CN112865149B - 一种基于代理商与区域分时电价的车网多时空互动方法 - Google Patents
一种基于代理商与区域分时电价的车网多时空互动方法 Download PDFInfo
- Publication number
- CN112865149B CN112865149B CN202011630226.1A CN202011630226A CN112865149B CN 112865149 B CN112865149 B CN 112865149B CN 202011630226 A CN202011630226 A CN 202011630226A CN 112865149 B CN112865149 B CN 112865149B
- Authority
- CN
- China
- Prior art keywords
- discharge
- charge
- battery
- time
- peak
- 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.)
- Active
Links
- 230000005611 electricity Effects 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000003993 interaction Effects 0.000 title claims abstract description 15
- 238000007599 discharging Methods 0.000 claims abstract description 44
- 238000005457 optimization Methods 0.000 claims abstract description 17
- 230000002068 genetic effect Effects 0.000 claims abstract description 6
- 230000000694 effects Effects 0.000 claims abstract description 5
- 230000006399 behavior Effects 0.000 claims description 19
- 230000035772 mutation Effects 0.000 claims description 4
- 230000006978 adaptation Effects 0.000 claims description 2
- 210000000349 chromosome Anatomy 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims description 2
- 238000010353 genetic engineering Methods 0.000 claims description 2
- 230000014759 maintenance of location Effects 0.000 claims description 2
- 230000033001 locomotion Effects 0.000 abstract description 6
- 238000004088 simulation Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 4
- 238000004146 energy storage Methods 0.000 description 2
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000022131 cell cycle Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000029305 taxis Effects 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/28—Arrangements for balancing of the load in a network by storage of energy
- H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
- H02J3/322—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means the battery being on-board an electric or hybrid vehicle, e.g. vehicle to grid arrangements [V2G], power aggregation, use of the battery for network load balancing, coordinated or cooperative battery charging
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [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
-
- 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
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
一种基于代理商与区域分时电价的车网多时空互动方法,包括:面向电动汽车用户,基于不同放电深度下电池的循环寿命,构建电池充放单位能量的经济成本损耗模型;面向代理商,基于电池充放单位能量的经济成本损耗模型,以电动汽车充放电收益与配电网所给予的补贴最大为目标,构建电动汽车充放电调度模型;面向配电网,基于电动汽车充放电调度模型,以城市内各区域配电网负荷峰谷差改善效果最优为目标,构建内嵌电动汽车充放电调度的区域分时电价峰谷时段优化模型;基于改进的遗传算法求解内嵌电动汽车充放电调度的区域分时电价峰谷时段优化模型。本发明充分利用了电动汽车的时空移动特性,平衡了负荷水平,使得电网能量通过EV进行多时空互动。
Description
技术领域
本发明涉及一种车网多时空互动方法。特别是涉及一种基于代理商与区域分时电价的车网多时空互动方法。
背景技术
在化石能源枯竭与全球变暖问题日趋严重的背景下,越来越多的人开始提倡低碳生活,电动汽车(electric vehicle,EV)因其节能减排的特性在世界范围内快速发展。而私家车更是未来EV普及的主要对象,作为一种新兴的需求侧负荷,若不对EV充电行为进行有序引导,其在时间与空间上的高随机性充电行为将对电力***的运行和规划造成巨大影响。城市电网负荷具有多时空不平衡特征,同区域内不同时间的负荷有高有低,不同区域间同时刻的负荷可能存在一定的互补特性。V2G(Vehicle-to-Grid)技术的不断发展,为充分利用EV的移动储能特性来均衡城市电网不同时间与不同区域间负荷的研究奠定了基础。因而,基于V2G技术的电动汽车-配电网多时空互动方法是亟待开展的研究。
针对私家车慢充,如何应用协调充电与V2G技术来平衡城市电网能量的问题需要从时间与空间两个维度考虑。目前,国内外学者针对慢充的有序充放电引导主要考虑时间维度,在空间维度上,当前研究主要针对快充。而实际上,电动私家车停留时间长,行驶时间短,且其出行较规律,其充放电行为在时间与空间上较之出租车等公共车辆有更大的调节空间。
此外,电池损耗问题是EV用户在参与V2G时比较关心的问题,当前针对EV电池损耗的研究大多依据电池的循环寿命曲线建立电池损耗模型并将损耗成本进行平均化,而未考虑在不同放电深度下其进行单位能量的交换所引起的损耗成本是不同的。
发明内容
本发明所要解决的技术问题是,提供一种能够解决城市中同区域不同时刻以及不同区域同时刻的配电网负荷不平衡问题的基于代理商与区域分时电价的车网多时空互动方法。
本发明所采用的技术方案是:一种基于代理商与区域分时电价的车网多时空互动方法,包括如下步骤:
1)面向电动汽车用户,基于不同放电深度下电池的循环寿命,构建电池充放单位能量的经济成本损耗模型;
2)面向代理商,基于电池充放单位能量的经济成本损耗模型,以电动汽车充放电收益与配电网所给予的补贴最大为目标,构建电动汽车充放电调度模型;
3)面向配电网,基于电动汽车充放电调度模型,以城市内各区域配电网负荷峰谷差改善效果最优为目标,构建内嵌电动汽车充放电调度的区域分时电价峰谷时段优化模型;
4)基于改进的遗传算法求解内嵌电动汽车充放电调度的区域分时电价峰谷时段优化模型。
本发明的一种基于代理商与区域分时电价的车网多时空互动方法,充分利用了电动汽车的时空移动特性,平衡了负荷水平。本发明针对私家车慢充,分别在时间维度上与空间维度上进行充放电调度。通过调度EV的充电时段解决同一区域内电网负荷在时间上的不平衡问题。而在空间维度上的调度并非像针对快充那样去调度车辆位置(慢充充电时间长,改变出行计划将导致车主等待过长或弃车),而是顺应慢充车辆的出行计划,充分利用其移动储能特性,应用V2G技术,将A区域电网某一时刻的能量通过EV的移动搬移至B区域另一时刻,以此平衡城市电网内不同时间以及不同区域间的负荷不平衡问题,使得电网能量通过EV进行多时空互动。
附图说明
图1是本发明基于改进的遗传算法求解内嵌电动汽车充放电调度的区域分时电价峰谷时段优化模型的流程图;
图2是本发明实施例中电池在不同放电深度下充放单位能量的损耗成本;
图3a是本发明实施例中区域R1负荷曲线的仿真结果图;
图3b是本发明实施例中区域R2负荷曲线的仿真结果图
图3c是本发明实施例中区域B3负荷曲线的仿真结果图;
图3d是本发明实施例中区域B4负荷曲线的仿真结果图;
图3e是本发明实施例中区域W5负荷曲线的仿真结果图;
图3f是本发明实施例中区域W6负荷曲线的仿真结果图;
图3g是本发明实施例中区域W7负荷曲线的仿真结果图;
图3h是本发明实施例中区域W8负荷曲线的仿真结果图。
具体实施方式
下面结合实施例和附图对本发明的一种基于代理商与区域分时电价的车网多时空互动方法做出详细说明。
本发明的一种基于代理商与区域分时电价的车网多时空互动方法,包括如下步骤:
1)面向电动汽车用户,基于不同放电深度下电池的循环寿命,构建电池充放单位能量的经济成本损耗模型;
所述的电池充放单位能量的经济成本损耗模型,包括:不同的起止放电深度下,每进行一单位电量的充放电行为损耗的电池能量模型、电池容量每损耗1kWh时损失的经济成本模型以及电池每充进或者放出1kWh能量损失的经济成本模型;其中,
(1.1)所述每进行一单位电量的充放电行为损耗的电池能量模型为:
式中,ΔE:为一次充放电行为损耗的电池能量;E0为电池初始容量;Dini和为一次充放电行为前的放电深度和放电系数;Dfin和/>为一次充放电行为后的放电深度和放电系数,放电系数与电池循环寿命曲线有关;/>
ΔEw为每进行一单位电量的充放电行为损耗的电池能量模型;
(1.2)所述电池容量每损耗1kWh时损失的经济成本模型为:
式中,MLavg为电池容量每损耗1kWh时损失的经济成本模型;CBw为电池***格;CR为保有价值系数,表示电池退役后的价值占最初购买时价格的比例;0.8表示电池容量衰减到额定容量80%时退役;
(1.3)所述电池每充进或者放出1kWh能量损失的经济成本模型为:
MLw=ΔEwMLavg
式中,MLw为电池每充进或者放出1kWh能量损失的经济成本模型。
2)面向代理商,基于电池充放单位能量的经济成本损耗模型,以电动汽车充放电收益与配电网所给予的补贴最大为目标,构建电动汽车充放电调度模型;
所述的电动汽车充放电调度模型的目标函数为:
式中,Mpro为代理商从代理的所有电动汽车车主处获得的收益分成和配电网运营商给予代理商的补贴之和,α为代理商的抽成比例,k为第k辆车;Msub为配电网运营商给予代理商的补贴;K为电动汽车总数量;其中,
式中,为第k辆车一日内的充放电收益,Δt为时间间隔,Pdch为放电功率,ηdch为放电效率,Pch为充电功率,/>和/>分别为电动汽车k在j区域t时段的充电和放电状态,/>为1时,表示充电状态,为0时表示非充电状态,/>为1时,表示放电状态,为0时表示非放电状态,/>和/>分别为第j区域的t时段的充电和放电电价;J表示区域总数量,T表示一日内时段总数量;
所述的电动汽车充放电调度模型的约束条件包括电池荷电状态约束、电池充放电状态约束、用户出行需求荷电状态约束、放电门槛约束、配电网功率约束;其中,
(2.1)所述电池荷电状态约束为:
(2.2)所述电池充放电状态约束为:
(2.3)所述用户出行需求荷电状态约束为:
(2.4)所述放电门槛约束为:
其中,MGw为电动汽车电池通过充电获得1kWh电量后,又通过向电网放电失去1kWh的电量过程中,赚取的经济差价,为电池在起始荷电状态为s%、终止荷电状态为f%的充放电行为下,电池每充进或者放出1kWh的电量时损失的经济成本;
(2.5)所述配电网功率约束为:
其中,分别为区域j负荷上下限;/>为区域j时段t的原始负荷功率,Pch为充电功率,/>和/>分别为电动汽车k在j区域t时段的充电和放电状态,Pdch为放电功率,ηdch为放电效率,K为电动汽车总数量;
3)面向配电网,基于电动汽车充放电调度模型,以城市内各区域配电网负荷峰谷差改善效果最优为目标,构建内嵌电动汽车充放电调度的区域分时电价峰谷时段优化模型;
所述的内嵌电动汽车充放电调度的区域分时电价峰谷时段优化模型中的电价模型包括:
所述的内嵌电动汽车充放电调度的区域分时电价峰谷时段优化模型的目标函数为:
minz1=f1(T1,1,T1,2,T2,1,T2,2,…,Tj,1,Tj,2,…,TJ,1,TJ,2)
s.t.1≤Tj,1<Tj,2≤96
1≤j≤J
式中,z1为各区域电网叠加负荷的峰谷差之和;Tj,1为区域j分时电价峰时段起始时刻对应的子时段;Tj,2为区域j分时电价峰时段结束时刻对应的子时段;J为区域总数量。
4)基于改进的遗传算法求解内嵌电动汽车充放电调度的区域分时电价峰谷时段优化模型,具体求解流程见附图1,包括如下步骤:
(4.1)染色体编码与解码为:
采用实数编码;在确定每个区域的峰时电价时段区间所包含的时段时,以此区域j不包括电动汽车负荷的常规负荷最高点所在子时段Tcen为中心,将一日96个子时段分为两个区间[1,Tcen]与(Tcen,96]生成(0,1)区间内的两个小数Dj,1、Dj,2,分别确定中心点所在时段前后各占多少时段,以此确定峰时段的起始时段Tj,1和截止时段Tj,2;
(4.2)适应度函数值的计算为:
将每个个体的各区域包括电动汽车负荷的叠加负荷峰谷差之和与各区域不包括电动汽车负荷的常规负荷峰谷差之和相比较,以指数形式展示:
Gj=max{Pj,t|1≤t≤96}-min{Pj,t|1≤t≤96}
其中,Gj为区域j的一日内叠加负荷峰谷差;Pj,t为区域j时段t的叠加负荷值;J为区域总数量;
(4.3)选择操作:
应用轮盘赌算法进行选择操作;
(4.4)交叉与遗传操作为:
对选择出的父本个体进行单点交叉遗传与变异,其中交叉与变异的概率采用改进的概率调整公式如下:
fmax为适应度值的最大值;fav为每代群体的平均适应度值;f'为当前操作个体的适应度值;Padu和Padl为概率调整的上下限;
(4.5)精英保留策略为:若前代最优个体比当代最差个体的适应度值高,则用前代最优个体替换当代最差个体;
(4.6)结束迭代判断为:当达到最大迭代次数时迭代结束。
下面给出具体实例:
仿真的区域共设有2000辆电动汽车(EV),假设所有EV的电池参数一致,其参数参照日产聆风EV的参数。设EV的锂电池容量E0=24kW·h,EV电池***格CBw为880元/kWh,设电池退役时的保有价值系数CR为0.4。电池循环次数曲线拟合系数a为2151,b为-2.301。每百公里耗电量为15kWh,其最大行驶里程为160km,充电功率Pch与放电功率Pdch相等且均为3kW,充电效率与放电效率相等且均为0.95,设EV的起始荷电状态符合N(0.51,0.18)的正态分布。仿真区域内共设有8个区域,包括两个居民区(R1,R2)、两个商业区(B3,,B4)、四个工作区(W5,W6,W7,W8)。考虑到用户行为的惯性,因此假设用户只选择一个商业区及一个工作区作为自己日常休闲和工作的地点,依据本文的三种出行结构,初始化所有电动私家车每日初始时均停留在居民区,第一段出行均为去往各自对应的工作区,部分车主下班后会到商业区或者下班回家进行短时停留后再去往商业区,晚上结束出行时均回家,此三种出行结构的比例为53.35%,24.1%,22.55%,各区域间行驶距离如表1所示。
表1:各区域间行驶距离
得到电池的经济成本矩阵Mw如图3所示,可以看出,随着电池放电深度的加深,EV电池充放单位能量时电池的经济损耗成本逐渐增加,一种是当起始放电深度不变时(如起始时放电深度为0),随着终止放电深度的加深(终止放电深度从0至1变化),EV电池充放单位能量的电池损耗成本增加;当起始放电深度与终止放电深度的差值不变时,随着起止放电深度的增加(如起止放电深度分别为0、0.1,以及起止放电深度分别为0.5、0.6)其充放单位能量的电池损耗成本增加。在本例中,依据放电门槛约束,当电池损耗成本大于0.235元/kWh时,对于EV车主来说参与V2G无法获得收益。
为了更好的体现区域电价引导EV进行有序充放电,充分利用EV时空移动的特性,本文对比分析统一分时电价进行充放电时各区域的叠加负荷情况以及由代理商聚合在一起的电动汽车群的收益情况,统一分时电价参考深圳市分时电价,峰谷时段设置如表2所示。
表2:统一分时电价峰谷时段
基于出行链方法生成EV的出行需求,分别在区域峰谷电价和统一峰谷电价情形下模拟一日内EV的充放电行为,得到如表3所示的一日内所有EV的经济效益情况及峰谷差改善情况数据和如图3a~图3h所示的各区域负荷曲线情况。在区域分时电价模式下,各区域电价优化结果如表4。
表3:经济效益仿真结果
表4:区域分时电价时段优化结果
从代理商代理的所有EV的经济效益来看,无论是在区域统一电价还是在差异化的区域分时电价下,EV车主通过V2G行为,有效利用低谷电价对EV进行充电,在高峰电价对EV进行放电,不仅能满足EV车主自身的日常驾驶需求,还能获得一定的额外收入。
从电网侧来看,采用区域分时电价,各区域叠加负荷较之常规负荷曲线,峰谷差平均降低22.51%,延缓了电网改造年限。通过图3a看出,在夜晚,EV一般停留在居民区,EV充分利用居民区的夜晚电网常规负荷低谷时段进行充电;清晨,EV车主陆续开着电量比较充裕的EV前往工作区去上班,因此居民区的充电负荷逐渐下降,当EV到达工作区时,恰好工作区处于常规负荷高峰时段,如4e可以进行放电,少部分到达工作区较早或者离开工作区时间较晚的车主的EV在工作区的谷电价时段充电补充电量;下班后,部分EV车主会开往休闲区,通过图3c可看出,在休闲区,优化结果给出电价峰时段较长且几乎没有安排车辆在此进行充放电,一方面原因是EV在工作区放出大量电量,此时电池电量较少,另一方面由于在本例中,EV车主从14点开始才陆续前往休闲区,而休闲区常规负荷约在12点出现常规负荷高峰,在此区域放电,不会减少其峰谷差而没有电网补贴。约从15点开始,EV陆续回到居民区,此时居民区仍处在谷电价,因此部分回归较早的EV可以先进行充电,到达峰电价时段时再进行放电。通过区域分时电价,充分利用EV的时空移动特性,实现能量在同区域、不同区域间的时间与空间上的搬移,实现电网公司、代理商和EV用户的多赢。
在各区域使用统一的峰谷电价时段情况下,设7:00-11:00,18:00-22:00为峰电价时段。根据图3a~图3h中统一电价叠加负荷曲线可以看出,只有居民类区域的叠加负荷曲线较之常规曲线的峰谷差有改善效果,对其它区域尤其工作区域,在常规负荷处在负荷电峰时电网电价反而处在低谷时段,此时EV充电增加电网压力,而且电网在付出高额的V2G购电费用反而没有改善负荷峰谷差。
上述实施例中的各个序号仅仅为了描述,不代表各部件的组装或使用过程中的先后顺序。
以上所述仅为本发明的实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (2)
1.一种基于代理商与区域分时电价的车网多时空互动方法,其特征在于,包括如下步骤:
1)面向电动汽车用户,基于不同放电深度下电池的循环寿命,构建电池充放单位能量的经济成本损耗模型;
所述的电池充放单位能量的经济成本损耗模型,包括:不同的起止放电深度下,每进行一单位电量的充放电行为损耗的电池能量模型、电池容量每损耗1kWh时损失的经济成本模型以及电池每充进或者放出1kWh能量损失的经济成本模型;其中,
(1.1)所述每进行一单位电量的充放电行为损耗的电池能量模型为:
式中,△E:为一次充放电行为损耗的电池能量;E0为电池初始容量;Dini和为一次充放电行为前的放电深度和放电系数;Dfin和/>为一次充放电行为后的放电深度和放电系数,放电系数与电池循环寿命曲线有关;
△Ew为每进行一单位电量的充放电行为损耗的电池能量模型;
(1.2)所述电池容量每损耗1kWh时损失的经济成本模型为:
式中,MLavg为电池容量每损耗1kWh时损失的经济成本模型;CBw为电池***格;CR为保有价值系数,表示电池退役后的价值占最初购买时价格的比例;0.8表示电池容量衰减到额定容量80%时退役;
(1.3)所述电池每充进或者放出1kWh能量损失的经济成本模型为:
MLw=△EwMLavg
式中,MLw为电池每充进或者放出1kWh能量损失的经济成本模型;
2)面向代理商,基于电池充放单位能量的经济成本损耗模型,以电动汽车充放电收益与配电网所给予的补贴最大为目标,构建电动汽车充放电调度模型;其中:
所述的电动汽车充放电调度模型的目标函数为:
式中,Mpro为代理商从代理的所有电动汽车车主处获得的收益分成和配电网运营商给予代理商的补贴之和,α为代理商的抽成比例,k为第k辆车;Msub为配电网运营商给予代理商的补贴;K为电动汽车总数量;其中,
式中,为第k辆车一日内的充放电收益,△t为时间间隔,Pdch为放电功率,ηdch为放电效率,Pch为充电功率,/>和/>分别为电动汽车k在j区域t时段的充电和放电状态,/>为1时,表示充电状态,为0时表示非充电状态,/>为1时,表示放电状态,为0时表示非放电状态,/>和/>分别为第j区域的t时段的充电和放电电价;J表示区域总数量,T表示一日内时段总数量;
所述的电动汽车充放电调度模型的约束条件包括电池荷电状态约束、电池充放电状态约束、用户出行需求荷电状态约束、放电门槛约束、配电网功率约束;其中,
(2.1)所述电池荷电状态约束为:
(2.2)所述电池充放电状态约束为:
(2.3)所述用户出行需求荷电状态约束为:
(2.4)所述放电门槛约束为:
其中,MGw为电动汽车电池通过充电获得1kWh电量后,又通过向电网放电失去1kWh的电量过程中,赚取的经济差价,为电池在起始荷电状态为s%、终止荷电状态为f%的充放电行为下,电池每充进或者放出1kWh的电量时损失的经济成本;
(2.5)所述配电网功率约束为:
其中,分别为区域j负荷上下限;/>为区域j时段t的原始负荷功率,Pch为充电功率,/>和/>分别为电动汽车k在j区域t时段的充电和放电状态,Pdch为放电功率,ηdch为放电效率,K为电动汽车总数量;
3)面向配电网,基于电动汽车充放电调度模型,以城市内各区域配电网负荷峰谷差改善效果最优为目标,构建内嵌电动汽车充放电调度的区域分时电价峰谷时段优化模型;其中:
所述的内嵌电动汽车充放电调度的区域分时电价峰谷时段优化模型中的电价模型包括:
所述的内嵌电动汽车充放电调度的区域分时电价峰谷时段优化模型的目标函数为:
minz1=f1(T1,1,T1,2,T2,1,T2,2,…,Tj,1,Tj,2,…,TJ,1,TJ,2)
s.t.1≤Tj,1<Tj,2≤96
1≤j≤J
式中,z1为各区域电网叠加负荷的峰谷差之和;Tj,1为区域j分时电价峰时段起始时刻对应的子时段;Tj,2为区域j分时电价峰时段结束时刻对应的子时段;J为区域总数量;
4)基于改进的遗传算法求解内嵌电动汽车充放电调度的区域分时电价峰谷时段优化模型。
2.根据权利要求1所述的一种基于代理商与区域分时电价的车网多时空互动方法,其特征在于,步骤4)所述的基于改进的遗传算法求解内嵌电动汽车充放电调度的区域分时电价峰谷时段优化模型,包括如下步骤:
(4.1)染色体编码与解码为:
采用实数编码;在确定每个区域的峰时电价时段区间所包含的时段时,以此区域j不包括电动汽车负荷的常规负荷最高点所在子时段Tcen为中心,将一日96个子时段分为两个区间[1,Tcen]与(Tcen,96]生成(0,1)区间内的两个小数Dj,1、Dj,2,分别确定中心点所在时段前后各占多少时段,以此确定峰时段的起始时段Tj,1和截止时段Tj,2;
(4.2)适应度函数值的计算为:
将每个个体的各区域包括电动汽车负荷的叠加负荷峰谷差之和与各区域不包括电动汽车负荷的常规负荷峰谷差之和相比较,以指数形式展示:
Gj=max{Pj,t|1≤t≤96}-min{Pj,t|1≤t≤96}
