CN104600729B - 基于v2g技术的电动汽车参与经济调度优化控制方法 - Google Patents
基于v2g技术的电动汽车参与经济调度优化控制方法 Download PDFInfo
- Publication number
- CN104600729B CN104600729B CN201410407390.4A CN201410407390A CN104600729B CN 104600729 B CN104600729 B CN 104600729B CN 201410407390 A CN201410407390 A CN 201410407390A CN 104600729 B CN104600729 B CN 104600729B
- Authority
- CN
- China
- Prior art keywords
- electric automobile
- cost
- discharge
- vehicle
- blower fan
- 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
- 238000005516 engineering process Methods 0.000 title claims abstract description 16
- 238000000034 method Methods 0.000 title claims abstract description 11
- 230000002068 genetic effect Effects 0.000 claims abstract description 7
- 238000005553 drilling Methods 0.000 claims description 21
- 238000007599 discharging Methods 0.000 claims description 14
- 230000005611 electricity Effects 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 10
- 239000003344 environmental pollutant Substances 0.000 claims description 9
- 231100000719 pollutant Toxicity 0.000 claims description 9
- 230000009897 systematic effect Effects 0.000 claims description 8
- 239000000203 mixture Substances 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 239000004744 fabric Substances 0.000 claims 1
- 238000005457 optimization Methods 0.000 abstract description 2
- 238000005315 distribution function Methods 0.000 description 4
- 240000002853 Nelumbo nucifera Species 0.000 description 3
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 3
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 244000131316 Panax pseudoginseng Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
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
- 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)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
基于V2G技术的电动汽车参与经济调度优化控制方法提出了一个多目标优化模型,将电动汽车车主成本和经济调度成本作为多目标模型的两个目标函数,并让电动汽车通过有序充放电的方式来作为经济调度时的备用容量。在满足各种约束条件下,采用多目标遗传算法(NSGA‑II)对模型进行求解。通过选择合适的pareto解集中的值,电动汽车采用V2G技术参与经济调度后可以节省车主成本和经济调度的成本,并且可以实现对负荷削峰填谷的功能。与不含电动汽车的经济调度有所区别,本发明充分考虑了电动汽车车主的充电成本和电动汽车集群的负荷特性,能提高电力***运行的经济性和稳定性。
Description
技术领域
本发明涉及电动汽车技术领域,特别涉及一种基于V2G技术的电动汽车参与经济调度优化控制方法。
背景技术
近年来,人们对能源与环境的要求越来越高,电动汽车的普及推广已成为未来的趋势。电动汽车由于其特殊的能源驱动方式,可以提高能源利用效率并减少对环境的污染,正日益受到人们的关注。各国也采取了积极的政策措施来鼓励电动汽车的发展。但是,随着电动汽车的大规模发展,由于车主的充电行为往往比较随机,大量电动汽车***电网充电必定会对电网结构及运行造成巨大的压力。通过V2G技术,电动汽车可以实现充放电调度,使其满足***稳定性及经济性要求。然而目前缺少对于电动汽车集群有序充放电调度的正确指导方案。
经济调度是配电***运行控制过程中的一个重要问题,是指在满足负荷需求及各种约束条件下,协调各机组的出力,使得配电***运行总成本最小。与不含电动汽车的经济调度有所区别,本文所提出的含电动汽车的经济调度需要更多地考虑电动汽车的用户行为、动力电池的SOC值及输出功率等限制,因此含电动汽车的经济调度更为复杂。在以往的电动汽车集群充电过程中,电动汽车车主的充电成本往往不被考虑,且电动汽车集群的负荷特性也常常被忽略,只是单纯地作为负荷侧的备用容量。
发明内容
本发明要克服限于技术在大量电动汽车***电网充电时对电网结构及运行造成巨大压力,以及目前缺少对于电动汽车集群有序充放电调度的正确指导方案的缺点,提供一种基于V2G技术的电动汽车参与经济调度优化控制方法。
为了实现上述目的,本发明的实施例提出了一种基于V2G技术的电动汽车参与经济调度优化控制方法,包括以下步骤:
步骤1,向电动汽车充放电控制和经济调度控制总***输入各种初始信息,包括电动汽车车辆集群的车辆信息、电动汽车动力电池信息、参与经济调度的各台发电机以及风机的参数信息、各种价格信息、24小时各个时段的负荷预测值。
所述的电动汽车车辆集群的车辆信息包括:车辆数量N,电动汽车充满电时的里程数Ri,车辆接入电网时间Ti 1,车辆离开电网时间Ti 2,车辆日行驶里程Di,电动汽车充放电功率PCi,t,i=1,2,3...N,t=1,2,3...T,T为研究周期时间段数。
所述的电动汽车动力电池信息包括:电池容量Si,电池最大充电上限Emax,i,电池最小放电下限Emin,i,电池消耗系数ε1,ε2,ε3,ε4,δ,充电和放电效率系数ηc,i、ηd,i,i=1,2,3...N。
所述的参与经济调度的各台发电机以及风机的参数信息包括:风机的形状参数α,风机的尺度参数β,风机额定输出功率Pr,风机的切入风速vci,风机的额定风速vr,风机的切出风速vco,参与调频的机组数n,机组i的成本系数ai、bi、ci,机组i的NOX排放量的特征系数αi、βi、θi、δi、λi,机组出力的最大值和最小值Pgi,max、Pgi,min,机组i的强迫停运率γi,i=1,2...n。
所述的各种价格信息包括:购买备用容量价格pr,t,实际调用备用容量价格pre,t,***购买电动汽车备用价格pv,t,失负荷价格Voll,t,污染排放价格ppol,t,弃风价格pe,t,车主支付的充电价格pg2v,t,车主获利的放电价格pv2g,t。
步骤2,根据电动汽车集群的车辆信息得到每辆车的初始荷电状态,采用蒙特卡洛算法对各个时刻的风能、负荷波动和机组停运状态进行预测。
每辆车的初始荷电状态E0,i的计算公式假设风速服从Weibull分布,即 其中,vt是t时刻的风速;由风速预测值可以求得实际风能Pw,t输出,即 假定t时刻的负荷波动ΔPl,t服从正太分布N(0,),σl为其标准差;t时刻机组i的停运状态数为di,t,随机产生一个服从[0,1]内均匀分布的伪随机数ωi,若ωi≤γi,则机组i的停运状态为0,表示机组故障停运,否则机组的停运状态为1,表示机组正常运行。
步骤3,根据电动汽车车辆集群的车辆信息、电动汽车动力电池信息、参与经济调度的各台发电机以及风机的参数信息、每辆车的初始荷电状态列出电动汽车充放电、发电机和风机出力以及备用购买所需要满足的约束条件,随机初始化个体数为X的满足这些约束条件的群体P。
初始化种群,随机产生X个群体P;群体P中每个个体包括的变量有t时刻各台发电机组的出力Pgi,t、计划风能输出Pew,t、购买备用容量Dr,t、电动汽车充放电控制矩阵CM×T;充放电控制矩阵CM×T中,Cij为第i量电动汽车在当日第j个时间段其电池的充放电功率,Cij>0表示此刻该辆车处于充电状态,Cij<0表示此刻该辆车处于放电状态;判断群体P的每个个体是否满足如下约束条件:
1.***功率平衡约束:
式中,Dl,t是不包含电动汽车的t时刻的负荷量,Dvl,t为t时刻车辆集群的总充电量。
2.发电机运行约束、风机出力约束和购买备用约束:
Pgi,min≤Pgi,t≤Pgi,max
0≤Pw,t≤Pr
Dr,t≥max{Pgi,t}
3.车辆充放电约束:
Emin,i≤Ei,t+SDg2v,i,t·ηc,i/Si-SDv2g,i,t/ηd,i/Si≤Emax,i
式中,Ei,t是车辆i在t时段的SOC;SDv2g,i,t和SDg2v,i,t分别为车辆i在t时段的充放电量。
4.车辆充电需求约束:
不满足上述约束条件的群体P中的个体将被重新初始化,直到满足上述约束条件,于是就可以得到最终生成的X个初始化群体P。
步骤4,根据初始化的群体P计算出电动汽车用户总成本。
电动汽车用户成本模型中包括充电成本、放电获益和电池损耗成本,计算公式如下:
Di,t(Ii,t,Ii,t-1)=ε1(Ii,t)2+ε2(Ii,t-Ii,t-1)2+ε3(min(Ei,t-δ·Si,0))2+ε4
式中,F1为电动汽车用户成本(T=24h);SDg2v,t和SDv2g,t分别是t时段的充电量和放电量;Ii,t为电池充放电状态,放电为-1,充电为+1,不充电也不放电为0;Di,t(Ii,t,Ii,t-1)表示t-1时刻到t时刻第i辆电动汽车电池状态变化的损耗成本,Di,t(Ii,t,Ii,t-1)的第一部分表示快速充放电对电池的损耗,第二部分表示充放电模式变换对电池的损耗,第三部分表示过度放电会损害电池,第四部分是一个常数。
步骤5,根据初始化的群体P计算出***经济调度总成本。
经济调度模型中的总成本包含发电成本、备用成本、失负荷成本、污染排放成本和弃风成本,其中备用成本包含购买备用成本、实际调用备用成本和电动汽车充放电调度成本,***经济调度总成本计算公式如下:
发电成本
备用成本
失负荷成本
污染排放成本
弃风成本
式中,F2为***经济调度总成本(T=24h);Dre,t为实际调用备用容量;Eens,t为失负荷量。其中,当Pw,t≤Pew,t时,风机输出真实风能,没有弃风成本;当Pw,t>Pew,t时,风机输出计划风能,弃风成本不为零。
用Dh,t变量来描述备用调用关系,假设Dh,t表达式如下:
当Dh,t<0时,表示供大于需,不需要调用备用容量,也没有失负荷量,电网可以储存剩余的电量。Dh,t>0则调用车辆充放电量与备用容量,若全部调用备用容量与车辆可调度量还不满足负荷需求,将产生失负荷量。
步骤6,评价群体P,对P进行非支配排序和拥挤距离计算。
步骤7,对种群P进行选择、交叉和变异,生成满足***各个约束条件的种群Q,评价Q。
步骤8,生成新种群R=P∪Q,对R作非支配排序和拥挤距离计算。
步骤9,从R中选择X个最优个体组成种群P。
步骤10,判断是否满足终止条件,若不满足约束条件,则返回步骤7;若满足终止条件,则生成Pareto最优解集,并确定最终解,最终解包括各时刻各台发电机组的出力、计划风能输出、购买备用容量、电动汽车充放电控制矩阵,最后由最终解来调整各个时刻的***运行。
终止条件的判断是指判断多目标遗传算法的迭代次数是否已经达到最大遗传代数Y代,若还未达到,则返回步骤7;若已达到,则生成最优解集。最终解可以按***运行的需要,从最优解集中选择其中的一组。
根据本发明的实施例提出了一个多目标优化模型,将电动汽车车主成本和经济调度成本作为多目标模型的目标函数,并让电动汽车通过有序充放电来作为经济调度时的备用容量。在满足各种约束条件下,采用多目标遗传算法(NSGA-II)对模型进行求解。通过选择合适的pareto解集中的值,电动汽车采用V2G技术参与经济调度后可以节省车主成本和经济调度的成本,并且可以实现对负荷削峰填谷的功能,提高***运行的稳定性。
与不含电动汽车的经济调度有所区别,本发明所提出的含电动汽车的经济调度需要更多地考虑电动汽车的用户行为、动力电池的SOC值及输出功率等限制,因此含电动汽车的经济调度更为复杂;在以往,电动汽车车主的充电成本往往不被考虑,且电动汽车集群的负荷特性也常常被忽略,本发明充分考虑了各种因素的影响,且能提高电力***运行的经济性和稳定性。
附图说明
图1为本发明的整体流程图。
图2是本发明的实施例的分时电价图
图3是本发明的实施例的各台发电机、风机输出能量和购买备用容量示意图
图4是本发明的电动汽车无序充电和有序充放电时的***负荷比较图
具体实施方式
以下结合附图描述根据本发明实施例的基于V2G技术的电动汽车参与经济调度优化控制方法。
参考图1,根据基于V2G技术的电动汽车参与经济调度优化控制方法的整体流程图,选择NSGA-II算法的个体数为X=200,交叉率为0.9,变异率为0.1,迭代次数为Y=500代,包括如下的实施步骤:
(1)向电动汽车充放电控制和经济调度控制总***输入各种初始信息,包括电动汽车车辆集群的车辆信息、电动汽车动力电池信息、参与经济调度的各台发电机以及风机的参数信息、各种价格信息、24小时各个时段的负荷预测值。
根据本发明的一个实施例,所述的电动汽车车辆集群的车辆信息包括:车辆数量N=10000量。电动汽车充满电时的里程数Ri均取200km。车辆接入电网时间Ti 1,车辆离开电网时间Ti 2,车辆日行驶里程Di,都根据各自的分布函数由蒙特卡洛方法随机产生:车辆接入电网时间Ti 1的分布函数为:
式中,μT1=17.6,σT1=3.4;车辆离开电网时间Ti 2分布函数为:
根据本发明的一个实施例,所述的电动汽车动力电池信息包括:电池容量Si为20~30kWh之间的均匀分布,电池最大充电上限Emax,i=0.9,电池最小放电下限Emin,i=0.1,电池消耗系数ε1=0.3,ε2=0.1,ε3=0.2,ε4=0.1,δ=0.2,充电和放电效率系数ηc,i=0.9、ηd,i=0.9,i=1,2,3...N。
根据本发明的一个实施例,以IEEE30节点***为例,该***有6个机组,所述的参与经济调度的各台发电机以及风机的参数信息包括:风机的形状参数α=1.965,风机的尺度参数β=10.82,风机额定输出功率Pr=30MW,风机的切入风速vci=4m/s,风机的额定风速vr=20m/s,风机的切出风速vco=25m/s。参与调频的机组数n=6,机组i的成本系数ai、bi、ci、机组出力的最大值和最小值Pgi,max、Pgi,min和强迫停运率γi如下表所示:
机组 | ai | bi | ci | Pgi,min | Pgi,max | γi |
1 | 100 | 200 | 10 | 0.05 | 0.5 | 0.01 |
2 | 120 | 150 | 10 | 0.05 | 0.6 | 0.01 |
3 | 40 | 180 | 20 | 0.05 | 1.0 | 0.02 |
4 | 60 | 60 | 10 | 0.05 | 1.2 | 0.02 |
5 | 40 | 180 | 20 | 0.05 | 1.0 | 0.03 |
6 | 100 | 100 | 10 | 0.05 | 0.6 | 0.01 |
机组i的NOX排放量的特征系数αi、βi、θi、δi、λi如下表所示:
机组 | αi | βi | θi | δi | λi |
1 | 6.49 | -5.554 | 4.091 | 2.0E-4 | 2.857 |
2 | 5.638 | -6.047 | 2.543 | 5.0E-4 | 3.333 |
3 | 4.586 | -5.094 | 4.258 | 1.0E-6 | 8.0 |
4 | 3.38 | -3.55 | 5.326 | 2.0E-3 | 2.0 |
5 | 4.586 | -5.094 | 4.258 | 1.0E-6 | 8.0 |
根据本发明的一个实施例,所述的各种价格信息包括:购买备用容量价格pr,t=5$/MWh,实际调用备用容量价格pre,t=20$/MWh,***购买电动汽车备用价格pv,t=10$/MWh,失负荷价格Voll,t=2000$/MWh,污染排放价格ppol,t=0.5$/MWh,弃风价格pe,t=8$/MWh,车主支付的充电价格pg2v,t和车主获利的放电价格pv2g,t均为时刻t的分时电价,如图2所示。
根据本发明的一个实施例,所述的24小时各个时段的负荷预测值如下表所示:
(2)根据电动汽车集群的车辆信息得到每辆车的初始荷电状态,采用蒙特卡洛算法对各个时刻的风能、机组停运状态和负荷波动进行预测。
根据本发明的一个实施例,每辆车的初始荷电状态E0,i的计算公式假设风速服从Weibull分布,即其中,vt是t时刻的风速;由风速预测值可以求得实际风能Pw,t输出,即 假定t时刻的负荷波动ΔPl,t服从正太分布N(0,),σl=10;t时刻机组i的停运状态数为di,t,随机产生一个服从[0,1]内均匀分布的伪随机数ωi,若ωi≤γi,则机组i的停运状态数di,t=0,表示机组故障停运,否则机组的停运状态数di,t=1,表示机组正常运行。
(3)根据电动汽车车辆集群的车辆信息、电动汽车动力电池信息、参与经济调度的各台发电机以及风机的参数信息、每辆车的初始荷电状态列出电动汽车充放电、发电机和风机出力以及备用购买所需要满足的约束条件,随机初始化个体数为X的满足这些约束条件的群体P。
根据本发明的一个实施例,初始化种群,随机产生X=200个群体P;群体P中每个个体包括的变量有t时刻各台发电机组的出力Pgi,t、计划风能输出Pew,t、购买备用容量Dr,t、电动汽车充放电控制矩阵CM×T;充放电控制矩阵CM×T中,Cij为第i量电动汽车在当日第j个时间段其电池的充放电功率,Cij>0表示此刻该辆车处于充电状态,Cij<0表示此刻该辆车处于放电状态;判断群体P的每个个体是否满足如下约束条件:
1.***功率平衡约束:
式中,Dl,t是不包含电动汽车的t时刻的负荷量,其值为各个时刻的负荷预测值,Dvl,t为t时刻车辆集群的总充电量。
2.发电机运行约束、风机出力约束和购买备用约束:
Pgi,min≤Pgi,t≤Pgi,max
0≤Pw,t≤Pr
Dr,t≥max{Pgi,t}
3.车辆充放电约束:
Emin,i≤Ei,t+SDg2v,i,t·ηc,i/Si-SDv2g,i,t/ηd,i/Si≤Emax,i
式中,Ei,t是车辆i在t时段的SOC;SDv2g,i,t和SDg2v,i,t分别为车辆i在t时段的充放电量。
4.车辆充电需求约束:
不满足上述约束条件的群体P中的个体将被重新初始化,直到满足上述约束条件,于是就可以得到最终生成的X个初始化群体P。
(4)根据初始化的群体P计算出电动汽车用户总成本。
电动汽车用户成本模型中包括充电成本、放电获益和电池损耗成本,计算公式如下:
Di,t(Ii,t,Ii,t-1)=ε1(Ii,t)2+ε2(Ii,t-Ii,t-1)2+ε3(min(Ei,t-δ·Si,0))2+ε4
式中,F1为电动汽车用户成本(T=24h);SDg2v,t和SDv2g,t分别是t时段的充电量和放电量;Ii,t为电池充放电状态,放电为-1,充电为+1,不充电也不放电为0;Di,t(Ii,t,Ii,t-1)表示t-1时刻到t时刻第i辆电动汽车电池状态变化的损耗成本,Di,t(Ii,t,Ii,t-1)的第一部分表示快速充放电对电池的损耗,第二部分表示充放电模式变换对电池的损耗,第三部分表示过度放电会损害电池,第四部分是一个常数。
(5)根据初始化的群体P计算出***经济调度总成本。
经济调度模型中的总成本包含发电成本、备用成本、失负荷成本、污染排放成本和弃风成本,其中备用成本包含购买备用成本、实际调用备用成本和电动汽车充放电调度成本,***经济调度总成本计算公式如下:
发电成本
备用成本
失负荷成本
污染排放成本
弃风成本
式中,F2为***经济调度总成本(T=24h);Dre,t为实际调用备用容量;Eens,t为失负荷量。其中,当Pw,t≤Pew,t时,风机输出真实风能,没有弃风成本;当Pw,t>Pew,t时,风机输出计划风能,弃风成本不为零。
用Dh,t变量来描述备用调用关系,假设Dh,t表达式如下:
当Dh,t<0时,表示供大于需,不需要调用备用容量,也没有失负荷量,电网可以储存剩余的电量。Dh,t>0则调用车辆充放电量与备用容量,若全部调用备用容量与车辆可调度量还不满足负荷需求,将产生失负荷量。
(6)评价群体P,对P进行非支配排序和拥挤距离计算。
(7)对种群P进行选择、交叉和变异,生成满足***各个约束条件的种群Q,评价Q。
(8)生成新种群R=P∪Q,对R作非支配排序和拥挤距离计算。
(9)从R中选择X个最优个体组成种群P。
(10)判断是否满足终止条件,若不满足约束条件,则返回步骤(7);若满足终止条件,则生成Pareto最优解集,并确定最终解,最终解包括各时刻各台发电机组的出力、计划风能输出、购买备用容量、电动汽车充放电控制矩阵,最后由最终解来调整各个时刻的***运行。
根据本发明的一个实施例,终止条件的判断是指判断多目标遗传算法的迭代次数是否已经达到最大遗传代数Y=500代,若还未达到,则返回步骤(7);若已达到,则生成最优解集。最终解可以按***运行的需要,从最优解集中选择其中的一组。实施例当中选择电动汽车车主成本和经济调度成本权重为2:1的那组解。
最终可以得到如下的结果和结论:
结论一,各台发电机、风机输出能量和购买备用容量如图3所示。由图3可知,机组1在11时发生故障,输出为0;参数相似的机组3,4,5,6的输出能量和购买备用容量接近。因为购买备用容量必须大于任何一台发电机,如果其中一台发电机的输出明显高于其他发电机,则会造成购买备用容量成本增加,使得目标函数值增加,因此才使得参数相似的发电机组输出和备用容量购买量接近,以减小总成本。
结论二,当电动汽车无序充电(即在电动汽车接入电网的第一时刻开始充电,直到充满才停止充电)时,经济调度的总成本为22753.07$,电动汽车用户总成本为10467$。当电动汽车作为负荷侧的备用容量参与有序的充放电调度之后,经济调度的总成本为21138.65$,电动汽车用户总成本为-6339.5$,这表示参与有序充放电的电动汽车用户总共能获得6339.5$的盈利。
结论三,电动汽车无序充电和有序充放电时的***负荷比较如图4所示。由图4可知,电动汽车有序充放电可以减小负荷峰谷差,提高电力***运行的稳定性。
根据本发明的实施例,电动汽车通过有序充放电来作为经济调度时的备用容量,结合NSGA-II算法对模型求解后,得到***各发电机输出、风机输出、备用容量和电动汽车集群充放电量矩阵,最后根据所得到这些解来调整各个时刻的***运行。可知有序充放电调度可以节省经济调度成本和车主充电成本,也可以起到削峰填谷的作用,提高***运行的稳定性与安全性。
本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举,本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式,本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。
Claims (1)
1.一种基于V2G技术的电动汽车参与经济调度优化控制方法,包括以下步骤:
步骤1,向电动汽车充放电控制和经济调度控制总***输入各种初始信息,包括电动汽车车辆集群的车辆信息、电动汽车动力电池信息、参与经济调度的各台发电机以及风机的参数信息、各种价格信息、24小时各个时段的负荷预测值;
所述的电动汽车车辆集群的车辆信息包括:车辆数量N,电动汽车充满电时的里程数Ri,车辆接入电网时间Ti 1,车辆离开电网时间Ti 2,车辆日行驶里程Di,电动汽车充放电功率PCi,t,i=1,2,3...N,t=1,2,3...T,T为研究周期时间段数;
所述的电动汽车动力电池信息包括:电池容量Si,电池最大充电上限Emax,i,电池最小放电下限Emin,i,电池消耗系数ε1,ε2,ε3,ε4,δ,充电和放电效率系数ηc,i、ηd,i,i=1,2,3...N;
所述的参与经济调度的各台发电机以及风机的参数信息包括:风机的形状参数α,风机的尺度参数β,风机额定输出功率Pr,风机的切入风速vci,风机的额定风速vr,风机的切出风速vco,参与调频的机组数n,机组i的成本系数ai、bi、ci,机组i的NOX排放量的特征系数αi、βi、θi、δi、λi,机组出力的最大值和最小值Pgi,max、Pgi,min,机组i的强迫停运率γi,i=1,2...n;
所述的各种价格信息包括:购买备用容量价格pr,t,实际调用备用容量价格pre,t,***购买电动汽车备用价格pv,t,失负荷价格Voll,t,污染排放价格ppol,t,弃风价格pe,t,车主支付的充电价格pg2v,t,车主获利的放电价格pv2g,t;
步骤2,根据电动汽车集群的车辆信息得到每辆车的初始荷电状态,采用蒙特卡洛算法对各个时刻的风能、负荷波动和机组停运状态进行预测;
每辆车的初始荷电状态E0,i的计算公式假设风速服从Weibull分布,即其中,vt是t时刻的风速;由风速预测值可以求得实际风能Pw,t输出,即假定t时刻的负荷波动ΔPl,t服从正太分布σl为其标准差;t时刻机组i的停运状态数为di,t,随机产生一个服从[0,1]内均匀分布的伪随机数ωi,若ωi≤γi,则机组i的停运状态为0,表示机组故障停运,否则机组的停运状态为1,表示机组正常运行;
步骤3,根据电动汽车车辆集群的车辆信息、电动汽车动力电池信息、参与经济调度的各台发电机以及风机的参数信息、每辆车的初始荷电状态列出电动汽车充放电、发电机和风机出力以及备用购买所需要满足的约束条件,随机初始化个体数为X的满足这些约束条件的群体P;
初始化种群,随机产生X个群体P;群体P中每个个体包括的变量有t时刻各台发电机组的出力Pgi,t、计划风能输出Pew,t、购买备用容量Dr,t、电动汽车充放电控制矩阵CM×T;充放电控制矩阵CM×T中,Cij为第i量电动汽车在当日第j个时间段其电池的充放电功率,Cij>0表示此刻该辆车处于充电状态,Cij<0表示此刻该辆车处于放电状态;判断群体P的每个个体是否满足如下约束条件:
1.***功率平衡约束:
式中,Dl,t是不包含电动汽车的t时刻的负荷量,Dvl,t为t时刻车辆集群的总充电量;
2.发电机运行约束、风机出力约束和购买备用约束:
Pgi,min≤Pgi,t≤Pgi,max
0≤Pw,t≤Pr
Dr,t≥max{Pgi,t}
3.车辆充放电约束:
Emin,i≤Ei,t+SDg2v,i,t·ηc,i/Si-SDv2g,i,t/ηd,i/Si≤Emax,i
式中,Ei,t是车辆i在t时段的SOC;SDv2g,i,t和SDg2v,i,t分别为车辆i在t时段的充放电量;
4.车辆充电需求约束:
不满足上述约束条件的群体P中的个体将被重新初始化,直到满足上述约束条件,于是就可以得到最终生成的X个初始化群体P;
步骤4,根据初始化的群体P计算出电动汽车用户总成本;
电动汽车用户成本模型中包括充电成本、放电获益和电池损耗成本,计算公式如下:
Di,t(Ii,t,Ii,t-1)=ε1(Ii,t)2+ε2(Ii,t-Ii,t-1)2+ε3(min(Ei,t-δ·Si,0))2+ε4
式中,F1为电动汽车用户成本,T=24h;SDg2v,t和SDv2g,t分别是t时段的充电量和放电量;Ii,t为电池充放电状态,放电为-1,充电为+1,不充电也不放电为0;Di,t(Ii,t,Ii,t-1)表示t-1时刻到t时刻第i辆电动汽车电池状态变化的损耗成本,Di,t(Ii,t,Ii,t-1)的第一部分表示快速充放电对电池的损耗,第二部分表示充放电模式变换对电池的损耗,第三部分表示过度放电会损害电池,第四部分是一个常数;
步骤5,根据初始化的群体P计算出***经济调度总成本;
经济调度模型中的总成本包含发电成本、备用成本、失负荷成本、污染排放成本和弃风成本,其中备用成本包含购买备用成本、实际调用备用成本和电动汽车充放电调度成本,***经济调度总成本计算公式如下:
发电成本
备用成本
失负荷成本
污染排放成本
弃风成本
式中,F2为***经济调度总成本,T=24h;Dre,t为实际调用备用容量;Eens,t为失负荷量;其中,当Pw,t≤Pew,t时,风机输出真实风能,没有弃风成本;当Pw,t>Pew,t时,风机输出计划风能,弃风成本不为零;
用Dh,t变量来描述备用调用关系,假设Dh,t表达式如下:
当Dh,t<0时,表示供大于需,不需要调用备用容量,也没有失负荷量,电网可以储存剩余的电量;Dh,t>0则调用车辆充放电量与备用容量,若全部调用备用容量与车辆可调度量还不满足负荷需求,将产生失负荷量;
步骤6,评价群体P,对P进行非支配排序和拥挤距离计算;
步骤7,对种群P进行选择、交叉和变异,生成满足***各个约束条件的种群Q,评价Q;
步骤8,生成新种群R=P∪Q,对R作非支配排序和拥挤距离计算;
步骤9,从R中选择X个最优个体组成种群P;
步骤10,判断是否满足终止条件,若不满足约束条件,则返回步骤7;若满足终止条件,则生成Pareto最优解集,并确定最终解,最终解包括各时刻各台发电机组的出力、计划风能输出、购买备用容量、电动汽车充放电控制矩阵,最后由最终解来调整各个时刻的***运行;
终止条件的判断是指判断多目标遗传算法的迭代次数是否已经达到最大遗传代数Y代,若还未达到,则返回步骤7;若已达到,则生成最优解集;最终解可以按***运行的需要,从最优解集中选择其中的一组。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410407390.4A CN104600729B (zh) | 2014-08-19 | 2014-08-19 | 基于v2g技术的电动汽车参与经济调度优化控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410407390.4A CN104600729B (zh) | 2014-08-19 | 2014-08-19 | 基于v2g技术的电动汽车参与经济调度优化控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104600729A CN104600729A (zh) | 2015-05-06 |
CN104600729B true CN104600729B (zh) | 2016-12-07 |
Family
ID=53126339
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410407390.4A Active CN104600729B (zh) | 2014-08-19 | 2014-08-19 | 基于v2g技术的电动汽车参与经济调度优化控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104600729B (zh) |
Families Citing this family (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105322559B (zh) * | 2015-11-11 | 2017-07-28 | 重庆大学 | 一种基于v2g技术的电动汽车配电调度控制方法 |
CN105512475B (zh) * | 2015-12-03 | 2018-03-09 | 电子科技大学 | 一种参与电网调度的电动汽车电池损耗支出计算方法 |
CN105958498A (zh) * | 2016-04-28 | 2016-09-21 | 东南大学 | 一种考虑电动汽车的机组组合与分时电价联合优化方法 |
CN105868942B (zh) * | 2016-06-07 | 2019-07-09 | 北京交通大学 | 电动汽车的有序充电调度方法 |
CN107154625B (zh) * | 2017-06-02 | 2019-10-01 | 重庆大学 | 基于模糊贝叶斯学习的电动汽车放电电价谈判方法 |
CN107104454A (zh) * | 2017-06-06 | 2017-08-29 | 重庆大学 | 计及电动汽车功率可调控域的最优潮流节点电价计算方法 |
CN107154628B (zh) * | 2017-07-12 | 2019-12-03 | 重庆大学 | 电动汽车入网放电电价上限与入网功率关系计算方法 |
CN107769237B (zh) * | 2017-11-30 | 2019-11-08 | 南方电网科学研究院有限责任公司 | 基于电动汽车接入的多能源***协同调度方法及装置 |
CN108493972B (zh) * | 2018-03-21 | 2021-02-23 | 南瑞集团有限公司 | 一种电动汽车短时备用能力的评估方法 |
CN108683188A (zh) * | 2018-06-21 | 2018-10-19 | 福州大学 | 考虑环境价值及调峰充裕度的多目标风电接纳水平优化 |
CN108899924B (zh) * | 2018-09-05 | 2021-05-07 | 南京理工大学 | 一种基于电动汽车状态的配电网调度方法 |
CN109327029B (zh) * | 2018-09-18 | 2021-11-23 | 宁波市电力设计院有限公司 | 考虑电动汽车充电负荷的微电网风光优化配比方法 |
CN109193721B (zh) * | 2018-09-29 | 2020-09-22 | 华南理工大学 | 一种基于强化学习的电动汽车充放电策略优化方法 |
CN109606198B (zh) * | 2018-11-30 | 2021-12-07 | 国网西藏电力有限公司 | 考虑用户行为不确定性的智能配电网电动汽车充电方法 |
CN113269372A (zh) * | 2021-06-23 | 2021-08-17 | 华北电力大学 | 一种考虑用户意愿的集群电动汽车可调度容量预测评估方法 |
CN113489038B (zh) * | 2021-07-07 | 2023-07-11 | 广东电网有限责任公司 | 一种电动汽车充放电定价方法、装置及电力*** |
CN115189415A (zh) * | 2022-06-24 | 2022-10-14 | 国网江苏省电力有限公司淮安供电分公司 | 一种含电动汽车聚合器的主动配电网多目标优化调度方法 |
CN116307087B (zh) * | 2023-02-07 | 2023-12-15 | 帕诺(常熟)新能源科技有限公司 | 考虑电动汽车充放电的微电网***储能优化配置方法和*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6897635B2 (en) * | 2002-04-15 | 2005-05-24 | Fujitsu Limited | Method for predicting remaining charge of portable electronics battery |
CN103499792A (zh) * | 2013-07-18 | 2014-01-08 | 浙江工业大学 | 电动汽车动力电池集群可用容量的预测方法 |
CN103605079A (zh) * | 2013-11-20 | 2014-02-26 | 浙江工业大学 | 公交电动汽车及其梯次利用电池集群的v2g可用容量评估方法 |
CN103679299A (zh) * | 2013-12-30 | 2014-03-26 | 华北电力大学(保定) | 兼顾车主满意度的电动汽车最优峰谷分时电价定价方法 |
-
2014
- 2014-08-19 CN CN201410407390.4A patent/CN104600729B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6897635B2 (en) * | 2002-04-15 | 2005-05-24 | Fujitsu Limited | Method for predicting remaining charge of portable electronics battery |
CN103499792A (zh) * | 2013-07-18 | 2014-01-08 | 浙江工业大学 | 电动汽车动力电池集群可用容量的预测方法 |
CN103605079A (zh) * | 2013-11-20 | 2014-02-26 | 浙江工业大学 | 公交电动汽车及其梯次利用电池集群的v2g可用容量评估方法 |
CN103679299A (zh) * | 2013-12-30 | 2014-03-26 | 华北电力大学(保定) | 兼顾车主满意度的电动汽车最优峰谷分时电价定价方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104600729A (zh) | 2015-05-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104600729B (zh) | 基于v2g技术的电动汽车参与经济调度优化控制方法 | |
Wang et al. | Demand side management of plug-in electric vehicles and coordinated unit commitment: A novel parallel competitive swarm optimization method | |
CN105160451B (zh) | 一种含电动汽车的微电网多目标优化调度方法 | |
CN104158203B (zh) | 一种微电网电源容量优化配置方法 | |
Liu et al. | An optimization strategy of controlled electric vehicle charging considering demand side response and regional wind and photovoltaic | |
Li et al. | An optimal design and analysis of a hybrid power charging station for electric vehicles considering uncertainties | |
CN105071389B (zh) | 计及源网荷互动的交直流混合微电网优化运行方法及装置 | |
CN108520314A (zh) | 结合v2g技术的主动配电网调度方法 | |
Gao et al. | Economic dispatch containing wind power and electric vehicle battery swap station | |
CN110556850A (zh) | 电动汽车退役电池用于换电站储能的容量配置方法 | |
CN104578145B (zh) | 一种面向智能用电的连续任务型负荷能量控制方法 | |
Khezri et al. | Impact of optimal sizing of wind turbine and battery energy storage for a grid-connected household with/without an electric vehicle | |
CN109861277A (zh) | 一种充电站光伏和储能容量的配置方法及*** | |
CN105160151A (zh) | 一种基于模糊K-means算法的电动汽车应急供电方法 | |
CN108921331A (zh) | 一种计及v2g功能的电动汽车与新能源的调度优化建模及算法 | |
CN111177637A (zh) | 电动汽车换电站动力电池的容量配置方法 | |
CN115860379A (zh) | 基于转换经济目标的电动汽车日前调度策略及*** | |
Wu et al. | Coordinated scheduling for multimicrogrid systems considering mobile energy storage characteristics of electric vehicles | |
Fan et al. | Cost-benefit analysis of optimal charging strategy for electric vehicle with V2G | |
Das et al. | Game theoretical energy management of EV fast charging station with V2G capability | |
Huang et al. | Research on charging and discharging control strategy of electric vehicles and its economic benefit in microgrid | |
Zhang et al. | Coordinated dispatch of the wind-thermal power system by optimizing electric vehicle charging | |
Lei et al. | Coordinated scheduling of electric vehicles and wind power generation considering vehicle to grid mode | |
Alzahrani et al. | Equilibrium Optimizer for Community Microgrid Energy Scheduling | |
Wei et al. | Dynamic price optimization strategy for charging power station with electric vehicles |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |