本發(fā)明涉及電動汽車充電領域，更具體地，涉及電動汽車充電站的充電調(diào)度方法。

背景技術：

近年來，由于化石能源資源有限，且污染較大，使得新能源受到廣泛關注。新能源由于其污染小、資源不受限等優(yōu)點，成為目前較好和有潛力的一種發(fā)電方式。但其由于受天氣影響而普遍存在的隨機性使其對電網(wǎng)的可靠運行產(chǎn)生了不可忽視的影響。以風能發(fā)電為例，風能的大小受時間段的影響很大，可能在電網(wǎng)高負荷時出現(xiàn)低出力，也可能在電網(wǎng)低負荷時出現(xiàn)高出力。這種隨機性導致其具有反調(diào)峰性。由于我國目前電網(wǎng)的調(diào)度方式以確定性調(diào)度為主，導致我國目前的棄風現(xiàn)象比較嚴重。據(jù)統(tǒng)計，2015年上半年我國風電棄風電量達到175億kWh[1]。同時，電動汽車由于其消耗電能無尾氣排放等優(yōu)點得到迅速發(fā)展，越來越多的集成到電網(wǎng)充電獲得電能。截至2014年底，全國共建成充換電站780座，交直流充電樁3.1萬個，為超過12萬輛電動汽車提供充換電服務。到2020年，有望建成滿足超過500萬輛電動汽車充電需求的充電基礎設施體系[2]。因此，綜合協(xié)調(diào)新能源發(fā)電與電動汽車電能轉(zhuǎn)換，充分利用風電出力、抵消供需兩側(cè)隨機性，成為未來電網(wǎng)綠色發(fā)展的一個方向。

目前的研究工作主要集于研究電動汽車的負荷聚集效應，對于汽車的個體充電行為還沒有進行有效的研究。隨著充電設施的日益普及，對單個汽車的優(yōu)化充電策略亟需研究。

技術實現(xiàn)要素：

本發(fā)明提供一種克服上述問題或者至少部分地解決上述問題的電動汽車充電站的充電調(diào)度方法。

根據(jù)本發(fā)明的一個方面，提供一種電動汽車充電站的充電調(diào)度方法，包括：

S1、基于初始時刻的新能源發(fā)電站的有功發(fā)電功率和每個電動汽車的充電行為對應的充電量以及剩余充電時間，對充電站和新能源發(fā)電站所在的配電網(wǎng)區(qū)域進行潮流分析，獲得配電網(wǎng)區(qū)域的有功網(wǎng)損；

S2、基于當前時刻的所述新能源發(fā)電站的有功發(fā)電功率以及所有所述充電行為的總充電功率，獲得充電功率和有功發(fā)電功率的匹配度；以及

S3、基于所述有功網(wǎng)損和匹配度，獲得第一充電調(diào)度模型，遍歷當前時刻所有可能的充電行為，將使所述第一充電調(diào)度模型值最小的充電行為，作為當前時刻的充電策略。

本申請?zhí)岢鲆环N電動汽車充電站的充電調(diào)度方法，通過建立電動汽車負載與新能源出力之間的匹配度以及配電網(wǎng)系統(tǒng)的網(wǎng)絡損耗的充電調(diào)度模型，在使電動汽車充電與新能源出力實現(xiàn)最大匹配的同時，兩者所在配電網(wǎng)區(qū)域的網(wǎng)絡損耗也可以維持在一個相對較低的范圍，既充分利用了不穩(wěn)定的新能源，同時對降低配電網(wǎng)系統(tǒng)的網(wǎng)損也起到了積極的作用，保證了每一時段的充電策略在多時間尺度下的最優(yōu)性。

附圖說明

圖1為根據(jù)本發(fā)明實施例的一種電動汽車充電站的充電調(diào)度方法的流程圖；

圖2為根據(jù)本發(fā)明實施例的優(yōu)化調(diào)度流程圖；

圖3為根據(jù)本發(fā)明實施例的IEEE 5節(jié)點配電網(wǎng)的結(jié)構(gòu)示意圖；

圖4為根據(jù)本發(fā)明實施例的基本策略下的24小時內(nèi)電動汽車充電序列示意圖；

圖5為根據(jù)本發(fā)明實施例的基本策略下24小時內(nèi)電動汽車充電所需功率與風力發(fā)電站發(fā)出功率的變化曲線圖；

圖6為根據(jù)本發(fā)明實施例的只考慮網(wǎng)損最小的24小時內(nèi)電動汽車優(yōu)化充電序列示意圖；

圖7為根據(jù)本發(fā)明實施例的只考慮網(wǎng)損最小的24小時內(nèi)電動汽車充電所需功率與風力發(fā)電站發(fā)出功率的變化曲線圖；

圖8為根據(jù)本發(fā)明實施例的只考慮匹配度最大的24小時內(nèi)電動汽車優(yōu)化充電序列示意圖；

圖9為根據(jù)本發(fā)明實施例的只考慮匹配度最大的24小時內(nèi)電動汽車充電所需功率與風力發(fā)電站發(fā)出功率的變化曲線圖；

圖10為根據(jù)本發(fā)明實施例的IEEE30節(jié)點配電網(wǎng)系統(tǒng)中接入風力發(fā)電站和電動汽車充電站的配電網(wǎng)絡接線圖；

圖11為根據(jù)本發(fā)明實施例的IEEE 30節(jié)點不同控制策略下電動汽車充電功率變化曲線圖。

具體實施方式

下面結(jié)合附圖和實施例，對本發(fā)明的具體實施方式作進一步詳細描述。以下實施例用于說明本發(fā)明，但不用來限制本發(fā)明的范圍。

圖1示出了本發(fā)明實施例的一種電動汽車充電站的充電調(diào)度方法的流程圖，包括：

S1、基于初始時刻的新能源發(fā)電站的有功發(fā)電功率和每個電動汽車的充電行為對應的充電量以及剩余充電時間，對充電站和新能源發(fā)電站所在的配電網(wǎng)區(qū)域進行潮流分析，獲得配電網(wǎng)區(qū)域的有功網(wǎng)損；

S2、基于當前時刻的所述新能源發(fā)電站的有功發(fā)電功率以及所有所述充電行為的總充電功率，獲得充電功率和有功發(fā)電功率的匹配度；以及

S3、基于所述有功網(wǎng)損和匹配度，獲得第一充電調(diào)度模型，遍歷當前時刻所有可能的充電行為，將使所述第一充電調(diào)度模型值最小的充電行為，作為當前時刻的充電策略。

本發(fā)明提出一種電動汽車充電站的充電調(diào)度方法，通過建立電動汽車負載與風電出力之間的匹配度以及配電網(wǎng)系統(tǒng)的網(wǎng)絡損耗的充電調(diào)度模型，在使電動汽車充電與新能源出力實現(xiàn)最大匹配的同時，兩者所在配電網(wǎng)區(qū)域的網(wǎng)絡損耗也可以維持在一個相對較低的范圍，既充分利用了不穩(wěn)定的新能源，同時對降低配電網(wǎng)系統(tǒng)的網(wǎng)損也起到了積極的作用。

本發(fā)明中的新能源包括但不限于風能、水能或者太陽能，出于理解難度的考慮，以下實施例均以風力發(fā)電站進行描述。

電動汽車充電調(diào)度事件是一個離散隨機系統(tǒng)，且該系統(tǒng)未來的狀態(tài)只與當前時刻狀態(tài)和決策者的動作有關，而與當前時刻之前的狀態(tài)和行為無關，即無后效性。因此本發(fā)明將利用馬爾科夫決策過程構(gòu)建電動汽車充電調(diào)度模型。

首先將系統(tǒng)狀態(tài)空間定義為S_t＝[W_t,Y_t^k]，其中t＝1,2,…,T，k＝1,2,…,N，N表示配電網(wǎng)區(qū)域內(nèi)電動汽車的數(shù)量，W_t表示風力發(fā)電站在t時刻產(chǎn)生的有功發(fā)電功率，Y_t^k表示第k輛電動汽車在t時段的電動汽車停車事件。該停車事件Y_t^k可由兩個狀態(tài)變量和表示，分別表示第k輛電動汽車在t時段的剩余充電時間和所需電能。

其次，將系統(tǒng)的行為空間定義為該行為表示電動汽車在t時刻的充電行為。當時表示第k輛電動汽車在t時刻被安排充電，否則當前電動汽車大多采用恒功率充電方式，且恒功率充電可延長電池壽命，因此本發(fā)明中所有電動汽車均為恒功率充電。第k輛電動汽車在t時刻的充電電能表示為：其中p表示電動汽車的充電功率，Δt表示時間間隔。

基于上述系統(tǒng)狀態(tài)空間和行為空間的描述，當前時刻的電動汽車充電事件和下一時刻電動汽車的充電事件具有如下關系：

上式表示電動汽車處于停車狀態(tài)、t時刻處于行駛狀態(tài)而t+1時刻處于停車狀態(tài)、處于行駛狀態(tài)三種情形下電動汽車的剩余充電時間L和所需電能E的狀態(tài)轉(zhuǎn)移方程。

其中，和滿足：

式3中，和分別表示第k輛電動汽車在t時刻處于行駛狀態(tài)而在t+1時刻處于停車狀態(tài)時，在t+1時刻的剩余充電時間和所需電能。表示第k輛電動汽車在t時刻處于停車狀態(tài)，反之和的變化范圍由式3確定，其中g₁表示從停車時刻起到停車結(jié)束所需要的Δt的數(shù)量，g₂表示從停車時刻起到電動汽車完成充電過程所需要的最少Δt的數(shù)量。

為了最大限度地利用風能，減少棄風現(xiàn)象，本發(fā)明首先考慮了t時刻電動汽車充電功率與風力發(fā)電站發(fā)出功率之間的匹配問題，這里用匹配度來衡量匹配效果。匹配度越高，表明t時刻電動汽車充電所需電量能夠更多地由風力發(fā)電站來提供，定義如下：

其中表示t時刻配電網(wǎng)區(qū)域內(nèi)所有電動汽車的總充電功率，其定義如下：

本發(fā)明考慮的風力發(fā)電站是并網(wǎng)運行的，因此考慮配電網(wǎng)的輸電成本是有必要的，這里用配電網(wǎng)區(qū)域內(nèi)的有功網(wǎng)損來衡量，用P_t^loss表示，定義如下：

其中，P_tⁱ和分別表示t時刻節(jié)點i的有功功率和無功功率，U_i表示t時刻節(jié)點i的電壓，R_ij表示節(jié)點i和j之間線路的電阻，X表示節(jié)點總數(shù)。節(jié)點的概念，是電力系統(tǒng)里最基本的概念，所謂節(jié)點，不會考慮具體這個節(jié)點里有多少負荷。只考慮這個節(jié)點上，進來多少功率，出去多少功率。

在一個實施例中，本發(fā)明提供的第一充電調(diào)度模型的表達式為：

其中，C_t表示t時刻的第一充電調(diào)度模型；λ為表示調(diào)度參數(shù)，取值介于0至1之間，P_t^loss和M_t為模型中的兩個優(yōu)化目標。

基于第一充電調(diào)度模型可以根據(jù)當前時刻電動汽車的狀態(tài)來確定這一時段電動汽車的充電策略，但是該策略并沒有考慮所制定充電策略對未來電動汽車充電行為的影響。一方面，風力發(fā)電具有隨機性，在建立調(diào)度目標時需考慮風電的隨機性；另一方面，僅考慮當前時刻的充電行為可能會導致電動汽車缺乏全時間段的協(xié)調(diào)優(yōu)化，造成未來可能的線路過載等問題，從而在連續(xù)時間段內(nèi)來看每一時段的充電策略并非是最優(yōu)的。

在一個實施例中，配電網(wǎng)的安全運行不可避免需要對電力的使用環(huán)境進行多項約束，本發(fā)明需要在滿足以下5種約束條件下才能保證充電策略的安全：

(1)電動汽車充電功率的約束：

為了保證t時段第k輛電動汽車所需充電能量不超過電池本身的最大容量值，因此有：

其中，E_cap表示電動汽車的電池容量。

此外，t時段第k輛電動汽車的所需充電能量不得超過其在停車時間內(nèi)所能接入的最大充電電量，做定義如下：

(2)火電廠發(fā)電功率的約束：

在本模型中，t時刻火力發(fā)電廠發(fā)出的電能用于當風力發(fā)電站所產(chǎn)生的風能不足以滿足負荷用電需求時向負荷提供電能，用P_t^G表示。其滿足的約束條件為：

其中，和分別表示火力發(fā)電廠的有功發(fā)電功率的最大值和最小值，和分別表示火力發(fā)電廠的無功發(fā)電功率的最大值和最小值。

(3)潮流等式約束：

其中，P_t^Gi和分別表示t時刻節(jié)點i注入的火力發(fā)電機的有功功率和無功功率；P_t^Wi和分別表示t時刻節(jié)點i注入的風力發(fā)電機的有功功率和無功功率；P_t^Li和分別表示配電系統(tǒng)中t時刻節(jié)點i的有功負荷功率和無功負荷功率，V_tⁱ和V_t^j分別表示t時刻節(jié)點i和節(jié)點j的電壓，表示t時刻節(jié)點i和j之間的相角差，G_ij和B_ij分別表示節(jié)點導納矩陣第i行第j列元素的實部和虛部。

(4)節(jié)點電壓約束：

其中，和分別為配電系統(tǒng)中節(jié)點i電壓幅值的上下限。

(5)有功潮流約束:

其中，P_t^l表示配電系統(tǒng)中t時刻線路l的有功潮流，和分別表示線路l的有功潮流的上下限值。

由于潮流計算是電力系統(tǒng)穩(wěn)定運行所必須的，這個計算是在滿足約束中的2，3，4，5的情況下進行的，計算可得出當這些電動汽車接入電網(wǎng)充電時，線路上流過的潮流是否滿足約束5，各節(jié)點電壓是否滿足約束4，運行是否滿足約束3，火電廠出力是否滿足約束2。

眾所周知，電動汽車充電和風能出力是隨機的，也就是未來是不可預知的，但是，不考慮未來的情況，只在當前時刻已有條件下制定最優(yōu)策略，在當前來看是最優(yōu)的，從大的時間尺度來看，未必是最優(yōu)的。根本原因在于這兩個事件的隨機性以及前后時刻狀態(tài)之間的關聯(lián)性。

因此，考慮將T小時的第一充電調(diào)度模型C_t的期望值作為電動汽車多時間尺度隨機調(diào)度模型的充電調(diào)度模型，具體定義如下：

其中，E表示求大括號里的期望值，S₁表示模型的初始系統(tǒng)狀態(tài)空間。

在解決多時間尺度問題時，通常的做法是將某一時間尺度內(nèi)第一充電調(diào)度模型的期望值作為充電調(diào)度模型來考慮，但是該方法需要采用公式15遍歷每一種可能出現(xiàn)的充電策略，隨著電動汽車數(shù)量的增大，策略生成的計算復雜度增高，遭遇維數(shù)災難(dimension curve)問題，通過目前的計算機來仿真需要耗費很長的時間。

為了克服上述問題，本發(fā)明基于蒙特卡洛模擬的方法，考慮了一種大量路徑下基于基本策略的方法(也稱為Rollout方法)來模擬對未來時刻充電行為的影響。之所以采用蒙特卡羅模擬，其原因是本發(fā)明模型的未來時刻的值并不存在解析式，而且在大量模擬條件下誤差小到忽略不計。

路徑表示在不同初始狀態(tài)下采取基本策略而得到的系統(tǒng)狀態(tài)序列。對電動汽車用戶來說，即停即充符合人們的日常使用習慣，因此本發(fā)明選取了電動汽車停車后便開始充電直至電量充滿這一事件作為在預測未來時刻電動汽車充電行為時的基本策略。

假設路徑總數(shù)為Z，未來時刻電動汽車的充電行為即t時刻之后的充電行為用表示，它能估計第一充電調(diào)度模型中的期望運算算子，表達式為：

其中和分別表示第z條路徑下第q時間段內(nèi)的系統(tǒng)狀態(tài)變量和行為變量，表示第z條路徑下第q時間段內(nèi)電動汽車按照基本策略進行充電時的第一充電調(diào)度模型。

比如t+1時刻，按照概率分布的方法，產(chǎn)生100不同的個電動汽車的停車事件和風能出力的樣本數(shù)據(jù)，在這些不同數(shù)據(jù)的條件下，電動汽車采用基本策略充電。這就是100條路徑。每一條路徑都要去按照公式7計算第一充電調(diào)度模型，除以100便得到了未來時刻的模擬值。

為了通過比較來選出每一時段最優(yōu)的充電策略，需要對每一種可能的充電行為進行遍歷求解。由于新的充電調(diào)度模型應包含當前時刻電動汽車充電調(diào)度策略對未來充電行為的影響，因此，在一個實施例中，本發(fā)明提供了第二充電調(diào)度模型，其表達式為：

該式表示用來評價本發(fā)明所建模型性能指標的狀態(tài)-行為對的Q因子(Q-factor)。第二充電調(diào)度模型意味著在制定當前時刻最優(yōu)充電策略時，采用蒙特卡洛模擬的方法，對t時刻之后的電動汽車最優(yōu)充電行為采用基本充電策略來進行近似模擬。Rollout算法則通過對每個行為的近似Q因子進行計算，得到當前狀態(tài)S_t的優(yōu)化行為，所述優(yōu)化行為即Q_t值取最小時各電動汽車的充電行為，表達式為：

a＝argminQ_t(S_t,A_t) (18)

其中，a表示Q_t值取最小時各電動汽車的充電行為。

由于所述第一充電調(diào)度模型所包含的兩個優(yōu)化目標的數(shù)值并不處于同一數(shù)量級，因此在做兩個目標權(quán)重大小的分析時需要先對兩個優(yōu)化目標進行處理。

在一個實施例中，本發(fā)明采用最大最小值歸一化方法對第一充電調(diào)度模型進行修正，修正后的表達式為：

其中，和表示系統(tǒng)網(wǎng)絡損耗的上下限值；M_t表示t時刻的匹配度，M_max和M_min表示匹配值的上下限值。網(wǎng)絡損耗的上限值即所有電動汽車同時接入充電時的網(wǎng)絡損耗，網(wǎng)絡損耗的下限值為電動汽車全部沒有接入電網(wǎng)充電，匹配度的上下限值即為1和0。

基于此，所述第二充電調(diào)度模型可被修正為：

其中，表示采用最大最小值歸一化方法處理后的值。

圖2示出了每一時段調(diào)度策略制定的具體流程，如圖2可知，

首先輸入電動汽車和風能的初始狀態(tài)信息和W_t；

將初始狀態(tài)信息輸入到配電網(wǎng)系統(tǒng)中，進行潮流分析，分析初始狀態(tài)信息是否滿足充電功率約束和配電網(wǎng)約束，若不符合約束條件，則更新充電策略，直至滿足約束條件；

在滿足約束條件的基礎上，計算當前時刻的C_t，采用蒙特卡洛模擬的方法估計未來時刻期望值計算當前時刻的第三充電調(diào)度模型Q_t；

遍歷所有的充電策略，選擇使第三充電調(diào)度模型Q_t最小的充電行為作為最優(yōu)充電策略。

下面集合算例對本發(fā)明實施例中的充電調(diào)度方法進行仿真分析，本實施例中，本發(fā)明中的電動汽車的電池采用了BYD e6的參數(shù)，風力發(fā)電機采用了Vestas的參數(shù)，具體參數(shù)設置如表1所示。風力發(fā)電站的輸出功率采用韋伯分布來產(chǎn)生，其中的形狀參數(shù)和位置參數(shù)分別取1.309和7.0576。

表1風力發(fā)電機和電動汽車的參數(shù)設置

其中，ω表示電動汽車行駛每千米需要的電量，基于前述假設，電動汽車的出行距離e可由下式計算：

e＝ω·d_k (21)

其中d_k表示第k輛電動汽車的行駛距離。

通過韋伯分布產(chǎn)生每個時間段的風速后，風力發(fā)電站的大小可由下式來計算：

其中，W_cap表示風力發(fā)電機的額定功率，v_rated表示額定風速，v_cutin表示風力發(fā)電機的切入風速，v_cutout表示風力發(fā)電機的切出風速。

由于電動汽車的停車事件可由它的起始停車時間和停車時間長度來描述，而停車時間長度取決于起始停車時間和所需充電功率。這里假設本模型中所有的電動汽車停車事件的停車時間長度均服從截斷高斯分布。本模型中的高斯分布采用了文獻(S.Shahidinejad,E.Bibeau,and S.Filizadeh.Statistical development of a duty cycle for plug-in vehicles in a North American urban setting using fleet information.IEEE Transactions on Vehicle Technology,2010,59(8):3710-3719.)中的參數(shù)，電動汽車在t時刻停車的概率p_t和停車時間長度的平均值μ_t和方差值σ_t如表2所示。

表2停車事件相關參數(shù)

在接下來的仿真中，本發(fā)明將模型中的參數(shù)T設置為24小時，即以一天為周期來優(yōu)化電動汽車充電過程。

根據(jù)前述建立的概率分布，運用Matlab進行仿真，產(chǎn)生電動汽車停車事件(包括起始停車時間和停車時間長度)和各時段產(chǎn)生的風能。

首先采用IEEE 5節(jié)點配電網(wǎng)系統(tǒng)來驗證本發(fā)明所提模型的合理性。

圖3示出了本發(fā)明實施例的IEEE 5節(jié)點配電網(wǎng)的結(jié)構(gòu)示意圖，如圖3所示，節(jié)點1作為風力發(fā)電站節(jié)點，節(jié)點5作為火力發(fā)電廠節(jié)點，節(jié)點2作為電動汽車充電站，其余節(jié)點作為普通用戶群節(jié)點。

該電動汽車充電站最多可同時接入12輛電動汽車進行充電，采用如前所述的配電網(wǎng)5節(jié)點系統(tǒng)，用Matlab2015在一臺CPU為2.5GHz，內(nèi)存為6GB的筆記本電腦上進行仿真。

1)按照前面所提到的基本充電策略進行充電，即只要電動汽車停車就對其充電，這種充電方法也是目前大多數(shù)用戶采取的充電策略。通過仿真得到12輛電動汽車24小時內(nèi)電動汽車充電站與風力發(fā)電站之間線路的總網(wǎng)損為1.1961kW，電動汽車充電站所需功率與風力發(fā)電站發(fā)出功率在一天24小時內(nèi)的平均匹配度為0.2037。

圖4示出了基本策略下的電動汽車充電序列示意圖，設0時刻為模型的初始狀態(tài)，汽車所需電能為9kW，所以在0到3時刻時處于停車狀態(tài)的電動汽車均接入充電樁進行充電。之后的時刻根據(jù)各個電動汽車的初始停車時間、停車時間長度和所需電能來進行充電。這種即停即充的充電方式可以保證電動汽車充電量最大化。

圖5示出了基本策略下24小時內(nèi)電動汽車充電所需功率與風力發(fā)電站發(fā)出功率的變化曲線圖。由圖5可以看出，24小時內(nèi)電動汽車充電站所需功率與風力發(fā)電站發(fā)出功率之間的匹配效果并不好，因此對電動汽車進行優(yōu)化調(diào)度是有必要的。

在一個實施例中，采用改進的電動汽車優(yōu)化調(diào)度策略，并將第三充電調(diào)度模型中的λ設置為1，即充電策略只考慮網(wǎng)損最小。

圖6示出了只考慮網(wǎng)損最小的電動汽車優(yōu)化充電序列示意圖。由于此時電動汽車充電的目標考慮系統(tǒng)的網(wǎng)損最小，受配電網(wǎng)各時段潮流分布的約束影響，電動汽車的充電序列將會作出改變。圖6相比圖4的充電序列圖變得更為分散。雖然在一定程度上減少了電動汽車的總充電量，但保證了每輛電動汽車在當天充電結(jié)束時電池容量可以達到80％以上，滿足了用戶的出行需求。計算出此時12輛電動汽車在一天24小時內(nèi)與風力發(fā)電站之間線路的的總網(wǎng)損為1.1703kW，匹配度為0.2601。

圖7示出了只考慮網(wǎng)損最小的24小時內(nèi)電動汽車充電所需功率與風力發(fā)電站發(fā)出功率的變化曲線圖。由圖7可以看出，雖然電動汽車充電站與風力發(fā)電站之間線路的總網(wǎng)損減少了，但是匹配效果并沒有較為明顯的改善。

在一個實施例中，采用前面提到的改進的電動汽車優(yōu)化調(diào)度策略，并將第三充電調(diào)度模型中λ設置為0，即充電策略只考慮電動汽車充電所需功率與風力發(fā)電站發(fā)出功率的匹配問題。

圖8示出了只考慮匹配度最大的電動汽車優(yōu)化充電序列示意圖。與圖3相比，由于此時電動汽車充電時首先利用附近節(jié)點風力發(fā)電站所發(fā)出的電能，因而充電序列圖比較分散，對應于不同的風電出力，電動汽車將會根據(jù)優(yōu)化調(diào)度策略改變自己的充電計劃。同樣，此時的充電策略可以保證每輛電動汽車在當天充電結(jié)束時電池容量達到80％以上，滿足了用戶的出行需求。計算得出此時12輛電動汽車在一天24小時內(nèi)的電動汽車充電站與風力發(fā)電站之間線路的總網(wǎng)損為1.1776kW，匹配度為0.7552。

圖9示出了只考慮匹配度最大的24小時內(nèi)電動汽車充電所需功率與風力發(fā)電站發(fā)出功率的變化曲線圖。由圖9可以看出，此時的匹配度與基本策略相比有了很大提高，即電動汽車充電所需功率可以很好的利用風力發(fā)電站發(fā)出的功率，而且此時24小時系統(tǒng)總網(wǎng)損相比基本策略也有所降低，與以網(wǎng)損最小為目標的優(yōu)化調(diào)度策略下求出的網(wǎng)損相比，也相差不大，說明了本發(fā)明所提優(yōu)化調(diào)度策略的有效性。

在上述三種情形分析的基礎上，接下來對表示網(wǎng)損和匹配度所占權(quán)重大小的λ取不同數(shù)值時的情形進行了仿真，如表3所示。

表3不同權(quán)重下模型的優(yōu)化結(jié)果

由表3可以看出，在本發(fā)明所提的電動汽車優(yōu)化調(diào)度策略下，隨著λ取值的減小，系統(tǒng)的匹配度得到了提高，但網(wǎng)絡損耗也在增加，因此可以根據(jù)實際情況來選取權(quán)重值對電動汽車充電進行優(yōu)化調(diào)度。

在一個實施例中，采用IEEE30節(jié)點配電網(wǎng)系統(tǒng)來驗證本發(fā)明所提模型的合理性。

圖10示出了本發(fā)明實施例中IEEE30節(jié)點配電網(wǎng)系統(tǒng)中接入風力發(fā)電站和電動汽車充電站的配電網(wǎng)絡接線圖，其中節(jié)點16、22、25、30為風力發(fā)電站的接入位置，節(jié)點15、21、24、29為電動汽車充電站，節(jié)點18表示傳統(tǒng)火力發(fā)電廠。每個充電站可容納30輛電動汽車同時充電。

電動汽車的停車事件依然采用上述提到的概率分布來產(chǎn)生電動汽車停車事件(包括起始停車時間和停車事件長度)。風力發(fā)電機和電動汽車的參數(shù)設置如表1所示。

為了分析的方便，首先假設節(jié)點16、22、25、30這四個風力發(fā)電站服從相同的韋伯分布，即不考慮地域?qū)︼L力的影響。采用截斷高斯分布和卡方分布來產(chǎn)生節(jié)點15、21、24、29這四個電動汽車充電站共120輛電動汽車的具體充電行為。

基于IEEE 30節(jié)點配電網(wǎng)系統(tǒng)，采用前文所述的基本控制策略和以匹配度最大為目標的優(yōu)化策略對電動汽車充電進行調(diào)度，圖11示出了24小時內(nèi)電動汽車充電所需功率與風力發(fā)電站發(fā)出功率的變化曲線圖。

不同充電策略下24小時內(nèi)29條線路的總網(wǎng)損和電動汽車充電所需功率與風電出力之間的平均匹配度如表4所示。

表4不同策略下的線路總網(wǎng)損和平均匹配度

比較上述兩種不同的控制策略，可以發(fā)現(xiàn)，改進的控制策略相比基本控制策略在電動汽車充電功率與風能的匹配上有了很大的提高，同時對整個區(qū)域配電網(wǎng)的網(wǎng)損也有了大幅降低，說明本發(fā)明所提的電動汽車優(yōu)化充電方法可以很大限度地利用風能，降低本區(qū)域的網(wǎng)損。

接下來對表示網(wǎng)損和匹配度所占權(quán)重大小的取不同數(shù)值時的情形進行了仿真，如表5所示?？梢钥闯?，當λ減小時，電動汽車充電與風電出力的匹配度得到了大幅提高，此時的網(wǎng)損相比λ較大時的網(wǎng)損相差并不大，說明本發(fā)明所提優(yōu)化方法在提高電動汽車充電與風電出力之間匹配度的同時，也減少了整個配電系統(tǒng)區(qū)域內(nèi)的網(wǎng)絡損耗。在實際電網(wǎng)優(yōu)化調(diào)度中，可以根據(jù)電動汽車用戶需求、風力發(fā)電量以及網(wǎng)損經(jīng)濟性等方面對兩個優(yōu)化目標的權(quán)重系數(shù)進行選擇。

表5不同權(quán)重下模型的優(yōu)化結(jié)果

最后，本申請的方法僅為較佳的實施方案，并非用于限定本發(fā)明的保護范圍。凡在本發(fā)明的精神和原則之內(nèi)，所作的任何修改、等同替換、改進等，均應包含在本發(fā)明的保護范圍之內(nèi)。