本發(fā)明屬于電力系統(tǒng)調(diào)度優(yōu)化，更具體地，涉及一種電動(dòng)汽車參與配電網(wǎng)的雙層經(jīng)濟(jì)優(yōu)化調(diào)度方法及系統(tǒng)。

背景技術(shù)：

1、隨著“雙碳”目標(biāo)推進(jìn)，風(fēng)力發(fā)電、光伏發(fā)電等可再生能源大規(guī)模接入配電網(wǎng)，電動(dòng)汽車作為移動(dòng)儲(chǔ)能單元快速普及，配電網(wǎng)呈現(xiàn)“源-網(wǎng)-荷-儲(chǔ)”多元互動(dòng)特征?，F(xiàn)有調(diào)度方法存在以下不足：?jiǎn)螌觾?yōu)化模型難以協(xié)調(diào)配電網(wǎng)運(yùn)行成本與電動(dòng)汽車虛擬儲(chǔ)能、風(fēng)光-電動(dòng)汽車主體的利益平衡；對(duì)風(fēng)光出力隨機(jī)性、電動(dòng)汽車充電負(fù)荷波動(dòng)性的處理能力不足；缺乏多主體協(xié)同優(yōu)化機(jī)制，無法充分挖掘電動(dòng)汽車虛擬儲(chǔ)能在調(diào)峰、調(diào)頻及需求響應(yīng)中的價(jià)值。所以，為了適用于含高比例可再生能源與移動(dòng)儲(chǔ)能資源的智能配電網(wǎng)調(diào)度場(chǎng)景，公開了一種電動(dòng)汽車參與配電網(wǎng)的雙層經(jīng)濟(jì)優(yōu)化調(diào)度方法及系統(tǒng)意義重大。

技術(shù)實(shí)現(xiàn)思路

1、針對(duì)現(xiàn)有技術(shù)的以上缺陷或改進(jìn)需求，本技術(shù)發(fā)明專利公開了一種電動(dòng)汽車參與配電網(wǎng)的雙層經(jīng)濟(jì)優(yōu)化調(diào)度方法及系統(tǒng)，由此解決大規(guī)模電動(dòng)汽車接入配電網(wǎng)帶來經(jīng)濟(jì)調(diào)度問題。

2、為實(shí)現(xiàn)上述目的，按照本發(fā)明的一個(gè)方面，提供了一種電動(dòng)汽車參與配電網(wǎng)的雙層經(jīng)濟(jì)優(yōu)化調(diào)度方法，包括：

3、步驟一、通過約束條件將物理分散的電動(dòng)汽車資源池化為邏輯統(tǒng)一的虛擬儲(chǔ)能單元——電動(dòng)汽車虛擬儲(chǔ)能；

4、步驟二、構(gòu)建電動(dòng)汽車參與配電網(wǎng)的雙層模型，以配電網(wǎng)綜合成本最小化作為目標(biāo)函數(shù)建立上層模型，設(shè)定約束條件，生成動(dòng)態(tài)邊界電價(jià)；以電動(dòng)汽車虛擬儲(chǔ)能收益最大化作為目標(biāo)函數(shù)建立下層模型，設(shè)定對(duì)應(yīng)約束條件；

5、步驟三、通過飄移-聚簇雙種群協(xié)同機(jī)制的自適應(yīng)分子動(dòng)算法求解雙層模型，通過雙層反饋機(jī)制得到最優(yōu)雙層經(jīng)濟(jì)調(diào)度方法。

6、步驟一、優(yōu)選地，通過約束條件將物理分散的電動(dòng)汽車資源池化為邏輯統(tǒng)一的虛擬儲(chǔ)能單元——電動(dòng)汽車虛擬儲(chǔ)能，具體步驟如下：

7、電動(dòng)汽車虛擬儲(chǔ)能用戶數(shù)量約束為：

8、

9、其中，為電動(dòng)汽車虛擬儲(chǔ)能系統(tǒng)最大服務(wù)用戶數(shù)，其由下列公式動(dòng)態(tài)調(diào)整：

10、

11、其中，smax為最大儲(chǔ)存容量，ηdis為放電效率，為電動(dòng)汽車虛擬儲(chǔ)能單個(gè)用戶平均充電功率，為平均充電時(shí)長(zhǎng)，由此可動(dòng)態(tài)調(diào)整可調(diào)度的車輛數(shù)量；

12、由此可計(jì)算出電動(dòng)汽車虛擬儲(chǔ)能池的聚合容量為：

13、

14、其中，si為第i輛電動(dòng)汽車的電池容量；

15、實(shí)時(shí)可調(diào)度的功率為：

16、

17、其中，pimax為第i輛電動(dòng)汽車的最大充放電功率，δt為調(diào)度時(shí)間間隔；

18、由此可得到充電指令分配和放電指令分配分別為：

19、

20、其中，ηd,j為第j輛電動(dòng)汽車的放電效率，由此可實(shí)時(shí)更新用戶數(shù)量：

21、

22、其中，soci表示第i輛電動(dòng)汽車的荷電狀態(tài)，soctarget表示目標(biāo)聚合系統(tǒng)的荷電狀態(tài)。

23、步驟二，優(yōu)選地，構(gòu)建電動(dòng)汽車參與配電網(wǎng)的雙層模型，其上層模型中，以配電網(wǎng)綜合成本最小化作為目標(biāo)函數(shù)，以爬坡功率、功率平衡、需求響應(yīng)和設(shè)備出力為約束條件，構(gòu)建上層配電網(wǎng)最小運(yùn)行成本模型，生成動(dòng)態(tài)邊界電價(jià)，具體步驟為：

24、步驟1：配電網(wǎng)綜合成本最小化作為目標(biāo)函數(shù)，函數(shù)表達(dá)式為：

25、f＝min(fu+fb+fd+floss)?(8)

26、其中，f為配電網(wǎng)運(yùn)行成本，fu為電動(dòng)汽車虛擬儲(chǔ)能系統(tǒng)使用成本，fb為配電網(wǎng)購(gòu)電成本，fd為風(fēng)電能源棄電懲罰成本，floss為配電網(wǎng)網(wǎng)損成本；

27、步驟2：將各個(gè)成本以t為時(shí)間索引，t為調(diào)度總時(shí)段表達(dá)，電動(dòng)汽車虛擬儲(chǔ)能系統(tǒng)使用成本fu為：

28、

29、其中，e為配電網(wǎng)中電動(dòng)汽車虛擬儲(chǔ)能系統(tǒng)集合，為t時(shí)段電動(dòng)汽車虛擬儲(chǔ)能系統(tǒng)e的放電功率，為電動(dòng)汽車虛擬儲(chǔ)能系統(tǒng)e的放電服務(wù)單價(jià)，為電動(dòng)汽車虛擬儲(chǔ)能系統(tǒng)e的凈充電功率，為電動(dòng)汽車虛擬儲(chǔ)能系統(tǒng)e的凈充電單價(jià)；

30、配電網(wǎng)購(gòu)電成本fb為：

31、fb＝fg+fev?(10)

32、其中，fg為配電網(wǎng)向上級(jí)電網(wǎng)購(gòu)電成本，表達(dá)式為：

33、

34、其中，z為配電網(wǎng)中變電站集合，為t時(shí)段配電網(wǎng)通過變電站z向上級(jí)電網(wǎng)購(gòu)電功率，cz(t)為t時(shí)段對(duì)應(yīng)的電網(wǎng)購(gòu)電價(jià)格；

35、fev為配電網(wǎng)向供電的電動(dòng)汽車購(gòu)電成本，表達(dá)式為：

36、

37、其中，v為向配電網(wǎng)供電的電動(dòng)汽車集合，為t時(shí)段配電網(wǎng)通過向供電電動(dòng)汽車v的購(gòu)電功率，cv(t)為t時(shí)段對(duì)應(yīng)的電動(dòng)汽車購(gòu)電價(jià)格；

38、風(fēng)電能源棄電懲罰成本fd為：

39、

40、其中，wt、pv分別為配電網(wǎng)中風(fēng)力發(fā)電機(jī)組、光伏發(fā)電機(jī)組集合，分別為t時(shí)段風(fēng)力發(fā)電機(jī)組wt、光伏發(fā)電機(jī)組pv的預(yù)測(cè)出力值，分別為t時(shí)段風(fēng)力發(fā)電機(jī)組wt、光伏發(fā)電機(jī)組pv的實(shí)際出力值，分別為風(fēng)力發(fā)電機(jī)組wt、光伏發(fā)電機(jī)組pv的棄電懲罰單價(jià)；

41、配電網(wǎng)網(wǎng)損成本floss為：

42、

43、其中，closs為損失價(jià)格系數(shù)，il(t)為t時(shí)段配電網(wǎng)的線路電流，rl為線路電阻；

44、步驟3：設(shè)置約束條件，爬坡功率約束為：

45、

46、其中，和分別為電動(dòng)汽車、風(fēng)力發(fā)電機(jī)組和光伏發(fā)電機(jī)組的爬坡功率；

47、功率平衡約束分為有功功率平衡約束和無功功率平衡約束，有功功率平衡約束為：

48、

49、其中，s為負(fù)荷所在節(jié)點(diǎn)的集合，ps(t)為t時(shí)段負(fù)荷s的有功需求，ploss(t-1)為上一時(shí)段配電網(wǎng)所有線路的總網(wǎng)損功率；

50、無功功率約束為：

51、

52、其中，qs(t)為t時(shí)段負(fù)荷s的無功需求；

53、需求響應(yīng)約束為：

54、

55、其中，分別為t時(shí)段可時(shí)移電負(fù)荷的上、下限；分別為t時(shí)段可中斷負(fù)荷的上、下限；

56、設(shè)備出力約束為：

57、

58、其中，分別為t時(shí)段電網(wǎng)出力的上、下限；分別為t時(shí)段電動(dòng)汽車出力的上、下限；分別為t時(shí)段風(fēng)力發(fā)電機(jī)組出力的上、下限；分別為t時(shí)段光伏發(fā)電機(jī)組的上、下限；

