CN107067136B - 电动汽车充电分配方法及装置 - Google Patents

电动汽车充电分配方法及装置 Download PDF

Info

Publication number
CN107067136B
CN107067136B CN201611197948.6A CN201611197948A CN107067136B CN 107067136 B CN107067136 B CN 107067136B CN 201611197948 A CN201611197948 A CN 201611197948A CN 107067136 B CN107067136 B CN 107067136B
Authority
CN
China
Prior art keywords
charging
power
objective function
electric vehicle
station
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.)
Active
Application number
CN201611197948.6A
Other languages
English (en)
Other versions
CN107067136A (zh
Inventor
周辛南
傅军
谢枫
孙志杰
王海燕
方茂益
许鑫
朱天博
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
North China Electric Power Research Institute Co Ltd
Electric Power Research Institute of State Grid Jibei Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
North China Electric Power Research Institute Co Ltd
Electric Power Research Institute of State Grid Jibei Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, North China Electric Power Research Institute Co Ltd, Electric Power Research Institute of State Grid Jibei Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201611197948.6A priority Critical patent/CN107067136B/zh
Publication of CN107067136A publication Critical patent/CN107067136A/zh
Application granted granted Critical
Publication of CN107067136B publication Critical patent/CN107067136B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本发明提供了一种电动汽车充电分配方法及装置，该方法包括：利用多个电动汽车被分配到多个充电站充电时的充电站数量、充电站目标充电功率、电动汽车数量、电动汽车充电功率、充电决策变量、充电路程及充电耗费时间，建立充电均匀分布目标函数；分别建立所述充电决策变量和所述充电路程的约束条件；在所述约束条件条件下，利用基本粒子群优化算法求解所述充电均匀分布目标函数，得到所述电动汽车的充电决策结果，用于将所述多个电动汽车分配到所述多个充电站充电。本发明能够同时满足电动汽车用户需求和电网稳定运行要求。

Description

电动汽车充电分配方法及装置
技术领域
本发明涉及电力技术领域，尤其涉及一种电动汽车充电分配方法及装置。
背景技术
电动汽车的大规模商业化发展是响应国家节能减排政策，提高电能在终端源消费和使用比例的有效手段。然而新技术的应用将给电网带来新的机遇和挑战。作为可以移动的负荷，大规模电动汽车在时间和空上的无序充电行为不仅会出现电力负荷“峰上加峰”的现象，加大电网峰谷差，而且有可能造成局部过负荷、线路拥塞等问题，给电网的稳定运行带来影响，同时，无序的充电行为也会造成电动汽车充电混乱的局面，增加电动汽车用户的时间成本。
文献“电动汽车充电对电网影响的综述”(电网技术，2011年，35(2):127-131)、“电动汽车对电力系统的影响及其调度与控制问题”(电力系统自动化，2011年，35(14):2-10)、“电动汽车充放电特性及其对配电系统的影响分析”(华北电力大学学报，2011年，38(5):17-24)及“The impact of vehicle-to-grid on the distribution grid”(ElectricPower Systems Research,2011,81(1):185-192)基于美国和日本两国的电力市场分析了电动汽车参与电网的调度带来的经济效益，最后得出结论：电动汽车参与调度对电网有很大的效益，同时也可以为电动汽车用户自身带来巨大的利益。文献“Management ofelectric vehicle charging to mitigate renewable generation intermittency anddistribution network congestion”(Proceedings of the 48th IEEE Conference onDecision and Control and 28th Chinese Control Conference,2009:4717-4722)将电动汽车作为可以移动的负荷，着重研究了从电网侧出发控制动汽车用户参与经济调度，协同电网控制大规模用户对电网产生的负面影响。文献“Electric vehicles chargingscenarios associated to direct load control programs(DLC)”(Proceedings of theNorth American Power Symposium(NAPS),2011:1-7)基于需求侧管理从电动汽车对电网负荷消极营销入手，减小大量电动汽车同时参与充电对电网的影响，提高电网运行经济性和可靠性。 文献“Electric vehicles as a new power source for electricutilities”(Transportation Research Part D 23,1997:157-175)建立了充电站内电动汽车有序充电的数学模型，以充电站运营经济效益最大化为目标，以配电变压器容量即最大限度满足用户充电需求为约束条件，采用蒙特卡洛模拟发模拟用户充电需求，在有序充电和无序充电两种情形下分析了充电站运行的经济效益及配电变压器负载影响。
然而，从电动汽车有序充电相关文献的研究现状可以看出，目前对电动汽车充电负荷的研究多电网安全稳定运行出发，没有考虑到电动汽车用户的需求。
发明内容
本发明提供一种电动汽车充电分配方法及装置，以同时满足电动汽车用户需求和电网稳定运行要求。
本发明提供一种电动汽车充电分配方法，包括：利用多个电动汽车被分配到多个充电站充电时的充电站数量、充电站目标充电功率、电动汽车数量、电动汽车充电功率、充电决策变量、充电路程及充电耗费时间，建立充电均匀分布目标函数；分别建立所述充电决策变量和所述充电路程的约束条件；在所述约束条件条件下，利用基本粒子群优化算法求解所述充电均匀分布目标函数，得到所述电动汽车的充电决策结果，用于将所述多个电动汽车分配到所述多个充电站充电。
一个实施例中，利用多个电动汽车被分配到多个充电站充电时的充电站数量、充电站目标充电功率、电动汽车数量、电动汽车充电功率、充电决策变量、充电路程及充电耗费时间，建立充电均匀分布目标函数，包括：根据所述充电站数量、所述充电站目标充电功率、所述电动汽车数量、所述电动汽车充电功率及所述充电决策变量，建立充电站充电功率与其目标功率之差最小化目标函数；根据所述充电决策变量、所述充电路程及所述充电耗费时间，建立电动汽车充电路程与充电时间之和最小化目标函数；利用所述电动汽车数量和所述充电站数量，对所述的充电站充电功率与其目标功率之差最小化目标函数和所述的电动汽车充电路程与充电时间之和最小化目标函数进行规范化，得到所述充电均匀分布目标函数。
一个实施例中，根据所述充电站数量、所述充电站目标充电功率、所述电动汽车数量、所述电动汽车充电功率及所述充电决策变量，建立充电站充电功率与其目标功率之差最小化目标函数，包括：根据所述充电站数量、所述充电站目标充电功率、所 述电动汽车数量、所述电动汽车充电功率及所述充电决策变量，建立充电站充电功率与其目标功率之差最小化初始目标函数；利用各所述充电站的充电站目标充电功率均相同和各所述电动汽车的电动汽车充电功率均相同的假设条件，简化所述充电站充电功率与其目标功率之差最小化初始目标函数，得到所述充电站充电功率与其目标功率之差最小化目标函数。
一个实施例中，所述充电站充电功率与其目标功率之差最小化初始目标函数为：
Figure BDA0001188446510000031
其中，F1为充电站充电功率与其目标功率之差最小化初始目标函数，M为充电站数量，Pj'为充电站实际功率，Pj为充电站目标充电功率，N为电动汽车数量，xij为第i个电动汽车到第j个充电站充电的充电决策变量，xij取1时表示第i个电动汽车在第j个充电站充电，xij取0时表示第i个电动汽车未在第j个充电站充电，Pi为电动汽车充电功率，M和N为正整数；
所述充电站充电功率与其目标功率之差最小化目标函数为：
Figure BDA0001188446510000032
其中，F1'为充电站充电功率与其目标功率之差最小化目标函数，Sj为在第j个充电站充电的电动汽车的数量，Sav为各充电站的充电电动汽车平均数量；
所述电动汽车充电路程与充电时间之和最小化目标函数为：
Figure BDA0001188446510000033
其中，F2为电动汽车充电路程与充电时间之和最小化目标函数，uij为充电路程lij和充电耗费时间tij之和，twj为电动汽车在第j个充电站内的排队时间，kj为比例系数；
所述充电均匀分布目标函数为：
Figure BDA0001188446510000034
其中，λ1和λ2分别为充电站充电功率与其目标功率之差最小化目标函数F1'和电动汽车充电路程与充电时间之和最小化目标函数F2的权系数；
所述充电决策变量的约束条件为：
Figure BDA0001188446510000041
所述充电路程的约束条件为：
lij≤limax，
其中，limax为第i个电动汽车的最大充电路程。
一个实施例中，在所述约束条件条件下，利用基本粒子群优化算法求解所述充电均匀分布目标函数，得到所述电动汽车的充电决策结果，包括：以充电决策变量作为粒子位置坐标，通过基本粒子群优化算法迭代生成粒子位置坐标，并取电动汽车位置坐标的最大值对应的维作为充电决策变量中取1的维，其余电动汽车位置坐标对应的维作为充电决策变量中取0的维，以将基本粒子群优化算法的连续解空间转化为离散解空间；将不满足所述充电路程的约束条件的电动汽车的充电路程用设定正数代替。
本发明还提供一种电动汽车充电分配装置，包括：充电均匀分布目标函数建立单元，用于执行：利用多个电动汽车被分配到多个充电站充电时的充电站数量、充电站目标充电功率、电动汽车数量、电动汽车充电功率、充电决策变量、充电路程及充电耗费时间，建立充电均匀分布目标函数；约束条件建立单元，用于执行：分别建立所述充电决策变量和所述充电路程的约束条件；电动汽车充电分配单元，用于执行：在所述约束条件条件下，利用基本粒子群优化算法求解所述充电均匀分布目标函数，得到所述电动汽车的充电决策结果，用于将所述多个电动汽车分配到所述多个充电站充电。
一个实施例中，所述充电均匀分布目标函数建立单元，包括：第一目标函数建立模块，用于执行：根据所述充电站数量、所述充电站目标充电功率、所述电动汽车数量、所述电动汽车充电功率及所述充电决策变量，建立充电站充电功率与其目标功率之差最小化目标函数；第二目标函数建立模块，用于执行：根据所述充电决策变量、所述充电路程及所述充电耗费时间，建立电动汽车充电路程与充电时间之和最小化目标函数；充电均匀分布目标函数建立模块，用于执行：利用所述电动汽车数量和所述充电站数量，对所述的充电站充电功率与其目标功率之差最小化目标函数和所述的电动汽车充电路程与充电时间之和最小化目标函数进行规范化，得到所述充电均匀分布目标函数。
一个实施例中，所述第一目标函数建立模块，包括：初始目标函数建立模块，用于执行：根据所述充电站数量、所述充电站目标充电功率、所述电动汽车数量、所述电动汽车充电功率及所述充电决策变量，建立充电站充电功率与其目标功率之差最小化初始目标函数；目标函数简化建立模块，用于执行：利用各所述充电站的充电站目标充电功率均相同和各所述电动汽车的电动汽车充电功率均相同的假设条件，简化所述充电站充电功率与其目标功率之差最小化初始目标函数，得到所述充电站充电功率与其目标功率之差最小化目标函数。
一个实施例中，所述初始目标函数建立模块，还用于执行：
所述充电站充电功率与其目标功率之差最小化初始目标函数为：
Figure BDA0001188446510000051
其中，F1为充电站充电功率与其目标功率之差最小化初始目标函数，M为充电站数量，Pj'为充电站实际功率，Pj为充电站目标充电功率，N为电动汽车数量，xij为第i个电动汽车到第j个充电站充电的充电决策变量，xij取1时表示第i个电动汽车在第j个充电站充电，xij取0时表示第i个电动汽车未在第j个充电站充电，Pi为电动汽车充电功率，M和N为正整数；
所述目标函数简化建立模块，还用于执行：
所述充电站充电功率与其目标功率之差最小化目标函数为：
Figure BDA0001188446510000052
其中，F1'为充电站充电功率与其目标功率之差最小化目标函数，Sj为在第j个充电站充电的电动汽车的数量，Sav为各充电站的充电电动汽车平均数量；
所述第二目标函数建立模块，还用于执行：
所述电动汽车充电路程与充电时间之和最小化目标函数为：
Figure BDA0001188446510000053
其中，F2为电动汽车充电路程与充电时间之和最小化目标函数，uij为充电路程lij和充电耗费时间tij之和，twj为电动汽车在第j个充电站内的排队时间，kj为比例系数；
所述充电均匀分布目标函数建立模块，还用于执行：
所述充电均匀分布目标函数为：
Figure BDA0001188446510000061
其中，λ1和λ2分别为充电站充电功率与其目标功率之差最小化目标函数F1'和电动汽车充电路程与充电时间之和最小化目标函数F2的权系数；
所述约束条件建立单元，还用于执行：
所述充电决策变量的约束条件为：
Figure BDA0001188446510000062
所述充电路程的约束条件为：
lij≤limax，
其中，limax为第i个电动汽车的最大充电路程。
一个实施例中，所述电动汽车充电分配单元，包括：电动汽车充电分配模块，用于执行：以充电决策变量作为粒子位置坐标，通过基本粒子群优化算法迭代生成粒子位置坐标，并取电动汽车位置坐标的最大值对应的维作为充电决策变量中取1的维，其余电动汽车位置坐标对应的维作为充电决策变量中取0的维，以将基本粒子群优化算法的连续解空间转化为离散解空间；将不满足所述充电路程的约束条件的电动汽车的充电路程用设定正数代替。
本发明实施例的电动汽车充电分配方法及装置，在建立充电均匀分布目标函数时，通过考虑充电站数量、充电站目标充电功率、电动汽车数量、电动汽车充电功率及充电决策变量可以将电动汽车充电负荷合理均匀分配至区域内的充电站，可以改善电网负荷分布不均匀的现象，通过考虑充电路程及充电耗费时间，可以尽量缩短用户到达充电站的路程，减少用户充电所需时间。利用基本粒子群优化算法求解该充电均匀分布目标函数，得到电动汽车的充电决策结果，用来将所述电动汽车分配到充电站，可以从时间和空上对电动汽车充负荷进行有效的分配和引导，积极开展电动汽车有序充电研究并形成系统，最终，实现对电动汽车的有效调度，实现为用户缩短路程、减少时间和电网稳定运行的双赢。选择智能群体算法中的粒子群算法来求解充电策略问题，不仅考虑了电网运行的稳定性，更考虑到电动汽车用户的时间和空间成本，是充 分考虑电网及用户的双赢增值服务引导策略。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
图1是本发明一实施例的电动汽车充电分配方法的流程示意图；
图2是本发明一实施例中建立充电均匀分布目标函数的方法流程示意图；
图3是本发明一实施例中建立充电站充电功率与其目标功率之差最小化目标函数的方法流程示意图；
图4是本发明一实施例中电动汽车充电分配装置的结构示意图；
图5是本发明一实施例中充电均匀分布目标函数建立单元的结构示意图；
图6是本发明一实施例中第一目标函数建立模块的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
针对目前对电动汽车充电负荷的研究多电网安全稳定运行出发，没有考虑到电动汽车用户需求的问题，本发明在考虑电动汽车用户的情况下提出一种电动汽车充电分配方法，能够使充电负荷在区域间合理的分配，可以改善电网负荷分布不均匀的现象。
图1是本发明一实施例的电动汽车充电分配方法的流程示意图。如图1所示，本实施例的电动汽车充电分配方法，可包括步骤：
S110：利用多个电动汽车被分配到多个充电站充电时的充电站数量、充电站目标充电功率、电动汽车数量、电动汽车充电功率、充电决策变量、充电路程及充电耗费时间，建立充电均匀分布目标函数；
S120：分别建立所述充电决策变量和所述充电路程的约束条件；
S130：在所述约束条件条件下，利用基本粒子群优化算法求解所述充电均匀分布目标函数，得到所述电动汽车的充电决策结果，用于将所述多个电动汽车分配到所述多个充电站充电。
在上述步骤S110中，该充电站数量表示上述多个充电站的总数量，该电动汽车数量表示上述多个电动汽车的总数量。每个充电站可具有相同或不同的充电站目标充电功率。该电动汽车充电功率可能因为电动汽车充电方式不同而受影响，可为变量或恒量，每个电动汽车可具有相同或不同的电动汽车充电功率。该充电决策变量表示电动汽车被分配到哪一个充电站充电，上述多个电动汽车被分配到上述多个充电站的充电决策变量可以用矩阵形式表示。该充电路程可以电动汽车到达被分配到的充电站的路程，上述多个电动汽车到达被分配到上述多个充电站的充电路程可以用矩阵形式表示。该充电耗费时间可以是电动汽车出发到充电站并完成充电的总时间。该充电均匀分布目标函数可以是通过考虑上述各因素使充电负荷在区域间合理分配的目标函数。
在上述步骤S120中，通过分别建立所述充电决策变量的约束条件和所述充电路程的约束条件，可以分别将充电决策变量充电路程限制在合理的范围。
在上述步骤S130中，在基本粒子群优化算法中，每个问题的解都被可以想象成搜索空间中的一只鸟，鸟被抽象为没有质量、没有体积的微粒，即“粒子”。每个微粒都包含两个属性：速度和位置以及位置坐标对应的目标函数值，我们称之为适应度，算法是通过适应度来衡量粒子的优劣。粒子的速度决定其飞行的方向和距离，通过不断地更新自身的速度，随之在空间中的位置也发生相应的变化，逐渐地接近最优的位置，粒子的最优位置即为优化问题中的最优方案。所有粒子在解空间中的搜索和更新不是随机的，其运动轨迹是通过始终追随两个指标即局部最优解和全局最优解来变化。局部最优解就是每个粒子到目前为止发现的最优位置，可看作是单个粒子自身的飞行经验；全局最优解是整个群体中所有粒子到目前为止发现的最佳位置，看作是粒子同伴的飞行经验，它们的评判标准即适应度函数的值越小，解越优。
电动汽车充电负荷通常接入中低压配电网，作为一种可以移动的负荷，如果充电负荷能在区域间合理的分配，则可以改善电网负荷分布不均匀的现象。对各换电站设置目标充电功率，使各换电站分配到的换电站车辆充电负荷尽量接近设置的目标充电功率，从而最终使包括电动汽车充电负荷在内的配电网总负荷实现均匀分布。
以空间均匀约束、充电最大路程约束为约束条件。采用标准粒子群算法求解目标优化问题数学模型，得到电动汽车充电空间位置决策变量和充电负荷在各充电站间的 分配结果。使用基本粒子群优化算法优化电动汽车充电负荷的空间分配时，可以用电动汽车在每个充电站的决策变量当作粒子位置坐标，可以用充电均匀分布目标函数当作位置坐标对应的目标函数，能够实现根据充电均匀分布目标函数求解得到最优的充电决策结果。
本实施例中，在建立充电均匀分布目标函数时，通过考虑充电站数量、充电站目标充电功率、电动汽车数量、电动汽车充电功率及充电决策变量可以将电动汽车充电负荷合理均匀分配至区域内的充电站，可以改善电网负荷分布不均匀的现象，通过考虑充电路程及充电耗费时间，可以尽量缩短用户到达充电站的路程，减少用户充电所需时间。利用基本粒子群优化算法求解该充电均匀分布目标函数，得到电动汽车的充电决策结果，用来将所述电动汽车分配到充电站，可以从时间和空上对电动汽车充负荷进行有效的分配和引导，积极开展电动汽车有序充电研究并形成系统，最终，实现对电动汽车的有效调度，实现为用户缩短路程、减少时间和电网稳定运行的双赢。
图2是本发明一实施例中建立充电均匀分布目标函数的方法流程示意图。如图2所示，在上述步骤S110中，利用多个电动汽车被分配到多个充电站充电时的充电站数量、充电站目标充电功率、电动汽车数量、电动汽车充电功率、充电决策变量、充电路程及充电耗费时间，建立充电均匀分布目标函数的方法，可包括步骤：
S111：根据所述充电站数量、所述充电站目标充电功率、所述电动汽车数量、所述电动汽车充电功率及所述充电决策变量，建立充电站充电功率与其目标功率之差最小化目标函数；
S112：根据所述充电决策变量、所述充电路程及所述充电耗费时间，建立电动汽车充电路程与充电时间之和最小化目标函数；
S113：利用所述电动汽车数量和所述充电站数量，对所述的充电站充电功率与其目标功率之差最小化目标函数和所述的电动汽车充电路程与充电时间之和最小化目标函数进行规范化，得到所述充电均匀分布目标函数。
在上述步骤S111中，通过考虑充电站数量、充电站目标充电功率、电动汽车数量、电动汽车充电功率、充电决策变量等因素，建立充电站充电功率与其目标功率之差最小化目标函数，可以利用该目标函数尽量减小各充电站的充电功率与其目标功率之间的差距，进而减小电动汽车充电对电网经济运行的影响。
在上述步骤S112中，该充电耗费时间可以包括充电站内排队时间、充电时间、 到达充电站的行驶时间等时间中的一个或多个。电动汽车充电路程与充电时间为不同量纲，可以通过对目标函数进行规范，以便求解。通过考虑充电决策变量、充电路程、充电耗费时间等因素，建立电动汽车充电路程与充电时间之和最小化目标函数，可以在减小电动汽车充电对电网经济运行影响的同时，还可以兼顾由电动汽车充电负荷均匀分布分配造成的充电路程和充电时间增大对电动汽车用户的影响，尽量减小系统内总充电路程和充电时间。
在上述步骤S113中，所述的充电站充电功率与其目标功率之差最小化目标函数和所述的电动汽车充电路程与充电时间之和最小化目标函数的量纲不同，利用所述电动汽车数量和所述充电站数量对两个目标函数进行规范化，同时得到充电均匀分布目标函数，可将多目标优化问题转化为单目标问题。
本实施例，以电动汽车充电空间位置决策变量为理想的求解对象，分别建立了电动汽车用户侧优化目标和充电站侧优化目标。用户侧以调度系统内用户总充电路程和时间最小为目标。充电站侧以充电负荷均匀分布、提高利用率为目标，并将多目标问题转化为单目标。重点从空间出发，考虑电动汽车用户充电需求在空间尺度下的特性和电网运行两个方面，以充电负荷均匀分配和系统内充电路程、时间最小为目标优化调度数学模型，所有车辆均匀分配到每个充电站而且总的路程和花费的时间最小。
图3是本发明一实施例中建立充电站充电功率与其目标功率之差最小化目标函数的方法流程示意图。如图3所示，在上述步骤S111中，根据所述充电站数量、所述充电站目标充电功率、所述电动汽车数量、所述电动汽车充电功率及所述充电决策变量，建立充电站充电功率与其目标功率之差最小化目标函数的方法，可包括步骤：
S1111：根据所述充电站数量、所述充电站目标充电功率、所述电动汽车数量、所述电动汽车充电功率及所述充电决策变量，建立充电站充电功率与其目标功率之差最小化初始目标函数；
S1112：利用各所述充电站的充电站目标充电功率均相同和各所述电动汽车的电动汽车充电功率均相同的假设条件，简化所述充电站充电功率与其目标功率之差最小化初始目标函数，得到所述充电站充电功率与其目标功率之差最小化目标函数。
本实施例中，通过利用各所述充电站的充电站目标充电功率均相同和各所述电动汽车的电动汽车充电功率均相同的假设条件，简化目标函数，可以简化计算。
在上述步骤S1111中，例如，所述充电站充电功率与其目标功率之差最小化初始目标函数可为：
Figure BDA0001188446510000111
其中，F1为充电站充电功率与其目标功率之差最小化初始目标函数，M为充电站数量，Pj'为充电站实际功率，Pj为充电站目标充电功率，N为电动汽车数量，xij为第i个电动汽车到第j个充电站充电的充电决策变量，xij取1时表示第i个电动汽车在第j个充电站充电，xij取0时表示第i个电动汽车未在第j个充电站充电，Pi为电动汽车充电功率，M和N为正整数。
一些实施例中，可假设一个地区电网内建设了一定数量的电动汽车充电站和充电桩总计M座。第j个充电站的目标充电功率为Pj。可假设该地区内共有待充电电动汽车N辆，第i辆电动汽车充电功率Pi。因为电动汽车充电方式不同而受影响，电动汽车充电功率Pi可为变量或恒量。可用xij表示决策变量，当xij＝1时，可表示第i辆电动汽车被分配到第j个充电站充电；当xij＝0时，可表示第i辆电动汽车未在第j个充电站充电。电动汽车充电的决策变量矩阵可表示为X＝[xij]N×M，矩阵X的行可为车辆数量，列可为充电站数量。通过对决策变量矩阵X的求解即可得到电动汽车充电均匀分布结果。
充电站实际功率Pj'可表示为：
Figure BDA0001188446510000112
第j个充电站充电的电动汽车数量可表示为：
Figure BDA0001188446510000113
第i辆电动汽车到达第j个充电站的路程可为lij，电动汽车到充电站的路程矩阵可为L＝[lij]N×M。第i辆电动汽车到第j个充电站充电的总时间可为：
tij＝twj+tcij+tdij，
其中，twj为站内排队时间；tcij为充电时间；tdij为到达充电站的行驶时间。站内排队时间twj可与选择第j个充电站的车辆数、充电站规模、充电站类型等因素有关。
一个实施例中，可认为站内排队时间twj只与充电车辆数成正比，站内排队时间twj可表示为：
twj＝kjSj，
其中，kj为比例系数，tij可与充电方式、充电电流倍率有关。
一个实施例中，到达充电站的行驶时间tdij可与车辆到充电站的路程以及第i辆电动汽车平均行驶速度vi有关，到达充电站的行驶时间tdij可表示为：
Figure BDA0001188446510000121
一个实施例中，为了简化计算，可假设区域内各充电站目标充电功率相同且为电动汽车充电负荷在各站之间的平均分配值。同时可假设各辆电动汽车行驶速度vi、充电功率Pi、充电时间tcij均相同，可暂不考虑其影响。
假设充电站目标充电功率以及各车辆充电功率均相同，则可有：
Figure BDA0001188446510000122
上式中，将Pj/Pi用Sav＝N/M代替，可得到：
Figure BDA0001188446510000123
在上述步骤S1112中，例如，所述充电站充电功率与其目标功率之差最小化目标函数可为：
Figure BDA0001188446510000124
其中，F1'为充电站充电功率与其目标功率之差最小化目标函数，Sj为在第j个充电站充电的电动汽车的数量，Sav为各充电站的充电电动汽车平均数量。
上式中，参数N和M可以根据本发明实施例方法的实际应用情况确定。
本实施例中，通过假设充电站目标充电功率以及各车辆充电功率均相同，可以将尽量减小各充电站的充电功率与其目标功率之间的差距的问题，转化为充电车辆数在充电站间的平均分配，以此可以简化计算。
一些实施例中，可假设各电动汽车行驶速度vi、充电时间tcij相同，到达充电站 的行驶时间tdij与充电路程lij成正比，而上述第i辆电动汽车到第j个充电站充电的总时间tij中已包含充电路程lij，因此，总充电时间可仅考虑站内排队时间twj，则充电路程与充电时间之和可表示为：
uij＝tij+lij＝twj+lij＝kjSj+lij。
一些实施例中，在上述步骤S112中，所述电动汽车充电路程与充电时间之和最小化目标函数可为：
Figure BDA0001188446510000131
其中，F2为电动汽车充电路程与充电时间之和最小化目标函数，uij为充电路程lij和充电耗费时间tij之和，twj为电动汽车在第j个充电站内的排队时间，kj为比例系数。
上式中，参数kj和lij可以根据本发明实施例方法的实际应用情况确定。充电时间tij和充电路程lij可以选择标准单位，并基于该标准单位进行后续目标函数F的求解，例如，充电时间tij的单位可选择秒，充电路程lij的单位可选择米。
本实施例中，通过综合考虑电动汽车用户的充电路程和充电耗费时间，将用户需求考虑进来，实现尽量减小系统内用户的总充电路程和充电时间。
由于两个目标函数的量纲不同，故对两个目标函数进行规范化同时可将多目标优化问题转化为单目标问题。
一些实施例中，在上述步骤S113中，所述充电均匀分布目标函数可为：
Figure BDA0001188446510000132
其中，λ1和λ2分别为充电站充电功率与其目标功率之差最小化目标函数F1'和电动汽车充电路程与充电时间之和最小化目标函数F2的权系数。
上式中，权系数λ1和λ2可以通过多种不同方法得到，例如通过先赋值再优化的方法设定权系数λ1和λ2的值。
一些实施例中，在上述步骤S120中，所述充电决策变量的约束条件可为：
Figure BDA0001188446510000133
本实施例中，可假设系统中每辆电动汽车必须被分配到一个充电站。
一些实施例中，在上述步骤S120中，所述充电路程的约束条件可为：
lij≤limax，
其中，limax为第i个电动汽车的最大充电路程。
本实施例中，最大充电路程可以是由于充电车辆因为交通原因、剩余电量不足或者没有可以到达的路径、电动汽车用户存在的主观意愿造成的充电路程最大值。
一些实施例中，上述步骤S130，即在所述约束条件条件下，利用基本粒子群优化算法求解所述充电均匀分布目标函数，得到所述电动汽车的充电决策结果的方法，具体实施方式可为：
以充电决策变量作为粒子位置坐标，通过基本粒子群优化算法迭代生成粒子位置坐标，并取电动汽车位置坐标的最大值对应的维作为充电决策变量中取1的维，其余电动汽车位置坐标对应的维作为充电决策变量中取0的维，以将基本粒子群优化算法的连续解空间转化为离散解空间；将不满足所述充电路程的约束条件的电动汽车的充电路程用设定正数代替。
对于分配约束问题，由于标准粒子群算法针对的目标是连续解空间，而电动汽车充电负荷均匀分布是离散的二进制问题，要满足粒子群算法的玉树条件以及目标函数的求解首先需要将连续空间转换为离散空间。通过粒子群算法迭代产生的粒子位置坐标，可以取每辆电动汽车位置坐标的最大值对应的维作为决策变量中可以取1的维，剩下其他维可以取0.经过转化之后的解空间即可以满足分配约束，又可以用离散解空间代替连续空间计算各粒子的目标函数并进行记录和比较。
对于充电路程约束问题，充电路程约束是一个不等式，对于充电路程矩阵L中大于limax的所有元素，可以取一个足够大的正数来代替。当这样的车和车站被分配到一起时，一定会使位置坐标对应的目标函数值明显变化，因为不满足约束条件而被弃用。
本发明实施例的电动汽车充电分配方法，在建立充电均匀分布目标函数时，通过考虑充电站数量、充电站目标充电功率、电动汽车数量、电动汽车充电功率及充电决策变量可以将电动汽车充电负荷合理均匀分配至区域内的充电站，可以改善电网负荷分布不均匀的现象，通过考虑充电路程及充电耗费时间，可以尽量缩短用户到达充电站的路程，减少用户充电所需时间。利用基本粒子群优化算法求解该充电均匀分布目标函数，得到电动汽车的充电决策结果，用来将所述电动汽车分配到充电站，可以从时间和空上对电动汽车充负荷进行有效的分配和引导，积极开展电动汽车有序充电研 究并形成系统，最终，实现对电动汽车的有效调度，实现为用户缩短路程、减少时间和电网稳定运行的双赢。选择智能群体算法中的粒子群算法来求解充电策略问题，不仅考虑了电网运行的稳定性，更考虑到电动汽车用户的时间和空间成本，是充分考虑电网及用户的双赢增值服务引导策略。本发明实施例，能够实现电动汽车有序充电：在满足电动汽车用户使用需求、电池及充电设施性能约束的前提下，以减小规模化电动汽车充电对电网负面影响、提高充电设施和运行经济性为目的，以科学、准确、全面的充电需求预测为基础，通过有效的技术和经济手段引导和控制电动汽车及充电设施的充电行为，实现电动汽车及其充电设施与电网的协调发展，形成电动汽车用户、充电设施运营商与电网企业的共赢。
基于与图1所示的电动汽车充电分配方法相同的发明构思，本申请实施例还提供了一种电动汽车充电分配装置，如下面实施例所述。由于该电动汽车充电分配装置解决问题的原理与电动汽车充电分配方法相似，因此该电动汽车充电分配装置的实施可以参见电动汽车充电分配方法的实施，重复之处不再赘述。
图4是本发明一实施例中电动汽车充电分配装置的结构示意图。如图4所示，本实施例的电动汽车充电分配装置，可包括：充电均匀分布目标函数建立单元210、约束条件建立单元220及电动汽车充电分配单元230，三者顺序连接。
充电均匀分布目标函数建立单元210用于执行：利用多个电动汽车被分配到多个充电站充电时的充电站数量、充电站目标充电功率、电动汽车数量、电动汽车充电功率、充电决策变量、充电路程及充电耗费时间，建立充电均匀分布目标函数。
约束条件建立单元220用于执行：分别建立所述充电决策变量和所述充电路程的约束条件。
电动汽车充电分配单元230用于执行：在所述约束条件条件下，利用基本粒子群优化算法求解所述充电均匀分布目标函数，得到所述电动汽车的充电决策结果，用于将所述多个电动汽车分配到所述多个充电站充电。
在上述充电均匀分布目标函数建立单元210中，该充电站数量表示上述多个充电站的总数量，该电动汽车数量表示上述多个电动汽车的总数量。每个充电站可具有相同或不同的充电站目标充电功率。该电动汽车充电功率可能因为电动汽车充电方式不同而受影响，可为变量或恒量，每个电动汽车可具有相同或不同的电动汽车充电功率。该充电决策变量表示电动汽车被分配到哪一个充电站充电，上述多个电动汽车被分配 到上述多个充电站的充电决策变量可以用矩阵形式表示。该充电路程可以电动汽车到达被分配到的充电站的路程，上述多个电动汽车到达被分配到上述多个充电站的充电路程可以用矩阵形式表示。该充电耗费时间可以是电动汽车出发到充电站并完成充电的总时间。该充电均匀分布目标函数可以是通过考虑上述各因素使充电负荷在区域间合理分配的目标函数。
在上述约束条件建立单元220中，通过分别建立所述充电决策变量的约束条件和所述充电路程的约束条件，可以分别将充电决策变量充电路程限制在合理的范围。
本实施例中，在建立充电均匀分布目标函数时，通过考虑充电站数量、充电站目标充电功率、电动汽车数量、电动汽车充电功率及充电决策变量可以将电动汽车充电负荷合理均匀分配至区域内的充电站，可以改善电网负荷分布不均匀的现象，通过考虑充电路程及充电耗费时间，可以尽量缩短用户到达充电站的路程，减少用户充电所需时间。利用基本粒子群优化算法求解该充电均匀分布目标函数，得到电动汽车的充电决策结果，用来将所述电动汽车分配到充电站，可以从时间和空上对电动汽车充负荷进行有效的分配和引导，积极开展电动汽车有序充电研究并形成系统，最终，实现对电动汽车的有效调度，实现为用户缩短路程、减少时间和电网稳定运行的双赢。
图5是本发明一实施例中充电均匀分布目标函数建立单元的结构示意图。如图5所示，所述充电均匀分布目标函数建立单元210，可包括：第一目标函数建立模块211、第二目标函数建立模块212及充电均匀分布目标函数建立模块213。
第一目标函数建立模块211用于执行：根据所述充电站数量、所述充电站目标充电功率、所述电动汽车数量、所述电动汽车充电功率及所述充电决策变量，建立充电站充电功率与其目标功率之差最小化目标函数。
第二目标函数建立模块212用于执行：根据所述充电决策变量、所述充电路程及所述充电耗费时间，建立电动汽车充电路程与充电时间之和最小化目标函数。
充电均匀分布目标函数建立模块213用于执行：利用所述电动汽车数量和所述充电站数量，对所述的充电站充电功率与其目标功率之差最小化目标函数和所述的电动汽车充电路程与充电时间之和最小化目标函数进行规范化，得到所述充电均匀分布目标函数。
在上述第一目标函数建立模块211中，通过考虑充电站数量、充电站目标充电功率、电动汽车数量、电动汽车充电功率、充电决策变量等因素，建立充电站充电功率 与其目标功率之差最小化目标函数，可以利用该目标函数尽量减小各充电站的充电功率与其目标功率之间的差距，进而减小电动汽车充电对电网经济运行的影响。
在上述第二目标函数建立模块212中，该充电耗费时间可以包括充电站内排队时间、充电时间、到达充电站的行驶时间等时间中的一个或多个。电动汽车充电路程与充电时间为不同量纲，可以通过对目标函数进行规范，以便求解。通过考虑充电决策变量、充电路程、充电耗费时间等因素，建立电动汽车充电路程与充电时间之和最小化目标函数，可以在减小电动汽车充电对电网经济运行影响的同时，还可以兼顾由电动汽车充电负荷均匀分布分配造成的充电路程和充电时间增大对电动汽车用户的影响，尽量减小系统内总充电路程和充电时间。
在上述充电均匀分布目标函数建立模块213中，所述的充电站充电功率与其目标功率之差最小化目标函数和所述的电动汽车充电路程与充电时间之和最小化目标函数的量纲不同，利用所述电动汽车数量和所述充电站数量对两个目标函数进行规范化，同时得到充电均匀分布目标函数，可将多目标优化问题转化为单目标问题。
图6是本发明一实施例中第一目标函数建立模块的结构示意图。如图6所示，所述第一目标函数建立模块211，可包括：初始目标函数建立模块2111和目标函数简化建立模块2112，二者相互连接。
初始目标函数建立模块2111用于执行：根据所述充电站数量、所述充电站目标充电功率、所述电动汽车数量、所述电动汽车充电功率及所述充电决策变量，建立充电站充电功率与其目标功率之差最小化初始目标函数。
目标函数简化建立模块2112用于执行：利用各所述充电站的充电站目标充电功率均相同和各所述电动汽车的电动汽车充电功率均相同的假设条件，简化所述充电站充电功率与其目标功率之差最小化初始目标函数，得到所述充电站充电功率与其目标功率之差最小化目标函数。
本实施例中，通过利用各所述充电站的充电站目标充电功率均相同和各所述电动汽车的电动汽车充电功率均相同的假设条件，简化目标函数，可以简化计算。
一些实施例中，所述初始目标函数建立模块2111，还可用于执行：
所述充电站充电功率与其目标功率之差最小化初始目标函数为：
Figure BDA0001188446510000171
其中，F1为充电站充电功率与其目标功率之差最小化初始目标函数，M为充电站数量，Pj'为充电站实际功率，Pj为充电站目标充电功率，N为电动汽车数量，xij为第i个电动汽车到第j个充电站充电的充电决策变量，xij取1时表示第i个电动汽车在第j个充电站充电，xij取0时表示第i个电动汽车未在第j个充电站充电，Pi为电动汽车充电功率，M和N为正整数。
一些实施例中，所述目标函数简化建立模块2112，还可用于执行：
所述充电站充电功率与其目标功率之差最小化目标函数为：
Figure BDA0001188446510000181
其中，F1'为充电站充电功率与其目标功率之差最小化目标函数，Sj为在第j个充电站充电的电动汽车的数量，Sav为各充电站的充电电动汽车平均数量。
本实施例中，通过假设充电站目标充电功率以及各车辆充电功率均相同，可以将尽量减小各充电站的充电功率与其目标功率之间的差距的问题，转化为充电车辆数在充电站间的平均分配，以此可以简化计算。
一些实施例中，所述第二目标函数建立模块212，还可用于执行：
所述电动汽车充电路程与充电时间之和最小化目标函数为：
Figure BDA0001188446510000182
其中，F2为电动汽车充电路程与充电时间之和最小化目标函数，uij为充电路程lij和充电耗费时间tij之和，twj为电动汽车在第j个充电站内的排队时间，kj为比例系数。
本实施例中，通过综合考虑电动汽车用户的充电路程和充电耗费时间，将用户需求考虑进来，实现尽量减小系统内用户的总充电路程和充电时间。
一些实施例中，所述充电均匀分布目标函数建立模块213，还可用于执行：
所述充电均匀分布目标函数为：
Figure BDA0001188446510000183
其中，λ1和λ2分别为充电站充电功率与其目标功率之差最小化目标函数F1'和电动汽车充电路程与充电时间之和最小化目标函数F2的权系数。
本实施例中，对量纲不同的两个目标函数进行规范化，同时可将多目标优化问题转化为单目标问题，从而便于实现目标函数的求解。
一些实施例中，所述约束条件建立单元220，还可用于执行：
所述充电决策变量的约束条件为：
Figure BDA0001188446510000191
本实施例中，可假设系统中每辆电动汽车必须被分配到一个充电站。
一些实施例中，所述约束条件建立单元220，还可用于执行：
所述充电路程的约束条件为：
lij≤limax，
其中，limax为第i个电动汽车的最大充电路程。
本实施例中，最大充电路程可以是由于充电车辆因为交通原因、剩余电量不足或者没有可以到达的路径、电动汽车用户存在的主观意愿造成的充电路程最大值。
一些实施例中，所述电动汽车充电分配单元230，可包括：电动汽车充电分配模块。电动汽车充电分配模块，可用于执行：以充电决策变量作为粒子位置坐标，通过基本粒子群优化算法迭代生成粒子位置坐标，并取电动汽车位置坐标的最大值对应的维作为充电决策变量中取1的维，其余电动汽车位置坐标对应的维作为充电决策变量中取0的维，以将基本粒子群优化算法的连续解空间转化为离散解空间；将不满足所述充电路程的约束条件的电动汽车的充电路程用设定正数代替。
本发明实施例的电动汽车充电分配装置，在建立充电均匀分布目标函数时，通过考虑充电站数量、充电站目标充电功率、电动汽车数量、电动汽车充电功率及充电决策变量可以将电动汽车充电负荷合理均匀分配至区域内的充电站，可以改善电网负荷分布不均匀的现象，通过考虑充电路程及充电耗费时间，可以尽量缩短用户到达充电站的路程，减少用户充电所需时间。利用基本粒子群优化算法求解该充电均匀分布目标函数，得到电动汽车的充电决策结果，用来将所述电动汽车分配到充电站，可以从时间和空上对电动汽车充负荷进行有效的分配和引导，积极开展电动汽车有序充电研究并形成系统，最终，实现对电动汽车的有效调度，实现为用户缩短路程、减少时间和电网稳定运行的双赢。选择智能群体算法中的粒子群算法来求解充电策略问题，不仅考虑了电网运行的稳定性，更考虑到电动汽车用户的时间和空间成本，是充分考虑 电网及用户的双赢增值服务引导策略。
在本说明书的描述中，参考术语“一个实施例”、“一个具体实施例”、“一些实施例”、“例如”、“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一定指的是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何的一个或多个实施例或示例中以合适的方式结合。各实施例中涉及的步骤顺序用于示意性说明本发明的实施，其中的步骤顺序不作限定，可根据需要作适当调整。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种电动汽车充电分配方法，其特征在于，包括：
根据充电站数量、充电站目标充电功率、电动汽车数量、电动汽车充电功率及充电决策变量，建立充电站充电功率与其目标功率之差最小化初始目标函数，其中，所述充电站充电功率与其目标功率之差最小化初始目标函数为：
Figure FDA0002701077470000011
其中，F1为充电站充电功率与其目标功率之差最小化初始目标函数，M为充电站数量，Pj'为充电站实际功率，Pj为充电站目标充电功率，N为电动汽车数量，xij为第i个电动汽车到第j个充电站充电的充电决策变量，xij取1时表示第i个电动汽车在第j个充电站充电，xij取0时表示第i个电动汽车未在第j个充电站充电，Pi为电动汽车充电功率，M和N为正整数；
利用各所述充电站的充电站目标充电功率均相同和各所述电动汽车的电动汽车充电功率均相同的假设条件，简化所述充电站充电功率与其目标功率之差最小化初始目标函数，得到所述充电站充电功率与其目标功率之差最小化目标函数，其中，所述充电站充电功率与其目标功率之差最小化目标函数为：
Figure FDA0002701077470000012
Sav＝N/M，
Figure FDA0002701077470000013
其中，F1'为充电站充电功率与其目标功率之差最小化目标函数，Sj为在第j个充电站充电的电动汽车的数量，Sav为各充电站的充电电动汽车平均数量；
根据所述充电决策变量、充电路程及充电耗费时间，建立电动汽车充电路程与充电时间之和最小化目标函数，其中，所述电动汽车充电路程与充电时间之和最小化目标函数为：
Figure FDA0002701077470000014
uij＝tij+lij＝twj+lij＝kjSj+lij，
其中，F2为电动汽车充电路程与充电时间之和最小化目标函数，uij为充电路程lij和充电耗费时间tij之和，twj为电动汽车在第j个充电站内的排队时间，kj为比例系数；
利用所述电动汽车数量和所述充电站数量，对所述的充电站充电功率与其目标功率之差最小化目标函数和所述的电动汽车充电路程与充电时间之和最小化目标函数进行规范化，得到充电均匀分布目标函数，其中，所述充电均匀分布目标函数为：
Figure FDA0002701077470000021
其中，λ1和λ2分别为充电站充电功率与其目标功率之差最小化目标函数F1'和电动汽车充电路程与充电时间之和最小化目标函数F2的权系数；
分别建立所述充电决策变量和所述充电路程的约束条件，其中，所述充电决策变量的约束条件为：
Figure FDA0002701077470000022
所述充电路程的约束条件为：
lij≤limax，
其中，limax为第i个电动汽车的最大充电路程；
在所述约束条件下，利用基本粒子群优化算法求解所述充电均匀分布目标函数，得到所述电动汽车的充电决策结果，用于将多个电动汽车分配到多个充电站充电。
2.如权利要求1所述的电动汽车充电分配方法，其特征在于，在所述约束条件条件下，利用基本粒子群优化算法求解所述充电均匀分布目标函数，得到所述电动汽车的充电决策结果，包括：
以充电决策变量作为粒子位置坐标，通过基本粒子群优化算法迭代生成粒子位置坐标，并取电动汽车位置坐标的最大值对应的维作为充电决策变量中取1的维，其余电动汽车位置坐标对应的维作为充电决策变量中取0的维，以将基本粒子群优化算法的连续解空间转化为离散解空间；将不满足所述充电路程的约束条件的电动汽车的充电路程用设定正数代替。
3.一种电动汽车充电分配装置，其特征在于，包括：
初始目标函数建立模块，用于执行：根据充电站数量、充电站目标充电功率、电动汽车数量、电动汽车充电功率及充电决策变量，建立充电站充电功率与其目标功率之差最小化初始目标函数，其中，所述充电站充电功率与其目标功率之差最小化初始目标函数为：
Figure FDA0002701077470000031
其中，F1为充电站充电功率与其目标功率之差最小化初始目标函数，M为充电站数量，P'j为充电站实际功率，Pj为充电站目标充电功率，N为电动汽车数量，xij为第i个电动汽车到第j个充电站充电的充电决策变量，xij取1时表示第i个电动汽车在第j个充电站充电，xij取0时表示第i个电动汽车未在第j个充电站充电，Pi为电动汽车充电功率，M和N为正整数；
目标函数简化建立模块，用于执行：利用各所述充电站的充电站目标充电功率均相同和各所述电动汽车的电动汽车充电功率均相同的假设条件，简化所述充电站充电功率与其目标功率之差最小化初始目标函数，得到所述充电站充电功率与其目标功率之差最小化目标函数，其中，所述充电站充电功率与其目标功率之差最小化目标函数为：
Figure FDA0002701077470000032
Sav＝N/M，
Figure FDA0002701077470000033
其中，F1'为充电站充电功率与其目标功率之差最小化目标函数，Sj为在第j个充电站充电的电动汽车的数量，Sav为各充电站的充电电动汽车平均数量；
第二目标函数建立模块，用于执行：根据所述充电决策变量、充电路程及充电耗费时间，建立电动汽车充电路程与充电时间之和最小化目标函数，其中，所述电动汽车充电路程与充电时间之和最小化目标函数为：
Figure FDA0002701077470000034
uij＝tij+lij＝twj+lij＝kjSj+lij，
其中，F2为电动汽车充电路程与充电时间之和最小化目标函数，uij为充电路程lij和充电耗费时间tij之和，twj为电动汽车在第j个充电站内的排队时间，kj为比例系数；
充电均匀分布目标函数建立模块，用于执行：利用所述电动汽车数量和所述充电站数量，对所述的充电站充电功率与其目标功率之差最小化目标函数和所述的电动汽车充电路程与充电时间之和最小化目标函数进行规范化，得到充电均匀分布目标函数，其中，所述充电均匀分布目标函数为：
Figure FDA0002701077470000035
其中，λ1和λ2分别为充电站充电功率与其目标功率之差最小化目标函数F1'和电动汽车充电路程与充电时间之和最小化目标函数F2的权系数；
约束条件建立单元，用于执行：分别建立所述充电决策变量和所述充电路程的约束条件，其中，所述充电决策变量的约束条件为：
Figure FDA0002701077470000041
所述充电路程的约束条件为：
lij≤limax，
其中，limax为第i个电动汽车的最大充电路程；
电动汽车充电分配单元，用于执行：在所述约束条件下，利用基本粒子群优化算法求解所述充电均匀分布目标函数，得到所述电动汽车的充电决策结果，用于将多个电动汽车分配到多个充电站充电。
4.如权利要求3所述的电动汽车充电分配装置，其特征在于，所述电动汽车充电分配单元，包括：
电动汽车充电分配模块，用于执行：以充电决策变量作为粒子位置坐标，通过基本粒子群优化算法迭代生成粒子位置坐标，并取电动汽车位置坐标的最大值对应的维作为充电决策变量中取1的维，其余电动汽车位置坐标对应的维作为充电决策变量中取0的维，以将基本粒子群优化算法的连续解空间转化为离散解空间；将不满足所述充电路程的约束条件的电动汽车的充电路程用设定正数代替。
CN201611197948.6A 2016-12-22 2016-12-22 电动汽车充电分配方法及装置 Active CN107067136B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611197948.6A CN107067136B (zh) 2016-12-22 2016-12-22 电动汽车充电分配方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611197948.6A CN107067136B (zh) 2016-12-22 2016-12-22 电动汽车充电分配方法及装置

Publications (2)

Publication Number Publication Date
CN107067136A CN107067136A (zh) 2017-08-18
CN107067136B true CN107067136B (zh) 2020-11-27

Family

ID=59618845

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611197948.6A Active CN107067136B (zh) 2016-12-22 2016-12-22 电动汽车充电分配方法及装置

Country Status (1)

Country Link
CN (1) CN107067136B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107590555B (zh) * 2017-08-29 2021-06-01 金陵科技学院 一种基于空间距离和时间成本的成品油供应量评价方法
CN107730049B (zh) * 2017-10-30 2021-10-22 武汉理工大学 电动汽车快速充电最优位置选择方法
CN108688503B (zh) * 2018-06-20 2021-07-27 湘潭大学 计及输电阻塞的电动汽车用户充电选择辅助决策方法
CN109948816B (zh) * 2018-09-20 2022-09-16 国网江苏省电力有限公司盐城供电分公司 一种微网调度方法
CN109727482B (zh) * 2019-02-21 2020-06-09 电子科技大学 一种停车场车位与电动汽车充电联合调度方法
CN112037560A (zh) * 2019-06-03 2020-12-04 北京国驿技术有限公司 智能化封闭式停车场运行模式下车位优化分配模型建立方法
CN111126740B (zh) * 2019-07-31 2020-12-22 北京嘀嘀无限科技发展有限公司 共享汽车充电调度方法、电子设备及存储介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016178185A1 (en) * 2015-05-06 2016-11-10 Suren Martirosyan Battery management system for bi-cathode discharging-cells

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7127337B2 (en) * 2003-10-14 2006-10-24 General Motors Corporation Silent operating mode for reducing emissions of a hybrid electric vehicle
CN102436607B (zh) * 2011-11-10 2014-08-27 山东大学 电动汽车换电站充电功率的多时间尺度决策方法
CN103793758B (zh) * 2014-01-23 2017-01-25 华北电力大学 含光伏发电系统的电动汽车充电站的多目标优化调度方法
CN104281889B (zh) * 2014-10-08 2016-02-24 国家电网公司 电动汽车ev充电负荷多目标随机规划方法
CN104517158B (zh) * 2014-12-07 2017-12-15 国网浙江省电力公司电动汽车服务分公司 一种计及电动汽车和可控负荷的配电系统阻塞调控方法
CN105160449A (zh) * 2015-07-06 2015-12-16 国家电网公司 一种电动汽车充电桩优化布局方法
CN105447602A (zh) * 2016-01-01 2016-03-30 三峡大学 一种电动汽车充换电站优化布局系统
CN105591433A (zh) * 2016-01-15 2016-05-18 国家电网公司 基于电动汽车充电功率动态分布的电动汽车充电负荷优化方法
CN105787600A (zh) * 2016-03-03 2016-07-20 国家电网公司 基于自适应量子遗传算法的电动出租车充电站规划方法
CN105896674B (zh) * 2016-06-01 2017-03-08 中国南方电网有限责任公司电网技术研究中心 电动汽车群的充电控制方法和系统
CN105868942B (zh) * 2016-06-07 2019-07-09 北京交通大学 电动汽车的有序充电调度方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016178185A1 (en) * 2015-05-06 2016-11-10 Suren Martirosyan Battery management system for bi-cathode discharging-cells

Also Published As

Publication number Publication date
CN107067136A (zh) 2017-08-18

Similar Documents

Publication Publication Date Title
CN107067136B (zh) 电动汽车充电分配方法及装置
Rivera et al. Distributed convex optimization for electric vehicle aggregators
Wu et al. Deep learning adaptive dynamic programming for real time energy management and control strategy of micro-grid
CN107579518B (zh) 基于mhba的电力系统环境经济调度方法和装置
CN110378548B (zh) 一种电动汽车虚拟电厂多时间尺度响应能力评估模型构建方法
Wang et al. Distributed control for large-scale plug-in electric vehicle charging with a consensus algorithm
CN109636056B (zh) 一种基于多智能体技术的多能源微网去中心化优化调度方法
Zhang et al. Multi-objective hydro-thermal-wind coordination scheduling integrated with large-scale electric vehicles using IMOPSO
CN111509781B (zh) 一种分布式电源协调优化控制方法及系统
CN110929964B (zh) 一种基于近似动态规划算法的含储能配电网优化调度方法
CN113541168A (zh) 一种电动汽车集群可调控能力确定方法、调度方法及系统
CN112865190A (zh) 计及光伏和充电需求的光储充电站优化调度方法和系统
CN113887032A (zh) 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
Zhou et al. Optimal dispatch of electric taxis and price making of charging stations using Stackelberg game
CN112257897A (zh) 基于改进多目标粒子群的电动汽车充电优化方法和系统
CN117060470A (zh) 一种基于灵活性资源的配电网电压优化控制方法
Wang et al. Multi-objective mobile charging scheduling on the internet of electric vehicles: a DRL approach
CN104090496A (zh) 一种智能电网控制运行连续模拟的仿真方法
CN117134380A (zh) 一种基于云边协同分布式储能分层级优化运行方法及系统
CN115147245B (zh) 一种工业负荷参与调峰辅助服务的虚拟电厂优化调度方法
Lan et al. Sitting and sizing of aggregator controlled park for plug-in hybrid electric vehicle based on particle swarm optimization
CN115833199A (zh) 一种移动储能调度方法、系统及存储介质
Zhang et al. Coordinated dispatch of the wind-thermal power system by optimizing electric vehicle charging
Subramaniam et al. Optimal planning and allocation of Plug-in Hybrid Electric Vehicles charging stations using a novel hybrid optimization technique
Ni et al. Collaborative mobile charging vehicles placement: A reinforcement learning approach

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