CN112785050A - 一种基于电动汽车充电负荷预测的有序充电调度方法 - Google Patents
一种基于电动汽车充电负荷预测的有序充电调度方法 Download PDFInfo
- Publication number
- CN112785050A CN112785050A CN202110039508.2A CN202110039508A CN112785050A CN 112785050 A CN112785050 A CN 112785050A CN 202110039508 A CN202110039508 A CN 202110039508A CN 112785050 A CN112785050 A CN 112785050A
- Authority
- CN
- China
- Prior art keywords
- charging
- electric
- load
- ordered
- time
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000005457 optimization Methods 0.000 claims abstract description 25
- 238000005315 distribution function Methods 0.000 claims description 16
- 238000009826 distribution Methods 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 6
- 230000005611 electricity Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 2
- 230000002354 daily effect Effects 0.000 description 46
- 230000006399 behavior Effects 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 238000009472 formulation Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000029305 taxis Effects 0.000 description 2
- 238000009827 uniform distribution Methods 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Images
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Educational Administration (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
一种基于电动汽车充电负荷预测的有序充电调度方法,包括以下步骤:A)计算电动汽车充电时的初始荷电状态概率曲线,结合电动汽车的充电功率获得充电所需时长;B)获得电动汽车的日充电负荷曲线;C)以用户侧充电费用最小和电网侧负荷峰谷差最小为目标函数,建立片区内电动汽车有序充电优化模型;D)计算片区内电动汽车有序充电优化模型在约束条件下的目标函数最优解,作为充电调度方法。本发明的实质性效果是:在详细研究各类电动汽车的充电负荷特性基础上,建立了电动汽车充电负荷预测模型。并以用户侧充电费用最小和电网侧负荷峰谷差最小为目标函数,建立片区内电动汽车有序充电优化模型,求解目标函数即为最优有序充电调度方法。
Description
技术领域
本发明涉及本发明涉及充电调度领域,具体涉及一种基于电动汽车充电负荷预测的有序充电调度方法。
背景技术
随着电动汽车的渗透率越来越高,电动汽车的充电负荷已逐渐成为区域电网内的重要负荷。由于电动汽车充电负荷在时间上和空间上的随机性,其接入电网必然会对电网产生一定的影响。针对电动汽车无序接入造成的电网负荷“峰上加峰”等现象,采用实时电价的制定激励充电行为,合理安排各个用户充电顺序,让电动汽车用户能够尽可能的在负荷低谷时段完成充电。
中国专利,公开号CN103915869B,授权公告日2016年4月27日,一种基于移动设备的电动汽车智能充电***及方法。属于电动汽车充电积极智能控制技术领域。该***包括电网管理中心、站级管理服务器、移动设备、充电设备和动力电池;站级管理服务器包括数据输入模块、数据处理模块、数据反馈模块和历史数据存储模块,用于计算求解并实现实时最优有序充电方案;并向充电设备和移动设备输出具体充电命令和反馈充电信息。所述方法通过局部最优的贪心算法求解实时最优有序充电方案,实现用户交互特性,并通过对用户数据和电网数据进行数据挖掘预测、对动力电池进行性能分析,从而给出电动汽车有序充电方案。但该发明不能消除电动汽车充电负荷在时间上的随机性,仍然会对电网产生一定的影响。
发明内容
本发明要解决的技术问题是:电动汽车充电负荷在时间上和空间上的随机性,在接入电网必然会对电网产生一定的影响。需要一种能适应不同片区电动车使用情况的电动车有序充电调度方法。
为解决上述技术问题,本发明所采取的技术方案为:一种基于电动汽车充电负荷预测的有序充电调度方法,包括以下步骤:A)通过统计获得电动汽车的日行驶里程的概率密度曲线和起始充电时间概率分布函数,计算电动汽车充电时的初始荷电状态概率曲线,结合电动汽车的充电功率获得充电所需时长;B)根据起始充电时间概率分布函数、初始荷电状态概率曲线以及充电功率,获得电动汽车的日充电负荷曲线;C)以用户侧充电费用最小和电网侧负荷峰谷差最小为目标函数,建立片区内电动汽车有序充电优化模型;D)计算片区内电动汽车有序充电优化模型在约束条件下的目标函数最优解,作为电动汽车充电负荷的充电调度方法。
本发明的有序充电调度方法首先根据电动汽车负荷特性的不同,将电动汽车分成电动私家车、电动出租车和电动公交车。在详细研究各类电动汽车的充电负荷特性基础上,建立了电动汽车充电负荷预测模型,通过计算得到各类电动汽车充电的日负荷曲线和总负荷曲线。以用户侧充电费用最小和电网侧负荷峰谷差最小为目标函数,建立片区内电动汽车有序充电优化模型,并求解目标函数得到有序充电调度方法的最优解。
作为优选,步骤A)中,分别统计并获得电动私家车、电动出租车以及电动公交车的日行驶里程的概率密度曲线和和起始充电时间概率分布函数;在步骤B)中,叠加电动私家车、电动出租车以及电动公交车的日充电负荷曲线,得出总的日充电负荷曲线。
作为优选,步骤B)中,获取电动私家车的日充电负荷曲线的方法包括:
电动私家车c的工作日日行驶里程概率密度函数为:
其中,x是行驶里程,单位为km,μD是lnx的期望值,σD是lnx的标准差,
电动私家车的非工作日日行驶里程概率密度函数为:
其中,λ是分布参数;
根据电动私家车c的日行驶里程概率密度函数,获得电动私家车充电时的荷电状态Qc=Q0-qc,Qc为开始充电时的荷电状态,Q0为上次充电结束时的荷电状态,qc为每公里耗电系数,充电时间tc=Qc/Pc,Pc为充电功率;
电动私家车c的起始充电时间概率分布函参数为:
其中,t为起始充电时刻,μt、σt是t的期望与标准差;
将一天划分为1440分钟,以分钟为单位计算每个分钟时刻th时电动私家车c的充电负荷:
进而获得电动私家车c日充电负荷离散值,进行拟合后获得电动私家车c的日充电负荷曲线。
电动汽车在自由条件下的充电负荷具有随机性。但电动私家车在工作日的日行驶里程数服从对数正态分布,对于非工作日,电动私家车的日行驶里程则近似服从指数分布,由此得到电动私家车在非工作日的日行驶里程的概率密度曲线。电动私家车的起始充电时间服从正态随机分布,可得出电动私家车的起始充电时间近似服从正态随机分布。
作为优选,步骤B)中,获取电动出租车的日充电负荷曲线的方法包括:
电动出租车e的工作日日行驶里程概率密度函数为:
其中,x是行驶里程,单位为km,μD是lnx的期望值,σD是lnx的标准差,
根据电动出租车e的日行驶里程概率密度函数,获得电动出租车e充电时的荷电状态Qe=Q0-qx,Qe为开始充电时的荷电状态,Q0为上次充电结束时的荷电状态,qe为每公里耗电系数,充电时间te=Qe/Pe,Pe为充电功率;
电动出租车e的起始充电时间概率分布函参数为:
其中,t为起始充电时刻,μt、σt是t的期望与标准差;
将一天划分为1440分钟,以分钟为单位计算每个分钟时刻th时电动出租车e的充电负荷:
进而获得电动出租车e日充电负荷离散值,进行拟合后获得电动出租车e的日充电负荷曲线。
电动出租车通常采用两班制运行,通过分析出租车的实际运营情况可知,电动出租车的日行驶里程根据实际情况的不同有所差异,但总体上近似呈正态分布。电动出租车每天需要充电两次,为了避开早晚高峰和减少非营运时间,起始充电时刻服从正态随机分布,。
作为优选,获取电动公交车b的日充电负荷曲线的方法包括:
电动公交车b的工作日日行驶里程概率密度函数为
fb(x)=[200,250]
将一天划分为1440分钟,电动公交车b的起始充电时间率密度函数为
fb(t)=[-90,360]
以分钟为单位计算每个分钟时刻th时电动公交车b的充电负荷:
Pb为充电功率,进而获得电动公交车b日充电负荷值,进行拟合后获得电动公交车b的日充电负荷曲线。
由于电动公交车的行驶路线基本固定,因此电动公交车的日行驶里程数较平均。尽管各条线路的长度存在差异,但日均行驶里程数基本服从均匀分布。电动公交车的营运时间比较固定,一般是白天营运,晚上进行集中充电,电池充满后必须能够满足一天的营运。电动公交车的起始充电时刻非运营时间中的任意时刻,且服从均匀分布。
作为优选,步骤C)中,建立片区内电动汽车有序充电优化模型的方法包括:
C1)以用户侧充电费用最小为目标建立第一充电模型;
C2)以电网侧峰谷差最小为目标建立第二充电模型;
C3)综合用户侧和电网侧两方面进行考虑,建立片区内电动汽车有序充电模型。
电动汽车的接入必然会对电网带来不可忽视的影响,并且如果让电动汽车自由无序的进行充电将会加剧电网负荷的峰谷差,并使配电网络潮流分布发生显著变化。本有序充电调度方法以电动车为研究目标,以用户侧充电费用最小和电网侧负荷峰谷差最小为目标函数,建立片区内电动汽车有序充电优化模型,并求解目标函数。
作为优选,步骤C1)中,建立第一充电模型的方法包括:
每隔时间间隔t记录下电网功率的变化,并根据采集的功率的变化信息对电价进行相应的调整;
以用户侧充电费用最小为目标建立第一充电模型,获取目标函数:
其中,Sj代表j时段电网电价,Pi代表着第i台车辆功率的大小,N表示片区内所拥有的电动私家车车辆总数,
xij的取值代表第i台片区内电车在j时段内是否有充电行为,若第i台片区内电车在j时段内有充电行为,则xij=1,若第i台片区内电车在j时段内无充电行为,则xij=0,
第i台车辆从开始充电到结束离开时所持续的时间可表示为Ti:
在用户侧以充电费用最小和电网侧负荷峰谷差最小为目标函数,建立第一充电模型。为了在本有序充电调度方法的最优解下,电动车用户需支付的电动车充电成本最小。
作为优选,步骤C2)中,建立第二充电模型的方法包括:
将电网的峰谷差作为电力***方面的优化目标,获得目标函数:
其中,Pmax为功率峰值,Pmin为功率谷值,P0为电网各时段的基础负荷。
针对电动汽车无序接入造成的电网负荷“峰上加峰”等现象,采用实时电价的制定激励充电行为,合理安排各个用户充电顺序,让电动汽车用户能够尽可能的在负荷低谷时段完成充电,使电网负荷的高峰值控制在一个相对低一点的范围内,使得在第二充电模型下的有序充电调度方法最优解下的电网状态整体波动的更加平稳。
作为优选,步骤C3)中,建立片区内电动汽车有序充电模型的方法包括:
将第一充电模型f1与第二充电模型f2进行归一化处理;
综合用户侧和电网侧的目标函数,建立片区内电动汽车有序充电模型,归一化后模型的目标函数为:
minf=α1f1+α2f2
其中,α1和α2分别代表第一充电模型f1与第二充电模型f2两个目标函数的权重系数。
综合用户侧和电网侧两方面进行考虑,结合第一充电模型与第二充电模型,建立片区内电动汽车有序充电模型。由于f1、f2两个目标函数的数量等级是不同的,不能进行数据相加减,所以需要对他们进行归一化,使之处于同一数量级。α1和α2代表两个目标函数的权重系数,他们各自反映了在这个优化模型中用户充电费用和电网负荷分别所占的比重是多少。
作为优选,步骤D)中,片区内电动汽车有序充电优化模型在约束条件包括:
日负荷方差约束:
其中,Pavg代表了一天中***的平均负荷,Pj代表了累加了所有在第j个时间段内充电的电动汽车负荷之后***的总负荷值,P0表示一天之内电网在各时段的基本负荷,M为一设定的初始值;
电动汽车充电电量约束:电动汽车电池SOC应不超过其容量上限,其约束条件为:
SOC0≤SOC期望≤100%
电池荷电状态SOC与充电时间段数的关系约束:
电池容量约束转化为段数约束:
其中,SOC期望表示期望荷电状态,SOc0表示初始荷电状态,n代表第i辆电动汽车可用充电段数,Ti表示每个时段时长,Qi表示第i辆电动汽车电池容量。
对于电网侧日负荷方差越小,***曲线越平滑,***网损越小。因此,必须限制电网的负荷波动情况。同时,电动汽车电池SOC应不超过其容量上限。在该约束条件下求解片区内电动汽车有序充电模型的最优解。
本发明的实质性效果是:本发明的有序充电调度方法在详细研究各类电动汽车的充电负荷特性基础上,建立了电动汽车充电负荷预测模型,通过计算得到各类电动汽车充电的日负荷曲线和总负荷曲线。并以用户侧充电费用最小和电网侧负荷峰谷差最小为目标函数,建立片区内电动汽车有序充电优化模型,并求解目标函数获得有序充电调度方法的最优解。
附图说明
图1为实施例一的有序充电调度方法的步骤流程图。
图2为实施例一的建立片区内电动汽车有序充电优化模型的流程图。
具体实施方式
下面通过具体实施例,并结合附图,对本发明的具体实施方式作进一步具体说明。
实施例一:
一种基于电动汽车充电负荷预测的有序充电调度方法,如图1所示,包括以下步骤:
A)通过统计获得电动汽车的日行驶里程的概率密度曲线和起始充电时间概率分布函数,计算电动汽车充电时的初始荷电状态概率曲线,结合电动汽车的充电功率获得充电所需时长。
分别统计并获得电动私家车、电动出租车以及电动公交车的日行驶里程的概率密度曲线和和起始充电时间概率分布函数。
B)根据起始充电时间概率分布函数、初始荷电状态概率曲线以及充电功率,获得电动汽车的日充电负荷曲线。
跟据不同用途电动汽车的特性分布函数和设定参数,采用蒙特卡罗法,对各用途电动汽车的日行驶里程、起始充电时间概率分布参数进行随机抽样,计算初始荷电状态和充电所需时长,进而计算得出各类型电动汽车的日充电负荷曲线,最后通过叠加各用途电动汽车的日充电负荷曲线得出总的日充电负荷曲线。
获取电动私家车的日充电负荷曲线的方法包括:
电动私家车c的工作日日行驶里程概率密度函数为:
其中,x是行驶里程,单位为km,μD是lnx的期望值,取值为3.2,σD是lnx的标准差,取值为0.88,
电动私家车的非工作日日行驶里程概率密度函数为:
其中,λ是分布参数;取参数λ=0.018,
根据电动私家车c的日行驶里程概率密度函数,获得电动私家车充电时的荷电状态Qe=Q0-qx,Qc为开始充电时的荷电状态,Q0为上次充电结束时的荷电状态,qc为每公里耗电系数,充电时间tc=Qc/Pc,Pc为充电功率;
在不失一般性的情况下进行统计分析可知,电动私家车c的起始充电时间概率分布函参数为:
其中,t为起始充电时刻,μt、σt是t的期望与标准差;
将一天划分为1440分钟,以分钟为单位计算每个分钟时刻th时电动私家车c的充电负荷:
如果将一天24小时划分为1440分钟,可得出私家车的起始充电时间近似服从N(1150,1002)的正态随机分布。
进而获得电动私家车c日充电负荷离散值,进行拟合后获得电动私家车c的日充电负荷曲线。
获取电动出租车的日充电负荷曲线的方法包括:
电动出租车通常采用两班制运行,日平均行驶里程为350-500km。
通过分析出租车的实际运营情况可知,电动出租车的日行驶里程根据实际情况的不同有所差异,但总体上近似呈正态分布。
电动出租车e的工作日日行驶里程概率密度函数为:
其中,x是行驶里程,单位为km,μD是lnx的期望值,σD是lnx的标准差,根据电动出租车e的日行驶里程概率密度函数,获得电动出租车e充电时的荷电状态Qe=Q0-qx,Qe为开始充电时的荷电状态,Q0为上次充电结束时的荷电状态,qe为每公里耗电系数,充电时间te=Qe/Pe,Pc为充电功率;
根据实际情况,将电动出租车的营运时段划分为0:00-14:00和14:00-24:00这两个时段进行考虑,每个时段充电一次。电动出租车在0:00-14:00时段的日行驶里程服从N(375,152)的正态随机分布,在14:00-24:00时段的日行驶里程服从N(350,152)的正态随机分布。
电动出租车每天需要充电两次,为了避开早晚高峰和减少非营运时间,可在白天14:00-16:00和夜间3:00-5:00进行充电。
电动出租车在0:00-14:00时段的起始充电时刻服从N(240,1002)的正态随机分布,在14:00-24:00时段的起始充电时刻服从N(900,1002)的正态随机分布。
电动出租车e的起始充电时间概率分布函参数为:
其中,t为起始充电时刻,μt、σt是t的期望与标准差;
将一天划分为1440分钟,以分钟为单位计算每个分钟时刻th时电动出租车e的充电负荷:
进而获得电动出租车e日充电负荷离散值,进行拟合后获得电动出租车e的日充电负荷曲线。
获取电动公交车b的日充电负荷曲线的方法包括:
由于电动公交车的行驶路线基本固定,因此电动公交车的日行驶里程数较平均。尽管各条线路的长度存在差异,但通过对实际营运公交车的调研可知,其日均行驶里程数基本在200km至250km之间。因此电动公交车的日行驶里程数服从均匀分布。
电动公交车b的工作日日行驶里程概率密度函数为
fb(x)=[200,250]
电动公交车的营运时间比较固定,一般是白天营运,晚上进行集中充电,电池充满后必须能够满足一天的营运。电动公交车的充电时间段为22:30-6:00,其起始充电时刻为该时间段内的任意时刻,且服从均匀分布。
将一天划分为1440分钟,电动公交车b的起始充电时间率密度函数为
fb(y)=[-90,360]
以分钟为单位计算每个分钟时刻th时电动出租车e的充电负荷:
进而获得电动公交车b日充电负荷值,进行拟合后获得电动公交车b的日充电负荷曲线。
假设某区域电动汽车总量为40000辆,且电动私家车、电动出租车和电动公交车的比例为4:1.5:1,则电动私家车共24615辆,电动出租车共9231辆,电动公交车共6154辆。叠加电动私家车、电动出租车以及电动公交车的日充电负荷曲线,得出总的日充电负荷曲线。
C)以用户侧充电费用最小和电网侧负荷峰谷差最小为目标函数,建立片区内电动汽车有序充电优化模型。
电动汽车的接入必然会对电网带来不可忽视的影响,并且如果让电动汽车自由无序的进行充电将会加剧电网负荷的峰谷差,并使配电网络潮流分布发生显著变化。本***以电动私家车为研究目标,以用户侧充电费用最小和电网侧负荷峰谷差最小为目标函数,建立片区内电动汽车有序充电优化模型,求解目标函数。
如图2所示,建立片区内电动汽车有序充电优化模型的方法包括:
C1)以用户侧充电费用最小为目标建立第一充电模型;
每隔时间间隔t记录下电网功率的变化,并根据采集的功率的变化信息对电价进行相应的调整;
以用户侧充电费用最小为目标建立第一充电模型,获取目标函数:
其中,Sj代表j时段电网电价,Pi代表着第i台车辆功率的大小,N表示片区内所拥有的电动私家车车辆总数,
xij的取值代表第i台片区内电车在j时段内是否有充电行为,若第i台片区内电车在j时段内有充电行为,则xij=1,若第i台片区内电车在j时段内无充电行为,则xij=0,
第i台车辆从开始充电到结束离开时所持续的时间可表示为Ti:
C2)以电网侧峰谷差最小为目标建立第二充电模型;
针对电动汽车无序接入造成的电网负荷“峰上加峰”等现象,采用实时电价的制定激励充电行为,合理安排各个用户充电顺序,让电动汽车用户能够尽可能的在负荷低谷时段完成充电,这样就能让电网负荷的高峰值控制在一个相对低一点的范围内,使得符合整体波动的更加平稳些。建立第二充电模型的方法包括:
将电网的峰谷差作为电力***方面的优化目标,获得目标函数:
其中,Pmax为功率峰值,Pmin为功率谷值,P0为电网各时段的基础负荷。
C3)综合用户侧和电网侧两方面进行考虑,建立片区内电动汽车有序充电模型。
建立片区内电动汽车有序充电模型的方法包括:
由于第一充电模型f1与第二充电模型f2两个目标函数的数量等级是不同的,不能进行数据相加减,所以需要对他们进行归一化,使之处于同一数量级。
将第一充电模型f1与第二充电模型f2进行归一化处理;
综合用户侧和电网侧的目标函数,建立片区内电动汽车有序充电模型,归一化后模型的目标函数为:
minf=α1f1+α2f2
其中,α1和α2分别代表第一充电模型f1与第二充电模型f2两个目标函数的权重系数。
D)计算片区内电动汽车有序充电优化模型在约束条件下的目标函数最优解,作为电动汽车充电负荷的充电调度方法。
片区内电动汽车有序充电优化模型在约束条件包括:
日负荷方差约束:
对于电网侧日负荷方差越小,***曲线越平滑,***网损越小。因此,必须限制电网的负荷波动情况。
其中,Pavg代表了一天中***的平均负荷,Pj代表了累加了所有在第j个时间段内充电的电动汽车负荷之后***的总负荷值,P0表示一天之内电网在各时段的基本负荷,M为一设定的初始值;
电动汽车充电电量约束:电动汽车电池SOC应不超过其容量上限,其约束条件为:
SOC0≤SOC期望≤100%
电池荷电状态SOC与充电时间段数的关系约束:
电池容量约束转化为段数约束:
其中,SOC期望表示期望荷电状态,SOC0表示初始荷电状态,n代表第i辆电动汽车可用充电段数,Ti表示每个时段时长,Qi表示第i辆电动汽车电池容量。
将计算出的片区内电动汽车有序充电优化模型在约束条件下的目标函数最优解,即可得到电动汽车充电负荷的充电调度方法。
以上所述的实施例只是本发明的一种较佳的方案,并非对本发明作任何形式上的限制,在不超出权利要求所记载的技术方案的前提下还有其它的变体及改型。
Claims (10)
1.一种基于电动汽车充电负荷预测的有序充电调度方法,包括以下步骤:
A)通过统计获得电动汽车的日行驶里程的概率密度曲线和起始充电时间概率分布函数,计算电动汽车充电时的初始荷电状态概率曲线,结合电动汽车的充电功率获得充电所需时长;
B)根据起始充电时间概率分布函数、初始荷电状态概率曲线以及充电功率,获得电动汽车的日充电负荷曲线;
C)以用户侧充电费用最小和电网侧负荷峰谷差最小为目标函数,建立片区内电动汽车有序充电优化模型;
D)计算片区内电动汽车有序充电优化模型在约束条件下的目标函数最优解,作为电动汽车充电负荷的充电调度方法。
2.根据权利要求1所述的一种基于电动汽车充电负荷预测的有序充电调度方法,其特征在于,
所述步骤A)中,分别统计并获得电动私家车、电动出租车以及电动公交车的日行驶里程的概率密度曲线和和起始充电时间概率分布函数;
在步骤B)中,叠加电动私家车、电动出租车以及电动公交车的日充电负荷曲线,得出总的日充电负荷曲线。
3.根据权利要求2所述的一种基于电动汽车充电负荷预测的有序充电调度方法,其特征在于,步骤B)中,获取电动私家车的日充电负荷曲线的方法包括:
电动私家车c的工作日日行驶里程概率密度函数为:
其中,x是行驶里程,单位为km,μD是lnx的期望值,σD是lnx的标准差,
电动私家车的非工作日日行驶里程概率密度函数为:
其中,λ是分布参数;
根据电动私家车c的日行驶里程概率密度函数,获得电动私家车充电时的荷电状态Qc=Q0-qx,Qc为开始充电时的荷电状态,Q0为上次充电结束时的荷电状态,qc为每公里耗电系数,充电时间tc=Qc/Pc,Pc为充电功率;
电动私家车c的起始充电时间概率分布函参数为:
其中,t为起始充电时刻,μt、σt是t的期望与标准差;
将一天划分为1440分钟,以分钟为单位计算每个分钟时刻th时电动私家车c的充电负荷:
进而获得电动私家车c日充电负荷离散值,进行拟合后获得电动私家车c的日充电负荷曲线。
4.根据权利要求2或3所述的一种基于电动汽车充电负荷预测的有序充电调度方法,其特征在于,步骤B)中,获取电动出租车的日充电负荷曲线的方法包括:
电动出租车e的工作日日行驶里程概率密度函数为:
其中,x是行驶里程,单位为km,μD是lnx的期望值,σD是lnx的标准差,
根据电动出租车e的日行驶里程概率密度函数,获得电动出租车e充电时的荷电状态Qe=Q0-qx,Qe为开始充电时的荷电状态,Q0为上次充电结束时的荷电状态,qe为每公里耗电系数,充电时间te=Qe/Pe,Pe为充电功率;
电动出租车e的起始充电时间概率分布函参数为:
其中,t为起始充电时刻,μt、σt是t的期望与标准差;
将一天划分为1440分钟,以分钟为单位计算每个分钟时刻th时电动出租车e的充电负荷:
进而获得电动出租车e日充电负荷离散值,进行拟合后获得电动出租车e的日充电负荷曲线。
6.根据权利要求1或2所述的一种基于电动汽车充电负荷预测的有序充电调度方法,其特征在于,步骤C)中,建立片区内电动汽车有序充电优化模型的方法包括:
C1)以用户侧充电费用最小为目标建立第一充电模型;
C2)以电网侧峰谷差最小为目标建立第二充电模型;
C3)综合用户侧和电网侧两方面进行考虑,建立片区内电动汽车有序充电模型。
7.根据权利要求6所述的一种基于电动汽车充电负荷预测的有序充电调度方法,其特征在于,步骤C1)中,建立第一充电模型的方法包括:
每隔时间间隔t记录下电网功率的变化,并根据采集的功率的变化信息对电价进行相应的调整;
以用户侧充电费用最小为目标建立第一充电模型,获取目标函数:
其中,Sj代表j时段电网电价,Pi代表着第i台车辆功率的大小,N表示片区内所拥有的电动私家车车辆总数,
xij的取值代表第i台片区内电车在j时段内是否有充电行为,若第i台片区内电车在j时段内有充电行为,则xij=1,若第i台片区内电车在j时段内无充电行为,则xij=0,
第i台车辆从开始充电到结束离开时所持续的时间可表示为Ti:
9.根据权利要求6所述的一种基于电动汽车充电负荷预测的有序充电调度方法,其特征在于,步骤C3)中,建立片区内电动汽车有序充电模型的方法包括:
将第一充电模型f1与第二充电模型f2进行归一化处理;
综合用户侧和电网侧的目标函数,建立片区内电动汽车有序充电模型,归一化后模型的目标函数为:
minf=α1f1+α2f2
其中,α1和α2分别代表第一充电模型f1与第二充电模型f2两个目标函数的权重系数。
10.根据权利要求1所述的一种基于电动汽车充电负荷预测的有序充电调度方法,其特征在于,步骤D)中,片区内电动汽车有序充电优化模型在约束条件包括:
日负荷方差约束:
其中,Pavg代表了一天中***的平均负荷,Pj代表了累加了所有在第j个时间段内充电的电动汽车负荷之后***的总负荷值,P0表示一天之内电网在各时段的基本负荷,M为一设定的初始值;
电动汽车充电电量约束:电动汽车电池SOC应不超过其容量上限,其约束条件为:
SOC0≤SOC期望≤100%
电池荷电状态SOC与充电时间段数的关系约束:
电池容量约束转化为段数约束:
其中,SOC期望表示期望荷电状态,SOC0表示初始荷电状态,n代表第i辆电动汽车可用充电段数,Ti表示每个时段时长,Qi表示第i辆电动汽车电池容量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110039508.2A CN112785050A (zh) | 2021-01-12 | 2021-01-12 | 一种基于电动汽车充电负荷预测的有序充电调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110039508.2A CN112785050A (zh) | 2021-01-12 | 2021-01-12 | 一种基于电动汽车充电负荷预测的有序充电调度方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112785050A true CN112785050A (zh) | 2021-05-11 |
Family
ID=75757072
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110039508.2A Pending CN112785050A (zh) | 2021-01-12 | 2021-01-12 | 一种基于电动汽车充电负荷预测的有序充电调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112785050A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113268815A (zh) * | 2021-06-24 | 2021-08-17 | 南方电网科学研究院有限责任公司 | 一种配电网双层规划方法、装置、设备和存储介质 |
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 |
CN113807647A (zh) * | 2021-07-28 | 2021-12-17 | 合肥工业大学 | 基于云边协同的电动汽车充电调度方法和*** |
CN114274800A (zh) * | 2021-12-31 | 2022-04-05 | 同济大学 | 一种营运电动汽车群体聚合充电行为预测方法及相关装置 |
CN114580789A (zh) * | 2022-04-08 | 2022-06-03 | 东南大学 | 一种基于充电行为的多类型电动汽车负荷预测方法及*** |
CN114626207A (zh) * | 2022-02-24 | 2022-06-14 | 四川大学 | 一种构建面向工业负荷的谐波发射水平的通用模型的方法 |
CN117856270A (zh) * | 2023-11-24 | 2024-04-09 | 国网湖北省电力有限公司宜昌供电公司 | 一种基于分时电价的区域电动汽车优化调度方法 |
CN117993581A (zh) * | 2024-04-07 | 2024-05-07 | 国网湖北省电力有限公司电力科学研究院 | 一种考虑天气影响的电动汽车充电负荷预测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108944531A (zh) * | 2018-07-24 | 2018-12-07 | 河海大学常州校区 | 一种电动汽车有序充电控制方法 |
CN110570014A (zh) * | 2019-08-07 | 2019-12-13 | 浙江大学 | 一种基于蒙特卡洛和深度学习的电动汽车充电负荷预测方法 |
CN110968915A (zh) * | 2019-12-02 | 2020-04-07 | 国网浙江省电力有限公司绍兴供电公司 | 一种电动汽车充电负荷预测方法 |
CN111030096A (zh) * | 2019-12-06 | 2020-04-17 | 武汉理工大学 | 一种基于风光储联合发电***的发用电一体化调度方法 |
CN111762057A (zh) * | 2020-07-06 | 2020-10-13 | 上海电力大学 | 一种区域微网中v2g电动汽车智能充放电管理方法 |
-
2021
- 2021-01-12 CN CN202110039508.2A patent/CN112785050A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108944531A (zh) * | 2018-07-24 | 2018-12-07 | 河海大学常州校区 | 一种电动汽车有序充电控制方法 |
CN110570014A (zh) * | 2019-08-07 | 2019-12-13 | 浙江大学 | 一种基于蒙特卡洛和深度学习的电动汽车充电负荷预测方法 |
CN110968915A (zh) * | 2019-12-02 | 2020-04-07 | 国网浙江省电力有限公司绍兴供电公司 | 一种电动汽车充电负荷预测方法 |
CN111030096A (zh) * | 2019-12-06 | 2020-04-17 | 武汉理工大学 | 一种基于风光储联合发电***的发用电一体化调度方法 |
CN111762057A (zh) * | 2020-07-06 | 2020-10-13 | 上海电力大学 | 一种区域微网中v2g电动汽车智能充放电管理方法 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113268815A (zh) * | 2021-06-24 | 2021-08-17 | 南方电网科学研究院有限责任公司 | 一种配电网双层规划方法、装置、设备和存储介质 |
CN113268815B (zh) * | 2021-06-24 | 2023-04-07 | 南方电网科学研究院有限责任公司 | 一种配电网双层规划方法、装置、设备和存储介质 |
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 |
CN113807647A (zh) * | 2021-07-28 | 2021-12-17 | 合肥工业大学 | 基于云边协同的电动汽车充电调度方法和*** |
CN114274800A (zh) * | 2021-12-31 | 2022-04-05 | 同济大学 | 一种营运电动汽车群体聚合充电行为预测方法及相关装置 |
CN114274800B (zh) * | 2021-12-31 | 2024-04-12 | 同济大学 | 一种营运电动汽车群体聚合充电行为预测方法及相关装置 |
CN114626207A (zh) * | 2022-02-24 | 2022-06-14 | 四川大学 | 一种构建面向工业负荷的谐波发射水平的通用模型的方法 |
CN114580789A (zh) * | 2022-04-08 | 2022-06-03 | 东南大学 | 一种基于充电行为的多类型电动汽车负荷预测方法及*** |
CN114580789B (zh) * | 2022-04-08 | 2024-05-03 | 东南大学 | 一种基于充电行为的多类型电动汽车负荷预测方法及*** |
CN117856270A (zh) * | 2023-11-24 | 2024-04-09 | 国网湖北省电力有限公司宜昌供电公司 | 一种基于分时电价的区域电动汽车优化调度方法 |
CN117993581A (zh) * | 2024-04-07 | 2024-05-07 | 国网湖北省电力有限公司电力科学研究院 | 一种考虑天气影响的电动汽车充电负荷预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112785050A (zh) | 一种基于电动汽车充电负荷预测的有序充电调度方法 | |
CN110570014B (zh) | 一种基于蒙特卡洛和深度学习的电动汽车充电负荷预测方法 | |
Pearre et al. | Electric vehicles: How much range is required for a day’s driving? | |
CN107521365B (zh) | 一种基于用户经济收益最优化的电动汽车充放电调度方法 | |
CN107169273A (zh) | 计及延时和v2g充电模式的电动汽车充电功率预测方法 | |
CN110968915A (zh) | 一种电动汽车充电负荷预测方法 | |
CN111391692B (zh) | 基于车舱温度全过程差异化控制的电动汽车集群有序充放电调度***及其方法 | |
CN110232219B (zh) | 一种基于数据挖掘的电动汽车可调度容量核定方法 | |
CN114926231A (zh) | 利用费用设定装置、利用费用设定方法、记录介质 | |
CN102938094A (zh) | 参与调频服务的电动汽车充电时序确定与服务车辆选择方法 | |
Agarwal et al. | Probabilistic estimation of aggregated power capacity of EVs for vehicle-to-grid application | |
CN114039372B (zh) | 参与电网分区削峰填谷的电动汽车车辆调度方法及*** | |
Poyrazoglu et al. | A stochastic value estimation tool for electric vehicle charging points | |
Grahn et al. | Plug-in-vehicle mobility and charging flexibility Markov model based on driving behavior | |
CN112613682A (zh) | 一种电动汽车充电负荷预测方法 | |
CN110861508B (zh) | 居民区直流充电机共享充电控制方法、***及存储介质 | |
CN117035357A (zh) | 一种电动出租车队在能源-交通中的充放电调度方法 | |
CN113428159A (zh) | 一种车辆能耗分析方法 | |
CN112508288A (zh) | 基于温控负荷预测的有序充电调度***及其方法 | |
Deng et al. | Demand modeling of a dc fast charging station | |
CN109827588A (zh) | 一种处理方法及电子设备 | |
CN115759779A (zh) | 电动汽车充换电站选址方法、电子设备及存储介质 | |
Wu et al. | Optimization methods for evaluating pev charging considering customer behavior | |
Van Roy et al. | Analysis of the optimal battery sizing for plug-in hybrid and battery electric vehicles on the power consumption and V2G availability | |
CN108944517B (zh) | 电动汽车在线充电方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210511 |