CN113837431B - 一种考虑交通出行特性的电动汽车有序充放电方法 - Google Patents
一种考虑交通出行特性的电动汽车有序充放电方法 Download PDFInfo
- Publication number
- CN113837431B CN113837431B CN202110859463.3A CN202110859463A CN113837431B CN 113837431 B CN113837431 B CN 113837431B CN 202110859463 A CN202110859463 A CN 202110859463A CN 113837431 B CN113837431 B CN 113837431B
- Authority
- CN
- China
- Prior art keywords
- charging
- electric automobile
- travel
- time
- charge
- 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
Links
- 238000007599 discharging Methods 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000005457 optimization Methods 0.000 claims abstract description 74
- 230000005611 electricity Effects 0.000 claims abstract description 39
- 230000008901 benefit Effects 0.000 claims description 15
- 238000004088 simulation Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 9
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 2
- 230000002457 bidirectional effect Effects 0.000 claims description 2
- 230000008092 positive effect Effects 0.000 abstract description 3
- 239000000203 mixture Substances 0.000 description 11
- 238000009826 distribution Methods 0.000 description 8
- 230000004044 response Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000006399 behavior Effects 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 239000000047 product Substances 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 208000019901 Anxiety disease Diseases 0.000 description 2
- 101000872083 Danio rerio Delta-like protein C Proteins 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000036506 anxiety Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000035699 permeability Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000004043 responsiveness Effects 0.000 description 2
- 241000965478 Darksidea epsilon Species 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (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交通出行特性的电动汽车有序充放电方法，所述方法包括获取数据，所述数据包括电动汽车无序充电时的出行数据和充电时段数据，以及城市路网中的道路平均行驶速度和单位里程耗电量数据；将所获取到的数据来建立考虑交通特性的电动汽车出行优化模型，获得出行优化结果；将所获得的出行优化结果作为输入，以最小化充电成本为优化目标，建立考虑分时电价的电动汽车有序充放电优化模型，得到最优充放电方案。所得到的充放电方案不仅可以减小电动汽车车主的充电成本，还可以对电网产生削峰填谷、降低网损和电压波动的积极影响。
Description
技术领域
本发明涉及电动汽车充放电管理，具体涉及一种考虑交通出行特性的电动汽车有序充放电方法。
背景技术
随着电动汽车替代传统燃油汽车的进程不断加速，电动汽车渗透率也将不断增长。当一定规模的电动汽车接入电网无序充电，充电负荷将对电网安全稳定运行产生较大影响。电网基础负荷叠加无序充电负荷将产生新的负荷峰值，进一步加大负荷峰谷差，产生“峰上加峰”的不利影响。过大的无序充电负荷接入，还会造成配电线路负荷过载、电压越限、网络损耗变大等多种问题，给电网安全经济运行造成巨大压力。电动汽车作为一种交通工具，其在完成必需的行程后，大部分时间都处于停止状态，因而充放电时间具有很大的可调节范围，并且接入电网的位置也因出行目的而不同，若能对其进行科学、合理的引导，不仅能避免无序充电带来的负面影响，还可以为电网安全经济运行带来积极影响，达到削峰填谷、缩小峰谷差、减少网络损耗、维持电压水平以及提高新能源利用率等效果。因此，分析电动汽车的出行规律，并考虑交通路况的影响，研究制定出符合实际情况的电动汽车有序充放电策略，具有重要的意义。
目前国内外对于电动汽车有序充放电策略的研究，通常以平抑电网峰谷差、减小充电站运营成本、减小电动汽车充电成本等为目标建立优化模型，考虑了单个主体的利益，如电网公司、电动汽车充电站运营商、电动汽车车主的利益，或综合考虑多个主体的利益，但没有考虑电动汽车车主的出行规律和交通路况对充放电决策的影响，因而得到的电动汽车有序充放电策略与实际情况差别很大，实施后的实际效益也预想结果差距很大。
上述技术存在的缺点是：对电动汽车充放电时段进行决策时，一般预设给定了电动汽车车主一天的行程和电动汽车处于停止状态的时段，即可充放电的时段。然而，由于车主的出行决策对电动汽车处于行驶状态的时段和行驶耗电量都会有影响，可充放电时段也是可变的。并且，对电动汽车充放电时段进行决策时，考虑电网或者充电站运营商的利益是不符合实际的，优化目标中含有电网或者充电站运营商的利益时，隐含了电网或者充电站运营商对电动汽车充放电具有一定程度的控制权。然而，实际上，只有电动汽车车主对电动汽车充放电拥有绝对控制权充放电，车主在进行充放电决策时只会考虑自己的充电成本和放电收益，电网或者充电站运营者只能通过制定充放电电价来引导电动汽车车主进行充放电决策。
发明内容
为了解决上述背景技术所存在的至少一技术问题，本发明提供了一种考虑交通出行特性的电动汽车有序充放电方法。
为实现上述目的，本发明采用如下技术方案：
一种考虑交通出行特性的电动汽车有序充放电方法，所述方法包括：
获取数据，所述数据包括电动汽车无序充电时的出行数据和充电时段数据，以及城市路网中的道路平均行驶速度和单位里程耗电量数据；
将所获取到的数据来建立考虑交通特性的电动汽车出行优化模型，获得出行优化结果；
将所获得的出行优化结果作为输入，以最小化充电成本为优化目标，建立考虑分时电价的电动汽车有序充放电优化模型，得到最优充放电方案。
本发明的有益效果在于：
本发明提出了一种考虑交通出行特性的电动汽车有序充放电方法，建立了考虑交通特性的电动汽车出行优化模型和考虑分时电价的电动汽车有序充放电优化模型，对电动汽车车主的出行行为和充电行为进行优化仿真。考虑交通特性的出行优化模型以最小化行程耗电量为优化目标，考虑了行程出发时间的可调节性，根据实时交通路况给电动汽车车主推荐最优行程出发时间和行驶路径。推荐的出行方案不仅可以减小行程耗电量，还可以有效避开交通拥堵路段，减小行程耗时；考虑分时电价的有序充放电优化模型以最小化充电成本为优化目标，考虑了可充放电时段的可变性，根据出行方案和分时电价给电动汽车车主推荐最优充放电时段。推荐的充放电方案不仅可以减小电动汽车车主的充电成本，还可以对电网产生削峰填谷、降低网损和电压波动的积极影响。
附图说明
图1为本发明实施例提供的考虑交通出行特性的电动汽车有序充放电方法的流程图；
图2为价格响应曲线图；
图3为路网模型图；
图4为30节点系统拓扑图；
图5为优化前后的电动汽车出行时空轨迹图；
图6为不同方案下的总充电负荷曲线图；
图7为不同方案下充电负荷对负荷曲线的影响图；
图8为不同方案下电网节点26的电压图。
具体实施方式
下面，结合附图以及具体实施方式，对本发明做进一步描述：
参阅图1所示，本实施例提供的考虑交通出行特性的电动汽车有序充放电方法主要包括如下步骤：
101、获取数据，所述数据包括电动汽车无序充电时的出行数据和充电时段数据，以及城市路网中的道路平均行驶速度和单位里程耗电量数据；
102、将所获取到的数据来建立考虑交通特性的电动汽车出行优化模型，获得出行优化结果；
103、将所获得的出行优化结果作为输入，以最小化充电成本为优化目标，建立考虑分时电价的电动汽车有序充放电优化模型，得到最优充放电方案。
基于文献[1](宋雨浓,林舜江,唐智强,等.基于动态车流的电动汽车充电负荷时空分布概率建模)建立的居民出行概率模型，当已知电动汽车在交通路网模型中当前所处节点a和当前时间c，并抽样得到下一出行目的地b后，可由式(1)和(2)抽样得到下一行程出发时间d。本发明以d为中心的±15％抽样概率区间作为行程出发时间的可调节范围，实际应用时行程出发时间可调节范围应由电动汽车车主根据个人行程安排给出。则最早行程出发时间ts,min和最晚行程出发时间ts,max可由式(3)和(4)得到。
ts，min＝min{FTr,mix -1(FTr,mix(d|a,b,c)-0.15|a,b,c),c} (3)
ts，max＝max{FTr,mix -1(FTr,mix(d|a,b,c)+0.15|a,b,c),1440} (4)
式中：c,d∈[0,1440)，fmix(d|a,b,0)和Fmix(d|a,b,0)为时间为0点时下一行程类型对应的出发时间混合正态分布的概率密度函数和累计概率分布函数，fTr,mix(d|a,b,c)和FTr,mix(d|a,b,c)为时间为c时下一行程类型对应的出发时间截断混合正态分布的概率密度函数和累计概率分布函数，H(d-c)为关于下一行程出发时间d的单位阶跃函数，在时刻c取值由0跳变为1，FTr,mix -1为FTr,mix的反函数。
对电动汽车车主来说，选择合理的行程出发时间和行驶路径可以更快速高效地完成出行，在避开拥堵时段和拥堵路段的同时，还可以最小化电池的电量消耗。因此，所建立的考虑交通特性的电动汽车出行优化模型，其目标函数为：
式中：为电动汽车第k次行程的耗电量，K为出行链长度，即一天的出行次数。用/>表示电动汽车第k次行程的出发时间，/>和/>分别表示电动汽车第k次行程的最早出发时间和最晚出发时间。二进制变量/>表示电动汽车第k次行程是否经过道路(i,j)从节点i驶向节点j，/>表示第k次行程的行驶路径包含道路(i,j)，/>表示第k次行程的路径规划不包含道路(i,j)。/>为二进制变量，为电动汽车第k次行程在t时刻的出发标记，当时，/>Lij为道路(i,j)的长度。/>为电动汽车在t时刻位于道路(i,j)时的单位里程耗电量。A为路网模型中所有道路(i,j)的集合。
行程出发时间应满足式(7)所示约束条件：
若第k次行程的起点和终点分别用和/>表示，则/>需满足式(8)和式(9)：
式中，j:(i,j)∈A表示集合A中所有以i为首节点的道路(i,j)对应的末节点j，j:(j,i)∈A表示集合A中所有以i为末节点的道路(j,i)对应的首节点j。
当道路(i,j)的首末节点均不包含行程起点或终点/>时，/>需满足式(10)～(11)所示路径约束：
式(10)表明，当i不是行程起点或终点/>时，电动汽车可能行驶经过的所有与i相连的道路中，行驶路径包含的驶向节点i和驶离节点i的道路数相同；当行驶路径经过节点i时，式(10)左右两边的值等于1；当行驶路径不经过节点i时，式(10)左右两边的值等于为0。式(11)避免了电动汽车在双向道路上掉转方向行驶。
由文献[1]中行驶速度-车流密度的关系可知，电动汽车的行驶速度与交通状况有关，道路拥堵时车流密度大，行驶缓慢，道路畅通时车流密度小，行驶快速。由文献[1]中单位里程耗电量计算可知，电动汽车的单位里程耗电量与交通状况和环境温度有关，行驶速度过快或过慢和环境温度过高或过低都会使单位里程耗电量增加。以文献[1]的模型仿真大规模电动汽车在城市路网中的行驶，可以得到电动汽车充电负荷的时空分布特性，由仿真过程数据可计算得到电动汽车在t时刻位于道路(i,j)时的平均行驶速度和单位里程耗电量/>
考虑交通特性时电动汽车第k次行程的行驶时间需满足式(12)～(15)：
式中，为二进制变量，其值为1时表示电动汽车第k次行程在t时刻处于行驶状态，为0时表示处于停止状态。Δt为仿真的时间步长，T为仿真时长对应的总步长数目。t'为辅助统计量，/>为二进制变量，为电动汽车第k次行程在t时刻的结束标记，当/>时， 表示电动汽车第k次行程的到达时间。式(12)等号左右两边的值都为第k次行程的行驶时间。
综上，考虑交通特性的电动汽车出行优化模型的目标函数为式(5)～(6)，约束条件为式(7)～(15)。该模型为混合整数非线性规划模型，以行程出发时间和行驶路径/>作为决策变量，以最小化行程耗电量作为优化目标，可采用SBB求解器进行求解。
本方法建立的电动汽车出行优化模型假设电动汽车电池剩余电量足以完成一天行程，当电动汽车电池剩余电量不足以完成一天行程，需选择合适的时间和地点充电。
对于一天中有充电需求的电动汽车车主，先通过求解出行优化模型可以得最优行程出发时间结束时间/>和行程耗电量/>以这些参数作为输入，以最小化充电成本为优化目标，建立考虑分时电价的电动汽车有序充放电优化模型，得到最优充放电方案。现实生活中，可由导航应用软件(APP)根据电动汽车车主的日常出行习惯得到优化后的出行方案，再依据优化后的出行方案和分时电价制定最优充放电方案并推荐给电动汽车车主，车主根据优化前后的充电均价之差来决策是否采用最优充放电方案。
大量电动汽车接入电网无序充电将加大负荷峰谷差，不利于电网安全稳定运行。为了减小充电负荷对电网运行的影响，通常采用分时电价机制来引导电动汽车车主调整充电时间。对电动汽车车主而言，选择合适的时间给电动汽车充放电，不仅能使电池电量保持在合理区间范围以减缓里程焦虑，还能降低充电成本。本小节提出一种电动汽车有序充放电优化模型，在满足出行需求的前提下，提高电动汽车充放电的经济性。优化目标包括充电费用、放电收益和电池损耗成本，如式(16)～(18)所示：
式中，第一项为充电费用，第二项为放电收益，第三项为电池损耗费用，和/>分别为电动汽车在第k次行程到达目的地后的充电费用和放电收益，/>为二进制变量，其值为1时分别表示电动汽车在第k次行程到达目的地后在t时刻充电/放电，/>和/>分别为t时刻的充电电价和放电电价，/>为电动汽车在第k次出行目的地/>的充放电功率，Cb为电池更换价格，Nb为电池最大充放电次数，Nch和Ndi分别为一天中电池的充电次数和放电次数，ηch和ηdi分别为电池的充电效率和放电效率。
若电动汽车在第k次行程到达目的地且下一行程出发前的时段充电，需满足式(19)～(23)所示约束：
式中，为二进制变量，其值为1时分别表示电动汽车在第k次行程到达目的地后在t时刻开始充电/结束充电，Tch,min为最小充电时长。式(22)约束了开始充电次数等于结束充电次数，表明在可充电时段内电动汽车可以充电多次，也可以不充电。式(23)表示一天中电池的充电次数等于这一天中各个有充电行程的开始充电标记之和。
若电动汽车在第k次行程到达目的地且下一行程出发前的时段放电，需满足式(24)～(28)所示约束：
式中，为二进制变量，其值为1时分别表示电动汽车在第k次行程到达目的地后在t时刻开始放电/结束放电，Tdi,min为最小放电时长。式(27)约束了开始放电次数等于结束放电次数，表明在可放电时段内电动汽车可以放电多次，也可以不放电。式(28)表示一天中电池的放电次数等于这一天中各个有放电行程的开始放电标记之和。
在任意时刻t，电动汽车只能处于充电、放电和行驶状态中的一种，因而需满足：
为了缓解里程焦虑，行程出发时、仅充电或仅放电结束时，电池电量应大于最低充电阈值和下一行程耗电量，且不超过电池最大电量。因而需满足如下约束：
式中，和/>分别为电动汽车第k次行程到达目的地后的充电电量和放电电量，Eb为电池最大电量，E0为电池一天的初始电量，0.3Eb表示最低充电阈值为最大电量的30％。为使优化前后的充电负荷更具可比性，相比于优化前电池的终止电量，行程结束时电池电量偏差应不超过±5％：
式中，ET表示优化前电动汽车电池一天的终止电量，即无序充电时电动汽车电池一天的终止电量。
综上，有序充放电优化模型的目标函数为式(16)～(18)，约束条件为式(19)～(33)。该模型为混合整数线性规划模型，以开始和结束充电标记和/>以及开始和结束放电标记/>和/>作为决策变量，以最小化充电成本作为优化目标，可采用CPLEX求解器进行求解。
无序充电负荷取决于车主出行习惯，但并非全部集中在充电高峰时段，也有部分充电负荷分布在非充电高峰时段，充电电价较低，不需调整充电方案。在分时电价模式下，电动汽车车主的无序充电成本随充电时段而变化，在高峰时段充电成本较高，在低谷时段充电成本较低。上述电动汽车有序充放电优化模型的求解结果给出了最低充电成本的有序充放电方案，对于电动汽车车主来说，成本降低越多，更愿意采用优化后的有序充放电方案，可采用价格响应曲线来描述车主对两种方案的响应行为。图2所示为价格响应曲线，根据消费者心理学原理，价格差会影响消费者对产品的选择。价格差对于消费者有一个最小可察觉阈值，即死区阈值，当两种互为可替代产品的价格差小于死区阈值时，消费者对价格差不敏感，更倾向于按照原来的生活习惯选择产品，即处于图中的死区时，消费者价格响应度为零；当价格差超过死区阈值时，消费者对价格差开始敏感，更倾向于选择低价替代产品，且响应度随着价格差的增加而增加，对应于图中的线性区；当价格差继续增大至超过饱和阈值时，消费者对于价格差的响应度也趋于饱和，对应于图中的饱和区。
电动汽车车主对无序充电方案和有序充放电方案的选择也有价格差上的考量，当优化后有序充放电方案的充电均价相比于优化前无序充电方案的充电均价具有明显价格优势时，电动汽车车主更愿意改变充电习惯选择有序充放电方案。当优化前后两种方案的价格差超过饱和阈值时，响应度达到最大值，此时仍会有部分电动汽车车主不愿改变充电习惯而选择无序充电方案。
定义电动汽车车主对优化前后两种方案价格差ΔC的响应度为采用有序充放电方案的概率p，价格响应曲线可用式(34)表示。
式中，ΔC1和ΔC2分别为死区阈值和饱和阈值，pmax为最大响应度，即采用有序充放电方案的最大百分比。ΔC为优化前后两种方案的充电均价之差，只充电时的均价为充电费用与充电电量之比，如式(35)，既充电又放电时的均价需要考虑放电收益的影响，如式(36)：
下面结合一个仿真试验来对本方法进一步的验证说明：
以文献[1]中电动汽车无序充电负荷时空分布概率建模为基础进行电动汽车出行优化和有序充放电优化的仿真计算。以文献[1]中60％渗透率下电动汽车在PaloAlto城市路网行驶的出行链数据和动态车流数据作为输入。以图3中美国PaloAlto市城区路网为例进行仿真，该地区主干路网包含48个节点和81条道路，路网模型中的参数与文献[1]相同。基于MATPOWER中的30节点系统构建了城市电网模型，如图4所示，电网模型中的参数参见文献[2](R.D.Zimmerman,C.E.Murillo-S′anchez,and R.J.Thomas,Matpower:Steady-StateOperations,Planning and Analysis Tools for Power Systems Research andEducation,IEEE Transactions on Power Systems,26(1)：12–19)。电动汽车以NissanLeaf车型为例进行仿真，电池容量设置为24kW·h，充电模式可采用慢充和快充，当位于住宅区时有足够时间进行慢充，充电功率为3.6kW，当位于其他区域时则进行快充，充电功率为7kW。放电功率与充电功率相同。仿真时间步长Δt取1min，则1天仿真时长对应的总步长数目T＝1440。电动汽车最小充电时长Tch,min和最小放电时长Tdi,min都取30min。以电网分时电价附加0.6元/kW·h充电服务费作为电动汽车充放电电价，如表1所示。为了体现不同电动汽车车主对价格敏感程度的不同，假设价格响应曲线的参数服从均匀分布：ΔC1～U[0.1,0.3]，ΔC2～U[0.6,1.0]，pmax～U[0.4,0.6]，仿真时通过随机抽样得到每位车主的价格响应曲线。
表1充放电电价
1)出行优化结果分析
图5为某一辆电动汽车在优化前后的出行时空轨迹，图中x-y平面对应PaloAlto城市路网的地平面，z轴表示时间，当轨迹与地平面垂直时，表示电动汽车停驻在当前位置，当轨迹不与地平面垂直时表示电动汽车在城市路网中行驶。表2给出了优化前后这辆电动汽车的出行链参数和行程耗电量。由图5和表1可知，这辆电动汽车一天共出行两次，出行链具有典型的上下班通勤特征：早上从住宅区出发前往工作区上班，下午从工作区出发返回住宅区。优化前的出行时空轨迹根据文献[1]中的仿真数据得到，行程出发时间由概率分布抽样确定，行驶路径由最短行程时间路径规划确定。由于优化前在通勤高峰时段出行，交通路况普遍拥堵，即使选择了当前时间的最短行程时间路径，行程耗时依旧较长。本发明提出的出行优化模型中，在出发时间可调节范围内选择耗电量最小的行程出发时间和行驶路径。相比于优化前，优化后这辆电动汽车采用了更早的行程出发时间，行程耗电量减小的同时，行程耗时也更短。
表2出行优化结果对比
表3给出了不同充电方案下的数据对比。由表中数据可知，相比于无序充电方案，采用有序充电方案时，充电时段由行程2结束后的用电高峰调整至凌晨用电低谷，充电成本减小明显，充电均价由1.4335元/kW·h降至0.9238元/kW·h，降幅接近电价峰谷差。采用有序充电方案时充电电量略微减少，这是由于出行优化使行程耗电量减少，充电需求也相应减少。采用有序充放电方案时，充电时电价处于谷值和平值，放电时电价处于峰值。相比于有序充电方案，充电电量增加9.126kW·h，约等于放电电量，相当于在电价处于谷值和平值时向电网低价购买这部分电量并存储在电池中，在电价处于峰值时再向电网高价出售这部分电量以赚取收益，从而进一步减小充电成本，充电均价降至0.6429元/kW·h。由于有序充电方案只充电不放电，优化后的最低充电均价即为电价谷值。采用有序充放电方案时，由于放电收益对充电成本的补贴，充电均价可降至低于电价谷值。
表3不同充电方案对比
2)不同方案下的结果比较
图6为采用无序充电、有序充电和有序充放电方案时的总充电负荷曲线。由图可知，采用无序充电方案时，充电负荷具有明显的两个高峰和一个低谷，高峰时段为09:00—12:00和18:00—20:00，低谷时段为04:00—07:00。采用有序充电方案后，白天和晚上的充电负荷峰值明显减小，峰值时段不变，减少的充电负荷转移至凌晨电价低谷时段形成了新的充电高峰。采用有序充放电方案后，白天和晚上的充电负荷进一步减小，由于电动汽车为了赚取放电收益集中在电价峰值时段(10:00—12:00和15:00—21:00)放电，充电负荷在白天形成了新的低谷，凌晨电价低谷时段的充电负荷则进一步增大。由此可见，在分时电价引导下，车主为了减少充电成本而调整充电时间和放电时间，可以有效改变充电负荷的时间分布，合理利用这一特性可以达到为电网负荷曲线削峰填谷的效果。
图8为采用不同方案时充电负荷对电网负荷曲线的影响。由于无序充电负荷曲线具有两个高峰和一个低谷，其对应的峰值时段和谷值时段与电网基础负荷曲线的峰值时段和谷值时段相同，若不采取措施任由电动汽车无序充电，充电负荷将对电网基础负荷造成峰上加峰的影响，如图7(a)所示，无序充电负荷使负荷峰值由145.3MW上升至155.5MW，并使负荷峰谷差由78.8MW升至87.6MW。当采用有序充电或者有序充放电方案后，大量充电负荷由白天用电高峰转移至凌晨用电低谷，可有效降低无序充电负荷造成的新高峰。如图7(b)所示，相较于无序充电时的总负荷，有序充电负荷使负荷峰值降至151.2MW，负荷峰谷差降至69.4MW。如图7(c)所示，有序充放电负荷的削峰填谷作用更为明显，其使负荷峰值降至147.8MW，负荷峰谷差降至62.7MW。表4给出了不同方案下的系统最大负荷、最小负荷和峰谷差率。
表4不同方案下的系统参数
表4中还给出了不同方案下的系统的网损电量和网损率。从表中数据可知，相比于基础负荷时的网损率，无序充电时的网损率增幅最大，为0.15％。相较于无序充电方案时的网损率，采用有序充电方案和有序充放电方案能够不同程度减小了网损率。其中，采用有序充放电方案时，网损率甚至低于没有充电负荷时的网损率，这是由于采用有序充电方案可以使得网损电量的增长小于基础负荷电量的增长。
图8为采用不同方案时电网节点26的电压变化情况。由图可知，采用无序充电方案时，电网节点26的电压波动最大，一天中19:00时电压最低，为0.9684p.u.。采用有序充电方案后，电网节点26的电压波动有所减小，电压最低值提升至0.9691p.u.。而采用有序充放电方案后，电网节点26的电压波动进一步减小，电压最低值提升至0.9698p.u.。
综上，本发明提出的考虑交通出行特性的电动汽车有序充放电方法，包括建立了考虑交通特性的出行优化模型和考虑分时电价的有序充放电优化模型，可对电动汽车车主的出行行为和充电行为进行优化仿真，与现有技术相比有如下优点：
1)建立的考虑交通特性的出行优化模型以最小化行程耗电量为优化目标，根据实时交通路况给电动汽车车主推荐最优行程出发时间和行驶路径。推荐的出行方案不仅可以减小行程耗电量，还可以有效避开交通拥堵路段，减小行程耗时；
2)建立的考虑分时电价的有序充放电优化模型以最小化充电成本为优化目标，根据出行方案和分时电价给出电动汽车最优充放电时段推荐给车主。推荐的充放电方案不仅可以减小电动汽车车主的充电成本，还可以对电网产生削峰填谷、降低网损和节点电压波动的积极影响。
对本领域的技术人员来说，可根据以上描述的技术方案以及构思，做出其它各种相应的改变以及形变，而所有的这些改变以及形变都应该属于本发明权利要求的保护范围之内。
Claims (4)
1.一种考虑交通出行特性的电动汽车有序充放电方法，其特征在于，所述方法包括：
获取数据，所述数据包括电动汽车无序充电时的出行数据和充电时段数据，以及城市路网中的道路平均行驶速度和单位里程耗电量数据；
将所获取到的数据来建立考虑交通特性的电动汽车出行优化模型，获得出行优化结果；
将所获得的出行优化结果作为输入，以最小化充电成本为优化目标，建立考虑分时电价的电动汽车有序充放电优化模型，得到最优充放电方案；
所述考虑交通特性的电动汽车出行优化模型的目标函数为：
式中：为电动汽车第k次行程的耗电量，K为出行链长度，即一天的出行次数；用/>表示电动汽车第k次行程的出发时间，/>和/>分别表示电动汽车第k次行程的最早出发时间和最晚出发时间；二进制变量/>表示电动汽车第k次行程是否经过道路(i,j)从节点i驶向节点j，/>表示第k次行程的行驶路径包含道路(i,j)，/>表示第k次行程的路径规划不包含道路(i,j)；/>为二进制变量，为电动汽车第k次行程在t时刻的出发标记，当/>时，/>Lij为道路(i,j)的长度；/>为电动汽车在t时刻位于道路(i,j)时的单位里程耗电量；A为路网模型中所有道路(i,j)的集合；
所述出行优化结果包括：最优行程出发时间结束时间/>和行程耗电量/>
所述考虑分时电价的电动汽车有序充放电优化模型的目标函数为：
式(12)中，第一项为充电费用，第二项为放电收益，第三项为电池损耗费用，和/>分别为电动汽车在第k次行程到达目的地后的充电费用和放电收益，/>为二进制变量，其值为1时分别表示电动汽车在第k次行程到达目的地后在t时刻充电/放电，/>和/>分别为t时刻的充电电价和放电电价，/>为电动汽车在第k次出行目的地/>的充放电功率，Cb为电池更换价格，Nb为电池最大充放电次数，Nch和Ndi分别为一天中电池的充电次数和放电次数，ηch和ηdi分别为电池的充电效率和放电效率；
在任意时刻t，电动汽车只能处于充电、放电和行驶状态中的一种，所述考虑分时电价的电动汽车有序充放电优化模型的目标函数需满足：
所述考虑分时电价的电动汽车有序充放电优化模型的目标函数需满足：
式中，和/>分别为电动汽车第k次行程到达目的地后的充电电量和放电电量，Eb为电池最大电量，E0为电池一天的初始电量，0.3Eb表示最低充电阈值为最大电量的30％；相比于优化前电池的终止电量，行程结束时电池电量偏差应不超过±5％：
式中，ET表示优化前电动汽车电池一天的终止电量，即无序充电时电动汽车电池一天的终止电量。
2.如权利要求1所述的考虑交通出行特性的电动汽车有序充放电方法，其特征在于，所述电动汽车第k次行程的出发时间应满足式(3)所示约束条件：
若第k次行程的起点和终点分别用和/>表示，则/>需满足式(8)和式(9)：
式中，j:(i,j)∈A表示集合A中所有以i为首节点的道路(i,j)对应的末节点j，j:(j,i)∈A表示集合A中所有以i为末节点的道路(j,i)对应的首节点j；
当道路(i,j)的首末节点均不包含行程起点或终点/>时，/>需满足式(6)～(7)所示路径约束：
且/>
式(6)表明，当i不是行程起点或终点/>时，电动汽车可能行驶经过的所有与i相连的道路中，行驶路径包含的驶向节点i和驶离节点i的道路数相同；当行驶路径经过节点i时，式(6)左右两边的值等于1；当行驶路径不经过节点i时，式(10)左右两边的值等于为0；式(7)避免了电动汽车在双向道路上掉转方向行驶；
考虑交通特性时电动汽车第k次行程的行驶时间需满足式(8)～11)：
式中，为二进制变量，其值为1时表示电动汽车第k次行程在t时刻处于行驶状态，为0时表示处于停止状态；Δt为仿真的时间步长，T为仿真时长对应的总步长数目；t'为辅助统计量，/>为二进制变量，为电动汽车第k次行程在t时刻的结束标记，当/>时，/> 表示电动汽车第k次行程的到达时间；式(8)等号左右两边的值都为第k次行程的行驶时间。
3.如权利要求1所述的考虑交通出行特性的电动汽车有序充放电方法，其特征在于，若电动汽车在第k次行程到达目的地且下一行程出发前的时段放电，所述考虑分时电价的电动汽车有序充放电优化模型的目标函数需满足式(15)～(18)所示约束：
或/>
式中，为二进制变量，其值为1时分别表示电动汽车在第k次行程到达目的地后在t时刻开始充电/结束充电，Tch,min为最小充电时长；式(18)约束了开始充电次数等于结束充电次数，表明在可充电时段内电动汽车可以充电多次，也可以不充电；式(19)表示一天中电池的充电次数等于这一天中各个有充电行程的开始充电标记之和。
4.如权利要求1所述的考虑交通出行特性的电动汽车有序充放电方法，其特征在于，若电动汽车在第k次行程到达目的地且下一行程出发前的时段放电，所述考虑分时电价的电动汽车有序充放电优化模型的目标函数需满足式(20)～(24)所示约束：
或/>
式中，为二进制变量，其值为1时分别表示电动汽车在第k次行程到达目的地后在t时刻开始放电/结束放电，Tdi,min为最小放电时长；式(23)约束了开始放电次数等于结束放电次数，表明在可放电时段内电动汽车可以放电多次，也可以不放电；式(24)表示一天中电池的放电次数等于这一天中各个有放电行程的开始放电标记之和。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110859463.3A CN113837431B (zh) | 2021-07-28 | 2021-07-28 | 一种考虑交通出行特性的电动汽车有序充放电方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110859463.3A CN113837431B (zh) | 2021-07-28 | 2021-07-28 | 一种考虑交通出行特性的电动汽车有序充放电方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113837431A CN113837431A (zh) | 2021-12-24 |
| CN113837431B true CN113837431B (zh) | 2024-01-26 |
Family
ID=78962976
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110859463.3A Active CN113837431B (zh) | 2021-07-28 | 2021-07-28 | 一种考虑交通出行特性的电动汽车有序充放电方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113837431B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20230408277A1 (en) * | 2022-06-21 | 2023-12-21 | Toyota Motor North America, Inc. | Electric vehicle destination routing prediction |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102222928A (zh) * | 2011-06-16 | 2011-10-19 | 北京许继电气有限公司 | 电动汽车动力电池大型集中储能智能型充放电系统 |
| CN109710882A (zh) * | 2018-12-21 | 2019-05-03 | 重庆大学 | 一种基于优化运行的离网型微电网电动汽车有序充放电负荷建模及求解方法 |
| CN110232219A (zh) * | 2019-05-17 | 2019-09-13 | 华南理工大学 | 一种基于数据挖掘的电动汽车可调度容量核定方法 |
| CN111682567A (zh) * | 2020-04-30 | 2020-09-18 | 浙江工业大学 | 一种基于模糊控制技术考虑用户评价的有序充放电控制方法 |
-
2021
- 2021-07-28 CN CN202110859463.3A patent/CN113837431B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102222928A (zh) * | 2011-06-16 | 2011-10-19 | 北京许继电气有限公司 | 电动汽车动力电池大型集中储能智能型充放电系统 |
| CN109710882A (zh) * | 2018-12-21 | 2019-05-03 | 重庆大学 | 一种基于优化运行的离网型微电网电动汽车有序充放电负荷建模及求解方法 |
| CN110232219A (zh) * | 2019-05-17 | 2019-09-13 | 华南理工大学 | 一种基于数据挖掘的电动汽车可调度容量核定方法 |
| CN111682567A (zh) * | 2020-04-30 | 2020-09-18 | 浙江工业大学 | 一种基于模糊控制技术考虑用户评价的有序充放电控制方法 |
Non-Patent Citations (3)
| Title |
|---|
| 基于V2G技术的电动汽车充放电策略研究;张怡冰;《中国优秀硕士学位论文》;全文 * |
| 基于动态车流的电动汽车充电负荷时空分布概率建模;宋雨浓等;《电力系统自动化》;全文 * |
| 电动汽车充电负荷对配电网的影响及有序充放电策略;周思宇;《中国优秀硕士学位论文》;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113837431A (zh) | 2021-12-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109034648B (zh) | 一种电动汽车集群需求响应潜力评估方法 | |
| CN108510128B (zh) | 一种区域电动汽车充电负荷时空分布预测方法 | |
| CN112751350B (zh) | 一种移动储能时空联合优化调度策略的制定方法 | |
| CN104260724B (zh) | 一种车辆智能预测控制系统及其方法 | |
| CN103236179B (zh) | 一种计及交通信息与电网信息的电动汽车充电导航方法 | |
| He et al. | Battery electric buses charging schedule optimization considering time-of-use electricity price | |
| CN107392400A (zh) | 计及实时交通与温度的ev充电负荷时空分布预测方法 | |
| CN105095611A (zh) | 一种高速公路电动汽车快速充电站排队算法 | |
| CN107187442A (zh) | 基于工况预测的插电式混合动力电动汽车能量管理系统 | |
| Ji et al. | A personalized fast-charging navigation strategy based on mutual effect of dynamic queuing | |
| CN106965688A (zh) | 一种电网和交通网协同环境下的电动汽车充电方法 | |
| CN112330013B (zh) | 一种基于动态路-电耦合网络的电动汽车充电引导和定价方法 | |
| CN113085655B (zh) | 一种车载电动汽车综合服务系统 | |
| CN113837431B (zh) | 一种考虑交通出行特性的电动汽车有序充放电方法 | |
| CN115545337A (zh) | 一种考虑线-网互动的电动汽车充电决策优化方法 | |
| CN112330025A (zh) | 用于城市电动汽车的时空充电负荷的预测方法 | |
| Yang et al. | Electric vehicle charging load forecasting model considering road network-power grid information | |
| Su et al. | An online pricing strategy of EV charging and data caching in highway service stations | |
| Zhang et al. | Vehicle and charging scheduling of electric bus fleets: A comprehensive review | |
| Lv et al. | Ev charging-driving navigation in electrified highway network | |
| Wang et al. | Optimal Routing and Charging of Electric Logistics VehiclesBased on Long-Distance Transportation and Dynamic Transportation System | |
| Shu et al. | Locational Price Driven Electric Bus Fleet Operation and Charging Demand Management | |
| Zhang et al. | An EV Charging Navigation Scheduling Strategy Based on Charging Power Adjustment | |
| Zhao et al. | Method for finding the best charging station in the power Internet of Things | |
| Bashash | Extended horizon ECMS control of PHEVs with 2D electricity price adaptation policy |
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 |