其中,Gj为区域j的一日内叠加负荷峰谷差;Pj,t为区域j时段t的叠加负荷值;J为区域总数量;
(4.3)选择操作:
应用轮盘赌算法进行选择操作;
(4.4)交叉与遗传操作为:
对选择出的父本个体进行单点交叉遗传与变异,其中交叉与变异的概率采用改进的概率调整公式如下:
fmax为适应度值的最大值;fav为每代群体的平均适应度值;f'为当前操作个体的适应度值;Padu和Padl为概率调整的上下限;
(4.5)精英保留策略为:若前代最优个体比当代最差个体的适应度值高,则用前代最优个体替换当代最差个体;
(4.6)结束迭代判断为:当达到最大迭代次数时迭代结束。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011630226.1A CN112865149B (zh) | 2020-12-31 | 2020-12-31 | 一种基于代理商与区域分时电价的车网多时空互动方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011630226.1A CN112865149B (zh) | 2020-12-31 | 2020-12-31 | 一种基于代理商与区域分时电价的车网多时空互动方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112865149A CN112865149A (zh) | 2021-05-28 |
CN112865149B true CN112865149B (zh) | 2023-06-06 |
Family
ID=75999826
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011630226.1A Active CN112865149B (zh) | 2020-12-31 | 2020-12-31 | 一种基于代理商与区域分时电价的车网多时空互动方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112865149B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113362148A (zh) * | 2021-06-02 | 2021-09-07 | 国网上海市电力公司 | 一种电动汽车及其代理商竞价方法 |
CN114626206B (zh) * | 2022-02-22 | 2023-02-10 | 南京理工大学 | 一种面向交直流配电网的电动汽车时空调度建模方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109886501A (zh) * | 2019-03-06 | 2019-06-14 | 昆明理工大学 | 一种电动汽车充放电多目标优化方法 |
CN110509788A (zh) * | 2019-08-21 | 2019-11-29 | 三峡大学 | 深化调峰的电动汽车群组合优化充放电方法 |
CN111619391A (zh) * | 2020-05-06 | 2020-09-04 | 三峡大学 | 基于合作博弈与动态分时电价的电动汽车有序充放电方法 |
-
2020
- 2020-12-31 CN CN202011630226.1A patent/CN112865149B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109886501A (zh) * | 2019-03-06 | 2019-06-14 | 昆明理工大学 | 一种电动汽车充放电多目标优化方法 |
CN110509788A (zh) * | 2019-08-21 | 2019-11-29 | 三峡大学 | 深化调峰的电动汽车群组合优化充放电方法 |
CN111619391A (zh) * | 2020-05-06 | 2020-09-04 | 三峡大学 | 基于合作博弈与动态分时电价的电动汽车有序充放电方法 |
Non-Patent Citations (2)
Title |
---|
A Practical Scheme to Involve Degradation Cost of Lithium-Ion Batteries in Vehicle-to-Grid Applications;Hossein Farzin等;《IEEE TRANSACTIONS ON SUSTAINABLE ENERGY》;第7卷(第4期);1730-1738 * |
含光伏发电***的电动汽车充电站多目标容量优化配置方法;陈征 等;《电工技术学报》;第28卷(第6期);238-248 * |
Also Published As
Publication number | Publication date |
---|---|
