一种基于动态集成器的两级调度结构的智能V2G充电方法与流程

本发明属于电能计量技术领域，涉及电动汽车接入电网进行充电策略，具体是一种基于动态集成器的两级调度结构的智能v2g充电方法。

背景技术：

由于对全球变暖、化石燃料资源减少和温室气体排放的日益关注，电动汽车在交通运输领域引起了越来越多的关注，在没有精确充电策略的情况下，电动汽车在配电网中的高渗透可能会给电网、电压凹陷、系统损耗和负荷峰值增加带来额外的压力。智能电网技术提供了电动汽车与配电网络之间的连接结构，随着智能电网技术的出现，电动汽车智能充电将有许多选择。

目前很多文献提出了插入式电动汽车(pev)及其充电器在能源管理系统中作为v2g和g2v运行条件的可管理负荷的集成策略。优化过程是基于进化的，以解决问题的综合特点。根据其所取得的成果，住宅地区的能源综合管理可以降低成本，并在保证能源服务质量的前提下最大限度地实现本地发电一体化。并且有文献指出了pev充电对住宅配电网的功率损耗和电压偏差的影响。此外，在配电变压器负载水平不同的情况下，高穿透pev的不协调充电会导致停电和电压不理想。在寻找解决办法的过程中，陆续有文献提出了智能电网中电动汽车的充电控制，虽然其中少数研究解决了住宅区的电动汽车充电问题，但在分析中没有考虑到v2g对电动汽车充电的影响。即使研究了电动汽车充电对住宅配电网络电压的影响，并提出了一些缓解这些影响的措施。但鉴于电动汽车的接入对电力网络运行的重要性，插入式电动汽车充电对配电变压器老化和负载的影响仅在很少的文献中进行了研究。

技术实现要素：

本发明的目的在于克服现有技术的不足之处，提供一种基于动态集成器的两级调度结构的智能v2g充电方法。

本发明解决其技术问题是采取以下技术方案实现的：

一种基于动态集成器的两级调度结构的智能v2g充电方法，其特征在于：具体执行步骤包括：

步骤1，动态聚合器在第k时间段中对一组在线车辆按拔出时间进行排序，记为ak；

步骤2，测量ak组中每个可用插入式电动汽车的运行数据(包括电池充电状态和拔出时间)，并将其发送给聚合优化器；

步骤3，读取此时tk至第n-1个时间段内变压器除去插入式电动汽车的负荷数据pt,nopev(j),{j＝k,k+1,n-1}；

步骤4，聚合优化器在剩余时间步长的基础上根据变压器负载计算插入式电动汽车的最佳充电值；

步骤5，接受步骤4计算结果u(k)，在ak范围内根据模糊逻辑控制器进行分配。

而且，所述聚合优化器包括：

(1)价值函数：以最小化虚拟尺寸成本为目标，对第l台插入式电动汽车的聚合器的充放电控制进行研究；

(2)约束条件：目的是在考虑所有技术约束和限制的情况下，实现变压器的最小负载；在这种情况下，限制因素之一是插入式电动汽车与电网之间的交换功率范围；另一个限制因素是将电池的soc保持在可接受的范围内。

而且，以最小化虚拟尺寸成本为目标，对第l台插入式电动汽车的聚合器的充放电控制进行：

其中，pev,l(tk)是第l台插入式电动汽车充电功率的决策变量，大于零或小于零代表着插入式电动汽车放电或充电：

每个插入式电动汽车的最佳充电值是通过公式(1)最小费用函数计算；

然后最佳充电值可以利用公式(3)进行计算：

而且，约束条件中保持在可接受的范围内，防止电池过早老化和损坏，其soc约束定义具体如下：

socmin≤socl(j)≤socmax。

而且，所述模糊逻辑控制器中分配总功率算法包括：采用模糊逻辑控制器将优化器中的总功率分布在ak车辆之间，包括

(1)模糊排序；

(2)决策制定。

而且，所述(1)模糊排序，具体步骤为：

在模型中，输入变量包括每个系统的soc和紧急级(ul)，在第k步骤中，插入式电动汽车充电的紧急程度定义如下：

模糊系统的输出为偏好因子pf，它指示插入式电动汽车在ak中的充放电优先级，并限制在[-1，1]的范围内；

聚合优化器中引入ull，socl和pfl三个隶属函数，对于ull，socl采用高斯曲线隶属函数：低、中、高三层，pfl采用三角形隶属函数：高电荷、低电荷、零功率、低放电和高放电；

在第k步骤中，计算出到下一个任意步骤前要断开的车辆的充电值，在所述的m步中，插电式电动汽车必须在恒时间ct充电下单独充电，才能在拔出时达到所要求的水平，这一时间间隔是根据直到完全充电的剩余时间和达到所要求的充电水平所需的功率来确定的，这将通过反复试验和错误处理来计算。所提出的方法保证在充电过程结束时所有车辆的充电水平为30％，如果发生任何非计划拔出，则预定的插电式电动汽车必须位于集合ak的子集λk中。

而且，所述(2)决策制定，具体步骤为：

在模糊推理结束时，得到每个插电式电动汽车的偏好因子，然后根据偏好因子对插电式电动汽车进行排序，计算充放电优先级，在相关变量中用上标“m”表示插电式电动汽车的优先级，用np表示正偏好因子的插电式电动汽车个数，用nn表示非正插电式电动汽车的个数；

当pd>0，时，为了避免变压器过载，变压器的注入功率必须高于所需的插电式电动汽车，为了达到这一目的，放电车辆的数量必须高于排队充电车辆np>nn，nδ是导致变压器负载变化的np和nn的差异；

充电功率分配公式如下：

a.np＝0

b.np＞nn并且np-nn＝nδ

c.np-nn＞nδ，最低偏好因子对应的插电式电动汽车不参与功率交换直到np-nn＝nδ

d.np＜nn，第nn个拥有低充电优先级的插电式电动汽车不给电网提供功率直到np-nn＝nδ

一种基于动态集成器的两级调度结构的智能v2g充电系统，其特征在于：包括充电器、配电变压器、聚合器优化器以及模糊逻辑控制器，多个充电器连接配电变压器，配电变压器连接聚合器优化器，聚合器优化器连接模糊逻辑控制器。

而且，本系统的两级调度结构：第一阶段采用bee算法作为聚合器优化计算了每个插入式电动汽车的最优充电，第二阶段采用模糊逻辑控制器在电动汽车之间分配功率，该框架考虑了插入式电动汽车电池在各种实际情况下的非线性动态特性。

本发明的优点和积极效果是：

本发明的基于动态集成器的两级调度结构的智能v2g充电策略具有主要优点是降低了负荷峰值，平滑了变压器的负载分布，考虑了插入式电动汽车电池的非线性动态特性，并在充电站不定时断开电源的情况下对电池进行了合理的能量管理。

附图说明

图1是基于动态集成器的两级调度结构的智能v2g充电策略应用硬件场景示意图；

图2是基于动态集成器的两级调度结构的智能v2g充电策略执行流程图；

图3是聚合优化器执行模糊算法流程图；

图4是模糊算法中ul、soc、pf的隶属函数；

图5是使用ct/cp/发明策略分别变压器负荷曲线；

图6是pev的soc状态；

图7是不考虑模糊逻辑控制器的变压器负荷曲线；

图8是不同nδ取值对应变压器负荷曲线。

具体实施方式

下面结合附图并通过具体实施例对本发明作进一步详述，以下实施例只是描述性的，不是限定性的，不能以此限定本发明的保护范围。

一种基于动态集成器的两级调度结构的智能v2g充电系统，包括充电器、配电变压器、聚合器优化器以及模糊逻辑控制器，多个充电器连接配电变压器，配电变压器连接聚合器优化器，聚合器优化器连接模糊逻辑控制器。将插入式电动汽车(pev)充放电对电网的影响考虑在内，并且考虑了其对配电变压器的性能影响。第一阶段采用bee算法(ba)作为聚合器优化计算了每个插入式电动汽车的最优充电，第二阶段采用模糊逻辑控制器(flc)在电动汽车(evs)之间分配功率，该框架考虑了插入式电动汽车电池在各种实际情况下的非线性动态特性。该方法的主要优点是降低了负荷峰值，平滑了变压器的负载分布，考虑了插入式电动汽车电池的非线性动态特性，并在充电站不定时断开电源的情况下对电池进行了合理的能量管理。

一种基于动态集成器的两级调度结构的智能v2g充电方法，具体执行步骤包括：

步骤1，动态聚合器在第k时间段中对一组在线车辆按拔出时间进行排序，记为ak；

步骤2，测量ak组中每个可用插入式电动汽车的运行数据(包括电池充电状态和拔出时间)，并将其发送给聚合优化器；

步骤3，读取此时tk至第n-1个时间段内变压器除去插入式电动汽车的负荷数据pt,nopev(j),{j＝k,k+1,n-1}；

步骤4，聚合优化器在剩余时间步长的基础上根据变压器负载计算插入式电动汽车的最佳充电值；

步骤5，接受步骤4计算结果u(k)，在ak范围内根据模糊逻辑控制器进行分配。

图1展示了基于动态集成器的两级调度结构的智能v2g充电策略应用硬件场景，考虑一种电网，其包括一个配电变压器，该配电变压器为24个住宅供电，而每个住宅都有一个双向插入式电动汽车。在每个充电器上安装智能测量工具，在充电器节点测量插入式电动汽车数据并将其传输到控制器。

图2展示了基于动态集成器的两级调度结构的智能v2g充电策略执行流程图。

图3展示了聚合优化器执行模糊算法流程。

图4展示了模糊算法中ul、soc、pf的隶属函数。

实例1：验证该充电策略的性能，将matlab仿真结果与两种基本的恒功率(cp)和恒时间(ct)方法进行了比较，将soclmin和soclmax分别视为0.3和0.9，表4将3个变量分别使用正态分布函数生成输入数据来描述充电情况常数，充电功率在-2.4kw和2.4kw之间。ql为18kw。

如图5所示，将恒定时间充电负荷和恒定功率充电负荷加到峰值负荷中，增加变压器负荷峰值，进而在负荷高峰时向电网注入电能，导致负荷峰的减小，并在非峰值时刻对pev充电，使变压器负荷曲线平滑。

图6ab显示电池的最终soc及其变化概况。如图所示，使用提议的方法，在非计划断开的情况下，pev更有可能有相当数量的电池充电。例如，图6c示出了车辆17的soc变化，该车辆由于充电时间较短而排放的机会较低(分别在第20步和第97步拔掉插头)。最后，在第38步之后，以恒定的速率充电到所需的充电水平。如图所示，第8车有机会放电，因为堵塞(在第20步)和拔出(在第169步)之间的间隔太大。图6d中，该车辆在37～60级和98～99级具有排放优先权，但在60～89级和99～110级处于闲置状态，不与网络交换电力，110步达到44％充电状态，在90％充电水平下必须从网络上拔下电源，在此区间充电是固定的，同样的情况也适用于所有车辆。

在此基础上，利用模糊逻辑控制器对变压器负载施加车辆后的负载曲线进行平滑处理(见图7)。图8给出了不同nδ值的变压器负载情况，通过应用不同的值达到平滑的负载剖面，得到了合适的nδ值，最后给出了适当的车辆充放电和平滑负荷分布的算法的响应。

所述聚合优化器包括：

(1)价值函数：

以最小化虚拟尺寸成本为目标，对第l台插入式电动汽车的聚合器的充放电控制进行了研究：

其中，pev,l(tk)是第l台插入式电动汽车充电功率的决策变量，大于零(小于零)代表着插入式电动汽车放电(充电)。

每个插入式电动汽车的最佳充电值是通过最小费用函数即公式(1)通过元启发式ba算法来计算的。

然后最佳充电值可以利用公式(3)进行计算：

(2)约束条件：

优化的主要目的是在考虑所有技术约束和限制的情况下，实现变压器的最小负载。在这种情况下，主要的限制因素之一是插入式电动汽车与电网之间的交换功率范围，如下所示：

plmin≤pev,l(j)≤plmax(4)

该优化问题中的另一个限制因素是将电池的soc保持在可接受的范围内。为了防止电池过早老化和损坏(损坏)，其soc约束定义如下：

socmin≤socl(j)≤socmax(5)

所述模糊逻辑控制器中分配总功率算法包括：

采用模糊逻辑控制器将优化器中的总功率分布在ak车辆之间。

(1)模糊排序

在模糊系统中，输入输出变量和隶属函数是最重要的。在模型中，输入变量包括每个系统的soc和紧急级(ul)，在第k步骤中，插入式电动汽车充电的紧急程度(它反映了k时间段处的插入式电动汽车充电紧迫性)定义如下：

模糊系统的输出为偏好因子(pf)，它指示插入式电动汽车在ak中的充放电优先级，并限制在[-1，1]的范围内。

表1pd<0情况下模糊逻辑规则

表2pd>0情况下模糊逻辑规则

聚合优化器中引入ull，socl和pfl三个隶属函数。对于ull，socl采用高斯曲线隶属函数(低、中、高三层)，pfl采用三角形隶属函数(高电荷(hc)、低电荷(lc)、零功率(zp)、低放电(lc)和高放电(hd)。

在第k步骤中，计算出到下一个任意步骤前要断开的车辆的充电值，在所述的m步中，插电式电动汽车必须在恒时间(ct)充电下单独充电，才能在拔出时达到所要求的水平，这一时间间隔是根据直到完全充电的剩余时间和达到所要求的充电水平所需的功率来确定的，这将通过反复试验和错误处理来计算。所提出的方法保证在充电过程结束时所有车辆的充电水平为30％，如果发生任何非计划拔出，则预定的插电式电动汽车必须位于集合ak的子集λk中。

表3pd＝0情况下模糊逻辑规则

(2)决策制定

在模糊推理结束时，得到每个插电式电动汽车的偏好因子，如表1-3所示，然后根据偏好因子对插电式电动汽车进行排序，计算充放电优先级，在相关变量中用上标“m”表示插电式电动汽车的优先级，用np表示正偏好因子的插电式电动汽车个数，用nn表示非正插电式电动汽车的个数。

本文讨论了pd>0，当时，为了避免变压器过载，变压器的注入功率必须高于所需的插电式电动汽车，为了达到这一目的，放电车辆的数量必须高于排队充电车辆(np>nn)，nδ是导致变压器负载变化的np和nn的差异。

充电功率分配公式如下：

a.np＝0

b.np＞nn并且np-nn＝nδ

c.np-nn＞nδ，最低偏好因子对应的插电式电动汽车不参与功率交换直到np-nn＝nδ

d.np＜nn，第nn个拥有低充电优先级的插电式电动汽车不给电网提供功率直到np-nn＝nδ

尽管为说明目的公开了本发明的实施例和附图，但是本领域的技术人员可以理解：在不脱离本发明及所附权利要求的精神和范围内，各种替换、变化和修改都是可能的，因此，本发明的范围不局限于实施例和附图所公开的内容。