CN110598904A - 市场环境下考虑可再生能源消纳的车网能量交互优化方法 - Google Patents
市场环境下考虑可再生能源消纳的车网能量交互优化方法 Download PDFInfo
- Publication number
- CN110598904A CN110598904A CN201910728985.2A CN201910728985A CN110598904A CN 110598904 A CN110598904 A CN 110598904A CN 201910728985 A CN201910728985 A CN 201910728985A CN 110598904 A CN110598904 A CN 110598904A
- Authority
- CN
- China
- Prior art keywords
- electric vehicle
- time
- charging station
- energy
- power
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000003993 interaction Effects 0.000 title claims abstract description 15
- 238000005265 energy consumption Methods 0.000 title claims abstract description 14
- 239000010410 layer Substances 0.000 claims abstract description 49
- 230000009977 dual effect Effects 0.000 claims abstract description 20
- 239000002356 single layer Substances 0.000 claims abstract description 14
- 230000006870 function Effects 0.000 claims description 55
- 239000000126 substance Substances 0.000 claims description 30
- 230000005611 electricity Effects 0.000 claims description 25
- 238000007726 management method Methods 0.000 claims description 19
- 238000010248 power generation Methods 0.000 claims description 11
- 238000013507 mapping Methods 0.000 claims description 6
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 229910006123 SOCa Inorganic materials 0.000 claims description 3
- 238000007664 blowing Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000008859 change Effects 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
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000000243 photosynthetic effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000009466 transformation Effects 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0283—Price estimation or determination
-
- 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
- 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
-
- 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
- Y04S50/00—Market activities related to the operation of systems integrating technologies related to power network operation or related to communication or information technologies
- Y04S50/14—Marketing, i.e. market research and analysis, surveying, promotions, advertising, buyer profiling, customer management or rewards
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Accounting & Taxation (AREA)
- Game Theory and Decision Science (AREA)
- Finance (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明市场环境下考虑可再生能源消纳的车网能量交互优化方法，将协调问题建为双层规划模型，上层问题实现电动汽车充电站的最优定价，下层问题确定出行路线和收费决策，使用强对偶定理将上层问题和下层问题合并为一个单层等效问题。
Description
技术领域
本发明涉及电力交通耦合系统的能量管理技术领域，特别是涉及市场环 境下考虑可再生能源消纳的车网能量交互优化方法。
背景技术
随着人们对环境问题日益关注，交通运输业正在经历重大转型。政府、 电动汽车企业和能源公司推动了电动汽车的普及。国际能源署(I EA)报告 称，2017年全球电动汽车销量创下110万辆的历史新高记录。随着电动汽车 工业的发展，电动汽车充电负荷在电力系统需求侧管理中发挥着越来越重要 的作用。
考虑到电动汽车独特的运行和技术特点，电动汽车充电需求可以为电力 系统的时空维度提供灵活性。例如，在某些激励信号的激励下，如电动汽车 充电站(EVC)提供的动态充电价格，电动汽车车主可以改变充电时间和充电 地点。相应地，充电负荷的时空分布可以改变，这通常会导致电动汽车和电 力系统的经济性能提高。此外，灵活的电动汽车充电需求管理也有利于交通 系统的运行效率。例如，区位分布的收费价格信号会影响到车辆路径规划决 策，这与运输网络的运营效率密切相关。为了充分利用灵活的充电需求所带来的好处，开发电动汽车充电系统的充电需求管理方案变得越来越重要。
为探索电动汽车充电需求管理方法，一些论文通过最大限度地提高电动 汽车的经济效益，确定充电需求管理策略，其中包括：
[3]He L,Yang J,Yan J,et al.A bi-layer optimization based temporal andspatial scheduling for large-scale electric vehicles.Appl Energy 2016；168:179-92
