CN112329984A - 一种基于划分电动汽车集群系统的电动汽车优化调度方法 - Google Patents

Abstract

本发明提出了一种基于划分电动汽车集群系统的电动汽车优化调度方法。本发明划分电动汽车集群系统由电动汽车调度系统与多个车载信息终端构成。本发明方法根据结束充电时间设计电动汽车集群的优化方案，保持了电动汽车集群的稳定性，降低整个电动汽车维数，降低了计算复杂度，缩短计算时间，在电动汽车集群中引入动态非合作博弈方法对电动汽车优化调度问题进行分布式算法求解，使得每个电动汽车集群都能快速做出实时最优解。本发明可以有效地消除峰值负荷，显著降低电动汽车集群用电成本，具有重要的理论和实际应用价值。

Description

一种基于划分电动汽车集群系统的电动汽车优化调度方法

技术领域

本发明属于电动汽车充电计划优化调度技术领域，特别是涉及一种基于划分电动汽车集群系统的电动汽车优化调度方法。

背景技术

高渗透率的电动汽车对电网而言是不可忽视的一类负荷，由于电动汽车充电行为具有随机性和不确定性，因此，大规模电动汽车无序充电极易对电网带来供电压力，导致“峰上加峰”、电压降落等问题。经合理措施调控电动汽车有序充放电，缓解电动汽车入网压力，达到“削峰填谷”、作为系统旋转备用和调峰备用等积极作用，极大提高了电网安全稳定运行的能力。因此，有必要对如何调控电动汽车充放电行为进行研究，从而采取合理的引导措施，以应对未来电动汽车的大规模发展。

目前主要面临的技术方案有：通过改变电动汽车起始充电的时间来改善负荷曲线，利用线性化方法使电动汽车按一定计划投入充电，在满足用户需求的基础上尽可能的在用电低谷充电，减小负荷峰谷差；构建的多目标优化模型，综合考虑了电网负荷波动与用户成本，以分时电价为背景，采用交叉遗传粒子群算法规划调度。但是电动汽车数量大规模增长，各个电动汽车集群根据实时电价实现最优调度优化调度难度增大。

针对电动汽车日益普及和各电动汽车集合商之间存在独立优化目标冲突的情况，本发明提出了一种划分电动汽车集群的电动汽车优化调度方法，用于动态定价市场下的最优决策。通过调度系统获取电动汽车集群的电动汽车充电计划，进一步调整实时电价，电动汽车集群根据从调度系统处获得的信息根据动态非合作博弈论，利用分布式算法求解到最优电动汽车充电计划，有效的调节供电负荷，降低用户用电成本。

发明内容：

本发明的一种基于划分电动汽车集群系统的电动汽车优化调度方法，电动汽车供电系统通过5G网络、光纤通信等高速通信手段，实时向电动汽车集群发送动态电价，推荐电动汽车集群将充电负荷由高电价期向低电价期转移。同时，电动汽车供电系统接收到所有电动汽车集群的电动汽车充电计划，并考虑该区域常规负荷的预测信息，实时调整动态电价。

收到动态电价后，电动汽车集群会根据自身的优化目标和电动汽车信息，在电动汽车合理充放电的基础上，以最小化用户充电成本为优化目标。根据电动汽车调度系统提供的动态电价，考虑自身利益，电动汽车集群会主动调整电动汽车充电计划，使自身目标函数值最小化。此外，各电动汽车集群之间存在竞争关系，不存在合作关系，因此可以建立非合作博弈模型，利用分布式算法求解最优纳什均衡点，调整充电策略并将更新后的充电策略上传回电动汽车调度系统，直至达到最优平衡。

所述划分电动汽车集群系统由电动汽车调度系统与多个车载信息终端构成；所述电动汽车调度系统与所述多个车载信息终端依次通过无线方式连接；

所述电动汽车供电系统，用于收集所述多个车载信息终端依次无线上传的电动汽车基本信息、电动汽车充电计划，进一步结合历史负荷数据进行负荷曲线预测，依次向所述多个车载信息终端无线传输动态电价；

所述车载信息终端，用于向所述电动汽车供电系统无线上传电动汽车基本信息、电动汽车充电计划，并根据所述电动汽车供电系统无线传输的动态电价调整电动汽车充电计划达到整体最优平衡。

所述电动汽车优化调度方法，其特征在于，包括以下步骤：

步骤1：电动汽车通过车载信息终端将电动汽车基本信息无线传输至电动汽车供电系统，电动汽车供电系统根据电动汽车的充电功率和计划充电量计算电动汽车的结束充电时段，根据电动汽车的充电功率以及结束充电的时间将电动汽车划分为不同的电动汽车集群集合；

步骤2：根据电动汽车集群的充电结束时段引入多天历史负荷数据，通过灰色预测模型方法预测得到电动汽车集群的充电结束时段的实时用电负荷，结合电动汽车集群的电动汽车充电总功率计算电动汽车集群的充电结束时段的动态电价，将电动汽车集群的充电结束时段的动态电价通过无线传输方式无线发送至各个电动汽车的车载信息终端；

步骤3：根据电动汽车的现有电量、电动汽车的计划充电量构建电动汽车充电计划等式约束模型，根据电动汽车的电动汽车额定充电最大功率构建电动汽车充电计划不等式约束模型，结合电动汽车集群的充电结束时段的动态电价构建电动汽车的用电成本模型，进一步以电动汽车的用电成本模型最小化为优化目标构建电动汽车充电计划优化模型，通过ADMM算法优化得到优化后电动汽车充电计划，结合优化后调整电动汽车充电计划计算电动汽车优化后的用电成本；

步骤4：重复执行步骤1至步骤3进行多次迭代优化，直至优化后电动汽车充电计划达到纳什均衡点。

作为优选，步骤1所述电动汽车基本信息为：

第i辆电动汽车的开始充电时段、第i辆电动汽车的电动汽车额定充电最大功率、第i辆电动汽车的电动汽车实际充电功率、第i辆电动汽车的现有电量、第i辆电动汽车的计划充电量，i∈[1,N]，N为电动汽车总数量；

第i辆电动汽车的开始充电时段定义为t_i,start；

第i辆电动汽车的电动汽车额定充电最大功率定义为P_EV,i,max；

第i辆电动汽车的电动汽车实际充电功率定义为P_EV,i；

第i辆电动汽车的现有电量定义为E_i,start；

第i辆电动汽车的计划充电量定义为E_i,end；

步骤1所述根据电动汽车的充电功率和计划充电量计算电动汽车的结束充电时段为：

其中，t_i,start为第i辆电动汽车的开始充电时段；P_EV,i,max为第i辆电动汽车的电动汽车额定充电最大功率；E_i,start为第i辆电动汽车的现有电量；E_i,end为第i辆电动汽车的计划充电量；t_i,end,表示第i辆电动汽车的结束充电的时间；η为充电效率；P_EV,i表示第i辆电动汽车的充电功率；

步骤1所述根据电动汽车的充电功率以及结束充电的时间将电动汽车划分为不同的电动汽车集群为：

电动汽车集群初始化时按照P_EV,i,max划分配置；

步骤1.1，初始化定义；令i＝1，m＝1，其中i表示第i辆电动汽车，m电动汽车集群总数，A定义为电动汽车集群集合：

A＝{(T₁,B₁,P₁)，(T₂,B₂,P₂),…,(T_j,B_j,P_j),…,(T_m,B_m,P_m)}，j＝1,2,…,m；

其中：

T_j定义为第j个电动汽车集群的结束充电时段；

B_j定义为第j个电动汽车集群所含电动汽车编号集合，B_j＝{ID_j,1,ID_j,2,…,ID_j,Nj}，其中ID_j,k是第j个电动汽车集群所含电动汽车编号集合中第k辆电动汽车的编号，k∈[1,N_j]，N_j是第j个电动汽车集群所含电动汽车总数；

P_j定义为第j个电动汽车集群的充电总功率，即P_j满足：

其中ID_j,k∈B_j，j＝1,2,...,m

初始化A为空集，初始化B_j为空集，j＝1,2,…,m；初始化电动汽车集群充电总功率为0，j＝1,2,…,m；

步骤1.2，获取第i辆电动汽车的电动汽车基本信息即：

第i辆电动汽车的开始充电时段t_i,start；第i辆电动汽车的现有电量E_i,start，第i辆电动汽车的计划充电量E_i,end，第i辆电动汽车的电动汽车实际充电功率P_EV,i；第i辆电动汽车的电动汽车额定充电最大功率定义为P_EV,i,max

步骤1.3，若

即出现了新的充电结束时段，则m＝m+1，表示增加一个新的电动汽车集群，令T_m＝t_i,end；P_m＝P_EV,i；B_m＝i∪B_m；否则t_i,end∈A，且t_i,end＝T_j，即第i辆电动汽车的结束充电时段与第j个电动汽车集群的结束充电时段相等，则B_j＝i∪B_j，表示第i辆电动汽车划入电动汽车集群B_j；P_j＝P_j+P_EV,i；

步骤1.4，i＝i+1，若i>N，则结束划分，否则重复步骤步骤1.2；

最终得到步骤1所述电动汽车集群集合为：

A＝{A₁,A₂,...,A_m}

A_j＝(T_j、B_j、P_j)

j∈[1,m]

其中，m为电动汽车集群集合中电动汽车集群的数量，A_j为第j个电动汽车集群，T_j为第j个电动汽车集群的充电结束时段，表示一天内的时段，B_j为第j个电动汽车集群的所含电动汽车编号集合，P_j为第j个电动汽车集群的电动汽车充电总功率；

作为优选，步骤2所述电动汽车集群的充电结束时段为：T_j，j∈[1,m]；

其中，T_j为第j个电动汽车集群的充电结束时段，m为电动汽车集群集合中电动汽车集群的数量；

步骤2所述引入多天历史负荷数据为：

d∈[1,K]，j∈[1,m]；

其中，K为引入历史负荷数据的天数，m为电动汽车集群集合中电动汽车集群的数量，

为第d天历史负荷数据在第j个电动汽车集群的充电结束时段上的历史负荷；

步骤2所述电动汽车集群的充电结束时段的实时用电负荷为：

j∈[1,m]

其中，m为电动汽车集群集合中电动汽车集群的数量，

为第j个电动汽车集群的充电结束时段的实时历史负荷；

步骤2所述计算电动汽车集群的充电结束时段的动态电价为：

j∈[1,m]

其中，m为电动汽车集群集合中电动汽车集群的数量，

表示第j个电动汽车集群的充电结束时段的动态电价，P_max表示供电系统最大允许供电负荷，e_max表示电动汽车充电电价最大值，P_j为第j个电动汽车集群的电动汽车充电总功率；

作为优选，步骤3所述构建电动汽充电计划等式约束模型为：

i∈[1,N]

其中，N为电动汽车总数量，E_i,start为第i辆电动汽车的现有电量，E_i,end为第i辆电动汽车的计划充电量，P_EV,i(T_j)表示第i辆电动汽车在第j个电动汽车集群的充电结束时段内的充电功率，T_j为第j个电动汽车集群的充电结束时段，m为电动汽车集群集合中电动汽车集群的数量，len(T_j)表示第j个电动汽车集群的充电结束时段的时长；

步骤3所述构建电动汽车充电计划不等式约束模型为：

0≤P_EV,i(T_j)≤P_EV,i,max

i∈[1,N]

其中，N为电动汽车总数量，P_EV,i,max为第i辆电动汽车的电动汽车额定充电最大功率，P_EV,i(T_j)表示第i辆电动汽车在第j个电动汽车集群的充电结束时段内的充电功率；

步骤3所述构建电动汽车的用电成本模型为：

i∈[1,N]

其中，N为电动汽车总数量，α_i,cost表示第i辆电动汽车的用电成本，P_EV,i(T_j)表示第i辆电动汽车在第j个电动汽车集群的充电结束时段内的充电功率，T_j为第j个电动汽车集群的充电结束时段，

表示第j个电动汽车集群的充电结束时段的动态电价，m为电动汽车集群集合中电动汽车集群的数量，len(T_j)表示第j个电动汽车集群的充电结束时段的时长；

步骤3所述构建电动汽车充电计划优化模型为：

min:α_i,cost

各电动汽车之间存在竞争关系，是非合作动态博弈模型，根据电动汽车供电系统提供的动态电价，考虑自身利益，优化调整第i辆电动汽车的充电计划；

所述第i辆电动汽车的充电计划为：第i辆电动汽车的各时段充电功率即P_EV,i(T_j)、第i辆电动汽车起始充电时间所属于的电动汽车集群的充电结束时段即T_j；

步骤3所述通过ADMM算法优化得到优化后电动汽车充电计划为：

根据ADMM算法电动汽车各时段充电功率、电动汽车起始充电时间所属于的电动汽车集群的充电结束时段向充电结束时段的动态电价中低电价的时段调整，使得第i辆电动汽车的用电成本即α_i,cost达到最小化；

所述优化后电动汽车充电计划为：

第i辆电动汽车优化后起始充电时间所属于的电动汽车集群的充电结束时段即T^* _j，第i辆电动汽车优化后在第j个电动汽车集群的充电结束时段内的充电功率即P^* _EV,i(T_j)，j∈[1,m],m为电动汽车集群集合中电动汽车集群的数量；

步骤3所述计算电动汽车优化后的用电成本为：

其中，α^* _i,cost第i辆电动汽车优化后的用电成本，T^* _j为P^* _EV,i(T_j),j∈[1,m]中第i辆电动汽车第一个充电功率大于0所对应的电动汽车集群的充电结束时段；

作为优选，步骤4所述重复执行步骤1至步骤3进行多次迭代优化为：

步骤4所述多次迭代优化得到minα^iter+1 _i,cost，即第iter+1次迭代中优化后第i辆电动汽车的用电成本；

验证minα^iter+1 _i,cost是否和第iter次迭代中优化后第i辆电动汽车的用电成本即minα^iter _i,cost保持一致，若一致则该电动汽车优化后充电计划为最终优化后电动汽车充电计划，并且向电动汽车供电系统发布最终优化后电动汽车充电计划；

所述最终优化后电动汽车充电计划包括：

第i辆电动汽车最终优化后起始充电时间所属于的电动汽车集群的充电结束时段即T^end _j，第i辆电动汽车最终优化后在第j个电动汽车集群的充电结束时段内的充电功率即P^end _EV,i(T_j)，j∈[1,m],m为电动汽车集群集合中电动汽车集群的数量；

否则继续执行步骤1至步骤3，直至找到纳什均衡点得到最终优化后电动汽车充电计划。

本发明的有益效果为：

即使电动汽车规模快速增大，根据充电时间设计的电动汽车集群规模也能保持稳定，根据动态非合作博弈论进行分布式计算得到的充电策略可以获得更高质量的求解结果，且计算效率高、保护隐私，更适用于大规模电动汽车的实时优化调度

附图说明

图1：为本发明方法流程图。

图2：为本发明的电动汽车调度场景示意图。

具体实施方式：

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示为本发明的方法流程图，如图2所示为本发明的电动汽车调度场景示意图。下面结合图1以及图2介绍本发明的具体实施方式为一种基于划分电动汽车集群系统的电动汽车优化调度方法。

本发明具体实施方式中划分电动汽车集群系统包括：电动汽车调度系统与多个车载信息终端构成；所述电动汽车调度系统与所述多个车载信息终端依次通过无线方式连接；

所述电动汽车供电系统，用于收集所述多个车载信息终端依次无线上传的电动汽车基本信息、电动汽车充电计划，进一步结合历史负荷数据进行负荷曲线预测，依次向所述多个车载信息终端无线传输动态电价；

所述车载信息终端，用于向所述电动汽车供电系统无线上传电动汽车基本信息、电动汽车充电计划，并根据所述电动汽车供电系统无线传输的动态电价调整电动汽车充电计划达到整体最优平衡。

所述电动汽车供电系统选型为服务器；

所述车载信息终端选型为：集成电池管理系统的主控功能的整车控制模块SVCU。支持电池状态数据处理，汇总电池实时数据信息，完成处理后实现对电池充放电的管理及控制。

本发明具体实施方式中电动汽车优化调度方法，具体步骤如下：

步骤1：电动汽车通过车载信息终端将电动汽车基本信息无线传输至电动汽车供电系统，电动汽车供电系统根据电动汽车的充电功率和计划充电量计算电动汽车的结束充电时段，根据电动汽车的充电功率以及结束充电的时间将电动汽车划分为不同的电动汽车集群集合；

步骤1所述电动汽车基本信息为：

第i辆电动汽车的开始充电时段、第i辆电动汽车的电动汽车额定充电最大功率、第i辆电动汽车的电动汽车实际充电功率、第i辆电动汽车的现有电量、第i辆电动汽车的计划充电量，i∈[1,N]，N＝1000为电动汽车总数量；

第i辆电动汽车的开始充电时段定义为t_i,start，t_i,start取0:00～24:00之间的整点时间；

第i辆电动汽车的电动汽车额定充电最大功率定义为P_EV,i,max，设P_EV,i,max＝10kW；

第i辆电动汽车的电动汽车实际充电功率定义为P_EV,i，P_EV,i∈[0,10]kW；

第i辆电动汽车的现有电量定义为E_i,start，E_i,start∈[0,80]kWh；

第i辆电动汽车的计划充电量定义为E_i,end，E_i,start<E_i,end≤80kWh；

步骤1所述根据电动汽车的充电功率和计划充电量计算电动汽车的结束充电时段为：

其中，t_i,start为第i辆电动汽车的开始充电时段；P_EV,i,max为第i辆电动汽车的电动汽车额定充电最大功率；E_i,start为第i辆电动汽车的现有电量；E_i,end为第i辆电动汽车的计划充电量；t_i,end,表示第i辆电动汽车的结束充电的时间；η为充电效率；P_EV,i表示第i辆电动汽车的充电功率；

步骤1所述根据电动汽车的充电功率以及结束充电的时间将电动汽车划分为不同的电动汽车集群为：

电动汽车集群初始化时按照P_EV,i,max划分配置；

步骤1.1，初始化定义；令i＝1，m＝1，其中i表示第i辆电动汽车，m电动汽车集群总数，A定义为电动汽车集群集合：

A＝{(T₁,B₁,P₁)，(T₂,B₂,P₂),…,(T_j,B_j,P_j),…,(T_m,B_m,P_m)}，j＝1,2,…,m；

其中：

T_j定义为第j个电动汽车集群的结束充电时段；

B_j定义为第j个电动汽车集群所含电动汽车编号集合，B_j＝{ID_j,1,ID_j,2,…,ID_j,Nj}，其中ID_j,k是第j个电动汽车集群所含电动汽车编号集合中第k辆电动汽车的编号，k∈[1,N_j]，N_j是第j个电动汽车集群所含电动汽车总数；

P_j定义为第j个电动汽车集群的充电总功率，即P_j满足：

其中ID_j,k∈B_j，j＝1,2,...,m

初始化A为空集，初始化B_j为空集，j＝1,2,…,m；初始化电动汽车集群充电总功率为0，j＝1,2,…,m；

步骤1.2，获取第i辆电动汽车的电动汽车基本信息即：

第i辆电动汽车的开始充电时段t_i,start；第i辆电动汽车的现有电量E_i,start，第i辆电动汽车的计划充电量E_i,end，第i辆电动汽车的电动汽车实际充电功率P_EV,i；第i辆电动汽车的电动汽车额定充电最大功率定义为P_EV,i,max

步骤1.3，若

即出现了新的充电结束时段，则m＝m+1，表示增加一个新的电动汽车集群，令T_m＝t_i,end；P_m＝P_EV,i；B_m＝i∪B_m；否则t_i,end∈A，且t_i,end＝T_j，即第i辆电动汽车的结束充电时段与第j个电动汽车集群的结束充电时段相等，则B_j＝i∪B_j，表示第i辆电动汽车划入电动汽车集群B_j；P_j＝P_j+P_EV,i；

步骤1.4，i＝i+1，若i>N，则结束划分，否则重复步骤步骤1.2；

最终得到步骤1所述电动汽车集群集合为：

A＝{A₁,A₂,...,A_m}

A_j＝(T_j、B_j、P_j)

j∈[1,m]

其中，m为电动汽车集群集合中电动汽车集群的数量，一般设m＝24；A_j为第j个电动汽车集群，T_j为第j个电动汽车集群的充电结束时段，表示一天内的时段，B_j为第j个电动汽车集群的所含电动汽车编号集合，P_j为第j个电动汽车集群的电动汽车充电总功率；

步骤2：根据电动汽车集群的充电结束时段引入多天历史负荷数据，通过灰色预测模型方法预测得到电动汽车集群的充电结束时段的实时用电负荷，结合电动汽车集群的电动汽车充电总功率计算电动汽车集群的充电结束时段的动态电价，将电动汽车集群的充电结束时段的动态电价通过无线传输方式无线发送至各个电动汽车的车载信息终端；

步骤2所述电动汽车集群的充电结束时段为：T_j，j∈[1,m]；

其中，T_j为第j个电动汽车集群的充电结束时段，m为电动汽车集群集合中电动汽车集群的数量；

步骤2所述引入多天历史负荷数据为：

d∈[1,K]，j∈[1,m]；

其中，K为引入历史负荷数据的天数，设K＝14，m为电动汽车集群集合中电动汽车集群的数量，

为第d天历史负荷数据在第j个电动汽车集群的充电结束时段上的历史负荷；

步骤2所述电动汽车集群的充电结束时段的实时用电负荷为：

j∈[1,m]

其中，m为电动汽车集群集合中电动汽车集群的数量，

为第j个电动汽车集群的充电结束时段的实时历史负荷；

步骤2所述计算电动汽车集群的充电结束时段的动态电价为：

j∈[1,m]

其中，m为电动汽车集群集合中电动汽车集群的数量，

表示第j个电动汽车集群的充电结束时段的动态电价，P_max表示供电系统最大允许供电负荷，e_max表示电动汽车充电电价最大值，P_j为第j个电动汽车集群的电动汽车充电总功率；

步骤3：根据电动汽车的现有电量、电动汽车的计划充电量构建电动汽车充电计划等式约束模型，根据电动汽车的电动汽车额定充电最大功率构建电动汽车充电计划不等式约束模型，结合电动汽车集群的充电结束时段的动态电价构建电动汽车的用电成本模型，进一步以电动汽车的用电成本模型最小化为优化目标构建电动汽车充电计划优化模型，通过ADMM算法优化得到优化后电动汽车充电计划，结合优化后调整电动汽车充电计划计算电动汽车优化后的用电成本；

步骤3所述构建电动汽充电计划等式约束模型为：

i∈[1,N]

其中，N为电动汽车总数量，E_i,start为第i辆电动汽车的现有电量，E_i,end为第i辆电动汽车的计划充电量，P_EV,i(T_j)表示第i辆电动汽车在第j个电动汽车集群的充电结束时段内的充电功率，T_j为第j个电动汽车集群的充电结束时段，m为电动汽车集群集合中电动汽车集群的数量，len(T_j)表示第j个电动汽车集群的充电结束时段的时长，一般设len(T_j)＝1h；

步骤3所述构建电动汽车充电计划不等式约束模型为：

0≤P_EV,i(T_j)≤P_EV,i,max

i∈[1,N]

其中，N为电动汽车总数量，P_EV,i,max为第i辆电动汽车的电动汽车额定充电最大功率，P_EV,i(T_j)表示第i辆电动汽车在第j个电动汽车集群的充电结束时段内的充电功率；

步骤3所述构建电动汽车的用电成本模型为：

i∈[1,N]

其中，N为电动汽车总数量，α_i,cost表示第i辆电动汽车的用电成本，P_EV,i(T_j)表示第i辆电动汽车在第j个电动汽车集群的充电结束时段内的充电功率，T_j为第j个电动汽车集群的充电结束时段，

表示第j个电动汽车集群的充电结束时段的动态电价，m为电动汽车集群集合中电动汽车集群的数量，len(T_j)表示第j个电动汽车集群的充电结束时段的时长；

步骤3所述构建电动汽车充电计划优化模型为：

min:α_i,cost

各电动汽车之间存在竞争关系，是非合作动态博弈模型，根据电动汽车供电系统提供的动态电价，考虑自身利益，优化调整第i辆电动汽车的充电计划；

所述第i辆电动汽车的充电计划为：第i辆电动汽车的各时段充电功率即P_EV,i(T_j)、第i辆电动汽车起始充电时间所属于的电动汽车集群的充电结束时段即T_j；

步骤3所述通过ADMM算法优化得到优化后电动汽车充电计划为：

根据ADMM算法电动汽车各时段充电功率、电动汽车起始充电时间所属于的电动汽车集群的充电结束时段向充电结束时段的动态电价中低电价的时段调整，使得第i辆电动汽车的用电成本即α_i,cost达到最小化；

所述优化后电动汽车充电计划为：

第i辆电动汽车优化后起始充电时间所属于的电动汽车集群的充电结束时段即T^* _j，第i辆电动汽车优化后在第j个电动汽车集群的充电结束时段内的充电功率即P^* _EV,i(T_j)，j∈[1,m],m为电动汽车集群集合中电动汽车集群的数量；

步骤3所述计算电动汽车优化后的用电成本为：

其中，α^* _i,cost第i辆电动汽车优化后的用电成本，T^* _j为P^* _EV,i(T_j),j∈[1,m]中第i辆电动汽车第一个充电功率大于0所对应的电动汽车集群的充电结束时段；

步骤4：重复执行步骤1至步骤3进行多次迭代优化，直至优化后电动汽车充电计划达到纳什均衡点；

步骤4所述重复执行步骤1至步骤3进行多次迭代优化为：

步骤4所述多次迭代优化得到minα^iter+1 _i,cost，即第iter+1次迭代中优化后第i辆电动汽车的用电成本；

验证minα^iter+1 _i,cost是否和第iter次迭代中优化后第i辆电动汽车的用电成本即minα^iter _i,cost保持一致，若一致则该电动汽车优化后充电计划为最终优化后电动汽车充电计划，并且向电动汽车供电系统发布最终优化后电动汽车充电计划；

所述最终优化后电动汽车充电计划包括：

第i辆电动汽车最终优化后起始充电时间所属于的电动汽车集群的充电结束时段即T^end _j，第i辆电动汽车最终优化后在第j个电动汽车集群的充电结束时段内的充电功率即P^end _EV,i(T_j)，j∈[1,m],m为电动汽车集群集合中电动汽车集群的数量；

否则继续执行步骤1至步骤3，直至找到纳什均衡点得到最终优化后电动汽车充电计划。

本发明采用的ADMM分布式算法对模型进行求解，用局部信息解决自身的优化问题，并通过更新少量信息来推进迭代，既保护了电动汽车的隐私性，又减少了通信带宽和计算需求。

应当理解的是，本说明书未详细阐述的部分均属于现有技术。

应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。

Claims (5)

1.一种基于划分电动汽车集群系统的电动汽车优化调度方法，其特征在于：

所述划分电动汽车集群系统由电动汽车调度系统与多个车载信息终端构成；所述电动汽车调度系统与所述多个车载信息终端依次通过无线方式连接；

所述电动汽车供电系统，用于收集所述多个车载信息终端依次无线上传的电动汽车基本信息、电动汽车充电计划，进一步结合历史负荷数据进行负荷曲线预测，依次向所述多个车载信息终端无线传输动态电价；

所述车载信息终端，用于向所述电动汽车供电系统无线上传电动汽车基本信息、电动汽车充电计划，并根据所述电动汽车供电系统无线传输的动态电价调整电动汽车充电计划达到整体最优平衡；

所述电动汽车优化调度方法，包括以下步骤：

步骤1：电动汽车通过车载信息终端将电动汽车基本信息无线传输至电动汽车供电系统，电动汽车供电系统根据电动汽车的充电功率和计划充电量计算电动汽车的结束充电时段，根据电动汽车的充电功率以及结束充电的时间将电动汽车划分为不同的电动汽车集群集合；

步骤2：根据电动汽车集群的充电结束时段引入多天历史负荷数据，通过灰色预测模型方法预测得到电动汽车集群的充电结束时段的实时用电负荷，结合电动汽车集群的电动汽车充电总功率计算电动汽车集群的充电结束时段的动态电价，将电动汽车集群的充电结束时段的动态电价通过无线传输方式无线发送至各个电动汽车的车载信息终端；

步骤3：根据电动汽车的现有电量、电动汽车的计划充电量构建电动汽车充电计划等式约束模型，根据电动汽车的电动汽车额定充电最大功率构建电动汽车充电计划不等式约束模型，结合电动汽车集群的充电结束时段的动态电价构建电动汽车的用电成本模型，进一步以电动汽车的用电成本模型最小化为优化目标构建电动汽车充电计划优化模型，通过ADMM算法优化得到优化后电动汽车充电计划，结合优化后调整电动汽车充电计划计算电动汽车优化后的用电成本；

步骤4：重复执行步骤1至步骤3进行多次迭代优化，直至优化后电动汽车充电计划达到纳什均衡点。

2.根据权利要求1所述的基于划分电动汽车集群系统的电动汽车优化调度方法，其特征在于，包括以下步骤：

步骤1所述电动汽车基本信息为：

第i辆电动汽车的开始充电时段、第i辆电动汽车的电动汽车额定充电最大功率、第i辆电动汽车的电动汽车实际充电功率、第i辆电动汽车的现有电量、第i辆电动汽车的计划充电量，i∈[1,N]，N为电动汽车总数量；

第i辆电动汽车的开始充电时段定义为t_i,start；

第i辆电动汽车的电动汽车额定充电最大功率定义为P_EV,i,max；

第i辆电动汽车的电动汽车实际充电功率定义为P_EV,i；

第i辆电动汽车的现有电量定义为E_i,start；

第i辆电动汽车的计划充电量定义为E_i,end；

步骤1所述根据电动汽车的充电功率和计划充电量计算电动汽车的结束充电时段为：

其中，t_i,start为第i辆电动汽车的开始充电时段；P_EV,i,max为第i辆电动汽车的电动汽车额定充电最大功率；E_i,start为第i辆电动汽车的现有电量；E_i,end为第i辆电动汽车的计划充电量；t_i,end,表示第i辆电动汽车的结束充电的时间；η为充电效率；P_EV,i表示第i辆电动汽车的充电功率；

步骤1所述根据电动汽车的充电功率以及结束充电的时间将电动汽车划分为不同的电动汽车集群为：

电动汽车集群初始化时按照P_EV,i,max划分配置；

步骤1.1，初始化定义；令i＝1，m＝1，其中i表示第i辆电动汽车，m电动汽车集群总数，A定义为电动汽车集群集合：

A＝{(T₁,B₁,P₁)，(T₂,B₂,P₂),…,(T_j,B_j,P_j),…,(T_m,B_m,P_m)}，j＝1,2,…,m；

其中：

T_j定义为第j个电动汽车集群的结束充电时段；

B_j定义为第j个电动汽车集群所含电动汽车编号集合，B_j＝{ID_j,1,ID_j,2,…,ID_j,Nj}，其中ID_j,k是第j个电动汽车集群所含电动汽车编号集合中第k辆电动汽车的编号，k∈[1,N_j]，N_j是第j个电动汽车集群所含电动汽车总数；

P_j定义为第j个电动汽车集群的充电总功率，即P_j满足：

其中ID_j,k∈B_j，j＝1,2,...,m

初始化A为空集，初始化B_j为空集，j＝1,2,…,m；初始化电动汽车集群充电总功率为0，j＝1,2,…,m；

步骤1.2，获取第i辆电动汽车的电动汽车基本信息即：

第i辆电动汽车的开始充电时段t_i,start；第i辆电动汽车的现有电量E_i,start，第i辆电动汽车的计划充电量E_i,end，第i辆电动汽车的电动汽车实际充电功率P_EV,i；第i辆电动汽车的电动汽车额定充电最大功率定义为P_EV,i,max

步骤1.3，若

即出现了新的充电结束时段，则m＝m+1，表示增加一个新的电动汽车集群，令T_m＝t_i,end；P_m＝P_EV,i；B_m＝i∪B_m；否则t_i,end∈A，且t_i,end＝T_j，即第i辆电动汽车的结束充电时段与第j个电动汽车集群的结束充电时段相等，则B_j＝i∪B_j，表示第i辆电动汽车划入电动汽车集群B_j；P_j＝P_j+P_EV,i；

步骤1.4，i＝i+1，若i>N，则结束划分，否则重复步骤步骤1.2；

最终得到步骤1所述电动汽车集群集合为：

A＝{A₁,A₂,...,A_m}

A_j＝(T_j、B_j、P_j)

j∈[1,m]

其中，m为电动汽车集群集合中电动汽车集群的数量，A_j为第j个电动汽车集群，T_j为第j个电动汽车集群的充电结束时段，表示一天内的时段，B_j为第j个电动汽车集群的所含电动汽车编号集合，P_j为第j个电动汽车集群的电动汽车充电总功率。

3.根据权利要求1所述的基于划分电动汽车集群系统的电动汽车优化调度方法，其特征在于，包括以下步骤：

步骤2所述电动汽车集群的充电结束时段为：T_j，j∈[1,m]；

其中，T_j为第j个电动汽车集群的充电结束时段，m为电动汽车集群集合中电动汽车集群的数量；

步骤2所述引入多天历史负荷数据为：

d∈[1,K]，j∈[1,m]；

其中，K为引入历史负荷数据的天数，m为电动汽车集群集合中电动汽车集群的数量，

为第d天历史负荷数据在第j个电动汽车集群的充电结束时段上的历史负荷；

步骤2所述电动汽车集群的充电结束时段的实时用电负荷为：

j∈[1,m]

其中，m为电动汽车集群集合中电动汽车集群的数量，

为第j个电动汽车集群的充电结束时段的实时历史负荷；

步骤2所述计算电动汽车集群的充电结束时段的动态电价为：

j∈[1,m]

其中，m为电动汽车集群集合中电动汽车集群的数量，

表示第j个电动汽车集群的充电结束时段的动态电价，P_max表示供电系统最大允许供电负荷，e_max表示电动汽车充电电价最大值，P_j为第j个电动汽车集群的电动汽车充电总功率。

4.根据权利要求1所述的基于划分电动汽车集群系统的电动汽车优化调度方法，其特征在于，包括以下步骤：

步骤3所述构建电动汽充电计划等式约束模型为：

i∈[1,N]

其中，N为电动汽车总数量，E_i,start为第i辆电动汽车的现有电量，E_i,end为第i辆电动汽车的计划充电量，P_EV,i(T_j)表示第i辆电动汽车在第j个电动汽车集群的充电结束时段内的充电功率，T_j为第j个电动汽车集群的充电结束时段，m为电动汽车集群集合中电动汽车集群的数量，len(T_j)表示第j个电动汽车集群的充电结束时段的时长；

步骤3所述构建电动汽车充电计划不等式约束模型为：

0≤P_EV,i(T_j)≤P_EV,i,max

i∈[1,N]

其中，N为电动汽车总数量，P_EV,i,max为第i辆电动汽车的电动汽车额定充电最大功率，P_EV,i(T_j)表示第i辆电动汽车在第j个电动汽车集群的充电结束时段内的充电功率；

步骤3所述构建电动汽车的用电成本模型为：

i∈[1,N]

其中，N为电动汽车总数量，α_i,cost表示第i辆电动汽车的用电成本，P_EV,i(T_j)表示第i辆电动汽车在第j个电动汽车集群的充电结束时段内的充电功率，T_j为第j个电动汽车集群的充电结束时段，

表示第j个电动汽车集群的充电结束时段的动态电价，m为电动汽车集群集合中电动汽车集群的数量，len(T_j)表示第j个电动汽车集群的充电结束时段的时长；

步骤3所述构建电动汽车充电计划优化模型为：

min:α_i,cost

各电动汽车之间存在竞争关系，是非合作动态博弈模型，根据电动汽车供电系统提供的动态电价，考虑自身利益，优化调整第i辆电动汽车的充电计划；

所述第i辆电动汽车的充电计划为：第i辆电动汽车的各时段充电功率即P_EV,i(T_j)、第i辆电动汽车起始充电时间所属于的电动汽车集群的充电结束时段即T_j；

步骤3所述通过ADMM算法优化得到优化后电动汽车充电计划为：

根据ADMM算法电动汽车各时段充电功率、电动汽车起始充电时间所属于的电动汽车集群的充电结束时段向充电结束时段的动态电价中低电价的时段调整，使得第i辆电动汽车的用电成本即α_i,cost达到最小化；

所述优化后电动汽车充电计划为：

第i辆电动汽车优化后起始充电时间所属于的电动汽车集群的充电结束时段即T^* _j，第i辆电动汽车优化后在第j个电动汽车集群的充电结束时段内的充电功率即P^* _EV,i(T_j)，j∈[1,m],m为电动汽车集群集合中电动汽车集群的数量；

步骤3所述计算电动汽车优化后的用电成本为：

其中，α^* _i,cost第i辆电动汽车优化后的用电成本，T^* _j为P^* _EV,i(T_j),j∈[1,m]中第i辆电动汽车第一个充电功率大于0所对应的电动汽车集群的充电结束时段。

5.根据权利要求1所述的基于划分电动汽车集群系统的电动汽车优化调度方法，其特征在于，包括以下步骤：

步骤4所述重复执行步骤1至步骤3进行多次迭代优化为：

步骤4所述多次迭代优化得到minα^iter+1 _i,cost，即第iter+1次迭代中优化后第i辆电动汽车的用电成本；

验证minα^iter+1 _i,cost是否和第iter次迭代中优化后第i辆电动汽车的用电成本即minα^iter _i,cost保持一致，若一致则该电动汽车优化后充电计划为最终优化后电动汽车充电计划，并且向电动汽车供电系统发布最终优化后电动汽车充电计划；

所述最终优化后电动汽车充电计划包括：

第i辆电动汽车最终优化后起始充电时间所属于的电动汽车集群的充电结束时段即T^end _j，第i辆电动汽车最终优化后在第j个电动汽车集群的充电结束时段内的充电功率即P^end _EV,i(T_j)，j∈[1,m],m为电动汽车集群集合中电动汽车集群的数量；

否则继续执行步骤1至步骤3，直至找到纳什均衡点得到最终优化后电动汽车充电计划。

Images