考虑用户选择的电动汽车优化调度方法及优化调度系统
阅读说明：本技术 考虑用户选择的电动汽车优化调度方法及优化调度系统 (Electric vehicle optimal scheduling method and optimal scheduling system considering user selection ) 是由 刘乙 钱科军 谢鹰 朱超群 李亚飞 郑众 张晓明 于 2021-08-24 设计创作，主要内容包括：考虑用户选择的电动汽车优化调度方法及优化调度系统,方法包括：步骤1,采集调度区域内的历史负荷数据；步骤2,基于历史负荷数据对电动汽车和非电动汽车总负荷功率进行预测得到每个时间段t内的总负荷功率预测值；步骤3,建立待优化调度总时间段内电动汽车优化调度的目标函数；步骤4,设定电动汽车的约束条件；步骤5,实时采集调度区域内所有电动汽车的充放电数据并对目标函数进行求解得到最优调度所需要使用的充电功率系数与放电功率系数。本发明还公开了对应该方法的优化调度系统。本发明能够得到电动汽车最优的调度,在考虑用户充电选择的情况下,最小化负荷峰谷差以达到削峰填谷的效果。(An electric vehicle optimal scheduling method and an optimal scheduling system considering user selection are provided, and the method comprises the following steps: step 1, collecting historical load data in a dispatching area; step 2, predicting the total load power of the electric automobile and the non-electric automobile based on historical load data to obtain a total load power predicted value in each time period t; step 3, establishing an objective function of electric vehicle optimized dispatching in the total time period to be optimized dispatching; step 4, setting constraint conditions of the electric automobile; and 5, acquiring the charging and discharging data of all the electric vehicles in the dispatching area in real time, and solving the objective function to obtain the charging power coefficient and the discharging power coefficient required by the optimal dispatching. The invention also discloses an optimized dispatching system corresponding to the method. The method and the device can obtain the optimal scheduling of the electric automobile, and minimize the load peak-valley difference under the condition of considering the charging selection of the user so as to achieve the effect of peak clipping and valley filling.)
技术领域
本发明属于电动汽车优化调度技术领域，具体涉及考虑用户选择的电动汽车优化调度方法及优化调度系统。
背景技术
电动汽车的快速发展，对电力系统提出了更高要求。随着电动汽车接入电网的数量增多，必然会加大电力系统用电负荷，电动汽车由于充电时间的不确定性和早晚潮汐效应，导致在大规模充电下给电力系统带来很大压力，加剧负荷峰谷差，影响电力系统的稳定，对电力系统的设备容量提出更高要求，电力系统的设计和维护也将面临很大困难。若对接入的电动汽车进行有效地调度，可以有效地减少负荷峰谷差，提高电力设备的利用率。在电动汽车接受系统调度时，包括两种模式：第1种是只充电但是不放电(G2V模式)，第2种模式是既充电也向电网放电(V2G模式)。V2G模式相对G2V模式而言，能更有效地减少峰谷差，但是对电动汽车的电池损耗更加严重。
现有的大部分的电动汽车调度方法都仅是考虑了单一的充电模式，没有考虑到用户的充电选择。同时在调度时，也没计及电动汽车用户的电池的损耗成本。
发明内容
为解决现有技术中存在的不足，本发明的目的在于，提供考虑用户选择的电动汽车优化调度方法及优化调度系统。在负荷预测和电动汽车充电数据基础上，针对电动汽车用户的充电选择(如G2V模式或V2G模式)，建立了电动汽车的调度模型，对电动汽车进行优化调度，从而减少负荷的峰谷差。首先进行负荷预测和电动汽车的充放电数据采集，然后根据建立的优化调度模型对电动汽车进行优化调度。其中采用商业求解器对模型进行求解，获取电动汽车在不同时间段的充电功率和放电功率。
为解决前述技术问题，本发明采用如下的技术方案：
考虑用户选择的电动汽车优化调度方法，包括以下步骤：
步骤1，采集调度区域内的历史负荷数据；
步骤2，基于步骤1的历史负荷数据对待优化调度总时间段内每一时间段t的电动汽车和非电动汽车的总负荷功率进行预测，得到总负荷功率预测值t为将T等分后的时间段，
步骤3，建立待优化调度总时间段内电动汽车优化调度的目标函数；
电动汽车优化调度的目标函数满足以下关系式：
其中，Gt为电动汽车在t时间段的购电成本，φi为电动汽车i在调度过程中的电池损耗成本，Pmax为电动汽车和非电动汽车总负荷功率的最大值，Pmin为电动汽车和非电动汽车总负荷功率的最小值；I为电动汽车的总集合；
和分别为电动汽车汽车i在t时间段的充电功率系数和放电功率系数；
α、λ和δ分别为Gt、φi以及(Pmax-Pmin)对应的系数；
步骤4，设定电动汽车的约束条件；
步骤5，实时采集每个时间段t内电动汽车的充放电数据，结合充放电数据、步骤2的总负荷功率预测值以及步骤4的约束条件对步骤3中的模型进行求解得到最优调度所需要使用的充电功率系数与放电功率系数。
在步骤1中，所述调度区域内的历史负荷数据包括历史电动汽车负荷功率数据以及非电动汽车负荷功率数据。
在步骤3中，当电动汽车为属于Ig2v的电动汽车i1时，为表示电动汽车i1在t时间段的充电功率系数；当电动汽车为属于Iv2g的电动汽车i2时，为表示电动汽车i2在t时间段的充电功率系数，为表示电动汽车i2在t时间段的放电功率系数；Ig2v为采用G2V模式的电动汽车集合，Iv2g为采用V2G模式的电动汽车集合，两者共同构成了电动汽车的总集合I。
在步骤3中，电动汽车在t时间段的购电成本Gt满足以下关系式：
其中，为属于Ig2v的电动汽车i1的额定充电功率，为属于Iv2g的电动汽车i2的额定充电功率，为属于Iv2g的电动汽车i2额定放电功率；ω1为采用G2V模式的电动汽车充电价格，ω2为采用V2G模式的电动汽车充电价格，ω3为采用V2G模式的电动汽车放电价格，ω2比ω1小。
属于Ig2v的电动汽车i1与属于Iv2g的电动汽车i2的电池损耗成本分别为与如果电动汽车i为属于Ig2v的电动汽车，则φi与相同，如果电动汽车i为属于Iv2g的电动汽车，则φi与相同，与满足以下关系式：
其中：ε1为ε2为电池充放电过程的损耗系数，分别代表功率波动系数和功率大小系数；和分别表示电动汽车i1或i2在t-1时间段的充电功率系数；表示电动汽车i2在t-1时间段的放电功率系数；为属于Ig2v的电动汽车i1的额定充电功率，为属于Iv2g的电动汽车i2的额定充电功率，为属于Iv2g的电动汽车i2额定放电功率。
Pmax和Pmin符合以下条件：
其中，Pt load为第t时间段的总负荷功率预测值。
在步骤4中，所述电动汽车的约束条件包括电动汽车的SOC约束条件、保证充电达到理想水平约束条件、充放电过程中的最大SOC限制、充放电过程中的最小SOC限制、充电前的充放电率限制以及充放电功率系数限制。
电动汽车的SOC约束条件为：
其中，为电动汽车i到达充电站时的SOC,SOCinit,i为电动汽车i的初始SOC，与分别为t时间段电动汽车i1或i2的SOC，与分别为电动汽车i1或i2的充电效率，为电动汽车i2的放电效率，与分别为电动汽车i1或i2的电池容量；
Ig2v为采用G2V模式的电动汽车集合，Iv2g为采用V2G模式的电动汽车集合，两者共同构成了电动汽车的总集合I；
和分别表示电动汽车i1或i2在t-1时间段的充电功率系数；表示电动汽车i2在t-1时间段的放电功率系数。
保证充电达到理想水平约束条件为：
其中，SOCdesired,i为电动汽车i期望的最小SOC值，为电动汽车i离开充电站时的SOC值。
充放电过程中的最大SOC限制为：
其中，SOCmax,i为电动汽车i允许的最大SOC值，当电动汽车i属于Ig2v时，为当电动汽车i属于Iv2g时，为
充电前的充放电率限制为：
其中，表示电动汽车i1在充电前的充电功率系数，表示电动汽车i2在充电前的充电功率系数，表示电动汽车i2在充电前的放电功率系数。
充放电功率系数限制包括以下内容：
对于采用G2V模式的电动汽车，其充电功率系数限制为：
其中，表示电动汽车i1在t时间段的充电功率系数；Ig2v为采用G2V模式的电动汽车集合；
对于采用V2G模式的电动汽车，其充电功率系数限制为：
其中，表示电动汽车i2在t时间段的充电功率系数；表示电动汽车i2在t时间段的放电功率系数；Iv2g为采用V2G模式的电动汽车集合；和分别为充电标志位和放电标志位，均为0或1的二元整数变量，同时最多只能有一个值可以取到1，即在充电时，充电标志位为1，放电标志位为0；在放电时，放电标志位为1，充电标志位为0。
在步骤5中，所采集电动汽车的充放电数据包括时间段t内调度区域内电动汽车的额定充电功率；电动汽车的额定放电功率；电动汽车充电选择模式，即G2V模式或者V2G模式；电动汽车的充电效率和放电效率；电动汽车期望最小荷电状态值；电动汽车的最大允许荷电状态值；电动汽车最小允许荷电状态值；电动汽车的电池容量值。
在步骤5中，可直接使用求解器结合步骤3的模型与步骤4的约束条件对各个时间段电动汽车的充电功率系数和放电功率系数进行求解，所述求解器包括Cplex、Mosek、Gurobi。
本发明还公开了基于考虑用户选择的电动汽车优化调度方法的优化调度系统，包括历史数据采集模块、充放电数据采集模块、负荷预测模块、目标函数模块、约束条件模块以及优化调度参数求解模块，其特征在于：
历史数据采集模块用于采集调度区域内的历史负荷数据，并将采集到的数据输入至负荷预测模块；
充放电数据采集模块采集待优化调度总时间段T内调度区域内所有电动汽车的充放电数据，并将采集到的充放电数据输入至优化调度参数求解模块；
负荷预测模块对待优化调度总时间段T内的电动汽车和非电动汽车的总负荷功率进行预测，确定每一时间段t内的总负荷功率预测值，并将预测到的总负荷功率预测值输入至优化调度参数求解模块；
目标函数模块建立待优化调度总时间段内电动汽车优化调度的目标函数，并将目标函数输入至优化调度参数求解模块；
约束条件模块设定电动汽车的约束条件，并将约束条件输入至优化调度参数求解模块；
优化调度参数求解模块将充放电数据、预测到的总负荷功率预测值代入目标函数，并根据约束条件得到最优调度所需要使用的充电功率系数与放电功率系数。
本发明的有益效果在于，与现有技术相比：
1、本发明提出的技术方案考虑了用户的充电选择，根据G2V充电模式或者V2G充电模式使用不同的计算方法，同时本发明的技术方案也考虑了用户电池损耗成本，使得算法更加精准；
2、本发明技术方案中的算法为自研的优化算法，根据所提出的限制条件所求解出的数学模型比现有技术中的算法更快捷、更准确；
3、本发明建立的数学模型为二次规划模型，比现有技术中的模型求解时更加简便；本发明的模型可以直接调用商业求解器进行高效求解，获取电动汽车最优的调度方法，能够在考虑用户充电选择的情况下，最小化负荷峰谷差，达到削峰填谷的效果。
附图说明
图1为本发明一种考虑用户选择的电动汽车优化调度方法的流程示意图。
具体实施方式
下面结合附图对本申请作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本申请的保护范围。
步骤1：采集调度区域内的历史负荷数据；
调度区域内的历史负荷数据包括历史电动汽车负荷功率数据以及非电动汽车负荷功率数据。在本实施例中，历史负荷数据从调度中心的记录中获得。
步骤2：基于步骤1的历史负荷数据对待优化调度总时间段内每一时间段t的电动汽车和非电动汽车的总负荷功率进行预测，得到总负荷功率预测值Pt load，t为将T等分后的时间段，
在对电动汽车进行优化调度前，基于历史负荷数据对电动汽车和非电动汽车总负荷功率进行预测，确定不同时间段的负荷大小，以便在进行电动汽车优化调度时能够进行削峰填谷，减少负荷的峰谷差；
总负荷功率预测可以选择传统的预测技术，包括神经网络预测。
步骤3：建立待优化调度总时间段内电动汽车优化调度的目标函数；
电动汽车优化调度的数学模型包括以下目标函数：
目标函数包括购电总成本、电池总损耗成本和峰谷差一共三项组成。其中：I为电动汽车的总集合，第一项中Gt为电动汽车在t时间段的购电成本；第二项中φi为电动汽车i在调度过程中的电池损耗成本；第三项中Pmax为电动汽车和非电动汽车总负荷功率的最大值，Pmin为电动汽车和非电动汽车总负荷功率的最小值；和分别为电动汽车汽车i在t时间段的充电功率系数和放电功率系数；当电动汽车为属于Ig2v的电动汽车i1时，为表示电动汽车i1在t时间段的充电功率系数；当电动汽车为属于Iv2g的电动汽车i2时，为表示电动汽车i2在t时间段的充电功率系数，为表示电动汽车i2在t时间段的放电功率系数；Ig2v为采用G2V模式的电动汽车集合，Iv2g为采用V2G模式的电动汽车集合，两者共同构成了电动汽车的总集合I；
α、λ和δ分别为Gt、φi以及(Pmax-Pmin)对应的系数，这三个系数决定了这三项的重要程度，取值越大证明其对应的参数越重要，具体取值可根据实际情况进行决定。
电动汽车在t时间段的购电成本满足以下关系式：
其中：为采用Ig2v模式的电动汽车i1的额定充电功率，为采用Iv2g模式的电动汽车i2的额定充电功率，为采用Iv2g模式的电动汽车i2额定放电功率。Ig2v为采用G2V模式的电动汽车集合，Iv2g为采用V2G模式的电动汽车集合，两者共同构成了电动汽车的总集合I。ω1为采用G2V模式的电动汽车充电价格，ω2为采用V2G模式的电动汽车充电价格，ω3为采用V2G模式的电动汽车放电价格。因为V2G模式相对于G2V模式对电池的损耗更大，ω2则比ω1小。
属于Ig2v的电动汽车i1与属于Iv2g的电动汽车i2的电池损耗成本分别为与如果电动汽车i为采用Ig2v模式的电动汽车，则φi与相同，如果电动汽车i为属于Iv2g的电动汽车，则φi与相同，与满足以下关系式：
其中：ε1为ε2为电池充放电过程的损耗系数，分别代表功率波动系数和功率大小系数。和分别表示电动汽车i1或i2在t时间段的充电功率系数；和分别表示电动汽车i1或i2在t-1时间段的充电功率系数；表示电动汽车i2在t时间段的放电功率系数；表示电动汽车i2在t-1时间段的放电功率系数。
其中Pmax和Pmin符合以下条件：
其中，Pt load为第t时间段的总负荷功率预测值。
步骤4：设定电动汽车的约束条件；
电动汽车的约束条件包括电动汽车的SOC约束条件、保证充电达到理想水平约束条件、充放电过程中的最大SOC限制、充放电过程中的最小SOC限制、充电前的充放电率限制以及充放电功率系数限制。
电动汽车的SOC约束条件为：
其中，为电动汽车i到达充电站时的SOC,SOCinit,i电动汽车i的初始SOC，与分别为t时间段电动汽车i1或i2的SOC，与分别为电动汽车i1或i2的充电效率，为电动汽车i2的放电效率，与分别为电动汽车i1或i2的电池容量。
保证充电达到理想水平约束条件为：
其中，SOCdesired,i为电动汽车i期望的最小SOC值，为电动汽车i离开充电站时的SOC值。
充放电过程中的最大SOC限制为：
其中，SOCmax,i为电动汽车i允许的最大SOC值，当电动汽车i属于Ig2v时，为当电动汽车i属于Iv2g时，为
充放电过程中的最小SOC限制为：
其中，SOCmin,i为电动汽车i允许的最小SOC值。
充电前的充放电率限制为：
其中，表示电动汽车i1在充电前的充电功率系数，表示电动汽车i2在充电前的充电功率系数，表示电动汽车i2在充电前的放电功率系数。
充放电功率系数限制包括以下内容：
对于采用G2V模式的电动汽车，其充电功率系数限制为：
对于采用V2G模式的电动汽车，其充电功率系数限制为：
其中和分别为充电标志位和放电标志位，均为0或1的二元整数变量，同时最多只能有一个值可以取到1，即在充电时，充电标志位为1，放电标志位为0；在放电时，放电标志位为1，充电标志位为0。
步骤5：实时采集每个时间段t内电动汽车的充放电数据，结合充放电数据、步骤2的总负荷功率预测值以及步骤4的约束条件对步骤3中的模型进行求解得到每个时间段最优调度所需要使用的充电功率系数与放电功率系数；
对电动汽车充放电数据进行采集，主要包括时间段t内调度区域内电动汽车的额定充电功率，电动汽车的额定放电功率，电动汽车充电选择模式，即G2V模式或者V2G模式，电动汽车的充电效率和放电效率，电动汽车期望最小荷电状态值，电动汽车的最大允许荷电状态值，电动汽车最小允许荷电状态值，电动汽车的电池容量值E。
电动汽车的数据由电动汽车用户直接上传给优化调度中心。
步骤3所建立的模型只有目标函数的第三项是二次函数，其余的项均为线性函数，同时约束条件均属于线性约束，所以属于一个混合整数二次规划问题，可以直接用商业求解器进行高效求解，找到电动汽车的最优调度策略，即各个时间段电动汽车的充电功率系数和放电功率系数。求解器包括Cplex、Mosek、Gurobi。
本发明还公开了一个基于本发明考虑用户选择的电动汽车优化调动方法的优化调度系统，该系统包括历史数据采集模块、充放电数据采集模块、负荷预测模块、目标函数模块、约束条件模块以及优化调度参数求解模块。
历史数据采集模块用于采集调度区域内的历史负荷数据，并将采集到的数据输入至负荷预测模块；
充放电数据采集模块采集待优化调度总时间段T内调度区域内所有电动汽车的充放电数据，并将采集到的充放电数据输入至优化调度参数求解模块；
负荷预测模块对待优化调度总时间段T内的电动汽车和非电动汽车的总负荷功率进行预测，确定每一时间段t内的总负荷功率预测值，并将预测到的总负荷功率预测值输入至优化调度参数求解模块；
目标函数模块建立待优化调度总时间段内电动汽车优化调度的目标函数，并将目标函数输入至优化调度参数求解模块；
约束条件模块设定电动汽车的约束条件，并将约束条件输入至优化调度参数求解模块；
优化调度参数求解模块将充放电数据、预测到的总负荷功率预测值代入目标函数，并根据约束条件得到最优调度所需要使用的充电功率系数与放电功率系数。
本发明申请人结合说明书附图对本发明的实施示例做了详细的说明与描述，但是本领域技术人员应该理解，以上实施示例仅为本发明的优选实施方案，详尽的说明只是为了帮助读者更好地理解本发明精神，而并非对本发明保护范围的限制，相反，任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。
- 上一篇：一种医用注射器针头装配设备
- 下一篇：一种光储充一体化电站系统