CN113013906A - 考虑电动汽车v2g模式下的光伏储能容量优化配置方法 - Google Patents

Abstract

本发明公开一种考虑电动汽车V2G参与下的光伏储能容量优化配置方法，包括：建立负荷预测模型，建立上层优化模型，决策变量为以电动汽车电价引导机制下的峰谷电价起始时刻和峰谷电价时长。以光伏储能系统和电动汽车用户成本最小为目标建立下层优化模型，决策变量为储能电池的容量、功率配置；优化上层优化模型，并将优化结果传递给下层优化模型以优化系统和电动汽车用户的成本，将下层的功率分配以及电动汽车充放电时长返回上层模型计算负荷曲线平均方差以平抑负荷曲线波动直至输出储能的最优配置结果。本发明考虑了电动汽车V2G电价引导模式下参与光伏储能容量优化配置的双目标优化模型，可以得到更加符合实际运行特性的储能容量配置方案。

Description

考虑电动汽车V2G模式下的光伏储能容量优化配置方法

技术领域

本发明涉及一种考虑电动汽车V2G模式下的光伏储能容量优化配置方法，涉及微电网储能容量配置调度优化技术，属于发电、变电或配电的技术领域。

背景技术

化石能源的消耗带来了剧烈的环境问题，全球气候变暖，严重影响了人们的日常生活，制约了经济的快速发展。微电网技术近年来发展迅速，在微网中，电化学储能已经是电力储能系统中发展较快的技术路线，具有广阔的市场前景。在光伏储能系统中，储能的合理配置是用户侧储能规划的重要环节，储能配置过大将会导致成本过高，削峰填谷的作用得不到发挥，而储能容量配置过少则会降低用户配置储能的经济效益。所以合理的配置对光储系统的经济性和运行性至关重要。

近年来随着电动汽车数量的持续增长，大规模电动汽车如果不加以约束直接接入电网充电，可能使系统负荷增大，给电网调度运行带来压力。在一个工业园区中，配备光伏储能系统，有固定数额的电动汽车，现考虑电动车私家车V2G模式下，参与园区光伏储能系统的配置。由于电动汽车采用的锂电池具有负荷和储能两种特性，可以考虑运用某种机制对电动汽车的充放电行为进行引导，使其在电网负荷低谷时，作为用电负荷充电，在电网负荷高峰时，作为分布式电源向电网运输电能，起到对电网负荷的“削峰填谷”的作用。

目前大部分的电动汽车具备了V2G技术，针对电动汽车接入电网，目前的研究只考虑了电动汽车接入电网对基础负荷进行调度，而在含光储系统的工业园区中电动汽车用户参与电力调度的情况鲜有研究成果。本发明考虑电动汽车参与园区光伏储能容量的优化配置，建立电动汽车电价引导机制来引导电动汽车用户有序的参与充放电行为，使削峰填谷效果达到最优，同时使光伏储能的容量优化配置更加合理。

本发明旨在通过建立考虑电动汽车V2G模式接入下的光储微网双层优化模型，使整体经济性和平抑负荷波动曲线效果达到综合最佳状态的储能配置方案。

发明内容

本发明的目的是针对现有储能配置方法中未考虑电动汽车V2G模式下参与调度的问题，提出一种电动汽车V2G模式接入下的微网储能电池容量优化配置，并以微网经济效益、电动汽车用户利益和平抑负荷曲线波动为目标函数的储能容量优化配置方法，可使园区的光伏储能容量优化配置在电动汽车V2G参与的模式下更加合理。

本发明为实现上述发明目的采用如下技术方案：

一种考虑电动汽车V2G参与下的光伏储能容量优化配置方法，包括如下步骤：

(1)对含光伏发电的微网历史运行数据进行分析，估计出光伏的典型日出力曲线和典型日负荷曲线。

(2)确定电动汽车负荷预测模型中日行驶里程、无序充放电起始时刻的概率密度函数，无序充放电时长，并对电动汽车有序充放电负荷预测模型进行建模，其中所述数学模型包括电动汽车有序充放电模型和电动汽车电价的峰谷时段优化模型。

(3)建立电动汽车峰谷电价时段模型，峰谷电价数学模型如式所示：

式中，pr_v，pr_p，pr_f分别为谷电价、峰电价和平电价，且pr_v＜pr_p＜pr_f；t_v1,t_v2分别为谷电价的开始和结束时刻，t_p1,t_p2分别为峰电价的开始和结束时刻，其余电价为平电价。

(4)建立园区内电动汽车的无序充放电模型，其中包括电动汽车充放电的起始时刻和电动汽车的充放电持续时长。

(5)根据步骤(4)建立电动汽车有序充放电模型。

5.1有序充电模型

假设电动汽车的日行驶里程不随峰谷电价政策改变，已知电动汽车i所需充电时长T_ch,i，为了降低充电费用，尽可能在谷电价时刻充电，响应谷峰电价的私家车的开始充电时刻为：

式中，t_ch,i.order为电动汽车i在峰谷电价模式下的开始充电时刻；Δt_v为谷电价持续时长。

5.2有序放电模型

已知电动汽车i所需要的放电时间为T_disch,i，为了尽可能在峰电价时刻放电以获得更多的放电利益。响应峰谷电价的电动汽车的开始放电时间为：

式中，t_{disch,i.order}为电动汽车i在峰谷电价模式下的开始放电时刻；Δt_p为峰电价持续时长。

(6)定义峰谷电价响应度为η，表示响应谷充峰放的电动汽车占总电动汽车数的比例。

(7)建立以平抑负荷曲线波动为目标的优化模型，考虑电动汽车V2G模式下的光伏储能容量优化配置，所述优化模型通过电价引导机制对电动汽车用户的充放电行为进行引导，使削峰填谷的效果达到最优，最大限度降低负荷曲线波动，使系统具有更高的安全性。该模型的目标函数为：

上式中，P_av(t)为园区内电网输送给负荷和储能电池功率的平均值，

P_buy.dmd(t)为从电网购电给负荷功率，

P_buy.charge(t)为电网购电给电池充电功率，

为各个时刻响应电动汽车负荷的叠加功率n_t为t时刻的响应车辆数。所述优化模型优化变量包括(t_v1,Δt_v,t_p1,Δt_p)、P_buy.charge(t)，约束条件包括电动汽车与电网交换功率约束、电网给负荷和电池的供电功率的约束以及有序模式下的峰谷电价起始时刻的约束和峰谷电价持续时间的约束。

(8)建立电动汽车V2G模式下的光伏储能系统电池容量和功率的配置模型，在满足容量和功率配置模型约束条件的前提下，对所述目标进行优化，以减小储能配置的总成本和电动汽车用户的成本。该模型的目标函数为：

其中，f₁是储能系统的成本目标函数，f₂是电动汽车用户成本的目标函数。其中，f₁中，G是系统运行的典型日获利部分，

是电池资产的折旧系数。P_PV.dmd(t)是光伏出力给负荷部分，P_discharge(t)是电池放电给负荷部分，Ce是分时电价，Ce(t)是t时刻电价，C_s是光伏上网价格，C_s(t)是t时刻光伏上网价格。S_max是储能的容量配置，

是储能的配置功率，C_c是储能的单位容量成本，C_p是储能的单位功率成本，d储能电池的放电深度，k为储能电池寿命的天数。f₂中，P_ev.ch(i,t_ch)，P_ev.disch(i,t_disch)分别为峰谷电价时段的汽车充放电功率，Pr(t)为电动汽车在t时间窗口的充放电电价，β为电池充放电的折旧系数。T_ch,i，T_disch,i分别为电动汽车峰谷时段的所需充放电时长。所述容量配置模型的优化变量包括P_discharge(t)、P_buy.charge(t)、P_PV.dmd(t)，P_PV.charge(t)、S_max、

T_ch,i、T_disch,i。约束条件包括电池容量约束、电池功率约束、电池充放电约束、网络平衡约束、电动汽车电量约束和电动汽车用户充放电时长约束。

(9)根据步骤(8)，将下层优化模型的两个目标函数进行归一化处理。

(10)储能配置的双层优化模型求解。

以(t_v1,Δt_v,t_p1,Δt_p)，P_buy.charge(t)为上层优化模型的变量和输入参数，利用遗传算法对上层优化模型进行寻优，得到最优综合指标下的最优峰谷电价起始时刻、最优峰谷电价时段以及优化后的电动汽车负荷曲线。将相关结果传递到下层优化模型中，采用粒子群算法求解下层优化模型得到电动汽车用户成本最小和系统典型日成本最小时的储能电池容量、电池充放电功率以及电动汽车的充放电时长，再反馈至上层优化模型重新计算平抑负荷曲线的波动。

本发明采用上述技术方案，具有以下有益效果：通过建立电动汽车的电价引导机制来引导用户用电行为，将电动汽车V2G参与电网考虑在内，建立双层优化模型得到更加符合实际运行特征的光伏储能容量配置方案，实现系统运行、用户经济性的最大化和负荷曲线波动的最小化。

附图说明

图1是本发明研究的某工业园区内电动汽车无序充放电模式下的充放电功率叠加值。

图2是本发明的微网功率流向图。

图3是本发明的储能双层优化配置流程图。

具体实施方式

为了使本发明更好的被理解，下面将结合本发明实例中的附图对本发明的技术方案进行清楚、完整的描述。

本发明实例中，提供了一种考虑电动汽车V2G模式下的光伏储能容量的双层优化配置方案，具体包括以下几个步骤。

步骤1：对光伏出力和负荷运行历史数据进行分析，估计出光伏和负荷典型日出力曲线。

先将光伏发电系统和日负荷的历史年运行数据按照春、夏、秋、冬四季进行分类，结合历史天气数据再分为晴天、多云、阴天和雨(雪)天气四种情况，对16类数据分别做均值化处理，得到16个典型日的光伏出力曲线和日负荷曲线，每个典型日的时序按照0:00-23:00、单位时段为1小时来划分，某应用实例的冬季晴天场景下的典型日光伏出力P_PV(t)，典型日负荷P_dmd(t)。这样，可以将全年光伏出力、负荷和分时电价等数据转化为典型日的平均数据。

步骤2：建立电动汽车V2G模式下峰谷电价模型。

峰谷分时电价是引导用户用电行为的有效措施，能改变原有的负荷曲线，实现削峰填谷、保障供电可靠性。峰谷电价数学模型如式所示：

式(1)中，pr_v，pr_p，pr_f分别为谷电价、峰电价和平电价，且p_v＜p_p＜p_f；t_v1,t_v2分别为谷电价的开始和结束时刻，t_p1,t_p2分别为峰电价开始于结束时刻，其余电价为平电价。

步骤3:根据步骤2建立起电动汽车有序充放电的起始时刻模型。

1)有序充电模型

假设电动汽车的日行驶里程不随峰谷电价政策改变，已知电动汽车i所需充电时长

C_battery,i为电动汽车的车载电池容量，kWh。P_ch,i为其充电功率，kW。

为了降低充电费用，尽可能在谷电价时刻充电，响应谷峰电价的电动汽车的开始充电时间为：

式(2)中，t_ch,i.order为电动汽车i在峰谷电价模式下的开始充电时刻；Δt_v为谷电价持续时长。

2)有序放电模型

已知电动汽车i所需要的放电时间为

D_i为电动汽车i的日行驶里程；Q_i为每千米电耗量；P_disch,i为放电功率。考虑到充放电深度、电池寿命和损耗等因素，设置车载电池可用荷电状态(State of Charge，SOC)为10％～90％，SOC低于10％停止放电。

为了尽可能在峰电价时刻放电以获得更多的放电利益。响应峰谷电价的车的开始放电时间为：

式(3)中，t_{disch,i.order}为电动汽车i在峰谷电价模式下的开始放电时刻；Δt_p为峰电价持续时长。

因为只有部分电动汽车响应峰谷电价充电模型，其余部分服从无序充放电模型，根据假设，得到无序模式下的电动汽车充电开始时刻的概率密度函数和放电开始时刻的概率密度函数：

3)无序模式充电模型

根据NHTS，无序模式下电动汽车最后一次出行返回时刻服从分段正态分布，我们得到如式(4)所示无序模式下充电开始时刻的概率密度函数：

上式(4)中，t_ch为充电开始时刻，μ_ch为充电开始时刻的期望值，μ_ch＝17.6；σ_ch为充电时刻的标准差，σ_ch＝3.4。

4)无序模式放电模型

假设电动汽车车主早上9：00到达单位，下午17：00离开单位，即放电开始时刻为9：00到17：00.并且假设在无序模式下，电动汽车在单位期间每个时刻的放电概率相同。因此得到的放电概率密度函数为：

式(5)中，t_disch为放电开始时刻，

步骤4：建立电动汽车日行驶里程概率密度函数和电动汽车荷电起始状态的SOC概率模型

根据NHTS对家用车辆的调查结果，电动汽车的日行驶里程近似服从对数正态分布，其概率密度函数如式所示：

式(6)中，D为电动汽车日行驶里程，km；μ_D为日行驶里程期望值，μ_D＝3.20；σ_D为日行驶里程标准差，σ_D＝0.88。

电动汽车荷电起始状态的SOC概率模型，即SOC～N(μ₀,σ₀ ²)，其概率密度分布函数为：

式(7)中，μ₀＝0.6，σ₀＝0.2。

步骤5：定义峰谷电价响应度为η，表示在谷充峰放的电动汽车占总电动汽车数的比例。计算公式如式所示：

式(8)中，n为响应峰谷电价的电动汽车数量；N为研究区域内的电动汽车总数量。

步骤6：在电动汽车日行驶里程、出行时刻、起始荷电状态、峰谷电价响应度等已知的情况下，运用蒙特卡洛模拟法进行模拟，得出无序充放电模式下的电动汽车负荷曲线，作为初始值带入上层优化模型。

步骤7：设定遗传算法、粒子群算法的相关参数，初始化种群，包括峰谷电价起始时间t_v1、t_p1，峰谷电价时长Δt_v、Δt_p，电池容量与功率S_max、

储能电池放电功率P_discharge(t)，电网购电给电池充电功率P_buy.charge(t)，电网购电给负荷功率P_buy.dmd(t)，光伏给电池充电功率P_PV.charge(t)，T_ch,i，T_disch,i。设置最大的进化次数。

步骤8：建立储能容量配置的上层优化模型

建立以平抑负荷曲线波动为目标的优化模型，考虑电动汽车V2G模式下的光伏储能容量配置，所述优化模型通过电价引导机制对电动汽车用户的充放电行为进行引导，使削峰填谷的效果达到最优，最大限度降低负荷曲线波动，使系统具有更高的安全性。该模型的目标函数为：

P_av(t)为园区内电网输送给负荷和储能电池功率的平均值，

P_buy.dmd(t)为从电网购电给负荷功率，

P_buy.charge(t)为电网购电给电池充电功率，

为每个时刻响应的电动汽车功率的叠加值。n_t为t时刻的响应车辆数。

上层优化模型的约束条件包括：(1)电网给电池的供电功率的约束；(2)有序模式下的电动汽车起始充放电时刻的约束与峰谷价格时段的约束。

(1)电网给电池的供电功率的约束

(2)有序充电模式下的峰谷电价起始时刻约束与峰谷价格时段的约束设定电动汽车谷电价起始时刻的区间为9～14点，峰电价的起始时刻为15～19点，则

步骤9：建立储能容量配置的下层优化模型。

建立电动汽车V2G模式下的光伏储能系统电池容量和功率的配置模型，在满足容量和功率配置模型约束条件的前提下，对所述目标进行优化，以减小储能配置的总成本和电动汽车用户的成本。该模型的目标函数为：

其中，f₁是储能系统的成本目标函数，f₂是电动汽车用户成本的目标函数。f₁中，G是系统运行的典型日获利部分，

Ce是分时电价，Ce(t)是t时刻电价。S_max是储能的容量配置，

是储能电池的配置功率，C_c是储能的单位容量成本，C_p是储能的单位功率成本，d储能电池的放电深度，

是电池资产的折旧系数，k为储能电池寿命的天数，r为折现率。f₂中，Pr(t)为电动汽车在t时间窗口的充放电电价，β为电池充放电的折旧系数。T_ch,i，T_disch,i分别为电动汽车所需充放电时长。

下层优化模型的约束条件包括：(1)等式约束(2)储能电池功率约束；

(3)储能电池容量约束；(4)电动汽车电量约束和电动汽车用户充放电时长约束。(5)购电功率约束

(1)等式约束

P_PV(t)＝P_PV.dmd(t)+P_PV.charge(t) (14)

P_dmd(t)＝P_PV.dmd(t)+P_buy.dmd(t)+P_discharge(t)+P_ev.dis(t) (15)

(2)储能电池功率约束

储能电池充放电功率约束

P_charge(t)＝P_buy.charge(t)+P_PV.charge(t) (17)

由图的功率流向关系可得不等式约束：

(3)储能电池容量约束

S(t)＝S(t-1)+η_c×(P_PV.charge(t)+P_buy.charge(t))-P_discharge(t)/η_d (20)

η_c，η_d分别为储能电池充放电效率。

储能电池的容量始终在额定的范围内：

0≤S(t)≤S_max (21)

(4)电动汽车电量约束和电动汽车用户充放电时长约束

1)电动汽车电池容量约束：

考虑到充放电深度、电池寿命和损耗等因素，设置车载电池可用荷电状态为30％～90％，SOC低于30％停止放电。

SOC_min≤SOC_i(t)≤SOC_max (22)

2)电动汽车用户充放电时间约束：

(4)购电功率约束

步骤10：求解上层优化模型。

以电动汽车电价引导模式下的峰谷电价起始时刻和峰谷电价持续时长为上层优化模型的变量和输入参数，在先使用蒙特卡洛方法对电动汽车负荷进行预测之后，得到典型日各个时刻电动汽车负荷预测叠加值，将预测结果带入上层优化模型，利用遗传算法对上层优化模型进行寻优，得到最优综合指标下的最优峰谷电价起始时刻、最优峰谷电价时段，将相关结果传递到下层优化模型中。

步骤11：求解下层优化模型。

采用粒子群算法求解下层优化模型得到系统典型日成本最小和电动汽车用户成本最小的电池容量、电池充放电功率以及电动汽车的充放电时长，再反馈至上层优化模型重新运用蒙特卡洛方法进行模拟电动汽车负荷值，代入上层优化模型计算平抑负荷曲线的波动。若迭代次数为达到限定值，返回步骤10，否则输出储能的容量配置和运行参数优化结果。

Claims (6)

1.一种考虑电动汽车V2G模式接入下的光伏储能容量优化配置方法，其特征在于，包括如下步骤：

步骤1：建立以平抑电网负荷波动为目标的上层优化模型，所述上层优化模型包含电动汽车峰谷电价引导机制下的电动汽车负荷预测模型，并包括峰谷电价的起始时刻的约束和峰谷电价时长的约束；

步骤2：建立光伏储能系统日成本最小和电动汽车用户日成本最小的下层优化模型；

步骤3：以峰谷电价起始时刻和峰谷电价时长为上层优化模型的决策变量，在先使用蒙特卡洛方法对电动汽车无序充放电模型负荷进行预测之后，得到电动汽车日负荷曲线，带入上层优化模型，利用遗传算法对上层优化模型进行寻优，得到最优综合指标下的最优峰谷电价起始时刻、最优峰谷电价时段；

步骤4：将上层优化模型的输出传递到下层优化模型中；采用粒子群算法求解下层优化模型得到电动汽车用户成本最小和系统典型日成本最小时的电池容量、电池充放电功率以及电动汽车的充放电时长，再反馈至上层优化模型进行更新后进入迭代优化过程；

步骤5：迭代过程结束后，输出最佳的储能容量优化配置和功率配置，最佳的微网功率分配策略以及最佳的峰谷电价起始时刻、峰谷电价时长，电动汽车充放电时长。

2.根据权利要求1所述一种考虑电动汽车V2G模式下的光伏储能容量优化配置方法，其特征在于，步骤1中建立电动汽车峰谷电价引导机制下的电动汽车负荷预测模型包括如下步骤：

步骤1.1：建立电动汽车V2G模式下峰谷电价模型；

其中，pr_v，pr_p，pr_f分别为谷电价、峰电价和平电价，且p_v＜p_p＜p_f；t_v1,t_v2分别为谷电价的开始和结束时刻，t_p1,t_p2分别为峰电价开始于结束时刻，其余电价为平电价；

步骤1.2：建立电动汽车有序充放电的起始时刻模型；

1)假设电动汽车的日行驶里程不随峰谷电价政策改变，已知电动汽车i所需充电时长

其中，C_battery,i为电动汽车的车载电池容量，P_ch,i为其充电功率则响应谷峰电价的电动汽车的开始充电时间为：

其中，t_ch,i.order为电动汽车i在峰谷电价模式下的开始充电时刻；Δt_v为谷电价持续时长；

2)已知电动汽车i所需要的放电时间为

其中，D_i为电动汽车i的日行驶里程；Q_i为每千米电耗量；P_disch,i为放电功率；

则响应峰谷电价的电动汽车的开始放电时间为：

其中，t_{disch,i.order}为电动汽车i在峰谷电价模式下的开始放电时刻；Δt_p为峰电价持续时长；

步骤1.3：建立电动汽车无序充放电的起始时刻模型；

1)充电开始时刻的概率密度函数为：

其中，t_ch为充电开始时刻，μ_ch为充电开始时刻的期望值；σ_ch为充电时刻的标准差；

2)假设电动汽车车主早上9：00到达单位，下午17：00离开单位，即放电开始时刻为9：00到17：00，并且假设在无序模式下，电动汽车在单位期间每个时刻的放电概率相同，则放电概率密度函数为：

其中，t_disch为放电开始时刻；

步骤1.4：建立电动汽车日行驶里程概率密度函数和电动汽车荷电起始状态的SOC概率模型；

1)概率密度函数为：

其中，D为电动汽车日行驶里程；μ_D为日行驶里程期望值；σ_D为日行驶里程标准差；

2)SOC概率模型为：

步骤1.5：定义峰谷电价响应度为η，表示在谷充峰放的电动汽车占总电动汽车数的比例；

步骤1.6：将峰谷电价起始时刻和峰谷电价时长作为优化变量，由蒙特卡洛方法模拟出典型日电动汽车负荷。

3.根据权利要求2所述一种考虑电动汽车V2G模式下的光伏储能容量优化配置方法，其特征在于，所述上层优化模型的目标函数为：

其中，P_av(t)为园区内电网输送给负荷和储能电池功率的平均值，

P_buy.dmd(t)为从电网购电给负荷功率，P_buy.charge(t)为电网购电给电池充电功率，

为每个时刻响应的电动汽车功率的叠加值，n_t为t时刻的响应车辆数。

4.根据权利要求3所述一种考虑电动汽车V2G模式下的光伏储能容量优化配置方法，其特征在于，所述上层优化模型的约束条件包括：

(1)电网给电池的供电功率的约束；

是储能系统的配置功率；

(2)有序模式下的电动汽车起始充放电时刻的约束与峰谷价格时段的约束；

设定电动汽车谷电价起始时刻的区间为9～14点，峰电价的起始时刻为15～19点，则

5.根据权利要求1所述一种考虑电动汽车V2G模式下的光伏储能容量优化配置方法，其特征在于，所述下层优化模型为：

其中，f₁是储能系统的成本目标函数，f₂是电动汽车用户成本的目标函数；f₁中，G是系统运行的典型日获利部分，

P_PV.dmd(t)是光伏出力给负荷部分，P_discharge(t)是电池放电给负荷部分，Ce是分时电价，Ce(t)是t时刻电价；S_max是储能系统的容量配置，

是储能系统的配置功率，C_c是储能系统的单位容量成本，C_p是储能系统的单位功率成本，d储能电池的放电深度；

是电池资产的折旧系数，r为折旧率，k为储能电池寿命的天数；f₂中，Pr(t)为电动汽车在t时间窗口的充放电电价，β为电池充放电的折旧系数；T_ch,i，T_disch,i分别为电动汽车所需充放电时长。

6.根据权利要求5所述一种考虑电动汽车V2G模式下的光伏储能容量优化配置方法，其特征在于，下层优化模型的约束条件包括：

(1)等式约束；

P_PV(t)＝P_PV.dmd(t)+P_PV.charge(t)

P_dmd(t)＝P_PV.dmd(t)+P_buy.dmd(t)+P_discharge(t)+P_ev.dis(t)

(2)储能电池功率约束；

储能电池充放电功率约束：

P_charge(t)＝P_buy.charge(t)+P_PV.charge(t)

由功率流向关系可得不等式约束：

(3)储能电池容量约束

S(t)＝S(t-1)+η_c×(P_PV.charge(t)+P_buy.charge(t))-P_discharge(t)/η_d

η_c，η_d为储能电池的充放电效率；

储能电池的容量始终在额定的范围内：

0≤S(t)≤S_max；

(4)电动汽车电量约束和电动汽车用户充放电时长约束；

1)电动汽车电池容量约束：

考虑到充放电深度、电池寿命和损耗，设置车载电池可用荷电状态为30％～90％，SOC低于30％停止放电；

SOC_min≤SOC_i(t)≤SOC_max；

2)电动汽车用户充放电时间约束：

(5)购电功率约束

Images