多网络协作下电动汽车参与电力市场的调度策略

doi:10.12141/j.issn.1000-565X.220822

摘要/Abstract

摘要：

针对电动汽车充电需求的时空不确定性，电动汽车代理商如何参与电力市场并且如何实现运营利润最大化成为需要解决的问题。本研究首先建立基于多层深度学习算法的电动汽车出行预测模型，分别使用多层感知器和长短期记忆网络对电动汽车的出行数据和路况数据进行学习，通过训练好的预测模型预测次日的出行行为和路况。其次，考虑到路况的多变性对预测精度的影响，采用未来路径滚动优化方法和速度-能耗模型模拟次日电动汽车的出行行为，从而获取电动汽车更精确的时空状态和荷电状态。最后，考虑能量市场协同调度，通过日前市场的充放电调度模型对不同时段的电动汽车充放电行为进行规划，最大化电动汽车代理商的利益。为了证明所提预测方法的准确性，与预测常用的蒙特卡洛方法和拉丁超立方法进行对比，结果表明，本研究提出的深度学习算法具有更高的准确性。将模型应用于IEEE33节点测试系统中进行验证，实验结果表明，在电动汽车代理商的调度下能够有效降低电力系统的峰谷差，在系统出现阻塞的情况下，通过改变电动汽车的调度策略能够缓解系统线路阻塞问题。对代理商收益和用户出行成本进行分析，结果表明在代理商的调度下，不仅能够提高代理商收入还能够降低用户的出行成本，实现双赢。

关键词: 电动汽车, 代理商, 需求响应, 机器学习

Abstract:

In view of the time-space uncertainty of electric vehicle charging demand, how to participate in the electricity market and how to maximize the operating profit has become a problem that needs to be solved. Firstly, this study established an electric vehicle travel prediction model based on multi-layer deep learning algorithm. The multilayer perceptron and long short-term memory network were used to learn the travel data and road condition data of electric vehicles, and the travel behavior and road condition of the next day were predicted by the trained prediction model. Secondly, considering the influence of the variability of road conditions on the prediction accuracy, the future path rolling optimization method and the speed-energy consumption model were used to simulate the travel behavior of electric vehicles the next day, so as to obtain more accurate time-space state and charge state of electric vehicles. Finally, considering the coordinated scheduling of the energy market, the charging and discharging behavior of electric vehicles in different periods was planned through the charging and discharging scheduling model of the day-ahead market to maximize the interests of electric vehicle agents. In order to prove the accuracy of the proposed prediction method, it was compared with the commonly used Monte Carlo method and Latin hypercube method. The results show that the deep learning algorithm proposed in this study has higher accuracy. The model was applied to the IEEE33 node test system for verification. The experimental results show that the peak-valley difference of the power system can be effectively reduced under the scheduling of electric vehicle agents. In the case of system congestion, the problem of system line congestion can be alleviated by changing the scheduling strategy of electric vehicles. The agent’s revenue and the user’s travel cost were analyzed. The results show that under the agent’s scheduling, it can not only increase the income of agents, but also reduce the travel cost of users, and achieve a win-win situation.

Key words: electric vehicle, agent, demand response, machine learning

中图分类号:

TM73

董萍, 韦述阳, 刘明波. 多网络协作下电动汽车参与电力市场的调度策略[J]. 华南理工大学学报(自然科学版), 2023, 51(12): 83-94.

DONG Ping, WEI Shuyang, LIU Mingbo. Scheduling Strategies for Electric Vehicle Participation in Electricity Markets Under Multi-Network Collaboration[J]. Journal of South China University of Technology(Natural Science Edition), 2023, 51(12): 83-94.

图/表 19

图1

图2

图3

表1

图4

图5

图6

表2

充放电调度模型主要参、变量描述"

参量	描述	二进制参量	描述
$P m a x c h$	电动汽车最大充电功率	$I i, j p a r k (t)$	t时段车辆j在i节点停车
$P m a x d i s$	电动汽车最大放电功率	$I k, j t r (t)$	t时段车辆j在k路段行驶
$E m a x v e$	车辆容量的上限	$U i p i l e$	充电桩节点i
$E m i n v e$	车辆容量的下限	集合	描述
$η d$	放电效率系数	$I$	总的路网节点
$η c$	充电效率系数	$K$	总的路段
$Δ P k (t)$	t时刻路段k行驶消耗的能量	J	车辆的集合
$λ i d i s (t)$	t时段i节点预测放电价格	T	调度时间间隔
$λ i c h (t)$	t时段i节点预测充电价格	$S$	电池循环深度总的段数
$c s$	电池循环深度段的边际老化成本	变量	描述
$P i, m a x c h (t)$	t时段i节点的允许最大充电能量	$P i, j c h (t)$	t时段第j辆车在i节点的充电量
$P i, m a x d i s (t)$	t时段i节点的允许最大放电能量	$P i, j d i s (t)$	t时段第j辆车在i节点的放电量
$m k (t)$	t时刻在k路段上行驶所消耗的时长	$P i c h (t)$	t时段i节点充电量
		$P i d i s (t)$	t时段i节点放电量
		$P j, s c h (t)$	t时段j车在s段的充电量
		$P j, s d i s (t)$	t时段j车在s段的放电量
		$E j, s v e (t)$	t时刻车辆j在s段的电量

表2

图7

图8

图9

图10

表3

图11

图12

图13

图14

表4

表5

参考文献 32

1	于保军，于文函，孙伦杰，等．“十三五”我国纯电动汽车战略规划分析［J］．汽车工业研究，2018 （2）：40-48.
	YU Baojun， YU Wenhan， SUN Lunjie，et al ．Analysis of China’s pure electric vehicle strategic planning during the 13th Five-Year Plan［J］．Auto Industry Research，2018（2）：40-48.
2	任泽平，连一席，郭双桃．全球新能源汽车发展报告2020：百年未有之大变局［DB/OL］．（2020-07-28）［2022-12-20］．
3	TANG D， WANG P ．Nodal impact assessment and alleviation of moving electric vehicle loads：from traffic flow to power flow［J］．IEEE Transactions on Power Systems，2016，31（6）：4231-4242.
4	LUNZ B， YAN Z， GERSCHLER J B，et al ．Influence of plug-in hybrid electric vehicle charging strategies on charging and battery degradation costs［J］．Energy Policy，2012，46（1）：511-519.
5	王锡凡，邵成成，王秀丽，等．电动汽车充电负荷与调度控制策略综述［J］．中国电机工程学报，2013，33（1）：1-10.
	WANG Xifan， SHAO Chengcheng， WANG Xiuli，et al ．Survey of electric vehicle charging load and dispatch control strategies［J］．Proceedings of the CSEE，2013，33（1）：1-10.
6	CLEMENT-NYNS K， HAESEN E， DRIESEN J ．The impact of charging plug-in hybrid electric vehicles on a residential distribution grid［J］．IEEE Transactions on Power Systems，2010，25（1）：371-380.
7	IWAFUNE Y， OGIMOTO K， KOBAYASHI Y，et al ．Driving simulator for electric vehicles using the Markov chain Monte Carlo method and evaluation of the demand response effect in residential houses［J］．IEEE Access，2020，8（1）：47654-47663.
8	TAO S， LIAO K， XIAO X，et al ．Charging demand for electric vehicle based on stochastic analysis of trip chain［J］．IET Generation，Transmission & Distribution，2016，10（11）：2689-2698.
9	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，2016，7（2）：627-36.
10	张谦，王众，谭维玉，等．基于MDP随机路径模拟的电动汽车充电负荷时空分布预测［J］．电力系统自动化，2018，42（20）：59-66.
	ZHANG Qian， WANG Zhong， TAN Weiyu，et al ．Spatial-temporal distribution prediction of charging load for electric vehicle based on MDP random path simulation［J］．Automation of Electric Power Systems，2018，42（20）：59-66.
11	蒋卓臻，向月，刘俊勇，等．集成电动汽车全轨迹空间的充电负荷建模及对配电网可靠性的影响［J］．电网技术，2019，43（10）：3789-3800.
	JIANG Zhuozhen， XIANG Yue， LIU Junyong，et al ．Charging load modeling integrated with electric vehicle whole trajectory space and its impact on distribution network reliability［J］．Power System Technology，2019，43（10）：3789-3800.
12	CHEN L， YANG F， XING Q，et al ．Spatial-temporal distribution prediction of charging load for electric vehicles based on dynamic traffic information［C］∥Proceedings of 2020 IEEE 4th Conference on Energy Internet and Energy System Integration （EI2）．Wuhan：IEEE，2020：1269-1274.
13	孙志军，薛磊，许阳明，等．深度学习研究综述［J］．计算机应用研究，2012，29（8）：2806-2810.
	SUN Zhijun， XUE Lei， XU Yangming，et al ．Overview of deep learning［J］．Application Research of Computers，2012，29（8）：2806-2810.
14	MALEK Y N， NAJIB M， BAKHOUYA M，et al ．Multivariate deep learning approach for electric vehicle speed forecasting［J］．Big Data Mining and Analytics，2021，4（1）：56-64.
15	李彬．基于深度学习的电动汽车负荷预测研究［D］．长沙：长沙理工大学，2019.
16	朱俊丞．基于深度学习的多时间尺度电动汽车充电负荷预测模型设计［D］．郑州：郑州大学，2020.
17	LIN J， DONG P， LIU M，et al ．Research on demand response of electric vehicle agents based on multi-layer machine learning agorithm［J］．IEEE Access，2020，8（1）：224224-224234.
18	温剑锋，陶顺，肖湘宁，等．基于出行链随机模拟的电动汽车充电需求分析［J］．电网技术，2015，39（6）：1477-1484.
	WEN Jianfeng， TAO Shun， XIAO Xiangning，et al ．Analysis on charging demand of EV based on stochastic simulation of trip chain［J］．Power System Technology，2015，39（6）：1477-1484.
19	张晨彧，丁明，张晶晶．基于交通出行矩阵的私家车充电负荷时空分布预测［J］．电工技术学报，2017，32（1）：78-87.
	ZHANG Chenyu， DING Ming， ZHANG Jingjing ．A temporal and spatial distribution forecasting of private car charging load based on origin-destination matrix ［J］．Transactions of China Electrotechnical Society，2017，32（1）：78-87.
20	严弈遥，罗禹贡，朱陶，等．融合电网和交通网信息的电动车辆最优充电路径推荐策略［J］．中国电机工程学报，2015，35（2）：310-318.
	YAN Yiyao， LUO Yugong， ZHU Tao，et al ．Optimal charging route recommendation method based on transportation and distribution information［J］．Proceedings of the CSEE，2015，35（2）：310-318.
21	杨洪明，李明，文福拴，等．利用实时交通信息感知的电动汽车路径选择和充电导航策略［J］．电力系统自动化，2017，41（11）：106-113.
	YANG Hongming， LI Ming， WEN Fushuan，et al ．Route selection and charging navigation strategy for electric vehicles employing real-time traffic information perception［J］．Automation of Electric Power Systems，2017，41（11）：106-113.
22	侯慧，樊浩，苏舒，等．多方互利共赢的电动汽车智能充电服务策略［J］．电力系统自动化，2017，41（19）：66-73.
	HOU Hui， FAN Hao， SU Shu，et al ．Multilateral win-win strategy for smart charging service of electric vehicle［J］．Automation of Electric Power Systems，2017，41（19）：66-73.
23	程杉，王贤宁，冯毅煁．电动汽车充电站有序充电调度的分散式优化［J］．电力系统自动化，2018，42（1）：39-46.
	CHEN Shan， WANG Xianning， FENG Yichen ．Decentralized optimization of ordered charging scheduling in electric vehicle charging station［J］．Automation of Electric Power Systems，2018，42（1）：39-46.
24	陈奎，马子龙，周思宇，等．电动汽车两阶段多目标有序充电策略研究［J］．电力系统保护与控制，2020，48（1）：65-72.
	CHEN Kui， MA Zilong， ZHOU Siyu，et al ．Charging control strategy for electric vehicles based on two-stage multi-target optimization［J］．Power System Protection and Control，2020，48（1）：65-72.
25	GALUS M D， WARAICH R A， NOEMBRINI F，et al. Integrating power systems，transport systems and vehicle technology for electric mobility impact assessment and efficient control［J］．IEEE Transactions on Smart Grid，2012，3（2）：934-949.
26	宋媛媛．基于行驶工况的纯电动汽车能耗建模及续驶里程估算研究［D］．北京：北京交通大学，2014.
27	LUO Y， ZHU T， WAN S，et al ．Optimal charging scheduling for large-scale EV （electric vehicle） deployment based on the interaction of the smart-grid and intelligent-transport systems［J］．Energy，2016，97：359-368.
28	XU B， ZHAO J， ZHENG T，et al ．Factoring the cycle aging cost of batteries participating in electricity markets［J］．IEEE Transactions on Power Systems，2017，33（2）：2248-2259.
29	缪鹏彬．基于改进核密度估计和拉丁超立方抽样的电动汽车负荷模型［D］．重庆：重庆大学，2016.
30	PAPAVASILIOU A ．Analysis of distribution locational marginal prices［J］．IEEE Transactions on Smart Grid，2018，9（5）：4872-4882.
31	广东省发展和改革委员会．关于进一步完善我省峰谷分时电价政策有关问题的通知［EB/OL］．（2021-08-31）［2022-12-20］．.
32	广东省发展和改革委员会．广州市发展改革委关于电动汽车充电服务费试行收费标准的通知［EB/OL］．（2017-01-04）［2022-12-20］．.

字段名称	字段类型	字段说明
行程编号	Double	格式ddd，以数字编码
日期	Datatime	格式yyyy/mm/dd
时间	Datatime	格式hh：mm：ss P/AM
经度	Double	格式dd.dddd脱敏经度
纬度	Double	格式dd.dddd脱敏纬度
路段限速	Double	格式dd.dddd，单位km/h
瞬时速度	Double	格式dd.dddd，单位km/h
车辆状态	Double	格式dddd数据类型

调度方式	购电费用	卖电收益	放电电池折旧成本	净收益
充电调度	115.0	0.0	0.000	-115.0
充放电调度	431.5	481.9	1.748	48.6

充放电调度	购电费用	卖电收益	放电电池折旧成本	净收益
阻塞前	132.7	140.6	0.534	7.366
阻塞后	172.9	237.5	0.617	63.980

离家时间				停留时长
正偏差/min	正偏差对应的收益比/%	负偏差/min	负偏差对应的收益比/%	正偏差/min	正偏差对应的收益比/%	负偏差/min	负偏差对应的收益比/%
+20	4.4	-20	2.1	+20	4.4	-20	3.7
+40	5.7	-40	3.8	+40	4.5	-40	2.9
+60	7.8	-60	4.1	+60	5.2	-60	2.9

[1]	巩忠文, 熊二刚, 王文翔, 等. 基于裂缝滑移模型的无腹筋RC梁抗剪承载力计算[J]. 华南理工大学学报(自然科学版), 2024, 52(5): 114-126.
[2]	赵建东, 许慧玲, 吕行, 等. 考虑代价敏感的高速公路车辆偷逃费行为集成学习识别模型[J]. 华南理工大学学报(自然科学版), 2024, 52(5): 10-19.
[3]	上官文斌, 岳炼, 吕辉, 等. 基于载荷谱的电池包疲劳试验与计算方法[J]. 华南理工大学学报(自然科学版), 2024, 52(3): 50-56.
[4]	周楚昊, 林培群, 闫明月. 基于自监督学习的交通数据补全算法[J]. 华南理工大学学报(自然科学版), 2023, 51(4): 101-114.
[5]	裴明阳, 朱宏昱. 电动汽车动态无线充电路段优化建模方法[J]. 华南理工大学学报(自然科学版), 2023, 51(10): 135-151.
[6]	罗玉涛, 吴志强. 基于DAEKF算法的锂离子电池主要状态在线联合估计[J]. 华南理工大学学报(自然科学版), 2023, 51(1): 84-94.
[7]	王晓飞, 李思雨, 陈迷, 等. 平凸曲线组合均衡性对公路安全性的影响[J]. 华南理工大学学报(自然科学版), 2022, 50(7): 76-84.
[8]	宋建, 王文龙, 李东, 等. 基于Stacking集成学习的注塑件尺寸预测方法[J]. 华南理工大学学报(自然科学版), 2022, 50(6): 19-26.
[9]	林培群夏雨周楚昊. 引入时空特征的高速公路行程时间预测方法[J]. 华南理工大学学报(自然科学版), 2021, 49(8): 1-11.
[10]	刘汉武, 雷雨龙, 付尧, 等. 基于多目标优化的增程式电动汽车自适应制动回馈控制策略[J]. 华南理工大学学报（自然科学版）, 2021, 49(7): 42-50,65.
[11]	贾若, 戴昇宏, 黄霓, 等. 交通拥堵判别方法研究综述[J]. 华南理工大学学报（自然科学版）, 2021, 49(4): 124-139.
[12]	上官文斌, 方致远, 李利平, 等. 动力总成-副车架悬置系统的刚体模态和位移控制计算方法[J]. 华南理工大学学报(自然科学版), 2021, 49(3): 1-7.
[13]	靳文舟胡为洋邓嘉怡, 等. 基于混合算法的需求响应公交灵活调度模型 [J]. 华南理工大学学报（自然科学版）, 2021, 49(1): 123-133.
[14]	赵静, 王选仓, 樊振阳, 等. 基于支持向量机的沥青路面性能评价[J]. 华南理工大学学报（自然科学版）, 2020, 48(9): 116-123.
[15]	郭烈, 葛平淑, 许林娜, 等. 转向工况下的分布式电动汽车稳定性控制[J]. 华南理工大学学报（自然科学版）, 2020, 48(3): 100-107.