[4]Mu Y,Wu J,Jenkins N,et al.A Spatial-Temporal model for grid impactanalysis of plug-in electric vehicles.Appl Energy 2014；114(2):456-65
[5]Yagcitekin B,Uzunoglu M.A double-layer smart charging strategy ofelectric vehicles taking routing and charge scheduling into account.ApplEnergy 2016167:407-19；
另一些论文侧重于管理充电需求，以提高电力系统的运行效率，其中包 括：
[6]Xi X,Sioshansi R.Using Price-Based Signals to Control Plug-inElectric Vehicle Fleet Charging.IEEE Trans Smart Grid 2014；5(3):1451-64
[9]Hu Z,Zhan K,Zhang H,et al.Pricing mechanisms design for guidingelectric vehicle charging to fill load valley.Appl Energy 2016；178:155-63
[18]Li B,Roche R,Paire D,Miraoui A.Coordinated scheduling of a gas/electricity/heat supply network considering temporal-spatial electric vehicledemands.Electric Power Systems Research 2018；163:382-95
[19]Jiang H,Zhang Y,Chen Y,et al.Power-traffic coordinated operationfor bi-peak shaving and bi-ramp smoothing–A hierarchical data-drivenapproach. Appl Energy 2018；229:756-66；
文献[3]提出了一种分散的电动汽车充电控制方法，系统操作员向电动汽 车发送基于价格的信号，优化电动汽车车队的充电行为。文献[4]提出了电动 汽车充电系统年化社会成本最小化的优化模型。文献[5]将多负载场景集成到 电动汽车控制系统的经济规划模型中，以解决不确定的运行状态。文献[6]设 计了两个山谷填充定价机制，激励电动汽车车主改变充电计划，改善系统负 荷状况。文献[18]讨论了考虑配电网电压控制的电动汽车充电定价方案。文 献[19]结合电动汽车在不同运行方式下的充电行为，对电力系统的可靠性进 行了评价。文献[20]Zhao B,Conejo AJ,Sioshansi R.Unit Commitment Under Gas-Supply Uncertainty and Gas-Price Variability.IEEE Trans Power Syst 2017；32:2394-405提出了考虑谐波电流抑制的并网电动汽车运行优化模型。 这些工作大多是通过管理电动汽车充电需求来优化电动汽车或电力系统的运 行效率。然而，这些论文中几乎没有考虑交通系统的影响。
将交通运输系统的运行特性与电动汽车充电管理问题相结合，也有一些 研究工作。例如，文献[22]Crespo-Vazquez JL,Carrillo C,Diaz-Dorado E,et al. A machinelearning based stochastic optimization framework for a wind and storage powerplant participating in energy pool market.Appl Energy 2018；232:341-57提出了一个专用的交通用户均衡模型来描述封装电价的交通 流的稳态分布。文献[23]MunkhammarJ,Grahn P,Widén J.Quantifying self- consumption of on-site photovoltaic powergeneration in households with electric vehicle home charging.Solar Energy2013；97:208-16设计了一个包含电动汽车 路线选择和收费导航的优化模型，以降低出行成本。文献[24]Wang Q,Guan Y,Wang J.A Chance-Constrained Two-Stage StochasticProgram for Unit Commitment With Uncertain Wind Power Output.IEEE Trans onPower Syst 2012；27:206-15结合实际电动汽车充电需求和考虑城市道路网的基于马尔可夫链的交通模型进行了数值分析。文献[25]Ding Z,Lee W.A Stochastic MicrogridOperation Scheme to Balance Between System Reliability and Greenhouse GasEmission.IEEE Trans Industry Applications 2016；52(2):1157-66 讨论了电动汽车充电策略对交通拥堵状况的影响。文献[26]Simaan Y. Estimation Risk in PortfolioSelection:The Mean Variance Model Versus the Mean Absolute DeviationModel.Management Science 1997；43:1437-46研究了考虑时 间空间优化的电动汽车和并网多能源微电网系统的协调调度方法。这些研究 工作考虑了交通运输系统对电动汽车充电系统运行的影响。然而，在捕获充 电需求与电动汽车之间的相互作用特征方面，特别是在空间和时间方面，这 些论文的工作局限性较大。
因此希望有一种市场环境下考虑可再生能源消纳的车网能量交互优化方 法能够解决现有技术中存在的问题。
发明内容
本发明公开了一种市场环境下考虑可再生能源消纳的车网能量交互优化 方法，将协调问题建为双层规划模型，上层问题实现电动汽车充电站的最优 定价，下层问题确定出行路线和收费决策，使用强对偶定理将上层问题和下 层问题合并为一个单层等效问题。
优选地,所述上层问题的目标函数公式(1)为日前和实时市场中能源采 购的成本函数、内部分布式燃气机组产生的能量的成本函数、在所有电动汽 车充电站中收取EV的收入函数和目标函数方差函数风险成本之和：
其中，S为场景集合；Prs为场景s的概率；CCS.G为日前和实时市场中能 源采购的成本函数；CCS.U为内部分布式燃气机组产生的能量的成本函数； RCS.EV为在所有电动汽车充电站中收取EV的收入函数；β为目标函数的风险参 数；Var为目标函数的方差函数；
约束条件公式(6)和(7)分别对日前市场和实时市场施加电力采购限 制：
其中，pDA.min为日前市场的最小能量采购量，pDA.max为日前市场的最大能量 采购量，T为时间集合，pRT.min为实时市场的最小能量采购量，pRT.max实时市场 的最大能量采购量，S为场景集合；
约束公式(8)在每个时间间隔内强制每个EVC的功率平衡：
其中，在情景s中时间t从电动汽车充电站聚合器到电动汽车充电站 i的能量分配，在情景s中时间t从电动汽车充电站i中的传统燃煤机组 产生的能量，oi,t二进制变量，用于指示电动汽车充电站i中的分布式燃气机 组是否在时间间隔t开启，场景s中的时间段t，电动汽车充电站i中 的风电机组出力，场景s中的时间段t，电动汽车充电站i中使用太阳能 机组吹，为电动汽车充电站i在情景s中的时间间隔t的定价；
约束条件公式(9)根据电动汽车服务和行驶路径之间的映射为每个电动 汽车提供总电动汽车充电功率：
其中，为在场景s中以时间间隔t在电动汽车充电站i中充电；在场景s中以时间间隔t对行进路径k的充电功率；δk,i,t表示如果行进路径k 在时间间隔t，δk,i,t＝1时通过电动汽车充电站i，否则为0；
约束条件公式(10)根据每个电动汽车交通路径聚合器的充电状态需要 充电的充电功率：
其中，为在场景s中以时间间隔t对行进路径k的充电功率，为 情景s中出行路径k的EV交通流量，为到达电动汽车充电站时的行驶 路径k的个别EV电池荷电状态，EEV为EV的能量容量；
限制公式(11)对电动汽车提供的充电电源施加限制：
其中，充电站i的最小充电功率，充电站i的最大充电功 率；
约束公式(12)施加了分布式燃气机组功率输出的上下限：
其中，为充电站i的热发电机的最小功率；oi,t为二进制变量，用 于指示电动汽车充电站i中的分布式燃气机组是否在时间间隔t开启；在情景s中时间t从电动汽车充电站i中的传统燃煤机组产生的能量， 充电站i的热发电机的最大功率，I为充电站i的集合；
约束公式(13)和(14)分别强制执行分布式燃气机组的最小开启时间 和最小关闭时间：
其中，MUi充电站i的热发电机的最小上升时间，MDi充电站i的热发电 机的最小下降时间；
约束公式(15)和(16)通过定义o、u和v变量值之间的关系来表示分 布式燃气机组的承诺状态：
约束条件公式(17)和(18)分别施加爬升或下降限制：
其中，为在情景s中时间t从电动汽车充电站i中的传统燃煤机组 产生的能量，RUi为充电站i的分布式燃气机组的上升速率，RDi为充电站i 的分布式燃气机组的下降速率；
限制公式(19)和(20)强制限制风能和光伏发电机组的可再生发电输 出：
其中，场景s中的时间段t，电动汽车充电站i中的风电机组出 力，在情景s中的时间段t，充电站i的风力单元的可用功率。
优选地,所述日前和实时市场中能源采购的成本通过公式(2)计算：
所述内部分布式燃气机组的能量成本通过公式(3)表示：
电动汽车收费的负收入通过公式(4)表示：
收费价格由电力平衡约束的对偶变量和利润系数表示；
为了解决实时市场中可再生能源发电量和电价的不确定性，采用基于均 值-方差模型的第四项公式(5)计算风险成本：
参数β为其加权因子。
优选地，所述内部分布式燃气机组的能量成本包括在日前阶段提交和安 排分布式燃气机组的成本。
优选地，所述下层问题的目标函数公式为公式(21)：
其中，为到达电动汽车充电站时的行驶路径k的个别EV SOC；EEV为EV的能量容量；为情景s中出行路径k的EV交通流量；σ为电动汽车 充电站聚合器的利润系数；为电动汽车充电站i在情景s中的时间间隔 t的定价；δk,i,t如果行进路径k在时间间隔t，δk,i,t＝1时通过电动汽车充电站 i，否则为0；
约束公式(22)定义了交通路径集和始发地-目的地对需求之间的映射：
其中，Dod,s为场景s中的起始到目的地对od的流量需求，OD为电动汽车 O-D对需求集合,λod,s为方程式(22)的对偶变量；
限制公式(23)和(24)限制了价格响应型电动汽车的行驶时间，包括 在道路上行驶的时间和电动汽车安全管理系统中的充电时间：
其中，为交通道路a的自由旅行时间，la为交通道路a的道路长度，v 为平均EV速度，为行程路径k的总充电时间，为电动汽车充电站中 单个充电桩的最大功率交换，到达电动汽车充电站时的行驶路径k的个 别EV SOC，EEV为EV的能量容量；
约束公式(25)-(27)定义了三个临界力矩，包括始发时间点、到达电 动汽车充电站时间点、出发电动汽车充电站时间点和目的地时间点分别由电 动汽车充电站前的行驶时间、电动汽车充电站中的充电时间和电动汽车充电 站后的行驶时间决定：
其中，为旅行路径k的到达电动汽车充电站的时间点，为行程 路径k的原点节点的时间点，为行驶路径k的离开电动汽车充电站的时 间点，为行程路径k的总充电时间，为行程路径k的终点节点的时间 点，为交通道路a的自由旅行时间；
约束公式(28)-(30)定义指标参数r，δ，a，k，t，等于1表示ev路 径k路径a在时间间隔t，否则为0。
约束(31)和(32)表明，由行驶时间决定的荷电状态可能取决于电动 汽车的充电功率：
其中，ΔSOCa为通过交通道路a的SOC消耗，为到达电动汽车充电 站时的行驶路径k的个别EV SOC，为行驶路径k的原点节点的EV SOC；
优化后的出行路径调度结果和电动汽车充电电源可以转移到上层问题， 影响资源管理和定价政策问题。
优选地，所述单层等效问题的目标函数公式(33)：
所述单层等效问题引入对偶变量将低阶问题替换为公式(2)-(20)的 初始约束、公式(22)-(32)的对偶约束和公式(36)和(37)的强对偶条 件，重新构造后：
所述单层等效问题中目标函数约束集中的约束公式(4)是非线性约束， 非线性源于充电价格的连续变量和充电功率的连续变量的乘积，其中 充电价格是功率平衡约束公式(8)的双变量，它包含在所述上层问题 中，而充电功率是所述下层问题中的原始变量。
本发明提出的一种市场环境下考虑可再生能源消纳的车网能量交互优化 方法，其综合了电力运输系统中电动汽车定价策略与电动汽车充电需求调度 的协调性。同时考虑了运输系统的行程调度问题和电力系统的能量采购问 题。本发明的有益效果包括：
1.提出了一种基于MPEC的电动汽车充电需求管理方案，以优化电动汽车 和电动汽车集成商的运营决策。电动汽车的时空成本特征和定价策略与电动 汽车集成商的收费和路线规划决策相协调。
2.提出的电动汽车充电需求管理方案结合了电力系统和交通系统的特 点。该方案既考虑了电动汽车的能源采购问题，也考虑了电动汽车集成商的 出行路线规划问题。
3.提出的方案制定为双层优化模型。基于强对偶定理，提出了相应的求 解方法，得到了全局最优解。
附图说明
图1是双层时空模型结构图。
图2是交通网络出行路径选择示例图。
图3是9节点、24条路、3个充电站的简化交通网络示意图。
图4是日前市场价格和实时市场价格采样结果。
图5是固定电动汽车充电负荷示意图。
图6是充电站能量管理和充电定价结果示意图。
图7是3个充电站的基于价格响应的充电负荷优化结果示意图。
具体实施方式
为使本发明实施的目的、技术方案和优点更加清楚，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更加详细的描述。在附 图中，自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似 功能的元件。所描述的实施例是本发明一部分实施例，而不是全部的实施 例。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而 不能理解为对本发明的限制。基于本发明中的实施例，本领域普通技术人员 在没有作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。
市场环境下考虑可再生能源消纳的车网能量交互优化方法，将协调问题 建为双层规划模型，上层问题实现电动汽车充电站的最优定价，下层问题确 定出行路线和收费决策，使用强对偶定理将上层问题和下层问题合并为一个 单层等效问题。
所述上层问题的目标函数公式(1)为日前和实时市场中能源采购的成本 函数、内部分布式燃气机组DG产生的能量的成本函数、在所有电动汽车充电 站EVCS中收取EV的收入函数和目标函数方差函数风险成本之和：
其中，S为场景集合；Prs为场景s的概率；CCS.G为日前和实时市场中能 源采购的成本函数；CCS.U为内部DG产生的能量的成本函数；RCS.EV为在所有 EVCS中收取EV的收入函数；β为目标函数的风险参数；Var为目标函数的方 差函数；
约束条件公式(6)和(7)分别对日前市场和实时市场施加电力采购限 制：
其中，pDA.min为日前市场的最小能量采购量，pDA.max为日前市场的最大能量 采购量，T为时间集合，pRT.min为实时市场的最小能量采购量，pRT.max实时市场 的最大能量采购量，S为场景集合；
约束公式(8)在每个时间间隔内强制每个EVC的功率平衡：
其中，在情景s中时间t从电动汽车充电站EVCS聚合器到EVCS i的 能量分配，在情景s中时间t从EVCS i中的传统燃煤机组产生的能量， oi,t二进制变量，用于指示EVCS i中的DG是否在时间间隔t开启，场景s中的时间段t，EVCS i中的风电机组出力，场景s中的时间段t，EVCS i中使用太阳能机组吹，为EVCS i在情景s中的时间间隔t的定价；
约束条件公式(9)根据电动汽车服务和行驶路径之间的映射为每个电动 汽车提供总电动汽车充电功率：
其中，为在场景s中以时间间隔t在EVCS i中充电；在场景s 中以时间间隔t对行进路径k的充电功率；δk,i,t表示如果行进路径k在时间间 隔t，δk,i,t＝1时通过EVCSi，否则为0；
约束条件公式(10)根据每个电动汽车交通路径聚合器的充电状态需要 充电的充电功率：
其中，为在场景s中以时间间隔t对行进路径k的充电功率，为 情景s中出行路径k的EV交通流量，为到达EVCS时的行驶路径k的个 别EV电池荷电状态SOC，EEV为EV的能量容量；
限制公式(11)对电动汽车提供的充电电源施加限制：
其中，充电站i的最小充电功率，充电站i的最大充电功 率；
约束公式(12)施加了分布式燃气机组DG功率输出的上下限：
其中，为充电站i的热发电机的最小功率；oi,t为二进制变量，用 于指示EVCS i中的DG是否在时间间隔t开启；在情景s中时间t从 EVCS i中的传统燃煤机组产生的能量，充电站i的热发电机的最大功 率，I为充电站i的集合；
约束公式(13)和(14)分别强制执行DGS的最小开启时间和最小关闭 时间：
其中，MUi充电站i的热发电机的最小上升时间，MDi充电站i的热发电 机的最小下降时间；
约束公式(15)和(16)通过定义o、u和v变量值之间的关系来表示 DGS的承诺状态：
约束条件公式(17)和(18)分别施加爬升或下降限制：
其中，为在情景s中时间t从EVCS i中的传统燃煤机组产生的能 量，RUi为充电站i的DG的上升速率，RDi为充电站i的DG的下降速率；
限制公式(19)和(20)强制限制风能和光伏发电机组的可再生发电输 出，影子价格作为一个参数传递给了下层问题：
其中，场景s中的时间段t，EVCS i中的风电机组出力，在情景 s中的时间段t，充电站i的风力单元的可用功率。
所述日前和实时市场中能源采购的成本通过公式(2)计算：
所述内部DGS的能量成本通过公式(3)表示：
电动汽车收费的负收入通过公式(4)表示：
收费价格由电力平衡约束的对偶变量和利润系数表示；
为了解决实时市场中可再生能源发电量和电价的不确定性，采用基于均 值-方差模型的第四项公式(5)计算风险成本：
参数β为其加权因子。
所述内部DGS的能量成本包括在日前阶段提交和安排DGS的成本。
所述下层问题的目标函数公式为公式(21)：
其中，为到达EVCS时的行驶路径k的个别EV SOC；EEV为EV的能 量容量；为情景s中出行路径k的EV交通流量；σ为EVCS聚合器的利润 系数；为EVCS i在情景s中的时间间隔t的定价；δk,i,t如果行进路径k 在时间间隔t，δk,i,t＝1时通过EVCS i，否则为0；
约束公式(22)定义了交通路径集和始发地-目的地对需求之间的映射：
其中，Dod,s为场景s中的起始到目的地对od的流量需求，OD为电动汽车 O-D对需求集合；
限制公式(23)和(24)限制了价格响应型电动汽车的行驶时间，包括 在道路上行驶的时间和电动汽车安全管理系统中的充电时间：
其中，为交通道路a的自由旅行时间，la为交通道路a的道路长度，v 为平均EV速度，为行程路径k的总充电时间，为EVCS中单个充电 桩的最大功率交换，到达EVCS时的行驶路径k的个别EV SOC，EEV为 EV的能量容量；
约束公式(25)-(27)定义了三个临界力矩，包括始发时间点、到达 EVCS时间点、出发EVCS时间点和目的地时间点分别由EVCS前的行驶时间、 EVCS中的充电时间和EVCS后的行驶时间决定：
其中，为旅行路径k的到达EVCS的时间点，为行程路径k的原 点节点的时间点，为行驶路径k的离开EVCS的时间点，为行程路 径k的总充电时间，为行程路径k的终点节点的时间点，为交通道路a 的自由旅行时间；
约束公式(28)-(30)定义指标参数r，δ，a，k，t，等于1表示ev路 径k路径a在时间间隔t，否则为0。
约束(31)和(32)表明，由行驶时间决定的荷电状态可能取决于电动 汽车的充电功率：
其中，ΔSOCa为通过交通道路a的SOC消耗，为到达EVCS时的行驶 路径k的个别EV SOC，为行驶路径k的原点节点的EV SOC；
优化后的出行路径调度结果和电动汽车充电电源可以转移到上层问题， 影响资源管理和定价政策问题。
所述单层等效问题的目标函数公式(33)：
为了解决所提出的双层优化问题，采用强对偶定理将上层问题和下层问 题合并为一个单层等效问题。由于低阶问题是一个线性规划问题，所述单层 等效问题引入对偶变量将低阶问题替换为公式(2)-(20)的初始约束、公 式(22)-(32)的对偶约束和公式(36)和(37)的强对偶条件，重新构造 后：
所述单层等效问题中目标函数约束集中的约束公式(4)是非线性约束， 非线性源于充电价格的连续变量和充电功率的连续变量的乘积，其中 充电价格是功率平衡约束公式(8)的双变量，它包含在所述上层问题 中，而充电功率是所述下层问题中的原始变量。因此，现有的连续变量积 的线性化方法，如分段线性松弛不能用于线性化这些非线性项。为了克服合 并单级优化问题的非线性，我们开发了一种基于迭代算法的求解技术。具体 程序如下：
步骤1：初始化电动汽车聚合器的收费价格。将迭代计数器iter设置为 1。
步骤2：运行优化模型，如重新编制函数公式(33)-(38)所示，从上 一次迭代中获得固定的收费价格(πiter-1,t)。获取当前迭代的结果和收费价 格(πiter,t)。
步骤3：如果，获得最终结果并终止迭代过程。否则，返回到步骤3并 将模型中的收费价格更新为当前迭代中获得的收费价格(πiter,t)。设置 iter＝iter+1。
利用所提出的迭代算法，保证了EVCS聚合器与EV聚合器之间的平衡 点。此外，该算法中每一次迭代的优化问题都成为一个混合整数线性规划问 题。因此，可以使用诸如cplex和gurobi这样的商业解决方案来确保全局的 最佳性。
一种基于MPEC的电动汽车充电需求管理方案，以优化电动汽车和电动汽 车集成商的运营决策。如图1所示，将所提出的方案建模为双层优化模型， 上层问题的目的是实现电动汽车充电站的最优定价策略，使运营利润最大 化。下层问题是确定电动汽车的出行安排和路径选择。上层问题电动汽车充 电需求的时空分布是由下层问题的出行路径调度决策决定的。同时，下层问 题的电价时空分布受上层问题能源管理决策的影响。
上层问题：电动汽车充电站的能源采购和充电定价模型
电动汽车充电站的能源采购和充电定价决策由上层模型确定。在本文 中，我们假设每个电动汽车都有现场的柴油发电和可再生能源发电。传统燃 煤机组的机组组合决策是在日前阶段做出的，而机组出力的调度是在实时阶 段确定的。此外，电动汽车充电站集群作为消费者，参与了日前和实时电力 市场，从电网获取电力，并将电力分配给所有电动汽车充电站。每个电动汽 车充电站的需求包括固定电动汽车负荷和价格响应电动汽车负荷。值得注意 的是，本文讨论了价格响应型电动汽车负荷与电动汽车之间的协调问题。
为了应对可再生能源发电量、实时市场电价和交通条件的不确定性，我 们开发了一个两阶段随机优化模型，通过多场景抽样的方法对不确定性进行 建模。表1列出了各阶段的决策。风险管理包含在所提出的优化模型中。本 文采用均值-方差法对风险进行量化。在目标函数中引入基于均值-方差：
表1电动汽车充电站模型的二阶段决策
电动汽车集成商的出行路线调度模型
在下层模型中，确定了电动汽车集群的出行路线决策。在出行路径调度 问题中，基于不同充电站的充电价格和出行需求的时空分布，确定出行路径 和出发时间。例如，图2说明了三条潜在的出行路线。电动汽车充电站分布 在不同的出行路线上。在考虑出行需求来源、目的地和交通条件的同时，电 动汽车集成商需要做出出行路线调度决策，以降低充电收费成本。
为了简化公式，并充分精确地表示实际情况，优化模型基于以下假设：
i.只考虑一个电动汽车模型，因此所有电动汽车的能量容量和最大额定 功率都相同。此外，每个电动汽车的最大交换功率是相同的。此外，每个电 动汽车中都有足够数量的充电桩，这意味着一旦电动汽车到达电动汽车，就 可以立即充电。
ii.所有电动汽车离开其原始节点时，其电池充满电。此外，所有电动汽 车无法负担任何出发地-目的地的出行需求，而必须在途中充电以补充电池能 量。因此，每辆电动汽车必须通过一个电动汽车充电站才能到达最终目的 地。
iii.电动汽车充电站被视为投资者拥有的公用事业公司(IOS)，由利 润驱动的公司组织。但是，公司需要对电价和服务进行进一步的监管。本文 假设电动汽车的收费价格是影子价格和利润系数的乘积。影子价格的数学解 释是权力平衡约束的二元变量。
在一实施例中，分析了所提出的双层优化模型的结果。以一个9节点样 本传输系统为基础，结合3个EVCSS进行了数值模拟，验证了该方法的优越 性。优化模型在Matlab平台中编程，并使用CPLEX 12.7作为求解器。此 外，我们还使用了一台笔记本电脑和IntelCore i5CPU@2.60GHz和8GB 内存来运行优化模型。我们考虑小时电力市场运行，而由于运输系统和分布 式可再生能源的快速变化特点，电动汽车调度的时间间隔设置为15分钟。我们首先描述了交通系统和电动汽车的配置，然后总结了结果。
图3展示了一个象征性的结构，以表示位于美国德克萨斯州的简化运输 系统。研究区域的详细参数如表二所示。注意，六条绕行道路(8、17、9、 16、5、20)的长度可以忽略。
表2交通数据
本文以宝马i3为例对电动汽车进行了研究。电动汽车电池的容量为 125kw/42.2kwh，行驶距离约为383公里。
表3列出了所有O-D对及其交通需求。电动汽车集成商提前一天安排了 40条时空尺度的出行路线选择。请注意，EVCS I、II和III分别位于5号公 路、9号道路和8号道路上。
表3交通系统中，电动汽车O-D需求数据
在一实施例中，我们假设每个电动汽车配备一个内部柴油发电机、一个 风力发电机和一个光伏发电机组。DG的容量和成本相关参数分别见表4和表 5。
表4发电机运行参数
表5充电站运行管理的不确定性
风力发电和光伏发电概况是根据中国河北省一个项目的数据生成的，如 图7和图8所示，而预测误差的不确定性由表六所列的标准化偏差表示。此 外，24小时电价概况被用作电力采购的价格。日前市场的电动汽车。对于实 时电力市场，我们将五种情景纳入优化模型，以规避不确定性。如图4所 示，日前市场和实时市场中的电价符合美国地区输电组织PJM的历史数据趋 势。此外，利润系数设置为1.1，允许利润率为10％。
充电负荷分为不可控电动汽车负荷和价格响应电动汽车负荷。非可控电 动汽车负荷充电时间主要集中在黄昏至黎明，如图5所示。
能量管理结果
EVCSS内部发电机组调度结果如图6所示。正如预期的那样，由于可再 生能源的燃料成本为零，可再生能源的优先使用权更高。例如，如图6(b) 所示，当在EVCS II中，当光伏输出能够覆盖12:00至17:00的整个EV负载 时，将关闭DGS，不从电网购买电力。此外，电力调度与图4所示的市场电 价密切相关。当电价低于DGS的边际成本时，需求将由电网电力采购提供， 如EVCS I投资组合图所示，从0:00到7:00。相反，在电价较高的情况下， 在电力采购之前，将使用DGS来满足需求。在图6(a)中，我们可以看到， 由于电价不断上涨，DGS在12:30到15:30之间满负荷运行。电动汽车收费 定价政策
电动汽车的充电价格是电动汽车与电动汽车协调的关键。电动汽车的充 电价格由电动汽车的影子价格决定，即电力平衡约束(8)的双变量。
因此，电动汽车的运行状况对充电价格有很大的影响。例如，在EVCS II中，充电价格在12:00至17:00期间降至零，因为光伏发电覆盖了整个不 可控且价格响应的EV负载。当风力发电足以供应整个电动汽车负荷时，电动 汽车公司III也会出现同样的情况。相比之下，可再生能源供应不足，电价 高，会导致充电价格上涨，正如电动汽车公司在12:00和16:00时所看到的 那样。此外，柴油发电机的最小输出也会影响电动汽车的充电价格。例如， 电动汽车充电价格在16:00到17:00之间相对较高。这是因为电动汽车的充 电需求低于内部柴油发电机的最小输出，电动汽车的需求必须通过从电价处 于峰值的电网购买电力来提供。
道路选择分配结果
三台电动汽车价格响应电动汽车的充电功率如图7所示。从结果中可以 看出，一般情况下，电动汽车将安排其路线，以便在充电价格较低的电动汽 车中为其加油。例如，从17:00到21:00，更多的从N2到N8的电动汽车通 勤将选择通过电动汽车III而不是电动汽车II，以降低收费，尽管距离较 长。然而，零收费并不一定会导致大量的充电需求，这可以通过12:00至 17:00期间电动汽车II的低充电需求来反映。这是因为，当价格反应电动汽 车的充电需求达到一定水平时，内部可再生能源资源不足以满足导致内部DG 启动或从电网采购能源的总充电需求。在这两种情况下，由于内部DG和电价 的高启动成本，充电价格将大幅上涨。这一观察反映了电力系统和运输系统 之间的强烈相互依赖性。
案例分析
我们将所提出的双层优化模型的性能与三种基线方法进行了比较，如下 所示：
方法1：均衡每个O-D需求的充电功率分布
方法2：根据建议的方法，不同的固定定价政策作为不同电动汽车的平 均定价政策(电动汽车价格指数：19.08美元/兆瓦时；电动汽车价格指数： 13.70美元/兆瓦时；电动汽车价格指数：2.02美元/兆瓦时)
方法3：统一的固定定价政策作为方法2中不同电动汽车公司之间的平 均定价政策(11.60美元/兆瓦时)
从表7可以看出，与所提出的方法相比，基线法导致电动汽车集成商利 润较低，电动汽车集成商收费成本较高。
表7充电站和电动汽车的运行收入对比
符号
I 充电站集合,i
T 时间集合,t
OD 电动汽车O-D对需求集合,od
A 交通道路集合,a
K 交通路线集合,k
S 场景集合,s
参数和函数
时间t的日前市场价格
场景s时间t的实时市场价格
Prs 场景s的概率
SUi/SDi 充电站i燃煤机组的开机/关机成本
Oi 充电站i燃煤机组的空载成本
充电站i燃煤机组的运行成本函数
pDA.min/pDA.max 日前市场的最小/最大能量采购量
pRT.min/pRT.max 实时市场的最小/最大能量采购量
充电站i时间t的固定电动汽车充电功率
δk,i,t 如果行进路径k在时间间隔t，δk,i,t＝1时通过EVCS i，否则为0。
δa,k,t 如果行进路径k在时间间隔t，δa,k,t＝1，则通过道路a，否则为0。
到达EVCS时的行驶路径k的个别EV SOC
EEV EV的能量容量
PEV EV的额定功率
充电站i的最小/最大充电功率
充电站i的热发电机的最小/最大功率
MUi/MDi 充电站i的热发电机的最小上升/下降时间
RUi/RDi 充电站i的DG的上升/下降速率
在情景s中的时间段t，充电站i的风力单元的可用功率
在情景s中的时间段t，充电站i的来自光伏(PV)单元的可用功率
CCS.G 日前和实时市场中能源采购的成本函数
CCS.U 内部DG产生的能量的成本函数
RCS.EV 在所有EVCS中收取EV的收入函数
β 目标函数的风险参数
Var 目标函数的方差函数
Dod,s 场景s中的起始-目的地对od的流量需求
la 交通道路a的道路长度
v 平均EV速度
EVCS中单个充电桩的最大功率交换
行驶路径k的原点节点的EV SOC
ΔSOCa 通过交通道路a的SOC消耗
交通道路a的自由旅行时间
行程路径k的总充电时间
行程路径k的原点节点的时间点
旅行路径k的到达EVCS的时间点
行驶路径k的离开EVCS的时间点
行程路径k的终点节点的时间点
σ EVCS聚合器的利润系数
决策变量
在时间间隔t的日前市场中的能源采购量
情景s中时间间隔t的实时市场的能源采购量
oi,t 二进制变量，用于指示EVCS i中的DG是否在时间间隔t开启
ui,t 二进制变量，用于指示EVCS i中的DG是否以时间间隔t启动
vi,t 二进制变量，用于指示EVCS i中的DG是否在时间间隔t关闭
在场景s中以时间间隔t在EVCS i中充电
在场景s中以时间间隔t对行进路径k的充电功率
EVCS i在情景s中的时间间隔t的定价
在情景s中时间t从EVCS聚合器到EVCS i的能量分配
在情景s中时间t从EVCS i中的传统燃煤机组产生的能量
场景s中的时间段t，EVCS i中的风电机组出力
场景s中的时间段t，EVCS i中使用太阳能机组吹
情景s中出行路径k的EV交通流量
最后需要指出的是：以上实施例仅用以说明本发明的技术方案，而非对 其限制。尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技 术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改， 或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应 技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (6)
1.市场环境下考虑可再生能源消纳的车网能量交互优化方法，其特征在于：将协调问题建为双层规划模型，上层问题实现电动汽车充电站的最优定价，下层问题确定出行路线和收费决策，使用强对偶定理将上层问题和下层问题合并为一个单层等效问题。
2.根据权利要求1所述的市场环境下考虑可再生能源消纳的车网能量交互优化方法，其特征在于：所述上层问题的目标函数公式(1)为日前和实时市场中能源采购的成本函数、内部分布式燃气机组产生的能量的成本函数、在所有电动汽车充电站中收取EV的收入函数和目标函数方差函数风险成本之和：
其中，S为场景集合；Prs为场景s的概率；CCS.G为日前和实时市场中能源采购的成本函数；CCS.U为内部分布式燃气机组产生的能量的成本函数；RCS.EV为在所有电动汽车充电站中收取EV的收入函数；β为目标函数的风险参数；Var为目标函数的方差函数；
约束条件公式(6)和(7)分别对日前市场和实时市场施加电力采购限制：
其中，pDA.min为日前市场的最小能量采购量，pDA.max为日前市场的最大能量采购量，T为时间集合，pRT.min为实时市场的最小能量采购量，pRT.max实时市场的最大能量采购量，S为场景集合；
约束公式(8)在每个时间间隔内强制每个EVC的功率平衡：
其中，在情景s中时间t从电动汽车充电站聚合器到电动汽车充电站i的能量分配，在情景s中时间t从电动汽车充电站i中的传统燃煤机组产生的能量，oi，t二进制变量，用于指示电动汽车充电站i中的分布式燃气机组是否在时间间隔t开启，场景s中的时间段t，电动汽车充电站i中的风电机组出力，场景s中的时间段t，电动汽车充电站i中使用太阳能机组吹，为电动汽车充电站i在情景s中的时间间隔t的定价；
约束条件公式(9)根据电动汽车服务和行驶路径之间的映射为每个电动汽车提供总电动汽车充电功率：
其中，为在场景s中以时间间隔t在电动汽车充电站i中充电；在场景s中以时间间隔t对行进路径k的充电功率；δk,i,t表示如果行进路径k在时间间隔t，δk,i,t＝1时通过电动汽车充电站i，否则为0；
约束条件公式(10)根据每个电动汽车交通路径聚合器的充电状态需要充电的充电功率：
其中，为在场景s中以时间间隔t对行进路径k的充电功率，为情景s中出行路径k的EV交通流量，为到达电动汽车充电站时的行驶路径k的个别EV电池荷电状态，EEV为EV的能量容量；
限制公式(11)对电动汽车提供的充电电源施加限制：
其中，充电站i的最小充电功率，充电站i的最大充电功率；
约束公式(12)施加了分布式燃气机组功率输出的上下限：
其中，为充电站i的热发电机的最小功率；oi,t为二进制变量，用于指示电动汽车充电站i中的分布式燃气机组是否在时间间隔t开启；在情景s中时间t从电动汽车充电站i中的传统燃煤机组产生的能量，充电站i的热发电机的最大功率，I为充电站i的集合；
约束公式(13)和(14)分别强制执行分布式燃气机组的最小开启时间和最小关闭时间：
其中，MUi充电站i的热发电机的最小上升时间，MDi充电站i的热发电机的最小下降时间；
约束公式(15)和(16)通过定义o、u和v变量值之间的关系来表示分布式燃气机组的承诺状态：
约束条件公式(17)和(18)分别施加爬升或下降限制：
其中，为在情景s中时间t从电动汽车充电站i中的传统燃煤机组产生的能量，RUi为充电站i的分布式燃气机组的上升速率，RDi为充电站i的分布式燃气机组的下降速率；
限制公式(19)和(20)强制限制风能和光伏发电机组的可再生发电输出：
其中，场景s中的时间段t，电动汽车充电站i中的风电机组出力，在情景s中的时间段t，充电站i的风力单元的可用功率。
3.根据权利要求2所述的市场环境下考虑可再生能源消纳的车网能量交互优化方法，其特征在于：所述日前和实时市场中能源采购的成本通过公式(2)计算：
所述内部分布式燃气机组的能量成本通过公式(3)表示：
电动汽车收费的负收入通过公式(4)表示：
收费价格由电力平衡约束的对偶变量和利润系数表示；
为了解决实时市场中可再生能源发电量和电价的不确定性，采用基于均值-方差模型的第四项公式(5)计算风险成本：
参数β为其加权因子。
4.根据权利要求3所述的市场环境下考虑可再生能源消纳的车网能量交互优化方法，其特征在于：所述内部分布式燃气机组的能量成本包括在日前阶段提交和安排分布式燃气机组的成本。
5.根据权利要求4所述的市场环境下考虑可再生能源消纳的车网能量交互优化方法，其特征在于：所述下层问题的目标函数公式为公式(21)：
其中，为到达电动汽车充电站时的行驶路径k的个别EV SOC；EEV为EV的能量容量；为情景s中出行路径k的EV交通流量；σ为电动汽车充电站聚合器的利润系数；为电动汽车充电站i在情景s中的时间间隔t的定价；δk,i,t如果行进路径k在时间间隔t，δk,i,t＝1时通过电动汽车充电站i，否则为0；
约束公式(22)定义了交通路径集和始发地-目的地对需求之间的映射：
