电动汽车与可再生能源协调优化方法和系统与流程

1.本发明属于电动汽车能源调度技术领域，具体涉及电动汽车与可再生能源协调优化方法和系统。


背景技术：

2.电动汽车和可再生能源发电领域近年来迅猛发展，但大规模电动汽车充电产生的随机大负荷会对电网产生新的冲击，同时风电，光伏等可再生能源因受天气环境等因素的影响，其出力具有很大的不确定性，直接影响了可再生能源接入电网的能力，而研究表明绝大多数车辆一天中有95％的时间处于停泊状态。
3.电动汽车与可再生能源的协调优化本质上是一个多目标优化问题。优化目标的选择越复杂，多目标问题的处理和求解要求也更高。
4.已有的研究例如：(1)从电网侧的运行需求出发，以可再生能源利用率、负荷波动性、负荷峰谷差作为优化目标，采用一种改进的动态多种群多目标粒子群算法进行求解。(2)考虑配电网负荷波动性、总网络损耗，并增加了电动汽车用户充电成本作为优化目标，求解电动汽车的合理入网数量。(3)从减小地区电网等效负荷差和购电成本的需求出发，建立了计及风光电源的地区电网电动汽车充电调度模型，并采用多目标模糊优化模型将多目标优化问题转化成单目标非线性优化问题进行求解。
5.目前电动汽车与可再生能源的协调优化主要集中在研究上层调度层面的优化，很少考虑到包含上层调度和下层响应的双层协调优化，然而在实际中，电动汽车与可再生能源的协调优化需要同时计及上层调度和下层响应。目前对分布式电动汽车的控制中多采用电价引导的方式进行，而电价引导往往容易产生新的负荷高峰，这对电网的运行也会产生一定的影响，不能得到满意的调度结果。


技术实现要素：

6.本发明旨在提供一种方法实现在合理的充放电调度下对电动汽车与可再生能源进行协调优化。
7.为实现上述方法，本发明采用了以下的技术方案。
8.一方面，本发明提供了电动汽车与可再生能源协调优化方法，包括：以等效负荷波动方差和最小为目标，以及以可再生能源渗透率最大为目标确定多目标问题，用最大模糊满意度法将多目标问题转化为单目标问题；
9.对所述单目标问题进行求解，得到电动汽车充放电负荷的调度计划；
10.以各个时段调度的电动汽车充电功率与所述调度计划之间偏差的平方和最小为目标确定各电动汽车充电功率的目标函数，用分布式控制算法确定每辆电动汽车的充电功率。
11.进一步地，系统等效负荷波动方差和最小为目标的目标函数表示如下：
[0012][0013][0014]
p
ev
(t)＝p
cha
(t)
‑
p
dch
(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0015]
式中，f1为系统等效负荷波动方差和；t为调度周期时段数，
[0016]
p
d
(t)为t时刻系统背景负荷，p
ev
(t)为t时刻电动汽车等效充电功率，p
wind
(t)为t时刻风电发电功率，p
solar
(t)为t时刻光伏发电功率，p
av
为系统等效负荷平均值，p
cha
(t)为t时刻充电功率，p
dch
(t)为t时刻放电功率。
[0017]
再进一步地，以可再生能源渗透率最大为目标的目标函数表示如下：
[0018][0019]
其中f2为系统中可再生能源渗透率；p
grid
为t时刻负荷从电网吸收的电能。
[0020]
再进一步地，所述多目标问题的约束条件包括：功率平衡约束、风电出力约束、光伏发电出力约束、电动汽车充电功率约束和电池剩余电量约束。
[0021]
再进一步地，所述功率平衡约束表示如下：
[0022]
p
grid
(t) p
renew
(t)＝p
ev
(t) p
d
(t)
ꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0023]
p
renew
(t)＝p
wind
(t) p
solar
(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0024]
式中，p
renew
(t)为t时刻获得的可再生能源出力；
[0025]
所述风电出力约束表示如下：
[0026]
p
wind
(t)≤p
wind,t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0027]
式中，p
wind,t
为t时刻风电出力预测值；
[0028]
所述光伏发电出力约束表示如下：
[0029]
p
solar
(t)≤p
solar,t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0030]
式中，p
solar,t
为t时刻光伏出力预测值；
[0031]
所述电动汽车充电功率约束表示如下：
[0032]
p
evmin
＜p
ev
(t)＜p
evmax
ꢀꢀ
(9)
[0033]
式中，p
evmin
为电动汽车充放电功率下限；p
evmax
为电动汽车充放电功率上限；
[0034]
所述电池剩余电量约束表示如下：
[0035][0036]
式中，s(t 1)为电动汽车电池在t 1时段的剩余电量；s(t)为电动汽车电池在t时段的剩余电量；η
dch
为电动汽车放电效率，n
dr
(t)为t时刻行驶的电动汽车数量；s
dr
,(t)为电动汽车在1h的行驶耗电量；
[0037]
电动汽车电池在t时段的剩余电量应满足下式：
[0038]
s
min
＜s(t)＜s
max
ꢀꢀ
(13)
[0039]
式中，s
min
为电动汽车电池最小剩余电量；s
max
为电动汽车电池最大剩余电量；
[0040]
电动汽车在一天中的充放电量应满足约束：
[0041][0042]
再进一步地，电动汽车充放电功率的上下限的计算公式如下：
[0043][0044]
p
evmax
＝λ(t)np
cha
(t)η
cha
ꢀꢀꢀꢀꢀ
(11)
[0045]
式中，λ(t)为t时刻电动汽车的停驶概率；n为可调度的电动汽车数量；p
cha
为单台电动汽车充电功率；p
dch
为单台电动汽车充电功率；η
cha
为电动汽车充电效率；η
dch
为电动汽车放电效率。
[0046]
进一步地，所述单目标问题表示如下：
[0047]
g(t)＝maxλ1ꢀꢀ
(18)
[0048][0049]
λ1＝min{μ(f1(x))，μ(f2(x))}
ꢀꢀꢀꢀ
(17)
[0050]
其中f1(x)为系统等效负荷波动方差和函数，f2(x)为系统中可再生能源渗透率函数，x为决策向量；c1和c2分别为系统等效负荷波动最小和可再生能源渗透率最大的单目标优化值，δ1和δ2分别为可接受的系统负荷波动方差增加量和期望增加的可再生能源渗透率。μ(f1(x))为系统等效负荷波动方差和函数的隶属度函数，μ(f2(x))为系统中可再生能源渗透率函数的隶属函数，g(t)为电动汽车充放电负荷的调度计划。
[0051]
再进一步地，以各个时段调度的电动汽车充电功率与所述电动汽车充放电负荷的调度计划之间偏差的平方和最小为目标表示如下：
[0052][0053]
式中，l(p)为目标函数，p
i
为第i辆电动汽车的充电负荷(即充电功率)，n为可调度的电动汽车数量，p
n
(t)表示第n辆电动车第t时刻的充电负荷(即充电功率)，t为调度周期时段数。
[0054]
再进一步地，所述分布式控制算法具体包括：
[0055]
(1)初始化充电功率
[0056][0057]
置迭代次数为0；
[0058]
(2)计算控制信号
[0059][0060]
变量r
k
为在第k次迭代时的控制信号，设u’为利普希茨连续的函数，将控制信号r
k
广播到每辆电动汽车；
[0061]
(3)更新充电功率
[0062]
对于每一辆电动汽车根据下式计算下一次迭代的充电功率更新每辆电动汽车的充电功率，并将结果反馈到控制中心。
[0063][0064]
(4)置迭代次数k＝k 1，重复步骤(2)
‑
(4)。
[0065]
当迭代次数达到指定值或者相邻两次的迭代误差小于一定值时迭代终止。
[0066]
第二方面，本发明提供了电动汽车与可再生能源协调优化系统，包括：多目标问题确定模块，单目标问题转化模块、负荷跟踪模块以及分布式控制算法求解模块；
[0067]
所述多目标问题确定模块，用于以等效负荷波动方差和最小为目标，以及以可再生能源渗透率最大为目标确定多目标问题，用最大模糊满意度法将多目标问题转化为单目标问题；
[0068]
所述单目标问题转化模块，用于对所述单目标问题进行求解，得到电动汽车充放电负荷的调度计划；
[0069]
所述负荷跟踪模块，用于以各个时段调度的电动汽车充电功率与所述电动汽车充放电负荷的调度计划之间偏差的平方和最小为目标确定各电动汽车充电功率的目标函数；
[0070]
所述分布式控制算法求解模块，用于根据所述各电动汽车充电功率的目标函数，用分布式控制算法确定每辆电动汽车的充电功率。
[0071]
本发明所取得的有益技术效果：本发明为了更好的平衡新能源汽车与可再生能源以及电网之间的关系，建立了一个电动汽车与可再生能源的双层协调优化模型。以等效负荷波动方差和最小为目标，以及以可再生能源渗透率最大为目标确定多目标问题，用最大模糊满意度法将多目标问题转化为单目标问题；对该单目标问题进行求解，得到的电动汽车充放电负荷的调度计划即为该区域控制中心制定的调度计划，以实现等效负荷波动最小和可再生能源渗透率最大；基于获得的调度计划，确定各电动汽车充电功率的目标函数，进而确定每辆电动汽车具体的充放电负荷，以实现对上层电动汽车充放电负荷的跟踪。考虑到电动汽车充电的分散性，用分布式控制算法控制每辆电动汽车的充放电，将分布式控制算法用于跟踪多目标优化下的给定电动汽车充电负荷从而获得每辆电动汽车的充电功率。
具体实施方式
[0072]
以下结合具体实施例对本发明做进一步说明。
[0073]
本发明提出了一种电动汽车与可再生能源的双层协调优化模型方法。该方法分为上层模型和下层模型，首先计算上层模型中的目标函数和约束条件，接着利用相关求解方法实现等效负荷波动最小和可再生能源渗透率最大。接着在下层模型中实现对上层电动汽车充放电负荷的跟踪。
[0074]
实施例1：电动汽车与可再生能源协调优化方法，
[0075]
1上层电动汽车与可再生能源协调调度
[0076]
1.1目标函数
[0077]
(1)系统等效负荷波动方差和最小
[0078][0079][0080]
p
ev
(t)＝p
cha
(t)
‑
p
dch
(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0081]
式中，f1为系统等效负荷波动方差和；t为调度周期时段数，取24；p
d
(t)、p
ev
(t)、p
cha
(t)、p
dch
(t)、p
wind
(t)、p
solar
(t)分别为t时刻系统背景负荷、电动汽车等效充电功率、充电功率、放电功率、风电和光伏发电功率；p
av
为系统等效负荷平均值。
[0082]
(2)可再生能源渗透率最大
[0083][0084]
式中，f2为系统中可再生能源渗透率；p
grid
为t时刻负荷从电网吸收的电能。
[0085]
1.2约束条件
[0086]
(1)功率平衡约束
[0087]
在任意时刻t，负荷从电网吸收的功率、可再生能源发电功率、电动汽车充(放)电消耗(提供)的功率与背景负荷之间满足实时平衡关系。
[0088]
p
grid
(t) p
renew
(t)＝p
ev
(t) p
d
(t)
ꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0089]
p
renew
(t)＝p
wind
(t) p
solar
(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0090]
式中，p
renew
(t)为t时刻获得的可再生能源出力。
[0091]
(2)风电出力约束
[0092]
风力发电具有间歇性，在当前的技术条件下，可对风电场的出力进行预测，一般认为，风电出力小于等于风电场的预测出力，为保证系统安全稳定运行，在实际的调度过程中，可对风电场出力进行下调控制，即：
[0093]
p
wind
(t)≤p
wind,t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0094]
式中，p
wind,t
为t时刻风电出力预测值。
[0095]
(3)光伏发电出力约束
[0096]
一般认为，光伏出力小于等于光伏出力预测值，即：
[0097]
p
solar
(t)≤p
solar,t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0098]
式中，p
solar,t
为t时刻光伏出力预测值。
[0099]
(4)电动汽车充电功率约束
[0100]
电动汽车电池的充放电功率有一定限制，即有充电功率上下限：
[0101]
p
evmin
＜p
ev
(t)＜p
evmax
ꢀꢀ
(9)
[0102]
式中，p
evmin
为电动汽车充放电功率下限；p
evmax
为电动汽车充放电功率上限，其上下限的计算方法为：
[0103][0104]
p
evmax
＝λ(t)np
cha
(t)η
cha
ꢀꢀꢀꢀꢀ
(11)
[0105]
式中，λ(t)为t时刻电动汽车的停驶概率；n为可调度的电动汽车数量；p
cha
为单台
电动汽车充电功率；p
dch
为单台电动汽车充电功率；η
cha
为电动汽车充电效率；η
dch
为电动汽车放电效率。
[0106]
(5)电池剩余电量约束
[0107][0108]
式中，s(t 1)为电动汽车电池在t 1时段的剩余电量；s(t)为电动汽车电池在t时段的剩余电量；n
dr
(t)为t时刻行驶的电动汽车数量；s
dr
,(t)为电动汽车在1h的行驶耗电量。
[0109]
为保证电池寿命，对电动汽车电池应尽量保证浅充浅放。
[0110]
s
min
＜s(t)＜s
max
ꢀꢀ
(13)
[0111]
式中，s
min
为电动汽车电池最小剩余电量；s
max
为电动汽车电池最大剩余电量。
[0112]
为保证电动汽车第二天的出行需求，电动汽车在一天中的充放电量应满足约束：
[0113][0114]
1.3求解方法
[0115]
最大模糊满意度法对优化问题的处理过程是，先定义两个优化目标函数的隶属度函数，两者取小即为满意度，转化为满意度最大化问题，其中每个目标的δ值的大小表示决策者对该目标的重视程度。
[0116]
(1)目标函数模糊化
[0117]
确定各个目标的隶属度函数是多目标模糊优化模型建模的关键。期望在满足所有约束条件的前提下，系统负荷波动越小越好，有上限而无下限，属于“成本型”隶属度函数，选择单调不增的分布作为该目标的隶属度函数；期望可再生能源渗透率越大越好，有下限而无上限，属于“效益型”隶属度函数，选择单调不减的分布作为该目标的隶属度函数；所以选择降半直线形作为系统负荷波动方差和的隶属度函数，升半直线形作为可再生能源渗透率的隶属度函数。
[0118]
分别由下式所示的计算式表示。
[0119][0120][0121]
式中，x为决策向量；c1和c2分别为系统等效负荷波动最小和可再生能源渗透率最大的单目标优化值；δ1和δ2分别为可接受的系统负荷波动方差增加量和期望增加的可再生能源渗透率。其中，δ1和δ2根据单目标优化得到的优化目标值进行一定程度的伸缩确定。目标函数的隶属度越大，表明决策者对于该优化的结果越满意。
[0122]
对应的隶属度函数的中的较小者，定义为决策者对该模型的满意程度λ1，即：
[0123]
λ1＝min{μ(f1(x))，μ(f2(x))}
ꢀꢀꢀꢀ
(17)
[0124]
原问题可以转化为使满意度λ1最大化的问题。
[0125]
maxλ1ꢀꢀ
(18)
[0126][0127]
2下层电动汽车负荷跟踪
[0128]
假设控制中心会对电动汽车采取一定的激励措施，使电动汽车可以在停驶时间接入电网，以接受控制中心的控制信号。具体的电动汽车调度采用分布式控制算法。
[0129]
2.1负荷跟踪模型
[0130]
下层模型中期望电动汽车的充电负荷能够跟踪上层模型中电动汽车的调度计划，以下层各个时段调度的电动汽车充电功率与上层计划之间偏差的平方和最小为目标，即为：
[0131][0132]
式中，l(p)为目标函数，p
i
为第i辆电动汽车的充电负荷，g(t)为上层调度计划。
[0133]
每辆电动汽车的电量满足约束：
[0134]
s
min
＜s(t)＜s
max
ꢀꢀ
(21)
[0135]
式中，s
min
和s
max
分别为电动汽车电量上下限。
[0136]
为保证每辆车第二天的出行需求，充放电电量需满足约束：
[0137][0138]
2.2分布式控制算法
[0139]
定义变量r
k
为在第k次迭代时的控制信号，设u’为利普希茨(lipschitz)连续的函数，其利普希茨(lipschitz)常数为β，且β>0，即：
[0140]
|u'(x)
‑
u'(y)|≤β|x
‑
y|
ꢀꢀꢀꢀꢀꢀ
(23)
[0141]
其中，参数γ的范围为：
[0142]
0＜γ＜1/(nβ)
ꢀꢀ
(24)
[0143]
具体计算流程如下：
[0144]
(1)初始化充电功率
[0145][0146]
置迭代次数为0。
[0147]
(2)计算控制信号
[0148][0149]
将控制信号r
k
广播到每辆电动汽车。
[0150]
(3)更新充电功率
[0151]
对于每一辆电动汽车根据下式计算下一次迭代的充电功率更新每辆电动汽车的充电功率，并将结果反馈到控制中心。
[0152][0153]
(4)置迭代次数k＝k 1，重复步骤(2)
‑
(4)。
[0154]
当迭代次数达到指定值或者相邻两次的迭代误差小于一定值时迭代终止。
[0155]
控制中心将信号下发到各个电动汽车，电动汽车根据控制信号更新自己的充电计划，并将结果反馈给控制中心，控制中心根据结果更新控制信号。
[0156]
本发明实施例同时建立了上层模型和下层模型来进行协调优化。上层模型以等效负荷波动最小和可再生能源渗透率最大为目标，用最大模糊满意度法将多目标问题转化为单目标问题，用遗传算法进行求解，得到上层电动汽车充放电负荷的调度计划。下层模型以实现电动汽车负荷跟踪为目标，用分布式控制算法控制每辆电动汽车的充放电，用遗传算法进行求解，得到下层的控制信号。
[0157]
本发明在合理的充放电调度下对电动汽车与可再生能源进行协调优化，对于平抑风电、光伏的不稳定出力，维持电网稳定运行，提高系统运行整体的经济效益与环境效益有着非常重要的意义。
[0158]
本发明还提供了电动汽车与可再生能源协调优化系统，包括：多目标问题确定模块，单目标问题转化模块、负荷跟踪模块以及分布式控制算法求解模块；
[0159]
所述多目标问题确定模块，用于以等效负荷波动方差和最小为目标，以及以可再生能源渗透率最大为目标确定多目标问题，用最大模糊满意度法将多目标问题转化为单目标问题；
[0160]
所述单目标问题转化模块，用于对所述单目标问题进行求解，得到电动汽车充放电负荷的调度计划；
[0161]
所述负荷跟踪模块，用于以各个时段调度的电动汽车充电功率与所述电动汽车充放电负荷的调度计划之间偏差的平方和最小为目标确定各电动汽车充电功率的目标函数；
[0162]
所述分布式控制算法求解模块，用于根据各电动汽车充电功率的目标函数，用分布式控制算法确定每辆电动汽车的充充电功率。
[0163]
在以上实施例基础上，进一步地，所述多目标问题确定模块确定的以系统等效负荷波动方差和最小为目标的目标函数表示如下：
[0164][0165][0166]
p
ev
(t)＝p
cha
(t)
‑
p
dch
(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0167]
式中，f1为系统等效负荷波动方差和；t为调度周期时段数，p
d
(t)为t时刻系统背景负荷，p
ev
(t)为t时刻电动汽车等效充电功率，p
wind
(t)为t时刻风电发电功率，p
solar
(t)为t时刻光伏发电功率，p
av
为系统等效负荷平均值，p
cha
(t)为t时刻充电功率，p
dch
(t)为t时刻放电功率。
[0168]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，
装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0169]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd
‑
rom、光学存储器等)上实施的计算机程序产品的形式。
[0170]
本技术是参照根据本技术实施例的方法和设备(系统)来描述的。应理解可由计算机程序指令实现方法中的每一流程或流程的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实方法中一个流程或多个流程中指定的功能的装置。
[0171]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现一个流程或多个流程中指定的功能。
[0172]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现一个流程或多个流程中指定的功能的步骤。
[0173]
对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。