CN103915869A - 一种基于移动设备的电动汽车智能充电系统及方法 - Google Patents

Abstract

一种基于移动设备的电动汽车智能充电系统及方法，属于电动汽车充电积极智能控制技术领域。该系统包括电网管理中心、站级管理服务器、移动设备、充电设备和动力电池；站级管理服务器包括数据输入模块、数据处理模块、数据反馈模块和历史数据存储模块，用于计算求解并实现实时最优有序充电方案；并向充电设备和移动设备输出具体充电命令和反馈充电信息。所述方法通过局部最优的贪心算法求解实时最优有序充电方案，实现用户交互特性，并通过对用户数据和电网数据进行数据挖掘预测、对动力电池进行性能分析，从而给出电动汽车有序充电方案。本发明在保证对电池损耗较小的情况下，大大满足了用户个性化的需求，并实现了对电网的有效优化。

Description

一种基于移动设备的电动汽车智能充电系统及方法

技术领域

本发明涉及电动汽车充电站协调充电控制方法领域，特别涉及一种基于移动设备实现用户交互特性的电动汽车智能充电系统和方法。

背景技术

随着能源短缺、大气污染和温室效应等世界性问题的日益加剧，汽车产业走到了转型发展的十字路口。电动汽车作为新一代的交通工具，在节能减排、减少人类对传统化石能源的依赖方面具备传统汽车不可比拟的优势。各国政府及汽车企业普遍认识到节能和减排是未来汽车技术发展的主攻方向，发展电动汽车将是解决这2个技术难点的最佳途径。然而电动汽车大规模充电会对电网造成较大冲击，大量专利文献对此问题提出了各种不同的技术解决方案。

中国专利文献申请公开号CN102593901A公开了一种电动汽车充电设施负荷预测系统及预测方法，此方法包括输入模块、处理模块和输出模块，可以通过输入影响充电设施负荷预测的因素的数据和汽车数据；根据输入的数据计算区域充电设施最大负荷和集中充电设施最大负荷；输出区域充电设施最大负荷和集中充电设施最大负荷，从而准确地预测区域电动汽车充电负荷对电动汽车充电站规划提出建议。此专利技术虽然针对电动汽车充电负荷预测、充电站选址问题提出了一种电动汽车充电设施负荷预测系统及预测方法，但仅对电动汽车充电负荷的量级进行了长期预测，但却未能解决每日电动汽车实时充电负荷的预测。

中国专利文献申请公开号CN102055217A公开了一种电动汽车有序充电控制方法及系统，该方法包括站级管理设备根据历史数据或当前电动汽车的充电需求统计，计算下一时段的充电负荷预测结果并上传给电网管理中心；电网管理中心根据当前时段的预测结果和实时运行状态计算电网可用功率，并向站级管理设备发出电网可用功率指令；站级管理设备再比较当前时段充电功率需求与可用功率的关系，从而选择是否给电动汽车充电。此专利技术虽然涉及对电动汽车充电负荷进行预测分析，但其预测方法主要通过历史数据与外部相关数据拟合进行预测，所得到预测结果的有效性有待检验。同时该方案的出发点是以满足电网负荷上限为前提，通过电动汽车负荷预测决策是否对电动汽车进行充电，并且亦未对电动汽车充电时的有序充电规划提出可行的解决方案。

中国专利文献申请公开号CN103259314A公开了一种适用于大规模汽车有序充电的充电控制方法，该方法根据电动汽车用户的充电需求信息、电力系统负荷水平信息及分时或实时电价信息，以总负荷波动最小化或充电成本最小化为目标，以满足客户充电需求为约束条件，引入裕度的概念，避免了大量数值计算快速计算并控制系统内各台充电机的启停。此方法虽然为大规模汽车有序充电提供了动态充电控制方法，但是该方法一方面未考虑动力电池特性，另一方面每次进行优化计算时仅对有限段时间进行了局部优化。

发明内容

本发明的目的是提供一种电动汽车智能充电系统及方法，该方法综合考虑用户需求、动力电池特性及电网波动等方面的因素，以期解决现有技术中大规模电动汽车接入电网无序充电可能会带来的问题，例如对电网产生冲击、增大配电网网损、产生谐波污染等。

本发明提供的技术方案如下：

一种基于移动设备的电动汽车智能充电系统，包括电网管理中心、站级管理服务器、移动设备、充电设备和动力电池，其特征在于：

所述站级管理服务器包括数据输入模块、数据处理模块、数据反馈模块和历史数据存储模块；该数据处理模块包括用户数据单元、电池数据单元、电网负载数据单元和车辆特征数据单元，并将数据发送给数据处理模块；所述数据处理模块用于将计算出的充电信息发送给数据反馈模块，该数据处理模块包括预测当日电网及电动车充电负荷单元和最优有序充电动态计算单元；所述数据反馈模块包括下达充电命令单元、反馈充电信息单元、接受需求变化单元和更新历史数据单元；

所述电网管理中心用于将电网负载数据通过无线通讯发送给所述的电网负载数据单元，并通过电线为充电设备提供电能；

所述充电设备用于从动力电池接收动力电池的电池数据并转发给所述的电池数据模块，通过无线通讯从所述下达充电命令单元接收充电命令为动力电池提供电能；

所述移动设备与所述站级管理服务器实现无线双向通讯，移动设备包括常规功能模块和辅助功能模块；所述常规功能模块包括账户登录单元、充电站选择单元、充电模式选择单元、充电信息输入单元、充电信息显示单元和账户信息存储单元；所述辅助功能模块包括快速充电设置单元和推荐附近充电站单元。

本发明的上述技术方案中，所述的车辆特征数据单元中含有待充电车型、电池型号、历史充电记录和厂商推荐的最优充电曲线。

本发明的上述技术方案中，所述的充电模式选择单元包括电池模式、紧急模式、标准模式和V2G模式；所述电池模式是依据不同车型和不同电池类型，为电动车提供对电池最优的充电方案；最优的充电方案是指充电过程中最大程度上减小充电对动力电池寿命的损耗；所述紧急模式将在规定范围内，选择最大的充电电流，以保证尽快完成充电；所述标准模式是根据选择满足标准充电协议且使电网当日峰值最小化的方案；上述标准充电协议规定了标准模式下充电功率的上下限范围以及充电方案必须实现用户离开时得到预期电量的义务；所述V2G模式是在满足V2G充电协议的基础上，电动汽车在一段时间内向电网供电，另一段时间从电网取电，以达到削峰填谷的效果；上述V2G充电协议规定了V2G模式下充放电功率的上、下限范围以及充电方案必须实现用户离开时得到预期电量的义务。

本发明的上述技术方案中，所述账户信息存储单元用于将用户数据发送给历史数据存储模块，并实时从充电站选择单元、充电模式选择单元和充电信息输入单元接收充电信息的变化，将充电信息的变化和用户数据变化发送给接受需求变化单元。

本发明的上述技术方案中，所述历史数据存储模块是将车辆特征数据发送给车辆特征数据单元，将用户数据发送给用户数据单元，以及接收数据反馈模块和移动设备的历史数据。

本发明提供的一种电动汽车智能充电方法，其特征在于该方法包括：

步骤1）：站级管理服务器中的数据处理模块根据历史数据存储模块中的电网负载数据通过神经网络算法预测当日不包括电动汽车充电负荷的区域电网负荷；

步骤2）：站级管理服务器从数据输入模块读取当前待充电汽车连接的充电设备编号n、汽车的额定充电功率P、汽车到达时间t_a、汽车预期离开时间t_sd、车辆到达时电动汽车剩余电量Soc_a，Soc_a∈[0,1]、预期离开电池电量Soc_sd，Soc_sd∈[0,1]、电池厂商推荐的最优充电曲线和当前充电操作矩阵S_96-N；所述充电操作矩阵S_96-n中N为充电设备数量，S_ij表示第j个充电设备在第i个时间点的充电功率，i，j为正整数，且1≤i≤96,1≤j≤N；

步骤3）：从数据输入模块读取用户选择的充电模式，所述的充电模式包括电池模式、紧急模式、标准模式和V2G模式；

步骤3-1）：若用户选择充电模式为电池模式，则依据车辆特征数据中的厂商推荐的最优充电曲线进行充电；

步骤3-2）：若用户选择充电模式为紧急模式，则立即选择该充电设备的充电倍率上限CR_UL为用户充电，并将充电完成时间t2反馈给移动设备进行充电信息显示；

步骤3-3）：若用户选择充电模式为标准模式，则利用非线性整数规划方法，计算求出此电动汽车的最优起始充电时间t1^*和结束充电时间t2^*：

a）所述非线性整数规划问题的目标函数为

其中， $F_1=\max (L_t+{\mathrm{\Σ}}_{i=1}^m{P}_i\×{\mathrm{CRm}}_{i,t}+P\×{\mathrm{CR}}_t^{*}),$ t=1,2,3…96为抑制峰荷增长的函数，其中，L_t为不包括电动汽车充电负荷的区域电网预测值，第二项为待充电车辆到达前停车场内其它车辆在t时刻产生的充电负荷，m代表在待充车辆到达前已有m辆车在停车场内，P_l代表第i辆车的额定充电功率，CRm_i,t代表第i辆车在第t时刻的充电倍率；第三项中，P为待充电车辆的额定充电功率，为第t时刻的充电倍率 当t1≤t≤t2时取计算值，否则

t=1,2,3…96]为减小负荷曲线峰谷差的函数，其中 ${\mathrm{Tl}}_t=$ $L_t+{\mathrm{\Σ}}_{i=1}^m{P}_i\×{\mathrm{CRm}}_{i,t}+P\×{\mathrm{CR}}_t^{*}$ 为第t时刻的含充电负荷的区域负荷；

决策变量为待充电车辆的起始充电时间t1和结束充电时间t2，依据t1和t2来确定其取值；当t1≤t≤t2时，在其它时间，

b）所述非线性整数规划问题的约束条件包括：i)起始充电时间t1应在待充电车辆到达时间t_a之后，结束充电时间t2应在待充电车辆预期离开时间t_d之前：t_a<t1;t2<t_d;t1<t2；ii)充电倍率CR应当在允许范围之内：其中，CR_BL为充电倍率下限，CR_UL为充电倍率上限，Soc_d为离开电量；

c）该整数规划问题通过枚举得到，符合约束条件且使取到最小值的待充电车辆的最优起始充电时间t1^*和结束充电时间t2^*；从而求得最优充电功率 $P^{*}=$ $P\&times;{\mathrm{CR}}^{*}=P\&times;\frac{{\mathrm{Soc}}_d-{\mathrm{Soc}}_a}{{t2}^{*}-{t1}^{*}+1}\&times;4;$

d）更新充电操作矩阵S_96-N：当t1^*≤t≤t2^*时，取S_t,n为P^*；

步骤3-4）：若用户选择充电模式为V2G模式，将以三个阶段为电动汽车进行充、放电：

a)第一阶段：判断车辆到达时电动汽车剩余电量Soc_a，若Soc_a<Soc_start，则以预设的固定倍率CR_v2g充电；若Soc_a≥Soc_start，则直接进行下一充电阶段，其中Soc_start为一个预设的阈值；

b)第二阶段：电动汽车以预设的固定倍率DR_v2g进行放电，产生V2G回馈电网的效应；

c)第三阶段：以预设的固定充电倍率CR_v2g对电动汽车进行充电以满足用户的充电需求；

在V2G模式下，该问题可以被描述为一个非线性整数规划问题，决策变量为所述待充电车辆的第一阶段起始充电时间t1、结束充电时间t2，第二阶段起始时间t3、结束时间t4，第三阶段起始充电时间t5、结束充电时间t6：

a）所述非线性整数规划问题的目标函数为

其中， $F_1=\max (L_t+{\mathrm{\&Sigma;}}_{i=1}^m{P}_i\&times;{\mathrm{CRm}}_{i,t}+P\&times;{\mathrm{CR}}_t^{*}),$ t=1,2,3…96

F₂=max(Tl_t)-min(Tl_t),t=1,2,3…96]，其中，除外的所有变量与标准充电模式中的定义都相同，依据t1、t2、t3、t4、t5和t6确定：当t1<t≤t2时， ${\mathrm{CR}}_t^{*}=$ ${\mathrm{CR}}_{v2g},$ 当t3≤t≤t4时， ${\mathrm{CR}}_t^{*}=-{\mathrm{DR}}_{v2g},$ 当t5≤t≤t6时， ${\mathrm{CR}}_t^{*}={\mathrm{CR}}_{v2g},$ 其它时段 ${\mathrm{CR}}_t^{*}=$ $0$

b)所述非线性整数规划问题的约束条件包括：1）各决策变量表示的时间都应在待充电车辆到达时间t_a之后，在预期离开时间t_d之前，同时确保三阶段次序：t_a≤t1;t6≤t_a;t1≤t2<t3≤t4<t5≤t6；若Soc_a≥Soc_start，t1=t2；

c)该整数规划问题通过枚举得到，符合约束条件且使取到最小值的待充电车辆的最优第一阶段起始充电时间t1^*、结束充电时间t2^*，第二阶段起始时间t3^*、结束时间t4^*，第三阶段起始充电时间t5^*、结束充电时间t6^*；

d)更新充电操作矩阵S_96-N：当t1^*≤t≤t2^*时，取S_in=P×CR_v2g；当t3^*≤t≤t4^*时，取S_in=-P×DR_v2g；当t5^*≤t≤t6^*时，取S_in=P×CR_v2g；

步骤4）：通过数据反馈模块将待充电车辆向量O_96×1 ⁽ⁿ⁾传输给充电设备n，其中，

O_i×1 ⁽ⁿ⁾=S_in，n充电设备编号；

步骤5）：通过数据反馈模块将当前电动汽车的电池电量SOC_t、预期电池充满电时间T和本次充电总费用S反馈发送给相应的移动设备；

步骤6）：通过数据反馈模块将当前充电车辆的账号、此次用户输入的预计到达时间t_sa、预计离开时间t_sd、实际到达时间t_a、实际离开时间t_d、选择的充电模式Mod、待充电汽车剩余电量Soc_a、预期离开电量Soc_d和充电地点发送给所述历史数据存储模块用以更新用户账户数据；

步骤7）：在每天结束之后，通过数据反馈模块将当日充电操作矩阵S_96-N发送给历史数据存储模块，更新当日电动汽车充电负荷数据L_96×1，使得其中L_i为第i个时间段的电动汽车充电负荷。

本发明方法中，所述预测当日不包括电动汽车充电负荷的区域电网负荷方法包括：

步骤1）：从数据输入模块读取历史天的电网负荷数据，该数据包括自电站建成到待预测日之前每日的96点不包括电动汽车充电负荷的电网负荷数据、每日的96点气温数据、每日的96点湿度数据；同时从数据输入模块读取气象部门公布的待预测日气温和湿度96点数据；

步骤2）：采集历史数据：从数据输入单元搜寻并检查历史数据，并对上述数据进行预处理；所述预处理包括略去不适宜的数据记录、对数据进行归一化处理；所述历史数据包括区域电网除电动汽车充电负荷的其它负荷的历史负荷、历史气温、历史湿度；同时在此基础上，对历史上的每一日的每一个时刻，列出数据表；

步骤3）：预测待预测日t时刻区域电网除电动汽车充电负荷的其它负荷L_t，t=1,2,….,96

a)采用BP神经网络，构建三层前馈网络，包含输入层、隐层和输出层；输出层为待测日某时段的负荷值，输出层包含以下神经元：当前星期类型，当前时段，当日当前时段前一小时的负荷，当日当前时段温度，当日当前时段前一小时的温度，当日当前时段湿度，当日当前时段前一小时的湿度，上周同类型日当前时段的负荷，上周同类型日当前时段前一小时的负荷，上周同类型日当前时段的温度，上周同类型日当前时段前一小时的温度，上周同类型日当前时段的湿度，上周同类型日当前时段前一小时的湿度；

b)利用步骤2-1采集到的数据，使用最速下降法对历史数据进行学习；

c)利用学习结果进行预测：利用训练后得到的网络权重，输入预测日预测时段的预测信息，得到预测日期预测时段的负荷值；

步骤4）：令t=t+1，重复进行步骤3，直到得到被预测日所有时段的负荷预测数据。

本发明方法还包括快速充电设置方法，该设置方法包括：

步骤1）：车主点击快速设置按钮，进入快速设置功能；

步骤2）：读取账户信息存储中的数据表格包括：充电地点、充电模式、实际到达时间、预计离开时间、实际离开时间；

步骤3）：先搜索当前充电地点在数据库中是否出现：

步骤3-1）若出现则提取存储表格中为该充电地点的行组成新的表格，统计得到使用频率最高的充电模式，设置为当前充电模式，计算实际离开时间与实际到达时间的差并求平均值，加在当前时间上为预计离开时间；

步骤3-2）若没有出现，则使用所有表作为整体数据表，统计得到使用频率最高的充电模式，设置为当前充电模式，计算实际离开时间与实际到达时间的差并求平均值，加在当前时间上为预计离开时间；

步骤4）将得到的充电模式、预计离开时间显示在移动设备上。

本发明方法中，还包括推荐附近充电站功能，其包括如下步骤：

步骤1）：利用移动设备GPS定位系统进行定位，确定其经纬度（X，Y）；

步骤2）：读取电动汽车剩余电量，根据公式总续航里程乘以剩余电量再除以总电量来估算剩余行驶里程；

步骤3）：将移动设备位置和剩余行驶里程上传站级管理服务器，站级管理服务器读取该地区储存的电动汽车充电站位置信息，计算移动设备位置与充电站位置信息的距离，保留距离小于剩余行驶里程的充电站信息，记为可到达充电站；

步骤4）：实时读取到达充电站当前剩余车位信息，剔除可到达电站中剩余车位为0的电站；

步骤5）：依据剩余行驶里程从小到大依次排序，显示在移动设备上，同时标注每个电站的名称、简介、实时剩余车位；

步骤6）：结束。

本发明与现有技术相比，具有以下优点及突出性的技术效果：①利用了移动设备实时获取用户需求信息并提供多类型充电模式供用户选择，大大满足了用户个性化的需求；②采用贪心算法和非线性整数规划方法，为电动汽车充电提供动态智能充电方案，有效减低区域电网负荷峰值和网损；③根据电动汽车动力电池实验分析与电池厂商最优充电曲线推荐，减少了电池的损耗，降低了用户使用成本。

附图说明

图1为本发明提供的智能充电系统的整体结构框图。

图2为本智能充电系统中移动设备的结构框图。

图3为本数据处理模块的流程框图。

图4为快速充电设置功能的流程框图。

图5为推荐附近充电站功能的流程框图。

图6为厂商推荐的最优充电曲线。

具体实施方式

下面结合附图与实施例对本发明作进一步说明。

如图1所示，一种基于移动设备的电动汽车智能充电系统，包括电网管理中心1、站级管理服务器2、移动设备3、充电设备4和动力电池5；

所述站级管理服务器包括数据输入模块、数据处理模块、数据反馈模块和历史数据存储模块；该数据处理模块包括用户数据单元、电池数据单元、电网负载数据单元和车辆特征数据单元，并将数据发送给数据处理模块；所述数据处理模块用于将计算出的充电信息发送给数据反馈模块，该数据处理模块包括预测当日电网及电动车充电负荷单元和最优有序充电动态计算单元；所述数据反馈模块包括下达充电命令单元、反馈充电信息单元、接受需求变化单元和更新历史数据单元；

所述电网管理中心用于将电网负载数据通过无线通讯发送给所述的电网负载数据单元，并通过电线为充电设备提供电能；

所述充电设备用于从动力电池接收动力电池的电池数据并转发给所述的电池数据模块，通过无线通讯从所述下达充电命令单元接收充电命令为动力电池提供电能；

所述移动设备与所述站级管理服务器实现无线双向通讯，移动设备包括常规功能模块和辅助功能模块；所述常规功能模块包括账户登录单元、充电站选择单元、充电模式选择单元、充电信息输入单元、充电信息显示单元和账户信息存储单元；所述辅助功能模块包括快速充电设置单元和推荐附近充电站单元。

所述的车辆特征数据单元中含有待充电车型、电池型号、历史充电记录和厂商推荐的最优充电曲线。

所述的充电模式选择单元包括电池模式、紧急模式、标准模式和V2G模式；

所述电池模式是依据不同车型和不同电池类型，为电动车提供对电池最优的充电方案；最优的充电方案是指充电过程中最大程度上减小充电对动力电池寿命的损耗；

所述紧急模式将在规定范围内，选择最大的充电电流，以保证尽快完成充电；

所述标准模式是根据选择满足标准充电协议且使电网当日峰值最小化的方案；上述标准充电协议规定了标准模式下充电功率的上下限范围以及充电方案必须实现用户离开时得到预期电量的义务；

所述V2G模式是在满足V2G充电协议的基础上，电动汽车在一段时间内向电网供电，另一段时间从电网取电，以达到削峰填谷的效果；上述V2G充电协议规定了V2G模式下充放电功率的上、下限范围以及充电方案必须实现用户离开时得到预期电量的义务。

所述账户信息存储单元用于将用户数据发送给历史数据存储模块，并实时从充电站选择单元、充电模式选择单元和充电信息输入单元接收充电信息的变化，将充电信息的变化和用户数据变化发送给接受需求变化单元。

所述历史数据存储模块是将车辆特征数据发送给车辆特征数据单元，将用户数据发送给用户数据单元，以及接收数据反馈模块和移动设备的历史数据。

一种采用所述基于移动设备的电动汽车智能充电系统的电动汽车智能充电方法，该方法具体包括：

步骤1）：站级管理服务器中的数据处理模块根据历史数据存储模块中的电网负载数据通过神经网络算法预测当日不包括电动汽车充电负荷的区域电网负荷；

步骤2）：站级管理服务器从数据输入模块读取当前待充电汽车连接的充电设备编号n、汽车的额定充电功率P、汽车到达时间t_a、汽车预期离开时间t_sd、车辆到达时电动汽车剩余电量Soc_a，Soc_d∈[0,1]、预期离开电池电量Soc_sd，Soc_sd∈[0,1]、电池厂商推荐的最优充电曲线和当前充电操作矩阵S_96-N；所述充电操作矩阵S_96-N中N为充电设备数量，在本算例中该区域有5000个充电设备，即N=5000，假设车辆到达时间为10:00即t_a=40；到达时剩余电量Soc_a=0.2，预期离开剩余电量为Soc_sd=1；则S_ij表示第j个充电设备在第i个时间点的充电功率，其中i，j为正整数，且1≤i≤96,1≤j≤N，其中96代表以每15min为单位将一天24h分为96个区间段，不妨假设此时电动汽车接入了第2407号充电设备，即j=2407；

步骤3）：从数据输入模块读取用户选择的充电模式，所述的充电模式包括电池模式、紧急模式、标准模式和V2G模式；

步骤3-1）：若用户车型为特斯拉model s，选择的充电模式为电池模式，那么按照图6所示的充电曲线进行充电：

步骤3-2）：若用户选择充电模式为紧急模式，则立即选择该充电设备的充电倍率上限CR_UL为用户充电，并将充电完成时间t2反馈给移动设备进行充电信息显示；算例中不妨设目前该充电设备的充电倍率上限为CR_UL=0.4，实际充电时间t1=t_a=40，则可以计算得到充电完成时间t2=t₁+4*(Soc_sd-Soc_a)/CR_UL=48；即14:00充电完成。若到达时间t_a非整数，则先向较大取整得到t1再计算。

步骤3-3）：若用户选择充电模式为标准模式，则利用非线性整数规划方法，计算求出此电动汽车的最优起始充电时间t1^*和结束充电时间t2^*：

a）所述非线性整数规划问题的目标函数为

其中， $F_1=\max (L_t+{\mathrm{\&Sigma;}}_{i=1}^m{P}_i\&times;{\mathrm{CRm}}_{i,t}+P\&times;{\mathrm{CR}}_t^{*}),$ t=1,2,3…96为抑制峰荷增长的函数。其中，L_t为当日第t时间段不包括电动汽车充电负荷的区域电网负荷预测值，第二项为待充电车辆到达前停车场内其它车辆在t=50时刻产生的充电负荷，本算例中假设到达前已有m=50辆车，P_i代表第i辆车的额定充电功率，CRm_i,t代表第i辆车在第t=50时刻的充电倍率。第三项中，P=30Kw为待充电车辆的额定充电功率，为第i时段的充电倍率 ${\mathrm{CR}}_t^{*}\&Element;[{\mathrm{CR}}_{\mathrm{BL}}=0,{\mathrm{CR}}_{\mathrm{UL}}=1],$ 当t1≤t≤t2时取计算值，否则

t=1,2,3…96]为减小负荷曲线峰谷差为函数，其中 ${\mathrm{Tl}}_t$ $L_t+{\mathrm{\&Sigma;}}_{i=1}^m{P}_i\&times;{\mathrm{CRm}}_{i,t}+P\&times;{\mathrm{CR}}_t^{*}$ 为第t时刻的含充电负荷的区域负荷。

其中F_1max、F_2max为调整前的原始负荷曲线对应的目标函数值。

决策变量为待充电车辆的起始充电时间t1和结束充电时间t2。依据t1和t2来确定其取值。当t1≤t≤t2时，在其它时间，

b）所述非线性整数规划问题的约束条件包括：i)起始充电时间t1应在待充电车辆到达时间t_a之后，结束充电时间t2应在待充电车辆预期离开时间t_d之前：t_a<t1;t2<t_d;t1<t2；ii)充电倍率CR应当在允许范围之内：其中，CR_BL为充电倍率下限，CR_UL为充电倍率上限，Soc_d为离开电量；

c）该整数规划问题通过枚举得到，符合约束条件且使取到最小值的待充电车辆的最优起始充电时间t1^*和结束充电时间t2^*；从而求得最优充电功率 本算例假设该车到达时间为早上10:00，离开时间是第二天晚上17:00，那么可知t_a=40，t_d=68；而通过整数规划枚举可得（这一部分可以直接调用现有的商业软件），实际充电时间为12:00到16:00，即实际充电时间t1^*=48，t2^*=68；因此再结合到达时剩余电量Soc_a=0.2，预期离开时电量Soc_sd=1，可以得到CR^*=0.2，从而求得最优充电功率P^*=6kw；

d）更新充电操作矩阵S_96-N：当t1^*≤t≤t2^*时，取S_t,n为P^*；

步骤3-4）：若用户选择充电模式为V2G模式，将以三个阶段为电动汽车进行充、放电，该部分与标准模式流程基本相同，如下：

a)第一阶段：判断车辆到达时电动汽车剩余电量Soc_a，若Soc_a<Soc_start，则以预设的固定倍率CR_v2g充电；若Soc_a≥Soc_start，则直接进行下一充电阶段。其中Soc_start为一个预设的阈值。

b)第二阶段：电动汽车以预设的固定倍率DR_v2g进行放电，产生V2G回馈电网的效应；

c)第三阶段：以预设的固定充电倍率CR_v2g对电动汽车进行充电以满足用户的充电需求；

在V2G模式下，该问题可以被描述为一个非线性整数规划问题，决策变量为所述待充电车辆的第一阶段起始充电时间t1、结束充电时间t2，第二阶段起始时间t3、结束时间t4，第三阶段起始充电时间t5、结束充电时间t6：

a）所述非线性整数规划问题的目标函数为

其中， $F_1=\max (L_t+{\mathrm{\&Sigma;}}_{i=1}^m{P}_i\&times;{\mathrm{CRm}}_{i,t}+P\&times;{\mathrm{CR}}_t^{*}),$ t=1,2,3…96

F₂=max(Tl_t)-min(Tl_t),t=1,2,3…96]，其中，除外的所有变量与标准充电模式中的定义都相同，依据t1、t2、t3、t4、t5、t6确定：当t1<t≤t2时，当t3≤t≤t4时， ${\mathrm{CR}}_t^{*}=-{\mathrm{DR}}_{v2g},$ 当t5≤t≤t6时， ${\mathrm{CR}}_t^{*}={\mathrm{CR}}_{v2g},$ 其它时段 ${\mathrm{CR}}_t^{*}=0;$ 若Soc_a≥Soc_start，t1=t2；

其中F_1max、F_2max为调整前的原始负荷曲线对应的目标函数值；

b)所述非线性整数规划问题的约束条件包括：1）各决策变量表示的时间都应在待充电车辆到达时间t_a之后，在预期离开时间t_d之前，同时确保三阶段次序：t_a≤t1;t6≤t_d;t1≤t2<t3≤t4<t5≤t6；若Soc_a≥Soc_start，t1=t2；

c)该整数规划问题通过枚举得到，符合约束条件且使取到最小值的待充电车辆的最优第一阶段起始充电时间t1^*、结束充电时间t2^*，第二阶段起始时间t3^*、结束时间t4^*，第三阶段起始充电时间t5^*、结束充电时间t6^*；

d)更新充电操作矩阵S_96-N：当t1^*≤t≤t2^*时，取S_in=P×CR_v2g；当t3^*≤t≤t4^*时，取S_in=-P×DR_v2g；当t5^*≤t≤t6^*时，取S_in=P×CR_v2g；

步骤4）：通过数据反馈模块将待充电车辆向量O_96×1 ⁽ⁿ⁾传输给充电设备（4）n，其中，

O_i×1 ⁽ⁿ⁾=S_in；

步骤5）：通过数据反馈模块将当前电动汽车的电池电量SOC_i、预期电池充满电时间T和本次充电总费用S反馈发送给相应的移动设备；

步骤6）：通过数据反馈模块将当前充电车辆的账号、此次用户输入的预计到达时间t_sa、预计离开时间t_sd、实际到达时间t_a、实际离开时间t_d、选择的充电模式Mod、待充电汽车剩余电量Soc_a、预期离开电量Soc_d和充电地点发送给所述历史数据存储模块用以更新用户账户数据。

步骤7）：在每天结束之后，通过数据反馈模块将当日充电操作矩阵S_96-N发送给历史数据存储模块，更新当日电动汽车充电负荷数据L_96×1，使得其中L_i为第i个时间段的电动汽车充电负荷；

所述电动汽车智能充电方法，其特征在于，预测下一日不包括电动汽车充电负荷的区域电网负荷的方法，包括如下步骤：

步骤1）：从数据输入模块读取历史天的电网负荷数据，该数据包括自电站建成到待预测日之前每日的96点不包括电动汽车充电负荷的电网负荷数据、每日的96点气温数据、每日的96点湿度数据；同时从数据输入模块读取气象部门公布的待预测日气温和湿度96点数据；

步骤2）：采集历史数据：从数据输入单元搜寻并检查历史数据，并对上述数据进行预处理；所述预处理包括略去不适宜的数据记录、对数据进行归一化处理。所述历史数据包括区域电网除电动汽车充电负荷的其它负荷的历史负荷、历史气温、历史湿度；同时在此基础上，对历史上的每一日的每一个时刻，列出如下表所示的数据表

步骤3）：预测待预测日t时刻区域电网除电动汽车充电负荷的其它负荷L_t。t=1,2,….,96

a)采用BP神经网络，构建三层前馈网络，包含输入层、隐层、输出层。输出层为待测日某时段的负荷值，输出层包含以下神经元：当前星期类型，当前时段（本模型将每日分为96个时段，15min为一个时段），当日当前时段前一小时的负荷，当日当前时段温度，当日当前时段前一小时的温度，当日当前时段湿度，当日当前时段前一小时的湿度，上周同类型日当前时段的负荷，上周同类型日当前时段前一小时的负荷，上周同类型日当前时段的温度，上周同类型日当前时段前一小时的温度，上周同类型日当前时段的湿度，上周同类型日当前时段前一小时的湿度。

b)利用步骤2-1采集到的数据，使用最速下降法对历史数据进行学习。

c)利用学习结果进行预测：利用训练后得到的网络权重，输入预测日预测时段的预测信息，得到预测日期预测时段的负荷值。

步骤4）：令t=t+1，重复进行步骤3，直到得到被预测日所有时段的负荷预测数据。

所述的电动汽车智能充电方法，其特征在于，该方法还包括快速充电设置方法，包括如下步骤：

步骤1）：车主点击快速设置按钮，进入快速设置功能；

步骤2）：读取账户信息存储中的数据表格包括：充电地点、充电模式、实际到达时间、预计离开时间、实际离开时间；

步骤3）：由步骤2）得到用户处在A地，搜索充电地点为A地是否在数据库中是否出现：

步骤3-1）若出现则提取存储表格中为该充电地点的行组成新的表格，统计得到A使用记录如下：紧急模式使用12次、电池模式使用0次、标准模式使用6次、V2G模式使用0次，因此选择紧急模式为当前充电模式，计算12次历史记录中实际离开时间与实际到达时间的差并求平均值，得到平均值=1.5小时，当前时间为上午10：00，则预期离开时间为11：30；

步骤3-2）若没有出现，则使用所有表作为整体数据表，统计得到使用频率最高的充电模式，设置为当前充电模式，计算实际离开时间与实际到达时间的差并求平均值，加在当前时间上为预计离开时间；

步骤4）将得到的充电模式、预计离开时间显示在移动设备上。

所述电动汽车智能充电方法，其特征在于，还包括推荐附近充电站功能，包括如下步骤：

步骤1）：利用移动设备GPS定位系统进行定位，确定其经纬度（X，Y）；

步骤2）：读取电动汽车剩余电量，得到此时SOC=40%，根据公式总续航里程乘以剩余电量再除以总电量来估算剩余行驶里程，其中总续航里程=200Km，计算得出剩余行驶里程数为80Km；

步骤3）：将移动设备位置和剩余行驶里程上传站级管理服务器，站级管理服务器读取该地区储存的电动汽车充电站位置信息，计算移动设备位置与充电站位置信息的距离：距A充电站距离为50Km，距B充电站距离为40Km，距C充电站距离为10Km，距D充电站距离为90Km。根据步骤2）中计算得出的剩余行驶里程数，判断充电站A、B、C为可到达充电站；

步骤4）：实时读取到达充电站当前剩余车位信息，假设此时充电站C的剩余车位为0，故进一步剔除充电站C，保留充电站A、B供用户选择；

步骤5）：依据剩余行驶里程从小到大依次排序，显示在移动设备上，同时标注每个电站的名称、实时剩余车位；

充电站名称	距离	实时剩余车位
			充电站B	40Km	20
充电站A	50Km	10

步骤6）：结束。

Claims (9)

1.一种基于移动设备的电动汽车智能充电系统，包括电网管理中心（1）、站级管理服务器（2）、移动设备（3）、充电设备（4）和动力电池（5），其特征在于：

所述站级管理服务器包括数据输入模块、数据处理模块、数据反馈模块和历史数据存储模块；该数据处理模块包括用户数据单元、电池数据单元、电网负载数据单元和车辆特征数据单元，并将数据发送给数据处理模块；所述数据处理模块用于将计算出的充电信息发送给数据反馈模块，该数据处理模块包括预测当日电网及电动车充电负荷单元和最优有序充电动态计算单元；所述数据反馈模块包括下达充电命令单元、反馈充电信息单元、接受需求变化单元和更新历史数据单元；

所述电网管理中心用于将电网负载数据通过无线通讯发送给所述的电网负载数据单元，并通过电线为充电设备提供电能；

所述充电设备用于从动力电池接收动力电池的电池数据并转发给所述的电池数据模块，通过无线通讯从所述下达充电命令单元接收充电命令为动力电池提供电能；

所述移动设备与所述站级管理服务器实现无线双向通讯，移动设备包括常规功能模块和辅助功能模块；所述常规功能模块包括账户登录单元、充电站选择单元、充电模式选择单元、充电信息输入单元、充电信息显示单元和账户信息存储单元；所述辅助功能模块包括快速充电设置单元和推荐附近充电站单元。

2.如权利要求1所述的一种基于移动设备的电动汽车智能充电系统，其特征在于，所述的车辆特征数据单元中含有待充电车型、电池型号、历史充电记录和厂商推荐的最优充电曲线。

3.如权利要求1所述的一种基于移动设备的电动汽车智能充电系统，其特征在于，所述的充电模式选择单元包括电池模式、紧急模式、标准模式和V2G模式；

所述电池模式是依据不同车型和不同电池类型，为电动车提供对电池最优的充电方案；最优的充电方案是指充电过程中最大程度上减小充电对动力电池寿命的损耗；

所述紧急模式将在规定范围内，选择最大的充电电流，以保证尽快完成充电；

所述标准模式是根据选择满足标准充电协议且使电网当日峰值最小化的方案；上述标准充电协议规定了标准模式下充电功率的上下限范围以及充电方案必须实现用户离开时得到预期电量的义务；

所述V2G模式是在满足V2G充电协议的基础上，电动汽车在一段时间内向电网供电，另一段时间从电网取电，以达到削峰填谷的效果；上述V2G充电协议规定了V2G模式下充放电功率的上、下限范围以及充电方案必须实现用户离开时得到预期电量的义务。

4.如权利要求1所述的一种基于移动设备的电动汽车智能充电系统，其特征在于，所述账户信息存储单元用于将用户数据发送给历史数据存储模块，并实时从充电站选择单元、充电模式选择单元和充电信息输入单元接收充电信息的变化，将充电信息的变化和用户数据变化发送给接受需求变化单元。

5.如权利要求1所述的一种基于移动设备的电动汽车智能充电系统，其特征在于，所述历史数据存储模块是将车辆特征数据发送给车辆特征数据单元，将用户数据发送给用户数据单元，以及接收数据反馈模块和移动设备的历史数据。

6.一种采用权利要求1所述系统的电动汽车智能充电方法，其特征在于该方法包括：

步骤1）：站级管理服务器中的数据处理模块根据历史数据存储模块中的电网负载数据通过神经网络算法预测当日不包括电动汽车充电负荷的区域电网负荷；

步骤2）：站级管理服务器从数据输入模块读取当前待充电汽车连接的充电设备编号n、汽车的额定充电功率P、汽车到达时间t_a、汽车预期离开时间t_sd、车辆到达时电动汽车剩余电量Soc_a，Soc_a∈[0,1]、预期离开电池电量Soc_sd，Soc_sd∈[0,1]、电池厂商推荐的最优充电曲线和当前充电操作矩阵S_96-N；所述充电操作矩阵S_96-N中N为充电设备数量，S_ij表示第j个充电设备在第i个时间点的充电功率，i，j为正整数，且1≤i≤96,1≤j≤N；

步骤3）：从数据输入模块读取用户选择的充电模式，所述的充电模式包括电池模式、紧急模式、标准模式和V2G模式；

步骤3-1）：若用户选择充电模式为电池模式，则依据车辆特征数据中的厂商推荐的最优充电曲线进行充电；

步骤3-2）：若用户选择充电模式为紧急模式，则立即选择该充电设备的充电倍率上限CR_UL为用户充电，并将充电完成时间t2反馈给移动设备进行充电信息显示；

步骤3-3）：若用户选择充电模式为标准模式，则利用非线性整数规划方法，计算求出此电动汽车的最优起始充电时间t1^*和结束充电时间t2^*：

a）所述非线性整数规划问题的目标函数为

其中， $F_1=\max (L_t+{\mathrm{\&Sigma;}}_{i=1}^m{P}_i\&times;{\mathrm{CRm}}_{i,t}+P\&times;{\mathrm{CR}}_t^{*}),$ t=1,2,3…96为抑制峰荷增长的函数，其中，L_t为不包括电动汽车充电负荷的区域电网预测值，第二项为待充电车辆到达前停车场内其它车辆在t时刻产生的充电负荷，m代表在待充车辆到达前已有m辆车在停车场内，P_i代表第i辆车的额定充电功率，CRm_i,j代表第i辆车在第t时刻的充电倍率；第三项中，P为待充电车辆的额定充电功率，为第t时刻的充电倍率∈[CR_BL,CR_UL]，当t1≤t≤t2时取计算值，否则

P_z=max(Tl_t)-min(Tl_t),t=1,2,3…96]为减小负荷曲线峰谷差的函数，其中 ${\mathrm{Tl}}_t=$ $L_t+{\mathrm{\&Sigma;}}_{i=1}^m{P}_i\&times;{\mathrm{CRm}}_{i,t}+P\&times;{\mathrm{CR}}_t^{*}$ 为第t时刻的含充电负荷的区域负荷；

决策变量为待充电车辆的起始充电时间t1和结束充电时间t2，依据t1和t2来确定其取值；当t1≤t≤t2时， ${\mathrm{CR}}_t^{*}=\mathrm{CR}=\frac{{\mathrm{Soc}}_d-{\mathrm{Soc}}_a}{{t2}^{*}-+{t1}^{*}+1}\&times;4,$ 在其它时间， ${\mathrm{CR}}_t^{*}=0;$

b）所述非线性整数规划问题的约束条件包括：i)起始充电时间t1应在待充电车辆到达时间t_a之后，结束充电时间t2应在待充电车辆预期离开时间t_a之前：t_a<t1;t2<t_d;t1<t2；ii)充电倍率CR应当在允许范围之内：其中，CR_BL为充电倍率下限，CR_UL为充电倍率上限，Soc_d为离开电量；

c）该整数规划问题通过枚举得到，符合约束条件且使取到最小值的待充电车辆的最优起始充电时间t1^*和结束充电时间t2^*；从而求得最优充电功率 $P^{*}=$ $\&times;{\mathrm{CR}}^{*}=P\&times;\frac{{\mathrm{Soc}}_d-{\mathrm{Soc}}_a}{{t2}^{*}-{t1}^{*}+1}\&times;4;$

d）更新充电操作矩阵S_96-N：当t1^*≤t≤t2^*时，取s_t,n为P^*；

步骤3-4）：若用户选择充电模式为V2G模式，将以三个阶段为电动汽车进行充、放电：

a)第一阶段：判断车辆到达时电动汽车剩余电量Soc_a，若Soc_a<Soc_start，则以预设的固定倍率CR_v2g充电；若Soc_a≥Soc_start，则直接进行下一充电阶段，其中Soc_start为一个预设的阈值；

b)第二阶段：电动汽车以预设的固定倍率DR_v2g进行放电，产生V2G回馈电网的效应；

c)第三阶段：以预设的固定充电倍率CR_v2g对电动汽车进行充电以满足用户的充电需求；

在V2G模式下，该问题可以被描述为一个非线性整数规划问题，决策变量为所述待充电车辆的第一阶段起始充电时间t1、结束充电时间t2，第二阶段起始时间t3、结束时间t4，第三阶段起始充电时间t5、结束充电时间t6：

a）所述非线性整数规划问题的目标函数为

其中， $F_1=\max (L_t+{\mathrm{\&Sigma;}}_{i=1}^m{P}_i\&times;{\mathrm{CRm}}_{i,t}+P\&times;{\mathrm{CR}}_t^{*}),$ t=1,2,3…96

F₂=max(Tl_t)-min(Tl_t),t=1,2,3…96]，其中，除外的所有变量与标准充电模式中的定义都相同，依据t1、t2、t3、t4、t5和t6确定：当t1<t≤t2时， ${\mathrm{CR}}_t^{*}=$ ${\mathrm{CR}}_{v2g},$ 当t3≤t≤t4时， ${\mathrm{CR}}_t^{*}=-{\mathrm{DR}}_{V2g},$ 当t5≤t≤t6时， ${\mathrm{CR}}_t^{*}={\mathrm{CR}}_{v2g},$ 其它时段 ${\mathrm{CR}}_t^{*}=$ $0$

b)所述非线性整数规划问题的约束条件包括：1）各决策变量表示的时间都应在待充电车辆到达时间t_a之后，在预期离开时间t_d之前，同时确保三阶段次序：t_a≤t1;t6≤t_d;t1≤t2<t3≤t4<t5≤t6；若Soc_a≥Soc_start，t1=t2；

c)该整数规划问题通过枚举得到，符合约束条件且使取到最小值的待充电车辆的最优第一阶段起始充电时间t1^*、结束充电时间t2^*，第二阶段起始时间t3^*、结束时间t4^*，第三阶段起始充电时间t5^*、结束充电时间t6^*；

d)更新充电操作矩阵S_96-N：当t1^*≤t≤t2^*时，取S_in=P×CR_v2g；当t3^*≤t≤t4^*时，取S_in=-P×DR_v2g；当t5^*≤t≤t6^*时，取S_in=P×CR_v2g；

步骤4）：通过数据反馈模块将待充电车辆向量O_96×1 ^(N)传输给充电设备，其中，

O_i×1 ⁽ⁿ⁾=S_in，n充电设备编号；

步骤5）：通过数据反馈模块将当前电动汽车的电池电量SOC_i、预期电池充满电时间T和本次充电总费用S反馈发送给相应的移动设备；

步骤6）：通过数据反馈模块将当前充电车辆的账号、此次用户输入的预计到达时间t_sa、预计离开时间t_sd、实际到达时间t_a、实际离开时间t_d、选择的充电模式Mod、待充电汽车剩余电量Soc_a、预期离开电量Soc_d和充电地点发送给所述历史数据存储模块用以更新用户账户数据；

步骤7）：在每天结束之后，通过数据反馈模块将当日充电操作矩阵S_96-N发送给历史数据存储模块，更新当日电动汽车充电负荷数据L_96×1，使得其中L_i为第i个时间段的电动汽车充电负荷。

7.如权利要求6所述电动汽车智能充电方法，其特征在于，所述预测当日不包括电动汽车充电负荷的区域电网负荷方法包括：

步骤1）：从数据输入模块读取历史天的电网负荷数据，该数据包括自电站建成到待预测日之前每日的96点不包括电动汽车充电负荷的电网负荷数据、每日的96点气温数据、每日的96点湿度数据；同时从数据输入模块读取气象部门公布的待预测日气温和湿度96点数据；

步骤2）：采集历史数据：从数据输入单元搜寻并检查历史数据，并对上述数据进行预处理；所述预处理包括略去不适宜的数据记录、对数据进行归一化处理；所述历史数据包括区域电网除电动汽车充电负荷的其它负荷的历史负荷、历史气温、历史湿度；同时在此基础上，对历史上的每一日的每一个时刻，列出数据表；

步骤3）：预测待预测日t时刻区域电网除电动汽车充电负荷的其它负荷L_t，t=1,2,….,96

a)采用BP神经网络，构建三层前馈网络，包含输入层、隐层和输出层；输出层为待测日某时段的负荷值，输出层包含以下神经元：当前星期类型，当前时段，当日当前时段前一小时的负荷，当日当前时段温度，当日当前时段前一小时的温度，当日当前时段湿度，当日当前时段前一小时的湿度，上周同类型日当前时段的负荷，上周同类型日当前时段前一小时的负荷，上周同类型日当前时段的温度，上周同类型日当前时段前一小时的温度，上周同类型日当前时段的湿度，上周同类型日当前时段前一小时的湿度；

b)利用步骤2-1采集到的数据，使用最速下降法对历史数据进行学习；

c)利用学习结果进行预测：利用训练后得到的网络权重，输入日预测时段的预测信息，得到预测日期预测时段的负荷值；

步骤4）：令t=t+1，重复进行步骤3，直到得到被预测日所有时段的负荷预测数据。

8.如权利要求7所述的电动汽车智能充电方法，其特征在于，该方法还包括快速充电设置方法，包括如下步骤：

步骤1）：车主点击快速设置按钮，进入快速设置功能；

步骤2）：读取账户信息存储中的数据表格包括：充电地点、充电模式、实际到达时间、预计离开时间、实际离开时间；

步骤3）：先搜索当前充电地点在数据库中是否出现：

步骤3-1）若出现则提取存储表格中为该充电地点的行组成新的表格，统计得到使用频率最高的充电模式，设置为当前充电模式，计算实际离开时间与实际到达时间的差并求平均值，加在当前时间上为预计离开时间；

步骤3-2）若没有出现，则使用所有表作为整体数据表，统计得到使用频率最高的充电模式，设置为当前充电模式，计算实际离开时间与实际到达时间的差并求平均值，加在当前时间上为预计离开时间；

步骤4）将得到的充电模式、预计离开时间显示在移动设备上。

9.如权利要求6所述的电动汽车智能充电方法，其特征在于，还包括推荐附近充电站功能，包括如下步骤：

步骤1）：利用移动设备GPS定位系统进行定位，确定其经纬度（X，Y）；

步骤2）：读取电动汽车剩余电量，根据公式总续航里程乘以剩余电量再除以总电量来估算剩余行驶里程；

步骤3）：将移动设备位置和剩余行驶里程上传站级管理服务器，站级管理服务器读取该地区储存的电动汽车充电站位置信息，计算移动设备位置与充电站位置信息的距离，保留距离小于剩余行驶里程的充电站信息，记为可到达充电站；

步骤4）：实时读取到达充电站当前剩余车位信息，剔除可到达电站中剩余车位为0的电站；

步骤5）：依据剩余行驶里程从小到大依次排序，显示在移动设备上，同时标注每个电站的名称、简介、实时剩余车位；

步骤6）：结束。