CN112348591B - 一种电动汽车的有序充电控制方法和装置 - Google Patents
一种电动汽车的有序充电控制方法和装置 Download PDFInfo
- Publication number
- CN112348591B CN112348591B CN202011318121.2A CN202011318121A CN112348591B CN 112348591 B CN112348591 B CN 112348591B CN 202011318121 A CN202011318121 A CN 202011318121A CN 112348591 B CN112348591 B CN 112348591B
- Authority
- CN
- China
- Prior art keywords
- charging
- charging station
- station operator
- cost
- electric vehicle
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000005611 electricity Effects 0.000 claims abstract description 90
- 238000012546 transfer Methods 0.000 claims abstract description 73
- 238000005457 optimization Methods 0.000 claims abstract description 63
- 239000002245 particle Substances 0.000 claims abstract description 18
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 12
- 230000005540 biological transmission Effects 0.000 claims description 24
- 230000007704 transition Effects 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 12
- 238000012614 Monte-Carlo sampling Methods 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 7
- 230000015556 catabolic process Effects 0.000 claims description 5
- 238000006731 degradation reaction Methods 0.000 claims description 5
- 230000003111 delayed effect Effects 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 230000001934 delay Effects 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 2
- 230000006872 improvement Effects 0.000 description 14
- 230000006399 behavior Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 230000001276 controlling effect Effects 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005251 gamma ray Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Images
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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0206—Price or cost determination based on market factors
-
- 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
-
- 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
- H02J3/007—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources
- H02J3/0075—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources for providing alternative feeding paths between load and source according to economic or energy efficiency considerations, e.g. economic dispatch
-
- 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
- H02J3/24—Arrangements for preventing or reducing oscillations of power in networks
-
- 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
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
-
- 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)
- Strategic Management (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Accounting & Taxation (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Power Engineering (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种电动汽车的有序充电控制方法,包括:建立电网公司、充电站运营商和电动汽车用户参与有序充电的决策优化模型,以电网公司、充电站运营商和电动汽车用户的净收益比之和最大为目标函数;计算电动汽车用户在考虑时段电价差后的充电时段转移概率,以计算充电站运营商的充电负荷转移概率;根据所述充电站运营商的充电负荷转移概率,调整电网公司对充电站运营商的补贴策略;采用粒子群优化算法求解所述决策优化模型,确定充电站运营商的最优电价决策。本发明还公开了相应的控制装置,实施本发明,能有效考虑电网公司、充电站运营商和电动汽车用户参与有序充电的决策行为特性及其相互影响,满足电动汽车充电需求和提高电网运行稳定性。
