CN112332433B - 一种电动汽车参与填谷辅助服务可转移负荷容量分析方法 - Google Patents

Abstract

本发明涉及一种电动汽车参与填谷辅助服务可转移负荷容量分析方法，具体包括以下步骤：步骤1、建立基于logistic函数的电动汽车用户可接受调度的概率模型，计算电动汽车用户可接受负荷转移调度的概率；步骤2、对单个电动汽车进行最大响应容量分析，并计算出电动汽车在该辅助服务时段下各时刻物理可转移负荷容量；步骤3、基于步骤1用户接受负荷转移调度的概率和步骤2电动汽车物理可转移负荷容量计算电动汽车期望可转移负荷容量。本发明可应用于实际工程中电动汽车集群可调潜力评估及调控补偿机制设置，为负荷聚集商聚合代理电动汽车资源参与辅助服务市场模式的容量评估提供理论支撑。

Description

一种电动汽车参与填谷辅助服务可转移负荷容量分析方法

技术领域

本发明属于电力系统辅助服务技术领域，涉及可转移负荷容量分析方法，尤其是一种电动汽车参与填谷辅助服务可转移负荷容量分析方法。

背景技术

电动汽车在我国政策大力支持下实现了快速发展，随着电动汽车居民持有量不断提高，显著提升了电力负荷预测及电力系统规划和运行难度。但另一方面，电动汽车具有可调性强、响应速度快、调节方式灵活等优势，可通过充电桩直接控制其充放电状态，经有效聚合后可为电力系统提供多元辅助服务。

现有电动汽车参与辅助服务可调控负荷容量分析方法，大多在电动汽车出行概率模型基础之上评估电动汽车可调容量，入网后默认即认为充放电功率实时可调，电动汽车充电最大功率值即为可转移负荷容量上限，下限为放电最大功率值，在这种假设下，电动汽车可转移容量仅仅是某一独立时刻的最大可调潜力，对应着，其研究应用场景多为电动汽车参与一次、二次、三次调频，而非某一时段下整体最大可调容量。因此，电力调度系统需要获得大量实时数据作为调度模型的参数，电动汽车跟踪AGC信号效果并不显著，很难应用与实际调控中。随着电力辅助服务市场建设提速，市场参与主体也日趋多元化，2019年冀北虚拟电厂示范工程首创泛在可调资源参与电力调峰辅助服务市场机制，首次将电动汽车等第三方主体纳入电力调峰辅助服务市场，通过响应调峰需求在夜间低谷多用电，拉升低谷负荷，缓解由于调峰困难引起的弃风限电，实现风电多发、增发。那么，如何对电动汽车参与调峰填谷辅助服务这一应用场景下的可转移负荷容量建模分析成为实际工程中需要面临的技术问题。

电动汽车在夜间多处于停泊状态，此时处于夜间负荷低谷，电动汽车参与填谷辅助服务前，负荷聚集商需要对其最大可转移负荷潜力进行评估，再结合相应的用户补偿机制对用户参与响应的行为进行补偿，从而拉升低谷负荷。对辅助服务市场开放这一时段内对电动汽车可转移负荷容量进行评估将具有更实际的应用。因此，本发明结合实际情况，提出一种电动汽车参与填谷辅助服务可转移负荷容量分析方法。

发明内容

本发明的目的在于克服现有技术的不足，提出一种电动汽车参与填谷辅助服务可转移负荷容量分析方法，能够为负荷聚集商聚合代理电动汽车资源参与辅助服务市场模式的容量评估提供理论支撑。

本发明解决其现实问题是采取以下技术方案实现的：

一种电动汽车参与填谷辅助服务可转移负荷容量分析方法，具体包括以下步骤：

步骤1、建立基于logistic函数的电动汽车用户可接受调度的概率模型，计算电动汽车用户可接受负荷转移调度的概率；

步骤2、对单个电动汽车进行最大响应容量分析，并计算出电动汽车在该辅助服务时段下各时刻物理可转移负荷容量；

步骤3、基于步骤1用户接受负荷转移调度的概率和步骤2电动汽车物理可转移负荷容量计算电动汽车期望可转移负荷容量。

而且，所述步骤1的具体方法为：提取用户特征数据，以充电移动时长和负荷转移补偿机制下的用户效用为影响因子，通过logistic函数将问题转化为车主面临接受调度指令和不接受调度指令两个方案的选择问题，建立基于logistic函数的电动汽车用户可接受调度的概率模型，并计算电动汽车用户可接受负荷转移调度的概率。

而且，所述基于logistic函数的电动汽车用户可接受调度的概率模型为：

x_i＝α_i+β₁M_i+β₂E_iC_i+u (1)

其中，式(1)中，x_i可通过logistic函数被转化为概率；M_i表示充电移动时长、E_i表示电动汽车i用户参与辅助服务市场的最大容量潜力，从用户角度考虑，E单位记为kWh，同时补贴C_i的单位取元/kWh；α为基准概率系数；β₁、β₂分别为变量系数(β₁小于0，β₂大于0)；u为随机变量误差，式中各项变量系数需要通过调研，基于统计数据进行拟合得到；

其中，系数β₁、β₂由分布式并行大数据处理平台依据获取的用户特征数据，包括电动汽车价位、使用年限、用户对辅助服务市场了解程度等用户数据结合市场调研大数据分析基础上计算所得，不作为本发明需要解决的重点。

F(x)是logistic函数的累计概率密度函数，取值范围为(0,1)；式(2)(3)中，决策变量X是取值为1和0的随机变量，X＝1表示车主接受指令参与调度，X＝0表示车主不接受指令并选择立即充电；P_i(X)表示EV_i进行决策X的概率。

而且，所述步骤2的具体步骤包括：

(1)采集电动汽车入网时刻面板数据，并由此得到电动汽车基准充电功率曲线；

(2)将步骤2第(1)步得到的电动汽车基准充电功率曲线结合电动汽车入网充电的必要充电时长，得到电动汽车在离网前的最迟充电时刻和电动汽车负荷可转移时间区间；

(3)依据电动汽车在网时段与辅助服务市场开放时段的交错关系，概况梳理出5种电动汽车参与填谷辅助服务下的SOC变化曲线，然后指出各情况下电动汽车充电开始时间与结束时间，在此基础之上得到单个电动汽车及电动汽车集群在参与负荷转移响应后于各时刻的充电功率，减去基准充电功率即为电动汽车在该辅助服务时段下各时刻物理可转移负荷容量。

而且，所述步骤2第(1)步的具体步骤包括：

①从电动汽车分布式数据库及应用平台获得入网时刻电动汽车参数，并得到电动汽车基准充电功率曲线；

从电动汽车分布式数据库及应用平台获得入网时刻电动汽车参数具体包括：电动汽车编号i，电池容量C、入网时刻tⁱ _in以及用户预设的离网时刻tⁱ _out，入网初始荷电状态SOCⁱ _in。车主为了避免电池过度放电，会主观设置一个SOCⁱ _min值，在低于SOCⁱ _min时选择充电，并且保证下一段车程结束之后电池SOC尽可能不低于SOCⁱ _min；此外，考虑用户心理，若已知减少一部分充电功率可以获得经济补贴，在补贴的激励下，用户愿意放弃离网达到满充这一要求而设置一个相对满意的期望荷电率SOCⁱ _exc，SOCⁱ _exc∈[SOCⁱ _in,SOC_max]，即只要用户离网时荷电率可以达到SOCⁱ _exc便不会影响用户后续对参与辅助服务的积极性。

②根据电动汽车充电功率、入网时刻SOC状态以及电池最大容量可以得到电动汽车充电至SOC_exc所需时长，如下：

③结合电动汽车入网时刻及充电所需时长给出电动汽车基准充电曲线p_i,ori。

而且，所述步骤2第(2)步的具体步骤包括：

①假定充电过程为恒定功率模式，EV_i在tⁱ _in时刻接入电网，根据是否参与响应决定采取立即充电模式或者按照EVA指令进行调整充电时间，当EV_i在停放状态内充满至SOC_max后便转入空闲状态，另外BC段表示为满足出行需求的强制充电约束，即B点为最迟充电时间。

②电动汽车在可调区域内主要有以下三种情况：1)入网-立即充电-空闲-离网；2)入网-空闲-充电-空闲-离网；3)入网-空闲-充电-离网。

那么最迟充电时间tⁱ _sj及直线BC可表示为：

其中，p_i为EV_i的充电功率，认为是一个恒定的值，C_i为EV_i的电池容量，η为充电效率。当电动汽车参与调峰辅助服务时，必要时需要减少一部分充电时间以扩大响应容量，进一步降低该时段充电负荷，此时SOCⁱ _exc≤SOCⁱ _out≤SOC_max；但参与填谷辅助服务时无需缩短充电时间，此时BC经过D点，即SOCⁱ _exc＝SOC_max＝100％。

而且，所述步骤2第(3)步的具体步骤包括：

①概括梳理出5种情况下电动汽车参与填谷辅助服务下的期望SOC变化曲线；

考虑电动汽车在网时段与辅助服务市场开放时段[T_low,T_up]的交错关系有以下五种情况：

1)当辅助服务响应时段与电动汽车充电负荷可平移区间无交叉,认为EV_i不具可调性，EV_i从入网时刻开始正常充电至满充；

2)当入网时间满足T_low<tⁱ _in<T_up时，电动汽车应立即充电以使充电区间尽量落在辅助服务响应时段[T_low,T_up]内，那么EV_i应从入网时刻开始正常充电至满充。

3)当tⁱ _in<T_low<tⁱ _sj时，由于电动汽车待充容量有限，那么也应该推迟充电时间至[T_low,T_up]内，考虑到移动时间尺度越大则负荷移动难度越大，EV_i则应设置从辅助服务开始时刻T_low开始充电至满充。

4)当tⁱ _sj<T_low<tⁱ _out时，为同时满足用户充电约束以及最大化辅助服务响应参与度，EV_i则应设置从tⁱ _sj开始，并最终达到预设SOCⁱ _exc,。

②指出各情况下电动汽车充电开始时间与结束时间，在此基础之上得到单个电动汽车与电动汽车集群在各时刻的充电功率：

要求电动汽车推迟充电时长M_i为：

那么，电动汽车i在该填谷辅助服务时段内可转移负荷容量P_可调,i(t)表示为：

P_可调,i(t)＝p_响应,i-p_基准,i,t∈[T_s ⁱ _tart,k,T_e ⁱ _nd,k] (10)

那么，EV集群在填谷辅助服务时段内各时刻的最大可调容量就可以表示为：

而且，所述步骤3的具体步骤包括：

(1)依据步骤2得到的用户参与填谷辅助服务市场的最大电量E、负荷转移时长M以及预设度电补贴水平可以计算得到电动汽车参与响应的概率P；计算结果与电动汽车参与响应后充电功率乘积即为期望充电曲线。

(2)计算EV集群预期可调容量为：

式中，P_响应，i(t)、P_基准，i(t)分别表示t时刻电动汽车i参与和不参与辅助服务响应时的充电功率，P^exc _可调(t)则表示基于用户决策的电动汽车集群期望可转移负荷容量。

本发明的优点和有益效果：

1、本发明提供一种电动汽车参与填谷辅助服务可转移负荷容量分析方法，基于电动汽车入网时刻数据与填谷辅助服务市场时段，评估电动汽车参与某时段填谷辅助服务的可转移负荷容量。考虑实际运行中电动汽车用户面临调度指令时的选择与负荷平移时长及负荷转移补偿机制直接相关，提出基于logistic函数的用户响应模型用来描述用户接受调度指令的概率，其中需要说明，负荷聚集商为有效引导并培养用户主动参与调峰的习惯，在实际运行中需要提前于市场发布，适用于一段时间的较为稳定的补偿机制而非采用动态补偿。然后，依据电动汽车入网时刻面板数据梳理出私家电动汽车参与填谷辅助服务的五种情景及其最大可转移负荷容量。在此基础之上，计算预设补偿机制下单一电动汽车期望可转移负荷容量，进一步计算得到整个电动汽车集群参与辅助服务调度的期望可转移负荷容量。

2、本发明立足于发电侧以风电为主的高比例能源接入，传统调峰资源紧张，需求侧如电动汽车等新型主体逐步纳入参与电力辅助服务的实际情况，针对补偿机制下辅助服务时段内可转移负荷容量评估这一问题，本发明提出了一种电动汽车参与填谷辅助服务可转移负荷容量分析方法，可应用于实际工程中电动汽车集群可调潜力评估及调控补偿机制设置，模型清晰明确，根据模型求解到精确解，准确度提高。另外，与实时调度相比，本方法数据要求不高，可转移负荷容量评估及补偿机制计算过程简单，便于相关技术人员掌握操作原理，为负荷聚集商聚合代理电动汽车资源参与辅助服务市场模式的容量评估提供理论及应用支撑。

附图说明

图1是本发明的电动汽车参与辅助服务市场的负荷转移原理图；

图2是本发明的单个电动汽车充电负荷可平移区间示意图；

图3是本发明的辅助服务时段与负荷平移区间交错情况对充电行为的影响示意图；

图4是本发明的用户响应函数下的EV集群参与填谷辅助服务容量计算流程图；

图5是本发明的电动汽车群基准充电功率及参与填谷辅助服务后充电功率分布示意图；

图6是本发明的基于用户响应函数的期望充电功率曲线示意图；

图7是本发明的负荷聚集商收益与E、M的关系示意图。

具体实施方式

以下结合附图对本发明实施例作进一步详述：

一种电动汽车参与填谷辅助服务可转移负荷容量分析方法，具体包括以下步骤：

步骤1、建立基于logistic函数的电动汽车用户可接受调度的概率模型，计算电动汽车用户可接受负荷转移调度的概率；

所述步骤1的具体方法为：提取用户特征数据，以充电移动时长和负荷转移补偿机制下的用户效用为影响因子，通过logistic函数将问题转化为车主面临接受调度指令和不接受调度指令两个方案的选择问题，建立基于logistic函数的电动汽车用户可接受调度的概率模型，并计算电动汽车用户可接受负荷转移调度的概率。

在本实施例中，负荷聚集商通过聚合电动汽车集群，通过EVA(电动汽车分布式数据库及应用平台)界面下达指令，可以通过改变电动汽车充电模式从而获得响应辅助服务市场的能力。EVA下发指令后，各个电动汽车用户根据出行安排以及权衡参与调控带来的收益与损失后决定是否参与调控，由此可知，各个电动汽车自身充电时段与目标时段T_func的时间交错程度直接影响其调节难度。

如图1所示，阴影部分代表辅助服务市场开放时段，各个市场运营机构根据发用电计划预测在负荷高峰时段与低谷时段开放调峰市场，刺激各方资源主动释放调峰能力实现移峰填谷，降低电网投资运行压力。用户按照参与市场交易电量实现辅助服务费用分摊。每个实线块代表一个电动汽车基准充电负荷，时间跨度代表充电时段。虚线块代表电动汽车为了参与辅助服务可以在时间上进行平移的负荷潜力。理论上，EV充电时段分布区间距离目标时段T_func越大，调节难度越大，那么负荷聚集商为实现负荷平移给用户提供的激励成本即价格补偿也就越大。

从电动汽车接入电网收到EVA指令后直到离开电网的过程中，用户选择具体的充电模式会取决于用户最初的一次性决策，并且主要对EVA指令要求充电移动时长和由于参与调度而可获得的价格补偿进行评估。因此，本发明主要就以上两个因子研究其对用户参与度的影响。基于logistic函数将问题转化为车主面临接受调度指令和不接受调度指令两个方案的选择问题，建立用户可接受调度的概率模型：

x_i＝α_i+β₁M_i+β₂E_iC_i+u (1)

其中，式(1)中，x_i可通过logistic函数被转化为概率；M_i表示充电移动时长、E_i表示电动汽车i用户参与辅助服务市场的最大容量潜力，从用户角度考虑，E单位记为kWh，同时补贴C_i的单位取元/kWh；α为基准概率系数；β₁、β₂分别为变量系数(β₁小于0，β₂大于0)；u为随机变量误差，式中各项变量系数需要通过调研，基于统计数据进行拟合得到。

其中，系数β₁、β₂由分布式并行大数据处理平台依据获取的用户特征数据，包括电动汽车价位、使用年限、用户对辅助服务市场了解程度等用户数据结合市场调研大数据分析基础上计算所得，不作为本发明需要解决的重点。

F(x)是logistic函数的累计概率密度函数，取值范围为(0,1)；式(2)(3)中，决策变量X是取值为1和0的随机变量，X＝1表示车主接受指令参与调度，X＝0表示车主不接受指令并选择立即充电；P_i(X)表示EV_i进行决策X的概率。

步骤2、对单个电动汽车进行最大响应容量分析，并计算出电动汽车在该辅助服务时段下各时刻物理可转移负荷容量；

所述步骤2的具体步骤包括：

(1)从电动汽车分布式数据库及应用平台采集电动汽车入网时刻面板数据，并由此得到电动汽车基准充电功率曲线；

在本实施例中，从电动汽车分布式数据库及应用平台获得入网时刻电动汽车参数，并得到电动汽车基准充电功率曲线。

分布式平台获取参数具体包括：电动汽车编号i，电池容量C、入网时刻tⁱ _in以及用户预设的离网时刻tⁱ _out(但并不代表其开始充电及充电完毕的时刻)，入网初始荷电状态SOCⁱ _in。车主为了避免电池过度放电，会主观设置一个SOCⁱ _min值，在低于SOCⁱ _min时选择充电，并且保证下一段车程结束之后电池SOC尽可能不低于SOCⁱ _min；此外，考虑用户心理，若已知减少一部分充电功率可以获得经济补贴，在补贴的激励下，用户愿意放弃离网达到满充这一要求而设置一个相对满意的期望荷电率SOCⁱ _exc，SOCⁱ _exc∈[SOCⁱ _in,SOC_max]，即只要用户离网时荷电率可以达到SOCⁱ _exc便不会影响用户后续对参与辅助服务的积极性。

根据电动汽车充电功率、入网时刻SOC状态以及电池最大容量可以得到电动汽车充电至SOC_exc所需时长，如下：

再结合电动汽车入网时刻及充电所需时长给出电动汽车基准充电曲线p_i,ori。

(2)将步骤2第(1)步得到的电动汽车基准充电功率曲线结合电动汽车入网充电的必要充电时长，得到电动汽车在离网前的最迟充电时刻和电动汽车负荷可转移时间区间；

在本实施例中，一般情况下，电动汽车在网时长大于有效充电时长，电动汽车在网会存在充电及空闲两种状态，结合步骤2的第(1)步式(4)充电所需时长可得到电动汽车在离网前的最迟充电时刻。

基于当前研究基础，本发明给出恒定功率充电模式下单个EV_i参与辅助服务的充电负荷转移区间，如图2所示：

本发明假定充电过程为恒定功率模式，EV_i在tⁱ _in时刻接入电网，根据是否参与响应决定采取立即充电模式或者按照EVA指令进行调整充电时间，当EV_i在停放状态内充满至SOC_max后便转入空闲状态，另外BC段表示为满足出行需求的强制充电约束，即B点为最迟充电时间。

电动汽车在可调区域内主要有以下三种情况：1)入网-立即充电-空闲-离网；2)入网-空闲-充电-空闲-离网；3)入网-空闲-充电-离网。

那么最迟充电时间tⁱ _sj及直线BC可表示为：

其中，p_i为EV_i的充电功率，认为是一个恒定的值，C_i为EV_i的电池容量，η为充电效率。当电动汽车参与调峰辅助服务时，必要时需要减少一部分充电时间以扩大响应容量，进一步降低该时段充电负荷，此时SOCⁱ _exc≤SOCⁱ _out≤SOC_max；但参与填谷辅助服务时无需缩短充电时间，此时BC经过D点，即SOCⁱ _exc＝SOC_max＝100％。

(3)依据电动汽车在网时段与辅助服务市场开放时段的交错关系，概况梳理出5种电动汽车参与填谷辅助服务下的SOC变化曲线，然后指出各情况下电动汽车充电开始时间与结束时间，在此基础之上得到单个电动汽车及电动汽车集群在参与负荷转移响应后于各时刻的充电功率，减去基准充电功率即为电动汽车在该辅助服务时段下各时刻物理可转移负荷容量。

在本实施例中，首先，概括梳理出5种情况下电动汽车参与填谷辅助服务下的期望SOC变化曲线，然后指出各情况下电动汽车充电开始时间与结束时间，在此基础之上得到单个电动汽车与电动汽车集群在各时刻的充电功率，减去基准充电曲线即为电动汽车在该辅助服务时段下可转移负荷容量。

所述步骤2第(3)步的具体步骤包括：

①概括梳理出5种情况下电动汽车参与填谷辅助服务下的期望SOC变化曲线；

考虑电动汽车在网时段与辅助服务市场开放时段[T_low,T_up]的交错关系有以下五种情况，其中线段AE表示基准充电状态下SOC变化曲线，虚线则表示参与填谷辅助服务时SOC变化曲线，如图3所示：

1)当辅助服务响应时段与电动汽车充电负荷可平移区间无交叉，如图3(a)、图3(e),认为EV_i不具可调性，EV_i从入网时刻开始正常充电至满充；

2)当入网时间满足T_low<tⁱ _in<T_up时，如图3(b)电动汽车应立即充电以使充电区间尽量落在辅助服务响应时段[T_low,T_up]内，那么EV_i应从入网时刻开始正常充电至满充。

3)当tⁱ _in<T_low<tⁱ _sj时，由于电动汽车待充容量有限，那么也应该推迟充电时间至[T_low,T_up]内，考虑到移动时间尺度越大则负荷移动难度越大，EV_i则应设置从辅助服务开始时刻T_low开始充电至满充，如附图3(c)。

4)当tⁱ _sj<T_low<tⁱ _out时，为同时满足用户充电约束以及最大化辅助服务响应参与度，EV_i则应设置从tⁱ _sj开始，并最终达到预设SOCⁱ _exc,如图3(d)。

②指出各情况下电动汽车充电开始时间与结束时间，在此基础之上得到单个电动汽车与电动汽车集群在各时刻的充电功率：

要求电动汽车推迟充电时长M_i为：

那么，电动汽车i在该填谷辅助服务时段内可转移负荷容量P_可调,i(t)表示为：

P_可调,i(t)＝p_响应,i-p_基准,i,t∈[T_s ⁱ _tart,k,T_e ⁱ _nd,k] (10)

那么，EV集群在填谷辅助服务时段内各时刻的最大可调容量就可以表示为：

步骤3、基于步骤1用户接受负荷转移调度的概率和步骤2电动汽车物理可转移负荷容量计算电动汽车期望可转移负荷容量。

所述步骤3的具体步骤包括：

(1)依据步骤2得到的用户参与填谷辅助服务市场的最大电量E、负荷转移时长M以及预设度电补贴水平可以计算得到电动汽车参与响应的概率P；计算结果与电动汽车参与响应后充电功率乘积即为期望充电曲线。

(2)计算EV集群预期可调容量为：

式中，P_响应，i(t)、P_基准，i(t)分别表示t时刻电动汽车i参与和不参与辅助服务响应时的充电功率，P^exc _可调(t)则表示基于用户决策的电动汽车集群期望可转移负荷容量。

下面结合具体算例，对本发明做进一步说明：

由于本类型的可平移负荷价格补偿问题属于事前决策，考虑到电动汽车用户此类小微用户参与市场初期黏性并不强，负荷聚集商为有效引导并培养用户主动参与辅助服务的习惯，需要提前于市场发布适用于一段时间的较为稳定的补偿机制而非采用动态补偿机制，以此提高用户获得感，避免出现用户由于无法预测期望的价格补偿或厌恶补偿水平频繁波动而拒绝参与。同时，负荷聚集商在指定价格水平时使用的辅助服务出清价格只能是基于大数据对未来一段时间内的平均价格水平预测。

算例中将以负荷聚集商代理用户参与上级批发市场的模式下期望利润最大化为目标函数，求得给予电动汽车用户的最佳价格补偿及电动汽车集群负荷可转移容量。

在本发明背景中，EVA根据辅助服务市场目标时段、EV_i入网时刻SOC和用户设置的离网时刻、离网预期SOC计算其M_i和E_i，下发给用户后，用户结合补偿C_i做出决策。因此，在用户决策角度，M_i和E_i是个确定的量，那么提出定值部分后对公式(2)进行变换，有：

a_i＝α_i+β₁M_i (11)

EVA能通过改变价格补偿水平C来达到激励用户，提高其参与调控概率。负荷聚集商代理电动汽车用户在上级市场参与辅助服务市场，目标是实现期望利润最大化，如下：

max f＝(price_出清-C_i)·E_i·P_i(x＝1) (13)

s.j.

0≤C_i＜price_出清 (14)

其中，price_出清表示即将参与的辅助服务市场时段的预测平均价格水平(单位：kWh)。

综上，给出本算例考虑用户决策的EV集群参与填谷辅助服务容量计算流程图如图4所示，具体步骤如下：

(1)构建用户logistic函数、目标函数f、预期平均出清价格，并初始化电动汽车编号；

(2)电动汽车分布式数据库及应用平台EVA获取电动汽车入网SOC_i及用户设置的离网时刻、离网预期SOC。

(3)分别计算该车充电转移时长M_i和用户参与辅助服务市场的最大容量潜力E_i(单位:kWh),并带入logistic函数；

(4)最优化目标函数f，计算适用于该车的价格补偿水平C_i；

(5)代入logistic函数计算用户参与响应的概率和该车参与填谷辅助服务的期望容量；

(6)更新电动汽车编号，返回步骤(2)，直至遍历整个电动汽车集群，得到电动汽车集群可调容量及各电动汽车对应的补偿。

算例中设置5400辆电动汽车，电池容量为25kWh，续航里程125km,充电功率为3.5kW,充电效率为92％。基于概率统计的私家电动汽车用户工作日出行行为特征参数如表1：

表1私家车用户出行行为特征参数

拟定各类参数后，设定在电动汽车在每个出行周期初(即ΔT₂时段初)均为满充状态，且在白天ΔT₂充电要求的SOC_exc假定为90％，而夜间ΔT₄要求离网时能达到满充状态。本发明假定填谷辅助服务开放时段为8：30-11:30和22:30-次日5:00，按照模型进行仿真计算得到电动汽车群的基准充电功率分布及全部响应填谷辅助服务时的充电功率，步骤流程如图4。(以上假定条件仅用以说明本发明的技术方案，而非对其限制)。

2.根据图5可以看出如果电动汽车按照指令参与调控的容量潜力大小；图6显示整个电动汽车群在各自最优化价格补偿下的参与填谷辅助服务的充电总功率。尤其，尤其在后半段，可以看出通过引导用户在后半夜充电，有效的降低了18:00-21:00这一常规用电高峰期的电动汽车充电负荷，以尖峰时刻20:00为例，电动汽车充电负荷由13370.0kW降至6127.9kW，经引导后的负荷占基准状态的45.8％。在本发明设定的夜间填谷辅助服务时段，充电需求由基准充电状态的620.1kWh增加到3159.8kWh，有效引导了用户错峰充电，达到填谷效果。

3.另外，在过程中随机抽取某一EVK进行分析，出行数据如表2：

表2 EV_k在下班后ΔT₂、ΔT4过程数据

带入logistic模型得到不同价格补偿下用户选择参与调控的概率，如图7所示，用户获得补偿越多，接受调度从而参与填谷辅助服务的概率越大；

运用梯度下降法求解目标函数(6)成立的最优补贴，当利润最大时即为最佳补偿水平。另外，为了说明用户的决策与充电移动时长M和可转移电量E相关从而影响负荷聚集商收益，利用EV_k的出行数据：1)在任意补偿水平下，E相同的时候，要求用户的充电移动时长越大，用户接受的概率越小，负荷聚集商可获得的收益越小；2)任意价格补偿水平下，图7两个子图对比表明，可转移电量E越大，用户在选择接受调度时能收获补贴更多，因此接受的概率越大，传导至负荷聚集商可获得的利润也越大。

需要强调的是，本发明所述实施例是说明性的，而不是限定性的，因此本发明包括并不限于具体实施方式中所述实施例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，同样属于本发明保护的范围。

Claims (7)

1.一种电动汽车参与填谷辅助服务可转移负荷容量分析方法，其特征在于：具体包括以下步骤：

步骤1、建立基于logistic函数的电动汽车用户可接受调度的概率模型，计算电动汽车用户可接受负荷转移调度的概率；

步骤2、对单个电动汽车进行最大响应容量分析，并计算出电动汽车在该辅助服务时段下各时刻物理可转移负荷容量；

所述步骤2的具体步骤包括：

(1)采集电动汽车入网时刻面板数据，并由此得到电动汽车基准充电功率曲线；

(2)将步骤2第(1)步得到的电动汽车基准充电功率曲线结合电动汽车入网充电的必要充电时长，得到电动汽车在离网前的最迟充电时刻和电动汽车负荷可转移时间区间；

(3)依据电动汽车在网时段与辅助服务市场开放时段的交错关系，概况梳理出5种电动汽车参与填谷辅助服务下的SOC变化曲线，然后指出各情况下电动汽车充电开始时间与结束时间，在此基础之上得到单个电动汽车及电动汽车集群在参与负荷转移响应后于各时刻的充电功率，减去基准充电功率即为电动汽车在该辅助服务时段下各时刻物理可转移负荷容量；

步骤3、基于步骤1用户接受负荷转移调度的概率和步骤2电动汽车物理可转移负荷容量计算电动汽车期望可转移负荷容量。

2.根据权利要求1所述的一种电动汽车参与填谷辅助服务可转移负荷容量分析方法，其特征在于：所述步骤1的具体方法为：提取用户特征数据，以充电移动时长和负荷转移补偿机制下的用户效用为影响因子，通过logistic函数将问题转化为车主面临接受调度指令和不接受调度指令两个方案的选择问题，建立基于logistic函数的电动汽车用户可接受调度的概率模型，并计算电动汽车用户可接受负荷转移调度的概率。

3.根据权利要求1所述的一种电动汽车参与填谷辅助服务可转移负荷容量分析方法，其特征在于：所述基于logistic函数的电动汽车用户可接受调度的概率模型为：

x_i＝α_i+β₁M_i+β₂E_iC_i+u(1)

其中，式(1)中，x_i通过logistic函数被转化为概率；M_i表示充电移动时长、E_i表示电动汽车i用户参与辅助服务市场的最大容量潜力，从用户角度考虑，E单位记为kWh，同时补贴C_i的单位取元/kWh；α_i为基准概率系数；β₁、β₂分别为变量系数；u为随机变量误差，式中各项变量系数需要通过调研，基于统计数据进行拟合得到；

其中，系数β₁、β₂由分布式并行大数据处理平台依据获取的用户特征数据，包括电动汽车价位、使用年限、用户对辅助服务市场了解程度的用户数据结合市场调研大数据分析基础上计算所得；

F(x)是logistic函数的累计概率密度函数，取值范围为(0,1)；式(2)(3)中，决策变量X是取值为1和0的随机变量，X＝1表示车主接受指令参与调度，X＝0表示车主不接受指令并选择立即充电；F(X_i)表示电动汽车i选择接受指令参与调节的概率函数；P_i(X)表示EV_i进行决策X的概率。

4.根据权利要求1所述的一种电动汽车参与填谷辅助服务可转移负荷容量分析方法，其特征在于：所述步骤2第(1)步的具体步骤包括：

①从电动汽车分布式数据库及应用平台获得入网时刻电动汽车参数，并得到电动汽车基准充电功率曲线；

从电动汽车分布式数据库及应用平台获得入网时刻电动汽车参数具体包括：电动汽车编号i，电池容量C、入网时刻tⁱ _in以及用户预设的离网时刻tⁱ _out，入网初始荷电状态SOCⁱ _in；车主为了避免电池过度放电，会主观设置一个SOCⁱ _min值，在低于SOCⁱ _min时选择充电，并且保证下一段车程结束之后电池SOC尽可能不低于SOCⁱ _min；此外，考虑用户心理，若已知减少一部分充电功率能够获得经济补贴，在补贴的激励下，用户愿意放弃离网达到满充这一要求而设置一个相对满意的期望荷电率SOCⁱ _exc，SOCⁱ _exc∈[SOCⁱ _in,SOC_max]，即只要用户离网时荷电率达到SOCⁱ _exc便不会影响用户后续对参与辅助服务的积极性；

②根据电动汽车充电功率、入网时刻SOC状态以及电池最大容量得到电动汽车充电至SOC_exc所需时长，如下：

③结合电动汽车入网时刻及充电所需时长给出电动汽车基准充电曲线p_i,ori。

5.根据权利要求1所述的一种电动汽车参与填谷辅助服务可转移负荷容量分析方法，其特征在于：所述步骤2第(2)步的具体步骤包括：

①假定充电过程为恒定功率模式，EV_i在tⁱ _in时刻接入电网，根据是否参与响应决定采取立即充电模式或者按照EVA指令进行调整充电时间，当EV_i在停放状态内充满至SOC_max后便转入空闲状态，另外BC段表示为满足出行需求的强制充电约束，即B点为最迟充电时间；

②电动汽车在可调区域内主要有以下三种情况：1)入网-立即充电-空闲-离网；2)入网-空闲-充电-空闲-离网；3)入网-空闲-充电-离网；

那么最迟充电时间tⁱ _sj及直线BC表示为：

其中，p_i为EV_i的充电功率，认为是一个恒定的值，C_i为EV_i的电池容量，η为充电效率；当电动汽车参与调峰辅助服务时，必要时需要减少一部分充电时间以扩大响应容量，进一步降低此时段充电负荷，此时SOCⁱ _exc≤SOCⁱ _out≤SOC_max；但参与填谷辅助服务时无需缩短充电时间，此时BC经过D点，即SOCⁱ _exc＝SOC_max＝100％。

6.根据权利要求1所述的一种电动汽车参与填谷辅助服务可转移负荷容量分析方法，其特征在于：所述步骤2第(3)步的具体步骤包括：

①概括梳理出5种情况下电动汽车参与填谷辅助服务下的期望SOC变化曲线；

考虑电动汽车在网时段与辅助服务市场开放时段[T_low,T_up]的交错关系

有以下四种情况：

1)当辅助服务响应时段与电动汽车充电负荷可平移区间无交叉,认为EV_i不具可调性，EV_i从入网时刻开始正常充电至满充；

2)当入网时间满足T_low<tⁱ _in<T_up时，电动汽车应立即充电以使充电区间尽量落在辅助服务响应时段[T_low,T_up]内，那么EV_i应从入网时刻开始正常充电至满充；

3)当tⁱ _in<T_low<tⁱ _sj时，由于电动汽车待充容量有限，那么也应该推迟充电时间至[T_low,T_up]内，考虑到移动时间尺度越大则负荷移动难度越大，EV_i则应设置从辅助服务开始时刻T_low开始充电至满充；

4)当tⁱ _sj<T_low<tⁱ _out时，为同时满足用户充电约束以及最大化辅助服务响应参与度，EV_i则应设置从tⁱ _sj开始，并最终达到预设SOCⁱ _exc；

②指出各情况下电动汽车充电开始时间与结束时间，在此基础之上得到单个电动汽车与电动汽车集群在各时刻的充电功率：

要求电动汽车推迟充电时长M_i为：

那么，电动汽车i在填谷辅助服务时段内可转移负荷容量P_可调,i(t)表示为：

那么，EV集群在填谷辅助服务时段内各时刻的最大可调容量表示为：

7.根据权利要求1所述的一种电动汽车参与填谷辅助服务可转移负荷容量分析方法，其特征在于：所述步骤3的具体步骤包括：

(1)依据步骤2得到的用户参与填谷辅助服务市场的最大电量E、负荷转移时长M以及预设度电补贴水平计算得到电动汽车参与响应的概率P；计算结果与电动汽车参与响应后充电功率乘积即为期望充电曲线；

(2)计算EV集群预期可调容量为：

式中，P_响应，i(t)、P_基准，i(t)分别表示t时刻电动汽车i参与和不参与辅助服务响应时的充电功率，P^exc _可调(t)则表示基于用户决策的电动汽车集群期望可转移负荷容量。

Images