💥1 概述
文献来源：
化石燃料短缺和环境保护在经济发展中引起了关注。大规模部署电动汽车(ev)可能是减少对化石燃料依赖和保护环境的潜在解决方案，许多国家和汽车制造商正在大力推广电动汽车的使用[1,2]。电动汽车在电力系统中往往以分布式和移动电源需求为代表;它们的分布式存储能力也适用于电网[3]。利用V2G (Vehicle to Grid)技术，电动汽车可以通过优化充放电来转移高峰负荷，降低发电机的运行成本和排放[4]。同时，大量电动汽车的不协调充放电也会导致电网出现电力拥塞、欠压、电网不稳定、电能质量、继电器、频率等电网问题[5-9]。
基于双层优化的大型电动汽车（EV）时空调度是一种综合考虑电动汽车充电需求、能源管理和出行需求的优化调度方法。这种方法通过将问题分解为两个层次的优化问题，来实现对大型电动汽车群体的有效调度。
下面是基于双层优化的大型电动汽车时空调度的一般步骤：
高层优化：
1. 问题定义：明确定义大型电动汽车时空调度的目标，例如最小化充电成本、最大化能源利用率等。同时，考虑到电动汽车的出行需求、能源管理策略等约束条件。
2. 空间调度：根据电动汽车出行需求和充电设施的分布，确定每个车辆的出行计划和路线。这包括考虑车辆之间的交通状况、充电设施的可用性等因素。
3. 时间调度：在空间调度的基础上，确定每个车辆的出发时间和到达时间，以满足出行需求，并尽可能优化充电计划。
低层优化：
1. 充电策略：针对每个电动汽车，基于车辆充电需求和能源管理策略，制定充电计划。这可能涉及到车辆的充电时间、功率、充电桩的选择等决策。
2. 能源管理：管理大量电动汽车充电过程中的能源需求与供给平衡。考虑到电网的负荷平衡、充电设施的容量限制，优化调度充电策略，使得车辆充电需求能够在可控范围内，并且尽可能减少成本。
3. 交互与协调：通过高层和低层优化过程的交互与协调，以实现整体调度的一致性和系统优化。
需要注意的是，基于双层优化的大型电动汽车时空调度是一个复杂的问题，涉及到多个因素的动态协调与优化。同时，还需要考虑到电动汽车充电设施的建设和管理，以及与电网的连接与交互等方面的问题。因此，综合运用优化方法、数据分析和智能算法等技术，能够有效地解决这一挑战并提供高效的调度方案。
📚2 运行结果
数据：
部分代码：
Ndmax=15000*0.4*ones(24,20);%每时段最大接入放电电动汽车数量;150000辆电动车; Ncmax=15000*0.95*ones(24,20);%每时段最大接入充电电动汽车数量;150000辆电动车; %Ndmax=10000*0.4*ones(24,20);%每时段最大接入放电电动汽车数量;100000辆电动车; %Ncmax=10000*0.95*ones(24,20);%每时段最大接入充电电动汽车数量;100000辆电动车; %Ndmax=5000*0.4*ones(24,20);%每时段最大接入放电电动汽车数量;50000辆电动车; %Ncmax=5000*0.95*ones(24,20);%每时段最大接入充电电动汽车数量;50000辆电动车; %Ndmax=zeros(24,20);%输电网中不含电动汽车 %Ncmax=zeros(24,20);%输电网中不含电动汽车 Ndsummax=15000*3*ones(1,20);%全天电动汽车放电需求;150000辆电动车; Ncsummax=15000*6*ones(1,20);%全天电动汽车充电需求;150000辆电动车; %Ndsummax=10000*3*ones(1,20);%全天电动汽车放电需求;100000辆电动车; %Ncsummax=10000*6*ones(1,20);%全天电动汽车充电需求;100000辆电动车; %Ndsummax=5000*3*ones(1,20);%全天电动汽车放电需求;50000辆电动车; %Ncsummax=5000*6*ones(1,20);%全天电动汽车充电需求;50000辆电动车; %Ndsummax=zeros(1,20);%输电网中不含电动汽车 %Ncsummax=zeros(1,20);%输电网中不含电动汽车 priced=[0.06;0.06;0.07;0.08;0.09;0.1;0.12;0.15;0.2;0.25;0.3;0.35;0.25;0.2;0.15;0.1;0.09;0.1;0.15;0.25;0.2;0.1;0.08;0.07];%放电电价;放电电价高于充电电价的峰谷电价; pricec=[0.06;0.06;0.07;0.08;0.09;0.1;0.11;0.12;0.14;0.16;0.17;0.18;0.16;0.14;0.12;0.095;0.09;0.1;0.12;0.16;0.14;0.1;0.08;0.07];%充电电价;放电电价高于充电电价的峰谷电价; %priced=[0.06;0.06;0.07;0.08;0.09;0.1;0.11;0.12;0.14;0.16;0.17;0.18;0.16;0.14;0.12;0.095;0.09;0.1;0.12;0.16;0.14;0.1;0.08;0.07];%放电电价;峰谷电价; %pricec=[0.06;0.06;0.07;0.08;0.09;0.1;0.11;0.12;0.14;0.16;0.17;0.18;0.16;0.14;0.12;0.095;0.09;0.1;0.12;0.16;0.14;0.1;0.08;0.07];%充电电价;峰谷电价; %priced=0.08*ones(24,1);%放电电价:平电价; %pricec=0.08*ones(24,1);%充电电价:平电价; %%%%%MINLP转化为MILP求解%%%%%%%%%%%%%%%; N=24;%线性化分段数; X=binvar(Time,Ji);%0-1启停机变量; S=sdpvar(Time,Ji);%机组启动费用; PP=sdpvar(Time,Ji*N*SS);%线性化机组功率; Pfx=sdpvar(Time,SS);%风机出力; Nd=intvar(Time,SS);%电动汽车放电数量; Nc=intvar(Time,SS);%电动汽车充电数量;
🎉3 参考文献
部分理论来源于网络，如有侵权请联系删除。