其中，Dod,s为场景s中的起始到目的地对od的流量需求，OD为电动汽车O-D对需求集合，λod,s为方程式(22)的对偶变量；
限制公式(23)和(24)限制了价格响应型电动汽车的行驶时间，包括在道路上行驶的时间和电动汽车安全管理系统中的充电时间：
其中，为交通道路a的自由旅行时间，la为交通道路a的道路长度，v为平均EV速度，为行程路径k的总充电时间，为电动汽车充电站中单个充电桩的最大功率交换，到达电动汽车充电站时的行驶路径k的个别EV SOC，EEV为EV的能量容量；
约束公式(25)-(27)定义了三个临界力矩，包括始发时间点、到达电动汽车充电站时间点、出发电动汽车充电站时间点和目的地时间点分别由电动汽车充电站前的行驶时间、电动汽车充电站中的充电时间和电动汽车充电站后的行驶时间决定：
其中，为旅行路径k的到达电动汽车充电站的时间点，为行程路径k的原点节点的时间点，为行驶路径k的离开电动汽车充电站的时间点，为行程路径k的总充电时间，为行程路径k的终点节点的时间点，为交通道路a的自由旅行时间；
约束公式(28)-(30)定义指标参数r，δ，a，k，t，等于1表示ev路径k路径a在时间间隔t，否则为0，
约束(31)和(32)表明，由行驶时间决定的荷电状态可能取决于电动汽车的充电功率：
其中，ΔSOCa为通过交通道路a的SOC消耗，为到达电动汽车充电站时的行驶路径k的个别EV SOC，为行驶路径k的原点节点的EV SOC。
6.根据权利要求5所述的市场环境下考虑可再生能源消纳的车网能量交互优化方法，其特征在于：所述单层等效问题的目标函数公式(33)：
所述单层等效问题引入对偶变量将低阶问题替换为公式(2)-(20)的初始约束、公式(22)-(32)的对偶约束和公式(36)和(37)的强对偶条件，重新构造后：
所述单层等效问题中目标函数约束集中的约束公式(4)是非线性约束，非线性源于充电价格的连续变量和充电功率的连续变量的乘积，其中充电价格是功率平衡约束公式(8)的双变量，它包含在所述上层问题中，而充电功率是所述下层问题中的原始变量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910728985.2A CN110598904B (zh) | 2019-08-08 | 2019-08-08 | 市场环境下考虑可再生能源消纳的车网能量交互优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910728985.2A CN110598904B (zh) | 2019-08-08 | 2019-08-08 | 市场环境下考虑可再生能源消纳的车网能量交互优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110598904A true CN110598904A (zh) | 2019-12-20 |
| CN110598904B CN110598904B (zh) | 2023-06-27 |
Family
ID=68853695
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910728985.2A Active CN110598904B (zh) | 2019-08-08 | 2019-08-08 | 市场环境下考虑可再生能源消纳的车网能量交互优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110598904B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111609867A (zh) * | 2020-06-19 | 2020-09-01 | 北京交通大学 | 一种电动汽车路径规划方法 |
| CN113011929A (zh) * | 2021-04-07 | 2021-06-22 | 湖南理工学院 | 一种非均衡居民出行市场调节方法 |
| CN114612160A (zh) * | 2022-03-23 | 2022-06-10 | 广东电网有限责任公司 | 电动车充电定价方法及装置 |
| CN115663867A (zh) * | 2022-11-01 | 2023-01-31 | 广东天枢新能源科技有限公司 | 基于智能充电网络系统的电动汽车充电调度方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106651059A (zh) * | 2017-01-13 | 2017-05-10 | 国网山西省电力公司 | 一种电动汽车充电站优化配置的方法 |
| CN108876040A (zh) * | 2018-06-21 | 2018-11-23 | 广州供电局有限公司 | 园区能源互联网运营商的多类能源定价与能量管理方法 |
| CN110009152A (zh) * | 2019-04-03 | 2019-07-12 | 东南大学 | 一种考虑电转气和不确定性的区域综合能源系统运行鲁棒优化方法 |
-
2019
- 2019-08-08 CN CN201910728985.2A patent/CN110598904B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106651059A (zh) * | 2017-01-13 | 2017-05-10 | 国网山西省电力公司 | 一种电动汽车充电站优化配置的方法 |
| CN108876040A (zh) * | 2018-06-21 | 2018-11-23 | 广州供电局有限公司 | 园区能源互联网运营商的多类能源定价与能量管理方法 |
| CN110009152A (zh) * | 2019-04-03 | 2019-07-12 | 东南大学 | 一种考虑电转气和不确定性的区域综合能源系统运行鲁棒优化方法 |
Non-Patent Citations (2)
| Title |
|---|
| BUNYAMINYAGCITEKIN ET AL.: "A double-layer smart charging strategy of electric vehicles taking routing and charge scheduling into account", 《APPLIED ENERGY》 * |
| 甘宇翔: "市场环境下园区售电商的最优报价和运行优化", 《电网技术》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111609867A (zh) * | 2020-06-19 | 2020-09-01 | 北京交通大学 | 一种电动汽车路径规划方法 |
| CN113011929A (zh) * | 2021-04-07 | 2021-06-22 | 湖南理工学院 | 一种非均衡居民出行市场调节方法 |
| CN114612160A (zh) * | 2022-03-23 | 2022-06-10 | 广东电网有限责任公司 | 电动车充电定价方法及装置 |
| CN114612160B (zh) * | 2022-03-23 | 2024-05-28 | 广东电网有限责任公司 | 电动车充电定价方法及装置 |
| CN115663867A (zh) * | 2022-11-01 | 2023-01-31 | 广东天枢新能源科技有限公司 | 基于智能充电网络系统的电动汽车充电调度方法 |
| CN115663867B (zh) * | 2022-11-01 | 2023-09-26 | 广东天枢新能源科技有限公司 | 基于智能充电网络系统的电动汽车充电调度方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110598904B (zh) | 2023-06-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Rathor et al. | Energy management system for smart grid: An overview and key issues | |
| Hussain et al. | Optimal Management strategies to solve issues of grid having Electric Vehicles (EV): A review | |
| Saldaña et al. | Electric vehicle into the grid: Charging methodologies aimed at providing ancillary services considering battery degradation | |
| Xu et al. | Greenhouse gas emissions of electric vehicles in Europe considering different charging strategies | |
| Mohanty et al. | Demand side management of electric vehicles in smart grids: A survey on strategies, challenges, modeling, and optimization | |
| Ding et al. | Optimal coordinated operation scheduling for electric vehicle aggregator and charging stations in an integrated electricity-transportation system | |
| Liu et al. | A review on electric vehicles interacting with renewable energy in smart grid | |
| CN110598904B (zh) | 市场环境下考虑可再生能源消纳的车网能量交互优化方法 | |
| Vaya et al. | Centralized and decentralized approaches to smart charging of plug-in vehicles | |
| Pandiyan et al. | Technological advancements toward smart energy management in smart cities | |
| Petrucci et al. | Modelling of a multi-stage energy management control routine for energy demand forecasting, flexibility, and optimization of smart communities using a Recurrent Neural Network | |
| Shafie-Khah et al. | Economic and technical aspects of plug-in electric vehicles in electricity markets | |
| Piazza et al. | Optimal design of electric mobility services for a Local Energy Community | |
| Aguilar-Dominguez et al. | Machine learning approach for electric vehicle availability forecast to provide vehicle-to-home services | |
| Markel et al. | Multi-lab EV smart grid integration requirements study. providing guidance on technology development and demonstration | |
| Zhang et al. | Grid-connected photovoltaic battery systems: A comprehensive review and perspectives | |
| Mercan et al. | Economic model for an electric vehicle charging station with v ehicle‐to‐grid functionality | |
| Sheng et al. | Emission-concerned coordinated dispatching of electrified autonomous mobility-on-demand system and power system incorporating heterogeneous spatiotemporal scales | |
| Wei et al. | Coupled dispatching of regional integrated energy system under an electric-traffic environment considering user equilibrium theory | |
| He et al. | Comprehensive evaluation of electric vehicle charging network under the coupling of traffic network and power grid | |
| CN108665362A (zh) | 一种分布式电站记账系统 | |
| Hasankhani et al. | Optimal charge scheduling of electric vehicles in smart homes | |
| Najafi-Ghalelou et al. | Stochastic two-stage coordination of electric vehicles in distribution networks: A multi-follower bi-level approach | |
| Shamshirband et al. | Stochastic cooperative charging scheduling of PEV fleets in networked microgrids considering price responsive demand and emission constraints | |
| Hale et al. | Electric Vehicle Managed Charging: Forward-Looking Estimates of Bulk Power System Value |
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 |