CN108921331A - 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 - Google Patents

Abstract

本发明公开了一种计及V2G功能的电动汽车与新能源的调度优化建模及算法，含可入网的电动汽车、风电和太阳能的电力***为研究对象，构建了计及电动汽车V2G功能的调度方法，该方法以同时降低***负荷波动和电动汽车用户充电成本为目标，通过对多个目标的模糊化处理，将需求解的问题转化为单目标优化问题，并应用最新的纵横交叉优化算法进行求解，得到最优的调度方案。

Description

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

技术领域

本发明涉及电力***优化调度领域，更具体地，涉及一种计及V2G功能的电动汽车与新能源的调度优化建模及算法。

背景技术

随着能源紧缺与环境污染问题日益突出，清洁可再生能源如风能、太阳能等受到广泛关注。电动汽车(Eletric Vehicle,EV)在减少尾气排放、降低社会对化石能源依赖度方面具备传统汽车不可替代的优势。电动汽车V2G(Vehicle to Grid,V2G)技术的发展使电动汽车不仅可以作为负荷进行充电，也可以作为储能设备向电网馈电,因此计及电动汽车的V2G功能，对含有风、光发电的电力***采取有效调度与控制策略，这不仅能有效地平抑地区电网负荷峰谷差以减小新能源出力波动对电网的冲击，同时也能为电动汽车用户带来经济效益。

现有技术的缺点：传统模式下，含新能源和电动汽车的优化调度没有考虑到电动汽车的V2G功能，只是把电动汽车作为纯负载接入电网。然而在无任何激励措施引导下，车主将按照自身的行驶习惯对电动汽车进行随机、无序地充放电。与有序充放电模式相比，该模式具有更强烈的不确定性，甚至会增加电网安全运行的风险。

发明内容

本发明的目的是解决上述一个或多个缺陷，提出一种计及V2G功能的电动汽车与新能源的调度优化建模及算法。

为实现以上发明目的，采用的技术方案是：

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，包括以下步骤：

S1：接受电网机组调度中心得出的***未来24小时负荷需求数据；接受风电场对风电出力大小的预测数据；接受光伏电站对光伏出力大小的预测数据；接受电动汽车的相关特性数据；

S2：考虑V2G功能的电动汽车和新能源优化调度建模及算法，构建电动汽车用户充电成本最低以及电网侧等效负荷方差最小为优化调度多目标函数；

S3：对目标函数进行模糊化处理转化为单目标优化函数，并且对优化模型进行降维处理；同时在考虑电动汽车充电需求约束、充电时间约束、电池约束、充电连续性约束的基础上，采用纵横交叉算法对目标函数进行优化求解。

优选的是，步骤S2所述电网侧等效负荷方差最小为目标函数如下式：

式中：T为调度周期内的时段数；N_w、N_S、N_EV分别为风电、光伏电站以及电动汽车的数量；为t时段第j个风电机组的有功出力；为t时段各光伏电站的有功出力；为t时段的常规负荷功率；为t时段第r辆电动汽车的充电功率；为t时段第r辆电动汽车的放电功率；P_av为调度周期内的等效负荷平均值。

优选的是，步骤S2所述的以电动汽车充电成本最低为目标函数如下式：

式中：为车辆r在t时段获取的电量，正值为充电、负为放电；C_e(t)为t时段分时电价。

优选的是，步骤S3所述对目标函数进行模糊化处理转化为单目标优化函数为避免对上述复杂多目标问题Pareto解集的求解，引入模糊化的概念，以隶属度大小来反映决策者对目标值的满意程度，然后用最大模糊满意度法将***优化目标和用户充电成本最低转化为单目标优化问题；选用降半直线型作为隶属度，如下式：

式中：μ(f_a)为等效负荷方差目标函数隶属度函数；μ(f_b)为电动汽车充电成本隶属度函数；f_a2和f_b2为最大可接受等效负荷方差和充电成本，可根据优化前的结果确定；f_a1和f_b1为对应目标函数的期望值，可由单一目标函数极值确定；

依据模糊集理论的最大最小法则，设λ为满意度，为所有隶属度函数的最小值。可转化为满足所有约束条件的最大化问题，即maxλ问题，数学描述如下：

通过以上公式，目标函数转化为求取maxλ，将确定性目标函数的极值求解转化为模糊函数的满意度指标求解。

优选的是，步骤S3所述优化模型降维处理包括以下步骤：

S3.1：采用蒙特卡洛模拟每个时间间隔(共24个)到达的电动汽车数量、每辆电动汽车的充电需求、预计停留时长以及各自的充电紧急度指标值；

S3.2：计算各时段到达的电动汽车总充电需求电量；设同一时段的电动汽车的充电时长为整数个时间间隔，目的是尽可能保持充电功率的稳定性；根据总充电需求以及预计停留时长算出本时段电动汽车平均充电功率上下限；

S3.3：通过以上两个步骤，粒子设置为24维；维度的定义为：假设第d维代表第d个时段到达的电动汽车的参数，其具体数值代表该时段的电动汽车的平均充放电功率，其满足相应的上下限约束；

S3.4：根据粒子每一维度确立充电功率值。

优选的是，步骤S3所述电动汽车充电需求约束即电动汽车应满足用户的基本用车需求,即电动汽车停止充电时的荷电状态(state of charge,SOC)要达到用户要求，第n辆车的约束表达式如下：

式中：为第n辆电动汽车接入充电站的时刻；为第n辆电动汽车离开充电站的时刻；为第n辆电动汽车的充电效率，取值在0～1之间；为第n辆电动汽车进入充电站时电池的状态；为第n辆电动汽车离开充电站时的电池状态；为第n辆电动汽车电池的总电量。

优选的是，步骤S3所述充电时间约束指电动汽车的充放电时间应该在到达充电站与下次拟出发时段中间完成，即：

式中：t_act为充放电行为发生时刻；T_arrive为电动汽车到达充电站时刻；T_stay为电动汽车预计停留时长；T_{ch_dch}为电动汽车需要的充放电时间。

优选的是，步骤S3所述电动汽车电池约束为降低对电池的损害，需对电动汽车的充放电功率进行约束；其中下式分别表示电动汽车实际充放电功率和电动汽车实时荷电状态约束；

SOC_min≤SOC≤SOC_max

式中：为第n辆电动汽车最大允许充放电功率；SOC_min为电动汽车允许的最小SOC值；SOC_max为电动汽车池允许的最大SOC值。

优选的是，步骤S3所述电动汽车充电连续性约束为为保证电动汽车电池的寿命，需要保证电池的充放电行为一次性完成；设在时段t_i第j辆电动汽车的充电状态，t_i＝0表示未充电，t_i＝1表示充电：

式中：表示第j辆电动汽车的起始充电时刻。

优选的是，步骤S3所述采用纵横交叉算法对目标函数进行优化求解包括以下步骤：

S4.1：输入***原始数据，包括各个时段负荷、风力发电、光伏发电的预测平均值，风光负荷的隶属度参数和目标函数的隶属度函数；

S4.2：确定各个时段到达的电动汽车的总需求电量，根据该时段电动汽车的停留时长确定该时段的电动汽车最大最小平均充电功率；

S4.3：初始化种群：

元素为第t个时段到达充电站的汽车平均充放电功率；元素为第t个时段的负荷初始值；元素为第N_s个光伏电站在时段t的输出有功；元素为第N_w个风电场在时段t的有功功率；风光发电的有功输出功率和负荷大小应在对应的[P_w1,P_w4]范围内初始化；

S4.4：设定迭代次数k＝1；

S4.5：计算每个父代粒子对应的等效负荷方差的隶属度及各个风电场、光伏电站及负荷在每个时段的隶属度，并求出满意度指标λ；

S4.6：计算p_best，g_best；

S4.7：若k＞k_max，计算结束；否则，进入步骤S4.8；

S4.8：执行CSO算法的横向交叉产生子代保存在中庸解矩阵MS_hc中；采用竞争算子获取横向交叉占优解并保存至DS_hc中；注意子代若超过上下限值以边界值取代；

S4.9：对DS_hc进行归一化操作，并进行纵向交叉产生子代，然后保存至中庸解矩阵MS_vc中；采用竞争算子获取纵向交叉占优解并保存至DS_vc中；

S4.10：令k＝k+1，转步骤S4.5。

与现有技术相比，本发明的有益效果是：

1)本发明构建了计及V2G功能的电动汽车、风-光发电的电力***多目标优化调度模型，以电网侧等效负荷方差最小和电动汽车用户用电成本最低为目标，采用CSO算法得出最优的调度方案；

2)首先根据电网调度中心得到风光发电曲线和负荷曲线，然后运用最大模糊满意度法将多目标问题转化为单目标问题，最后通过CSO算法确定电动汽车的最优充电功率，进而得出最优调度策略；

3)以各时段电动汽车的平均充电功率作为粒子的维度来优化模型控制变量，避免直接对每一辆电动汽车建模，该处理方法极大地降低了优化模型的维数、减少了求解时间以及增加求解的收敛速度，避免造成“维数灾”或局部最优问题，具有很好的实用性与高效性。

附图说明

图1为本发明的流程图；

图2为各时段风光出力及负荷预测的平均值；

图3为降半直线型隶属度函数。

具体实施方式

附图仅用于示例性说明，不能理解为对本专利的限制；

以下结合附图和实施例对本发明做进一步的阐述。

实施例1

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，请参考图1，包括以下步骤：

S1：接受电网机组调度中心得出的***未来24小时负荷需求数据；接受风电场对风电出力大小的预测数据和接受光伏电站对光伏出力大小的预测数据，如图2和表1所示；接受电动汽车的相关特性数据，如表2所示；

表1分时电价参数

表2电动汽车的电池参数

S2：考虑V2G功能的电动汽车和新能源优化调度建模及算法，构建电动汽车用户充电成本最低以及电网侧等效负荷方差最小为优化调度多目标函数；

S3：对目标函数进行模糊化处理转化为单目标优化函数，并且对优化模型进行降维处理；同时在考虑电动汽车充电需求约束、充电时间约束、电池约束、充电连续性约束的基础上，采用纵横交叉算法对目标函数进行优化求解。

优选的是，步骤S2所述电网侧等效负荷方差最小为目标函数如下式：

式中：T为调度周期内的时段数；N_w、N_S、N_EV分别为风电、光伏电站以及电动汽车的数量；为t时段第j个风电机组的有功出力；为t时段各光伏电站的有功出力；为t时段的常规负荷功率；为t时段第r辆电动汽车的充电功率；为t时段第r辆电动汽车的放电功率；P_av为调度周期内的等效负荷平均值。

优选的是，步骤S2所述的以电动汽车充电成本最低为目标函数如下式：

式中：为车辆r在t时段获取的电量，正值为充电、负为放电；C_e(t)为t时段分时电价。

优选的是，步骤S3所述目标函数的处理如图3所示，对目标函数进行模糊化处理转化为单目标优化函数为避免对上述复杂多目标问题Pareto解集的求解，引入模糊化的概念，以隶属度大小来反映决策者对目标值的满意程度，然后用最大模糊满意度法将***优化目标和用户充电成本最低转化为单目标优化问题；选用降半直线型作为隶属度，如下式：

式中：μ(f_a)为等效负荷方差目标函数隶属度函数；μ(f_b)为电动汽车充电成本隶属度函数；f_a2和f_b2为最大可接受等效负荷方差和充电成本，可根据优化前的结果确定；f_a1和f_b1为对应目标函数的期望值，可由单一目标函数极值确定；

依据模糊集理论的最大最小法则，设λ为满意度，为所有隶属度函数的最小值。可转化为满足所有约束条件的最大化问题，即maxλ问题，数学描述如下：

通过以上公式，目标函数转化为求取maxλ，将确定性目标函数的极值求解转化为模糊函数的满意度指标求解。

优选的是，步骤S3所述优化模型降维处理包括以下步骤：

S3.1：采用蒙特卡洛模拟每个时间间隔(共24个)到达的电动汽车数量、每辆电动汽车的充电需求、预计停留时长以及各自的充电紧急度指标值；

S3.2：计算各时段到达的电动汽车总充电需求电量；设同一时段的电动汽车的充电时长为整数个时间间隔，目的是尽可能保持充电功率的稳定性；根据总充电需求以及预计停留时长算出本时段电动汽车平均充电功率上下限；

S3.3：通过以上两个步骤，粒子设置为24维；维度的定义为：假设第d维代表第d个时段到达的电动汽车的参数，其具体数值代表该时段的电动汽车的平均充放电功率，其满足相应的上下限约束；

S3.4：根据粒子每一维度确立充电功率值。

优选的是，步骤S3所述电动汽车充电需求约束即电动汽车应满足用户的基本用车需求,即电动汽车停止充电时的荷电状态(state of charge,SOC)要达到用户要求，第n辆车的约束表达式如下：

式中：为第n辆电动汽车接入充电站的时刻；为第n辆电动汽车离开充电站的时刻；为第n辆电动汽车的充电效率(取值在0～1之间)；为第n辆电动汽车进入充电站时电池的状态；为第n辆电动汽车离开充电站时的电池状态；为第n辆电动汽车电池的总电量。

优选的是，步骤S3所述充电时间约束指电动汽车的充放电时间应该在到达充电站与下次拟出发时段中间完成，即：

式中：t_act为充放电行为发生时刻；T_arrive为电动汽车到达充电站时刻；T_stay为电动汽车预计停留时长；T_{ch_dch}为电动汽车需要的充放电时间。

优选的是，步骤S3所述电动汽车电池约束为降低对电池的损害，需对电动汽车的充放电功率进行约束；其中下式分别表示电动汽车实际充放电功率和电动汽车实时荷电状态约束；

SOC_min≤SOC≤SOC_max

式中：为第n辆电动汽车最大允许充放电功率；SOC_min为电动汽车允许的最小SOC值；SOC_max为电动汽车池允许的最大SOC值。

优选的是，步骤S3所述电动汽车充电连续性约束为为保证电动汽车电池的寿命，需要保证电池的充放电行为一次性完成；设在时段t_i第j辆电动汽车的充电状态，t_i＝0表示未充电，t_i＝1表示充电：

式中：表示第j辆电动汽车的起始充电时刻。

优选的是，步骤S3所述采用纵横交叉算法对目标函数进行优化求解，具体参数见表3：

表3纵横交叉算法参数及其含义

包括以下步骤：

S4.1：输入***原始数据，包括各个时段负荷、风力发电、光伏发电的预测平均值，风光负荷的隶属度参数和目标函数的隶属度函数；

S4.2：确定各个时段到达的电动汽车的总需求电量，根据该时段电动汽车的停留时长确定该时段的电动汽车最大最小平均充电功率；

S4.3：初始化种群：

元素为第t个时段到达充电站的汽车平均充放电功率；元素为第t个时段的负荷初始值；元素为第N_s个光伏电站在时段t的输出有功；元素为第N_w个风电场在时段t的有功功率；风光发电的有功输出功率和负荷大小应在对应的[P_w1,P_w4]范围内初始化；

S4.4：设定迭代次数k＝1；

S4.5：计算每个父代粒子对应的等效负荷方差的隶属度及各个风电场、光伏电站及负荷在每个时段的隶属度，并求出满意度指标λ；

S4.6：计算p_best，g_best；

S4.7：若k＞k_max，计算结束；否则，进入步骤S4.8；

S4.8：执行CSO算法的横向交叉产生子代保存在中庸解矩阵MS_hc中；采用竞争算子获取横向交叉占优解并保存至DS_hc中；注意子代若超过上下限值以边界值取代；

S4.9：对DS_hc进行归一化操作，并进行纵向交叉产生子代，然后保存至中庸解矩阵MS_vc中；采用竞争算子获取纵向交叉占优解并保存至DS_vc中；

S4.10：令k＝k+1，转步骤S4.5。

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (10)

1.一种计及V2G功能的电动汽车与新能源的调度优化建模及算法，其特征在于，包括以下步骤：

S1：接受电网机组调度中心得出的***未来24小时负荷需求数据；接受风电场对风电出力大小的预测数据；接受光伏电站对光伏出力大小的预测数据；接受电动汽车的相关特性数据；

S2：考虑V2G功能的电动汽车和新能源优化调度建模及算法，构建电动汽车用户充电成本最低以及电网侧等效负荷方差最小为优化调度多目标函数；

S3：对目标函数进行模糊化处理转化为单目标优化函数，并且对优化模型进行降维处理；同时在考虑电动汽车充电需求约束、充电时间约束、电池约束、充电连续性约束的基础上，采用纵横交叉算法对目标函数进行优化求解。

2.根据权利要求1所述的一种计及V2G功能的电动汽车与新能源的调度优化建模及算法，其特征在于，步骤S2所述电网侧等效负荷方差最小为目标函数如下式：

式中：T为调度周期内的时段数；N_w、N_S、N_EV分别为风电、光伏电站以及电动汽车的数量；为t时段第j个风电机组的有功出力；为t时段各光伏电站的有功出力；P_t ^L为t时段的常规负荷功率；为t时段第r辆电动汽车的充电功率；为t时段第r辆电动汽车的放电功率；P_av为调度周期内的等效负荷平均值。

3.根据权利要求1所述的一种计及V2G功能的电动汽车与新能源的调度优化建模及算法，其特征在于，步骤S2所述的以电动汽车充电成本最低为目标函数如下式：

式中：为车辆r在t时段获取的电量，正值为充电、负为放电；C_e(t)为t时段分时电价。

4.根据权利要求1所述的一种计及V2G功能的电动汽车与新能源的调度优化建模及算法，其特征在于，步骤S3所述对目标函数进行模糊化处理转化为单目标优化函数为避免对上述复杂多目标问题Pareto解集的求解，引入模糊化的概念，以隶属度大小来反映决策者对目标值的满意程度，然后用最大模糊满意度法将***优化目标和用户充电成本最低转化为单目标优化问题；选用降半直线型作为隶属度，如下式：

式中：μ(f_a)为等效负荷方差目标函数隶属度函数；μ(f_b)为电动汽车充电成本隶属度函数；f_a2和f_b2为最大可接受等效负荷方差和充电成本，可根据优化前的结果确定；f_a1和f_b1为对应目标函数的期望值，可由单一目标函数极值确定；

依据模糊集理论的最大最小法则，设λ为满意度，为所有隶属度函数的最小值。可转化为满足所有约束条件的最大化问题，即maxλ问题，数学描述如下：

μ(Load)＝min{μ(Load₁),μ(Load₂),…,μ(Load_T)}

λ_j＝min{μ(f_a),μ(f_b),μ(WT1),μ(WT2),μ(PV),μ(Load)}

通过以上公式，目标函数转化为求取maxλ，将确定性目标函数的极值求解转化为模糊函数的满意度指标求解。

5.根据权利要求1所述的一种计及V2G功能的电动汽车与新能源的调度优化建模及算法，其特征在于，步骤S3所述优化模型降维处理包括以下步骤：

S3.1：采用蒙特卡洛模拟每个时间间隔到达的电动汽车数量、每辆电动汽车的充电需求、预计停留时长以及各自的充电紧急度指标值；

S3.2：计算各时段到达的电动汽车总充电需求电量；设同一时段的电动汽车的充电时长为整数个时间间隔，目的是尽可能保持充电功率的稳定性；根据总充电需求以及预计停留时长算出本时段电动汽车平均充电功率上下限；

S3.3：通过以上两个步骤，粒子设置为24维；维度的定义为：假设第d维代表第d个时段到达的电动汽车的参数，其具体数值代表该时段的电动汽车的平均充放电功率，其满足相应的上下限约束；

S3.4：根据粒子每一维度确立充电功率值。

6.根据权利要求1所述的一种计及V2G功能的电动汽车与新能源的调度优化建模及算法，其特征在于，步骤S3所述电动汽车充电需求约束即电动汽车应满足用户的基本用车需求，即电动汽车停止充电时的荷电状态，state of charge,SOC要达到用户要求，第n辆车的约束表达式如下：

式中：为第n辆电动汽车接入充电站的时刻；为第n辆电动汽车离开充电站的时刻；为第n辆电动汽车的充电效率，取值在0～1之间；为第n辆电动汽车进入充电站时电池的状态；为第n辆电动汽车离开充电站时的电池状态；为第n辆电动汽车电池的总电量。

7.根据权利要求1所述的一种计及V2G功能的电动汽车与新能源的调度优化建模及算法，其特征在于，步骤S3所述充电时间约束指电动汽车的充放电时间应该在到达充电站与下次拟出发时段中间完成，即：

t_act∈[T_arrive+1,T_arrive+T_stay-T_{ch_dch}]

式中：t_act为充放电行为发生时刻；T_arrive为电动汽车到达充电站时刻；T_stay为电动汽车预计停留时长；T_{ch_dch}为电动汽车需要的充放电时间。

8.根据权利要求1所述的一种计及V2G功能的电动汽车与新能源的调度优化建模及算法，其特征在于，步骤S3所述电动汽车电池约束为降低对电池的损害，需对电动汽车的充放电功率进行约束；其中下式分别表示电动汽车实际充放电功率和电动汽车实时荷电状态约束；

SOC_min≤SOC≤SOC_max

式中：为第n辆电动汽车最大允许充放电功率；SOC_min为电动汽车允许的最小SOC值；SOC_max为电动汽车池允许的最大SOC值。

9.根据权利要求1所述的一种计及V2G功能的电动汽车与新能源的调度优化建模及算法，其特征在于，步骤S3所述电动汽车充电连续性约束为为保证电动汽车电池的寿命，需要保证电池的充放电行为一次性完成；设在时段t_i第j辆电动汽车的充电状态，t_i＝0表示未充电，t_i＝1表示充电：

式中：表示第j辆电动汽车的起始充电时刻。

10.根据权利要求1所述的一种计及V2G功能的电动汽车与新能源的调度优化建模及算法，其特征在于，步骤S3所述采用纵横交叉算法对目标函数进行优化求解包括以下步骤：

S4.1：输入***原始数据，包括各个时段负荷、风力发电、光伏发电的预测平均值，风光负荷的隶属度参数和目标函数的隶属度函数；

S4.2：确定各个时段到达的电动汽车的总需求电量，根据该时段电动汽车的停留时长确定该时段的电动汽车最大最小平均充电功率；

S4.3：初始化种群：

元素为第t个时段到达充电站的汽车平均充放电功率；元素为第t个时段的负荷初始值；元素为第N_s个光伏电站在时段t的输出有功；元素为第N_w个风电场在时段t的有功功率；风光发电的有功输出功率和负荷大小应在对应的[P_w1,P_w4]范围内初始化；

S4.4：设定迭代次数k＝1；

S4.5：计算每个父代粒子对应的等效负荷方差的隶属度及各个风电场、光伏电站及负荷在每个时段的隶属度，并求出满意度指标λ；

S4.6：计算p_best，g_best；

S4.7：若k＞k_max，计算结束；否则，进入步骤S4.8；

S4.8：执行CSO算法的横向交叉产生子代保存在中庸解矩阵MS_hc中；采用竞争算子获取横向交叉占优解并保存至DS_hc中；注意子代若超过上下限值以边界值取代；

S4.9：对DS_hc进行归一化操作，并进行纵向交叉产生子代，然后保存至中庸解矩阵MS_vc中；采用竞争算子获取纵向交叉占优解并保存至DS_vc中；

S4.10：令k＝k+1，转步骤S4.5。