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)

简介: 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。

 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。

image.gif

       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。

image.gif

image.gif

       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:

image.gif

image.gif

       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。

image.gif

image.gif

image.gif

       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。

image.gif

image.gif

image.gif

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

目录
打赏
0
1
1
0
42
分享
相关文章
基于和声搜索优化算法的机器工作调度matlab仿真,输出甘特图
本程序基于和声搜索优化算法(Harmony Search, HS),实现机器工作调度的MATLAB仿真,输出甘特图展示调度结果。算法通过模拟音乐家即兴演奏寻找最佳和声的过程,优化任务在不同机器上的执行顺序,以最小化完成时间和最大化资源利用率为目标。程序适用于MATLAB 2022A版本,运行后无水印。核心参数包括和声记忆大小(HMS)等,适应度函数用于建模优化目标。附带完整代码与运行结果展示。
基于GA遗传优化TCN-GRU时间卷积神经网络时间序列预测算法matlab仿真
本项目基于MATLAB2022a开发,提供无水印算法运行效果预览及核心程序(含详细中文注释与操作视频)。通过结合时间卷积神经网络(TCN)和遗传算法(GA),实现复杂非线性时间序列的高精度预测。TCN利用因果卷积层与残差连接提取时间特征,GA优化超参数(如卷积核大小、层数等),显著提升模型性能。项目涵盖理论概述、程序代码及完整实现流程,适用于金融、气象、工业等领域的时间序列预测任务。
基于遗传优化算法的多AGV栅格地图路径规划matlab仿真
本程序基于遗传优化算法实现多AGV栅格地图路径规划的MATLAB仿真(测试版本:MATLAB2022A)。支持单个及多个AGV路径规划,输出路径结果与收敛曲线。核心程序代码完整,无水印。算法适用于现代工业与物流场景,通过模拟自然进化机制(选择、交叉、变异)解决复杂环境下的路径优化问题,有效提升效率并避免碰撞。适合学习研究多AGV系统路径规划技术。
基于GA遗传优化TCN时间卷积神经网络时间序列预测算法matlab仿真
本内容介绍了一种基于遗传算法优化的时间卷积神经网络(TCN)用于时间序列预测的方法。算法运行于 Matlab2022a,完整程序无水印,附带核心代码、中文注释及操作视频。TCN通过因果卷积层与残差连接学习时间序列复杂特征,但其性能依赖超参数设置。遗传算法通过对种群迭代优化,确定最佳超参数组合,提升预测精度。此方法适用于金融、气象等领域,实现更准确可靠的未来趋势预测。
云计算任务调度优化matlab仿真,对比蚁群优化和蛙跳优化
本程序针对云计算任务调度优化问题,旨在减少任务消耗时间、提升经济效益并降低设备功耗。通过对比蚁群优化算法(ACO)与蛙跳优化算法(SFLA),分别模拟蚂蚁信息素路径选择及青蛙跳跃行为,在MATLAB2022A环境下运行测试。核心代码实现任务分配方案的动态调整与目标函数优化,结合任务集合T与服务器集合S,综合考量处理时间与能耗等约束条件,最终输出优化结果。两种算法各具优势,为云计算任务调度提供有效解决方案。
基于NSGAII的的柔性作业调度优化算法MATLAB仿真,仿真输出甘特图
本程序基于NSGA-II算法实现柔性作业调度优化,适用于多目标优化场景(如最小化完工时间、延期、机器负载及能耗)。核心代码完成任务分配与甘特图绘制,支持MATLAB 2022A运行。算法通过初始化种群、遗传操作和选择策略迭代优化调度方案,最终输出包含完工时间、延期、机器负载和能耗等关键指标的可视化结果,为制造业生产计划提供科学依据。
基于GA遗传优化TCN-LSTM时间卷积神经网络时间序列预测算法matlab仿真
本项目基于MATLAB 2022a实现了一种结合遗传算法(GA)优化的时间卷积神经网络(TCN)时间序列预测算法。通过GA全局搜索能力优化TCN超参数(如卷积核大小、层数等),显著提升模型性能,优于传统GA遗传优化TCN方法。项目提供完整代码(含详细中文注释)及操作视频,运行后无水印效果预览。 核心内容包括:1) 时间序列预测理论概述;2) TCN结构(因果卷积层与残差连接);3) GA优化流程(染色体编码、适应度评估等)。最终模型在金融、气象等领域具备广泛应用价值,可实现更精准可靠的预测结果。
基于WOA鲸鱼优化的CNN-LSTM-SAM网络时间序列回归预测算法matlab仿真
本内容介绍了一种基于CNN-LSTM-SAM网络与鲸鱼优化算法(WOA)的时间序列预测方法。算法运行于Matlab2022a,完整程序无水印并附带中文注释及操作视频。核心流程包括数据归一化、种群初始化、适应度计算及参数更新,最终输出最优网络参数完成预测。CNN层提取局部特征,LSTM层捕捉长期依赖关系,自注意力机制聚焦全局特性,全连接层整合特征输出结果,适用于复杂非线性时间序列预测任务。
|
9月前
|
【2023高教社杯】D题 圈养湖羊的空间利用率 问题分析、数学模型及MATLAB代码
本文介绍了2023年高教社杯数学建模竞赛D题的圈养湖羊空间利用率问题,包括问题分析、数学模型建立和MATLAB代码实现,旨在优化养殖场的生产计划和空间利用效率。
333 6
【2023高教社杯】D题 圈养湖羊的空间利用率 问题分析、数学模型及MATLAB代码
【2022年华为杯数学建模】B题 方形件组批优化问题 方案及MATLAB代码实现
本文提供了2022年华为杯数学建模竞赛B题的详细方案和MATLAB代码实现,包括方形件组批优化问题和排样优化问题,以及相关数学模型的建立和求解方法。
203 3
【2022年华为杯数学建模】B题 方形件组批优化问题 方案及MATLAB代码实现

热门文章

最新文章

AI助理

你好,我是AI助理

可以解答问题、推荐解决方案等