基于典型负荷动态博弈的城市电动汽车充电决策方法技术

本发明专利技术提供一种基于典型负荷动态博弈的城市电动汽车充电决策方法，涉及电充汽车充电技术领域。该方法根据电网短期负荷曲线聚类得到某地区典型用户负荷类型，并计算得到电动汽车理想充电负荷曲线，以充电需求约束、充电时间约束、电动汽车充电数量限制、电网电力负荷曲线、配电网容量作为边界条件，以充电负荷曲线与理想充电负荷曲线误差最小为约束条件，以用户用电成本最低为目标函数，建立优化方程，并求解，得到充电策略，通过动态博弈的决策结果判断是否对电动汽车进行充电。本发明专利技术提供的方法，能改善电网负荷特性使电网在电动汽车接入后波动最小，提高电力设备负荷率，在此基础上使电动汽车用户花费的充电成本最低。

【技术实现步骤摘要】
基于典型负荷动态博弈的城市电动汽车充电决策方法
本专利技术涉及电充汽车充电
，尤其涉及一种基于典型负荷动态博弈的城市电动汽车充电决策方法。
技术介绍
全球性的能源危机和气候变化，驱动了电动汽车在世界范围内的迅速发展和应用。随着电动汽车在未来的普及，将会有大规模的电动汽车并入电网进行充、放电，然而随着电动汽车数量的大幅度增长，电动汽车因其自身充电行为的随机性，大规模接入会给电力系统的运行与控制带来显著的危害。电网如何接纳大规模的电动汽车并网并且不超过电网的容量已经成为了未来电动汽车发展和普及过程中所必须解决的重大问题。为了解决这些困难，必须要使用合理的手段来调控电动汽车的充、放电行为，需要更加精确的电动汽车负荷建模方法和更为合理的方案来引导电动汽车的有序充、放电，尽量提高电网消纳大规模电动汽车并网的能力。而避峰填谷作为一种柔性的调控手段，能够在一定程度上引导电动汽车的充电方式与时间的选择，使其能够有序充、放电，可以避免电动汽车的加入给电网造成的危害，同时可以增加充电用户的体验度，让用户享受更低的充电价格。
技术实现思路
本专利技术要解决的技术问题是针对上述现有技术的不足，提供一种基于典型负荷动态博弈的城市电动汽车充电决策方法，能改善电网负荷特性使电网在电动汽车接入后波动最小，提高电力设备负荷率，在此基础上使电动汽车用户花费的充电成本最低。为解决上述技术问题，本专利技术所采取的技术方案是：一种基于典型负荷动态博弈的城市电动汽车充电决策方法，该方法由一个变压器支路安装一个总的智能调度装置实现，所述智能调度装置控制变压器支路的n个充电桩，当有电动汽车接入时，充电桩上载电动汽车信息发送到智能调度装置，智能调度装置经过分析后发送充电策略到充电桩进行充电，智能调度装置与充电桩之间通过TCP进行通信；所述智能调度装置经过分析得到充电策略的具体方法包括以下步骤：步骤1：通过改进的AHPK-means算法对短期电力负荷进行聚类，预测某区域电网的典型负荷曲线，电网的典型负荷曲线为除去电动汽车充电负荷之外的负荷曲线，包括如下步骤：步骤1.1：从某城市的电力公司SCADA系统的数据库中选取终端用户的负荷数据构成负荷矩阵A；所述负荷数据包括该城市某一个变压器的一条支路的用户类型、有功功率、无功功率及电压电流的测量值，每15min采样一次，每日共采样96个数据点；步骤1.2：对负荷矩阵A进行数据预处理，识别与修正异常数据，并进行归一化处理；进一步包括以下步骤：步骤1.2.1：对负荷矩阵A中的异常数据进行识别与修正；实际负荷数据会由于某个测量单元长时间的故障或在数据采集过程中其他相关元件的故障使负荷数据缺失，对于96个数据点，缺失其中30个及以上数据点的记录、负荷有功记录数据为负的记录，直接踢除；步骤1.2.2：对于负荷曲线中的骤升、骤降数据，通过计算负荷变化率予以判断，负荷变化率计算公式为：ρ＝|(pd-pd-1)/pd|；其中，ρ表示用户负荷序列P在d点的负荷变化率，P＝{pd，d＝1，…，96}，pd为d点的有功功率；当负荷变化率ρ超过预设阀值ε时，则视为异常数据；对于异常数据及含有缺失的负荷数据采用平滑窗式按下式进行填补：其中，pd′为填补后d点的有功功率，a、b分别表示向前和向后取点，分别最大取到a1、b1；步骤1.2.3：采用最大值归一化方法对经过识别与修正的负荷矩阵A进行归一化处理，去除负荷曲线的基荷部分，强调负荷走势的相似性，归一化表达式如下：xd＝pd′/max(P)；其中，xd为归一化后d点的有功功率，max(P)为96点中的最大功率；步骤1.3：采用AHPK-means算法对步骤1.2处理后的负荷矩阵A进行聚类分析，以双层加权欧式距离为相似性判据进行聚类；进一步包括以下步骤：步骤1.3.1：获取该支路的用户类别与数量，包括工业用户个数h1、居民生活用户个数h2、学校用户个数h3、商业用户个数h4、公变用户个数h5；通过下式计算优化聚类数k：其中，f(·)为正态函数，ci为常数，为三角矩阵的转置，hi为第i种用户类别数量，i＝1，2，…，n，n＝5，ε为测量误差；步骤1.3.2：基于双层加权欧式距离的K-means算法，具体方法为：步骤1.3.2.1：将步骤1.3.1得到的优化聚类数k作为初始聚类中心；步骤1.3.2.2：样本归类；将k类所有样本中心划分到其加权欧式距离最近的类中心，样本Ak到第j个聚类中心mj＝{mj，1，mj，2，…，mj，q}的加权距离由下式计算：步骤1.3.2.3：聚类中心更新；根据步骤1.3.2.2的结果，计算每类的平均值作为各类新的聚类中心；步骤1.3.2.4：迭代计算；判断聚类中心是否收敛，若未收敛，则返回步骤1.3.2.2，否则执行下一步；步骤1.3.2.5：将所有的聚类中心组合成一个新的数据集，每个聚类中心自身视为一类，计算所有类间距离，即样本之间的相似度；步骤1.3.2.6：按既定规则选取其中类间距离达到要求的类别进行类间合并操作；步骤1.3.2.7：对于类Ci和Cj，选择两类中心的平均距离作为这两个类的距离，然后选取类间距最小的类进行合并：其中，Dij为Ci和Cj合并后的结果，ni、nj分别为类Ci和Cj的样本数目，x、x′为类中心，d(x，x′)为两类中心的平均距离；步骤1.3.2.8：计算上一步生成的新类与之前类之间的相似度；步骤1.3.2.9：重复步骤1.3.2.6-1.3.2.8，直至所有负荷样本划分到一类，算法结束；步骤1.4：聚类有效性检验；通过建立有效性指标，评价聚类结果，并确定最佳聚类数，得到最终的短期负荷曲线；采用戴维森堡丁指数即DBI指标，用于确定最佳聚类数并评价聚类质量，DBI指数IDBI越小表示聚类效果越好，计算公式为：其中，K为聚类数，Rk为任意两类别的类内距离平均距离之和除以两聚类中心距离，d(Xk)和d(Xj)为k与j类内距离的平均距离，Xk、Xj分别表示k与j类数据，d(ck，cj)为两聚类中心距离，ck、cj分别表示k与j类的中心；采用AHPK-means进行聚类分析，重复进行20次，选取其中IDBI最小时对应的解为最佳聚类结果；步骤2：通过得到的短期负荷曲线计算电动汽车理想充电负荷曲线，包括以下步骤：步骤2.1：通过步骤1.4处理电力负荷数据矩阵A得到N类类中心成有显著差异的短期负荷曲线；步骤2.2：通过得到的N类短期负荷曲线得到用户的行为与构成，并结合聚类结果对用户的行为与构成进行分析，得到N种用户类别；步骤2.3：分别计算这N种用户类别的最大功率值Pmax、最小功率值Pmin、高峰出现的时间段th、低谷出现的时间段t1以及峰谷差Δp，其中最大功率值Pmax、最小功率值Pmin、高峰出现的时间段th、低谷出现的时间段t1由得到的短期负荷曲线直接得到，峰谷差Δp由下式计算得到：Δp＝Pmax-Pmin；步骤2.4：通过以上信息得到电动汽车理想充电负荷曲线，即在低谷出现的时间段t1充电以及以最大功率值Pmax、最小功率值Pmin作为限制条件；步骤3：以充电需求约束、充电时间约束、电动汽车充电数量限制、电网电力负荷曲线、配电网容量作为边界条件，以充电负荷曲线与理想充电负荷曲线误差最小为约束条件，以用户用电成本最低为目标函数，建立优化方程，并本文档来自技高网...

【技术保护点】
1.一种基于典型负荷动态博弈的城市电动汽车充电决策方法，其特征在于：该方法由一个变压器支路安装一个总的智能调度装置实现，所述智能调度装置控制变压器支路的n个充电桩，当有电动汽车接入时，充电桩上载电动汽车信息发送到智能调度装置，智能调度装置经过分析后发送充电策略到充电桩进行充电，智能调度装置与充电桩之间通过TCP进行通信；所述智能调度装置经过分析得到充电策略的具体方法包括以下步骤：步骤1：通过改进的AHPK‑means算法对短期电力负荷进行聚类，预测某区域电网的典型负荷曲线，电网的典型负荷曲线为除去电动汽车充电负荷之外的负荷曲线，包括如下步骤：步骤1.1：从某城市的电力公司SCADA系统的数据库中选取终端用户的负荷数据构成负荷矩阵A；所述负荷数据包括该城市某一个变压器的一条支路的用户类型、有功功率、无功功率及电压电流的测量值，每15min采样一次，每日共采样96个数据点；步骤1.2：对负荷矩阵A进行数据预处理，识别与修正异常数据，并进行归一化处理；步骤1.3：采用AHPK‑means算法对步骤1.2处理后的负荷矩阵A进行聚类分析，以双层加权欧式距离为相似性判据进行聚类；步骤1.4：聚类有效性检验；通过建立有效性指标，评价聚类结果，并确定最佳聚类数，得到最终的短期负荷曲线；步骤2：通过得到的短期负荷曲线计算电动汽车理想充电负荷曲线，包括以下步骤：步骤2.1：通过步骤1.4处理电力负荷数据矩阵A得到N类类中心成有显著差异的短期负荷曲线；步骤2.2：通过得到的N类短期负荷曲线得到用户的行为与构成，并结合聚类结果对用户的行为与构成进行分析，得到N种用户类别；步骤2.3：分别计算这N种用户类别的最大功率值Pmax、最小功率值Pmin、高峰出现的时间段th、低谷出现的时间段t1以及峰谷差Δp，其中最大功率值Pmax、最小功率值Pmin、高峰出现的时间段th、低谷出现的时间段t1由得到的短期负荷曲线直接得到，峰谷差Δp由下式计算得到：Δp＝Pmax‑Pmin；步骤2.4：通过以上信息得到电动汽车理想充电负荷曲线，即在低谷出现的时间段t1充电以及以最大功率值Pmax、最小功率值Pmin作为限制条件；步骤3：以充电需求约束、充电时间约束、电动汽车充电数量限制、电网电力负荷曲线、配电网容量作为边界条件，以充电负荷曲线与理想充电负荷曲线误差最小为约束条件，以用户用电成本最低为目标函数，建立优化方程，并求解，得到充电策略；步骤4：通过动态博弈的决策结果判断是否对电动汽车进行充电，即判断得到的最优充电策略是否具备可调节性，具体方法如下：步骤4.1：当某一电网支路中带载的任意一个充电桩内有新的电动汽车接入时，充电站运营系统自动根据站内充电桩运行状态将系统信息更新至下一个15min控制时点，并首先计算该辆电动汽车对应的SOC状态、充满电时所需的功率、所需充电时间段数Ji、停车时间段数Ti和系统从当前时段算起在该车离开的Ti个时间段内的充电负荷裕度Mt，Mt＝AtSTλ，其中，t＝1，2，…，Ti，Ti＝96；ST表示变压器额定容量；At用表示一天中第t个时间段内允许充电站对电动汽车进行充电的功率占变压器容量的比例；λ为充电负荷的功率因数；步骤4.2：在制定面向该用户的优惠分时电价时段之前，系统预先判断能否满足该电动汽车的充电需求，通过计算系统从当前时段算起在该车离开的Ti个时间段内的充电负荷裕度Mt实现：Hi＝|Ai|，Ai＝{t|Mt≥Pi，t＝1，2，...，Ti}；其中，|Ai|为集合Ai内的元素个数；步骤4.3：若对应时段的Mt≥Pi+P0，即在该时段可安排所有电动汽车充电，否则采用寻优算法合理的安排各个汽车是否充电，；Pi为各个充电桩有电动汽车接入时所需有功功率的总和，P0为当前的实时有功功率，Mt值越大表示对应时段的充电负荷裕度越大；步骤4.4：若Hi＜Ji，Ji表示电量充满的时间段数，则说明在该电动汽车停靠时间内，系统无法满足所有用户输入的充电需求，从而采用寻优算法安排电动汽车进行充电，以充电负荷裕度Mt作为约束条件，如果某电动汽车所需的充电功率超过SOC的80％，则以χ优先参数进行分配，即Pi＝χPi，之后以maxMt＝αP1+βP2+...+φPn作为目标方程进行求解，其中Pi为电动汽车的所配置的充电功率，α、β、...、φ为比重系数，求得以满足最佳充电需求的电动汽车数量，并得知哪些充电桩能为电动汽车进行充电，同时显示用户应以多大的功率进行充电；步骤4.5：对步骤4.4的结果进行分析，如果不能为电动汽车进行充电，则提示用户离开，如果能为电动汽车进行充电，则提醒用户能为其电动汽车进行充电，并且计算得到在用户离开时，系统最大满足的该电动汽车电池荷电状态：...

【技术特征摘要】
1.一种基于典型负荷动态博弈的城市电动汽车充电决策方法，其特征在于：该方法由一个变压器支路安装一个总的智能调度装置实现，所述智能调度装置控制变压器支路的n个充电桩，当有电动汽车接入时，充电桩上载电动汽车信息发送到智能调度装置，智能调度装置经过分析后发送充电策略到充电桩进行充电，智能调度装置与充电桩之间通过TCP进行通信；所述智能调度装置经过分析得到充电策略的具体方法包括以下步骤：步骤1：通过改进的AHPK-means算法对短期电力负荷进行聚类，预测某区域电网的典型负荷曲线，电网的典型负荷曲线为除去电动汽车充电负荷之外的负荷曲线，包括如下步骤：步骤1.1：从某城市的电力公司SCADA系统的数据库中选取终端用户的负荷数据构成负荷矩阵A；所述负荷数据包括该城市某一个变压器的一条支路的用户类型、有功功率、无功功率及电压电流的测量值，每15min采样一次，每日共采样96个数据点；步骤1.2：对负荷矩阵A进行数据预处理，识别与修正异常数据，并进行归一化处理；步骤1.3：采用AHPK-means算法对步骤1.2处理后的负荷矩阵A进行聚类分析，以双层加权欧式距离为相似性判据进行聚类；步骤1.4：聚类有效性检验；通过建立有效性指标，评价聚类结果，并确定最佳聚类数，得到最终的短期负荷曲线；步骤2：通过得到的短期负荷曲线计算电动汽车理想充电负荷曲线，包括以下步骤：步骤2.1：通过步骤1.4处理电力负荷数据矩阵A得到N类类中心成有显著差异的短期负荷曲线；步骤2.2：通过得到的N类短期负荷曲线得到用户的行为与构成，并结合聚类结果对用户的行为与构成进行分析，得到N种用户类别；步骤2.3：分别计算这N种用户类别的最大功率值Pmax、最小功率值Pmin、高峰出现的时间段th、低谷出现的时间段t1以及峰谷差Δp，其中最大功率值Pmax、最小功率值Pmin、高峰出现的时间段th、低谷出现的时间段t1由得到的短期负荷曲线直接得到，峰谷差Δp由下式计算得到：Δp＝Pmax-Pmin；步骤2.4：通过以上信息得到电动汽车理想充电负荷曲线，即在低谷出现的时间段t1充电以及以最大功率值Pmax、最小功率值Pmin作为限制条件；步骤3：以充电需求约束、充电时间约束、电动汽车充电数量限制、电网电力负荷曲线、配电网容量作为边界条件，以充电负荷曲线与理想充电负荷曲线误差最小为约束条件，以用户用电成本最低为目标函数，建立优化方程，并求解，得到充电策略；步骤4：通过动态博弈的决策结果判断是否对电动汽车进行充电，即判断得到的最优充电策略是否具备可调节性，具体方法如下：步骤4.1：当某一电网支路中带载的任意一个充电桩内有新的电动汽车接入时，充电站运营系统自动根据站内充电桩运行状态将系统信息更新至下一个15min控制时点，并首先计算该辆电动汽车对应的SOC状态、充满电时所需的功率、所需充电时间段数Ji、停车时间段数Ti和系统从当前时段算起在该车离开的Ti个时间段内的充电负荷裕度Mt，Mt＝AtSTλ，其中，t＝1，2，…，Ti，Ti＝96；ST表示变压器额定容量；At用表示一天中第t个时间段内允许充电站对电动汽车进行充电的功率占变压器容量的比例；λ为充电负荷的功率因数；步骤4.2：在制定面向该用户的优惠分时电价时段之前，系统预先判断能否满足该电动汽车的充电需求，通过计算系统从当前时段算起在该车离开的Ti个时间段内的充电负荷裕度Mt实现：Hi＝|Ai|，Ai＝{t|Mt≥Pi，t＝1，2，...，Ti}；其中，|Ai|为集合Ai内的元素个数；步骤4.3：若对应时段的Mt≥Pi+P0，即在该时段可安排所有电动汽车充电，否则采用寻优算法合理的安排各个汽车是否充电，；Pi为各个充电桩有电动汽车接入时所需有功功率的总和，P0为当前的实时有功功率，Mt值越大表示对应时段的充电负荷裕度越大；步骤4.4：若Hi＜Ji，Ji表示电量充满的时间段数，则说明在该电动汽车停靠时间内，系统无法满足所有用户输入的充电需求，从而采用寻优算法安排电动汽车进行充电，以充电负荷裕度Mt作为约束条件，如果某电动汽车所需的充电功率超过SOC的80％，则以χ优先参数进行分配，即Pi＝χPi，之后以maxMt＝αP1+βP2+...+φPn作为目标方程进行求解，其中Pi为电动汽车的所配置的充电功率，α、β、...、φ为比重系数，求得以满足最佳充电需求的电动汽车数量，并得知哪些充电桩能为电动汽车进行充电，同时显示用户应以多大的功率进行充电；步骤4.5：对步骤4.4的结果进行分析，如果不能为电动汽车进行充电，则提示用户离开，如果能为电动汽车进行充电，则提醒用户能为其电动汽车进行充电，并且计算得到在用户离开时，系统最大满足的该电动汽车电池荷电状态：其中，表示初始电池容量，η为功率参数，Δt为从开始充电到离开的时长度，Bi为电动汽电池容量；由于该电动汽车在停靠时间内需要一直充电，充电站提示用户系统能最大满足的电池荷电状态并提示用户按高峰电价ph进行收费，由用户自主选择接受充电服务或放弃充电服务；若用户接受充电服务，则安排电动汽车在充电负荷裕度Mt大于Pi+P0的时段进行充电，并在对应时段将充电负荷裕度AtSTλ更新为AtSTλ-Pi；步骤4.6：若Hi≥Ji，则说明在该电动汽车停靠时间内系统可满足所有电动汽车的充电需求，并且在满足用户充电需求的基础上，最大限度地实现削峰填谷；因此，充电站有序充电协调系统初步选择连续Ji个负荷裕度之和最大的起始时段的最小值为低谷电价的起始时段；具体地，按照如下表达式初步计算低谷电价的起始时段：考虑从时段开始一直到该电动汽车离开时，并存在Ji个时间段对应的充电负荷裕度Mt≥Pi+P0的情况，则需将低谷电价起始时段调整至其后存在Ji时间段对应充电负荷裕度Mt≥Pi+P0的位置，以确保用户在响应低谷电价后系统能将电动汽车的SOC充至所需要的水平；具体地，按照如下表达式对低谷电价的起始时段进行调整：其中，N为整数集；步骤4.7：在计算得到调整好的低谷电价起始时段后，确定时段内用户的充电电价为谷电电价pl，其余时段充电电价为高峰电价ph，以提示用户，由用户自主选择立即开始充电，或延迟至谷电电价开始充电；其中，D为时间参数，取0～1；若用户选择立即开始充电，则安排该电动汽车从下个时段开始逐个在对应充电负荷裕度Mt≥Pi+P0的时段充电，直到安排Ji个时间段为止；同时将对应充电时段的充电负荷裕度AtSTλ更新为AtSTλ-Pi；若用户选择延迟至谷电电价开始充电，则安排该电动汽车从开始，逐个在对应充电负荷裕度Mt≥Pi+P0的时段充电，直到安排Ji个时间段为止；同时将对应充电时段的充电负荷裕度AtSTλ更新为AtSTλ-Pi。2.根据权利要求1所述的基于典型负荷动态博弈的城市电动汽车充电决策方法，其特征在于：所述步骤1.2进一步包括以下步骤：步骤1.2.1：对负荷矩阵A中的异常数据进行识别与修正；实际负荷数据会由于某个测量单元长时间的故障或在数据采集过程中其他相关元件的故障使负荷数据缺失，对于96个数据点，缺失其中30个及以上数据点的记录、负荷有功记录数据为负的记录，直接踢除；步骤1.2.2：对于负荷曲线中的骤升、骤降数据，通过计算负荷变化率予以判断，负荷变化率计算公式为：ρ＝|(pd-pd-1)/pd|；其中，ρ表示用户负荷序列P在d点的负荷变化率，P＝{pd，d＝1，…，96}，pd为d点的有功功率；当负荷变化率ρ超过预设阀值ε时，则视为异常数据；对于异常数据及含有缺失的负荷数据采用平滑窗式按下式进行填补：其中，pd′为填补后d点的有功功率，a、b分别表示向前和向后取点，分别最大取到a1、b1；步骤1.2.3：采用最大值归一化方法对经过识别与修正的负荷矩阵A进行归一化处理，去除负荷曲线的基荷部分，强调负荷走势的相似性，归一化表达式如下：xd＝pd′/max(P)；其中，xd为归一化后d点的有功...

【专利技术属性】
技术研发人员：冯健，于洋，马大中，张化光，刘金海，李云博，
申请(专利权)人：东北大学，
类型：发明
国别省市：辽宁,21