CN114475331A - 一种考虑负荷反弹的电动汽车聚合优化调度方法 - Google Patents

一种考虑负荷反弹的电动汽车聚合优化调度方法 Download PDF

Info

Publication number
CN114475331A
CN114475331A CN202111011016.9A CN202111011016A CN114475331A CN 114475331 A CN114475331 A CN 114475331A CN 202111011016 A CN202111011016 A CN 202111011016A CN 114475331 A CN114475331 A CN 114475331A
Authority
CN
China
Prior art keywords
electric vehicle
power
charging
load
electric
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
CN202111011016.9A
Other languages
English (en)
Other versions
CN114475331B (zh
Inventor
柯德平
王俊
徐箭
廖思阳
魏聪颖
谢博宇
柳丹
刘念璋
邹曜坤
汪希玥
冀肖彤
叶畅
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.)
Wuhan University WHU
State Grid Hubei Electric Power Co Ltd
Electric Power Research Institute of State Grid Hubei Electric Power Co Ltd
Original Assignee
Wuhan University WHU
State Grid Hubei Electric Power Co Ltd
Electric Power Research Institute of State Grid Hubei Electric Power Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Wuhan University WHU, State Grid Hubei Electric Power Co Ltd, Electric Power Research Institute of State Grid Hubei Electric Power Co Ltd filed Critical Wuhan University WHU
Priority to CN202111011016.9A priority Critical patent/CN114475331B/zh
Publication of CN114475331A publication Critical patent/CN114475331A/zh
Application granted granted Critical
Publication of CN114475331B publication Critical patent/CN114475331B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/60—Monitoring or controlling charging stations
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/60—Monitoring or controlling charging stations
    • B60L53/62—Monitoring or controlling charging stations in response to charging parameters, e.g. current, voltage or electrical charge
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/60—Monitoring or controlling charging stations
    • B60L53/63—Monitoring or controlling charging stations in response to network capacity
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/60—Monitoring or controlling charging stations
    • B60L53/64—Optimising energy costs, e.g. responding to electricity rates
    • 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
    • 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
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • 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
    • 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
    • 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
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/70—Energy storage systems for electromobility, e.g. batteries
    • 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
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/7072—Electromobility specific charging systems or methods for batteries, ultracapacitors, supercapacitors or double-layer capacitors
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02T90/10—Technologies relating to charging of electric vehicles
    • Y02T90/12—Electric charging stations

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Mechanical Engineering (AREA)
  • Transportation (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Power Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biodiversity & Conservation Biology (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

本发明涉及一种考虑负荷反弹的电动汽车聚合优化调度方法，该方法考虑了用户用能行为引起的能量消耗与预测负荷基线不一致的负荷反弹现象，采用对电动汽车参数异质不敏感的等效聚合方法提取电动汽车种群的动态功率调节特性，提出了配电网中电动汽车参与功率调节的look‑ahead调度模型，以平滑分布式可再生能源引起的电力波动；在调度模型中，动态刷新负荷基线，捕捉用户用能行为改变引起的负荷反弹效应，并提出最优分解模型以保证配电网运营商下达目标功率后调控任务的完成。

Description

一种考虑负荷反弹的电动汽车聚合优化调度方法
技术领域
本发明属于电力系统运行与控制技术领域，涉及一种考虑负荷反弹的电动汽 车聚合优化调度方法。
背景技术
随着配电网中可再生能源渗透率的大幅增加，分布式光伏电站出力的间歇性 给配电网的安全运行带来了巨大挑战。配置储能被广泛地认为是平抑分布式电源 出力间歇性引起的功率波动的有效手段，但由于目前的技术成熟度和高昂的费用 使得储能的大规模使用还比较困难。电动汽车作为一种柔性负荷，当充电时具有 和储能相似的特征，在国内越来越受欢迎；有调查研究表明电动汽车的停车时间 占整个使用时间的90％以上，因而可以作为参与功率调节或旋转备用等辅助服务 的一种非常有前景的资源。因此，有效地管理电动汽车以提供需求响应将极大地 有利于配电网就地消纳分布式新能源。
然而，由于充电桩的额定功率较小，而且分布式电源的大量存在容易导致“维 数灾”，因此，由电网直接单独调控所有电动汽车是不现实的；如何对大量分散 的电动汽车进行聚合以及如何有效地调控这些灵活性资源是两个基本问题。
发明内容
针对现有技术的不足，本发明提出一种考虑负荷反弹的电动汽车聚合优化 调度方法，其特征在于，包括以下步骤：
步骤1：当电动汽车用户到达充电站时，用户即设置期望的充电目标和预计 离开的时间Tc d，电动汽车的能量管理系统生成整个调度周期内的充电计划并向 电动汽车展聚合商上报它的负荷基线以及调控约束，其中，充电目标为电动汽车 的SOCset；
步骤2：在收集完所有已经到达的电动汽车信息后，充电站聚合总的功率调 节范围和总的负荷基线，并且电动汽车被动态地分成多个群从而完成聚合；
步骤3：基于聚合结果，配电网控制中心基于建立的look-ahead优化调度模 型执行功率优化，通过向电动汽车充电站聚合商下达功率调控目标以平抑净交换 功率的波动，电动汽车充电站聚合商基于动态负荷基线计算得到的调节容量范围 获得相应的补偿；
步骤4：每个电动汽车充电站聚合商将配电网运营商下达的最优充电功率作 为功率跟踪的目标，并实时计算每辆电动汽车的实际充电计划，从而将整个充电 站的调节任务具体分解到每台电动汽车。
在上述的一种考虑负荷反弹的电动汽车聚合优化调度方法，所述步骤1中， 电动汽车的能量管理系统首先进行单个电动汽车功率调节外特性建模，具体包括：
步骤1.1，电动汽车充电行为建模
只考虑电动汽车的充电过程，不考虑其对电网的放电；这种情况下，电动汽 车充电能量用下述公式计算：
Figure BDA0003238956180000021
式中，
Figure BDA0003238956180000022
表示充电功率；SOCc,t表示t时刻电动汽车c的荷电状态；ηc表 示电动汽车c的充电效率；Capc表示电动汽车c的电池容量；Δt表示优化调度 的时间间隔；
当电动汽车还没有到达或者已经离开充电站的时候，电动汽车的充电功率则 为0，因此，关于充电功率的范围可以表示成如下形式：
Figure BDA0003238956180000023
式中，
Figure BDA0003238956180000024
是电动汽车站额定的充电功率，其中所有充电桩的额定充电功 率相同；
Figure BDA0003238956180000025
是0-1变量，为0表示时刻t不在电动汽车到达时间
Figure BDA0003238956180000026
和离开时间
Figure BDA0003238956180000027
之间；
此外，为了避免用户充电计划的延误，要求用户在离开的时候电动汽车的荷 电状态SOC需要达到用户预先设置的水平，即
Figure BDA0003238956180000028
如下式所示：
Figure BDA0003238956180000029
步骤1.2，电动汽车充电负荷基线建模
负荷基线是与用户自身的用能行为密切相关，对于负荷调节也是非常重要； 因此，在统一价格政策下，如果没有调节指令的话，用户自身不会主动延误充电 计划；也就是说，用户总是希望尽可能快地完成充电任务；
Figure BDA00032389561800000210
对于上述问题的最优解，也就是电动汽车用户c的负荷基线，可以直接由下 式计算得到：
Figure BDA0003238956180000031
式中，
Figure BDA0003238956180000032
和λc＝Δtηc/Capc；
如上式所示，当电动汽车充电站没有收到调控指令的时候，充电功率将达到 最大值；在这种情况下，电动汽车只能提供功率减载服务；
步骤1.3，电动汽车调节容量约束
在电动汽车上报调控容量范围约束时，需要注重保护用户的隐私，包括电动 汽车的电池容量Capc和充电效率ηc，用户的出行计划，包括预先设置的充电目 标
Figure BDA0003238956180000033
用户到达时间
Figure BDA0003238956180000034
和计划离开时间
Figure BDA0003238956180000035
采用如下方式对式(1)-(3) 进行转化；
式(3)的目的是确保电动汽车离开充电站时完成了预先设置的充电目标， 可以转化成式(6)的形式，其中，上限
Figure BDA0003238956180000036
和下限
Figure BDA0003238956180000037
分别通过式(7) 和式(8)进行计算；式(7)表示快速充电模式，式(8)表示慢速充电模式；
Figure BDA0003238956180000038
Figure BDA0003238956180000039
Figure BDA00032389561800000310
结合式(1)和式(6)，可反向计算充电桩为电动汽车提供的能量范围；因 此，单台电动汽车的调控范围可概括为式(9)-(11)：
Figure BDA00032389561800000311
Figure BDA00032389561800000312
Figure BDA00032389561800000313
式中，Ts表示整个优化调度周期T＝{Ts,Ts+1,…,Te}的起始时刻；
Figure BDA00032389561800000314
是单台电动汽车c在时刻t的功率调控的上限；
Figure BDA00032389561800000315
和
Figure BDA00032389561800000316
分别是电动汽车能量的下限和上限；
对于每个充电桩而言，只上报
Figure BDA0003238956180000041
和
Figure BDA0003238956180000042
这些量给 充电站用于完成电动汽车聚合。
在上述的一种考虑负荷反弹的电动汽车聚合优化调度方法，所述步骤2中， 充电站基于电动汽车聚合功率特性模型进行聚合，所述电动汽车聚合功率特性模 型建立基于如下的聚合策略：
在同一个充电站的任意两台电动汽车c1和c2被分配至同一个电动汽车群，当 满足
Figure BDA0003238956180000043
且
Figure BDA0003238956180000044
在上述原则下，每个电动汽车群的总功率表示成如下形式：
Figure BDA0003238956180000045
式中，
Figure BDA0003238956180000046
是电动汽车群m的功率上限；
Figure BDA0003238956180000047
和
Figure BDA0003238956180000048
分别是电动汽车群m的能量上下限，
Figure BDA0003238956180000049
表示电动汽车群m 内的所有电动汽车；
最终，整个电动汽车充电站的调节能力范围可以根据充电站内所有的电动汽 车群的调节能力给出；
电动汽车聚合功率特性模型建立具体包括：
步骤2.1，电动汽车调节容量的聚合
在式(7)-(11)中，必须保证
Figure RE-GDA00035922516700000410
和
Figure RE-GDA00035922516700000411
是单调递增的；令
Figure RE-GDA00035922516700000412
和
Figure RE-GDA00035922516700000413
分别表示转折点，可由下式(12)-(14)计算得到：
Figure BDA00032389561800000414
Figure BDA00032389561800000415
Figure BDA00032389561800000416
步骤2.2，电动汽车负荷基线的聚合
根据式(5)，电动汽车的负荷基线实际上是随调度结果变化而变化的一个变 量，而非给定的参数；考虑到隐私保护的要求，式(5)可以转化成式(16)动 态地更新用户c的负荷基线：
Figure BDA0003238956180000051
式中，
Figure BDA0003238956180000052
是电动汽车用户c在未来一段时 间
Figure BDA0003238956180000053
内剩余需要的充电量；
前述聚合电动汽车调节容量的目的在于刻画可行的调节域，可以将整体的调 节能力划分到多个电动汽车群体；而聚合负荷基线的目的主要是计算负荷调节的 成本，以便对充电站进行整体补偿；因此，对整个充电站而言，只考虑一条负荷 基线，如下式所示：
Figure BDA0003238956180000054
式中，
Figure BDA0003238956180000055
是整个充电站n的基线负荷；
Figure BDA0003238956180000056
表示整个电动汽车充电站内 的充电的电动汽车集合；
Figure BDA0003238956180000057
表示单台电动汽车用户c的基线负荷。
在上述的一种考虑负荷反弹的电动汽车聚合优化调度方法，所述步骤3中， 配电网look-ahead功率优化调度模型包括：
目标函数
Figure BDA0003238956180000058
式中，RC为总调节成本；RN,CS,T分别表示光伏电站节点、电动汽车充电 站节点和优化调度时刻集合；Δt为优化时间间隔；ρCS,ρPV,ρNE,up,ρNE,dn分别是 单位负荷调节成本、单位光伏弃置成本以及单位下网点向上/向下的功率越限成 本；
Figure BDA0003238956180000059
ΔPt NE,up,ΔPt NE ,dn分别是负荷调节功率、弃置光伏功率以及向上/ 向下的功率波动量；
约束条件
Figure BDA00032389561800000510
Figure BDA00032389561800000511
Figure BDA00032389561800000512
Figure BDA0003238956180000061
Figure BDA0003238956180000062
Figure BDA0003238956180000063
Figure BDA0003238956180000064
Figure BDA0003238956180000065
Figure BDA0003238956180000066
式(20)是光伏的出力约束，
Figure BDA0003238956180000067
是日前光伏预测的最大出力，
Figure BDA0003238956180000068
为 光伏的预测出力偏差；式(21)为配电网下网点净交换功率的向下不平衡功率约 束，ΔPt NE,dn为向下功率不平衡量；式(22)为配电网下网点净交换功率的向上 不平衡功率约束，ΔPt NE,up为向上功率不平衡量；
其中，
Figure BDA0003238956180000069
表示充电站n内的所有电动汽车群；
Figure BDA00032389561800000610
表示电动汽车群m的有 功功率；
式(31)-(32)为基于线损灵敏度得到的交流潮流的线性化形式；
Figure BDA00032389561800000611
分别表示节点i在时刻t的初始净注入有功功率和无功功率；
式(33)-(35)，
Figure BDA00032389561800000612
为电动汽车充电站n在t时刻的负荷功率；
Figure BDA00032389561800000613
为第k-1次迭代计算得到的电动汽车充电站的负荷基线；
Figure BDA00032389561800000614
为松弛变量；式 中，
Figure BDA00032389561800000615
表示整个充电站剩余的充电任务；
Figure BDA00032389561800000616
分别表示电动汽 车充电站n内的电动汽车群和电动汽车集合；
Figure BDA00032389561800000617
表示电动 汽车群m的最大负荷功率，
Figure BDA00032389561800000618
表示电动汽车群m内的所有电动汽车。
在上述的一种考虑负荷反弹的电动汽车聚合优化调度方法，所述步骤4中最 优调控任务分解模型具体包括：
步骤4.1，最优调控任务分解模型
在配电网运营商优化得到每个充电站需要响应的目标功率
Figure BDA00032389561800000619
后，充电站 需要将调节任务分配到每台电动汽车并确定每台电动汽车的实际充电曲线，如下 式所示：
Figure BDA0003238956180000071
采用如下形式的目标函数进行调控任务的分解：
Figure BDA0003238956180000072
Figure BDA0003238956180000073
式中，
Figure BDA0003238956180000074
为电动汽车用户c在时刻t实际的负荷削减量；
Figure BDA0003238956180000075
为电动 汽车用户c在时刻t的负荷基线；
Figure BDA0003238956180000076
为电动汽车用户c在时刻t的实际充电负 荷功率；
目标函数：
Figure BDA0003238956180000077
约束条件：
Figure BDA0003238956180000078
Figure BDA0003238956180000079
Figure BDA00032389561800000710
Figure BDA00032389561800000711
Figure BDA00032389561800000712
Figure BDA00032389561800000713
式中，Ts表示整个优化调度周期T＝{Ts,Ts+1,…,Te}的起始时刻；
Figure BDA00032389561800000714
是单台电动汽车c在时刻t的功率调控的上限；
Figure BDA00032389561800000715
和
Figure BDA00032389561800000716
分别是电动汽车能量的下限和上限；
Figure BDA00032389561800000717
为电动汽车用户c在时刻t实 际的负荷削减量；
Figure BDA00032389561800000718
为电动汽车用户c在时刻t的负荷基线；
Figure BDA00032389561800000719
为电动汽 车用户c在时刻t的实际充电负荷功率；
Figure BDA00032389561800000720
为电动汽车用户c在时刻t实际 的负荷削减量；
Figure BDA00032389561800000721
为电动汽车用户c在时刻t的负荷基线；
Figure BDA00032389561800000722
为电动汽车 用户c在时刻t的实际充电负荷功率；
迭代修正求解流程如下：
Step1：固定
Figure BDA0003238956180000081
求解步骤3中简化后的look-ahead优化调度模型；
Step2：向每个充电站下发最优解
Figure BDA0003238956180000082
通过求解步骤4.1的任务分解模型 计算每辆电动汽车的充电计划
Figure BDA0003238956180000083
Step3：计算每辆电动汽车的负荷基线以及聚合得到的充电站的负荷基线
Figure BDA0003238956180000084
Step4：重新计算精确的
Figure BDA0003238956180000085
更新最优解集X(k)和目标函数值RC(k)；
Step5：如果存在k1和k2满足
Figure BDA0003238956180000086
其 中，εP，max为预先设置的收敛容许误差，则输出相应的最优解集。
因此，本发明具有如下优点：(1)依据本发明所提的聚合方法得到的电动汽 车充电站容量的调节范围与实际的可行域范围一致；(2)通过更新电动汽车充电 功率基线可以获得更准确的调控结果，可进一步提高分布式可再生能源的利用率； (3)所提最优调控任务分解模型可以保证不同电动汽车用户承担调控任务的公 平性，避免个别用户因过渡调节而导致充电体验不佳。
附图说明
图1为本发明电动汽车聚合优化调度框架示意图。
图2为本发明电动汽车调节能量约束示意图。
图3为本发明电动汽车自下而上聚合示意图。
具体实施方式
下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。
步骤1，单个电动汽车功率调节外特性建模
步骤1.1，电动汽车充电行为建模
目前由于许多充电桩不支持反向潮流，因此，本发明专利只考虑电动汽车的 充电过程，不考虑其对电网的放电。这种情况下，电动汽车充电能量可以用下述 公式计算：
Figure BDA0003238956180000087
式中，
Figure BDA0003238956180000091
表示充电功率；SOCc,t表示t时刻电动汽车c的荷电状态；ηc表 示电动汽车c的充电效率；Capc表示电动汽车c的电池容量；Δt表示优化调度 的时间间隔。
当电动汽车还没有到达或者已经离开充电站的时候，电动汽车的充电功率则 为0，因此，关于充电功率的范围可以表示成如下形式：
Figure BDA0003238956180000092
式中，
Figure BDA0003238956180000093
是电动汽车站额定的充电功率(假设所有充电桩的额定充电功 率相同)；
Figure BDA0003238956180000094
是0-1变量，为0表示时刻t不在电动汽车到达时间
Figure BDA0003238956180000095
和离开时 间
Figure BDA0003238956180000096
之间。
此外，为了避免用户充电计划的延误，要求用户在离开的时候电动汽车的荷 电状态SOC需要达到用户预先设置的水平，即
Figure BDA0003238956180000097
如下式所示：
Figure BDA0003238956180000098
步骤1.2，电动汽车充电负荷基线建模
负荷基线是与用户自身的用能行为密切相关，对于负荷调节也是非常重要。 因此，在统一价格政策下，如果没有调节指令的话，用户自身不会主动延误充电 计划；也就是说，用户总是希望尽可能快地完成充电任务。
Figure BDA0003238956180000099
对于上述问题的最优解，也就是电动汽车用户c的负荷基线，可以直接由下 式计算得到：
Figure BDA00032389561800000910
式中，
Figure BDA00032389561800000911
和λc＝Δtηc/Capc。
如上式所示，当电动汽车充电站没有收到调控指令的时候，充电功率将达到 最大值；在这种情况下，电动汽车只能提供功率减载服务。
步骤1.3，电动汽车调节容量约束
在电动汽车上报调控容量范围约束时，需要注重保护用户的隐私，包括电动 汽车的电池参数(电池容量Capc和充电效率ηc)和用户的出行计划(预先设置 的充电目标
Figure BDA0003238956180000101
用户到达时间
Figure BDA0003238956180000102
和计划离开时间
Figure BDA0003238956180000103
)。尽管一些充电桩能自 动读取这些信息，但这些信息应仅限于充电站自身使用，因此，本发明提出采用 如下方式对式(1)-(3)进行转化。
式(3)的目的是确保电动汽车离开充电站时完成了预先设置的充电目标， 可以转化成式(6)的形式，其中，上限
Figure BDA0003238956180000104
和下限
Figure BDA0003238956180000105
分别通过式(7) 和式(8)进行计算；式(7)表示快速充电模式，式(8)表示慢速充电模式。
Figure BDA0003238956180000106
Figure BDA0003238956180000107
Figure BDA0003238956180000108
结合式(1)和式(6)，可反向计算充电桩为电动汽车提供的能量范围；因 此，单台电动汽车的调控范围可概括为式(9)-(11)：
Figure BDA0003238956180000109
Figure BDA00032389561800001010
Figure BDA00032389561800001011
式中，Ts表示整个优化调度周期T＝{Ts,Ts+1,…,Te}的起始时刻；
Figure BDA00032389561800001012
是单台电动汽车c在时刻t的功率调控的上限；
Figure BDA00032389561800001013
和
Figure BDA00032389561800001014
分别是电动汽车能量的下限和上限；
对于每个充电桩而言，只上报
Figure BDA00032389561800001015
和
Figure BDA00032389561800001016
这些量给 充电站用于完成电动汽车聚合。
步骤2，电动汽车聚合功率特性建模
当电动汽车充电站执行负荷聚合时，即意味着需要聚合电动汽车的调节容量 和负荷基线。包括以下两个步骤：
步骤2.1，电动汽车调节容量的聚合
在式(7)-(11)中，必须保证
Figure RE-GDA00035922516700001014
和
Figure RE-GDA00035922516700001015
是单调递增的；令
Figure RE-GDA00035922516700001016
和
Figure RE-GDA0003592251670000111
分别表示红色转折点，可由下式(12)-(14)计算得到：
Figure BDA0003238956180000115
Figure BDA0003238956180000116
Figure BDA0003238956180000117
基于所计算的
Figure RE-GDA0003592251670000115
和
Figure RE-GDA0003592251670000116
本发明提出如下的聚合策略，
聚合原则：在同一个充电站的任意两台电动汽车(表示成c1和c2)可以被分 配至同一个电动汽车群，当满足
Figure BDA00032389561800001110
且
Figure BDA00032389561800001111
在上述原则下，每个电动汽车群的总功率(
Figure BDA00032389561800001112
其中
Figure BDA00032389561800001113
表 示电动汽车群m内的所有电动汽车)可以表示成如下形式：
Figure BDA00032389561800001114
式中，
Figure BDA00032389561800001115
是电动汽车群m的功率上限；
Figure BDA00032389561800001116
和
Figure BDA00032389561800001117
分别是电动汽车群m的能量上下限。
最终，整个电动汽车充电站的调节能力范围可以根据充电站内所有的电动汽 车群的调节能力给出。
步骤2.2，电动汽车负荷基线的聚合
根据式(5)，电动汽车的负荷基线实际上是随调度结果变化而变化的一个变 量，而非给定的参数；考虑到隐私保护的要求，式(5)可以转化成式(16)动 态地更新用户c的负荷基线：
Figure BDA00032389561800001118
式中，
Figure BDA0003238956180000121
是电动汽车用户c在未来一段时 间
Figure BDA0003238956180000122
内剩余需要的充电量。
前述聚合电动汽车调节容量的目的在于刻画可行的调节域，可以将整体的调 节能力划分到多个电动汽车群体；而聚合负荷基线的目的主要是计算负荷调节的 成本，以便对充电站进行整体补偿；因此，对整个充电站而言，只考虑一条负荷 基线，如下式所示：
Figure BDA0003238956180000123
式中，
Figure BDA0003238956180000124
是整个充电站n的基线负荷；
Figure BDA0003238956180000125
表示整个电动汽车充电站内 的充电的电动汽车集合；
Figure BDA0003238956180000126
表示单台电动汽车用户c的基线负荷。
步骤3，配电网look-ahead功率优化调度模型
本发明专利考虑电动汽车充电站在配电网日内优化调度中提供负荷减载服 务。
步骤3.1，优化模型
步骤3.1.1，目标函数
本发明专利主要目标是在配电网日内调度中平抑下网点功率波动，以促进光 伏的就地消纳。主要考虑三种调节成本：电动汽车充电站负荷的调节成本、光伏 的弃置成本以及下网点功率波动越限的惩罚成本；配电网调控中心通过最小化调 节成本来达到平抑下网点功率波动的目标：
Figure BDA0003238956180000127
式中，RC为总调节成本；RN,CS,T分别表示光伏电站节点、电动汽车充电 站节点和优化调度时刻集合；Δt为优化时间间隔；ρCS,ρPV,ρNE,up,ρNE,dn分别是 单位负荷调节成本、单位光伏弃置成本以及单位下网点向上/向下的功率越限成 本；
Figure BDA0003238956180000128
ΔPt NE,up,ΔPt NE ,dn分别是负荷调节功率、弃置光伏功率以及向上/ 向下的功率波动量。
步骤3.1.2，约束条件
在大多数实际情况中，充电桩的无功功率远远小于有功功率，因此，本发明 专利只考虑充电桩以单位功率因数运行；
Figure BDA0003238956180000131
Figure BDA0003238956180000132
Figure BDA0003238956180000133
Figure BDA0003238956180000134
式(19)是充电站的功率平衡约束，
Figure BDA0003238956180000135
是电动汽车充电站负荷偏移基线 量；式(20)是光伏的出力约束，
Figure BDA0003238956180000136
是日前光伏预测的最大出力，
Figure BDA0003238956180000137
为 光伏的预测出力偏差；式(21)为配电网下网点净交换功率的向下不平衡功率约 束，ΔPt NE,dn为向下功率不平衡量；式(22)为配电网下网点净交换功率的向上 不平衡功率约束，ΔPt NE,up为向上功率不平衡量。
Figure BDA0003238956180000138
Figure BDA0003238956180000139
Figure BDA00032389561800001310
式(23)-(24)为交流潮流约束；ei,t+jfi,t表示节点i在时刻t的电压， 其幅值在[Vmin,Vmax]之间；
Figure BDA00032389561800001311
分别表示节点i在时刻t的不可控负荷的有 功功率和无功功率；Pt NE,
Figure BDA00032389561800001312
分别表示配电网下网点净交换的有功功率和无功功 率；
Figure BDA00032389561800001313
分别表示光伏r在时刻t的有功出力和无功出力；Gi,j,Bi,j分别表 示节点导纳矩阵的实部和虚部；
Figure BDA00032389561800001314
分别表示节点i和光伏电站r、充电 站n的关联矩阵，当光伏电站r连接在节点i上时，
Figure BDA00032389561800001315
否则为0；当充 电站n连接在节点i上时，
Figure BDA00032389561800001316
否则为0。
由于电动汽车在聚合的时候分成不同的群，因此，每个电动汽车充电站的总 负荷约束如下：
Figure BDA0003238956180000141
其中，
Figure BDA0003238956180000142
表示充电站n内的所有电动汽车群；
Figure BDA0003238956180000143
表示电动汽车群m的有 功功率。
综上所述，建立的配电网日内look-ahead优化调度模型总结如下：
目标函数：式(18)；
约束条件：式(16)，式(19)-(26)
步骤3.2，模型求解
步骤3.2.1，交流潮流约束(23)-(25)的线性化
本发明专利采用基于线损灵敏度的方法对交流潮流约束进行线性化，为便于 描述，设
Figure BDA0003238956180000144
为配电网节点i在时刻t的净注入功率，满足
Figure BDA0003238956180000145
则式(23)- (24)的交流潮流约束可转化成如下(27)-(32)形式：
Figure BDA0003238956180000146
Figure BDA0003238956180000147
Figure BDA0003238956180000148
Figure BDA0003238956180000149
(27)-(28)为线路网损对各节点净注入有功功率和无功功率的灵敏度； ND,LN为配电网所有节点和线路集合；
Figure BDA00032389561800001410
分别表示线路l在t时刻的有 功网损和无功网损；Rl,Xl分别表示线路l的电阻和电抗；Vi,t表示节点i在t时 刻的电压；
Figure BDA00032389561800001411
分别表示线路l在t时刻传输的有功功率和无功功率；
Figure BDA00032389561800001412
Figure BDA0003238956180000151
式(31)-(32)为基于线损灵敏度得到的交流潮流的线性化形式；
Figure BDA0003238956180000152
分别表示节点i在时刻t的初始净注入有功功率和无功功率。
步骤3.2.2，初始值估计
本发明专利中式(19)提及的电动汽车充电站负荷基线
Figure BDA0003238956180000153
在考虑负荷反 弹时不是给定的离线参数，通过类比式(16)，本发明专利采用式(33)的形式 估计充电站的负荷基线：
Figure BDA0003238956180000154
式中，
Figure BDA0003238956180000155
表示整个充电站剩余的充电任务；
Figure BDA0003238956180000156
分别表示 电动汽车充电站n内的电动汽车群和电动汽车集合；
Figure BDA0003238956180000157
表 示电动汽车群m的最大负荷功率，
Figure BDA0003238956180000158
表示电动汽车群m内的所有电动汽车。
整理后得到配电网日内look-ahead优化调度的估计模型如下：
目标函数：式(18)；
约束条件：式(16)，式(19)-(22)，式(26)，式(31)-(33)。
步骤3.2.3，电动汽车充电站功率平衡约束的松弛处理
对于
Figure BDA0003238956180000159
的精确计算是复杂的，本发明专利提及的式(33)只是一个粗略 估计；而估计的误差通常会影响到
Figure BDA00032389561800001510
的最优解，因此，本发明专利提出采用迭 代修正的方法。
在电动汽车充电站提供负荷减载辅助服务时，必须满足
Figure BDA00032389561800001511
(其 中，k为迭代次数)；然而，实际使用的基线通常是上一次迭代得到的结果，因 此，在计及负荷反弹效应时，本发明专利采用如下的形式对式(19)进行松弛：
Figure BDA00032389561800001512
Figure BDA00032389561800001513
式中，
Figure BDA00032389561800001514
为电动汽车充电站n在t时刻的负荷功率；
Figure BDA00032389561800001515
为第k-1 次迭代计算得到的电动汽车充电站的负荷基线；
Figure BDA0003238956180000161
为松弛变量。
经过上述的松弛处理，本发明专利得到如下的配电网日内look-ahead优化 调度简化模型如下：
目标函数：式(18)；
约束条件：式(16)，式(20)-(22)，式(26)，式(31)-(35)；
步骤4，最优调控任务分解模型及求解方法
步骤4.1，最优调控任务分解模型
在配电网运营商优化得到每个充电站需要响应的目标功率
Figure BDA0003238956180000162
后，充电站 需要将调节任务分配到每台电动汽车并确定每台电动汽车的实际充电曲线，如下 式所示：
Figure BDA0003238956180000163
在进行任务分解时，有如下两点考虑：
1)低成本：电动汽车充电站内所有电动汽车提供的总负荷减载量应尽可能 小，以最小化电动汽车用户充电计划延误的可能性；
2)公平性：所有用户应尽可能均匀地承担功率调节任务，以避免部分用户 因为过度地参与到功率调节中而影响充电体验。
基于如上两点考量，本发明专利采用如下形式的目标函数进行调控任务的分 解：
Figure BDA0003238956180000164
Figure BDA0003238956180000165
式中，
Figure BDA0003238956180000166
为电动汽车用户c在时刻t实际的负荷削减量；
Figure BDA0003238956180000167
为电动 汽车用户c在时刻t的负荷基线；
Figure BDA0003238956180000168
为电动汽车用户c在时刻t的实际充电负 荷功率。
总结上述，得到如下的最优调控任务分解模型：
目标函数：式(37)；
约束条件：式(9)-(11)，式(16)，式(36)，式(38)。
步骤4.2，迭代修正求解流程
本发明专利提出的迭代修正求解流程如下：
Step1：固定
Figure BDA0003238956180000171
求解步骤3中简化后的look-ahead优化调度模型；
Step2：向每个充电站下发最优解
Figure BDA0003238956180000172
通过求解步骤4.1的任务分解模型 计算每辆电动汽车的充电计划
Figure BDA0003238956180000173
Step3：计算每辆电动汽车的负荷基线以及聚合得到的充电站的负荷基线
Figure BDA0003238956180000174
Step4：重新计算精确的
Figure BDA0003238956180000175
更新最优解集X(k)和目标函数值RC(k)；
Step5：如果存在k1和k2满足
Figure BDA0003238956180000176
(其 中，εP，max为预先设置的收敛容许误差)，则输出相应的最优解集。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技 术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用 类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的 范围。

Claims (5)

1.一种考虑负荷反弹的电动汽车聚合优化调度方法，其特征在于，包括以下步骤：
步骤1：当电动汽车用户到达充电站时，用户即设置期望的充电目标和预计离开的时间
Figure FDA0003238956170000011
电动汽车的能量管理系统生成整个调度周期内的充电计划并向电动汽车展聚合商上报它的负荷基线以及调控约束，其中，充电目标为电动汽车的SOCset；
步骤2：在收集完所有已经到达的电动汽车信息后，充电站聚合总的功率调节范围和总的负荷基线，并且电动汽车被动态地分成多个群从而完成聚合；
步骤3：基于聚合结果，配电网控制中心基于建立的look-ahead优化调度模型执行功率优化，通过向电动汽车充电站聚合商下达功率调控目标以平抑净交换功率的波动，电动汽车充电站聚合商基于动态负荷基线计算得到的调节容量范围获得相应的补偿；
步骤4：每个电动汽车充电站聚合商将配电网运营商下达的最优充电功率作为功率跟踪的目标，并实时计算每辆电动汽车的实际充电计划，从而将整个充电站的调节任务具体分解到每台电动汽车。
2.根据权利要求1所述的一种考虑负荷反弹的电动汽车聚合优化调度方法，其特征在于，所述步骤1中，电动汽车的能量管理系统首先进行单个电动汽车功率调节外特性建模，具体包括：
步骤1.1，电动汽车充电行为建模
只考虑电动汽车的充电过程，不考虑其对电网的放电；这种情况下，电动汽车充电能量用下述公式计算：
Figure FDA0003238956170000012
式中，
Figure FDA0003238956170000013
表示充电功率；SOCc,t表示t时刻电动汽车c的荷电状态；ηc表示电动汽车c的充电效率；Capc表示电动汽车c的电池容量；Δt表示优化调度的时间间隔；
当电动汽车还没有到达或者已经离开充电站的时候，电动汽车的充电功率则为0，因此，关于充电功率的范围可以表示成如下形式：
Figure FDA0003238956170000014
式中，
Figure FDA0003238956170000021
是电动汽车站额定的充电功率，其中所有充电桩的额定充电功率相同；
Figure FDA0003238956170000022
是0-1变量，为0表示时刻t不在电动汽车到达时间Tc a和离开时间Tc d之间；
此外，为了避免用户充电计划的延误，要求用户在离开的时候电动汽车的荷电状态SOC需要达到用户预先设置的水平，即
Figure FDA0003238956170000023
如下式所示：
Figure FDA0003238956170000024
步骤1.2，电动汽车充电负荷基线建模
负荷基线是与用户自身的用能行为密切相关，对于负荷调节也是非常重要；因此，在统一价格政策下，如果没有调节指令的话，用户自身不会主动延误充电计划；也就是说，用户总是希望尽可能快地完成充电任务；
Figure FDA0003238956170000025
对于上述问题的最优解，也就是电动汽车用户c的负荷基线，可以直接由下式计算得到：
Figure FDA0003238956170000026
式中，
Figure FDA0003238956170000027
和λc＝Δtηc/Capc；
如上式所示，当电动汽车充电站没有收到调控指令的时候，充电功率将达到最大值；在这种情况下，电动汽车只能提供功率减载服务；
步骤1.3，电动汽车调节容量约束
在电动汽车上报调控容量范围约束时，需要注重保护用户的隐私，包括电动汽车的电池容量Capc和充电效率ηc，用户的出行计划，包括预先设置的充电目标
Figure FDA0003238956170000028
用户到达时间Tc a和计划离开时间Tc d；采用如下方式对式(1)-(3)进行转化；
式(3)的目的是确保电动汽车离开充电站时完成了预先设置的充电目标，可以转化成式(6)的形式，其中，上限
Figure FDA0003238956170000029
和下限
Figure FDA00032389561700000210
分别通过式(7)和式(8)进行计算；式(7)表示快速充电模式，式(8)表示慢速充电模式；
Figure FDA00032389561700000211
Figure FDA00032389561700000212
Figure FDA0003238956170000031
结合式(1)和式(6)，可反向计算充电桩为电动汽车提供的能量范围；因此，单台电动汽车的调控范围可概括为式(9)-(11)：
Figure FDA0003238956170000032
Figure FDA0003238956170000033
Figure FDA0003238956170000034
式中，Ts表示整个优化调度周期T＝{Ts,Ts+1,…,Te}的起始时刻；
Figure FDA0003238956170000035
是单台电动汽车c在时刻t的功率调控的上限；
Figure FDA0003238956170000036
和
Figure FDA0003238956170000037
分别是电动汽车能量的下限和上限；
对于每个充电桩而言，只上报
Figure FDA0003238956170000038
和
Figure FDA0003238956170000039
这些量给充电站用于完成电动汽车聚合。
3.根据权利要求1所述的一种考虑负荷反弹的电动汽车聚合优化调度方法，其特征在于，所述步骤2中，充电站基于电动汽车聚合功率特性模型进行聚合，所述电动汽车聚合功率特性模型建立基于如下的聚合策略：
在同一个充电站的任意两台电动汽车c1和c2被分配至同一个电动汽车群，当满足
Figure RE-FDA00034651126400000310
且
Figure RE-FDA00034651126400000311
在上述原则下，每个电动汽车群的总功率表示成如下形式：
Figure RE-FDA00034651126400000312
式中，
Figure RE-FDA00034651126400000313
是电动汽车群m的功率上限；
Figure RE-FDA00034651126400000314
和
Figure RE-FDA00034651126400000315
分别是电动汽车群m的能量上下限，
Figure RE-FDA00034651126400000316
表示电动汽车群m内的所有电动汽车；
最终，整个电动汽车充电站的调节能力范围可以根据充电站内所有的电动汽车群的调节能力给出；
电动汽车聚合功率特性模型建立具体包括：
步骤2.1，电动汽车调节容量的聚合
在式(7)-(11)中，必须保证
Figure RE-FDA0003465112640000041
和
Figure RE-FDA0003465112640000042
是单调递增的；令
Figure RE-FDA0003465112640000043
和
Figure RE-FDA0003465112640000044
分别表示转折点，可由下式(12)-(14)计算得到：
Figure RE-FDA0003465112640000045
Figure RE-FDA0003465112640000046
Figure RE-FDA0003465112640000047
步骤2.2，电动汽车负荷基线的聚合
根据式(5)，电动汽车的负荷基线实际上是随调度结果变化而变化的一个变量，而非给定的参数；考虑到隐私保护的要求，式(5)可以转化成式(16)动态地更新用户c的负荷基线：
Figure RE-FDA0003465112640000048
式中，
Figure RE-FDA0003465112640000049
是电动汽车用户c在未来一段时间
Figure RE-FDA00034651126400000410
内剩余需要的充电量；
前述聚合电动汽车调节容量的目的在于刻画可行的调节域，可以将整体的调节能力划分到多个电动汽车群体；而聚合负荷基线的目的主要是计算负荷调节的成本，以便对充电站进行整体补偿；因此，对整个充电站而言，只考虑一条负荷基线，如下式所示：
Figure RE-FDA00034651126400000411
式中，
Figure RE-FDA00034651126400000412
是整个充电站n的基线负荷；
Figure RE-FDA00034651126400000413
表示整个电动汽车充电站内的充电的电动汽车集合；
Figure RE-FDA00034651126400000414
表示单台电动汽车用户c的基线负荷。
4.根据权利要求3所述的一种考虑负荷反弹的电动汽车聚合优化调度方法，其特征在于，所述步骤3中，配电网look-ahead功率优化调度模型包括：
目标函数
Figure FDA0003238956170000051
式中，RC为总调节成本；RN,CS,T分别表示光伏电站节点、电动汽车充电站节点和优化调度时刻集合；Δt为优化时间间隔；ρCS,ρPV,ρNE,up,ρNE,dn分别是单位负荷调节成本、单位光伏弃置成本以及单位下网点向上/向下的功率越限成本；
Figure FDA0003238956170000052
ΔPt NE,up,ΔPt NE,dn分别是负荷调节功率、弃置光伏功率以及向上/向下的功率波动量；
约束条件
Figure FDA0003238956170000053
Figure FDA0003238956170000054
Figure FDA0003238956170000055
Figure FDA0003238956170000056
Figure FDA0003238956170000057
Figure FDA0003238956170000058
Figure FDA0003238956170000059
Figure FDA00032389561700000510
Figure FDA00032389561700000511
式(20)是光伏的出力约束，
Figure FDA00032389561700000512
是日前光伏预测的最大出力，
Figure FDA00032389561700000513
为光伏的预测出力偏差；式(21)为配电网下网点净交换功率的向下不平衡功率约束，ΔPt NE,dn为向下功率不平衡量；式(22)为配电网下网点净交换功率的向上不平衡功率约束，ΔPt NE,up为向上功率不平衡量；
其中，
Figure FDA00032389561700000514
表示充电站n内的所有电动汽车群；
Figure FDA00032389561700000515
表示电动汽车群m的有功功率；
式(31)-(32)为基于线损灵敏度得到的交流潮流的线性化形式；
Figure FDA00032389561700000516
分别表示节点i在时刻t的初始净注入有功功率和无功功率；
式(33)-(35)，
Figure FDA0003238956170000061
为电动汽车充电站n在t时刻的负荷功率；
Figure FDA0003238956170000062
为第k-1次迭代计算得到的电动汽车充电站的负荷基线；
Figure FDA0003238956170000063
为松弛变量；式中，
Figure FDA0003238956170000064
表示整个充电站剩余的充电任务；
Figure FDA0003238956170000065
分别表示电动汽车充电站n内的电动汽车群和电动汽车集合；
Figure FDA0003238956170000066
表示电动汽车群m的最大负荷功率，
Figure FDA0003238956170000067
表示电动汽车群m内的所有电动汽车。
5.根据权利要求1所述的一种考虑负荷反弹的电动汽车聚合优化调度方法，其特征在于，其特征在于，所述步骤4中最优调控任务分解模型具体包括：
步骤4.1，最优调控任务分解模型
在配电网运营商优化得到每个充电站需要响应的目标功率
Figure RE-FDA0003465112640000068
后，充电站需要将调节任务分配到每台电动汽车并确定每台电动汽车的实际充电曲线，如下式所示：
Figure RE-FDA0003465112640000069
采用如下形式的目标函数进行调控任务的分解：
Figure RE-FDA00034651126400000610
Figure RE-FDA00034651126400000611
式中，
Figure RE-FDA00034651126400000612
为电动汽车用户c在时刻t实际的负荷削减量；
Figure RE-FDA00034651126400000613
为电动汽车用户c在时刻t的负荷基线；
Figure RE-FDA00034651126400000614
为电动汽车用户c在时刻t的实际充电负荷功率；
目标函数：
Figure RE-FDA00034651126400000615
约束条件：
Figure RE-FDA00034651126400000616
Figure RE-FDA0003465112640000071
Figure RE-FDA0003465112640000072
Figure RE-FDA0003465112640000073
Figure RE-FDA0003465112640000074
Figure RE-FDA0003465112640000075
式中，Ts表示整个优化调度周期T＝{Ts,Ts+1,…,Te}的起始时刻；
Figure RE-FDA0003465112640000076
是单台电动汽车c在时刻t的功率调控的上限；
Figure RE-FDA0003465112640000077
和
Figure RE-FDA0003465112640000078
分别是电动汽车能量的下限和上限；
Figure RE-FDA0003465112640000079
为电动汽车用户c在时刻t实际的负荷削减量；
Figure RE-FDA00034651126400000710
为电动汽车用户c在时刻t的负荷基线；
Figure RE-FDA00034651126400000711
为电动汽车用户c在时刻t的实际充电负荷功率；
Figure RE-FDA00034651126400000712
为电动汽车用户c在时刻t实际的负荷削减量；
Figure RE-FDA00034651126400000713
为电动汽车用户c在时刻t的负荷基线；
Figure RE-FDA00034651126400000714
为电动汽车用户c在时刻t的实际充电负荷功率；
迭代修正求解流程如下：
Step1：固定
Figure RE-FDA00034651126400000715
求解步骤3中简化后的look-ahead优化调度模型；
Step2：向每个充电站下发最优解
Figure RE-FDA00034651126400000716
通过求解步骤4.1的任务分解模型计算每辆电动汽车的充电计划
Figure RE-FDA00034651126400000717
Step3：计算每辆电动汽车的负荷基线以及聚合得到的充电站的负荷基线
Figure RE-FDA00034651126400000718
Step4：重新计算精确的
Figure RE-FDA00034651126400000719
更新最优解集X(k)和目标函数值RC(k)；
Step5：如果存在k1和k2满足
Figure RE-FDA00034651126400000720
其中，εP，max为预先设置的收敛容许误差，则输出相应的最优解集。
CN202111011016.9A 2021-08-31 2021-08-31 一种考虑负荷反弹的电动汽车聚合优化调度方法 Active CN114475331B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111011016.9A CN114475331B (zh) 2021-08-31 2021-08-31 一种考虑负荷反弹的电动汽车聚合优化调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111011016.9A CN114475331B (zh) 2021-08-31 2021-08-31 一种考虑负荷反弹的电动汽车聚合优化调度方法

Publications (2)

Publication Number Publication Date
CN114475331A true CN114475331A (zh) 2022-05-13
CN114475331B CN114475331B (zh) 2024-04-02

Family

ID=81491685

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111011016.9A Active CN114475331B (zh) 2021-08-31 2021-08-31 一种考虑负荷反弹的电动汽车聚合优化调度方法

Country Status (1)

Country Link
CN (1) CN114475331B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11760224B1 (en) * 2022-08-03 2023-09-19 Electric Era Technologies, Inc. Vehicle charging system

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012171147A1 (zh) * 2011-06-17 2012-12-20 辽宁省电力有限公司 结合风力发电的纯电动汽车有序充放电协调控制系统
US20130307475A1 (en) * 2012-05-18 2013-11-21 Tesla Motors, Inc. Charge rate optimization
CN107133415A (zh) * 2017-05-22 2017-09-05 河海大学 一种考虑用户满意和配网安全的电动汽车充放电优化方法
CN109523051A (zh) * 2018-09-18 2019-03-26 国网浙江省电力有限公司经济技术研究院 一种电动汽车充电实时优化调度方法
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
CN112488444A (zh) * 2020-10-31 2021-03-12 海南电网有限责任公司 电动汽车快慢同步有序充电调度方法以及电量结算方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012171147A1 (zh) * 2011-06-17 2012-12-20 辽宁省电力有限公司 结合风力发电的纯电动汽车有序充放电协调控制系统
US20130307475A1 (en) * 2012-05-18 2013-11-21 Tesla Motors, Inc. Charge rate optimization
CN107133415A (zh) * 2017-05-22 2017-09-05 河海大学 一种考虑用户满意和配网安全的电动汽车充放电优化方法
CN109523051A (zh) * 2018-09-18 2019-03-26 国网浙江省电力有限公司经济技术研究院 一种电动汽车充电实时优化调度方法
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
CN112488444A (zh) * 2020-10-31 2021-03-12 海南电网有限责任公司 电动汽车快慢同步有序充电调度方法以及电量结算方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11760224B1 (en) * 2022-08-03 2023-09-19 Electric Era Technologies, Inc. Vehicle charging system

Also Published As

Publication number Publication date
CN114475331B (zh) 2024-04-02

Similar Documents

Publication Publication Date Title
CN108320111B (zh) 一种超大规模水电站群短期实用化调度方法
Zhou et al. Optimal sizing of PV and BESS for a smart household considering different price mechanisms
CN112467722B (zh) 一种考虑电动汽车充电站的主动配电网源-网-荷-储协调规划方法
CN105846423B (zh) 一种计及需求响应的光伏微电网储能多目标容量配置方法
CN106169108B (zh) 含电池储能系统的主动配电网短期有功优化方法
Wei et al. Aggregation and scheduling models for electric vehicles in distribution networks considering power fluctuations and load rebound
CN107017619B (zh) 非合作博弈视角的光伏充电站网络分布式能量管理方法
Lu et al. A model to mitigate forecast uncertainties in distribution systems using the temporal flexibility of EVAs
CN108964098B (zh) 一种独立微电网系统容量优化配置方法
US9430804B2 (en) Power demand plan adjusting device, power demand plan adjusting method and program
CN107069776B (zh) 一种平滑微网联络线功率的储能前瞻分布式控制方法
CN105279578A (zh) 一种主动配电网区域电源优化配置双层规划方法
CN111244985B (zh) 基于节点综合灵敏度系数的分布式储能序次优化配置方法
CN109672184A (zh) 一种含高比例光伏配电网电压控制方法和系统
CN103593711A (zh) 一种分布式电源优化配置方法
CN117060470B (zh) 一种基于灵活性资源的配电网电压优化控制方法
Peng et al. Optimized economic operation strategy for distributed energy storage with multi-profit mode
Shi et al. Lyapunov optimization in online battery energy storage system control for commercial buildings
CN108390387A (zh) 一种动态自律分散协调的源荷调峰控制方法
CN108446967A (zh) 虚拟电厂竞价方法
CN106874594A (zh) 一种源荷协调控制方法
CN114475331A (zh) 一种考虑负荷反弹的电动汽车聚合优化调度方法
CN117559526A (zh) 一种基于光储充一体化充电站的拟路由器能量调控方法
Kamyar et al. Multi-objective dynamic programming for constrained optimization of non-separable objective functions with application in energy storage
Singh et al. Energy management of an active distribution network considering correlation between uncertain input variables

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