CN112467767A - 综合能源系统环境下的电动汽车并网协同控制方法 - Google Patents

Abstract

本发明公开了属于综合能源系统优化调度领域的一种综合能源系统环境下的电动汽车并网协同控制方法。该方法以系统调度方案成本最小、能量波动最小和环保性最好为目标，采用改进的MOPSO算法得出综合能源系统日前调度方案；以用户满意度为目标，采用改进PSO算法求解各集群的充放电功率，集群内根据动态优先级制定各EV各时段充放电计划；定义松弛度

表示EV参与调度的优先级，在调度过程中实时动态更新，真实反映EV的状态。本发明考虑了电动汽车车主的出行需求和电动汽车如何有序地参与综合能源系统调度的问题，具有一定的经济性、安全性和环保性。

Description

综合能源系统环境下的电动汽车并网协同控制方法

技术领域

本发明涉及综合能源系统优化调度领域，尤其涉及综合能源系统环境下的电动汽车并网协同控制方法。

背景技术

能源需求增长和能源紧缺、环境污染之间的矛盾急剧恶化，由此综合能源系统(Integrated Energy System，IES)得到了广泛的关注。同时，电动汽车(ElectricVehicle，EV)因其节能减排和绿色环保的特点，成为人们出行的不错选择。电动汽车不仅可作为负荷从系统中吸收电能，而且可作为一种分布式储能单元通过V2G(Vehicle to Grid，V2G)技术向系统放电。然而，电动汽车大规模接入系统，无序充放电将给综合能源系统调度运行带来不利影响，如出现负荷峰谷差加大、网损增加等问题。

目前，已有不少关于电动汽车接入电力系统并网控制方法的研究。随着综合能源系统的蓬勃发展，在综合能源系统中如何充分发挥电动汽车的优势，分群分层参与系统调度成为亟待解决的一个问题。

发明内容

本发明的目的是提出一种综合能源系统环境下的电动汽车并网协同控制方法，包括综合能源系统日前调度、电动汽车分群优化调度和集群内电动汽车充放电调度；其特征在于，所述综合能源系统日前调度包括如下步骤：

步骤Z1：设置综合能源系统的初始数据，包括电/热负荷预测值、可再生能源出力期望值、各设备出力的上下限及单位运行成本、EV总充放电功率约束、与上级主网交互功率约束；

步骤Z2：设置改进的MOPSO(Multi objective particle swarm optimization)算法的初始参数；

步骤Z3：计算并更新设备出力、电动汽车总充放电功率；

步骤Z4：计算粒子调度方案成本、能量波动和环保性这三个目标函数值；

步骤Z5：比较粒子的目标函数值，选取其中的非支配解作为外部档案；

步骤Z6：为每个粒子选取全局最优解和局部最优解，在外部档案中随机选取一粒子作为扰动项；

步骤Z7：判断迭代是否满足终止条件，若不满足，转步骤Z3，否则计算输出求解结果。

所述电动汽车分群优化调度包括如下步骤：

步骤D1：系统层求得的EV总充放电功率作为约束条件，以出行结束时刻和出行起始时刻为分群原则，对EV进行集群划分，设置EV集群充放电功率约束；

步骤D2：设置改进PSO(Particle swarm optimization)算法的初始参数；

步骤D3：计算并更新各EV集群充放电功率；

步骤D4：计算粒子的目标函数值；

步骤D5：比较粒子的目标函数值，选取其中的较优解作为外部档案；

步骤D6：为每个粒子选取全局最优解和局部最优解，在外部档案中随机选取一粒子作为扰动项；

步骤D7：判断迭代是否满足终止条件，若不满足，转步骤D3，否则计算输出各EV集群充放电功率。

所述集群内电动汽车充放电调度包括如下步骤：

步骤J1：EV集群充放电功率作为约束条件，设置EV集群的基本参数，包括EV集群驶离时间T_dep、抵达时间T_arr，集群内各EV驶离时的期望荷电状态(State of charge,SOC)S_exp和抵达时的初始荷电状态S_ini，设置集群内各EV充放电功率约束；

步骤J2：设置调度时段t＝1；

步骤J3：判断集群是否处于可调度时段，若处于不可调度时段，转步骤J6；

步骤J4：计算t时段集群内各EV的松弛度，按松弛度大小对EV进行排序；

步骤J5：松弛度为0的EV均充电，其余EV按松弛度从小到大充电，从大到小放电，使得所有EV的充放电功率等于该时段集群的充放电功率；

步骤J6：更新集群内各EV的S_ini，t＝t+1；

步骤J7：判断调度时段t>24，若不满足，转步骤J3，否则计算输出各EV各时段充放电计划。

所述步骤Z4的三个目标函数分别为：

目标函数1：调度方案成本最小

式中：C_CHP,t、C_GB,t、C_EB,t、C_RES,t、C_P2G,t、C_EV,t、C_J,t和C_gas,t分别为t时段热电联产(Combined heat and power,CHP)机组、燃气锅炉(Gas boiler,GB)、电锅炉(Electricboiler,EB)、可再生能源(Renewable source,RES)、电转气(Power to gas,P2G)、电动汽车的运行成本、电热交易成本以及燃气成本；且公式(1)中各组成部分的计算公式如下：

式中：P_CHP,t、Φ_GB,t、P_EB,t、P_WT,t、P_PV,t和P_P2G,t分别为t时段CHP机组、GB、EB、风机、光伏和P2G的出力，c_gas、c_EB、c_WT、c_PV和c_P2G分别为天然气、EB、风机、光伏和P2G的单位成本，η_CHP和η_GB分别为CHP机组的发电效率和GB的热效率，LHV为天然气的低热值，c_WT,sub和c_PV,sub分别为风机和光伏单位功率的发电补贴，

c_ebuy，t和c_esell,t分别为t时段EV充放电功率和向电网购售电价，η_d为EV的放电效率；γ为0-1变量，表示EV充放电不能同时进行；f_gas为t时段天然气网供气量；C_EJ,t和C_HJ,t分别为与上级电网和热网的交易成本，由下式计算可得：

式中：P_EJ,t为t时段与上级电网的交互功率，值为正表示购电量，值为负表示售电量的相反数，值为0表示与主网不进行电能交易；同理，Φ_HJ,t为t时段与上级热网的交互功率；c_hbuy，t、c_hsell,t为t时段向热网的买卖热价；α_EJ、β_HJ为0-1变量，限制电能、热能的购售不同时进行；

目标函数2：净负荷波动最小

式中：λ₁+λ₂＝1；P_load,t为t时段常规电负荷，

为平均电负荷功率；

表示t时段电动汽车与系统的交互功率；f_load,t为常规气负荷，

和

分别为t时段CHP机组、GB耗气量和P2G装置的产气量；

为平均气负荷功率；

目标函数3：环保性最好

式中：

分别为CO₂、NO_x的排放量；

分别为对应的污染当量值；k_a、k_b分别为天然气和电力的CO₂排放系数，k_CHP、k_GB分别CHP、GB的NO_x排放系数。

所述步骤Z4中综合能源系统日前多目标优化调度模型的约束条件包括：

(1)功率平衡约束

电功率平衡：

P_CHP,t+P_WT,t+P_PV,t+P_EJ,t＝P_load,t+P_P2G,t+P_EB,t+P_EV-grid,t

热功率平衡：

Φ_CHP,t+Φ_GB,t+Φ_EB,t+Φ_HJ,t＝Φ_load,t

气负荷平衡：

f_gas+f_P2G,t＝f_load,t+f_CHP,t+f_GB,t

(2)设备出力上下限约束

P_n,min≤P_n,t≤P_n,max

式中：P_n,t为第n台设备t时段的实际出力值，P_n,max、P_n,min分别为第n台设备出力的上下限；

(3)可控机组爬坡约束

-r_n,dΔt≤P_n,t-P_n,t-1≤r_n,uΔt

式中：r_n,u、r_n,d分别为可控机组n上下坡速率；

(4)可再生能源出力约束

式中：P_WT,max、P_PV,max分别为风机和光伏出力的上限值；

(5)电动汽车整体充放电功率约束

从系统层面出发，将电动汽车看成一个整体，

和

分别为电动汽车整体充放电功率上下限值；

(6)电动汽车平均SOC约束

式中：

为电动汽车调度周期初始SOC和调度周期结束SOC，S_max、S_min为电动汽车荷电状态的上下限值；

(7)与上级主网交互功率约束

式中：P_EJ,max、P_EJ,min、Φ_HJ,max和Φ_HJ,min分别为系统与上级电网和热网交互功率的上下限值。

所述步骤D4的目标函数为：

目标函数：EV用户满意度最好

式中：q为集群数；

为集群i出行前的平均SOC，是综合集群内各电动汽车SOC的平均值。

所述步骤D4中电动汽车分群优化调度模型的约束条件包括：

(1)EV群平均SOC约束

式中：

为t-1和t时段集群i平均SOC；

为电动汽车的净充放电功率；l_i为集群i行驶里程，E_km为EV每公里耗电量；T_i ^sch、T_i ^un为可调度时段和不可调度时段。第二个式子表示集群i在调度周期始末荷电状态一致，在整个调度周期内荷电状态不越限，此约束对单辆汽车也适用；

(2)电动汽车充放电功率约束

式中：

为t时段集群i的充放电功率，此约束对单辆汽车也适用。

所述步骤J4的松弛度函数为：

式中：E_bat为电动汽车的电池容量，P_EV,c和η_c表示电动汽车的充电功率和充电效率。

本发明的有益效果在于：

1、以系统调度方案成本最小、能量波动最小和环保性最好为目标，采用改进的MOPSO算法得出综合能源系统日前调度方案；

2、电动汽车分群分层参与系统调度，避免了大规模电动汽车计算维数庞大、优化难度增加等难题，EV分群调度以用户满意度为目标，采用改进PSO算法求解各集群的充放电功率，集群内根据动态优先级制定各EV各时段充放电计划；

3、定义松弛度

表示EV参与调度的优先级，在调度过程中实时动态更新，真实反映EV的状态。

附图说明

图1为本发明的流程图；

图2为综合能源系统中各时段常规电/热负荷预测期望值曲线图；

图3为综合能源系统中各时段可再生能源出力期望值。

具体实施方式

本发明提出综合能源系统环境下的电动汽车并网协同控制方法，下面结合附图和具体实施例对本发明做进一步说明。

综合能源系统环境下的电动汽车并网协同控制方法，参考图1，包括综合能源系统日前调度、电动汽车分群优化调度和集群内电动汽车充放电调度；具体如下：

综合能源系统日前调度

步骤1：设置综合能源系统的初始数据，包括电热负荷预测值、可再生能源出力期望值，如图2和图3所示；各设备出力的上下限及单位运行成本如表1、表2所示；EV总充放电功率约束(±3MW)、与上级主网交互功率约束(电网±20MW，热网±5MW)；

表1设备参数

表2主网电价、主网热价及可中断负荷的补偿价格

单位：元/MWh

步骤2：设置改进的MOPSO算法的初始参数，如表3所示；

表3改进的MOPSO算法的初始参数

步骤3：计算并更新设备出力、电动汽车总充放电功率；

v_i(t+1)＝w(t)*v_i(t)+c₁rand()*(p_i(t)-x_i(t))

+c₂rand()*(p_g(t)-x_i(t))+c₃rand()*(p_d(t)-x_i(t))

x_i(t+1)＝x_i(t)+v_i(t)

式中：v_i、x_i为第i个粒子的速度和位置，p_i为第i个粒子的局部最优解，p_g为全局最优解，p_d为扰动项。其中惯性权重

计算得出。

步骤4：计算粒子调度方案成本、能量波动和环保性这三个目标函数值；

目标函数1：调度方案成本最小

式中：C_CHP,t、C_GB,t、C_EB,t、C_RES,t、C_P2G,t、C_EV,t、C_J,t和C_gas,t分别为t时段热电联产(Combined heat and power,CHP)机组、燃气锅炉(Gas boiler,GB)、电锅炉(Electricboiler,EB)、可再生能源(Renewable source,RES)、电转气(Power to gas,P2G)、电动汽车的运行成本以及电热交易成本、燃气成本。上式中各组成部分的计算公式如下：

式中：P_CHP,t、Φ_GB,t、P_EB,t、P_WT,t、P_PV,t和P_P2G,t分别为t时段CHP机组、GB、EB、风机、光伏和P2G的出力，c_gas、c_EB、c_WT、c_PV和c_P2G分别为天然气、EB、风机、光伏和P2G的单位成本，η_CHP和η_GB为CHP机组的发电效率和GB的热效率，LHV为天然气的低热值，c_WT,sub和c_PV,sub为风机和光伏单位功率的发电补贴；

c_ebuy，t和c_esell,t分别为t时段EV充放电功率和向电网购售电价，η_d为EV的放电效率，γ为0-1变量，表示EV充放电不能同时进行；C_EJ,t和C_HJ,t为与上级电网和热网的交易成本，由下式计算可得；f_gas为t时段天然气网供气量。

式中：P_EJ,t为t时段与上级电网的交互功率，值为正表示购电量，值为负表示售电量的相反数，值为0表示与主网不进行电能交易；同理，Φ_HJ,t为t时段与上级热网的交互功率。c_hbuy，t、c_hsell,t为t时段向热网的买卖热价；α_EJ、β_HJ为0-1变量，限制电能、热能的购售不同时进行。

目标函数2：净负荷波动最小

式中：λ₁+λ₂＝1；P_load,t为t时段常规电负荷，

为平均电负荷功率，

表示t时段电动汽车与系统的交互功率；f_load,t为常规气负荷，

和

分别为t时段CHP机组、GB耗气量和P2G装置的产气量；

为平均气负荷功率。

目标函数3：环保性最好

式中：

分别为CO₂、NO_x的排放量；

分别为对应的污染当量值；k_a、k_b分别为天然气和电力的CO₂排放系数，k_CHP、k_GB分别CHP、GB的NO_x排放系数。

具体地，所述步骤4综合能源系统日前多目标优化调度模型的约束条件，具体如下：

1)功率平衡约束

电功率平衡：

P_CHP,t+P_WT,t+P_PV,t+P_EJ,t＝P_load,t+P_P2G,t+P_EB,t+P_EV-grid,t

热功率平衡：

Φ_CHP,t+Φ_GB,t+Φ_EB,t+Φ_HJ,t＝Φ_load,t

气负荷平衡：

f_gas+f_P2G,t＝f_load,t+f_CHP,t+f_GB,t

2)设备出力上下限约束

P_n,min≤P_n,t≤P_n,max

式中：P_n,t为第n台设备t时段的实际出力值，P_n,max、P_n,min分别为第n台设备出力的上下限。

3)可控机组爬坡约束

-r_n,dΔt≤P_n,t-P_n,t-1≤r_n,uΔt

式中：r_n,u、r_n,d分别为可控机组n上下坡速率。

4)可再生能源出力约束

式中：P_WT,max、P_PV,max分别为风机和光伏出力的上限值。

5)电动汽车整体充放电功率约束

从系统层面出发，将电动汽车看成一个整体，

和

分别为电动汽车整体充放电功率上下限值。

6)电动汽车平均SOC约束

式中：

为电动汽车调度周期初始SOC和调度周期结束SOC，S_max、S_min为电动汽车荷电状态的上下限值。

7)与上级主网交互功率约束

式中：P_EJ,max、P_EJ,min、Φ_HJ,max和Φ_HJ,min分别为系统与上级电网和热网交互功率的上下限值。

步骤5：比较粒子的目标函数值，选取其中的非支配解作为外部档案；

步骤6：为每个粒子选取全局最优解和局部最优解，在外部档案中随机选取一粒子作为扰动项；

步骤7：判断迭代是否满足终止条件，若不满足，转步骤3，否则计算输出求解结果。

电动汽车分群优化调度

步骤1：系统层求得的EV总充放电功率作为约束条件，以出行结束时刻和出行起始时刻为分群原则，对EV进行集群划分，设置EV集群充放电功率约束，如表4所示；

本例假设综合能源系统中有1000辆电动汽车，其出行依据地区特点进行概率统计，为简化，假定一天的出行需求发生在早晚两个时段，根据分群原则划分集群。集群内EV初始SOC近似服从正态分布，出行行驶里程服从对数正态分布，即In(l_i)～N(3.2,0.882)。此外，假设EV的电池容量为20kWh，额定充放电功率均为4kW，充放电效率为1，用户期望荷电状态为1，每百公里耗电量为12kWh。

表4电动汽车集群划分及参数设置

注：不可调度时段表示共享电动汽车不接入系统。

步骤2：设置改进PSO算法的初始参数，如表5所示；

表5改进的PSO算法的初始参数

步骤3：计算并更新各EV集群充放电功率；

步骤4：计算粒子的目标函数值；

目标函数：EV用户满意度最好

式中：q为集群数；

为集群i出行前的平均SOC，是综合集群内各电动汽车SOC的平均值。

具体地，所述步骤4电动汽车分群优化调度模型的约束条件，具体如下：

1)EV群平均SOC约束

式中：

为t-1和t时段集群i平均SOC；

为电动汽车的净充放电功率；l_i为集群i行驶里程，E_km为EV每公里耗电量；T_i ^sch、T_i ^un为可调度时段和不可调度时段。第二个式子表示集群i在调度周期始末荷电状态一致，在整个调度周期内荷电状态不越限，此约束对单辆汽车也适用。

2)电动汽车充放电功率约束

式中：

为t时段集群i的充放电功率，此约束对单辆汽车也适用。

步骤5：比较粒子的目标函数值，选取其中的较优解作为外部档案；

步骤6：为每个粒子选取全局最优解和局部最优解，在外部档案中随机选取一粒子作为扰动项；

步骤7：判断迭代是否满足终止条件，若不满足，转步骤3，否则计算输出各EV集群充放电功率。

集群内电动汽车充放电调度

步骤1：EV集群k充放电功率作为约束条件，设置EV集群的基本参数，包括EV集群驶离时间T_dep、抵达时间T_arr，集群内各EV驶离时的期望荷电状态(State of charge,SOC)S_exp和抵达时的初始荷电状态S_ini，如表6所示；设置集群内各EV充放电功率约束(±4kW)；

表6 EV集群的基本参数(以集群4中6辆EV为例)

步骤2：设置调度时段t＝1；

步骤3：判断集群是否处于可调度时段，若处于不可调度时段，转步骤6；

步骤4：计算t时段集群内各EV的松弛度，按松弛度大小对EV进行排序；

式中：E_bat为电动汽车的电池容量，P_EV,c和η_c表示电动汽车的充电功率和充电效率。

步骤5：松弛度为0的EV均充电，其余EV按松弛度从小到大充电，从大到小放电，使得所有EV的充放电功率等于该时段集群的充放电功率；

步骤6：更新集群内各EV的S_ini，t＝t+1；

步骤7：判断调度时段t>24，若不满足，转步骤3，否则计算输出各EV各时段充放电计划。

此实施例仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (8)

1.一种综合能源系统环境下的电动汽车并网协同控制方法，包括综合能源系统日前调度、电动汽车分群优化调度和集群内电动汽车充放电调度；其特征在于，所述综合能源系统日前调度包括如下步骤：

步骤Z1：设置综合能源系统的初始数据，包括电/热负荷预测值、可再生能源出力期望值、各设备出力的上下限及单位运行成本、EV总充放电功率约束、与上级主网交互功率约束；

步骤Z2：设置改进的MOPSO算法的初始参数；

步骤Z3：计算并更新设备出力、电动汽车总充放电功率；

步骤Z4：计算粒子调度方案成本、能量波动和环保性这三个目标函数值；

步骤Z5：比较粒子的目标函数值，选取其中的非支配解作为外部档案；

步骤Z6：为每个粒子选取全局最优解和局部最优解，在外部档案中随机选取一粒子作为扰动项；

步骤Z7：判断迭代是否满足终止条件，若不满足，转步骤Z3，否则计算输出求解结果。

2.根据权利要求1所述的综合能源系统环境下的电动汽车并网协同控制方法，其特征在于，所述电动汽车分群优化调度包括如下步骤：

步骤D1：系统层求得的EV总充放电功率作为约束条件，以出行结束时刻和出行起始时刻为分群原则，对EV进行集群划分，设置EV集群充放电功率约束；

步骤D2：设置改进PSO算法的初始参数；

步骤D3：计算并更新各EV集群充放电功率；

步骤D4：计算粒子的目标函数值；

步骤D5：比较粒子的目标函数值，选取其中的较优解作为外部档案；

步骤D6：为每个粒子选取全局最优解和局部最优解，在外部档案中随机选取一粒子作为扰动项；

步骤D7：判断迭代是否满足终止条件，若不满足，转步骤D3，否则计算输出各EV集群充放电功率。

3.根据权利要求1所述的综合能源系统环境下的电动汽车并网协同控制方法，其特征在于，所述集群内电动汽车充放电调度包括如下步骤：

步骤J1：EV集群充放电功率作为约束条件，设置EV集群的基本参数，包括EV集群驶离时间T_dep、抵达时间T_arr，集群内各EV驶离时的期望荷电状态S_exp和抵达时的初始荷电状态S_ini，设置集群内各EV充放电功率约束；

步骤J2：设置调度时段t＝1；

步骤J3：判断集群是否处于可调度时段，若处于不可调度时段，转步骤J6；

步骤J4：计算t时段集群内各EV的松弛度，按松弛度大小对EV进行排序；

步骤J5：松弛度为0的EV均充电，其余EV按松弛度从小到大充电，从大到小放电，使得所有EV的充放电功率等于该时段集群的充放电功率；

步骤J6：更新集群内各EV的S_ini，t＝t+1；

步骤J7：判断调度时段t>24，若不满足，转步骤J3，否则计算输出各EV各时段充放电计划。

4.根据权利要求1所述的综合能源系统环境下的电动汽车并网协同控制方法，其特征在于，所述步骤Z4的三个目标函数分别为：

目标函数1：调度方案成本最小

式中：C_CHP,t、C_GB,t、C_EB,t、C_RES,t、C_P2G,t、C_EV,t、C_J,t和C_gas,t分别为t时段热电联产机组、燃气锅炉、电锅炉、可再生能源、电转气、电动汽车的运行成本、电热交易成本以及燃气成本；且公式(1)中各组成部分的计算公式如下：

式中：P_CHP,t、Φ_GB,t、P_EB,t、P_WT,t、P_PV,t和P_P2G,t分别为t时段CHP机组、GB、EB、风机、光伏和P2G的出力，c_gas、c_EB、c_WT、c_PV和c_P2G分别为天然气、EB、风机、光伏和P2G的单位成本，η_CHP和η_GB分别为CHP机组的发电效率和GB的热效率，LHV为天然气的低热值，c_WT,sub和c_PV,sub分别为风机和光伏单位功率的发电补贴，

c_ebuy，t和c_esell,t分别为t时段EV充放电功率和向电网购售电价，η_d为EV的放电效率；γ为0-1变量，表示EV充放电不能同时进行；f_gas为t时段天然气网供气量；C_EJ,t和C_HJ,t分别为与上级电网和热网的交易成本，由下式计算可得：

式中：P_EJ,t为t时段与上级电网的交互功率，值为正表示购电量，值为负表示售电量的相反数，值为0表示与主网不进行电能交易；同理，Φ_HJ,t为t时段与上级热网的交互功率；c_hbuy，t、c_hsell,t为t时段向热网的买卖热价；α_EJ、β_HJ为0-1变量，限制电能、热能的购售不同时进行；

目标函数2：净负荷波动最小

式中：λ₁+λ₂＝1；P_load,t为t时段常规电负荷，

为平均电负荷功率；

表示t时段电动汽车与系统的交互功率；f_load,t为常规气负荷，

和

分别为t时段CHP机组、GB耗气量和P2G装置的产气量；

为平均气负荷功率；

目标函数3：环保性最好

式中：

分别为CO₂、NO_x的排放量；

分别为对应的污染当量值；k_a、k_b分别为天然气和电力的CO₂排放系数，k_CHP、k_GB分别CHP、GB的NO_x排放系数。

5.根据权利要求4所述的综合能源系统环境下的电动汽车并网协同控制方法，其特征在于，所述步骤Z4中综合能源系统日前多目标优化调度模型的约束条件包括：

(1)功率平衡约束

电功率平衡：

P_CHP,t+P_WT,t+P_PV,t+P_EJ,t＝P_load,t+P_P2G,t+P_EB,t+P_EV-grid,t

热功率平衡：

Φ_CHP,t+Φ_GB,t+Φ_EB,t+Φ_HJ,t＝Φ_load,t

气负荷平衡：

f_gas+f_P2G,t＝f_load,t+f_CHP,t+f_GB,t

(2)设备出力上下限约束

P_n,min≤P_n,t≤P_n,max

式中：P_n,t为第n台设备t时段的实际出力值，P_n,max、P_n,min分别为第n台设备出力的上下限；

(3)可控机组爬坡约束

-r_n,dΔt≤P_n,t-P_n,t-1≤r_n,uΔt

式中：r_n,u、r_n,d分别为可控机组n上下坡速率；

(4)可再生能源出力约束

式中：P_WT,max、P_PV,max分别为风机和光伏出力的上限值；

(5)电动汽车整体充放电功率约束

从系统层面出发，将电动汽车看成一个整体，

和

分别为电动汽车整体充放电功率上下限值；

(6)电动汽车平均SOC约束

式中：

为电动汽车调度周期初始SOC和调度周期结束SOC，S_max、S_min为电动汽车荷电状态的上下限值；

(7)与上级主网交互功率约束

式中：P_EJ,max、P_EJ,min、Φ_HJ,max和Φ_HJ,min分别为系统与上级电网和热网交互功率的上下限值。

6.根据权利要求2所述的综合能源系统环境下的电动汽车并网协同控制方法，其特征在于，所述步骤D4的目标函数为：

目标函数：EV用户满意度最好

式中：q为集群数；

为集群i出行前的平均SOC，是综合集群内各电动汽车SOC的平均值。

7.根据权利要求6所述的综合能源系统环境下的电动汽车并网协同控制方法，其特征在于，所述步骤D4中电动汽车分群优化调度模型的约束条件包括：

(1)EV群平均SOC约束

式中：

为t-1和t时段集群i平均SOC；

为电动汽车的净充放电功率；l_i为集群i行驶里程，E_km为EV每公里耗电量；

为可调度时段和不可调度时段。第二个式子表示集群i在调度周期始末荷电状态一致，在整个调度周期内荷电状态不越限，此约束对单辆汽车也适用；

(2)电动汽车充放电功率约束

式中：

为t时段集群i的充放电功率，此约束对单辆汽车也适用。

8.根据权利要求3所述的综合能源系统环境下的电动汽车并网协同控制方法，其特征在于，所述步骤J4的松弛度函数为：

式中：E_bat为电动汽车的电池容量，P_EV,c和η_c表示电动汽车的充电功率和充电效率。

Images