本發(fā)明涉及電力系統(tǒng)的配電網(wǎng)重構(gòu)領(lǐng)域，具體地說是一種基于博弈論的含電動汽車入網(wǎng)的配電網(wǎng)重構(gòu)方法。

背景技術(shù)：

配電網(wǎng)在實際運行中可根據(jù)不同的負(fù)荷需求，操控相應(yīng)的開關(guān)使其拓?fù)浣Y(jié)構(gòu)發(fā)生變化，實現(xiàn)配電網(wǎng)重構(gòu)。合理的配電網(wǎng)重構(gòu)方案既可降低配電網(wǎng)的網(wǎng)損、提高系統(tǒng)經(jīng)濟(jì)性，也可均衡負(fù)荷、消除過載、提高供電電壓質(zhì)量。

當(dāng)前，作為清潔能源代表電動汽車得到了廣泛的應(yīng)用，其充放電行為在時間和空間上都具有一定的隨機(jī)性和不確定性。大規(guī)模電動汽車接入對配電系統(tǒng)運行的經(jīng)濟(jì)性、可靠性和靈活性提出了更高的要求。尤其是對大規(guī)模電動汽車所產(chǎn)生的充放電負(fù)荷不進(jìn)行有效引導(dǎo)時，充放電負(fù)荷與配電網(wǎng)的高峰負(fù)荷疊加，將加劇配電網(wǎng)的負(fù)荷峰谷差，對配電網(wǎng)安全運行造成威脅。因此配電網(wǎng)重構(gòu)如何既有效地考慮電動汽車的接入，又保證系統(tǒng)安全可靠供電，具有非常重大的研究意義。

傳統(tǒng)的配電網(wǎng)重構(gòu)不考慮電動汽車隨機(jī)接入，即使有含電動汽車的配電網(wǎng)重構(gòu)，也僅僅是研究電動汽車有序充電對配電網(wǎng)的影響，少有考慮電動汽車放電負(fù)荷的影響。如：河海大學(xué)衛(wèi)志農(nóng)等人提出的一種需求響應(yīng)視角下的配電網(wǎng)不確定性重構(gòu)建模方法(專利申請?zhí)枺篊N201210390762.8)就僅考慮了電動汽車充電負(fù)荷對于配電網(wǎng)的影響重構(gòu)。在實際生活中電動汽車充放電行為完全由車主的意愿來控制，而現(xiàn)有大多配電網(wǎng)重構(gòu)的研究工作主要從配電網(wǎng)的角度出發(fā)以運行的安全性和經(jīng)濟(jì)性為優(yōu)化目標(biāo)，少有從電動汽車用戶的角度來考慮其意愿和利益。

技術(shù)實現(xiàn)要素：

本發(fā)明是為避免上述現(xiàn)有技術(shù)所存在的不足，提供一種基于博弈論的含電動汽車入網(wǎng)的配電網(wǎng)重構(gòu)方法，以期能實現(xiàn)配電網(wǎng)與電動汽車用戶的利益雙贏，同時減少電動汽車接入對配電網(wǎng)的負(fù)面影響，從而降低配電網(wǎng)損耗，使配電網(wǎng)的運行得到最大程度的優(yōu)化。

本發(fā)明為解決技術(shù)問題采用如下技術(shù)方案：

本發(fā)明一種基于博弈論的含電動汽車入網(wǎng)的配電網(wǎng)重構(gòu)方法的特點是按如下步驟進(jìn)行：

步驟1、讀取配電網(wǎng)原始網(wǎng)絡(luò)數(shù)據(jù)和電動汽車相關(guān)數(shù)據(jù)；

步驟2、建立以配電網(wǎng)為上層、電動汽車用戶為下層的主從博弈模型；

步驟3、采用遺傳算法求解下層的電動汽車用戶成本優(yōu)化問題，得到電動汽車用戶成本優(yōu)化策略；

步驟4、調(diào)用所述電動汽車用戶成本優(yōu)化策略并采用粒子群算法求解上層的配電網(wǎng)運行成本最小優(yōu)化問題，得到最小運行成本及其對應(yīng)的重構(gòu)網(wǎng)絡(luò)拓?fù)洌?/p>

步驟5、重復(fù)步驟3和步驟4，直到滿足納什均衡條件時，停止計算并輸出最終的配電網(wǎng)最小運行成本及對應(yīng)的重構(gòu)網(wǎng)絡(luò)拓?fù)洹?/p>

本發(fā)明所述基于博弈論的含電動汽車入網(wǎng)的配電網(wǎng)重構(gòu)方法的特點也在于，所述步驟2中的主從博弈模型的上層決策者是配電網(wǎng)，下層決策者是電動汽車用戶；

以配電網(wǎng)運行成本最小化為優(yōu)化目標(biāo)，建立如式(1)所示的博弈上層目標(biāo)函數(shù)：

式(1)中：F為所述配電網(wǎng)的運行成本；T為時間段總數(shù)；N為網(wǎng)絡(luò)支路總數(shù)；k表示支路編號；r_k為第k條支路的電阻；I_kj為第j個時間段的第k條支路上的電流；n為電動汽車總數(shù)量；C_j、分別為第j個時間段的配電網(wǎng)電價、電動汽車充電電價和放電電價；分別為第z輛電動汽車在j個時間段的充電功率和放電功率；η為電動汽車放電效率；以所述第j個時間段的配電網(wǎng)電價C_j、電動汽車充電電價和放電電價作為上層決策變量a₁，即

所述博弈上層目標(biāo)函數(shù)F的約束條件包括：潮流約束、節(jié)點電壓約束和拓?fù)浼s束；

所述潮流約束如式(2)所示：

f(P_i,Q_i,U_i)＝0 (2)

式(2)中：P_i、Q_i分別為注入第i個節(jié)點的有功功率和無功功率，U_i為第i個節(jié)點的電壓；

所述電壓約束如式(3)所示：

U_imin≤U_i≤U_imax (3)

式(3)中：U_imax和U_imin分別為第i個節(jié)點電壓的上限和下限；

所述拓?fù)浼s束包括：環(huán)路約束和孤島約束；

所述環(huán)路約束為：在選擇斷開支路時，每個環(huán)路只能選擇一條支路斷開，即斷開的支路數(shù)等于網(wǎng)絡(luò)中所含的環(huán)路數(shù)，從而使得所述配電網(wǎng)不存在環(huán)路；

所述孤島約束為：在選擇斷開支路時，若兩個環(huán)路間有若干條公共支路，且其中一個環(huán)路已斷開任意一條公共支路，則另一環(huán)路不能再選擇斷開其他的公共支路，從而使得所述配電網(wǎng)不存孤島；

以電動汽車用戶充放電運行成本為優(yōu)化目標(biāo)，建立如式(4)所示的博弈下層目標(biāo)函數(shù)：

式(4)中：G為電動汽車用戶的充放電運行成本；S為電動汽車充放電時的損耗；以所述第z輛電動汽車在j個時間段的充電功率和放電功率作為下層決策變量a₂，即

所述博弈下層目標(biāo)函數(shù)G的約束條件如式(5)所示：

式(5)中：和分別為第z輛電動汽車的充電功率的上限和放電功率的上限；SOC_zj為第z輛電動汽車在第j個時間段的荷電狀態(tài)；SOC_zjmax和SOC_zjmin分別為第j個時間段下第z輛電動汽車荷電狀態(tài)的上限和下限。

所述步驟3中的電動汽車用戶成本優(yōu)化策略為最小適應(yīng)度值所對應(yīng)的下層決策變量作為最優(yōu)下層策略

所述步驟4中，是將所述最優(yōu)下層策略代入所述博弈上層目標(biāo)函數(shù)F中進(jìn)行求解，得到最小適應(yīng)度值所對應(yīng)的上層決策變量作為最優(yōu)上層策略

所述步驟5納什均衡條件為

與已有技術(shù)相比，本發(fā)明有益效果體現(xiàn)在：

1、本發(fā)明提出了一種基于博弈論的含電動汽車入網(wǎng)的配電網(wǎng)重構(gòu)方法，建立以配電網(wǎng)為上層、電動汽車用戶為下層的主從博弈模型，利用主從博弈優(yōu)化過程中生成的策略集，發(fā)揮了分時上網(wǎng)電價的引導(dǎo)作用，實現(xiàn)了配電網(wǎng)和電動汽車用戶在利益上的雙贏，對電動汽車一天的充放電負(fù)荷進(jìn)行了優(yōu)化，減小了電動汽車對電網(wǎng)的負(fù)面影響，同時也實現(xiàn)了含電動汽車的配電系統(tǒng)優(yōu)化重構(gòu)，達(dá)到降低有功網(wǎng)損的目的，保證了配電網(wǎng)在運行中的經(jīng)濟(jì)性和可靠性。

2、本發(fā)明以電動汽車用戶為博弈下層決策者，將電動汽車用戶充放電成本作為優(yōu)化目標(biāo)。在配電網(wǎng)給出的電價下，電動汽車用戶自主的選擇充放電時間以降低自身的充放電成本，同時對電動汽車一天的充放電負(fù)荷進(jìn)行了優(yōu)化，降低了電動汽車無序充放電對配電網(wǎng)安全與經(jīng)濟(jì)運行帶來的威脅。

3、本發(fā)明以配電網(wǎng)為博弈上層決策者，上層的配電網(wǎng)在保證下層的電動汽車用戶最小成本的前提下以運行成本最小為優(yōu)化目標(biāo)。雙方的利益在主從博弈的均衡處均可達(dá)到最大，實現(xiàn)了配電網(wǎng)和電動汽車用戶在利益上的雙贏，也實現(xiàn)了含電動汽車的配電網(wǎng)優(yōu)化重構(gòu)，達(dá)到降低有功網(wǎng)損的目的，保證了配電網(wǎng)在運行中的經(jīng)濟(jì)性和可靠性。

附圖說明

圖1是本發(fā)明的流程示意圖。

具體實施方式

本實施例中，一種基于博弈論的含電動汽車入網(wǎng)的配電網(wǎng)重構(gòu)方法的以主從博弈為模型，在實現(xiàn)配電網(wǎng)與電動汽車用戶雙贏的前提下，對電動汽車一天的充放電負(fù)荷進(jìn)行優(yōu)化。上層優(yōu)化模型以配電網(wǎng)運行成本最小化為優(yōu)化目標(biāo)，采用粒子群算法進(jìn)行優(yōu)化，調(diào)用下層優(yōu)化策略并計算每個網(wǎng)絡(luò)拓?fù)溥m應(yīng)值，找出與配電網(wǎng)最小運行成本相對應(yīng)的重構(gòu)拓?fù)?，重?fù)迭代直到滿足迭代停止條件，得到最佳重構(gòu)方案；下層優(yōu)化模型為在配電網(wǎng)給出的電價前提下，電動汽車用戶通過選擇充、放電時間以降低成本。本發(fā)明能夠?qū)崿F(xiàn)配電網(wǎng)與電動汽車用戶的利益雙贏，同時減少電動汽車接入對配電網(wǎng)的負(fù)面影響，顯著降低配電網(wǎng)損耗，使配電網(wǎng)的運行得到最大程度的優(yōu)化。具體的說，如圖1所示，該方法是按如下步驟進(jìn)行：

步驟1、讀取配電網(wǎng)原始網(wǎng)絡(luò)數(shù)據(jù)和電動汽車相關(guān)數(shù)據(jù)；

該步驟中配電網(wǎng)原始網(wǎng)絡(luò)數(shù)據(jù)包括：配電網(wǎng)的節(jié)點編號、節(jié)點電壓和節(jié)點注入功率，支路編號、支路阻抗，節(jié)點與支路的連接關(guān)系，以及聯(lián)絡(luò)開關(guān)的信息；

電動汽車相關(guān)數(shù)據(jù)包括：電動汽車用戶日行駛里程近似服從對數(shù)正態(tài)分布，其概率密度函數(shù)為式(1)所示：

式(1)中：d為行駛路程，μ_d＝3.20，σ_d＝0.88；

電動汽車開始充電時刻滿足正態(tài)分布，其概率密度函數(shù)為式(2)所示：

式(2)中：μ＝17.6，σ＝3.4；

電動汽車充電前電池荷電狀態(tài)與其日行使里程d近似滿足線性關(guān)系，如式(3)所示：

式(3)中：SOC為電池荷電狀態(tài)；D為電動汽車充滿電的最大行駛里程。

單個電動汽車的充電功率P_c在2-3kW范圍內(nèi)滿足均勻分布，如式(4)所示：

步驟2、建立以配電網(wǎng)為上層、電動汽車用戶為下層的主從博弈模型；

步驟2中的主從博弈是最常見的完全信息非合作博弈模型，其存在兩種類型的決策者:處于較高決策層次的主導(dǎo)者和處于下級決策層的跟隨者。主從博弈的問題可以表示成兩層規(guī)劃問題，如式(5)所示：

主從博弈轉(zhuǎn)化為雙層優(yōu)化模型：上層決策者是電網(wǎng)，下層決策者是電動汽車用戶；

以配電網(wǎng)運行成本最小化為優(yōu)化目標(biāo)，建立如式(6)所示的博弈上層目標(biāo)函數(shù)：

式(6)中：F為配電網(wǎng)的運行成本；T為時間段總數(shù)；N為網(wǎng)絡(luò)支路總數(shù)；k表示支路編號；r_k為第k條支路的電阻；I_kj為第j個時間段的第k條支路上的電流；n為電動汽車總數(shù)量；C_j、分別為第j個時間段的配電網(wǎng)電價、電動汽車充電電價和放電電價；分別為第z輛電動汽車在j個時間段的充電功率和放電功率；η為電動汽車放電效率；以第j個時間段的配電網(wǎng)電價C_j、電動汽車充電電價和放電電價作為上層決策變量a₁，即

博弈上層目標(biāo)函數(shù)F的約束條件包括：潮流約束、節(jié)點電壓約束和拓?fù)浼s束；

潮流約束如式(7)所示：

f(P_i,Q_i,U_i)＝0 (7)

式(7)中：P_i、Q_i分別為注入第i個節(jié)點的有功功率和無功功率，U_i為第i個節(jié)點的電壓；

電壓約束如式(8)所示：

U_imin≤U_i≤U_imax (8)

式(8)中：U_imax和U_imin分別為第i個節(jié)點電壓的上限和下限；

拓?fù)浼s束包括：環(huán)路約束和孤島約束；

環(huán)路約束為：在選擇斷開支路時，每個環(huán)路只能選擇一條支路斷開，即斷開的支路數(shù)等于網(wǎng)絡(luò)中所含的環(huán)路數(shù)，從而使得配電網(wǎng)不存在環(huán)路；

孤島約束為：在選擇斷開支路時，若兩個環(huán)路間有若干條公共支路，且其中一個環(huán)路已斷開任意一條公共支路，則另一環(huán)路不能再選擇斷開其他的公共支路，從而使得配電網(wǎng)不存孤島；

以電動汽車用戶充放電運行成本為優(yōu)化目標(biāo)，建立如式(9)所示的博弈下層目標(biāo)函數(shù)：

式(9)中：G為電動汽車用戶的充放電運行成本；S為電動汽車充放電時的損耗；以第z輛電動汽車在j個時間段的充電功率和放電功率作為下層決策變量a₂，即

博弈下層目標(biāo)函數(shù)G的約束條件如式(10)所示：

式(10)中：和分別為第z輛電動汽車的充電功率的上限和放電功率的上限；

SOC_zj為第z輛電動汽車在第j個時間段的荷電狀態(tài)；SOC_zjmax和SOC_zjmin分別為第j個時間段下第z輛電動汽車荷電狀態(tài)的上限和下限。

步驟3、采用遺傳算法求解下層的電動汽車用戶成本優(yōu)化問題，得到電動汽車用戶成本優(yōu)化策略；

步驟3中，電動汽車用戶成本優(yōu)化策略為最小適應(yīng)度值所對應(yīng)的下層決策變量作為最優(yōu)下層策略。

3.1、獲取步驟1中數(shù)據(jù)；

3.2、設(shè)置種群數(shù)量、交叉概率、變異概率、最大迭代次數(shù)等參數(shù)；

3.3、初始化種群，計算適應(yīng)度值；

3.4、進(jìn)行選擇、交叉、變異遺傳操作，產(chǎn)生子代種群，計算適應(yīng)度值；

3.5、若達(dá)到最大迭代次數(shù)，則停止計算輸出最優(yōu)下層策略否則返回步驟3.4。

步驟4、調(diào)用所述電動汽車用戶成本優(yōu)化策略并采用粒子群算法求解上層的配電網(wǎng)運行成本最小優(yōu)化問題，得到最小運行成本及其對應(yīng)的重構(gòu)網(wǎng)絡(luò)拓?fù)洌?/p>

步驟4中，是將最優(yōu)下層策略代入博弈上層目標(biāo)函數(shù)F中進(jìn)行求解，得到最小適應(yīng)度值所對應(yīng)的上層決策變量作為最優(yōu)上層策略

4.1、獲取步驟1中數(shù)據(jù)；

4.2、設(shè)置種群數(shù)量、慣性權(quán)重系數(shù)、加速系數(shù)、最大迭代次數(shù)等參數(shù)；

4.3、初始化種群，調(diào)用下最優(yōu)下層策略計算適應(yīng)度值；

4.4、更新粒子種群、慣性權(quán)重系數(shù)，計算適應(yīng)度值，更新歷史個體最優(yōu)值和全局最優(yōu)值；

4.5、若達(dá)到最大迭代次數(shù)，則停止計算輸出最優(yōu)上層策略否則返回步驟4.4。

步驟5、重復(fù)步驟3和步驟4，直到滿足納什均衡條件時，停止計算并輸出最終的配電網(wǎng)最小運行成本及對應(yīng)的重構(gòu)網(wǎng)絡(luò)拓?fù)洌?/p>

步驟5中，下層以minG為優(yōu)化目標(biāo)，得到得下層策略上層以minF為優(yōu)化目標(biāo)，選取回應(yīng)下層中的最優(yōu)上層策略作為主從博弈模型的納什均衡點，即納什均衡條件為