考虑出行链重构下电动汽车在多态场景中的电力调度方法

1.本发明涉及电动汽车的电力调度技术领域，特别是指一种考虑出行链重构下电动汽车在多态场景中的电力调度方法。


背景技术：

2.近年来，我国电动汽车(electrical vehicle，ev)保有量迅速上升，电动汽车集群作为分布式储能资源，具有很强的削峰填谷潜力。但是，电动汽车用户充电选择上的主观性导致了电动汽车的负荷分布在时间和空间上具有较大的突变性，并对原有的充放电调度计划造成破坏。因此，如何充分考虑用户主观性进行ev的充放电调度，已经成为了亟待解决的问题。
3.目前针对电动汽车出行行为的分析主要集中在确定的行驶路径、出行时间以及停驻时间。文献[肖俊明，冯超，朱永胜，等.非齐次半马尔科夫充放电策略辅助用户随机出行的多目标动态电力调度[j].电网技术，2021，45(09)：3571-3582.doi:10.13335/j.1000-3673.pst.2020.1832.]通过马尔科夫蒙特卡洛模拟常态下ev的时空分布，得到ev参与能量互动的稳定时长，并以不同调度目标对ev进行能量管理。文献[郝丽丽，王国栋，王辉，等.考虑电动汽车入网辅助服务的配电网日前调度策略[j].电力系统自动化，2020，44(14)：35-43.]建立了电动汽车出行修正模型，对ev出行过程中目的地的变化进行修正。文献[tang d，wang p.probabilistic modeling of nodal charging demand based on spatial-temporal dynamics of moving electric vehicles[j].ieee transactions on smart grid，2015，7(2)：627-636.]提出随机停靠模型，模拟ev出行过程中的自主停靠行为，增加了ev充电时段的不确定性。文献[tan b，chen h，zheng x，et al.two-stage robust optimization dispatch for multiple microgrids with electric vehicle loads based on a novel data-driven uncertainty set[j].international journal of electrical power&energy systems，2022，134：107359.]对某时段不符合预期的ev进入或离开负荷聚合商(electric vehicle aggregator，eva)所造成的异常功率波动，采用鲁棒优化方法确保每辆ev充电安全。文献[tahmasebi m，ghadiri a，haghifam m r，et al.mpc-based approach for online coordination of evs considering ev usage uncertainty[j].international journal of electrical power&energy systems，2021，130：106931.]建立了电动汽车在不同使用场景下的自适应充放电策略，以降低电网成本。文献[wang z，jochem p，fichtner w.a scenario-based stochastic optimization model for charging scheduling of electric vehicles under uncertainties of vehicle availability and charging demand[j].journal of cleaner production，2020，254:119886.]对每个充电时段进行两阶段分析，预测未来时段内不确定的充电需求，分析长时间尺度下多场景中所提算法的适用性。文献[李东东，张凯，姚寅，等.基于信息间隙决策理论的电动汽车聚合商日前需求响应调度策略[j].电力系统保护与控制，2022，50(24)：101-111.]通过信息间隙决策理论讨论了ev接入eva前时间的不确定性。文献[王颖,和敬涵,许寅,等.考虑疏散需求的城市电力-交通系统协同应急恢复方法[j].电力系统自
动化,2023,47(3):68-76.]讨论了在极端条件下ev参与重要负荷供电和能源消纳过程，充分挖掘紧急情况下电动汽车对区域电网的电能的支撑和平抑作用，但未充分考虑ev在上述两种情况下的实际出行需求和参与调度时段的不确定性。
[0004]
综上所述，目前研究中均将ev视作具有确定时长且不可中断能量互动单元，重点分析了ev在常态环境中参与能量交互前的不确定性。对比发现在多态场景下ev参与调度计划过程中加入不确定因素使得充放电计划被迫调整甚至中断的研究工作较少。


技术实现要素：

[0005]
针对多态场景中电动汽车协同储能站在出行链重构事件中的电力调度问题，本发明提出了一种考虑出行链重构下电动汽车在多态场景中的电力调度方法，首先提出用户充电意愿底线模型，模拟实际行驶过程中用户自身充电意愿对充电计划的影响；然后将影响调度计划的突发事件分为四类，提出出行链重构模型模拟ev用户受不同事件影响造成的出行链改变；其次考虑多态场景，提出储能站协同ev能量管理策略；最后综合以上模型，考虑气温和电价等因素，以用户经济性和电力系统安全性为目标，以出行链重构为重点，对ev进行充放电调度，构建日前-实时两阶段调度模型，实现用户的经济性和电力系统多态场景下的安全性最优。
[0006]
本发明的技术方案是这样实现的：
[0007]
一种考虑出行链重构下电动汽车在多态场景中的电力调度方法，其步骤如下：
[0008]
步骤一：提出用户充电意愿底线模型，模拟实际行驶过程中用户自身充电意愿对调度计划的影响；
[0009]
步骤二：将影响调度计划的突发事件分为四类，提出出行链重构模型模拟ev用户受不同突发事件影响造成的出行链改变；
[0010]
步骤三：考虑多态场景，提出储能站协同ev能量管理模型；
[0011]
步骤四：综合所述用户充电意愿底线模型、出行链重构模型和ev能量管理模型，考虑气温和电价因素，以用户经济性和电力系统安全性为目标，以出行链重构为重点，对ev进行充放电调度，构建日前-实时两阶段调度模型，并通过gurobi求解器对日前-实时两阶段调度模型进行求解，实现用户的经济性和电力系统多态场景下的安全性最优。
[0012]
所述用户充电意愿底线模型为：
[0013][0014]
式中，式中，为第n辆ev用户所在当前位置节点ls距本段路程终点ld的距离，k
i,n
为第n辆ev用户第i次出行过程中的总路径距离，为第n辆ev用户原充电意愿底线，为第n辆ev用户调整之后的充电意愿底线。
[0015]
所述出行链重构模型是针对ev在行驶状态和停驻状态提出的；
[0016]
ev行驶过程中，发生出行链重构事件需要对ev这次出行的目的地和路径进行调整：
[0017]
un＝un+1；
[0018][0019]
l
d,i
＝lm；
[0020][0021][0022]
