CN113553769B - 一种考虑充电效能的电动汽车充电设施优化配置方法 - Google Patents
一种考虑充电效能的电动汽车充电设施优化配置方法 Download PDFInfo
- Publication number
- CN113553769B CN113553769B CN202110848080.6A CN202110848080A CN113553769B CN 113553769 B CN113553769 B CN 113553769B CN 202110848080 A CN202110848080 A CN 202110848080A CN 113553769 B CN113553769 B CN 113553769B
- Authority
- CN
- China
- Prior art keywords
- charging
- cost
- electric vehicle
- electric
- charging station
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000005457 optimization Methods 0.000 claims abstract description 23
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 20
- 230000003068 static effect Effects 0.000 claims abstract description 16
- 230000008569 process Effects 0.000 claims description 14
- 239000000446 fuel Substances 0.000 claims description 12
- 230000007246 mechanism Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000035772 mutation Effects 0.000 claims description 8
- 230000002829 reductive effect Effects 0.000 claims description 8
- 230000000739 chaotic effect Effects 0.000 claims description 7
- 230000000670 limiting effect Effects 0.000 claims description 6
- 238000012423 maintenance Methods 0.000 claims description 6
- 238000011282 treatment Methods 0.000 claims description 6
- 230000001939 inductive effect Effects 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 3
- 101150067055 minC gene Proteins 0.000 claims description 2
- 230000008901 benefit Effects 0.000 abstract description 7
- 238000009826 distribution Methods 0.000 description 9
- 238000011160 research Methods 0.000 description 7
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 5
- 238000005265 energy consumption Methods 0.000 description 5
- 229910052744 lithium Inorganic materials 0.000 description 5
- 238000011002 quantification Methods 0.000 description 5
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 4
- 238000006467 substitution reaction Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 229910052742 iron Inorganic materials 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 230000000284 resting effect Effects 0.000 description 2
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 description 1
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 description 1
- SAZUGELZHZOXHB-UHFFFAOYSA-N acecarbromal Chemical compound CCC(Br)(CC)C(=O)NC(=O)NC(C)=O SAZUGELZHZOXHB-UHFFFAOYSA-N 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005291 chaos (dynamical) Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000007728 cost analysis Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 229910001416 lithium ion Inorganic materials 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- 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
Abstract
本发明公开了一种考虑充电效能的电动汽车充电设施优化配置方法,首先对影响电动汽车充电效能的汽车出行特性、充电功率及电动汽车电池组容量等因素进行分析,其次依据各阶段用户所耗成本对全生命周期成本进行静、动态分类,将受日行驶里程影响的成本定义为动态成本,不受影响即为静态成本,基于各项动态成本和静态成本得到电动汽车全生命周期成本模型;根据全生命周期成本模型建立电动汽车充电设施优化配置模型,对充电站最短距离、在充电站内充电时长两个特征量进行优化;并设立电动汽车充电设施优化配置模型的充电站选址约束、电动汽车充电功率约束和电动汽车电池容量约束;使用改进飞蛾优化算法对电动汽车全生命周期成本模型进行优化求解得到电动家用车最小日行驶成本,进而求得最佳充电功率及汽车电池容量,完成基于充电效能的电动汽车充电设施优化配置,实现电动汽车用户利益最大化。
Description
技术领域
本发明涉及电动汽车用电特性分析及电能替代系统技术领域,尤其涉及一种综合了各阶段成本分析的考虑充电效能的电动汽车充电设施优化配置方法。
背景技术
能源与环境问题日益显现,通过电代煤、电代油等电能替代传统化石能源的方式可以很好改善我国目前面临的终端能源消费环节环境污染和能源紧缺问题。电动汽车作为电代油的主要发展产物,对汽车产业影响力巨大,现今如何提高电动汽车相较于燃油车的经济优势成为影响电动汽车快速发展的重要研究课题。
现有的研究成果来看,目前已有部分学者针对电动汽车全周期成本量化问题展开研究,主要构建电动汽车有关能源消耗、温室气体排放及污染物排放的计算模型,但并未很好的将生命周期各成本区分开,且对于电动汽车使用成本中的添加能源限制成本考虑不充分。对于电动汽车充电需求的研究,有些学者根据出行距离及充电起始时间进行建模,得到电动汽车充电负荷时间分布;或利用出行链理论归纳家用电动汽车出行规律,对电动汽车的充电需求分布进行建模;或基于蒙特卡洛方法分析充电模式等因素对电动汽车充电负荷的影响并进行计算;或根据用户出行便利度及充放电经济性建立模型,以此提出电动汽车充放电优化策略;或在此基础上利用Floyd最短路径算法分析充电站选址定容对于电动汽车用户的影响并进行相应计算。上述文献在不同角度对于充电需求方面进行了深入研究,但主要集中于充电起始点、开始行驶时间等方面,且与实际用户使用成本结合不足,对用户最佳充电选择缺乏帮助。
合理的成本核算方法,对于降低电动私家车用户的日常出行开销,提高电动汽车渗透度等方面,都有积极的影响。但从现有研究成果来看,也存在相应问题,例如难以得到距充电站距离的显式理论值,对电动汽车进行充电服务时的充电设施配置分析不到位,无法精准标定电动汽车排队过程的等待时长;优化模型的约束条件未能将汽车充电功率,充电站密度、电动汽车电池组容量等统筹考虑,导致量化公式不完整,工程实用性较小。
发明内容
为了解决现有技术中存在的不足,本发明提出了一种考虑充电效能的电动汽车充电设施优化配置方法,以电动私家车作为研究对象,根据日出行量需求对全生命周期各成本进行静、动态分类,将动态成本分为每公里能源消耗成本和每公里添加能源附加成本,得到与充电功率、电池容量和充电站密度相关的成本核算表达式,分析各部分对总成本的影响,并以此作为主要约束条件;最后对同车型电动车的使用与燃油车对比进行算例分析,得出不同情况下电动车的替代优势所在,证实所建表达式的合理性及有效性。
本发明所采用的技术方案如下:
一种考虑充电效能的电动汽车充电设施优化配置方法,对全生命周期成本进行静、动态分类,将受日行驶里程影响的成本定义为动态成本fc2,不受影响即为静态成本fc1;
基于各项动态成本fc2和静态成本fc1,得到汽车成本量化模型目标函数fLCC=fc1+fc2;
综合考虑电动汽车添加能源限制成本中汽车充电功率,充电站密度、电动汽车电池组容量这些因素,构建电动汽车充电设施优化配置模型以及对充电站最短距离、在充电站内充电时长两个特征量进行优化;并设立电动汽车充电设施优化配置模型的充电站选址约束、电动汽车充电功率约束和电动汽车电池容量约束;使用改进飞蛾优化算法对电动汽车全生命周期模型进行优化求解。
进一步,所述动态成本表示为:fc2=fFi-x1fO+x2fB+x3fE;所述静态成本表示为:其中,fV为购置成本;/>为年度维修成本;fR为报废成本;/>为年度运行成本;fO为政府补贴;fB为设备更换成本;fE为添加能源限制成本;x1、x2、x3为0-1变量,当x1、x2、x3均取0时,考虑车型为燃油车,当x1、x2、x3均取1时,则表示考虑车型为电动车。
进一步,电动汽车充电设施优化配置模型表示为:
minCk=fB+fE=a1Cpil+a2Cden+a3Cper
式中,Cpil为充电功率折算成本;Cden为快充站密度折算成本;Cper为电池性能折算成本;a1、a2、a3为可调节影响因素权重系数,3个系数之和为1。
进一步,采用Dijkstra算法将电动汽车归算至与其距离最近的节点,求取电动汽车所在节点与各个充电站节点间的最短距离;
进一步,Dijkstra算法步骤为:
步骤1:记区域[i,l]内所有已知可能的最短路径的节点集合为A,未确定最短路径的节点集合为B。
步骤2:在集合A中确定电动汽车出发点为O,统计节点O到每一个充电站节点的最短路径,要求O到A中各节点的最短路径不大于到B中任何节点的距离,归纳出距离O最短路径的节点d*加入集合A。
步骤3:更新节点d*所用最短路径时间作为相邻节点到O的元素值。
步骤4:重复步骤2和步骤3,对比B中所有已更新节点,直到区域内所有充电站节点加入集合A。
进一步,充电站内充电时长包括站内等待时长和进行充电时长,根据M/G/k排队模型充电时长计算公式如下:
式中:Zej为空驶里程所需时长;Tj为电动汽车充电过程所需时长;tej为用户e在快充站等待充电服务的等待时间,e=1、2、3、…、P,P为单日前往充电站进行充电服务的用户总数;Sk为电动汽车剩余电量可达的快速充电站集合;Si为第i年电池容量;Pc(t)为电动汽车t时刻充电负荷功率;xj为用户充电状态变量,若用户需前往充电站进行充电则xj=1,xj=0表明电动汽车剩余电量允许用户抵达目的地,无需前往快充站点;cj为充电站j内充电桩的数量。
进一步,充电站选址约束:
0≤Aα≤min(Aj∩Ak)
1≥pji≥po
其中,Aj、Ak为充电站j、k的服务范围;Me,las为电动汽车e的剩余行驶里程;Li e-j为汽车e到充电站j的距离;Sk为电动汽车剩余电量可达的快速充电站集合;pji为充电站j内i时刻的充电桩使用率;po为最低使用频率值;Aα为充电站服务范围重合面积。
进一步,电动汽车充电功率约束:
Pc=PjEpil
式中,Epil为充电桩的工作效率;Pj为充电站j的负荷功率;n为t时刻在充电站j进行充电服务的电动汽车的数量,e=1、2、…、n;Pj,e(t)为t时刻电动汽车e在充电站j进行充电时的充电功率;Pj max为充电站j的最大总负荷功率;b为充电站j内充电车辆最大值与充电桩配置数量Nj比值上限。
进一步,电动汽车约束:
式中,SOC(t1)、DOC(t2)分别为动力电池系统在时刻t1和t2时的荷电状态和放电深度;SOCmin、SOCmax分别为动力电池荷电量上下限,DOCmin、DOCmax分别是放电深度DOC的上下限,SOEmin、SOEmax分别是电池剩余电量SOE的上下限。
进一步,改进飞蛾优化算法优化求解的流程如下:
S1、参数初始化。设定最大迭代次数T、飞蛾种群数L及其位置Si,j'、空间维度d、搜索区域[lb,ub]等系数。
S2、在设定范围内根据飞蛾位置确定及更新火焰数量B。
S3、确定各算子对应的目标适应度,并将全部算子适应度由大到小进行排列,以此更新火焰位置及其适应度,选取前a个值作为火焰适应度值以及取前a个与火焰适应度对应的算子位置作为火焰位置,设置当前火焰适应度最大的为目前最优解。
S4、采用高斯变异机制对每个算子更新后位置进行变异,计算经变异后算子适应度与更新后的算子进行对比,筛选出适应度值更大的作为更新后算子的适应度。
S5、重复步骤S3,采用混沌映射函数对当前最优值对应算子的位置进行混沌干扰,输出当前最优算子适应度值及所对应位置。
S6、判断是否达到迭代上限或结果已满足要求,是则输出全局最优解,否则转入步骤S3以进行下一次迭代。
本发明的有益效果:
本发明以电动私家汽车为研究对象,以电动汽车充电设施优化配置为优化重点,实现全生命周期最小为优化目标,建立了关于电动汽车充电功率、电池容量和充电站密度相关的成本核算表达式以解决汽车充电过程成本量化问题,在满足各约束条件下,根据改进飞蛾优化算法对电动车与燃油车对比进行算例分析,最终得到最优配置系数,优化后电动私家车的日行驶里程成本明显下降,证实该模型下电动汽车具有替代优势,证明了其经济性。
附图说明
图1是本发明基于实际数据归纳的私家车日行驶里程概率分布图。
图2是本发明基于实际数据归纳的私家车出行时间概率分布。
图3是本发明提出的全生命周期成本动、静态成本结构框图。
图4是本发明不同配置方案的充电时长影响图。
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用于解释本发明,并不用于限定本发明。
一种考虑充电效能的电动汽车充电设施优化配置方法,包括如下步骤:
步骤S1:假设同社会功能车型,电动汽车与传统燃油车出行习惯一致,将私家车的出行特性进行具体分析如下:
分析私家车典型日出行数据,由于私家车出行时间和出行距离与用户工作日和休息日出行需求密切相关,工作日出行时间及距离固定,休息日则由于用户习惯目的地存在较大随机性。不考虑长途出行,私家车单次电池充满电后的续航里程完全满足典型日出行需求,因此一日一充即可。若用户选择在外充电,需选择快充模式,若选择在居住地充电,进行充电时长较充裕,可选择慢充模式,充电功率为7kW。根据家庭出行调查(NHTS)大数据统计得私家车典型日出行里程及出行时间概率分布如图(1)、(2)所示:
根据拟合,私家车日行驶里程概率函数呈对数正态分布,其概率函数如下式所示:
此时,σa=3.32;μa=1.02。
式中m为日行驶距离;σa、μa为家用车日行驶距离标准差和期望值。
根据统计数据拟合得到私家车出行时间概率函数如式(2):
此时,ω1=17.4;ω2=8.627;ε1=3.55;ε2=368。
由于过充过放皆会影响电池寿命,文章设置汽车电池的容量限制满足[0.1,0.9]的均匀分布。图4为在不同可行配置方案中汽车电池容量和充电功率对于充电时长的影响。
从图4可知在不影响电池寿命的前提下,电动汽车的充电时长随着电池容量的增加而增加,而随着充电功率的增加而减短。相比功率低的充电设备,充电桩充电功率越高,对电动汽车充电需求影响程度越大,且充电设施功率越高,充电整体时长降低幅度越大。
步骤S2:如图3对全生命周期成本进行静、动态分类,将受日行驶里程影响的成本定义为动态成本,不受影响即为静态成本;将动态成本分为每公里能源消耗成本和每公里添加能源附加成本,对每一阶段成本构建数学模型。具体如下:
1)静态成本
购置成本fV是一次支出或集中在短期内支出的费用,包括汽车的零售价和购置过程中的费用(如运输、检验、牌照等费用和政府补贴)两部分。即:
fV=fM+fA-gB (3)
式中,fM为汽车购入车价;fA为购置牌照费用和相关手续费用之和;政府补贴gB为购买补贴,属于一次性补贴政策。
汽车的日常使用会导致其零部件发生老化,维修成本主要包括维修保障、税收及其他方面所需的费用。电动汽车电池的老化更换在动态成本中进行分析。
式中,fc为第i年单次固定维护成本;n为每年平均发生故障次数;fT为各项税费,电动汽车免征购置税和车船使用税;其他成本对燃油车和电动车收取1800元通行费和停车费;r为固定通胀率。
报废处理成本fR是指汽车在报废后进行各种善后处理所需的费用。电动汽车电池可以年折损率δ折损后的容量进行回收,发动机无需进行回收。国内的报废汽车主体一般只当废铁处理,废铁价格为1元/kg。
式中,为报废处理时电池组价格,年折损率δ=20%;/>为车体报废回收残值。
2)动态成本
燃料成本是为了保证汽车正常运行而支付的费用燃料费用(燃油主要是油价,电动车主要是电价),其计算模型为:
式中,fFi为汽车第i年运行燃料成本;Ep是能源单价;Eu是汽车每里程能源使用量;Mi是第i年的日平均行驶里程;Di为电动汽车第i年运行的天数。r为固定通胀率。
假定每辆汽车的行驶里程数一定,里程补贴fO的主要策略是对电动汽车用户的运行费用进行补贴,当用户日行驶距离达到相应里程数,给予一定里程财政补贴。
fO=(Mi-mo)d%Mi≥mo (7)
式中,mo为满足补贴要求的里程下限;d为补贴系数。
由于现有技术不够成熟,电池寿命有限,为减少充放电对电池寿命的损耗,若Δx为电池内部化学反应速率,Ss为初始状态电池容量,假设每次充放电循环的时长Δt相同,即单位时间电池内阻的增加量r0固定。基于Arrhenius公式,可知任意充放电容量下,锂离子电池的实际循环寿命ΔL为:
式中:Ls表示锂电池在标准放电深度工况下的循环寿命,Ls=2500;DOD-0.795为锂电池在任意DOD下循环寿命的放电深度修正系数。由此电动车电池更换成本fB:
式中,Ybu是电动汽车的使用年限;Lb为锂电池总寿命里程;Mo为一次充电可行驶里程;Cb是电池组单价。
能源补充限制成本是指空驶里程以及进行充电以保证汽车的正常运行所需(电动汽车实际充电的时间包括充电等候时间和充电时间)的成本费用。依据对汽车到来及服务站服务时间的统计研究,汽车添加能源过程所需成本fE为:
式中,Tj为充电时长Mi为第i年的日平均行驶里程;为第i年汽车用户运行成本,r为固定通胀率。
步骤S3:,提出汽车成本量化方法,以电动汽车全生命周期成本最小化为目标函数,建立关于电动汽车充电功率、电池容量和充电站密度相关的成本核算表达式,在模型中以充电时长为优化重点,对充电站最短距离及在充电站内充电时长两个特征量进行优化,以解决汽车充电过程成本量化问题;
以实现汽车整个生命周期总成本最小化为目标,。基于S2中静态成本和动态成本的数学模型,将成本都归算到单位里程,得到汽车成本量化模型目标函数fLCC为:
fLCC=fc1+fc2 (11)
式中,fc1、fc2为静态成本、动态成本;fV为购置成本;为年度维修成本;fR为报废成本;/>为年度运行成本;fO为政府补贴;fB为设备更换成本;fE为添加能源限制成本;x1、x2、x3为0-1变量,当x1、x2、x3均取0时,考虑车型为燃油车,当x1、x2、x3均取1时,则表示考虑车型为电动车。
在不影响汽车正常行驶的情况下,综合考虑电动汽车添加能源限制成本中汽车充电功率,充电站密度、电动汽车电池组容量等因素,其不仅会提高用户的使用成本,同时也会影响其使用体验,故将其设置为优化模型的3个优化因素。已知各因素相互具有独立性,构建电动汽车充电设施优化配置模型公式如下:
min Ck=fB+fE=a1Cpil+a2Cden+a3Cper (14)
式中,Cpil为充电功率折算成本;Cden为快充站密度折算成本;Cper为电池性能折算成本;a1、a2、a3为可调节影响因素权重系数,3个系数之和为1。
不同的充电站密度,得到的距充电站最短距离有所不同,电动汽车空驶时长随之改变;选用的充电设备功率及不同容量电池组,对电动汽车在充电站内的等待时长及充电时长有很大影响,因此需在模型中对充电站最短距离及在充电站内充电时长两个特征量进行优化,两个特征量分析如下:
1)距充电站最短距离
为结合计算充电站内充电时间运用的排队论,本发明采用Dijkstra算法将电动汽车归算至与其距离最近的节点,求取电动汽车所在节点与各个充电站节点间的最短路径,此方法可以合理反映路况随时间的动态变化,避开附近拥挤路段,减少额外出行里程误差。Dijkstra算法具体步骤如下:
步骤1:记区域[i,l]内所有已知可能的最短路径的节点集合为A,未确定最短路径的节点集合为B。
步骤2:在集合A中确定电动汽车出发点为O,统计节点O到每一个充电站节点的最短路径,要求O到A中各节点的最短路径不大于到B中任何节点的距离,归纳出距离O最短路径的节点d*加入集合A。
步骤3:更新节点d*所用最短路径时间作为相邻节点到O的元素值。
步骤4:重复步骤2和步骤3,对比B中所有已更新节点,直到区域内所有充电站节点加入集合A。
2)充电时长
充电时长包括站内等待时长和进行充电时长,由于汽车进站充电属于排队模型,即可以采用排队论研究站内充电时长问题。在排队系统中,排队长度、排队时间、等待时间为影响用户等待成本的关键因素,根据M/G/k排队模型充电时长计算公式如下:
式中:Zej为空驶里程所需时长;Tj为电动汽车充电过程所需时长;tej为用户e在快充站等待充电服务的等待时间,e=1、2、3、…、P,P为单日前往充电站进行充电服务的用户总数;Sk为电动汽车剩余电量可达的快速充电站集合;Si为第i年电池容量;Pc(t)为电动汽车t时刻充电负荷功率;xj为用户充电状态变量,若用户需前往充电站进行充电则xj=1,xj=0表明电动汽车剩余电量允许用户抵达目的地,无需前往快充站点;cj为为充电站j内充电桩的数量,h=1、2、…,cj根据泊松分布,定义单位时间内进行充电用户数量为c,c=Y/24,vpil为充电桩的充电速率。
为使所建立数学模型合理,相关变量约束条件为:
1)充电站选址约束
充电站的选址绝大程度上取决于其工作领域汽车用户的充电需求,同时也影响着其覆盖区域用户的充电舒适度。充电站密度Dcs是指在规划区域内充电站个数与规划面积的比值:
式中,Da为区域a中充电站个数;Asta为此规划区域面积。由于充电站密度直接影响用户空驶成本,由充电站建筑成本出发,从用户个人角度和社会效益视角,应最大限度缩短电动汽车用户与其相距最近充电站的距离,且在满足工作区域覆盖率达到100%情况下降低充电站服务范围的重合问题,需要满足约束为:
0≤Aα≤min(Aj∩Ak) (18)
1≥pji≥po (20)
式中Aj、Ak为充电站j、k的服务范围;Aα为充电站服务范围重合面积;Me,las为电动汽车e的剩余行驶里程;Li e-j为汽车e到充电站j的距离;Sk为电动汽车剩余电量可达的快速充电站集合;pji为充电站j内i时刻的充电桩使用率;po为最低使用频率值,po=0.5。
2)电动汽车充电功率约束
目前充电站建设密集度逐年扩大,配电网负荷与充电负荷叠加,对局部配电网产生不利影响。为保证充电站的正常运行,避免用户充电等待时间过长,电动汽车的充电功率Pc应进行相应约束:
Pc=PjEpil (21)
式中,Epil为充电桩的工作效率;Pj为充电站j的负荷功率;n为t时刻在充电站j进行充电服务的电动汽车的数量,e=1、2、…、n;Pj,e(t)为t时刻电动汽车e在充电站j进行充电时的充电功率;Pj max为充电站j的最大总负荷功率;b为充电站j内充电车辆最大值与充电桩配置数量Nj比值上限,b=1.2。
3)电动汽车约束
动力电池的电池容量决定了电动汽车单次出行的行驶里程,电池容量越高出行距离越远。但锂电池持续工作在满冲满放工况下电池容量将迅速衰减,为保证正常电池寿命情况下延长单次出行距离,电池运行约束条件为:
式中,SOC(t1)、DOC(t2)分别为动力电池系统在时刻t1和t2时的荷电状态和放电深度;SOCmin、SOCmax分别为动力电池荷电量上下限,DOCmin、DOCmax分别是放电深度DOC的上下限,SOEmin、SOEmax分别是电池剩余电量SOE的上下限。
步骤S4:使用改进飞蛾优化算法对上述模型进行优化求解,对优化后结果与原始数据进行对比,验证所提方法的可靠性及有效性。
飞蛾火焰优化算法由Mirja等人在2015年提出,其基本机理为模拟飞蛾围绕光源借助横向定位机制飞行的行为进行搜索最优解从而解决实际问题。在该算法中,飞蛾代表范围中的实际搜索个体,火焰为此时搜过程的最优解。为寻求更优解,每个搜索个体都在相对应的最优解附近搜索并进行更新替换相应结果。该机制的优势性在于飞蛾与火焰的距离,越靠近最优解,会致使飞蛾进行螺旋飞行,通过在搜索过程中不断优化确定火焰位置从而获得模型最优解。
但传统飞蛾火焰优化算法的优化能力主要体现于个体之间,当大量搜索个体都到达局部最优点,则整个算法的搜索进程将变慢并最终停滞,影响全局最优解寻优能力。因此文章将采用高斯变异机制和混沌扰乱机制增加种群多样性,防止算法陷入局部最优,结合两种机制的改进飞蛾位置公式Si,j'表示如下:
rk l+1=4rk l(1-rk l) (26)
式中,Fj是第j个火焰位置;Ni是第i个飞蛾个体;b为对数螺旋函数的控制系数;t为可调节的飞蛾与火焰的接近度,取值1和-1,取值1则反向飞行,取值-1则正向飞行;G(α)为高斯函数生成的随机高斯变量;rk l+1是基于混沌理论的当前搜寻最优解;l当前为迭代次数。
改进后算法全局搜索能力增强,其流程如下:
S1、参数初始化。设定最大迭代次数T、飞蛾种群数L及其位置Si,j'、空间维度d、搜索区域[lb,ub]等系数。
S2、在设定范围内根据飞蛾位置确定及更新火焰数量B。
S3、确定各算子对应的目标适应度,并将全部算子适应度由大到小进行排列,以此更新火焰位置及其适应度,选取前a个值作为火焰适应度值以及取前a个与火焰适应度对应的算子位置作为火焰位置,设置当前火焰适应度最大的为目前最优解。
S4、采用高斯变异机制对每个算子更新后位置进行变异,计算经变异后算子适应度与更新后的算子进行对比,筛选出适应度值更大的作为更新后算子的适应度。
S5、重复步骤S3,采用混沌映射函数对当前最优值对应算子的位置进行混沌干扰,输出当前最优算子适应度值及所对应位置。
S6、判断是否达到迭代上限或结果已满足要求,是则输出全局最优解,否则转入步骤S3以进行下一次迭代。
以上实施例仅用于说明本发明的设计思想和特点,其目的在于使本领域内的技术人员能够了解本发明的内容并据以实施,本发明的保护范围不限于上述实施例。所以,凡依据本发明所揭示的原理、设计思路所作的等同变化或修饰,均在本发明的保护范围之内。
Claims (7)
1.一种考虑充电效能的电动汽车充电设施优化配置方法,其特征在于,对全生命周期成本进行静、动态分类,将受日行驶里程影响的成本定义为动态成本fc2,不受影响即为静态成本fc1;基于各项动态成本fc2和静态成本fc1,得到汽车全生命周期成本量化模型目标函数fLCC=fc1+fc2;基于电动汽车出行特性综合考虑影响电动汽车充电效能中汽车充电功率,充电站密度、电动汽车电池组容量因素,以此在全生命周期成本模型基础上建立电动汽车充电设施优化配置模型,在模型中对充电站最短距离、在充电站内充电时长两个特征量进行优化;设立电动汽车充电设施优化配置模型的充电站选址约束、电动汽车充电功率约束和电动汽车电池容量约束;使用改进飞蛾优化算法对电动汽车全生命周期模型进行优化求解进而得到电动家用车最佳充电功率及汽车电池容量;
充电站选址约束:
0≤Aα≤min(Aj∩Ak)
1≥pji≥po
其中,Aj、Ak为充电站j、k的服务范围;Me,las为电动汽车e的剩余行驶里程;Li e-j为汽车e到充电站j的距离;Sk为电动汽车剩余电量可达的快速充电站集合;pji为充电站j内i时刻的充电桩使用率;po为最低使用频率值;Aα为充电站服务范围重合面积;
电动汽车充电功率约束:
Pc=PjEpil
式中,Epil为充电桩的工作效率;Pj为充电站j的负荷功率;n为t时刻在充电站j进行充电服务的电动汽车的数量,e=1、2、…、n;Pj,e(t)为t时刻电动汽车e在充电站j进行充电时的充电功率;Pj max为充电站j的最大总负荷功率;
电动汽车约束:
式中,SOC(t1)、DOC(t2)分别为动力电池系统在时刻t1和t2时的荷电状态和放电深度;SOCmin、SOCmax分别为动力电池荷电量上下限,DOCmin、DOCmax分别是放电深度DOC的上下限,SOEmin、SOEmax分别是电池剩余电量SOE的上下限。
2.根据权利要求1所述的一种考虑充电效能的电动汽车充电设施优化配置方法,其特征在于,所述动态成本表示为:所述静态成本表示为:/>其中,fV为购置成本;/>为年度维修成本;fR为报废成本;/>为年度运行成本;fO为政府补贴;fB为设备更换成本;fE为添加能源限制成本;x1、x2、x3为0-1变量,当x1、x2、x3均取0时,考虑车型为燃油车,当x1、x2、x3均取1时,则表示考虑车型为电动车。
3.根据权利要求1所述的一种考虑充电效能的电动汽车充电设施优化配置方法,其特征在于,电动汽车充电设施优化配置模型表示为:
minCk=fB+fE=a1Cpil+a2Cden+a3Cper
式中,fB为设备更换成本;fE为添加能源限制成本;Cpil为充电功率折算成本;Cden为快充站密度折算成本;Cper为电池性能折算成本;a1、a2、a3为可调节影响因素权重系数,3个系数之和为1。
4.根据权利要求1所述的一种考虑充电效能的电动汽车充电设施优化配置方法,其特征在于,采用Dijkstra算法将电动汽车归算至与其距离最近的节点,求取电动汽车所在节点与各个充电站节点间的最短距离。
5.根据权利要求4所述的一种考虑充电效能的电动汽车充电设施优化配置方法,其特征在于,Dijkstra算法步骤为:
步骤1:记区域[i,l]内所有已知可能的最短路径的节点集合为A,未确定最短路径的节点集合为B;
步骤2:在集合A中确定电动汽车出发点为O,统计节点O到每一个充电站节点的最短路径,要求O到A中各节点的最短路径不大于到B中任何节点的距离,归纳出距离O最短路径的节点d*加入集合A;
步骤3:更新节点d*所用最短路径时间作为相邻节点到O的元素值;
步骤4:重复步骤2和步骤3,对比B中所有已更新节点,直到区域内所有充电站节点加入集合A。
6.根据权利要求1所述的一种考虑充电效能的电动汽车充电设施优化配置方法,其特征在于,充电站内充电时长包括站内等待时长和进行充电时长,根据M/G/k排队模型充电时长计算公式如下:
式中:Zej为空驶里程所需时长;Tj为电动汽车充电过程所需时长;tej为用户e在快充站等待充电服务的等待时间,e=1、2、3、…、P,P为单日前往充电站进行充电服务的用户总数;Sk为电动汽车剩余电量可达的快速充电站集合;Si为第i年电池容量;Pc(t)为电动汽车t时刻充电负荷功率;xj为用户充电状态变量,若用户需前往充电站进行充电则xj=1,xj=0表明电动汽车剩余电量允许用户抵达目的地,无需前往快充站点。
7.根据权利要求1所述的一种考虑充电效能的电动汽车充电设施优化配置方法,其特征在于,改进飞蛾优化算法优化求解的流程如下:
S1、参数初始化;设定最大迭代次数T、飞蛾种群数L及其位置Si,j'、空间维度d、搜索区域[lb,ub]的系数;
S2、在设定范围内根据飞蛾位置确定及更新火焰数量B;
S3、确定各算子对应的目标适应度,并将全部算子适应度由大到小进行排列,以此更新火焰位置及其适应度,选取前a个值作为火焰适应度值以及取前a个与火焰适应度对应的算子位置作为火焰位置,设置当前火焰适应度最大的为目前最优解;
S4、采用高斯变异机制对每个算子更新后位置进行变异,计算经变异后算子适应度与更新后的算子进行对比,筛选出适应度值更大的作为更新后算子的适应度;
S5、重复步骤S3,采用混沌映射函数对当前最优值对应算子的位置进行混沌干扰,输出当前最优算子适应度值及所对应位置;
S6、判断是否达到迭代上限或结果已满足要求,是则输出全局最优解,否则转入步骤S3以进行下一次迭代。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110848080.6A CN113553769B (zh) | 2021-07-27 | 2021-07-27 | 一种考虑充电效能的电动汽车充电设施优化配置方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110848080.6A CN113553769B (zh) | 2021-07-27 | 2021-07-27 | 一种考虑充电效能的电动汽车充电设施优化配置方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113553769A CN113553769A (zh) | 2021-10-26 |
CN113553769B true CN113553769B (zh) | 2023-12-05 |
Family
ID=78104520
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110848080.6A Active CN113553769B (zh) | 2021-07-27 | 2021-07-27 | 一种考虑充电效能的电动汽车充电设施优化配置方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113553769B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114238422B (zh) * | 2021-12-10 | 2023-05-02 | 北京质云数据科技有限公司 | 一种基于移动互联网的车辆召回跟踪系统 |
CN114179657B (zh) * | 2021-12-15 | 2022-09-27 | 南京工程学院 | 一种基于用户需求响应的充电桩充电功率调整方法和装置 |
CN114492169B (zh) * | 2021-12-28 | 2024-03-29 | 国网河北省电力有限公司营销服务中心 | 考虑用户市场响应潜力的电动汽车用户画像方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109034465A (zh) * | 2018-07-16 | 2018-12-18 | 河海大学 | 考虑充电站选址与出行路径耦合的充电站两层规划方法 |
CN109711630A (zh) * | 2018-12-28 | 2019-05-03 | 郑州大学 | 一种基于出行概率矩阵的电动汽车快充站选址定容方法 |
CN110866636A (zh) * | 2019-11-06 | 2020-03-06 | 南京工程学院 | 一种综合考虑电动汽车充电站及分布式能源的微电网规划方法 |
CN110929925A (zh) * | 2019-11-15 | 2020-03-27 | 国家电网有限公司 | 基于环境温度与用户行为的电动汽车充电站规划方法 |
CN112193116A (zh) * | 2020-09-30 | 2021-01-08 | 山西大学 | 一种考虑奖励机制的电动汽车充电优化引导策略 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8024082B2 (en) * | 2009-03-11 | 2011-09-20 | General Electric Company | System and method for optimizing energy storage component usage |
-
2021
- 2021-07-27 CN CN202110848080.6A patent/CN113553769B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109034465A (zh) * | 2018-07-16 | 2018-12-18 | 河海大学 | 考虑充电站选址与出行路径耦合的充电站两层规划方法 |
CN109711630A (zh) * | 2018-12-28 | 2019-05-03 | 郑州大学 | 一种基于出行概率矩阵的电动汽车快充站选址定容方法 |
CN110866636A (zh) * | 2019-11-06 | 2020-03-06 | 南京工程学院 | 一种综合考虑电动汽车充电站及分布式能源的微电网规划方法 |
CN110929925A (zh) * | 2019-11-15 | 2020-03-27 | 国家电网有限公司 | 基于环境温度与用户行为的电动汽车充电站规划方法 |
CN112193116A (zh) * | 2020-09-30 | 2021-01-08 | 山西大学 | 一种考虑奖励机制的电动汽车充电优化引导策略 |
Non-Patent Citations (1)
Title |
---|
电动汽车充电站选址优化研究;杨现青等;《交通科技与经济》;第18卷(第3期);第14-18页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113553769A (zh) | 2021-10-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113553769B (zh) | 一种考虑充电效能的电动汽车充电设施优化配置方法 | |
Luo et al. | Charging scheduling strategy for different electric vehicles with optimization for convenience of drivers, performance of transport system and distribution network | |
Wang et al. | Optimal scheduling for electric bus fleets based on dynamic programming approach by considering battery capacity fade | |
Tao et al. | Data-driven optimized layout of battery electric vehicle charging infrastructure | |
CN108573317B (zh) | 一种换电站充放电策略优化控制的方法 | |
Lin et al. | Energy management strategy based on velocity prediction using back propagation neural network for a plug‐in fuel cell electric vehicle | |
CN107180274B (zh) | 一种电动汽车充电设施规划典型场景选取和优化方法 | |
CN110059934A (zh) | 燃油车和新能源车协同配送调度的方法 | |
CN105787600A (zh) | 基于自适应量子遗传算法的电动出租车充电站规划方法 | |
CN106875075A (zh) | 一种基于出行行为学的电动汽车充电站布点方法 | |
CN110826841A (zh) | 考虑用户充电体验和配电网运行风险的充电站规划方法 | |
CN106651059A (zh) | 一种电动汽车充电站优化配置的方法 | |
CN103177395A (zh) | 一种基于社会期望的智能配电网节能减排综合评价方法 | |
CN110189025B (zh) | 考虑不同负荷增长的电动汽车充电站规划方案获取方法 | |
CN110968837A (zh) | 电动汽车充电站选址定容的方法 | |
CN115115268B (zh) | 基于路电耦合与低碳约束的电动汽车充电桩容量规划方法 | |
Jian et al. | Implications of road transport electrification: A long-term scenario-dependent analysis in China | |
CN111523714B (zh) | 一种电力充电站选址布局方法及装置 | |
CN111523930A (zh) | 城市电动出租车充电站选址和服务范围划分的规划方法 | |
CN114722595A (zh) | 一种含有换电站的微电网优化运行方法 | |
CN115392588A (zh) | 一种全生命周期的电动汽车碳排放预测方法以及装置 | |
Zhao et al. | Research on emergency distribution optimization of mobile power for electric vehicle in photovoltaic-energy storage-charging supply chain under the energy blockchain | |
CN112550050B (zh) | 一种电动汽车充电方法和系统 | |
He et al. | Expansion planning of electric vehicle charging stations considering the benefits of peak‐regulation frequency modulation | |
Phonrattanasak et al. | Multiobjective ant colony optimization for fast charging stations planning in residential area |
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 |