CN112721706B - 考虑弹性的电动汽车充电站储能系统的容量优化方法 - Google Patents

考虑弹性的电动汽车充电站储能系统的容量优化方法 Download PDF

Info

Publication number
CN112721706B
CN112721706B CN202011443714.1A CN202011443714A CN112721706B CN 112721706 B CN112721706 B CN 112721706B CN 202011443714 A CN202011443714 A CN 202011443714A CN 112721706 B CN112721706 B CN 112721706B
Authority
CN
China
Prior art keywords
bess
fcs
soc
cost
probability distribution
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
Application number
CN202011443714.1A
Other languages
English (en)
Other versions
CN112721706A (zh
Inventor
王圆圆
白宏坤
王世谦
吴雄
卜飞飞
华远鹏
韩丁
贾一博
王涵
李文峰
乔屹然
李昊宇
刘万勋
贾鹏
邵红博
李甜甜
刘军会
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.)
State Grid Corp of China SGCC
Xian Jiaotong University
Economic and Technological Research Institute of State Grid Henan Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Xian Jiaotong University
Economic and Technological Research Institute of State Grid Henan Electric Power 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 State Grid Corp of China SGCC, Xian Jiaotong University, Economic and Technological Research Institute of State Grid Henan Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202011443714.1A priority Critical patent/CN112721706B/zh
Publication of CN112721706A publication Critical patent/CN112721706A/zh
Application granted granted Critical
Publication of CN112721706B publication Critical patent/CN112721706B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • B60L53/50—Charging stations characterised by energy-storage or power-generation means
    • B60L53/53—Batteries
    • 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
    • B60L53/30—Constructional details of charging stations
    • B60L53/31—Charging columns specially adapted for electric vehicles
    • 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
    • B60L53/64—Optimising energy costs, e.g. responding to electricity rates
    • 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
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
    • 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
    • H02J3/28—Arrangements for balancing of the load in a network by storage of energy
    • H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
    • 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
    • H02J7/0047—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with monitoring or indicating devices or circuits
    • H02J7/0048—Detection of remaining charge capacity or state of charge [SOC]
    • 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
    • Y02E40/10—Flexible AC transmission systems [FACTS]
    • 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

  • Engineering & Computer Science (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

本发明公开了一种考虑弹性的电动汽车充电站储能系统的容量优化方法，包括以下步骤：步骤一、基于用户使用EV的习惯，进而确定FCS的EV负荷；步骤二、基于若干个临近FCS之间的距离，进而确定EV在停电期间的弹性负荷；步骤三、基于BESS容量确定BESS的各项成本以及总成本；步骤四、基于FCS总成本的最小化以及BESS充放电约束、FCS功率平衡约束，通过求解优化得到BESS的最优容量。本发明容量优化方法综合考虑成本的最小化、EV的弹性以及峰值负荷的削减，能够很好的应对停电对EV充电带来的不利影响。

Description

考虑弹性的电动汽车充电站储能系统的容量优化方法
技术领域
本发明属于储能系统技术领域，特别是一种考虑弹性的电动汽车充电站储能系统的容量优化方法。
背景技术
目前环境污染和化石能源的短缺问题正日益加剧，电动汽车(Electric Vehicle,EV)具有节能环保的优势，能够有效缓解传统能源资源供应紧张和环境污染问题，然而EV的高渗透率会导致不确定的电力需求，同时会潜在的增加峰值负荷，进而导致配电网的可靠性降低同时导致配电网供电能力裕度不足。
EV的弹性是指在一个特定的区域发生停电时，EV移动到一个正常运行的充电站的能力。现有的技术电动汽车研究主要是利用储能来减少大量EV的接入对电网带来的冲击，并未考虑EV的弹性问题，在EV渗透率逐渐增加的情形下，对EV弹性的欠考虑会导致在停电时，交通出行受到很大影响。
公开号为CN10810801A的中国发明专利申请公开了一种考虑电动汽车与储能的有源配电网多级冗余协调控制方法，属于新能源协调控制技术领域，其特点是包括以下步骤：①获取有源配电网的运行数据；②建立电动汽车的负荷特性模型；③建立储能的存储和释放能量特性模型；④构建含电动汽车与储能的有源配电网多级冗余协调控制策略；⑤功进行日调度、小时调度和实时调度模型的多级协调控制的求解。该发明从有源配电网的角度出发，基于冗余区间划分思想研究电动汽车与储能的有源配电网多级协冗余调控制方法，为电动汽车等新能源的进一步发展提供推广基础和技术支撑。但是，该专利未考虑停电后如何保证EV的弹性，即停电后如何确保EV仍能正常充电的问题。
公开号为CN110165687A的中国发明专利申请公开了一种基于遗传算法的电动汽车快速充电站最优化设计方法，包括如下步骤：通过染色体结构生成初始群体；选择合适的充电桩数量和额定功率，计算其投资成本；计算电动汽车的功率需求；选择合适的风力发电机数量及光伏板表面积，计算其发电功率和投资成本；选择合适的储能系统容量，计算储能系统成本；计算接入电网后耗电和供电的利润差；计算向电动汽车用户供电利润；计算总的利润函数，根据遗传算法选择最佳配置。本发明考虑了电动汽车快速充电站充电桩的数量和功率、风力发电机的数量、光伏板的表面积及储能系统容量等多种变量所引起的利润差异，根据利润函数确定最佳的电动汽车快速充电站设计，有助于提升其经济效益并能缓解电网压力。但是，该专利没有考虑到电价的波动，没有充分发挥储能削峰填谷的作用。
发明内容
为解决现有技术中的问题，本发明提出了一种快速充电站(Fast-chargingStation，FCS)中电池储能系统(Battery Energy Storage System，BESS)容量优化模型，并考虑到了成本的最小化、EV的弹性以及峰值负荷的削减，实现了峰值负荷的削减，保证了EV弹性的基础上，通过优化BESS容量实现了FCS成本的最小化。
为实现上述目的，本发明采用的技术方案如下：
一种考虑弹性的电动汽车充电站储能系统的容量优化方法，包括以下步骤：
步骤一、基于用户使用EV的习惯，进而确定FCS的EV负荷；
步骤二、基于若干个临近FCS之间的距离，进而确定EV在停电期间的弹性负荷；
步骤三、基于BESS容量确定BESS的各项成本以及总成本；
步骤四、基于FCS总成本的最小化以及BESS充放电约束、FCS功率平衡约束，通过求解优化得到BESS的最优容量。
优选地，步骤一所述的FCS的EV负荷模型影响因素为：EV日行驶里程、EV返回时间以及EV返回时的荷电状态(State ofCharging，SOC)，通过对用户使用EV习惯的调查，得到EV日行驶里程、EV返回时间、EV返回时的SOC的概率分布，进而得到FCS的EV负荷模型为：
Figure BDA0002823481080000021
Figure BDA0002823481080000022
其中，Pt EV是时间段t内FCS的EV负荷，Δt是从初始时间到某一时间段t所经历的时间跨度，Pn为第n个EV的充电功率(kW)，h(t,n)为EV返回时间的概率分布函数，θ(SOCt,n)为在某一时间段t内EV充电的概率，
Figure BDA0002823481080000024
为EV的电池容量(kWh)，g为EV返回时的SOC的概率分布函数。
优选地，所述的EV日行驶里程服从对数正态分布，概率分布函数为：
Figure BDA0002823481080000025
其中，f为EV日行驶里程概率分布函数，d为EV的日行驶里程，μ和σ分别为该对数正态分布的均值和标准差。
优选地，所述的EV返回时的SOC服从对数正态分布，概率分布函数为：
Figure BDA0002823481080000031
Figure BDA0002823481080000032
其中，g为EV返回时的SOC的概率分布函数，SOCini为EV的初始荷电状态，SOCmax为EV的最大荷电状态，v为EV最近一次充电后行驶的天数，D为EV的额定里程，z为一个替换式。
优选地，所述的EV返回时间服从正态分布，概率分布函数为：
Figure BDA0002823481080000039
其中，h为EV返回时间概率分布函数，μt和σt分别为该正态分布的均值和标准差。
优选地，步骤二所述的相邻FCS为五个，先确定某五个临近FCS之间距离的概率分布，因为EV行驶到某一个临近FCS所需的SOC与FCS之间的距离成正比，因此可以得到EV的弹性负荷：
Figure BDA0002823481080000033
其中，Pt res为EV的弹性负荷，h(t,n)为EV返回时间的概率分布函数，
Figure BDA0002823481080000035
为EV的电池容量(kWh)，
Figure BDA0002823481080000036
为EV行驶到某临近充电站所需的SOC，u为EV行驶到临近充电站所需SOC的概率分布函数，SOCmin为EV最小荷电状态，
Figure BDA0002823481080000037
为t时刻第n个EV的荷电状态。
优选地，所述的临近FCS之间的距离服从对数正态分布，概率分布函数为：
Figure BDA0002823481080000038
其中，s为临近FCS之间的距离概率分布函数，r为某两个城市之间的距离，μr和σr分别表示充电站之间距离的均值和标准差。
优选地，所述的EV行驶到临近FCS所需SOC服从对数正态分布，概率分布函数为：
Figure BDA0002823481080000041
其中，u为EV行驶到临近FCS所需SOC概率分布函数，
Figure BDA0002823481080000042
为EV行驶到某临近FCS所需的SOC，D为EV的额定里程，μr和σr分别表示充电站之间距离的均值和标准差。
优选地，步骤三所述的BESS的各项成本包括功率转换系统成本、电池成本、发电厂电力平衡成本、年运行和维护成本：
CBESS＝(CPCS+CB+CBOP)·γ+CO&M
CPCS＝CPCSU·Bcap/H
CB＝CBU·Bcap/η
CBOP＝CBOPU·Bcap
Figure BDA0002823481080000043
CO&M＝Cf O&M·Bcap/H
其中，CBESS为BESS总成本，CPCS为功率转换系统成本，CB为电池成本，CBOP为发电厂电力平衡成本，CO&M为年运行和维护成本，γ为资本回收因子，ir为年利率，y为运行年限，CPCSU是功率电子器件的单位成本，Bcap为BESS容量，H是放电周期的时间长度，CBU是储能单元的单位成本，η是电池的效率，CBOPU是发电厂电力平衡的单位成本，Cf O&M是固定年运行和维护成本。
优选地，步骤四所述的基于FCS总成本的最小化，确定最小化FCS成本的目标函数为：
min(CBESS+CGrid+CPeak+CRes)
其中，CBESS为部署BESS的成本，CGrid为与电网交易电能的成本，CPeak为在峰值负荷期间购电的惩罚成本，CRes为违反弹性的惩罚成本。
优选地，所述的BESS充放电约束、FCS功率平衡约束为
Figure BDA0002823481080000051
Bcap·SOCmin≤Pt B≤Bcap·SOCmax
Figure BDA0002823481080000052
Figure BDA0002823481080000053
Figure BDA0002823481080000054
Pt Buy+Pt B-＝Pt EV+Pt Sell+Pt B+
Figure BDA0002823481080000055
Figure BDA0002823481080000056
Figure BDA0002823481080000057
其中，Pt B为在t时间段BESS的电能，
Figure BDA0002823481080000058
为BESS的初始电能，Pt B+和Pt B-分别为t时间段BESS充入的电能和BESS放出的电能，η+和η-分别为BESS的充放电效率，SOCmax和SOCmin分别为BESS荷电状态的上下限，
Figure BDA0002823481080000059
和
Figure BDA00028234810800000510
分别为BESS的充电和放电状态的0-1变量，PBr+和PBr-分别为BESS的最大充电和放电速率，Pt Buy和Pt Sell分别为t时间段购电量和售电量，
Figure BDA00028234810800000511
和
Figure BDA00028234810800000512
分别为购电和售电状态的0-1变量，Pt Buyr和Pt Sellr分别为购电和放电的上限。
本发明积极有益效果
1.本发明通过用户使用EV的习惯，经过对大量数据的统计，得到EV日行驶里程、EV返回时间和EV返回时SOC的概率分布，并以此为依据预测出各个时间段内FCS的EV负荷，得到了相对比较确切的负荷数据，一定程度上消除了EV负荷的不确定性，而且在此基础上，通过部署BESS，在非峰值时间段内充电，峰值时间段内放电，实现了对峰值负荷的削减，有效地应对了EV高渗透率对电网带来的冲击。
2.本发明通过若干临近FCS之间距离的概率分布情况，预测出各个时间段内EV的弹性负荷，在对BESS容量优化的同时，将保证EV的弹性放到最高的优先级上，最终得到的最优BESS容量在保证FCS总成本最小的同时，综合考虑EV弹性负荷和峰值负荷，能够很好的应对停电对EV充电带来的不利影响。
附图说明
图1为本发明考虑弹性的电动汽车充电站储能系统的容量优化方法流程图。
图2为本发明弹性水平不确定性对BESS容量的影响效果图，其中(a)为固定峰值惩罚成本，(b)为固定电力市场价格因子。
图3为本发明峰值惩罚成本不确定性对BESS容量和FCS总成本的影响效果图。
图4为本发明电力市场价格因子不确定性对BESS容量和FCS总成本的影响效果图。
图5为本发明EV返回时SOC不确定性对BESS容量和FCS总成本的影响效果图。
图6为本发明EV返回时间不确定性对BESS容量和FCS总成本的影响效果图。
图7为EV数量不确定性对BESS容量和FCS总成本的影响效果图。
具体实施方式
下面结合附图对本发明进行详细说明。
参见图1，基于考虑弹性的电动汽车充电站储能系统的容量优化的方法，包括以下步骤：首先通过对EV用户使用习惯的统计数据得到EV日行驶里程、EV返回时间以及EV返回时SOC的概率分布，根据这些概率分布预测出各个时间段内FCS的EV负荷，得到了相对比较确切的负荷数据；接下来通过临近FCS之间距离的概率分布、EV返回时间的概率分布以及EV行驶到临近FCS所需SOC的概率分布预测出EV在各个时间段内的弹性负荷；同时基于BESS容量确定BESS的各项成本以及总成本；最后在得到以上各项成本以及总成本的基础上，结合购电售电的成本，通过最小化FCS的总成本，得到BESS的最优容量。后续的不确定性分析表明，本发明优化方法不仅可以使得FCS经济运行，即总成本的最小化，同时也保证了在停电时期EV的正常运行。详述如下：
步骤一，预测FCS的EV负荷
为了更准确的预测出FCS的EV负荷，需要获取EV的数量、EV的电池容量、EV的额定充电功率三者的准确数据，同时，统计EV日行驶里程，EV返回时间以及EV返回时SOC，分别得到三者的均值和方差，进而分别得到三者的概率分布函数：
EV日行驶里程服从对数正态分布，概率分布函数为：
Figure BDA0002823481080000061
其中，d为EV的日行驶里程，μ和σ分别为该对数正态分布的均值和标准差。
由于初始SOC与日行驶里程呈线性关系，因此得到初始SOC的表达式：
Figure BDA0002823481080000071
SOCini为EV的初始荷电状态，SOCmax为EV的最大荷电状态，v为EV最近一次充电后行驶的天数，D为EV的额定里程，d为EV的日行驶里程。
由于EV的日行驶里程d服从对数正态分布，SOCini又与d呈线性关系，因此SOCini同样也是一个服从对数正态分布的变量，EV返回时SOC(即初始SOC)概率分布函数为：
Figure BDA0002823481080000072
Figure BDA0002823481080000073
其中，d为EV的日行驶里程，μ和σ分别为该对数正态分布的均值和标准差，SOCini为EV的初始荷电状态，SOCmax为EV的最大荷电状态，v为EV最近一次充电后行驶的天数，D为EV的额定里程，z是一个替代式。
EV返回时间服从正态分布，概率分布函数为：
Figure BDA0002823481080000074
其中，μt和σt分别为该正态分布的均值和标准差，t为某一时刻。
根据以上三者的概率分布得到FCS的EV负荷：
Figure BDA0002823481080000075
Figure BDA0002823481080000076
其中，Δt是从初始时间到某一时刻t所经历的时间跨度，Pn为第n个EV的额定充电功率(kW)，h(t,n)为EV返回时间的概率分布函数，n为EV的数量，θ(SOCt,n)为在某一时间间隔t内EV充电的概率，
Figure BDA0002823481080000077
为EV的电池容量(kWh)，g为EV返回时的SOC的概率分布函数。
步骤二，基于临近FCS之间的距离预测EV的弹性负荷
由于极端灾害造成电力系统大规模故障的事件愈发频繁发生以及EV的高渗透率，电力的中断会对整个交通运输造成极大的影响，因此必须要确保EV的弹性。为了保障这一点，需要EV保留一部分SOC使得EV能够从当前充电站顺利移动到一个邻近的正常工作的充电站，弹性负荷的大小是基于当前FCS和临近FCS之间的距离来估计的，FCS之间的距离服从对数正态分布，概率分布函数为：
Figure BDA0002823481080000081
其中，r为某两个城市之间的距离，μr和σr分别表示充电站之间距离的均值和标准差。
EV行驶到临近的充电站所需的SOC和FCS之间的距离成正比，因此EV行驶到临近FCS所需SOC也服从对数正态分布，概率分布函数为：
Figure BDA0002823481080000082
其中，
Figure BDA0002823481080000083
为EV行驶到某临近充电站所需的SOC，D为EV的额定里程，μr和σr分别表示充电站之间距离的均值和标准差；
因此，可以得到EV的弹性负荷：
Figure BDA0002823481080000084
其中，h(t,n)为EV返回时间的概率分布函数，
Figure BDA0002823481080000085
为EV的电池容量(kWh)，
Figure BDA0002823481080000086
为EV行驶到某临近充电站所需的SOC，u为EV行驶到临近充电站所需SOC的概率分布函数，SOCmin为EV最小荷电状态，
Figure BDA0002823481080000087
为t时刻第n个EV的荷电状态。
步骤三，基于BESS的容量得到BESS的各项成本以及总成本
锂离子电池由于具有较高的能量密度比和功率密度比、良好的充放电效率和灵活的成组方式，可满足目前大规模储能的要求，因此考虑在FCS中部署由锂离子电池组成的BESS。
为了确定BESS的容量，需要同时考虑投资成本、运行和维护成本以及购电的成本，投资成本又分为电能成本和功率成本，电能成本和储能单元有关，而功率成本和功率电子器件有关。
BESS的各项成本为：
CBESS＝(CPCS+CB+CBOP)·γ+CO&M
CPCS＝CPCSU·Bcap/H
CB＝CBU·Bcap/η
CBOP＝CBOPU·Bcap
Figure BDA0002823481080000091
CO&M＝Cf O&M·Bcap/H
其中，CBESS为BESS总成本，CPCS为功率转换系统成本，CB为电池成本，CBOP为发电厂电力平衡成本，CO&M为年运行和维护成本，Bcap为BESS容量，γ为资本回收因子，ir为年利率，y为运行年限，CPCSU是功率电子器件的单位成本，H是放电周期的时间长度，CBU是储能单元的单位成本，η是电池的效率，CBOPU是发电厂电力平衡的单位成本，Cf O&M是固定年运行和维护成本。
步骤四，基于FCS总成本最小化确定BESS最优容量
最小化FCS成本的目标函数为：
min(CBESS+CGrid+CPeak+CRes)
其中，CBESS为部署BESS的成本，CGrid为与电网交易电能的成本，CPeak为在峰值负荷期间购电的惩罚成本，CRes为违反弹性的惩罚成本。
各项成本的计算方法如下：
Figure BDA0002823481080000092
Figure BDA0002823481080000093
Figure BDA0002823481080000094
Figure BDA0002823481080000095
其中，
Figure BDA0002823481080000096
和
Figure BDA0002823481080000097
分别为购电和售电的价格，
Figure BDA0002823481080000098
和
Figure BDA0002823481080000099
分别为在某一天的某一时段购入和售出的电量，
Figure BDA00028234810800000910
为在峰值负荷时段购电的单位惩罚，
Figure BDA00028234810800000911
为违反弹性的单位惩罚成本，
Figure BDA00028234810800000912
为违反因子，Bcap为BESS容量，SOCd,t为某一时间段EV的SOC，SOCmin为最小SOC，
Figure BDA00028234810800000913
为EV的弹性负荷。可以看出如果当前SOC不满足弹性要求，那么惩罚因子为1，如果满足要求则不施加惩罚因此。与之不同的是，任何峰值时段的购地行为都要施加惩罚。
BESS充放电约束以及与各项成本有关的功率平衡约束为：
Figure BDA0002823481080000101
Bcap·SOCmin≤Pt B≤Bcap·SOCmax
Figure BDA0002823481080000102
Figure BDA0002823481080000103
Figure BDA0002823481080000104
Pt Buy+Pt B-＝Pt EV+Pt Sell+Pt B+
Figure BDA0002823481080000105
Figure BDA0002823481080000106
Figure BDA0002823481080000107
其中，Pt B为在t时间段BESS的电能，
Figure BDA0002823481080000108
为BESS的初始电能，Pt B+和Pt B-分别为t时间段BESS充入的电能和BESS放出的电能，η+和η-分别为BESS的充放电效率，SOCmax和SOCmin分别为BESS荷电状态的上下限，Pt B+和Pt B-分别为t时间段BESS充入电能和放出的电能，
Figure BDA0002823481080000109
和
Figure BDA00028234810800001010
分别为BESS的充电和放电状态的0-1变量，PBr+和PBr-分别为BESS的最大充电和放电速率，Pt Buy和Pt Sell分别为t时间段购电量和售电量，
Figure BDA00028234810800001011
和
Figure BDA00028234810800001012
分别为购电和售电状态的0-1变量，Pt Buyr和Pt Sellr分别为购电和放电的上限。引入0-1变量的目的是避免同时充放电和同时购电售电。
步骤五，基于不确定性分析验证本发明考虑弹性的电动汽车充电站储能系统的容量优化方法的有效性，即考虑多种因素的不确定性对BESS容量和FCS总成本的影响，进而验证考虑弹性的电动汽车充电站储能系统的容量优化方法的有效性
考虑弹性水平不确定性：参见图2，(a)中固定了峰值惩罚成本，随着弹性水平的增加，BESS的容量随之增加以满足弹性；(b)中固定了电力市场价格因子，同样的，随着弹性水平的增加，BESS的容量随之增加以满足弹性。弹性水平的增加即EV弹性负荷的增加，需要更大的BESS容量来予以满足，因此图示结果与理论符合。
虑峰值惩罚成本的不确定性：参见图3，随着峰值惩罚的不断增加，通过BESS削减峰值负荷可以降低购电成本，因此BESS的容量也在不断增加，最终当峰值惩罚成本到达某个临界值后，BESS容量足够大以至于不需要在峰值时段购电。
考虑电力市场价格因子不确定性：参见图4，随着电力市场价格因子的不断增加，通过增加BESS容量同时削减峰值时段的购电量来降低FCS的总成本，与图3不同的一点是，图4电力市场价格因子影响全时段，因而总成本会随着电力市场价格因子的增加而一直增加。
考虑EV返回时SOC的不确定性：参见图5，当EV返回FCS时的SOC较少时，BESS容量相应增大以确保EV的弹性；反之，当EV返回FCS时的SOC较大时，BESS容量相应减小以尽量降低FCS的总成本。
考虑EV返回FCS时间的不确定性：参见图6，当EV返回时间早于预期时间时，BESS容量相应增大以确保避免在峰值时段购电，减小FCS的总成本；当EV返回时间晚于预期时间时，则不需要很大的BESS容量，此时已经不在峰值时段。EV返回时间早于预期时间时，EV将集中在峰值时段充电，因此需要更大的BESS容量，而EV返回时间晚于预期时间时，已经不在峰值时段，可以直接向电网购电，因此图示结果与理论符合。
考虑EV数量的不确定性：参见图7，当EV的数量增加时，EV的弹性负荷随之增加，因此需要更大容量的BESS来满足弹性，峰值购电量也随之增加。
从以上各图可以看出，BESS在削减峰值负荷和确保弹性的基础上使得FCS总成本最小化，说明本发明可以在不同情况下得到不同的BESS最优容量，来确保EV的弹性，并且在BESS的最优容量下，FCS的总成本是最小的，验证了本发明的有效性。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，本领域普通技术人员对本发明的技术方案所做的其他修改或者等同替换，只要不脱离本发明技术方案的精神和范围，均应涵盖在本发明的权利要求范围当中。

Claims (6)

1.一种考虑弹性的电动汽车充电站储能系统的容量优化方法，其特征在于，包括以下步骤：
步骤一、基于用户使用EV的习惯，进而确定快速充电站FCS的EV负荷；
步骤二、基于若干个临近FCS之间的距离，进而确定EV在停电期间的弹性负荷；
步骤三、基于电池储能系统BESS容量确定电池储能系统BESS的各项成本以及总成本；
步骤四、基于FCS总成本的最小化以及BESS充放电约束、FCS功率平衡约束，通过求解优化得到BESS的最优容量；
步骤一所述的FCS的EV负荷影响因素为：EV日行驶里程、EV返回时间以及EV返回时的SOC，通过对用户使用EV习惯的调查，得到EV日行驶里程、EV返回时间、EV返回时的SOC的概率分布，进而得到FCS的EV负荷模型为：
Figure FDA0003525123540000011
Figure FDA0003525123540000012
其中，Pt EV是时间段t内FCS的EV负荷，Δt是从初始时间到某一时间段t所经历的时间跨度，Pn为第n个EV的充电功率(kW)，h(t,n)为EV返回时间的概率分布函数，θ(SOCt,n)为在某一时间段t内EV充电的概率，
Figure FDA0003525123540000013
为EV的电池容量(kWh)，g为EV返回时的SOC的概率分布函数；
步骤二所述的临近FCS为五个，先确定某五个临近FCS之间距离的概率分布，因为EV行驶到某一个临近FCS所需的SOC与FCS之间的距离成正比，因此可以得到EV的弹性负荷：
Figure FDA0003525123540000014
其中，Pt res为EV的弹性负荷，h(t,n)为EV返回时间的概率分布函数，
Figure FDA0003525123540000015
为EV的电池容量(kWh)，
Figure FDA0003525123540000016
为EV行驶到某临近充电站所需的SOC，u为EV行驶到临近充电站所需SOC的概率分布函数，SOCmin为EV最小荷电状态，
Figure FDA0003525123540000017
为t时刻第n个EV的荷电状态；
步骤三所述的BESS的各项成本包括功率转换系统成本、电池成本、发电厂电力平衡成本、年运行和维护成本：
CBESS＝(CPCS+CB+CBOP)·γ+CO&M
CPCS＝CPCSU·Bcap/H
CB＝CBU·Bcap/η
CBOP＝CBOPU·Bcap
Figure FDA0003525123540000021
CO&M＝Cf O&M·Bcap/H
其中，CBESS为BESS总成本，CPCS为功率转换系统成本，CB为电池成本，CBOP为发电厂电力平衡成本，CO&M为年运行和维护成本，γ为资本回收因子，ir为年利率，y为运行年限，CPCSU是功率电子器件的单位成本，Bcap为BESS容量，H是放电周期的时间长度，CBU是储能单元的单位成本，η是电池的效率，CBOPU是发电厂电力平衡的单位成本，Cf O&M是固定年运行和维护成本；
步骤四所述的基于FCS总成本的最小化，确定最小化FCS成本的目标函数为：
min(CBESS+CGrid+CPeak+CRes)
其中，CBESS为部署BESS的成本，CGrid为与电网交易电能的成本，CPeak为在峰值负荷期间购电的惩罚成本，CRes为违反弹性的惩罚成本；
所述的BESS充放电约束、FCS功率平衡约束为
Figure FDA0003525123540000022
Bcap·SOCmin≤Pt B≤Bcap·SOCmax
Figure FDA0003525123540000023
Figure FDA0003525123540000024
Figure FDA0003525123540000025
Pt Buy+Pt B-＝Pt EV+Pt Sell+Pt B+
0≤Pt Buy≤It Buy·Pt Buyr
Figure FDA0003525123540000026
Figure FDA0003525123540000027
其中，Pt B为在t时间段BESS的电能，
Figure FDA0003525123540000028
为BESS的初始电能，Pt B+和Pt B-分别为t时间段BESS充入的电能和BESS放出的电能，η+和η-分别为BESS的充放电效率，SOCmax和SOCmin分别为BESS荷电状态的上下限，
Figure FDA0003525123540000029
和
Figure FDA00035251235400000210
分别为BESS的充电和放电状态的0-1变量，PBr+和PBr-分别为BESS的最大充电和放电速率，Pt Buy和Pt Sell分别为t时间段购电量和售电量，
Figure FDA0003525123540000031
和
Figure FDA0003525123540000032
分别为购电和售电状态的0-1变量，Pt Buyr和Pt Sellr分别为购电和放电的上限。
2.根据权利要求1所述的一种考虑弹性的电动汽车充电站储能系统的容量优化方法，其特征在于，所述的EV日行驶里程服从对数正态分布，概率分布函数为：
Figure FDA0003525123540000033
其中，f为EV日行驶里程概率分布函数，d为EV的日行驶里程，μ和σ分别为该对数正态分布的均值和标准差。
3.根据权利要求1所述的一种考虑弹性的电动汽车充电站储能系统的容量优化方法，其特征在于，所述的EV返回时的SOC服从对数正态分布，概率分布函数为：
Figure FDA0003525123540000034
Figure FDA0003525123540000035
其中，g为EV返回时的SOC的概率分布函数，SOCini为EV的初始荷电状态，SOCmax为EV的最大荷电状态，v为EV最近一次充电后行驶的天数，D为EV的额定里程，z为一个替换式。
4.根据权利要求1所述的一种考虑弹性的电动汽车充电站储能系统的容量优化方法，其特征在于，所述的EV返回时间服从正态分布，概率分布函数为：
Figure FDA0003525123540000036
其中，h为EV返回时间概率分布函数，μt和σt分别为该正态分布的均值和标准差。
5.根据权利要求1所述的一种考虑弹性的电动汽车充电站储能系统的容量优化方法，其特征在于，所述的临近FCS之间的距离服从对数正态分布，概率分布函数为：
Figure FDA0003525123540000037
其中，s为临近FCS之间的距离概率分布函数，r为某两个城市之间的距离，μr和σr分别表示充电站之间距离的均值和标准差。
6.根据权利要求1所述的一种考虑弹性的电动汽车充电站储能系统的容量优化方法，其特征在于，所述的EV行驶到临近FCS所需SOC服从对数正态分布，概率分布函数为：
Figure FDA0003525123540000041
其中，u为EV行驶到临近FCS所需SOC概率分布函数，
Figure FDA0003525123540000042
为EV行驶到某临近FCS所需的SOC，D为EV的额定里程，μr和σr分别表示充电站之间距离的均值和标准差。
CN202011443714.1A 2020-12-08 2020-12-08 考虑弹性的电动汽车充电站储能系统的容量优化方法 Active CN112721706B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011443714.1A CN112721706B (zh) 2020-12-08 2020-12-08 考虑弹性的电动汽车充电站储能系统的容量优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011443714.1A CN112721706B (zh) 2020-12-08 2020-12-08 考虑弹性的电动汽车充电站储能系统的容量优化方法

Publications (2)

Publication Number Publication Date
CN112721706A CN112721706A (zh) 2021-04-30
CN112721706B true CN112721706B (zh) 2022-04-12

Family

ID=75599121

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011443714.1A Active CN112721706B (zh) 2020-12-08 2020-12-08 考虑弹性的电动汽车充电站储能系统的容量优化方法

Country Status (1)

Country Link
CN (1) CN112721706B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113746122B (zh) * 2021-08-24 2024-03-01 国网江苏省电力有限公司苏州供电分公司 考虑用户选择的电动汽车优化调度方法及优化调度系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109986993A (zh) * 2017-12-29 2019-07-09 睿能创意公司 动态配置可交换式储能装置站之间能源的系统和方法
CN110165666A (zh) * 2019-05-29 2019-08-23 四川大学 一种基于igdt的主动配电网调度方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10411500B2 (en) * 2016-06-16 2019-09-10 Yu Qin Electric vehicle fast charging station with solar energy system and its method
CN109217364A (zh) * 2018-09-10 2019-01-15 国网冀北电力有限公司张家口供电公司 大规模分布式电源消纳的光伏-储能容量优化配置策略
US11186196B2 (en) * 2018-11-09 2021-11-30 International Business Machines Corporation Managing the provisioning of electricity for an electric vehicle

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109986993A (zh) * 2017-12-29 2019-07-09 睿能创意公司 动态配置可交换式储能装置站之间能源的系统和方法
CN110165666A (zh) * 2019-05-29 2019-08-23 四川大学 一种基于igdt的主动配电网调度方法

Also Published As

Publication number Publication date
CN112721706A (zh) 2021-04-30

Similar Documents

Publication Publication Date Title
CN105846423A (zh) 一种计及需求响应的光伏微电网储能多目标容量配置方法
CN103241130A (zh) 一种电动公交车充换电站的能量管理方法及系统
CN106355477A (zh) 一种地区电力市场交易控制方法及系统
CN111310966A (zh) 含电动汽车充电站的微电网选址及优化配置方法
US20220140610A1 (en) Methods and systems for green energy charging of electrical vehicles
US20140019188A1 (en) Method for real-time control of energy storage units to reduce electricity cost
CN104966127A (zh) 一种基于需求响应的电动汽车经济调度方法
Schröder et al. Optimization of distributed energy resources for electric vehicle charging and fuel cell vehicle refueling
CN113326467B (zh) 基于多重不确定性的多站融合综合能源系统多目标优化方法、存储介质及优化系统
Zeng et al. Optimal public parking lot allocation and management for efficient PEV accommodation in distribution systems
Ma et al. Real-time plug-in electric vehicles charging control for V2G frequency regulation
CN115115268A (zh) 基于路电耦合与低碳约束的电动汽车充电桩容量规划方法
Qi et al. When shared autonomous electric vehicles meet microgrids: Citywide energy-mobility orchestration
CN112721706B (zh) 考虑弹性的电动汽车充电站储能系统的容量优化方法
CN116061742A (zh) 一种分时电价光伏园区内电动汽车的充电控制方法和系统
Zhang et al. Optimal operation of energy storage system in photovoltaic-storage charging station based on intelligent reinforcement learning
CN116436048A (zh) 一种多目标驱动的微电网群云储能优化配置方法及装置
CN116742654A (zh) 一种充电站参与能量-调频市场的调度优化方法及系统
Kumar et al. Reliability oriented techno-economic assessment of fast charging stations with photovoltaic and battery systems in paired distribution & urban network
CN115441494A (zh) 基于柔性直流互联系统的换流站容量优化配置方法和装置
CN115600757A (zh) 海上风电共享储能参与现货市场交易协调优化方法及系统
CN109948816A (zh) 一种微网调度方法
CN115239032A (zh) 计及能源自洽率的高速公路服务区微电网规划方法及系统
Park et al. Exploring planning and operations design space for EV charging stations
CN114784896A (zh) 面向虚拟电厂的规模化充电桩能量优化管理方法和系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant