CN112101637B - 基于分时电价和能耗控制的动态充电优化方法及其应用 - Google Patents

基于分时电价和能耗控制的动态充电优化方法及其应用 Download PDF

Info

Publication number
CN112101637B
CN112101637B CN202010868094.XA CN202010868094A CN112101637B CN 112101637 B CN112101637 B CN 112101637B CN 202010868094 A CN202010868094 A CN 202010868094A CN 112101637 B CN112101637 B CN 112101637B
Authority
CN
China
Prior art keywords
charging
vehicle
time
time window
load
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
Application number
CN202010868094.XA
Other languages
English (en)
Other versions
CN112101637A (zh
Inventor
巫威眺
林越
张艺
邓钦原
周霄
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.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
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 South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN202010868094.XA priority Critical patent/CN112101637B/zh
Publication of CN112101637A publication Critical patent/CN112101637A/zh
Application granted granted Critical
Publication of CN112101637B publication Critical patent/CN112101637B/zh
Expired - Fee Related 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

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

Abstract

本发明公开了一种基于分时电价和能耗控制的动态充电优化方法及其应用，该方法步骤包括：采集充电停车场基础属性、城市分时电价变化情况、停放车辆情况和电动汽车参数的基础数据；构建以充电费用最低为优化目标的第一充电策略，对动态到达车辆的充电时段和充电功率进行调整；构建以充电负载峰值最小为优化目标的第二充电策略，构建以减少充电峰值为优化目标的第三充电策略，预测车辆动态到达；根据选择的充电策略，对应计算出当前充电策略下所需要的充电费用与电力负载情况。本发明在分时电价的背景下，合理安排车辆充电的时段以及相应的充电功率，使停车场充电成本最小化，同时避免电网负载功率在短时间内过高，使电网负载均衡。

Description

基于分时电价和能耗控制的动态充电优化方法及其应用
技术领域
本发明涉及智能充电技术领域，具体涉及一种基于分时电价和能耗控制的动态充电优化方法及其应用。
背景技术
与传统燃油汽车前往加油站加油的模式不同，由于电动汽车充电时间较长，随着电动汽车的普及，现有停车场将逐步加装充电桩为用户提供充电需求。例如，未来工作日上班时，将有大量的电动汽车到达办公场所的停车场，当车辆到达写字楼后，充电桩与电动汽车相连直至车主下班后取走车辆。目前，电动汽车停车场均采用随到随充模式(即车辆到达后即刻以额定最大功率对其进行充电直至充满或车辆离开)，然而，无序充电模式对电网存在不利影响，受分时电价机制的影响这种模式并不经济。
根据城市商业用电峰谷分时电价标准，运营高峰期电价是平峰期和夜间的2-3倍，在分时电价的背景下，充电时段安排对充电费用和停车场运营成本影响很大。以往大部分科技成果均采用离线优化的方式，即在优化前获悉未来车辆(未来接入电网的车辆)的全部信息并编制未来车辆的充电计划，然而，在实际运营中车辆是不断到达的，且车辆的到达时刻和需充电量具有不确定性，此时若按已编制的充电计划进行充电，会造成充电桩电量空放或车辆过度充电的问题，因此采用离线优化的方式在实际情况下难以运用。
由于通勤车辆朝九晚六的规律，用户停车时间大于充电必要时间(车辆以最大限制功率进行充电直至满足充电需要的最小时间)，车辆可灵活地选择充电时段和充电功率，即在电价较低或系统负荷较低的时间段进行充电。如果能充分利用通勤用户的工作时间，根据分时电价及系统负载协同安排充电计划，实现停车充电一体化，将有效节约充电成本。
发明内容
为了克服现有技术存在的缺陷与不足，本发明提供一种基于分时电价和能耗控制的动态充电优化方法，在分时电价的背景下，本发明合理安排车辆充电的时段以及相应的充电功率，使停车场充电成本最小化，同时，避免电网负载功率在短时间内过高，使电网负载均衡。
本发明的第二目的在于提供一种基于分时电价和能耗控制的动态充电优化系统；
本发明的第三目的在于提供一种存储介质；
本发明的第四目的在于提供一种计算机设备。
为了达到上述目的，本发明采用以下技术方案：
本发明提供一种基于分时电价和能耗控制的动态充电优化方法，包括下述步骤：
采集基础数据，所述基础数据包括充电停车场基础属性、城市分时电价变化情况、停放车辆情况和电动汽车参数；
构建第一充电策略、第二充电策略和第三充电策略，所述第一充电策略以充电费用最低为优化目标，对动态到达车辆的充电时段和充电功率进行调整，使得车辆在低电价时段充电；
所述第二充电策略以充电负载峰值最小为优化目标，
所述第三充电策略以减少充电峰值为优化目标，预测车辆动态到达；
根据选择的充电策略，对应计算出当前充电策略下所需要的充电费用与电力负载情况。
作为优选的技术方案，所述充电停车场基础属性包括充电停车场的车位数目，所述城市分时电价变化情况包括目标城市用电费用随时间变化的情况，所述停放车辆情况包括车辆的到达时刻、离开时刻和所充电量，所述电动汽车参数包括车辆最大充电限制功率和车辆电池容量。
作为优选的技术方案，所述第一充电策略的具体构建过程为：
输入CRk、Ek、
Figure BDA0002650313630000021
四个参数，其中，CRk表示第k辆车的最大充电限制功率，Ek表示第k辆车所需充电电量，
Figure BDA0002650313630000022
表示车辆的到达时刻，
Figure BDA0002650313630000023
表示车辆的离开时刻；
根据
Figure BDA0002650313630000024
计算时间窗数量N，并逐一进行编号，所述时间窗数量N的计算公式为：
Figure BDA0002650313630000025
利用线性规划算法进行求解，生成第k辆车的充电计划，对于动态到达的车辆k，对当前车辆进行最优化求解，则能达到总电费最低的目标，得到对应的线性规划模型；
最小化车辆k的充电费用：
Figure BDA0002650313630000026
Figure BDA0002650313630000027
每一个时间窗所充电量的总和：
Figure BDA0002650313630000028
其中，Pki为决策变量，表示车辆k在第i个时间窗的充电功率，Pki是车辆充电计划向量
Figure BDA0002650313630000031
在第i个时间窗的分量，表示车辆k在第i个时间窗的充电功率，ΔT为时间窗的时间长度，ci为第i个时间窗对应的电费单价。
作为优选的技术方案，所述第二充电策略的具体构建过程为：
获取到达车辆k的充电参数CRk、Ek、
Figure BDA0002650313630000032
CRk为第k辆车的最大充电限制功率，Ek为第k辆车所需充电电量，
Figure BDA0002650313630000033
是车辆的到达时刻，
Figure BDA0002650313630000034
是车辆的离开时刻；
根据
Figure BDA0002650313630000035
计算时间窗数量N，并逐一进行编号，时间窗的数量为：
Figure BDA0002650313630000036
获取各个时间窗对应的系统负荷Di；
运用线性规划进行优化计算，得到车辆k的充电计划，得到线性规划模型；
目标函数表示为：
min L
Figure BDA0002650313630000037
车辆k在每一个时间窗所充电量的总和：
Figure BDA0002650313630000038
Figure BDA0002650313630000039
其中，Pki表示决策变量，L表示充电系统的负荷峰值，Di是系统负荷向量
Figure BDA00026503136300000310
在第i个时间窗的分量，表示系统在第i个时间窗的负荷，Pki是车辆充电计划向量
Figure BDA00026503136300000311
在第i个时间窗的分量，表示车辆k在第i个时间窗的充电功率，CRk表示第k辆车的最大充电限制功率，Ek表示第k辆车所需充电电量；
根据车辆充电计划，更新系统负荷
Figure BDA00026503136300000312
作为优选的技术方案，所述第三充电策略的具体构建过程为：
获取到达车辆k充电参数CRk、Ek、
Figure BDA00026503136300000313
CRk为第k辆车的最大充电限制功率，Ek为第k辆车所需充电电量，
Figure BDA00026503136300000314
是车辆的到达时刻，
Figure BDA00026503136300000315
是车辆的离开时刻；
根据历史数据，预测前瞻时间范围内到达的m辆车的参数CRj、Ej、
Figure BDA00026503136300000316
在当前车辆到达时刻后的下一时间窗开始对时间窗进行编号直至所有车辆的最大离开时刻；
对m+1辆车，建立相应数学模型，运用基于网络流计划和二分搜索的启发式算法进行优化计算，得到车辆k充电计划；
目标函数为最小化负荷峰值，表示为：
min L；
Figure BDA0002650313630000041
每辆车在各时间窗所充电量的总和：
Figure BDA0002650313630000042
若在时间窗i时车辆j与充电桩相连接，则决策变量Pji不超过车辆最大充电限制功率CRj，若在时间窗i时车辆j未连接充电桩，则决策变量Pji为零，具体表示为：
Figure BDA0002650313630000043
L表示充电系统的负荷峰值，Di是系统负荷向量
Figure BDA0002650313630000044
在第i个时间窗的分量，表示系统在第i个时间窗的负荷，Pji为决策变量，表示车辆j在第i个时间窗的负荷功率，Ej表示车辆j所需充电电量，CRj表示车辆j的最大充电功率，STATUSji表示车辆j是否停放在停车场充电；
根据车辆k充电计划，更新系统负荷
Figure BDA0002650313630000045
作为优选的技术方案，所述根据历史数据，预测前瞻时间范围内到达的m辆车的参数CRj、Ej、
Figure BDA0002650313630000046
具体步骤包括：
获取到达车辆k充电参数CRk、Ek、
Figure BDA0002650313630000047
获取前瞻时间内m辆车的到达时间
Figure BDA0002650313630000048
对于每辆预测车辆j，获取历史数据中
Figure BDA0002650313630000049
所处时段内到达的车辆，计算历史车辆的平均需充电量、平均停放时长，以及车辆限制功率的众数；
将历史车辆的平均需充电量、平均停放时长、车辆限制功率的众数作为预测车辆j的充电参数，得到参数CRj、Ej、
Figure BDA00026503136300000410
作为优选的技术方案，所述运用基于网络流计划和二分搜索的启发式算法进行优化计算，具体步骤包括：
在负载L给定的情况下，判断该负载值是否能够满足车辆的充电需求，同时对充电功率Pji进行分配；
对于动态到达的车辆k以及预测车辆k+1,k+2,…,k+m，将充电过程构建为网络流模型；
所述网络流模型中设有起点、车辆节点、时间窗节点和终点，起点到车辆节点弧上的流量，代表车辆的数值代表车辆所需电量不超过第k辆车所需充电电量；车辆k到时间窗口的弧表示车辆的停放时间范围为各个时间窗节点的时间范围；
弧上的数值表示车辆在各个时间窗的充电量不高于车辆限制功率与时间窗时间长度的乘积；
时间窗节点到终点的弧的容量表示各个时间窗的充电量不能超过最大负载与各个时间窗负载的差值与时间窗时间长度的乘积。
为了到达上述第二目的，本发明采用以下技术方案：
一种基于分时电价和能耗控制的动态充电优化系统，包括：基础数据采集模块、充电策略构建模块和充电计算模块；
所述基础数据采集模块用于采集基础数据，所述基础数据包括充电停车场基础属性、城市分时电价变化情况、停放车辆情况和电动汽车参数；
所述充电策略构建模块用于构建第一充电策略、第二充电策略和第三充电策略，所述第一充电策略以充电费用最低为优化目标，对动态到达车辆的充电时段和充电功率进行调整，使得车辆在低电价时段充电；
所述第二充电策略以充电负载峰值最小为优化目标，
所述第三充电策略以减少充电峰值为优化目标，预测车辆动态到达；
所述充电计算模块用于根据选择的充电策略，对应计算出当前充电策略下所需要的充电费用与电力负载情况。
为了到达上述第三目的，本发明采用以下技术方案：
一种存储介质，存储有程序，所述程序被处理器执行时实现上述基于分时电价和能耗控制的动态充电优化方法。
为了到达上述第四目的，本发明采用以下技术方案：
一种计算设备，包括处理器和用于存储处理器可执行程序的存储器，所述处理器执行存储器存储的程序时，实现上述基于分时电价和能耗控制的动态充电优化方法。
本发明与现有技术相比，具有如下优点和有益效果：
(1)在分时电价的背景下，本发明合理安排车辆充电的时段以及相应的充电功率，使停车场充电成本最小化，同时，避免电网负载功率在短时间内过高，使电网负载均衡。
(2)本发明对于电动汽车停车场的充电顺序进行了有序规划，能够给出符合优化目标的充电计划，能够在分时电价和车辆动态到达的条件下，降低充电成本、降低线网负载压力。
(3)本发明所提出的算法具有鲁棒性和极高的实践价值，具有运算速度快，性能高且稳定的特点；
(4)本发明所提出的充电策略，能够有效缓解电动汽车充电所带来的线网压力，有利于电动汽车的进一步普及和城市供电线网的长寿命使用。
附图说明
图1为本实施例1基于分时电价和能耗控制的动态充电优化方法的流程示意图；
图2为本实施例1城市商业用电峰谷分时电价波动示例图；
图3为本实施例1车辆到达时刻分布示意图；
图4为本实施例1车辆停放时长分布示意图；
图5为本实施例1到达车辆所需电量分布图；
图6为本实施例1第一充电策略的构建流程图；
图7为本实施例1第二充电策略的构建流程图；
图8为本实施例1第三充电策略的构建流程图；
图9为本实施例1第三充电策略充电过程的网络流模型示意图；
图10(a)为本实施例1随到随充充电模式的充电计划图；
图10(b)为本实施例1第一充电策略的充电计划图；
图10(c)为本实施例1第二充电策略的充电计划图；
图10(d)为本实施例1第三充电策略的充电计划图；
图11为本实施例1不同充电模式下的电网总功率对比及电价波动图；
图12为本实施例1第一充电策略相对于随到随充充电模式的充电费用节约比例箱型图；
图13为本实施例1第三充电策略相对于随到随充充电模式的充电功率节约比例箱型图；
图14为本实施例1第三充电策略相对于第二充电策略的充电功率节约比例箱型图；
图15为本实施例1电网总功率对比图；
图16为本实施例1不同前瞻时间、需求、高峰到达比例下的误差率箱线图；
图17为本实施例1动态充电优化方法与遗传算法的运算时间对比图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
实施例1
如图1所示，本实施例提供一种基于分时电价和能耗控制的动态充电优化方法，包括下述步骤：
S1、基础数据采集，所属基础数据采集包括充电停车场基础属性、城市分时电价变化情况、停放车辆情况、电动汽车参数四个部分。其中，充电停车场基础属性主要包括充电停车场的车位数目；城市分时电价变化情况主要指的是目标城市用电费用随时间变化的情况；停放车辆情况主要包括车辆的到达时刻、离开时刻、所充电量；电动汽车参数主要指的是车辆最大充电限制功率、车辆电池容量、车辆品牌、型号等；
如图2所示，本实施例以广州市中信大厦(Citic Plaza)为例对模型进行仿真，该停车场所采用的城市商业用电峰谷分时电价标准(广州市)。由图中可知，电价在晚上24：00至第二天早上8：00的价格最低，随着新的一天到来，电网负荷逐渐增加，电力公司也对电价进行相应的调整，8：00至14：00是电价平峰期；14：00至17：00，电价处于较高水平，之后的2小时电价有所下降，但是19：00至22：00电价水平较高，之后电价下降，22：00至24：00，电价处于平峰期一天内的波动到此结束。
为了模拟动态车辆到达，假设电动汽车在工作日期间到达停车场的时间特征与目前传统汽车相同。通过对现有停车场中传统燃油车辆到达时间规律的总结分析，得到通勤车辆的到达服从均值为9(h)，方差为0.5(h)的正态分布N(9,0.5)，其它车辆的到达服从均匀分布U(0,24)。如图3所示，模拟生成电动汽车的到达时刻的分布；
基于上下班通勤车辆的停车时长特征，假设上下班车辆的停放时长服从均值为8(h)，方差为0.5(h)的正态分布N(8,0.5)，如图4所示，得到车辆的停放时长分布图；
结合相关研究，如下表1所示，给出了几款目前我国主流的电动汽车的技术参数，可以得出每种汽车的最大限制充电功率。各个品牌电动汽车销量有一个比例，因此在仿真时假定到达车辆的车辆品牌的概率与该比例一致。
表1主流的电动汽车的技术参数表
Figure BDA0002650313630000071
电动汽车百公里耗电量为15～20千瓦时，从下午离开公司开始计算，到第二天早上到达公司，平均行驶距离为36～40km。如图5所示，根据该关系折算出到达车辆的所需电量假定服从均匀分布U(5.4,8)；
由于广州市中信广场停车场共设计有900个停车位，因此假定高、中、低等级需求情况下全天共到达的车辆数分别为900、600和300辆。本实施例模拟生成了车辆在低需求、中需求、高需求的情况下、高峰到达的通勤车辆与全天到达所有车辆的比值从10％上升到90％的过程中共30天的数据。
S2、充电策略选择：根据城市中电动车辆充电问题，存在两种电动汽车停车场动态优化目标，分别是充电费用最低和负载峰值最低；对应这两种目标，存在第一充电策略、第二充电策略、第三充电策略，共三种充电策略可供选择，其中第一充电策略为以充电费用最低为优化目标的电动汽车停车场动态充电策略、第二充电策略为以充电负载峰值最小为优化目标的电动汽车停车场动态充电策略、第三充电策略为以减少充电峰值为优化目标、预测车辆动态到达为特点的基于分时电价和能耗控制的电动汽车停车场动态充电策略；
在本实施例中，为了展示了三种策略的运行效果，将分别选用三种目标进行计算，建立模型分别如下：
如图6所示，第一充电策略：总电费最低策略通过对动态到达车辆的充电时段和充电功率进行调整，使得车辆在低电价时段充电，当车辆到达后，用户需要输入离开时刻，智能充电系统将自动收集用户输入的车辆离开时刻信息以及当前时刻信息、需充电量信息以及最大充电限制功率信息，运用该策略求解得到当前车辆充电计划，并对该车辆进行充电，具体为：
将CRk、Ek、
Figure BDA0002650313630000081
四个参数输入至智能充电系统，CRk为第k辆车的最大充电限制功率；Ek为第k辆车所需充电电量；
Figure BDA0002650313630000082
是车辆的到达时刻、
Figure BDA0002650313630000083
是车辆的离开时刻；
根据
Figure BDA0002650313630000084
计算时间窗数量N，并逐一进行编号，将一天划分为若干个以ΔT为时间长度的时间窗。当车辆k到达时，系统获取车辆的到达时刻
Figure BDA0002650313630000085
离开时刻
Figure BDA0002650313630000086
在车辆到达时刻后的下一时间窗开始对时间窗进行编号直至离开时刻，对于车辆k，时间窗的数量如下所示：
Figure BDA0002650313630000087
利用线性规划算法进行求解，生成第k辆车的充电计划；
对于动态到达的车辆k，只需对当前车辆进行最优化求解，则能达到总电费最低的目标。对于当前车辆，有以下的线性规划模型：
Figure BDA0002650313630000088
Figure BDA0002650313630000089
Figure BDA00026503136300000810
其中式(2)表示最小化车辆k的充电费用，其值等于车辆k在各个时间窗的充电电量与在该时间窗的电费单价的乘积之和，Pki为决策变量，表示车辆k在第i个时间窗的充电功率；式(3)表示决策变量Pki不可以超过最大充电限制功率；式(4)表示每一个时间窗所充电量的总和等于第k辆车所需充电电量。Pki是车辆充电计划向量
Figure BDA0002650313630000091
在第i个时间窗的分量，表示车辆k在第i个时间窗的充电功率；ΔT为时间窗的时间长度；ci为第i个时间窗对应的电费单价；N为时间窗的个数；CRk为第k辆车的最大充电限制功率；Ek为第k辆车所需充电电量。
如图7所示，第二充电策略：
获取到达车辆k的充电参数CRk、Ek、
Figure BDA0002650313630000092
CRk为第k辆车的最大充电限制功率；Ek为第k辆车所需充电电量；
Figure BDA0002650313630000093
是车辆的到达时刻、
Figure BDA0002650313630000094
是车辆的离开时刻。
根据
Figure BDA0002650313630000095
计算时间窗数量N，并逐一进行编号，将一天划分为若干个以ΔT为时间长度的时间窗。当车辆k到达时，系统获取车辆的到达时刻
Figure BDA0002650313630000096
离开时刻
Figure BDA0002650313630000097
在车辆到达时刻后的下一时间窗开始对时间窗进行编号直至离开时刻。对于车辆k，时间窗的数量如下所示：
Figure BDA0002650313630000098
获取各个时间窗对应的系统负荷Di(i∈[1,N])；
运用线性规划进行优化计算，得到车辆k的充电计划；
负荷峰值最低策略可表达为如下线性规划模型：
min L (6)
Figure BDA0002650313630000099
Figure BDA00026503136300000910
Figure BDA00026503136300000911
其中式(6)为目标函数，表示最小化负荷峰值；式(7)表示车辆k在每个时间窗的充电功率与系统在该时间窗的负荷之和不大于负荷峰值；式(8)表示车辆k在每一个时间窗所充电量的总和等于车辆所需充电电量，所有时间窗的时间长度均相等；式(9)表示决策变量Pki不可以超过车辆最大充电限制功率。L表示充电系统的负荷峰值；Di是系统负荷向量
Figure BDA00026503136300000912
在第i个时间窗的分量，表示系统在第i个时间窗的负荷；Pki是车辆充电计划向量
Figure BDA00026503136300000913
在第i个时间窗的分量，表示车辆k在第i个时间窗的充电功率；CRk表示第k辆车的最大充电限制功率；Ek表示第k辆车所需充电电量。
根据车辆充电计划，更新系统负荷
Figure BDA00026503136300000914
如图8所示，第三充电策略：
获取到达车辆k充电参数CRk、Ek、
Figure BDA0002650313630000101
CRk为第k辆车的最大充电限制功率；Ek为第k辆车所需充电电量；
Figure BDA0002650313630000102
是车辆的到达时刻，
Figure BDA0002650313630000103
是车辆的离开时刻。
根据历史数据，预测前瞻时间范围内到达的m辆车的各项参数CRj、Ej、
Figure BDA0002650313630000104
Figure BDA0002650313630000105
首先对前瞻时间范围内未来到达的车辆信息进行预测(包括到达时刻、需充电量和限制功率)，得到预测车辆k+1,k+2,…,k+m。预测步骤如下：
获取到达车辆k充电参数CRk、Ek、
Figure BDA0002650313630000106
获取前瞻时间内m辆车的到达时间
Figure BDA0002650313630000107
对于每辆预测车辆j(j∈[k+1,k+m])，获取历史数据中
Figure BDA0002650313630000108
所处时段内到达的车辆(这个时段的长度一般为15分钟)，计算历史车辆的平均需充电量、平均停放时长，以及车辆限制功率的众数；
将历史车辆的平均需充电量、平均停放时长、车辆限制功率的众数作为预测车辆j的充电参数，得到CRj、Ej、
Figure BDA0002650313630000109
重复上述过程直至完成预测；
对
Figure BDA00026503136300001010
至
Figure BDA00026503136300001011
时间内的时间窗进行编号，获取相应系统负荷
Figure BDA00026503136300001012
时间窗编号则与策略一、策略二相似，在当前车辆到达时刻后的下一时间窗开始对时间窗进行编号直至所有车辆的最大离开时刻。对于车辆k，时间窗的数量如下所示：
Figure BDA00026503136300001013
对上述m+1辆车，建立相应数学模型，并运用基于网络流计划和二分搜索的启发式算法进行优化计算，得到车辆k充电计划。
对于动态到达的车辆k，以及在前瞻时间内到达的m辆车，负荷峰值最低策略可表达为如下数学规划模型：
min L (11)
Figure BDA00026503136300001014
Figure BDA00026503136300001015
Figure BDA00026503136300001016
其中式(11)为目标函数，表示最小化负荷峰值；式(12)表示车辆在每个时间窗内的充电功率与系统在该时间窗的负荷之和不大于系统的负荷峰值；式(13)表示每辆车在各时间窗所充电量的总和等于该车辆所需充电电量；式(14)表示若在时间窗i时车辆j与充电桩相连接，则决策变量Pji不可以超过车辆最大充电限制功率CRj，若在时间窗i时车辆j未连接充电桩，则决策变量Pji为零。L表示充电系统的负荷峰值；Di是系统负荷向量
Figure BDA0002650313630000111
在第i个时间窗的分量，表示系统在第i个时间窗的负荷；Pji为决策变量，表示车辆j在第i个时间窗的负荷功率；Ej表示车辆j所需充电电量；CRj表示车辆j的最大充电功率；STATUSji表示车辆j是否停放在停车场，若是STATUSji＝1，否则，STATUSji＝0。
根据车辆k充电计划，更新系统负荷
Figure BDA0002650313630000112
在负载L给定的情况下，判断该负载值是否能够满足车辆的充电需求，同时对充电功率Pji进行分配。如图9所示，对于动态到达的车辆k以及预测车辆k+1,k+2,…,k+m，可将充电过程抽象为网络流模型：
网络中每条边的数值代表容量，实际流量不超过容量。在网络流模型中，起点到车辆弧上的流量代表车辆的数值代表车辆所需电量不超过Ek；车辆k到时间窗1、时间窗2、时间窗3的弧代表车辆的停放时间范围为时间窗1、时间窗2、时间窗3，弧上的数值代表车辆在各个时间窗的充电量不高于车辆限制功率CRk与时间窗时间长度ΔT的乘积；时间窗到终点的弧的容量代表各个时间窗的充电量不能超过最大负载与各个时间窗系统负载的差值L-Di与时间窗时间长度ΔT的乘积。
在这个网络中，可行流有两个要求：一是每个弧上的流量不能超过该弧的最大通过能力(即弧的容量)。在这个网络中，车辆不会过充，车辆充电功率不会超过车辆设计的最大功率CR，各个时间窗功率不高于当前负载L；二是中间点的流量为零。可运用Ford-Fulkerson最大流算法进行计算。显然，该网络最大流不会超过
Figure BDA0002650313630000113
当该网络的最大流等于
Figure BDA0002650313630000114
则认为车辆充电需求得到满足，当该网络的最大流小于
Figure BDA0002650313630000115
表示在现有负载下，仍存在车辆充电需求无法满足。
S3、计算不同充电策略下充电费用与电力负荷情况，根据选择的充电策略，对应计算出当前充电策略下所需要的充电费用与电力负载情况。
如下表2所示，经过模型运行计算，得到在相同的环境中，分别选择三种充电模式的条件下，充电功率与电费情况：
表2三大充电模式的功率-电费对比表
Figure BDA0002650313630000116
结合策略1、策略2、策略3充电时停车场电网功率的总负荷状况和各个时段的分时电价信息，可以得到各种策略运营状态下，每一辆电动车进行充电的总电费消耗与电力负荷峰值(表2)。从表中可知，相比于随到随充模式，由于策略1可以引导在电价高峰期内到达的车辆在低电价时段进行充电，因而策略1节省的充电费用显著，300辆车共节省电费171.32元，平均每一辆车的充电费用节省比率为13.57％。而策略2、策略3通过调度集中到达的车辆分散至各个时段进行充电，从而降低充电负荷峰值，相比随到随充策略，策略2将系统电力负荷峰值下降了77.09％，策略3将系统电力负荷峰值下降81.45％；相比策略1，使用策略2系统电力负荷峰值下降49.60％，使用策略3系统电力负荷峰值下降59.19％，模型取得的效果较为显著。而在电费支出上面，策略2相比随到随充策略，总成本只增加了14.65％，平均每辆车多支出电费仅0.62元；策略3相比随到随充策略，总成本只增加了12.95％，平均每辆车多支出电费仅0.55元。
策略对比分析：
选取高峰到达的通勤车辆与全天到达所有车辆的比值为50％、低需求等级的一天，分别按照随到随充模式、策略1、策略2、策略3(选取最优前瞻时间)对车辆进行充电模拟，并对不同策略下停车场的电网功率总负荷和充电费用进行对比分析。
如图10(a)、图10(b)、图10(c)和图10(d)所示，通过充电模拟，分别得到随到随充、策略1、策略2、策略3的所有车辆的充电计划，从图中以看出，随到随充模式下车辆充电集中在8时至10时附近，这是因为通勤车辆集中到达并立刻进行充电。而策略1中车辆充电集中在8时至14时、17时至19时以及22时以后，这是因为这些时间段恰好处于电价相对低峰时期，策略1通过调整高电价时期到达的车辆在低电价时期进行充电，从而节省了费用。策略2和策略3则是将高峰到达的车辆分散到各个时间段进行充电，其中策略2车辆充电功率随时间有较大波动，这是因为该策略只考虑当前车辆信息和系统负荷信息，因而车辆的充电功率会随着当前的系统负荷有所波动。与之相比，策略3考虑了未来到达的车辆，因而可以统筹兼顾，使得车辆充电功率曲线较为平缓。
如图11所示，展示了不同策略下停车场的充电总功率对比，可以看出，随到随充模式下充电总功率在8时至10时先快速上升而又迅速下降，而策略1的系统充电功率曲线高峰集中在低电价时段。策略2的充电功率曲线在10时左右到达一个相对高峰然后继续缓慢上升，但是对比随到随充模式充电总功率有明显的下降，这是因为策略2未考虑未来到达车辆的影响，虽然对充电功率有所优化但是仍然无法达到最优。而策略3的曲线相比策略2更加平缓，充电功率也更低，这是因为其考虑了未来车辆的影响后，优化取得更好的效果。
为了进一步验证模型的有效性，下面对不同车辆需求和高峰到达车辆比例下的充电策略相对效益进行灵敏度分析，在车辆低需求、中需求、高需求的情况下，模拟了高峰到达的通勤车辆与全天到达所有车辆的比值从10％上升到90％的过程中，节约充电费用的百分比、电网负荷下降的百分比与高峰到达比例、需求等级的关系。由于广州市中信广场停车场共设计有900个停车位，因此假定高、中等级和低等级需求情况下全天共到达的车辆数分别为900、600和300辆。由于车辆动态到达具有随机性，本节对30天的车辆到达数据分别使用随到随充策略、策略1、策略2、策略3进行仿真模拟，并对不同策略间的费用节省比例、负荷峰值节省比例进行比较。
如图12所示，展示了策略1相对于随到随充的费用节省比例。可以看出，策略1节省的充电费用节省比例(相对随到随充)随高峰车辆比例的增加而降低，这是因为在全天到达车辆总量不变的前提下，高峰期到达的车辆越多，则低峰期到达的车辆越少；而低峰期到达的车辆处于低电价时段，而部分高峰期到达的车辆由于停放时间的限制只能在白天较高电价的时段进行充电，因此低峰期车辆充电费用节省比例大于高峰期车辆费用节省比例，使得策略1节省的充电费用比例随高峰车辆比例的增加而降低。
如图13所示，展示了策略3相对于随到随充的负荷峰值节省比例。可以看出，策略3节省的负荷峰值比例(相对随到随充)随高峰到达比例的增加先上升后不变，这是因为当车辆到达越集中时，充电策略将调整更多的车辆在系统负荷较低时进行充电。当高峰到达比例较大时，系统负荷取决于高峰期车辆，而由于高峰期车辆到达时间范围较短，因而当高峰到达比例增大到一定程度时对系统负荷节省影响减小。
另外，由图13和图14可知，不同需求等级对策略1、策略3的优化效果无显著影响(尤其当高峰到达比例较高时)，这是因为对于相同高峰到达比例，策略1是对于所有车辆的费用进行优化，等同于对每一辆车的费用进行优化再将所有费用进行相加，而每辆车的费用节省比例不随需求等级的变化而发生变化，所以总费用节省比例不随需求等级的变化而发生变化；而策略3能够对所有充电需求进行协同分配，因而需求等级对负荷峰值节省比例影响不大。
如图14所示，展示了策略3相对于策略2的负荷峰值节省比例。可以看出，策略3节省的负荷峰值比例(相对策略2)随高峰车辆比例的增加而降低，随需求等级的增加而上升。这是因为策略2只考虑当前车辆与系统负荷，没有考虑未来车辆的影响，可以认为前瞻时间为0。因此可以得到结论：高峰到达比例越高，最优前瞻时间越短；需求等级越高，最优前瞻时间越长。换句话说，当高峰车辆比例增加或者需求等级下降时，越有利于前瞻时间较短的算法，因此策略2优化效果会越接近于最优前瞻时间下的启发式算法，启发式算法相对于贪心算法的负荷峰值节省比例会越小。
结合图12、图13和图14的误差线可知，节省比例误差随高峰到达比例的增加而减小，随需求等级的增加而减小。这是因为每辆车的到达是一种随机事件，随着车辆数量增多或者高峰到达比例增加时，节省比例会更加趋近于期望值，因此节省比例误差随高峰到达比例的增加而减小；随着高峰到达比例的增加，通勤车辆占全天到达车辆的比例上升，而通勤车辆的到达时间相比低峰期车辆规律性更强，因此全天负荷峰值的波动较小，节省比例误差随需求等级的增加而减小。
稳定性分析：
由于策略3依赖于预测到达车辆信息，而实际运行中预测可能存在误差，为了探讨预测误差对优化效果的影响，本节对策略3的模型进行稳健性分析。为此，这里采用交叉验证的方式，对于不同需求等级、不同高峰到达比例的车辆到达情况，划分80％的数据(1-24天)作为训练集，20％的数据(25-30天)作为测试集。
以低需求、高峰到达比例为50％、第25天为例，通过获取动态到达车辆的信息，根据1-24天的历史数据对前瞻时间内到达的车辆进行预测，并将这些信息输入至优化模型中，输出车辆的充电计划。如图15所示，重复以上过程直至完成当天所有车辆的充电，得到电网总功率对比图。从图中可以看出，具有预测误差的策略3的充电功率曲线在10时附近受到随机扰动而缓慢上升，负荷峰值大于预测完全准确的策略3，但仍低于策略2的负荷峰值。计算可得具有预测误差的滚动优化的电网峰值功率为130.11千瓦，误差率为12.8％。可见，虽然引入一定的预测误差对优化效果有所影响，但模型仍然保持良好的优化效果，这说明模型的稳健性较强。
下面探讨不同需求、不同高峰到达比例对预测性能的影响，如图16所示，分别选取最优前瞻时间的0.25、0.5、0.75、1倍的最优前瞻时间并对模型进行交叉验证，可以得到不同前瞻时间、需求、高峰到达比例下的误差率箱线图。从图中可以看出，相同需求等级、高峰到达比例的条件下，越接近最优前瞻时间，交叉验证的误差率越低，这是因为随着前瞻时间的增加，模型的优化效果越好，与预测完全准确的情形进行比较误差率越低；在相同需求等级、前瞻时间下，高峰到达比例越高，误差率越低，这可能是因为高峰到达比例越高，则通勤车辆占全天到达车辆的比重越大，而通勤车辆由于具有较强的规律性，各项参数的预测将更为准确，预测算法误差较小，因而具有预测误差的滚动优化误差率较低；在相同高峰到达比例、前瞻时间下，需求等级对误差率没有显著影响，这是因为预测误差不随车辆数量的变化而发生变化。
当高峰到达比例较高时，模型的误差率较低(约10％)；而当高峰到达比例较低，模型的误差率较高(约30％)。这说明了在实际运行过程中具有预测误差的情况下，当高峰到达比例较高时，采用策略3具有较低的误差率以及较高的负荷峰值节省比例。
为了验证算法运算性能，将本实施例算法与当前提出的最新算法的运算时间进行比较。以遗传算法(GA)作为基准，在Matlab 2018b、
Figure BDA0002650313630000141
酷睿TM i5-5200U CPU@2.20GHz 8.0GB DDR3环境中实现。考虑峰值到达率为10％且需求水平较低的情况。如图17所示，显示了在不同前瞻时间下五个实例(前五辆到达的车辆)的平均CPU时间。遗传算法的求解时间明显高于本实施例算法，并且当前瞻时间增加时，运算差距增大。在所有情况下，本实施例算法的求解时间仅需不到0.5秒，而遗传算法的求解时间则随着前瞻时间的增加而迅速增加，并且消耗的时间约为10分钟，而预测范围仅为1小时。这表明所提出的算法可以有效地应用于在线收费调度。对比而言，遗传算法不能用于在线调度，因为几乎不可能在合理的时间内获得最佳结果，尤其是在需求量大且预见时间长的情况下。此外，本实施例算法的稳定性比遗传算法的稳定性要强得多。
总体而言，本实施例提出了三种动态有序充电优化策略，克服了以往研究仅适用于静态停放车辆的不足。对于策略1，引入贪心机制并对其最优性进行证明，随后建立了线性规划模型并运用标准线性规划算法进行求解。对于策略2，同样运用贪心机制对负荷峰值最低问题进行解决，但无法保证得到全局最优；因此在策略3中对未来车辆信息进行考虑，并提出了基于网络流计划和二分搜索的启发式算法。
实施例2
本实施例提供一种基于分时电价和能耗控制的动态充电优化系统，包括：基础数据采集模块、充电策略构建模块和充电计算模块；
在本实施例中，基础数据采集模块用于采集基础数据，所述基础数据包括充电停车场基础属性、城市分时电价变化情况、停放车辆情况和电动汽车参数；
在本实施例中，充电策略构建模块用于构建第一充电策略、第二充电策略和第三充电策略，所述第一充电策略以充电费用最低为优化目标，对动态到达车辆的充电时段和充电功率进行调整，使得车辆在低电价时段充电；
在本实施例中，第二充电策略以充电负载峰值最小为优化目标，
在本实施例中，第三充电策略以减少充电峰值为优化目标，预测车辆动态到达；
在本实施例中，充电计算模块用于根据选择的充电策略，对应计算出当前充电策略下所需要的充电费用与电力负载情况。
实施例3
本实施例提供一种存储介质，存储介质可以是ROM、RAM、磁盘、光盘等储存介质，该存储介质存储有一个或多个程序，所述程序被处理器执行时，实现上述实施例1的基于分时电价和能耗控制的动态充电优化方法。
实施例4
本实施例提供一种计算设备，所述的计算设备可以是台式电脑、笔记本电脑、智能手机、PDA手持终端、平板电脑或其他具有显示功能的终端设备，该计算设备包括该计算设备包括处理器和存储器，存储器存储有一个或多个程序，处理器执行存储器存储的程序时，实现上述实施例1的基于分时电价和能耗控制的动态充电优化方法。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (8)

1.一种基于分时电价和能耗控制的动态充电优化方法，其特征在于，包括下述步骤：
采集基础数据，所述基础数据包括充电停车场基础属性、城市分时电价变化情况、停放车辆情况和电动汽车参数；
构建第一充电策略、第二充电策略和第三充电策略，所述第一充电策略以充电费用最低为优化目标，对动态到达车辆的充电时段和充电功率进行调整，使得车辆在低电价时段充电；
所述第二充电策略以充电负载峰值最小为优化目标，
所述第三充电策略以减少充电峰值为优化目标，预测车辆动态到达；
所述第三充电策略的具体构建过程为：
获取到达车辆k充电参数CRk、Ek、
Figure FDA0003595448970000011
CRk为第k辆车的最大充电限制功率，Ek为第k辆车所需充电电量，
Figure FDA0003595448970000012
是车辆的到达时刻，
Figure FDA0003595448970000013
是车辆的离开时刻；
根据历史数据，预测前瞻时间范围内到达的m辆车的参数CRj、Ej、
Figure FDA0003595448970000014
在当前车辆到达时刻后的下一时间窗开始对时间窗进行编号直至所有车辆的最大离开时刻；
对m+1辆车，建立相应数学模型，运用基于网络流计划和二分搜索的启发式算法进行优化计算，得到车辆k充电计划；
所述运用基于网络流计划和二分搜索的启发式算法进行优化计算，具体步骤包括：
在负载L给定的情况下，判断该负载值是否能够满足车辆的充电需求，同时对充电功率Pji进行分配；
对于动态到达的车辆k以及预测车辆k+1,k+2,…,k+m，将充电过程构建为网络流模型；
所述网络流模型中设有起点、车辆节点、时间窗节点和终点，起点到车辆节点弧上的流量，代表车辆的数值代表车辆所需电量不超过第k辆车所需充电电量；车辆k到时间窗口的弧表示车辆的停放时间范围为各个时间窗节点的时间范围；
弧上的数值表示车辆在各个时间窗的充电量不高于车辆限制功率与时间窗时间长度的乘积；
时间窗节点到终点的弧的容量表示各个时间窗的充电量不能超过最大负载与各个时间窗负载的差值与时间窗时间长度的乘积；
目标函数为最小化负荷峰值，表示为：
minL；
Figure FDA0003595448970000021
每辆车在各时间窗所充电量的总和：
Figure FDA0003595448970000022
ΔT表示时间窗的时间长度，若在时间窗i时车辆j与充电桩相连接，则决策变量Pji不超过车辆最大充电限制功率CRj，若在时间窗i时车辆j未连接充电桩，则决策变量Pji为零，具体表示为：
Figure FDA0003595448970000023
L表示充电系统的负荷峰值，Di是系统负荷向量
Figure FDA0003595448970000024
在第i个时间窗的分量，表示系统在第i个时间窗的负荷，Pji为决策变量，表示车辆j在第i个时间窗的负荷功率，Ej表示车辆j所需充电电量，CRj表示车辆j的最大充电功率，STATUSji表示车辆j是否停放在停车场充电；
根据车辆k充电计划，更新系统负荷
Figure FDA0003595448970000025
根据选择的充电策略，对应计算出当前充电策略下所需要的充电费用与电力负载情况。
2.根据权利要求1所述的基于分时电价和能耗控制的动态充电优化方法，其特征在于，所述充电停车场基础属性包括充电停车场的车位数目，所述城市分时电价变化情况包括目标城市用电费用随时间变化的情况，所述停放车辆情况包括车辆的到达时刻、离开时刻和所充电量，所述电动汽车参数包括车辆最大充电限制功率和车辆电池容量。
3.根据权利要求1所述的基于分时电价和能耗控制的动态充电优化方法，其特征在于，所述第一充电策略的具体构建过程为：
输入CRk、Ek、
Figure FDA0003595448970000031
四个参数，其中，CRk表示第k辆车的最大充电限制功率，Ek表示第k辆车所需充电电量，
Figure FDA0003595448970000032
表示车辆的到达时刻，
Figure FDA0003595448970000033
表示车辆的离开时刻；
根据
Figure FDA0003595448970000034
计算时间窗数量N，并逐一进行编号，所述时间窗数量N的计算公式为：
Figure FDA0003595448970000035
利用线性规划算法进行求解，生成第k辆车的充电计划，对于动态到达的车辆k，对当前车辆进行最优化求解，则能达到总电费最低的目标，得到对应的线性规划模型；
最小化车辆k的充电费用：
Figure FDA0003595448970000036
0≤Pki≤CRk,
Figure FDA0003595448970000037
每一个时间窗所充电量的总和：
Figure FDA0003595448970000041
其中，Pki为决策变量，表示车辆k在第i个时间窗的充电功率，Pki是车辆充电计划向量
Figure FDA0003595448970000042
在第i个时间窗的分量，表示车辆k在第i个时间窗的充电功率，ΔT为时间窗的时间长度，ci为第i个时间窗对应的电费单价。
4.根据权利要求1所述的基于分时电价和能耗控制的动态充电优化方法，其特征在于，所述第二充电策略的具体构建过程为：
获取到达车辆k的充电参数CRk、Ek、
Figure FDA0003595448970000043
CRk为第k辆车的最大充电限制功率，Ek为第k辆车所需充电电量，
Figure FDA0003595448970000044
是车辆的到达时刻，
Figure FDA0003595448970000045
是车辆的离开时刻；
根据
Figure FDA0003595448970000046
计算时间窗数量N，并逐一进行编号，时间窗的数量为：
Figure FDA0003595448970000047
获取各个时间窗对应的系统负荷Di；
运用线性规划进行优化计算，得到车辆k的充电计划，得到线性规划模型；
目标函数表示为：
minL
Di+Pki≤L，
Figure FDA0003595448970000048
车辆k在每一个时间窗所充电量的总和：
Figure FDA0003595448970000049
0≤Pki≤CRk,
Figure FDA00035954489700000410
其中，Pki表示决策变量，表示充电系统的负荷峰值，Di是系统负荷向量
Figure FDA00035954489700000411
在第i个时间窗的分量，表示系统在第i个时间窗的负荷，Pki是车辆充电计划向量
Figure FDA00035954489700000412
在第i个时间窗的分量，表示车辆k在第i个时间窗的充电功率，CRk表示第k辆车的最大充电限制功率，Ek表示第k辆车所需充电电量；
根据车辆充电计划，更新系统负荷
Figure FDA0003595448970000051
5.根据权利要求1所述的基于分时电价和能耗控制的动态充电优化方法，其特征在于，所述根据历史数据，预测前瞻时间范围内到达的m辆车的参数CRj、Ej、
Figure FDA0003595448970000052
具体步骤包括：
获取到达车辆k充电参数CRk、Ek、
Figure FDA0003595448970000053
获取前瞻时间内m辆车的到达时间
Figure FDA0003595448970000054
对于每辆预测车辆j，获取历史数据中
Figure FDA0003595448970000055
所处时段内到达的车辆，计算历史车辆的平均需充电量、平均停放时长，以及车辆限制功率的众数；
将历史车辆的平均需充电量、平均停放时长、车辆限制功率的众数作为预测车辆j的充电参数，得到参数CRj、Ej、
Figure FDA0003595448970000056
6.一种基于分时电价和能耗控制的动态充电优化系统，其特征在于，包括：基础数据采集模块、充电策略构建模块和充电计算模块；
所述基础数据采集模块用于采集基础数据，所述基础数据包括充电停车场基础属性、城市分时电价变化情况、停放车辆情况和电动汽车参数；
所述充电策略构建模块用于构建第一充电策略、第二充电策略和第三充电策略，所述第一充电策略以充电费用最低为优化目标，对动态到达车辆的充电时段和充电功率进行调整，使得车辆在低电价时段充电；
所述第二充电策略以充电负载峰值最小为优化目标，
所述第三充电策略以减少充电峰值为优化目标，预测车辆动态到达；
所述第三充电策略的具体构建过程为：
获取到达车辆k充电参数CRk、Ek、
Figure FDA0003595448970000057
CRk为第k辆车的最大充电限制功率，Ek为第k辆车所需充电电量，
Figure FDA0003595448970000058
是车辆的到达时刻，
Figure FDA0003595448970000059
是车辆的离开时刻；
根据历史数据，预测前瞻时间范围内到达的m辆车的参数CRj、Ej、
Figure FDA0003595448970000061
在当前车辆到达时刻后的下一时间窗开始对时间窗进行编号直至所有车辆的最大离开时刻；
对m+1辆车，建立相应数学模型，运用基于网络流计划和二分搜索的启发式算法进行优化计算，得到车辆k充电计划；
所述运用基于网络流计划和二分搜索的启发式算法进行优化计算，具体步骤包括：
在负载L给定的情况下，判断该负载值是否能够满足车辆的充电需求，同时对充电功率Pji进行分配；
对于动态到达的车辆k以及预测车辆k+1,k+2,…,k+m，将充电过程构建为网络流模型；
所述网络流模型中设有起点、车辆节点、时间窗节点和终点，起点到车辆节点弧上的流量，代表车辆的数值代表车辆所需电量不超过第k辆车所需充电电量；车辆k到时间窗口的弧表示车辆的停放时间范围为各个时间窗节点的时间范围；
弧上的数值表示车辆在各个时间窗的充电量不高于车辆限制功率与时间窗时间长度的乘积；
时间窗节点到终点的弧的容量表示各个时间窗的充电量不能超过最大负载与各个时间窗负载的差值与时间窗时间长度的乘积；
目标函数为最小化负荷峰值，表示为：
minL；
Figure FDA0003595448970000062
每辆车在各时间窗所充电量的总和：
Figure FDA0003595448970000071
若在时间窗i时车辆j与充电桩相连接，则决策变量Pji不超过车辆最大充电限制功率CRj，若在时间窗i时车辆j未连接充电桩，则决策变量Pji为零，具体表示为：
Figure FDA0003595448970000072
L表示充电系统的负荷峰值，Di是系统负荷向量
Figure FDA0003595448970000073
在第i个时间窗的分量，表示系统在第i个时间窗的负荷，Pji为决策变量，表示车辆j在第i个时间窗的负荷功率，Ej表示车辆j所需充电电量，CRj表示车辆j的最大充电功率，STATUSji表示车辆j是否停放在停车场充电；
根据车辆k充电计划，更新系统负荷
Figure FDA0003595448970000074
所述充电计算模块用于根据选择的充电策略，对应计算出当前充电策略下所需要的充电费用与电力负载情况。
7.一种存储介质，存储有程序，其特征在于，所述程序被处理器执行时实现如权利要求1-5任一项所述的基于分时电价和能耗控制的动态充电优化方法。
8.一种计算设备，包括处理器和用于存储处理器可执行程序的存储器，其特征在于，所述处理器执行存储器存储的程序时，实现权利要求1-5任一项所述的基于分时电价和能耗控制的动态充电优化方法。
CN202010868094.XA 2020-08-26 2020-08-26 基于分时电价和能耗控制的动态充电优化方法及其应用 Expired - Fee Related CN112101637B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010868094.XA CN112101637B (zh) 2020-08-26 2020-08-26 基于分时电价和能耗控制的动态充电优化方法及其应用

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010868094.XA CN112101637B (zh) 2020-08-26 2020-08-26 基于分时电价和能耗控制的动态充电优化方法及其应用

Publications (2)

Publication Number Publication Date
CN112101637A CN112101637A (zh) 2020-12-18
CN112101637B true CN112101637B (zh) 2022-06-14

Family

ID=73753453

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010868094.XA Expired - Fee Related CN112101637B (zh) 2020-08-26 2020-08-26 基于分时电价和能耗控制的动态充电优化方法及其应用

Country Status (1)

Country Link
CN (1) CN112101637B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112700136A (zh) * 2020-12-31 2021-04-23 小犀新能源科技(南京)有限公司 一种电动汽车充电起止时间的推荐方法及装置
CN112906983B (zh) * 2021-03-22 2022-10-21 吉林大学 一种考虑分时电价影响的电动公交车充电方案优化方法
CN113096320A (zh) * 2021-05-19 2021-07-09 安徽中科美络信息技术有限公司 车辆充电停车方案确定方法、服务器及存储介质
CN115447432B (zh) * 2022-09-28 2024-03-12 上海邻里邻外信息科技有限公司 一种基于不同需求的充电方法及装置
CN117933668B (zh) * 2024-03-21 2024-07-02 杭州育恩科技有限公司 基于电网负荷与电价的智慧停车场充电调度方法及系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110334903A (zh) * 2019-05-29 2019-10-15 河北科技大学 基于背包算法的电动汽车充电调度方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103280856B (zh) * 2013-05-28 2015-02-18 清华大学 适用于多个充电站的电动汽车有序充电协调控制方法
CN105429218B (zh) * 2015-12-08 2018-04-06 上海电器科学研究院 一种电动汽车群有序充电管理的分布式控制方法
CN107180272B (zh) * 2017-04-28 2018-11-02 华南理工大学 基于能耗控制的电动汽车停车场充电方法
CN109214095B (zh) * 2018-09-13 2023-04-07 云南民族大学 电动汽车充放电多目标优化调度方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110334903A (zh) * 2019-05-29 2019-10-15 河北科技大学 基于背包算法的电动汽车充电调度方法

Also Published As

Publication number Publication date
CN112101637A (zh) 2020-12-18

Similar Documents

Publication Publication Date Title
CN112101637B (zh) 基于分时电价和能耗控制的动态充电优化方法及其应用
Yang et al. Computational scheduling methods for integrating plug-in electric vehicles with power systems: A review
Humayd et al. Distribution system planning to accommodate distributed energy resources and PEVs
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
CN107521365B (zh) 一种基于用户经济收益最优化的电动汽车充放电调度方法
CN114919433B (zh) 电动汽车集群充放电控制方法、系统及相关设备
CN103679299A (zh) 兼顾车主满意度的电动汽车最优峰谷分时电价定价方法
CN107730048B (zh) 一种风电-电动汽车联合系统随机鲁棒优化调度方法
CN114282821B (zh) 一种共享电动汽车的调度方法、系统及设备
CN113487131B (zh) 一种基于充电需求和储能调节的站网互动方法
WO2023049998A1 (en) Electric vehicle fleet charging and energy management system
CN114204580A (zh) 一种电动汽车聚合商基于调频的实时调控方法及计算装置
CN110826801B (zh) 电动车充电站分布式电能管理方法
CN116316567A (zh) 一种阶梯碳交易机制下综合能源需求响应优化方法
CN114944661A (zh) 一种基于储能系统滚动优化的微电网三阶段优化控制方法
TWI769074B (zh) 利用區塊鏈的電動車充電站管理方法
Heilmann et al. How much smart charging is smart?
Chiş et al. Optimization of plug-in electric vehicle charging with forecasted price
CN117543581A (zh) 考虑电动汽车需求响应的虚拟电厂优化调度方法及其应用
CN112736941A (zh) 一种基于移动储能电动汽车的可调度容量预测方法及装置
TWI725606B (zh) 電動車充電站分散式電能管理方法
CN117537833A (zh) 基于充电约束的电动汽车运输路径规划方法、系统及终端
CN112101624A (zh) 一种基于arima的电动汽车随机充电需求预测及调度方法
CN116476665A (zh) 换电站的电池充电方法、装置、换电站及存储介质
CN111216586A (zh) 考虑风电消纳的居民小区电动汽车有序充电控制方法

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20220614