CN109878370B - 一种电动汽车集群的充电方法和装置 - Google Patents

一种电动汽车集群的充电方法和装置 Download PDF

Info

Publication number
CN109878370B
CN109878370B CN201910294533.8A CN201910294533A CN109878370B CN 109878370 B CN109878370 B CN 109878370B CN 201910294533 A CN201910294533 A CN 201910294533A CN 109878370 B CN109878370 B CN 109878370B
Authority
CN
China
Prior art keywords
charging
electric vehicle
cluster
training
time period
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
CN201910294533.8A
Other languages
English (en)
Other versions
CN109878370A (zh
Inventor
王彬
郭文鑫
李世明
赵瑞锋
卢建刚
李波
郑文杰
徐展强
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.)
Guangdong Power Grid Co Ltd
Electric Power Dispatch Control Center of Guangdong Power Grid Co Ltd
Original Assignee
Guangdong Power Grid Co Ltd
Electric Power Dispatch Control Center of Guangdong Power Grid 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 Guangdong Power Grid Co Ltd, Electric Power Dispatch Control Center of Guangdong Power Grid Co Ltd filed Critical Guangdong Power Grid Co Ltd
Priority to CN201910294533.8A priority Critical patent/CN109878370B/zh
Publication of CN109878370A publication Critical patent/CN109878370A/zh
Application granted granted Critical
Publication of CN109878370B publication Critical patent/CN109878370B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/70—Energy storage systems for electromobility, e.g. batteries
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/7072—Electromobility specific charging systems or methods for batteries, ultracapacitors, supercapacitors or double-layer capacitors
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02T90/10—Technologies relating to charging of electric vehicles
    • Y02T90/12—Electric charging stations
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02T90/10—Technologies relating to charging of electric vehicles
    • Y02T90/14—Plug-in electric vehicles

Landscapes

  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本申请公开了一种电动汽车集群的充电方法和装置，其中方法包括：获取待优化时段的最新电价信息、新接入的电动汽车信息和该时段对应的状态值函数模型，电动汽车信息包括：充电能量需求；根据新接入的电动汽车信息，确定待优化时段的待充电电动汽车集群的充电需求；基于充电功率计算公式，根据充电需求和状态值函数模型，确定待充电电动汽车集群的充电功率；根据充电功率对待充电电动汽车集群中的电动汽车进行充电，解决了现有电动汽车集群的充电方法计算效率低、计算结果有误，且不够实时的技术问题。

Description

一种电动汽车集群的充电方法和装置
技术领域
本申请属于电动汽车技术领域，尤其涉及一种电动汽车集群的充电方法和装置。
背景技术
随着社会经济增长加速，汽车工业快速发展升级以及全球环境问题日益严峻，电动汽车(Electric vehicle，EV)作为目前传统燃料汽车的替代品，凭借其节能减排的重要特性受到世界各国的广泛关注。随着电动汽车技术取得不断突破，未来我国电网将面临电动汽车大规模接入的问题。但是，由于大量电动汽车接入电网具有随机性，经常出现同时接入的现象，这样将导致充电负荷高峰与电网用电高峰时段重叠，出现“峰上加峰”的现象。因此，对大量电动汽车的充电行为的有序调控，对电网安全运行、提升电网经济效益具有重要意义。
现在各电网公司和研究机构都在研究大规模电动汽车接入电网的调控运行问题，但仍然存在以下不足：
1、当前针对电动汽车的充电模型大多以单台电动汽车作为建模和优化单位，该方法面对大规模电动汽车时计算效率低和计算结果有误的问题；
2、当前对于电动汽车充电优化的研究大多集中于日前调度，缺乏大规模电动汽车接入后的实时决策方法。
因此，提供一种面向电动汽车集群的充电优化方法成为本领域技术人员亟待解决的技术问题。
发明内容
有鉴于此，本申请提供了一种电动汽车集群的充电方法和装置，用于电动汽车器群的充电，解决了现有电动汽车集群的充电方法计算效率低、计算结果有误，且不够实时的技术问题。
本申请第一方面提供了一种电动汽车集群的充电方法，包括：
获取待优化时段的最新电价信息、新接入的电动汽车信息和该时段对应的状态值函数模型，所述电动汽车信息包括：充电能量需求；
根据所述新接入的电动汽车信息，确定所述待优化时段的待充电电动汽车集群的充电需求；
基于充电功率计算公式，根据所述充电需求和所述状态值函数模型，确定所述待充电电动汽车集群的充电功率；
根据所述充电功率对所述待充电电动汽车集群中的电动汽车进行充电。
优选地，所述方法还包括：
获取多个训练时段对应的训练电价信息和训练电动汽车集群的训练充电需求；
根据离散化公式将各所述训练时段的训练充电需求进行离散化；
根据边际效益计算公式和各所述训练电价信息，确定离散化后的各训练充电需求的边际效益，并根据所述边际效益确定各训练时段对应的状态值函数模型。
优选地，所述离散化公式为：
Figure BDA0002026043170000021
其中，t为时刻，B为离散化的数量，Emax,t与Emin,t分别为电动汽车集群能量轨迹的上界、下界，Rt为充电需求，δRt为离散化后的充电需求。
优选地，所述状态值函数模型的估值参数具体为：
vi(t,b)＝(1-μ)vi-1(t,b)+μci(t,b)，
其中，vi(t,b)为第i次训练时状态值函数模型的估值参数，μ为迭代步长，ci(t,b)为第i次训练时电动汽车集群第b段充电需求的边际效益。
优选地，所述边际效益计算公式为：
Figure BDA0002026043170000022
其中，Rt为充电需求，C*t,b和C*t,b+1分别为充电需求为Rt,b和Rt,b+1时，电动汽车集群的最小充电成本，
Figure BDA0002026043170000023
T为总训练时段数，Δt为时段间隔，αk为k时刻的电价，PEVLA,t为t时刻的充电功率。
优选地，所述充电功率计算公式具体为：
Figure BDA0002026043170000031
其中，yb为中间变量，v(t,b)为训练完成后得到的状态值函数模型的估值参数，v(t,b)yb为状态值函数模型，各变量需满足的约束条件为：
Figure BDA0002026043170000032
其中，Et为电动汽车集群的能量轨迹，n为t时刻所有接入电网的电动汽车数量。
优选地，所述获取待优化时段的最新电价信息具体包括：
获取待优化时段的开始时刻时的电价信息，并将所述电价信息作为所述最新电价信息。
优选地，所述获取待优化时段的新接入的电动汽车信息具体包括：
获取待优化时段的开始时刻时新接入的电动汽车信息，并将所述开始时刻新接入的电动汽车信息作为所述新接入的电动汽车信息。
优选地，所述根据所述新接入的电动汽车信息，确定所述待优化时段的待充电电动汽车集群的充电需求具体包括：
根据所述新接入的电动汽车信息和已接入的电动汽车信息，确定所述待优化时段的待充电电动汽车集群的充电需求。
本申请第二方面提供一种电动汽车集群的充电装置，包括：
获取单元，用于获取待优化时段的最新电价信息、新接入的电动汽车信息和该时段对应的状态值函数模型，所述电动汽车信息包括：充电能量需求；
充电需求确定单元，用于根据所述新接入的电动汽车信息，确定所述待优化时段的待充电电动汽车集群的充电需求；
充电功率确定单元，用于基于充电功率计算公式，根据所述充电需求和所述状态值函数模型，确定所述待充电电动汽车集群的充电功率；
充电单元，用于根据所述充电功率对所述待充电电动汽车集群中的电动汽车进行充电。
从以上技术方案可以看出，本申请实施例具有以下优点：
本申请提供了一种电动汽车集群的充电方法，包括：获取待优化时段的最新电价信息、新接入的电动汽车信息和该时段对应的状态值函数模型，电动汽车信息包括：充电能量需求；根据新接入的电动汽车信息，确定待优化时段的待充电电动汽车集群的充电需求；基于充电功率计算公式，根据充电需求和状态值函数模型，确定待充电电动汽车集群的充电功率；根据充电功率对待充电电动汽车集群中的电动汽车进行充电。
本申请中，根据待优化时段新接入的电动汽车信息确定该待优化时段内待充电电动汽车集群的充电需求，并根据该待优化时段最新的电价信息和充电需求确定待充电电动汽车集群的充电功率，然后根据该充电功率对待充电电动汽车集群中的电动汽车进行充电，本申请中以电动汽车集群作为研究对象，计算效率高，计算结果准确，同时充电优化是根据待优化时段的最新电价信息进行的，计算结果较实时，解决了现有电动汽车集群的充电方法计算效率低、计算结果有误，且不够实时的技术问题。
附图说明
图1为本申请实施例中一种电动汽车集群的充电方法的第一实施例的流程示意图；
图2为本申请实施例中一种电动汽车集群的充电方法的第二实施例的流程示意图；
图3为本申请实施例中一种电动汽车集群的充电装置的结构示意图。
具体实施方式
本申请实施例提供了一种电动汽车集群的充电方法和装置，用于电动汽车器群的充电，解决了现有电动汽车集群的充电方法计算效率低、计算结果有误，且不够实时的技术问题。
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
本申请第一方面提供了一种电动汽车集群的充电方法。
请参阅图1，本申请实施例中一种电动汽车集群的充电方法的第一实施例的流程示意图，包括：
步骤101、获取待优化时段的最新电价信息、新接入的电动汽车信息和该时段对应的状态值函数模型，电动汽车信息包括：充电能量需求。
需要说明的是，首先获取待优化时段的最新电价信息、新接入的电动汽车信息和该时段对应的状态值函数模型，电动汽车信息包括：充电能量需求。可以理解的是，待优化时段可以根据需求进行设置，例如可以为一分钟、十分钟、一小时等，本实施例中以十分钟为例举例说明，获取十分钟内的电价信息、新接入的电动汽车信息及对应的状态值函数模型。
同时，电动汽车信息还包括：离开时间、电池容量、电池充电功率极限。
步骤102、根据新接入的电动汽车信息，确定待优化时段的待充电电动汽车集群的充电需求。
需要说明的是，在获取待优化时段的最新电价信息、新接入的电动汽车信息和该时段对应的状态值函数模型后，根据新接入的电动汽车信息，确定待优化时段的待充电电动汽车集群的充电需求。例如在步骤101得到十分钟内新接入的电动汽车信后后确定这十分钟内的待充电电动汽车集群的充电需求。
步骤103、基于充电功率计算公式，根据充电需求和状态值函数模型，确定待充电电动汽车集群的充电功率。
需要说明的是，在确定待优化时段的待充电电动汽车集群的充电需求后，基于充电功率计算公式，根据充电需求和状态值函数模型，确定待充电电动汽车集群的充电功率。例如在步骤102确定十分钟内的充电需求后，进一步的可以根据步骤103确定这十分钟的待充电电动汽车集群的充电功率。
步骤104、根据充电功率对待充电电动汽车集群中的电动汽车进行充电。
需要说明的是，在确定待充电电动汽车集群的充电功率后，根据该充电功率对待充电电动汽车集群中的电动汽车进行充电。
本实施例中，根据待优化时段新接入的电动汽车信息确定该待优化时段内待充电电动汽车集群的充电需求，并根据该待优化时段最新的电价信息和充电需求确定待充电电动汽车集群的充电功率，然后根据该充电功率对待充电电动汽车集群中的电动汽车进行充电，本申请中以电动汽车集群作为研究对象，计算效率高，计算结果准确，同时充电优化是根据待优化时段的最新电价信息进行的，计算结果较实时，解决了现有电动汽车集群的充电方法计算效率低、计算结果有误，且不够实时的技术问题。
以上为本申请实施例提供的一种电动汽车集群的充电方法的第一实施例，以下为本申请实施例提供的一种电动汽车集群的充电方法的第二实施例。
请参阅图2，本申请实施例中一种电动汽车集群的充电方法的第二实施例的流程示意图，包括：
步骤201、获取多个训练时段对应的训练电价信息和训练电动汽车集群的训练充电需求。
需要说明的是，训练电价信息和训练充电需求可以蒙特卡洛法生成，可以理解的是，蒙特卡洛法属于本领域技术人员的公知常识，在此不再赘述。
步骤202、根据离散化公式将各训练时段的训练充电需求进行离散化。
需要说明的是，离散化公式为：
Figure BDA0002026043170000061
其中，t为时刻，B为离散化的数量，Emax,t与Emin,t分别为电动汽车集群能量轨迹的上界、下界，Rt为充电需求，δRt为离散化后的充电需求。
步骤203、根据边际效益计算公式和各训练电价信息，确定离散化后的各训练充电需求的边际效益，并根据边际效益确定各训练时段对应的状态值函数模型。
需要说明的是，状态值函数模型的估值参数具体为：
vi(t,b)＝(1-μ)vi-1(t,b)+μci(t,b)，
其中，vi(t,b)为第i次训练时状态值函数模型的估值参数，μ为迭代步长，ci(t,b)为第i次训练时电动汽车集群第b段充电需求的边际效益。
边际效益计算公式为：
Figure BDA0002026043170000071
其中，Rt为充电需求，δRt为离散化后的充电需求，C*t,b和C*t,b+1分别为充电需求为Rt,b和Rt,b+1时，电动汽车集群的最小充电成本，
Figure BDA0002026043170000072
T为总训练时段数，Δt为时段间隔，αk为k时刻的电价，PEVLA,t为t时刻的充电功率，η为充电桩的充电效率，一般取值0.95。
步骤204、获取待优化时段的最新电价信息、新接入的电动汽车信息和该时段对应的状态值函数模型，电动汽车信息包括：充电能量需求。
可以理解的是，获取待优化时段的最新电价信息具体包括：获取待优化时段的开始时刻时的电价信息，并将电价信息作为最新电价信息。
获取待优化时段的新接入的电动汽车信息具体包括：
获取待优化时段的开始时刻时新接入的电动汽车信息，并将该开始时刻新接入的电动汽车信息作为新接入的电动汽车信息。
步骤205、根据新接入的电动汽车信息，确定待优化时段的待充电电动汽车集群的充电需求。
需要说明的是，根据新接入的电动汽车信息，确定待优化时段的待充电电动汽车集群的充电需求具体包括：
根据新接入的电动汽车信息和已接入的电动汽车信息，确定待优化时段的待充电电动汽车集群的充电需求。
步骤206、基于充电功率计算公式，根据充电需求和状态值函数模型，确定待充电电动汽车集群的充电功率。
需要说明的是，充电功率计算公式具体为：
Figure BDA0002026043170000073
其中，yb为中间变量，v(t,b)为训练完成后得到的状态值函数模型的估值参数，v(t,b)yb为状态值函数模型，各变量需满足的约束条件为：
Figure BDA0002026043170000081
其中，Et为电动汽车集群的能量轨迹，n为t时刻所有接入电网的电动汽车数量。
步骤207、根据充电功率对待充电电动汽车集群中的电动汽车进行充电。
需要说明的是，步骤207与实施例一中的步骤104相同，在此不再赘述。
本申请实施例中的电动汽车集群的充电方法相较现有技术具有如下优点：
(1)本实施例中将大规模电动汽车等效为一个电动汽车集群，利用ADP理论实现对EV集群充电功率的实时求解，算法计算速度快，当电动汽车集群规模增大时，不会产生“维数灾难”的问题，便于实际应用。
(2)本实施例可利用历史数据对值函数估值参数进行更新，不需要对未来系统状态变化进行预测即可以获得较为准确的实时决策。
(3)本实施例中对于实时电价和电动汽车充电行为的高度随机性具有很强的适应性，实时决策的解具有鲁棒性。
本实施例中，根据待优化时段新接入的电动汽车信息确定该待优化时段内待充电电动汽车集群的充电需求，并根据该待优化时段最新的电价信息和充电需求确定待充电电动汽车集群的充电功率，然后根据该充电功率对待充电电动汽车集群中的电动汽车进行充电，本申请中以电动汽车集群作为研究对象，计算效率高，计算结果准确，同时充电优化是根据待优化时段的最新电价信息进行的，计算结果较实时，解决了现有电动汽车集群的充电方法计算效率低、计算结果有误，且不够实时的技术问题。
以上为本申请实施例提供的一种电动汽车集群的充电方法的第二实施例，以下为本申请实施例提供的一种电动汽车集群的充电装置的应用例。
请参阅图3，本申请实施例中一种电动汽车集群的充电装置的结构示意图，包括：
获取单元301，用于获取待优化时段的最新电价信息、新接入的电动汽车信息和该时段对应的状态值函数模型，电动汽车信息包括：充电能量需求；
充电需求确定单元302，用于根据新接入的电动汽车信息，确定待优化时段的待充电电动汽车集群的充电需求；
充电功率确定单元303，用于基于充电功率计算公式，根据充电需求和状态值函数模型，确定待充电电动汽车集群的充电功率；
充电单元304，用于根据充电功率对待充电电动汽车集群中的电动汽车进行充电。
本实施例中，根据待优化时段新接入的电动汽车信息确定该待优化时段内待充电电动汽车集群的充电需求，并根据该待优化时段最新的电价信息和充电需求确定待充电电动汽车集群的充电功率，然后根据该充电功率对待充电电动汽车集群中的电动汽车进行充电，本申请中以电动汽车集群作为研究对象，计算效率高，计算结果准确，同时充电优化是根据待优化时段的最新电价信息进行的，计算结果较实时，解决了现有电动汽车集群的充电方法计算效率低、计算结果有误，且不够实时的技术问题。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的待安装电网网络，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个待安装电网网络，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (9)

1.一种电动汽车集群的充电方法，其特征在于，包括：
获取多个训练时段对应的训练电价信息和训练电动汽车集群的训练充电需求；
根据离散化公式将各所述训练时段的训练充电需求进行离散化；
根据边际效益计算公式和各所述训练电价信息，确定离散化后的各训练充电需求的边际效益，并根据所述边际效益确定各训练时段对应的状态值函数模型；
获取待优化时段的最新电价信息、新接入的电动汽车信息和该时段对应的状态值函数模型，所述电动汽车信息包括：充电能量需求；
根据所述新接入的电动汽车信息，确定所述待优化时段的待充电电动汽车集群的充电需求；
基于充电功率计算公式，根据所述充电需求和所述状态值函数模型，确定所述待充电电动汽车集群的充电功率；
根据所述充电功率对所述待充电电动汽车集群中的电动汽车进行充电。
2.根据权利要求1所述的电动汽车集群的充电方法，其特征在于，所述离散化公式为：
Figure FDA0003212999960000011
其中，t为时刻，B为离散化的数量，Emax,t与Emin,t分别为电动汽车集群能量轨迹的上界、下界，Rt为充电需求，δRt为离散化后的充电需求。
3.根据权利要求2所述的电动汽车集群的充电方法，其特征在于，所述状态值函数模型的估值参数具体为：
vi(t,b)＝(1-μ)vi-1(t,b)+μci(t,b)，
其中，vi(t,b)为第i次训练时状态值函数模型的估值参数，μ为迭代步长，ci(t,b)为第i次训练时电动汽车集群第b段充电需求的边际效益。
4.根据权利要求3所述的电动汽车集群的充电方法，其特征在于，所述边际效益计算公式为：
Figure FDA0003212999960000012
其中，Rt为充电需求，δRt为离散化后的充电需求，C*t,b和C*t,b+1分别为充电需求为Rt,b和Rt,b+1时，电动汽车集群的最小充电成本，
Figure FDA0003212999960000021
T为总训练时段数，Δt为时段间隔，αk为k时刻的电价，η为充电桩的充电效率，PEVLA,t为t时刻的充电功率。
5.根据权利要求4所述的电动汽车集群的充电方法，其特征在于，所述充电功率计算公式具体为：
Figure FDA0003212999960000022
其中，yb为中间变量，v(t,b)为训练完成后得到的状态值函数模型的估值参数，v(t,b)yb为状态值函数模型，各变量需满足的约束条件为：
Figure FDA0003212999960000023
其中，Et为电动汽车集群的能量轨迹，n为t时刻所有接入电网的电动汽车数量。
6.根据权利要求1所述的电动汽车集群的充电方法，其特征在于，所述获取待优化时段的最新电价信息具体包括：
获取待优化时段的开始时刻时的电价信息，并将所述电价信息作为所述最新电价信息。
7.根据权利要求1所述的电动汽车集群的充电方法，其特征在于，所述获取待优化时段的新接入的电动汽车信息具体包括：
获取待优化时段的开始时刻时新接入的电动汽车信息，并将所述开始时刻新接入的电动汽车信息作为所述新接入的电动汽车信息。
8.根据权利要求1所述的电动汽车集群的充电方法，其特征在于，所述根据所述新接入的电动汽车信息，确定所述待优化时段的待充电电动汽车集群的充电需求具体包括：
根据所述新接入的电动汽车信息和已接入的电动汽车信息，确定所述待优化时段的待充电电动汽车集群的充电需求。
9.一种电动汽车集群的充电装置，其特征在于，包括：
第一获取单元，用于获取多个训练时段对应的训练电价信息和训练电动汽车集群的训练充电需求；
离散化单元，用于根据离散化公式将各所述训练时段的训练充电需求进行离散化；
状态值函数模型确定单元，用于根据边际效益计算公式和各所述训练电价信息，确定离散化后的各训练充电需求的边际效益，并根据所述边际效益确定各训练时段对应的状态值函数模型；
第二获取单元，用于获取待优化时段的最新电价信息、新接入的电动汽车信息和该时段对应的状态值函数模型，所述电动汽车信息包括：充电能量需求；
充电需求确定单元，用于根据所述新接入的电动汽车信息，确定所述待优化时段的待充电电动汽车集群的充电需求；
充电功率确定单元，用于基于充电功率计算公式，根据所述充电需求和所述状态值函数模型，确定所述待充电电动汽车集群的充电功率；
充电单元，用于根据所述充电功率对所述待充电电动汽车集群中的电动汽车进行充电。
CN201910294533.8A 2019-04-12 2019-04-12 一种电动汽车集群的充电方法和装置 Active CN109878370B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910294533.8A CN109878370B (zh) 2019-04-12 2019-04-12 一种电动汽车集群的充电方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910294533.8A CN109878370B (zh) 2019-04-12 2019-04-12 一种电动汽车集群的充电方法和装置

Publications (2)

Publication Number Publication Date
CN109878370A CN109878370A (zh) 2019-06-14
CN109878370B true CN109878370B (zh) 2022-01-25

Family

ID=66937208

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910294533.8A Active CN109878370B (zh) 2019-04-12 2019-04-12 一种电动汽车集群的充电方法和装置

Country Status (1)

Country Link
CN (1) CN109878370B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111483331B (zh) * 2020-05-27 2021-07-09 南京德睿能源研究院有限公司 一种基于调度指令的充电负荷聚合调度控制方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105896674A (zh) * 2016-06-01 2016-08-24 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
CN109088454A (zh) * 2018-08-24 2018-12-25 国网天津市电力公司 一种基于自动需求响应与实时电价的电动汽车充电方法
CN109353244A (zh) * 2018-10-08 2019-02-19 山东积成智通新能源有限公司 一种电动汽车智能有序充电的控制方法及系统

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3931446B2 (ja) * 1998-09-17 2007-06-13 株式会社デンソー 組電池の充電状態調整装置
US8508185B2 (en) * 2009-11-23 2013-08-13 International Business Machines Corporation Charging management method and system
US9180783B1 (en) * 2011-04-22 2015-11-10 Penilla Angel A Methods and systems for electric vehicle (EV) charge location color-coded charge state indicators, cloud applications and user notifications
CN105024432B (zh) * 2015-07-30 2017-12-29 浙江工业大学 一种基于虚拟电价的电动汽车充放电优化调度方法
CN106945558A (zh) * 2017-03-31 2017-07-14 天津大学 集群电动汽车v2g控制策略
CN108944531A (zh) * 2018-07-24 2018-12-07 河海大学常州校区 一种电动汽车有序充电控制方法
CN109484240B (zh) * 2018-10-26 2022-05-31 国网山东省电力公司日照供电公司 一种基于分群控制的电动汽车集群实时充电优化方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105896674A (zh) * 2016-06-01 2016-08-24 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
CN109088454A (zh) * 2018-08-24 2018-12-25 国网天津市电力公司 一种基于自动需求响应与实时电价的电动汽车充电方法
CN109353244A (zh) * 2018-10-08 2019-02-19 山东积成智通新能源有限公司 一种电动汽车智能有序充电的控制方法及系统

Also Published As

Publication number Publication date
CN109878370A (zh) 2019-06-14

Similar Documents

Publication Publication Date Title
Li et al. Electric vehicle charging management based on deep reinforcement learning
Jian et al. Optimal scheduling for vehicle-to-grid operation with stochastic connection of plug-in electric vehicles to smart grid
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
CN112131733B (zh) 计及电动汽车充电负荷影响的分布式电源规划方法
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
CN110533222B (zh) 基于峰平谷电价的电动汽车充电负荷预测方法及装置
CN109726872A (zh) 一种能耗预测方法、装置、存储介质及电子设备
CN112238781B (zh) 一种基于分层架构的电动汽车有序充电控制方法
CN114919433B (zh) 电动汽车集群充放电控制方法、系统及相关设备
CN105226650A (zh) 基于微燃机-储能联合运行策略的微电网可靠性计算方法
CN113715669B (zh) 电动汽车有序充电控制方法、系统、设备及可读存储介质
CN105160597B (zh) 一种基于电力系统的温室气体减排控制方法
CN111313449B (zh) 一种基于机器学习的集群电动汽车功率优化管理方法
Pan et al. Optimal scheduling for unit commitment with electric vehicles and uncertainty of renewable energy sources
CN109878370B (zh) 一种电动汽车集群的充电方法和装置
CN118232380A (zh) 储能设备充放电策略生成方法、装置、设备和存储介质
CN109672199B (zh) 一种基于能量平衡的电动汽车削峰填谷能力估计方法
CN118153753A (zh) 多时序充电汽车虚拟电厂调度运行方法及设备
Wang et al. Optimal aggregated charging analysis for PEVs based on driving pattern model
Varnosfaderani et al. Sweat testing cycles of batteries for different electrical power applications
Guo et al. Load prediction of multi‐type electric vehicle charging stations based on secondary decomposition and feature selection
Buresh Impacts of electric vehicle charging in South Africa and photovoltaic carports as a mitigation technique
CN111832936B (zh) 一种含分布式电源的配网供电可靠性评估方法
US9183327B2 (en) Use of second battery life to reduce CO2 emissions
CN109449935B (zh) 一种基于能源互联的时序生产模拟方法及系统

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