一种基于模糊PID实时电价的电动汽车充放电优化调度方法技术

一种基于模糊PID实时电价的电动汽车充放电优化调度方法。该方法充分考虑电动汽车出行不确定性，以充电站收益最大为目标函数，构建集中式经济调度模型，并基于配电网负荷和电动汽车充放电功率，提出基于模糊PID算法的实时电价策略，选取拉格朗日松弛法将集中式经济调度模型解耦为分散式模型，求解每辆电动汽车各时刻的充放电功率。仿真结果表明，本发明专利技术可大幅增加充电站收益，有效提高电动汽车实时调度的计算效率以及平抑负荷波动。

A Fuzzy-PID Real-time Price-based Optimal Charge and Discharge Scheduling Method for Electric Vehicles

An optimal charging and discharging dispatching method for electric vehicles based on fuzzy PID real-time price is proposed. Considering the uncertainties of EV travel, the centralized economic dispatching model is constructed with the maximum profit of charging station as the objective function. Based on the load of distribution network and the charging and discharging power of EV, a real-time electricity pricing strategy based on fuzzy PID algorithm is proposed. Lagrange relaxation method is selected to decouple the centralized economic dispatching model into a decentralized one, and each EV is solved. Charging and discharging power at all times. The simulation results show that the invention can greatly increase the revenue of charging station, effectively improve the calculation efficiency of real-time dispatching of electric vehicles and suppress load fluctuation.

【技术实现步骤摘要】
一种基于模糊PID实时电价的电动汽车充放电优化调度方法
本专利技术涉及一种电动汽车充放电优化调度领域，具体为一种基于模糊PID实时电价的电动汽车充放电优化调度方法。
技术介绍
目前关于电动汽车充电站的经济调度中，多采用分时分段电价策略。该策略实时性差，不能精确反映实时负荷的变化，未能与市场需求充分结合，也未充分体现电价的杠杆作用。并且电动汽车充电站针对电动汽车放电调度多采用集中式优化控制方法，在面对大规模电动汽车参与调度时，这种控制方式会导致中心处理器通信拥挤，负担过重，给电动汽车的实时调度带来局限性。
技术实现思路
为解决上述技术问题，本专利技术提供一种基于模糊PID实时电价的电动汽车充放电优化调度方法，可大幅增加充电站收益，有效提高电动汽车实时调度的计算效率以及平抑负荷波动。本专利技术采取的技术方案为：一种基于模糊PID实时电价的电动汽车充放电优化调度方法，包括以下步骤：步骤一：采集充电站运行参数信息,包括该充电站的售电电价、变压器容量、各时刻的基本负荷，充放电的额定功率等信息，预测未来一天电动汽车出行情况；步骤二：构建情景树模型，采用正演算法削减场景；步骤三：构建以充电站总运行收益最大为目标函数的集中式经济调度模型；步骤四：结合配电网基础负荷和电动汽车充放电功率，整定模糊PID参数，求解实时电价；步骤五：采用拉格朗日松弛法，对集中式经济调度模型进行解耦，求解每辆电动汽车各时刻的充放电功率；步骤六：判断每辆电动汽车的荷电状态是否满足出行要求，若是，则结束流程，否则，返回步骤五。所述步骤一包括：电动汽车离开电网的时间概率密度函数为：式中，tl,n表示电动汽车在第n个时间窗口归一化后的离开电网时间，其定义为tdep,n/△(t)；tdep,n为第n个时间窗口的离开电网时间，△(t)为调度时间尺度；μ是利用序列二次规划法最小化均方误差求得的参数，Γ为标准的伽玛函数。电动汽车接入电网的时间概率密度函数可以表示为离开电网时间的条件概率：式中，tc为接入电网时间，μn为第n个离开电网时间窗口中接入电网时间的均值，σn为第n个离开电网时间窗口中接入电网时间的标准差，tdep,n为第n个时间窗口的离开电网时间。电动汽车行驶里程的概率密度函数为：f(d)＝(db+d)-ηexp(-d/ε)式中，参数η＝1.37，ε＝18，db＝1.79。所述步骤二中，情景树模型为：假设可得到的充电站历史数据有R组，每组有r个物理量(包括单位时间尺度内的充电电价、放电电价，电动汽车充放电状态，荷电状态等)，将这些数据按照时间顺序排列并放置在矩阵中，其中第t行At＝(At,1,At,2,…At,n)t＝1,2,…,N,为r个物理量在第t个历史时期的向量。设当前状态为AR，那么下一时刻的场景可取为历史数据中与AR相似的点的下一个时刻的数据。具体的步骤如下：1)选取历史数据集{A1，A2，…AN},并确定所要生成的场景的数量为N；2)计算当前状态AR与历史数据的‘相似度’，‘相似度’表达式为：上式分母加1，是为了避免分母取值为0的情况，并将‘相似度’从大到小排序记为{di1，di2，…diR-1}；3)选取作为下一阶段的场景；4)确定每个场景的概率，为简单起见，取等概率情况，即1/N。所述步骤三中，集中式经济调度模型为：以充电站总运行收益最大为目标函数，其表达式为：式中，F为充电站日最大收益，N为生成场景的总个数，T为日调度时间尺度数，E为电动汽车数目，Pn为第n个场景的概率，△(t)为单位时间尺度，Pc、Pd分别为单位时间尺度内充电、放电额定功率，分别为每小时电动汽车充电、放电电价，Gr(t)为电网售电电价，为电动汽车e在第n场景t时刻的状态变量。其取值表达式为：约束条件有：1)电动汽车电池荷电状态更新约束：式中：分别为第n个场景下电动汽车e在t时刻、t-1时刻的荷电状态，Pc、Pd分别为单位时间尺度内电动汽车的充、放电额定功率，ηc、ηd分别为电动汽车的充、放电效率，△(t)为单位时间尺度，EEVb为电动汽车的电池容量，Tc,e、Tl,e分别表示第e辆电动汽车接入电网时刻和离开电网时刻。2)电动汽车充放电功率约束：式中，为电动汽车充放电结束时的期望荷电状态，EEVb为电动汽车的电池容量，Pc、Pd分别为单位时间尺度内充电、放电额定功率，ηc、ηd分别为电动汽车充电、放电的效率，为电动汽车e在第n场景t时刻的状态变量。3)配电网功率约束：式中，为第t时刻配电网的基础负荷，Pc、Pd分别为单位时间尺度内充电、放电额定功率，为电动汽车e在第n场景t时刻的状态变量，PDN为联络线传输的最大功率，E为电动汽车的总辆数，n为场景标号。所述步骤四中，提出一种模糊PID实时电价策略，包括如下步骤：1)计算t时刻负荷与日平均负荷的误差。t时刻误差为：式中，e(t)为t时刻的负荷误差，为t时刻配电网的综合负荷，即配电网基础负荷与电动汽车充放电功率之和，为配电网期望负荷。2)制定模糊控制规则，整定模糊PID系数：若t时刻综合负荷过大，则减小积分系数；若t时刻综合负荷上升时间过大，则优先增大比例系数，再逐渐增大积分系数；若t时刻综合负荷波动较大，则增大微分系数。根据上述模糊控制规则，调试整定PID系数。3)计算t时刻充放电电价修正量：式中，分别为t时刻充电、放电电价修正量，e(t)为t时刻负荷误差，分别为计算充电电价时负荷误差的比例系数、积分系数和微分系数，分别为计算放电电价时负荷误差的比例系数、积分系数和微分系数。4)将t时刻的电价修正量归一化：式中，△Pr_Normc(t)、△Pr_Normd(t)分别为t时刻归一化后充电、放电电价修正量，△Prc(t)、△Prd(t)分别为t时刻充电、放电电价修正量，分别为充电电价修正量的最小值和最大值，分别为放电电价修正量的最小值和最大值，分别为实际充电电价的最小值和最大值,分别为实际放电电价的最小值和最大值。5)计算t时刻的实际电价：式中，Prc(t)、Prc(t-1)分别为t时刻和t-1时刻的充电实际电价，Prd(t)、Prd(t-1)分别为t时刻和t-1时刻的放电实际电价，△Pr_Normc(t)、△Pr_Normd(t)分别为t时刻归一化后充电、放电电价修正量。所述步骤五中，选取拉格朗日松弛法对集中式经济调度模型进行解耦，解耦后原模型转化为针对每辆电动汽车的分散式模型，具体表达式如下：目标函数：式中，L为充电站日最小运行成本，T为日调度时间尺度数，E为电动汽车数目，Pn为第n个场景的概率，△(t)为单位时间尺度，Pc、Pd分别为单位时间尺度内充电、放电额定功率，分别为每小时电动汽车充电、放电电价，Gr(t)为电网售电电价，为电动汽车e在第n场景t时刻的状态变量，为拉格朗日乘子，为t时刻配电网的基础负荷，PDN为配电网能够承受的最大负荷，E为电动汽车的总辆数。约束条件为：式中，为电动汽车充放电结束时的期望荷电状态，EEVb为电动汽车的电池容量，Pc、Pd分别为单位时间尺度内充电、放电额定功率，ηc、ηd分别为电动汽车充电、放电的效率，为电动汽车e在第n场景t时刻的状态变量，Tc,e为第e辆电动汽车接入电网时刻的最终时间尺度，Tl,e为第e辆电动汽车离开电网时刻的起始时间尺度。本专利技术一种基于模糊PID实时电价的电动本文档来自技高网...

【技术保护点】
1.一种基于模糊PID实时电价的电动汽车充放电优化调度方法，其特征在于包括以下步骤：步骤一：采集充电站运行参数信息，预测未来一天电动汽车出行情况；步骤二：构建情景树模型，采用正演算法削减场景；步骤三：构建以充电站总运行收益最大为目标函数的集中式经济调度模型；步骤四：结合配电网基础负荷和电动汽车充放电功率，整定模糊PID参数，求解实时电价；步骤五：采用拉格朗日松弛法，对集中式经济调度模型进行解耦，求解每辆电动汽车各时刻的充放电功率；步骤六：判断每辆电动汽车的荷电状态是否满足出行要求，若是，则结束流程，否则，返回步骤五。

【技术特征摘要】
1.一种基于模糊PID实时电价的电动汽车充放电优化调度方法，其特征在于包括以下步骤：步骤一：采集充电站运行参数信息，预测未来一天电动汽车出行情况；步骤二：构建情景树模型，采用正演算法削减场景；步骤三：构建以充电站总运行收益最大为目标函数的集中式经济调度模型；步骤四：结合配电网基础负荷和电动汽车充放电功率，整定模糊PID参数，求解实时电价；步骤五：采用拉格朗日松弛法，对集中式经济调度模型进行解耦，求解每辆电动汽车各时刻的充放电功率；步骤六：判断每辆电动汽车的荷电状态是否满足出行要求，若是，则结束流程，否则，返回步骤五。2.根据权利要求1所述一种基于模糊PID实时电价的电动汽车充放电优化调度方法，其特征在于：所述步骤一包括：电动汽车离开电网的时间概率密度函数为：式中，tl,n表示电动汽车在第n个时间窗口归一化后的离开电网时间，其定义为tdep,n/△(t)；tdep,n为第n个时间窗口的离开电网时间，△(t)为调度时间尺度；μ是利用序列二次规划法最小化均方误差求得的参数，Γ为标准的伽玛函数；电动汽车接入电网的时间概率密度函数可以表示为离开电网时间的条件概率：式中，tc为接入电网时间，μn为第n个离开电网时间窗口中接入电网时间的均值，σn为第n个离开电网时间窗口中接入电网时间的标准差；电动汽车行驶里程的概率密度函数为：f(d)＝(db+d)-ηexp(-d/ε)式中，参数η＝1.37，ε＝18，db＝1.79。3.根据权利要求1所述一种基于模糊PID实时电价的电动汽车充放电优化调度方法，其特征在于：所述步骤二中，情景树模型为：假设可得到的充电站历史数据有R组，每组有r个物理量，包括单位时间尺度内的充电电价、放电电价，电动汽车充放电状态，荷电状态，将这些数据按照时间顺序排列并放置在矩阵：中，其中第t行At＝(At,1,At,2,…At,n)t＝1,2,…,N,为r个物理量在第t个历史时期的向量；设当前状态为AR，那么下一时刻的场景可取为历史数据中与AR相似的点的下一个时刻的数据；具体的步骤如下：1)选取历史数据集{A1，A2，…AN},并确定所要生成的场景的数量为N；2)计算当前状态AR与历史数据的‘相似度’，‘相似度’表达式为：上式分母加1，是为了避免分母取值为0的情况，并将‘相似度’从大到小排序记为{di1，di2，…diR-1}；3)选取作为下一阶段的场景；4)确定每个场景的概率，为简单起见，取等概率情况，即1/N。4.根据权利要求1所述一种基于模糊PID实时电价的电动汽车充放电优化调度方法，其特征在于：所述步骤三中，集中式经济调度模型为：以充电站总运行收益最大为目标函数，其表达式为：式中，F为充电站日最大收益，T为日调度时间尺度数，E为电动汽车数目，Pn为第n个场景的概率，△(t)为单位时间尺度，Pc、Pd分别为单位时间尺度内充电、放电额定功率，分别为每小时电动汽车充电、放电电价，Gr(t)为电网售电电价，为电动汽车e在第n场景t时刻的状态变量，其取值表达式为：5.根据权利要求4所述一种基于模糊PID实时电价的电动汽车充放电优化调度方法，其特征在于：集中式经济调度模型的约束条件有：1)电动汽车电池荷电状态更新约束：式中：分别为第n个场景下电动汽车e在t时刻、t-1时刻的荷电状态，Pc、Pd分别为...

【专利技术属性】
技术研发人员：程杉，魏昭彬，廖玮霖，
申请(专利权)人：三峡大学，
类型：发明
国别省市：湖北,42