CN114662759A - 多主体双层博弈的规模化电动汽车充放电优化调度方法 - Google Patents
多主体双层博弈的规模化电动汽车充放电优化调度方法 Download PDFInfo
- Publication number
- CN114662759A CN114662759A CN202210295347.8A CN202210295347A CN114662759A CN 114662759 A CN114662759 A CN 114662759A CN 202210295347 A CN202210295347 A CN 202210295347A CN 114662759 A CN114662759 A CN 114662759A
- Authority
- CN
- China
- Prior art keywords
- electric
- electric vehicle
- strategy
- game
- aggregator
- 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.)
- Granted
Links
- 238000007599 discharging Methods 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000009826 distribution Methods 0.000 claims abstract description 104
- 230000005611 electricity Effects 0.000 claims abstract description 85
- 230000004044 response Effects 0.000 claims abstract description 75
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 27
- 238000005457 optimization Methods 0.000 claims abstract description 17
- 230000006641 stabilisation Effects 0.000 claims abstract description 5
- 238000011105 stabilization Methods 0.000 claims abstract description 5
- 230000008569 process Effects 0.000 claims description 26
- 230000000694 effects Effects 0.000 claims description 11
- 230000006399 behavior Effects 0.000 claims description 9
- 239000000126 substance Substances 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000015556 catabolic process Effects 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 3
- 238000006731 degradation reaction Methods 0.000 claims description 3
- 238000006116 polymerization reaction Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 230000002860 competitive effect Effects 0.000 claims description 2
- 238000004220 aggregation Methods 0.000 claims 1
- 230000002776 aggregation Effects 0.000 claims 1
- 230000008901 benefit Effects 0.000 abstract description 11
- 238000010586 diagram Methods 0.000 description 6
- 230000003993 interaction Effects 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000008846 dynamic interplay Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000009827 uniform distribution 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0206—Price or cost determination based on market factors
-
- 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)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Finance (AREA)
- Game Theory and Decision Science (AREA)
- Accounting & Taxation (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Educational Administration (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明公开了多主体双层博弈的规模化电动汽车充放电优化调度方法,具体按照以下步骤实施:基于logit协议构建电动汽车充放电调度的多策略集演化博弈模型,通过演化均衡求解算法得到电动汽车各时段的最优充放电功率;构建多电动汽车聚合商在电力市场中竞标购/售电价格的非合作博弈模型;用演化博弈论中的复制者动态描述配电网运营商向各聚合商分配需求响应时段响应电量的策略演化;提出联合求解演化博弈的演化均衡解和非合作博弈的纳什均衡解的方法,得到双层博弈模型三主体的最优稳定策略;本发明方法能够平衡配电网运营商、电动汽车聚合商与电动汽车用户三者之间的经济利益。
Description
技术领域
本发明属于充放电技术领域,具体涉及多主体双层博弈的规模化电动汽车充放电优化调度方法。
背景技术
随着售电侧的开放,为电动汽车(electric vehicle,EV)用户提供充放电引导服务的电动汽车聚合商(electric vehicle aggregator,EVA)逐渐成为电力市场需求侧的重要组成部分。通过整合庞大分散的EV充放电负荷,EVA拥有单个EV不具备的参与电力市场电能量竞价和向电网提供削峰填谷等辅助服务的能力。现实场景中,配电网运营商(distribution system operator,DSO)、EVA与EV用户作为不同利益主体,在各自决策过程中有不同的优化目标,各主体间形成复杂的利益博弈关系。现有基于博弈论的EV充放电优化调度或EVA竞价研究大多着眼于DSO、EVA与EV用户一方或两方间的博弈关系,如何兼顾三主体间多层博弈关系仍有待进一步研究。且很少有研究将EV充放电优化调度和EVA竞价作为电力市场中的一个联合求解问题,即没有考虑到两者在现实需求响应过程中的相互影响作用。
发明内容
本发明的目的是提供多主体双层博弈的规模化电动汽车充放电优化调度方法,解决了现有规模化电动汽车充放电调度中没完全考虑配电网运营商、电动汽车聚合商、电动汽车三主体间多层博弈关系,以及没有考虑到EV充放电优化调度和配电网运营商竞价在现实需求响应过程中的相互影响作用的问题。
本发明所采用的技术方案是,多主体双层博弈的规模化电动汽车充放电优化调度方法,具体按照以下步骤实施:
步骤1、基于logit协议构建电动汽车充放电调度的多策略集演化博弈模型,通过演化均衡求解算法得到电动汽车各时段的最优充放电功率;
步骤2、构建多电动汽车聚合商在电力市场中竞标购/售电价格的非合作博弈模型;
步骤3、用演化博弈论中的复制者动态描述配电网运营商向各聚合商分配需求响应时段响应电量的策略演化,得到配电网运营商分配电量的最优策略;
步骤4、提出联合求解演化博弈的演化均衡解和非合作博弈的纳什均衡解的方法,得到双层博弈模型三主体的最优稳定策略。
本发明的特点还在于:
步骤1具体过程为:
步骤1.1、电动汽车调度策略演化博弈的参与人为一个电动汽车聚合商管辖范围内出行行为相同的电动汽车种群;电动汽车在约束条件下随机产生N个策略,策略集为调度时段内各时段充放电功率向量的集合生成策略集Φ1,表征为:
其中,Sn为生成的第n个策略;Ph,n为第n个策略中h时段的充放电功率;Ph,n>0,表示电动汽车充电;Ph,n<0,表示电动汽车放电;
步骤1.2、随机生成电动汽车初始充放电电价,电动汽车种群在最大充放电功率约束、电池充放电等式约束、电池荷电状态动态约束、充电需求约束、调度时段约束条件下随机生成N个策略,随机生成初始各策略选取比例x0;
式中,表示第i辆电动汽车在第n个策略中h时段的充放电功率,SEV,h为h时段电动汽车充放电电价,需求响应时段由电动汽车聚合商间的非合作博弈提供,非需求响应时段为电网分时电价;为h时段第i辆电动汽车电池退化成本,计算公式为:
步骤1.4、计算第i辆电动汽车在各策略下适应度函数:
步骤1.5、计算各个策略的条件切换速率:
步骤1.6、根据演化方程,更新个体采取策略比例,求解演化稳定策略;
电动汽车群体动态演化方程为:
采用分布式迭代算法求解演化均衡,将式(12)给出的时间连续动态演化方程离散化,得到最终电动汽车群体动态演化方程:
其中,w表示演化博弈的迭代次数;λ表示演化博弈的迭代步长;
步骤1.7、输出电动汽车种群每个策略的演化稳定策略与每个策略的演化状态,得到所有电动汽车各时段的最优充放电功率。
步骤2具体过程为:
其中,非合作博弈的策略集峰时段为售电报价,谷时段为购电报价,均设定为大于0;
步骤2.2、计算第j个电动汽车聚合商需求响应时段管辖范围内电动汽车总充放电电量:
步骤2.3、计算各电动汽车聚合商的收益函数,即每个电动汽车聚合商在各自策略下的需求响应时段内购售电差价:
步骤2.4、在电动汽车聚合商提供给电动汽车各需求响应时段的充放电电价,即多电动汽车聚合商在电力市场中竞标购/售电价格的非合作博弈模型为:
步骤3具体过程为:
步骤3.1、计算配电网运营商在h时段从第j个电动汽车聚合商处购买/出售电量的效用为:
步骤3.2、假设配电网运营商与控制区域内所有电动汽车聚合商约定的总响应电量为Call,则电动汽车聚合商j在h时段与配电网运营商签约的合约响应电量为:
步骤3.3、基于演化博弈论中的复制者动态理论,列写配电网运营商策略演化的复制者动态方程如下所示:
步骤3.4、将式(14)连续策略离散化为:
其中,z表示配电网运营商策略演化算法的迭代次数;
配电网运营商策略演化算法的收敛条件为:
步骤4具体过程为:
步骤4.1、通过基于电动汽车充放电调度的多策略集演化博弈模型、多电动汽车聚合商在电力市场中竞标购/售电价格的非合作博弈模型、配电网运营商分配电量的最优策略构成的双层博弈模型,其中步骤1得到的基于电动汽车充放电调度的多策略集演化博弈模型作为双层博弈模型下层,多电动汽车聚合商在电力市场中竞标购/售电价格的非合作博弈模型、配电网运营商分配电量的最优策略作为双层博弈模型上层;
非合作博弈收敛过程中,假设配电网运营商将与电动汽车聚合商约定一个使配电网运营商效用最大化的合约响应电量:
步骤4.2、将上式代入电动汽车聚合商的支付函数中,得:
步骤4.4、将式(21)代入(10)和(18)得:
因此得到:
步骤4.5、设计一个迭代算法来找到非合作博弈的纳什均衡,如下所示:
其中,r表示非合作博弈的迭代次数;σ表示非合作博弈的迭代步长;
非合作博弈算法迭代停止条件为:
步骤4.6、当非合作博弈达到纳什均衡后,电动汽车聚合商将根据式(11)为电动汽车更新需求响应时段充放电电价;
基于该电价,双层博弈模型下层中电动汽车将通过演化博弈实时调整充放电功率,充放电策略又会达到一个新的演化均衡状态;上层中电动汽车聚合商整合电动汽车各需求响应时段总充放电电量,在电力市场中调整竞标策略;
根据各电动汽车聚合商的竞标策略,配电网运营商更新分配响应电量策略,电动汽车聚合商又依据出清结果更新自身报价,直至上层收敛到纳什均衡,电动汽车、电动汽车聚合商与配电网运营商在双层博弈模型内相互作用,循环迭代,模型最终的迭代停止条件为:
此时双层博弈模型上层与下层分别达到纳什均衡和演化均衡,同时得到配电网运营商、电动汽车聚合商与电动汽车的最优策略。
本发明的有益效果是:
本发明多主体双层博弈的规模化电动汽车充放电优化调度方法,电力需求响应机制下,多电动汽车聚合商整合规模化电动汽车入网参与电力市场竞价,并以竞价结果指导电动汽车实时充放电优化调度的多主体分层双层博弈模型。首先,该模型考虑到电动汽车和电动汽车聚合商在需求响应过程中的相互影响作用,将电动汽车充放电调度和电动汽车聚合商投标竞价作为电力市场中的一个联合求解问题;其次,克服传统博弈论参与人完全理性的缺陷,在“有限理性”和“有限信息”假设基础上构建电动汽车充放电优化调度的演化博弈模型,避免了博弈结论理想化;再次,将多策略与演化博弈思想结合,解决电动汽车充放电功率非恒定与演化博弈有限策略的矛盾;最后,该模型能够捕获配电网运营商、电动汽车聚合商与电动汽车用户三个主体的动态交互特征。通过在不同层级的博弈之间达成平衡来协调三个主体之间的经济利益。本发明提出的双层博弈模型在为电动汽车参与电网负荷削峰填谷提供灵活有效的调度方案的同时,可平衡配电网运营商、电动汽车聚合商与电动汽车用户三者之间的经济利益。
附图说明
图1是本发明规模化电动汽车充放电优化调度的多主体双层博弈模型求解流程图;
图2是本发明双层博弈模型框架图;
图3是本发明双层博弈模型内部迭代关系图;
图4是本发明实施例中电动汽车策略演化状态曲线图;
图5是本发明实施例中电动汽车种群平均支付演化曲线图;
图6是本发明实施例中每台电动汽车充电成本对比图;
图7是本发明实施例中各电动汽车聚合商合约响应电量占比收敛曲线图;
图8是本发明实施例中各电动汽车聚合商合约完成度收敛曲线图;
图9是本发明实施例中各场景与各调度方法下电网负荷曲线图;
图10是本发明实施例中各场景与各调度方式下削峰填谷指标对比图;
图11是本发明实施例中各场景与各调度方法下经济性对比。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明多主体双层博弈的规模化电动汽车充放电优化调度方法,具体按照以下步骤实施:
步骤1.1、电动汽车调度策略演化博弈的参与人为一个电动汽车聚合商管辖范围内出行行为相同的电动汽车种群;电动汽车在约束条件下随机产生N个策略,策略集为调度时段内各时段充放电功率向量的集合生成策略集Φ1,表征为:
其中,Sn为生成的第n个策略;Ph,n为第n个策略中h时段的充放电功率;Ph,n>0,表示电动汽车充电;Ph,n<0,表示电动汽车放电;
步骤1.2、随机生成电动汽车初始充放电电价,电动汽车种群在最大充放电功率约束、电池充放电等式约束、电池荷电状态动态约束、充电需求约束、调度时段约束条件下随机生成N个策略,随机生成初始各策略选取比例x0;
式中,表示第i辆电动汽车在第n个策略中h时段的充放电功率,SEV,h为h时段电动汽车充放电电价,需求响应时段由电动汽车聚合商间的非合作博弈提供,非需求响应时段为电网分时电价;为h时段第i辆电动汽车电池退化成本,计算公式为:
步骤1.4、计算第i辆电动汽车在各策略下适应度函数:
步骤1.5、计算各个策略的条件切换速率:
其中,表示从策略n到策略m的条件切换速率,其含义为t时段从策略n转化为策略m的电动汽车比例,由所选的策略修订协议决定。这里演化博弈的策略修正协议采用logit模型;η为噪声水平,可以将其理解为理性参数,取0.02。
步骤1.6、根据演化方程,更新个体采取策略比例,求解演化稳定策略;
电动汽车群体动态演化方程为:
采用分布式迭代算法求解演化均衡,将式(12)给出的时间连续动态演化方程离散化,得到最终电动汽车群体动态演化方程:
其中,w表示演化博弈的迭代次数;λ表示演化博弈的迭代步长;
步骤1.7、输出电动汽车种群每个策略的演化稳定策略与每个策略的演化状态,一旦演化博弈达到均衡,就可以得到电动汽车种群每个策略的演化状态与种群的演化稳定策略。同理可得到其他出行行为相同的电动汽车种群的演化稳定策略,得到所有电动汽车各时段的最优充放电功率。
其中,非合作博弈的策略集峰时段为售电报价,谷时段为购电报价,均设定为大于0;
步骤2.2、计算第j个电动汽车聚合商需求响应时段管辖范围内电动汽车总充放电电量:
步骤2.3、计算各电动汽车聚合商的收益函数,即每个电动汽车聚合商在各自策略下的需求响应时段内购售电差价:
步骤2.4、在动态博弈过程中,所有电动汽车聚合商将根据各自的收益函数不断改变电能报价,直到非合作博弈达到纳什均衡,此时所有电动汽车聚合商都不会再改变报价。投标过程结束后,电动汽车聚合商提供给电动汽车各需求响应时段的充放电电价为:
即多电动汽车聚合商在电力市场中竞标购/售电价格的非合作博弈模型。
步骤3.1、计算配电网运营商在h时段从第j个电动汽车聚合商处购买/出售电量的效用为:
其中,Sj是配电网运营商从电动汽车聚合商j处购买/出售电量的正收益系数,α是因电动汽车聚合商未达到合约响应电量而产生的削峰填谷效果损失系数;需指出,Sj与α应根据电网实际情况取值,在合理数值范围内进行取值并不会影响迭代的收敛性。
步骤3.2、假设配电网运营商与控制区域内所有电动汽车聚合商约定的总响应电量为Call,则电动汽车聚合商j在h时段与配电网运营商签约的合约响应电量为:
步骤3.3、基于演化博弈论中的复制者动态理论,列写配电网运营商策略演化的复制者动态方程如下所示:
步骤3.4、将式(14)连续策略离散化为:
其中,z表示配电网运营商策略演化算法的迭代次数;
配电网运营商策略演化算法的收敛条件为:
步骤4、基于电动汽车充放电调度的多策略集演化博弈模型、多电动汽车聚合商在电力市场中竞标购/售电价格的非合作博弈模型、配电网运营商分配电量的最优策略构成的双层博弈模型,其中步骤1得到的基于电动汽车充放电调度的多策略集演化博弈模型作为双层博弈模型下层,多电动汽车聚合商在电力市场中竞标购/售电价格的非合作博弈模型、配电网运营商分配电量的最优策略作为双层博弈模型上层,提出联合求解演化博弈的演化均衡解和非合作博弈的纳什均衡解的方法,得到双层博弈模型三主体的最优稳定策略,双层博弈模型框架图如图2所示;具体过程为:
步骤4.1、非合作博弈收敛过程中,假设配电网运营商将与电动汽车聚合商约定一个使配电网运营商效用最大化的合约响应电量:
步骤4.2、将上式代入电动汽车聚合商的支付函数中,得:
步骤4.4、将式(21)代入(10)和(18)得:
因此得到:
步骤4.5、设计一个迭代算法来找到非合作博弈的纳什均衡,如下所示:
其中,r表示非合作博弈的迭代次数;σ表示非合作博弈的迭代步长;非合作博弈算法迭代停止条件为:
步骤4.6、当非合作博弈达到纳什均衡后,电动汽车聚合商将根据式(11)为电动汽车更新需求响应时段充放电电价;基于该电价,双层博弈模型下层中电动汽车将通过演化博弈实时调整充放电功率,充放电策略又会达到一个新的演化均衡状态;上层中电动汽车聚合商整合电动汽车各需求响应时段总充放电电量,在电力市场中调整竞标策略;根据各电动汽车聚合商的竞标策略,配电网运营商更新分配响应电量策略,电动汽车聚合商又依据出清结果更新自身报价,直至上层收敛到纳什均衡,电动汽车、电动汽车聚合商与配电网运营商在双层博弈模型内相互作用,循环迭代,过程如图3所示,模型最终的迭代停止条件为:
此时双层博弈模型上下层分别达到纳什均衡和演化均衡,同时得到配电网运营商、电动汽车聚合商与电动汽车的最优策略。
实施例
1参数设置
假设某配电网运营商控制区域内有3个电动汽车聚合商参与电力市场需求响应电能量竞价,各自管辖范围内签订需求响应合约的电动汽车数各1000台。为简化模型,假设所有电动汽车参数相同,最大电池容量CN为24kw·h,最大充放电功率Pmax与Pmin分别为6kW与-6kW。计将SOCmax与SOCmin分别设置为90%和20%,电池单位更换成本SB为58000元。Sj设置为2.4,α设置为0.4。设定充电桩提供的充放电功率分为7档:-6、-4、-2、0、2、4、6kW,正值表示对电动汽车充电,负值表示对电动汽车放电。充电桩效率ηc与ηf均取95%。
电动汽车接入充电桩时刻、拔出充电桩时刻与电池初始SOC均为相互独立的随机变量,其概率分布是基于住宅区私家车出行行为真实数据通过函数拟合得到的。电动汽车接入时间服从N(19.55,2.06)的正态分布,离开时间服从N(7.25,0.92)的正态分布,初始SOC服从U(0.2,0.5)的均匀分布,并将离开时的期望SOC统一设定为不小于0.9。本算例基于拟合得到的接入、拔出充电桩时刻与初始SOC的概率函数进行随机抽样,模拟电动汽车的出行行为。
某地区电动汽车夏季的峰谷分时电价如表1所示。选取夏季典型日原始负荷曲线如图9所示。根据负荷预测结果,配电网运营商确定6个需求响应时段(间隔为1h),如表2所示,各时段需求电量分别为-4、-8、8、7、8、7MW·h。仿真时间跨度定为14:00至次日上午10:00,第一个时段为14:00至15:00。调度时段时长Δt为1h,全天总共20个时段,假设Δt内充放电功率保持不变。
表1
表2
2演化稳定策略结果分析
利用构建的演化博弈模型,对算例中3000台电动汽车的充放电稳定策略进行求解。将3000台电动汽车抽象为3000个出行行为一致的电动汽车种群。首先,在步骤1.2提出的约束条件下,为每台电动汽车(即每个电动汽车种群)分别随机生成2000组各时段充放电功率的策略集和各策略初始选取比例,演化方程迭代步长设定为0.01。选取电动汽车聚合商1管辖范围内某两台电动汽车1与电动汽车2为例(其出行行为如表3所示),分别抽象为出行行为相同的电动汽车种群,每个种群内部分别进行演化博弈,分别展示电动汽车1种群与电动汽车2种群的2000组策略集选取概率演化趋势,如图4所示。
表3
由图4知,随着演化博弈的进行,每台电动汽车的策略集中只有一个策略的选取概率不断增大,逐渐趋近于1并最终达到稳定(即图4上图所示电动汽车1生成的第20个策略,下图所示电动汽车2生成的第1426个策略),而其它策略的选取概率则逐渐趋近于0。策略选取概率趋近于1代表着在博弈局势和环境的不断改变下,该策略最终成为了种群中的稳定策略,即电动汽车的演化稳定策略。演化稳定策略与初始状态无关,而是由博弈环境决定。
两个电动汽车种群平均支付(即平均充电成本)的演化曲线如图5示。由图5知,随着演化博弈的进行,电动汽车种群平均支付不断减小。当演化博弈达到均衡时,种群平均支付达到稳定(稳定于最优策略的支付)。由此可知,电动汽车策略动态演化是群体效用逐渐变优的过程。这是因为在选择策略的动态演化过程中,电动汽车将根据充放电电价更新效用函数,并以效用函数最大化为目标逐步修正自己的策略。
每台电动汽车在各自演化稳定策略下的调度时段内总充电成本如图6示。由图6可知,新方法与无序充电相比,每台电动汽车的充电成本均有显著降低,甚至有的电动汽车因参与填谷需求响应而获得正收益(图6中虚线以下即为正收益)。
3非合作博弈的可行性分析
以第10个调度时段23:00-次日0:00为例,图7所示为该时段配电网运营商策略演化算法的收敛过程。在接收到各电动汽车聚合商的电能报价后,配电网运营商向各电动汽车聚合商分配响应电量的策略经过多次迭代后,最终演化为均衡状态,证明了步骤3中所提配电网运营商策略演化算法的可行性与收敛性。如图7中虚线所示,配电网运营商的收益随着迭代次数的增加而不断增长,并最终达到稳定,此时配电网运营商收益达到最大值8653.6元。
图8展示了电动汽车聚合商非合作博弈求取纳什均衡的迭代收敛过程。经过几次迭代后,各电动汽车聚合商的合约完成度最终达到稳定状态,证明了步骤2中所提电动汽车聚合商非合作博弈算法的可行性与收敛性。
此外,算例中电动汽车聚合商获取每一时刻电动汽车实时状态后,各时段的电动汽车优化调度仿真计算总时间均不超过10s,并考虑实际应用中配电网运营商与电动汽车聚合商典型通信时延0.1s,仍满足实时调度的要求。
4双层博弈模型求解
本发明提出的双层博弈模型将最终平衡于一个各电动汽车聚合商给出的最优充放电电价;基于电价结果,电动汽车聚合商对接入充电桩的电动汽车进行优化调度。经双层博弈模型求解得到的,各电动汽车聚合商给出的最优电动汽车充放电电价与此时管辖范围内整合的总电动汽车电量如表4所示,正电量表示充电功率,负电量表示放电功率。
表4
由表4可知,电动汽车会尽可能地选择在电价较低的时段进行充电,并尽可能地在电价较高的时段进行放电。在第6个调度时段(19:00-20:00),该时段为配电网运营商划分的削峰需求响应时段,为负荷和电价高峰时段,主要进行放电控制,电动汽车聚合商2在竞标结束后给出的电价最高,聚合到的电动汽车放电电量最多,以获得更高的放电收益;在第10个调度时段(23:00-次日0:00),该时段为配电网运营商划分的填谷需求响应时段,为负荷和电价低谷时段,该时段进行充电控制,电动汽车聚合商1在竞标结束后给出的电价最低,因此聚合到的电动汽车充电电量最多,以降低充电成本。
5双层博弈模型的削峰填谷效果分析
为体现本发明新方法的有效性,将电动汽车演化博弈充放电调度模型与电动汽车无序充电模型、粒子群优化算法(Particle swarm optimization,PSO)电动汽车智能有序充放电模型计算结果进行对比,并设定以下3个电价场景:
场景1中,电动汽车聚合商不作为电动汽车与配电网运营商中间商,电动汽车充放电电价为电网分时电价,分时电价如表1;场景2中,电动汽车聚合商以固定电价从配电网运营商购/售电,并采用以电动汽车聚合商为主导、电动汽车跟随的主从博弈模型制定充放电电价[3];场景3中,引入电力市场竞价机制,电动汽车聚合商通过非合作博弈竞标购售电价格,并依据竞价结果为电动汽车制定充放电电价,即本发明所提新方法应用的场景。其中电价场景3下的电动汽车演化博弈充放电调度模型即本发明提出的双层博弈模型。
各场景下采用不同方式对电动汽车优化调度后,电网负荷曲线如图9所示。用负荷峰谷差和负荷方差来作为衡量削峰填谷效果的指标。各场景下不同方式的指标计算结果对比如表5和图10所示。
表5
首先,依据图10和表5对比不同电价场景下电动汽车的削峰填谷效果。场景2中,主从博弈模型可以同时兼顾电动汽车聚合商与电动汽车的利益,优化电动汽车聚合商的定价策略,使电动汽车充放电电价低于电网分时电价,由此可以吸引更多的电动汽车参与削峰填谷,峰谷差和负荷方差较场景1有所降低;场景3中,多电动汽车聚合商在电力市场中通过竞价方式购售电量,使得其各自能在峰谷时段为电动汽车提供更优惠的充放电电价,由此更为有效地刺激和鼓励电动汽车在需求响应时段提供更高的充放电电量,因此场景3中负荷峰谷差与方差较场景1与场景2最低,削峰填谷效果最优。
其次,依据图10和表5对比不同电动汽车调度方法的削峰填谷效果。电动汽车无序充电时,开始充电的集中时段与负荷晚高峰时段重叠,造成“峰上加峰”现象,加剧调度负担,峰谷差和负荷方差加大;PSO有序充放电模型以电动汽车充电成本最低为单优化目标,通过分时电价引导电动汽车负荷由高峰高电价时段向低谷低电价时段转移,峰谷差和负荷方差较无序充电均可有所降低;演化博弈充放电调度模型充分计及电动汽车用户的有限理性,每台电动汽车在策略演化过程中依据支付函数不断修正各自的策略,多次博弈后获得最优策略,演化博弈算法较PSO算法更优越。并且,演化博弈模型应用于场景3时考虑到电动汽车聚合商竞价与电动汽车调度在迭代过程的相互影响作用,更优的电价使得电动汽车更倾向于在低电价时段充电、高电价时段放电,电动汽车聚合商可在需求响应时段整合更多的电动汽车充放电电量,因此峰谷差与负荷方差较PSO算法进一步降低,削峰填谷效果最好。
由此可见,场景3下的电动汽车演化博弈充放电调度模型,即本发明提出的双层博弈模型,表现出最优的削峰填谷效果。
6双层博弈模型的经济性分析
各场景与各调度方法下,电动汽车、电动汽车聚合商、配电网运营商经济性对比如图11和表6所示。由图11和表6可知,场景3中电动汽车总成本最低,电动汽车聚合商与配电网运营商总净收益最高。这是因为场景3与场景1、场景2相比,由于电动汽车聚合商参与电力市场竞价,可以为电动汽车提供需求响应时段更低廉的充电电价,使电动汽车充电成本有所降低;同时,虽然电动汽车更多地参与放电调度增加了电池损耗成本,但电动汽车聚合商给予的放电补贴仍可使电动汽车用户总成本降低。场景3中电动汽车聚合商作为电动汽车与配电网运营商交易的中介,通过购售电差价获得的净收益最大;此外,配电网运营商在峰时段购入更多的电动汽车放电量虽然增加了购电成本,但由于电动汽车参与削峰填谷使其获得灵活的充放电资源,仍可以获得更大的经济效益。
由图11和表6可知,各场景下电动汽车充放电调度采用PSO与演化博弈方法,与无序充电相比,均能使电动汽车总成本降低超过1/2。因为电动汽车自主选择在低电价时段充电并通过参与放电调度获得一定补贴。而每个场景中,演化博弈与PSO方法相比,由于电动汽车聚合商可在响应时段整合更多电动汽车充放电电量,使电动汽车总成本降低超过1/5,电动汽车聚合商与配电网运营商总净收益均增加超过1/5,较其它调度方法经济性最优。
表6
由此可见,场景3下的演化博弈充放电调度模型,即本发明提出的双层博弈模型可以最有效地实现电动汽车、电动汽车聚合商与配电网运营商的三方经济共赢。
Claims (6)
1.多主体双层博弈的规模化电动汽车充放电优化调度方法,其特征在于,具体按照以下步骤实施:
步骤1、基于logit协议构建电动汽车充放电调度的多策略集演化博弈模型,通过演化均衡求解算法得到电动汽车各时段的最优充放电功率;
步骤2、构建多电动汽车聚合商在电力市场中竞标购/售电价格的非合作博弈模型;
步骤3、用演化博弈论中的复制者动态描述配电网运营商向各聚合商分配需求响应时段响应电量的策略演化,得到配电网运营商分配电量的最优策略;
步骤4、提出联合求解演化博弈的演化均衡解和非合作博弈的纳什均衡解的方法,得到双层博弈模型三主体的最优稳定策略。
2.根据权利要求1所述多主体双层博弈的规模化电动汽车充放电优化调度方法,其特征在于,步骤1具体过程为:
步骤1.1、电动汽车调度策略演化博弈的参与人为一个电动汽车聚合商管辖范围内出行行为相同的电动汽车种群;电动汽车在约束条件下随机产生N个策略,策略集为调度时段内各时段充放电功率向量的集合生成策略集Φ1,表征为:
其中,Sn为生成的第n个策略;Ph,n为第n个策略中h时段的充放电功率;Ph,n>0,表示电动汽车充电;Ph,n<0,表示电动汽车放电;
步骤1.2、随机生成电动汽车初始充放电电价,电动汽车种群在最大充放电功率约束、电池充放电等式约束、电池荷电状态动态约束、充电需求约束、调度时段约束条件下随机生成N个策略,随机生成初始各策略选取比例x0;
式中,表示第i辆电动汽车在第n个策略中h时段的充放电功率,SEV,h为h时段电动汽车充放电电价,需求响应时段由电动汽车聚合商间的非合作博弈提供,非需求响应时段为电网分时电价;为h时段第i辆电动汽车电池退化成本,计算公式为:
步骤1.4、计算第i辆电动汽车在各策略下适应度函数:
步骤1.5、计算各个策略的条件切换速率:
步骤1.6、根据演化方程,更新个体采取策略比例,求解演化稳定策略;
电动汽车群体动态演化方程为:
采用分布式迭代算法求解演化均衡,将式(12)给出的时间连续动态演化方程离散化,得到最终电动汽车群体动态演化方程:
其中,w表示演化博弈的迭代次数;λ表示演化博弈的迭代步长;
步骤1.7、输出电动汽车种群每个策略的演化稳定策略与每个策略的演化状态,得到所有电动汽车各时段的最优充放电功率。
4.根据权利要求1所述多主体双层博弈的规模化电动汽车充放电优化调度方法,其特征在于,步骤2具体过程为:
其中,非合作博弈的策略集峰时段为售电报价,谷时段为购电报价,均设定为大于0;
步骤2.2、计算第j个电动汽车聚合商需求响应时段管辖范围内电动汽车总充放电电量:
步骤2.3、计算各电动汽车聚合商的收益函数,即每个电动汽车聚合商在各自策略下的需求响应时段内购售电差价:
步骤2.4、在电动汽车聚合商提供给电动汽车各需求响应时段的充放电电价,即多电动汽车聚合商在电力市场中竞标购/售电价格的非合作博弈模型为:
5.根据权利要求1所述多主体双层博弈的规模化电动汽车充放电优化调度方法,其特征在于,步骤3具体过程为:
步骤3.1、计算配电网运营商在h时段从第j个电动汽车聚合商处购买/出售电量的效用为:
步骤3.2、假设配电网运营商与控制区域内所有电动汽车聚合商约定的总响应电量为Call,则电动汽车聚合商j在h时段与配电网运营商签约的合约响应电量为:
步骤3.3、基于演化博弈论中的复制者动态理论,列写配电网运营商策略演化的复制者动态方程如下所示:
步骤3.4、将式(14)连续策略离散化:
其中,z表示配电网运营商策略演化算法的迭代次数;
配电网运营商策略演化算法的收敛条件为:
6.根据权利要求1所述多主体双层博弈的规模化电动汽车充放电优化调度方法,其特征在于,步骤4具体过程为:
步骤4.1、通过基于电动汽车充放电调度的多策略集演化博弈模型、多电动汽车聚合商在电力市场中竞标购/售电价格的非合作博弈模型、配电网运营商分配电量的最优策略构成的双层博弈模型,其中步骤1得到的基于电动汽车充放电调度的多策略集演化博弈模型作为双层博弈模型下层,多电动汽车聚合商在电力市场中竞标购/售电价格的非合作博弈模型、配电网运营商分配电量的最优策略作为双层博弈模型上层;
非合作博弈收敛过程中,假设配电网运营商将与电动汽车聚合商约定一个使配电网运营商效用最大化的合约响应电量:
步骤4.2、将上式代入电动汽车聚合商的支付函数中,得:
步骤4.4、将式(21)代入(10)和(18)得:
因此得到:
步骤4.5、设计一个迭代算法来找到非合作博弈的纳什均衡,如下所示:
其中,r表示非合作博弈的迭代次数;σ表示非合作博弈的迭代步长;
非合作博弈算法迭代停止条件为:
步骤4.6、当非合作博弈达到纳什均衡后,电动汽车聚合商将根据式(11)为电动汽车更新需求响应时段充放电电价;
基于该电价,双层博弈模型下层中电动汽车将通过演化博弈实时调整充放电功率,充放电策略又会达到一个新的演化均衡状态;上层中电动汽车聚合商整合电动汽车各需求响应时段总充放电电量,在电力市场中调整竞标策略;
根据各电动汽车聚合商的竞标策略,配电网运营商更新分配响应电量策略,电动汽车聚合商又依据出清结果更新自身报价,直至上层收敛到纳什均衡,电动汽车、电动汽车聚合商与配电网运营商在双层博弈模型内相互作用,循环迭代,模型最终的迭代停止条件为:
此时双层博弈模型上下层分别达到纳什均衡和演化均衡,同时得到配电网运营商、电动汽车聚合商与电动汽车的最优策略。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210295347.8A CN114662759B (zh) | 2022-03-24 | 2022-03-24 | 多主体双层博弈的规模化电动汽车充放电优化调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210295347.8A CN114662759B (zh) | 2022-03-24 | 2022-03-24 | 多主体双层博弈的规模化电动汽车充放电优化调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114662759A true CN114662759A (zh) | 2022-06-24 |
CN114662759B CN114662759B (zh) | 2024-07-16 |
Family
ID=82032150
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210295347.8A Active CN114662759B (zh) | 2022-03-24 | 2022-03-24 | 多主体双层博弈的规模化电动汽车充放电优化调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114662759B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115953012A (zh) * | 2023-03-13 | 2023-04-11 | 国网江西省电力有限公司电力科学研究院 | 一种基于多主体双层博弈的乡村光储***优化调度方法 |
CN116050661A (zh) * | 2023-03-06 | 2023-05-02 | 湖南大学 | 基于主从博弈的5g基站与电网协同调度方法 |
CN117429303A (zh) * | 2023-10-10 | 2024-01-23 | 北京理工大学前沿技术研究院 | 一种基于物联网的电动汽车电池更换方法、***及设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010268602A (ja) * | 2009-05-14 | 2010-11-25 | Ntt Facilities Inc | 蓄電池充放電装置及び蓄電池充放電方法 |
CN108596464A (zh) * | 2018-04-17 | 2018-09-28 | 南京邮电大学 | 基于动态非合作博弈的电动汽车与云储能经济调度方法 |
CN108833402A (zh) * | 2018-06-11 | 2018-11-16 | 中国人民解放军战略支援部队信息工程大学 | 一种基于有限理性博弈理论的网络最优防御策略选取方法及装置 |
CN110458332A (zh) * | 2019-07-18 | 2019-11-15 | 天津大学 | 一种基于负荷空间转移的电动汽车快速充电需求调度方法 |
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 |
CN112581313A (zh) * | 2020-12-23 | 2021-03-30 | 北京理工大学 | 一种光伏充电站资源的分配调节方法和*** |
CN112862352A (zh) * | 2021-03-05 | 2021-05-28 | 三峡大学 | 一种广域综合能源***联合规划方法 |
-
2022
- 2022-03-24 CN CN202210295347.8A patent/CN114662759B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010268602A (ja) * | 2009-05-14 | 2010-11-25 | Ntt Facilities Inc | 蓄電池充放電装置及び蓄電池充放電方法 |
CN108596464A (zh) * | 2018-04-17 | 2018-09-28 | 南京邮电大学 | 基于动态非合作博弈的电动汽车与云储能经济调度方法 |
CN108833402A (zh) * | 2018-06-11 | 2018-11-16 | 中国人民解放军战略支援部队信息工程大学 | 一种基于有限理性博弈理论的网络最优防御策略选取方法及装置 |
CN110458332A (zh) * | 2019-07-18 | 2019-11-15 | 天津大学 | 一种基于负荷空间转移的电动汽车快速充电需求调度方法 |
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 |
CN112581313A (zh) * | 2020-12-23 | 2021-03-30 | 北京理工大学 | 一种光伏充电站资源的分配调节方法和*** |
CN112862352A (zh) * | 2021-03-05 | 2021-05-28 | 三峡大学 | 一种广域综合能源***联合规划方法 |
Non-Patent Citations (2)
Title |
---|
TIANYANG ZHAO 等: "Closed-loop Supply Chain Based Battery Swapping and Charging System Operation: A Hierarchy Game Approach", 《CSEE JOURNAL OF POWER AND ENERGY SYSTEMS》, 7 March 2019 (2019-03-07), pages 35 - 45 * |
蔡国伟 等: "电力需求响应机制下基于多主体双层博弈的规模化电动汽车充放电优化调度", 《中国电机工程学报》, vol. 43, no. 1, 20 May 2022 (2022-05-20), pages 85 - 98 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116050661A (zh) * | 2023-03-06 | 2023-05-02 | 湖南大学 | 基于主从博弈的5g基站与电网协同调度方法 |
CN116050661B (zh) * | 2023-03-06 | 2023-06-20 | 湖南大学 | 基于主从博弈的5g基站与电网协同调度方法 |
CN115953012A (zh) * | 2023-03-13 | 2023-04-11 | 国网江西省电力有限公司电力科学研究院 | 一种基于多主体双层博弈的乡村光储***优化调度方法 |
CN117429303A (zh) * | 2023-10-10 | 2024-01-23 | 北京理工大学前沿技术研究院 | 一种基于物联网的电动汽车电池更换方法、***及设备 |
CN117429303B (zh) * | 2023-10-10 | 2024-03-12 | 北京理工大学前沿技术研究院 | 一种基于物联网的电动汽车电池更换方法、***及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN114662759B (zh) | 2024-07-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108596464B (zh) | 基于动态非合作博弈的电动汽车与云储能经济调度方法 | |
WO2021098352A1 (zh) | 一种考虑电动汽车充电站选址定容的主动配电网规划模型的建立方法 | |
CN114662759A (zh) | 多主体双层博弈的规模化电动汽车充放电优化调度方法 | |
Saad et al. | A noncooperative game for double auction-based energy trading between PHEVs and distribution grids | |
CN112491036B (zh) | 一种多主体互动博弈的配电网调峰运行管控方法及*** | |
CN108944531A (zh) | 一种电动汽车有序充电控制方法 | |
CN111881616A (zh) | 一种基于多主体博弈的综合能源***的运行优化方法 | |
CN111079971A (zh) | 一种考虑车、站、网三方的充电站定价方法 | |
CN109672202A (zh) | 一种基于区块链技术的储能***自动需求响应方法 | |
CN112308386B (zh) | 一种价格与激励需求响应下电动汽车负荷聚集商调度方法 | |
Yao et al. | A fuzzy logic based charging scheme for electric vechicle parking station | |
CN114155103A (zh) | 基于区块链合作博弈的能量共享联盟灵活***易方法 | |
Yu et al. | A game theoretical pricing mechanism for multi-microgrid energy trading considering electric vehicles uncertainty | |
Yu et al. | Residential microgrids energy trading with plug-in electric vehicle battery via stochastic games | |
CN112883584A (zh) | 一种考虑利益交互的多能微网群冷热电多能耦合优化方法 | |
CN112186768A (zh) | Mg、la和dno共同参与的交直流配电网协同调度方法与*** | |
CN112785428A (zh) | 基于区块链技术的电能交易方法 | |
Tan et al. | Fair and efficient electric vehicle charging scheduling optimization considering the maximum individual waiting time and operating cost | |
CN115439138A (zh) | 一种电动汽车充放电功率优化分配方法及*** | |
CN114386663A (zh) | 一种含电动汽车虚拟电厂的区间主从博弈优化调度方法 | |
Luo et al. | Optimal operation and cost–benefit allocation for multi‐participant cooperation of integrated energy system | |
CN115953012B (zh) | 一种基于多主体双层博弈的乡村光储***优化调度方法 | |
CN115833199A (zh) | 一种移动储能调度方法、***及存储介质 | |
CN114977271A (zh) | 一种考虑社会因素的新型电力***调度方法 | |
CN115438906A (zh) | 一种多虚拟电厂点对点交易方法、电子设备及存储介质 |
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 |