CN115409294A - 一种配电网调度与充电协同的鲁棒优化方法 - Google Patents

一种配电网调度与充电协同的鲁棒优化方法 Download PDF

Info

Publication number
CN115409294A
CN115409294A CN202211353098.XA CN202211353098A CN115409294A CN 115409294 A CN115409294 A CN 115409294A CN 202211353098 A CN202211353098 A CN 202211353098A CN 115409294 A CN115409294 A CN 115409294A
Authority
CN
China
Prior art keywords
cost
distribution network
charging
time
road
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
CN202211353098.XA
Other languages
English (en)
Other versions
CN115409294B (zh
Inventor
崔希
蒙泽森
周俊
陈思畏
姜治
彭春华
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.)
Jiangxi Jiangtou Energy Technology Research Co ltd
Original Assignee
Jiangxi Jiangtou Power Technology And Test Research 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 Jiangxi Jiangtou Power Technology And Test Research Co ltd filed Critical Jiangxi Jiangtou Power Technology And Test Research Co ltd
Priority to CN202211353098.XA priority Critical patent/CN115409294B/zh
Publication of CN115409294A publication Critical patent/CN115409294A/zh
Application granted granted Critical
Publication of CN115409294B publication Critical patent/CN115409294B/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
    • G06Q10/04—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
    • G06Q10/067—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
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开一种配电网调度与充电协同的鲁棒优化方法，包括：按照用户对充电服务费用的响应态度对用户进行分类，并基于改进的UE原理构建考虑多类型用户出行响应的路网用户出行路径决策模型；由路网成本计算函数获得出行行为变化后的路网运行时间成本，并利用路‑电耦合约束条件将负载充电行为变化转为配电网负荷变化，得到配电网负荷峰谷差成本；以路网运行时间成本、配电网运行成本和配电网负荷峰谷差成本综合最低为优化目标构建协同优化模型，并对所述协同优化模型进行深度寻优。通过以路网运行时间成本、配电网运行成本和配电网负荷峰谷差成本综合最低为优化目标构建协同优化模型，以应对电动汽车出行和可再生能源并网出力的不确定性。

