CN115411756A - 一种基于灰狼算法的光储充电站电动汽车三阶段优化方法 - Google Patents
一种基于灰狼算法的光储充电站电动汽车三阶段优化方法 Download PDFInfo
- Publication number
- CN115411756A CN115411756A CN202211055189.5A CN202211055189A CN115411756A CN 115411756 A CN115411756 A CN 115411756A CN 202211055189 A CN202211055189 A CN 202211055189A CN 115411756 A CN115411756 A CN 115411756A
- Authority
- CN
- China
- Prior art keywords
- charging
- time
- electric
- electric automobile
- power
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000007600 charging Methods 0.000 title claims abstract description 423
- 241000282461 Canis lupus Species 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 36
- 238000005457 optimization Methods 0.000 title claims abstract description 30
- 238000009826 distribution Methods 0.000 claims abstract description 59
- 230000003287 optical effect Effects 0.000 claims abstract description 36
- 230000005611 electricity Effects 0.000 claims abstract description 32
- 238000000342 Monte Carlo simulation Methods 0.000 claims abstract description 15
- 238000004146 energy storage Methods 0.000 claims description 82
- 230000002354 daily effect Effects 0.000 claims description 52
- 238000004088 simulation Methods 0.000 claims description 18
- 238000005265 energy consumption Methods 0.000 claims description 17
- 238000010248 power generation Methods 0.000 claims description 14
- 230000002457 bidirectional effect Effects 0.000 claims description 12
- 238000007599 discharging Methods 0.000 claims description 11
- 238000004378 air conditioning Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 6
- 230000003203 everyday effect Effects 0.000 claims description 4
- 238000010438 heat treatment Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000010521 absorption reaction Methods 0.000 claims description 3
- 230000006399 behavior Effects 0.000 claims description 3
- 238000010277 constant-current charging Methods 0.000 claims description 3
- 238000001816 cooling Methods 0.000 claims description 3
- 239000000463 material Substances 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 239000013589 supplement Substances 0.000 claims description 3
- 230000002277 temperature effect Effects 0.000 claims description 3
- 244000241838 Lycium barbarum Species 0.000 claims 2
- 235000015459 Lycium barbarum Nutrition 0.000 claims 2
- 235000015468 Lycium chinense Nutrition 0.000 claims 2
- 239000000126 substance Substances 0.000 claims 1
- 238000005516 engineering process Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 241000282421 Canidae Species 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000087 stabilizing effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 241000544061 Cuculus canorus Species 0.000 description 1
- 244000207740 Lemna minor Species 0.000 description 1
- 235000006439 Lemna minor Nutrition 0.000 description 1
- 235000001855 Portulaca oleracea Nutrition 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/28—Arrangements for balancing of the load in a network by storage of energy
- H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
-
- 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
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/28—Arrangements for balancing of the load in a network by storage of energy
- H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
- H02J3/322—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means the battery being on-board an electric or hybrid vehicle, e.g. vehicle to grid arrangements [V2G], power aggregation, use of the battery for network load balancing, coordinated or cooperative battery charging
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/381—Dispersed generators
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/22—The renewable source being solar energy
- H02J2300/24—The renewable source being solar energy of photovoltaic origin
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Power Engineering (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (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)
Abstract
本发明公开了一种基于灰狼算法的光储充电站电动汽车三阶段优化方法,首先搭建光储充电站区域系统结构模型;其次利用蒙特卡洛方法对无序充电负荷进行预测;然后结合能量调度模型建立有序充电模型;最后通过灰狼算法计算得到电动汽车起始充电时刻,从而调整电动汽车的充电时段进行有序充电调度。本发明以充电站购电费用最低和配电网峰谷差最小为优化指标,结合搭建的光储充电站能量调度模型,建立有序充电模型,通过灰狼算法求解模型计算得到电动汽车起始充电时刻,从而调整电动汽车的充电时段进行有序充电调度,最终实现光储充电站的经济运行,同时减轻大规模电动汽车充电对配电网的冲击。
Description
技术领域
本发明属于智能电网技术领域,具体涉及一种基于灰狼算法的光储充电站电动汽车三阶段优化方法。
背景技术
随着全球能源短缺和环境恶化问题日益凸显,电动汽车因其高效、环保的特性得到大力推广,根据工信部电动汽车发展研究战略报告[1]指出,到2030年,我国电动汽车的保有量将达到7000万辆[1],如此庞大数量的电动汽车入网势必会给配电网造成极大冲击,导致配电网负荷峰谷差加大[2],配电网线路过载[2]、电压跌落和线路损耗增加[2]等一系列问题。因此,亟需制定相应的电动汽车充电调度策略。
针对电动汽车有序充电问题,国内外专家学者做了大量研究。文献[4]基于分布式控制思想,用拉格朗日松弛法决策各电动汽车的充电计划,旨在获得最大收益。文献[5]基于分时电价构建充电费用最低和开始充电时间最早的优化模型,对电网产生了削峰填谷作用。文献[6]研究了换电站的换电池问题,将电池数量视作控制变量,建立了负荷波动最小的优化调度模型,提出一种改进的布谷鸟算法并求解。
常规电动汽车充电站主要通过区域配电网单独进行供电,目前电网电能最大来源仍然是传统火力发电,电动汽车充电期间产生大量间接碳排放,与传统燃油车相比环保优势并不明显,其次,我国拥有比较丰富的可再生资源,可再生资源发电量大,但利用率低、并网难度大,伴随着可再生资源发电项目的快速发展,建立电动汽车充电站与可再生发电系统的联系,将成为提高可再生资源利用率的直接方式。文献[7]建立了光伏发电全额利用和允许弃光两种情况下的能量优化模型,采用遗传算法求解得到新能源充电站单日最大利润;文献[8]提出一种基于电动汽车充放电功率和网络重构的主动配电网两阶段协调优化调度策略,在满足用户需求的基础上提高新能源消纳能力。文献[9]以总体电网出力曲线峰谷差最小为目标函数,采用粒子群算法计算考虑电动汽车有序充电的光储充电站储能容量最优解。该控制策略实现了削峰填谷,并为光储能充电站的容量配置提供了参考。
文献[4]、文献[5]和文献[6]三篇文献都是建立在传统充电站模式内对电动汽车的充电调度,传统充电站并没有与光伏、风电等新能源进行结合,调度策略是根据峰谷分时电价的变化范围,利用优化算法计算得到峰谷电价的最优值,然后通过价格弹性矩阵将电动汽车的充电负荷由高峰时段转移到低谷时段,最终实现对电动汽车的充电调度。这种方式虽然实现了平抑电网负荷波动的目标,但建立的优化模型都是单目标模型,只考虑了电动汽车用户的利益。其次,并未考虑对可再生能源的利用,与传统即来即充的充电方式相比,并没有将电动汽车的环保优势充分体现。
文献[7]、文献[8]和文献[9]均搭建起光储充电站模型,但采取的可间断充电方式,尽管能提升车辆的充电灵活性,但频繁的通断电会缩短电池的使用寿命,一定程度降低了用户参与调度的积极性。
[1]胡泽春,宋永华,刘辉.电动汽车与电网互动的调控策略[M].北京:科学出版社,2019.
[2]高赐威,张亮.电动汽车充电对电网影响的综述[J].电网技术35(2),127-131.
[3]RAGHVAN S S,KHALIGH A.Electrification potential factor:Energy-based value proposition analysis of plug-in hybrid electric vahicles[J].IEEETransactions on Vehicular Technology,2012,619(3):1052-1059.
[4]胡泽春,宋永华,徐智威,等.电动汽车接入电网的影响与利用[J].中国电机工程学报,2012,32(4):1-10.
[5]黄敏丽,于艾清.基于改进布谷鸟算法的电动汽车换电站有序充电策略研究[J].中国电机工程学报,2018,38(4):1075-1083.
[6]罗玉玲,渠砚青,陈超波,等..考虑车主响应度的峰谷电价时段优化模型研究[J].电工技术.2022(4):71-75.
[7]欧名勇,陈仲伟,谭玉东,等..基于峰谷分时电价引导下的电动汽车充电负荷优化[J].电力科学与技术学报,2020,35(05):54-59.
[8]吴杰,温晨阳,李珊,等.基于分时电价的光伏-储能系统容量优化配置[J].电工电能新技术,2018,37(1):23-30.
[9]段俊东,李高尚,李一石,等.考虑风电消纳的电动汽车充电站有序充电控制[J].储能科学与技术,2021,10(02):630-637.
[10]李景丽,时永凯,张琳娟,等.考虑电动汽车有序充电的光储充电站储能容量优化策略[J].电力系统保护与控制,2021,49(07):94-102.
[11]熊小萍,林光阳,郝邵磊,等.计及温度与交通影响的电动汽车充电负荷预测[J].电工技术,2021(14):73-76.
[12]张曦予,李秋硕,陶顺,等.电动公交车充电站功率需求影响因素分析及建模[J],现代电力,2014,31(1):28-33.
[13]宋媛媛.基于行驶工况的纯电动汽车能耗建模及续驶里程估算法研究[D].北京:北京交通大学,2014.
[14]王震坡,孙逢春.电动汽车能耗分配及影响因素分析[j].北京理工大学学报,2004(4):306-310.
发明内容
基于上述分析,本发明提出一种基于灰狼算法的光储充电站电动汽车三阶段优化方法。首先,考虑电动汽车充电与光伏发电的潜在契合性,搭建光储充电站区域系统结构模型,其次,根据美国安全管理局(NHTS)对全美私家车的调查统计,研究电动汽车用户出行规律,结合温度与交通因素,利用蒙特卡洛方法对无序充电负荷进行预测。然后,搭建光储充电站能量调度模型,结合以充电站购电费用最低和配电网峰谷差最小为优化指标的优化调度模型,建立有序充电模型,通过灰狼算法计算得到电动汽车起始充电时刻,从而调整电动汽车的充电时段进行有序充电调度,最终实现光储充电站的经济运行,同时减轻大规模电动汽车充电对配电网的冲击。
本发明主要用到两个方法,一个是预测无序充电模式下电动汽车充电负荷时用到的蒙特卡洛方法,另一个是对电动汽车有序充电调度时用到的灰狼算法。
一种基于灰狼算法的光储充电站电动汽车三阶段优化方法,步骤如下:
步骤(1)、考虑电动汽车充电与光伏发电的潜在契合性,搭建光储充电站区域系统结构模型;
步骤(2)、获取温度影响下的实际电池容量和每公里耗电量,抽取电动汽车起始充电时刻和日行程里程,利用蒙特卡洛方法对无序充电负荷进行预测;
步骤(3)、搭建光储充电站能量调度模型,结合以充电站购电费用最低和配电网峰谷差最小为优化指标的优化调度模型,建立有序充电模型;
步骤(4)、通过灰狼算法计算得到电动汽车起始充电时刻,从而调整电动汽车的充电时段进行有序充电调度。
进一步的,步骤(1)具体方法如下;
光储充电站区域系统采用基于直流母线的并网方式。
光储充电站区域系统包括:光伏阵列、储能蓄电池组、直流母线、DC/DC变换器、AC/DC逆变器、DC/AC双向逆变器、控制中心和充电桩。
光储充电站通过配电网、电动汽车与储能蓄电池组的协调配合进行能量调度,实现对光伏的消纳和不间断为电能动汽车负荷供电。控制中心控制DC/DC变换器,使光伏阵列始终保证以最大功率输出,提高光伏利用率;光伏阵列发出的直流电经DC/AC逆变器优先向电动汽车供电,多余电能储存在储能蓄电池组中或反送给配电网。控制中心根据储能蓄电池组的实时状态,决定蓄电池充放电状态和充放电功率的大小。光伏组件和蓄电池分别经过DC/DC变换器接入直流母线,再经过DC/AC双向逆变器并入配电网。当光伏系统输出功率时,DC/AC双向逆变器将直流变为交流;当光伏系统从配电网给蓄电池充电时,DC/AC双向逆变器将交流变为直流。
进一步的,步骤(2)具体方法如下;
电动汽车充电负荷受电动汽车数量、充电方式、充电功率、充电效率、日行程里程、每公里耗电量以及温度的影响。
2.1温度影响;
温度因素会对电动汽车电池产生影响,在不同温度下,电池的性能也会发生变化。取25℃为电池标准容量下的温度,得到不同温度下电池容量如式(1):
ET=ZTE25 (1)
其中,ZT表示温度为T时的电池容量相对百分数,ET表示温度为T时的电池容量,E25表示25℃时的电池容量。
随着温度的升高,空调开启的概率不断增大,30℃时,空调开启的概率为35.7%,当温度高于32.3℃时,空调一定会被开启。
在不同温度下,空调系统的耗电量为如式(2)所示。
其中,KT表示温度为T时空调的耗电量,Wac为空调制冷/制热功率,pac表示空调开启的概率,L为电动汽车的行驶距离,Vre表示电动汽车的实际行驶速度。
2.2交通指数影响;
道路的拥挤情况会对电动汽车的行驶速度产生影响,不同行驶速度的电动汽车,消耗的电能也会有所区别。利用交通指数能够有效反映道路拥挤情况对行驶速度的影响[12],对交通指数与耗时系数进行线性化处理,得到交通指数与耗电系数的关系,如公式(3),耗电系数主要影响行驶时间,根据速度距离公式,得到耗电系数与实际行驶速度近似呈现反比例关系,如公式(5),最后,推导出电动汽车实际行驶速度与理想行驶速度和交通指数的关系[11]:
市区内道路分为快速路、主干路、次干路和支路,四种道路的密度比例为2:4:6:15,因此得到电动汽车在四种道路上行驶的概率分别为7.4%、14.8%、22.2%、55.6%。
道路类型不同,电动汽车的行驶速度也不同,以平均速度为参考,电动汽车在为快速路、主干路、次干路和支路上的平局速度分别为80、60、40、30km/h。
电动汽车在不同类型道路上行驶所消耗的能量也会有所区别,以单位里程能耗为参考,电动汽车在不同类型道路上行驶时,电动汽车的单位里程能耗计算公式如下。
快速路:ECF=0.247+1.520/Vre-0.004Vre+2.992×10-5Vre
主干路:ECF=-0.179+0.004Vre+5.492/Vre
次干路:ECF=0.21-0.001Vre+1.531/VTPI
支路:ECF=0.208-0.00182Vre+1.553/VTPI
电动汽车单位里程能耗与整车质量呈线性关系,得到整车质量为M的电动汽车的单位里程能耗为:
式中,Mc表示参考电动汽车的质量,单位为kg,M表示实际电动汽车的质量,单位为kg,最终得到交通因素影响下的消耗的电能为:
KL=EFCTL (8)
其中,KL表示行驶距离为L时的耗电量。
2.3电动汽车出行特性影响;
私家车日行程里程满足对数正态分布,每日出发时刻和每日行程结束时刻分别满足不同的分段正态分布,由于家用电动汽车在使用功能方面与普通私家车相同,因此认为电动汽车出行规律与私家车相同,选取私家车的出行规律作为分析素材。
2.3.1充电方式;
采用“恒温恒流”的充电方式,保证在充电过程中充电功率恒定。
2.3.2每日出行时刻;
首先获取电动汽车每日出发时间的概率分布,得到用户行程出发时刻概率密度函数为:
式中,ts表示用户每日出发时刻,μST和σST分别代表上述概率密度函数的期望和标准差,μST=7.4,σST=3.5。
2.3.3起始充电时间
无序充电模式下,假定电动汽车每日行程结束时立即充电,即行程结束时刻为电动汽车开始充电时刻,电动汽车每日起始充电时刻概率密度函数如下式,因此得到电动汽车起始充电时刻概率密度曲线。
式中,tr表示用户每日返回时刻,μRT和σRT分别代表上述概率密度函数的期望和标准差,μRT=17.6,σRT=3.4。
2.3.4日行程里程;
车辆日行驶里程近似满足对数正态分布,里程值具有一定的聚集性,其概率密度函数如下式所示。
式中,l表示用户的日行程里程,μL和σL分别代表上述概率密度函数的期望和标准差,μL=3.2,σL=0.88。
2.4充电负荷建模;
得到起始充电时刻的荷电状态为:
式中,ET表示电池电量,Soc表示电动汽车起始充电时刻的荷电状态。
假定每次充电都将电动汽车充满,则单辆电动汽车的充电时长为:
其中,Pev表示电动汽车充电功率,ηev表示充电效率,取0.9.
那么电动汽车无序充电总负荷可由单辆电动汽车充电负荷叠加得到,公式如式(14)所示。
式中,Pev(t)表示t时刻电动汽车无序充电总负荷,Nev表示电动汽车的数量,Pevi(t)表示t时刻第i辆电动汽车无序充电的负荷。
2.4.1利用蒙特卡洛方法随机抽取大量电动汽车出行行为,预测得到电动汽车充电负荷,得到不同数量电动汽车在无序状态下的充电需求。
进一步的,步骤(3)具体方法如下;
3.1能量调度模型;
未配备储能设备时,光伏充电站的调度策略为,光伏发电系统为电动汽车提供电能,当光伏出力大于充电负荷时,多余电能返送回配电网;当光伏出力小于充电负荷时,由配电网补充电能。配置储能设备时,根据光伏出力、分时电价及负荷分布情况对一天进行时段划分,不同时段采用相应的调度策略。由于电价变化与负荷特性相适应,因此根据分时电价和光伏出力将一天划分为0:00-06:00、06:00-18:00和18:00-24:00三个时段。
第一时段(00:00-06:00),电价位于低谷时段且无光伏出力,此时段储能设备处于低电量状态,只进行充电,电动汽车的充电需求由电网满足。第二阶段(06:00-18:00),白天有光伏出力且电价为非低谷时段,当光伏出力大于充电负荷时,在保障充电负荷的基础上由光伏向储能设备供电:当光伏出力小于充电负荷时,优先由储能设备向负荷供电,当储能设备的荷电状态到达最大放电深度时且电价处于非峰时段时由电网向储能设备供电。第三阶段(18:00-24:00),夜晚负荷高峰且无光伏出力阶段,此时段优先由储能设备向充电负荷供电,当储能设备无法满足充电需求时,由电网补充。当储能电池组的荷电状态到达最大放电深度时由电网补充。
3.2目标函数;
3.2.1充电站购电费用最低:
其中,F1表示第一个目标函数,即充电站购电费用最低,Pbus(t)表示t时刻光储充电站直流母线总出力。π(t)表示t时刻光储充电站从电网的购电电价。
F2=min[max(Pg(t))-min(Pg(t))] (16)
Pg(t)=Pbasic(t)+Pbus(t) (17)
其中,F2表示第二个目标函数,即区域负荷峰谷差最小,Pg(t)表示时刻区域配电网线路总出力;Pbasic(t)表示时刻区域常规用电负荷。
3.3约束条件;
3.3.1功率平衡约束:
Ppv(t)+Pg(t)=Pev(t)+Pbasic(t)+Pbat(t)(18)
其中,Pbat(t)表示t时刻储能电池组的充放电功率,充电时为正值,放电时为负值,Ppv(t)表示t时刻光伏出力,Pev(t)表示t时刻电动汽车充电总负荷。
3.3.2储能电池组充放电功率约束:
储能蓄电池组的充放电功率受蓄电池容量影响。选择储能蓄电池最大充放电功率为储能电池组额定容量20%,则最大充放电功率为:
H表示充放电前后的时间间隔,数值为1,单位为h。Sbat表示储能电池组的容量。
3.3.3储能电池组荷电状态约束:
充电时:
放电时:
100%-D≤Socbat(t)≤100% (23)
其中,Socbat(t)表示t时刻储能电池组的荷电状态。Pbat(t)表示储能电池组的充放电功率,充电时为正值,放电时为负值。H表示充放电前后的时间间隔,数值为1,单位为h。D表示储能电池组的最大放电深度,取80%。
3.3.4始充电时刻约束:
无序充电采用即来即充的充电方式,而有序充电与无序充电的不同之处在于,有序充电在满足用户出行需求的前提下对充电时段进行调整,即有序充电的起始充电时刻可能与每日行程结束时刻不同。以第二天出行开始时刻作为最晚充电结束时刻,假设电动汽车以充满电为目的,那么有序充电模式下,电动汽车的最晚起始充电时刻为:
tl=td+24-Tc (24)
式中,tl表示电动汽车最晚起始充电时刻,td表示电动汽车每日出行时刻,Tc表示充电时长,而有序充电时每辆电动汽车与无序充电时出行特性一样,充电时长也没有差异。因此有序充电时每辆电动汽车起始充电时刻满足式:
tr<ts<tl (25)
式中,ts表示有序充电时电动汽车实际开始充电时刻,表示无序充电时电动汽车的开始充电时刻。
进一步的,蒙特卡洛方法预测充电负荷的具体步骤如下:
1)初始化电动私家车数量、电动汽车电池容量、充电功率和仿真次数这些参数;
2)获取温度影响下的实际电动汽车电池容量和温度交通因素影响下的电动汽车每公里耗电量;
3)随机抽取单辆电动汽车起始充电时刻和日行程里程,设定电动汽车充电至满电状态,计算电动汽车充电时长,进而得出电动汽车充电结束时刻;
4)由单辆电动汽车的起始充电时刻、结束充电时刻和充电功率得到单辆电动汽车的充电需求(即充电负荷),单辆电动汽车充电负荷迭代叠加得到一天中所有电动汽车的充电负荷,如下式。为第m次仿真t时刻光储充电站所有电动汽车充电负荷,单位为kW;N为电动汽车数量,单位为辆;1440表示将24h划分为1440min;Pevi(t)表示t时刻第i辆电动汽车充电负荷,单位为kW;
5)将每次仿真得到的充电负荷累加,仿真结束时得到总充电负荷,计算每次仿真的电动汽车充电负荷平均值作为充电负荷曲线,如下式。
式中:M为仿真总次数;Pev(t)为仿真结束得到的一天中t时刻的电动汽车充电负荷,单位为kW。
进一步的,灰狼算法对有序充电调度(调整电动汽车起始充电时间)的具体步骤如下:
1)初始化储能设备参数、光伏出力、电动汽车参数及无序充电负荷;
2)设置最大种群数量M,迭代次数S,初始化迭代次数s=1。
3)初始化灰狼种群,计算灰狼个体的适应度,α,β、δ三种狼的位置更新为适应度最好的三匹狼的位置。
4)更新灰狼种群中全部灰狼的位置以及参数A和C,不断迭代,更新α,β和δ的位置及适应度,直至最大迭代次数。
5)输出α狼的位置即为调整后的电动汽车起始充电时刻。
本发明有益效果如下:
搭建光储充电站系统结构模型,将光伏发电、储能设备与充电站三方结合接入电网,实现对光伏的消纳,并将新能源纳入常规充电站,充分体现电动汽车的环保特性。
无序充电模式下,预测电动汽车充电负荷时,将温度和交通因素考虑在内,使得到电动汽车充电负荷曲线更为准确。
有序充电调度时,首先建立能量调度模型,根据峰谷电价信息和光伏出力曲线变化,将一天划分为三个阶段,在每个阶段采取相应的能量调度策略。这种方式可以实现对白天光伏的充分利用,同时可以起到一定的平抑充电负荷曲线的作用。
以充电站购电费用最低和配电网峰谷差最小为优化指标,建立有序充电模型,通过灰狼算法求解模型计算得到电动汽车起始充电时刻,从而调整电动汽车的充电时段进行有序充电调度,实现负荷曲线的削峰填谷。
附图说明
图1光储充电站系统结构图;
图2空调启动概率;
图3每日出行时刻概率分布;
图4开始充电时刻概率分布;
图5日行程里程概率分布;
图6电动汽车充电负荷计算流程图;
图7不同数量电动汽车的充电负荷;
图8不同数量电动汽车对电网的影响;
图9灰狼算法流程图;
图10典型日光伏出力;
图11充电站一天内电动汽车无序充电负荷曲线;
图12三种模式下区域负荷曲线。
具体实施方式
以下结合附图与实施例对本发明技术方案进行进一步描述
建立能量调度模型,根据峰谷电价信息和光伏出力曲线变化,将一天划分为三个阶段,在每个阶段采取相应的能量调度策略。
以充电站购电费用最低和配电网峰谷差最小为优化指标,建立有序充电模型,通过灰狼算法求解模型计算得到电动汽车起始充电时刻,从而调整电动汽车的充电时段进行有序充电调度。
步骤(1)、考虑电动汽车充电与光伏发电的潜在契合性,搭建光储充电站区域系统结构模型;
光储充电站区域系统结构如图1所示。该系统采用基于直流母线的并网方式,这种并网方式不仅具有扩容方便、控制简单的优点,同时可以减少逆变器台数,降低损耗。基于直流母线的并网方式已被广泛应用于中小型光伏发电系统中。
光储充电站区域系统包括:光伏阵列、储能蓄电池组、直流母线、DC/DC变换器、AC/DC逆变器、DC/AC双向逆变器、控制中心和充电桩。
光储充电站通过配电网、电动汽车与储能蓄电池组的协调配合进行能量调度,实现对光伏的消纳和不间断为电能动汽车负荷供电。控制中心控制DC/DC变换器,使光伏阵列始终保证以最大功率输出,提高光伏利用率;光伏阵列发出的直流电经DC/AC逆变器优先向电动汽车供电,多余电能储存在储能蓄电池组中或反送给配电网。控制中心根据储能蓄电池组的实时状态,决定蓄电池充放电状态和充放电功率的大小。光伏组件和蓄电池分别经过DC/DC变换器接入直流母线,再经过DC/AC双向逆变器并入配电网。当光伏系统输出功率时,DC/AC双向逆变器将直流变为交流;当光伏系统从配电网给蓄电池充电时,DC/AC双向逆变器将交流变为直流。
步骤(2)、获取温度影响下的实际电池容量和每公里耗电量,抽取电动汽车起始充电时刻和日行程里程,利用蒙特卡洛方法对无序充电负荷进行预测;
电动汽车充电具有随机性,对电动汽车充电负荷的准确预测是使其参与配电网能量优化调度的基础。其中,电动汽车充电负荷受电动汽车数量、充电方式、充电功率、充电效率、日行程里程、每公里耗电量以及温度的影响。
目前,我国电动汽车的推广仍处于初级阶段,电动汽车的保有量还较少,针对电动汽车充电负荷的计算,之前的文献多数是根据用户出行规律进行预测,而本文在此基础结合温度及交通因素得到更为准确地充电负荷曲线。
2.1温度影响;
温度因素会对电动汽车电池产生影响,在不同温度下,电池的性能也会发生变化。现阶段,我国电动汽车搭载的电池主要为:LiFePO,文献分析了电池在不同温度下容量的变化,取25℃为电池标准容量下的温度,得到不同温度下电池容量如式(1):
ET=ZTE25 (1)
其中,ZT表示温度为T时的电池容量相对百分数,ET表示温度为T时的电池容量,E25表示25℃时的电池容量。
电动汽车空调系统能耗是由电池供应的,而空调系统开启的概率与温度密切相关,根据文献[11]得到不同温度下空调开启的概率,如图2所示。
由图2可知,随着温度的升高,空调开启的概率不断增大,30℃时,空调开启的概率为35.7%,当温度高于32.3℃时,空调一定会被开启。
本文选取“特斯拉ModelX”为研究对象,空调的制冷功率为
1.5KW,制热功率为2.5KW,因此,在不同温度下,空调系统的耗电量为如式(2)所示。
其中,KT表示温度为T时空调的耗电量,Wac为空调制冷/制热功率,pac表示空调开启的概率,L为电动汽车的行驶距离,Vre表示电动汽车的实际行驶速度。
2.2交通指数影响;
道路的拥挤情况会对电动汽车的行驶速度产生影响,不同行驶速度的电动汽车,消耗的电能也会有所区别。利用交通指数能够有效反映道路拥挤情况对行驶速度的影响[12],对交通指数与耗时系数进行线性化处理,得到交通指数与耗电系数的关系,如公式(3),耗电系数主要影响行驶时间,根据速度距离公式,得到耗电系数与实际行驶速度近似呈现反比例关系,如公式(5),最后,推导出电动汽车实际行驶速度与理想行驶速度和交通指数的关系[11]:
由《城市道路交通规划设计规范》可知,在我国大于300万人口的大城市中,市区内道路分为快速路、主干路、次干路和支路,四种道路的密度比例为2:4:6:15,因此得到电动汽车在四种道路上行驶的概率如表1。
表1四种类型道路上的行驶概率
道路类型不同,电动汽车的行驶速度也不同,本文以平均速度为参考,由《城市道路交通规划设计规范》可知,电动汽车在不同类型道路上的平局速度如表2。
表2四种类型道路上的行驶速度
电动汽车在不同类型道路上行驶所消耗的能量也会有所区别,本文以单位里程能耗为参考,根据文献[13]可知质量为Mc的电动汽车在不同类型道路上行驶时,电动汽车的单位里程能耗如表3。
表3四种类型道路上行驶的单位里程能耗
文献[14]指出,电动汽车单位里程能耗与整车质量呈线性关系,而文献[13]中所研究车辆的质量为1630kg,而“特斯拉ModelX”的整车质量为1836kg,因此可得到“特斯拉ModelX”的单位里程能耗为:
ECFT=1.16ECF (7)
从而得到交通因素影响下的消耗的电能为:
KL=EFCTL (8)
其中,KL表示行驶距离为L时的耗电量。
2.3电动汽车出行特性影响;
根据美国安全管理局(NHTS)对全美私家车的调查统计[15],私家车日行程里程满足对数正态分布,每日出发时刻和每日行程结束时刻分别满足不同的分段正态分布,由于家用电动汽车在使用功能方面与普通私家车相同,因此认为电动汽车出行规律与私家车相同,选取私家车的出行规律作为分析素材。
2.3.1充电方式;
目前,电动汽车充电主要采用快充模式和常规慢充模式。快充模式下充电桩充电功率较大,快速充电的大电压和大电流会给电网带来一定程度的冲击,也会对电动汽车电池寿命造成影响;常规慢充模式下充电电流小,充电功率小,对电网负荷冲击小。根据动力电池的充放电特性,电动汽车常规充电方式下充电过程主要处在恒功率阶段,其充电开始和结束阶段暂时忽略,因此本文考虑在常规充电模式下采用“恒温恒流”的充电方式,保证在充电过程中充电功率恒定。
2.3.2每日出行时刻;
电动私家车用户出行规律主要受日常生活习惯和出行习惯的影响,首先得到电动汽车每日出发时间的概率分布如图3所示。
用户行程出发时刻概率密度函数为:
式中,ts表示用户每日出发时刻,μST和σST分别代表上述概率密度函数的期望和标准差,μST=7.4,σST=3.5。
2.3.3起始充电时间;
无序充电模式下,假定电动汽车每日行程结束时立即充电,即行程结束时刻为电动汽车开始充电时刻,电动汽车每日起始充电时刻概率密度函数如下式,因此得到电动汽车起始充电时刻概率密度曲线如图4所示。
式中,tr表示用户每日返回时刻,μRT和σRT分别代表上述概率密度函数的期望和标准差,μRT=17.6,σRT=3.4。
根据图4概率分布曲线能够看出,电动汽车每天开始充电的高峰时段处于晚上6点-7点左右,符合用户晚上下班回家立即充电的习惯。
2.3.4日行程里程;
根据调查数据显示,车辆日行驶里程近似满足对数正态分布,里程值具有一定的聚集性,其概率密度函数如下式所示,概率分布如图5所示。
式中,l表示用户的日行程里程,μL和σL分别代表上述概率密度函数的期望和标准差,μL=3.2,σL=0.88。
2.4充电负荷建模;
本发明选夏季某典型日作为参考,室外温度为35℃,根据文献[11]可知,夏季的交通指数为5.57,因此可得到起始充电时刻的荷电状态为:
式中,ET表示电池电量,Soc表示电动汽车起始充电时刻的荷电状态。
假定每次充电都将电动汽车充满,则单辆电动汽车的充电时长为:
其中,Pev表示电动汽车充电功率,ηev表示充电效率,取0.9.
那么电动汽车无序充电总负荷可由单辆电动汽车充电负荷叠加得到,公式如式(14)所示。
式中,Pev(t)表示t时刻电动汽车无序充电总负荷,Nev表示电动汽车的数量,Pevi(t)表示t时刻第i辆电动汽车无序充电的负荷。
2.4.1充电方式蒙特卡洛模拟法;
蒙特卡洛方法基于概率和统计理论中的大数定律,是一种使用随机数解决问题的数值计算方法[10]。假设在无序充电状态下,电动汽车的充电方式、充电功率和充电时间不受其他因素干扰且相互独立,虽然单辆电动汽车的出行特性难以预测,但分析大规模汽车出行规律,可以得到规模化电动汽车的出行特性与一定的概率模型相联系,因此利用蒙特卡洛方法随机抽取大量电动汽车出行行为,预测得到电动汽车充电负荷,电动汽车充电负荷预测流程如图6所示。
具体步骤如下:
1)获取电动汽车相关参数(包括电池容量、充电功率、充电效率和充电方式),获取温度因素和交通指数,从而能够得到温度影响下的实际电池容量和温度交通因素影响下的每公里耗电量。
2)初始化电动汽车数量和仿真次数,设置总仿真系数为M,电动汽车总量为N。
3)随机抽取单辆电动汽车的起始充电时刻和日行程里程,设定电动汽车充电至满电状态,计算单辆电动汽车的充电时长,进而得到电动汽车结束充电时刻和单辆电动汽车充电负荷。
4)将N辆电动汽车的充电负荷进行叠加,即可得到一天内所有电动汽车的充电负荷。
5)重复执行步骤(3)和步骤(4),直至达到最大迭代次数M,将每次仿真得到的充电负荷进行累加得到总充电负荷,将总充电负荷除以迭代次数得到的充电负荷平均值作为无序模式下充电负荷曲线。
基于蒙特卡洛模拟法,得到不同数量电动汽车在无序状态下的充电需求,如图7所示,同样可以得到不同数量电动汽车无序充电给配电网带来的影响,如图8所示。可以看出,随着电动汽车数量增加,配电网负荷曲线峰值不断增大,造成“峰上加峰”现象,因此需要制定相应的调度策略对电动汽车充电进行优化。
步骤(3)、搭建光储充电站能量调度模型,结合以充电站购电费用最低和配电网峰谷差最小为优化指标的优化调度模型,建立有序充电模型;
3.1能量调度模型;
未配备储能设备时,光伏充电站的调度策略为,光伏发电系统为电动汽车提供电能,当光伏出力大于充电负荷时,多余电能返送回配电网;当光伏出力小于充电负荷时,由配电网补充电能。配置储能设备时,根据光伏出力、分时电价及负荷分布情况对一天进行时段划分,不同时段采用相应的调度策略。分时电价如表4所示,由于电价变化与负荷特性相适应,因此根据分时电价和光伏出力将一天划分为0:00-06:00、06:00-18:00和18:00-24:00三个时段。
第一时段(00:00-06:00),电价位于低谷时段且无光伏出力,此时段储能设备处于低电量状态,只进行充电,电动汽车的充电需求由电网满足。第二阶段(06:00-18:00),白天有光伏出力且电价为非低谷时段,当光伏出力大于充电负荷时,在保障充电负荷的基础上由光伏向储能设备供电:当光伏出力小于充电负荷时,优先由储能设备向负荷供电,当储能设备的荷电状态到达最大放电深度时且电价处于非峰时段时由电网向储能设备供电。第三阶段(18:00-24:00),夜晚负荷高峰且无光伏出力阶段,此时段优先由储能设备向充电负荷供电,当储能设备无法满足充电需求时,由电网补充。当储能电池组的荷电状态到达最大放电深度时由电网补充。
表4峰谷平分时电价
3.2目标函数;
3.2.1充电站购电费用最低:
其中,F1表示第一个目标函数,即充电站购电费用最低,Pbus(t)表示t时刻光储充电站直流母线总出力。π(t)表示t时刻光储充电站从电网的购电电价。
F2=min[max(Pg(t))-min(Pg(t))] (16)
Pg(t)=Pbasic(t)+Pbus(t) (17)
其中,F2表示第二个目标函数,即区域负荷峰谷差最小,Pg(t)表示时刻区域配电网线路总出力;Pbasic(t)表示时刻区域常规用电负荷。
3.3约束条件;
3.3.1功率平衡约束:
Ppv(t)+Pg(t)=Pev(t)+Pbasic(t)+Pbat(t) (18)
其中,Pbat(t)表示t时刻储能电池组的充放电功率,充电时为正值,放电时为负值,Ppv(t)表示t时刻光伏出力,Pev(t)表示t时刻电动汽车充电总负荷。
3.3.2储能电池组充放电功率约束:
储能蓄电池组的充放电功率受蓄电池容量影响。根据文献[10],选择储能蓄电池最大充放电功率为储能电池组额定容量20%,则最大充放电功率为:
H表示充放电前后的时间间隔,数值为1,单位为h。Sbat表示储能电池组的容量。
3.3.3储能电池组荷电状态约束:
充电时:
放电时:
100%-D≤Socbat(t)≤100% (23)
其中,Socbat(t)表示t时刻储能电池组的荷电状态。Pbat(t)表示储能电池组的充放电功率,充电时为正值,放电时为负值。H表示充放电前后的时间间隔,数值为1,单位为h。D表示储能电池组的最大放电深度,取80%。
3.3.4始充电时刻约束:
无序充电采用即来即充的充电方式,而有序充电与无序充电的不同之处在于,有序充电在满足用户出行需求的前提下对充电时段进行调整,即有序充电的起始充电时刻可能与每日行程结束时刻不同。以第二天出行开始时刻作为最晚充电结束时刻,假设电动汽车以充满电为目的,那么有序充电模式下,电动汽车的最晚起始充电时刻为:
tl=td+24-Tc (24)
式中,tl表示电动汽车最晚起始充电时刻,td表示电动汽车每日出行时刻,Tc表示充电时长,而有序充电时每辆电动汽车与无序充电时出行特性一样,充电时长也没有差异。因此有序充电时每辆电动汽车起始充电时刻满足式:
tr<ts<tl (25)
式中,ts表示有序充电时电动汽车实际开始充电时刻,表示无序充电时电动汽车的开始充电时刻。
步骤(4)、通过灰狼算法计算得到电动汽车起始充电时刻,从而调整电动汽车的充电时段进行有序充电调度。
灰狼优化算法(GWO)由澳大利亚格里菲斯大学学者于2014年提出来的一种群智能优化算法。该算法受到了灰狼捕食猎物活动的启发而开发的一种优化搜索方法,它具有较强的收敛性能、参数少、易实现等特点。结合本课题得到灰狼算法流程图如图9所示。
具体步骤如下:
1)初始化储能设备参数(包括储能电池组容量、充放电功率、充放电效率和最大放电深度)、光伏出力、电动汽车参数及无序充电负荷:
2)设置最大种群数量M,迭代次数S,初始化迭代次数s=1:
3)初始化灰狼种群和狼群迭代参数A和C,计算灰狼个体的适应度,α,β、δ三种狼的位置更新为适应度最好的三匹狼的位置:
4)更新灰狼种群中全部灰狼的位置以及参数A和C,不断迭代,更新α,β和δ的位置及适应度,直至最大迭代次数:
5)输出α狼的位置即为调整后的电动汽车起始充电时刻。
具体实施例
参数设置:
本发明所研究的光储充电站位于居民区内,充电站服务的对象主要为居民私家电动汽车,其中基础负荷为某区域夏季典型日负荷曲线,储能设备的容量为600kw,参与充电调度的电动汽车规模为300辆,电动汽车动力电池性能和容量因车而异。本文所选车型为“特斯拉ModelX”,电池容量为78.4kwh,常规充电模式下充电功率为8.7kw,每日出发时刻满足N(7.4,3.5),日行程里程满足N(3.2,0.88),无序充电时每日出行结束时刻即为开始充电时刻满足N(17.6,3.4),并且假设电动汽车每天只充一次电且每次充电都充至满电量,充电效率均为90%。
本发明选取区域内夏季某典型日,室外温度为35℃,交通指数为5.57,典型日光伏出力如图10所示,全天中06:00—19:00有阳光。
结果分析:
利用蒙特卡洛方法对充电站一天内300辆电动汽车的充电负荷进行预测,仿真预测结果如图10所示。无序充电模式下,电动汽车的充电负荷主要集中于17:00-24:00,在晚间20:00时达到负荷顶峰,峰值为724kw,仿真预测结果与实际充电负荷变化基本相同。
利用灰狼算法调整300辆电动汽车起始充电时刻计算得到有序充电时区域总体负荷曲线,并与无储能无序充电、有储能无序充电两种模式得到的区域负荷曲线进行对比,得到如图11所示的仿真结果。有储能无序充电和有储能有序充电两种模式相比无储能无序充电区域负荷峰谷差分别下降了23.98%和37.83%,结果表明:光储充电站通过制定能量调度策略和调控电动汽车充电时间都能有效的降低区域负荷峰谷差,两种方式相结合比单独使用能量调度策略效果更加明显。与此同时,储能设备也起到了消纳日间光伏出力,保障充电站夜间正常运营的作用。
表5展示了三种模式下的区域负荷峰谷差和充电站购电费用,结果表明:无储能无序充电模式由于无法充分利用日间光伏出力,因此区域负荷峰谷差较大并且充电费用较高。当配备储能设备并采用能量调度策略时,即有储能无序充电模式下,促进了对日间光伏的消纳,负荷峰谷差和充电站购电费用都有明显下降。与有储能无序充电模式相比,有储能有序充电通过灰狼算法计算得到电动汽车起始充电时刻,使电动汽车在满足充电需求得前提下调整充电时间,不仅起到了“削峰填谷”的作用,并且大幅减少了充电站的购电费用,促进了充电站的经济运营。图12为三种模式下区域负荷曲线。
表5三种充电模式对比
以上内容是结合具体/优选的实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员,在不脱离本发明构思的前提下,其还可以对这些已描述的实施方式做出若干替代或变型,而这些替代或变型方式都应当视为属于本发明的保护范围。
本发明未详细说明部分属于本领域技术人员公知技术。
Claims (6)
1.一种基于灰狼算法的光储充电站电动汽车三阶段优化方法,其特征在于,步骤如下:
步骤(1)、考虑电动汽车充电与光伏发电的潜在契合性,搭建光储充电站区域系统结构模型;
步骤(2)、获取温度影响下的实际电池容量和每公里耗电量,抽取电动汽车起始充电时刻和日行程里程,利用蒙特卡洛方法对无序充电负荷进行预测;
步骤(3)、搭建光储充电站能量调度模型,结合以充电站购电费用最低和配电网峰谷差最小为优化指标的优化调度模型,建立有序充电模型;
步骤(4)、通过灰狼算法计算得到电动汽车起始充电时刻,从而调整电动汽车的充电时段进行有序充电调度。
2.根据权利要求1所述的一种基于灰狼算法的光储充电站电动汽车三阶段优化方法,其特征在于,步骤(1)具体方法如下;
光储充电站区域系统采用基于直流母线的并网方式;
光储充电站区域系统包括:光伏阵列、储能蓄电池组、直流母线、DC/DC变换器、AC/DC逆变器、DC/AC双向逆变器、控制中心和充电桩;
光储充电站通过配电网、电动汽车与储能蓄电池组的协调配合进行能量调度,实现对光伏的消纳和不间断为电能动汽车负荷供电;控制中心控制DC/DC变换器,使光伏阵列始终保证以最大功率输出,提高光伏利用率;光伏阵列发出的直流电经DC/AC逆变器优先向电动汽车供电,多余电能储存在储能蓄电池组中或反送给配电网;控制中心根据储能蓄电池组的实时状态,决定蓄电池充放电状态和充放电功率的大小;光伏组件和蓄电池分别经过DC/DC变换器接入直流母线,再经过DC/AC双向逆变器并入配电网;当光伏系统输出功率时,DC/AC双向逆变器将直流变为交流;当光伏系统从配电网给蓄电池充电时,DC/AC双向逆变器将交流变为直流。
3.根据权利要求2所述的一种基于灰狼算法的光储充电站电动汽车三阶段优化方法,其特征在于,步骤(2)具体方法如下;
电动汽车充电负荷受电动汽车数量、充电方式、充电功率、充电效率、日行程里程、每公里耗电量以及温度的影响;
2.1温度影响;
温度因素会对电动汽车电池产生影响,在不同温度下,电池的性能也会发生变化;取25℃为电池标准容量下的温度,得到不同温度下电池容量如式(1):
ET=ZTE25 (1)
其中,ZT表示温度为T时的电池容量相对百分数,ET表示温度为T时的电池容量,E25表示25℃时的电池容量;
随着温度的升高,空调开启的概率不断增大,30℃时,空调开启的概率为35.7%,当温度高于32.3℃时,空调一定会被开启;
在不同温度下,空调系统的耗电量为如式(2)所示;
其中,KT表示温度为T时空调的耗电量,Wac为空调制冷/制热功率,pac表示空调开启的概率,L为电动汽车的行驶距离,Vre表示电动汽车的实际行驶速度;
2.2交通指数影响;
道路的拥挤情况会对电动汽车的行驶速度产生影响,不同行驶速度的电动汽车,消耗的电能也会有所区别;利用交通指数能够有效反映道路拥挤情况对行驶速度的影响,对交通指数与耗时系数进行线性化处理,得到交通指数与耗电系数的关系,如公式(3),耗电系数主要影响行驶时间,根据速度距离公式,得到耗电系数与实际行驶速度近似呈现反比例关系,如公式(5),最后,推导出电动汽车实际行驶速度与理想行驶速度和交通指数的关系:
市区内道路分为快速路、主干路、次干路和支路,四种道路的密度比例为2:4:6:15,因此得到电动汽车在四种道路上行驶的概率分别为7.4%、14.8%、22.2%、55.6%;
道路类型不同,电动汽车的行驶速度也不同,以平均速度为参考,电动汽车在为快速路、主干路、次干路和支路上的平局速度分别为80、60、40、30km/h;
电动汽车在不同类型道路上行驶所消耗的能量也会有所区别,以单位里程能耗为参考,电动汽车在不同类型道路上行驶时,电动汽车的单位里程能耗计算公式如下;
快速路:ECF=0.247+1.520/Vre-0.004Vre+2.992×10-5Vre
主干路:ECF=-0.179+0.004Vre+5.492/Vre
次干路:ECF=0.21-0.001Vre+1.531/VTPI
支路:ECF=0.208-0.00182Vre+1.553/VTPI
电动汽车单位里程能耗与整车质量呈线性关系,得到整车质量为M的电动汽车的单位里程能耗为:
式中,Mc表示参考电动汽车的质量,单位为kg,M表示实际电动汽车的质量,单位为kg,最终得到交通因素影响下的消耗的电能为:
KL=EFCTL (8)
其中,KL表示行驶距离为L时的耗电量;
2.3电动汽车出行特性影响;
私家车日行程里程满足对数正态分布,每日出发时刻和每日行程结束时刻分别满足不同的分段正态分布,由于家用电动汽车在使用功能方面与普通私家车相同,因此认为电动汽车出行规律与私家车相同,选取私家车的出行规律作为分析素材;
2.3.1充电方式;
采用“恒温恒流”的充电方式,保证在充电过程中充电功率恒定;
2.3.2每日出行时刻;
首先获取电动汽车每日出发时间的概率分布,得到用户行程出发时刻概率密度函数为:
式中,ts表示用户每日出发时刻,μST和σST分别代表上述概率密度函数的期望和标准差,μST=7.4,σST=3.5;
2.3.3起始充电时间;
无序充电模式下,假定电动汽车每日行程结束时立即充电,即行程结束时刻为电动汽车开始充电时刻,电动汽车每日起始充电时刻概率密度函数如下式,因此得到电动汽车起始充电时刻概率密度曲线;
式中,tr表示用户每日返回时刻,μRT和σRT分别代表上述概率密度函数的期望和标准差,μRT=17.6,σRT=3.4;
2.3.4日行程里程;
车辆日行驶里程近似满足对数正态分布,里程值具有一定的聚集性,其概率密度函数如下式所示;
式中,l表示用户的日行程里程,μL和σL分别代表上述概率密度函数的期望和标准差,μL=3.2,σL=0.88;
2.4充电负荷建模;
得到起始充电时刻的荷电状态为:
式中,ET表示电池电量,Soc表示电动汽车起始充电时刻的荷电状态;
假定每次充电都将电动汽车充满,则单辆电动汽车的充电时长为:
其中,Pev表示电动汽车充电功率,ηev表示充电效率,取0.9.
那么电动汽车无序充电总负荷可由单辆电动汽车充电负荷叠加得到,公式如式(14)所示;
式中,Pev(t)表示t时刻电动汽车无序充电总负荷,Nev表示电动汽车的数量,Pevi(t)表示t时刻第i辆电动汽车无序充电的负荷;
2.4.1利用蒙特卡洛方法随机抽取大量电动汽车出行行为,预测得到电动汽车充电负荷,得到不同数量电动汽车在无序状态下的充电需求。
4.根据权利要求3所述的一种基于灰狼算法的光储充电站电动汽车三阶段优化方法,其特征在于,步骤(3)具体方法如下;
3.1能量调度模型;
未配备储能设备时,光伏充电站的调度策略为,光伏发电系统为电动汽车提供电能,当光伏出力大于充电负荷时,多余电能返送回配电网;当光伏出力小于充电负荷时,由配电网补充电能;配置储能设备时,根据光伏出力、分时电价及负荷分布情况对一天进行时段划分,不同时段采用相应的调度策略;由于电价变化与负荷特性相适应,因此根据分时电价和光伏出力将一天划分为0:00-06:00、06:00-18:00和18:00-24:00三个时段;
第一时段00:00-06:00,电价位于低谷时段且无光伏出力,此时段储能设备处于低电量状态,只进行充电,电动汽车的充电需求由电网满足;第二阶段06:00-18:00,白天有光伏出力且电价为非低谷时段,当光伏出力大于充电负荷时,在保障充电负荷的基础上由光伏向储能设备供电:当光伏出力小于充电负荷时,优先由储能设备向负荷供电,当储能设备的荷电状态到达最大放电深度时且电价处于非峰时段时由电网向储能设备供电;第三阶段18:00-24:00,夜晚负荷高峰且无光伏出力阶段,此时段优先由储能设备向充电负荷供电,当储能设备无法满足充电需求时,由电网补充;当储能电池组的荷电状态到达最大放电深度时由电网补充;
3.2目标函数;
3.2.1充电站购电费用最低:
其中,F1表示第一个目标函数,即充电站购电费用最低,Pbus(t)表示t时刻光储充电站直流母线总出力;π(t)表示t时刻光储充电站从电网的购电电价;
F2=min[max(Pg(t))-min(Pg(t))] (16)
Pg(t)=Pbasic(t)+Pbus(t) (17)
其中,F2表示第二个目标函数,即区域负荷峰谷差最小,Pg(t)表示时刻区域配电网线路总出力;Pbasic(t)表示时刻区域常规用电负荷;
3.3约束条件;
3.3.1功率平衡约束:
Ppv(t)+Pg(t)=Pev(t)+Pbasic(t)+Pbat(t) (18)
其中,Pbat(t)表示t时刻储能电池组的充放电功率,充电时为正值,放电时为负值,Ppv(t)表示t时刻光伏出力,Pev(t)表示t时刻电动汽车充电总负荷;
3.3.2储能电池组充放电功率约束:
储能蓄电池组的充放电功率受蓄电池容量影响;选择储能蓄电池最大充放电功率为储能电池组额定容量20%,则最大充放电功率为:
H表示充放电前后的时间间隔,数值为1,单位为h;Sbat表示储能电池组的容量;
3.3.3储能电池组荷电状态约束:
充电时:
放电时:
100%-D≤Socbat(t)≤100% (23)
其中,Socbat(t)表示t时刻储能电池组的荷电状态;Pbat(t)表示储能电池组的充放电功率,充电时为正值,放电时为负值;H表示充放电前后的时间间隔,数值为1,单位为h;D表示储能电池组的最大放电深度,取80%;
3.3.4始充电时刻约束:
无序充电采用即来即充的充电方式,而有序充电与无序充电的不同之处在于,有序充电在满足用户出行需求的前提下对充电时段进行调整,即有序充电的起始充电时刻可能与每日行程结束时刻不同;以第二天出行开始时刻作为最晚充电结束时刻,假设电动汽车以充满电为目的,那么有序充电模式下,电动汽车的最晚起始充电时刻为:
tl=td+24-Tc (24)
式中,tl表示电动汽车最晚起始充电时刻,td表示电动汽车每日出行时刻,Tc表示充电时长,而有序充电时每辆电动汽车与无序充电时出行特性一样,充电时长也没有差异;因此有序充电时每辆电动汽车起始充电时刻满足式:
tr<ts<tl (25)
式中,ts表示有序充电时电动汽车实际开始充电时刻,表示无序充电时电动汽车的开始充电时刻。
5.根据权利要求1或3所述的一种基于灰狼算法的光储充电站电动汽车三阶段优化方法,其特征在于,蒙特卡洛方法预测充电负荷的具体步骤如下:
1)初始化电动私家车数量、电动汽车电池容量、充电功率和仿真次数这些参数;
2)获取温度影响下的实际电动汽车电池容量和温度交通因素影响下的电动汽车每公里耗电量;
3)随机抽取单辆电动汽车起始充电时刻和日行程里程,设定电动汽车充电至满电状态,计算电动汽车充电时长,进而得出电动汽车充电结束时刻;
4)由单辆电动汽车的起始充电时刻、结束充电时刻和充电功率得到单辆电动汽车的充电需求(即充电负荷),单辆电动汽车充电负荷迭代叠加得到一天中所有电动汽车的充电负荷,如下式;为第m次仿真t时刻光储充电站所有电动汽车充电负荷,单位为kW;N为电动汽车数量,单位为辆;1440表示将24h划分为1440min;Pevi(t)表示t时刻第i辆电动汽车充电负荷,单位为kW;
5)将每次仿真得到的充电负荷累加,仿真结束时得到总充电负荷,计算每次仿真的电动汽车充电负荷平均值作为充电负荷曲线,如下式;
式中:M为仿真总次数;Pev(t)为仿真结束得到的一天中t时刻的电动汽车充电负荷,单位为kW。
6.根据权利要求1所述的一种基于灰狼算法的光储充电站电动汽车三阶段优化方法,其特征在于,灰狼算法对有序充电调度(调整电动汽车起始充电时间)的具体步骤如下:
1)初始化储能设备参数、光伏出力、电动汽车参数及无序充电负荷;
2)设置最大种群数量M,迭代次数S,初始化迭代次数s=1;
3)初始化灰狼种群,计算灰狼个体的适应度,α,β、δ三种狼的位置更新为适应度最好的三匹狼的位置;
4)更新灰狼种群中全部灰狼的位置以及参数A和C,不断迭代,更新α,β和δ的位置及适应度,直至最大迭代次数;
5)输出α狼的位置即为调整后的电动汽车起始充电时刻。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211055189.5A CN115411756A (zh) | 2022-08-31 | 2022-08-31 | 一种基于灰狼算法的光储充电站电动汽车三阶段优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211055189.5A CN115411756A (zh) | 2022-08-31 | 2022-08-31 | 一种基于灰狼算法的光储充电站电动汽车三阶段优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115411756A true CN115411756A (zh) | 2022-11-29 |
Family
ID=84164573
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211055189.5A Pending CN115411756A (zh) | 2022-08-31 | 2022-08-31 | 一种基于灰狼算法的光储充电站电动汽车三阶段优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115411756A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116579475A (zh) * | 2023-05-08 | 2023-08-11 | 浙江大学 | 一种考虑充电随机性下电动汽车充电调度与充电站配置联合优化方法 |
CN117317421A (zh) * | 2023-11-28 | 2023-12-29 | 深圳市深创高科电子有限公司 | 一种电池充电方案智能优化方法 |
-
2022
- 2022-08-31 CN CN202211055189.5A patent/CN115411756A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116579475A (zh) * | 2023-05-08 | 2023-08-11 | 浙江大学 | 一种考虑充电随机性下电动汽车充电调度与充电站配置联合优化方法 |
CN116579475B (zh) * | 2023-05-08 | 2024-02-13 | 浙江大学 | 一种考虑充电随机性下电动汽车充电调度与充电站配置联合优化方法 |
CN117317421A (zh) * | 2023-11-28 | 2023-12-29 | 深圳市深创高科电子有限公司 | 一种电池充电方案智能优化方法 |
CN117317421B (zh) * | 2023-11-28 | 2024-03-19 | 深圳市深创高科电子有限公司 | 一种电池充电方案智能优化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108520314B (zh) | 结合v2g技术的主动配电网调度方法 | |
Luo et al. | Optimal coordination of plug-in electric vehicles in power grids with cost-benefit analysis—Part II: A case study in China | |
Ke et al. | Minimizing the costs of constructing an all plug-in electric bus transportation system: A case study in Penghu | |
Wi et al. | Electric vehicle charging method for smart homes/buildings with a photovoltaic system | |
Yu et al. | A real time energy management for EV charging station integrated with local generations and energy storage system | |
CN115411756A (zh) | 一种基于灰狼算法的光储充电站电动汽车三阶段优化方法 | |
CN113013906B (zh) | 考虑电动汽车v2g模式下的光伏储能容量优化配置方法 | |
CN105322559A (zh) | 一种基于v2g技术的电动汽车配电调度控制方法 | |
Lu et al. | Multi-objective optimal scheduling of a DC micro-grid consisted of PV system and EV charging station | |
Yu et al. | The impact of charging battery electric vehicles on the load profile in the presence of renewable energy | |
Jiang et al. | A coordinated charging strategy for electric vehicles based on multi-objective optimization | |
CN110868134A (zh) | 基于分时电价和负荷特性的光伏电站三时段能量管理方法 | |
Zhong et al. | Energy cost minimization through optimization of EV, home and workplace battery storage | |
Saldanha et al. | Control strategies for smart charging and discharging of plug-in electric vehicles | |
Li et al. | Energy sources durability energy management for fuel cell hybrid electric bus based on deep reinforcement learning considering future terrain information | |
He et al. | Optimal charging strategy of electric vehicles customers in a smart electrical car park | |
Millner et al. | Enhanced plug-in hybrid electric vehicles | |
Terkes et al. | An evaluation of renewable fraction using energy storage for electric vehicle charging station | |
Shahbazi et al. | Probabilistic optimal allocation of electric vehicle charging stations considering the uncertain loads by using the Monte Carlo simulation method | |
Hai-Ying et al. | Optimal control strategy of vehicle-to-grid for modifying the load curve based on discrete particle swarm algorithm | |
CN112467767B (zh) | 综合能源系统环境下的电动汽车并网协同控制方法 | |
Zhang et al. | Optimum sizing of non-grid-connected wind power system incorporating battery-exchange stations | |
Da Paixão et al. | Proposal and simulation of electrical impacts of microgrid for EV recharging on highway | |
Bonaiuto et al. | A Matlab Simulink model for the study of smart grid—Grid-integrated vehicles interactions | |
CN112785048B (zh) | 计及电动汽车用户需求的直流微电网经济调度方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |