[发明专利]基于V2G技术的电动汽车参与经济调度优化控制方法

摘要

基于V2G技术的电动汽车参与经济调度优化控制方法提出了一个多目标优化模型，将电动汽车车主成本和经济调度成本作为多目标模型的两个目标函数，并让电动汽车通过有序充放电的方式来作为经济调度时的备用容量。在满足各种约束条件下，采用多目标遗传算法(NSGA-II)对模型进行求解。通过选择合适的pareto解集中的值，电动汽车采用V2G技术参与经济调度后可以节省车主成本和经济调度的成本，并且可以实现对负荷削峰填谷的功能。与不含电动汽车的经济调度有所区别，本发明充分考虑了电动汽车车主的充电成本和电动汽车集群的负荷特性，能提高电力系统运行的经济性和稳定性。

主权项

一种基于V2G技术的电动汽车参与经济调度优化控制方法，包括以下步骤：步骤1，向电动汽车充放电控制和经济调度控制总系统输入各种初始信息，包括电动汽车车辆集群的车辆信息、电动汽车动力电池信息、参与经济调度的各台发电机以及风机的参数信息、各种价格信息、24小时各个时段的负荷预测值。所述的电动汽车车辆集群的车辆信息包括：车辆数量N，电动汽车充满电时的里程数Ri，车辆接入电网时间车辆离开电网时间车辆日行驶里程Di，电动汽车充放电功率PCi,t，i＝1,2,3...N，t＝1,2,3...T，T为研究周期时间段数。所述的电动汽车动力电池信息包括：电池容量Si，电池最大充电上限Emax,i，电池最小放电下限Emin,i，电池消耗系数ε1,ε2,ε3,ε4,δ，充电和放电效率系数ηc,i、ηd,i，i＝1,2,3...N。所述的参与经济调度的各台发电机以及风机的参数信息包括：风机的形状参数α，风机的尺度参数β，风机额定输出功率Pr，风机的切入风速vci，风机的额定风速vr，风机的切出风速vco，参与调频的机组数n，机组i的成本系数ai、bi、ci，机组i的NOX排放量的特征系数αi、βi、θi、δi、λi，机组出力的最大值和最小值Pgi,max、Pgi,min，机组i的强迫停运率γi，i＝1,2...n。所述的各种价格信息包括：购买备用容量价格pr,t，实际调用备用容量价格pre,t，系统购买电动汽车备用价格pv,t，失负荷价格Voll,t，污染排放价格ppol,t，弃风价格pe,t，车主支付的充电价格pg2v,t，车主获利的放电价格pv2g,t。步骤2，根据电动汽车集群的车辆信息得到每辆车的初始荷电状态，采用蒙特卡洛算法对各个时刻的风能、负荷波动和机组停运状态进行预测。每辆车的初始荷电状态E0,i的计算公式假设风速服从Weibull分布，即其中，vt是t时刻的风速；由风速预测值可以求得实际风能Pw,t输出，即假定t时刻的负荷波动ΔPl,t服从正太分布N(0，)，σl为其标准差；t时刻机组i的停运状态数为di,t，随机产生一个服从[0,1]内均匀分布的伪随机数ωi，若ωi≤γi，则机组i的停运状态为0，表示机组故障停运，否则机组的停运状态为1，表示机组正常运行。步骤3，根据电动汽车车辆集群的车辆信息、电动汽车动力电池信息、参与经济调度的各台发电机以及风机的参数信息、每辆车的初始荷电状态列出电动汽车充放电、发电机和风机出力以及备用购买所需要满足的约束条件，随机初始化个体数为X的满足这些约束条件的群体P。初始化种群，随机产生X个群体P；群体P中每个个体包括的变量有t时刻各台发电机组的出力Pgi,t、计划风能输出Pew,t、购买备用容量Dr,t、电动汽车充放电控制矩阵CM×T；充放电控制矩阵CM×T中，Cij为第i量电动汽车在当日第j个时间段其电池的充放电功率，Cij＞0表示此刻该辆车处于充电状态，Cij＜0表示此刻该辆车处于放电状态；判断群体P的每个个体是否满足如下约束条件：1)系统功率平衡约束：式中，Dl,t是不包含电动汽车的t时刻的负荷量，Dvl,t为t时刻车辆集群的总充电量。2)发电机运行约束、风机出力约束和购买备用约束：Pgi,min≤Pgi,t≤Pgi,max0≤Pw,t≤PrDr,t≥max{Pgi,t}3)车辆充放电约束：Emin,i≤Ei,t+SDg2v,i,t·ηc,i/Si‑SDv2g,i,t/ηd,i/Si≤Emax,i式中，Ei,t是车辆i在t时段的SOC；SDv2g,i,t和SDg2v,i,t分别为车辆i在t时段的充放电量。4)车辆充电需求约束：不满足上述约束条件的群体P中的个体将被重新初始化，直到满足上述约束条件，于是就可以得到最终生成的X个初始化群体P。步骤4，根据初始化的群体P计算出电动汽车用户总成本。电动汽车用户成本模型中包括充电成本、放电获益和电池损耗成本，计算公式如下：Di,t(Ii,t,Ii,t‑1)＝ε1(Ii,t)2+ε2(Ii,t‑Ii,t‑1)2+ε3(min(Ei,t‑δ·Si,0))2+ε4式中，F1为电动汽车用户成本(T＝24h)；SDg2v,t和SDv2g,t分别是t时段的充电量和放电量；Ii,t为电池充放电状态，放电为‑1，充电为+1，不充电也不放电为0；Di,t(Ii,t,Ii,t‑1)表示t‑1时刻到t时刻第i辆电动汽车电池状态变化的损耗成本，Di,t(Ii,t,Ii,t‑1)的第一部分表示快速充放电对电池的损耗，第二部分表示充放电 模式变换对电池的损耗，第三部分表示过度放电会损害电池，第四部分是一个常数。步骤5，根据初始化的群体P计算出系统经济调度总成本。经济调度模型中的总成本包含发电成本、备用成本、失负荷成本、污染排放成本和弃风成本，其中备用成本包含购买备用成本、实际调用备用成本和电动汽车充放电调度成本，系统经济调度总成本计算公式如下：发电成本备用成本失负荷成本污染排放成本弃风成本式中，F2为系统经济调度总成本(T＝24h)；Dre,t为实际调用备用容量；Eens,t为失负荷量。其中，当Pw,t≤Pew,t时，风机输出真实风能，没有弃风成本；当Pw,t＞Pew,t时，风机输出计划风能，弃风成本不为零。用Dh,t变量来描述备用调用关系，假设Dh,t表达式如下：当Dh,t＜0时，表示供大于需，不需要调用备用容量，也没有失负荷量，电网可以储存剩余的电量。Dh,t＞0则调用车辆充放电量与备用容量，若全部调用备用容量与车辆可调度量还不满足负荷需求，将产生失负荷量。步骤6，评价群体P，对P进行非支配排序和拥挤距离计算。步骤7，对种群P进行选择、交叉和变异，生成满足系统各个约束条件的种群Q，评价Q。步骤8，生成新种群R＝P∪Q，对R作非支配排序和拥挤距离计算。步骤9，从R中选择X个最优个体组成种群P。步骤10，判断是否满足终止条件，若不满足约束条件，则返回步骤7；若满足终止条件，则生成Pareto最优解集，并确定最终解，最终解包括各时刻各台发电机组的出力、计划风能输出、购买备用容量、电动汽车充放电控制矩阵，最后由最终解来调整各个时刻的系统运行。终止条件的判断是指判断多目标遗传算法的迭代次数是否已经达到最大遗传代数Y代，若还未达到，则返回步骤7；若已达到，则生成最优解集。最终解可以按系统运行的需要，从最优解集中选择其中的一组。