CN115626072A - 基于用户间博弈的网联电动汽车协同充放电调控方法 - Google Patents

基于用户间博弈的网联电动汽车协同充放电调控方法 Download PDF

Info

Publication number
CN115626072A
CN115626072A CN202211404068.7A CN202211404068A CN115626072A CN 115626072 A CN115626072 A CN 115626072A CN 202211404068 A CN202211404068 A CN 202211404068A CN 115626072 A CN115626072 A CN 115626072A
Authority
CN
China
Prior art keywords
charging
electric vehicle
electric
discharging
cost
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
CN202211404068.7A
Other languages
English (en)
Other versions
CN115626072B (zh
Inventor
刘东奇
张曦
谢金焕
陈程
孙增光
刘昕
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.)
Hunan Mogao Zhijia Technology Co ltd
Changsha University of Science and Technology
Original Assignee
Hunan Mogao Zhijia Technology Co ltd
Changsha University of Science and Technology
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 Hunan Mogao Zhijia Technology Co ltd, Changsha University of Science and Technology filed Critical Hunan Mogao Zhijia Technology Co ltd
Priority to CN202211404068.7A priority Critical patent/CN115626072B/zh
Publication of CN115626072A publication Critical patent/CN115626072A/zh
Application granted granted Critical
Publication of CN115626072B publication Critical patent/CN115626072B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/50—Charging stations characterised by energy-storage or power-generation means
    • B60L53/51—Photovoltaic means
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/60—Monitoring or controlling charging stations
    • B60L53/62—Monitoring or controlling charging stations in response to charging parameters, e.g. current, voltage or electrical charge
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/60—Monitoring or controlling charging stations
    • B60L53/63—Monitoring or controlling charging stations in response to network capacity
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/60—Monitoring or controlling charging stations
    • B60L53/64—Optimising energy costs, e.g. responding to electricity rates
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G06Q10/06315—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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/70—Energy storage systems for electromobility, e.g. batteries
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/7072—Electromobility specific charging systems or methods for batteries, ultracapacitors, supercapacitors or double-layer capacitors
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02T90/10—Technologies relating to charging of electric vehicles
    • Y02T90/12—Electric charging stations

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Mechanical Engineering (AREA)
  • Power Engineering (AREA)
  • Transportation (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Data Mining & Analysis (AREA)
  • Educational Administration (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Water Supply & Treatment (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本发明公开了基于用户间博弈的网联电动汽车协同充放电调控方法，首先，建立电动汽车可行充电策略模型；其次，建立充电站成本模型；再次，根据电动汽车可行充电策略模型和充电站成本模型，建立电动汽车用户之间的广义纳什博弈模型；最后，对电动汽车用户之间的广义纳什博弈模型进行求解。该方法为用户提供便利，提高交通运行效率的电动汽车调度，可以在降低充电站成本和电网负荷峰谷差的同时，让每个电动汽车用户选择最优充电策略来最小化其充电成本。

Description

基于用户间博弈的网联电动汽车协同充放电调控方法
技术领域
本发明属于电动汽车充电优化策略技术领域，特别是涉及一种基于用户间博弈的网联电动汽车协同充放电调控方法。
背景技术
近些年来电动汽车的数量急剧增加，但电动车的增长率明显高于公用充电桩，这主要归因于充电站的建设投资较大，而这会加剧电动汽车车主的里程焦虑，为了解决上述问题，有必要对电动汽车的充电点进行优化调度和管理。电动汽车具有储存电能的能力，在电动汽车车主没有出行需求或电量过剩的情况下，电动汽车中存储的电能可作为闲置资源，通过充电站规模化参与电网需求响应，降低电网的调峰压力。
在传统的集中式管理交互机制中，智能充电站收集所有电动汽车用户的信息，然后通过实时更新充电价格的方式使电动汽车负荷转移到负荷低谷时期，但是随着用户的不断增加，这种传统的交互机制可能无法使电动汽车找到成本最小的充电策略。在这种情况下，出现了一种新的机制：车辆对车辆机制(V2V)。现有研究大多集中在研究充电站与用户双方之间的交互，很少考虑电动汽车用户之间的互动。
发明内容
本发明实施例的目的在于提供一种基于用户间博弈的网联电动汽车协同充放电调控方法，为用户提供便利同时提高交通运行效率的电动汽车调度方法，可以在降低充电站成本和电网负荷峰谷差的同时，让每个电动汽车用户选择最优充电策略来最小化其充电成本，且安全性更高。
为解决上述技术问题，本发明所采用的技术方案是，基于用户间博弈的网联电动汽车协同充放电调控方法，包括以下步骤：
步骤1：建立电动汽车可行充电策略模型；
步骤2：建立充电站成本模型；
步骤3：建立电动汽车用户之间的广义纳什博弈模型；
步骤4：对电动汽车用户之间的广义纳什博弈模型进行求解。
本发明的有益效果是：
(1)本发明提出了一种多方互动机制下的电动汽车充电策略，相比于只考虑每辆电动汽车与电网之间互相作用的V2G机制，所提机制结合了V2V机制，每个参与者之间可以相互作用，能充分调动电动汽车的灵活性。
(2)本发明基于电动汽车行驶数据和光伏电站出力数据，充分考虑了电动汽车电池的上下限约束，避免过度充放电对电池造成的损害。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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是本发明中使用多目标粒子群算法进行求解的流程图。
图2是不同天气下光伏电站的出力曲线图。
图3是电动汽车充电策略优化后的负荷曲线与基础负荷曲线对比图。
图4是充电站和电动汽车能量单向流动的情况下的成本图。
图5是充电站和电动汽车能量双向流动的情况下的成本图。
图6是电动汽车充电期间可能的SOC曲线图。
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。
本发明实施例公开了一种基于用户间博弈的网联电动汽车协同充放电调控方法，思路是：获取区域内所有电动汽车电量以及光伏发电数据，以充电站成本和电网负荷峰谷差为目标函数，建立了一个广义纳什博弈框架，为了找到唯一的纳什均衡解，用多目标粒子群算法对模型进行求解。
具体包括以下步骤：
步骤1：建立电动汽车可行充电策略模型。
步骤2：建立充电站成本模型。
步骤3：建立电动汽车用户之间的广义纳什博弈模型。
步骤4：对电动汽车用户之间的广义纳什博弈模型进行求解。
具体来说：
步骤1包括：
设置区域内所有电动汽车集合为N＝{1,2,...,N}，电动汽车在一天中充放电范围内时间段的集合为Τ＝{1,2,...,T}，电动汽车n在充放电时间范围内的充放电功率定义为en＝(en,1,en,2,...,en,T)，其中，en,t表示电动汽车n在时间段t的充放电功率，en,t＞0表示电动汽车充电，en,t＜0表示放电，en,t＝0表示空闲。
用
Figure BDA0003935855690000031
表示充电站中所有电动汽车的充放电功率曲线，
Figure BDA0003935855690000032
是en的转置，这是一个大小为N×T的矩阵：
Figure BDA0003935855690000033
电动汽车充放电过程中，充电站的约束条件为：
Figure BDA0003935855690000034
