CN112257897A - 基于改进多目标粒子群的电动汽车充电优化方法和系统 - Google Patents
基于改进多目标粒子群的电动汽车充电优化方法和系统 Download PDFInfo
- Publication number
- CN112257897A CN112257897A CN202010982645.5A CN202010982645A CN112257897A CN 112257897 A CN112257897 A CN 112257897A CN 202010982645 A CN202010982645 A CN 202010982645A CN 112257897 A CN112257897 A CN 112257897A
- Authority
- CN
- China
- Prior art keywords
- electric vehicle
- charging
- particles
- particle
- optimal
- 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.)
- Granted
Links
- 239000002245 particle Substances 0.000 title claims abstract description 318
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000005457 optimization Methods 0.000 title claims abstract description 57
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 77
- 230000006870 function Effects 0.000 claims description 18
- 238000002955 isolation Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000035772 mutation Effects 0.000 claims description 8
- 229920006395 saturated elastomer Polymers 0.000 claims description 8
- 238000010586 diagram Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 4
- 238000003860 storage Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 244000144992 flock Species 0.000 description 1
- 230000002431 foraging effect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明提供了一种基于改进多目标粒子群的电动汽车充电优化方法和系统，包括：获取电动汽车充电信息和电网负荷信息的数据输入到预先建立的电动汽车充电策略模型；采用多目标粒子群算法和小生境算法对电动汽车充电策略模型求解，得到各个时段电动汽车充电最优策略；基于各个时段电动汽车充电最优策略得到全时段电动汽车的充电最优充电策略；其中，所述电动汽车充电模型是基于充电费用最小和电网负荷方差最小建立的，所述电动汽车充电模型包括多个分别与电动汽车在各时刻内的充电功率对应的粒子。本发明可以大幅度降低充电费用和平滑电网负荷曲线，提高了电动汽车充电的稳定性和准确性。
Description
技术领域
本发明属于电力企业管理领域，尤其是涉及一种基于改进多目标粒子群的电动汽车充电优化方法和系统。
背景技术
随着供给侧结构性和电力体制的变化的逐步深入，加强电力需求侧管理已成为完善电力供需平衡机制、优化能源消费结构、促进可再生能源消纳和提升智能用电水平的重要支撑。
然而，大规模电动汽车在接入电网进行无序充电时也极易对电力系统的安全稳定运行造成影响。相关研究已经表明，电动汽车在没有相关组织机构进行规范的情况下，其充放电行为容易增大电网的负荷峰谷差和损耗，同时也会缩短变压器等电力设备的使用周期，从而不利于电网的稳定运行。因此，研究电动汽车最优的充电策略，正确引导电动汽车有序充放电，既可以大幅度地降低电动汽车用户充电费用，同时又能够有效地平滑电网负荷曲线，对电网安全稳定、经济运行具有重要的现实意义。
多目标粒子群优化算最初是在对动物集群活动行为观察基础上，利用群体中的个体对信息的共享使整个群体的运动在问题求解空间中产生从无序到有序的演化过程，从而获得最优解。对于现有的多目标粒子算法来说虽然它搜索速度快、效率高、算法简单，但是对于离散的优化问题处理不佳，容易陷入局部最优等一些问题导致他寻优速度和准备性方面受到一定的影响。
发明内容
为克服上述现有技术的不足，本发明提出一种基于改进多目标粒子群的电动汽车充电优化方法，包括：
获取电动汽车充电信息和电网负荷信息的数据输入到预先建立的电动汽车充电策略模型；
采用多目标粒子群算法和小生境算法对电动汽车充电策略模型求解，得到各个时段电动汽车充电最优策略；
基于各个时段电动汽车充电最优策略得到全时段电动汽车的充电最优充电策略；
其中，所述电动汽车充电模型是基于充电费用最小和电网负荷方差最小建立的,所述电动汽车充电模型包括多个分别与电动汽车在各时刻内的充电功率对应的粒子。
优选的，所述采用多目标粒子群算法和小生境算法对电动汽车充电策略模型求解，得到各个时段电动汽车充电最优策略，包括：
建立各电动汽车在各时刻内的充电功率与改进多目标粒子群算法模型预设时段的粒子位置变量间的对应关系；
根据多目标粒子群算法和小生境算法对电动汽车充电策略模型中的充电功率进行粒子位置更新；
根据所述粒子位置更新的结果确定更新全局的最优位置；
