电动汽车集群并网的分布式鲁棒优化调度模型(Matlab代码实现）

💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

📋📋📋本文目录如下：🎁🎁🎁

目录

💥1 概述

📚2 运行结果

🎉3 参考文献

🌈4 Matlab代码实现

---

💥1 概述

文献来源：

 随着可再生能源（Renewable Energy Source, RES）的渗透率不断提高，RES 固有的间歇性对电

力系统稳定运行提出新的挑战[1]。近年来电动汽车 （Electric Vehicles, EV）的保有量持续大幅增长[2]， EV 集群（EV Cluster, EVC）并网将进一步加剧这个挑战[3]。并网 EVC 作为一种灵活性资源[4]，兼具荷、源双重属性，利用 EVC 的灵活性可削弱 RES间歇性对电网运行的不利影响[5]。并网 EVC 与 RES的协同调控已成为提升电网经济性与稳定性的有力手段[6]。

关于 EVC 与 RES 的协同优化与控制，已有广泛而深入的研究，且现有成果已证明两者协同优化

可提高 RES 消纳率[7]、降低系统成本[8]、提升电网稳定性[9]等。本质上，EVC 与 RES 的协同优化是不确定环境下极具复杂性的优化问题[10]，首先是 RES固有间歇性与 EVC 功率需求波动的双重不确定性；其次不确定性均具有空间、时间多维度特征，表现为不同区域的 RES 电站在多时段内的功率波动，EV用户入网区域及并、离网时段的随机性等。针对两者协同优化中的复杂不确定性，可采用随机规划[11]和鲁棒优化[12]两类方法。随机规划须预知不确定变量的概率分布特征，但因实际中其分布特征难以准确获取，且计算复杂度高，随机规划具有明显的应用局限性。鲁棒优化则不需获取不确定变量的分布特征，仅对其采用封闭凸集描述，优化目标对于凸集上的任意点，都能确保鲁棒最优解。基于鲁棒优化方法，文献[13-14]均考虑风光出力不确定性，并协同 EVC 有序充电建立鲁棒控制模型，但忽略了 EVC 的不确定性；文献[15]考虑 EV的不确定性制定优化调度策略，但未利用 EV 的电源属性，且优化策略未与 RES 协同；文献[16]考虑RES、市场电价的不确定性，提出多重不确定性下的鲁棒优化策略，但未深入讨论 EVC 的规模及需求的不确定性，适用性有待商榷。文献[17-18]建立的鲁棒优化模型考虑了 RES 与 EVC 的双重不确定性，但不适用于大规模 EVC 的并网场景。现有研究虽已考虑到 RES 与 EVC 的双重复杂不确定性，但 EVC多局限于小规模，且随着 EVC 规模的逐渐扩大，集中式优化将难以应对“维度灾难”。此外，EV 控制模型在现有研究中均是基于用电需求、充放电约束建立，虽然保证了 EV 用户的用电需求，但控制模型显然忽略了用户的需求偏好。实际场景中 EV 用户作为高度自主性个体，其 EV 不一定参与调度策略，忽略 EV 用户的偏好与现实场景存在必然矛盾。

📚2 运行结果

🎉3 参考文献

部分理论来源于网络，如有侵权请联系删除。

[1]许刚,张丙旭,张广超.电动汽车集群并网的分布式鲁棒优化调度模型[J].电工技术学报,2021,36(03):565-578.DOI:10.19595/j.cnki.1000-6753.tces.200531.

🌈4 Matlab代码实现