[发明专利]一种电动汽车区域微网群双层分布式优化调度方法

权利要求书

1.一种电动汽车区域微网群双层分布式优化调度方法，其特征在于包括以下步骤：

步骤1：预测未来一天风力发电机组、光伏发电机组的出力情况，采集各微电网的基础负荷、电动汽车接入电网时间、离开电网时间、行驶里程数、接入电网时刻时的荷电状态信息；

步骤2：根据搜集到的多微网和电动汽车信息，构建情景树模型，并采用场景削减技术生成最优场景，具体如下：

采用Wasserstein距离指标和K-means聚类场景削减技术生成最优场景，将随机问题转换成确定性优化问题，建立风-光-电动汽车多情景树模型；

其中，Wasserstein概率距离是对两个概率分布距离的一个测度，记为d_w,r，其表达式为：

d_w,r(p₁,p₂)＝∫d(x₁,x₂)^rdπ(x₁,x₂)

式中，p₁和p₂为概率密度函数；π(x₁,x₂)为联合概率密度函数；r为阶数；

根据场景模拟的思想，若要获得最优场景，需要求解概率测度函数的最优分位点以及该分位点对应的概率，使得Wasserstein概率距离d_w,r最小；

假设一维连续变量x的概率密度函数为f(x),以S个离散分位点的离散分布近似f(x)，则Wasserstein距离指标下的最优分位点z_k可由下式得到：

式中，S为离散分位点的个数，s为离散分位点的标号，r为阶数，z_s为最优分位点；

将风电、光电、电动汽车接入电网时间、电动汽车离开电网时间、电动汽车日行驶里程的概率密度函数带入上式，可依次得到各自的最优分位点以及该分位点对应的概率；

此外，风电、光电和电动汽车的所有场景集合δ_SC可表示为：

式中，δ_w、δ_v、δ_t^In、δ_Rd分别为风电、光电、电动汽车接入电网时间、电动汽车离开电网时间、电动汽车日行驶里程的分布集合；P_w、P_v、P_t^In、P_t^Pl、P_Rd分别为风电、光电、电动汽车接入电网时间、电动汽车离开电网时间、电动汽车日行驶里程在不确定情况下的概率；则系统在情景n下的概率为：

建立多场景后，采用K-mens聚类法削减场景,用η_s(s＝1,2,…,M_s)表示削减前的N个场景数，M_s表示削减后的场景数，则削减步骤为：

1)随机选取N个场景作为中心场景，其集合为

2)根据中心场景，得到剩余场景集合为计算剩余场景到中心场景的距离

3)根据距离矩阵，将剩余场景归类到距离最近的中心场景中，得到新的聚类集合Ω＝{C_i}(i＝1,2,3,…,N)，其中C_i表示同类场景集合；

4)中心计算方法：假设聚类C_i有L个场景，计算每个场景与其他场景距离之和,求和公式为：

式中，r，s为场景标号，η_s、η_r为第s个和第r个场景向量，L为场景总个数；

选取CT_k＝min(CT_s)的场景η_s为新的聚类中心；

5)重复步骤2)-步骤4),直到场景中心不再变化，场景削减结束，每个场景的概率即为该类中所有概率之和；

步骤3：构建以多微网总运行成本、总购电成本、总负荷波动最小为目标函数的上层多微网优化调度模型；

步骤4：基于各个微电网的基础负荷和电动汽车充放电需求，提出模糊PID实时电价策略，整定模糊PID参数，求解当前实时电价；

步骤5：基于上层多微网优化调度模型，采用粒子群算法求解各微网在各场景下每一时刻的总充放电功率；

步骤6：判断粒子群程序中迭代次数是否大于设定值，若是，则进行步骤7，否则，返回步骤4；

步骤7：建立下层电动汽车优化调度模型，使电动汽车聚合商总运行成本、电动汽车电池总损耗最小；

步骤8：基于上层多微网优化调度模型，优化调度每辆电动汽车的充放电计划；

步骤9：判断电动汽车荷电状态是否满足出行要求，若是，则流程结束；否则，返回步骤8。