CN116093466A - 有序充电方法、装置、计算机可读存储介质及计算机设备 - Google Patents
有序充电方法、装置、计算机可读存储介质及计算机设备 Download PDFInfo
- Publication number
- CN116093466A CN116093466A CN202310128516.3A CN202310128516A CN116093466A CN 116093466 A CN116093466 A CN 116093466A CN 202310128516 A CN202310128516 A CN 202310128516A CN 116093466 A CN116093466 A CN 116093466A
- Authority
- CN
- China
- Prior art keywords
- charging
- duration
- battery
- charge
- power
- 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.)
- Pending
Links
- 238000007600 charging Methods 0.000 title claims abstract description 517
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 238000005457 optimization Methods 0.000 claims abstract description 41
- 230000008859 change Effects 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 34
- 238000009826 distribution Methods 0.000 claims description 26
- 238000005286 illumination Methods 0.000 claims description 16
- 238000010248 power generation Methods 0.000 claims description 13
- 238000011156 evaluation Methods 0.000 claims description 12
- 230000003044 adaptive effect Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 8
- 238000010277 constant-current charging Methods 0.000 claims description 7
- 238000010280 constant potential charging Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 7
- 239000002245 particle Substances 0.000 description 24
- 238000004422 calculation algorithm Methods 0.000 description 22
- 230000006399 behavior Effects 0.000 description 20
- 238000004364 calculation method Methods 0.000 description 14
- 230000005611 electricity Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 10
- 238000000342 Monte Carlo simulation Methods 0.000 description 9
- 238000004088 simulation Methods 0.000 description 9
- 239000000203 mixture Substances 0.000 description 8
- 238000013461 design Methods 0.000 description 5
- 238000005265 energy consumption Methods 0.000 description 5
- 238000003062 neural network model Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000007599 discharging Methods 0.000 description 3
- 229910052744 lithium Inorganic materials 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 238000009472 formulation Methods 0.000 description 2
- 230000002427 irreversible effect Effects 0.000 description 2
- 238000003973 irrigation Methods 0.000 description 2
- 230000002262 irrigation Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 241000668842 Lepidosaphes gloverii Species 0.000 description 1
- 240000002853 Nelumbo nucifera Species 0.000 description 1
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 1
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000295 fuel oil Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 239000000575 pesticide Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- 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
- H02J7/007—Regulation of charging or discharging current or voltage
-
- 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
- B60L53/62—Monitoring or controlling charging stations in response to charging parameters, e.g. current, voltage or electrical charge
-
- 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
- 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
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/44—Methods for charging or discharging
-
- 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
- H02J7/00047—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with provisions for charging different types of batteries
-
- 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
- H02J7/0047—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with monitoring or indicating devices or circuits
- H02J7/0048—Detection of remaining charge capacity or state of charge [SOC]
-
- 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
- H02J7/007—Regulation of charging or discharging current or voltage
- H02J7/00712—Regulation of charging or discharging current or voltage the cycle being controlled or terminated in response to electric parameters
-
- 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
- B60L2200/00—Type of vehicles
- B60L2200/36—Vehicles designed to transport cargo, e.g. trucks
-
- 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
- B60L2200/00—Type of vehicles
- B60L2200/40—Working vehicles
- B60L2200/42—Fork lift trucks
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Power Engineering (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Manufacturing & Machinery (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Electrochemistry (AREA)
- Chemical & Material Sciences (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Chemical Kinetics & Catalysis (AREA)
- General Chemical & Material Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明公开了一种有序充电方法、装置、计算机可读存储介质及计算机设备。其中,该方法包括:基于目标设备的类型,确定目标设备的预测充电时长;获取目标设备的电池随充电时长和荷电状态变化的充电功率;基于充电功率和预测充电时长,确定初始充电策略;在预设迭代次数内,以运行成本和充电不满意程度的加和最小为目标,基于预设约束条件组,按照自适应惯性权重,对初始充电策略进行迭代优化,得到目标充电策略。本发明解决了对电动农器具充电时充电行为无序、充电效果差,以及充电行为导致电池寿命损耗增加的技术问题。
Description
技术领域
本发明涉及电能领域,具体而言,涉及一种有序充电方法、装置、计算机可读存储介质及计算机设备。
背景技术
随着农业设施现代化建设的进程不断推进,集中化、精细化、智能化的农业园区种植模式将逐步替代传统的低效和粗放的种植模式,同时移动式电动工器具备环保、便携、经济等诸多优势,正大量取代传统的燃油和人力工器具,如小巧方便的三轮电动车运输工具,节能环保的电动皮卡、电动叉车、小型电力推土机,高效便携的电动喷药机、电动灌溉机等,高标准农田电气化的移动式农业机器具等正得到大规模应用,也符合国家能源绿色转型的发展方向。但是大规模的电动农器具的使用也面临充电有效管理的问题。
因此,在相关技术中,存在对电动农器具充电时充电行为无序、充电效果差,以及充电行为导致电池寿命损耗增加的技术问题。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种有序充电方法、装置、计算机可读存储介质及计算机设备,以至少解决对电动农器具充电时充电行为无序、充电效果差,以及充电行为导致电池寿命损耗增加的技术问题。
根据本发明实施例的一个方面,提供了一种有序充电方法,包括:基于目标设备的类型,确定目标设备的预测充电时长;获取目标设备的电池随充电时长和荷电状态变化的充电功率;基于充电功率和预测充电时长,确定初始充电策略;在预设迭代次数内,以运行成本和充电不满意程度的加和最小为目标,基于预设约束条件组,按照自适应惯性权重,对初始充电策略进行迭代优化,得到目标充电策略。
可选的,基于目标设备的类型,确定目标设备的预测充电时长,包括:基于目标设备的类型,获取充电日前的第三预定时间范围内的实际充电数据,其中,实际充电数据包括实际充电时长和实际充电频率;确定实际充电数据对应的实际充电概率分布情况;对实际充电概率分布情况进行高斯分布拟合,得到拟合结果;基于拟合结果,生成预测充电时长。
可选的,获取目标设备的电池随充电时长和荷电状态变化的充电功率,包括:获取电池的当前荷电状态;在当前荷电状态小于预设荷电状态的情况下,确定充电功率为恒流充电模式下随充电时长变化的第一功率;在当前荷电状态大于或等于预设荷电状态的情况下,确定充电功率为恒压充电模式下随充电时长变化的第二功率。
可选的,预设约束条件组包括以下至少之一:充电功率及荷电状态约束条件,充电时长约束条件,电池充放电的寿命成本约束条件。
可选的,在预设迭代次数内,以运行成本和充电不满意程度的加和最小为目标,基于预设约束条件组,按照自适应惯性权重,对初始充电策略进行迭代优化,得到目标充电策略,包括:确定初始充电策略对应的运行成本和充电不满意程度;基于初始充电策略对应的运行成本和充电不满意程度,对初始充电策略进行筛选,得到第一候选充电策略;在满足预设约束条件组的情况下,按照预设更新方式和自适应惯性权重,在预设迭代次数内,以运行成本和充电不满意程度的加和最小为目标,对第一候选充电策略进行迭代优化,得到第二候选充电策略;确定第二候选充电策略的优化评价因子;基于第二候选充电策略和优化评价因子,确定目标充电策略。
可选的,运行成本和充电不满意程度的确定方式包括:基于目标设备的类型,确定目标设备的理论充电时长;基于充电日前的第一预定时间范围内的历史光照数据,预测充电日内随时间变化的光伏发电功率;基于充电日前的第二预定时间范围内的历史负荷曲线,预测充电日内随时间变化的基础负荷;基于电池的充放电深度,确定电池在本次充电中的等效循环寿命次数;基于等效循环寿命次数,确定电池寿命损耗成本;基于光伏发电功率,基础负荷,理论充电时长,预测充电时长,充电功率,分别确定初始充电策略的运行成本和充电不满意程度。
可选的,自适应惯性权重的数值由迭代优化过程中的当前迭代次数确定。
根据本发明实施例的另一方面,还提供了一种有序充电装置,包括:第一确定模块,用于基于目标设备的类型,确定目标设备的理论充电时长和预测充电时长;获取模块,用于获取目标设备的电池随充电时长和荷电状态变化的充电功率;第二确定模块,用于基于充电功率和预测充电时长,确定初始充电策略;优化模块,用于在预设迭代次数内,以运行成本和充电不满意程度的加和最小为目标,基于预设约束条件组,按照自适应惯性权重,对初始充电策略进行迭代优化,得到目标充电策略。
根据本发明实施例的另一方面,还提供了一种计算机可读存储介质,计算机可读存储介质包括存储的程序,其中,在程序运行时控制计算机可读存储介质所在设备执行上述任意一项的有序充电方法。
根据本发明实施例的另一方面,还提供了一种计算机设备,包括:存储器和处理器,存储器存储有计算机程序;处理器,用于执行存储器中存储的计算机程序,计算机程序运行时使得处理器执行上述任意一项的有序充电方法。
在本发明实施例中,采用在制定电动农器具的充电策略时综合考虑新能源消纳、用户充电行为、峰谷电价成本、电池的寿命损耗和充电效率特性的方式,通过根据目标设备的类型,确定该目标设备的理论充电时长和预测充电时长,其中,理论充电时长为该目标设备在理论上可以完成充电的最短时长,而预测充电时长为预测得到的该目标设备允许充电的时长,对目标设备的电池进行充电时所采用的充电功率由该电池的充电时长以及荷电状态确定,之后,基于确定出的动态变化的充电功率以及预测充电时长生成初始充电策略,其中,该初始充电策略为一种充电功率组成方案,包括在预测充电时长内各时刻对应的充电功率值,即表征在各时刻应按照多大的充电功率来对该电池进行充电,在初始充电策略的基础上,本发明实施例通过迭代计算的方式,在满足预设约束条件组的前提下,以充电策略对应的运行成本和充电不满意程度的加和最小为目标,按照自适应惯性权重对初始充电策略进行优化,以得到充电效果更好的目标充电策略,达到了可以基于该目标充电策略对目标设备进行有序充电的目的,确定出一种符合充电满意度和充电效益最大化、长时间尺度、合理有序的充电方案从而实现了优化电动农器具的充电管理,以支撑农业高效可靠生产的技术效果,进而解决了对电动农器具充电时充电行为无序、充电效果差,以及充电行为导致电池寿命损耗增加的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例提供的有序充电方法的流程图;
图2是根据本发明可选实施方式提供的基于用电行为与电池特性的移动农业设施有序充电方法流程图;
图3是根据本发明可选实施方式提供的历史数据示意图;
图4是根据本发明可选实施方式提供的最佳粒子贴合度曲线示意图;
图5是根据本发明可选实施方式提供的算法收敛后求得的最优有序充电方案功率堆叠图;
图6是根据本发明实施例提供的有序充电装置的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在现有技术中,针对电动农器具的充电方案无法合理分配充电口和充电时间,导致农器具充电困难,电池电量不足,影响正常的农业生产,影响农户满意度,也不能精细考虑峰谷电价差,使充电成本进一步提高,且现有的充电方案微能有效结合光伏等新能源发电水平,以及基础农业符合的用能水平,降低新能源消纳率,同时,也无法有效跟踪荷电状态,高频繁、低充电深度的充电行为也会导致电池寿命损耗增加。
对于上述问题,现有技术中目前还没有提出一种针对电动农器具的高效有序的充电策略制定方案,仅仅是有针对电动汽车的有序充电的研究,但目前针对电动汽车的有序充电的方案仍存在考虑因素不够全面的问题,例如,未将充电时长作为动态考虑的条件;仅仅以统计方法来得到典型光伏功率,预测的实时性差;未考虑充电的电价;未考虑电池充电功率特性和寿命成本特性,等等。且电动汽车和电动农器具两者的有序充电具有一定差距,无法直接参考电动汽车的充电策略制定方案,例如,不同农器具设备的电池容量和充放电功率差异较大,充电频繁程度差异显著;或电动农器具相比于电动汽车,其充电时间难以预测,等等。因此,现有技术中的上述问题尚未解决。
针对上述技术问题,本发明实施例提出一种有序充电的方法实施例,
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例提供的有序充电方法的流程图,如图1所示,该方法包括如下步骤:
步骤S102,基于目标设备的类型,确定目标设备的理论充电时长和预测充电时长;
步骤S104,获取目标设备的电池随充电时长和荷电状态变化的充电功率;
步骤S106,基于充电功率和预测充电时长,确定初始充电策略;
步骤S108,在预设迭代次数内,以运行成本和充电不满意程度的加和最小为目标,基于预设约束条件组,按照自适应惯性权重,对初始充电策略进行迭代优化,得到目标充电策略。
通过上述步骤,采用在制定电动农器具的充电策略时综合考虑新能源消纳、用户充电行为、峰谷电价成本、电池的寿命损耗和充电效率特性的方式,通过根据目标设备的类型,确定该目标设备的理论充电时长和预测充电时长,其中,理论充电时长为该目标设备在理论上可以完成充电的最短时长,而预测充电时长为预测得到的该目标设备允许充电的时长,对目标设备的电池进行充电时所采用的充电功率由该电池的充电时长以及荷电状态确定,之后,基于确定出的动态变化的充电功率以及预测充电时长生成初始充电策略,其中,该初始充电策略为一种充电功率组成方案,包括在预测充电时长内各时刻对应的充电功率值,即表征在各时刻应按照多大的充电功率来对该电池进行充电,在初始充电策略的基础上,本发明实施例通过迭代计算的方式,在满足预设约束条件组的前提下,以充电策略对应的运行成本和充电不满意程度的加和最小为目标,按照自适应惯性权重对初始充电策略进行优化,以得到充电效果更好的目标充电策略,达到了可以基于该目标充电策略对目标设备进行有序充电的目的,确定出一种符合充电满意度和充电效益最大化、长时间尺度、合理有序的充电方案从而实现了优化电动农器具的充电管理,以支撑农业高效可靠生产的技术效果,进而解决了对电动农器具充电时充电行为无序、充电效果差,以及充电行为导致电池寿命损耗增加的技术问题。
其中,上述的目标设备为电动农器具。
作为一种可选的实施例,基于目标设备的类型,确定目标设备的预测充电时长,包括:基于目标设备的类型,获取充电日前的第三预定时间范围内的实际充电数据,其中,实际充电数据包括实际充电时长和实际充电频率;确定实际充电数据对应的实际充电概率分布情况;对实际充电概率分布情况进行高斯分布拟合,得到拟合结果;基于拟合结果,生成预测充电时长。
由于在实际生产过程中,农户有自身的充电行为,例如,在傍晚开始充电,第二天早上才停止充电,等等,即,实际允许的充电时长可能会大于理论最快充电时长。因此,本实施例针对目标设备的实际允许的充电时长进行预测。而不同的设备类型其对应的允许充电时长可能会不同,因此,在本实施例中首先根据目标设备的类型来获取在充电日前的第三预定时间范围内的实际充电数据,以此作为数据基础确定该类型的目标设备的实际充电概率分布情况,再对该实际充电概率分布情况进行高斯分布拟合,最后根据拟合结果随机生成得到预测充电时长。其中,实际充电时长为从接入充电桩到拔离充电桩的时长。
需要说明的是,在确定实际充电数据对应的实际充电概率分布情况时,可以采用蒙特卡洛模拟算法,蒙特卡洛模拟算法是以概率论为基础的统计建模方法,通过历史数据的统计频次选择概率密度模型,并用进行参数拟合,得到最终的概率密度函数,进而可模拟生成农户的充电时长。
其中,上述第三预定时间范围可以根据应用场景或预测精度需要进行设定,例如,可以是目标设备近30天,等等。
另外,本发明实施例所采用的高斯分布,其拟合函数公式如下:
式中,x为充电持续时长,μ和λ为逆高斯分布参数。
同时,本发明实施例采用递增试探法分别计算参数μ和δ的值,设定μ和δ初始值均为0.1,数值范围[0.1,100],参数增长间隔为0.1。具体过程是先每次δ不变,参数u递增0.1;然后计算参数μ和δ下的函数值F;然后直到u递增至100后,参数δ+0.01,u再从0.01开始递增计算;直到参数μ和δ均为100。选择其中F序列与实际数据分布序列的均方差最小的μ和δ的值,该值为最终高斯分布参数。至此参数μ和均已确定,得到最终的充电时长概率分布函数。按照F(x,μ,δ)分布可随机生成目标设备的预测充电时长。
作为一种可选的实施例,获取目标设备的电池随充电时长和荷电状态变化的充电功率,包括:获取电池的当前荷电状态;在当前荷电状态小于预设荷电状态的情况下,确定充电功率为恒流充电模式下随充电时长变化的第一功率;在当前荷电状态大于或等于预设荷电状态的情况下,确定充电功率为恒压充电模式下随充电时长变化的第二功率。
一方面,由于不同类型的电动农器具其电池容量、额定充电功率、充电效率差异较大,因此不同设备的充电时长差异较大,需要在确定充电策略时结合设备电池充电功率特性。另一方面,本发明实施例的电动农器具主要以锂电池为主,其中电池的充电功率实际并非恒定不变的,主要分为恒流和恒压两个阶段。因此,本发明实施例将目标设备充电时所采用的充电功率按照电池的荷电状态进行划分,并对应划分为恒流充电模式和恒压充电模式。通过实时获取目标设备的电池在充电时的当前荷电状态,并根据该电池的当前荷电状态来对应采取恒流充电模式或恒压充电模式下的充电功率,就可以实现更加高效且对电池损耗较小的充电效果。例如,当充电初期,电池荷电状态较低,电池的等效内阻较小而且较为稳定,若采用恒压则容易产生较大的充电电流,此时应该采用恒流充电模式;当荷电状态达到预设荷电状态后,电池的等效内阻快速增加,若继续采用恒流模式,则对施加的电压要求加大,难以满足且对电池产生不可逆的损伤,此时应该采用恒压模式。
其中,对应于不同的充电模式,可以采用如下方法确定第一功率或第二功率:
式中,PREV_max为电池的额定最大充电功率;当荷电状态处于区间[0,SOCth]时,为恒流模式,处于区间[SOCth,1]时,为恒压模式;ε(t)为恒压阶段的动态充电参数,本发明实施例中取ε(t)=ln0.85;Tth为荷电状态阈值SOCth所对应的时间,本发明实施例中SOCth取值为0.8。
作为一种可选的实施例,预设约束条件组包括以下至少之一:充电功率及荷电状态约束条件,充电时长约束条件,电池充放电的寿命成本约束条件。
为保证目标充电策略高效可行,本实施例从新能源消纳、用户充电行为、峰谷电价成本、电池的寿命损耗以及充电效率特征等方面进行综合考虑,确定出上述的预设约束条件组。
充电功率及荷电状态约束条件如下:
其中,SOCi为电池当前荷电状态,SOCend为电池充电后的荷电状态,SOC0为电池初始充电的荷电状态,PREV为充电功率,PREV_MAX为电池的额定最大充电功率。
充电时长约束条件如下:
0≤TL_i≤TR_i
上述约束表示i设备实际的充电时间TL_i应在基于蒙特卡洛模拟的预测充电时间TR_i内完成充电行为。
电池充放电的寿命成本约束条件如下:
式中,Ldeep(t)为充放电深度;nloss为电池等效充放电循环次数;Nc为电池标准测试过的设计循环寿命,单位为次;Nloss为电池容量衰减20%时电池所经历的总充电循环次数,即实际电池循环寿命,单位为次。
作为一种可选的实施例,在预设迭代次数内,以运行成本和充电不满意程度的加和最小为目标,基于预设约束条件组,按照自适应惯性权重,对初始充电策略进行迭代优化,得到目标充电策略,包括:确定初始充电策略对应的运行成本和充电不满意程度;基于初始充电策略对应的运行成本和充电不满意程度,对初始充电策略进行筛选,得到第一候选充电策略;在满足预设约束条件组的情况下,按照预设更新方式和自适应惯性权重,在预设迭代次数内,以运行成本和充电不满意程度的加和最小为目标,对第一候选充电策略进行迭代优化,得到第二候选充电策略;确定第二候选充电策略的优化评价因子;基于第二候选充电策略和优化评价因子,确定目标充电策略。
在本实施例中,每个充电策略其实质上为一种充电功率组成方案,包括在预测充电时长内各时刻对应的充电功率值,即表征在各时刻应按照多大的充电功率来对该电池进行充电。因此,在基于电池的荷电状态确定出充电模式以及充电功率,并确定出预测充电时长之后,可以先随机生成一定数量的充电方案,即初始充电策略,然后计算这些充电方案的运行成本和充电不满意程度,确定出其中的最优解和最差解,并根据各充电方案分别对应的运行成本和充电不满意程度与上述的最优解和最差解的距离,即正、负理想距离,再根据该正、负理想距离对这些方案进行筛选,得到第一候选充电策略。
在得到第一候选充电策略之后,可以采用预设更新方式(例如,种群更新公式)和自适应惯性权重,对作为第一候选充电策略的多个充电方案进行更新,此时完成一次迭代,之后再次计算第一候选充电策略的运行成本和充电不满意程度,与上述确定第一候选充电策略的方法类似,得到第2次计算的最优方案,若最优方案比第1次更好,则替换第1次迭代的最优解,若没有得到更优方案,则原方案保持不变,重复上述的迭代步骤,直至达到预设迭代次数则停止计算,输出最终的优化方案,即第二候选充电策略,及其优化方案对应的运行成本和充电不满意度。
其中,预设更新方式可以采用如下方式:
式中,Xi为充电功率组成方案,s为算法的迭代次数;w为自适应惯性权重;R1和R2为随机系数,取值范围为[0,1];XPbest和XGbest分别为个体最优解和全局最优解;C1和C2为加速因子。
然后,根据第二候选充电策略对应的运行成本和充电不满意程度,确定优化评价因子,由于本实施例中的目标函数包括两个子目标,即目标成本和充电不满意程度,且两个子目标可能存在各自最优的充电方案,而本实施例需要以这两者的加和最小为最终的目标函数,因此,本实施例中引入优化评价因子,该优化评价因子用于表征目标成本和充电不满意程度这两个子目标同时接近最优解的程度,其值越小说明越贴近,即充电方案越优。
其中,确定优化评价因子的方法如下:
式中,f′cost_j(s)表示充电方案j在s次迭代时的标准化后的运行成本,fsati_j(s)表示充电方案j在s次迭代时的标准化后的充电不满意程度。
需要说明的是,在本实施例中,为提高初始充电策略的优化效率,可以采用TOPSIS排序方法来进行迭代优化。TOPSIS是一种典型的多目标决策方法,具备简单、灵活和高效的特点,能够有效消除量纲,直观根据与“理想解”的相对距离选择出最优的充电方案。
作为一种可选的实施例,运行成本和充电不满意程度的确定方式包括:基于充电日前的第一预定时间范围内的历史光照数据,预测充电日内随时间变化的光伏发电功率;基于充电日前的第二预定时间范围内的历史负荷曲线,预测充电日内随时间变化的基础负荷;基于目标设备的类型,确定目标设备的理论充电时长;基于电池的充放电深度,确定电池在本次充电中的等效循环寿命次数;基于等效循环寿命次数,确定电池寿命损耗成本;基于光伏发电功率,基础负荷,理论充电时长,预测充电时长,充电功率和电池寿命损耗成本,分别确定初始充电策略的运行成本和充电不满意程度。
针对光伏发电功率,本实施例可以采用BP神经网络模拟的方法,基于充电日前的第一预定时间范围内的历史光照数据作为样本数据对神经网络模型进行训练,再采用训练好的模型对充电日当日的光伏发电功率进行预测。例如,可以根据最近30天的历史光照数据预测当日的24小时光照数据,数据的采用周期为1h。近30天的历史光照数据作为样本数据,数据体量为24×30,每次通过样本数据训练神经网络模型,输入量、输出量均为24×1的历史光照数据,采用后一天的实际光照量对输出量进行校正,反馈修正神经网络模型,当误差小于目标精度时停止模拟,得到最终的预测模型,下一步通过预测模型得到次日的光照预测曲线,即本实施例中充电日内随时间变化的光伏发电功率。
针对基础负荷,不同农户的用电负荷可能会有一定的用户用电***均负荷值近似代替次日同时刻负荷,计算公式如下:
式中,t为24小时中某一时刻;M为近期的历史负荷天数,本实施例中取值为7;m为[1,M]范围内的整数变量;Pload(t)为在第t时刻不可控典型负荷;Pload_M(t,m)为历史中第m天、第t时刻的负荷功率。
针对电池寿命损耗成本,本实施例首先确定出电池充放电深度和放电区间之间的电池循环充电寿命损耗关系,公式如下:
式中,Nloss为电池容量衰减20%时电池所经历的总充电循环次数,即实际电池循环寿命,单位为次;Nc为电池标准测试过的设计循环寿命,单位为次;β1、β2为试验数据拟合参数;Ldeep、分别为放电深度和标准放电深度,其中Ldeep是充电后与充电前的荷电状态差,取值为0.8;SOCref为荷电状态标准值,取值为0.8。
其中放电深度Ldeep计算公式如下:
Ldeep=SOCend-SOC0
上式将电池实际循环次数折算为标准循环次数,因此可根据电池循环充电寿命损耗关系公式可将每次充电的充放电深度换算为循环寿命次数,公式如下:
式中,nloss为本次充电等效的循环次数;SOCdis_ref、SOCref均为小于1的参数。因此,从放电深度Ldeep计算公式可知,当放电起始的SOC越高,放电深度越大,电池的寿命损耗越大。
电池的寿命损耗成本计算公式如下:
式中,Sbat为电池投资建设成本;Cbat为设备当前充电下的等价损耗成本。
综上,确定运行成本和充电不满意程度时可以采用如下方式:
式中,Fc(t)为实时目标优化的函数值;fcost(t)为农户的运行成本函数;fsati(t)为农户的用户不满意度函数;Celectric(t)为分时电价;Pload(t)为不可调控的基础负荷;PPV(t)为光伏实时发电功率;TL_i为第i个电动农器具的实际充电时长;TR_i表示第i个电动农器具的预测充电时长;PREV_i(t)为第i个电动农器具在t时刻的充电功率;Cbat_i(t)为第i个电动农器具在t时刻的等价充电寿命损耗成本;SOCend_i(t)为第i个设备在t时刻的荷电状态;函数std()和函数mean()分别表示求均方差和平均值的函数;ti为第i个设备的t时刻充电
式中,TL_i/TR数值越小,表示充电时间越短,用户不满意度越低;1-SOCend_i(t)的值越小,表示结束充电时,电池荷电状态越接近1,用户不满意度越低;函数std()和函数mean()值越小,表示用户在峰谷差的标幺值更低,电能质量越高,用户不满意度越低。
作为一种可选的实施例,自适应惯性权重的数值由迭代优化过程中的当前迭代次数确定。本实施例提出一种自适应惯性权重,其数值大小由当前迭代次数确定,如下:
式中,wmax和wm i n分别为惯性权重的上下限,可取值为0.9和0.5;s为当前的迭代次数;γ为经验调节系数,其范围为[1,30],本实施例中取值为3。
由上式可以看出,该自适应惯性权重根据迭代次数动态调节大小,在刚优化初始阶段w保持较大值,保证算法的全局寻优能力,即,可以快速确定出优选充电方案的范围,在优化后期w较小,保持算法在局部的寻优,即,可以精准确定出最优充电方案。
基于上述实施例及可选实施例,本发明还提出一种可选实施方式,下面进行说明。
本发明可选实施方式提出一种基于用电行为与电池特性的移动农业设施有序充电方法,图2是根据本发明可选实施方式提供的基于用电行为与电池特性的移动农业设施有序充电方法流程图,如图2所示,该方法包括以下几个步骤:首先,建立基于神经网络的光伏发电功率预测方法,以及基于曲线叠加的典型负荷生成方法,基于蒙特卡洛模拟的电动农器具充电时长概率模型,建立预测性的光伏、负荷和充电时长生成方法;然后,建立电池充电效率与荷电状态SOC之间的数学模型,建立电池放电深度和放电区间的寿命成本模型;再者,建立长时间尺度的电动农器具有序充电功率优化方法;最后采用基于TOPSIS排序的多目标自适应粒子群算法对模型进行求解,得到含农业光伏的农业设施有序充电优化方案。下面对该本发明可选实施方式进行详细介绍。
(1)农业光伏预测和不可控典型负荷模拟
本发明可选实施方式主要应用场景为含光伏的大规模农业种植产业园区,优化对象为接入充电桩的各个农业工器具的充电时间和功率。本发明可选实施方式需要考虑充电周期内的光伏功率和不可控负荷情况,因此需要采取光伏功率预测方法和不可控典型负荷模拟方法。
光伏预测采用BP神经网络模拟方法,根据最近30天的历史光照数据预测当日的24小时光照数据,数据的采用周期为1h。近30天的历史光照数据作为样本数据,数据体量为24×30,每次通过样本数据训练神经网络模型,输入量、输出量均为24×1的历史光照数据,采用后一天的实际光照量对输出量进行校正,反馈修正神经网络模型,当误差小于目标精度时停止模拟,得到最终的预测模型,下一步通过预测模型得到次日的光照预测曲线。
农业种植园区的用电负荷存在一定的用户用电***均负荷值近似代替次日同时刻负荷,计算公式如下:
式中,t为24小时中某一时刻;M为近期的历史负荷天数,本发明可选实施方式中取值为7;m为[1,M]范围内的整数变量;Pload(t)为在第t时刻不可控典型负荷;Pload_M(t,m)为历史中第m天、第t时刻的负荷功率。
(2)电动农器具充电行为模拟和充电功率模型
1)基于蒙特卡洛模拟的充电时长模拟
在实际生产中,农户有自身的充电行为,例如在傍晚开始充电,第二天早上才停止充电,可能实际允许的充电时长要大于理论最快充电时长TL。
因此本发明可选实施方式需要对每一类设备的农户充电时长进行模拟评估。蒙特卡洛模拟算法是以概率论为基础的统计建模方法,通过历史数据的统计频次选择概率密度模型,并用进行参数拟合,得到最终的概率密度函数,进而可模拟生成农户的充电时长。以某一农业充电设备i为例,本发明可选实施方式根据设备i近30天的实际充电时长(即从接入充电桩到拔离充电桩的时长)数据,统计每一次充电持续的时长以及频率,画出概率分区图。根据概率分布图,本发明可选实施方式采用高斯分布进行拟合,其拟合函数公式如下:
式中,x为充电持续时长,μ和λ为逆高斯分布参数。
本发明可选实施方式中采用递增试探法分别计算参数μ和δ的值,设定μ和δ初始值均为0.1,数值范围[0.1,100],参数增长间隔为0.1。具体过程是先每次δ不变,参数u递增0.1;然后计算参数μ和δ下的函数值F;然后直到u递增至100后,参数δ+0.01,u再从0.01开始递增计算;直到参数μ和δ均为100。选择其中F序列与实际数据分布序列的均方差最小的μ和δ的值,该值为最终高斯分布参数。至此参数μ和δ均已确定,得到最终的充电时长概率分布函数F(x,μ,δ)。按照F(x,μ,δ)分布可随机生成设备i的充电的持续时间TR。
2)两阶段电池充电功率计算模型
本发明可选实施方式中的电动农器具其电池容量、额定充电功率、充电效率差异较大,因此不同设备的充电时长差异较大,需要结合设备电池充电功率特性。充电时长的计算公式如下:
式中,TL为充电时长;SOCend为充电后的荷电状态;SOC0为初始充电的荷电状态;QC为电池的容量;ηREV(t)为t时刻设备的充电效率;PREV(t)为t时刻的充电功率;
本发明可选实施方式的电动农器具主要以锂电池为主,其中电池的充电功率实际并非恒定不变的,主要分为恒流和恒压两个阶段。当充电初期,锂电池荷电状态较低,电池的等效内阻较小而且较为稳定,若采用恒压则容易产生较大的充电电流,此时应该采用恒流充电模式;当荷电状态达到阈值SOCth后,电池的等效内阻快速增加,若继续采用恒流模式,则对施加的电压要求加大,难以满足且对电池产生不可逆的损伤,此时应该采用恒压模式。本发明可选实施方式根据两阶段的充电模式,建立实时充电功率模型,公式如下:
式中,PREV_max为电池的额定最大充电功率;当荷电状态处于区间[0,SOCth]时,为恒流模式,处于区间[SOCth,1]时,为恒压模式;ε(t)为恒压阶段的动态充电参数,本发明可选实施方式中取ε(t)=ln0.85;Tth为荷电状态阈值SOCth所对应的时间,其中SOCth取值为0.8。
3)电池充电深度和区间的寿命成本模型
本发明可选实施方式建立考虑放电深度和放电区间的电池循环充电寿命损耗模型,公式如下:
式中,Nloss为电池容量衰减20%时电池所经历的总充电循环次数,即实际电池循环寿命,单位为次;Nc为电池标准测试过的设计循环寿命,单位为次,本发明可选实施方式中取为1000次;β1、β2为试验数据拟合参数,本发明可选实施方式中分别取1.98和2.79;Ldeep、分别为放电深度和标准放电深度,其中Ldeep是充电后与充电前的荷电状态差,取值为0.8;SOCref为荷电状态标准值,取值为0.8。
其中放电深度Ldeep计算公式如下:
Ldeep=SOCend-SOC0 (6)
公式(7)将电池实际循环次数折算为标准循环次数,因此可根据公式(5)可将每次充电的充放电深度换算为循环寿命次数,公式如下:
式中,nloss为本次充电等效的循环次数;SOCdis_ref、SOCref均为小于1的参数。因此,从公式(6)可知,当放电起始的SOC越高,放电深度越大,电池的寿命损耗越大。
电池的寿命损耗成本计算公式如下:
式中,Sbat为电池投资建设成本;Cbat为设备当前充电下的等价损耗成本。
(3)长时间尺度的充电功率优化模型
本发明可选实施方式建立长尺度的电动农器具滚动实时充电功率优化方法,首先基于蒙特卡洛模拟的农户充电时长评估方法,针对每一设备得到预测的充电时长;然后在该时长内,考虑两阶段电池充电功率特性模型,以及考虑电池荷寿命成本损耗特性,以综合运行成本和用户不满意度最低为目标,合理安排该设备在各个时刻的充电功率。
1)目标函数
本发明可选实施方式在长时间尺度上安排各设备的充电功率,用到的优化模型的目标函数为用户不满意度和综合成本的有序充电优化模型,其中用户不满意度包含充电效率、充电结束时最满的荷电状态、最好的电能质量(即负荷峰谷差最小)三方面组成,其公式如下:
Fc(t)=min{fcost(t)+fsati(t)} (9)
其中:
式中,Fc(t)为实时目标优化的函数值;fcost(t)为农户的运行成本函数;fsati(t)为农户的用户不满意度函数;Celectric(t)为分时电价;Pload(t)为不可调控的基础负荷;PPV(t)为光伏实时发电功率;TL_i为第i个电动农器具的实际充电时长;TR_i表示第i个电动农器具的预测充电时长;PREV_i(t)为第i个电动农器具在t时刻的充电功率;Cbat_i(t)为第i个电动农器具在t时刻的等价充电寿命损耗成本;SOCend_i(t)为第i个设备在t时刻的荷电状态;函数std()和函数mean()分别表示求均方差和平均值的函数;ti为第i个设备的t时刻充电
式中,TL_i/TR数值越小,表示充电时间越短,用户不满意度越低;1-SOCend_i(t)的值越小,表示结束充电时,电池荷电状态越接近1,用户不满意度越低;函数std()和函数mean()值越小,表示用户在峰谷差的标幺值更低,电能质量越高,用户不满意度越低。
2)约束条件
1、农业工器具充电功率和容量约束
2、充电时长约束
0≤TL_i≤TR_i (13)
上述约束表示i设备实际的充电时间TL_i应在基于蒙特卡洛模拟的预测充电时间TR_i内完成充电行为。
3、电池充放电寿命成本约束
式中,约束条件分别考虑充放电深度Ldeep(t)、电池等效充放电循环次数nloss约束条件。
(4)基于TOPSIS排序的多目标粒子群求解算法
本发明可选实施方式建立的多目标优化模型子目标分别是用户不满意度和综合用能成本,两者为量纲不同的值,无法直接进行求和。TOPSIS是一种典型的多目标决策方法,具备简单、灵活和高效的特点,能够有效消除量纲,直观根据与“理想解”的相对距离选择出最优的充电方案。同时,本发明可选实施方式首先设计了自适应惯性权重,根据迭代次数动态调整局部和全局的遍历能力。
1)多目标粒子群求解模型
本发明可选实施方式的优化变量为接入充电桩的农器具在自身充电时长TR_i内的各时刻充电功率,其优化变量的序列公式如下:
Xi={PREV_1(t1,t2L,TR_1),PREV_2(t1,t2L,TR_2),L PREV_i(t1,t2L,TR_i)} (15)
式中,PREV_i为第i个电动农器具的充电功率,TR_i为其充电预测时长;则一种电动农器组的充电功率组成方案Xi(即,由电动农器具组成的一种充电功率组成方案),为粒子群算法中的一个粒子,设粒子群算法中种群数量为M,迭代次数为s,粒子群算法的优化速度为Vj=(vj1,vj2,...,vjM),粒子群算法中例子j的迭代计算公式如下:
式中,s为算法的迭代次数;w为粒子群算法的惯性权重;R1和R2为随机系数,取值范围为[0,1];XPbest和XGbest分别为个体最优解和全局最优解;C1和C2为加速因子,本发明可选实施方式取值为1.49。
2)自适应惯性权重参数优化
本发明可选实施方式中惯性权重w的大小决定了粒子群算法的优化迭代速度,本发明可选实施方式设计了自适应惯性权重,根据迭代次数动态调节惯性权重w,在刚优化初始阶段w保持较大值,保证算法的全局寻优能力,在优化后期w较小,保持算法在局部的寻优,公式如下:
式中,wmax和wmin分别为惯性权重的上下限,取值为0.9和0.5;s为当前的迭代次数;γ为经验调节系数,其范围为[1,30],本发明可选实施方式中取值为3。
3)基于TOPSIS的多目标最优解选择
由于每个粒子j都是由一种充电方案组成,根据该方案可为每个粒子j在s次迭代的目标函数fcost_j(s)和fsati_j(s),需要根据目标函数进一步选出当前迭代最优的粒子,TOPSIS首先需要对目标函数进行标准化处理,消除量纲差异,公式如下:
式中,f′cost_j(s)表示粒子j在s次迭代时的标准化目标函数值;max{fcost_j(s)}、min{fcost_j(s)}分别为截止到s次迭代时,子目标fcost所出现的最大值和最小值;同理对子目标fsati_j(s)归一化后的公式如下:
下一步计算TOPSIS的极小粒子距向量组和极大粒距向量组,计算公式如下:
下一步根据正、负理想距离,求得粒子的贴合度,公式如下:
式中,Cj为粒子j的贴合度,该值越小其粒子越优。
下面针对本发明可选实施方式的实际应用进行举例说明。
本发明可选实施方式采用某农业产业园为实例验证对象,电动农器具以移动式农业设施为主,其设备类型和主要参数如表1所示。其中农业园区有充电桩4个,均采用7kW慢充的充电,该充电桩含有传感器,与电池充电时可感知电池实时的SOC状态,同时具备延时、定时和按指令开启充电/停止功能,充电桩负荷均由一台10kV/0.4kV的箱式变压器所供电,同时该变压器还给农业园区的其他基础不可控电负荷供电。园区内还装有分布式光伏,装机容量为100kVA,通过逆变器集中向电网送电,运营模式为自发自用,余电上网模式。
表1
采用多目标粒子群算法,其种群大小为50,迭代次数上限为200次。分时电价成本为:峰谷时段22:00~次日6:00,电价0.261元/kWh;平时段6:00~8:00,15:00~17:00,电价0.51元/kWh;峰值时段8:00~15:00,17:00~21:00,0.759元/kWh。
图3是根据本发明可选实施方式提供的历史数据示意图,采用高斯拟合的参数模拟各类农业工器具的充电时长,以电动叉车为例,其历史数据的充电时长概率密度分布和高斯拟合分布的图像如图3所示,其中高斯拟合的参数μ和δ分别为3.4、1.3。同理,移动式电动灌溉机拟合参数μ和δ分别为6.4、0.2,电动皮卡拟合参数为2.6、0.2,小型电动运输工具拟合参数为4.3、0.5,移动农业作业车拟合参数为6.0、1.0。
选取某日16:00为研究对象,此时4个充电桩分别接有1辆电动皮卡,此时荷电状态SOC0为0.6;1辆电动叉车,荷电状态SOC0为0.8,1辆电动式灌溉机,荷电状态SOC0为0.3;1辆移动农业作业车,荷电状态SOC0为0.4。则根据各自的高斯分布进行充电时长拟合,得到充电时间分别为3h、8h、6h和5h。
对当前各设备充电时长内的充电功率进行优化,目标函数为运行成本和农户满意度,以基于TOPSIS排序的多目标粒子群算法进行求解,图4是根据本发明可选实施方式提供的最佳粒子贴合度曲线示意图。
本发明可选实施方式的多目标算法在第48次实现了可靠迭代收敛,最佳贴合度的收敛结果为0.056,此时的综合运行成本为138.592元,对比无序充电的成本162.984元,成本降低14.964%,用户不满意度为3.407,相比无序充电的3.451降低1.275%。
图5是根据本发明可选实施方式提供的算法收敛后求得的最优有序充电方案功率堆叠图,其中,图5中位于横轴上方的为用电设施负荷,横轴下方的光伏发电功率。由图5可以看出,在16:00和17:00时光伏的发电功率较大,分别为53.5kW和29kW,此时各电动农器具以最大充电功率进行充电。在18:00~20:00傍晚期间,光伏功率下降,此时各电动农器具自身SOC达到80%,本发明可选实施方式将充电功率自动切换为恒压充电状态,最大充电功率有序下降;与此同时,在满足各自充电时长的情况下,合理分配充电功率,保证充电负荷峰谷差尽可能低和荷电状态SOC尽可能高;在21:00~23:00时刻,仅处于电动叉车的充电时间内,按照用户尽可能最快充满的原则,此时电动叉车已处于充满状态,无充电负荷,仅有基础的其他电力负荷。
综上,本发明可选实施方式具有以下优势:
1、提出了分布式光伏、典型负荷预测性生成方法,同时基于蒙特卡洛模拟的充电时长预测方法,从而使优化方案具有前瞻性,能有效指导农户开展有效充电;充分考虑了电池在实际过程中的充电功率特性和寿命成本特性,考虑电池充电恒流-恒压两阶段充电功率变化情况,改进了常规的恒功率充电模式;
2、同时更深入的根据电池充电深度和荷电状态区间,计算出等效寿命成本,使有序充电方案更加契合电池实际情况;
3、建立长时间尺度的充电功率优化模型,可根据不同设备、不同初始荷电状态、预测充电时长调整不同设备在各个时刻的充电功率,优化模型具有更灵活,适用性更强的特点;同时优化模型考虑了综合运行成本和用户满意度情况,涵盖了购电成本、电池寿命成本、负荷峰谷差情况、电池充电效率、电池充满情况等实际出发,考虑因素较为全面;
4、针对优化模型求解采用TOPSIS排序与惯性权重相结合的粒子群算法,能实时调整求解算法的寻优能力,同时在每次迭代过程中,可有效消除量纲,选择更为简洁高效,结合动态惯性权重,可进一步提高计算效率。
根据本发明实施例,还提供了一种有序充电装置,图6是根据本发明实施例提供的有序充电装置的结构框图,如图6所示,该装置包括:第一确定模块61,获取模块62,第二确定模块63和优化模块64,下面对该装置进行说明。
第一确定模块61,用于基于目标设备的类型,确定目标设备的理论充电时长和预测充电时长;获取模块62,连接至上述第一确定模块61,用于获取目标设备的电池随充电时长和荷电状态变化的充电功率;第二确定模块63,连接至上述获取模块62,用于基于充电功率和预测充电时长,确定初始充电策略;优化模块64,连接至上述第二确定模块63,用于在预设迭代次数内,以运行成本和充电不满意程度的加和最小为目标,基于预设约束条件组,按照自适应惯性权重,对初始充电策略进行迭代优化,得到目标充电策略。
根据本发明实施例,还提供了一种计算机可读存储介质,计算机可读存储介质包括存储的程序,其中,在程序运行时控制计算机可读存储介质所在设备执行上述任意一项的有序充电方法。
根据本发明实施例,还提供了一种计算机设备,包括:存储器和处理器,存储器存储有计算机程序;处理器,用于执行存储器中存储的计算机程序,计算机程序运行时使得处理器执行上述任意一项的有序充电方法。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元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,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-On ly Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
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)
1.一种有序充电方法,其特征在于,包括:
基于目标设备的类型,确定所述目标设备的预测充电时长;
获取所述目标设备的电池随充电时长和荷电状态变化的充电功率;
基于所述充电功率和所述预测充电时长,确定初始充电策略;
在预设迭代次数内,以运行成本和充电不满意程度的加和最小为目标,基于预设约束条件组,按照自适应惯性权重,对所述初始充电策略进行迭代优化,得到目标充电策略。
2.根据权利要求1所述的方法,其特征在于,所述基于目标设备的类型,确定所述目标设备的预测充电时长,包括:
基于所述目标设备的类型,获取所述充电日前的第三预定时间范围内的实际充电数据,其中,所述实际充电数据包括实际充电时长和实际充电频率;
确定所述实际充电数据对应的实际充电概率分布情况;
对所述实际充电概率分布情况进行高斯分布拟合,得到拟合结果;
基于所述拟合结果,生成所述预测充电时长。
3.根据权利要求1所述的方法,其特征在于,所述获取所述目标设备的电池随充电时长和荷电状态变化的充电功率,包括:
获取所述电池的当前荷电状态;
在所述当前荷电状态小于预设荷电状态的情况下,确定所述充电功率为恒流充电模式下随充电时长变化的第一功率;
在所述当前荷电状态大于或等于所述预设荷电状态的情况下,确定所述充电功率为恒压充电模式下随充电时长变化的第二功率。
4.根据权利要求1所述的方法,其特征在于,所述预设约束条件组包括以下至少之一:
充电功率及荷电状态约束条件,充电时长约束条件,电池充放电的寿命成本约束条件。
5.根据权利要求1所述的方法,其特征在于,所述在预设迭代次数内,以运行成本和充电不满意程度的加和最小为目标,基于预设约束条件组,按照自适应惯性权重,对所述初始充电策略进行迭代优化,得到目标充电策略,包括:
确定所述初始充电策略对应的运行成本和充电不满意程度;
基于所述初始充电策略对应的运行成本和充电不满意程度,对所述初始充电策略进行筛选,得到第一候选充电策略;
在满足所述预设约束条件组的情况下,按照预设更新方式和所述自适应惯性权重,在所述预设迭代次数内,以运行成本和充电不满意程度的加和最小为目标,对所述第一候选充电策略进行迭代优化,得到第二候选充电策略;
确定所述第二候选充电策略的优化评价因子;
基于所述第二候选充电策略和所述优化评价因子,确定所述目标充电策略。
6.根据权利要求1所述的方法,其特征在于,所述运行成本和所述充电不满意程度的确定方式包括:
基于充电日前的第一预定时间范围内的历史光照数据,预测所述充电日内随时间变化的光伏发电功率;
基于所述充电日前的第二预定时间范围内的历史负荷曲线,预测所述充电日内随时间变化的基础负荷;
基于所述目标设备的类型,确定所述目标设备的理论充电时长;
基于所述电池的充放电深度,确定所述电池在本次充电中的等效循环寿命次数;
基于所述等效循环寿命次数,确定电池寿命损耗成本;
基于所述光伏发电功率,所述基础负荷,所述理论充电时长,所述预测充电时长,所述充电功率和所述电池寿命损耗成本,分别确定所述初始充电策略的运行成本和充电不满意程度。
7.根据权利要求1至6中任意一项所述的方法,其特征在于,所述自适应惯性权重的数值由迭代优化过程中的当前迭代次数确定。
8.一种有序充电装置,其特征在于,包括:
第一确定模块,用于基于目标设备的类型,确定所述目标设备的理论充电时长和预测充电时长;
获取模块,用于获取所述目标设备的电池随充电时长和荷电状态变化的充电功率;
第二确定模块,用于基于所述充电功率和所述预测充电时长,确定初始充电策略;
优化模块,用于在预设迭代次数内,以运行成本和充电不满意程度的加和最小为目标,基于预设约束条件组,按照自适应惯性权重,对所述初始充电策略进行迭代优化,得到目标充电策略。
9.一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包括存储的程序,其中,在所述程序运行时控制所述计算机可读存储介质所在设备执行权利要求1至7中任意一项所述的有序充电方法。
10.一种计算机设备,其特征在于,包括:存储器和处理器,
所述存储器存储有计算机程序;
所述处理器,用于执行所述存储器中存储的计算机程序,所述计算机程序运行时使得所述处理器执行权利要求1至7中任意一项所述的有序充电方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310128516.3A CN116093466A (zh) | 2023-02-07 | 2023-02-07 | 有序充电方法、装置、计算机可读存储介质及计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310128516.3A CN116093466A (zh) | 2023-02-07 | 2023-02-07 | 有序充电方法、装置、计算机可读存储介质及计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116093466A true CN116093466A (zh) | 2023-05-09 |
Family
ID=86202468
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310128516.3A Pending CN116093466A (zh) | 2023-02-07 | 2023-02-07 | 有序充电方法、装置、计算机可读存储介质及计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116093466A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116722621A (zh) * | 2023-06-26 | 2023-09-08 | 铅锂智行(北京)科技有限公司 | 一种充电器的充电方法及其充电器 |
CN118082593A (zh) * | 2024-04-26 | 2024-05-28 | 北京基业昌达新能源技术有限公司 | 基于储能电池供电的智能充电桩及其控制方法 |
-
2023
- 2023-02-07 CN CN202310128516.3A patent/CN116093466A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116722621A (zh) * | 2023-06-26 | 2023-09-08 | 铅锂智行(北京)科技有限公司 | 一种充电器的充电方法及其充电器 |
CN116722621B (zh) * | 2023-06-26 | 2024-04-30 | 周乐新能源(湖州)有限公司 | 一种充电器的充电方法及其充电器 |
CN118082593A (zh) * | 2024-04-26 | 2024-05-28 | 北京基业昌达新能源技术有限公司 | 基于储能电池供电的智能充电桩及其控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | An improved charging/discharging strategy of lithium batteries considering depreciation cost in day-ahead microgrid scheduling | |
CN104022503B (zh) | 一种带有储能设备的智能微电网电能优化控制方法 | |
CN103337001B (zh) | 考虑最佳期望输出与荷电状态的风电场储能容量优化方法 | |
CN102208818B (zh) | 基于小波滤波的兆瓦级风光储发电***出力平滑控制方法 | |
CN109103912A (zh) | 考虑电网调峰需求的工业园区主动配电***调度优化方法 | |
CN103337890B (zh) | 一种电动出租车充电站有序充电***及方法 | |
US20120133337A1 (en) | Method and system for charging a fleet of batteries | |
CN105976108A (zh) | 一种配电网分布式储能规划方法 | |
CN110086187B (zh) | 计及负荷特性的储能调峰日前优化调度方法 | |
CN105140941B (zh) | 考虑锂电池可变折旧成本与实用充放电策略的微电网优化调度方法 | |
CN107292488A (zh) | 含优化运行策略的用户侧分布式储能价值评估方法与*** | |
CN109299833A (zh) | 基于区块链技术的快充站储能优化***及其工作方法 | |
CN103547936A (zh) | Ess的寿命状态估算方法 | |
CN110061524B (zh) | 一种基于深度神经网络的分布式电源虚拟电厂有功调度等值聚合方法及*** | |
CN116093466A (zh) | 有序充电方法、装置、计算机可读存储介质及计算机设备 | |
CN110415016A (zh) | 一种基于最优化充放电策略的充电价格制定策略 | |
CN110021947B (zh) | 一种基于强化学习的分散式储能电力***的运行优化方法 | |
CN111833205A (zh) | 一种大数据场景下的移动充电桩群体智能调度方法 | |
CN106451510B (zh) | 一种适应削峰填谷的储能站容量及充放电功率的配置方法 | |
CN107776433A (zh) | 一种电动汽车群的充放电优化控制方法 | |
CN112269966B (zh) | 一种考虑备用需求的通信基站虚拟电厂发电容量测量方法 | |
CN108711886A (zh) | 一种园区配网时序运行样本生成方法 | |
CN103679292B (zh) | 一种智能微电网双电池电能协同优化方法 | |
CN106950500B (zh) | 一种基于电池寿命的共享式电池的容量计算方法 | |
CN111738611A (zh) | 一种基于Sarsa算法的移动充电桩群体智能调度方法 |
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 |