本發明涉及電動汽車充電與配電網規劃,特別涉及一種分布式的充電站集群電力與算力負荷聯合管理方法。
背景技術:
1、在雙碳目標的推動下,我國電動汽車(electric?vehicle,ev)的數量規模持續增加,為構建綠色低碳交通體系提供了有力支撐。電動汽車不僅在交通領域占據重要地位,更扮演著多元化的角色。一方面,電動汽車可以作為移動的分布式儲能單元,通過車網互動(vehicle-to-grid,v2g)技術實現與電網的雙向能量互動,提供調峰調頻和備用容量等輔助服務。另一方面,隨著電動汽車智能化與網聯化的深入發展,電動汽車作為移動計算設備,通過共享計算資源,為計算能力受限的邊緣計算網絡提供支持,實現低時延的計算服務響應。電動汽車能夠在不同的時空位置與電網和邊緣計算網絡進行多種資源的交互。電動汽車在促進電力系統和邊緣計算網絡的協同優化方面有著巨大潛力,如何有效利用電動汽車閑置的電力和計算資源,對于提升系統運行效率、實現更高的經濟效益具有至關重要的作用。
2、目前,已有眾多學者對電動汽車充放電以及車網間的協調互動進行了大量研究。電動汽車協同配電網進行多時段的有序充電管理是保障配電網安全,同時降低配電網運行成本的有效手段。此外,也有部分學者電動汽車充放電管理與泊車邊緣計算聯合優化問題開展了研究。通過優化利用電動汽車的計算和電力資源,提高邊緣計算收益,并保證電網電壓穩定。
3、現有的電動汽車調度方法主要聚焦于車網之間的協調互動,卻忽視了電動汽車在充電過程中閑置計算資源的潛在價值。此外,現有的電動汽車充電與計算管理優化缺乏對多時段規劃的全面考慮,未能深入探討配電網多時段電動汽車充電過程與邊緣計算能耗管理的綜合問題。因此,充電站在實際運營中常面臨資源利用率低下、運行成本偏高等挑戰,限制了其經濟效益和可持續性的提升。
4、因此,本發明提出一種考慮電動汽車邊緣計算的充電站與配電網分層運行優化方法,綜合考慮了電動汽車的移動儲能與邊緣計算雙重特性,從多時段的角度對電動汽車電能與計算進行聯合優化管理,以提高充電站的計算收益,降低系統整體運行成本。
技術實現思路
1、針對上述現有技術存在的不足,本發明提供了一種分布式的充電站集群電力與算力負荷聯合管理方法,能夠綜合考慮了電動汽車的移動儲能與邊緣計算雙重特性,從多時段的角度對電動汽車電能與計算進行聯合優化管理,以提高充電站的計算收益,降低系統整體運行成本。
2、具體技術方案如下:
3、一種分布式的充電站集群電力與算力負荷聯合管理方法,包括:
4、步驟1、通過充電站獲取電動汽車的出行計劃信息、電網獲取光伏發電量和電網負荷的日前預測數據;
5、步驟2、構建充電站和配電網的雙層優化模型,其中上層模型為配電網優化模型,以最小化配電網整體的成本為優化目標;下層模型為充電站優化模型,以最小化充電站的運營成本為優化目標;
6、步驟3、對雙層優化模型中的非凸項約束和非線性約束分別進行轉化,利用錐松弛方法和離散化手段將原問題轉化為凸問題以進行求解;
7、步驟4、將雙層優化模型嵌入到atc框架中,對上下層優化問題交替迭代求解;
8、步驟5、得到充電站與配電網的決策變量值以及電動汽車資源調度的優化結果,確定電動汽車各個時段充放電和計算卸載安排。
9、優選地,所述步驟1還包括:構建電動汽車電能與計算聯合管理的車網協調架構。
10、優選地,所述車網協調架構包括充電站、配電網和電動汽車;所述充電站均配有雙向v2g充電樁和邊緣服務器,可接收并處理來周圍設備的計算任務;所述電動汽車在所述充電站之間行駛,且能夠進行電能的雙向傳輸和數據的計算卸載。
11、優選地,所述出行計劃信息包括出發和到達時間以及目的地信息。
12、優選地,步驟2包括:
13、假設每個充電站的索引記為m∈m={1,2,..,m},每輛電動汽車的索引記為i∈i={1,2,..,i},每個調度時段的索引記為t∈t={1,2,..,t},時段長度為δt;
14、充電站優化模型:
15、充電站的優化目標為最小化其運營成本該目標函數如下式所示:
16、
17、其中,表示光伏發電的棄光成本,表示儲能系統的運行成本,表示充電站的購電成本,表示邊緣服務器處理數據所獲得的收益;
18、配電網優化模型:
19、配電網的優化目標為最小化其運營成本cdn,其目標函數如下式所示:
20、mincdn=cbuy+crl-csell-cex????(2)
21、其中,cbuy表示配電網的購電成本,csell表示配電網向主網售電的收益,crl表示配電網的線路損耗成本,cex表示配電網向充電站售電的收益。
22、優選地,充電站優化模型還包括
23、初始化:
24、定義二進制參數αi,t,若αi,t=1,則表示電動汽車i在t時段處于行駛狀態,反之αi,t=0;類似的,定義二進制參數βi,m,t,若βi,m,t=1,則表示電動汽車i在t時段停放在充電站m,反之βi,m,t=0;αi,t和βi,m,t的值由電動汽車i的出行計劃信息確定;
25、約束條件:
26、1)電動汽車運行約束
27、定義和分別為電動汽車的充電功率和放電功率;定義為電動汽車的電池電量狀態;為了避免電動汽車同時進行充電和放電操作,引入0-1變量ωi={ωi,t,t∈t}來表示電動汽車i的充電狀態;該變量取值為1時,表示ev正在充電;取值為0時,表示ev正在放電;ev在出行過程中需遵循以下運行約束條件:
28、
29、式中:和分別為ev的最大充電和放電功率;tiz為ev停靠在充電站的時段集;和分別為ev的充電和放電效率;為ev在行駛時每個時段的平均能耗;和分別為ev電池的最小和最大容量;為ev的初始電量狀態;
30、2)充電站儲能約束
31、定義和分別為儲能系統的充電功率和放電功率;定義表示儲能系統的電量狀態;為了避免儲能系統同時進行充電和放電操作,引入0-1變量μm={μm,t,t∈t}來表示其充電狀態;該變量取值為1時,表示儲能系統正在充電;取值為0時,表示儲能系統正在放電;儲能系統需要滿足以下運行約束:
32、
33、式中:和分別為儲能系統的最大充電和放電功率;和分別為儲能系統的充電和放電效率;為儲能系統的初始電量狀態;
34、3)服務器計算卸載約束
35、定義和wm={wm,t,t∈t}分別表示邊緣服務器使用的計算資源和接收的計算任務;服務器在進行計算卸載時應滿足如下約束:
36、
37、式中:和分別為邊緣服務器的最大計算資源和所能處理的最大任務量;cm,t為服務器處理單位數據量所需的平均cpu周期數;fi為ev所擁有的計算資源;
38、4)充電站運行約束
39、定義為光伏板的發電功率;定義為充電站的計算功耗;定義為充電站與配電網的交換功率;為了保證充電站的正常運行,應滿足以下約束:
40、
41、式中:為光伏板的最大發電功率;和分別為充電站與配電網的最大與最小交換功率;和δi分別為服務器和ev的功耗系數;
42、5)充電站目標函數
43、充電站目標函數中:
44、
45、式中:kpv和kes分別為棄光成本系數和儲能維護成本系數;為充電站從配電網的購電價格;為服務器處理單位數據的收益。
46、約束條件包括電動汽車運行約束、充電站儲能約束、服務器計算卸載約束和充電站運行約束;
47、決策變量:{xev,xes,xcs},
48、其中為與ev相關聯的決策變量集合,
49、為與儲能系統相關聯的決策變量集合,
50、為與充電站相關聯的決策變量集合;
51、優選地,配電網優化模型還包括:
52、初始化:
53、考慮一個放射狀且三相平衡的配電網,配電網的每個節點用n∈n∪{0}表示,n=0表示根節點;用an表示節點n的父節點,cn表示節點n的一組子節點集合;節點n與其父節點之間的支路也由n∈n表示;采用通用的distflow分支潮流模型來描述配電網的模型;
54、約束條件:
55、1)節點功率平衡約束
56、定義pn={pn,t|t∈t}和qn={qn,t|t∈t}為注入節點的有功和無功功率;定義二進制參數若則表示充電站與節點n相連,反之的值可以由電氣連接圖獲得;每個電氣節點應滿足以下約束:
57、
58、式中:和分別為節點固定的有功負荷和無功負荷;
59、2)潮流約束
60、定義和分別為從父節點流向子節點的有功和無功潮流;定義和分別為支路n的電壓平方和電流平方;對于電力網絡,需滿足如下支路潮流約束:
61、
62、式中:rn和xn分別為支路n的電阻和電抗;
63、3)配電網運行約束
64、定義為配電網從主網購買功率量;定義為配電網向主網出售功率量;為了保證配電網的正常運行,需滿足以下約束條件:
65、
66、
67、式中:gb,max和gs,max分別為配電網的最大購買功率和出售功率,和分別為節點電壓允許的最小值和最大值;
68、對于根節點n=0,設v0,t=1(p.u.),同時其功率滿足以下約束:
69、
70、式中:為t時段流入根節點的有功功率;
71、4)配電網目標函數
72、配電網目標函數中:
73、
74、式中:和分別為配電網的購電價格和售電價格;為線路損耗成本系數。
75、約束條件包括節點功率平衡約束、潮流約束和配電網運行約束;
76、決策變量:
77、優選地,在步驟3中:利用錐松弛方法將非凸約束(30)轉化為二階錐約束形式:
78、
79、由于原問題(24)的目標是最小化成本,充電站將最大程度地減少其功耗,因此,可將約束式(18)進行松弛,改寫為式(42):
80、
81、引入中間變量gm,t,可以得到式(43)和式(44):
82、
83、若同時滿足式(43)和式(44),則必然滿足式(42);轉換后的優化問題仍含有非線性函數可以采用離散化手段,用一組直線函數對其進行近似;令變量的取值范圍是定義離散點集合有其中r是離散點個數;任意取兩個相鄰的離散點,經過這兩點定義一條直線:
84、
85、因此,可將式(44)線性化為式(46);最終,可以用式(43)和式(46)來近似非線性約束式(18);
86、
87、至此,原本的充電站優化問題式(24)和配電網優化問題式(40)分別轉化成了以下凸優化問題:
88、
89、約束條件:式(1)-式(17)、式(19)、式(43)、式(46),
90、決策變量:{xev,xes,xcs},
91、mincdn=cbuy+csell+crl+cex(48)
92、約束條件:式(25)-式(29)、式(31)-式(35)、式(41),
93、決策變量:
94、優選地,所述步驟4包括:
95、假設下層充電站反饋給配電網的用電需求為上層配電網發送給充電站的供電功率為atc優化框架的具體執行過程如下所示:
96、1)初始化:定義i和j表示atc外循環和內循環的迭代次數;λ表示罰參數放大系數;αm={αm,t|t∈t}和βm={βm,t|t∈t}表示罰函數乘子;令i=1,j=1,設置配電網發送給充電站的交換功率罰參數放大系數λ、罰函數乘子αm和βm的初始值;
97、2)充電站求解下層優化問題:通過在目標函數式(47)中引入增廣拉格朗日懲罰函數,得到充電站m的松弛優化問題,其目標函數表達式如下:
98、
99、約束條件:式(1)-式(17)、式(19)、式(43)、式(46),
100、決策變量:{xev,xes,xcs},其中xcs中的應相應變為
101、其中為耦合變量誤差,其表示上層和下層交換功率的偏差;
102、在外循環迭代i,設置αm=αm(i),βm=βm(i);在內循環迭代j,設置通過求解下層優化問題式(49),可得到充電站的電力需求,即充電站反饋回配電網的交換功率
103、3)配電網求解上層優化問題:類似的,在配電網優化問題式(48)中引入增廣拉格朗日懲罰函數,可以得到配電網的松弛優化問題,其目標函數表達式如下:
104、
105、約束條件:式(25)-式(29)、式(31)-式(35)、式(41),
106、決策變量:xdn,其中應相應變為
107、配電網接收充電站的電力需求信息通過求解上層優化問題式(50),可得到配電網的供電功率,即配電網發送給充電站的交換功率
108、4)收斂判斷:定義ε1表示內循環的收斂精度;內循環的收斂條件如下所示:
109、
110、在內循環迭代j,若滿足收斂條件式(51),則跳出內循環,對參數進行更新,即令設置j=1;否則,令j=j+1,返回執行步驟2)和步驟3);
111、定義ε2表示外循環的收斂精度;外循環的收斂條件如下式所示:
112、
113、在外循環迭代i,若滿足收斂條件式(52),則跳出外循環,同時得到問題式(49)和問題(50)的最優解;否則,執行步驟5),對罰函數乘子進行更新,令i=i+1,然后返回執行步驟2)和步驟3);
114、5)乘子更新:在外循環迭代i,罰函數乘子的更新如下:
115、αm,t(i+1)=αk,t(i)+2(βm,t(i)δm,t(i))2?(53)
116、βm,t(i+1)=λβm,t(i)???????????????(54)
117、atc優化框架不斷交替求解上下層模型以更新耦合變量,通過增大罰參數修改目標函數的懲罰項,使得耦合變量的誤差不斷減小,直到滿足收斂條件。
118、與現有技術相比,本發明的有益效果為:
119、1、本發明相比于傳統的車網協調互動和電動汽車單時段充電與計算聯合優化,本發明所提出的技術方案綜合考慮了電動汽車的移動儲能與邊緣計算雙重特性,從多時段的角度對電動汽車電能與計算進行聯合優化管理,以提高充電站的計算收益,降低系統整體運行成本。
120、2、本發明所述車網協調架構中可以聚合電動汽車計算資源協助邊緣服務器完成更多計算任務,降低充電站的運行成本,并且可以利用電動汽車儲能及可調節的邊緣服務器用電負荷,降低系統整體運行成本。
121、3、本發明相比于傳統的集中式優化方法,本發明將雙層優化問題嵌入到atc框架中,充電站與配電網僅需交互少量數據,即可實現對電動汽車的電能與計算管理,確保了通信的私密和本地的數據隱私。atc框架可以對上下層之間的耦合變量進行解耦,具備良好的收斂性能,同時能夠支持充電站實現自主電能與計算管理,確保本地數據隱私安全。