CN111652405B - 一种电动汽车充放电策略和电网侧分时电价的双层优化方法 - Google Patents

Abstract

本发明提供一种电动汽车充放电策略和电网侧分时电价的双层优化方法，上层模型的决策者为电动汽车用户，以充放电费用最小为目标，同时考虑了用户的行驶需求、缓解电池损耗的充放电次数约束等，对各时段的充放电策略进行优化；下层模型的决策者为电网，以社会福利最大化为目标，对峰、谷、平三种时段的分时电价进行优化。该方法通过在商业优化GAMS中建立双层模型并进行求解，同时得出了充放电策略与分时电价的最优决策，不仅能够有效地减少***的负荷峰谷差，也可以兼顾电动汽车用户效益与发电侧成本，同时反映了分时电价与电动汽车充放电行为之间的相互作用。

Description

一种电动汽车充放电策略和电网侧分时电价的双层优化方法

技术领域

本发明涉及电动汽车技术领域，特别是，涉及一种电动汽车充放电策略和电网侧分时电价的双层优化方法。

背景技术

电动汽车作为零污染、低能耗的代表，较传统燃油车相比，具有突出的环保优势。然而，由于电动汽车充电行为存在很大的随机性，大量电动汽车接入电网后的无序充电行为会对电力***的安全稳定运行造成巨大影响，如电动汽车充电负荷与***原始负荷的峰时段相重叠时，将使电网负荷峰谷差进一步加大，造成调峰困难。而随着电动汽车V2G(Vehicle-to-grid)技术的发展，电动汽车与电网可以实现能量、信息的双向互动，电网可以通过分时电价信号对电动汽车的充放电行为进行引导，使电动汽车车主自愿改变充放电时段，并利用电动汽车电池作为储能源，达到移峰填谷的效果。

目前大部分研究都集中在基于固定分时电价下的电动汽车充放电调度方法以及基于需求价格弹性的分时电价优化方法两个方面，然而这些方法并未考虑用户侧电动汽车充放电行为与电网侧分时电价两个因素的动态交互关系，在实际运行中无法使用户侧和电网侧两个主体的决策达到最优。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

因此，本发明要解决的技术问题在于克服现有技术中的下电动汽车充放电的分时电价无法优化调度的缺陷，从而提供一种电动汽车充放电策略和电网侧分时电价的双层优化方法。

为解决上述技术问题，本发明提供如下技术方案：一种电动汽车充放电策略和电网侧分时电价的双层优化方法，包括，

收集用户侧的基础数据和电网侧的机组数据；

基于模糊隶属函数进行分时电价时段划分；

对电动汽车用户出行概率密度抽样；

建立用户侧电动汽车充放电功率与电网侧分时电价的双层优化模型，并将将上述数据导入双层优化模型中；

求解出以充放电费最小且社会福利最大为目标的用户侧电动汽车充放电策略与电网侧分时电价。

作为本发明所述电动汽车充放电策略和电网侧分时电价的双层优化方法的一种优选方案，其中：所述用户侧基础参数包括电动汽车用户出行数据，电动汽车电池容量、最大充放电功率，居民的日负荷曲线以及固定电价；所述电网侧机组数据包括发电机组的装机容量、出力上下限、爬坡/滑坡限制。

作为本发明所述电动汽车充放电策略和电网侧分时电价的双层优化方法的一种优选方案，其中：基于模糊隶属函数对全天的24时段进行分时电价时段划分，包括对居民日负荷曲线进行峰谷平三种时段的划分，

分别取负荷曲线最高点和最低点；

基于偏大型半梯形隶属度函数和偏小型半梯形隶属度函数对某时段的负荷值计算峰隶属度和谷隶属度；

根据峰隶属度和谷隶属度的结果对峰谷时段进行划分，其余时段作为平时段。

作为本发明所述电动汽车充放电策略和电网侧分时电价的双层优化方法的一种优选方案，其中：对电动汽车用户在典型工作日的出行特性概率密度抽样，包括对电动汽车用户出行特性中的出行时间、结束时间以及单日出行里程进行概率密度函数拟合，计算出电动汽车用户的出行时段。

作为本发明所述电动汽车充放电策略和电网侧分时电价的双层优化方法的一种优选方案，其中：建立用户侧电动汽车充放电功率与电网侧分时电价的双层优化模型中，上层为电动汽车用户，其优化目标为在分时电价机制下的充放电费用最小：

其中，N为本区域内电动汽车的台数；T_f、T_g和T_p分别表示峰、谷、平三种负荷时段；λ_f、λ_g、λ_p分别表示峰、谷、平时段的电价；

表示电动汽车i在t时段的充电功率，为正值；

表示电动汽车i在t时段的放电功率，为负值。

作为本发明所述电动汽车充放电策略和电网侧分时电价的双层优化方法的一种优选方案，其中：所述上层约束条件包括可用容量约束、充放电电量平衡约束、充放电状态约束、充放电功率约束、不可调度时段约束、行驶需求约束、充放电次数限制。

作为本发明所述电动汽车充放电策略和电网侧分时电价的双层优化方法的一种优选方案，其中：下层模型为电网侧，其目标为社会福利最大化：

max C_inc-C_gen

其中，C_inc表示总体用户效用，C_gen表示发电成本：

其中，Lt为t时段的原始负荷；K为发电机组总数；

为发电机组k在t时段的输出功率，/>

表示发电机组k在t时段的发电成本函数，/>

a_k、b_k和c_k为发电成本函数的常数项、一次项和二次项系数；λ_c为原始固定电价。

作为本发明所述电动汽车充放电策略和电网侧分时电价的双层优化方法的一种优选方案，其中：下层约束条件包括发电机组上下限约束、发电机组爬坡/滑坡约束、峰谷平电价特性约束、峰谷电价比例约束、用户总用电费用约束。

作为本发明所述电动汽车充放电策略和电网侧分时电价的双层优化方法的一种优选方案，其中：基于GAMS框架实现双层优化模型的建模和优化求解，在GAMS框架下，建立的用户侧电动汽车充放电功率与电网侧分时电价双层模型用紧凑模型表示，其中，

上层的电动汽车用户侧充放电策略优化模型表示为：

式中，f_1(x,y)为分时电价机制下的充放电费用最小模型的目标函数，x为上层模型的决策变量，g_(x,y)为各个上层约束条件；

上层的电动汽车用户侧充放电策略优化模型表示为：

式中，f_2(x,y)下层电网侧模型以社会福利最大化为目标的目标函数，y为下层模型的决策变量，h_(x,y)为各个下层约束条件。

作为本发明所述电动汽车充放电策略和电网侧分时电价的双层优化方法的一种优选方案，其中：求解双层优化模型过程中，采用KKT最优化条件将双层模型转换成单层模型，引入拉格朗日乘子γ，将下层模型的约束条件和目标函数联系到一起，将双层模型转化为：

其中，l为下层模型中约束条件的个数；γ_j为第j个约束条件所对应的拉格朗日乘子；最后一行表示下层模型目标函数的拉格朗日函数L(x,y,γ)对决策变量y求偏导，其中拉格朗日函数L(x,y,γ)可写为：

然后通过调用GAMS/CPLEX求解器求得双层模型的最优解。

本发明的有益效果：本发明提供的电动汽车充放电策略和电网侧分时电价的双层优化方法，上层模型的决策者为电动汽车用户，以充放电费用最小为目标，同时考虑了用户的行驶需求、缓解电池损耗的充放电次数约束等，对各时段的充放电策略进行优化；下层模型的决策者为电网，以社会福利最大化为目标，对峰、谷、平三种时段的分时电价进行优化。该方法通过在商业优化GAMS中建立双层模型并进行求解，同时得出了充放电策略与分时电价的最优决策，不仅能够有效地减少***的负荷峰谷差，也可以兼顾电动汽车用户效益与发电侧成本，同时反映了分时电价与电动汽车充放电行为之间的相互作用。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：