Description
技术领域
本发明涉及电动汽车技术领域,尤其涉及一种电动汽车的有序充电控制方法和装置。
背景技术
近年来,电动汽车得到了迅猛的发展,在充电设施和配电网的建设情况与电动汽车的普及速度还未完全适配的阶段,这将给充电站运营商的运营以及配电网的安全运行带来了很大的压力。
为改善配电网的安全性,充电站运营商通过调整不同时段的充电电价来引导用户错峰充电,这一过程需要在电价上做出让步,其服务费收入会受到影响。电网公司根据充电站运营商电价调节导致的收入损失和越限风险改善情况来调整补贴额,以弥补充电站运营商服务费收入损失并奖励充电站运营商改善配电网安全性的工作。
然而,现有技术中没有综合考虑电网公司、充电站运营商和电动汽车用户参与有序充电的决策行为特性及其相互影响。实际上,仅在电价策略激励下,用户是否愿意进行充电时间转移、转移到哪个时段充电是不确定的;电网公司以给充电站运营商发放补贴的方式参与有序充电时,其决策行为需综合考虑改善电网运行安全性的需求和付出的经济成本;而充电站运营商为了追求更大的利润,其电价策略受电网公司补贴激励影响,也受用户的响应程度影响。因此,如果没有综合考虑电网公司、充电站运营商和电动汽车用户参与有序充电的决策行为特性及其相互影响,则无法同时兼顾电动汽车的充电需求和电网运行的稳定性。
发明内容
本发明实施例的目的是提供一种电动汽车的有序充电控制方法和装置,能有效考虑电网公司、充电站运营商和电动汽车用户参与有序充电的决策行为特性及其相互影响,以满足电动汽车充电需求并提高电网运行稳定性。
为实现上述目的,本发明实施例提供了一种电动汽车的有序充电控制方法,包括:
建立电网公司、充电站运营商和电动汽车用户参与有序充电的决策优化模型;其中,所述决策优化模型以电网公司、充电站运营商和电动汽车用户的净收益比之和最大为目标函数;
计算电动汽车用户在考虑时段电价差后的充电时段转移概率;
根据所述电动汽车用户的充电时段转移概率,采用蒙特卡洛抽样法确定各电动汽车的开始充电时间、充电负荷,以确定充电站运营商的充电负荷;并根据所述充电站运营商的充电负荷,计算充电站运营商的充电负荷转移概率;
根据所述充电站运营商的充电负荷转移概率,调整电网公司对充电站运营商的补贴策略;
采用粒子群优化算法求解所述决策优化模型,确定充电站运营商的最优电价决策。
作为上述方案的改进,通过以下步骤确定所述充电站运营商的净收益比:
计算充电站运营商的电价调节代价ΔDd和电价调节代价补贴额Ddb:
ΔDd=D'ser-Dser;
Ddb=ΔDd;
计算充电站运营商的风险补贴额Dfb:
Dfb=Df0(h1-h2);
考虑充电站运营商的服务费收入损失和电网公司的补贴费,确定所述充电站运营商参与有序充电的净收益ΔDag为:
ΔDag=Dbt-ΔDd;
Dbt=Ddb+Dfb;
充电站运营商参与有序充电的净收益比ηag为:
ηag=ΔDag/D'ser;
其中,D'ser和Dser分别为电价调节引导前、后的充电站运营商一天的服务费收入;h1为电价调节引导前配电网的越限风险等级,h2为电价调节引导后配电网的越限风险等级,Df0为风险每降一级的补贴奖励额。。
作为上述方案的改进,通过以下步骤确定所述电动汽车用户的净收益比:
根据用户的充电排队时间Tp(i)、出行延迟时间Ty(i)、凌晨充电耽误休息时间Tr(i),计算用户的充电费用Dc(i),以得到用户i的总充电成本为:
Dz(i)=Dc(i)+Dp(i)+Dy(i)+Dr(i);
Dp(i)=κtTp(i);
Dy(i)=κtTy(i);
Dr(i)=κtTr(i);
根据用户i的总充电成本,计算用户i的净收益ΔDz(i)和净收益比ηuz(i):
ΔDz(i)=D'z(i)-Dz(i);
ηuz(i)=ΔDz(i)/D'z(i);
根据所有参与有序充电的用户的收益,计算用户的平均净收益比ηuz0为:
其中,Dp(i)为排队时间成本,Dy(i)出行延迟时间成本,Dr(i)为凌晨充电成本;κt为用户每花费一小时的金钱损失;D'z(i)为用户i在电价调节引导前的总充电成本;Nsz为进行参与有序充电的用户数量。
作为上述方案的改进,通过以下步骤确定所述电网公司的净收益比:
根据电网公司实施有序充电减少的电费收入FG,a、对充电站运营商的补偿成本FG,b以及可避免输配电容量成本FG,d,计算电网公司的总经济成本ΔFG,m和总经济成本比ηG,m:
FG,a=DG,a-D'G,a;
FG,b=Dbt;
其中,DG,a和D'G,a为分别为电价调节引导前、后电网公司的电费收入;FG,d为折算到单次有序充电的可避免输配电建设费用;FG,c为年度可避免输配电建设费用;Mx为年度实施有序充电的次数;cG为可避免输配电容量单位成本;ΔP为实际避免输配电容量;α为电网输配电损失系数;P1max为年度最大峰荷;Pac为需要进行有序充电的峰荷阈值;
计算配电网的越限风险降级比ηr为:
ηr=(h1-h2)/n;
其中,h1为电价调节引导前配电网的越限风险等级,h2为电价调节引导后配电网的越限风险等级,n为越限风险等级数;
计算电网公司的净收益比ηG,z为:
ηG,z=γ1ηr-γ2ηG,m;
其中,γ1和γ2为预设的权重系数。
作为上述方案的改进,所述计算电动汽车用户在考虑时段电价差后的充电时段转移概率,具体为:
考虑各时段电价差的激励和用户出行需求、电池荷电状态和凌晨充电不便的约束,计算电动汽车充电时间从时段λ1到时段λ的转移概率pz:
pz(λ1,λ)=Ry(λ1,λ)RS(λ1,λ)Rr(λ1,λ)pp(λ1,λ);
其中,λ≠λ1,pz(λ1,λ)为从时段λ1到时段λ的时段转移概率;pp(λ1,λ)为价差转移率;Δc1和Δc2分别为价差死区和饱和区阈值;Δc为充电时间从时段λ1转移到时段λ的充电价差;kp为价差转移率的线性区斜率;pmax为价差转移率的最大值;Ry(λ1,λ)为出行需求转移意愿;Ty(i)为出行延误时间;Tymax为用户接受出行延误的极限时间;RS(λ1,λ)为电量转移意愿;Smin(i)为一天中最小的电池荷电状态值;Sm为不损害电池寿命的最低电池荷电状态值;Sen为满足电量裕度需求的电池荷电状态阈值;Rr(λ1,λ)为凌晨转移意愿。
作为上述方案的改进,所述根据所述充电站运营商的充电负荷,计算充电站运营商的充电负荷转移概率,具体为:
根据所述充电站运营商的充电负荷,通过以下计算公式,计算充电站运营商的充电负荷转移概率:
作为上述方案的改进,所述补贴策略包括电价调节代价补贴额和越限风险补贴额。
作为上述方案的改进,所述根据所述充电站运营商的充电负荷转移概率,调整电网公司对充电站运营商的补贴策略,具体为:
基于充电站运营商的充电负荷转移概率,计算配电网的越限风险,以确定越限风险等级;
根据电价调节引导前的越限风险等级,计算并调整风险补贴额;
根据各时段充电站运营商负荷计算充电站运营商的服务费收入,根据电价调节引导前充电站运营商的充电站运营商的服务费收入,计算电价调节代价,以调整电价调节代价补贴额。
本发明实施例还提供了一种电动汽车的有序充电控制装置,包括:
决策优化模型构建模块,用于建立电网公司、充电站运营商和电动汽车用户参与有序充电的决策优化模型;其中,所述决策优化模型以电网公司、充电站运营商和电动汽车用户的净收益比之和最大为目标函数;
第一转移概率计算模块,用于计算电动汽车用户在考虑时段电价差后的充电时段转移概率;
第二转移概率计算模块,用于根据所述电动汽车用户的充电时段转移概率,采用蒙特卡洛抽样法确定各电动汽车的开始充电时间、充电负荷,以确定充电站运营商的充电负荷;并根据所述充电站运营商的充电负荷,计算充电站运营商的充电负荷转移概率;
补贴策略调整模块,用于根据所述充电站运营商的充电负荷转移概率,调整电网公司对充电站运营商的补贴策略;
最优电价决策确定模块,用于采用粒子群优化算法求解所述决策优化模型,确定充电站运营商的最优电价决策。
本发明实施例还提供了一种电动汽车的有序充电控制装置,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如上述任意一项所述的电动汽车的有序充电控制方法。
与现有技术相比,本发明公开的一种电动汽车的有序充电控制方法和装置,建立电网公司、充电站运营商和电动汽车用户参与有序充电的决策优化模型;其中,所述决策优化模型以电网公司、充电站运营商和电动汽车用户的净收益比之和最大为目标函数;计算电动汽车用户在考虑时段电价差后的充电时段转移概率;根据所述电动汽车用户的充电时段转移概率,采用蒙特卡洛抽样法确定各电动汽车的开始充电时间、充电负荷,以确定充电站运营商的充电负荷;并根据所述充电站运营商的充电负荷,计算充电站运营商的充电负荷转移概率;根据所述充电站运营商的充电负荷转移概率,调整电网公司对充电站运营商的补贴策略;采用粒子群优化算法求解所述决策优化模型,确定充电站运营商的最优电价决策。
采用本发明实施例,能有效考虑电网公司、充电站运营商和电动汽车用户参与有序充电的决策行为特性及其相互影响,通过建立有序充电决策优化模型,以减弱大规模电动汽车无序充电给电网带来的冲击。通过对有序充电过程中充电负荷的准确预测,以协助电网公司调整对运营商的补贴策略,从而获得充电站运营商的最优电价决策,在满足电动汽车充电需求的前提下,尽可能地提高电网运行的稳定性及电动汽车充电的经济性的问题,实现兼顾电动汽车充电需求和电网运行稳定性的效果,并提高电力市场参与有序充电决策优化的效率和电价优化结果的准确性。
附图说明
图1是本发明实施例一中一种电动汽车的有序充电控制方法的步骤示意图;
图2是本发明实施例一中IEEE 33节点系统图;
图3是本发明实施例一中商业区常规负荷曲线图;
图4是本发明实施例一中优化前后的充电价格柱形图;
图5是本发明实施例一中优化后的负荷转移情况曲线图;
图6是本发明实施例二中一种电动汽车的有序充电控制装置的结构示意图;
图7是本发明实施例三中一种电动汽车的有序充电控制装置的结构示意图。
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。
参见图1,是本发明实施例一中一种电动汽车的有序充电控制方法的步骤示意图。本发明实施例提供的一种电动汽车的有序充电控制方法,通过以下步骤S1至S5执行:
S1、建立电网公司、充电站运营商和电动汽车用户参与有序充电的决策优化模型;其中,所述决策优化模型以电网公司、充电站运营商和电动汽车用户的净收益比之和最大为目标函数。
在本发明实施例中,通过以下步骤S111至S113确定所述充电站运营商的净收益比:
S111、计算充电站运营商的电价调节代价ΔDd和电价调节代价补贴额Ddb。
具体地,充电站运营商通过抬高配电网负荷压力大时段的电价,压低配电网负荷压力小的时段的电价,引导用户前往配电网负荷压力小的时段充电;当抬高电价带来的利润增长抵消不了压低电价导致的利润损失时,运营商服务费用收入受到损失,称为电价调节代价ΔDd,即:
ΔDd=D'ser-Dser;
其中,D'ser和Dser分别为电价调节引导前、后的充电站运营商一天的服务费收入;
为了保证运营商参与有序充电的积极性,电网公司对运营商发放电价调节代价补贴Ddb,即:
Ddb=ΔDd。
S112、计算充电站运营商的风险补贴额Dfb。
具体地,为更好地根据越限风险改善情况来确定补贴额,在本发明实施例中,按越限风险的大小将配电网越限风险分10级,分别为无风险、Ⅰ~Ⅲ级低风险、Ⅰ~Ⅲ级中风险和Ⅰ~Ⅲ级高风险,可相应记为第0~9级风险,第h级风险范围为:
其中,Hwmax为配电网各节点和各支路的平均越限风险;ΔHw为单级风险差。则充电站运营商的风险补贴额Dfb为:
Dfb=Df0(h1-h2);
其中,Df0为风险每降一级的补贴奖励额。
S113、考虑充电站运营商的服务费收入损失和电网公司的补贴费,确定所述充电站运营商参与有序充电的净收益ΔDag为:
ΔDag=Dbt-ΔDd;
Dbt=Ddb+Dfb;
充电站运营商参与有序充电的净收益比ηag为:
ηag=ΔDag/Ds'er;
其中,h1为电价调节引导前配电网的越限风险等级,h2为电价调节引导后配电网的越限风险等级。
进一步地,在本发明实施例中,通过以下步骤S121至S123确定所述电动汽车用户的净收益比:
S121、考虑用户的充电排队时间Tp(i)、出行延迟时间Ty(i)、凌晨充电耽误休息时间Tr(i),将其折算为金钱成本,计算用户的充电费用Dc(i),以得到用户i的总充电成本为:
Dz(i)=Dc(i)+Dp(i)+Dy(i)+Dr(i);
Dp(i)=κtTp(i);
Dy(i)=κtTy(i);
Dr(i)=κtTr(i);
S122、根据用户i的总充电成本,计算用户i的净收益ΔDz(i)和净收益比ηuz(i):
ΔDz(i)=D'z(i)-Dz(i);
ηuz(i)=ΔDz(i)/D'z(i);
S123、根据所有参与有序充电的用户的收益,计算用户的平均净收益比ηuz0为:
其中,Dp(i)为排队时间成本,Dy(i)出行延迟时间成本,Dr(i)为凌晨充电成本;κt为用户每花费一小时的金钱损失;可按用户平均小时工资算;D'z(i)为用户i在电价调节引导前的总充电成本;Nsz为进行参与有序充电的用户数量。
进一步地,在本发明实施例中,通过以下步骤S131至S133确定所述电网公司的净收益比:
S131、根据电网公司实施有序充电减少的电费收入FG,a、对充电站运营商的补偿成本FG,b以及可避免输配电容量成本FG,d,计算电网公司的总经济成本ΔFG,m和总经济成本比ηG,m:
FG,a=DG,a-D'G,a;
FG,b=Dbt;
其中,DG,a和D'G,a为分别为电价调节引导前、后电网公司的电费收入;FG,d为折算到单次有序充电的可避免输配电建设费用;FG,c为年度可避免输配电建设费用;Mx为年度实施有序充电的次数;cG为可避免输配电容量单位成本;ΔP为实际避免输配电容量;α为电网输配电损失系数;P1max为年度最大峰荷;Pac为需要进行有序充电的峰荷阈值;
S132、计算配电网的越限风险降级比ηr。
配电网安全性改善程度以配电网越限风险降级比ηr来衡量,为:
ηr=(h1-h2)/n;
其中,h1为电价调节引导前配电网的越限风险等级,h2为电价调节引导后配电网的越限风险等级,n为越限风险等级数;
S133、计算电网公司的净收益比ηG,z,为:
ηG,z=γ1ηr-γ2ηG,m;
其中,γ1和γ2为预设的权重系数。
综上,为保证电网公司、充电站运营商和电动汽车用户的需求和利益都得到满足,综合电网公司、充电站运营商和电动汽车用户的净收益比建立所述目标函数χ,即:
χ=ηuz0+ηag+ηG,z.
S2、计算电动汽车用户在考虑时段电价差后的充电时段转移概率。
考虑各时段电价差的激励和用户出行需求、电池荷电状态(state of charge,SOC)和凌晨充电不便的约束,计算电动汽车充电时间从时段λ1到时段λ的转移概率pz:
pz(λ1,λ)=Ry(λ1,λ)RS(λ1,λ)Rr(λ1,λ)pp(λ1,λ);
其中,λ≠λ1,pz(λ1,λ)为从时段λ1到时段λ的时段转移概率;pp(λ1,λ)为价差转移率;Δc1和Δc2分别为价差死区和饱和区阈值;Δc为充电时间从时段λ1转移到时段λ的充电价差;kp为价差转移率的线性区斜率;pmax为价差转移率的最大值;Ry(λ1,λ)为出行需求转移意愿;Ty(i)为出行延误时间;Tymax为用户接受出行延误的极限时间;RS(λ1,λ)为电量转移意愿;Smin(i)为一天中最小的电池荷电状态值;Sm为不损害电池寿命的最低电池荷电状态值;Sen为满足电量裕度需求的电池荷电状态阈值;Rr(λ1,λ)为凌晨转移意愿。凌晨时间可以默认为00:00~6:00。
S3、根据所述电动汽车用户的充电时段转移概率,采用蒙特卡洛抽样法确定各电动汽车的开始充电时间、充电负荷,以确定充电站运营商的充电负荷;并根据所述充电站运营商的充电负荷,计算充电站运营商的充电负荷转移概率。
在某一充电价格方案下,确定电动汽车充电时段转移概率后,可以通过抽样确定各电动汽车的开始充电时间,进而确定各电动汽车的充电负荷以及充电站的充电负荷。可通过多次抽样求取充电站平均充电负荷来预测充电站负荷的转移情况。
根据所述充电站运营商的充电负荷,通过以下计算公式,计算充电站运营商的充电负荷转移概率:
采用本发明实施例的技术手段,通过确定电动汽车充电时段转移概率,采用多次抽样求取充电站平均充电负荷来预测充电站负荷的转移情况。其目的是为了研究在粒子电价,即运营商决策下充电负荷的整体转移情况,从而为电网公司补贴额的调整以及有序充电的目标函数的计算做基础。
S4、根据所述充电站运营商的充电负荷转移概率,调整电网公司对充电站运营商的补贴策略。
优选地,所述补贴策略包括电价调节代价补贴额和越限风险补贴额。
则步骤S4具体通过步骤S41至S43执行:
S41、基于充电站运营商的充电负荷转移概率,计算配电网的越限风险,以确定越限风险等级。
S42、根据电价调节引导前的越限风险等级,计算并调整风险补贴额。
S43、根据各时段充电站运营商负荷计算充电站运营商的服务费收入,根据电价调节引导前充电站运营商的充电站运营商的服务费收入,计算电价调节代价,以调整电价调节代价补贴额。
S5、采用粒子群优化算法求解所述决策优化模型,确定充电站运营商的最优电价决策。
在本发明实施例中,采用粒子群算法对运营商电价决策进行优化,采用蒙特卡洛抽样确定用户对充电时间的选择,并根据补贴机制对电网公司补贴决策进行调整;粒子的位置为各时段的充电价,对于每个粒子的充电价,根据用户决策不确定性的充电负荷转移模型,确定电动汽车充电时段转移概率后,可以通过抽样确定各电动汽车的开始充电时间、充电负荷以及充电站的充电负荷,并通过蒙特卡洛模拟抽样来考察充电负荷的平均转移情况。
设电网公司的补贴调整决策行为为Qbt,电网公司基于用户进行充电时间转移后的充电站负荷,计算配电网的越限风险,确定风险等级,然后根据引导前风险等级计算并调整风险补贴额,并根据各时段充电站负荷计算运营商的服务费收入,根据引导前运营商服务费收入计算电价调节代价,调整电价调节代价补贴额。采用粒子群优化算法求解所述决策优化模型,计算各粒子的有序充电的综合目标函数,根据有序充电综合目标更新各粒子的个体极值和全局极值;如此反复迭代,直得找到最优解,从而确定充电站运营商的最优电价决策。
作为一种可选的实施方式,参见图2,是本发明实施例一中改进IEEE 33节点系统图。线路选取LGJ-150。节点1为平衡节点,电压设为1.05p.u.。参见图3,是本发明实施例一中商业区常规负荷曲线图,以附图3所示商业区负荷作为配电网常规总负荷,电网峰平谷电价如表1所示。各节点接入常规负荷占比为IEEE 33节点标准配电系统原各节点负荷占比。在此基础上,充电站负荷接入节点8。充电站规模较大,有35个充电桩,每桩可供一辆电动汽车快充或两辆电动汽车同时慢充,且充电站在6:00~24:00只提供快充服务,0:00~6:00用户可根据充电需求以慢充形式充电。可选地,N0取1200辆。电动汽车参数以及用户出行概率分布如表2和表3所示。
仿真中,Δt=1h,引导前服务价格取值0.8元/kW·h,Δc1、Δc2可分别取0.1元/kW·h和1元/kW·h,pmax为0.05。根据越限风险对应的越限水平和风险分级情况,ΔHw可取4;Df0可取300元。Sm和Sen分别取0.2和0.4,Tymax取25min。M取500。γ1和γ2分别取1和8。P1max为7MW,Pac为5.5MW,α取0.06;cG为100元/kW,κt取50元/h;Nn取50。
表1
表2
表3
为验证根据风险改善程度调整补贴额的合理性,在电动汽车辆数分别为1000和1250时,采用固定补贴(3000元一天)和本发明的补贴机制进行有序充电优化,结果分别如表4所示。
表4
由表4可知,在越限风险不是很严重时,两种补贴机制下风险都得到明显改善,但固定补贴时电网公司付出的补贴成本更大,并不符合电网公司的需求。这说明不根据越限风险改善程度来调整补贴额,可能会出现电网公司的效益和成本失配问题。而在越限风险很严重时,固定补贴时风险改善效果达不到电网公司的要求,若运营商继续通过电价上的让步来改善配电网的安全性,其电价调节代价将会进一步增大,而电网公司并没有根据电价调节代价进行补贴额调整,运营商利润将会进一步被挤压,其积极性会受到限制。因此不根据电价调节代价进行补贴时,可能会出现运营商盈利需求与电网公司改善电网安全性需求相矛盾的问题。这验证了本发明补贴机制在同时保障电网和运营商商两侧需求方面具有很好的灵活性。
为进一步分析本发明各方决策优化方法的有效性,采用粒子群算法对运营商充电价策略进行优化,参见图4~5,图4是本发明实施例一中优化前后的充电价格柱形图,图5是本发明实施例一中优化后的负荷转移情况曲线图。优化后的充电价如附图4所示,用户的充电负荷转移情况如附图5所示,电网公司补贴金额和各方需求指标如表5所示。
表5
由图4、图5和表5可知,相比于优化前,运营商根据电网公司改善电网安全性的需求,将凌晨充电价设置得较低,白天的充电价设置得较高,引导用户转移到凌晨等负荷压力较小的时段充电。特别地,第10和第11时段配电网总负荷很大,给配电网的安全运行造成了巨大的风险,因此运营商将这两个时段的充电价设置得很高,从而让用户因充电成本极大提高而改变充电时段。在较大的充电价差下,用户转移到电价低的时段充电,但是由于凌晨充电给用户带来一些不便,更多的用户选择在早上用电高峰前和夜间凌晨前充电。电网公司根据越限风险改善效果调整补贴额,并以有序充电综合目标的形式将其经济成本反馈到运营商电价调节过程中,其经济成本较小。
总体来看,通过有序充电优化能够很好地完成了电网公司改善电网安全性的任务,既保证了用户参与有序充电的积极性和运营商的盈利需求,又综合考虑了电网公司改善电网安全性的需求和经济代价。
本发明实施例一提供了一种电动汽车的有序充电控制方法,建立电网公司、充电站运营商和电动汽车用户参与有序充电的决策优化模型;其中,所述决策优化模型以电网公司、充电站运营商和电动汽车用户的净收益比之和最大为目标函数;计算电动汽车用户在考虑时段电价差后的充电时段转移概率;根据所述电动汽车用户的充电时段转移概率,采用蒙特卡洛抽样法确定各电动汽车的开始充电时间、充电负荷,以确定充电站运营商的充电负荷;并根据所述充电站运营商的充电负荷,计算充电站运营商的充电负荷转移概率;根据所述充电站运营商的充电负荷转移概率,调整电网公司对充电站运营商的补贴策略;采用粒子群优化算法求解所述决策优化模型,确定充电站运营商的最优电价决策。采用本发明实施例,能有效考虑电网公司、充电站运营商和电动汽车用户参与有序充电的决策行为特性及其相互影响,通过建立有序充电决策优化模型,以减弱大规模电动汽车无序充电给电网带来的冲击。通过对有序充电过程中充电负荷的准确预测,以协助电网公司调整对运营商的补贴策略,从而获得充电站运营商的最优电价决策,在满足电动汽车充电需求的前提下,尽可能地提高电网运行的稳定性及电动汽车充电的经济性的问题,实现兼顾电动汽车充电需求和电网运行稳定性的效果,并提高电力市场参与有序充电决策优化的效率和电价优化结果的准确性。
参见图6,是本发明实施例二中一种电动汽车的有序充电控制装置的结构示意图。本发明实施例二提供了一种电动汽车的有序充电控制装置20,包括:决策优化模型构建模块21、第一转移概率计算模块22、第二转移概率计算模块23、补贴策略调整模块24和最优电价决策确定模块25,其中,
所述决策优化模型构建模块21,用于建立电网公司、充电站运营商和电动汽车用户参与有序充电的决策优化模型;其中,所述决策优化模型以电网公司、充电站运营商和电动汽车用户的净收益比之和最大为目标函数;
所述第一转移概率计算模块22,用于计算电动汽车用户在考虑时段电价差后的充电时段转移概率;
所述第二转移概率计算模块23,用于根据所述电动汽车用户的充电时段转移概率,采用蒙特卡洛抽样法确定各电动汽车的开始充电时间、充电负荷,以确定充电站运营商的充电负荷;并根据所述充电站运营商的充电负荷,计算充电站运营商的充电负荷转移概率;
所述补贴策略调整模块24,用于根据所述充电站运营商的充电负荷转移概率,调整电网公司对充电站运营商的补贴策略;
所述最优电价决策确定模块25,用于采用粒子群优化算法求解所述决策优化模型,确定充电站运营商的最优电价决策。
需要说明的是,本发明实施例提供的一种电动汽车的有序充电控制装置用于执行上述实施例的一种电动汽车的有序充电控制方法的所有流程步骤,两者的工作原理和有益效果一一对应,因而不再赘述。
本发明实施例二提供了一种电动汽车的有序充电控制装置,决策优化模型构建模块21建立电网公司、充电站运营商和电动汽车用户参与有序充电的决策优化模型;其中,所述决策优化模型以电网公司、充电站运营商和电动汽车用户的净收益比之和最大为目标函数。第一转移概率计算模块22计算电动汽车用户在考虑时段电价差后的充电时段转移概率。第二转移概率计算模块23根据所述电动汽车用户的充电时段转移概率,采用蒙特卡洛抽样法确定各电动汽车的开始充电时间、充电负荷,以确定充电站运营商的充电负荷;并根据所述充电站运营商的充电负荷,计算充电站运营商的充电负荷转移概率。补贴策略调整模块24根据所述充电站运营商的充电负荷转移概率,调整电网公司对充电站运营商的补贴策略。最优电价决策确定模块25采用粒子群优化算法求解所述决策优化模型,确定充电站运营商的最优电价决策。采用本发明实施例,能有效考虑电网公司、充电站运营商和电动汽车用户参与有序充电的决策行为特性及其相互影响,通过建立有序充电决策优化模型,以减弱大规模电动汽车无序充电给电网带来的冲击。通过对有序充电过程中充电负荷的准确预测,以协助电网公司调整对运营商的补贴策略,从而获得充电站运营商的最优电价决策,在满足电动汽车充电需求的前提下,尽可能地提高电网运行的稳定性及电动汽车充电的经济性的问题,实现兼顾电动汽车充电需求和电网运行稳定性的效果,并提高电力市场参与有序充电决策优化的效率和电价优化结果的准确性。
参见图7,是本发明实施例三中一种电动汽车的有序充电控制装置的结构示意图。本发明实施例三提供了一种电动汽车的有序充电控制装置30,包括处理器31、存储器32以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如实施例一所述的电动汽车的有序充电控制方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random AccessMemory,RAM)等。
以上所述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,这些改进和润饰也视为本发明的保护范围。
Claims (7)
1.一种电动汽车的有序充电控制方法,其特征在于,包括:
建立电网公司、充电站运营商和电动汽车用户参与有序充电的决策优化模型;其中,所述决策优化模型以电网公司、充电站运营商和电动汽车用户的净收益比之和最大为目标函数;
计算电动汽车用户在考虑时段电价差后的充电时段转移概率;
根据所述电动汽车用户的充电时段转移概率,采用蒙特卡洛抽样法确定各电动汽车的开始充电时间、充电负荷,以确定充电站运营商的充电负荷;并根据所述充电站运营商的充电负荷,计算充电站运营商的充电负荷转移概率;
根据所述充电站运营商的充电负荷转移概率,调整电网公司对充电站运营商的补贴策略;
采用粒子群优化算法求解所述决策优化模型,确定充电站运营商的最优电价决策;
其中,通过以下步骤确定所述充电站运营商的净收益比:
计算充电站运营商的电价调节代价ΔDd和电价调节代价补贴额Ddb:
ΔDd=D′ser-Dser;
Ddb=ΔDd;
计算充电站运营商的风险补贴额Dfb:
Dfb=Df0(h1-h2);
考虑充电站运营商的服务费收入损失和电网公司的补贴费Dbt,确定所述充电站运营商参与有序充电的净收益ΔDag为:
ΔDag=Dbt-ΔDd;
Dbt=Ddb+Dfb;
充电站运营商参与有序充电的净收益比ηag为:
ηag=ΔDag/D′ser;
其中,D′ser和Dser分别为电价调节引导前、后的充电站运营商一天的服务费收入;h1为电价调节引导前配电网的越限风险等级,h2为电价调节引导后配电网的越限风险等级,Df0为风险每降一级的补贴奖励额;
通过以下步骤确定所述电动汽车用户的净收益比:
根据用户的充电排队时间Tp(i)、出行延迟时间Ty(i)、凌晨充电耽误休息时间Tr(i),计算用户的充电费用Dc(i),以得到用户i的总充电成本Dz(i)为:
Dz(i)=Dc(i)+Dp(i)+Dy(i)+Dr(i);
Dp(i)=κtTp(i);
Dy(i)=κtTy(i);
Dr(i)=κtTr(i);
根据用户i的总充电成本,计算用户i的净收益ΔDz(i)和净收益比ηuz(i):
ΔDz(i)=D′z(i)-Dz(i);
ηuz(i)=ΔDz(i)/D′z(i);
根据所有参与有序充电的用户的收益,计算用户的平均净收益比ηuz0为:
其中,Dp(i)为排队时间成本,Dy(i)出行延迟时间成本,Dr(i)为凌晨充电成本;κt为用户每花费一小时的金钱损失;D'z(i)为用户i在电价调节引导前的总充电成本;Nsz为进行参与有序充电的用户数量;
通过以下步骤确定所述电网公司的净收益比:
根据电网公司实施有序充电减少的电费收入FG,a、对充电站运营商的补偿成本FG,b以及可避免输配电容量成本FG,d,计算电网公司的总经济成本ΔFG,m和总经济成本比ηG,m:
FG,a=DG,a-D′G,a;
FG,b=Dbt;
其中,DG,a和D'G,a为分别为电价调节引导前、后电网公司的电费收入;FG,d为折算到单次有序充电的可避免输配电建设费用;FG,c为年度可避免输配电建设费用;Mx为年度实施有序充电的次数;cG为可避免输配电容量单位成本;ΔP为实际避免输配电容量;α为电网输配电损失系数;P1max为年度最大峰荷;Pac为需要进行有序充电的峰荷阈值;
计算配电网的越限风险降级比ηr为:
ηr=(h1-h2)/n;
其中,h1为电价调节引导前配电网的越限风险等级,h2为电价调节引导后配电网的越限风险等级,n为越限风险等级数;
计算电网公司的净收益比ηG,z为:
ηG,z=γ1ηr-γ2ηG,m;
其中,γ1和γ2为预设的权重系数。
2.如权利要求1所述的电动汽车的有序充电控制方法,其特征在于,所述计算电动汽车用户在考虑时段电价差后的充电时段转移概率,具体为:
考虑各时段电价差的激励和用户出行需求、电池荷电状态和凌晨充电不便的约束,计算电动汽车充电时间从时段λ1到时段λ的转移概率pz:
pz(λ1,λ)=Ry(λ1,λ)RS(λ1,λ)Rr(λ1,λ)pp(λ1,λ);
其中,λ≠λ1,pz(λ1,λ)为从时段λ1到时段λ的时段转移概率;pp(λ1,λ)为价差转移率;Δc1和Δc2分别为价差死区和饱和区阈值;Δc为充电时间从时段λ1转移到时段λ的充电价差;kp为价差转移率的线性区斜率;pmax为价差转移率的最大值;Ry(λ1,λ)为出行需求转移意愿;Ty(i)为出行延误时间;Tymax为用户接受出行延误的极限时间;RS(λ1,λ)为电量转移意愿;Smin(i)为一天中最小的电池荷电状态值;Sm为不损害电池寿命的最低电池荷电状态值;Sen为满足电量裕度需求的电池荷电状态阈值;Rr(λ1,λ)为凌晨转移意愿。
4.如权利要求1所述的电动汽车的有序充电控制方法,其特征在于,所述补贴策略包括电价调节代价补贴额和越限风险补贴额。
5.如权利要求4所述的电动汽车的有序充电控制方法,其特征在于,所述根据所述充电站运营商的充电负荷转移概率,调整电网公司对充电站运营商的补贴策略,具体为:
基于充电站运营商的充电负荷转移概率,计算配电网的越限风险,以确定越限风险等级;
根据电价调节引导前的越限风险等级,计算并调整风险补贴额;
根据各时段充电站运营商负荷计算充电站运营商的服务费收入,根据电价调节引导前充电站运营商的充电站运营商的服务费收入,计算电价调节代价,以调整电价调节代价补贴额。
6.一种电动汽车的有序充电控制装置,其特征在于,包括:
决策优化模型构建模块,用于建立电网公司、充电站运营商和电动汽车用户参与有序充电的决策优化模型;其中,所述决策优化模型以电网公司、充电站运营商和电动汽车用户的净收益比之和最大为目标函数;
第一转移概率计算模块,用于计算电动汽车用户在考虑时段电价差后的充电时段转移概率;
第二转移概率计算模块,用于根据所述电动汽车用户的充电时段转移概率,采用蒙特卡洛抽样法确定各电动汽车的开始充电时间、充电负荷,以确定充电站运营商的充电负荷;并根据所述充电站运营商的充电负荷,计算充电站运营商的充电负荷转移概率;
补贴策略调整模块,用于根据所述充电站运营商的充电负荷转移概率,调整电网公司对充电站运营商的补贴策略;
最优电价决策确定模块,用于采用粒子群优化算法求解所述决策优化模型,确定充电站运营商的最优电价决策;
其中,通过以下步骤确定所述充电站运营商的净收益比:
计算充电站运营商的电价调节代价ΔDd和电价调节代价补贴额Ddb:
ΔDd=D′ser-Dser;
Ddb=ΔDd;
计算充电站运营商的风险补贴额Dfb:
Dfb=Df0(h1-h2);
考虑充电站运营商的服务费收入损失和电网公司的补贴费Dbt,确定所述充电站运营商参与有序充电的净收益ΔDag为:
ΔDag=Dbt-ΔDd;
Dbt=Ddb+Dfb;
充电站运营商参与有序充电的净收益比ηag为:
ηag=ΔDag/D′ser;
其中,D′ser和Dser分别为电价调节引导前、后的充电站运营商一天的服务费收入;h1为电价调节引导前配电网的越限风险等级,h2为电价调节引导后配电网的越限风险等级,Df0为风险每降一级的补贴奖励额;
通过以下步骤确定所述电动汽车用户的净收益比:
根据用户的充电排队时间Tp(i)、出行延迟时间Ty(i)、凌晨充电耽误休息时间Tr(i),计算用户的充电费用Dc(i),以得到用户i的总充电成本Dz(i)为:
Dz(i)=Dc(i)+Dp(i)+Dy(i)+Dr(i);
Dp(i)=κtTp(i);
Dy(i)=κtTy(i);
Dr(i)=κtTr(i);
根据用户i的总充电成本,计算用户i的净收益ΔDz(i)和净收益比ηuz(i):
ΔDz(i)=D′z(i)-Dz(i);
ηuz(i)=ΔDz(i)/D′z(i);
根据所有参与有序充电的用户的收益,计算用户的平均净收益比ηuz0为:
其中,Dp(i)为排队时间成本,Dy(i)出行延迟时间成本,Dr(i)为凌晨充电成本;κt为用户每花费一小时的金钱损失;D'z(i)为用户i在电价调节引导前的总充电成本;Nsz为进行参与有序充电的用户数量;
通过以下步骤确定所述电网公司的净收益比:
根据电网公司实施有序充电减少的电费收入FG,a、对充电站运营商的补偿成本FG,b以及可避免输配电容量成本FG,d,计算电网公司的总经济成本ΔFG,m和总经济成本比ηG,m:
FG,a=DG,a-D′G,a;
FG,b=Dbt;
其中,DG,a和D'G,a为分别为电价调节引导前、后电网公司的电费收入;FG,d为折算到单次有序充电的可避免输配电建设费用;FG,c为年度可避免输配电建设费用;Mx为年度实施有序充电的次数;cG为可避免输配电容量单位成本;ΔP为实际避免输配电容量;α为电网输配电损失系数;P1max为年度最大峰荷;Pac为需要进行有序充电的峰荷阈值;
计算配电网的越限风险降级比ηr为:
ηr=(h1-h2)/n;
其中,h1为电价调节引导前配电网的越限风险等级,h2为电价调节引导后配电网的越限风险等级,n为越限风险等级数;
计算电网公司的净收益比ηG,z为:
ηG,z=γ1ηr-γ2ηG,m;
其中,γ1和γ2为预设的权重系数。
7.一种电动汽车的有序充电控制装置,其特征在于,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至5中任意一项所述的电动汽车的有序充电控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011318121.2A CN112348591B (zh) | 2020-11-23 | 2020-11-23 | 一种电动汽车的有序充电控制方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011318121.2A CN112348591B (zh) | 2020-11-23 | 2020-11-23 | 一种电动汽车的有序充电控制方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112348591A CN112348591A (zh) | 2021-02-09 |
CN112348591B true CN112348591B (zh) | 2023-04-18 |
Family
ID=74364573
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011318121.2A Active CN112348591B (zh) | 2020-11-23 | 2020-11-23 | 一种电动汽车的有序充电控制方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112348591B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113650515B (zh) * | 2021-07-07 | 2023-06-30 | 广州杰赛科技股份有限公司 | 电动汽车充电控制方法、装置、终端设备及存储介质 |
CN113762612A (zh) * | 2021-08-31 | 2021-12-07 | 北京交通大学 | 一种电动汽车充电站的分时运维成本测算方法及装置 |
CN115882494B (zh) * | 2021-09-29 | 2023-12-22 | 中国科学院广州能源研究所 | 计及车辆并网服务时长差异性的分层级v2g调度优化方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7389209B2 (en) * | 2002-05-03 | 2008-06-17 | Sungard Energy Systems Inc. | Valuing and optimizing scheduling of generation assets for a group of facilities |
CN108764554B (zh) * | 2018-05-21 | 2021-12-07 | 上海电力学院 | 一种引导电动汽车有序充电的鲁棒优化方法 |
CN110084640B (zh) * | 2019-04-17 | 2023-01-03 | 武汉大学 | 一种两阶段主从博弈的共享电动汽车补贴与定价方法 |
CN110119841B (zh) * | 2019-04-28 | 2022-06-24 | 广东工业大学 | 一种基于用户多选择的充电站负荷预测方法 |
-
2020
- 2020-11-23 CN CN202011318121.2A patent/CN112348591B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112348591A (zh) | 2021-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112348591B (zh) | 一种电动汽车的有序充电控制方法和装置 | |
CN112001744A (zh) | 电力现货市场基于前景理论的发电商辅助报价系统和方法 | |
CN105631553A (zh) | 一种电动汽车充放电自动需求响应优化方法 | |
CN113326994A (zh) | 一种考虑源荷储互动的虚拟电厂能量协同优化方法 | |
WO2024092954A1 (zh) | 基于深度强化学习的电力系统调控方法 | |
CN115765015A (zh) | 面向电网实际应用场景的源网荷储协同互动方案制定方法 | |
CN108808655A (zh) | 一种用于对电动汽车参与微网调频的经济性评估方法及系统 | |
CN116488144A (zh) | 基于节点碳强度及分时电价引导需求响应的电力系统双层优化策略 | |
CN116402307A (zh) | 考虑可调度柔性资源运行特性的电网规划容量分析方法 | |
CN114819373A (zh) | 一种基于合作博弈的共享混合储能电站的储能规划方法 | |
Li et al. | A scheduling framework for VPP considering multiple uncertainties and flexible resources | |
Zhang et al. | A safe reinforcement learning-based charging strategy for electric vehicles in residential microgrid | |
CN112766695B (zh) | 一种负荷聚集主体参与下的主辅联合系统的均衡运行方法 | |
CN109829624B (zh) | 一种风电合作博弈爬坡控制方法和装置 | |
CN114612001A (zh) | 集群电动汽车参与电网削峰的调控指令分解方法和系统 | |
Du et al. | Optimal whole-life-cycle planning for battery energy storage system with normalized quantification of multi-services profitability | |
CN113659573A (zh) | 一种新能源与储能协同工作方法 | |
CN112290530B (zh) | 风储联合发电商参与能量-调频市场的投标策略优化方法 | |
CN117394404A (zh) | 考虑碳效益和辅助调频的风电场储能容量配置方法 | |
CN112434866A (zh) | 一种基于广义斯塔克尔伯格博弈的电动汽车充电管理方法 | |
CN112366753A (zh) | 光储联合运行的经济最优控制方法 | |
CN112926811A (zh) | 一种考虑可再生能源消纳责任权重的负荷聚合商购电方法 | |
CN113283672A (zh) | 一种储能系统的充放电状态确定方法和装置 | |
Liu et al. | Economic analysis and research on investment return of energy storage participating in thermal power peak and frequency modulation | |
Zheng et al. | A Cooperative Game-based Negotiation Strategy of Electric Vehicle Discharging Price |
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 |