一种基于激励-响应充电决策估计的日前优化调度方法技术

本发明专利技术涉及一种基于激励

【技术实现步骤摘要】
一种基于激励
‑
响应充电决策估计的日前优化调度方法


[0001]本专利技术属于新能源汽车领域，具体涉及一种基于激励
‑
响应充电决策估计的日前优化调度方法。

技术介绍

[0002]面对目前的环境污染问题和能源枯竭问题，新能源汽车的发展是有效的解决方法。与传统化石燃料汽车相比，新能源汽车的大规模使用可以逐渐减少对石油资源的依赖，并大大减少温室气体的排放。其中，电池电动汽车(Electric Vehicle,EV)和氢燃料电池汽车(Hydrogen Vehicle,HV)是目前最具发展潜力的研究对象。EV研究时间较长，技术也更加成熟，但充电时间过长，且受到电池制造技术的限制，续航能力较差；HV充能时间短，续航能力强，但发展较慢，并未得到普及。在很长一段时间内，EV和HV将共存于汽车市场。但EV和HV的发展受到充电站和加氢站发展的制约。目前EV充电站已在市场上普遍应用，且通过电转气过程可将电能灵活转化为氢能并供给HV，考虑到节约占地和能源利用方面的优势，结合充电站和加氢站的一体式基础设施成为必要。
[0003]此类一体式基础设施可以通过电
‑
气转换系统为EV和HV提供能源，并吸收当地的可再生能源(Renewable Energy Source,RES)以节省运营成本并减轻对公用电网的依赖。与传统的集中式设施相比，氢能/电动汽车聚合商(Hydrogen/Electric Vehicle Aggregator,HEVA)将周边地区的光伏、风电聚合作为电力输入，而且由于充电桩的用电和占用问题，将一定居民区或商业区区域内的EV充电桩聚合作为EV负荷。为实现新能源汽车的规模化使用，应该解决此类基础设施的实际应用问题。随新能源汽车的大规模接入，并进行无序充电，将导致峰谷差加剧，影响电力系统的经济稳定运行。因此，需要对HEVA的优化调度方法进行研究。
[0004]目前一些研究将重心转移到充电站与加氢站合二为一的一体式基础设施。为降低系统成本，已有研究通过随机优化方法对此类基础设施的各部分进行建模，并确定各环节的最佳运行模式。然而，目前对此类基础设施的优化调度方法并没有考虑到EV充电策略的优化，EV在此类基础设施中利用其负载转移特性的充电模型需要进一步研究以优化设施的运行并最大限度地提高其灵活性。
[0005]目前在对单独的电动汽车充电站的优化调度方面已有较成熟的研究。针对充电站的调度问题，大规模EV接入会导致计算维数爆炸，导致计算复杂化。同时，目前的调度方法大多对EV进行直接的充放电策略管理，鲜少充分考虑车主的充电倾向。虽有方法通过车主满意度模型进行评估和优化，但此类方法需车主提供大量偏好信息，且无法充分满足车主意愿。
[0006]与电动汽车充电站相较之下，一体式基础设施还包括电
‑
气转换系统，通过水电解槽制成氢气，并将其存储在储氢罐中，同时需要燃料电池再将氢能转化为电能。目前研究的一体式基础设施中的制氢环节均为传统的低温水电解槽和氢燃料电池，能量转换效率较低，且灵活性较差。

技术实现思路

[0007]本专利技术的目的在于提供一种基于激励
‑
响应充电决策估计的日前优化调度方法，该方法有利于在考虑车主充电决策响应的前提下获得HEVA内各设备最佳运行策略。
[0008]为实现上述目的，本专利技术采用的技术方案是：一种基于激励
‑
响应充电决策估计的日前优化调度方法，建立基于可逆固体氧化物燃料电池rSOC的电
‑
气转换系统模型，然后建立HV充电模型和EV充电模型，在此基础上，结合为车主提供的具有不同折扣激励的多种充电模式，基于韦伯
‑
费希纳定律建立激励
‑
响应充电决策估计模型以衡量车主对折扣激励的充电响应决策，进而以最小化运行成本为目标，建立HEVA优化调度模型，结合以上各模型得到HEVA整体模型；
[0009]建立HEVA整体模型后，通过HV、EV接入时刻和行驶里程概率密度函数获取日前预测数据，并输入HEVA整体模型进行求解，以获取最优全天充电服务费折扣序列；将折扣序列再次代入HEVA整体模型，求解获得HEVA内各设备最佳运行策略。
[0010]进一步地，所述电
‑
气转换系统模型包括针对rSOC建立的rSOC模型以及针对储氢罐建立的储氢罐模型；对rSOC进行建模时，考虑其双向模式切换以及时间相关的启动成本。
[0011]进一步地，所述rSOC在SOFC模式下将氢气转换为电能以满足HEVA的电力需求；在SOEC模式下将产生的氢气暂时存储在储氢罐中，然后供应给HV以满足氢气需求，并供给rSOC进行发电；对rSOC进行建模的具体方法为：
[0012]在SOFC模式下，输出功率和约束条件表示为：
[0013][0014][0015]式中，是rSOC输出功率；η
SOFC
是放电效率；δ
conv
是电能与氢气质量之间的传递系数；是t时刻从储氢罐输出的氢气到rSOC的质量；和P
fc
是最大和最小输出功率；是二进制变量，在时间t时，若rSOC工作在SOFC模式则等于1，否则等于0；
[0016]在SOEC模式下，输入功率和约束条件表示为：
[0017][0018][0019]式中，η
SOEC
是转换效率；是输入功率；是在时间t从rSOC输入储氢罐的氢气质量；和P
ele
是最大和最小输入功率；是二进制变量，在时间t时，若rSOC工作在SOEC模式则等于1，否则等于0；
[0020]由于rSOC的切换特性，电解模式和燃料电池模式不能同时运行，受到以下限制：
[0021][0022]由于rSOC的热特性，在计算中考虑其启动成本和爬升约束；因此，SOFC模式或SOEC模式下的启停状态关系为：
[0023][0024][0025][0026][0027]式中，和分别是燃料电池模式和电解模式下的启动状态；和分别是在SOFC模式和SOEC模式下的关闭状态；
[0028]通过以下公式限制启动和关闭的最短时间UT和DT：
[0029][0030][0031]考虑斜坡上升、下降功率的约束表示为：
[0032][0033][0034]式中，P
ru
和P
rd
是最大爬升、下降功率；
[0035]考虑rSOC的高温工况，重启成本通过rSOC的容量和重启前的离线时间计算；启动成本表示为：
[0036][0037][0038]其中，l是回溯期的索引；K(l)是从l个离线时段重新启动的成本；V
st
和F
st
是重启的最大可变成本和固定成本。
[0039]进一步地，所述储氢罐用于储存rSOC从可用电能转化而来的氢气；储氢罐中储存的氢气直接供应给HV，或通过rSOC转化为电能，以满足辅助用电和电动汽车的需求；t时刻储氢罐中本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于激励
‑
响应充电决策估计的日前优化调度方法，其特征在于，建立基于可逆固体氧化物燃料电池rSOC的电
‑
气转换系统模型，然后建立HV充电模型和EV充电模型，在此基础上，结合为车主提供的具有不同折扣激励的多种充电模式，基于韦伯
‑
费希纳定律建立激励
‑
响应充电决策估计模型以衡量车主对折扣激励的充电响应决策，进而以最小化运行成本为目标，建立HEVA优化调度模型，结合以上各模型得到HEVA整体模型；建立HEVA整体模型后，通过HV、EV接入时刻和行驶里程概率密度函数获取日前预测数据，并输入HEVA整体模型进行求解，以获取最优全天充电服务费折扣序列；将折扣序列再次代入HEVA整体模型，求解获得HEVA内各设备最佳运行策略。2.根据权利要求1所述的一种基于激励
‑
响应充电决策估计的日前优化调度方法，其特征在于，所述电
‑
气转换系统模型包括针对rSOC建立的rSOC模型以及针对储氢罐建立的储氢罐模型；对rSOC进行建模时，考虑其双向模式切换以及时间相关的启动成本。3.根据权利要求2所述的一种基于激励
‑
响应充电决策估计的日前优化调度方法，其特征在于，所述rSOC在SOFC模式下将氢气转换为电能以满足HEVA的电力需求；在SOEC模式下将产生的氢气暂时存储在储氢罐中，然后供应给HV以满足氢气需求，并供给rSOC进行发电；对rSOC进行建模的具体方法为：在SOFC模式下，输出功率和约束条件表示为：为：式中，是rSOC输出功率；η
SOFC
是放电效率；δ
conv
是电能与氢气质量之间的传递系数；是t时刻从储氢罐输出的氢气到rSOC的质量；和P
fc
是最大和最小输出功率；是二进制变量，在时间t时，若rSOC工作在SOFC模式则等于1，否则等于0；在SOEC模式下，输入功率和约束条件表示为：模式下，输入功率和约束条件表示为：式中，η
SOEC
是转换效率；是输入功率；是在时间t从rSOC输入储氢罐的氢气质量；和P
ele
是最大和最小输入功率；是二进制变量，在时间t时，若rSOC工作在SOEC模式则等于1，否则等于0；由于rSOC的切换特性，电解模式和燃料电池模式不能同时运行，受到以下限制：由于rSOC的热特性，在计算中考虑其启动成本和爬升约束；因此，SOFC模式或SOEC模式下的启停状态关系为：下的启停状态关系为：下的启停状态关系为：
式中，和分别是燃料电池模式和电解模式下的启动状态；和分别是在SOFC模式和SOEC模式下的关闭状态；通过以下公式限制启动和关闭的最短时间UT和DT：通过以下公式限制启动和关闭的最短时间UT和DT：考虑斜坡上升、下降功率的约束表示为：考虑斜坡上升、下降功率的约束表示为：式中，P
ru
和P
rd
是最大爬升、下降功率；考虑rSOC的高温工况，重启成本通过rSOC的容量和重启前的离线时间计算；启动成本表示为：表示为：表示为：其中，l是回溯期的索引；K(l)是从l个离线时段重新启动的成本；V
st
和F
st
是重启的最大可变成本和固定成本。4.根据权利要求2所述的一种基于激励
‑
响应充电决策估计的日前优化调度方法，其特征在于，所述储氢罐用于储存rSOC从可用电能转化而来的氢气；储氢罐中储存的氢气直接供应给HV，或通过rSOC转化为电能，以满足辅助用电和电动汽车的需求；t时刻储氢罐中氢气的质量表示为：气的质量表示为：其中，和分别是t和t
‑
1时刻储氢罐内的氢气质量；是t时刻从储氢罐输出到HV的氢气质量；和M
tk
分别是储氢罐中氢气质量的最大和最小限制。5.根据权利要求1所述的一种基于激励
‑
响应充电决策估计的日前优化调度方法，其特征在于，HV充电模型的建立方法如下：rSOC产生的氢气是HV的能源；为完全满足HV的需求，在t时刻从储氢罐转化为HV的氢气质量按式(18)计算：
HV的氢气需求受储氢罐的最大和最小质量限制，如式(19)所示：式中，和M
HV
为储氢罐的最大容量和最小容量。6.根据权利要求1所述的一种基于激励
‑
响应充电决策估计的日前优化调度方法，其特征在于，EV充电模型的建立方法如下：通过能量边界和充电功率限制来表征EV充电模型，以保证EV在出发期间充满电；单辆EV的充电操作建模为：EV的充电操作建模为：EV的充电操作建模为：EV的充电操作建模为：EV的充电...

【专利技术属性】
技术研发人员：郑文迪，张敏，李怡馨，邵振国，王向杰，
申请(专利权)人：福州大学，
类型：发明
国别省市：