[發明專利]基于V2G技術的電動汽車參與經濟調度優化控制方法

有效

• 申請號: 201410407390.4
• 申請日: 2014-08-19
• 公開（公告）號: CN104600729A
• 公開（公告）日: 2015-05-06
• 發明（設計）人: 張有兵;陸建麗;楊曉東;任帥杰;周文委;黃直;蔣潔毅;翁國慶
• 申請（專利權）人: 浙江工業大學
• 主分類號: H02J3/32
• 分類號: H02J3/32
• 代理公司: 杭州天正專利事務所有限公司 33201
• 代理人: 王兵;黃美娟

1.一種基于V2G技術的電動汽車參與經濟調度優化控制方法，包括以下步驟：

步驟1，向電動汽車充放電控制和經濟調度控制總系統輸入各種初始信息，包括電動汽車車輛集群的車輛信息、電動汽車動力電池信息、參與經濟調度的各臺發電機以及風機的參數信息、各種價格信息、24小時各個時段的負荷預測值。

所述的電動汽車車輛集群的車輛信息包括：車輛數量N，電動汽車充滿電時的里程數R_i，車輛接入電網時間車輛離開電網時間車輛日行駛里程D_i，電動汽車充放電功率PC_i,t，i＝1,2,3...N，t＝1,2,3...T，T為研究周期時間段數。

所述的電動汽車動力電池信息包括：電池容量S_i，電池最大充電上限E_max,i，電池最小放電下限E_min,i，電池消耗系數ε₁,ε₂,ε₃,ε₄,δ，充電和放電效率系數η_c,i、η_d,i，i＝1,2,3...N。

所述的參與經濟調度的各臺發電機以及風機的參數信息包括：風機的形狀參數α，風機的尺度參數β，風機額定輸出功率P_r，風機的切入風速v_ci，風機的額定風速v_r，風機的切出風速v_co，參與調頻的機組數n，機組i的成本系數a_i、b_i、c_i，機組i的NO_X排放量的特征系數α_i、β_i、θ_i、δ_i、λ_i，機組出力的最大值和最小值P_gi,max、P_gi,min，機組i的強迫停運率γ_i，i＝1,2...n。

所述的各種價格信息包括：購買備用容量價格p_r,t，實際調用備用容量價格p_re,t，系統購買電動汽車備用價格p_v,t，失負荷價格V_oll,t，污染排放價格p_pol,t，棄風價格p_e,t，車主支付的充電價格p_g2v,t，車主獲利的放電價格p_v2g,t。

步驟2，根據電動汽車集群的車輛信息得到每輛車的初始荷電狀態，采用蒙特卡洛算法對各個時刻的風能、負荷波動和機組停運狀態進行預測。

每輛車的初始荷電狀態E_0,i的計算公式假設風速服從Weibull分布，即其中，v_t是t時刻的風速；由風速預測值可以求得實際風能P_w,t輸出，即假定t時刻的負荷波動ΔP_l,t服從正太分布N(0，)，σ_l為其標準差；t時刻機組i的停運狀態數為d_i,t，隨機產生一個服從[0,1]內均勻分布的偽隨機數ω_i，若ω_i≤γ_i，則機組i的停運狀態為0，表示機組故障停運，否則機組的停運狀態為1，表示機組正常運行。

步驟3，根據電動汽車車輛集群的車輛信息、電動汽車動力電池信息、參與經濟調度的各臺發電機以及風機的參數信息、每輛車的初始荷電狀態列出電動汽車充放電、發電機和風機出力以及備用購買所需要滿足的約束條件，隨機初始化個體數為X的滿足這些約束條件的群體P。

初始化種群，隨機產生X個群體P；群體P中每個個體包括的變量有t時刻各臺發電機組的出力P_gi,t、計劃風能輸出P_ew,t、購買備用容量D_r,t、電動汽車充放電控制矩陣C_M×T；充放電控制矩陣C_M×T中，C_ij為第i量電動汽車在當日第j個時間段其電池的充放電功率，C_ij＞0表示此刻該輛車處于充電狀態，C_ij＜0表示此刻該輛車處于放電狀態；判斷群體P的每個個體是否滿足如下約束條件：

1)系統功率平衡約束：

式中，D_l,t是不包含電動汽車的t時刻的負荷量，D_vl,t為t時刻車輛集群的總充電量。

2)發電機運行約束、風機出力約束和購買備用約束：

P_gi,min≤P_gi,t≤P_gi,max

0≤P_w,t≤P_r

D_r,t≥max{P_gi,t}

3)車輛充放電約束：

E_min,i≤E_i,t+SD_g2v,i,t·η_c,i/S_i-SD_v2g,i,t/η_d,i/S_i≤E_max,i

式中，E_i,t是車輛i在t時段的SOC；SD_v2g,i,t和SD_g2v,i,t分別為車輛i在t時段的充放電量。

4)車輛充電需求約束：

不滿足上述約束條件的群體P中的個體將被重新初始化，直到滿足上述約束條件，于是就可以得到最終生成的X個初始化群體P。

步驟4，根據初始化的群體P計算出電動汽車用戶總成本。

電動汽車用戶成本模型中包括充電成本、放電獲益和電池損耗成本，計算公式如下：

D_i,t(I_i,t,I_i,t-1)＝ε₁(I_i,t)²+ε₂(I_i,t-I_i,t-1)²+ε₃(min(E_i,t-δ·S_i,0))²+ε₄

式中，F₁為電動汽車用戶成本(T＝24h)；SD_g2v,t和SD_v2g,t分別是t時段的充電量和放電量；I_i,t為電池充放電狀態，放電為-1，充電為+1，不充電也不放電為0；D_i,t(I_i,t,I_i,t-1)表示t-1時刻到t時刻第i輛電動汽車電池狀態變化的損耗成本，D_i,t(I_i,t,I_i,t-1)的第一部分表示快速充放電對電池的損耗，第二部分表示充放電?模式變換對電池的損耗，第三部分表示過度放電會損害電池，第四部分是一個常數。

步驟5，根據初始化的群體P計算出系統經濟調度總成本。

經濟調度模型中的總成本包含發電成本、備用成本、失負荷成本、污染排放成本和棄風成本，其中備用成本包含購買備用成本、實際調用備用成本和電動汽車充放電調度成本，系統經濟調度總成本計算公式如下：

發電成本

備用成本

失負荷成本

污染排放成本

棄風成本

式中，F₂為系統經濟調度總成本(T＝24h)；D_re,t為實際調用備用容量；E_ens,t為失負荷量。其中，當P_w,t≤P_ew,t時，風機輸出真實風能，沒有棄風成本；當P_w,t＞P_ew,t時，風機輸出計劃風能，棄風成本不為零。

用D_h,t變量來描述備用調用關系，假設D_h,t表達式如下：

當D_h,t＜0時，表示供大于需，不需要調用備用容量，也沒有失負荷量，電網可以儲存剩余的電量。D_h,t＞0則調用車輛充放電量與備用容量，若全部調用備用容量與車輛可調度量還不滿足負荷需求，將產生失負荷量。

步驟6，評價群體P，對P進行非支配排序和擁擠距離計算。

步驟7，對種群P進行選擇、交叉和變異，生成滿足系統各個約束條件的種群Q，評價Q。

步驟8，生成新種群R＝P∪Q，對R作非支配排序和擁擠距離計算。

步驟9，從R中選擇X個最優個體組成種群P。

步驟10，判斷是否滿足終止條件，若不滿足約束條件，則返回步驟7；若滿足終止條件，則生成Pareto最優解集，并確定最終解，最終解包括各時刻各臺發電機組的出力、計劃風能輸出、購買備用容量、電動汽車充放電控制矩陣，最后由最終解來調整各個時刻的系統運行。

終止條件的判斷是指判斷多目標遺傳算法的迭代次數是否已經達到最大遺傳代數Y代，若還未達到，則返回步驟7；若已達到，則生成最優解集。最終解可以按系統運行的需要，從最優解集中選擇其中的一組。