CN109066663A - 考虑电动汽车聚类分群的竞价方法 - Google Patents

Abstract

本发明公开了一种考虑电动汽车聚类分群的竞价方法，首先在一定的电力交易市场环境下，根据不同电动汽车群运行特性进行聚类分析，再以电动汽车代理商充电成本最小为目标，考虑市场出清约束和电动汽车充电负荷约束，建立了电动汽车代理商参与日前电力市场的双层最优竞价策略模型，并根据KKT条件以及对偶原理将模型转化为混合整数线性规划问题进行求解。通过与一般的竞价策略进行比较，可知在电动汽车聚类分群下的竞价策略可以有效地降低电动汽车充电成本。

Description

考虑电动汽车聚类分群的竞价方法

技术领域

本发明涉及电力市场竞价领域，特别是涉及考虑电动汽车聚类分群的竞价方法。

背景技术

近年来，随着我国电动汽车销量的快速增长，电动汽车技术取得了长足的进步，特别是存储密度更高的电池和充电性能更好的电机及其控制系统的发展明显加快。同时，国家发布了关于进一步深化电力体制改革的若干意见，配电侧电力市场机制的完善给了电动汽车参与电力市场竞价的机会。为整合大规模电动汽车的负荷资源来参与竞价，电动汽车代理商的概念应运而生。

电动汽车代理商作为配电侧和用户侧的中间层，负责汇总或预测电动汽车车主的充电需求并进行优化调度，然后根据获得的充电总需求代表车主向售电者购电，其主要目的之一是以最小的代价购得其所代理的电动汽车所需电量。不同的电动汽车有不同的充电需求，对于电动汽车群的分层优化研究，可以根据用户期望充电完成的时间来对电动汽车进行优先级划分，建立集群化的优化调度模型。也有其他研究对电动汽车引入分层分区架构来建立双层调度优化模型。

针对电动汽车代理商参与电力市场竞价的研究，一般研究以电动汽车代理商作为实时电价的制定者，根据电动汽车充放电需求，作为可控负荷参与市场竞价，获得最大收益，但对于市场电价和电动汽车行为随机性考虑不够。不同于电价的制定者，代理商可以通过制定各时段的电价引导用户的充电选择，建立主从博弈模型使代理商和用户利益最大化。基于电动汽车代理商灵活竞标搭配固定竞标的竞价策略，对电动汽车需求侧灵活性的分析不够。在上述研究中，电动汽车代理商在参与竞价时仅仅单一聚合了大规模电动汽车群的总体充电需求，没有根据不同需求的电动汽车群进行分类参与竞价。而对于电动汽车分类的方案大多着眼于大规模电动汽车的充放电调度控制，针对电动汽车代理商参与竞价方面的研究鲜有涉及。

发明内容

发明目的：为了降低电动汽车代理商在参与电力市场竞价时的购电成本，本发明提供了一种考虑电动汽车聚类分群的竞价方法。

技术方案：本发明所述的考虑电动汽车聚类分群的竞价方法，包括以下步骤：

S1：电动汽车代理商收集一天之内用户的出行开始时间、出行结束时间和行驶里程的数据，并对收集到的数据进行概率分析得到用户的出行规律；

S2：用k-means聚类算法对用户的出行开始时间和出行结束时间同时进行分类，得到多个单独子群，对不同充电类型的电动汽车进行特征参数归类；

S3：用蒙特卡洛算法对步骤S2分类得出的每个单独子群的充电负荷需求进行计算，得到不同子群的充电需求；

S4：在考虑电力市场出清前提下，以电动汽车代理商充电成本最小为目标，建立电动汽车代理商参与电力市场竞价的双层优化模型；将步骤S3得到的不同子群的充电需求作为模型的约束变量，对模型进行优化求解，生成每个子群的报价曲线。

进一步，所述步骤S1中，用户的出行开始时间和出行结束时间的概率密度函数f(x₁₁)均通过式(1)得到：

式(1)中，x₁₁表示出行开始时间或者出行结束时间，x₁₁的概率分布X₁₁表示为X₁₁～N(μ₁₁,σ₁₁ ²)，μ₁₁表示x₁₁的期望，σ₁₁表示x₁₁的标准差。

进一步，所述步骤S1中，行驶里程的概率密度函数f(x₁₂)通过式(2)得到：

式(2)中，x₁₂表示行驶里程，x₁₂的对数概率分布ln(X₁₂)表示为ln(X₁₂)～N(μ₁₂,σ₁₂ ²)，μ₁₂表示ln(X₁₂)的平均值，σ₁₂表示ln(X₁₂)的标准差。

进一步，所述步骤S2中，k-means聚类算法中的目标函数SSE为：

式(3)中，K表示初始聚类中心的总数，即初始质点的总数；j表示初始聚类中心的序号；C_j表示第j个簇，Z_j表示第j个簇C_j的质心；dist表示欧式空间中两个对象之间的标准欧式距离，c_j表示第j个簇C_j中各对象均值，

dist(c_j,Z_j)通过式(4)得到；

dist(c_j,Z_j)＝||c_j-Z_j|| (4)

式(4)中，c_j由式(5)得到；

式(5)中，N_j表示第j个簇C_j中对象的个数，x_j,n表示第j个簇C_j中第n个对象。

进一步，所述步骤S3中，计算聚类后第j个子群一天内的充电负荷为：

式(5)中，P_j表示第j个子群一天内的充电负荷，P_ms,ts表示第ms辆电动汽车在第ts分钟的充电负荷，M_j表示第j个子群中电动汽车的总数，TS表示1440分钟。

进一步，所述步骤S4中，双层优化模型的上层为用户需求侧模型，目标函数为：

式(6)中，t表示日前市场中的竞价时刻，表示t时刻的代理商竞标量,p^t表示t时刻的下层模型得出的市场出清价；

式(6)的约束条件为：

式(7)中，λ^t表示t时刻的下层模型的拉格朗日乘数因子；

双层优化模型的下层为电力市场出清模型，目标函数为：

式(8)中，表示第m个发电商在t时刻的竞标量，表示第k个购电商在t时刻的竞标量，表示第m个发电商在t时刻的报价，表示第k个购电商在t时刻的报价，表示电动汽车代理商在t时刻的报价；

式(8)的约束条件为：

式(9)中，P_i ^t表示第i个市场参与者t时刻的竞标量，I表示所有市场参与者，表示t时刻的任意一个市场参与者的最大竞标量，表示针对第i个市场参与者在t时刻竞标量与最小竞标量之间的不等式约束所引入的对偶变量，表示针对第i个市场参与者在t时刻竞标量与最大竞标量之间的不等式约束所引入的对偶变量。

进一步，所述步骤S4中，对模型进行优化求解的过程是将双层优化模型转化为混合整数线性规划模型来求解，混合整数线性规划模型的目标函数为：

式(10)中，表示针对第m个发电商在t时刻竞标量与最大竞标量的不等式关系所引入的对偶变量，表示m个发电商在t时刻的最大竞标量，表示针对第k个发电商在t时刻竞标量与最大竞标量的不等式关系所引入的对偶变量，表示第k个发电商在t时刻的最大竞标量。

有益效果：本发明公开了一种考虑电动汽车聚类分群的竞价方法，与现有技术相比，具有如下的有益效果：

1)本发明根据不同电动汽车的车型以及行驶时间进行聚类分析，可以得到具有不同行驶特性的电动汽车的不同充电需求，形成具有不同特性的电动汽车集群，为电动汽车代理商管理大规模电动汽车提供了快捷有效的分类方法；

2)本发明在一定的电力市场环境下，为具有不同充电需求的电动汽车群提供了不同的报价策略，使不同需求的用户受益，也为实现电动汽车代理商购电成本最小化提供了有效的方案，达到了多方面的共赢。

附图说明

图1是电动汽车分群竞价策略流程图；

图2是K-means聚类算法流程图；

图3是Nissan-Altra电动汽车集群充电需求；

图4是电动汽车群整体参与竞价的结果；

图5是不同车型下集群竞价的结果；

图6是不同子群下所有车型的竞价结果。

具体实施方式

本具体实施方式公开了一种考虑电动汽车聚类分群的竞价方法，如图1所示，包括以下步骤：

S1：电动汽车代理商收集一天之内用户的出行开始时间、出行结束时间和行驶里程的数据，并对收集到的数据进行概率分析得到用户的出行规律；

S2：用k-means聚类算法对用户的出行开始时间和出行结束时间同时进行分类，得到多个单独子群，对不同充电类型的电动汽车进行特征参数归类；

S3：用蒙特卡洛算法对步骤S2分类得出的每个单独子群的充电负荷需求进行计算，得到不同子群的充电需求；

S4：在考虑电力市场出清前提下，以电动汽车代理商充电成本最小为目标，建立电动汽车代理商参与电力市场竞价的双层优化模型；将步骤S3得到的不同子群的充电需求作为模型的约束变量，对模型进行优化求解，生成每个子群的报价曲线。

步骤S1中，用户的出行开始时间和出行结束时间的概率密度函数f(x₁₁)均通过式(1)得到：

式(1)中，x₁₁表示出行开始时间或者出行结束时间，x₁₁的概率分布X₁₁表示为X₁₁～N(μ₁₁,σ₁₁ ²)，μ₁₁表示x₁₁的期望，σ₁₁表示x₁₁的标准差。

步骤S1中，行驶里程的概率密度函数f(x₁₂)通过式(2)得到：

式(2)中，x₁₂表示行驶里程，x₁₂的对数概率分布ln(X₁₂)表示为ln(X₁₂)～N(μ₁₂,σ₁₂ ²)，μ₁₂表示ln(X₁₂)的平均值，σ₁₂表示ln(X₁₂)的标准差。

步骤S2中，k-means聚类算法流程图如图2所示，k-means聚类算法中的目标函数SSE为：

式(3)中，K表示初始聚类中心的总数，即初始质点的总数；j表示初始聚类中心的序号；C_j表示第j个簇，Z_j表示第j个簇C_j的质心；dist表示欧式空间中两个对象之间的标准欧式距离，c_j表示第j个簇C_j中各对象均值，dist(c_j,Z_j)通过式(4)得到；

dist(c_j,Z_j)＝||c_j-Z_j|| (4)

式(4)中，c_j由式(5)得到；

式(5)中，N_j表示第j个簇C_j中对象的个数，x_j,n表示第j个簇C_j中第n个对象。

步骤S3中，计算聚类后第j个子群一天内的充电负荷为：

式(5)中，P_j表示第j个子群一天内的充电负荷，P_ms,ts表示第ms辆电动汽车在第ts分钟的充电负荷，M_j表示第j个子群中电动汽车的总数，TS表示1440分钟。

步骤S4中，双层优化模型的上层为用户需求侧模型，目标函数为：

式(6)中，t表示日前市场中的竞价时刻，表示t时刻的代理商竞标量,p^t表示t时刻的下层模型得出的市场出清价；

式(6)的约束条件为：

式(7)中，λ^t表示t时刻的下层模型的拉格朗日乘数因子；

双层优化模型的下层为电力市场出清模型，目标函数为：

式(8)中，表示第m个发电商在t时刻的竞标量，表示第k个购电商在t时刻的竞标量，表示第m个发电商在t时刻的报价，表示第k个购电商在t时刻的报价，表示电动汽车代理商在t时刻的报价；

式(8)的约束条件为：

式(9)中，P_i ^t表示第i个市场参与者t时刻的竞标量，I表示所有市场参与者，表示t时刻的任意一个市场参与者的最大竞标量，表示针对第i个市场参与者在t时刻竞标量与最小竞标量之间的不等式约束所引入的对偶变量，表示针对第i个市场参与者在t时刻竞标量与最大竞标量之间的不等式约束所引入的对偶变量。

步骤S4中，对模型进行优化求解的过程是将双层优化模型转化为混合整数线性规划模型来求解，混合整数线性规划模型的目标函数为：

式(10)中，表示针对第m个发电商在t时刻竞标量与最大竞标量的不等式关系所引入的对偶变量，表示m个发电商在t时刻的最大竞标量，表示针对第k个发电商在t时刻竞标量与最大竞标量的不等式关系所引入的对偶变量，表示第k个发电商在t时刻的最大竞标量。

下面以一个具体实施例来进一步阐述本发明的方案。

步骤1：以2009年全美家庭出行调查统计结果,提取私家车一天内的开始时间、结束时间和行驶里程来研究电动汽车的运行特性。某区域电动汽车代理商代理5000辆私人电动汽车参与市场竞价，电动汽车的参数信息如表1所示。车型数量各占总数的三分之一。

表1 3种电动汽车电池参数比较

步骤2：根据图2k-means算法以用户一天行程的开始时间和结束时间聚类分群，分为三类，其最终聚类中心结果如表2所示。

表2电动汽车群最终聚类中心

步骤3：根据步骤2的聚类结果，拟合计算每个子群的结束时间即充电起始时刻和日行驶里程的概率分布函数，如表3所示。

表3电动汽车子群运行特性

基于三类不同的电动汽车车型和三类聚类分群的结果共可得到九类不同的子群，从而通过蒙特卡洛算法计算每类子群的充电需求。以Nissan-Altra车型为例，集群聚类后的充电需求如图3所示。由此可得，每个子群的充电需求低谷期近似一致，而需求高峰期随着充电起始时刻和行驶里程的不同呈现出不同的变化趋势以及负荷高峰值。在每个竞价时刻，每个子群具有不同的充电需求，不同子群的需求曲线作为约束变量加入到电动汽车电力市场竞价模型中。

步骤4：如图1竞价模型流程所示，将分好的每个子群单独参与电力市场竞价模型。假设参与日前市场竞价的有4个发电商、3个购电商和1个电动汽车代理商。图4是未分群下电动汽车群整体参与竞价的结果，可以看出，电动汽车的电价在16点和22点左右出现峰值，在18点左右出现谷值，凌晨时期的电价普遍不高，并有小范围的波动。图5和图6分别是不同车型下集群竞价的结果和不同子群下所有车型的竞价结果，可以看出，由于不同子群在负荷低谷期差别不大，在负荷高峰期需求差别很大如图3结果所示，所以不同子群的报价曲线在需求低谷期基本一致，而在需求高峰时刻呈现很大的差异，体现了不同运行特性子群的不同充电需求下的电价。

将已分好的电动汽车子群分别参与日前电力市场竞价过程，得到相应的分类集群竞价，与未分类的电动汽车群竞价成本相比较，其结果如表4和表5所示。由表可知，不同类别的子群具有不同的充电成本，不同车型下分类集群竞价和不同子群下所有车型竞价的成本比未分类的集群竞价成本分别降低约15.06$/MW和约11.13$/MW。显然，考虑聚类分群下的电动汽车代理商竞价成本要低于电动汽车未分群下的竞价成本，表明本发明考虑电动汽车聚类分群的竞价策略具有一定的实际效果，切实有效地为电动汽车代理商降低了购电成本。

表4不同车型下分类集群竞价的成本比较

表5不同子群下所有车型竞价的成本比较

Claims (7)

1.一种考虑电动汽车聚类分群的竞价方法，其特征在于：包括以下步骤：

S1：电动汽车代理商收集一天之内用户的出行开始时间、出行结束时间和行驶里程的数据，并对收集到的数据进行概率分析得到用户的出行规律；

S2：用k-means聚类算法对用户的出行开始时间和出行结束时间同时进行分类，得到多个单独子群，对不同充电类型的电动汽车进行特征参数归类；

S3：用蒙特卡洛算法对步骤S2分类得出的每个单独子群的充电负荷需求进行计算，得到不同子群的充电需求；

S4：在考虑电力市场出清前提下，以电动汽车代理商充电成本最小为目标，建立电动汽车代理商参与电力市场竞价的双层优化模型；将步骤S3得到的不同子群的充电需求作为模型的约束变量，对模型进行优化求解，生成每个子群的报价曲线。

2.根据权利要求1所述的考虑电动汽车聚类分群的竞价方法，其特征在于：所述步骤S1中，用户的出行开始时间和出行结束时间的概率密度函数f(x₁₁)均通过式(1)得到：

式(1)中，x₁₁表示出行开始时间或者出行结束时间，x₁₁的概率分布X₁₁表示为X₁₁～N(μ₁₁,σ₁₁ ²)，μ₁₁表示x₁₁的期望，σ₁₁表示x₁₁的标准差。

3.根据权利要求1所述的考虑电动汽车聚类分群的竞价方法，其特征在于：所述步骤S1中，行驶里程的概率密度函数f(x₁₂)通过式(2)得到：

式(2)中，x₁₂表示行驶里程，x₁₂的对数概率分布ln(X₁₂)表示为

ln(X₁₂)～N(μ₁₂,σ₁₂ ²)，μ₁₂表示ln(X₁₂)的平均值，σ₁₂表示ln(X₁₂)的标准差。

4.根据权利要求1所述的考虑电动汽车聚类分群的竞价方法，其特征在于：所述步骤S2中，k-means聚类算法中的目标函数SSE为：

式(3)中，K表示初始聚类中心的总数，即初始质点的总数；j表示初始聚类中心的序号；C_j表示第j个簇，Z_j表示第j个簇C_j的质心；dist表示欧式空间中两个对象之间的标准欧式距离，c_j表示第j个簇C_j中各对象均值，

dist(c_j,Z_j)通过式(4)得到；

dist(c_j,Z_j)＝||c_j-Z_j|| (4)

式(4)中，c_j由式(5)得到；

式(5)中，N_j表示第j个簇C_j中对象的个数，x_j,n表示第j个簇C_j中第n个对象。

5.根据权利要求1所述的考虑电动汽车聚类分群的竞价方法，其特征在于：所述步骤S3中，计算聚类后第j个子群一天内的充电负荷为：

式(5)中，P_j表示第j个子群一天内的充电负荷，P_ms,ts表示第ms辆电动汽车在第ts分钟的充电负荷，M_j表示第j个子群中电动汽车的总数，TS表示1440分钟。

6.根据权利要求1所述的考虑电动汽车聚类分群的竞价方法，其特征在于：所述步骤S4中，双层优化模型的上层为用户需求侧模型，目标函数为：

式(6)中，t表示日前市场中的竞价时刻，表示t时刻的代理商竞标量,p^t表示t时刻的下层模型得出的市场出清价；

式(6)的约束条件为：

式(7)中，λ^t表示t时刻的下层模型的拉格朗日乘数因子；

双层优化模型的下层为电力市场出清模型，目标函数为：

式(8)中，表示第m个发电商在t时刻的竞标量，表示第k个购电商在t时刻的竞标量，表示第m个发电商在t时刻的报价，表示第k个购电商在t时刻的报价，表示电动汽车代理商在t时刻的报价；

式(8)的约束条件为：

式(9)中，P_i ^t表示第i个市场参与者t时刻的竞标量，I表示所有市场参与者，表示t时刻的任意一个市场参与者的最大竞标量，表示针对第i个市场参与者在t时刻竞标量与最小竞标量之间的不等式约束所引入的对偶变量，表示针对第i个市场参与者在t时刻竞标量与最大竞标量之间的不等式约束所引入的对偶变量。

7.根据权利要求6所述的考虑电动汽车聚类分群的竞价方法，其特征在于：所述步骤S4中，对模型进行优化求解的过程是将双层优化模型转化为混合整数线性规划模型来求解，混合整数线性规划模型的目标函数为：

式(10)中，表示针对第m个发电商在t时刻竞标量与最大竞标量的不等式关系所引入的对偶变量，表示m个发电商在t时刻的最大竞标量，表示针对第k个发电商在t时刻竞标量与最大竞标量的不等式关系所引入的对偶变量，表示第k个发电商在t时刻的最大竞标量。