CN110829446B - 一种基于柔性负荷动态特性的台区弹性调度方法与装置 - Google Patents

Abstract

本发明公开了一种基于柔性负荷动态特性的台区弹性调度方法与装置，建立多目标优化模型；采用多目标粒子群优化算法对多目标优化模型求解得到最优解集；根据最优解集中的电动汽车的可调度资源和空调最大可削减量对负荷进行削峰填谷的调度。本发明提供的一种基于柔性负荷动态特性的台区弹性调度方法与装置，本发明具有以下优点：1）实现削峰填谷、2）提高用户用电满意度、3）充电资源利用率最大化。

Description

一种基于柔性负荷动态特性的台区弹性调度方法与装置

技术领域

本发明涉及一种基于柔性负荷动态特性的台区弹性调度方法与装置，属于电网资源优化调度技术领域。

背景技术

目前，随着我国经济社会的不断发展，电力作为重要的能源供应方式,生产和利用的格局正在发生根本变革。高峰负荷快速增长导致峰谷差逐年拉大,电网的运行特性将更加复杂,管理模式需要做出相应改变。

近年来，以电动汽车和智能空调为代表的柔性负荷逐渐走入人们的视野，柔性负荷参与电网的调度和调节成为了缓解供需侧矛盾的重要手段之一。柔性负荷的柔性调节能力改变了原本负荷单向、被动接受调节的历史，也使负荷参数的刚性、不确定性等特征发生了变化。主动配电网的优化调度引入柔性负荷能够积极消纳间歇式新能源、削峰填谷，有利于丰富电网调度运行的调度手段。而柔性负荷的使用若仅依据用户侧的意愿，使得大量柔性负荷的无序接入将造成该类负荷在电网负荷高峰期大规模集中接入地区配电网，必然加大电网的峰谷差和调频调峰压力，再加上电动汽车开始充电和空调负荷开启时间上比较接近，电力不平衡将更加严重。为此，需在保证用户舒适度与满意度的情况下，对电动汽车充电负荷和空调用电负荷进行有序的调度，尽可能的消除其自身造成的系统功率不平衡与实现对负荷的削峰填谷。

而传统的资源调度方式大多是从供电侧的角度出发，求解在一定的约束条件下满足优化目标函数的可行解。这种传统的调度方式缺乏与用户侧意愿的交互，没有充分考虑用户侧的用电需求。并且其约束条件往往是硬约束，在此种约束条件下，往往难以解决在一些突发用电需求或者其他突发情况下特殊场景下所带来的问题。

发明内容

目的：为了克服现有技术中存在的不足，本发明提供一种基于柔性负荷动态特性的台区弹性调度方法与装置。采用的方法为建立带柔性负荷弹性约束的多目标优化模型，在电动汽车的充电负荷需求与空调的最大可削减负荷量进行预测的基础上，对约束条件进行弹性调整，基于粒子群算法实现对柔性负荷的弹性优化调度。进而实现削峰填谷、提高用户用电满意度、充电资源利用率最大化。

技术方案：为解决上述技术问题，本发明采用的技术方案为：

一种基于柔性负荷动态特性的台区弹性调度方法，包括如下步骤：

建立多目标优化模型；

采用多目标粒子群优化算法对多目标优化模型求解得到最优解集；

根据最优解集中的电动汽车的可调度资源和空调最大可削减量对负荷进行削峰填谷的调度。

一种基于柔性负荷动态特性的台区弹性调度装置，包括如下模块：

模型建立模块：建立多目标优化模型；

模型求解模块：采用多目标粒子群优化算法对多目标优化模型求解得到最优解集；

电网调度模块：根据最优解集中的电动汽车的可调度资源和空调最大可削减量对负荷进行削峰填谷的调度。

作为优选方案，所述多目标优化模型如下：

式中，P_car(t)为t时间段台区提供给电动汽车的可调度资源；T为全天计算时间段数；P_average为负荷平均值；car_need(t)为电动汽车t时间段的充电需求值；P_elastic(t)为t时间段电网提供给电动汽车的可充电资源，P_load(t)为t时间段的常规负荷值，其中包括削峰后的空调负荷；

多目标优化模型约束条件为：

P_car(t)＞car_need(t) (9)

P_air(t)＜air_max(t) (10)

P_car(t)＜P_elastic(t) (11)

其中，sum_car为电动汽车的总充电量，P_air(t)为t时间段的空调削峰值，air_max(t)为t时间段的空调最大可削峰量。

作为优选方案，所述car_need(t)由电动汽车充电需求负荷曲线获得；获得电动汽车充电需求负荷曲线包括如下步骤：

根据日最远行驶里程d_max，计算得到充电时长T_ch；

根据出行时间t₁抽取出每天的充电起始时刻；

通过充电时长和充电功率，计算得到电动车每分钟的充电需求，累加所有电动汽车在相同时间下的需求量；

式中，d_max表示电动汽车群的最远行驶里程；ω为电动汽车行驶每公里的耗电量；P_ch表示充电功率；

式中，μ_d为行驶距离期望值，δ_d为行驶距离标准差；

电动汽车出行时间可近似为对数正态分布模型，其概率密度函数如下：

式中，t₁为每辆电动汽车的出行时间，μ_t为出行时间期望值，δ_t为出行时间标准差；通过仿真算法计算公式(2)、公式(3)得到d_max、t₁。

作为优选方案，所述空调最大可削峰量为两种模式下的所需空调负荷的差值；两种模式包括：一种正常模式，空调一直开启，直到室内与室外温度相同时关闭；另一种是循环模式，开启后根据预测的工作时长有间断的开关；循环模式下空调负荷预测步骤如下：

不同空调开启时刻可近似为对数正态分布模型，其概率密度函数为：

式中：t₂为每台空调的开启时刻，μ_t为开启时刻期望值，δ_t为开启时刻标准差；

而空调使用时长也可近似为对数正态分布模型，其概率密度函数如下：

式中：L为每台空调的使用时长，μ_L为使用时长期望值，δ_L为使用时长标准差；

通过仿真算法计算公式(4)、公式(5)得到t₂、L，根据空调额定功率计算得到各时间段的空调负荷。

作为优选方案，所述P_elastic(t)计算公式如下：

其中：P_elastic(t)为t时间段电网提供给电动汽车的可充电资源，P_basic为电网提供给电动汽车的基础充电资源；P_load(t)为t时间段的常规负荷值，其中包括削峰后的空调负荷；P_average为负荷平均值，

为对充电资源的伸缩系数。

作为优选方案，还包括：惩罚函数H：

其中，

为充电计划不满足充电总量的惩罚系数、β为充电计划不满足当时充电需求时的惩罚系数、γ为充电计划越限的惩罚系数、μ为充电计划不能满足电网所给的充电资源时的惩罚系数；Δcar_sum、Δcar_need(i)、Δcar_access(i)、Δair_sub(i)分别为在公式(8)－公式(11)不成立时，公式(8)－公式(11)约束条件的偏差量。

作为优选方案，

其中，C₁为常系数、β_base为充电计划不满足当时充电需求时的基础惩罚系数、γ_base为充电计划越限的基础惩罚系数、C₂为常系数。

有益效果：本发明提供的一种基于柔性负荷动态特性的台区弹性调度方法与装置，相比传统的资源调度方式大多是从供电侧的角度出发，求解在一定的约束条件下满足优化目标函数的可行解，本发明的创新在于与用户侧意愿进行交互，充分考虑用户侧的用电需求。并且可以解决在一些突发用电需求或者其他突发情况和特殊场景下所带来的问题。本发明具有以下优点：

1)实现削峰填谷、2)提高用户用电满意度、3)充电资源利用率最大化。

附图说明

图1为电动汽车蒙特卡洛仿真流程图；

图2为电动汽车需求预测曲线图；

图3为空调蒙特卡洛仿真流程图；

图4为空调可最大削峰负荷预测曲线图；

图5为多目标优化求解流程图；

图6为帕累托多目标最优解集；

图7为电动汽车调度计划图；

图8为空调调度计划图。

具体实施方式

下面结合附图和实施例来对本发明作进一步描述。

下面分别对发明中建立弹性多目标优化模型、电动汽车充电需求预测、空调最大可削减量预测、模型求解的进行介绍，并据此给出发明方法的详细步骤。

(1)电动汽车充电需求预测

本文采用蒙特卡洛仿真法对N台电动汽车进行总的充电需求预测。

要预测某一时刻下总的电动汽车充电需求，必须知道每辆车当前的充电功率P和充电时长T_ch，然后累加同时刻下的N台电动汽车充电需求。假设充电时长完全由出行计划决定，那么T_ch就和出行计划的出行时间和日行驶里程数相关，即出行前T_ch个小时对电动汽车进行充电。T_ch由下式可得：

