CN110570043B - 一种风-网-站-车体系的调度方法及系统 - Google Patents

一种风-网-站-车体系的调度方法及系统 Download PDF

Info

Publication number
CN110570043B
CN110570043B CN201910869370.1A CN201910869370A CN110570043B CN 110570043 B CN110570043 B CN 110570043B CN 201910869370 A CN201910869370 A CN 201910869370A CN 110570043 B CN110570043 B CN 110570043B
Authority
CN
China
Prior art keywords
charging
power
time
station
wind
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.)
Active
Application number
CN201910869370.1A
Other languages
English (en)
Other versions
CN110570043A (zh
Inventor
钟嘉庆
王一鸣
张晓辉
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 CN201910869370.1A priority Critical patent/CN110570043B/zh
Publication of CN110570043A publication Critical patent/CN110570043A/zh
Application granted granted Critical
Publication of CN110570043B publication Critical patent/CN110570043B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开一种风‑网‑站‑车体系的调度方法及系统。该方法包括：获取充电站和支持调度的电动汽车信息；对获取的信息进行充电时间分群和充电功率分群；计算得到电动汽车未能按照预测进行充电的概率函数；以充电站作为收益方，建立经济收益最大化的目标函数；建立社会福利最大化的目标函数；建立约束条件并基于可信性理论进行不确定性处理得到风‑网‑站‑车体系调度的综合约束条件；对所述综合约束条件进行求解，得到优化调度结果。通过建立社会福利最大化目标函数，并以社会福利最大化目标函数为目标建立约束条件，实现对风‑网‑站‑车体系的优化调度，避免出现充电站拥堵或充电站空闲的情况发生，提高风力发电的电能利用率。

Description

一种风-网-站-车体系的调度方法及系统
技术领域
本发明涉及电力系统技术领域，特别是涉及一种风-网-站-车体系的调度方法及系统。
背景技术
风能的开发利用既缓解了能源危机，降低了污染物的排放，也提高了电力系统的经济性。然而，由于风电出力的随机性和波动性，弃风现象不断出现。近年来，电动汽车(electric vehicle,EV)的不断涌现为这一现状带来转机，形成了一种风-网-站-车体系，即由风力发电组件进行发电并将电能供给电网，再由电网将电能供给充电站，最后在充电站向电动汽车进行充电的体系。
随着EV用户的逐渐增多，很容易出现在同一充电站，同一时间段，有多个EV进行充电，需要EV用户等待的现象或者在同一充电站，同一时间段内没有EV进行充电，出现充电站空闲的现象，造成风力发电的电能利用率较低。
发明内容
本发明的目的是提供一种风-网-站-车体系的调度方法及系统，提升风-网-站-车体系中风力发电的电能利用率。
为实现上述目的，本发明提供了如下方案：
一种风-网-站-车体系的调度方法，所述方法包括：
获取充电站的充电时间段信息和若干个支持调度的电动汽车充电时间信息及状态信息；所述充电时间段信息包括快充充电时间段和慢充充电时间段；所述充电时间信息包括实际充电起始时刻和预测充电起始时刻；所述状态信息包括插电状态、未插电状态、当前的电荷量状态、快充状态和慢充状态；
根据所述充电时间段信息、所述充电时间信息和所述状态信息分别进行充电时间分群和充电功率分群；
根据充电时间分群结果和充电功率分群结果计算得到电动汽车未能按照预测进行充电的概率函数；
以充电站作为收益方，建立经济收益最大化的目标函数；
根据所述概率函数和所述经济收益最大化的目标函数建立社会福利最大化的目标函数；所述社会福利为电动汽车未能按照预测进行充电的概率和充电站的收益无量纲化后的数值之和；
以所述社会福利最大化的目标函数为目标，建立约束条件并基于可信性理论进行不确定性处理得到风-网-站-车体系调度的综合约束条件；
采用带收缩因子的粒子群算法对所述综合约束条件进行求解，得到风-网-站-车体系优化调度结果。
可选的，所述根据所述充电时间段信息、所述充电时间信息和所述状态信息分别进行充电时间分群和充电功率分群具体包括：
用各所述电动汽车的实际充电起始时刻减去预测充电起始时刻所得的时间差值分别与所述快充充电时间段和所述慢充充电时间段做对比，根据对比结果将各所述电动汽车标记为快充、慢充或超时，得到充电时间分群结果；
根据各所述电动汽车所处的插电状态、未插电状态、快充状态或慢充状态将各所述电动汽车标记为快充、慢充或断电得到充电功率分群结果；所述断电包括等待和行驶中。
可选的，所述用各所述电动汽车的实际充电起始时刻减去预测充电起始时刻所得的时间差值分别与所述快充充电时间段和所述慢充充电时间段做对比，根据对比结果将各所述电动汽车标记为快充、慢充或超时，得到充电时间分群结果具体包括：
判断所述时间差值是否小于0，得到第一判断结果；
若所述第一判断结果为是，则将对应的所述电动汽车标记为超时；
若所述第一判断结果为否，则判断所述时间差值是否小于所述快充充电时间段与充电时刻预测偏差之和，得到第二判断结果；
若所述第二判断结果为是，则将对应的所述电动汽车标记为快充；
若所述第二判断结果为否，则判断所述时间差值是否小于所述慢充充电时间段与所述充电时刻预测偏差之和，得到第三判断结果；
若所述第三判断结果为是，则将对应的所述电动汽车标记为慢充；
若所述第三判断结果为否，则将对应的所述电动汽车标记为超时。
可选的，所述根据各所述电动汽车所处的插电状态、未插电状态、快充状态或慢充状态将各所述电动汽车标记为快充、慢充或断电得到充电功率分群结果具体包括：
分别判断各所述电动汽车是否处于充电状态，得到第四判断结果；
若所述第四判断结果为否，则将对应的所述电动汽车标记为断电；
若所述第四判断结果为是，则判断各所述电动汽车是否处于快充状态，得到第五判断结果；
若所述第五判断结果为是，则将对应的所述电动汽车标记为快充；
若所述第五判断结果为否，则将对应的所述电动汽车标记为慢充。
可选的，所述根据充电时间分群结果和充电功率分群结果计算得到电动汽车未能按照预测进行充电的概率函数具体包括：
根据公式
Figure BDA0002202311430000031
计算得到电动汽车实际未能准时充电的概率；其中σT为所述电动汽车实际未能准时充电的概率，Nontime为电动汽车期望准时充电次数，Nact,ontime为电动汽车实际准时充电次数，且
Figure BDA0002202311430000032
T表示各电动汽车的一个调度周期，I(t,n)表示在充电时间分群结果中电动汽车充电是否准时的变量，当电动汽车被标记为快充或慢充时，I(t,n)取1，当电动汽车被标记为超时时，I(t,n)取0，n1表示在充电时间分群中被标记为快充的电动汽车个数，n2表示在充电时间分群中被标记为慢充的电动汽车个数；
根据公式
Figure BDA0002202311430000033
计算功率不满足电动汽车实际需求的概率；其中，σP为功率不满足电动汽车实际需求的概率，Pneed为电动汽车功率期望值，Pact为电动汽车实际功率值，
Figure BDA0002202311430000034
N1表示在充电功率分群中被标记为快充的电动汽车数量，
Figure BDA0002202311430000035
为电动汽车快速充电功率；
Figure BDA0002202311430000036
为在充电功率分群结果中被标记为快充的第i1辆电动汽车在t时刻的电池荷电量，
Figure BDA0002202311430000037
表示在充电功率分群结果中被标记为快充的第i1辆电动汽车；N2表示在充电功率分群中被标记为慢充的电动汽车数量，
Figure BDA0002202311430000038
为电动汽车慢速充电功率；
Figure BDA0002202311430000039
为在充电功率分群结果中被标记为慢充的在第i2辆电动汽车在t时刻的电池荷电量，
Figure BDA00022023114300000310
表示在充电功率分群结果中被标记为慢充的在第i2辆电动汽车；
根据公式F1＝ωPσP+ωTσT得到所述概率函数；其中F1表示概率函数；ωP为功率不满足电动汽车实际需求的概率系数；ωT为电动汽车实际未能准时充电的概率系数。
可选的，所述以充电站作为收益方，建立经济收益最大化的目标函数具体包括：
根据公式
Figure BDA0002202311430000041
计算得到风电厂经济收益；其中，T表示各电动汽车的一个调度周期，t表示一个调度周期内的某一时段，W为风电场的个数，j表示某一个风电厂，Cwind为风电上网电价，Pwind,act(j,t)为第j个风电场t时段的实际出力，σt1表示的是风电上网时段，Ppre(j,t)为第j个风电场t时段的预测出力，Cjc为风电场出力变化的奖惩费用系数；
根据公式
Figure BDA0002202311430000042
计算得到电动汽车充放电收益；其中Csg(t)为t时段充电站向电网的售电电价，Psg(t)表示t时段充电站向电网售电的功率，σt2为充电站的售电时段，Cbg(t)表示t时段充电站从电网的购电电价，Pbg(t)为t时段充电站从电网的购电功率，σt3为充电站的购电时段，N1为充电功率分群中被标记为快充的电动汽车数量；
Figure BDA0002202311430000043
为在充电功率分群结果中被标记为快充的第i1辆电动汽车在t时刻的电池荷电量，
Figure BDA0002202311430000044
表示在充电功率分群结果中被标记为快充的第i1辆电动汽车，Ccha(i1,t,n＝1)为第i1辆电动汽车t时段处于快充状态的充电电价，ηc为电动汽车的充电效率，N2为充电功率分群中被标记为慢充的电动汽车数量；Ccha(i2,t,n＝2)为第i2辆电动汽车t时段处于慢充状态的充电电价，N4为处于放电状态的电动汽车数量；Cdischa(i4,t)为第i4辆电动汽车t时段处于放电状态的充电电价，ηd为第i4辆电动汽车t时段处于放电状态的放电功率，
Figure BDA0002202311430000045
为电动汽车快速充电功率，
Figure BDA0002202311430000046
为电动汽车慢速充电功率，
Figure BDA0002202311430000047
为在充电功率分群结果中被标记为慢充的在第i2辆电动汽车在t时刻的电池荷电量，
Figure BDA0002202311430000051
表示在充电功率分群结果中被标记为慢充的在第i2辆电动汽车，
Figure BDA0002202311430000052
为电动汽车将放电功率中的多余电量反馈回电网的电量，
Figure BDA0002202311430000053
为充电功率分群中处于放电状态的第i4辆电动汽车在t时刻的电池荷电量；
根据公式max F2(t)＝F21(t)+F22(t)得到经济收益最大化的目标函数。
可选的，所述根据所述概率函数和所述经济收益最大化的目标函数建立社会福利最大化的目标函数具体包括：
根据公式
Figure BDA0002202311430000054
将充电站的收益做无量纲化处理；其中，F2(t)为经济收益，F2max(t)为经济预测最大值，F2max(t)＝Pow max(t)*Cmax，其中Pow max(t)是t时段的最大功率值，Cmax为调度周期内所有时段中的最高电价；
根据公式max F3(t)＝λ1F1(t)+λ2F2'(t)得到社会福利最大化目标函数；其中，F3(t)为社会福利，F1(t)为概率函数，λ1为概率函数系数，F2'(t)为充电站的收益做无量纲化处理后的函数，λ2为充电站的收益做无量纲化处理后的函数系数。
可选的，所述以所述社会福利最大化的目标函数为目标，建立约束条件并基于可信性理论进行不确定性处理得到风-网-站-车体系调度的综合约束条件具体包括：
以所述社会福利最大化的目标函数为目标分别建立风电机组约束条件、充电站总功率约束条件和电动汽车约束条件；
对所述充电站总功率约束条件中的风电出力和电动汽车负荷进行不确定性处理，得到清晰化约束条件
Figure BDA0002202311430000055
；γ为置信水平，梯形模糊数
Figure BDA0002202311430000056
表示电动汽车负荷，
Figure BDA0002202311430000057
θ1、θ2、θ3、θ4分别表示预测比例系数，
Figure BDA0002202311430000058
分别表示电动汽车负荷预测数据，梯形模糊数(Pw1,Pw2,Pw3,Pw4)表示电动汽车负荷，
Figure BDA0002202311430000059
Figure BDA00022023114300000510
分别表示并网运行的风电场出力；Ωw表示为风电场的集合，T表示一个调度周期，Psg(t)表示t时段充电站向电网售电的功率；Pcha(i,t)表示为第i辆电动汽车t时段的充电功率；Pdischa(j,t)表示为第j辆电动汽车t时段的放电功率，ηc为电动汽车的充电效率，σt2为充电站的售电时段，Pbg(t)为t时段充电站从电网的购电功率，σt3为充电站的购电时段，ηd为第i4辆电动汽车t时段处于放电状态的放电功率，σt4表示为充电站的售电时段，σt5表示为电动汽车的放电时段；
根据所述清晰化约束条件建立基于可信性测度的不等式约束条件
Figure BDA0002202311430000061
其中，Cr表示可信性测度，λ为模糊变量，Pact(j,t)为第j个风电场t时段的出力；
联立所述风电机组约束条件、电动汽车约束条件和基于可信性测度的不等式约束条件得到所述综合约束条件。
可选的，所述以所述社会福利最大化的目标函数为目标分别建立风电机组约束条件、充电站总功率约束条件和电动汽车约束条件具体包括：
根据公式
Figure BDA0002202311430000062
建立所述风电机组约束条件；其中，PN(j)为第j个风电机组的装机容量；Pwind,act(j,t)为第j个风电场t时段的实际出力；
根据公式
Figure BDA0002202311430000063
建立所述充电站总功率约束条件；其中
Figure BDA0002202311430000064
为调度周期内充电站最大功率，Psg(t)表示t时段充电站向电网售电的功率，Pbg(t)为t时段充电站从电网的购电功率，N1为在充电功率分群中被标记为快充的电动汽车数量，N2为在充电功率分群中被标记为慢充的电动汽车数量，N4为处于放电状态的电动汽车数量，
Figure BDA0002202311430000065
为在充电功率分群结果中被标记为快充的第i1辆电动汽车在t时刻的电池荷电量，
Figure BDA0002202311430000066
为电动汽车快速充电功率，
Figure BDA0002202311430000067
为电动汽车慢速充电功率，
Figure BDA0002202311430000068
为电动汽车放电功率将多余的电量反馈回电网，
Figure BDA0002202311430000069
为在充电功率分群结果中被标记为慢充的在第i2辆电动汽车在t时刻的电池荷电量，
Figure BDA00022023114300000610
为充电功率分群中处于放电状态的第i4辆电动汽车在t时刻的电池荷电量，ηc为电动汽车的充电效率，ηd为第i4辆电动汽车t时段处于放电状态的放电功率；
根据公式
Figure BDA0002202311430000071
建立所述电动汽车约束条件；其中式中：Psg max(t)为t时段充电站最大售电量；Pbg max(t)为t时段充电站最大购电量；Δt为电动汽车时间满意度的充电时刻预测偏差；ΔtN为电动汽车时间满意度的充电时刻预测最大偏差。
一种风-网-站-车体系的调度系统，所述系统包括：
数据获取模块，用于获取充电站的充电时间段信息和若干个支持调度的电动汽车充电时间信息及状态信息；所述充电时间段信息包括快充充电时间段和慢充充电时间段；所述充电时间信息包括实际充电起始时刻和预测充电起始时刻；所述状态信息包括插电状态、未插电状态、当前的电荷量状态、快充状态和慢充状态；
分群模块，用于根据所述充电时间段信息、所述充电时间信息和所述状态信息分别进行充电时间分群和充电功率分群；
概率函数生成模块，用于根据充电时间分群结果和充电功率分群结果计算得到电动汽车未能按照预测进行充电的概率函数；
收益最大化目标函数生成模块，用于以充电站作为收益方，建立经济收益最大化的目标函数；
社会福利最大化目标函数生成模块，用于根据所述概率函数和所述经济收益最大化的目标函数建立社会福利最大化的目标函数；所述社会福利为电动汽车未能按照预测进行充电的概率和充电站的收益无量纲化后的数值之和；
综合约束条件生成模块，用于以所述社会福利最大化的目标函数为目标，建立约束条件并基于可信性理论进行不确定性处理得到风-网-站-车体系调度的综合约束条件；
优化调度结果计算模块，用于采用带收缩因子的粒子群算法对所述综合约束条件进行求解，得到风-网-站-车体系优化调度结果。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
通过建立社会福利最大化目标函数，并以社会福利最大化目标函数为目标建立约束条件，并使用可信性理论进行不确定性处理得到调度的综合约束条件，再采用带收缩因子的粒子群算法对综合约束条件进行求解，得到风-网-站-车体系的优化调度方案，实现对风-网-站-车体系的优化调度，避免出现充电站拥堵或充电站空闲的情况发生，提高了风力发电的电能利用率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的风-网-站-车体系的调度方法流程；
图2为本发明实施例提供的某一天24时段的风电预测出力示意图；
图3为本发明实施例提供的风-网-站-车体系的调度系统结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种风-网-站-车体系的调度方法及系统，提升风-网-站-车体系中风力发电的电能利用率。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明实施例提供的风-网-站-车体系的调度方法流程，如图1所示，一种风-网-站-车体系的调度方法，所述方法包括：
S101：获取充电站的充电时间段信息和若干个支持调度的电动汽车充电时间信息及状态信息；所述充电时间段信息包括快充充电时间段和慢充充电时间段；所述充电时间信息包括实际充电起始时刻和预测充电起始时刻；所述状态信息包括插电状态、未插电状态、当前的电荷量状态、快充状态和慢充状态；
S102：根据所述充电时间段信息、所述充电时间信息和所述状态信息分别进行充电时间分群和充电功率分群；
S103：根据充电时间分群结果和充电功率分群结果计算得到电动汽车未能按照预测进行充电的概率函数；
S104：以充电站作为收益方，建立经济收益最大化的目标函数；
S105：根据所述概率函数和所述经济收益最大化的目标函数建立社会福利最大化的目标函数；所述社会福利为电动汽车未能按照预测进行充电的概率和充电站的收益无量纲化后的数值之和；
S106：以所述社会福利最大化的目标函数为目标，建立约束条件并基于可信性理论进行不确定性处理得到风-网-站-车体系调度的综合约束条件；
S107：采用带收缩因子的粒子群算法对所述综合约束条件进行求解，得到风-网-站-车体系优化调度结果。
上述步骤S102：根据所述充电时间段信息、所述充电时间信息和所述状态信息分别进行充电时间分群和充电功率分群具体包括：
步骤A：用正在充电和已经完成充电的所述电动汽车的实际充电起始时刻减去预测充电起始时刻所得的时间差值分别与所述快充充电时间段和所述慢充充电时间段做对比，根据对比结果将各所述电动汽车标记为快充、慢充或超时，得到充电时间分群结果；
步骤B：根据各所述电动汽车所处的插电状态、未插电状态、快充状态或慢充状态将各所述电动汽车标记为快充、慢充或断电得到充电功率分群结果；所述断电包括等待和行驶中。
具体地，本实施例中，对于可调度的EV，通过一个五维的行向量表示其所属状态，即
Mode＝[m,n,SOCN,TB,TE]
Figure BDA0002202311430000091
Figure BDA0002202311430000092
式中：m为电池组当前的充电状态标识；n为电池组当前的充电方式状态；SocN为当前的荷电量；TB为电动汽车可充电的起始时刻；TE为电动汽车可充电的终止时刻。充电时间为TP，h(小时)。公式表示如下：
TP＝TE-TB
以预测充电起始时刻、预测充电结束时刻以及实际充电起始时刻之间的关系作为分类标准，将EV分为三类：EV快速充电(快充)、EV慢速充电(慢充)和EV充电超时(超时)，进行充电时间分群，充电时间分群如表1所示。
表1 EV充电时间分群
Figure BDA0002202311430000104
其中：T′B表示实际充电的起始时刻，TB″表示预测充电起始时刻，Δt表示充电时刻预测偏差。
Figure BDA0002202311430000101
表示EV快充充电时间段,h。
Figure BDA0002202311430000102
表示EV慢充充电时间段,h。比如，在某一天的优化调度中，提前预测出这一天的充电情况，再根据当天的实际情况进行实时的优化调度，因此，实际充电的起始时刻指的是在一天的调度周期中已经进行充电的EV或者已经完成充电的EV，预测充电起始时刻指的是在一天的调度周期中，提前预测的充电时间。
本实施例中，再以充电状态和充电方式的不同作为分类标准，将EV分为三类：EV快速充电(快充)、EV慢速充电(慢充)和断电进行充电功率分群，其中断电包括等待和行驶中。充电功率分群结果如表2所示。
表2 EV充电功率分群
状态标识 状态分类标准 状态车数 状态描述
M<sub>1</sub> m＝1,n＝1 N<sub>1</sub> 快充
M<sub>2</sub> m＝1,n＝2 N<sub>2</sub> 慢充
M<sub>3</sub> m＝0,n＝1,2 N<sub>3</sub> 断电
其中断电包括等待和行驶中，行驶中即为放电状态。
上述步骤S103：根据充电时间分群结果和充电功率分群结果计算得到电动汽车未能按照预测进行充电的概率函数具体包括：
根据公式
Figure BDA0002202311430000103
计算得到电动汽车实际未能准时充电的概率；其中σT为所述电动汽车实际未能准时充电的概率，Nontime为电动汽车期望准时充电次数，Nact,ontime为电动汽车实际准时充电次数，且
Figure BDA0002202311430000111
T表示各电动汽车的一个调度周期，I(t,n)表示在充电时间分群结果中电动汽车充电是否准时的变量，当电动汽车被标记为快充或慢充时，I(t,n)取1，当电动汽车被标记为超时时，I(t,n)取0，n1表示在充电时间分群中被标记为快充的电动汽车个数，n2表示在充电时间分群中被标记为慢充的电动汽车个数；
根据公式
Figure BDA0002202311430000112
计算功率不满足电动汽车实际需求的概率；其中，σP为功率不满足电动汽车实际需求的概率，Pneed为电动汽车功率期望值，Pact为电动汽车实际功率值，
Figure BDA0002202311430000113
N1表示在充电功率分群中被标记为快充的电动汽车数量，
Figure BDA0002202311430000114
为电动汽车快速充电功率；
Figure BDA0002202311430000115
为在充电功率分群结果中被标记为快充的第i1辆电动汽车在t时刻的电池荷电量，
Figure BDA0002202311430000116
表示在充电功率分群结果中被标记为快充的第i1辆电动汽车；N2表示在充电功率分群中被标记为慢充的电动汽车数量，
Figure BDA0002202311430000117
为电动汽车慢速充电功率；
Figure BDA0002202311430000118
为在充电功率分群结果中被标记为慢充的在第i2辆电动汽车在t时刻的电池荷电量，
Figure BDA0002202311430000119
表示在充电功率分群结果中被标记为慢充的在第i2辆电动汽车；
根据公式F1＝ωPσP+ωTσT得到所述概率函数；其中F1表示概率函数；ωP为功率不满足电动汽车实际需求的概率系数；ωT为电动汽车实际未能准时充电的概率系数。
本实施例中考虑并网风电场的接入，建立以风-网-站-车体系中充电站经济收益最大化的目标函数。
风-网-站-车体系中充电站的经济性以收益F2最大为目标，其中F21为风电场经济收益，F22为EV充放电收益，表示方法如下：
max F2＝F21+F22
对于风-网-站-车体系中并网运行的风电场存在两方面效益。其一是风电上网收益，每当电网接收一度风电，风电场即获得一部分相应效益；其二是风电预测功率与实际功率不匹配所需支付的成本：
Figure BDA0002202311430000121
式中：W为风电场的个数；Cwin d为风电上网电价；Pwind,act(j,t)为第j个风电场t时段的实际出力，kW；σt1表示的是风电上网时段，h；Ppre(j,t)为第j个风电场t时段的预测出力，kW；Cjc为风电场出力变化的奖惩费用系数。
根据上述EV的功率分群方法，充电站向电网传送的电量与给EV充电的电量为充电站的正收益；电网向充电站传送的电量与EV反馈回充电站的电量相当于充电站的负收益。由此，充电站的经济收益模型为：
Figure BDA0002202311430000122
式中：T为调度总时段，本实施例取一天24h，Csg(t)为t时段充电站向电网的售电电价，单位：元/kWh；Psg(t)表示t时段充电站向电网售电的功率，单位：kW；σt2为充电站的售电时段，h；Cbg(t)表示t时段充电站从电网的购电电价，单位：元/kWh；Pbg(t)为t时段充电站从电网的购电功率，单位：kW；σt3为其购电时段，单位：h；N1为快充EV数量；Ccha(i1,t,n＝1)为第i1辆EV在t时段即处于快充状态的充电电价，单位：元/kWh；ηc为EV的充电效率；N2为慢充EV数量；Ccha(i2,t,n＝2)为第i2辆EVt时段即处于慢充状态的充电电价，单位：元/kWh；N4为处于放电状态EV数量；Cdischa(i4,t)为第i4辆EVt时段即处于放电状态的充电电价，单位：元/kWh；ηd为第i4辆EVt时段即处于放电状态的放电功率。
Figure BDA0002202311430000123
为电动汽车快速充电功率，
Figure BDA0002202311430000124
为电动汽车慢速充电功率，
Figure BDA0002202311430000125
为在充电功率分群结果中被标记为慢充的在第i2辆电动汽车在t时刻的电池荷电量，
Figure BDA0002202311430000126
表示在充电功率分群结果中被标记为慢充的在第i2辆电动汽车，
Figure BDA0002202311430000127
为电动汽车将放电功率中的多余电量反馈回电网的电量，
Figure BDA0002202311430000128
充电功率分群中处于放电状态的第i4辆电动汽车在t时刻的电池荷电量。
所述根据所述概率函数和所述经济收益最大化的目标函数建立社会福利最大化的目标函数具体包括：
根据公式
Figure BDA0002202311430000131
将充电站的收益做无量纲化处理；其中，F2(t)为经济收益，F2max(t)为经济预测最大值，F2max(t)＝Pow max(t)*Cmax，其中Pow max(t)是t时段的最大功率值，Cmax为调度周期内所有时段中的最高电价；
根据公式max F3(t)＝λ1F1(t)+λ2F2'(t)得到社会福利最大化目标函数；其中，F3(t)为社会福利，F1(t)为概率函数，λ1为概率函数系数，F2'(t)为充电站的收益做无量纲化处理后的函数，λ2为充电站的收益做无量纲化处理后的函数系数。
本实施例中采用相对化处理方法将EV概率函数与充电站的收益做无量纲化处理后的函数，转化为以社会福利最大化的单目标函数。
由于系统收益的量纲是元，EV概率函数无量纲。所以采用“相对化处理方法”将双目标函数转化为单目标函数，公式如下：
Figure BDA0002202311430000132
本实施例中，以所述社会福利最大化的目标函数为目标，建立约束条件并基于可信性理论进行不确定性处理得到风-网-站-车体系调度的综合约束条件，先以所述社会福利最大化的目标函数为目标分别建立风电机组约束条件、充电站总功率约束条件和电动汽车约束条件。
风电机组约束条件：风电机组输出功率不能超过风电机组装机容量，且一定大于零。
Figure BDA0002202311430000133
式中：PN(j)为第j个风电机组的装机容量，kW。
充电站总功率约束：在风-网--站车体系中充电站内的总功率要满足如下约束：
Figure BDA0002202311430000134
式中：
Figure BDA0002202311430000135
为调度周期内充电站最大功率。
电动汽车约束：充电站购电/售电和充电时刻预测偏差约束：
0≤Psg(t)≤Psg max(t)
0≤Pbg(t)≤Pbg max(t)
0≤Δt≤ΔtN
式中：Psg max(t)为t时段充电站最大售电量，单位：kW；Pbg max(t)为t时段充电站最大购电量，单位：kW；Δt为EV时间满意度的充电时刻预测偏差；ΔtN为EV时间满意度的充电时刻预测最大偏差。
本实施例中采用基于可信性理论的模糊机会约束，完善风-网-站-车体系优化调度模型：
首先引入基于可信性理论的模糊机会约束规划模型
可信性理论是研究模糊现象数量规律的一个新的数学分支，它建立在严密的公理化基础之上；
首先，引入可信性测度指标：
设Θ为非空集合，P(Θ)表示Θ的幂集，即Θ的所有子集构成的集合；P(Θ)中的元素称为模糊事件；为了介绍可信性的公理化定义，有必要定义集函数，对Θ的每个子集A，规定一个非负数Cr{A}，表示事件A发生的可信性；为了保证集函数Cr{A}具有人们直观上期望具备的某些数学性质，可以考虑如下五条公理：
公理1：Cr{Θ}＝1；
公理2：Cr是单调增加的，即：当
Figure BDA0002202311430000141
时有Cr{A}≤Cr{B}；
公理3：Cr是自对偶的，即：对任意的A∈P(Θ)有Cr{A}+Cr{Ac}＝1；
公理4：对任意满足Cr{Ai}≤0.5的{Ai}有Cr{∪iAi}^0.5＝supiCr{Ai}；
公理5：设Θk是非空集合，
Figure BDA0002202311430000142
在其上分别满足前四条公理，k＝1,2,…n，并且Θ＝Θ1×Θ2×…×Θn，则对每个(θ1,θ2,…,θn)∈Θ成立Cr{(θ1,θ2,…θn)}＝Cr1{θ1}^Cr2{θ2}^…Crn{θn}定义：如果集函数Cr满足前四条公理，则称之为可信性测度；
再引入模糊变量：
传统上，模糊变量是由隶属度函数来定义的；现在模糊变量被定义为可信性空间上的实值函数，相当于随机变量被定义为概率空间上的可测实值函数；
定义：一个模糊变量就是指从可信性空间(Θ,P(Θ),Cr)到实数集中的函数；
一个n维模糊变量就是指从可信性空间(Θ,P(Θ),Cr)到n维实向量空间中的函数。容易验证向量(ξ1,ξ2,…ξn)是一个模糊向量当且仅当每个分量(ξ1,ξ2,…ξn)都是模糊变量；
基于可信性理论的模糊机会约束规划模型可表示为：
min f(X)
s.t.Cr(gj(X,ξ)≤0)≥γ j＝1,2,...n
式中，Cr{.}表示{.}发生的可信性，γ表示预先设定的置信水平，gj(X,ξ)≤0为约束条件，其中X为决策变量，ξ表示模糊变量。
再结合基于可信性理论的模糊机会约束，完善并建立风-网-站-车体系优化调度模型：
由于充电站中含有并网运行风电场，因此需要考虑风电出力的不确定问题，同时也要考虑EV负荷的不确定问题。采用可信性理论解决这两个不确定性问题，对充电站总功率约束进行不确定性处理并建立基于可信性测度的不等式约束条件：
Figure BDA0002202311430000151
式中，Cr表示可信性测度；Ωw表示为风电场的集合；λ为模糊变量；Pact(i,t)为第i个风电场t时段的出力；γ为置信水平。
EV负荷由梯形模糊数
Figure BDA0002202311430000152
表示，并网运行风电场的出力用梯形模糊数(Pw1,Pw2,Pw3,Pw4)表示，
模糊变量的可信性分布函数Cr(ξ≤x)为：
Figure BDA0002202311430000161
在模糊机会规划过程中，最重要的步骤就是模糊约束条件的处理。即将约束条件进行清晰化处理，若函数gj(X,ξ)有如下的形式：
gj(X,ξ)＝h1(X)ξ1+h2(X)ξ2+...+hm(X)ξm+h0(X)
式中，ξk表示为梯形模糊变量(ξk1,ξk2,ξk3,ξk4)，k＝1,2,…,m m∈R，ξk1-ξk4表示隶属度参量。
构造两个函数：
Figure BDA0002202311430000162
Figure BDA0002202311430000163
上述的
Figure BDA0002202311430000164
Figure BDA0002202311430000165
需要满足下式条件：
Figure BDA0002202311430000166
当
Figure BDA0002202311430000167
时，
Figure BDA0002202311430000168
当
Figure BDA0002202311430000169
时，
Figure BDA00022023114300001610
对有功平衡约束进行不确定性处理并建立基于可信性测度的不等式约束条件，其置信水平一般需要大于0.5，因此Cr{g(X,ξ)≤0}≥γ的清晰等价式为：
Figure BDA00022023114300001611
为了便于计算，将EV负荷和并网运行风电场的出力进一步处理。根据有功平衡约束进行不确定性处理并建立基于可信性测度的不等式约束条件，EV负荷预测值与并网运行风电场的出力的预测值如下式所示：
Figure BDA00022023114300001612
Figure BDA00022023114300001613
θ1、θ2、θ3、θ4分别表示预测比例系数，
Figure BDA00022023114300001614
分别表示电动汽车负荷预测数据，
Figure BDA00022023114300001615
分别表示并网运行的风电场出力，将上述两式代入到清晰等价式，可类似的将有功平衡约束进行不确定性处理并建立基于可信性测度的不等式约束条件转化得到EV负荷、并网运行风电场的出力不确定等价形式：
Figure BDA0002202311430000171
之后再采用含外点罚函数法的CFPSO算法对风-网-站-车体系优化调度模型进行优化求解：
粒子群算法是一种较大概率收敛于全局最优解的，适合在动态、多目标优化环境中寻优的一种高效率的群体智能算法。本实施例中引入惩罚函数法中的外点罚函数法，用于将含约束优化问题转化为无约束优化问题。具体地采用含外点罚函数法的CFPSO算法对模型求解。
设定CFPSO算法各参数，本实施例中，设置粒子群的粒子数为20；加速系数c1＝c2＝2.05；惯性权重系数为1；粒子速度最大和最小值分别取1和-1；最大迭代次数取200。
算例基础数据：通过某四个风电场和50000辆电动汽车对模型进行验证，某一天24时段的风电预测出力如图2所示，风电上网电价取0.35元/kWh，风电场出力变化的奖惩费用系数取0.02元/kWh。假设每辆EV具有相同的电池容量和充放电功率，其电池容量为12kWh/台，快速充电功率为200kW/台，慢速充电功率为7kW/台，放电功率均为1.5kW/台，充放电效率均为80％。SOCN min＝20％，SOCN max＝80％，ΔtN根据调度经验所得取值15min。充电站充电管理方从电网购电的电价采用国内工业用电分时电价的形式，而电动汽车充电电价采取峰、平、谷按5∶3∶1的比例由充电管理方收取。充电站电价参数设置如表3所示。
表3充电站电价参数设置
Figure BDA0002202311430000172
Figure BDA0002202311430000181
本实施例还提供一种风-网-站-车体系的调度系统，图3为本发明实施例提供的风-网-站-车体系的调度系统结构图，如图3所示，所述系统包括：
数据获取模块1，用于获取充电站的充电时间段信息和若干个支持调度的电动汽车充电时间信息及状态信息；所述充电时间段信息包括快充充电时间段和慢充充电时间段；所述充电时间信息包括实际充电起始时刻和预测充电起始时刻；所述状态信息包括插电状态、未插电状态、当前的电荷量状态、快充状态和慢充状态；
分群模块2，用于根据所述充电时间段信息、所述充电时间信息和所述状态信息分别进行充电时间分群和充电功率分群；
概率函数生成模块3，用于根据充电时间分群结果和充电功率分群结果计算得到电动汽车未能按照预测进行充电的概率函数；
收益最大化目标函数生成模块4，用于以充电站作为收益方，建立经济收益最大化的目标函数；
社会福利最大化目标函数生成模块5，用于根据所述概率函数和所述经济收益最大化的目标函数建立社会福利最大化的目标函数；所述社会福利为电动汽车未能按照预测进行充电的概率和充电站的收益无量纲化后的数值之和；
综合约束条件生成模块6，用于以所述社会福利最大化的目标函数为目标，建立约束条件并基于可信性理论进行不确定性处理得到风-网-站-车体系调度的综合约束条件；
优化调度结果计算模块7，用于采用带收缩因子的粒子群算法对所述综合约束条件进行求解，得到风-网-站-车体系优化调度结果。
与现有技术相比，本发明具有如下优点：
对EV进行时间状态分群与功率状态分群，更全面具体的对EV各个状态进行详细的分析，且更符合实际情况。
建立社会福利最大化目标函数，并使用可信性理论对EV进行实时优化调度，减少了风-网-站-车体系的成本支出。
针对风-网-站-车体系的不确定问题，研究了模糊机会约束与可信性理论的融合，引入可信性测度指标，最后采用含外点罚函数法的CFPSO算法对本模型求解，求解速度快且易得最优解。
对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种风-网-站-车体系的调度方法，其特征在于，所述方法包括：
获取充电站的充电时间段信息和若干个支持调度的电动汽车充电时间信息及状态信息；所述充电时间段信息包括快充充电时间段和慢充充电时间段；所述充电时间信息包括实际充电起始时刻和预测充电起始时刻；所述状态信息包括插电状态、未插电状态、当前的电荷量状态、快充状态和慢充状态；
根据所述充电时间段信息、所述充电时间信息和所述状态信息分别进行充电时间分群和充电功率分群；
根据充电时间分群结果和充电功率分群结果计算得到电动汽车未能按照预测进行充电的概率函数；
以充电站作为收益方，建立经济收益最大化的目标函数；
根据所述概率函数和所述经济收益最大化的目标函数建立社会福利最大化的目标函数；所述社会福利为电动汽车未能按照预测进行充电的概率和充电站的收益无量纲化后的数值之和；
以所述社会福利最大化的目标函数为目标，建立约束条件并基于可信性理论进行不确定性处理得到风-网-站-车体系调度的综合约束条件；
采用带收缩因子的粒子群算法对所述综合约束条件进行求解，得到风-网-站-车体系优化调度结果。
2.根据权利要求1所述的一种风-网-站-车体系的调度方法，其特征在于，
所述根据所述充电时间段信息、所述充电时间信息和所述状态信息分别进行充电时间分群和充电功率分群具体包括：
用各所述电动汽车的实际充电起始时刻减去预测充电起始时刻所得的时间差值分别与所述快充充电时间段和所述慢充充电时间段做对比，根据对比结果将各所述电动汽车标记为快充、慢充或超时，得到充电时间分群结果；
根据各所述电动汽车所处的插电状态、未插电状态、快充状态或慢充状态将各所述电动汽车标记为快充、慢充或断电得到充电功率分群结果；所述断电包括等待和行驶中。
3.根据权利要求2所述的一种风-网-站-车体系的调度方法，其特征在于，
所述用各所述电动汽车的实际充电起始时刻减去预测充电起始时刻所得的时间差值分别与所述快充充电时间段和所述慢充充电时间段做对比，根据对比结果将各所述电动汽车标记为快充、慢充或超时，得到充电时间分群结果具体包括：
判断所述时间差值是否小于0，得到第一判断结果；
若所述第一判断结果为是，则将对应的所述电动汽车标记为超时；
若所述第一判断结果为否，则判断所述时间差值是否小于所述快充充电时间段与充电时刻预测偏差之和，得到第二判断结果；
若所述第二判断结果为是，则将对应的所述电动汽车标记为快充；
若所述第二判断结果为否，则判断所述时间差值是否小于所述慢充充电时间段与所述充电时刻预测偏差之和，得到第三判断结果；
若所述第三判断结果为是，则将对应的所述电动汽车标记为慢充；
若所述第三判断结果为否，则将对应的所述电动汽车标记为超时。
4.根据权利要求2所述的一种风-网-站-车体系的调度方法，其特征在于，
所述根据各所述电动汽车所处的插电状态、未插电状态、快充状态或慢充状态将各所述电动汽车标记为快充、慢充或断电得到充电功率分群结果具体包括：
分别判断各所述电动汽车是否处于充电状态，得到第四判断结果；
若所述第四判断结果为否，则将对应的所述电动汽车标记为断电；
若所述第四判断结果为是，则判断各所述电动汽车是否处于快充状态，得到第五判断结果；
若所述第五判断结果为是，则将对应的所述电动汽车标记为快充；
若所述第五判断结果为否，则将对应的所述电动汽车标记为慢充。
5.根据权利要求2所述的一种风-网-站-车体系的调度方法，其特征在于，
所述根据充电时间分群结果和充电功率分群结果计算得到电动汽车未能按照预测进行充电的概率函数具体包括：
根据公式
Figure FDA0003374954880000021
计算得到电动汽车实际未能准时充电的概率；其中σT为所述电动汽车实际未能准时充电的概率，Nontime为电动汽车期望准时充电次数，Nact,ontime为电动汽车实际准时充电次数，且
Figure FDA0003374954880000022
T表示各电动汽车的一个调度周期，I(t,n)表示在充电时间分群结果中电动汽车充电是否准时的变量，当电动汽车被标记为快充或慢充时，I(t,n)取1，当电动汽车被标记为超时时，I(t,n)取0，n1表示在充电时间分群中被标记为快充的电动汽车个数，n2表示在充电时间分群中被标记为慢充的电动汽车个数；
根据公式
Figure FDA0003374954880000031
计算功率不满足电动汽车实际需求的概率；其中，σP为功率不满足电动汽车实际需求的概率，Pneed为电动汽车功率期望值，Pact为电动汽车实际功率值，
Figure FDA0003374954880000032
N1表示在充电功率分群中被标记为快充的电动汽车数量，
Figure FDA0003374954880000033
为电动汽车快速充电功率；
Figure FDA0003374954880000034
为在充电功率分群结果中被标记为快充的第i1辆电动汽车在t时刻的电池荷电量，
Figure FDA0003374954880000035
表示在充电功率分群结果中被标记为快充的第i1辆电动汽车；N2表示在充电功率分群中被标记为慢充的电动汽车数量，
Figure FDA0003374954880000036
为电动汽车慢速充电功率；
Figure FDA0003374954880000037
为在充电功率分群结果中被标记为慢充的在第i2辆电动汽车在t时刻的电池荷电量，
Figure FDA0003374954880000038
表示在充电功率分群结果中被标记为慢充的在第i2辆电动汽车；
根据公式F1＝ωPσP+ωTσT得到所述概率函数；其中F1表示概率函数；ωP为功率不满足电动汽车实际需求的概率系数；ωT为电动汽车实际未能准时充电的概率系数。
6.根据权利要求2所述的一种风-网-站-车体系的调度方法，其特征在于，
所述以充电站作为收益方，建立经济收益最大化的目标函数具体包括：
根据公式
Figure FDA0003374954880000039
计算得到风电厂经济收益；其中，T表示各电动汽车的一个调度周期，t表示一个调度周期内的某一时段，W为风电场的个数，j表示某一个风电厂，Cwind为风电上网电价，Pwind,act(j,t)为第j个风电场t时段的实际出力，σt1表示的是风电上网时段，Ppre(j,t)为第j个风电场t时段的预测出力，Cjc为风电场出力变化的奖惩费用系数；
根据公式
Figure FDA0003374954880000041
计算得到电动汽车充放电收益；其中Csg(t)为t时段充电站向电网的售电电价，Psg(t)表示t时段充电站向电网售电的功率，σt2为充电站的售电时段，Cbg(t)表示t时段充电站从电网的购电电价，Pbg(t)为t时段充电站从电网的购电功率，σt3为充电站的购电时段，N1为充电功率分群中被标记为快充的电动汽车数量；
Figure FDA0003374954880000042
为在充电功率分群结果中被标记为快充的第i1辆电动汽车在t时刻的电池荷电量，
Figure FDA0003374954880000043
表示在充电功率分群结果中被标记为快充的第i1辆电动汽车，Ccha(i1,t,n＝1)为第i1辆电动汽车t时段处于快充状态的充电电价，ηc为电动汽车的充电效率，N2为充电功率分群中被标记为慢充的电动汽车数量；Ccha(i2,t,n＝2)为第i2辆电动汽车t时段处于慢充状态的充电电价，N4为处于放电状态的电动汽车数量；Cdischa(i4,t)为第i4辆电动汽车t时段处于放电状态的充电电价，ηd为第i4辆电动汽车t时段处于放电状态的放电功率，
Figure FDA0003374954880000044
为电动汽车快速充电功率，
Figure FDA0003374954880000045
为电动汽车慢速充电功率，
Figure FDA0003374954880000046
为在充电功率分群结果中被标记为慢充的在第i2辆电动汽车在t时刻的电池荷电量，
Figure FDA0003374954880000047
表示在充电功率分群结果中被标记为慢充的在第i2辆电动汽车，
Figure FDA0003374954880000048
为电动汽车将放电功率中的多余电量反馈回电网的电量，
Figure FDA0003374954880000049
为充电功率分群中处于放电状态的第i4辆电动汽车在t时刻的电池荷电量；
根据公式maxF2(t)＝F21(t)+F22(t)得到经济收益最大化的目标函数。
7.根据权利要求1所述的一种风-网-站-车体系的调度方法，其特征在于，
所述根据所述概率函数和所述经济收益最大化的目标函数建立社会福利最大化的目标函数具体包括：
根据公式
Figure FDA00033749548800000410
将充电站的收益做无量纲化处理；其中，F2(t)为经济收益，F2max(t)为经济预测最大值，F2max(t)＝Powmax(t)*Cmax，其中Powmax(t)是t时段的最大功率值，Cmax为调度周期内所有时段中的最高电价；
根据公式maxF3(t)＝λ1F1(t)+λ2F2'(t)得到社会福利最大化目标函数；其中，F3(t)为社会福利，F1(t)为概率函数，λ1为概率函数系数，F2'(t)为充电站的收益做无量纲化处理后的函数，λ2为充电站的收益做无量纲化处理后的函数系数。
8.根据权利要求1所述的一种风-网-站-车体系的调度方法，其特征在于，
所述以所述社会福利最大化的目标函数为目标，建立约束条件并基于可信性理论进行不确定性处理得到风-网-站-车体系调度的综合约束条件具体包括：
以所述社会福利最大化的目标函数为目标分别建立风电机组约束条件、充电站总功率约束条件和电动汽车约束条件；
对所述充电站总功率约束条件中的风电出力和电动汽车负荷进行不确定性处理，得到清晰化约束条件
Figure FDA0003374954880000051
Figure FDA0003374954880000052
γ为置信水平，梯形模糊数
Figure FDA0003374954880000053
表示电动汽车负荷，
Figure FDA0003374954880000054
θ1、θ2、θ3、θ4分别表示预测比例系数，
Figure FDA0003374954880000055
Figure FDA0003374954880000056
分别表示电动汽车负荷预测数据，梯形模糊数(Pw1,Pw2,Pw3,Pw4)表示电动汽车负荷，
Figure FDA0003374954880000057
Figure FDA0003374954880000058
分别表示并网运行的风电场出力；Ωw表示为风电场的集合，T表示一个调度周期，Psg(t)表示t时段充电站向电网售电的功率；Pcha(i,t)表示为第i辆电动汽车t时段的充电功率；Pdischa(j,t)表示为第j辆电动汽车t时段的放电功率，ηc为电动汽车的充电效率，σt2为充电站的售电时段，Pbg(t)为t时段充电站从电网的购电功率，σt3为充电站的购电时段，ηd为第i4辆电动汽车t时段处于放电状态的放电功率，σt4表示为充电站的售电时段，σt5表示为电动汽车的放电时段；
根据所述清晰化约束条件建立基于可信性测度的不等式约束条件
Figure FDA0003374954880000059
其中，Cr表示可信性测度，λ为模糊变量，Pact(j,t)为第j个风电场t时段的出力，
Figure FDA00033749548800000510
为电动汽车快速充电功率，
Figure FDA00033749548800000511
为电动汽车慢速充电功率，
Figure FDA00033749548800000512
为电动汽车将放电功率中的多余电量反馈回电网的电量，
Figure FDA00033749548800000513
为在充电功率分群结果中被标记为快充的第i1辆电动汽车在t时刻的电池荷电量，
Figure FDA0003374954880000061
为在充电功率分群结果中被标记为慢充的在第i2辆电动汽车在t时刻的电池荷电量，
Figure FDA0003374954880000062
为充电功率分群中处于放电状态的第i4辆电动汽车在t时刻的电池荷电量，
Figure FDA0003374954880000063
表示在充电功率分群结果中被标记为快充的第i1辆电动汽车，
Figure FDA0003374954880000064
表示在充电功率分群结果中被标记为慢充的在第i2辆电动汽车，
Figure FDA0003374954880000065
为调度周期内充电站最大功率；
联立所述风电机组约束条件、电动汽车约束条件和基于可信性测度的不等式约束条件得到所述综合约束条件。
9.根据权利要求8所述的一种风-网-站-车体系的调度方法，其特征在于，
所述以所述社会福利最大化的目标函数为目标分别建立风电机组约束条件、充电站总功率约束条件和电动汽车约束条件具体包括：
根据公式
Figure FDA0003374954880000066
建立所述风电机组约束条件；其中，PN(j)为第j个风电机组的装机容量；Pwind,act(j,t)为第j个风电场t时段的实际出力；
根据公式
Figure FDA0003374954880000067
建立所述充电站总功率约束条件；其中
Figure FDA0003374954880000068
为调度周期内充电站最大功率，Psg(t)表示t时段充电站向电网售电的功率，Pbg(t)为t时段充电站从电网的购电功率，N1为在充电功率分群中被标记为快充的电动汽车数量，N2为在充电功率分群中被标记为慢充的电动汽车数量，N4为处于放电状态的电动汽车数量，ηc为电动汽车的充电效率，ηd为第i4辆电动汽车t时段处于放电状态的放电功率；
根据公式
Figure FDA0003374954880000069
建立所述电动汽车约束条件；其中式中：Psgmax(t)为t时段充电站最大售电量；Pbgmax(t)为t时段充电站最大购电量；Δt为电动汽车时间满意度的充电时刻预测偏差；ΔtN为电动汽车时间满意度的充电时刻预测最大偏差。
10.一种风-网-站-车体系的调度系统，其特征在于，所述系统包括：
数据获取模块，用于获取充电站的充电时间段信息和若干个支持调度的电动汽车充电时间信息及状态信息；所述充电时间段信息包括快充充电时间段和慢充充电时间段；所述充电时间信息包括实际充电起始时刻和预测充电起始时刻；所述状态信息包括插电状态、未插电状态、当前的电荷量状态、快充状态和慢充状态；
分群模块，用于根据所述充电时间段信息、所述充电时间信息和所述状态信息分别进行充电时间分群和充电功率分群；
概率函数生成模块，用于根据充电时间分群结果和充电功率分群结果计算得到电动汽车未能按照预测进行充电的概率函数；
收益最大化目标函数生成模块，用于以充电站作为收益方，建立经济收益最大化的目标函数；
社会福利最大化目标函数生成模块，用于根据所述概率函数和所述经济收益最大化的目标函数建立社会福利最大化的目标函数；所述社会福利为电动汽车未能按照预测进行充电的概率和充电站的收益无量纲化后的数值之和；
综合约束条件生成模块，用于以所述社会福利最大化的目标函数为目标，建立约束条件并基于可信性理论进行不确定性处理得到风-网-站-车体系调度的综合约束条件；
优化调度结果计算模块，用于采用带收缩因子的粒子群算法对所述综合约束条件进行求解，得到风-网-站-车体系优化调度结果。
CN201910869370.1A 2019-09-16 2019-09-16 一种风-网-站-车体系的调度方法及系统 Active CN110570043B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910869370.1A CN110570043B (zh) 2019-09-16 2019-09-16 一种风-网-站-车体系的调度方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910869370.1A CN110570043B (zh) 2019-09-16 2019-09-16 一种风-网-站-车体系的调度方法及系统

Publications (2)

Publication Number Publication Date
CN110570043A CN110570043A (zh) 2019-12-13
CN110570043B true CN110570043B (zh) 2022-03-11

Family

ID=68780028

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910869370.1A Active CN110570043B (zh) 2019-09-16 2019-09-16 一种风-网-站-车体系的调度方法及系统

Country Status (1)

Country Link
CN (1) CN110570043B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114194060B (zh) * 2021-11-08 2024-04-30 国网北京市电力公司 确定充电站的方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105870922A (zh) * 2016-05-13 2016-08-17 哈尔滨工业大学 一种引导私家电动车分群错时响应的低谷电价调控方法
CN106408216A (zh) * 2016-11-03 2017-02-15 天津大学 基于电动汽车换电站时序响应模型的充电计划制定方法
CN106651002A (zh) * 2016-11-17 2017-05-10 云南电网有限责任公司玉溪供电局 一种基于正弦余弦算法的大规模电动汽车充放电多目标优化方法
CN107394798A (zh) * 2017-06-19 2017-11-24 天津大学 包含时变时滞的电动汽车与发电机组协调频率控制方法
CN110033142A (zh) * 2019-04-23 2019-07-19 燕山大学 考虑负荷不确定性的充换电站优化调度策略
CN110197310A (zh) * 2019-06-10 2019-09-03 燕山大学 一种基于负荷裕度域的充换电站优化调度方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105870922A (zh) * 2016-05-13 2016-08-17 哈尔滨工业大学 一种引导私家电动车分群错时响应的低谷电价调控方法
CN106408216A (zh) * 2016-11-03 2017-02-15 天津大学 基于电动汽车换电站时序响应模型的充电计划制定方法
CN106651002A (zh) * 2016-11-17 2017-05-10 云南电网有限责任公司玉溪供电局 一种基于正弦余弦算法的大规模电动汽车充放电多目标优化方法
CN107394798A (zh) * 2017-06-19 2017-11-24 天津大学 包含时变时滞的电动汽车与发电机组协调频率控制方法
CN110033142A (zh) * 2019-04-23 2019-07-19 燕山大学 考虑负荷不确定性的充换电站优化调度策略
CN110197310A (zh) * 2019-06-10 2019-09-03 燕山大学 一种基于负荷裕度域的充换电站优化调度方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
A novel grouping method for lithium-ion battery pack considering cell divergence;Rui Xiong等;《2017 Chinese Automation Congress(CAC)》;20171022;5269-5273页 *
V2G模式下基于电动汽车分群方法的配电网多目标优化运行策略;梅哲等;《电力建设》;20180831;第39卷(第8期);59-68页 *
大规模电动汽车集群分层实时优化调度;潘振宁等;《电力系统自动化》;20170825;第41卷(第16期);96-104页 *

Also Published As

Publication number Publication date
CN110570043A (zh) 2019-12-13

Similar Documents

Publication Publication Date Title
CN108960510B (zh) 一种基于两阶段随机规划的虚拟电厂优化交易策略装置
CN110188950B (zh) 基于多代理技术的虚拟电厂供电侧和需求侧优化调度建模方法
CN110033142B (zh) 考虑负荷不确定性的充换电站优化调度策略
CN109658012A (zh) 一种计及需求侧响应的微电网多目标经济调度方法及装置
CN104376385A (zh) 一种微电网电价优化方法
CN111177637B (zh) 电动汽车换电站动力电池的容量配置方法
Li et al. Online battery protective energy management for energy-transportation nexus
CN116151486B (zh) 含储能系统的光伏充电站多时间尺度随机优化方法及装置
Tan et al. Fair and efficient electric vehicle charging scheduling optimization considering the maximum individual waiting time and operating cost
Huang et al. V2G optimal scheduling of multiple EV aggregator based on TOU electricity price
CN110197310B (zh) 一种基于负荷裕度域的充换电站优化调度方法
CN115577909A (zh) 考虑价格型需求响应和v2g的园区综合能源系统调度方法
CN117578537A (zh) 基于碳交易和需求响应的微电网优化调度方法
CN115313361A (zh) 一种规模化可调资源的联合优化控制方法和装置
CN108446967A (zh) 虚拟电厂竞价方法
CN110070210B (zh) 一种多微电网系统能量管理与贡献度评估方法和系统
Mao et al. Economic Dispatch of Microgrid Considering Fuzzy Control Based Storage Battery Charging and Discharging.
CN110570043B (zh) 一种风-网-站-车体系的调度方法及系统
CN118232380A (zh) 储能设备充放电策略生成方法、装置、设备和存储介质
CN114447967A (zh) 光储充电站电池储能配置方法、配置终端及存储介质
Alikhani et al. Optimal implementation of consumer demand response program with consideration of uncertain generation in a microgrid
Zhang et al. Transfer deep reinforcement learning-based large-scale V2G continuous charging coordination with renewable energy sources
CN112101644A (zh) 考虑源荷不确定性的虚拟电厂联盟优化控制方法
Fahmy et al. Investigation of an optimal charging/discharging policy for electric vehicles parking station in a smart grid environment
CN116703643A (zh) 电力资源聚合等值模型构建方法及电力资源调度方法

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