CN115081777A - 最大化运营商收益的v2g调度二阶段随机规划方法 - Google Patents

最大化运营商收益的v2g调度二阶段随机规划方法 Download PDF

Info

Publication number
CN115081777A
CN115081777A CN202110282253.2A CN202110282253A CN115081777A CN 115081777 A CN115081777 A CN 115081777A CN 202110282253 A CN202110282253 A CN 202110282253A CN 115081777 A CN115081777 A CN 115081777A
Authority
CN
China
Prior art keywords
charging
random
scheduling
discharging
electric automobile
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
CN202110282253.2A
Other languages
English (en)
Other versions
CN115081777B (zh
Inventor
黄玉萍
胡晨
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.)
Guangzhou Institute of Energy Conversion of CAS
Original Assignee
Guangzhou Institute of Energy Conversion of CAS
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 Guangzhou Institute of Energy Conversion of CAS filed Critical Guangzhou Institute of Energy Conversion of CAS
Priority to CN202110282253.2A priority Critical patent/CN115081777B/zh
Priority claimed from CN202110282253.2A external-priority patent/CN115081777B/zh
Priority to PCT/CN2021/088841 priority patent/WO2022021957A1/zh
Publication of CN115081777A publication Critical patent/CN115081777A/zh
Application granted granted Critical
Publication of CN115081777B publication Critical patent/CN115081777B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/067—Enterprise or organisation modelling
    • 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
    • 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
    • G06Q10/06315—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
    • 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
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Educational Administration (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)

Abstract

本发明公开了一种最大化运营商收益的V2G调度二阶段随机规划方法，涉及能源管理优化模型领域，本发明针对电动汽车充放电调度问题，基于分布式可再生能源‑储‑EVs充放电的电力系统，建立一种结合V2G调度随机性和可再生能源发电随机性的V2G二阶段非线性随机规划模型。通过约束线性化将其转化为混合整数线性规划模型(MILP)。另外，为使随机情景能全面覆盖多种不确定性因素，设计了一种情景生成和组合的方法将V2G调度资源和可再生能源层面的随机性结合。V2G二阶段随机规划模型求解探寻适应V2G调度层面随机性和可再生能源随机性的电动汽车最优充放电计划，并提升其参与电力辅助服务的收益。

Description

最大化运营商收益的V2G调度二阶段随机规划方法
技术领域
本发明涉及能源管理优化模型领域，具体地说是一种最大化运营商收益的基于二阶段随机规划的V2G调度方法。
背景技术
V2G，是Vehicle-to-Grid的简称，它的目的是电动汽车与电网互动，利用电动车的电池作为电网和可再生能源的缓冲。在节能减排和化石能源紧缺的外部大环境下，电动汽车(EVs)凭借其运行成本低廉，节能环保效应突出的特点逐渐占据更多燃油车的市场。除了节能减排以外，EVs作为移动储能，通过V2G方式与电网互动可以为电网带来很多辅助服务，其中包括为电网辅助调峰和辅助调频。本模型可实现辅助调峰，可准确控制EVs的充放电状态以及EVs充放电电量,让EVs有序参与电网运行调控。在EVs参与电网运行调控中，V2G运营商(调度中心，AG)的集中调度的作用不可或缺。
V2G运营商为模型的收益主体，其职能包括：管理协议内EVs充放电，为协议外EVs提供电力，运营区域内的可再生能源发电系统，为区域部分负荷提供电力中转以及进行区域的余电上网。
EVs参与V2G充放电调度的问题是具有多种不确定性的最优化决策问题。不确定性可以分为V2G调度资源随机性和可再生能源发电随机性。在以往的研究中，EVs参与V2G过程中的多种随机性难以得到全面的考虑，而且在V2G调度资源和可再生能源随机性的结合研究并不深入。
发明内容
针对现有技术中的不足，本发明提供一种最大化运营商收益的基于二阶段随机规划的V2G调度方法，结合V2G调度随机性和可再生能源发电随机性的V2G二阶段非线性随机规划模型，将V2G调度资源和可再生能源层面的随机性结合。
为实现上述目的，本发明的技术方案如下：
一种最大化运营商收益的V2G调度二阶段随机规划方法，用于至少包括电动汽车、充放电桩和电网构成的系统，其包括以下步骤：
获取运营商服务区域内的电动汽车的日前参数集，同时，向运营商服务区域内的电动汽车发出调度邀约协议，将同意调度邀约协议的电动汽车归类为协议内电动汽车，将无响应及拒绝调度邀约协议的电动汽车视为协议外电动汽车；
基于运营商服务区域内的电动汽车的日前参数集、协议内电动汽车和协议外电动汽车的情况，以及可再生能源的发电情况构建随机情景集合，所述构建随机情景集合在满足设定的协议外电动汽车随机充电需求下，对协议内电动汽车进行充放电优化调度；
考虑各个随机因素相互独立，利用随机情景集合模型构建最终随机情景，构建在所述最终随机情景下的V2G二阶段非线性随机规划模型；
利用所述V2G二阶段非线性随机规划模型实现最大化V2G运营商总体收益。
本发明与现有技术相比，其有益效果在于：
充分考虑V2G调度资源和可再生能源发电不确定性，建立了最大化运营商收益的二阶段随机规划模型，有效完善V2G调度的过程，明确及量化V2G调度系统的收益来源，全面优化协议内电动汽车参与V2G调度的操作状态，为车网互动资源优化利用建模建立提供理论与方法的支撑。
在充分考虑电动汽车受多种随机性影响的情况下，改进了V2G调度资源随机性与可再生能源发电随机性的情景生成方法，从而使得二阶段随机规划模型的情景集全面体现多种随机因素。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例中所需要使用的附图进行简单的介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例中V2G调度的方法流程图；
图2为本发明实施例中V2G运营商的收益成本关系图；
图3为本发明实施例中考虑随机性V2G优化调度模型情景生成过程原理图；
图4为本发明实施例中V2G运营商网络节点分布图；
图5为本发明实施例中EVs决策变量图；
图6为本发明实施例中情景EVs充放电负荷的柱状图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
实施例：
需要说明的是，本发明实施例的术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在一个具体实施例中，本发明可以包括如下步骤：
步骤1、V2G车桩网资源监测统计
对V2G运营商服务区域内EVs与服务站容量进行统计与分析，用于构建随机情景集合：
1.车-桩-网信息交互，实时数据更新，获得车辆参与调度的日前参数(车型，电池容量，电池电量，停靠位置，充放电爬坡能力等)。
2.根据用户响应电网V2G调度邀约的结果，将同意参与日前调度的EVs归类为协议内EVs，无响应及拒绝邀约的电动汽车视为协议外电动汽车。
3.协议内EVs：日前承诺参与调度的车辆，以距离优选原则安排于运营商管理的各充放电站，在规定时间前并网，实时响应调度中心充放电、并离网指令。
4.协议外EVs：随机产生充电需求，并被调度中心优先满足，此类充电需求不受调度中心控制。
步骤2、随机情景生成-组合
V2G运营商通过情景生成-组合的方法生成随机情景，应用于V2G调度数学模型的第二阶段约束。在满足一定协议外EVs随机充电需求下，对协议内电动汽车进行充放电优化调度。
2-1.V2G调度资源随机情景
V2G调度资源随机情景主要包括车辆初始SOC的随机情景和V2G服务站资源随机情景。
为展现协议内EVs参与调度的SOC随机性，采用协议内电动汽车日前行驶距离对数正态分布模型(1)，通过蒙特卡洛方法获取协议内EVs并网前的行驶距离，作为行驶距离随机参数
Figure BDA0002979039360000031
相应生成随机情景集为SCD。
Figure BDA0002979039360000041
为描述EVs充放电站可调度资源(可调度容量)随机性。选择平均达到率为恒定的齐次泊松模型描述协议外电动汽车随机到达数量(2)，通过蒙特卡洛方法获取充放电站随机到达的协议外电动汽车数量，作为到达数量随机参数
Figure BDA0002979039360000042
再相应生成随机情景集SCZ。
Figure BDA0002979039360000043
2-2.可再生能源发电随机情景
根据风力发电维布分布(Weibull distribution)式(3)，通过拉丁超立方抽样(Latin hypercube sampling,LHS)获取风速随机参数。
Figure BDA0002979039360000044
通过同步回代情景削减法(simultaneous backward reduction)减少情景数量，最后通过风机功率拟合模型生成风电出力情景SCWT。
在光伏发电模拟方面，选取一年的光伏日度发电历史数据，建立光伏发电情景池(scenario pool)，通过随机抽样获取光伏发电随机情景，通过同步回代情景削减法(simultaneous backward reduction)生成随机情景SCPV。
2-3.随机情景的组合
考虑各个随机因素相互独立，将以上四类随机情景(SCD，SCZ，SCWT，SCPV)组合计算，根据式(4)，将上述各随机情景交叉组合，生成模型最终随机情景SCF。式(4)用于计算情景组合SCF的概率。
Figure BDA0002979039360000045
其中P(scD)分别为1/SCD，P(scZ)分别为1/SCZ。P(scPV)以及P(scWT)通过情景削减算法后确定。
步骤3、V2G二阶段非线性随机规划模型
先对电动汽车参与调度的过程进行变量定义，对区域微电网的能量供给进行变量定义。再对V2G运营商的收益框架进行搭建，之后建立二阶段约束并进行约束的线性化。
表1-表3分别列出了V2G二阶段非线性随机规划模型的参数及变量，定义如下。
表1索引与集合
Figure BDA0002979039360000051
表2调度模型参数
Figure BDA0002979039360000052
Figure BDA0002979039360000061
表3模型变量
Figure BDA0002979039360000071
3-1.目标函数
目标方程F最大化V2G运营商总体收益，见式(5)。其中，式(6)为电动汽车参与调度的运营商总收益(RevEV)；式(7)为运营商协调电力供给当地负荷和余电上网的总收益(RevAG)；式(8)为运营商在日前和当日购买火电总成本(CostB)；式(9)为运营商管辖的可再生能源发电总成本(CostOM)。
Figure BDA0002979039360000072
式中：
Figure BDA0002979039360000081
Figure BDA0002979039360000082
Figure BDA0002979039360000083
Figure BDA0002979039360000084
第一阶段约束条件:
式(10)为电动汽车充放电排斥性约束：调度时段内同一辆电动汽车充电操作和放电操作不能同时发生；
Figure BDA0002979039360000085
式(11-14)为电动汽车充电状态约束：t时段内电动汽车接入配电网开始充电，为限制最短充电时长和最短空闲时长，以避免在充电、放电、空闲状态间频繁切换，造成电动汽车电池受损以及切换服务的成本抬高；其中
Figure BDA0002979039360000086
为最短充电时长，
Figure BDA0002979039360000087
为最短空闲时长；
Figure BDA0002979039360000088
Figure BDA0002979039360000089
Figure BDA00029790393600000810
Figure BDA00029790393600000811
式(15-18)电动汽车放电状态约束：用于限制最短放电时长以及最短空闲时长；其中
Figure BDA00029790393600000812
为最短放电时长；
Figure BDA00029790393600000813
Figure BDA00029790393600000814
Figure BDA00029790393600000815
Figure BDA00029790393600000816
式(19-21)电动汽车充放电最大切换次数约束：对一日内最大的电动汽车充放电切换次数进行限制，限制电动汽车一天内可切换状态的最大次数，可有效避免出现电动汽车状态切换过度频繁；其中
Figure BDA0002979039360000091
分别为V2G调度计划内的单辆电动汽车充电、放电次数上限，Vi为充放电切换次数上限；
Figure BDA0002979039360000092
Figure BDA0002979039360000093
Figure BDA0002979039360000094
第二阶段约束条件：
式(22-23)电动汽车并网时初始状态约束：式(22)通过电动汽车并网参与调度前的行驶距离计算车辆入网时的初始电量，式(23)计算EVi的初始SOC，行驶距离的随机性造成电动汽车集群的初始SOC具有随机性；其中
Figure BDA0002979039360000095
为协议内EVi并网前行驶距离的随机参数；
Figure BDA0002979039360000096
Figure BDA0002979039360000097
式(24-26)为拥有V2G节点最大服务数量约束：由于V2G服务站容量与变压器功率限制，在同一节点对充电和放电的车辆数量均有限制；式(24)限定节点m最大可同时充电的电动汽车数量，式(25)限定节点m最大可同时放电的电动汽车数量，式(26)限定节点m同时可充放电数量小于充放电桩的数量；其中αm，βm分别为每一个V2G服务站时段的最多可充，放电的车辆数量；
Figure BDA0002979039360000098
Figure BDA0002979039360000099
Figure BDA00029790393600000910
式(27-28)为电动汽车充放电能量约束：电动汽车充放电过程中，实际可充放电量受实时SOC的限制；其中：当
Figure BDA00029790393600000911
和
Figure BDA00029790393600000912
均为0时，EVi在时段t充电量
Figure BDA00029790393600000913
和放电量
Figure BDA00029790393600000914
被约束为0；当
Figure BDA00029790393600000915
或
Figure BDA00029790393600000916
时，EVi的充电量
Figure BDA00029790393600000917
和放电量
Figure BDA00029790393600000918
分别受电池可调度容量最大值
Figure BDA00029790393600000919
Figure BDA0002979039360000101
和
Figure BDA0002979039360000102
约束；
Figure BDA0002979039360000103
Figure BDA0002979039360000104
式(29-30)为电动汽车荷电状态约束：给出了调度协议内电动汽车电池荷电状态的变化范围；式(29)是车辆参与V2G时最佳电池工况范围；式(30)表示调度结束后电动汽车荷电状态SOC需满足用户期望值，在满足用户未来出行需求的前提下进行充放电调度；其中Tend设定为调度结束时间。
Figure BDA0002979039360000105
Figure BDA0002979039360000106
式(31)为电动汽车电量平衡约束:EVi在t时段的电量等于t-1时段的剩余电量加上t时段充放电量的差值；
Figure BDA0002979039360000107
式(32-33)电动汽车充放电爬坡约束：电动汽车充放电的爬坡能力受充放电桩的额定功率以及充电方式影响，此约束限定每时段的电动车电池充放电量不大于充放电爬坡
Figure BDA0002979039360000108
避免电池充放电超限造成容量耗损加剧；当且仅当车辆接受第一阶段调度计划后，充放电爬坡约束才会在第二阶段生效；
Figure BDA0002979039360000109
为充电最大爬坡能力是，
Figure BDA00029790393600001010
为放电最大爬坡能力是；
Figure BDA00029790393600001011
Figure BDA00029790393600001012
式(34-35)为V2G节点最大服务容量约束：式(35)计算协议外随机到达的电动汽车产生充电需求总量；式(34)协议内的电动汽车可参与充电调度的容量，这个部分的电量受式(35)协议外电动汽车数量及充电量影响而具有随机性；其中
Figure BDA00029790393600001013
为协议外电动汽车随机到达数量，
Figure BDA00029790393600001014
节点m可提供的额定充电容量；
Figure BDA00029790393600001015
式中：(35)
Figure BDA00029790393600001016
式(36-37)为网络节点容量与平衡约束：模型构建能量传输网络，网络的节点电量平衡满足基尔霍夫定律；式(36)限制了双向能流的最大容量，规定电力传输在标准内；式(37)在引入
Figure BDA0002979039360000111
描述风光发电随机性后，对每一节点构建能量平衡约束，保证节点总流入量等于总流出量；
Figure BDA0002979039360000112
Figure BDA0002979039360000113
非线性约束线性化：
由于约束条件式(27)和(28)均存在非线性项，将式(27)转化为式(38)-(40)，同理式(28)转化为式(41)-(43)，以提升模型解集质量与速度，其中，
Figure BDA0002979039360000114
Figure BDA0002979039360000115
Figure BDA0002979039360000116
Figure BDA0002979039360000117
Figure BDA0002979039360000118
Figure BDA0002979039360000119
基于以上目标和约束，构建风光发电随机性和V2G资源随机性的二阶段随机优化模型如下。
Maxmize F (5)
Subject to:
First-stage Constraints:(10)-(21)
充放电排斥性约束(10)
充电状态约束(11)-(14)
放电状态约束(15)-(18)
充放电最大切换次数约束(19)-(21)
Second-stage Constraints:(22)-(43)
EVs并网时初始状态约束(22)-(23)
V2G节点最大服务数量约束(24)-(26)
EVs充放电能量约束(27)-(28)
EVs充放电能量约束线性化(38)-(43)
EVs荷电状态约束(29)-(30)
EVs电量平衡约束(31)
EVs充放电爬坡约束(32)-(33)
V2G节点最大容量约束(34)-(35)
网络节点容量与平衡约束(36)-(37)
以下结合具体算例对模型优化结果进行详细说明：
以V2G运营商管理的区域结合可再生能源发电系统的交易机制为背景，选取IEEE-33节点的标准配电网拓扑，选取部分节点预装风力发电机和光伏发电系统，拓扑结构详见图4。
为验证模型的优化效果,先做以下参数设计，定8个V2G节点，调度协议内100辆EVs有序充放电。车型及部分参数如表4：
表4参与调度EVs参数
Figure BDA0002979039360000121
节点20和节点11分别设置单台GE1.5-77风机和GE1.7-100型大功率风机，其他V2G服务站点配备小型的风电光伏系统，风机具体参数见于表5，通过步骤2生成风电随机参数。
表5风机参数
Figure BDA0002979039360000122
Figure BDA0002979039360000131
对于协议内EVs，设定的调度结束的目标SOC为0.8。设定协议外随机到达的EVs的充电功率均为40kw。
生成多变量联合情景，设定SCD为4、SCZ为5、SCWT为5、SCPV为2。经过情景组合生成SCF＝200个最终情景。在Python环境下调用Gurobi求解器的分支定界算法对模型进行求解计算。
图5为受最短充放电时间制约下的EVs充放电决策图。其显示几乎所有的协议内EVs都参与了充放电日调度，参与调度方式服从模型约束。EVs集群受调度时段占总时段比例接近100％，证明模型可有效控制协议内电动汽车的充放电状态，且在最大化调度中心收益的目标下，协议内EVs集群需全天待命，保持接入状态。凌晨0:00-2:00时段为EVs放电集中时段，因为这一时段放电价格较低，调度中心调度协议内EVs放电以供给其他负荷需求，以最大化调度收益。
图6证明并网前EVs行驶距离随机参数
Figure BDA0002979039360000132
对充放电负荷的影响。协议内EVs集群受供需关系约束，凌晨0:00-5:00时段和早上8:00-10:00时段放电较为集中。随机参数
Figure BDA0002979039360000133
对凌晨0:00-5:00时段的放电负荷有所影响，日前行驶距离的均值越大，接入时的SOC越低，参与放电的负荷就越小。但是早上8:00-10:00的放电负荷不受随机参数
Figure BDA0002979039360000134
的影响，因为随机参数
Figure BDA0002979039360000135
只对EVs初始SOC有影响，经过凌晨5:00-7:00时段的充电后，随机参数
Figure BDA0002979039360000136
的影响已经消除。晚上17:00-23:00时段，为实现调度日结束时目标SOC＝0.8，EVs的充电负荷会显著增高。
表6目标函数优化结果显示，调度100辆EVs时，该调度日调度中心期望收益为69323.4元。其中调度EVs充电收入12359.5元，调度EVs放电成本为3388.9元，调度EVs净收益8970.6元。调度EVs的利润占总利润比重为13％。调度中心最大的利润来源于当地负荷用电，通过可再生能源的就地消纳以供给区域用电负荷和电动汽车，调度中心可以获得可观的收益。
表6目标函数能量调度收益表
Figure BDA0002979039360000137
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
上述实施例只是为了说明本发明的技术构思及特点，其目的是在于让本领域内的普通技术人员能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡是根据本发明内容的实质所做出的等效的变化或修饰，都应涵盖在本发明的保护范围内。

Claims (5)

1.一种最大化运营商收益的基于二阶段随机规划的V2G调度方法，用于至少包括电动汽车、充放电桩和电网构成的能源系统，其特征在于，包括以下步骤：
获取运营商服务区域内的电动汽车的日前参数集，同时，向运营商服务区域内的电动汽车发出调度邀约协议，将同意调度邀约协议的电动汽车归类为协议内电动汽车，将无响应及拒绝调度邀约协议的电动汽车归类为协议外电动汽车；
基于运营商服务区域内的电动汽车的日前参数集、协议内电动汽车和协议外电动汽车的情况，构建随机情景集合，所述构建随机情景集合在满足协议外电动汽车随机充电需求下，对协议内电动汽车进行充放电优化调度；
考虑各个随机因素相互独立，组合生成V2G调度资源和可再生能源发电随机情景，构建最终随机情景，构建在所述最终随机情景下的V2G二阶段随机非线性规划调度模型；
求解所述V2G二阶段随机非线性规划调度模型实现最大化V2G运营商总体收益。
2.根据权利要求1所述的最大化运营商收益的基于二阶段随机规划的V2G调度方法，其特征在于，所述构建随机情景集合包括V2G调度资源随机情景，所述V2G调度资源随机情景包括以下一种或多种随机情景，如初始SOC的随机情景、V2G服务站资源随机情景，电力供应侧或需求侧负荷不确定性的情景，其中，
初始SOC的随机情景：为展现协议内电动汽车参与调度时SOC随机性，采用协议内电动汽车日前行驶距离对数正态分布模型(1)，通过蒙特卡洛方法获取协议内电动汽车并网前的行驶距离，作为行驶距离随机参数
Figure FDA0002979039350000011
相应生成随机情景集为SCD；
Figure FDA0002979039350000012
V2G服务站资源随机情景：为展现V2G服务站内可用充放电桩资源的随机性，由于V2G服务站能同时为协议内与协议外电动汽车服务，采用平均达到率为恒定的齐次泊松模型描述协议外电动汽车随机到达数量(2)，通过蒙特卡洛方法获取充放电站随机到达的协议外电动汽车数量，作为到达数量随机参数
Figure FDA0002979039350000013
再相应生成随机情景集SCZ。
Figure FDA0002979039350000014
3.根据权利要求2所述的最大化运营商收益的V2G调度二阶段随机规划方法，其特征在于，所述构建随机情景集合还包括风力发电随机情景和光伏发电随机情景，其中，
在风力发电随机情景中：根据风力发电维布分布模型(3)，通过拉丁超立方抽样获取风速随机参数；
Figure FDA0002979039350000021
通过同步回代情景削减法(simultaneous backward reduction)减少情景数量，最后通过风机功率拟合模型生成风电出力情景SCWT；
在光伏发电随机情景中，选取一年的光伏每日发电历史数据，建立光伏发电情景池，通过随机抽样获取光伏发电随机情景，通过同步回代情景削减法生成随机情景SCPV。
4.根据权利要求3所述的最大化运营商收益的基于二阶段随机规划的V2G调度方法，其特征在于，
考虑各个随机因素相互独立，为将以上四类随机情景SCD，SCZ，SCWT，SCPV组合计算，将上述各随机情景交叉组合，生成最终随机情景SCF；式(4)用于计算情景组合SCF的概率；
Figure FDA0002979039350000022
scZ∈SCZ，scPV∈scPV，
scWT∈SCWT
其中P(scD)分别为1/SCD，P(scZ)分别为1/SCZ；P(scPV)以及P(scWT)通过情景削减算法后确定。
5.根据权利要求4所述的最大化运营商收益的基于二阶段随机规划的V2G调度方法，其特征在于，所述V2G二阶段随机非线性规划模型包括目标函数、第一阶段约束条件和第二阶段约束条件。
目标函数：目标方程F最大化V2G运营商总体收益，见式(5)；其中，式(6)为电动汽车参与调度的运营商总收益(RevEV)；式(7)为运营商协调电力供给当地负荷和余电上网的总收益(RevAG)；式(8)为运营商在日前和当日购买火电总成本(CostB)；式(9)为运营商管辖的可再生能源发电总成本(CostOM)；
Figure FDA0002979039350000023
式中：
Figure FDA0002979039350000024
Figure FDA0002979039350000031
Figure FDA0002979039350000032
Figure FDA0002979039350000033
第一阶段约束条件:
式(10)为电动汽车充放电排斥性约束：调度时段内同一辆电动汽车充电操作和放电操作不能同时发生；
Figure FDA0002979039350000034
式(11-14)为电动汽车充电状态约束：t时段内电动汽车接入配电网开始充电，为限制最短充电时长和最短空闲时长，以避免在充电、放电、空闲状态间频繁切换，造成电动汽车电池受损以及切换服务的成本抬高；其中
Figure FDA0002979039350000035
为最短充电时长，
Figure FDA0002979039350000036
为最短空闲时长；
Figure FDA0002979039350000037
Figure FDA0002979039350000038
Figure FDA0002979039350000039
Figure FDA00029790393500000310
式(15-18)电动汽车放电状态约束：用于限制最短放电时长以及最短空闲时长；其中
Figure FDA00029790393500000316
为最短放电时长；
Figure FDA00029790393500000311
Figure FDA00029790393500000312
Figure FDA00029790393500000313
Figure FDA00029790393500000314
式(19-21)电动汽车充放电最大切换次数约束：对一日内最大的电动汽车充放电切换次数进行限制，限制电动汽车一天内可切换状态的最大次数，可有效避免出现电动汽车状态切换过度频繁；其中
Figure FDA00029790393500000315
分别为V2G调度计划内的单辆电动汽车充电、放电次数上限，Vi为充放电切换次数上限；
Figure FDA0002979039350000041
Figure FDA0002979039350000042
Figure FDA0002979039350000043
第二阶段约束条件：
式(22-23)电动汽车并网时初始状态约束：式(22)通过电动汽车并网参与调度前的行驶距离计算车辆入网时的初始电量，式(23)计算EVi的初始SOC，行驶距离的随机性造成电动汽车集群的初始SOC具有随机性；其中
Figure FDA0002979039350000044
为协议内EVi并网前行驶距离的随机参数；
Figure FDA0002979039350000045
Figure FDA0002979039350000046
式(24-26)为拥有V2G节点最大服务数量约束：由于V2G服务站容量与变压器功率限制，在同一节点对充电和放电的车辆数量均有限制；式(24)限定节点m最大可同时充电的电动汽车数量，式(25)限定节点m最大可同时放电的电动汽车数量，式(26)限定节点m同时可充放电数量小于充放电桩的数量；其中αm，βm分别为每一个V2G服务站时段的最多可充，放电的车辆数量；
Figure FDA0002979039350000047
Figure FDA0002979039350000048
Figure FDA0002979039350000049
式(27-28)为电动汽车充放电能量约束：电动汽车充放电过程中，实际可充放电量受实时SOC的限制；其中：当
Figure FDA00029790393500000410
和
Figure FDA00029790393500000411
均为0时，EVi在时段t充电量
Figure FDA00029790393500000412
和放电量
Figure FDA00029790393500000413
被约束为0；当
Figure FDA00029790393500000414
或
Figure FDA00029790393500000415
时，EVi的充电量
Figure FDA00029790393500000416
和放电量
Figure FDA00029790393500000417
分别受电池可调度容量最大值
Figure FDA00029790393500000418
Figure FDA00029790393500000419
和
Figure FDA00029790393500000420
约束；
Figure FDA0002979039350000051
Figure FDA0002979039350000052
式(29-30)为电动汽车荷电状态约束：给出了调度协议内电动汽车电池荷电状态的变化范围；式(29)是车辆参与V2G时最佳电池工况范围；式(30)表示调度结束后电动汽车荷电状态SOC需满足用户期望值，在满足用户未来出行需求的前提下进行充放电调度；其中Tend设定为调度结束时间。
Figure FDA0002979039350000053
Figure FDA0002979039350000054
式(31)为电动汽车电量平衡约束:EVi在t时段的电量等于t-1时段的剩余电量加上t时段充放电量的差值；
Figure FDA0002979039350000055
式(32-33)电动汽车充放电爬坡约束：电动汽车充放电的爬坡能力受充放电桩的额定功率以及充电方式影响，此约束限定每时段的电动车电池充放电量不大于充放电爬坡
Figure FDA0002979039350000056
避免电池充放电超限；当且仅当车辆接受第一阶段调度计划后，充放电爬坡约束才会在第二阶段生效；
Figure FDA0002979039350000057
为充电最大爬坡能力是，
Figure FDA0002979039350000058
为放电最大爬坡能力是；
Figure FDA0002979039350000059
Figure FDA00029790393500000510
式(34-35)为V2G节点最大服务容量约束：式(35)计算协议外随机到达的电动汽车产生充电需求总量；式(34)协议内的电动汽车可参与充电调度的容量，这个部分的电量受式(35)协议外电动汽车数量及充电量影响而具有随机性；其中
Figure FDA00029790393500000511
为协议外电动汽车随机到达数量，
Figure FDA00029790393500000512
节点m可提供的额定充电容量；
Figure FDA00029790393500000513
式中：
Figure FDA00029790393500000514
式(36-37)为网络节点容量与平衡约束：模型构建能量传输网络，网络的节点电量平衡满足基尔霍夫定律；式(36)限制了双向能流的最大容量，规定电力传输在标准内；式(37)在引入
Figure FDA0002979039350000061
描述风光发电随机性后，对每一节点构建能量平衡约束，保证节点总流入量等于总流出量；
Figure FDA0002979039350000062
Figure FDA0002979039350000063
非线性约束线性化：
由于约束条件式(27)和(28)均存在非线性项，将式(27)转化为式(38)-(40)，同理式(28)转化为式(41)-(43)，以提升模型解集质量与速度，其中，
Figure FDA0002979039350000064
Figure FDA0002979039350000065
Figure FDA0002979039350000066
Figure FDA0002979039350000067
Figure FDA0002979039350000068
Figure FDA0002979039350000069
CN202110282253.2A 2021-03-16 2021-03-16 最大化运营商收益的v2g调度二阶段随机规划方法 Active CN115081777B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110282253.2A CN115081777B (zh) 2021-03-16 最大化运营商收益的v2g调度二阶段随机规划方法
PCT/CN2021/088841 WO2022021957A1 (zh) 2021-03-16 2021-04-22 运营商收益最大化的v2g二阶段随机规划调度模型

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110282253.2A CN115081777B (zh) 2021-03-16 最大化运营商收益的v2g调度二阶段随机规划方法

Publications (2)

Publication Number Publication Date
CN115081777A true CN115081777A (zh) 2022-09-20
CN115081777B CN115081777B (zh) 2024-05-31

Family

ID=

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160140449A1 (en) * 2014-11-17 2016-05-19 King Fahd University Of Petroleum And Minerals Fuzzy linear programming method for optimizing charging schedules in unidirectional vehicle-to-grid systems
CN108921331A (zh) * 2018-06-08 2018-11-30 广东工业大学 一种计及v2g功能的电动汽车与新能源的调度优化建模及算法
CN108960510A (zh) * 2018-07-04 2018-12-07 四川大学 一种基于两阶段随机规划的虚拟电厂优化交易策略模型
CN109146201A (zh) * 2018-09-13 2019-01-04 三峡大学 基于合作博弈的充换储一体化电站微电网优化调度方法
CN110826880A (zh) * 2019-10-24 2020-02-21 成都信息工程大学 一种大规模电动汽车接入的主动配电网优化调度方法
CN111740403A (zh) * 2020-05-09 2020-10-02 国网浙江省电力有限公司台州供电公司 一种电网运营商与电动汽车集群的主从博弈调度策略
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
CN112186809A (zh) * 2020-09-01 2021-01-05 国网电力科学研究院有限公司 基于电动汽车v2g模式的虚拟电厂优化协同调度方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160140449A1 (en) * 2014-11-17 2016-05-19 King Fahd University Of Petroleum And Minerals Fuzzy linear programming method for optimizing charging schedules in unidirectional vehicle-to-grid systems
CN108921331A (zh) * 2018-06-08 2018-11-30 广东工业大学 一种计及v2g功能的电动汽车与新能源的调度优化建模及算法
CN108960510A (zh) * 2018-07-04 2018-12-07 四川大学 一种基于两阶段随机规划的虚拟电厂优化交易策略模型
CN109146201A (zh) * 2018-09-13 2019-01-04 三峡大学 基于合作博弈的充换储一体化电站微电网优化调度方法
CN110826880A (zh) * 2019-10-24 2020-02-21 成都信息工程大学 一种大规模电动汽车接入的主动配电网优化调度方法
CN111740403A (zh) * 2020-05-09 2020-10-02 国网浙江省电力有限公司台州供电公司 一种电网运营商与电动汽车集群的主从博弈调度策略
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
CN112186809A (zh) * 2020-09-01 2021-01-05 国网电力科学研究院有限公司 基于电动汽车v2g模式的虚拟电厂优化协同调度方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
项顶;胡泽春;宋永华;丁华杰;: "通过电动汽车与电网互动减少弃风的商业模式与日前优化调度策略", 中国电机工程学报, no. 24 *

Also Published As

Publication number Publication date
WO2022021957A1 (zh) 2022-02-03

Similar Documents

Publication Publication Date Title
WO2022021957A1 (zh) 运营商收益最大化的v2g二阶段随机规划调度模型
Jian et al. Optimal scheduling for vehicle-to-grid operation with stochastic connection of plug-in electric vehicles to smart grid
CN111762051B (zh) 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
Zhao et al. Distributed model predictive control strategy for islands multimicrogrids based on noncooperative game
Shang et al. Internet of smart charging points with photovoltaic Integration: A high-efficiency scheme enabling optimal dispatching between electric vehicles and power grids
An et al. A distributed and resilient bargaining game for weather-predictive microgrid energy cooperation
Yu et al. A real time energy management for EV charging station integrated with local generations and energy storage system
Khoshjahan et al. Optimal participation of PEV charging stations integrated with smart buildings in the wholesale energy and reserve markets
Anand et al. A hierarchical incentive arbitration scheme for coordinated pev charging stations
Ma et al. Real-time plug-in electric vehicles charging control for V2G frequency regulation
Rathor et al. Decentralized energy management system for LV microgrid using stochastic dynamic programming with game theory approach under stochastic environment
Elkazaz et al. Microgrid energy management using a two stage rolling horizon technique for controlling an energy storage system
Chekired et al. Dynamic pricing model for EV charging-discharging service based on cloud computing scheduling
CN108446967A (zh) 虚拟电厂竞价方法
Luo et al. Optimal operation and cost–benefit allocation for multi‐participant cooperation of integrated energy system
Querini et al. A two-level model to define the energy procurement contract and daily operation schedule of microgrids
Yan et al. Optimal scheduling strategy and benefit allocation of multiple virtual power plants based on general nash bargaining theory
Das et al. Game theoretical energy management of EV fast charging station with V2G capability
Wang et al. Optimal planning of renewable generations for electric vehicle charging station
Karimi-Arpanahi et al. Flexibility-oriented collaborative planning model for distribution network and ev parking lots considering uncertain behaviour of evs
Hijgenaar et al. A decentralised energy trading architecture for future smart grid load balancing
Zhang et al. Coordinated dispatch of the wind-thermal power system by optimizing electric vehicle charging
Bagherzade et al. Stochastic parking energy pricing strategies to promote competition arena in an intelligent parking
Arcos-Aviles et al. Fuzzy control-based energy management system for interconnected residential microgrids using the forecasts of power generation and load demand
CN115081777B (zh) 最大化运营商收益的v2g调度二阶段随机规划方法

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