促进可再生能源消纳的电动汽车集群充电功率优化方法技术

本发明专利技术涉及促进可再生能源消纳的电动汽车集群充电功率优化方法，包括如下步骤：S1建立电动汽车集合器组合配置与运行的数学模型，并根据该模型确定包括电动汽车在内的负荷供电的费用和总功率损耗总成本最小化的目标函数及其潮流分析的通用约束条件以及系统稳定运行的约束条件；S2制定两阶段算法，将变量分成两类，即EVA最优配置的主要问题和单个电动汽车最优充电策略的子问题；S3将主‑子问题的优化变量分为EVA优化配置和优化配置下的功率调节两个部分，主‑子问题迭代求解直至满足收敛条件以确保每个电动汽车的充电计划能够满足总体目标的要求。本发明专利技术在给定的EVA配置下，EVA的最佳配置和电动汽车充电功率调节使总成本最小化。

【技术实现步骤摘要】
促进可再生能源消纳的电动汽车集群充电功率优化方法
本专利技术属于电动汽车充电
，尤其涉及促进可再生能源消纳的电动汽车集群充电功率优化方法。
技术介绍
现代社会的能源危机和日益增长的环境压力为电动汽车(EV)产业带来了发展机遇。许多国家的政府提供了相应的战略计划，以引导未来运输系统的电气化、低碳排放或无碳排放化。然而，电动汽车的大规模普及将给电力系统的可靠性和电力供应质量带来全新的挑战。为了控制大量的电动汽车接入电网并使其满足电力系统的需要，即车辆到电网技术，电动汽车集群控制器(EVA)通常作为电动汽车和配电系统运营商(DSO)之间的中间控制实体被引入。合理配置EVA可以减少控制大量电动汽车充电功率引起的控制复杂性，以此达到成本最小化，峰值削减和电能质量改进等成果。关于电力系统中电动汽车充电功率优化调度的研究已有很多了。从EVA的角度来看，我们需要找到EVA最优的位置和大小。常用差分进化和PSO算法用于解决优化问题，目标是总成本的最小化。所得到的最优解决方案可以给出充电站的位置和最佳充电点数。但是这种模型搭建并没有把电力系统网络纳入考虑范围之内。其余的目标函数被用来找到EVA的最优位置和大小调整以达到EVA利润的最大化，但这样就忽略了一些用户侧的实际问题，例如电动车充电高峰期的电能质量恶化和所有电动车用户的需求满足。因此，基于这些问题，提供一种在给定的EVA配置下，EVA的最佳配置和电动汽车充电功率调节使总成本最小化的电动汽车充电功率优化方法，具有重要的现实意义。
技术实现思路
本专利技术的目的在于克服现有技术的不足，提供一种在给定的EVA配置下，EVA的最佳配置和电动汽车充电功率调节使总成本最小化的电动汽车充电功率优化方法。本专利技术解决其技术问题是采取以下技术方案实现的：促进可再生能源消纳的电动汽车集群充电功率优化方法，包括如下步骤：S1、建立电动汽车集合器组合配置与运行的数学模型，并根据该模型确定包括电动汽车在内的负荷供电的费用和总功率损耗总成本最小化的目标函数及其潮流分析的通用约束条件以及系统稳定运行的约束条件；其中，所述包括电动汽车在内的负荷供电的费用和总功率损耗总成本最小化的目标函数为：式中，ρ(t)是t时刻的实时电价；PLd(t)是原有配电系统的净功率负荷；PEVAi(t)是节点i累积的电动汽车充电功率；PLs(t)是t时刻的总功率损耗；Δt是在电动汽车充电功率的调度中定义的时间间隔；所述目标函数的约束条件分别为：式中，Iij(t)是支路电流，Gij和Bij表示电网的导纳矩阵，Ui和Uj是节点电压，Iijmax是线路传输的最大电流，和是节点电压的最大值和最小值，和是节点电压的实部和虚部；S2、制定两阶段算法，将变量分成两类，即EVA最优配置的主要问题和单个电动汽车最优充电策略的子问题；S3、主-子问题迭代求解；其中：所述主问题的目标函数为步骤S1中目标函数，子问题在主问题中给出的EVA的配置参数下执行电动汽车充电功率的最优调度，其表述为：其中，为单个电动汽车的充电率，它是在主要问题中给出的参数下要优化的子问题的决策变量；每个电动汽车行进的距离L的概率分布函数如下式：式中，σm和μm是指数分布的参数，用于模拟电动汽车的随机行进距离；根据行驶距离，每个电动汽车所需的电力充电量计算如下：式中，CBEV,ini是初始SOC，CBEV,ed是停车期结束时的SOC，CBEV是电池存储容量，λ是每单位距离的功耗；S301、在主问题中，首先计算EVA的配置参数，此时忽略每个单独电动汽车的充电计划，只给出整体集群的总充电功率调节量，从而限制含EVA的配电网优化调度中变量的数量以及集群的总体功率水平，并扩展问题的可行区域；S302、将EVA的配置参数作为输入数据提供给子问题，在给定EVA配置下制定集群内每辆电动汽车的充电计划，并检查电网运行和电动汽车需求的约束，以确保每个电动汽车的充电计划能够满足总体目标的要求；S303、在最优配置的主问题和最优充电策略的子问题之间进行迭代直至满足收敛条件，并在每次迭代中检查电网运行和电动汽车需求的约束，以确定混合优化算法的解决方案。其中，需要说明的是，所述主问题的目标函数中的节点上电动汽车聚集的位置作为决定性变量，服从下式：LCEVAi∈{0,1}式中LCEVAi是EVA的位置，在此算法中定义为二进制变量；同时EVA的位置LCEVAi满足下式：其中，和是计划安装在电力系统中的电动汽车集合器的最小数量和最大数量，具体取决于电动汽车充电基础设施的建设预算。此外，所述步骤S1中，节点i累积的电动汽车充电功率PEVAi(t)可表述为：其中，是在节点i上安装的EVA的控制领域中的单个电动汽车的充电率；t时刻的总功率损耗PLs(t)可表述为：式中，Pij和Qij是节点i和j之间的电路上传输的有功和无功功率；|Vi|是节点i的电压幅度，Rij是节点i和j之间的电阻。本专利技术的优点和积极效果是：1、本专利技术采用部分群优化PSO和序列二次规划SQP推导出两阶段混合优化算法，将原问题分解为优化配置与所有EV充电功率优化两个部分，主-子问题迭代求解以降低综合优化算法的复杂度；2、本专利技术基于部分群优化PSO和序列二次规划SQP的混合优化算法，在给定的EVA配置下，EVA的最佳配置和电动汽车充电功率调节可以使总成本最小化。附图说明以下将结合附图和实施例来对本专利技术的技术方案作进一步的详细描述，但是应当知道，这些附图仅是为解释目的而设计的，因此不作为本专利技术范围的限定。此外，除非特别指出，这些附图仅意在概念性地说明此处描述的结构构造，而不必要依比例进行绘制。图1是本专利技术电动汽车集群充电设施的配置与运行综合优化方法流程图；图2是本专利技术实施例中电动汽车集群接入IEEE123节点配电网的拓扑结构图；图3是本专利技术实施例中电动汽车接入配电网的典型日负荷曲线与功率损耗；图4是本专利技术实施例中电动汽车接入IEEE123配电网的负荷分布；图5是本专利技术实施例中电动汽车接入IEEE123配电网的节点电压；图6是本专利技术实施例中与电动汽车接入31节点C相和107节点B相的负荷曲线图；图7是本专利技术实施例中与电动汽车接入31节点C相和107节点B相的电压曲线图；图8是本专利技术实施例中31节点C相的电动汽车集群内充电站场景下的两种车型的充电功率和电池SOC变化曲线；图9是本专利技术实施例中31节点C相的电动汽车集群内家庭充电场景下的两种车型的充电功率和SOC曲线图；图10是本专利技术实施例中107节点B相的电动汽车集群充电站场景下的两种车型的充电功率和电池SOC变化曲线；图11是本专利技术实施例中所有EV到达目标SOC时间的分布图。具体实施方式首先，需要说明的是，以下将以示例方式来具体说明本专利技术的具体结构、特点和优点等，然而所有的描述仅是用来进行说明的，而不应将其理解为对本专利技术形成任何限制。此外，在本文所提及各实施例中予以描述或隐含的任意单个技术特征，仍然可在这些技术特征(或其等同物)之间继续进行任意组合或删减，从而获得可能未在本文中直接提及的本专利技术的更多其他实施例。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面就结合图1至图11来具体说明本专利技术。实施例1如图1～11所示，本实施例提供的基于EVA最优配置的促进可再本文档来自技高网...

【技术保护点】
1.促进可再生能源消纳的电动汽车集群充电功率优化方法，其特征在于：包括如下步骤：S1、建立电动汽车集合器组合配置与运行的数学模型，并根据该模型确定包括电动汽车在内的负荷供电的费用和总功率损耗总成本最小化的目标函数及其潮流分析的通用约束条件以及系统稳定运行的约束条件；其中，所述包括电动汽车在内的负荷供电的费用和总功率损耗总成本最小化的目标函数为：

【技术特征摘要】
1.促进可再生能源消纳的电动汽车集群充电功率优化方法，其特征在于：包括如下步骤：S1、建立电动汽车集合器组合配置与运行的数学模型，并根据该模型确定包括电动汽车在内的负荷供电的费用和总功率损耗总成本最小化的目标函数及其潮流分析的通用约束条件以及系统稳定运行的约束条件；其中，所述包括电动汽车在内的负荷供电的费用和总功率损耗总成本最小化的目标函数为：式中，ρ(t)是t时刻的实时电价；PLd(t)是原有配电系统的净功率负荷；PEVAi(t)是节点i累积的电动汽车充电功率；PLs(t)是t时刻的总功率损耗；Δt是在电动汽车充电功率的调度中定义的时间间隔；所述目标函数的约束条件分别为：(Vimin)2≤Vir(t)2+Viim(t)2≤(Vimax)2式中，Iij(t)是支路电流，Gij和Bij表示电网的导纳矩阵，Ui和Uj是节点电压，Iijmax是线路传输的最大电流，Vimax和Vimin是节点电压的最大值和最小值，Vir(t)和Viim(t)是节点电压的实部和虚部；S2、制定两阶段算法，将变量分成两类，即EVA最优配置的主要问题和单个电动汽车最优充电策略的子问题；S3、主-子问题迭代求解；其中：所述主问题的目标函数为步骤S1中目标函数，子问题在主问题中给出的EVA的配置参数下执行电动汽车充电功率的最优调度，其表述为：其中，为单个电动汽车的充电率，它是在主要问题中给出的参数下要优化的子问题的决策变量；每个电动汽车行进的距离L的概率分布函数如下式：式中，σm和μm是指数分布的参数，用于模拟电动汽车的随机行进距离；根据行驶距离，每个电动汽车所需的电力充电量计算如下：式中，CBEV,ini是初始SOC，CBE...

【专利技术属性】
技术研发人员：高爽，曹先强，李金祥，彭昱皓，徐斌，丁津津，
申请(专利权)人：天津大学，国网安徽省电力有限公司电力科学研究院，
类型：发明
国别省市：天津,12