CN110323737A - 一种电动汽车充电优化调度方法 - Google Patents
一种电动汽车充电优化调度方法 Download PDFInfo
- Publication number
- CN110323737A CN110323737A CN201810295200.2A CN201810295200A CN110323737A CN 110323737 A CN110323737 A CN 110323737A CN 201810295200 A CN201810295200 A CN 201810295200A CN 110323737 A CN110323737 A CN 110323737A
- Authority
- CN
- China
- Prior art keywords
- electric car
- charging
- firefly
- individual
- load
- 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.)
- Pending
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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明公开了一种电动汽车充电优化调度方法。考虑到电动汽车的无序充电给电网带来的负面影响,建立了考虑时空分布的充电模型,对标准萤火虫算法做出改进,研究了渗透率的影响,减小了负荷的峰谷差,并使求解效果更优。主要分为2个步骤:1)建立电动汽车充电负荷模型;2)基于改进萤火虫算法,实现电动汽车优化调度目的。其显著优点在于:解决了较少考虑电动汽车在固定位置以外充电、一日多次充电的问题,建立了情况的考虑时空分布的电动汽车充电模型,使模型更贴近实际情况;对标准萤火虫算法进行改进,引入自适应变异环节,以提高寻优速度与精度。
Description
技术领域
本发明属于智能电网领域,特别涉及一种电动汽车充电优化调度方法。
背景技术
近年来,由于人类活动的日益频繁,对能源的消耗也不断增加,而能源的供给却受生产力限制和国际形势不明朗的影响而无法随之同步增加,因此围绕能源问题的研究越来越有现实性与迫切性。为了缓解日益严峻的能源危机与空气污染问题,必须在交通运输行业大力发展节能、清洁的交通工具。电动汽车具有耗能少、不产生任何污染的优点,得到了迅猛的发展。电动汽车以电能作为行驶动力,避免了石油的消耗和尾气的排放,同时还有噪声低、能源效率高、维修方便的特点。随着电动汽车的大力普及,关于电动汽车队电网影响的研究也逐步展开。若对电动汽车的充电行为放任不管,必将造成电网负荷高峰与电动汽车负荷高峰叠加,即“峰上加峰”的问题。但通过直接或间接的手段引导电动汽车有计划有秩序的充电则可以有效地解决这一问题。
现有的电动汽车有序充电研究较少考虑电动汽车在固定位置以外充电、一日多次充电的问题。
发明内容
本发明解决的技术问题是提供了一种电动汽车充电优化调度方法。
为了解决上述技术问题,本发明提出一种电动汽车充电优化调度方法,包括以下步骤:
步骤1、建立考虑时空的电动汽车充电负荷模型;
步骤2、建立以平抑负荷波动为目的的目标优化模型,采用改进的萤火虫算法优化每一辆电动汽车接入电网的充电时间,使得目标优化模型的函数值达到最小,得到最优目标。
本发明与现有技术相比,其显著优点在于:(1)解决了较少考虑电动汽车在固定位置以外充电、一日多次充电的问题,建立了情况的考虑时空分布的电动汽车充电模型,使模型更贴近实际情况。(2)对标准萤火虫算法进行改进,引入自适应变异环节,以提高寻优速度与精度。
附图说明
图1是基于出行链的电动汽车充电流程图。
图2是改进萤火虫算法的具体流程图。
图3是不考虑电动汽车充电的区域日负荷曲线图。
图4是改进萤火虫算法优化调度方法后的效果图。
图5是改进萤火虫算法与标准对比曲线图。
具体实施方式
为了解决上述技术问题,本发明提出一种电动汽车充电优化调度方法,包括以下步骤:
步骤1、建立考虑时空的电动汽车充电负荷模型;
为了建立更合理更准确的电动汽车充电负荷模型,车辆充电的场所、车辆充电开始的时刻、车辆行驶的里程、车辆充电的频率等因素都应全部得到考虑。
进一步的实施例中,步骤1中所述电动汽车充电负荷模型具体包括:
电动汽车充电持续时间模型:
其中,α为充电后的电池荷电状态,电池充满为α=1,η为充电效率,Pc为电动汽车的充电功率,E为电动汽车的电池容量,SOCj0为电动汽车j目前的剩余路程长短,具体为:
式中,SOCj1为电动汽车j行程开始前的电池剩余电量,∑li为电动汽车下次充电之前已经行驶的距离,Dj为电动汽车的总续航路程。
区域t时刻电动汽车的充电功率模型为:
式中,γn,t决定电动汽车与电网的连接,充电期间γn,t=1,其他时间γn,t=0,Pc为电动汽车的充电功率,Nev为区域内电动汽车总数。
步骤2、建立以平抑负荷波动为目的的目标优化模型,采用改进的萤火虫算法优化每一辆电动汽车接入电网的充电时间,使得目标优化模型的函数值达到最小,得到最优目标,其中建立的目标优化模型为:
式中,Pe,t为t时刻包括电动汽车充电负荷的电网等效负荷,Pav为调整前的日平均负荷,T为充电总时间,其中,电网等效负荷Pe,t和日平均负荷Pav具体为:
Pe,t=Pb,t+Pn,t
Ta≤Ts≤Tl
Te≤Ts+Tc≤Tl
其中,Pb,t为t时刻不包括电动汽车充电负荷的电网等效负荷,Pn,t为电动汽车充电功率,Pav为调整前的日平均负荷,n为电动汽车数量,Ta、Tl为电动汽车抵达和离开的时刻,Ts、Te为充电起始和结束时刻。
进一步的实施例中,采用改进的萤火虫算法优化每一辆电动汽车接入电网的充电时间的具体步骤为:
步骤2.1、对目标优化模型进行参数初始化和算法初始化;
步骤2.2、根据渗透电动汽车数量,初始化种群大小;并由目标函数计算改进萤火虫算法的适应度值,记录相应的最优适应度值及最佳位置;
步骤2.3、随机均匀分布产生新的解,并由新个体和原始个体计算萤火虫相对荧光亮度,由新个体和原始个体计算萤火虫相对荧光亮度的具体公式为:
r=||popnew-pop||
式中,||·||为对应的模函数,popnew为新个体萤火虫个体数,pop为原始个体萤火虫个体数;
步骤2.4、计算萤火虫个体的吸引度γ为光强吸收系数,β0为计算萤火虫吸引度的标值,为常量;
步骤2.5、更新萤火虫的种群个体和适应度值,并记录此时的目标函数的最优解zbest;
步骤2.6、当时,采用自适应变异在解域内进行种群个体更新,并服从均匀分布;当时,采用公式pop=pop+rand*(zbest-pop)进行种群个体更新,其中Mutation为自适应变异系数,pop为当前萤火虫个体,rand为随机数,i为当前迭代次数,itermax为设定的最大迭代次数;
步骤2.7、比较步骤2.5更新后的萤火虫个体适应度值与更新前的萤火虫个体适应度值,当萤火虫个体适应度值出现不同时更新种群个体,进入步骤2.8;当萤火虫个体适应度值相同时,直接输出最优目标;
步骤2.8、判断是否达到最大迭代次数,如果未达到,则返回步骤2.3,否则退出循环,输出最优目标。
本发明首先对拥有电动汽车的居民的出行模式进行分析。汽车从家里(起点)出发,经过一天的活动,回到家里(起点)。中间可能要经过其他场所,所以电动汽车的出行轨迹是复杂多样的。这种人们为完成一个或几个在一定时间有序排列的出行目的而形成的往返行程被定义为出行链。
经美国交通部联邦公路管理局统计,一辆车一天的平均出行链长度为3.02,因此本发明考虑的出行链的长度最多不超过3,每次出行的目的地采用美国国家家庭出行调查的统计数据,不同车辆行程服从对数正态分布:
式中,μD为某个行驶里程的分布均值;σD为某个行驶里程的分布标准差。
对电动汽车完全不干预不控制的充电模式被称为无序充电,无序充电下电动汽车不受调度,一旦车主返家充电立刻开始。对某区域电动汽车的车辆充电开始时刻进行统计,并使用对数正态分布进行拟合,得到:
式中,μH为充电开始时刻的分布均值;σH为充电开始时刻的分布标准差。
每行驶一段路程,电动汽车的电量都会被消耗,其电池剩余电量都会相应下降。行程结束时剩余的电池剩余电量为:
式中,SOCj0为电动汽车j目前的剩余电池剩余电量,SOCj1为电动汽车j行程开始前的电池剩余电量,∑li为电动汽车下次充电之前已经行驶的距离,Dj为电动汽车的总续航路程。
电动汽车电池剩余电量过低时是无法完成下一步行程的,此时电动汽车不得不接入电网补充电能,电动汽车充电持续时间模型为:
式中,α为充电后的电池荷电状态,电池充满为α=1,η为充电效率,本发明中取η=1,Pc为电动汽车的充电功率,E为电动汽车的电池容量。
电动汽车每次出行,一般假设车辆的剩余电量不低于20%,如果当前剩余电量高于充电要求,则电动汽车继续行驶,直到到达终点为止,具体充电流程如图1所示。
区域内的汽车总数和电动汽车渗透率决定了此地电动汽车的数量:
Nev(t)=N(t)×ρ
式中,N(t)为区域内汽车总数,Nev(t)为区域内电动汽车总数;假设区域内电动汽车的充电功率Pc保持不变,区域t时刻电动汽车的充电功率模型为:
式中,γn,t决定电动汽车与电网的连接,充电期间γn,t=1,其他时间γn,t=0,Pc为电动汽车的充电功率,Nev为区域内电动汽车总数。
以每一辆电动汽车接入电网的时刻为优化变量,建立以平抑负荷波动为目的的目标优化模型,以达到“削峰填谷”的目的,并引入改进萤火虫算法作为求解工具,提高求解精度。
即以负荷曲线的均方差最小作为目标函数:
T为充电总时间,则充电总时间单目标带约束的复杂优化函数可表示为:
Pe,t=Pb,t+Pn,t
Ta≤Ts≤Tl
Te≤Ts+Tc≤Tl
其中,Pe,t为t时刻包括电动汽车充电负荷的电网等效负荷,Pb,t为t时刻不包括电动汽车充电负荷的电网等效负荷,Pn,t为电动汽车充电功率,n为电动汽车数量,Ta、Tl为电动汽车抵达和离开的时刻,Ts、Te为充电起始和结束时刻。
为使得目标优化模型的函数值达到最小,得到最优目标,引入改进萤火虫算法作为求解工具。
萤火虫算法(FFA)是一种原理简明、所需参数较少、较为新颖的智能优化算法,它通过对萤火虫的发光行为进行模拟来实现优化的功能。由于标准萤火虫算法存在收敛速度、求解精度等问题,本发明引入自适应变异环节以提高寻优速度与精度。采用改进的萤火虫算法优化区域内每一辆电动汽车接入电网的充电时间,使得目标函数达到最小,具体步骤如图2所示。
实施例1
本实施例通过算例仿真研究了电动汽车渗透率对电动汽车充电负荷的影响,达到了减小峰谷差的目的,验证了方法的正确性和有效性。
以一天作为一个调度周期,电动汽车有关参数设置如下:不考虑电动汽车充电的区域日负荷曲线如图3所示,电动汽车容量24kWh,续航里程160kM,电池充电功率为3.5kW,汽车总数N为280,萤火虫算法种群数量sizepop=200,迭代次数itermmax=100,光强吸收系数γ=0.001,吸引度β0=0.01。分析区域内电动汽车渗透率分别为0%、30%、50%、70%下的***电负荷曲线,并采用改进萤火虫算法对渗透率30%的日负荷曲线进行优化求解,并于标准萤火虫算法进行对比,具体结果如图4、5所示。
Claims (7)
1.一种电动汽车充电优化调度方法,其特征在于,包括以下步骤:
步骤1、建立考虑时空的电动汽车充电负荷模型;
步骤2、建立以平抑负荷波动为目的的目标优化模型,采用改进的萤火虫算法优化每一辆电动汽车接入电网的充电时间,使得目标优化模型的函数值达到最小,得到最优目标。
2.根据权利要求1所述的一种电动汽车充电优化调度方法,其特征在于,步骤1中所述电动汽车充电负荷模型具体包括:
电动汽车充电持续时间模型:
其中,α为充电后的电池荷电状态,电池充满为α=1,η为充电效率,Pc为电动汽车的充电功率,E为电动汽车的电池容量,SOCj0为电动汽车j目前的剩余路程长短;
区域t时刻电动汽车的充电功率模型:
式中,γn,t决定电动汽车与电网的连接,充电期间γn,t=1,其他时间γn,t=0,Pc为电动汽车的充电功率,Nev为区域内电动汽车总数。
3.根据权利要求2所述的一种电动汽车充电优化调度方法,其特征在于,电动汽车充电持续时间模型中电动汽车j目前的电池剩余电量具体为:
式中,SOCj1为电动汽车j行程开始前的电池剩余电量,∑li为电动汽车下次充电之前已经行驶的距离,Dj为电动汽车的总续航路程。
4.根据权利要求1所述的一种电动汽车充电优化调度方法,其特征在于,步骤2中建立的目标优化模型为:
式中,Pe,t为t时刻包括电动汽车充电负荷的电网等效负荷,Pav为调整前的日平均负荷,T为充电总时间。
5.根据权利要求4所述的一种电动汽车充电优化调度方法,其特征在于,
电网等效负荷Pe,t和日平均负荷Pav具体为:
Pe,t=Pb,t+Pn,t
Ta≤Ts≤Tl
Te≤Ts+Tc≤Tl
其中,Pb,t为t时刻不包括电动汽车充电负荷的电网等效负荷,Pn,t为电动汽车充电功率,Pav为调整前的日平均负荷,n为电动汽车数量,Ta、Tl为电动汽车抵达和离开的时刻,Ts、Te为充电起始和结束时刻。
6.根据权利要求1所述的一种电动汽车充电优化调度方法,其特征在于,步骤2中采用改进的萤火虫算法优化每一辆电动汽车接入电网的充电时间的具体步骤为:
步骤2.1、对目标优化模型进行参数初始化和算法初始化;
步骤2.2、根据渗透电动汽车数量,初始化种群大小;并由目标函数计算改进萤火虫算法的适应度值,记录相应的最优适应度值及最佳位置;
步骤2.3、随机均匀分布产生新的解,并由新个体和原始个体计算萤火虫相对荧光亮度;
步骤2.4、计算萤火虫个体的吸引度γ为光强吸收系数,β0为计算萤火虫吸引度的标值,为常量;
步骤2.5、更新萤火虫的种群个体和适应度值,并记录此时的目标函数的最优解zbest;
步骤2.6、当时,采用自适应变异在解域内进行种群个体更新,并服从均匀分布;当时,采用公式pop=pop+rand*(zbest-pop)进行种群个体更新,其中Mutation为自适应变异系数,pop为当前萤火虫个体,rand为随机数,i为当前迭代次数,itermax为设定的最大迭代次数;
步骤2.7、比较步骤2.5更新后的萤火虫个体适应度值与更新前的萤火虫个体适应度值,当萤火虫个体适应度值出现不同时更新种群个体,进入步骤2.8;当萤火虫个体适应度值相同时,直接输出最优目标;
步骤2.8、判断是否达到最大迭代次数,如果未达到,则返回步骤2.3,否则退出循环,输出最优目标。
7.根据权利要求6所述的一种电动汽车充电优化调度方法,其特征在于,步骤2.3中由新个体和原始个体计算萤火虫相对荧光亮度的具体公式为:
r=||popnew-pop||
式中,||·||为对应的模函数,popnew为新个体萤火虫个体数,pop为原始个体萤火虫个体数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810295200.2A CN110323737A (zh) | 2018-03-30 | 2018-03-30 | 一种电动汽车充电优化调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810295200.2A CN110323737A (zh) | 2018-03-30 | 2018-03-30 | 一种电动汽车充电优化调度方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110323737A true CN110323737A (zh) | 2019-10-11 |
Family
ID=68112414
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810295200.2A Pending CN110323737A (zh) | 2018-03-30 | 2018-03-30 | 一种电动汽车充电优化调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110323737A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111126765A (zh) * | 2019-11-22 | 2020-05-08 | 广东电网有限责任公司 | 一种电动汽车群联合优化方法及*** |
CN112366740A (zh) * | 2020-11-13 | 2021-02-12 | 深圳供电局有限公司 | 一种电动汽车集群调度方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104953652A (zh) * | 2015-06-11 | 2015-09-30 | 国网山东省电力公司电力科学研究院 | 电动汽车有序充电控制方法 |
CN107612009A (zh) * | 2017-09-14 | 2018-01-19 | 国网福建省电力有限公司 | 一种电动汽车规模化接入居民区的有序充电控制方法 |
CN107704947A (zh) * | 2017-08-31 | 2018-02-16 | 合肥工业大学 | 一种考虑电动汽车随机接入的微电网多目标优化调度方法 |
-
2018
- 2018-03-30 CN CN201810295200.2A patent/CN110323737A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104953652A (zh) * | 2015-06-11 | 2015-09-30 | 国网山东省电力公司电力科学研究院 | 电动汽车有序充电控制方法 |
CN107704947A (zh) * | 2017-08-31 | 2018-02-16 | 合肥工业大学 | 一种考虑电动汽车随机接入的微电网多目标优化调度方法 |
CN107612009A (zh) * | 2017-09-14 | 2018-01-19 | 国网福建省电力有限公司 | 一种电动汽车规模化接入居民区的有序充电控制方法 |
Non-Patent Citations (1)
Title |
---|
余樨源: "基于改进萤火虫算法的电动汽车有序充电研究", 《信息技术》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111126765A (zh) * | 2019-11-22 | 2020-05-08 | 广东电网有限责任公司 | 一种电动汽车群联合优化方法及*** |
CN111126765B (zh) * | 2019-11-22 | 2022-05-06 | 广东电网有限责任公司 | 一种电动汽车群联合优化方法及*** |
CN112366740A (zh) * | 2020-11-13 | 2021-02-12 | 深圳供电局有限公司 | 一种电动汽车集群调度方法 |
CN112366740B (zh) * | 2020-11-13 | 2023-08-08 | 深圳供电局有限公司 | 一种电动汽车集群调度方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107745650B (zh) | 一种基于峰谷分时电价的电动汽车有序充电控制方法 | |
CN111422094B (zh) | 分布式充电桩的充放电协调优化控制方法 | |
CN107180282B (zh) | 一种高峰时段多列车节能优化方法 | |
CN103241130B (zh) | 一种电动公交车充换电站的能量管理方法及*** | |
CN103679299A (zh) | 兼顾车主满意度的电动汽车最优峰谷分时电价定价方法 | |
CN110570007A (zh) | 电动汽车多时间尺度优化调度方法 | |
CN113013906B (zh) | 考虑电动汽车v2g模式下的光伏储能容量优化配置方法 | |
CN107169273A (zh) | 计及延时和v2g充电模式的电动汽车充电功率预测方法 | |
CN109050284B (zh) | 一种考虑v2g的电动汽车充放电电价优化方法 | |
CN108062619B (zh) | 一种轨道车辆车地一体化容量配置方法及装置 | |
CN116001624A (zh) | 基于深度强化学习的一桩多联电动汽车有序充电方法 | |
CN107730048B (zh) | 一种风电-电动汽车联合***随机鲁棒优化调度方法 | |
CN112238781B (zh) | 一种基于分层架构的电动汽车有序充电控制方法 | |
CN110688743B (zh) | 一种电动公交车充电站经济充电方法 | |
CN107919675B (zh) | 综合考虑车主和运营商利益的充电站负荷调度模型 | |
CN105591433A (zh) | 基于电动汽车充电功率动态分布的电动汽车充电负荷优化方法 | |
CN110232219B (zh) | 一种基于数据挖掘的电动汽车可调度容量核定方法 | |
CN111428946B (zh) | 一种充储电站供给侧分散式优化调度方法 | |
CN103078152B (zh) | 集中性充电站智能充电方法 | |
CN109710882A (zh) | 一种基于优化运行的离网型微电网电动汽车有序充放电负荷建模及求解方法 | |
CN105262167A (zh) | 区域内电动汽车有序充电控制方法 | |
CN110323737A (zh) | 一种电动汽车充电优化调度方法 | |
CN116054316A (zh) | 一种基于混沌麻雀优化算法的电动汽车有序充放电方法 | |
CN104463464A (zh) | 一种适于电动汽车规模化应用的配电***综合规划方法 | |
CN103915851B (zh) | 一种递进步长和期望输出均可变的储能***优化控制方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191011 |
|
RJ01 | Rejection of invention patent application after publication |