CN112907153B - 一种混合场景下考虑用户多种需求的电动汽车调度方法 - Google Patents

一种混合场景下考虑用户多种需求的电动汽车调度方法 Download PDF

Info

Publication number
CN112907153B
CN112907153B CN202110381822.9A CN202110381822A CN112907153B CN 112907153 B CN112907153 B CN 112907153B CN 202110381822 A CN202110381822 A CN 202110381822A CN 112907153 B CN112907153 B CN 112907153B
Authority
CN
China
Prior art keywords
electric vehicle
dispatching
model
scheduling
electric
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
CN202110381822.9A
Other languages
English (en)
Other versions
CN112907153A (zh
Inventor
朱永胜
张明明
董燕
刘勇
齐红柱
陈斌
张保山
谢晓峰
苌群方
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.)
Zhongyuan University of Technology
Original Assignee
Zhongyuan University of Technology
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 Zhongyuan University of Technology filed Critical Zhongyuan University of Technology
Publication of CN112907153A publication Critical patent/CN112907153A/zh
Application granted granted Critical
Publication of CN112907153B publication Critical patent/CN112907153B/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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • 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
    • 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
    • G06Q50/40—Business processes related to the transportation industry
    • 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)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • General Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Game Theory and Decision Science (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Biomedical Technology (AREA)
  • Operations Research (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Educational Administration (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Primary Health Care (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Physiology (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)

Abstract

本发明提出一种混合场景下考虑用户多种需求的电动汽车调度方法，其步骤为：首先，构建混合场景下考虑用户多种需求的电力调度系统，基于图论方法获得路网结构，并基于路网结构构建电动汽车模型和调度设备模型；其次，基于电动汽车模型和调度设备模型的模型参数构建评价目标，并基于评价目标构建指派模型；然后利用匈牙利算法对指派模型进行求解，得到电动汽车对应的调度设备；再根据电动汽车对应的调度设备和电动汽车模型的模型参数构建车网互动模型；最后，利用遗传粒子群算法对车网互动模型进行迭代优化，输出电动汽车参与调度的转换次数和电动汽车的瞬时功率。本发明可以有效利用电力市场上多种调度设备，满足电动汽车用户的多种调度需求。

