CN113852073A - 一种基于激励-响应充电决策估计的日前优化调度方法 - Google Patents

一种基于激励-响应充电决策估计的日前优化调度方法 Download PDF

Info

Publication number
CN113852073A
CN113852073A CN202111154299.2A CN202111154299A CN113852073A CN 113852073 A CN113852073 A CN 113852073A CN 202111154299 A CN202111154299 A CN 202111154299A CN 113852073 A CN113852073 A CN 113852073A
Authority
CN
China
Prior art keywords
charging
model
power
rsoc
time
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
CN202111154299.2A
Other languages
English (en)
Other versions
CN113852073B (zh
Inventor
郑文迪
张敏
李怡馨
邵振国
王向杰
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.)
Fuzhou University
Original Assignee
Fuzhou University
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 Fuzhou University filed Critical Fuzhou University
Priority to CN202111154299.2A priority Critical patent/CN113852073B/zh
Publication of CN113852073A publication Critical patent/CN113852073A/zh
Application granted granted Critical
Publication of CN113852073B publication Critical patent/CN113852073B/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
    • H02J3/008—Circuit arrangements for ac mains or ac distribution networks involving trading of energy or energy transmission rights
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression 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
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/381—Dispersed generators
    • 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]
    • 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
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/22—The renewable source being solar energy
    • H02J2300/24—The renewable source being solar energy of photovoltaic origin
    • 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
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/28—The renewable source being wind energy
    • 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
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/30—The power source being a fuel cell
    • 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
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/50—Photovoltaic [PV] energy
    • Y02E10/56—Power conversion systems, e.g. maximum power point trackers
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Power Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Operations Research (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Algebra (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Fuel Cell (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于激励‑响应充电决策估计的日前优化调度方法，该方法首先建立基于rSOC的电‑气转换系统模型，然后建立HV充电模型和EV充电模型，在此基础上，结合为车主提供的具有不同折扣激励的多种充电模式，基于W‑F定律建立激励‑响应充电决策估计模型以衡量车主对折扣激励的充电响应决策，进而以最小化运行成本为目标建立HEVA优化调度模型；建立HEVA整体模型后，通过HV、EV接入时刻和行驶里程概率密度函数获取日前预测数据，并输入HEVA整体模型进行求解，获取最优全天充电服务费折扣序列后，将其代入HEVA整体模型，求解获得考虑车主充电决策响应的HEVA内各设备最佳运行策略。

Description

一种基于激励-响应充电决策估计的日前优化调度方法
技术领域
本发明属于新能源汽车领域，具体涉及一种基于激励-响应充电决策估计的日前优化调度方法。
背景技术
面对目前的环境污染问题和能源枯竭问题，新能源汽车的发展是有效的解决方法。与传统化石燃料汽车相比，新能源汽车的大规模使用可以逐渐减少对石油资源的依赖，并大大减少温室气体的排放。其中，电池电动汽车(Electric Vehicle,EV)和氢燃料电池汽车(Hydrogen Vehicle,HV)是目前最具发展潜力的研究对象。EV研究时间较长，技术也更加成熟，但充电时间过长，且受到电池制造技术的限制，续航能力较差；HV充能时间短，续航能力强，但发展较慢，并未得到普及。在很长一段时间内，EV和HV将共存于汽车市场。但EV和HV的发展受到充电站和加氢站发展的制约。目前EV充电站已在市场上普遍应用，且通过电转气过程可将电能灵活转化为氢能并供给HV，考虑到节约占地和能源利用方面的优势，结合充电站和加氢站的一体式基础设施成为必要。
此类一体式基础设施可以通过电-气转换系统为EV和HV提供能源，并吸收当地的可再生能源(Renewable Energy Source,RES)以节省运营成本并减轻对公用电网的依赖。与传统的集中式设施相比，氢能/电动汽车聚合商(Hydrogen/Electric VehicleAggregator,HEVA)将周边地区的光伏、风电聚合作为电力输入，而且由于充电桩的用电和占用问题，将一定居民区或商业区区域内的EV充电桩聚合作为EV负荷。为实现新能源汽车的规模化使用，应该解决此类基础设施的实际应用问题。随新能源汽车的大规模接入，并进行无序充电，将导致峰谷差加剧，影响电力系统的经济稳定运行。因此，需要对HEVA的优化调度方法进行研究。
目前一些研究将重心转移到充电站与加氢站合二为一的一体式基础设施。为降低系统成本，已有研究通过随机优化方法对此类基础设施的各部分进行建模，并确定各环节的最佳运行模式。然而，目前对此类基础设施的优化调度方法并没有考虑到EV充电策略的优化，EV在此类基础设施中利用其负载转移特性的充电模型需要进一步研究以优化设施的运行并最大限度地提高其灵活性。
目前在对单独的电动汽车充电站的优化调度方面已有较成熟的研究。针对充电站的调度问题，大规模EV接入会导致计算维数爆炸，导致计算复杂化。同时，目前的调度方法大多对EV进行直接的充放电策略管理，鲜少充分考虑车主的充电倾向。虽有方法通过车主满意度模型进行评估和优化，但此类方法需车主提供大量偏好信息，且无法充分满足车主意愿。
与电动汽车充电站相较之下，一体式基础设施还包括电-气转换系统，通过水电解槽制成氢气，并将其存储在储氢罐中，同时需要燃料电池再将氢能转化为电能。目前研究的一体式基础设施中的制氢环节均为传统的低温水电解槽和氢燃料电池，能量转换效率较低，且灵活性较差。
发明内容
本发明的目的在于提供一种基于激励-响应充电决策估计的日前优化调度方法，该方法有利于在考虑车主充电决策响应的前提下获得HEVA内各设备最佳运行策略。
为实现上述目的，本发明采用的技术方案是：一种基于激励-响应充电决策估计的日前优化调度方法，建立基于可逆固体氧化物燃料电池rSOC的电-气转换系统模型，然后建立HV充电模型和EV充电模型，在此基础上，结合为车主提供的具有不同折扣激励的多种充电模式，基于韦伯-费希纳定律建立激励-响应充电决策估计模型以衡量车主对折扣激励的充电响应决策，进而以最小化运行成本为目标，建立HEVA优化调度模型，结合以上各模型得到HEVA整体模型；
建立HEVA整体模型后，通过HV、EV接入时刻和行驶里程概率密度函数获取日前预测数据，并输入HEVA整体模型进行求解，以获取最优全天充电服务费折扣序列；将折扣序列再次代入HEVA整体模型，求解获得HEVA内各设备最佳运行策略。
进一步地，所述电-气转换系统模型包括针对rSOC建立的rSOC模型以及针对储氢罐建立的储氢罐模型；对rSOC进行建模时，考虑其双向模式切换以及时间相关的启动成本。
进一步地，所述rSOC在SOFC模式下将氢气转换为电能以满足HEVA的电力需求；在SOEC模式下将产生的氢气暂时存储在储氢罐中，然后供应给HV以满足氢气需求，并供给rSOC进行发电；对rSOC进行建模的具体方法为：
在SOFC模式下，输出功率和约束条件表示为：
Figure BDA0003288049610000021
Figure BDA0003288049610000022
式中，
Figure BDA0003288049610000031
是rSOC输出功率；ηSOFC是放电效率；δconv是电能与氢气质量之间的传递系数；
Figure BDA0003288049610000032
是t时刻从储氢罐输出的氢气到rSOC的质量；
Figure BDA0003288049610000033
和P fc是最大和最小输出功率；
Figure BDA0003288049610000034
是二进制变量，在时间t时，若rSOC工作在SOFC模式则等于1，否则等于0；
在SOEC模式下，输入功率和约束条件表示为：
Figure BDA0003288049610000035
Figure BDA0003288049610000036
式中，ηSOEC是转换效率；
Figure BDA0003288049610000037
是输入功率；
Figure BDA0003288049610000038
是在时间t从rSOC输入储氢罐的氢气质量；
Figure BDA0003288049610000039
和P ele是最大和最小输入功率；
Figure BDA00032880496100000310
是二进制变量，在时间t时，若rSOC工作在SOEC模式则等于1，否则等于0；
由于rSOC的切换特性，电解模式和燃料电池模式不能同时运行，受到以下限制：
Figure BDA00032880496100000311
由于rSOC的热特性，在计算中考虑其启动成本和爬升约束；因此，SOFC模式或SOEC模式下的启停状态关系为：
Figure BDA00032880496100000312
Figure BDA00032880496100000313
Figure BDA00032880496100000314
Figure BDA00032880496100000315
式中，
Figure BDA00032880496100000316
和
Figure BDA00032880496100000317
分别是燃料电池模式和电解模式下的启动状态；
Figure BDA00032880496100000318
和
Figure BDA00032880496100000319
分别是在SOFC模式和SOEC模式下的关闭状态；
通过以下公式限制启动和关闭的最短时间UT和DT：
Figure BDA00032880496100000320
Figure BDA00032880496100000321
考虑斜坡上升、下降功率的约束表示为：
Figure BDA0003288049610000041
Figure BDA0003288049610000042
式中，Pru和Prd是最大爬升、下降功率；
考虑rSOC的高温工况，重启成本通过rSOC的容量和重启前的离线时间计算；启动成本
Figure BDA0003288049610000043
表示为：
Figure BDA0003288049610000044
Figure BDA0003288049610000045
其中，l是回溯期的索引；K(l)是从l个离线时段重新启动的成本；Vst和Fst是重启的最大可变成本和固定成本。
进一步地，所述储氢罐用于储存rSOC从可用电能转化而来的氢气；储氢罐中储存的氢气直接供应给HV，或通过rSOC转化为电能，以满足辅助用电和电动汽车的需求；t时刻储氢罐中氢气的质量表示为：
Figure BDA0003288049610000046
Figure BDA0003288049610000047
其中，
Figure BDA0003288049610000048
和
Figure BDA0003288049610000049
分别是t和t-1时刻储氢罐内的氢气质量；
Figure BDA00032880496100000410
是t时刻从储氢罐输出到HV的氢气质量；
Figure BDA00032880496100000411
和M tk分别是储氢罐中氢气质量的最大和最小限制。
进一步地，HV充电模型的建立方法如下：
rSOC产生的氢气是HV的能源；为完全满足HV的需求，在t时刻从储氢罐转化为HV的氢气质量按式(18)计算：
Figure BDA00032880496100000412
HV的氢气需求受储氢罐的最大和最小质量限制，如式(19)所示：
Figure BDA0003288049610000051
式中，
Figure BDA0003288049610000052
和M HV为储氢罐的最大容量和最小容量。
进一步地，EV充电模型的建立方法如下：
通过能量边界和充电功率限制来表征EV充电模型，以保证EV在出发期间充满电；单辆EV的充电操作建模为：
Figure BDA0003288049610000053
Figure BDA0003288049610000054
Figure BDA0003288049610000055
Figure BDA0003288049610000056
Figure BDA0003288049610000057
式中，di是EV i的日行驶距离；Ehkm是每百公里的能耗；
Figure BDA0003288049610000058
是EV i的电力需求；ηEV是EV的充电效率；EV i的到达时刻和离开时刻分别表示为
Figure BDA0003288049610000059
和
Figure BDA00032880496100000510
Figure BDA00032880496100000511
是Δt期间EV i的充电功率；EV i的最大和最小充电功率限制为
Figure BDA00032880496100000512
和
Figure BDA00032880496100000513
Figure BDA00032880496100000514
是t时刻EV i的累计充电能量；
Figure BDA00032880496100000515
和
Figure BDA00032880496100000516
是最大和最小能量限制；
引入EV集群模型来建立EV充电模型，以解决维度灾难：将相同出发时间同时到达的EV归类为电动汽车集群EVC，EVC集群充电模型表示为：
Figure BDA00032880496100000517
Figure BDA00032880496100000518
Figure BDA00032880496100000519
Figure BDA00032880496100000520
Figure BDA00032880496100000521
其中，
Figure BDA0003288049610000061
是t时刻EVC的累积充电能量；
Figure BDA0003288049610000062
和
Figure BDA0003288049610000063
是t时刻的累积充电能量上限和下限；
Figure BDA0003288049610000064
和P EVC是期间的最大和最小集群充电功率；集群模型以低维度描述电动汽车的灵活性，以降低计算复杂度。
进一步地，激励-响应充电决策估计模型的建立方法如下：
为车主提供具有不同折扣激励的多种充电模式，并引入W-F定律建立激励-响应充电决策估计模型以衡量充电折扣与车主充电决策之间的关系；基于W-F定律，当刺激强度以几何级数增加时，感觉强度以算术方式增加，即：
s＝kln(I)+s0 (30)
式中，k是韦伯分数；s0是刺激常数；
将车主接受聚合商调度的概率
Figure BDA0003288049610000065
作为响应值，表示为：
Figure BDA0003288049610000066
式中，
Figure BDA0003288049610000067
是最小刺激量，当刺激量小于
Figure BDA0003288049610000068
时，所有的EV车主都不接受调度；
Figure BDA0003288049610000069
是最大刺激量，当刺激量超过
Figure BDA00032880496100000610
时，车主接受聚合商调度的概率
Figure BDA00032880496100000611
为pz；
刺激量
Figure BDA00032880496100000612
的表达式如式(32)所示，包括三个具有相应影响系数的因素，即收费折扣
Figure BDA00032880496100000613
每辆EV的到达时间
Figure BDA00032880496100000614
和电力需求
Figure BDA00032880496100000615
Figure BDA00032880496100000616
进一步地，HEVA优化调度模型的建立方法如下：
以HEVA运行成本最小化为目标函数，如式(33)所示，包括光伏和风力发电的供电成本、车主的充电费用折扣成本和公用电网的购电成本：
Figure BDA00032880496100000617
式中，
Figure BDA00032880496100000618
是光伏和风力发电的成本；
Figure BDA00032880496100000619
和
Figure BDA00032880496100000620
是t时刻光伏和风电的产电功率；
Figure BDA00032880496100000621
是EV的充电服务费；
Figure BDA00032880496100000622
是t时刻EV的集群充电功率；
Figure BDA00032880496100000623
是公用电网的电价；
Figure BDA0003288049610000071
是公用电网的购电功率；
功率平衡如式(34)所示，即EV、rSOC和辅助设备消耗的功率和可再生能源的弃电功率的总和等于光伏、风电和公用电网的输出功率：
Figure BDA0003288049610000072
供给EV的功率受到聚合商和EV最大充电功率的限制，如式(35)和式(36)所示：
Figure BDA0003288049610000073
Figure BDA0003288049610000074
加氢速率的限制则包括聚合商和HV的最大加氢速率，分别用式(37)和式(38)表示：
Figure BDA0003288049610000075
Figure BDA0003288049610000076
第一天初始时刻储氢罐中的氢气量等于第二天同一时刻的氢气量，如式(39)所示：
Figure BDA0003288049610000077
式中，
Figure BDA0003288049610000078
是光伏和风力发电系统的弃电量；
Figure BDA0003288049610000079
是HEVA中辅助设备的用电功率；
Figure BDA00032880496100000710
是传输到rSOC的电功率；
Figure BDA00032880496100000711
和
Figure BDA00032880496100000712
是t时刻EV和HV的数量；Prev和Prhv是EV的最大充电功率和HV的最大加氢速率；
Figure BDA00032880496100000713
和
Figure BDA00032880496100000714
是在没有能量损失的情况下直接传输到EV的电功率和通过燃料电池转换并供给EV的电功率；
Figure BDA00032880496100000715
和
Figure BDA00032880496100000716
是一天周期内第一个时刻和最后一个时刻储氢罐中存储的氢气质量。
进一步地，将HEVA优化调度问题转换为一个混合整数非线性规划，并通过Gurobi求解器解决，具体包括以下步骤：
步骤1：建立HEVA整体模型，包括基于rSOC的电-气转换系统模型、HV充电模型、EV充电模型、激励-响应充电决策估计模型和HEVA优化调度模型；
步骤2：根据历史数据，获取当地光伏和风力发电系统产电量作为电能输入；
步骤3：根据本地数据拟合的概率密度函数获得负荷数据，包括EV和HV的接入时间和能源需求数据；假设到达时间是开始充电的时间，一天的到达时间符合式(40)分布：
Figure BDA0003288049610000081
式中，λT、kT分别为设定的参数；
车辆日行驶里程符合式(41)的分布：
Figure BDA0003288049610000082
式中，λD、kD分别为设定的参数；
步骤4：根据所建立的HEVA整体模型，在协议的充电策略下，求解获取最优充电服务费折扣序列；代入折扣序列再次进行日前优化调度，获取最优运行策略。
相较于现有技术，本发明具有以下有益效果：提供了一种基于可逆固体氧化物燃料电池(rSOC)的氢能/电动汽车聚合商(HEVA)的最优调度方法，以量化车主对外部激励的充电决策响应。本发明首先考虑到爬坡功率限制和时间相关的启动成本，对rSOC详细建模；在HV和EV充电模型的基础上，为车主提供多种基于不同折扣激励的充电模式，通过引入韦伯-费希纳定律，提出激励-响应充电决策估计来衡量充电折扣、到达时间和电力需求等因素与车主充电决策之间的关系；然后，以最小化运营成本为目标函数，将HEVA优化调度问题表述为混合整数非线性规划(MINP)，建立优化模型；最后，通过HV、EV接入时刻和行驶里程概率密度函数得到日前预测数据，并输入HEVA模型进行求解，以获取最优全天充电服务费折扣序列；将折扣序列再次代入HEVA整体模型，求解获得HEVA内各设备最佳运行策略。
附图说明
图1是本发明实施例的方法实现流程图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
如图1所示，本实施例提供了一种基于激励-响应充电决策估计的日前优化调度方法，其特征在于，建立基于可逆固体氧化物燃料电池rSOC的电-气转换系统模型，然后建立HV充电模型和EV充电模型，在此基础上，结合为车主提供的具有不同折扣激励的多种充电模式，基于韦伯-费希纳定律建立激励-响应充电决策估计模型以衡量车主对折扣激励的充电响应决策，进而以最小化运行成本为目标，建立HEVA优化调度模型；结合以上各模型得到HEVA整体模型；
建立HEVA整体模型后，通过HV、EV接入时刻和行驶里程概率密度函数获取日前预测数据，并输入HEVA整体模型进行求解，以获取最优全天充电服务费折扣序列；将折扣序列再次代入HEVA整体模型，求解获得HEVA内各设备最佳运行策略。
1、基于rSOC的电-气转换系统模型的建立
电-气转换系统模型包括针对rSOC建立的rSOC模型以及针对储氢罐建立的储氢罐模型。对rSOC进行建模时，考虑其双向模式切换以及时间相关的启动成本。与传统的碱性电池和质子交换膜(Proton Exchange Membrane,PEM)电池相比，rSOC由于其高能效和双模式操作而受到越来越多的关注。rSOC将固体氧化物燃料电池(Solid Oxide Fuel Cell,SOFC)和固体氧化物电解电池(Solid Oxide Electrolysis Cell,SOEC)的功能结合在单个设备中，可有效降低投资和运营复杂性。作为HEVA的能量转换中心，rSOC在SOFC模式下将氢气转换为电能以满足HEVA的电力需求；在SOEC模式下将产生的氢气暂时存储在储氢罐中，然后供应给HV以满足氢气需求，并供给rSOC进行发电。
本方法对rSOC进行详细建模，考虑了15分钟时滞下的运行性能。在SOFC模式下，输出功率和约束条件表示为：
在SOFC模式下，输出功率和约束条件表示为：
Figure BDA0003288049610000091
Figure BDA0003288049610000092
式中，
Figure BDA0003288049610000093
是rSOC输出功率；ηSOFC是放电效率；δconv是电能与氢气质量之间的传递系数；
Figure BDA0003288049610000101
是t时刻从储氢罐输出的氢气到rSOC的质量；
Figure BDA0003288049610000102
和
Figure BDA0003288049610000103
是最大和最小输出功率；
Figure BDA0003288049610000104
是二进制变量，在时间t时，若rSOC工作在SOFC模式则等于1，否则等于0。
在SOEC模式下，输入功率和约束条件表示为：
Figure BDA0003288049610000105
Figure BDA0003288049610000106
式中，ηSOEC是转换效率；
Figure BDA0003288049610000107
是输入功率；
Figure BDA0003288049610000108
是在时间t从rSOC输入储氢罐的氢气质量；
Figure BDA0003288049610000109
和P ele是最大和最小输入功率；
Figure BDA00032880496100001010
是二进制变量，在时间t时，若rSOC工作在SOEC模式则等于1，否则等于0。
由于rSOC的切换特性，电解模式和燃料电池模式不能同时运行，受到以下限制：
Figure BDA00032880496100001011
由于rSOC的热特性，在计算中考虑其启动成本和爬升约束；因此，SOFC模式或SOEC模式下的启停状态关系为：
Figure BDA00032880496100001012
Figure BDA00032880496100001013
Figure BDA00032880496100001014
Figure BDA00032880496100001015
式中，
Figure BDA00032880496100001016
和
Figure BDA00032880496100001017
分别是燃料电池模式和电解模式下的启动状态；
Figure BDA00032880496100001018
和
Figure BDA00032880496100001019
分别是在SOFC模式和SOEC模式下的关闭状态。
通过以下公式限制启动和关闭的最短时间UT和DT：
Figure BDA00032880496100001020
Figure BDA00032880496100001021
考虑斜坡上升、下降功率的约束表示为：
Figure BDA0003288049610000111
Figure BDA0003288049610000112
式中，Pru和Prd是最大爬升、下降功率。
考虑rSOC的高温工况，重启成本通过rSOC的容量和重启前的离线时间计算；启动成本
Figure BDA0003288049610000113
表示为：
Figure BDA0003288049610000114
Figure BDA0003288049610000115
其中，l是回溯期的索引；K(l)是从l个离线时段重新启动的成本；Vst和Fst是重启的最大可变成本和固定成本。
储氢罐用于储存rSOC从可用电能转化而来的氢气；储氢罐中储存的氢气直接供应给HV，或通过rSOC转化为电能，以满足辅助用电和电动汽车的需求。在不存在压缩损失和传输损失的假设下，t时刻储氢罐中氢气的质量表示为：
Figure BDA0003288049610000116
Figure BDA0003288049610000117
其中，
Figure BDA0003288049610000118
和
Figure BDA0003288049610000119
分别是t和t-1时刻储氢罐内的氢气质量；
Figure BDA00032880496100001110
是t时刻从储氢罐输出到HV的氢气质量；
Figure BDA00032880496100001111
和M tk分别是储氢罐中氢气质量的最大和最小限制。
2、HV充电模型的建立
rSOC产生的氢气是HV的能源；为完全满足HV的需求，在t时刻从储氢罐转化为HV的氢气质量按式(18)计算：
Figure BDA00032880496100001112
HV的氢气需求受储氢罐的最大和最小质量限制，如式(19)所示：
Figure BDA00032880496100001113
式中，
Figure BDA0003288049610000121
和M HV为储氢罐的最大容量和最小容量。
3、EV充电模型的建立
通过能量边界和充电功率限制来表征EV充电模型，以保证EV在出发期间充满电。单辆EV的充电操作建模为：
Figure BDA0003288049610000122
Figure BDA0003288049610000123
Figure BDA0003288049610000124
Figure BDA0003288049610000125
Figure BDA0003288049610000126
式中，di是EV i的日行驶距离；Ehkm是每百公里的能耗；
Figure BDA0003288049610000127
是EV i的电力需求；ηEV是EV的充电效率；EV i的到达时刻和离开时刻分别表示为
Figure BDA0003288049610000128
和
Figure BDA0003288049610000129
Figure BDA00032880496100001210
是Δt期间EV i的充电功率；EV i的最大和最小充电功率限制为
Figure BDA00032880496100001211
和
Figure BDA00032880496100001212
Figure BDA00032880496100001213
是t时刻EV i的累计充电能量；
Figure BDA00032880496100001214
和
Figure BDA00032880496100001215
是最大和最小能量限制。
考虑到目前EV的大量接入，使调度模型的变量数量级不断增大，易造成维数爆炸，大大提高计算复杂度。因此引入EV集群模型来建立EV充电模型，以解决维度灾难。在该模型中，将相同出发时间同时到达的EV归类为电动汽车集群EVC，EVC集群充电模型表示为：
Figure BDA00032880496100001216
Figure BDA00032880496100001217
Figure BDA00032880496100001218
Figure BDA00032880496100001219
Figure BDA0003288049610000131
其中，
Figure BDA0003288049610000132
是t时刻EVC的累积充电能量；
Figure BDA0003288049610000133
和
Figure BDA0003288049610000134
是t时刻的累积充电能量上限和下限；
Figure BDA0003288049610000135
和P EVC是期间的最大和最小集群充电功率；集群模型以较低的维度准确描述电动汽车的灵活性，从而显着降低计算复杂度。EVC的变量与包含的EV数量无关，有效降低了每个EV预测误差的影响。
4、激励-响应充电决策估计模型的建立
考虑到EV充电时间较长，可对其进行充放电管理以达到HEVA的经济运行。EV的充电调度需要考虑车主的充电行为，因为他们对电动汽车有绝对的控制权。为此，聚合商与EV车主制定了充电服务协议，充电价格分为充电费用和充电服务费用，提供两类充电模式：1、EV接入后，HEVA以基本充电价格提供最大充电功率；2、聚合商可以在协议的时间内对EV的充电功率和充电周期进行调度，并承诺车主可以享受在充电服务费上的一定折扣，考虑到车主需求的多样化，协议设定多种优惠方案，充电服务费折扣从0.5到0.9，分别对应延长充电时间为6-10小时。这种收费机制通过激励折扣保证了司机的选择权以及聚合商的产出和利润之间的平衡。
为揭示车主的充电行为，衡量充电折扣与车主充电决策之间的关系，本发明通过引入W-F定律提出激励-响应充电决策估计方法，建立激励-响应充电决策估计模型。W-F定律在心理学、市场营销等领域得到广泛应用，被用于实现刺激的感官价值与响应物理量之间的转换。通过该定律可以定量地建立响应值s与来自外部环境的刺激量I之间的函数关系。基于W-F定律，当刺激强度以几何级数增加时，感觉强度以算术方式增加，即：
s＝kln(I)+s0 (30)
式中，k是韦伯分数；s0是刺激常数。
将车主接受聚合商调度的概率
Figure BDA0003288049610000137
作为响应值，表示为：
Figure BDA0003288049610000138
式中，
Figure BDA0003288049610000139
是最小刺激量，当刺激量小于
Figure BDA00032880496100001310
时，所有的EV车主都不会接受调度；
Figure BDA00032880496100001311
是最大刺激量，当刺激量超过
Figure BDA0003288049610000141
时，车主接受聚合商调度的概率
Figure BDA0003288049610000142
为pz。
一般而言，车主的充电决策主要受收费折扣
Figure BDA0003288049610000143
的影响。但是，个体差异导致不同车主在相同折扣激励下的充电行为不同。每辆EV的到达时间
Figure BDA0003288049610000144
和电力需求
Figure BDA0003288049610000145
也是影响因素。因此，刺激量
Figure BDA0003288049610000146
的表达式如式(32)所示，包括三个具有相应影响系数的因素，即收费折扣
Figure BDA0003288049610000147
每辆EV的到达时间
Figure BDA0003288049610000148
和电力需求
Figure BDA0003288049610000149
Figure BDA00032880496100001410
5、HEVA优化调度模型的建立
以HEVA运行成本最小化为目标函数，如式(33)所示，包括光伏和风力发电的供电成本、车主的充电费用折扣成本和公用电网的购电成本：
Figure BDA00032880496100001411
式中，
Figure BDA00032880496100001412
是光伏和风力发电的成本；
Figure BDA00032880496100001413
和
Figure BDA00032880496100001414
是t时刻光伏和风电的产电功率；
Figure BDA00032880496100001415
是EV的充电服务费；
Figure BDA00032880496100001416
是t时刻EV的集群充电功率；
Figure BDA00032880496100001417
是公用电网的电价；
Figure BDA00032880496100001418
是公用电网的购电功率。
功率平衡如式(34)所示，即EV、rSOC和辅助设备消耗的功率和可再生能源的弃电功率的总和等于光伏、风电和公用电网的输出功率：
Figure BDA00032880496100001419
供给EV的功率受到聚合商和EV最大充电功率的限制，如式(35)和式(36)所示：
Figure BDA00032880496100001420
Figure BDA00032880496100001421
加氢速率的限制则包括聚合商和HV的最大加氢速率，分别用式(37)和式(38)表示：
Figure BDA00032880496100001422
Figure BDA0003288049610000151
第一天初始时刻储氢罐中的氢气量等于第二天同一时刻的氢气量，如式(39)所示：
Figure BDA0003288049610000152
式中，
Figure BDA0003288049610000153
是光伏和风力发电系统的弃电量；
Figure BDA0003288049610000154
是HEVA中辅助设备的用电功率；
Figure BDA0003288049610000155
是传输到rSOC的电功率；
Figure BDA0003288049610000156
和
Figure BDA0003288049610000157
是t时刻EV和HV的数量；Prev和Prhv是EV的最大充电功率和HV的最大加氢速率；
Figure BDA0003288049610000158
和
Figure BDA0003288049610000159
是在没有能量损失的情况下直接传输到EV的电功率和通过燃料电池转换并供给EV的电功率；
Figure BDA00032880496100001510
和
Figure BDA00032880496100001511
是一天周期内第一个时刻和最后一个时刻储氢罐中存储的氢气质量。
6、基于激励-响应充电决策估计的日前优化调度方法的实现
本发明提出了基于rSOC的HEVA的日前优化调度方法，通过激励-响应充电决策估计以获得最小运营成本的可调度EV方案。假定HEVA并网运行，并优先采用光伏和风力发电系统供电。将HEVA的优化调度问题表述为一个混合整数非线性规划，并由Gurobi求解器解决。整个优化过程可描述如下：
步骤1：建立HEVA整体模型，包括基于rSOC的电-气转换系统模型、HV充电模型、EV充电模型、激励-响应充电决策估计模型和HEVA优化调度模型；
步骤2：根据历史数据，获取当地光伏和风力发电系统产电量作为电能输入；
步骤3：根据本地数据拟合的概率密度函数获得负荷数据，包括EV和HV的接入时间和能源需求数据；假定EV和HV的行驶特性与普通汽车一样。在实际数据的基础上，可以通过最大似然估计方法模拟到达时间和每日里程的分布。假设到达时间是开始充电的时间，一天的到达时间符合式(40)分布：
Figure BDA00032880496100001512
式中，λT、kT分别为设定的参数；在本实施例中，λT为18.32，kT为5.847。
车辆日行驶里程符合式(41)的分布：
Figure BDA0003288049610000161
式中，λD、kD分别为设定的参数；在本实施例中，λD为3.20，kD为0.95。
步骤4：根据所建立的HEVA整体模型，在协议的充电策略下，求解获取最优充电服务费折扣序列；代入折扣序列再次进行日前优化调度，获取最优运行策略。
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。

Claims (9)

1.一种基于激励-响应充电决策估计的日前优化调度方法，其特征在于，建立基于可逆固体氧化物燃料电池rSOC的电-气转换系统模型，然后建立HV充电模型和EV充电模型，在此基础上，结合为车主提供的具有不同折扣激励的多种充电模式，基于韦伯-费希纳定律建立激励-响应充电决策估计模型以衡量车主对折扣激励的充电响应决策，进而以最小化运行成本为目标，建立HEVA优化调度模型，结合以上各模型得到HEVA整体模型；
建立HEVA整体模型后，通过HV、EV接入时刻和行驶里程概率密度函数获取日前预测数据，并输入HEVA整体模型进行求解，以获取最优全天充电服务费折扣序列；将折扣序列再次代入HEVA整体模型，求解获得HEVA内各设备最佳运行策略。
2.根据权利要求1所述的一种基于激励-响应充电决策估计的日前优化调度方法，其特征在于，所述电-气转换系统模型包括针对rSOC建立的rSOC模型以及针对储氢罐建立的储氢罐模型；对rSOC进行建模时，考虑其双向模式切换以及时间相关的启动成本。
3.根据权利要求2所述的一种基于激励-响应充电决策估计的日前优化调度方法，其特征在于，所述rSOC在SOFC模式下将氢气转换为电能以满足HEVA的电力需求；在SOEC模式下将产生的氢气暂时存储在储氢罐中，然后供应给HV以满足氢气需求，并供给rSOC进行发电；对rSOC进行建模的具体方法为：
在SOFC模式下，输出功率和约束条件表示为：
Figure FDA0003288049600000011
Figure FDA0003288049600000012
式中，
Figure FDA0003288049600000013
是rSOC输出功率；ηSOFC是放电效率；δconv是电能与氢气质量之间的传递系数；
Figure FDA0003288049600000014
是t时刻从储氢罐输出的氢气到rSOC的质量；
Figure FDA0003288049600000015
和P fc是最大和最小输出功率；
Figure FDA0003288049600000016
是二进制变量，在时间t时，若rSOC工作在SOFC模式则等于1，否则等于0；
在SOEC模式下，输入功率和约束条件表示为：
Figure FDA0003288049600000017
Figure FDA0003288049600000018
式中，ηSOEC是转换效率；
Figure FDA0003288049600000021
是输入功率；
Figure FDA0003288049600000022
是在时间t从rSOC输入储氢罐的氢气质量；
Figure FDA0003288049600000023
和P ele是最大和最小输入功率；
Figure FDA0003288049600000024
是二进制变量，在时间t时，若rSOC工作在SOEC模式则等于1，否则等于0；
由于rSOC的切换特性，电解模式和燃料电池模式不能同时运行，受到以下限制：
Figure FDA0003288049600000025
由于rSOC的热特性，在计算中考虑其启动成本和爬升约束；因此，SOFC模式或SOEC模式下的启停状态关系为：
Figure FDA0003288049600000026
Figure FDA0003288049600000027
Figure FDA0003288049600000028
Figure FDA0003288049600000029
式中，
Figure FDA00032880496000000210
和
Figure FDA00032880496000000211
分别是燃料电池模式和电解模式下的启动状态；
Figure FDA00032880496000000212
和
Figure FDA00032880496000000213
分别是在SOFC模式和SOEC模式下的关闭状态；
通过以下公式限制启动和关闭的最短时间UT和DT：
Figure FDA00032880496000000214
Figure FDA00032880496000000215
考虑斜坡上升、下降功率的约束表示为：
Figure FDA00032880496000000216
Figure FDA00032880496000000217
式中，Pru和Prd是最大爬升、下降功率；
考虑rSOC的高温工况，重启成本通过rSOC的容量和重启前的离线时间计算；启动成本
Figure FDA00032880496000000218
表示为：
Figure FDA00032880496000000219
Figure FDA0003288049600000031
Figure FDA0003288049600000032
其中，l是回溯期的索引；K(l)是从l个离线时段重新启动的成本；Vst和Fst是重启的最大可变成本和固定成本。
4.根据权利要求2所述的一种基于激励-响应充电决策估计的日前优化调度方法，其特征在于，所述储氢罐用于储存rSOC从可用电能转化而来的氢气；储氢罐中储存的氢气直接供应给HV，或通过rSOC转化为电能，以满足辅助用电和电动汽车的需求；t时刻储氢罐中氢气的质量表示为：
Figure FDA0003288049600000033
Figure FDA0003288049600000034
其中，
Figure FDA0003288049600000035
和
Figure FDA0003288049600000036
分别是t和t-1时刻储氢罐内的氢气质量；
Figure FDA0003288049600000037
是t时刻从储氢罐输出到HV的氢气质量；
Figure FDA0003288049600000038
和M tk分别是储氢罐中氢气质量的最大和最小限制。
5.根据权利要求1所述的一种基于激励-响应充电决策估计的日前优化调度方法，其特征在于，HV充电模型的建立方法如下：
rSOC产生的氢气是HV的能源；为完全满足HV的需求，在t时刻从储氢罐转化为HV的氢气质量按式(18)计算：
Figure FDA0003288049600000039
HV的氢气需求受储氢罐的最大和最小质量限制，如式(19)所示：
Figure FDA00032880496000000310
式中，
Figure FDA00032880496000000311
和M HV为储氢罐的最大容量和最小容量。
6.根据权利要求1所述的一种基于激励-响应充电决策估计的日前优化调度方法，其特征在于，EV充电模型的建立方法如下：
通过能量边界和充电功率限制来表征EV充电模型，以保证EV在出发期间充满电；单辆EV的充电操作建模为：
Figure FDA00032880496000000312
Figure FDA0003288049600000041
Figure FDA0003288049600000042
Figure FDA0003288049600000043
Figure FDA0003288049600000044
式中，di是EV i的日行驶距离；Ehkm是每百公里的能耗；
Figure FDA0003288049600000045
是EV i的电力需求；ηEV是EV的充电效率；EV i的到达时刻和离开时刻分别表示为
Figure FDA0003288049600000046
和
Figure FDA0003288049600000047
Figure FDA0003288049600000048
是Δt期间EV i的充电功率；EV i的最大和最小充电功率限制为
Figure FDA0003288049600000049
和
Figure FDA00032880496000000410
Figure FDA00032880496000000411
是t时刻EV i的累计充电能量；
Figure FDA00032880496000000412
和
Figure FDA00032880496000000413
是最大和最小能量限制；
引入EV集群模型来建立EV充电模型，以解决维度灾难：将相同出发时间同时到达的EV归类为电动汽车集群EVC，EVC集群充电模型表示为：
Figure FDA00032880496000000414
Figure FDA00032880496000000415
Figure FDA00032880496000000416
Figure FDA00032880496000000417
Figure FDA00032880496000000418
其中，
Figure FDA00032880496000000419
是t时刻EVC的累积充电能量；
Figure FDA00032880496000000420
和
Figure FDA00032880496000000421
是t时刻的累积充电能量上限和下限；
Figure FDA00032880496000000422
和P EVC是期间的最大和最小集群充电功率；集群模型以低维度描述电动汽车的灵活性，以降低计算复杂度。
7.根据权利要求1所述的一种基于激励-响应充电决策估计的日前优化调度方法，其特征在于，激励-响应充电决策估计模型的建立方法如下：
为车主提供具有不同折扣激励的多种充电模式，并引入W-F定律建立激励-响应充电决策估计模型以衡量充电折扣与车主充电决策之间的关系；基于W-F定律，当刺激强度以几何级数增加时，感觉强度以算术方式增加，即：
s＝kln(I)+s0 (30)
式中，k是韦伯分数；s0是刺激常数；
将车主接受聚合商调度的概率
Figure FDA0003288049600000051
作为响应值，表示为：
Figure FDA0003288049600000052
式中，
Figure FDA0003288049600000053
是最小刺激量，当刺激量小于
Figure FDA0003288049600000054
时，所有的EV车主都不接受调度；
Figure FDA0003288049600000055
是最大刺激量，当刺激量超过
Figure FDA0003288049600000056
时，车主接受聚合商调度的概率
Figure FDA0003288049600000057
为pz；
刺激量
Figure FDA0003288049600000058
的表达式如式(32)所示，包括三个具有相应影响系数的因素，即收费折扣
Figure FDA0003288049600000059
每辆EV的到达时间
Figure FDA00032880496000000510
和电力需求
Figure FDA00032880496000000511
Figure FDA00032880496000000512
8.根据权利要求1所述的一种基于激励-响应充电决策估计的日前优化调度方法，其特征在于，HEVA优化调度模型的建立方法如下：
以HEVA运行成本最小化为目标函数，如式(33)所示，包括光伏和风力发电的供电成本、车主的充电费用折扣成本和公用电网的购电成本：
Figure FDA00032880496000000513
式中，
Figure FDA00032880496000000514
是光伏和风力发电的成本；
Figure FDA00032880496000000515
和
Figure FDA00032880496000000516
是t时刻光伏和风电的产电功率；
Figure FDA00032880496000000517
是EV的充电服务费；
Figure FDA00032880496000000518
是t时刻EV的集群充电功率；
Figure FDA00032880496000000519
是公用电网的电价；
Figure FDA00032880496000000520
是公用电网的购电功率；
功率平衡如式(34)所示，即EV、rSOC和辅助设备消耗的功率和可再生能源的弃电功率的总和等于光伏、风电和公用电网的输出功率：
Figure FDA00032880496000000521
供给EV的功率受到聚合商和EV最大充电功率的限制，如式(35)和式(36)所示：
Figure FDA0003288049600000061
Figure FDA0003288049600000062
加氢速率的限制则包括聚合商和HV的最大加氢速率，分别用式(37)和式(38)表示：
Figure FDA0003288049600000063
Figure FDA0003288049600000064
第一天初始时刻储氢罐中的氢气量等于第二天同一时刻的氢气量，如式(39)所示：
Figure FDA0003288049600000065
式中，
Figure FDA0003288049600000066
是光伏和风力发电系统的弃电量；
Figure FDA0003288049600000067
是HEVA中辅助设备的用电功率；
Figure FDA0003288049600000068
是传输到rSOC的电功率；
Figure FDA0003288049600000069
和
Figure FDA00032880496000000610
是t时刻EV和HV的数量；Prev和Prhv是EV的最大充电功率和HV的最大加氢速率；
Figure FDA00032880496000000611
和
Figure FDA00032880496000000612
是在没有能量损失的情况下直接传输到EV的电功率和通过燃料电池转换并供给EV的电功率；
Figure FDA00032880496000000613
和
Figure FDA00032880496000000614
是一天周期内第一个时刻和最后一个时刻储氢罐中存储的氢气质量。
9.根据权利要求1所述的一种基于激励-响应充电决策估计的日前优化调度方法，其特征在于，将HEVA优化调度问题转换为一个混合整数非线性规划，并通过Gurobi求解器解决，具体包括以下步骤：
步骤1：建立HEVA整体模型，包括基于rSOC的电-气转换系统模型、HV充电模型、EV充电模型、激励-响应充电决策估计模型和HEVA优化调度模型；
步骤2：根据历史数据，获取当地光伏和风力发电系统产电量作为电能输入；
步骤3：根据本地数据拟合的概率密度函数获得负荷数据，包括EV和HV的接入时间和能源需求数据；假设到达时间是开始充电的时间，一天的到达时间符合式(40)分布：
Figure FDA0003288049600000071
式中，λT、kT分别为设定的参数；
车辆日行驶里程符合式(41)的分布：
Figure FDA0003288049600000072
式中，λD、kD分别为设定的参数；
步骤4：根据所建立的HEVA整体模型，在协议的充电策略下，求解获取最优充电服务费折扣序列；代入折扣序列再次进行日前优化调度，获取最优运行策略。
CN202111154299.2A 2021-09-29 2021-09-29 一种基于激励-响应充电决策估计的日前优化调度方法 Active CN113852073B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111154299.2A CN113852073B (zh) 2021-09-29 2021-09-29 一种基于激励-响应充电决策估计的日前优化调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111154299.2A CN113852073B (zh) 2021-09-29 2021-09-29 一种基于激励-响应充电决策估计的日前优化调度方法

Publications (2)

Publication Number Publication Date
CN113852073A true CN113852073A (zh) 2021-12-28
CN113852073B CN113852073B (zh) 2023-12-15

Family

ID=78977198

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111154299.2A Active CN113852073B (zh) 2021-09-29 2021-09-29 一种基于激励-响应充电决策估计的日前优化调度方法

Country Status (1)

Country Link
CN (1) CN113852073B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117522496A (zh) * 2023-11-20 2024-02-06 湖北工业大学 基于等效感知跨期的电动运营车充电方案的决策方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120146587A1 (en) * 2010-11-15 2012-06-14 Bloom Energy Corporation Fuel Cell System with Grid Independent Operation and DC Microgrid Capability
US20120326668A1 (en) * 2011-06-27 2012-12-27 Bloom Energy Corporation Electrical vehicle charging using fuel cell system
US20130184886A1 (en) * 2009-07-17 2013-07-18 Gridpoint, Inc. Systems and methods for smart charging techniques, value and guarantee
US20190148945A1 (en) * 2017-11-13 2019-05-16 Nec Laboratories America, Inc. Demand charge and response management using energy storage
JP2020031484A (ja) * 2018-08-22 2020-02-27 ニチコン株式会社 蓄電システムおよびパワーコンディショナ
CN111260237A (zh) * 2020-01-21 2020-06-09 福州大学 一种考虑ev车主意愿的多利益主体协调博弈调度方法
CN112186768A (zh) * 2020-10-22 2021-01-05 华中科技大学 Mg、la和dno共同参与的交直流配电网协同调度方法与系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130184886A1 (en) * 2009-07-17 2013-07-18 Gridpoint, Inc. Systems and methods for smart charging techniques, value and guarantee
US20120146587A1 (en) * 2010-11-15 2012-06-14 Bloom Energy Corporation Fuel Cell System with Grid Independent Operation and DC Microgrid Capability
US20120326668A1 (en) * 2011-06-27 2012-12-27 Bloom Energy Corporation Electrical vehicle charging using fuel cell system
US20190148945A1 (en) * 2017-11-13 2019-05-16 Nec Laboratories America, Inc. Demand charge and response management using energy storage
JP2020031484A (ja) * 2018-08-22 2020-02-27 ニチコン株式会社 蓄電システムおよびパワーコンディショナ
CN111260237A (zh) * 2020-01-21 2020-06-09 福州大学 一种考虑ev车主意愿的多利益主体协调博弈调度方法
CN112186768A (zh) * 2020-10-22 2021-01-05 华中科技大学 Mg、la和dno共同参与的交直流配电网协同调度方法与系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
W. YANG, Z. YU, J. XIAOLING, L. YIXIN, Y. JUN AND L. XUEMEI: "The dynamic assessment method of urban electric vehicle service network\'s service capability", 2017 IEEE CONFERENCE ON ENERGY INTERNET AND ENERGY SYSTEM INTEGRATION, pages 1 - 6 *
刘文霞, 张敏, 张建华, 曾博: "电动汽车负荷对配电网可靠性影响的量化分析", 电力系统及其自动化学报, vol. 25, no. 4, pages 1 - 6 *
吴铁洲，张敏，曾艺师，熊金龙: "自动引导车电池SOC估算方法研究", 计算机测量与控制, vol. 25, no. 8, pages 166 - 169 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117522496A (zh) * 2023-11-20 2024-02-06 湖北工业大学 基于等效感知跨期的电动运营车充电方案的决策方法

Also Published As

Publication number Publication date
CN113852073B (zh) 2023-12-15

Similar Documents

Publication Publication Date Title
Erol-Kantarci et al. Prediction-based charging of PHEVs from the smart grid with dynamic pricing
Chen et al. Strategic integration of vehicle-to-home system with home distributed photovoltaic power generation in Shanghai
CN103241130B (zh) 一种电动公交车充换电站的能量管理方法及系统
CN111626527B (zh) 计及可调度电动汽车快/慢充放电形式的智能电网深度学习调度方法
Alabi et al. Improved hybrid inexact optimal scheduling of virtual powerplant (VPP) for zero-carbon multi-energy system (ZCMES) incorporating Electric Vehicle (EV) multi-flexible approach
CN104269849A (zh) 基于建筑光伏微电网的能量管理方法及系统
CN105787605A (zh) 基于改进型量子遗传算法的微网经济优化运行调度方法
CN109948823B (zh) 一种光储充电塔自适应鲁棒日前优化调度方法
CN110556822B (zh) 一种含电动汽车消纳大规模风电机组的组合计算方法
CN109217290A (zh) 计及电动汽车充放电的微网能量优化管理方法
CN109710882B (zh) 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
CN110126679B (zh) 一种燃料电池最佳工作点的获取方法
Wang et al. Scenario analysis, management, and optimization of a new Vehicle-to-Micro-Grid (V2μG) network based on off-grid renewable building energy systems
CN109409615A (zh) 基于非合作博弈的充换储一体化电站微电网优化调度方法
CN114583729A (zh) 考虑全生命周期碳排放的光-储电动汽车充电站调度方法
Zheng et al. Optimal dispatch for reversible solid oxide cell-based hydrogen/electric vehicle aggregator via stimuli-responsive charging decision estimation
CN113270884B (zh) 一种基于v2g微网系统的电力能源管理系统和方法
CN113852073B (zh) 一种基于激励-响应充电决策估计的日前优化调度方法
KR101972830B1 (ko) Pv/t가 적용된 열 전기 복합 그리드 시스템 및 그 운영 방법
Robyns et al. Electrical energy storage for buildings in smart grids
CN111224418B (zh) 一种基于电动汽车储能的微电网调度方法及系统
Wang et al. Optimal sizing of photovoltaic and battery energy storage of electric vehicle charging station based on two-part electricity pricing
CN112803493B (zh) 基于边际成本的分散式储能与分布式光伏协同方法及系统
CN112109580B (zh) 一种电量自分配的微电网电动汽车充放电控制系统
CN112767189A (zh) 一种计及风电并网下电网灵活性评估方法

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