一种计及光储快充一体站的配电网混合优化调度方法与流程

[0001]
本发明涉及一种光储快充一体站的配电网调度方法，特别涉及一种计及光储快充一 体站的配电网混合优化调度方法。


背景技术：

[0002]
目前，电动汽车(electric vehicles，ev)作为新一代的绿色交通工具，在减少汽 车尾气排放、缓解能源危机等方面具有巨大的优势和潜能。充电负荷在配电网中的渗透 率大幅度提高，充电负荷的不确定性，特别是快充负荷所具备的间歇性和随机性，使配 电系统的可靠经济运行面临一定程度的风险。为了尽量减少快充负荷对配电系统的冲击， 如何对快充负荷进行详细建模以及充电负荷接入配电网中的优化调度方法成为关键。
[0003]
目前，大部分文献基于时间和空间两个维度开展电动汽车充电负荷建模研究。有的 采用概率分布函数得到电动汽车开始充电时刻、日行驶里程，并通过充电过程的充电功 率和充电时间，采用蒙特卡洛模拟方法得到电动汽车充电负荷；有的采用排队论的方法 对高速公路充电站出入流量进行建模，进而得到充电站内的充电负荷。以上两种方法均 从时间维度着手开展研究，但作为一种可移动负荷，电动汽车充电负荷特性与用户出行 行为、电池续航能力、交通网络拓扑和流量等因素密切相关，需综合考虑交通网和配电 网的耦合影响。有的采用起止点(origin-destination，od)分析法，通过已有的交通 数据在相关软件上反推得到用于模拟车辆行驶路径的od矩阵，进而基于路径最短原则确 定电动汽车的行驶行为，但忽略了路网流量对行驶时间的影响，可能导致得到的出行路 径具有很高的时间成本，且电动汽车能耗模型较为简单。为了更真实地模拟用户在路网 中的驾驶行为，应综合考虑交通道路模型、电动汽车模型及用户出行等因素对充电负荷 分布的影响，进而准确刻画不同空间位置充电站充电负荷的时空分布特性。
[0004]
另一方面，为了减少电动汽车充电负荷对配电网的冲击，众多学者在电网中通过引 入分布式发电技术消纳电动汽车充电负荷。有的在充电站内引入光伏和储能系统，并搭 建了以降低购电费用和蓄电池组循环电量等多目标的优化调度模型，但研究对象仅针对 含光伏和储能的充电站，未考虑含光储充电站调度对配电网的影响。有的建立了在考虑 接入电网约束条件下，以负荷波动最小、开再生能源利用率最大和车主收益最大的多目 标优化调度模型，并运用改进的变阈值优化算法协调电动汽车与微网之间的能量交换， 但未考虑电动汽车充电负荷波动的随机性会对配电网产生的影响问题。有的以路网“均 衡模型”规划电动汽车用户出行路径，搭建了耦合交通系统的配电网鲁棒调度模型，但 未考虑充电负荷时序变化对配电网调度的影响。


技术实现要素：

[0005]
本发明为解决公知技术中存在的技术问题而提供一种计及光储快充一体站的配电网 混合优化调度方法。
[0006]
本发明为解决公知技术中存在的技术问题所采取的技术方案是：一种计及光储快
充 一体站的配电网混合优化调度方法，建立道路交通网络模型、电动汽车的行驶速度与路 径模型、电动汽车出行时间模型，基于该三个模型建立快充一体站的充电负荷模型，并 采用随机优化方法处理快充负荷的不确定性；基于快充一体站的充电负荷模型，同时采 用不确定集表征光伏出力以及配电网内原有负荷的范围，以快充一体站所属的配电网整 体运行成本最小为目标函数，设置约束条件建立快充一体站的配电网鲁棒优化调度模型； 将快充一体站的配电网鲁棒优化调度模型分解为主问题模型和子问题模型；通过在调度 周期内优化光伏出力和原有负荷选取区间边界值的时段总数，得到配电网潮流运行的最 恶劣场景；采用列约束生成算法求解主问题模型和子问题模型在满足收敛条件下的最优 解，得到一组由主问题参数和子问题参数构成的优化调度策略参数。
[0007]
进一步地，采用对数正态分布和正态分布概率模型近似模拟电动汽车对应的起始出 行时间和返程出行时间分布，建立电动汽车出行时间模型如下式所示：
[0008][0009][0010]
式中，μ和σ分别表示出行时刻的均值和标准差,δ表示出行时刻。
[0011]
进一步地，道路交通网络模型基于经典图论方法建立，其采用表示道路权值的邻接 矩阵d，描述交通节点与路段之间的关系，建立道路交通网络模型如下式所示：
[0012][0013][0014]
式中，d
ij
为矩阵d中第i行第j列的元素，其表示对应路段的长度；l
ij
表示路段(i,j) 的长度；n
t
表示路网中所有交通节点的集合。
[0015]
进一步地，基于全程用时最短原则建立电动汽车的行驶速度及路径模型。
[0016]
进一步地，电动汽车的行驶速度及路径模型的建立方法如下：
[0017]
由通过路段上电动汽车的平均速度,计算各路段平均通行时间，作为路径寻优的基础， 路段b中电动汽车的平均车速和平均通行时间关系如下式所示：
[0018][0019][0020]
式中，v
b
(t)为路段b中所有电动汽车在时刻t的平均车速；v
i
(t)为第i辆车在时 刻
t的速度；n
b
表示时刻t在路段b上的电动汽车数量；s
b
(t)为路段b在时刻t的平 均通行时间；l
b
表示路段b的长度；
[0021]
假设电动汽车用户在规划出行路径时，电池soc与行驶过程能耗呈如下线性关系：
[0022][0023]
式中，soc
d
表示预计到达目的地时电动汽车的荷电状态；soc
o
为出发地电动汽车的荷 电状态；s
d
表示行驶的距离；c
ev
表示电动汽车的电池容量；e表示电动汽车单位公里能耗 的预测值；
[0024]
采用广度搜索遍历算法，从电动汽车用户出行可选路径中，寻找全程所需时间最短 的路径；
[0025]
若在途中未出现剩余电量低于充电阈值的情况，则电动汽车的行驶速度及路径模型 如下：
[0026][0027]
式中，o为出发节点；d为交通道路网络中的目的地节点；route
i
表示从o到d的第 i条路径；n
total
表示route
i
中所有路段的集合；
[0028]
若在途中出现剩余电量低于充电阈值的情况，则需规划合适的充电站进行充电，此 时需考虑用户在充电站内的排队时间和充电时间，则电动汽车的行驶速度及路径模型如 下：
[0029][0030]
式中，pc
j
表示区域内第j号公共充电站；表示从出发地o到第j号公共充电 站的第i条路径所对应的行驶时间；表示在第j号公共充电站的排队时间；表 示在第j号公共充电站的充电时间；表示从第j号公共充电站到目的地d的第i 条路径所对应的行驶时间。
[0031]
进一步地，采用元胞自动机模型获得通过路段上电动汽车的平均速度，其具体方法 如下：
[0032]
假设一辆电动汽车为一个长度为n的元胞，n为电动汽车的长度，将驾驶员的加速 或者刹车时间s作为仿真的时间步长，设车辆行驶的最大速度为v
max
；设d
n
表示第n辆 车与前车之间的车距，设x
n
表示每辆车在所处路段的位置坐标，设v
n
表示每辆车的速度； 设单位速度为每秒行驶距离为一个元胞；
[0033]
设从第t个时间步长至第t+1个时间步长的过程中，道路上任一车辆的速度和位置 按以下规则并行更新：
[0034]
1)慢启动过程，即在静止状态时，如果该车前方是空元胞，则该车以一定概率p
sta
进行加速启动；即在v
n
(t)＝0的情况下，有1-p
sta
的概率，即该车慢启动过程中的速度为：
[0035]
v
n
(t+1)＝v
n
(t)；
[0036]
2)加速过程，如果v
n
(t)<v
max
，则该车的行驶速度增加一个单位，即该车加速过程
中 的速度为：
[0037]
v
n
(t+1)＝min{v
n
(t)+1,v
max
}；
[0038]
3)减速过程，如果d
n
<v
n
(t)，则该车的速度减小至d
n
，即该车减速过程中的速度为：
[0039]
v
n
(t+1)＝min{v
n
(t+1),d
n
}；
[0040]
4)随机慢化过程，该车速度以一定概率p
dec
减小一个单位，即该车随机慢化过程中 的速度为：
[0041]
v
n
(t+1)＝max{v
n
(t)-1,0}；
[0042]
5)该车位置更新为：
[0043]
x
n
(t+1)＝x
n
(t)+v
n
(t)。
[0044]
进一步地，快充一体站的配电网鲁棒优化调度模型的目标函数如下所示：
[0045][0046]
式中：
[0047]
c
grid
表示配电网购电成本；
[0048]
c
loss
表示线路网损成本；
[0049]
c
storage
表示储能充放电成本；
[0050]
ω
t
为典型场景一个运行周期调度时刻的集合；
[0051]
k
storage
为折算后的储能系统单位充放电成本；
[0052]
ω
ess
为储能系统集合；
[0053]
表示第m个储能系统在t时刻的放电功率；
[0054]
表示第m个储能系统在t时刻的充电功率；
[0055]
η为储能变流器的充放电效率；
[0056]
ω
s
表示所有场景的集合；
[0057]
ω
s
为场景s发生的概率；
[0058]
为t时刻的分时电价；
[0059]
表示场景s在t时刻流入配电网的有功功率；
[0060]
k
loss
为单位网损成本；
[0061]
ω
grid
为配电网的所有节点集合；
[0062]
i
ij,s,t
表示场景s在t时刻电网中节点i流向节点j的电流；
[0063]
r
ij
表示支路ij的电阻值。
[0064]
进一步地，设置的约束条件包括：配电网潮流运行约束、储能装置约束和静止无功 补偿装置约束。
[0065]
进一步地，配电网潮流运行约束包括：
[0066]
[0067][0068][0069][0070][0071][0072]
u
min
≤u
i,s,t
≤u
max
ꢀꢀꢀ
(s-7)；
[0073]
0≤i
ij,s,t
≤i
max
ꢀꢀꢀ
(s-8)；
[0074]
上式中：
[0075]
i
→
j表示节点i为节点j的上游节点；
[0076]
j
→
k表示节点j为节点k的上游节点；
[0077]
i
ij,s,t
表示场景s在t时刻从节点i向节点j流出的电流幅值的平方值；
[0078]
i
max
表示支路电流上限的平方值；
[0079]
u
i,s,t
为场景s在t时刻节点i的电压幅值的平方值；
[0080]
u
j,s,t
对应为场景s在t时刻节点j的电压幅值的平方值；
[0081]
u
min
为节点电压下限的平方值；
[0082]
u
max
为节点电压上限的平方值；
[0083]
p
ij,s,t
为场景s在t时刻从节点i向节点j流出的有功功率；
[0084]
q
ij,s,t
为场景s在t时刻从节点i向节点j流出的无功功率；
[0085]
p
j,s,t
为场景s在t时刻节点j净负荷有功功率；
[0086]
q
j,s,t
为场景s在t时刻节点j净负荷无功功率；
[0087]
p
jk,s,t
为场景s在t时刻从节点j向节点k流出的有功功率；
[0088]
q
jk,s,t
为场景s在t时刻从节点j向节点k流出的无功功率；
[0089]
r
ij
为节点i和节点j间线路的电阻值；
[0090]
x
ij
为节点i和节点j间线路的电抗值；
[0091]
为t时刻节点j原有负荷的有功功率；
[0092]
为t时刻节点j原有负荷的无功功率；
[0093]
为场景s在t时刻节点j快充电站的充电负荷；
[0094]
为t时刻节点j的静止无功补偿装置发出的无功功率；
[0095]
为t时刻节点j储能系统的充电功率；
[0096]
为t时刻节点j储能系统的放电功率；
[0097]
为t时刻节点j的光伏出力的有功功率。
[0098]
进一步地，储能装置约束包括：
[0099][0100][0101][0102][0103]
上式中：
[0104]
为t时刻节点j储能系统的充电功率；
[0105]
为t时刻节点j储能系统的放电功率；
[0106]
表示节点j储能变流器允许的最大充放电功率；
[0107]
λ
j,t
表示t时刻节点j储能电池的充放电状态，取1时表示放电，取0时表示充电；
[0108]
t表示调度时段总数；
[0109]
为节点j储能在调度初始时刻的剩余容量；
[0110]
表示节点j的储能容量；
[0111]
为储能在运行过程中允许的soc上限；
[0112]
为储能在运行过程中允许的soc下限；
[0113]
η为储能变流器的充放电效率；
[0114]
δt表示仿真步长。
[0115]
进一步地，采用蒙特卡洛模拟方法生成配电网内快充电站的充电负荷场景，采用场 景聚类方法得到典型场景，进一步得到配电网潮流运行的最恶劣场景。
[0116]
进一步地，采用如下不确定集表征光伏出力以及配电网内原有负荷的范围：
[0117][0118]
式中，为t时刻节点j原有负荷的有功功率，为t时刻节点j光伏出力的有 功功率；和对应为光伏出力和原有负荷功率的预测值；和对应表示光伏出 力和原有负荷功率的波动偏差；γ
pv
为针对光伏出力引入的不确定调节参数，取值范围为 0～t内的整数，表示在调度周期内光伏出力取波动区间的最小值或者最大值的时段总数； γ
l
为针对原有负荷功率引入的不确定调节参数，取值范围为0～t内的整数，表示在调 度周期内原有负荷功率取波动区间的最小值或者最大值的时段总数；t表示调度时段总数； γ
pv
和γ
l
用于调节最优解的保守性，取值越大得到的方案越保守，反之，方案则越冒险。
[0119]
进一步地，采用列约束生成算法求解主问题模型和子问题模型在满足收敛条件下
的 最优解的方法，包括如下步骤：
[0120]
步骤ⅰ：设x为主问题模型待优化参数；设f(x)为子问题模型最优值表达式，设y 和v为子问题模型待优化参数，其中v表示最恶劣场景；对于快充一体站所属的配电网 整体运行成本，设其下界为lb＝-∞，设其上界为ub＝+∞；设迭代次数为l，设l的初始 值为1；给定初始的最恶劣场景值v1；
[0121]
步骤ⅱ：设在第l次迭代时，最恶劣场景的取值为v
l
：根据最恶劣场景v
l
求解主问 题模型，得到x的最优解，设为x参数第l次迭代的优化值；为主问题模型第l次迭 代的优化结果；令
[0122]
步骤ⅲ：将代入子问题模型，得到子问题模型最优值和最恶劣场景令 [0123]
步骤ⅳ：判断是否满足收敛条件，若ub-lb<ε，其中ε为事先设定的一个足够小的收 敛阈值，则表明已得到最优解，转向步骤
ⅵ
；否则转向步骤
ⅴ
；
[0124]
步骤
ⅴ
：调整子问题约束及子问题参数值，令l＝l+1，令返回步骤ⅱ；
[0125]
步骤
ⅵ
：结束迭代。
[0126]
本发明具有的优点和积极效果是：在对充电负荷建模的基础上，考虑快充负荷、光 伏出力和配电网原有负荷的不确定性，结合随机优化及鲁棒优化方法，提出一种计及光 储快充一体站的配电网随机/鲁棒混合优化调度方法，减少快充负荷对配电网带来的负面 影响。可调灵活地实现不确定环境下快充电站储能系统的决策，从而保障配电网的可靠 经济运行。
附图说明
[0127]
图1是路网-电网耦合系统示意图。
[0128]
图2是配电网交易的分时电价示意图。
[0129]
图3是电动汽车类电动汽车起始出行时间分布情况图。
[0130]
图4电动汽车类电动汽车返程时间分布情况图。
[0131]
图5出租车类电动汽车起始出行时间分布情况图。
[0132]
图6是第一个储能快充电站的充电负荷情况示意图。
[0133]
图7是第二个储能快充电站的充电负荷情况示意图。
[0134]
图8是第三个储能快充电站的充电负荷情况示意图。
[0135]
图9是第四个储能快充电站的充电负荷情况示意图。
[0136]
图10是配电网光伏出力情况示意图。
[0137]
图11是配电网原有负荷情况示意图。
[0138]
图12是不确定预算取值最大场景下的配电网负荷和储能充放电功率情况示意图。
具体实施方式
[0139]
为能进一步了解本发明的发明内容、特点及功效，兹列举以下实施例，并配合附图 详细说明如下：
[0140]
本发明中，英文缩写的释义如下：
[0141]
soc：电动汽车的荷电状态。
[0142]
veh：电动汽车。
[0143]
请参见图1至图12，一种计及光储快充一体站的配电网混合优化调度方法，建立道 路交通网络模型、电动汽车的行驶速度与路径模型、电动汽车出行时间模型，基于该三 个模型建立快充一体站的充电负荷模型，并采用随机优化方法处理快充负荷的不确定性； 基于快充一体站的充电负荷模型，同时采用不确定集表征光伏出力以及配电网内原有负 荷的范围，以快充一体站所属的配电网整体运行成本最小为目标函数，设置约束条件建 立快充一体站的配电网鲁棒优化调度模型；将快充一体站的配电网鲁棒优化调度模型分 解为主问题模型和子问题模型；通过在调度周期内优化光伏出力和原有负荷选取区间边 界值的时段总数，得到配电网潮流运行的最恶劣场景；采用列约束生成算法求解主问题 模型和子问题模型在满足收敛条件下的最优解，得到一组由主问题参数和子问题参数构 成的优化调度策略参数。
[0144]
优选地，可采用对数正态分布和正态分布概率模型近似模拟电动汽车对应的起始出 行时间和返程出行时间分布，建立电动汽车出行时间模型如下式所示：
[0145][0146][0147]
式中，μ和σ分别表示出行时刻的均值和标准差,δ表示出行时刻。
[0148]
优选地，道路交通网络模型可基于经典图论方法建立，其可采用表示道路权值的邻 接矩阵d，描述交通节点与路段之间的关系，建立道路交通网络模型可如下式所示：
[0149][0150][0151]
式中，d
ij
为矩阵d中第i行第j列的元素，其表示对应路段的长度；l
ij
表示路段(i,j) 的长度；n
t
表示路网中所有交通节点的集合。
[0152]
优选地，可基于全程用时最短原则建立电动汽车的行驶速度及路径模型。
[0153]
优选地，电动汽车的行驶速度及路径模型的建立方法可如下：
[0154]
可由通过路段上电动汽车的平均速度,计算各路段平均通行时间，作为路径寻优的基 础，路段b中电动汽车的平均车速和平均通行时间关系如下式所示：
[0155]
[0156][0157]
式中，v
b
(t)为路段b中所有电动汽车在时刻t的平均车速；v
i
(t)为第i辆车在时 刻t的速度；n
b
表示时刻t在路段b上的电动汽车数量；s
b
(t)为路段b在时刻t的平 均通行时间；l
b
表示路段b的长度；
[0158]
可假设电动汽车用户在规划出行路径时，电池soc与行驶过程能耗呈如下线性关 系：
[0159][0160]
式中，soc
d
表示预计到达目的地时电动汽车的荷电状态；soc
o
为出发地电动汽车的荷 电状态；s
d
表示行驶的距离；c
ev
表示电动汽车的电池容量；e表示电动汽车单位公里能耗 的预测值；
[0161]
可采用广度搜索遍历算法，从电动汽车用户出行可选路径中，寻找全程所需时间最 短的路径；
[0162]
若在途中未出现剩余电量低于充电阈值的情况，则电动汽车的行驶速度及路径模型 可如下：
[0163][0164]
式中，o为出发节点；d为交通道路网络中的目的地节点；route
i
表示从o到d的第 i条路径；n
total
表示route
i
中所有路段的集合；
[0165]
若在途中出现剩余电量低于充电阈值的情况，则需规划合适的充电站进行充电，此 时需考虑用户在充电站内的排队时间和充电时间，则电动汽车的行驶速度及路径模型可 如下：
[0166][0167]
式中，pc
j
表示区域内第j号公共充电站；表示从出发地o到第j号公共充电 站的第i条路径所对应的行驶时间；表示在第j号公共充电站的排队时间；表 示在第j号公共充电站的充电时间；表示从第j号公共充电站到目的地d的第i 条路径所对应的行驶时间。
[0168]
优选地，可采用元胞自动机模型获得通过路段上电动汽车的平均速度，其具体方法 如下：
[0169]
可假设一辆电动汽车为一个长度为n的元胞，n为电动汽车的长度，将驾驶员的加 速或者刹车时间s作为仿真的时间步长，设车辆行驶的最大速度为v
max
；设d
n
表示第n 辆车与前车之间的车距，设x
n
表示每辆车在所处路段的位置坐标，设v
n
表示每辆车的速 度；设单位速度为每秒行驶距离为一个元胞；
[0170]
设从第t个时间步长至第t+1个时间步长的过程中，道路上任一车辆的速度和位置 可按以下规则并行更新：
[0171]
1)慢启动过程，即在静止状态时，如果该车前方是空元胞，则该车以一定概率p
sta
进行加速启动；即在v
n
(t)＝0的情况下，有1-p
sta
的概率，即该车慢启动过程中的速度为：
[0172]
v
n
(t+1)＝v
n
(t)；
[0173]
2)加速过程，如果v
n
(t)<v
max
，则该车的行驶速度增加一个单位，即该车加速过程中 的速度为：
[0174]
v
n
(t+1)＝min{v
n
(t)+1,v
max
}；
[0175]
3)减速过程，如果d
n
<v
n
(t)，则该车的速度减小至d
n
，即该车减速过程中的速度为：
[0176]
v
n
(t+1)＝min{v
n
(t+1),d
n
}；
[0177]
4)随机慢化过程，该车速度以一定概率p
dec
减小一个单位，即该车随机慢化过程中 的速度为：
[0178]
v
n
(t+1)＝max{v
n
(t)-1,0}；
[0179]
5)该车位置更新为：
[0180]
x
n
(t+1)＝x
n
(t)+v
n
(t)。
[0181]
根据以上介绍的道路交通网络模型、电动汽车的行驶速度与路径模型、电动汽车出 行时间模型，可对一定区域内的电动汽车的出行情况和充电情况进行仿真，具体的仿真 流程如下：
[0182]
步骤a1：根据反映电动汽车起始出行时间和返程出行时间分布的电动汽车出行时间 模型，生成区域内所有电动汽车和出租车的起始出行时间t0和返程时间tl，并随机生成 起始出发地o和对应的目的地d，起始时刻t＝0。
[0183]
步骤a2：当前时刻t＝t+1。根据路段中电动汽车的平均车速与平均通行时间的关系， 实时更新区域内所有路段的平均通行速度，并根据路段长度计算路段的通行时间，同时 更新各充电站的排队时间。
[0184]
步骤a3：统计编制当前时刻出行的电动汽车集合，设当前时刻出行的电动汽车集合 为veh1，车辆编号j＝0；统计编制当前时刻行驶的电动汽车集合；设当前时刻行驶的电 动汽车集合为veh2，车辆编号i＝0。
[0185]
步骤a4：当前车辆编号j＝j+1。根据当前时刻该车辆出行需求，采用广度搜索遍历算 法，寻找全程所需时间最短的路径，规划出行路径和预估出行的能耗情况。如果估计在 行驶途中，电池剩余电量会低于用户soc充电阈值，则根据综合所有行驶路径的行驶时 间、在充电站的等待时间及充电时间，取最短时间的路径来选择快充电站，重新搜索规 划最优的充电路径，并将车辆j加入下一步骤中当前时刻行驶的车辆集veh2中；如果预 计在行驶途中，不会出现电池剩余电量会低于用户soc充电阈值，则直接将车辆j加入 行驶的车辆集veh2中。
[0186]
步骤a5：判断j是否大于veh1。如果是，则生成当前时刻行驶的车辆集veh2，车 辆编号i＝0；否则转至步骤a4继续执行。
[0187]
步骤a6：当前车辆编号i＝i+1。判断车辆是否在当前时刻到达目的地，如果是，则生 成下一次出行需求，重新执行本步骤；如果未在当前时刻到达目的地，则确定当前时刻 电动汽车状态，并更新该车辆的行驶信息。
[0188]
步骤a7：判断i是否大于veh2，如果是，则继续执行步骤a8；否则转至步骤a6继 续运行。
[0189]
步骤a8：判断当前时刻t是否大于仿真周期,仿真周期即时间总步长，本文仿真步 长为1秒，仿真周期为一天，所以时间总步长为86400秒，如果是，则继续执行步骤 a9；否则转至步骤a2。
[0190]
步骤a9：一天的仿真结束，统计区域内各快充电站一天的充电负荷情况。
[0191]
优选地，快充一体站的配电网鲁棒优化调度模型的目标函数可如下所示：
[0192][0193]
式中：
[0194]
c
grid
表示配电网购电成本；
[0195]
c
loss
表示线路网损成本；
[0196]
c
storage
表示储能充放电成本；
[0197]
ω
t
为典型场景一个运行周期调度时刻的集合；
[0198]
k
storage
为折算后的储能系统单位充放电成本；
[0199]
ω
ess
为储能系统集合；
[0200]
表示第m个储能系统在t时刻的放电功率；
[0201]
表示第m个储能系统在t时刻的充电功率；
[0202]
η为储能变流器的充放电效率；
[0203]
ω
s
表示所有场景的集合；
[0204]
ω
s
为场景s发生的概率；
[0205]
为t时刻的分时电价；
[0206]
表示场景s在t时刻流入配电网的有功功率；
[0207]
k
loss
为单位网损成本；
[0208]
ω
grid
为配电网的所有节点集合；
[0209]
i
ij,s,t
表示场景s在t时刻电网中节点i流向节点j的电流；
[0210]
r
ij
表示支路ij的电阻值。
[0211]
优选地，设置的约束条件可包括：配电网潮流运行约束、储能装置约束和静止无功 补偿装置约束。
[0212]
优选地，配电网潮流运行约束可包括：
[0213][0214][0215]
[0216][0217][0218][0219]
u
min
≤u
i,s,t
≤u
max
ꢀꢀꢀ
(s-7)；
[0220]
0≤i
ij,s,t
≤i
max
ꢀꢀꢀ
(s-8)；
[0221]
上式中：
[0222]
i
→
j表示节点i为节点j的上游节点；
[0223]
j
→
k表示节点j为节点k的上游节点；
[0224]
i
ij,s,t
表示场景s在t时刻从节点i向节点j流出的电流幅值的平方值；
[0225]
i
max
表示支路电流上限的平方值；
[0226]
u
i,s,t
为场景s在t时刻节点i的电压幅值的平方值；
[0227]
u
j,s,t
对应为场景s在t时刻节点j的电压幅值的平方值；
[0228]
u
min
为节点电压下限的平方值；
[0229]
u
max
为节点电压上限的平方值；
[0230]
p
ij,s,t
为场景s在t时刻从节点i向节点j流出的有功功率；
[0231]
q
ij,s,t
为场景s在t时刻从节点i向节点j流出的无功功率；
[0232]
p
j,s,t
为场景s在t时刻节点j净负荷有功功率；
[0233]
q
j,s,t
为场景s在t时刻节点j净负荷无功功率；
[0234]
p
jk,s,t
为场景s在t时刻从节点j向节点k流出的有功功率；
[0235]
q
jk,s,t
为场景s在t时刻从节点j向节点k流出的无功功率；
[0236]
r
ij
为节点i和节点j间线路的电阻值；
[0237]
x
ij
为节点i和节点j间线路的电抗值；
[0238]
为t时刻节点j原有负荷的有功功率；
[0239]
为t时刻节点j原有负荷的无功功率；
[0240]
为场景s在t时刻节点j快充电站的充电负荷；
[0241]
为t时刻节点j的静止无功补偿装置发出的无功功率；
[0242]
为t时刻节点j储能系统的充电功率；
[0243]
为t时刻节点j储能系统的放电功率；
[0244]
为t时刻节点j的光伏出力的有功功率。
[0245]
优选地，储能装置约束可包括：
[0246][0247]
[0248][0249][0250]
上式中：
[0251]
为t时刻节点j储能系统的充电功率；
[0252]
为t时刻节点j储能系统的放电功率；
[0253]
表示节点j储能变流器允许的最大充放电功率；
[0254]
λ
j,t
表示t时刻节点j储能电池的充放电状态，取1时表示放电，取0时表示充电；
[0255]
t表示调度时段总数；
[0256]
为节点j储能在调度初始时刻的剩余容量；
[0257]
表示节点j的储能容量；
[0258]
为储能在运行过程中允许的soc上限；
[0259]
为储能在运行过程中允许的soc下限；
[0260]
η为储能变流器的充放电效率；
[0261]
δt表示仿真步长。
[0262]
优选地，可采用蒙特卡洛模拟方法生成配电网内快充电站的充电负荷场景，可采用 场景聚类方法得到典型场景，可进一步得到配电网潮流运行的最恶劣场景。
[0263]
优选地，可采用如下不确定集表征光伏出力以及配电网内原有负荷的范围：
[0264][0265]
式中，为t时刻节点j原有负荷的有功功率，为t时刻节点j光伏出力的有 功功率；和对应为光伏出力和原有负荷功率的预测值；和对应表示光伏出 力和原有负荷功率的波动偏差；γ
pv
为针对光伏出力引入的不确定调节参数，取值范围为 0～t内的整数，表示在调度周期内光伏出力取波动区间的最小值或者最大值的时段总数； γ
l
为针对原有负荷功率引入的不确定调节参数，取值范围为0～t内的整数，表示在调 度周期内原有负荷功率取波动区间的最小值或者最大值的时段总数；t表示调度时段总数； γ
pv
和γ
l
用于调节最优解的保守性，取值越大得到的方案越保守，反之，方案则越冒险。
[0266]
优选地，可采用列约束生成算法求解主问题模型和子问题模型在满足收敛条件下的 最优解的方法，可包括如下步骤：
[0267]
步骤ⅰ：设x为主问题模型待优化参数；设f(x)为子问题模型最优值表达式，设y 和v为子问题模型待优化参数，其中v表示最恶劣场景；对于快充一体站所属的配电网 整体运
行成本，设其下界为lb＝-∞，设其上界为ub＝+∞；设迭代次数为l，设l的初始 值为1；给定初始的最恶劣场景值v1；
[0268]
步骤ⅱ：设在第l次迭代时，最恶劣场景的取值为v
l
：根据最恶劣场景v
l
求解主问 题模型，得到x的最优解，设为x参数第l次迭代的优化值；为主问题模型第l次迭 代的优化结果；令
[0269]
步骤ⅲ：将代入子问题模型，得到子问题模型最优值和最恶劣场景令 [0270]
步骤ⅳ：判断是否满足收敛条件，若ub-lb<ε，其中ε为事先设定的一个足够小的收 敛阈值，则表明已得到最优解，转向步骤
ⅵ
；否则转向步骤
ⅴ
；
[0271]
步骤
ⅴ
：调整子问题约束及子问题参数值，令l＝l+1，令返回步骤ⅱ；
[0272]
步骤
ⅵ
：结束迭代。
[0273]
下面以本发明的一个优选实施例来进一步说明本发明的工作流程及工作原理：
[0274]
本发明的一种计及光储快充一体站的配电网混合优化调度方法，建立道路交通网络 模型、电动汽车的行驶速度与路径模型、电动汽车出行时间模型，基于该三个模型建立 快充一体站的充电负荷模型，并采用随机优化方法处理快充负荷的不确定性；基于快充 一体站的充电负荷模型，同时采用不确定集表征光伏出力以及配电网内原有负荷的范围， 以快充一体站所属的配电网整体运行成本最小为目标函数，设置约束条件建立快充一体 站的配电网鲁棒优化调度模型；将快充一体站的配电网鲁棒优化调度模型分解为主问题 模型和子问题模型；通过在调度周期内优化光伏出力和配电网原有负荷选取区间边界值 的时段总数，得到配电网潮流运行的最恶劣场景；采用列约束生成算法求解主问题模型 和子问题模型在满足收敛条件下的最优解，得到一组由主问题参数和子问题参数构成的 优化调度策略参数。
[0275]
本发明的一种计及光储快充一体站的配电网混合优化调度方法具体可包括如下步骤：
[0276]
1、建立快充电站充电负荷模型。
[0277]
a)建立电动汽车出行时间模型。
[0278]
采用对数正态分布和正态分布概率模型近似模拟电动汽车对应的起始出行时间和返 程出行时间分布：
[0279][0280][0281]
式中，μ和σ分别表示出行时刻的均值和标准差。
[0282]
考虑电动汽车能耗建模，电动汽车车载电池通过直流侧放电，经车载逆变器后转换 为交流电，供给永磁交流电机，进而带动机械装置(发条、轮胎等)运动。电动汽车在 道路上行驶的损耗主要包括四部分：轮胎损耗，空气阻力损耗，能动系统损耗和辅助损 耗。损耗的计算公式如下：
[0283]
f
fric
+f
aero
＝a1+a2v+a3v2ꢀꢀꢀ
(3)。
[0284]
f
acce
＝ma
ꢀꢀꢀꢀꢀꢀ
(4)。
[0285][0286][0287][0288]
式中，f
fric
、f
aero
和f
acce
分别表示轮胎阻力、空气阻力和能动系统在加速状态下所 需的力；v为速度；a1、a2、a3分别为阻力参数；m为电动汽车的重量；a表示加速度； m为电动机处所需的力矩；m
cf
是经换算后的空载力矩；r为轮胎半径；n
g
和η
g
分别表示 传输系数比和传输效率；p
dc
表示电池直流侧有功功率；η
m
为电动机的效率；pf
m
为电动 机的功率因数；η
inv
为逆变器传输效率；p
aux
表示辅助损耗。
[0289]
b)建立交通路网模型。
[0290]
参考经典图论方法，采用表示道路权值的领接矩阵d描述交通节点与路段之间的关 系。矩阵中的元素d
ij
表示对应路段的长度：
[0291][0292][0293]
式中，l
ij
表示路段(i,j)的长度；n
t
表示路网中所有交通节点的集合。
[0294]
c)建立电动汽车出行过程模型。
[0295]
c-1)建立电动汽车出行路径模型。
[0296]
通过路段上电动汽车的平均速度大小计算各路段平均通行时间，作为路径寻优的基 础，路段b的平均通行速度和通行时间由下式得到：
[0297][0298][0299]
式中，v
b
(t)为路段b中所有电动汽车在时刻t的平均车速；v
i
(t)为第i辆车在时刻t 的速度；n
b
表示时刻t在路段b上的电动汽车数量；s
b
(t)为路段b在时刻t的平均通行 时间；l
b
表示路段b的长度。
[0300]
同时假设电动汽车用户在规划出行路径时，电池soc(state of charge)与行驶过 程能耗呈如下线性关系：
[0301][0302]
式中，soc
d
表示预计到达目的地时电动汽车的荷电状态；soc
o
为出发地电动汽车 的荷电状态；s
d
表示行驶的距离；c
ev
表示电动汽车的电池容量。e表示电动汽车单位公 里能耗的预测值。
[0303]
在模拟电动汽车用户出行路径时，采用广度搜索遍历算法，寻找全程所需时间最短 的路径。若在途中未出现剩余电量低于充电阈值的情况，最短用时路径求解如下：
[0304][0305]
式中，o为出发节点；d为交通道路网络中的目的地节点；route
i
表示从o到d的第 i条路径；n
total
表示route
i
中所有路段的集合。
[0306]
若在途中出现剩余电量低于充电阈值的情况，则需规划合适的充电站进行充电，此 时需考虑用户在充电站内的排队时间和充电时间：
[0307][0308]
式中，pc
j
表示区域内第j号公共充电站；表示从出发地o到第j号公共充电 站的第i条路径所对应的行驶时间；表示在第j号公共充电站的排队时间；表 示在第j号公共充电站的充电时间；表示从第j号公共充电站到目的地d的第i条 路径所对应的行驶时间。
[0309]
c-2)电动汽车出行过程建模。
[0310]
引入元胞自动机模型详细模拟电动汽车在路上的出行过程。假设一辆汽车长度为5 米，即道路严重拥塞时一辆当量小车所占据的长度，因此取路段上每5米为一个元胞。 假设驾驶员的反应(加速或者刹车)时间为1s，作为仿真的时间步长，考虑到汽车在 城市道路上行驶的最大速度一般不超过60km/h，因此在一个仿真步长内，汽车不会移 动超过3个元胞，即车辆行驶的最大通行速度v
max
为3元胞/s。d
n
表示第n辆车与前车 之间的车距，每辆车的运动状态通过两个变量位置x
n
和速度v
n
进行描述，在时步t
→
t+1 的过程中，道路上所有车辆的速度和位置按以下规则并行更新：
[0311]
①
慢启动过程。即在静止状态时，如果前方是空元胞，则该车以一定概率p
sta
进行加速 启动。即在v
n
(t)＝0的情况下，有1-p
sta
的概率：
[0312]
v
n
(t+1)＝v
n
(t)
ꢀꢀꢀꢀꢀ
(15)。
[0313]
②
加速过程。如果v
n
(t)<v
max
，则该车辆的行驶速度增加一个单位，即：
[0314]
v
n
(t+1)＝min{v
n
(t)+1,v
max
}
ꢀꢀꢀꢀꢀ
(16)。
[0315]
③
减速过程。如果d
n
<v
n
(t)，则该车的速度减小至d
n
，即：
[0316]
v
n
(t+1)＝min{v
n
(t+1),d
n
}
ꢀꢀꢀꢀꢀ
(17)。
[0317]
④
随机慢化。只要车辆在路上行驶，其速度会以一定概率p
dec
减小一个单位。这是考虑 到其他不确定因素会对车辆速度减小造成的影响，即：
[0318]
v
n
(t+1)＝max{v
n
(t)-1,0}
ꢀꢀꢀꢀꢀ
(18)。
[0319]
⑤
位置更新。电动汽车根据式(12)-(14)得到的速度更新位置，即：
[0320]
x
n
(t+1)＝x
n
(t)+v
n
(t)
ꢀꢀꢀꢀ
(19)。
[0321]
根据以上介绍的道路交通模型、电动汽车模型及用户出行模型，可对一定区域内的 电动汽车的出行情况和充电情况进行仿真，具体的仿真流程如下：
[0322]
步骤1：根据式(1)、(2)生成区域内所有电动汽车和出租车的起始出行时间t0 和返程时间tl，并随机生成起始出发地o和对应的目的地d，起始时刻t＝0；
[0323]
步骤2：当前时刻t＝t+1。根据当前时刻的路况，通过式(10)和式(11)实时更新 区域内所有路段的平均通行速度，并根据路段长度计算路段的通行时间，同时更新各充 电站的排队时间；
[0324]
步骤3：统计当前时刻出行的电动汽车veh1，车辆编号j＝0；
[0325]
步骤4：当前车辆编号j＝j+1。根据当前时刻该车辆出行需求，通过式(13)规划出 行路径和式(12)预估出行的能耗情况。如果估计在行驶途中，电池剩余电量会低于用 户soc充电阈值，则根据式(14)选择快充电站，重新搜索规划最优的充电路径，并将 车辆j加入下一步骤中当前时刻行驶的车辆集veh2中；如果预计在行驶途中，不会出现 电池剩余电量会低于用户soc充电阈值，则直接将车辆j加入行驶的车辆集veh2中；
[0326]
步骤5：判断j是否大于veh1。如果是，则生成当前时刻行驶的车辆集veh2，车辆 编号i＝0；否则转至步骤4继续执行；
[0327]
步骤6：当前车辆编号i＝i+1。判断车辆是否在当前时刻到达目的地，如果是，则生 成下一次出行需求，重新执行本步骤；如果未在当前时刻到达目的地，则根据式(15)-式 (19)，确定当前时刻电动汽车状态，并更新该车辆的行驶信息；
[0328]
步骤7：判断i是否大于veh2，如果是，则执行步骤8；否则转至步骤6继续运行.
[0329]
步骤8：判断当前时刻t是否大于仿真周期,仿真周期即时间总步长，本文仿真步长 为1秒，仿真周期为一天，所以时间总步长为86400秒，如果是，则转至步骤9；否则转 至步骤2。
[0330]
步骤9：一天的仿真结束，统计区域内各快充电站一天的充电负荷情况。
[0331]
2、建立计及光储快充一体站的配电网随机优化调度模型。
[0332]
a)采用随机优化的方法处理快充负荷的不确定性。根据以上的快充负荷建模流程， 先采用蒙特卡洛模拟的方法可生成区域内大量的快充负荷充电负荷场景，之后采用场景 聚类的方法得到原场景集中的典型场景。
[0333]
b)假设配电网内的快充电站、光伏和储能系统等均由配电网运营商投资，因此优化 调度的目标函数为最小化配电网运营商的日前运行成本：
[0334][0335]
式中，第一行的c
grid
表示配电网购电成本，c
loss
表示线路网损成本，c
storage
表示储能充放 电成本。第二行中ω
t
为典型场景一个运行周期调度时刻的集合，k
storage
为折算后的储能系 统单位充放电成本，ω
ess
为储能系统集合，表示第m个储能系统在t时刻的放电
功率， 表示第m个储能系统在t时刻的充电功率，η为储能变流器的充放电效率。第三行中ω
s
表示所有场景的集合，ω
s
为场景s发生的概率，为t时刻的分时电价；表示场景 s在t时刻流入配电网的有功功率。第四行中k
loss
为单位网损成本，ω
grid
为配电网的所有 节点集合，i
ij,s,t
表示场景s在t时刻电网中节点i流向节点j的电流，r
ij
表示支路ij的电阻 值。
[0336]
c)约束条件
[0337][0338][0339][0340][0341][0342][0343]
u
min
≤u
i,s,t
≤u
max
ꢀꢀꢀꢀꢀꢀ
(27)。
[0344]
0≤i
ij,s,t
≤i
max
ꢀꢀꢀꢀꢀ
(28)。
[0345][0346][0347][0348][0349][0350]
式(21)-(28)为潮流约束；式(29)-(33)为储能和svc装置约束。
[0351]
上式中：
[0352]
i
→
j表示节点i为节点j的上游节点；
[0353]
j
→
k表示节点j为节点k的上游节点；
[0354]
i
ij,s,t
表示场景s在t时刻从节点i向节点j流出的电流幅值的平方值；
[0355]
i
max
表示支路电流上限的平方值；
[0356]
u
i,s,t
为场景s在t时刻节点i的电压幅值的平方值；
[0357]
u
j,s,t
对应为场景s在t时刻节点j的电压幅值的平方值；
[0358]
u
min
为节点电压下限的平方值；
[0359]
u
max
为节点电压上限的平方值；
[0360]
p
ij,s,t
为场景s在t时刻从节点i向节点j流出的有功功率；
[0361]
q
ij,s,t
为场景s在t时刻从节点i向节点j流出的无功功率；
网原有负荷功率的不确定参数；其中，为t时刻节点j原有负荷的有功功率，为t 时刻节点j光伏出力的有功功率；和对应为光伏出力和原有负荷功率的预测值； 和对应表示光伏出力和原有负荷功率的波动偏差；γ
pv
为针对光伏出力引入的不 确定调节参数，取值范围为0～t内的整数，表示在调度周期内光伏出力取波动区间的最 小值或者最大值的时段总数；γ
l
为针对原有负荷功率引入的不确定调节参数，取值范围 为0～t内的整数，表示在调度周期内原有负荷功率取波动区间的最小值或者最大值的时 段总数；t表示调度时段总数；γ
pv
和γ
l
用于调节最优解的保守性，取值越大得到的方案 越保守，反之，方案则越冒险。
[0389]
在式(34)的基础上，可将式(20)转化为如下的随机/鲁棒混合优化调度模型：
[0390][0391]
式中，ω
t
为典型场景一个运行周期调度时刻的集合，k
storage
为折算后的储能系统单位 充放电成本，ω
ess
为储能系统集合，表示第m个储能系统在t时刻的放电功率，表示 第m个储能系统在t时刻的充电功率，η为储能变流器的充放电效率；ω
s
表示所有场景的 集合，ω
s
为场景s发生的概率，为t时刻的分时电价；表示场景s在t时刻流入配 电网的有功功率；k
loss
为单位网损成本，ω
grid
为配电网的所有节点集合，i
ij,s,t
表示场景s 在t时刻电网中节点i流向节点j的电流，r
ij
表示支路ij的电阻值。
[0392]
从上式可以看出，在考虑光伏出力和负荷功率的不确定集合之后，模型由单阶段变 为两阶段。约束条件为式(21)-式(33)。为了在下文中便于阐述，给出该模型的紧凑形式 如下：
[0393][0394][0395]
式中，第一阶段优化变量为设包括储能充放电状态列向 量λ、储能充放电功率列向量和以及无功补偿装置svc输出无功功率列向量第二阶段优化变量为y＝[p
ij,s,t
，q
ij,s,t
，u
i,s,t
，i
ij,s,t
]和用以描述各场景下 配电网潮流优化解和光伏出力、负荷不确定变量。其中，λ为储能充放电状态列向量；为t时刻节点j储能系统的放电功率；为t时刻节点j储能系统的充电功率；为 t时刻节点j的静止无功补偿装置发出的无功功率；p
ij,s,t
和q
ij,s,t
对应为场景s在t时刻 从节点i向节点j流出的有功功率及无功功率；u
i,s,t
为场景s在t时刻节点i的电压幅 值的平方值；i
ij,s,t
表示场景s在t时刻从节点i向节点j流出的电流幅值的平方值，为t时刻节点j原有
负荷的有功功率，为t时刻节点j光伏出力的有功功率；c、h 为目标函数对应的系数矩阵；a、c、d、e、g、r、g为对应约束下变量的系数矩阵；a、 r为常数列向量。式(37)中约束条件的第一行对应式(29)-(33)；δ(x，v)表示给定一组x 和v后第二阶段变量y的可行域，其中，第一行约束对应式(25)-(26)，第二行约束对应 式(21)-(23)和式(27)-(28)，第三行约束对应式(24)。
[0396]
采用列约束生成算法对问题进行求解，具体过程如下：
[0397]
a)主问题模型具体形式如下：
[0398][0399]
式中，ψ表示除储能成本外的配电网运行成本，l为当前的迭代次数；x
l
为第l次迭代 时主问题模型的解；y
l
为第l次迭代后子问题模型的解；v
l
为第l次迭代后得到的最恶劣场 景下不确定变量v的取值；k为迭代次数。
[0400]
b)子问题模型的具体形式如下：
[0401][0402]
式中，x
*
为第一阶段主问题的优化结果，带入子问题进行求解。
[0403]
c)子问题的对偶形式：
[0404]
可根据强对偶理论，可设γ1对应为ey＝dx
*
+v的对偶变量，可设γ2对应为 ay≥cx
*
+a的对偶变量；可设ω
i
、对应为||gy||≤g
t
y的对偶变量；将子问题模型转 化为如下对偶形式；
[0405][0406]
式(40)取到最大值时，不确定变量v的取值应为式(14)所描述波动区间的边界。此外， 对于所研究问题，快充负荷取到最大值时，配电网的运行成本更高，更符合最恶劣场景 的定义，因此可将式(11)改写成如下形式：
[0407][0408]
用pv表示光伏，用l表示配电网原有负荷；引入和对应表示光伏出力和配电 网原有负荷功率的不确定参数；其中，为t时刻节点j原有负荷的有功功率，为t 时刻节点j光伏出力的有功功率；和对应为光伏出力和配电网原有负荷功率的预 测值；和对应表示光伏出力和配电网原有负荷功率的波动偏差；γ
pv
为针对光伏 出力引入的不确定调节参数，取值范围为0～t内的整数，表示在调度周期内光伏出力取 波动区间的最小值或者最大值的时段总数；γ
l
为针对配电网原有负荷功率引入的不确 定调节参数，取值范围为0～t内的整数，表示在调度周期内配电网原有负荷功率取波动 区间的最小值或者最大值的时段总数；t表示调度时段总数；和为引入的辅助变 量。
[0409]
将式(41)中的不确定变量表达式代入式(40)，并引入辅助变量b’可将子问题变换成下 面的混合整数二阶锥规划模型：
[0410][0411]
式中，式中，表示对偶变 量γ2的上边界，计算时可取为足够大的正实数。
[0412]
d)列约束生成算法对模型进行求解。经过上述推导和转换，两阶段鲁棒模型最终解 耦为主问题式(38)和子问题式(42)，随后可用列约束生成算法进行求解，具体步骤如下：
[0413]
步骤1：给定一组v值作为初始的最恶劣场景，设定运行成本下界lb＝-∞，上界 ub＝+∞，迭代次数l＝1；
[0414]
步骤2：根据最恶劣场景v
l
求解主问题，得到最优解和以主问题得到的值 作为新的下界
[0415]
步骤3：将代入子问题模型，得到子问题模型最优值和最恶劣场景令 [0416]
步骤4：若ub-lb<ε，其中ε为事先设定的一个足够小的收敛阈度，则表明已得到最 优解，停止迭代；否则调整参数及约束条件，增加变量y
l+1
及如下约束：
[0417][0418]
令l＝l+1，返回步骤2，直至算法收敛。
[0419]
本发明采用13节点的交通网络和调整后的ieee33节点配电网耦合系统进行验证， 其中标注数字1的配电网的区域网络为第一区域网络，标注数字2的配电网的区域网络 为第二区域网络，标注数字3的配电网的区域网络为第三区域网络，系统拓扑图如图1 所示。仿真时长取为1小时，配电网交易的分时电价如图2所示。四个快充电站分别建 在6、7、9、11四个交通节点上，分别为第一至第四个储能快充电站；第一至第四个储 能快充电站的快充电桩数量依次为20、10、20和15，每个快充电桩的快充功率为45kw， 快充效率为95％。各类电动汽车的出行参数如图3至图5所示：电动汽车起始出行时刻 服从对数正态分布，均值为2.18，标准差为0.30，返程出行时刻服从标准正态分布，均 值为16.79，标准差为3.53；出租车起始出行时刻服从分段对数正态分布，假设服从1段 分布的出租车为公共出租车(1类)，均值为-1.68，标准差为1.41，返程时间为21点至23 点，服从2段分布的出租车为私人出租车(2类)，均值为1.90，标准差为0.36，返程时 间为19点至23点。
[0420]
该区域内共有2500辆电动汽车和700辆出租车(均为电动汽车，其中出租车包含150 辆1类出租车和550辆2类出租车)，车辆类型采用一款nissan leaf的电动汽车，在为 电动汽车规划路径时，e取为0.15kwh/km。电池容量为24kwh，能耗模型的各系数如表 1所示。假设车辆起始出行的soc范围为0.8～0.9，充电需求阈值为0.2～0.3，充电soc 上限为0.9。在元胞自动机模型中，p
dec
和p
sta
分别取为0.04和0.5。
[0421]
表1 nissan leaf电动汽车能耗模型各参数
[0422]
参数数值参数数值a1(n)150n
g
7.937a2(n/ms-1
)0.61η
g
(％)97a3(n/m2s-2
)0.51η
m
(％)96m(kg)1521pf
m
0.9r(m)0.315η
inv
(％)98t
cf
(n
·
m)1.6p
aux
(kw)0.18
[0423]
采用本发明所提的快充电站充电负荷建模方法，通过随机优化处理得到的区域内各 快充电站的充电负荷如图6-图9示。在凌晨6点左右出现一个相对较小的充电高峰，这 主要是由部分1类出租车在半夜行驶的情况下产生的充电需求所引起的。此外，一天中 充电负荷峰值主要集中在中午11-12点和傍晚17-18点左右。其中，中午11-12点的峰值 主要由早上时段出行的2类出租车充电需求及1类出租车的二次充电需求引起，而17-18 点为全
天交通出行的高峰期，路段流量变大也将导致电动汽车出行能耗变大，此时电动 汽车、出租车的充电需求叠加，产生充电高峰。快充负荷在晚上20点之后逐渐降低，这 是由于多数电动汽车用户在夜间选择回家慢充导致的。同时，从仿真结果中还可以看出， 在快充负荷水平较高的时段，其不确定区间范围也相对较大，反映了较强的充电需求与 充电地点选择随机性之间的对应关系。
[0424]
以1号配电网及其接入的交通节点6和7的快充电站为例说明随机/鲁棒混合优化调 度效果。两个快充电站内接入的储能装置、svc和光伏参数如表2所示。
[0425]
表2光伏、储能和svc装置参数
[0426][0427][0428]
考虑光伏出力以及配电网负荷功率的波动偏差分别为预测值的15％和10％，具体预 测情况见图10-图11。如图12所示说明随机优化调度效果，1号配点网馈线容量为3.5kw， 在“不确定调节参数”取值最大下，各场景的配电网内净负荷有越限的情况发生。采用 本发明所提的优化调度方法，储能充放电功率情况如图12里条状图所示，可以看出，储 能主要在夜间谷时段进行充电，在越限时刻时刻放电，以较低的成本满足配电网内的容 量需求，使所有场景下的配电网净负荷曲线更加平滑。为说明鲁棒优化调度效果，取三 组“不确定调节参数”，分别对调度方案进行比较：
①
选取γ
pv
＝0和γ
l
＝0，即在该场景 下，光伏出力和配电网原有负荷都为预测值；
②
选取γ
pv
＝6和γ
l
＝12，，此时优化得到的 最恶劣场景为：光伏出力在10-15h这6个时段取到预测区间最小值，配电网原有负荷在 9-13h及17-23h这12个时段取到预测区间最大值；
③
选取γ
pv
＝24和γ
l
＝24，即在该场景 下，各时刻光伏出力和配电网原有负荷均选取边界值，该方案为所有鲁棒优化方案中“最 恶劣”的方案。表3所示为在不同方案下配电网不同成本。不难发现，随着不确定性调节 参数的增大，配电网的网损成本、购电成本、储能运行成本和总运行成本也相应地提高。 这是因为随着优化调
度越多地考虑系统所面临的不确定性，得到的方案越保守，配电网 向上级电网购电量和网损均增加，对应的成本也有所增加。
[0429]
表3不同方案下的成本对比
[0430][0431]
以上所述的实施例仅用于说明本发明的技术思想及特点，其目的在于使本领域内的 技术人员能够理解本发明的内容并据以实施，不能仅以本实施例来限定本发明的专利范 围，即凡本发明所揭示的精神所作的同等变化或修饰，仍落在本发明的专利范围内。