CN114219210A - 一种考虑需求响应意愿分级的电动汽车实时调度优化方法 - Google Patents
一种考虑需求响应意愿分级的电动汽车实时调度优化方法 Download PDFInfo
- Publication number
- CN114219210A CN114219210A CN202111335595.2A CN202111335595A CN114219210A CN 114219210 A CN114219210 A CN 114219210A CN 202111335595 A CN202111335595 A CN 202111335595A CN 114219210 A CN114219210 A CN 114219210A
- Authority
- CN
- China
- Prior art keywords
- electric
- electric vehicle
- scheduling
- power
- charging
- 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.)
- Pending
Links
- 230000004044 response Effects 0.000 title claims abstract description 91
- 238000005457 optimization Methods 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000000694 effects Effects 0.000 claims abstract description 14
- 230000007246 mechanism Effects 0.000 claims abstract description 4
- 239000002245 particle Substances 0.000 claims abstract description 4
- DSCFFEYYQKSRSV-KLJZZCKASA-N D-pinitol Chemical compound CO[C@@H]1[C@@H](O)[C@@H](O)[C@H](O)[C@H](O)[C@H]1O DSCFFEYYQKSRSV-KLJZZCKASA-N 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 7
- 230000005611 electricity Effects 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 2
- 230000008094 contradictory effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000002747 voluntary effect Effects 0.000 description 1
Images
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
- G06Q10/06—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
- G06Q10/06313—Resource planning in a project environment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- 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
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biodiversity & Conservation Biology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Artificial Intelligence (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明公开了一种考虑需求响应意愿分级的电动汽车实时调度优化方法。所述方法包括如下步骤:对电动汽车用户进行分类,并据此建立各类电动汽车用户的功率约束和电量约束;确定各时段调度潜力;计算各时段总预测负荷与调度目标功率之差,作为调度需求;根据调度需求和各电动汽车用户群体调度潜力确定分级调度方案;建立实时优化目标,使预测功率尽量接近目标功率,以达到削峰的效果,采用粒子群算法求解电动汽车充电功率;建立补贴机制,计算电网公司对电动汽车聚合商的补偿费和电动汽车聚合商对电动汽车用户的补偿费。本发明能够在考虑用户参与需求响应意愿的基础上实现良好的负荷削峰效果,能够有效改善电网安全性。
Description
技术领域
本发明属于电力系统需求响应技术领域,具体涉及一种考虑需求响应意愿分级的电动汽车实时调度优化方法。
背景技术
由于电动汽车并网数量和电池容量的不断增加给电力系统带来巨大的运行负担,有必要使电动汽车通过有序充电参与配电网调度以降低负荷压力,消除电网超载风险。目前,研究电动汽车充电功率优化问题的方法分为日前全局优化和实时局部优化。日前优化的调度指令是以日前数据为基础的,由于汽车入网时间和充电需求难以确知,需进行日前预测,通常是利用交通数据库分析它们的概率分布函数并获取特征参数,在此基础上优化汽车未来的充电功率。然而,由于电动汽车到达和离开时间随机,且接入时电池荷电状态具有较大的不确定性,日前调度往往无法满足部分电动汽车的充电需求,因此有必要对电动汽车用户进行实时调度。电动汽车用户受到激励会积极响应电动汽车聚合商的调度策略,但作为高度自主性个体,其并网需求最终仍取决于用户意愿。与电动汽车聚合商签约的用户在电网侧有调度需求的时候需要参与响应,而出行需求灵活度高的未签约用户(普通用户)在实时调度则少有研究考虑,这部分电动汽车的响应能力严重浪费,因此现有技术不能充分利用电动汽车的调度潜力(张丙旭,许刚.计及需求差异的电动汽车并网滚动时域优化[J].电力系统自动化,2020,44(13):106-114.)。
发明内容
为解决现有技术存在的缺陷,本发明提出按需求响应意愿差异和对充电时间、充电费用的在意程度的差异对电动汽车用户分类,并以此建立各类电动汽车的电量和功率约束模型,计算各用户群体的调度潜力。然后,以总预测功率和目标功率之差最小为准则,提出电动汽车充电功率的实时优化方法。
本发明的目的至少通过如下技术方案之一实现。
一种考虑需求响应意愿分级的电动汽车实时调度优化方法,包括如下步骤:
S1、按照电动汽车用户参与需求响应意愿和对充电时间、充电费用的在意程度的差异对电动汽车用户进行分类,并据此建立各类电动汽车用户的功率约束和电量约束;
S2、根据各电动汽车用户群体有需求响应意愿且满足约束的电动汽车用户数量与电动汽车用户被削减的功率确定各时段调度潜力;
S3、计算各时段总预测负荷与调度目标功率之差,作为调度需求;
S4、根据调度需求和各电动汽车用户群体调度潜力确定分级调度方案;
S5、建立实时优化目标,使预测功率尽量接近目标功率,以达到削峰的效果,采用粒子群算法求解电动汽车充电功率;
S6、建立补贴机制,计算电网公司对电动汽车聚合商的补偿费和电动汽车聚合商对电动汽车用户的补偿费。
进一步地,步骤S1中,将电动汽车用户分为参与需求响应意愿高的签约用户和意愿低的非签约用户,即普通用户,普通用户通常因为出行需求灵活度高而没有选择签约,但普通用户也希望能在出行需求较低时参与需求响应换取补贴以降低充电费用,其中部分普通用户还希望在参与需求响应的同时能够在预期时间内达到期望的电量,而低费用和高电量往往相互矛盾;因此,将普通用户分为更希望降低充电费用的高弹性非签约用户和对电量要求相对严格的低弹性非签约用户,即:
式中,q为电动汽车用户类别;A、B、C三类电动汽车用户的区别在于,A类电动汽车用户作为签约用户其调度优先级最高,且A类电动汽车的充电功率可以削减为0;B类电动汽车调度优先级次之,由于其更希望降低充电费用,故调度过程中B类电动汽车的充电功率可削减到0;C类电动汽车调度优先级最低,由于其对充电电量要求相对严格,因此调度过程中充电功率必须使C类电动汽车的的电量在相应预期范围内。
进一步地,步骤S1中,建立电动汽车用户的电量约束,具体如下:
Tcmin(i)=C0(Sex(i)-S0(i))/(ηPcN) (23)
tml(i)=tar(i)+Tcmin(i) (24)
tmc(i)=tex(i)-Tcmin(i) (25)
其中,Tcmin(i)为电动汽车i的最短充电时长,C0为电动汽车的电池容量,Sex(i)为电动汽车i的期望电量,S0(i)为电动汽车i的初始电量,η为电动汽车的充电效率,PcN为电动汽车的额定充电功率,tml(i)为电动汽车i的最快离开时间,tar(i)为电动汽车i的到站时间,tmc(i)为电动汽车i的最迟开始充电时间,tex(i)为电动汽车i的预期离开时间,Smax(i,t)为电动汽车i在站内时间t的电量上界,Smin(i,t)为电动汽车i在站内时间t的电量下界;
同时,为保证电动汽车用户的充电时间不至于过长而影响电动汽车用户的充电体验,对电动汽车电量差进行限制:当电动汽车现有电量与进站后按照额定充电功率充电到当前时刻的电量差dS超过调度电量差极限dSm时,则该电动汽车不再参与调度。
进一步地,步骤S1中,建立电动汽车用户的功率约束,具体如下:
A类电动汽车用户为签约用户,B类电动汽车用户希望充电费用降低,A类和B类电动汽车用户充电时,电动汽车的充电功率可以削减为0,因此功率约束为:
0≤Pq≤PcN (28)
其中,Pq为q类电动汽车的功率,q=A、B;
C类电动汽车用户充电时,电动汽车的功率约束可由电动汽车的电量上下界计算:即:
其中,Pmin(m)、Pmax(m)分别为该电动汽车在时段m内充电功率的最小值和最大值;S(m1)、S(m’)分别为该电动汽车在时段m的最初时刻m1和最末时刻m’的电量。
进一步地,步骤S2中,各时段各类电动汽车的调度潜力具体如下:
Pcq(m)=Nq(m)×PM_q (30)
Pcq(m)=Pcq_n(m)+Pcq_f(m) (31)
其中,Pcq(m)为时段m内q类电动汽车的调度潜力,q=A,B,C;Pcq_n(m)、Pcq_f(m)分别为时段m内q类电动汽车的现有调度潜力和预测调度潜力;Nq(m)为时段m内q类电动汽车的可调度数量;PM_q为q类电动汽车的功率约束最大值。
进一步地,步骤S3中,计算总预测负荷与调度目标功率之差,作为调度需求,具体如下:
Pinit(m-1)=Pb(m)+Pinit_EV(m-1) (32)
Pif(m)=Pfore(m)+Pinit(m-1) (33)
Pfore(m)=λ×Nfore(m)×PcN (34)
Pne(m)=Pif(m)-Paim (35)
其中,Pinit(m-1)为时段m-1内未经调度的总功率;Pb(m)为时段m内的基础负荷;Pinit_EV(m-1)为时段m-1末的未经调度的电动汽车充电负荷;Pif(m)为时段m内的总预测负荷;Pfore(m)为时段m内的电动汽车充电负荷预测值;Nfore(m)为时段m内将要接入的电动汽车总数预测值;λ为预测裕度;Pne(m)为时段m内的调度需求;Paim为调度目标功率。
进一步地,步骤S4中,根据时段m内的调度需求Pne(m)和时段m内q类电动汽车的调度潜力Pcq(m)确定分级调度方案,q=A,B,C,具体如下:
时段m内q类电动汽车的现有调度潜力和预测调度潜力分别为Pcq_n(m)、Pcq_f(m),则分级调度方案如下:
1)当Pne(m)<PcA_n(m)时,在时段m内只对现有满足调度电量差限制的A类电动汽车进行调度,满足调度电量差限制是指当前时刻电动汽车的电量差dS未超过调度电量差极限dSm;
2)当PcA_n(m)≤Pne(m)<PcA(m)时,在时段m内对现有满足调度电量差限制的A类电动汽车和将在m时段内达到充电站的A类电动汽车进行调度;
3)当PcA(m)≤Pne(m)<PcA(m)+PcB(m),在时段m内对现有满足调度电量差限制的A、B类电动汽车以及将在m时段内达到充电站的A类电动汽车进行调度;
4)当PcA(m)+PcB(m)≤Pne(m)时,在时段m内对现有所有满足调度电量差限制的电动汽车进行调度。
进一步地,步骤S5中,当预测功率即时段m内的电动汽车充电负荷预测值Pfore(m)超过目标功率即电网侧的调度目标功率Paim时,由电动汽车聚合商对电动汽车进行调度,所述实时优化目标是使预测功率Pfore(m)尽量接近目标功率Paim,以达到削峰的效果,即:
其中,F为实时优化目标;P(i,m)为电动汽车i经过调度之后在时段m内的充电功率,i=1,2,……,Ns(m);Pu_a(m)为时段m内不可调度负荷之和,不可调度负荷具体是指不满足电量差限制的电动汽车充电负荷和不参与需求响应的电动汽车充电负荷;Paim为电网侧的调度目标功率;Ns(m)为时段m内参与调度的电动汽车数量。
进一步地,步骤S6包括以下步骤:
S6.1、计算电网对电动汽车聚合商的补贴费用:当电动汽车聚合商参与需求响应时,电网侧需要根据负荷削减程度对电动汽车聚合商进行补偿,根据《广州市虚拟电厂实施细则》,补偿费用由响应负荷曲线测算有效响应电量计算:
BEVA(m)=Dd(m)×bEVA×a (37)
Dd(m)=15Pd(m)/60 (38)
其中,BEVA(m)为电网在时段m内对电动汽车聚合商的补偿费用;Dd(m)为时段m内的有效响应电量;bEVA为参与响应的补贴标准,取0~5(元/kW·h);a为响应系数;Pd(m)为时段m内的有效响应负荷;Df(m)为时段m内的响应完成度;
S6.2、计算电动汽车聚合商对电动汽车的补贴费用:为保证电动汽车用户参与需求响应的积极性,电动汽车聚合商需要对参与需求响应的电动汽车进行补贴,取电动汽车按照各时段调度功率充电与按照额定功率充电相比减少的充电量为该时段补贴费用的依据:
Bev(i,m)=Sd(i,m)×C0×bq (42)
其中,BEV(m)为电动汽车聚合商在时段m给电动汽车的总补贴费用;Bev(i,m)为电动汽车聚合商在时段m内支付给电动汽车i的补偿费用;bq是q类电动汽车的电量补贴单价,q=A,B,C,调度优先级高的电动汽车的电量补贴单价更高;Sd(i,m)为电动汽车i因为此次调度在时段m内按调度后的功率充电与按照额定充电功率充电相比减少的充电量。
相比于现有技术,本发明的有益效果在于:
(1)用户参与需求响应能够获得收益;配电网峰荷得到明显改善;电网公司以一定的经济代价实现了电网安全性的改善,其实施需求响应的需求得到了满足。
(2)本发明的电动汽车用户分类方法是基于用户参与需求响应意愿和对充电费用、充电时长的在意程度差异,能够保证用户出行需求和充电满意度,充分利用了电动汽车用户的响应潜力,可以实现削峰效果良好的需求响应。
附图说明
图1是本发明实施例中一种考虑需求响应意愿分级的电动汽车实时调度优化方法的流程图。
图2是本发明实施例中商业区常规负荷和电动汽车预测负荷曲线图。
图3是本发明实施例中实时调度的响应效果图,其中,图3a为响应前后总负荷曲线示意图,图3b为响应前后电动汽车负荷曲线示意图,图3c为响应车辆数和平均功率示意图。
图4是本发明实施例中不同比例签约用户的负荷响应曲线图。
图5是本发明实施例中普通用户响应与否的负荷曲线对比图。
图6是本发明实施例中普通用户不同参与比例下的负荷响应曲线图。
具体实施方式
为了更好说明本实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。附图中描述位置关系仅用于示例性说明,不能理解为对本发明的限制。
实施例:
一种考虑需求响应意愿分级的电动汽车实时调度优化方法,如图1所示,包括如下步骤:
S1、按照电动汽车用户参与需求响应意愿和对充电时间、充电费用的在意程度的差异对电动汽车用户进行分类,并据此建立各类电动汽车用户的功率约束和电量约束;
将电动汽车用户分为参与需求响应意愿高的签约用户和意愿低的非签约用户,即普通用户,普通用户通常因为出行需求灵活度高而没有选择签约,但普通用户也希望能在出行需求较低时参与需求响应换取补贴以降低充电费用,其中部分普通用户还希望在参与需求响应的同时能够在预期时间内达到期望的电量,而低费用和高电量往往相互矛盾;因此,将普通用户分为更希望降低充电费用的高弹性非签约用户和对电量要求相对严格的低弹性非签约用户,即:
式中,q为电动汽车用户类别;A、B、C三类电动汽车用户的区别在于,A类电动汽车用户作为签约用户其调度优先级最高,且A类电动汽车的充电功率可以削减为0;B类电动汽车调度优先级次之,由于其更希望降低充电费用,故调度过程中B类电动汽车的充电功率可削减到0;C类电动汽车调度优先级最低,由于其对充电电量要求相对严格,因此调度过程中充电功率必须使C类电动汽车的的电量在相应预期范围内。
建立电动汽车用户的电量约束,具体如下:
Tcmin(i)=C0(Sex(i)-S0(i))/(ηPcN) (44)
tml(i)=tar(i)+Tcmin(i) (45)
tmc(i)=tex(i)-Tcmin(i) (46)
其中,Tcmin(i)为电动汽车i的最短充电时长,C0为电动汽车的电池容量,Sex(i)为电动汽车i的期望电量,S0(i)为电动汽车i的初始电量,η为电动汽车的充电效率,PcN为电动汽车的额定充电功率,tml(i)为电动汽车i的最快离开时间,tar(i)为电动汽车i的到站时间,tmc(i)为电动汽车i的最迟开始充电时间,tex(i)为电动汽车i的预期离开时间,Smax(i,t)为电动汽车i在站内时间t的电量上界,Smin(i,t)为电动汽车i在站内时间t的电量下界;
同时,为保证电动汽车用户的充电时间不至于过长而影响电动汽车用户的充电体验,对电动汽车电量差进行限制:当电动汽车现有电量与进站后按照额定充电功率充电到当前时刻的电量差dS超过调度电量差极限dSm时,则该电动汽车不再参与调度。
建立电动汽车用户的功率约束,具体如下:
A类电动汽车用户为签约用户,B类电动汽车用户希望充电费用降低,A类和B类电动汽车用户充电时,电动汽车的充电功率可以削减为0,因此功率约束为:
0≤Pq≤PcN (49)
其中,Pq为q类电动汽车的功率,q=A、B;
C类电动汽车用户充电时,电动汽车的功率约束可由电动汽车的电量上下界计算:即:
其中,Pmin(m)、Pmax(m)分别为该电动汽车在时段m内充电功率的最小值和最大值,本实施例中,取每15min为一个时段,一天共96个时段;S(m1)、S(m’)分别为该电动汽车在时段m的最初时刻m1和最末时刻m’的电量。
S2、根据各电动汽车用户群体有需求响应意愿且满足约束的电动汽车用户数量与电动汽车被削减的功率确定各时段调度潜力;
各时段各类电动汽车的调度潜力具体如下:
Pcq(m)=Nq(m)×PM_q (51)
Pcq(m)=Pcq_n(m)+Pcq_f(m) (52)
其中,Pcq(m)为时段m内q类电动汽车的调度潜力,q=A,B,C;Pcq_n(m)、Pcq_f(m)分别为时段m内q类电动汽车的现有调度潜力和预测调度潜力;Nq(m)为时段m内q类电动汽车的可调度数量;PM_q为q类电动汽车的功率约束最大值。
S3、计算各时段总预测负荷与调度目标功率之差,作为调度需求,具体如下:
Pinit(m-1)=Pb(m)+Pinit_EV(m-1) (53)
Pif(m)=Pfore(m)+Pinit(m-1) (54)
Pfore(m)=λ×Nfore(m)×PcN (55)
Pne(m)=Pif(m)-Paim (56)
其中,Pinit(m-1)为时段m-1内未经调度的总功率;Pb(m)为时段m内的基础负荷;Pinit_EV(m-1)为时段m-1末的未经调度的电动汽车充电负荷;Pif(m)为时段m内的总预测负荷;Pfore(m)为时段m内的电动汽车充电负荷预测值;Nfore(m)为时段m内将要接入的电动汽车总数预测值;λ为预测裕度;Pne(m)为时段m内的调度需求;Paim为调度目标功率。
S4、根据时段m内的调度需求Pne(m)和时段m内q类电动汽车的调度潜力Pcq(m)确定分级调度方案,q=A,B,C,具体如下:
时段m内q类电动汽车的现有调度潜力和预测调度潜力分别为Pcq_n(m)、Pcq_f(m),则分级调度方案如下:
1)当Pne(m)<PcA_n(m)时,在时段m内只对现有满足调度电量差限制的A类电动汽车进行调度,满足调度电量差限制是指当前时刻电动汽车的电量差dS未超过调度电量差极限dSm;
2)当PcA_n(m)≤Pne(m)<PcA(m)时,在时段m内对现有满足调度电量差限制的A类电动汽车和将在m时段内达到充电站的A类电动汽车进行调度;
3)当PcA(m)≤Pne(m)<PcA(m)+PcB(m),在时段m内对现有满足调度电量差限制的A、B类电动汽车以及将在m时段内达到充电站的A类电动汽车进行调度;
4)当PcA(m)+PcB(m)≤Pne(m)时,在时段m内对现有所有满足调度电量差限制的电动汽车进行调度。
S5、建立实时优化目标,使预测功率尽量接近目标功率,以达到削峰的效果,采用粒子群算法求解电动汽车充电功率;
当预测功率即时段m内的电动汽车充电负荷预测值Pfore(m)超过目标功率即电网侧的调度目标功率Paim时,由电动汽车聚合商对电动汽车进行调度,所述实时优化目标是使预测功率Pfore(m)尽量接近目标功率Paim,以达到削峰的效果,即:
其中,F为实时优化目标;P(i,m)为电动汽车i经过调度之后在时段m内的充电功率,i=1,2,……,Ns(m);Pu_a(m)为时段m内不可调度负荷之和,不可调度负荷具体是指不满足电量差限制的电动汽车充电负荷和不参与需求响应的电动汽车充电负荷;Paim为电网侧的调度目标功率;Ns(m)为时段m内参与调度的电动汽车数量。
S6、建立补贴机制,计算电网公司对电动汽车聚合商的补偿费和电动汽车聚合商对电动汽车用户的补偿费,包括以下步骤:
S6.1、计算电网对电动汽车聚合商的补贴费用:当电动汽车聚合商参与需求响应时,电网侧需要根据负荷削减程度对电动汽车聚合商进行补偿,根据《广州市虚拟电厂实施细则》,补偿费用由响应负荷曲线测算有效响应电量计算:
BEVA(m)=Dd(m)×bEVA×a (58)
Dd(m)=15Pd(m)/60 (59)
其中,BEVA(m)为电网在时段m内对电动汽车聚合商的补偿费用;Dd(m)为时段m内的有效响应电量;bEVA为参与响应的补贴标准,取0~5(元/kW·h);a为响应系数,本实施例中,实时削峰需求响应下的响应系数取3;Pd(m)为时段m内的有效响应负荷;Df(m)为时段m内的响应完成度;
S6.2、计算电动汽车聚合商对电动汽车的补贴费用:为保证电动汽车用户参与需求响应的积极性,电动汽车聚合商需要对参与需求响应的电动汽车进行补贴,取电动汽车按照各时段调度功率充电与按照额定功率充电相比减少的充电量为该时段补贴费用的依据:
Bev(i,m)=Sd(i,m)×C0×bq (63)
其中,BEV(m)为电动汽车聚合商在时段m给电动汽车的总补贴费用;
Bev(i,m)为电动汽车聚合商在时段m内支付给电动汽车i的补偿费用;bq是q类电动汽车的电量补贴单价,q=A,B,C,调度优先级高的电动汽车的电量补贴单价更高;Sd(i,m)为电动汽车i因为此次调度在时段m内按调度后的功率充电与按照额定充电功率充电相比减少的充电量。
本实施例中,以某商业区常规负荷为基础负荷,电动汽车预测负荷由商业区电动汽车充电时间和初始电量的概率分布抽样确定,如图2所示;调度目标功率取10kV电压等级下,导线载流量为381A,功率因数为0.95时的功率值;电动汽车充电的分时电价与广州市某充电站一致,如表1所示。该电动汽车聚合商的每天到达的电动汽车总数Nv为600辆,PcN取60kW,C0取60kW·h,η取0.95;dSm取1;B类电动汽车占普通用户的比例取0.7;Sex取0.9;tex取比tml多出一个Tcmin;bEVA取2.5元/(kW·h),bA、bB、bC分别取0.5元/(kW·h)、0.25元/(kW·h)、0.125元/(kW·h)。
表1
当签约用户的比例为0.4,响应前后负荷曲线如图3a所示,电动汽车功率对比如图3b所示,响应车辆数和平均功率如图3c所示,优化结果如表2。可见,从第36个时段开始,由于预测负荷超过目标值,电动汽车聚合商根据调度需求与各类电动汽车的调度潜力确定调度方案,对相应电动汽车进行调度。经过调度,电动汽车充电负荷削峰率可达11.16%,由于基础负荷较大,总负荷削峰率下降为3.57%。当负荷突然增大时,参与响应的电动汽车的数量也会迅速增加,同时参与响应电动汽车的平均调度功率迅速下降。在原负荷峰值时段附近,削减的功率也接近峰值,验证了本发明所提实时调度策略的有效性。
由表2可知,在整个调度过程中,参与响应的时段总数为47,平均到各响应时段有36辆电动汽车参与响应,这些车辆的平均响应功率为25.1kW,平均延迟充电时长为33.35分钟,电动汽车参与需求响应的收益为电网支付的总补偿费用与电动汽车聚合商总收益之差。
表2
当签约用户比例不同时,实时调度的优化效果也不相同,图4展示了签约用户比例分别为20%、40%和60%时普通用户全都参与响应的负荷曲线,优化结果如表3所示。
表3
可见,签约用户的比例越大,削峰效果越好,因为签约用户越多,意味着可被调度功率越大,削峰率越大。电动汽车聚合商(EV aggregator,EVA)应通过设置合理的补偿价格等方法提升签约用户比例,使电网侧达到更好的削峰效果。同时签约用户的比例越高,电网需要支付的补偿费用越高,因为随着签约用户比例的提高,电动汽车被削减的总充电功率增加,电网需要支付的补偿费用增多,电动汽车聚合商的总收益因此提升。
如前所述,普通用户可以在有意愿的情况下参与需求响应获取补偿以降低充电费用,当签约用户的比例固定为40%时,普通用户参与响应与否的负荷曲线如图5所示,优化结果如表4所示。可见,与不参与响应相比,普通用户参与响应时总负荷削峰率由2.21%增加到3.57%。这是因为当普通用户参与调度时,各时段的可调度潜力大大增加,因此负荷峰值降低较多。当普通用户不参与响应时,可调度电动汽车太少无法满足电网需求时,会被算作无效响应,电网不对电动汽车聚合商进行补偿,电动汽车聚合商仍对电动汽车补偿则会出现收益为负的情况,因此有必要考虑普通用户参与需求响应的情况。
表4
为了分析普通用户不同参与比例下的优化效果,本实施例中进行了更进一步的仿真。在签约用户比例60%时,普通用户响应比例为60%、70%、80%下的负荷曲线如图6所示。此时的优化结果如表5所示,普通用户响应比例为60%时,总负荷削峰率最低,电网的补偿费用也最低。当普通用户响应比例增加时,总负荷削峰率和电网的补偿费用随之增加。这是因为当普通用户响应比例增加时,可调度的电动汽车增多,因此总负荷削峰率提高,电网的总补偿费也随之增多。电动汽车聚合商总收益的变化相对不大,因为当普通用户响应比例提升时,虽然电动汽车聚合商给用户的补贴增多,但是电网对电动汽车聚合商的补贴也在增加,因此电动汽车聚合商总收益变化不大。
表5
显然,本发明的上述实施例仅仅是为了清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (10)
1.一种考虑需求响应意愿分级的电动汽车实时调度优化方法,其特征在于,包括如下步骤:
S1、按照电动汽车用户参与需求响应意愿和对充电时间、充电费用的在意程度的差异对电动汽车用户进行分类,并据此建立各类电动汽车用户的功率约束和电量约束;
S2、根据各电动汽车用户群体有需求响应意愿且满足约束的电动汽车用户数量与电动汽车用户被削减的功率确定各时段调度潜力;
S3、计算各时段总预测负荷与调度目标功率之差,作为调度需求;
S4、根据调度需求和各电动汽车用户群体调度潜力确定分级调度方案;
S5、建立实时优化目标,使预测功率尽量接近目标功率,以达到削峰的效果,采用粒子群算法求解电动汽车充电功率;
S6、建立补贴机制,计算电网公司对电动汽车聚合商的补偿费和电动汽车聚合商对电动汽车用户的补偿费。
2.根据权利要求1所述的考虑需求响应意愿分级的电动汽车实时调度优化方法,其特征在于:步骤S1中,将电动汽车用户分为参与需求响应意愿高的签约用户和意愿低的非签约用户,即普通用户;将普通用户分为更希望降低充电费用的高弹性非签约用户和对电量要求相对严格的低弹性非签约用户,即:
式中,q为电动汽车用户类别;A、B、C三类电动汽车用户的区别在于,A类电动汽车用户作为签约用户其调度优先级最高,且A类电动汽车的充电功率可以削减为0;B类电动汽车调度优先级次之,由于其更希望降低充电费用,故调度过程中B类电动汽车的充电功率可削减到0;C类电动汽车调度优先级最低,由于其对充电电量要求相对严格,因此调度过程中充电功率必须使C类电动汽车的的电量在相应预期范围内。
3.根据权利要求2所述的考虑需求响应意愿分级的电动汽车实时调度优化方法,其特征在于:步骤S1中,建立电动汽车用户的电量约束,具体如下:
Tcmin(i)=C0(Sex(i)-S0(i))/(ηPcN) (2)
tml(i)=tar(i)+Tcmin(i) (3)
tmc(i)=tex(i)-Tcmin(i) (4)
其中,Tcmin(i)为电动汽车i的最短充电时长,C0为电动汽车的电池容量,Sex(i)为电动汽车i的期望电量,S0(i)为电动汽车i的初始电量,η为电动汽车的充电效率,PcN为电动汽车的额定充电功率,tml(i)为电动汽车i的最快离开时间,tar(i)为电动汽车i的到站时间,tmc(i)为电动汽车i的最迟开始充电时间,tex(i)为电动汽车i的预期离开时间,Smax(i,t)为电动汽车i在站内时间t的电量上界,Smin(i,t)为电动汽车i在站内时间t的电量下界。
4.根据权利要求3所述的考虑需求响应意愿分级的电动汽车实时调度优化方法,其特征在于:为保证电动汽车用户的充电时间不至于过长而影响电动汽车用户的充电体验,对电动汽车电量差进行限制:当电动汽车现有电量与进站后按照额定充电功率充电到当前时刻的电量差dS超过调度电量差极限dSm时,则该电动汽车不再参与调度。
6.根据权利要求1所述的考虑需求响应意愿分级的电动汽车实时调度优化方法,其特征在于:步骤S2中,各时段各类电动汽车的调度潜力具体如下:
Pcq(m)=Nq(m)×PM_q (9)
Pcq(m)=Pcq_n(m)+Pcq_f(m) (10)
其中,Pcq(m)为时段m内q类电动汽车的调度潜力,q=A,B,C;Pcq_n(m)、Pcq_f(m)分别为时段m内q类电动汽车的现有调度潜力和预测调度潜力;Nq(m)为时段m内q类电动汽车的可调度数量;PM_q为q类电动汽车的功率约束最大值。
7.根据权利要求6所述的考虑需求响应意愿分级的电动汽车实时调度优化方法,其特征在于:步骤S3中,计算总预测负荷与调度目标功率之差,作为调度需求,具体如下:
Pinit(m-1)=Pb(m)+Pinit_EV(m-1) (11)
Pif(m)=Pfore(m)+Pinit(m-1) (12)
Pfore(m)=λ×Nfore(m)×PcN (13)
Pne(m)=Pif(m)-Paim (14)
其中,Pinit(m-1)为时段m-1内未经调度的总功率;Pb(m)为时段m内的基础负荷;Pinit_EV(m-1)为时段m-1末的未经调度的电动汽车充电负荷;Pif(m)为时段m内的总预测负荷;Pfore(m)为时段m内的电动汽车充电负荷预测值;Nfore(m)为时段m内将要接入的电动汽车总数预测值;λ为预测裕度;Pne(m)为时段m内的调度需求;Paim为调度目标功率。
8.根据权利要求7所述的考虑需求响应意愿分级的电动汽车实时调度优化方法,其特征在于:步骤S4中,根据时段m内的调度需求Pne(m)和时段m内q类电动汽车的调度潜力Pcq(m)确定分级调度方案,q=A,B,C,具体如下:
时段m内q类电动汽车的现有调度潜力和预测调度潜力分别为Pcq_n(m)、Pcq_f(m),则分级调度方案如下:
1)当Pne(m)<PcA_n(m)时,在时段m内只对现有满足调度电量差限制的A类电动汽车进行调度,满足调度电量差限制是指当前时刻电动汽车的电量差dS未超过调度电量差极限dSm;
2)当PcA_n(m)≤Pne(m)<PcA(m)时,在时段m内对现有满足调度电量差限制的A类电动汽车和将在m时段内达到充电站的A类电动汽车进行调度;
3)当PcA(m)≤Pne(m)<PcA(m)+PcB(m),在时段m内对现有满足调度电量差限制的A、B类电动汽车以及将在m时段内达到充电站的A类电动汽车进行调度;
4)当PcA(m)+PcB(m)≤Pne(m)时,在时段m内对现有所有满足调度电量差限制的电动汽车进行调度。
9.根据权利要求8所述的考虑需求响应意愿分级的电动汽车实时调度优化方法,其特征在于:步骤S5中,当预测功率即时段m内的电动汽车充电负荷预测值Pfore(m)超过目标功率即电网侧的调度目标功率Paim时,由电动汽车聚合商对电动汽车进行调度,所述实时优化目标是使预测功率Pfore(m)尽量接近目标功率Paim,以达到削峰的效果,即:
其中,F为实时优化目标;P(i,m)为电动汽车i经过调度之后在时段m内的充电功率,i=1,2,……,Ns(m);Pu_a(m)为时段m内不可调度负荷之和,不可调度负荷具体是指不满足电量差限制的电动汽车充电负荷和不参与需求响应的电动汽车充电负荷;Paim为电网侧的调度目标功率;Ns(m)为时段m内参与调度的电动汽车数量。
10.根据权利要求1~9任一项所述的考虑需求响应意愿分级的电动汽车实时调度优化方法,其特征在于:步骤S6包括以下步骤:
S6.1、计算电网对电动汽车聚合商的补贴费用:当电动汽车聚合商参与需求响应时,电网侧需要根据负荷削减程度对电动汽车聚合商进行补偿,补偿费用由响应负荷曲线测算有效响应电量计算:
BEVA(m)=Dd(m)×bEVA×a (16)
Dd(m)=15Pd(m)/60 (17)
其中,BEVA(m)为电网在时段m内对电动汽车聚合商的补偿费用;Dd(m)为时段m内的有效响应电量;bEVA为参与响应的补贴标准,取0~5(元/kW·h);a为响应系数;Pd(m)为时段m内的有效响应负荷;Df(m)为时段m内的响应完成度;
S6.2、计算电动汽车聚合商对电动汽车的补贴费用:为保证电动汽车用户参与需求响应的积极性,电动汽车聚合商需要对参与需求响应的电动汽车进行补贴,取电动汽车按照各时段调度功率充电与按照额定功率充电相比减少的充电量为该时段补贴费用的依据:
Bev(i,m)=Sd(i,m)×C0×bq (21)
其中,BEV(m)为电动汽车聚合商在时段m给电动汽车的总补贴费用;Bev(i,m)为电动汽车聚合商在时段m内支付给电动汽车i的补偿费用;bq是q类电动汽车的电量补贴单价,q=A,B,C,调度优先级高的电动汽车的电量补贴单价更高;Sd(i,m)为电动汽车i因为此次调度在时段m内按调度后的功率充电与按照额定充电功率充电相比减少的充电量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111335595.2A CN114219210A (zh) | 2021-11-11 | 2021-11-11 | 一种考虑需求响应意愿分级的电动汽车实时调度优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111335595.2A CN114219210A (zh) | 2021-11-11 | 2021-11-11 | 一种考虑需求响应意愿分级的电动汽车实时调度优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114219210A true CN114219210A (zh) | 2022-03-22 |
Family
ID=80697010
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111335595.2A Pending CN114219210A (zh) | 2021-11-11 | 2021-11-11 | 一种考虑需求响应意愿分级的电动汽车实时调度优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114219210A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114612001A (zh) * | 2022-03-31 | 2022-06-10 | 华中科技大学 | 集群电动汽车参与电网削峰的调控指令分解方法和系统 |
CN115439138A (zh) * | 2022-08-03 | 2022-12-06 | 广东奔流能源有限公司 | 一种电动汽车充放电功率优化分配方法及系统 |
CN117114455A (zh) * | 2023-10-25 | 2023-11-24 | 广东电网有限责任公司中山供电局 | 一种基于用户参与的需求响应调度方法及装置 |
CN117895510A (zh) * | 2024-03-14 | 2024-04-16 | 山东建筑大学 | 基于聚合商模式下电动汽车集群参与电网调峰方法及系统 |
CN117895510B (zh) * | 2024-03-14 | 2024-05-28 | 山东建筑大学 | 基于聚合商模式下电动汽车集群参与电网调峰方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111762051A (zh) * | 2020-06-03 | 2020-10-13 | 国网上海市电力公司 | 基于聚合商的电动汽车参与受端电网低谷调峰需求响应调控方法 |
-
2021
- 2021-11-11 CN CN202111335595.2A patent/CN114219210A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111762051A (zh) * | 2020-06-03 | 2020-10-13 | 国网上海市电力公司 | 基于聚合商的电动汽车参与受端电网低谷调峰需求响应调控方法 |
Non-Patent Citations (1)
Title |
---|
张勇军;郝金宝;: "考虑用户舒适度补偿的空调负荷优化调度模型", 华南理工大学学报(自然科学版), no. 03, 15 March 2019 (2019-03-15), pages 7 - 14 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114612001A (zh) * | 2022-03-31 | 2022-06-10 | 华中科技大学 | 集群电动汽车参与电网削峰的调控指令分解方法和系统 |
CN115439138A (zh) * | 2022-08-03 | 2022-12-06 | 广东奔流能源有限公司 | 一种电动汽车充放电功率优化分配方法及系统 |
CN117114455A (zh) * | 2023-10-25 | 2023-11-24 | 广东电网有限责任公司中山供电局 | 一种基于用户参与的需求响应调度方法及装置 |
CN117114455B (zh) * | 2023-10-25 | 2024-02-13 | 广东电网有限责任公司中山供电局 | 一种基于用户参与的需求响应调度方法及装置 |
CN117895510A (zh) * | 2024-03-14 | 2024-04-16 | 山东建筑大学 | 基于聚合商模式下电动汽车集群参与电网调峰方法及系统 |
CN117895510B (zh) * | 2024-03-14 | 2024-05-28 | 山东建筑大学 | 基于聚合商模式下电动汽车集群参与电网调峰方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114219210A (zh) | 一种考虑需求响应意愿分级的电动汽车实时调度优化方法 | |
CN110895638B (zh) | 考虑电动汽车充电站选址定容的主动配电网模型建立方法 | |
KR101297079B1 (ko) | 중앙제어기반의 전기 자동차 충전 시스템, 및 중앙제어기반 전기자동차 충전시스템의 에너지 관리 방법 | |
CN102708427B (zh) | 大规模充电桩对小区配电系统影响分析决策系统及方法 | |
CN107634532B (zh) | 基于改进v2g和优先级调度的充放储一体站控制方法 | |
Wang et al. | Two-stage optimal scheduling strategy for large-scale electric vehicles | |
CN110065410B (zh) | 一种基于模糊控制的电动汽车充放电率控制方法 | |
CN106945558A (zh) | 集群电动汽车v2g控制策略 | |
CN113910961B (zh) | 一种电动汽车柔性充电功率分配方法、装置及系统 | |
CN114529174A (zh) | 一种计及预测负荷和用户需求的电动汽车实时调度方法 | |
CN113991661B (zh) | 一种考虑集群电动汽车内部充放电的微电网预测控制方法 | |
CN113597720A (zh) | 受电要素的受电控制方法以及受电控制装置 | |
AU2020103444A4 (en) | Evaluation method of electric vehicle aggregation transaction value based on the new generation power trade platform | |
CN104078978A (zh) | 一种面向智能电网的电动汽车入网一次调频控制方法 | |
CN113573943A (zh) | 蓄电要素的受电控制方法以及受电控制装置 | |
CN111016721A (zh) | 一种满足台区三相平衡的电动汽车本地有序充电策略 | |
CN112590601A (zh) | 基于边缘计算平台的新型v2g充电场站系统及其充电方法 | |
CN111681127B (zh) | 一种居民小区电动汽车有序充放电控制方法 | |
CN115511658A (zh) | 一种计及储能装置折损的楼宇能量优化方法 | |
CN115296349A (zh) | 一种综合储能电站的高效经济性功率分配方法 | |
Buckreus et al. | Optimization of multiport DC fast charging stations operating with power cap policy | |
CN109886578A (zh) | 一种停车场内电动汽车充电调度方法 | |
CN113054671A (zh) | 一种基于计及储能无功调节模型的配电网日前-实时优化控制方法 | |
CN110861508B (zh) | 居民区直流充电机共享充电控制方法、系统及存储介质 | |
CN108493974B (zh) | 一种考虑充电成本的电动汽车参与调压的两级调度方法 |
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 |