基于电动汽车与充电设施动态匹配的配电网双层调度方法及系统技术方案

一种基于电动汽车与充电设施动态匹配的配电网双层调度方法及系统，基于用户特征数据计算电动汽车负荷，获取电动汽车出行数据，电动汽车充电时间调度模型根据充电需求确定电动汽车的充电时间。采用基于完全信息静态博弈的共享容量模型确定私有充电桩的共享方案。电动汽车空间调度模型协调充电站和共享充电桩，确定电动汽车的充电位置。采用带有动态反馈机制的量子粒子群算法，使分层调度模型的求解过程收敛性更好。本发明专利技术在不需对充电站频繁扩容的前提下可实现充电设施与电动汽车负荷的最优匹配，提高了私人充电桩闲置期间的利用率，有效解决了充电站在电动汽车负荷高峰期存在的充电缺口问题，且能在保证收敛精度同时提高调度策略的计算效率。调度策略的计算效率。调度策略的计算效率。

【技术实现步骤摘要】
基于电动汽车与充电设施动态匹配的配电网双层调度方法及系统


[0001]本专利技术属于电网调度
，涉及电气工程配电网调度领域和电动汽车充 电基础设施规划建设，更具体涉及应用于一种基于电动汽车与充电设施动态匹配 的配电网双层调度方法。

技术介绍

[0002]随着接入配电网无序充电的电动汽车(Electric Vehicle,EV)数量增加，短时 间内EV负荷波动剧烈，EV负荷的时空分布不均衡程度加剧，导致部分充电站在 EV负荷高峰期难以满足充电需求，若充电站以满足EV日内最大负荷为标准在短 时间内频繁扩容，将导致充电站在EV负荷低谷期出现充电桩冗余现象，造成充 电资源的浪费，且EV集中充电也将危及配电网的供电安全。此外，由于私人充 电桩缺乏有效的市场管理和统一的行业标准，当前私人充电桩出现了大规模闲置 现象，利用率较低。现有的充电调度技术主要侧重于电动汽车调度模型的构建， 忽略了充电设施与电动汽车充电需求之间的匹配问题。因此，电网亟需一种调度 策略，在不增加充电站扩容建设成本的前提下，提高私人充电桩空闲期间的利用 率，保证配电网的稳定运行。
[0003]随着电力市场化改革的深入，私人充电桩开始具有共享的可能性。私人充电 桩共享是指私人充电桩桩主在充电桩闲置期间以获取利益为目的向电网提供充 电桩的使用权，电网基于共享方案整合各区域的共享充电桩，确定各时段各区域 可利用的共享充电桩数量和位置分布。然而，现有技术通常仅针对私人充电桩桩 主的数据安全和隐私问题展开分析，并未明确提供可参考的共享方案，这将导致 桩主参与共享服务的积极性不高，进而限制了调度政策的实施，则电网无法借助 共享充电桩缓解充电站面对EV负荷高峰期时的充电压力。
[0004]为了解决现有充电站与EV短时充电需求不完全匹配造成的充电缺口问题， 本专利技术提出了一种基于电动汽车与充电设施动态匹配的配电网双层调度方法。

技术实现思路

[0005]针对现有充电站与电动汽车充电负荷不匹配导致充电能力不足的问题，本发 明提出了一种基于电动汽车与充电设施动态匹配的配电网双层调度方法。上层 EV充电时间调度模型根据充电需求确定电动汽车的充电时间。下层EV充电位置 调度模型协调集中型充电站和分布式的共享充电桩，确定EV的充电位置。考虑 了共享模型中各私人充电桩聚合商基于共享报价和共享成本相互博弈竞争，确定 达到博弈均衡时的充电桩最优共享方案。采用动态自适应反馈量子粒子群算法求 解EV双层时空调度模型，使求解过程收敛性更好。
[0006]本专利技术采用的技术方案：
[0007]基于电动汽车与充电设施动态匹配的配电网双层调度方法，其特征在于，所 述配电网双层调度方法包括以下步骤：
[0008]步骤1、基于EV电池荷电状态、充电需求出行数据，以配电网负荷方差最 小、经济成本最小为目标，建立配电网内EV充电时间调度模型；
[0009]步骤2、根据EV充电时间调度模型确定配电网内需共享的私人充电桩容量， 建立私人充电桩共享模型；
[0010]步骤3、将各区域集中型充电站与参与共享的私人充电桩协同为EV充电， 根据所述EV充电时间调度模型，以优化配电网电压偏移极值为目标，建立EV 充电空间调度模型，确定每一辆EV的具体充电位置和充电时间。
[0011]本专利技术进一步包括以下优选方案：
[0012]在步骤1中，建立配电网内EV充电时间调度模型包括：
[0013]基于EV电池荷电状态、充电需求以及配电网基础负荷数据，对EV充电时 间进行调度，选取配电网负荷方差最小、经济成本最小作为调度目标，通过转移 配电网各时段EV负荷，缩小配电网负荷方差、降低网损和负荷峰谷差，从而确 定配电网负荷方差最小时的各EV起始充电时间。
[0014]在步骤1中，所述配电网内EV充电时间调度模型如下：
[0015][0016][0017][0018][0019][0020]式中，f
lv
、f
cost
、f分别为配电网负荷方差、经济成本以及综合目标函数； t表示调度时段，T
sum
＝{1,2,
…
T}表示调度周期被划分为T个时段；f
lv
表示EV负 荷接入配电网后的负荷方差，L
sum
(t)表示第t时段EV接入配电网后的总负荷； L
b
(t)表示第t时段的基础负荷；L
c
(t)对应第t时段的总EV负荷；L
av
表示整个调 度周期内的平均负荷；P
eg
(t)表示配网与外电网的交换功率，p
eg
(t)表示外电网购 电价格；p
b
为配电网储能电池价格，ΔE
k
(t)为储能电池充放电功率，N
c
为储能 电池标称循环次数，为储能电池容量；P
deg
(t)为柴机发电功率，P
degN
为柴机 额定功率，a1、a2为多项式第一系数和第二系数，p
g
为柴油单价，c
e
为柴机发 电环境成本系数；f
lv,min
、f
lv,max
、表示配电网负荷方差最小值、最大值；f
cost,min
、 f
cost,max
表示配电网经济成本最小值、最大值；ω1、ω2分别为第一目标、第二目 标的权值系数。其中，所述储能电池不包括电动汽车EV电池。
[0021]所述多项式第一系数a1取值为：0.15L/(kW.h)≤a1≤0.21L/(kW.h)；
[0022]多项式第二系数a2的取值为：0.22L/(kW.h)≤a2≤0.28L/(kW.h)；
[0023]第一目标权值系数ω1、第二目标的权值系数ω2的取值应为(0,1)之间的数 值，且
ω1＞ω2。
[0024]所述EV充电需求出行数据通过EV车主主动上传或基于用户特征数据进行 预测获得。
[0025]基于用户特征数据进行EV出行数据预测，具体包括以下内容：
[0026]采集配电网内电动汽车的个体特征数据和历史出行数据，进行数据预处理操 作；
[0027]利用深度卷积神经网络对EV用户特征进行提取分析；
[0028]通过卷积池化操作提取EV用户个体特征，建立EV用户个体特征和出行特 性之间的映射关系；
[0029]通过误差反向传播法对深度神经网络进行训练；
[0030]将EV用户特征数据导入至已完成训练的深度卷积神经网络中，映射输出相 应的EV出行数据，根据EV出行数据确定单辆EV负荷分布，累积得到整个配 电网中总EV负荷分布。
[0031]其中，所述电动汽车的个体特征数据包括EV用户的年龄、性别、车辆归属 区域位置、家庭成员数量；出行数据包括EV到达目的地后的停留起始时间、行 驶里程和停留持续时间。
[0032]所述数据预处理包括对异常数据的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于电动汽车与充电设施动态匹配的配电网双层调度方法，其特征在于，所述配电网双层调度方法包括以下步骤：步骤1、基于EV电池荷电状态、充电需求出行数据，以配电网负荷方差最小、经济成本最小为目标，建立配电网内EV充电时间调度模型；步骤2、根据EV充电时间调度模型确定配电网内需共享的私人充电桩容量，建立私人充电桩共享模型；步骤3、将各区域集中型充电站与参与共享的私人充电桩协同为EV充电，根据所述EV充电时间调度模型，以优化配电网电压偏移极值为目标，建立EV充电空间调度模型，确定每一辆EV的具体充电位置和充电时间。2.根据权利要求1所述的基于电动汽车与充电设施动态匹配的配电网双层调度方法，其特征在于：在步骤1中，建立配电网内EV充电时间调度模型包括：基于EV电池荷电状态、充电需求以及配电网基础负荷数据，对EV充电时间进行调度，选取配电网负荷方差最小、经济成本最小作为调度目标，通过转移配电网各时段EV负荷，缩小配电网负荷方差、降低网损和负荷峰谷差，从而确定配电网负荷方差最小时的各EV起始充电时间。3.根据权利要求1或2所述的基于电动汽车与充电设施动态匹配的配电网双层调度方法，其特征在于：在步骤1中，所述配电网内EV充电时间调度模型如下：在步骤1中，所述配电网内EV充电时间调度模型如下：在步骤1中，所述配电网内EV充电时间调度模型如下：在步骤1中，所述配电网内EV充电时间调度模型如下：在步骤1中，所述配电网内EV充电时间调度模型如下：式中，f
lv
、f
cost
、f分别为配电网负荷方差、经济成本以及综合目标函数；t表示调度时段，T
sum
＝{1,2,
…
T}表示调度周期被划分为T个时段；f
lv
表示EV负荷接入配电网后的负荷方差，L
sum
(t)表示第t时段EV接入配电网后的总负荷；L
b
(t)表示第t时段的基础负荷；L
c
(t)对应第t时段的总EV负荷；L
av
表示整个调度周期内的平均负荷；P
eg
(t)表示配网与外电网的交换功率，p
eg
(t)表示外电网购电价格；p
b
为配电网储能电池价格，ΔE
k
(t)为储能电池充放电功率，N
c
为储能电池标称循环次数，为储能电池容量；P
deg
(t)为柴机发电功率，P
degN
为柴机额定功率，a1、a2为多项式第一系数和第二系数，p
g
为柴油单价，c
e
为柴机发电环境成本系数；f
lv,min
、f
lv,max
、表示配电网负荷方差最小值、最大值；f
cost,min
、f
cost,max
表示配电网经济成
本最小值、最大值；ω1、ω2分别为第一目标、第二目标的权值系数。4.根据权利要求3所述的基于电动汽车与充电设施动态匹配的配电网双层调度方法，其特征在于：所述多项式第一系数a1取值为：0.15L/(kW.h)≤a1≤0.21L/(kW.h)；多项式第二系数a2的取值为：0.22L/(kW.h)≤a2≤0.28L/(kW.h)；第一目标权值系数ω1、第二目标的权值系数ω2的取值应为(0,1)之间的数值，且ω1＞ω2。5.根据权利要求1或2所述的基于电动汽车与充电设施动态匹配的配电网双层调度方法，其特征在于：所述EV充电需求出行数据通过EV车主主动上传或基于用户特征数据进行预测获得。6.根据权利要求5所述的基于电动汽车与充电设施动态匹配的配电网双层调度方法，其特征在于：基于用户特征数据进行EV出行数据预测，具体包括以下内容：采集配电网内电动汽车的个体特征数据和历史出行数据，进行数据预处理操作；利用深度卷积神经网络对EV用户特征进行提取分析；通过卷积池化操作提取EV用户个体特征，建立EV用户个体特征和出行特性之间的映射关系；通过误差反向传播法对深度神经网络进行训练；将EV用户特征数据导入至已完成训练的深度卷积神经网络中，映射输出相应的EV出行数据，根据EV出行数据确定单辆EV负荷分布，累积得到整个配电网中总EV负荷分布。7.根据权利要求6所述的基于电动汽车与充电设施动态匹配的配电网双层调度方法，其特征在于：所述电动汽车的个体特征数据包括EV用户的年龄、性别、车辆归属区域位置、家庭成员数量；出行数据包括EV到达目的地后的停留起始时间、行驶里程和停留持续时间。8.根据权利要求6所述的基于电动汽车与充电设施动态匹配的配电网双层调度方法，其特征在于：所述数据预处理包括对异常数据的处理以及数据标准化处理；对包括缺损数据、冗余数据的异常数据处理的方法为直接剔除法，采用极差标准化方法将配电网内电动汽车的个体特征数据和历史出行数据集中每一类特征数据转化为无量纲单位的数据：式中，data(nu,d)表示标准化后的第nu个样本第d类特征数据，d∈{1,2,...D}，即共有D类特征数据；data
*
(nu,d)表示标准化前的第nu个样本第d类特征数据。9.根据权利要求1或2或6所述的基于电动汽车与充电设施动态匹配的配电网双层调度方法，其特征在于：在步骤1中，建立配电网内EV充电时间调度模型，具体包括：1.1将各EV起始充电时间作为种群粒子位置进行初始化；
1.2根据初始化的EV起始充电时间计算配电网的负荷方差；1.3判断EV起始充电时间、结束充电时间、行驶里程、荷电状态以及EV负荷接入总功率是否满足EV充电时间约束、EV充电行为连续性约束、行驶里程约束、EV荷电状态约束、配电网允许EV负荷接入的总功率约束，如果不满足，则返回1.1重新初始化各EV起始充电时间，满足，则进入1.4；1.4计算在配电网负荷方差最小时各EV起始充电时间，获取粒子群中个体最优位置和群体最优位置，当不满足下方收敛条件时，进入1.5，否则进入1.6：式中第k代粒子群体位置其中表示第k代第h维向量的群体极值位置，|| ||2表示L2范数，ε表示设定的收敛误差；1.5更新所有粒子位置及各EV起始充电时间后，继续执行1.2
‑
1.4；1.6迭代结束，根据配电网负荷方差最小时各EV起始充电时间得到EV负荷时间分布。10.根据权利要求9所述的基于电动汽车与充电设施动态匹配的配电网双层调度方法，其特征在于：在1.5中，根据下式更新粒子位置：在1.5中，根据下式更新粒子位置：式中，分别对应第k+1代第e个粒子第h维的位置；表示第k代第e个粒子第h维的吸引子，种群迭代中每个粒子都将收敛至各自表示在(0,1)上的随机数；表示第k代第e个粒子第h维势阱的特征长度；表示第e个粒子在第k代第h维向量的个体极值位置，11.根据权利要求10所述的基于电动汽车与充电设施动态匹配的配电网双层调度方法，其特征在于：在更新粒子位置的公式中，当大...

【专利技术属性】
技术研发人员：王秀茹，庞吉年，韩少华，毛王清，刘刚，王晗雯，葛萱，邱东，张科，
申请(专利权)人：国网江苏省电力有限公司宿迁供电分公司，
类型：发明
国别省市：