CN115864480B - 基于大规模电动汽车分布式充放电功率跟踪集群调度方法 - Google Patents
基于大规模电动汽车分布式充放电功率跟踪集群调度方法 Download PDFInfo
- Publication number
- CN115864480B CN115864480B CN202310190918.6A CN202310190918A CN115864480B CN 115864480 B CN115864480 B CN 115864480B CN 202310190918 A CN202310190918 A CN 202310190918A CN 115864480 B CN115864480 B CN 115864480B
- Authority
- CN
- China
- Prior art keywords
- power
- charging
- charge
- electric automobile
- electric vehicle
- 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.)
- Active
Links
Images
Classifications
-
- 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
Landscapes
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本申请涉及一种基于大规模电动汽车分布式充放电功率跟踪集群调度方法,包括以下具体步骤:S1.建立满足参与需求侧管理电动汽车个数、目标充电量、充放电时间和聚合商执行功率到位情况的约束情况的系统调度模型;S2.为了使大规模电动汽车充放电总功率能够跟踪参考功率指令,形成调度电动汽车的充放电功率问题方程以满足跟踪参考功率命令;S3.通过在局部函数中应用分布式ADMM算法,根据接受的功率和对单个电动汽车进行优化收敛以获得每个电动汽车的最佳充电功率。本申请可以控制电动汽车的充电和放电过程而不影响电动汽车行驶计划,从而使电动汽车负载可以有效地跟踪给定的负载分布。
Description
技术领域
本申请涉及电力需求侧管理电动汽车充放电领域,尤其涉及一种基于分布式大规模电动汽车充放电功率跟踪调度方法。
背景技术
随着人们对环境和能源的日益关注和重视,电动汽车得到了广泛的应用。政府、汽车制造商和世界各地的能源公司在节能和碳中和及其普及已大大增加。作为可移动和可控制的负荷,其充电负载小,电池容量有限,如果电动汽车大规模接入电网,将对电力系统规划和运营产生深远影响。研究人员开发了电动汽车集群调度器。集群调度器是指在电力市场中具有一定可调度规模和数量的电动汽车负载,是电动汽车充电控制和参与需求侧管理的重要形式。但是如果大规模电动汽车连接到无序网格,缺乏集群调度方式来控制他们的充电和放电过程,增加了电网负荷的峰谷差,严重情况下还会威胁电网的稳定性。因此,有必要充分利用电动汽车的柔性负载、电动汽车的充电和放电控制集群,以便他们能够参与通过参与需求响应,保障电网供需平衡。
发明内容
本申请实施例的目的在于提供一种基于分布式大规模电动汽车充放电功率跟踪调度方法,可以控制电动汽车的充电和放电过程而不影响电动汽车行驶计划,从而使电动汽车负载可以有效地跟踪给定的负载分布。
为实现上述目的,本申请提供如下技术方案:
本申请实施例提供一种基于大规模电动汽车分布式充放电功率跟踪集群调度方法,包括以下具体步骤:
S1.建立满足参与需求侧管理电动汽车个数、目标充电量、充放电时间和聚合商执行功率到位情况的约束情况的系统调度模型;
S2.为了使大规模电动汽车充放电总功率能够跟踪参考功率指令,形成调度电动汽车的充放电功率问题方程以满足跟踪参考功率命令;
S3. 通过在局部函数中应用分布式ADMM算法,根据接受的功率和对单个电动汽车进行优化收敛以获得每个电动汽车的最佳充电功率。
所述步骤S1中定义N个电动汽车为一个集合N={1,2,...,N},其充电时间集合为T={1,2,...,T},在执行需求响应的背景下,充电站聚合商需要在给定的时间间隔开始时执行电动汽车充放电功率控制,所以电动汽车参考功率曲线函数为,将第n个电动汽车的功率曲线定义为/>,其中/>小于0表示电动汽车在放电,大于0表示电动汽车在充电,将充电站的总功率定义为/>。
每个电动汽车客户提前向聚合商声明电动汽车到达充电站的时间、离开充电站的时刻/>、期望的目标充电/>、到达时的初始充电以及电动汽车电池容量/>,针对充放电电动汽车的过程,考虑到实际车辆的物理、电池和充电桩存在功率运行上限的情况/>,为充电桩实际运行功率,关于充电和放电速率约束如下:
该约束表示电动汽车充放电功率在任何时候不超过他的最大充放电功率,对于每个到站时间间隙表示如下:
考虑到电动汽车电池的物理模型,电池功率在任何时候都不能超过其电池容量,并且必须大于或等于0,表示为:
当电动汽车离开充电站时,应满足其电池功率需求,因此满足以下约束:
所述步骤S2中为了实现大规模电动汽车充放电跟踪参考功率命令的聚合功率,在满足上述约束的前提下安排电动汽车的充电和放电功率,优化目标是在若干约束条件下最小化总功率与参考功率之差的平方,优化问题由下式给出,其中为t时段充电功率,/>为参考功率:
指标函数定义如下,其中x为优化变量,这里指标为电动汽车充电功率优化变量:
增广拉格朗日函数表示为:
其中为/>到/>的均值,/>为/>到/>的均值,/>为/>到/>的均值,/>为/>到的均值,/>为/>的交替迭代方程,/>为/>的交替迭代方程,/>为/>和/>根据ADMM算法联合迭代的最优解;argmin为拉格朗日最小函数表达式;
与现有技术相比,本发明的有益效果是:
一是充电站可以通过分布式算法在本地计算充放电功率,并实现跟踪前提下的充电计划;二是分布式算法可以有效地保护电动其汽车用户的隐私,并且对聚合商系统可扩展性的计算要求更低。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1是本申请实施例方法流程示意图;
图2 是200辆电动汽车到达时间示意图;
图3是电动汽车功率跟踪控制示意图;
图4 是电动汽车充电状态预估示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行描述。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
请参阅图1所示,本申请实施例提供一种大规模电动汽车分布式充放电功率跟踪集群调度方法,包括以下具体步骤:
S1.建立满足参与需求侧管理电动汽车个数、目标充电量、充放电时间和聚合商执行功率到位情况的约束情况的系统调度模型。
S2. 为了使大规模电动汽车充放电总功率能够跟踪参考功率指令,形成调度电动汽车的充放电功率问题方程以满足跟踪参考功率命令。
S3.通过在局部函数中应用分布式ADMM算法,根据接受的功率和对单个电动汽车进行优化收敛已获得每个电动汽车的最佳充电功率。
所述步骤S1中所述步骤S1中定义N个电动汽车为一个集合N={1,2,...,N},其充电时间集合为T={1,2,...,T},在执行需求响应的背景下,充电站聚合商需要在给定的时间间隔开始时执行电动汽车充放电功率控制,所以电动汽车参考功率曲线函数为,将第n个电动汽车的功率曲线定义为/>,其中/>小于0表示电动汽车在放电,/>大于0表示电动汽车在充电,将充电站的总功率定义为。
每个电动汽车客户提前向聚合商声明电动汽车到达充电站的时间、离开充电站的时刻/>、期望的目标充电/>、到达时的初始充电以及电动汽车电池容量/>。电动汽车需要在预定出发时间之前将电池充电至所需的目标电量。例如,用户可以在上午9点到达充电站,开始充电,并要求电池在下午2点之前达到90%的电池容量。考虑到现实生活中的场景需要满足的EV和充电站约束如下所示。首先,针对充放电电动汽车的过程,考虑到实际车辆的物理、电池和充电桩存在功率运行上限的情况/>,关于充电和放电速率约束如下:/>
该约束表示电动汽车充放电功率在任何时候不超过他的最大充放电功率,对于每个到站时间间隙表示如下:
考虑到电动汽车电池的物理模型,电池功率在任何时候都不能超过其电池容量,并且必须大于或等于0,表示为:
当电动汽车离开充电站时,应满足其电池功率需求,因此满足以下约束:
所述步骤S2中为了实现大规模电动汽车充放电跟踪参考功率命令的聚合功率,在满足上述约束的前提下安排电动汽车的充电和放电功率,优化目标是在若干约束条件下最小化总功率与参考功率之差的平方,优化问题由下式给出,其中为t时段充电功率,/>为参考功率:
所述步骤S3中首先介绍ADMM算法,ADMM是一种迭代算法,它结合了成对上升算法的可分解性优点,应用于求解统计学中大规模分布凸函数优化问题的乘数方法的收敛性、机器学习和其他相关领域。其优化问题形式如下:
其中λ是拉格朗日乘数和惩罚参数,ρ>0是二次惩罚的正惩罚因子。ADMM能够通过迭代来解决上述问题。通过循环,在第i个循环中执行以下操作循环:
直到某个k,如果满足条件:
指标函数定义如下,其中x为优化变量,这里指标为电动汽车充电功率优化变量:
增广拉格朗日函数表示为:
其中为/>到/>的均值,/>为/>到/>的均值,/>为/>到/>的均值,/>为/>到的均值,/>为/>的交替迭代方程,/>为/>的交替迭代方程,/>为/>和/>根据ADMM算法联合迭代的最优解;argmin为拉格朗日最小函数表达式;
图1是本申请实施例方法流程示意图。
图2是 200辆电动汽车到达时间示意图,模拟时间周期为24小时,充放电控制周期为30分钟,电动汽车的最大功率限制为2.5kW,电池容量为16kWh,能量转换效率γ=0.9。电动汽车电量在3.2kWh和6.4kWh之间随机分布
图3 是电动汽车功率跟踪控制示意图,三条曲线分别为电动汽车无序充电和通过所提出的算法充放电过程以及在给定参考功率下的充放电过程。无序充电模式为不考虑充电和放电功率的控制调节最大充电的情况下,电动汽车到达后的充电功率。根据给定的负载跟踪信号,电动汽车将根据分布式ADMM算法调整充电功率负载以便跟踪参考功率。和无序充电的电动汽车的总功率比起来,所提出的算法表明,聚合的电动汽车的总功率可以有效跟踪参考功率并实现大规模电动汽车调度。
图4 是电动汽车充电状态预估示意图,所示选择电动汽车编号1-10分析电动汽车电池的充电状态变化。实验表明,在该算法下负荷调节模式可以满足电动汽车的电力需求。
本申请提出了一种分布式算法来解决大规模电动汽车充放电功率跟踪问题。在需求侧管理的背景下,聚合商从电网接收跟踪调节命令信号,大规模代理电动汽车通过分布式算法局部计算充放电功率,在满足充电计划的前提下实现功率跟踪,分布式算法可以有效地保护电动汽车用户的隐私,并且对聚合商在线聚合计算要求低。
以上所述仅为本申请的实施例而已,并不用于限制本申请的保护范围,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (1)
1.一种基于大规模电动汽车分布式充放电功率跟踪集群调度方法,其特征在于,包括以下具体步骤:
S1.建立满足参与需求侧管理电动汽车个数、目标充电量、充放电时间和聚合商执行功率到位情况的约束情况的系统调度模型;
S2.为了使大规模电动汽车充放电总功率能够跟踪参考功率指令,形成调度电动汽车的充放电功率问题方程以满足跟踪参考功率命令;
S3. 通过在局部函数中应用分布式ADMM算法,根据接受的功率和对单个电动汽车进行优化收敛以获得每个电动汽车的最佳充电功率;
所述步骤S1中定义N个电动汽车为一个集合N={1,2,...,N},其充电时间集合为T={1,2,...,T},在执行需求响应的背景下,充电站聚合商需要在给定的时间间隔开始时执行电动汽车充放电功率控制,所以电动汽车参考功率曲线函数为,将第n个电动汽车的功率曲线定义为/>,其中/>小于0表示电动汽车在放电,/>大于0表示电动汽车在充电,将充电站的总功率定义为/>;
每个电动汽车客户提前向聚合商声明电动汽车到达充电站的时间、离开充电站的时刻/>、期望的目标充电/>、到达时的初始充电以及电动汽车电池容量/>,针对充放电电动汽车的过程,考虑到实际车辆的物理、电池和充电桩存在功率运行上限的情况/>,/>为充电桩实际运行功率,关于充电和放电速率约束如下:
该约束表示电动汽车充放电功率在任何时候不超过他的最大充放电功率,对于每个到站时间间隙表示如下:
考虑到电动汽车电池的物理模型,电池功率在任何时候都不能超过其电池容量,并且必须大于或等于0,表示为:
当电动汽车离开充电站时,应满足其电池功率需求,因此满足以下约束:
所述步骤S2中为了实现大规模电动汽车充放电跟踪参考功率命令的聚合功率,在满足上述约束的前提下安排电动汽车的充电和放电功率,优化目标是在若干约束条件下最小化总功率与参考功率之差的平方,优化问题由下式给出,其中为t时段充电功率,/>为参考功率:
所述步骤S3中
指标函数定义如下,其中x为优化变量,这里指标为电动汽车充电功率优化变量:
增广拉格朗日函数表示为:
其中为/>到/>的均值,/>为/>到/>的均值,/>为/>到/>的均值, />为/>到/>的均值, />为/>的交替迭代方程,/>为/>的交替迭代方程,/>为/>和/>根据ADMM算法联合迭代的最优解;argmin为拉格朗日最小函数表达式;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310190918.6A CN115864480B (zh) | 2023-03-02 | 2023-03-02 | 基于大规模电动汽车分布式充放电功率跟踪集群调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310190918.6A CN115864480B (zh) | 2023-03-02 | 2023-03-02 | 基于大规模电动汽车分布式充放电功率跟踪集群调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115864480A CN115864480A (zh) | 2023-03-28 |
CN115864480B true CN115864480B (zh) | 2023-06-02 |
Family
ID=85659745
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310190918.6A Active CN115864480B (zh) | 2023-03-02 | 2023-03-02 | 基于大规模电动汽车分布式充放电功率跟踪集群调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115864480B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117485147B (zh) * | 2024-01-02 | 2024-03-26 | 国网湖北省电力有限公司营销服务中心(计量中心) | 一种电动汽车虚拟储能优化方法和系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109774525B (zh) * | 2019-01-29 | 2022-05-13 | 国网山西省电力公司吕梁供电公司 | 基于交替方向乘子法的电动汽车优化调度方法 |
CN110011342B (zh) * | 2019-04-04 | 2020-09-15 | 华北电力大学 | 一种集群电动汽车充放电功率优化管理方法 |
WO2022021957A1 (zh) * | 2021-03-16 | 2022-02-03 | 中国科学院广州能源研究所 | 运营商收益最大化的v2g二阶段随机规划调度模型 |
CN114825409B (zh) * | 2022-06-28 | 2022-09-13 | 中国电力科学研究院有限公司 | 一种电动汽车多目标分群分级优化调度方法及装置 |
CN115693737A (zh) * | 2022-10-18 | 2023-02-03 | 国网福建省电力有限公司经济技术研究院 | 一种基于v2g电动汽车聚合参与配电网调度的方法 |
-
2023
- 2023-03-02 CN CN202310190918.6A patent/CN115864480B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115864480A (zh) | 2023-03-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110011342B (zh) | 一种集群电动汽车充放电功率优化管理方法 | |
Wang et al. | Distributed control for large-scale plug-in electric vehicle charging with a consensus algorithm | |
CN105680474B (zh) | 一种储能抑制光伏电站快速功率变化的控制方法 | |
CN111934360B (zh) | 基于模型预测控制的虚拟电厂-储能系统能量协同优化调控方法 | |
CN105356491B (zh) | 一种基于储能和虚拟储能最优控制的功率波动平抑方法 | |
CN111626527B (zh) | 计及可调度电动汽车快/慢充放电形式的智能电网深度学习调度方法 | |
CN110086187B (zh) | 计及负荷特性的储能调峰日前优化调度方法 | |
CN104734200A (zh) | 一种基于虚拟发电的主动配电网优化调度方法 | |
CN109345019A (zh) | 一种基于改进粒子群算法的微电网经济调度优化策略 | |
CN115864480B (zh) | 基于大规模电动汽车分布式充放电功率跟踪集群调度方法 | |
CN106945558A (zh) | 集群电动汽车v2g控制策略 | |
CN110281809A (zh) | 一种基于粒子群优化算法的电动汽车v2g控制系统 | |
CN111753471B (zh) | 一种储能电池的优化运行方法 | |
CN110829446B (zh) | 一种基于柔性负荷动态特性的台区弹性调度方法与装置 | |
CN112508325B (zh) | 一种家庭微电网多时间尺度电能调度方法 | |
CN107231001B (zh) | 一种基于改进灰色预测的楼宇微网在线能量管理方法 | |
CN112668791A (zh) | 热电联供系统的优化方法 | |
CN113799640B (zh) | 适用于含电动汽车充电桩微电网的能量管理方法 | |
CN113824111A (zh) | 一种光储能场景中储能容量配置和调度方法 | |
CN111725836A (zh) | 一种基于深度强化学习的需求响应控制方法 | |
Dong et al. | Optimal scheduling framework of electricity-gas-heat integrated energy system based on asynchronous advantage actor-critic algorithm | |
CN111047097A (zh) | 一种综合能源系统日中滚动优化方法 | |
Kim | Smart charging architecture for between a plug-in electrical vehicle (PEV) and a smart home | |
CN114629148A (zh) | 一种含电动汽车资源的电力系统调度框架方法及其系统 | |
CN114692965A (zh) | 基于数模混合驱动的电动汽车集群可调度潜力预测方法及装置 |
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 |