CN113067355A - 提升电网可靠性的电动汽车灵活性挖掘与协同调控方法 - Google Patents

Abstract

本发明公开了一种提升电网可靠性的电动汽车灵活性挖掘与协同调控方法，该方法能够充分挖掘区域化电动汽车响应灵活性潜力，并以此为依据制定充放电策略减轻电动汽车接入对该区域配电网可靠性的影响。该方法主要将入网车辆响应过程分解为不同响应模式的组合，根据不同集群所处的响应状态变化建立配电网单一时间尺度响应能力模型；针对不同响应模式充分考虑各种差异化场景的完备性，将单一时间尺度响应能力模型扩展为连续时间尺度响应能力模型；基于电动汽车响应灵活性约束对电动汽车充放电时段进行逐步寻优，以将配电网可靠性计算程序嵌入到遗传算法迭代过程的方法完成调控。可有效用于后续减轻电动汽车大规模接入对配电网可靠性造成的不良影响。

Description

提升电网可靠性的电动汽车灵活性挖掘与协同调控方法

技术领域

本发明涉及电动汽车与智能电网交互领域，具体地说，是涉及一种提升电网可靠性的电动汽车灵活性挖掘与协同调控方法。

背景技术

近年来，全球为减缓能源危机和环境污染日益严重问题所带来的影响，形成电为中心的能源消费格局。作为“以电代油”潜力最大的应用领域，电动汽车相较于传统燃油车具有节能和清洁排放等优点，在世界范围内得到了广泛的采用。由于电动汽车的移动储能特性，其集群充电负荷具有极大时空不确定性且难以预测。这种随机负荷接入规模的不断增大使电网面临负荷不确定下调控风险，特别当系统出现局部故障时，这种风险可能被电动汽车无序充电进一步放大，造成系统可靠性下降。

尽管如此，电动汽车与电网之间的相互作用促进了电动汽车能够提供更灵活的能源储备潜力，其作为一种移动储能资源通过充放电可与电网进行双向功率交互，理论上有效调控可为电力系统可靠性提升提供一定潜在价值。现有的大多数涉及电动汽车调控的研究主要集中于以配网及用户侧经济性和调频调压等为目标进行充放电的合理优化，较少考虑充放电调控对系统可靠性影响。更多地，这些研究进行优化调控前未涉及考虑用户出行与交通特性交互的灵活性精准评估，这将容易导致调控中出现越限等问题。可见，现有对电动汽车充放电的调控方法已不能应对未来大规模电动汽车接入电网的态势，更无法实现减轻电动汽车接入对系统可靠性影响的目标。

发明内容

本发明的目的在于提供一种提升电网可靠性的电动汽车灵活性挖掘与协同调控方法，该方法能够充分挖掘区域化电动汽车响应灵活性潜力，并以此为依据制定充放电策略减轻电动汽车接入对该区域配电网可靠性的影响。

为实现上述目的，本发明采用的技术方案如下：

一种提升电网可靠性的电动汽车灵活性挖掘与协同调控方法，包括如下步骤：

(S1)构建交通-电力耦合系统，建立用户特征状态参数，得出电动汽车出行充电特性，并对充电负荷时空分布进行有效分析模拟；

(S2)根据出行充电特性构建电动汽车荷电状态裕度和响应时间裕度两种可控响应裕度指标，将其划分为放电集群、中间集群、充电集群三类集群；

(S3)将入网车辆响应过程分解为不同响应模式的组合，根据不同集群所处的响应状态变化建立配电网单一时间尺度响应能力模型；

(S4)针对不同响应模式结合及其对应的评估时段的不同场景，将单一时间尺度响应能力模型扩展为连续时间尺度响应能力模型；

(S5)根据电动汽车响应灵活性约束对电动汽车充放电时段进行逐步寻优，以将配电网可靠性计算程序嵌入到遗传算法迭代过程的方法完成调控，对优化调控前后的配电网可靠性指标进行模拟计算。

进一步地，所述交通-电力耦合系统的构建包括：

(S10)采用图论和等效道路长度下行驶速度模型来反映交通拓扑和车流情况；

(S11)分别提取同一城市区域的交通网拓扑与配电网拓扑，将两者进行耦合并实现地理信息交互；

(S12)以用户出行链模型获取出行起止点，利用最短路径算法得到用户出行最优选择路径。

进一步地，所述用户特征状态参数包括：

电动汽车用户的出行特征，包括出行起止点，出行路径，停靠点以及受道路影响下的行驶速度；

电动汽车的电量特征，包括初始荷电状态，充电功率及效率，单位行驶里程耗电量以及用户充电时电量；

电动汽车用户时间特征，包括始发时间，行驶时长，充电时长以及停车时长。

进一步地，所述充电负荷时空分布的模拟采用蒙特卡洛法进行分析计算，根据交通网-配电网节点耦合对应关系，将每辆电动汽车在充电站的充电负荷记录进行储存并折算至配电网节点。

进一步地，所述响应模式包括：

模式A:电动汽车状态转变可表示为空闲状态→充电状态，该响应模式执行过程中电动汽车属于充电集群；

模式B:电动汽车状态转变可表示为放电状态→空闲状态，该响应模式的执行是由放电集群向中间集群的转化；

模式C:电动汽车状态转变可表示为空闲状态→放电状态，该响应模式执行过程中电动汽车属于放电集群；

模式D：电动汽车状态转变可表示为充电状态→空闲状态，该响应模式执行是由充电集群向中间集群的转化。

进一步地，所述配电网可靠性指标计算公式为：

I_SAIDI＝λ_F(α₁T₁+α₂T₂+α₃T₃)

I_EENS＝I_SAIDIP_L

P_L＝P_base+P_EV

其中，I_SAID为系统平均停电时间，I_EENS为系统期望缺供电量，I_RS-3为系统供电可靠率，λ_F为馈线的总故障率；T1为区域间故障锁定加上隔离时间，T2为T1加上故障转供时间，T₃为区域间和区域内故障锁定时间之和再加上故障元件修复时间；P_L为馈线的总负荷，包括居民基础负荷P_base与电动汽车充电集群所需功率P_EV；α₁、α₂和α₃分别表示并入电动汽车充电集群后用户的分布系数，表示当馈线发生故障时3类用户的比例关系，且α₁+α₂+α₃＝1。

进一步地，所述电动汽车充放电时段进行逐步寻优包括如下步骤：

步骤1：输入电动汽车参数、种群终止进化代数maxgen、种群规模sizepop、杂交概率pcross、变异概率pmutation，以t_ch、t_di作为优化决策变量，通过下式制定t_ch、t_di的界约束矩阵N_bound，即每辆电动汽车充电时间与放电时间不得小于其入网时刻且不能超过最晚约束时刻；即：

其中，

为第i辆电动汽车入网时间，

分别表示第i辆电动汽车开始充电时刻与开始放电时刻；

步骤2：种群初始化开始，给定所有种群随机初始赋值，得到染色体群t_ch、t_di，即初始充/放电开始时间；从所有种群中寻找出适应度最小的染色体作为当前最优解bestton，此时目标函数为bestfit；

步骤3：开始进化，随机选择两个染色体作为交叉父代，并用随机数与杂交概率比较，决定是否交叉；若满足条件，则随机选择交叉位置并开始交叉；产生的个体经界约束矩阵N_bound检验；若满足界约束，则可认为该后代可行，否则重新开始进化，达到设定的种群规模后结束；

步骤4：检查各配电网节点电动汽车运行方式是否超过自身最大调控裕度容量，即是否满足约束

若超过，则按下式：

取得调控裕度最大时的充放电运行方式作为该次进化后代进行后续优化计算，此时电动汽车得到最大限度放电和延迟充电；

步骤5：利用第j组解重新计算电动汽车充电集群负荷矩阵

和“虚拟电厂”放电功率矩阵

将电动汽车充电集群与参与放电集群响应矩阵替换为

与

并重新进行以第j组解为优化结果的电动汽车接入下可靠性计算；

步骤6：判断j是否达到种群规模数；若达到，则选择目标函数最小的染色体作为下一代个体newbestton，此时目标函数为newbestfit；若不满足，则j＝j+1并返回步骤5；

步骤7：判断bestfit与newbestfit大小关系；若bestfit>newbestfit，则将newbestfit与newbestton的值赋予bestfit与bestton；

步骤8：判断是否达到终止进化代数；若是，则输出适应度最小的染色体bestton；否则返回步骤2；

步骤9：判断所有配电网节点在该次优化中输出的目标函数值与上一次优化输出的目标函数值之差是否小于规定的误差e；若是，则输出所有配电网节点充放电优化解；否则更新所有停靠电动汽车的响应时间裕度与荷电状态裕度并重新确定当前可调控裕度下各电动汽车所属集群，之后开始以下一个配电网节点为单位的优化。

与现有技术相比，本发明具有以下有益效果：

本发明根据刻画的用户在交通路网中的出行及充电特性，对电动汽车充电负荷时空分布进行有效分析模拟；依据用户出行充电特性，构建分别从时序和能量角度反映电动汽车可控响应裕度的两种指标，考虑车辆之间的实时响应能力差异性将其划分为三类集群；将入网车辆响应过程分解为不同响应模式的组合，根据不同集群所处的响应状态变化建立配电网单一时间尺度响应能力模型；针对不同响应模式充分考虑各种差异化场景的完备性，将单一时间尺度响应能力模型扩展为连续时间尺度响应能力模型；基于电动汽车响应灵活性约束对电动汽车充放电时段进行逐步寻优，以将配电网可靠性计算程序嵌入到遗传算法迭代过程的方法完成调控。本发明可有效用于后续减轻电动汽车大规模接入对配电网可靠性造成的不良影响。

附图说明

图1为本发明方法的流程图。

图2为本发明-实施例中充电负荷仿真计算流程图。

图3为本发明-实施例中不同集群下单体电动汽车调控灵活性。

图4为本发明-实施例中电动汽车集群响应模式动态变化示意图。

图5为本发明-实施例中不同场景下的4种响应模式的响应能力。

图6为本发明-实施例中电动汽车接入下配电网可靠性评估流程图。

图7为本发明-实施例中GA对集群EV充放电寻优流程图。

具体实施方式

下面结合附图说明和实施例对本发明作进一步说明，本发明的方式包括但不仅限于以下实施例。

实施例

如图1所示，本发明公开的一种提升电网可靠性的电动汽车灵活性挖掘与协同调控方法，该方法能够充分挖掘区域化电动汽车响应灵活性潜力，并以此为依据制定充放电策略减轻电动汽车接入对该区域配电网可靠性的影响。

该方法需要构建交通-电力耦合系统，该系统采用图论和等效道路长度下行驶速度模型来反映交通拓扑和车流情况。以G＝(V,E)表示交通网拓扑，V代表顶点集{1,2,...,N}，E代表连接边集。D(G)为N*N对称矩阵，表示各个顶点之间的道路长度。分别提取同一城市区域的交通网拓扑G＝(V,E)与配电网拓扑P＝(N,L)，将两者进行耦合并实现地理信息交互。其中，N和L分别表示配电网节点集合与配电网线路集合；在生成D矩阵后，从用户出行链模型获取出行起止点，利用最短路径算法即可得到任意两个顶点之间的最短距离，将其作为用户出行最优选择路径。

对于等效道路长度下行驶速度模型，在实际的交通网络中，道路往往存在拥堵情况影响着车流的运行。因此，本文引入道路等级和道路拥堵系数将道路交通网转化为考虑车流拥堵因素下的道路拓扑，具体等效道路长度计算如下：

L_ij＝d_ij(θ₁+θ₂r_ij+θ₃y_ij)

其中，L_ij表示节点i与j之间的等效道路长度；r_ij表示节点i与j之间的道路等级指数，其值为1、2、3、4分别表示道路为快速路、主干道、次主干道和支路；y_ij表示节点i与j之间的拥堵系数，其值越大表示道路越拥堵；t_ij表示节点i与j之间的行驶时长；v表示车辆行驶的平均速度；θ₁、θ₂和θ₃分别表示计算等效道路长度时道路实际长度、道路等级和道路拥堵系数的权重，θ₁+θ₂+θ₃＝1。

对于用户出行链模型：住宅区一般为大多数用户一天当中的出行始发地，可记为H，而办公区和娱乐区则作为主要的出行目的地，分别记为W和C。用户最常见的三种基本出行链结构为住宅区与办公区之间的往返(H€W)，记为出行链1；住宅区与娱乐区之间的往返(H€C)，记为出行链2；住宅区、办公区与娱乐区三者之间的往返(H€W€C)，记为出行链3。在t时刻，居民区a的电动汽车EV出行量

为

其中，a＝1，2，3...A，A为居民区的总数量；λ₀为该区域EV保有率；N_a代表居民区a的车辆数(包括燃油机车和电动汽车)；

代表t时刻居民区a车辆数变化率的绝对值。

出行链1、2、3在t时刻由居民区a出发前往工作区b、商业区h及经工作区b前往商业区h的EV数量分别为

其中，b＝1，2，3...B，B为工作区数量；λ₁为出行链1在总出行链中所占比例；λ_ab表示由居民区a出发前往工作区b的EV数量在出行链1中所占比例。h＝1，2，3...H，H为工作区数量；λ₂为出行链2在总出行链中所占比例；λ_ah表示由居民区a出发前往商业区h的电动汽车数量在出行链2中所占比例。λ₃为出行链3在总出行链中所占比例；λ_bh表示由工作区b出发前往商业区h的电动汽车数量在出行链3中所占比例。

在构建好交通-电力耦合系统基础之上，建立用户特征状态参数，得出电动汽车出行充电特性，并对充电负荷时空分布进行有效分析模拟。

用户特征参数包含三个特征：第一是电动汽车用户的出行特征，主要包括出行起止点，出行路径，停靠点以及受道路影响下的行驶速度等；第二是电动汽车用户的电量特征，包括初始荷电状态，充电功率及效率，单位行驶里程耗电量以及用户充电时电量等；第三是电动汽车用户时间特征，包括始发时间，行驶时长，充电时长以及停车时长等。具体如下表1所示：

表1

具体地，用户出行特征参数包括：设

表示EV_i上一个停靠点，且EV_i到达交通节点Mⁱ的时刻为t。此时EV_i对剩余电量所能支撑的续航里程进行判断，若剩余电量无法支撑用户到达下一个交通节点，EV_i在Mⁱ停靠并充电至能够支撑EV到达目的地的电量，

可由下式判别。

其中，

表示交通节点Mⁱ与将要行驶至的下一个交通节点(M+1)ⁱ间距离；其中，

并不是对交通节点进行大小比较，而表示EV_i相较于Mⁱ先到达

反之则后达到

对于用户电量特征参数：设每辆EV返回居民区出发地后开始充电直至满电量状态，以保证下一次出行要求。在本实施例中，假设EV耗电量随行驶里程线性增加，且EV_i每到达一个交通节点进行一次荷电量采样则

可由计算式

计算得到，其中

表示上一次荷电量采样值，ΔL表示两次采样间EV_i行驶的里程。

对于用户时间特征参数包括：EV_i到达行驶路径中第M个交通节点时刻

可由下式计算得到，其中

为EV_i到达上一个交通节点的时刻。

其中，

为第M个交通节点与第M-1个交通节点之间的等效道路长度；N为EV_i在完成一次出行链过程中需要停靠的总次数。

假设EV_i在t时刻进行第n次停靠充电，EV_i在第n次停靠中充电时长

可由下式计算得到。

其中，

表示EV_i在第n次停靠后到达目的地Dⁱ需要的荷电量。

在充电负荷时空分布的模拟中时，如图2所示，本方法采用蒙特卡洛法进行分析计算，根据交通网-配电网节点耦合对应关系，将每辆电动汽车在充电站的充电负荷记录储存于矩阵当中并折算至配电网节点。在t时刻配电网节点a总充电负荷为此时通过a入网的电动汽车充电功率叠加

其中，P_a(t)表示t时刻配电网节点a总充电负荷,

表示t时刻经配电网节点a入网的第i辆电动汽车充电功率。

每当进行一次蒙特卡洛仿真过程后，将各节点充电负荷储存于矩阵L中，当达到设置的最大仿真次数后(本文设置最大仿真次数为500)停止运行，将每次仿真得到的各时刻节点充电负荷分别求取平均值，则t时刻节点a的充电负荷平均值可表示为

在t时刻测试区域的整体充电负荷

为该时刻所有配电网节点各自平均充电负荷曲线的叠加

其中，N_a表示该测试区域配电网节点总数。

(S2)根据出行充电特性构建电动汽车荷电状态裕度和响应时间裕度两种可控响应裕度指标，荷电状态裕度(SOCM)和响应时间裕度(RTM)分别从能量与时序两方面共同描述单体EV最大响应能力，其中，RTM包括放电RTM与延迟充电RTM。

SOCM与电动汽车荷电状态直接相关。当荷电状态大于10％的电动汽车停靠后具有放电能力，则EV_i在t时刻的SOCM计算如下：

其中，Cap_i表示EV_i的电池容量。

所述响应时间裕度RTM分为RTM1与RTM2。前者表示单体EV能够以稳定功率持续向电网放电的时段长度，后者表示有充电需求的EV能够持续延迟充电的时段长度。t时刻EV_i在交通节点M进行第n次停靠

其中，

与

分别表示t时刻EV_i的RTM1和RTM2；

表示EV_i在交通节点M的放电总电量(若EV_i满足放电要求)。

表示EV_i的放电功率。

之后，根据电动汽车实时响应能力的差异性将其划分为响应能力互异的三类集群，如图3所示。当

且

时，EV_i在t时刻处于放电集群。此时EV_i可向电网提供功率支持，响应功率为

可持续响应时间为

当

且

时，EV_i在t时刻处于中间集群。此时EV_i无法向电网提供功率支持，但可通过延迟充电的方式参与响应，响应功率为0，可持续响应时间为

当

且

时，EV_i在t时刻处于充电集群。为满足用户出行需求，此时EV_i需进行充电功率为

的充电，对优化调控无法响应。

入网车辆响应过程分解为不同响应模式的组合：

响应模式A代表的EV_i状态转变可表示为空闲状态→充电状态，该响应模式执行过程中EV_i属于充电集群，因此对电网侧无任何响应能力，仅仅充电保证用户顺利出行。

响应模式B代表的EV_i状态转变可表示为放电状态→空闲状态，该响应模式的执行是由放电集群向中间集群的转化，因此对电网的响应方式由反向供电转变为了暂缓充电，但还未触碰强制充电时刻。

响应模式C代表的EV_i状态转变可表示为空闲状态→放电状态，该响应模式执行过程中EV_i属于放电集群，因此对电网的响应方式由暂缓充电转变为了反向供电。

响应模式D代表的EV_i状态转变可表示为充电状态→空闲状态，该响应模式的执行是由充电集群向中间集群的转化，因此对电网的响应由无任何响应能力转变为暂缓充电。

在t时刻EV_i的充电/放电状态γ(t)可表示为：

其中，γ(t)值为1、0、-1分别表示EV_i的放电状态、空闲状态和充电状态；n_access表示入网的电动汽车数量；

与

分别表示EV_i的入网时刻和离网时刻；t_min表示EV_i的最晚强制充电时刻。

在上述4种响应模式下电动汽车EV_i接入充电站CS_j的状态如下式所示。

其中，P_i ¹(t)、P_i ²(t)、P_i ³(t)和P_i ⁴(t)分别表示EV_i在t时刻响应模式A、B、C和D下响应功率。因此，单个充电站节点CS_j在t时刻的响应能力P_j(t)为此刻经充电站CS_j入网集群的电动汽车响应功率叠加：

其中，

表示t时刻经充电站节点j入网的电动汽车总数量。

如图4所示，电动汽车根据不同集群所处的响应状态变化建立配电网单一时间尺度响应能力模型，在该模型中，t时刻经充电站节点CS_j入网的电动汽车EV_i所处状态又可分为三种：放电状态、空闲状态和充电状态。当配电网主体侧对EV_i实施调控产生灵活性需求响应的过程中，响应过程可被分解为4种各响应模式的组合，分别简要地被描述为模式A、B、C和D。当EV_i采用某种响应模式时，其所处状态将会发生相应改变。

针对评估时段内不同场景下的4种响应模式更新变化进行简要描述，其差异性组合将对配电网节点连续时间尺度响应灵活性产生不容忽视的影响。对于响应模式C，单体电动汽车在评估时段ΔT(ΔT＝[nT,(n+1)T]内的响应能力如图5所示。在评估时段ΔT内，当所属放电集群的电动汽车EV_i进行灵活性需求响应时，相应的响应功率相当于放电功率P_i ^d。对于响应模式D，当中间集群中的电动汽车EV_i在评估时段ΔT内产生灵活性需求响应时，相应的响应功率为0。计算在评估时段内以响应模式A和响应模式B运行的单体电动汽车响应能力的方法与上述类似，在此以响应模式C为例，描述放电集群电动汽车在评估时段ΔT期间参与灵活性需求响应的几种不同情景。M、N、I、J代表了4种场景下的初始运行点。在整个响应过程中EV_i的动作轨迹不得处于该区域外。其中，

表示EV_i入网时刻，

表示EV_i离网时刻，

和

表示电动汽车EV_i的SOC上下限，

表示EV_i预计离开时的车主期望SOC。

场景1：当

时，相应的响应场景如5(a)的P-t图所示。可以看到，在时段

内的EV_i并未接入电网，因此时段

内的响应功率为0。当EV_i以M点接入电网后并在未触碰其荷电状态下限

前的

时段内能够持续沿动态响应灵活域的1-4边界移动，做出功率为P_i ^d的灵活性需求响应。在EV_i接入电网至评估时段结束时刻，EV_i全程充当放电集群为电网反向供电。

场景2：当

并以N点为初始运行点时，相应的响应场景如5(b)的P-t图所示。可以看到，与场景5(a)有所区别，整个评估时段[nT,(n+1)T]内的EV_i均处于入网状态，且入网后并没有立即开始放电响应。当EV_i以N点为起始放电点，并于评估时段[nT,(n+1)T]内做出功率为P_i ^d的灵活性需求响应直至触碰动态响应灵活域的4-5边界使得

此时EV_i应当立即停止放电避免电池受到损害。在评估时段[nT,(n+1)T]中，EV_i全程充当放电集群为电网反向供电。

其中，

表示EV_i在评估时段开始时的nT时刻的荷电状态。

场景3：当

并以I点为初始运行点时，相应的响应场景如5(c)的P-t图所示。可以看到，与场景5(b)相同，整个评估时段[nT,(n+1)T]内的EV_i均处于入网状态。区别在于，当EV_i以I点为起始放电点，并于评估时段

内做出功率为P_i ^d的灵活性需求响应直至触碰动态响应灵活域的5-6边界使得EV_i不得不由放电状态转变为强制充电状态，以满足用户在预计出行时间的期望荷电状态。因此，在时段

内EV_i充当放电集群为电网反向供电，而在时段

内EV_i充当充电集群以保证用户顺利出行。

场景4：当

时，相应的响应场景如5(d)的P-t图所示。可以看到，在时段

内的EV_i已驶离电网，因此时段

内的响应功率为0。在时段

以前EV_i已充电至

当EV_i以J点为起始放电点，并于时段

内做出功率为P_i ^d的灵活性需求响应直至触碰动态响应灵活域的3-6边界，此时达到EV_i的离网时刻

在评估时段开始时刻至EV_i离开电网，EV_i全程充当放电集群为电网反向供电。

由上述对以响应模式C为例的多场景分析可以类推到其他响应模式，进而确定在评估时段[nT,(n+1)T]内各响应模式下的单场景响应能力。在评估时段[nT,(n+1)T]内t时刻EV_i实时所属集群被唯一确定，进而得到被确定集群对应响应模式下的多场景组合响应能力。系统t时刻整体可调控裕度容量表示为各配电网节点可调控裕度的叠加，各配电网节点的响应能力又可表示为经该节点入网的电动汽车放电集群、中间集群、充电集群响应能力代数和：

其中，N_a表示系统配电网节点总数；

表示t时刻系统配电网节点i的可调控裕度容量；

和

分别表示t时刻配电网节点i上放电集群、中间集群与充电集群的响应能力；

表示t时刻接入配电网节点i的EV数量；

表示配电网节点i上第j辆EV的放电功率；

表示t时刻配电网节点i上第j辆EV的放电RTM；Cap_{j_i}表示配电网节点i上第j辆EV的电池容量；

表示t时刻配电网节点i上第j辆EV的SOC；

与

分别表示t时刻配电网节点i上第j辆EV的放电系数和充电系数，且

当该EV参与放电，

当该EV进行充电，

最后，根据电动汽车响应灵活性约束对电动汽车充放电时段进行逐步寻优，以将配电网可靠性计算程序嵌入到遗传算法迭代过程的方法完成调控，对优化调控前后的配电网可靠性指标进行模拟计算。

其中，如图6所示，所述配电网可靠性指标计算公式为：

I_SAIDI＝λ_F(α₁T₁+α₂T₂+α₃T₃)

I_EENS＝I_SAIDIP_L

P_L＝P_base+P_EV

其中，I_SAID为系统平均停电时间，I_EENS为系统期望缺供电量，I_RS-3为系统供电可靠率，λ_F为馈线的总故障率；T1为区域间故障锁定加上隔离时间，T2为T1加上故障转供时间，T₃为区域间和区域内故障锁定时间之和再加上故障元件修复时间；P_L为馈线的总负荷，包括居民基础负荷P_base与电动汽车充电集群所需功率P_EV；α₁、α₂和α₃分别表示并入电动汽车充电集群后用户的分布系数，表示当馈线发生故障时3类用户的比例关系，且α₁+α₂+α₃＝1。

EV充放电进行优化调控具体流程如图7所示，所述电动汽车充放电时段进行逐步寻优包括如下步骤：

步骤1：输入电动汽车参数、种群终止进化代数maxgen、种群规模sizepop、杂交概率pcross、变异概率pmutation，以t_ch、t_di作为优化决策变量，通过下式制定t_ch、t_di的界约束矩阵N_bound，即每辆电动汽车充电时间与放电时间不得小于其入网时刻且不能超过最晚约束时刻；即：

其中，

为第i辆电动汽车入网时间，

分别表示EV_i开始充电时刻与开始放电时刻；

步骤2：种群初始化开始，给定所有种群随机初始赋值，得到染色体群t_ch、t_di，即初始充/放电开始时间；从所有种群中寻找出适应度最小的染色体作为当前最优解bestton，此时目标函数为bestfit；

步骤3：开始进化，随机选择两个染色体作为交叉父代，并用随机数与杂交概率比较，决定是否交叉；若满足条件，则随机选择交叉位置并开始交叉；产生的个体经界约束矩阵N_bound检验；若满足界约束，则可认为该后代可行，否则重新开始进化，达到设定的种群规模后结束；

步骤4：检查各配电网节点电动汽车运行方式是否超过自身最大调控裕度容量，即是否满足约束

若超过，则按下式：

取得调控裕度最大时的充放电运行方式作为该次进化后代进行后续优化计算，此时电动汽车得到最大限度放电和延迟充电；

步骤5：利用第j组解重新计算电动汽车充电集群负荷矩阵

和“虚拟电厂”放电功率矩阵

将电动汽车充电集群与参与放电集群响应矩阵替换为

与

并重新进行以第j组解为优化结果的电动汽车接入下可靠性计算；

步骤6：判断j是否达到种群规模数；若达到，则选择目标函数最小的染色体作为下一代个体newbestton，此时目标函数为newbestfit；若不满足，则j＝j+1并返回步骤5；

步骤7：判断bestfit与newbestfit大小关系；若bestfit>newbestfit，则将newbestfit与newbestton的值赋予bestfit与bestton；

步骤8：判断是否达到终止进化代数；若是，则输出适应度最小的染色体bestton；否则返回步骤2；

步骤9：判断所有配电网节点在该次优化中输出的目标函数值与上一次优化输出的目标函数值之差是否小于规定的误差e；若是，则输出所有配电网节点充放电优化解；否则更新所有停靠电动汽车的响应时间裕度与荷电状态裕度并重新确定当前可调控裕度下各电动汽车所属集群，之后开始以下一个配电网节点为单位的优化。

通过上述设计，本发明根据刻画的用户在交通路网中的出行及充电特性，对电动汽车充电负荷时空分布进行有效分析模拟；依据用户出行充电特性，构建分别从时序和能量角度反映电动汽车可控响应裕度的两种指标，考虑车辆之间的实时响应能力差异性将其划分为三类集群；将入网车辆响应过程分解为不同响应模式的组合，根据不同集群所处的响应状态变化建立配电网单一时间尺度响应能力模型；针对不同响应模式充分考虑各种差异化场景的完备性，将单一时间尺度响应能力模型扩展为连续时间尺度响应能力模型；基于电动汽车响应灵活性约束对电动汽车充放电时段进行逐步寻优，以将配电网可靠性计算程序嵌入到遗传算法迭代过程的方法完成调控。本发明可有效用于后续减轻电动汽车大规模接入对配电网可靠性造成的不良影响。因此，与现有技术相比，本发明具有突出的实质性特点和显著的进步。

上述实施例仅为本发明的优选实施方式之一，不应当用于限制本发明的保护范围，但凡在本发明的主体设计思想和精神上作出的毫无实质意义的改动或润色，其所解决的技术问题仍然与本发明一致的，均应当包含在本发明的保护范围之内。

Claims (7)

1.一种提升电网可靠性的电动汽车灵活性挖掘与协同调控方法，其特征在于，包括如下步骤：

(S1)构建交通-电力耦合系统，建立用户特征状态参数，得出电动汽车出行充电特性，并对充电负荷时空分布进行有效分析模拟；

(S2)根据出行充电特性构建电动汽车荷电状态裕度和响应时间裕度两种可控响应裕度指标，将其划分为放电集群、中间集群、充电集群三类集群；

(S3)将入网车辆响应过程分解为不同响应模式的组合，根据不同集群所处的响应状态变化建立配电网单一时间尺度响应能力模型；

(S4)针对不同响应模式结合及其对应的评估时段的不同场景，将单一时间尺度响应能力模型扩展为连续时间尺度响应能力模型；

(S5)根据电动汽车响应灵活性约束对电动汽车充放电时段进行逐步寻优，以将配电网可靠性计算程序嵌入到遗传算法迭代过程的方法完成调控，对优化调控前后的配电网可靠性指标进行模拟计算。

2.根据权利要求1所述的提升电网可靠性的电动汽车灵活性挖掘与协同调控方法，其特征在于，所述交通-电力耦合系统的构建包括：

(S10)采用图论和等效道路长度下行驶速度模型来反映交通拓扑和车流情况；

(S11)分别提取同一城市区域的交通网拓扑与配电网拓扑，将两者进行耦合并实现地理信息交互；

(S12)以用户出行链模型获取出行起止点，利用最短路径算法得到用户出行最优选择路径。

3.根据权利要求1所述的提升电网可靠性的电动汽车灵活性挖掘与协同调控方法，其特征在于，所述用户特征状态参数包括：

电动汽车用户的出行特征，包括出行起止点，出行路径，停靠点以及受道路影响下的行驶速度；

电动汽车的电量特征，包括初始荷电状态，充电功率及效率，单位行驶里程耗电量以及用户充电时电量；

电动汽车用户时间特征，包括始发时间，行驶时长，充电时长以及停车时长。

4.根据权利要求3所述的提升电网可靠性的电动汽车灵活性挖掘与协同调控方法，其特征在于，所述充电负荷时空分布的模拟采用蒙特卡洛法进行分析计算，根据交通网-配电网节点耦合对应关系，将每辆电动汽车在充电站的充电负荷记录进行储存并折算至配电网节点。

5.根据权利要求4所述的提升电网可靠性的电动汽车灵活性挖掘与协同调控方法，其特征在于，所述响应模式包括：

模式A:电动汽车状态转变可表示为空闲状态→充电状态，该响应模式执行过程中电动汽车属于充电集群；

模式B:电动汽车状态转变可表示为放电状态→空闲状态，该响应模式的执行是由放电集群向中间集群的转化；

模式C:电动汽车状态转变可表示为空闲状态→放电状态，该响应模式执行过程中电动汽车属于放电集群；

模式D：电动汽车状态转变可表示为充电状态→空闲状态，该响应模式执行是由充电集群向中间集群的转化。

6.根据权利要求5所述的提升电网可靠性的电动汽车灵活性挖掘与协同调控方法，其特征在于，所述配电网可靠性指标计算公式为：

I_SAIDI＝λ_F(α₁T₁+α₂T₂+α₃T₃)

I_EENS＝I_SAIDIP_L

P_L＝P_base+P_EV

其中，I_SAID为系统平均停电时间，I_EENS为系统期望缺供电量，I_RS-3为系统供电可靠率，λ_F为馈线的总故障率；T1为区域间故障锁定加上隔离时间，T2为T1加上故障转供时间，T₃为区域间和区域内故障锁定时间之和再加上故障元件修复时间；P_L为馈线的总负荷，包括居民基础负荷P_base与电动汽车充电集群所需功率P_EV；α₁、α₂和α₃分别表示并入电动汽车充电集群后用户的分布系数，表示当馈线发生故障时3类用户的比例关系，且α₁+α₂+α₃＝1。

7.根据权利要求6所述的提升电网可靠性的电动汽车灵活性挖掘与协同调控方法，其特征在于，所述电动汽车充放电时段进行逐步寻优包括如下步骤：

步骤1：输入电动汽车参数、种群终止进化代数maxgen、种群规模sizepop、杂交概率pcross、变异概率pmutation，以t_ch、t_di作为优化决策变量，通过下式制定t_ch、t_di的界约束矩阵N_bound，即每辆电动汽车充电时间与放电时间不得小于其入网时刻且不能超过最晚约束时刻；即：

其中，

为第i辆电动汽车入网时间，

分别表示第i辆电动汽车开始充电时刻与开始放电时刻；

步骤2：种群初始化开始，给定所有种群随机初始赋值，得到染色体群t_ch、t_di，即初始充/放电开始时间；从所有种群中寻找出适应度最小的染色体作为当前最优解bestton，此时目标函数为bestfit；

步骤3：开始进化，随机选择两个染色体作为交叉父代，并用随机数与杂交概率比较，决定是否交叉；若满足条件，则随机选择交叉位置并开始交叉；产生的个体经界约束矩阵N_bound检验；若满足界约束，则可认为该后代可行，否则重新开始进化，达到设定的种群规模后结束；

步骤4：检查各配电网节点电动汽车运行方式是否超过自身最大调控裕度容量，即是否满足约束

若超过，则按下式：

取得调控裕度最大时的充放电运行方式作为该次进化后代进行后续优化计算，此时电动汽车得到最大限度放电和延迟充电；

步骤5：利用第j组解重新计算电动汽车充电集群负荷矩阵

和“虚拟电厂”放电功率矩阵

将电动汽车充电集群与参与放电集群响应矩阵替换为

与

并重新进行以第j组解为优化结果的电动汽车接入下可靠性计算；

步骤6：判断j是否达到种群规模数；若达到，则选择目标函数最小的染色体作为下一代个体newbestton，此时目标函数为newbestfit；若不满足，则j＝j+1并返回步骤5；

步骤7：判断bestfit与newbestfit大小关系；若bestfit>newbestfit，则将newbestfit与newbestton的值赋予bestfit与bestton；

步骤8：判断是否达到终止进化代数；若是，则输出适应度最小的染色体bestton；否则返回步骤2；

步骤9：判断所有配电网节点在该次优化中输出的目标函数值与上一次优化输出的目标函数值之差是否小于规定的误差e；若是，则输出所有配电网节点充放电优化解；否则更新所有停靠电动汽车的响应时间裕度与荷电状态裕度并重新确定当前可调控裕度下各电动汽车所属集群，之后开始以下一个配电网节点为单位的优化。

Images