式中：un表示第n辆ev的总出行次数，表示出行链重构前第i次出行到最后un次出行的所有节点，表示出行链重构后第i+1次出行到最后un次出行的所有节点，l
d,i
表示第i次出行过程中的原出行链目的地节点，lm为中间位置节点，t
in
表示ev入网的时段，e
t
表示事件发生的时间，为从ls到ld消耗的时间，为平均速度，δ为交通拥堵系数，表示当前位置节点ls到终点位置ld的距离；
[0023]
停驻状态下的ev出行链重构事件包括四类：紧急且必要事件、紧急不必要事件、必要不紧急事件、不必要不紧急事件；
[0024]
紧急且必要事件发生时，ev的状态为：
[0025]
un＝un+1；
[0026][0027][0028][0029]
t
cm
＝min{t
u,n,1
,t
u,n,2
,t
u,n,3
}；
[0030][0031][0032][0033][0034]
[0035]
式中：表示完成一次出行所需的最低电量，t
cm
表示三种充电方案中到达m的最早时间，t
u,n,1
、t
u,n,2
和t
u,n,3
分别表示三种充电方案中到达m的时间；p是第n辆ev的充放电功率，上标c和d分别为充电和放电标识，s和f分别为慢充和快充标识，上标max为最大功率标识；表示第n辆在e
t
时段的ev电池电量状态，t
out
和t
in
分别表示离网时段和入网时段；t
out,1
表示第一次离网时段，t
out,2
表示第二次离网时段，e
t
表示出行链重构事件发生的实际时刻，表示向下取整，表示向上取整，t
in,2
表示第二次入网时段，表示ls到最近快充站lf消耗的时间，表示ls到重构后中间节点lm消耗的时间，表示快充站lf到重构后中间节点lm消耗的时间，δt
p
表示在中间节点lm停驻的时间，表示方案三中第二次离网后ev的电量，表示第n辆ev以最大功率慢充，表示第n辆ev以最大功率快充，t
un1
表示方案一到达lm的时间，t
un2
表示方案二到达lm的时间，t
un3
表示方案三到达lm的时间，表示完成一次出行链重构事件的电量消耗，表示从当前位置ls到快充站lf消耗的电量，表示从当前位置ls到重构后中间节点lm消耗的电量，表示从重构后中间节点到原出行链的目的地ld消耗的电量，表示从快充站到重构后中间节点lm消耗的电量，s
n,t
表示第n辆ev在t事件的电量；
[0036]
三种方充电方案分别为：1)ev在当前所在地ls以最大慢充功率充电至能够满足和的最小电量，出发至事件发生位置lm，最后到达原定出行链目的地ld；2)ev在当前所在地ls寻找距离最近的快充站节点lf，进行快充达到满足和的最小电量，再出发至事件发生位置lm，最后到达原定出行链目的地ld；3)用户的电量能够满足到达事件要求的目的地lm，并且在该目的地以最大慢充功率充电时，预计能够满足到达原定出行链目的地ld；
[0037]
紧急不必要事件发生时，ev的状态为：
[0038]
un＝un+1；
[0039][0040][0041][0042][0043][0044]scon,i～u
＝s'
con,i～u e
u,un,h
＝1；
[0045]
式中：e
u,un,h
为判断是否进行出行的变量，e
u,un,h
为0时不出行，e
u,un,h
为1时出行；为紧急不必要事件的持续时间，表示ev在e
t
到第96个时段优化前的功率，
表示ev在e
t
到第96个时段优化后的功率，s
con,i～u
表示ev在e
t
到第96个时段优化前每次出行的路程约束，s'
con,i～u
表示ev在e
t
到第96个时段优化后每次出行的路程约束；表示用户的充电意愿底线；
[0046]
必要不紧急事件发生时，ev的状态为：
[0047]
un＝un+1；
[0048][0049][0050]scon,i～u
＝s'
con,i～u
；
[0051]
其中，表示从重构事件发生的节点位置lm到家lh的起始时段；
[0052]
不必要不紧急事件发生时，ev的状态为：
[0053]
un＝un+1；
[0054][0055][0056]scon,i～u
＝s'
con,i～u
；
[0057]
其中，表示从当家lh到重构后的节点lm的起始时段。
[0058]
所述储能站协同ev能量管理模型包括常态下能量模型和极端状态下能量模型；
[0059]
常态下能量模型包括：
[0060]
储能站机组，储能在区间0％至20％：
[0061][0062]
储能在区间20％至80％：
[0063][0064]
储能在区间80％至100％：
[0065][0066]
火电机组用于补足风力和储能站发电不满足的负荷需求：
[0067][0068]
其中，p
s,t
为t时段内储能站机组出力，p
w,t
表示t时段内风力机组出力，p
o,t
表示时段t内调度优化结果，p
f,t
为t时段内火电机组出力，s
s,t
为t时段内储能站的电量，为储能站容量上限；
[0069]
极端状态下能量模型包括：
[0070]
供电状态：
[0071]
[0072][0073]
式中：为t时段可调度放电功率总量，为在ls节点ev能够参与的最大充电功率；表示第n辆ev在t时段以最大功率充电，表示第n辆ev在t时段中的充电标识，其值为1时，ev进行充电，为0时，ev不充电，表示第n辆ev在t时段中的放电标识，其值为1时，ev进行放电，为0时，ev不放电，d表示ev是否参与调度，d为1时参与调度，d为0时不参与调度；
[0074]
消纳状态：
[0075][0076][0077]
式中：为t时段可调度充电功率总量，为在ls节点ev能够参与的最大充电功率。
[0078]
所述日前-实时两阶段调度模型包括日前阶段目标函数、实时阶段的目标函数和约束条件；
[0079]
日前阶段目标函数为：
[0080][0081][0082][0083][0084]
式中：表示日前阶段日负荷均方差，表示日前阶段用户充放电总成本，pb表示基础负荷，表示第n辆ev在t时段的实际的充电功率，表示第n辆ev在t时段的实际的放电功率，p
av
为日平均负荷，为第n辆ev在时段t的总充电成本，为第n辆ev在时段t的总放电收益，为t时段的充电电价，为t时段的放电收益，δtc表示充电时长，δtd表示放电时长；
[0085]
实时阶段的目标函数为：
[0086][0087][0088]
其中，表示实时阶段日负荷均方差，表示实时阶段用户充放电总成本；
[0089]
约束条件包括电动汽车功率约束条件、电池电荷状态约束条件、电动汽车行程约束条件、电动汽车充放电状态约束条件；
[0090]
电动汽车功率约束条件为：
[0091][0092][0093][0094][0095][0096][0097][0098]
其中，表示第n辆ev在t时段中的充电标识，其值为1时，ev进行充电，为0时，ev不充电，表示第n辆ev在t时段中最大的充电功率，表示第n辆ev在t时段中最小的充电功率，表示第n辆ev在t时段中以最大的慢充功率充电，表示第n辆ev在t时段中以最大的快充功率充电，表示第n辆ev在t时段中的放电标识，其值为1时，ev进行放电，为0时，ev不放电，表示第n辆ev在t时段中以最大功率放电，表示第n辆ev在t时段中以最小功率放电，表示第n辆ev在t时段中以充电节点最大的功率慢速放电，表示第n辆ev在t时段中以充电节点最大的功率快速放电；
[0099]
电池电荷状态约束条件为：
[0100][0101][0102]
式中：为第n辆ev的最大电池容量，δt
n,t
为第n辆ev在t时段的充放电时长；表示第n辆ev在t+1时段中的充电功率，表示第n辆ev在t+1时段中的放电功率，s
n,t
表示第n辆ev在t时段中的ev的电量，表示第n辆ev的充电意愿底线；
[0103]
电动汽车行程约束条件为：
[0104][0105][0106]
式中：为第n辆ev下一次行程的最低电量，表示第n辆ev在t
in,n
的入网时段中的电量，表示第n辆ev在t时段的充电功率，表示第n辆ev在t时段的放电功率，
表示第n辆ev在t
in
的入网时段的充电时长，表示第n辆ev在t
in
的入网时段的放电时长，t
in,n
表示第n辆ev的入网时段，t
out.n
表示第n辆ev的离网时段，表示第n辆ev在t+1时段中的充电功率，t
′
in,n
为下一段充电开始时段；
[0107]
电动汽车充放电状态约束条件为：
[0108]
0《t
in,n,i
≤t
out,n,i+1
；
[0109]
0《t
out,n,i+1
≤t
in,n,i+2
；
[0110]
t
out,n,t
＝t
′
out,n,t e
h,n
＝1；
[0111]
式中：t
in,n,i
表示第n辆ev在i次出行的入网时段，t
in,n,i+2
表示第n辆ev在i+2次出行的入网时段，t
out,n,i+1
表示第n辆ev在i+1次出行的离网时段，e
h,n
表示第n辆ev发生出行链重构事件标识符，e
h,n
为1时，第n辆ev在一天内发生出行链重构事件，为0时，ev在一天内不发生出行链重构事件，t
′
out,n,t
为出行链事件影响下实际离网时间。
[0112]
与现有技术相比，本发明产生的有益效果为：
[0113]
1)基于路网和配电网耦合的场景，提出了出行链重构模型，对不同事件提供常态下不同的充放电调度计划，以及极端条件下的电动汽车协同储能站调度策略。
[0114]
2)通过仿真实验结果表明，用户的出行链重构行为在常态下受用户的参与度，通过电动汽车的充放电行为，改变每个时段的负荷需求总量，进而产生不同的作用，同时在需求侧的影响也会波及供电侧可再生能源使用率，影响到碳排放总量。极端条件下电动汽车的出行链重构行为亦会通过用户实际的使用需求改变各时段的能源供给和负荷消纳量。
[0115]
3)本发明提出的调度策略能够有效缓解常态中出行链重构事件对既定调度计划的破坏，进而最大限度地平抑负荷波动，以及增加储能站和电动汽车在极端条件下能源供给和负荷消纳量。
附图说明
[0116]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0117]
图1为本发明的ev出行链时空分布模型结构图。
[0118]
图2为本发明提出的道路拓扑图。
[0119]
图3本发明的出行链重构事件示意图。
[0120]
图4为本发明提出的区域多态能源系统框架图。
[0121]
图5为本发明提出的出行链重构场景下电动汽车多目标动态电力调度框架图。
[0122]
图6为本发明所提模型的求解流程图。
[0123]
图7为本发明在不同场景的总负荷和ev出力结果。
[0124]
图8为本发明的双阶段ev各时段出力；(a)日前阶段50辆ev各时段功率；(b)实时阶段50辆ev各时段功率。
[0125]
图9为出行链重构前后ev出力及负荷需求对比结果。
[0126]
图10为各场景对不同事件的敏感度系数。
[0127]
图11为不同事件对既定调度计划的影响。
[0128]
图12为不同调度策略下的负荷需求。
[0129]
图13为不同车辆规模的负荷需求。
[0130]
图14为不同参与度下调度分析。
[0131]
图15为各时段中备用能源的最长供电时长。
[0132]
图16为各时段最大消纳负荷量。
[0133]
图17为不同风电规模储能站出力；(a)不参与调度，(b)参与调度。
具体实施方式
[0134]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0135]
本发明实施例提供了一种考虑出行链重构下电动汽车在多态场景中的电力调度方法，首先提出用户充电意愿底线模型，模拟实际行驶过程中用户自身充电意愿对调度计划的影响；然后将影响调度计划的突发事件分为四类，提出出行链重构模型模拟ev用户受不同突发事件影响造成的出行链改变；其次考虑多态场景，提出储能站协同ev能量管理模型；最后综合所述用户充电意愿底线模型、出行链重构模型和ev能量管理模型，考虑气温和电价因素，以用户经济性和电力系统安全性为目标，以出行链重构为重点，对ev进行充放电调度，构建日前-实时两阶段调度模型，并通过gurobi求解器对日前-实时两阶段调度模型进行求解，实现用户的经济性和电力系统多态场景下的安全性最优。
[0136]
ev出行行为模型：考虑到用户充电需求差异，本实施例将ev分为三类：(1)刚性ev：不参与一切调度策略，当电量不符合预期时，选择最便利的充电策略，这类ev具有确定的充电时段。(2)慢充ev：通过对这类用户的充放电调度能够提高电力系统运行的稳定性，假设这类ev在停驻时会与充电桩相连。(3)快充ev：对这类ev进行充放电调度时，需要首先满足用户之后出行链的行程需求。
[0137]
任意一辆ev的状态可以用一维向量表示：
[0138]
ω＝[d g c
n,t s
n,t t
in t
out
[0139][0140]
i＝1,2,3,
…
,u
[0141]
式中：d表示电动汽车是否参与调度，数字0、1分别表示不参与调度和参与调度。g表示ev充放电类型，数字-1、1、2、3分别表示维持原有的充放电计划、参与调度、以最大慢充功率充电和以最大快充功率充电。c
n,t
表示第n辆ev在t时段的充放电标识，处于放电状态时为1，为0，处于充电状态为1，为0，其余状态和均为0。s
n,t
表示t时段ev的电量。t
in
和t
out
分别表示ev入网的时段和离网的时段。eh为二进制数，1和0分别表示出行链重构事件的发生与否。ec表示出行链重构事件类型，数字1、2、3、4分别表示紧急且必要事件、紧急不必要事件、必要不紧急事件以及不必要不紧急事件。e
t
表示出行链重构事件发生的实际时刻。表示用户充电底线电量。l表示路段节点,ls、lm、ld和lf分别指代当前所在节点、中间节点、原出行链目的地节点和距离最近的快充站节点。i和u分别表示第几次出行和总的出行次数。本实施例中所有下标涉及n和t的系数均表示为第n辆ev在t时段的系数值。
[0142]
考虑ev负荷与路网之间的时空耦合性，确定ev负荷时空分布模型，如图1所示。文献[rolink j，rehtanz c.large-scale modeling of grid-connected electric vehicles[j].ieee transactions on power delivery，2013，28(2)：894-902.]的出行链理论以及nhts2017数据对用户不同停驻地点和行驶概率进行建模，确定ev的状态变化和停驻时长。
[0143]
ev在不同区域停驻时长具有不同形式的分布函数，本实施例将城市区域划分为三大类居民区(h)、工作区(w)和商业区域(o)，停驻时长δt
p
如下式所示，具体公式参数详见表1。
[0144][0145]
表1ev特征量
[0146][0147]
根据实际路网拓扑结构图，如图2、表2和表3，参见表4中的气温数据，通过下式描述气温对电池的影响，具体参数详见表1。
[0148][0149]
式中，h为第t时段的气温，q和qo分别为第n辆ev在t时段的实际电池容量和电池原本容量。通过改进dijkstra算法以最短用时规划行驶路径。
[0150]
表2道路节点长度参数
[0151][0152][0153]
表3道路拥堵系数
[0154]
[0155]
表4气温数据
[0156][0157]
ev电量下降到超过用户充电意愿底线时，用户受里程焦虑的影响，会衡量能否到达目的地。当用户判断能够抵达目的地进行充电时，用户会下调充电意愿底线，并继续行驶。当用户判断不能够到达目的地时，用户选择距当前位置节点最近的快充站进行充电。
[0158][0159]
式中，式中，为第n辆ev用户所在当前位置节点ls距本段路程终点ld的距离，k
i,n
为第n辆ev用户第i次出行过程中的总路径距离，为第n辆ev用户原充电意愿底线，为第n辆ev用户调整之后的充电意愿底线。
[0160]
考虑ev在充放电过程中具有随时中断的可能性，因此提出了针对ev在行驶状态和停驻状态的出行链重构模型，模拟ev在不同两种状态、四种事件下ev不符合预期充放电计划的行驶过程，示意图如图3。
[0161]
ev行驶过程中，发生出行链重构事件需要对ev这次出行的目的地和路径进行调整：
[0162]
un＝un+1；
[0163][0164]
l
d,i
＝lm；
[0165][0166][0167]
式中：un表示第n辆ev的总出行次数，表示出行链重构前第i次出行到最后un次出行的所有节点，表示出行链重构后第i+1次出行到最后un次出行的所有节点，l
d,i
表示第i次出行过程中的原出行链目的地节点，lm为中间位置节点，t
in
表示ev入网的时段，e
t
表示事件发生的时间，为从ls到ld消耗的时间，为平均速度，δ为交通拥堵系数，表示当前位置节点ls到终点位置ld的距离。
[0168]
停驻状态下的ev出行链重构事件包括四类：(1)紧急且必要事件，这类事件往往时效性较短，但重要性较大，需要用户即刻处理。(2)紧急不必要事件，这类事件时效性较短，重要性较低，用户需要进行抉择后确定是否进行处理。(3)必要不紧急事件，这类事件时效性较长，对用户来讲重要性较高，本实施例设定用户在归家前去往目的地。(4)不必要不紧急事件，这类事件时效性较长，重要性很低，本实施例设定用户回家之后再处理。
[0169]
(1)紧急且必要事件
[0170]
相比较其他三类事件，这类事件对用户的重要性极高，需要用户迅速动身前往目的地，例如，紧急抢险、紧急维修、紧急会议等。这类事件要求ev的电量满足接下来的行程或能够到达距离目的地最近的充电站。本实施例设计了三种方充电方案，力求在这种事件发生的情况下，将ev用户在最短时间内送至目的地，本实施例将这类事件命名为事件1。
[0171]
1)ev在当前所在地ls以最大慢充功率充电至能够满足和的最小电量，出发至事件发生位置lm，最后到达原定出行链目的地ld。
[0172]
2)ev在当前所在地ls寻找距离最近的快充站节点lf，进行快充达到满足和的最小电量，再出发至事件发生位置lm，最后到达原定出行链目的地ld。
[0173]
3)用户的电量能够满足到达事件要求的目的地lm，并且在该目的地以最大慢充功率充电时，预计能够满足到达原定出行链目的地ld。
[0174]
在这类事件中，用户需要的是能够在最短时间内到达目的地，设定该类事件发生后用户是完全理性的，从而忽略充电意愿底线。当这类事件发生时，ev的状态为：
[0175]
un＝un+1；
[0176][0177][0178][0179]
t
cm
＝min{t
u,n,1
,t
u,n,2
,t
u,n,3
}；
[0180][0181][0182][0183][0184]
[0185]
式中：表示完成一次出行所需的最低电量，t
cm
表示三种充电方案中到达m的最早时间，t
u,n,1
、t
u,n,2
和t
u,n,3
分别表示三种充电方案中到达m的时间；p是第n辆ev的充放电功率，上标c和d分别为充电和放电标识，s和f分别为慢充和快充标识，上标max为最大功率标识；表示第n辆在e
t
时段的ev电池电量状态，t
out
和t
in
分别表示离网时段和入网时段；t
out,1
表示第一次离网时段，t
out,2
表示第二次离网时段，e
t
表示出行链重构事件发生的实际时刻，表示向下取整，表示向上取整，t
in,2
表示第二次入网时段，表示ls到最近快充站lf消耗的时间，表示ls到重构后中间节点lm消耗的时间，表示快充站lf到重构后中间节点lm消耗的时间，δt
p
表示在中间节点lm停驻的时间，表示方案三中第二次离网后ev的电量，表示第n辆ev以最大功率慢充，表示第n辆ev以最大功率快充，t
un1
表示方案一到达lm的时间，t
un2
表示方案二到达lm的时间，t
un3
表示方案三到达lm的时间，表示完成一次出行链重构事件的电量消耗，表示从当前位置ls到快充站lf消耗的电量，表示从当前位置ls到重构后中间节点lm消耗的电量，表示从重构后中间节点到原出行链的目的地ld消耗的电量，表示从快充站到重构后中间节点lm消耗的电量，s
n,t
表示第n辆ev在t事件的电量。
[0186]
(2)紧急不必要事件
[0187]
这类事件对用户的影响通常较小，例如，用户偶然得知某超市在某时段内打折等，用户综合考虑成本和收益后决定是否出行。设定这类事件发生后，需要判断用户在该停驻时段结束后到达该位置时该事件是否仍然存在，如果仍然存在则在该停驻时段结束后立即出行，如果经过功率调整后出发可以抵达则立即出发，并对充放电计划进行调整，都不满足则仍然按照原定计划进行出行过程，将这类事件命名为事件2：
[0188]
un＝un+1；
[0189][0190][0191][0192][0193][0194]scon,i～u
＝s'
con,i～u e
u,un,h
＝1；
[0195]
式中：e
u,un,h
为判断是否进行出行的变量，e
u,un,h
为0时不出行，e
u,un,h
为1时出行；t
eu,un
为紧急不必要事件的持续时间，表示ev在e
t
到第96个时段优化前的功率，表示ev在e
t
到第96个时段优化后的功率，s
con,i～u
表示ev在e
t
到第96个时段优化前每次出行的路程约束，s'
con,i～u
表示ev在e
t
到第96个时段优化后每次出行的路程约束；表示用户
的充电意愿底线。
[0196]
(3)必要不紧急事件和不必要不紧急事件
[0197]
必要不紧急事件对用户重要性较大，但是实施时间可以自由确定，例如，约会、团建和健身等，用户在这类事件发生时会先完成至回家之前的所有行程后再执行。因此，对这e
t
之后所有时段的充放电调度计划进行调整：
[0198]
un＝un+1；
[0199][0200][0201]scon,i～u
＝s'
con,i～u
；
[0202]
其中，从重构事件发生的节点位置lm到家lh的起始时段。
[0203]
不紧急不必要事件对用户的生活和工作影响很小，例如，补充日用品，逛街等，用户会在回家之后的再决定是否出门。设定当这类事件发生后，用户需要在归家之后再次出行：
[0204]
un＝un+1；
[0205][0206][0207]scon,i～u
＝s'
con,i～u
；
[0208]
其中，表示从家lh到重构后的节点lm的起始时段。
[0209]
当必要不紧急事件和不紧急不必要事件发生时，ev服从优化调度。在优化调度过程中ev除了一般约束条件外，不存在某时段内强制性充放电功率限制，并且当这两种事件通常距当前时刻较远，经过优化后对电力系统影响较小，因此本实施例将这两种事件统称为事件3，并一同分析。
[0210]
本实施例采用火电机组、风电机组、储能站、ev分布式能源共同组成能源系统，其中火电机组、风电机组作为常规供电单元。常态下通过对ev的充放电调度实现削峰填谷，储能站作为储能设备协同ev参与能量互动；极端条件下，储能站和ev应当承担起供电或消纳任务：
[0211]
1)紧急断电极端条件下的后备能源。当常规供电单元因不可抗力而无法正常供电时，储能站作为应急供电单元与ev的可调度分布式能源储备向一级负荷和二级负荷供电。
[0212]
2)大量可再生能源供电的极端条件下的应急消纳单元。由于风电等新能源机组发电量的不确定性，储能电站和ev作为容量可观的负荷消纳端，能够消耗多余的电量。
[0213]
为此，设置储能站上限临界值为80％，剩余容量作为消纳负荷容量，设置储能站下限临界值为20％作为备用能源。常态下，当储能站在t时段的存储的电量高于80％时，在t+1时段需要由储能站作为放电主体，风电机组出力由电转气设备消纳。当储能站在t时段的存储的电量低于80％时。在t+1时段由风电机组作为放电主体，多余电力优先流向电转气设备，其余电力由储能站储存。当储能站在t时段的存储的电量低于20％时，在t+1时段需要由
风电机组将多余电力优先向储能站输送。能源系统框架图如图4所示。
[0214]
常态下：
[0215]
1)储能站机组，储能在区间0％至20％：
[0216][0217]
储能在区间20％至80％：
[0218][0219]
储能在区间80％至100％：
[0220][0221]
2)火电机组用于补足风力和储能站发电不满足的负荷需求：
[0222][0223]
其中，p
s,t
为t时段内风电机组出力，p
w,t
表示t时段内风力机组出力，p
o,t
表示时段t内日前调度优化结果，s
s,t
为t时段内储能站的电量，为储能站容量上限。
[0224]
极端状态下：
[0225]
1)供电状态：
[0226][0227][0228]
式中：为t时段可调度放电功率总量，为在ls节点ev能够参与的最大充电功率；表示第n辆ev在t时段以最大功率充电，表示第n辆ev在t时段中的充电标识，其值为1时，ev进行充电，为0时，ev不充电，表示第n辆ev在t时段中的放电标识，其值为1时，ev进行放电，为0时，ev不放电，d表示ev是否参与调度，d为1时参与调度，d为0时不参与调度；本实施例假设在极端条件的供电状态下，ev只保证一天最低的行程容量，忽略用户的充电意愿底线，且ev不进行充电行为。
[0229]
2)消纳状态：
[0230][0231][0232]
式中：为t时段可调度充电功率总量，为在ls节点ev能够参与的最大充电功率。本实施例假设在极端状态的消纳状态下，ev在接入电网之后参与负荷消纳。
[0233]
日前-实时ev调度模型：本实施例中区域电网由火力机组进行发电。基于图5所示的调度框架，针对电网和ev进行多目标协同优化调度。综合考虑ev里程需求、用户经济和电
网安全等因素，以充分发挥ev充放电潜力为导向，为电力系统提供削峰填谷能力，增强电力系统安全性。
[0234]
日前调度阶段完成在没有出行链重构事件作用下，以电网波动最小和用户总成本最低为目标进行ev充放电调度，构建日前阶段目标函数：
[0235][0236][0237][0238][0239]
式中：表示日前阶段日负荷均方差，表示日前阶段用户充放电总成本，pb表示基础负荷，表示第n辆ev在t时段的实际的充电功率，表示第n辆ev在t时段的实际的放电功率，p
av
为日平均负荷，为第n辆ev在时段t的总充电成本，为第n辆ev在时段t的总放电收益，为t时段的充电电价，为t时段的放电收益，δtc表示充电时长，δtd表示放电时长。
[0240]
实时阶段考虑出行链重构事件和充放电功率影响的无前溯性，在调度过程中，只对e
t
及之后的时间尺度进行充放电调度优化，因此实时阶段的目标函数为：
[0241][0242][0243]
其中，表示实时阶段日负荷均方差，表示实时阶段用户充放电总成本。
[0244]
约束条件包括：
[0245]
1)电动汽车功率约束：电动汽车的充电功率和放电功率应当处在各时段允许的上下限之间，同时ev的充放电行为不能同时发生：
[0246][0247][0248][0249][0250][0251][0252]
[0253]
其中，表示第n辆ev在t时段中的充电标识，其值为1时，ev进行充电，为0时，ev不充电，表示第n辆ev在t时段中最大的充电功率，表示第n辆ev在t时段中最小的充电功率，表示第n辆ev在t时段中以最大的慢充功率充电，表示第n辆ev在t时段中以最大的快充功率充电，表示第n辆ev在t时段中的放电标识，其值为1时，ev进行放电，为0时，ev不放电，表示第n辆ev在t时段中以最大功率放电，表示第n辆ev在t时段中以最小功率放电，表示第n辆ev在t时段中以充电节点最大的功率慢速放电，表示第n辆ev在t时段中以充电节点最大的功率快速放电；ev的p
c,max
和p
d,max
应当根据d、g以及发生出行链重构类型所导致的变化之后的调度方案共同确定。
[0254]
2)电池电荷状态约束：ev电量受电池容量约束，因此经过δt时段之后，ev电池的电荷状态约束为：
[0255][0256][0257]
式中：为第n辆ev的最大电池容量，δt
n,t
为第n辆ev在t时段的充放电时长；表示第n辆ev在t+1时段中的充电功率，表示第n辆ev在t+1时段中的放电功率，s
n,t
表示第n辆ev在t时段中的ev的电量，表示第n辆ev的充电意愿底线。
[0258]
3)电动汽车行程约束：ev受到里程焦虑问题的影响，因此在出行链事件发生前后均需要对ev之后行程进行预测，保证参与调度的ev能够满足之后的行程，ev行程约束为：
[0259][0260][0261]
式中：为第n辆ev下一次行程的最低电量，出行链事件发生之后，该值需要进行立即调整。表示第n辆ev在t
in,n
的入网时段中的电量，表示第n辆ev在t时段的充电功率，表示第n辆ev在t时段的放电功率，表示第n辆ev在t
in
的入网时段的充电时长，表示第n辆ev在t
in
的入网时段的放电时长，t
in,n
表示第n辆ev的入网时段，t
out.n
表示第n辆ev的离网时段，表示第n辆ev在t+1时段中的充电功率，t
′
in,n
为下一段充电开始时段。上式描述了第n辆ev电量经过t
in,n
至t
out.n
时间段的充放电过程后，其电量应当满足行程约束或高于充电意愿底线。
[0262]
4)电动汽车充放电状态约束：电动汽车的运动状态和充放电状态不能同时发生，同时电动汽车的充放电时间段不能超出该辆电动汽车的入网时段，而且离网时段应符合出行链重构事件导致离网时间的改变：
[0263]
0《t
in,n,i
≤t
out,n,i+1
；
[0264]
0《t
out,n,i+1
≤t
in,n,i+2
；
[0265]
t
out,n,t
＝t
′
out,n,t e
h,n
＝1；
[0266]
式中：t
in,n,i
表示第n辆ev在i次出行的入网时段，t
in,n,i+2
表示第n辆ev在i+2次出行的入网时段，t
out,n,i+1
表示第n辆ev在i+1次出行的离网时段，e
h,n
表示第n辆ev发生出行链重构事件标识符，e
h,n
为1时，第n辆ev在一天内发生出行链重构事件，为0时，ev在一天内不发生出行链重构事件，t
′
out,n,t
为出行链事件影响下实际离网时间。
[0267]
对于本实施例提出的日前-实时两阶段调度模型，通过gurobi求解器进行求解。仿真环境的操作系统为win10 64bit，硬件环境为intel i7-11800h cpu 2.30ghz，32gb ram。具体求解流程如图6所示。
[0268]
仿真实例分析
[0269]
以我国某城市区域的典型日负荷曲线为例进行仿真分析。采用峰时段、谷时段和平时段电价数据，共有45条道路和26个节点，本实例以50辆ev为例在该区域进行研究。出行特征量以及电动汽车相关参数参见表1和表5。在算例仿真中，设置优化调度周期为24h，以15min为时段间隔划分96个时段，ev每次接受充放电调度周期为15min。分时电价数据如参见表6。探究出行链重构事件的调度计划的影响，本实例设定发生出行链重构概率为100％，事件1发生的概率为25％，事件2发生的概率为25％，事件3发生的概率为50％。
[0270]
表5电动汽车参数
[0271][0272]
表6分时电价
[0273][0274]
基于ev用户的自主性，结合电网的基础负荷，设计了五种调度场景，研究车辆不同行为下充放电决策对调度结果的影响，如表7。
[0275]
场景1：所有ev均不参与调度且不发生出行链重构事件。
[0276]
场景2：所有ev均参与调度但不发生出行链重构事件。
[0277]
场景3：所有ev均不参与调度但发生出行链重构事件。
[0278]
场景4：所有ev均参与调度且发生出行链重构事件。
[0279]
场景5：ev调度参与率为50％，且所有ev均发生出行链重构。
[0280]
表7不同场景的充放电成本和日内负荷均方差
[0281][0282]
图7详细描述了不同场景下，ev充放电对总负荷需求的影响。通过五个场景之间的对比可以看出当ev参与充放电调度时，日负荷均方差均会降低，总充放电成本也会减少，因此ev与电网稳定有效的互动有利于电网和用户双赢。
[0283]
场景1和场景3由于ev均不参与调度，因此24小时内的日负荷均方差均大于基础负荷需求。场景3的日负荷均方差比场景1的日负荷均方差小512，充放电总成本降低124.75元。这是因为当用户不参与调度时，直接影响日负荷均方差和充电成本的因素是ev接入电网的时间，因此出行链重构事件发生后，用户接入电网的时长减少，充放电总成本和日负荷均方差降低。
[0284]
场景2比场景1日负荷均方差分别低10 166.69，充放电总成本分别少477.42元，场景4比场景3的日负荷均方差降低了8 983，充放电总成本降低了214.05元，比场景2的日负荷均方差增加了671.69，充放电总成本增加了138.62元。该对比结果表明当用户参与调度时有利于电力系统的稳定和用户取得更低的成本，同时ev出行链重构事件会对既定调度计划产生破坏，增大电力系统的不稳定性。
[0285]
场景4出行链重构前后ev出力和负荷需求变化如图8和图9。场景3、场景5和场景4的日负荷均方差依次减少6 492.5、2 490.5，充放电总成本依次增加196.16元、17.29元。这说明ev积极电力调度有利于提升电力系统稳定性和安全性，减少用户成本。
[0286]
不同的事件类型对充放电计划的影响不同。事件1具有的紧急性和重要性，会造成当前时段ev立即离网或ev以最大功率充电。事件2会在e
t
时段发生最大功率充电，并影响之后的调度计划。事件3仅需调整e
t
之后时段的调度安排。本实例设计了敏感度系数公式，体现不同事件在场景3、场景4和场景5中对充放电调度的影响，如图10。
[0287][0288]
表8计算了各场景对不同事件的敏感度系数的平均值，部分数据详见表9。通过图10和表8对比可见用户参与度越低，三种事件影响越小。当ev不参与调度时，由于出行链重构会破坏之前的充电行为，由此产生了削峰现象，因此敏感度系数小于1。当用户参与调度超过50％，对日前调度计划的重构，导致敏感度系数大于1。图11比较了同一辆ev在三种事件下的功率变化，通过图11和表8对比可见事件1对调度计划的影响较大。这是因为事件1导致ev功率的立即变化，其余两种事件均对之后时段进行调整，通过长时段的优化减少事件事件造成的影响。
[0289]
表8各场景对不同事件的敏感度系数
[0290][0291]
表9部分敏感度系数
[0292][0293]
当调度ev的充放电调度策略侧重点不同时，ev的充放电调度策略也不尽相同，造成的影响也有差异。由图12和表10可见，不同的调度策略会导致不同的调度结果。
[0294]
将三种调度计划和原基础负荷相比较可以看出，无论采取何种调度策略，当用户参与充放电调度过程，日负荷均方差分别降低了8 879、8 576.2、3 846.7。因此ev参与充放电调度过程有利于电力系统的稳定性，区别在于日负荷均方差的大小和用户总成本的多
少。将其余三种调度计划对比，当电网系数以0.8、0.5和0.2依次下降时，用户充放电总成本逐渐降低22.2元和332.6元。当用户系数越低时，电网波动越小，用户的成本也逐渐增加，故不同的调度策略将会导致不同的调度结果。
[0295]
表10不同调度策略ev成本、收益和日负荷均方差
[0296][0297]
ev的充放电调度在一定程度上发挥了削峰填谷的作用，电动汽车的规模大小决定了单位时间内的调度潜力，因此不同规模的电动汽车集群在同一区域内会有不同的调度结果，具体结果如表11和图13所示。
[0298]
表11不同车辆规模的日负荷均方差
[0299][0300]
区域电网中ev不同的充放电调度计划参与度也会对电网系统的稳定性和充放电造成影响，本实例提出ev参与负荷总量概念λ
t
衡量ev与电网之间的能量互动，如下式：
[0301][0302]
由图14和表12的结果可见，随着ev参与度的不断上升，ev参与负荷需求调度总量也在上升，负荷需求曲线受优化调度影响日负荷均方差逐渐降低，电力系统安全性逐渐增强。
[0303]
当用户参与度为0％时，大量ev用户受出行计划的影响选择在平时段和峰时段进行充电，进而加剧了峰谷差。当用户参与度上升至50％时参与负荷总量大幅上升用以平抑峰谷差，并且由于仍存在不受调度的充电行为，因此平时段和峰时段ev负荷需求总量和负荷序曲线高于100％的用户参与度。当用户参与度达到100％时，ev作为分布式储能单元能够在基础负荷需求较低时加大电力需求，在基础负荷峰值向电力系统进行放电实现削峰填谷。
[0304]
表12不同用户参与度分析
[0305]
[0306]
在供电机组瘫痪的情况下，由于一级负荷和二级负荷的重要性，需要迅速且持久的向一级负荷和二级负荷供电，因此分析了在24小时内各个时段发生供电机组瘫痪的情况的三种场景下的供电时长，如图15和在以平均负荷下的供电时长，如表13，本实例仅讨论了储能站在储能下限值的供电时长。图15和表13对比可以看出在有ev参与出力的场景下，供电时长有所增加，相比较于仅储能站参与供电时其余两种场景的供电时长分别增加了895分钟和691.88分钟，并且由于ev出行链的重构事件减少了ev参与放电时长，因此ev在不发生重构事件的供电时长整体高于ev发生重构事件。图15中可以看出23时之后ev参与供电的场景远高于仅储能供电的场景，这是由于23时之后，大量ev返回居民区结束出行，增加了可观的可调度电量资源。这也印证了，在极端场景下，越多参与调度的ev长时间参与供电时会进一步增加供电时长。
[0307]
表13供电机组瘫痪时的平均供电时长
[0308][0309]
由于可再生能源具有突变性，本实例仅讨论了储能站在满足储能上限值的情况下与ev共同参与负荷消纳的情况，图16展示了各个时段可消纳负荷总量，表14说明了平均消纳负荷总量。对比结果可见，三种场景下，平均负荷消纳总量逐渐增加了106.53kw
·
h、13.38kw
·
h。这一结果说明ev作为分布式储能资源，能够增加需求侧的负荷消纳能力。图16描述了出行链重构事件导致可调度ev减少，造成了各个时段可消纳负荷总量的降低。
[0310]
表14平均负荷消纳量
[0311][0312]
本实例仅讨论常态下余电通过储能站存储或弃风方式消纳。由图17可见，随着风电规模的增加，火电机组的参与度迅速下降，削减了碳排放总量。
[0313]
结合图17和表15说明，大量的ev参与调度计划起到的削峰填谷和不参与调度时的峰上加峰现象会改变总负荷需求，进而影响火电机组的出力和碳排放总量，同时出行链重构事件对既定充放电计划的影响会由ev的调度参与度对火电机组出力产生不同的影响。
[0314]
为了解决多态场景中电动汽车协同储能站在出行链重构事件中的电力调度问题，本发明基于路网和配电网耦合的场景，提出了出行链重构模型，对不同事件提供常态下不同的充放电调度计划，以及极端条件下的电动汽车协同储能站调度策略。实验结果表明，用户的出行链重构行为在常态下受用户的参与度，通过电动汽车的充放电行为，改变每个时段的负荷需求总量，进而产生不同的作用，同时在需求侧的影响也会波及供电侧可再生能源使用率，影响到碳排放总量。极端条件下电动汽车的出行链重构行为亦会通过用户实际的使用需求改变各时段的能源供给和负荷消纳量。本发明提出的调度策略能够有效缓解常态中出行链重构事件对既定调度计划的破坏，进而最大限度地平抑负荷波动，以及增加储能站和电动汽车在极端条件下能源供给和负荷消纳量。
[0315]
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种考虑出行链重构下电动汽车在多态场景中的电力调度方法，其特征在于，其步骤如下：步骤一：提出用户充电意愿底线模型，模拟实际行驶过程中用户自身充电意愿对调度计划的影响；步骤二：将影响调度计划的突发事件分为四类，提出出行链重构模型模拟ev用户受不同突发事件影响造成的出行链改变；步骤三：考虑多态场景，提出储能站协同ev能量管理模型；步骤四：综合所述用户充电意愿底线模型、出行链重构模型和ev能量管理模型，考虑气温和电价因素，以用户经济性和电力系统安全性为目标，以出行链重构为重点，对ev进行充放电调度，构建日前-实时两阶段调度模型，并通过gurobi求解器对日前-实时两阶段调度模型进行求解，实现用户的经济性和电力系统多态场景下的安全性最优。2.根据权利要求1所述的考虑出行链重构下电动汽车在多态场景中的电力调度方法，其特征在于，所述用户充电意愿底线模型为：式中，为第n辆ev用户所在当前位置节点l
s
距本段路程终点l
d
的距离，k
i,n
为第n辆ev用户第i次出行过程中的总路径距离，为第n辆ev用户原充电意愿底线，为第n辆ev用户调整之后的充电意愿底线。3.根据权利要求1所述的考虑出行链重构下电动汽车在多态场景中的电力调度方法，其特征在于，所述出行链重构模型是针对ev在行驶状态和停驻状态提出的；ev行驶过程中，发生出行链重构事件需要对ev这次出行的目的地和路径进行调整：u
n
＝u
n
+1；l
d,i
＝l
m
；；式中：u
n
表示第n辆ev的总出行次数，表示出行链重构前第i次出行到最后u
n
次出行的所有节点，表示出行链重构后第i+1次出行到最后u
n
次出行的所有节点，l
d,i
表示第i次出行过程中的原出行链目的地节点，l
m
为中间位置节点，t
in
表示ev入网的时段，e
t
表示事件发生的时间，为从l
s
到l
d
消耗的时间，为平均速度，δ为交通拥堵系数，表示当前位置节点l
s
到终点位置l
d
的距离；停驻状态下的ev出行链重构事件包括四类：紧急且必要事件、紧急不必要事件、必要不紧急事件、不必要不紧急事件；紧急且必要事件发生时，ev的状态为：u
n
＝u
n
+1；
t
cm
＝min{t
u,n,1
,t
u,n,2
,t
u,n,3
}；}；}；}；}；式中：表示完成一次出行所需的最低电量，t
cm
表示三种充电方案中到达m的最早时间，t
u,n,1
、t
u,n,2
和t
u,n,3
分别表示三种充电方案中到达m的时间；p是第n辆ev的充放电功率，上标c和d分别为充电和放电标识，s和f分别为慢充和快充标识，上标max为最大功率标识；表示第n辆在e
t
时段的ev电池电量状态，t
out
和t
in
分别表示离网时段和入网时段；t
out,1
表示第一次离网时段，t
out,2
表示第二次离网时段，e
t
表示出行链重构事件发生的实际时刻，表示向下取整，表示向上取整，t
in,2
表示第二次入网时段，表示l
s
到最近快充站l
f
消耗的时间，表示l
s
到重构后中间节点l
m
消耗的时间，表示快充站l
f
到重构后中间节点l
m
消耗的时间，δt
p
表示在中间节点l
m
停驻的时间，表示方案三中第二次离网后ev的电量，表示第n辆ev以最大功率慢充，表示第n辆ev以最大功率快充，t
un1
表示方案一到达l
m
的时间，t
un2
表示方案二到达l
m
的时间，t
un3
表示方案三到达l
m
的时间，表示完成一次出行链重构事件的电量消耗，表示从当前位置l
s
到快充站l
f
消耗的电量，表示从当前位置l
s
到重构后中间节点l
m
消耗的电量，表示从重构后中间节点到原出行链的目的地l
d
消耗的电量，表示从快充站到重构后中间节点l
m
消耗
的电量，s
n,t
