CN112488444A - 电动汽车快慢同步有序充电调度方法以及电量结算方法 - Google Patents

电动汽车快慢同步有序充电调度方法以及电量结算方法 Download PDF

Info

Publication number
CN112488444A
CN112488444A CN202011198704.6A CN202011198704A CN112488444A CN 112488444 A CN112488444 A CN 112488444A CN 202011198704 A CN202011198704 A CN 202011198704A CN 112488444 A CN112488444 A CN 112488444A
Authority
CN
China
Prior art keywords
charging
vehicle
storage system
electric
energy storage
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.)
Granted
Application number
CN202011198704.6A
Other languages
English (en)
Other versions
CN112488444B (zh
Inventor
田东伟
何瑞辉
邢涛
庞松玲
施寅跃
赵明宇
孙广明
汪映辉
石进永
王刚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
NARI Group Corp
Nari Technology Co Ltd
NARI Nanjing Control System Co Ltd
Hainan Power Grid Co Ltd
Beijing State Grid Purui UHV Transmission Technology Co Ltd
Original Assignee
NARI Group Corp
Nari Technology Co Ltd
NARI Nanjing Control System Co Ltd
Hainan Power Grid Co Ltd
Beijing State Grid Purui UHV Transmission Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by NARI Group Corp, Nari Technology Co Ltd, NARI Nanjing Control System Co Ltd, Hainan Power Grid Co Ltd, Beijing State Grid Purui UHV Transmission Technology Co Ltd filed Critical NARI Group Corp
Priority to CN202011198704.6A priority Critical patent/CN112488444B/zh
Publication of CN112488444A publication Critical patent/CN112488444A/zh
Application granted granted Critical
Publication of CN112488444B publication Critical patent/CN112488444B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • 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
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/60—Monitoring or controlling charging stations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06313—Resource planning in a project environment
    • 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
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06316—Sequencing of tasks or work
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/04—Power grid distribution networks
    • 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
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/70—Energy storage systems for electromobility, e.g. 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/7072—Electromobility specific charging systems or methods for batteries, ultracapacitors, supercapacitors or double-layer capacitors
    • 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
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02T90/10—Technologies relating to charging of electric vehicles
    • Y02T90/12—Electric charging stations

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Water Supply & Treatment (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Computer Hardware Design (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Geometry (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Power Engineering (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)

Abstract

本发明公开一种电动汽车快慢同步有序充电调度方法以及结算方法，调度方法包括：获取前一日站内充电数据，以及调度日的预测充电数据；利用预先构建的日前调度优化模型计算调度日所需总电量；实时获取调度日当天站内充电需求数据，基于实时数据以及日前调度计算结果，利用预先构建的实时调度优化模型，以设定的实时规划周期进行实时调度计算，得到实时所需总电量；基于实时调度模型的计算结果，进行一个调度周期的电量分配规划，按照预设的调度优先级对电量进行分配，确定电网、储能系统和/或慢充电动汽车向快充电动汽车转移的电量。本发明能够实现电动汽车的规模化有序共享充电，提高充电效率和能源利用率，结算方法能够激励供电商合理安排购电量。

Description

电动汽车快慢同步有序充电调度方法以及电量结算方法
技术领域
本发明涉及电动汽车充电技术领域，特别是一种电动汽车快慢同步有序充电调度方法以及电量结算方法。
背景技术
电动汽车是当下新能源产业重要组成部分，是缓解能源危机及环境问题的有效工具。目前电动汽车充换电设施标准体系建设、关键技术研究、关键设备研制和示范工程建设等方面已取得重要进展。但同时，由于续航里程限制，使得“充电焦虑”和“里程焦虑”成为约束电动汽车行业大力发展的一大难题。
因此，通过对电动汽车充电技术的不断创新和优化，采取科学合理的控制策略，可以改善整体电力系统管理和能源效率，同时也可以使电力系统的运行更加清洁、高效和经济。已有研究在电动汽车快速充电站方面较为深入，但缺乏电动汽车快充与慢充同步有序充电规划研究。快速充电站对充电设备要求高，需要考虑运营成本和客户服务性以及优化选址，此外充电端口、等待空间和快充的电力可用性都需要全面考虑。如何构建能为电动汽车提供快慢同步充电服务的智能停车场，对于解决电动汽车里程焦虑具有重要意义。
发明内容
本发明的目的是提供一种电动汽车快慢同步有序充电调度方法，能够实现电动汽车的规模化有序共享充电，提高充电效率和能源利用率，并提出一种能够激励供电商合理安排购电量的电量结算方法。
一方面，本发明提供一种电动汽车快慢同步有序充电调度方法，包括：
获取前一日站内全部电动汽车的充电数据，以及调度日的预测充电数据；
基于获取到的数据进行日前调度，利用预先构建的日前调度优化模型计算调度日所需总电量，包括从电网到慢充电动汽车的电量，从电网到储能系统的电量，从电网、慢充车以及储能系统向快充车的充电量；所述日前调度优化模型的优化目标为调度日的充电站综合成本最小；
实时获取调度日当天充电站内的电动汽车充电需求数据，基于所获取的实时数据以及日前调度计算结果，利用预先构建的实时调度优化模型，以设定的实时规划周期进行实时调度计算，得到使得调度日所需总电量与日前调度所需总电量的偏差最小的实时所需总电量，所述实时所需总电量包括调度日内各时段中，包括从电网到慢充电动汽车的电量，从电网到储能系统的电量，从电网、慢充车以及储能系统向快充车的充电量；
基于实时调度模型的计算结果，进行一个调度周期的电量分配规划，按照预设的调度优先级对电量进行分配，确定电网、储能系统和/或慢充电动汽车向快充电动汽车转移的电量。
后续可根据调度方案对充电站进行实时设备控制，包括根据规划方案中的电量分配，控制电网向储能系统、慢充电动汽车、快充电动汽车充电，以及控制储能系统和慢充电动汽车向快充电动汽车充电。
本发明中，日前调度的调度周期为24h，每个调度日前进行相应调度日的日前调度优化计算，实时调度的周期可设置为15min。
可选的，方法还包括，构建日前调度阶段电动汽车的动态模型；所述日前调度阶段电动汽车的动态模型包括，慢充电动汽车的能量动态和数量动态；其中，能量动态表示如下：
Figure BDA0002754753280000021
式中，xτ,t为出发时间为τ的慢充电动汽车集群在时段t内的总充电需求容量，xτ,t-1为集群τ在时段t的前一时段的总充电需求容量，
Figure BDA0002754753280000022
为从电网接收的净电量，ηev为慢充电动汽车的充电效率，
Figure BDA0002754753280000023
为从电网到慢充电动汽车集群τ的能量，
Figure BDA0002754753280000024
是
Figure BDA0002754753280000025
中转移至快充电动汽车的一部分，Δxτ,t是新到电动汽车的充电需求容量，
Figure BDA0002754753280000026
表示慢充电动汽车到快充电动汽车的放电量；
慢充电动汽车的数量动态表示为：
Figure BDA0002754753280000027
式中，mτ,t为t时刻集群τ的未充电电动汽车数量；Δmτ,t是集群τ中在t时段新到达未充电电动汽车数量。
可选的，方法还包括：构建日前调度阶段储能系统的能量动态模型，如下式：
Figure BDA0002754753280000031
式中，yt为储能系统在t时段的未充电能量，ηess为储能系统充电效率，uy,t是电网传入储能系统的能量，u'y,t和
Figure BDA0002754753280000032
是为快充车充电的组件，u'y,t为t时段从uy,t中转移到快充车的部分电荷，
Figure BDA0002754753280000033
为储能系统放电到快充车的电量；
Figure BDA0002754753280000034
是t时段从储能系统到刚性负荷的放电量。
可选的，所述日前调度优化模型的优化目标函数为：
Figure BDA0002754753280000035
式中，第一项是刚性负载、储能系统和慢充车的电网提前一天计划供电的成本；第二项是快充车收费收入减去快充站的单位安装成本；第三项为电动汽车车主对电池进行降解的成本；第四项为储能系统降解成本；第五项为实时供电成本；
Figure BDA0002754753280000036
为快充车收费单价；
Figure BDA0002754753280000037
为快充站安装成本；
Figure BDA0002754753280000038
为慢充车单位放电成本，
Figure BDA0002754753280000039
为储能系统的单位降解成本；
Figure BDA00027547532800000310
和
Figure BDA00027547532800000311
分别为日前和实时电价；uinf,t为t时段从电网到刚性负载的电量；Δuinf,t为t时段实时的刚性负载电量使用与前一天的偏差值；Δuy,t为t时段实时的储能系统电量使用与前一天的偏差值；
Figure BDA00027547532800000312
为t时段实时的电动汽车电量使用与前一天的偏差值，T为日前调度周期；
其中，慢充电动汽车的电池单位放电成本
Figure BDA00027547532800000313
和储能系统的单位放电成
Figure BDA00027547532800000314
为：
Figure BDA00027547532800000315
式中，CBI为电池/储能系统的投资成本；LCB为电池/储能系统的寿命周期；BB为电池/储能系统的容量；dDoD为放电深度。
可选的，优化目标函数的求解约束包括：
慢充电动汽车的动态能量约束：
Figure BDA0002754753280000041
式中，
Figure BDA0002754753280000042
为慢充电动汽车集群τ允许的最大未充电能量值，
Figure BDA0002754753280000043
为快充车未使用的多余能量，
Figure BDA0002754753280000044
为出发时慢充电动汽车电池允许的未充电量，μ表示快充电动车的充电时间段；
Figure BDA0002754753280000045
分别为t时段内集群τ的充电功率最小值和最大值；
Figure BDA0002754753280000046
分别为t时段内集群τ的放电功率最小值和最大值；
储能系统的动态能量约束：
Figure BDA0002754753280000047
式中，yini为储能系统的初始状态；
Figure BDA0002754753280000048
分别为储能系统的最小和最大充电功率，
Figure BDA0002754753280000049
分别为储能系统的最小和最大放电功率；
快充车总充电量期望
Figure BDA0002754753280000051
约束：
Figure BDA0002754753280000052
式中，等式右边求和项表示电动汽车对快充车充电贡献，后两项表示储能系统的贡献，ηfcv为快充车的充电效率；ηev2fcv表示慢充车到快充车的放电效率；ηess2fcv表示储能系统到快充车的放电效率；
以及馈线容量
Figure BDA0002754753280000053
约束：
Figure BDA0002754753280000054
可选的，所述预先构建的实时调度优化模型为：
Figure BDA0002754753280000055
式中，
Figure BDA0002754753280000056
为实时能源价格；第一项是在未来一段时间内购买电动汽车、储能系统和不可控负荷的平衡能力的成本；第二和第三项分别代表慢充电动汽车电池的成本和储能系统退化成本；第四项是收取快充车费用的收入减去停车场扩建FCS的单位安装成本；第五项是观望的水平是未来的购买成本平衡的权力；第六项是来自快充车的净收入；第七和第八项分别考虑了未来时段慢充电动汽车电池和储能系统的退化成本。
可选的，方法还包括的，构建实时调度阶段的慢充电动汽车能量动态模型以及储能系统的能量动态模型；
慢充电动汽车的能量动态模型为：
Figure BDA0002754753280000061
式中，xτ,k为慢充电动车集群τ在实时调度时段k的总充电需求容量，
Figure BDA0002754753280000062
为在前一时段慢充电动汽车集群τ可能未使用的能量，
Figure BDA0002754753280000063
为时段k从电网到慢充电动汽车集群τ的能量，
Figure BDA0002754753280000064
是
Figure BDA0002754753280000065
中转移至快充电动汽车的一部分，Δxτ,k是时段k新到电动汽车的充电需求容量，
Figure BDA0002754753280000066
表示时段k慢充电动汽车到快充电动汽车的放电量；
储能系统的能量动态模型为：
Figure BDA0002754753280000067
式中，yk为储能系统在实时调度时段k的总充电需求容量，
Figure BDA0002754753280000068
为在前一时段储能系统可能未使用的部分能量，Uy,k是电网传入储能系统的能量，u'y,k和
Figure BDA0002754753280000069
是为快充车充电的组件，u'y,k为k时段从Uy,k中转移到快充车的部分电荷，
Figure BDA00027547532800000610
为储能系统放电到快充车的电量；
Figure BDA00027547532800000611
是k时段从储能系统到刚性负荷的放电量。
可选的，实时调度优化目标函数的优化求解约束包括：
慢充电动汽车的实时能量动态约束：
Figure BDA00027547532800000612
式中，
Figure BDA00027547532800000613
为电动汽车的总电量，是日前调度计算结果和实时平衡电量
Figure BDA00027547532800000614
之和；
Figure BDA0002754753280000071
是在日前市场购买的慢充电动汽车集群τ的计划电量；
储能系统的实施能量动态约束：
Figure BDA0002754753280000072
式中，Uy,t＝uy,t+Δuy,t为储能系统的总电量，uy,t为日前调度所得储能系统的计划电量，Δuy,t为储能系统根据实时调度时刻已经存在的和可能即将到来的快充电动汽车所需的实时平衡电量。
可选的，所述基于实时调度模型的计算结果，进行一个调度周期的电量分配规划，按照预设的调度优先级对电量进行分配，确定电网、储能系统和/或慢充电动汽车向快充电动汽车转移的电量，包括：
将每个实时调度周期的时间区间t划分为N个相同的子区间；
确定每个子区间内向快充车负荷提供的电能资源，包括：从电网向即将出发和未出发的慢充车，以及储能系统提供的，与快充车相关的能量组件u'x和u'y；从慢充车和储能系统向快充车发出的功率分别为dxFCV和dyFCV；
构建一个已确定的可用电能资源的堆栈，按照预先设定的调度优先级，确定各类可用电能资源在堆栈中的位置，在实时调度过程中，在每个子区间内更新可用电能资源。
可选的，所述预设的调度优先级从高到低依次为：电网到即将出发的慢充车集群τ的电量，电网到储能系统的计划电量u'y,k，电网到未出发的慢充车的计划电量
Figure BDA0002754753280000073
储能系统给快充车充电量dyFCV，未出发的慢充车向快充车充电量
Figure BDA0002754753280000081
可以看出，每个资源在是基于其快充车相关费用被交付到快充车负荷的优先级来确定，本发明考虑了电动汽车放电成本很高，所以慢充车放电为最低的优先级。
第二方面，本发明提供一种适用权利要求1所述方法的电动汽车充电系统，包括交流慢充线路、直流快充线路和储能系统，电网经交流慢充线路向交流慢充车辆充电，经整流模块向储能系统和接入直流快充线路的直流快充车辆充电；交流慢充车辆与电网交流馈线之间，以及储能系统与直流馈线之间分别还设有放电回路，使得储能系统和慢充车辆能够通过电网将自身电能转移至快充车辆。
第三方面，本发明提供适用于权利要求1所述电动汽车快慢同步有序充电调度方法的电动汽车充电站的电量结算方法，包括：
基于日前调度计算结果进行第一次结算：
Figure BDA0002754753280000082
式中，da表示日前调度模式，
Figure BDA0002754753280000083
是调度日t时段的日前估计总能量，
Figure BDA0002754753280000084
是前一天设定的价格，T表示一天中总的时间段数；
基于实时调度计算结果进行第二次结算：
Figure BDA0002754753280000085
rt表示实时调度模式，
Figure BDA0002754753280000086
是t时段实际能源使用与前一天估计值的偏差；
Figure BDA0002754753280000087
是实时支付的能源价格，且有：
Figure BDA0002754753280000088
式中，γ是惩罚因子，
Figure BDA0002754753280000089
是惩罚参考价格；
将第一次结算结果与第二次结算结果相加，得到调度日的结算价格。惩罚条款
Figure BDA0002754753280000091
的设计可避免在调度日当天大量调整能源使用。
有益效果
本发明提出了一种电动汽车快慢同步有序充电方法、计算方法，以及一种适应适量快充比例的智能停车场，通过分析充电站内不可控负荷、慢速和快速充电车辆的协调控制任务，设计日前规划策略；然后综合快充分配算法和基于最松弛优先概念的资源优先级，制定快慢充同步有序充电周期性实时规划策略荷周期内实时调度策略。试验数据表明，本发明提出电动汽车快慢同步有序充电方法准确高效，具有较强的通用性和实用性。利用本发明通过技术升级将现有的停车场设施变成一个停车场与快速充电站综合体，可以大大减少建造单独快速充电站设施的成本，减少电网的部分快充负荷压力。
附图说明
图1为停车场-快速充电站结构；
图2在慢充车和储能系统能源组件中的快充车充电需求分布；
图3为快充车充电的周期内规划算法；
图4为日前的价格和实时到日前的价格比率的场景；
图5为慢充车充放电、快充车充电时间；
图6为实际慢充车充放电量；
图7为快充车功率分布图；
图8为到达、服务和阻塞的快充车数量。
具体实施方式
以下结合附图和具体实施例进一步描述。
实施例1
本实施例介绍第三方面提供的，如图1所示的电动汽车充电系统，其包括交流慢充线路、直流快充线路和储能系统，电网经交流慢充线路向交流慢充车辆充电，经整流模块向储能系统和接入直流快充线路的直流快充车辆充电；交流慢充车辆与电网交流馈线之间，以及储能系统与直流馈线之间分别还设有放电回路，使得储能系统和慢充车辆能够通过电网将自身电能转移至快充车辆。
本实施例的充电系统可在传统停车场配置上加以改进，具备快慢同时充电能力，且能够通过储能系统充放电功能辅助大电网完成电动汽车快慢充业务。
实施例2
本实施例介绍一种电网针对充电站的电量结算方法，能够适用于实施例1的充电系统。电力市场中的支付模式分为单结算和多结算两种，本实施例采用多结算模式，基于充电站前一天的购电请求量进行第一次结算：
Figure BDA0002754753280000101
其中，“da”表示日前调度模式，
Figure BDA0002754753280000102
是t时段的估计总能量，
Figure BDA0002754753280000103
是前一天设定的价格，T表示一天中总的时间段数。
在第二次结算中，实时设备费用按实时价格支付：
Figure BDA0002754753280000104
其中，“rt”表示实时调度模式，
Figure BDA0002754753280000105
是能源使用与前一天估计值的偏差；
Figure BDA0002754753280000106
是实时支付的能源价格，包括一个适用于实时价格的惩罚条款
Figure BDA0002754753280000107
避免大量调整能源使用：
Figure BDA0002754753280000108
其中，γ是惩罚因子，
Figure BDA0002754753280000109
是惩罚参考价格。
实施例3
本实施例介绍第一方面提供的电动汽车快慢同步有序充电调度方法，本发明基于实施例2的结算方式进行研究，且能够适用于实施例1的充电系统。
方法包括：
获取前一日站内全部电动汽车的充电数据，以及调度日的预测充电数据；
基于获取到的数据进行日前调度，利用预先构建的日前调度优化模型计算调度日所需总电量，包括从电网到慢充电动汽车的电量，从电网到储能系统的电量，从电网、慢充车以及储能系统向快充车的充电量；所述日前调度优化模型的优化目标为调度日的充电站综合成本最小；
实时获取调度日当天充电站内的电动汽车充电需求数据，基于所获取的实时数据以及日前调度计算结果，利用预先构建的实时调度优化模型，以设定的实时规划周期进行实时调度计算，得到使得调度日所需总电量与日前调度所需总电量的偏差最小的实时所需总电量，所述实时所需总电量包括调度日内各时段中，包括从电网到慢充电动汽车的电量，从电网到储能系统的电量，从电网、慢充车以及储能系统向快充车的充电量；
基于实时调度模型的计算结果，进行一个调度周期的电量分配规划，按照预设的调度优先级对电量进行分配，确定电网、储能系统和/或慢充电动汽车向快充电动汽车转移的电量。
后续可根据调度方案对充电站进行实时设备控制，包括根据规划方案中的电量分配，控制电网向储能系统、慢充电动汽车、快充电动汽车充电，以及控制储能系统和慢充电动汽车向快充电动汽车充电。
本发明中，日前调度的调度周期为24h，每个调度日前进行相应调度日的日前调度优化计算，实时调度的周期可设置为15min。
本发明的电动汽车快慢同步有序充电调度方法的实现，具体涉及以下内容。
一、扩展为快充车充电的形式
本发明在调度时，为方便规划调整，将快充所需的电量嵌入用于慢充车和储能系统的电网充电需求中。
基于前一天的能源价格、不可控负荷概况以及每小时的慢充车和快充车到达量等常规数据来决定不同负荷的能源量。根据停放的电动汽车的出发时段τ对其分类，出发时段为τ的电动汽车记为集群τ，快充需求的波动性很大，并且从电网购买的电量需要预先确定，使得快充需求的规划变得困难。此时将快充所需的电量嵌入用于慢充车和储能系统的电网充电需求中，如图2所示。
其中：纵坐标P为充电功率，横坐标t为充电时段；u表示充电时间片段；
Figure BDA0002754753280000121
为电网到慢充车的电荷
Figure BDA0002754753280000122
的部分电荷；u′y为电网到储能系统的电荷uy的部分电荷；
Figure BDA0002754753280000123
为慢充车到快充车充电量；dyFCV为储能系统到快充车充电量；dyinf为储能系统到刚性负载充电量。快充车在时间片段u内进行充电，图2(a)中，此时电网到慢充车的部分电荷
Figure BDA0002754753280000124
被暂时输送到快充车。电量
Figure BDA0002754753280000125
与以V2V形式的慢充EV充电量
Figure BDA0002754753280000126
一起向快充车充电，以确保快充车快速获得充电需求电量。
Figure BDA0002754753280000127
和
Figure BDA0002754753280000128
需要在每个时间段之前进行计划，即在日前和实时计划阶段进行。同样的规则也适用于储能系统，储能系统可以在一段时间内充电或放电。图2(b)为电网向储能系统充电，此时部分电荷u′y被暂时输送到快充车。电量u′y与储能系统充电量dyFCV一起向快充车充电，以确保快充车快速获得充电需求电量。图2(c)为储能系统的放电过程，放电给刚性负载dyinf和快充车dyFCV。因此，快充车的充电主要来自电网，如果电网电力不足，则由慢充电动汽车和储能系统放电提供。
二、根据慢充电动汽车集群τ内的能量动态变化，规划日前调度策略。
针对日前调度，电动汽车集群τ内的能量动态为：
Figure BDA0002754753280000129
其中，xτ,t为t时段电动汽车集群τ的总充电需求量；xτ,t-1是前一时段电动汽车集群τ的总充电需求量；
Figure BDA00027547532800001210
为从电网接收的净电量，
Figure BDA00027547532800001211
为t时段从电网到慢充电动汽车集群τ的能量，
Figure BDA00027547532800001212
是
Figure BDA00027547532800001213
中转移至快充车的部分，ηev为慢充车的充电效率；Δxτ,t是新到电动汽车充电需求量；
Figure BDA00027547532800001214
表示从该集群到快充车的放电量。电动汽车数量动态表示为：
Figure BDA0002754753280000131
其中，mτ,t为t时刻集群τ的未充电电动汽车数量；Δmτ,t是集群τ中在t时段新到达未充电电动汽车数量。
为了确保电动汽车的最小或最大SOC不受快充车负荷波动影响，这里介绍2种极端情况。第一种情况是在某一时段t开始时调用慢充车集群τ，以充分保证快充车充电需求。在这种情况下，从电网到电动汽车集群τ的能量将以
Figure BDA0002754753280000132
加上放电项
Figure BDA0002754753280000133
的形式直接输送到快充车，无能量从电网输送到慢充车。慢充电动汽车的未充电能量值不应超过集群τ允许的最大未充电能量值
Figure BDA0002754753280000134
Figure BDA0002754753280000135
另一种极端情况是，由于到达的快充车比预期的要少，所以从慢充车集群τ到快充车的总能量在时段t时未被使用。在这种情况下，慢充电动汽车应该有足够未充电容量来吸收快充车未使用的多余能量
Figure BDA0002754753280000136
Figure BDA0002754753280000137
其中，ηev表示慢充电动汽车的充电效率，这里的
Figure BDA0002754753280000138
应该完全被停放的电动汽车吸收。
考虑以上两种极端情况，可以保证慢充车平抑快充车负荷波动需求，并且每个集群中的慢充车在离开时也应该达到期望的SOC水平：
Figure BDA0002754753280000139
其中，
Figure BDA00027547532800001310
为出发时电动汽车电池允许的未充电量，如
Figure BDA00027547532800001311
对应SOC＝0.9。另外，
Figure BDA00027547532800001312
是为可能的快充车负荷准备
Figure BDA00027547532800001313
的一部分：
Figure BDA00027547532800001314
最后，电动汽车充放电限制可以根据每个集群内的最小和最大充放电功率来表示，且
Figure BDA0002754753280000141
是时变的，因为集群内的慢充车数量会随着它们的离开和到达而变化：
Figure BDA0002754753280000142
Figure BDA0002754753280000143
其中，μ表示FCV充电时间段；
Figure BDA0002754753280000144
为t时段内集群τ的充电功率最小值和最大值；
Figure BDA0002754753280000145
为t时段内集群τ的放电功率最小值和最大值。
储能系统的动态表示可以用类似慢充车的方式表达：
Figure BDA0002754753280000146
Figure BDA0002754753280000147
Figure BDA0002754753280000148
yt＝T＝yini (15)
u'y,t≤uy,t (16)
Figure BDA0002754753280000149
Figure BDA00027547532800001410
其中，yt表示储能系统在t时段的未充电能量；ηess为储能系统充电效率；uy,t是电网传入储能系统的能量；u'y,t和
Figure BDA00027547532800001411
是为快充车充电的组件，其定义类似于为慢充车定义的组件，t时段电网到储能系统的部分电荷u'y,t被暂时输送到快充车，
Figure BDA00027547532800001412
为储能系统放电到快充车；
Figure BDA00027547532800001413
是t时段从储能系统到刚性负荷的放电量；yini为ESS的初始状态；
Figure BDA00027547532800001414
为储能系统最小和最大充电功率，
Figure BDA00027547532800001415
为储能系统最小和最大放电功率，用来表示储能系统充放电限制。
综上所述，提供给快充车的电量由快充站内慢充车和储能系统提供，且总和应该等于每个时间段内预测的快充车负荷：
Figure BDA0002754753280000151
其中，等式右边求和项表示电动汽车对快充车充电贡献，后两项表示储能系统的贡献。
Figure BDA0002754753280000152
为期望的快充车总充电量；ηfcv为快充车的充电效率；ηev2fcv表示慢充车到快充车的放电效率；ηess2fcv表示储能系统到快充车的放电效率。
日前计划的目标函数是通过随机规划方法得到的，随机规划方法由两个主要层次构成：
Figure BDA0002754753280000153
其中，第一项是刚性负载、储能系统和慢充车的电网提前一天计划供电的成本；第二项是快充车收费收入减去快充站的单位安装成本；第三项为电动汽车车主对电池进行降解的成本；第四项为储能系统降解成本；第五项为实时供电成本。假设电动汽车的充电收入是固定的，不影响目标函数，必须在实现任何场景之前确定前一天的购买数量。
Figure BDA0002754753280000154
为快充车收费单价；
Figure BDA0002754753280000155
为快充站安装成本；
Figure BDA0002754753280000156
为慢充车单位放电成本，
Figure BDA0002754753280000157
为储能系统的单位降解成本；
Figure BDA0002754753280000158
和
Figure BDA0002754753280000159
分别为日前和实时电价；uinf,t为t时段从电网到刚性负载的电量；Δuinf,t为t时段实时的刚性负载电量使用与前一天的偏差值；Δuy,t为t时段实时的储能系统电量使用与前一天的偏差值；
Figure BDA00027547532800001510
为t时段实时的电动汽车电量使用与前一天的偏差值。
电动汽车的单位放电成本可以根据电池退化成本计算：
Figure BDA00027547532800001511
其中，CBI为电池/储能系统的投资成本；LCB为电池/储能系统的寿命周期；BB为电池/储能系统的容量；dDoD为放电深度。
优化目标受约束式(4)-(18)及馈线容量
Figure BDA0002754753280000161
限制：
Figure BDA0002754753280000162
三、根据目前已实现的场景和剩余时段可能出现的场景，通过周期性实时调度策略将电网的计划能源采购与电动汽车、储能系统、快充车的实际能源需求和不可控负荷之间的不匹配最小化。
周期性实时规划阶段的目标是根据目前已实现的场景和剩余时段可能出现的场景，将电网计划电量采购与慢充EV、ESS、FCV的实际电量需求和刚性负荷之间的不匹配最小化。为此，可以使用前一天目标函数中的观望决策，对剩余的时间范围执行新的规划，周期性实时规划采用随机模型预测控制(stochastic model predictive control，SMPC)方法完成。利用SMPC单约束模型预测规划方法，令Tp为算法规划周期，对式(4)—(18)中的EV在规划时段k到K＝k+Tp-1之间的值进行实时条件化：
Figure BDA0002754753280000163
Figure BDA0002754753280000164
Figure BDA0002754753280000165
Figure BDA0002754753280000166
Figure BDA0002754753280000167
Figure BDA0002754753280000168
Figure BDA0002754753280000169
其中，Δt是一个实时间隔时间，与前一天的计划不同，可能小于一个小时；
Figure BDA0002754753280000171
为电动汽车的总电量，是日前和实时平衡电量之和；
Figure BDA0002754753280000172
是已知的，因为它是在日前市场购买的电动汽车集群τ计划收费；
Figure BDA0002754753280000173
和
Figure BDA0002754753280000174
的值除了能量不匹配的部分外，
Figure BDA0002754753280000175
还应该基于目前已经存在的和可能即将到来的数量；
Figure BDA0002754753280000176
反映了在先前时间段电动汽车集群τ可能未使用的部分能量。
与实时周期为k的电动汽车动态表达相似，(12)-(18)的储能系统实时方程可表示为：
Figure BDA0002754753280000177
Figure BDA0002754753280000178
Figure BDA0002754753280000179
yt＝T＝yini (33)
u'y,t≤Uy,t (34)
Figure BDA00027547532800001710
Figure BDA00027547532800001711
其中，Uy,t＝uy,t+Δuy,t。因此，定义周期性实时阶段的聚合器优化目标为：
Figure BDA00027547532800001712
其中，
Figure BDA00027547532800001713
为实时能源价格。周期性的实时目标函数同样由“此时此地”和“静观其变”两个主要部分组成。式中“此时此地”的第一项是在未来一段时间内购买电动汽车、储能系统和不可控负荷的平衡能力的成本；第二和第三项分别代表电池的成本和储能系统退化成本；第四项是收取快充车费用的收入减去停车场扩建FCS的单位安装成本。同样，“静观其变”第一项观望的水平是未来的购买成本平衡的权力；第二项是来自快充车的净收入；第三和第四项分别考虑了未来时段电动汽车电池和储能系统的退化成本。
四、进行一个周期内规划，将最优资源分配给即将进入智能停车场的快充车。
在确定当前期间购买的电量之后，，并进行一个周期内规划，其目标是将最优资源分配给即将进入智能停车场的快充车。快充车充电的周期内规划算法如图3所示。其中
Figure BDA0002754753280000181
为子时段n0内快充车未使用电量。
在周期内规划阶段，将每个区间t划分为N个相同的子区间。在每个子区间内快充车负荷由预先确定的资源提供，包括从电网向慢充车和储能系统提供的与快充车相关的能量组件分别为u'x和u'y，其中与慢充车相关供能组件分为是否即将出发，从慢充车和储能系统发出的功率分别为dxFCV和dyFCV。构建一个可用资源的堆栈，在每个子区间内更新这些资源。每个资源在堆栈中的位置是基于其快充车相关费用被交付到快充车负荷的优先级来确定，如图3所示。
对快充车充电的最高优先级是即将出发的慢充车集群τ，与快充车相关的电能可能被输入到这些慢充车中，超出了慢充车所需的充电量，最好在慢充车离开之前全部使用。第二个优先级与储能系统的u'y组件相关，第三个优先级与未出发的慢充车u'x(τ＞t)组件有关。其次是储能系统给快充车充电量dyFCV，最后是未出发的慢充车的组件
Figure BDA0002754753280000182
从式(23)和(40)可以看出，电动汽车放电成本很高，所以慢充车放电为最低的优先级。
在快充车资源堆栈中慢充车放电任务，使用最松弛优先(Most Laxity First，MLF)概念。电动汽车集群τ的松弛度
Figure BDA0002754753280000183
可表示为：
Figure BDA0002754753280000184
Figure BDA0002754753280000191
其中，(τ-t)为慢充车剩余停留时间；Dτ,t是所有电动汽车集群τ所需
Figure BDA0002754753280000192
的最短时间；
Figure BDA0002754753280000193
为所需的SOC；SoCτ,t为停留时间内充电量；
Figure BDA0002754753280000194
为集群τ的最大充电功率。最松弛电动汽车集群首先交付相应
Figure BDA0002754753280000195
和
Figure BDA0002754753280000196
时间段t内任意子区间n0开始时的总可用电量由聚合器计算：
Figure BDA0002754753280000197
其中，used是指从前一个子区间的可用资源中扣除并注入快充车的电量；n表示第n个子区间。第一大项表示t时段注入快充车的预定总电量，第二大项表示在1≤n≤n0时t时段注入快充车的部分电量。由于充放电限制以及式(40)中元素仅在整个周期间隔内实现，快充车调度的所有电量在每个子区间都可用。因此，任意子间隔向快充车注入的电量
Figure BDA0002754753280000198
表示为：
Figure BDA0002754753280000199
其中，δ＝1/N为子区间持续时间。式(41)右边的项已根据它们在优先级堆栈中的位置进行了排序，以便快速分配资源。
将每个子区间n新到达的快充车能量状态Δzt,n加入到未充电快充车的能量状态zt中，则未充电快充车的能级动态可以表示为：
Figure BDA0002754753280000201
如果
Figure BDA0002754753280000202
那么按子间隔n处理所有传入的快充车。但是如果
Figure BDA0002754753280000203
则会阻塞下一个快充车，所以要保持
Figure BDA0002754753280000204
五、以下通过一算例利用智能停车场模型验证本发明所提的快慢同步有序充电规划策略的可行性。
假设普通电动汽车电池容量16kWh和24kWh，快充电池取32kWh，并预设了停车场接受最小停留时间。
如图4所示，采用二维自组织映射方法对日前和实时价格进行聚类。基于历史数据中出现的频率得到各自的概率值。
620辆的充电车队中，大约500辆的慢充车，120辆的快充车，代表了电动汽车车队中快充请求与总充电请求的实际比例。通过使用平均值并考虑其两个相邻的标准差来考虑快速收费请求中的不确定性。使用低、中、高快充请求的三种场景，表1给出了基于图2的负荷分布图。
表1 在PL-FCS上的快充车负荷场景
Figure BDA0002754753280000205
假设电动汽车的最大充放电率为4kW，这是住宅停车场所允许的一级充电。快充率最高为200kW。与慢充车、快充车和储能系统相关的参数如表2所示。电动汽车电池和储能系统的退化成本为
Figure BDA0002754753280000206
对应适用于锂离子电池组CBI＝1323元/kWh，LC＝4000和DoD＝80％。最后，虽然提议的模型要求对现有停车场进行最少的技术升级，但是也应该考虑到相关的升级成本。假设有5个双端口快充单元，可以同时支持10个快充车，总安装成本为83万元，使用寿命至少为10年，那么停车场结构升级到PL-FCS的单位安装成本大约是这样估算的。此外，如表1所示，每天的快充车预计将占电动汽车车队的20％左右(即120辆快充车左右)，预计总充电需求为2000kWh。因此，单位安装成本估计为0.117元/kWh，还要考虑任何可能的额外成本，估计为0.2元/kWh。
表2 慢充车、快充车和储能系统参数
Figure BDA0002754753280000211
算例中含有慢充车、快充车和不可控负荷。日前规划周期为T＝24h，实时SMPC周期为15min，控制周期内子区间时间为δ＝3min(每段5个子区间)。假设惩罚因子为0.5。快充车充电的收入按固定费率1.1元/kWh计算。因为更高的SoC水平可能需要更长的等待时间，所以充电至SoC＝0.9即可。假设聚合器试图避免在电网电力价格高峰时期使用，该聚合器可以进一步从电网获得奖励，例如电网能源价格的10-20％，激发动机的需求响应项目。
算例考虑了使用/不使用储能系统两种模式，与预期一致，大部分常规慢充车充电任务都是在夜间完成的，特别是在没有充电汽车的情况下。如图5所示，在高峰时段，电网供电的大部分被馈送到快充车，其余部分被电动汽车吸收。在16、17和18小时内净电动汽车排放聚合器基于激励的需求响应的效果，这对应了算例中能源价格最高的时间。
实际慢充车充放电用来吸收高峰时段快充负荷波动，如图6所示。在高峰时期，慢充车帮助吸收快充需求负荷波动，加速快充车的充电过程减少了充电时间，解决此时电网电力不够高的问题。
表3列出了上述算例中聚合器计划的一些最重要指标的期望值。由表可知，针对算例中的充电计划，能有效节约成本，因为聚合器会在高峰时期减少从电网购买的电力，转向电动汽车放电，电动汽车收益增加，电池退化成本相对减少。
表3 算例中重要指标的总结
Figure BDA0002754753280000221
如果没有储能系统参与，仅通过慢充车在高峰时间放电，这导致快充车在一天中其他时间会有一些阻塞。但是，随着更高的阻塞率，快充车获得更高的充电功率，充电速度更快。相反，在储能系统参与的情况下，快充车充电功率略有降低，充电时间也有所增加，这是因为快充车的阻塞率较低，进入的次数较多。
两种情况下快充车的功率分布图如图7所示。其中，日平均功率是一天中非零充电率的平均值。在快充需求高峰期即15-21时，所有快充车的充电率都达到了相当一致的水平。9-14时的充电功率相对较低，这是由于停车场的电动汽车数量相对较少，充电速度快。
图8详细说明了快充车到达以及阻塞和服务趋势。从表3和图8中可以看出，在所有情况下，阻塞率相对较小，这表明所提出的方法在传统智能停车场中容纳大量快充请求车辆的效率很高。同时再次验证了储能系统的参与能有效降低快充车阻塞率。在设计假设模型时10个充电端口也得到了验证。
综上，本发明提出一种适应适量快充比例的智能停车场，通过分析充电站内不可控负荷、慢速和快速充电车辆的协调控制任务，设计日前规划策略；然后综合快充分配算法和基于最松弛优先概念的资源优先级，制定快慢充同步有序充电周期性实时规划策略荷周期内实时调度策略；最后，通过算例验证该策略为电动汽车快慢不同充电需求充电的有效性。数据表明，本发明提出电动汽车快慢同步有序充电模型的准确高效，具有较强的通用性和实用性。通过技术升级将现有的停车场设施变成一个停车场与快速充电站综合体，可以大大减少建造单独快速充电站设施的成本，减少了电网的部分快充负荷压力，特别是在高峰时期是通过慢充电车辆的放电来提供的。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。

Claims (10)

1.一种电动汽车快慢同步有序充电调度方法，其特征是，包括：
获取前一日站内全部电动汽车的充电数据，以及调度日的预测充电数据；
基于获取到的数据进行日前调度，利用预先构建的日前调度优化模型计算调度日所需总电量，包括从电网到慢充电动汽车的电量，从电网到储能系统的电量，从电网、慢充车以及储能系统向快充车的充电量；所述日前调度优化模型的优化目标为调度日的充电站综合成本最小；
实时获取调度日当天充电站内的电动汽车充电需求数据，基于所获取的实时数据以及日前调度计算结果，利用预先构建的实时调度优化模型，以设定的实时规划周期进行实时调度计算，得到使得调度日所需总电量与日前调度所需总电量的偏差最小的实时所需总电量，所述实时所需总电量包括调度日内各时段中，包括从电网到慢充电动汽车的电量，从电网到储能系统的电量，从电网、慢充车以及储能系统向快充车的充电量；
基于实时调度模型的计算结果，进行一个调度周期的电量分配规划，按照预设的调度优先级对电量进行分配，确定电网、储能系统和/或慢充电动汽车向快充电动汽车转移的电量。
后续可根据调度方案对充电站进行实时设备控制，包括根据规划方案中的电量分配，控制电网向储能系统、慢充电动汽车、快充电动汽车充电，以及控制储能系统和慢充电动汽车向快充电动汽车充电。
2.根据权利要求1所述的方法，其特征是，还包括，构建日前调度阶段电动汽车的动态模型；所述日前调度阶段电动汽车的动态模型包括，慢充电动汽车的能量动态和数量动态；其中，能量动态表示如下：
Figure FDA0002754753270000011
式中，xτ,t为出发时间为τ的慢充电动汽车集群在时段t内的总充电需求容量，xτ,t-1为集群τ在时段t的前一时段的总充电需求容量，
Figure FDA0002754753270000012
为从电网接收的净电量，ηev为慢充电动汽车的充电效率，
Figure FDA0002754753270000013
为从电网到慢充电动汽车集群τ的能量，
Figure FDA0002754753270000014
是
Figure FDA0002754753270000015
中转移至快充电动汽车的一部分，Δxτ,t是新到电动汽车的充电需求容量，
Figure FDA0002754753270000016
表示慢充电动汽车到快充电动汽车的放电量；
慢充电动汽车的数量动态表示为：
Figure FDA0002754753270000021
式中，mτ,t为t时刻集群τ的未充电电动汽车数量；Δmτ,t是集群τ中在t时段新到达未充电电动汽车数量。
3.根据权利要求2所述的方法，其特征是，还包括：构建日前调度阶段储能系统的能量动态模型，如下式：
Figure FDA0002754753270000022
式中，yt为储能系统在t时段的未充电能量，ηess为储能系统充电效率，uy,t是电网传入储能系统的能量，u'y,t和
Figure FDA0002754753270000023
是为快充车充电的组件，u'y,t为t时段从uy,t中转移到快充车的部分电荷，
Figure FDA0002754753270000024
为储能系统放电到快充车的电量；
Figure FDA0002754753270000025
是t时段从储能系统到刚性负荷的放电量。
4.根据权利要求3所述的方法，其特征是，所述日前调度优化模型的优化目标函数为：
Figure FDA0002754753270000026
式中，第一项是刚性负载、储能系统和慢充车的电网提前一天计划供电的成本；第二项是快充车收费收入减去快充站的单位安装成本；第三项为电动汽车车主对电池进行降解的成本；第四项为储能系统降解成本；第五项为实时供电成本；
Figure FDA0002754753270000027
为快充车收费单价；
Figure FDA0002754753270000028
为快充站安装成本；
Figure FDA0002754753270000029
为慢充车单位放电成本，
Figure FDA00027547532700000210
为储能系统的单位降解成本；
Figure FDA00027547532700000211
和
Figure FDA00027547532700000212
分别为日前和实时电价；uinf,t为t时段从电网到刚性负载的电量；Δuinf,t为t时段实时的刚性负载电量使用与前一天的偏差值；Δuy,t为t时段实时的储能系统电量使用与前一天的偏差值；
Figure FDA0002754753270000031
为t时段实时的电动汽车电量使用与前一天的偏差值，T为日前调度周期；
其中，慢充电动汽车的电池单位放电成本
Figure FDA0002754753270000032
和储能系统的单位放电成
Figure FDA0002754753270000033
为：
Figure FDA0002754753270000034
式中，CBI为电池/储能系统的投资成本；LCB为电池/储能系统的寿命周期；BB为电池/储能系统的容量；dDoD为放电深度。
5.根据权利要求4所述的方法，其特征是，日前调度优化目标函数的求解约束包括：
慢充电动汽车的动态能量约束：
Figure FDA0002754753270000035
式中，
Figure FDA0002754753270000036
为慢充电动汽车集群τ允许的最大未充电能量值，
Figure FDA0002754753270000037
为快充车未使用的多余能量，
Figure FDA0002754753270000038
为出发时慢充电动汽车电池允许的未充电量，μ表示快充电动车的充电时间段；
Figure FDA0002754753270000039
分别为t时段内集群τ的充电功率最小值和最大值；
Figure FDA00027547532700000310
分别为t时段内集群τ的放电功率最小值和最大值；
储能系统的动态能量约束：
Figure FDA0002754753270000041
式中，yini为储能系统的初始状态；
Figure FDA0002754753270000042
分别为储能系统的最小和最大充电功率，
Figure FDA0002754753270000043
分别为储能系统的最小和最大放电功率；
快充车总充电量期望
Figure FDA0002754753270000044
约束：
Figure FDA0002754753270000045
式中，等式右边求和项表示电动汽车对快充车充电贡献，后两项表示储能系统的贡献，ηfcv为快充车的充电效率；ηev2fcv表示慢充车到快充车的放电效率；ηess2fcv表示储能系统到快充车的放电效率；
以及馈线容量
Figure FDA0002754753270000046
约束：
Figure FDA0002754753270000047
6.根据权利要求4所述的方法，其特征是，还包括的，构建实时调度阶段的慢充电动汽车能量动态模型以及储能系统的能量动态模型；
慢充电动汽车的能量动态模型为：
Figure FDA0002754753270000048
式中，xτ,k为慢充电动车集群τ在实时调度时段k的总充电需求容量，
Figure FDA0002754753270000049
为在前一时段慢充电动汽车集群τ可能未使用的能量，
Figure FDA00027547532700000410
为时段k从电网到慢充电动汽车集群τ的能量，
Figure FDA0002754753270000051
是
Figure FDA0002754753270000052
中转移至快充电动汽车的一部分，Δxτ,k是时段k新到电动汽车的充电需求容量，
Figure FDA0002754753270000053
表示时段k慢充电动汽车到快充电动汽车的放电量；
储能系统的能量动态模型为：
Figure FDA0002754753270000054
式中，yk为储能系统在实时调度时段k的总充电需求容量，
Figure FDA0002754753270000055
为在前一时段储能系统可能未使用的部分能量，Uy,k是电网传入储能系统的能量，u'y,k和
Figure FDA0002754753270000056
是为快充车充电的组件，u'y,k为k时段从Uy,k中转移到快充车的部分电荷，
Figure FDA0002754753270000057
为储能系统放电到快充车的电量；
Figure FDA0002754753270000058
是k时段从储能系统到刚性负荷的放电量。
7.根据权利要求6所述的方法，其特征是，所述预先构建的实时调度优化模型为：
Figure FDA0002754753270000059
式中，
Figure FDA00027547532700000510
为实时能源价格；第一项是在未来一段时间内购买电动汽车、储能系统和不可控负荷的平衡能力的成本；第二和第三项分别代表慢充电动汽车电池的成本和储能系统退化成本；第四项是收取快充车费用的收入减去停车场扩建FCS的单位安装成本；第五项是观望的水平是未来的购买成本平衡的权力；第六项是来自快充车的净收入；第七和第八项分别考虑了未来时段慢充电动汽车电池和储能系统的退化成本；
实时调度优化目标函数的优化求解约束包括：
慢充电动汽车的实时能量动态约束：
Figure FDA0002754753270000061
式中，
Figure FDA0002754753270000062
为电动汽车的总电量，是日前调度计算结果和实时平衡电量
Figure FDA0002754753270000063
之和；
Figure FDA0002754753270000064
是在日前市场购买的慢充电动汽车集群τ的计划电量；
储能系统的实施能量动态约束：
Figure FDA0002754753270000065
式中，Uy,t＝uy,t+Δuy,t为储能系统的总电量，uy,t为日前调度所得储能系统的计划电量，Δuy,t为储能系统根据实时调度时刻已经存在的和可能即将到来的快充电动汽车所需的实时平衡电量。
8.根据权利要求7所述的方法，其特征是，所述基于实时调度模型的计算结果，进行一个调度周期的电量分配规划，按照预设的调度优先级对电量进行分配，确定电网、储能系统和/或慢充电动汽车向快充电动汽车转移的电量，包括：
将每个实时调度周期的时间区间t划分为N个相同的子区间；
确定每个子区间内向快充车负荷提供的电能资源，包括：从电网向即将出发和未出发的慢充车，以及储能系统提供的，与快充车相关的能量组件u'x和u'y；从慢充车和储能系统向快充车发出的功率分别为dxFCV和dyFCV；
构建一个已确定的可用电能资源的堆栈，按照预先设定的调度优先级，确定各类可用电能资源在堆栈中的位置，在实时调度过程中，在每个子区间内更新可用电能资源；
所述预设的调度优先级从高到低依次为：电网到即将出发的慢充车集群τ的电量，电网到储能系统的计划电量u'y,k，电网到未出发的慢充车的计划电量
Figure FDA0002754753270000071
储能系统给快充车充电量dyFCV，未出发的慢充车向快充车充电量
Figure FDA0002754753270000072
9.一种适用权利要求1所述方法的电动汽车充电系统，其特征是，包括交流慢充线路、直流快充线路和储能系统，电网经交流慢充线路向交流慢充车辆充电，经整流模块向储能系统和接入直流快充线路的直流快充车辆充电；交流慢充车辆与电网交流馈线之间，以及储能系统与直流馈线之间分别还设有放电回路，使得储能系统和慢充车辆能够通过电网将自身电能转移至快充车辆。
10.适用于权利要求1所述电动汽车快慢同步有序充电调度方法的电动汽车充电站的电量结算方法，其特征是，包括：
基于日前调度计算结果进行第一次结算：
Figure FDA0002754753270000073
式中，da表示日前调度模式，
Figure FDA0002754753270000074
是调度日t时段的日前估计总能量，
Figure FDA0002754753270000075
是前一天设定的价格，T表示一天中总的时间段数；
基于实时调度计算结果进行第二次结算：
Figure FDA0002754753270000081
rt表示实时调度模式，
Figure FDA0002754753270000082
是t时段实际能源使用与前一天估计值的偏差；
Figure FDA0002754753270000083
是实时支付的能源价格，且有：
Figure FDA0002754753270000084
式中，γ是惩罚因子，
Figure FDA0002754753270000085
是惩罚参考价格；
将第一次结算结果与第二次结算结果相加，得到调度日的结算价格。
CN202011198704.6A 2020-10-31 2020-10-31 电动汽车快慢同步有序充电调度方法以及电量结算方法 Active CN112488444B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011198704.6A CN112488444B (zh) 2020-10-31 2020-10-31 电动汽车快慢同步有序充电调度方法以及电量结算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011198704.6A CN112488444B (zh) 2020-10-31 2020-10-31 电动汽车快慢同步有序充电调度方法以及电量结算方法

Publications (2)

Publication Number Publication Date
CN112488444A true CN112488444A (zh) 2021-03-12
CN112488444B CN112488444B (zh) 2022-12-23

Family

ID=74927852

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011198704.6A Active CN112488444B (zh) 2020-10-31 2020-10-31 电动汽车快慢同步有序充电调度方法以及电量结算方法

Country Status (1)

Country Link
CN (1) CN112488444B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110829474A (zh) * 2019-11-21 2020-02-21 国电南瑞南京控制系统有限公司 用大数据智能储能支撑电网动态安全的方法与系统
CN113306421A (zh) * 2021-05-20 2021-08-27 国网河北省电力有限公司雄安新区供电公司 基于充电设备和agv实现能源时空优化的方法
CN113799640A (zh) * 2021-08-17 2021-12-17 浙江大学 适用于含电动汽车充电桩微电网的能量管理方法
CN114475331A (zh) * 2021-08-31 2022-05-13 武汉大学 一种考虑负荷反弹的电动汽车聚合优化调度方法
CN114614485A (zh) * 2022-05-12 2022-06-10 石家庄科林电气股份有限公司 基于多信息融合算法的区域电动汽车充放电控制方法
CN115983612A (zh) * 2023-03-20 2023-04-18 国网安徽省电力有限公司合肥供电公司 一种基于虚拟电厂的分布式源网荷储调度优化方法
CN117114367A (zh) * 2023-10-23 2023-11-24 苏州苏能集团有限公司 一种电动汽车的充放电控制方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130226637A1 (en) * 2012-02-24 2013-08-29 Nec Laboratories America, Inc. Systems and methods for stochastically using electric vehicles as mobile energy storage
CN107719180A (zh) * 2017-11-24 2018-02-23 三峡大学 基于电动汽车柔性充电的混合型停车场多源互补充电方法
CN109948823A (zh) * 2018-10-29 2019-06-28 河海大学 一种光储充电塔自适应鲁棒日前优化调度方法
CN111047093A (zh) * 2019-12-12 2020-04-21 海南电网有限责任公司 一种电动汽车典型快充站优化运行配置方法
CN111626527A (zh) * 2020-06-10 2020-09-04 太原理工大学 计及可调度电动汽车快/慢充放电形式的智能电网深度学习调度方法
CN111799775A (zh) * 2020-06-03 2020-10-20 浙江清华长三角研究院 一种双层结构的pev能量调度算法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130226637A1 (en) * 2012-02-24 2013-08-29 Nec Laboratories America, Inc. Systems and methods for stochastically using electric vehicles as mobile energy storage
CN107719180A (zh) * 2017-11-24 2018-02-23 三峡大学 基于电动汽车柔性充电的混合型停车场多源互补充电方法
CN109948823A (zh) * 2018-10-29 2019-06-28 河海大学 一种光储充电塔自适应鲁棒日前优化调度方法
CN111047093A (zh) * 2019-12-12 2020-04-21 海南电网有限责任公司 一种电动汽车典型快充站优化运行配置方法
CN111799775A (zh) * 2020-06-03 2020-10-20 浙江清华长三角研究院 一种双层结构的pev能量调度算法
CN111626527A (zh) * 2020-06-10 2020-09-04 太原理工大学 计及可调度电动汽车快/慢充放电形式的智能电网深度学习调度方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
RAHUL MEHTA等: "Smart Charging Strategies for Optimal Integration of Plug-In Electric Vehicles Within Existing Distribution System Infrastructure", 《IEEE TRANSACTIONS ON SMART GRID》 *
阎怀东等: "计及需求响应的电动汽车充电站多时间尺度随机优化调度", 《电力系统保护与控制》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110829474A (zh) * 2019-11-21 2020-02-21 国电南瑞南京控制系统有限公司 用大数据智能储能支撑电网动态安全的方法与系统
CN113306421A (zh) * 2021-05-20 2021-08-27 国网河北省电力有限公司雄安新区供电公司 基于充电设备和agv实现能源时空优化的方法
CN113306421B (zh) * 2021-05-20 2022-12-23 国网河北省电力有限公司雄安新区供电公司 基于充电设备和agv实现能源时空优化的方法
CN113799640A (zh) * 2021-08-17 2021-12-17 浙江大学 适用于含电动汽车充电桩微电网的能量管理方法
CN113799640B (zh) * 2021-08-17 2023-10-13 浙江大学 适用于含电动汽车充电桩微电网的能量管理方法
CN114475331A (zh) * 2021-08-31 2022-05-13 武汉大学 一种考虑负荷反弹的电动汽车聚合优化调度方法
CN114475331B (zh) * 2021-08-31 2024-04-02 武汉大学 一种考虑负荷反弹的电动汽车聚合优化调度方法
CN114614485A (zh) * 2022-05-12 2022-06-10 石家庄科林电气股份有限公司 基于多信息融合算法的区域电动汽车充放电控制方法
CN114614485B (zh) * 2022-05-12 2022-08-12 石家庄科林电气股份有限公司 基于多信息融合算法的区域电动汽车充放电控制方法
CN115983612A (zh) * 2023-03-20 2023-04-18 国网安徽省电力有限公司合肥供电公司 一种基于虚拟电厂的分布式源网荷储调度优化方法
CN117114367A (zh) * 2023-10-23 2023-11-24 苏州苏能集团有限公司 一种电动汽车的充放电控制方法及装置
CN117114367B (zh) * 2023-10-23 2024-01-26 苏州苏能集团有限公司 一种电动汽车的充放电控制方法及装置

Also Published As

Publication number Publication date
CN112488444B (zh) 2022-12-23

Similar Documents

Publication Publication Date Title
CN112488444B (zh) 电动汽车快慢同步有序充电调度方法以及电量结算方法
Mahoor et al. Least-cost operation of a battery swapping station with random customer requests
Ye et al. Learning to operate an electric vehicle charging station considering vehicle-grid integration
Nguyen et al. Optimal coordination of G2V and V2G to support power grids with high penetration of renewable energy
Mukherjee et al. A review of charge scheduling of electric vehicles in smart grid
US20190041886A1 (en) Method and system for scheduling the discharge of distributed power storage devices and for levelizing dispatch participation
CN103688435B (zh) 信息处理装置、方法、程序、记录介质和信息处理系统
Kong Autonomous robot-like mobile chargers for electric vehicles at public parking facilities
CN104981958A (zh) 电动车辆系统的大规模充电
Khalkhali et al. Multi-stage stochastic framework for simultaneous energy management of slow and fast charge electric vehicles in a restructured smart parking lot
KR101222705B1 (ko) 대규모 전기자동차 충전소에서의 자동차 충전을 위한 동적 우선순위 부여 방법
Kong et al. On-line event-driven scheduling for electric vehicle charging via park-and-charge
He et al. An optimal charging/discharging strategy for smart electrical car parks
Esmailirad et al. An extended m/m/k/k queueing model to analyze the profit of a multiservice electric vehicle charging station
WO2020194010A1 (ja) 受電要素の受電制御方法、及び受電制御装置
WO2020194009A1 (ja) 蓄電要素の受電制御方法、及び受電制御装置
Appino et al. Reliable dispatch of renewable generation via charging of time-varying PEV populations
Juul et al. Real-time scheduling of electric vehicles for ancillary services
Theodoropoulos et al. A load balancing control algorithm for EV static and dynamic wireless charging
CN110796286A (zh) 一种适用于电动汽车规模化应用的配电系统的灵活规划方法
Meikandasivam Optimal distribution of plug-in-electric vehicle’s storage capacity using water filling algorithm for load flattening and vehicle prioritization using ANFIS
Athulya et al. Electric vehicle recharge scheduling in a shopping mall charging station
CN110826801A (zh) 电动车充电站分布式电能管理方法
CN114039372A (zh) 参与电网分区削峰填谷的电动汽车车辆调度方法及系统
Giordano et al. Comprehensive Aggregator Methodology for EVs in V2G Operations and Electricity Markets

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