Description

一种配电网调度与充电协同的鲁棒优化方法
技术领域
本发明属于配电网技术领域，尤其涉及一种配电网调度与充电协同的鲁棒优化方法。
背景技术
电动汽车（Electric Vehicle，EV）作为解决能源危机和温室气体排放的重要途经，受到世界各国的广泛关注， EV既是交通道路网（以下简称路网）的车流负荷，又是电网的用电负荷。随着EV的快速发展，其充电行为（充电时间、地点等）对路网车流分布和电网负荷分布均会造成越来越大的影响，使得路-电双网耦合特征日趋显著。鉴于对EV的有序调控可获得缓解路网拥堵和提升电网运行稳定性的双重功效，计及路-电耦合的配电网优化运行渐已成为研究热点。
目前，针对计及路-电耦合的配电网优化调度已开展了一些研究，然而，现有计及路-电耦合的配网优化调度研究中一般都没有考虑充电响应协同优化问题。
发明内容
本发明提供一种配电网调度与充电协同的鲁棒优化方法，用于解决没有考虑电动汽车充电响应协同优化，使得电动汽车无序出行和充电对路网和配网的不良影响的技术问题。
本发明提供一种配电网调度与充电协同的鲁棒优化方法，用于对配网和路网的运行状态进行协同优化，方法包括：
按照用户对充电服务费用的响应态度对用户进行分类，并基于改进的UE原理构建考虑多类型用户出行响应的路网用户出行路径决策模型；
分析负载不确定性影响下充电响应引导用户出行和充电行为的变化，由路网成本计算函数获得出行行为变化后的路网运行时间成本，并利用路-电耦合约束条件将负载充电行为变化转为配电网负荷变化，得到配电网负荷峰谷差成本；
以路网运行时间成本、配电网运行成本和配电网负荷峰谷差成本综合最低为优化目标构建协同优化模型，并对所述协同优化模型进行深度寻优，得到最优解以及与所述最优解对应的运行方案，其中，所述协同鲁棒优化模型的表达式为：
Figure 419847DEST_PATH_IMAGE001
，
式中，
Figure 849692DEST_PATH_IMAGE002
为不确定性变量的置信水平，
Figure 622476DEST_PATH_IMAGE003
为优化模型决策变量的取值，
Figure 694337DEST_PATH_IMAGE004
为风 电逆累积分布函数，
Figure 603387DEST_PATH_IMAGE005
为光电逆累积分布函数，
Figure 469712DEST_PATH_IMAGE006
为路网出行用户的逆累积分布函 数，
Figure 962748DEST_PATH_IMAGE007
为最优运行成本，
Figure 838300DEST_PATH_IMAGE008
为目标函数值的置信度，
Figure 867436DEST_PATH_IMAGE009
为
Figure 639083DEST_PATH_IMAGE010
时段风力发电的预测误差，
Figure 386459DEST_PATH_IMAGE011
为
Figure 800123DEST_PATH_IMAGE010
时段光伏发电的预测误差，
Figure 418186DEST_PATH_IMAGE012
为
Figure 626313DEST_PATH_IMAGE010
时段路网出行用户的预测误差，
Figure 595406DEST_PATH_IMAGE013
为
Figure 547182DEST_PATH_IMAGE010
时段风力发电的 预测误差均值，
Figure 786796DEST_PATH_IMAGE014
为
Figure 431404DEST_PATH_IMAGE010
时段光伏发电的预测误差均值，
Figure 622213DEST_PATH_IMAGE015
为
Figure 377680DEST_PATH_IMAGE016
时段路网出行用户的预测误 差均值。
在本发明的一些实施例中，所述基于改进的UE原理构建考虑多类型用户出行响应的路网用户出行路径决策模型，包括：
基于充电站充电电价对路网用户出行行为的影响构建考虑多类型用户出行响应的路网用户出行路径决策模型，其中，路网用户出行路径决策模型的表达式为：
Figure 235914DEST_PATH_IMAGE017
，
式中，
Figure 785844DEST_PATH_IMAGE018
为
Figure 463950DEST_PATH_IMAGE019
时段OD对
Figure 23108DEST_PATH_IMAGE020
的
Figure 470270DEST_PATH_IMAGE021
类Ⅰ型用户路径方案
Figure 978653DEST_PATH_IMAGE022
的通行成本；
Figure 409634DEST_PATH_IMAGE023
为
Figure 241324DEST_PATH_IMAGE019
时段 OD对
Figure 808572DEST_PATH_IMAGE020
的
Figure 965883DEST_PATH_IMAGE021
类Ⅰ型用户最优通行成本，
Figure 353002DEST_PATH_IMAGE024
为
Figure 253962DEST_PATH_IMAGE019
时段选择路径方案
Figure 941296DEST_PATH_IMAGE022
通行的
Figure 269509DEST_PATH_IMAGE021
类Ⅰ型用户车 流。
在本发明的一些实施例中，其中，路网成本计算函数的表达式为：
Figure 143924DEST_PATH_IMAGE025
，
式中，
Figure 84460DEST_PATH_IMAGE026
为
Figure 626300DEST_PATH_IMAGE019
时段路网时间成本系数，
Figure 859835DEST_PATH_IMAGE027
为
Figure 487126DEST_PATH_IMAGE028
时段路段
Figure 729888DEST_PATH_IMAGE029
的总车流量，
Figure 126234DEST_PATH_IMAGE030
为路段
Figure 796250DEST_PATH_IMAGE029
的 通行时间，
Figure 645258DEST_PATH_IMAGE031
为OD对，
Figure 691711DEST_PATH_IMAGE032
为OD对集，
Figure 441099DEST_PATH_IMAGE033
为路径方案，
Figure 282016DEST_PATH_IMAGE034
为OD对的路网用户路径方案集，
Figure 618319DEST_PATH_IMAGE035
为路 径方案经过的路段集。
在本发明的一些实施例中，其中，基于电动汽车和快充充电站将路网和配网进行耦合，路-电耦合约束条件的表达式为：
Figure 202884DEST_PATH_IMAGE036
，
式中，
Figure 308244DEST_PATH_IMAGE037
为Ⅰ型用户单位车流量快充负荷转换系数，
Figure 320062DEST_PATH_IMAGE038
为
Figure 143662DEST_PATH_IMAGE039
时段DC充电站
Figure 266338DEST_PATH_IMAGE040
接入 的配电网节点
Figure 757363DEST_PATH_IMAGE041
的快充负荷总量，
Figure 441547DEST_PATH_IMAGE042
为DC充电站
Figure 486863DEST_PATH_IMAGE043
充电的
Figure 413231DEST_PATH_IMAGE044
类Ⅰ型用户总车流，A为Ⅰ型用户 种类总数，
Figure 493183DEST_PATH_IMAGE045
为含DC充电站的路段集，
Figure 846804DEST_PATH_IMAGE046
为路段。
在本发明的一些实施例中，所述以路网运行时间成本、配电网运行成本和配电网负荷峰谷差成本综合最低为优化目标构建协同优化模型，包括：
基于路网和配网的协同优化，以路网运行时间成本、配电网运行成本和配电网负荷峰谷差成本综合最低为优化目标构建协同优化模型，其中，优化目标的表达式为：
Figure 644995DEST_PATH_IMAGE047
，
式中，
Figure 375054DEST_PATH_IMAGE048
为
Figure 309512DEST_PATH_IMAGE010
时段路网运行时间成本，
Figure 834034DEST_PATH_IMAGE049
为
Figure 119522DEST_PATH_IMAGE010
时段配电网运行成本，
Figure 886227DEST_PATH_IMAGE050
为配电网 负荷峰谷差成本，
Figure 940771DEST_PATH_IMAGE051
为
Figure 636195DEST_PATH_IMAGE010
时段路网运行成本系数，T为时间周期。
在本发明的一些实施例中，计算
Figure 143399DEST_PATH_IMAGE010
时段配电网运行成本的表达式为：
Figure 215261DEST_PATH_IMAGE052
，
式中，
Figure 858731DEST_PATH_IMAGE053
为
Figure 990636DEST_PATH_IMAGE010
时段机组出力成本，
Figure 985136DEST_PATH_IMAGE054
为
Figure 860688DEST_PATH_IMAGE010
时段机组启动成本，
Figure 358666DEST_PATH_IMAGE055
为
Figure 162936DEST_PATH_IMAGE010
时段机组停机 成本，
Figure 644733DEST_PATH_IMAGE056
为
Figure 792818DEST_PATH_IMAGE010
时段配网网损成本，
Figure 676460DEST_PATH_IMAGE057
为
Figure 150167DEST_PATH_IMAGE010
时段配网节点负荷峰值成本，
Figure 119260DEST_PATH_IMAGE058
为
Figure 71035DEST_PATH_IMAGE010
时段配电网 购电成本，
Figure 809184DEST_PATH_IMAGE059
为
Figure 188213DEST_PATH_IMAGE010
时段配网降碳成本；
计算配电网负荷峰谷差成本的表达式为：
Figure 143137DEST_PATH_IMAGE060
，
式中，
Figure 898603DEST_PATH_IMAGE061
为配网负荷峰谷差的单位惩罚成本，
Figure 756838DEST_PATH_IMAGE062
、
Figure 41189DEST_PATH_IMAGE063
分别为各时段配网 总负荷最大值和各时段配网总负荷最小值。
在本发明的一些实施例中，其中，计算
Figure 984874DEST_PATH_IMAGE010
时段机组出力成本的表达式为：
Figure 278452DEST_PATH_IMAGE064
，
式中，
Figure 991193DEST_PATH_IMAGE065
、
Figure 977604DEST_PATH_IMAGE066
、
Figure 143006DEST_PATH_IMAGE067
均为机组
Figure 974696DEST_PATH_IMAGE068
的成本系数，
Figure 308987DEST_PATH_IMAGE069
为常规机组总数，
Figure 466299DEST_PATH_IMAGE070
为第g台机组
Figure 853418DEST_PATH_IMAGE071
时段 的功率值；
计算
Figure 754378DEST_PATH_IMAGE010
时段机组启动成本和
Figure 441711DEST_PATH_IMAGE010
时段机组停机成本的表达式分别为：
Figure 769925DEST_PATH_IMAGE072
，
Figure 644340DEST_PATH_IMAGE073
，
式中，
Figure 83411DEST_PATH_IMAGE074
为
Figure 625251DEST_PATH_IMAGE010
时段机组
Figure 622901DEST_PATH_IMAGE068
启动动作系数，
Figure 984612DEST_PATH_IMAGE075
为机组
Figure 227374DEST_PATH_IMAGE068
启动动作成本，
Figure 358141DEST_PATH_IMAGE076
为
Figure 28157DEST_PATH_IMAGE010
时段 机组
Figure 142744DEST_PATH_IMAGE068
停止动作系数，
Figure 189197DEST_PATH_IMAGE077
为机组
Figure 440050DEST_PATH_IMAGE068
停机动作成本；
计算
Figure 280967DEST_PATH_IMAGE010
时段配网节点负荷峰值成本的表达式为：
Figure 118735DEST_PATH_IMAGE078
，
Figure 703300DEST_PATH_IMAGE079
，
式中，
Figure 74239DEST_PATH_IMAGE080
为
Figure 86057DEST_PATH_IMAGE081
时段配电网节点负荷最大值，
Figure 175236DEST_PATH_IMAGE082
为单位节点负荷峰值惩罚系 数，
Figure 297913DEST_PATH_IMAGE083
为
Figure 257778DEST_PATH_IMAGE081
时段配电网节点
Figure 706077DEST_PATH_IMAGE084
的负荷总量，
Figure 16973DEST_PATH_IMAGE085
为
Figure 441876DEST_PATH_IMAGE010
时段节点
Figure 521827DEST_PATH_IMAGE084
的常规负荷，
Figure 875448DEST_PATH_IMAGE086
为
Figure 673640DEST_PATH_IMAGE010
时段DC充 电站
Figure 138119DEST_PATH_IMAGE087
接入的配电网节点
Figure 338156DEST_PATH_IMAGE088
的快充负荷总量，
Figure 862679DEST_PATH_IMAGE089
为
Figure 882587DEST_PATH_IMAGE010
时段配网节点
Figure 150758DEST_PATH_IMAGE088
为OD对的慢充终端提 供的慢充功率，J为配电网节总数；
计算
Figure 706766DEST_PATH_IMAGE010
时段配电网购电成本和
Figure 402190DEST_PATH_IMAGE010
时段配网降碳成本的表达式为：
Figure 174974DEST_PATH_IMAGE090
，
Figure 981256DEST_PATH_IMAGE091
，
式中，
Figure 155885DEST_PATH_IMAGE092
为
Figure 756631DEST_PATH_IMAGE010
时段单位购电电价，
Figure 16711DEST_PATH_IMAGE093
为
Figure 626683DEST_PATH_IMAGE010
时段的购电电量，
Figure 390240DEST_PATH_IMAGE094
为
Figure 693045DEST_PATH_IMAGE010
时段弃风弃光 单位惩罚系数，
Figure 673378DEST_PATH_IMAGE095
为
Figure 821462DEST_PATH_IMAGE010
时段弃风弃光量。
在本发明的一些实施例中，所述对所述协同优化模型进行深度寻优，包括：
基于自适应谐波混叠微分进化算法对所述协同优化模型进行深度寻优。
本申请的一种配电网调度与充电协同的鲁棒优化方法，通过以路网运行时间成本、配电网运行成本和配电网负荷峰谷差成本综合最低为优化目标构建协同优化模型，以应对电动汽车出行和可再生能源并网出力的不确定性，从而根据配网调度实现负荷优化分配和削峰填谷的同时，进一步通过优化区域内各充电站充电响应以引导电动汽车车流出行和充电行为，减少电动汽车无序出行和充电对路网和配网的不良影响。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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为本发明一实施例提供的一种配电网调度与充电协同的鲁棒优化方法的流程图；
图2为本发明一实施例提供一个具体实施例的路-电双网影响关系示意图；
图3为本发明一实施例提供的一具体实施例的协同优化模型求解流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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作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。
请参阅图1，其示出了本申请的一种配电网调度与充电协同的鲁棒优化方法的流程图。
如图1所示，配电网调度与充电协同的鲁棒优化方法，用于对配网和路网的运行状态进行协同优化，具体包括以下步骤：
步骤S101，按照用户对充电服务费用的响应态度对用户进行分类，并基于改进的UE原理构建考虑多类型用户出行响应的路网用户出行路径决策模型。
在本实施例中，出行用户路径决策是影响路网车流分布的重要因素，为研究路网 车流分布以及配网快充负荷分布情况，需首先分析路网出行用户的路径决策形式。路网拓 扑结构已知时，可将路网转化为无向连接图
Figure 705105DEST_PATH_IMAGE096
，
Figure 178811DEST_PATH_IMAGE097
为路网节点集，
Figure 882325DEST_PATH_IMAGE098
为路段集，节 点间通过路段
Figure 834100DEST_PATH_IMAGE099
链接。路网用户出行路径决策模型中每个起点-终点（Origin- Destination, OD）可看作一个OD对，所有OD对组成OD对集
Figure 837829DEST_PATH_IMAGE100
。将Ⅰ型用户分为A类，以准确分 析各类Ⅰ型用户路径决策和充电响应的差异性。Ⅱ型用户路径决策不受充电费用影响，可由 Ⅰ型用户路径决策简化获得。
需要说明的是，将路网出行用户分为：采用快充充电的Ⅰ型用户（仅EV用户）和不采用快充充电的Ⅱ型用户（燃油汽车、采用慢充的EV用户等）。路网运行状态、配网运行状态和DC充电站的充电电价经由路网出行用户有图2所示联系。
若已知t时段OD对
Figure 216857DEST_PATH_IMAGE101
的出行用户总数为
Figure 673246DEST_PATH_IMAGE102
，设t时段OD对
Figure 930178DEST_PATH_IMAGE103
的
Figure 257254DEST_PATH_IMAGE104
类Ⅰ型用户车流 量为
Figure 72763DEST_PATH_IMAGE105
，Ⅱ型用户车流量为
Figure 16448DEST_PATH_IMAGE106
则应满足如下等式约束：
Figure 575606DEST_PATH_IMAGE107
，（1）
假设OD对
Figure 22767DEST_PATH_IMAGE103
的路网用户路径方案集为
Figure 743599DEST_PATH_IMAGE108
，
Figure 174580DEST_PATH_IMAGE019
时段选择路径方案
Figure 6270DEST_PATH_IMAGE109
通行的
Figure 839097DEST_PATH_IMAGE104
类Ⅰ型 用户车流为
Figure 229365DEST_PATH_IMAGE110
，则路段
Figure 147642DEST_PATH_IMAGE111
上的
Figure 783023DEST_PATH_IMAGE104
类Ⅰ型用户车流可由式(2)-(3)所示的模型计算：
Figure 204777DEST_PATH_IMAGE112
，（2）
Figure 532990DEST_PATH_IMAGE113
，（3）
式中，
Figure 407405DEST_PATH_IMAGE114
为
Figure 112056DEST_PATH_IMAGE019
时段路段
Figure 653896DEST_PATH_IMAGE111
上
Figure 887431DEST_PATH_IMAGE104
类Ⅰ型用户的车流量，
Figure 16186DEST_PATH_IMAGE115
为路径方案
Figure 258949DEST_PATH_IMAGE022
对路段
Figure 389716DEST_PATH_IMAGE111
的 经过情况，经过则为1，反之为0。Ⅱ型用户路段车流计算同式(2)-(3)，在此不再重复。路段
Figure 59731DEST_PATH_IMAGE111
的总出行车流为该路段上各类型路网用户车流求和，如式(4)所示：
Figure 174318DEST_PATH_IMAGE116
，（4）
式中，
Figure 955192DEST_PATH_IMAGE117
为
Figure 206045DEST_PATH_IMAGE019
时段路段
Figure 46962DEST_PATH_IMAGE111
上Ⅱ型用户的车流量，
Figure 383265DEST_PATH_IMAGE118
为
Figure 967830DEST_PATH_IMAGE019
时段路段
Figure 860742DEST_PATH_IMAGE111
的总车流量。
在任意
Figure 872560DEST_PATH_IMAGE019
时段路段
Figure 430580DEST_PATH_IMAGE111
上总车流都应存在最大车流限制，如式(5)：
Figure 818836DEST_PATH_IMAGE119
，（5）
式中，
Figure 44281DEST_PATH_IMAGE120
为路段
Figure 961422DEST_PATH_IMAGE111
的车流最大值。
路段
Figure 537896DEST_PATH_IMAGE111
的通行时间
Figure 464264DEST_PATH_IMAGE121
可由式(6)所示的美国联邦公路局函数计算。
Figure 278636DEST_PATH_IMAGE122
，（6）
式中，
Figure 399301DEST_PATH_IMAGE123
为路段的固定通行时间，
Figure 197493DEST_PATH_IMAGE124
、
Figure 661973DEST_PATH_IMAGE125
均为固定阻抗影响参数。
传统的UE原理仅考虑用户基于时间成本的路径决策，可用于Ⅱ型用户的出行路径决策，如式(7)所示：
Figure 596430DEST_PATH_IMAGE126
，（7）
式中，
Figure 386532DEST_PATH_IMAGE127
为
Figure 406441DEST_PATH_IMAGE019
时段OD对
Figure 674611DEST_PATH_IMAGE128
选择路径方案
Figure 463575DEST_PATH_IMAGE022
通行的Ⅱ型用户车流，
Figure 424578DEST_PATH_IMAGE129
为
Figure 666204DEST_PATH_IMAGE019
时段OD对
Figure 236600DEST_PATH_IMAGE128
路径方案
Figure 411229DEST_PATH_IMAGE022
的通行时间，
Figure 277554DEST_PATH_IMAGE130
为
Figure 272055DEST_PATH_IMAGE019
时段OD对
Figure 882028DEST_PATH_IMAGE128
的最短通行时间。
路径
Figure 645585DEST_PATH_IMAGE022
的通行时间为其所经路段的通行时间求和，如式(8)所示：
Figure 682811DEST_PATH_IMAGE131
，（8）
式中，
Figure 430187DEST_PATH_IMAGE132
为路径方案
Figure 578271DEST_PATH_IMAGE022
经过的路段集。
充电电价会影响Ⅰ型用户的路径决策，因此，本发明对UE原理进行改进，Ⅰ型用户将 以路径通行成本进行路径决策而不是时间成本。原理可描述为：若OD对
Figure 461914DEST_PATH_IMAGE020
的车流中存在
Figure 171506DEST_PATH_IMAGE021
类 Ⅰ型用户选择路径方案
Figure 140599DEST_PATH_IMAGE022
出行，则路径方案
Figure 92375DEST_PATH_IMAGE022
的通行成本为该OD对
Figure 96103DEST_PATH_IMAGE021
类Ⅰ型用户的最优通行成 本，且每个
Figure 209552DEST_PATH_IMAGE021
类Ⅰ型用户都不能通过改变出行方案来减少自身通行成本，据此可将式(6)所示 的UE原理改写为式(9)所示。
Figure 665941DEST_PATH_IMAGE017
，（9）
其中，
Figure 155828DEST_PATH_IMAGE018
为
Figure 14063DEST_PATH_IMAGE019
时段OD对
Figure 563993DEST_PATH_IMAGE020
的
Figure 507678DEST_PATH_IMAGE021
类Ⅰ型用户路径方案
Figure 299792DEST_PATH_IMAGE022
的通行成本；
Figure 746953DEST_PATH_IMAGE023
为
Figure 733364DEST_PATH_IMAGE019
时段 OD对
Figure 898766DEST_PATH_IMAGE020
的
Figure 996035DEST_PATH_IMAGE021
类Ⅰ型用户最优通行成本。
Figure 563283DEST_PATH_IMAGE018
可写为路径方案
Figure 455015DEST_PATH_IMAGE022
的时间成本和充电成本求和，如式(10)：
Figure 373293DEST_PATH_IMAGE133
式中，
Figure 8673DEST_PATH_IMAGE134
为
Figure 430427DEST_PATH_IMAGE019
时段OD对
Figure 260105DEST_PATH_IMAGE020
的
Figure 134521DEST_PATH_IMAGE021
类Ⅰ型用户路径方案
Figure 839171DEST_PATH_IMAGE022
的充电成本。
步骤S102，分析负载不确定性影响下充电响应引导用户出行和充电行为的变化，由路网成本计算函数获得出行行为变化后的路网运行时间成本，并利用路-电耦合约束条件将负载充电行为变化转为配电网负荷变化，得到配电网负荷峰谷差成本。
在本实施例中，步骤S101所构建的路网用户出行路径决策模型可描述Ⅰ型用户出 行路径选择形式，但仍需考虑Ⅰ型用户充电响应以准确分析EV的快充负荷分布情况和细化Ⅰ 型用户的路径决策。假设Ⅰ型用户出行时需要且仅进行一次快充充电，则其出行路径方案和 充电方案具有以下关系：1）Ⅰ型用户所选路径方案必须经过一个及以上含DC充电站的路段； 2）若Ⅰ型用户路径方案经过多个DC充电站，则充电电价最低的DC充电站为该用户充电方案； （3）若路径方案中多个DC充电站充电电价一致，则Ⅰ型用户选择在靠近终点处的DC充电站充 电。由上述关系可知，在DC充电站充电电价确定时，Ⅰ型用户的路径方案应对应一个唯一的 充电方案，由此，本发明引入Ⅰ型用户的路径决策与充电响应关联系数
Figure 381011DEST_PATH_IMAGE135
，代表OD对
Figure 880126DEST_PATH_IMAGE136
选 择路径方案
Figure 241837DEST_PATH_IMAGE137
出行的Ⅰ型用户对DC充电站
Figure 219020DEST_PATH_IMAGE138
的选择情况，若选择在
Figure 615366DEST_PATH_IMAGE040
充电则为1，否则为0。则 有下式(11)-(13)：
Figure 285382DEST_PATH_IMAGE139
，（11）
Figure 898504DEST_PATH_IMAGE140
，（12）
Figure 413799DEST_PATH_IMAGE141
，（13）
式中，
Figure 930231DEST_PATH_IMAGE142
为选择路径方案
Figure 771148DEST_PATH_IMAGE137
出行的Ⅰ型用户实际充电电价，
Figure 107451DEST_PATH_IMAGE143
为DC充电站
Figure 692016DEST_PATH_IMAGE040
的 充电电价，
Figure 423474DEST_PATH_IMAGE144
为
Figure 700872DEST_PATH_IMAGE145
时段路径方案
Figure 790051DEST_PATH_IMAGE137
的
Figure 443886DEST_PATH_IMAGE146
类Ⅰ型用户在DC充电站
Figure 669331DEST_PATH_IMAGE040
充电的总车流；若该路径 上的
Figure 586471DEST_PATH_IMAGE146
类Ⅰ型用户选择在
Figure 162946DEST_PATH_IMAGE147
充电，则
Figure 587849DEST_PATH_IMAGE144
为选择该路径方案
Figure 667800DEST_PATH_IMAGE137
出行的
Figure 21421DEST_PATH_IMAGE146
类Ⅰ型用户总车流
Figure 819613DEST_PATH_IMAGE148
，否则为0。
由式(12)可得出路径方案
Figure 18513DEST_PATH_IMAGE149
的实际充电电价，为体现各类Ⅰ型用户对充电电价响应 的差异性，引入
Figure 218550DEST_PATH_IMAGE146
类Ⅰ型用户的充电成本响应系数
Figure 8652DEST_PATH_IMAGE150
，将式(10)中
Figure 28560DEST_PATH_IMAGE146
类Ⅰ型用户的路径充电成 本写为式(14)：
Figure 296731DEST_PATH_IMAGE151
，（14）
选择在DC充电站
Figure 852739DEST_PATH_IMAGE138
充电的
Figure 282584DEST_PATH_IMAGE146
类Ⅰ型用户总车流
Figure 55368DEST_PATH_IMAGE042
为各OD对的所有路径方案在
Figure 127229DEST_PATH_IMAGE138
充 电的
Figure 770700DEST_PATH_IMAGE146
类Ⅰ型用户车流和，可写为式(15)：
Figure 902604DEST_PATH_IMAGE152
，（15）
综上，
Figure 897105DEST_PATH_IMAGE153
与
Figure 507077DEST_PATH_IMAGE154
的关联使得Ⅰ型用户充电响应与路径决策具有相关性，而路 段
Figure 536213DEST_PATH_IMAGE155
是否装设充电站以及该充电站的充电电价会影响Ⅰ型用户的充电响应和
Figure 573439DEST_PATH_IMAGE156
，并进一 步影响其路径决策，因此可基于充电电价对Ⅰ型用户的充电响应进行优化，以改善路-电耦 合系统的运行状态。
路网与配电网通过EV和DC充电站完成车流到负荷的转换，受空间距离的影响，各 DC充电站由最近的配电网节点供电。DC充电站的充电负荷与选择在该充电站充电的Ⅰ型用 户车流数量呈正相关，则
Figure 553772DEST_PATH_IMAGE157
与配网节点的快充负荷存在式(16)所示关系：
Figure 967435DEST_PATH_IMAGE036
，（16）
式中，
Figure 585499DEST_PATH_IMAGE158
为Ⅰ型用户单位车流量快充负荷转换系数，
Figure 793626DEST_PATH_IMAGE038
为
Figure 762719DEST_PATH_IMAGE039
时段DC充电站
Figure 714494DEST_PATH_IMAGE040
接入 的配电网节点
Figure 452643DEST_PATH_IMAGE041
的快充负荷总量，
Figure 97251DEST_PATH_IMAGE042
为DC充电站
Figure 288061DEST_PATH_IMAGE159
充电的
Figure 43528DEST_PATH_IMAGE160
类Ⅰ型用户总车流；
Figure 403227DEST_PATH_IMAGE161
为含DC 充电站的路段集。
综合Ⅰ型用户的路径决策和充电响应可获得配网快充负荷分布。配网中存在与路 网交通信息等因素无关的慢充负荷，来自于Ⅱ型用户在终点处的慢充终端充电，此类负荷 仅取决于Ⅱ型用户数量和终端位置，可统计获得Ⅱ型用户单位车流的慢充负荷转换系数
Figure 953157DEST_PATH_IMAGE162
并由此获得慢充电能需求总量。另外慢充EV具有充电功率较小的特点，需要若干个调度时 段才能完成充电，因此配网可基于V2G技术主动管理慢充EV的充电负荷功率，如式(17)- (20)所示：
Figure 631263DEST_PATH_IMAGE163
，（17）
Figure 190420DEST_PATH_IMAGE164
，（18）
Figure 637582DEST_PATH_IMAGE165
，（19）
Figure 623993DEST_PATH_IMAGE166
，（20）
式中，
Figure 789395DEST_PATH_IMAGE167
为单位车流最大充电功率系数，反映单位Ⅱ型用户车流的充电功率最大 值，
Figure 886664DEST_PATH_IMAGE168
为
Figure 453911DEST_PATH_IMAGE169
时段驶入OD对
Figure 345644DEST_PATH_IMAGE170
慢充终端的Ⅱ型用户慢充功率最大值，
Figure 496877DEST_PATH_IMAGE171
为
Figure 397837DEST_PATH_IMAGE172
时段驶入 OD对
Figure 819591DEST_PATH_IMAGE170
慢充终端的Ⅱ型用户慢充功率最大值，
Figure 147805DEST_PATH_IMAGE173
为Ⅱ型用户车流量，
Figure 22220DEST_PATH_IMAGE174
为
Figure 461291DEST_PATH_IMAGE169
时段驶入OD 对
Figure 3131DEST_PATH_IMAGE170
慢充终端的Ⅱ型用户慢充电能需求总量，即为该慢充终端对应的配网节点
Figure 236666DEST_PATH_IMAGE175
的电能需 求，
Figure 863957DEST_PATH_IMAGE176
为用户的最大充电时长限制，为慢充用户从驶入到离开慢充终端的时间，
Figure 608184DEST_PATH_IMAGE177
为
Figure 4530DEST_PATH_IMAGE039
时 段配网节点
Figure 674546DEST_PATH_IMAGE175
为OD对
Figure 257974DEST_PATH_IMAGE170
的慢充终端提供的慢充功率。
式(17)反映驶入慢充终端的Ⅱ型用户最大充电功率；式(18)可视为由统计获得的 Ⅱ型用户慢充电能需求总量；式(19)表示配网的慢充功率管理需满足在Ⅱ型用户要求的时 间内完成充电；式(20)表明配网对
Figure 304428DEST_PATH_IMAGE178
的主动管理，但需满足EV的最大充电功率限制，最大 充电功率为时段慢充终端接入的所有慢充EV最大充电功率之和。
步骤S103，以路网运行时间成本、配电网运行成本和配电网负荷峰谷差成本综合最低为优化目标构建协同优化模型，并对所述协同优化模型进行深度寻优，得到最优解以及与所述最优解对应的运行方案。
在本实施例中，本构建的协同优化模型决策变量为：路网DC充电站充电电价制定、配网分布式机组出力、配网购电以及EV的慢充负荷功率管理。为兼顾路网和配网的运行状态，制定目标函数如式(20)所示：
Figure 820860DEST_PATH_IMAGE047
，（20）
式中，
Figure 396197DEST_PATH_IMAGE048
为
Figure 732501DEST_PATH_IMAGE010
时段路网运行时间成本，
Figure 51487DEST_PATH_IMAGE049
为
Figure 422425DEST_PATH_IMAGE010
时段配电网运行成本，
Figure 932779DEST_PATH_IMAGE050
为配电网 负荷峰谷差成本，
Figure 756378DEST_PATH_IMAGE051
为
Figure 879055DEST_PATH_IMAGE010
时段路网运行成本系数，T为时间周期。
充电电价会影响路网车流分布，并进一步影响路网的运行状态，而路网运行时间成本过高会影响路网用户出行效率，降低路网用户对充电响应方案的接受度。为保证良好的路网运行状态，本发明构建的路网运行时间成本模型，如式(21)所示：
Figure 370079DEST_PATH_IMAGE025
，（20）
式中，
Figure 287220DEST_PATH_IMAGE026
为
Figure 598115DEST_PATH_IMAGE019
时段路网时间成本系数，
Figure 258904DEST_PATH_IMAGE027
为
Figure 604434DEST_PATH_IMAGE179
时段路段
Figure 958055DEST_PATH_IMAGE029
的总车流量，
Figure 490668DEST_PATH_IMAGE030
为路段
Figure 722191DEST_PATH_IMAGE029
的 通行时间，
Figure 656649DEST_PATH_IMAGE031
为OD对，
Figure 181172DEST_PATH_IMAGE032
为OD对集，
Figure 466659DEST_PATH_IMAGE033
为路径方案，
Figure 409DEST_PATH_IMAGE034
为OD对的路网用户路径方案集，
Figure 789373DEST_PATH_IMAGE035
为路 径方案经过的路段集。
计算配电网负荷峰谷差成本的表达式为：
Figure 484797DEST_PATH_IMAGE060
，
式中，
Figure 992002DEST_PATH_IMAGE061
为配网负荷峰谷差的单位惩罚成本，
Figure 63863DEST_PATH_IMAGE062
、
Figure 707334DEST_PATH_IMAGE063
分别为各时段配网 总负荷最大值和各时段配网总负荷最小值。
考虑配网运行时的机组出力成本、机组启停成本、网损成本、节点负荷峰值成本、主电网购电成本、降碳成本，则配网运行成本可写为式(22)：
Figure 361210DEST_PATH_IMAGE052
，（21）
式中，
Figure 355711DEST_PATH_IMAGE053
为
Figure 965684DEST_PATH_IMAGE010
时段机组出力成本，
Figure 729241DEST_PATH_IMAGE054
为
Figure 32046DEST_PATH_IMAGE010
时段机组启动成本，
Figure 248264DEST_PATH_IMAGE055
为
Figure 661928DEST_PATH_IMAGE010
时段机组停机 成本，
Figure 279991DEST_PATH_IMAGE056
为
Figure 753698DEST_PATH_IMAGE010
时段配网网损成本，
Figure 722791DEST_PATH_IMAGE057
为
Figure 176031DEST_PATH_IMAGE010
时段配网节点负荷峰值成本，
Figure 914180DEST_PATH_IMAGE058
为
Figure 558788DEST_PATH_IMAGE010
时段配电网 购电成本，
Figure 749598DEST_PATH_IMAGE059
为
Figure 505064DEST_PATH_IMAGE010
时段配网降碳成本；
机组出力成本由式(23)计算：
Figure 363299DEST_PATH_IMAGE064
，（22）
式中，
Figure 647649DEST_PATH_IMAGE065
、
Figure 591335DEST_PATH_IMAGE066
、
Figure 884913DEST_PATH_IMAGE067
均为机组
Figure 597654DEST_PATH_IMAGE068
的成本系数，
Figure 82600DEST_PATH_IMAGE069
为常规机组总数，
Figure 982422DEST_PATH_IMAGE070
为第g台机组t时段 的功率值；
机组的启动成本和停机成本由式(24)和(25)给出：
Figure 79691DEST_PATH_IMAGE180
（24）
Figure 912518DEST_PATH_IMAGE181
（25）
式中，
Figure 804251DEST_PATH_IMAGE074
为
Figure 456949DEST_PATH_IMAGE010
时段机组
Figure 92330DEST_PATH_IMAGE068
启动动作系数，
Figure 779663DEST_PATH_IMAGE182
为机组
Figure 107876DEST_PATH_IMAGE068
启动动作成本，
Figure 982291DEST_PATH_IMAGE076
为
Figure 922828DEST_PATH_IMAGE010
时段 机组
Figure 464667DEST_PATH_IMAGE068
停止动作系数，
Figure 698203DEST_PATH_IMAGE183
为机组
Figure 325493DEST_PATH_IMAGE068
停机动作成本；
配网节点负荷峰值成本如式(26)和式(27)所示：
Figure 568256DEST_PATH_IMAGE078
，（26）
Figure 699023DEST_PATH_IMAGE079
，（27）
式中，
Figure 369038DEST_PATH_IMAGE080
为
Figure 218046DEST_PATH_IMAGE010
时段配电网节点负荷最大值，
Figure 264499DEST_PATH_IMAGE082
为单位节点负荷峰值惩罚系 数，
Figure 13887DEST_PATH_IMAGE083
Figure 589225DEST_PATH_IMAGE010
时段配电网节点
Figure 191108DEST_PATH_IMAGE084
的负荷总量，
Figure 775673DEST_PATH_IMAGE085
为
Figure 881032DEST_PATH_IMAGE010
时段节点
Figure 892850DEST_PATH_IMAGE084
的常规负荷，
Figure 716450DEST_PATH_IMAGE086
为
Figure 839127DEST_PATH_IMAGE184
时段DC充电 站
Figure 64572DEST_PATH_IMAGE185
接入的配电网节点
Figure 247291DEST_PATH_IMAGE186
的快充负荷总量，
Figure 59652DEST_PATH_IMAGE089
为
Figure 986019DEST_PATH_IMAGE187
时段配网节点
Figure 65971DEST_PATH_IMAGE188
为OD对
Figure 419592DEST_PATH_IMAGE189
的慢充终端提 供的慢充功率，J为配电网节总数；
购电成本与降碳成本分别由购电电价和弃风弃光惩罚系数计算，如式(28)和式(29)：
Figure 217784DEST_PATH_IMAGE090
，（28）
Figure 682263DEST_PATH_IMAGE091
，（29）
式中，
Figure 882300DEST_PATH_IMAGE092
为
Figure 141243DEST_PATH_IMAGE010
时段单位购电电价，
Figure 426731DEST_PATH_IMAGE093
为
Figure 694901DEST_PATH_IMAGE010
时段的购电电量，
Figure 982401DEST_PATH_IMAGE094
为
Figure 943404DEST_PATH_IMAGE010
时段弃风弃光 单位惩罚系数，
Figure 716188DEST_PATH_IMAGE095
为
Figure 256890DEST_PATH_IMAGE010
时段弃风弃光量。
为获取更加精确的风光出力和路网出行用户不确定变量概率分布曲线，采用高斯混合模型(Gaussian mixture model，GMM）拟合不确定性变量的预测误差概率分布，GMM原理如式(30)和式(31)：
Figure 431520DEST_PATH_IMAGE190
，（30）
Figure 32265DEST_PATH_IMAGE191
，（31）
式中，
Figure 292345DEST_PATH_IMAGE192
为高斯分量总数，
Figure 902318DEST_PATH_IMAGE193
为第
Figure 665875DEST_PATH_IMAGE194
个高斯分量的权重，
Figure 968680DEST_PATH_IMAGE195
为第
Figure 951942DEST_PATH_IMAGE194
个高斯分 量的概率密度曲线，
Figure 100027DEST_PATH_IMAGE196
、
Figure 983669DEST_PATH_IMAGE197
分别为该概率密度曲线的均值和方差。
假设在确定性模型下，获得的最优运行成本为
Figure 457376DEST_PATH_IMAGE198
，结合置信区间鲁棒优化理论，考 虑以一定置信水平不劣于期望最优值的约束下，最大化不确定变量的置信区间，最大化规 避不确定性对优化结果的影响。构建如式(32)所示的CGD模型：
Figure 160889DEST_PATH_IMAGE199
，（32）
式中，
Figure 112665DEST_PATH_IMAGE200
为概率值，
Figure 850814DEST_PATH_IMAGE201
为不确定性变量的置信水平，
Figure 495422DEST_PATH_IMAGE202
为目标函数值的置信度，
Figure 951811DEST_PATH_IMAGE203
为不确定变量在置信水平为
Figure 441698DEST_PATH_IMAGE201
下的取值区间，
Figure 532889DEST_PATH_IMAGE204
、
Figure 348398DEST_PATH_IMAGE205
分别为取值区间的最小值和 最大值。
由GMM拟合出的预测误差概率密度曲线，可获得在置信水平
Figure 26504DEST_PATH_IMAGE206
下，风光出力和路 网出行用户的预测误差波动区间，可通过式(33)-(35)计算：
Figure 585661DEST_PATH_IMAGE207
，（33）
Figure 32823DEST_PATH_IMAGE208
，（34）
Figure 753654DEST_PATH_IMAGE209
，（35）
式中，
Figure 184636DEST_PATH_IMAGE210
分别为
Figure 16325DEST_PATH_IMAGE010
时段风力发电、光伏发电和路网出行用户的预测误差，
Figure 849152DEST_PATH_IMAGE211
分别为
Figure 242350DEST_PATH_IMAGE010
时段风力发电、光伏发电和路网出行用户的预测误差的均值，
Figure 895048DEST_PATH_IMAGE212
分别为置信水平
Figure 796008DEST_PATH_IMAGE206
下
Figure 952183DEST_PATH_IMAGE010
时段的风电、光电和路网出行用户取值区间的 最小值，
Figure 280396DEST_PATH_IMAGE213
分别为置信度水平
Figure 420390DEST_PATH_IMAGE206
下
Figure 859462DEST_PATH_IMAGE010
时段的风电、光电和路网出行用户取 值区间的最大值。
基于CGD的优化模型难以直接求解，需要对其进行简化。在不确定性变量相互独立 的条件下，若已知
Figure 401302DEST_PATH_IMAGE214
、
Figure 900416DEST_PATH_IMAGE215
和
Figure 262127DEST_PATH_IMAGE216
，则可由耦合系统的成本函数
Figure 3425DEST_PATH_IMAGE217
计算系统成本。 即可将
Figure 399771DEST_PATH_IMAGE218
视为不确定变量，令其不确定分布函数为
Figure 804208DEST_PATH_IMAGE219
，则式(36)成立：
Figure 918794DEST_PATH_IMAGE220
，（36）
定义
Figure 699668DEST_PATH_IMAGE221
分别为成本、风电、光电和路网出行用户的逆累积 分布函数，由不确定变量运算法则式，有式(37)和式(38)：
Figure 950521DEST_PATH_IMAGE222
，（37）
Figure 791438DEST_PATH_IMAGE223
，（38）
综上，可获得便于求解的等价模型如式(39)所示：
Figure 393321DEST_PATH_IMAGE224
，（39）
针对上述模型采用改进的自适应谐波混叠微分进化算法进行求解，求解流程图见图3：
步骤1、输入耦合系统结构和设备参数、风光车流相关数据，有GMM拟合各时段概率密度函数；
步骤2、设定算法参数、目标置信水平、路网权重等，初始化种群；
步骤3、优化求解确定性模型，求得最优解
Figure 712307DEST_PATH_IMAGE225
；
步骤4、通过数据分析求得风光测流概率分布模型；
步骤5、迭代此时i=0，由式（39）计算每个个体的目标函数值；
步骤6、按照置信水平
Figure 83245DEST_PATH_IMAGE206
由大到小排序；
步骤7、判断是否存在相同
Figure 596528DEST_PATH_IMAGE206
的个体；
步骤8、若是，则计算
Figure 420128DEST_PATH_IMAGE206
个体等级和拥挤度，并进行非劣排序；
步骤9、自适应谐波混叠微分进化得到新种群；
步骤10、判断是否达到最大迭代次数；
步骤11、若是，则输出最优解及对应的运行方案。
综上，本申请的方法能够实现以下技术效果：
1）考虑慢充负荷管理的配网调度可达到负荷削峰填谷和提升经济性的目的；
2）基于充电电价的充电响应优化可有效引导快充负荷转移和车流分布，优化路-电耦合系统的运行状态，缓解配网节点负荷拥堵情况；
3）考虑路网用户路径决策和充电响应的差异性使得优化方案更加切合实际状况，并维护了各类型路网用户的出行利益；
4）基于CGD的鲁棒优化模型充分体现了各类不确定性的多态性，且可通过设定目标显著性水平调控优化方案，兼顾了优化方案的鲁棒性和灵活性。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (8)

1.一种配电网调度与充电协同的鲁棒优化方法，其特征在于，用于对配网和路网的运行状态进行协同优化，方法包括：
按照用户对充电服务费用的响应态度对用户进行分类，并基于改进的UE原理构建考虑多类型用户出行响应的路网用户出行路径决策模型；
分析负载不确定性影响下充电响应引导用户出行和充电行为的变化，由路网成本计算函数获得出行行为变化后的路网运行时间成本，并利用路-电耦合约束条件将负载充电行为变化转为配电网负荷变化，得到配电网负荷峰谷差成本；
以路网运行时间成本、配电网运行成本和配电网负荷峰谷差成本综合最低为优化目标构建协同优化模型，并对所述协同优化模型进行深度寻优，得到最优解以及与所述最优解对应的运行方案，其中，所述协同优化模型的表达式为：
Figure 943066DEST_PATH_IMAGE001
，
式中，
Figure 532310DEST_PATH_IMAGE002
为不确定性变量的置信水平，
Figure 279424DEST_PATH_IMAGE003
为优化模型决策变量的取值，
Figure 877896DEST_PATH_IMAGE004
为风电逆 累积分布函数，
Figure 161109DEST_PATH_IMAGE005
为光电逆累积分布函数，
Figure 452413DEST_PATH_IMAGE006
为路网出行用户的逆累积分布函数，
Figure 188288DEST_PATH_IMAGE007
为最优运行成本，
Figure 121609DEST_PATH_IMAGE008
为目标函数值的置信度，
Figure 259329DEST_PATH_IMAGE009
为
Figure 721535DEST_PATH_IMAGE010
时段风力发电的预测误差，
Figure 443241DEST_PATH_IMAGE011
为
Figure 649094DEST_PATH_IMAGE010
时段 光伏发电的预测误差，
Figure 906900DEST_PATH_IMAGE012
为
Figure 805586DEST_PATH_IMAGE010
时段路网出行用户的预测误差，
Figure 516053DEST_PATH_IMAGE013
为
Figure 525598DEST_PATH_IMAGE010
时段风力发电的预测 误差均值，
Figure 637910DEST_PATH_IMAGE014
为
Figure 441918DEST_PATH_IMAGE010
时段光伏发电的预测误差均值，
Figure 639681DEST_PATH_IMAGE015
为
Figure 685872DEST_PATH_IMAGE016
时段路网出行用户的预测误差均 值。
2.根据权利要求1所述的一种配电网调度与充电协同的鲁棒优化方法，其特征在于，所述基于改进的UE原理构建考虑多类型用户出行响应的路网用户出行路径决策模型，包括：
基于充电站充电电价对路网用户出行行为的影响构建考虑多类型用户出行响应的路网用户出行路径决策模型，其中，路网用户出行路径决策模型的表达式为：
Figure 918271DEST_PATH_IMAGE017
，
式中，
Figure 158759DEST_PATH_IMAGE018
为
Figure 578239DEST_PATH_IMAGE019
时段OD对
Figure 929586DEST_PATH_IMAGE020
的
Figure 16491DEST_PATH_IMAGE021
类Ⅰ型用户路径方案
Figure 427880DEST_PATH_IMAGE022
的通行成本；
Figure 600236DEST_PATH_IMAGE023
为
Figure 489694DEST_PATH_IMAGE019
时段OD对
Figure 431106DEST_PATH_IMAGE020
的
Figure 511932DEST_PATH_IMAGE021
类Ⅰ型用户最优通行成本，
Figure 171583DEST_PATH_IMAGE024
为
Figure 864733DEST_PATH_IMAGE019
时段选择路径方案
Figure 395071DEST_PATH_IMAGE022
通行的
Figure 413843DEST_PATH_IMAGE021
类Ⅰ型用户车流。
3.根据权利要求1所述的一种配电网调度与充电协同的鲁棒优化方法，其特征在于，其中，路网成本计算函数的表达式为：
Figure 295211DEST_PATH_IMAGE025
，
式中，
Figure 792052DEST_PATH_IMAGE026
为
Figure 442476DEST_PATH_IMAGE019
时段路网时间成本系数，
Figure 100990DEST_PATH_IMAGE027
为
Figure 233769DEST_PATH_IMAGE028
时段路段
Figure 268721DEST_PATH_IMAGE029
的总车流量，
Figure 39231DEST_PATH_IMAGE030
为路段
Figure 868647DEST_PATH_IMAGE029
的通行 时间，
Figure 990187DEST_PATH_IMAGE031
为OD对，
Figure 828830DEST_PATH_IMAGE032
为OD对集，
Figure 188267DEST_PATH_IMAGE033
为路径方案，
Figure 454163DEST_PATH_IMAGE034
为OD对的路网用户路径方案集，
Figure 531840DEST_PATH_IMAGE035
为路径方 案经过的路段集。
4.根据权利要求1所述的一种配电网调度与充电协同的鲁棒优化方法，其特征在于，其中，路-电耦合约束条件的表达式为：
Figure 141551DEST_PATH_IMAGE036
，
式中，
Figure 621074DEST_PATH_IMAGE037
为Ⅰ型用户单位车流量快充负荷转换系数，
Figure 57871DEST_PATH_IMAGE038
为
Figure 888424DEST_PATH_IMAGE039
时段DC充电站
Figure 68870DEST_PATH_IMAGE040
接入的配 电网节点
Figure 402899DEST_PATH_IMAGE041
的快充负荷总量，
Figure 10598DEST_PATH_IMAGE042
为DC充电站
Figure 328447DEST_PATH_IMAGE043
充电的
Figure 545539DEST_PATH_IMAGE044
类Ⅰ型用户总车流，A为Ⅰ型用户种 类总数，
Figure 999654DEST_PATH_IMAGE045
为含DC充电站的路段集，
Figure 43834DEST_PATH_IMAGE046
为路段。
5.根据权利要求1所述的一种配电网调度与充电协同的鲁棒优化方法，其特征在于，所述以路网运行时间成本、配电网运行成本和配电网负荷峰谷差成本综合最低为优化目标构建协同优化模型，包括：
基于路网和配网的协同优化，以路网运行时间成本、配电网运行成本和配电网负荷峰谷差成本综合最低为优化目标构建协同优化模型，其中，优化目标的表达式为：
Figure 583400DEST_PATH_IMAGE047
，
式中，
Figure 105648DEST_PATH_IMAGE048
为
Figure 414269DEST_PATH_IMAGE010
时段路网运行时间成本，
Figure 629350DEST_PATH_IMAGE049
为
Figure 390633DEST_PATH_IMAGE010
时段配电网运行成本，
Figure 982151DEST_PATH_IMAGE050
为配电网负荷 峰谷差成本，
Figure 643814DEST_PATH_IMAGE051
为
Figure 764217DEST_PATH_IMAGE010
时段路网运行成本系数，T为时间周期。
6.根据权利要求5所述的一种配电网调度与充电协同的鲁棒优化方法，其特征在于，计 算
Figure 543954DEST_PATH_IMAGE010
时段配电网运行成本的表达式为：
Figure 408005DEST_PATH_IMAGE052
，
式中，
Figure 425640DEST_PATH_IMAGE053
为
Figure 982523DEST_PATH_IMAGE010
时段机组出力成本，
Figure 983977DEST_PATH_IMAGE054
为
Figure 651719DEST_PATH_IMAGE010
时段机组启动成本，
Figure 523860DEST_PATH_IMAGE055
为
Figure 750179DEST_PATH_IMAGE010
时段机组停机成本，
Figure 238930DEST_PATH_IMAGE056
为
Figure 444783DEST_PATH_IMAGE010
时段配网网损成本，
Figure 702589DEST_PATH_IMAGE057
为
Figure 601275DEST_PATH_IMAGE010
时段配网节点负荷峰值成本，
Figure 46163DEST_PATH_IMAGE058
为
Figure 321286DEST_PATH_IMAGE010
时段配电网购电 成本，
Figure 433599DEST_PATH_IMAGE059
为
Figure 237607DEST_PATH_IMAGE010
时段配网降碳成本；
计算配电网负荷峰谷差成本的表达式为：
Figure 700949DEST_PATH_IMAGE060
，
式中，
Figure 770578DEST_PATH_IMAGE061
为配网负荷峰谷差的单位惩罚成本，
Figure 737397DEST_PATH_IMAGE062
、
Figure 712306DEST_PATH_IMAGE063
分别为各时段配网总负 荷最大值和各时段配网总负荷最小值。
7.根据权利要求6所述的一种配电网调度与充电协同的鲁棒优化方法，其特征在于，其 中，计算
Figure 662944DEST_PATH_IMAGE010
时段机组出力成本的表达式为：
Figure 14291DEST_PATH_IMAGE064
，
式中，
Figure 835617DEST_PATH_IMAGE065
、
Figure 512586DEST_PATH_IMAGE066
、
Figure 419362DEST_PATH_IMAGE067
均为机组
Figure 10618DEST_PATH_IMAGE068
的成本系数，
Figure 952029DEST_PATH_IMAGE069
为常规机组总数，
Figure 534320DEST_PATH_IMAGE070
为第g台机组
Figure 928392DEST_PATH_IMAGE071
时段的功 率值；
计算
Figure 621542DEST_PATH_IMAGE010
时段机组启动成本和
Figure 683039DEST_PATH_IMAGE010
时段机组停机成本的表达式分别为：
Figure 436231DEST_PATH_IMAGE072
，
Figure 317600DEST_PATH_IMAGE073
，
式中，
Figure 814440DEST_PATH_IMAGE074
为
Figure 963399DEST_PATH_IMAGE010
时段机组
Figure 887493DEST_PATH_IMAGE068
启动动作系数，
Figure 521737DEST_PATH_IMAGE075
为机组
Figure 556689DEST_PATH_IMAGE068
启动动作成本，
Figure 61619DEST_PATH_IMAGE076
为
Figure 422194DEST_PATH_IMAGE010
时段机组
Figure 278154DEST_PATH_IMAGE068
停止动作系数，
Figure 851218DEST_PATH_IMAGE077
为机组
Figure 476234DEST_PATH_IMAGE068
停机动作成本；
计算
Figure 7710DEST_PATH_IMAGE010
时段配网节点负荷峰值成本的表达式为：
Figure 583922DEST_PATH_IMAGE078
，
Figure 491836DEST_PATH_IMAGE079
，
式中，
Figure 971358DEST_PATH_IMAGE080
为
Figure 408156DEST_PATH_IMAGE010
时段配电网节点负荷最大值，
Figure 973130DEST_PATH_IMAGE081
为单位节点负荷峰值惩罚系数，
Figure 153575DEST_PATH_IMAGE082
为
Figure 753184DEST_PATH_IMAGE010
时段配电网节点
Figure 626462DEST_PATH_IMAGE083
的负荷总量，
Figure 678732DEST_PATH_IMAGE084
为
Figure 895824DEST_PATH_IMAGE010
时段节点
Figure 349939DEST_PATH_IMAGE083
的常规负荷，
Figure 394118DEST_PATH_IMAGE085
为
Figure 933684DEST_PATH_IMAGE010
时段DC充电站
Figure 721512DEST_PATH_IMAGE086
接入的配电网节点
Figure 30133DEST_PATH_IMAGE087
的快充负荷总量，
Figure 979635DEST_PATH_IMAGE088
为
Figure 740917DEST_PATH_IMAGE010
时段配网节点
Figure 332436DEST_PATH_IMAGE087
为OD对的慢充终端提供的 慢充功率，J为配电网节总数；
计算
Figure 495564DEST_PATH_IMAGE010
时段配电网购电成本和
Figure 380081DEST_PATH_IMAGE010
时段配网降碳成本的表达式为：
Figure 894239DEST_PATH_IMAGE089
，
Figure 758290DEST_PATH_IMAGE090
，
式中，
Figure 775924DEST_PATH_IMAGE091
为
Figure 598387DEST_PATH_IMAGE092
时段单位购电电价，
Figure 334261DEST_PATH_IMAGE093
为
Figure 2003DEST_PATH_IMAGE092
时段的购电电量，
Figure 139723DEST_PATH_IMAGE094
为
Figure 867508DEST_PATH_IMAGE092
时段弃风弃光单位 惩罚系数，
Figure 90679DEST_PATH_IMAGE095
为
Figure 60647DEST_PATH_IMAGE010
时段弃风弃光量。
8.根据权利要求6所述的一种配电网调度与充电协同的鲁棒优化方法，其特征在于，所述对所述协同优化模型进行深度寻优，包括：
基于自适应谐波混叠微分进化算法对所述协同优化模型进行深度寻优。
CN202211353098.XA 2022-11-01 2022-11-01 一种配电网调度与充电协同的鲁棒优化方法 Active CN115409294B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211353098.XA CN115409294B (zh) 2022-11-01 2022-11-01 一种配电网调度与充电协同的鲁棒优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211353098.XA CN115409294B (zh) 2022-11-01 2022-11-01 一种配电网调度与充电协同的鲁棒优化方法

Publications (2)

Publication Number Publication Date
CN115409294A true CN115409294A (zh) 2022-11-29
CN115409294B CN115409294B (zh) 2023-03-24

Family

ID=84168690

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211353098.XA Active CN115409294B (zh) 2022-11-01 2022-11-01 一种配电网调度与充电协同的鲁棒优化方法

Country Status (1)

Country Link
CN (1) CN115409294B (zh)

Citations (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180075695A1 (en) * 2016-09-15 2018-03-15 Erik Mowery Simpson Implementations of various methods to create economic incentives to directly link users of a social network or social network reality game to actual projects and people within a charity or developing world area
CN108596373A (zh) * 2018-04-09 2018-09-28 燕山大学 一种电-交通耦合网络动态平衡求解方法
CN108764554A (zh) * 2018-05-21 2018-11-06 上海电力学院 一种引导电动汽车有序充电的鲁棒优化方法
CN109299817A (zh) * 2018-09-04 2019-02-01 东北电力大学 兼顾车主响应与电网成本的电动汽车充放电价优化方法
CN110504708A (zh) * 2019-08-09 2019-11-26 国家电网有限公司 计及充电站和分布式电源的配电网多目标协同规划方法
CN110570050A (zh) * 2019-09-25 2019-12-13 国网浙江省电力有限公司经济技术研究院 一种计及路-网-车的电动汽车充电引导方法
CN110705779A (zh) * 2019-09-27 2020-01-17 河海大学 计及交通流时域耦合的电力-交通网多时段协同调度方法
CN110739725A (zh) * 2019-09-27 2020-01-31 上海电力大学 一种配电网优化调度方法
CN111652405A (zh) * 2020-02-20 2020-09-11 贵州电网有限责任公司 一种电动汽车充放电策略和电网侧分时电价的双层优化方法
CN111931331A (zh) * 2020-06-23 2020-11-13 河海大学 一种适用于配电网机组组合的分布鲁棒优化方法
CN112467722A (zh) * 2020-09-30 2021-03-09 国网福建省电力有限公司 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
CN112702401A (zh) * 2020-12-15 2021-04-23 北京邮电大学 一种电力物联网多任务协同分配方法及装置
CN113191520A (zh) * 2020-01-14 2021-07-30 华北电力大学（保定） 一种考虑电动汽车充电负荷的路网优化方法
CN113705962A (zh) * 2021-07-16 2021-11-26 国网江苏省电力有限公司南京供电分公司 一种基于分布鲁棒优化的虚拟电厂日前调度方法
CN114372606A (zh) * 2021-12-06 2022-04-19 上海电力大学 考虑道路交通模型的ev聚合商短时调度和响应激励方法
CN114757507A (zh) * 2022-03-30 2022-07-15 华南理工大学 基于动态区域调度电价的电动汽车v2g调控方法
CN114925523A (zh) * 2022-05-20 2022-08-19 广州羊城通有限公司 一种基于不确定供需的交通用户均衡鲁棒优化方法及系统
CN114943362A (zh) * 2022-03-22 2022-08-26 上海电力大学 一种基于可调分级充电服务费的快充负荷充电引导方法
CN114970191A (zh) * 2022-06-10 2022-08-30 上海交通大学 一种基于势博弈的电网交通系统日前分布鲁棒调度方法
CN115130721A (zh) * 2022-04-28 2022-09-30 国家电网有限公司 一种能源与交通网耦合下电动汽车负荷聚合调控优化方法
CN115204442A (zh) * 2022-04-29 2022-10-18 广东电网有限责任公司广州供电局 一种电网-充电运营商协同运行优化方法及系统

Patent Citations (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180075695A1 (en) * 2016-09-15 2018-03-15 Erik Mowery Simpson Implementations of various methods to create economic incentives to directly link users of a social network or social network reality game to actual projects and people within a charity or developing world area
CN108596373A (zh) * 2018-04-09 2018-09-28 燕山大学 一种电-交通耦合网络动态平衡求解方法
CN108764554A (zh) * 2018-05-21 2018-11-06 上海电力学院 一种引导电动汽车有序充电的鲁棒优化方法
CN109299817A (zh) * 2018-09-04 2019-02-01 东北电力大学 兼顾车主响应与电网成本的电动汽车充放电价优化方法
CN110504708A (zh) * 2019-08-09 2019-11-26 国家电网有限公司 计及充电站和分布式电源的配电网多目标协同规划方法
CN110570050A (zh) * 2019-09-25 2019-12-13 国网浙江省电力有限公司经济技术研究院 一种计及路-网-车的电动汽车充电引导方法
CN110705779A (zh) * 2019-09-27 2020-01-17 河海大学 计及交通流时域耦合的电力-交通网多时段协同调度方法
CN110739725A (zh) * 2019-09-27 2020-01-31 上海电力大学 一种配电网优化调度方法
CN113191520A (zh) * 2020-01-14 2021-07-30 华北电力大学（保定） 一种考虑电动汽车充电负荷的路网优化方法
CN111652405A (zh) * 2020-02-20 2020-09-11 贵州电网有限责任公司 一种电动汽车充放电策略和电网侧分时电价的双层优化方法
CN111931331A (zh) * 2020-06-23 2020-11-13 河海大学 一种适用于配电网机组组合的分布鲁棒优化方法
CN112467722A (zh) * 2020-09-30 2021-03-09 国网福建省电力有限公司 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
CN112702401A (zh) * 2020-12-15 2021-04-23 北京邮电大学 一种电力物联网多任务协同分配方法及装置
CN113705962A (zh) * 2021-07-16 2021-11-26 国网江苏省电力有限公司南京供电分公司 一种基于分布鲁棒优化的虚拟电厂日前调度方法
CN114372606A (zh) * 2021-12-06 2022-04-19 上海电力大学 考虑道路交通模型的ev聚合商短时调度和响应激励方法
CN114943362A (zh) * 2022-03-22 2022-08-26 上海电力大学 一种基于可调分级充电服务费的快充负荷充电引导方法
CN114757507A (zh) * 2022-03-30 2022-07-15 华南理工大学 基于动态区域调度电价的电动汽车v2g调控方法
CN115130721A (zh) * 2022-04-28 2022-09-30 国家电网有限公司 一种能源与交通网耦合下电动汽车负荷聚合调控优化方法
CN115204442A (zh) * 2022-04-29 2022-10-18 广东电网有限责任公司广州供电局 一种电网-充电运营商协同运行优化方法及系统
CN114925523A (zh) * 2022-05-20 2022-08-19 广州羊城通有限公司 一种基于不确定供需的交通用户均衡鲁棒优化方法及系统
CN114970191A (zh) * 2022-06-10 2022-08-30 上海交通大学 一种基于势博弈的电网交通系统日前分布鲁棒调度方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
孙惠娟 等: "基于源荷协同降碳的综合能源系统分布鲁棒经济调度", 《电网技术》 *

Also Published As

Publication number Publication date
CN115409294B (zh) 2023-03-24

Similar Documents

Publication Publication Date Title
Wu et al. A novel fast-charging stations locational planning model for electric bus transit system
Zhang et al. Research on the orderly charging and discharging mechanism of electric vehicles considering travel characteristics and carbon quota
Yang et al. Charging demand analysis framework for electric vehicles considering the bounded rationality behavior of users
Qian et al. Economic optimization and potential analysis of fuel cell vehicle-to-grid (FCV2G) system with large-scale buildings
CN115115268B (zh) 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
CN110189025B (zh) 考虑不同负荷增长的电动汽车充电站规划方案获取方法
CN112183882B (zh) 一种基于电动汽车快充需求的智慧充电站充电优化方法
CN110598904B (zh) 市场环境下考虑可再生能源消纳的车网能量交互优化方法
CN112001598A (zh) 基于储能选型的不同用户储能配置评估与运行优化方法
Tao et al. Data-driven on-demand energy supplement planning for electric vehicles considering multi-charging/swapping services
Aljohani et al. Dynamic real-time pricing structure for electric vehicle charging considering stochastic microgrids energy management system
CN115345451A (zh) 一种基于充电站推荐策略的电动汽车充电引导方法
CN115239032B (zh) 计及能源自洽率的高速公路服务区微电网规划方法及系统
Kumar et al. Charge scheduling framework with multiaggregator collaboration for direct charging and battery swapping station in a coupled distribution‐transportation network
Chakraborty et al. Planning of fast charging infrastructure for electric vehicles in a distribution system and prediction of dynamic price
CN114022046B (zh) 一种考虑交通均衡的综合能源系统优化调度方法
Xia et al. Optimal planning of photovoltaic-storage fast charging station considering electric vehicle charging demand response
CN115204442A (zh) 一种电网-充电运营商协同运行优化方法及系统
Feng et al. EV fast charging station planning considering competition based on stochastic dynamic equilibrium
CN115409294B (zh) 一种配电网调度与充电协同的鲁棒优化方法
CN117091616A (zh) 一种电动汽车充电导航与调度方法
Bai et al. Multi-objective planning for electric vehicle charging stations considering TOU price
Hao et al. Integrated Electric Vehicle Charging Path Planning Considering Traffic Network and Power Grid
CN114862263A (zh) 一种提高可再生能源消纳的多区域物流车队配送管理方法
Pourgholamali et al. Facilitating electric-propulsion of autonomous vehicles through effcient design of a charging-facility network

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
CP01 Change in the name or title of a patent holder
CP01 Change in the name or title of a patent holder

Address after: Room 205, Innovation Building, No. 201 Torch Street, Nanchang High-tech Industrial Development Zone, Nanchang City, Jiangxi Province 330000

Patentee after: Jiangxi Jiangtou Energy Technology Research Co.,Ltd.

Address before: Room 205, Innovation Building, No. 201 Torch Street, Nanchang High-tech Industrial Development Zone, Nanchang City, Jiangxi Province 330000

Patentee before: Jiangxi Jiangtou power technology and Test Research Co.,Ltd.