PDF《考虑大量 EV 接入的电 — 气—热多能耦合系统协同优化调度》

1 0] , 由车主上报次日 的出行时间及需求给 E V G D EM S.由于单台 E V 的 行驶行为和充电行为具有很大的随机性, 无论采用 哪种方法都不能够保证实际需求与预测需求的吻合 度, 并且当车数增加, 仍以单台车为调度对象会产生 维数灾难的问题.因此, 在建立日前调度模型时, 不 现实也没必要对单台 E V 的具体行为及具体约束进 行建模.而当 E V 的数量达到一定规模时, E V 作 为群体的行为规律便相当稳定, 充电需求的预测值 与实际值吻合度较高, 制定的相应策略也具有较好 的可执行度. 文献[

1 9] 根据北京市居民通勤用车的行驶数 据, 给出了典型工作日下考虑日间、 夜间一日两充的 E V 行为模型, 如附录 A 图A1所示.可以看出 E V 日间和夜间接入电网和离开电网的时间都相对集中 于0 7:

0 0―1 0:

0 0和1 6:

0 0―1 9:

0 0之内, 在其余时 段内接入和离开的汽车数量很少, 因此在建立 E V 日前调度模型时可以考虑将具有相同接入时间和离 开时间的汽车视作一个 E V 集群, 将大量 E V 划分 为若干个集群.同一集群内的所有车辆可等效为一 台汽车进行处理, 调度中心可根据历史数据预测各 集群的充电需求, 制定合理的调度计划, 在各集群的 离开时间之前完成充电需求电量的供应, 如此在保 证日前调度精度的情况下可极大地减少计算中的

5 0

1 潘振宁, 等 考虑大量 E V 接入的电 G 气G热多能耦合系统协同优化调度 变量. 以附录 A 图A1为例, 根据各时段 E V 接入和 离开的概率密度曲线, 可忽略零散接入的少部分汽 车, 考虑绝大部分汽车的充电需求, 可建立 E V 集群 化日前调度模型, 划分规则见表1. 表1 E V集群划分规则 T a b l e1 D i v i s i o nr u l eo fE Vc l u s t e r s 集群名称 接入时刻 离开时刻 集群名称 接入时刻 离开时刻 集群1

0 8:

0 0

1 6:

0 0 集群7

1 7:

0 0 次日0 7:

0 0 集群2

0 8:

0 0

1 7:

0 0 集群8

1 7:

0 0 次日0 8:

0 0 集群3

0 8:

0 0

1 8:

0 0 集群9

1 8:

0 0 次日0 7:

0 0 集群4

0 9:

0 0

1 6:

0 0 集群1

0 1 8:

0 0 次日0 8:

0 0 集群5

0 9:

0 0

1 7:

0 0 集群1

1 1 9:

0 0 次日0 7:

0 0 集群6

0 9:

0 0

1 8:

0 0 集群1

2 1 9:

0 0 次日0 8:

0 0 对于其余少量的汽车, 可将其充电需求就近并 入邻近的集群中( 如1 8:

0 0接入, 次日0 9:

0 0离开的 E V 的充电需求可归入集群1

0 ) , 这样便可在不增加 计算难度时尽量提升模型的精度. 将E V 集群化之后, 各集群的特性可用单辆E V 的特性描述如下: Di =∑ M m=1 d i, m =∑ M m=1 ( SSO C, e n d , i, m -SS O C, s t a r t , i, m ) c i, m, m a x (

2 ) ∑ Te n d , i t=Ts t a r t , i Pi, tΔ t=Di Pi, t =0 t? [ Ts t a r t , i, Te n d , i] { (

3 ) PL B, i, t =∑ M m=1 pd , i, m, m a x ≤Pi, t ≤ ∑ M m=1 pc , i, m, m a x=PU B, i, t (

4 ) 式中: Di 为集群i 充电需求的参考值;

M 为集群i 日前预测的 E V 数量;

SS O C, e n d , i, m , SS O C, s t a r t , i, m , d i, m 分 别为集群i 中第m 辆车的期望荷电状态、 接入时的 荷电状态和充电需求, c i, m, m a x为该车的电池容量, 以 上单辆车的数据可采用历史数据或蒙特卡洛仿真法 获得;

Pi, t为集群i 于t 时刻的充放电出力;

Te n d , i 和Ts t a r t , i分别为集群i的离开时间和接入时间. 式(