CN110503309A - 基于主动需求响应的电动汽车充电调度方法 - Google Patents
基于主动需求响应的电动汽车充电调度方法 Download PDFInfo
- Publication number
- CN110503309A CN110503309A CN201910692503.2A CN201910692503A CN110503309A CN 110503309 A CN110503309 A CN 110503309A CN 201910692503 A CN201910692503 A CN 201910692503A CN 110503309 A CN110503309 A CN 110503309A
- Authority
- CN
- China
- Prior art keywords
- user
- value
- economic incentives
- charging schedule
- moment
- 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
- 238000007600 charging Methods 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 title claims abstract description 49
- 230000004044 response Effects 0.000 title claims abstract description 49
- 230000005611 electricity Effects 0.000 claims abstract description 65
- 230000005284 excitation Effects 0.000 claims description 28
- 238000010248 power generation Methods 0.000 claims description 17
- 230000029305 taxis Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 7
- 238000005381 potential energy Methods 0.000 claims description 7
- 238000006467 substitution reaction Methods 0.000 claims description 4
- 239000011885 synergistic combination Substances 0.000 claims description 4
- 238000000059 patterning Methods 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 235000006508 Nelumbo nucifera Nutrition 0.000 claims description 2
- 240000002853 Nelumbo nucifera Species 0.000 claims description 2
- 235000006510 Nelumbo pentapetala Nutrition 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000006116 polymerization reaction Methods 0.000 description 27
- 230000008859 change Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000009977 dual effect Effects 0.000 description 3
- 230000002829 reductive effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000007306 turnover Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000012795 verification 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
- G06Q10/06—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
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Educational Administration (AREA)
- General Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于主动需求响应的电动汽车充电调度方法，方法包括：采集用户的充电需求数据；所述用户包括私家车用户和出租车用户；根据用户的充电需求数据，结合电网系统条件、天气状况信息、历史报价信息和负荷数据信息，计算批发电价；建立经济激励值‑用电量曲线；根据经济激励值‑用电量曲线，构建最优充电调度模型；通过最优充电调度模型确定经济激励值和充电量。本发明的需求响应建立在用户自愿响应的基础上，用户有权选择是否参与响应，提高了用户的参与意愿度；另外，本发明通过对用户的经济激励，使得方案更易于实施，可广泛应用于电力系统及其自动化技术领域。
Description
技术领域
本发明涉及电力系统及其自动化技术领域，尤其是基于主动需求响应的电动汽车充电调度方法。
背景技术
大量电动汽车接入电网充电会对电网产生重要影响，为有效降低其负面影响，已有较多有序充电方面的研究成果发表，主要可归结为直接充电负荷控制方法和电价引导方法。电价引导有静态分时电价和动态分时电价。
静态分时电价其费率和时段固定，简单易行，但可能导致系统负荷在夜间出现另外一个高峰，影响配网的安全运行。为解决这一问题，有研究者提出了动态分时电价，调度机构在有新的电动汽车入网时重新计算新的分时电价时段，但由于电动汽车不是同时接入电网，每当有电动汽车入网就要计算一次，计算量大。因此，当电动汽车数量达到一定规模后，无论是直接控制充电负荷还是用电价引导，由调度机构统一管理每辆电动汽车是不现实的。
比较可行的方案是通过聚合商对电动汽车实行分散管理。我国新电改提出了放开售电侧市场，允许不同的市场主体组建售电公司。电动汽车聚合商属于售电公司的一种，从批发市场购电再出售给电动汽车用户。作为一个追求利润的独立售电公司，聚合商的目的是最大限度地提高收益，因此，聚合商利益的优化是一个重要的问题。
随着电动汽车的发展，电动汽车不仅在私家车中占有很高比例，以出租车为代表的公共交通车辆也将逐步被电动汽车取代。与私家车相比，出租车每天需要保持更长时间地运行状态，需要消耗更多的电量，用电特性也更加复杂。由于电动汽车行为的随机性，聚合商从现货市场购电以满足用户的充电需求。聚合商会在日前市场购买一部分电能，但是到了实际时刻，用户的充电需求可能会和日前购买量有所差别，尤其是出租车，其接入电网的随机性较大，日前市场购买的电能可能与实际需求相差较大，因此需要进一步在实时市场进行交易。聚合商在实时市场购电时，需要确定购电量，这使得开展电动汽车聚合商充电调度的研究具有重要意义。
目前已有研究者研究了电动汽车聚合商在日前市场如何确定最优的充电量，但针对的电动汽车用户均为私家车，没有考虑电动出租车，而且也没有考虑需求响应。实时市场的批发电价是波动的，而如果聚合商对用户的零售电价固定，这会给聚合商带来一定的利润风险，此时聚合商可以通过向用户提供需求响应项目来降低损失。通过需求侧响应，一方面，用户可以通过响应聚合商的负荷调节信号来获得补贴；另一方面，聚合商可以利用需求侧的弹性在电力市场中选择更有利的报价策略,进而降低购电成本和运营风险，增加收益。
需求响应通常分为价格型需求响应和激励型需求响应。公开号为CN104966127A的发明专利“一种基于需求响应的电动汽车经济调度方法”提出了基于价格的需求响应方法，根据实时电价改变充电电价。另外，公开号为CN109088454A的发明专利“一种基于自动需求响应与实时电价的电动汽车充电方法”提出了利用电价引导电动汽车用户充电。
价格需求响应下，用户被迫接受随批发电价波动而变化的零售电价，在用户接受度和公平性方面存在问题，还可能会由于用户都选择低电价时段充电而导致新的负荷高峰。激励型需求响应中应用比较广泛的是可中断负荷，但由于该项目强制中断用户用电，给用户的生活带来不便，可能会引起用户的反感。
有研究者研究了普通负荷聚合商如何利用奖励劵激励用户减少负荷，其计算奖励券的方法有2种，方法1是聚合商向用户公布奖励劵，用户反馈给聚合商其用电量，聚合商重新计算奖励劵并再次公布，如此迭代多次直到收敛，这种方法花费的时间较长；方法2是聚合商在发放奖励劵之前先估计用户的响应，然而不同的估计方法会导致不同的结果，不够准确。现有技术的2种方法其本质均为被动需求响应。
发明内容
有鉴于此，本发明实施例提供一种易于实施且能提高用户参与意愿度的，基于主动需求响应的电动汽车充电调度方法。
一方面，本发明实施例提供了一种基于主动需求响应的电动汽车充电调度方法，包括以下步骤：
采集用户的充电需求数据；所述用户包括私家车用户和出租车用户；
根据用户的充电需求数据，结合电网系统条件、天气状况信息、历史报价信息和负荷数据信息，计算批发电价；
建立经济激励值-用电量曲线；
根据经济激励值-用电量曲线，构建最优充电调度模型；
通过最优充电调度模型确定经济激励值和充电量。
进一步，所述根据用户的充电需求数据，结合电网系统条件、天气状况信息、历史报价信息和负荷数据信息，计算批发电价这一步骤，具体为：
根据用户的充电需求数据、电网系统条件、天气状况信息、历史报价信息和负荷数据信息，通过求解实时市场出清模型计算批发电价；
其中，所述实时市场出清模型为：
所述实时市场出清模型的约束条件为：
qit min≤qit≤qit max:ωit min,ωit max,
其中，N为发电商的数量，cit为发电商i在t时刻的报价参数，qit为发电商i在t时刻的发电量；xt为聚合商在实时市场的购电量；Dt为其他实时平衡负荷；λt为实时市场的出清电价；qitmin和qitmax分别为发电商t时刻发电量的最小值和最大值；ωitmin和ωitmax分别为约束条件对应的拉格朗日乘子。
进一步，所述建立经济激励值-用电量曲线这一步骤，包括以下步骤：
获取有充电需求的用户提交的放弃充电所要求的经济激励值，进而构建经济激励值-用电量曲线；
根据用户对经济激励值的响应方式的不同，将用户划分为第一用户和第二用户；
其中，所述第一用户不响应经济激励；
所述第二用户的经济激励值计算公式为：
其中，C0为不响应激励时用户的电费；Aj为用户j上报的激励值；Pj为用户j的充电功率；B为期望的电费减少率。
进一步，还包括以下步骤：
出租车用户计算出在指定时刻不充电所要求的经济激励。
进一步，所述根据经济激励值-用电量曲线，构建最优充电调度模型这一步骤，包括以下步骤：
构建最优充电调度模型的目标函数和约束条件；
根据目标函数和约束条件确认最优充电调度模型。
进一步，所述目标函数的表达式为：
maxpxt-λtxt-ktPAt-(xdt0-xdt)At
其中，maxpxt为聚合商的售电收入，λtxt为购电成本，ktPAt为向响应激励的出租车用户所发放的激励成本，(xdt0-xdt)At为向响应激励的私家车用户发放的激励成本。
进一步，所述约束条件为：
其中，kt>0；p为零售电价；xt为t时刻总负荷；At为t时刻的经济激励；Ats为t时刻第s个经济激励数据，At(s+1)为t时刻第s+1个经济激励数据，S为经济激励值的个数，Atmin、Atmax分别为t时刻经济激励的最小值和最大值；nt和kt分别为t时刻原来准备充电的出租车数量和放弃充电的出租车数量；xdt0为t时刻原计划要充电的私家车负荷；xdt为t时刻充电的私家车负荷。
进一步，所述通过最优充电调度模型确定经济激励值和充电量这一步骤，包括以下步骤：
将最优充电调度模型转换成混合整数线性规划模型；
采用拉格朗日替代法与分支切割法的协同组合方法求解混合整数线性规划模型；
根据求解结果，通过优化计算确定经济激励值和最终的充电量；
向用户发放经济激励，并向电力市场交易中心提交购电量。
进一步，还包括以下步骤：
通过仿真计算来验证电动汽车充电调度方法的有效性。
上述本发明实施例中的技术方案具有如下优点：本发明的实施例首先采集用户的充电需求数据，然后建立经济激励值-用电量曲线以及最优充电调度模型，最后确定经济激励值和充电量；本发明的需求响应建立在用户自愿响应的基础上，用户有权选择是否参与响应，提高了用户的参与意愿度；另外，本发明通过对用户的经济激励，使得方案更易于实施。
附图说明
图1为本发明实施例的步骤流程图；
图2为本发明实施例的模型求解过程示意图。
具体实施方式
下面结合说明书附图和具体实施例对本发明作进一步解释和说明。对于本发明实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
如图1所示，本发明实施例提供了一种基于主动需求响应的电动汽车充电调度方法，包括以下步骤：
S1、采集用户的充电需求数据；所述用户包括私家车用户和出租车用户；
S2、根据用户的充电需求数据，结合电网系统条件、天气状况信息、历史报价信息和负荷数据信息，计算批发电价；
具体的，本实施例采集私家车和出租车用户的充电需求。根据电网公布的系统条件或者天气情况的重大变化，结合历史报价和负荷数据，通过求解实时市场出清模型计算批发电价。
在实时电力市场中，交易中心采用统一电价出清，市场出清模型的目标为发电商成本最低，决策变量为市场电价和各发电商的发电量，即通过求解以下模型进行出清：
目标函数为
约束条件为
qitmin≤qit≤qitmax:ωitmin,ωitmax,
式中，N为发电商的数量，cit为发电商i在t时刻的报价参数，qit为发电商i在t时刻的发电量；xt为聚合商在实时市场的购电量；Dt为其他实时平衡负荷；qitmin和qitmax分别为发电商t时刻发电量的最小值和最大值；λt为实时市场的出清电价；ωitmin和ωitmax分别为约束条件(3)对应的拉格朗日乘子。
S3、建立经济激励值-用电量曲线；
具体的，本实施例的聚合商通知有充电需求的用户提交放弃充电所要求的经济激励值，然后综合各个用户上报的数据得到总的“经济激励值-用电量”曲线。
根据私家车用户对激励的响应方式不同，将私家车用户分为以下2类。
第一类用户：出行时间距离当前时间很紧，剩余电池容量较少，需要立刻充电，则该类用户不响应经济激励。
第二类用户：出行时间距离当前时间较长，是否响应激励与其收入水平有关。不同收入水平的用户，对接受激励后电费支出减少率的响应不同，这里采用用户向聚合商上报其所要求的激励值的方式，各用户计算出使其电费减少率达到自己期望的激励值并上报给聚合商，即通过式(4)计算激励值。
式中，C0为不响应激励时用户的电费，Aj为用户j上报的激励值，Pj为用户j的充电功率，B为期望的电费减少率。
另外，出租车用户向聚合商上报的数据为其t时刻不充电所要求的经济激励，其计算原理如下：
出租车电池的电量是有限的，对于任意时刻的某一剩余电量，可以计算出出租车的可运营时间T和可充电时段。为使出租车保持运营状态，在可运营时间内至少选择1个时段充电。例如，假设电动出租车的电池余量为10％时可运营1个时段。为减少电池损耗，设在剩余电量为20％时，必须充电。则在某时段t，出租车1剩余电量为20％，则为了使出租车保持运营状态，出租车1必须在t马上充电；出租车2剩余电量为30％，则可运营时间为[t,t+1]，可充电时段为t和t+1，为保持运营状态，必须至少从这2个时段中选择1个充电；出租车3剩余电量为40％，则可运营时间为[t,t+2]，可充电时段为t、t+1、t+2，从这3个时段中至少选择1个充电可保证正常运营。
设出租车为恒功率充放电，充电一个时段增加电量Eh，运营一个时段消耗电量Ef，Eh＝β×Ef，β为比例系数。从中选择了一个时段充电以后，出租车电池的剩余电量得到了更新，下一个可运营区间也相应变化。
出租车每个时段的营业额Rt不同，将Rt-Rt'min(t'≠t,t'∈T)作为出租车在t时段不充电的经济激励Aj，其中Rt'min为除t时刻之外的其他时刻营业额的最小值。这里假设在相同收益下，车主会放弃在当前时刻充电，并假设车主会真实上报Aj。
聚合商将n个用户上报的单位电量激励值Am(m＝1,2，…，n)从小到大排列，计算出每个激励值下用户的充电量，则可得到充电量-经济激励曲线，其数学表达式为
x为充电负荷；A为单位电量激励值，Amin、Amax分别为经济激励的最小值和最大值，As为第s个经济激励数据；n为一开始准备充电的出租车数量，k为放弃充电的出租车数量，S为经济激励值的个数；P为出租车的充电功率；xd0为响应激励之前的私家车负荷，xd为响应激励后的私家车负荷。
S4、根据经济激励值-用电量曲线，构建最优充电调度模型；
具体的，本实施例建立聚合商的最优充电调度模型，该模型是一个二层模型，上层以聚合商利润最大化为目标，下层为以发电商成本最低为目标的市场出清模型。
目标函数为
maxpxt-λtxt-ktPAt-(xdt0-xdt)At--(6)
约束条件为
kt>0--(8)
式(6)中，maxpxt为聚合商的售电收入，λtxt为购电成本，ktPAt为向响应激励的出租车用户所发放的激励成本，(xdt0-xdt)At为向响应激励的私家车用户发放的激励成本。
式(6)(7)和(8)中，p为零售电价；xt为t时刻总负荷；At为t时刻的经济激励；Ats为t时刻第s个经济激励数据，At(s+1)为t时刻第s+1个经济激励数据，S为经济激励值的个数，Atmin、Atmax分别为t时刻经济激励的最小值和最大值；nt和kt分别为t时刻原来准备充电的出租车数量和放弃充电的出租车数量；xdt0为t时刻原计划要充电的私家车负荷；xdt为t时刻充电的私家车负荷；λt由式(1)-(3)得到。
S5、通过最优充电调度模型确定经济激励值和充电量。
具体的，本实施例将该模型转化为混合整数线性规划模型，采用拉格朗日替代法与分支切割法的协同组合方法求解。通过优化计算确定经济激励值和最终的充电量，向用户发放经济激励，向电力市场交易中心提交购电量。
本实施例中实时市场出清模型的KKT条件为
cit-λt-ωitmin+ωitmax＝0--(9)
0≤ωitmax⊥qitmax-qit≥0--(11)
0≤ωitmin⊥qit-qitmin≥0--(12)
上述(10)-(11)所示的KKT条件可通过引入二进制变量将其线性化为如下最优条件：
0≤ωitmax≤Mωmaxθωimax--(13)
0≤qitmax-qit≤Mωmax(1-θωimax)--(14)
0≤ωitmin≤Mωminθωimin--(15)
0≤qit-qitmin≤Mωmin(1-θωimin)--(16)
式中，Mωmax、Mωmin为足够大的常数；θωimax、θωimin为二进制变量。
模型目标函数中的λtxt为非线性项，可利用强对偶理论将其线性化。根据强对偶理论，原问题的目标函数等于对偶问题的目标函数，对于实时市场出清模型，即
进一步可得：
式(18)所示等式右边的表达式为线性表达式。
xt为关于At的分段函数，为方便求解，将式(7)变换为式(19)。
式中，yut为0-1变量，yut＝1表示At在第u个区间，yut＝0表示At不在第u个区间。l为分段区间个数。由于u＝1时不进行激励，竞标模型是在需要激励时才进行计算，因此，式(19)中u从2开始。
至此，该模型成为一个混合整数线性规划模型，利用拉格朗日替代法与分支切割法的协同组合方法求解该模型模型，其算法流程图如图2所示。
另外，本实施例还具有以下步骤：
S6、以某电动汽车聚合商为例，进行仿真计算验证方法的有效性。
设出租车电池容量为60kWh，剩余SOC均匀分布在20％-80％，充电功率为30kW，耗电功率10kWh，设电池剩余SOC的下限值为20％。假设实际接入的私家车比日前预测多了250辆，其参数根据表1中的数据随机选取，为简化分析，设第一类用户占20％，第二类用户中60％的用户的期望电费支出减少率为10％，其余40％的用户期望电费支出减少率为20％。计算时段为1h。实时市场发电商的报价数据如表2所示，发电商4为风力发电商，其报价在一定范围内变化，取风力发电商4种不同的报价参数代表4种不同的批发电价情形。零售电价为50USD/MWh。拉格朗日松弛替代算法的迭代停止标准为对偶间隙大于1％，分支切割算法的迭代停止标准为计算时间超过10分钟，算法利用CLPEX软件实现。
表3给出了批发电价为50.57USD/MWh，出租车数量为160辆时，聚合商根据用户上报的激励值计算出的激励值为不同数值时对应的充电负荷，表中给出的是部分数据。
表4给出了批发电价和出租车数量不同的情形下，本发明提供的计及主动需求响应的电动汽车聚合商充电优化调度方法和不实施需求响应项目时的实时电价、经济激励总额、出租车和私家车充电负荷以及聚合商收益的计算结果，收益指收入减去成本。共分析了4种情形，情形1为实时批发电价较低的情形；情形2为批发电价稍高的情形；情形3为批发电价较高的情形；情形4为批发电价很高且出租车数量较大时的情形。表4中，“无”表示没有基于激励的需求响应项目，“有”表示会在需要时进行激励。结果表明，采用本发明提供的计及主动需求响应的电动汽车聚合商充电优化调度方法，当实时批发电价较低(情形1)时，聚合商没有动力进行激励；当实时批发电价较高(情形2至情形4)时，聚合商会进行激励。进行经济激励后，负荷减少，批发电价降低，聚合商的收益提高。
为了分析采用本发明提供的计及主动需求响应的电动汽车聚合商充电优化调度方法后，整个调度周期(一天)内聚合商的收益，表5给出了采用本发明提出的方法后，一天内聚合商收益并与无需求响应的情况进行比较。为简化分析，设计算的起始时刻有160辆出租车接入，其他时刻均未有新的出租车接入。从表5可以看出，本发明提供的计及主动需求响应的电动汽车聚合商充电优化调度方法使整个调度周期内聚合商的收益大于无需求响应的情况。
表1电动私家汽车数据的概率分布
表2发电商报价参数
表3不同激励值时聚合商计算的充电负荷
表4计算结果
表5整个调度周期内聚合商收益比较
综上所述，本发明基于主动需求响应的电动汽车充电调度方法具有以下优点：
1)、本发明提出的需求响应方式是建立在用户自愿响应的基础上，用户有权选择是否参与响应，参与意愿度更高。
2)、用户面对的是固定的零售电价，更易于接受，其实施背景与现有的固定零售电价模式一致，更容易实施。
3)、本发明采用用户通过与聚合商交流其放弃充电所要求的经济激励值来参与需求响应的主动需求响应方式，聚合商和用户之间迭代一次即可，计算量小。
在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外，在本发明的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
以上是对本发明的较佳实施进行了具体说明，但本发明并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (9)
1.基于主动需求响应的电动汽车充电调度方法，其特征在于：包括以下步骤：
采集用户的充电需求数据；所述用户包括私家车用户和出租车用户；
根据用户的充电需求数据，结合电网系统条件、天气状况信息、历史报价信息和负荷数据信息，计算批发电价；
建立经济激励值-用电量曲线；
根据经济激励值-用电量曲线，构建最优充电调度模型；
通过最优充电调度模型确定经济激励值和充电量。
2.根据权利要求1所述的基于主动需求响应的电动汽车充电调度方法，其特征在于：所述根据用户的充电需求数据，结合电网系统条件、天气状况信息、历史报价信息和负荷数据信息，计算批发电价这一步骤，具体为：
根据用户的充电需求数据、电网系统条件、天气状况信息、历史报价信息和负荷数据信息，通过求解实时市场出清模型计算批发电价；
其中，所述实时市场出清模型为：
所述实时市场出清模型的约束条件为：
其中，N为发电商的数量，cit为发电商i在t时刻的报价参数，qit为发电商i在t时刻的发电量；xt为聚合商在实时市场的购电量；Dt为其他实时平衡负荷；λt为实时市场的出清电价；qitmin和qitmax分别为发电商t时刻发电量的最小值和最大值；ωitmin和ωitmax分别为约束条件对应的拉格朗日乘子。
3.根据权利要求1所述的基于主动需求响应的电动汽车充电调度方法，其特征在于：还包括以下步骤：
出租车用户计算出在指定时刻不充电所要求的经济激励。
4.根据权利要求1所述的基于主动需求响应的电动汽车充电调度方法，其特征在于：所述建立经济激励值-用电量曲线这一步骤，包括以下步骤：
获取有充电需求的用户提交的放弃充电所要求的经济激励值，进而构建经济激励值-用电量曲线；
根据用户对经济激励值的响应方式的不同，将用户划分为第一用户和第二用户；
其中，所述第一用户不响应经济激励；
所述第二用户的经济激励值计算公式为：
其中，C0为不响应激励时用户的电费；Aj为用户j上报的激励值；Pj为用户j的充电功率；B为期望的电费减少率。
5.根据权利要求1所述的基于主动需求响应的电动汽车充电调度方法，其特征在于：所述根据经济激励值-用电量曲线，构建最优充电调度模型这一步骤，包括以下步骤：
构建最优充电调度模型的目标函数和约束条件；
根据目标函数和约束条件确认最优充电调度模型。
6.根据权利要求5所述的基于主动需求响应的电动汽车充电调度方法，其特征在于：
所述目标函数的表达式为：
max pxt-λtxt-ktPAt-(xdt0-xdt)At
其中，max pxt为聚合商的售电收入，λtxt为购电成本，ktPAt为向响应激励的出租车用户所发放的激励成本，(xdt0-xdt)At为向响应激励的私家车用户发放的激励成本。
7.根据权利要求5所述的基于主动需求响应的电动汽车充电调度方法，其特征在于：
所述约束条件为：
其中，kt>0；p为零售电价；xt为t时刻总负荷；At为t时刻的经济激励；Ats为t时刻第s个经济激励数据，At(s+1)为t时刻第s+1个经济激励数据，S为经济激励值的个数，Atmin、Atmax分别为t时刻经济激励的最小值和最大值；nt和kt分别为t时刻原来准备充电的出租车数量和放弃充电的出租车数量；xdt0为t时刻原计划要充电的私家车负荷；xdt为t时刻充电的私家车负荷。
8.根据权利要求1所述的基于主动需求响应的电动汽车充电调度方法，其特征在于：所述通过最优充电调度模型确定经济激励值和充电量这一步骤，包括以下步骤：
将最优充电调度模型转换成混合整数线性规划模型；
采用拉格朗日替代法与分支切割法的协同组合方法求解混合整数线性规划模型；
根据求解结果，通过优化计算确定经济激励值和最终的充电量；
向用户发放经济激励，并向电力市场交易中心提交购电量。
9.根据权利要求1所述的基于主动需求响应的电动汽车充电调度方法，其特征在于：还包括以下步骤：
通过仿真计算来验证电动汽车充电调度方法的有效性。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910692503.2A CN110503309B (zh) | 2019-07-30 | 2019-07-30 | 基于主动需求响应的电动汽车充电调度方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910692503.2A CN110503309B (zh) | 2019-07-30 | 2019-07-30 | 基于主动需求响应的电动汽车充电调度方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110503309A true CN110503309A (zh) | 2019-11-26 |
| CN110503309B CN110503309B (zh) | 2022-11-04 |
Family
ID=68587768
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910692503.2A Active CN110503309B (zh) | 2019-07-30 | 2019-07-30 | 基于主动需求响应的电动汽车充电调度方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110503309B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111762051A (zh) * | 2020-06-03 | 2020-10-13 | 国网上海市电力公司 | 基于聚合商的电动汽车参与受端电网低谷调峰需求响应调控方法 |
| CN111959330A (zh) * | 2020-08-28 | 2020-11-20 | 华北电力大学（保定） | 基于用户充电及出行习惯的用户dr方案定制方法 |
| CN114425964A (zh) * | 2022-02-10 | 2022-05-03 | 国网浙江省电力有限公司营销服务中心 | 一种自主参与需求响应的电动汽车充电桩控制器及方法 |
| CN114493329A (zh) * | 2022-02-14 | 2022-05-13 | 国网河北省电力有限公司营销服务中心 | 一种电动汽车的需求响应调控方法及装置 |
| CN114997631A (zh) * | 2022-05-26 | 2022-09-02 | 国网浙江电动汽车服务有限公司 | 一种电动汽车充电调度方法、装置、设备及介质 |
| CN115439138A (zh) * | 2022-08-03 | 2022-12-06 | 广东奔流能源有限公司 | 一种电动汽车充放电功率优化分配方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106712005A (zh) * | 2017-01-11 | 2017-05-24 | 东南大学 | 一种计及需求响应的电网安全优化调度方法 |
| CN107016504A (zh) * | 2017-04-05 | 2017-08-04 | 长沙理工大学 | 一种计及电动汽车随机模糊需求响应的调度优化建模及算法 |
| CN108573317A (zh) * | 2017-12-21 | 2018-09-25 | 国网江苏省电力有限公司南京供电分公司 | 一种换电站充放电策略优化控制的方法 |
| CN109866645A (zh) * | 2019-04-02 | 2019-06-11 | 东北大学 | 一种基于虚拟实时电价的电动汽车有序充电控制方法 |
-
2019
- 2019-07-30 CN CN201910692503.2A patent/CN110503309B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106712005A (zh) * | 2017-01-11 | 2017-05-24 | 东南大学 | 一种计及需求响应的电网安全优化调度方法 |
| CN107016504A (zh) * | 2017-04-05 | 2017-08-04 | 长沙理工大学 | 一种计及电动汽车随机模糊需求响应的调度优化建模及算法 |
| CN108573317A (zh) * | 2017-12-21 | 2018-09-25 | 国网江苏省电力有限公司南京供电分公司 | 一种换电站充放电策略优化控制的方法 |
| CN109866645A (zh) * | 2019-04-02 | 2019-06-11 | 东北大学 | 一种基于虚拟实时电价的电动汽车有序充电控制方法 |
Non-Patent Citations (1)
| Title |
|---|
| 李哲昊: "《电动汽车充电站优化控制研究》", 《电子制作》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111762051A (zh) * | 2020-06-03 | 2020-10-13 | 国网上海市电力公司 | 基于聚合商的电动汽车参与受端电网低谷调峰需求响应调控方法 |
| CN111762051B (zh) * | 2020-06-03 | 2022-09-02 | 国网上海市电力公司 | 基于聚合商的电动汽车参与受端电网低谷调峰需求响应调控方法 |
| CN111959330A (zh) * | 2020-08-28 | 2020-11-20 | 华北电力大学（保定） | 基于用户充电及出行习惯的用户dr方案定制方法 |
| CN111959330B (zh) * | 2020-08-28 | 2021-08-20 | 华北电力大学（保定） | 基于用户充电及出行习惯的用户dr方案定制方法 |
| CN114425964A (zh) * | 2022-02-10 | 2022-05-03 | 国网浙江省电力有限公司营销服务中心 | 一种自主参与需求响应的电动汽车充电桩控制器及方法 |
| CN114425964B (zh) * | 2022-02-10 | 2024-03-01 | 国网浙江省电力有限公司营销服务中心 | 一种自主参与需求响应的电动汽车充电桩控制器及方法 |
| CN114493329A (zh) * | 2022-02-14 | 2022-05-13 | 国网河北省电力有限公司营销服务中心 | 一种电动汽车的需求响应调控方法及装置 |
| CN114493329B (zh) * | 2022-02-14 | 2024-05-10 | 国网河北省电力有限公司营销服务中心 | 一种电动汽车的需求响应调控方法及装置 |
| CN114997631A (zh) * | 2022-05-26 | 2022-09-02 | 国网浙江电动汽车服务有限公司 | 一种电动汽车充电调度方法、装置、设备及介质 |
| CN115439138A (zh) * | 2022-08-03 | 2022-12-06 | 广东奔流能源有限公司 | 一种电动汽车充放电功率优化分配方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110503309B (zh) | 2022-11-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110503309A (zh) | 基于主动需求响应的电动汽车充电调度方法 | |
| Nunna et al. | Multiagent-based energy trading platform for energy storage systems in distribution systems with interconnected microgrids | |
| Fernandez et al. | A bi-level optimization-based community energy management system for optimal energy sharing and trading among peers | |
| Noori et al. | Light-duty electric vehicles to improve the integrity of the electricity grid through Vehicle-to-Grid technology: Analysis of regional net revenue and emissions savings | |
| Subramanian et al. | A two-layer model for dynamic pricing of electricity and optimal charging of electric vehicles under price spikes | |
| Qi et al. | Sharing demand-side energy resources-A conceptual design | |
| Nurre et al. | Managing operations of plug-in hybrid electric vehicle (PHEV) exchange stations for use with a smart grid | |
| Samende et al. | Multi-agent deep deterministic policy gradient algorithm for peer-to-peer energy trading considering distribution network constraints | |
| Tostado-Véliz et al. | A two-stage IGDT-stochastic model for optimal scheduling of energy communities with intelligent parking lots | |
| Safdarian et al. | Optimal electricity procurement in smart grids with autonomous distributed energy resources | |
| Seitaridis et al. | An agent-based negotiation scheme for the distribution of electric vehicles across a set of charging stations | |
| Alqahtani et al. | Dynamic energy scheduling and routing of a large fleet of electric vehicles using multi-agent reinforcement learning | |
| Rasheed et al. | Minimizing pricing policies based on user load profiles and residential demand responses in smart grids | |
| Valogianni et al. | Smart charging of electric vehicles using reinforcement learning | |
| Shokouhmand et al. | Stochastic optimal scheduling of electric vehicles charge/discharge modes of operation with the aim of microgrid flexibility and efficiency enhancement | |
| Chang et al. | Low carbon oriented collaborative energy management framework for multi-microgrid aggregated virtual power plant considering electricity trading | |
| Vincent et al. | Sustainable microgrid design with peer-to-peer energy trading involving government subsidies and uncertainties | |
| Mohammadnejad et al. | Possibilistic-probabilistic self-scheduling of PEVAggregator for participation in spinning reserve market considering uncertain DRPs | |
| Lin et al. | Aggregator pricing and electric vehicles charging strategy based on a two-layer deep learning model | |
| Qi et al. | Transactive Energy for EV Owners and Aggregators: Mechanism and Algorithms | |
| Yan et al. | Optimal scheduling strategy and benefit allocation of multiple virtual power plants based on general nash bargaining theory | |
| Hossein Abbasi et al. | Risk‐constrained offering strategies for a large‐scale price‐maker electric vehicle demand aggregator | |
| Valogianni et al. | Heterogeneous electric vehicle charging coordination: A variable charging speed approach | |
| Garcia et al. | Optimal bidding strategy of responsive demands in a new decentralized market-based scheme | |
| Charbonnier et al. | Active Players in Local Energy Markets |
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 |