CN115115268A - 基于路电耦合与低碳约束的电动汽车充电桩容量规划方法 - Google Patents

Abstract

本发明涉及基于路电耦合与低碳约束的电动汽车充电桩容量规划方法，包括：采集电动汽车运行数据、充电站运营成本数据和配电网变化数据；根据采集的数据得出EV出行信息和路况信息，基于EV出行信息和路况信息对EV充电负荷时空分布进行计算，计算出每一耦合节点的时刻功率；构建以EV充电站的最小年支付成本作为EV充电站经济优化的容量规划目标函数；确定经济约束、电量冗余度约束、电网稳定约束、容量冗余约束以及能源和碳排放约束；基于路电耦合和低碳约束的EV充电站优化规划模型，得到最优的充电桩容量值。本发明通过计算出各个充电桩的容量最优规划，以解决大规模EV无序充电引发的电网问题。

Description

基于路电耦合与低碳约束的电动汽车充电桩容量规划方法

技术领域

本发明涉及电动汽车充电站的容量规划问题，尤其涉及基于路电耦合与低碳约束的电动汽车充电桩容量规划方法。

背景技术

随着全球化石能源枯竭和环境污染问题的日益严重，电动汽车因其节能减排效果而备受关注。近年来，电动汽车保有量逐年快速增长，大规模电动汽车无序充电可能为电网带来负面影响，引起电网电压偏低、线路阻塞等问题，严重时甚至影响电力系统的安全稳定运行。

电动汽车与传统用电设备存在极大差异，一方面体现在其具有的V2G(Vehicle toGrid) 技术的灵活性，另一方面体现在其同时具备道路交通网络负荷和电力网络负荷身份的特殊性。电动汽车既是路网的重要组成部分，也是电力网络的用电终端，其行驶和用电行为使得路网与电网的运行状态产生交互影响：路网的通行时间和拥堵情况影响电动汽车行驶路径及充电决策，进而改变充电负荷接入电网的时空分布情况；电网则能够通过电价引导或向车主提供充电桩/站的服务信息等方式影响车辆行驶路径，进而改变路网交通状况。在此背景下，考虑路网-电网间的紧密耦合有助于对电动汽车行驶行为及充电负荷的时空分布进行更为准确的预测并合理调控，改善无序充电问题，为电力系统规划与运行提供参考。

现有研究主要从电网角度研究EV充放电行为的影响。虽然部分研究已经提及交通信息、电价等会对车辆行驶、充电行为等造成影响，从而进一步影响电网运行状态，但在路网-电网的耦合作用机理和交互影响分析方法上尚需提升。路网-电网耦合需要考虑车主和电网的诉求差异性，关键在于定量分析路网交通状况、充电电价对电动汽车路径选择和充电意愿的影响，以及充电负荷接入后对电网运行状态的影响，并提出合理有效的解决措施。

发明内容

为实现上述目的，本发明提出基于路电耦合与低碳约束的电动汽车充电桩容量规划方法，计算出各个充电桩的容量最优规划，以解决大规模EV无序充电引发的电网问题。

为实现上述目的，本发明提供如下技术方案：

本发明从路网-电网耦合的角度，考虑车主和电网的诉求差异性，定量分析路网交通状况、充电电价对电动汽车路径选择和充电意愿的影响，以及充电负荷接入后对电网运行状态的影响，并提出合理有效的充电桩容量规划，以解决大规模EV无序充电引发的电网问题。

附图说明

图1为本发明整体工作流程图；

图2为路-电耦合网络交互影响示意图；

图3为EV充电负荷计算流程图；

图4为粒子群算法流程图。

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、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

参见图1，本发明的基于路电耦合与低碳约束的电动汽车充电桩容量规划方法，包括如下步骤：

步骤(1)：采集需要的电动汽车运行数据、充电站运营成本数据和配电网变化数据；

步骤(2)：根据步骤(1)采集的数据得出EV出行信息和路况信息，基于所述EV出行信息和路况信息对EV充电负荷时空分布进行计算，计算出每一耦合节点的时刻功率；

根据步骤(1)的数据可以得出EV出行信息和路况信息。将待研究的区域地图简化为主干道路网拓扑，将s个含充电桩/站的主干道交叉点抽象为路网节点{R₁,…,R_i,…,R_s}。用距离矩阵D表示相邻两个节点间的道路距离，如下式所示。

式中：矩阵D中每个元素D_ij的值表示节点R_i与R_j间道路距离，D_ij＝0时表示节点重合，D_ij＝∞时表示节点不直接相连。

根据该城市城区车流量统计数据得到某辆车在t时刻出现在R_i位置的概率矩阵M为：

式中：T为总采样时间，矩阵各列元素之和均为1。

路网与电网的耦合关系如图2所示。在路-电耦合网络中，路网交通状况与电网运行状况密切相关。

路网主要通过交通信息与充电设施建设情况两方面影响电网。交通拥堵情况、充电桩及充电站的数量、容量、类型将影响电动汽车的行驶路径与充电选择，进而影响充电负荷的时空分布特性，改变电网运行状态。

电网主要通过电价信息和运行状态两方面影响路网。电价影响车主的充电意愿，电网运行状态影响充电桩/站的服务能力，二者均可能改变车主原有的行车路径及充电决策，进而改变路网交通流量。

基于EV出行信息和路况信息对EV充电负荷时空分布进行计算，其流程如图3所示。为提高初始信息如历史SOC值、拥堵情况等信息的可靠性，采用经验值进行预仿真，记录所得EV时空分布数据、SOC值并修正经验值。道路内车辆数量随时间不断变化，在EV单次行程中，每次节点转移后的末端时刻更新道路车辆数量，并重新计算下一次节点转移时EV 的行驶速度；场景模型中的拥堵情况和温度则在调度周期ΔT开始时刻进行更新。

所述每一耦合节点的时刻功率计算方法如下：

以变电站作为电网节点{Z₁,…,Z_m,…,Z_l}，其中Z₁为第1个电网节点，Z_m为第m个电网节点，Z_l为第l个电网节点；

定义符号

表示耦合运算，定义||R_i-Z_m||为R_i与第m个电网节点Z_m之间的距离；定义耦合节点{C₁,…,C_x,…,C_l}，其中，C₁为第1个耦合节点，C_x为第x个耦合节点，C_l为第l 个耦合节点；R_i为第i个路网节点。

依据主次性原则，耦合节点数量与电网节点数量相同；

耦合计算方法如式(1)所示：

其中，i为路网节点编号，s为含充电桩/站的主干道交叉点个数，t为时刻；第x个耦合节点c_x由第m个电网节点Z_m与k个路网节点耦合得到；

为所有与第m个电网节点Z_m耦合的路网节点中最大EV聚合充电功率之和；

为第m个电网节点Z_m中电动汽车以外负荷的最大用电功率，二者之和必须小于第m个电网节点Z_m的额定功率

每一耦合节点的时刻功率的计算方法如式(2)所示：

式中：

为第x个耦合节点C_x t时刻功率，

为k个路网节点t时刻电动汽车聚合充电功率之和，

为电网节点t时刻非电动汽车负荷功率。

步骤(3)：构建以EV充电站的最小年支付成本作为EV充电站经济优化的容量规划目标函数；

将EV充电站的最小年支付成本作为EV充电站经济优化的容量规划目标函数；

EV充电站的最小年支付成本min C的计算方法如式(3)所示：

式中：C为EV充电站的年支付成本；min C为EV充电站的最小年支付成本；C₁、C_OP、C_OM分别为EV充电站的年均投资成本、年运行成本、年维护成本；

是基于国家标准制定的充电企业指标成本。

EV充电站的年均投资成本C₁的计算方法如式(4)所示：

式中：η为贴现率；T为规划周期；n_cp为单一充电站的充电桩数量；C_1,cp为单个充电桩的投资成本；C_1,DT为单位容量配电变压器的投资成本；C_1,o为其他配套设备的投资成本；S_DT为配电变压器的容量；

EV充电站的年运行成本C_OP的计算方法如式(5)所示：

式中，α_l,s为时段s第l辆EV的运营状态，若EV在站休整，则α_l,s＝1，否则α_l,s＝0；β_l,s为时段s第l辆EV充电时从配电网购电的状态变量，若从配电网购电，则β_l,s＝1，否则β_l,s＝0；Δt_l,s为时段s第l辆EV的可用充电时间；λ_l,s为时段s第l辆EV由配电网供电的时间占其充电时间的平均比值；c_s为时段s配电网的电价；m为时段总数；n为充电站时段s所接纳EV 的数量；P_cp为时段s第l辆EV的充电功率。

EV充电站的年维护成本C_OM的计算方法如式(6)所示：C_OM＝C_OM,cp+C_OM,DT+C_OM,O (6)

其中，C_OM,cp、C_OM,DT、C_OM,O分别为EV充电站内所有充电桩、配电变压器、其他配套设备的年均维护成本；

配电变压器的容量S_DT的计算方法如式(7)所示：

式中：P_1,EV(t)为t时刻耦合节点1上EV的充电功率，P_1,o(t)是EV充电站内其他负荷消耗的功率；

为功率因数角；

是基于国家标准制定的充电企业指标，计算方法如式(8)所示：

式中：D_l为每一个充电站的日常使用时间；N_s为每一个充电站所包含的充电桩s的个数； P_Th,l,s为充电站l的充电桩s发电状态时的发电量；E_a为整个地区a的碳排放水平；N_l为负荷分区的个数；C_Tax为碳税成本。

步骤(4)：

确定经济约束、电量冗余度约束、电网稳定约束和容量冗余约束能源和碳排放约束；

经济约束、电量冗余度约束、电网稳定约束、容量冗余约束以及能源和碳排放约束的确定方法如下：

4-1)充电站的经济约束主要指年支付成本C约束，如式(9)所示：

式中，C_a为充电站的投资成本，n为充电站预计投入使用年限，C_b,min为充电站的最小维护及运营成本；

4-2)充电站的电网稳定约束，如式(10)所示：

P_DT(t)-P_1,EV(t)-P_1,o(t)＝0 (10)

式中，P_DT(t)为t时刻配电网通过配电变压器向EV充电站输送的功率；4-3)充电站的电网稳定约束R_r约束，如式(11)所示：

式中：δ_cp为充电站的负载率，P_cp为充电站的总容量，m_n为单一充电站的充电桩数量，P_adv为单一充电桩的平均功率，R_r为充电容量冗余度，σ₁为自冗余度的最小值；

4-4)充电的电量冗余度R_d约束，如式(12)所示：

式中：T_j为充电站的日工作时间，R_d为充电电量冗余度，σ₂为自冗余度的最小值；

4-5)容量冗余约束，如式(13)所示：

P_EVCS+∑P_1,Load≤P₁ ^max (13)

式中，P_EVCS为日内EV充电站消耗的总有功功率；∑P_1,Load为日内线路上其他负荷消耗的有功功率；P₁ ^max为馈线所能接入的最大功率；

4-6)能源和碳排放约束

在能源电力发展政策的约束下，考虑能源消费总量、清洁能源占比以及碳排放总量约束，如式(14)所示：

式中：

为在y年区域a中k类型充电电能桩生产碳排放因子；

为规划年y设定的碳排放上限；E_a,y,k为在y年区域a中k类型充电电能桩消耗的能源量；Y是充电桩使用年限区间，A为充电区域集合，Φ为充电电能桩类型集合。

步骤(5)：基于路电耦合和低碳约束的EV充电站优化规划模型，采用粒子群算法来求解，得到最优的充电桩容量值。

PSO算法的优势在于不会像GA算法般利用群体之间相互竞争得到模型最优解，而是让群体之间通过合作的形式，不断迭代并互相之间交流信息从中找出最优解。PSO算法的优点在于它不仅保留了个体的信息，而且群体之间适合解的信息也会保留下来，个体和群体都具有相互帮助并搜索的能力。此外，PSO算法的优点还有操作简单、搜索速度快、效率高等，平时我们在面对优选问题时也可运用该算法求解，并且该算法对优化问题所需的信息量少，运行要求较易满足，与其他智能算法相比，PSO算法需要调节的参数较少。

参见图4，粒子群算法PSO具体方法如下：

5-1)输入EV充电站的信息数据并进行初始化数据处理，确定各时刻每辆EV电池的SOC，生成EV的SOC矩阵，所述EV充电站的信息数据包括每个充电桩的充电能力、充电站的年支付成本、年维持运营成本和最大迭代次数Kmax；

5-2)设定种族的规模，随机设定允许范围内的粒子的速度位置，把各个粒子的最好位置 P_i设定为开始位置，其适应值设为P_best，在众多P_i中，最好的值作为种群最佳位置P_g，相应的适应值为g_best；

5-3)根据模型中目标函数以及适应度函数代入粒子的位置计算各个粒子的适应度；

5-4)对所有i＝1,2,...,n，比较适应值fitness_i和粒子最好位置P_i，如果fitness_i好于P_i，就使P_i＝fitness_i，并且记下计算当前的位置；计算出每个粒子的充电能力、充电站的年支付成本和年维持运营成本的最优值；

5-5)判断每个粒子是否满足约束中的等式约束和不等式约束，排除不满足约束的粒子，并更新每个粒子的速度与位置；

5-6)总成本在最小值附近且不再变化，或者到了最大迭代数，就结束算法，给出最小成本，否则返回步骤3)；对于粒子的速度V_i，V_i∈[-V_max,V_max]，搜索空间限定在[-X_max,X_max]，则设定V_max为粒子速度的最大值，V_max＝k*X_max,0≤k≤1；X_max为粒子搜索空间的最大边界值。

最后应当说明的是:以上实施例仅用于说明本发明的技术方案而非对其保护范围的限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解: 本领域技术人员阅读本发明后依然可对发明的具体实施方式进行种种变更、修改或者等同替换，但这些变更、修改或者等同替换，均在发明待批的权利要求保护范围之内。

Claims (6)

1.基于路电耦合与低碳约束的电动汽车充电桩容量规划方法，其特征在于，包括如下步骤：

步骤(1)：采集电动汽车运行数据、充电站运营成本数据和配电网变化数据；

步骤(2)：根据步骤(1)采集的数据得出EV出行信息和路况信息，基于所述EV出行信息和路况信息对EV充电负荷时空分布进行计算，计算出每一耦合节点的时刻功率；

步骤(3)：构建以EV充电站的最小年支付成本作为EV充电站经济优化的容量规划目标函数；

步骤(4)：确定经济约束、电量冗余度约束、电网稳定约束、容量冗余约束以及能源和碳排放约束；

步骤(5)：基于路电耦合和低碳约束的EV充电站优化规划模型，采用粒子群算法PSO来求解，得到最优的充电桩容量值。

2.根据权利要求1所述的基于路电耦合与低碳约束的电动汽车充电桩容量规划方法，其特征在于，根据步骤(1)采集的数据得出EV出行信息和路况信息；

将待研究的区域地图简化为主干道路网拓扑，将s个含充电桩/站的主干道交叉点抽象为路网节点{R₁,…,R_i,…,R_s}，路况信息用距离矩阵D表示相邻两个节点间的道路距离，如下式所示：

式中，矩阵D中每个元素D_ij的值表示节点R_i与R_j间道路距离，D_ij＝0时表示节点重合，D_ij＝∞时表示节点不直接相连；

出行信息用概率矩阵M表示；根据城市城区车流量统计数据得到辆车在t时刻出现在R_i位置的概率矩阵M为：

式中，T为总采样时间，矩阵各列元素之和均为1。

3.根据权利要求2所述的基于路电耦合与低碳约束的电动汽车充电桩容量规划方法，其特征在于，步骤(2)中，所述每一耦合节点的时刻功率计算方法如下：

以变电站作为电网节点{Z₁,…,Z_m,…,Z_l}，其中Z₁为第1个电网节点，Z_m为第m个电网节点，Z_l为第l个电网节点；

定义符号

表示耦合运算，定义||Z_m-R_i||为第i个路网节点R_i与第m个电网节点Z_m之间的距离；定义耦合节点{C₁,…,C_x,…,C_l}，其中，C₁为第1个耦合节点，C_x为第x个耦合节点，C_l为第l个耦合节点，R_i为第i个路网节点；

依据主次性原则，耦合节点数量与电网节点数量相同；

耦合计算方法如式(1)所示：

其中，i为路网节点编号，s为含充电桩/站的主干道交叉点个数，t为时刻；第x个耦合节点C_x由第m个电网节点Z_m与k个路网节点耦合得到；Z_m′表示距离路网节点R_i最远的电网节点；

为所有与第m个电网节点Z_m耦合的路网节点中最大EV聚合充电功率之和；

为第m个电网节点Z_m中电动汽车以外负荷的最大用电功率，二者之和必须小于第m个电网节点Z_m的额定功率

每一耦合节点的时刻功率的计算方法如式(2)所示：

式中：

为第x个耦合节点C_xt时刻功率，

为k个路网节点t时刻电动汽车聚合充电功率之和，

为电网节点t时刻非电动汽车负荷功率。

4.根据权利要求3所述的基于路电耦合与低碳约束的电动汽车充电桩容量规划方法，其特征在于，步骤(3)中，将EV充电站的最小年支付成本作为EV充电站经济优化的容量规划目标函数；

EV充电站的最小年支付成本minC的计算方法如式(3)所示：

式中：C为EV充电站的年支付成本；minC为EV充电站的最小年支付成本；C₁、C_OP、C_OM分别为EV充电站的年均投资成本、年运行成本、年维护成本；

是基于国家标准制定的充电企业指标成本；

EV充电站的年均投资成本C₁的计算方法如式(4)所示：

式中：η为贴现率；T为规划周期；C_1,cp为单个充电桩的投资成本；n_cp为单一充电站的充电桩数量；C_1,DT为单位容量配电变压器的投资成本；C_1,o为其他配套设备的投资成本；S_DT为配电变压器的容量；

EV充电站的年运行成本C_OP的计算方法如式(5)所示：

式中，α_l,s为时段s第l辆EV的运营状态，若EV在站休整，则α_l,s＝1，否则α_l,s＝0；β_l,s为时段s第l辆EV充电时从配电网购电的状态变量，若从配电网购电，则β_l,s＝1，否则β_l,s＝0；Δt_l,s为时段s第l辆EV的可用充电时间；λ_l,s为时段s第l辆EV由配电网供电的时间占其充电时间的平均比值；c_s为时段s配电网的电价；m为时段总数；n为充电站时段s所接纳EV的数量；P_cp为时段s第l辆EV的充电功率；

EV充电站的年维护成本C_OM的计算方法如式(6)所示：

C_OM＝C_OM,cp+C_OM,DT+C_OM,O (6)

其中，C_OM,cp、C_OM,DT、C_OM,O分别为EV充电站内所有充电桩、配电变压器、其他配套设备的年均维护成本；

配电变压器的容量S_DT的计算方法如式(7)所示：

式中：P_1,EV(t)为t时刻耦合节点1上EV的充电功率，P_1,o(t)是EV充电站内其他负荷消耗的功率；

为功率因数角；

是基于国家标准制定的充电企业指标，计算方法如式(8)所示：

式中：D_l为每一个充电站的日常使用时间；C_Tax为碳税成本；N_s为每一个充电站所包含的充电桩s的个数；P_Th,l,s为充电站l的充电桩s发电状态时的发电量；E_a为整个地区a的碳排放水平；N_l为负荷分区的个数。

5.根据权利要求4所述的基于路电耦合与低碳约束的电动汽车充电桩容量规划方法，其特征在于，步骤(4)中，所述经济约束、电量冗余度约束、电网稳定约束、容量冗余约束以及能源和碳排放约束的确定方法如下：

4-1)充电站的经济约束指年支付成本C约束，如式(9)所示：

式中，C_a为充电站的投资成本，n为充电站预计投入使用年限，C_b,min为充电站的最小维护及运营成本；

4-2)充电站的电网稳定约束，如式(10)所示：

P_DT(t)-P_1,EV(t)-P_1,o(t)＝0 (10)

式中，P_DT(t)为t时刻配电网通过配电变压器向EV充电站输送的功率；

4-3)充电站的电网稳定约束R_r约束，如式(11)所示：

式中：δ_cp为充电站的负载率，P_cp为充电站的总容量，m_n为单一充电站的充电桩数量，P_adv为单一充电桩的平均功率，R_r为充电容量冗余度，σ₁为自冗余度的最小值；

4-4)充电的电量冗余度R_d约束，如式(12)所示：

式中：T_j为充电站的日工作时间，R_d为充电电量冗余度，σ₂为自冗余度的最小值；ρ为充电桩的充电系数；q_adv为单一充电桩的平均容量

4-5)容量冗余约束，如式(13)所示：

P_EVCS+ΣP_1,Load≤P₁ ^max (13)

式中，P_EVCS为日内EV充电站消耗的总有功功率；ΣP_1,Load为日内线路上其他负荷消耗的有功功率；P₁ ^max为馈线所能接入的最大功率；

4-6)能源和碳排放约束

在能源电力发展政策的约束下，考虑能源消费总量、清洁能源占比以及碳排放总量约束，如式(14)所示：

式中：

为在y年区域a中k类型充电电能桩生产碳排放因子；

为规划年y设定的碳排放上限；E_a,y,k为在y年区域a中k类型充电电能桩消耗的能源量；Y是充电桩使用年限区间，A为充电区域集合，Φ为充电电能桩类型集合。

6.根据权利要求5所述的基于路电耦合与低碳约束的电动汽车充电桩容量规划方法，其特征在于，所述粒子群算法PSO具体方法如下：

5-1)输入EV充电站的信息数据并进行初始化数据处理，确定各时刻每辆EV电池的SOC，生成EV的SOC矩阵，所述EV充电站的信息数据包括每个充电桩的充电能力、充电站的年支付成本、年维持运营成本和最大迭代次数Kmax；

5-2)设定种族的规模，随机设定允许范围内的粒子的速度位置，把各个粒子最好位置P_i设定为开始位置，其适应值设为P_best，在众多P_i中，最好的值作为种群最佳位置P_g，相应的适应值为g_best；

5-3)根据模型中目标函数以及适应度函数代入粒子的位置计算各个粒子的适应度；

5-4)对所有i＝1,2,...,n，比较适应值fitness_i和粒子最好位置P_i，如果fitness_i好于P_i，就使P_i＝fitness_i，并且记下计算当前的位置；计算出每个粒子的充电能力、充电站的年支付成本和年维持运营成本的最优值；

5-5)判断每个粒子是否满足经济约束、电量冗余度约束、电网稳定约束、容量冗余约束以及能源和碳排放约束中的等式约束和不等式约束，排除不满足约束的粒子，并更新每个粒子的速度与位置；

5-6)总成本在最小值附近且不再变化，或者到了最大迭代数，就结束算法，给出最小成本，否则返回步骤3)；对于粒子的速度V_i，V_i∈[-V_max,V_max]，搜索空间限定在[-X_max,X_max]，则设定V_max为粒子速度的最大值，V_max＝k*X_max,0≤k≤1；X_max为粒子搜索空间的最大边界值。

Images