一种电动汽车充电负荷交互式实时定价策略引导的有序充电模型的制作方法

1.本发明涉及一种基于区域电网负荷实时调整的电动汽车充电定价模型以及构建实时电价引导下的有序充电模型，适用于为降低区域电网峰谷差、控制电动汽车负荷大量接入采取的一种实时电价引导策略，属电力营销技术领域。


背景技术：

2.在当前环保形势下，电动汽车得到飞速发展，ev负荷作为一种新的负荷形式在电力系统中占到越来越重要的比例。配电网作为发输电系统和终端用户的纽带，是保证供电可靠性、提高电网运行的重要环节。随着以ev为代表的柔性负荷的渗透率不断增加，其随机性使系统的运行状态更加复杂，从而给配电网的安全稳定运行带来了新的挑战。
3.目前ev车主充电不受充电桩的调配，无序充电以车主行为为主，即插即充，车主只考虑充电的便捷性和高效性，但大规模的ev负荷接入电网将可能造成区域电网负荷波动，在电网原始负荷高峰时期进行充电会导致负荷“峰上加峰”，超过区域电网供电能力和承受能力，造成变压器重载，影响供电可靠性和电能质量。反过来影响居民正常用电，限制充电负荷，拉长充电时间，导致用户抱怨。
4.为解决区域配电网存在供电能力紧张的现状，电网企业往往采用增加投资，满足电动汽车增长的需求，电动汽车充电具有较大间歇性，由此造成峰谷差拉大，ev不充电时又造成了供电资源的浪费。
5.因此，掌握ev负荷的时间分布特性，并利用电价引导策略平抑负荷波动是保持区域电网负荷稳定性同时提升用户满意度的重要举措，但目前现有技术中还未有相关报道。


技术实现要素：

6.本发明目的在于解决上述问题，提供一种电动汽车充电负荷交互式实时定价策略引导的有序充电模型，充分分析了电价引导策略对ev负荷充放电行为的特征的影响，充分考虑居民的充电意愿，以电网角度研究ev在居民区充电的无序充电模型，考虑ev的充电需求，以电网负荷削峰填谷为第一目标，提出了实现居民区有序充电控制的分时电价定价规则。
7.本发明的一种电动汽车充电负荷交互式实时定价策略引导的有序充电模型，其特殊之处在于包括以下步骤：
8.1)区域电网电动汽车充电模型构建条件
9.用户充电习惯将直接影响充电负荷的时间分布特性，将起始充电时间、行驶里程、soc三个关键因素进行分析，采用蒙特卡洛随机模拟大量ev的充电行为；
10.2)搭建有序充电负荷模型
11.采用遗传算法在电价引导下求解出ev充电最佳时间，运算过程如下：
12.(1)初始化：设置进化代数计数器t＝0，设置最大进化代数t，随机生成m个个体作
为初始群体p(0)；
13.(2)个体评价：计算群体p(t)中各个个体的适应度；
14.(3)选择运算：将选择算子作用于群体，选择的目的是把优化的个体直接遗传到下一代或通过配对交叉产生新的个体再遗传到下一代，选择操作是建立在群体中个体的适应度评估基础上的；
15.(4)交叉运算：将交叉算子作用于群体，遗传算法中起核心作用的就是交叉算子；
16.(5)变异运算：将变异算子作用于群体。即是对群体中的个体串的某些基因座上的基因值作变动，群体p(t)经过选择、交叉、变异运算之后得到下一代群体p(t 1)；
17.(6)终止条件判断：若t＝t,则以进化过程中所得到的具有最大适应度个体作为最优解输出，终止计算；
18.以下为求解过程中设置的优化条件：
19.(1)为保证ev车主出行需求，t个时段内ev总的充电负荷应保持不变，即有序充电负荷和无序充电负荷相等，如公式(1)所示：
[0020][0021]
式中，x
oi
为i时段ev无序充电负荷，利用遗传算法求xi最优解；xi为i时段ev有序充电负荷，即通过控制ev有序充电，求解i时刻最佳充电负荷；
[0022]
此外，为避免给电网造成更大的负荷负担，出现更高的负荷峰值或者出现“峰平倒置”的现象，要求实施优化后，电网负荷曲线峰值不超过原负荷曲线峰值，如公式(2)所示：
[0023]qmax
≤q
0max
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0024]
式中，q
max
为调度后的电网负荷曲线峰值；q
0max
为调度前居民负荷和ev相加的总负荷曲线峰值；
[0025]
(2)在降低峰谷差的基础上利用遗传算法再进行优化，达到降低用户充电费用的目标，将ev充电负荷转移至电费相对较低的时间段，同时需考虑若大量ev在电费较低的时间点同时开始充电，也会产生一个新的负荷波峰，出现“峰谷倒置”的现象，为避免该现象的出现，在充电电费较低的时间段，调度后的ev起始充电时间也应考虑负荷的变化情况，再确定某一时刻接入电网的ev数量；
[0026]
3)用户充电意愿预测
[0027]
用户充电意愿是非线性的、不可预测的，采用模糊智能算法将用户充电意愿简化为线性系统，具体如下：
[0028]
家用ev一天中有95％的时间是停驶状态，以停车时长、分时电价、ev的 soc为评判依据，以这三个量作为模糊推理系统模型的输入量，并且设置输入量隶属函数，输出量为ev的充电概率，联合高斯隶属度函数如公式(3)所示：
[0029][0030]
式中，x为分时电价，δ为ev的soc；c为停车时长。
[0031]
通过上述计算，得到这三个因素影响的ev充电概率值，隶属度函数将用户充电意愿这个非线性的变量计算简化为几个直观的数据，概率f的值，通过改变x，δ和c的数值，ev充电概率f会趋向于这几个数值；
[0032]
4)考虑用户意愿的无序充电模型
[0033]
通过计算每辆车的充电概率，并判断该辆车在此时段是否进行充电行为，模拟了考虑用户充电意愿的无序充电模型，具体如下：
[0034]
(1)首先模拟第1辆ev的soc、起始充电时间及停车时长，结合当前分时电价，用模糊算法计算该车的充电概率；
[0035]
(2)用随机函数判断该车是否充电，根据选择的快充或常规充电方式，计算其充电功率；
[0036]
(3)依次计算该小时内所有充电ev的充电负荷；
[0037]
(4)计算24小时内的ev充电负荷后，与居民负荷曲线相叠加，得到ev 无序充电情况下，区域电网的负荷曲线；
[0038]
5)计及电动汽车负荷特性的定价策略
[0039]
假设当前电网所用的电价形式是实时电价，每隔1h采集小区变压器负载率的变化，并根据采集的功率的变化信息对电价进行相应的调整，该地区一天内用户需支出的总充电费用公式(4)所示：
[0040][0041]
式中，pj为时段j充电电价；pi为第i台车辆功率的大小；n为所该居民区所拥有的电动私家车车辆总数；t为ev持续充电时间；x
ij
只有两个取值： 0或者1，数值0或者1代表着第i台研究的电车在j时段内是否有充电行为； 1代表电车正充电，0代表电车是闲置的，如公式(5)所示：
[0042][0043]
通过改变当前的充电价格，提升或降低部分用户的充电意愿，从而改变该部分用户的起始充电时间，避免在居民用电高峰的时候，充电负荷也大量接入电网，影响电网供电的稳定性。
[0044]
6)考虑用户充电意愿的分时电价下的有序充电模型
[0045]
取前一天第24小时的无序充电负荷与居民负荷的和，与平均总负荷相比，得到负荷倍数n1，通过负荷倍数得到下一时刻(即1点)的电价，此电价将引导1-2点的负荷，再计算1-2点的负荷，与平均总负荷相比，得到负荷倍数n2，得到下一时刻的电价，以此类推，计算出一天中每个时刻的电价及负荷变化情况，通过控制电价可改变用户的充电意愿，即改变充电概率，通过降低、提升充电概率，即可按需调节某时刻ev充电负荷的大小。
[0046]
本发明提出了一种基于区域电网实时负荷动态调整的“峰谷”分时电价计算方法；提出了一种运用遗传算法搭建ev充电有序充电模型的思路和方法；提出了一种ev用户充电概率简化计算方法；通过采集区域电网实时负荷值，动态制定当前时刻ev充电电价，改变ev用户充电意愿，引导ev充电行为，通过区域电网负荷和ev充电电价不间断实时交互式的相互影响，避免了大量ev不可控充电行为可能带来的电网拉大峰谷差，进一步实现降低ev 用户充电成本和减小区域电网峰谷差的双赢目标。
附图说明
[0047]
图1：本发明一种电动汽车充电负荷交互式实时定价策略引导的有序充电模型中搭建有序充电负荷模型的流程图；
[0048]
图2：本发明一种电动汽车充电负荷交互式实时定价策略引导的有序充电模型中用户充电意愿预测的流程图；
[0049]
图3：本发明一种电动汽车充电负荷交互式实时定价策略引导的有序充电模型中考虑用户意愿的无序充电模型的流程图；
[0050]
图4：本发明一种电动汽车充电负荷交互式实时定价策略引导的有序充电模型中计及电动汽车负荷特性的定价策略的流程图；
[0051]
图5：本发明一种电动汽车充电负荷交互式实时定价策略引导的有序充电模型中考虑用户充电意愿的分时电价下的有序充电模型的流程图；
[0052]
图6：山东电网峰谷电价示意图。
具体实施方式
[0053]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0054]
实施例1
[0055]
本实施例一种电动汽车充电负荷交互式实时定价策略引导的有序充电模型，参考附图1-5，包括以下结构及步骤：
[0056]
1)区域电网电动汽车充电模型构建条件
[0057]
用户充电习惯(如充电起始时间的选择)将直接影响充电负荷的时间分布特性，在无调控措施的情况下，用户以选择“行驶需求结束之后充电”或“无法满足行驶需求时充电”居多。ev充电负荷的时间分布特性对于区域负荷极为重要，若用户充电负荷高峰与区域电网的基本电负荷高峰重合，或将造成供电容量不足等情形。在开展充电负荷时间分布特性的研究当中，重点关注起始充电时间、行驶里程、soc等关键因素的分析；选用基于概率统计的蒙特卡洛(monte carol,mc)随机模拟模型，适用于分析大量ev的随机充电行为；
[0058]
ev以不同充电模式进行充电行为，对区域负荷的影响也不相同。慢充使得每次所需的充电时间较长，快充是利用大电流给ev充电，能在较短时间内完成对车辆的电能补充，但该充电模式对电网冲击较大，也会减少电池使用的寿命。用户对于充电模式的选择直接影响到某一时刻的充电功率水平和持续时间，而用户对充电模式的选择又存在随机性及其所在位置固有安装的充电设施限制性，故充电负荷建模时需对该特性考虑分析，而在有序充电研究时可将充电设施的实时输出功率作为决策变量。
[0059]
另外，不同的充电设施其充电效率不同(一般大于90％)，在车辆实际需求功率相同的情形下，充电效率越高，对区域电网负荷的需求就越接近ev实际需求，因此在仿真时，使用90％作为设备的充电效率。
[0060]
ev以不同充电模式进行充电行为，对区域负荷的影响也不相同，用户在某一时刻选择“快充”或者“慢充”将直接影响到某一时刻的充电功率水平和持续时间。通过市场调研
可以看出，ev负荷也出现较明显的峰谷特性，本文以电动私家车为例，下班后19:00到21:00是充电大高峰，早上上班前5:00 到7:00及中午12:00到14：00时间为充电小高峰。
[0061]
2)峰谷分时电价理论
[0062]
本发明借用峰谷分时电价理论，进一步提出一种基于电网负荷“峰”“平”“谷”而实时动态变化的分时电价定价方法。
[0063]
为降低电网负荷峰谷差距，激励用户合理调配用电时间，电网公司将一天24小时分为“峰时”、“平时”、“谷时”，不同时段所收取的费用也不相同。在智能电网背景下，电网公司可通过制订峰谷分时电价来引导用户充电行为。峰谷分时电价的模型如公式(1)所示：
[0064][0065]
式中：c
p
、cf和cv分别为峰电价、平电价和谷电价，c
p
》cf》cv；t1、t2、 t3分别为峰、平、谷电价时段。峰谷电价的制定由当地基本电价水平及ev发展规模确定，在电价确定后电动车主自主选择充放电时段，达到智能电网环境下电价引导作用。
[0066]
我国很多地区在执行峰谷电价制度，峰谷电价之间甚至接近3倍。以山东电网为例，峰谷电价如图6所示。
[0067]
目前的峰谷分时电价不能很好的引导电动汽车充电行为，未有针对电动汽车充电制定专门的充电电价。本文通过实时采集区域电网实时负荷，制定实时电价定价策略，能够很好引导电动汽车的充电行为。
[0068]
3)搭建有序充电负荷模型
[0069]
采用遗传算法在电价引导下求解出ev充电最佳时间，遗传算法是一种通过模拟自然进化过程搜索最优解的方法。该算法通过数学的方式，利用计算机仿真运算，将问题的求解过程转换成类似生物进化中的染色体基因的交叉、变异等过程。在求解较为复杂的组合优化问题时，相对一些常规的优化算法，通常能够较快地获得较好的优化结果。基本运算过程如下：
[0070]
(1)初始化：设置进化代数计数器t＝0，设置最大进化代数t，随机生成m个个体作为初始群体p(0)。
[0071]
(2)个体评价：计算群体p(t)中各个个体的适应度。
[0072]
(3)选择运算：将选择算子作用于群体。选择的目的是把优化的个体直接遗传到下一代或通过配对交叉产生新的个体再遗传到下一代。选择操作是建立在群体中个体的适应度评估基础上的。
[0073]
(4)交叉运算：将交叉算子作用于群体。遗传算法中起核心作用的就是交叉算子。
[0074]
(5)变异运算：将变异算子作用于群体。即是对群体中的个体串的某些基因座上的基因值作变动。群体p(t)经过选择、交叉、变异运算之后得到下一代群体p(t 1)。
[0075]
(6)终止条件判断：若t＝t,则以进化过程中所得到的具有最大适应度个体作为最优解输出，终止计算。
[0076]
以下为求解过程中设置的优化条件：
[0077]
(1)为保证ev车主出行需求，t个时段内ev总的充电负荷应保持不变，即有序充电
负荷和无序充电负荷相等，如公式(2)所示：
[0078][0079]
式中，x
oi
为i时段ev无序充电负荷，利用遗传算法求xi最优解；xi为i时段ev有序充电负荷，即通过控制ev有序充电，求解i时刻最佳充电负荷。
[0080]
此外，为避免给电网造成更大的负荷负担，出现更高的负荷峰值或者出现“峰平倒置”的现象，要求实施优化后，电网负荷曲线峰值不超过原负荷曲线峰值，如公式(3)所示：
[0081]qmax
≤q
0max
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0082]
式中，q
max
为调度后的电网负荷曲线峰值；q
0max
为调度前居民负荷和ev相加的总负荷曲线峰值；
[0083]
(2)在降低峰谷差的基础上利用遗传算法再进行优化，达到降低用户充电费用的目标，将ev充电负荷转移至电费相对较低的时间段，同时需考虑若大量ev在电费较低的时间点同时开始充电，也会产生一个新的负荷波峰，出现“峰谷倒置”的现象，为避免该现象的出现，在充电电费较低的时间段，调度后的ev起始充电时间也应考虑负荷的变化情况，再确定某一时刻接入电网的ev数量。
[0084]
4)用户充电意愿预测
[0085]
用户充电意愿是非线性的、不可预测的，采用模糊智能算法将用户充电意愿简化为线性系统，具体如下：
[0086]
家用ev一天中有95％的时间是停驶状态，以停车时长、分时电价、ev的 soc为评判依据，以这三个量作为模糊推理系统模型的输入量，并且设置输入量隶属函数，输出量为ev的充电概率，联合高斯隶属度函数如公式(4)所示：
[0087][0088]
式中，x为分时电价，δ为ev的soc；c为停车时长。可以得到这三个因素影响的ev充电概率值。隶属度函数将用户充电意愿这个非线性的变量计算简化为几个直观的数据，概率f的值(打比方10％、30％、50％、70％、90％)，通过改变x，δ和c的数值，ev充电概率f会趋向于这几个数值。
[0089]
针对模糊推理系统，本发明建立了一套27条充电决策的规则，如表1所示，具有五个模糊子集的充电概率输出隶属函数：
[0090]
表1模糊规则表
[0091]
[0092][0093]
本实施例将用户的充电概率分为五类，分别为“较小、小、中等、大、较大”，经去模糊化处理后，程序生成不同情况下的用户充电概率，通过改变电价、soc、停车时长的值，其对应的充电概率也会发生改变。
[0094]
5)考虑用户意愿的无序充电模型
[0095]
通过计算每辆车的充电概率，并判断该辆车在此时段是否进行充电行为，模拟了考虑用户充电意愿的无序充电模型，具体如下：
[0096]
(1)选择快速充电的用户，其停车时长短，此类用户需考虑其充电意愿，即此类用户的充电起始时间受soc、电价影响、停车时长影响；
[0097]
(2)选择常规充电的用户，此类用户也需要考虑其充电意愿，此类用户停车时间较长，起始充电时间受电价影响较大，可通过电价策略引导此类用户的充电习惯；
[0098]
(1)首先模拟第1辆ev的soc(计算充电时长)、起始充电时间及停车时长，结合当前分时电价，用模糊算法计算该车的充电概率。
[0099]
(2)用随机函数判断该车是否充电，根据选择的快充或常规充电方式，计算其充电功率。
[0100]
(3)依次计算该小时内所有充电ev的充电负荷
[0101]
(4)计算24小时内的ev充电负荷后，与居民负荷曲线相叠加，得到ev 无序充电情况下，区域电网的负荷曲线。因ev充电增加了区域电网峰谷差。
[0102]
6)计及电动汽车负荷特性的定价策略
[0103]
综合考虑用户和电网的利益，通过电价的变化来引导和鼓励ev用户调整充电时间，达到用户充电费用最小的同时避免峰上加峰，利用充电负荷的转移来提高谷时段的负荷曲线、降低现时段电网中的峰谷差，进一步提高电网的稳定性。
[0104]
假设当前电网所用的电价形式是实时电价，每隔1h采集小区变压器负载率的变化，并根据采集的功率的变化信息对电价进行相应的调整，该地区一天内用户需支出的总充电费用公式(5)所示：
[0105][0106]
式中，pj为时段j充电电价；pi为第i台车辆功率的大小；n为所该居民区所拥有的电动私家车车辆总数；t为ev持续充电时间；x
ij
只有两个取值： 0或者1，数值0或者1代表着第i台研究的电车在j时段内是否有充电行为； 1代表电车正充电，0代表电车是闲置的，如公式(6)所示：
[0107][0108]
通过改变当前的充电价格，提升或降低部分用户的充电意愿，从而改变该部分用户的起始充电时间，避免在居民用电高峰的时候，充电负荷也大量接入电网，影响电网供电的稳定性。
[0109]
工作过程：
[0110]
(1)根据历史运行数据计算区域总负荷，除以24h得到每个小时的平均负荷a，随机抽取某一起始时刻j，采集区域变压器实时负荷aj，计算系数 nj＝aj/a。
[0111]
(2)若nj＞1，此时刻区域实时负荷高于平均负荷，根据nj数值，按一定计算方法升高充电电价；若nj＜1，此时刻区域实时负荷低于平均负荷，根据nj数值，按一定计算方法降低充电电价。通过电价实时动态变化，引导下一时间段ev充电情况。
[0112]
(3)依次计算24h内各时间段负荷实时变化动态影响电价策略制定。
[0113]
通过改变当前的充电价格，提升或降低部分用户的充电意愿，从而改变该部分用户的起始充电时间，避免在居民用电高峰的时候，充电负荷也大量接入电网，影响电网供电的稳定性。
[0114]
每1h，电网根据实时电价、当前负荷、平均负荷等，决策下一时段的充电状态，并将下一时刻充电电价作为引导信号进行下达。本实施例选取一个“适中”电价作为标幺值
price，制定计及电动汽车负荷特性的定价模型如表 2所示：
[0115]
表2，计及电动汽车负荷特性的定价策略
[0116]
nj电价0＜nj≤0.8(nj-k2*m)*price0.8＜nj≤0.9(nj-k1*m)*price0.9＜nj≤1(nj-m)*price1＜nj≤1.1(nj m)*price1.1＜nj≤1.2(nj k1*m)*price1.2＜nj≤1.3(nj k2*m)*price1.3＜nj≤1.4(nj k3*m)*price1.4＜nj(nj k4*m)*price
[0117]
表中nj为j时刻区域电网总负荷与平均负荷a的比值；k1～k4为常数， 0《k1《k2《k3《k4；m为可变参数，根据当地ev数量、占总负荷比重确定。考虑到电网的收益和居民对电价的接受程度，电价的上限和下限选取合理的数值。
[0118]
7)考虑用户充电意愿的分时电价下的有序充电模型
[0119]
取前一天第24小时的无序充电负荷与居民负荷的和，与平均总负荷相比，得到负荷倍数n1，通过负荷倍数得到下一时刻(即1点)的电价，此电价将引导1-2点的负荷，再计算1-2点的负荷，与平均总负荷相比，得到负荷倍数n2，得到下一时刻的电价，以此类推，计算出一天中每个时刻的电价及负荷变化情况，文字描述工作过程：
[0120]
(1)根据前述实时电价定价计算方法，根据j时刻实时负荷得到实时电价pj。计算该时段内第1辆车的充电概率。
[0121]
(2)用随机函数判断该车是否充电，根据选择的快充或常规充电方式，计算其充电功率，依次计算该h内所有ev充电功率。
[0122]
(3)计算该h内ev充电负荷，并叠加区域居民负荷后得到下一时刻段的实时负荷。
[0123]
(4)直至24h内全部计算完毕。
[0124]
本发明分析了电价引导策略对ev负荷充放电行为的特征的影响，以某居民小区为研究对象，充分考虑居民的充电意愿，以电网角度研究ev在居民区充电的无序充电模型，考虑ev的充电需求，以电网负荷削峰填谷为第一目标，提出了实现居民区有序充电控制的分时电价定价规则，建立了计及ev 负荷特性的定价模型，根据此模型验证了电价引导策略对ev负荷行为的调节能力，并建立了考虑居民充电意愿的有序充电模型。
[0125]
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。