CN113500940B - 一种基于粒子群算法的电动汽车有序充放电动态优化策略 - Google Patents

一种基于粒子群算法的电动汽车有序充放电动态优化策略 Download PDF

Info

Publication number
CN113500940B
CN113500940B CN202110772840.XA CN202110772840A CN113500940B CN 113500940 B CN113500940 B CN 113500940B CN 202110772840 A CN202110772840 A CN 202110772840A CN 113500940 B CN113500940 B CN 113500940B
Authority
CN
China
Prior art keywords
charge
soc
charging
time
formula
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110772840.XA
Other languages
English (en)
Other versions
CN113500940A (zh
Inventor
张良
孙成龙
吕玲
蔡国伟
王雪松
火如意
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.)
Northeast Electric Power University
Original Assignee
Northeast Dianli University
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 Northeast Dianli University filed Critical Northeast Dianli University
Priority to CN202110772840.XA priority Critical patent/CN113500940B/zh
Publication of CN113500940A publication Critical patent/CN113500940A/zh
Application granted granted Critical
Publication of CN113500940B publication Critical patent/CN113500940B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • BPERFORMING OPERATIONS; TRANSPORTING
    • B60VEHICLES IN GENERAL
    • B60LPROPULSION 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
    • B60L53/00Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/60Monitoring or controlling charging stations
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B60VEHICLES IN GENERAL
    • B60LPROPULSION 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
    • B60L53/00Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/60Monitoring or controlling charging stations
    • B60L53/64Optimising energy costs, e.g. responding to electricity rates
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/004Artificial life, i.e. computing arrangements simulating life
    • G06N3/006Artificial 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]
    • YGENERAL 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
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02TCLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00Road transport of goods or passengers
    • Y02T10/10Internal combustion engine [ICE] based vehicles
    • Y02T10/40Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)
  • Secondary Cells (AREA)

Abstract

本发明针对传统TOUT和RTP充电策略容易在负荷低谷时段产生新的负荷高峰的问题,考虑电网侧的调峰需求和用户侧的充电需求,提出了以建立电动汽车充电负荷模型、建立电动汽车充放电优化算法模型和有序充放电两阶段动态优化策略为内容的基于粒子群算法的电动汽车有序充放电动态优化策略,通过动态更新每辆电动汽车接入电网时的电价信息,利用粒子群算法实现了对电动汽车的有序充放电优化。相比于TOUT、RTP充电策略和无序充电而言,本发明所提出的基于粒子群算法的电动汽车有序充放电动态优化策略能够明显降低负荷曲线的峰谷差和用户的充电成本,具有科学合理,适用性强,效果佳的优点。

Description

一种基于粒子群算法的电动汽车有序充放电动态优化策略
技术领域
本发明涉及车-网互动(Vehicle to Grid,V2G)领域,是一种基于粒子群算法的电动汽车有序充放电动态优化策略。
背景技术
近年来,电动汽车(Electric Vehicle,EV)产业迅猛发展,然而,由于用户的充电行为具有很大的随机性和不确定性,大规模EV接入电网后将会增加对电网的控制难度。研究表明,用户给EV充电的时间与其生活用电时间大致吻合,这意味着规模化的EV无序充电时,充电负荷将与基础负荷叠加,进一步增大负荷曲线的峰谷差。传统分时电价(Time-of-Use Tariff,TOUT)和实时电价(Real-Time Price,RTP)需求响应机制均会在负荷低谷时段产生新的负荷高峰。
发明内容
本发明的目的是,克服现有技术的不足,提供一种科学合理,适用性强,效果佳,能够有效降低电网负荷的峰谷差和用户充电成本的基于粒子群算法的电动汽车有序充放电动态优化策略。
本发明的目的是由以下技术方案来实现的:一种基于粒子群算法的电动汽车有序充放电动态优化策略,其特征是,它包括以下步骤:
1、建立电动汽车充电负荷模型
1)根据出行数据对用户的出行规律进行高斯拟合,得到电动汽车接入/离开电网时间的概率密度函数(Probability Density Function,PDF),见式(1),
Figure BDA0003154494650000011
式中a、b、c分别为高斯曲线的峰值、峰值位置和半宽度信息;
2)将一天24小时均分为96个时间段,则车辆的停车时长表示为:
Figure BDA0003154494650000012
式中tpark,k为车辆EVk的停车时长;tin,k、tout,k分别为EVk的接入电网时间和离开电网时间,电动汽车的实际所需充电时长为:
Figure BDA0003154494650000021
式中tc,k为车辆EVk的实际所需充电时长;SOCk,e为该EV用户的SOC期望值;SOCk,0为车辆EVk的初始SOC;Ck为车辆EVk的电池容量,单位为kW·h;ηc为充电效率;Pk为车辆EVk的充放电功率,单位为kW,乘数4代表将tc,k换算成间隔为15min的时间段;
3)引入充放电控制系数:
Xk=zeros[xk,1,xk,2,...,xk,96] (4)
式中Xk为车辆EVk充放电控制系数的集合,其元素xk,1~xk,96为电动汽车每个时段的充放电控制系数,用来控制车辆EVk每个时段的充放电行为及充放电功率值,控制规则为式(5);zeros表示Xk初始化为零向量,
Figure BDA0003154494650000022
2、建立电动汽车充放电优化算法模型
1)目标函数
电动汽车循环充放电会带来电池退化问题,表述式为式(6),
Figure BDA0003154494650000023
式中CV2Gk,t为车辆EVk在t时段的电池退化成本,单位为元/kW·h;Bk为电池寿命与循环次数之间的线性关系系数;χk,t为车辆EVk在t时段的循环充放电电量,单位为kW·h;CB为电池更换成本,单位为元;
考虑电池循环充放电成本后,以车辆EVk的充放电成本最低为目标函数1:
Figure BDA0003154494650000024
式中fk,1为考虑电池损耗后车辆EVk的充放电成本,元;St为t时段的充放电电价,单位为元/kW·h;Scp、Scf、Scv分别为峰时段、平时段、谷时段的充电电价,单位为元/kW·h;Sdp、Sdf、Sdv分别为峰时段、平时段、谷时段的放电电价,单位为元/kW·h;
为满足用户的出行需求,以电动汽车所充的电量最多为目标函数2:
Figure BDA0003154494650000025
式中fk,2为车辆EVk充放电完成后的SOC;SOC0,k为车辆EVk的初始SOC,基于线性加权和法,将目标函数fk,1、fk,2进行规范化处理,见式(9),
Figure BDA0003154494650000031
式中fk为车辆EVk的多目标优化函数;
Figure BDA0003154494650000032
分别为单目标函数fk,1、fk,2的最大值;λk,1、λk,2分别为单目标函数fk,1、fk,2的优化权重;
2)约束条件
①充放电功率约束
Figure BDA0003154494650000033
式中PC,k,t、PDC,k,t分别为车辆EVk在t时段的充电功率和放电功率;PCmax,t、PDCmax,t分别为电动汽车充功率和放电功率允许的最大值;
②电池可用容量约束
Figure BDA0003154494650000034
式中SOCk,t为车辆EVk在t时段的SOC;为保证电池的使用寿命,任意时段电池SOC可用容量的上、下限SOCmax、SOCmin,通常分别取1和0.3;
③变压器容量约束
Figure BDA0003154494650000035
式中N为接入电网中的EV数量;Pload,t为时段t内电网中的基础负荷,kW;ST为变压器容量限值;
④用户出行需求约束
为保证用户的出行需求,用户离开时的SOCf,k应不低于用户设置的期望值SOCk,e,且电量不超过电池容量:
SOCk,e≤SOCf,k≤1 (13)
⑤可调度时间约束
由于电动汽车的充放电行为只在其接入电网时间内进行,因此电动汽车接入电网前和退出电网后的充放电控制系数均为0,在并网时间内电动汽车方可接受调度:
tin,k≤tV2G,k≤tout,k (14)
Figure BDA0003154494650000041
式中tV2G,k为车辆EVk参与有序充放电的可调度时间,集合Ak中的元素为车辆EVk并网时间对应的充放电控制系数;
3、有序充放电两阶段动态优化策略
1)第一阶段充电优化
第一步:将车辆EVk接入时电网中的每个时段的负荷按大小进行升序排序:
Tk=sortLoad{t1,t2,...,t96} (16)
式中Tk为车辆EVk接入时电网中96个时段升序排列后的集合;t1~t96为一天内离散化后的时间段;sortLoad表示每个时段按负荷大小升序排列;
第二步:为车辆EVk划分峰谷时段:
Figure BDA0003154494650000042
式中Tk p、Tk f、Tk v分别为车辆EVk接入电网时段内峰、平、谷时段的集合;
第三步:将车辆EVk接入电网时段内所有的谷时段设置为以额定功率进行充电:
Figure BDA0003154494650000043
式中集合
Figure BDA0003154494650000048
中的元素为车辆EVk并网时间内谷时段对应的充放电控制系数;
2)第二阶段充放电优化
令车辆EVk停车时间内的峰时段和平时段的数量为Nk,利用PSO对车辆EVk的峰时段和平时段的充放电控制系数进行优化时,PSO通过初始化为一群随机粒子,然后通过迭代找到最优解,设每个种群由M个粒子组成,则第i个粒子的初始位置和速度均为维数为Nk的向量:
Figure BDA0003154494650000044
式中
Figure BDA0003154494650000045
分别为车辆EVk在寻优过程中第i个粒子的位置和速度;
考虑电池容量的约束,需对初始化的充放电控制系数进行修正,引入虚拟SOC变量,按照车辆EVk初始化的充放电控制系数xk,t依次计算每个时段充放电行为完成后的虚拟SOC:
Figure BDA0003154494650000046
式中
Figure BDA0003154494650000047
SOCk,t-1分别为车辆EVk本时段的虚拟SOC和上一时段的实际SOC;xk,t为车辆EVk本时段初始化的充放电控制系数,充放电控制系数的修正流程为:
①当某时段虚拟SOC大于上限SOCmax时,系统对这个时段的充放电控制系数按式(21)进行修正:
Figure BDA0003154494650000051
②当某时段虚拟SOC小于下限SOCmin时,系统对这个时段的充放电控制系数按式(22)进行修正:
Figure BDA0003154494650000052
充放电控制系数修正完成之后,粒子群进行迭代寻优,第i个粒子搜寻到的最优位置称为个体极值,记为:
Figure BDA0003154494650000053
整个种群在每一次迭代过程中迄今为止搜寻到的最优解称为全局极值,记为:
Figure BDA0003154494650000054
当整个粒子种群找到个体极值
Figure BDA0003154494650000055
和全局极值
Figure BDA0003154494650000056
后,每个粒子将通过式(25)更新自己的位置和速度:
Figure BDA0003154494650000057
式中:
Figure BDA0003154494650000058
分布为车辆EVk充放电寻优过程中第i个粒子在第t时段的速度和位置;ω为惯性权重;c1、c2为学习因子,也称加速常数;r1、r2为两个在[0,1]之间变化的加速度权重系数,粒子的位置和速度完成更新后将进行下一次迭代,直到完成所有的迭代过程,最终得到的最佳适应度值即为充放电控制系数的最优值。
本发明针对传统TOUT和RTP充电策略容易在负荷低谷时段产生新的负荷高峰的问题,考虑电网侧的调峰需求和用户侧的充电需求,提出了以建立电动汽车充电负荷模型、建立电动汽车充放电优化算法模型和有序充放电两阶段动态优化策略为内容的基于粒子群算法的电动汽车有序充放电动态优化策略,通过动态更新每辆电动汽车接入电网时的电价信息,利用粒子群算法实现了对电动汽车的有序充放电优化。相比于TOUT、RTP充电策略和无序充电而言,本发明所提出的基于粒子群算法的电动汽车有序充放电动态优化策略能够明显降低负荷曲线的峰谷差和用户的充电成本,具有科学合理,适用性强,效果佳的优点。
附图说明
图1是电动汽车接入电网时间和离开电网时间都在一日内完成时的示意图;
图2是电动汽车接入电网时间在前一天,离开电网时间在第二天时的示意图;
图3是电动汽车不满足有序充放电条件时的示意图;
图4是电动汽车满足有序充放电条件时的示意图;
图5是两阶段充放电动态优化流程。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
参照图1~图5,本实施例的一种基于粒子群算法的电动汽车有序充放电动态优化策略,包括以下步骤:
1、建立电动汽车充电负荷模型
根据NHTS2017出行数据对工作日以“家(Home,H)”为起点、以“工作区(Work,W)”为终点的出行规律(H-W)和以“工作区”为起点、以“家”为终点的出行规律(W-H)进行高斯拟合,得到电动汽车(Electric Vehicle,EV)接入/离开电网时间的概率密度函数(Probability Density Function,PDF)。为观测拟合结果得到的高斯曲线特征,对高斯概率密度函数进行简化:
Figure BDA0003154494650000061
式中a、b、c分别为高斯曲线的峰值、峰值位置和半宽度信息。
将一天24小时均分为96个时间段,EV接入电网时间与离开电网时间的关系有两种情况:图1为接入电网时间和离开电网时间都在一日内完成,图2为接入电网时间在前一天,离开电网时间在第二天,则车辆的停车时长表示为:
Figure BDA0003154494650000062
式中tpark,k为车辆EVk的停车时长;tin,k、tout,k分别为EVk的接入电网时间和离开电网时间。EV的实际所需充电时长为:
Figure BDA0003154494650000063
式中tc,k为车辆EVk的实际所需充电时长;SOCk,e为该EV用户的SOC期望值;SOCk,0为车辆EVk的初始SOC;Ck为车辆EVk的电池容量,单位为kW·h;ηc为充电效率;Pk为车辆EVk的充放电功率,单位为kW,乘数4代表将tc,k换算成间隔为15min的时间段。
为了方便控制每辆EV的充放电行为,引入充放电控制系数:
Xk=zeros[xk,1,xk,2,...,xk,96] (4)
式中Xk为车辆EVk充放电控制系数的集合,其元素xk,1~xk,96为该EV每个时段的充放电控制系数,用来控制车辆EVk每个时段的充放电行为及充放电功率值,控制规则为见式(5);zeros表示Xk初始化为零向量。
Figure BDA0003154494650000071
2、建立电动汽车充放电优化算法模型
1)目标函数
EV循环充放电会带来电池退化问题,见式(6)。
Figure BDA0003154494650000072
式中
Figure BDA0003154494650000076
为车辆EVk在t时段的电池退化成本,单位为元/kW·h;Bk为电池寿命与循环次数之间的线性关系系数;χk,t为车辆EVk在t时段的循环充放电电量,单位为kW·h;CB为电池更换成本,单位为元。
考虑电池循环充放电成本后,以车辆EVk的充放电成本最低为目标函数:
Figure BDA0003154494650000073
式中fk,1为考虑电池损耗后车辆EVk的充放电成本,单位为元;St为t时段的充放电电价,单位为元/kW·h;Scp、Scf、Scv分别为峰时段、平时段、谷时段的充电电价,单位为元/kW·h;Sdp、Sdf、Sdv分别为峰时段、平时段、谷时段的放电电价,单位为元/kW·h。
为满足用户的出行需求,以EV所充的电量最多为目标函数:
Figure BDA0003154494650000074
式中fk,2为车辆EVk充放电完成后的SOC;SOC0,k为车辆EVk的初始SOC。基于线性加权和法,将目标函数fk,1、fk,2进行规范化处理,见式(9)。
Figure BDA0003154494650000075
式中fk为车辆EVk的多目标优化函数;
Figure BDA0003154494650000081
分别为单目标函数fk,1、fk,2的最大值;λk,1、λk,2分别为单目标函数fk,1、fk,2的优化权重。
2)约束条件
①充放电功率约束
Figure BDA0003154494650000082
式中PC,k,t、PDC,k,t分别为车辆EVk在t时段的充电功率和放电功率;PCmax,t、PDCmax,t分别为EV充功率和放电功率允许的最大值。
②电池可用容量约束
Figure BDA0003154494650000083
式中SOCk,t为车辆EVk在t时段的SOC;为保证电池的使用寿命,任意时段电池SOC可用容量的上下限SOCmax、SOCmin通常分别取1和0.3。
③变压器容量约束
Figure BDA0003154494650000084
式中N为接入电网中的EV数量;Pload,t为时段t内电网中的基础负荷,kW;ST为变压器容量限值。
④用户出行需求约束
为保证用户的出行需求,用户离开时的SOCf,k应不低于用户设置的期望值SOCk,e,且电量不超过电池容量:
SOCk,e≤SOCf,k≤1 (13)
⑤可调度时间约束
tin,k≤tV2G,k≤tout,k (14)
Figure BDA0003154494650000085
式中tV2G,k为车辆EVk参与有序充放电的可调度时间,集合Ak中的元素为车辆EVk并网时间对应的充放电控制系数。式(15)表明EV接入电网前和退出电网后的充放电控制系数均为0,Ak在Xk中的补集元素均为0。
3、有序充放电两阶段动态优化策略
1)第一阶段充电优化
EV的停车时长与实际所需充电时长的关系有两种情况:图3是当EV的实际所需充电时长不小于停车时长时的示意图,该车辆不满足有序充放电条件;图4是当EV的实际所需充电时长小于停车时长时的示意图,该EV满足有序充放电条件,则首先安排该EV进行第一阶段有序充电,具体流程如下:
第一步:将车辆EVk接入时电网中的每个时段的负荷按大小进行升序排序:
Tk=sortLoad{t1,t2,...,t96} (16)
式中Tk为车辆EVk接入时电网中96个时段升序排列后的集合;t1~t96为一天内离散化后的时间段;sortLoad表示每个时段按负荷大小升序排列。
第二步:为车辆EVk划分峰谷时段:
Figure BDA0003154494650000091
式中Tk p、Tk f、Tk v分别为车辆EVk接入电网时段内峰、平、谷时段的集合。
第三步:将车辆EVk接入电网时段内所有的谷时段设置为以额定功率进行充电:
Figure BDA0003154494650000092
式中集合
Figure BDA0003154494650000095
中的元素为车辆EVk并网时间内谷时段对应的充放电控制系数。
2)第二阶段充放电优化
令车辆EVk停车时间内的峰时段和平时段的数量为Nk,利用粒子群算法(ParticleSwarm Optimization,PSO)对车辆EVk的峰时段和平时段的充放电控制系数进行优化时,PSO通过初始化为一群随机粒子,然后通过迭代找到最优解。设每个种群由M个粒子组成,则第i个粒子的初始位置和速度均为维数为Nk的向量:
Figure BDA0003154494650000093
式中
Figure BDA0003154494650000094
分别为车辆EVk在寻优过程中第i个粒子的位置和速度。
充放电控制系数的粒子经过随机初始化后,车辆EVk接入电网时间内每个时段的充放电控制系数已经预设完成,但考虑电池容量的约束,需对初始化的充放电控制系数进行修正。引入虚拟SOC变量,按照车辆EVk初始化的充放电控制系数xk,t依次计算每个时段充放电行为完成后的虚拟SOC:
Figure BDA0003154494650000101
式中
Figure BDA0003154494650000102
SOCk,t-1分别为车辆EVk本时段的虚拟SOC和上一时段的实际SOC;xk,t为车辆EVk本时段初始化的充放电控制系数。充放电控制系数的修正流程如下:
①当某时段虚拟SOC大于上限SOCmax时,系统对该时段的充放电控制系数按式(21)进行修正:
Figure BDA0003154494650000103
②当某时段虚拟SOC小于下限SOCmin时,系统对该时段的充放电控制系数按式(22)进行修正:
Figure BDA0003154494650000104
充放电控制系数修正完成之后,粒子群进行迭代寻优,第i个粒子搜寻到的最优位置称为个体极值,记为:
Figure BDA0003154494650000105
整个种群在每一次迭代过程中迄今为止搜寻到的最优解称为全局极值,记为:
Figure BDA0003154494650000106
当整个粒子种群找到个体极值
Figure BDA0003154494650000107
和全局极值
Figure BDA0003154494650000108
后,每个粒子将通过如下公式更新自己的位置和速度:
Figure BDA0003154494650000109
式中:
Figure BDA00031544946500001010
分布为车辆EVk充放电寻优过程中第i个粒子在第t时段的速度和位置;ω为惯性权重;c1、c2为学习因子,也称加速常数;r1、r2为两个在[0,1]之间变化的加速度权重系数。粒子的位置和速度完成更新后将进行下一次迭代,直到完成所有的迭代过程,最终得到的最佳适应度值即为充放电控制系数的最优值。至此车辆EVk的两阶段充放电动态优化完成,该辆EV开始执行充放电。图5为整个优化过程的流程图。
本发明的具体实施方式仅为一个实例,并非穷举,本领域技术人员根据本发明的启示所做的任何显而易见的改动,都属于本发明权利保护的范围。

Claims (1)

1.一种基于粒子群算法的电动汽车有序充放电动态优化策略,其特征是,它包括以下步骤:
1、建立电动汽车充电负荷模型
1)根据出行数据对用户的出行规律进行高斯拟合,得到电动汽车接入/离开电网时间的概率密度函数(Probability Density Function,PDF),见式(1),
Figure FDA0003154494640000011
式中a、b、c分别为高斯曲线的峰值、峰值位置和半宽度信息;
2)将一天24小时均分为96个时间段,则车辆的停车时长表示为:
Figure FDA0003154494640000012
式中tpark,k为车辆EVk的停车时长;tin,k、tout,k分别为EVk的接入电网时间和离开电网时间,电动汽车的实际所需充电时长为:
Figure FDA0003154494640000013
式中tc,k为车辆EVk的实际所需充电时长;SOCk,e为该EV用户的SOC期望值;SOCk,0为车辆EVk的初始SOC;Ck为车辆EVk的电池容量,单位为kW·h;ηc为充电效率;Pk为车辆EVk的充放电功率,单位为kW,乘数4代表将tc,k换算成间隔为15min的时间段;
3)引入充放电控制系数:
Xk=zeros[xk,1,xk,2,...,xk,96] (4)
式中Xk为车辆EVk充放电控制系数的集合,其元素xk,1~xk,96为电动汽车每个时段的充放电控制系数,用来控制车辆EVk每个时段的充放电行为及充放电功率值,控制规则为式(5);zeros表示Xk初始化为零向量,
Figure FDA0003154494640000014
2、建立电动汽车充放电优化算法模型
1)目标函数
电动汽车循环充放电会带来电池退化问题,表述式为式(6),
Figure FDA0003154494640000021
式中
Figure FDA0003154494640000022
为车辆EVk在t时段的电池退化成本,单位为元/kW·h;Bk为电池寿命与循环次数之间的线性关系系数;χk,t为车辆EVk在t时段的循环充放电电量,单位为kW·h;CB为电池更换成本,单位为元;
考虑电池循环充放电成本后,以车辆EVk的充放电成本最低为目标函数1:
Figure FDA0003154494640000023
式中fk,1为考虑电池损耗后车辆EVk的充放电成本,元;St为t时段的充放电电价,元/kW·h;Scp、Scf、Scv分别为峰时段、平时段、谷时段的充电电价,单位为元/kW·h;Sdp、Sdf、Sdv分别为峰时段、平时段、谷时段的放电电价,单位为元/kW·h;
为满足用户的出行需求,以电动汽车所充的电量最多为目标函数2:
Figure FDA0003154494640000024
式中fk,2为车辆EVk充放电完成后的SOC;SOC0,k为车辆EVk的初始SOC,基于线性加权和法,将目标函数fk,1、fk,2进行规范化处理,见式(9),
Figure FDA0003154494640000025
式中fk为车辆EVk的多目标优化函数;
Figure FDA0003154494640000026
分别为单目标函数fk,1、fk,2的最大值;λk,1、λk,2分别为单目标函数fk,1、fk,2的优化权重;
2)约束条件
①充放电功率约束
Figure FDA0003154494640000027
式中PC,k,t、PDC,k,t分别为车辆EVk在t时段的充电功率和放电功率;PCmax,t、PDCmax,t分别为电动汽车充功率和放电功率允许的最大值;
②电池可用容量约束
Figure FDA0003154494640000031
式中SOCk,t为车辆EVk在t时段的SOC;为保证电池的使用寿命,任意时段电池SOC可用容量的上、下限SOCmax、SOCmin,通常分别取1和0.3;
③变压器容量约束
Figure FDA0003154494640000032
式中N为接入电网中的EV数量;Pload,t为时段t内电网中的基础负荷,kW;ST为变压器容量限值;
④用户出行需求约束
为保证用户的出行需求,用户离开时的SOCf,k应不低于用户设置的期望值SOCk,e,且电量不超过电池容量:
SOCk,e≤SOCf,k≤1 (13)
⑤可调度时间约束
由于电动汽车的充放电行为只在其接入电网时间内进行,因此电动汽车接入电网前和退出电网后的充放电控制系数均为0,在并网时间内电动汽车方可接受调度:
tin,k≤tV2G,k≤tout,k (14)
Figure FDA0003154494640000033
式中tV2G,k为车辆EVk参与有序充放电的可调度时间,集合Ak中的元素为车辆EVk并网时间对应的充放电控制系数;
3、有序充放电两阶段动态优化策略
1)第一阶段充电优化
第一步:将车辆EVk接入时电网中的每个时段的负荷按大小进行升序排序:
Tk=sortLoad{t1,t2,...,t96} (16)
式中Tk为车辆EVk接入时电网中96个时段升序排列后的集合;t1~t96为一天内离散化后的时间段;sortLoad表示每个时段按负荷大小升序排列;
第二步:为车辆EVk划分峰谷时段:
Figure FDA0003154494640000041
式中
Figure FDA0003154494640000042
Tk v分别为车辆EVk接入电网时段内峰、平、谷时段的集合;
第三步:将车辆EVk接入电网时段内所有的谷时段设置为以额定功率进行充电:
Figure FDA0003154494640000043
式中集合
Figure FDA0003154494640000044
中的元素为车辆EVk并网时间内谷时段对应的充放电控制系数;
2)第二阶段充放电优化
令车辆EVk停车时间内的峰时段和平时段的数量为Nk,利用PSO对车辆EVk的峰时段和平时段的充放电控制系数进行优化时,PSO通过初始化为一群随机粒子,然后通过迭代找到最优解,设每个种群由M个粒子组成,则第i个粒子的初始位置和速度均为维数为Nk的向量:
Figure FDA0003154494640000045
式中
Figure FDA0003154494640000046
分别为车辆EVk在寻优过程中第i个粒子的位置和速度;
考虑电池容量的约束,需对初始化的充放电控制系数进行修正,引入虚拟SOC变量,按照车辆EVk初始化的充放电控制系数xk,t依次计算每个时段充放电行为完成后的虚拟SOC:
Figure FDA0003154494640000047
式中
Figure FDA0003154494640000048
SOCk,t-1分别为车辆EVk本时段的虚拟SOC和上一时段的实际SOC;xk,t为车辆EVk本时段初始化的充放电控制系数,充放电控制系数的修正流程为:
①当某时段虚拟SOC大于上限SOCmax时,系统对这个时段的充放电控制系数按式(21)进行修正:
Figure FDA0003154494640000049
②当某时段虚拟SOC小于下限SOCmin时,系统对该时段的充放电控制系数按式(22)进行修正:
Figure FDA00031544946400000410
充放电控制系数修正完成之后,粒子群进行迭代寻优,第i个粒子搜寻到的最优位置称为个体极值,记为:
Figure FDA00031544946400000411
整个种群在每一次迭代过程中迄今为止搜寻到的最优解称为全局极值,记为:
Figure FDA0003154494640000051
当整个粒子种群找到个体极值
Figure FDA0003154494640000052
和全局极值
Figure FDA0003154494640000053
后,每个粒子将通过式(25)更新自己的位置和速度:
Figure FDA0003154494640000054
式中:
Figure FDA0003154494640000055
分布为车辆EVk充放电寻优过程中第i个粒子在第t时段的速度和位置;ω为惯性权重;c1、c2为学习因子,也称加速常数;r1、r2为两个在[0,1]之间变化的加速度权重系数,粒子的位置和速度完成更新后将进行下一次迭代,直到完成所有的迭代过程,最终得到的最佳适应度值即为充放电控制系数的最优值。
CN202110772840.XA 2021-07-08 2021-07-08 一种基于粒子群算法的电动汽车有序充放电动态优化策略 Active CN113500940B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110772840.XA CN113500940B (zh) 2021-07-08 2021-07-08 一种基于粒子群算法的电动汽车有序充放电动态优化策略

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110772840.XA CN113500940B (zh) 2021-07-08 2021-07-08 一种基于粒子群算法的电动汽车有序充放电动态优化策略

Publications (2)

Publication Number Publication Date
CN113500940A CN113500940A (zh) 2021-10-15
CN113500940B true CN113500940B (zh) 2022-06-28

Family

ID=78011721

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110772840.XA Active CN113500940B (zh) 2021-07-08 2021-07-08 一种基于粒子群算法的电动汽车有序充放电动态优化策略

Country Status (1)

Country Link
CN (1) CN113500940B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114030386A (zh) * 2021-11-30 2022-02-11 国网浙江杭州市萧山区供电有限公司 基于用户充电选择的电动汽车充电控制方法
CN114757453B (zh) * 2022-06-14 2022-09-09 深圳大学 充电站有约束排程优化方法、计算机设备及可读存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012039822A (ja) * 2010-08-10 2012-02-23 Nittetsu Elex Co Ltd 急速充電装置
CN103840521A (zh) * 2014-02-27 2014-06-04 武汉大学 基于最优潮流的大规模电动汽车优化充放电系统及方法
CN103997091A (zh) * 2014-05-23 2014-08-20 国家电网公司 一种规模化电动汽车智能充电控制方法
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
CN111740411A (zh) * 2020-06-22 2020-10-02 东北电力大学 一种考虑积压惩罚机制的含bss微网联合系统优化调度方法
CN111845453A (zh) * 2020-07-10 2020-10-30 国网天津市电力公司 考虑柔性控制的电动汽车充电站双层优化充放电策略

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2479862A1 (fr) * 2011-01-25 2012-07-25 Thomson Licensing Gestion de l'alimentation en énergie d'un réseau local de transport d'énergie
JP6052621B2 (ja) * 2011-03-04 2016-12-27 日本電気株式会社 充電制御システム、充電制御方法及びプログラム

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012039822A (ja) * 2010-08-10 2012-02-23 Nittetsu Elex Co Ltd 急速充電装置
CN103840521A (zh) * 2014-02-27 2014-06-04 武汉大学 基于最优潮流的大规模电动汽车优化充放电系统及方法
CN103997091A (zh) * 2014-05-23 2014-08-20 国家电网公司 一种规模化电动汽车智能充电控制方法
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
CN111740411A (zh) * 2020-06-22 2020-10-02 东北电力大学 一种考虑积压惩罚机制的含bss微网联合系统优化调度方法
CN111845453A (zh) * 2020-07-10 2020-10-30 国网天津市电力公司 考虑柔性控制的电动汽车充电站双层优化充放电策略

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
基于PSO算法的电动汽车有序充放电两阶段优化策略;张良等;《中国机电工程学报》;20211105;第42卷(第5期);全文 *
基于sigmoid函数激励需求响应模型的电动汽车有序充电控制策略;黄其新等;《电力科学与技术学报》;20171228(第04期);全文 *
基于改进天牛群算法的微电网优化调度;王怡云等;《电子测量技术》;20200823(第16期);全文 *

Also Published As

Publication number Publication date
CN113500940A (zh) 2021-10-15

Similar Documents

Publication Publication Date Title
CN111431198B (zh) 峰谷电价下考虑电动汽车v2g能力的配电网储能调峰方法
CN109103878B (zh) 电动汽车群有序充电方法及配电网用电优化方法
CN113500940B (zh) 一种基于粒子群算法的电动汽车有序充放电动态优化策略
CN110378548B (zh) 一种电动汽车虚拟电厂多时间尺度响应能力评估模型构建方法
CN107730048B (zh) 一种风电-电动汽车联合系统随机鲁棒优化调度方法
CN111626527B (zh) 计及可调度电动汽车快/慢充放电形式的智能电网深度学习调度方法
CN103997091B (zh) 一种规模化电动汽车智能充电控制方法
CN112550047B (zh) 一种充光储一体化充电站优化配置方法和装置
CN110752630A (zh) 一种计及电池梯次利用的光储充电站容量优化仿真建模方法
CN107919675B (zh) 综合考虑车主和运营商利益的充电站负荷调度模型
CN109861256A (zh) 一种计及全寿命周期成本的配电网储能优化配置方法
CN113199946B (zh) 一种基于马尔科夫过程的电动汽车储能聚合建模方法
CN115117931A (zh) 考虑电动汽车灵活性和光伏接入的配电网规划方法及系统
CN112131733A (zh) 计及电动汽车充电负荷影响的分布式电源规划方法
CN114519449A (zh) 一种园区能源系统运行优化方法
CN114580251B (zh) 一种配电台区电动汽车充电负荷分析方法及装置
CN114583729A (zh) 考虑全生命周期碳排放的光-储电动汽车充电站调度方法
CN112070628B (zh) 一种计及环境因素的智能电网多目标经济调度方法
CN114914923B (zh) 基于网格法的变时长两阶段电动汽车调度方法及系统
CN114448044A (zh) 一种换电站双向快充有序充放电方法及系统
CN115471044A (zh) 含光储的配电台区电动汽车调度方法、系统及存储介质
CN113011104B (zh) 一种面向电网调频控制的集群电动汽车充电负荷聚合建模方法
CN112003279A (zh) 层次化微电网新能源消纳能力的评估方法
CN111856285A (zh) 一种应用于电力系统的电动汽车退役电池组等效模型建模方法
CN116404629A (zh) 一种高比例分布式光伏配电网中的电动汽车协调充电方法

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