图1为考虑用户侧电动汽车充放电策略和电网侧分时电价双层优化方法的总体框架示意图；

图2为用户典型工作日出行特征示意图；

图3为发明提供的电动汽车充放电策略和电网侧分时电价的双层优化方法的总体流程图；

图4为进行峰谷平电价时段划分时的负荷曲线图；

图5为进行峰谷平电价时段划分时的峰谷隶属度曲线图；

图6为电动汽车用户日行驶里程抽样情况示意图；

图7为电动汽车第一次出行时间抽样情况示意图；

图8为电动汽车用户第二次出行时间抽样情况示意图；

图9为分时电价优化结果图；

图10为分时电价优化前后的负荷曲线示意图；

图11为电动汽车充放电功率优化结果示意图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。

实施例1

在本实施例中，双层优化模型分为上下两层，其中上层模型的决策者为电动汽车用户，其优化目标为充放电费用最小，其决策变量为运行日各个时段的充电功率、放电功率、充电状态、放电状态、开始充电状态、结束充电状态以及荷电状态，同时考虑了电动汽车可用容量约束、充放电电量平衡约束、充放电状态约束、充放电功率约束、不可调度时段约束、行驶需求约束以及充放电次数限制约束；下层模型的决策者为电网，以社会福利最大化为目标，即总体用户效益最大和发电成本最小，其决策变量为峰、谷、平三种时段的分时电价以及发电机组功率，同时考虑了峰谷平电价特性约束、峰谷电价比例约束、用户总用电费用约束、发电机组上下限约束以及发电机组爬坡约束。在构建本实施例所述的用户侧电动汽车充放电策略与电网侧分时电价的双层优化模型前，还需要对电动汽车用户的出行概率特性密度进行抽样，以及对当日预测负荷曲线进行峰谷平的时段划分。整体框架如图2所示，各个步骤的具体描述如下：

(1)目标参数导入

具体包括电动汽车用户出行数据，电动汽车电池容量、最大充放电功率等基础参数，居民的日负荷曲线以及固定电价，以及发电机组的装机容量、出力上下限、爬坡/滑坡限制等机组数据。

(2)基于模糊隶属函数的峰谷平电价时段划分

基于模糊隶属函数对全天的24时段进行分时电价时段划分，具体包括对居民日负荷曲线进行峰谷平三种时段的划分，分别将负荷曲线最高点和最低点记为D_max和D_min，并基于偏大型半梯形隶属度函数F_(x)和偏小型半梯形隶属度函数G_(x)对t时段的负荷值D_t计算峰隶属度和谷隶属度：

峰隶属度和谷隶属度即为该负荷值处于峰、谷时段的可能性，根据其值的大小可进行峰谷时段的划分，剩余时段则为平时段。

(2)电动汽车用户出行概率密度抽样

对电动汽车用户在典型工作日的出行特性概率密度抽样，具体包括对电动汽车用户出行特性中的出行时间、结束时间以及单日出行里程进行概率密度函数拟合，并假设电动汽车在住宅与工作地点往返所行驶路程相等，则用户在典型工作日的出行特性可以描述如图3所示。

将用户在一天中第一次出行开始时刻和最后一次出行结束时刻近似表示为正态分布函数，并将其作为第一次以及最后一次充放电时段的结束时间和开始时间，则用户第一次出行时间的概率密度函数为：

其中，t_s为用户的出行时段；μ_s为期望值；σ_s为标准差。

用户最后一次行程结束时段的概率密度函数为：

其中，t_e为用户的返回时段；μ_e为期望值；σ_e为标准差。用户单日行驶里程概率密度函数：

其中，d为用户的单日行驶里程；μ_d为期望值；σ_d为标准差。按照上述出行时段、返回时段以及单日行驶里程的概率密度函数进行抽样，可计算出电动汽车用户到达工作地点的时段以及从工作地点出发回家的时段。

(3)用户侧电动汽车充放电功率与电网侧分时电价的双层优化模型建立

在双层优化模型中，上层为电动汽车用户，其优化目标为在分时电价机制下的充放电费用最小：

其中，N为本区域内电动汽车的台数；T_f、T_g和T_p分别表示峰、谷、平三种负荷时段；λ_f、λ_g、λ_p分别表示峰、谷、平时段的电价；

表示电动汽车i在t时段的充电功率，为正值；

表示电动汽车i在t时段的放电功率，为负值。约束条件有：

①可用容量约束

电动汽车的可用容量由荷电状态SOC表示，为剩余电量与总可用电量的百分比，受蓄电池SOC上下限约束：

其中，S_i,t为电动汽车i在t时段的SOC；

和/>

分别表示电动汽车i的蓄电池SOC上下限。

②充放电电量平衡约束

电动汽车的SOC与上一时段的充放电功率以及行驶耗电量有关：

其中，

和/>

分别为电动汽车i的充电/放电效率；/>

为电动汽车i在t时段的行驶百公里单位耗电量，单位为kW/100km；E_i为电动汽车i的电池容量；Δt表示每个时段的时长，单位为h。

③充放电状态约束

电动汽车在某一时段内的充电/放电状态是唯一的，即不能同时充放电。

其中，

和/>

分别为电动汽车i在t时段充电/放电状态的0-1变量，其值为1表示处于充/放电状态。

④充放电功率约束

电动汽车充放电功率受到最大充放电功率限制：

其中，P_i ^c,max和P_i ^d,max分别为电动汽车i的最大充/放电功率。

⑤不可调度时段约束

当电动汽车处于行驶时段时，电动汽车处于不可调度的状态：

其中，t_i,s1和t_i,s3分别为电动汽车i离开家和工作地点的时间；t_i,s2和t_i,s4分别为电动汽车i到达家和工作地点的时间。

⑥行驶需求约束

电动汽车在行驶时段开始前，要达到满足车主行驶需求的SOC，假设车主每天早晨离家前要达到SOC上限，每天下午从工作地点出发回家时要达到足够行驶到家的SOC。

⑦充放电次数限制

为延缓电池的充放电损耗，对每台电动汽车的充放电次数进行限制：

其中，

和/>

分别表示电动汽车i在t时段的充电和放电次数；/>

和/>

分别表示电动汽车i每天充电和放电的最大次数。

下层模型为电网侧，其目标为社会福利最大化：

max C_inc-C_gen (15)

其中，C_inc表示总体用户效用，C_gen表示发电成本：

其中，Lt为t时段的原始负荷；K为发电机组总数；

为发电机组k在t时段的输出功率，/>

表示发电机组k在t时段的发电成本函数，

a_k、b_k和c_k为发电成本函数的常数项、一次项和二次项系数；λ_c为原始固定电价。约束条件有：

①发电机组上下限约束

/>

其中，

和/>

分别为发电机组k的输出功率上限和下限。

②发电机组爬坡/滑坡约束

其中，

和/>

分别为发电机组k的爬坡功率限制和滑坡功率限制。

③峰谷平电价特性约束

为了保证实施分时电价后的负荷峰谷特性不发生变化，避免负荷的峰谷错位，峰、谷、平三种时段的电价应满足以下约束：

λ_f＞λ_p＞λ_g (20)

④峰谷电价比例约束

α^minλ_g≤λ_f≤α^maxλ_g (21)

其中，α^max和α^min分别为为限定峰、谷时段电价比设定的最大值和最小值，一般取α^min＝2，α^max＝5。

⑤用户总用电费用约束

实施分时电价后，用户在响应过程中改变了原有用电方式，牺牲了一定的用电舒适度。为了使用户积极参与分时电价响应，需要保证实施分时电价后用户总电费不增加：

其中，不等号左边表示在实施分时电价后用户需要支付的总电费，右边表示用户在固定电价下所要支付的总电费。

(4)基于GAMS框架的双层优化模型求解方法

本实施例是基于GAMS框架来实现双层优化模型的建模和优化求解，能够很好地反映上下两层之间相互变量的关系，最后实现均衡求解。在在GAMS框架下，建立的用户侧电动汽车充放电功率与电网侧分时电价双层模型可用紧凑模型表示为：

其中，式(23)表示上层的电动汽车用户侧充放电策略优化模型：f_1(x,y)为式(6)所表示的目标函数，x为上层模型的决策变量，即

g_(x,y)为式(7)-式(14)所表示的约束条件；式(24)表示下层的电网侧分时电价优化模型，f_2(x,y)为式(15)所表示的目标函数，y为下层模型的决策变量，即/>

h_(x,y)为式(18)-式(22)所表示的约束条件。双层模型中，在电动汽车用户侧进行决策时，其分时电价是电网侧决策后给定的；而电网侧进行决策时，电动汽车的充放电功率是用户侧决策后给定的，而双层模型同时求解，其上下层模型的目标函数相互影响，难以求解。本实施例采用KKT(Karush-Kuhn-Tucker,KKT)最优性条件将双层模型转化为单层模型再进行求解，其主要思想是引入一个新的参数γ(即拉格朗日乘子)，将下层模型的约束条件和目标函数联系到一起，得出原目标函数极值下各个变量的解，从而将下层模型转化为上层模型的约束。如式(23)和(24)的双层模型可转化为：

其中，l为下层模型中约束条件的个数；γ_j为第j个约束条件所对应的拉格朗日乘子；最后一行表示下层模型目标函数的拉格朗日函数L(x,y,γ)对决策变量y求偏导，其中拉格朗日函数L(x,y,γ)可写为：

此时，可通过调用GAMS/CPLEX求解器既可以求得双层模型的最优解，算法总体流程如图3所示。

本实施例基于GAMS框架采用了最优性KKT条件对用户侧电动汽车充放电策略与电网侧分时电价的双层优化问题进行求解，处理了复杂的混合整数非线性问题，使得双层模型中上下两层均可以通过最优性条件来得出最优解。

实施例2

本实施例以2019年9月3日某区域的实际数据为例，对电动汽车充放电策略和电网侧分时电价的双层优化方法具体实施作进一步的描述。

(1)基础数据导入

表1部分发电机组参数

表2电动汽车参数

/>

(2)基于模糊隶属函数的峰谷平电价时段划分

负荷曲线如图4所示，基于模糊隶属函数进行计算所得的峰、谷隶属度如图5所示。

由图5可以看出，10:00的负荷值峰隶属度最高，6:00的负荷谷隶属度最高，以0.5为基准值进行划分，最终对该天的负荷进行峰谷平电价时段划分的结果如表3所示，划分结果中，峰时段10个小时，平时段6个小时，谷时段8个小时。对比负荷曲线与峰谷平电价时段划分结果可以看出，当日负荷峰值和谷值分别处于所划分的峰电价和谷电价时段，说明基于模糊隶属函数的峰谷平时段划分方法可有效对峰谷时段进行划分。

表3峰谷平时段划分结果

峰电价时段(h)	9、10、11、12、19、20、21、22、23、24
		平电价时段(h)	13、14、15、16、17、18
谷电价时段(h)	1、2、3、4、5、6、7、8

(3)电动汽车用户出行概率密度抽样

对电动汽车的用户出行特性按照如本发明所述的概率密度函数进行抽样，结果如图6、图7以及所示，可以看出，抽样所得的日行驶里程以及用户出行时间服从相应的概率密度分布函数。

(4)用户侧电动汽车充放电功率与电网侧分时电价的双层优化方法求解结果。

双层优化所得的分时电价与单一固定电价如图9所示，由图9中可以看出，与单一固定电价相比，分时电价在峰谷平三种负荷时段的价格信号更加明显，能够对用户的用电行为进行引导。

分时电价优化前后的负荷曲线如图10所示，可以看到，负荷峰谷差由783.21MW减少到410.51MW，整体降低了48.35％，说明本发明所提方法能够有效降低负荷峰谷差，从而在一定程度上减少峰荷机组与备用的投资。

采用本发明所提方法后，电动汽车充放电功率如图11所示，可以看到，在负荷低谷时段由于电价较低，电动汽车的充电功率较高。在10:00-12:00与19:00-24:00这两个负荷高峰时段，电动汽车用户选择放电来获取收益，而在13:00-18:00这个负荷平时段，总体充电功率较低，这是由于部分电动汽车由于电量较低选择充电，其余电动汽车用户受到放电次数限制，选择不充电也不放电。

由图11可以看出，分时电价对电动汽车用户的充放电功率影响效果较为明显，能够引导用户在负荷低谷充电，负荷高峰放电，从而降低用户电费，也达到削峰填谷的效果。分时电价前后用户充放电费用对比如表4所示，可以看到，在本发明所提的双层优化方法下，用户的充放电费用减少了69.67％。

表4用户充放电费用对比

	充放电费用(元)
		优化前	155843.06
优化后	47276.16

由以上分析结果可知，本发明所提的方法，既可减少负荷峰谷差，达到削峰填谷的目的，又能平衡用户侧和电网侧的利益，从而也可以使此项措施能顺利执行。

应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (8)

1.一种电动汽车充放电策略和电网侧分时电价的双层优化方法，其特征在于：包括，

收集用户侧的基础数据和电网侧的机组数据；

基于模糊隶属函数进行分时电价时段划分；

对电动汽车用户出行概率密度抽样；将用户在一天中第一次出行开始时刻和最后一次出行结束时刻近似表示为正态分布函数，并将其作为第一次以及最后一次充放电时段的结束时间和开始时间，则用户第一次出行时间的概率密度函数为：

其中，t_s为用户的出行时段；μ_s为期望值；σ_s为标准差；

用户最后一次行程结束时段的概率密度函数为：

其中，t_e为用户的返回时段；μ_e为期望值；σ_e为标准差；

用户单日行驶里程概率密度函数：

其中，d为用户的单日行驶里程；μ_d为期望值；σ_d为标准差；按照上述出行时段、返回时段以及单日行驶里程的概率密度函数进行抽样，可计算出电动汽车用户到达工作地点的时段以及从工作地点出发回家的时段;

建立用户侧电动汽车充放电功率与电网侧分时电价的双层优化模型，上层为电动汽车用户，其优化目标为在分时电价机制下的充放电费用最小：

其中，N为本区域内电动汽车的台数；T_f、T_g和T_p分别表示峰、谷、平三种负荷时段；λ_f、λ_g、λ_p分别表示峰、谷、平时段的电价；

表示电动汽车i在t时段的充电功率，为正值；/>

表示电动汽车i在t时段的放电功率，为负值；

下层模型为电网侧，其目标为社会福利最大化：

maxC_inc-C_gen

其中，C_inc表示总体用户效用，C_gen表示发电成本：

/>

其中，Lt为t时段的原始负荷；K为发电机组总数；

为发电机组k在t时段的输出功率，

表示发电机组k在t时段的发电成本函数，/>

a_k、b_k和c_k为发电成本函数的常数项、一次项和二次项系数；λ_c为原始固定电价；并将上述数据导入双层优化模型中；

求解出以充放电费最小且社会福利最大为目标的用户侧电动汽车充放电策略与电网侧分时电价。

2.根据权利要求1所述的电动汽车充放电策略和电网侧分时电价的双层优化方法，其特征在于：所述用户侧的基础数据包括电动汽车用户出行数据，电动汽车电池容量、最大充放电功率，居民的日负荷曲线以及固定电价；所述电网侧的机组数据包括发电机组的装机容量、出力上下限、爬坡/滑坡限制。

3.根据权利要求1所述的电动汽车充放电策略和电网侧分时电价的双层优化方法，其特征在于：基于模糊隶属函数对全天的24时段进行分时电价时段划分，包括对居民日负荷曲线进行峰谷平三种时段的划分，

分别取负荷曲线最高点和最低点；

基于偏大型半梯形隶属度函数和偏小型半梯形隶属度函数对某时段的负荷值计算峰隶属度和谷隶属度；

根据峰隶属度和谷隶属度的结果对峰谷时段进行划分，其余时段作为平时段。

4.根据权利要求1所述的电动汽车充放电策略和电网侧分时电价的双层优化方法，其特征在于：对电动汽车用户在典型工作日的出行特性概率密度抽样，包括对电动汽车用户出行特性中的出行时间、结束时间以及单日出行里程进行概率密度函数拟合，计算出电动汽车用户的出行时段。

5.根据权利要求4所述的电动汽车充放电策略和电网侧分时电价的双层优化方法，其特征在于：上层约束条件包括可用容量约束、充放电电量平衡约束、充放电状态约束、充放电功率约束、不可调度时段约束、行驶需求约束、充放电次数限制。

6.根据权利要求5所述的电动汽车充放电策略和电网侧分时电价的双层优化方法，其特征在于：下层约束条件包括发电机组上下限约束、发电机组爬坡/滑坡约束、峰谷平电价特性约束、峰谷电价比例约束、用户总用电费用约束。

7.根据权利要求1-6任意一项所述的电动汽车充放电策略和电网侧分时电价的双层优化方法，其特征在于：基于GAMS框架实现双层优化模型的建模和优化求解，在GAMS框架下，建立的用户侧电动汽车充放电功率与电网侧分时电价双层模型用紧凑模型表示，其中，

上层的电动汽车用户侧充放电策略优化模型表示为：

式中，f_1(x,y)为分时电价机制下的充放电费用最小模型的目标函数，x为上层模型的决策变量，g_(x,y)为各个上层约束条件；

下层的电网侧分时电价优化模型表示为：

式中，f_2(x,y)下层电网侧模型以社会福利最大化为目标的目标函数，y为下层模型的决策变量，h_(x,y)为各个下层约束条件。

8.根据权利要求7所述的电动汽车充放电策略和电网侧分时电价的双层优化方法，其特征在于：求解双层优化模型过程中，采用KKT最优化条件将双层模型转换成单层模型，引入拉格朗日乘子γ，将下层模型的约束条件和目标函数联系到一起，将双层模型转化为：

其中，l为下层模型中约束条件的个数；γ_j为第j个约束条件所对应的拉格朗日乘子；最后一行表示下层模型目标函数的拉格朗日函数L(x,y,γ)对决策变量y求偏导，其中拉格朗日函数L(x,y,γ)可写为：

然后通过调用GAMS/CPLEX求解器求得双层模型的最优解。

Images