CN109693573B - 促进可再生能源消纳的电动汽车集群充电功率优化方法 - Google Patents

Abstract

本发明涉及促进可再生能源消纳的电动汽车集群充电功率优化方法，包括如下步骤：S1建立电动汽车集合器组合配置与运行的数学模型，并根据该模型确定包括电动汽车在内的负荷供电的费用和总功率损耗总成本最小化的目标函数及其潮流分析的通用约束条件以及系统稳定运行的约束条件；S2制定两阶段算法，将变量分成两类，即EVA最优配置的主要问题和单个电动汽车最优充电策略的子问题；S3将主‑子问题的优化变量分为EVA优化配置和优化配置下的功率调节两个部分，主‑子问题迭代求解直至满足收敛条件以确保每个电动汽车的充电计划能够满足总体目标的要求。本发明在给定的EVA配置下，EVA的最佳配置和电动汽车充电功率调节使总成本最小化。

Description

促进可再生能源消纳的电动汽车集群充电功率优化方法

技术领域

本发明属于电动汽车充电技术领域，尤其涉及促进可再生能源消纳的电动汽车集群充电功率优化方法。

背景技术

现代社会的能源危机和日益增长的环境压力为电动汽车(EV)产业带来了发展机遇。许多国家的政府提供了相应的战略计划，以引导未来运输系统的电气化、低碳排放或无碳排放化。然而，电动汽车的大规模普及将给电力系统的可靠性和电力供应质量带来全新的挑战。为了控制大量的电动汽车接入电网并使其满足电力系统的需要，即车辆到电网技术，电动汽车集群控制器(EVA)通常作为电动汽车和配电系统运营商(DSO)之间的中间控制实体被引入。合理配置EVA可以减少控制大量电动汽车充电功率引起的控制复杂性，以此达到成本最小化，峰值削减和电能质量改进等成果。

关于电力系统中电动汽车充电功率优化调度的研究已有很多了。从EVA的角度来看，我们需要找到EVA最优的位置和大小。常用差分进化和PSO算法用于解决优化问题，目标是总成本的最小化。所得到的最优解决方案可以给出充电站的位置和最佳充电点数。但是这种模型搭建并没有把电力系统网络纳入考虑范围之内。其余的目标函数被用来找到EVA的最优位置和大小调整以达到EVA利润的最大化，但这样就忽略了一些用户侧的实际问题，例如电动车充电高峰期的电能质量恶化和所有电动车用户的需求满足。

因此，基于这些问题，提供一种在给定的EVA配置下，EVA的最佳配置和电动汽车充电功率调节使总成本最小化的电动汽车充电功率优化方法，具有重要的现实意义。

发明内容

本发明的目的在于克服现有技术的不足，提供一种在给定的EVA配置下，EVA的最佳配置和电动汽车充电功率调节使总成本最小化的电动汽车充电功率优化方法。

本发明解决其技术问题是采取以下技术方案实现的：

促进可再生能源消纳的电动汽车集群充电功率优化方法，包括如下步骤：

S1、建立电动汽车集合器组合配置与运行的数学模型，并根据该模型确定包括电动汽车在内的负荷供电的费用和总功率损耗总成本最小化的目标函数及其潮流分析的通用约束条件以及系统稳定运行的约束条件；

其中，所述包括电动汽车在内的负荷供电的费用和总功率损耗总成本最小化的目标函数为：

式中，ρ(t)是t时刻的实时电价；P_Ld(t)是原有配电系统的净功率负荷；P_EVAi(t)是节点i累积的电动汽车充电功率；P_Ls(t)是t时刻的总功率损耗；Δt是在电动汽车充电功率的调度中定义的时间间隔；

所述目标函数的约束条件分别为：

式中，I_ij(t)是支路电流，G_ij和B_ij表示电网的导纳矩阵，U_i和U_j是节点电压，I_ijmax是线路传输的最大电流，

和

是节点电压的最大值和最小值，

和

是节点电压的实部和虚部；

S2、制定两阶段算法，将变量分成两类，即EVA最优配置的主要问题和单个电动汽车最优充电策略的子问题；

S3、主-子问题迭代求解；其中：所述主要问题的目标函数为步骤S1中目标函数，子问题在主要问题中给出的EVA的配置参数下执行电动汽车充电功率的最优调度，其表述为：

其中，

为单个电动汽车的充电率，它是在主要问题中给出的参数下要优化的子问题的决策变量；

每个电动汽车行进的距离L的概率分布函数如下式：

式中，σ_m和μ_m是指数分布的参数，用于模拟电动汽车的随机行进距离；

根据行驶距离，每个电动汽车所需的电力充电量计算如下：

式中，CB_EV,ini是初始SOC，CB_EV,ed是停车期结束时的SOC，CB_EV是电池存储容量，λ是每单位距离的功耗；

S301、在主要问题中，首先计算EVA的配置参数，此时忽略每个单独电动汽车的充电计划，只给出整体集群的总充电功率调节量，从而限制含EVA的配电网优化调度中变量的数量以及集群的总体功率水平，并扩展问题的可行区域；

S302、将EVA的配置参数作为输入数据提供给子问题，在给定EVA配置下制定集群内每辆电动汽车的充电计划，并检查电网运行和电动汽车需求的约束，以确保每个电动汽车的充电计划能够满足总体目标的要求；

S303、在最优配置的主要问题和最优充电策略的子问题之间进行迭代直至满足收敛条件，并在每次迭代中检查电网运行和电动汽车需求的约束，以确定混合优化算法的解决方案。

其中，需要说明的是，所述主要问题的目标函数中的节点上电动汽车聚集的位置作为决定性变量，服从下式：

LC_EVAi∈{0,1}

式中LC_EVAi是EVA的位置，在此算法中定义为二进制变量；

同时EVA的位置LC_EVAi满足下式：

其中，

和

是计划安装在电力系统中的电动汽车集合器的最小数量和最大数量，具体取决于电动汽车充电基础设施的建设预算。

此外，所述步骤S1中，节点i累积的电动汽车充电功率P_EVAi(t)可表述为：

其中，

是在节点i上安装的EVA的控制领域中的单个电动汽车的充电率；

t时刻的总功率损耗P_Ls(t)可表述为：

式中，P_ij和Q_ij是节点i和j之间的电路上传输的有功和无功功率；|V_i|是节点i的电压幅度，R_ij是节点i和j之间的电阻。

本发明的优点和积极效果是：

1、本发明采用部分群优化PSO和序列二次规划SQP推导出两阶段混合优化算法，将原问题分解为优化配置与所有EV充电功率优化两个部分，主-子问题迭代求解以降低综合优化算法的复杂度；

2、本发明基于部分群优化PSO和序列二次规划SQP的混合优化算法，在给定的EVA配置下，EVA的最佳配置和电动汽车充电功率调节可以使总成本最小化。

附图说明

以下将结合附图和实施例来对本发明的技术方案作进一步的详细描述，但是应当知道，这些附图仅是为解释目的而设计的，因此不作为本发明范围的限定。此外，除非特别指出，这些附图仅意在概念性地说明此处描述的结构构造，而不必要依比例进行绘制。

图1是本发明电动汽车集群充电设施的配置与运行综合优化方法流程图；

图2是本发明实施例中电动汽车集群接入IEEE123节点配电网的拓扑结构图；

图3是本发明实施例中电动汽车接入配电网的典型日负荷曲线与功率损耗；

图4是本发明实施例中电动汽车接入IEEE123配电网的负荷分布；

图5是本发明实施例中电动汽车接入IEEE123配电网的节点电压；

图6是本发明实施例中与电动汽车接入31节点C相和107节点B相的负荷曲线图；

图7是本发明实施例中与电动汽车接入31节点C相和107节点B相的电压曲线图；

图8是本发明实施例中31节点C相的电动汽车集群内充电站场景下的两种车型的充电功率和电池SOC变化曲线；

图9是本发明实施例中31节点C相的电动汽车集群内家庭充电场景下的两种车型的充电功率和SOC曲线图；

图10是本发明实施例中107节点B相的电动汽车集群充电站场景下的两种车型的充电功率和电池SOC变化曲线；

图11是本发明实施例中所有EV到达目标SOC时间的分布图。

具体实施方式

首先，需要说明的是，以下将以示例方式来具体说明本发明的具体结构、特点和优点等，然而所有的描述仅是用来进行说明的，而不应将其理解为对本发明形成任何限制。此外，在本文所提及各实施例中予以描述或隐含的任意单个技术特征，仍然可在这些技术特征(或其等同物)之间继续进行任意组合或删减，从而获得可能未在本文中直接提及的本发明的更多其他实施例。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

下面就结合图1至图11来具体说明本发明。

实施例1

如图1～11所示，本实施例提供的基于EVA最优配置的促进可再生能源消纳的电动汽车集群充电功率优化方法，包括以下步骤：

S1、在安装EVA的电动汽车集群充电设施中，以混合整型规划的配电网优化调度算法为基础，在Matlab2016a编程环境下建立电动汽车集合器配置与运行的数学模型；根据电动汽车集合器组合配置与运行的数学模型，得到包括电动汽车在内的负荷供电的费用和总功率损耗总成本最小化的目标函数；根据电动汽车集合器组合配置与运行的数学模型，建立配电网潮流方程约束条件。

其中，包括电动汽车在内的负荷供电的费用和总功率损耗总成本最小化的目标函数为：

式中，ρ(t)是t时刻的实时电价；P_Ld(t)是原有配电系统的净功率负荷；P_EVAi(t)是节点i累积的电动汽车充电功率；P_Ls(t)是t时刻的总功率损耗；Δt是在电动汽车充电功率的日前最佳调度中定义的时间间隔，即1小时；

其中，节点i累积的电动汽车充电功率P_EVAi(t)可表述为：

其中，

是在节点i上安装的EVA的控制领域中的某辆电动汽车的充电功率；

t时刻的总功率损耗P_Ls(t)可表述为：

其中，P_ij和Q_ij是节点i和j之间的电路上传输的有功功率和无功功率；|V_i|是节点i的电压幅度，R_ij是节点i和j之间的电阻。

所述目标函数的约束条件为：

式中，I_ij(t)是节点i和j之间的支路电流；G_ij和B_ij表示电网的导纳矩阵的实部和虚部；U_i和U_j分别是节点i和j的节点电压；I_ijmax是节点i和j之间线路传输的最大电流；

和

是i节点电压的最大值和最小值；

和

是i节点电压的实部和虚部；

S2、制定两阶段算法，将变量分成两类，即EVA配置和单个电动汽车的最优充电计划，将原问题转化为最优配置的主要问题和最优充电策略的子问题；

S3、将主-子问题的优化变量分为EVA优化配置和优化配置下的功率调节两个部分，主-子问题迭代求解直至满足收敛条件，并在每次迭代中检查电网运行和电动汽车需求的约束，以确保每个电动汽车的充电计划能够满足总体目标的要求；

具体的，包括如下过程：①在主要问题中，首先计算EVA的配置参数，此时忽略每个单独电动汽车的充电计划，只给出整体集群的总充电功率调节量，从而限制含EVA的配电网优化调度中变量的数量以及集群的总体功率水平，并略微扩展问题的可行区域；②将EVA的配置参数作为输入数据提供给子问题，在给定EVA配置下制定集群内每辆电动汽车的充电计划，并检查电网运行和电动汽车需求的约束，以确保每个电动汽车的充电计划能够满足总体目标的要求；③在最优配置的主要问题和最优充电策略的子问题之间进行迭代直至满足收敛条件，以确定混合优化算法的解决方案。

所述步骤3中，主要问题的目标函数即步骤S1中的目标函数：

式中，ρ(t)是t时刻的实时电价；P_Ld(t)是原有配电系统的净功率负荷；P_EVAi(t)是节点i累积的电动汽车充电功率；P_Ls(t)是t时刻的总功率损耗；Δt是在电动汽车充电功率的日前最佳调度中定义的时间间隔，即1小时；

其中，节点i累积的电动汽车充电功率P_EVAi(t)可表述为：

其中，

是在节点i上安装的EVA的控制领域中的单个电动汽车的充电率；

t时刻的总功率损耗P_Ls(t)可表述为：

式中，P_ij和Q_ij是节点i和j之间的电路上传输的有功和无功功率；|V_i|是节点i的电压幅度，R_ij是节点i和j之间的电阻。

每个节点上电动汽车聚集的功率容量作为决定性变量，服从：

式中，

是总充电功率的上限，即接入节点i的电动汽车集群的容量；

其中，总充电功率上限

可表述为：

式中，

是EVA的功率容量；

电动汽车集群接入的的节点上电动汽车聚集的位置作为决定性变量，服从下式：

LC_EVAi∈{0,1}

式中LC_EVAi是EVA的位置，在此算法中定义为二进制变量；

同时EVA的位置LC_EVAi满足下式：

其中，

和

是计划安装在电力系统中的电动汽车集合器的最小数量和最大数量，具体取决于电动汽车充电基础设施的建设预算；

子问题在主要问题中给出的EVA的配置参数下执行电动汽车充电功率的最优调度，其表述为：

其中，

为单个电动汽车的充电率，它是在主要问题中给出的参数下要优化的子问题的决策变量；

每个电动汽车行进的距离L的概率分布函数如下式：

式中，σ_m和μ_m是指数分布的参数，用于模拟电动汽车的随机行进距离；

根据行驶距离，每个电动汽车所需的电力充电量计算如下：

式中，CB_EV,ini是初始SOC，CB_EV,ed是停车期结束时的SOC，CB_EV是电池存储容量，λ是每单位距离的功耗。

如图1所示，采用部分群优化(PSO)和序列二次规划(SQP)推导出两阶段混合优化算法，将原问题分解为优化配置与所有EV充电功率优化两个部分，主-子问题迭代求解以降低综合优化算法的复杂度。在流程图1中，混合优化算法的解决方案需要获得EVA配置参数最优解以及在该配置下集群内每辆EV的充电计划。其流程包括：

在主要问题中，计算EVA的配置参数，并忽略每个单独电动汽车的充电计划，只计算集群整体充电功率的调节范围，从而限制配电系统中变量的数量和集群的总体功率水平，并略微扩展问题的可行区域；将选定的EVA配置参数作为输入参数提供给子问题，并检查电网运行和电动汽车需求的约束，以确保每个电动汽车的充电计划能够满足总体目标的要求。

如图2所示，是本实施例中采用的三相不平衡IEEE 123节点配电网进行的仿真研究；如图3所示，是对于时间序列的仿真，采用IEEE123节点标准算例的负荷作为各时段负荷的基准值：根据图2所示的日负荷曲线按比例调整各时段配网节点负荷；每日电能价格采用分时电价，包括两个主要时期，考虑到电动汽车基础设施的预算，计划安装在测试网络中的EVA的最小数量和最大数量被设置为5和8，并且在目标函数中假设EVA的运行成本为零。

在本实施例中，可接受的电压范围被认为在0.95p.u和1.05p.u之间，此电压偏差作为配网的运行约束条件。EVA的配置与运行综合优化考虑两种场景：家庭充电和充电站。表1和表2给出了两种场景下的参数以及电动汽车模型和充电基础设施的设置。在每种场景下，选择具有不同电池存储容量但在同一类别的轿车中的两种类型的电动汽车。假设家庭充电在夜间发生，用于通勤的电动汽车在他们在工作场所停车时在充电站充电，EV的接入时间和驶离时间服从平均分布，参数如表2所示，根据用户行驶行为不同，算例中每种场景包含两类停车时间，即表中的EVI和EVII。

表1电动汽车种类和电动汽车充电基础设施的仿真参数

表2电动汽车集群的充电场景

通过比较在无控制和采用优化方案两种条件下的电网运行经济可靠性以及电动汽车充电效果，验证所提出方法的有效性。IEEE123节点配网的负荷和EVA充电优化结果如图3所示；负荷高峰时段的各节点功率与电压如图4和图5所示；在不受控制和最优控制这两种情况下，负荷和电压曲线的受控情况表明，若电动汽车充电负荷在第二天的23:00至5:00期间切换到非高峰时段，电力损耗将会减少，因此总功率损耗减少，高峰时段也将明显减少。只要在出发时间前达到所需的SOC，且在白天非高峰时段内有两种类型的电动汽车正在充电，那么在此充电站中就可以找到类似的结果。在考虑到阶梯电价的情况下，在非高峰时段给电动汽车充电，将会以较低的电价，较少的电力损失，进一步降低目标功耗。接入不同配网节点的电动汽车充电站以及家庭充电桩可以看到相似的结果，如图6和7所示，在满足停车时长和目标SOC等要求的前提下尽量将充电负荷移至低负荷时段。阶梯电价引导EV充电负荷向低电价的负荷低谷移动，实现最小化运行成本和网损的优化目标。

如表3所示，电动汽车集群控制器的最佳位置是从一组候选节点中选择的。电动汽车的容量是每个节点上的最大总充电功率。停车期间的总充电功率分配给控制器领域下的每一辆电动汽车。充电站优化调度计算每辆EV的充电计划，所有EV充电总量上限为充电站容量，EVA协调充电站每辆EV的充电状态实现总充电负荷在电网中的最优分布。在充电站与家庭充电两种场景下，接入节点31C相和107B相的充电站中的EV充电计划如图8-10所示：图中给出不同类型EV的充电曲线和SOC状态，接入31节点C相的电动汽车集群内充电站场景下的两种车型的充电功率和电池SOC变化曲线如图8所示，家庭充电场景下的两种车型如图9所示，接入107节点B相的电动汽车集群内充电站快充的两种车型的充电功率和电池SOC曲线如图10所示。可以看出在为电网提供可调控能力的同时，优化算法满足EV的充电要求在停车时长内达到电池目标SOC。如图11所示，计算了在家庭充电和在充电站充电这两种情况下，接入123节点配电网的所有电动汽车在达到所需SOC的时间分布情况，参照表2所示的家庭充电和充电站两种场景下电动汽车停车时间段设置，家庭充电可在2点到5点内完成，充电站充电可在15点到18点内完成，停车时段内的充电功率根据优化调度目标进行调节，从图11可以看出，即使集群内不同电动汽车充电功率曲线根据最优控制算法而变化，不同类型的电动汽车在出发前也达到了预期的充电目标。

表3电动汽车集群控制器的优化配置

节点	EV类型	相位	比例
				1	两种场景下EVⅠ、EVⅡ	A	55％
31	家庭充电场景下EVⅠ、EVⅡ	C	8％
				39	家庭充电场景下EVⅠ、EVⅡ	B	9％
87	家庭充电场景下EVⅠ、EVⅡ	B	6％
				107	两种场景下EVⅠ、EVⅡ	B	22％

充电基础设施的合理配置和优化运行可以加速电动汽车的广泛应用，同时降低电力系统的运营成本和风险。在此背景下，本发明研究的EVA的最优配置以及配置和操作的组合优化，提出的两阶段混合优化算法，可以有效地设计主要问题和子问题，从而解决了EVA的最优配置和操作问题，减少了计算工作量。通过实施包括参数配置和电动汽车充电计划在内的最优解决方案，可以保证电动汽车充电的电力系统的经济可靠运行。

以上实施例对本发明进行了详细说明，但所述内容仅为本发明的较佳实施例，不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等，均应仍归属于本发明的专利涵盖范围之内。

Claims (3)

1.促进可再生能源消纳的电动汽车集群充电功率优化方法，其特征在于：包括如下步骤：

S1、建立电动汽车集合器组合配置与运行的数学模型，并根据该模型确定包括电动汽车在内的负荷供电的费用和总功率损耗总成本最小化的目标函数及其潮流分析的通用约束条件以及系统稳定运行的约束条件；

其中，所述包括电动汽车在内的负荷供电的费用和总功率损耗总成本最小化的目标函数为：

式中，ρ(t)是t时刻的实时电价；P_Ld(t)是原有配电系统的净功率负荷；P_EVAi(t)是节点i累积的电动汽车充电功率；P_Ls(t)是t时刻的总功率损耗；Δt是在电动汽车充电功率的调度中定义的时间间隔；

所述目标函数的约束条件分别为：

(V_i ^min)²≤V_i ^r(t)²+V_i ^im(t)²≤(V_i ^max)²

式中，I_ij(t)是支路电流，G_ij和B_ij表示电网的导纳矩阵，U_i和U_j是节点电压，I_ijmax是线路传输的最大电流，V_i ^max和V_i ^min是节点电压的最大值和最小值，V_i ^r(t)和V_i ^im(t)是节点电压的实部和虚部；

S2、制定两阶段算法，将变量分成两类，即EVA最优配置的主要问题和单个电动汽车最优充电策略的子问题；

S3、主-子问题迭代求解；其中：所述主要问题的目标函数为步骤S1中目标函数，子问题在主要问题中给出的EVA的配置参数下执行电动汽车充电功率的最优调度，其表述为：

其中，

为单个电动汽车的充电率，它是在主要问题中给出的参数下要优化的子问题的决策变量；

每个电动汽车行进的距离L的概率分布函数如下式：

式中，σ_m和μ_m是指数分布的参数，用于模拟电动汽车的随机行进距离；

根据行驶距离，每个电动汽车所需的电力充电量计算如下：

式中，CB_EV,ini是初始SOC，CB_EV,ed是停车期结束时的SOC，CB_EV是电池存储容量，λ是每单位距离的功耗；

S301、在主要问题中，首先计算EVA的配置参数，此时忽略每个单独电动汽车的充电计划，只给出整体集群的总充电功率调节量，从而限制含EVA的配电网优化调度中变量的数量以及集群的总体功率水平，并扩展问题的可行区域；

S302、将EVA的配置参数作为输入数据提供给子问题，在给定EVA配置下制定集群内每辆电动汽车的充电计划，并检查电网运行和电动汽车需求的约束，以确保每个电动汽车的充电计划能够满足总体目标的要求；

S303、在最优配置的主要问题和最优充电策略的子问题之间进行迭代直至满足收敛条件，并在每次迭代中检查电网运行和电动汽车需求的约束，以确定混合优化算法的解决方案。

2.根据权利要求1所述的促进可再生能源消纳的电动汽车集群充电功率优化方法，其特征在于：所述主要问题的目标函数中的节点上电动汽车聚集的位置作为决定性变量，服从下式：

LC_EVAi∈{0,1}

式中LC_EVAi是EVA的位置，在此算法中定义为二进制变量；

同时EVA的位置LC_EVAi满足下式：

其中，

和

是计划安装在电力系统中的电动汽车集合器的最小数量和最大数量，具体取决于电动汽车充电基础设施的建设预算。

3.根据权利要求2所述的促进可再生能源消纳的电动汽车集群充电功率优化方法，其特征在于：所述步骤S1中，节点i累积的电动汽车充电功率P_EVAi(t)可表述为：

其中，

是在节点i上安装的EVA的控制领域中的单个电动汽车的充电率；

t时刻的总功率损耗P_Ls(t)可表述为：

式中，P_ij和Q_ij是节点i和j之间的电路上传输的有功和无功功率；|V_i|是节点i的电压幅度，R_ij是节点i和j之间的电阻。

Images