电动汽车有序无序充放电的优化调度（Matlab代码实现）风电随机性动态经济调度模型（Matlab代码实现）

1 全文概述

汽车行业正在大力投资插电式混合动力汽车 (PHEV) 和全电动汽车 (EV)，主要是为了减少当前汽车技术的二氧化碳排放和对石油的依赖。由于用电量的增加，汽车电气化将对电网产生重大影响。

由于用电量的增加，汽车电气化将对电网产生重大影响。对电动汽车 (EV) 的充电和放电进行智能调度非常重要。然而，调度问题存在两个主要挑战。首先，寻找可以最小化总成本的全局最优调度解决方案具有挑战性。其次，很难找到能够处理大量人口和电动汽车随机到达的分布式调度方案。在本文中，我们提出了电动汽车充电和放电的全局最优调度方案和局部最优调度方案。首先制定了一个全局调度优化问题，其中优化充电功率以最小化所有在白天进行充电和放电的电动汽车的总成本。全局最优解提供全局最小总成本。然而，全局最优调度方案是不切实际的，因为它需要关于未来基本负载和到达时间以及将在一天中的未来时间到达的电动汽车的充电时间的信息。为了开发一个实用的调度方案，本文制定了一个局部调度优化问题，旨在最小化本地组中当前正在进行的 EV 集中 EV 的总成本。局部最优调度方案不仅可扩展到大型 EV 种群，而且对动态 EV 到达具有弹性。通过仿真，我们证明了与全局最优调度方案相比，局部最优调度方案可以实现接近的性能。

2 数学模型

                       

详细数学模型和解释见第4部分。

3 Matlab实现

3.1 代码前的准备

安装CVX包：

​​风电随机性动态经济调度模型（Matlab代码实现）​​

然后：也是代码前的准备：

3.2 运行结果

部分代码

close all;
clc;
clear;


%% 参数设置

%==(1)基本荷荷向量===
L_b=[
    1648181.19
    1510114.92
    1404600.51
    1348140.62
    1355294.53
    1380434.41
    1472398.73
    1619859.88
    1774726.71
    1891739.09
    2024589.36
    2154006.65
    2214969.44
    2248348.3
    2257444.05
    2253898.58
    2251095.52
    2240891.11
    2187658.11
    2060455.55
    2032531.95
    1984614.47
    1846244.76
    1676395.15];

%====(2)预测的基本负荷（平均相对误差 = 0.089）====
P_L_b1=[
    1737223.863
    1603267.075
    1501043.33
    1434323.708
    1427034.265
    1445808.13
    1535646.84
    1703557
    1878913.403
    2041190.428
    2189203.243
    2300813.958
    2376838.56
    2431838.998
    2456820.033
    2472628.88
    2497750.498
    2502256.753
    2487853.418
    2333072.535
    2313458.498
    2278059.543
    2121749.573
    1908084.005];


%====(3)预测的基本负荷（平均相对误差 = 0.0414）====
P_L_b2=[
    1599948.91
    1468345.518
    1370502.199
    1310946.046
    1308525.559
    1330298.288
    1417044.254
    1592177.276
    1774327.31
    1935791.394
    2081450.673
    2194127.508
    2266347.528
    2310264.895
    2317806.969
    2328853.886
    2350763.395
    2356239.943
    2340220.599
    2215920.234
    2192252.838
    2168526.739
    2014122.374
    1803843.804];

%=====(4)第二次预测的基本负荷（更好的预测）（平均相对误差=0.0234）===
P_L_b3=[
    1648037.519
    1458944.669
    1366366.043
    1310276.476
    1309105.99
    1329282.055
    1411672.493
    1587762.671
    1728429.463
    1888917.875
    2032770.183
    2133804.711
    2199858.463
    2240117.111
    2241852.165
    2245048.574
    2259487.69
    2260142.395
    2243557.341
    2145562.018
    2122157.145
    2104126.554
    1948760.596
    1740961.875];

%=====选择使用哪个预测负荷====
P_L_b=P_L_b2;

%% 微电网的基本负荷
Scale_factor=1/1500;
L_b_mic=L_b*Scale_factor;  % 基本负荷
P_L_b_mic=P_L_b*Scale_factor;  % 基本预测负荷

%% 价格模型
% alfa=1.0;
% theta=1;
omega=1.2*max(L_b_mic);
k_0=0.0001;
k_1=0.00012;
k_2=0;
%====(1)寿命缩减成本======
beta=0.001;
beta=0;

%===简单乘法计算=====
% k_con=alfa/(omega^theta*(theta+1));

%=====充电间隔时间======
tau=1; % 小时内

%=====充电间隔数========
num_slot=length(L_b_mic);

%====(2)基本价格=======
price_basic=zeros(num_slot,1); % 基于基本负荷的价格
for i=1:num_slot
    price_basic(i)=k_0+k_1* L_b_mic(i);
end
fprintf('价格，最低价格=%g,最高价格=%g.\n',min(price_basic), max(price_basic));


%% 电动汽车EV容量
Cap_battery_org=16; % KWh
gamma=0.9; % 充电完成时电池的百分比
Cap_battery=gamma*Cap_battery_org;

%% ==最大充电率===
P_max=5; % KW

%% 电动汽车数量
num_EV=200;

% 仅给电池充电的电动汽车的百分比
P_Chg=0;

% CHG EVs数量
num_CHG_EV=round(P_Chg*num_EV);  % CHG EV 将位于 EV 信息矩阵的前面部分。
% V2G EVs数量
num_V2G_EV=num_EV-num_CHG_EV;

%% 电动汽车充电模式
% 30% 的电动汽车在间隔 1 之前连接到充电站，其余的均匀分布

%EV矩阵：1) 到达时间，2) 出发时间，3) 初始能量，4) 充电周期，5) 最小充电时间%

% EV_info=zeros(num_EV,3);
%===间隔1前接入站的EVS百分比====
% Per_EV=0.1;
%=====其他车辆到达时间均匀分布在[  1,20 ]之间======
% for i=1:num_EV
%     temp_00=rand;
%     if temp_00<=Per_EV
%         T_arrival(i,1)=1;
%     else
%         T_arrival(i,1)=round(1 + (20-1).*rand);
%     end
% end
%
%=====充电时间均匀分布在 [4, 12] 小时之间======
% T_charging= round(4 + (12-4).*rand(num_EV,1));
% T_charging=-1*sort(-1*T_charging);
%
% % the departure time
% for i=1:num_EV
%     T_departure(i,1)=min(24, T_arrival(i,1)+T_charging(i,1));
% end
%====初始电量均匀分布在电池容量的[0 0.8]之间======
% Ini_percentage=0+ (0.8-0).*rand(num_EV,1);
% % fill the EV_info
% EV_info(:,1)=T_arrival;
% EV_info(:,2)=T_departure;
% EV_info(:,3)=Cap_battery_org*Ini_percentage;
%
% for i=1:num_EV
%     EV_info(i,4)=EV_info(i,2)-EV_info(i,1)+1; % 充电周期
%     EV_info(i,5)=EV_info(i,3)/P_max; % 最小充电时间
%     if EV_info(i,4) < EV_info(i,5)
%         fprintf('EV %g 充电时间不合理.\n',i);
%     end
% end
%
% % save and load EV_info
% save EV_info.txt EV_info -ascii;

load EV_info.txt;
EV_info=EV_info(1:num_EV,:);

%% 电动汽车与充电间隔的关系
F=zeros(num_EV, num_slot);
G=ones(num_EV, num_slot);
for i=1:num_EV
    for j=EV_info(i,1):EV_info(i,2)
        F(i,j)=1;
        G(i,j)=0;
    end
end
F1=reshape(F',1,[]);
% F=ones(num_EV, num_slot);

%% 绘制基本负荷
xx_1=1:num_slot;
figure;
yy_1(:,1)=L_b_mic;
yy_1(:,2)=P_L_b_mic;
plot(xx_1,yy_1);
ylabel('负荷[KW]');
xlabel('小时数');
legend('实际负荷量','预测负荷量');

%% 使用CVX工具的V2G全局最优方案

%（1）等式约束: Ax=b
% （2）优化变量x=[z1, z2, ..., z_24, x11, x12, ...., x_100,24]'
num_OptVar=1*num_slot+num_slot*num_EV;
b_a=L_b_mic; %第一个等式约束的矩阵
A1_a=zeros(num_slot, num_OptVar-1*num_slot);
A1=[eye(num_slot) A1_a];

A2_a=zeros(num_slot, num_OptVar-1*num_slot);
s_temp=0;
for i=1:num_slot
    for j=1:num_EV
        A2_a(i, (j-1)*num_slot+i)=F(j,i);
        % fprintf('Assign F(%g,%g)=%g, to A2_a(%g, %g).\n',j,i,F(j,i),i,(j-1)*num_slot+1);
        s_temp=s_temp+F(j,i);
    end
end
A2_b=zeros(num_slot, num_slot);
A2=[A2_b A2_a];

A_a=A1-A2;  % 第一个等式约束的矩阵
clear A1 A2 A1_a A2_a A2_b;

%======第一个等式约束的矩阵=====
B_1=zeros(num_EV, num_OptVar-1*num_slot);
for i=1:num_EV
    B_1(i,(i-1)*num_slot+1:(i-1)*num_slot+num_slot)=F(i,:);
end
temp_1=zeros(num_EV, num_slot);
B1=[temp_1 B_1];    % 第二等式约束的矩阵
b_b=(Cap_battery/tau)*ones(num_EV,1)-EV_info(:,3);% 第二等式约束的矩阵
clear  B_1  temp_1;

%合并等式矩阵
% Eq_left=[A_a' B1']';
% Eq_right=[b_a' b_b']';


%% ======等式约束=====
Eq_L=A_a;
Eq_R=b_a;
clear  A_a  b_a;
%% ======不等式约束=====
% ====1)第一个不等式约束=====
In_1=zeros(num_EV*num_slot, num_OptVar);
for i=1:num_slot
    for j=1:num_EV
        In_1((i-1)*num_EV+j,num_slot+(j-1)*num_slot+1:num_slot+(j-1)*num_slot+i)=F(j,1:i);
lot1, ..., EV1_slot2, EV2_slot2,...]'

., EV1_slot2, EV2_slot2,...]'

temp_b2=Cap_battery_org - EV_info(1:num_EV,3);
for i=1:num_slot
    In_b2( (i-1)*num_EV+1:(i-1)*num_EV+num_EV, 1 )= (1/tau)*temp_b2;

''''''''''''

% 绘出每个电动车(全局最优方案)的电能水平演化图。
figure;
xxx=0:num_slot;
plot(xxx,v_Energy_variation(1:40,:));
ylabel('电能[KWH]');
xlabel('小时数');
legend('EV1','EV2','EV3','EV4','EV5','EV6','EV7','EV8','EV9','EV10');
title('全局最优方案中的电能变化');

% 绘制每个电动汽车的能量水平演化(局部最优方案)
figure;
xxx=0:num_slot;
plot(xxx,Energy_variation);
ylabel('电能[KWH]');
xlabel('小时数');
legend('EV1','EV2','EV3','EV4','EV5','EV6','EV7','EV8','EV9','EV10');
title('局部最优方案中的电能变化');

% 绘制每个EV的能量水平演化(等分配方案)
figure;
plot(xxx,N_Energy_variation);
ylabel('电能[KWH]');
xlabel('小时数');
legend('EV1','EV2','EV3','EV4','EV5','EV6','EV7','EV8','EV9','EV10');
title('均等分配最优方案中的电能变化');

% %绘制每辆电动汽车的充电率
figure;
EV_ID=65;
energy_mmm(1,:)=v_Energy_variation(EV_ID,:);
energy_mmm(2,:)=Energy_variation(EV_ID,:);
energy_mmm(3,:)=N_Energy_variation(EV_ID,:);
plot(xxx,energy_mmm);
ylabel('电能 [KWH]');
xlabel('时间(Hours)');
legend('全局最优方案','局部最优方案','均等分配方案');
title('电动汽车的电能变化');

figure;
nnn(:,1)=v_x_Matrix(EV_ID,:)';%全局最优
nnn(:,2)=x_Matrix(EV_ID,:)';%局部最优
nnn(:,3)=N_x_Matrix(EV_ID,:)';%均等分配
h=bar(xx,nnn);
ylabel('速率[KW]');
xlabel('时间(Hours)');
legend('全局最优','局部最优','均等分配');
title('全局最优方案中的充放电速率');