一种考虑电动汽车集群可调度能力的配电网优化调度方法

1.一种考虑电动汽车集群可调度能力的配电网优化调度方法，其特征在于，包括：建立电动汽车个体充放电模型，并根据电动汽车个体充放电模型，基于单辆电动汽车的功率边界和能量边界，利用闵可夫斯基求和建立电动汽车集群虚拟储能运行域；根据电动汽车集群虚拟储能运行域，分别以配电网运营商和电动汽车聚合商各自运营成本最低为目标建立协同优化调度模型；所述协同优化调度模型的目标函数为：其中， 为上层配电网优化目标； 为决策变量； 为上层模型决策变量集合； 为配电网发电成本； 为第 台发电机组在 时刻的发电功率； 为配电网购电成本； 为购电节点 在 时刻的购电功率； 为电动汽车集群用能成本； 为电动汽车集群 在 时刻的充电或放电功率； 为下层电动汽车集群优化目标； 为下层模型决策变量集合； 为电动汽车离网时刻； 为电动汽车集群集合； 为 时刻电动汽车的充电电价； 为电动汽车集群 在 时刻的充电功率； 为 时刻电动汽车的放电电价； 为电动汽车集群 在 时刻的放电功率； 为发电机集合； 、 和 均为第 台发电机组的发电成本系数； 为购电节点集合； 为 时刻的购电电价； 为第 台发电机组在 时刻的无功功率； 为 时刻配电网中的光伏发电功率； 为 时刻配电网中的风电发电功率；刻画新能源出力和电动汽车响应能量预测不确定性，建立基于Wasserstein距离的不确定集；根据协同优化调度模型和基于Wasserstein距离的不确定集，建立基于Wasserstein距离的分布鲁棒优化调度模型并转化为混合整数线性规划问题进行求解，完成配电网优化调度。 2.根据权利要求1所述考虑电动汽车集群可调度能力的配电网优化调度方法，其特征在于，所述建立电动汽车个体充放电模型，并根据电动汽车个体充放电模型，基于单辆电动汽车的功率边界和能量边界，利用闵可夫斯基求和建立电动汽车集群虚拟储能运行域，具体为：建立电动汽车个体充放电模型：其中， 为第 辆电动汽车在 t 时刻的充电功率； 为第 辆电动汽车的额定充电功率； 为时间； 为电动汽车的入网时刻； 为电动汽车的离网时刻； 为第 辆电动汽车在 时刻的放电功率； 为第 辆电动汽车的额定放电功率； 为第 辆电动汽车在 时刻的电量； 为第 辆电动汽车在 时刻的电量； 为电动汽车的充电效率； 为时间步长； 为电动汽车的放电效率； 为第 辆电动汽车的最小电量； 为第 辆电动汽车的最大电量； 为第 辆电动汽车在 时刻的的电量； 为第 辆电动汽车入网时的电量； 为第 辆电动汽车在 时刻的电量； 为电动汽车离网时刻； 为第 辆电动汽车离网时的期望电量；根据电动汽车个体充放电模型，计算得到单辆电动汽车的功率边界和能量边界：其中， 为电动汽车在 时刻的能量上边界； 为电动汽车入网时的电量； 为电动汽车在 时刻的电量； 为电动汽车的额定充电功率； 为电动汽车离网时的期望电量； 为电动汽车的额定放电功率； 为电动汽车的最大电量； 为电动汽车在 时刻的能量下边界； 为电动汽车的最小电量； 为电动汽车在 时刻的功率上限； 为电动汽车在 时刻的功率下限；根据单辆电动汽车的功率边界和能量边界，以每个充电站为一个电动汽车集群，利用闵可夫斯基求和将充电站内的电动汽车能量与功率边界叠加得到电动汽车集群虚拟储能运行域：其中， 为电动汽车集群 在 时刻的最大充电功率； 为电动汽车集群； 为布尔变量，为0时表示电动汽车处于离网状态，为1时表示电动汽车处于并网状态； 为电动汽车集群 在 时刻的最大放电功率； 、 分别为电动汽车集群 在 时刻的能量上边界和能量下边界； 、 分别为第 辆电动汽车在 时刻的能量上边界和能量下边界。 3.根据权利要求1所述考虑电动汽车集群可调度能力的配电网优化调度方法，其特征在于，所述协同优化调度模型的约束条件包括潮流平衡约束、安全约束、发电功率约束、购电功率约束、新能源出力约束、电动汽车电价约束和电动汽车充放电功率约束：其中， 为 时刻节点 处有功注入功率； 为 时刻支路 中从 流向 的有功功率； 为以节点 为首端节点的支路末端节点集合； 为以节点 为末端节点的支路首端节点集合； 为 时刻支路 中从 流向 的有功功率； 为 时刻支路 的电阻； 为 时刻支路 中从 流向 的电流幅值平方； 为 时刻节点 处无功注入功率； 为 时刻支路 中从 流向 q 的无功功率； 为 时刻支路 中从 流向 的无功功率； 为 时刻支路 的电抗； 为 时刻节点 处发电机发出的有功功率； 为 时刻节点 的购电功率； 为 时刻节点 的光伏发电功率； 为 时刻节点 的风力发电功率； 为 时刻节点 处电动汽车集群的充放电功率； 为 时刻节点 处的常规有功负荷； 为 时刻节点 处发电机发出的无功功率； 为 时刻节点 处的常规无功负荷； 为 时刻节点 处电压幅值平方； 为 时刻节点 处电压幅值平方； 为节点电压幅值的下限； 为节点电压幅值的上限； 为支路电流幅值上限； 为发电机 的最小有功出力； 为发电机 的最大有功出力； 为发电机 的最小无功出力； 为发电机 的最大无功出力； 为发电机的下爬坡速率； 为 -1时刻节点 处发电机发出的有功功率； 为发电机的上爬坡速率； 为 时刻 节点的购电限值； 为光伏的最大出力预测值； 为风电的最大出力预测值； 为 时刻的购电电价； 为 时刻电动汽车的充电电价； 为 时刻电动汽车的放电电价； 为电动汽车集群 在 时刻的充电功率； 为电动汽车集群 在 时刻的最大充电功率； 为电动汽车集群 在 时刻的放电功率； 为布尔变量，表示电动汽车集群 在任意时刻只存在充电或放电一种行为； 为电动汽车集群 在 时刻的最大放电功率； 为 时刻电动汽车集群 的总能量； 为 -1时刻电动汽车集群 的总能量； 为电动汽车的充电效率； 为电动汽车的放电效率； 为电动汽车集群 在 时刻的能量上边界； 为电动汽车集群 在 时刻的能量下边界； 为 时刻电动汽车集群 的总能量； 为集群 离网时的期望电量； 为电动汽车集群 在 时刻的能量下边界。 4.根据权利要求1所述考虑电动汽车集群可调度能力的配电网优化调度方法，其特征在于，所述基于Wasserstein距离的不确定集的表达式为：其中， 为基于Wasserstein距离的新能源出力预测误差不确定集； 为不确定量的经验分布； 为真实分布； 为经验分布 中的不确定量； 为经验分布 中与 对应的辅助变量； 为辅助变量的期望值； 为Wasserstein球半径； 为辅助变量的期望值上界的约束； 为从经验分布 的支撑集 中取出任意的 及与之对应的 ，也满足不确定量的真实分布； 为不确定变量； 为辅助变量； 为样本 的支撑集； 为从样本数据中抽取出的第 条样本； 为从经验分布 中抽取样本 的分布情况； 为每种分布的概率； 为每种分布的概率相等，均为 ； 为样本数据总数； 为样本数据； 为不确定量的下界； 为不确定量的上界。 5.根据权利要求1所述考虑电动汽车集群可调度能力的配电网优化调度方法，其特征在于，所述根据协同优化调度模型和基于Wasserstein距离的不确定集，建立基于Wasserstein距离的分布鲁棒优化调度模型并转化为混合整数线性规划问题进行求解，完成配电网优化调度，具体为：根据协同优化调度模型和基于Wasserstein距离的不确定集，提出两阶段分布鲁棒优化调度模型；将两阶段分布鲁棒优化调度模型转化为混合整数规划问题；对混合整数规划问题求解，完成配电网优化调度。 6.根据权利要求5所述考虑电动汽车集群可调度能力的配电网优化调度方法，其特征在于，所述两阶段分布鲁棒优化调度模型的表达式为：其中， 为两阶段分布鲁棒优化调度模型； 为第一阶段确定性优化目标，即协同优化调度模型的目标函数； 为第二阶段优化目标，表示系统为应对不确定变量的影响，在第一阶段确定性优化基础上，对发电、购电功率以及电动汽车集群充电功率作出的调整项； 为目标函数最小值时的优化决策变量 x ； 为决策变量； X 为第一阶段的决策变量集合，包括 和 ； 为上层模型决策变量集合； 为下层模型决策变量集合； 为第一阶段目标函数中决策变量 x 的系数向量的转置； 为寻找不确定变量的最恶劣分布情况，使得第二阶段优化目标函数取值最大； 为求期望； 为第二阶段目标函数中与决策变量 相对应的系数变量的转置； 为第二阶段优化决策变量，包括 、 和 ； 为应对不确定变量的影响，配电网发电成本的调整量； 为应对不确定变量的影响，配电网购电成本的调整量； 为应对不确定变量的影响，电动汽车集群充电成本的调整量； 为第一阶段约束条件的系数矩阵； 为第一阶段约束条件的参数向量； 为第二阶段约束中变量 的系数矩阵； 为第二阶段约束中变量 的系数矩阵； 为与不确定变量 v 相关的约束式。 7.根据权利要求5所述考虑电动汽车集群可调度能力的配电网优化调度方法，其特征在于，所述混合整数规划问题的表达式为：其中， 为优化决策变量 、 、 ，求取目标函数最小值； 为变量 y 经仿射策略线性转化后，与不确定量 v 具有线性关系的决策变量； 为第一阶段目标函数中决策变量 x 的系数向量的转置； 为样本数据总数； 为样本数据编号； 为辅助变量； 为对偶变量； 为Wasserstein球半径； 为第二阶段目标函数中与决策变量 相对应的系数变量的转置； 为第二阶段目标函数； 为将不确定量的样本数据代入目标函数，求得此时的目标函数值，不确定量即新能源出力预测误差； 为将不确定量上界值带入目标函数，求得此时的目标函数值； 为将不确定量下界值带入目标函数，求得此时的目标函数值； 为第 条样本数据； 为第一阶段约束条件的系数矩阵； 为第一阶段约束条件的参数向量； 为不确定变量 v 取上界值 时的决策变量； 为不确定变量 v 取下界值 时的决策变量； 为不确定量的下界； 为不确定量的上界； 为第二阶段约束中变量 的系数矩阵； 为第二阶段约束中变量 的系数矩阵； 为与不确定变量 呈线性关系的决策变量； 为将 带入约束式 ； 为与不确定变量 呈线性关系的决策变量； 为将 带入约束式 。