59、步驟4：實(shí)時(shí)計(jì)算節(jié)點(diǎn)電價(jià)，生成的動(dòng)態(tài)邊界電價(jià)為cbd(t)：

60、cbd(t)＝cen(t)+closs(t)?(20)

61、其中，cen(t)為電能成本分量，在數(shù)值上等于實(shí)時(shí)的購(gòu)電價(jià)格；closs(t)為網(wǎng)損價(jià)格分量，表達(dá)式為：

62、

63、其中，floss為網(wǎng)損成本，pe(t)為電動(dòng)汽車虛擬儲(chǔ)能凈注入功率。

64、優(yōu)選地，構(gòu)建電動(dòng)汽車參與配電網(wǎng)的雙層模型，其下層模型中，以電動(dòng)汽車虛擬儲(chǔ)能收益最大化作為目標(biāo)函數(shù)，以電動(dòng)汽車虛擬儲(chǔ)能系統(tǒng)功率、購(gòu)電容量作為約束條件，建立下層電動(dòng)汽車虛擬儲(chǔ)能收益最大化模型，具體步驟如下：

65、步驟1：儲(chǔ)能收益最大化作為目標(biāo)函數(shù)，函數(shù)表達(dá)式為：

66、

67、其中，α為收益共享系數(shù)，δfsys(t)為系統(tǒng)成本減少量；

68、步驟2：設(shè)置約束條件，電動(dòng)汽車虛擬儲(chǔ)能系統(tǒng)功率約束為：

69、

70、其中，為t時(shí)段電動(dòng)汽車虛擬儲(chǔ)能放電功率，為t時(shí)段電動(dòng)汽車放電功率，為t時(shí)段電網(wǎng)負(fù)荷，ploss(t)為t時(shí)段網(wǎng)絡(luò)損失；為t時(shí)段電動(dòng)汽車虛擬儲(chǔ)能充電功率，為t時(shí)段電動(dòng)汽車凈充電功率，為t時(shí)段風(fēng)力發(fā)電機(jī)組出力，為t時(shí)段光伏發(fā)電機(jī)組出力；

71、購(gòu)電容量約束為pbuy(t)：

72、

73、其中，為t時(shí)段內(nèi)購(gòu)電功率上限；

74、優(yōu)選地，通過反場(chǎng)景對(duì)比法計(jì)算系統(tǒng)減少成本δfsys：

75、

76、其中，為基準(zhǔn)場(chǎng)景下的上層模型成本，為最優(yōu)場(chǎng)景下的上層模型成本；

77、其中的基準(zhǔn)場(chǎng)景為：

78、

79、其中，為電動(dòng)汽車虛擬儲(chǔ)能的充電功率，為電動(dòng)汽車虛擬儲(chǔ)能的放電功率，都為0表示電動(dòng)汽車虛擬儲(chǔ)能不參與調(diào)度；α為收益共享系數(shù)，α＝0表示電動(dòng)汽車虛擬儲(chǔ)能僅通過電價(jià)套利獲利。

80、步驟三、優(yōu)選地，通過飄移-聚簇雙種群協(xié)同機(jī)制的自適應(yīng)分子動(dòng)算法求解雙層模型得到對(duì)應(yīng)方案，具體步驟為：

81、步驟1：初始化參數(shù)，設(shè)定飄移分子為nd為飄移分子數(shù)量，每個(gè)飄移分子表示一個(gè)調(diào)度決策向量；設(shè)定聚簇分子為nc為聚簇分子數(shù)量，聚簇分子表示電動(dòng)汽車虛擬儲(chǔ)能充放電策略；設(shè)定最大迭代次數(shù)為n，t為迭代次數(shù)；

82、步驟2：隨機(jī)生成分子空間，將上層模型的調(diào)度決策向量合并為高維向量：

83、

84、隨機(jī)初始化飄逸分子位置：

85、xi＝li+rand×(ui-li)?(28)

86、其中，rand是[0,1]范圍內(nèi)生成的任意數(shù)，yi是第i個(gè)個(gè)體的起始值，ui和li是分別反映了搜索空間的上限和下限；

87、步驟3：求解上層模型，對(duì)目標(biāo)函數(shù)進(jìn)行計(jì)算：

88、xi＝f(y)?(29)

89、其中，xi為表示第i個(gè)個(gè)體的成本；

90、對(duì)約束條件進(jìn)行處理，利用罰函數(shù)法將約束違反量加入適應(yīng)度值：

91、

92、其中，ω1為上層懲罰系數(shù)，violation包括爬坡越限、功率不平衡等；對(duì)離散變量進(jìn)行處理，機(jī)組啟停狀態(tài)通過sigmoid函數(shù)映射：

93、

94、其中，h＝1表示機(jī)組開啟狀態(tài)，h＝0表示機(jī)組停止?fàn)顟B(tài)；

95、通過梯度下降法算出上層目標(biāo)函數(shù)的最優(yōu)解

96、步驟4：基于上層目標(biāo)函數(shù)最優(yōu)解生成全局力場(chǎng)fg(t)：

97、

98、其中，wi,j為分子間相互作用強(qiáng)度，為最優(yōu)飄移分子間距離；全局力場(chǎng)對(duì)xi的微分為力場(chǎng)梯度響應(yīng)▽fg(t)；

99、步驟5：飄移分子會(huì)根據(jù)力場(chǎng)濃度進(jìn)行定向飄移運(yùn)動(dòng)，其運(yùn)動(dòng)的方向和速度可隨外部場(chǎng)強(qiáng)動(dòng)態(tài)調(diào)整，飄移運(yùn)動(dòng)的狀態(tài)更新方程為：

100、

101、其中，λ(t)為自適應(yīng)飄移系數(shù)，fg(t)為全局力場(chǎng)參數(shù)，為目標(biāo)函數(shù)梯度引導(dǎo)項(xiàng)；

102、自適應(yīng)飄移系數(shù)的更新規(guī)則為：

103、

104、其中，為響應(yīng)梯度，其在減小時(shí)，搜索步長(zhǎng)縮小，進(jìn)入精細(xì)勘探階段；λ0為初始自適應(yīng)飄移系數(shù)；ε為極小正數(shù)，防止步長(zhǎng)衰減至零，保持全局搜索能力；

105、步驟6：求解下層模型，對(duì)目標(biāo)函數(shù)進(jìn)行計(jì)算：

106、yj＝-r(xi)?(35)

107、其中，r(xi)表示在成本為xi下的電動(dòng)汽車虛擬儲(chǔ)能收益，目標(biāo)函數(shù)化為最小值問題；

108、對(duì)約束條件進(jìn)行處理，利用罰函數(shù)法將約束違反量加入適應(yīng)度值：

109、

110、其中，ω2為下層懲罰系數(shù)，violation包括容量越限、功率不平衡等；

111、通過梯度下降法求的下層目標(biāo)函數(shù)最優(yōu)解

112、步驟7：對(duì)每個(gè)上層飄移分子，計(jì)算其對(duì)應(yīng)的下層聚簇分子的聚簇勢(shì)能：

113、

114、其中，v(yij)表示第i個(gè)飄移分子對(duì)應(yīng)的第j個(gè)聚簇分子的聚簇勢(shì)能，|yij-yik|表示聚簇分子間的距離，a為短程排斥力系數(shù)，b主導(dǎo)長(zhǎng)程吸引力系數(shù)；

115、步驟8：計(jì)算聚簇梯度▽v(yij)，引導(dǎo)下層聚簇分子向低勢(shì)能區(qū)域聚集；

116、步驟9：引入上層最優(yōu)解的引導(dǎo)，加速收斂：

117、

118、其中，gij為上層引導(dǎo)項(xiàng)，κ為引導(dǎo)強(qiáng)度系數(shù)，為上層最優(yōu)解；

119、步驟10：更新下層聚簇分子位置：

120、

121、其中，μ(t)為自適應(yīng)聚簇系數(shù)，其更新公式為：

122、

123、其中，μ0為初始自適應(yīng)聚簇系數(shù)，vmin(t)為當(dāng)前最小勢(shì)能，δ為防止分母為零的小正數(shù)；

124、步驟11：更新全局最優(yōu)解

125、步驟12：判斷結(jié)果是否收斂，若不收斂，則繼續(xù)迭代；若收斂或達(dá)到最大迭代次數(shù)，則輸出結(jié)果。

126、優(yōu)選地，通過雙層反饋機(jī)制獲得最優(yōu)的電動(dòng)汽車參與配電網(wǎng)的雙層經(jīng)濟(jì)調(diào)度方法，具體步驟如下：

127、步驟1：輸入電動(dòng)汽車虛擬儲(chǔ)能充放電策略即充電策略和放電策略

128、步驟2：通過雙層反饋機(jī)制更新收益共享系數(shù)為α*：

129、

130、其中，γ為平衡系數(shù)，u為系統(tǒng)效用函數(shù)，函數(shù)表達(dá)式為：

131、u＝β1δfsys(t)+β2re(t)?(42)

132、其中，δfsys(t)為系統(tǒng)減少成本，re(t)為電動(dòng)汽車虛擬儲(chǔ)能系統(tǒng)收益，β1和β2為權(quán)重系數(shù)，滿足β1+β2＝1；

133、步驟3：修正動(dòng)態(tài)邊界電價(jià)為

134、

135、其中，maxξ∈u(cen(ξ)+closs(ξ))表示覆蓋最惡劣場(chǎng)景下的成本，表示補(bǔ)償電動(dòng)汽車虛擬儲(chǔ)能的系統(tǒng)價(jià)值貢獻(xiàn)；

136、步驟4：將下層輸出的修正收益共享系數(shù)α*和電動(dòng)汽車虛擬儲(chǔ)能充放電策略傳入上層，更新購(gòu)電成本和網(wǎng)損成本；上層更新修正動(dòng)態(tài)邊界電價(jià)后傳入下層；

137、步驟5：重復(fù)迭代更新過程，直到達(dá)到最優(yōu)結(jié)果或者最大迭代次數(shù)；

138、步驟6：輸出最優(yōu)電動(dòng)汽車參與配電網(wǎng)的協(xié)同經(jīng)濟(jì)調(diào)度方案。

139、按照本發(fā)明的另一方面，提供了一種電動(dòng)汽車參與配電網(wǎng)的雙層經(jīng)濟(jì)優(yōu)化調(diào)度系統(tǒng)，包括：

140、儲(chǔ)能集合模塊，用于將分散的電動(dòng)汽車資源池化為邏輯統(tǒng)一的虛擬儲(chǔ)能單元——電動(dòng)汽車虛擬儲(chǔ)能；

141、模型構(gòu)建模塊，用于生成雙層優(yōu)化模型及約束條件；

142、優(yōu)化求解模塊，基于自適應(yīng)分子動(dòng)算法迭代求解雙層模型；

143、雙層反饋模塊，基于雙層反饋機(jī)制更新收益共享系數(shù)，修正動(dòng)態(tài)邊界電價(jià)，生成最優(yōu)電動(dòng)汽車參與配電網(wǎng)的協(xié)同經(jīng)濟(jì)調(diào)度方案。

144、優(yōu)選地，儲(chǔ)能集合模塊用于將分散的電動(dòng)汽車資源池化為邏輯統(tǒng)一的虛擬儲(chǔ)能單元——電動(dòng)汽車虛擬儲(chǔ)能，具體步驟如下：

145、電動(dòng)汽車虛擬儲(chǔ)能用戶數(shù)量約束為：

146、

147、其中，為電動(dòng)汽車虛擬儲(chǔ)能系統(tǒng)最大服務(wù)用戶數(shù)，其由下列公式動(dòng)態(tài)調(diào)整：

148、

149、其中，smax為最大儲(chǔ)存容量，ηdis為放電效率，為電動(dòng)汽車虛擬儲(chǔ)能單個(gè)用戶平均充電功率，為平均充電時(shí)長(zhǎng)，由此可動(dòng)態(tài)調(diào)整可調(diào)度的車輛數(shù)量；

150、由此可計(jì)算出電動(dòng)汽車虛擬儲(chǔ)能池的聚合容量為：

151、

152、其中，si為第i輛電動(dòng)汽車的電池容量；

153、實(shí)時(shí)可調(diào)度的功率為：

154、

155、其中，pimax為第i輛電動(dòng)汽車的最大充放電功率，δt為調(diào)度時(shí)間間隔；

156、由此可得到充電指令分配和放電指令分配分別為：

157、

158、由此可實(shí)時(shí)更新用戶數(shù)量：

159、

160、其中，soci表示第i輛電動(dòng)汽車的荷電狀態(tài)，soctarget表示目標(biāo)聚合系統(tǒng)的荷電狀態(tài)。

161、優(yōu)選地，模型構(gòu)建模塊構(gòu)建了雙層模型，上層模型以配電網(wǎng)綜合成本最小化作為目標(biāo)函數(shù)，下層模型以電動(dòng)汽車虛擬儲(chǔ)能收益最大化作為目標(biāo)函數(shù)，并設(shè)立了對(duì)應(yīng)的約束條件，具體構(gòu)建步驟如下：

162、上層模型：

163、步驟1：配電網(wǎng)綜合成本最小化作為目標(biāo)函數(shù)，函數(shù)表達(dá)式為：

164、f＝min(fu+fb+fd+floss)?(51)

165、其中，f為配電網(wǎng)運(yùn)行成本，fu為電動(dòng)汽車虛擬儲(chǔ)能系統(tǒng)使用成本，fb為配電網(wǎng)購(gòu)電成本，fd為風(fēng)電能源棄電懲罰成本，floss為配電網(wǎng)網(wǎng)損成本；

166、步驟2：將各個(gè)成本以t為時(shí)間索引，t為調(diào)度總時(shí)段表達(dá)，電動(dòng)汽車虛擬儲(chǔ)能系統(tǒng)使用成本fu為：

167、

168、其中，e為配電網(wǎng)中電動(dòng)汽車虛擬儲(chǔ)能系統(tǒng)集合，為t時(shí)段電動(dòng)汽車虛擬儲(chǔ)能系統(tǒng)e的放電功率，為電動(dòng)汽車虛擬儲(chǔ)能系統(tǒng)e的放電服務(wù)單價(jià)，為電動(dòng)汽車虛擬儲(chǔ)能系統(tǒng)e的凈充電功率，為電動(dòng)汽車虛擬儲(chǔ)能系統(tǒng)e的凈充電單價(jià)；

169、配電網(wǎng)購(gòu)電成本fb為：

170、fb＝fg+fev?(53)

171、其中，fg為配電網(wǎng)向上級(jí)電網(wǎng)購(gòu)電成本，表達(dá)式為：

172、

173、其中，z為配電網(wǎng)中變電站集合，為t時(shí)段配電網(wǎng)通過變電站z向上級(jí)電網(wǎng)購(gòu)電功率，cz(t)為t時(shí)段對(duì)應(yīng)的電網(wǎng)購(gòu)電價(jià)格；

174、fev為配電網(wǎng)向供電的電動(dòng)汽車購(gòu)電成本，表達(dá)式為：

175、

176、其中，v為向配電網(wǎng)供電的電動(dòng)汽車集合，為t時(shí)段配電網(wǎng)通過向供電電動(dòng)汽車v的購(gòu)電功率，cv(t)為t時(shí)段對(duì)應(yīng)的電動(dòng)汽車購(gòu)電價(jià)格；

177、風(fēng)電能源棄電懲罰成本fd為：

178、

179、其中，wt、pv分別為配電網(wǎng)中風(fēng)力發(fā)電機(jī)組、光伏發(fā)電機(jī)組集合，分別為t時(shí)段風(fēng)力發(fā)電機(jī)組wt、光伏發(fā)電機(jī)組pv的預(yù)測(cè)出力值，分別為t時(shí)段風(fēng)力發(fā)電機(jī)組wt、光伏發(fā)電機(jī)組pv的實(shí)際出力值，分別為風(fēng)力發(fā)電機(jī)組wt、光伏發(fā)電機(jī)組pv的棄電懲罰單價(jià)；

180、配電網(wǎng)網(wǎng)損成本floss為：

181、

182、其中，closs為損失價(jià)格系數(shù)，il(t)為t時(shí)段配電網(wǎng)的線路電流，rl為線路電阻；

183、步驟3：設(shè)置約束條件，爬坡功率約束為：

184、

185、其中，和分別為電動(dòng)汽車、風(fēng)力發(fā)電機(jī)組和光伏發(fā)電機(jī)組的爬坡功率；

186、功率平衡約束分為有功功率平衡約束和無功功率平衡約束，有功功率平衡約束為：

187、

188、其中，s為負(fù)荷所在節(jié)點(diǎn)的集合，ps(t)為t時(shí)段負(fù)荷s的有功需求，ploss(t-1)為上一時(shí)段配電網(wǎng)所有線路的總網(wǎng)損功率；

189、無功功率約束為：

190、

191、其中，qs(t)為t時(shí)段負(fù)荷s的無功需求；

192、需求響應(yīng)約束為：

193、

194、其中，分別為t時(shí)段可時(shí)移電負(fù)荷的上、下限；分別為t時(shí)段可中斷負(fù)荷的上、下限；

195、設(shè)備出力約束為：

196、

197、其中，分別為t時(shí)段電網(wǎng)出力的上、下限；分別為t時(shí)段電動(dòng)汽車出力的上、下限；分別為t時(shí)段風(fēng)力發(fā)電機(jī)組出力的上、下限；分別為t時(shí)段光伏發(fā)電機(jī)組的上、下限。

198、下層模型：

199、步驟1：儲(chǔ)能收益最大化作為目標(biāo)函數(shù)，函數(shù)表達(dá)式為：

200、

201、其中，α為收益共享系數(shù)，δfsys(t)為系統(tǒng)成本減少量；

202、步驟2：設(shè)置約束條件，電動(dòng)汽車虛擬儲(chǔ)能系統(tǒng)功率約束為：

203、

204、其中，為t時(shí)段電動(dòng)汽車虛擬儲(chǔ)能放電功率，為t時(shí)段電動(dòng)汽車放電功率，為t時(shí)段電網(wǎng)負(fù)荷，ploss(t)為t時(shí)段網(wǎng)絡(luò)損失；為t時(shí)段電動(dòng)汽車虛擬儲(chǔ)能充電功率，為t時(shí)段電動(dòng)汽車凈充電功率，為t時(shí)段風(fēng)力發(fā)電機(jī)組出力，為t時(shí)段光伏發(fā)電機(jī)組出力；

205、購(gòu)電容量約束為pbuy(t)：

206、

207、其中，為t時(shí)段內(nèi)購(gòu)電功率上限。

208、優(yōu)選地，優(yōu)化求解模塊利用飄移-聚簇雙種群協(xié)同機(jī)制的自適應(yīng)分子動(dòng)算法對(duì)雙層模型進(jìn)行優(yōu)化求解，具體求解步驟如下：

209、步驟1：初始化參數(shù)，設(shè)定飄移分子為nd為飄移分子數(shù)量，每個(gè)飄移分子表示一個(gè)調(diào)度決策向量；設(shè)定聚簇分子為nc為聚簇分子數(shù)量，聚簇分子表示電動(dòng)汽車虛擬儲(chǔ)能充放電策略；設(shè)定最大迭代次數(shù)為n，t為迭代次數(shù)；

210、步驟2：隨機(jī)生成分子空間，將上層模型的調(diào)度決策向量合并為高維向量：

211、

212、隨機(jī)初始化飄逸分子位置：

213、xi＝li+rand×(ui-li)?(67)

214、其中，rand是[0,1]范圍內(nèi)生成的任意數(shù)，yi是第i個(gè)個(gè)體的起始值，ui和li是分別反映了搜索空間的上限和下限；

215、步驟3：求解上層模型，對(duì)目標(biāo)函數(shù)進(jìn)行計(jì)算：

216、xi＝f(y)?(68)

217、其中，xi為表示第i個(gè)個(gè)體的成本；

218、對(duì)約束條件進(jìn)行處理，利用罰函數(shù)法將約束違反量加入適應(yīng)度值：

219、

220、其中，ω1為上層懲罰系數(shù)，violation包括爬坡越限、功率不平衡等；對(duì)離散變量進(jìn)行處理，機(jī)組啟停狀態(tài)通過sigmoid函數(shù)映射：

221、

222、其中，h＝1表示機(jī)組開啟狀態(tài)，h＝0表示機(jī)組停止?fàn)顟B(tài)；

223、通過梯度下降法算出上層目標(biāo)函數(shù)的最優(yōu)解

224、步驟4：基于上層目標(biāo)函數(shù)最優(yōu)解生成全局力場(chǎng)fg(t)：

225、

226、其中，wi,j為分子間相互作用強(qiáng)度，為最優(yōu)飄移分子間距離；全局力場(chǎng)對(duì)xi的微分為力場(chǎng)梯度響應(yīng)▽fg(t)；

227、步驟5：飄移分子會(huì)根據(jù)力場(chǎng)濃度進(jìn)行定向飄移運(yùn)動(dòng)，其運(yùn)動(dòng)的方向和速度可隨外部場(chǎng)強(qiáng)動(dòng)態(tài)調(diào)整，飄移運(yùn)動(dòng)的狀態(tài)更新方程為：

228、

229、其中，λ(t)為自適應(yīng)飄移系數(shù)，fg(t)為全局力場(chǎng)參數(shù)，為目標(biāo)函數(shù)梯度引導(dǎo)項(xiàng)；

230、自適應(yīng)飄移系數(shù)的更新規(guī)則為：

231、

232、其中，為響應(yīng)梯度，其在減小時(shí)，搜索步長(zhǎng)縮小，進(jìn)入精細(xì)勘探階段；λ0為初始自適應(yīng)飄移系數(shù)；ε為極小正數(shù)，防止步長(zhǎng)衰減至零，保持全局搜索能力；

233、步驟6：求解下層模型，對(duì)目標(biāo)函數(shù)進(jìn)行計(jì)算：

234、yj＝-r(xi)?(74)

235、其中，r(xi)表示在成本為xi下的電動(dòng)汽車虛擬儲(chǔ)能收益，目標(biāo)函數(shù)化為最小值問題；

236、對(duì)約束條件進(jìn)行處理，利用罰函數(shù)法將約束違反量加入適應(yīng)度值：

237、

238、其中，ω2為下層懲罰系數(shù)，violation包括容量越限、功率不平衡等；

239、通過梯度下降法求的下層目標(biāo)函數(shù)最優(yōu)解

240、步驟7：對(duì)每個(gè)上層飄移分子，計(jì)算其對(duì)應(yīng)的下層聚簇分子的聚簇勢(shì)能：

241、

242、其中，v(yij)表示第i個(gè)飄移分子對(duì)應(yīng)的第j個(gè)聚簇分子的聚簇勢(shì)能，|yij-yik|表示聚簇分子間的距離，a為短程排斥力系數(shù)，b主導(dǎo)長(zhǎng)程吸引力系數(shù)；

243、步驟8：計(jì)算聚簇梯度▽v(yij)，引導(dǎo)下層聚簇分子向低勢(shì)能區(qū)域聚集；

244、步驟9：引入上層最優(yōu)解的引導(dǎo)，加速收斂：

245、

246、其中，gij為上層引導(dǎo)項(xiàng)，κ為引導(dǎo)強(qiáng)度系數(shù)，為上層最優(yōu)解；

247、步驟10：更新下層聚簇分子位置：

248、

249、其中，μ(t)為自適應(yīng)聚簇系數(shù)，其更新公式為：

250、

251、其中，μ0為初始自適應(yīng)聚簇系數(shù)，vmin(t)為當(dāng)前最小勢(shì)能，δ為防止分母為零的小正數(shù)；

252、步驟11：更新全局最優(yōu)解

253、步驟12：判斷結(jié)果是否收斂，若不收斂，則繼續(xù)迭代；若收斂或達(dá)到最大迭代次數(shù)，則輸出結(jié)果。

254、優(yōu)選地，雙層反饋模塊利用雙層反饋機(jī)制更新收益共享系數(shù)和動(dòng)態(tài)邊界電價(jià)，從而生成電動(dòng)汽車參與配電網(wǎng)的雙層經(jīng)濟(jì)調(diào)度方法，具體步驟如下：

255、步驟1：輸入電動(dòng)汽車虛擬儲(chǔ)能充放電策略即充電策略和放電策略

256、步驟2：通過雙層反饋機(jī)制更新收益共享系數(shù)為α*：

257、

258、其中，γ為平衡系數(shù)，u為系統(tǒng)效用函數(shù)，函數(shù)表達(dá)式為：

259、u＝β1δfsys(t)+β2re(t)?(81)

260、其中，δfsys(t)為系統(tǒng)減少成本，re(t)為電動(dòng)汽車虛擬儲(chǔ)能系統(tǒng)收益，β1和β2為權(quán)重系數(shù)，滿足β1+β2＝1；

261、步驟3：修正動(dòng)態(tài)邊界電價(jià)為

262、

263、其中，maxξ∈u(cen(ξ)+closs(ξ))表示覆蓋最惡劣場(chǎng)景下的成本，表示補(bǔ)償電動(dòng)汽車虛擬儲(chǔ)能的系統(tǒng)價(jià)值貢獻(xiàn)；

264、步驟4：將下層輸出的修正收益共享系數(shù)α*和電動(dòng)汽車虛擬儲(chǔ)能充放電策略傳入上層，更新購(gòu)電成本和網(wǎng)損成本；上層更新修正動(dòng)態(tài)邊界電價(jià)后傳入下層；

265、步驟5：重復(fù)迭代更新過程，直到達(dá)到最優(yōu)結(jié)果或者最大迭代次數(shù)；

266、步驟6：輸出最優(yōu)電動(dòng)汽車參與配電網(wǎng)的協(xié)同經(jīng)濟(jì)調(diào)度方案。

267、總體而言，通過本發(fā)明所構(gòu)思的以上技術(shù)方案與現(xiàn)有技術(shù)相比，能夠取得下列有益效果：

268、1、本發(fā)明的一種電動(dòng)汽車參與配電網(wǎng)的雙層經(jīng)濟(jì)優(yōu)化調(diào)度方法及系統(tǒng)，通過約束條件將分散的電動(dòng)汽車集群動(dòng)態(tài)聚合為可統(tǒng)一調(diào)度的虛擬儲(chǔ)能池，配電網(wǎng)只需與虛擬儲(chǔ)能池交互充放電指令，無需管理單臺(tái)電動(dòng)汽車，提升了資源的利用率和調(diào)度指令的執(zhí)行效率，解決了海量分散資源的協(xié)同調(diào)度問題；

269、2、本發(fā)明的一種電動(dòng)汽車參與配電網(wǎng)的雙層經(jīng)濟(jì)優(yōu)化調(diào)度方法及系統(tǒng)，使用飄移-聚簇雙種群機(jī)制的自適應(yīng)分子動(dòng)算法，飄移分子的自適應(yīng)步長(zhǎng)在平坦區(qū)域增大步長(zhǎng)快速搜索，在陡峭區(qū)域縮小步長(zhǎng)精細(xì)優(yōu)化；聚簇分子的勢(shì)能場(chǎng)通過短程排斥力避免早熟收斂，長(zhǎng)程吸引力保證種群多樣性，對(duì)比傳統(tǒng)的優(yōu)化算法例如粒子群算法，擁有更快的收斂速度和更高的最優(yōu)解命中率；

270、3、本發(fā)明的一種電動(dòng)汽車參與配電網(wǎng)的雙層經(jīng)濟(jì)優(yōu)化調(diào)度方法及系統(tǒng)，通過將上層配電網(wǎng)初始化收益共享系數(shù)與動(dòng)態(tài)邊界電價(jià)傳遞給下層電動(dòng)汽車虛擬儲(chǔ)能模型，下層基于接收的電價(jià)信號(hào)和收益分成機(jī)制得到最優(yōu)充放電計(jì)劃及電動(dòng)汽車集群調(diào)度方案，同時(shí)計(jì)算該策略下產(chǎn)生的系統(tǒng)成本節(jié)省量并反饋至上層，上層配電網(wǎng)在驗(yàn)證功率平衡約束、爬坡速率限制和電源出力邊界后，利用雙層反饋機(jī)制更新電價(jià)參數(shù)和收益共享系數(shù)，形成閉環(huán)，最終輸電動(dòng)汽車參與配電網(wǎng)的最優(yōu)雙層經(jīng)濟(jì)調(diào)度方案，實(shí)現(xiàn)配電網(wǎng)運(yùn)行成本最小化與多主體收益最大化的協(xié)同優(yōu)化，提升配電網(wǎng)對(duì)大規(guī)模電動(dòng)汽車參與下的消納能力與運(yùn)行經(jīng)濟(jì)性。