一种基于用户特性的电动汽车优化调度方法

1.本发明涉及电力系统优化调度技术领域，尤其涉及一种基于用户特性的电动汽车优化调度方法。


背景技术：

2.用户特性是指电动汽车用户在日常生活中驾驶电动汽车的出行特性和充电特性，大规模的电动汽车用户入网将会影响电力系统安全稳定运行，不同类型用户之间的充电行为和日常出行行为又有着差异性和相似性；张艳娟等人《基于电动汽车时空特性的充电负荷预测》针对电动汽车充电特性，将电动汽车充电的充电区域选择、电动汽车的类别分类、电动汽车充电方式、充电时空分布等影响因素进行细化并整合成为模型研究，最后得到不同的时空区域之间的电动汽车充电负荷模型。张洪财等《考虑时空分布的电动汽车充电负荷预测方法》基于电动汽车用户的驾驶特性、停放特性对电动汽车充电行为进行区分，并通过蒙特卡洛模拟对充电负荷进行模拟仿真。
3.通过对用户特性的挖掘分析可以发现他们之间在充电地点选择、充电时间段的选择以及soc状态限制等特征，电动汽车平台公司可以通过分析结果采取不同的调度策略，控制电动汽车入网的规模和时间，从而使用电侧能够成为使供电侧平稳运行的调度参与者，从而使电力系统能够安全、稳定、经济、高效、可靠地运行。对数据的聚类分群后分析子群的特点，并依据子群的特点再对其进行可调控与不可调控的区分，统计其需求并参与电网的调度。这有助于电动汽车平台公司制定电动汽车的优化调度方案。


技术实现要素：

4.本发明所要解决的技术问题是：。
5.本发明所采用的技术方案：一种基于用户特性的电动汽车优化调度方法，包括以下步骤：
6.s1、用户数据预处理，包括：对用户电动汽车数据进行搜集和筛选，剔除误差值及错值用户数据；
7.通过汽车监管平台和汽车充电桩监管平台获取用户电动汽车数据包括：车辆类型(cartype)、充电起始时间(timestart)、充电结束时间(timeend)、出行距离(range)、充电起始电池荷电状态(socstart)、充电结束电池荷电状态(socend)、充电方式(chargeway)、充电地点(chargeplace)和充电时间段(chargingperiod)，共9个用户特征数据，表1是某用户特征样例数据：
8.表1某用户特征数据
[0009][0010]
其中车辆类型分为：出租车(taxi)、公务车(business)、私家车(familycar)、公交
车(bus)；出行距离分为：超长距离(slongdistince)(200km以上)、长距离(longdistince)(100-200km)、短距离(shortdistince)(0-50km)和中等距离(middistince)(50-100km)；充电方式分为：长时间(longtime)、短时间(shorttime)、常规(normal)；充电时间段分为：夜间(night)、白天(day)；
[0011]
s2、将9个用户特征数据作为输入，利用spss软件的二阶聚类算法构建cf特征树，判断聚类算法的叶节点数是否达到最大允许聚类数目为条件进行循环预聚类，当符合所需要的条件，即：按照不同的行驶特性和充电特性则达到完成聚类，并通过bic(施瓦兹贝叶斯)判断聚类效果；针对聚类结果研究用户特性的相似性与规律性，考虑用户选择充电地点、充电时间段、充电起始soc、充电结束后soc的满意度是否满足出行需求；聚类结果得到不同电动汽车用户在相同时间段内对充电地点的选择及其对充电方式的选择受到充电时间段限制，相同电动汽车用户在相同时间段内的充电时间受到电池容量的影响不同的特性，得到聚类重要性顺序依次为车辆类型》充电地点》出行距离》充电方式》充电时间段；如图2所示，由上到下聚类数据的重要性依次增加，最重要的是cartype，数据表明用户在选择充电时，车辆类型、充电地点、行驶里程的选择以及充电方式的选择是用户充电选择时决策点，最终将私家车、公交车、出租车和公务车聚类出6个聚类子群，6个聚类群行为特征如表2所述：
[0012]
表2聚类群行为特征汇总
[0013][0014]
私家车、公交车、出租车以及公务车各自特性分布有交叉与分离；将6个聚类群的电动汽车用户特性进行可调控与否的划分，分为可调控车群m1和不可调控车群m2，其中，可调控车群m1包括聚类群3、聚类群4和聚类群6；不可调控车群m2包括，聚类群1、聚类群2和聚类群5；可调控车群m1作为负载或是电源参与电网的互动，互动中，车群作为负载消耗电能，作为电源提供电能；
[0015]
结合图3-8与表2中可以看出，聚类群1和聚类群2为出租车用户组成的集群，其在选择充电时，需要考虑运营时间，只有在深夜时刻才选择进行常规充电，其它时间则选择的是在运营间隙进行快速充电，其充电任意性选择较大；因此，在划分时将聚类群1、2划分到m2车群进行调度，其作为不可控车群m2进行正常的充放电行为。
[0016]
在聚类群5、聚类群6中，公交车和私家车占主导地位，其中，聚类群5公交车在白天运营期间的充电行为是选择快速充电，充电时间的选择受soc和行驶距离的影响，多选择为公交车停车区充电，聚类群6中的私家车主选择在夜间下班以后将电动汽车接入电网充电；此时，公交车的可控程度没有私家车的可控程度高，因此，将聚类群5划分至不可调控车群m2，将聚类群6划分至可调控车群m1。
[0017]
聚类群3中为公务车夜间充电与部分公交车换电池充电，这一类用户的充电行为可以加以控制，公务车作为负载或是电源参与电网的互动，而公交车换电池成本小于充电成本且可作为备用的电源，因此，将聚类群3划分至可调控车群m1。
[0018]
聚类群4中，是私家车用户和部分的出租车用户，从其行为上看，该部分出租车用户的行为和私家车用户行为相似，这是因为在研究过程中，将网约车划分至出租车用户，有部分的网约车车主实际上将车驾驶回居民区并在居民区参与充电，其工作时间段较少，类似于私家车，因此，在划分该类集群时，将其划分可调控车群m1；
[0019]
s3、建立以系统运行总成本最小的目标函数，根据可调控和不可调控用户特性进行优化调度，目标函数minac(minall cost)表示为：
[0020][0021]
式中，i表示第i个机组；t为所选火电机组开机时间段；火电机组总数为n；pi(t)表示第i个机组在t时刻机组的有功出力大小；vi(t)表示机火电机组状态量，1表示开机状态，为0表示关机状态；ci为火电机组i在t时刻的总的化石燃料费用；si(t)为火电机组i在t时段的开机时产生的费用，dp(t)是在t时刻放电电价，op(t)是在t时刻充电电价，p
vdis(n)
(t)电动汽车放电功率、p
vch(n)
(t)是电动汽车充电功率；nv参与调度的电动汽车总数；
[0022]ci
(pi(t))和pi(t)用函数表示为：
[0023]ci
(pi(t))＝ai bipi(t) ci[pi(t)]2ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0024]
式中，ai、bi、ci为火电机组燃料的成本系数；
[0025]
火电机组约束条件
[0026]
1)功率平衡约束
[0027][0028]
其中，p
l
(t)为时段t系统的有功负荷；
[0029]
在公式中，单辆电动汽车充电功率p
vch
(t)可表示为：
[0030][0031]
p
vdis
(t)放电功率可表示为：
[0032]
[0033]
其中，n
vch
是指每小时充电车辆数，n
vdis
是指每小时放电车辆数，表示电动汽车当前的soc量、表示电动汽车电池已经消耗的电量；pv表示电动汽车的额定功率；
[0034]
2)充放电约束
[0035]
ev充电约束
[0036][0037]
其中，p
vchlimit(n)
(t)是在t时刻，第n辆电动汽车充电的上限值；
[0038]
ev放电约束
[0039][0040][0041]
式中，p
vdislimit(n)
(t)是在t时刻，第n辆电动汽车放电的限制；
[0042]
ev数量约束
[0043][0044]
式中，n
vdis
、n
vch
表示当前正在充电与正在放电的电动汽车数量；
[0045]an
(t)、bn(t)表示第n辆电动汽车在t时刻，充电和放电之间的选择。因为充电和放电不在同一时刻进行，因此，选择0和1二进制变量作为它们状态的标识。
[0046]
3)ev平衡约束
[0047][0048]
4)常规火电机组出力约束
[0049]
p
imin
(t)≤pi(t)≤p
imax
(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(10)
[0050]
式中，p
imax
、p
imin
分别为火电机组i的有功出力上下限值。
[0051]
5)旋转备用约束
[0052][0053]
式中，p
imax
(t)为机组i在t时段内的最大出力，pr(t)为对应的t时段系统的旋转备用容量。
[0054]
6)机组启停时间约束
[0055][0056][0057]
式中，t
ioff
(t)、t
ion
(t)分别为时段t内机组i已经连续停机的时间和已经连续开机的时间；分别为机组i的最小连续停机时间限制和最小连续开机时间限制。
[0058]
本发明产生的有益效果是：
[0059]
1、运用了二阶聚类算法对大数据下的电动汽车用户特性进行聚类分析，再结合电网优化调度策略，建立以系统运行总成本最小的目标函数，平衡充放电成本，降低系统运行的总成本，达到削峰填谷的效果。
附图说明
[0060]
图1是本发明的基于用户特性的电动汽车优化调度方法的基本流程图；
[0061]
图2是聚类结果得到的不同变量的重要性；
[0062]
图3-8是本发明不同的特性聚类得到的聚类子群分布图；
[0063]
图9是本发明系统流程图；
[0064]
图10是本发明以一天为例，优化系统的前后负荷消耗对比图。
具体实施方式
[0065]
下面结合附图和实施例对本发明作进一步说明，此图为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。
[0066]
本发明实例提供了一种基于用户特性的电动汽车优化调度方法，如图1所示，包括：
[0067]
s1、用户数据预处理，包括：对用户电动汽车数据进行搜集和筛选，剔除误差值及错值用户数据，其中，用户电动汽车数据来源于某汽车厂商电动汽车监管平台以及某市电动汽车充电桩监管平台；
[0068]
s2、将9个用户特征数据作为输入，利用spss软件的二阶聚类算法构建cf特征树，判断聚类算法的叶节点数是否达到最大允许聚类数目为条件进行循环预聚类，当条件达到完成聚类，并通过bic(施瓦兹贝叶斯)判断聚类效果；根据某段时间内某汽车厂商电动汽车监管平台以及某市电动汽车充电桩监管平台的用户特征聚类的结果如表3：
[0069]
表3二阶聚类结果输出表
[0070][0071]
s3、将不同聚类群的电动汽车用户特性进行可调控与否的划分，分为可调控车群m1和不可调控车群m2；
[0072]
将6个聚类群的电动汽车用户特性进行可调控与否的划分，分为可调控车群m1和不可调控车群m2，其中，可调控车群m1包括聚类群3、聚类群4和聚类群6；不可调控车群m2包括，聚类群1、聚类群2和聚类群5；可调控车群m1作为负载或是电源参与电网的互动；
[0073]
s4、建立以系统运行总成本最小的目标函数，根据可调控和不可调控用户特性进行优化调度，并对目标函数进行功率平衡约束、充放电约束、ev平衡约束、常规火电机组出力约束、旋转备用约束和机组启停时间约束。
[0074]
如图9为整个不可调控m2车群和可调控m1车群参与电网的互动的流程，参与优化调度时，首先要对该辆车的是否可调控进行判断，若属于可调控车群m1，则进行放电电价的判断并进行优化；若不属于该聚类群，则进行二次判断是否属于属于不可调控车群m2，若符合，则统计该车的充电需求进行不可控充电汽车群的充电优化。车辆在同一时刻不能同时处于即充电又放电的状态，单日内电动汽车充放电只能一次；放电深度设置为10％pv，pv为电动汽车的额定容量；当充放电达到约束条件时，t进行自加1进入下一个循环的判断，此时电动汽车为充电状态，则电动汽车进行充电的优化。在整个充放电优化调度的过程中，应该时刻保持机组侧的约束条件；其中包括：机组的启停时间约束、机组的旋转备用约束、系统运行与电动汽车的平衡约束条件；在此基础上进行整个系统的优化调度后，对所有成本进行叠加，并致力于使得总成本为最小，若总成本有可以进行下降的空间，则迭代次数x自加1进行下一次的迭代过程。
[0075]
表4发电机组参数表
[0076][0077]
在上述算例下，对电动汽车在有秩序优化调度后，结果显示：ev总充电量减少了1144.96mw，总放电量增加了711.91mw；单日内的峰谷时段负荷对比下降明显，无秩序充电峰谷差值大于有秩序充放电负荷的差值，结果显示，有秩序充放电可以达到“削峰填谷”的效果；值得注意的是，此时的谷时段负荷有所降低，这是因为根据聚类结果划分可控车群m1与不可控车群m2时，对于车群m2参与电网的互动中，仍然按照其不能无秩序充电的方案进行充电；聚类子群显示，在聚类群1、聚类群2以及聚类群5中以出租车随意性充电为主，该车群在个案数中所占的比例为33.33％，因此在负荷谷时段出现有秩序没有无秩序的增加明显原因即为此。单日内充电成本减少了742893.1元，而放电成本增加了579130.65元，这说明了该方法不仅能够降低系统运行的总成本，还能达到良好的削峰填谷的效果。
[0078]
对可调控车群和不可调控车群进行统计充放电需求，将ev车群按照无秩序和有秩序的充电方式进行电网的互动，得到了无秩序ev车群和有秩序ev群优化调度的对比，如图10所示，使得此方案对电网的优化调度得到了很好的验证。
[0079]
本发明运用了二阶聚类算法对大数据下的电动汽车用户特性进行聚类分析，再结合电网优化调度策略，建立以系统运行总成本最小的目标函数，平衡充放电成本，降低系统运行的总成本，达到削峰填谷的效果。
[0080]
以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完
全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。