Description

一种混合场景下考虑用户多种需求的电动汽车调度方法
技术领域
本发明涉及电力系统控制技术领域，特别是指一种混合场景下考虑用户多种需求的电动汽车调度方法。
背景技术
随着全球气候变暖，环境污染和能源短缺等问题的日益加剧，尤其使用内燃发动机的运输工具极大地造成了空气污染，而以新能源为燃料且排放污染少的电动汽车受到了世界各国的重视，尤其《新能源汽车产业发展规划》明确要加大关键技术攻关，支持新能源汽车与能源、交通、信息通信等深度融合，推动电动化与网联化、智能化互融发展。
电动汽车作为调度的主体，其用户需求及调度场景在电网优化解决随机充电引起的电力系统峰荷上升、局部地区交通拥堵等问题的过程中起着重要的作用。
电动汽车用户的需求主要从出行特征、路网结构和充电设施布局等因素考虑，其决定了电动汽车可调度的时间、空间和负荷裕度，而且充电价格、接入时间等也会影响用户决策，从而影响电网的安全稳定。文献[ZHOU Kaile,CHENG Lexin,WEN Lulu,et al.Acoordinated charging scheduling method for electric vehicles consideringdifferent charging demands[J].Energy,2020,213.]建立充电紧急度指标，根据电动汽车接入电网后提交的互动时间及电量为电动汽车用户选择不同的充电方式参与电网调度；文献[PAN Long,YAO Enjian,DON M.Modeling EV charging choice considering riskattitudes and attribute non-attendance[J].Transportation Research Part C,2019,102.]基于实际调查数据，建立了考虑风险态度和不同调度策略的充电选择模型，为预估充电需求提供了参考依据；文献[WU Fuzhang,YANG Jun,ZHAN Xiangpeng,et al.TheOnline Charging and Discharging Scheduling Potential of Electric VehiclesConsidering the Uncertain Responses of Users[J].IEEE Transactions on PowerSystems,2020:1–1.]将电动汽车的出行行为进行分类描述，研究了用户对调度措施的响应规律，建立的模型可以有效评估充电站(electric vehicle charging station,EVCS)的调度潜力；文献[徐诗鸿,张宏志,石栋等.面向智慧城市的快充负荷充电服务费制定策略[J].中国电机工程学报,2020,40(10):3187–3201.]考虑服务价格、消耗时间、剩余电量因素建立基于电动汽车用户自身利益的充电决策模型，验证了调整充电服务费对快充行为引导的有效性。
此外，电动汽车调度场景的变化决定了调度框架的多样性。文献[朱永胜,乔百豪,瞿博阳等.含风电及电动汽车的多目标电力系统调度[J].太阳能学报,2019,40(06):1722–1730.]和文献[李军徽,张嘉辉,穆钢等.计及负荷峰谷特性的储能调峰日前优化调度策略[J].电力自动化设备,2020,40(07):128-133+140+134-136.]描述了单一场景下的慢充模式，主要在时间维度调整电动汽车的充放电功率，使其最大限度地参与系统调峰调频、平衡新能源波动等工作；文献[邢强,陈中,冷钊莹等.基于实时交通信息的电动汽车路径规划和充电导航策略[J].中国电机工程学报,2020,40(02):534–550.]和文献[LUO Yugong,ZHUTao,WAN Shuang,et al.Optimal charging scheduling for large-scale EV(electricvehicle)deployment based on the interaction of the smart-grid andintelligent-transport systems[J].Energy,2016,97:359–368.]提出了考虑交通、调度设备和路径规划的快充模式，为电动汽车用户提供便捷的充电方案；文献[崔少华.移动充电服务的路径规划与设计问题研究[D].北京交通大学,2019.]和文献[CUI Shaohua,YAOBaozhen,CHEN Gang,et al.The multi-mode mobile charging service based onelectric vehicle spatiotemporal distribution[J].Energy,2020,198.]提供了一种更加灵活、方便的移动充电服务，在这种模式下运营商接收到调度需求(时间、地点、电量等)后指派移动充电车(mobile charging vehicle,MCV)提供服务，研究内容主要是MCV的路径规划和服务效率问题；文献[HUANG Xiaohong,ZHANG Yong,LI Dandan,et al.An optimalscheduling algorithm for hybrid EV charging scenario using consortiumblockchains[J].Future Generation Computer Systems,2019,91:555–562.]构建了多种设备作为电力供应侧的混合调度场景，最大限度地满足了电动汽车用户的不同需求。
目前的研究中针对电动汽车充电的设备通常是单一的，比如换电模式下电动汽车充电路径的选择、使用充电桩的场景中电动汽车充放电功率的优化和移动充电模式下服务效率的处理等，但最大限度地满足电动汽车用户的心理需求和对不同设备偏好的调度方法很少。
发明内容
针对上述背景技术中的不足，本发明提出了一种混合场景下考虑用户多种需求的电动汽车调度方法，解决了电动汽车用户对充放电设备的选择困难并减少电动汽车入网对电力系统整体运行带来的负面影响。
本发明的技术方案是这样实现的：
一种混合场景下考虑用户多种需求的电动汽车调度方法，其步骤如下：
步骤一：构建混合场景下考虑用户多种需求的电力调度系统，其中，电力调度系统中的实体包括电动汽车和调度设备；
步骤二：基于图论方法获得路网结构，并基于路网结构构建电动汽车模型和调度设备模型；
步骤三：基于电动汽车模型和调度设备模型的模型参数构建指派模型及指派模型的评价目标；
步骤四：利用匈牙利算法对指派模型进行求解，得到电动汽车对应的调度设备；
步骤五：根据电动汽车对应的调度设备和电动汽车模型的模型参数构建车网互动模型；
步骤六：利用遗传粒子群算法对车网互动模型进行迭代优化，输出电动汽车参与调度的转换次数和电动汽车的瞬时功率。
所述电动汽车模型为：
R＝{Tev,Lev,SOC,P}
其中，R为电动汽车单体模型，Tev＝(Ts,Tw)表示电动汽车调度时间，Ts表示电动汽车用户的申请调度时刻，Tw表示用户最大等待时间，Lev表示电动汽车用户的申请调度时刻的电动汽车所在位置，SOC＝(SOCs,SOCo)表示电动汽车用户的申请调度时刻的电动汽车电量信息，SOCs表示电动汽车用户的申请调度时刻的电池剩余量，SOCo表示电动汽车用户的预期电量，P表示电动汽车的充放电功率范围。
所述调度设备模型为：
Q＝{Lq,H,S}
其中，Lq表示调度设备的位置，其中，调度设备包括充电站和移动充电车，调度过程中充电桩的位置不变，移动充电车的位置随调度需求而移动；H表示调度设备在调度中被使用的次数；S表示电动汽车申请时刻调度设备的可用状态，
Figure GDA0003826693010000031
所述指派模型的评价目标为：
cij＝cl+cc+cw
其中，cij表示第i辆电动汽车匹配第j个调度设备完成调度的综合费用，cl＝pc×r×L(Lev,Lq)表示路途成本，pc表示电动汽车充电电价，r表示电动汽车每公里耗电量，L(Lev,Lq)表示电动汽车在申请调度时刻距离调度设备的距离，cc＝pr×(SOCo-SOCs)表示电动汽车参与调度的充电费用或者放电收益，pr表示电动汽车调度电价，且
Figure GDA0003826693010000032
pu是移动充电车的电价，pb是基础电价，ω是价格系数，Hsum是所有调度设备的使用次数之和，cw＝α×Tij是等待成本，且
Figure GDA0003826693010000033
k是时间价值系数，Tij是第i辆电动汽车匹配第j个调度设备调度的等待时间，Tp为电动汽车用户的年工作时间，Pp为电动汽车用户的年收入。
所述指派模型为：
Figure GDA0003826693010000041
其中，C表示费用矩阵，xij表示状态变量，
Figure GDA0003826693010000042
m表示电动汽车的数量，n表示调度设备的数量。
指派模型的约束条件为：
Figure GDA0003826693010000043
L(Lev,Lq)≤max L
SOCs≥r×L(Lev,Lq)
Tij≤Tw
min pr≤pr≤max pr
SOCo-SOCs≤max P×Tlong
其中，maxL表示调度设备的最大服务距离，minpr表示最低电价，maxpr表示最高电价，maxP表示能量交换的最大功率，Tlong表示单次调度时长。
所述车网互动模型为：
F＝min(f+p)
其中，
Figure GDA0003826693010000044
表示电网负荷的方差，T是调度的总时段，Pt是t时刻电网的总功率，Pa是总时段内电网的平均功率，p＝g∑Ttrans是惩罚项，g是惩罚系数，Ttrans是电动汽车单次参与调度的充放电转换次数。
车网互动模型的约束条件为：
Pev∈P∩Pq
Pcha∈max Pcha
其中，Pev是电动汽车能量交换的功率，Pq是调度设备的功率范围，Pcha表示电动汽车在相邻两个时刻功率的变化量，max Pcha表示限定的范围。
与现有技术相比，本发明产生的有益效果如下：
1)以考虑多种因素的综合费用策略满足了电动汽车用户的不同需求，与最短路径法相比，考虑更加全面且符合实际；
2)动态电价方案在引导用户采用不同的调度设备互动方面起到了较好的效果，避免了电动汽车时空上的拥挤和部分调度设备的过度使用；
3)充电站内电动汽车以差异化功率充放电的方式，在一定程度上缓解了电网负荷波动以及电网负荷波动带来的负面影响；
4)将惩罚项添加到车网互动模型中，可以有效抑制电动汽车频繁的充放电状态转换，减少了电动汽车的电池的损耗。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的电力调度框架。
图2为本发明的路网结构示例图。
图3为本发明的调度模型切结流程图。
图4为本发明的测试区域道路结构图。
图5为基于同样路途成本、充放电成本、等待成本的前提下本发明方法与使用最短路径方法的综合成本对比图。
图6为采用本发明方法和采用最短路径方法中各充电站和MCV使用次数差异对比图。
图7为基于本发明方法的混合场景负荷调峰对比图。
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付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。
本发明实施例提供了一种混合场景下考虑用户多种需求的电动汽车调度方法，具体步骤如下：
步骤一：构建混合场景下考虑用户多种需求的电力调度系统，基本框架如图1所示，其中EV表示电动汽车，MCV表示移动充电车，EVCS表示充电站，BL表示电力系统中除电动汽车调度外的基础负荷，DC表示调度中心。在本电力系统中，EV作为能量需求侧提出调度请求，MCV和EVCS作为调度设备提供电力交换服务，BL为供需互动的参考项，DC负责以上各部分之间实时信息的流动和调度决策的发布。
步骤二：基于图论方法获得路网结构，并基于路网结构构建电动汽车模型和调度设备模型；
根据图论方法设计路网结构，如图2所示，用G(V,E)表示路网地图。其中E表示路网中路段的集合，V表示路段交叉点的集合。矩阵D是道路权值的邻接矩阵，用于描述各路段长度以及节点关系。D中元素dxy的赋值规则如式(1)所示，其中lxy是节点x和节点y之间的路段长度；inf表示两个道路节点之间不相接。因此图2对应的矩阵邻接矩阵D示于式(2)。由此矩阵通过Dijkstra算法求得节点之间的最短距离和路径。
Figure GDA0003826693010000061
Figure GDA0003826693010000062
调度策略旨在引导有电力需求的电动汽车与不同的调度设备进行能量交换，建立电动汽车单体模型R，如式(3)所示。
R＝{Tev,Lev,SOC,P} (3)
其中，Lev表示用户申请调度时刻电动汽车所在位置；P表示电动汽车的充放电功率范围；Tev表示电动汽车调度时间，用式(4)表示；
Tev＝(Ts,Tw) (4)
其中Ts表示电动汽车用户申请调度的时刻，Tw表示用户最大等待时间。
SOC表示电动汽车用户的申请调度时刻的电动汽车电量信息，用式(5)表示。
SOC＝(SOCs,SOCo) (5)
其中，SOCs表示电动汽车用户的申请调度时刻的电池剩余量，SOCo表示电动汽车用户的预期电量。
在调度策略中充电站和移动充电车为电动汽车提供调度服务，将充电桩模型描述为单个充电桩的累和，其与移动充电车用同一模型表示如式(6)所示。
Q＝{Lq,H,S} (6)
其中，Lq表示调度设备的位置，其中，调度设备包括充电站和移动充电车，调度过程中充电桩的位置不变，移动充电车的位置随调度需求而移动；H表示调度设备在调度中被使用的次数；S表示电动汽车申请时刻调度设备的可用状态，用式(7)表示。
Figure GDA0003826693010000071
步骤三：基于电动汽车模型和调度设备模型的模型参数构建指派模型及指派模型的评价目标；
当电动汽车用户发起调度请求，调度中心根据需求和各方实时信息，为用户选择充电桩或者移动充电车完成初步方案。为满足用户需求，以考虑多方因素建立的综合费用最小为目标，建立电动汽车与调度设备一一对应的匹配关系。如式(8)所示，m辆电动汽车以费用最少为目标分配到n个调度设备(m≤n)，形成费用矩阵C，其中cij表示第i辆电动汽车匹配第j个调度设备完成调度(i∈{1,2,…，m},j∈{1,2,…，n})。
Figure GDA0003826693010000072
设置如式(9)所示0-1状态变量xij表示方案选择。
Figure GDA0003826693010000073
根据式(10)和(11)得到最小费用目标，即指派模型：
Figure GDA0003826693010000074
Figure GDA0003826693010000075
在指派过程中使用增加等待成本的方式处理排队积压问题。如式(12)所示，建立所有时段每个设备的使用状态矩阵Z，该矩阵T行n列(n为调度设备个数)，矩阵初始状态为全0阵，当某个设备在某个时段被使用，则对应位置的数值设为1，在该时段指派匹配工作时对应的调度费用增加一次等待成本，该调度设备执行完已有的调度计划后为本次用户服务。
Figure GDA0003826693010000076
混合场景下考虑用户多种需求的电动汽车调度策略从多个角度考虑用户需求，本调度策略构建包含电价、距离、等待时间的综合费用函数作为指派模型的评价目标，如式(13)所示。
cij＝cl+cc+cw (13)
其中，cij表示第i辆电动汽车匹配第j个调度设备完成调度的综合费用，cl表示路途成本，即用户从调度时刻的地点前往调度地点过程中电动汽车耗电的经济成本，用式(14)表示。
