CN112550050A - 一种电动汽车充电方法和*** - Google Patents

Abstract

本发明提供一种电动汽车充电方法和***，其中该方法包括：获取电动汽车在当前出行链中所处节点位置信息和当前时刻的第一荷电状态信息；根据第一荷电状态信息和当前所处节点位置信息确定电动汽车在出行链中每一其他节点的可能决策行为；获取充电桩当前时刻的第二荷电状态信息，根据第二荷电状态信息和可能决策行为确定充电桩的荷电状态转移概率；根据充电桩的荷电状态转移概率基于配电网总负荷曲线峰谷差最小确定电动汽车的最优决策行为，根据所述最优决策行为控制电动汽车充电。该方法能够优化配电网负荷曲线。

Description

一种电动汽车充电方法和***

技术领域

本发明涉及充电技术领域，尤其涉及一种电动汽车充电方法和***。

背景技术

电动汽车(electric vehicle，EV)是一种零排放或低排放的绿色交通工具，其大规模的推广能够有效缓解当今能源危机、环境污染等日益严峻的社会问题，因此受到社会各界的广泛关注。电动汽车与电网互动(Vehicle to Grid，V2G)指通过合理的策略和先进的通讯手段对电动汽车的充放电行为进行优化管理。

现有技术中关于电动汽车充放电行为的研究，大多在假定充电时段和充电方式的基础之上进行的，忽视了电动汽车荷电状态在时空上的随机性，而且较少考虑电动汽车用户与节点充电桩的影响，忽视了电动汽车荷电状态在时空上的随机性，而且较少考虑电动汽车用户与节点充电桩的互相影响。

发明内容

本发明所要解决的技术问题在于，提供一种电动汽车的充电方法和***，以解决现有技术中电动汽车充放电研究没有考虑电动汽车用户与节点充电桩的影响的缺陷。

为了解决上述技术问题，本发明一方面提供一种电动汽车的充电方法，包括如下步骤：

获取电动汽车在当前出行链中所处节点位置信息和当前时刻的第一荷电状态信息；

根据所述第一荷电状态信息和当前所处节点位置信息确定电动汽车在出行链中每一其他节点的可能决策行为；

获取充电桩当前时刻的第二荷电状态信息，根据所述第二荷电状态信息和所述可能决策行为确定所述充电桩的荷电状态转移概率；

根据所述充电桩的荷电状态转移概率基于配电网总负荷曲线峰谷差最小确定电动汽车的最优决策行为，根据所述最优决策行为控制电动汽车充电。

在一具体实施方式中，所述方法还包括：

获取电动汽车充电电量的概率密度函数和充电时间概率密度函数；

根据所述充电电量的概率密度函数和充电时间概率密度函数通过蒙特卡洛模拟获得电动汽车所需的计划充电电量；

根据电动汽车的电池容量和所述计划充电电量确定所述电动汽车当前时刻的第一荷电状态信息。

在一具体实施方式中，所述根据所述第一荷电状态信息和当前所处节点位置信息确定电动汽车在所述出行链中其他节点的可能决策行为具体包括：

分别计算所述电动汽车从当前节点位置至每一其他节点位置之间的距离，根据所述距离计算所述电动汽车从当前节点位置行驶至所述每一其他节点的电量损耗值和行驶时间；

根据所述第一荷电状态信息、所述每一其他节点对应的电量损耗值和计划行驶时间判断所述电动汽车是否能在所述每一其他节点充电，若是，则所述电动汽车在所述每一其他节点的决策行为包括充电行为，否则，电动汽车在所述每一其他节点的决策行为不包括充电行为。

在一具体实施方式中，所述根据所述第一荷电状态信息、所述每一其他节点对应的电量损耗值和行驶时间判断所述电动汽车是否能在所述每一其他节点充电具体包括：

根据所述第一荷电状态信息和每一其他节点对应的电量损耗值确定所述电动汽车是否满足在每一其他节点充电的电量要求；

根据所述行驶时间计算所述电动汽车在每一其他节点的停留时间，根据所述停留时间和所述计划充电时间判断电动汽车是否满足充电时间要求；对于每一其他节点，若电动汽车满足充电电量要求和充电时间要求，则确定所述电动汽车在该节点能充电，否则不能充电。

在一具体实施方式中，所述根据所述第一荷电状态信息和每一其他节点对应的电量损耗值确定所述电动汽车是否满足在每一其他节点充电的电量要求具体包括：

计算所述第一荷电状态信息与电池最低电量阈值之间的差值，判断所述差值是否大于对应的电量损耗值，若是，则所述电动汽车满足充电电量要求，否则所述电动汽车不满足充电电量要求。

在一具体实施方式中，所述根据所述停留时间和所述计划充电时间判断电动汽车是否满足充电时间要求具体包括：

判断所述停留时间是否大于所述计划充电时间，若是，则所述电动汽车满足充电时间要求，否则，所述电动汽车不满足充电时间要求。

在一具体实施方式中，所述根据所述第二荷电状态信息和所述可能决策行为确定所述充电桩的荷电状态转移概率具体包括：

根据所述第二荷电状态信息和所述可能决策行为确定充电桩在下一时刻的第三荷电状态信息；

根据所述第二荷电状态信息和所述第三荷电状态信息计算所述充电桩的荷电状态转移概率。

在一具体实施方式中，

所述根据所述充电桩的荷电状态转移概率基于配电网总负荷曲线峰谷差最小确定电动汽车的最优决策行为，根据所述最优决策行为控制电动汽车充电具体包括，

采用遗传算法求解目标函数获得充电桩的的状态转移概率，其中所述目标函数为：

minL_dif＝min{maxL_new,t-minL_new,t}

其中，L_dif为计及电动汽车充电负荷的配电网负荷曲线的峰谷差；L_t为时刻t的配电网原始负荷；R_i,i+1为充电桩的荷电状态转移概率；Q_i+1为第三荷电状态信息；Q_i为第二荷电状态信息；n为充电桩节点总数；t_c为电动汽车的充电时长；U_k为第k辆电动汽车的电池容量；

根据充电桩的状态转移概率确定节点充电桩的决策行为，根据节点充电桩的决策行为确定电动汽车在所述节点的决策行为。

本发明还提供一种电动汽车充电***，包括：

第一获取单元，用于获取电动汽车在当前出行链中所处节点位置信息和当前时刻的第一荷电状态信息；

可能决策行为确定单元，用于根据所述第一荷电状态信息和当前所处节点位置信息确定电动汽车在出行链中每一其他节点的可能决策行为；

荷电状态转移概率确定单元，用于获取充电桩当前时刻的第二荷电状态信息，根据所述第二荷电状态信息和所述可能决策行为确定所述充电桩的荷电状态转移概率；

最优决策行为确定单元，用于根据所述充电桩的荷电状态转移概率基于配电网总负荷曲线峰谷差最小确定电动汽车的最优决策行为，根据所述最优决策行为控制电动汽车充电。

在一具体实施方式中，所述可能决策行为确定单元具体用于：

分别计算所述电动汽车从当前节点位置至每一其他节点位置之间的距离，根据所述距离计算所述电动汽车从当前节点位置行驶至所述每一其他节点的电量损耗值和行驶时间；

根据所述第一荷电状态信息、所述每一其他节点对应的电量损耗值和计划行驶时间判断所述电动汽车是否能在所述每一其他节点充电，若是，则所述电动汽车在所述每一其他节点的决策行为包括充电行为，否则，电动汽车在所述每一其他节点的决策行为不包括充电行为。

本发明实施例的有益效果在于：本发明的充电方法，通过获取电动汽车的第一荷电状态信息以及电动汽车在出行链中的节点位置信息，根据第一荷电状态信息确定电动汽车在其他每一节点的可能决策行为，获取充电桩的第二荷电状态信息，根据第二荷电状态信息和电动汽车的可能决策行为确定充电桩的荷电状态转移概率，根据所述充电桩的荷电状态转移概率基于配电网总负荷曲线峰谷差最小确定电动汽车的最优决策行为，根据所述最优决策行为控制电动汽车充电。本发明的方法考虑了电动汽车充放电与节点充电桩的影响，使得电动汽车的充放电能够优化配电网负荷曲线。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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本发明的一些实施例，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，还可以根据这些附图获得其他的附图。

图1是本发明实施例一种电动汽车充电方法的流程示意图。

具体实施方式

以下各实施例的说明是参考附图，用以示例本发明可以用以实施的特定实施例。

以下参照图1所示，本发明实施例一提供一种基于电动汽车充电方法，包括如下步骤：

S1、获取电动汽车在当前出行链中所处节点位置信息和当前时刻的第一荷电状态信息。

根据分析可知，电动汽车的充电电量符合正态分布，其概率密度函数为：

其中，Q为电动汽车充电电量；μ_Q为充电电量期望值；σ_Q为其标准差。

根据分析可知，电动汽车的充电时间符合对数正态分布，其概率密度函数为：

其中，T为电动汽车充电时间；μ_T为充电时间自然对数的期望值；σ_T为其标准差。

基于电动汽车行驶特性分析所获得的特征量概率密度函数，通过蒙特卡洛模拟仿真得到电动汽车所需的计划充电电量和计划充电时间。具体地，可以在matlab中利用normrnd函数产生符合正态分布的电动汽车所需计划充电电量和计划充电时间。利用电动汽车的电池容量减去计划充电电量可计算得到电动汽车的第一荷电状态信息。

具体地，计划充电时间为用户选择在刚到达目的地时开始充电，直至充满为止，则在i处的计划充电时间为：

其中，η为充电效率；P_C,i为在i处的充电功率，E_h为电池容量，R_SOC,i为第一荷电状态信息，i为电动汽车当前所处位置节点，R_soc,0为电动汽车充满电时的荷电状态信息。

S2、根据所述第一荷电状态信息和当前所处节点位置信息确定电动汽车在所述出行链中其他节点的可能决策行为。

具体地，可通过判断电动汽车在某一节点是否同时满足充电电量要求和充电时间要求来判断电动汽车是否能在某一节点充电。

在一具体实施方式中，判断电动汽车在某一节点是否满足充电电量要求具体包括：计算第一荷电信息与电池最低电量阈值之间的差值，判断所述差值是否大于对应的电量损耗值，若是，则所述电动汽车满足充电电量要求，否则所述电动汽车不满足充电电量要求。

对于电动汽车而言，若其满足在当前段行驶里程中的最后一个位置点都能满足充电电量要求，则在最后一个位置点之前的位置点都满足充电电量要求，因而，采用从当前段行驶里程中的最后一点位置点往前的方式判断是否满足充电电量要求的条件。假设电动汽车当前所处位置节点为当前段行驶里程中的第i个节点，当前段行驶里程中的最后一个节点为n，对于最后一个节点n，若第一荷电状态信息满足下式，则说明电动汽车在最后一个节点满足充电点量要求。

式中：R_SOC,i为第一荷电状态信息，i为电动汽车当前所处位置节点，ξ为最低电量阈值；E_h为电池容量；ω_i,i+1为从i处到i+1处的单位距离耗电量；l_i,i+1为从i处到i+1处行驶里程。若第一荷电状态信息不满足下式，则判断出行链中当前段行驶里程中的最后一个节点前的一个节点是否满足充电电量的要求，直至完成当前段行驶里程中的所有节点的判断或确定电动汽车的必须在某一节点必须得进行充电。

起始充电时刻t_start,i为

t_start,i＝t_i-1+Δt_i,i-1 i＝1,2,…,n

式中：t_i为随机抽取从i处出发前往下一目的地的起始时刻；Δt_i,i-1为从i-1处行驶到i处的时间。

停留时间Δt_i为

Δt_i＝t_i-t_start,i＝t_i-(t_i-1+Δt_i,i-1) i＝1,2,…,n

同时必须考虑停留时间约束，即用户的停留时间不得小于其计划充电时间，否则用户重新选择满足约束的停留点进行充电，停留时间约束为：

T_C,i≤Δt_i

对于任意节点，若其满足充电电量要求和充电时间要求，则在该任意节点处的电动汽车的决策行为包括充电，否则，电动汽车在该任意节点处的决策行为不包括充电。

需要说明的是，在每一节点处，电动汽车的决策行为分为充电(包括快充和慢充)、行驶和不充电也不行驶。电动汽车的荷电状态转移概率E_ij与当前时刻的荷电状态及当前时刻到下一时刻时间段内电动汽车所采取的决策行为a_i有关。如a_i＝-1表示电动汽车行驶；a_i＝1++表示其进行快充；a_i＝1+表示其进行慢充；a_i＝0表示其既不充电也不行驶。

已知当前时刻电动汽车的第一荷电状态信息SOC及从当前时刻开始一段时间内所采取的决策行为，则可计算出下一时刻电动汽车的荷电状态信息SOC值，为：

①当a_i＝1+或a_i＝1++时，电动汽车进行充电，则

②当a_i＝0时，电动汽车既不充电也不放电，则S_i+1＝S_i；

③当a_i＝-1时，电动汽车行驶，则

其中，SOC_i为当前时刻电动汽车的荷电状态信息，SOC_i+1为下一时刻电动汽车的荷电状态信息，Pc为电动汽车的充电功率，t_c为电动汽车的充电时长，U_k为第k辆电动汽车的电池容量，W_d为电动汽车行驶单位距离的耗电量，l_d为电动汽车从当前时刻到下一时刻行驶的距离。

S3、获取充电桩当前时刻的第二荷电状态信息，根据所述第二荷电状态信息和所述可能决策行为确定所述充电桩的荷电状态转移概率。

假设每个充电桩最多只能接入1辆电动汽车，根据电动汽车的决策行为，则节点的行为主要分为4种：b_i＝1+表示该节点存在电动汽车慢充；b_i＝1++表示该节点存在电动汽车快充；b_i＝0表示该节点存在电动汽车但不充电；b_i＝-1表示该节点不存在电动汽车。

需要说明的是，充电桩的决策行为为被动决策行为，即充电桩的决策行为是由电动汽车的决策行为决定的，当该节点充电桩具有电动汽车充电，即电动汽车在节点充电桩处的决策行为为充电时，则充电桩对应的决策行为为b_i＝1+或者b_i＝1++，当电动汽车在节点充电桩处的决策行为为不充电时，则充电桩对应的决策行为为b_i＝-1或者b_i＝0。

已知充电桩当前时刻的第二荷电状态信息以及当前时刻到下一时刻时间段内的行为，则可计算出其下一时刻的荷电状态信息为：

①当b_i＝1+或b_i＝1++时，节点充电桩释放电量，则

②当b_i＝-1或b_i＝0时，节点充电桩不释放电量，则Q_i+1＝Q_i；

式中：P_c为充电桩的充电功率；t_c为其充电时长；U_k为第k辆电动汽车的电池容量，Q_i为第二荷电状态信息；Q_i+1为第三荷电状态信息。综上所述，有

节点充电桩的荷电状态转移概率为相邻时刻荷电状态转移事件发生的条件概率，

即R_i,i+1＝P(Q_i→Q_i+1)＝P(Q_i|Q_i+1)

式中，R_i,i+1为充电桩的荷电状态转移概率；Q_i为其当前时刻的第二荷电状态信息；Q_i+1为其下一时刻的荷电状态信息，即第三荷电状态信息。

S4、根据所述充电桩的荷电状态转移概率基于配电网总负荷曲线峰谷差最小确定电动汽车的最优决策行为，根据所述最优决策行为控制电动汽车的充电。

获得了节点充电桩的荷电状态转移概率R_i,i+1后，以峰谷差最小化为目标对其进行调整，使叠加上充电桩荷电状态转移概率与充电量加权和的配电网负荷曲线更加平缓。设充电桩荷电状态转移概率的调整量即决策变量为ΔR_i,i+1，则优化峰谷差的目标函数为：

minL_dif＝min{maxL_new,t-minL_new,t}

其中，L_dif为计及电动汽车充电负荷的配电网负荷曲线的峰谷差；L_t为时刻t的配电网原始负荷；R_i,i+1为充电桩的荷电状态转移概率；Q_i+1为第三荷电状态信息；Q_i为第二荷电状态信息；n为充电桩节点总数；t_c为电动汽车的充电时长；U_k为第k辆电动汽车的电池容量。

通过遗传算法进行优化求解，可得到调整后的充电桩荷电状态转移概率(R_i,i+1+ΔR_i,i+1)，以及优化后的负荷曲线。根据新的充电桩荷电状态转移概率，可求出每种概率下充电桩的决策行为b_i。由于充电桩的决策行为是依托于电动汽车的决策行为而决定的，所以可反过来求出此时电动汽车的决策行为a_i。

本发明实施例的电动汽车充电方法，通过获取电动汽车的第一荷电状态信息以及电动汽车在出行链中的节点位置信息，根据第一荷电状态信息确定电动汽车在其他每一节点的可能决策行为，获取充电桩的第二荷电状态信息，根据第二荷电状态信息和电动汽车的可能决策行为确定充电桩的荷电状态转移概率，根据所述充电桩的荷电状态转移概率基于配电网总负荷曲线峰谷差最小确定电动汽车的最优决策行为，根据所述最优决策行为控制电动汽车充电。本发明的方法考虑了电动汽车充放电与节点充电桩的影响，使得电动汽车的充放电能够优化配电网负荷曲线。

基于本发明实施例一，本发明实施例二提供一种电动汽车充电***，包括第一获取单元，用于获取电动汽车在当前出行链中所处节点位置信息和当前时刻的第一荷电状态信息；可能决策行为确定单元，用于根据所述第一荷电状态信息和当前所处节点位置信息确定电动汽车在出行链中每一其他节点的可能决策行为；荷电状态转移概率确定单元，用于获取充电桩当前时刻的第二荷电状态信息，根据所述第二荷电状态信息和所述可能决策行为确定所述充电桩的荷电状态转移概率；最优决策行为确定单元，用于根据所述充电桩的荷电状态转移概率基于配电网总负荷曲线峰谷差最小确定电动汽车的最优决策行为，根据所述最优决策行为控制电动汽车充电。

具体地，所述可能决策行为确定单元具体用于分别计算所述电动汽车从当前节点位置至每一其他节点位置之间的距离，根据所述距离计算所述电动汽车从当前节点位置行驶至所述每一其他节点的电量损耗值和行驶时间，根据所述第一荷电状态信息、所述每一其他节点对应的电量损耗值和计划行驶时间判断所述电动汽车是否能在所述每一其他节点充电，若是，则所述电动汽车在所述每一其他节点的决策行为包括充电行为，否则，电动汽车在所述每一其他节点的决策行为不包括充电行为。

有关本实施例的工作原理以及所带来的有益效果请参照本发明实施例一的说明，此处不再赘述。

以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

Claims (10)

1.一种电动汽车充电方法，其特征在于，包括：

获取电动汽车在当前出行链中所处节点位置信息和当前时刻的第一荷电状态信息；

根据所述第一荷电状态信息和当前所处节点位置信息确定电动汽车在出行链中每一其他节点的可能决策行为；

获取充电桩当前时刻的第二荷电状态信息，根据所述第二荷电状态信息和所述可能决策行为确定所述充电桩的荷电状态转移概率；

根据所述充电桩的荷电状态转移概率基于配电网总负荷曲线峰谷差最小确定电动汽车的最优决策行为，根据所述最优决策行为控制电动汽车充电。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

获取电动汽车充电电量的概率密度函数和充电时间的概率密度函数；

根据所述充电电量的概率密度函数和充电时间的概率密度函数，通过蒙特卡洛模拟获得电动汽车所需的计划充电电量；

根据电动汽车的电池容量和所述计划充电电量确定所述电动汽车当前时刻的第一荷电状态信息。

3.根据权利要求2所述的方法，其特征在于，所述根据所述第一荷电状态信息和当前所处节点位置信息确定电动汽车在所述出行链中其他节点的可能决策行为具体包括：

分别计算所述电动汽车从当前节点位置至每一其他节点位置之间的距离，根据所述距离计算所述电动汽车从当前节点位置行驶至所述每一其他节点的电量损耗值和行驶时间；

根据所述第一荷电状态信息、所述每一其他节点对应的电量损耗值和计划行驶时间判断所述电动汽车是否能在所述每一其他节点充电，若是，则所述电动汽车在所述每一其他节点的决策行为包括充电行为，否则，电动汽车在所述每一其他节点的决策行为不包括充电行为。

4.根据权利要求3所述的方法，其特征在于，所述根据所述第一荷电状态信息、所述每一其他节点对应的电量损耗值和行驶时间判断所述电动汽车是否能在所述每一其他节点充电具体包括：

根据所述第一荷电状态信息和每一其他节点对应的电量损耗值确定所述电动汽车是否满足在每一其他节点充电的电量要求；

根据所述行驶时间计算所述电动汽车在每一其他节点的停留时间，根据所述停留时间和所述计划充电时间判断电动汽车是否满足充电时间要求；对于每一其他节点，若电动汽车满足充电电量要求和充电时间要求，则确定所述电动汽车在该节点能充电，否则不能充电。

5.根据权利要求4所述的方法，其特征在于，所述根据所述第一荷电状态信息和每一其他节点对应的电量损耗值确定所述电动汽车是否满足在每一其他节点充电的电量要求具体包括：

计算所述第一荷电状态信息与电池最低电量阈值之间的差值，判断所述差值是否大于对应的电量损耗值，若是，则所述电动汽车满足充电电量要求，否则所述电动汽车不满足充电电量要求。

6.根据权利要求4所述的方法，其特征在于，所述根据所述停留时间和所述计划充电时间判断电动汽车是否满足充电时间要求具体包括：

判断所述停留时间是否大于所述计划充电时间，若是，则所述电动汽车满足充电时间要求，否则，所述电动汽车不满足充电时间要求。

7.根据权利要求1-6任一项所述的方法，其特征在于，所述根据所述第二荷电状态信息和所述可能决策行为确定所述充电桩的荷电状态转移概率具体包括：

根据所述第二荷电状态信息和所述可能决策行为确定充电桩在下一时刻的第三荷电状态信息；

根据所述第二荷电状态信息和所述第三荷电状态信息计算所述充电桩的荷电状态转移概率。

8.根据权利要求7所述的方法，其特征在于，所述根据所述充电桩的荷电状态转移概率基于配电网总负荷曲线峰谷差最小确定电动汽车的最优决策行为，根据所述最优决策行为控制电动汽车充电具体包括，

采用遗传算法求解目标函数获得充电桩的的状态转移概率，其中所述目标函数为：

min L_dif＝min{max L_new,t-min L_new,t}

其中，L_dif为计及电动汽车充电负荷的配电网负荷曲线的峰谷差；L_t为时刻t的配电网原始负荷；R_i,i+1为充电桩的荷电状态转移概率；Q_i+1为第三荷电状态信息；Q_i为第二荷电状态信息；n为充电桩节点总数；t_c为电动汽车的充电时长；U_k为第k辆电动汽车的电池容量；

根据充电桩的状态转移概率确定节点充电桩的决策行为，根据节点充电桩的决策行为确定电动汽车在所述节点的决策行为。

9.一种电动汽车充电***，其特征在于，包括：

第一获取单元，用于获取电动汽车在当前出行链中所处节点位置信息和当前时刻的第一荷电状态信息；

可能决策行为确定单元，用于根据所述第一荷电状态信息和当前所处节点位置信息确定电动汽车在出行链中每一其他节点的可能决策行为；

荷电状态转移概率确定单元，用于获取充电桩当前时刻的第二荷电状态信息，根据所述第二荷电状态信息和所述可能决策行为确定所述充电桩的荷电状态转移概率；

最优决策行为确定单元，用于根据所述充电桩的荷电状态转移概率基于配电网总负荷曲线峰谷差最小确定电动汽车的最优决策行为，根据所述最优决策行为控制电动汽车充电。

10.根据权利要求9所述的电动汽车充电***，其特征在于，所述可能决策行为确定单元具体用于：

分别计算所述电动汽车从当前节点位置至每一其他节点位置之间的距离，根据所述距离计算所述电动汽车从当前节点位置行驶至所述每一其他节点的电量损耗值和行驶时间；

根据所述第一荷电状态信息、所述每一其他节点对应的电量损耗值和计划行驶时间判断所述电动汽车是否能在所述每一其他节点充电，若是，则所述电动汽车在所述每一其他节点的决策行为包括充电行为，否则，电动汽车在所述每一其他节点的决策行为不包括充电行为。

Images