CN112018761B - 基于电动汽车v2g的负荷聚合商15分钟备用能力计算方法 - Google Patents
基于电动汽车v2g的负荷聚合商15分钟备用能力计算方法 Download PDFInfo
- Publication number
- CN112018761B CN112018761B CN202010886604.6A CN202010886604A CN112018761B CN 112018761 B CN112018761 B CN 112018761B CN 202010886604 A CN202010886604 A CN 202010886604A CN 112018761 B CN112018761 B CN 112018761B
- Authority
- CN
- China
- Prior art keywords
- user
- charging
- daily
- day
- time
- 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.)
- Expired - Fee Related
Links
- 238000004364 calculation method Methods 0.000 title claims abstract description 18
- 238000000034 method Methods 0.000 claims abstract description 31
- 230000004044 response Effects 0.000 claims abstract description 22
- 230000005611 electricity Effects 0.000 claims abstract description 13
- 238000012502 risk assessment Methods 0.000 claims abstract description 8
- 238000007599 discharging Methods 0.000 claims description 9
- 238000013523 data management Methods 0.000 claims description 4
- 230000002650 habitual effect Effects 0.000 claims description 3
- 230000002354 daily effect Effects 0.000 description 60
- 230000006399 behavior Effects 0.000 description 26
- 239000003245 coal Substances 0.000 description 6
- 239000003795 chemical substances by application Substances 0.000 description 5
- 238000010248 power generation Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L55/00—Arrangements for supplying energy stored within a vehicle to a power network, i.e. vehicle-to-grid [V2G] arrangements
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/008—Circuit arrangements for ac mains or ac distribution networks involving trading of energy or energy transmission rights
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/28—Arrangements for balancing of the load in a network by storage of energy
- H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
- H02J3/322—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means the battery being on-board an electric or hybrid vehicle, e.g. vehicle to grid arrangements [V2G], power aggregation, use of the battery for network load balancing, coordinated or cooperative battery charging
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明公开了一种基于电动汽车V2G的负荷聚合商15分钟备用能力计算方法,根据EV用户历史充电曲线提取充电特征,设计表征充电行为特征的行为标签并计算用户出行的规律性;根据EV用户日V2G的电量、应用地峰谷时段电价确定其参与响应的具体时段;根据串并联网络风险分析方法评估AMI系统的故障概率;基于EV用户日V2G电量和AMI系统的故障概率,计算EV用户未来15分钟能够响应的V2G功率。本发明提供的基于电动汽车V2G的负荷聚合商15分钟备用能力计算方法,通过日均充电量标签计算EV用户日V2G电量,考虑了AMI系统的可靠性,能够对EV参与运行备用的能力进行实时评估,提高了V2G备用市场的可信度。
Description
技术领域
本发明涉及电动汽车充电技术领域,特别是涉及一种基于电动汽车V2G的负荷聚合商15分钟备用能力计算方法。
背景技术
现有电力系统主要利用发电侧的备用措施资源实现功率的实时平衡:在需要向上调节时,一般通过调度传统发电机组,如煤电、水电等来实现;在需要向下调节时,可调资源可进一步扩大到风、光等新能源电源。以煤电为主要的电源的电网结构,通常面临着煤电机组启动慢、存在最小技术出力约束,依赖煤电调节,风电、光伏等新能源发电波动等局限性:或因煤电开机量过多产生弃风弃光问题,引起清洁能源资源的极大浪费;或因煤电来不及开机或调节速率不足,导致调节跟不上可再生能源的快速波动,引起停电风险。因此,有必要充分发现、挖据其他快速功率调节资源,例如发挥需求侧备用资源的作用,寻找技术上可靠、经济上可行的智能电网解决方案。
电动汽车接入电网(vehicle-to-grid,V2G)备用具有响应速度快、市场影响小、灵活机动的特点,这对弥补发电侧备用的不足是有利的。家用电动汽车的充电负荷及V2G响应容量具有明显的时间分布特性和区域分布特性,多集中在工作区和居民区。不同地区的电动汽车(electric vehicle,EV)用户的可转移负荷以及V2G电量可以通过代理商聚合在一起,参与市场运行,获取更大的利益。
EV作为未来电力系统一种潜在且容量可观的运行备用资源,其参与运行备用的能力与当前充/放电功率、当前荷电量状态(state of charge,SOC)、电池组容量、最大充/放电功率,以及用车开始和结束时间等因素有关;由于其中的一些因素为时变因素,因此充电过程中EV提供备用的能力也呈现出时变特征。文献“电动汽车提供备用服务的地区电力市场模型”提出了区域电力市场环境下EV参与备用能力市场交易的机制设计,但并未给出EV参与备用资源调度的可用容量评估。当前的研究缺乏对EV参与运行备用的能力进行实时评估的方法。
发明内容
本发明的目的是提供一种基于电动汽车V2G的负荷聚合商15分钟备用能力计算方法,通过日均充电量标签计算EV用户日V2G电量,基于EV用户日V2G电量和AMI系统的故障概率计算EV用户未来15分钟能够响应的V2G功率,实时评估EV参与运行备用的能力。
为实现上述目的,本发明提供了如下方案:
一种基于电动汽车V2G的负荷聚合商15分钟备用能力计算方法,该方法包括以下步骤:
S1,根据EV用户历史充电曲线提取充电特征,设计表征充电行为特征的行为标签并计算用户出行的规律性;
S2,根据日均充电量标签计算EV用户日V2G电量,根据EV用户日V2G的电量、应用地峰谷时段电价确定其参与响应的具体时段;
S3,根据串并联网络风险分析方法评估AMI系统的故障概率;
S4,基于EV用户日V2G电量和AMI系统的故障概率,计算EV用户未来15分钟能够响应的V2G功率,即负荷聚合商未来15分钟的备用能力。
可选的,所述步骤S1中,根据EV用户历史充电曲线提取充电特征,设计表征充电行为特征的行为标签并计算用户出行的规律性,具体包括:
提取充电特征包括:充电时段、充电间隔、每次充电量和日充电量;
设计下述表征EV用户充电行为特征的行为标签来衡量用户出行的规律性:
习惯起始充电时段Tusual:用户“开始充电”发生频率最高的时段,将一天24小时划分为96个时段,每个时段15分钟,用户的习惯起始充电时段选择为其起始充电时刻所在的长度为15分钟的时段;
习惯起始充电时段可信度C(Tusual):该时段用户开始充电行为的频率值;
日充电量Qd:一天内的每次充电量Einput的累加值,单位:kWh;
日充电量规律性CV(Qd):用户日充电量的变异系数;
充电间隔期望值Exp(In):用户每次充电间隔的期望值,单位:h;
工作日/周末WKDY/WKND:用户行为标签适用的时段;
季节SSN:用户行为标签适用的季节。
可选的,所述步骤S1中,还包括设定行为标签的更新时间,所述更新时间的计算公式为:
其中,Zα/2为置信水平下的Z统计量,σ为总体的标准差,d为允许误差。
可选的,所述步骤S2中,根据日均充电量标签计算EV用户日V2G电量,具体包括:
定义在置信水平为1-α下,EV用户的日均耗电量为:
计及V2G对电池带来的损耗和防止电池过放电,定义EV用户日V2G电量为EV2G:
EV2G=80%BE-Cad (6)
式中,EV2G表示EV用户日V2G电量;BE表示电池能量;
可选的,所述步骤S2中,根据EV用户日V2G的电量、应用地峰谷时段电价确定其参与响应的具体时段,具体包括:
基于EV用户的出行习惯,对于适宜通过V2G参与需求响应的通勤用户,根据公式(6)设定其日V2G目标容量值EV2G;
计算EV用户的可V2G时长:可V2G时长=EV2G×EV放电效率/EV放电功率;
若用户可V2G时长≥日间高峰负荷时段的小时数,EV用户在下班时段继续响应晚高峰负荷时段的V2G;
若用户可V2G时长<夜间高峰负荷时段的小时数,EV用户在下班时段在家参与晚高峰V2G。
可选的,所述步骤S3中,根据串并联网络风险分析方法评估AMI系统的故障概率,具体包括:
故障率:
平均修复时间:
则第i个EV用户AMI系统的故障概率为:
其中,i∈{家庭局域网,智能电表,数据管理系统},λAMI为AMI系统的故障率,λi第i个元件的故障率;rAMI为AMI系统的平均修复时间,ri第i个元件的平均修复时间;μAMI为AMI系统的修复率,以上可由实际系统中元件的运行状态和统计数据计算得到;n为单个AMI系统中元件总数;
可选的,所述步骤S4中,基于EV用户日V2G电量和AMI系统的故障概率,计算EV用户未来15分钟能够响应的V2G功率,即负荷聚合商未来15分钟的备用能力,具体包括:
未来15分钟经过代理参与日间高峰负荷时段和夜间晚高峰的V2G的功率计算如下:
其中,SDR(i)为第i个EV用户对参与未来15分钟的V2G负荷响应召唤的响应状态,SDR(i)=1表示参与,SDR(i)=0表示不参与、代理未发起DR召唤或用户由于AMI系统异常而未响应DR召唤,为EV用户i在第t个时段向电网释放的最大V2G电量,由下式计算:
其中,为当日的前t-1个时段EV用户i参与放电后,剩余的可V2G电量,为EV用户i日V2G电量,为EV用户i最大允许放电功率,当第i个用户在第t个时段放电完毕后,将其所放电量数值赋值给Ei(t),用于后续时段备用能力的计算。
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:本发明提供的基于电动汽车V2G的负荷聚合商15分钟备用能力计算方法,根据用户历史充电曲线提取充电特征,设计表征充电行为特征的行为标签,并给出用户数据标签有效期的设置方法;借助日充电量的变异系数来评估EV用户日充电量的规律性;计及EV日行驶距离、日耗电量的随机特性,将用户每日耗电量或每日充电量视为随机变量,并在计算日V2G电量时计及了V2G对电池带来的损耗和防止电池过放电影响;根据EV用户日可V2G的电量、应用地峰谷时段电价等约束条件确定其参与响应的具体时段;根据串并联网络风险分析方法评估可修复的先进表计基础设施AMI的可靠性;基于EV用户日V2G电量和AMI系统的故障概率计算EV用户未来15分钟能够响应的V2G功率,实时评估EV参与运行备用的能力。
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性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明基于电动汽车V2G的负荷聚合商15分钟备用能力计算方法的流程图;
图2是本发明多个EV用户V2G电量及时段示意图;
图3是V2G备用服务供应流程图。
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基于电动汽车V2G的负荷聚合商15分钟备用能力计算方法,提出的短时备用计算方法考虑了各用户日行驶距离的随机性,计算结果为区间范围而非某一数值,对目标容量用户来说更易实现;考虑了AMI系统的可靠性,能够对EV参与运行备用的能力进行实时评估,提高了V2G备用市场的可信度,为实现V2G备用与发电备用的联合优化调度、研究含V2G备用的备用市场交易模式研究奠定了基础。
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为本发明基于电动汽车V2G的负荷聚合商15分钟备用能力计算方法的流程图,如图1所示,本发明提供的基于电动汽车V2G的负荷聚合商15分钟备用能力计算方法,包括以下步骤:
S1,根据EV用户历史充电曲线提取充电特征,设计表征充电行为特征的行为标签并计算用户出行的规律性;
S2,根据日均充电量标签计算EV用户日V2G电量,根据EV用户日V2G的电量、应用地峰谷时段电价确定其参与响应的具体时段;
S3,根据串并联网络风险分析方法评估AMI系统的故障概率;
S4,基于EV用户日V2G电量和AMI系统的故障概率,计算EV用户未来15分钟能够响应的V2G功率,即负荷聚合商未来15分钟的备用能力。
根据用户历史充电曲线提取用户的充电及出行行为的基本特征,包括充电时段、充电间隔、每次充电量和日充电量。用户出行规律受多种因素影响,这些因素主要包括:日类型(工作日、非工作日)及出行用途、温度、季节。
其中,所述步骤S1中,根据EV用户历史充电曲线提取充电特征,设计表征充电行为特征的行为标签并计算用户出行的规律性,具体包括:
提取充电特征包括:充电时段、充电间隔、每次充电量和日充电量;
设计下述表征EV用户充电行为特征的行为标签来衡量用户出行的规律性:
习惯起始充电时段Tusuai:用户“开始充电”发生频率最高的时段,将一天24小时划分为96个时段,每个时段15分钟,用户的习惯起始充电时段选择为其起始充电时刻所在的长度为15分钟的时段;
习惯起始充电时段可信度C(Tusual):该时段用户开始充电行为的频率值;
日充电量Qd:一天内的每次充电量Einput的累加值,单位:kWh;
日充电量规律性CV(Qd):用户日充电量的变异系数;
充电间隔期望值Exp(In):用户每次充电间隔的期望值,单位:h;
工作日/周末WKDY/WKND:用户行为标签适用的时段;
季节SSN:用户行为标签适用的季节。
考虑到用户数据标签具有一定的时效性,因此需要定期更新以保证用户需求响应的效果。根据统计学中样本容量的确定方法,用户数据标签需要设定有效期(工作日天数),所述有效期作为更新时间。所述步骤S1中,还包括设定行为标签的更新时间,所述更新时间的计算公式为:
其中,Zα/2为置信水平下的Z统计量,σ为总体的标准差,一般设为0.5,d为允许误差。
例如,选择在置信水平为95%下,允许误差7.6%,则可间隔半年(即间隔126个工作日)更新用户数据标签。对于日充电量随季节变化显著的EV用户,可约定按季度更新标签。
日充电量规律性由日充电量的变异系数表示。变异系数(Coefficient ofVariance,CV)为常用的相对性指标。变异系数即标准差与均值的比率,常用于比较两个总体均值不等或量纲不同的指标的离散度。
用户各标签的规律性指标的定义如下:
式中,p(x)为x在历史数据中出现的频率近似估计。CVi越小,表示用户该标签值越稳定、规律性越强。
为了体现各用户在其习惯起始充电时段内开始充电的可靠程度,根据用户在该时段开始充电的发生概率表征用户习惯起始充电时间规律性。概率越大,表明用户习惯起始充电时间的规律性越强。
从用户数据时效性的角度来看,用户习惯充电时段及其可信度、日充电量期望值、日充电量规律性和充电间隔期望值及其规律性等分类标签,皆具有动态属性,即需要定期更新以保证标签的有效性。而这些特征标签在一定程度上反映了用户内生属性(如用户是否工作、电动汽车电池容量大小等)或用户充放电行为习惯,故在短期内又具有稳定性。
用户可进行V2G的电量大小与其电池剩余电量有关。现计及EV日行驶距离、日耗电量的随机特性(温度、道路拥堵情况、出行时间、选择路径不同,会导致日行驶距离和日耗电量的不同),将用户每日耗电量(或每日充电量)视为随机变量。当样本容量(即历史充电数据统计天数)足够大时,则可以用正态分布近似估计其均值置信区间。
所述步骤S2中,根据日均充电量标签计算EV用户日V2G电量,具体包括:
定义在置信水平为1-α下,EV用户的日均耗电量为:
其中,为根据历史数据统计的日均充电电量;Zα/2为置信水平下的Z统计量;S为历史数据标准差;N为历史天数;N越大,近似程度越好。EV用户日V2G电量与其日均耗电量Cad和电池能量BE有关。当用户可以通过V2G获利时,可以假设用户每日结束充电后的EV是充满状态。
计及V2G对电池带来的损耗和防止电池过放电,定义EV用户日V2G电量为EV2G:
EV2G=80%BE-Cad (6)
式中,EV2G表示EV用户日V2G电量;BE表示电池能量;
所述步骤S2中,根据EV用户日V2G的电量、应用地峰谷时段电价确定其参与响应的具体时段,具体包括:
基于EV用户的出行习惯,对于适宜通过V2G参与需求响应的通勤用户,根据公式(6)设定其日V2G目标容量值;
计算EV用户的可V2G时长:可V2G时长=EV2G×EV放电效率/EV放电功率;
若用户可V2G时长≥日间高峰负荷时段的小时数,EV用户在下班时段继续响应晚高峰负荷时段的V2G;
若用户可V2G时长<夜间高峰负荷时段的小时数,EV用户在下班时段在家参与晚高峰V2G。
谷峰划分可参照应用地的峰谷平销售电价及时段。例如北京市峰谷平分时销售电价表(峰:10:00-15:00和18:00-21:00,电价1.2282元/kWh;谷:23:00-7:00,电价0.3518元/kWh;平:其他时段,电价0.8495元/kWh)。
假设EV用户一小时V2G放电功率为3.5kW,其放电效率为0.92,根据V2G电量计算方法,EV2G≥19.02kWh(对应可V2G时长≥5小时,19.02×0.92÷3.5≈5)的EV用户,建议其在工作区参与日间(10:00—15:00,5h)V2G;EV2G<11.41kWh(对应可V2G时长<3小时,11.41×0.92÷3.5≈3)的EV用户,为了避免影响用户当日的返程,建议其在下班后在家参与晚高峰(18:00—21:00,3h)V2G。
当EV用户的充电间隔和日充电量规律性指标值皆显著高于其他用户时,不适宜将其视为可信负荷响应用户,因此不建议此类用户参与V2G响应。
则多个EV用户的可用V2G电量如图2所示,色块为所对应EV用户在该高峰时段以均匀放电功率所能参与V2G的电量EV2G。
EV用户通过V2G参与基于激励的负荷响应依赖于负荷响应系统通过AMI(先进表计基础设施)接收DR事件的召唤以及对参与V2G的电量进行计量。AMI系统可以看作由智能家居网络,智能电表,邻域网,数据管理系统和广域网等元件串联组成。考虑到邻域网及广域网具有冗余的数据传输路径,可靠性较高,可以忽略由于邻域网及广域网失效导致用户V2G失败的概率。因此,EV用户通过AMI实施V2G的可靠性由AMI系统中除去邻域网及广域网之外的其他组成元件串联所构成的串联系统的可靠性决定。
所述步骤S3中,根据串并联网络风险分析方法评估AMI系统的故障概率,具体包括:
故障率:
平均修复时间:
则第i个EV用户AMI系统的故障概率为:
其中,i∈{家庭局域网,智能电表,数据管理系统},λAMI为AMI系统的故障率,λi第i个元件的故障率;rAMI为AMI系统的平均修复时间,ri第i个元件的平均修复时间;μAMI为AMI系统的修复率,以上可由实际系统中元件的运行状态和统计数据计算得到;n为单个AMI系统中元件总数;
所述步骤S4中,基于EV用户日V2G电量和AMI系统的故障概率,计算EV用户未来15分钟能够响应的V2G功率,即负荷聚合商未来15分钟的备用能力,具体包括:
未来15分钟经过代理参与日间高峰负荷时段和夜间晚高峰的V2G的功率计算如下:
其中,SDR(i)为第i个EV用户对参与未来15分钟的V2G负荷响应召唤的响应状态,SDR(i)=1表示参与,SDR(i)=0表示不参与、代理未发起DR召唤或用户由于AMI系统异常而未响应DR召唤,为EV用户i在第t个时段向电网释放的最大V2G电量,由下式计算:
其中,为当日的前t-1个时段EV用户i参与放电后,剩余的可V2G电量,为EV用户i日V2G电量,为EV用户i最大允许放电功率,当第i个用户在第t个时段放电完毕后,将其所放电量数值赋值给Ei(t),用于后续时段备用能力的计算。
图3表明,在传统市场中,能量由发电侧单向传递给电力公司,再由电力公司单向传递到负荷侧,因此,在该市场模式下,资金流也是单向传递;而在含V2G的市场中,能量在电动汽车和电网之间是双向传递,同时资金也在电动汽车用户和电力公司之间双向传递。
本发明提供的基于电动汽车V2G的负荷聚合商15分钟备用能力计算方法,根据用户历史充电曲线提取充电特征,设计表征充电行为特征的行为标签,并给出用户数据标签有效期的设置方法;借助日充电量的变异系数来评估EV用户日充电量的规律性;计及EV日行驶距离、日耗电量的随机特性(温度、道路拥堵情况、出行时间、选择路径不同,会导致日行驶距离和日耗电量的不同),将用户每日耗电量(或每日充电量)视为随机变量,并在计算日V2G电量时计及了V2G对电池带来的损耗和防止电池过放电影响;根据EV用户日可V2G的电量、应用地峰谷时段电价等约束条件确定其参与响应的具体时段;根据串并联网络风险分析方法评估可修复的先进表计基础设施AMI的可靠性;基于EV用户日V2G电量和AMI系统的故障概率计算EV用户未来15分钟能够响应的V2G功率,实时评估EV参与运行备用的能力。
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 (5)
1.一种基于电动汽车V2G的负荷聚合商15分钟备用能力计算方法,其特征在于,包括以下步骤:
S1,根据EV用户历史充电曲线提取充电特征,设计表征充电行为特征的行为标签并计算用户出行的规律性;
S2,根据日均充电量标签计算EV用户日V2G电量,根据EV用户日V2G的电量、应用峰谷时段电价确定其参与响应的具体时段;
S3,根据串并联网络风险分析方法评估AMI系统的故障概率,具体包括:
故障率:
平均修复时间:
则第i个EV用户AMI系统的故障概率为:
其中,i∈{家庭局域网,智能电表,数据管理系统},λAMI为AMI系统的故障率,λi为第i个元件的故障率;rAMI为AMI系统的平均修复时间,ri为第i个元件的平均修复时间;μAMI为AMI系统的修复率;以上参数由实际系统中元件的运行状态和统计数据计算得到;n为单个AMI系统中元件总数;
S4,基于EV用户日V2G电量和AMI系统的故障概率,计算EV用户未来15分钟能够响应的V2G功率,即负荷聚合商未来15分钟的备用能力,具体包括:
未来15分钟经过代理参与日间高峰负荷时段和夜间晚高峰的V2G的功率计算如下:
其中,SDR(i)为第i个EV用户对参与未来15分钟的V2G负荷响应召唤的响应状态,SDR(i)=1表示参与,SDR(i)=0表示不参与、代理未发起DR召唤或用户由于AMI系统异常而未响应DR召唤,为EV用户i在第t个时段向电网释放的最大V2G电量,由下式计算:
2.根据权利要求1所述的基于电动汽车V2G的负荷聚合商15分钟备用能力计算方法,其特征在于,所述步骤S1中,根据EV用户历史充电曲线提取充电特征,设计表征充电行为特征的行为标签并计算用户出行的规律性,具体包括:
提取充电特征包括:充电时段、充电间隔、每次充电量和日充电量;
设计下述表征EV用户充电行为特征的行为标签来衡量用户出行的规律性:
习惯起始充电时段Tusual:用户“开始充电”发生频率最高的时段,将一天24小时划分为96个时段,每个时段15分钟,用户的习惯起始充电时段选择为其起始充电时刻所在的长度为15分钟的时段;
习惯起始充电时段可信度C(Tusual):该时段用户开始充电行为的频率值;
日充电量Qd:一天内的每次充电量Einput的累加值,单位:kWh;
日充电量规律性CV(Qd):用户日充电量的变异系数;
充电间隔期望值Exp(In):用户每次充电间隔的期望值,单位:h;
工作日/周末WKDY/WKND:用户行为标签适用的时段;
季节SSN:用户行为标签适用的季节。
5.根据权利要求4所述的基于电动汽车V2G的负荷聚合商15分钟备用能力计算方法,其特征在于,所述步骤S2中,根据EV用户日V2G的电量、应用峰谷时段电价确定其参与响应的具体时段,具体包括:
基于EV用户的出行习惯,对于适宜通过V2G参与需求响应的通勤用户,根据公式(6)设定其日V2G目标容量值EV2G;
计算EV用户的可V2G时长:可V2G时长=EV2G×EV放电效率/EV放电功率;
若用户可V2G时长≥日间高峰负荷时段的小时数,EV用户在下班时段继续响应晚高峰负荷时段的V2G;
若用户可V2G时长<夜间高峰负荷时段的小时数,EV用户在下班时段在家参与晚高峰V2G。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010886604.6A CN112018761B (zh) | 2020-08-28 | 2020-08-28 | 基于电动汽车v2g的负荷聚合商15分钟备用能力计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010886604.6A CN112018761B (zh) | 2020-08-28 | 2020-08-28 | 基于电动汽车v2g的负荷聚合商15分钟备用能力计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112018761A CN112018761A (zh) | 2020-12-01 |
CN112018761B true CN112018761B (zh) | 2022-04-15 |
Family
ID=73502288
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010886604.6A Expired - Fee Related CN112018761B (zh) | 2020-08-28 | 2020-08-28 | 基于电动汽车v2g的负荷聚合商15分钟备用能力计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112018761B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112848946B (zh) * | 2021-02-20 | 2022-10-04 | 国网上海市电力公司 | 一种基于优化配电网分布的电动汽车充电桩充电改进方法 |
CN113269372B (zh) * | 2021-06-23 | 2024-08-23 | 华北电力大学 | 一种考虑用户意愿的集群电动汽车可调度容量预测评估方法 |
CN114239903B (zh) * | 2021-10-27 | 2023-02-17 | 国网浙江省电力有限公司杭州市钱塘新区供电公司 | 基于设备同时率的配电网可开放容量计算方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9582020B2 (en) * | 2013-03-15 | 2017-02-28 | Dominion Resources, Inc. | Maximizing of energy delivery system compatibility with voltage optimization using AMI-based data control and analysis |
CN105515083A (zh) * | 2015-08-20 | 2016-04-20 | 樊朝晖 | 一种支持安全动态增容的电动汽车群充电微网控制方法 |
CN106026076B (zh) * | 2016-05-17 | 2018-06-12 | 上海电力学院 | 一种计及电动汽车支撑能力的用户侧供电可靠性评估方法 |
CN107248010A (zh) * | 2017-06-06 | 2017-10-13 | 重庆大学 | 计及负荷聚合商和电动汽车响应可靠性的优化调度方法 |
CN109740845A (zh) * | 2018-11-29 | 2019-05-10 | 广西电网有限责任公司电力科学研究院 | 一种ami可靠性指标体系 |
-
2020
- 2020-08-28 CN CN202010886604.6A patent/CN112018761B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN112018761A (zh) | 2020-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112018761B (zh) | 基于电动汽车v2g的负荷聚合商15分钟备用能力计算方法 | |
Mohanty et al. | Demand side management of electric vehicles in smart grids: A survey on strategies, challenges, modeling, and optimization | |
CN105322559B (zh) | 一种基于v2g技术的电动汽车配电调度控制方法 | |
Zhu et al. | The case for efficient renewable energy management in smart homes | |
Dang et al. | Ev charging management with ann-based electricity price forecasting | |
CN104966127B (zh) | 一种基于需求响应的电动汽车经济调度方法 | |
Dang | Electric vehicle (EV) charging management and relieve impacts in grids | |
Atia et al. | More accurate sizing of renewable energy sources under high levels of electric vehicle integration | |
CN108688503A (zh) | 计及输电阻塞的电动汽车用户充电选择辅助决策方法 | |
O'Connell et al. | Electric vehicle (EV) charging management with dynamic distribution system tariff | |
EP2746093A1 (en) | Method and apparatus for optimized management of an electric vehicle charging infrastructure | |
Kajanova et al. | Social welfare-based charging of electric vehicles in the microgrids fed by renewables | |
CN112613682A (zh) | 一种电动汽车充电负荷预测方法 | |
CN113746105B (zh) | 电力需求响应的优化控制方法、装置、设备和存储介质 | |
Li et al. | Multi-objective optimal dispatching of electric vehicle cluster considering user demand response | |
Schlund | Electric vehicle charging flexibility for ancillary services in the german electrical power system | |
Malik et al. | Cooperative game theory based peer to peer energy trading algorithm | |
Vujasinović et al. | Demand side management and integration of a renewable sources powered station for electric vehicle charging into a smart grid | |
Hodge et al. | The effects of vehicle‐to‐grid systems on wind power integration | |
CN110048414B (zh) | 一种虚拟电厂互动资源补贴定价方法 | |
Manoj et al. | Optimal Sizing and Operation of PV based Battery Swapping Station considering EV Uncertainties for an Indian Residential Community | |
Zhong et al. | Enhancing peak load shifting effect by using smart contract of electric vehicle charging | |
Gyawali et al. | Impact Analysis of Electric Vehicle with V2G and G2V Service in Distribution Network | |
Jiang et al. | Network-Aware Electric Vehicle Coordination for Vehicle-to-Anything Value Stacking Considering Uncertainties | |
CN115860163B (zh) | 基于系统运行指标的新能源发电偏差评估方法及系统 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220415 |