式中，d_max表示电动汽车群的最远行驶里程；ω为电动汽车行驶每公里的耗电量；P_ch表示充电功率。充电功率按照场景不同可分为不同充电模式，家用慢充为3.5kW,商场或者停车场模式为7-24kW。

每辆电动汽车的日最远行驶里程d_max近似呈对数正态分布，其概率密度函数如下：

式中，μ_d为行驶距离期望值，δ_d为行驶距离标准差。

电动汽车出行时间可近似为对数正态分布模型，其概率密度函数如下：

式中，t₁为每辆电动汽车的出行时间，其中将24小时划分为1440个时间段，每段为1分钟，μ_t为出行时间期望值，δ_t为出行时间标准差。

具体预测流程如图1所示，在1440个时间段下对每台车出行时间和日行驶里程数进行预测，根据日最远行驶里程d_max，计算得到充电时长T_ch；根据出行时间t₁抽取出每天的充电起始时刻；通过充电时长和充电功率，计算得到电动车每分钟的充电需求，然后将所有电动汽车在相同时间下的需求量进行累加，按照每天的充电起始时刻对应的电动车每分钟的充电需求得到一天24小时1440个时间段下的电动汽车充电需求负荷曲线。

(2)空调最大可削减量预测

对N台空调进行最大可削减量预测需对空调的使用计划进行概率建模，其使用计划概率模型包括开启时刻与使用时长概率模型两个部分。不同空调开启时刻可近似为对数正态分布模型，其概率密度函数为：

式中：t₂为每台空调的开启时刻，其中将24小时划分成1440个时间段，每段1分钟，μ_t为开启时刻期望值，δ_t为开启时刻标准差。

而空调使用时长也可近似为对数正态分布模型，其概率密度函数如下：

式中：L为每台空调的使用时长，μ_L为使用时长期望值，δ_L为使用时长标准差。

为了得到空调负荷削减量，空调使用分为两种模式，一种是正常模式，即空调一直开启，直到室内与室外温度相同时关闭；一种是循环模式，即开启后根据预测的工作时长有间断的开关。

如图3所示，建立空调使用计划概率模型之后，采用蒙特卡洛法进行进行最大可削减量预测。首先，初始化空调群，而后，抽取每台空调每分钟的开启时刻和使用时长，按照额定功率分别算出其在两种模式下的所需负荷，将两种模式下的所需负荷做差得到每台空调在每分钟下的最大削峰量，然后将所有空调在相同时间段下的削峰量进行累加，得到一天24小时1440个时间段下的空调最大可削减量曲线。

(3)充电资源弹性伸缩

在调度模型中，电动汽车可充电资源是能弹性变化的，并能通过调整电动汽车的充电时间和伸缩系数来实现电网负荷的变化，。根据全网不同时间尺度下的常规负荷值、电网提供给电动汽车的基础充电资源、常规负荷值的平均值计算得到可弹性伸缩的电动汽车可充电资源。当处于负荷高峰时，压缩电动汽车的可充电资源，引导电动汽车避开高峰充电；当处于负荷低谷时，伸展电动汽车的可充电资源，鼓励电动汽车接入，充分利用电网资源。电动汽车充电资源可用如下公式表示：

其中，P_elastic(t)为t时间段电网提供给电动汽车的可充电资源，P_basic为电网提供给电动汽车的基础充电资源；P_load(t)为t时间段的常规负荷值，其中包括削峰后的空调负荷；P_average为负荷平均值，即1天24小时常规负荷值的平均值。

为对充电资源的伸缩系数，通常和常规负荷值P_load(t)与负荷平均值P_average的差成一定的反比关系，从而对电网负荷起到削峰填谷的作用。在正常场景时

当遇到突发高充电需求时，为满足用户充电需求，提高充电满意度，可以适当放大弹性系数，伸展充电资源。

(4)建立弹性多目标优化模型

以电动汽车与空调作为控制量，可建立带弹性约束的多目标优化模型，其目标函数为：

式中，P_car(t)为t时间段台区提供给电动汽车的可调度资源；T为全天计算时间段数；P_average为负荷平均值；car_need(t)为电动汽车t时间段的充电需求值。

可见，在负荷无峰谷波动时，供给电动汽车的充电资源变化较小，当负荷存在较大的峰谷波动时，为了避免出行资源空闲与资源拥挤，弹性伸缩电动汽车的充电资源，合理引导电动汽车有序充电。

优化模型目标函数中，目标F₁为负荷均平方差最小，以实现削峰填谷；目标F₂为电动汽车充电需求被满足程度最大，以提高用户充电满意度；目标F₃为供电资源利用率最大，以避免资源闲置或者资源过分紧张状况。

目标函数约束条件为：

电动汽车日总充电量：

电动汽车每时间段需求约束：P_car(t)＞car_need(t) (9)

空调的每时间段可削减约束：P_air(t)＜air_max(t) (10)

电网负荷接入量约束：P_car(t)＜P_elastic(t) (11)

其中，sum_car为电动汽车的总充电量，P_air(t)为t时间段的空调削峰值，air_max(t)为t时间段的空调最大可削峰量。式(8)表示充电计划要满足总的充电需求；式(9)表示同一时刻下，充电计划应当满足当时的充电需求；式(10)表示同一时刻下，空调削峰值要小于当时的最大可削峰量；式(11)表示同一时刻下，充电计划不能超出电网所给的充电资源。

但是，在电网本身充电资源分布不均而且不是远大于充电需求的情况下，以上几个约束很难都被满足，所优化的结果也只能是在最大程度上去满足约束条件。故对约束条件的处理采用惩罚函数的方法。

惩罚函数H：

其中，

β、γ、μ分别是对不满足公式(8)－公式(11)约束的惩罚因子，Δcar_sum、Δcar_need(i)、Δcar_access(i)、Δair_sub(i)分别为公式(8)－公式(11)约束条件的偏差量，表示不满足以上四个约束条件的程度。

为了面对突发高充电需求或者充电资源空闲等特殊场景所带来的一系列问题，惩罚因子是带弹性的，惩罚因子因为特殊场景的出现而发生改变。适当根据场景需求对约束条件进行收紧或者放缩。

其中，

为充电计划不满足充电总量的惩罚，设为常系数C₁；β为任意时间段的充电计划不满足当时充电需求时的惩罚，β_base为充电计划不满足当时充电需求时的基础惩罚系数；γ为任意时间段充电计划越限的惩罚，γ_base为充电计划越限的基础惩罚系数；μ为充电计划不能满足电网所给的充电资源时的惩罚，设为常系数C₂。

当面对爆发性充电需求时，若不计电网充电限制，满足全部充电需求，势必给电网带来巨大的充电压力；而若只是一味从电网供电角度出发，则只能满足极小部分的充电需求，极大影响了用户满意度。因而在此特殊场景下，适当放松对充电资源的限制，适当收紧对需求的约束，通过双方的博弈，使其达到另一种角度的帕累托最优状态。

同时，也引入鼓励函数项，鼓励电动汽车在资源空闲时接入充电，以减轻高峰压力。鼓励函数G如下所示：

G＝λ*(car_need(i)-car_access(i)) (14)

式中，λ为鼓励因子，car_need(i)为充电需求，car_access(i)为允许接入量，当其差值为负时，说明供过于求，此时应该允许更多电动汽车入网充电；而其差值为正时，说明资源紧张，此时不宜引入过多电动汽车充电，故鼓励函数自动变为惩罚项。

(4)模型求解

本文采用多目标粒子群算法对模型进行求解，首先初始化若干粒子并且设置其迭代次数，之后再初始化每个粒子的位置以及速度，计算每个粒子对应的适应度，并且将非劣解添加到外部档案中，然后初始化每个粒子Pbest和gbest，之后通过更新计算，得到粒子新的速度与位置，进行外部档案的维护与最优粒子的更新，如此，反复进行迭代，最后得到帕累托最优解集，从而得到电动汽车与空调的调度计划。

有益效果：本发明提供的一种基于柔性负荷动态特性的台区弹性调度方法与装置，不仅充分考虑了用户实际需求，也考虑了实际调度过程中的特殊场景调度问题，合理引导电动汽车有序充电，实现了在弹性约束下的优化调度。

实施例

下面结合附图对本发明作更进一步的说明。

如图1所示，一种基于柔性负荷动态特性的台区弹性调度方法与装置，包括电动汽车需求预测、空调最大可削减量预测、粒子群多目标优化算法、特殊场景处理的基本方法原理进行介绍，并据此给出本发明方法的详细步骤。

数据准备：

(1)电动汽车需求预测

采用蒙特卡洛法进行电动汽车需求预测，首先模拟100辆电池容量均为40kW·h的电动汽车，其概率密度函数参数为：μ_t＝1140、δ_t＝120。由此，可以初始化每辆电动汽车的充电次数与开始充电时刻。而本文根据电动汽车的出行需求确定充电电量，在留有一定自身带电裕度的情况下，保证电动汽车电池电量可以顺利完成出行计划。对电动汽车日行驶里程概率模型，本文选取的概率参数为：

μ_d＝50、δ_d＝30。

基于以上数据模型，采用蒙特卡洛法抽取电动汽车出行时间与日行驶里程数据，按图1所示流程进行仿真，可得到电动汽车负荷需求曲线如图2所示。取预测结果中每个小时内的平均值为调度模型中电动汽车充电需求曲线的数值。

(2)空调最大可削减量预测

选取空调额定功率P＝2.5kW，温度变化消耗功率C＝0.18kW/℃，空调功率温度转化率R＝5.56℃/kW，室内最低温度T_min＝22℃,室内最高温度T_max＝26℃计算得到正常模式下每台空调的负荷；空调开启时间可近似为对数正态分布模型，其参数为：μ_t＝740、δ_t＝120；空调使用时长也可近似为对数正态分布模型，其参数为：μ_t＝200、δ_t＝30。基于以上数据模型，采用蒙特卡洛法抽取空调开启时间与工作时间，计算循环模式下每台空调的负荷，对1000台空调进行最大可削减量预测，按如流程图3进行仿真，可得到空调最大可削减量曲线如图4所示。与上同理，取每个小时平均值为调度模型中的空调负荷削减量。

(3)多目标优化问题求解

本文采取改进型粒子群算法进行求解，首先在空间初始化100个粒子，每个粒子为24维变量，其分别是24个不同时间段下电动汽车与空调待求解的调度量，具体算法步骤如流程图图5所示。

由流程图可知，多目标粒子群优化算法主要包含三个方面内容：(1)外部档案维护；(2)全局最好位置选取；(3)粒子自身最好位置的更新。

通过300次迭代后，得到的帕累托最优解集如下图6所示：

由此，对比三个指标，采用权重系数法，可选取最优粒子，从而可得到电动汽车与空调的运行计划如下图7与图8所示。

由此可知，在弹性约束下对柔性负荷的多目标调度，实现了对负荷的削峰填谷，平均负荷方差从460988(kW)²下降到205678(kW)²，下降了55.3％，极大的减小了发电机的调峰压力；在对电动汽车充电调度过程中，也充分考虑了供求双方实际特性，使得空闲资源大量得到利用，提高资源利用率；同时，在面对爆发性高充电需求时，平衡供求双方利益，找到了一个最大程度满足用户需求同时兼顾电网当时的实际承受能力，最大程度上不过多增加调峰机组压力的平衡，实现了对电动汽车的有序充电。在对空调的调度过程中，始终站在用户热舒适水平基础上进行合理削峰，实际削峰量不超过最大可削峰量，同时结合当时电网负荷水平，使得在削峰的同时，使得负荷平均峰谷差最小，改善电网负荷水平。

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

Claims (12)

1.一种基于柔性负荷动态特性的台区弹性调度方法，其特征在于：包括如下步骤：

建立多目标优化模型；

采用多目标粒子群优化算法对多目标优化模型求解得到最优解集；

根据最优解集中的电动汽车的可调度资源和空调最大可削减量对负荷进行削峰填谷的调度；

所述多目标优化模型如下：

式中，P_car(t)为t时间段台区提供给电动汽车的可调度资源；T为全天计算时间段数；P_average为负荷平均值；car_need(t)为电动汽车t时间段的充电需求值；P_elastic(t)为t时间段电网提供给电动汽车的可充电资源，P_load(t)为t时间段的常规负荷值，其中包括削峰后的空调负荷；

多目标优化模型约束条件为：

P_car(t)＞car_need(t) (9)

P_air(t)＜air_max(t) (10)

P_car(t)＜P_elastic(t) (11)

其中，sum_car为电动汽车的总充电量，P_air(t)为t时间段的空调削峰值，air_max(t)为t时间段的空调最大可削峰量。

2.根据权利要求1所述的一种基于柔性负荷动态特性的台区弹性调度方法，其特征在于：所述car_need(t)由电动汽车充电需求负荷曲线获得；获得电动汽车充电需求负荷曲线包括如下步骤：

根据日最远行驶里程d_max，计算得到充电时长T_ch；

根据出行时间t₁抽取出每天的充电起始时刻；

通过充电时长和充电功率，计算得到电动车每分钟的充电需求，累加所有电动汽车在相同时间下的需求量；

式中，d_max表示电动汽车群的最远行驶里程；ω为电动汽车行驶每公里的耗电量；P_ch表示充电功率；

式中，μ_d为行驶距离期望值，δ_d为行驶距离标准差；

电动汽车出行时间可近似为对数正态分布模型，其概率密度函数如下：

式中，t₁为每辆电动汽车的出行时间，μ_t为出行时间期望值，δ_t为出行时间标准差；通过仿真算法计算公式(2)、公式(3)得到d_max、t₁。

3.根据权利要求1所述的一种基于柔性负荷动态特性的台区弹性调度方法，其特征在于：所述空调最大可削峰量为两种模式下的所需空调负荷的差值；两种模式包括：一种正常模式，空调一直开启，直到室内与室外温度相同时关闭；另一种是循环模式，开启后根据预测的工作时长有间断的开关；循环模式下空调负荷预测步骤如下：

不同空调开启时刻可近似为对数正态分布模型，其概率密度函数为：

式中：t₂为每台空调的开启时刻，μ_t为开启时刻期望值，δ_t为开启时刻标准差；

而空调使用时长也可近似为对数正态分布模型，其概率密度函数如下：

式中：L为每台空调的使用时长，μ_L为使用时长期望值，δ_L为使用时长标准差；

通过仿真算法计算公式(4)、公式(5)得到t₂、L，根据空调额定功率计算得到各时间段的空调负荷。

4.根据权利要求1所述的一种基于柔性负荷动态特性的台区弹性调度方法，其特征在于：所述P_elastic(t)计算公式如下：

其中：P_elastic(t)为t时间段电网提供给电动汽车的可充电资源，P_basic为电网提供给电动汽车的基础充电资源；P_load(t)为t时间段的常规负荷值，其中包括削峰后的空调负荷；P_average为负荷平均值，

为对充电资源的伸缩系数。

5.根据权利要求1所述的一种基于柔性负荷动态特性的台区弹性调度方法，其特征在于：还包括：惩罚函数H：

其中，

为充电计划不满足充电总量的惩罚系数、β为充电计划不满足当时充电需求时的惩罚系数、γ为充电计划越限的惩罚系数、μ为充电计划不能满足电网所给的充电资源时的惩罚系数；Δcar_sum、Δcar_need(i)、Δcar_access(i)、Δair_sub(i)分别为在公式(8)－公式(11)不成立时，公式(8)－公式(11)约束条件的偏差量。

6.根据权利要求5所述的一种基于柔性负荷动态特性的台区弹性调度方法，其特征在于：

其中，C₁为常系数、β_base为充电计划不满足当时充电需求时的基础惩罚系数、γ_base为充电计划越限的基础惩罚系数、C₂为常系数。

7.一种基于柔性负荷动态特性的台区弹性调度装置，其特征在于：包括如下模块：

模型建立模块：建立多目标优化模型；

模型求解模块：采用多目标粒子群优化算法对多目标优化模型求解得到最优解集；

电网调度模块：根据最优解集中的电动汽车的可调度资源和空调最大可削减量对负荷进行削峰填谷的调度；

所述多目标优化模型如下：

式中，P_car(t)为t时间段台区提供给电动汽车的可调度资源；T为全天计算时间段数；P_average为负荷平均值；car_need(t)为电动汽车t时间段的充电需求值；P_elastic(t)为t时间段电网提供给电动汽车的可充电资源，P_load(t)为t时间段的常规负荷值，其中包括削峰后的空调负荷；

多目标优化模型约束条件为：

P_car(t)＞car_need(t) (9)

P_air(t)＜air_max(t) (10)

P_car(t)＜P_elastic(t) (11)

其中，sum_car为电动汽车的总充电量，P_air(t)为t时间段的空调削峰值，air_max(t)为t时间段的空调最大可削峰量。

8.根据权利要求7所述的一种基于柔性负荷动态特性的台区弹性调度装置，其特征在于：所述car_need(t)由电动汽车充电需求负荷曲线获得；获得电动汽车充电需求负荷曲线包括如下步骤：

根据日最远行驶里程d_max，计算得到充电时长T_ch；

根据出行时间t₁抽取出每天的充电起始时刻；

通过充电时长和充电功率，计算得到电动车每分钟的充电需求，累加所有电动汽车在相同时间下的需求量；

式中，d_max表示电动汽车群的最远行驶里程；ω为电动汽车行驶每公里的耗电量；P_ch表示充电功率；

式中，μ_d为行驶距离期望值，δ_d为行驶距离标准差；

电动汽车出行时间可近似为对数正态分布模型，其概率密度函数如下：

式中，t₁为每辆电动汽车的出行时间，μ_t为出行时间期望值，δ_t为出行时间标准差；通过仿真算法计算公式(2)、公式(3)得到d_max、t₁。

9.根据权利要求7所述的一种基于柔性负荷动态特性的台区弹性调度装置，其特征在于：所述空调最大可削峰量为两种模式下的所需空调负荷的差值；两种模式包括：一种正常模式，空调一直开启，直到室内与室外温度相同时关闭；另一种是循环模式，开启后根据预测的工作时长有间断的开关；循环模式下空调负荷预测步骤如下：

不同空调开启时刻可近似为对数正态分布模型，其概率密度函数为：

式中：t₂为每台空调的开启时刻，μ_t为开启时刻期望值，δ_t为开启时刻标准差；

而空调使用时长也可近似为对数正态分布模型，其概率密度函数如下：

式中：L为每台空调的使用时长，μ_L为使用时长期望值，δ_L为使用时长标准差；

通过仿真算法计算公式(4)、公式(5)得到t₂、L，根据空调额定功率计算得到各时间段的空调负荷。

10.根据权利要求7所述的一种基于柔性负荷动态特性的台区弹性调度装置，其特征在于：所述P_elastic(t)计算公式如下：

其中：P_elastic(t)为t时间段电网提供给电动汽车的可充电资源，P_basic为电网提供给电动汽车的基础充电资源；P_load(t)为t时间段的常规负荷值，其中包括削峰后的空调负荷；P_average为负荷平均值，

为对充电资源的伸缩系数。

11.根据权利要求7所述的一种基于柔性负荷动态特性的台区弹性调度装置，其特征在于：还包括：惩罚函数H：

其中，

为充电计划不满足充电总量的惩罚系数、β为充电计划不满足当时充电需求时的惩罚系数、γ为充电计划越限的惩罚系数、μ为充电计划不能满足电网所给的充电资源时的惩罚系数；Δcar_sum、Δcar_need(i)、Δcar_access(i)、Δair_sub(i)分别为在公式(8)－公式(11)不成立时，公式(8)－公式(11)约束条件的偏差量。

12.根据权利要求11所述的一种基于柔性负荷动态特性的台区弹性调度装置，其特征在于：

其中，C₁为常系数、β_base为充电计划不满足当时充电需求时的基础惩罚系数、γ_base为充电计划越限的基础惩罚系数、C₂为常系数。

Images