[发明专利]一种考虑电动汽车出行相关性的机组组合调度方法

权利要求书

1.一种考虑电动汽车出行相关性的机组组合调度方法，其特征在于，包括以下步骤：

1)获取各类型电动汽车的行驶特性，包括离开时刻、接入时刻和日行驶里程；

2)根据各类型电动汽车行驶特性的概率密度函数，进行拉丁超立方抽样生成数据矩阵R⁰(v)＝[R⁰_out(v) R⁰_in(v) R⁰_d(v)]，其中，R⁰_out(v)、R⁰_in(v)和R⁰_d(v)分别表示第v类电动汽车的离开时刻、接入时刻以及日行驶里程的数据矩阵；

3)利用Spearman秩相关系数获取数据矩阵中离开时刻、接入时刻以及日行驶里程的相关性；

4)利用Copula模型生成各类车型的车辆行驶特性数据，并建立具有相关性的车辆离开时刻、接入时刻以及日行驶里程的场景矩阵，并进行场景缩减，具体包括以下步骤：

41)对电动汽车的离开时间t_out、接入时间t_in以及日行驶里程d构建各边缘分布；

42)选择正态Copula函数并利用非参数核密度估计法进行估计，采用累计分布函数将原始数据转化为服从[0,1]间的均匀分布数据；

43)采用伪极大似然估计对正态Copula函数进行参数估计，获取参数矩阵；

44)采用Copula函数得出车辆信息的相关性数据；

45)将车辆行驶特性数据中的离开时间、接入时间和日行驶里程三个数据的累计概率分布函数生成逆函数，利用Copula函数生成具有相关性的可用于模型计算的场景矩阵R(v)＝[R_out(v) R_in(v) R_d(v)]，其中R_out(v)、R_in(v)、R_d(v)分别表示电动汽车离开时间、接入时间与日行驶里程的场景矩阵；

46)利用同步回代场景缩减法对场景矩阵R(v)＝[R_out(v) R_in(v) R_d(v)]进行场景缩减，用以在不减少精度情况下提高计算效率；

5)以火电机组总成本最小为调度目标建立含电动汽车的随机机组组合模型，含电动汽车的随机机组组合模型的目标函数为：

C_G(i,t)＝u(i,t)×(a(i)+b(i)P(c,i,t)+c(i)P²(c,i,t))

其中，F₁^cost为总煤耗量，t为计划时段编号，T为计划时段总数，i为火电机组编号，N为火电机组总数，c为电动汽车出行预测场景编号，C为场景总数，π(c)为场景c对应的概率，C_G(i,t)为运行成本，C_U(i,t)为启动成本，C_D(i,t)为停机成本，u(i,t)为机组i在t时段的运行状态的变量，u(i,t)＝1表示运行状态，u(i,t)＝0表示停行状态，a(i)，b(i)，c(i)为发电机组i的成本系数，P(c,i,t)为c场景下t时段火电机组i的功率，U(i,t)为机组i在t时段的运行状态矩阵，为机组i的热启动能耗，为机组i的冷启动能耗，t_off(i)为机组i的停机时间，T_cold(i)为机组i的冷启动时间，为机组i的停机能耗；

所述的含电动汽车的随机机组组合模型的约束条件包括火电机组约束和电动汽车约束，对于火电机组，有以下约束条件：

A)负荷平衡约束：

其中，V为c场景下t时段所有电动汽车的类型，包括私家车、公交车和车租车，P_ch(c,e,v,t)表示c场景下所有v类车在t时段的充电功率，P_dis(c,e,v,t)表示c场景下所有v类车在t时段的放电功率，D(t)为t时刻系统的最大负荷；

B)系统备用需求：

上备用约束：

其中，为c场景t时刻下火电机i的功率上限，为t时段负荷的上备用需求；

下备用约束：

其中，P(c,i,t)为c场景t时刻下火电机组i的功率下限，K(t)为t时段负荷的下备用需求。

C)机组出力约束：

D)火电机组爬坡限制约束：

火电机组爬坡限制约束包括机组的启机爬坡约束、机组的停机爬坡约束和机组连续运行爬坡约束；

机组的启机爬坡约束：

其中，SU(i)为机组i启动爬坡限制，

机组的停机爬坡约束：

其中，SD(i)为机组i停机爬坡限制；

机组连续运行爬坡约束：

P(c,i,t-1)-P(c,i,t)≤RU(i)u(i,t-1)

P(c,i,t)-P(c,i,t-1)≤RD(i)u(i,t)

其中，RU(i)机组i上爬坡约束，RD(i)机组i下爬坡约束；

E)火电机组最小启停约束。

[u(i,t-1)-u(i,t)][M(i,t-1)-UT(i)]≥0

[u(i,t)-u(i,t-1)][-M(i,t-1)-DT(i)]≥0

其中，UT(i)为机组i最小连续停机时间，DT(i)为机组i最小连续启动时间，M(i,t)为机组i在第t时段已连续运行或连续停机的时间；

对于电动汽车，有以下约束：

F)出行时段约束：

当t_in≤t_out时，电动汽车只有在[t_in,t_out]之间进行充放电，则有：

其中，v为电动汽车的类型编号，t_in(c,e,v)为c场景下并入e节点所在区域第v类车单辆车的入网时刻，t_out(c,e,v)为c场景下并入e节点所在区域第v类车单辆车的离网时刻，X(c,e,v,t)为c场景下t时段并入e节点所在区域第v类车单辆车在t时刻的充电状态，X(c,e,v,t)＝0表示此时车辆处于不充电状态，X(c,e,v,t)＝1表示此时车辆处于充电状态，Y(c,e,v,t)为c场景下第v类车单辆车在t时刻的放电状态，Y(c,e,v,t)＝0表示此时车辆处于不放电状态，Y(c,e,v,t)＝1表示此时车辆处于放电状态；

当t_out≤t_in时，电动汽车只有在[1,t_in]U[t_out,24]之间进行充放电，则有：

G)电动汽车充放电功率约束：

对于电动汽车，将电动汽车分区域分别接入不同节点时，不同类型电动汽车所接入的节点e每小时接入电动汽车数量会根据一定的停驶概率发生变化，电动汽车的充放电功率：

P_ch(c,e,v,t)＝Nev(c,e,v,t)×PV_ch(c,e,v,t)

P_dis(c,e,v,t)＝Nev(c,e,v,t)×PV_dis(c,e,v,t)

Nev(c,e,v,t)＝Nevz(v)×ζ(e,v)×ρ(v,t)

其中：PV_ch(c,e,v,t)为c场景下t时段并入节点e所在区域第v类车每辆车的充电功率，PV_dis(c,e,v,t)为c场景下t时段并入节点e所在区域第v类车每辆车的放电功率，P_ch(c,e,v,t)和P_dis(c,e,v,t)为规模化电动汽车的充放电功率，Nev(c,e,v,t)为c场景下t时段并入节点e所在区域第v类车车辆总数，Nevz(v)为城市内第v类车的车辆数，ζ(e,v)为在e节点所在区域v类车所占城市内第v类车的百分比，ρ(v,t)为第v类车在t时刻的车辆停驶概率；

H)电量平衡约束：

当电动汽车开始接入电网时，即t＝t_in(c,e,v)时，则有：

SOC(c,e,v,t)＝SOC₀(c,e,v,t)

其中，SOC(c,e,v,t)为c场景下t时段并入e节点所在区域第v类车的电池百分比状态，SOC₀(c,e,v,t)为c场景下t时段并入e节点所在区域第v类车单辆车在t＝t_in(c,v)时刻的初始电池荷电状态，SOCE(c,e,v)为c场景下并入e节点所在区域第v类车单辆车用户在离网时的电池荷电状态期望值，d(c,e,v)为c场景下并入e节点所在区域第v类车单辆车用户的日行驶里程，M(v)为第v类车的百公里耗电量；

当电动汽车在与电网连接时间段时，满足电动汽车的电量平衡：

其中，Q(v)为第v类车单辆车的最大电池容量，为单辆车的充电效率，Δt为充放电时间间隔，为单辆车的放电效率。

当电动汽车离开电网时，即t＝t_out(c,e,v)时，车辆的电池状态满足用户的期望电量值，则有：

SOC(c,e,v,t)≥SOCE(c,e,v,t)；

I)电动汽车的充放电功率限制：

其中，为第v类车的充电功率上限，为第v类车的放电功率上限。

J)电动汽车电池电量状态限制：

其中，SOC为车辆的电池荷电状态下限值，为车辆的电池荷电状态上限值；

K)电池可放电深度约束：

DOD(c,e,v,t)＝SOC(c,e,v,t)-SOC(c,e,v,t-1)

其中，DOD(c,e,v,t)为电池的放电深度，为电池放电深度的最大值；

L)电池充电限制：

M)电池放电限制：

N)加入网络静态安全约束：

其中，Pf(c,b,t)为c场景第b条支路在t时段的潮流功率，N为机组总数，Nb为节点总数，e为电动汽车接入的节点，E为电动汽车接入节点的总数，sfg(b,i)为机组i对应的接入节点对线路b的转移因子，sfd(b,nd)为节点负荷nd对线路b的转移因子，sfev(b,e)为电动汽车接入节点e对线路b的转移因子；

O)网络线路可传输功率上下限：

其中，代表支路b的功率约束上限，Pf(b)代表支路b的功率约束下限；

6)将随机机组组合模型中的非线性条件线性化；

7)采用混合整数规划法对随机机组组合模型进行求解，获取各类型电动汽车的充放电功率以及机组启停计划统计信息。