CN112865149A (zh) | 2021-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111626527B (zh) | 计及可调度电动汽车快/慢充放电形式的智能电网深度学习调度方法 | |
CN103793758A (zh) | 含光伏发电***的电动汽车充电站的多目标优化调度方法 | |
CN110733370B (zh) | 一种基于双层优化算法的电动汽车充电站有序充电方法 | |
Qian et al. | Economic optimization and potential analysis of fuel cell vehicle-to-grid (FCV2G) system with large-scale buildings | |
CN107104454A (zh) | 计及电动汽车功率可调控域的最优潮流节点电价计算方法 | |
CN110429596B (zh) | 计及电动汽车时空分布的配电网可靠性评估方法 | |
CN112865149B (zh) | 一种基于代理商与区域分时电价的车网多时空互动方法 | |
CN108320064A (zh) | 一种电动汽车与风电协同充电双层优化调度方法 | |
Murat et al. | Energy management for EV charging based on solar energy in an industrial microgrid | |
Guner et al. | Impact of car arrival/departure patterns on EV parking lot energy storage capacity | |
CN115239032B (zh) | 计及能源自洽率的高速公路服务区微电网规划方法及*** | |
Yu et al. | The impact of charging battery electric vehicles on the load profile in the presence of renewable energy | |
Salkuti | Energy storage and electric vehicles: technology, operation, challenges, and cost-benefit analysis | |
CN111682538B (zh) | 一种考虑时空特性的充电需求管理方法及*** | |
Hai-Ying et al. | Optimal control strategy of vehicle-to-grid for modifying the load curve based on discrete particle swarm algorithm | |
Sahoo et al. | A charging coordination strategy for seamless integration of plug-in electric vehicles into a distribution network | |
CN110861508B (zh) | 居民区直流充电机共享充电控制方法、***及存储介质 | |
CN105870922B (zh) | 一种引导私家电动车分群错时响应的低谷电价调控方法 | |
Shahinzadeh et al. | Reliable Operation of V2G-Equipped Parking Lots Based on Probabilistic Mobility Patterns of Plug-in Hybrid Electric Vehicles | |
Bonaiuto et al. | A Matlab Simulink model for the study of smart grid—Grid-integrated vehicles interactions | |
Jingwei et al. | Charging load forecasting for electric vehicles based on fuzzy inference | |
Wu et al. | Electric vehicle load characteristic analysis and impact of regional power grid | |
Kapoor et al. | Multi-objective framework for optimal scheduling of electric vehicles | |
CN112109580B (zh) | 一种电量自分配的微电网电动汽车充放电控制*** | |
Peng et al. | Dynamic-priority-based real-time charging management for plug-in electric vehicles in smart grid |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |