一种电动汽车充放电自动需求响应优化方法

摘要

一种电动汽车充放电自动需求响应优化方法，包括以下步骤：S1，获取接入配电网的电动汽车的状态信息，S2，构建SDCO-ADR优化架构，S3，基于PSDR的需求侧优化，以获得使用户收益最大的初始充放电计划S4，基于IBDR的供电侧优化，以获得使配电网负荷波动方差最小的最优充放电计划S5，构建SDCO-ADR优化架构，建立客户响应意愿决策的CVaR模型。本发明根据电力公司侧的需求信号及用户侧情况自动进行精细化资源配置，实现了供需两侧的协同优化，改善了人工响应的效率低、可靠性差、不确定性强以及易造成“响应疲劳”等弊端。

主权项

一种电动汽车充放电自动需求响应优化方法，其特征在于，包括以下步骤：S1，获取接入配电网的电动汽车的状态信息将全天24h的时间进行离散化处理，均分为J个时段，对于任意第k时段，有k∈{1,2,...,J}，且第k时段的时长为Δt，当电动汽车l接入配电网后，用一个七维行向量X_l记录电动汽车l的电池信息和客户的充电需求信息；假设接入配电网的电动汽车的总数为N，对于任一电动汽车l∈{1,2,...,N}，则有：X_l＝[T_in,l,T_out,l,S_0,l,S_E,l,C_s,l,P_c,l,P_d,l]         (1)式中：T_in,l、T_out,l分别表示电动汽车l接入配电网的时间和预期离开配电网的时间；S_0,l、S_E,l分别表示电动汽车l接入配电网前的电池SOC和离开配电网时客户期望的电池SOC，SOC是荷电状态，表示电池剩余能量与电池容量的比值，且0≤S_0,l≤1，0≤S_E,l≤1；C_s,l表示电动汽车l的电池容量；P_c,l、P_d,l分别表示电动汽车l的额定充、放电功率；假设电动汽车在接入配电网期间内均以额定充、放电功率进行充电或者放电；电动汽车l接入配电网的持续时间T_pe,l＝T_out,l‑T_in,l，对T_pe,l离散化后包含的时段集合设为T_l；S2，构建SDCO‑ADR优化架构，SDCO‑ADR表示供需两侧协同优化的自动需求响应，主要步骤如下：S21，基于PSDR的需求侧优化，以获得使客户收益最大的初始充放电计划PSDR表示价格型需求响应；S22：基于IBDR的供电侧优化，以获得使配电网负荷波动方差最小的最优充放电计划IBDR表示激励型需求响应；S23：以CVaR为风险计量指标，结合客户消费心理，建立客户响应意愿自动决策模型，使得电动汽车自动决策响应最优充放电计划或开始无序充电，CvaR表示条件风险价值；S3，基于PSDR的需求侧优化，以获得使客户收益最大的初始充放电计划电动汽车l的充放电计划是电动汽车l在J个时段内所有充放电状态的集合，在需求侧优化阶段表示为I_1,l＝(I_1,l(1),I_1,l(2),…,I_1,l(k),...I_1,l(J))，其中，I_1,l(k)表示在充放电计划I_1,l下，任意第k∈{1,2,...,J}时段的电动汽车l的充放电状态，当I_1,l(k)＝+1时，表示电动汽车l以额定功率进行充电；当I_1,l(k)＝‑1时，表示电动汽车l以额定功率向配电网放电，当I_1,l(k)＝0时，表示电动汽车l处于闲置状态或未接入配电网；定义客户收益最大时电动汽车l的充放电计划I_1,l为初始充放电计划$I_{1,l}^{*}=\left(I_{1,l}^{*}\right(1),I_{1,l}^{*}(2),\mathrm{...},I_{1,l}^{*}(k),\mathrm{...}{I}_{1,l}^{*}(J\left)\right),$其中表示在初始充放电计划下，第k∈{1,2,...,J}时段内电动汽车l的充放电状态；为使客户收益最大，需要综合考虑分时充放电价格、客户的充电需求以及电动汽车入网V2G技术对电动汽车的电池所造成的损耗成本，以最大化客户的充放电收益为目标，建立需求侧PSDR优化模型：$\underset{I_{1,l}}{max}{f}_{1,l}=D_{P,l}\left(I_{1,l}\right)-\underset{k\in T_l}{\Sigma }[e_l\left(I_{1,l}\right(k-1),I_{1,l}(k\left)\right)+A_{k,l}]---\left(2\right)$式(2)中，f_1,l为电动汽车l在接入配电网至离开配电网期间的客户收益；$D_{P,l}\left(I_{1,l}\right)=f_{0,l}-\underset{k\in T_l{I}_{1,l}\left(k\right)\in I_{1,l}}{\Sigma }[P_{c,l}\left(k\right){\xi }_c+P_{d.l}\left(k\right)/{\xi }_d]I_{1,l}\left(k\right)pri\left(k\right)\Delta t$表示电动汽车l在充放电计划I_1,l下，相比于无序充电所降低的充放电费用，f_0,l表示在无序充电情形下的充电成本，P_c,l(k)、P_d,l(k)分别为电动汽车l在第k时段内的充、放电功率，ξ_c、ξ_d分别表示电动汽车的充、放电效率，pri(k)表示第k时段充电或放电价格；e_l(I_1,l(k‑1),I_1,l(k))＝ε₁(I_1,l(k))²+ε₂(I_1,l(k)‑I_1,l(k‑1))²+ε₃表示第k‑1时段到第k时段因充放电状态的切换对电动汽车l的电池造成的损耗成本，e_l表示电动汽车l的电池损耗成本；ε₁，ε₂，ε₃均为电池损耗系数；A_k,l表示电动汽车l第k时段的电能损失费用；电动汽车l与配电网进行充、放电交互时，会有一定的电能损失，故需建立电动汽车l的电池模型，并针对电动汽车l以及配电网设置约束条件：S_l(k)＝S_l(k‑1)+[P_c,l(k)ξ_c+P_d.l(k)/ξ_d]I_1,l(k)Δt/C_s,l     (3)P_c,l(k)P_d,l(k)＝0                 (4)S_min≤S_l(k)≤S_max               (5)$S_{0,l}+\underset{k\in T_l}{\Sigma }\Delta t\frac{\left(P_{c,l}\right(k){\xi }_c+P_{d,l}(k)/{\xi }_d)I_{1,l}\left(k\right)}{C_{s,l}}\ge S_{E,l}---\left(6\right)$T_pe,l>T_c,l,l∈{1,2,...,N}             (7)$L_a^l\left(k\right)\le {\kappa }_T{A}_T,k\in \{1,2,...,J\}---\left(8\right)$其中：式(3)为电动汽车l的电池模型，S_l(k‑1)、S_l(k)分别表示电动汽车l的电池在第k‑1和第k时段的荷电状态；式(4)是第k时段内对电动汽车l充放电状态的唯一性约束；式(5)为电动汽车l的电池在第k时段内的荷电状态约束，防止过充和过放，S_max、S_min分别为电池荷电状态允许的最大值和最小值；式(6)表示客户充电需求约束，即电动汽车l如约离开配电网时，电动汽车l的电池的荷电状态需满足客户期望；式(7)表示时间关系约束，即电动汽车l接入配电网的持续时间需大于充电至客户期望的电池电量所需的最短时间，其中，T_c,l表示电动汽车l的电池充电至预期电量所需的最短时间；式(8)表示配电网内的配电变压器的容量约束，即全天J个时段的配电网总负荷不大于配电网内的配电变压器的最大负载，其中，表示电动汽车l接入时，第k时段的配电网总负荷，κ_T表示配电网内的配电变压器的效率；A_T表示配电网内的配电变压器的额定容量；根据式(2)可知，电动汽车l在约束条件式(4)～式(8)下执行充放电计划I_1,l时相比于无序充电降低的费用D_P,l(I_1,l)越大，且电动汽车l的电池损耗成本e_l(I_1,l(k‑1),I_1,l(k))与电能损失费用A_k,l之和越小，客户的收益就f_1,l越大；当f_1,l达到最大值时，即实现了需求侧优化，此时对应的电动汽车l的充放电计划I_1,l即为初始充放电计划S4，基于IBDR的供电侧优化，以获得使配电网负荷波动方差最小的最优充放电计划基于模糊聚类方法动态辨识配电网当前负荷曲线的峰、平、谷3类时段，分别用Θ_P,l和Θ_V,l表示峰、谷时段集合，则峰时段标识变量${\Omega }_{P,l}\left(k\right)=\left\{\begin{array}{cc}-1,& \begin{array}{cc}if& k\in {\Theta }_{P,l},\end{array}\\ 0,& else\end{array}\right.,$谷时段标识变量${\Omega }_{V,l}\left(k\right)=\left\{\begin{array}{cc}1,& \begin{array}{cc}if& k\in {\Theta }_{V,l},\end{array}\\ 0,& else\end{array}\right.,$当初始充放电计划满足：$\frac{\underset{k=1}{\overset{J}{\Sigma }}\left({\Omega }_{P,l}\right(k\left)I_{1,l}^{*}\right(k\left)\right)}{z(I_{1,l}^{*},-1)}\le {\delta }_P---\left(9\right)$或$\frac{\underset{k=1}{\overset{J}{\Sigma }}\left({\Omega }_{V,l}\right(k\left)I_{1,l}^{*}\right(k\left)\right)}{z(I_{1,l}^{*},1)}\le {\delta }_V---\left(10\right)$时，说明由步骤S3的需求侧优化阶段所得的初始充放电计划不能达到供电侧优化的目的；为了实现供电侧的优化，需要对进行调整，在供电侧优化阶段，将调整后的表示为I_2,l，即供电侧优化阶段客户执行的充放电计划I_2,l；其中，分别表示电动汽车l的初始充放电计划中等于‑1和等于1的个数，δ_P∈[0,1]、δ_V∈[0,1]分别表示负荷调整的峰、谷裕度；在客户执行I_2,l时，需考虑配电网的实时负荷水平，同时以动态激励的方法给予参与削峰填谷的电动汽车l一定激励补偿，在收益不低于步骤S3所得的客户最大收益的条件下，以最小化配电网负荷波动方差为目的，建立供电侧的IBDR优化模型：$\min V\left(L_a^l\right(k\left)\right)=E\left({\left(L_a^l\left(k\right)\right)}^2\right)-E^2\left(L_a^l\right(k\left)\right),k\in \{1,2,...,J\}---\left(11\right)$式中，表示配电网的负荷波动方差；E表示期望；对电动汽车l实施的动态激励方案如下：$D_{I,l}=K_1{Q}_{I,l}^2+K_2{Q}_{I,l}---\left(12\right)$式中，D_I,l表示对电动汽车l实施动态激励方案的激励费用，Q_I,l为电动汽车l执行充放电计划I_2,l时对配电网造成的负荷转移量；K₁、K₂分别为所制定激励方案中激励金额的二次项系数和一次项系数；根据式(12)所述的动态激励方案，在供电侧优化阶段客户的收益为：f_2,l＝opt f_1,l+D_I,l(I_2,l)‑ΔD_l        (13)其中，opt f_1,l表示电动汽车l执行初始充放电计划时的客户收益；D_I,l(I_2,l)表示电动汽车l执行充放电计划I_2,l时的激励补偿费用；ΔD_l表示由初始充放电计划调整为供电侧优化阶段的充放电计划I_2,l时带来的电费优惠损失与电池损耗成本，为使得供电侧优化阶段客户的收益不低于步骤S3中优化得到的用户收益opt f_1,l则有：D_I,l(I_2,l)‑ΔD_l≥0         (14)供电侧优化阶段执行充放电计划I_2,l时，除了需要满足约束式(4)～(8)、(14)之外，为继承步骤S3的优化结果、保证优化效率，还需满足等式约束：$\underset{k=1}{\overset{J}{\Sigma }}{I}_{1,l}^{*-}\left(k\right)=\underset{k=1}{\overset{J}{\Sigma }}{I}_{2,l}^{-}\left(k\right)---\left(15\right)$式中分别表示电动汽车l在充放电计划I_2,l中处于放电状态；分别表示电动汽车l在充放电计划I_2,l中第k时段处于放电状态；分别表示电动汽车l在充放电计划I_2,l中处于放电状态的时段数；由供电侧IBDR的优化模型式(11)可知，电动汽车l在约束条件式(4)～式(8)、式(14)～式(15)下执行充放电计划I_2,l时，当配网负荷波动达到最小值且供电侧优化阶段的客户收益f_2,l最大时，便实现了供电侧优化的目的，此时对应的电动汽车l的充放电计划I_2,l即为电动汽车l的最优充放电计划据此，电动汽车l便可按照所制定最优充放电计划进行充放电；S5，基于CVaR的客户响应意愿决策方法S51，CVaR的计算CVaR是一种用于衡量决策过程中的风险与收益的测度工具，设π(s,x,y)表示在决策变量x、状态变量s下由随机变量y引起的收益函数，其中，x∈X，X为可行决策集；y∈R^m是一个随机向量，表示影响收益的市场随机因素，R^m表示m维的实数空间，设y的密度函数为p(y)，则收益函数π(s,x,y)不超过阈值α的分布函数ψ(s,x,α)为ψ(s,x,α)＝∫_{π(s,x,y)≤α}p(y)dy      (16)对于任意置信水平η∈(0,1)，收益的风险价值VaR和CVaR分别为VaR_η(π(s,x,y))＝sup{α∈R|ψ(s,x,α)≤η}        (17)CVaR_η(π(s,x,y))＝E[π(s,x,y)|π(s,x,y)≤VaR_η(π(s,x,y))]   (18)VaR_η指在置信水平η下，某一决策在未来一段时间内面临的最小或最大的收益或损失，sup表示上确界，即集合{α∈R|ψ(s,x,α)≤η}的上确界，R表示实数集；CVaR_η是在VaR_η的基础上提出的，指收益函数π(s,x,y)的值低于VaR_η时π(s,x,y)的条件均值，因此CVaR_η着重考虑低于VaR_η时的收益水平，E表示期望；由于式(18)难以求解，给出了一种相对简单的计算方式：${\mathrm{CVaR}}_{\eta }\left(\pi \right(s,x,y\left)\right)=\underset{v\in R}{max}\{v+\frac{1}{\eta }E[{\left(\pi \right(s,x,y)-v)}^{-}\left]\right\}---\left(19\right)$式中，(π(s,x,y)‑v)^‑表示min{0,π(s,x,y)‑v}，v为任意实数，且VaR_η的值等于取最大值时v的值；S52，建立客户响应意愿决策的CVaR模型ADR项目的执行效果需要关注客户对于ADR项目的响应度以及各种非利益因素引起的客户响应意愿变化，ADR表示自动需求响应项目，客户作为ADR项目的实践主体，会面临很多不定心理阻碍因素以及利益上的风险，SDCO‑ADR方法以经济手段鼓励客户积极响应ADR项目，但考虑到客户响应存在的不确定性，会设置惩罚费用来提高ADR的执行约束力，采用CVaR来描述在正常的市场环境下和给定的置信水平下，在未来特定的时间段内，客户的实际收益低于VaR的条件均值；电动汽车l接入配电网时，客户响应SDCO‑ADR策略的实际收益π_l(t)为：${\pi }_l\left(t\right)=\left\{\begin{array}{cc}(f_{2,l}-{\mathrm{\Delta f}}_l)-\beta {(S_{E,l}-S_{t,l})}^2& t<T_{out,l}\\ f_{2,l}-b{(t-a-T_{out,l})}^{+}& t\ge T_{out,l}\end{array}\right.---\left(20\right)$式(20)中，t为提车时间；b为延迟提车的惩罚系数；a为考虑客户提车时间随机分布的超额裕度；Δf_l为客户因过早提车而损失的收益；β(S_E,l‑S_t,l)²为客户过早提车付出驾驶车辆出行的便利代价，β为便利代价系数，S_t,l为客户提车时电动汽车l电池的SOC；(t‑a‑T_out,l)⁺表示max{0,t‑a‑T_out,l}；为了模拟消费心理因素和利益风险因素多样化环境下客户的决策行为，以电动汽车l无序充电成本f_0,l为基准，定义收益因子为λ_l：${\lambda }_l=\frac{\underset{v_l\in R}{max}\{v_l+\frac{1}{{\eta }_l}E[{\left({\pi }_l\right(t)-v_l)}^{-}\left]\right\}}{f_{0,l}}---\left(21\right)$式(21)中，η_l∈(0，1)为置信水平，反映客户的风险态度，η_l越小表示客户对风险越是厌恶；(π_l(t)‑v_l)^‑表示min{0,π_l(t)‑v_l}，v_l为任意实数；通常，客户消费心理存在最小可觉差，ADR项目会自动响应条件风险价值满足客户心理最小可觉差的SDCO‑ADR策略，即如果有：λ_l≥λ_E,l              (22)就认为客户有意愿响应ADR项目，否则开始无序充电，式中，λ_E,l为心理预期收益因子；实际上，不同类型客户的响应情况有别，λ_E,l会具有一定的波动性，一般与客户的风险态度呈负相关特性；近似采用均匀分布描述某一预期收益因子初值λ_E下客户响应的不确定行为：λ_E,l∈[[λ_E‑σ(1‑η_l)]⁺,λ_E+σ(1‑η_l)]，其中，_σ表示负相关系数，η_l为置信水平，[λ_E‑σ(1‑η_l)]⁺表示max{0,λ_E‑σ(1‑η_l)}。