CN113224747A - 计及电动汽车需求响应的电力资源协调调度方法及系统 - Google Patents

计及电动汽车需求响应的电力资源协调调度方法及系统 Download PDF

Info

Publication number
CN113224747A
CN113224747A CN202110300069.6A CN202110300069A CN113224747A CN 113224747 A CN113224747 A CN 113224747A CN 202110300069 A CN202110300069 A CN 202110300069A CN 113224747 A CN113224747 A CN 113224747A
Authority
CN
China
Prior art keywords
charging
layer
power
charging power
scheduling
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
CN202110300069.6A
Other languages
English (en)
Other versions
CN113224747B (zh
Inventor
陈良亮
蔡华
张卫国
郑红娟
杨凤坤
李雪明
邵军军
孙季泽
周材
陈嘉栋
朱庆
李化
王立业
任端
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
State Grid Shandong Electric Power Co Ltd
NARI Group Corp
Nari Technology Co Ltd
NARI Nanjing Control System Co Ltd
State Grid Electric Power Research Institute
Beijing State Grid Purui UHV Transmission Technology Co Ltd
Original Assignee
State Grid Corp of China SGCC
State Grid Shandong Electric Power Co Ltd
NARI Group Corp
Nari Technology Co Ltd
NARI Nanjing Control System Co Ltd
State Grid Electric Power Research Institute
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 State Grid Corp of China SGCC, State Grid Shandong Electric Power Co Ltd, NARI Group Corp, Nari Technology Co Ltd, NARI Nanjing Control System Co Ltd, State Grid Electric Power Research Institute, Beijing State Grid Purui UHV Transmission Technology Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202110300069.6A priority Critical patent/CN113224747B/zh
Publication of CN113224747A publication Critical patent/CN113224747A/zh
Application granted granted Critical
Publication of CN113224747B publication Critical patent/CN113224747B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G06Q10/06—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
    • 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
    • H02J3/04—Circuit arrangements for ac mains or ac distribution networks for connecting networks of the same frequency but supplied from different sources
    • H02J3/06—Controlling transfer of power between connected networks; Controlling sharing of load between connected networks
    • 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
    • H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
    • H02J3/14—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by switching loads on to, or off from, network, e.g. progressively balanced loading
    • H02J3/144—Demand-response operation of the power transmission or distribution network
    • 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
    • H02J3/322—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means the battery being on-board an electric or hybrid vehicle, e.g. vehicle to grid arrangements [V2G], power aggregation, use of the battery for network load balancing, coordinated or cooperative battery charging
    • 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
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
    • 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
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • 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
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
    • 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
    • Y02T90/16—Information or communication technologies improving the operation of electric vehicles
    • Y02T90/167—Systems integrating technologies related to power network operation and communication or information technologies for supporting the interoperability of electric or hybrid vehicles, i.e. smartgrids as interface for battery charging of electric vehicles [EV] or hybrid vehicles [HEV]
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S30/00—Systems supporting specific end-user applications in the sector of transportation
    • Y04S30/10—Systems supporting the interoperability of electric or hybrid vehicles
    • Y04S30/12—Remote or cooperative charging
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S30/00—Systems supporting specific end-user applications in the sector of transportation
    • Y04S30/10—Systems supporting the interoperability of electric or hybrid vehicles
    • Y04S30/14—Details associated with the interoperability, e.g. vehicle recognition, authentication, identification or billing

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Power Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Strategic Management (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Operations Research (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)

Abstract

本发明公开了一种计及电动汽车需求响应的电力资源协调调度方法，包括以下过程：获取电动汽车充电功率需求；将获取的电动汽车充电功率需求上传至所述系统调度层，求解对应的优化目标计算出总充电功率调度指令，并将总充电功率调度指令下发至柔性负荷层；求解对应的优化目标计算出新的电动汽车功率需求，并将新的电动汽车充电功率需求上传至系统调度层，不断迭代求解系统调度层和柔性负荷层的优化目标，直至获得最优的总充电功率。本发明建立电力资源双层协调调度模型，进行多目标优化，提高电力资源的优化协调能力。

Description

计及电动汽车需求响应的电力资源协调调度方法及系统
技术领域
本发明属于柔性负荷协调调度技术领域，具体涉及一种计及电动汽车需求响应的电力资源双层协调调度方法，还涉及一种计及电动汽车需求响应的电力资源双层协调调度系统。
背景技术
我国电力资源自从改革开放以来，每年消耗量持续快速增长，截止目前我国已成为电力生产和电力消耗第一大国。发电方式主要包括风力发电、水力发电和火力发电，其发电装置以达数万台，电力资源每年产量在世界遥遥领先。在社会生产高速发展下，全国的用电消耗量也大大增加。电动汽车、可控空调等柔性负荷的出现，是对我国电力资源的一种考验。如果能够合理的运用柔性负荷这个电力资源，可以有效的解决我国电力资源的问题，缓解电力资源短缺带来的压力；倘若对柔性负荷的管理松懈，使得大规模柔性负荷无序的接入用电网络，会导致峰上加峰的现象，严重的影响电网稳定安全的运行。这对电力资源造成的损失是巨大的，因此，对电力资源调度管理时首先要考虑柔性负荷的动态需求。
电动汽车在我国作为一个新兴产业，对于它的调度可以按照传统的调度方法对其进行调度。但是电动汽车相比于其他生态调度资源，还侧重用户侧的体验，使用传统的调度方法虽然能够实现对电力资源的优化调度，但是却忽视了用户侧的体验和满意度，缺少人性化。与此同时，我国的无线-蓝牙-移动通信技术已得到广泛普及和应用，其方便、快捷、稳定的传输特性可以极大地增强用户侧与电网资源的信息交互。针对于一般的调度方法主要从供电侧的角度出发提出优化调度方法，约束条件下求出满足优化目标函数的可行解具有一定的片面性。
发明内容
本发明的目的在于克服现有技术中的不足，提供了一种计及电动汽车需求响应的电力资源协调调度方法及系统，建立电力资源双层协调调度模型，进行多目标优化，提高电力资源的优化协调能力。
为解决上述技术问题，本发明提供了一种计及电动汽车需求响应的电力资源协调调度方法，包括以下过程：
获取电动汽车充电功率需求；
获取电力资源双层模型，所述电力资源双层模型包括系统调度层和柔性负荷层，所述系统调度层以负荷峰谷差、充电功率需求偏差量最小为系统调度的优化目标，所述柔性负荷层以充电成本最小、电动汽车可响应资源的不确定性最小和用户侧充电需求满足程度最大为柔性负荷响应的优化目标；
将获取的电动汽车充电功率需求上传至所述系统调度层，求解对应的优化目标计算出总充电功率调度指令，并将总充电功率调度指令下发至柔性负荷层；求解对应的优化目标计算出新的电动汽车功率需求，并将新的电动汽车充电功率需求上传至系统调度层，不断迭代求解系统调度层和柔性负荷层的优化目标，直至获得最优的总充电功率。
可选的，所述系统调度层的优化目标，包括：
目标函数如下式：
Figure BDA0002985862720000021
Figure BDA0002985862720000022
式中，Pld(t)是t时段除电动汽车以外的常规负荷；
Figure BDA0002985862720000031
是一天台区负荷的平均值；Ps(t)是调度层指导总充电功率，Pm(t)是优化后t时段的电动汽车总充电功率；
约束条件：
系统优化后的电动汽车所需总充电功率应该不小于所有电动汽车所需充电功率之和。
Figure BDA0002985862720000032
其中，
Figure BDA0002985862720000033
是第i辆电动汽车所需充电功率。
可选的，所述柔性负荷层的优化目标，包括：
以电动汽车的充电成本最小的目标函数为：
Figure BDA0002985862720000034
式中，p(t)表示上层下发的t时段阶梯电价，Pm(t)是优化后t时段的电动汽车总充电功率；
同时将用户侧充电需求满足程度最大，目标函数为：
Figure BDA0002985862720000035
式中，
Figure BDA0002985862720000036
是t时段电动汽车充电功率需求预测值；
电动汽车可响应资源的不确定性低：
Figure BDA0002985862720000037
下层的约束条件：
电动汽车所需总充电功率Pm受指导总充电功率约束：
Figure BDA0002985862720000038
电价范围约束，其表示电价的制定需要合理根据实际情况：
pmin≤p(t)≤pmax (10)
式中，pmin为电动汽车最低谷电价，pmax为电动汽车最高峰电价。
可选的，所述阶梯电价p(t)的计算公式为：
Figure BDA0002985862720000041
其中，p0为初始充电电价，Pbj(t)为设定的边界值。
可选的，所述不确定性评价指标的计算公式为：
不确定性评价指标D的公式表达如公式1所示，指标D值越小，表明不确定性就越低；
Figure BDA0002985862720000042
其中，
Figure BDA0002985862720000043
分别为快充、峰时慢充谷时快充、慢充充电模式下同一时段t统计得到的充电功率标准差。
相应的，本发明还提供了一种计及电动汽车需求响应的电力资源双层协调调度系统，包括：
数据获取模块，用于获取电动汽车充电功率需求；
调度模型获取模块，用于获取电力资源双层模型，所述电力资源双层模型包括系统调度层和柔性负荷层，所述系统调度层以负荷峰谷差、充电功率需求偏差量最小为系统调度的优化目标，所述柔性负荷层以充电成本最小、电动汽车可响应资源的不确定性最小和用户侧充电需求满足程度最大为柔性负荷响应的优化目标；
协调调度模块，用于将获取的电动汽车充电功率需求上传至所述系统调度层，求解对应的优化目标计算出总充电功率调度指令，并将总充电功率调度指令下发至柔性负荷层；求解对应的优化目标计算出新的电动汽车功率需求，并将新的电动汽车充电功率需求上传至系统调度层，不断迭代求解系统调度层和柔性负荷层的优化目标，直至获得最优的总充电功率。
可选的，所述系统调度层的优化目标，包括：
目标函数如下式：
Figure BDA0002985862720000051
Figure BDA0002985862720000052
式中，Pld(t)是t时段除电动汽车以外的常规负荷；
Figure BDA0002985862720000053
是一天台区负荷的平均值；Ps(t)是调度层指导总充电功率，Pm(t)是优化后t时段的电动汽车总充电功率；
约束条件：
系统优化后的电动汽车所需总充电功率应该不小于所有电动汽车所需充电功率之和。
Figure BDA0002985862720000054
其中，
Figure BDA0002985862720000055
是第i辆电动汽车所需充电功率；
可选的，所述柔性负荷层的优化目标，包括：
以电动汽车的充电成本最小的目标函数为：
Figure BDA0002985862720000056
式中，p(t)表示上层下发的t时段阶梯电价，Pm(t)是优化后t时段的电动汽车总充电功率；
同时将用户侧充电需求满足程度最大，目标函数为：
Figure BDA0002985862720000057
式中，
Figure BDA0002985862720000058
是t时段电动汽车充电功率需求预测值；
电动汽车可响应资源的不确定性低：
Figure BDA0002985862720000061
下层的约束条件：
电动汽车所需总充电功率Pm受指导总充电功率约束：
Figure BDA0002985862720000062
电价范围约束，其表示电价的制定需要合理根据实际情况：
pmin≤p(t)≤pmax (10)
式中，pmin为电动汽车最低谷电价，pmax为电动汽车最高峰电价。
可选的，所述阶梯电价p(t)的计算公式为：
Figure BDA0002985862720000063
其中，p0为初始充电电价，Pbj(t)为设定的边界值。
可选的，所述不确定性评价指标的计算公式为：
不确定性评价指标D的公式表达如公式1所示，指标D值越小，表明不确定性就越低；
Figure BDA0002985862720000064
其中，
Figure BDA0002985862720000065
分别为快充、峰时慢充谷时快充、慢充充电模式下同一时段t统计得到的充电功率标准差。
为了从用户侧获取电动汽车充电负荷需求，本发明还提供了一种用户侧电动汽车充电功率需求预测方法，包括以下过程：
获取用户输入的所有电动汽车的充电起始时间；
获取用户输入的所有电动汽车的日行驶里程数；
基于获取的电动汽车的充电起始时间和日行驶里程数，计算得到所有电动汽车的充电功率；
累加所有电动汽车充电功率数据即得到电动汽车总充电功率需求，并将电动汽车总充电功率需求上传至系统调度层。
相应的，本发明还提供了一种用户终端，其上存储有计算机程序，该计算机程序被处理器执行时，实现上述的电动汽车充电功率需求预测方法。
与现有技术相比，本发明所达到的有益效果是：
1)本发明采用电力资源双层模型，进行多目标优化，确定最优的电动汽车的充电功率和充电时长，提高电力资源的优化协调能力；
2)本发明采用用户终端获取电动汽车的充电功率需求，侧重用户的体验，增强用户侧与电网资源的信息交互。
附图说明
为了使本发明的内容更容易被清楚地理解，下面根据具体实施例并结合附图，对本发明作进一步详细的说明，其中：
图1是电力资源双层模型结构图；
图2是本发明中双层模型交互的流程图；
图3是多目标遗传算法求解流程图；
图4是柔性负荷需求预测曲线；
图5是充电时长概率密度图；
图6是帕累托最优解集；
图7是优化前后日负荷曲线。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
下面结合附图对本发明的应用原理作详细的描述。
本发明的发明构思为：以电动汽车作为典型柔性负荷，设计一种基于无线-蓝牙-移动通信网络交互的电动汽车-充电桩-调度中心结构系统，用户端通过APP经由移动通信网络向充电桩传递负荷需求，充电桩内置蓝牙采集用户终端数据信息，充电桩与调度中心通过无线网络通信交互，建立满足柔性负荷需求的电力资源双层协调调度策略，采用多目标优化方法，提高电力资源的优化协调能力，缓解柔性负荷无序调控对电力资源的不利影响。
实施例1
本发明的一种计及电动汽车需求响应的电力资源协调调度方法，参见图1所示，基于无线-蓝牙-移动通信网络连接的电动汽车-充电桩-调度中心结构中，用户端通过APP经由移动通信网络向充电桩传递负荷需求，充电桩内置蓝牙采集用户终端数据信息，包括静态参数和动态参数(如电动汽车额定充电功率、实际充电功率、电池剩余电量等)，充电桩与调度中心通过无线网络通信交互，构建一种调度中心作为上层、充电桩和电动汽车作为下层的双层模型结构，对电力资源调度的过程包括：
步骤1.柔性负荷需求情况分析
用户侧通过APP(用户终端)经由移动通信网络向充电桩传递电动汽车的充电负荷需求(即柔性负荷需求)，用户终端基于用户侧输入的充电需求来预测电动汽车充电功率需求，具体包括以下过程：
获取用户输入的所有电动汽车的充电起始时间；获取用户输入的所有电动汽车的日行驶里程数；
基于获取的电动汽车的充电起始时间和日行驶里程数，计算得到所有电动汽车的充电时长和充电功率；
累加所有电动汽车充电功率数据即得到电动汽车总充电功率需求，并将电动汽车总充电功率需求上传至充电桩，并由充电桩透传至系统调度层。
相应的，用户终端其上存储有计算机程序，该计算机程序被处理器执行时，实现上述的电动汽车充电功率需求预测方法。
由于生活方式的不同，用户侧充电特性可分为三种模式：一直快充、一直慢充、峰时慢充谷时快充。一直快充模式下不分峰谷时段，都以最大充电功率充电，此时充电速度最快，充电成本最高，适用于急需出行的用户，如公务人员和出租司机；一直慢充模式下，都以某一恒定的非最大功率缓慢充电，此时充电速度最慢，充电成本次之，适用于日常出行较多或生活作息规律的用户，如大部分上班族；峰时慢充谷时快充模式下，在峰时阶段调整充电功率以最小功率充电，在谷时阶段以最大功率进行充电，此时充电速度中等，充电成本最低，性价比最高，适用于日常出行较少的用户如旅游人士用车。用户根据意愿通过无线-蓝牙-移动通信网络自主选择充电模式，即选择不同的充电功率PC，此时会影响电动汽车充电时长，因此面对电动汽车总的充电需求，调度层会在适当的情况下进行优化调控。
不确定性评价指标D表征电动汽车可响应资源的不确定性，
Figure BDA0002985862720000091
分别为快充、峰时慢充谷时快充、慢充充电模式下同一时段t(每隔1h划分一个时段，t取值范围为一天24小时(时段)，即t＝1,2,……24)统计得到的充电功率标准差，不确定性评价指标D的公式表达如公式1所示，指标D值越小，表明不确定性就越低，对系统越友好。
Figure BDA0002985862720000092
电动汽车通过充电桩与电网相连，电网输电至充电桩给电动汽车充电。大规模的电动汽车充电需求是比较大的，接入电网会引起电网潮流涌动，故会对电网的稳定运行有影响。
负荷峰谷差ΔP反应实施调度计划后电动汽车负荷接入电网对电网负荷特性的影响，其值越小，说明调度策略越好，负荷峰谷差ΔP的公式为：
Figure BDA0002985862720000101
式中：Pld(t)是t时段除电动汽车以外的常规负荷；
Figure BDA0002985862720000102
是一天台区负荷的平均值；供电资源的需求优化后的电动汽车所需总充电功率曲线中的平均值，Ps(t)是调度层指导总充电功率。
步骤2.计及柔性负荷需求响应的双层协调调度策略：
本发明调度策略共分为两层：上层是系统调度层，下层是柔性负荷层。对上、下两层进行优化调度，上层的优化目标为负荷峰谷差、功率需求偏差量最小化，下层优化目标为柔性负荷需求、资源不确定性。
充电桩接收用户实际负荷信息并将信息经由网络上传给调度层，由调度层结合优化目标对下层柔性负荷层进行优化调控。
参见图1和图2所示，双层调度策略的主要功能如下所示：
上层(系统调度层)：执行于电力资源调度中心，主要功能是分析下层的柔性负荷需求，结合电网资源等信息，执行优化目标给出调度指令。
下层(柔性负荷层)：根据上层调度中心的调度指令要求，结合分时电价制度引导用户错峰充电，提高电网的稳定性和用户侧的经济性。
首先在下层设定分时阶梯电价制度鼓励柔性负荷错峰充电。下层柔性负荷接入充电桩后通过无线-蓝牙-移动通信网络将负荷需求传递给上层，上层以负荷峰谷差、功率需求偏差量最小为优化目标，通过限制充电功率和调整电价的方式引导下层柔性负荷变更充电时长；下层变更充电时长后将新的负荷需求和不确定性评价指标传递回上层，上层获取优化后的负荷特性曲线，结合评价指标和新的需求再次优化。上下层反复迭代，直到兼顾用户侧利益最大化和电网侧利益最大化。
在调度过程中，下层以每时刻电动汽车充电需求传递给上层，上层根据优化情况和调度需求，结合分时电价引导下层柔性负荷变更充电时长，从而平抑负荷。以柔性负荷典型代表电动汽车为例，根据以往电动汽车充电负荷的峰谷期和预计期望达到的负荷值给定边界值。将一天24h每隔1h划分时段T，将每个时刻都设定一个边界值。以一天24小时为例，考虑电动汽车总负荷及充电需求上下限，假设给定高峰期的边界值为1000MW，低谷期为200MW。当上层调度层接收的充电负荷量超过了边界值，上层调度中心发挥作用，根据一天之中超过边界值的负荷电量和对应时刻的电价，制定合理地调度策略，引导用户避开高峰用电，从而既能达到电动汽车的有序充电，又能提高资源利用率的目的。
充电桩分时阶梯电价中，分时电价表如表1所示：
表1 充电桩分时电价表
Figure BDA0002985862720000111
阶梯电价规则为：当电动汽车的功率超过了设定的边界值，电价根据电动汽车的功率来确定，在分时电价的基础上，峰时电价是超过边界的功率部分价格上浮0.05元，谷时电价是超出部分价格下调0.08元。
系统调度层：
上层目标以负荷峰谷差最小、充电功率需求偏差量最小为目标函数。目标函数如下式：
Figure BDA0002985862720000112
Figure BDA0002985862720000113
式中，Pld(t)是t时段除电动汽车以外的常规负荷；
Figure BDA0002985862720000114
是一天台区负荷的平均值(由Pld(t)和Pm(t)决定)；Ps(t)是调度层指导总充电功率，Pm(t)是优化后t时段的电动汽车总充电功率；
为了使充电桩负荷波动最小，即每时刻的充电功率都尽量稳定，电动汽车可响应资源的不确定性评价指标D要取最小值，值越接近0，不确定性就越低。
约束条件：
为了确保满足所有用户的用电需求，系统优化后的电动汽车所需总充电功率应该不小于所有电动汽车所需充电功率之和。
Figure BDA0002985862720000121
其中，
Figure BDA0002985862720000122
是第i辆电动汽车所需充电功率。
上层求解目标函数获得调度层指导总充电功率Ps下发至下层。
柔性负荷层：
下层柔性负荷侧以充电成本最小为优化目标，节约充电成本，减少用户经济支出。充电成本包括时间成本和经济成本。时间成本即为Tc充电时长，经济成本即为电网阶梯电价p(t)。充电过程中，充电时间越短，单位时间所需功率越高，此时阶梯电价会根据功率的变化而变化，即峰时阶段电费增加，谷时阶段电费减小。所以此充电成本既包括时间成本，也包括经济成本。优化调度的目标是希望充电时间尽量快的同时充电价格也要尽量低。
以电动汽车的充电成本最小的目标函数为：
Figure BDA0002985862720000123
式中，p(t)表示上层下发的t时段阶梯电价，Pm(t)是优化后t时段的电动汽车总充电功率。
由于p(t)受Ps(t)影响，故上层Ps(t)求解出来后，p(t)自然也求取出来并发生至下层，其计算公式为：
Figure BDA0002985862720000131
其中，p0为初始充电电价，Pbj(t)为设定的边界值。
同时将用户充电满意度作为用户侧的主要优化目标，即用户侧充电需求满足程度最大，目标函数为：
Figure BDA0002985862720000132
式中，
Figure BDA0002985862720000133
是t时段电动汽车充电功率需求预测值。
电动汽车可响应资源的不确定性低：
Figure BDA0002985862720000134
下层的约束条件：
电动汽车所需总充电功率Pm受指导总充电功率约束：
Figure BDA0002985862720000135
电价范围约束，其表示电价的制定需要合理根据实际情况：
pmin≤p(t)≤pmax (10)
式中，pmin为电动汽车最低谷电价，pmax为电动汽车最高峰电价。
下层求解目标函数获得电动汽车充电总功率Pm(t)。
上层求解目标函数获得调度层指导总充电功率Ps下发至下层，下层求解目标函数获得电动汽车总功率Pm上传到上层，反复迭代过程中，Ps、Pm不断变化，直至求出最优解。
步骤3.基于改进型多目标遗传算法求解双层协调调度策略：
本专利采用改进型多目标遗传算法(NSGA-II)求解问题。NSGA-II作为另一种求解多目标优化问题的方法被广泛应用。NSGA-II是基于NSGA-I进行改进的，该算法相比较于以前进行了更新优化，增加了几点改变：第一提出了快速非支配排序算法；第二采用拥挤度和拥挤度比较算子；第三引入精英策略。提出快速非支配排序法的目的是为了减小算法中计算的复杂度。拥挤度和拥挤度比较因子是为了使搜索的范围变大，保持多样性。引入精英策略其目的是将采样空间变更大，获得更多计算机会从而提高种群质量。
改进型多目标遗传算法求解过程，参见图3所示，包括：首先初始化种群数据，根据个体的非劣解的适应度值对种群进行分层，然后选择、交叉、变异生成一代子群，然后进化、迭代，对父代、子代和种群进行优选，最后得到最优解。本方法分别将上层多目标函数和下层多目标函数作为父代种群，结合各自的约束条件迭代求取最优解。
步骤4.通过典型柔性负荷的需求和电力资源负荷算例验证所提调度策略的可行性：
采用台区下配电网日负荷和电动汽车负荷为例进行分析。
以柔性负荷典型代表电动汽车为例，居民车辆的返回时刻满足两段正态分布叠加，即每日0点至12点之间有一段高峰期，12点至24点之间有一段高峰期，故车辆返回时刻tr，其概率密度函数为：
Figure BDA0002985862720000141
式中，μr和σr分别为车辆返回时刻的均值和标准差。实际上，对于不同类型的电动汽车，其所对应的μr和σr值各不相同。例如本实施例中取值μr＝17.6，σr＝3.4。
车辆日行驶里程dm也服从对数正态分布，其概率密度函数为：
Figure BDA0002985862720000142
式中，μm和σm分别为车辆日行驶里程的对数均值和对数标准差。实际上，对于不同类型的电动汽车，其所对应的μm和σm值各不相同。例如本实施例中μm＝3.20，σm＝0.88。
车辆(电动汽车)充电所耗时间：
Figure BDA0002985862720000151
式中，
Figure BDA0002985862720000152
为第i辆车的充电时长，单位h；dm为日行驶里程，单位km；W100为百公里的电动汽车消耗的用电量，单位kW·h/km；
Figure BDA0002985862720000153
为第i辆电动汽车每小时充电功率，单位kW。
电动汽车的充电功率概率密度函数为：
Figure BDA0002985862720000154
其中，μc和σc分别为电动汽车充电时长的对数均值和对数标准差，
Figure BDA0002985862720000155
为第i辆电动汽车每小时充电功率，
Figure BDA0002985862720000156
为第i辆车的充电时长。
由公式(11)和公式(12)模拟得到电动汽车返回时刻(充电起始时间)与行驶里程数据，采用蒙特卡洛方法，根据公式(11)-(14)抽取并得到电动汽车返回时刻、日行驶里程数据、充电所耗时间、充电功率，将所有电动汽车的功率依次叠加，累计总功率曲线，可得到电动汽车功率总需求曲线如图4所示，即得到规模化柔性负荷的需求。
首先设定电动汽车的总数量N、百公里电耗W100等基础条件，然后假设电动汽车开始充电时刻即为最后一次出行返回时刻。根据公式(11)车辆返回时刻概率密度函数f(tr)，抽取第K台电动汽车最后一次返回后充电时间；根据公式(12)车辆日行驶里程概率密度函数f(dm)，抽取第K台电动汽车出行里程数；根据公式(14)抽取电动汽车充电功率PC；再由公式(13)计算第K台电动汽车的充电时长(如图5所示)；重复抽取N次，累加所有电动汽车充电功率数据即得到电动汽车总充电功率需求预测曲线。
上层求解目标函数获得调度层的指导总充电功率Ps(t),下发调度层的指导总充电功率Ps(t)至下层。由公式(9)可知优化后t时段的电动汽车总充电功率Pm(t)也发生变化，同时Pm(t)要不小于在同一时间段内的所有电动汽车的充电功率
Figure BDA0002985862720000161
之和，即公式(5)所示。由公式(14)可知电动汽车的充电功率
Figure BDA0002985862720000162
受下层电动汽车的充电时间
Figure BDA0002985862720000163
影响，故可计算得到最优的
Figure BDA0002985862720000164
以台区下1000台电动汽车研究，各标准差等参数选取上文所设定的。当电动汽车无序接入时，电动汽车的预测功率特性曲线如图4所示，当电动汽车无序接入配电网后，必将会产生峰上加峰的现象，会对配电网造成很大的冲击，严重影响电力资源。
仿真采用的电动汽车为私家电动汽车，电动汽车采用的充电方式包括上述三种，设定电动汽车的电池容量为20kW·H，初始充电功率为5kW。采用NSGA-II算法对模型求解。设定算法的迭代次数为500，种群大小为200。交叉率和变异率分别为0.8和0.2，每隔5代进行一次替换操作，替换率为15％。求解得到图6所示的帕累托最优解集。
基于目标f1、f2、g1、g2、g3的最佳权重为(0.202，0.294，0.113，0.205，0.186)，针对多目标优化求解出的帕累托最优解集，根据权重系数，在最优解集中选取符合实际的解。优化调度后的曲线如图7所示，优化后的峰谷负荷变化如表1所示。
表2 峰谷负荷变化表
Figure BDA0002985862720000165
结合图7和表2可以明显看出，在实施分时阶梯电价的方法后，可以有效控制电动汽车的无序充电现象(此有序充电指的是在兼顾用户侧充电需求的同时平抑了电动汽车接入电网负荷，从而减小对电网各方面的影响)，并对台区内日负荷起到削峰填谷的作用。
基于本发明公开的电力资源双层协调调度策略，在满足用户侧负荷需求的同时，既降低了充电成本，也减少了对电网的不利影响，有效实现削峰填谷，促进电网的实际稳定运行。
实施例2
与实施例1同样的发明构思，本发明的一种计及电动汽车需求响应的电力资源双层协调调度系统，包括：
数据获取模块，用于获取电动汽车充电功率需求；
调度模型获取模块，用于获取电力资源双层模型，所述电力资源双层模型包括系统调度层和柔性负荷层，所述系统调度层以负荷峰谷差、充电功率需求偏差量最小为系统调度的优化目标，所述柔性负荷层以充电成本最小、电动汽车可响应资源的不确定性最小和用户侧充电需求满足程度最大为柔性负荷响应的优化目标；
协调调度模块，用于将获取的电动汽车充电功率需求上传至所述系统调度层，求解对应的优化目标计算出总充电功率调度指令，并将总充电功率调度指令下发至柔性负荷层；求解对应的优化目标计算出新的电动汽车功率需求，并将新的电动汽车充电功率需求上传至系统调度层，不断迭代求解系统调度层和柔性负荷层的优化目标，直至获得最优的总充电功率。
可选的，所述系统调度层的优化目标，包括：
目标函数如下式：
Figure BDA0002985862720000171
Figure BDA0002985862720000172
式中，Pld(t)是t时段除电动汽车以外的常规负荷；
Figure BDA0002985862720000173
是一天台区负荷的平均值；Ps(t)是调度层指导总充电功率，Pm(t)是优化后t时段的电动汽车总充电功率；
约束条件：
系统优化后的电动汽车所需总充电功率应该不小于所有电动汽车所需充电功率之和。
Figure BDA0002985862720000181
其中，
Figure BDA0002985862720000182
是第i辆电动汽车所需充电功率；
可选的，所述柔性负荷层的优化目标，包括：
以电动汽车的充电成本最小的目标函数为：
Figure BDA0002985862720000183
式中，p(t)表示上层下发的t时段阶梯电价，Pm(t)是优化后t时段的电动汽车总充电功率；
同时将用户侧充电需求满足程度最大，目标函数为：
Figure BDA0002985862720000184
式中，
Figure BDA0002985862720000185
是t时段电动汽车充电功率需求预测值；
电动汽车可响应资源的不确定性低：
Figure BDA0002985862720000186
下层的约束条件：
电动汽车所需总充电功率Pm受指导总充电功率约束：
Figure BDA0002985862720000187
电价范围约束，其表示电价的制定需要合理根据实际情况：
pmin≤p(t)≤pmax (10)
式中，pmin为电动汽车最低谷电价，pmax为电动汽车最高峰电价。
可选的，所述阶梯电价p(t)的计算公式为：
Figure BDA0002985862720000191
其中，p0为初始充电电价，Pbj(t)为设定的边界值。
可选的，所述不确定性评价指标的计算公式为：
不确定性评价指标D的公式表达如公式1所示，指标D值越小，表明不确定性就越低；
Figure BDA0002985862720000192
其中，
Figure BDA0002985862720000193
分别为快充、峰时慢充谷时快充、慢充充电模式下同一时段t统计得到的充电功率标准差。
本发明装置的各个模块的具体实现方案参见上述方法的具体实现过程。
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。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。

Claims (12)

1.一种计及电动汽车需求响应的电力资源协调调度方法，其特征是，包括以下过程：
获取电动汽车充电功率需求；
获取电力资源双层模型，所述电力资源双层模型包括系统调度层和柔性负荷层，所述系统调度层以负荷峰谷差、充电功率需求偏差量最小为系统调度的优化目标，所述柔性负荷层以充电成本最小、电动汽车可响应资源的不确定性最小和用户侧充电需求满足程度最大为柔性负荷响应的优化目标；
将获取的电动汽车充电功率需求上传至所述系统调度层，求解对应的优化目标计算出总充电功率调度指令，并将总充电功率调度指令下发至柔性负荷层；求解对应的优化目标计算出新的电动汽车功率需求，并将新的电动汽车充电功率需求上传至系统调度层，不断迭代求解系统调度层和柔性负荷层的优化目标，直至获得最优的总充电功率。
2.根据权利要求1所述的一种计及电动汽车需求响应的电力资源协调调度方法，其特征是，所述系统调度层的优化目标，包括：
目标函数如下式：
Figure FDA0002985862710000011
Figure FDA0002985862710000012
式中，Pld(t)是t时段除电动汽车以外的常规负荷；
Figure FDA0002985862710000013
是一天台区负荷的平均值；Ps(t)是调度层指导总充电功率，Pm(t)是优化后t时段的电动汽车总充电功率；
约束条件：
系统优化后的电动汽车所需总充电功率应该不小于所有电动汽车所需充电功率之和：
Figure FDA0002985862710000021
其中，
Figure FDA0002985862710000022
是第i辆电动汽车所需充电功率。
3.根据权利要求2所述的一种计及电动汽车需求响应的电力资源协调调度方法，其特征是，所述柔性负荷层的优化目标，包括：
以电动汽车的充电成本最小的目标函数为：
Figure FDA0002985862710000023
式中，p(t)表示上层下发的t时段阶梯电价，Pm(t)是优化后t时段的电动汽车总充电功率；
同时将用户侧充电需求满足程度最大，目标函数为：
Figure FDA0002985862710000024
式中，
Figure FDA0002985862710000025
是t时段电动汽车充电功率需求预测值；
电动汽车可响应资源的不确定性低：
Figure FDA0002985862710000026
下层的约束条件：
电动汽车所需总充电功率Pm受指导总充电功率约束：
Figure FDA0002985862710000027
电价范围约束，其表示电价的制定需要合理根据实际情况：
pmin≤p(t)≤pmax (10)
式中，pmin为电动汽车最低谷电价，pmax为电动汽车最高峰电价。
4.根据权利要求3所述的一种计及电动汽车需求响应的电力资源协调调度方法，其特征是，所述阶梯电价p(t)的计算公式为：
Figure FDA0002985862710000031
其中，p0为初始充电电价，Pbj(t)为设定的边界值。
5.根据权利要求3所述的一种计及电动汽车需求响应的电力资源协调调度方法，其特征是，所述不确定性评价指标的计算公式为：
不确定性评价指标D的公式表达如公式1所示，指标D值越小，表明不确定性就越低；
Figure FDA0002985862710000032
其中，
Figure FDA0002985862710000033
分别为快充、峰时慢充谷时快充、慢充充电模式下同一时段t统计得到的充电功率标准差。
6.一种计及电动汽车需求响应的电力资源双层协调调度系统，其特征是，包括：
数据获取模块，用于获取电动汽车充电功率需求；
调度模型获取模块，用于获取电力资源双层模型，所述电力资源双层模型包括系统调度层和柔性负荷层，所述系统调度层以负荷峰谷差、充电功率需求偏差量最小为系统调度的优化目标，所述柔性负荷层以充电成本最小、电动汽车可响应资源的不确定性最小和用户侧充电需求满足程度最大为柔性负荷响应的优化目标；
协调调度模块，用于将获取的电动汽车充电功率需求上传至所述系统调度层，求解对应的优化目标计算出总充电功率调度指令，并将总充电功率调度指令下发至柔性负荷层；求解对应的优化目标计算出新的电动汽车功率需求，并将新的电动汽车充电功率需求上传至系统调度层，不断迭代求解系统调度层和柔性负荷层的优化目标，直至获得最优的总充电功率。
7.根据权利要求6所述的一种计及电动汽车需求响应的电力资源协调调度系统，其特征是，所述系统调度层的优化目标，包括：
目标函数如下式：
Figure FDA0002985862710000041
Figure FDA0002985862710000042
式中，Pld(t)是t时段除电动汽车以外的常规负荷；
Figure FDA0002985862710000043
是一天台区负荷的平均值；Ps(t)是调度层指导总充电功率，Pm(t)是优化后t时段的电动汽车总充电功率；
约束条件：
系统优化后的电动汽车所需总充电功率应该不小于所有电动汽车所需充电功率之和：
Figure FDA0002985862710000044
其中，
Figure FDA0002985862710000045
是第i辆电动汽车所需充电功率。
8.根据权利要求7所述的一种计及电动汽车需求响应的电力资源协调调度系统，其特征是，所述柔性负荷层的优化目标，包括：
以电动汽车的充电成本最小的目标函数为：
Figure FDA0002985862710000046
式中，p(t)表示上层下发的t时段阶梯电价，Pm(t)是优化后t时段的电动汽车总充电功率；
同时将用户侧充电需求满足程度最大，目标函数为：
Figure FDA0002985862710000047
式中，
Figure FDA0002985862710000048
是t时段电动汽车充电功率需求预测值；
电动汽车可响应资源的不确定性低：
Figure FDA0002985862710000051
下层的约束条件：
电动汽车所需总充电功率Pm受指导总充电功率约束：
Figure FDA0002985862710000052
电价范围约束，其表示电价的制定需要合理根据实际情况：
pmin≤p(t)≤pmax (10)
式中，pmin为电动汽车最低谷电价，pmax为电动汽车最高峰电价。
9.根据权利要求8所述的一种计及电动汽车需求响应的电力资源协调调度系统，其特征是，所述阶梯电价p(t)的计算公式为：
Figure FDA0002985862710000053
其中，p0为初始充电电价，Pbj(t)为设定的边界值。
10.根据权利要求8所述的一种计及电动汽车需求响应的电力资源协调调度系统，其特征是，所述不确定性评价指标的计算公式为：
不确定性评价指标D的公式表达如公式1所示，指标D值越小，表明不确定性就越低；
Figure FDA0002985862710000054
其中，
Figure FDA0002985862710000055
分别为快充、峰时慢充谷时快充、慢充充电模式下同一时段t统计得到的充电功率标准差。
11.一种用户侧电动汽车充电功率需求预测方法，其特征是，包括以下过程：
获取用户输入的所有电动汽车的充电起始时间；
获取用户输入的所有电动汽车的日行驶里程数；
基于获取的电动汽车的充电起始时间和日行驶里程数，计算得到所有电动汽车的充电功率，
累加所有电动汽车充电功率数据即得到电动汽车总充电功率需求，并将电动汽车总充电功率需求上传系统调度层。
12.一种用户终端，其上存储有计算机程序，该计算机程序被处理器执行时，实现权利要求11所述的用户侧电动汽车充电功率需求预测方法。
CN202110300069.6A 2021-03-22 2021-03-22 计及电动汽车需求响应的电力资源协调调度方法及系统 Active CN113224747B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110300069.6A CN113224747B (zh) 2021-03-22 2021-03-22 计及电动汽车需求响应的电力资源协调调度方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110300069.6A CN113224747B (zh) 2021-03-22 2021-03-22 计及电动汽车需求响应的电力资源协调调度方法及系统

Publications (2)

Publication Number Publication Date
CN113224747A true CN113224747A (zh) 2021-08-06
CN113224747B CN113224747B (zh) 2022-07-29

Family

ID=77084247

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110300069.6A Active CN113224747B (zh) 2021-03-22 2021-03-22 计及电动汽车需求响应的电力资源协调调度方法及系统

Country Status (1)

Country Link
CN (1) CN113224747B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114039349A (zh) * 2021-11-16 2022-02-11 国网湖南省电力有限公司 针对微电网的多目标联合优化调度方法
CN114285063A (zh) * 2022-03-07 2022-04-05 河北工业大学 一种基于短期碳排放因子的电动汽车减碳智能充电方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110829446A (zh) * 2019-11-06 2020-02-21 国电南瑞南京控制系统有限公司 一种基于柔性负荷动态特性的台区弹性调度方法与装置
CN112308373A (zh) * 2020-09-24 2021-02-02 国网天津市电力公司营销服务中心 基于时空双层优化的电动汽车有序充放电调度模型及算法
CN112488372A (zh) * 2020-11-23 2021-03-12 国网新疆电力有限公司营销服务中心(资金集约中心、计量中心) 多时间尺度下电采暖负荷双层优化调度方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110829446A (zh) * 2019-11-06 2020-02-21 国电南瑞南京控制系统有限公司 一种基于柔性负荷动态特性的台区弹性调度方法与装置
CN112308373A (zh) * 2020-09-24 2021-02-02 国网天津市电力公司营销服务中心 基于时空双层优化的电动汽车有序充放电调度模型及算法
CN112488372A (zh) * 2020-11-23 2021-03-12 国网新疆电力有限公司营销服务中心(资金集约中心、计量中心) 多时间尺度下电采暖负荷双层优化调度方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114039349A (zh) * 2021-11-16 2022-02-11 国网湖南省电力有限公司 针对微电网的多目标联合优化调度方法
CN114285063A (zh) * 2022-03-07 2022-04-05 河北工业大学 一种基于短期碳排放因子的电动汽车减碳智能充电方法

Also Published As

Publication number Publication date
CN113224747B (zh) 2022-07-29

Similar Documents

Publication Publication Date Title
CN108960510B (zh) 一种基于两阶段随机规划的虚拟电厂优化交易策略装置
CN109103912B (zh) 考虑电网调峰需求的工业园区主动配电系统调度优化方法
CN108875992B (zh) 一种考虑需求响应的虚拟电厂日前优化调度方法
CN109177802B (zh) 一种基于无线通信的电动汽车有序充电系统及其方法
CN113224747B (zh) 计及电动汽车需求响应的电力资源协调调度方法及系统
CN107274085B (zh) 一种双电型船舶的储能设备的优化管理方法
CN116001624A (zh) 基于深度强化学习的一桩多联电动汽车有序充电方法
CN112508221A (zh) 一种有限储能下考虑源-荷不确定性的日前调度决策方法
CN109657993A (zh) 一种基于非合作博弈的能源局域网储能系统自动需求响应方法
CN107039977A (zh) 以综合成本最小为目标的电力系统鲁棒调度不确定集构建方法
CN111697578B (zh) 多目标含储能区域电网运行控制方法
CN106786977B (zh) 一种电动汽车充电站的充电调度方法
CN112238781B (zh) 一种基于分层架构的电动汽车有序充电控制方法
CN110866636A (zh) 一种综合考虑电动汽车充电站及分布式能源的微电网规划方法
CN110188915A (zh) 基于场景集的虚拟电厂中储能系统优化配置方法及系统
CN112928767B (zh) 一种分布式储能协同控制方法
Mei et al. Multi-objective optimal scheduling of microgrid with electric vehicles
CN113326467A (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
CN112734077A (zh) 一种电动汽车充电站日前优化运行方法及系统
CN106355980A (zh) 一种基于限定记忆极限学习机的电网调节能力预测方法
CN103915851B (zh) 一种递进步长和期望输出均可变的储能系统优化控制方法
CN108233357B (zh) 基于非参数概率预测及风险期望的风电日前消纳优化方法
CN115114854A (zh) 一种虚拟电厂分布式资源两级自组织优化聚合方法及系统
CN117543581A (zh) 考虑电动汽车需求响应的虚拟电厂优化调度方法及其应用
CN115936265B (zh) 考虑电氢耦合的电氢能源系统鲁棒规划方法

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