CN109359389A - 基于典型负荷动态博弈的城市电动汽车充电决策方法 - Google Patents

基于典型负荷动态博弈的城市电动汽车充电决策方法 Download PDF

Info

Publication number
CN109359389A
CN109359389A CN201811215451.1A CN201811215451A CN109359389A CN 109359389 A CN109359389 A CN 109359389A CN 201811215451 A CN201811215451 A CN 201811215451A CN 109359389 A CN109359389 A CN 109359389A
Authority
CN
China
Prior art keywords
charging
load
electric car
power
period
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
Application number
CN201811215451.1A
Other languages
English (en)
Other versions
CN109359389B (zh
Inventor
冯健
于洋
马大中
张化光
刘金海
李云博
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northeastern University China
Original Assignee
Northeastern University China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Northeastern University China filed Critical Northeastern University China
Priority to CN201811215451.1A priority Critical patent/CN109359389B/zh
Publication of CN109359389A publication Critical patent/CN109359389A/zh
Application granted granted Critical
Publication of CN109359389B publication Critical patent/CN109359389B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • 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
    • Y02T90/167—Systems integrating technologies related to power network operation and communication or information technologies for supporting the interoperability of electric or hybrid vehicles, i.e. smartgrids as interface for battery charging of electric vehicles [EV] or hybrid vehicles [HEV]
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S30/00—Systems supporting specific end-user applications in the sector of transportation
    • Y04S30/10—Systems supporting the interoperability of electric or hybrid vehicles
    • Y04S30/12—Remote or cooperative charging

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Evolutionary Computation (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本发明提供一种基于典型负荷动态博弈的城市电动汽车充电决策方法，涉及电充汽车充电技术领域。该方法根据电网短期负荷曲线聚类得到某地区典型用户负荷类型，并计算得到电动汽车理想充电负荷曲线，以充电需求约束、充电时间约束、电动汽车充电数量限制、电网电力负荷曲线、配电网容量作为边界条件，以充电负荷曲线与理想充电负荷曲线误差最小为约束条件，以用户用电成本最低为目标函数，建立优化方程，并求解，得到充电策略，通过动态博弈的决策结果判断是否对电动汽车进行充电。本发明提供的方法，能改善电网负荷特性使电网在电动汽车接入后波动最小，提高电力设备负荷率，在此基础上使电动汽车用户花费的充电成本最低。

Description

基于典型负荷动态博弈的城市电动汽车充电决策方法
技术领域
本发明涉及电充汽车充电技术领域，尤其涉及一种基于典型负荷动态博弈的城市电动汽车充电决策方法。
背景技术
全球性的能源危机和气候变化，驱动了电动汽车在世界范围内的迅速发展和应用。随着电动汽车在未来的普及，将会有大规模的电动汽车并入电网进行充、放电，然而随着电动汽车数量的大幅度增长，电动汽车因其自身充电行为的随机性，大规模接入会给电力***的运行与控制带来显著的危害。电网如何接纳大规模的电动汽车并网并且不超过电网的容量已经成为了未来电动汽车发展和普及过程中所必须解决的重大问题。为了解决这些困难，必须要使用合理的手段来调控电动汽车的充、放电行为，需要更加精确的电动汽车负荷建模方法和更为合理的方案来引导电动汽车的有序充、放电，尽量提高电网消纳大规模电动汽车并网的能力。而避峰填谷作为一种柔性的调控手段，能够在一定程度上引导电动汽车的充电方式与时间的选择，使其能够有序充、放电，可以避免电动汽车的加入给电网造成的危害，同时可以增加充电用户的体验度，让用户享受更低的充电价格。
发明内容
本发明要解决的技术问题是针对上述现有技术的不足，提供一种基于典型负荷动态博弈的城市电动汽车充电决策方法，能改善电网负荷特性使电网在电动汽车接入后波动最小，提高电力设备负荷率，在此基础上使电动汽车用户花费的充电成本最低。
为解决上述技术问题，本发明所采取的技术方案是：
一种基于典型负荷动态博弈的城市电动汽车充电决策方法，该方法由一个变压器支路安装一个总的智能调度装置实现，所述智能调度装置控制变压器支路的n个充电桩，当有电动汽车接入时，充电桩上载电动汽车信息发送到智能调度装置，智能调度装置经过分析后发送充电策略到充电桩进行充电，智能调度装置与充电桩之间通过TCP进行通信；所述智能调度装置经过分析得到充电策略的具体方法包括以下步骤：
步骤1：通过改进的AHPK-means算法对短期电力负荷进行聚类，预测某区域电网的典型负荷曲线，电网的典型负荷曲线为除去电动汽车充电负荷之外的负荷曲线，包括如下步骤：
步骤1.1：从某城市的电力公司SCADA***的数据库中选取终端用户的负荷数据构成负荷矩阵A；所述负荷数据包括该城市某一个变压器的一条支路的用户类型、有功功率、无功功率及电压电流的测量值，每15min采样一次，每日共采样96个数据点；
步骤1.2：对负荷矩阵A进行数据预处理，识别与修正异常数据，并进行归一化处理；进一步包括以下步骤：
步骤1.2.1：对负荷矩阵A中的异常数据进行识别与修正；实际负荷数据会由于某个测量单元长时间的故障或在数据采集过程中其他相关元件的故障使负荷数据缺失，对于96个数据点，缺失其中30个及以上数据点的记录、负荷有功记录数据为负的记录，直接踢除；
步骤1.2.2：对于负荷曲线中的骤升、骤降数据，通过计算负荷变化率予以判断，负荷变化率计算公式为：
ρ＝|(pd-pd-1)/pd|；
其中，ρ表示用户负荷序列P在d点的负荷变化率，P＝{pd，d＝1，…，96}，pd为d点的有功功率；当负荷变化率ρ超过预设阀值ε时，则视为异常数据；
对于异常数据及含有缺失的负荷数据采用平滑窗式按下式进行填补：
其中，pd′为填补后d点的有功功率，a、b分别表示向前和向后取点，分别最大取到a1、b1；
步骤1.2.3：采用最大值归一化方法对经过识别与修正的负荷矩阵A进行归一化处理，去除负荷曲线的基荷部分，强调负荷走势的相似性，归一化表达式如下：
xd＝pd′/max(P)；
其中，xd为归一化后d点的有功功率，max(P)为96点中的最大功率；
步骤1.3：采用AHPK-means算法对步骤1.2处理后的负荷矩阵A进行聚类分析，以双层加权欧式距离为相似性判据进行聚类；进一步包括以下步骤：
步骤1.3.1：获取该支路的用户类别与数量，包括工业用户个数h1、居民生活用户个数h2、学校用户个数h3、商业用户个数h4、公变用户个数h5；通过下式计算优化聚类数k：
其中，f(·)为正态函数，ci为常数，为三角矩阵的转置，hi为第i种用户类别数量，i＝1，2，…，n，n＝5，ε为测量误差；
步骤1.3.2：基于双层加权欧式距离的K-means算法，具体方法为：
步骤1.3.2.1：将步骤1.3.1得到的优化聚类数k作为初始聚类中心；
步骤1.3.2.2：样本归类；将k类所有样本中心划分到其加权欧式距离最近的类中心，样本Ak到第j个聚类中心mj＝{mj，1，mj，2，…，mj，q}的加权距离由下式计算：
步骤1.3.2.3：聚类中心更新；根据步骤1.3.2.2的结果，计算每类的平均值作为各类新的聚类中心；
步骤1.3.2.4：迭代计算；判断聚类中心是否收敛，若未收敛，则返回步骤1.3.2.2，否则执行下一步；
步骤1.3.2.5：将所有的聚类中心组合成一个新的数据集，每个聚类中心自身视为一类，计算所有类间距离，即样本之间的相似度；
步骤1.3.2.6：按既定规则选取其中类间距离达到要求的类别进行类间合并操作；
步骤1.3.2.7：对于类Ci和Cj，选择两类中心的平均距离作为这两个类的距离，然后选取类间距最小的类进行合并：其中，Dij为Ci和Cj合并后的结果，ni、nj分别为类Ci和Cj的样本数目，x、x′为类中心，d(x，x′)为两类中心的平均距离；
步骤1.3.2.8：计算上一步生成的新类与之前类之间的相似度；
步骤1.3.2.9：重复步骤1.3.2.6-1.3.2.8，直至所有负荷样本划分到一类，算法结束；
步骤1.4：聚类有效性检验；通过建立有效性指标，评价聚类结果，并确定最佳聚类数，得到最终的短期负荷曲线；
采用戴维森堡丁指数即DBI指标，用于确定最佳聚类数并评价聚类质量，DBI指数IDBI越小表示聚类效果越好，计算公式为：
其中，K为聚类数，Rk为任意两类别的类内距离平均距离之和除以两聚类中心距离，d(Xk)和d(Xj)为k与j类内距离的平均距离，Xk、Xj分别表示k与j类数据，d(ck，cj)为两聚类中心距离，ck、cj分别表示k与j类的中心；
采用AHPK-means进行聚类分析，重复进行20次，选取其中IDBI最小时对应的解为最佳聚类结果；
步骤2：通过得到的短期负荷曲线计算电动汽车理想充电负荷曲线，包括以下步骤：
步骤2.1：通过步骤1.4处理电力负荷数据矩阵A得到N类类中心成有显著差异的短期负荷曲线；
步骤2.2：通过得到的N类短期负荷曲线得到用户的行为与构成，并结合聚类结果对用户的行为与构成进行分析，得到N种用户类别；
步骤2.3：分别计算这N种用户类别的最大功率值Pmax、最小功率值Pmin、高峰出现的时间段th、低谷出现的时间段t1以及峰谷差Δp，其中最大功率值Pmax、最小功率值Pmin、高峰出现的时间段th、低谷出现的时间段t1由得到的短期负荷曲线直接得到，峰谷差Δp由下式计算得到：Δp＝Pmax-Pmin；
步骤2.4：通过以上信息得到电动汽车理想充电负荷曲线，即在低谷出现的时间段t1充电以及以最大功率值Pmax、最小功率值Pmin作为限制条件；
步骤3：以充电需求约束、充电时间约束、电动汽车充电数量限制、电网电力负荷曲线、配电网容量作为边界条件，以充电负荷曲线与理想充电负荷曲线误差最小为约束条件，以用户用电成本最低为目标函数，建立优化方程，并求解，得到充电策略；具体包括如下步骤：
步骤3.1：初始化当日配电网负载信息；
步骤3.2：充电站***判断是否有新的电动汽车驶入充电站；如果有，读取所有新接入电动汽车的有用数据信息，包括：获取电动汽车电池容量、电动车电池当前荷电状态、电动汽车预期的停留时间、电动汽车电池的充电功率曲线和电动车离开时期望的电动汽车荷电状态水平；如果没有，沿用上一时间段的充电模式；
步骤3.3：根据该时间段内充电站电动汽车的预期停留时间，得到所有车辆停留时间的最大值tM，并计算本次优化时间长度T，|x|为小于x的最小整数；
步骤3.4：以电动汽车充电最优化为目标，根据***信息，制定新的充电控制策略；以充电需求约束、充电时间约束、电动汽车充电数量限制、电网电力负荷曲线、配电网容量作为边界条件，以充电负荷曲线与理想充电负荷曲线误差最小为约束条件，以用户用电成本最低为目标函数，建立优化方程；
所述充电需求约束为其中，xn，t为第n辆汽车接入时的t时刻某点有功功率，Sn，S为初始荷电状态，bn为充电一个时段可增加的电池SOC数值，在T个时间段内，被充电的电动汽车的电池荷电状态应当至少达到充电开始时所需求的最终荷电状态Sn，E，同时在充满电的情况下应该停止充电；
所述充电时间约束为tn，E≤Tn，E，被充电的电动汽车需要在用户设定的预期停留时间内充电完成；其中tn，E为第n辆电动汽车充电结束时间；Tn，E为该电动汽车用户设定的预期充电结束时间；
所述电动汽车充电数量限制为其中，nt为第n辆电动汽车t时刻的有功功率，充电站内充电桩数量有限，每个时间段内充电汽车数量受到充电桩数量限制；X为充电站内充电桩数量；
所述峰谷差约束为|Pmax1-Pmin1|＜ΔP；其中，Pmax1和Pmin1分别从当日凌晨开始至当前优化时间段结束这段时间内***负荷最大值和最小值；结合过去7天内该时段的峰谷差值，ΔP初值定为这七天中该时段峰谷差最小值，如果该值由于偏小造成优化目标无解，则ΔP初值递加1％，直至有解；
步骤3.5：充电开始时间的选择采用非线性优化方法，通过MATLAB求解非线性方程，寻找合适的充电开始时间，使总的负荷曲线波动最小，以此作为优化的目标函数，具体方法为：
步骤3.5.1：T时间内负荷方差最小；当一个充电负荷接入后，若在某一时刻开始充电，使加入该负荷后的总负荷曲线在T时段内方差最小，则该时刻为选定的充电开始时间；对于连续函数计算其2阶中心距表示方差，可得
其中，Pvar为配电网日负荷方差，Pav为调整前的日平均负荷，PEt为t时段电动汽车的总充电功率，PLt为配电网不含电动汽车充电负荷时t时段的常规负荷，也就是通过负荷预测得到；
步骤3.5.2：结合分时电价的情况，以用户用电成本最低为目标函数，即其中，Sj代表电网在j时刻的电价，其为正值表示电动汽车充电电价，其为负值则代表电动汽车用户向电网馈电的补贴电价；Pij表示表示i台汽车在j时间段内所需功率；
步骤3.5.3：采用线性加权和法，将上述2个目标函数的优化问题转化为单目标优化，同时，由于两个目标函数的量纲不同，分别对各函数作归一化，转化后的目标函数如下式所示：
min T1＝ω1(T3/T3max)+ω2(T4/T4max)；
式中，T3max为原始电网负荷曲线的均方差；T4max为传统用车习惯下车主的日充电成本，即在停驶时间将电池由最低电量充满所需成本；T3、T4分别代表步骤3.3.1和步骤3.3.2中的两个目标函数，ω1、ω2分别为T3、T4的权重系数，且满足ω1+ω2＝1；
步骤3.6：分别将步骤2.3得到的N种用户类别中的最大功率值Pmax、最小功率值Pmin、高峰出现的时间段th、低谷出现的时间段tl以及峰谷差Δp带入到步骤3.5建立的优化方程中，通过电网实时数据与得到的N种典型负荷曲线数据分别进行相似度判断，判断如果有电动汽车接入时，应该采用哪种理想充电负荷曲线，以求得每种用户类别的最优充电策略；
相似度判断公式如下式所示：
其中，K(x)new为当天的实时数据，为第q种典型负荷数据，q＝1，2，…，N；
步骤4：通过动态博弈的决策结果判断是否对电动汽车进行充电，即判断得到的最优充电策略是否具备可调节性，具体方法如下：
步骤4.1：当某一电网支路中带载的任意一个充电桩内有新的电动汽车接入时，充电站运营***自动根据站内充电桩运行状态将***信息更新至下一个15min控制时点，并首先计算该辆电动汽车对应的SOC状态、充满电时所需的功率、所需充电时间段数Ji、停车时间段数Ti和***从当前时段算起在该车离开的Ti个时间段内的充电负荷裕度Mt，Mt＝AtSTλ，其中，t＝1，2，…，Ti，Ti＝96；ST表示变压器额定容量；At用表示一天中第t个时间段内允许充电站对电动汽车进行充电的功率占变压器容量的比例；λ为充电负荷的功率因数；
步骤4.2：在制定面向该用户的优惠分时电价时段之前，***预先判断能否满足该电动汽车的充电需求，通过计算***从当前时段算起在该车离开的Ti个时间段内的充电负荷裕度Mt实现：Hi＝|Ai|，Ai＝{t|Mt≥Pi，t＝1，2，...，Ti}；其中，|Ai|为集合Ai内的元素个数；
步骤4.3：若对应时段的Mt≥Pi+P0，即在该时段可安排所有电动汽车充电，否则采用寻优算法合理的安排各个汽车是否充电，；Pi为各个充电桩有电动汽车接入时所需有功功率的总和，P0为当前的实时有功功率，Mt值越大表示对应时段的充电负荷裕度越大；
步骤4.4：若Hi＜Ji，Ji表示电量充满的时间段数，则说明在该电动汽车停靠时间内，***无法满足所有用户输入的充电需求，从而采用寻优算法安排电动汽车进行充电，以充电负荷裕度Mt作为约束条件，如果某电动汽车所需的充电功率超过SOC的80％，则以χ优先参数进行分配，即Pi＝χPi，之后以max Mt＝αP1+βP2+...+φPn作为目标方程进行求解，其中Pi为电动汽车的所配置的充电功率，α、β、...、φ为比重系数，求得以满足最佳充电需求的电动汽车数量，并得知哪些充电桩能为电动汽车进行充电，同时显示用户应以多大的功率进行充电；
步骤4.5：对步骤4.4的结果进行分析，如果不能为电动汽车进行充电，则提示用户离开，如果能为电动汽车进行充电，则提醒用户能为其电动汽车进行充电，并且计算得到在用户离开时，***最大满足的该电动汽车电池荷电状态：其中，表示初始电池容量，η为功率参数，Δt为从开始充电到离开的时长度，Bi为电动汽电池容量；
由于该电动汽车在停靠时间内需要一直充电，充电站提示用户***能最大满足的电池荷电状态并提示用户按高峰电价ph进行收费，由用户自主选择接受充电服务或放弃充电服务；若用户接受充电服务，则安排电动汽车在充电负荷裕度Mt大于Pi+P0的时段进行充电，并在对应时段将充电负荷裕度AtSTλ更新为AtSTλ-Pi；
步骤4.6：若Hi≥Ji，则说明在该电动汽车停靠时间内***可满足所有电动汽车的充电需求，并且在满足用户充电需求的基础上，最大限度地实现削峰填谷；因此，充电站有序充电协调***初步选择连续Ji个负荷裕度之和最大的起始时段的最小值为低谷电价的起始时段；具体地，按照如下表达式初步计算低谷电价的起始时段：
考虑从时段开始一直到该电动汽车离开时，并存在Ji个时间段对应的充电负荷裕度Mt≥Pi+P0的情况，则需将低谷电价起始时段调整至其后存在Ji时间段对应充电负荷裕度Mt≥Pi+P0的位置，以确保用户在响应低谷电价后***能将电动汽车的SOC充至所需要的水平；具体地，按照如下表达式对低谷电价的起始时段进行调整：
其中，N为整数集；
步骤4.7：在计算得到调整好的低谷电价起始时段后，确定时段内用户的充电电价为谷电电价pl，其余时段充电电价为高峰电价ph，以提示用户，由用户自主选择立即开始充电，或延迟至谷电电价开始充电；其中，D为时间参数，取0～1；
若用户选择立即开始充电，则安排该电动汽车从下个时段开始逐个在对应充电负荷裕度Mt≥Pi+P0的时段充电，直到安排Ji个时间段为止；同时将对应充电时段的充电负荷裕度AtSTλ更新为AtSTλ-Pi；
若用户选择延迟至谷电电价开始充电，则安排该电动汽车从开始，逐个在对应充电负荷裕度Mt≥Pi+P0的时段充电，直到安排Ji个时间段为止；同时将对应充电时段的充电负荷裕度AtSTλ更新为AtSTλ-Pi。
进一步地，步骤2.2中得到的用户类别数N＝4，4种用户类别分别为：
(1)晚高峰型用户组：其用户的负荷变化趋势符合常见的日负荷曲线的形式，即从早上5时开始，负荷不断上升，到早上9时开始保持在一个较高的水平，午间12时午休，导致用电功率少量减少，之后从下午3时到晚上8时用电持续上升，并达到全天用电的最高峰，之后用电有开始缓慢下降；
(2)单峰型用户组：其用户的负荷变化趋势存在着一个用电高峰，而且在整体趁势上，高峰与低谷所对应的用电功率的幅度差异不大，从早上5时开始，到晚上20点持续较平稳的用电量；
(3)平稳型用户组：其用户的负荷变化趋势较为平缓，一天的负荷变化不大，但平缓类用户组的用电负荷有功功率水平很高，负荷一直处于较高水平；
(4)避峰型用户组：其用户的负荷变化趋势与其他用户的差别非常显著，其用电特性与其他四类具有显著的差异，其呈现出两头高、中间低的避峰型特征，早上6点左右停止用电，用电快速减少并保持在一个较低的水平，直至晚间6点，其余时间则处于用电高峰期，峰值、峰谷差也是所有类中最高的。
采用上述技术方案所产生的有益效果在于：本发明提供的基于动态博弈的典型负荷城市大规模电动汽车充电方法，能可以有效减小电网负荷峰谷差，改善电网负荷特性，提高电力设备负荷率。与现有技术相比较有以下优势：
(1)本发明使用的电力负荷数据为某一地区全部的负荷数据，对这一区域的电动汽车充电优化更为全面、精度更高以及效果更好；
(2)采用AHPK-means聚类算法具有更高的可伸缩性和高效性，以及使得算法更精确、更稳定；
(3)在求解优化方程过程中，采用了更多的限制条件，使得得到的优化策略更加准确；
(4)通过求解非线性方程，使总的负荷曲线波动最小，采用了三种优化目标函数，使得优化更为全面。
附图说明
图1为本发明实施例提供的基于动态博弈的典型负荷城市大规模电动汽车充电方法的总流程图；
图2为本发明实施例提供的AHPK-means聚类算法进行聚类的流程图；
图3为本发明实施例提供的AHPK-means聚类算法的聚类效果图；
图4为本发明实施例提供的晚高峰型用户组在一天中产生的用电有功功率变化图；
图5为本发明实施例提供的单峰型用户组在一天中产生的用电有功功率变化图；
图6为本发明实施例提供的平稳型用户组在一天中产生的用电有功功率变化图；
图7为本发明实施例提供的避峰型用户组在一天中产生的用电有功功率变化图；
图8为本发明实施例采用的电动汽车充电***结构框图；
图9为本发明实施例提供的蒙特卡洛模拟法示意图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
为研究某区域负荷的构成，需要获知所有用户的实时负荷数据，以及每条负荷线或专变或公变在区域中的拓扑关联信息，并且要明确各种已编码的负衙性质归属于哪一分类。通过电网SCADA***、诲讯信息***可分别获取电网拓扑、用户负荷量、负荷性质、电网结构等信息，从而可统计出工业、农业、商业、居民等负荷的所占比重，实现全***负荷的结构分解和结构分析。利用分区策略对同属性节点进行合并处理，进而形成了对整个区域***负荷结构的解析，实现对负荷构成的定量分析，掌握区域负荷特点。
现有负荷成分的构成是指不同性质的负荷在总负荷中所占的比重，负荷的总分类是按照工业、农业、商业、居民及其他负荷来区分的，具体如下：
(1)工业负荷，主要是指生产、加工、制造企业，如采矿、食品加工、烟草、纺织、木材如工、家具、造纸、印刷、化学、石油化工等；
(2)农业负荷，主要是指农田灌溉等；
(3)商业负荷，主要是指用于商业的机构，如商业服务机构、一些企事业单位、学校、医院、政府等；
(4)居民负荷，是指居隹地、公寓等，主要包括生活、休息方面的用电；
(5)其他负荷，包括街道或公路照明用电、电气化铁路或地铁用电、电厂辅助设备用电。
如图1所示，本实施例提供一种基于典型负荷动态博弈的城市电动汽车充电决策方法，该方法由一个变压器支路安装一个总的智能调度装置实现，所述智能调度装置控制变压器支路的n个充电桩，当有电动汽车接入时，充电桩上载电动汽车信息发送到智能调度装置，智能调度装置经过分析后发送充电策略到充电桩进行充电，智能调度装置与充电桩之间通过TCP进行通信；所述智能调度装置经过分析得到充电策略的具体方法如下所述。
步骤1：通过改进的AHPK-means算法对短期电力负荷进行聚类，预测某区域电网的典型负荷曲线，电网的典型负荷曲线为除去电动汽车充电负荷之外的负荷曲线，包括如下步骤：
步骤1.1：从某城市的电力公司SCADA***的数据库中选取终端用户的负荷数据构成负荷矩阵A；所述负荷数据包括该城市某一个变压器的一条支路的用户类型、有功功率、无功功率及电压电流的测量值，每15min采样一次，每日共采样96个数据点；
本实施例以某市2018年7月某工作日数据，包括某电力公司直属及其下属其他7个县区的用户有功、无功以及电压电流等测量值，实测2567个用户的日负荷曲线为研究对象，日负荷采样间隔为15min，每日共计96个采样点，共含8563条有效日负荷曲线，构成8563*96阶矩阵A；
步骤1.2：对负荷矩阵A进行数据预处理，识别与修正异常数据，并进行归一化处理；进一步包括以下步骤：
步骤1.2.1：对负荷矩阵A中的异常数据进行识别与修正；实际负荷数据会由于某个测量单元长时间的故障或在数据采集过程中其他相关元件的故障使负荷数据缺失，对于96个数据点，缺失其中30个及以上数据点的记录、负荷有功记录数据为负的记录，直接踢除；
步骤1.2.2：对于负荷曲线中的骤升、骤降数据，通过计算负荷变化率予以判断，负荷变化率计算公式为：
ρ＝|(pd-pd-1)/pd|；
其中，ρ表示用户负荷序列P在d点的负荷变化率，P＝{pd，d＝1，…，96}，pd为d点的有功功率；当负荷变化率ρ超过预设阀值ε时，则视为异常数据；
对于异常数据及含有缺失的负荷数据采用平滑窗式按下式进行填补：
其中，pd′为填补后d点的有功功率，a、b分别表示向前和向后取点，分别最大取到a1、b1；本实施例中，a1、b1可以分别为3、4或5；
步骤1.2.3：对经过识别与修正的负荷矩阵A进行归一化处理，去除负荷曲线的基荷部分，强调负荷走势的相似性，具体采用最大值归一化方法，表达式如下：
xd＝pd′/max(P)；
其中，xd为归一化后d点的有功功率，max(P)为96点中的最大功率；
步骤1.3：采用AHPK-means算法对步骤1.2处理后的负荷矩阵A进行聚类分析，以双层加权欧式距离为相似性判据进行聚类；如图2所示，聚类过程进一步包括以下步骤：
步骤1.3.1：获取该支路的用户类别与数量，包括工业用户个数h1、居民生活用户个数h2、学校用户个数h3、商业用户个数h4、公变用户个数h5；通过下式计算优化聚类数k：
其中，f(·)为正态函数，ci为常数，为三角矩阵的转置，hi为第i种用户类别数量，i＝1，2，…，n，n＝5，ε为测量误差；
步骤1.3.2：基于双层加权欧式距离的K-means算法，具体方法为：
步骤1.3.2.1：将步骤1.3.1得到的优化聚类数k作为初始聚类中心；
步骤1.3.2.2：样本归类；将k类所有样本中心划分到其加权欧式距离最近的类中心，样本Ak到第j个聚类中心mj＝{mj，1，mj，2，…，mj，q}的加权距离由下式计算：
步骤1.3.2.3：聚类中心更新；根据步骤1.3.2.2的结果，计算每类的平均值作为各类新的聚类中心；
步骤1.3.2.4：迭代计算；判断聚类中心是否收敛，若未收敛，则返回步骤1.3.2.2，否则执行下一步；
步骤1.3.2.5：将所有的聚类中心组合成一个新的数据集，每个聚类中心自身视为一类，计算所有类间距离，即样本之间的相似度；
步骤1.3.2.6：按既定规则选取其中类间距离达到要求的类别进行类间合并操作；
步骤1.3.2.7：对于类Ci和Cj，选择两类中心的平均距离作为这两个类的距离，然后选取类间距最小的类进行合并：
其中，Dij为Ci和Cj合并后的结果，ni、nj分别为类Ci和Cj的样本数目，x、x′为类中心，d(x，x′)为两类中心的平均距离；
步骤1.3.2.8：计算上一步生成的新类与之前类之间的相似度；
步骤1.3.2.9：重复步骤1.3.2.6-1.3.2.8，直至所有负荷样本划分到一类，算法结束；
步骤1.4：聚类有效性检验；通过建立有效性指标，评价聚类结果，并确定最佳聚类数，得到最终的短期负荷曲线；
采用戴维森堡丁指数即DBI指标，用于确定最佳聚类数并评价聚类质量。DBI指标是现有聚类方法中常用的有效性指标之一，负荷曲线聚类的目的是得到不同的典型负荷曲线，使每类曲线具有类似的模式，反映同类型的用户用电特征。
DBI指标综合考虑类间的分散性和类内的紧凑性，DBI指数IDBI越小表示聚类效果越好，计算公式为：
其中，K为聚类数，Rk为任意两类别的类内距离平均距离之和除以两聚类中心距离，d(Xk)和d(Xj)为k与j类内距离的平均距离，Xk、Xj分别表示k与j类数据，d(ck，cj)为两聚类中心距离，ck、cj分别表示k与j类的中心；
采用AHPK-means进行聚类分析，重复进行20次，选取其中IDBI最小时对应的解为最佳聚类结果；
得到的聚类效果如图3所示。
步骤2：通过得到的短期负荷曲线计算电动汽车理想充电负荷曲线，包括以下步骤：
步骤2.1：通过步骤1.4处理电力负荷数据矩阵A得到N类类中心成有显著差异的短期负荷曲线；
步骤2.2：通过得到的N类短期负荷曲线得到用户的行为与构成，并结合聚类结果对用户的行为与构成进行分析，得到N种用户类别；
本实施例中得到4种用户类别，分别为：
(1)晚高峰型用户组：其用户的负荷变化趋势符合常见的日负荷曲线的形式，即从早上5时开始，负荷不断上升，到早上9时开始保持在一个较高的水平，午间12时午休，导致用电功率少量减少，之后从下午3时到晚上8时用电持续上升，并达到全天用电的最高峰，之后用电有开始缓慢下降；这种类型的用户在一天中产生的用电有功功率变化如图4所示；
(2)单峰型用户组：其用户的负荷变化趋势存在着一个用电高峰，而且在整体趁势上，高峰与低谷所对应的用电功率的幅度差异不大，从早上5时开始，到晚上20点持续较平稳的用电量；这种类型的用户在一天中产生的用电有功功率变化如图5所示；
(3)平稳型用户组：其用户的负荷变化趋势较为平缓，一天的负荷变化不大，但平缓类用户组的用电负荷有功功率水平很高，负荷一直处于较高水平；这种类型的用户在一天中产生的用电有功功率变化如图6所示；
(4)避峰型用户组：其用户的负荷变化趋势与其他用户的差别非常显著，其用电特性与其他四类具有显著的差异，其呈现出两头高、中间低的避峰型特征，早上6点左右停止用电，用电快速减少并保持在一个较低的水平，直至晚间6点，其余时间则处于用电高峰期，峰值、峰谷差也是所有类中最高的；这种类型的用户在一天中产生的用电有功功率变化如图7所示；
步骤2.3：分别计算这N种用户类别的最大功率值Pmax、最小功率值Pmin、高峰出现的时间段th、低谷出现的时间段tl以及峰谷差Δp，其中最大功率值Pmax、最小功率值Pmin、高峰出现的时间段th、低谷出现的时间段tl由得到的短期负荷曲线直接得到，峰谷差Δp由下式计算得到：
Δp＝Pmax-Pmin；
步骤2.4：通过以上信息得到电动汽车理想充电负荷曲线，即在低谷出现的时间段t1充电以及以最大功率值Pmax、最小功率值Pmin作为限制条件。
步骤3：以充电需求约束、充电时间约束、电动汽车充电数量限制、电网电力负荷曲线、配电网容量作为边界条件，以充电负荷曲线与理想充电负荷曲线误差最小为约束条件，以用户用电成本最低为目标函数，建立优化方程，并求解，得到充电策略；具体包括如下步骤：
步骤3.1：初始化当日配电网负载信息；
步骤3.2：充电站***判断是否有新的电动汽车驶入充电站；如果有，读取所有新接入电动汽车的有用数据信息，包括：获取电动汽车电池容量、电动车电池当前荷电状态、电动汽车预期的停留时间、电动汽车电池的充电功率曲线和电动车离开时期望的电动汽车荷电状态水平；如果没有，沿用上一时间段的充电模式；
步骤3.3：根据该时间段内充电站电动汽车的预期停留时间，得到所有车辆停留时间的最大值tM，并计算本次优化时间长度T，|x|为小于x的最小整数；
步骤3.4：以电动汽车充电最优化为目标，根据***信息，制定新的充电控制策略；以充电需求约束、充电时间约束、电动汽车充电数量限制、电网电力负荷曲线、配电网容量作为边界条件，以充电负荷曲线与理想充电负荷曲线误差最小为约束条件，以用户用电成本最低为目标函数，建立优化方程；
所述充电需求约束为
其中，xn，t为第n辆汽车接入时的t时刻某点有功功率，Sn，S为初始荷电状态，bn为充电一个时段可增加的电池SOC数值，在T个时间段内，被充电的电动汽车的电池荷电状态应当至少达到充电开始时所需求的最终荷电状态Sn，E，同时在充满电的情况下应该停止充电；
所述充电时间约束为
tn，E≤Tn，E；
被充电的电动汽车需要在用户设定的预期停留时间内充电完成；其中，tn，E为第n辆电动汽车充电结束时间；Tn，E为该电动汽车用户设定的预期充电结束时间；
所述电动汽车充电数量限制为
其中，nt为第n辆电动汽车t时刻的有功功率，充电站内充电桩数量有限，每个时间段内充电汽车数量受到充电桩数量限制；X为充电站内充电桩数量；
所述峰谷差约束为
|Pmax1-Pmin1|＜ΔP；
其中，Pmax1和Pmin1分别从当日凌晨开始至当前优化时间段结束这段时间内***负荷最大值和最小值；结合过去7天内该时段的峰谷差值，ΔP初值定为这七天中该时段峰谷差最小值，但该值有可能由于偏小造成优化策略无解，如果无解，则ΔP初值递加1％，直至有解；
步骤3.5：充电开始时间的选择采用非线性优化方法，通过MATLAB求解非线性方程，寻找合适的充电开始时间，使总的负荷曲线波动最小，以此作为优化的目标函数，具体方法为：
步骤3.5.1：T时间内负荷方差最小；当一个充电负荷接入后，若在某一时刻开始充电，使加入该负荷后的总负荷曲线在T时段内方差最小，则该时刻为选定的充电开始时间；对于连续函数计算其2阶中心距表示方差，可得
其中，Pvar为配电网日负荷方差，Pav为调整前的日平均负荷，PEt为t时段电动汽车的总充电功率，Pmodel为步骤1得到的t时段的典型负荷，该负荷不含电动汽车充电负荷；
步骤3.5.2：结合分时电价的情况，以用户用电成本最低为目标函数，即
其中，xn，t为第n辆汽车接入时的t时刻某点有功功率，Sn，s为初始荷电状态，bn为充电一个时段可增加的电池SOC数值，Sj代表电网在j时刻的电价，其为正值表示电动汽车充电电价，其为负值则代表电动汽车用户向电网馈电的补贴电价；
步骤3.5.3：上述2个目标函数是相互影响的，为实现二者综合最优，采用线性加权和法予以处理，即将多目标优化问题转化为单目标优化；同时，由于两个目标函数的量纲不同，分别对各函数作归一化，转化后的目标函数如下式所示：
min T1＝ω1(T3/T3max)+ω2(T4/T4max)；
式中，T3max为原始电网负荷曲线的均方差；T4max为传统用车习惯下车主的日充电成本，即在停驶时间将电池由最低电量充满所需成本；T3、T4分别代表步骤3.3.1和步骤3.3.2中的两个目标函数，ω1、ω2分别为T3、T4的权重系数，且满足ω1+ω2＝1；
步骤3.6：分别将步骤2.3得到的N种用户类别中的最大功率值Pmax、最小功率值Pmin、高峰出现的时间段th、低谷出现的时间段tl以及峰谷差Δp带入到步骤3.5建立的优化方程中，通过电网实时数据与得到的N种典型负荷曲线数据分别进行相似度判断，判断如果有电动汽车接入时，应该采用哪种理想充电负荷曲线，以求得每种用户类别的最优充电策略；
相似度判断公式如下式所示：
其中，K(x)new为当天的实时数据，为第q种典型负荷数据，q＝1，2，…，N。
步骤4：通过动态博弈的决策结果判断是否对电动汽车进行充电，即判断得到的最优充电策略是否具备可调节性，具体方法如下：
步骤4.1：当某一电网支路中带载的任意一个充电桩内有新的电动汽车接入时，充电站运营***自动根据站内充电桩运行状态将***信息更新至下一个15min控制时点，并首先计算该辆电动汽车对应的SOC状态、充满电时所需的功率、所需充电时间段数Ji、停车时间段数Ti和***从当前时段算起在该车离开的Ti个时间段内的充电负荷裕度Mt，Mt＝AtSTλ，其中，t＝1，2，…，Ti，Ti＝96；ST表示变压器额定容量；At用表示一天中第t个时间段内允许充电站对电动汽车进行充电的功率占变压器容量的比例；λ为充电负荷的功率因数；
步骤4.2：在制定面向该用户的优惠分时电价时段之前，***预先判断能否满足该电动汽车的充电需求，通过计算***从当前时段算起在该车离开的Ti个时间段内的充电负荷裕度Mt实现：
Hi＝|Ai|，Ai＝{t|Mt≥Pi，t＝1，2，...，Ti}；
其中，|Ai|为集合Ai内的元素个数；
步骤4.3：若对应时段的Mt≥Pi+P0，即在该时段可安排所有电动汽车充电，否则采用寻优算法合理的安排各个汽车是否充电，；Pi为各个充电桩有电动汽车接入时所需有功功率的总和，P0为当前的实时有功功率，Mt值越大表示对应时段的充电负荷裕度越大；
步骤4.4：若Hi＜Ji，Ji表示电量充满的时间段数，则说明在该电动汽车停靠时间内，***无法满足所有用户输入的充电需求，从而采用寻优算法安排电动汽车进行充电，以充电负荷裕度Mt作为约束条件，如果某电动汽车所需的充电功率超过SOC的80％，则以χ优先参数进行分配，即Pi＝χPi，之后以max Mt＝αP1+βP2+...+φPn作为目标方程进行求解，其中Pi为电动汽车的所配置的充电功率，α、β、...、φ为比重系数，求得以满足最佳充电需求的电动汽车数量，并得知哪些充电桩能为电动汽车进行充电，同时显示用户应以多大的功率进行充电；
步骤4.5：对步骤4.4的结果进行分析，如果不能为电动汽车进行充电，则提示用户离开，如果能为电动汽车进行充电，则提醒用户能为其电动汽车进行充电，并且计算得到在用户离开时，***最大满足的该电动汽车电池荷电状态：
其中，表示初始电池容量，η为功率参数，Δt为从开始充电到离开的时长度，Bi为电动汽电池容量；
由于该电动汽车在停靠时间内需要一直充电，充电站提示用户***能最大满足的电池荷电状态并提示用户按高峰电价ph进行收费，由用户自主选择接受充电服务或放弃充电服务；若用户接受充电服务，则安排电动汽车在充电负荷裕度Mt大于Pi+P0的时段进行充电，并在对应时段将充电负荷裕度AtSTλ更新为AtSTλ-Pi；
步骤4.6：若Hi≥Ji，则说明在该电动汽车停靠时间内***可满足所有电动汽车的充电需求，并且在满足用户充电需求的基础上，最大限度地实现削峰填谷；因此，充电站有序充电协调***初步选择连续Ji个负荷裕度之和最大的起始时段的最小值为低谷电价的起始时段；具体地，按照如下表达式初步计算低谷电价的起始时段：
考虑从时段开始一直到该电动汽车离开时，并存在Ji个时间段对应的充电负荷裕度Mt≥Pi+P0的情况，则需将低谷电价起始时段调整至其后存在Ji时间段对应充电负荷裕度Mt≥Pi+P0的位置，以确保用户在响应低谷电价后***能将电动汽车的SOC充至所需要的水平；具体地，按照如下表达式对低谷电价的起始时段进行调整：
其中，N为整数集；
步骤4.7：在计算得到调整好的低谷电价起始时段后，确定时段内用户的充电电价为谷电电价pl，其余时段充电电价为高峰电价ph以提示用户，由用户自主选择立即开始充电，或延迟至谷电电价开始充电；其中，D为时间参数，取0～1；
若用户选择立即开始充电，则安排该电动汽车从下个时段开始逐个在对应充电负荷裕度Mt≥Pi的时段充电，直到安排Ji个时间段为止；同时将对应充电时段的充电负荷裕度AtSTλ更新为AtSTλ-Pi；
若用户选择延迟至谷电电价开始充电，则安排该电动汽车从开始，逐个在对应充电负荷裕度Mt≥Pi+P0的时段充电，直到安排Ji个时间段为止；同时将对应充电时段的充电负荷裕度AtSTλ更新为AtSTλ-Pi。
本实施例的方法得到充电策略后，通过如图8所示的电动汽车充电***完成其充电策略，该***包括变压器(电流互感器和电压互感器)、智能电表、智能充电控制装置、充电桩及配电变压器监测终端。变压器(电流互感器和电压互感器)指的是安装在居民小区配电变压器低压侧的电流互感器和电压互感器，二者的输出端与配电变压器监测终端的输入端相连；智能充电控制装置以RS485或RS232的方式与配电变压器监测终端进行通信，并制定每个充电桩的优化充电计划并下达给每个充电桩，监测每个充电桩的充电状态，每隔一定时间存储该充电桩的充电负荷并将其获取的充电桩的充电负荷传送至配电变压器监测终端；充电桩与电动汽车智能充电控制装置以电力线载波的方式进行通信；配电变压器监测终端获取某地区配电变压器低压侧的电压和电流等，计算出除了电动汽车以外的全部用电负荷以及负荷曲线，并发送给智能充电控制装置。
本发明的方法在具体实施中，进行如下合理的简化与假设：
(1)假设这一区域内所有电动汽车用户均选择将电动汽车停留在充电站内充电，电动汽车的停放和充电地点固定；
(2)充电站内配有调度***，每当有新的电动汽车驶入充电站，并接入充电桩时，***可以自动读取该辆电动汽车电池容bn和电动汽车起始荷电状态Sn，S等，同时，为了制定相应的优化策略，电动汽车用户需要向***输入该辆电动汽车的预期停留时间Tn，E和电动汽车离开充电站时，用户期望达到的电动汽车荷电状态Sn，E；
(3)基于蒙特卡洛模拟的仿真分析方法；实际中，对于电动汽车进入充电站时间、起始荷电状态、预期停留时间等许多有用信息都是无法预知的，为方便计算，本实施例利用蒙特卡洛方法，随机产生多所需的电动汽车充电数据，蒙特卡洛模拟法如图9所示。
蒙特卡洛法是一种利用重复的统计实验来求解物理和数学问题的方法。用蒙特卡洛法处理问题时，其解答往往构造成某个随机变量的数学期望，在计算机上通过某种数字进行假想试验得到随机变量具体取值的算术平均值，并用它作为问题的近似解。
1.随机数的确定，采用混合同余法产生随机数，并且进行随机性检验，以得到较为真实的随机数，混合同余法的递推公式为xi＝mod(Axi-1+C，M)；式中，mod为余数函数，A为乘子、M为模、C为增量，三者均是正的整数，初值为x0时，则可递推出x1，x2，…，xn。将此数值序列除以M，可得[0，1]区间均匀分布的随机数序列ri。对于随机数序列的随机性检验，将依次出现的N个随机数，按其大小分为两类或k类，检查各类数的出现是否有连贯现象，从而确定真实的随机数。
2.电动汽车充电负荷计算方法，首先要求得各类电动汽车的充电负荷，依次性累计可以得到总的充电负荷曲线。充电负荷计算的单位为天，把一天分成1440分钟，当i分钟时，其总的充电负荷为全部所有车辆，这时，其充电负荷可表示如下：
式中，Li为第i分钟的总充电功率，i＝1，2，…，1440；N为电动汽车总量数；Pn，i为第n辆车在第i分钟的充电功率。
3.电动汽车充电负荷模型，计算电动汽车充电负荷的困难之处在于起始充电时间和起始SOC的随机性。假设电网对于电动汽车的充电行为无法起到决定的作用，当接入到电网之后就开始进行充电，抽取每一辆汽车起始充电时间、起始SOC。起始充电时间根据不同车型有所区别，起始SOC则符合正态分布。在确定不同车型充电负荷模型及其参数后，需要对快速充电和常规充电分别建模，***输入信息包括以下内容，如电动汽车总量、不同充电行为的发生率、可能充电时间段、充电时长的约束等，包括不同类型充电行为对应起始SOC概率分布。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明权利要求所限定的范围。

Claims (6)

1.一种基于典型负荷动态博弈的城市电动汽车充电决策方法，其特征在于：该方法由一个变压器支路安装一个总的智能调度装置实现，所述智能调度装置控制变压器支路的n个充电桩，当有电动汽车接入时，充电桩上载电动汽车信息发送到智能调度装置，智能调度装置经过分析后发送充电策略到充电桩进行充电，智能调度装置与充电桩之间通过TCP进行通信；所述智能调度装置经过分析得到充电策略的具体方法包括以下步骤：
步骤1：通过改进的AHPK-means算法对短期电力负荷进行聚类，预测某区域电网的典型负荷曲线，电网的典型负荷曲线为除去电动汽车充电负荷之外的负荷曲线，包括如下步骤：
步骤1.1：从某城市的电力公司SCADA***的数据库中选取终端用户的负荷数据构成负荷矩阵A；所述负荷数据包括该城市某一个变压器的一条支路的用户类型、有功功率、无功功率及电压电流的测量值，每15min采样一次，每日共采样96个数据点；
步骤1.2：对负荷矩阵A进行数据预处理，识别与修正异常数据，并进行归一化处理；
步骤1.3：采用AHPK-means算法对步骤1.2处理后的负荷矩阵A进行聚类分析，以双层加权欧式距离为相似性判据进行聚类；
步骤1.4：聚类有效性检验；通过建立有效性指标，评价聚类结果，并确定最佳聚类数，得到最终的短期负荷曲线；
步骤2：通过得到的短期负荷曲线计算电动汽车理想充电负荷曲线，包括以下步骤：
步骤2.1：通过步骤1.4处理电力负荷数据矩阵A得到N类类中心成有显著差异的短期负荷曲线；
步骤2.2：通过得到的N类短期负荷曲线得到用户的行为与构成，并结合聚类结果对用户的行为与构成进行分析，得到N种用户类别；
步骤2.3：分别计算这N种用户类别的最大功率值Pmax、最小功率值Pmin、高峰出现的时间段th、低谷出现的时间段t1以及峰谷差Δp，其中最大功率值Pmax、最小功率值Pmin、高峰出现的时间段th、低谷出现的时间段t1由得到的短期负荷曲线直接得到，峰谷差Δp由下式计算得到：Δp＝Pmax-Pmin；
步骤2.4：通过以上信息得到电动汽车理想充电负荷曲线，即在低谷出现的时间段t1充电以及以最大功率值Pmax、最小功率值Pmin作为限制条件；
步骤3：以充电需求约束、充电时间约束、电动汽车充电数量限制、电网电力负荷曲线、配电网容量作为边界条件，以充电负荷曲线与理想充电负荷曲线误差最小为约束条件，以用户用电成本最低为目标函数，建立优化方程，并求解，得到充电策略；
步骤4：通过动态博弈的决策结果判断是否对电动汽车进行充电，即判断得到的最优充电策略是否具备可调节性，具体方法如下：
步骤4.1：当某一电网支路中带载的任意一个充电桩内有新的电动汽车接入时，充电站运营***自动根据站内充电桩运行状态将***信息更新至下一个15min控制时点，并首先计算该辆电动汽车对应的SOC状态、充满电时所需的功率、所需充电时间段数Ji、停车时间段数Ti和***从当前时段算起在该车离开的Ti个时间段内的充电负荷裕度Mt，Mt＝AtSTλ，其中，t＝1，2，…，Ti，Ti＝96；ST表示变压器额定容量；At用表示一天中第t个时间段内允许充电站对电动汽车进行充电的功率占变压器容量的比例；λ为充电负荷的功率因数；
步骤4.2：在制定面向该用户的优惠分时电价时段之前，***预先判断能否满足该电动汽车的充电需求，通过计算***从当前时段算起在该车离开的Ti个时间段内的充电负荷裕度Mt实现：Hi＝|Ai|，Ai＝{t|Mt≥Pi，t＝1，2，...，Ti}；其中，|Ai|为集合Ai内的元素个数；
步骤4.3：若对应时段的Mt≥Pi+P0，即在该时段可安排所有电动汽车充电，否则采用寻优算法合理的安排各个汽车是否充电，；Pi为各个充电桩有电动汽车接入时所需有功功率的总和，P0为当前的实时有功功率，Mt值越大表示对应时段的充电负荷裕度越大；
步骤4.4：若Hi＜Ji，Ji表示电量充满的时间段数，则说明在该电动汽车停靠时间内，***无法满足所有用户输入的充电需求，从而采用寻优算法安排电动汽车进行充电，以充电负荷裕度Mt作为约束条件，如果某电动汽车所需的充电功率超过SOC的80％，则以χ优先参数进行分配，即Pi＝χPi，之后以maxMt＝αP1+βP2+...+φPn作为目标方程进行求解，其中Pi为电动汽车的所配置的充电功率，α、β、...、φ为比重系数，求得以满足最佳充电需求的电动汽车数量，并得知哪些充电桩能为电动汽车进行充电，同时显示用户应以多大的功率进行充电；
步骤4.5：对步骤4.4的结果进行分析，如果不能为电动汽车进行充电，则提示用户离开，如果能为电动汽车进行充电，则提醒用户能为其电动汽车进行充电，并且计算得到在用户离开时，***最大满足的该电动汽车电池荷电状态：其中，表示初始电池容量，η为功率参数，Δt为从开始充电到离开的时长度，Bi为电动汽电池容量；
由于该电动汽车在停靠时间内需要一直充电，充电站提示用户***能最大满足的电池荷电状态并提示用户按高峰电价ph进行收费，由用户自主选择接受充电服务或放弃充电服务；若用户接受充电服务，则安排电动汽车在充电负荷裕度Mt大于Pi+P0的时段进行充电，并在对应时段将充电负荷裕度AtSTλ更新为AtSTλ-Pi；
步骤4.6：若Hi≥Ji，则说明在该电动汽车停靠时间内***可满足所有电动汽车的充电需求，并且在满足用户充电需求的基础上，最大限度地实现削峰填谷；因此，充电站有序充电协调***初步选择连续Ji个负荷裕度之和最大的起始时段的最小值为低谷电价的起始时段；具体地，按照如下表达式初步计算低谷电价的起始时段：
考虑从时段开始一直到该电动汽车离开时，并存在Ji个时间段对应的充电负荷裕度Mt≥Pi+P0的情况，则需将低谷电价起始时段调整至其后存在Ji时间段对应充电负荷裕度Mt≥Pi+P0的位置，以确保用户在响应低谷电价后***能将电动汽车的SOC充至所需要的水平；具体地，按照如下表达式对低谷电价的起始时段进行调整：
其中，N为整数集；
步骤4.7：在计算得到调整好的低谷电价起始时段后，确定时段内用户的充电电价为谷电电价pl，其余时段充电电价为高峰电价ph，以提示用户，由用户自主选择立即开始充电，或延迟至谷电电价开始充电；其中，D为时间参数，取0～1；
若用户选择立即开始充电，则安排该电动汽车从下个时段开始逐个在对应充电负荷裕度Mt≥Pi+P0的时段充电，直到安排Ji个时间段为止；同时将对应充电时段的充电负荷裕度AtSTλ更新为AtSTλ-Pi；
若用户选择延迟至谷电电价开始充电，则安排该电动汽车从开始，逐个在对应充电负荷裕度Mt≥Pi+P0的时段充电，直到安排Ji个时间段为止；同时将对应充电时段的充电负荷裕度AtSTλ更新为AtSTλ-Pi。
2.根据权利要求1所述的基于典型负荷动态博弈的城市电动汽车充电决策方法，其特征在于：所述步骤1.2进一步包括以下步骤：
步骤1.2.1：对负荷矩阵A中的异常数据进行识别与修正；实际负荷数据会由于某个测量单元长时间的故障或在数据采集过程中其他相关元件的故障使负荷数据缺失，对于96个数据点，缺失其中30个及以上数据点的记录、负荷有功记录数据为负的记录，直接踢除；
步骤1.2.2：对于负荷曲线中的骤升、骤降数据，通过计算负荷变化率予以判断，负荷变化率计算公式为：
ρ＝|(pd-pd-1)/pd|；
其中，ρ表示用户负荷序列P在d点的负荷变化率，P＝{pd，d＝1，…，96}，pd为d点的有功功率；当负荷变化率ρ超过预设阀值ε时，则视为异常数据；
对于异常数据及含有缺失的负荷数据采用平滑窗式按下式进行填补：
其中，pd′为填补后d点的有功功率，a、b分别表示向前和向后取点，分别最大取到a1、b1；
步骤1.2.3：采用最大值归一化方法对经过识别与修正的负荷矩阵A进行归一化处理，去除负荷曲线的基荷部分，强调负荷走势的相似性，归一化表达式如下：
xd＝pd′/max(P)；
其中，xd为归一化后d点的有功功率，max(P)为96点中的最大功率。
3.根据权利要求2所述的基于典型负荷动态博弈的城市电动汽车充电决策方法，其特征在于：所述步骤1.3进一步包括以下步骤：
步骤1.3.1：获取该支路的用户类别与数量，包括工业用户个数h1、居民生活用户个数h2、学校用户个数h3、商业用户个数h4、公变用户个数h5；通过下式计算优化聚类数k：
其中，f(·)为正态函数，ci为常数，为三角矩阵的转置，hi为第i种用户类别数量，i＝1，2，…，n，n＝5，ε为测量误差；
步骤1.3.2：基于双层加权欧式距离的K-means算法，具体方法为：
步骤1.3.2.1：将步骤1.3.1得到的优化聚类数k作为初始聚类中心；
步骤1.3.2.2：样本归类；将k类所有样本中心划分到其加权欧式距离最近的类中心，样本Ak到第j个聚类中心mj＝{mj，1，mj，2，…，mj，q}的加权距离由下式计算：
步骤1.3.2.3：聚类中心更新；根据步骤1.3.2.2的结果，计算每类的平均值作为各类新的聚类中心；
步骤1.3.2.4：迭代计算；判断聚类中心是否收敛，若未收敛，则返回步骤1.3.2.2，否则执行下一步；
步骤1.3.2.5：将所有的聚类中心组合成一个新的数据集，每个聚类中心自身视为一类，计算所有类间距离，即样本之间的相似度；
步骤1.3.2.6：按既定规则选取其中类间距离达到要求的类别进行类间合并操作；
步骤1.3.2.7：对于类Ci和Cj，选择两类中心的平均距离作为这两个类的距离，然后选取类间距最小的类进行合并：其中，Dij为Ci和Cj合并后的结果，ni、nj分别为类Ci和Cj的样本数目，x、x′为类中心，d(x，x′)为两类中心的平均距离；
步骤1.3.2.8：计算上一步生成的新类与之前类之间的相似度；
步骤1.3.2.9：重复步骤1.3.2.6-1.3.2.8，直至所有负荷样本划分到一类，算法结束。
4.根据权利要求3所述的基于典型负荷动态博弈的城市电动汽车充电决策方法，其特征在于：所述步骤1.4采用戴维森堡丁指数即DBI指标，用于确定最佳聚类数并评价聚类质量，DBI指数IDBI越小表示聚类效果越好，计算公式为：
其中，K为聚类数，Rk为任意两类别的类内距离平均距离之和除以两聚类中心距离，d(Xk)和d(Xj)为k与j类内距离的平均距离，Xk、Xj分别表示k与j类数据，d(ck，cj)为两聚类中心距离，ck、cj分别表示k与j类的中心；
采用AHPK-means进行聚类分析，重复进行20次，选取其中IDBI最小时对应的解为最佳聚类结果。
5.根据权利要求4所述的基于典型负荷动态博弈的城市电动汽车充电决策方法，其特征在于：所述步骤2.2中得到的用户类别数N＝4，4种用户类别分别为：
(1)晚高峰型用户组：其用户的负荷变化趋势符合常见的日负荷曲线的形式，即从早上5时开始，负荷不断上升，到早上9时开始保持在一个较高的水平，午间12时午休，导致用电功率少量减少，之后从下午3时到晚上8时用电持续上升，并达到全天用电的最高峰，之后用电有开始缓慢下降；
(2)单峰型用户组：其用户的负荷变化趋势存在着一个用电高峰，而且在整体趁势上，高峰与低谷所对应的用电功率的幅度差异不大，从早上5时开始，到晚上20点持续较平稳的用电量；
(3)平稳型用户组：其用户的负荷变化趋势较为平缓，一天的负荷变化不大，但平缓类用户组的用电负荷有功功率水平很高，负荷一直处于较高水平；
(4)避峰型用户组：其用户的负荷变化趋势与其他用户的差别非常显著，其用电特性与其他四类具有显著的差异，其呈现出两头高、中间低的避峰型特征，早上6点左右停止用电，用电快速减少并保持在一个较低的水平，直至晚间6点，其余时间则处于用电高峰期，峰值、峰谷差也是所有类中最高的。
6.根据权利要求4所述的基于典型负荷动态博弈的城市电动汽车充电决策方法，其特征在于：所述步骤3进一步包括如下步骤：
步骤3.1：初始化当日配电网负载信息；
步骤3.2：充电站***判断是否有新的电动汽车驶入充电站；如果有，读取所有新接入电动汽车的有用数据信息，包括：获取电动汽车电池容量、电动车电池当前荷电状态、电动汽车预期的停留时间、电动汽车电池的充电功率曲线和电动车离开时期望的电动汽车荷电状态水平；如果没有，沿用上一时间段的充电模式；
步骤3.3：根据该时间段内充电站电动汽车的预期停留时间，得到所有车辆停留时间的最大值tM，并计算本次优化时间长度T，|x|为小于x的最小整数；
步骤3.4：以电动汽车充电最优化为目标，根据***信息，制定新的充电控制策略；以充电需求约束、充电时间约束、电动汽车充电数量限制、电网电力负荷曲线、配电网容量作为边界条件，以充电负荷曲线与理想充电负荷曲线误差最小为约束条件，以用户用电成本最低为目标函数，建立优化方程；
所述充电需求约束为其中，xn，t为第n辆汽车接入时的t时刻某点有功功率，Sn，S为初始荷电状态，bn为充电一个时段可增加的电池SOC数值，在T个时间段内，被充电的电动汽车的电池荷电状态应当至少达到充电开始时所需求的最终荷电状态Sn，E，同时在充满电的情况下应该停止充电；
所述充电时间约束为tn，E≤Tn，E，被充电的电动汽车需要在用户设定的预期停留时间内充电完成；其中tn，E为第n辆电动汽车充电结束时间；Tn，E为该电动汽车用户设定的预期充电结束时间；
所述电动汽车充电数量限制为其中，nt为第n辆电动汽车t时刻的有功功率，充电站内充电桩数量有限，每个时间段内充电汽车数量受到充电桩数量限制；X为充电站内充电桩数量；
所述峰谷差约束为|Pmax1-Pmin1|＜ΔP；其中，Pmax1和Pmin1分别从当日凌晨开始至当前优化时间段结束这段时间内***负荷最大值和最小值；结合过去7天内该时段的峰谷差值，ΔP初值定为这七天中该时段峰谷差最小值，如果该值由于偏小造成优化目标无解，则ΔP初值递加1％，直至有解；
步骤3.5：充电开始时间的选择采用非线性优化方法，通过MATLAB求解非线性方程，寻找合适的充电开始时间，使总的负荷曲线波动最小，以此作为优化的目标函数，具体方法为：
步骤3.5.1：T时间内负荷方差最小；当一个充电负荷接入后，若在某一时刻开始充电，使加入该负荷后的总负荷曲线在T时段内方差最小，则该时刻为选定的充电开始时间；对于连续函数计算其2阶中心距表示方差，可得
其中，Pvar为配电网日负荷方差，Pav为调整前的日平均负荷，PEt为t时段电动汽车的总充电功率，PLt为配电网不含电动汽车充电负荷时t时段的常规负荷，也就是通过负荷预测得到；
步骤3.5.2：结合分时电价的情况，以用户用电成本最低为目标函数，即其中，Sj代表电网在j时刻的电价，其为正值表示电动汽车充电电价，其为负值则代表电动汽车用户向电网馈电的补贴电价；Pij表示表示i台汽车在j时间段内所需功率；
步骤3.5.3：采用线性加权和法，将上述2个目标函数的优化问题转化为单目标优化，同时，由于两个目标函数的量纲不同，分别对各函数作归一化，转化后的目标函数如下式所示：
minT1＝ω1(T3/T3max)+ω2(T4/T4max)；
式中，T3max为原始电网负荷曲线的均方差；T4max为传统用车习惯下车主的日充电成本，即在停驶时间将电池由最低电量充满所需成本；T3、T4分别代表步骤3.3.1和步骤3.3.2中的两个目标函数，ω1、ω2分别为T3、T4的权重系数，且满足ω1+ω2＝1；
步骤3.6：分别将步骤2.3得到的N种用户类别中的最大功率值Pmax、最小功率值Pmin、高峰出现的时间段th、低谷出现的时间段tl以及峰谷差Δp带入到步骤3.5建立的优化方程中，通过电网实时数据与得到的N种典型负荷曲线数据分别进行相似度判断，判断如果有电动汽车接入时，应该采用哪种理想充电负荷曲线，以求得每种用户类别的最优充电策略；
相似度判断公式如下式所示：
其中，K(x)new为当天的实时数据，为第q种典型负荷数据，q＝1，2，…，N。
CN201811215451.1A 2018-10-18 2018-10-18 基于典型负荷动态博弈的城市电动汽车充电决策方法 Active CN109359389B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811215451.1A CN109359389B (zh) 2018-10-18 2018-10-18 基于典型负荷动态博弈的城市电动汽车充电决策方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811215451.1A CN109359389B (zh) 2018-10-18 2018-10-18 基于典型负荷动态博弈的城市电动汽车充电决策方法

Publications (2)

Publication Number Publication Date
CN109359389A true CN109359389A (zh) 2019-02-19
CN109359389B CN109359389B (zh) 2022-11-15

Family

ID=65345816

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811215451.1A Active CN109359389B (zh) 2018-10-18 2018-10-18 基于典型负荷动态博弈的城市电动汽车充电决策方法

Country Status (1)

Country Link
CN (1) CN109359389B (zh)

Cited By (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109871647A (zh) * 2019-03-11 2019-06-11 长沙理工大学 一种基于故障耦合传播过程中的多能流负荷裕度求解方法
CN110033142A (zh) * 2019-04-23 2019-07-19 燕山大学 考虑负荷不确定性的充换电站优化调度策略
CN110175865A (zh) * 2019-04-23 2019-08-27 国网浙江省电力有限公司湖州供电公司 基于泛在感知技术的电动汽车充电实时定价方法
CN110458332A (zh) * 2019-07-18 2019-11-15 天津大学 一种基于负荷空间转移的电动汽车快速充电需求调度方法
CN110729718A (zh) * 2019-09-18 2020-01-24 国网江苏省电力有限公司 一种基于日负荷曲线的行业用户开工监测方法
CN110774929A (zh) * 2019-10-25 2020-02-11 上海电气集团股份有限公司 一种电动汽车有序充电的实时控制策略及优化方法
CN110962667A (zh) * 2019-11-25 2020-04-07 南京邮电大学 电动汽车有序充电的方法
CN111242362A (zh) * 2020-01-07 2020-06-05 杭州电子科技大学 基于充电站综合状态预测的电动汽车实时充电调度方法
CN111291999A (zh) * 2020-02-21 2020-06-16 东南大学 一种基于层次凝聚聚类的动态无线充电路段负荷建模方法
CN111463810A (zh) * 2020-03-10 2020-07-28 中国能源建设集团江苏省电力设计院有限公司 一种考虑配电网光伏接入的电动汽车充电方法
CN111476498A (zh) * 2019-10-29 2020-07-31 孙凯旋 新能源汽车充电管理方法、装置及新能源充电管理***
CN111539657A (zh) * 2020-05-30 2020-08-14 国网湖南省电力有限公司 结合用户日用电量曲线的典型用电行业负荷特性分类与综合方法
CN111583064A (zh) * 2020-05-11 2020-08-25 国网四川省电力公司电力科学研究院 基于动态时间规整的负荷生产时段检测方法和存储介质
CN111597690A (zh) * 2020-04-26 2020-08-28 湖南省建筑设计院有限公司 电动汽车充电设备需要系数计算模型的建立方法
CN111600304A (zh) * 2020-06-17 2020-08-28 广东工业大学 一种楼宇电力调度方法、装置和设备
CN112086980A (zh) * 2020-08-31 2020-12-15 华南理工大学 考虑充电桩接入的公用配电变压器定容选型方法与***
CN112078418A (zh) * 2020-09-04 2020-12-15 国网江苏省电力有限公司电力科学研究院 电动汽车有序充电控制方法、装置及***
CN112134272A (zh) * 2020-07-31 2020-12-25 国网河北省电力有限公司 配网电动汽车负荷调控方法
CN112784870A (zh) * 2020-11-23 2021-05-11 国网浙江省电力有限公司 一种基于聚类算法的典型台区分类方法及***
CN113224755A (zh) * 2021-05-13 2021-08-06 中国电力科学研究院有限公司 电动汽车快充负荷接入下的电网静态安全分析方法及***
CN113320413A (zh) * 2021-03-08 2021-08-31 深圳职业技术学院 一种居民区电动汽车充电功率控制方法
CN113370825A (zh) * 2021-05-07 2021-09-10 国网山东省电力公司淄博供电公司 电动汽车充换电桩负荷互动式控制***及其应用方法
CN114037177A (zh) * 2021-11-22 2022-02-11 山东德佑电气股份有限公司 基于车次链的拥挤交通状态下的公交充电负荷优化方法
CN116662629A (zh) * 2023-08-02 2023-08-29 杭州宇谷科技股份有限公司 基于时序聚类的充电曲线检索方法、***、装置和介质
CN118003943A (zh) * 2024-03-05 2024-05-10 中科聚(北京)能源科技有限公司 一种有序充电控制方法、***、设备及程序产品
CN118194055A (zh) * 2024-05-14 2024-06-14 国网江西省电力有限公司信息通信分公司 一种充电桩功率曲线匹配方法
CN118003943B (zh) * 2024-03-05 2024-07-26 中科聚(北京)能源科技有限公司 一种有序充电控制方法、***、设备及程序产品

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103904749A (zh) * 2014-04-15 2014-07-02 苏州能谷电力科技有限公司 一种考虑风电出力波动性的电动汽车有序充电控制方法
CN106505560A (zh) * 2016-11-28 2017-03-15 无锡智合电力技术有限公司 一种基于响应优先级的多策略协调的电网优化运行方法
CN106684869A (zh) * 2017-03-17 2017-05-17 燕山大学 一种考虑内外博弈的主动配电网故障恢复策略

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103904749A (zh) * 2014-04-15 2014-07-02 苏州能谷电力科技有限公司 一种考虑风电出力波动性的电动汽车有序充电控制方法
CN106505560A (zh) * 2016-11-28 2017-03-15 无锡智合电力技术有限公司 一种基于响应优先级的多策略协调的电网优化运行方法
CN106684869A (zh) * 2017-03-17 2017-05-17 燕山大学 一种考虑内外博弈的主动配电网故障恢复策略

Cited By (40)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109871647A (zh) * 2019-03-11 2019-06-11 长沙理工大学 一种基于故障耦合传播过程中的多能流负荷裕度求解方法
CN110033142A (zh) * 2019-04-23 2019-07-19 燕山大学 考虑负荷不确定性的充换电站优化调度策略
CN110175865A (zh) * 2019-04-23 2019-08-27 国网浙江省电力有限公司湖州供电公司 基于泛在感知技术的电动汽车充电实时定价方法
CN110458332A (zh) * 2019-07-18 2019-11-15 天津大学 一种基于负荷空间转移的电动汽车快速充电需求调度方法
CN110729718A (zh) * 2019-09-18 2020-01-24 国网江苏省电力有限公司 一种基于日负荷曲线的行业用户开工监测方法
CN110774929A (zh) * 2019-10-25 2020-02-11 上海电气集团股份有限公司 一种电动汽车有序充电的实时控制策略及优化方法
CN111476498A (zh) * 2019-10-29 2020-07-31 孙凯旋 新能源汽车充电管理方法、装置及新能源充电管理***
CN111476498B (zh) * 2019-10-29 2022-09-27 南京能可瑞科技有限公司 新能源汽车充电管理方法、装置及新能源充电管理***
CN110962667A (zh) * 2019-11-25 2020-04-07 南京邮电大学 电动汽车有序充电的方法
CN110962667B (zh) * 2019-11-25 2023-05-05 南京邮电大学 电动汽车有序充电的方法
CN111242362A (zh) * 2020-01-07 2020-06-05 杭州电子科技大学 基于充电站综合状态预测的电动汽车实时充电调度方法
CN111242362B (zh) * 2020-01-07 2020-10-23 杭州电子科技大学 基于充电站综合状态预测的电动汽车实时充电调度方法
CN111291999A (zh) * 2020-02-21 2020-06-16 东南大学 一种基于层次凝聚聚类的动态无线充电路段负荷建模方法
CN111463810B (zh) * 2020-03-10 2021-06-18 中国能源建设集团江苏省电力设计院有限公司 一种考虑配电网光伏接入的电动汽车充电方法
CN111463810A (zh) * 2020-03-10 2020-07-28 中国能源建设集团江苏省电力设计院有限公司 一种考虑配电网光伏接入的电动汽车充电方法
CN111597690A (zh) * 2020-04-26 2020-08-28 湖南省建筑设计院有限公司 电动汽车充电设备需要系数计算模型的建立方法
CN111597690B (zh) * 2020-04-26 2023-04-07 湖南省建筑设计院有限公司 电动汽车充电设备需要系数计算模型的建立方法
CN111583064A (zh) * 2020-05-11 2020-08-25 国网四川省电力公司电力科学研究院 基于动态时间规整的负荷生产时段检测方法和存储介质
CN111583064B (zh) * 2020-05-11 2022-09-09 国网四川省电力公司电力科学研究院 基于动态时间规整的负荷生产时段检测方法和存储介质
CN111539657B (zh) * 2020-05-30 2023-11-24 国网湖南省电力有限公司 结合用户日用电量曲线的典型用电行业负荷特性分类与综合方法
CN111539657A (zh) * 2020-05-30 2020-08-14 国网湖南省电力有限公司 结合用户日用电量曲线的典型用电行业负荷特性分类与综合方法
CN111600304B (zh) * 2020-06-17 2021-11-26 广东工业大学 一种楼宇电力调度方法、装置和设备
CN111600304A (zh) * 2020-06-17 2020-08-28 广东工业大学 一种楼宇电力调度方法、装置和设备
CN112134272A (zh) * 2020-07-31 2020-12-25 国网河北省电力有限公司 配网电动汽车负荷调控方法
CN112086980B (zh) * 2020-08-31 2022-03-29 华南理工大学 考虑充电桩接入的公用配电变压器定容选型方法与***
CN112086980A (zh) * 2020-08-31 2020-12-15 华南理工大学 考虑充电桩接入的公用配电变压器定容选型方法与***
CN112078418A (zh) * 2020-09-04 2020-12-15 国网江苏省电力有限公司电力科学研究院 电动汽车有序充电控制方法、装置及***
CN112784870A (zh) * 2020-11-23 2021-05-11 国网浙江省电力有限公司 一种基于聚类算法的典型台区分类方法及***
CN113320413A (zh) * 2021-03-08 2021-08-31 深圳职业技术学院 一种居民区电动汽车充电功率控制方法
CN113370825A (zh) * 2021-05-07 2021-09-10 国网山东省电力公司淄博供电公司 电动汽车充换电桩负荷互动式控制***及其应用方法
CN113370825B (zh) * 2021-05-07 2023-07-28 国网山东省电力公司淄博供电公司 电动汽车充换电桩负荷互动式控制***及其应用方法
CN113224755A (zh) * 2021-05-13 2021-08-06 中国电力科学研究院有限公司 电动汽车快充负荷接入下的电网静态安全分析方法及***
CN113224755B (zh) * 2021-05-13 2022-06-14 中国电力科学研究院有限公司 电动汽车快充负荷接入下的电网静态安全分析方法及***
CN114037177B (zh) * 2021-11-22 2024-05-14 山东德佑电气股份有限公司 基于车次链的拥挤交通状态下的公交充电负荷优化方法
CN114037177A (zh) * 2021-11-22 2022-02-11 山东德佑电气股份有限公司 基于车次链的拥挤交通状态下的公交充电负荷优化方法
CN116662629A (zh) * 2023-08-02 2023-08-29 杭州宇谷科技股份有限公司 基于时序聚类的充电曲线检索方法、***、装置和介质
CN116662629B (zh) * 2023-08-02 2024-05-28 杭州宇谷科技股份有限公司 基于时序聚类的充电曲线检索方法、***、装置和介质
CN118003943A (zh) * 2024-03-05 2024-05-10 中科聚(北京)能源科技有限公司 一种有序充电控制方法、***、设备及程序产品
CN118003943B (zh) * 2024-03-05 2024-07-26 中科聚(北京)能源科技有限公司 一种有序充电控制方法、***、设备及程序产品
CN118194055A (zh) * 2024-05-14 2024-06-14 国网江西省电力有限公司信息通信分公司 一种充电桩功率曲线匹配方法

Also Published As

Publication number Publication date
CN109359389B (zh) 2022-11-15

Similar Documents

Publication Publication Date Title
CN109359389A (zh) 基于典型负荷动态博弈的城市电动汽车充电决策方法
US11581740B2 (en) Method, system and storage medium for load dispatch optimization for residential microgrid
CN107147152B (zh) 新能源配电网多类型有功无功源协同优化配置方法及***
CN108944531A (zh) 一种电动汽车有序充电控制方法
CN109829604A (zh) 一种电网侧储能电站运行效果综合评估方法
CN109816171A (zh) 一种基于模糊pid实时电价的电动汽车区域微网群双层分布式优化调度方法
CN109672202A (zh) 一种基于区块链技术的储能***自动需求响应方法
CN107565585B (zh) 储能装置调峰回报时间预测方法及其模型创建方法
CN112238781B (zh) 一种基于分层架构的电动汽车有序充电控制方法
CN112488362A (zh) 一种协调电动汽车参与辅助服务市场的储能优化配置方法
CN113437756B (zh) 考虑配电网静态电压稳定性的微电网优化配置方法
CN114938035B (zh) 考虑储能退化成本的共享储能能量调度方法及***
CN109102185A (zh) 一种评估光储充一体化电站全寿命周期经济性的方法和***
CN106096285B (zh) 一种储能***应对高风电渗透率***调频需求效用评估方法
CN116402307A (zh) 考虑可调度柔性资源运行特性的电网规划容量分析方法
CN116826710A (zh) 基于负荷预测的削峰策略推荐方法、装置及存储介质
CN105574681A (zh) 一种多时间尺度社区能源局域网能量调度方法
CN115622056B (zh) 一种基于线性加权和选解法的储能优化配置方法及***
CN112801343A (zh) 一种计及多气象场景适应成本的储能***容量规划方法
CN109586309B (zh) 基于大数据自由熵理论和场景匹配的配电网无功优化方法
CN106529699A (zh) 一种考虑需求侧的微电网的规划设计方法
CN114971427A (zh) 基于熵权-层次分析法的储能电站并网安全评价方法
CN114844048A (zh) 一种面向电网调控需求的可调节负荷调节能力评估方法
CN114140165A (zh) 应用于计及电动汽车充放电选择的充放电电价的定价方法
CN109146202B (zh) 一种基于供电分区的户均配变容量标准配置方法

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