(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211355762.4 (22)申请日 2022.11.01 (71)申请人 国网北京市电力公司 地址 100031 北京市西城区前门西大街 41 号 申请人 国家电网有限公司 　 中国电力科 学研究院有限公司 (72)发明人 卢钺　刘顺　付永旗　张溢波　 张宏炯　刘洋　郭朝波　李清涛　 马强　祁宏　陈默　于景阳　 张元星　李涛永　刁晓虹　张晶　 蒋林洳　赵轩　 (74)专利代理 机构 北京中巡通大知识产权代理 有限公司 1 1703 专利代理师 郭瑶(51)Int.Cl. H02J 3/46(2006.01) H02J 3/38(2006.01) H02J 3/32(2006.01) H02J 7/00(2006.01) H02J 7/35(2006.01) H02J 7/34(2006.01) (54)发明名称 计及电动汽车的有源配电网多时间尺度区 间优化调度方法 (57)摘要 本发明属于新能源领域， 具体涉及一种计及 电动汽车的有源配电网多时间尺度区间优化调 度方法。 获取电动汽车的历史纪录和日前预测数 据， 建立日前区间优化调度模型， 对模型求解得 到日前调度计划， 根据日前调度计划模型以及预 测控制、 滚动优化， 生成日内调度计划， 在日内的 实时调度阶段， 基于能量守恒定律利用可控源和 大电网协调优化配合来满足功率平衡， 对参与调 度的电动汽 车进行充电优先级 排序， 有效克服日 前阶段分布式发电的预测偏差。 电动汽车有序充 电， 避免了配电网的峰谷差加剧问题和变压器的 过载问题， 实现了电动汽车与有源配电网的协同 互动。 权利要求书3页 说明书10页 附图5页 CN 115549214 A 2022.12.30 CN 115549214 A 1.一种计及电动汽车的有源配电网多时间尺度区间优化调度方法， 其特征在于， 包括 如下步骤； 步骤一： 获取每辆电动汽车的历史记录； 获取日前 预测数据； 步骤二： 根据步骤一中获得的每辆电动汽车的历史记录和日前预测数据， 确定决策变 量， 设置区间向量； 步骤三： 根据步骤一中获得的每辆电动汽车的历史记录和日前预测数据， 确立约束条 件和经济性 目标函数， 由决策变量、 区间向量、 约束条件和经济性目标函数， 构成日前区间 优化调度模型； 使用改进后遗传算法求 解所述日前区间优化调度模型， 得到日前调度计划； 步骤四： 根据步骤一中获得的每辆电动汽车的历史记录和日前预测数据， 建立日内调 度模型， 根据日前调度计划， 对日内调度模型依次进行模型预测控制、 滚动优化， 得到日内 调度计划； 步骤五： 根据步骤一中获得的每辆电动汽车的历史记录和日前预测数据， 每隔固定时 间t1， 对参与调 度的电动汽车进 行一次充电优 先级排序， 优 先级高则优 先充电， 优 先级相等 则随机排序； 将得到的电动汽车充电优先级并入步骤四得到的日内调度计划。 2.如权利要求1所述的一种计及电动汽车的有源配电网多时间尺度区间优化调度方 法， 其特征在于， 步骤一中， 获取每辆电动汽车的历史记录具体为： 根据电动汽车最后返程时间xt和电动汽车首次出行时间td， 进行蒙特卡洛随机抽样， 获 取每辆电动汽车的历史记录， 包括： 到达工商业园区接入时刻tin， 最后离开时刻tout， 接入时 刻荷电量SOCA和离开时刻 荷电量SOCB； 所述电动汽车最后返程时间xt通过电动汽车最后返程时间概 率密度函数求得； 所述电动汽车 首次出行时间td通过电动汽车 首次出行时间概 率密度函数求得； 所述电动汽车最后返程时间概 率密度函数为: 式中， xt—用户最后的返程时间， μt—期望值， 取17.6， σt—标准差， 取3.4； 所述电动汽车 首次出行时间概 率密度函数为： 式中， td—汽车首次出行时刻； μe—期望值， 取9.0； σa—标准差， 取0.25 。 3.如权利要求1所述的一种计及电动汽车的有源配电网多时间尺度区间优化调度方 法， 其特征在于， 步骤一中， 所述日前预测数据包括24小 时内光伏预测出力P_PV、 风机预测 出力P_WT、 刚性负荷功率P_load、 小时级购买电价C_gird_buy、 小时级出售电价C_gird_ sell、 光伏设备运维的单位成本 C_PV和风机设备运维的单位成本 C_WT。 4.如权利要求1所述的一种计及电动汽车的有源配电网多时间尺度区间优化调度方 法， 其特征在于， 步骤二中， 所述决策变量包括： 权　利　要　求　书 1/3 页 2 CN 115549214 A 2分别为蓄电池t时刻充放电功率、 电动汽车充电站t时刻充 放电功率、 电网t时刻交互功 率、 蓄电池t时刻的荷电状态和充电站内所有电动汽 车t时刻荷 电状态； 所述区间向量 为： 式中， PPV(t)、 PWT(t)分别为t时段光伏、 风机发电日前预测发电功 率； ΔPPV(t)、 ΔPWT(t) 分别为各 预测不确定因素的波动幅度。 5.如权利要求1所述的一种计及电动汽车的有源配电网多时间尺度区间优化调度方 法， 其特征在于， 步骤三中， 所述约束 条件包括功 率平衡约束、 风力发电出力约束、 光伏发电 出力约束、 储能设备约束和电动汽车约束； 所述经济性目标函数为： f＝C_PV*P_PV+C_WT*P_WT+C_si*|P_si(i)|+((C_gird_buy+C_gird_sell)*0.5*P_ gird+(C_gird_buy ‑C_gird_sel l)*0.5*|P_gird| 式中P_PV为光伏预测出力、 P_WT为风机测试出力、 P_load刚性负荷功率， C_gird_buy为 小时级购买电价， C_gird_sell为小时级出售电价， C_PV为光伏设备运维 的单位成本， C_WT 为风机设备运维的单位 成本； P_gr id为当前t时刻与电网的交互功率； C_ si为光伏、 风机， 储 能设备运维的单位成本； P_si 为储能设备充放电功率。 6.如权利要求1所述的一种计及电动汽车的有源配电网多时间尺度区间优化调度方 法， 其特征在于， 步骤三中， 所述改进后遗传算法为： 对自适应遗传算法的环境变量进行设置， 包括最大迭代次数Gmax、 种群规模N、 保留精英 个体数M； 交叉和变异的参数Pc_max， Pc_min， Pm_max， Pm_min； S301:计算得到自适应交叉概 率Pc和自适应 变异概率Pm； S302： 对种群进行初始化， 产生有效群 体； S303： 计算种群 个体适应度； S304： 选择运算， 采用保留策略进行选择运算,M个具有较好适应度的个体被选择并保 留下来； S305： 在每一代种群中， 对选中的两个个体进行按照自适应交叉率Pc对染色体进行交叉 运算； 当随机概率小于自适应交叉概率则执行双亲单点交叉， N个父代个体按照自适应交叉 概率进行交叉运算产生2N个子代个体， 未执行 交叉操作的父代和新产生的子代合并形成一 个新的种群； S306： 在每一代种群中， 对选中的单个个体按照自适应变异率Pm对染色体进行变异运 算； 当随机概 率小于自适应 变异概率Pm， 则对选中的个 体进行单点变异运 算； S307： 将Gen代种群保留的M个具有较好适应度的个体和交叉产生的子代个体重新返回 到S303， 一起按照适应度函数值进行排序操作， 淘汰无效个体， 并且保留适应度较优的M个 体， 迭代次数增 加一次； S308： 判断迭代次数Gen是否满足收敛条件： Gen≤Gmax， 若满足， 则输出结果， 所述结果权　利　要　求　书 2/3 页 3 CN 115549214 A 3