CN110890763B - 限制充放电状态切换的电动汽车与光伏发电协同调度方法 - Google Patents

Abstract

本发明公开了一种限制充放电状态切换的电动汽车与光伏发电协同调度方法，用以考虑在电动汽车充放电调度过程的频繁充放电状态切换问题；本发明通过获取光伏出力数据和电动汽车行驶数据之后，以降低光伏出力波动为目标，对电动汽车的充电行为进行调度，从而得到优化调度后的电动汽车充放电功率和光伏出力曲线。本发明可以在降低光伏出力波动方差的同时，降低电动汽车的充放电状态切换频率，减少切换次数，从而降低对动力电池的损耗。

Description

限制充放电状态切换的电动汽车与光伏发电协同调度方法

技术领域

本发明涉及电动汽车优化调度技术领域，特别是一种限制充放电状态切换的 电动汽车与光伏发电协同调度方法。

背景技术

近年来，随着人们生活水平的提高，私家车的数量急剧增长，使得化石燃料 消耗加剧，而且大量的尾气排放也给空气带来了严重的污染。在能源危机和环境 污染的双重压力下，电动汽车和新能源发电都得到了长足的发展，国内外都开始 大力推广发展电动汽车和新能源技术。

随着电动汽车及其相关技术的成熟和应用，电动汽车的普及已经成为一种未 来趋势。但电动汽车接入电网，其无序充电行为会给电网带来很大的影响，如加 剧负荷不平衡、影响电压质量等等。同时光伏发电因为天气等因素的影响，光伏 出力具有间歇性、不确定性等特点，会给电网带来很大的冲击。近年来，随着技 术的发展，电动汽车可以和电网实现电能周转。因此，可以考虑将电动汽车和光 伏发电结合到一起进行协同调度，利用电动汽车作为移动式储能设备，在光伏出 力较高时，电动汽车进行充电，在光伏出力较低时，电动汽车进行放电，这样就 可以平抑光伏发电的波动。

目前，国内外学者针对电动汽车与可再生能源发电的协同调度问题进行了广 泛的研究，但对电动汽车充放电调度过程频繁的充放电状态切换问题关注较少。 频繁的充放电状态切换会对电池造成很大的损耗，从而增加了调度成本。在目前 调度模型中，为了限制频繁的充放电状态切换，会将电动汽车根据其荷电状态分 为两组，动态调整每组电动汽车，但该调度策略更适应于集群电动汽车调度。

发明内容

本发明的目的在于提供一种限制充放电状态频繁切换的电动汽车和光伏发 电的协同调度方法，在降低光伏出力波动的同时限制频繁的电动汽车充放电状态 切换，对电动汽车与可再生能源发电的结合提供有力的技术支撑。

实现本发明目的的技术方案为：一种限制充放电状态切换的电动汽车与光伏 发电协同调度方法，包括以下步骤：

步骤1、建立电动汽车与光伏发电协同调度模型；

步骤2、确定协同调度模型约束条件；

步骤3、对电动汽车与光伏发电协同调度模型进行求解。

与现有技术相比，本发明的有益效果为：(1)本发明考虑了电动汽车的充放 电状态切换问题，对目标函数做了改进，添加了惩罚项，使得优化过程中舍弃那 些改善效果差、持续时间短的充放电过程，从而在降低光伏出力波动的同时，避 免了频繁的充放电状态切换问题，使得电动汽车动力电池的损耗降低，调度成本 降低；(2)本发明基于光伏出力数据和电动汽车行驶信息，在调度时充分考虑了 电动汽车动力电池的储电量，设置其荷电状态不能低于0.3，不能高于0.95，避 免了电动汽车过充或者过放对电池造成严重损伤，影响动力电池使用寿命；(3) 本发明科学合理，对研究调度电动汽车有很强的适用性，效果好。

附图说明

图1是本发明实施例中求解方法流程图。

图2是本发明实施例中光伏出力曲线图。

图3是本发明实施例的优化后光伏出力曲线图。

图4是本发明实施例的电动汽车充放电功率曲线图。

图5是本发明实施例光伏出力标准差随参与调度的电动汽车数量变化曲线 图。

图6是本发明实施例电动汽车充放电状态切换次数对比图。

图7是本发明实施例的参与调度的车辆1荷电状态及充放电功率曲线对比图。

具体实施方式

本发明的一种限制充放电状态切换的电动汽车与光伏发电协同调度方法，包 括以下步骤：

步骤1、建立电动汽车与光伏发电协同调度模型

以限制充放电状态切换，降低光伏出力波动方差为目标，目标函数如下：

式(1)中，F表示目标函数，f_pv表示光伏出力波动方差，A是惩罚项；

P_total(t)表示t时刻光伏出力和电动汽车充电功率之和，可以被表示为：

式(2)中，P_pv(t)为t时刻光伏出力，为正值。

为第i辆电动汽车一天 内的充电负荷，可以表示为：

式(3)中，

为第i辆电动汽车充电标记，电动汽车参与调度时刻标记为 1，否则标记为0；

为第i辆电动汽车放电标记，电动汽车参与调度时刻标 记为1，否则标记为0。

为第i辆电动汽车额定充电功率。

式(1)中，P_avg表示一天光伏出力和电动汽车充电之和的平均值，可以被表 示为：

式(1)中，

是抑制电动汽车频繁切换充放电状态的惩罚项，其中a 是根据波动改善情况确定的参数，T_i是单次充电或放电的时间。在该目标函数下， 只有充电或者放电持续时间内的波动改善效果大于惩罚项时才会保留，这样一方 面可以应对瞬时突变，也可以使得持续时间延长，减少充放电状态切换次数。

步骤2、确定协同调度模型约束条件

①荷电状态约束。

为了减小对电动汽车动力电池的损耗，要避免电动汽车过充过放，限制其荷 电状态为0.3到0.95，同时也可以满足用户计划外的出行需要。

②充放电不同时进行约束。

每一辆电动汽车参与优化调度时，充电行为和放电行为在同一时刻不能同时 发生。因此，充电标记值

和放电标记值

不能同时为非0值。

③充放电功率约束.

电动汽车入网后的充放电功率应在正负额定充电功率之间。

④电动汽车停靠约束。

仅当电动汽车状态为入网可控状态，即电动汽车接入该微网时，电动汽车才 参与优化调度。当电动汽车为离网耗能状态或入网不可控状态时，电动汽车充电 功率为0。式(8)中，

为第i辆接入微网的电动汽车t时刻的功率输出；state_i(t) 为第i辆电动汽车t时刻的状态，定义电动汽车离网耗能状态为-1，入网不可控 状态为0，入网可控状态为1。

⑤荷电状态连续性约束。

电动汽车一天内充电量应等于耗电量的总和，以保证电动汽车荷电状态的连 续性。式中，η为电动汽车充电效率，Δt是时间间隔，在本文中时间间隔为一分 钟；

为第i辆电动汽车t时刻的行驶耗能功率，当state_i(t)≠-1时该值为0。

步骤3、电动汽车调度模型求解

电动汽车优化调度模型关键在于根据目标函数的大小对电动汽车充放电功 率进行优化，得到限制充放电切换次数的条件下的光伏出力波动最小，使用遗传 算法进行求解，其关键是对种群进行重复多次的选择、交叉与变异操作，从而得 到最优解。具体内容是：

(1)首先生成初始种群，得到初始的电动汽车充放电功率和荷电状态；

(2)将得到的电动汽车荷电状态、充放电数据带入步骤2的约束条件进行判 定，若不符合约束条件中的任意一条，则重新初始化该种群个体，直至 满足全部约束条件；

(3)根据步骤1计算每个个体的适应度值，选择最小的值对应的个体；

(4)然后进行选择、交叉和变异操作得到新的种群，重复执行步骤2的约束 条件，不满足时重新进行选择、交叉和变异操作；

(5)重复执行步骤(3)，直至满足停止条件。

下面结合附图和实施例对本发明作进一步说明。

实施例

一种限制充放电状态切换的电动汽车与光伏发电协同调度模型，包括以下步 骤：

1)建立电动汽车与光伏发电协同调度模型

以限制充放电状态切换，降低光伏出力波动方差为目标，目标函数如下：

式(1)中，P_total(t)表示t时刻光伏出力和电动汽车充电功率之和，可以被表 示为：

参照图2，式(2)中，P_pv(t)为t时刻光伏出力，为正值。

为第i辆电 动汽车一天内的充电负荷，可以表示为：

式(3)中，

为第i辆电动汽车充电标记，电动汽车参与调度时刻标记为 1，否则标记为0；

为第i辆电动汽车放电标记，电动汽车参与调度时刻标 记为1，否则标记为0。

为第i辆电动汽车额定充电功率。

式(1)中，P_avg表示一天光伏出力和电动汽车充电之和的平均值，可以被表 示为：

式(1)中，

是抑制电动汽车频繁切换充放电状态的惩罚项，其中a 是根据波动改善情况确定的参数，T_i是单次充电或放电的时间。在该目标函数下， 只有充电或者放电持续时间内的波动改善效果大于惩罚项时才会保留，这样一方 面可以应对瞬时突变，也可以使得持续时间延长，减少充放电状态切换次数。

2)约束条件

①荷电状态约束。

为了减小对电动汽车动力电池的损耗，要避免电动汽车过充过放，限制其荷 电状态为0.3到0.95，同时也可以满足用户计划外的出行需要。

②充放电不同时进行约束。

每一辆电动汽车参与优化调度时，充电行为和放电行为在同一时刻不能同时 发生。因此，充电标记值

和放电标记值

不能同时为非0值。

③充放电功率约束.

电动汽车入网后的充放电功率应在正负额定充电功率之间。

④电动汽车停靠约束。

仅当电动汽车状态为入网可控状态，即电动汽车接入该微网时，电动汽车才 参与优化调度。当电动汽车为离网耗能状态或入网不可控状态时，电动汽车充电 功率为0。式(8)中，

为第i辆接入微网的电动汽车t时刻的功率输出；state_i(t) 为第i辆电动汽车t时刻的状态，定义电动汽车离网耗能状态为-1，入网不可控 状态为0，入网可控状态为1。

⑤荷电状态连续性约束。

电动汽车一天内充电量应等于耗电量的总和，以保证电动汽车荷电状态的连 续性。式中，η为电动汽车充电效率，Δt是时间间隔，在本文中时间间隔为一分 钟；

为第i辆电动汽车t时刻的行驶耗能功率，当state_i(t)≠-1时该值为0。

3)电动汽车调度模型求解

电动汽车优化调度模型关键在于根据目标函数的大小对电动汽车充放电功 率进行优化，得到限制充放电切换次数的条件下的光伏出力波动最小，使用遗传 算法进行求解，其关键是对种群进行重复多次的选择、交叉与变异操作，从而得 到最优解。参照图1，具体内容是：

(1)首先生成初始种群，得到初始的电动汽车充放电功率和荷电状态；

(2)将得到的电动汽车荷电状态、充放电数据带入步骤2)的约束条件进行 判定，若不符合约束条件中的任意一条，则重新初始化该种群个体，直 至满足全部约束条件；

(3)根据步骤1)计算每个个体的适应度值，选择最小的值对应的个体；

(4)然后进行选择、交叉和变异操作得到新的种群，重复执行步骤2)的约 束条件，不满足时重新进行选择、交叉和变异操作；

(5)重复执行步骤(3)，直至满足停止条件。

参照图2，本发明以实际光伏出力曲线为例进行分析，对本发明的调度策略 进行验证。

参照图3，是优化后的光伏出力曲线，经过调度后光伏出力较小值提升，较 大值降低，两者存在统一的趋势。参照图4，可以看出，在没有光伏出力的晚间 时段，电动汽车以放电为主，而白天则以充电为主，这样可以使得整体光伏出力 曲线向中间值靠拢，从而减小光伏出力波动幅度，降低光伏出力波动方差。整体 调度改善效果如下表1所示：

表1光伏出力方差和峰谷数据

参照图5，随着参与调度的电动汽车数量增加，光伏出力波动的标准差逐渐 减小，说明车辆规模越大，改善效果越好。

参照图6、图7，方案一是对目标函数不作改进，不添加惩罚项；方案二是 将充放电状态切换时间限定为30min；方案三是采用本发明的模型，添加惩罚项。 采用方案三，充放电状态切换次数明显降低，其改善效果如下表2所示：

表2 不同方案改善效果对比

从以上图形曲线以及表格数据的对比可以看出使用本发明的调度模型对电 动汽车进行调度可以在降低光伏出力波动的同时明显降低充放电状态切换次数， 使得电池损耗减小，调度成本降低。

以上论述仅仅是本发明的一个实施例，任何在本发明的基础上所作的等效变 换，均包括在本发明的专利保护范围内。

Claims (3)

1.一种限制充放电状态切换的电动汽车与光伏发电协同调度方法，其特征在于，包括以下步骤：

步骤1、建立电动汽车与光伏发电协同调度模型；具体为：

目标函数如下：

式(1)中，F表示目标函数，f_pv表示光伏出力波动方差，A是惩罚项；

P_total(t)表示t时刻光伏出力和电动汽车充电功率之和，表示为：

式(2)中，P_pv(t)为t时刻光伏出力，为正值；

为第i辆电动汽车一天内的充电负荷，表示为：

式(3)中，

为第i辆电动汽车充电标记，电动汽车参与调度时刻标记为1，否则标记为0；

为第i辆电动汽车放电标记，电动汽车参与调度时刻标记为-1，否则标记为0；

为第i辆电动汽车额定充电功率；

式(1)中，P_avg表示一天光伏出力和电动汽车充电之和的平均值，表示为：

式(1)中，

是抑制电动汽车频繁切换充放电状态的惩罚项，其中a是根据波动改善情况确定的参数，T_i是单次充电或放电的持续时间；

步骤2、确定协同调度模型约束条件；

步骤3、对电动汽车与光伏发电协同调度模型进行求解。

2.根据权利要求1所述的限制充放电状态切换的电动汽车与光伏发电协同调度方法，其特征在于，约束条件包括荷电状态约束、充放电不同时进行约束、充放电功率约束、电动汽车停靠约束、荷电状态连续性约束；

1)荷电状态约束：

为荷电状态；

2)充放电不同时进行约束：

充电标记值

和放电标记值

不能同时为非0值；

3)充放电功率约束：

电动汽车入网后的充放电功率应在正负额定充电功率之间；

4)电动汽车停靠约束：

仅当电动汽车状态为入网可控状态，即电动汽车接入微网时，电动汽车才参与优化调度；当电动汽车为离网耗能状态或入网不可控状态时，电动汽车充电功率为0；式(8)中，

为第i辆接入微网的电动汽车t时刻的功率输出；state_i(t)为第i辆电动汽车t时刻的状态，定义电动汽车离网耗能状态为-1，入网不可控状态为0，入网可控状态为1；

5)荷电状态连续性约束：

电动汽车一天内充电量应等于耗电量的总和，η为电动汽车充电效率，Δt是时间间隔，在本文中时间间隔为一分钟；

为第i辆电动汽车t时刻的行驶耗能功率，当state_i(t)≠-1时该值为0。

3.根据权利要求2所述的限制充放电状态切换的电动汽车与光伏发电协同调度方法，其特征在于，步骤3使用遗传算法进行求解，对种群进行重复多次的选择、交叉与变异操作，从而得到最优解，具体方法为：

S1、生成初始种群，得到初始的电动汽车充放电功率和荷电状态；

S2、将得到的电动汽车荷电状态、充放电数据带入步骤2的约束条件进行判定，若不符合约束条件中的任意一条，则重新初始化种群个体，直至满足全部约束条件；

S3、计算每个个体的适应度值，选择最小的值对应的个体；

S4、进行选择、交叉和变异操作得到新的种群，重复执行步骤2的约束条件，不满足时重新进行选择、交叉和变异操作；

S5、重复执行S3，直至满足停止条件。

Images