一种计及风光不确定性的电动汽车充电站电价制定方法技术

本发明专利技术公开了一种计及风光不确定性的电动汽车充电站电价制定方法，包括：获取区域历史气象数据集，采用聚类算法对日风速、光照强度聚类，得到聚类中心和权重；建立充电站风力发电和光伏发电出力模型；构建单台电动汽车的充电时间模型，并计算单台可充电时长；构建单台充电电价的响应模型和概率转移矩阵，获取分时电价后的单台充电概率分布模型；模拟充电，获取电动汽车群的日负荷需求和充电站总充电功率模型、充电站对电网的负荷需求模型；构建分时充电电价的充电站效益模型，采用遗传算法求解模型中各时段的充电电价；取最优个体解码，获取电动汽车充电站分时电价。本发明专利技术构建充电站经济效益目标函数，求出最优解，使得电价制定过程更加准确。

【技术实现步骤摘要】
一种计及风光不确定性的电动汽车充电站电价制定方法
本专利技术涉及一种计及风光不确定性的电动汽车充电站电价制定方法，属于电力系统调度

技术介绍
近些年来，各种新能源发电越来越多的开发和应用于电力系统中，从一定程度上缓解了当今社会能源需求的压力。新能源发电技术的发展，加快了人们生活方式的变革，风力发电、光伏电池、电动汽车等也将逐渐普及开来。但是区别于传统发电，风电和光伏出力具有较大的不确定性，其预测难度也比较高，随着未来电动汽车的普及率逐渐提高，含分布式电源的配电网经济调度和运行也随之迎来了问题和挑战，有必要同时针对分布式发电的不确定性和电动汽车充电响应提出一种配电网优化调度和运行方法。考虑到风电和光伏出力的不确定性，需要针对区域内风速和光照强度提出一种合理的模型或处理方法。目前多数研究认为风速大小近似服从威布尔(Weibull)分布，光照强度服从贝塔(Beta)分布，这类以确定的概率密度函数去模拟风速和光照强度从而构建风光出力模型的方法虽然具有较高的代表性，但是针对一些较小或极端的供电区域，其模型可能会缺乏精度。部分研究针对风速和光照的不确定性，采取一些随机算法，如蒙特卡洛法，模拟各类分布式发电出力，但其中存在较大的随机性，可能不能反映区域内风速、光照强度的分布特征，且模拟过程的运算量过大。而含有电动汽车的配电网则显得更加复杂，大量的电动汽车接入，必然会造成配电网区域负荷较大的波动性，从而影响供电安全性和可靠性，和分布式发电相比，电动汽车其具有一定的随机性和规律性，且存在需求侧的电价响应，因此电动汽车充电站的电价制定必须具备合理性，以改善配电网区域的电能质量。目前部分关于配电网内电动汽车充电站的电价制定方法研究存在以下不足：1.未考虑电动汽车站内有新能源发电的存在。部分电动汽车站内有安装风电和光伏等新能源发电，未来这一趋势会越来越明显，而当今鲜有研究将风力发电和光伏发电等考虑在内。2.未有效对站内风力发电和光伏发电建立合理的出力模型。风电和光伏受气象因素的影响较大，而区域气象历史数据量较大，且由于考虑风光存在一定的互联性，风力和光照强度需要合并处理，这给建模带来了困难，应从海量数据中提取价值量比较高的数据，从而建立合理的风电和光伏的出力模型。3.未对区域电动汽车群的充电行为做合理的模拟。电动汽车充电行为受时间、充电电价因素影响，故要建立时间尺度上的充电行为模拟，并且需要考虑价格响应。综上所述，有必要考虑建立合理的电动汽车充电行为的模型，并同时需要考虑站内风力发电、光伏发电的存在，在较大的时间尺度上，制定合理的分时充电电价，以某一目标函数达到最优。
技术实现思路
本专利技术所要解决的技术问题在于克服现有技术的不足，提供一种计及风光不确定性的电动汽车充电站电价制定方法，解决现有方法无法建立合理的电动汽车充电行为的模型，并同时需要考虑站内风力发电、光伏发电的存在，导致电价确定不准确的问题。本专利技术具体采用以下技术方案解决上述技术问题：一种计及风光不确定性的电动汽车充电站电价制定方法，包括以下步骤：步骤1、获取电动汽车充电站区域历史气象数据集，采用k-means聚类算法对其中的风速、光照强度分布曲线进行聚类，得到以聚类中心作为每一类的代表分布曲线，并求取每一类的权重；步骤2、建立电动汽车充电站区域并网运行的风力发电和光伏发电出力模型；步骤3、构建单台电动汽车的充电时间模型，并计算单台电动汽车的可充电时段数；步骤4、结合单台电动汽车的可充电时段数，构建单台电动汽车充电电价的响应模型和起始充电时刻的对充电电价的概率转移矩阵，获取分时电价后的单台电动汽车充电概率分布模型；步骤5、模拟电动汽车群的充电行为场景，获取电动汽车群的日负荷需求，再结合建立的电动汽车充电站内风力发电和光伏发电出力模型、分时电价后的单台电动汽车充电概率分布模型，获取电动汽车充电站各时段的总充电功率模型和电动汽车充电站对电网的负荷需求模型；步骤6、结合聚类中心及其权重、电动汽车充电站各时段的总充电功率模型、电动汽车充电站对电网的负荷需求模型构建分时充电电价的电动汽车充电站效益模型，其中电动汽车充电站效益模型包含电动汽车充电站的售电收益以及参与电网调峰所获取的基本收益；步骤7、采用遗传算法求解构建的电动汽车充电站效益模型中电动汽车充电站各时段的充电电价；步骤8、根据求解的电动汽车充电站各时段的充电电价中取最优个体解码，获取电动汽车充电站分时电价。进一步地，作为本专利技术的一种优选技术方案，所述步骤1中采用k-means聚类算法对风速、光照强度分布曲线进行聚类，具体为：步骤1-1.对历史气象数据集中风速、光照强度数据分别作归一化处理，采用公式：其中，v、s分别为N年全时序风速、光照强度的向量；v*、s*分别为N年全时序风速、光照强度的归一化向量构成的矩阵，大小为Nd×24，Nd样本总数；vmax、vmin分别为全时序上的最大风速和最小风速，smax、smin分别为全时序上的最大光照强度和最小光照强度；步骤1-2.构造风速和光照强度的k-means聚类样本x，则x为Nd×48矩阵，每一行为一个聚类样本：x＝[v*s*]步骤1-3.从聚类样本x中随机选取k个不重复行向量，初始化k个聚类中心，xc1、xc2..xck；步骤1-4.计算每一个聚类样本到各聚类中心的距离，并把聚类样本归到各聚类中心；并计算每一类新的聚类中心，则第i个聚类中心的更新公式为：其中，xci表示第i个聚类中心；ni为第i个类包含的样本数；xi,m为第i类中第m个样本；步骤1-5.重复上述步骤1-4，直至聚类中心收敛为止。进一步地，作为本专利技术的一种优选技术方案，所述步骤1求取每一类的权重，采用公式：ρci＝ni/Nd其中，Nd为聚类的总样本数。进一步地，作为本专利技术的一种优选技术方案，所述步骤2建立的风力发电和光伏发电出力模型分别为：Ps(t)＝A*γ(t)*η其中，Pw(t)为风力发电机在t时段内的出力，v(t)为t时段的电动汽车充电站内的风速，vci为风力发电机切入风速，vcr为额定风速，vco为切出风速，Pr为风力发电机的额定功率；t表示电动汽车可充电时段数d中第t个时段；Ps(t)为光伏电池在t时段有功出力，A为电池面积大小，γ(t)为t时段光照强度，η为光电转换效率。本专利技术采用上述技术方案，能产生如下技术效果：本专利技术为电动汽车充电站制定合理的电价提供参考，本专利技术提出一种计及风光不确定性的电动汽车充电站电价制定方法。本专利技术考虑未来电动汽车充电站内普遍存在的新能源发电设备，如风力发电和光伏发电，对充电站区域的风电和光伏出力建立了合理的模型，用k-means聚类算法从海量历史数据中提取数据信息，降低了算法工作量；接着对电动汽车的充电行为作了数学模拟，包括出行起始、行驶路程、结束出行、充电时长等，并建立电动汽车对充电电价的需求响应模型，提出充电概率转移矩阵，反映了电动汽车对充电价格的响应；再对电动汽车群进行充电模拟，结合站内风电和光伏出力模型，计算充电站对电网的负荷需求；最后利用改进的遗传算法，以充电站经济效益为目标，构建充电站经济效益目标函数，利用改进的遗传算法对电动汽车充电站的分时电价进行求解。本专利技术中采用所述k-means聚类法处理区域气象数据集，能够减小海量数据造成计算复杂度本文档来自技高网...

【技术保护点】
1.一种计及风光不确定性的电动汽车充电站电价制定方法，其特征在于，包括以下步骤：步骤1、获取电动汽车充电站区域历史气象数据集，采用k‑means聚类算法对其中的风速、光照强度分布曲线进行聚类，得到以聚类中心作为每一类的代表分布曲线，并求取每一类的权重；步骤2、建立电动汽车充电站区域并网运行的风力发电和光伏发电出力模型；步骤3、构建单台电动汽车的充电时间模型，并计算单台电动汽车的可充电时段数；步骤4、结合单台电动汽车的可充电时段数，构建单台电动汽车充电电价的响应模型和电动汽车的起始充电时刻的对充电电价的概率转移矩阵，获取分时电价后的单台电动汽车充电概率分布模型；步骤5、模拟电动汽车群的充电行为场景，获取电动汽车群的日负荷需求，再结合建立的电动汽车充电站内风力发电和光伏发电出力模型、分时电价后的单台电动汽车充电概率分布模型，获取电动汽车充电站各时段的总充电功率模型和电动汽车充电站对电网的负荷需求模型；步骤6、结合聚类中心及其权重、电动汽车充电站各时段的总充电功率模型、电动汽车充电站对电网的负荷需求模型构建分时充电电价的电动汽车充电站效益模型，其中电动汽车充电站效益模型包含电动汽车充电站的售电收益以及参与电网调峰所获取的基本收益；步骤7、采用遗传算法求解构建的电动汽车充电站效益模型中电动汽车充电站各时段的充电电价；步骤8、根据求解的电动汽车充电站各时段的充电电价中取最优个体解码，获取电动汽车充电站分时电价。...

【技术特征摘要】
1.一种计及风光不确定性的电动汽车充电站电价制定方法，其特征在于，包括以下步骤：步骤1、获取电动汽车充电站区域历史气象数据集，采用k-means聚类算法对其中的风速、光照强度分布曲线进行聚类，得到以聚类中心作为每一类的代表分布曲线，并求取每一类的权重；步骤2、建立电动汽车充电站区域并网运行的风力发电和光伏发电出力模型；步骤3、构建单台电动汽车的充电时间模型，并计算单台电动汽车的可充电时段数；步骤4、结合单台电动汽车的可充电时段数，构建单台电动汽车充电电价的响应模型和电动汽车的起始充电时刻的对充电电价的概率转移矩阵，获取分时电价后的单台电动汽车充电概率分布模型；步骤5、模拟电动汽车群的充电行为场景，获取电动汽车群的日负荷需求，再结合建立的电动汽车充电站内风力发电和光伏发电出力模型、分时电价后的单台电动汽车充电概率分布模型，获取电动汽车充电站各时段的总充电功率模型和电动汽车充电站对电网的负荷需求模型；步骤6、结合聚类中心及其权重、电动汽车充电站各时段的总充电功率模型、电动汽车充电站对电网的负荷需求模型构建分时充电电价的电动汽车充电站效益模型，其中电动汽车充电站效益模型包含电动汽车充电站的售电收益以及参与电网调峰所获取的基本收益；步骤7、采用遗传算法求解构建的电动汽车充电站效益模型中电动汽车充电站各时段的充电电价；步骤8、根据求解的电动汽车充电站各时段的充电电价中取最优个体解码，获取电动汽车充电站分时电价。2.根据权利要求1所述计及风光不确定性的电动汽车充电站电价制定方法，其特征在于，所述步骤1中采用k-means聚类算法对风速、光照强度分布曲线进行聚类，具体为：步骤1-1.对历史气象数据集风速、光照强度数据分别作归一化处理，采用公式：其中，v、s分别为N年全时序风速、光照强度的向量；v*、s*分别为N年全时序风速、光照强度的归一化向量构成的矩阵，大小为Nd×24，Nd为样本总数；vmax、vmin分别为全时序上的最大风速和最小风速，smax、smin分别为全时序上的最大光照强度和最小光照强度；步骤1-2.构造风速和光照强度的k-means聚类样本x，则x为Nd×48矩阵，每一行为一个聚类样本：x＝[v*s*]步骤1-3.从聚类样本x中随机选取k个不重复行向量，初始化k个聚类中心：xc1、xc2..xck；步骤1-4.计算每一个聚类样本到各聚类中心的距离，并把聚类样本归到各聚类中心；并计算每一类新的聚类中心，则第i个聚类中心的更新公式为：其中，xci表示第i个聚类中心；ni为第i个类包含的样本数；xi,m为第i类中第m个样本；步骤1-5.重复上述步骤1-4，直至聚类中心收敛为止。3.根据权利要求1所述计及风光不确定性的电动汽车充电站电价制定方法，其特征在于，所述步骤1中求取每一类的权重ρci，采用公式：ρci＝ni/Nd其中，ni为第i个类包含的样本数，Nd为聚类的总样本数。4.根据权利要求1所述计及风光不确定性的电动汽车充电站电价制定方法，其特征在于，所述步骤2建立的风力发电和光伏发电出力模型分别为：Ps(t)＝A*γ(t)*η其中，Pw(t)为风力发电机在t时段内的出力，v(t)为t时段的电动汽车充电站内的风速，vci为风力发电机切入风速，vcr为额定风速，vco为切出风速，Pr为风...

【专利技术属性】
技术研发人员：蒋浩，张雄义，周凯帆，罗皓，姜维伊，
申请(专利权)人：东南大学，
类型：发明
国别省市：江苏,32