表示第n辆ev在t事件的电量；三种方充电方案分别为：1)ev在当前所在地l
s
以最大慢充功率充电至能够满足和的最小电量，出发至事件发生位置l
m
，最后到达原定出行链目的地l
d
；2)ev在当前所在地l
s
寻找距离最近的快充站节点l
f
，进行快充达到满足和的最小电量，再出发至事件发生位置l
m
，最后到达原定出行链目的地l
d
；3)用户的电量能够满足到达事件要求的目的地l
m
，并且在该目的地以最大慢充功率充电时，预计能够满足到达原定出行链目的地l
d
；紧急不必要事件发生时，ev的状态为：u
n
＝u
n
+1；+1；+1；+1；+1；s
con,i～u
＝s'
con,i～u e
u,un,h
＝1；式中：e
u,un,h
为判断是否进行出行的变量，e
u,un,h
为0时不出行，e
u,un,h
为1时出行；t
eu,un
为紧急不必要事件的持续时间，表示ev在e
t
到第96个时段优化前的功率，表示ev在e
t
到第96个时段优化后的功率，s
con,i～u
表示ev在e
t
到第96个时段优化前每次出行的路程约束，s'
con,i～u
表示ev在e
t
到第96个时段优化后每次出行的路程约束；表示用户的充电意愿底线；必要不紧急事件发生时，ev的状态为：u
n
＝u
n
+1；+1；s
con,i～u
＝s'
con,i～u
；其中，表示从重构事件发生的节点位置l
m
到家l
h
的起始时段；不必要不紧急事件发生时，ev的状态为：u
n
＝u
n
+1；+1；
s
con,i～u
＝s'
con,i～u
；其中，表示从当家l
h
到重构后的节点l
m
的起始时段。4.根据权利要求3所述的考虑出行链重构下电动汽车在多态场景中的电力调度方法，其特征在于，所述储能站协同ev能量管理模型包括常态下能量模型和极端状态下能量模型；常态下能量模型包括：储能站机组，储能在区间0％至20％：储能在区间20％至80％：储能在区间80％至100％：火电机组用于补足风力和储能站发电不满足的负荷需求：其中，p
s,t
为t时段内储能站机组出力，p
w,t
表示t时段内风力机组出力，p
o,t
表示时段t内调度优化结果，p
f,t
为t时段内火电机组出力，s
s,t
为t时段内储能站的电量，为储能站容量上限；极端状态下能量模型包括：供电状态：供电状态：式中：为t时段可调度放电功率总量，为在l
s
节点ev能够参与的最大充电功率；表示第n辆ev在t时段以最大功率充电，表示第n辆ev在t时段中的充电标识，其值为1时，ev进行充电，为0时，ev不充电，表示第n辆ev在t时段中的放电标识，其值为1时，ev进行放电，为0时，ev不放电，d表示ev是否参与调度，d为1时参与调度，d为0时不参与调度；消纳状态：消纳状态：式中：为t时段可调度充电功率总量，为在l
s
节点ev能够参与的最大充电功率。
5.根据权利要求4所述的考虑出行链重构下电动汽车在多态场景中的电力调度方法，其特征在于，所述日前-实时两阶段调度模型包括日前阶段目标函数、实时阶段的目标函数和约束条件；日前阶段目标函数为：日前阶段目标函数为：日前阶段目标函数为：日前阶段目标函数为：式中：表示日前阶段日负荷均方差，表示日前阶段用户充放电总成本，p
b
表示基础负荷，表示第n辆ev在t时段的实际的充电功率，表示第n辆ev在t时段的实际的放电功率，p
av
为日平均负荷，为第n辆ev在时段t的总充电成本，为第n辆ev在时段t的总放电收益，为t时段的充电电价，为t时段的放电收益，δt
c
表示充电时长，δt
d
表示放电时长；实时阶段的目标函数为：实时阶段的目标函数为：其中，表示实时阶段日负荷均方差，表示实时阶段用户充放电总成本；约束条件包括电动汽车功率约束条件、电池电荷状态约束条件、电动汽车行程约束条件、电动汽车充放电状态约束条件；电动汽车功率约束条件为：电动汽车功率约束条件为：电动汽车功率约束条件为：电动汽车功率约束条件为：电动汽车功率约束条件为：电动汽车功率约束条件为：电动汽车功率约束条件为：其中，表示第n辆ev在t时段中的充电标识，其值为1时，ev进行充电，为0时，ev不充
电，表示第n辆ev在t时段中最大的充电功率，表示第n辆ev在t时段中最小的充电功率，表示第n辆ev在t时段中以最大的慢充功率充电，表示第n辆ev在t时段中以最大的快充功率充电，表示第n辆ev在t时段中的放电标识，其值为1时，ev进行放电，为0时，ev不放电，表示第n辆ev在t时段中以最大功率放电，表示第n辆ev在t时段中以最小功率放电，表示第n辆ev在t时段中以充电节点最大的功率慢速放电，表示第n辆ev在t时段中以充电节点最大的功率快速放电；电池电荷状态约束条件为：电池电荷状态约束条件为：式中：为第n辆ev的最大电池容量，δt
n,t
为第n辆ev在t时段的充放电时长；表示第n辆ev在t+1时段中的充电功率，表示第n辆ev在t+1时段中的放电功率，s
n,t
表示第n辆ev在t时段中的ev的电量，表示第n辆ev的充电意愿底线；电动汽车行程约束条件为：电动汽车行程约束条件为：式中：为第n辆ev下一次行程的最低电量，表示第n辆ev在t
inn
的入网时段中的电量，表示第n辆ev在t时段的充电功率，表示第n辆ev在t时段的放电功率，表示第n辆ev在t
in
的入网时段的充电时长，表示第n辆ev在t
in
的入网时段的放电时长，t
in,n
表示第n辆ev的入网时段，t
out.n
表示第n辆ev的离网时段，表示第n辆ev在t+1时段中的充电功率，t'
in,n
为下一段充电开始时段；电动汽车充放电状态约束条件为：0<t
in,n,i
≤t
out,n,i+1
；0<t
out,n,i+1
≤t
in,n,i+2
；t
out,n,t
＝t'
out,n,t e
h,n
＝1；式中：t
in,n,i
表示第n辆ev在i次出行的入网时段，t
in,n,i+2
表示第n辆ev在i+2次出行的入网时段，t
out,n,i+1
表示第n辆ev在i+1次出行的离网时段，e
h,n
表示第n辆ev发生出行链重构事件标识符，e
h,n
为1时，第n辆ev在一天内发生出行链重构事件，为0时，ev在一天内不发生出行链重构事件，t'
out,n,t
为出行链事件影响下实际离网时间。

技术总结
本发明提出了一种考虑出行链重构下电动汽车在多态场景中的电力调度方法，其步骤为：首先，提出用户充电意愿底线模型，模拟实际行驶过程中用户自身充电意愿对调度计划的影响；其次，将影响调度计划的突发事件分为四类，提出出行链重构模型模拟EV用户受不同突发事件影响造成的出行链改变；然后，考虑多态场景，提出储能站协同EV能量管理模型；最后，综合上述模型，以用户经济性和电力系统安全性为目标，构建日前-实时两阶段调度模型，实现用户的经济性和电力系统多态场景下的安全性最优。本发明能够有效缓解常态中出行链重构事件对既定调度计划的破坏，进而最大限度地平抑负荷波动，以及增加储能站和电动汽车在极端条件下能源供给和负荷消纳量。源供给和负荷消纳量。源供给和负荷消纳量。


技术研发人员：朱永胜 孙贤 谢晓峰 丁同奎 巫付专 史志鹏
受保护的技术使用者：中原工学院
技术研发日：2023.06.25
技术公布日：2023/9/25