CN116073418A - 基于动态电价的电动汽车充放电调度方法 - Google Patents
基于动态电价的电动汽车充放电调度方法 Download PDFInfo
- Publication number
- CN116073418A CN116073418A CN202310109043.2A CN202310109043A CN116073418A CN 116073418 A CN116073418 A CN 116073418A CN 202310109043 A CN202310109043 A CN 202310109043A CN 116073418 A CN116073418 A CN 116073418A
- Authority
- CN
- China
- Prior art keywords
- electric automobile
- charging
- electricity price
- discharging
- charge
- 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
Links
- 230000005611 electricity Effects 0.000 title claims abstract description 88
- 238000007599 discharging Methods 0.000 title claims abstract description 79
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000013528 artificial neural network Methods 0.000 claims abstract description 29
- 230000015654 memory Effects 0.000 claims abstract description 13
- 238000005457 optimization Methods 0.000 claims abstract description 12
- 230000007787 long-term memory Effects 0.000 claims abstract description 10
- 230000006403 short-term memory Effects 0.000 claims abstract description 10
- 230000008569 process Effects 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 78
- 238000009826 distribution Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 6
- CLOMYZFHNHFSIQ-UHFFFAOYSA-N clonixin Chemical compound CC1=C(Cl)C=CC=C1NC1=NC=CC=C1C(O)=O CLOMYZFHNHFSIQ-UHFFFAOYSA-N 0.000 claims description 6
- 238000005096 rolling process Methods 0.000 claims description 5
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 230000002776 aggregation Effects 0.000 claims description 3
- 230000005284 excitation Effects 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 230000015556 catabolic process Effects 0.000 abstract 1
- 238000006731 degradation reaction Methods 0.000 abstract 1
- 230000003993 interaction Effects 0.000 abstract 1
- 238000013178 mathematical model Methods 0.000 abstract 1
- 230000008859 change Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000003915 air pollution Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 238000012546 transfer Methods 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
-
- 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
- H02J3/007—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources
- H02J3/0075—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources for providing alternative feeding paths between load and source according to economic or energy efficiency considerations, e.g. economic dispatch
-
- 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
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
- H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given 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
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明公开了基于动态电价的电动汽车充放电调度方法,属于电网系统经济运行技术领域,包括以下步骤:对电网中的电动汽车、电网电价、电池退化等实际因素进行数学建模,并建立电动汽车基于变化的动态电价进行充放电调度的模型;根据数学模型可以得到电动汽车包含充放电花费、充放电功率限制、电网负荷限制和电网‑电动汽车交互过程中的优化约束条件;利用长短期记忆深度神经网络算法制定动态电价;基于动态电价,利用改进的非线性规划算法对电动汽车充放电优化问题进行求解;将结果反馈到长短期记忆深度神经网络下一次迭代更新的输入端,最终达到电价和电动汽车充放电调度的最优。本发明实现对电网的削峰填谷,以及降低电动汽车用户充电费用。
Description
技术领域
本发明涉及电网系统经济运行技术领域,尤其是一种基于动态电价的电动汽车充放电调度方法。
背景技术
化石燃料产生的温室气体排放是气候变化和空气污染的主要原因,而二氧化碳排放主要来自两个行业:电力/热力生产(42%)和交通运输(24%)。新能源的普及车辆缓解温室效应已成为交通运输行业的发展趋势。根据《新能源汽车产业发展规划(2021-2035年)》,到2025年,我国新能源汽车销量将达到新车总销量的20%左右。大量电动汽车充电不协调会对电网造成冲击,造成电压偏差、停电、输电损耗、相位负载不平衡等。电动汽车具有供电和负载的双重特性,可以根据电网需要增加或减少充电功率或转移充电时间,甚至通过V2G技术将电能送回电网。V2G(车辆到电网)模式降低了电动汽车全生命周期的使用成本,有利于电动汽车的推广和普及。目前常用的方法是通过改变电价来引导电动汽车的充放电。其目的是让电动汽车通过有序的充放电发挥稳定电网的作用。V2G的建立以经济最优为目标。确定电网的可用容量和电动汽车的参与以及电动汽车的状态,在电动汽车的V2G流程设计中起着非常重要的作用。因此设计合适的算法制定动态电价,同时对电动汽车充放电进行调度十分重要。
发明内容
本发明需要解决的技术问题是提供基于动态电价的电动汽车充放电调度方法,实现电价和电动汽车充放电调度的最优。
为解决上述技术问题,本发明所采用的技术方案是:
基于动态电价的电动汽车充放电调度方法,包括以下步骤:
S1、采用蒙特卡洛方法建立V2G背景下电动汽车充电需求、电动汽车放电容量、电动汽车可调度时间三部分模型;
S2、建立基于长短期记忆神经网络模型的动态电价输出模型;
S3、基于动态电价下的每辆电动汽车充放电成本函数和电网负荷峰谷差函数建立目标函数;
S4、确立目标函数的约束条件;
S5、采用通过引入电价补贴的方法改进非线性规划算法;基于神经网络输出的动态电价,在S4中的约束条件下对电动汽车进行充放电规划,获得充放电费用、补贴电价费用、电网负荷峰谷差;再次蒙特卡洛获得新的充电需求和放电容量;
S6、将补贴电价、电网负荷峰谷差作为损失函数,对长短期记忆神经网络的权重参数进行更新;将S5获得的新的总体电动汽车充电需求和放电容量作为长短期记忆神经网络的新输入,整体构成一个滚动的优化模型,最终在使电网负荷削峰填谷的同时降低了电动汽车的充放电成本,使电动汽车的充放电费用最低。
本发明技术方案的进一步改进在于:S1中,电动汽车充放电时间中,电动汽车返回时间Tb,服从正态分布,概率密度函数为:
其中,μb=17.47,σb=3.41;
电动汽车最早离家时间Tl,服从正态分布,概率密度函数为:
其中,μl=8.92,σl=3.24;
电动汽车的充电需求函数为:
电动汽车放电容量为:
Qn=Q-ΔQ-0.1·Q
其中,Ld为电动汽车行驶里程,Km为电动汽车每公里耗费电量,Q为电动汽车电池总容量,Qn为电动汽车可放电容量,ΔQ为电动汽车的充电需求。
本发明技术方案的进一步改进在于:S2中,动态电价输出模型的输入包括电动汽车充电需求、放电容量、电网基础负荷和大电网电价;对于电动汽车充放电的引导可以采用电价激励的方式,采用长短期记忆神经网络的方法制定合适的电价从而引导电动汽车参与V2G;
长短期记忆神经网络结构如下式:
ft=σ(Wfht-1+Ufxt+bf)
it=σ(Wiht-1+Uixt+bi)
ot=σ(Woht-1+Uoxt+bo)
yt=σ(Vht+by)
其中,σ表示Sigmoid激活函数;Tanh表示Tanh激活函数;xt为t时刻隐藏层的输入量,ht-1为t-1时刻隐藏层的输出量;ft为t时刻遗忘门的控制量;it为输入门控制量;Ot为输出门控制量;Ct-1为t-1时刻隐藏层细胞状态;为t时刻输入信息向量;Wf为上一时刻输出到遗忘门的权重;Wi为上一时刻输出到输入门第一部分的权重;Wc为上一时刻输出到输入门第二部分的权重;Wo为上一时刻输出到输出门的权重;Uf为输入到遗忘门的权重;Ui为输入到输入门第一部分的权重;Uc为输入到输入门第二部分的权重;Uo为输入到输出门的权重。
本发明技术方案的进一步改进在于:S3中,电网总体负荷包括电网基础负荷,电动汽车充放电负荷两部分,具体表达式如下:
电网负荷峰谷差函数Δf最小化表达为:
minΔf=max(f0,f1,f2…f21,f22,f23)-min(f0,f1,f2…f21,f22,f23)
其中,fj为j时段电网总负荷,j=0,1,2,3...21,22,23;fj,base为j时刻电网基础负荷,Pcij为第i辆电动汽车在j时刻的充电功率,Pdij为第i辆电动汽车在j时刻的放电功率,n为电动汽车总数;
目标函数为电动汽车充放成本函数Ri最小化,表达为:
其中,Tib为第i辆电动汽车返回时间;Til为第i辆电动汽车离开时间;Pcit和Pdit为第i辆电动汽车在t时刻电动汽车的充电功率和放电功率;rct为聚合商制定的t时刻充电电价;rdt为聚合商制定的t时刻放电电价;ait为第i辆电动汽车充放电状态,当ait=1时电动汽车充电,ait=-1时电动汽车放电,ait=0时电动汽车处于静置状态,既不充电也不放电,Rc为电池损耗;
目标函数采用非线性规划算法处理,在非线性规划部分的目标函数为凸函数,因此所求的局部最优也是全局最优。
本发明技术方案的进一步改进在于:S4中,在目标函数中变量为电动汽车的充放电功率,相关约束条件决定了非线性规划的可行域;
对于目标函数的实现的约束函数为:
充放电功率约束:
荷电平衡约束:
电池放电深度约束:
10%≤SOC≤100%
其中,SOC为电动汽车荷电状态;Pcm为最大充电功率,Pdm为最大放电功率,Pcit为第i辆电动汽车在t时刻的充电功率,Pdit为第为第i辆电动汽车在t时刻的放电功率;ΔQi为第i辆电动汽车充电需求;Tib为第i辆电动汽车返回时间,Til为第i辆电动汽车离开时间。
本发明技术方案的进一步改进在于:S5中,改进的非线性规划算法是在非线性规划算法中引入了补贴电价的含义,即在调度过程中,若相关时刻的电价差值均小于时,则对这些时刻的充放电功率重新分配,其本质是引入了一个新的约束,即当满足|rcx-rcy|≤Δr时,得:
Px,Py,…,Pz≤Per
其中,rcx,rcy分别为x,y时刻的充放电电价,Δr为补贴电价启用条件;Px,Py,...Pz为可重新分配时间段充放电功率,Per为他们的平均功率。
本发明技术方案的进一步改进在于:S6中,采用改进的非线性规划算法得到的电动汽车充放电费用Rni相对于原始线性规划得到的电动汽车充放电费用Ri高,因此第i辆电动汽车车主均衡负荷造成的损失R1i可以在总的充放电费用中作为补贴返还给用户,同时R1i反馈给长短期神经网络,作为损失函数的一部分,损失函数形式如下:
L=Δf/fe-ηR1
其中,Δf为电网负荷峰谷差函数;fe为电网平均负荷;η为学习率,设置为0.001;R1i为第i辆电动汽车补贴费用;R1为整体电动汽车补贴费用;n为电动汽车总量。
由于采用了上述技术方案,本发明取得的技术进步是:
1、本发明设计的长短期记忆神经网络-改进非线性规划(LSTM-INP)框架实现了基于动态电价的集中式和分布式组合的特性。在LSTM的电价制定阶段,充分考虑了电网和整体电动汽车的充放电等影响因素,实现了全局的最优。在改进的非线性规划对EV的充放电调度阶段,充分考虑了每辆EV的灵活性,降低了充电成本,提高了EV参与V2G的可靠性。
2、改进的非线性规划算法中,通过引入电价补贴,对每个时刻的EV充放电功率进行重新分配。减少电网的负载波动,增强电网的鲁棒性。
3、本文设计的LSTM-INP强化学习框架可以根据电动汽车数量的变化不断修改自己的参数。它可以应用于电动汽车数量不断增加的现代电网。
附图说明
图1是本发明中基于动态电价的电动汽车充放电调度方法的流程图;
图2是本发明中改进的非线性规划流程图;
图3是本发明中电动汽车无序和有序充电电网负荷图;
图4是本发明中设计的算法下电动汽车充放电电负荷图;
图5是本发明中的设计的算法下V2G抗干扰效果图;
图6是本发明中的整体算法结构图。
具体实施方式
下面结合附图及实施例对本发明做进一步详细说明:
如图1所示,基于动态电价的电动汽车充放电调度方法,包括以下步骤:
S1、采用蒙特卡洛方法建立V2G背景下电动汽车充电需求、电动汽车放电容量、电动汽车充放电时间三部分模型;
根据电网中的实际因素进行建模,实际因素包括电网基础负荷、电动汽车充电需求和放电容量、充放电成本、电网峰谷差和充放电相关约束;
电动汽车充放电时间为:
电动汽车返回时间Tb,服从正态分布,概率密度函数为:
其中,μb=17.47,σb=3.41;
电动汽车最早离家时间Tl,服从正态分布,概率密度函数为:
其中,μl=8.92,σl=3.24;
电动汽车的充电需求函数为:
电动汽车放电容量为:
Qn=Q-ΔQ-0.1·Q
其中,Ld为电动汽车行驶里程,Km为电动汽车每公里耗费电量,Q为电动汽车电池总容量,Qn为电动汽车可放电容量,ΔQ为电动汽车的充电需求。
S2、建立基于长短期记忆神经网络模型的动态电价输出模型,动态电价输出模型的输入包括电动汽车充电需求、放电容量、电网基础负荷和大电网电价;
通过长短期记忆神经网络,以大电网电价、电动汽车充电需求、放电容量作为输入,输出动态电价;
在不同时刻电网有着不同的负载,用电高峰期电网负载较大,导致电网用电压力增大,同时增加了电网运行风险;用电低谷期电网负载较小,容易造成发电设备的空置,降低了利用率。根据电动汽车的电池特性,引入V2G概念,在电网用电高峰期进行放电,低谷期进行充电。从而降低了电网运行风险,提高了电网设备利用效率。对于电动汽车充放电的引导可以采用电价激励的方式,采用长短期记忆神经网络的方法制定合适的电价从而引导电动汽车参与V2G;
长短期记忆神经网络结构如下式:
ft=σ(Wfht-1+Ufxt+bf)
it=σ(Wiht-1+Uixt+bi)
ot=σ(Woht-1+Uoxt+bo)
yt=σ(Vht+by)
其中,σ表示Sigmoid激活函数;Tanh表示Tanh激活函数;xt为t时刻隐藏层的输入量,ht-1为t-1时刻隐藏层的输出量;ft为t时刻遗忘门的控制量;it为输入门控制量;Ot为输出门控制量;Ct-1为t-1时刻隐藏层细胞状态;为t时刻输入信息向量;Wf为上一时刻输出到遗忘门的权重;Wi为上一时刻输出到输入门第一部分的权重;Wc为上一时刻输出到输入门第二部分的权重;Wo为上一时刻输出到输出门的权重;Uf为输入到遗忘门的权重;Ui为输入到输入门第一部分的权重;Uc为输入到输入门第二部分的权重;Uo为输入到输出门的权重。
S3、基于动态电价的每辆电动汽车充放电成本函数和电网负荷峰谷差函数建立目标函数;
电网总体负荷包括电网基础负荷,电动汽车充放电负荷两部分,具体表达式如下:
电网负荷峰谷差函数Δf最小化表达为:
minΔf=max(f0,f1,f2…f21,f22,f23)-min(f0,f1,f2…f21,f22,f23)
其中,fj为j时段电网总负荷,j=0,1,2,3...21,22,23;fj,base为j时刻电网基础负荷,Pcij为第i辆EV在j时刻的充电功率,Pdij为第i辆EV在j时刻的放电功率,n为EV总数;
目标函数为电动汽车充放成本函数Ri最小化,表达为:
其中,Tib为第i辆EV返回时间;Til为第i辆EV离开时间;Pcit和Pdit为第i辆EV在t时刻电动汽车的充电功率和放电功率;rct为聚合商制定的t时刻充电电价;rdt为聚合商制定的t时刻放电电价;ait为第i辆EV充放电状态,当ait=1时电动汽车充电,ait=-1时电动汽车放电,ait=0时电动汽车处于静置状态,既不充电也不放电,Rc为电池损耗;
本发明中首先证明了非线性规划中目标函数以及约束条件是凸的;凸函数的特点就是局部最优也是全局的最优,因此无需再考虑局部最优的情况;步骤如下:
凸函数定理:假设一个函数f(x),对于任意的实数都满足如下条件:
f(θx+(1-θ)y)≤θf(x)+(1-θ)f(y)
则该函数是凸函数,其中,x,y为不同的自变量,θ为大于零的任意常数。
经过验证,本发明中在非线性规划部分的目标函数为凸函数,因此所求的局部最优也是全局最优。
S4、确立目标函数的约束条件;
在目标函数中变量为电动汽车的充放电功率,相关约束条件决定了非线性规划的可行域;
对于目标函数的实现需要相应的约束,约束函数为:
充放电功率约束:
荷电平衡约束:
电池放电深度约束:
10%≤SOC≤100%
其中,SOC为电动汽车荷电状态;Pcm为最大充电功率,Pdm为最大放电功率,Pcit为第i辆EV在t时刻的充电功率,Pdit为第为第i辆EV在t时刻的放电功率;ΔQi为第i辆EV充电需求;Tib为第i辆EV返回时间,Til为第i辆EV离开时间。
S5、采用通过引入电价补贴的方法改进非线性规划算法;基于神经网络输出的动态电价,在S4中的约束条件下对电动汽车进行充放电规划,获得充放电费用、补贴电价费用、电网负荷峰谷差;再次蒙特卡洛获得新的充电需求和放电容量;
改进非线性规划算法,为通过引入电价补贴的方式将满足条件的时间段对应的充放电负荷重新分配;
对非线性规划算法的改进是在其中引入了补贴电价的含义,即在调度过程中,若相关几个时刻的电价差值在小于Δr时,则对这几个时刻的充放电功率重新分配,其本质是引入了一个新的约束,即当满足|rcx-rcy|≤Δr时,可得:
Px,Py,…,Pz≤Per
其中,rcx,rcy分别为x,y时刻的充放电电价,Δr为补贴电价启用条件;Px,Py,...Pz为可重新分配时间段充放电功率,Per为他们的平均功率。
通过S1、S2、S3、S4获得引入V2G后的电网总体负荷峰谷差、总体电动汽车充放电费用、补贴电价费用;蒙特卡洛生成新的总体电动汽车充电需求和放电容量。
S6、将补贴电价、电网负荷峰谷差作为损失函数,对长短期记忆神经网络的权重参数进行更新;将S5获得的新的总体电动汽车充电需求和放电容量作为长短期记忆神经网络的新输入,整体构成一个滚动的优化模型,最终在使电网负荷削峰填谷的同时降低了电动汽车的充放电成本,使电动汽车的充放电费用最低。
但是采用改进的非线性规划算法得到的电动汽车充放电费用Rni相对于原始线性规划得到的EV充放电费用Ri略高,因此第i辆EV车主均衡负荷造成的损失R1i可以在总的充放电费用中作为补贴返还给用户,同时R1i反馈给长短期神经网络,作为损失函数的一部分,损失函数形式如下:
L=Δf/fe-ηR1
其中,Δf为电网负荷峰谷差函数;fe为电网平均负荷;η为学习率,设置为0.001;R1i为第i辆EV补贴费用;R1为整体EV补贴费用;n为EV总量。
将S5获得的新的总体电动汽车充电需求和放电容量作为长短期记忆神经网络的新输入,整体构成一个滚动的优化模型,最终在使电网负荷削峰填谷的同时降低了电动汽车的充放电成本,使电动汽车的充放电费用最低。
实施例
如图2所示,为本专利非线性规划算法改进部分。具体的,非线性规划算法主要是用来对电动汽车的充放电行为进行调度。在目标函数中变量为电动汽车的充放电功率,相关约束条件决定了非线性规划的可行域。经过验证,本发明中在非线性规划部分的目标函数为凸函数。因此所求的局部最优也是全局最优。
对非线性规划算法的改进是在其中引入了补贴电价的含义。即,在调度过程中,若相关几个时刻的电价差值在一定范围内,则对这几个时刻的充放电功率重新分配。其本质是引入了一个新的约束。但是采用此方案得到的电动汽车充放电费用相对于原始线性规划得到的EV充放电费用略高。因此第i辆EV车主均衡负荷造成的损失可以在总的充放电费用中作为补贴返还给用户。同时还可以反馈给长短期神经网络,作为其损失函数的一部分。
如图3所示,为电动汽车无序充电和有序充电负荷变化图。无序充电即EV入网后立即进行不间断充电使其达到预期电量,充满即停。从图中可以看出,因为电动汽车的充电时间和居民用电时间非常吻合,所以电动汽车的无序充电会导致电网负荷峰上加峰,对电网的安全造成威胁。有序充电即在电网用电高峰期暂缓充电,在电网负荷低谷期集中充电。能够有效减缓电网负荷峰上加峰。
如图4所示,为本发明设计的算法调度电动汽车充放电后电网负荷变化图。基于动态分时电价的V2G调度方法可以有效的调节电网负荷,达到削峰填谷的目的。
如图5所示,为本发明设计的算法中电价补贴的作用。从图5-a和图5-b的比较可以看出,引入补贴电价对非线性规划算法进行改进,可以提高算法的鲁棒性。
如图6所示,为本发明的算法整体框架结构图。步骤如下:
(1)输入每辆电动汽车的充放电开始、结束时间,大电网电价,电动汽车充电需求以及可放电电量。
(2)设计神经网络的参数,并确定损失函数的模型。
(3)将电网基础负荷、大电网电价、充电需求和放电容量作为长短期记忆神经网络(LSTM)的输入。
(4)输出动态的分时电价。其动态变化时间周期为二十四小时,即每天更新一次电价。
(5)基于神经网络输出的动态分时电价,采用非线性规划的算法对电动汽车进行充放电调度。
(6)证明目标函数是凸函数,并引入补贴电价改进非线性规划算法,以减缓电网过快的负荷波动。
(7)根据需要补贴的电价,以及电网负荷峰谷差构造损失函数,更新神经网络权重;算法整体构成一个滚动优化的强化学习算法。
综上所述,本发明针对小区内电动汽车无序充电造成配电网负荷波动问题,综合考虑了总体电动汽车充电需求、放电潜力、大电网分时电价、聚合商和车主利益诉求,首先以电动汽车充放电费用最低和配电网的负荷峰谷差最小为目标,建立基于长短期记忆深度神经网络算(LSTM)制定动态电价,进而利用改进的非线性规划算法(NP)对电动汽车充放电优化问题进行求解,并将结果反馈到长短期记忆深度神经网络用来更新其权重,最终达到电价和电动汽车充放电调度的最优。
Claims (7)
1.一种基于动态电价的电动汽车充放电调度方法,其特征在于:包括以下步骤:
S1、采用蒙特卡洛方法建立V2G背景下电动汽车充电需求、电动汽车放电容量、电动汽车可调度时间三部分模型;
S2、建立基于长短期记忆神经网络模型的动态电价输出模型;
S3、基于动态电价下的每辆电动汽车充放电成本函数和电网负荷峰谷差函数建立目标函数;
S4、确立目标函数的约束条件;
S5、采用通过引入电价补贴的方法改进非线性规划算法;基于神经网络输出的动态电价,在S4中的约束条件下对电动汽车进行充放电规划,获得充放电费用、补贴电价费用、电网负荷峰谷差;再次蒙特卡洛获得新的充电需求和放电容量;
S6、将补贴电价、电网负荷峰谷差作为损失函数,对长短期记忆神经网络的权重参数进行更新;将S5获得的新的总体电动汽车充电需求和放电容量作为长短期记忆神经网络的新输入,整体构成一个滚动的优化模型,最终在使电网负荷削峰填谷的同时降低了电动汽车的充放电成本,使电动汽车的充放电费用最低。
3.根据权利要求1所述的基于动态电价的电动汽车充放电调度方法,其特征在于:S2中,动态电价输出模型的输入包括电动汽车充电需求、放电容量、电网基础负荷和大电网电价;对于电动汽车充放电的引导可以采用电价激励的方式,采用长短期记忆神经网络的方法制定合适的电价从而引导电动汽车参与V2G;
长短期记忆神经网络结构如下式:
ft=σ(Wfht-1+Ufxt+bf)
it=σ(Wiht-1+Uixt+bi)
ot=σ(Woht-1+Uoxt+bo)
yt=σ(Vht+by)
4.根据权利要求1所述的基于动态电价的电动汽车充放电调度方法,其特征在于:S3中,电网总体负荷包括电网基础负荷,电动汽车充放电负荷两部分,具体表达式如下:
电网负荷峰谷差函数Δf最小化表达为:
minΔf=max(f0,f1,f2…f21,f22,f23)-min(f0,f1,f2…f21,f22,f23)
其中,fj为j时段电网总负荷,j=0,1,2,3...21,22,23;fj,base为j时刻电网基础负荷,Pcij为第i辆电动汽车在j时刻的充电功率,Pdij为第i辆电动汽车在j时刻的放电功率,n为电动汽车总数;
目标函数为电动汽车充放成本函数Ri最小化,表达为:
其中,Tib为第i辆电动汽车返回时间;Til为第i辆电动汽车离开时间;Pcit和Pdit为第i辆电动汽车在t时刻电动汽车的充电功率和放电功率;rct为聚合商制定的t时刻充电电价;rdt为聚合商制定的t时刻放电电价;ait为第i辆电动汽车充放电状态,当ait=1时电动汽车充电,ait=-1时电动汽车放电,ait=0时电动汽车处于静置状态,既不充电也不放电,Rc为电池损耗;
目标函数采用非线性规划算法处理,在非线性规划部分的目标函数为凸函数,因此所求的局部最优也是全局最优。
6.根据权利要求1所述的基于动态电价的电动汽车充放电调度方法,其特征在于:S5中,改进的非线性规划算法是在非线性规划算法中引入了补贴电价的含义,即在调度过程中,若相关时刻的电价差值均小于Δr时,则对这些时刻的充放电功率重新分配,其本质是引入了一个新的约束,即当满足|rcx-rcy|≤Δr时,得:
Px,Py,…,Pz≤Per
其中,rcx,rcy分别为x,y时刻的充放电电价,Δr为补贴电价启用条件;Px,Py,...Pz为可重新分配时间段充放电功率,Per为他们的平均功率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310109043.2A CN116073418B (zh) | 2023-02-14 | 2023-02-14 | 基于动态电价的电动汽车充放电调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310109043.2A CN116073418B (zh) | 2023-02-14 | 2023-02-14 | 基于动态电价的电动汽车充放电调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116073418A true CN116073418A (zh) | 2023-05-05 |
CN116073418B CN116073418B (zh) | 2024-07-02 |
Family
ID=86179894
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310109043.2A Active CN116073418B (zh) | 2023-02-14 | 2023-02-14 | 基于动态电价的电动汽车充放电调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116073418B (zh) |
Cited By (1)
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 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108596464A (zh) * | 2018-04-17 | 2018-09-28 | 南京邮电大学 | 基于动态非合作博弈的电动汽车与云储能经济调度方法 |
CN109886501A (zh) * | 2019-03-06 | 2019-06-14 | 昆明理工大学 | 一种电动汽车充放电多目标优化方法 |
CN110443415A (zh) * | 2019-07-24 | 2019-11-12 | 三峡大学 | 一种计及动态电价策略的电动汽车充电站多目标优化调度方法 |
CN110570007A (zh) * | 2019-06-17 | 2019-12-13 | 上海交通大学 | 电动汽车多时间尺度优化调度方法 |
CN114529174A (zh) * | 2022-01-28 | 2022-05-24 | 华南理工大学 | 一种计及预测负荷和用户需求的电动汽车实时调度方法 |
CN115036952A (zh) * | 2022-06-15 | 2022-09-09 | 华北电力大学 | 一种基于mpc的电动汽车参与负荷平抑的实时功率控制方法 |
-
2023
- 2023-02-14 CN CN202310109043.2A patent/CN116073418B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108596464A (zh) * | 2018-04-17 | 2018-09-28 | 南京邮电大学 | 基于动态非合作博弈的电动汽车与云储能经济调度方法 |
CN109886501A (zh) * | 2019-03-06 | 2019-06-14 | 昆明理工大学 | 一种电动汽车充放电多目标优化方法 |
CN110570007A (zh) * | 2019-06-17 | 2019-12-13 | 上海交通大学 | 电动汽车多时间尺度优化调度方法 |
CN110443415A (zh) * | 2019-07-24 | 2019-11-12 | 三峡大学 | 一种计及动态电价策略的电动汽车充电站多目标优化调度方法 |
CN114529174A (zh) * | 2022-01-28 | 2022-05-24 | 华南理工大学 | 一种计及预测负荷和用户需求的电动汽车实时调度方法 |
CN115036952A (zh) * | 2022-06-15 | 2022-09-09 | 华北电力大学 | 一种基于mpc的电动汽车参与负荷平抑的实时功率控制方法 |
Non-Patent Citations (1)
Title |
---|
任丽娜等: "考虑用户行为的电动汽车充电电价制定策略", 《燕山大学学报》, vol. 45, no. 6, 30 November 2021 (2021-11-30), pages 505 - 513 * |
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 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN116073418B (zh) | 2024-07-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107133415B (zh) | 一种考虑用户满意和配网安全的电动汽车充放电优化方法 | |
CN110739725B (zh) | 一种配电网优化调度方法 | |
CN110570007B (zh) | 电动汽车多时间尺度优化调度方法 | |
CN110138006B (zh) | 考虑含有新能源电动汽车的多微电网协调优化调度方法 | |
CN110378548B (zh) | 一种电动汽车虚拟电厂多时间尺度响应能力评估模型构建方法 | |
CN110148969B (zh) | 基于模型预测控制技术的主动配电网优化运行方法 | |
CN107730048B (zh) | 一种风电-电动汽车联合系统随机鲁棒优化调度方法 | |
CN113098011A (zh) | 一种基于改进NashQ算法的风电调度方法及系统 | |
CN114881502B (zh) | 一种基于区间约束的电动汽车充放电优化调度方法 | |
CN116073418B (zh) | 基于动态电价的电动汽车充放电调度方法 | |
Ren et al. | Electric vehicle charging and discharging scheduling strategy based on dynamic electricity price | |
CN115358806A (zh) | 基于可再生能源发电的电氢综合能源系统成本优化方法 | |
CN117578537A (zh) | 基于碳交易和需求响应的微电网优化调度方法 | |
CN108110801A (zh) | 考虑电动汽车与储能的有源配电网多级冗余协调控制方法 | |
Mao et al. | Microgrid group control method based on deep learning under cloud edge collaboration | |
Zhang et al. | Multi-objective optimal scheduling strategy of microgrid based on v2g technology | |
Kaur et al. | Design of the ANFIS based optimized frequency control module for an electric vehicle charging station | |
Boonraksa et al. | Optimal PV sizing of the PV-based battery swapping stations on the radial distribution system using whale optimization algorithm | |
CN112260274A (zh) | 一种基于全景理论的虚拟电厂组建方法 | |
CN112003268A (zh) | 基于模型预测控制的智能建筑群电能优化共享系统和方法 | |
CN112736894B (zh) | 一种计及风电与电动汽车随机性的两阶段机组组合建模方法 | |
CN115036952A (zh) | 一种基于mpc的电动汽车参与负荷平抑的实时功率控制方法 | |
Jia et al. | Multi-layer coordinated optimization of integrated energy system with electric vehicles based on feedback correction | |
Li et al. | Based on prospect theory regional integrated energy electric vehicle scheduling model | |
CN115081715B (zh) | 考虑碳交易与绿证交易的虚拟电厂优化调度方法 |
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 | ||
GR01 | Patent grant |