CN110126666B - 一种基于云平台的充电站群控系统及控制方法 - Google Patents
一种基于云平台的充电站群控系统及控制方法 Download PDFInfo
- Publication number
- CN110126666B CN110126666B CN201910318359.6A CN201910318359A CN110126666B CN 110126666 B CN110126666 B CN 110126666B CN 201910318359 A CN201910318359 A CN 201910318359A CN 110126666 B CN110126666 B CN 110126666B
- Authority
- CN
- China
- Prior art keywords
- charging
- matrix
- charging station
- grid
- selection
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000012544 monitoring process Methods 0.000 claims abstract description 17
- 238000010187 selection method Methods 0.000 claims abstract description 16
- 230000003993 interaction Effects 0.000 claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims description 123
- 230000002068 genetic effect Effects 0.000 claims description 20
- 238000005457 optimization Methods 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 18
- 230000005611 electricity Effects 0.000 claims description 18
- 238000007726 management method Methods 0.000 claims description 12
- 238000011160 research Methods 0.000 claims description 9
- 230000035772 mutation Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 108090000623 proteins and genes Proteins 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 230000007613 environmental effect Effects 0.000 claims description 3
- 101150036841 minJ gene Proteins 0.000 claims description 3
- 238000004146 energy storage Methods 0.000 claims description 2
- 238000011161 development Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000007614 genetic variation Effects 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000009401 outcrossing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- 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
- B60L53/66—Data transfer between charging stations and vehicles
-
- 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
- B60L53/67—Controlling two or more 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
- Y02T90/16—Information or communication technologies improving the operation of electric vehicles
- Y02T90/167—Systems integrating technologies related to power network operation and communication or information technologies for supporting the interoperability of electric or hybrid vehicles, i.e. smartgrids as interface for battery charging of electric vehicles [EV] or hybrid vehicles [HEV]
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明实施例提供一种基于云平台的充电站群控系统及控制方法，充电站的控制方法包括：充电站后台控制、柔性充电堆、充电桩三个部分组成，充电站后台控制采用网格选取法对充电站进行充电调度；柔性充电堆对充电站内的功率动态分配；充电桩完成电动汽车的充电与人机交互；充电站群控系统包括：供配电模块、监控模块、充电模块及充电站管理平台；充电模块由充电后台控制单元、柔性充电堆单元、充电桩单元三个部分组成，本发明实施例提供一种基于云平台充电站群控系统及控制方法，对充电站充电模块的三个部分的控制，调度充电站充电车辆、动态分配充电站内的功率，输出最佳充电群控方案，最大限度的缓解电动汽车群充电的对电网充电负荷功率的影响。
Description
技术领域
本发明实施例涉及电动汽车充电站管理领域，尤其涉及一种基于云平台的充电站群控系统及控制方法。
背景技术
现代化社会的迅猛发展与人民日益提高的生活水平使得汽车行业不断蓬勃发展。近几十年里，汽车的销售量得到了快速增长，家用汽车走进千家万户。虽然传统的汽车工业发展方便了我们的日常出行与交通运输，但是大量汽车排放的温室气体却造成了地球环境的恶化。各国政府与大部分汽车企业都意识到了节能减排，绿色能源是未来汽车发展道路上的新目标。新技术的革命是解决能源危机的核心方法，国家与地方部门分别下达推行电动汽车扶行业持政策，新能源汽车发展形势十分良好，电动新能源汽车产业发展迅速，同时，电动汽车配套的充电站也在加速建设，虽然电动汽车发展对环境问题和能源问题能起得较好的缓解作用，但是大规模电动汽车群充电的对电网充电负荷功率的影响也将变得无法预料。
相关专家预测，我国将在2030年拥有6000万规模的电动汽车，维持电动汽车运营的电能预计将消耗电网总电量的1.3％，电动汽车群的极限充电负荷功率将占用总配电容量的四分之一左右。
目前电动汽车充电站基本解决了连续充电车辆安排问题，对不连续充电汽车时间安排缺乏合理的引导，未来随着电动汽车大规模的推广，电动汽车群的极限充电负荷必将对未来的电网造成不可估量的冲击。电网的稳定性将会受到极大冲击，导致电网中的重要供电参数供电电压、三相电的频率等发生改变，给我国电网的稳定运行造成极大的损害。
发明内容
为解决上述技术问题，本发明实施例提供一种基于云平台的充电站群控系统及控制方法。
一方面，本发明实施例提供了基于云平台的充电站群控系统，所述充电站群控系统包括，供配电模块、监控模块、充电模块及充电站管理平台；
所述供配电模块：用于将电网能量传递到充电模块和监控模块，并采集电网相关信息；
所述监控模块用于监控整个所述充电站系统，对所述充电站的管理分析及计算；
所述充电站管理平台与所述充电模块之间远程通讯和数据交互，并将交互数据传递回所述充电站的监控模块；
所述充电模块由充电后台控制单元、柔性充电堆单元、充电桩单元三个部分组成，所述充电后台控制单元、柔性充电堆单元和充电桩单元之间电连接；
所述充电后台控制单元：获取电网的负荷规律、充电车辆的负荷规律以时间单位作为划分基准，从功率维度和时间维度对所述充电站充电方案网格划分，运用网格选取法得到3种车辆模型网格方案选择矩阵和选择矩阵的限制条件，完成对所述充电站的充电调度；
所述柔性充电堆单元：根据3种车辆模型网格方案选择矩阵和选择矩阵的限制条件，计算保证柔性充电策略下的充电总电费成本最低的目标函数，完成对所述充电站内不同车辆模型充电功率动态分配；
所述充电桩单元：根据遗传算法，对3种车辆模型充电方案矩阵进行计算，制定不同车辆模型充电规划矩阵，完成电动汽车的充电与人机交互。
其中，所述充电桩单元采用遗传算法还包括，对初始充电规划矩阵种群进行优化求解或迭代计算，输出最优解的充电规划矩阵；所述迭代计算是设置一定的迭代次数，根据约束条件和适应度选择产生优质的子代，不断选择高适应度的优质的子代进行下次迭代计算，直至达到优化目标要求或达到迭代次数，输出最优解的充电规划矩阵。
另一方面，本发明实施例提供了一种基于云平台的充电站的控制方法，包括充电站后台控制、柔性充电堆、充电桩三个部分组成，所述充电后台控制、柔性充电堆和充电桩之间电连接，具体方法步骤：
S201，所述充电站后台控制获取电网的常规负荷规律、充电车辆的常规负荷规律以时间单位作为划分基准，从功率维度和时间维度对所述充电站充电方案网格划分；
S202，所述充电站后台控制运用网格选取法得到3种车辆模型网格方案选择矩阵和选择矩阵的限制条件，完成对所述充电站的初始化充电调度；
S203，所述柔性充电堆根据3种车辆模型网格方案选择矩阵和选择矩阵的限制条件，计算保证柔性充电策略下的充电总电费成本最低的目标函数，完成对所述充电站内不同车辆模型充电功率动态分配；
S204，所述充电桩根据遗传算法，对3种车辆模型充电方案矩阵进行计算，初步制定不同车辆模型充电规划矩阵；
S205，等待新车接入，没有接入车辆时维持步骤S204；
S206，根据接入的车辆模型，调度相应的充电规划矩阵，安排充电车辆进行充电；
S207，执行该车辆模型充电时段，直至结束；
S208，对当前电网负荷情况信息进行更新，准备下一充电时段的开始。
其中，所述S201、S202步骤中，所述网格选取法具体步骤：
S401，获取网格划分方案调研及分析的电网容量限制PM以及电动汽车平均充电功率P0的数据，以时间维度作为划分基准进行网格划分，得到充电时段选择矩阵；
S402，将充电站基础负荷进行网格化，可以得出充电站基础负荷矩阵；
S403，根据充电站区域的时间负荷曲线在任一时段日常用电的负荷值，计算充电站基础负荷矩阵中每个元素值；
S404，根据3种充电车型的充电需求，得到所述网格方案选择矩阵和选择矩阵的约束条件，综合分析3种不同类型的电动汽车最终方案后，求解出充电站整体的柔性负荷矩阵和约束条件；
S405，完成对所述充电站的初始化充电调度。
其中，所述的S203步骤，柔性充电堆计算保证柔性充电策略下的充电总电费成本最低的目标函数，具体步骤包括：
S501，根据电价计算的总电费成本目标函数f1如下式：
f1＝min[Cfdf+Cgdg+Cpdp]
公式中Cf，Cg，Cp分别为波峰波谷波平的电网分时电价，df，dg，dp为波峰波谷波平的充电电量，f1表示充电站电费总成本；
S502，计算电网总负荷的峰谷差值最小目标函f2如下式：f2＝min(Pf-Pg)公式中Pf，Pg分别表示充电站区域功率曲线上的峰值和谷值；
S503，对不同单位的多个目标优化问题，研究方法可采用归一化处理计算保证研究求解方法的可靠性和科学性，具体方法如下式所示：
d代表每日柔性充电站充电负荷的总量，Pmax，Pmin分别表示为充电站区域日常负荷矩阵中的峰值和谷值；
S504，上述条件中的运用加权处理后的归一化柔性控制充电目标函数为下式：
minJ＝a*J1+b*J2,a+b＝1,a≥0,b≥0
其中a，b分别为两个归一化目标J1与J2的权重系数，可取两个优化目标的权重系数均为0.5进行研究计算。
其中，所述的步骤204，遗传算法还包括对初始充电规划矩阵种群进行优化求解或迭代计算，所述迭代计算是设置一定的迭代次数，根据约束条件和适应度选择产生优质的子代，不断选择高适应度的优质的子代进行下次迭代计算，直至达到优化目标要求或达到迭代次数，输出最优解的充电规划矩阵，具体步骤包括：
步骤301，随机产生网格化的3种车辆模型矩阵X、Y、Z；
步骤302，初始化充电规划矩阵种群数量作为父代矩阵；
步骤303，父代矩阵交叉变异生成下代子矩阵，淘汰掉不符合约束条件的；
步骤304，计算父代矩阵以及子代矩阵目标函数，剩下的子代矩阵和父代矩阵根据目标函数进行计算，即计算出柔性控制充电目标函数J值，因为J的值越高代表着成本越高和峰谷差越高，本文对选择算法做出一个求倒数的处理得到E表示物种基因环境适应度如下式所示：
E＝1/J
对种群中满足约束条件的N组种群使用随机筛选的方式进行选择，充电个体充电方案i的选择概率Pi用下式进行计算：
步骤305，选择达到目标要求充电方案，输出最优解矩阵；
步骤306，没有达到目标要求时，选择适应度高的子代为父代矩阵迭代；
步骤307，父代矩阵交叉变异选择达到迭代次数；
步骤308，输出最优解矩阵。
本发明实施例提供一种基于云平台充电站群控系统及控制方法，对充电站充电模块的三个部分的控制，调度充电站充电车辆安排、动态分配充电站内的功率，输出最佳充电群控方案，使充电站功率分配更加合理高效，缓解电网负荷压力，同时满足不同用户电动汽车充电时间合理安排的基本需求；充电站采取充电模块化集成的方式装在统一调配的集装箱中，能更好的实现功率模块的能量调配更加高效。
附图说明
为了更清楚地说明本发明的技术方案，下面将对本发明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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例基于云平台的充电站整体结构示意图；
图2为本发明实施例遗传算法调度电动汽车群柔性充电策略流程示意图；
图3为本发明实施例遗传算法求解流程示意图；
图4为本发明实施例网格选取法流程示意图；
图5为本发明实施例计算柔性控制充电目标函数流程示意图。
具体实施方式
以下结合附图对本发明实施例的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
图1为本发明实施例基于云平台的充电站整体结构示意图，如图1所示，本发明实施例提供一种基于云平台的充电站群控系统，包括，供配电模块102、监控模块101、充电模块104及充电站管理平台103；供配电模块102用于将电网能量传递到充电模块和监控模块，并同时采集所述充电站内电网负荷、分时电价、配电容量三个方面的信息以便于对其进行控制；监控模块101用于监控整个所述充电站系统，它拥有多种通讯接口以及计算能力实现对所述充电站的管理分析及计算，具体包括充电站基础设备管理、柔性充电控制设备管理、柔性充电策略计算等；充电站管理平台103用于服务器与所述充电模块的远程通讯和数据交互，交互数据包括采集所有充电站状态信息和第三方平台的交互信息，并将交互数据传递回充电站的监控模块101；充电模块104由充电后台控制单元、柔性充电堆单元、充电桩单元三个部分组成，充电后台控制单元，获取电网的负荷规律、充电车辆的负荷规律以时间单位作为划分基准，从功率维度和时间维度对所述充电站充电方案网格划分，运用网格选取法得到3种车辆模型网格方案选择矩阵和选择矩阵的限制条件，完成对所述充电站的充电调度，满足电网与用户的双方需求并得到电动汽车最佳的群控方案；柔性充电堆单元，根据3种车辆模型网格方案选择矩阵和选择矩阵的限制条件，计算保证柔性充电策略下的充电总电费成本最低的目标函数，完成对所述充电站内不同车辆模型充电功率动态分配实现对不同车辆模型特性进行柔性充电控制；充电桩单元，根据遗传算法，对3种车辆模型充电方案矩阵进行计算，制定不同车辆模型充电规划矩阵，完成电动汽车的充电与人机交互，充电桩提供满足电网的功率要求和用户的基本需求的电动汽车充电时间安排，更进一步完成对充电站内部各个充电桩在不同车型进行充电时的充电规划。
基于上述实施例，充电桩单元采用遗传算法还包括，对初始充电规划矩阵种群进行迭代计算，输出最优解的充电规划矩阵；迭代计算是设置一定的迭代次数，根据约束条件和适应度选择产生优质的子代，不断选择高适应度的优质的子代进行下次迭代计算，直至达到优化目标要求或达到迭代次数，输出最优解的充电规划矩阵。
通过本发明实施例提供一种基于云平台的充电站群控系统，对充电模块的充电后台控制、柔性充电堆、充电桩三个方面的控制，解决无序充电中的峰上加峰的问题，使充电站功率分配更加合理高效，基本实现电网层总负荷削峰填谷的优化目标，缓解电网负荷压力，同时满足不同用户电动汽车充电时间合理安排的基本需求和充电站采取充电模块化集成的方式装在统一调配的集装箱中，能更好的实现功率模块的能量调配更加高效。
进一步地，图2为本发明实施例遗传算法调度电动汽车群柔性充电策略流程示意图，如图2所示，本发明实施例提供一种基于云平台的充电站控制方法，充电站的控制方法包括充电站后台控制、柔性充电堆、充电桩三个部分组成，电站后台控制、柔性充电堆、充电桩之间电路连接，具体方法步骤：
S201，充电站后台控制获取电网的常规负荷规律、充电车辆的常规负荷规律以时间单位作为划分基准，从功率维度和时间维度对充电站充电方案网格划分；
S202，充电站后台控制运用网格选取法得到3种车辆模型网格方案选择矩阵和选择矩阵的限制条件，完成对充电站的初始化充电调度；
S203，柔性充电堆根据3种车辆模型网格方案选择矩阵和选择矩阵的限制条件，计算保证柔性充电策略下的充电总电费成本最低的目标函数，完成对所电站内不同车辆模型充电功率动态分配；
S204，充电桩根据遗传算法，对3种车辆模型充电方案矩阵进行计算，初步制定不同车辆模型充电规划矩阵；
S205，等待新车接入，没有接入车辆时维持步骤S204；
S206，根据接入的车辆模型，调度相应的充电规划矩阵，安排充电车辆进行充电；
S207，执行该车辆模型充电时段，直至结束；
S208，对当前电网负荷情况信息进行更新，准备下一充电时段的开始。
通过本发明实施例提供一种基于云平台的充电站控制方法，对充电模块的充电后台控制、柔性充电堆、充电桩三个方面的控制，解决无序充电中的峰上加峰的问题，使充电站功率分配更加合理高效，基本实现电网层总负荷削峰填谷的优化目标，缓解电网负荷压力，同时满足不同用户电动汽车充电时间合理安排的基本需求和充电站采取充电模块化集成的方式装在统一调配的集装箱中，能更好的实现功率模块的能量调配更加高效。
图4为本发明实施例网格选取法流程示意图，如图4所示，基于上述实施例S201、S202步骤，充电站后台控制运用网格选取法得到3种车辆模型网格方案选择矩阵和选择矩阵的限制条件，完成对所述充电站的初始化充电调度；所述网格选取法具体步骤：
S401，获取网格划分方案调研及分析的电网容量限制PM以及电动汽车平均充电功率P0的数据，以时间维度作为划分基准进行网格划分，得到充电时段选择矩阵；具体地，本发明实施例取PM为1500KW，P0为21.8KW，时间维度上以24h中取30min作为划分基准，网格划分的结果行列数目由下式表示：
行数
列数
充电站区域内充电方案选择方法使用48×67的0，1矩阵表示，矩阵T来表示网格方案选择情况，定义为充电时段选择矩阵T，T表述如下式所示：
其中an,m∈{0，1}；
在充电时段选择矩阵T中，1表示当前网格选择充电安排，0表示当前网格不选择充电安排；
S402，将充电站基础负荷进行网格化，可以得出充电站基础负荷矩阵；具体地，可以得出充电站基础负荷矩阵T0，T0表达式如下式所示：
其中bn,m∈{0，1}；
S403，根据充电站区域的时间负荷曲线在任一时段日常用电的负荷值，计算充电站基础负荷矩阵中每个元素值；具体地，可以设f(m)表示充电站区域的时间负荷曲线在m时段日常用电的负荷值，则T0中每个元素值bn,m的计算方法如下式所示：
S404，根据3种充电车型的充电需求，得到所述网格方案选择矩阵和选择矩阵的约束条件，综合分析3种不同类型的电动汽车最终方案后，求解出充电站整体的柔性负荷矩阵和约束条件；具体地，根据不同电车型的充电需求，得到网格方案选择矩阵和选择矩阵的限制条件，例如，电动公交车的柔性充电表述矩阵为X如下式：
电动私家车的日常负荷基础表述矩阵为y和柔性充电表述矩阵为Y如下式：
电动公务车的日常负荷基础表述矩阵为z和柔性充电表述矩阵为Z如下式所示：
综合分析3种不同类型的电动汽车最终方案后，求解出充电站整体的柔性负荷矩阵R＝X+Y+Z的结果如下式所示：
Rn,m＝Xn,m+Yn,m+Zn,m
X的约束条件：特性表现为Xn,m的值只有在特定充电时段23：00-5：00才可能出现1值，矩阵化表述为下式所示：
电动公交车的充电功率上限不可能超过充电电动公交车的充电无序峰值电荷，可以得出下式所示关系：
Y的约束条件：本文私家车的充电负荷求解问题中，取7：00为全部私家车完成充电时间，电动私家车充电的限制条件为以下两点。私家车的日常充电负荷总量与充电负荷总量相等，得到下式所示关系：
由于私家车充电的时序限制问题，对于任何时刻的已充电量负荷不可能高于实际日常的到达负荷总量，可以得到下式所示约束条件：
Z的约束条件：电动公务车特性表现为Zn,m的值只有在特定充电时段18：00-9：00才可能出现1值，矩阵表述为下式关系：
电动公务车的充电功率上限不可能超过充电电动公务车的充电无序峰值的电荷，可以得出下式关系：
R的约束条件：根据X，Y，Z组合而成的柔性负载矩阵，组合要求有两点，R矩阵中不可以出现3种充电方案网格占用空间冲突的情况，故有R约束条件1如下式关系：
任何时段充电站的柔性充电矩阵R和区域负荷限制综合不可超过电网侧的配电容量限制，故有R约束条件2如下式关系：
S405，完成对所述充电站的初始化充电调度。
通过本发明实施例提供一种基于云平台的充电站控制方法，充电后台控制采取网格选取法，得到满足电网侧和用户侧基本充电需求的充电规划矩阵和限制条件，合理、科学引导充电车辆充电时间安排。
图5为本发明实施例网格选取法流程示意图，如图5所示，基于上述实施例S203步骤柔性充电堆根据3种车辆模型网格方案选择矩阵和选择矩阵的限制条件，计算保证柔性充电策略下的充电总电费成本最低的目标函数，具体步骤包括：
S501，根据电价计算的总电费成本目标函数f1如下式：
f1＝min[Cfdf+Cgdg+Cpdp]
公式中Cf，Cg，Cp分别为波峰波谷波平的电网分时电价，df，dg，dp为波峰波谷波平的充电电量，f1表示充电站电费总成本；
S502，计算电网总负荷的峰谷差值最小目标函f2如下式：
f2＝min(Pf-Pg)
公式中Pf，Pg分别表示充电站区域功率曲线上的峰值和谷值，该优化目标的设计依据为电网侧的调度后的削峰填谷评估值，该值较低符合电网侧的削峰填谷目标要求，符合电网侧要求：其求解方法如下式所示：
S503，对不同单位的多个目标优化问题，研究方法可采用归一化处理计算保证研究求解方法的可靠性和科学性，具体方法如下式所示：
d代表每日柔性充电站充电负荷的总量，计算方法如下：
Pmax，Pmin分别表示为充电站区域日常负荷矩阵T的峰值和谷值，两者的计算方法如下式所示：
S504，上述条件中的运用加权处理后的归一化柔性控制充电目标函数为下式：
minJ＝a*J1+b*J2,a+b＝1,a≥0,b≥0，其中a，b分别为两个归一化目标J1与J2的权重系数，可取两个优化目标的权重系数均为0.5进行研究计算。
通过本发明实施例提供一种基于云平台的充电站控制方法，柔性充电堆通过计算保证柔性充电策略下的充电总电费成本最低的目标函数，合理、科学分配充电站的充电功率，实现电网侧削峰填谷的优化目标，缓解电网负荷压力，同时在充电任务一定时充电站的总充点电费成本最低，符合充电站经济性原则。
图3为本发明实施例遗传算法求解流程图，如图3所示，基于上述实施例步骤204，遗传算法还包括对初始充电规划矩阵种群进行优化求解或迭代计算，所述迭代计算是设置一定的迭代次数，根据约束条件和适应度选择产生优质的子代，不断选择高适应度的优质的子代进行下次迭代计算，直至达到优化目标要求或达到迭代次数，输出最优解的充电规划矩阵，具体步骤包括：
步骤301，随机产生网格化的3种车辆模型矩阵X、Y、Z；具体地，根据定义的X，Y，Z，R矩阵及其约束条件，随机生成X，Y，Z矩阵；
步骤302，初始化充电规划矩阵种群数量作为父代矩阵；具体地，随机的生成N组X，Y，Z满足约束条件的初始化充电规划矩阵为父代矩阵，不满足约束条件的种群个体直接淘汰，N表示初始种群数量；
步骤303，父代矩阵交叉变异生成下代子矩阵，淘汰掉不符合约束条件的；具体地，遗传算法需要产生足够种群数量优质子代进行下一步选择，设置交叉的概率为0.8对矩阵父代种群进行交叉操作。本文根据矩阵编码的方式需要进行传统交叉操作的改进，初始种群中的目标限制要求充电任务基因交换后不影响父代矩阵元素总和。交叉操作根据需要先求解交叉点解集，初代矩阵中相邻的矩阵X(1)与矩阵X(2)的基因交叉点如下式所示：
n∈[1,67]依次求解：
因为p可能出现多解的情况，交叉点多解情况下随机选取一个解值作为交叉点，根据n从1到67可以得出交叉点解数组p如下式所示：
p＝{p1,p2,p3...p67}
根据解集交换父代X(1)与父代X(2)中每一行交叉点p之后的所有基因片段，交叉变换后得到子代的X(1)，子代的X(2)；
同时，种群中的少量矩阵进行变异操作有利于优质方案选择，设置变异的概率为0.01。本文摒弃传统遗传算法的将单点变化的0、1变异，变异采取矩阵中的换列操作进行基因变异，这样更符合电动汽车将峰时段充电时间向谷时段充电时间转移的过程，能够更合理的找出最优矩阵解。变异过程以变异矩阵X(1)举例说明：产生[1,48]随机数q，交换变异矩阵X(1)中的第q列和第q+1列的全部元素，如果q为48，则交换第1列和第48列，得出变异后的子代；
步骤304，计算父代矩阵以及子代矩阵目标函数；具体地，淘汰掉不符合约束条件的子代矩阵，剩下的子代矩阵和父代矩阵根据目标函数进行计算，即计算出柔性控制充电目标函数J值，因为J的值越高代表着成本越高和峰谷差越高，本文对选择算法做出一个求倒数的处理得到E表示物种基因环境适应度如下式所示：
E＝1/J
对种群中满足约束条件的N组种群使用随机筛选的方式进行选择，充电个体充电方案i的选择概率Pi用下式进行计算：
步骤305，选择达到目标要求充电方案，输出最优解矩阵；
步骤306，没有达到目标要求时，选择适应度高的子代为父代矩阵迭代；具体地，在步骤304计算结果中，对比筛选出适应度高的子代矩阵作为下一代父代矩阵，进行迭代计算；
步骤307，父代矩阵交叉变异选择达到迭代次数；具体地，设置一定的迭代次数，对于初始种群筛选结果进行不断的迭代，根据约束条件和适应度选择产生优质的子代，不断选择高适应度的充电站规划矩阵进行下次迭代计算；达到本文设定的迭代次数后，选择最优的子代矩阵作为下一时段的充电控制调度方案；
步骤308，输出最优解矩阵。
通过本发明实施例提供一种基于云平台的充电站控制方法，充电桩通过遗传算法，得到满足优化目标的子代矩阵作为最优解矩阵或者选择满足约束条件和高适应度子代矩阵为父代矩阵进行迭代计算，达到迭代次数输出最优解矩阵，更好的对不同充电车型进行充电规划，同时遗传算法求解结果得出满足电网的功率要求和用户的基本需求的电动汽车充电时间安排。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制，尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围。
Claims (7)
1.一种基于云平台的充电站群控系统，所述充电站群控系统包括，供配电模块、监控模块、充电模块及充电站管理平台；
所述供配电模块：用于将电网能量传递到充电模块和监控模块，并采集电网相关信息；
所述监控模块：用于监控整个充电站系统，对整个充电站系统的管理分析及计算；
所述充电站管理平台：与所述充电模块之间远程通讯和数据交互，并将交互数传递回所述监控模块；
其特征在于，所述充电模块由充电后台控制单元、柔性充电堆单元、充电桩单元三个部分组成，所述充电后台控制单元、柔性充电堆单元和充电桩单元之间电连接；
所述充电后台控制单元：获取电网的负荷规律、充电车辆的负荷规律以时间单位作为划分基准，从功率维度和时间维度对充电站充电方案网格划分，运用网格选取法得到电动公交车、电动私家车以及电动公务车3种车辆模型网格方案选择矩阵和选择矩阵的约束条件，完成对充电站的充电调度；
所述柔性充电堆单元：根据3种车辆模型网格方案选择矩阵，计算保证柔性充电策略下的充电总电费成本最低的目标函数，完成对所述充电站内不同车辆模型充电功率动态分配；
所述充电桩单元：根据遗传算法，对3种车辆模型网格方案选择矩阵进行计算，制定不同车辆模型充电规划矩阵，完成电动汽车的充电与人机交互。
2.根据权利要求1所述的基于云平台的充电站群控系统，其特征在于，所述充电桩单元采用遗传算法还包括，对初始充电规划矩阵种群进行迭代计算，输出最优解的充电规划矩阵；所述迭代计算是设置一定的迭代次数，根据约束条件和适应度选择产生优质的子代，不断选择高适应度的优质的子代进行下次迭代计算，直至达到优化目标要求或达到迭代次数，输出最优解的充电规划矩阵。
3.一种基于云平台的充电站控制方法，其特征在于，所述控制方法的具体方法步骤如下：
S201，充电后台控制获取电网的常规负荷规律、充电车辆的常规负荷规律以时间单位作为划分基准，从功率维度和时间维度对充电站充电方案网格划分；
S202，充电后台控制运用网格选取法得到电动公交车、电动私家车以及电动公务车3种车辆模型网格方案选择矩阵和选择矩阵的约束条件，完成对充电站的初始化充电调度；
S203，柔性充电堆控制根据3种车辆模型网格方案选择矩阵，计算保证柔性充电策略下的充电总电费成本最低的目标函数，完成对所述充电站内不同车辆模型充电功率动态分配；
S204，充电桩控制根据遗传算法，对3种车辆模型网格方案选择矩阵进行计算，初步制定不同车辆模型充电规划矩阵；
S205，等待新车接入，没有接入车辆时维持步骤S204；
S206，根据接入的车辆模型，调度相应的充电规划矩阵，安排充电车辆进行充电；
S207，执行该车辆模型充电时段，直至结束；
S208，对当前电网负荷情况信息进行更新，准备下一充电时段的开始。
4.根据权利要求3所述的基于云平台的充电站控制方法，其特征在于，所述S201、S202步骤中，所述网格选取法具体步骤：
S401，获取网格划分方案调研及分析的电网容量限制PM以及电动汽车平均充电功率P0的数据，以时间维度作为划分基准进行网格划分，得到充电时段选择矩阵；
S402，将充电站基础负荷进行网格化，得出充电站基础负荷矩阵；
S403，根据充电站区域的时间负荷曲线在任一时段日常用电的负荷值，计算充电站基础负荷矩阵中每个元素值；
S404，根据3种充电车型的充电需求，得到所述3种车辆模型网格方案选择矩阵和选择矩阵的约束条件，综合分析3种不同类型的电动汽车最终方案后，求解出充电站整体的柔性负荷矩阵和约束条件；
S405，完成对所述充电站的初始化充电调度。
5.根据权利要求3所述的基于云平台的充电站控制方法，其特征在于，所述的S203步骤，柔性充电堆计算保证柔性充电策略下的充电总电费成本最低的目标函数，具体步骤包括：
S501，根据电价计算的总电费成本目标函数f1如下式：
f1＝min[Cfdf+Cgdg+Cpdp]公式中Cf，Cg，Cp分别为波峰波谷波平的电网分时电价，df，dg，dp为波峰波谷波平的充电电量，f1表示充电站电费总成本；
S502，计算电网总负荷的峰谷差值最小目标函f2如下式：f2＝min(Pf-Pg)公式中Pf，Pg分别表示充电站区域功率曲线上的峰值和谷值；
S503，对不同单位的多个目标优化问题，研究方法采用归一化处理计算保证研究求解方法的可靠性和科学性，具体方法如下式所示：
d代表每日柔性充电站充电负荷的总量，Pmax，Pmin分别表示为充电站区域日常负荷矩阵中的峰值和谷值；
S504，上述条件中的运用加权处理后的归一化柔性控制充电目标函数为下式：
minJ＝a*J1+b*J2,a+b＝1,a≥0,b≥0其中a，b分别为两个归一化目标J1与J2的权重系数，可取两个优化目标的权重系数均为0.5进行研究计算。
6.根据权利要求3所述的基于云平台的充电站控制方法，其特征在于，所述的步骤204，遗传算法还包括对初始充电规划矩阵种群进行优化求解或迭代计算。
7.根据权利要求6所述的基于云平台的充电站控制方法，其特征在于，所述迭代计算是设置一定的迭代次数，根据约束条件和适应度选择产生优质的子代，不断选择高适应度的优质的子代进行下次迭代计算，直至达到优化目标要求或达到迭代次数，输出最优解的充电规划矩阵，具体步骤包括：
步骤301，随机产生网格化的3种车辆模型矩阵X、Y、Z；
步骤302，初始化充电规划矩阵种群数量作为父代矩阵；
步骤303，父代矩阵交叉变异生成下代子矩阵，淘汰掉不符合约束条件的；
步骤304，计算父代矩阵以及子代矩阵目标函数，剩下的子代矩阵和父代矩阵根据目标函数进行计算，即计算出柔性控制充电目标函数J值，因为J的值越高代表着成本越高和峰谷差越高，本文对选择算法做出一个求倒数的处理得到E表示物种基因环境适应度如下式所示：
E＝1/J
对种群中满足约束条件的N组种群使用随机筛选的方式进行选择，充电个体充电方案i的选择概率Pi用下式进行计算：
步骤305，选择达到目标要求充电方案，输出最优解矩阵；
步骤306，没有达到目标要求时，选择适应度高的子代为父代矩阵迭代；
步骤307，父代矩阵交叉变异选择达到迭代次数；
步骤308，输出最优解矩阵。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910318359.6A CN110126666B (zh) | 2019-04-19 | 2019-04-19 | 一种基于云平台的充电站群控系统及控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910318359.6A CN110126666B (zh) | 2019-04-19 | 2019-04-19 | 一种基于云平台的充电站群控系统及控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110126666A CN110126666A (zh) | 2019-08-16 |
| CN110126666B true CN110126666B (zh) | 2022-06-21 |
Family
ID=67570626
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910318359.6A Expired - Fee Related CN110126666B (zh) | 2019-04-19 | 2019-04-19 | 一种基于云平台的充电站群控系统及控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110126666B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110718947B (zh) * | 2019-10-10 | 2021-01-22 | 杭州艾参崴电力科技有限公司 | 充电桩群控配电分时系统 |
| CN110826801B (zh) * | 2019-11-06 | 2023-04-18 | 万帮数字能源股份有限公司 | 电动车充电站分布式电能管理方法 |
| CN112477674A (zh) * | 2020-11-16 | 2021-03-12 | 深圳市康士柏实业有限公司 | 一种充电桩的远程集群充电控制方法、装置及系统 |
| CN114914923B (zh) * | 2022-07-19 | 2022-09-23 | 国网山东省电力公司菏泽供电公司 | 基于网格法的变时长两阶段电动汽车调度方法及系统 |
| CN116187589B (zh) * | 2023-04-25 | 2023-09-29 | 广东工业大学 | 一种充电站定容方法及系统 |
| CN116853055B (zh) * | 2023-07-17 | 2024-01-12 | 苏州吉智能源科技有限公司 | 一种基于云平台的充电站群控系统及控制方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103793758A (zh) * | 2014-01-23 | 2014-05-14 | 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 |
| CN103903090A (zh) * | 2014-03-17 | 2014-07-02 | 东南大学 | 基于用户意愿和出行规律的电动汽车充电负荷分配方法 |
| CN105894123A (zh) * | 2016-04-20 | 2016-08-24 | 广州供电局有限公司 | 电动车辆充电运行模式的确定方法及装置 |
| CN106364358A (zh) * | 2016-10-19 | 2017-02-01 | 宁波江东晶量电子科技有限公司 | 基于用户地理位置信息的充电桩充电系统及方法 |
| CN109523087A (zh) * | 2018-11-28 | 2019-03-26 | 国网山东省电力公司德州供电公司 | 基于深度学习的电动汽车快充站储能监测系统及其方法 |
| CN109615253A (zh) * | 2018-12-17 | 2019-04-12 | 北京智行者科技有限公司 | 一种充电车辆管理决策方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20140089038A (ko) * | 2013-01-02 | 2014-07-14 | 주식회사 케이티 | 전기차 충전소의 전력 수요 관리 방법 및 이를 제공하기 위한 전기차 충전소의 전력 수요 관리 시스템 |
-
2019
- 2019-04-19 CN CN201910318359.6A patent/CN110126666B/zh not_active Expired - Fee Related
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103793758A (zh) * | 2014-01-23 | 2014-05-14 | 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 |
| CN103903090A (zh) * | 2014-03-17 | 2014-07-02 | 东南大学 | 基于用户意愿和出行规律的电动汽车充电负荷分配方法 |
| CN105894123A (zh) * | 2016-04-20 | 2016-08-24 | 广州供电局有限公司 | 电动车辆充电运行模式的确定方法及装置 |
| CN106364358A (zh) * | 2016-10-19 | 2017-02-01 | 宁波江东晶量电子科技有限公司 | 基于用户地理位置信息的充电桩充电系统及方法 |
| CN109523087A (zh) * | 2018-11-28 | 2019-03-26 | 国网山东省电力公司德州供电公司 | 基于深度学习的电动汽车快充站储能监测系统及其方法 |
| CN109615253A (zh) * | 2018-12-17 | 2019-04-12 | 北京智行者科技有限公司 | 一种充电车辆管理决策方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110126666A (zh) | 2019-08-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110126666B (zh) | 一种基于云平台的充电站群控系统及控制方法 | |
| Hassan et al. | Multi-objective for optimal placement and sizing DG units in reducing loss of power and enhancing voltage profile using BPSO-SLFA | |
| CN109508857B (zh) | 一种主动配电网多阶段规划方法 | |
| Sinha et al. | Review of recent trends in optimization techniques for solar photovoltaic–wind based hybrid energy systems | |
| CN104578120B (zh) | 分布式储能系统的优化配置方法 | |
| CN113452053B (zh) | 一种分布式储能集群划分方法 | |
| CN109871989A (zh) | 一种含分布式电源的配电网分层规划方法 | |
| Qiu et al. | A scenario generation method based on the mixture vine copula and its application in the power system with wind/hydrogen production | |
| Xu et al. | Optimal allocation of power supply systems in industrial parks considering multi-energy complementarity and demand response | |
| Benmouiza et al. | Classification of hourly solar radiation using fuzzy c-means algorithm for optimal stand-alone PV system sizing | |
| Han et al. | Scaling up cooperative game theory-based energy management using prosumer clustering | |
| CN111401604A (zh) | 电力系统负荷功率预测方法及储能电站功率分配方法 | |
| Gusain et al. | Study of meta-heuristic optimization methodologies for design of hybrid renewable energy systems | |
| Hong et al. | Locational marginal price forecasting using deep learning network optimized by mapping-based genetic algorithm | |
| CN110264012A (zh) | 基于经验模态分解的可再生能源功率组合预测方法及系统 | |
| Huang et al. | A decision-making tool for determination of storage capacity in grid-connected PV systems | |
| CN114519459A (zh) | 基于场景分析和混合储能的热电联合系统优化调度方法 | |
| CN104102954A (zh) | 考虑黑启动功能的分布式综合供能系统的优化配置方法 | |
| CN105930927A (zh) | 一种基于行业负荷预测技术的配电网规划方法 | |
| CN106408452A (zh) | 含多分布式电源配电网的电动汽车充电站优化配置方法 | |
| Kühnbach et al. | Prepared for regional self-supply? On the regional fit of electricity demand and supply in Germany | |
| Yang et al. | Optimal modification of peak-valley period under multiple time-of-use schemes based on dynamic load point method considering reliability | |
| Azizi et al. | Cost/comfort-oriented clustering-based extended time of use pricing | |
| CN114742421A (zh) | 一种面向电网深度调峰辅助服务的虚拟电厂优化组建方法 | |
| Hussain et al. | Energy management of buildings with energy storage and solar photovoltaic: A diversity in experience approach for deep reinforcement learning agents |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220621 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |