CN114030386A - 基于用户充电选择的电动汽车充电控制方法 - Google Patents

基于用户充电选择的电动汽车充电控制方法 Download PDF

Info

Publication number
CN114030386A
CN114030386A CN202111438436.5A CN202111438436A CN114030386A CN 114030386 A CN114030386 A CN 114030386A CN 202111438436 A CN202111438436 A CN 202111438436A CN 114030386 A CN114030386 A CN 114030386A
Authority
CN
China
Prior art keywords
charging
user
scheduling
load
electric
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.)
Pending
Application number
CN202111438436.5A
Other languages
English (en)
Inventor
付冠华
范华
余彬
吴良良
翁利国
陈杰
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.)
State Grid Zhejiang Xiaoshan District Power Supply Co ltd
Zhejiang Zhongxin Electric Power Engineering Construction Co Ltd
Original Assignee
State Grid Zhejiang Xiaoshan District Power Supply Co ltd
Zhejiang Zhongxin Electric Power Engineering Construction Co Ltd
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 State Grid Zhejiang Xiaoshan District Power Supply Co ltd, Zhejiang Zhongxin Electric Power Engineering Construction Co Ltd filed Critical State Grid Zhejiang Xiaoshan District Power Supply Co ltd
Priority to CN202111438436.5A priority Critical patent/CN114030386A/zh
Publication of CN114030386A publication Critical patent/CN114030386A/zh
Pending legal-status Critical Current

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

Abstract

本发明为基于用户充电选择的电动汽车充电控制方法，包括根据配网历史负荷记录预测当天配网常规负荷；获取各时段充电价格；获取车辆信息和充电信息；初始化种群；计算初始种群适应度值，每个个体的适应度值包括电动汽车用户总充电成本和负荷波动方差；根据适应度值选取粒子的最佳位置；筛选非劣解集，包括初始筛选非劣解和非劣解集更新；更新个体粒子的速度和位置；判断是否达到最大循环迭代次数，若未达到则转到步骤S5；若达到则输出解集。本发明的优点是：以总充电成本最小、电网负荷方差最小为目标，以充电需求等条件为约束，建立电动汽车负荷的优化调度模型，使得电动汽车充电控制方法能够兼顾电平滑电网负荷曲线和用户充电成本。

Description

基于用户充电选择的电动汽车充电控制方法
技术领域
本发明涉及充电控制领域，尤其涉及基于用户充电选择的电动汽车充电控制方法。
背景技术
电动汽车大规模普及和无序充电给配电网规划运行带了来一系列的不利影响，包括配电网的电能质量、可靠性、经济运行等。为了增强配电网对大规模电动汽车充电负荷的容纳能力，同时减轻电动汽车无序充电带来的不利影响，需要采取相应的措施对随机充电行为进行引导控制。制定电动汽车充电有序调度策略是实现充电优化控制的前提条件，采用制定的策略进行有序充电，不仅可以减小无序充电行为对配电网的不利影响，还可以因有序充电带来一定的经济效益。但目前的有序充电方案在实现对平滑电网负荷曲线的同时往往会增加电动汽车用户的成本，使得有序充电方案难以推行。
发明内容
本发明主要解决了现有有序充电方案无法兼顾平滑电网负荷曲线和用户充电成本的问题，提供了一种能够兼顾电平滑电网负荷曲线和用户充电成本的基于用户充电选择的电动汽车充电控制方法。
本发明解决其技术问题所采用的技术方案是，基于用户充电选择的电动汽车充电控制方法，包括以下步骤：
S1：根据配网历史负荷记录预测当天配网常规负荷；
S2：获取各时段充电价格；
S3：获取车辆信息和充电信息；
S4：初始化种群，包括确定种群个数及初始化粒子的位置和速度；
S5：计算初始种群适应度值，每个个体的适应度值包括电动汽车用户总充电成本和负荷波动方差；
S6：根据适应度值选取粒子的最佳位置；
S7：筛选非劣解集，包括初始筛选非劣解和非劣解集更新；
S8：更新个体粒子的速度和位置；
S9：判断是否达到最大循环迭代次数，若未达到则转到步骤S5；若达到则输出解集。
由用户确定自身行程安排和车辆荷电状态等信息，面对分时充电价做出趋利性的充电选择——接受电网充电调度或不接受电网充电调度两种选择。同时，电网将以此为基础安排最优调度策略。然后，以总充电成本最小、电网负荷方差最小为目标，以充电需求等条件为约束，建立电动汽车负荷的优化调度模型，使得电动汽车充电控制方法能够兼顾电平滑电网负荷曲线和用户充电成本。
作为上述方案的一种优选方案，所述步骤S2中各时段充电价格为
pev＝pgrid+psta
其中，pev为电动汽车的单位充电价格，pgrid为电动汽车充电时电网的单位售电价格，psta为电动汽车运营商收取的单位服务费用。
作为上述方案的一种优选方案，所述车辆信息包括电动汽车电池容量、充电功率大小和充电起始电量。
作为上述方案的一种优选方案，所述充电信息包括用户充电策略、预计的驶离时刻和期望电量，所述用户充电策略包括不服从调度快速充电、服从调度快速充电，不服从调度常规充电和服从调度常规充电。
作为上述方案的一种优选方案，所述用户充电策略确定公式如下：
Figure BDA0003382598800000031
Tce＝(Ce-CD)/Pc
TP为电动汽车停车时间，Tce为慢速充电至期望电量所需时间，Ce为期望电量，CD为充电起始电量，Pc为慢充的充电功率，Bk为用户不服从调度快速充电，电动汽车从进入充电站起直接快充至期望电量，Fk为用户服从调度快速充电，电网调度负荷确定起始充电时间后快充至期望电量，Bm为用户不服从调度常规充电，电动汽车从进入充电站起直接慢充至期望电量，Fm为用户服从调度常规充电，电网调度负荷确定起始充电时间后慢充至期望电量，λ1，β1取0或1，取0时表示用户不服从电网调度，取1时表示用户服从电网调度。
作为上述方案的一种优选方案，当Tp>Tce时，β1取值确定如下：
Figure BDA0003382598800000032
F2＝fB/Qc
Figure BDA0003382598800000033
y为电动汽车停车时间TP所包含的时间段的个数，i为连续不中断充电至期望电量所需时间包含的时间段个数，y-i+1为用户在服从调度的情况下调度场景的个数，f(j)表示场景J的充电成本，Qc表示充电量，fB表示不服从调度的充电成本，F1为预期服从调度的单位电量充电成本，F2为不服从调度的单位电量充电成本。
作为上述方案的一种优选方案，所述电动汽车用户总充电成本的目标函数为：
Figure BDA0003382598800000041
Figure BDA0003382598800000042
Figure BDA0003382598800000043
U为电动汽车总数量，N为划分的时段数，Δt为充电时间间隔，f1为充电成本，Pe为充电功率，Pev为充电分时电价，R为服从电网调度的经济奖励，D1和D2分别为服从调度时充电量达到一定额度值a与b时的服从奖励，
Figure BDA0003382598800000044
为用户服从调度充电量，V为不服从电网调度的惩罚金额，ε为惩罚系数，e为电动汽车电池容量，
Figure BDA0003382598800000045
和
Figure BDA0003382598800000046
二分别为进站和出站时的荷电状态。
作为上述方案的一种优选方案，所述负荷波动方差的目标函数为：
Figure BDA0003382598800000047
Lr,i和Lc,i分别为时段i的配电网常规负荷和电动汽车充电负荷，Lav为日平均负荷。
作为上述方案的一种优选方案，个体的约束条件为：
在充电时段结束时电池的荷电状态达到期望电量，满足用户的行车需求
Figure BDA0003382598800000051
其中，ηc为电动汽车充电效率；
充电过程中车辆SOC值处于限定值内
SOCmin≤SOCc,h≤SOCmax
其中，SOCmin和SOCmax分别代表荷电状态的下限值和上限值，SOCc,h代表第c辆车第h时刻的SOC值。
作为上述方案的一种优选方案，所述粒子的惯性权重ω变化如下：
Figure BDA0003382598800000052
其中ωstart为初始惯性权重，ωend为最终惯性权重，k为当前迭代次数，Tmax为最大迭代次数。
本发明的优点是：以总充电成本最小、电网负荷方差最小为目标，以充电需求等条件为约束，建立电动汽车负荷的优化调度模型，使得电动汽车充电控制方法能够兼顾电平滑电网负荷曲线和用户充电成本。
附图说明
图1为实施例中基于用户充电选择的电动汽车充电控制方法的流程示意图。
具体实施方式
下面通过实施例，并结合附图，对本发明的技术方案作进一步的说明。
实施例：
基于用户充电选择的电动汽车充电控制方法，包括以下步骤：
S1：根据配网历史负荷记录预测当天配网常规负荷；常规负荷中不包含电动汽车充电负荷。
S2：获取各时段充电价格；充电电价表达式为：
pev＝pgrid+psta
其中，pev为电动汽车的单位充电价格，pgrid为电动汽车充电时电网的单位售电价格，psta为电动汽车运营商收取的单位服务费用。
本实施例中，根据白班营业时间和夜班营业时间，运营商收取的服务费费率也有所区别：
Figure BDA0003382598800000061
其中，α1和α3分别代表用户在服从调度时运营商收取的白班和夜班服务费率，α2和α4分别代表用户在不服从调度时运营商收取的白班和夜班服务费率。pgrid(t)为所在时段t的电网单位售电价格，psta(t)为所在时段t的运营商收取的单位服务费用。
S3：获取车辆信息和充电信息；由电动汽车所装载的车辆信息系统来获取接入车辆的车辆信息，其中包括电动汽车电池容量、充电功率大小和充电起始电量等；由充电桩上的人机交互设备来获取充电信息，包括用户基于主动性行为选择的用户充电策略、预计的驶离时刻和期望电量。所述用户充电策略包括不服从调度快速充电、服从调度快速充电，不服从调度常规充电和服从调度常规充电。
人机交互设备根据用户的预计的驶离时刻、期望电量和车辆信息确定用户充电策略并供用户选择，用户充电策略确定公式如下：
Figure BDA0003382598800000071
Tce＝(Ce-CD)/Pc
TP为电动汽车停车时间，Tce为慢速充电至期望电量所需时间，Ce为期望电量，CD为充电起始电量，Pc为慢充的充电功率，Bk为用户不服从调度快速充电，电动汽车从进入充电站起直接快充至期望电量，Fk为用户服从调度快速充电，电网调度负荷确定起始充电时间后快充至期望电量，Bm为用户不服从调度常规充电，电动汽车从进入充电站起直接慢充至期望电量，Fm为用户服从调度常规充电，电网调度负荷确定起始充电时间后慢充至期望电量，λ1，β1取0或1，取0时表示用户不服从电网调度，取1时表示用户服从电网调度。当电动汽车不满足慢速充电至期望电量所需的时间前提时，只能选择快速充电策略；当快速充电时间大于等于停车时间时，用户不服从调度快速充电；当快速充电时间小于停车时间时，用户服从调度快速充电；对于电动汽车停车时间大于慢速充电至用户期望电量所需时间时，即当Tp>Tce时，β1取值确定如下：
Figure BDA0003382598800000072
F2＝fB/Qc
Figure BDA0003382598800000081
本实施例中把全天分为N个时段，假设停车持续时间TP包含y个时间段，连续不中断充电至期望电量所需时间包含i个时间段，对于不足一个时间段部分补足一个时间段，用户在服从调度的情况下充电成本共y-i+1种调度场景，即起始充电时间可以选择y-i+1种，且一旦开始充电，充电过程连续不中断，f(j)表示场景J的充电成本，Qc表示充电量，fB表示不服从调度的充电成本，F1为预期服从调度的单位电量充电成本，F2为不服从调度的单位电量充电成本。当不服从电网调度的单位充电成本优于服从调度时的单位电量充电成本时，电动汽车将从进充电站开始一直持续充电至所需求的期望电量，剩余停车时间闲置。这种情况不利于电网的调度优化，但有利于用户获得更好的经济价值。当服从电网调度时的预期单位电量充电成本优于不服从调度时的单位电量充电成本时，电动汽车用户会在满足出站电量的前提下让电网进行有序充电安排。这种情况既有利于电网的调度规划，也有利于车主获得最大化的经济价值。
S4：初始化种群，通过基于粒子群的多目标搜索算法由原始数据对种群初始化，确定种群个数，初始化粒子的位置X和速度V；
S5：计算初始种群适应度值，每个个体的适应度值包括电动汽车用户总充电成本和负荷波动方差，同时个体需满足约束条件；
本实施例中，电动汽车用户总充电成本的目标函数为：
Figure BDA0003382598800000091
Figure BDA0003382598800000092
Figure BDA0003382598800000093
U为电动汽车总数量，N为划分的时段数，Δt为充电时间间隔，f1为充电成本，Pe为充电功率，Pev为充电分时电价，R为服从电网调度的经济奖励，D1和D2分别为服从调度时充电量达到一定额度值a与b时的服从奖励，
Figure BDA0003382598800000094
为用户服从调度充电量，V为不服从电网调度的惩罚金额，ε为惩罚系数，e为电动汽车电池容量，
Figure BDA0003382598800000095
和
Figure BDA0003382598800000096
二分别为进站和出站时的荷电状态。
负荷波动方差的目标函数为：
Figure BDA0003382598800000097
Lr,i和Lc,i分别为时段i的配电网常规负荷和电动汽车充电负荷，Lav为日平均负荷。
个体需满足约束条件为：在充电时段结束时电池的荷电状态达到期望电量，满足用户的行车需求
Figure BDA0003382598800000098
其中，ηc为电动汽车充电效率；
充电过程中车辆SOC值处于限定值内
SOCmin≤SOCc,h≤SOCmax
其中，SOCmin和SOCmax分别代表荷电状态的下限值和上限值，SOCc,h代表第c辆车第h时刻的SOC值。
S6：根据适应度值选取粒子的最佳位置；
S7：筛选非劣解集，包括初始筛选非劣解和非劣解集更新；从初始筛选的非劣解中随机选取一个解作为全局最优值，以便粒子迭代更新；非劣解集更新是将旧的非劣解集和新的个体最优粒子合并之后进行筛选，并去除重复粒子。
S8：更新个体粒子的速度和位置；
S9：判断是否达到最大循环迭代次数，若未达到则转到步骤S5；若达到则输出Pareto解集。
本实施例中，采用惯性权重动态变化的改进粒子群算法，粒子的惯性权重ω变化如下：
Figure BDA0003382598800000101
其中ωstart为初始惯性权重，ωend为最终惯性权重，k为当前迭代次数，Tmax为最大迭代次数。随着迭代的进行，迭代初期较大的惯性权重使算法保持了较强的全文搜索能力，而迭代后期较少的惯性权重有利于算法进行更精确的小步长搜索，同时本项目还给予粒子惯性一定的变异，确保不因小范围内用户个体的差异性导致陷入局部最优。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (10)

1.基于用户充电选择的电动汽车充电控制方法，其特征是：包括以下步骤：
S1：根据配网历史负荷记录预测当天配网常规负荷；
S2：获取各时段充电价格；
S3：获取车辆信息和充电信息；
S4：初始化种群，包括确定种群个数及初始化粒子的位置和速度；
S5：计算初始种群适应度值，每个个体的适应度值包括电动汽车用户总充电成本和负荷波动方差；
S6：根据适应度值选取粒子的最佳位置；
S7：筛选非劣解集，包括初始筛选非劣解和非劣解集更新；
S8：更新个体粒子的速度和位置；
S9：判断是否达到最大循环迭代次数，若未达到则转到步骤S5；若达到则输出解集。
2.根据权利要求1所述的基于用户充电选择的电动汽车充电控制方法，其特征是：所述步骤S2中各时段充电价格为
pev＝pgrid+psta
其中，pev为电动汽车的单位充电价格，pgrid为电动汽车充电时电网的单位售电价格，psta为电动汽车运营商收取的单位服务费用。
3.根据权利要求1所述的基于用户充电选择的电动汽车充电控制方法，其特征是：所述车辆信息包括电动汽车电池容量、充电功率大小和充电起始电量。
4.根据权利要求1所述的基于用户充电选择的电动汽车充电控制方法，其特征是：所述充电信息包括用户充电策略、预计的驶离时刻和期望电量，所述用户充电策略包括不服从调度快速充电、服从调度快速充电，不服从调度常规充电和服从调度常规充电。
5.根据权利要求4所述的基于用户充电选择的电动汽车充电控制方法，其特征是：所述用户充电策略确定公式如下：
Figure FDA0003382598790000021
Tce＝(Ce-CD)/Pc
TP为电动汽车停车时间，Tce为慢速充电至期望电量所需时间，Ce为期望电量，CD为充电起始电量，Pc为慢充的充电功率，Bk为用户不服从调度快速充电，电动汽车从进入充电站起直接快充至期望电量，Fk为用户服从调度快速充电，电网调度负荷确定起始充电时间后快充至期望电量，Bm为用户不服从调度常规充电，电动汽车从进入充电站起直接慢充至期望电量，Fm为用户服从调度常规充电，电网调度负荷确定起始充电时间后慢充至期望电量，λ1，β1取0或1，取0时表示用户不服从电网调度，取1时表示用户服从电网调度。
6.根据权利要求5所述的基于用户充电选择的电动汽车充电控制方法，其特征是：当Tp>Tce时，β1取值确定如下：
Figure FDA0003382598790000022
F2＝fB/Qc
Figure FDA0003382598790000023
y为电动汽车停车时间TP所包含的时间段的个数，i为连续不中断充电至期望电量所需时间包含的时间段个数，y-i+1为用户在服从调度的情况下调度场景的个数，f(j)表示场景J的充电成本，Qc表示充电量，fB表示不服从调度的充电成本，F1为预期服从调度的单位电量充电成本，F2为不服从调度的单位电量充电成本。
7.根据权利要求1所述的基于用户充电选择的电动汽车充电控制方法，其特征是：所述电动汽车用户总充电成本的目标函数为：
Figure FDA0003382598790000031
Figure FDA0003382598790000032
Figure FDA0003382598790000033
U为电动汽车总数量，N为划分的时段数，Δt为充电时间间隔，f1为充电成本，Pe为充电功率，Pev为充电分时电价，R为服从电网调度的经济奖励，D1和D2分别为服从调度时充电量达到一定额度值a与b时的服从奖励，
Figure FDA0003382598790000034
为用户服从调度充电量，V为不服从电网调度的惩罚金额，ε为惩罚系数，e为电动汽车电池容量，
Figure FDA0003382598790000035
和
Figure FDA0003382598790000036
二分别为进站和出站时的荷电状态。
8.根据权利要求1所述的基于用户充电选择的电动汽车充电控制方法，其特征是：所述负荷波动方差的目标函数为：
Figure FDA0003382598790000037
Lr,i和Lc,i分别为时段i的配电网常规负荷和电动汽车充电负荷，Lav为日平均负荷。
9.根据权利要求1所述的基于用户充电选择的电动汽车充电控制方法，其特征是：个体的约束条件为：
在充电时段结束时电池的荷电状态达到期望电量，满足用户的行车需求
Figure FDA0003382598790000041
其中，ηc为电动汽车充电效率；
充电过程中车辆SOC值处于限定值内
SOCmin≤SOCc,h≤SOCmax
其中，SOCmin和SOCmax分别代表荷电状态的下限值和上限值，SOCc,h代表第c辆车第h时刻的SOC值。
10.根据权利要求1所述的基于用户充电选择的电动汽车充电控制方法，其特征是：所述粒子的惯性权重ω变化如下：
Figure FDA0003382598790000042
其中ωstart为初始惯性权重，ωend为最终惯性权重，k为当前迭代次数，Tmax为最大迭代次数。
CN202111438436.5A 2021-11-30 2021-11-30 基于用户充电选择的电动汽车充电控制方法 Pending CN114030386A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111438436.5A CN114030386A (zh) 2021-11-30 2021-11-30 基于用户充电选择的电动汽车充电控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111438436.5A CN114030386A (zh) 2021-11-30 2021-11-30 基于用户充电选择的电动汽车充电控制方法

Publications (1)

Publication Number Publication Date
CN114030386A true CN114030386A (zh) 2022-02-11

Family

ID=80146014

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111438436.5A Pending CN114030386A (zh) 2021-11-30 2021-11-30 基于用户充电选择的电动汽车充电控制方法

Country Status (1)

Country Link
CN (1) CN114030386A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116061742A (zh) * 2022-10-25 2023-05-05 广州汇锦能效科技有限公司 一种分时电价光伏园区内电动汽车的充电控制方法和系统

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120056583A1 (en) * 2010-09-08 2012-03-08 Siemens Aktiengesellschaft Method and device for the efficient charging of a vehicle battery
US20130006461A1 (en) * 2011-06-30 2013-01-03 Electronics And Telecommunications Research Institute System for managing battery charge of electric vehicle and method thereof
CN105184361A (zh) * 2015-09-06 2015-12-23 河南师范大学 电动汽车磁耦合无线充电系统的最大效率跟踪方法
CN105958498A (zh) * 2016-04-28 2016-09-21 东南大学 一种考虑电动汽车的机组组合与分时电价联合优化方法
CN109167347A (zh) * 2018-08-06 2019-01-08 云南民族大学 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
CN110281809A (zh) * 2019-05-28 2019-09-27 北京航盛新能科技有限公司 一种基于粒子群优化算法的电动汽车v2g控制系统
CN111799827A (zh) * 2020-05-20 2020-10-20 国网江苏省电力有限公司苏州供电分公司 一种含光储充电站的台区负荷调控方法
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
CN112238781A (zh) * 2020-09-30 2021-01-19 国网河南省电力公司经济技术研究院 一种基于分层架构的电动汽车有序充电控制方法
CN113500940A (zh) * 2021-07-08 2021-10-15 东北电力大学 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

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120056583A1 (en) * 2010-09-08 2012-03-08 Siemens Aktiengesellschaft Method and device for the efficient charging of a vehicle battery
US20130006461A1 (en) * 2011-06-30 2013-01-03 Electronics And Telecommunications Research Institute System for managing battery charge of electric vehicle and method thereof
CN105184361A (zh) * 2015-09-06 2015-12-23 河南师范大学 电动汽车磁耦合无线充电系统的最大效率跟踪方法
CN105958498A (zh) * 2016-04-28 2016-09-21 东南大学 一种考虑电动汽车的机组组合与分时电价联合优化方法
CN109167347A (zh) * 2018-08-06 2019-01-08 云南民族大学 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
CN110281809A (zh) * 2019-05-28 2019-09-27 北京航盛新能科技有限公司 一种基于粒子群优化算法的电动汽车v2g控制系统
CN111799827A (zh) * 2020-05-20 2020-10-20 国网江苏省电力有限公司苏州供电分公司 一种含光储充电站的台区负荷调控方法
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
CN112238781A (zh) * 2020-09-30 2021-01-19 国网河南省电力公司经济技术研究院 一种基于分层架构的电动汽车有序充电控制方法
CN113500940A (zh) * 2021-07-08 2021-10-15 东北电力大学 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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
黄小庆: "用户充电选择对电网充电调度的影响", 电工技术学报, vol. 33, no. 13, pages 3002 - 3011 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116061742A (zh) * 2022-10-25 2023-05-05 广州汇锦能效科技有限公司 一种分时电价光伏园区内电动汽车的充电控制方法和系统
CN116061742B (zh) * 2022-10-25 2024-05-03 广州汇锦能效科技有限公司 一种分时电价光伏园区内电动汽车的充电控制方法和系统

Similar Documents

Publication Publication Date Title
CN110472785B (zh) 一种基于负荷分类的电动汽车群调度方法
Yao et al. A real-time charging scheme for demand response in electric vehicle parking station
US10293699B2 (en) Smart-charging apparatus for use with electric-vehicle-sharing stations
CN111160588B (zh) 一种预约充电服务方法及系统
CN110774929A (zh) 一种电动汽车有序充电的实时控制策略及优化方法
CN108955711B (zh) 一种应用于电动汽车智能充放电的导航方法
CN109177802B (zh) 一种基于无线通信的电动汽车有序充电系统及其方法
Yao et al. A fuzzy logic based charging scheme for electric vechicle parking station
CN113627993A (zh) 一种基于深度强化学习的智能电动汽车充放电决策方法
CN113954680B (zh) 基于充电时段优化的电动汽车充电控制方法
Esmailirad et al. An extended m/m/k/k queueing model to analyze the profit of a multiservice electric vehicle charging station
CN110852494A (zh) 一种计及需求响应的电动汽车概率负荷预测方法
CN112498164A (zh) 充电策略的处理方法和装置
CN111845453A (zh) 考虑柔性控制的电动汽车充电站双层优化充放电策略
CN114282821A (zh) 一种共享电动汽车的调度方法、系统及设备
CN112418734A (zh) 一种电动汽车充电负荷分配方法
Patil et al. An intelligent control strategy for vehicle-to-grid and grid-to-vehicle energy transfer
CN114030386A (zh) 基于用户充电选择的电动汽车充电控制方法
CN114722595A (zh) 一种含有换电站的微电网优化运行方法
CN110390468B (zh) 电动汽车充电的调度方法和系统
CN112507506A (zh) 基于遗传算法的共享汽车定价规划模型的多目标优化方法
Ren et al. Study on optimal V2G pricing strategy under multi-aggregator competition based on game theory
CN109672199A (zh) 一种基于能量平衡的电动汽车削峰填谷能力估计方法
CN113486504A (zh) 一种基于调度成本的电池管理控制方法
CN112134272A (zh) 配网电动汽车负荷调控方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20220211