CN109523051A - 一种电动汽车充电实时优化调度方法 - Google Patents
一种电动汽车充电实时优化调度方法 Download PDFInfo
- Publication number
- CN109523051A CN109523051A CN201811088144.1A CN201811088144A CN109523051A CN 109523051 A CN109523051 A CN 109523051A CN 201811088144 A CN201811088144 A CN 201811088144A CN 109523051 A CN109523051 A CN 109523051A
- Authority
- CN
- China
- Prior art keywords
- charging station
- electric car
- charging
- moment
- time
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000009826 distribution Methods 0.000 claims abstract description 93
- 230000003993 interaction Effects 0.000 claims abstract description 8
- 238000004088 simulation Methods 0.000 claims abstract description 6
- 239000003795 chemical substances by application Substances 0.000 claims description 55
- 230000005611 electricity Effects 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000002347 injection Methods 0.000 claims description 6
- 239000007924 injection Substances 0.000 claims description 6
- 210000003127 knee Anatomy 0.000 claims description 6
- 230000002093 peripheral effect Effects 0.000 claims description 6
- 238000011160 research Methods 0.000 claims description 4
- 239000000243 solution Substances 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 abstract description 8
- 101100100125 Mus musculus Traip gene Proteins 0.000 description 21
- 239000013589 supplement Substances 0.000 description 9
- 230000000694 effects Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000002123 temporal effect Effects 0.000 description 6
- 238000007726 management method Methods 0.000 description 4
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 2
- 240000002853 Nelumbo nucifera Species 0.000 description 2
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 241001282153 Scopelogadus mizolepis Species 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000013486 operation strategy Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
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
- G06Q10/04—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
- 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
- G06Q10/06313—Resource planning in a project environment
-
- 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
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- 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
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Educational Administration (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种电动汽车充电实时优化调度方法。本发明采用的技术方案为:搭建计及路‑网‑车交互特性的电气化交通协同系统架构;建立基于出行链追踪的微观交通配流模型,追踪模拟电动汽车用户的驾驶行为、位置分布、荷电状态和充电需求的实时信息;充电站选择和导航策略;构建兼顾配电系统安全和用户等待时间的双层实时优化调度模型,以确定各充电站内电动汽车的具体充电方案;采用YALMIP/CPLEX高效商业化求解器对上下层问题分别进行迭代求解。本发明既能缓解充电站附近的交通阻塞;又能使负荷分布均匀、网损减少,保证电网安全经济运行;又能满足EV充电需求,提高用户满意度,最终实现电气化交通协同系统的整体优化运行,兼顾了多方面的利益。
Description
技术领域
本发明涉及电动汽车领域,特别是一种计及路-网-车交互特性的电动汽车充电实时优化调度方法。
背景技术
近年来,随着电池技术的发展和其生产成本的减少,以电动汽车为核心的电气化交通正在快速发展,城市交通系统和配电系统的耦合程度在不断加深。一些充电基础设施,例如充电站也被建设以满足电动汽车的充电需求。由于电动汽车的充电负荷在时间和空间上具有随机性,大规模电动汽车的自由充电行为将会对配电系统与交通系统的安全与稳定运行带来负面影响,例如增大系统网损和峰荷、造成交通拥塞、影响用户体验等。而对电动汽车充电行为的合理调度可以有效减小峰谷差、消纳可再生能源富余出力等,因此研究电动汽车有序充电管理策略就十分必要。
充电站是联系城市交通系统和配电系统的纽带,且电动汽车的驾驶行为有着在充电站停留时间,接入和离开电网的时刻、电池荷电状态随机性强等特点,因此实现充电站内电动汽车的有序充电控制就具有重要的意义。已有充电站有序调度策略研究尚存在下述问题:①主要针对单个充电站内的有序管理,由于配电系统和交通系统均为互联网络,不同充电站之间存在关联性,对每个充电站单独考虑就难以得到整体最优方案;②着重计及了电网侧利益而忽略了用户心理因素的影响,充电站调度策略会影响用户对充电站的选择;③充电站的电力需求通常是给定的,或者遵循一定的概率分布,在计及交通网络约束下不能准确地反映充电需求的时空分布。
充电站的有序调度需要电动汽车充电负荷的时空分布,这与电动汽车的驾驶行为和充电需求密切相关。同时,充电站的调度策略将影响电动汽车后续驾驶行为、下一次充电地点和时刻选择。因此,需在综合考虑城市交通系统、配电系统和电动汽车交互特性的基础上,研究电动汽车的充电调度与控制。
发明内容
本发明的目的是提供一种计及路-网-车交互特性的电动汽车充电实时优化调度方法,以缓解充电站附近的交通阻塞,使负荷分布均匀、网损减少,保证电网安全经济运行;满足电动汽车充电需求,提高用户满意度,最终实现电气化交通协同系统的整体优化运行。
为此,本发明采用如下的技术方案:一种电动汽车充电实时优化调度方法,其包括:
搭建计及路-网-车交互特性的电气化交通协同系统架构;
建立基于出行链追踪的微观交通配流模型,追踪模拟电动汽车用户的驾驶行为、位置分布、荷电状态和充电需求的实时信息,作为下述双层实时优化调度模型的输入数据;
充电站选择和导航策略;
构建兼顾配电系统安全和用户等待时间的双层实时优化调度模型,以确定各充电站内电动汽车的具体充电方案;
采用YALMIP/CPLEX高效商业化求解器对上下层问题分别进行迭代求解。
作为上述技术方案的补充,所述的电气化交通协同系统架构包括:
交通系统调度机构、充电站代理商、电动汽车和配电系统调度机构;
交通系统调度机构、充电站代理商和电动汽车信息交互:各充电站代理商实时将所管辖充电站内电动汽车等待时间信息反馈给交通系统调度机构,交通系统调度机构将各充电站的等待时间信息实时广播给所有电动汽车用户,当行驶中的电动汽车电量不足需要充电时,其用户将依据充电站选择和导航策略选择最优充电站,同时将电动汽车充电位置、电量水平、充电期望和到站时刻信息传递给相应的充电站代理商;
配电系统调度机构、充电站代理商和电动汽车信息交互:为了让配电系统调度机构与各充电站代理商做出合理的控制决策,首先要求配电系统调度机构根据历史负荷数据,以负荷方差最小为目标获得日前调度计划;实时调度中,各充电站代理商将当前时刻充电站内电动汽车的连接状态、充电需求信息提交给配电系统调度机构;根据电动汽车的连接状态、充电需求信息和日前调度计划,各充电站代理商和配电系统调度机构将基于双层实时优化调度模型确定电动汽车的充电方案。
作为上述技术方案的补充,所述的微观交通配流模型的建模步骤如下:①输入时间变量概率密度函数、路网模型、初始SOC概率密度函数和模拟车辆总数M;②设置车辆编号m=1;③生成首次出行时刻,生成首次出行SOC,j=1;④根据车辆类别、出行链结构抽取第j次出行目的地;计算电动汽车到达目的地时间、路径和SOC;并判断到终点时SOC是否小于阈值,若是则转到⑤,若否则转到⑥;⑤记录充电需求位置和时间,规划路径选择最优充电站;模拟行驶,更新SOC,到达充电站;并根据充电站双层实时优化调度模型安排,模拟充电;充电完成,离开充电站,规划路径完成剩余里程;⑥模拟行驶,更新SOC,到达目的地;判断是否最后出行,若是则转到⑦,若否则j=j+1,并转到④;⑦判断m是否等于M,若是则结束,即最终形成每辆电动汽车完整的出行链;若否则m=m+1,并转到③。
作为上述技术方案的补充,所述的充电站选择和导航策略如下:记调度时段的长度为Δt,一天的长度为D,调度时段总数为T=D/Δt,并假定每个时段的各种状态参数保持不变,这样某变量在时刻t的取值即为该变量在时段t中的取值;所述的配电系统中包括的充电站个数为N0,充电站k有Nk个充电桩,k∈[1,N0];引入充电站和交通系统的信息对路段赋权,为电动汽车用户规划路径选择最优充电站时提供指导,使得在考虑电动汽车用户行驶的距离和时间短、充电排队等待时间短的同时,各充电站充电负荷的空间分布更加均匀,避免资源浪费和充电站附近区域产生严重的道路拥堵情况;
各路段长度赋权计算如下:
式中:lr和lr,t为道路r的原始长度和在时刻t的加权长度;vr,t为道路r在时刻t的平均通行速度;
对于充电站周围区域路段,引入车桩比系数再次进行加权计算:
ρk,t′=γk,t′/Nk,
ωk,t=ρk,t′/min(ρ1,t′,ρ2,t′,...,ρN0,t′),
式中:lr,k和lr,k,t为充电站k周围区域路段原始长度和在时刻t的加权长度;vr,k,t为该路段在时刻t的平均通行速度;ωk,t为相应的加权系数;t′为电动汽车到达目标充电站的时刻;γk,t′为充电站代理商根据在时刻t由电动汽车用户上传的充电预约信息,估算的时刻t′充电站k内的电动汽车数量;ρk,t′为时刻t′充电站k的车桩比系数。
作为上述技术方案的补充,所述的双层实时优化调度模型中,上层优化模型的决策者为配电系统调度机构,通过确定充电站代理商的实时调度计划,使与其日前调度计划的偏差和网损最小,下层优化模型的决策者为充电站代理商,通过最小化电动汽车的等待时间成本并且最优地遵循配电系统调度机构的上层调度计划来确定电动汽车的最佳充电方案。
作为上述技术方案的补充,所述双层实时优化调度模型中,用δk,u,t表示充电站k内第u个充电桩在时刻t的连接状态,1/0表示有/没有电动汽车接入该充电桩;当有电动汽车接入时,记接入时刻为此时该电动汽车的SOC为车主设置的期望SOC为额定充电功率为电池容量为βk,u,充电效率为ηk,u;时刻t在充电站k的电动汽车集合记为Ωk,t,假设电动汽车达到期望SOC就完成充电,并驶离充电站。
作为上述技术方案的补充,所述的上层优化模型包括:
配电系统调度机构通过制定各充电站电动汽车充电站代理商各时刻的调度计划,使系统在研究时刻网损、实时调度计划与日前调度计划的偏差及与实时调度结果的偏差最小化;因此,上层目标函数ft upp包含3项:第1项为各充电站电动汽车充电站代理商实时调度计划与日前调度计划偏差,最小化可转移高峰负荷,保证充电站总充电负荷在时间上的合理分配;第2项为系统网损,最小化可实现各个充电站负荷在电空间上的合理分配;第3项为下层各充电站实际调度结果与实时调度计划的偏差;配电系统含有N个节点和L条线路,综合优化的目标函数如下:
式中:ω1、ω2和ω3分别为不同目标对应的权重;为配电系统调度机构确定的充电站k充电站代理商在时刻t的实时调度计划功率;为配电系统调度机构确定的充电站k在时刻t的日前调度计划功率;rl为线路l的电阻;Pl,t和Ql,t分别为时刻t线路l的有功和无功潮流;V0为线路电压基准值;Pk,u,t为时刻t充电站k内第u个充电桩连接电动汽车的充电功率。
作为上述技术方案的补充,所述的上层优化模型还包括以下约束条件:
1)基于Distflow模型的潮流约束
对支路潮流非线性约束进行线性化处理,首先定义并进行二阶锥松弛转化,得:
式中:A和A″分别为节点-支路关联矩阵和支路头节点-支路关联矩阵,(A·B)ij=AijBij;Pl,t和Ql,t分别为时刻t各线路的有功和无功潮流向量;PG,t和QG,t分别为时刻t注入各节点的有功和无功出力向量;PL,t和QL,t分别为时刻t各节点的有功和无功负荷向量;Pt plan为配电系统调度机构确定的各充电站代理商在时刻t的实时调度计划功率向量;为时刻t各节点电压幅值平方的向量;为时刻t线路l头节点的电压幅值平方;为时刻t各线路电流幅值平方的向量;R=diag(r1,r2,…,rl,…,rL),X=diag(x1,x2,…,xl,…,xL),R和X分别为以各线路电阻和电抗为对角的矩阵;G=diag(G1,G2,…,Gi,…,GN),B=diag(B1,B2,…,Bi,…,BN),Gi和Bi分别为第i个节点在节点导纳矩阵中的实部与虚部;
2)变压器容量约束
式中:PGi,t和QGi,t分别为时刻t注入节点i的有功和无功出力;Stran,i为节点i的变压器容量,T为调度时段总数;
3)线路传输功率约束
式中:Pl max和分别为线路l最大传输有功和无功功率,T为调度时段总数;
4)节点电压约束
式中:为时刻t节点i的电压幅值平方;和分别为节点i的电压幅值平方的上、下限,T为调度时段总数;
5)各充电站可调度容量约束
式中:为每台充电桩的最大充电功率,T为调度时段总数。
作为上述技术方案的补充,所述的下层优化模型包括:
各充电站代理商通过对所管辖充电站电动汽车充电功率的控制,使电动汽车等待时间成本以及电动汽车实际充电负荷与配电系统调度机构所给定调度计划间的偏差最小化;对于充电站代理商k,在时刻t的优化模型描述为:
γk,u,t-1≤γk,u,t≤δk,u,t,
Sk,u,t≤Smax,
式中:为充电站代理商k在时刻t的目标函数;和分别为充电站k内电动汽车在时刻t的等待时间成本和充电站代理商k的上下层调度偏差惩罚;πw为单位充电电量等待成本;πd为上下层调度偏差的惩罚系数;ρ和分别表示反映电动汽车等待时间的加权系数;γk,u,t为0-1变量,表示时刻t充电站k内第u个充电桩连接电动汽车的充电状态;Sk,u,t为时刻t充电站k内第u个充电桩连接电动汽车的SOC;为充电站k内第u个充电桩连接电动汽车离开时的SOC,为相应的离开时刻;Smax为SOC上限。
作为上述技术方案的补充,双层实时优化调度模型中,上层优化模型为二阶锥规划问题,下层优化模型为大规模混合整数二次规划问题,采用MATLAB环境下的YALMIP/CPLEX来迭代求解所建立的双层模型,双层模型的迭代一直持续到达到收敛标准,收敛准则定义为:上下级之间的调度偏差小于设定值ε。设定值ε根据实际需要确定。
本发明提供的计及路-网-车交互特性的电动汽车充电实时优化调度方法,既能缓解充电站附近的交通阻塞;又能使负荷分布均匀、网损减少,保证电网安全经济运行;又能满足电动汽车充电需求,提高用户满意度,最终实现电气化交通协同系统的整体优化运行,兼顾了多方面的利益。
附图说明
图1为本发明实施例中电气化交通协同系统架构图;
图2为本发明实施例中各特征量相互关系图;
图3为本发明实施例中微观交通配流模型建模流程图;
图4为本发明应用例中48节点交通系统和33节点配电系统耦合示意图;
图5为本发明应用例中自由充电模式下的电动汽车充电负荷分布图(a为私家车自由充电图,b为出租车自由充电图);
图6为本发明应用例中自由充电与有序充电模式下充电负荷分布的对比图;
图7为本发明应用例中不同模式下系统负荷曲线的对比图;
图8为本发明应用例中系统负荷方差相对于电动汽车平均等待时间的变化图。
具体实施方式
为了更好地理解本发明的目的、技术方案以及技术效果,以下结合附图对本发明进行进一步的讲解说明。
实施例
本实施例提出了一种计及路-网-车交互特性的电动汽车充电实时优化调度方法,其实施流程包括如下详细步骤:
步骤一、构建电气化交通协同系统架构
电动汽车作为一种交通工具,是交通系统的一部分,具有交通属性;同时电动汽车的充电行为也与配电系统密切相关,具有电气属性。为综合考虑交通系统、配电系统和电动汽车三部分的交互影响,提出了电气化交通协同系统架构,如附图1所示。
部分信息流包括:
(1)交通系统调度机构、充电站代理商和电动汽车信息交互:各充电站代理商实时将所管辖充电站内电动汽车等待时间信息反馈给交通系统调度机构;交通系统调度机构将各充电站的等待时间信息实时广播给所有电动汽车用户。当行驶中的电动汽车电量不足需要充电时,其用户将依据充电站选择和导航策略选择最优充电站,同时将电动汽车充电位置、电量水平、充电期望和到站时刻信息传递给相应的充电站代理商。
(2)配电系统调度机构、充电站代理商和电动汽车信息交互:为了让配电系统调度机构与各充电站代理商做出合理的控制决策,首先要求配电系统调度机构根据历史负荷数据,以负荷方差最小等为目标获得日前调度计划。实时调度中,各充电站代理商将当前时刻充电站内电动汽车的连接状态、充电需求等信息提交给配电系统调度机构。根据电动汽车信息和日前调度计划,各充电站代理商和配电系统调度机构将基于双层实时优化调度模型确定电动汽车的充电方案。
步骤二、建立基于出行链追踪的微观交通配流模型
电动汽车的充电需求与用户的出行规律(出发时刻、目的地、结束时刻等)和实际路网信息(城市道路结构、道路平均通行速度等)密切相关,出行链可以较好地描述用户的出行特征和出行序列。电动汽车出行链是一种描述电动汽车用户从家出发再返回家这个过程的活动连接序列,序列中包含空间、时间和电量特征量,各特征量包括大量信息,出行链特征量及信息如表1所示。这些特征量之间相互联系并相互作用,各特征量相互关系如附图2所示。若能模拟这些特征量,便能模拟出电动汽车用户的驾驶行为,进而获得充电需求的时空分布。
表1出行链特征量及信息
特征量 | 信息 |
时间 | 活动出发时刻、行驶时长、停车时长、结束时刻 |
空间 | 起止点分布、交通路径、行驶里程、平均通行速度 |
电量 | 电动汽车电池荷电状态 |
(1)时间特征量
记活动j为前往第j个目的地的活动,活动j开始时刻为结束时刻为行驶时长为到下个活动开始的停车时长为故时间特征量满足如下约束:
时间链模拟时,需利用电动汽车始发和返回时刻曲线抽取其第1次出行开始时刻和最后1次出行返回时刻,然后依据与空间特征量的相互关系计算行驶时长,依据与电量特征量的相互关系计算充电站内充电和停车时长,除充电站外的其它区域停车时长可通过蒙特卡洛抽样产生,随后得到完整时间链。
(2)空间特征量
结合电动汽车出行特点,将出行目的地分成住宅区、工作区、商业区、充电站和其他五大类。空间上,要对路网建模得到路网模型,作为微观交通配流模型仿真的路网基础。路网模型Rn包括:
Rn={F,Sn,Lr,Vr,Wn},
式中:F、Sn和Lr分别为实际主干交通网络的拓扑连接关系、各节点坐标和各道路长度的集合,可通过地理信息系统提取;Vr为各道路平均通行速度数据集合;Wn为各节点的各目的地类型权重集合,可通过寻找各类目的地最近的交通节点并聚类分析得到,Wn用于抽样生成合理的交通起止点对。
出行链长度反映的是用户一天内参与所有活动的数量,若不考虑电动汽车缺电前往充电站充电的次要出行链,电动私家车的主要出行链长度一般为2或3;电动出租车为盈利车辆,因此其出行链结构较复杂,长度由其日载客数量决定。空间链模拟时,需依据车辆类别和目的地类型权重抽取交通起止点对,然后采用著名的Dijkstra路径规划算法规划最优路径。
(3)电量特征量
所有电动汽车日首次出行初始荷电状态(state of charge,SOC)服从正态分布,电动汽车行驶时SOC会随行驶距离增加而减少,SOC满足以下约束:
1)SOC动态约束
用下式来描述电动汽车行驶过程中SOC随距离变化的线性函数:
式中:和分别为活动j起始和结束时的SOC;λ为每公里耗电量(kW·h/km);dj为活动j行驶里程(km);β为电动汽车电池容量(kW·h)。
2)SOC安全约束
考虑到电池充放电循环寿命和放电深度的关系,电动汽车行驶过程中不能过度放电,需满足安全约束:
式中:St为电动汽车在时刻t的SOC;Smin为SOC下限;T为仿真时段总数。
基于出行链构建微观交通配流模型,追踪模拟每辆电动汽车的驾驶行为、位置分布、荷电状态、充电需求等实时信息,可以作为调度模型的输入。规定电动汽车在行驶途中电量低于设定阈值时,会修改路径并前往最优充电站充电;等到充电完成后离开充电站。
微观交通配流模型建模步骤如下:①输入时间变量概率密度函数、路网模型、初始SOC概率密度函数和模拟车辆总数M;②设置车辆编号m=1;③生成首次出行时刻,生成首次出行SOC,j=1;④根据车辆类别、出行链结构抽取第j次出行目的地;计算电动汽车到达目的地时间、路径和SOC;并判断到终点时SOC是否小于阈值,若是则转到⑤,若否则转到⑥;⑤记录充电需求位置和时间,规划路径选择最优充电站;模拟行驶,更新SOC,到达充电站;并根据充电站双层实时优化调度模型安排,模拟充电;充电完成,离开充电站,规划路径完成剩余里程;⑥模拟行驶,更新SOC,到达目的地;判断是否最后出行,若是则转到⑦,若否则j=j+1,并转到④;⑦判断m是否等于M,若是则结束,即最终形成每辆电动汽车完整的出行链;若否则m=m+1,并转到③。微观交通配流模型建模流程图如附图3所示。
步骤三、提出充电站选择和导航策略
记调度时段的长度为Δt,一天的长度为D,则调度时段总数为T=D/Δt,并假定每个时段的各种状态参数保持不变,这样某变量在时刻t的取值即为该变量在时段t中的取值。所研究的配电系统中包括的充电站个数为N0,充电站k(k∈[1,N0])有Nk个充电桩。引入充电站和交通系统的信息对路段赋权,为电动汽车用户规划路径选择最优充电站时提供指导,使得在考虑电动汽车用户行驶的距离和时间短、充电排队等待时间短的同时,各充电站充电负荷的空间分布更加均匀,避免资源浪费和充电站附近区域产生严重的道路拥堵情况。
各路段长度赋权计算如下:
式中:lr和lr,t为道路r的原始长度和在时刻t的加权长度;vr,t为道路r在时刻t的平均通行速度。
对于充电站周围区域路段,引入车桩比系数再次进行加权计算:
ρk,t′=γk,t′/Nk,
ωk,t=ρk,t′/min(ρ1,t′,ρ2,t′,...,ρN0,t′),
式中:lr,k和lr,k,t为充电站k周围区域路段原始长度和在时刻t的加权长度;vr,k,t为该路段在时刻t的平均通行速度;ωk,t为相应的加权系数;t′为电动汽车到达目标充电站的时刻;γk,t′为充电站代理商根据在时刻t由电动汽车用户上传的充电预约信息,估算的时刻t′充电站k内的电动汽车数量;ρk,t′为时刻t′充电站k的车桩比系数。
步骤四、构建兼顾配电系统安全和用户等待时间的双层实时优化调度模型
双层实时优化调度模型中,上层优化模型的决策者为配电系统调度机构,通过确定充电站代理商的实时调度计划,使与其日前调度计划的偏差和网损最小,下层优化模型的决策者为充电站代理商,通过最小化电动汽车的等待时间成本并且最优地遵循配电系统调度机构的上层调度计划来确定电动汽车的最佳充电方案。假设δk,u,t表示充电站k内第u个充电桩在时刻t的连接状态,1/0表示有/没有电动汽车接入该充电桩。当有电动汽车接入时,记接入时刻为此时该电动汽车的电池荷电状态(state of charge,SOC)为车主设置的期望SOC为额定充电功率为电池容量为βk,u,充电效率为ηk,u。时刻t在充电站k的电动汽车集合记为Ωk,t,假设电动汽车达到期望SOC就完成充电,并驶离充电站。则充电站双层实时优化调度模型可描述为:
(1)上层优化模型
配电系统调度机构通过制定各充电站电动汽车充电站代理商各时刻的调度计划,使系统在研究时刻网损、实时调度计划与日前调度计划的偏差及与实时调度结果的偏差最小化。因此,上层目标函数ft upp包含3项:第1项为各充电站电动汽车充电站代理商实时调度计划与日前调度计划偏差,最小化可转移高峰负荷,保证了充电站总充电负荷在时间上的合理分配;第2项为系统网损,最小化可以实现各个充电站负荷在电空间上的合理分配;第3项为下层各充电站实际调度结果与实时调度计划的偏差。配电系统含有N个节点和L条线路,综合优化的目标函数如下:
式中:ω1、ω2和ω3分别为不同目标对应的权重;为配电系统调度机构确定的充电站k充电站代理商在时刻t的实时调度计划功率;为配电系统调度机构确定的充电站k在时刻t的日前调度计划功率;rl为线路l的电阻;Pl,t、Ql,t分别为时刻t线路l的有功和无功潮流;V0为线路电压基准值,取V0=1.0pu;Pk,u,t为时刻t充电站k内第u个充电桩连接电动汽车的充电功率。
所述的上层优化模型包括以下约束条件:
1)基于Distflow模型的潮流约束
DistFlow模型被广泛使用于无环网的辐射型配电网潮流计算,该模型中的变量包括每个节点的电压幅值,每条线路的电流,以及每条线路和负载的有功和无功功率。传统的基于DistFlow模型的配电系统最优潮流模型为非线性模型。为简化计算,对支路潮流非线性约束进行线性化处理,首先定义并进行二阶锥松弛转化,得:
式中:A和A″分别为节点-支路关联矩阵和支路头节点-支路关联矩阵,(A·B)ij=AijBij;Pl,t和Ql,t分别为时刻t各线路的有功和无功潮流向量;PG,t和QG,t分别为时刻t注入各节点的有功和无功出力向量;PL,t和QL,t分别为时刻t各节点的有功和无功负荷向量;Pt plan为配电系统调度机构确定的各充电站代理商在时刻t的实时调度计划功率向量;为时刻t各节点电压幅值平方的向量;为时刻t线路l头节点的电压幅值平方;为时刻t各线路电流幅值平方的向量;R=diag(r1,r2,…,rl,…,rL),X=diag(x1,x2,…,xl,…,xL),R和X分别为以各线路电阻和电抗为对角的矩阵;G=diag(G1,G2,…,Gi,…,GN),B=diag(B1,B2,…,Bi,…,BN),Gi和Bi分别为第i个节点在节点导纳矩阵中的实部与虚部。
2)变压器容量约束
式中:PGi,t和QGi,t分别为时刻t注入节点i的有功和无功出力;Stran,i为节点i的变压器容量,T为调度时段总数。
3)线路传输功率约束
式中:Pl max和分别为线路l最大传输有功和无功功率,T为调度时段总数。
4)节点电压约束
式中:为时刻t节点i的电压幅值平方;和分别为节点i的电压幅值平方的上、下限,T为调度时段总数。
5)各充电站可调度容量约束
式中:为每台充电桩的最大充电功率,T为调度时段总数。
(2)下层优化模型
下层优化模型中,各充电站代理商通过对所管辖充电站电动汽车充电功率的控制,使电动汽车等待时间成本以及电动汽车实际充电负荷与配电系统调度机构所给定调度计划间的偏差最小化。对于充电站代理商k,在时刻t的优化模型可描述为:
γk,u,t-1≤γk,u,t≤δk,u,t,
Sk,u,t≤Smax,
式中:为充电站代理商k在时刻t的目标函数;和分别为充电站k内电动汽车在时刻t的等待时间成本和充电站代理商k的上下层调度偏差惩罚;πw为单位充电电量等待成本;πd为上下层调度偏差的惩罚系数;ρ和分别表示反映电动汽车等待时间的加权系数;γk,u,t为0-1变量,表示时刻t充电站k内第u个充电桩连接电动汽车的充电状态;Sk,u,t为时刻t充电站k内第u个充电桩连接电动汽车的SOC;为充电站k内第u个充电桩连接电动汽车离开时的SOC,为相应的离开时刻;Smax为SOC上限。
步骤五、模型求解方法
双层实时优化调度模型中,上层优化模型为二阶锥规划问题,下层优化模型为大规模混合整数二次规划问题。采用MATLAB环境下的YALMIP/CPLEX来迭代求解所建立的双层模型,双层模型的迭代一直持续到达到收敛标准,收敛准则定义为:上下级之间的调度偏差小于设定值ε,其中ε根据实际需要确定。
应用例:电气化交通协同系统仿真
为了进一步理解本发明,以某地区的实际交通系统和修改的IEEE-33节点配电系统为例,来解释本发明的实际应用。交通网主干道路信息抽象得到的拓扑网络与配电系统耦合关系及充电站分布如附图4所示。配电系统基准电压为12.66kV,三相功率基准值为100MVA;节点1为平衡节点,其他节点均为PQ节点;其中,负荷节点的最高和最低电压要求为1.05和0.95(标幺值)。
电气化交通协同系统仿真中:
1)仿真时长为00:00-24:00,仿真步长为15min,总共分为96个时段;
2)含有电动私家车2000辆,电动出租车500辆,以及5个充电站,每个充电站内含有150个充电桩;
3)各电动汽车的仿真参数相同:电池容量为30kW·h,快充功率为30kW,充电效率为0.95,行驶每公里耗电量为0.18kW·h;
4)SOC上下限分别为100%和20%。
1.自由充电模式。在自由充电模式中,电动汽车用户会依据自己的生活习惯选择充电站,电动汽车进入充电站连接充电桩后,立即开始充电直到其期望SOC,得到的电动私家车和出租车自由充电负荷时空分布如附图5所示。可以看出,两类车辆负荷曲线与实际负荷曲线趋势类似,说明本发明提出的微观交通配流模型具有合理性,能够较为理性客观地反映交通系统的运行本质。
2.自由充电模式与有序充电模式的比较。
(1)交通系统侧优化
电动汽车的引入会影响道路交通尤其是充电站附近路段交通情况,附图6为电动汽车自由充电与有序充电模式下各充电站充电负荷分布的对比图。自由充电模式下充电负荷在各个充电站的分布不均,而有序充电模式下负荷空间分布相对较均匀。可见电动汽车充电优化调度策略避免了在同一时刻大量电动汽车前往同一个充电站充电的情况,减少了充电站资源浪费和缓解了充电站附近道路拥塞。
(2)配电系统侧优化
1)在配电系统负荷水平优化方面:附图7为不同充电模式下系统负荷曲线的对比图,自由充电模式下系统负荷方差为38.59MW2,有序充电模式下系统负荷方差为34.17MW2。可以看出,电动汽车自由充电负荷会加剧负荷高峰时的用电紧张局势,导致“峰上加峰”,严重威胁配电系统的安全运行。而在电动汽车充电实时优化调度策略引导下,系统负荷曲线相比自由充电更为平缓,可以起到一定的“削峰填谷”作用,提高了系统运行的安全性。
2)在网损优化方面:自由充电会造成配电系统平均网损增加,而有序充电使平均网损降低了2.44%。因此,有序充电有一定的网损优化功能,可实现各充电站负荷在电空间上的合理分配,改善了配电系统拥堵情况,保证了配电系统安全经济运行。
(3)用户满意度优化
电动汽车用户在充电站的充电等待时间反映了用户满意度,因此充电站内电动汽车的充电行为,需在用户平均等待时间可接受范围内进行一定的调度优化管理。系统负荷方差相对于电动汽车平均等待时间的变化如附图8所示。可以看出,随着电动汽车平均等待时间的增加,系统负荷方差减小。基于此,配电系统调度机构和充电站代理商可以在这两个相互冲突的目标之间做出适当的权衡:如果假定电动汽车的平均等待时间不超过0.51h,则可以选择附图8交点作为最终优化方案。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (10)
1.一种电动汽车充电实时优化调度方法,其特征在于,包括:
搭建计及路-网-车交互特性的电气化交通协同系统架构;
建立基于出行链追踪的微观交通配流模型,追踪模拟电动汽车用户的驾驶行为、位置分布、荷电状态和充电需求的实时信息,作为双层实时优化调度模型的输入数据;
充电站选择和导航策略;
构建兼顾配电系统安全和用户等待时间的双层实时优化调度模型,以确定各充电站内电动汽车的具体充电方案;
采用YALMIP/CPLEX高效商业化求解器对上下层问题分别进行迭代求解。
2.根据权利要求1所述的电动汽车充电实时优化调度方法,其特征在于,所述的电气化交通协同系统架构包括:
交通系统调度机构、充电站代理商、电动汽车和配电系统调度机构;
交通系统调度机构、充电站代理商和电动汽车信息交互:各充电站代理商实时将所管辖充电站内电动汽车等待时间信息反馈给交通系统调度机构,交通系统调度机构将各充电站的等待时间信息实时广播给所有电动汽车用户,当行驶中的电动汽车电量不足需要充电时,其用户将依据充电站选择和导航策略选择最优充电站,同时将电动汽车充电位置、电量水平、充电期望和到站时刻信息传递给相应的充电站代理商;
配电系统调度机构、充电站代理商和电动汽车信息交互:为了让配电系统调度机构与各充电站代理商做出合理的控制决策,首先要求配电系统调度机构根据历史负荷数据,以负荷方差最小为目标获得日前调度计划;实时调度中,各充电站代理商将当前时刻充电站内电动汽车的连接状态、充电需求信息提交给配电系统调度机构;根据电动汽车的连接状态、充电需求信息和日前调度计划,各充电站代理商和配电系统调度机构将基于双层实时优化调度模型确定电动汽车的充电方案。
3.根据权利要求1或2所述的电动汽车充电实时优化调度方法,其特征在于,所述的微观交通配流模型的建模步骤如下:①输入时间变量概率密度函数、路网模型、初始SOC概率密度函数和模拟车辆总数M;②设置车辆编号m=1;③生成首次出行时刻,生成首次出行SOC,j=1;④根据车辆类别、出行链结构抽取第j次出行目的地;计算电动汽车到达目的地时间、路径和SOC;并判断到终点时SOC是否小于阈值,若是则转到⑤,若否则转到⑥;⑤记录充电需求位置和时间,规划路径选择最优充电站;模拟行驶,更新SOC,到达充电站;并根据充电站双层实时优化调度模型安排,模拟充电;充电完成,离开充电站,规划路径完成剩余里程;⑥模拟行驶,更新SOC,到达目的地;判断是否最后出行,若是则转到⑦,若否则j=j+1,并转到④;⑦判断m是否等于M,若是则结束,即最终形成每辆电动汽车完整的出行链;若否则m=m+1,并转到③。
4.根据权利要求1或2所述的电动汽车充电实时优化调度方法,其特征在于,所述的充电站选择和导航策略如下:记调度时段的长度为Δt,一天的长度为D,调度时段总数为T=D/Δt,并假定每个时段的各种状态参数保持不变,这样某变量在时刻t的取值即为该变量在时段t中的取值;所述的配电系统中包括的充电站个数为N0,充电站k有Nk个充电桩,k∈[1,N0];引入充电站和交通系统的信息对路段赋权,为电动汽车用户规划路径选择最优充电站时提供指导,使得在考虑电动汽车用户行驶的距离和时间短、充电排队等待时间短的同时,各充电站充电负荷的空间分布更加均匀,避免资源浪费和充电站附近区域产生严重的道路拥堵情况;
各路段长度赋权计算如下:
式中:lr和lr,t为道路r的原始长度和在时刻t的加权长度;vr,t为道路r在时刻t的平均通行速度;
对于充电站周围区域路段,引入车桩比系数再次进行加权计算:
ρk,t′=γk,t′/Nk,
ωk,t=ρk,t′/min(ρ1,t′,ρ2,t′,...,ρN0,t′),
式中:lr,k和lr,k,t为充电站k周围区域路段原始长度和在时刻t的加权长度;vr,k,t为该路段在时刻t的平均通行速度;ωk,t为相应的加权系数;t′为电动汽车到达目标充电站的时刻;γk,t′为充电站代理商根据在时刻t由电动汽车用户上传的充电预约信息,估算的时刻t′充电站k内的电动汽车数量;ρk,t′为时刻t′充电站k的车桩比系数。
5.根据权利要求4所述的电动汽车充电实时优化调度方法,其特征在于,所述的双层实时优化调度模型中,上层优化模型的决策者为配电系统调度机构,通过确定充电站代理商的实时调度计划,使与其日前调度计划的偏差和网损最小,下层优化模型的决策者为充电站代理商,通过最小化电动汽车的等待时间成本并且最优地遵循配电系统调度机构的上层调度计划来确定电动汽车的最佳充电方案。
6.根据权利要求5所述的电动汽车充电实时优化调度方法,其特征在于,所述双层实时优化调度模型中,用δk,u,t表示充电站k内第u个充电桩在时刻t的连接状态,1/0表示有/没有电动汽车接入该充电桩;当有电动汽车接入时,记接入时刻为此时该电动汽车的SOC为车主设置的期望SOC为额定充电功率为电池容量为βk,u,充电效率为ηk,u;时刻t在充电站k的电动汽车集合记为Ωk,t,假设电动汽车达到期望SOC就完成充电,并驶离充电站。
7.根据权利要求6所述的电动汽车充电实时优化调度方法,其特征在于,所述的上层优化模型包括:
配电系统调度机构通过制定各充电站电动汽车充电站代理商各时刻的调度计划,使系统在研究时刻网损、实时调度计划与日前调度计划的偏差及与实时调度结果的偏差最小化;因此,上层目标函数ft upp包含3项:第1项为各充电站电动汽车充电站代理商实时调度计划与日前调度计划偏差,最小化可转移高峰负荷,保证充电站总充电负荷在时间上的合理分配;第2项为系统网损,最小化可实现各个充电站负荷在电空间上的合理分配;第3项为下层各充电站实际调度结果与实时调度计划的偏差;配电系统含有N个节点和L条线路,综合优化的目标函数如下:
式中:ω1、ω2和ω3分别为不同目标对应的权重;为配电系统调度机构确定的充电站k充电站代理商在时刻t的实时调度计划功率;为配电系统调度机构确定的充电站k在时刻t的日前调度计划功率;rl为线路l的电阻;Pl,t和Ql,t分别为时刻t线路l的有功和无功潮流;V0为线路电压基准值;Pk,u,t为时刻t充电站k内第u个充电桩连接电动汽车的充电功率。
8.根据权利要求7所述的电动汽车充电实时优化调度方法,其特征在于,所述的上层优化模型还包括以下约束条件:
1)基于Distflow模型的潮流约束
对支路潮流非线性约束进行线性化处理,首先定义并进行二阶锥松弛转化,得:
式中:A和A″分别为节点-支路关联矩阵和支路头节点-支路关联矩阵,(A·B)ij=AijBij;Pl,t和Ql,t分别为时刻t各线路的有功和无功潮流向量;PG,t和QG,t分别为时刻t注入各节点的有功和无功出力向量;PL,t和QL,t分别为时刻t各节点的有功和无功负荷向量;Pt plan为配电系统调度机构确定的各充电站代理商在时刻t的实时调度计划功率向量;为时刻t各节点电压幅值平方的向量;为时刻t线路l头节点的电压幅值平方;为时刻t各线路电流幅值平方的向量;R=diag(r1,r2,…,rl,…,rL),X=diag(x1,x2,…,xl,…,xL),R和X分别为以各线路电阻和电抗为对角的矩阵;G=diag(G1,G2,…,Gi,…,GN),B=diag(B1,B2,…,Bi,…,BN),Gi和Bi分别为第i个节点在节点导纳矩阵中的实部与虚部;
2)变压器容量约束
式中:PGi,t和QGi,t分别为时刻t注入节点i的有功和无功出力;Stran,i为节点i的变压器容量,T为调度时段总数;
3)线路传输功率约束
式中:Pl max和分别为线路l最大传输有功和无功功率,T为调度时段总数;
4)节点电压约束
式中:为时刻t节点i的电压幅值平方;和分别为节点i的电压幅值平方的上、下限,T为调度时段总数;
5)各充电站可调度容量约束
式中:为每台充电桩的最大充电功率,T为调度时段总数。
9.根据权利要求7所述的电动汽车充电实时优化调度方法,其特征在于,所述的下层优化模型包括:
各充电站代理商通过对所管辖充电站电动汽车充电功率的控制,使电动汽车等待时间成本以及电动汽车实际充电负荷与配电系统调度机构所给定调度计划间的偏差最小化;对于充电站代理商k,在时刻t的优化模型描述为:
γk,u,t-1≤γk,u,t≤δk,u,t,
Sk,u,t≤Smax,
式中:为充电站代理商k在时刻t的目标函数;和分别为充电站k内电动汽车在时刻t的等待时间成本和充电站代理商k的上下层调度偏差惩罚;πw为单位充电电量等待成本;πd为上下层调度偏差的惩罚系数;ρ和θ分别表示反映电动汽车等待时间的加权系数;γk,u,t为0-1变量,表示时刻t充电站k内第u个充电桩连接电动汽车的充电状态;Sk,u,t为时刻t充电站k内第u个充电桩连接电动汽车的SOC;为充电站k内第u个充电桩连接电动汽车离开时的SOC,为相应的离开时刻;Smax为SOC上限。
10.根据权利要求1或2所述的电动汽车充电实时优化调度方法,其特征在于,双层实时优化调度模型中,上层优化模型为二阶锥规划问题,下层优化模型为大规模混合整数二次规划问题,采用MATLAB环境下的YALMIP/CPLEX来迭代求解所建立的双层模型,双层模型的迭代一直持续到达到收敛标准,收敛准则定义为:上下级之间的调度偏差小于设定值ε。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811088144.1A CN109523051B (zh) | 2018-09-18 | 2018-09-18 | 一种电动汽车充电实时优化调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811088144.1A CN109523051B (zh) | 2018-09-18 | 2018-09-18 | 一种电动汽车充电实时优化调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109523051A true CN109523051A (zh) | 2019-03-26 |
CN109523051B CN109523051B (zh) | 2020-12-01 |
Family
ID=65771022
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811088144.1A Active CN109523051B (zh) | 2018-09-18 | 2018-09-18 | 一种电动汽车充电实时优化调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109523051B (zh) |
Cited By (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110458332A (zh) * | 2019-07-18 | 2019-11-15 | 天津大学 | 一种基于负荷空间转移的电动汽车快速充电需求调度方法 |
CN110570050A (zh) * | 2019-09-25 | 2019-12-13 | 国网浙江省电力有限公司经济技术研究院 | 一种计及路-网-车的电动汽车充电引导方法 |
CN110689210A (zh) * | 2019-11-14 | 2020-01-14 | 国网江苏省电力有限公司 | 一种计及三种类型充电桩的电动汽车充电站优化配置方法 |
CN110688743A (zh) * | 2019-09-12 | 2020-01-14 | 南京蓝人电力科技有限公司 | 一种电动公交车充电站经济充电方法 |
CN110705779A (zh) * | 2019-09-27 | 2020-01-17 | 河海大学 | 计及交通流时域耦合的电力-交通网多时段协同调度方法 |
CN110751409A (zh) * | 2019-10-28 | 2020-02-04 | 华北电力大学 | 考虑储能系统和交通分配的电动汽车充电管理方法及系统 |
CN110797866A (zh) * | 2019-11-06 | 2020-02-14 | 国网湖南省电力有限公司 | 电动汽车参与电网调频/调压的动态路径规划方法 |
CN110880755A (zh) * | 2019-11-06 | 2020-03-13 | 国网浙江省电力有限公司经济技术研究院 | 计及引导型充电控制的充电网络与配电网络协同规划方法 |
CN111016689A (zh) * | 2019-12-13 | 2020-04-17 | 国网江苏省电力有限公司 | 滚动时域中电动汽车接入不确定性的充电负荷处理方法 |
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 |
CN111391692A (zh) * | 2019-12-09 | 2020-07-10 | 重庆邮电大学 | 基于车舱温度差异控制的电动汽车有序充放电系统及方法 |
CN111724207A (zh) * | 2020-06-19 | 2020-09-29 | 国网福建省电力有限公司电力科学研究院 | 一种考虑cps的电动汽车充电站动态定价方法及系统 |
CN111915146A (zh) * | 2020-07-08 | 2020-11-10 | 东北大学秦皇岛分校 | 基于流体模型的按需出行系统充电与再平衡联合调度方法 |
CN112183882A (zh) * | 2020-10-19 | 2021-01-05 | 武汉理工大学 | 一种基于电动汽车快充需求的智慧充电站充电优化方法 |
CN112785048A (zh) * | 2021-01-07 | 2021-05-11 | 太原理工大学 | 计及电动汽车用户需求的直流微电网经济调度方法 |
CN112926788A (zh) * | 2021-03-17 | 2021-06-08 | 南京工程学院 | 一种基于时间量化的anp双边利益模糊评价模型的电动汽车充电调度方法 |
CN113094852A (zh) * | 2021-03-31 | 2021-07-09 | 东北电力大学 | 一种电动汽车充电负荷时-空分布计算方法 |
CN113268709A (zh) * | 2021-04-21 | 2021-08-17 | 国网天津市电力公司 | 基于智能体仿真的城市电动汽车充电需求预测方法及系统 |
CN113326594A (zh) * | 2021-05-28 | 2021-08-31 | 南京工程学院 | 一种基于微观交通仿真的电动汽车换电站与电网互动方法及系统 |
CN113393109A (zh) * | 2021-06-07 | 2021-09-14 | 杭州电子科技大学 | 电动汽车充电负荷计算方法 |
CN113673069A (zh) * | 2020-05-14 | 2021-11-19 | 南京行者易智能交通科技有限公司 | 一种新能源公交车充电模型的设计方法、装置及移动端设备 |
CN114475331A (zh) * | 2021-08-31 | 2022-05-13 | 武汉大学 | 一种考虑负荷反弹的电动汽车聚合优化调度方法 |
CN114537195A (zh) * | 2022-04-24 | 2022-05-27 | 南通电发新能源科技有限公司 | 一种新能源动力车的充电方法 |
CN114548518A (zh) * | 2022-01-21 | 2022-05-27 | 广州蔚景科技有限公司 | 一种电动汽车有序充电控制方法 |
CN114626206A (zh) * | 2022-02-22 | 2022-06-14 | 南京理工大学 | 一种面向交直流配电网的电动汽车时空调度建模方法 |
CN114640133A (zh) * | 2022-03-15 | 2022-06-17 | 国网江苏省电力有限公司苏州供电分公司 | 一种基于实时信息的城市电网电动汽车协同调控方法及系统 |
CN116384678A (zh) * | 2023-04-04 | 2023-07-04 | 国网江苏省电力有限公司电力科学研究院 | 一种基于交通网和配电网的电动汽车实时充电引导方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110112883A1 (en) * | 2009-11-12 | 2011-05-12 | Infosys Technologies Limited | Method and system for assessing the progress of a project in terms of its schedule |
CN104361416A (zh) * | 2014-11-27 | 2015-02-18 | 国家电网公司 | 一种考虑大规模电动汽车接入的电网双层优化调度方法 |
CN107092985A (zh) * | 2017-04-13 | 2017-08-25 | 大连理工大学 | 一种面向电动汽车群柔性充放电响应的主动配电网阻塞调度方法 |
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 |
CN108320064A (zh) * | 2018-04-28 | 2018-07-24 | 国电南瑞南京控制系统有限公司 | 一种电动汽车与风电协同充电双层优化调度方法 |
-
2018
- 2018-09-18 CN CN201811088144.1A patent/CN109523051B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110112883A1 (en) * | 2009-11-12 | 2011-05-12 | Infosys Technologies Limited | Method and system for assessing the progress of a project in terms of its schedule |
CN104361416A (zh) * | 2014-11-27 | 2015-02-18 | 国家电网公司 | 一种考虑大规模电动汽车接入的电网双层优化调度方法 |
CN107092985A (zh) * | 2017-04-13 | 2017-08-25 | 大连理工大学 | 一种面向电动汽车群柔性充放电响应的主动配电网阻塞调度方法 |
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 |
CN108320064A (zh) * | 2018-04-28 | 2018-07-24 | 国电南瑞南京控制系统有限公司 | 一种电动汽车与风电协同充电双层优化调度方法 |
Cited By (42)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110458332A (zh) * | 2019-07-18 | 2019-11-15 | 天津大学 | 一种基于负荷空间转移的电动汽车快速充电需求调度方法 |
CN110688743A (zh) * | 2019-09-12 | 2020-01-14 | 南京蓝人电力科技有限公司 | 一种电动公交车充电站经济充电方法 |
CN110688743B (zh) * | 2019-09-12 | 2023-04-07 | 南京蓝人电力科技有限公司 | 一种电动公交车充电站经济充电方法 |
CN110570050A (zh) * | 2019-09-25 | 2019-12-13 | 国网浙江省电力有限公司经济技术研究院 | 一种计及路-网-车的电动汽车充电引导方法 |
CN110570050B (zh) * | 2019-09-25 | 2022-05-24 | 国网浙江省电力有限公司经济技术研究院 | 一种计及路-网-车的电动汽车充电引导方法 |
CN110705779A (zh) * | 2019-09-27 | 2020-01-17 | 河海大学 | 计及交通流时域耦合的电力-交通网多时段协同调度方法 |
CN110751409B (zh) * | 2019-10-28 | 2022-03-29 | 华北电力大学 | 考虑储能系统和交通分配的电动汽车充电管理方法及系统 |
CN110751409A (zh) * | 2019-10-28 | 2020-02-04 | 华北电力大学 | 考虑储能系统和交通分配的电动汽车充电管理方法及系统 |
CN110797866A (zh) * | 2019-11-06 | 2020-02-14 | 国网湖南省电力有限公司 | 电动汽车参与电网调频/调压的动态路径规划方法 |
CN110880755A (zh) * | 2019-11-06 | 2020-03-13 | 国网浙江省电力有限公司经济技术研究院 | 计及引导型充电控制的充电网络与配电网络协同规划方法 |
CN110797866B (zh) * | 2019-11-06 | 2023-05-26 | 国网湖南省电力有限公司 | 电动汽车参与电网调频/调压的动态路径规划方法 |
CN110689210A (zh) * | 2019-11-14 | 2020-01-14 | 国网江苏省电力有限公司 | 一种计及三种类型充电桩的电动汽车充电站优化配置方法 |
CN111391692A (zh) * | 2019-12-09 | 2020-07-10 | 重庆邮电大学 | 基于车舱温度差异控制的电动汽车有序充放电系统及方法 |
CN111016689A (zh) * | 2019-12-13 | 2020-04-17 | 国网江苏省电力有限公司 | 滚动时域中电动汽车接入不确定性的充电负荷处理方法 |
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 |
CN111242362B (zh) * | 2020-01-07 | 2020-10-23 | 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 |
CN113673069A (zh) * | 2020-05-14 | 2021-11-19 | 南京行者易智能交通科技有限公司 | 一种新能源公交车充电模型的设计方法、装置及移动端设备 |
CN113673069B (zh) * | 2020-05-14 | 2023-11-03 | 南京行者易智能交通科技有限公司 | 一种新能源公交车充电模型的设计方法、装置及移动端设备 |
CN111724207A (zh) * | 2020-06-19 | 2020-09-29 | 国网福建省电力有限公司电力科学研究院 | 一种考虑cps的电动汽车充电站动态定价方法及系统 |
CN111915146B (zh) * | 2020-07-08 | 2022-08-23 | 东北大学秦皇岛分校 | 基于流体模型的按需出行系统充电与再平衡联合调度方法 |
CN111915146A (zh) * | 2020-07-08 | 2020-11-10 | 东北大学秦皇岛分校 | 基于流体模型的按需出行系统充电与再平衡联合调度方法 |
CN112183882A (zh) * | 2020-10-19 | 2021-01-05 | 武汉理工大学 | 一种基于电动汽车快充需求的智慧充电站充电优化方法 |
CN112785048A (zh) * | 2021-01-07 | 2021-05-11 | 太原理工大学 | 计及电动汽车用户需求的直流微电网经济调度方法 |
CN112785048B (zh) * | 2021-01-07 | 2023-09-08 | 太原理工大学 | 计及电动汽车用户需求的直流微电网经济调度方法 |
CN112926788B (zh) * | 2021-03-17 | 2023-09-29 | 南京工程学院 | 一种基于时间量化的anp双边利益模糊评价模型的电动汽车充电调度方法 |
CN112926788A (zh) * | 2021-03-17 | 2021-06-08 | 南京工程学院 | 一种基于时间量化的anp双边利益模糊评价模型的电动汽车充电调度方法 |
CN113094852B (zh) * | 2021-03-31 | 2023-06-09 | 东北电力大学 | 一种电动汽车充电负荷时-空分布计算方法 |
CN113094852A (zh) * | 2021-03-31 | 2021-07-09 | 东北电力大学 | 一种电动汽车充电负荷时-空分布计算方法 |
CN113268709A (zh) * | 2021-04-21 | 2021-08-17 | 国网天津市电力公司 | 基于智能体仿真的城市电动汽车充电需求预测方法及系统 |
CN113326594A (zh) * | 2021-05-28 | 2021-08-31 | 南京工程学院 | 一种基于微观交通仿真的电动汽车换电站与电网互动方法及系统 |
CN113326594B (zh) * | 2021-05-28 | 2023-08-01 | 南京工程学院 | 一种基于微观交通仿真的电动汽车换电站与电网互动方法及系统 |
CN113393109A (zh) * | 2021-06-07 | 2021-09-14 | 杭州电子科技大学 | 电动汽车充电负荷计算方法 |
CN114475331A (zh) * | 2021-08-31 | 2022-05-13 | 武汉大学 | 一种考虑负荷反弹的电动汽车聚合优化调度方法 |
CN114475331B (zh) * | 2021-08-31 | 2024-04-02 | 武汉大学 | 一种考虑负荷反弹的电动汽车聚合优化调度方法 |
CN114548518A (zh) * | 2022-01-21 | 2022-05-27 | 广州蔚景科技有限公司 | 一种电动汽车有序充电控制方法 |
CN114548518B (zh) * | 2022-01-21 | 2024-06-18 | 广州蔚景科技有限公司 | 一种电动汽车有序充电控制方法 |
CN114626206A (zh) * | 2022-02-22 | 2022-06-14 | 南京理工大学 | 一种面向交直流配电网的电动汽车时空调度建模方法 |
CN114640133A (zh) * | 2022-03-15 | 2022-06-17 | 国网江苏省电力有限公司苏州供电分公司 | 一种基于实时信息的城市电网电动汽车协同调控方法及系统 |
CN114640133B (zh) * | 2022-03-15 | 2024-02-23 | 国网江苏省电力有限公司苏州供电分公司 | 一种基于实时信息的城市电网电动汽车协同调控方法及系统 |
CN114537195A (zh) * | 2022-04-24 | 2022-05-27 | 南通电发新能源科技有限公司 | 一种新能源动力车的充电方法 |
CN116384678A (zh) * | 2023-04-04 | 2023-07-04 | 国网江苏省电力有限公司电力科学研究院 | 一种基于交通网和配电网的电动汽车实时充电引导方法 |
CN116384678B (zh) * | 2023-04-04 | 2023-09-15 | 国网江苏省电力有限公司电力科学研究院 | 一种基于交通网和配电网的电动汽车实时充电引导方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109523051B (zh) | 2020-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109523051A (zh) | 一种电动汽车充电实时优化调度方法 | |
CN109034465B (zh) | 考虑充电站选址与出行路径耦合的充电站两层规划方法 | |
CN110570050B (zh) | 一种计及路-网-车的电动汽车充电引导方法 | |
Shukla et al. | Multi‐objective synergistic planning of EV fast‐charging stations in the distribution system coupled with the transportation network | |
CN107133415B (zh) | 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 | |
Chen et al. | Optimal routing and charging of an electric vehicle fleet for high-efficiency dynamic transit systems | |
CN107323300A (zh) | 一种基于路‑站‑车联合模型的电动汽车预约充电方法 | |
CN109711630A (zh) | 一种基于出行概率矩阵的电动汽车快充站选址定容方法 | |
CN109492791B (zh) | 基于充电引导的城际高速路网光储充电站定容规划方法 | |
CN107292449A (zh) | 一种含多微网主动配电系统分散协同经济调度方法 | |
CN107104454A (zh) | 计及电动汽车功率可调控域的最优潮流节点电价计算方法 | |
CN107453381B (zh) | 基于两阶段交叉控制的电动汽车集群功率调节方法及系统 | |
Li et al. | Strategic pricing of electric vehicle charging service providers in coupled power-transportation networks | |
CN112193116A (zh) | 一种考虑奖励机制的电动汽车充电优化引导策略 | |
Liu et al. | A multi-objective decision-making approach for the optimal location of electric vehicle charging facilities | |
CN110059937A (zh) | 一种集成电动汽车全轨迹空间的负荷建模方法 | |
Zhong et al. | A fast-charging navigation strategy for electric vehicles considering user time utility differences | |
CN110232219A (zh) | 一种基于数据挖掘的电动汽车可调度容量核定方法 | |
Zhong et al. | Charging navigation strategy for electric vehicles considering empty-loading ratio and dynamic electricity price | |
CN115759606A (zh) | 一种电动汽车与氢燃料电池汽车充电加氢负荷模拟方法及装置 | |
Fan et al. | Optimal shared mobility planning for electric vehicles in the distribution network | |
He et al. | Expansion planning of electric vehicle charging stations considering the benefits of peak‐regulation frequency modulation | |
CN106408452A (zh) | 含多分布式电源配电网的电动汽车充电站优化配置方法 | |
CN109583136A (zh) | 基于可调度潜力的电动汽车充换储一体站模型建立方法 | |
Cheng et al. | Decentralized scheduling optimization for charging‐storage station considering multiple spatial‐temporal transfer factors of electric vehicles |
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 |