【技术实现步骤摘要】
考虑电动汽车充电负荷不确定性的建筑能源优化调度方法
[0001]本专利技术属于建筑综合能源系统领域,具体涉及一种考虑电动汽车充电负荷不确定性的建筑能源优化调度方法。
技术介绍
[0002]随着未来建筑中充电设施的普及,电动汽车与建筑之间的互动将逐渐密切。
[0003]电动汽车的接入有利有弊,其过度集中接入会带来负荷波动、配电系统组件容量、电压和频率不平衡、功率损耗以及配电网的不稳定等问题。但若将电动汽车的充电调度与电力市场运营相结合,对其充电进行合理安排,将有利于通过需求响应抑制电网波动,保证电网运行的稳定性。电动汽车有序充电有助于转移或削减峰值负荷,并减少相应的电费。通过楼宇能量管理系统的调度,可对楼宇负荷进行削峰填谷,并通过协调电动汽车与分布式电源的运行,达到改善新能源就地消纳情况的目的。所以综合利用充电负荷等柔性负荷来制定优化调度策略将给建筑运行状态带来可观的改善。
[0004]然而,现阶段基于确定性模型建立的策略往往忽略了现实中不确定因素带来的影响,所求的策略极有可能不适用于实际情况。因此在电动汽车快速发展的当下,研究电动汽车充电负荷不确定性条件下的建筑综合调度策略优化方法是十分必要的,具有理论和实际的双重价值,将为建筑能源系统的鲁棒性运行管理提供理论方面的依据,从而顺应电动汽车推广的大趋势,响应双碳目标,促进能源与环境问题的解决。
技术实现思路
[0005]有鉴于此,本专利技术提出了一种考虑电动汽车充电负荷不确定性的建筑能源优化调度方法,来进一步提高调度策略的鲁棒性,同时利用 ...
【技术保护点】
【技术特征摘要】
1.一种考虑电动汽车充电负荷不确定性的建筑能源优化调度方法,其特征在于,包括以下步骤:步骤1):建立电动汽车充电负荷日前预测模型对中国本土地区进行问卷调研,获取中国本土实际的电动汽车负荷数据。根据回收数据分析用户通勤行为特征和电动汽车物理属性分布,建立基于蒙特卡洛模拟和统计学方法的电动汽车充电负荷预测模型。步骤2):对充电负荷不确定性进行量化在充电负荷预测模型的基础上,通过蒙特卡洛方法引入误差,在各参数期望值的基础上进行修正,将进行足够多次蒙特卡洛模拟后得到的次日充电负荷样本组成集合,形成次日可能出现的所有充电情况的集合。通过测量获取预冷工况下的建筑空调负荷,以及楼宇内照明、办公设备及电梯等基础用电负荷,并结合充电负荷,得到次日可能出现的所有用电负荷情况的集合。步骤3):建立考虑充电负荷不确定性的建筑能源优化调度模型采用单目标遗传算法,以所有可能出现情景中负荷方差最不利情况最优化为目标,以各电动汽车开始充电时刻为变量,并提出到站不保证率和充电不保证率作为约束条件,建立电动汽车充电设施优化调度模型。2.根据权利要求1所述的计算方法,其特征在于:所述步骤1)建立电动汽车充电负荷日前预测模型,具体为:(1)通过调研问卷,得到相关参数的分布为了解中国本土人员的通勤出行规律,问卷内容涉及人员基本信息(性别、年龄)、人员出行习惯(到达工作地点时间、离开工作地点时间、从家到工作地点的距离、出发时车辆SOC、是否会在上班途中驾车离开)、电动汽车的物理参数(电池容量)以及充电意愿等。通过对问卷调研结果的分析,获得6种指标包括有到达工作地点时刻、离开工作地点时刻、从家到工作地点的行驶距离、出发时的SOC、电池容量、每公里耗电的概率密度分布函数。(2)单台车逐时充电负荷的计算为简化充电负荷的计算,对条件在一定程度上进行假设和限定,具体如下:
②
电动汽车不会在上班途中离开,一直停泊到下班时间;
②
电动汽车到站即开始充电,直到电池充满时结束充电,若直到离开时都无法充满,则一直充到离开时刻;
③
由于充电开始和结束两个过程持续时间很短,所以将充电过程视为恒功率,并根据国家标准规定本文中的慢充功率为7kW。
④
本发明中充电桩类型配置仅建立全慢充情景。根据蒙特卡洛抽取得到各随机变量的样本后,可以计算每辆电动汽车到站时的SOC:式中,SOC
arr,n
为第n辆车到达工作地点时的荷电状态;SOC
de,n
为第n辆车离开家时的荷电状态;K
n
为第n辆车的每公里耗电量,kWh/km;D
n
为第n辆车从家到工作地点的行驶距离,km;Cap
n
为第n辆车的电池容量,kWh。由此可以计算出每辆车的充电时长:
式中,L
n
为第n辆车的充电时长,小时;P
c,n
为第n辆车的充电功率,kW。全慢充情景下,所有车的充电功率均为7kW。设第n辆电动汽车在1天中某时刻t的充电状态变量ε
n
(t):式中,t
s,n
为第n辆开始充电的时刻,车辆充电时ε
n
(t)=1,不充电时为ε
n
(t)=0。则单台车和多台车的逐时充电负荷为:P
EV,n
(t)=P
c,n
×
ε
n
(t)
ꢀꢀ
(4)式中,P
EV,n
(t)为t时刻第n辆车的充电负荷,kW;P
EV
(t)为t时刻所有车辆的充电负荷,kW;N为所有的车辆数。即可得到某规模的电动汽车一日内的逐时充电负荷。(3)蒙特卡洛模拟过程对于全慢充情景,从第1辆车开始,根据其各随机变量的概率密度分布函数随机抽取其开始充电时刻、电动汽车电池容量、每公里耗电量、从家到工作地点距离以及出发时的SOC,根据公式(1)~(5)计算该车辆的逐时充电负荷。剩下的车辆做同样的抽取和计算,对逐时充电负荷进行累加,完成1次蒙特卡洛模拟过程。重复上述抽取过程,以得到足够数量的样本,本文共进行10000次抽取。抽取完成后即可得到10000组逐时电动汽车充电负荷样本数据,再对每时刻的电动汽车充电负荷的最大值、最小值、中位数等进行统计和计算,便可得到电动汽车负荷的分布特征。3.根据权利要求1所述的计算方法,其特征在于:所述步骤2)对充电负荷不确定性进行量化,具体为:(1)对期望的修正及误差的抽取针对每辆车,为了模拟不确定的充电负荷预测,对不确定性因素可能出现的误差进行抽取,以此对各因素的期望值进行修正,组成“需考虑情况”集合。考虑不确定性偏差的到达时刻表示式为:式中,t
s,n
(exp)为第n辆车到达时刻(开始充电时刻)的期望值;为到达时刻的预测误差值。本发明使用蒙特卡洛方法产生一组有限但足够大的误差向量:式中,为到达时刻预测值的误差向量,包含所有可能出现的预测误差;为由蒙特卡洛模拟抽取得到的误差观测向量;为第i次抽取的到达时刻预测值;Ne为蒙特卡洛抽取次数。当Ne足够大时,可认为是相当好的近似值,令Ne=10000。且预测误差服从正态分布:式中,为到达时刻预测误差的标准差;为到达时刻预测误差的期望。同理,考虑不确定性偏差的离开时刻表示式为:<...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。