CN114118724A - 考虑需求匹配度的电动汽车充电调度方法 - Google Patents

考虑需求匹配度的电动汽车充电调度方法 Download PDF

Info

Publication number
CN114118724A
CN114118724A CN202111314856.2A CN202111314856A CN114118724A CN 114118724 A CN114118724 A CN 114118724A CN 202111314856 A CN202111314856 A CN 202111314856A CN 114118724 A CN114118724 A CN 114118724A
Authority
CN
China
Prior art keywords
charging
electric automobile
vehicle
electric
response
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
CN202111314856.2A
Other languages
English (en)
Inventor
徐婷婷
胡晓锐
吴高林
龙方家
程超贻
张雨晴
朱彬
龙羿
汪会财
池磊
李智
王敏
谢晓念
谢涵
袁秀娟
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 Chongqing Electric Power Co Marketing Service Center
State Grid Corp of China SGCC
State Grid Chongqing Electric Power Co Ltd
Original Assignee
State Grid Chongqing Electric Power Co Marketing Service Center
State Grid Corp of China SGCC
State Grid Chongqing Electric Power 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 Chongqing Electric Power Co Marketing Service Center, State Grid Corp of China SGCC, State Grid Chongqing Electric Power Co Ltd filed Critical State Grid Chongqing Electric Power Co Marketing Service Center
Priority to CN202111314856.2A priority Critical patent/CN114118724A/zh
Publication of CN114118724A publication Critical patent/CN114118724A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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"
    • 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

Landscapes

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

Abstract

本发明公开了一种考虑需求匹配度的电动汽车充电调度方法，涉及电力系统控制技术领域，缓解了在电动汽车充电调度过程中存在的欠响应、过响应和求解收敛速度慢等问题，包括建立出行链的电动汽车充电负荷预测模型；并将整理好的信息输入到电动汽车充电负荷预测的模型中，得到预测结果；建立需求匹配度的电动汽车调度模型；将步骤1中的预测结果输入到步骤2中的调度模型中，通过模糊布谷鸟算法求解，得到调度方案；本发明利用改进的出行链进行电动汽车负荷预测，预测出电动汽车在不同时间和空间上的充电负荷，该方法能够兼顾电动汽车数量、电池容量等多种因素，使预测结果更加真实、合理。

Description

考虑需求匹配度的电动汽车充电调度方法
技术领域
本发明涉及电力系统控制技术领域，具体涉及一种考虑需求匹配度的电动汽车充电调度方法。
背景技术
随着电动汽车EV(Electric Vehicle)规模的不断增大，当大量EV集中在负荷高峰时段充电时，电网的安全运行面临着越来越大的风险。
一方面有研究考虑电动汽车聚合商(Electric Vehicle Aggregator，EVA)机制对电动汽车充电调度进行探索，但电动汽车负荷波动较大，EVA预测出的电动汽车充电负荷不够准确，很难保证电动汽车用户的充电功率与电网的需求功率相匹配，导致欠响应、过响应问题频现。另一方面针对电动汽车调度模型求解时，其求解算法收敛速度不够快，不能找出最优解，导致调度方案不够经济。
发明内容
本发明的目的在于：为了解决上述技术问题，本发明提供了一种考虑需求匹配度的电动汽车充电调度方法。
本发明采用的技术方案如下：
一种考虑需求匹配度的电动汽车充电调度方法，包括以下步骤，
步骤1：建立出行链的电动汽车充电负荷预测模型；并将整理好的信息输入到电动汽车充电负荷预测的模型中，得到预测结果；
步骤2：建立需求匹配度的电动汽车调度模型；
步骤3：将步骤1中的预测结果输入到步骤2中的调度模型中，通过模糊布谷鸟算法求解，得到调度方案。
进一步，所述步骤1具体包括：
步骤1.1、建立车辆出行时空模型，电动私家车的每一位用户、行程结束时间和行程行驶距离都相互独立；
行程结束时间分布，采用Weibull概率函数对每段行程结束时间进行拟合，即：
Figure BDA0003343298070000011
式中，x为随机变量，k为形状参数能够表示曲线的峰值情况，c为尺度参数与行程结束时间相关，γ为位置参数；F(x；k；c；γ)为概率分布函数，f(x；k；c；γ)为时间概率密度函数，e为自然指数；
行程行驶距离分布，采用对数正态分布函数拟合电动私家车用户的行程行驶里程d，其距离概率密度函数为：
Figure BDA0003343298070000021
式中，μD为行程行驶距离期望值；σD 2为行程行驶距离期望值的标准差；标准差定义是总体各单位标准值与其平均数离差平方的算术平均数的平方，它反映组内个体间的离散程度；
Figure BDA0003343298070000022
物理含义是一共Ndis段行驶距离dp，表示对各行驶距离与其平均数作差，然后进行求和再做平方根处理，σD为总体各单位标准值与其平均数离差平方的算术平均数；
步骤1.2、计算车辆空间转移概率，得到车辆一天的时空分布：
步骤1.3、电动汽车耗电量计算，电动汽车单位里程耗电量如以下所示：
Figure BDA0003343298070000023
式中，Eksl EzglEcglEz1分别为快速路、主干路、次干路、支路的单位里程耗电量；V为电动汽车行驶速度。
结合出行时初始电量计算里程耗电量可得电动汽车到达目的地时的剩余电量，公式表示如下：
SOCi end＝SOCi ini-El i×di,El∈(Eksl,Ezgl,Ecgl,Ez1)
其中SOCi ini表示第i辆EV的初始荷电状态，El i表示第i辆EV所行驶道路对应的耗电量，di为第i辆电动汽车道路行驶里程，SOCi end表示第i辆电动汽车结束行程时的电池荷电状态。
步骤1.4计算电动汽车充电负荷，得到电动汽车预测结果。
进一步，所述步骤1.3更具体包括：
用户为了缓解里程焦虑，在最后一次转移状态时须确保汽车电量具有0.25的荷电状态，因此在目的地n时的充电条件如下；
SnC-ωn+1ln+1<0.25C (6)
SnC＝Sn-1C-ωnln (7)
式中，Sn为车辆抵达目的地n时的电池荷电状态；C为电动汽车的电池容量，ωn为行驶至n的车辆每公里耗电量；ln表示行驶至n行程的行驶距离；n+1为下一行程；
式(6)和式(7)表示车辆抵达至状态目的地n时，计算电池剩余电量，若车辆抵达n+1状态目的地时电池荷电状态大于0.25，则在n地无需充电，反之充电；
车辆若需在目的地n充电，需要考虑起始荷电状态、充电功率水平，则其充电时长可估计为
Figure BDA0003343298070000031
式中，Tc n为车辆在n处的充电时长，；Sn-1为车辆在n-1时的电池荷电状态；ωn和ln含义同上；η为充电效率；Pc n代表n处充电功率水平。
进一步，所述步骤2具体包括；
步骤2.1、建立电动汽车充电模型；该模型表示为
Figure BDA0003343298070000032
Figure BDA0003343298070000033
Figure BDA0003343298070000034
Figure BDA0003343298070000035
Figure BDA0003343298070000036
Figure BDA0003343298070000037
Figure BDA0003343298070000038
分别为第i辆电动汽车在t调度时段的充电功率；
Figure BDA0003343298070000039
为第i辆电动汽车额定放电功率；
Figure BDA0003343298070000041
为第i辆车在t时段的荷电状态；
Figure BDA0003343298070000042
为车辆i电池的容量；ηc为电动汽车的充电效率；Δt为2次优化调度间的时间间隔；ti,arr为第i辆电动汽车开始接受调度的时段；,ti,dep表示第i辆车离开的时段；
Figure BDA0003343298070000043
为第i辆电动汽车用户驶离时期望的电量状态；
Figure BDA0003343298070000044
与
Figure BDA0003343298070000045
分别表示EV电池荷电状态上下限值；PEV c(t)表示t时刻所有正在接受充电的电动汽车充电功率的总和，N表示所有正在接受充电的电动汽车数量；
步骤2.2、提出需求匹配因子；电动汽车聚合商在满足电网提出的响应需求时，会出现过响应和欠响应，因此提出需求匹配因子的概念来描述这种情形。
削峰时欠响应因子为r1(PEV c(t)-Pdes(t))，填谷时欠响应因子为r2(PEV c(t)-Pdes(t))
削峰时过响应因子为e1(PEV c(t)-Pdes(t))，填谷时过响应因子为e2(PEV c(t)-Pdes(t))
其中，PEV c(t)表示t时刻所有正在接受充电的电动汽车充电功率的总和，Pdes(t)表示调度部门在t调度时刻的期望功率。
r1表示削峰欠响应时的一个数值，将它作为一个惩罚项加入到目标函数中，根据电动汽车充电功率与期望功率的差值来设定r1大小，具体数值设定参照表2；
r2表示填谷欠响应时一个数值，将它作为一个惩罚项加入到目标函数中，根据电动汽车充电功率与期望功率的差值来设定r2大小，具体数值设定参照表2；
e1削峰过响应时的一个数值，将它作为一个惩罚项加入到目标函数中，根据电动汽车充电功率与期望功率的差值来设定e1大小，具体数值设定参照表2；
e2表示填谷过响应时一个数值，将它作为一个惩罚项加入到目标函数中，根据电动汽车充电功率与期望功率的差值来设定e2大小，具体数值设定参照表2；
步骤2.3、建立基于需求匹配度的电动汽车充电调度模型；建立的目标函数有两层，上层目标为F其含义是实现最小化电动汽车响应量与调度部门期望功率的差值，以受控的每辆电动汽车的充电功率为决策变量，其模型如下：(求解的目标是：实现最小化电动汽车响应量与调度部门期望功率的差值，并将电动汽车没有完全完成响应时作为惩罚项加到了目标中，求出的解是电动汽车各个时刻的充电功率)
(公式15是目标函数，PEV c是一个变量，它求出的结果是一个矩阵，是一个1*24的矩阵，代表24个时段每个时段的最优充电量)
Figure BDA0003343298070000051
其中模型的公式意义已在步骤2.2中解释；
下层目标为最大化EVA收益，其模型如下：
maxC＝CEV+Cdem-Cgrid-Csub (16)
Figure BDA0003343298070000052
其中CEV代表聚合商从用户得到的充电收益，cEV代表电动汽车充电电价，T表示充电所需时段，ΔT表示1个时段，tstart为充电开始时刻。
Figure BDA0003343298070000053
其中Cdem代表参与电网需求响应的补贴，cdem代表补贴标准，α代表响应系数，与调度通知时间有关。
Figure BDA0003343298070000054
其中Cgrid代表EVA从电网购电的费用，cgrid代表购电电价。
Figure BDA0003343298070000055
其中Csub代表EVA给参与需求响应的EV用户补贴，csub c代表充电补贴电价。
进一步，所述步骤3中的模糊布谷鸟算法方式为：
步骤3.1、设置搜索停止精度tol、解的上界ub、解的下界lb、搜索空间的维数nd以及发现概率Pa，随之随机生成z个鸟窝位置；
步骤3.2、假设在上一代搜索中，得到的最优解为
Figure BDA0003343298070000056
其中best表示最优个数，dai表示迭代次数，将其他解按照最优位置进行Levy飞行位置更新，并将得到的一组新解进行适应度函数值计算；
步骤3.3、调用模糊控制器对发现概率Pa进行动态更新；
步骤3.4、采用大小在0～1之间的随机数r与步骤3.1设置的发现概率Pa对比，若Pa<r，则将步骤3.2得到的适应度函数值与上一代解的适应度函数值进行比较，如果新解的结果优于上一代解，则对解进行更新，若新解结果劣于上一代解或Pa≥r，则保留上一代解；
步骤3.5、判断步骤3.3得到的最优解是否达到设置的精度tol，若满足则输出最优解的结果；若不满足，则返回步骤3.2重新进行迭代更新。
Figure BDA0003343298070000061
表示求解出的电动汽车最优充电功率大小，
Figure BDA0003343298070000062
表示的是最优充电功率求出的解的集合；适应度函数表示最小化电动汽车响应量与调度部门期望功率的差值；
本发明的有益效果如下：
1.本发明利用改进的出行链进行电动汽车负荷预测，预测出电动汽车在不同时间和空间上的充电负荷，该方法能够兼顾电动汽车数量、电池容量等多种因素，使预测结果更加真实、合理；
2.本发明考虑电动汽车负荷聚合商机制，提出需求匹配度因子概念，并在电动汽车充电调度模型中加入需求匹配度因子，能够降低欠/过响应带来的负面影响；
3.本发明提出一种改进的布谷鸟算法，对电动汽车充电调度模型求解，具有收敛速度快、种群多样性高的特点，缓解了在电动汽车充电调度过程中存在的欠响应、过响应和求解收敛速度慢等问题。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，本说明书附图中的各个部件的比例关系不代表实际选材设计时的比例关系，其仅仅为结构或者位置的示意图，其中：
图1是本发明的总体流程图；
图2是本发明的电动汽车充电负荷预测的流程图；
图3是本发明不同情景模式下的电动汽车充电负荷期望示意图；
图4是本发明算法的收敛性对比图；
图5是本发明算法的种群多样性对比图。
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以解释本发明，并不用于限定本发明，即所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
下面结合图1至图5，对本发明作详细说明。
实施例1
一种考虑需求匹配度的电动汽车充电调度方法，包括以下步骤，
步骤1：建立出行链的电动汽车充电负荷预测模型；并将整理好的信息输入到电动汽车充电负荷预测的模型中，得到预测结果；
步骤2：建立需求匹配度的电动汽车调度模型；
步骤3：将步骤1中的预测结果输入到步骤2中的调度模型中，通过模糊布谷鸟算法求解，得到调度方案。
本发明的工作原理/工作过程为：首先建立出行链的电动汽车充电负荷预测模型和需求匹配度的电动汽车调度模型，整理电动汽车预测模型所需的系统信息；其次，将整理好的信息输入到电动汽车充电负荷预测的模型中；然后，将预测模型中输出的预测结果再输入到电动汽车充电调度模型中；最后，提出模糊布谷鸟算法对电动汽车充电调度模型求解，输出调度方案。
实施例2
建立出行链的电动汽车充电负荷预测模型的流程如图2所示，具体按照以下步骤实施：
步骤1.1、建立车辆出行时空模型
该预测模型调研居民出行数据，按活动类型的归类，将上述出行目的分为四大类：回家(Home，H)、工作(Work，W)、购物吃饭(Shopping&Eating，SE)、其他事务(Other Family/Personal Errands，O)。电动私家车每位用户随机在这四类目的转移，并且行程结束时间和行驶距离相互独立、互不干扰；
行程结束时间分布，采用Weibull概率函数对每段行程结束时间进行拟合，即：
Figure BDA0003343298070000071
式中，x为随机变量，k为形状参数能够表示曲线的峰值情况，c为尺度参数与行程结束时间相关，γ为位置参数；F(x；k；c；γ)为概率分布函数，f(x；k；c；γ)为时间概率密度函数，e为自然指数；
行程行驶距离分布，采用对数正态分布函数拟合电动私家车用户的行程行驶里程d，其距离概率密度函数为：
Figure BDA0003343298070000081
式中，μD为行程行驶距离期望值；σD 2为行程行驶距离期望值的标准差；标准差定义是总体各单位标准值与其平均数离差平方的算术平均数的平方，它反映组内个体间的离散程度；
Figure BDA0003343298070000082
物理含义是一共Ndis段行驶距离dp，表示对各行驶距离与其平均数作差，然后进行求和再做平方根处理，σD为总体各单位标准值与其平均数离差平方的算术平均数；
步骤1.2、车辆空间转移概率、计算出一次状态转移概率、确定出电动汽车车辆一天的时空分布；
马尔科夫链是一种随机事件序列，未来的取值只与当前取值有关，是一种离散型的随机过程，能够合理地描述电动私家车用户的出行规律。其中每个时刻只能存在一种状态，记当前时刻的状态为Eu，下一时刻的状态为Ey，则马尔科夫链可用条件概率表示：
P(Eu→Ey)＝P(Eu|Ey)＝Puy(3)
本方案将目的地对应场所视为一种状态，用户所驾驶车辆的下一个状态由当前时刻所在场所决定。记Puy为状态转移的概率，其中下标u、y表示状态Eu到状态Ey的转移，将下一步状态转移的概率写成矩阵形式如下：
Figure BDA0003343298070000083
假定车辆当前时刻处于E1，那么在下一时刻，它可能由状态E1转向E1,E2,…,E4中的任一个状态。所以puy满足条件
Figure BDA0003343298070000084
本专利设定的状态一共有4种，为了表示电动汽车向下一时刻状态转移的一步转移概率，需将n可以改为4、或者用于式(4)和式(5)中，包含4种状态的转移概率矩阵如下：
Figure BDA0003343298070000091
式中，puy可根据当地居民出行调研数据统计确定。
步骤1.3、电动汽车耗电量计算，电动汽车单位里程耗电量如以下所示：
Figure BDA0003343298070000092
式中，Eksl EzglEcglEz1分别为快速路、主干路、次干路、支路的单位里程耗电量；V为电动汽车行驶速度。
结合出行时初始电量计算里程耗电量可得电动汽车到达目的地时的剩余电量，公式表示如下：
SOCi end＝SOCi ini-El i×di,El∈(Eksl,Ezgl,Ecgl,Ez1)
其中SOCi ini表示第i辆EV的初始荷电状态，El i表示第i辆EV所行驶道路对应的耗电量，di为第i辆电动汽车道路行驶里程，SOCi end表示第i辆电动汽车结束行程时的电池荷电状态。
可选地：所述步骤1.3更具体包括：
用户为了缓解里程焦虑，在最后一次转移状态时须确保汽车电量具有0.25的荷电状态，因此在目的地n时的充电条件如下；
SnC-ωn+1ln+1<0.25C (6)
SnC＝Sn-1C-ωnln (7)
式中，Sn为车辆抵达目的地n时的电池荷电状态；C为电动汽车的电池容量，ωn为行驶至n的车辆每公里耗电量；ln表示行驶至n行程的行驶距离；n+1为下一行程；
式(6)和式(7)表示车辆抵达至状态目的地n时，计算电池剩余电量，若车辆抵达n+1状态目的地时电池荷电状态大于0.25，则在n地无需充电，反之充电；
车辆若需在目的地n充电，需要考虑起始荷电状态、充电功率水平，则其充电时长可估计为
Figure BDA0003343298070000101
式中，Tc n为车辆在n处的充电时长，；Sn-1为车辆在n-1时的电池荷电状态；ωn和ln含义同上；η为充电效率；Pc n代表n处充电功率水平。
步骤1.4计算电动汽车充电负荷，得到电动汽车预测结果。EVA设置以下仿真参数：电动汽车总数量和行程链数量；车辆电池容量，充电功率水平、充电效率；起始充电时间和行驶距离的概率分布、仿真次数(其中这些参数都是EVA自行设置的，算是已知参数)，使用蒙特卡洛仿真方法模拟电动出行(这个方法是已有方法)，然后计算每辆电动汽车耗电量，结合电动汽车用户离开充电站的期望电量，确定充电功率，最后累加每辆电动汽车的充电功率，得出电动汽车充电负荷预测结果。
交通路况可由《城市道路工程设计规范》得到，其中规范将城市道路分为4个等级：为快速路、主干路、次干路、支路。每种等级的道路在不同拥堵情况下具有不同的行驶速度。
其预测效果如图3所示，每日的18.00-19.00电动汽车充电功率达到峰值状态，此结果能够合理描述大量电动汽车用户回到家中进行充电的场景。而每日的3.00-6.00电动汽车充电功率跌到谷值，是由于开始充电时间集中在18.00后，在3.00这个时刻大部分电动汽车已经达到预期的荷电状态，满足现实中的电动汽车用户充电需求。
设电动汽车规模同样为2500辆，充电功率水平3.3kW，一天一充模式，方法1为本专利基于出行链的电动汽车负荷预测方法，方法2为BP神经网络预测方法。
两种方法计算结果如下表：本专利所提出的预测方法与实际的差值是13.1％，而方法二的预测值与实际差值为23.3％，因此本专利所提出的方法预测效果更好。
表1方法1、2预测结果与实际值的比较
Figure BDA0003343298070000102
实施例3
建立需求匹配度的电动汽车调度模型，具体按照以下步骤实施：
步骤2.1、建立电动汽车(EV)充电模型
优化调度时，为充分发挥电动汽车电池的储能特性，本专利建立电动汽车充电模型。该模型表示为
Figure BDA0003343298070000111
Figure BDA0003343298070000112
Figure BDA0003343298070000113
Figure BDA0003343298070000114
Figure BDA0003343298070000115
Figure BDA0003343298070000116
Figure BDA0003343298070000117
分别为第i辆电动汽车在t调度时段的充电功率；
Figure BDA0003343298070000118
为第i辆电动汽车额定放电功率；
Figure BDA0003343298070000119
为第i辆车在t时段的荷电状态(state of charge，SOC)；
Figure BDA00033432980700001110
为车辆i电池的容量；ηc为电动汽车的充电效率；Δt为2次优化调度间的时间间隔；ti,arr为第i辆电动汽车开始接受调度的时段；,ti,dep表示第i辆车离开的时段；
Figure BDA00033432980700001111
为第i辆电动汽车用户驶离时期望的电量状态；
Figure BDA00033432980700001112
与
Figure BDA00033432980700001113
分别表示EV电池荷电状态上下限值；PEV c(t)表示t时刻所有正在接受充电的电动汽车充电功率的总和，N表示所有正在接受充电的电动汽车数量。
步骤2.2、提出需求匹配因子；电动汽车聚合商在满足电网提出的响应需求时，会出现过响应和欠响应，因此提出需求匹配因子的概念来描述这种情形。
削峰时欠响应因子为r1(PEV c(t)-Pdes(t))，填谷时欠响应因子为r2(PEV c(t)-Pdes(t))
削峰时过响应因子为e1(PEV c(t)-Pdes(t))，填谷时过响应因子为e2(PEV c(t)-Pdes(t))
其中，表2展示了不同响应比例下需求匹配度因子对应值，PEV c(t)表示t时刻所有正在接受充电的电动汽车充电功率的总和，Pdes(t)表示调度部门在t调度时刻的期望功率。
表2不同响应比例下需求匹配度因子对应值
Figure BDA00033432980700001114
Figure BDA0003343298070000121
步骤2.3、步骤2.3、建立基于需求匹配度的电动汽车充电调度模型；建立的目标函数有两层，上层目标为F其含义是实现最小化电动汽车响应量与调度部门期望功率的差值，以受控的每辆电动汽车的充电功率为决策变量，其模型如下：(求解的目标是：实现最小化电动汽车响应量与调度部门期望功率的差值，并将电动汽车没有完全完成响应时作为惩罚项加到了目标中，求出的解是电动汽车各个时刻的充电功率)
(公式15是目标函数，PEV c是一个变量，它求出的结果是一个矩阵，是一个1*24的矩阵，代表24个时段每个时段的最优充电量)
Figure BDA0003343298070000122
其中模型的公式意义已在步骤2.2中解释；
下层目标为最大化EVA收益，其模型如下：
maxC＝CEV+Cdem-Cgrid-Csub (16)
Figure BDA0003343298070000123
其中CEV代表聚合商从用户得到的充电收益，cEV代表电动汽车充电电价，T表示充电所需时段，ΔT表示1个时段，tstart为充电开始时刻。
Figure BDA0003343298070000124
其中Cdem代表参与电网需求响应的补贴，cdem代表补贴标准，α代表响应系数，与调度通知时间有关。
表3不同响应类型下的补贴标准和响应系数
Figure BDA0003343298070000125
Figure BDA0003343298070000131
Figure BDA0003343298070000132
其中Cgrid代表EVA从电网购电的费用，cgrid代表购电电价。
Figure BDA0003343298070000133
其中Csub代表EVA给参与需求响应的EV用户补贴，csub c代表充电补贴电价。
实施例4
将步骤1中的预测结果输入到步骤2中的调度模型中，通过模糊布谷鸟算法求解，得到调度方案，布谷鸟搜索算法是一种用于求解最优化问题的仿生类启发算法，其灵感来源于这些种属的布谷鸟会通过独特的方式来寻找与布谷鸟卵相似的鸟卵的宿主鸟窝进行产卵，从而利用宿主鸟来繁殖其下一代。该算法采用相关的Levy飞行搜索机制，研究表明该算法具有搜索易、参数少、收敛速度快等优点，比其他群体优化算法更有效；
现有技术表明：布谷鸟搜索算法的实现需要满足3个基本条件：
1.不考虑距离、环境等外界因素，布谷鸟随机的挑选宿主鸟鸟窝进行产卵，且假设每只布谷鸟同一时间只能产出一枚卵；
2.如果某一鸟窝里的鸟蛋是目前所有鸟蛋中最好的，则自动将这个最好的蛋保留到下一代；
3.假设当外来布谷鸟蛋被发现时，这枚鸟蛋或者整个鸟窝都会被宿主鸟放弃，为保持鸟窝总数量n不变，宿主鸟会换个地方搭建新窝。假设任意一枚寄生的布谷鸟蛋被宿主鸟发现的概率为Pa∈[0,1]
布谷鸟搜索算法的基本步骤为：
1)设置搜索停止精度tol、解的上界ub、解的下界lb、搜索空间的维数nd以及发现概率Pa，随之随机生成n个鸟窝位置；
2)假设在上一代搜索中，得到的最优位置为xtb，则将其他解按照最优位置进行Levy飞行位置更新，并将得到的一组新解进行适应度函数值计算；
3)采用大小在0～1之间的随机数r与步骤1)设置的发现概率Pa进行对比，若Pa<r，则将步骤2)得到的适应度函数值与上一代解的适应度函数值进行比较，如果新解的结果优于上一代解，则对解进行更新，若新解结果劣于上一代解或Pa≥r，则保留上一代解；
4)判断步骤3)得到的最优解是否达到设置的精度tol，若满足则输出最优解的结果；若不满足，则返回步骤2)重新进行迭代更新。
基于上述现有技术，利用模糊逻辑对布谷鸟算法进行优化，适用于本方案中来求解调度模型中的充电调度方案；具体步骤为：
步骤3.1、设置搜索停止精度tol、解的上界ub、解的下界lb、搜索空间的维数nd以及发现概率Pa，随之随机生成z个鸟窝位置，其中适应值函数计算方法如公式(15)所示，设求解的变量初始值
Figure BDA0003343298070000141
表示设定的初始值，其中dai＝1表示第一代解，并不断迭代更新求出最优解，其迭代具体步骤如3.2-3.5所示；
步骤3.2、假设在上一代搜索中，得到的最优解为
Figure BDA0003343298070000142
其中best表示最优个数，dai表示迭代次数，将其他解按照最优位置进行Levy飞行位置更新，并将得到的一组新解进行适应度函数值计算；
步骤3.3、调用模糊控制器对发现概率Pa进行动态更新；
步骤3.4、采用大小在0～1之间的随机数r与步骤3.1设置的发现概率Pa对比，若Pa<r，则将步骤3.2得到的适应度函数值与上一代解的适应度函数值进行比较，如果新解的结果优于上一代解，则对解进行更新，若新解结果劣于上一代解或Pa≥r，则保留上一代解；
步骤3.5、判断步骤3.3得到的最优解是否达到设置的精度tol，若满足则输出最优解的结果；若不满足，则返回步骤3.2重新进行迭代更新。
Figure BDA0003343298070000143
表示求解出的电动汽车最优充电功率大小，
Figure BDA0003343298070000144
表示的是最优充电功率求出的解的集合；适应度函数表示最小化电动汽车响应量与调度部门期望功率的差值。
可选地：模糊控制器输入变量的计算、为实现布谷鸟搜索算法发现概率Pa动态更新，引入模糊控制器2个输入变量：种群多样性评价指标Dx和种群收敛速度评价指标Df。
种群多样性评价指标：利用当前解的方差来评价种群
多样性，其计算式为：
Figure BDA0003343298070000151
式中，nd表示解的个数，；
Figure BDA0003343298070000152
表示第dai代个体的平均值
Figure BDA0003343298070000153
表示第dai代第gi个体；
种群收敛速度评价指标：利用适应度函数的平均距离来评价收敛速度，其计算式为：
Figure BDA0003343298070000154
式中，
Figure BDA0003343298070000155
表示第dai代个体适应度函数值的平均值，
Figure BDA0003343298070000156
可选地、：模糊控制器变量的模糊化、针对发现概率Pa、多样性评价指标Dx和收敛速度评价指标Df，分别将对应的模糊控制器输入输出变量模糊状态定义为：FPa、FDx、FDf∈{PB，PM，PS，Z，NS，NM，NB}，其中，PB(positivebig)表示正大、PM(positivemedium)表示正中、PS(positivesmall)表示正小、Z(zero)表示零、NS(negativesmall)表示负小、NM(negativemedium)表示负中、NB(negativebig)表示负大。
为综合考虑种群多样性和种群收敛速度，根据多样性评价指标Dx和收敛速度评价指标Df的高低，适当调整发现概率Pa，本文设计的模糊布谷鸟算法模糊规则遵循以下原则：
1.当Dx和Df偏高时，应适当降低Pa，可使种群收敛速度加快，防止发生早熟现象；
2.当Dx和Df偏低时，应适当升高Pa，产生更多的新个体，从而增加种群的多样性。设计出的模糊控制器规则如表4所示。
表4模糊控制器规则
Figure BDA0003343298070000157
Figure BDA0003343298070000161
进一步，为了验证模糊布谷鸟算法的优越性，采用以下两个指标评测算法：
通过布谷鸟搜索算法发现概率Pa动态更新，引入模糊控制器2个输入变量：种群多样性评价指标Dx和种群收敛速度评价指标Df；
种群多样性评价指标Dx：利用当前解的方差来评价种群多样性，其计算式为：
Figure BDA0003343298070000162
式中，nd表示解的个数，；
Figure BDA0003343298070000163
表示第dai代个体的平均值
Figure BDA0003343298070000164
表示第dai代第gi个体；
种群收敛速度评价指标Df：利用适应度函数的平均距离来评价收敛速度，其计算式为：
Figure BDA0003343298070000165
式中，
Figure BDA0003343298070000166
表示第dai代个体适应度函数值的平均值，
Figure BDA0003343298070000167
可选地：模糊布谷鸟算法性能测试、为验证本发明设计的模糊布谷鸟算法的性能优势，采用Schaffer函数作为测试函数分别对遗传算法(GA)、布谷鸟算法(CS)和模糊布谷鸟算法(FCS)的种群多样性及收敛性进行评估，并将各算法结果进行对比。Schaffer函数的表达式为：
Figure BDA0003343298070000168
从图4、图5可看出，在收敛速度上模糊布谷鸟算法表现更加优异，同时模糊布谷鸟算法在种群多样性上能始终保持一个较优的水平，改进算法性能上的优势正是源于其寻优过程中增添了两个评价指标。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种考虑需求匹配度的电动汽车充电调度方法，其特征在于，包括以下步骤，
步骤1：建立出行链的电动汽车充电负荷预测模型；并将整理好的信息输入到电动汽车充电负荷预测的模型中，得到预测结果；
步骤2：建立需求匹配度的电动汽车调度模型；
步骤3：将步骤1中的预测结果输入到步骤2中的调度模型中，通过模糊布谷鸟算法求解，得到调度方案。
2.根据权利要求1所述的一种考虑需求匹配度的电动汽车充电调度方法，其特征在于，所述步骤1具体包括：
步骤1.1、建立车辆出行时空模型，电动私家车的每一位用户、行程结束时间和行程行驶距离都相互独立；
行程结束时间分布，采用Weibull概率函数对每段行程结束时间进行拟合，即：
Figure FDA0003343298060000011
式中，x为随机变量，k为形状参数能够表示曲线的峰值情况，c为尺度参数与行程结束时间相关，γ为位置参数；F(x；k；c；γ)为概率分布函数，f(x；k；c；γ)为时间概率密度函数，e为自然指数；
行程行驶距离分布，采用对数正态分布函数拟合电动私家车用户的行程行驶里程d，其距离概率密度函数为：
Figure FDA0003343298060000012
式中，μD为行程行驶距离期望值；σD 2为行程行驶距离期望值的标准差；标准差定义是总体各单位标准值与其平均数离差平方的算术平均数的平方，它反映组内个体间的离散程度；
Figure FDA0003343298060000013
物理含义是一共Ndis段行驶距离dp，表示对各行驶距离与其平均数作差，然后进行求和再做平方根处理，σD为总体各单位标准值与其平均数离差平方的算术平均数；
步骤1.2、计算车辆空间转移概率，得到车辆一天的时空分布：
步骤1.3、电动汽车耗电量计算，电动汽车单位里程耗电量如以下所示：
Figure FDA0003343298060000021
式中，Eksl Ezgl Ecgl Ez1分别为快速路、主干路、次干路、支路的单位里程耗电量；V为电动汽车行驶速度；
结合出行时初始电量计算里程耗电量可得电动汽车到达目的地时的剩余电量，公式表示如下：
SOCi end＝SOCi ini-El i×di,El∈(Eksl,Ezgl,Ecgl,Ez1)
其中SOCi ini表示第i辆EV的初始荷电状态，El i表示第i辆EV所行驶道路对应的耗电量，di为第i辆电动汽车道路行驶里程，SOCi end表示第i辆电动汽车结束行程时的电池荷电状态；
步骤1.4计算电动汽车充电负荷，得到电动汽车预测结果。
3.根据权利要求2所述的一种考虑需求匹配度的电动汽车充电调度方法，其特征在于，所述步骤1.3更具体包括：
用户为了缓解里程焦虑，在最后一次转移状态时须确保汽车电量具有0.25的荷电状态，因此在目的地n时的充电条件如下；
SnC-ωn+1ln+1<0.25C (6)
SnC＝Sn-1C-ωnln (7)
式中，Sn为车辆抵达目的地n时的电池荷电状态；C为电动汽车的电池容量，ωn为行驶至n的车辆每公里耗电量；ln表示行驶至n行程的行驶距离；n+1为下一行程；
式(6)和式(7)表示车辆抵达至状态目的地n时，计算电池剩余电量，若车辆抵达n+1状态目的地时电池荷电状态大于0.25，则在n地无需充电，反之充电；
车辆若需在目的地n充电，需要考虑起始荷电状态、充电功率水平，则其充电时长可估计为
Figure FDA0003343298060000031
式中，
Figure FDA0003343298060000032
为车辆在n处的充电时长，；Sn-1为车辆在n-1时的电池荷电状态；ωn和ln含义同上；η为充电效率；
Figure FDA0003343298060000033
代表n处充电功率水平。
4.根据权利要求1所述的一种考虑需求匹配度的电动汽车充电调度方法，其特征在于，所述步骤2具体包括；
步骤2.1、建立电动汽车充电模型；该模型表示为
Figure FDA0003343298060000034
Figure FDA0003343298060000035
Figure FDA0003343298060000036
Figure FDA0003343298060000037
Figure FDA0003343298060000038
Figure FDA0003343298060000039
Figure FDA00033432980600000310
分别为第i辆电动汽车在t调度时段的充电功率；
Figure FDA00033432980600000311
为第i辆电动汽车额定放电功率；
Figure FDA00033432980600000312
为第i辆车在t时段的荷电状态；
Figure FDA00033432980600000313
为车辆i电池的容量；ηc为电动汽车的充电效率；Δt为2次优化调度间的时间间隔；ti,arr为第i辆电动汽车开始接受调度的时段；,ti,dep表示第i辆车离开的时段；
Figure FDA00033432980600000314
为第i辆电动汽车用户驶离时期望的电量状态；
Figure FDA00033432980600000315
与
Figure FDA00033432980600000316
分别表示EV电池荷电状态上下限值；PEV c(t)表示t时刻所有正在接受充电的电动汽车充电功率的总和，N表示所有正在接受充电的电动汽车数量；
步骤2.2、提出需求匹配因子；电动汽车聚合商在满足电网提出的响应需求时，会出现过响应和欠响应，因此提出需求匹配因子的概念来描述这种情形；
削峰时欠响应因子为r1(PEV c(t)-Pdes(t))，填谷时欠响应因子为r2(PEV c(t)-Pdes(t))
削峰时过响应因子为e1(PEV c(t)-Pdes(t))，填谷时过响应因子为e2(PEV c(t)-Pdes(t))
其中，PEV c(t)表示t时刻所有正在接受充电的电动汽车充电功率的总和，Pdes(t)表示调度部门在t调度时刻的期望功率；
r1表示削峰欠响应时的一个数值，将它作为一个惩罚项加入到目标函数中，根据电动汽车充电功率与期望功率的差值来设定r1大小，具体数值设定参照表2；
r2表示填谷欠响应时一个数值，将它作为一个惩罚项加入到目标函数中，根据电动汽车充电功率与期望功率的差值来设定r2大小，具体数值设定参照表2；
e1削峰过响应时的一个数值，将它作为一个惩罚项加入到目标函数中，根据电动汽车充电功率与期望功率的差值来设定e1大小，具体数值设定参照表2；
e2表示填谷过响应时一个数值，将它作为一个惩罚项加入到目标函数中，根据电动汽车充电功率与期望功率的差值来设定e2大小，具体数值设定参照表2；
步骤2.3、建立基于需求匹配度的电动汽车充电调度模型；建立的目标函数有两层，上层目标为F其含义是实现最小化电动汽车响应量与调度部门期望功率的差值，以受控的每辆电动汽车的充电功率为决策变量，其模型如下：
Figure FDA0003343298060000041
其中模型的公式意义已在步骤2.2中解释；
下层目标为最大化EVA收益，其模型如下：
max C＝CEV+Cdem-Cgrid-Csub (16)
Figure FDA0003343298060000042
其中CEV代表聚合商从用户得到的充电收益，cEV代表电动汽车充电电价，T表示充电所需时段，ΔT表示1个时段，tstart为充电开始时刻；
Figure FDA0003343298060000043
其中Cdem代表参与电网需求响应的补贴，cdem代表补贴标准，α代表响应系数，与调度通知时间有关；
Figure FDA0003343298060000044
其中Cgrid代表EVA从电网购电的费用，cgrid代表购电电价；
Figure FDA0003343298060000051
其中Csub代表EVA给参与需求响应的EV用户补贴，csub c代表充电补贴电价。
5.根据权利要求1所述的一种考虑需求匹配度的电动汽车充电调度方法，其特征在于，所述步骤3中的模糊布谷鸟算法方式为：
步骤3.1、设置搜索停止精度tol、解的上界ub、解的下界lb、搜索空间的维数nd以及发现概率Pa，随之随机生成z个鸟窝位置；
步骤3.2、假设在上一代搜索中，得到的最优解为
Figure FDA0003343298060000052
其中best表示最优个数，dai表示迭代次数，将其他解按照最优位置进行Levy飞行位置更新，并将得到的一组新解进行适应度函数值计算；
步骤3.3、调用模糊控制器对发现概率Pa进行动态更新；
步骤3.4、采用大小在0～1之间的随机数r与步骤3.1设置的发现概率Pa对比，若Pa<r，则将步骤3.2得到的适应度函数值与上一代解的适应度函数值进行比较，如果新解的结果优于上一代解，则对解进行更新，若新解结果劣于上一代解或Pa≥r，则保留上一代解；
步骤3.5、判断步骤3.3得到的最优解是否达到设置的精度tol，若满足则输出最优解的结果；若不满足，则返回步骤3.2重新进行迭代更新；
Figure FDA0003343298060000053
表示求解出的电动汽车最优充电功率大小，
Figure FDA0003343298060000054
表示的是最优充电功率求出的解的集合；适应度函数表示最小化电动汽车响应量与调度部门期望功率的差值。
CN202111314856.2A 2021-11-08 2021-11-08 考虑需求匹配度的电动汽车充电调度方法 Pending CN114118724A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111314856.2A CN114118724A (zh) 2021-11-08 2021-11-08 考虑需求匹配度的电动汽车充电调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111314856.2A CN114118724A (zh) 2021-11-08 2021-11-08 考虑需求匹配度的电动汽车充电调度方法

Publications (1)

Publication Number Publication Date
CN114118724A true CN114118724A (zh) 2022-03-01

Family

ID=80381382

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111314856.2A Pending CN114118724A (zh) 2021-11-08 2021-11-08 考虑需求匹配度的电动汽车充电调度方法

Country Status (1)

Country Link
CN (1) CN114118724A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117151444A (zh) * 2023-11-01 2023-12-01 深圳航天科创泛在电气有限公司 汽车充电调度方法、系统、设备及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117151444A (zh) * 2023-11-01 2023-12-01 深圳航天科创泛在电气有限公司 汽车充电调度方法、系统、设备及存储介质
CN117151444B (zh) * 2023-11-01 2024-03-08 深圳航天科创泛在电气有限公司 汽车充电调度方法、系统、设备及存储介质

Similar Documents

Publication Publication Date Title
Shao et al. Electric vehicle‐routing problem with charging demands and energy consumption
CN109034648B (zh) 一种电动汽车集群需求响应潜力评估方法
CN105160428B (zh) 高速公路电动汽车快速充电站的规划方法
Omran et al. Location-based forecasting of vehicular charging load on the distribution system
CN111178619A (zh) 一种考虑分布式电源和充电站联合规划的多目标优化方法
Wang et al. A two-stage charging facilities planning method for electric vehicle sharing systems
CN110751314A (zh) 考虑用户充电行为特征数据驱动的电动汽车负荷预测方法
CN111047120B (zh) 一种路-电耦合网络下电动汽车充电负荷预测方法
CN105262167A (zh) 区域内电动汽车有序充电控制方法
Abbas et al. An improved optimal forecasting algorithm for comprehensive electric vehicle charging allocation
CN115689203A (zh) 一种基于电动汽车时空分布充电站的运行方法
CN115953104A (zh) 一种基于蜣螂优化算法的混合车队调度方法
CN114118724A (zh) 考虑需求匹配度的电动汽车充电调度方法
He et al. Expansion planning of electric vehicle charging stations considering the benefits of peak‐regulation frequency modulation
CN109740825A (zh) 一种考虑交通拥堵因素下的电动汽车充放电方法
CN110929950B (zh) 一种电动汽车负荷预测方法及系统
Ruiz et al. An optimal battery charging and schedule control strategy for electric bus rapid transit
Boulakhbar et al. Electric vehicles arrival and departure time prediction based on deep learning: the case of Morocco
Li et al. Dynamic pricing, vehicle relocation and staff rebalancing for station-based one-way electric carsharing systems considering nonlinear charging profile
CN109117972A (zh) 一种电动汽车的充电需求确定方法
Li et al. Route Optimization of Electric Vehicles Based on Re-insertion Genetic Algorithm
CN116702404A (zh) 计及目标优先级的模糊双目标电动汽车充电站规划优化方法
Deng et al. Demand modeling of a dc fast charging station
Tang et al. Energy-oriented routing strategy of electric vehicle: An end-to-end reinforcement learning approach
CN114676885A (zh) 一种电动汽车充放电负荷时空分布预测方法

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