fmax是变压器允许的最大充电功率，Lt是区域内非电动汽车负荷，Lsol是充电站内光伏设备的发电功率。如图2所示，非电动汽车负荷和光伏发电量提前一天根据历史负荷数据和天气情况预测。
电动汽车充放电过程中，电动汽车的约束条件如式(3)-(5)所示：
Pmin＜en,t＜Pmax (3)
Pmax和Pmin分别是电动汽车最大充电功率和最大放电功率。
电动汽车n的初始电量为
Figure BDA0003935855690000035
充电结束时的电量为
Figure BDA0003935855690000036
则在整个充放电时间范围内有：
Figure BDA0003935855690000037
设置
Figure BDA0003935855690000041
和
Figure BDA0003935855690000042
为电动汽车n电池容量的上下限，任意时刻电动汽车n的电量不能超过其电池额定容量，同时不能低于允许的电池最低容量：
Figure BDA0003935855690000043
对于每辆电动汽车，其可行充放电功率曲线，即充电策略集为：
En＝{en|(2)-(5)} (6)
区域内所有电动汽车的可行充电策略集为
Figure BDA0003935855690000044
步骤2包括：
由于每辆电动汽车的可行充电策略集都受到其他电动汽车充电策略的影响，引入电动汽车充电价格模型：
Figure BDA0003935855690000045
Figure BDA0003935855690000046
qt是t时刻充电站的充电价格，αt是关于分时电价的正相关系数，βt是关于充电站到发电厂距离的正相关系数，
Figure BDA0003935855690000047
是t时刻所有正在充电的电动汽车负荷之和。
价格函数是与电动汽车总负荷正相关的函数，同一时间段充电的电动汽车越多，充电价格越高，这使得无紧急充电需求的电动汽车将充电计划调整到低峰时间段。
充电站(CS)从电网购电，收集区域内各时间段电动汽车负荷情况，根据负荷曲线制定实时电价，电动汽车用户则根据实时电价及电池容量合理制定各自的充电/放电策略。充电站通过平稳电网负荷，减小峰谷差获得利益，令Mt为t时刻充电站成本，其与t时刻区域内电动汽车负荷水平呈正相关，用一个典型的成本模型来表示充电站的负荷成本：
Figure BDA0003935855690000048
由于放电过程中的电池损耗以及电动汽车参与V2G机制可能导致的期望电量不达标，充电站需要向用户支付一定的电池退化补偿和不满补偿。对于某辆电动汽车，其充电期间(从到达充电站时间t0到离开时间tend)的荷电状态(state of charge，SOC)水平可以用图6中的电量曲线来表示，图中，曲线A、B、C表示电动汽车充电期间可能的SOC。S0是电动汽车到达充电站时的SOC水平，S(tend)是离开充电站时的SOC水平，Smax和Smin分别是电动汽车最高、最低SOC水平。有紧急充电计划的电动汽车车主通常倾向于从达到时刻开始以最大功率Pmax对其电动汽车进行充电，如图6中基准充电曲线A所示，tmin表示按照基准曲线对电动汽车进行充电所需时间。
电动汽车通过调节各时段充放电功率贡献自己的灵活性，曲线B和曲线C延迟充电在负荷高峰期放电以响应电网的需求，延迟充电在负荷高峰期放电的电动汽车对充电站的贡献qbdc表示为：
Figure BDA0003935855690000051
其中，第一项
Figure BDA0003935855690000052
表示电动汽车在[t0,tend]期间的总里程，第二项
Figure BDA0003935855690000053
表示电动汽车的充电需求，η是充放电效率，从成本角度来看，由于充电功率曲线偏离基准充电曲线导致电池退化，因此上式反映了电池退化成本，若qbdc＝0，则表示电动汽车按照基准充电曲线进行充电。
曲线C所示的电动汽车在[t0,tend]期间未达到其SOC目标Sobj，即S(tend)≠Sobj，电动汽车通过牺牲其在tend时的SOC水平来提供灵活性，此类柔性贡献qfcc表示为：
Figure BDA0003935855690000054
对于电动汽车用户来说，qfcc≠0比qbdc≠0更为不便，因为这会实际影响电动汽车的充电结果和出行计划，因此，指数qfcc反映了电动汽车用户满意度损失成本。
充电站在[t0,tend]期间总的灵活性贡献补偿成本Q用加权因子y,z＞0进行量化：
Q＝y·qbdc+z·qfcc (11)
电动汽车用户提供灵活性的意愿越高，灵活性贡献补偿成本Q越大，若用户有紧急充电需求，倾向于严格按照基准充电曲线进行充电，则Q＝0。
整个周期内充电站的成本为：
Figure BDA0003935855690000061
步骤3包括：
充电站通过调整价格协同区域内所有电动汽车合理调整自己的充电策略，使得充电站成本最小化，同时满足电动汽车的充电需求和充电站成本约束。
令
Figure BDA0003935855690000062
电动汽车n整个充电周期内支付的费用，则所有电动汽车支付的费用要大于充电站的成本，如式(13)所示。
Figure BDA0003935855690000063
在满足充电站成本最小化的同时，也要平稳区域内负荷水平。定义Lmax和Lmin分别为一天中区域内负荷的峰值和谷值，将最小化峰谷差Ld作为目标函数之一。目标函数和约束如下：
Figure BDA0003935855690000064
式(14)构成了一个广义纳什博弈，参与者的成本与策略集相互依赖。该博弈模型由以下元素组成：
1)参与者集合N＝{1,2,...,N}；
2)策略集
Figure BDA0003935855690000065
3)成本函数pn。
用G＝{N,E,{pn}n∈N}来表示该博弈模型。
步骤4包括：
如图1所示。充电站收集所有电动汽车的电量信息、光伏电站数据和基础负荷数据，制定电动汽车充电策略，一天内所有电动汽车的充电/放电策略表示为
Figure BDA0003935855690000071
是一个大小为T×N的矩阵，此处是所有电动汽车的策略，是一个矩阵。具体步骤如下：
S1：获取所有电动汽车的电量信息、光伏发电量和基础负荷数据；
S2：用多目标粒子群算法对步骤1所述模型进行求解，步骤如下：1)设置惯性权中系数、学习因子、变异概率，生成规模为N的初代粒子，根据式(2)-(5)判断初代粒子是否满足约束条件，若不满足则重新生成，满足约束条件之后根据式(1)计算每个粒子的目标函数值。2)从粒子中选出当前全局最优解，储存个体最优解，更新非劣解集。3)根据全局最优解和个体最优解更新每个粒子的位置和速度，更新非劣解集并使用网格剔除机制维护非劣解集，再以0.5的概率进行变异操作，将变异后的粒子与原粒子进行比较，若优于原粒子则替换之。4)重复步骤2)、3)，直至到达设置的迭代次数后，从非劣解集中使用轮盘赌选出最优个体，作为该模型的Pareto解，即1天内所有电动汽车的充电/放电策略。
在实例中，将一天24小时分为48个时间段，每个时间段为半小时，假设每个时间段内的电动汽车负荷不变，即充电价格不变。一个粒子X代表一天中所有电动汽车的充电计划，X＝[E1,E2,…,ET]其中，Et代表t时间段所有电动汽车的充电计划，Et＝[e1,e2,…en]T。
参照图3，是电动汽车充电策略优化后的负荷曲线与基础负荷曲线对比图，在不同天气情况下，变压器负载的变化曲线。光伏发电输出集中在10：00-16：00间，这个时段是基础负荷的低谷期，光伏发电的加入会加剧低谷期的形成，因此在这个时段，电动汽车参与调峰尤为重要。优化效果如表1所示。
表1
天气类型 负荷峰谷差(kW) 负荷标准差(kW)
晴天 280.02 63.86
部分多云 253.22 61.74
多云 230.22 61.13
多目标粒子群算法会进行多次迭代更新，以选出最优解，随着迭代次数的增加，充电站成本(目标函数)会下降然后稳定在一个数值。参照图4、图5，显示了迭代中充电站成本的变化过程，随着迭代次数的增加，充电站成本减小并逐渐趋于稳定。图4为对照组，是充电站和电动汽车能量单向流动的情况下，充电站成本为16.78万，图5为充电站和电动汽车能量双向流动，成本降为6.56万。
从以上图形曲线以及表格数据的对比可以看出使用本发明的广义纳什博弈模型对电动汽车充电策略进行优化，可以明显降低充电站成本，降低负荷峰谷差，平稳电网负荷。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (6)

1.基于用户间博弈的网联电动汽车协同充放电调控方法，其特征在于，包括以下步骤：
步骤1：建立电动汽车可行充电策略模型；
步骤2：建立充电站成本模型；
步骤3：建立电动汽车用户之间的广义纳什博弈模型；
步骤4：对电动汽车用户之间的广义纳什博弈模型进行求解。
2.根据权利要求1所述的基于用户间博弈的网联电动汽车协同充放电调控方法，其特征在于，所述步骤1包括：
设置区域内电动汽车集合为N＝{1,2,...,N}，电动汽车在一天中充放电范围内时间段的集合为Τ＝{1,2,...,T}，电动汽车n在充放电时间范围内的充放电功率定义为en＝(en,1,en,2,...,en,T)；其中，en,t表示电动汽车n在时间段t的充放电功率，en,t＞0表示电动汽车充电，en,t＜0表示放电，en,t＝0表示空闲；
用
Figure FDA0003935855680000011
表示充电站中所有电动汽车的充放电功率曲线，
Figure FDA0003935855680000012
是en的转置，是一个大小为N×T的矩阵：
Figure FDA0003935855680000013
电动汽车充放电过程中，充电站的约束条件为：
Figure FDA0003935855680000014
fmax是变压器允许的最大充电功率，Lt是区域内非电动汽车负荷，Lsol是充电桩内光伏设备的发电功率；
电动汽车充放电过程中，电动汽车的约束条件如式(3)-(5)所示：
Pmin＜en,t＜Pmax (3)
Pmax和Pmin分别是电动汽车最大充电功率和最大放电功率；
电动汽车n的初始电量为
Figure FDA0003935855680000021
充电结束时的电量为
Figure FDA0003935855680000022
则在整个充放电时间范围内有：
Figure FDA0003935855680000023
设置
Figure FDA0003935855680000024
和
Figure FDA0003935855680000025
为电动汽车n电池容量的上下限，任意时刻电动汽车n的电量不能超过其电池额定容量，同时不能低于允许的电池最低容量：
Figure FDA0003935855680000026
对于每辆电动汽车，其可行充放电功率曲线，即充电策略集为：
En＝{en|(2)-(5)} (6)
区域内所有电动汽车的可行充电策略集为
Figure FDA0003935855680000027
3.根据权利要求2所述的基于用户间博弈的网联电动汽车协同充放电调控方法，其特征在于，所述步骤2包括：
引入电动汽车充电价格模型：
Figure FDA0003935855680000028
Figure FDA0003935855680000029
qt是t时刻充电站的充电价格，αt是关于分时电价的正相关系数，βt是关于充电站到发电厂距离的正相关系数，
Figure FDA00039358556800000210
是t时刻所有正在充电的电动汽车负荷之和；
令Mt为t时刻充电站成本，其与t时刻区域内电动汽车负荷水平呈正相关，用成本模型来表示充电站的负荷成本：
Figure FDA00039358556800000211
电动汽车通过调节各时段充放电功率贡献自己的灵活性，延迟充电在负荷高峰期放电的电动汽车对充电站的贡献qbdc表示为：
Figure FDA0003935855680000031
其中，S0是电动汽车到达充电站时的荷电状态水平，S(tend)是离开充电站时的荷电状态水平，
Figure FDA0003935855680000032
表示电动汽车在[t0,tend]期间的总里程，
Figure FDA0003935855680000033
表示电动汽车的充电需求，η是充放电效率，上式反映了电池退化成本；
电动汽车在[t0,tend]期间未达到其荷电状态目标Sobj，即S(tend)≠Sobj，电动汽车通过牺牲其在tend时的荷电状态水平来提供灵活性，此类柔性贡献qfcc表示为：
Figure FDA0003935855680000034
指数qfcc反映了电动汽车用户满意度损失成本；
充电站在[t0,tend]期间总的灵活性贡献补偿成本Q用加权因子y,z＞0进行量化：
Q＝y·qbdc+z·qfcc (11)
电动汽车用户提供灵活性的意愿越高，灵活性贡献补偿成本Q越大，若用户有紧急充电需求，倾向于严格按照基准充电曲线进行充电，则Q＝0；
整个周期内充电站的成本为：
Figure FDA0003935855680000035
4.根据权利要求3所述的基于用户间博弈的网联电动汽车协同充放电调控方法，其特征在于，所述S3包括：
令
Figure FDA0003935855680000036
为电动汽车n整个充电周期内支付的费用，则所有电动汽车支付的费用要大于充电站的成本，如式(13)所示；
Figure FDA0003935855680000041
定义Lmax和Lmin分别为一天中区域内负荷的峰值和谷值，将最小化峰谷差Ld作为目标函数之一，目标函数和约束如下：
Figure FDA0003935855680000042
式(14)构成了一个广义纳什博弈，参与者的成本与策略集相互依赖，该博弈模型由以下元素组成：
1)参与者集合N＝{1,2,...,N}；
2)策略集
Figure FDA0003935855680000043
3)成本函数pn；
用G＝{N,E,{pn}n∈N}来表示该博弈模型。
5.根据权利要求4所述的基于用户间博弈的网联电动汽车协同充放电调控方法，其特征在于，所述S4包括：
充电站收集所有电动汽车的电量信息、光伏电站数据和基础负荷数据，制定电动汽车充电策略，一天内所有电动汽车的充电/放电策略表示为
Figure FDA0003935855680000044
是一个大小为T×N的矩阵。
6.根据权利要求5所述的基于用户间博弈的网联电动汽车协同充放电调控方法，其特征在于，具体步骤如下：
S1：获取所有电动汽车的电量信息、光伏发电量和基础负荷数据；
S2：用多目标粒子群算法对步骤1所述模型进行求解，步骤如下：1)设置惯性权中系数、学习因子、变异概率，生成规模为N的初代粒子，根据式(2)-(5)判断初代粒子是否满足约束条件，若不满足则重新生成，满足约束条件之后根据式(1)计算每个粒子的目标函数值；2)从粒子中选出当前全局最优解，储存个体最优解，更新非劣解集；3)根据全局最优解和个体最优解更新每个粒子的位置和速度，更新非劣解集并使用网格剔除机制维护非劣解集，再以0.5的概率进行变异操作，将变异后的粒子与原粒子进行比较，若优于原粒子则替换之；4)重复步骤2)、3)，直至到达设置的迭代次数后，从非劣解集中使用轮盘赌选出最优个体，作为该模型的Pareto解，即1天内所有电动汽车的充电/放电策略。
CN202211404068.7A 2022-11-10 2022-11-10 基于用户间博弈的网联电动汽车协同充放电调控方法 Active CN115626072B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211404068.7A CN115626072B (zh) 2022-11-10 2022-11-10 基于用户间博弈的网联电动汽车协同充放电调控方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211404068.7A CN115626072B (zh) 2022-11-10 2022-11-10 基于用户间博弈的网联电动汽车协同充放电调控方法

Publications (2)

Publication Number Publication Date
CN115626072A true CN115626072A (zh) 2023-01-20
CN115626072B CN115626072B (zh) 2024-08-23

Family

ID=84909101

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211404068.7A Active CN115626072B (zh) 2022-11-10 2022-11-10 基于用户间博弈的网联电动汽车协同充放电调控方法

Country Status (1)

Country Link
CN (1) CN115626072B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116976630A (zh) * 2023-08-09 2023-10-31 南京信息工程大学 基于激励博弈的电动汽车充电调度的双目标优化方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107017619A (zh) * 2017-03-29 2017-08-04 华北电力大学 非合作博弈视角的光伏充电站网络分布式能量管理方法
CN109242163A (zh) * 2018-08-21 2019-01-18 国网山东省电力公司电力科学研究院 一种基于主从博弈的风电商和电动汽车换电站的协调优化方法
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
WO2021098352A1 (zh) * 2019-11-22 2021-05-27 国网福建省电力有限公司 一种考虑电动汽车充电站选址定容的主动配电网规划模型的建立方法
US20220024338A1 (en) * 2021-07-28 2022-01-27 Hefei University Of Technology Electric vehicle charging scheduling method and system based on cloud-edge collaboration
CN114662759A (zh) * 2022-03-24 2022-06-24 东北电力大学 多主体双层博弈的规模化电动汽车充放电优化调度方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107017619A (zh) * 2017-03-29 2017-08-04 华北电力大学 非合作博弈视角的光伏充电站网络分布式能量管理方法
CN109242163A (zh) * 2018-08-21 2019-01-18 国网山东省电力公司电力科学研究院 一种基于主从博弈的风电商和电动汽车换电站的协调优化方法
WO2021098352A1 (zh) * 2019-11-22 2021-05-27 国网福建省电力有限公司 一种考虑电动汽车充电站选址定容的主动配电网规划模型的建立方法
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
US20220024338A1 (en) * 2021-07-28 2022-01-27 Hefei University Of Technology Electric vehicle charging scheduling method and system based on cloud-edge collaboration
CN114662759A (zh) * 2022-03-24 2022-06-24 东北电力大学 多主体双层博弈的规模化电动汽车充放电优化调度方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116976630A (zh) * 2023-08-09 2023-10-31 南京信息工程大学 基于激励博弈的电动汽车充电调度的双目标优化方法
CN116976630B (zh) * 2023-08-09 2024-03-12 南京信息工程大学 基于激励博弈的电动汽车充电调度的双目标优化方法

Also Published As

Publication number Publication date
CN115626072B (zh) 2024-08-23

Similar Documents

Publication Publication Date Title
CN112134300B (zh) 基于预约的电动汽车光储充电站滚动优化运行方法及系统
CN109559035B (zh) 一种考虑灵活性的城市配电网双层规划方法
CN107565607B (zh) 一种基于实时电价机制的微电网多时间尺度能量调度方法
CN106953316B (zh) 微电网变时间尺度优化调度方法
CN112465181A (zh) 一种支持源-网-荷-储多元泛在协调的两阶段优化调度方法
CN110188950A (zh) 基于多代理技术的虚拟电厂供电侧和需求侧优化调度建模方法
CN116436008B (zh) 一种用于光储充电站的电力调度方法及终端
CN112800658A (zh) 一种考虑源储荷互动的主动配电网调度方法
CN110065410B (zh) 一种基于模糊控制的电动汽车充放电率控制方法
CN112217195B (zh) 一种基于gru多步预测技术的云储能充放电策略形成方法
CN113258581B (zh) 一种基于多智能体的源荷协调电压控制方法及装置
CN110601233B (zh) 一种电力系统中储能电站的调峰调度方法
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
CN109950900B (zh) 基于电动汽车负荷最小峰值模型的微网负荷削减控制方法
CN114971899A (zh) 新能源参与下的日前、日内和实时市场电能交易优化方法
Tan et al. Fair and efficient electric vehicle charging scheduling optimization considering the maximum individual waiting time and operating cost
CN114819373A (zh) 一种基于合作博弈的共享混合储能电站的储能规划方法
CN114169211A (zh) 一种基于改进的粒子群算法的多站融合储能优化配置模型
CN113780670A (zh) 基于两阶段的区域电网电动汽车调峰优化调度方法
CN115626072A (zh) 基于用户间博弈的网联电动汽车协同充放电调控方法
CN114491997B (zh) 考虑需求响应及电动汽车的虚拟电厂运行优化方法及系统
CN114914923A (zh) 基于网格法的变时长两阶段电动汽车调度方法及系统
Zhang et al. Multi-objective optimal scheduling strategy of microgrid based on v2g technology
CN114462854A (zh) 含新能源和电动汽车并网的分层调度方法及其系统
CN116780627B (zh) 一种建筑园区内的微电网调控方法

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
GR01 Patent grant