CN107704947A - 一种考虑电动汽车随机接入的微电网多目标优化调度方法 - Google Patents

一种考虑电动汽车随机接入的微电网多目标优化调度方法 Download PDF

Info

Publication number
CN107704947A
CN107704947A CN201710775466.2A CN201710775466A CN107704947A CN 107704947 A CN107704947 A CN 107704947A CN 201710775466 A CN201710775466 A CN 201710775466A CN 107704947 A CN107704947 A CN 107704947A
Authority
CN
China
Prior art keywords
mrow
msub
electric automobile
micro
capacitance sensor
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
CN201710775466.2A
Other languages
English (en)
Inventor
周开乐
陆信辉
杨善林
李兰兰
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.)
Hefei University of Technology
Original Assignee
Hefei 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 Hefei University of Technology filed Critical Hefei University of Technology
Priority to CN201710775466.2A priority Critical patent/CN107704947A/zh
Publication of CN107704947A publication Critical patent/CN107704947A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Secondary Cells (AREA)

Abstract

本发明公开了一种考虑电动汽车随机接入的微电网多目标优化调度方法，将微电网运行成本最小化、污染物治理成本最小化和负荷方差最小化作为多目标调度模型的三个目标函数，并通过蒙特卡洛仿真方法来模拟电动汽车接入微电网的随机性；在满足各种约束条件下，采用多目标粒子群算法对模型进行求解，确定调度周期内各时段各分布式电源的输出功率、电动汽车总的充放电功率和微电网与主电网的交互功率。本发明充分考虑了电动汽车接入微电网的随机性，并将电动汽车的电池作为一种移动分散式的储能装置接入微电网，达到削峰填谷的作用，提高分时电价环境下微电网运行的经济性和稳定性，同时有助于降低微电网***的污染物排放。

Description

一种考虑电动汽车随机接入的微电网多目标优化调度方法
技术领域
本发明涉及微电网优化调度领域，具体来说是一种考虑电动汽车随机接入的微电网多目标优化调度方法。
背景技术
微电网是指由分布式电源、储能装置、能量转换装置、负荷、监控和保护装置等组成的小型发配电***，既可以与大电网联网运行，也可以孤立运行，是智能电网的重要组成部分。微电网优化调度对促进微电网的高效运行具有重要的意义，它指的是是在满足微电网***负荷需求的前提下，按照一定的控制策略，合理、有效地安排各台分布式电源的出力以及与配电网的交互功率以实现不同的调度目标。调度目标包括最小化运行成本、最小化污染排放等。
作为一种新的交通工具，电动汽车对减缓能源短缺和环境污染具有重要的意义。但大规模电动汽车的无序充电会对增加主电网峰负荷的负担，扩大主电网负荷的峰谷差，从而影响主电网的稳定性和安全性。随着电动汽车相关技术的日益成熟，电动汽车已成为汽车发展的重要方向。基于V2G(vehicle-to-grid)技术,电动汽车可以作为一种移动分散式的储能装置接入到电网，既可以从电网中吸收电能，又可以向电网反馈电能，因此电动汽车可以参与电力***的运行与控制。电动汽车的电池对于大电网来说可以达到削峰填谷的作用，提高电网的稳定性；而对用户来说合理安排电动汽车充放电可以降低用电成本。
在现有的考虑电动汽车接入微电网的优化调度方法中，往往只考虑了最小化运行成本这单一的目标，没有考虑到分布式电源和主电网发电时产生的污染物对环境的影响，及电动汽车的充放电对电网稳定性和安全性的影响，这不利于发挥电动汽车提高电网稳定性的作用，也不利于建设环境友好型社会。
发明内容
本发明针对现有技术中存在的不足之处，提供一种考虑电动汽车随机接入的微电网多目标优化调度方法，以期能在满足负荷需求的情况下对微电网中分布式电源的出力和电动汽车的充放电功率进行调度，从而提高电网运行的经济性和稳定性，并降低微电网***的污染物排放。
本发明为解决技术问题采用如下技术方案：
本发明一种考虑电动汽车随机接入的微电网多目标优化调度方法的特点在于，包括以下步骤：
步骤一、确定微电网的***结构、微电网中不同分布式电源的发电特性以及电动汽车的随机充电特性；
步骤二、基于电动汽车的随机充电特性，通过蒙特卡洛仿真计算电动汽车总的充电负荷需求；
步骤三、建立分时电价环境下考虑电动汽车随机接入的微电网的优化调度目标，所述优化调度目标包括：最小运行成本目标、最小污染治理成本目标和最小负荷方差目标；
步骤四、确定微电网优化调度的约束条件，并与所述微电网的优化调度目标共同构成微电网多目标优化调度模型；
步骤五、确定分时电价下分布式电源和电动汽车的相关参数；
步骤六、通过多目标的粒子群算法求解所述微电网多目标优化调度模型，确定调度周期内各时段各分布式电源的输出功率、电动汽车总的充放电功率和微电网与主电网的交互功率。
本发明所述的微电网多目标优化调度方法的特点也在于，
所述步骤一中电动汽车的随机充电特性通过电动汽车日行驶里程s和每日开始充电时刻t0来表征；
所述电动汽车日行驶里程s满足对数正态分布，并由式(1)所示的概率密度函数f(s)获得：
式(1)中，μs为电动汽车日行驶里程的期望值，σs为电动汽车日行驶里程的标准差；
所述电动汽车每日开始充电时刻t0服从双峰正态分布，并由式(2)所示的概率密度函数f(t0)获得：
式(2)中，为电动汽车的上午开始充电时刻的期望值，为电动汽车上午开始充电时刻的标准差；为电动汽车的晚上开始充电时刻的期望值，为电动汽车晚上开始充电时刻的标准差；λ为电动汽车上午充电的概率，0≤λ≤1；
利用式(3)获得电动汽车每日所需的充电量EEV：
EEV＝ηEV.s (3)
式(3)中，ηEV为电动汽车单位行驶里程的电量需求系数；
利用式(4)获得电动汽车的充电时间Tc：
式(4)中，PA为电动汽车的额定充电功率。
所述步骤二包括：
步骤2.1、确定电动汽车的数目n、额定充电功率PA和单位行驶里程的电量需求系数ηEV，并初始化m＝1；
步骤2.2、根据电动汽车每日行驶里程的概率密度函数f(s)随机产生第m辆电动汽车的每日行驶里程数；
步骤2.3、根据电动汽车每日开始充电时刻的概率密度函数f(t0)随机产生第m辆电动汽车的每日开始充电时刻；
步骤2.4、计算第m辆电动汽车所需的充电量和充电时间，并根据所述第m辆电动汽车的每日开始充电时刻生成第m辆电动汽车的充电负荷曲线；
步骤2.5、将m+1赋值给m，判断m≤n是否成立；若成立，转到步骤2.2，否则迭代结束，叠加前n辆电动汽车的充电负荷曲线；得到n辆电动汽车总的充电负荷曲线和总的充电负荷需求。
所述步骤三中的最小运行成本目标由(5)获得：
式(5)中，C1是所述微电网总的运行成本；i为分布式电源的编号，N为所述微电网中分布式电源的总数；t为时段编号，T为所述微电网的调度周期的总时段数；Pi,t为第i个分布式电源在第t个时段内的输出功率；F(Pi,t)为第i个分布式电源在第t个时段内的燃料成本；OM(Pi,t)为第i个分布式电源在第t个时段内的维护成本，并由式(6)获得：
式(6)中，为第i个分布式电源的维护成本系数；
式(5)中，CBAT是所述电动汽车的电池折旧成本，并由式(7)获得：
式(7)中，PEV,t为电动汽车在接入微电网的第t个时段内的总的充放电功率；CEV为所述电动汽车的电池更换成本，为所述电动汽车的电池在其电池寿命内总的能量吞吐量；
式(5)中，CGRID为所述微电网与主电网的交易成本，并由式(8)获得：
式(8)中，ppur,t为第t个时段微电网从主电网的购电价格，Epur,t为第t个时段的购电量；psel,t为第t个时段微电网向主电网的售电价格，Esel,t为第t个时段的售电量；
所述最小污染治理成本目标由式(9)获得：
式(9)中，C2为所述微电网总的污染治理成本，H为污染物排放种类的总数，h为污染物的编号；ui,h为第i个分布式电源单位输出每千瓦电能时的第h类污染物的排放系数，uGRID,h为主电网单位输出每千瓦电能时第h类污染物的排放系数，PGRID,t为第t个时段微电网从主电网的购电功率，ch为处理每千克第h类污染物的费用；
所述最小负荷方差目标由式(10)获得：
式(10)中，F为所述微电网的负荷方差，Pload,t为微电网中在第t个时段内不包含电动汽车充电负荷在内的原始负荷；Pav为微电网在调度前的每日平均负荷，并由式(11)获得：
所述步骤四中微电网优化调度的约束条件为：
|Pi,t-Pi,t-1|≤ri (14)
式(12)表示功率平衡约束；
式(13)表示所述第i个分布式电源自身发电能力的约束，分别是所述第i个分布式电源的输出功率上限和下限；
式(14)表示所述第i个分布式电源的爬坡速率限制，Pi,t-1为第i个分布式电源在第t-1个时段内的输出功率；ri为所述第i个分布式电源的最大爬坡速率；
式(15)表示电动汽车充放电功率约束；表示电动汽车的充电功率上限；表示电动汽车的放电功率下限；
式(16)表示所述电动汽车的荷电状态约束；SOCEV表示电动汽车的电池荷电状态；分别表示电动汽车的电池荷电状态的上限和下限；
式(17)表示所述微电网向主电网售电功率约束，分别为微电网向主电网售电功率的上限和下限；
式(18)表示所述微电网从主电网购电功率约束，分别为微电网从主电网购电功率的上限和下限。
所述步骤六包括：
步骤6.1、将每一时刻柴油发电机DG、微型燃气轮机MT的发电功率、主电网与微电网的交互功率和所有电动汽车与微电网交换的总功率作为第k个粒子的一个维度，从而获得第k个粒子的维数为4T；
步骤6.2、初始化所述多目标粒子群算法的各个参数，包括：粒子总数M、迭代次数L、最大迭代次数Lmax、速度更新参数c1、c2，1≤L≤Lmax，并初始化L＝1；
步骤6.3、确定所述步骤四中各约束条件的实际值和步骤五中的相关参数，并相应代入到多目标粒子群算法所求解的优化调度目标和约束条件中；
步骤6.4、产生初始种群，获得第L代的第k个粒子的位置和速度，根据步骤四中的约束条件修改第L代的第k粒子的位置和速度；
步骤6.5、根据优化调度目标分别计算微电网的运行成本、污染物治理成本和负荷方差作为第L代的第k个粒子的适应度值；根据初始种群中第L代的M个粒子的适应度值，找出第L代粒子中的Pareto最优解，并存入外部存档集合；
步骤6.6、根据第L代中第k个粒子的位置和速度，分别计算第L+1代的第k个粒子的位置和速度，并根据步骤四中的约束条件修改第L+1代的第k个粒子的位置和速度；
步骤6.7、重新计算第L+1代的第k个粒子的适应度值，根据适应度值确定第L+1代第k个粒子的个体极值；并确定第L+1代粒子中的Pareto最优解，将其合并入外部存档集合，找出所述外部存档集合中的Pareto最优解，清除非Pareto最优解；
步骤6.8、判断所述外部存档集合中Pareto最优解的数量是否超过规定容量，若超过规定容量，则根据拥挤距离对外部存档集合中Pareto最优解进行裁剪后，执行步骤6.9；否则，直接执行步骤6.9；
步骤6.9、在外部存档集合中用轮盘赌法选择M个粒子的全局最优解；
步骤6.10、将L+1赋值给L，判断L≤Lmax是否成本；若成立，转到步骤6.6，否则迭代结束，并得到第Lmax代的Pareto最优解，并确定最终解；所述最终解包括调度周期内各时段各分布式电源的输出功率、电动汽车总的充放电功率和微电网与主电网的交互功率。
与已有技术相比，本发明有益效果体现在：
1.本发明充分考虑了电动汽车接入微电网的随机性，建立了考虑电动汽车随机接入的微电网多目标优化调度模型，并通过蒙特卡洛仿真方法来计算电动汽车总的充电负荷需求，该仿真方法能有效解决大规模电动汽车接入电网的随机性。
2.本发明采用的考虑电动汽车随机接入的微电网多目标优化调度模型，是将电动汽车的电池作为一种移动分散式的储能装置接入微电网，从而参与到微电网的优化调度中，达到削峰填谷的效果，提高了分时电价环境下微电网运行的安全性和稳定性。
3.本发明采用的考虑电动汽车随机接入的微电网多目标优化调度模型，不仅考虑了微电网的运行成本，还考虑了污染物治理成本和微电网的负荷方差，完善了现有技术中只考虑运行成本的微电网优化调度模型。
4.本发明采用的考虑电动汽车随机接入的微电网多目标优化调度模型，是利用多目标的粒子群算法进行求解，粒子群算法有简单通用、鲁棒性强、精度高、收敛快等优点，多目标的粒子群算法是在原有算法上的改进，在求解多目标优化问题时可以得到优异的Pareto前沿解。
附图说明
图1为本发明的整体流程图；
图2为本发明的多目标粒子群算法求解流程图。
具体实施方式
本实施例中，一种电动汽车接入微电网的充放电调度方法，如图1所示，包括以下步骤：
步骤一、确定微电网的***结构及微电网中不同分布式电源的发电特性和电动汽车的随机充电特性；
微电网包含的分布式电源种类有：风力发电单元WT、光伏发电单元PV、柴油发电机DE和微型燃气轮机MT；
各分布式电源的特性包括：
风力发电单元WT的输出功率PWT，并由式(1)获得
式(1)中，Pr为风力发电单元WT的额定输出功率；Vci、Vr、Vco分别表示风力发电单元WT的切入风速、额定风速和切出风速；
光伏发电单元PV的输出功率PPV，并由式(2)获得：
式(2)中，PSTC是标准测试条件STC条件下光伏发电单元PV的最大输出功率，GING为光伏发电单元PV接收的实际光照强度，GSTC为标准测试条件STC下光伏发电单元PV接收的光照强度，Tc是光伏发电单元PV的电池实际温度，Tr为光伏发电单元PV的电池额定温度，k是光伏发电单元PV的发电温度系数；
其中风力发电单元和光伏发电单元都采用最大功率跟踪输出的控制方法，能够最大限度的利用风能和太阳能；
柴油发电机DG的燃料成本CDG，并由式(3)获得：
式(3)中，PDG(t)为柴油发电机DG在t时刻的输出功率；α、β、γ为柴油发电机DG的参数，由发电机类型决定，如某柴油发电机的燃料成本函数为Δt为每个时段的时长；
微型燃气轮机MT的成本函数CMT，并由式(4)获得：
式(4)中，CGAS为供应给微型燃气轮机MT的天然气价格；LHV为天然气的低热值；PMT(t)为t时刻微型燃气轮机MT的输出功率；ηMT(t)为t时刻的微型燃气轮机MT的发电效率；
微型燃气轮机MT的效率函数ηMT，并由式(5)获得：
式(5)中，x、y、z、c为微型燃气轮机MT的参数，由厂家提供的效率曲线拟合而得，不同型号的燃气轮机拟合所得的参数不同,如某微型燃气轮机的效率函数为PR、PMT分别为微型燃气轮机MT的额定功率和输出功率；
电动汽车的随机充电特性通过电动汽车日行驶里程s和每日开始充电时刻t0来表征；电动汽车日行驶里程s满足对数正态分布，并由式(6)所示的概率密度函数f(s)获得：
式(6)中，μs为电动汽车日行驶里程的期望值，σs为电动汽车日行驶里程的标准差；
现实生活中，电动汽车车主习惯在上午到达工作地点和晚上到家时开始充电，则电动汽车每日开始充电时刻t0服从双峰正态分布，并由式(7)所示的概率密度函数f(t0)获得：
式(2)中，为电动汽车的上午开始充电时刻的期望值，为电动汽车上午开始充电时刻的标准差；为电动汽车的晚上开始充电时刻的期望值，为电动汽车晚上开始充电时刻的标准差；λ为电动汽车上午充电的概率，0≤λ≤1；
利用式(8)获得电动汽车每日所需的充电量EEV：
EEV＝ηEV.s (3)
式(8)中，ηEV为电动汽车单位行驶里程的电量需求系数；
利用式(9)获得电动汽车的充电时间Tc：
式(9)中，PA为电动汽车的额定充电功率。
步骤二、基于电动汽车的随机充电特性，通过蒙特卡洛仿真计算电动汽车总的充电负荷需求；
步骤2.1、确定电动汽车的数目n、额定充电功率PA和单位行驶里程的电量需求系数ηEV，并初始化m＝1；
步骤2.2、根据电动汽车每日行驶里程的概率密度函数f(s)随机产生第m辆电动汽车的每日行驶里程数；
步骤2.3、根据电动汽车每日开始充电时刻的概率密度函数f(t0)随机产生第m辆电动汽车的每日开始充电时刻；
步骤2.4、计算第m辆电动汽车所需的充电量和充电时间，并根据第m辆电动汽车的每日开始充电时刻生成第m辆电动汽车的充电负荷曲线；
步骤2.5、将m+1赋值给m，判断m≤n是否成立；若成立，转到步骤2.2，否则迭代结束，叠加前n辆电动汽车的充电负荷曲线；得到n辆电动汽车总的充电负荷曲线和总的充电负荷需求。
步骤三、建立分时电价环境下考虑电动汽车随机接入的微电网的优化调度目标，优化调度目标包括：最小运行成本目标、最小污染治理成本目标和最小负荷方差目标；
最小运行成本目标由(10)获得：
式(10)中，C1是微电网总的运行成本；i为分布式电源的编号，N为微电网中分布式电源的总数；t为时段编号，T为微电网的调度周期的总时段数；Pi,t为第i个分布式电源在第t个时段内的输出功率；F(Pi,t)为第i个分布式电源在第t个时段内的燃料成本；OM(Pi,t)为第i个分布式电源在第t个时段内的维护成本，并由式(11)获得：
式(11)中，为第i个分布式电源的维护成本系数；表一为某一组分布式电源的运行维护成本系数：
表一分布式电源的运行维护成本系数
式(10)中，CBAT是电动汽车的电池折旧成本，一般情况下，电动汽车的电池随着放电深度的增加，充放电可循环次数降低，这给计算循环次数带来了困难，但电池循环充放电总量基本保持不变，则电动汽车电池充放电的折旧成本由式(12)获得：
式(12)中，PEV,t为电动汽车在接入微电网的第t个时段内的总的充放电功率；CEV为电动汽车的电池更换成本，为电动汽车的电池在其电池寿命内总的能量吞吐量；
式(10)中，CGRID为微电网与主电网的交易成本，并由式(13)获得：
式(13)中，ppur,t为第t个时段微电网从主电网的购电价格，Epur,t为第t个时段的购电量；psel,t为第t个时段微电网向主电网的售电价格，Esel,t为第t个时段的售电量；
最小污染治理成本目标由式(14)获得：
式(14)中，C2为微电网总的污染治理成本，H为污染物排放种类的总数，h为污染物的编号；ui,h为第i个分布式电源单位输出每千瓦电能时的第h类污染物的排放系数，uGRID,h为主电网单位输出每千瓦电能时第h类污染物的排放系数，PGRID,t为第t个时段微电网从主电网的购电功率，ch为处理每千克第h类污染物的费用；表二为分布式电源和主电网与污染物排放相关的参数：
表二污染物排放参数
最小负荷方差目标由式(15)获得：
式(15)中，F为微电网的负荷方差，Pload,t为微电网中在第t个时段内不包含电动汽车充电负荷在内的原始负荷；Pav为微电网在调度前的每日平均负荷，并由式(16)获得：
步骤四、确定微电网优化调度的约束条件，并与微电网的优化调度目标共同构成微电网多目标优化调度模型；
微电网多目标优化调度的约束条件为：
|Pi,t-Pi,t-1|≤ri (19)
式(17)表示功率平衡约束；
式(18)表示第i个分布式电源自身发电能力的约束，分别是第i个分布式电源的输出功率上限和下限；
式(19)表示第i个分布式电源的爬坡速率限制，Pi,t-1为第i个分布式电源在第t-1个时段内的输出功率；ri为第i个分布式电源的最大爬坡速率；
式(20)表示电动汽车充放电功率约束；表示电动汽车的充电功率上限；表示电动汽车的放电功率下限；
式(21)表示电动汽车的荷电状态约束；SOCEV表示电动汽车的电池荷电状态； 分别表示电动汽车的电池荷电状态的上限和下限；
式(22)表示微电网向主电网售电功率约束，分别为微电网向主电网售电功率的上限和下限；
式(23)表示微电网从主电网购电功率约束，分别为微电网从主电网购电功率的上限和下限。
步骤五、确定分时电价下分布式电源和电动汽车的相关参数；
步骤5.1、确定主电网的各时段的电力价格，将一天24小时划分为峰时段、平时段、谷时段三个时段；
步骤5.2、分别确定光伏发电单元PV、风力发电单元WT的出力和不包含电动汽车充电负荷在内的微电网的原始负荷需求Pload；
步骤5.3、确定柴油发电机DG的参数α、β、γ、微型燃气轮机MT的参数x、y、z、c、额定功率PR、天然气价格CGAS、天然气的低热值LHV和接入微电网的第i个分布式电源的运行维护成本系数
步骤5.4、确定电动汽车在其电池寿命内总的能量吞吐量电动汽车的电池更换成本CEV，及步骤二中接入微电网的电动汽车数量为n，电动汽车额定充电功率PA和单位行驶里程的电量需求系数ηEV。
步骤六、如图2所示，通过多目标的粒子群算法求解微电网多目标优化调度模型，确定调度周期内各时段各分布式电源的输出功率、电动汽车总的充放电功率和微电网与主电网的交互功率。
步骤6.1、将每一时刻柴油发电机DG、微型燃气轮机MT的发电功率、主电网与微电网的交互功率和所有电动汽车与微电网交换的总功率作为第k个粒子的一个维度，从而获得第k个粒子的维数为4T；
步骤6.2、初始化多目标粒子群算法的各个参数，包括：粒子总数M、迭代次数L、最大迭代次数Lmax、速度更新参数c1、c2，1≤L≤Lmax，并初始化L＝1；
步骤6.3、确定步骤四中各约束条件的实际值和步骤五中的相关参数，并相应代入到多目标粒子群算法所求解的优化调度目标和约束条件中；
步骤6.4、产生初始种群，获得第L代的第k个粒子的位置和速度，根据步骤四中的约束条件修改第L代的第k粒子的位置和速度；
步骤6.5、根据优化调度目标分别计算微电网的运行成本、污染物治理成本和负荷方差作为第L代的第k个粒子的适应度值；根据初始种群中第L代的M个粒子的适应度值，找出第L代粒子中的Pareto最优解，并存入外部存档集合；
步骤6.6、根据第L代中第k个粒子的位置和速度，分别计算第L+1代的第k个粒子的位置和速度，并根据步骤四中的约束条件修改第L+1代的第k个粒子的位置和速度；
步骤6.7、重新计算第L+1代的第k个粒子的适应度值，根据适应度值确定第L+1代第k个粒子的个体极值；并确定第L+1代粒子中的Pareto最优解，将其合并入外部存档集合，找出外部存档集合中的Pareto最优解，清除非Pareto最优解；
步骤6.8、判断外部存档集合中Pareto最优解的数量是否超过规定容量，若超过规定容量，则根据拥挤距离对外部存档集合中Pareto最优解进行裁剪后，执行步骤6.9；否则，直接执行步骤6.9；
步骤6.9、在外部存档集合中用轮盘赌法选择M个粒子的全局最优解；
步骤6.10、将L+1赋值给L，判断L≤Lmax是否成本；若成立，转到步骤6.6，否则迭代结束，并得到第Lmax代的Pareto最优解，并确定最终解；最终解包括调度周期内各时段各分布式电源的输出功率、电动汽车总的充放电功率和微电网与主电网的交互功率。

Claims (6)

1.一种考虑电动汽车随机接入的微电网多目标优化调度方法，其特征在于，包括以下步骤：
步骤一、确定微电网的***结构、微电网中不同分布式电源的发电特性以及电动汽车的随机充电特性；
步骤二、基于电动汽车的随机充电特性，通过蒙特卡洛仿真计算电动汽车总的充电负荷需求；
步骤三、建立分时电价环境下考虑电动汽车随机接入的微电网的优化调度目标，所述优化调度目标包括：最小运行成本目标、最小污染治理成本目标和最小负荷方差目标；
步骤四、确定微电网优化调度的约束条件，并与所述微电网的优化调度目标共同构成微电网多目标优化调度模型；
步骤五、确定分时电价下分布式电源和电动汽车的相关参数；
步骤六、通过多目标的粒子群算法求解所述微电网多目标优化调度模型，确定调度周期内各时段各分布式电源的输出功率、电动汽车总的充放电功率和微电网与主电网的交互功率。
2.根据权利要求1所述的微电网多目标优化调度方法，其特征是，所述步骤一中电动汽车的随机充电特性通过电动汽车日行驶里程s和每日开始充电时刻t0来表征；
所述电动汽车日行驶里程s满足对数正态分布，并由式(1)所示的概率密度函数f(s)获得：
<mrow> <mi>f</mi> <mrow> <mo>(</mo> <mi>s</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mn>1</mn> <mrow> <msqrt> <mrow> <mn>2</mn> <mi>&amp;pi;</mi> </mrow> </msqrt> <msub> <mi>&amp;sigma;</mi> <mi>s</mi> </msub> <mi>s</mi> </mrow> </mfrac> <mi>exp</mi> <mrow> <mo>(</mo> <mo>-</mo> <mfrac> <msup> <mrow> <mo>(</mo> <mi>l</mi> <mi>n</mi> <mi> </mi> <mi>s</mi> <mo>-</mo> <msub> <mi>&amp;mu;</mi> <mi>s</mi> </msub> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mrow> <mn>2</mn> <msubsup> <mi>&amp;sigma;</mi> <mi>s</mi> <mn>2</mn> </msubsup> </mrow> </mfrac> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> </mrow>
式(1)中，μs为电动汽车日行驶里程的期望值，σs为电动汽车日行驶里程的标准差；
所述电动汽车每日开始充电时刻t0服从双峰正态分布，并由式(2)所示的概率密度函数f(t0)获得：
<mrow> <mi>f</mi> <mrow> <mo>(</mo> <msub> <mi>t</mi> <mn>0</mn> </msub> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mi>&amp;lambda;</mi> <mrow> <msqrt> <mrow> <mn>2</mn> <mi>&amp;pi;</mi> </mrow> </msqrt> <msub> <mi>&amp;sigma;</mi> <msub> <mi>t</mi> <mn>01</mn> </msub> </msub> </mrow> </mfrac> <mi>exp</mi> <mrow> <mo>(</mo> <mo>-</mo> <mfrac> <msup> <mrow> <mo>(</mo> <msub> <mi>t</mi> <mn>0</mn> </msub> <mo>-</mo> <msub> <mi>&amp;mu;</mi> <msub> <mi>t</mi> <mn>01</mn> </msub> </msub> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mrow> <mn>2</mn> <msubsup> <mi>&amp;sigma;</mi> <msub> <mi>t</mi> <mn>01</mn> </msub> <mn>2</mn> </msubsup> </mrow> </mfrac> <mo>)</mo> </mrow> <mo>+</mo> <mfrac> <mrow> <mn>1</mn> <mo>-</mo> <mi>&amp;lambda;</mi> </mrow> <mrow> <msqrt> <mrow> <mn>2</mn> <mi>&amp;pi;</mi> </mrow> </msqrt> <msub> <mi>&amp;sigma;</mi> <msub> <mi>t</mi> <mn>02</mn> </msub> </msub> </mrow> </mfrac> <mi>exp</mi> <mrow> <mo>(</mo> <mo>-</mo> <mfrac> <msup> <mrow> <mo>(</mo> <msub> <mi>t</mi> <mn>0</mn> </msub> <mo>-</mo> <msub> <mi>&amp;mu;</mi> <msub> <mi>t</mi> <mn>02</mn> </msub> </msub> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mrow> <mn>2</mn> <msubsup> <mi>&amp;sigma;</mi> <msub> <mi>t</mi> <mn>02</mn> </msub> <mn>2</mn> </msubsup> </mrow> </mfrac> <mo>)</mo> </mrow> <mo>,</mo> <mn>0</mn> <mo>&amp;le;</mo> <msub> <mi>t</mi> <mn>0</mn> </msub> <mo>&amp;le;</mo> <mn>24</mn> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>2</mn> <mo>)</mo> </mrow> </mrow>
式(2)中，为电动汽车的上午开始充电时刻的期望值，为电动汽车上午开始充电时刻的标准差；为电动汽车的晚上开始充电时刻的期望值，为电动汽车晚上开始充电时刻的标准差；λ为电动汽车上午充电的概率，0≤λ≤1；
利用式(3)获得电动汽车每日所需的充电量EEV：
EEV＝ηEV.s (3)
式(3)中，ηEV为电动汽车单位行驶里程的电量需求系数；
利用式(4)获得电动汽车的充电时间Tc：
<mrow> <msub> <mi>T</mi> <mi>c</mi> </msub> <mo>=</mo> <mfrac> <msub> <mi>E</mi> <mrow> <mi>E</mi> <mi>V</mi> </mrow> </msub> <msub> <mi>P</mi> <mi>A</mi> </msub> </mfrac> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>4</mn> <mo>)</mo> </mrow> </mrow>
式(4)中，PA为电动汽车的额定充电功率。
3.根据权利要求1所述的微电网多目标优化调度方法，其特征是，所述步骤二包括：
步骤2.1、确定电动汽车的数目n、额定充电功率PA和单位行驶里程的电量需求系数ηEV，并初始化m＝1；
步骤2.2、根据电动汽车每日行驶里程的概率密度函数f(s)随机产生第m辆电动汽车的每日行驶里程数；
步骤2.3、根据电动汽车每日开始充电时刻的概率密度函数f(t0)随机产生第m辆电动汽车的每日开始充电时刻；
步骤2.4、计算第m辆电动汽车所需的充电量和充电时间，并根据所述第m辆电动汽车的每日开始充电时刻生成第m辆电动汽车的充电负荷曲线；
步骤2.5、将m+1赋值给m，判断m≤n是否成立；若成立，转到步骤2.2，否则迭代结束，叠加前n辆电动汽车的充电负荷曲线；得到n辆电动汽车总的充电负荷曲线和总的充电负荷需求。
4.根据权利要求1所述的微电网多目标优化调度方法，其特征是，所述步骤三中的最小运行成本目标由(5)获得：
<mrow> <mi>min</mi> <mi> </mi> <msub> <mi>C</mi> <mn>1</mn> </msub> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>N</mi> </munderover> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>t</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>T</mi> </munderover> <mo>&amp;lsqb;</mo> <mi>F</mi> <mrow> <mo>(</mo> <msub> <mi>P</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>t</mi> </mrow> </msub> <mo>)</mo> </mrow> <mo>+</mo> <mi>O</mi> <mi>M</mi> <mrow> <mo>(</mo> <msub> <mi>P</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>t</mi> </mrow> </msub> <mo>)</mo> </mrow> <mo>&amp;rsqb;</mo> <mo>+</mo> <msub> <mi>C</mi> <mrow> <mi>B</mi> <mi>A</mi> <mi>T</mi> </mrow> </msub> <mo>+</mo> <msub> <mi>C</mi> <mrow> <mi>G</mi> <mi>R</mi> <mi>I</mi> <mi>D</mi> </mrow> </msub> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>5</mn> <mo>)</mo> </mrow> </mrow>
式(5)中，C1是所述微电网总的运行成本；i为分布式电源的编号，N为所述微电网中分布式电源的总数；t为时段编号，T为所述微电网的调度周期的总时段数；Pi,t为第i个分布式电源在第t个时段内的输出功率；F(Pi,t)为第i个分布式电源在第t个时段内的燃料成本；OM(Pi,t)为第i个分布式电源在第t个时段内的维护成本，并由式(6)获得：
<mrow> <mi>O</mi> <mi>M</mi> <mrow> <mo>(</mo> <msub> <mi>P</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>t</mi> </mrow> </msub> <mo>)</mo> </mrow> <mo>=</mo> <msub> <mi>K</mi> <mrow> <msub> <mi>OM</mi> <mi>i</mi> </msub> </mrow> </msub> <mo>&amp;CenterDot;</mo> <msub> <mi>P</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>t</mi> </mrow> </msub> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>6</mn> <mo>)</mo> </mrow> </mrow>
式(6)中，为第i个分布式电源的维护成本系数；
式(5)中，CBAT是所述电动汽车的电池折旧成本，并由式(7)获得：
<mrow> <msub> <mi>C</mi> <mrow> <mi>B</mi> <mi>A</mi> <mi>T</mi> </mrow> </msub> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>t</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>T</mi> </munderover> <mo>|</mo> <msub> <mi>P</mi> <mrow> <mi>E</mi> <mi>V</mi> <mo>,</mo> <mi>t</mi> </mrow> </msub> <mo>|</mo> <mfrac> <msub> <mi>C</mi> <mrow> <mi>E</mi> <mi>V</mi> </mrow> </msub> <msubsup> <mi>E</mi> <mrow> <mi>E</mi> <mi>V</mi> </mrow> <mrow> <mi>P</mi> <mi>U</mi> <mi>T</mi> </mrow> </msubsup> </mfrac> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>7</mn> <mo>)</mo> </mrow> </mrow>
式(7)中，PEV,t为电动汽车在接入微电网的第t个时段内的总的充放电功率；CEV为所述电动汽车的电池更换成本，为所述电动汽车的电池在其电池寿命内总的能量吞吐量；
式(5)中，CGRID为所述微电网与主电网的交易成本，并由式(8)获得：
<mrow> <msub> <mi>C</mi> <mrow> <mi>G</mi> <mi>R</mi> <mi>I</mi> <mi>D</mi> </mrow> </msub> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>t</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>T</mi> </munderover> <msub> <mi>p</mi> <mrow> <mi>p</mi> <mi>u</mi> <mi>r</mi> <mo>,</mo> <mi>t</mi> </mrow> </msub> <mo>&amp;CenterDot;</mo> <msub> <mi>E</mi> <mrow> <mi>p</mi> <mi>u</mi> <mi>r</mi> <mo>,</mo> <mi>t</mi> </mrow> </msub> <mo>-</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>t</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>T</mi> </munderover> <msub> <mi>p</mi> <mrow> <mi>s</mi> <mi>e</mi> <mi>l</mi> <mo>,</mo> <mi>t</mi> </mrow> </msub> <mo>&amp;CenterDot;</mo> <msub> <mi>E</mi> <mrow> <mi>s</mi> <mi>e</mi> <mi>l</mi> <mo>,</mo> <mi>t</mi> </mrow> </msub> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>8</mn> <mo>)</mo> </mrow> </mrow>
式(8)中，ppur,t为第t个时段微电网从主电网的购电价格，Epur,t为第t个时段的购电量；psel,t为第t个时段微电网向主电网的售电价格，Esel,t为第t个时段的售电量；
所述最小污染治理成本目标由式(9)获得：
<mrow> <mi>min</mi> <mi> </mi> <msub> <mi>C</mi> <mn>2</mn> </msub> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>t</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>T</mi> </munderover> <mrow> <mo>(</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>N</mi> </munderover> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>h</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>H</mi> </munderover> <mo>(</mo> <mrow> <msub> <mi>c</mi> <mi>h</mi> </msub> <msub> <mi>u</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>h</mi> </mrow> </msub> </mrow> <mo>)</mo> <msub> <mi>P</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>t</mi> </mrow> </msub> <mo>+</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>h</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>H</mi> </munderover> <mo>(</mo> <mrow> <msub> <mi>c</mi> <mi>h</mi> </msub> <msub> <mi>u</mi> <mrow> <mi>G</mi> <mi>R</mi> <mi>I</mi> <mi>D</mi> <mo>,</mo> <mi>h</mi> </mrow> </msub> </mrow> <mo>)</mo> <msub> <mi>P</mi> <mrow> <mi>G</mi> <mi>R</mi> <mi>I</mi> <mi>D</mi> <mo>,</mo> <mi>t</mi> </mrow> </msub> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>9</mn> <mo>)</mo> </mrow> </mrow>
式(9)中，C2为所述微电网总的污染治理成本，H为污染物排放种类的总数，h为污染物的编号；ui,h为第i个分布式电源单位输出每千瓦电能时的第h类污染物的排放系数，uGRID,h为主电网单位输出每千瓦电能时第h类污染物的排放系数，PGRID,t为第t个时段微电网从主电网的购电功率，ch为处理每千克第h类污染物的费用；
所述最小负荷方差目标由式(10)获得：
<mrow> <mi>min</mi> <mi> </mi> <mi>F</mi> <mo>=</mo> <mfrac> <mn>1</mn> <mi>T</mi> </mfrac> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>t</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>T</mi> </munderover> <msup> <mrow> <mo>(</mo> <msub> <mi>P</mi> <mrow> <mi>l</mi> <mi>o</mi> <mi>a</mi> <mi>d</mi> <mo>,</mo> <mi>t</mi> </mrow> </msub> <mo>+</mo> <msub> <mi>P</mi> <mrow> <mi>E</mi> <mi>V</mi> <mo>,</mo> <mi>t</mi> </mrow> </msub> <mo>-</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>N</mi> </munderover> <msub> <mi>P</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>t</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>P</mi> <mrow> <mi>a</mi> <mi>v</mi> </mrow> </msub> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>10</mn> <mo>)</mo> </mrow> </mrow>
式(10)中，F为所述微电网的负荷方差，Pload,t为微电网中在第t个时段内不包含电动汽车充电负荷在内的原始负荷；Pav为微电网在调度前的每日平均负荷，并由式(11)获得：
<mrow> <msub> <mi>P</mi> <mrow> <mi>a</mi> <mi>v</mi> </mrow> </msub> <mo>=</mo> <mfrac> <mn>1</mn> <mi>T</mi> </mfrac> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>t</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>T</mi> </munderover> <mrow> <mo>(</mo> <msub> <mi>P</mi> <mrow> <mi>l</mi> <mi>o</mi> <mi>a</mi> <mi>d</mi> <mo>,</mo> <mi>t</mi> </mrow> </msub> <mo>+</mo> <msub> <mi>P</mi> <mrow> <mi>E</mi> <mi>V</mi> <mo>,</mo> <mi>t</mi> </mrow> </msub> <mo>-</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>N</mi> </munderover> <msub> <mi>P</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>t</mi> </mrow> </msub> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>11</mn> <mo>)</mo> </mrow> <mo>.</mo> </mrow>
5.根据权利要求1所述的微电网多目标优化调度方法，其特征是，所述步骤四中微电网优化调度的约束条件为：
<mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>N</mi> </munderover> <msub> <mi>P</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>t</mi> </mrow> </msub> <mo>+</mo> <msub> <mi>P</mi> <mrow> <mi>G</mi> <mi>R</mi> <mi>I</mi> <mi>D</mi> <mo>,</mo> <mi>t</mi> </mrow> </msub> <mo>=</mo> <msub> <mi>P</mi> <mrow> <mi>l</mi> <mi>o</mi> <mi>a</mi> <mi>d</mi> <mo>,</mo> <mi>t</mi> </mrow> </msub> <mo>+</mo> <msub> <mi>P</mi> <mrow> <mi>E</mi> <mi>V</mi> <mo>,</mo> <mi>t</mi> </mrow> </msub> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>12</mn> <mo>)</mo> </mrow> </mrow>
Pi min≤Pi≤Pi max (13)
|Pi,t-Pi,t-1|≤ri (14)
<mrow> <msubsup> <mi>P</mi> <mrow> <mi>E</mi> <mi>V</mi> </mrow> <mi>min</mi> </msubsup> <mo>&amp;le;</mo> <msub> <mi>P</mi> <mrow> <mi>E</mi> <mi>V</mi> </mrow> </msub> <mo>&amp;le;</mo> <msubsup> <mi>P</mi> <mrow> <mi>E</mi> <mi>V</mi> </mrow> <mi>max</mi> </msubsup> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>15</mn> <mo>)</mo> </mrow> </mrow>
<mrow> <msubsup> <mi>SOC</mi> <mrow> <mi>E</mi> <mi>V</mi> </mrow> <mi>min</mi> </msubsup> <mo>&amp;le;</mo> <msub> <mi>SOC</mi> <mrow> <mi>E</mi> <mi>V</mi> </mrow> </msub> <mo>&amp;le;</mo> <msubsup> <mi>SOC</mi> <mrow> <mi>E</mi> <mi>V</mi> </mrow> <mi>max</mi> </msubsup> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>16</mn> <mo>)</mo> </mrow> </mrow>
<mrow> <msubsup> <mi>P</mi> <mrow> <mi>s</mi> <mi>e</mi> <mi>l</mi> <mi>l</mi> </mrow> <mi>min</mi> </msubsup> <mo>&amp;le;</mo> <msub> <mi>P</mi> <mrow> <mi>g</mi> <mi>r</mi> <mi>i</mi> <mi>d</mi> </mrow> </msub> <mo>&amp;le;</mo> <msubsup> <mi>P</mi> <mrow> <mi>s</mi> <mi>e</mi> <mi>l</mi> <mi>l</mi> </mrow> <mi>max</mi> </msubsup> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>17</mn> <mo>)</mo> </mrow> </mrow>
<mrow> <msubsup> <mi>P</mi> <mrow> <mi>b</mi> <mi>u</mi> <mi>y</mi> </mrow> <mi>min</mi> </msubsup> <mo>&amp;le;</mo> <msub> <mi>P</mi> <mrow> <mi>g</mi> <mi>r</mi> <mi>i</mi> <mi>d</mi> </mrow> </msub> <mo>&amp;le;</mo> <msubsup> <mi>P</mi> <mrow> <mi>b</mi> <mi>u</mi> <mi>y</mi> </mrow> <mi>max</mi> </msubsup> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>18</mn> <mo>)</mo> </mrow> </mrow>
式(12)表示功率平衡约束；
式(13)表示所述第i个分布式电源自身发电能力的约束，Pi max、Pi min分别是所述第i个分布式电源的输出功率上限和下限；
式(14)表示所述第i个分布式电源的爬坡速率限制，Pi,t-1为第i个分布式电源在第t-1个时段内的输出功率；ri为所述第i个分布式电源的最大爬坡速率；
式(15)表示电动汽车充放电功率约束；表示电动汽车的充电功率上限；表示电动汽车的放电功率下限；
式(16)表示所述电动汽车的荷电状态约束；SOCEV表示电动汽车的电池荷电状态；分别表示电动汽车的电池荷电状态的上限和下限；
式(17)表示所述微电网向主电网售电功率约束，分别为微电网向主电网售电功率的上限和下限；
式(18)表示所述微电网从主电网购电功率约束，分别为微电网从主电网购电功率的上限和下限。
6.根据权利要求1所述的考虑电动汽车随机接入的微电网多目标优化调度方法，其特征是，所述步骤六包括：
步骤6.1、将每一时刻柴油发电机DG、微型燃气轮机MT的发电功率、主电网与微电网的交互功率和所有电动汽车与微电网交换的总功率作为第k个粒子的一个维度，从而获得第k个粒子的维数为4T；
步骤6.2、初始化所述多目标粒子群算法的各个参数，包括：粒子总数M、迭代次数L、最大迭代次数Lmax、速度更新参数c1、c2，1≤L≤Lmax，并初始化L＝1；
步骤6.3、确定所述步骤四中各约束条件的实际值和步骤五中的相关参数，并相应代入到多目标粒子群算法所求解的优化调度目标和约束条件中；
步骤6.4、产生初始种群，获得第L代的第k个粒子的位置和速度，根据步骤四中的约束条件修改第L代的第k粒子的位置和速度；
步骤6.5、根据优化调度目标分别计算微电网的运行成本、污染物治理成本和负荷方差作为第L代的第k个粒子的适应度值；根据初始种群中第L代的M个粒子的适应度值，找出第L代粒子中的Pareto最优解，并存入外部存档集合；
步骤6.6、根据第L代中第k个粒子的位置和速度，分别计算第L+1代的第k个粒子的位置和速度，并根据步骤四中的约束条件修改第L+1代的第k个粒子的位置和速度；
步骤6.7、重新计算第L+1代的第k个粒子的适应度值，根据适应度值确定第L+1代第k个粒子的个体极值；并确定第L+1代粒子中的Pareto最优解，将其合并入外部存档集合，找出所述外部存档集合中的Pareto最优解，清除非Pareto最优解；
步骤6.8、判断所述外部存档集合中Pareto最优解的数量是否超过规定容量，若超过规定容量，则根据拥挤距离对外部存档集合中Pareto最优解进行裁剪后，执行步骤6.9；否则，直接执行步骤6.9；
步骤6.9、在外部存档集合中用轮盘赌法选择M个粒子的全局最优解；
步骤6.10、将L+1赋值给L，判断L≤Lmax是否成本；若成立，转到步骤6.6，否则迭代结束，并得到第Lmax代的Pareto最优解，并确定最终解；所述最终解包括调度周期内各时段各分布式电源的输出功率、电动汽车总的充放电功率和微电网与主电网的交互功率。
CN201710775466.2A 2017-08-31 2017-08-31 一种考虑电动汽车随机接入的微电网多目标优化调度方法 Pending CN107704947A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710775466.2A CN107704947A (zh) 2017-08-31 2017-08-31 一种考虑电动汽车随机接入的微电网多目标优化调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710775466.2A CN107704947A (zh) 2017-08-31 2017-08-31 一种考虑电动汽车随机接入的微电网多目标优化调度方法

Publications (1)

Publication Number Publication Date
CN107704947A true CN107704947A (zh) 2018-02-16

Family

ID=61171473

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710775466.2A Pending CN107704947A (zh) 2017-08-31 2017-08-31 一种考虑电动汽车随机接入的微电网多目标优化调度方法

Country Status (1)

Country Link
CN (1) CN107704947A (zh)

Cited By (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108320064A (zh) * 2018-04-28 2018-07-24 国电南瑞南京控制***有限公司 一种电动汽车与风电协同充电双层优化调度方法
CN108964021A (zh) * 2018-06-25 2018-12-07 国网陕西省电力公司经济技术研究院 一种可入网调频电动汽车容量时空分布特性的控制方法
CN109050284A (zh) * 2018-07-09 2018-12-21 华中科技大学 一种考虑v2g的电动汽车充放电电价优化方法
CN109353244A (zh) * 2018-10-08 2019-02-19 山东积成智通新能源有限公司 一种电动汽车智能有序充电的控制方法及***
CN109658012A (zh) * 2019-01-22 2019-04-19 武汉理工大学 一种计及需求侧响应的微电网多目标经济调度方法及装置
CN109710882A (zh) * 2018-12-21 2019-05-03 重庆大学 一种基于优化运行的离网型微电网电动汽车有序充放电负荷建模及求解方法
CN109888806A (zh) * 2019-02-28 2019-06-14 武汉大学 一种含电动汽车的微电网储能优化配置方法
CN110323737A (zh) * 2018-03-30 2019-10-11 南京理工大学 一种电动汽车充电优化调度方法
CN110443415A (zh) * 2019-07-24 2019-11-12 三峡大学 一种计及动态电价策略的电动汽车充电站多目标优化调度方法
CN110570007A (zh) * 2019-06-17 2019-12-13 上海交通大学 电动汽车多时间尺度优化调度方法
CN110705779A (zh) * 2019-09-27 2020-01-17 河海大学 计及交通流时域耦合的电力-交通网多时段协同调度方法
CN111476424A (zh) * 2020-04-14 2020-07-31 南京工程学院 含电动汽车的热电联供型多微电网能量调度方法
CN111740417A (zh) * 2020-07-09 2020-10-02 上海电机学院 考虑电动汽车充电失败的联合微电网运行方法
CN112186754A (zh) * 2020-09-25 2021-01-05 山西大学 一种电动汽车与分布式电源共同入网的判稳方法
CN112418605A (zh) * 2020-10-19 2021-02-26 国网上海市电力公司 一种光储式充电站储能***优化运行方法
CN112467767A (zh) * 2020-11-02 2021-03-09 国网内蒙古东部电力有限公司呼伦贝尔供电公司 综合能源***环境下的电动汽车并网协同控制方法
CN112757954A (zh) * 2020-12-30 2021-05-07 华南理工大学 联合专变共享模式下的电动汽车有序充电联合调节方法
CN113078691A (zh) * 2021-05-14 2021-07-06 湖南工程学院 一种含电动汽车的微电网多目标负荷调度方法
CN113580984A (zh) * 2021-07-16 2021-11-02 国网浙江省电力有限公司湖州供电公司 一种电动汽车有序充电策略及其仿真方法
CN113991661A (zh) * 2021-11-09 2022-01-28 东南大学 一种考虑集群电动汽车内部充放电的微电网预测控制方法
CN114243693A (zh) * 2021-12-20 2022-03-25 南方电网数字电网研究院有限公司 微电网的调度模型构建方法、装置和计算机设备

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105160451A (zh) * 2015-07-09 2015-12-16 上海电力学院 一种含电动汽车的微电网多目标优化调度方法
CN106026152A (zh) * 2016-05-19 2016-10-12 合肥工业大学 一种电动汽车接入微电网的充放电调度方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105160451A (zh) * 2015-07-09 2015-12-16 上海电力学院 一种含电动汽车的微电网多目标优化调度方法
CN106026152A (zh) * 2016-05-19 2016-10-12 合肥工业大学 一种电动汽车接入微电网的充放电调度方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
侯建朝等: "计及需求响应的风电-电动汽车协同调度多目标优化模型", 《电力自动化设备》 *
王金全等: "基于多目标粒子群算法的微电网优化调度", 《电网与清洁能源》 *

Cited By (31)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110323737A (zh) * 2018-03-30 2019-10-11 南京理工大学 一种电动汽车充电优化调度方法
CN108320064A (zh) * 2018-04-28 2018-07-24 国电南瑞南京控制***有限公司 一种电动汽车与风电协同充电双层优化调度方法
CN108964021A (zh) * 2018-06-25 2018-12-07 国网陕西省电力公司经济技术研究院 一种可入网调频电动汽车容量时空分布特性的控制方法
CN109050284B (zh) * 2018-07-09 2020-06-09 华中科技大学 一种考虑v2g的电动汽车充放电电价优化方法
CN109050284A (zh) * 2018-07-09 2018-12-21 华中科技大学 一种考虑v2g的电动汽车充放电电价优化方法
CN109353244A (zh) * 2018-10-08 2019-02-19 山东积成智通新能源有限公司 一种电动汽车智能有序充电的控制方法及***
CN109710882A (zh) * 2018-12-21 2019-05-03 重庆大学 一种基于优化运行的离网型微电网电动汽车有序充放电负荷建模及求解方法
CN109658012A (zh) * 2019-01-22 2019-04-19 武汉理工大学 一种计及需求侧响应的微电网多目标经济调度方法及装置
CN109658012B (zh) * 2019-01-22 2022-12-02 武汉理工大学 一种计及需求侧响应的微电网多目标经济调度方法及装置
CN109888806A (zh) * 2019-02-28 2019-06-14 武汉大学 一种含电动汽车的微电网储能优化配置方法
CN109888806B (zh) * 2019-02-28 2023-01-03 武汉大学 一种含电动汽车的微电网储能优化配置方法
CN110570007A (zh) * 2019-06-17 2019-12-13 上海交通大学 电动汽车多时间尺度优化调度方法
CN110570007B (zh) * 2019-06-17 2023-05-09 上海交通大学 电动汽车多时间尺度优化调度方法
CN110443415A (zh) * 2019-07-24 2019-11-12 三峡大学 一种计及动态电价策略的电动汽车充电站多目标优化调度方法
CN110443415B (zh) * 2019-07-24 2022-07-15 三峡大学 一种计及动态电价策略的电动汽车充电站多目标优化调度方法
CN110705779A (zh) * 2019-09-27 2020-01-17 河海大学 计及交通流时域耦合的电力-交通网多时段协同调度方法
CN111476424A (zh) * 2020-04-14 2020-07-31 南京工程学院 含电动汽车的热电联供型多微电网能量调度方法
CN111740417A (zh) * 2020-07-09 2020-10-02 上海电机学院 考虑电动汽车充电失败的联合微电网运行方法
CN111740417B (zh) * 2020-07-09 2023-10-17 上海电机学院 考虑电动汽车充电失败的联合微电网运行方法
CN112186754A (zh) * 2020-09-25 2021-01-05 山西大学 一种电动汽车与分布式电源共同入网的判稳方法
CN112418605A (zh) * 2020-10-19 2021-02-26 国网上海市电力公司 一种光储式充电站储能***优化运行方法
CN112467767A (zh) * 2020-11-02 2021-03-09 国网内蒙古东部电力有限公司呼伦贝尔供电公司 综合能源***环境下的电动汽车并网协同控制方法
CN112757954B (zh) * 2020-12-30 2022-07-26 华南理工大学 联合专变共享模式下的电动汽车有序充电联合调节方法
CN112757954A (zh) * 2020-12-30 2021-05-07 华南理工大学 联合专变共享模式下的电动汽车有序充电联合调节方法
CN113078691A (zh) * 2021-05-14 2021-07-06 湖南工程学院 一种含电动汽车的微电网多目标负荷调度方法
CN113078691B (zh) * 2021-05-14 2023-05-05 湖南工程学院 一种含电动汽车的微电网多目标负荷调度方法
CN113580984A (zh) * 2021-07-16 2021-11-02 国网浙江省电力有限公司湖州供电公司 一种电动汽车有序充电策略及其仿真方法
CN113991661A (zh) * 2021-11-09 2022-01-28 东南大学 一种考虑集群电动汽车内部充放电的微电网预测控制方法
CN113991661B (zh) * 2021-11-09 2023-08-29 东南大学 一种考虑集群电动汽车内部充放电的微电网预测控制方法
CN114243693A (zh) * 2021-12-20 2022-03-25 南方电网数字电网研究院有限公司 微电网的调度模型构建方法、装置和计算机设备
CN114243693B (zh) * 2021-12-20 2023-06-27 南方电网数字电网研究院有限公司 微电网的调度模型构建方法、装置和计算机设备

Similar Documents

Publication Publication Date Title
CN107704947A (zh) 一种考虑电动汽车随机接入的微电网多目标优化调度方法
CN106026152B (zh) 一种电动汽车接入微电网的充放电调度方法
Hou et al. Multi-objective economic dispatch of a microgrid considering electric vehicle and transferable load
CN105160451B (zh) 一种含电动汽车的微电网多目标优化调度方法
CN110350523B (zh) 基于需求响应的多能源互补优化调度方法
CN105811409B (zh) 一种含电动汽车混合储能***的微网多目标运行调度方法
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
CN108173283A (zh) 一种含风光可再生能源的热电联供***运行方法
CN105787605A (zh) 基于改进型量子遗传算法的微网经济优化运行调度方法
CN105868844A (zh) 一种含电动汽车混合储能***的微网多目标运行调度方法
Liu et al. Co-optimization of a novel distributed energy system integrated with hybrid energy storage in different nearly zero energy community scenarios
CN107039975A (zh) 一种分布式能源***能量管理方法
CN112550047B (zh) 一种充光储一体化充电站优化配置方法和装置
CN112270433B (zh) 考虑可再生能源不确定性和用户满意度的微电网优化方法
CN107546781A (zh) 基于pso改进算法的微电网多目标运行优化方法
CN111244988A (zh) 考虑分布式电源的电动汽车和储能优化调度方法
CN113326467B (zh) 基于多重不确定性的多站融合综合能源***多目标优化方法、存储介质及优化***
Liu et al. Multi-scenario analysis and collaborative optimization of a novel distributed energy system coupled with hybrid energy storage for a nearly zero-energy community
CN105741027A (zh) 一种含电动汽车的虚拟电厂优化调度方法
CN102969780A (zh) 一种离网型风光储互补发电***容量优化配置方法
CN109710882A (zh) 一种基于优化运行的离网型微电网电动汽车有序充放电负荷建模及求解方法
Yang et al. Research on the contribution of regional Energy Internet emission reduction considering time-of-use tariff
CN106786977A (zh) 一种电动汽车充电站的充电调度方法
CN107482675A (zh) 一种基于离网型微网的电动汽车消纳可再生能源的计算方法
Chun et al. Unit commitment considering coordinated dispatch of large scale electric vehicles and wind power generation

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20180216

RJ01 Rejection of invention patent application after publication