CN113147482A - 一种电动汽车有序充电优化方法及系统 - Google Patents

一种电动汽车有序充电优化方法及系统 Download PDF

Info

Publication number
CN113147482A
CN113147482A CN202010013800.2A CN202010013800A CN113147482A CN 113147482 A CN113147482 A CN 113147482A CN 202010013800 A CN202010013800 A CN 202010013800A CN 113147482 A CN113147482 A CN 113147482A
Authority
CN
China
Prior art keywords
charging
ordered
electric vehicle
data
time
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
Application number
CN202010013800.2A
Other languages
English (en)
Other versions
CN113147482B (zh
Inventor
沈国辉
耿爱国
赵宇
刘方
李晓光
董晓
马慧远
梁强
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.)
Beijing Kedong Electric Power Control System Co Ltd
State Grid Beijing Electric Power Co Ltd
State Grid Electric Power Research Institute
Original Assignee
Beijing Kedong Electric Power Control System Co Ltd
State Grid Beijing Electric Power Co Ltd
State Grid Electric Power Research Institute
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 Beijing Kedong Electric Power Control System Co Ltd, State Grid Beijing Electric Power Co Ltd, State Grid Electric Power Research Institute filed Critical Beijing Kedong Electric Power Control System Co Ltd
Priority to CN202010013800.2A priority Critical patent/CN113147482B/zh
Publication of CN113147482A publication Critical patent/CN113147482A/zh
Application granted granted Critical
Publication of CN113147482B publication Critical patent/CN113147482B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • B60L53/64—Optimising energy costs, e.g. responding to electricity rates
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • 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
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Quality & Reliability (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Transportation (AREA)
  • Educational Administration (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Power Engineering (AREA)
  • Mechanical Engineering (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)

Abstract

本发明公开了一种电动汽车有序充电优化方法及系统，获取台区电力居民基础负荷预测数据、上级电网调控要求数据、用户充电需求数据和有序充电主站的电动车充电数据；将台区电力居民基础负荷预测数据、上级电网调控要求数据、用户充电需求数据和有序充电主站的电动车充电数据输入到预先构建的有序充电双目标优化模型，确定参与有序充电调度的每辆电动汽车的充电时间和充电功率，形成充电计划下发给能源控制器，完成对电动汽车充电的有序控制。优点：与现有技术相比，本发明满足上级电网的调控需求，保证电网的安全稳定运行，同时最大化的节约用户的用电成本。

Description

一种电动汽车有序充电优化方法及系统
技术领域
本发明涉及一种电动汽车有序充电优化方法及系统，属于电动汽车有序充 电技术领域。
背景技术
随着电动汽车的大面积推广使用，电动汽车无序充电给电网带来的冲击不 可忽视，鼓励电动汽车用户参与有序充电是很有意义的。传统有序充电策略控 制目标相对单一，通常集中于对电网负荷水平进行优化，但该策略未考虑用户 的充电成本，不能充分调动用户参与有序充电的积极性，此外此种策略只是对 本台区的负荷波动水平进行优化，未考虑上级电网协同控制对负荷变化的调控 需求，以满足大电网安全稳定的运行需求。
发明内容
本发明所要解决的技术问题是克服现有技术的缺陷，提供一种电动汽车有 序充电优化方法及系统，解决响应上级电网调控的台区电动汽车有序充电问题， 以满足上级电网的调控需求，保证电网的安全稳定运行，同时最大化的节约用 户的用电成本。
为解决上述技术问题，本发明提供一种电动汽车有序充电优化方法，获取 台区电力居民基础负荷预测数据、上级电网调控要求数据、用户充电需求数据 和有序充电主站的电动车充电数据；
将台区电力居民基础负荷预测数据、上级电网调控要求数据、用户充电需 求数据和有序充电主站的电动车充电数据输入到预先构建的有序充电双目标优 化模型，确定参与有序充电调度的每辆电动汽车的充电时间和充电功率，形成 充电计划下发给能源控制器，完成对电动汽车充电的有序控制。
进一步的，所述台区电力居民基础负荷预测数据采用基于相似日的BP神经 网络方法进行预测。
进一步的，所述用户充电需求数据包括有序充电订单开始时间T′、用户提 车时间T″、用户充电需求电量Qn；
所述有序充电主站的电动车充电数据包括当前第n辆车t时段主站编排的充 电功率Pt n、台区t时段已编排的电动车计划充电电量Pt K；
所述台区电力居民基础负荷预测数据为台区t时段居民基础预测负荷Pt B；
所述上级电网调控要求数据为上级电网下达给台区t时段目标控制负荷Pt A。
进一步的，所述有序充电双目标优化模型为：
Figure BDA0002358104990000021
其中，min表示此函数的最小值作为优化目标，F1表示响应上级电网调控的 目标函数，F2表示用户充电成本的目标函数，α1与α2为均衡系数，且满足α1+α2＝1，F1(max)为目标函数F1的最大值，F2(max)为目标函数F2的最大值。
进一步的，所述目标函数F1为：
Figure BDA0002358104990000022
其中，ΔTl为该响应上级电网负荷调控要求下的有序充电的充电调控时长， Tl为充电调控的时间区间；
Figure BDA0002358104990000023
Figure BDA0002358104990000024
为台区t-1时段已编排的电动车计划充电电量，Pt n为每个用户电动汽车 的功率，n为电动汽车t时刻参与响应上级电网调控的数量，
Figure BDA0002358104990000025
Figure BDA0002358104990000031
为电动汽车充电的额定功率；
所述目标函数F2为：
Figure BDA0002358104990000032
其中，T0为用户充电开始时间，ΔT1为满足充电要求的用户充电时长，Δt为 时间单元，l(t)为该台区的分时电价模型；
所述满足充电要求的约束条件为：
Figure BDA0002358104990000033
进一步的，采用粒子群算法对目标函数F进行求解，得到参与有序充电调 度的每辆电动汽车的充电时间和充电功率，形成充电计划下发给能源控制器， 完成对电动汽车充电的有序控制。
一种电动汽车有序充电优化系统，包括获取模块和确定模块；
所述获取模块，用于获取台区电力居民基础负荷预测数据、上级电网调控 要求数据、用户充电需求数据和有序充电主站的电动车充电数据；
所述确定模块，用于将台区电力居民基础负荷预测数据、上级电网调控要 求数据、用户充电需求数据和有序充电主站的电动车充电数据输入到预先构建 的有序充电双目标优化模型，确定参与有序充电调度的每辆电动汽车的充电时 间和充电功率，形成充电计划下发给能源控制器，完成对电动汽车充电的有序 控制。
进一步的，所述获取模块包括预测模块，用于采用基于相似日的BP神经网 络方法预测台区电力居民基础负荷预测数据。
进一步的，所述获取模块包括第一获取模块、第二获取模块、第三获取模 块和第四获取模块；
所述第一获取模块，用于获取用户充电的有序充电订单开始时间T′、用户 提车时间T″、用户充电需求电量Qn；
所述第二获取模块，用于获取当前第n辆车t时段主站编排的充电功率Pt n、 台区t时段已编排的电动车计划充电电量Pt K；
所述第三获取模块，用于获取台区t时段居民基础预测负荷Pt B；
所述第四获取模块，用于获取上级电网下达给台区t时段目标控制负荷Pt A。
进一步的，所述确定模块包括有序充电双目标优化模型确定模块，用于确 定有序充电双目标优化模型：
Figure BDA0002358104990000041
其中，min表示此函数的最小值作为优化目标，F1表示响应上级电网调控的 目标函数，F2表示用户充电成本的目标函数，α1与α2为均衡系数，且满足α1+α2＝1，F1(max)为目标函数F1的最大值，F2(max)为目标函数F2的最大值。
进一步的，所述有序充电双目标优化模型确定模块包括第一目标函数确定 模块、第二目标函数确定模块；
所述第一目标函数确定模块，用于确定目标函数F1：
Figure BDA0002358104990000042
其中，ΔTl为该响应上级电网负荷调控要求下的有序充电的充电调控时长，
Tl为充电调控的时间区间；
Figure BDA0002358104990000043
Figure BDA0002358104990000044
为台区t-1时段已编排的电动车计划充电电量，Pt n为每个用户电动汽车 的功率，n为电动汽车t时刻参与响应上级电网调控的数量，
Figure BDA0002358104990000051
Figure BDA0002358104990000052
为电动汽车充电的额定功率；
所述第二目标函数确定模块，用于确定目标函数F2：
Figure BDA0002358104990000053
其中，T0为用户充电开始时间，ΔT1为满足充电要求的用户充电时长，Δt为 时间单元，l(t)为该台区的分时电价模型；
所述满足充电要求的约束条件为：
Figure BDA0002358104990000054
进一步的，所述确定模块还包括求解模块，用于采用粒子群算法对目标函 数F进行求解，得到参与有序充电调度的每辆电动汽车的充电时间和充电功率， 形成充电计划下发给能源控制器，完成对电动汽车充电的有序控制。
本发明所达到的有益效果：
本发明能够一方面对用户充电成本进行优化，最大化节省用户的充电成本， 以吸引更多的用户参与有序充电，另一方面响应上级电网负荷波动的控制需求， 满足电力公司对电网安全稳定运行的要求，减少无序充电对电网运行造成的冲 击，同时对两个目标的均衡优化，可以从整体上提高有序充电应用的社会和经 济价值。
附图说明
图1是本发明的电动汽车有序充电优化方法的流程示意图；
图2是本发明的全天负荷预测示意图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，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，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施 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 下所获得的所有其它实施例，都属于本发明保护的范围。
下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。
如图1所示，一种电动汽车有序充电优化方法，获取台区电力居民基础负 荷预测数据、上级电网调控要求数据、用户充电需求数据和有序充电主站的电 动车充电数据；
将台区电力居民基础负荷预测数据、上级电网调控要求数据、用户充电需 求数据和有序充电主站的电动车充电数据输入到预先构建的有序充电双目标优 化模型，确定参与有序充电调度的每辆电动汽车的充电时间和充电功率，形成 充电计划下发给能源控制器，完成对电动汽车充电的有序控制。一方面对用户 成本进行优化，另一方面，响应上级电网的负荷调控要求。
台区负荷预测是基于相似日的BP神经网络方法进行预测：
实施例1
若对台区负荷进行预测可将预测日某时刻前三个相似日同一时刻的负荷数 据和当天的气象数据、日类型作为输入数据集P，将该天该时刻的负荷数据作为 输出数据集T；
所述的输入数据集P的气象数据包括每小时的温度和湿度，日类型包括工 作日和休息日，其中工作日设置为0.4、休息日设置为0.6，那么以某个历史样 本为例，每个历史样本的输入数据P如下表所示：
Figure BDA0002358104990000071
输出数据T包括当天同一时刻的负荷数据、日类型(工作日/休息日)、气 象数据(温度)、气象数据(湿度)，如下表所示。
Figure BDA0002358104990000072
以预测某台区2019年4月17日的负荷数据，说明具体的负荷预测流程：
选定预测日第227个时刻(预测日每五分钟作为一个时刻单元，共288个 时刻)前14个相似日作为历史样本的输入数据P：
P＝[
140 160 165 150 142 148 141 143 170 175 150 152 147 151；
145 140 160 165 150 142 148 141 143 170 175 150 152 147；
155 145 140 160 165 150 142 148 141 143 170 175 150 152；
0.4 0.6 0.6 0.4 0.4 0.4 0.4 0.4 0.6 0.6 0.4 0.4 0.4 0.4；
25 27 25 24 28 27 26 25 24 28 25 28 26 27；
40 41 38 39 43 50 55 44 40 49 47 44 42 45]；
每个历史样本的输出数据T：
T＝[160 165 150 142 148 141 143 170 175 150 152 147 151 153]；
由天气预报获取预测日4月17日的气象数据，组成预测日的输入数据A：
Figure BDA0002358104990000073
Figure BDA0002358104990000081
A＝[151；147；152；0.4；24；42]；
BP网络由输入层、隐层和输出层组成，隐层可以有一层或多层，m×k×n 的三层BP网络模型，本发明网络选用S型传递函数
Figure BDA0002358104990000082
通过反传 误差函数
Figure BDA0002358104990000083
(Ti为期望输出、Oi为网络的计算输出)，不断调节 网络权值和阈值使误差函数E达到极小。
输入层设计：该模型由每组数据的各项素质指标作为输入，以负荷作为输 出，所以输入层的节点数为6，输出层的节点数为1。
隐层设计：有关研究表明,有一个隐层的神经网络,只要隐节点足够多,就可 以以任意精度逼近一个非线性函数。因此,本文采用含有一个隐层的三层多输入 单输出的BP网络建立预测模型。在网络设计过程中,隐层神经元数的确定十分 重要。隐层神经元个数过多,会加大网络计算量并容易产生过度拟合问题；神经 元个数过少,则会影响网络性能,达不到预期效果。网络中隐层神经元的数目与 实际问题的复杂程度、输入和输出层的神经元数以及对期望误差的设定有着直 接的联系。目前,对于隐层中神经元数目的确定并没有明确的公式,只有一些经 验公式，神经元个数的最终确定还是需要根据经验和多次实验来确定。本文在 选取隐层神经元个数的问题上参照了以下的经验公式:
Figure BDA0002358104990000084
其中,n为输入层神经元个数,m为输出层神经元个数,a为[1,10]之间的常数。
根据上式可以计算出神经元个数为4-13个之间，在本次实验中选择隐层神 经元个数为6。
通过BP神经网络，预测日4月17日第227个时刻的负荷是148KW，实际负 荷是157KW,基于同样方法，4月17日全天负荷预测如图2所示。
有序充电架构如下：
主要参与方为用户、能源路由器、能源控制器与有序充电主站，用户通过 手机APP输入充电类型(正常充电、有序充电)、充电电量、充电开始时间与结 束时间，启动充电；主站与智能设备接收到用户充电需求和上级电网调控需求， 制定相应的充电计划，能源路由器执行充电计划，有序充电主站下发给能源控 制器的充电计划每15分钟进行更新。
所述的电动汽车有序充电双目标优化模型，一方面对用户成本进行优化， 另一方面，响应上级电网的负荷调控要求，对台区负荷进行调控，具体分为以 下步骤：
S41:用户发起充电请求时，输入充电服务模式(正常充或有序充)、订单开 始时间T′，用户提车时间T″，用户充电需求电量Qn，当前第n辆车t时段主站编 排的充电功率为Pt n，获取上级电网下达给台区t时段目标控制负荷Pt A，台区t时 段居民基础预测负荷Pt B，台区t时段已编排的电动车计划充电电量Pt K；
S42：响应上级电网控制策略，该策略使台区实际负荷与上级电网调控的目 标负荷尽可能一致；用户充电成本的优化目标函数由以下各式确定，其中T0为 用户充电开始时间，Pt n为某辆车t时刻的充电功率，Δt为15min的时间单元，ΔT1为第一级优化策略下满足要求的用户充电时长：
(1)满足用户充电电量，充电时间区间在用户提车提车时间和订单开始时 间之间，其中T0为用户充电开始时间，Pt n为某辆车t时刻的充电功率，Δt为15min 的时间单元，为ΔT1为满足要求的用户充电时长，T0为用户充电开始时间，对于 每一辆车的约束条件如下：
Figure BDA0002358104990000091
(2)响应上级电网调控目标函数F1可由下式确定，ΔTl为该策略下有序充电 的充电调控时长，Tl为充电调控的时间区间，
Figure BDA0002358104990000101
为某辆电动汽车t时刻的充电 功率：
Figure BDA0002358104990000102
Figure BDA0002358104990000103
(3)电动汽车t时刻参与响应上级电网调控的数量有n个，每个用户电动 汽车的功率
Figure BDA0002358104990000104
确定如下：
Figure BDA0002358104990000105
S43:节省用户成本策略，该策略控制每辆电动汽车的充电成本最小，如下 式决定，其中l(t)为该台区的分时电价模型：
Figure BDA0002358104990000106
S44：同时将式F1和F2作为目标函数，建立响应上级电网负荷调控并优化 用户充电成本的有序充电双目标优化模型；该有序充电双目标优化模型的目标 函数如下，其中α1与α2为均衡系数，两者之和为1，α1取0.6，F1(max)为目标函 数F1的最大值，F2(max)为目标函数F2的最大值：
Figure BDA0002358104990000107
S45：采用粒子群算法，结合(1)、(3)、(4)式对目标函数F进行求解， 得到参与有序充电调度的每辆电动汽车的充电时间和充电功率，形成充电计划 下发给能源控制器，完成对电动汽车充电的有序控制。
相应的本发明还提供一种电动汽车有序充电优化系统，包括获取模块和确 定模块；
所述获取模块，用于获取台区电力居民基础负荷预测数据、上级电网调控 要求数据、用户充电需求数据和有序充电主站的电动车充电数据；
所述确定模块，用于将台区电力居民基础负荷预测数据、上级电网调控要 求数据、用户充电需求数据和有序充电主站的电动车充电数据输入到预先构建 的有序充电双目标优化模型，确定参与有序充电调度的每辆电动汽车的充电时 间和充电功率，形成充电计划下发给能源控制器，完成对电动汽车充电的有序 控制。
所述获取模块包括预测模块，用于采用基于相似日的BP神经网络方法预测 台区电力居民基础负荷预测数据。
所述获取模块包括第一获取模块、第二获取模块、第三获取模块和第四获 取模块；
所述第一获取模块，用于获取用户充电的有序充电订单开始时间T′、用户 提车时间T″、用户充电需求电量Qn；
所述第二获取模块，用于获取当前第n辆车t时段主站编排的充电功率Pt n、 台区t时段已编排的电动车计划充电电量Pt K；
所述第三获取模块，用于获取台区t时段居民基础预测负荷Pt B；
所述第四获取模块，用于获取上级电网下达给台区t时段目标控制负荷Pt A。
所述确定模块包括有序充电双目标优化模型确定模块，用于确定有序充电 双目标优化模型：
Figure BDA0002358104990000111
其中，min表示此函数的最小值作为优化目标，F1表示响应上级电网调控的 目标函数，F2表示用户充电成本的目标函数，α1与α2为均衡系数，且满足α1+α2＝1，F1(max)为目标函数F1的最大值，F2(max)为目标函数F2的最大值。
所述有序充电双目标优化模型确定模块包括第一目标函数确定模块、第二 目标函数确定模块；
所述第一目标函数确定模块，用于确定目标函数F1：
Figure BDA0002358104990000121
其中，ΔTl为该响应上级电网负荷调控要求下的有序充电的充电调控时长， Tl为充电调控的时间区间；
Figure BDA0002358104990000122
Figure BDA0002358104990000123
为台区t-1时段已编排的电动车计划充电电量，Pt n为每个用户电动汽车 的功率，n为电动汽车t时刻参与响应上级电网调控的数量，
Figure BDA0002358104990000124
Figure BDA0002358104990000125
为电动汽车充电的额定功率；
所述第二目标函数确定模块，用于确定目标函数F2：
Figure BDA0002358104990000126
其中，T0为用户充电开始时间，ΔT1为满足充电要求的用户充电时长，Δt为 时间单元，l(t)为该台区的分时电价模型；
所述满足充电要求的约束条件为：
Figure BDA0002358104990000131
所述确定模块还包括求解模块，用于采用粒子群算法对目标函数F进行求 解，得到参与有序充电调度的每辆电动汽车的充电时间和充电功率，形成充电 计划下发给能源控制器，完成对电动汽车充电的有序控制。
本发明提供了响应上级电网负荷调控模型，给出了负荷调控模型的约束条 件，即满足用户充电电量和充电时间的需求，基于上级电网负荷调控需求给出 了电动汽车充电功率的确定方法；
考虑节省用户的用电成本，建立有序充电双目标优化模型，在对响应上级 电网控制目标和用户成本控制目标进行量纲归一化后，对该模型的两个控制目 标设置均衡系数，通过对均衡系数的调整，确定控制目标的优先程度，本发明 以响应上级电网负荷调控为主要目标，故相应的均衡系数设置为0.6。
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。
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 (12)

1.一种电动汽车有序充电优化方法，其特征在于，获取台区电力居民基础负荷预测数据、上级电网调控要求数据、用户充电需求数据和有序充电主站的电动车充电数据；
将台区电力居民基础负荷预测数据、上级电网调控要求数据、用户充电需求数据和有序充电主站的电动车充电数据输入到预先构建的有序充电双目标优化模型，确定参与有序充电调度的每辆电动汽车的充电时间和充电功率，形成充电计划下发给能源控制器，完成对电动汽车充电的有序控制。
2.根据权利要求1所述的电动汽车有序充电优化方法，其特征在于，所述台区电力居民基础负荷预测数据采用基于相似日的BP神经网络方法进行预测。
3.根据权利要求1所述的电动汽车有序充电优化方法，其特征在于，所述用户充电需求数据包括有序充电订单开始时间T′、用户提车时间T″、用户充电需求电量Qn；
所述有序充电主站的电动车充电数据包括当前第n辆车t时段主站编排的充电功率Pt n、台区t时段已编排的电动车计划充电电量Pt K；
所述台区电力居民基础负荷预测数据为台区t时段居民基础预测负荷Pt B；
所述上级电网调控要求数据为上级电网下达给台区t时段目标控制负荷Pt A。
4.根据权利要求3所述的电动汽车有序充电优化方法，其特征在于，所述有序充电双目标优化模型为：
Figure FDA0002358104980000011
其中，min表示此函数的最小值作为优化目标，F1表示响应上级电网调控的目标函数，F2表示用户充电成本的目标函数，α1与α2为均衡系数，且满足α1+α2＝1，F1(max)为目标函数F1的最大值，F2(max)为目标函数F2的最大值。
5.根据权利要求4所述的电动汽车有序充电优化方法，其特征在于，所述目标函数F1为：
Figure FDA0002358104980000021
其中，ΔTl为该响应上级电网负荷调控要求下的有序充电的充电调控时长，
Tl为充电调控的时间区间；
Figure FDA0002358104980000022
Figure FDA0002358104980000023
为台区t-1时段已编排的电动车计划充电电量，Pt n为每个用户电动汽车的功率，n为电动汽车t时刻参与响应上级电网调控的数量，
Figure FDA0002358104980000024
Figure FDA0002358104980000025
为电动汽车充电的额定功率；
所述目标函数F2为：
Figure FDA0002358104980000026
其中，T0为用户充电开始时间，ΔT1为满足充电要求的用户充电时长，Δt为时间单元，l(t)为该台区的分时电价模型；
所述满足充电要求的约束条件为：
Figure FDA0002358104980000027
6.根据权利要求4所述的电动汽车有序充电优化方法，其特征在于，采用粒子群算法对目标函数F进行求解，得到参与有序充电调度的每辆电动汽车的充电时间和充电功率，形成充电计划下发给能源控制器，完成对电动汽车充电的有序控制。
7.一种电动汽车有序充电优化系统，其特征在于，包括获取模块和确定模块；
所述获取模块，用于获取台区电力居民基础负荷预测数据、上级电网调控要求数据、用户充电需求数据和有序充电主站的电动车充电数据；
所述确定模块，用于将台区电力居民基础负荷预测数据、上级电网调控要求数据、用户充电需求数据和有序充电主站的电动车充电数据输入到预先构建的有序充电双目标优化模型，确定参与有序充电调度的每辆电动汽车的充电时间和充电功率，形成充电计划下发给能源控制器，完成对电动汽车充电的有序控制。
8.根据权利要求7所述的电动汽车有序充电优化系统，其特征在于，所述获取模块包括预测模块，用于采用基于相似日的BP神经网络方法预测台区电力居民基础负荷预测数据。
9.根据权利要求7所述的电动汽车有序充电优化系统，其特征在于，所述获取模块包括第一获取模块、第二获取模块、第三获取模块和第四获取模块；
所述第一获取模块，用于获取用户充电的有序充电订单开始时间T′、用户提车时间T″、用户充电需求电量Qn；
所述第二获取模块，用于获取当前第n辆车t时段主站编排的充电功率Pt n、台区t时段已编排的电动车计划充电电量Pt K；
所述第三获取模块，用于获取台区t时段居民基础预测负荷Pt B；
所述第四获取模块，用于获取上级电网下达给台区t时段目标控制负荷Pt A。
10.根据权利要求9所述的电动汽车有序充电优化系统，其特征在于，所述确定模块包括有序充电双目标优化模型确定模块，用于确定有序充电双目标优化模型：
Figure FDA0002358104980000041
其中，min表示此函数的最小值作为优化目标，F1表示响应上级电网调控的目标函数，F2表示用户充电成本的目标函数，α1与α2为均衡系数，且满足α1+α2＝1，F1(max)为目标函数F1的最大值，F2(max)为目标函数F2的最大值。
11.根据权利要求10所述的电动汽车有序充电优化系统，其特征在于，所述有序充电双目标优化模型确定模块包括第一目标函数确定模块、第二目标函数确定模块；
所述第一目标函数确定模块，用于确定目标函数F1：
Figure FDA0002358104980000042
其中，ΔTl为该响应上级电网负荷调控要求下的有序充电的充电调控时长，
Tl为充电调控的时间区间；
Figure FDA0002358104980000043
Figure FDA0002358104980000044
为台区t-1时段已编排的电动车计划充电电量，Pt n为每个用户电动汽车的功率，n为电动汽车t时刻参与响应上级电网调控的数量，
Figure FDA0002358104980000045
Figure FDA0002358104980000046
为电动汽车充电的额定功率；
所述第二目标函数确定模块，用于确定目标函数F2：
Figure FDA0002358104980000051
其中，T0为用户充电开始时间，ΔT1为满足充电要求的用户充电时长，Δt为时间单元，l(t)为该台区的分时电价模型；
所述满足充电要求的约束条件为：
Figure FDA0002358104980000052
12.根据权利要求10所述的电动汽车有序充电优化系统，其特征在于，所述确定模块还包括求解模块，用于采用粒子群算法对目标函数F进行求解，得到参与有序充电调度的每辆电动汽车的充电时间和充电功率，形成充电计划下发给能源控制器，完成对电动汽车充电的有序控制。
CN202010013800.2A 2020-01-07 2020-01-07 一种电动汽车有序充电优化方法及系统 Active CN113147482B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010013800.2A CN113147482B (zh) 2020-01-07 2020-01-07 一种电动汽车有序充电优化方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010013800.2A CN113147482B (zh) 2020-01-07 2020-01-07 一种电动汽车有序充电优化方法及系统

Publications (2)

Publication Number Publication Date
CN113147482A true CN113147482A (zh) 2021-07-23
CN113147482B CN113147482B (zh) 2023-12-12

Family

ID=76881373

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010013800.2A Active CN113147482B (zh) 2020-01-07 2020-01-07 一种电动汽车有序充电优化方法及系统

Country Status (1)

Country Link
CN (1) CN113147482B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113715669A (zh) * 2021-07-27 2021-11-30 西安交通大学 电动汽车有序充电控制方法、系统、设备及可读存储介质
CN113978303A (zh) * 2021-11-16 2022-01-28 国网天津市电力公司 一种电动汽车的充电方法和系统
CN114103711A (zh) * 2021-12-01 2022-03-01 国网北京市电力公司 充电负荷有序充电的控制方法、系统、装置和存储介质
CN114274821A (zh) * 2021-11-30 2022-04-05 南瑞集团有限公司 一种智能交流充放电桩
CN114435176A (zh) * 2022-01-27 2022-05-06 南京能瑞电力科技有限公司 有序充电系统及方法
CN114707817A (zh) * 2022-03-16 2022-07-05 国网湖南省电力有限公司 一种参与有序用电用户的可调控负荷预测方法及系统
CN115431811A (zh) * 2022-11-08 2022-12-06 国网江苏省电力有限公司营销服务中心 一种基于电网数据采集网络的电动汽车有序充电控制系统和方法
CN117526317A (zh) * 2024-01-05 2024-02-06 东莞市满佳电子科技有限公司 基于大数据的能源分配调度方法及装置

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102055217A (zh) * 2010-10-27 2011-05-11 国家电网公司 电动汽车有序充电控制方法及系统
DE102011008675A1 (de) * 2011-01-15 2012-07-19 Daimler Ag Verfahren zum Aufladen einer Batterie eines Fahrzeuges
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
CN105024432A (zh) * 2015-07-30 2015-11-04 浙江工业大学 一种基于虚拟电价的电动汽车充放电优化调度方法
CN105932741A (zh) * 2016-06-02 2016-09-07 中国南方电网有限责任公司电网技术研究中心 电动汽车群的充电控制方法和系统
CN107618393A (zh) * 2017-09-29 2018-01-23 重庆邮电大学 一种基于杠杆电价的电动汽车充电负荷调控系统及方法
CN107745650A (zh) * 2017-10-26 2018-03-02 电子科技大学 一种基于峰谷分时电价的电动汽车有序充电控制方法
CN108390421A (zh) * 2018-01-19 2018-08-10 上海电力学院 计及用户满意度的电动汽车双尺度充电引导方法及系统
CN108944531A (zh) * 2018-07-24 2018-12-07 河海大学常州校区 一种电动汽车有序充电控制方法
CN109217310A (zh) * 2018-10-25 2019-01-15 三峡大学 一种考虑新能源消纳的电动汽车有序充电控制方法
CN109409618A (zh) * 2018-12-13 2019-03-01 江苏中科瀚星数据科技有限公司 一种住宅区内电动汽车充电负荷预测方法
CN109685554A (zh) * 2018-12-13 2019-04-26 江苏中科瀚星数据科技有限公司 一种居民区电动汽车充电桩运营模式
CN109936128A (zh) * 2018-12-11 2019-06-25 国网天津市电力公司电力科学研究院 一种规模化电动汽车接入条件下的动态需求响应方法
CN109980667A (zh) * 2019-02-13 2019-07-05 国电南瑞科技股份有限公司 一种用于电动汽车的有序充电方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102055217A (zh) * 2010-10-27 2011-05-11 国家电网公司 电动汽车有序充电控制方法及系统
DE102011008675A1 (de) * 2011-01-15 2012-07-19 Daimler Ag Verfahren zum Aufladen einer Batterie eines Fahrzeuges
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
CN105024432A (zh) * 2015-07-30 2015-11-04 浙江工业大学 一种基于虚拟电价的电动汽车充放电优化调度方法
CN105932741A (zh) * 2016-06-02 2016-09-07 中国南方电网有限责任公司电网技术研究中心 电动汽车群的充电控制方法和系统
CN107618393A (zh) * 2017-09-29 2018-01-23 重庆邮电大学 一种基于杠杆电价的电动汽车充电负荷调控系统及方法
CN107745650A (zh) * 2017-10-26 2018-03-02 电子科技大学 一种基于峰谷分时电价的电动汽车有序充电控制方法
CN108390421A (zh) * 2018-01-19 2018-08-10 上海电力学院 计及用户满意度的电动汽车双尺度充电引导方法及系统
CN108944531A (zh) * 2018-07-24 2018-12-07 河海大学常州校区 一种电动汽车有序充电控制方法
CN109217310A (zh) * 2018-10-25 2019-01-15 三峡大学 一种考虑新能源消纳的电动汽车有序充电控制方法
CN109936128A (zh) * 2018-12-11 2019-06-25 国网天津市电力公司电力科学研究院 一种规模化电动汽车接入条件下的动态需求响应方法
CN109409618A (zh) * 2018-12-13 2019-03-01 江苏中科瀚星数据科技有限公司 一种住宅区内电动汽车充电负荷预测方法
CN109685554A (zh) * 2018-12-13 2019-04-26 江苏中科瀚星数据科技有限公司 一种居民区电动汽车充电桩运营模式
CN109980667A (zh) * 2019-02-13 2019-07-05 国电南瑞科技股份有限公司 一种用于电动汽车的有序充电方法

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113715669A (zh) * 2021-07-27 2021-11-30 西安交通大学 电动汽车有序充电控制方法、系统、设备及可读存储介质
CN113715669B (zh) * 2021-07-27 2023-09-26 西安交通大学 电动汽车有序充电控制方法、系统、设备及可读存储介质
CN113978303A (zh) * 2021-11-16 2022-01-28 国网天津市电力公司 一种电动汽车的充电方法和系统
CN113978303B (zh) * 2021-11-16 2023-10-27 国网天津市电力公司 一种电动汽车的充电方法和系统
CN114274821A (zh) * 2021-11-30 2022-04-05 南瑞集团有限公司 一种智能交流充放电桩
CN114103711A (zh) * 2021-12-01 2022-03-01 国网北京市电力公司 充电负荷有序充电的控制方法、系统、装置和存储介质
CN114435176A (zh) * 2022-01-27 2022-05-06 南京能瑞电力科技有限公司 有序充电系统及方法
CN114707817A (zh) * 2022-03-16 2022-07-05 国网湖南省电力有限公司 一种参与有序用电用户的可调控负荷预测方法及系统
CN115431811A (zh) * 2022-11-08 2022-12-06 国网江苏省电力有限公司营销服务中心 一种基于电网数据采集网络的电动汽车有序充电控制系统和方法
CN117526317A (zh) * 2024-01-05 2024-02-06 东莞市满佳电子科技有限公司 基于大数据的能源分配调度方法及装置
CN117526317B (zh) * 2024-01-05 2024-03-26 东莞市满佳电子科技有限公司 基于大数据的能源分配调度方法及装置

Also Published As

Publication number Publication date
CN113147482B (zh) 2023-12-12

Similar Documents

Publication Publication Date Title
CN113147482B (zh) 一种电动汽车有序充电优化方法及系统
Vázquez-Canteli et al. Reinforcement learning for demand response: A review of algorithms and modeling techniques
CN112633571B (zh) 源网荷互动环境下基于lstm的超短期负荷预测方法
CN111260237B (zh) 一种考虑ev车主意愿的多利益主体协调博弈调度方法
CN109484240A (zh) 一种基于分群控制的电动汽车集群实时充电优化方法
CN110739696B (zh) 智能配网环境中需求侧资源与可再生能源的集成调度方法
CN113904380B (zh) 一种考虑需求响应的虚拟电厂可调节资源精准控制方法
CN112508325B (zh) 一种家庭微电网多时间尺度电能调度方法
CN112036934A (zh) 考虑热电协调运行的负荷聚合商参与需求响应的报价方法
CN116001624A (zh) 基于深度强化学习的一桩多联电动汽车有序充电方法
CN107231001B (zh) 一种基于改进灰色预测的楼宇微网在线能量管理方法
CN105743089A (zh) 基于柔性负荷的需求侧负荷调控方法及系统
CN109844654A (zh) 条件控制负载和双向分布式储能系统的随机的基于分组的功率管理系统和方法
CN113326994A (zh) 一种考虑源荷储互动的虚拟电厂能量协同优化方法
Patil et al. An intelligent control strategy for vehicle-to-grid and grid-to-vehicle energy transfer
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
CN104527637B (zh) 混合动力汽车控制方法和系统
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
CN112134272A (zh) 配网电动汽车负荷调控方法
CN115864480B (zh) 基于大规模电动汽车分布式充放电功率跟踪集群调度方法
CN107016504A (zh) 一种计及电动汽车随机模糊需求响应的调度优化建模及算法
Ali et al. Building power control and comfort management using genetic programming and fuzzy logic
CN114825409A (zh) 一种电动汽车多目标分群分级优化调度方法及装置
CN113988440A (zh) 基于虚拟电厂的区域配电网二次调频方法
CN114612001A (zh) 集群电动汽车参与电网削峰的调控指令分解方法和系统

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