开源代码分享(8)—大规模电动汽车时空耦合双层优化调度(附matlab代码)

参考文献：

[1]He L , Yang J , Yan J , et al. A bi-layer optimization based temporal and spatial scheduling for large-scale electric vehicles[J]. Applied Energy, 2016, 168(apr.15):179-192. DOI:10.1016/j.apenergy.2016.01.089

1.基本原理

1.1摘要

        电动汽车（EV）是一种有前景的环保技术，因其减少使用化石燃料的潜力而备受关注。大规模的电动汽车为电力系统带来机遇和挑战，尤其是随着风电整合规模的不断扩大。本文研究了发电机、电动汽车和风能的协同优化调度问题。提出了一种新颖的双层优化方法，用于解决在风能存在的情况下，电动汽车充放电负荷在时间和空间领域的调度问题。在输电系统中，上层优化协调了电动汽车、热发电机和基本负荷，考虑了风能因素，优化了电动汽车在时间域内的负荷时段。在配电系统中，下层优化则对电动汽车负荷的位置进行空间调度。通过对一个拥有10台发电机的输电网和一个IEEE 33节点的配电网的电力系统基准进行评估，评估了提出的双层优化策略的性能。分析了电价曲线、电动汽车普及率以及电动汽车负荷位置等因素的影响。仿真结果表明，提出的双层优化策略能够在时间和空间上合理调度电动汽车的充放电，以适应风能的波动，从而改善电网运行经济性和电动汽车用户的收益。此外，结果还表明，电动汽车的充放电负荷位置对配电网络规划至关重要。

1.2 双层优化框架

        在图2中展示的提出的双层优化策略包括输电系统中的上层优化和配电系统中的下层优化。

        在输电系统层面上，上层时间域优化协调电动汽车的充电和/或放电计划与热发电机、基本负荷和风能之间的关系。电动汽车的充电和放电行为从时间维度上进行优化。在配电网络层面上，下层空间域优化确定电动汽车的最佳负载位置，确定电动汽车应该何时进行充电或放电。电动汽车的充电和放电行为从空间维度上进行优化。
        上层优化的目标是协调发电机、风能和电动汽车，以降低发电机运营成本、用户充电成本和风能削减量。基于充电和放电价格、电动汽车数量、热发电机参数、风能预测曲线和日负荷，提出了一个调度模型来优化热发电机的输出功率、风能削减量和电动汽车的充放电曲线。
        通过优化电动汽车充电和放电负载的空间分布，配电系统中的下层优化可以降低配电网的运营成本。基于传输系统的供电、配电网络中的日负荷需求以及电动汽车充电和放电曲线，提出了一个最优功率流模型（OPF）用于下层优化。

2.算例分析

        为了证明所提出的双层优化策略在电动汽车充放电调度方面的有效性，建立了一个包括传输网和配电网的综合系统。如图3所示，使用一个包括110兆瓦风电场和IEEE 33节点配电网络的10台发电机传输系统来模拟配电网。IEEE 33节点系统中的节点0是变压器低压侧的汇流排节点，其高压侧是10台发电机传输网的一个节点。从传输系统的角度看，配电网络可以被视为一个等效负载节点。所有计算都是在一台Intel(R) Core(TM) i5-2500 3.3 GHz CPU、3.42 GB RAM、Microsoft Windows XP操作系统和AIMMS优化工具上进行的。整个优化计算时间大约为半个小时。

        10台发电机系统的负荷需求和机组特性数据来自[52]。机组的爬坡速率可以参考[53]。假设启动爬坡和停机爬坡等于机组的最小输出，启动时间和停机时间均为1小时[54]。机组的煤耗系数来自[55]。风能的不同场景和其概率数据来自[47]，风能的输出乘以比例系数（0.2）以匹配总装机容量。快备用需求被假设为负荷需求的10%，总调度周期为24小时。
        对于电动汽车的充电或放电负荷的预测一直是一个困难的问题。在我们的模型中，电动汽车的充电或放电负荷边界可以通过历史数据获得。由于目前缺乏足够的历史数据，我们可以使用一些合理的假设来评估电动汽车负荷的边界。电动汽车充电负荷的边界由电动汽车数量、充电功率、充电起始时间和充电持续时间确定。电动汽车放电负荷的边界类似。在本文中，我们对这些参数做了一些合理的假设。传输系统覆盖区域内的电动汽车总数为150,000辆，所有电动汽车都可以参与充放电。电动汽车的平均充电时间和放电时间分别为6小时和3小时。电动汽车的平均充放电功率均为1.8千瓦。充放电频率均为每天一次。可供充放电的电动汽车的最大数量在不同时间间隔内被假设为恒定的。在本文中，我们的研究主要关注于慢充电模式，即大多数用户下班回家后开始给电动汽车充电。因此，电动汽车充电的不确定性相对较小。因此，考虑到电动汽车的不确定性，每个时间间隔内可用于充电和放电的电动汽车的百分比分别设置为95%和40%。PM2.5 排放惩罚价格Ce为3000美元/吨。风能削减惩罚价格Cw为100美元/MWh。

        为了评估不同的电价分布和不同的电动汽车渗透率对上层优化的影响，在上层优化方案中研究了6个场景。充放电的价格概况如图4所示：

        场景1：在优化过程中没有考虑电动汽车。

        场景2：系统中有15万辆电动汽车，充放电的价格在一天内是相同的常值。本例下充放电的价格概况如图4(a).所示

        场景3：系统中有15万辆电动汽车，充放电价格相同，当负载变化时会出现波动。本例下充放电的价格概况如图4(b).所示

        场景4：系统内有15万辆电动汽车，充电价格与案例3相同。重负荷期间的放电价格高于充电价格，因此对电动汽车的放电更有吸引力。充放电的价格概况如图4(c).所示

        场景5：系统中有10万辆电动汽车，价格文件与案例4相同。

        场景6：系统中有5万辆电动汽车，价格文件与案例4相同。

        表1显示了六种情况下，对于20个风能场景的目标函数期望值、燃料成本、PM2.5排放、启动成本、用户充电成本以及相关的风能削减量。用户的负充电成本表示他们通过向电网放电赚钱。从表1可以看出，目标函数的值从案例2到案例4逐渐减小。与此同时，电动汽车用户的收益增加，这表明随着电动汽车数量的增加，目标函数的值也会减小。
        由于风能总容量与热发电机总容量相比较小，所以在所有情况下，风能削减量为0兆瓦，这意味着电力系统可以容纳100%的风能。
        根据场景1，电动汽车充放电的调度结果如图5所示。不同案例下的UC结果如图6所示，其中负荷曲线与机组的总输出之差包括所容纳的风能和电动汽车负荷。

 

 

        在场景2、场景3和场景4中，比较了不同价格档案对电动汽车调度的影响。在场景2中，电动汽车以相同的价格进行充放电，因此用户的成本在一天内不会变化。因此，最优目标仅由电力系统运行的利益确定。然而，在场景3和场景4中，用户更喜欢以较低的价格充电和以较高的价格放电以获得额外收入，因此充电负荷主要集中在夜间，放电负荷则集中在高负荷时段。场景2具有最低的运行成本，但电动汽车的总充电负荷在15:00-19:00期间达到峰值，放电负荷则在6:00-9:00期间集中。在实践中，很难在通勤时间段内安排电动汽车的充放电。相反，在场景3和场景4中，用户不会在高负荷时段以高价格充电，因为充电价格曲线相同。由于更高的放电价格，电动汽车用户更喜欢场景4中的放电，因此场景4的目标值要小得多。场景4的价格档案更有效和实用，因此本文中后续的模拟都基于场景4的价格档案。

        与场景2相比，由于价格波动的影响，场景3中充电负荷（15:00-19:00）要小得多。因此，在场景2中，为了向电动汽车提供更多电力，第3台机组在线时间为7:00至22:00，在场景3中，第3台机组在14:00至18:00期间离线。相反，在场景3中，第4台机组全天在线以满足充电负荷，该充电负荷已转移到夜间。尽管充放电价格存在差异，但场景3和场景4中的UC解决方案是相同的。

        在场景1、场景4、场景5和场景6中，比较了不同电动汽车渗透率对UC的影响。如表1所示，由于需要为电动汽车提供更多电力，电力系统运行成本随着电动汽车渗透率的增加而增加。总机组输出曲线变得更平滑，这意味着通过更多的价格转移电动汽车负荷来补偿谷值和峰值之间的差距。

        其他19个场景的结果与场景1类似，因此本文不考虑它们。

 

 

 

3完整代码获取

        完整代码可以从下面的链接获取：

GitHub - WHUzxp/Reprinted_Applied_Energy: 复刻论文Applied Energy的论文A bi-layer optimization based temporal and spatial scheduling for large-scale electric vehicles，包含考虑电动汽车有序充放电的机组组合和最优潮流