CN112356724A - 一种基于人工鱼群算法的电动汽车有序充电控制方法 - Google Patents

一种基于人工鱼群算法的电动汽车有序充电控制方法 Download PDF

Info

Publication number
CN112356724A
CN112356724A CN202011107452.1A CN202011107452A CN112356724A CN 112356724 A CN112356724 A CN 112356724A CN 202011107452 A CN202011107452 A CN 202011107452A CN 112356724 A CN112356724 A CN 112356724A
Authority
CN
China
Prior art keywords
charging
time
opt
representing
electric vehicle
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
CN202011107452.1A
Other languages
English (en)
Other versions
CN112356724B (zh
Inventor
汪天允
张�浩
赵翔
周斌
张建伟
董自波
郭云翔
王玲
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.)
NARI Group Corp
State Grid Beijing Electric Power Co Ltd
Nari Technology Co Ltd
NARI Nanjing Control System Co Ltd
Original Assignee
NARI Group Corp
Nari Technology Co Ltd
NARI Nanjing Control System Co Ltd
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 NARI Group Corp, Nari Technology Co Ltd, NARI Nanjing Control System Co Ltd filed Critical NARI Group Corp
Priority to CN202011107452.1A priority Critical patent/CN112356724B/zh
Publication of CN112356724A publication Critical patent/CN112356724A/zh
Application granted granted Critical
Publication of CN112356724B publication Critical patent/CN112356724B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/60—Monitoring or controlling charging stations
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/60—Monitoring or controlling charging stations
    • B60L53/63—Monitoring or controlling charging stations in response to network capacity
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/60—Monitoring or controlling charging stations
    • B60L53/64—Optimising energy costs, e.g. responding to electricity rates
    • 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
    • H02J3/28—Arrangements for balancing of the load in a network by storage of energy
    • H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
    • H02J3/322—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means the battery being on-board an electric or hybrid vehicle, e.g. vehicle to grid arrangements [V2G], power aggregation, use of the battery for network load balancing, coordinated or cooperative battery charging
    • 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
    • H02J2310/00—The network for supplying or distributing electric power characterised by its spatial reach or by the load
    • H02J2310/40—The network being an on-board power network, i.e. within a vehicle
    • H02J2310/48—The network being an on-board power network, i.e. within a vehicle for 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)

Abstract

本发明公开了一种基于人工鱼群算法的电动汽车有序充电控制方法，构建场景优化模型G(topt)，G(topt)公式如下：
Figure DDA0002725797840000011
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；以minG(topt)作为场景优化模型的优化目标，求解出优化后的充电时段topt的最优解tbest，结合充电时段tc利用人工鱼群算法进行优化，得到最终的充电时段
Figure DDA0002725797840000012
按照最终的充电时段
Figure DDA0002725797840000013
安排电动汽车有序充电。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。

Description

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：
Figure BDA0002725797820000011
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(topt)作为场景优化模型的优化目标，求解出优化后的充电时段topt的最优解tbest，结合充电时段tc利用人工鱼群算法进行优化，得到最终的充电时段
Figure BDA0002725797820000021
步骤3：按照最终的充电时段
Figure BDA0002725797820000022
安排电动汽车有序充电。
作为优选方案，所述充电时段tc计算公式如下：
Figure BDA0002725797820000023
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：
Figure BDA0002725797820000024
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
Figure BDA0002725797820000025
Figure BDA0002725797820000026
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：
Figure BDA0002725797820000027
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
Figure BDA0002725797820000031
Figure BDA0002725797820000032
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tc执行随机行为RB，得到初始的
Figure BDA0002725797820000033
RB计算公式如下：
Figure BDA0002725797820000034
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
Figure BDA0002725797820000035
执行觅食行为FB，得到
Figure BDA0002725797820000036
FB计算公式如下：
Figure BDA0002725797820000037
G(tc)、
Figure BDA0002725797820000038
为G(topt)中的topt用tc、
Figure BDA0002725797820000039
替代计算得到；
2.3将上述操作后的
Figure BDA00027257978200000310
赋值给t’c，并对新的t’c执行聚群行为SB，得到
Figure BDA00027257978200000311
SB计算公式如下：
Figure BDA00027257978200000312
Figure BDA00027257978200000313
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
Figure BDA0002725797820000041
赋值给t”c，并对新的t”c执行追尾行为REB，得到
Figure BDA0002725797820000042
REB计算公式如下：
Figure BDA0002725797820000043
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：
Figure BDA0002725797820000044
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：
Figure BDA0002725797820000045
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：
Figure BDA0002725797820000046
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：
Figure BDA0002725797820000051
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：
Figure BDA0002725797820000052
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
Figure BDA0002725797820000061
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
Figure BDA0002725797820000062
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
Figure BDA0002725797820000063
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)。
Figure BDA0002725797820000064
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
Figure BDA0002725797820000071
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。
Figure BDA0002725797820000072
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。
Figure BDA0002725797820000073
Figure BDA0002725797820000074
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。
Figure BDA0002725797820000081
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
Figure BDA0002725797820000082
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
Figure BDA0002725797820000083
Figure BDA0002725797820000084
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
Figure BDA0002725797820000085
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tc执行随机行为RB，得到初始的
Figure BDA0002725797820000091
RB表达式为，
Figure BDA0002725797820000092
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；
将上述操作后的
Figure BDA0002725797820000093
执行觅食行为FB，
Figure BDA0002725797820000094
G(topt)为场景优化模型，由步骤4.1确定；G(tc)、
Figure BDA0002725797820000095
为将步骤4.1G(topt)中的topt用tc、
Figure BDA0002725797820000096
替代计算得到。
将上述操作后的
Figure BDA0002725797820000097
赋值给t’c，并对新的t’c执行聚群行为SB，
Figure BDA0002725797820000098
Figure BDA0002725797820000099
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
Figure BDA0002725797820000101
赋值给t”c，并对新的t”c执行追尾行为REB，
Figure BDA0002725797820000102
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
Figure BDA0002725797820000103
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(topt)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。

Claims (10)

1.一种基于人工鱼群算法的电动汽车有序充电控制方法，其特征在于：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：
Figure FDA0002725797810000011
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(topt)作为场景优化模型的优化目标，求解出优化后的充电时段topt的最优解tbest，结合充电时段tc利用人工鱼群算法进行优化，得到最终的充电时段
Figure FDA0002725797810000012
步骤3：按照最终的充电时段
Figure FDA0002725797810000013
安排电动汽车有序充电。
2.根据权利要求1所述的一种基于人工鱼群算法的电动汽车有序充电控制方法，其特征在于：所述充电时段tc计算公式如下：
Figure FDA0002725797810000014
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。
3.根据权利要求1所述的一种基于人工鱼群算法的电动汽车有序充电控制方法，其特征在于：所述无序充电时的用户充电费用F1计算公式如下：
Figure FDA0002725797810000015
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
Figure FDA0002725797810000021
Figure FDA0002725797810000022
其中，It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：
Figure FDA0002725797810000023
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
Figure FDA0002725797810000024
Figure FDA0002725797810000025
其中，It代表t时刻的居民基础负荷。
4.根据权利要求1所述的一种基于人工鱼群算法的电动汽车有序充电控制方法，其特征在于：人工鱼群算法进行优化具体步骤如下：
2.1对tc执行随机行为RB，得到初始的
Figure FDA0002725797810000026
RB计算公式如下：
Figure FDA0002725797810000027
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
Figure FDA0002725797810000028
执行觅食行为FB，得到
Figure FDA0002725797810000029
FB计算公式如下：
Figure FDA0002725797810000031
G(tc)、
Figure FDA0002725797810000032
为G(topt)中的topt用tc、
Figure FDA0002725797810000033
替代计算得到；
2.3将上述操作后的
Figure FDA0002725797810000034
赋值给t′c，并对新的t′c执行聚群行为SB，得到
Figure FDA0002725797810000035
SB计算公式如下：
Figure FDA0002725797810000036
Figure FDA0002725797810000037
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
Figure FDA0002725797810000038
赋值给t″c，并对新的t″c执行追尾行为REB，得到
Figure FDA0002725797810000039
REB计算公式如下：
Figure FDA00027257978100000310
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。
5.根据权利要求3所述的一种基于人工鱼群算法的电动汽车有序充电控制方法，其特征在于：Pev·tc的约束条件如下：
Figure FDA0002725797810000041
其中，It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。
6.根据权利要求1所述的一种基于人工鱼群算法的电动汽车有序充电控制方法，其特征在于：所述tstart的计算公式如下：
Figure FDA0002725797810000042
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。
7.根据权利要求1所述的一种基于人工鱼群算法的电动汽车有序充电控制方法，其特征在于：所述tback的计算公式如下：
Figure FDA0002725797810000043
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。
8.根据权利要求1所述的一种基于人工鱼群算法的电动汽车有序充电控制方法，其特征在于：所述Tcharge的计算公式如下：
Figure FDA0002725797810000044
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。
9.根据权利要求1所述的一种基于人工鱼群算法的电动汽车有序充电控制方法，其特征在于：所述Tcharge的约束条件如下：
Figure FDA0002725797810000045
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。
10.根据权利要求1所述的一种基于人工鱼群算法的电动汽车有序充电控制方法，其特征在于：λ1+λ2＝1。
CN202011107452.1A 2020-10-15 2020-10-15 一种基于人工鱼群算法的电动汽车有序充电控制方法 Active CN112356724B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011107452.1A CN112356724B (zh) 2020-10-15 2020-10-15 一种基于人工鱼群算法的电动汽车有序充电控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011107452.1A CN112356724B (zh) 2020-10-15 2020-10-15 一种基于人工鱼群算法的电动汽车有序充电控制方法

Publications (2)

Publication Number Publication Date
CN112356724A true CN112356724A (zh) 2021-02-12
CN112356724B CN112356724B (zh) 2022-07-01

Family

ID=74508174

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011107452.1A Active CN112356724B (zh) 2020-10-15 2020-10-15 一种基于人工鱼群算法的电动汽车有序充电控制方法

Country Status (1)

Country Link
CN (1) CN112356724B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113256444A (zh) * 2021-04-30 2021-08-13 北京中电飞华通信有限公司 一种低压台区户变关系辨识方法和装置
CN115402141A (zh) * 2022-11-02 2022-11-29 国网浙江省电力有限公司金华供电公司 基于负荷跟从的电动汽车柔性充电控制方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140124974A (ko) * 2013-04-17 2014-10-28 주식회사 케이티 Ｖ２ｇ 환경에서 전기차의 배터리 충방전 제어 시스템 및 전력거래를 위한 전기차의 배터리 충방전 최적 효율 제어 방법
CN105162151A (zh) * 2015-10-22 2015-12-16 国家电网公司 一种基于人工鱼群算法的智能化储能***并网实时控制方法
CN107745650A (zh) * 2017-10-26 2018-03-02 电子科技大学 一种基于峰谷分时电价的电动汽车有序充电控制方法
CN108390421A (zh) * 2018-01-19 2018-08-10 上海电力学院 计及用户满意度的电动汽车双尺度充电引导方法及***
CN109299817A (zh) * 2018-09-04 2019-02-01 东北电力大学 兼顾车主响应与电网成本的电动汽车充放电价优化方法
CN109886501A (zh) * 2019-03-06 2019-06-14 昆明理工大学 一种电动汽车充放电多目标优化方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140124974A (ko) * 2013-04-17 2014-10-28 주식회사 케이티 Ｖ２ｇ 환경에서 전기차의 배터리 충방전 제어 시스템 및 전력거래를 위한 전기차의 배터리 충방전 최적 효율 제어 방법
CN105162151A (zh) * 2015-10-22 2015-12-16 国家电网公司 一种基于人工鱼群算法的智能化储能***并网实时控制方法
CN107745650A (zh) * 2017-10-26 2018-03-02 电子科技大学 一种基于峰谷分时电价的电动汽车有序充电控制方法
CN108390421A (zh) * 2018-01-19 2018-08-10 上海电力学院 计及用户满意度的电动汽车双尺度充电引导方法及***
CN109299817A (zh) * 2018-09-04 2019-02-01 东北电力大学 兼顾车主响应与电网成本的电动汽车充放电价优化方法
CN109886501A (zh) * 2019-03-06 2019-06-14 昆明理工大学 一种电动汽车充放电多目标优化方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113256444A (zh) * 2021-04-30 2021-08-13 北京中电飞华通信有限公司 一种低压台区户变关系辨识方法和装置
CN115402141A (zh) * 2022-11-02 2022-11-29 国网浙江省电力有限公司金华供电公司 基于负荷跟从的电动汽车柔性充电控制方法及装置

Also Published As

Publication number Publication date
CN112356724B (zh) 2022-07-01

Similar Documents

Publication Publication Date Title
CN103793758B (zh) 含光伏发电***的电动汽车充电站的多目标优化调度方法
CN111431198B (zh) 峰谷电价下考虑电动汽车v2g能力的配电网储能调峰方法
CN111626527B (zh) 计及可调度电动汽车快/慢充放电形式的智能电网深度学习调度方法
CN112356724B (zh) 一种基于人工鱼群算法的电动汽车有序充电控制方法
CN108493959B (zh) 基于Markov模型的电动汽车参与电网调频控制与分析方法
CN105024432A (zh) 一种基于虚拟电价的电动汽车充放电优化调度方法
CN107919675B (zh) 综合考虑车主和运营商利益的充电站负荷调度模型
CN112238781B (zh) 一种基于分层架构的电动汽车有序充电控制方法
CN109552079A (zh) 一种基于规则与Q-learning增强学习的电动汽车复合能量管理方法
CN103997091A (zh) 一种规模化电动汽车智能充电控制方法
CN111845453A (zh) 考虑柔性控制的电动汽车充电站双层优化充放电策略
CN111738518B (zh) 一种基于计及平均放电率的电动汽车充放电调度方法
CN104951614A (zh) 一种计及电动汽车充电可控性的机组组合模型及建模方法
CN115239032B (zh) 计及能源自洽率的高速公路服务区微电网规划方法及***
CN111934344A (zh) 一种基于动态规划的园区光伏与储能多目标优化调度方法
CN114274800A (zh) 一种营运电动汽车群体聚合充电行为预测方法及相关装置
CN110861508B (zh) 居民区直流充电机共享充电控制方法、***及存储介质
CN113067355A (zh) 提升电网可靠性的电动汽车灵活性挖掘与协同调控方法
CN110766240B (zh) 一种不同场景下的快速充电站分层储能配置方法
CN107154628B (zh) 电动汽车入网放电电价上限与入网功率关系计算方法
CN115099572B (zh) 一种充电站的电动汽车充电排队方法及装置
Verzijlbergh et al. The role of electric vehicles on a green island
CN116345476A (zh) 基于车-站-网信息交互的ev智能实时调度方法及***
CN114498635B (zh) 计及电动汽车充电优先级的配电网优化调度方法和***
CN115833199A (zh) 一种移动储能调度方法、***及存储介质

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
TA01 Transfer of patent application right

Effective date of registration: 20211213

Address after: 210000 19 Chengxin Avenue, Jiangning District, Nanjing, Jiangsu Province

Applicant after: NARI Group Corp.

Applicant after: NARI TECHNOLOGY Co.,Ltd.

Applicant after: NARI NANJING CONTROL SYSTEM Co.,Ltd.

Applicant after: STATE GRID BEIJING ELECTRIC POWER Co.

Address before: 210000 19 Chengxin Avenue, Jiangning District, Nanjing, Jiangsu Province

Applicant before: NARI Group Corp.

Applicant before: NARI TECHNOLOGY Co.,Ltd.

Applicant before: NARI NANJING CONTROL SYSTEM Co.,Ltd.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant