CN111055719B - 电动汽车充电站收益最大化决策的方法 - Google Patents
电动汽车充电站收益最大化决策的方法 Download PDFInfo
- Publication number
- CN111055719B CN111055719B CN201911388197.XA CN201911388197A CN111055719B CN 111055719 B CN111055719 B CN 111055719B CN 201911388197 A CN201911388197 A CN 201911388197A CN 111055719 B CN111055719 B CN 111055719B
- Authority
- CN
- China
- Prior art keywords
- charging
- charging station
- electric
- preset
- cost
- 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
Links
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
- B60L53/64—Optimising energy costs, e.g. responding to electricity rates
-
- 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
- B60L53/62—Monitoring or controlling charging stations in response to charging parameters, e.g. current, voltage or electrical charge
-
- 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
Abstract
本申请提供一种电动汽车充电站收益最大化决策的方法。该方法获取预设时间段内不同时刻电动汽车的类型数据和位置数据,按照电动汽车的类型数据,分别计算各个所述位置数据对应的电动汽车的数量,采用蒙特卡洛模拟法获取充电需求,充电需求包括需要充电的电动汽车数量、起始荷电状态、起始充电时间和充电电量,根据所述充电需求,计算电动汽车到预设充电站的总充电成本,根据总充电成本计算电动汽车到预设充电站充电的概率,根据概率计算电动汽车到某预设充电站的充电电量的期望值,计算电价优化变量,将优化变量和期望值的乘积作为预设充电站的最大收益。达到充电站盈利又满足电动汽车用户的实际需求,实现充电站收益最大化的目标。
Description
技术领域
本申请涉及涉及电动汽车充电站优化配置技术领域,尤其涉及一种电动汽车充电站收益最大化决策的方法。
背景技术
在能源短缺、环境污染严重、全球气候变化的背景下,电动汽车作为一种新型交通工具,在缓解能源危机、促进人类与环境的和谐发展等方面具有传统汽车不可比拟的优势,目前已成为各国政府、汽车制造商、能源企业关注的焦点,我国各个城市都出台了关于鼓励公共充电站建设的政策,为用户提供更加可靠的充电服务。随着充电站的大规模铺开建设,充电站之间的竞争也日趋激烈。
现阶段充电站充电价格的计算方法通常是采用充电站运行成本加上合理的利润的人为定价方式,例如,根据以往某充电站运行成本数据得知某充电站当天在没有电动车充电的情况下运行成本为500元,电网供电的单位电价为1元每千瓦时,来某充电站的电动汽车总充电量为x度,某充电站规定每度电的利润为y,那么某充电站当天的单位电价为在此基础上各充电站之间为了抢占市场份额,培养用户充电习惯以便获取用户充电数据,积累数据资源,采取低价甚至低于成本价的方式来吸引电动汽车用户。
充电站现有电价计算方法中,仅仅考虑了充电站的收益,并没有考虑到电动车用户的实际需求,当天充电站充电量需要达到一定的量才会考虑到电动汽车用户的实际需求,降低单位电价,随着充电站的数量增加,某个充电站的当天总充电量很难达到充电站盈利又满足电动汽车用户的实际需求,另外,并未考虑资金的回收周期,价格制定模式比较单一,对电动汽车用户缺乏吸引力,造成充电站的亏损越来越大。
发明内容
本申请提供一种电动汽车充电站收益最大化决策的方法,该方法解决了充电站的当天总充电量很难达到充电站盈利又满足电动汽车用户的实际需求,资金的回收周期长,价格制定模式比较单一,对电动汽车用户缺乏吸引力,造成充电站的亏损越来越大的问题。
本申请提供一种电动汽车充电站收益最大化决策的方法,该方法包括:
获取预设时间段内不同时刻电动汽车的参数数据,所述参数数据包括电动汽车的类型数据和位置数据,所述位置数据指示电动汽车所在的路段信息;
按照电动汽车的类型数据,分别计算各个所述位置数据对应的电动汽车的数量;
获取充电需求,所述充电需求指示各个位置数据对应的需要充电的电动汽车的数量和所需第一充电电量;
根据所述充电需求,计算电动汽车到预设充电站的总充电成本;
将所述总充电成本与所述第一充电电量的商作为单位电量充电成本,所述单位电量充电成本为预设充电站的单位电价与电动汽车到预设充电站的行驶成本和第一充电电量的比值的和,其中,所述第一充电电量为所述总充电成本对应的电动汽车的总充电电量;
根据所述单位电量充电成本,计算电动汽车到预设充电站充电的概率;
根据所述概率,计算各个预设充电站对应的目标电动汽车的第二充电电量,并计算所述第二充电电量的期望值,其中,所述目标电动汽车为选择到预设充电站进行充电的电动汽车;
计算预设充电站的电价优化变量;
根据所述期望值和电价优化变量的乘积,计算预设充电站的最大化收益。
可选的,根据所述充电需求,计算电动汽车到预设充电站的总充电成本,包括:
根据以下公式,计算预设时间内电动汽车到预设充电站的行驶距离:
其中,其中,D为各电动汽车到各个预设充电站的行驶距离,dmn为电动汽车m到第n个预设充电站的行驶距离;
根据以下公式,计算电动汽车到预设充电站的行驶成本:
其中,CD为各电动汽车到各个预设充电站的行驶成本,Cm为电动汽车m的单位距离行驶成本;
在各个充电站充电电价确定的情况下,采用蒙特卡洛模拟法计算各时刻各个所述位置数据对应的电动车的起始荷电状态、起始充电时间和充电电量;
根据以下公式,计算电动汽车到预设充电站的充电电量成本:
其中,Ccharge为电动汽车在各个预设充电站的充电电量成本,Ccharge_n为预设充电站n的充电电价;Qm为电动汽车m的充电电量。
可选的,所述总充电成本为电动汽车到各个预设充电站的行驶成本和充电量成本之和,包括:
根据以下公式,计算各电动汽车到各充电站总充电成本:
其中,Csum为电动汽车到各个预设充电站总充电成本;Csum_mn为电动汽车m到第n个预设充电站产生总的充电成本。
可选的,计算电动汽车到预设充电站充电的概率,包括:
以电价最高的预设充电站为基准,根据以下公式得到总的单位电量充电电价差:
其中,ΔP为电动汽车到各个预设充电站总的单位电量充电电价差,ΔPmn为电动汽车m到第n个预设充电站总的单位电量充电成本与到电价最高的预设充电站总的单位电量充电成本之差;
根据以下公式计算电动汽车到某个预设充电站的响应度:
Pres_mn=Res(ΔPmn);
其中,Pres_mn为电动汽车m到第n个预设充电站充电的响应度;
根据以下公式计算电动汽车m到第n个预设充电站充电的概率:
其中,P(mn)为电动汽车m到第n个预设充电站充电的概率。
可选的,计算电动汽车到各个预设充电站的充电电量的期望值,包括:
根据以下公式计算计算电动汽车到各个预设充电站充电电量的期望值:
其中,ChargeQi为电动汽车到第i个预设充电站的充电电量的期望值;P(ji)为第j辆车到第i个预设充电站的概率;Qj为电动汽车j的充电电量。
本申请提供一种电动汽车充电站收益最大化决策的方法,该方法获取预设时间段内不同时刻电动汽车的类型数据和位置数据,按照电动汽车的类型数据,分别计算各个所述位置数据对应的电动汽车的数量,采用蒙特卡洛模拟法获取充电需求,充电需求包括需要充电的电动汽车数量、起始荷电状态、起始充电时间和充电电量,根据所述充电需求,计算电动汽车到预设充电站的总充电成本,根据总充电成本计算电动汽车到预设充电站充电的概率,根据概率计算电动汽车到某预设充电站的充电电量的期望值,计算电价优化变量,将优化变量和期望值的乘积作为预设充电站的最大收益。达到充电站盈利又满足电动汽车用户的实际需求,实现充电站收益最大化的目标。
附图说明
为了更清楚地说明本申请的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,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。
图1为本申请提供的一种电动汽车充电站收益最大化决策的方法的工作流程示意图;
图2为本申请提供的一种电动汽车充电站收益最大化决策的方法的电动汽车对价格的敏感性曲线的示意图;
图3为本申请提供的一种电动汽车充电站收益最大化决策的方法的粒子群算法示意图。
具体实施方式
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、完整的描述,显然,所描述的实施例仅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作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。
参见图1,本申请提供一种电动汽车充电站收益最大化决策的方法,该方法包括:
步骤S11,获取预设时间段内不同时刻电动汽车的参数数据,所述参数数据包括电动汽车的类型数据和位置数据,所述位置数据指示电动汽车所在的路段信息。
步骤S12,按照电动汽车的类型数据,分别计算各个所述位置数据对应的电动汽车的数量。
步骤S13,获取充电需求,所述充电需求指示各个位置数据对应的需要充电的电动汽车的数量和所需第一充电电量。
步骤S14,根据所述充电需求,计算电动汽车到预设充电站的总充电成本。
步骤S15,将所述总充电成本与所述第一充电电量的商作为单位电量充电成本,所述单位电量充电成本为预设充电站的单位电价与电动汽车到预设充电站的行驶成本和第一充电电量的比值的和,其中,所述第一充电电量为所述总充电成本对应的电动汽车的总充电电量。
步骤S16,据所述单位电量充电成本,计算电动汽车到预设充电站充电的概率。
步骤S17,根据所述概率,计算各个预设充电站对应的目标电动汽车的第二充电电量,并计算所述第二充电电量的期望值,其中,所述目标电动汽车为选择到预设充电站进行充电的电动汽车。
步骤S18,计算预设充电站的电价优化变量。
步骤S19,根据所述期望值和电价优化变量的乘积,计算预设充电站的最大化收益。
获取预设时间段内不同时刻电动汽车的参数数据,预设时间优选的为一天,不同时刻为一天二十四个小时,每个小时作为一个时刻,参数数据包括电动汽车的类型数据和位置数据,电动汽车的类型数据比如是电动出租车、电动公交车等,位置数据为电动汽车所在的路段信息,也就是城市各路段,计算各路段电动汽车的数量。利用以往各类型电动汽车的充电行为,对各路段各类型电动汽车的起始荷电状态、起始充电时间、充电电量进行抽样,采用蒙特卡洛模拟法计算需要充电的电动汽车数量、起始荷电状态、起始充电时间以及充电电量,计算电动汽车到充电站的行驶成本和充电电量成本,行驶成本与充电电量成本的和再与充电电量的比值就为电动汽车用户的单位电量充电成本,选择充电电价最高的充电站,计算各路段每个时刻电动汽车到各个预设充电站电动汽车用户的单位电量充电成本的差值,利用电动汽车用户的单位电量充电成本的差值计算电动汽车对某预设充电站的响应度,根据响应度计算电动汽车到预设充电站充电的概率,根据概率到预设充电站的充电电量的期望值,采用粒子群算法计算得到预设充电站充电电价优化变量,预设充电站的充电电量的期望值与预设充电站充电电价优化变量的乘积就为预设充电站的最大收益。
根据所述充电需求,计算电动汽车到预设充电站的总充电成本,包括:
根据以下公式,计算预设时间内电动汽车到预设充电站的行驶距离:
其中,其中,D为各电动汽车到各个预设充电站的行驶距离,dmn为电动汽车m到第n个预设充电站的行驶距离。
根据以下公式,计算电动汽车到预设充电站的行驶成本:
其中,CD为各电动汽车到各个预设充电站的行驶成本,Cm为电动汽车m的单位距离行驶成本。
在各个充电站充电电价确定的情况下,采用蒙特卡洛模拟法计算各时刻各个所述位置数据对应的电动车的起始荷电状态、起始充电时间和充电电量。
根据以下公式,计算电动汽车到预设充电站的充电电量成本:
其中,Ccharge为电动汽车在各个预设充电站的充电电量成本,Ccharge_n为预设充电站n的充电电价;Qm为电动汽车m的充电电量。
电动汽车到某预设充电站的总充电成本包括电动汽车到某预设充电站的行驶成本和充电电量成本,行驶成本为电动汽车到某预设充电站的行驶距离与单位距离行驶成本的乘积,假设乘积为b,某预设充电站单位电价为c,这里采用蒙特卡洛模拟法计算出电动汽车的充电电量为d,那么电动汽车到某预设充电站的总充电成本为b+c·d。
所述总充电成本为电动汽车到各个预设充电站的行驶成本和充电量成本之和,包括:
根据以下公式,计算各电动汽车到各充电站总充电成本:
其中,Csum为电动汽车到各个预设充电站总充电成本;Csum_mn为电动汽车m到第n个预设充电站产生总的充电成本。
电动汽车到某预设充电站的总充电成本包括电动汽车到某预设充电站的行驶成本和充电电量成本,行驶成本为电动汽车到某预设充电站的行驶距离与单位距离行驶成本的乘积,假设乘积为b,某预设充电站单位电价为c,这里采用蒙特卡洛模拟法计算出电动汽车的充电电量为d,那么电动汽车到某预设充电站的总充电成本为Csum_mn=b+c·d。
计算电动汽车到预设充电站充电的概率,包括:
以电价最高的预设充电站为基准,根据以下公式得到总的单位电量充电电价差:
其中,ΔP为电动汽车到各个预设充电站总的单位电量充电电价差,ΔPmn为电动汽车m到第n个预设充电站总的单位电量充电成本与到电价最高的预设充电站总的单位电量充电成本之差。
根据以下公式计算电动汽车到某个预设充电站的响应度:
Pres_mn=Res(ΔPmn);
其中,Pres_mn为电动汽车m到第n个预设充电站充电的响应度;
根据以下公式计算电动汽车m到第n个预设充电站充电的概率:
其中,P(mn)为电动汽车m到第n个预设充电站充电的概率。
这里先确定个预设充电站中单位电价最高的充电站为基准,计算电动汽车到各个预设充电站总的单位电量充电电价差,利用电动汽车用户的单位电量充电成本的差值计算电动汽车对预设充电站的响应度,电价差与响应度的对应关系如图2所示,为线性化对应关系,图中电价差低于电价差1的区域为死区,即用户对电价差没有响应,依旧保持原来的充电习惯,电价差介于电价差1和电价差2之间的区域为线性区,即用户对电价差的响应度呈线性增加,电价差越大响应度越大,电价差大于电价差2的区域为饱和区,此时即使再增加电价差,用户的响应度已经饱和,也就是某个预设电站的电动汽车数量达到某个预设电站的最大承受值。根据以下公式计算电动汽车m到第n个预设充电站充电的概率,比如电动汽车m到充电站1的响应度是2,到充电站2的响应度3,则m到充电站1的概率就是2/(2+3)=0.4,到充电站2的概率是3/(2+3)=0.6。
计算电动汽车到各个预设充电站的充电电量的期望值,包括:
根据以下公式计算计算电动汽车到各个预设充电站充电电量的期望值:
其中,ChargeQi为电动汽车到第i个预设充电站的充电电量的期望值;P(ji)为第j辆车到第i个预设充电站的概率;Qj为电动汽车j的充电电量。
P(ji)为第j辆车到第i个预设充电站的概率,比如说是0.5,第j辆车的充电电量是10kWh,则第j辆车在i充电站的充电电量期望值就是0.5*10kWh=5kWh。每辆电动汽车在i充电站的充电电量期望值加起来就是i充电站的充电电量期望值。
参见图3,利用粒子群算法对预设充电站的电价进行优化,设某预设充电站电价为p,例如:
开始k=0,初始化粒子群,一个粒子即为一个电价p优化变量,包括每个粒子的位置和速度,计算每个粒子对应的适应度,更新全局最优粒子
k=k+1,根据公式更新速度/>根据公式更新位置/>计算每个粒子新位置下的适应度,更新全局最优粒子/>以及自身最优位置/>
其中,是惯性部分,用来表示对于原有速度的继承,ω是惯性权重,起着权衡局部最优能力和全局最优能力的作用;/>是认知部分,代表了粒子对自身的学习,c1是认知学习因子,r1是取值区间为[0,1]的随机数,用于保持群体的多样性;/>是社会部分,用来表示粒子间的协作,c2是社会学习因子,r2是取值区间为[0,1]的随机数,pid为局部最优解,pgd为全局最优解。
判断是否收敛,若满足收敛条件,则优化结束。
将计算得到的pgd与某个预设充电站的充电电量的期望值的乘积作为某个预设充电站的最大收益。
本申请提供一种电动汽车充电站收益最大化决策的方法。该方法获取预设时间段内不同时刻电动汽车的类型数据和位置数据,按照电动汽车的类型数据,分别计算各个所述位置数据对应的电动汽车的数量,采用蒙特卡洛模拟法获取充电需求,充电需求包括需要充电的电动汽车数量、起始荷电状态、起始充电时间和充电电量,根据所述充电需求,计算电动汽车到预设充电站的总充电成本,根据总充电成本计算电动汽车到预设充电站充电的概率,根据概率计算电动汽车到某预设充电站的充电电量的期望值,计算电价优化变量,将优化变量和期望值的乘积作为预设充电站的最大收益。达到充电站盈利又满足电动汽车用户的实际需求,实现充电站收益最大化的目标。
以上结合具体实施方式和范例性实例对本申请进行了详细说明,不过这些说明并不能理解为对本申请的限制。本领域技术人员理解,在不偏离本申请精神和范围的情况下,可以对本申请技术方案及其实施方式进行多种等价替换、修饰或改进,这些均落入本申请的范围内。本申请的保护范围以所附权利要求为准。
Claims (3)
1.一种电动汽车充电站收益最大化决策的方法,其特征在于,包括:
获取预设时间段内不同时刻电动汽车的参数数据,所述参数数据包括电动汽车的类型数据和位置数据,所述位置数据指示电动汽车所在的路段信息;
按照电动汽车的类型数据,分别计算各个所述位置数据对应的电动汽车的数量;
获取充电需求,所述充电需求指示各个位置数据对应的需要充电的电动汽车的数量和所需第一充电电量;
根据所述充电需求,计算电动汽车到预设充电站的总充电成本;
将所述总充电成本与所述第一充电电量的商作为单位电量充电成本,所述单位电量充电成本为预设充电站的单位电价与电动汽车到预设充电站的行驶成本和第一充电电量的比值的和,其中,所述第一充电电量为所述总充电成本对应的电动汽车的总充电电量;
根据所述单位电量充电成本,计算电动汽车到预设充电站充电的概率;
计算电动汽车到预设充电站充电的概率的步骤,具体为:
以电价最高的预设充电站为基准,根据以下公式得到总的单位电量充电电价差:
其中,ΔP为电动汽车到各个预设充电站总的单位电量充电电价差,ΔPmn为电动汽车m到第n个预设充电站总的单位电量充电成本与到电价最高的预设充电站总的单位电量充电成本之差;
根据以下公式计算电动汽车到某个预设充电站的响应度:
Pres_mn=Res(ΔPmn);
其中,Pres_mn为电动汽车m到第n个预设充电站充电的响应度;
根据以下公式计算电动汽车m到第n个预设充电站充电的概率:
其中,P(mn)为电动汽车m到第n个预设充电站充电的概率;
根据所述概率,计算各个预设充电站对应的目标电动汽车的第二充电电量,并计算所述第二充电电量的期望值,其中,所述目标电动汽车为选择到预设充电站进行充电的电动汽车;
计算电动汽车到各个预设充电站的充电电量的期望值的步骤,具体为:
根据以下公式计算计算电动汽车到各个预设充电站充电电量的期望值:
其中,ChargeQi为电动汽车到第i个预设充电站的充电电量的期望值;P(ji)为第j辆车到第i个预设充电站的概率;Qj为电动汽车j的充电电量;
计算预设充电站的电价优化变量;
根据所述期望值和电价优化变量的乘积,计算预设充电站的最大化收益。
2.根据权利要求1所述的方法,其特征在于,根据所述充电需求,计算电动汽车到预设充电站的总充电成本,包括:
根据以下公式,计算预设时间内电动汽车到预设充电站的行驶距离:
其中,其中,D为各电动汽车到各个预设充电站的行驶距离,dmn为电动汽车m到第n个预设充电站的行驶距离;
根据以下公式,计算电动汽车到预设充电站的行驶成本:
其中,CD为各电动汽车到各个预设充电站的行驶成本,Cm为电动汽车m的单位距离行驶成本;
在各个充电站充电电价确定的情况下,采用蒙特卡洛模拟法计算各时刻各个所述位置数据对应的电动车的起始荷电状态、起始充电时间和充电电量;
根据以下公式,计算电动汽车到预设充电站的充电电量成本:
其中,Ccharge为电动汽车在各个预设充电站的充电电量成本,Ccharge_n为预设充电站n的充电电价;Qm为电动汽车m的充电电量。
3.根据权利要求2所述的方法,其特征在于,所述总充电成本为电动汽车到各个预设充电站的行驶成本和充电量成本之和,包括:
根据以下公式,计算各电动汽车到各充电站总充电成本:
其中,Csum为电动汽车到各个预设充电站总充电成本;Csum_mn为电动汽车m到第n个预设充电站产生总的充电成本。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911388197.XA CN111055719B (zh) | 2019-12-30 | 2019-12-30 | 电动汽车充电站收益最大化决策的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911388197.XA CN111055719B (zh) | 2019-12-30 | 2019-12-30 | 电动汽车充电站收益最大化决策的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111055719A CN111055719A (zh) | 2020-04-24 |
CN111055719B true CN111055719B (zh) | 2023-09-22 |
Family
ID=70304487
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911388197.XA Active CN111055719B (zh) | 2019-12-30 | 2019-12-30 | 电动汽车充电站收益最大化决策的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111055719B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113300392B (zh) * | 2021-05-13 | 2022-07-29 | 上海电力设计院有限公司 | 考虑余电上网的光储充一体化电站优化控制方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105656050A (zh) * | 2016-03-21 | 2016-06-08 | 南京丰和自动化科技有限公司 | 一种智能储能及配电系统 |
CN109711630A (zh) * | 2018-12-28 | 2019-05-03 | 郑州大学 | 一种基于出行概率矩阵的电动汽车快充站选址定容方法 |
CN109878369A (zh) * | 2019-03-11 | 2019-06-14 | 三峡大学 | 一种基于模糊pid实时电价的电动汽车充放电优化调度方法 |
CN110388932A (zh) * | 2019-07-12 | 2019-10-29 | 上海电机学院 | 一种电动汽车充电导航方法 |
CN110443415A (zh) * | 2019-07-24 | 2019-11-12 | 三峡大学 | 一种计及动态电价策略的电动汽车充电站多目标优化调度方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8531162B2 (en) * | 2008-06-16 | 2013-09-10 | International Business Machines Corporation | Network based energy preference service for managing electric vehicle charging preferences |
JP2017515446A (ja) * | 2014-04-22 | 2017-06-08 | エヌイーシー ヨーロッパ リミテッドNec Europe Ltd. | 充電ステーションネットワーク内で移動負荷に対し複数の充電ステーションの負荷分散を行う方法および充電ステーションネットワーク |
US20180060776A1 (en) * | 2016-08-29 | 2018-03-01 | Ford Global Technologies, Llc | Optimizing Selection of Battery Electric Vehicles to Perform Delivery Tasks |
-
2019
- 2019-12-30 CN CN201911388197.XA patent/CN111055719B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105656050A (zh) * | 2016-03-21 | 2016-06-08 | 南京丰和自动化科技有限公司 | 一种智能储能及配电系统 |
CN109711630A (zh) * | 2018-12-28 | 2019-05-03 | 郑州大学 | 一种基于出行概率矩阵的电动汽车快充站选址定容方法 |
CN109878369A (zh) * | 2019-03-11 | 2019-06-14 | 三峡大学 | 一种基于模糊pid实时电价的电动汽车充放电优化调度方法 |
CN110388932A (zh) * | 2019-07-12 | 2019-10-29 | 上海电机学院 | 一种电动汽车充电导航方法 |
CN110443415A (zh) * | 2019-07-24 | 2019-11-12 | 三峡大学 | 一种计及动态电价策略的电动汽车充电站多目标优化调度方法 |
Non-Patent Citations (1)
Title |
---|
实时电价下电动汽车充电调度优化方法研究;吴铁洲等;《武汉理工大学学报》;20160430(第04期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111055719A (zh) | 2020-04-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wu et al. | Optimal integration of a hybrid solar-battery power source into smart home nanogrid with plug-in electric vehicle | |
Wang et al. | A scenario-based stochastic optimization model for charging scheduling of electric vehicles under uncertainties of vehicle availability and charging demand | |
Han et al. | Economic evaluation of a PV combined energy storage charging station based on cost estimation of second-use batteries | |
Salpakari et al. | Flexibility of electric vehicles and space heating in net zero energy houses: an optimal control model with thermal dynamics and battery degradation | |
Khuong et al. | Analyzing drivers of renewable energy development in Southeast Asia countries with correlation and decomposition methods | |
Novosel et al. | Agent based modelling and energy planning–Utilization of MATSim for transport energy demand modelling | |
Zheng et al. | Agent-based model for electricity consumption and storage to evaluate economic viability of tariff arbitrage for residential sector demand response | |
Van Der Kam et al. | Agent-based modelling of charging behaviour of electric vehicle drivers | |
Song et al. | Towards to sustainable energy-efficient city: A case study of Macau | |
Burlig et al. | Low energy: Estimating electric vehicle electricity use | |
CN109177802B (zh) | 一种基于无线通信的电动汽车有序充电系统及其方法 | |
CN109711630A (zh) | 一种基于出行概率矩阵的电动汽车快充站选址定容方法 | |
CN110956329B (zh) | 基于分布式光伏与电动汽车时空分布的负荷预测方法 | |
CN105429218A (zh) | 一种电动汽车群有序充电管理的分布式控制方法 | |
Liu et al. | Online energy management of PV-assisted charging station under time-of-use pricing | |
CN112487622B (zh) | 电动汽车充电桩的选址定容方法、装置及终端设备 | |
Liu et al. | Building-centric investigation into electric vehicle behavior: A survey-based simulation method for charging system design | |
Huang et al. | A decision-making tool for determination of storage capacity in grid-connected PV systems | |
CN111055719B (zh) | 电动汽车充电站收益最大化决策的方法 | |
Guo et al. | Stochastic optimization for economic operation of plug-in electric vehicle charging stations at a municipal parking deck integrated with on-site renewable energy generation | |
Liu et al. | Impacts of photovoltaic and energy storage system adoption on public transport: A simulation-based optimization approach | |
Li et al. | Centralized charging station planning for battery electric trucks considering the impacts on electricity distribution systems | |
Xu et al. | Flexible electric vehicle charging and its role in variable renewable energy integration | |
CN109980695A (zh) | 一种配用电系统的分布式能源和用户行为预测方法 | |
Shivanaganna et al. | Energy routing based optimal solution for residential peak power reduction with photovoltaic and electric vehicle penetration |
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 |