电动汽车有序无序充放电的优化调度（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。

目录

1 全文概述

2 数学模型

3 Matlab实现

3.1 代码前的准备

然后：也是代码前的准备：

3.2 运行结果

 4 往期回顾

5 参考文献

6 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);endfprintf('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; % KWhgamma=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;    endendF1=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);    endendA2_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,:);endtemp_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');

 4 往期回顾

5 参考文献

6 Matlab代码实现