubsup> <mover> <mi>P</mi> <mo>^</mo> </mover> <mn>2</mn> <mi>T</mi> </msubsup> <mo>,</mo> <mo>...</mo> <mo>,</mo> <msubsup> <mover> <mi>P</mi> <mo>^</mo> </mover> <mi>k</mi> <mn>1</mn> </msubsup> <mo>...</mo> <msubsup> <mi>P</mi> <mi>k</mi> <mi>T</mi> </msubsup> <mo>)</mo> </mrow> </mrow>
再将充电计划反馈至微网层再优化，以实现两层偏差最小；
步骤3中，2阶段优化的约束条件：
1)蓄电池充放电约束
<mrow> <msubsup> <mi>S</mi> <mrow> <mi>k</mi> <mo>,</mo> <mi>l</mi> </mrow> <mrow> <mi>t</mi> <mo>+</mo> <mn>1</mn> </mrow> </msubsup> <mo>=</mo> <msubsup> <mi>S</mi> <mrow> <mi>k</mi> <mo>,</mo> <mi>l</mi> </mrow> <mi>t</mi> </msubsup> <mo>+</mo> <mfrac> <mrow> <msub> <mi>&amp;eta;</mi> <mi>c</mi> </msub> <msub> <mi>P</mi> <mrow> <mi>c</mi> <mo>,</mo> <mi>l</mi> </mrow> </msub> <msubsup> <mi>f</mi> <mrow> <mi>k</mi> <mo>,</mo> <mi>l</mi> </mrow> <mi>t</mi> </msubsup> <mi>&amp;Delta;</mi> <mi>t</mi> </mrow> <msub> <mi>C</mi> <mrow> <mi>s</mi> <mo>,</mo> <mi>l</mi> </mrow> </msub> </mfrac> </mrow>
式中，为充电站k内电动汽车l的蓄电池在时间段t和t+1结束时的荷电状态；
2)不可调度时段约束
<mfenced open = "" close = ""> <mtable> <mtr> <mtd> <mrow> <msubsup> <mi>f</mi> <mrow> <mi>k</mi> <mo>,</mo> <mi>l</mi> </mrow> <mi>t</mi> </msubsup> <mo>=</mo> <mn>0</mn> </mrow> </mtd> <mtd> <mrow> <mi>t</mi> <mo>&amp;NotElement;</mo> <mrow> <mo>(</mo> <msubsup> <mi>t</mi> <mrow> <mi>k</mi> <mo>,</mo> <mi>m</mi> </mrow> <mn>1</mn> </msubsup> <mo>,</mo> <msubsup> <mi>t</mi> <mrow> <mi>k</mi> <mo>,</mo> <mi>m</mi> </mrow> <mn>2</mn> </msubsup> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msubsup> <mi>f</mi> <mrow> <mi>k</mi> <mo>,</mo> <mi>l</mi> </mrow> <mi>t</mi> </msubsup> <mo>=</mo> <mn>1</mn> </mrow> </mtd> <mtd> <mrow> <mi>t</mi> <mo>&amp;Element;</mo> <mrow> <mo>(</mo> <msubsup> <mi>t</mi> <mrow> <mi>k</mi> <mo>,</mo> <mi>m</mi> </mrow> <mn>1</mn> </msubsup> <mo>,</mo> <msubsup> <mi>t</mi> <mrow> <mi>k</mi> <mo>,</mo> <mi>m</mi> </mrow> <mn>2</mn> </msubsup> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> </mtable> </mfenced>
式中，分别为充电站k内电动汽车l接入和离开的时刻。
5.根据权利要求1所述的考虑满意度和调度能力的电动汽车微网双层优化调度方法，其特征在于，所述步骤4的具体过程如下：
采用改进粒子群算法结合Yalmip优化工具箱进行求解；上层模型采用混沌粒子群算法求解，下层模型采用Yalmip优化工具箱求解；求出上层优化目标和粒子适应度，再根据下层求解结果反馈至上层再次迭代优化，最后根据收敛情况判断求解完毕；迭代次数为100。
6.根据权利要求1所述的一种考虑可再生能源间歇性的主动配电网多故障修复策略，其特征在于：所述步骤5的具体过程如下：
步骤5-1，确定算例以及其必要特征；
步骤5-2，采用matlab软件算例进行仿真分析。
CN201711348375.7A 2017-12-15 2017-12-15 一种考虑满意度和调度能力的电动汽车微网双层优化调度方法 Pending CN108090277A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711348375.7A CN108090277A (zh) 2017-12-15 2017-12-15 一种考虑满意度和调度能力的电动汽车微网双层优化调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711348375.7A CN108090277A (zh) 2017-12-15 2017-12-15 一种考虑满意度和调度能力的电动汽车微网双层优化调度方法

Publications (1)

Publication Number Publication Date
CN108090277A true CN108090277A (zh) 2018-05-29

Family

ID=62176609

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711348375.7A Pending CN108090277A (zh) 2017-12-15 2017-12-15 一种考虑满意度和调度能力的电动汽车微网双层优化调度方法

Country Status (1)

Country Link
CN (1) CN108090277A (zh)

Cited By (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN109149657A (zh) * 2018-09-27 2019-01-04 东南大学 一种多阶段主动配电网调度方法
CN109193718A (zh) * 2018-08-01 2019-01-11 南京师范大学 一种适应于v2g的选择电动汽车入网调控方法
CN109190259A (zh) * 2018-09-07 2019-01-11 哈尔滨工业大学 基于改进Dijkstra算法和IPSO结合的数字微流控芯片故障修复方法
CN109710882A (zh) * 2018-12-21 2019-05-03 重庆大学 一种基于优化运行的离网型微电网电动汽车有序充放电负荷建模及求解方法
CN109754112A (zh) * 2018-11-27 2019-05-14 国网江苏省电力有限公司南京供电分公司 一种考虑配电网削峰填谷的光储充电塔随机优化调度方法
CN109871981A (zh) * 2019-01-10 2019-06-11 国家电网有限公司 一种计及分布式电源和电动汽车影响的负荷特性预测方法
CN110774929A (zh) * 2019-10-25 2020-02-11 上海电气集团股份有限公司 一种电动汽车有序充电的实时控制策略及优化方法
CN110890763A (zh) * 2019-08-26 2020-03-17 南京理工大学 限制充放电状态切换的电动汽车与光伏发电协同调度方法
CN111242362A (zh) * 2020-01-07 2020-06-05 杭州电子科技大学 基于充电站综合状态预测的电动汽车实时充电调度方法
CN111401786A (zh) * 2020-04-09 2020-07-10 南京工程学院 一种基于路况信息考虑双边利益权衡的电动汽车充电调度方法
CN112193116A (zh) * 2020-09-30 2021-01-08 山西大学 一种考虑奖励机制的电动汽车充电优化引导策略
CN112308373A (zh) * 2020-09-24 2021-02-02 国网天津市电力公司营销服务中心 基于时空双层优化的电动汽车有序充放电调度模型及算法
CN112583035A (zh) * 2020-11-17 2021-03-30 国网甘肃省电力公司兰州供电公司 一种区域电动汽车入网管理系统及充放电调度方法
CN112600194A (zh) * 2020-11-30 2021-04-02 珠海格力电器股份有限公司 汽车的充电管理方法、装置、汽车、存储介质及处理器
CN113285464A (zh) * 2021-05-12 2021-08-20 国网江苏省电力有限公司南通供电分公司 一种电动公交车与分布式光伏协调控制系统
CN113378304A (zh) * 2021-08-12 2021-09-10 江铃汽车股份有限公司 一种车辆性能目标的确定方法、装置、存储介质及设备
CN114050577A (zh) * 2021-11-15 2022-02-15 东南大学 一种含电动汽车的微电网多目标分层经济调度方法
CN114580278A (zh) * 2022-02-24 2022-06-03 中冶赛迪工程技术股份有限公司 考虑园区电动汽车参与新型城镇削峰填谷双层优化运行方法
CN114781061A (zh) * 2022-04-20 2022-07-22 国网江苏省电力有限公司电力科学研究院 一种电动汽车集群响应能力评估方法及装置
CN114825409A (zh) * 2022-06-28 2022-07-29 中国电力科学研究院有限公司 一种电动汽车多目标分群分级优化调度方法及装置
CN114914923A (zh) * 2022-07-19 2022-08-16 国网山东省电力公司菏泽供电公司 基于网格法的变时长两阶段电动汽车调度方法及系统
CN116436019A (zh) * 2023-04-12 2023-07-14 国网江苏省电力有限公司电力科学研究院 一种多资源协调优化方法、装置及存储介质
CN117200225A (zh) * 2023-11-07 2023-12-08 中国电力科学研究院有限公司 考虑涵盖电动汽车集群的配电网优化调度方法及相关装置

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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 (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
任帅杰等: "不确定性环境下基于可调度能力的微电网优化运行实时控制策略", 《中国电机工程学报》 *
张明光等: "含电动汽车的微网的智能优化调度", 《电网与清洁能源》 *
李鹏等: "基于二层规划模型的交直流混合微网源荷储协调分区优化经济调度", 《中国电机工程学报》 *
杨晓东等: "电动汽车可调度能力模型与日内优先调度策略", 《电力系统自动化》 *
王行行等: "考虑用户满意度和配网安全的电动汽车多目标双层充电优化", 《电网技术》 *

Cited By (33)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN109193718A (zh) * 2018-08-01 2019-01-11 南京师范大学 一种适应于v2g的选择电动汽车入网调控方法
CN109193718B (zh) * 2018-08-01 2022-03-11 南京师范大学 一种适应于v2g的选择电动汽车入网调控方法
CN109190259A (zh) * 2018-09-07 2019-01-11 哈尔滨工业大学 基于改进Dijkstra算法和IPSO结合的数字微流控芯片故障修复方法
CN109149657A (zh) * 2018-09-27 2019-01-04 东南大学 一种多阶段主动配电网调度方法
CN109754112A (zh) * 2018-11-27 2019-05-14 国网江苏省电力有限公司南京供电分公司 一种考虑配电网削峰填谷的光储充电塔随机优化调度方法
CN109710882A (zh) * 2018-12-21 2019-05-03 重庆大学 一种基于优化运行的离网型微电网电动汽车有序充放电负荷建模及求解方法
CN109871981B (zh) * 2019-01-10 2021-07-13 国家电网有限公司 一种计及分布式电源和电动汽车影响的负荷特性预测方法
CN109871981A (zh) * 2019-01-10 2019-06-11 国家电网有限公司 一种计及分布式电源和电动汽车影响的负荷特性预测方法
CN110890763A (zh) * 2019-08-26 2020-03-17 南京理工大学 限制充放电状态切换的电动汽车与光伏发电协同调度方法
CN110890763B (zh) * 2019-08-26 2022-09-13 南京理工大学 限制充放电状态切换的电动汽车与光伏发电协同调度方法
CN110774929A (zh) * 2019-10-25 2020-02-11 上海电气集团股份有限公司 一种电动汽车有序充电的实时控制策略及优化方法
CN111242362A (zh) * 2020-01-07 2020-06-05 杭州电子科技大学 基于充电站综合状态预测的电动汽车实时充电调度方法
CN111401786B (zh) * 2020-04-09 2021-02-19 南京工程学院 一种基于路况信息考虑双边利益权衡的电动汽车充电调度方法
CN111401786A (zh) * 2020-04-09 2020-07-10 南京工程学院 一种基于路况信息考虑双边利益权衡的电动汽车充电调度方法
CN112308373A (zh) * 2020-09-24 2021-02-02 国网天津市电力公司营销服务中心 基于时空双层优化的电动汽车有序充放电调度模型及算法
CN112193116B (zh) * 2020-09-30 2021-12-31 山西大学 一种考虑奖励机制的电动汽车充电优化引导策略
CN112193116A (zh) * 2020-09-30 2021-01-08 山西大学 一种考虑奖励机制的电动汽车充电优化引导策略
CN112583035A (zh) * 2020-11-17 2021-03-30 国网甘肃省电力公司兰州供电公司 一种区域电动汽车入网管理系统及充放电调度方法
CN112600194A (zh) * 2020-11-30 2021-04-02 珠海格力电器股份有限公司 汽车的充电管理方法、装置、汽车、存储介质及处理器
CN113285464A (zh) * 2021-05-12 2021-08-20 国网江苏省电力有限公司南通供电分公司 一种电动公交车与分布式光伏协调控制系统
CN113285464B (zh) * 2021-05-12 2022-03-22 国网江苏省电力有限公司南通供电分公司 一种电动公交车与分布式光伏协调控制系统
CN113378304A (zh) * 2021-08-12 2021-09-10 江铃汽车股份有限公司 一种车辆性能目标的确定方法、装置、存储介质及设备
CN114050577A (zh) * 2021-11-15 2022-02-15 东南大学 一种含电动汽车的微电网多目标分层经济调度方法
CN114580278A (zh) * 2022-02-24 2022-06-03 中冶赛迪工程技术股份有限公司 考虑园区电动汽车参与新型城镇削峰填谷双层优化运行方法
CN114781061A (zh) * 2022-04-20 2022-07-22 国网江苏省电力有限公司电力科学研究院 一种电动汽车集群响应能力评估方法及装置
CN114781061B (zh) * 2022-04-20 2024-01-23 国网江苏省电力有限公司电力科学研究院 一种电动汽车集群响应能力评估方法及装置
CN114825409A (zh) * 2022-06-28 2022-07-29 中国电力科学研究院有限公司 一种电动汽车多目标分群分级优化调度方法及装置
CN114914923A (zh) * 2022-07-19 2022-08-16 国网山东省电力公司菏泽供电公司 基于网格法的变时长两阶段电动汽车调度方法及系统
CN116436019A (zh) * 2023-04-12 2023-07-14 国网江苏省电力有限公司电力科学研究院 一种多资源协调优化方法、装置及存储介质
CN116436019B (zh) * 2023-04-12 2024-01-23 国网江苏省电力有限公司电力科学研究院 一种多资源协调优化方法、装置及存储介质
CN117200225A (zh) * 2023-11-07 2023-12-08 中国电力科学研究院有限公司 考虑涵盖电动汽车集群的配电网优化调度方法及相关装置
CN117200225B (zh) * 2023-11-07 2024-01-30 中国电力科学研究院有限公司 考虑涵盖电动汽车集群的配电网优化调度方法及相关装置

Similar Documents

Publication Publication Date Title
CN108090277A (zh) 一种考虑满意度和调度能力的电动汽车微网双层优化调度方法
Lu et al. Multi-objective optimal load dispatch of microgrid with stochastic access of electric vehicles
Novoa et al. Dynamics of an integrated solar photovoltaic and battery storage nanogrid for electric vehicle charging
CN109301852B (zh) 一种微电网分级多目标联合的经济调度方法
Alghoul et al. The role of existing infrastructure of fuel stations in deploying solar charging systems, electric vehicles and solar energy: A preliminary analysis
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
Ali et al. Voltage fluctuation smoothing in distribution systems with RES considering degradation and charging plan of EV batteries
Lu et al. Multi-objective optimal scheduling of a DC micro-grid consisted of PV system and EV charging station
CN105160451A (zh) 一种含电动汽车的微电网多目标优化调度方法
CN103840457A (zh) 考虑电动汽车充放电影响的配电网内dg优化配置方法
Khezri et al. Impact of optimal sizing of wind turbine and battery energy storage for a grid-connected household with/without an electric vehicle
CN107196586A (zh) 含电动汽车接入的光柴储微网系统优化运行方法
Zhong et al. Energy cost minimization through optimization of EV, home and workplace battery storage
Wang et al. Optimal charging scheduling for electric vehicles considering the impact of renewable energy sources
Xiaoxin et al. Optimal scheduling of integrated energy systems including hydrogen electrolyzers, HFCVs, and electric vehicles
Skander-Mustapha et al. Energy management of rooftop PV system including battery storage: case study of ENIT building
CN114884133B (zh) 一种计及电动汽车的微电网经济调度优化方法及系统
Xu et al. Economic Optimization Control of Microgrid with Electric Vehicles
CN116404629A (zh) 一种高比例分布式光伏配电网中的电动汽车协调充电方法
Zaferanlouei et al. BATTPOWER application: Large-scale integration of EVs in an active distribution grid–A Norwegian case study
Xu et al. Research on Microgrid Dispatch Considering the Charge and Discharge Strategy of Electric Vehicles
Chang et al. A coordinated charging strategy for PV-Assisted charging station of electric vehicles based on charging service price
Thakre et al. Potentially affect of a vehicle to grid on the electricity system
Zhou et al. The state-of-art of the EV charging control strategies
Ghahramani et al. Optimal energy management of a parking lot in the presence of renewable sources

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20180529