一种基于人工鱼群算法的电动汽车有序充电控制方法
技术领域
本发明涉及一种基于人工鱼群算法的电动汽车有序充电控制方法,属于电动汽车充电技术领域。
背景技术
近些年来,随着我国经济水平和科学水平不断提高,人们的生活的幸福指数有了显著的提高,但社会快速发展的同时也带来了化石能源紧缺、全球气候变暖以及污染物过量排放等一系列问题,给现代社会的发展带来了巨大的挑战。
新能源汽车由于采用清洁能源,与传统燃油车相比可以有效的缓解尾气排放对环境带来的压力,因此世界各国开始大力扶持新能源汽车产业的发展,电动汽车及其相关产业也由此迎来了快速发展期。但与此同时,大规模电动汽车未经引导接入电网进行的充电行为会给电力***带来巨大的负面影响,具体表现在扩大配电网峰谷差、产生谐波污染、导致变压器越限以及使电网电压水平下降等方面。因此,如何解决电动汽车的充电控制问题是本领域技术人员急需要解决的技术问题。
发明内容
目的:为了克服现有技术中存在的不足,本发明提供一种基于人工鱼群算法的电动汽车有序充电控制方法,以实现电网的安全稳定运行和用户充电费用最小化。
技术方案:为解决上述技术问题,本发明采用的技术方案为:
一种基于人工鱼群算法的电动汽车有序充电控制方法,包括如下步骤:
步骤1:构建场景优化模型G(topt),G(topt)公式如下:
其中,F1代表无序充电时的用户充电费用,F2代表无序充电时的电网峰谷差,F1opt代表有序充电时的用户充电费用,F2opt代表有序充电时的电网峰谷差,λ1和λ2代表各目标函数的加权系数;
步骤2:以minG(t
opt)作为场景优化模型的优化目标,求解出优化后的充电时段to
pt的最优解t
best,结合充电时段t
c利用人工鱼群算法进行优化,得到最终的充电时段
作为优选方案,所述充电时段tc计算公式如下:
tback<tc<tstart
其中,tc表示可充电时段,tc=1时表示该时刻电动汽车正在充电,tc=0时表示该时刻电动汽车未充电;tc的取值范围应在tstart和tback之间,tstart为出行时刻,tback为返回时刻;t0表示阶段性充电的开始时刻;Tcharge表示阶段性充电时长。
作为优选方案,所述无序充电时的用户充电费用F1计算公式如下:
其中,N为区域内电动汽车的总数量;tback为返回时刻,tstart为出行时刻,tc表示可充电时段,Pev为充电功率,cc代表充电时刻的电价;
所述无序充电时的电网峰谷差F2计算公式如下:
F2=Lmax-Lmin
其中,lt代表t时刻的居民基础负荷;
所述有序充电时的用户充电费用F1opt计算公式如下:
其中,N为区域内电动汽车的总数量;tback为返回时刻,tstart为出行时刻,topt表示优化后的充电时段,Pev为充电功率,cc代表充电时刻的电价;
所述有序充电时的电网峰谷差F2opt计算公式如下:
F2=Lmax-Lmin
其中,lt代表t时刻的居民基础负荷。
作为优选方案,人工鱼群算法进行优化具体步骤如下:
2.1对t
c执行随机行为RB,得到初始的
RB计算公式如下:
其中,step代表移动步长,rand代表随机变量,step·rand代表随机抽取移动步长;
2.2将上述操作后的
执行觅食行为FB,得到
FB计算公式如下:
G(t
c)、
为G(to
pt)中的to
pt用t
c、
替代计算得到;
2.3将上述操作后的
赋值给t’
c,并对新的t’
c执行聚群行为SB,得到
SB计算公式如下:
其中,Rv为一次调度范围,m为一次调度范围内正在充电的汽车数量,ti为第i台汽车充电时段,N为区域内电动汽车的总数量;σ为自定义的拥挤度因子;G(tk)、G(t′c)为分别将G(topt)中的topt用tk、t‘c替代计算得到;
2.4将上述操作后的
赋值给t”
c,并对新的t”
c执行追尾行为REB,得到
REB计算公式如下:
其中,tbest表示一次调度范围内优化目标minG(topt)中topt的最优的解,G(tbest)、G(t″c)为分别将G(topt)中的topt用tbest、t”c替代计算得到。
作为优选方案,λ1+λ2=1。
作为优选方案,Pev·tc的约束条件如下:
其中,lt代表t时刻的居民基础负荷,t为tstart和tback之间的所有时刻;PM表示变压器的最大容量;μ代表变压器可承载的最大容量阈值倍数;tc表示可充电时段,Pev为充电功率;N为区域内电动汽车的总数量。
作为优选方案,所述tstart的计算公式如下:
其中,tstart为出行时刻,μs为出行时刻的期望值,σs为出行时刻的方差,fs(tstart)为出行时刻分布的概率密度函数。
作为优选方案,所述tback的计算公式如下:
其中,tback为返回时刻,μe为返回时刻的期望值,σe为返回时刻的方差,fe(tback)为返回时刻分布的概率密度函数。
作为优选方案,所述Tcharge的计算公式如下:
其中,SOC0为电动汽车的初始荷电状态电量率,Q为电池容量,Pev为充电功率。
作为优选方案,所述Tcharge的约束条件如下:
其中,Tn,charge表示第n辆电动汽车充电时长;Pev表示电动汽车的充电功率;Qn表示第n辆电动汽车的电池容量;η表示充电效率;SOCn,e表示第n辆电动汽车在tstart时刻的用户期望SOC值;SOCn,0表示第n辆电动汽车在tback时刻的初始SOC值。
有益效果:本发明提供的一种基于人工鱼群算法的电动汽车有序充电控制方法,对居民小区的电动汽车充电行为进行优化。基本思想是首先基于蒙特卡洛法建立无序充电模型;其次根据电动汽车的充电场景,建立充电约束模型;然后综合考虑电网的安全稳定运行和用户的充电成本问题,提出有序充电优化调度方案;最后构建居民小区场景优化模型,利用人工鱼群算法完成电动汽车的调度优化。本发明能够科学的引导电动汽车的充电行为,对大规模电动汽车充电行为的优化调度具有重要意义,具有较强的通用性和实用性。
附图说明
图1为本发明的方法流程示意图。
具体实施方式
下面结合具体实施例对本发明作更进一步的说明。
如图1所示,一种基于人工鱼群算法的电动汽车有序充电控制方法,包括如下步骤:
步骤1,基于蒙特卡洛法建立无序充电模型。所述无序充电模型如下,
1.1电动汽车出行时间模型
其中,tstart为出行时刻,μs为出行时刻的期望值,σs为出行时刻的方差,fs(tstart)为出行时刻分布的概率密度函数。
1.2电动汽车返回时间模型
其中,tback为返回时刻,μe为返回时刻的期望值,σe为返回时刻的方差,fe(tback)为返回时刻分布的概率密度函数。
1.3电动汽车充电时长模型
其中,SOC0为电动汽车的初始荷电状态电量率,Q为电池容量,Pev为充电功率,Tcharge为充电时长。
1.4电动汽车返回时间和开始充电时间的关系
认为充电开始时刻与汽车返回时刻近似相同
tstchar=tback (4)
其中,tstchar为充电开始时刻,tback为返回时刻。
步骤2,根据电动汽车的充电场景,建立充电约束模型。所述充电约束模型如下,
2.1充电总量约束
充电桩分配给电动汽车的充电负荷应满足用户期望的充电完成时的电池荷电状态(State of Charge,SOC)。
其中,SOCn,e表示第n辆电动汽车在tstart时刻的用户期望SOC值,tstart由步骤1.1的出行时间模型抽取;SOCn,0表示第n辆电动汽车在tback时刻的初始SOC值,也即tstchar时刻的初始SOC值,tback由步骤1.2的返回时间模型抽取;Tn,charge表示第n辆电动汽车充电时长,由步骤1.3的充电时长模型确定;η表示充电效率;Pev为充电功率;Qn为第n辆电动汽车的电池容量。
2.2电动汽车充电时长约束
其中,Tn,charge表示第n辆电动汽车充电时长,由步骤1.3的充电时长模型确定;Pev表示电动汽车的充电功率;Qn表示第n辆电动汽车的电池容量。
2.3电动汽车可充电时段约束
电动汽车的可充电时段应分布于电动汽车返回时刻和出发时刻之间的任一段时间内。
tback<tc<tstart (8)
其中,tc表示可充电时段,tc=1时表示该时刻电动汽车正在充电,tc=0时表示该时刻电动汽车未充电。tc的取值范围应在tstart和tback之间,tstart和tback分别由步骤1.1和1.2进行确定;t0表示阶段性充电的开始时刻,其初始值应为步骤1.4中的充电开始时刻tstchar;Tcharge表示阶段性充电时长由步骤1.3的充电时长模型确定。
2.4充电连续性约束
频繁的启停充电桩会损耗汽车电池以及充电桩元器件的寿命,因此需要设定充电桩最小的启停间隔时间。
其中,tinter为设定的充电桩启停的最小间隔时间,由于连续工作时长的计算需要减掉充电开始时刻,因此计算时tinter需要减1。
2.5峰值负荷约束
电动汽车充电的峰值负荷需要低于变压器容量。
其中,lt代表t时刻的居民基础负荷,t为tstart和tback之间的所有时刻,tstart和tback分别由步骤1.1和1.2进行确定;PM表示变压器的最大容量;μ代表变压器可承载的最大容量阈值倍数;Pev为充电功率;N为区域内电动汽车的总数量。
步骤3,综合考虑电网的安全稳定运行和用户的充电成本问题,提出有序充电优化调度方案。具体有序充电优化调度方案如下,
3.1用户充电费用模型
其中,Pev·tc应满足步骤2.4所述约束条件;N为区域内电动汽车的总数量;tback为返回时刻,tstart为出行时刻,tstart和tback分别由步骤1.1和1.2进行确定;cc代表充电时刻的电价。基于此步骤确定用户充电费用F1。
3.2电网峰谷差模型
F2=Lmax-Lmin (15)
其中,Pev代表电动汽车的充电功率,Pev·tc应满足步骤2.4所述约束条件;Lmax代表全天最高的峰值负荷;Lmin代表全天最低的谷值负荷。基于此步骤确定电网峰谷差F2。
步骤4,构建居民小区场景优化模型,利用人工鱼群算法完成电动汽车的调度优化。
4.1场景优化模型
其中,G(topt)为场景优化模型;F1代表无序充电时的用户充电费用,F2代表无序充电时的电网峰谷差,将步骤2.3中确定的充电时段tc分别代入步骤3.1和3.2确定F1和F2,F1和F2作为后续运算的基准参考值固定不变;F1opt代表有序充电时的用户充电费用,F2opt代表有序充电时的电网峰谷差,将每一步优化后的充电时段topt分别代入步骤3.1和3.2代替tc确定F1opt和F2opt,F1opt和F2opt会随着优化过程相应进行变化,topt由步骤4.2确定;λ1和λ2代表各目标函数的加权系数,并满足λ1+λ2=1的要求。
4.2充电时段优化
以步骤4.1中G(topt)的min G(topt)作为模型的优化目标,对步骤2.3中确定的可充电时段tc利用人工鱼群算法进行优化,优化后的充电时段以变量topt表示,topt应满足步骤2.5中的充电连续性约束。
首先对t
c执行随机行为RB,得到初始的
RB表达式为,
其中,step代表移动步长,rand代表随机变量,step·rand描述随机抽取移动步长;
G(t
opt)为场景优化模型,由步骤4.1确定;G(t
c)、
为将步骤4.1G(t
opt)中的t
opt用t
c、
替代计算得到。
将上述操作后的
赋值给t’
c,并对新的t’
c执行聚群行为SB,
其中,Rv为一次调度范围,m为一次调度范围内正在充电的汽车数量,ti为第i台汽车充电时段,N为区域内电动汽车的总数量;σ为自定义的拥挤度因子;tk为临时变量,储存一次调度范围中心处的坐标;G(topt)为场景优化模型,由步骤4.1确定;G(tk)、G(t′c)为分别将步骤4.1G(topt)中的topt用tk、t‘c替代计算得到;RB代表随机行为。
将上述操作后的
赋值给t”
c,并对新的t”
c执行追尾行为REB,
其中,tbest表示一次调度范围内优化目标minG(topt)最优的解,G(topt)为场景优化模型,由步骤4.1确定;G(tbest)、G(t″c)为分别将步骤4.1G(topt)中的topt用tbest、t”c替代,计算得到;FB代表觅食行为。
经过上述步骤得到优化后的充电时段
即为本发明中电动汽车有序充电控制方法得到的有序充电时段,该有序充电时段所实现的模型优化目标存储在min G(t
opt)中。
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。