CN116674411A - 基于充能决策预测的电-氢复合充能站优化调度策略 - Google Patents

基于充能决策预测的电-氢复合充能站优化调度策略 Download PDF

Info

Publication number
CN116674411A
CN116674411A CN202310661598.8A CN202310661598A CN116674411A CN 116674411 A CN116674411 A CN 116674411A CN 202310661598 A CN202310661598 A CN 202310661598A CN 116674411 A CN116674411 A CN 116674411A
Authority
CN
China
Prior art keywords
charging
electric
hydrogen
power
time
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
CN202310661598.8A
Other languages
English (en)
Inventor
郑文迪
李玖镕
袁嘉骏
邵振国
吕博超
刘志远
张炳涛
孙瑾
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.)
Fuzhou University
Original Assignee
Fuzhou University
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 Fuzhou University filed Critical Fuzhou University
Priority to CN202310661598.8A priority Critical patent/CN116674411A/zh
Publication of CN116674411A publication Critical patent/CN116674411A/zh
Pending legal-status Critical Current

Links

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
    • B60L53/60—Monitoring or controlling charging stations
    • 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
    • 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
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • 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
    • B60L2260/00—Operating Modes
    • B60L2260/40—Control modes
    • B60L2260/50—Control modes by future state prediction

Landscapes

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

Abstract

本发明的目的在于提供基于充能决策预测的电‑氢复合充能站优化调度策略，首先，为新能源汽车制定了相应的充能策略。其中，对电动汽车用户设计了两种充电方案供其选择，通过电价激励引导用调整消费行为，并建立基于心理学的韦伯‑费希纳(Weber‑Fechner，W‑F)激励响应决策模型，合理描述驾驶员充电方案的选择行为。随后，综合考虑用户侧于供能侧双方利益，以电‑氢复合充能站的运营收益以及用户的排队时间为目标函数，采用NSGA‑Ⅱ算法对该多目标问题进行求解。

Description

基于充能决策预测的电-氢复合充能站优化调度策略
技术领域
本发明属于电-氢复合充能站技术领域，具体涉及一种基于充能决策预测的电-氢复合充能站优化调度策略。
背景技术
电动汽车和氢燃料汽车作为新能源汽车，在减少二氧化碳排放、缓解能源危机方面具有很大的优势和潜力。新能源汽车充电站作为电动汽车和氢燃料汽车的能量补充环节，其功能也逐渐向一体化、综合化的复合型充电站发展。其中，在新能源汽车充电站增设制氢、储氢、充氢装置，可满足氢燃料汽车充氢需求，实现低碳出行。充电站的电-氢能源系统可以为风能、太阳能等间歇性可再生能源的消纳提供良好的场所。此外，氢燃料电池发电作为一种灵活、可调度的发电方式，有利于电-氢复合充能站系统的安全稳定运行。因此，同时考虑电动汽车和氢燃料汽车充能需求、可再生能源发电和储能的氢/电汽车充能站具有广阔的应用前景。
现有学者提出了用于新能源汽车充电站电源优化运行的新型能量管理系统。其次，还有学者提出了集成光伏和储能单元的充电站优化管理算法，并利用储能单元优化充能站的运行成本。另外，有部分学者提出电动汽车聚集商的概念，即大量电动汽车希望在聚集商的指挥下在电力市场中发挥作用。上述文献虽然研究了电-氢复合充能站的设计和运行，但忽略了电动汽车和氢燃料汽车的充电决策对电-氢复合充能站综合运行效益的影响。
发明内容
针对现有技术存在的缺陷和不足，为提高调度灵活性，本发明提出一种基于充能决策预测的电-氢复合充能站优化调度策略。使电动汽车和氢燃料汽车充能行为因素更全面，能够快速有效地的预测结果，并合理调度站内能源装置和车辆，提高复合站的综合运行效益。
首先，为新能源汽车制定了相应的充能策略。其中，对电动汽车用户设计了两种充电方案供其选择，通过电价激励引导用调整消费行为，并建立基于心理学的韦伯-费希纳(Weber-Fechner，W-F)激励响应决策模型，合理描述驾驶员充电方案的选择行为。随后，综合考虑用户侧于供能侧双方利益，以电-氢复合充能站的运营收益以及用户的排队时间为目标函数，采用NSGA-Ⅱ算法对该多目标问题进行求解。
本发明解决其技术问题具体采用的技术方案是：
一种基于充能决策预测的电-氢复合充能站优化调度策略，其特征在于：基于新能源汽车的充能策略，通过电价激励引导用调整消费行为，并建立基于心理学的韦伯-费希纳激励响应决策模型，以描述驾驶员充电方案的选择行为；综合考虑用户侧于供能侧双方利益，以电-氢复合充能站的运营收益以及用户的排队时间为目标函数，采用NSGA-Ⅱ算法进行求解。
进一步地，采用NSGA-Ⅱ算法求解的具体流程如下：
第一步：根据本地区的气象预测数据，得到未来一天的风速和光照强度，再结合风电和光伏模型，生成一天不同时刻的输出功率；
第二步：计算电动汽车充电总功率和氢燃料汽车的充氢需求总量；运用蒙特卡洛方法模拟新能源汽车用户一天的出行和充能过程，获取包括电动汽车和氢燃料汽车的到站时间、充能需求量、起始SOC的数据，并基于获取的数据建立基于W-F的储能决策模型以估计充电用户选择方案的类型；
第三步：根据约束条件随机生成每个时间段的电解槽制氢功率；根据每时段的制氢功率获取一天内的制氢电量；
第四步：根据功率平衡关系，求解在时刻t交流配电网的供电功率，时刻t燃料电池组的放电功率；
第五步：计算目标函数之一的综合运行成本；通过第一步至第四步获取售电费用、售氢费用和购电费用并求和，得到综合运行收益；
第六步：计算目标函数之二为的动汽车用户总排队时间；根据各时段电动汽车的调度状态获取一天的电动汽车用户总排队时间；
第七步：以第一步至第六步为基础，生成规模为G的初始种群Pt，在选择、交叉、变异过程下产生子代种群Qt，结合生成规模为2G的种群Rt；
第八步：对种群Rt进行快速非支配排序，形成非支配集Zi并计算每个非支配层中个体的拥挤度，根据排序结果以及拥挤度筛选合适的个体，直至个体数量为G时，新一代父代种群Pt+1形成；
第九步：新一代父代种群Pt+1在选择、交叉、变异过程下产生子代种群Qt+1，结合生成规模为2G的种群Rt+1；重复第七步至第九步，直至达到遗传代数。
进一步地，所述电-氢复合充能站由光伏太阳能发电系统、风力发机系统、电解槽、储氢罐和燃料电池组成，并与公用电网连接，以便在能源需求不满足时购买电力；从光伏/风力发电和公用电网供应给电站的电力全部通过公共耦合点；站内氢气由电解槽产生，储存在氢罐中；储存的氢可以注入氢燃料电池，也可以通过燃料电池转化为电能；电动汽车允许直接使用耦合点的电力和燃料电池产生的电力进行充电。
进一步地，对电动汽车用户设计了两种充电方案供其选择：
(1)普通充电模式：以最大的恒定功率为电动汽车充电，直到充至电池荷电状态SOC的预期值。
(2)协议充电模式：电-氢复合充能站运营商与电动车司机签订协议，综合站在一定时间内充电至SOC预期值；电动汽车驾驶员授权给电-氢复合充能站运营商，允许电-氢复合充能站运营商在这段时间内自由调度授权的电动汽车进行充电和放电。
进一步地，在两种充电模式下，电-氢复合充能站只能调度选择协议充电模式的授权电动车进行充电、放电和不操作；在电动车停放期间，调度系统根据相应的调度时间表设置每辆电动车的充电量和调度时间；假设充电和放电功率是额定的，并且在每个电动车的充电期间保持不变，功率损失全部来自AC/DC模块和DC/DC模块，其余过程中不产生功率损失；参与调度的电动车应受到如下限制：
其中表示在t时刻编号为m的协议调度电动车的充电功率；/>和/>分别表示电动汽车的充电和放电功率；/>和/>分别表示编号为m的电动车到达时间和离开时间。
进一步地，所述基于心理学的韦伯-费希纳激励响应决策模型当中，电动汽车司机接受调度的概率表示为：
ρi＝0.7ρdsc,i+0.3ρcha,i
其中k表示韦伯分数，s0表示刺激常数；ρl表示最小模拟量；当模拟量小于ρl时，所有电动汽车驾驶员都不会接受调度；ρh表示最大感官值；当模拟量大于ρh时，概率pn对应于ph；模拟量包含两个影响因素，其中，ρdsc,i表示折扣模拟量，ρcha,i表示充电需求模拟量。
进一步地，综合站运营商通过提供给用户电能和氢能获取收益，在电能不能满足运行需求时，采用峰谷电价向交流配电网购电，以综合站的每日收益最大为优化目标，则目标函数表示为：
其中Pt ev_u和Pt ev_p分别表示不参加协议的电动汽车司机和参加协议的电动汽车司机在t时刻的充电需求；λ表示激励折扣，EPt ev表示t时刻的电价，HP表示氢气的价格，EPt pg表示从电网购买电力的价格。
进一步地，考虑用户的充能体验，以用户的排队总时间最小为第二目标，在满足约束的条件下优化每辆车的调度时长，减少充电桩占用情况，缩短用户的平均排队时间；电动汽车n在t时刻的排队时间与t时刻正在充电的车辆的剩余充电时间/>和排队的车辆数量Nq有关；表示为：
其中，Nev表示在复合站中充电的电动汽车的数量；表示预计由电动汽车nu补充的电量阈值；xn表示状态变量，当其值为1时，表示车量接受协议调度，为0时，表示不接受协议调度；Pev表示充电桩的快速充电功率；/>表示在t时刻正在充电的电动车的实时剩余充电时间的升序集合，Nk表示复合站中正在充电的车辆数量；h表示Nq/M的余数，M表示复合站的充电桩数量；Tt left{h+1}表示升序后t时刻第{h+1}辆车的实时剩余充电时间；Nb表示排队状态下优先于其他电动车的数量，/>表示排队车辆充电到所需的SOC阈值所需的时间。
进一步地，所述约束条件具体包括：供应给电动汽车和电解槽的功率之和受光伏发电的输出功率限制；输送给电动汽车的功率应受到电动汽车需求的制约；当天初始时刻储氢罐中的氢气量对应于第二天的同一时刻；参与协议的电动汽车的调度时间Δtn受下式的限制：
Δtmin≤Δtn≤Δtmax
Δtmin和Δtmax分别表示最小和最大的调度时间。
相比于现有技术，本发明及其优选方案的有益效果至少包括：
(1)设计了两种充电模式给电动汽车用户选择，通过激励协议的方式充分利用电动汽车的需求响应潜力。
(2)基于W-F定律，提出了激励响应的充能决策预测方法来合理描述外部因素与充电决策响应之间的关系。建立综合充电经济成本和时间成本的EV充电决策模型有效预测电动汽车的充电选择行为，提高预测的精确性。
(3)通过合理调度站内储能装置以及电动汽车的充放电，减少EV快充负荷以及可再生能源出力随机性和波动性的影响，提高电-氢复合充能站的综合效益。
附图说明
下面结合附图和具体实施方式对本发明进一步详细的说明：
图1为本发明实施例采用NSGA-Ⅱ算法求解流程图。
具体实施方式
为让本专利的特征和优点能更明显易懂，下文特举实施例，作详细说明如下：
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本说明书使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
可再生能源发电模型
电-氢复合充能站由光伏太阳能发电系统、风力发机系统、电解槽、储氢罐和燃料电池组成，并与公用电网连接，以便在能源需求不满足时购买电力。从光伏/风力发电和公用电网供应给电站的电力全部通过公共耦合点。站内氢气由电解槽产生，储存在氢罐中。储存的氢可以注入氢燃料电池，也可以通过燃料电池转化为电能。电动汽车可以直接使用耦合点的电力和燃料电池产生的电力进行充电。
利用概率密度函数对不确定的太阳辐射进行建模，预测光伏发电量。可以使用正态分布函数生成太阳辐射场景，其中光伏电站在每个时期产生的可用功率可表示为：
Pt RE＝Pt PV+Pt WT (1)
式中：Pt RE为光伏和风的的总输出功率。Pt PV和Pt WT分别表为光伏和风机的输出功率。npv代表光伏和电解槽之间的转换器效率。Ppvr为光伏组件额定容量，为t时刻的太阳辐射，Gs为参考条件下的太阳辐射。
风力机组产生的功率取决于风速。它们之间的关系可以表示为：
式中：Pwtr表示风机的额定功率，vt表示t时刻的风速。此外，vr、vcin和vcout分别表示所选风力机的额定风速、切入风速和切出风速。
燃料电池模型
燃料电池可以通过消耗储存在油箱中的氢气来发电。由于燃料电池是一种能量转换装置，在转换过程中能量的损失是不可避免的。因此，它的主要作用是配合储氢罐，在供电不足时投入工作。
由燃料电池产生的电能被表示为：
PFC,min≤Pt FC_EV≤PFC,max (5)
式中：Vt FC表示燃料电池消耗的氢气量。Pt FC_EV表示燃料电池向电动车提供的电力。ηFC表示燃料电池的效率。PFC,min和PFC,max分别表示燃料电池的最小和最大功率。
制氢和储氢模型
电制氢技术是一种基于电解水的制氢方法，通过电解水来将水分解成氢气和氧气。它已经被应用于多个领域，如氢燃料电池汽车、燃料电池发电等。其中，电制氢技术可以用于生产氢气，使氢燃料电池汽车成为一种清洁的替代能源，减少对传统石油能源的依赖。此外，电制氢技术可以用于生产氢气来驱动燃料电池，从而产生电能。这种发电方式的优点是能够提供清洁的电力，不会产生有害气体，并提高能源系统的灵活性。假定单位时间内电解槽的功率恒定，电解槽产生的氢气量可表示为：
PELE,min≤Pt RE-ELE≤PELE,max (7)
式中：Vt ST表示t时刻储氢罐中的氢气量。ηELE代表电解槽的效率。Pt RE_ELE代表光伏系统向电解槽提供的电力。Δt表示时间常数。
电解槽电解水产生的氢气首先储存在高压储氢罐中，为氢燃料汽车和燃料电池提供氢气。在为氢燃料汽车供应氢气过程中，氢气由加氢机加压和冷却形成液氢，然后注入汽车中。其中，冷却和加氢过程所消耗的能量和时间可以忽略不。氢罐内氢气体积的动态方程可表示为：
VST,min≤Vt ST≤VST,max (9)
式中：Vt HV表示t时刻储氢罐提供给氢燃料汽车的氢气量。其中，VST,min和VST,max分别表示储存罐的最小和最大储存量。
充能策略
在一个时间周期内(24h)，根据每天的氢燃料汽车总需求量制定相应的产氢策略。当氢燃料汽车在时间t准备好充氢时，充能站的储氢量可以通过交互系统获取。如果此时不能满足氢燃料汽车的需求，司机将不会选择这个充电站。其约束可表示为：
Vt ST≥Vt HVN (10)
电解槽生产氢气所需的电能来自于风力发电、光伏发电和交流配电网络提供给直流母线的电能。通过调度电解槽在不同时间的制氢功率，可以满足最佳目标函数。
本发明设计了两种充电模式：
(1)普通充电模式：普通的充电模式是以最大的恒定功率为电动汽车充电，直到充至电池荷电状态(State Of Charge，SOC)的预期值。
(2)协议充电模式：协议充电模式，即电-氢复合充能站运营商与电动车司机签订协议，综合站在一定时间内充电至SOC预期值。电动汽车驾驶员授权给电-氢复合充能站运营商，允许电-氢复合充能站运营商在这段时间内自由调度授权的电动汽车进行充电和放电。
在这两种充电模式下，电-氢复合充能站只能调度选择协议充电模式的授权电动车进行充电、放电和不操作。在电动车停放期间，调度系统根据相应的调度时间表设置每辆电动车的充电量和调度时间。假设充电和放电功率是额定的，并且在每个电动车的充电期间保持不变。此外，功率损失全部来自AC/DC模块和DC/DC模块，其余过程中不产生功率损失。参与调度的电动车应受到如下限制：
其中表示在t时刻编号为m的协议调度电动车的充电功率。/>和/>分别表示电动汽车的充电和放电功率。/>和/>分别表示编号为m的电动车到达时间和离开时间。
SOCmin≤SOCt,m≤SOCmax (14)
式中：SOCt,m表示电动汽车m在t时刻的SOC，Δtm表示调度时间，k表示充放电系数，C表示电动汽车的电池容量。此外，SOCmin和SOCmax分别表示电动汽车SOC的最小和最大值。表示为编号为m的电动汽车离开时的SOC预期值。
W-F充能决策
为了揭示驾驶员的充电行为，衡量外部因素与驾驶员充电决策之间的关系，本实施例提出了基于W-F定律的刺激响应式充电决策估计方法。世界经济论坛定律已应用于心理学和市场营销等多个领域。该定律在从感官刺激值到物理量的转换中得到了广泛应用。W-F定律提出，当刺激强度以指数增强时，感觉强度以等比递增。由此，电动汽车司机接受调度的概率可表示为：
ρi＝0.7ρdsc,i+0.3ρcha,i (17)
其中k表示韦伯分数，s0表示刺激常数。ρl表示最小模拟量。这意味着当模拟量小于ρl时，所有电动汽车驾驶员都不会接受调度。此外，ρh表示最大感官值。当模拟量大于ρh时，概率pn对应于ph。模拟量包含两个影响因素，其中，ρdsc,i表示折扣模拟量，ρcha,i表示充电需求模拟量。
目标函数和约束条件
综合站运营商通过提供给用户电能和氢能获取收益，在电能不能满足运行需求时，采用峰谷电价向交流配电网购电，以综合站的每日收益最大为优化目标，其中目标函数可表示为：
其中Pt ev_u和Pt ev_p分别表示不参加协议的电动汽车司机和参加协议的电动汽车司机在t时刻的充电需求。λ表示激励折扣，EPt ev表示t时刻的电价，HP表示氢气的价格，EPt pg表示从电网购买电力的价格。
考虑用户的充能体验，以用户的排队总时间最小为第二目标，在满足约束的条件下优化每辆车的调度时长，减少充电桩占用情况，缩短用户的平均排队时间，提高用户体验。电动汽车n在t时刻的排队时间与t时刻正在充电的车辆的剩余充电时间/>和排队的车辆数量Nq有关。可表示为：
其中，Nev表示在复合站中充电的电动汽车的数量。表示预计由电动汽车nu补充的电量阈值。xn表示状态变量，当其值为1时，表示车量接受协议调度，为0时，表示不接受协议调度。Pev表示充电桩的快速充电功率。/>表示在t时刻正在充电的电动车的实时剩余充电时间的升序集合，Nk表示复合站中正在充电的车辆数量。h表示Nq/M的余数，M表示复合站的充电桩数量。Tt left{h+1}表示升序后t时刻第{h+1}辆车的实时剩余充电时间。此外，Nb表示排队状态下优先于其他电动车的数量，/>表示排队车辆充电到所需的SOC阈值所需的时间。
供应给电动汽车和电解槽的功率之和受光伏发电的输出功率限制，如式(25)所示。式(26)表示输送给电动汽车的功率应受到电动汽车需求的制约。当天初始时刻储氢罐中的氢气量对应于第二天的同一时刻，这在式(27)中得到了限制。参与协议的电动汽车的调度时间受式(28)的限制，具体如下：
0≤Pt RE_ELE+Pt RE_EV≤Pt RE (25)
0≤Pt RE_EV+Pt FC_EV≤Pt ev_u+Pt ev_p (26)
Δtmin≤Δtn≤Δtmax (28)
nu和np分别表示未参加协议和参加协议的电动汽车驾驶员的数量。和/>分别表示在某一天的初始时间和最后时间的气箱氢气重量。Δtmin和Δtmax分别表示最小和最大的调度时间。
求解流程：
本发明采用NSGA-Ⅱ算法来求解上述问题。NSGA-Ⅱ是一种高效、多样性和适应性强的多目标优化算法。它采用非支配排序算法和拥挤度概念来维护个体之间的多样性，可以防止种群收敛到一个单一的解决方案，并促进更好的探索搜索空间。NSGA2还采用创新的交叉和变异算子，根据当前种群的分布情况和多样性，调整交叉和变异的概率，以增加算法的适应性和性能。其中，优化模型的求解难点在于计算目标函数，即优化调度时段内运行收益和司机的排队时间。目标函数的计算结果是对NSGA-Ⅱ算法种群中的个体进行快速非支配排序的基础。如图1所示，本实施例采用NSGA-Ⅱ算法求解的具体流程如下：
第一步：根据该地区的气象预测数据，得到未来一天的风速和光照强度，再结合风电和光伏模型，生成一天不同时刻的输出功率。
第二步：计算电动汽车充电总功率和氢燃料汽车的充氢需求总量。运用蒙特卡洛方法模拟新能源汽车用户一天的出行和充能过程，获取电动汽车和氢燃料汽车的到站时间、充能需求量、起始SOC等相关数据，并基于获取的数据建立基于W-F的储能决策模型以估计充电用户选择方案的类型。
第三步：根据约束条件随机生成每个时间段的电解槽制氢功率。根据每时段的制氢功率获取一天内的制氢电量。
第四步：根据功率平衡关系，求解在时刻t交流配电网的供电功率，时刻t燃料电池组的放电功率。
第五步：计算目标函数之一为综合运行成本。通过第一步至第四步获取售电费用、售氢费用和购电费用并求和，得到综合运行收益。
第六步：计算目标函数之二为电动汽车用户总排队时间。根据各时段电动汽车的调度状态获取一天的电动汽车用户总排队时间
第七步：以第一步至第六步为理论基础，生成规模为G的初始种群Pt，在选择、交叉、变异过程下产生子代种群Qt，结合生成规模为2G的种群Rt。
第八步：对种群Rt进行快速非支配排序，形成非支配集Zi并计算每个非支配层中个体的拥挤度，根据排序结果以及拥挤度筛选合适的个体，直至个体数量为G时，新一代父代种群Pt+1形成。
第九步：新一代父代种群Pt+1在选择、交叉、变异过程下产生子代种群Qt+1，结合生成规模为2G的种群Rt+1。重复第七步至第九步，直至达到遗传代数。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本专利不局限于上述最佳实施方式，任何人在本专利的启示下都可以得出其它各种形式的基于充能决策预测的电-氢复合充能站优化调度策略，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本专利的涵盖范围。

Claims (9)

1.一种基于充能决策预测的电-氢复合充能站优化调度策略，其特征在于：基于新能源汽车的充能策略，通过电价激励引导用调整消费行为，并建立基于心理学的韦伯-费希纳激励响应决策模型，以描述驾驶员充电方案的选择行为；综合考虑用户侧于供能侧双方利益，以电-氢复合充能站的运营收益以及用户的排队时间为目标函数，采用NSGA-Ⅱ算法进行求解。
2.根据权利要求1所述的基于充能决策预测的电-氢复合充能站优化调度策略，其特征在于：
采用NSGA-Ⅱ算法求解的具体流程如下：
第一步：根据本地区的气象预测数据，得到未来一天的风速和光照强度，再结合风电和光伏模型，生成一天不同时刻的输出功率；
第二步：计算电动汽车充电总功率和氢燃料汽车的充氢需求总量；运用蒙特卡洛方法模拟新能源汽车用户一天的出行和充能过程，获取包括电动汽车和氢燃料汽车的到站时间、充能需求量、起始SOC的数据，并基于获取的数据建立基于W-F的储能决策模型以估计充电用户选择方案的类型；
第三步：根据约束条件随机生成每个时间段的电解槽制氢功率；根据每时段的制氢功率获取一天内的制氢电量；
第四步：根据功率平衡关系，求解在时刻t交流配电网的供电功率，时刻t燃料电池组的放电功率；
第五步：计算目标函数之一的综合运行成本；通过第一步至第四步获取售电费用、售氢费用和购电费用并求和，得到综合运行收益；
第六步：计算目标函数之二为的动汽车用户总排队时间；根据各时段电动汽车的调度状态获取一天的电动汽车用户总排队时间；
第七步：以第一步至第六步为基础，生成规模为G的初始种群Pt，在选择、交叉、变异过程下产生子代种群Qt，结合生成规模为2G的种群Rt；
第八步：对种群Rt进行快速非支配排序，形成非支配集Zi并计算每个非支配层中个体的拥挤度，根据排序结果以及拥挤度筛选合适的个体，直至个体数量为G时，新一代父代种群Pt+1形成；
第九步：新一代父代种群Pt+1在选择、交叉、变异过程下产生子代种群Qt+1，结合生成规模为2G的种群Rt+1；重复第七步至第九步，直至达到遗传代数。
3.根据权利要求1所述的基于充能决策预测的电-氢复合充能站优化调度策略，其特征在于：所述电-氢复合充能站由光伏太阳能发电系统、风力发机系统、电解槽、储氢罐和燃料电池组成，并与公用电网连接，以便在能源需求不满足时购买电力；从光伏/风力发电和公用电网供应给电站的电力全部通过公共耦合点；站内氢气由电解槽产生，储存在氢罐中；储存的氢可以注入氢燃料电池，也可以通过燃料电池转化为电能；电动汽车允许直接使用耦合点的电力和燃料电池产生的电力进行充电。
4.根据权利要求3所述的基于充能决策预测的电-氢复合充能站优化调度策略，其特征在于：
对电动汽车用户设计了两种充电方案供其选择：
(1)普通充电模式：以最大的恒定功率为电动汽车充电，直到充至电池荷电状态SOC的预期值；
(2)协议充电模式：电-氢复合充能站运营商与电动车司机签订协议，综合站在一定时间内充电至SOC预期值；电动汽车驾驶员授权给电-氢复合充能站运营商，允许电-氢复合充能站运营商在这段时间内自由调度授权的电动汽车进行充电和放电。
5.根据权利要求4所述的基于充能决策预测的电-氢复合充能站优化调度策略，其特征在于：
在两种充电模式下，电-氢复合充能站只能调度选择协议充电模式的授权电动车进行充电、放电和不操作；在电动车停放期间，调度系统根据相应的调度时间表设置每辆电动车的充电量和调度时间；假设充电和放电功率是额定的，并且在每个电动车的充电期间保持不变，功率损失全部来自AC/DC模块和DC/DC模块，其余过程中不产生功率损失；参与调度的电动车应受到如下限制：
其中表示在t时刻编号为m的协议调度电动车的充电功率；/>和/>分别表示电动汽车的充电和放电功率；/>和/>分别表示编号为m的电动车到达时间和离开时间。
6.根据权利要求1所述的基于充能决策预测的电-氢复合充能站优化调度策略，其特征在于：
所述基于心理学的韦伯-费希纳激励响应决策模型当中，电动汽车司机接受调度的概率表示为：
ρi＝0.7ρdsc,i+0.3ρcha,i
其中k表示韦伯分数，s0表示刺激常数；ρl表示最小模拟量；当模拟量小于ρl时，所有电动汽车驾驶员都不会接受调度；ρh表示最大感官值；当模拟量大于ρh时，概率pn对应于ph；模拟量包含两个影响因素，其中，ρdsc,i表示折扣模拟量，ρcha,i表示充电需求模拟量。
7.根据权利要求2所述的基于充能决策预测的电-氢复合充能站优化调度策略，其特征在于：
综合站运营商通过提供给用户电能和氢能获取收益，在电能不能满足运行需求时，采用峰谷电价向交流配电网购电，以综合站的每日收益最大为优化目标，则目标函数表示为：
其中Pt ev_u和Pt ev_p分别表示不参加协议的电动汽车司机和参加协议的电动汽车司机在t时刻的充电需求；λ表示激励折扣，EPt ev表示t时刻的电价，HP表示氢气的价格，EPt pg表示从电网购买电力的价格。
8.根据权利要求2所述的基于充能决策预测的电-氢复合充能站优化调度策略，其特征在于：
考虑用户的充能体验，以用户的排队总时间最小为第二目标，在满足约束的条件下优化每辆车的调度时长，减少充电桩占用情况，缩短用户的平均排队时间；电动汽车n在t时刻的排队时间与t时刻正在充电的车辆的剩余充电时间/>和排队的车辆数量Nq有关；表示为：
其中，Nev表示在复合站中充电的电动汽车的数量；表示预计由电动汽车nu补充的电量阈值；xn表示状态变量，当其值为1时，表示车量接受协议调度，为0时，表示不接受协议调度；Pev表示充电桩的快速充电功率；/>表示在t时刻正在充电的电动车的实时剩余充电时间的升序集合，Nk表示复合站中正在充电的车辆数量；h表示Nq/M的余数，M表示复合站的充电桩数量；Tt left{h+1}表示升序后t时刻第{h+1}辆车的实时剩余充电时间；Nb表示排队状态下优先于其他电动车的数量，/>表示排队车辆充电到所需的SOC阈值所需的时间。
9.根据权利要求2所述的基于充能决策预测的电-氢复合充能站优化调度策略，其特征在于：
所述约束条件具体包括：供应给电动汽车和电解槽的功率之和受光伏发电的输出功率限制；输送给电动汽车的功率应受到电动汽车需求的制约；当天初始时刻储氢罐中的氢气量对应于第二天的同一时刻；参与协议的电动汽车的调度时间Δtn受下式的限制：
Δtmin≤Δtn≤Δtmax
Δtmin和Δtmax分别表示最小和最大的调度时间。
CN202310661598.8A 2023-06-06 2023-06-06 基于充能决策预测的电-氢复合充能站优化调度策略 Pending CN116674411A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310661598.8A CN116674411A (zh) 2023-06-06 2023-06-06 基于充能决策预测的电-氢复合充能站优化调度策略

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310661598.8A CN116674411A (zh) 2023-06-06 2023-06-06 基于充能决策预测的电-氢复合充能站优化调度策略

Publications (1)

Publication Number Publication Date
CN116674411A true CN116674411A (zh) 2023-09-01

Family

ID=87790347

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310661598.8A Pending CN116674411A (zh) 2023-06-06 2023-06-06 基于充能决策预测的电-氢复合充能站优化调度策略

Country Status (1)

Country Link
CN (1) CN116674411A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117522496A (zh) * 2023-11-20 2024-02-06 湖北工业大学 基于等效感知跨期的电动运营车充电方案的决策方法
CN117807546A (zh) * 2024-02-29 2024-04-02 山东德源电力科技股份有限公司 一种用于光伏协议转换器的数据高效存储方法及系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117522496A (zh) * 2023-11-20 2024-02-06 湖北工业大学 基于等效感知跨期的电动运营车充电方案的决策方法
CN117807546A (zh) * 2024-02-29 2024-04-02 山东德源电力科技股份有限公司 一种用于光伏协议转换器的数据高效存储方法及系统
CN117807546B (zh) * 2024-02-29 2024-04-30 山东德源电力科技股份有限公司 一种用于光伏协议转换器的数据高效存储方法及系统

Similar Documents

Publication Publication Date Title
CN110009152B (zh) 一种考虑电转气和不确定性的区域综合能源系统运行鲁棒优化方法
Melhem et al. Optimization and energy management in smart home considering photovoltaic, wind, and battery storage system with integration of electric vehicles
Shaaban et al. Joint planning of smart EV charging stations and DGs in eco-friendly remote hybrid microgrids
Tan et al. Integration of electric vehicles in smart grid: A review on vehicle to grid technologies and optimization techniques
CN110570007B (zh) 电动汽车多时间尺度优化调度方法
CN116674411A (zh) 基于充能决策预测的电-氢复合充能站优化调度策略
Li et al. Emission-concerned wind-EV coordination on the transmission grid side with network constraints: Concept and case study
CN112418605A (zh) 一种光储式充电站储能系统优化运行方法
Yu et al. A real time energy management for EV charging station integrated with local generations and energy storage system
Schröder et al. Optimization of distributed energy resources for electric vehicle charging and fuel cell vehicle refueling
Wang et al. Scenario analysis, management, and optimization of a new Vehicle-to-Micro-Grid (V2μG) network based on off-grid renewable building energy systems
CN110556822B (zh) 一种含电动汽车消纳大规模风电机组的组合计算方法
CN110378548A (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
CN116061742B (zh) 一种分时电价光伏园区内电动汽车的充电控制方法和系统
CN112550047B (zh) 一种充光储一体化充电站优化配置方法和装置
Ghofrani et al. Electric drive vehicle to grid synergies with large scale wind resources
CN114583729A (zh) 考虑全生命周期碳排放的光-储电动汽车充电站调度方法
CN110991881B (zh) 一种电动汽车换电站与电力公司协同调度方法及系统
Shahbazi et al. Probabilistic optimal allocation of electric vehicle charging stations considering the uncertain loads by using the Monte Carlo simulation method
Terkes et al. An evaluation of renewable fraction using energy storage for electric vehicle charging station
Liang et al. Real-time optimization of large-scale hydrogen production systems using off-grid renewable energy: Scheduling strategy based on deep reinforcement learning
CN116596252A (zh) 一种电动汽车集群多目标充电调度方法
CN112785048B (zh) 计及电动汽车用户需求的直流微电网经济调度方法
CN116054286A (zh) 一种考虑多元弹性资源的居民台区容量优化配置方法
CN115759323A (zh) 一种考虑电网安全的电动汽车优化调度方法

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