CN106712061B - 一种基于电动汽车可调度能力的日内优先调度方法 - Google Patents

Abstract

一种基于电动汽车可调度能力的日内优先调度方法，本发明在可调度能力概念的基础上，提出了一种针对单辆EV的事件驱动型日内优先调度方法。该方法综合车辆历史充电行为和当前入网信息，建立EV可调度能力分析模型；结合EV用户用车习惯、以配网总负荷峰谷差最小为指标，确定EV可调度能力最优阈值；最后根据新入网EV可调度能力评估结果与最优阈值的数值关系，判断电动汽车有无优先调度权，从而确定各入网EV的充放电模式。

Description

一种基于电动汽车可调度能力的日内优先调度方法

技术领域

本发明涉及一种基于电动汽车可调度能力的日内优先调度方法。

背景技术

电动汽车(electric vehicle，EV)的快速发展和规模化接入给电力***的优化运行带来了机遇和挑战，EV在节能减排方面有巨大的潜力，而与此同时大量EV在常规负荷的晚高峰充电，加剧了配网***的峰谷差，使得负荷峰值超过变压器容量限制，影响了变压器的安全可靠运行。

为了保证电力***的稳定运行，制定合理的EV充放电控制策略尤为重要，V2G(vehicle to grid)思想的提出，使得对规模化EV进行合理的充放电调度提供了途径，不仅能够直接为用户带来经济效益，还能实现削峰填谷，为电网提供调频、无功补偿等辅助服务提高电网运行可靠性。

就目前电力市场情形来看，根据优化时段的不同，对EV充放电实施优化调度主要有两类：日前调度和日内调度。其中，日前调度策略的制定仅凭数据库的统计数据获取车辆的行驶参数，用于实际控制时，尤其是对于出行情况具有较大随机性的单辆车，具有一定的局限性。相较于日前调度，EV的日内调度更具实际意义。在日内调度的相关研究中，电动汽车V2G能量调控能力具体量化为电动汽车充放电控制策略的制定提供有效依据。实现并网EV能量可调控能力的准确评估，是如何有效地将EV作为移动储能单元参与配电网的运行调控、实现对规模化EV优化调度的关键技术之一。

发明内容

为了保证电力***的稳定运行，制定合理的EV充放电控制策略，本发明提供一种基于电动汽车可调度能力的日内优先调度方法。

本发明的技术方案是：

一种基于电动汽车可调度能力的日内优先调度方法，所述日内优先调度方法面向局域配电网内电动汽车(electric vehicle，EV)充放电设施集群，以事件驱动的决策服务机制，即跟随当前时间点上入网的EV，对当前时间点上入网(即所述的局域配电网)的EV的充放电模式进行决策，该方法包括以下步骤：

S1：将一天连续24h的时间进行离散化处理，均分为J个时段，对于任意第k时段，有k∈{1,2,...,J}，且第k时段的时长为Δt，绘制局域配电网内常规负荷曲线，制定面向EV用户的充放电电价；

S2：设预接入局域配电网的EV的总数为n，当有新的电动汽车l接入时，且l∈{1,2,...,n}，由充放电设施获取电动汽车l的相关信息：接入时间T_in,l、EV电池初始的荷电状态(即SOC，State of Charge)S_0,l，SOC表示电池剩余能量与电池容量的比值，因此有0≤S_0,l≤1；

S3：EV用户输入预期离开时间T_out,l以及离开时期望的荷电状态S_E,l，且有0≤S_E,l≤1；

S4：若电动汽车l接入局域配电网的持续时长大于将电动汽车l的电池充电至S_E,l所需的最短时长，则执行步骤S5，否则让EV用户自主选择是否愿意修改T_out,l以及S_E,l，若EV用户同意执行修改则跳至步骤S3，若EV用户拒绝执行修改则不对该EV用户的充放电模式进行决策；

S5：建立电动汽车可调度能力(schedulable ability，SA)综合评估模型；从局域配电网内的电能公共服务平台获取电动汽车l的历史入网信息，并根据获取的电动汽车l的历史入网信息以及此次的入网信息，综合评估得到电动汽车l的SA的值R_l；

S6：根据局域配电网内的所有EV的历史入网信息，基于步骤S5中EV的SA综合评估模型确定最优SA阈值Q^*；

S7：通过R_l与Q^*的数值关系确定电动汽车l的充放电模式，若满足R_l≥Q^*，则从电能公共服务平台读取当前时刻局域配电网的总负荷信息，局域配电网的总负荷包括常规负荷和当前时刻已经接入局域配电网的EV负荷，并执行步骤S8，若R_l＜Q^*则电动汽车l进行无序充电并跳至步骤S9；

S8：充放电设施对电动汽车l执行两阶段优化调度策略；

S9：将电动汽车l的充放电计划上传至电能公共服务平台，并等待下一辆EV的接入。

本发明所述步骤S5具体包括以下步骤：

S51.选取SA评估指标，建立SA评估体系；

选取三项评估指标，设由评估指标所组成的初始决策矩阵表示为：B＝(b_lj)_n×3，其中，j＝1,2,3，三项评估指标包括逆向指标：电动汽车l电池的损耗程度b_l1，正向指标：EV用户信用度b_l2和EV反向供电能力b_l3；

EV用户的信用度b_l2以及EV的反向供电能力b_l3的属性值分别表示如下：

其中，X表示一定时间周期内电动汽车l参与优化调度的总次数，对于任意第x次优化调度，有x∈{1,2,...,X}；P_d,l、η_d分别表示电动汽车l的放电功率和放电效率；分别表示电动汽车l第x次参与调度时接入局域配电网的时间和EV用户预期离开局域配电网的时间；表示电动汽车l第x次参与调度时实际离开局域配电网的时间；表示电动汽车l第x次参与调度时，电动汽车l的起始SOC；C_s,l表示电动汽车l的电池容量；

S52.执行SA综合评估方法，具体如下：

对初始决策矩阵B中的各指标属性值：b_l1、b_l2以及b_l3进行无量纲化处理；处理后的评估矩阵记为：D＝(d_lj)_n×3，其中：

式中，d_lj为无量纲化处理后电动汽车l的第j个指标的属性值；对于正向指标b_l2和b_l3，表示第j个指标的最大值；对于逆向指标b_l1，表示第j个指标的最小值；ξ_j表示b_lj与之差绝对值的最大值：

分别采用层次分析法(即AHP)、标准差和平均值最大化方法确定评估指标b_l1、b_l2以及b_l3的主、客观权重w_Sj、w_Oj，AHP是一种主观赋权法，利用AHP确定三个指标的主观权重时，首先将三个评估指标b_l1、b_l2以及b_l3作为AHP的准则层，其次通过主观衡定三个指标b_l1、b_l2以及b_l3的重要性来构造准则层的判断矩阵，最后经过一致性检验便可确定三个评估指标的主观权重；标准差和平均值最大化方法是一种客观赋权法，通过比较三个评估指标b_l1、b_l2以及b_l3属性值的变化程度来确定客观权重，变化程度越高则客观权重越大，反之越小；将三个评估指标b_l1、b_l2以及b_l3的主客观权重分别组成向量w_S、w_O，根据乘法组合法融合得出三个评估指标b_l1、b_l2以及b_l3综合权重系数：进而得出接入局域配电网电动汽车l的SA的值R_l：

本发明所述步骤S6中，最优SA阈值Q^*确定过程具体如下：

S61：设近h天内所有EV的入网信息：EV接入时间、EV电池初始SOC；EV用户预期离开局域配电网的时间以及离开时期望的SOC为SA阈值提取来源，构成集合H，对于任意一天s，有s∈{1,2,…,h}，设置起始优化日：s＝1；

S62：提取第s日所有EV的入网信息以及配电网的常规负荷信息，对所有EV进行SA评估；

S63：初步确定SA阈值搜索区间Θ，且区间长度为I，即SA属于搜索区间Θ的EV总数为I，对于任一EV搜索序号i均有i∈{1,2,...,I}，设置起始搜索序号：i＝1；

S64：设置e＝1，若电动汽车e的可调度能力R_e≥Θ_i，则取得优先调度权并进行两阶段优化调度，Θ_i表示搜索区间Θ的第i个搜索值；若R_e＜Θ_i则电动汽车e进行无序充电；叠加电动汽车e的充、放电负荷至配电网总负荷，e＝e+1，继续判断电动汽车的充放电模式；当e≥n时，即第s日所有EV的充放电计划制定完成，计算配电网总负荷峰谷差；

S65：i＝i+1，转至步骤S64，继续对所有EV的充放电模式进行决策；当i≥I时，即完成第s日的搜索，确定SA搜索区间内使得配电网总负荷峰谷差最小的SA为第s日的SA阈值Q_s；s＝s+1，转至S62；

S66：当近h天的Q_s求解完毕时，采用均值法确定最优SA阈值。

本发明所述步骤S8中，两阶段优化调度策略执行过程具体如下：

S81.确定优化变量：两阶段优化调度策略的目的是为电动汽车l制定最优充放电计划：设电动汽车l接入局域配电网的持续时间T_sy,l＝T_out,l-T_in,l，T_sy,l所包含的时段集合设为T_m,l，并设其长度为V_l，和分别表示电动汽车l在持续接入的第和时段的充放电功率；则两阶段优化调度策略的优化变量即电动汽车l在k∈T_m,l时段的充、放电功率P_l(k)，具备连续可调的特性，且满足-P_d,l≤P_l(k)≤P_c,l，P_c,l表示电动汽车l的额定充电功率；

S82.第一阶段优化的目标为最小化电动汽车l用户的充放电成本 其中，c_cd,l|(η_c＝η_d＝1)表示不考虑充、放电效率时的理想充放电费用，η_c表示电动汽车l的充电效率，c_bat,l表示电动汽车l电池的损耗折算成本，c_loss,l表示由充、放电效率造成的电能损失费用，分别表示为：

其中，pri(k)表示k时段的电价信息；表示由放电造成的电池退化成本，表示由充放电功率波动对电池造成的损耗成本；c_b表示每单位电池容量的购置成本，c_L表示电池置换费用，B_cl表示在电动汽车l的电池的放电深度值为DOD下的电池循环次数，E_dis,l表示计算时间长度内电动汽车l的电池的总放电量；分别表示电动汽车l在持续接入的第时段、第时段的充放电功率；ε_f表示电动汽车l的电池损耗成本系数；e_loss,l(k)表示能量流动角度下电动汽车l的电池k时段的电能损失量；

在进行第一阶段优化时，需要考虑的约束条件有：电动汽车l的荷电状态约束；EV用户的充电需求约束；变压器最大负载约束；电动汽车l接入配电网的持续时长约束；经过第一阶段的优化，即可得到使得EV用户充放电成本最小时的电动汽车l的充放电计划；

S83.第二阶段优化的目标为最小化配电网负荷波动方差：其中，L_bas(k)表示k时段的配网基本负荷，表示电动汽车l接入配电网时，充放电计划已完成制定的EV集群负荷，表示电动汽车l接入后的配电网平均负荷；

第二阶段优化时，除了需要考虑第一阶段优化时的约束条件，还需要考虑EV用户的充放电成本约束，即EV用户在第二阶段优化时的EV用户的充放电成本不得大于第一阶段优化时的充放电成本；基于第一阶段的优化结果，经过第二阶段的优化，即可在达到供需两侧协同优化的前提下获得电动汽车l的最终充放电计划。

本发明在“可调度能力”概念的基础上，提出了一种针对单辆EV的事件驱动型日内优先调度方法。该方法综合车辆历史充电行为和当前入网信息，建立EV可调度能力分析模型；结合EV用户用车习惯、以配网总负荷峰谷差最小为指标，确定EV可调度能力最优阈值；最后根据新入网EV可调度能力评估结果与最优阈值的数值关系，判断电动汽车有无优先调度权，从而确定各入网EV的充放电模式。

本发明所述的入网指的是接入所述的局域配电网。

局域配电网内常规负荷指的是：局域配电网内除了电动汽车以外的其他负荷。

电能公共服务平台的功能描述：该局域配网内，公共服务平台收集局域配电网内的总负荷信息，一方面，用于向该局域配电网内的EV充放电设施发布实时总负荷信息，另一方面，接收各EV充放电设施的EV负荷予以整合，以便实时更新总负荷信息。

本发明的有益效果是：

1、流程简单，EV用户只需在充放电设施的客户端输入充电信息、EV电池信息，便可以得知EV的可调度能力评估值。

2、能够优选出更适合参与优先调度的车辆，在满足用户充电需求及配电变压器容量限制的前提下，降低配网负荷的峰谷差，优化配网负荷波动，同时降低用户车均充放电成本。

3、实用性较强，该调度方法基于事件驱动的服务机制，相比于日前调度，面对出行情况具有较大随机性的单辆EV时更具有实际意义。

附图说明

图1是不同充放电模式下的日总负荷曲线图

图2是电动汽车可调度能力评估结果图

具体实施方式

一种基于电动汽车可调度能力的日内优先调度方法，所述日内优先调度方法面向局域配电网内EV充放电设施集群，以事件驱动的决策服务机制，即跟随当前时间点上入网的EV，对当前时间点上入网(即所述的局域配电网)的EV的充放电模式进行决策，该方法包括以下步骤：

S1：将一天连续24h的时间进行离散化处理，均分为J个时段，对于任意第k时段，有k∈{1,2,...,J}，且第k时段的时长为Δt，绘制局域配电网内常规负荷曲线，制定面向EV用户的充放电电价；

S2：设预接入局域配电网的EV的总数为n，当有新的电动汽车l接入时，且l∈{1,2,...,n}，由充放电设施获取电动汽车l的相关信息：接入时间T_in,l、EV电池初始的荷电状态S_0,l，SOC表示电池剩余能量与电池容量的比值，因此有0≤S_0,l≤1；

S3：EV用户输入预期离开时间T_out,l以及离开时期望的荷电状态S_E,l，且有0≤S_E,l≤1；

S4：若电动汽车l接入局域配电网的持续时长大于将电动汽车l的电池充电至S_E,l所需的最短时长，则执行步骤S5，否则让EV用户自主选择是否愿意修改T_out,l以及S_E,l，若EV用户同意执行修改则跳至步骤S3，若EV用户拒绝执行修改则不对该EV用户的充放电模式进行决策；

S5：建立电动汽车可调度能力综合评估模型；从局域配电网内的电能公共服务平台获取电动汽车l的历史入网信息，并根据获取的电动汽车l的历史入网信息以及此次的入网信息，综合评估得到电动汽车l的SA的值R_l；

S6：根据局域配电网内的所有EV的历史入网信息，基于步骤S5中EV的SA综合评估模型确定最优SA阈值Q^*；

S7：通过R_l与Q^*的数值关系确定电动汽车l的充放电模式，若满足R_l≥Q^*，则从电能公共服务平台读取当前时刻局域配电网的总负荷信息，局域配电网的总负荷包括常规负荷和当前时刻已经接入局域配电网的EV负荷，并执行步骤S8，若R_l＜Q^*则电动汽车l进行无序充电并跳至步骤S9；

S8：充放电设施对电动汽车l执行两阶段优化调度策略；

S9：将电动汽车l的充放电计划上传至电能公共服务平台，并等待下一辆EV的接入。

本发明所述步骤S5具体包括以下步骤：

S51.选取SA评估指标，建立SA评估体系；

选取三项评估指标，设由评估指标所组成的初始决策矩阵表示为：B＝(b_lj)_n×3，其中，j＝1,2,3，三项评估指标包括逆向指标：电动汽车l电池的损耗程度b_l1，正向指标：EV用户信用度b_l2和EV反向供电能力b_l3；

EV用户的信用度b_l2以及EV的反向供电能力b_l3的属性值分别表示如下：

其中，X表示一定时间周期内电动汽车l参与优化调度的总次数，对于任意第x次优化调度，有x∈{1,2,...,X}；P_d,l、η_d分别表示电动汽车l的放电功率和放电效率；分别表示电动汽车l第x次参与调度时接入局域配电网的时间和EV用户预期离开局域配电网的时间；表示电动汽车l第x次参与调度时实际离开局域配电网的时间；表示电动汽车l第x次参与调度时，电动汽车l的起始SOC；C_s,l表示电动汽车l的电池容量；

S52.执行SA综合评估方法，具体如下：

对初始决策矩阵B中的各指标属性值：b_l1、b_l2以及b_l3进行无量纲化处理；处理后的评估矩阵记为：D＝(d_lj)_n×3，其中：

式中，d_lj为无量纲化处理后电动汽车l的第j个指标的属性值；对于正向指标b_l2和b_l3，表示第j个指标的最大值；对于逆向指标b_l1，表示第j个指标的最小值；ξ_j表示b_lj与之差绝对值的最大值：

分别采用层次分析法(即AHP)、标准差和平均值最大化方法确定评估指标b_l1、b_l2以及b_l3的主、客观权重w_Sj、w_Oj，AHP是一种主观赋权法，利用AHP确定三个指标的主观权重时，首先将三个评估指标b_l1、b_l2以及b_l3作为AHP的准则层，其次通过主观衡定三个指标b_l1、b_l2以及b_l3的重要性来构造准则层的判断矩阵，最后经过一致性检验便可确定三个评估指标的主观权重；标准差和平均值最大化方法是一种客观赋权法，通过比较三个评估指标b_l1、b_l2以及b_l3属性值的变化程度来确定客观权重，变化程度越高则客观权重越大，反之越小；将三个评估指标b_l1、b_l2以及b_l3的主客观权重分别组成向量w_S、w_O，根据乘法组合法融合得出三个评估指标b_l1、b_l2以及b_l3综合权重系数：进而得出接入局域配电网电动汽车l的SA的值R_l：

本发明所述步骤S6中，最优SA阈值Q^*确定过程具体如下：

S61：设近h天内所有EV的入网信息：EV接入时间、EV电池初始SOC；EV用户预期离开局域配电网的时间以及离开时期望的SOC为SA阈值提取来源，构成集合H，对于任意一天s，有s∈{1,2,…,h}，设置起始优化日：s＝1；

S62：提取第s日所有EV的入网信息以及配电网的常规负荷信息，对所有EV进行SA评估；

S63：初步确定SA阈值搜索区间Θ，且区间长度为I，即SA属于搜索区间Θ的EV总数为I，对于任一EV搜索序号i均有i∈{1,2,…,I}，设置起始搜索序号：i＝1；

S64：设置e＝1，若电动汽车e的可调度能力R_e≥Θ_i，则取得优先调度权并进行两阶段优化调度，Θ_i表示搜索区间Θ的第i个搜索值；若R_e＜Θ_i则电动汽车e进行无序充电；叠加电动汽车e的充、放电负荷至配电网总负荷，e＝e+1，继续判断电动汽车的充放电模式；当e≥n时，即第s日所有EV的充放电计划制定完成，计算配电网总负荷峰谷差；

S65：i＝i+1，转至步骤S64，继续对所有EV的充放电模式进行决策；当i≥I时，即完成第s日的搜索，确定SA搜索区间内使得配电网总负荷峰谷差最小的SA为第s日的SA阈值Q_s；s＝s+1，转至S62；

S66：当近h天的Qs求解完毕时，采用均值法确定最优SA阈值。

本发明所述步骤S8中，两阶段优化调度策略执行过程具体如下：

S81.确定优化变量：两阶段优化调度策略的目的是为电动汽车l制定最优充放电计划：设电动汽车l接入局域配电网的持续时间T_sy,l＝T_out,l-T_in,l，T_sy,l所包含的时段集合设为T_m,l，并设其长度为V_l，和分别表示电动汽车l在持续接入的第和时段的充放电功率；则两阶段优化调度策略的优化变量即电动汽车l在k∈T_m,l时段的充、放电功率P_l(k)，具备连续可调的特性，且满足-P_d,l≤P_l(k)≤P_c,l，P_c,l表示电动汽车l的额定充电功率；

S82.第一阶段优化的目标为最小化电动汽车l用户的充放电成本 其中，c_cd,l|(η_c＝η_d＝1)表示不考虑充、放电效率时的理想充放电费用，η_c表示电动汽车l的充电效率，c_bat,l表示电动汽车l电池的损耗折算成本，c_loss,l表示由充、放电效率造成的电能损失费用，分别表示为：

其中，pri(k)表示k时段的电价信息；表示由放电造成的电池退化成本，表示由充放电功率波动对电池造成的损耗成本；c_b表示每单位电池容量的购置成本，c_L表示电池置换费用，B_cl表示在电动汽车l的电池的放电深度值为DOD下的电池循环次数，E_dis,l表示计算时间长度内电动汽车l的电池的总放电量；分别表示电动汽车l在持续接入的第时段、第时段的充放电功率；ε_f表示电动汽车l的电池损耗成本系数；e_loss,l(k)表示能量流动角度下电动汽车l的电池k时段的电能损失量；

在进行第一阶段优化时，需要考虑的约束条件有：电动汽车l的荷电状态约束；EV用户的充电需求约束；变压器最大负载约束；电动汽车l接入配电网的持续时长约束；经过第一阶段的优化，即可得到使得EV用户充放电成本最小时的电动汽车l的充放电计划；

S83.第二阶段优化的目标为最小化配电网负荷波动方差：其中，L_bas(k)表示k时段的配网基本负荷，表示电动汽车l接入配电网时，充放电计划已完成制定的EV集群负荷，表示电动汽车l接入后的配电网平均负荷；

第二阶段优化时，除了需要考虑第一阶段优化时的约束条件，还需要考虑EV用户的充放电成本约束，即EV用户在第二阶段优化时的EV用户的充放电成本不得大于第一阶段优化时的充放电成本；基于第一阶段的优化结果，经过第二阶段的优化，即可在达到供需两侧协同优化的前提下获得电动汽车l的最终充放电计划。某居民区局域配电网的总负荷包括常规负荷和电动汽车集群负荷。居民区接入配电变压器的容量为750kVA，效率为0.95，设计算时间长度为24h，时间间隔Δt为0.5h。设该局域配电网服务的电动汽车规模为60辆。电动汽车的相关参数设置及负荷特性如表1所示。

表1参数设置

表1中，r_d表示EV日行驶里程，假设EV每天只充一次电，且充至期望荷电状态S_E,l后开始第二次出行，用户在电池电量不足以满足次日充电需求S_E,l时开始充电。定义S_0,l＝(S_E,l-r_d/R_a)，其中，R_a为EV充电至充至期望状态后的可行驶里程。S_EV,max、S_EV,min分别表示EV电池SOC的上、下限，T_out,l～N(8.92,3.24²)表示T_out,l满足正态分布。

通过蒙特卡洛模拟EV的充电行为，抽样获得日内24h内60辆电动汽车的入网信息和日充电需求数据。在Matlab中采用YALMIP和Cplex对按照步骤S81～S83所得出的两阶段优化调度策略进行建模、求解，分别叠加无序模式、全部有序模式、理论优先调度模式、实际优先调度模式下EV集群负荷与常规负荷，得到对应的局域配电网的日总负荷曲线，如图1所示。

四种充放电模式的说明如下：

无序模式：局域配电网内的EV充放电设施为接入的EV提供持续的恒功率充电服务，直至EV用户离开或达到EV用户充电需求为止的充电模式；

全部有序模式：局域配电网内的EV充放电设施基于步骤S81～S83提出的两阶段优化调度策略对60辆入网EV进行有序充放电控制的充电模式；

理论优先调度模式：采用本发明所述的日内优先调度方法的理论优先调度的充电模式；模拟日内24h的60辆EV的入网信息和充电需求数据，根据模拟数据，依照本发明所提日内优先调度方法确定60辆EV的充放电方式。

实际优先调度模式：采用本发明所述的日内优先调度方法的实际优先调度的充电模式；当EV按时间顺序依次接入局域配电网时，基于事件驱动的优化机制，依照本发明所述的日内优先调度方法确定当前时间点入网EV的充放电方式，直至60辆EV全部接入。

统计四种模式下局域配电网日总负荷的相关数据信息，如表2所示。

表2不同充放电模式相关统计数据

由表2可知，理论优先调度模式和实际优先调度模式下局域配电网的日总负荷曲线峰谷差分别为43.98kW、46.95kW，负荷波动标准差分别为：10.44kW、11.99kW，相比于无序模式和全部有序模式下的峰谷差306.64kW、185.14kW以及负荷波动标准差96.47kW、66.51kW，局域配电网日总负荷的峰谷差和负荷波动标准差均有所降低。

由图1可知，理论优先调度模式和实际优先调度模式下局域配电网日总负荷曲线均趋于平稳，实现了降低局域配电网总负荷峰谷差、优化局域配电网负荷波动的有益效果；相比于理论优先调度模式下的日总负荷曲线，本发明的实际优先调度模式下局域配电网日总负荷曲线会在一定程度上偏离理论优先调度模式，这一偏差是由日内EV入网行为的随机性造成的。

由表2可知，在用户侧车均成本的优化方面，无序模式、全部有序模式、以及理论优先和实际优先模式下用户侧车均成本(元/辆)分别为15.28、-3.17、8.07和8.59；这种结果表明，本发明为了最大限度地优化配网侧负荷情况，避免车辆规模较大时出现负荷“峰谷倒置”现象，牺牲了部分EV用户的利益，使得EV用户的车均充放电成本相较于全部有序模式时偏高，但相较于无序模式偏低，即相较于无序模式，本发明所述日内优先调度方法仍在一定程度上优化了用户侧利益。

具体地，随机模拟一次EV集群的充电行为，对各入网EV的SA进行评估。无序充电模式与全部有序模式，相当于分别将SA阈值设定为EV集群评估结果最大值和最小值的日内优先调度，属于阈值设定的两种特殊情况。由附图1可知，无序充电模式与全部有序模式下配电网的负荷曲线分别出现了“峰上加峰”和“峰谷倒置”，很容易造成电压越限问题，因此为了保证局域配电网的安全运行，需设定一个合适的阈值。在本发明所述日内优先调度模式下，结合EV用户历史入网信息根据步骤S51～S52建立SA综合评估模型，首先根据步骤S61～S66确定最优SA阈值为0.53，其次根据步骤S51～S52确定各新入网EV的SA评估值，最优SA阈值和60辆EV的SA评估值信息如图2所示；通过步骤S7判断60辆EV的SA评估值与Q^*的数值关系确定电动汽车l的充放电模式，最终优选出参与优先调度的车辆数为25辆，剩余35辆则直接进入无序充电模式，从而达到了最优调度效果。

综上可知，本发明基于EV可调度能力分析模型，通过合理筛选，对更适合参与调度的车辆进行有序控制，能够降低配网负荷的峰谷差和负荷波动，实现EV集群负荷削峰填谷的同时降低了用户侧的EV用户的车均充放电成本。

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包括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 (4)

1.一种基于电动汽车可调度能力的日内优先调度方法，其特征在于，所述日内优先调度方法面向局域配电网内电动汽车充放电设施集群，即EV充放电设施集群，以事件驱动的决策服务机制，即跟随当前时间点上入网的EV，对当前时间点上入网的EV的充放电模式进行决策，该方法包括以下步骤：

S1：将一天连续24h的时间进行离散化处理，均分为J个时段，对于任意第k时段，有k∈{1,2,...,J}，且第k时段的时长为Δt，绘制局域配电网内常规负荷曲线，制定面向EV用户的充放电电价；

S2：设预接入局域配电网的EV的总数为n，当有新的电动汽车l接入时，且l∈{1,2,...,n}，由充放电设施获取电动汽车l的相关信息：接入时间T_in,l、EV电池初始的荷电状态S_0,l，且0≤S_0,l≤1；

S3：EV用户输入预期离开时间T_out,l以及离开时期望的荷电状态S_E,l，且有0≤S_E,l≤1；

S4：若电动汽车l接入局域配电网的持续时长大于将电动汽车l的电池充电至S_E,l所需的最短时长，则执行步骤S5，否则让EV用户自主选择是否愿意修改T_out,l以及S_E,l，若EV用户同意执行修改则跳至步骤S3，若EV用户拒绝执行修改则不对该EV用户的充放电模式进行决策；

S5：建立电动汽车可调度能力综合评估模型，即SA综合评估模型；从局域配电网内的电能公共服务平台获取电动汽车l的历史入网信息，并根据获取的电动汽车l的历史入网信息以及此次的入网信息，综合评估得到电动汽车l的SA的值R_l；

S6：根据局域配电网内的所有EV的历史入网信息，基于步骤S5中EV的SA综合评估模型确定最优SA阈值Q^*；

S7：通过R_l与Q^*的数值关系确定电动汽车l的充放电模式，若满足R_l≥Q^*，则从电能公共服务平台读取当前时刻局域配电网的总负荷信息，局域配电网的总负荷包括常规负荷和当前时刻已经接入局域配电网的EV负荷，并执行步骤S8，若R_l＜Q^*则电动汽车l进行无序充电并跳至步骤S9；

S8：充放电设施对电动汽车l执行两阶段优化调度策略；

S9：将电动汽车l的充放电计划上传至电能公共服务平台，并等待下一辆EV的接入。

2.根据权利要求1所述的一种基于电动汽车可调度能力的日内优先调度方法，其特征在于，所述步骤S5具体包括以下步骤：

S51.选取SA评估指标，建立SA评估体系；

选取三项评估指标，设由评估指标所组成的初始决策矩阵表示为：B＝(b_lj)_n×3，其中，j＝1,2,3，三项评估指标包括逆向指标：电动汽车l电池的损耗程度b_l1，正向指标：EV用户信用度b_l2和EV反向供电能力b_l3；

EV用户的信用度b_l2以及EV的反向供电能力b_l3的属性值分别表示如下：

其中，X表示一定时间周期内电动汽车l参与优化调度的总次数，对于任意第x次优化调度，有x∈{1,2,…,X}；P_d,l、η_d分别表示电动汽车l的放电功率和放电效率；分别表示电动汽车l第x次参与调度时接入局域配电网的时间和EV用户预期离开局域配电网的时间；表示电动汽车l第x次参与调度时实际离开局域配电网的时间；表示电动汽车l第x次参与调度时，电动汽车l的起始荷电状态；C_s,l表示电动汽车l的电池容量；

S52.执行SA综合评估方法，具体如下：

对初始决策矩阵B中的各指标属性值：b_l1、b_l2以及b_l3进行无量纲化处理；处理后的评估矩阵记为：D＝(d_lj)_n×3，其中：

式中，d_lj为无量纲化处理后电动汽车l的第j个指标的属性值；对于正向指标b_l2和b_l3，表示第j个指标的最大值；对于逆向指标b_l1，表示第j个指标的最小值；ξ_j表示b_lj与之差绝对值的最大值：

分别采用层次分析法、标准差和平均值最大化方法确定评估指标b_l1、b_l2以及b_l3的主、客观权重w_Sj、w_Oj，层次分析法AHP是一种主观赋权法，利用AHP确定三个指标的主观权重时，首先将三个评估指标b_l1、b_l2以及b_l3作为AHP的准则层，其次通过主观衡定三个指标b_l1、b_l2以及b_l3的重要性来构造准则层的判断矩阵，最后经过一致性检验便可确定三个评估指标的主观权重；标准差和平均值最大化方法是一种客观赋权法，通过比较三个评估指标b_l1、b_l2以及b_l3属性值的变化程度来确定客观权重，变化程度越高则客观权重越大，反之越小；将三个评估指标b_l1、b_l2以及b_l3的主客观权重分别组成向量w_S、w_O，根据乘法组合法融合得出三个评估指标b_l1、b_l2以及b_l3综合权重系数：进而得出接入局域配电网电动汽车l的SA的值R_l：

3.根据权利要求1所述的一种基于电动汽车可调度能力的日内优先调度方法，其特征在于，所述步骤S6中，最优SA阈值Q^*确定过程具体如下：

S61：设近h天内所有EV的入网信息：EV接入时间、EV电池初始SOC；EV用户预期离开局域配电网的时间以及离开时期望的SOC为SA阈值提取来源，构成集合H，对于任意一天s，有s∈{1,2,...,h}，设置起始优化日：s＝1；

S62：提取第s日所有EV的入网信息以及配电网的常规负荷信息，对所有EV进行SA评估；

S63：初步确定SA阈值搜索区间Θ，且区间长度为I，即SA属于搜索区间Θ的EV总数为I，对于任一EV搜索序号i均有i∈{1,2,...,I}，设置起始搜索序号：i＝1；

S64：设置e＝1，若电动汽车e的可调度能力R_e≥Θ_i，则取得优先调度权并进行两阶段优化调度，Θ_i表示搜索区间Θ的第i个搜索值；若R_e＜Θ_i则电动汽车e进行无序充电；叠加电动汽车e的充、放电负荷至配电网总负荷，e＝e+1，继续判断电动汽车的充放电模式；当e≥n时，即第s日所有EV的充放电计划制定完成，计算配电网总负荷峰谷差；

S65：i＝i+1，转至步骤S64，继续对所有EV的充放电模式进行决策；当i≥I时，即完成第s日的搜索，确定SA搜索区间内使得配电网总负荷峰谷差最小的SA为第s日的SA阈值Q_s；s＝s+1，转至S62；

S66：当近h天的Q_s求解完毕时，采用均值法确定最优SA阈值。

4.根据权利要求1所述的一种基于电动汽车可调度能力的日内优先调度方法，其特征在于，所述步骤S8中，两阶段优化调度策略执行过程具体如下：

S81.确定优化变量：两阶段优化调度策略的目的是为电动汽车l制定最优充放电计划：设电动汽车l接入局域配电网的持续时间T_sy,l＝T_out,l-T_in,l，T_sy,l所包含的时段集合设为T_m,l，并设其长度为V_l，和分别表示电动汽车l在持续接入的第和时段的充放电功率；则两阶段优化调度策略的优化变量即电动汽车l在k∈T_m,l时段的充、放电功率P_l(k)，具备连续可调的特性，且满足-P_d,l≤P_l(k)≤P_c,l，P_c,l表示电动汽车l的额定充电功率；

S82.第一阶段优化的目标为最小化电动汽车l用户的充放电成本 其中，c_cd,l|(η_c＝η_d＝1)表示不考虑充、放电效率时的理想充放电费用，η_c表示电动汽车l的充电效率，c_bat,l表示电动汽车l电池的损耗折算成本，c_loss,l表示由充、放电效率造成的电能损失费用，分别表示为：

其中，pri(k)表示k时段的电价信息；表示由放电造成的电池退化成本，表示由充放电功率波动对电池造成的损耗成本；c_b表示每单位电池容量的购置成本，c_L表示电池置换费用，B_cl表示在电动汽车l的电池的放电深度值为DOD下的电池循环次数，E_dis,l表示计算时间长度内电动汽车l的电池的总放电量；分别表示电动汽车l在持续接入的第时段、第时段的充放电功率；ε_f表示电动汽车l的电池损耗成本系数；e_loss,l(k)表示能量流动角度下电动汽车l的电池k时段的电能损失量；

在进行第一阶段优化时，需要考虑的约束条件有：电动汽车l的荷电状态约束；EV用户的充电需求约束；变压器最大负载约束；电动汽车l接入配电网的持续时长约束；经过第一阶段的优化，即可得到使得EV用户充放电成本最小时的电动汽车l的充放电计划；

S83.第二阶段优化的目标为最小化配电网负荷波动方差：其中，L_bas(k)表示k时段的配网基本负荷，表示电动汽车l接入配电网时，充放电计划已完成制定的EV集群负荷，表示电动汽车l接入后的配电网平均负荷；

第二阶段优化时，除了需要考虑第一阶段优化时的约束条件，还需要考虑EV用户的充放电成本约束，即EV用户在第二阶段优化时的EV用户的充放电成本不得大于第一阶段优化时的充放电成本；基于第一阶段的优化结果，经过第二阶段的优化，即可在达到供需两侧协同优化的前提下获得电动汽车l的最终充放电计划。