CN111401627B - 电动汽车充电调度方法和装置 - Google Patents

电动汽车充电调度方法和装置 Download PDF

Info

Publication number
CN111401627B
CN111401627B CN202010172540.3A CN202010172540A CN111401627B CN 111401627 B CN111401627 B CN 111401627B CN 202010172540 A CN202010172540 A CN 202010172540A CN 111401627 B CN111401627 B CN 111401627B
Authority
CN
China
Prior art keywords
charging
scheduling
scheduling scheme
electric vehicle
charging station
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.)
Active
Application number
CN202010172540.3A
Other languages
English (en)
Other versions
CN111401627A (zh
Inventor
张军
刘伟莉
龚月姣
陈伟能
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.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
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 South China University of Technology SCUT filed Critical South China University of Technology SCUT
Publication of CN111401627A publication Critical patent/CN111401627A/zh
Application granted granted Critical
Publication of CN111401627B publication Critical patent/CN111401627B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本发明实施例公开了一种电动汽车充电调度方法和装置，其中，所述方法包括：针对预设电动汽车集合中的电动汽车分别获得第一调度方案，在满足预设的目标约束条件下对所述第一调度方案进行评价获得第一适应值；按照预设的操作规则对所述第一调度方案进行混合变量变异处理获得变量变异值，根据所述第一调度方案和所述变量变异值进行交叉操作处理获得第二调度方案；在满足所述目标约束条件下对所述第二调度方案进行评价获得第二适应值；从所述第一调度方案和所述第二调度方案选择出目标优化调度方案进行充电调度。采用本发明所述的方法，能够有效优化行程用时和充电费用，提高了整体路网中电动汽车充电调度的效率，具备更强的全局优化性能。

Description

电动汽车充电调度方法和装置
技术领域
本发明实施例涉及智能交通领域，具体涉及一种电动汽车充电调度方法和装置，另外还涉及一种电子设备和计算机可读存储介质。
背景技术
近年来，随着科学技术的快速发展，电动汽车相关技术逐渐完善成熟。电动汽车租赁公司通常同时掌握大批电动汽车和若干充电站资源，当电动汽车在完成旅程后的充电状态需要能够恰好接近预期，从而不至于过低而影响下一次旅程的开展，也不至于过高而增加当前旅程用时和充电费用，所以在决策变量方面，电动汽车调度时不仅需要优化充电站的选择，还需要优化在各充电站的具体充电量。实现电动汽车充电调度实际上成为一个复杂调度优化问题，求解该问题要求确定交通路网中各电动汽车的具体充电方案。该充电方案可包括充电次数、充电站选择以及充电量等信息。
目前，由于充电站等硬件设施数量的限制，需要通过共用的方式满足使用需求，在具体实施过程中单辆电动汽车改变其充电方案将很有可能影响到其他电动汽车充电方案的实施，进而影响到路网的整体充电调度效果，因此，需要对电动汽车充电调度进行全局优化，从而实现电动汽车智能充电调度。从电动汽车租赁公司利益出发，如何快捷、有效的实现电动汽车充电调度逐渐成为本领域技术人员研究的重点。
发明内容
为此，本发明实施例提供一种电动汽车充电调度方法，以解决现有技术存在的对充电汽车调度优化过程效率较低，导致无法满足用户实际使用需求的问题。
为了实现上述目的，本发明实施例提供如下技术方案：
第一方面，本发明实施例提供一种电动汽车充电调度方法，包括：针对预设电动汽车集合中的电动汽车分别获得相应的第一调度方案，所述第一调度方案包括对应所述电动汽车的初始充电站序列和初始充电率序列；在满足预设的目标约束条件下，对所述第一调度方案进行评价获得相应的第一适应值；按照预设的操作规则对所述第一调度方案进行混合变量变异处理获得相应的变量变异值；根据所述第一调度方案和所述变量变异值进行交叉操作处理，获得第二调度方案；在满足所述目标约束条件下，对所述第二调度方案进行评价获得相应的第二适应值；基于所述第一适应值和所述第二适应值，从所述第一调度方案和所述第二调度方案选择出目标优化调度方案，按照所述目标优化调度方案管控所述电动汽车进行充电调度。
进一步的，所述的电动汽车充电调度方法，还包括：预设目标优化迭代次数；选择出所述目标优化调度方案之后，判断与所述目标优化调度方案相应对应的当前优化迭代次数是否小于预设的目标优化迭代次数，若否，则按照所述目标优化调度方案管控所述电动汽车进行充电调度。
进一步的，所述针对预设电动汽车集合中的电动汽车分别获得相应的第一调度方案，具体包括：针对所述电动汽车集合中的每辆电动汽车分别构建一个初始充电站序列，以及按照所述初始充电站序列为每辆电动汽车选择充电站，为已选充电站设置充电率，进而形成所述初始充电率序列；根据所述初始充电站序列和所述初始充电率序列，获得所述第一调度方案。
进一步的，所述按照预设的操作规则对所述第一调度方案进行混合变量变异处理获得相应的变量变异值，具体包括：根据所述电动汽车集合中每辆电动汽车所对应的所述初始充电站序列进行离散型变异操作处理，进一步根据为所述电动汽车集合中每辆电动汽车已选充电站设置的充电率进行连续型变异操作处理，获得相应的变量变异值。
进一步的，所述根据所述第一调度方案和所述变量变异值进行交叉操作处理，获得第二调度方案，具体包括：利用预设的二项交叉算法，对所述第一调度方案和所述变量变异值进行交叉操作处理，获得第二调度方案。
进一步的，所述的电动汽车充电调度方法，还包括：若是，则继续按照预设的操作规则对所述第一调度方案进行混合变量变异处理获得相应的变量变异值；根据所述第一调度方案和所述变量变异值进行交叉操作处理，获得新的第二调度方案。
进一步的，所述的电动汽车充电调度方法，还包括：预先确定需要进行充电调度的电动汽车集合。
第二方面，本发明实施例还提供一种电动汽车充电调度装置，包括：第一调度方案获得单元，用于针对预设电动汽车集合中的电动汽车分别获得相应的第一调度方案，所述第一调度方案包括对应所述电动汽车的初始充电站序列和初始充电率序列；第一评价单元，用于在满足预设的目标约束条件下，对所述第一调度方案进行评价获得相应的第一适应值；第二调度方案获得单元，用于按照预设的操作规则对所述第一调度方案进行混合变量变异处理获得相应的变量变异值；根据所述第一调度方案和所述变量变异值进行交叉操作处理，获得第二调度方案；第二评价单元，用于在满足所述目标约束条件下，对所述第二调度方案进行评价获得相应的第二适应值；优化调度单元，用于基于所述第一适应值和所述第二适应值，从所述第一调度方案和所述第二调度方案选择出目标优化调度方案，按照所述目标优化调度方案管控所述电动汽车进行充电调度。
进一步的，所述的电动汽车充电调度装置，还包括：迭代次数预设单元，用于预设目标优化迭代次数；第一判断处理单元，用于选择出所述目标优化调度方案之后，判断与所述目标优化调度方案相应对应的当前优化迭代次数是否小于预设的目标优化迭代次数，若否，则按照所述目标优化调度方案管控所述电动汽车进行充电调度。
进一步的，所述第一调度方案获得单元具体用于：针对所述电动汽车集合中的每辆电动汽车分别构建一个初始充电站序列，以及按照所述初始充电站序列为每辆电动汽车选择充电站，为已选充电站设置充电率，进而形成所述初始充电率序列；根据所述初始充电站序列和所述初始充电率序列，获得所述第一调度方案。
进一步的，所述第二调度方案获得单元具体用于：根据所述电动汽车集合中每辆电动汽车所对应的所述初始充电站序列进行离散型变异操作处理，进一步根据为所述电动汽车集合中每辆电动汽车已选充电站设置的充电率进行连续型变异操作处理，获得相应的变量变异值。
进一步的，所述第二调度方案获得单元具体用于：利用预设的二项交叉算法，对所述第一调度方案和所述变量变异值进行交叉操作处理，获得第二调度方案。
进一步的，所述的电动汽车充电调度装置，还包括：第二判断处理单元，用于若是，则继续按照预设的操作规则对所述第一调度方案进行混合变量变异处理获得相应的变量变异值；根据所述第一调度方案和所述变量变异值进行交叉操作处理，获得新的第二调度方案。
进一步的，所述的电动汽车充电调度装置，还包括：预先确定需要进行充电调度的电动汽车集合。
第三方面，本发明实施例还提供了一种电子设备，包括：处理器和存储器；其中，所述存储器，用于存储电动汽车充电调度方法的程序，该电子设备通电并通过所述处理器运行该电动汽车充电调度方法的程序后，执行上述所述的任意一项所述的电动汽车充电调度方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，所述计算机存储介质中包含一个或多个程序指令，所述一个或多个程序指令用于被服务器执行上述任一项所述的电动汽车充电调度方法。
采用本发明所述的电动汽车充电调度方法，能够有效优化行程用时和充电费用，并且保证达到电动汽车到达终点时的充电状态尽可能逼近预期的状态值，极大提高了电动汽车充电调度的效率，从而提升了用户的使用体验。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引申获得其它的实施附图。
图1为本发明实施例提供的一种电动汽车充电调度方法的流程图；
图2为本发明实施例提供的一种电动汽车充电调度装置的示意图；
图3为本发明实施例提供的一种电子设备的示意图；
图4为本发明实施例提供的一种电动汽车充电调度方法的完整流程图。
具体实施方式
以下由特定的具体实施例说明本发明的技术方案，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效。显然，下面所描述的实施例是本发明的其中一部分实施例，而不是全部的实施例。基于下面所描述的实施例，本领域普通技术人员在无需做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
目前，电动汽车充电调度已成为智能交通领域中一个新兴的复杂调度优化问题，本发明公开的技术方案将差分进化算法运用于电动汽车充电调度，运用差分进化算法搜索所有电动汽车充电调度方案的最优组合，综合考虑了旅程用时、充电费用和到达终点电量状态等多个方面的全局优化目标，采用离散型的充电站编号组成的充电站序列和连续型的充电率(充电量被归一化后的数值)序列，更符合实际应用的需求。一方面先通过归一化充电量获得充电率来简化解的生成和更新操作，再采用满足约束条件的适应值评价方法来确保运算过程中充电调度解的有效性；另一方面设计了支持混合变量的变异机制，其包括专门处理充电站序列的基于集合的离散型变异算子和专门处理充电率序列的传统的连续型变异算子。
下面基于本发明所述的一种电动汽车充电调度方法，对其实施例进行详细描述。如图1所示，其为本发明实施例提供的一种电动汽车充电调度方法的流程图，具体实现过程包括以下步骤：
步骤S101：针对预设电动汽车集合中的电动汽车分别获得相应的第一调度方案，所述第一调度方案包括对应所述电动汽车的初始充电站序列和初始充电率序列。
在执行步骤S101之前，可预先确定需要进行充电调度的电动汽车集合，并基于预设的规则为所述电动汽车集合中的电动汽车生成随机的第一调度方案。在本发明实施例中，所述的针对预设电动汽车集合中的电动汽车分别获得相应的第一调度方案，具体实现过程可以包括：针对所述电动汽车集合中的每辆电动汽车分别构建一个初始充电站序列，以及按照所述初始充电站序列为每辆电动汽车选择充电站，为已选充电站设置充电率，进而形成所述初始充电率序列；根据所述初始充电站序列和所述初始充电率序列获得第一调度方案。
举例而言，在运算实施过程中，假设电动汽车集合(以下简称A)中第i辆电动汽车的充电调度方案si由充电站序列ci和等长的充电率序列ei组成。需要说明的是，由于A中电动汽车有不同的旅程起终点，所以需要提前限定每辆电动汽车的充电站序列长度均为J；若某辆电动汽车的充电站序列的实际长度小于J，则可以通过在后面添加空编号来补齐。
具体的，初始化一个电动汽车充电调度解S＝{si|i＝1，2，…，n}(一个充电调度解即对应一个调度方案)，为第i(i＝1，2，…，n)辆电动汽车生成随机的调度方案si＝(ci，ei)。首先需要随机地选取至多J个不重复的充电站编号来生成充电站序列ci＝{cij|j＝1，2，…，J}，并且要求ci0与旅程起点的距离不得超过第i辆车的初始续航里程，充电站序列中任意相邻的两个充电站间的距离以及最后一个充电站与旅程终点间的距离都不得超过第i辆车的最大续航里程；然后生成长度与ci相等的充电率序列ei＝{eij|j＝1，2，…，J}。其中，eij是在[0,1]范围内的随机数。
在构建充电调度解S＝{si|i＝1,2,…,n}时，A中第i辆车的充电调度方案si包含为该辆电动汽车构造的充电站序列ci＝{cij|j＝1,2,…}和反映相应充电量的等长序列ei＝{eij|j＝1,2,…}。其中，离散变量cij代表B中某个充电站的编号，而连续变量eij则反映第i辆车在cij的实际充电量Δβij。由于第i辆车能保存的最大电量βi max可能与其他车辆不同，而且第i辆车在cij的最小充电量Δβij min也需要依据cij与ci(j+1)的距离来确定，因此为统一eij的定义域，本发明将eij定义为充电率并限定其取值范围为[0,1]。eij的计算公式如下所示：
Figure BDA0002409683780000071
步骤S102：在满足预设的目标约束条件下，对所述第一调度方案进行评价获得相应的第一适应值。
在步骤S101中构建获得调度方案集合S之后，本步骤中可在满足预设的目标约束条件下评价S中的第一调度方案并获得相应的第一适应值f(S)。在本发明实施例中，所述目标约束条件包含两个条件的约束，在具体实施时每个电动汽车充电调度解S都需要满足该两个条件的约束，即：a、每辆电动汽车在任意时刻的电量都不得为空或过充；b、每个充电站在任意时刻容纳的充电电动汽车书数量都不得大于其内充电桩数。
具体的，可通过如下三个步骤评价每个电动汽车充电调度解S，并获得相应的适应值：S1：依据充电调度解S安排每辆电动汽车的充电调度方案，在满足约束条件a的情况下，获得每辆电动汽车到达每个充电站的时间、充电用时以及充电费用，并获得抵达旅程终点的时间和存余电量。S2：在每个充电站排列S1中获得的相关车辆充电调度方案，在满足条件b的约束下，为某些车辆在忙碌充电站增加等待时间，并相应调整这些车辆在后续充电站的达到时间、充电用时以及充电费用，并最终更新在旅程终点的抵达时间和存余电量；S3：将S2中获得的所有车辆在各充电站的充电费用、在旅程起终点的时间以及在旅程终点的抵达时间，应用到预设的电动汽车充电调度解的适应值计算公式(比如下述公式(2)和(6))，最终获得第一适应值f(S)。
结合步骤S101中的举例进行进一步说明，在具体实施过程中，本发明的优化充电调度方案对应的适应值f(S)是最小化A中所有车辆在综合考虑了旅程用时、充电费用和到达终点电量状态等多个方面的全局优化目标的平均值。其中，旅程用时为ftime(S)、充电费用为fexpense(S)以及充电状态为fSoC(S)。A中第i辆车的旅程用时为该辆车从旅程起点出发直至到达旅程终点所花费的总时长，因此包括了车辆在路上的行驶时间，在充电站的充电时间及可能的额外等待时间。假设A中所有车辆都在时间t＝1后出发，且被期望在时间
Figure BDA0002409683780000081
前到达各自终点，那么ftime(S)的计算公式就可以如下所示：
Figure BDA0002409683780000082
其中：ti ori和ti des分别表示第i辆车的出发时间和到达时间，
Figure BDA0002409683780000083
则是为使车辆尽量在
Figure BDA0002409683780000084
前到达终点而定义如下的时间惩罚函数：
Figure BDA0002409683780000085
A中第i辆车的充电费用指该车辆在已构造充电站序列的所有充电站进行充电的费用总和。假设Δβij表示第i辆车在其序列中第j个充电站cij所增加的电量，
Figure BDA0002409683780000086
是充电价格计算函数，而
Figure BDA0002409683780000087
是充电费用计算函数，那么fexpense(S)的计算公式就可以如下所示：
Figure BDA0002409683780000088
A中第i辆车的充电状态可理解为该车辆到达终点时存余电量βi des与预期存余电量βexp的差距。考虑到第i辆车能保存电量的最大值βi max可能与其他车辆不同，本发明用存余电率ρi des＝βi des/βi max来与预期存余电率ρexp进行比较，并定义第i辆车的充电状态计算公式如下：
Figure BDA0002409683780000089
因此，为了使得各个电动汽车在终点时的充电状态是不小于预期电量状态且保持尽可能小的存余率，fSoC(S)的计算公式则可以如下所示：
Figure BDA00024096837800000810
最终，为均衡多个优化目标，本发明将A中所有车辆在旅程用时、充电费用以及充电状态等方面的平均值，分别除以相应的最大值
Figure BDA0002409683780000091
和
Figure BDA0002409683780000092
作归一化处理，之后再进行求和，因此电动汽车充电调度解的适应值计算公式可表示如下：
Figure BDA0002409683780000093
步骤S103：按照预设的操作规则对所述第一调度方案进行混合变量变异处理获得相应的变量变异值；根据所述第一调度方案和所述变量变异值进行交叉操作处理，获得第二调度方案。
在步骤S101中获得第一调度方案之后，在本步骤中可对所述第一调度方案进行混合变量变异处理获得相应的变量变异值，并根据所述第一调度方案和所述变量变异值进行交叉操作处理获得第二调度方案。
在本发明实施例中，所述的按照预设的操作规则对所述第一调度方案进行混合变量变异处理获得相应的变量变异值，具体实现过程可以包括：根据所述电动汽车集合中每辆电动汽车所对应的所述初始充电站序列，利用预设的离散型变异算子进行离散型变异操作处理；进一步根据为所述电动汽车集合中每辆电动汽车已选充电站设置的充电率，利用预设的连续型变异算子进行连续型变异操作处理，获得相应的变量变异值。进一步的，所述的根据所述第一调度方案和所述变量变异值进行交叉操作处理，获得第二调度方案，具体为，利用预设的二项交叉算法，对所述第一调度方案和所述变量变异值进行交叉操作处理，获得第二调度方案。需要说明的是，所述第一调度方案和所述第二调度方案为包含至少一个具体的调度方案的集合；其中，所述的第一调度方案是指迭代优化之前随机生成的初始调度方案，所述的第二调度方案可以是指迭代优化过程中产生的若干个调度方案，也可以是指满足迭代优化次数后输出的最终调度方案，在此不做具体限定。
结合步骤S102中的举例进行进一步描述，在实施过程中，混合变量的变异机制具体过程可以如下所示：将电动汽车充电调度的第k个解Sk表示成一个包含混合变量的二维向量(ck，ek)，并相应地设计了一个支持混合变量的变异机制来获得
Figure BDA0002409683780000101
原理如下所示：
Figure BDA0002409683780000102
其中：r1，r2，和r3表示差分进化算法种群中任意三个互不重复且均不为k的个体解序号，F为变异因子。
具体实现时，本发明使用如下两个变异算子分别处理个体解中的离散型变量和连续型变量：
a、离散型变异算子，该算子使用基于集合的离散化技术重定义了公式(7)的关键数学运算关系。
①减法运算，由于公式(7)中减法操作的目的是获得两个解的差距，因此相应地为获取两个充电站序列
Figure BDA0002409683780000103
和
Figure BDA0002409683780000104
的差距，需要将两个序列相同位置上充电站编号的减法运算重定义为如下公式：
Figure BDA0002409683780000105
其中：
Figure BDA0002409683780000106
表示一个空充电站编号；*表示满足预设的目标约束条件的任一充电站的编号。
②带乘法的加法运算，此处的乘法因子被重定义成一个概率值，用于对两个加数做如下式的选择操作：
Figure BDA0002409683780000107
其中：F∈[0，1]是变异因子；q则是[0，1]范围内的随机数。
简而言之，离散型变异算子利用如下公式，处理第k个解Sk中第i辆车的充电站序列的第j个充电站编号ckij：
Figure BDA0002409683780000111
b、连续型变异算子，该算子利用如下公式，处理第k个解Sk中第i辆车在其第j个充电站的充电率ekij：
Figure BDA0002409683780000112
本发明的参数设置为：种群规模N＝30，最大代数gmax＝100，变异因子F＝0.5，交叉因子C＝0.1。最终结果显示，本发明的算法可同时适用于合成路网和真实路网，其平均优化效果要优于传统的优先算法，由此说明采用本发明求解电动汽车充电调度问题是十分有效的。
步骤S104：在满足所述目标约束条件下，对所述第二调度方案进行评价获得相应的第二适应值。
步骤S105：基于所述第一适应值和所述第二适应值，从所述第一调度方案和所述第二调度方案选择出目标优化调度方案，按照所述目标优化调度方案管控所述电动汽车进行充电调度。
在步骤S102和步骤S104中分别获得第一适应值和第二适应值之后、本步骤中可中基于适应值选择出目标优化调度方案，并按照所述目标优化调度方案管控所述电动汽车进行充电调度。
在具体实施过程中，还包括预设目标优化迭代次数；选择出所述目标优化调度方案之后，判断与所述目标优化调度方案相应对应的当前优化迭代次数是否小于预设的目标优化迭代次数，若否，则按照所述目标优化调度方案管控所述电动汽车进行充电调度。另外，若是，则继续按照预设的操作规则对所述第一调度方案进行混合变量变异处理获得相应的变量变异值；根据所述第一调度方案和所述变量变异值进行交叉操作处理，获得新的第二调度方案。
图4所示，其为本发明实施例提供的一种电动汽车充电调度方法的完整流程图。为便于理解本发明公开的技术方案，下面基于该完整流程图的内容分步描述整个算法的具体实施方式：
第一步：针对当前需安排调度方案的电动汽车集合(以下简称A)，定义种群中每个个体解S为包含A中每辆电动汽车充电调度方案的集合。初始化每个个体解S，首先为A中每辆电动汽车构建一个随机的充电站序列，接着为A中每辆电动汽车在已构建充电站序列的每个充电站的充电率设置一个随机值，构建一个与所述充电站序列等长的充电率序列，进而获得调度方案集合S，在满足预设的目标约束条件的情况下，评价S获得相应的第一适应值f(S)。
第二步：为迭代进化种群中每个个体解S，设置开始的代数g＝1，首先对S中包含的离散型变量和连续型变量分别进行不同的变异操作从而获得Smutant，即先为A中每辆车的充电站序列实施基于集合的离散型变异操作，再为变异后序列中各充电站的充电率实施传统的连续型变异操作；接着使用经典的二项交叉算子对S和Smutant进行交叉操作从而获得第二调度方案Strial，即以一定的概率从S或Smutant中选择A中每辆车的充电调度方案来生成Strial；然后在满足预设的目标约束条件下评价Strial并获得相应到的第二适应值f(Strial)；最后通过比较第一适应值f(S)和第二适应值f(Strial)来在S和Strial间选择较优者作为下一代种群的个体解，即针对电动汽车的目标优化调度方案。递增代数g。
第三步：如果代数g不小于预设的最大代数gmax则终止算法，并依历史最优个体解(即目标优化调度方案)来安排A中每辆电动汽车的充电调度方案，否则转到第二步继续循环执行。
采用本发明所述的电动汽车充电调度方法，能够有效优化行程用时和充电费用，并且保证达到电动汽车到达终点时的充电状态尽可能逼近预期的状态值，极大提高了全局路网中电动汽车充电调度的效率，从而提升了用户的使用体验。
与上述提供的一种电动汽车充电调度方法相对应，本发明还提供一种电动汽车充电调度装置。由于该装置的实施例相似于上述方法实施例，所以描述的比较简单，相关之处请参见上述方法实施例部分的说明即可，下面描述的电动汽车充电调度装置的实施例仅是示意性的。请参考图2所示，其为本发明实施例提供的一种电动汽车充电调度装置的示意图。
本发明所述的一种电动汽车充电调度装置包括如下部分：
第一调度方案获得单元201，用于针对预设电动汽车集合中的电动汽车分别获得相应的第一调度方案，所述第一调度方案包括对应所述电动汽车的初始充电站序列和初始充电率序列。
第一评价单元202，用于在满足预设的目标约束条件下，对所述第一调度方案进行评价获得相应的第一适应值。
第二调度方案获得单元203，用于按照预设的操作规则对所述第一调度方案进行混合变量变异处理获得相应的变量变异值；根据所述第一调度方案和所述变量变异值进行交叉操作处理，获得第二调度方案。
第二评价单元204，用于在满足所述目标约束条件下，对所述第二调度方案进行评价获得相应的第二适应值。
优化调度单元205，用于基于所述第一适应值和所述第二适应值，从所述第一调度方案和所述第二调度方案选择出目标优化调度方案，按照所述目标优化调度方案管控所述电动汽车进行充电调度。
采用本发明所述的电动汽车充电调度装置，能够有效优化行程用时和充电费用，并且保证达到电动汽车到达终点时的充电状态尽可能逼近预期的状态值，极大提高了全局路网中电动汽车充电调度的效率，从而提升了用户的使用体验。
与上述提供的一种电动汽车充电调度方法相对应，本发明还提供一种电子设备。由于该电子设备的实施例相似于上述方法实施例，所以描述的比较简单，相关之处请参见上述方法实施例部分的说明即可，下面描述的电子设备仅是示意性的。如图3所示，其为本发明实施例提供的一种电子设备的示意图。
该电子设备具体包括：处理器301和存储器302；其中，存储器302用于运行一个或多个程序指令，用于存储电动汽车充电调度方法的程序，该服务器通电并通过所述处理器301运行该电动汽车充电调度方法的程序后，执行上述任意一项所述的电动汽车充电调度方法。
与上述提供的一种电动汽车充电调度方法相对应，本发明还提供一种计算机存储介质。由于该计算机存储介质的实施例相似于上述方法实施例，所以描述的比较简单，相关之处请参见上述方法实施例部分的说明即可，下面描述的计算机存储介质仅是示意性的。
所述计算机存储介质中包含一个或多个程序指令，所述一个或多个程序指令用于被服务器执行上述所述的电动汽车充电调度方法。所述的服务器可以是指与上述电子设备对应的后台服务器。
在本发明实施例中，处理器或处理器模块可以是一种集成电路芯片，具有信号的处理能力。处理器可以是通用处理器、数字信号处理器(Digital Signal Processor，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。处理器读取存储介质中的信息，结合其硬件完成上述方法的步骤。
存储介质可以是存储器，例如可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。
其中，非易失性存储器可以是只读存储器(Read-Only Memory，简称ROM)、可编程只读存储器(Programmable ROM，简称PROM)、可擦除可编程只读存储器(Erasable PROM，简称EPROM)、电可擦除可编程只读存储器(Electrically EPROM，简称EEPROM)或闪存。
易失性存储器可以是随机存取存储器(Random Access Memory，简称RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(Static RAM，简称SRAM)、动态随机存取存储器(Dynamic RAM，简称DRAM)、同步动态随机存取存储器(Synchronous DRAM，简称SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data Rate SDRAM，简称DDRSDRAM)、增强型同步动态随机存取存储器(EnhancedSDRAM，简称ESDRAM)、同步连接动态随机存取存储器(Synch link DRAM，简称SLDRAM)和直接内存总线随机存取存储器(Direct Ram bus RAM，简称DRRAM)。
本发明实施例描述的存储介质旨在包括但不限于这些和任意其它适合类型的存储器。
本领域技术人员应该可以意识到，在上述一个或多个示例中，本发明所描述的功能可以用硬件与软件组合来实现。当应用软件时，可以将相应功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质，其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的技术方案的基础之上，所做的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。

Claims (10)

1.一种电动汽车充电调度方法，其特征在于，包括：
针对预设电动汽车集合中的电动汽车分别获得相应的第一调度方案，所述第一调度方案包括对应所述电动汽车的初始充电站序列和初始充电率序列；在满足预设的目标约束条件下，对所述第一调度方案进行评价获得相应的第一适应值；按照预设的操作规则对所述第一调度方案进行混合变量变异处理获得相应的变量变异值；根据所述第一调度方案和所述变量变异值进行交叉操作处理，获得第二调度方案；在满足所述目标约束条件下，对所述第二调度方案进行评价获得相应的第二适应值；基于所述第一适应值和所述第二适应值，从所述第一调度方案和所述第二调度方案选择出目标优化调度方案，按照所述目标优化调度方案管控所述电动汽车进行充电调度；
具体的，初始化一个电动汽车充电调度解S＝{si|i＝1，2，…，n}一个充电调度解即对应一个调度方案，为第i(i＝1，2…，n)辆电动汽车生成随机的调度方案si＝(ci，ei)；首先需要随机地选取至多J个不重复的充电站编号来生成充电站序列ci＝{cij|j＝1，2…，J}，并且要求ci0与旅程起点的距离不得超过第i辆车的初始续航里程，充电站序列中任意相邻的两个充电站间的距离以及最后一个充电站与旅程终点间的距离都不得超过第i辆车的最大续航里程；然后生成长度与ci相等的充电率序列ei＝{eij|j＝1，2…，J}，其中，eij是在[0，1]范围内的随机数；
在构建充电调度解S＝{si|i＝1，2…，n}时，A中第i辆车的充电调度方案si包含为该辆电动汽车构造的充电站序列ci＝{cij|j＝1，2，…}和反映相应充电量的等长序列ei＝{eij|j＝1，2，…}，其中，离散变量cij代表B中某个充电站的编号，而连续变量eij则反映第i辆车在cij的实际充电量△βij，由于第i辆车能保存的最大电量βi max可能与其他车辆不同，而且第i辆车在cij的最小充电量△βij min也需要依据cij与ci(j+1)的距离来确定，因此为统一eij的定义域，本发明将eij定义为充电率并限定其取值范围为[0，1]，eij的计算公式如下所示：
Figure FDA0003480291290000021
2.根据权利要求1所述的电动汽车充电调度方法，其特征在于，还包括：
预设目标优化迭代次数：
选择出所述目标优化调度方案之后，判断与所述目标优化调度方案相应对应的当前优化迭代次数是否小于预设的目标优化迭代次数，若否，则按照所述目标优化调度方案管控所述电动汽车进行充电调度。
3.根据权利要求1所述的电动汽车充电调度方法，其特征在于，所述针对预设电动汽车集合中的电动汽车分别获得相应的第一调度方案，具体包括：
针对所述电动汽车集合中的每辆电动汽车分别构建一个初始充电站序列，以及按照所述初始充电站序列为每辆电动汽车选择充电站，为已选充电站设置充电率，进而形成所述初始充电率序列：根据所述初始充电站序列和所述初始充电率序列，获得所述第一调度方案。
4.根据权利要求1所述的电动汽车充电调度方法，其特征在于，所述按照预设的操作规则对所述第一调度方案进行混合变量变异处理获得相应的变量变异值，具体包括：根据所述电动汽车集合中每辆电动汽车所对应的所述初始充电站序列进行离散型变异操作处理，进一步根据为所述电动汽车集合中每辆电动汽车己选充电站设置的充电率进行连续型变异操作处理，获得相应的变量变异值。
5.根据权利要求1所述的电动汽车充电调度方法，其特征在于，所述根据所述第一调度方案和所述变量变异值进行交叉操作处理，获得第二调度方案，具体包括：
利用预设的二项交叉算法，对所述第一调度方案和所述变量变异值进行交叉操作处理，获得第二调度方案。
6.根据权利要求2所述的电动汽车充电调度方法，其特征在于，还包括：
若是，则继续按照预设的操作规则对所述第一调度方案进行混合变量变异处理获得相应的变量变异值：根据所述第一调度方案和所述变量变异值进行交叉操作处理，获得新的第二调度方案。
7.根据权利要求1所述的电动汽车充电调度方法，其特征在于，还包括：预先确定需要进行充电调度的电动汽车集合。
8.一种电动汽车充电调度装置，其特征在于，包括：
第一调度方案获得单元，用于针对预设电动汽车集合中的电动汽车分别获得相应的第一调度方案，所述第一调度方案包括对应所述电动汽车的初始充电站序列和初始充电率序列；第一评价单元，用于在满足预设的目标约束条件下，对所述第一调度方案进行评价获得相应的第一适应值；第二调度方案获得单元，用于按照预设的操作规则对所述第一调度方案进行混合变量变异处理获得相应的变量变异值：根据所述第一调度方案和所述变量变异值进行交叉操作处理，获得第二调度方案；第二评价单元，用于在满足所述目标约束条件下，对所述第二调度方案进行评价获得相应的第二适应值；优化调度单元，用于基于所述第一适应值和所述第二适应值，从所述第一调度方案和所述第二调度方案选择出目标优化调度方案，按照所述目标优化调度方案管控所述电动汽车进行充电调度；
具体的，初始化一个电动汽车充电调度解S＝{si|i＝1，2，…，n}一个充电调度解即对应一个调度方案，为第i(i＝1，2…，n)辆电动汽车生成随机的调度方案si＝(ci，ei)；首先需要随机地选取至多J个不重复的充电站编号来生成充电站序列ci＝{cij|j＝1，2…，J}，并且要求ci0与旅程起点的距离不得超过第i辆车的初始续航里程，充电站序列中任意相邻的两个充电站间的距离以及最后一个充电站与旅程终点间的距离都不得超过第i辆车的最大续航里程；然后生成长度与ci相等的充电率序列ei＝{eij|j＝1，2…，J}，其中，eij是在[0，1]范围内的随机数；
在构建充电调度解S＝{si|i＝1，2…，n}时，A中第i辆车的充电调度方案si包含为该辆电动汽车构造的充电站序列ci＝{cij|j＝1，2，…}和反映相应充电量的等长序列ei＝{eij|j＝1，2，…}，其中，离散变量cij代表B中某个充电站的编号，而连续变量eij则反映第i辆车在cij的实际充电量△βij，由于第i辆车能保存的最大电量βi max可能与其他车辆不同，而且第i辆车在cij的最小充电量△βij min也需要依据cij与ci(j+1)的距离来确定，因此为统一eij的定义域，本发明将eij定义为充电率并限定其取值范围为[0，1]，eij的计算公式如下所示：
Figure FDA0003480291290000041
9.一种电子设备，其特征在于，包括：
处理器：以及
存储器，用于存储电动汽车充电调度方法的程序，该电子设备通电并通过所述处理器运行该电动汽车充电调度方法的程序后，执行上述权利要求1-7任意一项所述的电动汽车充电调度方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中包含一个或多个程序指令，所述一个或多个程序指令用于被服务器执行如权利要求1-7任一项所述的电动汽车充电调度方法。
CN202010172540.3A 2019-12-19 2020-03-12 电动汽车充电调度方法和装置 Active CN111401627B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201911320121 2019-12-19
CN2019113201213 2019-12-19

Publications (2)

Publication Number Publication Date
CN111401627A CN111401627A (zh) 2020-07-10
CN111401627B true CN111401627B (zh) 2022-04-01

Family

ID=71428653

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010172540.3A Active CN111401627B (zh) 2019-12-19 2020-03-12 电动汽车充电调度方法和装置

Country Status (1)

Country Link
CN (1) CN111401627B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112016746B (zh) * 2020-08-26 2021-12-17 广东电网有限责任公司广州供电局 发电车调度方法、装置、计算机设备和存储介质
FR3125621B1 (fr) * 2021-07-20 2023-12-01 Vulog Procédé et système pour commander l’activation de bornes de recharges de véhicules électriques

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008249503A (ja) * 2007-03-30 2008-10-16 Aisin Aw Co Ltd 電動車両駆動制御システム及び電動車両駆動制御方法
CN108562300A (zh) * 2018-05-10 2018-09-21 西南交通大学 考虑目的地导向及下一行程用电需求的电动汽车充电引导方法
CN109784558A (zh) * 2019-01-11 2019-05-21 浙江工业大学 一种基于蚁群算法的电动汽车充电调度优化方法
CN110323770A (zh) * 2019-06-28 2019-10-11 国网河北省电力有限公司经济技术研究院 电动汽车有序充电方法、装置和终端设备

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008249503A (ja) * 2007-03-30 2008-10-16 Aisin Aw Co Ltd 電動車両駆動制御システム及び電動車両駆動制御方法
CN108562300A (zh) * 2018-05-10 2018-09-21 西南交通大学 考虑目的地导向及下一行程用电需求的电动汽车充电引导方法
CN109784558A (zh) * 2019-01-11 2019-05-21 浙江工业大学 一种基于蚁群算法的电动汽车充电调度优化方法
CN110323770A (zh) * 2019-06-28 2019-10-11 国网河北省电力有限公司经济技术研究院 电动汽车有序充电方法、装置和终端设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
电动公交车电池状态与运营匹配关系研究;靳莉;《中国优秀博硕士学位论文全文数据库（硕士） 工程科技Ⅱ辑》;20110915(第09期);C035-345 *

Also Published As

Publication number Publication date
CN111401627A (zh) 2020-07-10

Similar Documents

Publication Publication Date Title
Dabbaghjamanesh et al. Reinforcement learning-based load forecasting of electric vehicle charging station using Q-learning technique
Wan et al. Model-free real-time EV charging scheduling based on deep reinforcement learning
Zhang et al. A bi-level optimization framework for charging station design problem considering heterogeneous charging modes
CN114997631B (zh) 一种电动汽车充电调度方法、装置、设备及介质
CN111401627B (zh) 电动汽车充电调度方法和装置
CN103915869A (zh) 一种基于移动设备的电动汽车智能充电***及方法
Zhang et al. Multi-objective hydro-thermal-wind coordination scheduling integrated with large-scale electric vehicles using IMOPSO
CN112101637B (zh) 基于分时电价和能耗控制的动态充电优化方法及其应用
CN112865190A (zh) 计及光伏和充电需求的光储充电站优化调度方法和***
Shalaby et al. A dynamic optimal battery swapping mechanism for electric vehicles using an LSTM-based rolling horizon approach
CN112803464B (zh) 一种储能***充放电控制方法、***、设备和存储介质
CN116151486B (zh) 含储能***的光伏充电站多时间尺度随机优化方法及装置
Alam et al. Deep learning based optimal energy management for photovoltaic and battery energy storage integrated home micro-grid system
Appino et al. Reliable dispatch of renewable generation via charging of time-varying PEV populations
Kandasamy et al. Loss‐of‐life investigation of EV batteries used as smart energy storage for commercial building‐based solar photovoltaic systems
CN115587645A (zh) 一种考虑充电行为随机性的电动汽车充电管理方法及***
Donadee et al. Optimal autonomous charging of electric vehicles with stochastic driver behavior
CN111861080B (zh) 一种信息处理的方法、装置、电子设备及存储介质
Jin et al. Optimal EV scheduling and voltage security via an online bi-layer steady-state assessment method considering uncertainties
Bai et al. Energy arbitrage optimization of lithium-ion battery considering short-term revenue and long-term battery life loss
JP6997289B2 (ja) 電力管理システム、およびプログラム
CN116562427A (zh) 充电站的充电负荷预测方法及装置、存储介质、设备
Zhao et al. Mobile battery energy storage system control with knowledge‐assisted deep reinforcement learning
CN115009065A (zh) 充电处理方法、装置、电子设备及计算机可读存储介质
Ruzmetov et al. A (max-plus)-based approach for charging management of electric vehicles

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