CN116345476A - 基于车-站-网信息交互的ev智能实时调度方法及系统 - Google Patents

基于车-站-网信息交互的ev智能实时调度方法及系统 Download PDF

Info

Publication number
CN116345476A
CN116345476A CN202310530556.0A CN202310530556A CN116345476A CN 116345476 A CN116345476 A CN 116345476A CN 202310530556 A CN202310530556 A CN 202310530556A CN 116345476 A CN116345476 A CN 116345476A
Authority
CN
China
Prior art keywords
time
charging
charge
real
evu
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
Application number
CN202310530556.0A
Other languages
English (en)
Inventor
李家乐
王贵林
王雪菲
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.)
Hebei University of Technology
Original Assignee
Hebei University of 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 Hebei University of Technology filed Critical Hebei University of Technology
Priority to CN202310530556.0A priority Critical patent/CN116345476A/zh
Publication of CN116345476A publication Critical patent/CN116345476A/zh
Pending legal-status Critical Current

Links

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
    • H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
    • H02J3/14—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by switching loads on to, or off from, network, e.g. progressively balanced loading
    • H02J3/144—Demand-response operation of the power transmission or distribution network
    • 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
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/0013—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries acting upon several batteries simultaneously or sequentially
    • 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
    • H02J2310/00—The network for supplying or distributing electric power characterised by its spatial reach or by the load
    • H02J2310/50—The network for supplying or distributing electric power characterised by its spatial reach or by the load for selectively controlling the operation of the loads
    • H02J2310/56—The network for supplying or distributing electric power characterised by its spatial reach or by the load for selectively controlling the operation of the loads characterised by the condition upon which the selective controlling is based
    • H02J2310/58—The condition being electrical
    • H02J2310/60—Limiting power consumption in the network or in one section of the network, e.g. load shedding or peak shaving
    • 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

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本发明为基于车‑站‑网信息交互的EV智能实时调度方法及系统，所述调度方法包括以下内容：用于获取电动汽车用户EVU的充放电相关信息；获得充电站选择指标包括：EVU从出发点到各个充电站的最短路径距离、电量消耗和行程时间，最大等待时间、利用率；获得当前时刻之后的未来24h的电网原负荷信息、实时电价信息和实时碳排放因子信息，作为充放电优化指标；以充电站选择指标和充放电优化指标构成指标体系；假设在同一个充电站不能既充电又放电，构建电动汽车智能实时调度模型的目标函数及约束；根据EVU和电网不同的目标偏好，求解电动汽车智能实时调度模型，获得多个不同偏好的推荐方案。实现了EVU对于充电站的选择和EVU参与充放电的调度的双重优化。

Description

基于车-站-网信息交互的EV智能实时调度方法及系统
技术领域
本发明涉及碳排放和电动汽车智能调度领域，具体是一种基于车-站-网信息交互的电动汽车(EV)智能实时调度方法及系统。
背景技术
随着全球温室气体排放量的快速增加，气候变化已成为当今世界面临的主要挑战之一。为了应对这一挑战，世界各国大力发展电动汽车(EV)。与传统燃油汽车相比，EV利用电能替代传统化石燃料，不仅能显着提高能源转换效率，还能帮助减少温室气体排放、改善空气质量、减少噪音污染。同时，EV还能作为分布式储能设施参与电力平衡调节和提供辅助服务。考虑到EV的上述优势，EV保有量发展迅速，截止到2021年底，纯电动汽车保有量达640万辆。随着EV保有量的不断增长，大量EV随意选择充电站影响电动汽车用户(EVU)充电经济性、便利性和服务品质；其充电行为没有得到适当控制，无序接入电网会影响其安全运行、优化控制和低碳化。因此，必须采取适当的调度方法来引导EVU选择合适的充电站以及进行有序充放电，减少对EVU和电网的负面影响。
目前的EV智能实时调度方法仅仅依靠单一指标对EVU进行充放电调度，例如依靠分时电价来激励EVU在电价较低时段进行充电来减少充电成本，在电价较高时段进行放电来获得收益；依靠边际碳排因子来引导EVU在数值较低时刻进行充电来减少电网的碳排放。但这只能对于EVU或电网单方面有利，对于整个系统并不是最优的。
本申请在满足EVU充放电需求的情况下，通过建立指标体系来指导EVU选择充电站以及进行充放电操作，并通过深度强化学习来实现这一实时调度。
发明内容
针对现有技术的不足，本发明拟解决的技术问题是，提供一种基于车-站-网信息交互的EV智能实时调度方法及系统，所述方法及系统能针对大规模EV选择充电站以及接入电网的随机性，利用EVU充电便利性、经济性和充电服务品质的评价指标以及电网安全性和环保性的评价指标，在满足EVU充放电需求情况下，建立电动汽车智能实时调度模型，并利用深度强化学习算法进行求解，获得多个不同偏好的推荐方案。
本发明解决所述技术问题的技术方案是：
第一方面，本发明提供一种基于车-站-网信息交互的EV智能实时调度方法，所述调度方法包括以下内容：
获取电动汽车用户EVU的充放电请求，获得EV的经纬度、充放电请求的时间T0、电池电量状态SCO0、EV的电池容量Ecap、EV的充放电功率Pch/dis、用户离开充电场站时的预期电池电量状态SOCend、EVU预计离开充电站的时间Tl、电动汽车的平均车速
Figure BDA0004224413950000011
信息；
获得充电站选择指标包括：EVU从出发点到各个充电站的最短路径距离Dmin、电量消耗Ec和行程时间Tmin，最大等待时间Tq、利用率Uj；
对电网原负荷值L、实时电价REP和实时碳排因子REF进行当前时刻未来24小时的预测，获得当前时刻之后的未来24h的电网原负荷信息、实时电价信息和实时碳排放因子信息，以预测获得的电网原负荷、实时电价和实时碳排放因子作为充放电优化指标；
以充电站选择指标和充放电优化指标构成指标体系，所述指标体系用来评价EVU从选择充电站到充放电结束的整个过程的便利性、服务品质、经济性、环保性和安全性；
假设在同一个充电站不能既充电又放电，构建电动汽车智能实时调度模型的目标函数f1-f8为公式(18)-(25)：
f1＝Tmin (18)
f2＝Ec (19)
Figure BDA0004224413950000021
Figure BDA0004224413950000022
f5＝Tq (22)
f6＝Uj (23)
Figure BDA0004224413950000023
Figure BDA0004224413950000024
其中，T为时间段集合，REPt表示时段t内的实时电价，通过预测获得；
Figure BDA0004224413950000025
表示第i辆EV在时段t内进行充电，反之，不充电；/>
Figure BDA0004224413950000026
表示第i辆EV在时段t内进行放电，反之，不放电；Δt为单位时段长度；η为充电桩的充放电效率；/>
Figure BDA0004224413950000027
为第i辆EV的充放电功率；Pmax为电网原负荷叠加上充电负荷的最大值，Pmin为电网原负荷叠加上充电负荷的最小值；REFt表示时段t内实时碳排因子，通过预测获得；
电动汽车智能实时调度模型的约束为公式(26)和(27)：
|SOCt-SOCend|≤δ (26)
SOCmin+Ec≤SOC0 (27)
其中，SOCmin为EV电池电量状态的最低阈值；SOCt为电动汽车用户取车时的电池电量状态；
若EV的充放电时间ΔT小于EVU预计离开充电站的时间Tl和EVU到达充电站的时间Ta之差，且有放电需求的EVU到达充电站的初始电池电量状态
Figure BDA0004224413950000028
大于55％，则EV的充放电开始时间能优化，按照电动汽车智能实时调度模型进行优化；
根据EVU和电网不同的目标偏好，选择指标体系中的指标，求解电动汽车智能实时调度模型，获得多个不同偏好的推荐方案。
进一步地，将电动汽车智能实时调度模型等效为一个马尔可夫决策过程MDP，利用深度强化学习进行电动汽车智能实时调度模型训练和求解，获得多个不同偏好的推荐方案，所述推荐方案包括充电站位置、充放电开始时间和充放电电量；所述深度强化学习为深度确定性策略梯度DDPG算法。
第二方面，本发明提供一种基于车-站-网信息交互的EV智能实时调度系统，所述系统包括信息收集模块、充电站选择指标计算模块、优化判断模块、信息交互模块、预测模块、系统模型建立模块和系统决策模块；
所述信息收集模块，用于获取电动汽车用户EVU的充放电相关信息；
所述充电站选择指标计算模块，用于根据信息收集模块获得的信息计算充电站选择指标，所述充电站选择指标包括：EVU从出发点到各个充电站的最短路径距离Dmin、电量消耗Ec和行程时间Tmin，最大等待时间Tq，利用率Uj；
所述优化判断模块，用于根据EV的电量状态信息以及EVU时间灵活性来对EV进行优化充放电操作判断，满足条件放入充放电计划中；
所述信息交互模块，用于与能源系统和电网之间进行信息交互，获得需要的历史数据信息；历史数据信息包括从能源系统中获得每类发电厂每单位时段长度的发电量和单位发电成本，从电网获得一天内各单位时段长度的原负荷值；
所述预测模块，用于对电网原负荷值、实时电价和实时碳排因子进行当前时刻未来24小时的预测，根据信息交互模块获得的历史数据信息预测获得充放电优化指标，所述充放电优化指标包括预测获得的电网原负荷Lt、实时电价REPt和实时碳排放因子REFt；
所述系统模型建立模块用于建立电动汽车智能实时调度模型；
所述系统决策模块用于根据EVU和电网不同的目标偏好，求解电动汽车智能实时调度模型，获得多个不同偏好的推荐方案。
进一步地，根据EV的经纬度和区域内所有的充电站的经纬度分别建立OD矩阵，通过Dijkstra算法分别计算EVU从出发点到各个充电站的最短路径距离Dmin，并根据公式(1)和公式(2)计算出最短路径距离下的电量消耗Ec和行程时间Tmin；
Figure BDA0004224413950000031
Figure BDA0004224413950000032
其中，E100表示电动汽车在标准工况下每百公里的耗电量，Ecap为EV的电池容量，
Figure BDA0004224413950000033
为电动汽车的平均车速；
根据排队论M/G/K按照公式(3)计算每个充电站的最大等待时间Tq：
Figure BDA0004224413950000034
其中，λ表示服从泊松过程的EVU平均到达率，μ表示服务时间的期望，σ表示服务时间的方差，k为站内充电桩数量，ρ＝λμ；
区域内各个充电站的利用率Uj用公式(4)表示：
Figure BDA0004224413950000041
Nm表示充电站m在一天内的服务次数，n为某区域内的充电站数量。
进一步地，所述优化判断模块的具体过程是：
根据公式(5)-(7)分别计算出EV到达充电站的初始电池电量状态SOCstart、EV到达充电站的时间Ta、EV的充放电时间ΔT：
SOCstart＝SOC0-Ec (5)
Ta＝T0+Tmin (6)
Figure BDA0004224413950000042
其中，η为充电桩的充放电效率；SOC0为电池电量状态，T0为充放电请求的时间，SOCend为用户离开充电场站时的预期电池电量状态，Ecap为EV的电池容量，Pch/dis为EV的充放电功率，SOC0、T0、SOCend、Ecap、Pch/dis均通过信息收集模块获得；电量消耗Ec和行程时间Tmin通过充电站选择指标计算模块获得；
若EV的充放电时间ΔT小于EVU预计离开充电站的时间Tl和EVU到达充电站的时间Ta之差，且有放电需求的EVU到达充电站的初始电池电量状态
Figure BDA0004224413950000043
大于55％，即
ΔT＜Tl-Ta (8)
Figure BDA0004224413950000044
则EV的充放电开始时间能优化，进行延迟充放电，放入充放电计划中；反之，EV即时充放电，将该EV移除充放电计划。
进一步地，所述预测模块利用基于特征提取网络LSTM通过历史数据信息来获得其未来的变化趋势特征信息，特征提取网络LSTM输入为过去24h的L，REP和REF，输出为当前时刻之后的未来24h的L，REP和REF。
进一步地，所述系统决策模块将电动汽车智能实时调度模型构建为一个马尔可夫决策过程MDP，选用深度确定性策略梯度DDPG算法，求解基于MDP的电动汽车智能实时调度模型；
对于深度确定性策略梯度DDPG算法，输入:input＝(t,Tmin,Ec,Tq,Uj,Lt,REPt,REFt)，输出：
Figure BDA0004224413950000045
Uj表示充电站j的利用率，/>
Figure BDA0004224413950000046
和/>
Figure BDA0004224413950000047
分别表示第i辆EV的开始充电时间和开始放电时间；/>
Figure BDA0004224413950000048
分别表示第i辆EV的充电电量和放电电量；
利用历史数据作为环境状态，离线训练深度确定性策略梯度DDPG算法的网络；
然后，对训练好的DDPG算法参数进行固定，求解电动汽车智能实时调度模型，当调度任务在每个周期出现时，根据系统当前状态，利用训练好的DDPG算法选择调度动作；智能体采取行动进入下一个环境状态并获得奖励；然后，收集t+1时间段的电网原负荷、电网实时电价和电网实时碳排因子作为新样本，得出该时间段的决策；智能体根据当前奖励不断地进行学习，从而获得最大化奖励对应的优化方案，包括EVU最优、电网最优和系统最优的优化方案；
所述智能体为进行调度的任意一辆EV。
与现有技术相比，本发明有益效果在于：
(1)现有电动汽车调度方法中，只考虑电动汽车到达充电站之后的充放电调度，未将EVU从出发点到达充电站这部分过程进行考虑，本申请首次将EVU选择充电站并进行有序充放电的整个过程结合起来进行建模，既优化EVU对于充电站的选择，又优化EVU参与充放电的调度。
(2)现有电动汽车调度方法中，仅仅使用单一指标引导EVU选择充电站以及充放电调度，这可能会影响其他利益者的参与，本申请通过建立指标体系来反映EVU选择充电站及充放电操作的整个过程，并首次提出通过充电站的利用率来评价充电站的服务品质，以供EVU选择合适的充电站，提高充电满意度。
(3)本发明提出了电动汽车智能实时调度系统，该系统设置了信息收集模块，充电站选择指标计算模块，优化判断模块，信息交互模块，预测模块，系统模型建立模块和系统决策模块，每个模块依次执行相应的操作，并提出根据电动汽车的初始电量状态以及充放电时间进行充放电操作优化判断，实现对EVU的良性引导，更加节能，减少了对EVU和电网的负面影响。
附图说明
图1为本发明基于车-站-网信息交互的EV智能实时调度方法的流程图。
图2为本发明基于车-站-网信息交互的EV智能实时调度系统的结构示意图。
图中，信息收集模块1、充电站选择指标计算模块2、优化判断模块3、信息交互模块4、预测模块5，系统模型建立模块6、系统决策模块7。
具体实施方式
下面给出本发明的具体实施例。具体实施例仅用于进一步详细说明本发明，不限制本申请的保护范围。
本发明考虑碳排放及车-站-网信息交互的EV智能实时调度方法(参见图1)：
获取电动汽车用户EVU的充放电请求，获得EV的经纬度、充放电请求的时间(T0)、电池电量状态(SOC0)、EV的电池容量(Ecap)、EV的充放电功率(Pch/dis)、用户离开充电场站时的预期电池电量状态(SOCend)、EVU预计离开充电站的时间(Tl)、电动汽车的平均车速
Figure BDA0004224413950000051
信息；
获得充电站选择指标包括：EVU从出发点到各个充电站的最短路径距离Dmin、电量消耗Ec和行程时间Tmin，最大等待时间Tq、利用率Uj；
对电网原负荷值L、实时电价REP和实时碳排因子REF进行当前时刻未来24小时的预测，获得当前时刻之后的未来24h的电网原负荷信息、实时电价信息和实时碳排因子信息，以预测获得的电网原负荷、实时电价和实时碳排因子作为充放电优化指标；
以充电站选择指标和充放电优化指标构成指标体系，该指标体系来评价EVU从选择充电站到充放电结束的整个过程的便利性、服务品质、经济性、环保性和安全性。该指标体系是作为系统决策模块的网络输入。
构建电动汽车智能实时调度模型的目标函数为公式(18)-(25)为：
Figure BDA0004224413950000061
Figure BDA0004224413950000062
Figure BDA0004224413950000063
Figure BDA0004224413950000064
Figure BDA0004224413950000065
Figure BDA0004224413950000066
电动汽车智能实时调度模型的约束为公式(26)和(27)：
|SOCt-SOCend|≤δ (26)
SOCmin+Ec≤SOC0 (27)
其中SOCmin为EV电池电量状态的最低阈值，通常情况下设置为10％。
判断EVU的充放电行为是否需要进行优化，若EV的充放电时间ΔT小于EVU预计离开充电站的时间Tl和EVU到达充电站的时间Ta之差，且有放电需求的EVU到达充电站的初始电池电量状态
Figure BDA0004224413950000067
大于55％，则EV的充放电开始时间能优化，按照电动汽车智能实时调度模型给出优化方案；
根据EVU和电网不同的目标偏好，求解电动汽车智能实时调度模型，获得多个不同偏好的推荐方案。
利用深度强化学习进行电动汽车智能实时调度模型训练和求解，获得多个不同偏好的推荐方案(包括充电站位置、充放电开始时间和充放电电量)。将电动汽车智能实时调度模型等效为一个马尔可夫决策过程(MDP)，所述深度强化学习为深度确定性策略梯度(DDPG)算法。
本发明基于车-站-网信息交互的EV智能实时调度系统(EVIRTSS)的结构如图2所示，包括信息收集模块1、充电站选择指标计算模块2、优化判断模块3、信息交互模块4、预测模块5、系统模型建立模块6和系统决策模块7。
所述信息收集模块，用于获取电动汽车用户(EVU)的充放电相关信息，具体信息包括：EV的经纬度，充放电请求的时间(T0)，电池电量状态(SOC0)，EV的电池容量(Ecap)，EV的充放电功率(Pch/dis)，用户离开充电场站时的预期电池电量状态(SOCend)，EVU预计离开充电站的时间(Tl),电动汽车的平均车速
Figure BDA0004224413950000075
所述充电站选择指标计算模块，用于根据信息收集模块获得的信息计算充电站选择指标，所述充电站选择指标包括：EVU从出发点到各个充电站的最短路径距离Dmin、电量消耗Ec和行程时间Tmin，最大等待时间Tq，利用率Uj；
(1)计算最短路径距离、电量消耗和行程时间：根据EV的经纬度和区域内所有的充电站的经纬度分别建立OD矩阵，通过Dijkstra算法分别计算EVU从出发点到各个充电站的最短路径距离Dmin，并根据公式(1)和公式(2)计算出最短路径距离下的电量消耗Ec和行程时间Tmin。
Figure BDA0004224413950000071
Figure BDA0004224413950000072
E100表示电动汽车在标准工况下每百公里的耗电量，Ecap为EV的电池容量，
Figure BDA0004224413950000076
为电动汽车的平均车速。
(2)最大等待时间是衡量EVU选择充电站进行充放电的重要指标之一，根据排队论M/G/K按照公式(3)计算每个充电站的最大等待时间Tq：
Figure BDA0004224413950000073
其中λ表示服从泊松过程的EVU平均到达率，μ表示服务时间的期望，σ表示服务时间的方差，k为站内充电桩数量，ρ＝λμ。
(3)利用率可以表征充电站的充电服务品质，比如服务品质好的充电站可以通过免费停车，服务人员热情，充电优惠活动等方式来体现。充电站的利用率也是EVU选择充电站的重要指标之一。因此，区域内各个充电站的利用率Uj用公式(4)表示：
Figure BDA0004224413950000074
Nm表示充电站m在一天内的服务次数，n为某区域内的充电站数量。Nm越大说明该充电站充电服务越好，也越受欢迎，其利用率越高。
所述优化判断模块，用于根据EV的电量状态信息以及EVU时间灵活性来对EV进行优化充放电操作判断，满足条件放入充放电计划中。
根据公式(5)-(7)分别计算出EV到达充电站的初始电池电量状态SOCstart、EV到达充电站的时间Ta、EV的充放电时间ΔT：
SOCstart＝SOC0-Ec (5)
Ta＝T0+Tmin (6)
Figure BDA0004224413950000081
其中η为充电桩的充放电效率，为已知值；SOC0为电池电量状态，T0为充放电请求的时间，SOCend为用户离开充电场站时的预期电池电量状态，Ecap为EV的电池容量，Pch/dis为EV的充放电功率，这些值均通过信息收集模块获得；电量消耗Ec和行程时间Tmin通过充电站选择指标计算模块获得。
若EV的充放电时间ΔT小于EVU预计离开充电站的时间Tl和EVU到达充电站的时间Ta之差，且有放电需求的EVU到达充电站的初始电池电量状态
Figure BDA0004224413950000082
大于55％，即
ΔT＜Tl-Ta (8)
Figure BDA0004224413950000083
则EV的充放电开始时间可以优化，进行延迟充放电，放入充放电计划中，对充放电计划中的EV需要利用电动汽车智能实时调度模型进行优化求解，给出不同偏好的推荐方案；反之，该EV应进行即时充放电，将该车移除充放电计划。充放电计划指的是可优化EV的集合，例如EV1符合判别条件，调度系统将EV1记录下来，通过时间上的控制来实现EVU和电网的利益。反之，不对其进行充放电控制。
所述信息交互模块，用于与能源系统和电网之间进行信息交互，获得需要的历史数据信息。历史数据信息包括从能源系统中获得每类发电厂每15分钟的发电量和单位发电成本，从电网获得一天内各时段(15min)的原负荷值；根据历史数据信息获得充放电优化指标，所述充放电优化指标包括电网原负荷信息、实时电价信息和实时碳排因子信息。
电网原负荷信息是体现电网稳定性的重要指标，电网侧希望EVU在负荷非高峰时刻进行充电，在负荷高峰时刻进行放电，实现削峰填谷，提高电网稳定性。实时电价信息是体现EVU充电经济性的重要指标，EVU希望在充电电价较低时刻进行充电来降低充电成本，在充电电价较高时刻进行放电来提高放电收益，从而提高EVU充电经济性。实时碳排因子信息是体现电网环保性的重要指标，电网侧希望EVU在实时碳排因子非高峰时刻进行充电来降低电网碳排放的产生，提高电网环保性。
(1)电网原负荷曲线
EVIRTSS的信息交互模块从电网处获得一天内各时段(15min)的原负荷值，并绘制成电网原负荷曲线，一天中每个时段的负荷值各不相同，一般情况下有早晚两个高峰时刻，如果大量电动汽车在高峰时刻进行充电，对电网的安全性有很大的影响。
(2)实时电价计算
首先对能源系统进行实时数据采集处理，依次获得每类发电厂每15分钟的发电量和单位发电成本，通过式(10)计算t时段共g类发电厂的平均发电成本Ct。
其次从电网处获得输配电成本和线损率，通过式(11)计算t时段的实时电价REPt。
Figure BDA0004224413950000091
Figure BDA0004224413950000092
Ct表示t时段共g类发电厂的平均发电成本，
Figure BDA0004224413950000093
表示第f类发电厂的单位发电成本，
Figure BDA0004224413950000094
表示第f类发电厂的发电量，REPt表示t时段的实时电价，CT表示输配电成本，ΔL表示线损率。
(3)实时碳排因子计算
计算REF应仅考虑作为边际发电机的发电厂，不对需求变化做出反应的发电厂不属于边际发电者，因此，大多数文献仅考虑传统发电厂。故从能源系统实时采集火电厂，水电厂和核电厂等边际发电厂的每15分钟发电量。通过式(12)计算g类边际发电厂总发电量，通过式(13)计算g类边际发电厂总排放量，通过式(14)来计算第k类边际发电厂t时段的碳排放量。
Figure BDA0004224413950000095
Figure BDA0004224413950000096
Figure BDA0004224413950000097
其中Gt表示g类发电厂在发电时段t的总发电量，Et表示g类发电厂在发电时段t因发电而产生的总排放量。βf表示第f类发电厂的平均碳排因子，γf表示第f类发电厂的发电效率，
Figure BDA0004224413950000098
为第f类发电厂t时段的碳排放量。
EV到达充电站充电会导致电力需求变化，边际发电厂通过增加发电量来满足额外增加的需求，因此，通过式(15)来计算REFt。
Figure BDA0004224413950000099
ΔEt＝Et-Et-1 (16)
ΔGt＝Gt-Gt-1 (17)
REFt表示t时段的实时碳排因子，ΔEt和ΔGt分别表示在相邻两个时段之间碳排放量和发电量的变化。
所述预测模块，用于对电网原负荷值、实时电价REP和实时碳排因子REF进行当前时刻未来24小时的预测，
为了满足EVU充放电的经济性以及电网的安全性和环保性，需要提前知道当前时刻未来24小时的L，REP和REF，因此需要通过历史的L，REP和REF来预测未来的L，REP和REF。由于L、REP和REF为准周期和自然时间序列，利用特征提取网络LSTM可以通过历史数据信息来获得其未来的变化趋势特征信息。具体为：特征提取网络LSTM输入为过去24h的L，REP和REF，输出为当前时刻之后的未来24h的L，REP和REF，并将预测输出的信息输入到系统决策模块来协调电动汽车的充放电操作。
所述系统模型建立模块用于建立电动汽车智能实时调度模型；
本申请针对EVU和电网的不同偏好来实现不同的目标，用户侧追求充电便利性，充电服务品质和充电经济性；电网侧追求安全性和环保性。
各个指标对应不同的评价目标，对于用户侧而言，EVU从充电需求点到充电站的行程时间和电量消耗要达到最小来体现去往充电站的便利性，目标函数由式(18)(19)表示：
f1＝Tmin (18)
f2＝Ec (19)
EVU到达充电站后希望在电价低的时刻进行充电来降低充电成本，在电价高的时刻进行放电来提高放电收益，从而提高充放电经济性，因此实时电价是评价充放电经济性的重要指标，充放电目标函数分别由式(20)(21)表示。
Figure BDA0004224413950000101
Figure BDA0004224413950000102
其中T为时间段集合，一天分为96个时段，单位时段长度Δt为15分钟，REPt表示时段t内的实时电价，根据预测模块预测获得，假设放电电价也表示为REPt；
Figure BDA0004224413950000103
表示第i辆EV在时段t内进行充电，反之，不充电；/>
Figure BDA0004224413950000104
表示第i辆EV在时段t内进行放电，反之，不放电；η为充电桩的充放电效率；/>
Figure BDA0004224413950000105
为第i辆EV的充放电功率；假设在同一个充电站不能既充电又放电。
对于充电站侧而言，最大等待时间是体现充电站拥挤程度的重要指标，EVU到达充电站之后希望能以最小的排队时间进行充放电。目标函数由式(22)表示：
f5＝Tq (22)
利用率可以体现充电站受欢迎程度，EVU进行充放电之前会考虑充电站的服务品质，利用率越高，服务品质越好，因此充电站的利用率是EVU选择充电站的重要指标之一，目标函数由式(23)表示。
f6＝Uj (23)
对于电网侧而言，大量电动汽车在电网负荷高峰时刻同时接入电网会出现峰加峰的现象，导致电网极不稳定，容易引发安全事故，因此电网希望EVU在负荷非高峰时刻进行充电，高峰时刻进行放电，从而实现削峰填谷，提高电网安全性，因此负荷是评价电网安全性的重要指标，通过负荷峰谷差来体现电网稳定性，由目标函数(24)表示：
Figure BDA0004224413950000111
其中Pmax为电网原负荷叠加上充电负荷的最大值，Pmin为电网原负荷叠加上充电负荷的最小值。
随着“双碳”目标的提出，各个行业都在为减排事业做出自己的贡献，电网希望EVU在REF非高峰时刻进行充电来减小碳排放的产生，提高电网的环保性。因此REF是评价电网环保性的重要指标，通过碳排放产生量来体现电网的环保性，由目标函数(25)表示：
Figure BDA0004224413950000112
其中REFt表示时段t内实时碳排因子，根据预测模块预测获得，一天24小时中，每个时段REFt的取值可能都不一样。
上述目标函数及等式遵从以下约束：
为了保证电动汽车的充放电需求被满足，电动汽车用户取车时的电池电量状态SOCt与其预期电池电量状态SOCend相近。
|SOCt-SOCend|≤δ (26)
其中δ表示EV用户取车离开时的电池电量状态与期望的电池电量状态之间可以允许的差值。
为了保证EV电池有足够的电量到达充电站，EV的电池电量约束表示为：
SOCmin+Ec≤SOC0 (27)
其中SOCmin为EV电池电量状态的最低阈值，通常情况下设置为10％。
所述系统决策模块用于根据EVU和电网不同的目标偏好，求解电动汽车智能实时调度模型，获得多个不同偏好的推荐方案，以适应EVU行为的不确定性和环境变化；
由于EVU选择充电站以及进行充放电行为具有不确定性，电动汽车智能实时调度模型中的约束条件可能会受到EV用户随机行为的影响。因此，EVU选择充电站以及进行充放电行为具有马尔可夫性质，可将电动汽车智能实时调度模型构建为一个马尔可夫决策过程(MDP)，本申请选用深度确定性策略梯度(DDPG)算法。通过深度神经网络估计最优策略函数，求解基于MDP的电动汽车智能实时调度模型，以适应EVU行为的不确定性和环境变化。
对于DDPG算法，网络的输入:input＝(t,Tmin,Ec,Tq,Uj,Lt,REPt,REFt)，输出：
Figure BDA0004224413950000113
Uj表示充电站j的利用率，输出其作用为选择充电站j进行充放电操作，/>
Figure BDA0004224413950000114
和/>
Figure BDA0004224413950000115
分别表示第i辆EV的开始充电时间和开始放电时间，/>
Figure BDA0004224413950000116
分别表示第i辆EV的充电电量和放电电量。利用历史数据作为环境状态，离线训练DDPG算法网络。然后，对训练好的DDPG算法参数进行固定，求解电动汽车智能实时调度模型。对于电动汽车智能实时调度系统，当调度任务在每个周期出现时，根据系统当前状态，利用训练好的DDPG算法选择调度动作。智能体(智能体指进行调度的任意一辆EV)采取行动进入下一个环境状态并获得奖励。然后，收集t+1时间段的系统状态信息(这里的系统状态信息指的是电网原负荷，实时电价和实时碳排因子)作为新样本，得出该时间段的决策。智能体根据当前奖励不断地进行学习，从而获得最大化奖励对应的优化方案，包括EVU最优、电网最优和系统最优的优化方案。
从EVU最优的角度考虑Tmin或Ec较小的路径，Uj较高的充电站或Tq较小的充电站，以及REP较低的时刻进行充电或REP较高的时刻进行放电。根据EVU设定的不同偏好标准进行优化，给出多个推荐方案，供用户自己选择。比如，如果只考虑EVU的经济性，只需要引导EVU在REP值较低时刻进行充电操作，减少充电成本，REP值较高进行放电操作，提高放电收益。如果只考虑EVU的充放电便利性，只需要选择里程较短的路径，以最小的Tmin到达充电站；如果只考虑充电站的服务品质，只需要选择Uj较高或Tq较小的充电站；如果EVU同时考虑充放电经济性，充放电便利性和充电站的服务品质，则需要将Tmin,Ec,Tq,Uj和REPt设定相等的权重来获得推荐方案。从电网最优的角度考虑Lt和REFt较低的时刻进行充电，在Lt较高的时刻进行放电。不同充放电优化指标对电网的影响都各不相同，如果只考虑电网安全性，只需要引导EVU选择Lt较小的时段进行充电操作，Lt较大的时段进行放电操作，从而达到电网侧削峰填谷；如果只考虑电网的环保性，只需要引导EVU选择REF非高峰时刻进行充电操作，从而减少碳排放量。如果需要同时考虑电网的安全性和环保性，则需要将Lt和REFt设定相等的权重来获得推荐方案。从系统最优的角度综合考虑EVU和电网的利益，则需要将以上所有指标设定相等的权重来获得推荐方案，可能会导致单个目标达不到最优，但可以得到一个折衷解，达到系统最优的推荐方案。
本发明为基于车-站-网信息交互的EV智能实时调度方法：1、通过建立评价充电站选择以及EVU充放电过程的指标体系，为EV智能实时调度提供指导；2、根据不同评价指标实现EVU和电网不同的目标，建立电动汽车智能实时调度模型；3、将电动汽车智能实时调度模型构建为一个马尔可夫过程，利用深度强化学习对马尔可夫决策过程进行模型训练和求解，获得多个不同偏好的推荐方案。通过以上方法，智能体将获得充电站位置，动态的充放电开始时间和充放电电量，从而解决EVU在哪儿充(指充电站编号)，什么时候充放电以及充放电电量。
本发明未述及之处适用于现有技术。

Claims (7)

1.一种基于车-站-网信息交互的EV智能实时调度方法，其特征在于，所述调度方法包括以下内容：
获取电动汽车用户EVU的充放电请求，获得EV的经纬度、充放电请求的时间T0、电池电量状态SOC0、EV的电池容量Ecap、EV的充放电功率Pch/dis、用户离开充电场站时的预期电池电量状态SOCend、EVU预计离开充电站的时间Tl、电动汽车的平均车速
Figure FDA0004224413940000019
信息；
获得充电站选择指标包括：EVU从出发点到各个充电站的最短路径距离Dmin、电量消耗Ec和行程时间Tmin，最大等待时间Tq、利用率Uj；
对电网原负荷值L、实时电价REP和实时碳排因子REF进行当前时刻未来24小时的预测，获得当前时刻之后的未来24h的电网原负荷信息、实时电价信息和实时碳排放因子信息，以预测获得的电网原负荷、实时电价和实时碳排放因子作为充放电优化指标；
以充电站选择指标和充放电优化指标构成指标体系；
假设在同一个充电站不能既充电又放电，构建电动汽车智能实时调度模型的目标函数f1-f8为公式(18)-(25)：
f1＝Tmin (18)
f2＝Ec (19)
Figure FDA0004224413940000011
Figure FDA0004224413940000012
f5＝Tq (22)
f6＝Uj (23)
Figure FDA0004224413940000013
Figure FDA0004224413940000014
其中，T为时间段集合，REPt表示时段t内的实时电价，通过预测获得；
Figure FDA0004224413940000015
表示第i辆EV在时段t内进行充电，反之，不充电；/>
Figure FDA0004224413940000016
Figure FDA0004224413940000017
表示第i辆EV在时段t内进行放电，反之，不放电；Δt为单位时段长度；η为充电桩的充放电效率；/>
Figure FDA0004224413940000018
为第i辆EV的充放电功率；Pmax为电网原负荷叠加上充电负荷的最大值，Pmin为电网原负荷叠加上充电负荷的最小值；REFt表示时段t内实时碳排因子，通过预测获得；
电动汽车智能实时调度模型的约束为公式(26)和(27)：
|SOCt-SOCend|≤δ (26)
SOCmin+Ec≤SOC0 (27)
其中，SOCmin为EV电池电量状态的最低阈值；SOCt为电动汽车用户取车时的电池电量状态；
若EV的充放电时间ΔT小于EVU预计离开充电站的时间Tl和EVU到达充电站的时间Ta之差，且有放电需求的EVU到达充电站的初始电池电量状态
Figure FDA0004224413940000021
大于55％，则EV的充放电开始时间能优化，按照电动汽车智能实时调度模型进行优化；
根据EVU和电网不同的目标偏好，选择指标体系中的指标，求解电动汽车智能实时调度模型，获得多个不同偏好的推荐方案。
2.根据权利要求1所述的基于车-站-网信息交互的EV智能实时调度方法，其特征在于，将电动汽车智能实时调度模型等效为一个马尔可夫决策过程MDP，利用深度强化学习进行电动汽车智能实时调度模型训练和求解，获得多个不同偏好的推荐方案，所述推荐方案包括充电站位置、充放电开始时间和充放电电量；所述深度强化学习为深度确定性策略梯度DDPG算法。
3.一种基于车-站-网信息交互的EV智能实时调度系统，其特征在于，所述系统包括信息收集模块、充电站选择指标计算模块、优化判断模块、信息交互模块、预测模块、系统模型建立模块和系统决策模块；
所述信息收集模块，用于获取EVU的充放电相关信息；
所述充电站选择指标计算模块，用于根据信息收集模块获得的信息计算充电站选择指标，所述充电站选择指标包括：EVU从出发点到各个充电站的最短路径距离Dmin、电量消耗Ec和行程时间Tmin，最大等待时间Tq，利用率Uj；
所述优化判断模块，用于根据EV的电量状态信息以及EVU时间灵活性来对EV进行优化充放电操作判断，满足条件放入充放电计划中；
所述信息交互模块，用于与能源系统和电网之间进行信息交互，获得需要的历史数据信息；历史数据信息包括从能源系统中获得每类发电厂每单位时段长度的发电量和单位发电成本，从电网获得一天内各单位时段长度的原负荷值；
所述预测模块，用于对电网原负荷值、实时电价和实时碳排因子进行当前时刻未来24小时的预测，根据信息交互模块获得的历史数据信息预测获得充放电优化指标，所述充放电优化指标包括预测获得的电网原负荷Lt、实时电价REPt和实时碳排放因子REFt；
所述系统模型建立模块用于建立电动汽车智能实时调度模型；
所述系统决策模块用于根据EVU和电网不同的目标偏好，求解电动汽车智能实时调度模型，获得多个不同偏好的推荐方案。
4.根据权利要求3所述的基于车-站-网信息交互的EV智能实时调度系统，其特征在于：
根据EV的经纬度和区域内所有的充电站的经纬度分别建立OD矩阵，通过Dijkstra算法分别计算EVU从出发点到各个充电站的最短路径距离Dmin，并根据公式(1)和公式(2)计算出最短路径距离下的电量消耗Ec和行程时间Tmin；
Figure FDA0004224413940000022
Figure FDA0004224413940000031
其中，E100表示电动汽车在标准工况下每百公里的耗电量，Ecap为EV的电池容量，
Figure FDA0004224413940000032
为电动汽车的平均车速；
根据排队论M/G/K按照公式(3)计算每个充电站的最大等待时间Tq：
Figure FDA0004224413940000033
其中，λ表示服从泊松过程的EVU平均到达率，μ表示服务时间的期望，σ表示服务时间的方差，k为站内充电桩数量，ρ＝λμ；
区域内各个充电站的利用率Uj用公式(4)表示：
Figure FDA0004224413940000034
Nm表示充电站m在一天内的服务次数，n为某区域内的充电站数量。
5.根据权利要求3所述的基于车-站-网信息交互的EV智能实时调度系统，其特征在于，所述优化判断模块的具体过程是：
根据公式(5)-(7)分别计算出EV到达充电站的初始电池电量状态SOCstart、EV到达充电站的时间Ta、EV的充放电时间ΔT：
SOCstart＝SOC0-Ec (5)
Ta＝T0+Tmin (6)
Figure FDA0004224413940000035
其中，η为充电桩的充放电效率；SOC0为电池电量状态，T0为充放电请求的时间，SOCend为用户离开充电场站时的预期电池电量状态，Ecap为EV的电池容量，Pch/dis为EV的充放电功率，SCO0、T0、SOCend、Ecap、Pch/dis均通过信息收集模块获得；电量消耗Ec和行程时间Tmin通过充电站选择指标计算模块获得；
若EV的充放电时间ΔT小于EVU预计离开充电站的时间Tl和EVU到达充电站的时间Ta之差，且有放电需求的EVU到达充电站的初始电池电量状态
Figure FDA0004224413940000036
大于55％，即
ΔT＜Tl-Ta (8)
Figure FDA0004224413940000037
则EV的充放电开始时间能优化，进行延迟充放电，放入充放电计划中；反之，EV即时充放电，将该EV移除充放电计划。
6.根据权利要求3所述的基于车-站-网信息交互的EV智能实时调度系统，其特征在于，所述预测模块利用特征提取网络LSTM通过历史数据信息来获得其未来的变化趋势特征信息，特征提取网络LSTM输入为过去24h的L，REP和REF，输出为当前时刻之后的未来24h的L，REP和REF。
7.根据权利要求3所述的基于车-站-网信息交互的EV智能实时调度系统，其特征在于，
所述系统决策模块将电动汽车智能实时调度模型构建为一个马尔可夫决策过程MDP，选用深度确定性策略梯度DDPG算法，求解基于MDP的电动汽车智能实时调度模型；
对于深度确定性策略梯度DDPG算法，输入:input＝(t,Tmin,Ec,Tq,Uj,Lt,REPt,REFt)，输出：
Figure FDA0004224413940000041
Uj表示充电站j的利用率，/>
Figure FDA0004224413940000042
和/>
Figure FDA0004224413940000043
分别表示第i辆EV的开始充电时间和开始放电时间；/>
Figure FDA0004224413940000044
分别表示第i辆EV的充电电量和放电电量；
利用历史数据作为环境状态，离线训练深度确定性策略梯度DDPG算法的网络；
然后，对训练好的DDPG算法参数进行固定，求解电动汽车智能实时调度模型，当调度任务在每个周期出现时，根据系统当前状态，利用训练好的DDPG算法选择调度动作；智能体采取行动进入下一个环境状态并获得奖励；然后，收集t+1时间段的电网原负荷、电网实时电价和电网实时碳排因子作为新样本，得出该时间段的决策；智能体根据当前奖励不断地进行学习，从而获得最大化奖励对应的优化方案，包括EVU最优、电网最优和系统最优的优化方案；
所述智能体为进行调度的任意一辆EV。
CN202310530556.0A 2023-05-12 2023-05-12 基于车-站-网信息交互的ev智能实时调度方法及系统 Pending CN116345476A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310530556.0A CN116345476A (zh) 2023-05-12 2023-05-12 基于车-站-网信息交互的ev智能实时调度方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310530556.0A CN116345476A (zh) 2023-05-12 2023-05-12 基于车-站-网信息交互的ev智能实时调度方法及系统

Publications (1)

Publication Number Publication Date
CN116345476A true CN116345476A (zh) 2023-06-27

Family

ID=86886083

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310530556.0A Pending CN116345476A (zh) 2023-05-12 2023-05-12 基于车-站-网信息交互的ev智能实时调度方法及系统

Country Status (1)

Country Link
CN (1) CN116345476A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118082598A (zh) * 2024-04-25 2024-05-28 国网天津市电力公司电力科学研究院 电动车辆充电方法、装置、设备、介质和程序产品

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118082598A (zh) * 2024-04-25 2024-05-28 国网天津市电力公司电力科学研究院 电动车辆充电方法、装置、设备、介质和程序产品

Similar Documents

Publication Publication Date Title
CN110570007B (zh) 电动汽车多时间尺度优化调度方法
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
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
CN107730048B (zh) 一种风电-电动汽车联合系统随机鲁棒优化调度方法
CN103793758A (zh) 含光伏发电系统的电动汽车充电站的多目标优化调度方法
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
CN116345476A (zh) 基于车-站-网信息交互的ev智能实时调度方法及系统
CN111242362A (zh) 基于充电站综合状态预测的电动汽车实时充电调度方法
CN112671035A (zh) 一种基于风电预测的虚拟电厂储能容量配置方法
CN114744662A (zh) 一种基于多类型电动汽车的电网调峰方法及系统
CN114519449A (zh) 一种园区能源系统运行优化方法
CN114722595A (zh) 一种含有换电站的微电网优化运行方法
CN114580251A (zh) 一种配电台区电动汽车充电负荷分析方法及装置
CN117353355A (zh) 一种计及电动汽车调控潜力的含风电系统优化调度方法
CN115545429A (zh) 基于cpss架构的多场景低压可再生资源负荷预测方法
CN113283166B (zh) 一种退役动力电池剩余价值优化方法
CN105870922B (zh) 一种引导私家电动车分群错时响应的低谷电价调控方法
CN115147244A (zh) 一种考虑电动汽车充电负荷-电价响应实现弃风消纳方法
CN111369741B (zh) 一种电力市场下多停车场共享车位与电动汽车撮合系统
Huang et al. The impact of electric vehicle development on grid load power and electricity consumption
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
CN113852073A (zh) 一种基于激励-响应充电决策估计的日前优化调度方法
CN113937811A (zh) 一种多能耦合配电系优化调度方法
CN112785070A (zh) 一种电动汽车停车充电的负荷预测方法及装置
Zhang et al. Characterization of interaction between electric vehicles and smart grid

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