CN106096773A - 一种电动汽车充当储能的多目标优化调度方法 - Google Patents

Abstract

本发明涉及一种电动汽车充当储能的多目标优化调度方法，以含电动汽车、风电、直流母线的微电网***为研究对象，构建计及不确定性的电动汽车充当储能的调度模型；采用了多场景生成技术及场景削减技术将随机过程分解为有限的离散概率场景，采用多代理***技术将优化调度分为双层调度结构：微电网调度层与电动汽车调度层。并在该调度结构的基础上提出实时电价更新策略，利用双层调度使得调度***分别实现：微电网***运行成本最小，并保证交换功率在安全范围内；分配每辆车的充放电功率使得电动汽车动力电池充放电状态转换最小以保证电池循环寿命最长两个目标。可明显减少微电网***的运行成本及电动汽车在充当储能时的电池充放电状态转换次数。

Description

一种电动汽车充当储能的多目标优化调度方法

技术领域

本发明涉及含电动汽车作为储能的微电网多目标优化调度方法，具体属于智能电网技术领域。

背景技术

微电网是由分布式电源、储能、负荷组成的***，并与主网有着紧密的联系。随着技术的进步，风力发电等可再生能源被推广运用，它不仅可以节约能源，也可以避免传统电网的电能长距离传输，减少电能损耗，同时减少碳排放。而储能不仅可以帮助更有效地使用可再生能源，也可以调节负荷的高峰低谷。据统计显示，每辆电动汽车平均有90％的时间处于闲置状态，所以在微网中可以被认为是灵活的移动电池，对于多个微电网来说，大量的电动汽车就像是移动的储能设备，如何调节电动汽车与微网之间的能源协调、微网群与主网间的能源协调，对实现微电网运营成本最低、主网波动最小等目标的优化尤为关键，并且它们与主网之间的能源协调调度可以避免负荷尖峰。因此对电动汽车充当储能的优化调度方法进行了分析，提出在满***换功率在安全范围内的前提下，实现“微电网***运行成本最小、分配每辆车的充放电功率使得电动汽车动力电池充放电状态转换最小以保证电池循环寿命最长”两个目标。本发明提出的电动汽车充电储能的多目标优化调度方法可以使微电网***运行成本最小，同时使电动汽车电池充放电转换状态次数最小以保证用户使用成本较小。

实用新型内容

针对上述现有技术中的问题，本发明提出一种电动汽车充当储能的多目标优化方法，为示范城市电动汽车充电基础设施建设提供理论依据和技术支撑，并有利于提高充电站内整体运行的经济效益。

为了解决上述技术问题，本实用新型提出以下技术方案：

一种电动汽车充当储能的多目标优化调度方法，该方法步骤为：

步骤1：基于日前负荷及历史数据得到未来一天负荷曲线接收风电出力大小的预测数据场景概率τ_s；电动汽车动力电池的最大放电功率最大充电功率储能容量下限储能容量上限并使用情景生成法及情景削减法减少情景个数；

步骤2：建立微电网调度层数学模型，在其调度策略中，使交换功率在限定范围内(P^cap)解出微电网***最小的运行成本(目标1)，并得出此时的交换功率

步骤3：建立电动汽车调度层经济与技术模型，在其调度策略中，使得电动汽车充放电状态转换次数最小，并得出总的电动汽车的最小成本(目标2)。模型中电动汽车充电成本与状态转换次数呈正相关；

步骤4：在多代理***技术的基础上，制定电网电价更新策略，假定更新时间为1h/次；

步骤5：微电网各控制器响应更新的实时电价，再次优化充放电功率使微电网***运行成本最小；

步骤6：电动汽车响应微电网最新充放电功率分配，相应更新其充放电行为。返回步骤1。

所述场景生成技术采用离散的概率分布取代随机变量的不确定性，场景的产生由不确定的电动汽车出行习惯构成(风电出力、负荷耗电可近似认为是确定值)。风电出力模型如下：

$P^W=\left\{\begin{array}{cc}0,& \begin{array}{ccc}{v}_f<v_{ci}& or& v_f>v_{co}\end{array}\\ \frac{v_f^3-v_{ci}^3}{v_r^3-v_{ci}^3}{P}^r,& v_{ci}\&le;v_f\&le;v_r\\ P^r,& v_r\&le;v_f\&le;v_{co}\end{array}\right.---\left(1\right)$

P^W为预测的风力发电功率，v_f为预测风速，v_ci为切入风速，v_co为切出风速，v_r为额定风速，P^r为风机额定功率；

电动汽车出行模型主要由出发时间、到达时间、行驶里程等变量构成，式子如下：

$P_D\left(t_{d,i}\right)=\frac{t_{d,i}^{(v-2)/2}{e}^{-t_{d,i}/2}}{2^{v/2}\mathrm{\&Gamma;}(v/2)}---\left(2\right)$

$P_A\left(t_{ar}\right|t_{d,i})=\frac{1}{\sqrt{2{\mathrm{\&pi;\&sigma;}}_i^2}}{e}^{-\frac{{(t_{ar}-{\mathrm{\&mu;}}_i)}^2}{2{\mathrm{\&sigma;}}_i^2}}---\left(3\right)$

P(d)＝(d₀+d)^-βexp(-d/α) (4)

P_D(t_d,i)为汽车出发时间概率分布，t_d,i为第i个时间窗口的出发时间，Δt为时间窗口长度；

P_A(t_ar|t_d,i)为汽车到达时间概率分布，t_ar为第i个时间窗口的到达时间，σ_i为第i个时间窗口的到达时间标准差；μ_i为第i个时间窗口的到达时间期望；

P(d)为每趟行驶里程概率分布，d为行驶里程，d₀、α、β为指数参数，对应分别为常数1.8、20、1.25。

电动汽车和风电所有场景的集合用S表示，τ_s为***在场景s下的概率：

τ_s＝P_A(t_ar|t_d,i)·P_D(t_d,i)·P(d) (5)

最后使用快速正演算法削减场景。

所述电动汽车动力电池的最大放电功率最大充电功率储能容量下限储能容量上限可由以下式子获得：

$P_{i,s}^{\min }\left(t\right)=-n_{i,s}\left(t\right){\stackrel{\&OverBar;}{p}}_{ev}---\left(6\right)$

$P_{i,s}^{\max }\left(t\right)=n_{i,s}\left(t\right){\stackrel{\&OverBar;}{p}}_{ev}---\left(7\right)$

$B_{i,s}^{\min }\left(t\right)=\&lsqb;{\mathrm{\&Phi;}}_{i,s}(t+1){\mathrm{soc}}_{i,s}^0\&rsqb;\&CenterDot;E---\left(8\right)$

$B_{i,s}^{\max }\left(t\right)=n_{i,s}\left(t\right)E---\left(9\right)$

n_i,s(t)＝n_i,s(t-1)+||Γ_i,s(t)||₁-||Φ_i,s(t)||₁ (10)

n_i,s(t)为在s场景下t时刻在线充放电车辆数目，为单辆电动汽车最大充、放电功率；||Γ_i,s(t)||₁、||Φ_i,s(t)||₁分别为s场景下第i个微电网t时刻到达变量(到达为1，否则为0)、出发变量(出发为1，否则为0)，为s场景下出发时的荷电状态，Φ_i,s(t+1)为t+1时刻的出发变量，E为动力电池额定容量。

所述微电网调度层数学模型如下：

目标函数微电网***运行成本可表示为：

$\underset{P_{i,s}^{ex}\left(t\right)}{min}\underset{s=1}{\overset{S}{\&Sigma;}}{\mathrm{\&tau;}}_s\underset{i=1}{\overset{I}{\&Sigma;}}\underset{t=1}{\overset{T}{\&Sigma;}}{C}_t{P}_{i,s}^{ex}\left(t\right)\mathrm{\&Delta;}t---\left(11\right)$

相应约束条件为：

功率平衡：

$P_{i,s}^W\left(t\right)+P_{i,s}^{ex}\left(t\right)=P_i^L\left(t\right)+P_{i,s}^B\left(t\right)---\left(12\right)$

动力电池储能状态更新：

$B_{i,s}\left(t\right)=B_{i,s}(t-1)+P_{i,s}^B\left(t\right)\mathrm{\&Delta;}t+{\mathrm{\&Delta;}}_{i,s}^B\left(t\right)---\left(13\right)$

由电动汽车到达或离开导致的储能能量变化：

${\mathrm{\&Delta;}}_{i,s}^B\left(t\right)=\&lsqb;{\mathrm{\&Gamma;}}_{i,s}\left(t\right){\mathrm{soc}}_{i,s}^0\&rsqb;\&CenterDot;E---\left(14\right)$

储能电量保持在限定范围内：

$B_{i,s}^{\min }\left(t\right)\&le;B_{i,s}\left(t\right)\&le;B_{i,s}^{\max }\left(t\right)---\left(15\right)$

充放电功率在限定范围内：

$P_{i,s}^{\min }\left(t\right)\&le;P_{i,s}\left(t\right)\&le;P_{i,s}^{\max }\left(t\right)---\left(16\right)$

第i个微电网交换功率在限定范围内：

$-{\stackrel{\&OverBar;}{P}}_i^{ex}\&le;P_{i,s}^{ex}\left(t\right)\&le;{\stackrel{\&OverBar;}{P}}_i^{ex}---\left(17\right)$

微电网***整体交换功率在限定范围内：

$-P^{cap}\&le;\underset{i=1}{\overset{I}{\&Sigma;}}{P}_{i,s}^{ex}\left(t\right)\&le;P^{cap}---\left(18\right)$

B_i,s(t)，P_i,s(t)分别为t时刻第i个微电网在s场景下的动力电池储能能量和充放电功率。由上述模型，根据给定，可解出微电网***最小充电成本，并得出此时的交换功率

所述电动汽车调度层经济与技术模型分别为：

经济模型作为目标函数：

$\min K_{i,s}^{total}=\underset{t=1}{\overset{T}{\&Sigma;}}{P}_{i,s}^B\left(t\right)\mathrm{\&Delta;}t\&CenterDot;C\left(t\right)+\underset{t=1}{\overset{T}{\&Sigma;}}\underset{j=1}{\overset{J_i}{\&Sigma;}}\frac{1}{2}\left(u_{i,j,s}^z\right(t)-v_{i,j,s}^z(t\left)\right)\&CenterDot;\frac{c^b}{c^l}---\left(19\right)$

第一部分代表用电成本，第二部分代表电池充放电引起的损耗成本，即使总成本最小；式中c^b为电动汽车电池成本，c^l为电动汽车电池循环寿命；

技术模型作为约束条件：

第j辆汽车荷电状态动态变化：

${\mathrm{soc}}_{i,j,s}(t+1)={\mathrm{soc}}_{i,j,s}\left(t\right)+\frac{\&lsqb;p_{i,j,s}^c\left(t\right)+p_{i,j,s}^d\left(t\right)\&rsqb;\mathrm{\&Delta;}t}{E},t\&Element;\&lsqb;t_{i,j,s}^a,t_{i,j,s}^d\&rsqb;---\left(20\right)$

式中分别为到达时间和出发时间，分别为在t时段的充电功率和放电功率；

第j辆汽车出发时的荷电状态必须满足行程所需电量：

${\mathrm{soc}}_{i,j,s}\left(t_{i,j,s}^d\right)\&GreaterEqual;\frac{\underset{m=1}{\overset{M}{\&Sigma;}}{d}_{i,j,s}^m}{kE}---\left(21\right)$

式中为第m趟的行驶里程；

第j辆汽车充、放电功率限定值：

$v_{i,j,s}\left(t\right){\stackrel{\&OverBar;}{p}}_{ev}<p_{i,j,s}^d\left(t\right)<0,0<p_{i,j,s}^c\left(t\right)<u_{i,j,s}\left(t\right){\stackrel{\&OverBar;}{p}}_{ev}---\left(22\right)$

放电深度必须大于最低限定荷电状态：

soc＜soc_i,j,s(t)＜100％ (23)

所有汽车的总充放电功率等于每一辆汽车的充放电功率之和：

$\underset{j=1}{\overset{J_i}{\&Sigma;}}\left(p_{i,j,s}^c\right(t)+p_{i,j,s}^d(t\left)\right)=P_{i,s}^B\left(t\right)---\left(24\right)$

总充放电循环次数必须小于循环次数上限：

$\frac{1}{2}\underset{t=1}{\overset{T}{\&Sigma;}}\left(u_{i,j,s}^z\right(t)-v_{i,j,s}^z(t\left)\right)\&le;k---\left(25\right)$

电动汽车不能同时放电又充电：

u_i,j,s(t)-v_i,j,s(t)≤1 (26)

保证电动汽车只能处于唯一的充放电状态：

$\left\{\begin{array}{c}{u}_{i,j,s}^z\left(t\right)-v_{i,j,s}^z\left(t\right)\&le;1\\ u_{i,j,s}^z\left(t\right)-v_{i,j,s}^{za}\left(t\right)\&le;1\\ u_{i,j,s}^{za}\left(t\right)-v_{i,j,s}^z\left(t\right)\&le;1\end{array}\right.---\left(27\right)$

协助计算充放电转换状态：

$\left\{\begin{array}{c}{u}_{i,j,s}\left(t\right)-u_{i,j,s}(t-1)=u_{i,j,s}^z\left(t\right)+v_{i,j,s}^{za}\left(t\right)\\ v_{i,j,s}\left(t\right)-v_{i,j,s}(t-1)=v_{i,j,s}^z\left(t\right)+u_{i,j,s}^{za}\left(t\right)\end{array}\right.---\left(28\right)$

式中u_i,j,s(t)(在充为1，否则为0)，v_i,j,s(t)(在放为-1，否则为0)，(由充转放为1，否则为0)，(由放转充为-1，否则为0)，(由充转闲置1，否则为0)，(由放转闲置为-1，否则为0)。

所述电网电价更新策略表示如下：

下一刻电价为：

$p_k^{n+1}=\frac{\&part;C_k\left({P_{kL}}^n\right)}{\&part;{P_{kL}}^n}---\left(29\right)$

下一刻负荷为：

$P_{kL}^{n+1}=P_k\left(p^{n+1}\right)---\left(30\right)$

C_k(P_kL ⁿ)＝a(P_kL ⁿ)²+b(P_kL ⁿ)+c (31)

式中a，b，c取值为根据实际运行情况设定的常数值，为下一时刻的电价、为下一时刻的负荷。

所述交换功率在直流母线上进行，不必考虑潮流约束。

所述多目标优化调度可分解为两个子目标问题分别进行优化。

本实用新型有如下有益效果：

1、本发明适用于风能丰富的各类城市含风力发电***的微电网***内，主要对微网之间的交换功率协调调度与电动汽车作为储能时的充放电功率调度进行优化。

2、本发明提出的电动汽车充当储能的多目标优化调度方法有效利用场景生成和削减法解决了电动汽车随机出行、风力出力、负荷的不稳定问题。根据不同场景实现对目标的优化。

3、本发明采用MAS代理***，具体地说是双层控制***，将多目标问题分解为两个子目标，分别在***的上层与下层中实现。极大简化了计算过程，减小了计算的复杂性。

附图说明

下面结合附图和实施例对本实用新型作进一步说明。

图1是本发明的流程图。

图2是优化调度策略的双层控制体系结构图。

图3是微电网调度层控制结构图。

表1是本策略与集中控制、基于分时电价的分散控制策略的效果对比表。

表2是本策略与不采用任何控制策略时随机抽取5辆电动汽车充放电转换次数对比表。

具体实施方式

下面结合附图对本实用新型的实施方式做进一步的说明。

如图1-3所示，一种电动汽车充当储能的多目标优化调度方法，包括如下步骤：

(1)基于日前负荷及历史数据得到未来一天负荷曲线接收风电出力大小的预测数据场景概率τ_s；电动汽车动力电池的最大放电功率最大充电功率储能容量下限储能容量上限并使用情景生成法及情景削减法减少情景个数；

(2)根据第一步接收到的数据和若干典型的场景，建立微电网调度层数学模型，在其调度策略中，使交换功率在限定范围内(P^cap)解出微电网***最小的运行成本(目标1)，并得出此时的交换功率

(3)根据上一步得到的交换功率计算电动汽车总充放电功率建立电动汽车调度层经济与技术模型，在其调度策略中，使得电动汽车充放电状态转换次数最小，并得出总的电动汽车的最小成本(目标2)。模型中电动汽车充电成本与状态转换次数呈正相关；

(4)根据第二、三步在多代理***技术的基础上，制定电网电价更新策略，假定更新时间为1h/次；

(5)根据上一步得到的微电网各控制器响应更新的实时电价，再次优化充放电功率使微电网***运行成本最小；

(6)电动汽车响应微电网最新充放电功率分配，相应更新其充放电行为。返回步骤1。

以下结合附图，对本发明的实施例作详细说明，本发明的流程图如图1所示。

风电出力模型如下：

$P^W=\left\{\begin{array}{cc}0,& \begin{array}{ccc}{v}_f<v_{ci}& or& v_f>v_{co}\end{array}\\ \frac{v_f^3-v_{ci}^3}{v_r^3-v_{ci}^3}{P}^r,& v_{ci}\&le;v_f\&le;v_r\\ P^r,& v_r\&le;v_f\&le;v_{co}\end{array}\right.---\left(1\right)$

P^W为预测的风力发电功率，v_f为预测风速，v_ci为切入风速，v_co为切出风速，P^r为风机额定功率；

电动汽车出行模型主要由出发时间、到达时间、行驶里程等变量构成，其离散概率分布集式子如下：

$P_D\left(t_{d,i}\right)=\frac{t_{d,i}^{(v-2)/2}{e}^{-t_{d,i}/2}}{2^{v/2}\mathrm{\&Gamma;}(v/2)}---\left(2\right)$

$P_A\left(t_{ar}\right|t_{d,i})=\frac{1}{\sqrt{2{\mathrm{\&pi;\&sigma;}}_i^2}}{e}^{-\frac{{(t_{ar}-{\mathrm{\&mu;}}_i)}^2}{2{\mathrm{\&sigma;}}_i^2}}---\left(3\right)$

P(d)＝(d₀+d)^-βexp(-d/α) (4)

P_D(t_d,i)为汽车出发时间概率分布，t_d,i为第i个时间窗口的出发时间，Δt为时间窗口长度；

P_A(t_ar|t_d,i)为汽车到达时间概率分布，t_ar为第i个时间窗口的到达时间，μ_i为平均到达时间；

P(d)为每趟行驶里程概率分布，d为行驶里程，d₀、α、β为常数，其它参数都可定义。

电动汽车和风电所有场景的集合用S表示，τ_s为***在场景s下的概率：

τ_s＝P_A(t_ar|t_d,i)·P_D(t_d,i)·P(d) (5)

最后使用快速正演算法削减场景。

在第一步中，所述电动汽车动力电池的最大放电功率最大充电功率储能容量下限储能容量上限可由以下式子获得：

$P_{i,s}^{\min }\left(t\right)=-n_{i,s}\left(t\right){\stackrel{\&OverBar;}{p}}_{ev}---\left(6\right)$

$P_{i,s}^{\max }\left(t\right)=n_{i,s}\left(t\right){\stackrel{\&OverBar;}{p}}_{ev}---\left(7\right)$

$B_{i,s}^{\min }\left(t\right)=\&lsqb;{\mathrm{\&Phi;}}_{i,s}(t+1){\mathrm{soc}}_{i,s}^0\&rsqb;\&CenterDot;E---\left(8\right)$

$B_{i,s}^{\max }\left(t\right)=n_{i,s}\left(t\right)E---\left(9\right)$

n_i,s(t)＝n_i,s(t-1)+||Γ_i,s(t)||₁-||Φ_i,s(t)||₁ (10)

n_i,s(t)为在s场景下t时刻在线充放电车辆数目，||Γ_i,s(t)||₁、||Φ_i,s(t)||₁分别为s场景下第i个微电网t时刻到达变量(到达为1，否则为0)、出发变量(出发为1，否则为0)，为s场景下出发时的荷电状态，Φ_i,s(t+1)为t+1时刻的出发变量，E为动力电池额定容量。

微电网调度层数学模型如下：

目标函数微电网***运行成本可表示为：

$\underset{P_{i,s}^{ex}\left(t\right)}{min}\underset{s=1}{\overset{S}{\&Sigma;}}{\mathrm{\&tau;}}_s\underset{i=1}{\overset{I}{\&Sigma;}}\underset{t=1}{\overset{T}{\&Sigma;}}{C}_t{P}_{i,s}^{ex}\left(t\right)\mathrm{\&Delta;}t---\left(11\right)$

相应约束条件为：

功率平衡：

$P_{i,s}^W\left(t\right)+P_{i,s}^{ex}\left(t\right)=P_i^L\left(t\right)+P_{i,s}^B\left(t\right)---\left(12\right)$

动力电池储能状态更新：

$B_{i,s}\left(t\right)=B_{i,s}(t-1)+P_{i,s}^B\left(t\right)\mathrm{\&Delta;}t+{\mathrm{\&Delta;}}_{i,s}^B\left(t\right)---\left(13\right)$

由电动汽车到达或离开导致的储能能量变化：

${\mathrm{\&Delta;}}_{i,s}^B\left(t\right)=\&lsqb;{\mathrm{\&Gamma;}}_{i,s}\left(t\right){\mathrm{soc}}_{i,s}^0\&rsqb;\&CenterDot;E---\left(14\right)$

储能电量保持在限定范围内：

$B_{i,s}^{\min }\left(t\right)\&le;B_{i,s}\left(t\right)\&le;B_{i,s}^{\max }\left(t\right)---\left(15\right)$

充放电功率在限定范围内：

$P_{i,s}^{\min }\left(t\right)\&le;P_{i,s}\left(t\right)\&le;P_{i,s}^{\max }\left(t\right)---\left(16\right)$

第i个微电网交换功率在限定范围内：

$-{\stackrel{\&OverBar;}{P}}_i^{ex}\&le;P_{i,s}^{ex}\left(t\right)\&le;{\stackrel{\&OverBar;}{P}}_i^{ex}---\left(17\right)$

微电网***整体交换功率在限定范围内：

$-P^{cap}\&le;\underset{i=1}{\overset{I}{\&Sigma;}}{P}_{i,s}^{ex}\left(t\right)\&le;P^{cap}---\left(18\right)$

B_i,s(t)，P_i,s(t)分别为t时刻第i个微电网在s场景下的动力电池储能能量和充放电功率。由上述模型，根据给定，可解出微电网***最小充电成本，并得出此时的交换功率

电动汽车调度层经济与技术模型分别为：

经济模型作为目标函数：

$\min K_{i,s}^{total}=\underset{t=1}{\overset{T}{\&Sigma;}}{P}_{i,s}^B\left(t\right)\mathrm{\&Delta;}t\&CenterDot;C\left(t\right)+\underset{t=1}{\overset{T}{\&Sigma;}}\underset{j=1}{\overset{J_i}{\&Sigma;}}\frac{1}{2}\left(u_{i,j,s}^z\right(t)-v_{i,j,s}^z(t\left)\right)\&CenterDot;\frac{c^b}{c^l}---\left(19\right)$

第一部分代表用电成本，第二部分代表电池充放电引起的损耗成本，即使总成本最小；

技术模型作为约束条件(20)-(28)：

第j辆汽车荷电状态动态变化：

${\mathrm{soc}}_{i,j,s}(t+1)={\mathrm{soc}}_{i,j,s}\left(t\right)+\frac{\&lsqb;p_{i,j,s}^c\left(t\right)+p_{i,j,s}^d\left(t\right)\&rsqb;\mathrm{\&Delta;}t}{E},t\&Element;\&lsqb;t_{i,j,s}^a,t_{i,j,s}^d\&rsqb;---\left(20\right)$

式中分别为到达时间和出发时间，分别为在t时段的充电功率和放电功率；

第j辆汽车出发时的荷电状态必须满足行程所需电量：

${\mathrm{soc}}_{i,j,s}\left(t_{i,j,s}^d\right)\&GreaterEqual;\frac{\underset{m=1}{\overset{M}{\&Sigma;}}{d}_{i,j,s}^m}{kE}---\left(21\right)$

式中为第m趟的行驶里程；

第j辆汽车充、放电功率限定值：

$v_{i,j,s}\left(t\right){\stackrel{\&OverBar;}{p}}_{ev}<p_{i,j,s}^d\left(t\right)<0,0<p_{i,j,s}^c\left(t\right)<u_{i,j,s}\left(t\right){\stackrel{\&OverBar;}{p}}_{ev}---\left(22\right)$

放电深度必须大于最低限定荷电状态：

soc＜soc_i,j,s(t)＜100％ (23)

所有汽车的总充放电功率等于每一辆汽车的充放电功率之和：

$\underset{j=1}{\overset{J_i}{\&Sigma;}}\left(p_{i,j,s}^c\right(t)+p_{i,j,s}^d(t\left)\right)=P_{i,s}^B\left(t\right)---\left(24\right)$

总充放电循环次数必须小于循环次数上限：

$\frac{1}{2}\underset{t=1}{\overset{T}{\&Sigma;}}\left(u_{i,j,s}^z\right(t)-v_{i,j,s}^z(t\left)\right)\&le;k---\left(25\right)$

电动汽车不能同时放电又充电：

u_i,j,s(t)-v_i,j,s(t)≤1 (26)

保证电动汽车只能处于唯一的充放电状态：

$\left\{\begin{array}{c}{u}_{i,j,s}^z\left(t\right)-v_{i,j,s}^z\left(t\right)\&le;1\\ u_{i,j,s}^z\left(t\right)-v_{i,j,s}^{za}\left(t\right)\&le;1\\ u_{i,j,s}^{za}\left(t\right)-v_{i,j,s}^z\left(t\right)\&le;1\end{array}\right.---\left(27\right)$

协助计算充放电转换状态：

$\left\{\begin{array}{c}{u}_{i,j,s}\left(t\right)-u_{i,j,s}(t-1)=u_{i,j,s}^z\left(t\right)+v_{i,j,s}^{za}\left(t\right)\\ v_{i,j,s}\left(t\right)-v_{i,j,s}(t-1)=v_{i,j,s}^z\left(t\right)+u_{i,j,s}^{za}\left(t\right)\end{array}\right.---\left(28\right)$

式中u_i,j,s(t)(在充为1，否则为0)，v_i,j,s(t)(在放为-1，否则为0)，(由充转放为1，否则为0)，(由放转充为-1，否则为0)，(由充转闲置1，否则为0)，(由放转闲置为-1，否则为0)。

电网电价更新策略表示如下：

下一刻电价为：

$p_k^{n+1}=\frac{\&part;C_k\left({P_{kL}}^n\right)}{\&part;{P_{kL}}^n}---\left(29\right)$

下一刻负荷为：

$P_{kL}^{n+1}=P_k\left(p^{n+1}\right)---\left(30\right)$

C_k(P_kL ⁿ)＝a(P_kL ⁿ)²+b(P_kL ⁿ)+c (31)

式中a，b，c取值为设定的，为下一时刻的电价、为下一时刻的负荷。

按照以上方法，输入相同的原始参数，可得到如表1、2的对比效果表，从表中可知，本方法的微电网***运行成本和负荷峰值都为最小、电动汽车充放电转换次数明显减小。

综上所述，我们提出的电动汽车充当储能的多目标优化调度方法，采用了场景生成、削减技术和多代理***技术，在微电网***中，电动汽车在充当储能的情况下实现了微电网***运行成本最小、电动汽车用户充放电成本最小(即电池充放电转换状态次数最小)的目标。

需要说明的是，流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方案的范围包括另外的实现，其中可以不按所示或讨论的顺序，包括所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。

表1本策略与集中控制、基于分时电价的分散控制策略的效果对比

表2本策略与不采用任何控制策略时随机抽取5辆电动汽车充放电转换次数对比

次数	采用本策略充放电转换次数	不采用任何策略充放电转换次数
			EV1	1	3
EV2	2	5
			EV3	1	2
EV4	1	3
			EV5	2	6

以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (8)

1.一种电动汽车充当储能的多目标优化调度方法，其特征在于：该方法步骤为：

步骤1：基于日前负荷及历史数据得到未来一天负荷曲线接收风电出力大小的预测数据场景概率τ_s；电动汽车动力电池的最大放电功率最大充电功率储能容量下限储能容量上限并使用情景生成法及情景削减法减少情景个数；

步骤2：建立微电网调度层数学模型，在其调度策略中，使交换功率在限定范围内(P^cap)解出微电网***最小的运行成本(目标1)，并得出此时的交换功率

步骤3：建立电动汽车调度层经济与技术模型，在其调度策略中，使得电动汽车充放电状态转换次数最小，并得出总的电动汽车的最小成本(目标2)。模型中电动汽车充电成本与状态转换次数呈正相关；

步骤4：在多代理***技术的基础上，制定电网电价更新策略，假定更新时间为1h/次；

步骤5：微电网各控制器响应更新的实时电价，再次优化充放电功率使微电网***运行成本最小；

步骤6：电动汽车响应微电网最新充放电功率分配，相应更新其充放电行为。返回步骤1。

2.根据权利要求1所述的一种电动汽车充当储能的多目标优化调度方法，其特征在于：

所述场景生成技术采用离散的概率分布取代随机变量的不确定性，场景的产生由不确定的电动汽车出行习惯构成(风电出力、负荷耗电可近似认为是确定值)。风电出力模型如下：

$P^W=\left\{\begin{array}{cc}0,& v_f<v_{ci}or{v}_f>v_{co}\\ \frac{v_f^3-v_{ci}^3}{v_r^3-v_{ci}^3}{P}^r,& v_{ci}\&le;v_f\&le;v_r\\ P^r,& v_r\&le;v_f\&le;v_{co}\end{array}\right.---\left(1\right)$

P^W为预测的风力发电功率，v_f为预测风速，v_ci为切入风速，v_co为切出风速，v_r为额定风速，P^r为风机额定功率；

电动汽车出行模型主要由出发时间、到达时间、行驶里程等变量构成，式子如下：

$P_D\left(t_{d,i}\right)=\frac{t_{d,i}^{\left(v-2\right)/2}{e}^{-t_{d,i}/2}}{2^{v/2}\mathrm{\&Gamma;}(v/2)}---\left(2\right)$

$P_A\left(t_{ar}\right|t_{d,i})=\frac{1}{\sqrt{2{\mathrm{\&pi;\&sigma;}}_i^2}}{e}^{-\frac{{(t_{ar}-{\mathrm{\&mu;}}_i)}^2}{2{\mathrm{\&sigma;}}_i^2}}---\left(3\right)$

P(d)＝(d₀+d)^-βexp(-d/α) (4)

P_D(t_d,i)为汽车出发时间概率分布，t_d,i为第i个时间窗口的出发时间，Δt为时间窗口长度；

P_A(t_ar|t_d,i)为汽车到达时间概率分布，t_ar为第i个时间窗口的到达时间，σ_i为第i个时间窗口的到达时间标准差；μ_i为第i个时间窗口的到达时间期望；

P(d)为每趟行驶里程概率分布，d为行驶里程，d₀、α、β为指数参数，对应分别为常数1.8、20、1.25。

电动汽车和风电所有场景的集合用S表示，τ_s为***在场景s下的概率：

τ_s＝P_A(t_ar|t_d,i)·P_D(t_d,i)·P(d) (5)

最后使用快速正演算法削减场景。

3.根据权利要求1所述的一种电动汽车充当储能的多目标优化调度方法，其特征在于，所述电动汽车动力电池的最大放电功率最大充电功率储能容量下限储能容量上限可由以下式子获得：

$P_{i,s}^{\min }\left(t\right)=-n_{i,s}\left(t\right){\stackrel{\&OverBar;}{p}}_{ev}---\left(6\right)$

$P_{i,s}^{\max }\left(t\right)=n_{i,s}\left(t\right){\stackrel{\&OverBar;}{p}}_{ev}---\left(7\right)$

$B_{i,s}^{\min }\left(t\right)=\&lsqb;{\mathrm{\&Phi;}}_{i,s}(t+1){\mathrm{soc}}_{i,s}^0\&rsqb;\&CenterDot;E---\left(8\right)$

$B_{i,s}^{\max }\left(t\right)=n_{i,s}\left(t\right)E---\left(9\right)$

n_i,s(t)＝n_i,s(t-1)+||Γ_i,s(t)||₁-||Φ_i,s(t)||₁ (10)

n_i,s(t)为在s场景下t时刻在线充放电车辆数目，为单辆电动汽车最大充、放电功率；||Γ_i,s(t)||₁、||Φ_i,s(t)||₁分别为s场景下第i个微电网t时刻到达变量(到达为1，否则为0)、出发变量(出发为1，否则为0)，为s场景下出发时的荷电状态，Φ_i,s(t+1)为t+1时刻的出发变量，E为动力电池额定容量。

4.根据权利要求1所述的一种电动汽车充当储能的多目标优化调度方法，其特征在于，所述微电网调度层数学模型如下：

目标函数微电网***运行成本可表示为：

$\underset{P_{i,s}^{ex}\left(t\right)}{\min }\underset{s=1}{\overset{S}{\&Sigma;}}{\mathrm{\&tau;}}_s\underset{i=1}{\overset{I}{\&Sigma;}}\underset{t=1}{\overset{T}{\&Sigma;}}{C}_t{P}_{i,s}^{ex}\left(t\right)\mathrm{\&Delta;}t---\left(11\right)$

相应约束条件为：

功率平衡：

$P_{i,s}^W\left(t\right)+P_{i,s}^{ex}\left(t\right)=P_i^L\left(t\right)+P_{i,s}^B\left(t\right)---\left(12\right)$

动力电池储能状态更新：

$B_{i,s}\left(t\right)=B_{i,s}(t-1)+P_{i,s}^B\left(t\right)\mathrm{\&Delta;}t+{\mathrm{\&Delta;}}_{i,s}^B\left(t\right)---\left(13\right)$

由电动汽车到达或离开导致的储能能量变化：

${\mathrm{\&Delta;}}_{i,s}^B\left(t\right)=\&lsqb;{\mathrm{\&Gamma;}}_{i,s}\left(t\right){\mathrm{soc}}_{i,s}^0\&rsqb;\&CenterDot;E---\left(14\right)$

储能电量保持在限定范围内：

$B_{i,s}^{\min }\left(t\right)\&le;B_{i,s}\left(t\right)\&le;B_{i,s}^{\max }\left(t\right)---\left(15\right)$

充放电功率在限定范围内：

$P_{i,s}^{\min }\left(t\right)\&le;P_{i,s}\left(t\right)\&le;P_{i,s}^{\max }\left(t\right)---\left(16\right)$

第i个微电网交换功率在限定范围内：

$-{\stackrel{\&OverBar;}{P}}_i^{ex}\&le;P_{i,s}^{ex}\left(t\right)\&le;{\stackrel{\&OverBar;}{P}}_i^{ex}---\left(17\right)$

微电网***整体交换功率在限定范围内：

$-P^{cap}\&le;\underset{i=1}{\overset{I}{\&Sigma;}}{P}_{i,s}^{ex}\left(t\right)\&le;P^{cap}---\left(18\right)$

B_i,s(t)，P_i,s(t)分别为t时刻第i个微电网在s场景下的动力电池储能能量和充放电功率。由上述模型，根据给定，可解出微电网***最小充电成本，并得出此时的交换功率

5.根据权利要求1所述的一种电动汽车充当储能的多目标优化调度方法，其特征在于，所述电动汽车调度层经济与技术模型分别为：

经济模型作为目标函数：

$\min K_{i,s}^{total}=\underset{t=1}{\overset{T}{\&Sigma;}}{P}_{i,s}^B\left(t\right)\mathrm{\&Delta;}t\&CenterDot;C\left(t\right)+\underset{t=1}{\overset{T}{\&Sigma;}}\underset{j=1}{\overset{J_i}{\&Sigma;}}\frac{1}{2}\left(u_{i,j,s}^z\right(t)-v_{i,j,s}^z(t\left)\right)\&CenterDot;\frac{c^b}{c^l}---\left(19\right)$

第一部分代表用电成本，第二部分代表电池充放电引起的损耗成本，即使总成本最小；式中c^b为电动汽车电池成本，c^l为电动汽车电池循环寿命；

技术模型作为约束条件：

第j辆汽车荷电状态动态变化：

${\mathrm{soc}}_{i,j,s}(t+1)={\mathrm{soc}}_{i,j,s}\left(t\right)+\frac{\&lsqb;p_{i,j,s}^c\left(t\right)+p_{i,j,s}^d\left(t\right)\&rsqb;\mathrm{\&Delta;}t}{E},t\&Element;\&lsqb;t_{i,j,s}^a,t_{i,j,s}^d\&rsqb;---\left(20\right)$

式中分别为到达时间和出发时间，分别为在t时段的充电功率和放电功率；

第j辆汽车出发时的荷电状态必须满足行程所需电量：

${\mathrm{soc}}_{i,j,s}\left(t_{i,j,s}^d\right)\&GreaterEqual;\frac{\underset{m=1}{\overset{M}{\&Sigma;}}{d}_{i,j,s}^m}{kE}---\left(21\right)$

式中为第m趟的行驶里程；

第j辆汽车充、放电功率限定值：

$v_{i,j,s}\left(t\right){\stackrel{\&OverBar;}{p}}_{ev}<p_{i,j,s}^d\left(t\right)<0,0<p_{i,j,s}^c\left(t\right)<u_{i,j,s}\left(t\right){\stackrel{\&OverBar;}{p}}_{ev}---\left(22\right)$

放电深度必须大于最低限定荷电状态：

soc＜soc_i,j,s(t)＜100％ (23)

所有汽车的总充放电功率等于每一辆汽车的充放电功率之和：

$\underset{j=1}{\overset{J_i}{\&Sigma;}}\left(p_{i,j,s}^c\right(t)+p_{i,j,s}^d(t\left)\right)=P_{i,s}^B\left(t\right)---\left(24\right)$

总充放电循环次数必须小于循环次数上限：

$\frac{1}{2}\underset{t=1}{\overset{T}{\&Sigma;}}\left(u_{i,j,s}^z\right(t)-v_{i,j,s}^z(t\left)\right)\&le;k---\left(25\right)$

电动汽车不能同时放电又充电：

u_i,j,s(t)-v_i,j,s(t)≤1 (26)

保证电动汽车只能处于唯一的充放电状态：

$\left\{\begin{array}{c}{u}_{i,j,s}^z\left(t\right)-v_{i,j,s}^z\left(t\right)\&le;1\\ u_{i,j,s}^z\left(t\right)-v_{i,j,s}^{za}\left(t\right)\&le;1\\ u_{i,j,s}^{za}\left(t\right)-v_{i,j,s}^z\left(t\right)\&le;1\end{array}\right.---\left(27\right)$

协助计算充放电转换状态：

$\left\{\begin{array}{c}{u}_{i,j,s}\left(t\right)-u_{i,j,s}(t-1)=u_{i,j,s}^z\left(t\right)+v_{i,j,s}^{za}\left(t\right)\\ v_{i,j,s}\left(t\right)-v_{i,j,s}(t-1)=v_{i,j,s}^z\left(t\right)+u_{i,j,s}^{za}\left(t\right)\end{array}\right.---\left(28\right)$

式中u_i,j,s(t)(在充为1，否则为0)，v_i,j,s(t)(在放为-1，否则为0)，(由充转放为1，否则为0)，(由放转充为-1，否则为0)，(由充转闲置1，否则为0)，(由放转闲置为-1，否则为0)。

6.根据权利要求1所述的一种电动汽车充当储能的多目标优化调度方法，其特征在于，所述电网电价更新策略表示如下：

下一刻电价为：

$p_k^{n+1}=\frac{\&part;C_k\left({P_{kL}}^n\right)}{\&part;{P_{kL}}^n}---\left(29\right)$

下一刻负荷为：

$P_{kL}^{n+1}=P_k\left(p^{n+1}\right)---\left(30\right)$

C_k(P_kL ⁿ)＝a(P_kL ⁿ)²+b(P_kL ⁿ)+c (31)

式中a，b，c取值为根据实际运行情况设定的常数值，为下一时刻的电价、为下一时刻的负荷。

7.根据权利要求1所述的一种电动汽车充当储能的多目标优化调度方法，其特征在于：所述交换功率在直流母线上进行，不必考虑潮流约束。

8.根据权利要求1所述的一种电动汽车充当储能的多目标优化调度方法，其特征在于：所述多目标优化调度可分解为两个子目标问题分别进行优化。