CN113715669A - 电动汽车有序充电控制方法、***、设备及可读存储介质 - Google Patents
电动汽车有序充电控制方法、***、设备及可读存储介质 Download PDFInfo
- Publication number
- CN113715669A CN113715669A CN202110853113.6A CN202110853113A CN113715669A CN 113715669 A CN113715669 A CN 113715669A CN 202110853113 A CN202110853113 A CN 202110853113A CN 113715669 A CN113715669 A CN 113715669A
- Authority
- CN
- China
- Prior art keywords
- charging
- charged
- electric
- electric vehicle
- electric automobile
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 238000009826 distribution Methods 0.000 claims abstract description 72
- 230000008859 change Effects 0.000 claims abstract description 27
- 238000004422 calculation algorithm Methods 0.000 claims description 35
- 239000002245 particle Substances 0.000 claims description 29
- 238000005457 optimization Methods 0.000 claims description 23
- 238000004364 calculation method Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 19
- 230000015654 memory Effects 0.000 claims description 10
- 230000001149 cognitive effect Effects 0.000 claims description 6
- 230000013016 learning Effects 0.000 claims description 6
- 230000009326 social learning Effects 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 8
- 230000008901 benefit Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000005611 electricity Effects 0.000 description 3
- 230000002411 adverse Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- B60L53/63—Monitoring or controlling charging stations in response to network capacity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/02—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries for charging batteries from ac mains by converters
- H02J7/04—Regulation of charging current or voltage
-
- 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
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
-
- 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
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/7072—Electromobility specific charging systems or methods for batteries, ultracapacitors, supercapacitors or double-layer capacitors
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明公开了电动汽车有序充电控制方法、***、设备及可读存储介质,获取台区内每个待充电电动汽车对应的停车时段和预期充电电量,以及台区负荷和台区负荷变化曲线;根据每个待充电电动汽车对应的预期充电电量确定该待充电电动汽车达到预期充电电量所需的充电时长;根据每个待充电电动汽车的停车时段、每个待充电电动汽车达到预期充电电量所需的充电时长、台区负荷和台区负荷变化曲线,利用电动汽车有序充电控制模型制定每个待充电电动汽车对应的充电时段分配计划。本发明能有效考虑电网安全和电动汽车用户参与有序充电的决策行为特性及其相互影响,以满足用户充电需求并提高电网性能、减小配电网络负荷峰谷差,保障配电网络安全和稳定地运行。
Description
技术领域
本发明属于电动汽车充电技术领域,具体涉及电动汽车有序充电控制方法、***、设备及可读存储介质。
背景技术
随着推行绿色和低碳经济的推广,越来越多的人将会选择电动汽车,但大规模的电动汽车就像一个个小型的电容或者电源,将不断的与电网进行能量交换。目前,电动汽车充电方式基本采用即插即充方式,并且在时间和空间上具有随机性和相似性,没有考虑对电网的影响,可能产生“峰上加峰”的情况,这必然会加重配电网负担。
相关技术中,多以改善电动汽车充电对配电网的不良影响为目标,而没有针对用户侧建立优化目标函数,用户没有主动性。大部分都是针对单个充电用户个体展开研究,没有考虑到电动汽车与配电网之间存在着一定的联系,随着电动汽车的普及,单个台区会出现众多电动汽车集中充电场景,现有的有序充电控制策略就很难起到效果。所以如何对电动汽车进行有序充电控制,对保障电动汽车电能供给和电网运行安全,提升电网设备利用率,给用户带来利益有重要的现实意义。
发明内容
针对现有技术中存在的问题,本发明提供了电动汽车有序充电控制方法、***、设备及可读存储介质,能有效考虑电网安全和电动汽车用户参与有序充电的决策行为特性及其相互影响,以满足用户充电需求并提高电网性能、减小配电网络负荷峰谷差,保障配电网络安全和稳定地运行。
为了解决上述技术问题,本发明通过以下技术方案予以实现:
一种电动汽车有序充电控制方法,包括:
获取台区内每个待充电电动汽车对应的停车时段和预期充电电量,以及台区负荷和台区负荷变化曲线;
根据每个待充电电动汽车对应的预期充电电量确定该待充电电动汽车达到预期充电电量所需的充电时长;
根据每个待充电电动汽车的停车时段、每个待充电电动汽车达到预期充电电量所需的充电时长、台区负荷和台区负荷变化曲线,利用电动汽车有序充电控制模型制定每个待充电电动汽车对应的充电时段分配计划。
进一步地,所述根据每个待充电电动汽车的停车时段、每个待充电电动汽车达到预期充电电量所需的充电时长、台区负荷和台区负荷变化曲线,利用电动汽车有序充电控制模型制定每个待充电电动汽车对应的充电时段分配计划,具体为:
将每小时按照等间隔划分的方式划分为若干时间段,该时间段作为一个最小充电时间单元;
根据每个待充电电动汽车达到预期充电电量所需的充电时长,确定每个待充电电动汽车所需充电时间单元的个数;
将每个待充电电动汽车所需充电时间单元的个数随机分配到对应的停车时段内,得到每个待充电电动汽车对应的初始充电时间单元分配计划;
根据台区负荷、台区负荷变化曲线和每个待充电电动汽车对应的初始充电时间单元分配计划,利用电动汽车有序充电控制模型得到每个待充电电动汽车对应的充电时段分配计划。
进一步地,所述电动汽车有序充电控制模型包括计算模型和优化模型,所述计算模型如下:
其中,
F2=min[max(Plk')-min(Plk')]
Plk+Pk<PT
式中,F为计算模型的总目标函数;F1为台区电网含电动汽车充电负荷的负荷波动方差;F2为台区电网含电动汽车充电负荷曲线的峰谷差;F3为电动汽车参与调度时的充电成本;F1 0为台区电网不含电动汽车充电负荷的负荷波动方差,通过日前负荷预测得到;PT为变压器的额定功率;F3 0为电动汽车未参与调度时的充电成本;α1为电网的负荷波动方差的权重系数,α2为电网负荷曲线峰谷差的权重系数,α3为电动汽车充电成本权重系数,且α1+α2+α3=1;Plk为台区电网不含电动汽车充电负荷的第k时段负荷;Pk为第k个时间段充电站的充电功率;Pav为不含电动汽车充电负荷的台区电网日平均负荷;max(Plk')为含电动汽车充电负荷的台区电网负荷峰值;min(Plk')为含电动汽车充电负荷的台区电网负荷谷值;xi为该充电桩第i个最小充电时间单元的工作状态,“1”表示工作,“0”表示不工作;Qi为第i最小充电时间单元的电网电价;Pc为充电桩的充电功率;Δt为最小充电时间单元的时间间隔大小;T为当前车辆充电的总共用时;Cn,end为第n辆电动汽车的预期充电结束时的电量;Cn,sart为第n辆电动汽车的开始充电时的电量;Cn,max为第n辆电动汽车的最大可容纳电量;
所述优化模型如下:
vid=ω*vid+c1*rand()*(pid-xid)+c2*rand()*(pig-xid)
式中,vid为粒子群算法中第d组种群的第i维的速度矢量;ω为粒子群算法中的惯性权重系数;c1为粒子群算法中的认知学习因子;c2为粒子群算法中的社会学习因子;pid为第d组种群第i维的最优位置;xid为当前第d组种群第i维的粒子位置;pig为当前计算的最优解的第i维的粒子位置;s(vid)表示位置xid取1的概率;F(n)为第i个种群被选择的概率;fpd为人工蜂群算法中第d组的最优适应度;xid’为计算得到的新粒子的位置;为步长取值范围为[-1,1];pg为种群粒子最优位置。
进一步地,所述台区内每个待充电电动汽车对应的停车时段和预期充电电量的获取方法为:
接收用户发送的待充电电动汽车对应的停车时段和预期充电电量。
进一步地,所述台区负荷和台区负荷变化曲线的获取方法为:
读取数据库中对应的台区负荷和台区负荷变化曲线。
进一步地,所述根据每个待充电电动汽车对应的预期充电电量确定该待充电电动汽车达到预期充电电量所需的充电时长,具体为:
利用每个待充电电动汽车对应的预期充电电量除以充电桩的充电功率,得到每个待充电电动汽车达到预期充电电量所需的充电时长。
一种电动汽车有序充电控制***,包括:
获取模块,用于获取台区内每个待充电电动汽车对应的停车时段和预期充电电量,以及台区负荷和台区负荷变化曲线;
充电时长确定模块,用于根据每个待充电电动汽车对应的预期充电电量确定该待充电电动汽车达到预期充电电量所需的充电时长;
充电时段分配计划制定模块,用于根据每个待充电电动汽车的停车时段、每个待充电电动汽车达到预期充电电量所需的充电时长、台区负荷和台区负荷变化曲线,利用电动汽车有序充电控制模型制定每个待充电电动汽车对应的充电时段分配计划。
进一步地,所述充电时段分配计划制定模块包括:
时间段划分模块,用于将每小时按照等间隔划分的方式划分为若干时间段,该时间段作为一个最小充电时间单元;
充电时间单元个数确定模块,用于根据每个待充电电动汽车达到预期充电电量所需的充电时长,确定每个待充电电动汽车所需充电时间单元的个数;
初始充电时间单元分配计划模块,用于将每个待充电电动汽车所需充电时间单元的个数随机分配到对应的停车时段内,得到每个待充电电动汽车对应的初始充电时间单元分配计划;
充电时段分配计划模块,用于根据台区负荷、台区负荷变化曲线和每个待充电电动汽车对应的初始充电时间单元分配计划,利用电动汽车有序充电控制模型得到每个待充电电动汽车对应的充电时段分配计划。
一种设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现电动汽车有序充电控制方法的步骤。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现电动汽车有序充电控制方法的步骤。
与现有技术相比,本发明至少具有以下有益效果:本发明综合考虑了用户侧和电网侧的需求,以电网侧的负荷波动方差、负荷曲线的峰谷差和电动汽车参与调度时的充电成本为目标函数,能利用电动汽车有序充电控制模型得到每个待充电电动汽车对应的最优充电时段分配计划。能最大的减少电动汽车充电给电网带来的不良影响,并维护用户的个人利益。本发明有序充电控制模型中的优化模型部分采用粒子群和人工蜂群的混合优化算法,相比于单纯的粒子群优化算法以及遗传算法等模型,具有较快的计算速度,在计算每个待充电电动汽车的最优充电时段分配计划时,能大大减少计算时间。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式中的技术方案,下面将对具体实施方式描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,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是本发明实施例中电动汽车有序充电控制方法的流程图;
图2是本发明实施例中有序充电控制模型算法的流程图;
图3是本发明实施例中电动汽车的有序充电的流程图;
图4是本发明实施例中工业区只以电网侧为目标函数的有序充电控制前后电力负荷曲线图;
图5是本发明实施例中工业区以电网侧和用户侧为目标函数的有序充电控制前后电力负荷曲线图。
图6是PSO算法和混合算法的收敛性能对比图;
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动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。
结合图1所示,本发明一种电动汽车有序充电控制方法,具体包括如下步骤:
步骤1:获取台区内每个待充电电动汽车对应的停车时段和预期充电电量,以及台区负荷和台区负荷变化曲线;
具体地说,台区内每个待充电电动汽车对应的停车时段和预期充电电量的获取方法为:
接收用户发送的待充电电动汽车对应的停车时段和预期充电电量。
台区负荷和台区负荷变化曲线的获取方法为:
读取数据库中对应的台区负荷和台区负荷变化曲线。
步骤2:根据每个待充电电动汽车对应的预期充电电量确定该待充电电动汽车达到预期充电电量所需的充电时长;
根据每个待充电电动汽车对应的预期充电电量确定该待充电电动汽车达到预期充电电量所需的充电时长,具体为:
利用每个待充电电动汽车对应的预期充电电量除以充电桩的充电功率,得到每个待充电电动汽车达到预期充电电量所需的充电时长。
步骤3:根据每个待充电电动汽车的停车时段、每个待充电电动汽车达到预期充电电量所需的充电时长、台区负荷和台区负荷变化曲线,利用电动汽车有序充电控制模型制定每个待充电电动汽车对应的充电时段分配计划,具体如下:
将每小时按照等间隔划分的方式划分为若干时间段,该时间段作为一个最小充电时间单元;
根据每个待充电电动汽车达到预期充电电量所需的充电时长,确定每个待充电电动汽车所需充电时间单元的个数;
将每个待充电电动汽车所需充电时间单元的个数随机分配到对应的停车时段内,得到每个待充电电动汽车对应的初始充电时间单元分配计划;
根据台区负荷、台区负荷变化曲线和每个待充电电动汽车对应的初始充电时间单元分配计划,利用电动汽车有序充电控制模型得到每个待充电电动汽车对应的充电时段分配计划。
电动汽车有序充电控制模型包括计算模型和优化模型,计算模型如下:
其中,
F2=min[max(Plk')-min(Plk')]
Plk+Pk<Pt
式中,F为计算模型的总目标函数;F1为台区电网含电动汽车充电负荷的负荷波动方差;F2为台区电网含电动汽车充电负荷曲线的峰谷差;F3为电动汽车参与调度时的充电成本;F1 0为台区电网不含电动汽车充电负荷的负荷波动方差,通过日前负荷预测得到;PT为变压器的额定功率;F3 0为电动汽车未参与调度时的充电成本;α1为电网的负荷波动方差的权重系数,α2为电网负荷曲线峰谷差的权重系数,α3为电动汽车充电成本权重系数,且α1+α2+α3=1;Plk为台区电网不含电动汽车充电负荷的第k时段负荷;Pk为第k个时间段充电站的充电功率;Pav为不含电动汽车充电负荷的台区电网日平均负荷;max(Plk')为含电动汽车充电负荷的台区电网负荷峰值;min(Plk')为含电动汽车充电负荷的台区电网负荷谷值;xi为该充电桩第i个最小充电时间单元的工作状态,“1”表示工作,“0”表示不工作;Qi为第i最小充电时间单元的电网电价;Pc为充电桩的充电功率;Δt为最小充电时间单元的时间间隔大小,本实施例中,固定为15分钟;T为当前车辆充电的总共用时;Cn,end为第n辆电动汽车的预期充电结束时的电量;Cn,sart为第n辆电动汽车的开始充电时的电量;Cn,max为第n辆电动汽车的最大可容纳电量;
上部分的计算模型根据充电桩在各个最小充电时间单元的工作状态,对计算模型的总目标函数进行计算,分别得到每个种群自己的最优适应度和所有种群中的最优适应度,适应度为对总目标函数计算的结果。然后将计算的结果进行保存和更新,用于下部分优化模型使用。
优化模型如下:
vid=ω*vid+c1*rand()*(pid-xid)+c2*rand()*(pgd-xid)
式中,vid为粒子群算法中第d组种群的第i维的速度矢量;ω为粒子群算法中的惯性权重系数;c1为粒子群算法中的认知学习因子;c2为粒子群算法中的社会学习因子;pid为第d组种群第i维的最优位置;xid为当前第d组种群第i维的粒子位置;pig为当前计算的最优解的第i维的粒子位置;s(vid)表示位置xid取1的概率;F(n)为第i个种群被选择的概率;fpd为人工蜂群算法中第d组的最优适应度;xid’为计算得到的新粒子的位置;为步长取值范围为[-1,1];pg为种群粒子最优位置。
如图2所示,该优化模型首先通过粒子群算法,由粒子群算法将位置矢量xid和速度矢量vid进行初始化,并根据计算模型得到的每个种群最优适应度和所有种群中的最适应度,然后进入优化模型开始计算惯性权重、认知学习因子、社会学习因子。计算公式采用离散二进制PSO算法。首先粒子是由二进制编码组成,每个二进制产生各自速度vid,即各个充电桩下一步的变化趋势,速度vid的值关系着二进制位xid取1的概率,即各个充电桩的新的工作状态,所以采用sigmoid函数将速度映射到区间[0,1]之间。然后再进入计算模型,更新每个种群最优适应度和所有种群中的最适应度。将所有种群的状态更新之后,进入人工蜂群算法。
根据计算模型得到的每个种群最优适应度和所有种群中的最适应度,计算各个充电桩下一步的变化趋势,然后得到各个充电桩的新的状态,并进入计算模型,更新每个种群最优适应度和所有种群中的最适应度。将所有种群的状态更新之后,进入人工蜂群算法。
根据粒子群算法得到的各个充电桩的新的状态、每个种群最优适应度和所有种群中的最适应度,通过轮盘赌选择法选择,选择时,随机生成一个[0,1]的数,选择第一个概率比随机数大的种群n,然后计算各个充电桩的新的状态,并进入计算模型,更新每个种群最优适应度和所有种群中的最适应度。然后再进入优化模型,一直进行迭代,直到得到合适的结果或迭代次数到达预设值。
所获得的结果即为对每个待充电电动汽车制定的充电时段分配计划。
表1是为验证该混合算法的寻优性能和收敛速度,选取的4个Benchmark标准函数,所有函数的最优值均为0。
表1标准函数
该算法对比实验中,迭代最大次数为3000次,种群大小为60,数据维数为40,惯性权值wmax为0.9,wmin为0.4,认知学***均,结果如表2所示。
表2两种算法在标准函数上的比较结果
图6是以Griewank标准函数为例,PSO算法和混合算法的收敛速度。
由表2和图6可知,混合算法的精度即寻优性能要高于PSO算法,并且混合算法的收敛速度也要优于PSO算法。
并且因为该有序充电控制模型采用了人工蜂群的算法,该算法最大的优点则是可以通过放弃当前最优解的方式,寻找其他解,可以有效避免粒子群陷入局部最优的缺点。所以在计算电动汽车充电时段分配计划时,可以考虑更多的情况,进行优中选优,能最大限度的提高电网的安全性以及保障用户的个人利益。
作为本发明的某一具体实施方式,一种电动汽车有序充电控制***,包括:
获取模块,用于获取台区内每个待充电电动汽车对应的停车时段和预期充电电量,以及台区负荷和台区负荷变化曲线;
充电时长确定模块,用于根据每个待充电电动汽车对应的预期充电电量确定该待充电电动汽车达到预期充电电量所需的充电时长;
充电时段分配计划制定模块,用于根据每个待充电电动汽车的停车时段、每个待充电电动汽车达到预期充电电量所需的充电时长、台区负荷和台区负荷变化曲线,利用电动汽车有序充电控制模型制定每个待充电电动汽车对应的充电时段分配计划。
具体地,充电时段分配计划制定模块包括:
时间段划分模块,用于将每小时按照等间隔划分的方式划分为若干时间段,该时间段作为一个最小充电时间单元;
充电时间单元个数确定模块,用于根据每个待充电电动汽车达到预期充电电量所需的充电时长,确定每个待充电电动汽车所需充电时间单元的个数;
初始充电时间单元分配计划模块,用于将每个待充电电动汽车所需充电时间单元的个数随机分配到对应的停车时段内,得到每个待充电电动汽车对应的初始充电时间单元分配计划;
充电时段分配计划模块,用于根据台区负荷、台区负荷变化曲线和每个待充电电动汽车对应的初始充电时间单元分配计划,利用电动汽车有序充电控制模型得到每个待充电电动汽车对应的充电时段分配计划。
本发明再一个实施例中,提供了一种计算机设备,该计算机设备包括处理器以及存储器,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(CentralProcessing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor、DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable GateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等,其是终端的计算核心以及控制核心,其适于实现一条或一条以上指令,具体适于加载并执行一条或一条以上指令从而实现相应方法流程或相应功能;本发明实施例所述的处理器可以用于电动汽车有序充电控制方法的操作。
在具体一实施例中,计算机设备称之为边缘控制器,边缘控制器除需要CPU主控芯片外,还需要搭载外设通讯模块,包含但不限于RS-485接口,UART串口以及CAN口等,边缘控制器所使用的软件平台需是linux操作***。
本发明再一个实施例中,一种电动汽车有序充电控制方法如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读存储介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。
所述计算机存储介质可以是计算机能够存取的任何可用介质或数据存储设备,包括但不限于磁性存储器(例如软盘、硬盘、磁带、磁光盘(MO)等)、光学存储器(例如CD、DVD、BD、HVD等)、以及半导体存储器(例如ROM、EPROM、EEPROM、非易失性存储器(NANDFLASH)、固态硬盘(SSD))等。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
下面提供一应用本发明电动汽车有序充电控制方法进行有序充电控制的具体实施案例。
本实施例中,以某工业园区电动车参与充放电调度为例进行仿真,充电时间为8:00–19:30。电价如表3所示:
表3某地区分时电价
本实施例中,有序充电控制模型的,迭代最大次数设置为为3000次,种群大小为60,数据维数d为96,即将一天24小时以15分钟为间隔,等分成96份。惯性权值wmax为0.9,wmin为0.4,认知学习因子c1为1.5,社会学习因子c2为2。电网的负荷波动方差的权重系数α1、电网负荷曲线峰谷差的权重系数α2和电动汽车充电成本权重系数α3的取值为(0.4,0.3,0.3)。
由图4可看出,相比于优化前,该模型以根据改善电网安全性为需求,将用户的充电时间更改为8点之后半小时以及17点之后,具有一定的“移峰填谷”的效果,能有效的提高电网的安全性。
由图5和表3可看出,相比于优化前,该模型将充电时间集中到了12点之后,主要原因是综合了用户侧的需求,将充电时间转移到了充电价格的平价段。虽然牺牲了部分电网的安全性,但仍然是在17点的用电高峰之前。
总体来看,该有序充电控制模型能够很好地综合电网侧和用户侧的用电需求,在综合考虑多方面因素的情况下,制定出一个较为优秀的电动汽车有序充电控制方法,即满足电网安全性的同时,给用户带来实际利益。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种电动汽车有序充电控制方法,其特征在于,包括:
获取台区内每个待充电电动汽车对应的停车时段和预期充电电量,以及台区负荷和台区负荷变化曲线;
根据每个待充电电动汽车对应的预期充电电量确定该待充电电动汽车达到预期充电电量所需的充电时长;
根据每个待充电电动汽车的停车时段、每个待充电电动汽车达到预期充电电量所需的充电时长、台区负荷和台区负荷变化曲线,利用电动汽车有序充电控制模型制定每个待充电电动汽车对应的充电时段分配计划。
2.根据权利要求1所述的一种电动汽车有序充电控制方法,其特征在于,所述根据每个待充电电动汽车的停车时段、每个待充电电动汽车达到预期充电电量所需的充电时长、台区负荷和台区负荷变化曲线,利用电动汽车有序充电控制模型制定每个待充电电动汽车对应的充电时段分配计划,具体为:
将每小时按照等间隔划分的方式划分为若干时间段,该时间段作为一个最小充电时间单元;
根据每个待充电电动汽车达到预期充电电量所需的充电时长,确定每个待充电电动汽车所需充电时间单元的个数;
将每个待充电电动汽车所需充电时间单元的个数随机分配到对应的停车时段内,得到每个待充电电动汽车对应的初始充电时间单元分配计划;
根据台区负荷、台区负荷变化曲线和每个待充电电动汽车对应的初始充电时间单元分配计划,利用电动汽车有序充电控制模型得到每个待充电电动汽车对应的充电时段分配计划。
3.根据权利要求2所述的一种电动汽车有序充电控制方法,其特征在于,所述电动汽车有序充电控制模型包括计算模型和优化模型,所述计算模型如下:
其中,
F2=min[max(Plk')-min(Plk')]
Plk+Pk<PT
式中,F为计算模型的总目标函数;F1为台区电网含电动汽车充电负荷的负荷波动方差;F2为台区电网含电动汽车充电负荷曲线的峰谷差;F3为电动汽车参与调度时的充电成本;F1 0为台区电网不含电动汽车充电负荷的负荷波动方差,通过日前负荷预测得到;PT为变压器的额定功率;F3 0为电动汽车未参与调度时的充电成本;α1为电网的负荷波动方差的权重系数,α2为电网负荷曲线峰谷差的权重系数,α3为电动汽车充电成本权重系数,且α1+α2+α3=1;Plk为台区电网不含电动汽车充电负荷的第k时段负荷;Pk为第k个时间段充电站的充电功率;Pav为不含电动汽车充电负荷的台区电网日平均负荷;max(Plk')为含电动汽车充电负荷的台区电网负荷峰值;min(Plk')为含电动汽车充电负荷的台区电网负荷谷值;xi为该充电桩第i个最小充电时间单元的工作状态,“1”表示工作,“0”表示不工作;Qi为第i最小充电时间单元的电网电价;Pc为充电桩的充电功率;Δt为最小充电时间单元的时间间隔大小;T为当前车辆充电的总共用时;Cn,end为第n辆电动汽车的预期充电结束时的电量;Cn,sart为第n辆电动汽车的开始充电时的电量;Cn,max为第n辆电动汽车的最大可容纳电量;
所述优化模型如下:
vid=ω*vid+c1*rand()*(pid-xid)+c2*rand()*(pig-xid)
4.根据权利要求1所述的一种电动汽车有序充电控制方法,其特征在于,所述台区内每个待充电电动汽车对应的停车时段和预期充电电量的获取方法为:
接收用户发送的待充电电动汽车对应的停车时段和预期充电电量。
5.根据权利要求1所述的一种电动汽车有序充电控制方法,其特征在于,所述台区负荷和台区负荷变化曲线的获取方法为:
读取数据库中对应的台区负荷和台区负荷变化曲线。
6.根据权利要求1所述的一种电动汽车有序充电控制方法,其特征在于,所述根据每个待充电电动汽车对应的预期充电电量确定该待充电电动汽车达到预期充电电量所需的充电时长,具体为:
利用每个待充电电动汽车对应的预期充电电量除以充电桩的充电功率,得到每个待充电电动汽车达到预期充电电量所需的充电时长。
7.一种电动汽车有序充电控制***,其特征在于,包括:
获取模块,用于获取台区内每个待充电电动汽车对应的停车时段和预期充电电量,以及台区负荷和台区负荷变化曲线;
充电时长确定模块,用于根据每个待充电电动汽车对应的预期充电电量确定该待充电电动汽车达到预期充电电量所需的充电时长;
充电时段分配计划制定模块,用于根据每个待充电电动汽车的停车时段、每个待充电电动汽车达到预期充电电量所需的充电时长、台区负荷和台区负荷变化曲线,利用电动汽车有序充电控制模型制定每个待充电电动汽车对应的充电时段分配计划。
8.根据权利要求7所述的一种电动汽车有序充电控制***,其特征在于,所述充电时段分配计划制定模块包括:
时间段划分模块,用于将每小时按照等间隔划分的方式划分为若干时间段,该时间段作为一个最小充电时间单元;
充电时间单元个数确定模块,用于根据每个待充电电动汽车达到预期充电电量所需的充电时长,确定每个待充电电动汽车所需充电时间单元的个数;
初始充电时间单元分配计划模块,用于将每个待充电电动汽车所需充电时间单元的个数随机分配到对应的停车时段内,得到每个待充电电动汽车对应的初始充电时间单元分配计划;
充电时段分配计划模块,用于根据台区负荷、台区负荷变化曲线和每个待充电电动汽车对应的初始充电时间单元分配计划,利用电动汽车有序充电控制模型得到每个待充电电动汽车对应的充电时段分配计划。
9.一种设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述一种电动汽车有序充电控制方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述一种电动汽车有序充电控制方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110853113.6A CN113715669B (zh) | 2021-07-27 | 2021-07-27 | 电动汽车有序充电控制方法、***、设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110853113.6A CN113715669B (zh) | 2021-07-27 | 2021-07-27 | 电动汽车有序充电控制方法、***、设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113715669A true CN113715669A (zh) | 2021-11-30 |
CN113715669B CN113715669B (zh) | 2023-09-26 |
Family
ID=78674098
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110853113.6A Active CN113715669B (zh) | 2021-07-27 | 2021-07-27 | 电动汽车有序充电控制方法、***、设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113715669B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114103711A (zh) * | 2021-12-01 | 2022-03-01 | 国网北京市电力公司 | 充电负荷有序充电的控制方法、***、装置和存储介质 |
CN115366728A (zh) * | 2022-08-11 | 2022-11-22 | 广东天枢新能源科技有限公司 | 一种可错峰充电的电动汽车充电桩控制*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109980667A (zh) * | 2019-02-13 | 2019-07-05 | 国电南瑞科技股份有限公司 | 一种用于电动汽车的有序充电方法 |
US20200082352A1 (en) * | 2017-05-16 | 2020-03-12 | Bayerische Motoren Werke Aktiengesellschaft | Smart Charging Scheduling Apparatus and Method for Electric Vehicle |
CN110979085A (zh) * | 2019-11-29 | 2020-04-10 | 深圳供电局有限公司 | 电动汽车充电调控的方法、装置及设备 |
CN112238781A (zh) * | 2020-09-30 | 2021-01-19 | 国网河南省电力公司经济技术研究院 | 一种基于分层架构的电动汽车有序充电控制方法 |
CN112418734A (zh) * | 2020-12-15 | 2021-02-26 | 深圳供电局有限公司 | 一种电动汽车充电负荷分配方法 |
JP2021035171A (ja) * | 2019-08-23 | 2021-03-01 | 東芝エネルギーシステムズ株式会社 | 充電制御装置及びその方法、プログラム、充電管理装置及びその方法、プログラム |
CN113147482A (zh) * | 2020-01-07 | 2021-07-23 | 北京科东电力控制***有限责任公司 | 一种电动汽车有序充电优化方法及*** |
-
2021
- 2021-07-27 CN CN202110853113.6A patent/CN113715669B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200082352A1 (en) * | 2017-05-16 | 2020-03-12 | Bayerische Motoren Werke Aktiengesellschaft | Smart Charging Scheduling Apparatus and Method for Electric Vehicle |
CN109980667A (zh) * | 2019-02-13 | 2019-07-05 | 国电南瑞科技股份有限公司 | 一种用于电动汽车的有序充电方法 |
JP2021035171A (ja) * | 2019-08-23 | 2021-03-01 | 東芝エネルギーシステムズ株式会社 | 充電制御装置及びその方法、プログラム、充電管理装置及びその方法、プログラム |
CN110979085A (zh) * | 2019-11-29 | 2020-04-10 | 深圳供电局有限公司 | 电动汽车充电调控的方法、装置及设备 |
CN113147482A (zh) * | 2020-01-07 | 2021-07-23 | 北京科东电力控制***有限责任公司 | 一种电动汽车有序充电优化方法及*** |
CN112238781A (zh) * | 2020-09-30 | 2021-01-19 | 国网河南省电力公司经济技术研究院 | 一种基于分层架构的电动汽车有序充电控制方法 |
CN112418734A (zh) * | 2020-12-15 | 2021-02-26 | 深圳供电局有限公司 | 一种电动汽车充电负荷分配方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114103711A (zh) * | 2021-12-01 | 2022-03-01 | 国网北京市电力公司 | 充电负荷有序充电的控制方法、***、装置和存储介质 |
CN114103711B (zh) * | 2021-12-01 | 2022-10-18 | 国网北京市电力公司 | 充电负荷有序充电的控制方法、***、装置和存储介质 |
CN115366728A (zh) * | 2022-08-11 | 2022-11-22 | 广东天枢新能源科技有限公司 | 一种可错峰充电的电动汽车充电桩控制*** |
Also Published As
Publication number | Publication date |
---|---|
CN113715669B (zh) | 2023-09-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107994595B (zh) | 一种削峰填谷控制方法和***以及应用该控制方法的*** | |
CN110222938B (zh) | 一种梯级水电站群短期调峰调度协同优化方法和*** | |
CN113715669B (zh) | 电动汽车有序充电控制方法、***、设备及可读存储介质 | |
CN113541168A (zh) | 一种电动汽车集群可调控能力确定方法、调度方法及*** | |
CN111509781B (zh) | 一种分布式电源协调优化控制方法及*** | |
CN112865190A (zh) | 计及光伏和充电需求的光储充电站优化调度方法和*** | |
CN108183473A (zh) | 一种集群电动汽车参与辅助服务市场的优化投标方法 | |
CN115709665A (zh) | 基于台区自治的电动汽车交流桩有序充电方法及*** | |
CN112928767B (zh) | 一种分布式储能协同控制方法 | |
CN112238781A (zh) | 一种基于分层架构的电动汽车有序充电控制方法 | |
CN112257897A (zh) | 基于改进多目标粒子群的电动汽车充电优化方法和*** | |
CN113394768B (zh) | 一种客户侧柔性负荷综合响应控制方法和装置 | |
CN114692965A (zh) | 基于数模混合驱动的电动汽车集群可调度潜力预测方法及装置 | |
CN116470543A (zh) | 一种虚拟电厂的运行控制方法、装置、设备及介质 | |
CN115471044A (zh) | 含光储的配电台区电动汽车调度方法、***及存储介质 | |
CN117094849A (zh) | 储能电站参与多类电力市场的优化运行方法、装置及设备 | |
CN111884214B (zh) | 适用于园区能量路由器集群的分层优化调度方法及装置 | |
CN117639043A (zh) | 风电协同下的电动汽车调度方法、装置、终端设备及介质 | |
CN107482658B (zh) | 一种微电网储能经济运行控制方法和装置 | |
CN114418232A (zh) | 储能***运行优化方法、***、服务器及存储介质 | |
CN114285093A (zh) | 一种源网荷储互动调度方法及*** | |
CN114511156B (zh) | 一种含部分无序充电的有序充电优化方法及装置 | |
CN111463810A (zh) | 一种考虑配电网光伏接入的电动汽车充电方法 | |
CN118100180B (zh) | 一种考虑调控潜力评估的电动汽车充放电低碳调度方法 | |
CN118003953B (zh) | 一种充电站内充电行为的控制方法及装置 |
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 |