CN116579475A - 一种考虑充电随机性下电动汽车充电调度与充电站配置联合优化方法 - Google Patents

Abstract

本发明公开了一种考虑充电随机性下电动汽车充电调度与充电站配置联合优化方法，该方法通过对到站充电的电动汽车电池容量进行建模，预测电动汽车的充电需求，将电动汽车调度问题建立为线性规划模型；增加对电动汽车充电连续性约束，以最小化用户充电成本以及充电站负载方差为目标函数，求解线性规划模型，得到电动汽车充电调度优化结果；采用蒙特卡洛模拟对所得结果进行用户充电随机性仿真，确定适合的充电站建设规模和储能设备容量。本发明方法可实现电动汽车有序充电从而减少充电站负载的峰谷差，降低充电站建设成本，并通过模拟用户充电行为随机性确定充电站建设规模和储能设备容量。

Description

一种考虑充电随机性下电动汽车充电调度与充电站配置联合 优化方法

技术领域

本发明属于用电服务技术领域，具体涉及一种考虑用户充电行为不确定性的电动汽车调度与充电站配置的联合优化方法。

背景技术

温室效应不断加剧导致极端天气频繁发生，减少碳排放已成为各国关注重点。发展和推广电动汽车是各国采用的有效手段之一。例如，近年来，在中国政府的大力推广下，中国电动汽车保有量呈现高速增长。电动汽车数量的快速增长需要配套的电动汽车充电站来满足电动汽车所有者的充电需求。此外，随着绿色能源渗透率的提高，规划建设的电动汽车充电站需要配套建设储能设备以实现对绿色能源发电的充分使用。然而，现有的电动汽车充电站具有功能单一、规模不匹配、以及充电效率低等缺点。

目前对电动汽车充电站建设的研究主要基于静态的充电需求仿真，通过对到站充电的电动汽车的充电情况进行预测，确定充电站的建设规模。然而，这种方法并不能降低因电动汽车无序充电造成的充电站负载峰谷差，导致充电站的利用率低下，进而导致电动汽车充电站建设成本的浪费。

发明内容

针对现有技术存在的不足，本发明的目的是提出一种考虑用户充电随机性的电动汽车调度和充电站配置的联合优化方法，以实现电动汽车有序充电从而减少充电站负载的峰谷差，降低充电站建设成本，并通过模拟用户充电行为随机性确定充电站建设规模和储能设备容量。

为实现上述目的，本发明采用以下技术方案：

一种考虑充电随机性下电动汽车充电调度与充电站配置联合优化方法，包括如下步骤：

S1：对到站充电的电动汽车电池容量进行建模，在此基础上预测电动汽车的充电需求。结合电动汽车充电需求和分时电价机制，将电动汽车调度问题建立为线性规划模型。

S2：利用S1得到的线性规划模型，增加对电动汽车充电连续性约束，以最小化用户充电成本以及充电站负载方差为目标函数，求解线性规划模型，得到电动汽车充电调度优化结果。

S3：采用蒙特卡洛模拟对S2中电动汽车调度优化结果进行用户充电随机性仿真。通过计算不同充电站建设功率对充电情况蒙特卡洛模拟样本的满足率，确定适合的充电站建设规模和储能设备容量。

S1中，电动汽车电池容量符合高斯分布，通过高斯分布对电动汽车电池容量进行建模，如下式所示：

EVB_E＝[EVB₁ EVB₂ … EVB_e]，e∈E

电动汽车的充电需求EVC_e为：

EVC_e＝EVB_e×η

其中，X为电动汽车电池容量，f(X)为电动汽车电池容量高斯分布的概率密度函数，μ_cap、σ_cap分别是根据统计数据计算得到的电动汽车电池容量的均值和标准差；E为到站充电的电动汽车集合，EVB_e表示电动汽车e的电池容量，EVB_E为所有电动汽车电池容量集合，η为区间[0.5，0.9]的随机数。

电动汽车调度的求解决策变量如下式所示：

其中，表示编号为e的电动汽车在充电时段t的充电量。/>表示编号为e的电动汽车在整个时间T内的充电调度情况，/> 为所有电动汽车充电调度情况的集合。

对于所有到站充电的电动汽车，其充电调度结果必须满足充电需求，如下公式所示：

为表示电动汽车的充电状态，加入电动汽车的充电状态决策变量如公式所示：

充电情况由以下公式约束：

其中，电动汽车e在t时段的充电量由充电状态决策变量/>以及电动汽车充电下限LC_min以及充电LC_max共同决定。

电动汽车充电调度优化中每辆电动汽车的充电时间的连续性往往是被忽略的一点，倘若不考虑电动汽车充电的连续性，将会延后电动车充满电的时间，影响电动汽车用户充电舒适度。S2中，用户充电连续性的约束为：

其中，变量决定电动汽车e在t时段是否充电，j和k表示第j和第k个决策变量/>j从第3个充电时段循环到第T个时段，k从第1个时段循环到第j-1个时段。当电动汽车计划在/>和/>这两个对应时段之间的时段进行充电，即/>时，通过对所有k＜t＜j之间的/>进行约束，即通过等式/>约束，保证充电连续进行。

S2中，线性规划的目标函数为：

min[α₁·Cost_c+α₂·Variance]

其中，α₁和α₂为两个参数，用来调整各个子目标函数的权重；/>表示编号为e的电动汽车在时段t的充电量，Q_t为t时段的充电电价；/>为充电站在t时段的负载，T为充电调度时间的长度。

S3具体包括如下过程：

S3.1：设置蒙特卡洛模拟样本数量；

S3.2：根据S2中调度优化结果以及充电随机性，生成不同的蒙特卡洛模拟样本；

S3.3：统计每个样本中充电站的最大负载情况；

S3.4：初始化充电站建设功率，并设置迭代变量，设置终止条件以及最大迭代次数；

S3.5：根据迭代变量更新充电站建设功率；

S3.6：计算样本满足率；

S3.7：判断是否满足终止条件或达到最大迭代次数，若满足则进行S3.8，若不满足则进行S3.5；

S3.8：得到合适的充电站建设规模以及储能设备容量。

S3.2中用户充电随机性主要体现在用户未能完全按照线性规划求解的调度结果进行充电。常见的偏离调度方案的原因是用户推迟或者提前到达充电站，导致电动汽车充电未在调度时间内进行。本文采用蒙特卡罗模拟方法，根据用户充电随机性生成不同样本。样本中电动汽车充电情况如下式所示：

其中，S_E(n)表示第n个蒙特卡洛模拟样本，N为样本的集合，表示该样本中编号为e的EV在时段t的充电情况。

为了表示EV用户提前或延迟到站进行充电的情况，样本充电时间的变化如下式所示：

其中，φ为区间[φ₁，φ₂]内的随机整数，分别表示电动汽车充电开始时间与结束时间。

S3.3中，通过下式计算不同样本中充电站的最大负载：

S3.4中，迭代变量β为在区间0≤β≤1内步长固定的递增变量；

S3.5中，蒙特卡罗模拟中不同样本表示在不同用户充电行为下EVCS的负载情况，通过对这些样本的计算，得到用户充电不确定性下EVCS最大负载的高斯分布，均值标准差分别为μ_s，σ_s。为了使EVCS的建设功率能够尽量满足充电随机性导致的不同情况，S3.5中，充电站建设功率更新公式如下：

E_evcs＝(1-β)×Load(n)_min+β×Load(n)_max

其中，对于服从高斯分布的随机变量，其与均值的最大偏差以不超过99％的置信度为界。因此，设置Load_min＝μ_S-3σ_s、Loαd_max＝μ_S+3σ_s。

S3.6中的样本满足率λ通过下式计算：

其中，ω₁为蒙特卡洛模拟样本集合N的基数，ω₂蒙特卡洛模拟样本中充电站最大负载小于此时β所对应E_evcs的样本数量。当λ达到预期时，选取此时的E_evcs为EVCS建设的最大功率。

S3.8中储能设备容量确定公式如下：

其中，分别为光伏发电与风力发电在t时段的发电功率，ε是储能设备充放电时的能量转换率。

相对于现有技术，本发明具有如下有益效果：

与其他充电站配置优化的研究相比，首先，本发明对电动汽车充电站建设优化时，不仅仅根据充电需求仿真情况对充电站进行配置，而是综合考虑电动汽车充电短期调度与充电站长期规划两个问题。通过对电动汽车充电调度，平衡充电站运行过程中的峰值负载和谷值负载，减少充电站建设成本同时提高了充电站运行的稳定性。其次，本发明考虑了电动汽车充电调度时的充电连续性，对进入电动汽车充电站的电动车进行充电调度时，其会获得连续而不是离散的充电调度，这样做的好处在于能够提高用户的充电效率，提高用户的充电舒适度。最后，本发明考虑到由于用户充电行为随机性，实际充电情况和调度优化的理想结果存在不一致的可能性，并通过蒙特卡洛模拟对这一因素进行仿真，根据仿真结果计算得出更可靠的充电站建设规模。

附图说明

图1为本发明充电站配置联合优化的工作流程图；

图2为本发明实例中电动汽车电池容量仿真情况；

图3为本发明实例中对电动汽车充电调度后充电站负载情况；

图4为本发明实例中未优化充电调度充电站与外部电网电能交互情况；

图5为本发明实例中优化充电调度充电站与外部电网电能交互情况；

图6为本发明实例中电动汽车有充电连续性充电调度情况；

图7为本发明实例中电动汽车无充电连续性充电调度情况；

图8为本发明实施例中有无充电连续性充电调度所需充电时间比较；

图9为本发明实施例中蒙特卡洛模拟中某个样本的充电站负载情况；

图10为本发明实施例中蒙特卡洛模拟所有样本充电站最大负载情况；

图11为本发明实施例中充电站建设功率与样本不满足率情况。

具体实施方式

下面结合附图和实施例来对本发明做进一步的说明。

下面以假设电动汽车充电站选址确定的情况下，在北方某地建设电动汽车充电站为例，结合附图，对本发明做进一步详细描述：

本发明的电动汽车充电站集成了智能***，可接收电动汽车充电需求的数据并对电动汽车充电进行调度。电动汽车充电站还装载了风力、光伏发电和储能设备，并与外部电网购买和出售电能。电动汽车充电站建设的相关成本参数如表1所示。

表1

设备	价格
		充电桩单位功率装机成本(元/kW)	1000
储能设备单位容量成本(元/kWh)	500
		充电桩规模单位功率维护成本(元/kW·年)	200
储能设备单位容量维护成本(元/kWh·年)	10
		向外部电网购买电力成本(元/kWh)	0.8
向外部电网出售电力成本(元/kWh)	0.5

首先，对到站充电汽车的充电需求进行仿真，将电动汽车充电调度问题总结为线性规划问题模型，同时建立充电站规模，储能设备能力，可再生能源发电模型。然后，以最小化用户充电成本以及充电站负载方差为目标函数求解电动汽车调度线型规划模型。最后，根据线性规划结果，使用蒙特卡洛模拟对用户充电随机性进行仿真，并使用样本满足率为条件，计算出充电站配置以及储能容量的近似最优解。具体工作流程请参阅图1。本实例的考虑充电随机性下电动汽车充电调度与充电站配置联合优化方法，具体包括以下步骤：

(1)对到站充电的电动汽车电池容量进行建模，在此基础上预测电动汽车的充电需求。结合电动汽车充电需求和分时电价机制，将电动汽车调度优化问题建立为线性规划问题模型。

(2)在步骤(1)中线性规划模型基础上增加对电动汽车充电连续性约束，并以最小化用户充电成本以及充电站负载方差为目标函数，求解线性规划模型，得到电动汽车充电调度优化结果。

(3)采用蒙特卡洛模拟对步骤(2)中电动汽车调度优化结果进行用户充电随机性仿真。通过计算不同充电站建设功率对充电情况蒙特卡洛模拟样本的满足率，确定适合的充电站建设规模和储能设备容量。

具体的，步骤(1)中，电动汽车电池容量符合高斯分布，通过高斯分布对电动汽车电池容量进行建模，如公式(1)、(2)所示：

EVB_E＝[EVB₁ EVB₂ … EVB_e]；e∈E (2)

电动汽车集合E的基数为50，即到站充电的电动汽车为50辆。电动汽车电池容量的均值和标准差分别为μ_cap＝68.02kWh、σ_cap＝17.98，电池容量仿真情况如图2所示。

电动汽车的充电量具有不确定性，在对电动汽车充电需求进行建模时，将电动汽车的充电需求转换为一组没有随机变量的需求矩阵。本发明在高斯分布生成的电池容量基础上，通过公式(3)、(4)生成电动汽车的充电需求EVC_E：

EVC_e＝EVB_e×η (3)

EVC_E＝[EVC₁ EVC₂ … EVC_e]；e∈E (4)

η为区间[0.5，0.9]的随机数。

分时电价机制如表2所示。

表2

时间	电价
		23:00～次日6:00	0.32
7:00～10:00和15：00～18:00	0.75
		10:00～15:00和18：00～23：00	0.96

线性规划模型中电动汽车调度的求解变量如公式(5)所示：

其中，表示编号为e的电动汽车在充电时段t的充电量。/>表示编号为e的电动汽车在整个时间T内的充电调度情况，/>在本实验中E的基数为50辆，调度时间长度T＝24小时，/>为所有电动汽车充电调度情况的集合。

对于所有到站充电的电动汽车，其充电调度结果必须满足充电需求，如下公式所示：

为表示电动汽车的充电状态，加入电动汽车的充电状态决策变量，如公式(7)所示：

并通过公式(8)和公式(9)控制电动汽车充电情况：

其中，电动汽车e在t时段的充电量由充电状态决策变量/>以及电动汽车充电下限LC_min以及充电上限LC_max共同决定，LC_min、LC_max分别为5kw、15kw。

具体的，步骤(2)中，电动汽车充电调度优化中每辆电动汽车的充电时间的连续性往往是被忽略的一点，倘若不考虑电动汽车充电的连续性，将会延后电动车充满电的时间，影响电动汽车用户充电舒适度。对电动汽车充电连续性进行约束，如公式(10)所示。

其中，变量决定电动汽车e在t时段是否充电，j和k表示第j和k个决策变量/>j从第三个充电时段循环到第T个时段，k从第1个时段循环到第j-1个时段。当电动汽车计划在/>和/>这两个时段之间的时段进行充电，即/>时，通过对所有k＜t＜j之间的进行约束，即通过等式/>约束，保证充电连续进行。

建立最小化用户充电成本以及充电站负载方差为目标函数：

min[α₁·Cost_c+α₂·Variance] (11)

其中：

公式(11)中α₁和α₂为两个参数，用来调整各个子目标函数的权重；公式(12)-(13)中，表示编号为e的电动汽车在充电时段t的充电量，Q_t为t时段的充电电价；/>为充电站在t时段的负载，T为充电调度时间的长度。

具体的，步骤(3)中，由于考虑到用户未能完全按照线性规划求解的调度结果进行充电的情况，本发明通过蒙特卡洛模拟对用户充电随机性仿真，统计不同样本情况，并确定最终充电站建设功率，具体包括如下步骤：

a、设置蒙特卡洛模拟样本数量；

b、用户充电随机性主要体现在用户未能完全按照线性规划求解的调度结果进行充电。常见的偏离调度方案的原因是用户推迟或者提前到达充电站，导致电动汽车充电未在调度时间内进行。本文采用蒙特卡罗模拟方法，根据用户充电随机性生成不同样本。样本中电动汽车充电情况如下式所示：

其中，S_E(n)表示第n个蒙特卡洛模拟样本，N为样本的集合，表示该样本中编号为e的EV在时段t的充电情况。

为了表示EV用户提前或延迟到站进行充电的情况，样本充电时间的变化如下式所示：

其中，φ为区间[φ₁，φ₂]内的随机整数，分别表示电动汽车充电开始时间与结束时间。

c、通过下式计算不同样本中充电站的最大负载：

d、迭代变量设置为β，β∈[0，1]，步长为0.02，样本满足率条件为λ≤95％。

e、通过公式(17)更新充电站建设功率：

E_evcs＝(1-β)×Load(n)_min+β×Load(n)_max (17)

其中，对于服从高斯分布的随机变量，其与均值的最大偏差以不超过99％的置信度为界。因此，设置Load_min＝μ_S-3σ_s、Load_max＝μ_S+3σ_s。

f、样本满足率λ通过下式计算：

其中，ω₁为蒙特卡洛模拟样本集合N的基数，ω₂蒙特卡洛模拟样本中充电站最大负载小于等此时β所对应E_evcs的样本数量。当λ达到预期时，选取此时的E_evcs为EVCS建设的最大功率。

g、判定样本满足率是否达到95％或是否达到最大迭代次数(50次)，若满足条件执行步骤h，若不满足则执行步骤e。

h、确定充电站建设规模及储能设备容量，通过下式计算储能设备容量：

其中，分别为光伏发电与风力发电在t时段的发电功率，ε是储能设备充放电时的能量转换率。

下面结合实验及实验结果附图对本发明的效果做进一步描述：

本实例中，假设建设一座可容纳50辆电动汽车的充电站，充电站具有光伏发电与风力发电设备，并通过储能***实现对绿色能源发电的充分使用。如图3所示，通过对电动汽车充电进行调度，有效降低了无序充电时充电站负载的峰谷差。图4、图5比较了优化前后充电站与外部电网的交互情况，从图4中可以得知，虽然在1点至10点时段未优化情况时会有更多的贩卖电能收入，但是18点至22点时段时的充电高峰造成了更多的购买电力支出，最终导致未优化情况下将会比优化后方案具有更高的与外部电网交互成本。同时，充电连续性将会对充电调度产生影响，图6和图7为电动汽车有充电连续性充电调度情况和电动汽车无充电连续性充电调度情况，图8比较了二者充电所需的时间，可以看出充电连续性对充电时间影响显著。图9为蒙特卡洛模拟中某个样本的充电站负载情况，从图中可以看出用户充电随机性导致充电站负载相比线性规划结果呈现上下波动。图10为蒙特卡洛模拟过程中，所有样本的充电站最大负载情况。图11为充电站建设功率迭代与样本不满足率的关系。

Claims (10)

1.一种考虑充电随机性下电动汽车充电调度与充电站配置联合优化方法，其特征在于，包括如下步骤：

S1：对到站充电的电动汽车电池容量进行建模，在此基础上预测电动汽车的充电需求，结合电动汽车充电需求和分时电价机制，将电动汽车调度问题建立为线性规划模型；

S2：利用S1得到的线性规划模型，增加对电动汽车充电连续性约束，以最小化用户充电成本以及充电站负载方差为目标函数，求解线性规划模型，得到电动汽车充电调度优化结果；

S3：采用蒙特卡洛模拟对S2中电动汽车调度优化结果进行用户充电随机性仿真；通过计算不同充电站建设功率对充电情况蒙特卡洛模拟样本的满足率，确定适合的充电站建设规模和储能设备容量。

2.根据权利要求1所述的一种考虑充电随机性下电动汽车充电调度与充电站配置联合优化方法，其特征在于，S1中，电动汽车电池容量符合高斯分布，通过高斯分布对电动汽车电池容量进行建模，如下式所示：

EV_E＝[EVB₁eVB₂…EVB_e]；e∈E

电动汽车e的充电需求EVC_e为：

EVC_e＝EVβ_e×η

其中，为电动汽车电池容量，f(X)为电动汽车电池容量高斯分布的概率密度函数，μ_cap、σ_cap分别是根据统计数据计算得到的电动汽车电池容量的均值和标准差；E为到站充电的电动汽车集合，EVB_e表示电动汽车e的电池容量，EVB_E为所有电动汽车电池容量集合，η为区间[0.5,0.9]的随机数；

电动汽车调度的求解决策变量如下式所示：

其中，表示编号为e的电动汽车在时段t的充电量，/>表示编号为e的电动汽车在整个时间T内的充电调度情况，/> 为所有电动汽车充电调度情况的集合；

对于所有到站充电的电动汽车，其充电调度结果必须满足充电需求，如下公式所示：

为表示电动汽车的充电状态，加入电动汽车的充电状态决策变量，如下式所示：

充电情况由以下公式约束：

其中，电动汽车e在t时段的充电量由充电状态决策变量/>以及电动汽车充电下限LC_min以及充电上限LC_max共同决定。

3.根据权利要求2所述的一种考虑充电随机性下电动汽车充电调度与充电站配置联合优化方法，其特征在于，S2中，用户充电连续性的约束为：

其中，变量决定电动汽车e在t时段是否充电，j和k表示第j和k个时段决策变量/>j从第三个充电时段循环到第T个时段，k从第1个时段循环到第j-1个时段；当电动汽车计划在/>和/>这两个对应时段之间的时段进行充电，即/>时，通过对所有k＜t＜j之间的/>进行约束，即通过等式/>约束，保证充电连续进行。

4.根据权利要求1所述的一种考虑充电随机性下电动汽车充电调度与充电站配置联合优化方法，其特征在于，S2中，线性规划的目标函数为：

min[α₁·ost_c+α₂·ariance]

其中，α₁和α₂为两个参数，用来调整各个子目标函数的权重；/>表示编号为e的电动汽车在时段t的充电量，Q_t为t时段的充电电价；/>为充电站在t时段的负载，T为充电调度时间的长度。

5.根据权利要求4所述的一种考虑充电随机性下电动汽车充电调度与充电站配置联合优化方法，其特征在于，S3具体包括如下过程：

S3.1：设置蒙特卡洛模拟样本数量；

S3.2：根据S2中调度优化结果以及充电随机性，生成不同的蒙特卡洛模拟样本；

S3.3：统计每个蒙特卡洛模拟样本中充电站的最大负载情况；

S3.4：初始化充电站建设功率，并设置迭代变量，设置终止条件以及最大迭代次数；

S3.5：根据迭代变量更新充电站建设功率；

S3.6：计算样本满足率；

S3.7：判断是否满足终止条件或达到最大迭代次数，若不满足则进行S3.5，否则进行S3.8；

S3.8：确定合适的充电站建设规模以及储能设备容量。

6.根据权利要求5所述的一种考虑充电随机性下电动汽车充电调度与充电站配置联合优化方法，其特征在于，S3.2中用户充电随机性主要体现在用户未能完全按照线性规划求解的调度结果进行充电，导致电动汽车充电未在调度时间内进行，采用蒙特卡罗模拟方法，根据用户充电随机性生成不同样本，样本中电动汽车充电情况如下式所示：

其中，S_E(n)表示第n个蒙特卡洛模拟样本的充电情况，N为样本的集合，表示该样本中编号为e的EV在时段t的充电情况；

为了表示EV用户提前或延迟到站进行充电的情况，样本充电时间的变化如下式所示：

其中，φ为区间[φ₁,φ₂]内的随机整数，分别表示电动汽车充电开始时间与结束时间。

7.根据权利要求6所述的一种考虑充电随机性下电动汽车充电调度与充电站配置联合优化方法，其特征在于，S3.3中，通过下式计算不同样本中充电站在调度时间内的最大负载：

8.根据权利要求7所述的一种考虑充电随机性下电动汽车充电调度与充电站配置联合优化方法，其特征在于，S3.4中，迭代变量β为在区间0β≤1内步长固定的递增变量。

9.根据权利要求8所述的一种考虑充电随机性下电动汽车充电调度与充电站配置联合优化方法，其特征在于，蒙特卡罗模拟中不同样本表示在不同用户充电行为下EVCS的负载情况，通过对这些样本的计算，得到用户充电不确定性下EVCS最大负载的高斯分布，均值标准差分别为μ_S，σ_s，为了使EVCS的建设功率能够尽量满足充电随机性导致的不同情况，S3.5中，充电站建设功率更新公式如下：

E_evcs＝(1β)×Load(n)_min+β×Load(n)_max

其中，对于服从高斯分布的随机变量，其与均值的最大偏差以不超过99％的置信度为界，因此，设置Load_min＝μ_S-3σ_s、Load_max＝μ_s+3σ_s；

S3.6中的样本满足率λ通过下式计算：

其中，ω₁为蒙特卡洛模拟样本集合N的基数，ω₂蒙特卡洛模拟样本中充电站最大负载小于此时β所对应E_evcs的样本数量；当λ达到预期时，选取此时的E_evcs为EVCS建设的最大功率。

10.根据权利要求5所述的一种考虑充电随机性下电动汽车充电调度与充电站配置联合优化方法，其特征在于，S3.8中储能设备容量确定公式如下：

其中，分别为光伏发电与风力发电在t时段的发电功率，ε是储能设备充放电时的能量转换率。