利用小生境算法对所述全局的最优位置的粒子进行精英解集的更新；
判断更新的精英解集是否能够生成Pareto最优解集，若是则在Pareto最优解集中采用TOPSIS的方法确定电动汽车充电策略模型中指定时段的充电功率的最优解，若不是则重新更新个体位置，直到能够生成Pareto最优解集。
优选的，所述根据多目标粒子群算法和小生境算法对电动汽车充电策略模型中的充电功率进行粒子位置更新，包括：
在最优位置的集合里根据小生境算法确定电动汽车充电策略模型中孤立性最好的粒子；
对所述电动汽车充电策略模型中孤立性最好的粒子和最优位置集合中存在的Pareto改进的粒子进行变异操作，得到新的粒子；
根据Pareto优劣性，将所述新的粒子与其之前所经过的最优位置的粒子进行选择，得到该新的粒子的最新位置。
优选的，所述在最优位置的集合里根据小生境算法确定电动汽车充电策略模型中孤立性最好的粒子，包括：
根据当前迭代过程中电动汽车充电策略模型中每个粒子分别经过的最优位置的集合计算两个粒子之间的当量距离；
根据两个粒子之间的当量距离计算粒子之间的共享值；
依据粒子之间的当量距离对粒子的小生境半径进行动态更新并根据所述粒子之间的共享值计算粒子的小生境数；
根据小生境数中最小的粒子确定独立性最好的粒子。
优选的，所述根据所述粒子位置更新的结果确定更新全局的最优位置，包括：
计算所有粒子的Pareto支配数，选取支配数值最大所对应粒子的位置作为预设次数迭代的全局最优位置；
当多个粒子的支配数值同时为最大值，任意选取其中一个粒子的位置作为预设次数迭代的全局最优位置。
优选的，所述利用小生境算法对所述全局的最优位置的粒子进行精英解集的更新，包括：
将每次寻优迭代中的全局最优粒子保存在种群外部的预设规模的精英解集中，并依据小生境数对该解集进行更新；
如果精英解集没有饱和，则将全局最优粒子直接放入至精英解集；
如果精英解集已经饱和，则根据按照小生境数去除数值较大的粒子。
优选的，所述电动汽车充电策略模型的建立，包括：
根据电动汽车充电信息和电网负荷信息以充电费用最小和电网负荷方差最小作为电动汽车充电策略的目标函数；
以充电功率上限约束、充电功率波动约束和充电量约束作为电动汽车充电优化的约束条件，建立电动汽车充电策略模型。
优选的，所述根据电动汽车充电信息和电网负荷信息以充电费用最小和电网负荷方差最小作为电动汽车充电策略的目标函数，包括：
所述的充电费用最小的计算公式如下：
所述的电网负荷方差最小的计算公式如下：
式中minF1表示电动汽车的充电费用最小；minF2表示电网负荷方差最小；Cb表示第b时段内的充电单价；(Pa,tΔtp)表示第a辆电动汽车在第b时段内的充电电量；Pa,b表示第a辆电动汽车在第b时段内的充电功率；Δtp表示每个时段的时间间隔；B表示时段总数；n表示电动汽车总数；Pload,b表示第b时段内区域的普通负荷；
表示第a辆电动汽车在第b时段内n个电动汽车的总负荷。
优选的，所述建立各电动汽车在各时刻内的充电功率与改进多目标粒子群算法模型预设时段的粒子位置变量间的对应关系之后，且根据多目标粒子群算法和小生境算法对电动汽车充电策略模型中的充电功率进行粒子位置更新之前，还包括：
确定粒子的初始位置和速度及其变化范围；
利用粒子初始化的位置对个体最优位置和全局最优粒子位置进行初始化设置；
设定精英解集为空集，并设置迭代次数的初值；
对所有粒子的目标函数值进行计算。
基于同一发明构思，本申请还提供了一种基于改进多目标粒子群的电动汽车充电优化系统，包括：获取数据模块、各时段充电最优模块和全时段充电最优模块；
其中获取数据模块，用于获取电动汽车充电信息和电网负荷信息的数据输入到预先建立的电动汽车充电策略模型；
其中各时段充电最优模块，用于采用多目标粒子群算法和小生境算法对电动汽车充电策略模型求解，得到各个时段电动汽车充电最优策略；
其中全时段充电最优模块，用于基于各个时段电动汽车充电最优策略得到全时段电动汽车的充电最优充电策略；
其中，所述电动汽车充电模型是基于充电费用最小和电网负荷方差最小建立的,所述电动汽车充电模型包括多个分别与电动汽车在各时刻内的充电功率对应的粒子。
优选的，所述各时段充电最优模块，包括：对应关系子模块、粒子位置更新子模块、更新全局位置子模块、精英解集子模块和判断生成子模块；
其中对应关系子模块，用于建立各电动汽车在各时刻内的充电功率与改进多目标粒子群算法模型预设时段的粒子位置变量间的对应关系；
其中粒子位置更新子模块，用于根据多目标粒子群算法和小生境算法对电动汽车充电策略模型中的充电功率进行粒子位置更新；
其中更新全局位置子模块，用于根据所述粒子位置更新的结果确定更新全局的最优位置；
其中精英解集子模块，用于利用小生境算法对所述全局的最优位置的粒子进行精英解集的更新；
其中判断生成子模块，用于判断更新的精英解集是否能够生成Pareto最优解集，若是则在Pareto最优解集中采用TOPSIS的方法确定电动汽车充电策略模型中指定时段的充电功率的最优解，若不是则重新更新个体位置，直到能够生成Pareto最优解集。
优选的，所述粒子位置更新子模块，包括：确定孤立性粒子单元、得到新粒子单元和最新位置单元；
其中确定孤立性粒子单元，用于在最优位置的集合里根据小生境算法确定电动汽车充电策略模型中孤立性最好的粒子；
其中得到新粒子单元，用于对所述电动汽车充电策略模型中孤立性最好的粒子和最优位置集合中存在的Pareto改进的粒子进行变异操作，得到新的粒子；
其中最新位置单元，用于根据Pareto优劣性，将所述新的粒子与其之前所经过的最优位置的粒子进行选择，得到该新的粒子的最新位置。
优选的，所述确定孤立性粒子单元，包括：确定距离子单元、共享值子单元、计算小生境数子单元和独立性最好子单元；
其中确定距离子单元，用于根据当前迭代过程中电动汽车充电策略模型中每个粒子分别经过的最优位置的集合计算两个粒子之间的当量距离；
其中共享值子单元，用于根据两个粒子之间的当量距离计算粒子之间的共享值；
其中计算小生境数子单元，用于依据粒子之间的当量距离对粒子的小生境半径进行动态更新并根据所述粒子之间的共享值计算粒子的小生境数；
其中独立性最好子单元，用于根据小生境数中最小的粒子确定独立性最好的粒子。
优选的，所述更新全局位置子模块，包括：选择位置单元和选取一个位置单元；
其中选择位置单元，用于计算所有粒子的Pareto支配数，选取支配数值最大所对应粒子的位置作为预设次数迭代的全局最优位置；
其中选取一个位置单元，用于当多个粒子的支配数值同时为最大值，任意选取其中一个粒子的位置作为预设次数迭代的全局最优位置。
与最接近的现有技术相比，本发明具有的有益效果如下：
1、本发明实现了一种基于改进多目标粒子群的电动汽车充电优化方法和系统，所述方法包括：获取电动汽车充电信息和电网负荷信息的数据输入到预先建立的电动汽车充电策略模型；采用多目标粒子群算法和小生境算法对电动汽车充电策略模型求解，得到各个时段电动汽车充电最优策略；基于各个时段电动汽车充电最优策略得到全时段电动汽车的充电最优充电策略；其中，所述电动汽车充电模型是基于充电费用最小和电网负荷方差最小建立的,所述电动汽车充电模型包括多个分别与电动汽车在各时刻内的充电功率对应的粒子，优化后可以大幅度降低充电费用和平滑电网负荷曲线，当出现大规模电动汽车接入电网时可以进行有序充电，提高了电动汽车充电的稳定性和准确性；
2、本发明同时利用多目标粒子群算法和小生境算法提高了在粒子寻优过程中寻优的速度和准确性。
附图说明
图1为本发明提供的基于改进多目标粒子群的电动汽车充电优化方法流程示意图；
图2为本发明提供的基于改进多目标粒子群算法的电动汽车充电优化流程示意图；
图3为本发明实施例中的商务办公区域日常电网负荷；
图4为本发明实施例中的Pareto前沿；
图5为本发明实施例中的电网负荷比较；
图6为本发明提供的基于改进多目标粒子群的电动汽车充电优化系统结构示意图。
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用以解释本发明,并不用于限定本发明。
实施例1：
下面结合附图及具体实施例对本发明的应用原理作进一步描述。
如图1所示,本发明实施例的基于改进多目标粒子群的电动汽车充电优化方法包括：
步骤1:获取电动汽车充电信息和电网负荷信息的数据输入到预先建立的电动汽车充电策略模型；
步骤2:采用多目标粒子群算法和小生境算法对电动汽车充电策略模型求解，得到各个时段电动汽车充电最优策略；
步骤3:基于各个时段电动汽车充电最优策略得到全时段电动汽车的充电最优充电策略；
其中，所述电动汽车充电模型是基于充电费用最小和电网负荷方差最小建立的,所述电动汽车充电模型包括多个分别与电动汽车在各时刻内的充电功率对应的粒子。
为了实现对电动汽车充电策略的优化，提出了基于改进多目标粒子群算法的电动汽车充电策略优化方法，选取充电费用最小和电网负荷方差最小作为目标函数，运用多目标粒子群算法进行寻优，同时加入小生境算法以提升寻优速度和准确性。并通过商务办公区的电动汽车充电策略优化进行仿真分析，验证了优化方法的效果，优化后的充电策略够较大幅度地降低充电费用，同时能够有效地平滑电网负荷曲线。
步骤1:获取电动汽车充电信息和电网负荷信息的数据输入到预先建立的电动汽车充电策略模型；其中，所述电动汽车充电模型是基于充电费用最小和电网负荷方差最小建立的,所述电动汽车充电模型包括多个分别与电动汽车在各时刻内的充电功率对应的粒子。具体如下:
1.目标函数的建立
综合考虑用户侧的利益和电网侧的安全性，以充电费用最少、电网负荷方差最小作为优化目标，如下所示：
(1)充电费用最少
式中Cb——表示第b时段内的充电单价；
(Pa,tΔtp)——表示第a辆电动汽车在第b时段内的充电电量；
Pa,b——表示第a辆电动汽车在第b时段内的充电功率；
Δtp——表示每个时段的时间间隔；
B——表示时段总数；
n——表示电动汽车总数。
(2)电网负荷方差最小
式中Pload,b——表示第b时段内区域的普通负荷；
B——表示时段总数；
n——表示电动汽车总数；
2.约束条件的建立
电动汽车充电优化的约束条件如下所示：
(1)充电功率上限约束
电动汽车在充电时充电功率不能超过充电站的充电功率上限，如式(3)所示。
0≤Pa,b≤Pmax (3)
式中Pa,b——表示第a辆电动汽车在第b时段内的充电功率；
Pmax——表示电动汽车充电功率的上限。
(2)充电功率波动约束
对电动汽车充电时的充电功率波动范围进行限制，用以防止过大的充电功率波动对电网负荷造成较大的影响，如式(4)所示。
式中Pa,b——表示第a辆电动汽车在第b时段内的充电功率；
Δtp——表示每个时段的时间间隔；
n——表示电动汽车总数。
Pa,b+1——表示第a辆电动汽车在第b+1时段内的充电功率；
Pf——表示充电过程中两个相邻时段的充电功率波动最大值。
(3)充电量约束
电动汽车充电结束时的电量需小于等于电动汽车电池的最大容量，如式(5)所示。
式中
——表示第a辆电动汽车预期的充电电量；
Pa,b——表示第a辆电动汽车在第b时段内的充电功率；
Δtp——表示每个时段的时间间隔；
B——表示时段总数；。
步骤2:采用多目标粒子群算法和小生境算法对电动汽车充电策略模型求解，得到各个时段电动汽车充电最优策略；具体如下：
3.基于改进多目标粒子群的电动汽车充电优化
(1)多目标优化
多目标优化问题表示的是在实际问题中绝大多数都有2个及以上目标需要能够同时满足，即对这些目标进行同时优化处理。但是这些目标往往是相互冲突的，当对其中一个目标的性能进行提升时通常会导致其他目标的性能下降。为了解决这一问题，通常对各目标赋予一定的权重系数，将其转化为单目标优化问题。但是，采用这种方法得到的解很有可能是局部最优解，即仍存在一个或多个别的解能同时提升多目标的性能，此外，由于目标之间的量纲存在差异，所以进行组合时很难保证与其实际意义保持一致。鉴于此，本文采用Pareto最优解集的相关理论方法来求解多目标优化问题。
定义1：Pareto支配：称一个向量u＝(u1,u2,…,um)支配(或非劣于)向量v＝(v1,v2,…,vm)，当且仅当对于
使ui＜vi，记为u＜v。
定义2：Pareto最优：如果x*∈S，并且在S中不存在比x*更优的解x，那么称x*是可行解集合S的Pareto最优解。
定义3：Pareto最优解集：由满足定义Pareto最优解条件的所有x*构成的集合，记为：
定义4：Pareto前沿：所有Pareto最优解对应的目标函数值所构成的区域称为Pareto前沿，记为：
PF＝{F(X)＝(f1(X),f1(X),…,fm(X))|X∈P*} (7)
(2)粒子群优化
粒子群优化算法(Particle swarm optimization，PSO)是一种模拟鸟群觅食的智能优化算法。种群中的每个个体被看成一个可能的最优解，设定种群在n维空间中进行搜索，其规模为N，第i个粒子的速度和位置记为vi＝(vi1,vi2,…,vin)和xi＝(xi1,xi2,…,xin)，记录该粒子在搜索过程中经过的最优位置pi＝(pi1,pi2,…,pin)以及整个群体在搜索过程中经过的最优位置pg。种群个体将自身所经过的最优位置与群体最优位置进行比较来不断更新自身的速度和位置，使其离群体最优位置的距离缩短，从而实现种群的进化。第i个粒子的第z维速度和位置更新方式见式(8)和式(9)。
式中t——表示种群当前的迭代次数；
c1，c2——表示加速常数；
r1，r2——表示属于[0,1]的随机数；
w——表示惯性权重系数。
(3)改进的多目标粒子群优化
标准的粒子群优化算法由于其加速参数通常为固定值，所以容易限制粒子个体的更新，不利于其寻找到全局最优解。鉴于此，本文将小生境引入到粒子群优化算法中以提高其寻优的效率，主要操作步骤如下所示：
1)更新粒子所经过的最优位置
更新粒子所经过的最优位置包括确定孤立粒子、对存在Pareto改进的粒子进行变异操作和选择操作。
Step1：根据小生境数确定孤立性最好的粒子。令当前迭代过程中所有个体所经过的最优位置的集合为P＝{pi＝(pi1,pi2,…,pin)|i＝1,2,…,N}，对于P中任意两个粒子i、j之间的当量距离可以用式(10)来表示。
式中dij——表示粒子i和粒子j之间的当量距离；
m——表示粒子数量；
采用式(11)来计算粒子之间的共享值。
式中dij——表示粒子i和粒子j之间的当量距离；
σshare——表示粒子的小生境半径。
依据粒子之间的当量距离对粒子的小生境半径进行动态更新，如式(12)所示。
则粒子i的小生境数记为：
那么小生境数最小的粒子为独立性最好的粒子，记为：q＝(q1,q2,…,qn)。
Step2：将P中相比较粒子q存在Pareto改进的粒子与q进行变异操作，得到新的粒子
且
Step3：根据Pareto优劣性，将新得到的粒子
与其之前所经过的最优位置的粒子进行比较和选择，如式(14)所示。
将小生境数变异操作和选择操作引入到多目标粒子群优化算法中能够提高粒子的多样性，进而有利于粒子全局寻优效率。
2)更新全局最优位置
对全局最优位置的更新包括如下步骤：
Step1：在寻优迭代到第t次时，根据第1)步的操作，完成对粒子所经过的最优位置的更新后，计算所有粒子的Pareto支配数rand(u)，选取支配数值最大所对应粒子的位置作为第t次迭代的全局最优位置。
Step2：如果有多个粒子的支配数值同时为最大值，由于这些粒子之间并不存在支配关系并且均是Pareto最优解，所以可以任意选取其中一个粒子的位置作为第t次迭代的全局最优位置，如式(15)所示。
依据Pareto支配数对迭代过程中的全局最优位置进行更新能够让第t次迭代中的具有全局最优位置的粒子加入到第t+1次的迭代中，促使群体朝向全局最优方向运动，提高了算法的收敛效率。
3)更新精英解集
将每次寻优迭代中的全局最优粒子保存在种群外部的一个规模为M的精英解集中，并依据小生境数对该解集进行更新。
如果精英解集没有饱和，则可以将全局最优粒子直接放入至精英解集。
如果精英解集已经饱和，则根据按照小生境数去除数值较大的粒子。
利用小生境数对精英解集进行更新能够有效去除位于密集区域的粒子，并将分散区域的粒子保留下来，从而使Pareto前沿的分布变得更加均匀。
步骤3:基于各个时段电动汽车充电最优策略得到全时段电动汽车的充电最优充电策略；具体包括：根据上述步骤得到了各个时段的电动汽车充电优化策略，对每个时段的策略进行汇总，得到全时段电动汽车的充电最优策略。
4.基于改进多目标粒子群的电动汽车充电优化流程，如图2所示。
运用前文提出了改进多目标粒子群算法对电动汽车的充电策略进行优化，主要包括如下步骤：
(1)设定第i辆电动汽车在第t时段内的充电功率Pi,t为待寻优的变量。
(2)对粒子群进行初始化，主要包括粒子的初始位置和速度及其变化范围。利用初始化粒子的位置对个体最优位置和全局最优粒子位置进行初始化设置。设定精英解集为空集，迭代次数t＝0。
(3)对所有粒子的目标函数值F1,F2,…,Fm进行计算。
(4)利用式(8)和式(9)对粒子的速度和位置进行更新。
(5)利用式(10)至式(14)对孤立粒子进行确定，运用变异操作和选择操作对粒子所经过的最优位置集合进行更新。
(6)利用式(15)对群体的全局最优位置进行更新。
(7)判定约束条件是否满足，如果满足，则输出一组Pareto最优解集，否则t＝t+1并重复步骤(2)至步骤(7)，继续寻优迭代。
(8)采用TOPSIS法在对Pareto最优解集中对充电策略的最优解进行选取。
实施例2
本专利选取某商务办公区域的电动汽车充电站的用户为例，主要是该区域的各企业员工，即企业员工上班时将电动汽车放在充电站进行充电，下班时将电动汽车开走。所以商务办公区的电动汽车充电负荷主要集中的白天，这里对8:00-18:00时段的电动汽车充电策略进行仿真优化。
1.参数设置
商务办公区充电站的充电价格采用某市区一般工商业销售电价，具体划分时段如表1所示。
表1分时电价设置
对约束条件及改进粒子群算法中的参数进行设置，见表2。
表2商务办公区域场景的参数设置
该商务办公区域日常的电网负荷特性如图3所示，可以看出，商务办公区域的日常负荷高峰出现在11:00和15:00，负荷低谷出现在13:00。
该商务办公区域日常的电网负荷特性如图3所示，可以看出，商务办公区域的日常负荷高峰出现在11:00和15:00，负荷低谷出现在13:00。
2.结果分析
运用改进多目标粒子群算法对商务办公区域电动汽车充电策略进行优化，图4展示的是改进多目标粒子群算法在进行优化计算时所得到的Pareto前沿。
从图4可以看出运用改进多目标粒子群算法得到的Pareto前沿分布比较均匀和稳定，说明所提算法能够有效求解对求解商务办公区域电动汽车充电策略多目标优化问题。随着总负荷标准差的增大，充电费用将会逐渐降低，这是由于安排在低价时段的电动汽车充电负荷越大，总的充电费用是越低的。
为了从Pareto最优解集中选出更合理的电动汽车优化充电策略，使用TOPSIS获取最终的充电策略，结果如表3、表4和图5所示。
表3商务办公区域的充电功率
表4商务办公区域充电优化策略
从表3和表4可以看出，经过优化的充电策略在高峰电价时段的充电功率维持在一个较低的水平，而在平段电价时段的充电功率较大，总体充电费用为1102.43元，相比较无序充电的费用1422.44元降低了22.50％。从图5可以看出，电动汽车无序充电会增大电网负荷方差，即增大电网负荷的波动，对电网负荷产生不利影响；采取优化充电策略后，电网负荷方差明显小于无序充电负荷以及日常负荷，从19080.74kW2下降到5055.96kW2，说明该充电策略对平滑电网负荷曲线的效果较为明显。综上，对商务办公区电动汽车充电策略进行优化能够较大幅度地降低充电费用，同时能够有效地平滑电网负荷曲线。
实施例3：
基于同一发明构思，本发明还提供了基于改进多目标粒子群的电动汽车充电优化系统，如图6所示，包括：获取数据模块、各时段充电最优模块和全时段充电最优模块；
其中获取数据模块，用于获取电动汽车充电信息和电网负荷信息的数据输入到预先建立的电动汽车充电策略模型；
其中各时段充电最优模块，用于采用多目标粒子群算法和小生境算法对电动汽车充电策略模型求解，得到各个时段电动汽车充电最优策略；
其中全时段充电最优模块，用于基于各个时段电动汽车充电最优策略得到全时段电动汽车的充电最优充电策略；
其中，所述电动汽车充电模型是基于充电费用最小和电网负荷方差最小建立的,所述电动汽车充电模型包括多个分别与电动汽车在各时刻内的充电功率对应的粒子。
所述各时段充电最优模块，包括：对应关系子模块、粒子位置更新子模块、更新全局位置子模块、精英解集子模块和判断生成子模块；
其中对应关系子模块，用于建立各电动汽车在各时刻内的充电功率与改进多目标粒子群算法模型预设时段的粒子位置变量间的对应关系；
其中粒子位置更新子模块，用于根据多目标粒子群算法和小生境算法对电动汽车充电策略模型中的充电功率进行粒子位置更新；
其中更新全局位置子模块，用于根据所述粒子位置更新的结果确定更新全局的最优位置；
其中精英解集子模块，用于利用小生境算法对所述全局的最优位置的粒子进行精英解集的更新；
其中判断生成子模块，用于判断更新的精英解集是否能够生成Pareto最优解集，若是则在Pareto最优解集中采用TOPSIS的方法确定电动汽车充电策略模型中指定时段的充电功率的最优解，若不是则重新更新个体位置，直到能够生成Pareto最优解集。
所述粒子位置更新子模块，包括：确定孤立性粒子单元、得到新粒子单元和最新位置单元；
其中确定孤立性粒子单元，用于在最优位置的集合里根据小生境算法确定电动汽车充电策略模型中孤立性最好的粒子；
其中得到新粒子单元，用于对所述电动汽车充电策略模型中孤立性最好的粒子和最优位置集合中存在的Pareto改进的粒子进行变异操作，得到新的粒子；
其中最新位置单元，用于根据Pareto优劣性，将所述新的粒子与其之前所经过的最优位置的粒子进行选择，得到该新的粒子的最新位置。
所述确定孤立性粒子单元，包括：确定距离子单元、共享值子单元、计算小生境数子单元和独立性最好子单元；
其中确定距离子单元，用于根据当前迭代过程中电动汽车充电策略模型中每个粒子分别经过的最优位置的集合计算两个粒子之间的当量距离；
其中共享值子单元，用于根据两个粒子之间的当量距离计算粒子之间的共享值；
其中计算小生境数子单元，用于依据粒子之间的当量距离对粒子的小生境半径进行动态更新并根据所述粒子之间的共享值计算粒子的小生境数；
其中独立性最好子单元，用于根据小生境数中最小的粒子确定独立性最好的粒子。
所述更新全局位置子模块，包括：选择位置单元和选取一个位置单元；
其中选择位置单元，用于计算所有粒子的Pareto支配数，选取支配数值最大所对应粒子的位置作为预设次数迭代的全局最优位置；
其中选取一个位置单元，用于当多个粒子的支配数值同时为最大值，任意选取其中一个粒子的位置作为预设次数迭代的全局最优位置。
所述精英解集子模块，包括：更新单元、饱和单元和不饱和单元；
其中更新单元，用于将每次寻优迭代中的全局最优粒子保存在种群外部的预设规模的精英解集中，并依据小生境数对该解集进行更新；
其中饱和单元，用于如果精英解集没有饱和，则将全局最优粒子直接放入至精英解集；
其中不饱和单元，用于如果精英解集已经饱和，则根据按照小生境数去除数值较大的粒子。
该系统还包括：模型建立模块；
其中模型建立模块，包括目标函数子模块和约束子模块；
其中目标子模块，用于根据电动汽车充电信息和电网负荷信息以充电费用最小和电网负荷方差最小作为电动汽车充电策略的目标函数；
其中约束子模块，用于以充电功率上限约束、充电功率波动约束和充电量约束作为电动汽车充电优化的约束条件，建立电动汽车充电策略模型。
目标函数中，充电费用最小的计算公式如下：
电网负荷方差最小的计算公式如下：
式中min F1表示电动汽车的充电费用最小；min F2表示电网负荷方差最小；Cb表示第b时段内的充电单价；(Pa,tΔtp)表示第a辆电动汽车在第b时段内的充电电量；Pa,b表示第a辆电动汽车在第b时段内的充电功率；Δtp表示每个时段的时间间隔；B表示时段总数；n表示电动汽车总数；Pload,b表示第b时段内区域的普通负荷；
表示第a辆电动汽车在第b时段内n个电动汽车的总负荷。
该系统还包括：确定速度范围模块、初始化设置模块、设置迭代初值模块和目标计算模块；
其中确定速度范围模块，用于确定粒子的初始位置和速度及其变化范围；
其中初始化设置模块，用于利用粒子初始化的位置对个体最优位置和全局最优粒子位置进行初始化设置；
其中设置迭代初值模块，用于设定精英解集为空集，并设置迭代次数的初值；
其中目标计算模块，用于对所有粒子的目标函数值进行计算。本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请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，本申请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。
本申请是参照根据本申请实施例的方法、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。
最后应当说明的是:以上实施例仅用于说明本申请的技术方案而非对其保护范围的限制,尽管参照上述实施例对本申请进行了详细的说明,所属领域的普通技术人员应当理解:本领域技术人员阅读本申请后依然可对申请的具体实施方式进行种种变更、修改或者等同替换，但这些变更、修改或者等同替换，均在申请待批的权利要求保护范围之内。
Claims (14)
1.一种基于改进多目标粒子群的电动汽车充电优化方法，其特征在于，包括：
获取电动汽车充电信息和电网负荷信息的数据输入到预先建立的电动汽车充电策略模型；
采用多目标粒子群算法和小生境算法对电动汽车充电策略模型求解，得到各个时段电动汽车充电最优策略；
基于各个时段电动汽车充电最优策略得到全时段电动汽车的充电最优充电策略；
其中，所述电动汽车充电模型是基于充电费用最小和电网负荷方差最小建立的,所述电动汽车充电模型包括多个分别与电动汽车在各时刻内的充电功率对应的粒子。
2.如权利要求1所述的方法，其特征在于，所述采用多目标粒子群算法和小生境算法对电动汽车充电策略模型求解，得到各个时段电动汽车充电最优策略，包括：
建立各电动汽车在各时刻内的充电功率与改进多目标粒子群算法模型预设时段的粒子位置变量间的对应关系；
根据多目标粒子群算法和小生境算法对电动汽车充电策略模型中的充电功率进行粒子位置更新；
根据所述粒子位置更新的结果确定更新全局的最优位置；
利用小生境算法对所述全局的最优位置的粒子进行精英解集的更新；
判断更新的精英解集是否能够生成Pareto最优解集，若是则在Pareto最优解集中采用TOPSIS的方法确定电动汽车充电策略模型中指定时段的充电功率的最优解，若不是则重新更新个体位置，直到能够生成Pareto最优解集。
3.如权利要求2所述的方法，其特征在于，所述根据多目标粒子群算法和小生境算法对电动汽车充电策略模型中的充电功率进行粒子位置更新，包括：
在最优位置的集合里根据小生境算法确定电动汽车充电策略模型中孤立性最好的粒子；
对所述电动汽车充电策略模型中孤立性最好的粒子和最优位置集合中存在的Pareto改进的粒子进行变异操作，得到新的粒子；
根据Pareto优劣性，将所述新的粒子与其之前所经过的最优位置的粒子进行选择，得到该新的粒子的最新位置。
4.如权利要求3所述的方法，其特征在于，所述在最优位置的集合里根据小生境算法确定电动汽车充电策略模型中孤立性最好的粒子，包括：
根据当前迭代过程中电动汽车充电策略模型中每个粒子分别经过的最优位置的集合计算两个粒子之间的当量距离；
根据两个粒子之间的当量距离计算粒子之间的共享值；
依据粒子之间的当量距离对粒子的小生境半径进行动态更新并根据所述粒子之间的共享值计算粒子的小生境数；
根据小生境数中最小的粒子确定独立性最好的粒子。
5.如权利要求2所述的方法，其特征在于，所述根据所述粒子位置更新的结果确定更新全局的最优位置，包括：
计算所有粒子的Pareto支配数，选取支配数值最大所对应粒子的位置作为预设次数迭代的全局最优位置；
当多个粒子的支配数值同时为最大值，任意选取其中一个粒子的位置作为预设次数迭代的全局最优位置。
6.如权利要求2所述的方法，其特征在于，所述利用小生境算法对所述全局的最优位置的粒子进行精英解集的更新，包括：
将每次寻优迭代中的全局最优粒子保存在种群外部的预设规模的精英解集中，并依据小生境数对该解集进行更新；
如果精英解集没有饱和，则将全局最优粒子直接放入至精英解集；
如果精英解集已经饱和，则根据按照小生境数去除数值较大的粒子。
7.如权利要求1所述的方法，其特征在于，所述电动汽车充电策略模型的建立，包括：
根据电动汽车充电信息和电网负荷信息以充电费用最小和电网负荷方差最小作为电动汽车充电策略的目标函数；
以充电功率上限约束、充电功率波动约束和充电量约束作为电动汽车充电优化的约束条件，建立电动汽车充电策略模型。
8.如权利要求7所述的方法，其特征在于，所述根据电动汽车充电信息和电网负荷信息以充电费用最小和电网负荷方差最小作为电动汽车充电策略的目标函数，包括：
所述充电费用最小的计算公式如下：
所述电网负荷方差最小的计算公式如下：
式中min F1表示电动汽车的充电费用最小；min F2表示电网负荷方差最小；Cb表示第b时段内的充电单价；(Pa,tΔtp)表示第a辆电动汽车在第b时段内的充电电量；Pa,b表示第a辆电动汽车在第b时段内的充电功率；Δtp表示每个时段的时间间隔；B表示时段总数；n表示电动汽车总数；Pload,b表示第b时段内区域的普通负荷；
表示第a辆电动汽车在第b时段内n个电动汽车的总负荷。
9.如权利要求2所述的方法，其特征在于，所述建立各电动汽车在各时刻内的充电功率与改进多目标粒子群算法模型预设时段的粒子位置变量间的对应关系之后，且所述根据多目标粒子群算法和小生境算法对电动汽车充电策略模型中的充电功率进行粒子位置更新之前，还包括：
确定粒子的初始位置和速度及其变化范围；
利用粒子初始化的位置对个体最优位置和全局最优粒子位置进行初始化设置；
设定精英解集为空集，并设置迭代次数的初值；
对所有粒子的目标函数值进行计算。
10.一种基于改进多目标粒子群的电动汽车充电优化系统，其特征在于，包括：获取数据模块、各时段充电最优模块和全时段充电最优模块；
所述获取数据模块，用于获取电动汽车充电信息和电网负荷信息的数据输入到预先建立的电动汽车充电策略模型；
所述各时段充电最优模块，用于采用多目标粒子群算法和小生境算法对电动汽车充电策略模型求解，得到各个时段电动汽车充电最优策略；
所述全时段充电最优模块，用于基于各个时段电动汽车充电最优策略得到全时段电动汽车的充电最优充电策略；
其中，所述电动汽车充电模型是基于充电费用最小和电网负荷方差最小建立的,所述电动汽车充电模型包括多个分别与电动汽车在各时刻内的充电功率对应的粒子。
11.根据权利要求10所述的系统，其特征在于，所述各时段充电最优模块，包括：对应关系子模块、粒子位置更新子模块、更新全局位置子模块、精英解集子模块和判断生成子模块；
所述对应关系子模块，用于建立各电动汽车在各时刻内的充电功率与改进多目标粒子群算法模型预设时段的粒子位置变量间的对应关系；
所述粒子位置更新子模块，用于根据多目标粒子群算法和小生境算法对电动汽车充电策略模型中的充电功率进行粒子位置更新；
所述更新全局位置子模块，用于根据所述粒子位置更新的结果确定更新全局的最优位置；
所述精英解集子模块，用于利用小生境算法对所述全局的最优位置的粒子进行精英解集的更新；
所述判断生成子模块，用于判断更新的精英解集是否能够生成Pareto最优解集，若是则在Pareto最优解集中采用TOPSIS的方法确定电动汽车充电策略模型中指定时段的充电功率的最优解，若不是则重新更新个体位置，直到能够生成Pareto最优解集。
12.根据权利要求11所述的系统，其特征在于，所述粒子位置更新子模块，包括：确定孤立性粒子单元、得到新粒子单元和最新位置单元；
所述确定孤立性粒子单元，用于在最优位置的集合里根据小生境算法确定电动汽车充电策略模型中孤立性最好的粒子；
所述得到新粒子单元，用于对所述电动汽车充电策略模型中孤立性最好的粒子和最优位置集合中存在的Pareto改进的粒子进行变异操作，得到新的粒子；
所述最新位置单元，用于根据Pareto优劣性，将所述新的粒子与其之前所经过的最优位置的粒子进行选择，得到该新的粒子的最新位置。
13.根据权利要求12所述的系统，其特征在于，所述确定孤立性粒子单元，包括：确定距离子单元、共享值子单元、计算小生境数子单元和独立性最好子单元；
所述确定距离子单元，用于根据当前迭代过程中电动汽车充电策略模型中每个粒子分别经过的最优位置的集合计算两个粒子之间的当量距离；
所述共享值子单元，用于根据两个粒子之间的当量距离计算粒子之间的共享值；
所述计算小生境数子单元，用于依据粒子之间的当量距离对粒子的小生境半径进行动态更新并根据所述粒子之间的共享值计算粒子的小生境数；
所述独立性最好子单元，用于根据小生境数中最小的粒子确定独立性最好的粒子。
14.根据权利要求11所述的系统，其特征在于，所述更新全局位置子模块，包括：选择位置单元和选取一个位置单元；
所述选择位置单元，用于计算所有粒子的Pareto支配数，选取支配数值最大所对应粒子的位置作为预设次数迭代的全局最优位置；
所述选取一个位置单元，用于当多个粒子的支配数值同时为最大值，任意选取其中一个粒子的位置作为预设次数迭代的全局最优位置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010982645.5A CN112257897B (zh) | 2020-09-17 | 2020-09-17 | 基于改进多目标粒子群的电动汽车充电优化方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010982645.5A CN112257897B (zh) | 2020-09-17 | 2020-09-17 | 基于改进多目标粒子群的电动汽车充电优化方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112257897A true CN112257897A (zh) | 2021-01-22 |
| CN112257897B CN112257897B (zh) | 2024-03-22 |
Family
ID=74232590
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010982645.5A Active CN112257897B (zh) | 2020-09-17 | 2020-09-17 | 基于改进多目标粒子群的电动汽车充电优化方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112257897B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113506120A (zh) * | 2021-02-04 | 2021-10-15 | 南昌工学院 | 一种改善电动汽车充电费用的方法 |
| CN114919433A (zh) * | 2022-05-27 | 2022-08-19 | 深圳先进技术研究院 | 电动汽车集群充放电控制方法、系统及相关设备 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016176864A1 (zh) * | 2015-05-07 | 2016-11-10 | 国家电网公司 | 电动汽车预约充电控制方法及装置 |
| CN106651002A (zh) * | 2016-11-17 | 2017-05-10 | 云南电网有限责任公司玉溪供电局 | 一种基于正弦余弦算法的大规模电动汽车充放电多目标优化方法 |
| WO2018072351A1 (zh) * | 2016-10-20 | 2018-04-26 | 北京工业大学 | 一种基于粒子群优化算法对支持向量机的优化方法 |
| 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 |
-
2020
- 2020-09-17 CN CN202010982645.5A patent/CN112257897B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016176864A1 (zh) * | 2015-05-07 | 2016-11-10 | 国家电网公司 | 电动汽车预约充电控制方法及装置 |
| WO2018072351A1 (zh) * | 2016-10-20 | 2018-04-26 | 北京工业大学 | 一种基于粒子群优化算法对支持向量机的优化方法 |
| CN106651002A (zh) * | 2016-11-17 | 2017-05-10 | 云南电网有限责任公司玉溪供电局 | 一种基于正弦余弦算法的大规模电动汽车充放电多目标优化方法 |
| 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 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113506120A (zh) * | 2021-02-04 | 2021-10-15 | 南昌工学院 | 一种改善电动汽车充电费用的方法 |
| CN114919433A (zh) * | 2022-05-27 | 2022-08-19 | 深圳先进技术研究院 | 电动汽车集群充放电控制方法、系统及相关设备 |
| WO2023226368A1 (zh) * | 2022-05-27 | 2023-11-30 | 深圳先进技术研究院 | 电动汽车集群充放电控制方法、系统及相关设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112257897B (zh) | 2024-03-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107994595B (zh) | 一种削峰填谷控制方法和系统以及应用该控制方法的系统 | |
| Safari et al. | Iteration particle swarm optimization procedure for economic load dispatch with generator constraints | |
| CN111509781B (zh) | 一种分布式电源协调优化控制方法及系统 | |
| CN112131733A (zh) | 计及电动汽车充电负荷影响的分布式电源规划方法 | |
| CN109167347B (zh) | 基于云自适应粒子群多目标电动汽车充放电优化调度方法 | |
| CN107067136B (zh) | 电动汽车充电分配方法及装置 | |
| CN113239607A (zh) | 综合能源系统经济调度优化方法、系统、设备及存储介质 | |
| CN112238781B (zh) | 一种基于分层架构的电动汽车有序充电控制方法 | |
| 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 | |
| CN104091207A (zh) | 考虑有害气体排放量的含风电场多目标机组组合优化方法 | |
| CN112821470A (zh) | 基于小生境混沌粒子群算法的微网群优化调度策略 | |
| CN111619391B (zh) | 基于合作博弈与动态分时电价的电动汽车有序充放电方法 | |
| 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 | |
| CN115709665A (zh) | 基于台区自治的电动汽车交流桩有序充电方法及系统 | |
| CN114899856A (zh) | 一种电动汽车充电桩功率调节方法、系统、设备及介质 | |
| CN104915788B (zh) | 一种考虑多风场相关性的电力系统动态经济调度的方法 | |
| CN110766210B (zh) | 一种梯级水库群短期优化调度方法与系统 | |
| CN115114854A (zh) | 一种虚拟电厂分布式资源两级自组织优化聚合方法及系统 | |
| CN114844118A (zh) | 一种适用于微电网的多类型设备功率协调控制方法及系统 | |
| CN117060470B (zh) | 一种基于灵活性资源的配电网电压优化控制方法 | |
| CN113410900B (zh) | 基于自适应差分鲸鱼优化的微电网hess优化配置方法及系统 | |
| CN113283654B (zh) | 基于聚合解列机制的微网群优化控制方法及系统 | |
| CN114285093A (zh) | 一种源网荷储互动调度方法及系统 | |
| Padmini et al. | Application of improved PSO technique for short term hydrothermal generation scheduling of power system | |
| CN115995840A (zh) | 基于风、光、储能协调的新能源系统调峰优化方法和装置 |
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 |