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 PDFInfo
- 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
Links
- 230000004044 response Effects 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000005284 excitation Effects 0.000 title claims abstract description 34
- 238000005457 optimization Methods 0.000 title claims abstract description 22
- 238000006243 chemical reaction Methods 0.000 claims abstract description 18
- 238000013486 operation strategy Methods 0.000 claims abstract description 9
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 claims description 114
- 239000001257 hydrogen Substances 0.000 claims description 105
- 229910052739 hydrogen Inorganic materials 0.000 claims description 105
- 238000003860 storage Methods 0.000 claims description 49
- 238000010248 power generation Methods 0.000 claims description 22
- 150000001875 compounds Chemical class 0.000 claims description 19
- 239000000446 fuel Substances 0.000 claims description 17
- 230000005611 electricity Effects 0.000 claims description 15
- 239000007789 gas Substances 0.000 claims description 13
- 230000000638 stimulation Effects 0.000 claims description 12
- 238000005984 hydrogenation reaction Methods 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 7
- 238000005868 electrolysis reaction Methods 0.000 claims description 7
- 101100001678 Emericella variicolor andM gene Proteins 0.000 claims description 6
- 238000004138 cluster model Methods 0.000 claims description 6
- 239000007787 solid Substances 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000002441 reversible effect Effects 0.000 claims description 4
- 230000001953 sensory effect Effects 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 4
- 230000002457 bidirectional effect Effects 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000005265 energy consumption Methods 0.000 claims description 3
- 229920000642 polymer Polymers 0.000 claims description 3
- 230000036962 time dependent Effects 0.000 claims description 3
- 238000011160 research Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
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
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:
式中,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;是t时刻从储氢罐输出的氢气到rSOC的质量;和P fc是最大和最小输出功率;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:
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:
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:
通过以下公式限制启动和关闭的最短时间UT和DT:
考虑斜坡上升、下降功率的约束表示为:
式中,Pru和Prd是最大爬升、下降功率;
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:
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:
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:
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:
式中,di是EV i的日行驶距离;Ehkm是每百公里的能耗;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和 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和 是t时刻EV i的累计充电能量;和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:
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;
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:
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:
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:
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:
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:
式中,是光伏和风力发电系统的弃电量;是HEVA中辅助设备的用电功率;是传输到rSOC的电功率;和是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;和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;和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:
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:
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:
式中,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;是t时刻从储氢罐输出的氢气到rSOC的质量;和是最大和最小输出功率;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:
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:
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:
通过以下公式限制启动和关闭的最短时间UT和DT:
考虑斜坡上升、下降功率的约束表示为:
式中,Pru和Prd是最大爬升、下降功率。
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:
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:
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:
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:
式中,di是EV i的日行驶距离;Ehkm是每百公里的能耗;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和 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和 是t时刻EV i的累计充电能量;和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:
其中,是t时刻EVC的累积充电能量;和是t时刻的累积充电能量上限和下限;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。
一般而言,车主的充电决策主要受收费折扣的影响。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的到达时间和电力需求也是影响因素。因此,刺激量的表达式如式(32)所示,包括三个具有相应影响系数的因素,即收费折扣每辆EV的到达时间和电力需求
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:
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:
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:
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:
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:
式中,是光伏和风力发电系统的弃电量;是HEVA中辅助设备的用电功率;是传输到rSOC的电功率;和是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;和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;和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:
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:
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:
式中,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;是t时刻从储氢罐输出的氢气到rSOC的质量;和P fc是最大和最小输出功率;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:
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:
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:
通过以下公式限制启动和关闭的最短时间UT和DT:
考虑斜坡上升、下降功率的约束表示为:
式中,Pru和Prd是最大爬升、下降功率;
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。
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:
式中,di是EV i的日行驶距离;Ehkm是每百公里的能耗;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和 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和 是t时刻EV i的累计充电能量;和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:
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;
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:
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:
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:
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:
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:
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:
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:
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。
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)
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)
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 |
-
2021
- 2021-09-29 CN CN202111154299.2A patent/CN113852073B/zh active Active
Patent Citations (7)
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)
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)
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 |