基于用户间博弈的网联电动汽车协同充放电调控方法与流程

1.本发明属于电动汽车充电优化策略技术领域，特别是涉及一种基于用户间博弈的网联电动汽车协同充放电调控方法。


背景技术：

2.近些年来电动汽车的数量急剧增加，但电动车的增长率明显高于公用充电桩，这主要归因于充电站的建设投资较大，而这会加剧电动汽车车主的里程焦虑，为了解决上述问题，有必要对电动汽车的充电点进行优化调度和管理。电动汽车具有储存电能的能力，在电动汽车车主没有出行需求或电量过剩的情况下，电动汽车中存储的电能可作为闲置资源，通过充电站规模化参与电网需求响应，降低电网的调峰压力。
3.在传统的集中式管理交互机制中，智能充电站收集所有电动汽车用户的信息，然后通过实时更新充电价格的方式使电动汽车负荷转移到负荷低谷时期，但是随着用户的不断增加，这种传统的交互机制可能无法使电动汽车找到成本最小的充电策略。在这种情况下，出现了一种新的机制：车辆对车辆机制(v2v)。现有研究大多集中在研究充电站与用户双方之间的交互，很少考虑电动汽车用户之间的互动。


技术实现要素：

4.本发明实施例的目的在于提供一种基于用户间博弈的网联电动汽车协同充放电调控方法，为用户提供便利同时提高交通运行效率的电动汽车调度方法，可以在降低充电站成本和电网负荷峰谷差的同时，让每个电动汽车用户选择最优充电策略来最小化其充电成本，且安全性更高。
5.为解决上述技术问题，本发明所采用的技术方案是，基于用户间博弈的网联电动汽车协同充放电调控方法，包括以下步骤：
6.步骤1：建立电动汽车可行充电策略模型；
7.步骤2：建立充电站成本模型；
8.步骤3：建立电动汽车用户之间的广义纳什博弈模型；
9.步骤4：对电动汽车用户之间的广义纳什博弈模型进行求解。
10.本发明的有益效果是：
11.(1)本发明提出了一种多方互动机制下的电动汽车充电策略，相比于只考虑每辆电动汽车与电网之间互相作用的v2g机制，所提机制结合了v2v机制，每个参与者之间可以相互作用，能充分调动电动汽车的灵活性。
12.(2)本发明基于电动汽车行驶数据和光伏电站出力数据，充分考虑了电动汽车电池的上下限约束，避免过度充放电对电池造成的损害。
附图说明
13.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现
有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
14.图1是本发明中使用多目标粒子群算法进行求解的流程图。
15.图2是不同天气下光伏电站的出力曲线图。
16.图3是电动汽车充电策略优化后的负荷曲线与基础负荷曲线对比图。
17.图4是充电站和电动汽车能量单向流动的情况下的成本图。
18.图5是充电站和电动汽车能量双向流动的情况下的成本图。
19.图6是电动汽车充电期间可能的soc曲线图。
具体实施方式
20.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
21.本发明实施例公开了一种基于用户间博弈的网联电动汽车协同充放电调控方法，思路是：获取区域内所有电动汽车电量以及光伏发电数据，以充电站成本和电网负荷峰谷差为目标函数，建立了一个广义纳什博弈框架，为了找到唯一的纳什均衡解，用多目标粒子群算法对模型进行求解。
22.具体包括以下步骤：
23.步骤1：建立电动汽车可行充电策略模型。
24.步骤2：建立充电站成本模型。
25.步骤3：建立电动汽车用户之间的广义纳什博弈模型。
26.步骤4：对电动汽车用户之间的广义纳什博弈模型进行求解。
27.具体来说：
28.步骤1包括：
29.设置区域内所有电动汽车集合为n＝{1,2,...,n}，电动汽车在一天中充放电范围内时间段的集合为τ＝{1,2,...,t}，电动汽车n在充放电时间范围内的充放电功率定义为en＝(e
n,1
,e
n,2
,...,e
n,t
)，其中，e
n,t
表示电动汽车n在时间段t的充放电功率，e
n,t
＞0表示电动汽车充电，e
n,t
＜0表示放电，e
n,t
＝0表示空闲。
30.用表示充电站中所有电动汽车的充放电功率曲线，是en的转置，这是一个大小为n
×
t的矩阵：
[0031][0032]
电动汽车充放电过程中，充电站的约束条件为：
[0033][0034]fmax
是变压器允许的最大充电功率，l
t
是区域内非电动汽车负荷，l
sol
是充电站内光伏设备的发电功率。如图2所示，非电动汽车负荷和光伏发电量提前一天根据历史负荷数据和天气情况预测。
[0035]
电动汽车充放电过程中，电动汽车的约束条件如式(3)-(5)所示：
[0036]
p
min
＜e
n,t
＜p
max
ꢀꢀꢀ
(3)
[0037]
p
max
和p
min
分别是电动汽车最大充电功率和最大放电功率。
[0038]
电动汽车n的初始电量为充电结束时的电量为则在整个充放电时间范围内有：
[0039][0040]
设置和为电动汽车n电池容量的上下限，任意时刻电动汽车n的电量不能超过其电池额定容量，同时不能低于允许的电池最低容量：
[0041][0042]
对于每辆电动汽车，其可行充放电功率曲线，即充电策略集为：
[0043]en
＝{en|(2)-(5)}
ꢀꢀꢀ
(6)
[0044]
区域内所有电动汽车的可行充电策略集为
[0045]
步骤2包括：
[0046]
由于每辆电动汽车的可行充电策略集都受到其他电动汽车充电策略的影响，引入电动汽车充电价格模型：
[0047][0048][0049]qt
是t时刻充电站的充电价格，α
t
是关于分时电价的正相关系数，β
t
是关于充电站到发电厂距离的正相关系数，是t时刻所有正在充电的电动汽车负荷之和。
[0050]
价格函数是与电动汽车总负荷正相关的函数，同一时间段充电的电动汽车越多，充电价格越高，这使得无紧急充电需求的电动汽车将充电计划调整到低峰时间段。
[0051]
充电站(cs)从电网购电，收集区域内各时间段电动汽车负荷情况，根据负荷曲线制定实时电价，电动汽车用户则根据实时电价及电池容量合理制定各自的充电/放电策略。充电站通过平稳电网负荷，减小峰谷差获得利益，令m
t
为t时刻充电站成本，其与t时刻区域内电动汽车负荷水平呈正相关，用一个典型的成本模型来表示充电站的负荷成本：
[0052][0053]
由于放电过程中的电池损耗以及电动汽车参与v2g机制可能导致的期望电量不达标，充电站需要向用户支付一定的电池退化补偿和不满补偿。对于某辆电动汽车，其充电期间(从到达充电站时间t0到离开时间t
end
)的荷电状态(state of charge，soc)水平可以用图6中的电量曲线来表示，图中，曲线a、b、c表示电动汽车充电期间可能的soc。s0是电动汽
车到达充电站时的soc水平，s(t
end
)是离开充电站时的soc水平，s
max
和s
min
分别是电动汽车最高、最低soc水平。有紧急充电计划的电动汽车车主通常倾向于从达到时刻开始以最大功率p
max
对其电动汽车进行充电，如图6中基准充电曲线a所示，t
min
表示按照基准曲线对电动汽车进行充电所需时间。
[0054]
电动汽车通过调节各时段充放电功率贡献自己的灵活性，曲线b和曲线c延迟充电在负荷高峰期放电以响应电网的需求，延迟充电在负荷高峰期放电的电动汽车对充电站的贡献q
bdc
表示为：
[0055][0056]
其中，第一项表示电动汽车在[t0,t
end
]期间的总里程，第二项表示电动汽车的充电需求，η是充放电效率，从成本角度来看，由于充电功率曲线偏离基准充电曲线导致电池退化，因此上式反映了电池退化成本，若q
bdc
＝0，则表示电动汽车按照基准充电曲线进行充电。
[0057]
曲线c所示的电动汽车在[t0,t
end
]期间未达到其soc目标s
obj
，即s(t
end
)≠s
obj
，电动汽车通过牺牲其在t
end
时的soc水平来提供灵活性，此类柔性贡献q
fcc
表示为：
[0058][0059]
对于电动汽车用户来说，q
fcc
≠0比q
bdc
≠0更为不便，因为这会实际影响电动汽车的充电结果和出行计划，因此，指数q
fcc
反映了电动汽车用户满意度损失成本。
[0060]
充电站在[t0,t
end
]期间总的灵活性贡献补偿成本q用加权因子y,z＞0进行量化：
[0061]
q＝y
·qbdc
+z
·qfcc
ꢀꢀꢀ
(11)
[0062]
电动汽车用户提供灵活性的意愿越高，灵活性贡献补偿成本q越大，若用户有紧急充电需求，倾向于严格按照基准充电曲线进行充电，则q＝0。
[0063]
整个周期内充电站的成本为：
[0064][0065]
步骤3包括：
[0066]
充电站通过调整价格协同区域内所有电动汽车合理调整自己的充电策略，使得充电站成本最小化，同时满足电动汽车的充电需求和充电站成本约束。
[0067]
令电动汽车n整个充电周期内支付的费用，则所有电动汽车支付的费用要大于充电站的成本，如式(13)所示。
[0068][0069]
在满足充电站成本最小化的同时，也要平稳区域内负荷水平。定义l
max
和l
min
分别为一天中区域内负荷的峰值和谷值，将最小化峰谷差ld作为目标函数之一。目标函数和约束如下：
[0070][0071]
式(14)构成了一个广义纳什博弈，参与者的成本与策略集相互依赖。该博弈模型由以下元素组成：
[0072]
1)参与者集合n＝{1,2,...,n}；
[0073]
2)策略集
[0074]
3)成本函数pn。
[0075]
用g＝{n,e,{pn}
n∈n
}来表示该博弈模型。
[0076]
步骤4包括：
[0077]
如图1所示。充电站收集所有电动汽车的电量信息、光伏电站数据和基础负荷数据，制定电动汽车充电策略，一天内所有电动汽车的充电/放电策略表示为是一个大小为t
×
n的矩阵，此处是所有电动汽车的策略，是一个矩阵。具体步骤如下：
[0078]
s1：获取所有电动汽车的电量信息、光伏发电量和基础负荷数据；
[0079]
s2：用多目标粒子群算法对步骤1所述模型进行求解，步骤如下：1)设置惯性权中系数、学习因子、变异概率，生成规模为n的初代粒子，根据式(2)-(5)判断初代粒子是否满足约束条件，若不满足则重新生成，满足约束条件之后根据式(1)计算每个粒子的目标函数值。2)从粒子中选出当前全局最优解，储存个体最优解，更新非劣解集。3)根据全局最优解和个体最优解更新每个粒子的位置和速度，更新非劣解集并使用网格剔除机制维护非劣解集，再以0.5的概率进行变异操作，将变异后的粒子与原粒子进行比较，若优于原粒子则替换之。4)重复步骤2)、3)，直至到达设置的迭代次数后，从非劣解集中使用轮盘赌选出最优个体，作为该模型的pareto解，即1天内所有电动汽车的充电/放电策略。
[0080]
在实例中，将一天24小时分为48个时间段，每个时间段为半小时，假设每个时间段内的电动汽车负荷不变，即充电价格不变。一个粒子x代表一天中所有电动汽车的充电计划，x＝[e1,e2,
…
,e
t
]其中，e
t
代表t时间段所有电动汽车的充电计划，e
t
＝[e1,e2,
…en
]
t
。
[0081]
参照图3，是电动汽车充电策略优化后的负荷曲线与基础负荷曲线对比图，在不同天气情况下，变压器负载的变化曲线。光伏发电输出集中在10：00-16：00间，这个时段是基础负荷的低谷期，光伏发电的加入会加剧低谷期的形成，因此在这个时段，电动汽车参与调峰尤为重要。优化效果如表1所示。
[0082]
表1
[0083]
天气类型负荷峰谷差(kw)负荷标准差(kw)晴天280.0263.86部分多云253.2261.74多云230.2261.13
[0084]
多目标粒子群算法会进行多次迭代更新，以选出最优解，随着迭代次数的增加，充电站成本(目标函数)会下降然后稳定在一个数值。参照图4、图5，显示了迭代中充电站成本的变化过程，随着迭代次数的增加，充电站成本减小并逐渐趋于稳定。图4为对照组，是充电
站和电动汽车能量单向流动的情况下，充电站成本为16.78万，图5为充电站和电动汽车能量双向流动，成本降为6.56万。
[0085]
从以上图形曲线以及表格数据的对比可以看出使用本发明的广义纳什博弈模型对电动汽车充电策略进行优化，可以明显降低充电站成本，降低负荷峰谷差，平稳电网负荷。
[0086]
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
[0087]
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。