cl＝pc×r×L(Lev,Lq) (14)
其中，pc表示电动汽车常规充电电价，r表示电动汽车每公里耗电量，L(Lev,Lq)表示电动汽车在申请调度时刻距离调度设备的距离，指派过程中匹配移动充电车的用户无路途成本。
cc表示电动汽车参与调度的充电费用或者放电收益，用式(15)表示。
cc＝pr×(SOCo-SOCs) (15)
其中，pr表示电动汽车调度电价，在本调度策略中为平衡各区域调度设备的使用次数，充电桩采用动态电价，移动充电车为固定电价，用式(16)表示。
Figure GDA0003826693010000081
其中，pu是移动充电车的电价，pb是基础电价，ω是价格系数，Hsum是所有调度设备的使用次数之和。
cw是等待成本，如式(17)所示将等待时间转化为经济成本。
Figure GDA0003826693010000082
其中k是时间价值系数，在本发明中取50％，Tij是第i辆电动汽车匹配第j个调度设备调度的等待时间，Tp为电动汽车用户的年工作时间，Pp为电动汽车用户的年收入。为保护隐私，Tp、Pp两个数据信息由用户设定后，将参数α上传到调度中心，用式(18)表示。
Figure GDA0003826693010000083
故等待成本可直接用式(19)表示。
cw＝α×Tij (19)
指派模型的约束条件包括距离约束、剩余电量约束、等待时间约束、电价约束、调度电量约束；
距离约束：移动充电车在满足充电需求的过程中由于实际运行成本和行驶速度，其具有最大服务距离约束；用户在实际调度过程中在其他因素差别不大的情况下偏向于较近的调度设备，服务距离约束可用式(20)表示。
L(Lev,Lq)≤max L (20)
其中，maxL表示调度设备的最大服务距离。
剩余电量约束：匹配充电桩的电动汽车在调度申请时刻的剩余电量需要足够到达调度地点，用式(21)表示。
SOCs≥r×L(Lev,Lq) (21)
等待时间约束：电动汽车匹配空闲调度设备时无等待时间，而匹配的设备当前时刻正在被其他用户使用则需要等待，等待时间需要小于用户最大忍耐时间，用式(22)表示。
Tij≤Tw (22)
电价约束：设定动态电价引导用户参与调度时，电价不能过大而超过用户心理预期，电价不能过小而损失运营商的利益，用式(23)表示。
min pr≤pr≤max pr (23)
其中，minpr表示最低电价，maxpr表示最高电价。
调度电量约束：电动汽车预期参与调度的电量需要在设定时间内完成能量交换，用式(24)表示。
SOCo-SOCs≤max P×Tlong (24)
其中，maxP表示能量交换的最大功率，Tlong表示单次调度时长。
步骤四：利用匈牙利算法对指派模型进行求解，得到电动汽车对应的调度设备；
指派模型采用目前使用最广泛的匈牙利算法求解，其求解步骤如下：(1)本调度策略中行数小于等于列数，是用户调度匹配的基础，故首先在式(8)费用矩阵中添加(n-m)行虚拟行，生成方阵，将求解问题变为平衡问题；(2)对每行(列)元素减去该行(列)最小元素，保证每行每列都有0元素；(3)从只有一个0元素的位置开始，将该位置标记为独立0元素，将其所在行列的其它0元素划掉，不断重复此操作至无可标记的独立0元素；(4)用尽量少的横线或竖线覆盖所有独立0元素，若覆盖线数目等于矩阵维度，将虚拟位置删除，独立0元素的位置即方案最优解；(5)若覆盖线数目小于矩阵阶数，找到(4)进行中未被覆盖元素的最小值，未覆盖的元素减去该值，所有覆盖线交叉处加上该值；(6)重复(3)～(5)直至得到最优解。指派模型的约束在求解之前建立费用矩阵的过程中处理。
服务距离约束和剩余电量约束可统一处理为距离约束，通过计算电动汽车的电量及其与每个调度设备之间的距离，统计不符合要求的匹配方案，在求解综合费用最小前将矩阵对应位置的元素设置为无穷大；
等待时间约束在计算时间成本的步骤中处理，当等待时间满足电动汽车用户要求时α为正常值，等待时间大于用户设定的最大等待时间时，将超出部分的α设定为较大的数作为惩罚项。
电价在正常情况下按照式(16)计算，如果计算结果pr<minpr，则设定pr＝minpr；如果计算结果pr>maxpr，则设定pr＝maxpr。
调度电量处理方法与服务距离约束和剩余电量约束的处理方法相同。
步骤五：根据电动汽车对应的调度设备和电动汽车模型的模型参数构建车网互动模型；
经过对指派问题的解决，调度决策已经确定每辆电动汽车的调度时间、地点、设备和电量。匹配移动充电车的用户采用恒功率充电的方式完成调度任务，而其他用户通过充电桩可以与电网形成良好的互动。在本阶段将降低电网的波动为目标，电网负荷的方差定义如式(25)所示。
Figure GDA0003826693010000101
其中，T是调度的总时段，Pt是t时刻电网的总功率，Pa是总时段内电网的平均功率。
在优化过程中负荷的不稳定会使电动汽车频繁地转换充放电状态，导致电池使用寿命的减少，损害用户利益，故在减少负荷波动的函数中加入惩罚项以抑制电动汽车在单次调度中的充放电转换次数，目标函数用式(26)表示。
F＝min(f+p) (26)
其中，p是惩罚项，用式(27)表示。
p＝g∑Ttrans (27)
其中，g是惩罚系数，根据实际情况取值；Ttrans是电动汽车单次参与调度的充放电转换次数。在调度过程中p的加入会限制电动汽车状态的频繁转换，而g的大小决定了负荷波动与电动汽车状态转换次数在寻优过程中的占比。
在电动汽车差异化功率充放电的过程中能量交换功率不仅要满足自身功率约束，也要在其他设备的功率范围之内，用式(28)表示。
Pev∈P∩Pq (28)
其中，Pev是电动汽车能量交换的功率，Pq是调度设备的功率范围。
为调度的安全稳定，功率变化幅度需要在一定范围之内，用式(29)表示。
Pcha∈max Pcha (29)
其中，Pcha表示电动汽车在相邻两个时刻功率的变化量，max Pcha表示限定的范围。
步骤六：利用遗传粒子群算法对车网互动模型进行迭代优化，输出电动汽车参与调度的转换次数和电动汽车的瞬时功率。
车网互动模型采用遗传粒子群算法(GA-PSO)寻优获取车网互动功率，其与第一部分的指派模型组合为整体的求解流程，如图3所示，调度中心收集电动汽车的电力需求信息、移动充电车和充电站的使用状态信息以及基础负荷数据，使用匈牙利算法得到电动汽车和调度设备的匹配信息，然后利用GA-PSO得到电动汽车在能量互动过程中的实时功率，完成一个时段的调度决策，及时更新各参与方的信息，并且通过滚动优化实现电力系统整体的优化。
标准的粒子群算法易出现早熟现象，而GA-PSO由于在搜索初期自学习因子较大而社会学习因子较小，粒子可以较快找到个体最优解，避免陷入局部最优，随着迭代次数增加，自学习因子逐渐减小，社会学习因子逐渐增大，粒子收敛速度加快，群体朝最优位置移动。标准粒子群算法中惯性权重的设置提高了收敛精度，但粒子的相似度随着迭代次数增加而提高，易陷入局部最优，故引入遗传算法的交叉和变异操作来更新粒子，保持种群的多样性。在求解时首先根据电量的等式约束在设定的时间内初始化一定量的粒子，表示该时间内不同时段电动汽车的功率，当粒子足够多时，该功率即可被认为是电动汽车在车网互动模型中的实时功率；设置最大迭代次数和当前迭代次数以确定GA-PSO优化的结束条件，采用罚函数法构造无约束的增广目标函数，处理不等式约束，计算适应度值得到个体最优解和全局最优解；增加迭代次数并更新粒子的速度、位置，进行交叉变异操作，重新计算适应度值再次得到得到个体最优解和全局最优解；达到最大迭代次数后输出功率方案。
实验分析
建立如图4所示测试区域道路结构图，其中2、7、9、13、17、21、26点为分布的7个充电站，每个充电站包含4个充电桩，随机确定5辆移动充电车的初始位置，假设所有的充电桩能够满足电动汽车的慢充、快充功率，移动充电车能够满足电动汽车的慢充功率。总时段设置为7点到23点，调度中心每15min处理一次电力需求。
实验过程中，电动汽车参数参照日产Leaf的技术参数，EV的锂电池容量24kW·h，行驶100km耗电量15kW·h，续航里程160km，慢充功率6kW，快充功率6kW。设置600辆符合时间概率的参与调度的电动汽车，调度时刻初始电量按照需充电的电动汽车电量在电池容量的15％-30％均匀分布，需放电的电动汽车电量在电池容量的80％-90％均匀分布。调度过程中放电车辆至少保留40％的电量，充电车辆至多充电至80％，参与调度时长设为30min。
混合场景综合费用分析
在考虑同样路途成本、充放电成本、等待成本的前提下，对比本发明调度策略费用(ω＝0.2)和使用最短路径方法的综合费用，如图5所示，本发明调度策略下每个小时的综合费用均低于最短路径方法的综合费用，充分说明了混合场景调度策略在满足考虑用户多种需求方面的有效性。
混合场景区域均衡性分析
(1)分析采用动态电价引导方案(ω＝0.2)和采用最短路径方法中各充电站和MCV使用次数差异，如图6所示，动态电价下各个充电站的使用频次更加平均，但由于使用MCV的电动汽车用户路途距离为0，故最短路径法中MCV的使用次数明显高于动态电价引导方案。
(2)动态电价通过对不同充放电设备的使用次数的平衡达到区域均衡的作用，在一定程度上避免了调度设备的过度使用和区域的拥挤，在实验中以ω＝0、ω＝0.2、ω＝0.4、ω＝0.6和ω＝0.8进行计算得到各个充电站的使用次数、充电站使用次数的方差、MCV的总使用次数，如表1所示，随着价格系数ω的增大，方差越来越小，各区域的均衡性更好，但是用户进行调度的费用也因为式(16)的设定而整体呈上升趋势，充分体现了混合场景调度策略在满足用户对多种调度设备需求方面的有效性。
表1不同价格系数分析
Figure GDA0003826693010000121
混合场景差异化功率调度分析
对比电网基础负荷、电动汽车恒功率充放电负荷与混合场景差异化功率调度负荷波动，如图7所示，在电网其他负荷不变的情况下，由于电动汽车用户调度申请时间的随机性，恒功率充放电的情况下电网波动更大，而混合场景下差异化功率充放电的方法(g＝1)在一定程度上减轻了这种不良影响。
混合场景不同惩罚因子分析
通过在目标函数中加入惩罚项，约束电动汽车充放电转换次数，惩罚因子g取值不同，优化过程中负荷调峰作用和充放电转换次数限制的比重就不同。如表2所示，可以明显看到：(1)由于每辆电动汽车参与调度的时间只占总时段的很少一部分，所以峰谷差与g的变化没有直接联系，总方差随着g的增加而呈上升趋势；(2)方差和随着g的增加而明显增大；(3)电动汽车充放电转换次数随着g的增加而明显减少。
表2不同惩罚因子分析
Figure GDA0003826693010000131
以上充分说明了在目标函数中加入惩罚项对抑制电动汽车频繁的充放电转换的有效性，g的大小对指标“次数”、“方差和”影响较大，在实际运用中根据决策需要而设定。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种混合场景下考虑用户多种需求的电动汽车调度方法，其特征在于，其步骤如下：
步骤一：构建混合场景下考虑用户多种需求的电力调度系统，其中，电力调度系统中的实体包括电动汽车和调度设备；
步骤二：基于图论方法获得路网结构，并基于路网结构构建电动汽车模型和调度设备模型；
所述电动汽车模型为：
R＝{Tev,Lev,SOC,P}
其中，R为电动汽车单体模型，Tev＝(Ts,Tw)表示电动汽车调度时间，Ts表示电动汽车用户的申请调度时刻，Tw表示用户最大等待时间，Lev表示电动汽车用户的申请调度时刻的电动汽车所在位置，SOC＝(SOCs,SOCo)表示电动汽车用户的申请调度时刻的电动汽车电量信息，SOCs表示电动汽车用户的申请调度时刻的电池剩余量，SOCo表示电动汽车用户的预期电量，P表示电动汽车的充放电功率范围；
所述调度设备模型为：
Q＝{Lq,H,S}
其中，Lq表示调度设备的位置，其中，调度设备包括充电站和移动充电车，调度过程中充电桩的位置不变，移动充电车的位置随调度需求而移动；H表示调度设备在调度中被使用的次数；S表示电动汽车申请时刻调度设备的可用状态，
Figure FDA0003739394850000011
步骤三：基于电动汽车模型和调度设备模型的模型参数构建指派模型及指派模型的评价目标；
步骤四：利用匈牙利算法对指派模型进行求解，得到电动汽车对应的调度设备；
步骤五：根据电动汽车对应的调度设备和电动汽车模型的模型参数构建车网互动模型；
步骤六：利用遗传粒子群算法对车网互动模型进行迭代优化，输出电动汽车参与调度的转换次数和电动汽车的瞬时功率。
2.根据权利要求1所述的混合场景下考虑用户多种需求的电动汽车调度方法，其特征在于，所述指派模型的评价目标为：
cij＝cl+cc+cw
其中，cij表示第i辆电动汽车匹配第j个调度设备完成调度的综合费用，cl＝pc×r×L(Lev,Lq)表示路途成本，pc表示电动汽车充电电价，r表示电动汽车每公里耗电量，L(Lev,Lq)表示电动汽车在申请调度时刻距离调度设备的距离，cc＝pr×(SOCo-SOCs)表示电动汽车参与调度的充电费用或者放电收益，pr表示电动汽车调度电价，且
Figure FDA0003739394850000021
pu是移动充电车的电价，pb是基础电价，ω是价格系数，Hsum是所有调度设备的使用次数之和，cw＝α×Tij是等待成本，且
Figure FDA0003739394850000022
k是时间价值系数，Tij是第i辆电动汽车匹配第j个调度设备调度的等待时间，Tp为电动汽车用户的年工作时间，Pp为电动汽车用户的年收入。
3.根据权利要求2所述的混合场景下考虑用户多种需求的电动汽车调度方法，其特征在于，所述指派模型为：
Figure FDA0003739394850000023
其中，C表示费用矩阵，xij表示状态变量，
Figure FDA0003739394850000024
m表示电动汽车的数量，n表示调度设备的数量。
4.根据权利要求3所述的混合场景下考虑用户多种需求的电动汽车调度方法，其特征在于，指派模型的约束条件为：
Figure FDA0003739394850000025
L(Lev,Lq)≤max L
SOCs≥r×L(Lev,Lq)
Tij≤Tw
min pr≤pr≤max pr
SOCo-SOCs≤max P×Tlong
其中，maxL表示调度设备的最大服务距离，minpr表示最低电价，maxpr表示最高电价，maxP表示能量交换的最大功率，Tlong表示单次调度时长。
5.根据权利要求3所述的混合场景下考虑用户多种需求的电动汽车调度方法，其特征在于，所述车网互动模型为：
F＝min(f+p)
其中，
Figure FDA0003739394850000031
表示电网负荷的方差，T是调度的总时段，Pt是t时刻电网的总功率，Pa是总时段内电网的平均功率，p＝g∑Ttrans是惩罚项，g是惩罚系数，Ttrans是电动汽车单次参与调度的充放电转换次数。
6.根据权利要求5所述的混合场景下考虑用户多种需求的电动汽车调度方法，其特征在于，车网互动模型的约束条件为：
Pev∈P∩Pq
Pcha∈max Pcha
其中，Pev是电动汽车能量交换的功率，Pq是调度设备的功率范围，Pcha表示电动汽车在相邻两个时刻功率的变化量，max Pcha表示限定的范围。
CN202110381822.9A 2021-01-15 2021-04-09 一种混合场景下考虑用户多种需求的电动汽车调度方法 Active CN112907153B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN2021100533491 2021-01-15
CN202110053349 2021-01-15

Publications (2)

Publication Number Publication Date
CN112907153A CN112907153A (zh) 2021-06-04
CN112907153B true CN112907153B (zh) 2022-11-01

Family

ID=76110251

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110381822.9A Active CN112907153B (zh) 2021-01-15 2021-04-09 一种混合场景下考虑用户多种需求的电动汽车调度方法

Country Status (1)

Country Link
CN (1) CN112907153B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114492169B (zh) * 2021-12-28 2024-03-29 国网河北省电力有限公司营销服务中心 考虑用户市场响应潜力的电动汽车用户画像方法及系统
CN116777145B (zh) * 2023-05-29 2024-02-20 威海广泰空港设备股份有限公司 基于车联网的优化机场车辆开工率的方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2717016B1 (en) * 2012-10-05 2020-05-20 Hitachi, Ltd. Method and system for providing route assistance for electric vehicles
US10598503B2 (en) * 2012-11-07 2020-03-24 Intertrust Technologies Corporation Vehicle charging path optimization systems and methods
CN104899667B (zh) * 2015-06-30 2018-06-08 华北电力大学（保定） 一种电动汽车充放电行为的预测方法
CN107316100A (zh) * 2017-06-01 2017-11-03 四川大学 智慧城市中电动汽车的充电调度策略
CN108171353B (zh) * 2018-03-12 2021-12-24 湘潭大学 一种基于时间片的电动汽车快速预约匹配方法
CN110570050B (zh) * 2019-09-25 2022-05-24 国网浙江省电力有限公司经济技术研究院 一种计及路-网-车的电动汽车充电引导方法
CN111787500B (zh) * 2020-05-11 2023-07-25 浙江工业大学 一种基于能量优先的移动充电车辆多目标充电调度方法
CN112183882B (zh) * 2020-10-19 2022-10-14 武汉理工大学 一种基于电动汽车快充需求的智慧充电站充电优化方法

Also Published As

Publication number Publication date
CN112907153A (zh) 2021-06-04

Similar Documents

Publication Publication Date Title
Das et al. Charging scheduling of electric vehicle incorporating grid-to-vehicle and vehicle-to-grid technology considering in smart grid
Hussain et al. Efficient power management algorithm based on fuzzy logic inference for electric vehicles parking lot
Luo et al. Optimal charging scheduling for large-scale EV (electric vehicle) deployment based on the interaction of the smart-grid and intelligent-transport systems
CN112200367B (zh) 一种支持充放电策略的电动汽车配送路径优化方法
CN105160428B (zh) 高速公路电动汽车快速充电站的规划方法
CN108944500B (zh) 一种分布式站点联合控制的电动汽车充电调度方法
CN109492791B (zh) 基于充电引导的城际高速路网光储充电站定容规划方法
Wang et al. A two-stage charging facilities planning method for electric vehicle sharing systems
CN112907153B (zh) 一种混合场景下考虑用户多种需求的电动汽车调度方法
CN103840549B (zh) 电动汽车充电负荷空间调度系统及方法
CN110796286B (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
CN110826841A (zh) 考虑用户充电体验和配电网运行风险的充电站规划方法
CN109447376A (zh) 基于用户综合满意度的居民区电动汽车充放电优化方法
CN112308389A (zh) 基于云计算的电动汽车有序充电调度系统及方法
Jiang et al. On large action space in EV charging scheduling optimization
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
CN112865149A (zh) 一种基于代理商与区域分时电价的车网多时空互动方法
He et al. Expansion planning of electric vehicle charging stations considering the benefits of peak‐regulation frequency modulation
CN115907227A (zh) 一种高速公路固定与移动充电设施双层协同优化方法
CN113393109B (zh) 电动汽车充电负荷计算方法
Shen et al. Integrated optimization of electric vehicles charging location and allocation for valet charging service
CN113486504B (zh) 一种基于调度成本的电池管理控制方法
CN111651899A (zh) 考虑用户选择行为的换电站鲁棒选址定容方法和系统
CN115848196B (zh) 基于动态需求和新能源消纳的电动汽车有序充电引导方法
CN117220281A (zh) 一种电动汽车接入电网调节能力量化评估方法及系统

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