CN117114367A - 一种电动汽车的充放电控制方法及装置 - Google Patents
一种电动汽车的充放电控制方法及装置 Download PDFInfo
- Publication number
- CN117114367A CN117114367A CN202311370154.5A CN202311370154A CN117114367A CN 117114367 A CN117114367 A CN 117114367A CN 202311370154 A CN202311370154 A CN 202311370154A CN 117114367 A CN117114367 A CN 117114367A
- Authority
- CN
- China
- Prior art keywords
- charge
- discharge
- electric
- day
- electric vehicles
- 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 38
- 238000007599 discharging Methods 0.000 title claims abstract description 29
- 238000012163 sequencing technique Methods 0.000 claims abstract description 28
- 230000015556 catabolic process Effects 0.000 claims abstract description 24
- 238000006731 degradation reaction Methods 0.000 claims abstract description 24
- 238000003064 k means clustering Methods 0.000 claims description 33
- 230000005611 electricity Effects 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 4
- 230000006872 improvement Effects 0.000 claims description 4
- 230000006870 function Effects 0.000 description 42
- 230000006399 behavior Effects 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 101100001671 Emericella variicolor andF gene Proteins 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000003915 air pollution Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
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
- 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
-
- 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
- B60L53/64—Optimising energy costs, e.g. responding to electricity rates
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Power Engineering (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Mechanical Engineering (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Transportation (AREA)
- Probability & Statistics with Applications (AREA)
- Artificial Intelligence (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Educational Administration (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明涉及电动汽车充放电技术领域,提供一种电动汽车的充放电控制方法及装置,方法包括:构建目标函数和约束模型;划分所有电动汽车的不同类别;获取所有电动汽车的模式;对目标函数进行求解得到每辆电动汽车的日前充放电调度方案;根据每辆电动汽车与日前充放电调度方案的一致性确定奖励分数;基于排序结果和日前充放电调度方案对所有电动汽车进行充放电协调。由此,在日前充放电调度的基础上基于奖励分数和充放电调度方案进行充放电协调,实现了考虑驾驶员不确定性行为的协调,保证日前充放电调度方案的有效实施,进而可以最大限度的降低电力供应成本和电动汽车电池退化成本,从而可以保证电动汽车充放电控制的可靠性、准确性和经济性。
Description
技术领域
本发明涉及电动汽车充放电术领域,具体涉及一种电动汽车的充放电控制方法和一种电动汽车的充放电控制装置。
背景技术
由于对温室气体排放增加和大都市地区空气污染的担忧,电动汽车(EV)越来越受欢迎。目前,针对微电网环境下电动汽车充电的负面影响,已经开展了很多研究。另一方面,车辆到电网(V2G,Vehicle-to-Grid)技术的引入,使得在高峰时段将多余的储存能量反馈给电网成为可能。这种储能潜力可以在需求侧和能源管理计划中发挥关键作用,但同样也带来了很多问题,由于驾驶员的不确定性行为,在缺乏电动汽车车队的综合策略的情况下,实现最优充放电方案是具有挑战性,导致最优方案不能有效实施。
发明内容
本发明为解决上述技术问题,提出了如下技术方案。
本发明第一方面实施例提出了一种电动汽车的充放电控制方法,包括以下步骤:构建对所有电动汽车进行充放电调度的目标函数和约束模型,其中,所述目标函数包括微电网供电成本和电动汽车电池退化成本;对K-means聚类算法中聚类质心的初始化方式进行改进,以得到改进的K-means聚类算法,并通过所述改进的K-means聚类算法划分所有电动汽车的不同类别;获取所有电动汽车的模式,其中,所述电动汽的模式包括A模式和B模式,其中,A模式是指不具备V2G功能,B模式是指具备V2G功能;以所述约束模型、所有电动汽车的不同类别和所有电动汽车的模式为约束条件,以所述微电网供电成本和电动汽车电池退化成本最小化为优化目标,对所述目标函数进行求解得到每辆电动汽车的日前充放电调度方案;根据每辆电动汽车与日前充放电调度方案的一致性确定奖励分数;在实际调度日根据所述奖励分数对所有电动车进行排序,并基于排序结果和日前充放电调度方案对所有电动汽车进行充放电协调。
另外,根据本发明上述实施例的电动汽车的充放电控制方法还可以具有如下附加的技术特征。
根据本发明的一个实施例,所述目标函数为:
其中,F 1 和F 2 分别表示微电网供电成本和电动汽车电池退化成本,为t时段从主电站购买的电量,/>为分时电价;C B 和/>分别为电池成本和电池寿命周期,/>为电动汽车电池容量,/>为第i个B模式电动汽车在t时段的充放电功率,DOD为放电深度,/>为充电效率,N B 为B模式电动汽车的数量,B模式电动汽车是指具备V2G功能的电动汽车。
根据本发明的一个实施例,对K-means聚类算法中聚类质心的初始化方式进行改进,包括:
步骤1:在欧氏空间中获得包含个数据点的数据集的中心,选择离所述中心最近的点,作为第一个聚类质心;
步骤2:计算每个数据点到第一个聚类质心的距离,并计算所有距离的平均值;
步骤3:将数据点到第一个聚类质心的距离小于或者等于所述平均值的点分配到聚类集中,并从将其从数据集中剔除;
步骤4;从剩下的数据集中,再次选择离所述中心最近的数据点作为新的聚类质心,重复步骤3;
步骤5:重复步骤4,直至分析完所有剩余的数据点后获得初步的聚类质心;
步骤6:定义聚类集的最小数据点数,删除数据点数小于所述最小数据点数的聚类集,并将该聚类集的数据点分配给最近的聚类集;
步骤7:通过对每个聚类集的数据点进行平均处理,得到初始化的多个聚类质心。
根据本发明的一个实施例,通过所述改进的K-means聚类算法划分所有电动汽车的不同类别,包括:
通过所述改进的K-means聚类算法,并根据各电动汽车的到达时间和离开时间划分所有电动汽车的不同类别。
本发明所述的电动汽车的充放电控制方法,通过以下公式计算每辆所述电动汽车的奖励分数:
其中,S(d+1)表示电动汽车在第d+1天的奖励分数,S(d)表示电动汽车在第d天的奖励分数,t st (d)为第d天日前充放电调度方案中调度的每个电动汽车的充放电开始时间,t en (d)为第d天电动汽车与充电器断开连接的时间,为电动汽车在时段t内充放电的奖励因子。
根据本发明的一个实施例,通过以下公式对所有电动汽车进行排序:
其中,N per,t 为t时段内允许充放电的电动汽车数量,S k 代表t时段内允许充放电的第k个电动汽车的奖励分数,为t时段内允许充放电的第k个电动汽车的充电器状态指示器,处于充电状态时为1,未处于充电状态时为0,/>为第k个电动汽车在t时段的需求功率,/>为日前充放电调度方案中所有电动汽车在t时段的总可用功率。
根据本发明的一个实施例,通过以下公式计算t时段内允许充放电的电动汽车数量:
其中,N per,t 为t时段内允许充放电的电动汽车数量,P chr 为电动汽车充电器的额定功率,为日前充放电调度方案中所有电动汽车在t时段的总可用功率。
根据本发明的一个实施例,所述日前充放电调度方案包括调度的充放电时间、调度的充放电电量,其中所述调度的充放电时间包括调度的充放电开始时间,
基于排序结果和日前充放电调度方案对所有电动汽车进行充放电协调,包括:获取排序最前的电动汽车的实际充放电开始时间,并判断排序最前的电动汽车的调度的充放电开始时间与所述实际充放电开始时间是否一致;如果不一致,则计算排序最前的电动汽车的充放电开始时间,并根据所述调度的充放电电量和计算的充放电开始时间对排序最前的电动汽车进行充放电;如果一致,则根据所述调度的充放电电量和所述调度的充放电开始时间对排序最前的电动汽车进行充放电。
根据本发明的一个实施例,通过以下公式计算电动汽车的充放电时间:
其中,t avail (d)表示第d天电动汽车的充放电开始时间,为第d天t时段电动汽车的可用率,X为1×24向量,其中每个向量是均匀分布的随机变量,/>为中间变量,归一化得到/>,/>为第d+1天t时段电动汽车的可用率,/>为等待系数。
本发明第二方面实施例提出了一种电动汽车的充放电控制装置,包括:构建模块,用于构建对所有电动汽车进行充放电调度的目标函数和约束模型,其中,所述目标函数包括微电网供电成本和电动汽车电池退化成本;改进模块,用于对K-means聚类算法中聚类质心的初始化方式进行改进,以得到改进的K-means聚类算法,并通过所述改进的K-means聚类算法划分所有电动汽车的不同类别;获取模块,用于获取所有电动汽车的模式,其中,所述电动汽的模式包括A模式和B模式,其中,A模式是指不具备V2G功能,B模式是指具备V2G功能;求解模块,用于以所述约束模型、所有电动汽车的不同类别和所有电动汽车的模式为约束条件,以所述微电网供电成本和电动汽车电池退化成本最小化为优化目标,对所述目标函数进行求解得到每辆电动汽车的日前充放电调度方案;确定模块,用于根据每辆电动汽车与日前充放电调度方案的一致性确定奖励分数;协调模块,用于在实际调度日根据所述奖励分数对所有电动车进行排序,并基于排序结果和日前充放电调度方案对所有电动汽车进行充放电协调。
本发明实施例的技术方案,构建目标函数和约束模型;划分所有电动汽车的不同类别;获取所有电动汽车的模式;对目标函数进行求解得到每辆电动汽车的日前充放电调度方案;根据每辆电动汽车与日前充放电调度方案的一致性确定奖励分数;基于排序结果和日前充放电调度方案对所有电动汽车进行充放电协调。由此,在日前充放电调度的基础上基于奖励分数和充放电调度方案进行充放电协调,实现了考虑驾驶员不确定性行为的协调,保证日前充放电调度方案的有效实施,进而可以最大限度的降低电力供应成本和电动汽车电池退化成本,从而可以保证电动汽车充放电控制的可靠性、准确性和经济性。
附图说明
图1为本发明实施例的电动汽车的充放电控制方法的流程图。
图2为本发明一个实施例的在实际调度日进行充放电协调的流程图。
图3为本发明一个实施例的日前调度和实时协调相结合进行充放电控制的流程图。
图4为本发明一个实施例的样本电动汽车预测所得的日常行驶模型。
图5为本发明实施例的电动汽车的充放电控制装置的方框示意图。
实施方式
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。
图1为本发明实施例的电动汽车的充放电控制方法的流程图。
如图1所示,该电动汽车的充放电控制方法包括以下步骤S1至S6。
S1,构建对所有电动汽车进行充放电调度的目标函数和约束模型,其中,目标函数包括微电网供电成本和电动汽车电池退化成本。
具体地,针对大规模数量的电动汽车,从经济性方面构建对所有电动汽车进行充放电调度的目标函数,以实现日前调度,其中目标函数包括微电网供电成本和电动汽车电池退化成本,即指定双目标优化问题(最小化微电网运营商和电动汽车所有者的成本),以实现对大限度地降低电力供应成本和电动汽车电池退化。在求解目标函数时,需要考虑一些约束条件,为此需构建对所有电动汽车进行充放电调度的至少一个约束模型。
S2,对K-means聚类算法中聚类质心的初始化方式进行改进,以得到改进的K-means聚类算法,并通过改进的K-means聚类算法划分所有电动汽车的不同类别。
需要说明的是,聚类质心的随机初始化可能会降低K-means的精度,增加计算时间/成本,因此对其进行改进。
具体地,为了避免计算中的维度问题,通过K-means聚类算法将所有电动汽车划分为不同的类别,为了提高分类准确性,确保分类可靠性,对K-means聚类算法中聚类质心的初始化方式进行改进,以得到改进的K-means聚类算法。
其中,电动汽车的类别可以是表征电动汽车充放电的通常类别,比如到达时间、充放电时间等,在实际应用时具体可根据实际需求确定,本发明实施例对此不做具体限制。
S3,获取所有电动汽车的模式,其中,电动汽的模式包括A模式和B模式,其中,A模式是指不具备V2G功能,B模式是指具备V2G功能。
具体地,就每辆电动汽车而言,具体通过驾驶员事先确定具备V2G功能,或者不具备V2G功能,为了提高调度效效率的同时保证调度准确性,本发明实施例在充放电调度时需要了解各电动汽车的模式,即属于A模式电动汽车(不具备V2G功能的电动汽车)还是属于B模式电动汽车(具备V2G功能的电动汽车)。
S4,以约束模型、所有电动汽车的不同类别和所有电动汽车的模式为约束条件,以微电网供电成本和电动汽车电池退化成本最小化为优化目标,对目标函数进行求解得到每辆电动汽车的日前充放电调度方案。
其中,日前充放电调度方案包括调度的充放电时间(包括充放电开始时间和充放电结束时间)、调度的充放电电量,其中调度的充放电开始时间是指通过调度得到的充放电开始时间,调度的充放电电量是指通过调度得到的充放电电量。也即通过日前调度得到对每辆电动汽车何时进行充放电以及充放电量的多少。
具体地,可通过遗传算法与粒子群算法相结合的算法,以约束模型、所有电动汽车的不同类别和所有电动汽车的模式作为约束条件,以微电网供电成本最小化和电动汽车电池退化成本最小化为目标,对目标函数进行求解,得到每辆电动汽车的日前充放电调度方案,其为最优调度方案。
通过执行步骤S1~S3即可即可在前一日得到所有电动汽车在未来一日的最优调度方案,在未来一日(也可称为实际调度日)需要驾驶者对最优调度方案进行实施,即根据最优调度方案对电动汽车进行充放电。其中,驾驶员在前一日也根据对应的日前最优调度方案进行充放电控制。
需要说明的是,最优调度方案用于引导驾驶员对电动汽车进行最优充放电,在每一日,驾驶员根据最优调度方案进行充放电,实际情况下,驾驶员的行为可能与最优调度方案不一致,以及为了引导驾驶员严格遵循最优调度方案,需要在实际调度日对所有电动汽车的充放电进行实时协调。
S5,根据每辆电动汽车与日前充放电调度方案的一致性确定奖励分数;
具体地,在每日充放电或者实际调度结束后对于每辆电动汽车,根据其与前一日计划的充放电调度方案(日前充放电调度方案)之间的一致性确定奖励分数,用于未来一日(实际调度日)的实时协调,其中一致性越高,则奖励分数越高;一致性越低,则奖励分数越低,奖励分数即表征驾驶的行为遵循日前充放电调度方案的程度。
S6,在实际调度日根据奖励分数对所有电动车进行排序,并基于排序结果和日前充放电调度方案对所有电动汽车进行充放电协调。
其中,奖励分数越高,电动汽车的排序或者排名越高;奖励分数越低,电动汽车的排序或者排名越低。
具体地,在实际调度日,根据各电动汽车获得的奖励分数对所有电动汽车进行排序,可基于排序结果和实际调度日的日前充放电调度方案(步骤S1~S4得到)对各电动汽车的充放电进行实时协调,其中,排序较高的电动汽车可以优先进行充放电,可以获得更短的等待时间来满足其需求并获得利益。
本发明实施例首先在前一日针对大规模电动汽车的进行日前最优调度,最大限度地降低电力供应成本和电动汽车电池退化,其次为了避免计算中的维度问题,提出了一种改进的K-means聚类算法,将车辆划分为不同的聚类,最后基于有效的评分***在实际调度日进行在线协调,以在考虑驾驶员不确定性行为的前提下鼓励驾驶员遵循日前最优调度方案。其中,在进行日前最优调度时,最大限度的最小化电力供应成本和电动汽车电池退化成本,保证微电网和电动汽车车主的利益,解决由于电动汽车渗透率提高对电网带来的负面影响;改进的K-means聚类算法,有效地避免了计算中的维度问题,将车辆划分为不同的聚类,成为实时调度顺利实施的保障。
由此,在日前充放电调度的基础上基于奖励分数和充放电调度方案进行充放电协调,实现了考虑驾驶员不确定性行为的协调,保证日前充放电调度方案的有效实施,进而可以最大限度的降低电力供应成本和电动汽车电池退化成本,从而可以保证电动汽车充放电控制的可靠性、准确性和经济性。
在本发明的一个实施例中,目标函数为:
(1)
(2)
(3)
其中,F 1 和F 2 分别表示微电网供电成本和电动汽车电池退化成本,为t时段从主电站购买的电量,/>为分时电价;C B 和/>分别为电池成本和电池寿命周期,/>为电动汽车电池容量,/>为第i个B模式电动汽车在t时段的充放电功率,DOD为放电深度,/>为充电效率,N B 为B模式电动汽车的数量,B模式电动汽车是指具备V2G功能的电动汽车。
进一步地,约束模型包括电量约束模型、供需平衡模型和电动汽车荷电状态约束模型中的一个或者一个以上的任意组合。
从微电网输入的电量应保持在允许的范围内,即电量约束模型为:
(4)
其中,为t时段从主电站购买的电量,/>和/>分别为从主电站购买的最小电量和最大电量。
供给和需求之间应平衡,即供需平衡模型为:
(5)
(6)
其中,为t时段从主电站购买的电量,/>为t时段光伏输出,/>为t时段微电网非电动汽车总需求,/>为日前充放电调度方案中所有电动汽车在t时段的总可用功率(电动汽车的总充放电曲线), N A 和N B 分别为A模式电动汽车和B模式电动汽车的数量,/>为第j个A模式电动汽车在t时段的充放电功率,/>为第i个B模式电动汽车在t时段的充放电功率,A模式电动汽车是指不具备V2G功能的电动汽车,B模式电动汽车是指具备V2G功能的电动汽车。
设SOC i,t 为第i个电动汽车在t时段的荷电状态,则SOC i,t 应保持在最小荷电状态和最大荷电状态之间,即20%和90%之间,即电动汽车荷电状态约束模型为:
(7)
其中,SOC i,t 为第i个电动汽车在t时段的荷电状态,和/>分别为电动汽车的最小荷电状态和最大荷电状态。
在本发明的一个实施例中,步骤S2中的对K-means聚类算法中聚类质心的初始化方式进行改进,可包括:
步骤1:在欧氏空间中获得包含个数据点的数据集的中心O,选择离中心O最近的点,作为第一个聚类质心;
步骤2:计算每个数据点到第一个聚类质心的距离,并计算所有距离的平均值 :
(8)
式中,m为所有点的总数,x l 表示第l个点,为第一个聚类质心;
步骤3:将数据点到第一个聚类质心的距离小于或者等于平均值的点分配到聚类集中,并从将其从数据集中剔除;
步骤4;从剩下的数据集中,再次选择离中心O最近的数据点作为新的聚类质心,重复步骤3;
步骤5:重复步骤4,直至分析完所有剩余的数据点后获得初步的聚类质心;
步骤6:定义聚类集的最小数据点数,删除数据点数小于最小数据点数的聚类集,并将该聚类集数据点分配给最近的聚类集;
步骤7:通过对每个聚类集的数据点进行平均处理,得到初始化的多个聚类质心。剩下的是基于传统的K-means算法。
进一步地,步骤S2中的通过改进的K-means聚类算法划分所有电动汽车的不同类别,可包括:通过改进的K-means聚类算法,并根据各电动汽车的到达时间和离开时间划分所有电动汽车的不同类别。
具体而言,通过以上步骤对K-means算法进行改进后,通过改进的K-means算法结合电动汽车行程的到达时间和离开时间对所有电动汽车进行分类,实现各个电动汽车向各个聚类质心的聚类工作,比如,到达时间相同或者相近的电动汽车为一类,离开时间相同或相近的为一类等。
其中,电动汽车的到达时间和离开时间可以是基于历史数据预测得到的。
通过步骤S1~S3即得到具体的目标函数及其约束条件,之后,对目标函数进行求解得到日前充放电调度方案。之后执行步骤S4,即根据每辆电动汽车与日前充放电调度方案的一致性确定奖励分数。
在本发明的一个实施例中,通过以下公式计算每辆电动汽车的奖励分数:
(9)
其中,S(d+1)表示电动汽车在第d+1天的奖励分数,S(d)表示电动汽车在第d天的奖励分数,t st (d)为第d天日前充放电调度方案中调度的每个电动汽车的充放电开始时间(即充放电时段的开始时间),t en (d)为第d天电动汽车与充电器断开连接的时间(即充放电时段的结束时间),为电动汽车在时段t内充放电的奖励因子(假设驾驶员知道调度的充放电时间,开/关高峰小时)。
在计算得到奖励分数后,在实际调度之前,根据奖励分数对各电动汽车进行优先级排序,可通过以下公式对所有电动汽车进行排序:
(10)
(11)
其中,S k 代表t时段内允许充放电的第k个电动汽车的奖励分数,为t时段内允许充放电的第k个电动汽车的充电器状态指示器,处于充电状态时为1,未处于充电状态时为0,/>为第k个电动汽车在t时段的需求功率,/>为日前充放电调度方案中所有电动汽车在t时段的总可用功率。
其中,通过以下公式计算t时段内允许充放电的电动汽车数量:
(12)
其中,N per,t 为t时段内允许充放电的电动汽车数量,P chr 为电动汽车充电器的额定功率,为日前充放电调度方案中所有电动汽车在t时段的总可用功率,因此理想情况下,,但由于驾驶员驾驶行为的不确定性,实际情况下,实时/>。
在本发明的一个实施例中,步骤S6中的基于排序结果和日前充放电调度方案对所有电动汽车进行充放电协调,可包括:
获取排序最前的电动汽车的实际充放电开始时间,并判断排序最前的电动汽车的调度的充放电开始时间与实际充放电开始时间是否一致;
如果不一致,则计算排序最前的电动汽车的充放电开始时间,并根据调度的充放电电量和计算的充放电开始时间对排序最前的电动汽车进行充放电;
如果一致,则根据调度的充放电电量和调度的充放电开始时间对排序最前的电动汽车进行充放电。
具体而言,如图2所示,首先在实际调度日第d日时段t(t为一个小时)内对各电动汽车进行排序,根据排序结果(奖励分数越高,排序越前),确定排序最前的电动汽车,该电动汽车驾驶员即会根据具体需求输入或者预先输入实际充放电时间比如充放电开始时间,获取该实际充放电开始时间,并判断其与日前充放电调度方案中的调度的充放电开始时间是否一致(即判断驾驶员行为与调度方案是否一致),如果一致,则根据调度的充放电电量和调度的充放电开始时间对排序最前的电动汽车开始充放电;如果不一致,则计算排序最前的电动汽车的充放电开始时间,具体可通过以下公式计算:
(13)
(14)
(15)
其中,t avail (d)表示第d天电动汽车的充放电开始时间,为第d天t时段电动汽车的可用率(一天当中,t时段的充放电时间占总充放电时间的比值),X为1×24向量,其中每个向量是均匀分布的随机变量,以对驾驶员的行为施加不确定性,argmax是一种求取最大值的函数,它给出了/>的逐元素乘法值最大化的小时数,/>为中间变量,归一化得到/>,/>为第d+1天t时段电动汽车的可用率,/>为等待系数。
以上公式,将电动汽车充放电开始时间定义为受可用率影响的变量,引入可用率/>来反映驾驶员的行为。在程序开始时,第1天,每小时的可用率等于1/24,并且根据等待系数/>每天更新,该系数是为驾驶员在等待队列中停留的每小时定义的。当驾驶员的行为不符合要求的调度时,驾驶员会改变自己的行为以更好地遵循调度方案。
根据以上公式(13)~(15)得到计算的充放电开始时间后,根据调度的充放电电量和计算的充放电开始时间对排序最前的电动汽车开始充放电。
根据排名,优先满足分数较高的电动汽车的需求,分数较低未能满足其需求的则进入等待序列或者继续参加该评分环节,满足了需求的车辆将从列表中删除并添加新的可用车辆到列表中,将排序较低的电动汽车(处于等待队列)的充放电计划分配到下一个小时内,并更新处于等待队列的电动汽车的等待时间,计算公式为:
(16)
其中,t que(d)是第d天电动汽车的等待时间,tst(d)代表第d天日前充放电调度方案中调度的每个电动汽车的充放电开始时间,t avail (d)表示计算的第d天电动汽车的充放电开始时间。
将等待时间展示给驾驶员,以使驾驶员知晓等待时间。
参照图2,在下一个小时内,可通过式(9)更新电动汽车的奖励分数、排序,根据排序结果的调度方案进行充放电协调,如此循环往复,直至该日调度结束。
参照图2,在t=24时一日的调度即结束,于是计算该日的奖励分数,以便下一日使用,之后进行下一日实际调度与协调。
如图3所示,本发明实施例包含日前调度和实时协调两部分,日前调度依次包括:
初始化步骤:预测得到电动汽车车队行驶模型(包括每日行程数、每次行程到达时间和每次行程离开时间 ),其中预测步骤为:
步骤(1):获取并分析包含历史数据比如近5年电动汽车驾驶模型统计数据的数据库,提取相似工作日的数据并存储在大小为A * B的矩阵Mat global 中,其中A = 240为天数,B= 3是参数的数量(参数即为出行信息,包括每日行程数、每次行程到达或开始时间、每次行程离开或结束时间);
步骤(2):通过分析行程次数,从Mat global 中提取包含行程次数最多的天的出行信息(行程信息)得到一个子矩阵Mat estim ,该子矩阵包含出行次数最多的天数的出行信息;
步骤(3):使用改进的K-means算法,将Mat estim 数据分类到不同的聚类中,得到包含电动汽车行程信息的聚类质心。计算出的簇数表示电动汽车的行程次数,利用质心信息得到电动汽车每次出行的能耗。
通过步骤(1)至(3),可得到电动汽车的预测的到达时间和离开时间。比如,可预测得到如图4所示的行程1、行程2和行程3的到达时间、离开时间。
电动汽车的分类步骤:将电动汽车的到达时间和离开时间作为改进的K-means聚类算法的两个特征量,根据这两个特征量进行聚类,以将所有电动汽车划分为不同类别;
求解步骤:进行日前优化调度,求解目标函数得到每辆电动汽车的最优充放电调度方案(充放电负荷引导曲线);
输出步骤:将日前充放电负荷引导曲线输出至下一日以用作实际实施。
实时协调依次包括:
协调步骤:根据如图2所示的流程,执行给定时段t内的实时协调过程,根据电动汽车的排序结果为其分配可用资源;
更新电动汽车的参数步骤:更新每辆电动汽车的SOC和综合评分;
输出步骤:在t=24时,提交信息到次日优化。
为了更加清楚地说明本发明实施例的充放电控制方法及其技术效果,下面通过一个具体实施例进行说明:
采用了现有统计数据,得到了电动汽车的行驶模式。在该模型中,电动汽车的数量是根据安大略省注册的个人车辆总数得出的。根据安大略省的气候变化计划,预计到2030年,电动汽车的销量将扩大到所有个人汽车销量的30%左右,因此,配电网中将有大约2423704辆电动汽车需要适当安排。具体充放电控制步骤为:
步骤1:提出了两种电动汽车规划模式,即不具备V2G能力的A模式和实现V2G的B模式。在每个计划日(实际调度日),驾驶员使用安装在智能手机上的应用程序通知聚合器他们想要参与哪种模式。
步骤2:选择B模式的驾驶员只允许在非高峰时段充电,在高峰时段放电。对于a模式的司机来说,限制更少,他们可以随时给车辆充电。
步骤3:对于A模式电动汽车,基于每日出行频率、每次出行持续时间和电池充电时间进行聚类。对于B模式电动汽车,电池的充电状态被认为是电动汽车集群的另一个特征。
步骤4:电动汽车聚合器根据上述步骤1~3获得的信息对所有车辆进行分组,并将分组后的信息通知调度中心。同时,利用预测模型即目标函数对电动汽车的概率驾驶模型进行预测,得到第二天电动汽车车队的需求概况。
步骤5:根据步骤4获得的信息,微电网调度中心调度图4的日前策略,样本电动汽车的估计日常驾驶模式。每辆电动汽车考虑第二天的微电网状态(非电动汽车需求概况,光伏输出和能源价格)。然后,通过对每组车辆的充放电计划进行汇总,得到充放电负荷引导曲线,并将其发送给电动汽车聚合器。
步骤6:在实际调度当天,通过基于奖励分数的实时协调,对每个时间段参与调度方案的电动汽车进行排序,并为排名靠前的电动汽车分配可用充放电负载能力。
步骤7:随着时间的推移,在评分***的基础上,司机试图修改他们的驾驶模式,以更好地与指导曲线保持一致,并体验更少(或更高)的等待时间(收益)。换句话说,评分***自动训练司机按照他们希望最大化(或最小化)他们的收入(成本)的愿望坚持前一天的计划。
综上所述,本发明实施例可以使调度器在不涉及动态定价方案的情况下在微电网中部署优化方案,有效地引导驾驶员在期望的时间框架内充电/放电,既降低了驾驶员的成本,又减小了微电网需求曲线的波动。随着时间的推移,该模型由于所提出的评分***和隐含的金钱激励而自我修正,并且更加可靠和准确。所提出的调度方案具有可扩展性,是解决即将到来的电动汽车在配电***中的大规模渗透的一种解决方案。
对应上述实施例的电动汽车的充放电控制方法,本发明还提出一种电动汽车的充放电控制装置。
图5为本发明实施例的电动汽车的充放电控制装置的方框示意图。
如图5所示,该电动汽车的充放电控制装置包括:构建模块10、改进模块20、获取模块30、求解模块40、确定模块50和协调模块60。
其中,构建模块10用于构建对所有电动汽车进行充放电调度的目标函数和约束模型,其中,所述目标函数包括微电网供电成本和电动汽车电池退化成本;改进模块20用于对K-means聚类算法中聚类质心的初始化方式进行改进,以得到改进的K-means聚类算法,并通过所述改进的K-means聚类算法划分所有电动汽车的不同类别;获取模块30用于获取所有电动汽车的模式,其中,所述电动汽的模式包括A模式和B模式,其中,A模式是指不具备V2G功能,B模式是指具备V2G功能;求解模块40用于以所述约束模型、所有电动汽车的不同类别和所有电动汽车的模式为约束条件,以所述微电网供电成本和电动汽车电池退化成本最小化为优化目标,对所述目标函数进行求解得到每辆电动汽车的日前充放电调度方案;确定模块50用于根据每辆电动汽车与日前充放电调度方案的一致性确定奖励分数;协调模块60用于在实际调度日根据所述奖励分数对所有电动车进行排序,并基于排序结果和日前充放电调度方案对所有电动汽车进行充放电协调。
需要说明的是,该电动汽车的充放电控制装置的具体实施方式及实施原理可参见上述电动汽车的充放电控制方法的具体实施方式,为避免冗余,此处不再详细赘述。
本发明实施例的电动汽车的充放电控制装置,在日前充放电调度的基础上基于奖励分数和充放电调度方案进行充放电协调,实现了考虑驾驶员不确定性行为的协调,保证日前充放电调度方案的有效实施,进而可以最大限度的降低电力供应成本和电动汽车电池退化成本,从而可以保证电动汽车充放电控制的可靠性、准确性和经济性。
在本发明的描述中,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必针对相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。此外,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模块中,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模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种电动汽车的充放电控制方法,其特征在于,包括以下步骤:
构建对所有电动汽车进行充放电调度的目标函数和约束模型,其中,所述目标函数包括微电网供电成本和电动汽车电池退化成本;
对K-means聚类算法中聚类质心的初始化方式进行改进,以得到改进的K-means聚类算法,并通过所述改进的K-means聚类算法划分所有电动汽车的不同类别;
获取所有电动汽车的模式,其中,所述电动汽的模式包括A模式和B模式,其中,A模式是指不具备V2G功能,B模式是指具备V2G功能;
以所述约束模型、所有电动汽车的不同类别和所有电动汽车的模式为约束条件,以所述微电网供电成本和电动汽车电池退化成本最小化为优化目标,对所述目标函数进行求解得到每辆电动汽车的日前充放电调度方案;
根据每辆电动汽车与日前充放电调度方案的一致性确定奖励分数;
在实际调度日根据所述奖励分数对所有电动车进行排序,并基于排序结果和日前充放电调度方案对所有电动汽车进行充放电协调。
2.根据权利要求1所述的电动汽车的充放电控制方法,其特征在于, 所述目标函数为:
其中,F1和F2分别表示微电网供电成本和电动汽车电池退化成本,为t时段从主电站购买的电量,/>为分时电价;CB和/>分别为电池成本和电池寿命周期,/>为电动汽车电池容量,/>为第i个B模式电动汽车在t时段的充放电功率,DOD为放电深度,/>为充电效率,NB为B模式电动汽车的数量,B模式电动汽车是指具备V2G功能的电动汽车。
3.根据权利要求1所述的电动汽车的充放电控制方法,其特征在于,对K-means聚类算法中聚类质心的初始化方式进行改进,包括:
步骤1:在欧氏空间中获得包含个数据点的数据集的中心,选择离所述中心最近的点,作为第一个聚类质心;
步骤2:计算每个数据点到第一个聚类质心的距离,并计算所有距离的平均值;
步骤3:将数据点到第一个聚类质心的距离小于或者等于所述平均值的点分配到聚类集中,并从将其从数据集中剔除;
步骤4;从剩下的数据集中,再次选择离所述中心最近的数据点作为新的聚类质心,重复步骤3;
步骤5:重复步骤4,直至分析完所有剩余的数据点后获得初步的聚类质心;
步骤6:定义聚类集的最小数据点数,删除数据点数小于所述最小数据点数的聚类集,并将该聚类集的数据点分配给最近的聚类集;
步骤7:通过对每个聚类集的数据点进行平均处理,得到初始化的多个聚类质心。
4.根据权利要求1所述的电动汽车的充放电控制方法,其特征在于,通过所述改进的K-means聚类算法划分所有电动汽车的不同类别,包括:
通过所述改进的K-means聚类算法,并根据各电动汽车的到达时间和离开时间划分所有电动汽车的不同类别。
5.根据权利要求1所述的电动汽车的充放电控制方法,其特征在于,通过以下公式计算每辆所述电动汽车的奖励分数:
其中,S(d+1)表示电动汽车在第d+1天的奖励分数,S(d)表示电动汽车在第d天的奖励分数,tst(d)为第d天日前充放电调度方案中调度的每个电动汽车的充放电开始时间,ten(d)为第d天电动汽车与充电器断开连接的时间,为电动汽车在时段t内充放电的奖励因子。
6.根据权利要求1所述的电动汽车的充放电控制方法,其特征在于,通过以下公式对所有电动汽车进行排序:
其中,Nper,t为t时段内允许充放电的电动汽车数量,Sk代表t时段内允许充放电的第k个电动汽车的奖励分数,为t时段内允许充放电的第k个电动汽车的充电器状态指示器,处于充电状态时为1,未处于充电状态时为0,/>为第k个电动汽车在t时段的需求功率,/>为日前充放电调度方案中所有电动汽车在t时段的总可用功率。
7.根据权利要求6所述的电动汽车的充放电控制方法,其特征在于,通过以下公式计算t时段内允许充放电的电动汽车数量:
其中,Nper,t为t时段内允许充放电的电动汽车数量,Pchr为电动汽车充电器的额定功率,为日前充放电调度方案中所有电动汽车在t时段的总可用功率。
8.根据权利要求1所述的电动汽车的充放电控制方法,其特征在于,所述日前充放电调度方案包括调度的充放电时间、调度的充放电电量,其中所述调度的充放电时间包括调度的充放电开始时间,
基于排序结果和日前充放电调度方案对所有电动汽车进行充放电协调,包括:
获取排序最前的电动汽车的实际充放电开始时间,并判断排序最前的电动汽车的调度的充放电开始时间与所述实际充放电开始时间是否一致;
如果不一致,则计算排序最前的电动汽车的充放电开始时间,并根据所述调度的充放电电量和计算的充放电开始时间对排序最前的电动汽车进行充放电;
如果一致,则根据所述调度的充放电电量和所述调度的充放电开始时间对排序最前的电动汽车进行充放电。
9.根据权利要求8所述的电动汽车的充放电控制方法,其特征在于,通过以下公式计算电动汽车的充放电时间:
其中,tavail(d)表示第d天电动汽车的充放电开始时间,为第d天t时段电动汽车的可用率,X为1×24向量,其中每个向量是均匀分布的随机变量,/>为中间变量,归一化得到/>,/>为第d+1天t时段电动汽车的可用率,/>为等待系数。
10.一种电动汽车的充放电控制装置,其特征在于,包括:
构建模块,用于构建对所有电动汽车进行充放电调度的目标函数和约束模型,其中,所述目标函数包括微电网供电成本和电动汽车电池退化成本;
改进模块,用于对K-means聚类算法中聚类质心的初始化方式进行改进,以得到改进的K-means聚类算法,并通过所述改进的K-means聚类算法划分所有电动汽车的不同类别;
获取模块,用于获取所有电动汽车的模式,其中,所述电动汽的模式包括A模式和B模式,其中,A模式是指不具备V2G功能,B模式是指具备V2G功能;
求解模块,用于以所述约束模型、所有电动汽车的不同类别和所有电动汽车的模式为约束条件,以所述微电网供电成本和电动汽车电池退化成本最小化为优化目标,对所述目标函数进行求解得到每辆电动汽车的日前充放电调度方案;
确定模块,用于根据每辆电动汽车与日前充放电调度方案的一致性确定奖励分数;
协调模块,用于在实际调度日根据所述奖励分数对所有电动车进行排序,并基于排序结果和日前充放电调度方案对所有电动汽车进行充放电协调。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311370154.5A CN117114367B (zh) | 2023-10-23 | 2023-10-23 | 一种电动汽车的充放电控制方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311370154.5A CN117114367B (zh) | 2023-10-23 | 2023-10-23 | 一种电动汽车的充放电控制方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117114367A true CN117114367A (zh) | 2023-11-24 |
CN117114367B CN117114367B (zh) | 2024-01-26 |
Family
ID=88805967
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311370154.5A Active CN117114367B (zh) | 2023-10-23 | 2023-10-23 | 一种电动汽车的充放电控制方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117114367B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112488444A (zh) * | 2020-10-31 | 2021-03-12 | 海南电网有限责任公司 | 电动汽车快慢同步有序充电调度方法以及电量结算方法 |
CN113887032A (zh) * | 2021-09-26 | 2022-01-04 | 云南电网有限责任公司 | 基于拉格朗日分布式算法的电动汽车有序充放电控制方法 |
CN115860379A (zh) * | 2022-11-28 | 2023-03-28 | 国网电动汽车服务(天津)有限公司 | 基于转换经济目标的电动汽车日前调度策略及*** |
-
2023
- 2023-10-23 CN CN202311370154.5A patent/CN117114367B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112488444A (zh) * | 2020-10-31 | 2021-03-12 | 海南电网有限责任公司 | 电动汽车快慢同步有序充电调度方法以及电量结算方法 |
CN113887032A (zh) * | 2021-09-26 | 2022-01-04 | 云南电网有限责任公司 | 基于拉格朗日分布式算法的电动汽车有序充放电控制方法 |
CN115860379A (zh) * | 2022-11-28 | 2023-03-28 | 国网电动汽车服务(天津)有限公司 | 基于转换经济目标的电动汽车日前调度策略及*** |
Also Published As
Publication number | Publication date |
---|---|
CN117114367B (zh) | 2024-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105160428B (zh) | 高速公路电动汽车快速充电站的规划方法 | |
CN105868942B (zh) | 电动汽车的有序充电调度方法 | |
CN112193116B (zh) | 一种考虑奖励机制的电动汽车充电优化引导策略 | |
CN108764634A (zh) | 一种考虑充电需求增长的电动汽车充电站动态规划方法 | |
CN107169273A (zh) | 计及延时和v2g充电模式的电动汽车充电功率预测方法 | |
CN116001624A (zh) | 基于深度强化学习的一桩多联电动汽车有序充电方法 | |
CN111754039A (zh) | 纯电动公交线网综合集成优化设计的方法 | |
CN109800917A (zh) | 一种电动汽车停车场的规划方法、装置和计算设备 | |
CN110232219A (zh) | 一种基于数据挖掘的电动汽车可调度容量核定方法 | |
Zhang et al. | Stochastic modeling and analysis of public electric vehicle fleet charging station operations | |
CN114039370A (zh) | 基于v2g模式的电动汽车与智能充放电站的资源优化方法 | |
CN114897285B (zh) | 一种基于剩余电量的共享汽车调度方法 | |
CN114722595A (zh) | 一种含有换电站的微电网优化运行方法 | |
CN115222251A (zh) | 一种基于混合分层强化学习的网约车调度方法 | |
Wang et al. | Wireless charging lane deployment in urban areas considering traffic light and regional energy supply-demand balance | |
CN115689310A (zh) | 城市纯电动公交***资源配置经济性的鲁棒评估方法 | |
CN114997478A (zh) | 基于混合多目标粒子群算法的新能源公交车充电调度方法 | |
CN113343437B (zh) | 电动汽车快速充电引导方法、***、终端及介质 | |
CN109919393A (zh) | 一种电动出租汽车的充电负荷预测方法 | |
CN114122466A (zh) | 燃料电池车电池优化管理方法、***、设备及介质 | |
CN117114367B (zh) | 一种电动汽车的充放电控制方法及装置 | |
CN117172861A (zh) | 基于用户负荷差异与空间约束的移动充电动态定价方法 | |
CN114742118A (zh) | 电动汽车集群充放电负荷组合预测方法 | |
CN117035357A (zh) | 一种电动出租车队在能源-交通中的充放电调度方法 | |
CN113222248B (zh) | 一种自动驾驶出租车充电桩选择方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |