CN109167347A - 基于云自适应粒子群多目标电动汽车充放电优化调度方法 - Google Patents
基于云自适应粒子群多目标电动汽车充放电优化调度方法 Download PDFInfo
- Publication number
- CN109167347A CN109167347A CN201810884288.1A CN201810884288A CN109167347A CN 109167347 A CN109167347 A CN 109167347A CN 201810884288 A CN201810884288 A CN 201810884288A CN 109167347 A CN109167347 A CN 109167347A
- Authority
- CN
- China
- Prior art keywords
- electric car
- discharge
- cloud
- charge
- particle
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/008—Circuit arrangements for ac mains or ac distribution networks involving trading of energy or energy transmission rights
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/7072—Electromobility specific charging systems or methods for batteries, ultracapacitors, supercapacitors or double-layer capacitors
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02T90/10—Technologies relating to charging of electric vehicles
- Y02T90/12—Electric charging stations
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02T90/10—Technologies relating to charging of electric vehicles
- Y02T90/16—Information or communication technologies improving the operation of electric vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于预测或优化技术领域,公开了一种基于云自适应粒子群多目标电动汽车充放电优化调度方法,通过鸟群个体间的信息传递来去引导群体向可能解的方向进行移动,在迭代求解的过程中发现寻找更好的解。群体中的每一只鸟抽象为没有质量的和体积的粒子,粒子之间相互协作和信息交互共享,粒子运动的速度受到自己和群体历史运动状态信息的影响。自身和群体的历史最优位置对当前粒子的运动方向和运动速度产生的影响可以较好的协调粒子自身和全体间的关系,有利于群体在复杂空间的寻优操作。自适应粒子群算法很多情况下不能反应实际的搜索优化过程,云理论引入自适应粒子群算法运用云滴随机性和稳定倾向性,保持种群多样性提高了算法的收敛速度。
Description
技术领域
本发明属于预测或优化技术领域,尤其涉及一种基于云自适应粒子群多目标电动汽车充放电优化调度方法。
背景技术
目前,业内常用的现有技术是这样的:粒子群优化算法是一种新型的智能优化算法,该算法是对传统优化算法的进一步补充。1986年Craig Reynols提出了Bird模型,通过对现实世界鸟类群体的观察模拟鸟类聚集飞行的行为方式。Frank Heppner增加了栖息地对鸟群吸引力的客观条件重新定义了新的鸟群模型。基于鸟类寻找食物的行为进行分析研究,James Kennedy博士和Russell Eberhart博士在1995年提出应用于进化计算的粒子群优化算法(Particle Swarm Optimization)。将鸟群运动模型的栖息地类比于要解决问题的所有可能解的位置,通过鸟群个体间的信息传递来去引导群体向可能解的方向进行移动,在迭代求解的过程中发现寻找更好的解。群体中的每一只鸟抽象为没有质量的和体积的“粒子”,“粒子”之间相互协作和信息交互共享,粒子运动的速度受到自己和群体历史运动状态信息的影响。自身和群体的历史最优位置对当前粒子的运动方向和运动速度产生的影响可以较好的协调粒子自身和全体间的关系,有利于群体在复杂空间的寻优操作。粒子群优化算法是一种新型的智能优化算法,该算法是对传统优化算法的进一步补充。1986年Craig Reynols提出了Bird 模型,通过对现实世界鸟类群体的观察模拟鸟类聚集飞行的行为方式。Frank Heppner增加了栖息地对鸟群吸引力的客观条件重新定义了新的鸟群模型。基于鸟类寻找食物的行为进行分析研究,James Kennedy博士和Russell Eberhart博士在1995年提出应用于进化计算的粒子群优化算法(Particle Swarm Optimization)。将鸟群运动模型的栖息地类比于要解决问题的所有可能解的位置,通过鸟群个体间的信息传递来去引导群体向可能解的方向进行移动,在迭代求解的过程中发现寻找更好的解。群体中的每一只鸟抽象为没有质量的和体积的“粒子”,“粒子”之间相互协作和信息交互共享,粒子运动的速度受到自己和群体历史运动状态信息的影响。自身和群体的历史最优位置对当前粒子的运动方向和运动速度产生的影响可以较好的协调粒子自身和全体间的关系,有利于群体在复杂空间的寻优操作。电动汽车用户的充放电成本比较低不能达到用户的心里预期,很难调动电动汽车用户参与调度的积极性,电网的负荷波动就会比较大不能从根本上解决。
综上所述,现有技术存在的问题是:
(1)电动汽车用户的充放电成本比较低不能达到用户的心里预期,很难调动电动汽车用户参与调度的积极性,电网的负荷波动就会比较大不能从根本上解决。
(2)电动汽车作为一种新兴负荷接入电网会对电力***产生一系列的影响,将负荷的峰谷差值进一步增大,配电网负荷局部过载,电网局部线路电压过低,线路损耗值增大,配电网变压器容量越限。
(3)粒子群优化算法是一种基于群体智能的进化优化算法,思想来源于人工生命和进化计算理论。PSO算法也存在易于陷入局部最优,出现早熟收敛的问题。
解决上述技术问题的难度和意义:电动汽车用户的充放电成本可以达到用户的心里预期并且超过用户的心理预期的,可以充分调动电动汽车的积极性使电动汽车用户积极参与调度中,***负荷的波动水平比较低同时电动汽车也获得自己所期待的收益。电动汽车充放电可以有效的实现削峰填谷,在负荷低谷时充电电价比较低,大多数电动汽车选择充电可以节省充电的花费。在负荷高峰时,电动汽车集中放电可以换来一定的收益,此时电动汽车放电的电价比较高,对于电动汽车用户来说如果在低谷时储存足够的备用电能在满足用户行驶的前提下将多余的电能反馈给电网。
发明内容
针对现有技术存在的问题,本发明提供了一种基于云自适应粒子群多目标电动汽车充放电优化调度方法。
本发明是这样实现的,一种基于云自适应粒子群模型,所述基于云自适应粒子群模型为:
目标函数1:最小化***最大负荷:
min(maxQ);
表示实行峰谷分时电价后***原负荷与电动汽车的充电负荷负荷叠加的最大负荷最小化;
目标函数2:最小化***负荷的***负荷的峰谷差:min(maxQ-minQ);
表示:峰谷分时电价执行后最小化***负荷的峰谷差。
目标函数3:
式中:Cc,t表示电动汽车的充电电价;Cdc,t表示电动汽车的放电电价;
建立综合目标函数:
式中:λ1、λ2、λ3表示F1、F2、F3对应的权重;F1max表示原来***负荷的峰值、F2max原来***负荷峰谷差值、F3max表示执行原始电价的***的负荷电费总和。
进一步,所述目标函数转化为:
w1+w2=1;
式子中:w1表示***波动平缓的权重;w2表示电动汽车用户充放电收入的目标函数。
进一步,所述云自适应粒子群模型约束条件:
(1)充放电电价上下限约束
电动汽车充电电价:1>Cc,f>Cc,p>Cc,g>0;
电动汽车峰时刻充电电价大于平时刻充电电价大于谷时刻充电点击;
电动汽车放电电价:1>Cdc,f>Cdc,p>Cdc,g>0;
电动汽车峰时刻放电电价大于平时刻放电电价大于谷时刻放电电价;
(2)充放电功率上下限约束
表示电动汽车充电功率的上限,表示电动汽车充电功率的下限。
电动汽车最大的充电功率为1KW;电动汽车最大的放电功率为1KW;
(3)电动汽车接入电网数量的约束
0≤Nc,t+Ndc,t≤N;
t时段内进行充放电行为的电动汽车数量约束;Nc,t为t时段处于充电状态的电动汽车数量;Ndc,t为t时段处于放电状态的电动汽车数量。
本发明的另一目的在于提供一种实施所述基于云自适应粒子群模型的基于云自适应粒子群多目标电动汽车充放电优化调度方法,所述基于云自适应粒子群多目标电动汽车充放电优化调度方法包括以下步骤:
步骤一,初始化粒子群,包括参数,粒子的速度、位置和个体极值pi和全局极值pg;
步骤二,对群体中每一个粒子Xi,执行以下操作:
步骤三,判断算法的终止条件是否满足,若满足执行步骤四,否则转向步骤二;
步骤四,输出pg的相关信息,算法结束。
进一步,所述步骤二具体包括:
1)根据不同的粒子速度值采用不同的惯性权重成成策略,其中普通子群由 X条件云发生器自适应的调整惯性权重w;
根据如下公式更新Xi的速度和位置;
在寻找两个最优值的过程中,粒子依据速度更新公式和位置公式来进行速度和位置的更新,在一定的随机扰动的条件下决定粒子下一步的移动方向;
2)计算Xi的适应度值fi;
3)如果fi优于pi的适应度值,则更新pi为Xi的当前位置;
4)如果fi优于pg的适应度值,则更新pg为Xi的当前位置。
综上所述,本发明的优点及积极效果为:电动汽车用户的充放电成本可以达到用户的心里预期并且超过用户的心理预期的,可以充分调动电动汽车的积极性使电动汽车用户积极参与调度中,***负荷的波动水平比较低同时电动汽车也获得自己所期待的收益。电动汽车充放电可以有效的实现削峰填谷,在负荷低谷时充电电价比较低,大多数电动汽车选择充电可以节省充电的花费。在负荷高峰时,电动汽车集中放电可以换来一定的收益,此时电动汽车放电的电价比较高,对于电动汽车用户来说如果在低谷时储存足够的备用电能在满足用户行驶的前提下将多余的电能反馈给电网。云自适应粒子群优化算法根据粒子适应度值把种群分为三个子群,分别采用不同的惯性权重生成策略,由X条件云发生器自适应调整普通子群粒子的惯性权重,由于云模型云滴具有随机性和稳定倾向性特点,使惯性权重既具有传统的趋势性,满足快速寻优能力,又具有随机性,在提高收敛速度和保持种群多样性之问做了一个很好的权衡。与标准粒子群算法相比,云自适应粒子群优化算法具有较高的计算精度和较快的收敛速度。
附图说明
图1是本发明实施例提供的基于云自适应粒子群多目标电动汽车充放电优化调度方法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
电动汽车作为一种新兴负荷接入电网会对电力***产生一系列的影响,例如将负荷的峰谷差值进一步增大,配电网负荷局部过载,电网局部线路电压过低,线路损耗值增大,配电网变压器容量越限等问题。随着电动汽车大规模普及,电动汽车入网在时空上的不确定性问题将会凸显。针对国内电动汽车发展现状,采用控制策略使大量电动汽车有序接入电网成为现在研究的热点,大量研究表明电动汽车有序入网要比无序入网给电力***带来的影响要小很多。有效的控制策略可以减小电动汽车充放电对电网的影响。针对电动汽车的入网情况和现有的分时电价制度,从配电网方面考虑以最小化***负荷与最小化***负荷峰谷差为目标函数建立“削峰填谷”的数学模型。兼顾电网和用户双方共同的利益,在用户侧方面以电动汽车用户充放电成本最低作为优化的目标函数建立多目标的电动汽车优化调度模型。进一步采用云自适应粒子群算法进行求解。
下面结合附图对本发明的应用原理作详细的描述。
如图1所示,本发明实施例提供的基于云自适应粒子群多目标电动汽车充放电优化调度方法包括以下步骤:
S101:初始化粒子群,包括参数,粒子的速度、位置和个体极值pi和全局极值pg;
S102:对群体中每一个粒子Xi,执行以下操作:
S103:判断算法的终止条件是否满足,若满足执行步骤S104,否则转向步骤S102;
S104:输出pg的相关信息,算法结束。
在本发明的优选实施例中,步骤S102具体包括:
1)根据不同的粒子速度值采用不同的惯性权重成成策略,其中普通子群由 X条件云发生器自适应的调整惯性权重w;
根据如下公式更新Xi的速度和位置;
在寻找两个最优值的过程中,粒子依据速度更新公式和位置公式来进行速度和位置的更新,在一定的随机扰动的条件下决定粒子下一步的移动方向;
2)计算Xi的适应度值fi;
3)如果fi优于pi的适应度值,则更新pi为Xi的当前位置;
4)如果fi优于pg的适应度值,则更新pg为Xi的当前位置。
下面结合具体实施例对本发明的应用原理作进一步的描述。
1、数学模型
目标函数1:最小化***最大负荷:
min(maxQ);
表示实行峰谷分时电价后***原负荷与电动汽车的充电负荷负荷叠加的最大负荷最小化;
目标函数2:最小化***负荷的***负荷的峰谷差:min(maxQ-minQ);
表示:峰谷分时电价执行后最小化***负荷的峰谷差。
目标函数3:
式中:Cc,t表示电动汽车的充电电价;Cdc,t表示电动汽车的放电电价;
建立综合目标函数:
式中:λ1、λ2、λ3表示F1、F2、F3对应的权重;F1max表示原来***负荷的峰值、F2max原来***负荷峰谷差值、F3max表示执行原始电价的***的负荷电费总和。
目标函数F1表示最小化***最大负荷,目标函数F2表示最小化***负荷的***负荷的峰谷差,整体都是为了实削峰填谷。将F1和F3两个多目标起来转化为单目标可以实现“削峰填谷”,可以实现使充电负荷均匀地分布于整个谷时段,在调度结果中效果最优。
将目标函数转化为:
w1+w2=1;
式子中:w1表示***波动平缓的权重;w2表示电动汽车用户充放电收入的目标函数。
w1与w2的权重取值情况对于不同的行业区别很大,w1取值较大的话说明该地区的峰谷差和***负荷的波动较为严重,w2取值比较大说明电动汽车用户对电价颇为敏感。w1与w2是带有主观因素的模糊判断。
模糊描述的赋值方法
2、约束条件
(1)充放电电价上下限约束
电动汽车充电电价:1>Cc,f>Cc,p>Cc,g>0;
电动汽车峰时刻充电电价大于平时刻充电电价大于谷时刻充电点击;
电动汽车放电电价:1>Cdc,f>Cdc,p>Cdc,g>0;
电动汽车峰时刻放电电价大于平时刻放电电价大于谷时刻放电电价;
(2)充放电功率上下限约束
表示电动汽车充电功率的上限,表示电动汽车充电功率的下限。
电动汽车最大的充电功率为1KW;电动汽车最大的放电功率为1KW;
(3)电动汽车接入电网数量的约束
0≤Nc,t+Ndc,t≤N;
t时段内进行充放电行为的电动汽车数量约束;Nc,t为t时段处于充电状态的电动汽车数量;Ndc,t为t时段处于放电状态的电动汽车数量。
重新建立的数学模型:电动汽车的总数目为N辆,第n辆电动汽车在t时段的充放电功率用pn,t表示。
式子中:Pc,t表示t时刻电动汽车总的充电功率;Pdc,t表示电动汽车在t时刻总的防电功率。
3、粒子群算法发展
粒子群优化算法是一种新型的智能优化算法,该算法是对传统优化算法的进一步补充。
1986年Craig Reynols提出了Bird模型,通过对现实世界鸟类群体的观察模拟鸟类聚集飞行的行为方式。Frank Heppner增加了栖息地对鸟群吸引力的客观条件重新定义了新的鸟群模型。基于鸟类寻找食物的行为进行分析研究,James Kennedy博士和RussellEberhart博士在1995年提出应用于进化计算的粒子群优化算法(Particle SwarmOptimization)。
将鸟群运动模型的栖息地类比于要解决问题的所有可能解的位置,通过鸟群个体间的信息传递来去引导群体向可能解的方向进行移动,在迭代求解的过程中发现寻找更好的解。群体中的每一只鸟抽象为没有质量的和体积的“粒子”,“粒子”之间相互协作和信息交互共享,粒子运动的速度受到自己和群体历史运动状态信息的影响。自身和群体的历史最优位置对当前粒子的运动方向和运动速度产生的影响可以较好的协调粒子自身和全体间的关系,有利于群体在复杂空间的寻优操作。
自适应粒子群算法
标准的粒子群算法是将w的初始值设置为0.9,随着迭代次数的增加惯性权重线性递减到0.4,目的是先进行全局搜索收敛于某一区域之后再进行细化的搜索获得高度的精确解。针对粒子群算法容易早熟及算法后期容易在全局最优解附近产生震荡的现象,可以采用线性变化的权重,让惯性权重从最大值wmax减小的最小值wmin,w随算法迭代次数的变化公式:
式中:wmax表示w的最大权重系数,wmin表示w的最小权重系数,t表示当前的迭代次数,tmax为最大的迭代次数(最大运行系数)。W表示第t代时的权重系数值。
4、云自适应粒子群算法
自适应粒子群算法很多情况下不能反应实际的搜索优化过程,将“云理论”的概念引入自适应粒子群算法运用“云滴”随机性和稳定倾向性的特点,保持种群多样性的同时提高了算法的收敛速度。
定义T为论域u的语言值,u在[0,1]的映射为CT(u):
U→[0,1];u→CT(u);
称CT(u)在u上的分布成为T的隶属云。
当“云”服从正态分布的情况下具有稳定倾向的随机数集合,其主要的特征值:
(1)期望值Ex;(2)熵值En;(3)超熵值He;
云自适应粒子群算法;
粒子群的值为N,在第k次迭代中粒子Xi适应度值为fi;粒子平均适应度值为:
将适应度值超过favg的适应度值求平均得到f’avg;适应度值次于favg求平均值达到f”avg;
最优粒子的适应度值为fmin,自适应粒子群算法中的惯性权重根据迭代公式随着算法迭代次数的增加和适应度值的减小继续减小。运用云理论将粒子群重新划分成三个子群通过采用不同的惯性权重w生成策略
不同惯性权重w的生成规则:
(1)fi优于f’avg
适应度值小于f’avg的粒子代表群体中比较优秀的粒子可以接近全局最优。采用较小的权重加快全局收敛的速度,通常取值0.2。
(2)fi次于f’avg;优于f”avg
该适应度值对应的是群体中一般的粒子,根据X条件云发生器非线性动态调整粒子Xi的惯性权重,粒子群惯性权重重新生成的步骤如下:
Ex=f′avg;
为控制参数1取值2.9;
为控制参数2取值10;
E′n=normrnd(En,He);
(3)fi次于f”avg适应度的值大于f”avg的粒子为种群中比较差的粒子,w 取值0.9。
证明部分(具体实施例/实验/仿真/)
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于云自适应粒子群模型,其特征在于,所述基于云自适应粒子群模型为:
目标函数1:最小化***最大负荷:
min(maxQ);
表示实行峰谷分时电价后***原负荷与电动汽车的充电负荷负荷叠加的最大负荷最小化;
目标函数2:最小化***负荷的***负荷的峰谷差:min(maxQ-minQ);
表示:峰谷分时电价执行后最小化***负荷的峰谷差;
目标函数3:
式中:Cc,t表示电动汽车的充电电价;Cdc,t表示电动汽车的放电电价;
建立综合目标函数:
式中:λ1、λ2、λ3表示F1、F2、F3对应的权重;F1max表示原来***负荷的峰值、F2max原来***负荷峰谷差值、F3max表示执行原始电价的***的负荷电费总和。
2.如权利要求1所述的基于云自适应粒子群模型,其特征在于,所述目标函数转化为:
w1+w2=1;
式子中:w1表示***波动平缓的权重;w2表示电动汽车用户充放电收入的目标函数。
3.如权利要求1所述的基于云自适应粒子群模型,其特征在于,所述云自适应粒子群模型约束条件:
(1)充放电电价上下限约束
电动汽车充电电价:1>Cc,f>Cc,p>Cc,g>0;
电动汽车峰时刻充电电价大于平时刻充电电价大于谷时刻充电点击;
电动汽车放电电价:1>Cdc,f>Cdc,p>Cdc,g>0;
电动汽车峰时刻放电电价大于平时刻放电电价大于谷时刻放电电价;
(2)充放电功率上下限约束
表示电动汽车充电功率的上限,表示电动汽车充电功率的下限;
电动汽车最大的充电功率为1KW;电动汽车最大的放电功率为1KW;
(3)电动汽车接入电网数量的约束
0≤Nc,t+Ndc,t≤N;
t时段内进行充放电行为的电动汽车数量约束;Nc,t为t时段处于充电状态的电动汽车数量;Ndc,t为t时段处于放电状态的电动汽车数量。
4.一种实施权利要求1所述基于云自适应粒子群模型的基于云自适应粒子群多目标电动汽车充放电优化调度方法,其特征在于,所述基于云自适应粒子群多目标电动汽车充放电优化调度方法包括以下步骤:
步骤一,初始化粒子群,包括参数,粒子的速度、位置和个体极值pi和全局极值pg;
步骤二,对群体中每一个粒子Xi,执行以下操作:
步骤三,判断算法的终止条件是否满足,若满足执行步骤四,否则转向步骤二;
步骤四,输出pg的相关信息,算法结束。
5.如权利要求4所述的基于云自适应粒子群多目标电动汽车充放电优化调度方法,其特征在于,所述步骤二具体包括:
1)根据不同的粒子速度值采用不同的惯性权重成成策略,其中普通子群由X条件云发生器自适应的调整惯性权重w;
根据如下公式更新Xi的速度和位置;
在寻找两个最优值的过程中,粒子依据速度更新公式和位置公式来进行速度和位置的更新,在一定的随机扰动的条件下决定粒子下一步的移动方向;
2)计算Xi的适应度值fi;
3)如果fi优于pi的适应度值,则更新pi为Xi的当前位置;
4)如果fi优于pg的适应度值,则更新pg为Xi的当前位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810884288.1A CN109167347B (zh) | 2018-08-06 | 2018-08-06 | 基于云自适应粒子群多目标电动汽车充放电优化调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810884288.1A CN109167347B (zh) | 2018-08-06 | 2018-08-06 | 基于云自适应粒子群多目标电动汽车充放电优化调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109167347A true CN109167347A (zh) | 2019-01-08 |
CN109167347B CN109167347B (zh) | 2022-03-29 |
Family
ID=64895041
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810884288.1A Active CN109167347B (zh) | 2018-08-06 | 2018-08-06 | 基于云自适应粒子群多目标电动汽车充放电优化调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109167347B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109693573A (zh) * | 2019-01-21 | 2019-04-30 | 天津大学 | 促进可再生能源消纳的电动汽车集群充电功率优化方法 |
CN109991976A (zh) * | 2019-03-01 | 2019-07-09 | 江苏理工学院 | 一种基于标准粒子群算法的无人车规避动态车辆的方法 |
CN110556851A (zh) * | 2019-09-12 | 2019-12-10 | 云南电网有限责任公司临沧供电局 | 基于电动汽车换电站的配电网优化电压管理方法 |
CN113580984A (zh) * | 2021-07-16 | 2021-11-02 | 国网浙江省电力有限公司湖州供电公司 | 一种电动汽车有序充电策略及其仿真方法 |
CN114030386A (zh) * | 2021-11-30 | 2022-02-11 | 国网浙江杭州市萧山区供电有限公司 | 基于用户充电选择的电动汽车充电控制方法 |
CN114236401A (zh) * | 2021-12-20 | 2022-03-25 | 上海正泰电源***有限公司 | 一种基于自适应粒子群算法的电池状态估计方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105068419A (zh) * | 2015-08-04 | 2015-11-18 | 西南交通大学 | 居民小区电动汽车充放电控制方法 |
CN106253294A (zh) * | 2016-10-20 | 2016-12-21 | 广东电网有限责任公司佛山供电局 | 智能电网的储能调度方法和装置 |
CN106651002A (zh) * | 2016-11-17 | 2017-05-10 | 云南电网有限责任公司玉溪供电局 | 一种基于正弦余弦算法的大规模电动汽车充放电多目标优化方法 |
CN106887841A (zh) * | 2017-03-23 | 2017-06-23 | 东北大学 | 一种含电动汽车微电网容量配置的多种群遗传粒子群优化方法 |
-
2018
- 2018-08-06 CN CN201810884288.1A patent/CN109167347B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105068419A (zh) * | 2015-08-04 | 2015-11-18 | 西南交通大学 | 居民小区电动汽车充放电控制方法 |
CN106253294A (zh) * | 2016-10-20 | 2016-12-21 | 广东电网有限责任公司佛山供电局 | 智能电网的储能调度方法和装置 |
CN106651002A (zh) * | 2016-11-17 | 2017-05-10 | 云南电网有限责任公司玉溪供电局 | 一种基于正弦余弦算法的大规模电动汽车充放电多目标优化方法 |
CN106887841A (zh) * | 2017-03-23 | 2017-06-23 | 东北大学 | 一种含电动汽车微电网容量配置的多种群遗传粒子群优化方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109693573A (zh) * | 2019-01-21 | 2019-04-30 | 天津大学 | 促进可再生能源消纳的电动汽车集群充电功率优化方法 |
CN109693573B (zh) * | 2019-01-21 | 2021-11-30 | 天津大学 | 促进可再生能源消纳的电动汽车集群充电功率优化方法 |
CN109991976A (zh) * | 2019-03-01 | 2019-07-09 | 江苏理工学院 | 一种基于标准粒子群算法的无人车规避动态车辆的方法 |
CN110556851A (zh) * | 2019-09-12 | 2019-12-10 | 云南电网有限责任公司临沧供电局 | 基于电动汽车换电站的配电网优化电压管理方法 |
CN113580984A (zh) * | 2021-07-16 | 2021-11-02 | 国网浙江省电力有限公司湖州供电公司 | 一种电动汽车有序充电策略及其仿真方法 |
CN114030386A (zh) * | 2021-11-30 | 2022-02-11 | 国网浙江杭州市萧山区供电有限公司 | 基于用户充电选择的电动汽车充电控制方法 |
CN114236401A (zh) * | 2021-12-20 | 2022-03-25 | 上海正泰电源***有限公司 | 一种基于自适应粒子群算法的电池状态估计方法 |
CN114236401B (zh) * | 2021-12-20 | 2023-11-28 | 上海正泰电源***有限公司 | 一种基于自适应粒子群算法的电池状态估计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109167347B (zh) | 2022-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109167347A (zh) | 基于云自适应粒子群多目标电动汽车充放电优化调度方法 | |
CN107994595B (zh) | 一种削峰填谷控制方法和***以及应用该控制方法的*** | |
CN112713618B (zh) | 基于多场景技术的主动配电网源网荷储协同优化运行方法 | |
CN109657993B (zh) | 一种基于非合作博弈的能源局域网储能***自动需求响应方法 | |
CN109214095A (zh) | 电动汽车充放电多目标优化调度方法 | |
Wang et al. | Multi-objective energy management system for DC microgrids based on the maximum membership degree principle | |
CN112800658A (zh) | 一种考虑源储荷互动的主动配电网调度方法 | |
Mahesh et al. | Optimal sizing of a grid-connected PV/wind/battery system using particle swarm optimization | |
CN113258581B (zh) | 一种基于多智能体的源荷协调电压控制方法及装置 | |
CN108551176B (zh) | 一种结合储能均衡技术的储能电池***容量配置方法 | |
CN105896596B (zh) | 一种考虑需求侧响应的风电功率分层平滑***及其方法 | |
CN111476423B (zh) | 一种能源互联配电网故障恢复方法 | |
CN115577864B (zh) | 基于多模型组合运算的配电网运行优化调度方法 | |
CN112821470A (zh) | 基于小生境混沌粒子群算法的微网群优化调度策略 | |
CN112202206A (zh) | 一种基于势博弈的多能源微网分布式调度方法 | |
CN113675890A (zh) | 基于td3的新能源微电网优化方法 | |
CN114784831A (zh) | 一种基于移动储能的主动配电网多目标无功优化方法 | |
Yuanyuan et al. | Optimization scheduling method of power grid energy-saving based on fuzzy decision | |
Ren et al. | Multi-objective optimal dispatching of virtual power plants considering source-load uncertainty in V2G mode | |
CN114285093B (zh) | 一种源网荷储互动调度方法及*** | |
CN116031935A (zh) | 一种考虑电能交互和需求响应的并网型多微网***运行调度优化方法 | |
CN109995027A (zh) | 一种两阶段区域用户能量管理方法及*** | |
CN113627807B (zh) | 一种网源荷互动风险控制方法 | |
CN113300392B (zh) | 考虑余电上网的光储充一体化电站优化控制方法 | |
CN114742453A (zh) | 基于Rainbow深度Q网络的微电网能量管理方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |