基于ADN动态重构与有功、无功联合优化模型的充电负荷预测方法技术

基于ADN动态重构与有功、无功联合优化模型的充电负荷预测方法，包括以下步骤：步骤1：建立EV单位里程能耗模型以及EV的荷电状态；步骤2：考虑车主主观意愿，建立EV充电负荷时空分布预测模型，适用不同场景的充电负荷预测；步骤3：计及综合运行成本与电压偏差等指标确定目标函数，建立含ADN动态重构与有功、无功联合优化数学模型；步骤4：基于约束条件，利用二阶锥松弛和变量乘积线性化方法，对步骤3联合优化数学模型进行转化。本发明专利技术提高了EV充电负荷的预测准确性，并保证含大规模EV充电负荷的配电网运行的安全性和经济性。电网运行的安全性和经济性。电网运行的安全性和经济性。

【技术实现步骤摘要】
基于ADN动态重构与有功、无功联合优化模型的充电负荷预测方法


[0001]本专利技术涉及EV充电负荷预测
，具体涉及一种基于ADN动态重构与有功、无功联合优化模型的充电负荷预测方法。

技术介绍

[0002]随着全球尤其中国的电动汽车(Electric Vehicle,EV)产业正进入加速发展的新阶段，虽已明确要求城市各区域多配置充电设施，但是电动汽车EV具有道路交通网络负荷和电力网络负荷的双重属性，其驾驶行为和充电行为会受到路网和电网的交替影响。主动配电网是解决分布式新能源并网运行控制、电网与EV及其充放电设施互动、智能配用电问题的有效解决方案。目前国内外学者对含DG和EV的主动配电网网络重构开展了广泛的研究，但鲜有研究考虑EV负荷的时空分布特性和EV与交通系统、配电网的耦合性。

技术实现思路

[0003]本专利技术提供一种基于ADN动态重构与有功、无功联合优化模型的充电负荷预测方法，该方法计及车、路、网的耦合性，建立EV时空转移模型并应用于不同场景的充电负荷预测。针对含EV的ADN，建立ADN动态重构与无功、有功联合优化本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于ADN动态重构与有功、无功联合优化模型的充电负荷预测方法，其特征在于包括以下步骤：步骤1：建立EV单位里程能耗模型；步骤2：考虑车主主观意愿，建立EV充电负荷时空分布预测模型，适用不同场景的充电负荷预测；步骤3：计及综合运行成本与电压偏差指标确定目标函数，建立含ADN动态重构与有功、无功联合优化数学模型；步骤4：基于约束条件，利用二阶锥松弛和变量乘积线性化方法，对步骤3联合优化数学模型进行转化。2.根据权利要求1所述基于ADN动态重构与有功、无功联合优化模型的充电负荷预测方法，其特征在于：所述步骤1中，基于交通运输能力的速度、流量，考虑实际温度、交通运输状况的EV单位里程能耗模型以及EV的荷电状态，具体如下：式中：ν
ti,j
(x)为道路(i,j)上x处EV的速度，i和j分别为道路的两侧，表示道路(i,j)的车流量，Tr
i,j
表示交通运输能力，a1、a2、a3分别为道路自适应系数，χ
t
为t时刻道路饱和度；表示t时刻道路饱和度的β次幂、表示t时刻道路饱和度的a3次幂；计及空调开启的EV每公里耗电量计算如下：式中:E
ti,j
(x)为未计空调开启的EV每公里耗电量；实际温度的变化能影响EV用户空调开启率，具体表示为：式中：K
temp
为能量比例系数，假设生成某一温度均匀分布的随机数r，如果r＜K
pect
，则开启空调；q1～q4和c1～c3为拟合参数，b代表温度，K
pect
表示不同温度下的空调开启率；综合式(2)和式(3)，EV的实际每公里耗电量表示为：综合式(2)和式(3)，EV的实际每公里耗电量表示为：表示t时刻的能量比例系数、表示未计空调开启的EV每公里耗电量；因此，EV在地点x的荷电状态计算式为：
SOC(x)表示EV在地点x的荷电状态计算式，SOC
init
表示EV行驶的初始荷电状态，E
t
(x)表示EV的实际每公里耗电量、C
EV
表示电池容量、D
X
表示行驶起点到地点x的距离。3.根据权利要求1所述基于ADN动态重构与有功、无功联合优化模型的充电负荷预测方法，其特征在于：所述步骤2中，考虑车主主观意愿的EV充电负荷时空分布预测模型，应用于不同场景的充电负荷预测，具体如下：剩余电量和下一段行驶距离D
next
之比越小，充电的意愿越强；根据用户主观意愿uu
sat
来描述EV用户的主观充电意愿：SOC(x)表示EV在地点x的荷电状态计算式、C
EV
表示电池容量、D
next
表示下一段行驶距离、E
t
(x)表示EV的实际每公里耗电量；引入F
fuz
表示充电意愿的模糊集，其隶属函数F
fuz
(uu
sat
)，由以下公式(7)表示：式中：uu
maxsat
、uu
minsat
分别为uu
sat
的上、下限；uu
sat
表示用户主观意愿、τ表示出于主观意愿给EV充电的概率；EV有两种充电模式，考虑充电成本和电池损耗，默认为慢充，若停驻结束，则慢充无法满足期望荷电状态SOC
exp
，即满足式(8)时选择快充：C
EV
表示电池容量、SOC
exp
表示期望荷电状态；式中：P
slow
为EV额定慢充功率，T
ip
、SOC
iinit
分别为EV在停车点i的停车时长、初始荷电状态；若EV在行驶过程中的SOC低于SOC
thr
，则会在中途进行充电，充电地点L
midpar
为靠近目的地的充电站，充电时间T
char
的计算公式如下：D
thr
表示为EV从初始荷电状态SOC
init
到临界荷电状态SOC
thr
的可行驶距离、SOC
thr
表示临
界荷电状态、为靠近目的地的充电站的充电地点、r
c
表示EV的SOC降至SOC
thr
时，经过充电站的数量、∑D
r
表示EV行程起点和第r个的充电站之间的距离、J表示第J个地点；式中：D
thr
为EV从SOC
init
到临界荷电状态SOC
thr
的可行驶距离；∑D
r
表示EV行程起点和第r个的充电站之间的距离；r
c
表示EV的SOC降至SOC
thr
时，经过的充电站的数量；f(r
c
)表示r
c
对应的交通网络，P
fast
和P
slow
为额定快充功率和慢充功率；T
char
表示充电时间、D
mid
表示从行驶起点到电动汽车的SOC将至0时到达的充电站点之间的距离、∑D
r
表示EV行程起点和第r个的充电站之间的距离；根据交通节点和配电网络的耦合关系，统计各配电节点的时空负荷，配电节点z处的充电负荷P
z
(t)和配电网总充电负荷P
DN
(t)表示为：(t)表示为：表示在t时刻第n个电动汽车的充电功率、n表示z节点电动汽车充电数量；P
z
(t)表示配电节点z处的充电负荷；式中：N
EV
和N
w
分别为t时刻充电节点EV和充电节点数量，将P
DN
(t)储存于N
w
×
24的矩阵W中，当模拟y1的数量达到最大值z1或满足公式(13)，模拟终止，否则重复充电负荷预测；式中：W
b
表示W中的第b列向量；A
nWb
表示第n次模拟的W
b
中的平均值；ξ1为收敛精度；表示第n
‑
1次模拟的W
b
中的平均值。4.根据权利要求1所述基于ADN动态重构与有功、无功联合优化模型的充电负荷预测方法，其特征在于：所述步骤3中，考虑综合运行成本和电压偏差指标，则ADN动态重构与有功、无功联合优化数学模型的目标函数为：Min{μ1(f
L
+f
DG
+f
O
)+μ2C
V
f
V
}
ꢀꢀꢀꢀ
(14)；式中：f
L
、f
DG
和f
O
分别为有功网损、弃风弃光和开关动作的费用，f
V
为电压偏差；μ1和μ2为权重系数，且μ1+μ2＝1；C
V
表示成本系数；表示成本系数；
式中，T为总调度时间；Ω
E
和Ω
DG
分别为电网支路集合和DG所在节点集合；C
L
、C
D
和C
V
为不同成本系数；V
th
为理想运行电压的上下限阈值；I
ij,t
表示t时刻流过支路ij的电流；R
ij
表示支路ij的电阻，Δt表示单个调度时间段，ΔZ
ij
表示布尔变量，其数值为0/1时表示支路ij处于断开/闭合状态、P
DG
表示DG所在节点的有功功率，表示t时刻DG节点中i节点的有功功率；ΔZ
ij0
表示支路ij开关的初始状态。5.根据权利要求1所述基于ADN动态重构与有功、无功联合优化模型的充电负荷预测方法，其特征在于：所述步骤4中，计及主动管理技术和EV时空分布，调节约束条件：1)系统功率约束：1)系统功率约束：1)系统功率约束：1)系统功率约束：式中：ΔZ
ij
为0、1变量，表示支路ij处于开、闭状态；P
G,i,t
、Q
G,i,t
分别为t时刻的注入节点i有功、无功功率；P
ij,t
、Q
ij,t
为t时刻流过支路ij的有功、无功功率，均以从节点i流出为正；g
ij
和b
ij
分别为支路ij的电导和电纳；V
i,t
、V
j,t
和θ
ij,t
分别为t时刻i、j的电压幅值和i、j之间的电压相位差；ΔZ
ij
表示布尔变量，其数值为0/1时表示支路ij处于断开/闭合状态、N(i)表示与节点i相连的节点集合；2)支路载流量约束：式中：I
ij,max
为电流幅值的最大值；λ
ij
表示支路连接状态；3)节点电压约束：V
i,min
≤V
i,t
≤V
i,max
ꢀꢀꢀꢀ
(24)；式中：V
i,min
和V
i,max
为节点i电压下限和上限；4)辐射型网络约束：
式中：E
ij
、E
ji
均为0、1变量，E
ij
＝1表示支路潮流方向为节点j流向节点i，且节点j为节点i的父节点；N(i)表示与节点i相连的节点集合；Y
mk,e
、Y
km,e
亦为0/1变量；E
ij
、E
ji
均为布尔变量：E
ij
表示支路i
‑
j的潮流方向变量、E
ji
表示支路j
‑
i的潮流方向变量、Y
mk,e
、Y
km,e
均为0/1变量；E
1j
＝0限制了潮流只能从1号节点流出，为变电站节点、m和k分别为对偶图的节点，e为对偶图节点连接的支路、M
K
、S
K
分别为m,k节点集合；5)CB约束：投切电容器(Capacitor Banks,CB)，其约束为：式中：y
j,tCB
为t时段电容投运组数，为整数变量，Q
jCB,step
为每组电容器的无功输出量；表示t时段投运的电容器的无功输出量、表示t时刻电容投运的最大组数、表示任意一个、Ω
CB
表示CB所在节点集合，t表示t时段；6)SVC约束：静止无功补偿装置(static var compensation,SVC)，其约束为：式中：Q
jSVC,min
、Q
jSVC,max
为SVC功率的下、上限；表示t时刻节点j无功补偿功率大小、Ω
SVC
表示SVC所在节点集合；7)OLTC运行约束：有载分接开关(On Load Tap Changer,OLTC)，其约束为：式中：r
j,t
表示OLTC变比平方、r
j,s
表示OLTC档位s和档位s
‑
1的变比平方差值、V
j,min
、V
j,max
分别表示节点j可调压的最小/最大的范围；Ω
Sub
为变电站节点；V
j,tBase
为变压器高压侧电压值；r
j,t
为OLTC变比平方，r
jmax
和r
jmin
为r
j,t
上、下限；r
j,s
为OLTC档位s、s

【专利技术属性】
技术研发人员：程杉，贺彩，钟仕凌，李沣洋，刘延光，
申请(专利权)人：三峡大学，
类型：发明
国别省市：