CN103078152A - 集中性充电站智能充电方法 - Google Patents

Abstract

本发明公开了电力系统技术领域的一种集中性充电站智能充电方法。其技术方案是，首先，依据电池换电时刻的荷电状态，对电池进行归类处理；其次，根据闭环供应链理论，基于前向供应链，构建充电站与换电点的协调配合模型；基于反向供应链，构建换电点与用户的协调配合模型；最后，采用约束多目标整数差分进化算法对充电站的电池接入充电进行优化。本方法提出的约束多目标整数差分进化算法充分考虑了不同接入时刻电池充电的限制，引入了变权重初始寻优上界方法；由于充电模型中含有的众多约束，引入基于种群信息的动态约束实现方法。该方式适用于各类多目标整数优化问题，具有鲁棒性好、收敛速度快和良好的全局搜索能力。

Description

集中性充电站智能充电方法

技术领域

本发明属于电力系统技术领域，尤其涉及一种集中性充电站智能充电方法。

背景技术

目前，电动汽车以确定成为未来汽车发展的一个方向，由于电动汽车的电能补充最终由电网提供；而现阶段的研究表明，若不对电动汽车汽车的充电负荷进行控制，将对电力系统的安全稳定运行带来影响：增加系统负荷峰谷差、劣化系统的负荷特性等，从而产生增加系统一次投资等不利影响。

电动汽车的电能补充主要有两种模式：插充和换电。由于换电模式的可较小充电设施的占地需求、降低用户的购车成本和便于进行有序充电控制等，国家电网公司等确定了以“换电为主插充为辅集中充电统一配送”的运营方式。现阶段的充电控制策略多是针对插充模式进行，而换电模式下的充电控制却鲜有涉及。

在采用换电模式进行电能补充时，将不可避免考虑电池的运营方式。现阶段研究人员构建了基于闭环供应链理论的电池租赁模式下的电池库存管理技术，但缺乏由于电池充电对电力系统运行产生的影响，并且所构建的供应链模型也缺乏对用户需求的考虑。

由于需要同时兼顾用户、运营方和电网三方面的利益，且三主体间存在相互违背的因素，因此需要通过构建多目标优化模型对集中性充电站的充电进行优化。目前求解多目标优化的方法主要有基于遗传算法（GA）的NSGA-Ⅱ、多目标差分进化等智能算法。

发明内容

针对上述技术背景中的提到的换电运营方式和闭环供应链库存分析方法中存在的不足，本发明提供了一种集中性充电站智能充电方法。

一种集中性充电站智能充电方法，其特征在于，所述方法具体包括以下步骤：

步骤1：依据电池换电时刻的荷电状态，对电池进行归类处理；

步骤2：根据闭环供应链理论，基于前向供应链，构建充电站与换电点的协调配合模型；基于反向供应链，构建换电点与用户的协调配合模型；

步骤3：采用约束多目标整数差分进化算法对充电站的电池接入充电进行优化。

步骤1中，对电池进行归类处理的方法是：

初始化外部信息；这些信息包含电动汽车用户的换点时刻及对应的荷电状态，电池容量Cr、电池由换电点配送至充电站的时间间隔ΔT、负荷的抽样间隔Δh、充电机充电功率P_c、充电效率η_c、充电优化时长T、充电站内充电调度步长Δt、充电机数量N_OI、变电站目标日负荷P_local；

动力电池的充电模式为恒流-恒压2阶段充电方式，充电过程中充电功率近似不变；电池持续充电至荷电状态达到预定值SOC_set。由于不同荷电状态的电池充电至预充值所需的时间不同，因此，本发明依照电池更换时的荷电状态将电池分为N_k类：

$N_k=\left[\frac{{\mathrm{SOC}}_{\mathrm{ini},\max }-{\mathrm{SOC}}_{\mathrm{ini},\min }}{P_c{\mathrm{\Δh\η}}_c}{C}_r\right]+1$

其中，SOC_ini，min为换电时荷电状态最小值；SOC_ini，max为换电时荷电状态最大值；Cr为电池容量；Δh为负荷的抽样间隔；P_c为充电机充电功率；η_c为充电效率；[]为取整操作；

则时段[t,t+ΔT]，第k类电池的换电需求的计算公式为：

$N_{D,k}^t=\underset{h=t}{\overset{t+\mathrm{\ΔT}}{\mathrm{\Σ}}}{N}_k^h=\underset{h=t}{\overset{t+\mathrm{\ΔT}}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_D^h}{\mathrm{\Σ}}}{N}_{\mathrm{SOC},j}$

其中， $N_{\mathrm{SOC},j}=\left\{\begin{array}{cc}1,& \mathrm{if}{k}_0-1+k\&le;\frac{{\mathrm{SOC}}_{\mathrm{set}}-{\mathrm{SOC}}_{\mathrm{ini},j}}{p_c\mathrm{\&Delta;h}}<k_0+k\\ 0,& \mathrm{else}\end{array}\right.,$ SOC_ini,j为电池j的初始荷电状态； $k_0=\mathrm{ceil}\left(\frac{{\mathrm{SOC}}_{\mathrm{set}}-{\mathrm{SOC}}_{\mathrm{ini},\max }}{p_c\mathrm{\&Delta;h}}{C}_r\right),$ k∈[1,N_k)；SOC_ini，max为充电设定电池荷电状态上限；SOC_set为充电设定电池荷电状态上限；

则第k类电池充电所需时间T_k为T_k=(k₀+k-1)Δh。

步骤2中，基于前向供应链，构建充电站与换电点协调配合模型的过程为：

换电点由集中性充电站获取电池补充后，向电动汽车用户提供换电服务。为确保用户的换电需求得到满足，在调度时刻内需满足：

$N_s^t+N_R^t\&GreaterEqual;N_D^t=\underset{k=1}{\overset{N_k}{\mathrm{\&Sigma;}}}{N}_{D,k}^t,$ $\&ForAll;t\&Element;[1,T]$

$N_s^t=N_s^{t-\mathrm{\&Delta;t}}+N_o^t$

其中，

为时刻t站内完成充电的电池库存量，

为时刻t充电站内需要的备用电池数量；

为时段[t,t+ΔT]内换电点需要的换电数量；ΔT电池由换电点配送至充电站的时间间隔；

为在时段[t-Δt,t]充电站内完成充电的电池数量；Δt为充电站内充电调度步长；

时段[t-Δt，t]内充电站内完成充电的电池数量

为

$N_o^t=\underset{k=1}{\overset{N_k}{\mathrm{\&Sigma;}}}{N}_{o,k}^t=\underset{k=1}{\overset{N_k}{\mathrm{\&Sigma;}}}{N}_{i,k}^{t-T_k}$

其中，

为时段[t-Δt,t]内第k类电池的完成充电的数量；

为时刻t-T_k第k类电池接入充电的数量。

在系统内充电完成的电池不能满足用户的需求时，需取用备用电池：

$N_R^t=\max (N_D^t-N_s^t,0)$

其中，

为时刻t充电站内需要的备用电池数量；为时段[t，t+ΔT]内换电点需要的换电数量；

为时刻t站内完成充电的电池库存量。

步骤2中，基于反向供应链，构建换电点与用户的协调配合模型的过程为：

换电点将用户换下的电池统一配送至集中性充电站进行充电，则有：

$N_w^t=N_w^{t-\mathrm{\&Delta;t}}+N_D^{t-\mathrm{\&Delta;T}}-N_i^t=N_w^{t-\mathrm{\&Delta;t}}+N_D^{t-\mathrm{\&Delta;T}}-\underset{k=1}{\overset{N_k}{\mathrm{\&Sigma;}}}{N}_{i.k}^t$

其中，

为时刻t充电站内等待充电的电池数量，

为时刻t第k类电池接入充电的数量

则时刻t站内在充电池的数量

为

$N_c^t=N_c^{t-\mathrm{\&Delta;t}}+N_i^t-N_o^t=\underset{k=1}{\overset{N_k}{\mathrm{\&Sigma;}}}{N}_{c,k}^t$

其中，

为时刻t第k类电池在充电的数量。

步骤3中，采用约束多目标整数差分进化算法对充电站的电池接入充电进行优化的具体步骤包括：

步骤301：初始化优化数量数N、种群规模Np、寻优变量的上界Ub、寻优变量的下界Lb、约束控制参数r_f、缩放参数F上界F_max、缩放参数F下界F_min、交叉参数C_R上界C_Rmax、交叉参数C_R下界C_Rmin和终止代数G_max；

步骤302：确定编码方式，初始化种群，并对生成的个体执行剪切操作，对初始种群进行违约束程度和适应度评价；

步骤303：进行差分操作，对经差分操作产生的子代种群个体计算个体的违反约束程度，确定个体的更新方式；

步骤304：判断是否满足终止条件。若满足，则执行步骤305；若不满足，返回步骤303；所述终止条件满足以下条件之一：

1）到达设定的迭代次数；

2）种群中的个体都位于Pareto非劣解中，且种群中所有的个体都为可行解；即种群中所有个体的Pareto等级都为1，且所有个体都为可行解；

步骤305：将获得的Pareto解集输出，供决策人员进行决策。

步骤301中，确定寻优变量上界的具体方法为：

对于第k类电池，初始各调度时刻t的可充电权重

$W_k^t=\frac{P_{\mathrm{loacl},\max }-P_{\mathrm{local}}^t}{P_{\mathrm{loacl},\max }-P_{\mathrm{loacl},\min }}$

其中，P_loacl,max为变电站日负荷的最大值；

P_loacl,min为变电站日负荷的最小值；

为变电站时刻t的负荷值；

对于第k类电池，各调度时刻t的选优变量上界为：

$U_{b,k}^t=W_k^t\&times;N_{\mathrm{OI}}$

其中，N_OI为充电机数量；

为可充电权重；

步骤302中，种群初始化和剪切处理的具体方法为：

编码方式为实数编码，采用随机初始化初始种群：

$N_{i,k}^t=\mathrm{rand}\&times;(U_{b,k}^t-L_{b,k}^t)+L_{b,k}^t$

其中，rand为（0，1）之间均匀分布的随机数。由于寻优变量为整数，需对采用随机生成和经差分操作后的个体进行剪切处理：

且rand<0.5从而获得初始个体：

$\left[\begin{array}{ccccc}{N}_{i,1}^{\mathrm{\&Delta;t}}& N_{i,2}^{\mathrm{\&Delta;t}}& \&CenterDot;\&CenterDot;\&CenterDot;& \&CenterDot;\&CenterDot;\&CenterDot;& N_{i,N_k}^{\mathrm{\&Delta;t}}\\ N_{i,1}^{2\mathrm{\&Delta;t}}& N_{i,2}^{2\mathrm{\&Delta;t}}& \&CenterDot;\&CenterDot;\&CenterDot;& \&CenterDot;\&CenterDot;\&CenterDot;& N_{i,N_k}^{2\mathrm{\&Delta;t}}\\ \&CenterDot;& \&CenterDot;& & & \&CenterDot;\\ \&CenterDot;& \&CenterDot;& \&CenterDot;\&CenterDot;\&CenterDot;& \&CenterDot;\&CenterDot;\&CenterDot;& \&CenterDot;\\ \&CenterDot;& \&CenterDot;& & & \&CenterDot;\\ \&CenterDot;& \&CenterDot;& & & \&CenterDot;\\ \&CenterDot;& \&CenterDot;& \&CenterDot;\&CenterDot;\&CenterDot;& \&CenterDot;\&CenterDot;\&CenterDot;& \&CenterDot;\\ \&CenterDot;& \&CenterDot;& & & \&CenterDot;\\ N_{i,1}^T& N_{i,2}^T& \&CenterDot;\&CenterDot;\&CenterDot;& \&CenterDot;\&CenterDot;\&CenterDot;& N_{i,N_k}^T\end{array}\right]$

进一步的，集中性充电站内充电优化模型为：

min[f₁,f₂]

$f_1=\frac{1}{T-1}\sqrt{\underset{i=1}{\overset{T}{\mathrm{\&Sigma;}}}{(P_{\mathrm{local}}^t+P_c^t-P_{\mathrm{av}})}^2}$

$P_c^t=N_c^t\&times;P_c,$

$f_2=\underset{t=1}{\overset{T}{\mathrm{\&Sigma;}}}{N}_R^t=\underset{t=1}{\overset{T}{\mathrm{\&Sigma;}}}\max (N_D^t-N_s^t,0)$

$s.t.\left\{\begin{array}{c}{N}_c^t\&le;N_{\mathrm{OI}},\&ForAll;t\&Element;[1,T]\\ 0\&le;N_{i,k}^t\&le;N_{w,r}^t,\&ForAll;t\&Element;[1,T]\\ \underset{t=0}{\overset{T}{\mathrm{\&Sigma;}}}{N}_o^t=\underset{t=0}{\overset{T}{\mathrm{\&Sigma;}}}{N}_D^t\\ N_s^t+N_R^t\&GreaterEqual;N_D^t,\&ForAll;t\&Element;[1,T]\\ \max (P_c^t+P_{\mathrm{local}}^t)\&le;(1+\mathrm{\&beta;})\max \left(P_{\mathrm{local}}^t\right),\&ForAll;t\&Element;[1,T]\end{array}\right.$

其中，T为调度优化的总时长；

为变电站时刻t的负荷值；

为时刻t集中性充电站的充电负荷；

P_av为充电站内[1,T]时段内负荷的平均值；

为时刻t充电站内需要的备用电池数量；

为时段[t,t+ΔT]内换电点需要的换电数量；

为时刻t充电站内完成充电的电池库存量；

为时刻t充电站内在充电的电池数量；

P_c为充电机的充电功率；

N_OI为集中性充电站内充电机的数量；

为时刻t新接入充电的第k类电池的数量；

为时刻t充电站内等待充电的第k类电池的数量；

为时段[t-Δt,t]充电站内完成充电的电池数量；

β为变电站允许的负荷增长比例，对于重载变电站其为0，轻载变电站可依情况调整。

步骤302中，对初始种群进行违约束程度和适应度评价的具体方法为：

对生成的个体方案i，首先计算对各约束的违反程度，对于约束j：

对初始种群中的个体，将各个体约束的违反约束程度进行归一化：

${\mathrm{violate}}_{i,j}=\frac{{\mathrm{Violate}}_{i,j}-{\mathrm{Violate}}_{j,\min }}{{\mathrm{Violate}}_{j,\max }-{\mathrm{Violate}}_{j,\min }}$

${\mathrm{violate}}_i=\underset{j=1}{\overset{\mathrm{Noc}}{\mathrm{\&Sigma;}}}{\mathrm{violate}}_{i,j}$

其中，Violate_j,max为初始种群中个体在约束j上的最大违反约束程度；Violate_j，min为初始种群中个体在约束j上的最小违反约束程度；N_oc为约束的数量；violate_i为经归一化后初始种群中的个体i的总体约束违反程度；violate_i，j为经归一化后初始种群中的个体i在约束j上的约束违反程度；

对生成的个体方案i，计算对各目标函数值，即适应度，具体计算步骤如下：

依据输入个体，即充电方案N_i，确定各时刻的再充电电池数量N_c，计算公式如下：

$N_c^t=N_c^{t-\mathrm{\&Delta;t}}+N_i^t-N_o^t$

从而确定时刻t的充电功率

$P_c^t=N_c^t\&times;P_c$

进而确定时段[1,T]内充电站的负荷波动方差：

$f_1=\frac{1}{T-1}\sqrt{\underset{i=1}{\overset{T}{\mathrm{\&Sigma;}}}{(P_{\mathrm{local}}^t+P_c^t-P_{\mathrm{av}})}^2}$

依据充电方案N_i确定的各时刻的电池产出N_o，确定时刻t充电站内完成充电的电池数量N_s：

$N_o^t=\underset{k=1}{\overset{N_k}{\mathrm{\&Sigma;}}}{N}_{o,k}^t=\underset{k=1}{\overset{N_k}{\mathrm{\&Sigma;}}}{N}_{i,k}^{t-T_k}$

$N_s^t=N_s^{t-\mathrm{\&Delta;t}}+N_o^t$

进而结合换电需求N_D，确定时刻t的备用需求

$N_R^t=\max (N_D^t-N_s^t,0)$

从而确定总的备用需求N_R：

$f_2=\underset{t=1}{\overset{T}{\mathrm{\&Sigma;}}}{N}_R^t=\underset{t=1}{\overset{T}{\mathrm{\&Sigma;}}}\max (N_D^t-N_s^t,0)$

步骤303中，差分操作的具体步骤为：

$v_i^{G+1}=x_{r1}^G+F_i^G\&CenterDot;(x_{r2}^G-x_{r3}^G)$

其中，

和

为第G代中随机采样的个体；

是与目标个体对应的变异个体；

是与目标个体

对应的变异个体，且r₁≠r₂≠r₃≠i；

为缩放因子，用于控制差异向量的缩放程度， $F_i^0=(F_{\max }-F_{\min })\&times;\mathrm{rand}+F_{\min }.$

为增加种群的多样性，采用二项式交叉算子生成试验个体

的方式为：

$u_{\mathrm{ij}}^{G+1}=\left\{\begin{array}{cc}{v}_{\mathrm{ij}}& \mathrm{ifrand}\&le;{\mathrm{CR}}_i^G\mathrm{orj}={\mathrm{rnbr}}_i\\ x_{\mathrm{ij}}^G& \mathrm{else}\end{array}\right.$

其中，

为交叉概率，控制种群的多样性，影响子代个体从父代的继承能力， $C_{\mathrm{Ri}}^0=(C_{R\max }-C_{R\min })\&times;\mathrm{rand}+C_{R\min };$ rnbr_i是从[1,D]中随机选取的一个整数，用来确保

中至少有一分量由的相应分量贡献。

同时更新子代个体中的控制参数F和C_R：

$F_i^{G+1}=\left\{\begin{array}{cc}{F}_{\min }+r_1{F}_{\max },& r_2<{\mathrm{\&tau;}}_1\\ F_{i,},& \mathrm{else}\end{array}\right.$

$C_{R,i}^{G+1}=\left\{\begin{array}{cc}{r}_3,& r_4<{\mathrm{\&tau;}}_2\\ C_{R,i}^G,& \mathrm{else}\end{array}\right.$

其中，r₁、r₂、r₃、r₄为[0,1]之间的均匀分布随机数；τ₁、τ₂分别为种群中调整个体相对应的F和C_R的概率。

步骤303中，对经差分操作产生的子代种群个体的违反约束程度和适应度计算的详细步骤为：

对生成的个体方案i，首先计算各约束的违反程度和适应度。

对于约束j：

将子代与父代种群混合，获得混合种群Q，将个体各约束的违反约束程度进行归一化：

${\mathrm{violate}}_{i,j}=\frac{{\mathrm{Violate}}_{i,j}-{\mathrm{Violate}}_{j,\min }}{{\mathrm{Violate}}_{j,\max }-{\mathrm{Violate}}_{j,\min }}$

${\mathrm{violate}}_i=\underset{j=1}{\overset{\mathrm{Noc}}{\mathrm{\&Sigma;}}}{\mathrm{violate}}_{i,j}$

其中，Violate_j,max为混合种群Q中个体在约束j上的最大违反约束程度；Violate_j，min为混合种群Q中个体在约束j上的最小违反约束程度；N_oc为约束的数量；violate_i为经归一化后混合种群中Q中的个体i的总体约束违反程度；violate_i，j为经归一化后混合种群Q中的个体i在约束j上的约束违反程度；

同时计算Q中含有的可行解所占有的比例R_f：

$R_f=\frac{\underset{i=1}{\overset{2\mathrm{Np}}{\mathrm{\&Sigma;}}}{\mathrm{Feasile}}_i}{2\mathrm{Np}}$

其中， ${\mathrm{Feasile}}_i=\left\{\begin{array}{cc}1,& \mathrm{if}{\mathrm{violate}}_i=0\\ 0,& \mathrm{else}\end{array}\right..$

在确定R_f后，与约束控制参数r_f比较，确定采用何种约束处理方法：

1）R_f≤r_f时，采用方式一进行个体更新：

当父代个体x_i与子代个体x_j竞争时，父代个体x_i被子代个体x_j取代的条件是：

其中，

代表支配，此后该符号定义与此定义一致；

表示个体x_j支配个体x_i：

$\&ForAll;n\&Element;\left\{\mathrm{1,2}\right\},f_n\left(x_j\right)\&le;f_n\left(x_i\right)$

$\&Exists;l\&Element;\{1,2\},f_l\left(x_j\right)<f_l\left(x_i\right)$

在父代个体x_i不能被子代个体x_j取代和子代个体x_j不能被父代个体x_i取代时，使子代个体和父代个体同时加入种群中，形成临时种群Q_temp。

2）R_f>r_f时，采用方式二进行个体更新：

将混合种群Q中个体的适应值进行归一化：

$f_{i,j}^{\&prime;}=\frac{f_{i,j}-f_{j,\min }}{f_{j,\max }-f_{j,\min }},$ i∈{1,...,2Np},j∈{1,2}

其中，f_j,max为混合种群Q中个体在目标j上的最大适应值；

f_j,min为混合种群Q中个体在目标j上的最小适应值。

计算混合种群Q中各个体的d值、新的约束值X和新的目标函数值Y：

$d_{i,j}=\sqrt{f_{i,j}^{\&prime;2}+{\mathrm{violate}}_i^2}$

X_i， j=violate_i

$Y_{i,j}=\left\{\begin{array}{cc}0,& \mathrm{if}{\mathrm{Feasible}}_i=0\\ f_{i,j}^{\&prime;},& \mathrm{else}\end{array}\right.$

个体i在目标j上最终的适应值为：

F_i，j＝d_i，j+(1-R_f)×X_i，j+R_f×Y_i，j

当父代个体x_i与子代个体x_j竞争时，父代个体x_i被子代个体x_j取代的条件是：

即

$\&ForAll;n\&Element;\left\{\mathrm{1,2}\right\},F_n\left(x_j\right)\&le;F_n\left(x_i\right)$

$\&Exists;l\&Element;\left\{\mathrm{1,2}\right\},F_l\left(x_j\right)<F_l\left(x_i\right)$

在父代个体x_i不能被子代个体x_j取代和子代个体x_j不能被父代个体x_i取代时，使子代个体和父代个体同时进入种群中，形成临时种群Q_temp。

步骤304中，对经更新操作后的临时种群Q_temp，采用的Pareto非支配排序和拥挤度计算的具体方法为：

步骤a：对于种群Q_temp中的每一个个体执行如下操作：

1)令n_p＝0，p是种群Q_temp中的每一个个体，S_p用来存放主群体中被p支配的个体，n_p是支配p的个体数目；

2)对于种群Q_temp中的每一个个体q，如果

则 $S_p=S_p\&cup;\left\{q\right\};$ 否则则n_p＝n_p+1；

3)如果n_p＝0，则个体p的等级为p_rank＝1，并将p加入到当前的Pareto前沿中，即

步骤b：执行如下操作至

1)令用来存放临时的F_i；

2）对于F_i中的每一个个体p执行如下操作：对于S_p中的没有个个体q，执行操作：令

n_q=n_q-1

如果n_q=0，即q只被p中个体所支配，因而q的等级

q_rank=i+1;

并令 $Q=Q\&cup;\left\{q\right\};$

3）令i=i+1;

令F_i=Q，重复第二步操作将依次得到第2～n个Pareto前沿F₂~F_n。

在产生新种群时，通常将等级高而且聚集密度比较小的个体保留，并参与下一代的进化。设有r个子目标f₁，f₂，…，f_r,个体的拥挤度为P[i]_dis，P[i].m为个体i在子目标m上的函数值，则拥挤度的计算方法为：

$P{\left[i\right]}_{\mathrm{dis}}=\underset{k=1}{\overset{r}{\mathrm{\&Sigma;}}}\left|P\right[i+1].f_k-P[i-1].f_k|$

经过上述步骤后，即将临时种群Q_temp中的个体进行了分级和同级内的拥挤度计算；随后对Q_temp中的个体首先按照等级由小到大排序，之后对同级内的个体按照拥挤度由大到小排序；最后将超出种群规模Np的后续个体删除，从而获得最终的进入下一代的种群。

本发明具有以下优点：

（1）引进了一种新的电池归类处理方法，考虑了用户的换电特性和电网的负荷信息，同时降低了优化变量的数量；

（2）引入了一种基于闭环供应链理论的电池运营模型，兼顾了用户、换电点和集中性充电站3个主体；

（3）引入了一种新的集中性充电站内电池充电优化机制，实现了集中性充电站内电池库存量和变电站内负荷的优化；

（4）引入了适用于求解多约束问题的约束多目标整数差分进化算法，并结合充电优化模型，提出了变权重寻优变量上界初始化方法。

（5）提出的多目标差分进化算法也使用与其他多目标优化问题的求解。

附图说明

图1是本发明提供的一种集中性充电站智能充电方法的基于闭环供应链理论的电池运营模型图；

图2是本发明提供的一种集中性充电站智能充电方法的集中性充电站充电优化计算流程图；

图3是本发明提供的一种集中性充电站智能充电方法的经归类处理后的用户换电需求；

图4是本发明提供的一种集中性充电站智能充电方法的经过优化计算后输出的Pareto前沿；

图5是本发明提供的一种集中性充电站智能充电方法的变电站日负荷曲线。

具体实施方式

下面结合附图，对优选实施例作详细说明。应该强调的是下述说明仅仅是示例性的，而不是为了限制本发明的范围及其应用。

图1是本发明提供的一种集中性充电站智能充电方法的基于闭环供应链理论的电池运营模型图。图1中，本发明提供了一种电池归类处理方法，同时考虑了用户的换电特性和电网的负荷信息，降低了优化变量的数量；并引入了一种基于闭环供应链理论的电池运营模型，兼顾了用户、换电点和集中性充电站3个主体；同时，还引入了一种集中性充电站内电池充电优化机制，实现了集中性充电站内电池库存量和变电站内负荷的优化。

图2是本发明提供的一种集中性充电站智能充电方法的集中性充电站充电优化计算流程图。图2中，具体步骤包括以下步骤：

步骤201：初始化外部信息，并对电池归类处理；

步骤202：基于前向供应量，构建充电站与换电点协调配合模型；同时，基于反向供应链，构建换电点与用户的协调配合模型；

步骤203：进行集中性充电站优化调度，对参量进行初始化，采用实数编码方式，初始种群，对生成的个体执行剪切操作，并对个体进行违反约束程度和适应度进行评价；

步骤204：执行差分操作，计算种群个体的违反约束程度和适应度，确定采用何种方式进行个体更新；

步骤205：Pareto非支配排序和拥挤度计算，获得下一代个体；

步骤206：判断是否满足终止条件。若是，则执行步骤207；否，则返回步骤204；

步骤207：将获得的Pareto解集输出，供决策人员进行决策。

实施例：

本发明的具体过程为：

步骤1：电池归类处理

步骤101：初始化外部信息。电动汽车用户的换点时刻及对应的荷电状态为：充电站下属3路电动公交车，公交车在每小时内的换电数量为：[0     0     0     0     0     0     0     0     00     0     36    24    16     40     4    0    0    00     0    32    28    0]，换电时刻的荷电状态为0．3；同时，充电站下属1200辆出租车，一天内换电2次，其中1000辆出租车的换电时刻分别服从U(2，4)和U(11：30，14：30)；其中200辆出租车的换电时刻分别服从U(2，4)和U(11：30，14)；出租车换电时对应的荷电状态服从分布N(0.35，0．05)；Cr为40kW．h；ΔT为lh；Ah为lh；P_c为12kW；η_c为0．9；T为今日8：00至次日8：00；Δt为lh；N_OI为1000；变电站目标日负荷P_local如图5所示；

步骤102：电池归类处理

依照电池的归类原则，可将电池分为2类，充电时间上限Tk分别为3h和2h，电池归类结果见图3；

步骤2：闭环供应链电池运营模型

步骤201：基于前向供应量，构建充电站与换电点协调配合模型；

步骤202：基于反向供应链，构建换电点与用户的协调配合模型；

步骤3：集中性充电站优化调度

步骤301：初始化参量：

N为48；N_p为100；Ub为48维向量；Lb为48维零向量；r_f为0.4；F_max为1；F_min为0.1；C_Rmax为1；C_Rmin为0；G_max为2000；

步骤302：采用实数编码方式，初始种群，对生成的个体执行剪切操作，并对个体进行违反约束程度和适应度评价；

步骤303：进行差分操作

执行差分操作——突变和交叉，计算种群个体的违反约束程度和适应度，确定采用何种方式进行个体更新；

步骤304：Pareto非支配排序和拥挤度计算，获得下一代个体；

步骤305：判断是否满足终止条件。若满足，则继续往下执行；若不满足，跳转到步骤303；

步骤306：将获得的Pareto解集输出，供决策人员进行决策，结果见图4。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，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，可轻易想到的变化或替换，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该以权利要求的保护范围为准。

Claims (10)

1.一种集中性充电站智能充电方法，其特征在于，所述方法具体包括以下步骤：

步骤1：依据电池换电时刻的荷电状态，对电池进行归类处理；

步骤2：根据闭环供应链理论，基于前向供应链，构建充电站与换电点的协调配合模型；基于反向供应链，构建换电点与用户的协调配合模型；

步骤3：采用约束多目标整数差分进化算法对充电站的电池接入充电进行优化。

2.根据权利要求1所述的一种集中性充电站智能充电方法，其特征在于，所述步骤1中，对电池进行归类处理的方法是：

步骤101：初始化外部信息；所述信息包含电动汽车用户的换点时刻、对应的荷电状态，电池容量Cr、电池由换电点配送至充电站的时间间隔ΔT、负荷的抽样间隔Δh、充电机充电功率P_c、充电效率η_c、充电优化时长T、充电站内充电调度步长Δt、充电机数量N_OI和变电站目标日负荷P_local；

步骤102：根据不同荷电状态的电池充电至预充值所需的时间不同，因此，电池分为N_k类：

$N_k=\left[\frac{{\mathrm{SOC}}_{\mathrm{ini},\max }-{\mathrm{SOC}}_{\mathrm{ini},\min }}{P_c{\mathrm{\&Delta;h\&eta;}}_c}{C}_r\right]+1$

其中，SOC_ini，min为换电时荷电状态最小值；SOC_ini，max为换电时荷电状态最大值；Cr为电池容量；Δh为负荷的抽样间隔；P_c为充电机充电功率；η_c为充电效率；[]为取整操作。

3.根据权利要求1所述的一种集中性充电站智能充电方法，其特征在于，所述步骤2中，基于前向供应链，构建充电站与换电点协调配合模型的过程中，换电点由集中性充电站获取电池补充后，在调度时刻内满足：

$N_s^t+N_R^t\&GreaterEqual;N_D^t=\underset{k=1}{\overset{N_k}{\mathrm{\&Sigma;}}}{N}_{D,k}^t,\&ForAll;t\&Element;[1,T]$

$N_s^t=N_s^{t-\mathrm{\&Delta;t}}+N_o^t$

其中，为时刻t站内完成充电的电池库存量，

为时刻t充电站内需要的备用电池数量；

为时段[t,t+ΔT]内换电点需要的换电数量；ΔT电池由换电点配送至充电站的时间间隔；

为在时段[t-Δt,t]充电站内完成充电的电池数量；Δt为充电站内充电调度步长；

时段[t-Δt，t]内充电站内完成充电的电池数量

为：

$N_o^t=\underset{k=1}{\overset{N_k}{\mathrm{\&Sigma;}}}{N}_{o,k}^t=\underset{k=1}{\overset{N_k}{\mathrm{\&Sigma;}}}{N}_{i,k}^{t-T_k}$

其中，

为时段[t-Δt,t]内第k类电池的完成充电的数量；

为时刻t-T_k第k类电池接入充电的数量；

在系统内充电完成的电池不能满足用户的需求时，需取用备用电池：

$N_R^t=\max (N_D^t-N_s^t,0)$

其中，为时刻t充电站内需要的备用电池数量；

为时段[t,t+ΔT]内换电点需要的换电数量；

为时刻t站内完成充电的电池库存量。

4.根据权利要求1所述的一种集中性充电站智能充电方法，其特征在于，所述步骤2中，基于反向供应链，构建换电点与用户的协调配合模型的过程为：

换电点将用户换下的电池统一配送至集中性充电站进行充电，则有：

$N_w^t=N_w^{t-\mathrm{\&Delta;t}}+N_D^{t-\mathrm{\&Delta;T}}-N_i^t=N_w^{t-\mathrm{\&Delta;t}}+N_D^{t-\mathrm{\&Delta;T}}-\underset{k=1}{\overset{N_k}{\mathrm{\&Sigma;}}}{N}_{i.k}^t$

其中，

为时刻t充电站内等待充电的电池数量，

为时刻t第k类电池接入充电的数量

则时刻t站内在充电池的数量

为

$N_c^t=N_c^{t-\mathrm{\&Delta;t}}+N_i^t-N_o^t=\underset{k=1}{\overset{N_k}{\mathrm{\&Sigma;}}}{N}_{c,k}^t$

其中，

为时刻t第k类电池在充电的数量。

5.根据权利要求1所述的一种集中性充电站智能充电方法，其特征在于，所述步骤3中，采用约束多目标整数差分进化算法对充电站的电池接入充电进行优化的具体步骤包括：

步骤301：初始化优化数量数N、种群规模Np、寻优变量的上界Ub、寻优变量的下界Lb、约束控制参数r_f、缩放参数F上界F_m ax、缩放参数F下界F_min、交叉参数C_R上界C_R max、交叉参数C_R下界C_R min和终止代数G_max；

步骤302：确定编码方式，初始化种群，并对生成的个体执行剪切操作，对初始种群进行违约束程度和适应度评价；

步骤303：进行差分操作，对经差分操作产生的子代种群个体计算个体的违反约束程度，确定采用个体的更新方式；

步骤304：判断是否满足终止条件；若满足，则执行步骤305；若不满足，返回步骤303；所述终止条件满足以下条件之一：

1）到达设定的迭代次数；

2）种群中的个体都位于Pareto非劣解中，且种群中所有的个体都为可行解；即种群中所有个体的Pareto等级都为1，且所有个体都为可行解；

步骤305：将获得的Pareto解集输出。

6.根据权利要求5所述的一种集中性充电站智能充电方法，其特征在于，所述步骤301中，确定寻优变量上界的具体方法为：

对于第k类电池，初始各调度时刻t的可充电权重

$W_k^t=\frac{P_{\mathrm{loacl},\max }-P_{\mathrm{local}}^t}{P_{\mathrm{loacl},\max }-P_{\mathrm{loacl},\min }}$

其中，P_loacl,max为变电站日负荷的最大值；

P_loacl,min为变电站日负荷的最小值；

为变电站时刻t的负荷值；

对于第k类电池，各调度时刻t的选优变量上界

为：

$U_{b,k}^t=W_k^t\&times;N_{\mathrm{OI}}$

其中，N_OI为集中性充电站内充电机数量；

为可充电权重。

7.根据权利要求5所述的一种集中性充电站智能充电方法，其特征在于，所述步骤302中，种群初始化和剪切处理的具体方法为：

采用实数编码方式及随机初始化方法初始化种群：

$N_{i,k}^t=\mathrm{rand}\&times;(U_{b,k}^t-L_{b,k}^t)+L_{b,k}^t$

其中，rand为（0，1）之间均匀分布的随机数；由于寻优变量为整数，需对采用随机生成和经差分操作后的个体进行剪切处理：

从而获得初始个体：

$\left[\begin{array}{ccccc}{N}_{i,1}^{\mathrm{\&Delta;t}}& N_{i,2}^{\mathrm{\&Delta;t}}& \&CenterDot;\&CenterDot;\&CenterDot;& \&CenterDot;\&CenterDot;\&CenterDot;& N_{i,N_k}^{\mathrm{\&Delta;t}}\\ N_{i,1}^{2\mathrm{\&Delta;t}}& N_{i,2}^{2\mathrm{\&Delta;t}}& \&CenterDot;\&CenterDot;\&CenterDot;& \&CenterDot;\&CenterDot;\&CenterDot;& N_{i,N_k}^{2\mathrm{\&Delta;t}}\\ \&CenterDot;& \&CenterDot;& & & \&CenterDot;\\ \&CenterDot;& \&CenterDot;& \&CenterDot;\&CenterDot;\&CenterDot;& \&CenterDot;\&CenterDot;\&CenterDot;& \&CenterDot;\\ \&CenterDot;& \&CenterDot;& & & \&CenterDot;\\ \&CenterDot;& \&CenterDot;& & & \&CenterDot;\\ \&CenterDot;& \&CenterDot;& \&CenterDot;\&CenterDot;\&CenterDot;& \&CenterDot;\&CenterDot;\&CenterDot;& \&CenterDot;\\ \&CenterDot;& \&CenterDot;& & & \&CenterDot;\\ N_{i,1}^T& N_{i,2}^T& \&CenterDot;\&CenterDot;\&CenterDot;& \&CenterDot;\&CenterDot;\&CenterDot;& N_{i,N_k}^T\end{array}\right]$

进一步的，集中性充电站内充电优化模型为：

min[f₁,f₂]

$f_1=\frac{1}{T-1}\sqrt{\underset{i=1}{\overset{T}{\mathrm{\&Sigma;}}}{(P_{\mathrm{local}}^t+P_c^t-P_{\mathrm{av}})}^2}$

$P_c^t=N_c^t\&times;P_c,$ $\&ForAll;t\&Element;[1,T]$

$f_2=\underset{t=1}{\overset{T}{\mathrm{\&Sigma;}}}{N}_R^t=\underset{t=1}{\overset{T}{\mathrm{\&Sigma;}}}\max (N_D^t-N_s^t,0)$

$s.t.\left\{\begin{array}{c}{N}_c^t\&le;N_{\mathrm{OI}},\&ForAll;t\&Element;[1,T]\\ 0\&le;N_{i,k}^t\&le;N_{w,r}^t,\&ForAll;t\&Element;[1,T]\\ \underset{t=0}{\overset{T}{\mathrm{\&Sigma;}}}{N}_o^t=\underset{t=0}{\overset{T}{\mathrm{\&Sigma;}}}{N}_D^t\\ N_s^t+N_R^t\&GreaterEqual;N_D^t,\&ForAll;t\&Element;[1,T]\\ \max (P_c^t+P_{\mathrm{local}}^t)\&le;(1+\mathrm{\&beta;})\max \left(P_{\mathrm{local}}^t\right),\&ForAll;t\&Element;[1,T]\end{array}\right.$

其中，T为调度优化的总时长；

为变电站时刻t的负荷值；

为时刻t集中性充电站的充电负荷；

P_av为充电站内[1,T]时段内负荷的平均值；

为时刻t充电站内需要的备用电池数量；

为时段[t,t+ΔT]内换电点需要的换电数量；

为时刻t充电站内完成充电的电池库存量；

为时刻t充电站内在充电的电池数量；

P_c为充电机的充电功率；

N_OI为集中性充电站内充电机的数量；

为时刻t新接入充电的第k类电池的数量；

为时刻t充电站内等待充电的第k类电池的数量；

为时段[t-Δt,t]充电站内完成充电的电池数量；

β为变电站允许的负荷增长比例，对于重载变电站其为0，轻载变电站可依情况调整。

8.根据权利要求5所述的一种集中性充电站智能充电方法，其特征在于，所述步骤302中，对初始种群进行违约束程度和适应度评价的具体方法为：

对生成的个体方案i，首先计算对各约束的违反程度，对于约束j：

对初始种群中的个体，将各个体约束的违反约束程度进行归一化：

${\mathrm{violate}}_{i,j}=\frac{{\mathrm{Violate}}_{i,j}-{\mathrm{Violate}}_{j,\min }}{{\mathrm{Violate}}_{j,\max }-{\mathrm{Violate}}_{j,\min }}$

${\mathrm{violate}}_i=\underset{j=1}{\overset{\mathrm{Noc}}{\mathrm{\&Sigma;}}}{\mathrm{violate}}_{i,j}$

其中，Violate_j,max为初始种群中个体在约束j上的最大违反约束程度；Violate_j，min为初始种群中个体在约束j上的最小违反约束程度；N_oc为约束的数量；violate_i为经归一化后初始种群中的个体i的总体约束违反程度；violate_i，j为经归一化后初始种群中的个体i在约束j上的约束违反程度；

对生成的个体方案i，计算对各目标函数值，即适应度，具体计算步骤如下：

依据输入个体，即充电方案N_i，确定各时刻的再充电电池数量N_c，计算公式如下：

$N_c^t=N_c^{t-\mathrm{\&Delta;t}}+N_i^t-N_o^t$

从而确定时刻t的充电功率

$P_c^t=N_c^t\&times;P_c$

进而确定时段[1,T]内充电站的负荷波动方差：

$f_1=\frac{1}{T-1}\sqrt{\underset{i=1}{\overset{T}{\mathrm{\&Sigma;}}}{(P_{\mathrm{local}}^t+P_c^t-P_{\mathrm{av}})}^2}$

依据充电方案N_i确定的各时刻的电池产出N_o，确定时刻t充电站内完成充电的电池数量N_s：

$N_o^t=\underset{k=1}{\overset{N_k}{\mathrm{\&Sigma;}}}{N}_{o,k}^t=\underset{k=1}{\overset{N_k}{\mathrm{\&Sigma;}}}{N}_{i,k}^{t-T_k}$

$N_s^t=N_s^{t-\mathrm{\&Delta;t}}+N_o^t$

进而结合换电需求N_D，确定时刻t的备用需求

$N_R^t=\max (N_D^t-N_s^t,0)$

从而确定总的备用需求N_R：

$f_2=\underset{t=1}{\overset{T}{\mathrm{\&Sigma;}}}{N}_R^t=\underset{t=1}{\overset{T}{\mathrm{\&Sigma;}}}\max (N_D^t-N_s^t,0).$

9.根据权利要求5所述的一种集中性充电站智能充电方法，其特征在于，所述步骤303中，差分操作的具体步骤为：

$v_i^{G+1}=x_{r1}^G+F_i^G\&CenterDot;(x_{r2}^G-x_{r3}^G)$

其中，

和

为第G代中随机采样的个体；

是与目标个体

对应的变异个体；

是与目标个体

对应的变异个体，且r₁≠r₂≠r₃≠i；

为缩放因子，用于控制差异向量的缩放程度， $F_i^0=(F_{\max }-F_{\min })\&times;\mathrm{rand}+F_{\min };$

为增加种群的多样性，采用二项式交叉算子生成试验个体

的方式为：

$u_{\mathrm{ij}}^{G+1}=\left\{\begin{array}{cc}{v}_{\mathrm{ij}}& \mathrm{ifrand}\&le;C_{\mathrm{Ri}}^G\mathrm{orj}={\mathrm{rnbr}}_i\\ x_{\mathrm{ij}}^G& \mathrm{else}\end{array}\right.$

其中，

为交叉概率，控制种群的多样性，影响子代个体从父代的继承能力， $C_{\mathrm{Ri}}^0=(C_{R\max }-C_{R\min })\&times;\mathrm{rand}+C_{R\min };$ rnbr_i是从[1,D]中随机选取的一个整数，用来确保中至少有一分量由的相应分量贡献；

同时更新子代个体中的控制参数F和C_R：

$F_i^{G+1}=\left\{\begin{array}{cc}{F}_{\min }+r_1{F}_{\max },& r_2<{\mathrm{\&tau;}}_1\\ F_{i,},& \mathrm{else}\end{array}\right.$

$C_{R,i}^{G+1}=\left\{\begin{array}{cc}{r}_3,& r_4<{\mathrm{\&tau;}}_2\\ C_{R,i}^G,& \mathrm{else}\end{array}\right.$

其中，r₁、r₂、r₃、r₄为[0,1]之间的均匀分布随机数；τ₁、τ₂分别为种群中调整个体相对应的F和C_R的概率。

10.根据权利要求5所述的一种集中性充电站智能充电方法，其特征在于，所述步骤303中，对经差分操作产生的子代种群个体的违反约束程度和适应度计算的步骤为：

对生成的个体方案i，首先计算各约束的违反程度和适应度；

对于约束j：

将子代与父代种群混合，获得混合种群Q，将个体各约束的违反约束程度进行归一化：

${\mathrm{violate}}_{i,j}=\frac{{\mathrm{Violate}}_{i,j}-{\mathrm{Violate}}_{j,\min }}{{\mathrm{Violate}}_{j,\max }-{\mathrm{Violate}}_{j,\min }}$

${\mathrm{violate}}_i=\underset{j=1}{\overset{\mathrm{Noc}}{\mathrm{\&Sigma;}}}{\mathrm{violate}}_{i,j}$

其中，Violate_j，max为混合种群Q中个体在约束j上的最大违反约束程度；Violate_j，min为混合种群Q中个体在约束j上的最小违反约束程度；N_oc为约束的数量；violate_i为经归一化后混合种群中Q中的个体i的总体约束违反程度；violate_i，j为经归一化后混合种群Q中的个体i在约束j上的约束违反程度；

同时计算Q中含有的可行解所占有的比例R_f：

$R_f=\frac{\underset{i=1}{\overset{2\mathrm{Np}}{\mathrm{\&Sigma;}}}{\mathrm{Feasile}}_i}{2\mathrm{Np}}$

其中， ${\mathrm{Feasile}}_i=\left\{\begin{array}{cc}1,& \mathrm{if}{\mathrm{violate}}_i=0\\ 0,& \mathrm{else}\end{array}\right.;$

在确定R_f后，与约束控制参数r_f比较，确定个体更新方法：

1）R_f≤r_f时，采用方式一进行个体更新：

当父代个体x_i与子代个体x_j竞争时，父代个体x_i被子代个体x_j取代的条件是：

其中，

代表支配，此后该符号定义与此定义一致；

表示个体x_j支配个体x_i：

$\&ForAll;n\&Element;\left\{\mathrm{1,2}\right\},f_n\left(x_j\right)\&le;f_n\left(x_i\right)$

$\&Exists;l\&Element;\{1,2\},f_l\left(x_j\right)<f_l\left(x_i\right)$

在父代个体x_i不能被子代个体x_j取代和子代个体x_j不能被父代个体x_i取代时，将子代个体和父代个体同时进入种群中，形成临时种群Q_tem p；

2）R_f>r_f时，采用方式二进行个体更新：

将混合种群Q中个体的适应值进行归一化：

$f_{i,j}^{\&prime;}=\frac{f_{i,j}-f_{j,\min }}{f_{j,\max }-f_{j,\min }},$ i∈{1,...,2Np},j∈{1,2}

其中，f_j，max为混合种群Q中个体在目标j上的最大适应值；

f_j,min为混合种群Q中个体在目标j上的最小适应值；

计算混合种群Q中各个体的d值、新的约束值X和新的目标函数值Y：

$d_{i,j}=\sqrt{f_{i,j}^{\&prime;2}+{\mathrm{violate}}_i^2}$

X_i，j=violate_i

$Y_{i,j}=\left\{\begin{array}{cc}0,& \mathrm{if}{\mathrm{Feasible}}_i=0\\ f_{i,j}^{\&prime;},& \mathrm{else}\end{array}\right.$

个体i在目标j上最终的适应值为：

F_i，j=d_i,j+(1-R_f)×X_i，j+R_f×Y_i,j

当父代个体x_i与子代个体x_j竞争时，父代个体x_i被子代个体x_j取代的条件是：即

$\&ForAll;n\&Element;\left\{\mathrm{1,2}\right\},F_n\left(x_j\right)\&le;F_n\left(x_i\right)$

$\&Exists;l\&Element;\left\{\mathrm{1,2}\right\},F_l\left(x_j\right)<F_l\left(x_i\right)$

在父代个体x_i不能被子代个体x_j取代和子代个体x_j不能被父代个体x_i取代时，使子代个体和父代个体同时进入种群，形成临时种群Q_temp。

Images