CN114580251B - 一种配电台区电动汽车充电负荷分析方法及装置 - Google Patents

一种配电台区电动汽车充电负荷分析方法及装置 Download PDF

Info

Publication number
CN114580251B
CN114580251B CN202210250966.5A CN202210250966A CN114580251B CN 114580251 B CN114580251 B CN 114580251B CN 202210250966 A CN202210250966 A CN 202210250966A CN 114580251 B CN114580251 B CN 114580251B
Authority
CN
China
Prior art keywords
charging
load
time
charge
electric automobile
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
CN202210250966.5A
Other languages
English (en)
Other versions
CN114580251A (zh
Inventor
贾俊
范炜豪
姚建光
孙泰龙
王健
张泽
翁蓓蓓
鞠玲
徐捷
潘煜斌
钱晖
陈诚
潘劲松
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.)
Taizhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
Taizhou Power Supply Co of State Grid Jiangsu 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 Taizhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd filed Critical Taizhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Priority to CN202210250966.5A priority Critical patent/CN114580251B/zh
Publication of CN114580251A publication Critical patent/CN114580251A/zh
Application granted granted Critical
Publication of CN114580251B publication Critical patent/CN114580251B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F30/25—Design optimisation, verification or simulation using particle-based methods
    • 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
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/007—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources
    • H02J3/0075—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources for providing alternative feeding paths between load and source according to economic or energy efficiency considerations, e.g. economic dispatch
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/26—Arrangements for eliminating or reducing asymmetry in polyphase networks
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/28—Arrangements for balancing of the load in a network by storage of energy
    • H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
    • H02J3/322—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means the battery being on-board an electric or hybrid vehicle, e.g. vehicle to grid arrangements [V2G], power aggregation, use of the battery for network load balancing, coordinated or cooperative battery charging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S20/00—Management or operation of end-user stationary applications or the last stages of power distribution; Controlling, monitoring or operating thereof
    • Y04S20/20—End-user application control systems
    • Y04S20/222—Demand response systems, e.g. load shedding, peak shaving

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Power Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Marketing (AREA)
  • Evolutionary Computation (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Geometry (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Computer Hardware Design (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本发明公开了一种配电台区电动汽车充电负荷分析方法及装置，方法包括：采集配电台区充电桩的充电数据；对所述充电数据进行处理，获得电动汽车充电状态分布；采集配电台区基础负荷数据，根据所述基础负荷数据，确定一天内各个时段的电价；根据所述电动汽车充电状态分布和各个时段的电价，建立以用户充电费用最小和配电台区负荷方差最小的充放电模型；基于粒子群算法对所述充放电模型进行优化，获得电动汽车最优充电方案；该方法能够在充分考虑到用户的充电意愿的基础上使配电台区负荷与电动汽车充电负荷平衡，并且节约了用户充电费用，分析结果准确度高，方法更加合理，可行性强。

Description

一种配电台区电动汽车充电负荷分析方法及装置
技术领域
本发明涉及电动汽车充电领域，尤其涉及一种配电台区电动汽车充电负荷分析方法及装置。
背景技术
随着经济发展，人们越来越重视环境问题。在此基础下，低污染的电动汽车应运而生，但近几年电动汽车快速发展，其快速发展带来的问题也日益突出。大部分电动汽车会在使用者无出行需求时进行充电，此时便会有大规模的充电，导致电网运行不平稳。此外，与现有的燃油汽车不同，电动汽车充电是一个周期性的过程，在这个过程中充满了随机性，例如车辆的提前离开或者延迟离开带来的充电电价波动等，由于人的行为有不确定性，这就导致建立准确的建模进行电动汽车充电调度存在困难。电动汽车作为一种新型电力负荷，其充电具有随机性、间歇性的特征，规模化电动汽车充电将会改变电网的负荷状况，加大电网一天内的负荷峰谷差，影响配电网稳定运行。
为减轻电动汽车大规模接入对配电网的影响，提高电网运行的可靠性和经济性，需要对电动汽车充电进行引导，尽量减少电动汽车的无序充电，增加有序充电。由于目前电动汽车还处于初级发展阶段，电动汽车的普及率并不高，因此针对电动汽车有序充电的研究并不太多。且相关研究多以改善配电网负荷状况或以降低配电网网损为目标，却忽略了用户的充电意愿，造成这些研究在实际中很难得到应用。
例如，专利文献CN106786977B公开了一种电动汽车充电站的充电调度方法，该方法根据配电网的有功网损以及充电功率与有功发电功率匹配度建立第一充电调度模型，再基于蒙特卡洛模拟法和第一充电调度模型获得第二充电调度模型，遍历当前时刻所有可能的充电行为，直到得到使第一充电调度模型值最小的充电行为。
该方法的控制策略能够提升电动汽车充电功率与能源发电功率的匹配度，降低配电网的网损，使得电动汽车充电负荷与台区负荷相平衡，但是该方案没有考虑到用户充电费用以及用户的充电意愿等，应用于实际生产中时，充电负荷分析因素考虑的不够全面，可行性差。
发明内容
本发明提供了一种配电台区电动汽车充电负荷分析方法及装置，在充分考虑到用户的充电意愿的基础上，使配电台区负荷与电动汽车充电负荷平衡，并且节约了用户充电费用，方法更加合理，可行性强。
一种配电台区电动汽车充电负荷分析方法，包括：
采集配电台区充电桩的充电数据；
对所述充电数据进行处理，获得电动汽车充电状态分布；
采集配电台区基础负荷数据，根据所述基础负荷数据，确定一天内各个时段的电价；
根据所述电动汽车充电状态分布和各个时段的电价，建立以用户充电费用最小和配电台区负荷方差最小的充放电模型；
基于粒子群算法对所述充放电模型进行优化，获得电动汽车最优充电方案。
进一步地，所述充电数据包括电动汽车开始充电时刻、结束充电时刻、开始充电时的电池荷电状态、结束充电时的电池荷电状态。
进一步地，对所述充电数据进行处理，获得电动汽车充电状态分布，包括：
将所述开始充电时刻的数据进行处理，获得关于开始充电时刻的概率分布；
将所述结束充电时刻的数据进行处理，获得关于结束充电时刻的概率分布；
根据所述开始充电时刻的概率分布和结束充电时刻的概率分布，计算获得电动汽车充电时长和放电时长分布；
根据所述开始充电时的电池荷电状态、结束充电时的电池荷电状态计算获得电动汽车充电时长、放电时长与电池状态之间的关系。
进一步地，电动汽车充电时长、放电时长与电池状态之间的关系如下：
其中，Tc为充电时长，Td为放电时长，SOCe,c为结束充电时的电池荷电状态，SOCs,c为开始充电时的电池荷电状态，B为电动汽车电池容量，SOCs,d为开始放电时的电池荷电状态，SOCe,d为结束放电时的电池荷电状态，Pc为充电功率，Pd为放电功率，η为充放电效率。
进一步地，根据所述基础负荷数据，确定一天内各个时段的电价，包括：
将一天内分成多个时段，根据所述基础负荷数据，获得系统负荷最大值和系统负荷最小值；
根据所述系统负荷最大值和系统负荷最小值，确定隶属度函数；
根据所述隶属度函数，确定各个负荷点的峰谷状态；
根据各个负荷点的峰谷状态，确定各个时段的电价。
进一步地，所述隶属度函数通过以下公式表示：
其中，x表示负荷点的负荷值，a表示系统负荷最小值，b表示系统负荷最大值，y1表示谷隶属度，y2表示峰隶属度；
一天中的第i个时段的电价pi根据以下公式进行计算：
其中，c为负荷阈值，当负荷点的峰隶属度y2大于或等于所述负荷阈值c时，该负荷点为峰时，当负荷点的谷隶属度y1大于或等于所述负荷阈值c时，该负荷点为谷时，当负荷点的峰隶属度y2和谷隶属度y1均小于所述负荷阈值时，该负荷点为平时段，pf为峰时电价，pg为谷时电价，pp为平时段电价。
进一步地，充放电模型包括以用户充电费用最小的第一目标函数、以配电台区负荷方差最小的第二目标函数以及约束条件。
进一步地，所述第一目标函数为：
所述第二目标函数为：
其中，xij为第i个时段第j辆电动汽车的充放电状态，充电状态为1，放电状态为-1，M为时段的数量，N为电动汽车的数量，Pij为第i个时段第j辆电动汽车的充电功率或者放电功率，Pw为配电台区的基本负荷，Pav为一天中配电台区的平均负荷，pi为第i个时段的电价；
所述约束条件包括电池荷电状态始终大于预设值以及电动汽车充放电功率小于其允许的最大充放电功率。
进一步地，基于粒子群算法对所述充放电模型进行优化，包括：
将电动汽车的充电开始时刻和结束充电时刻作为粒子；
初始化粒子种群；
计算粒子种群初始适应度，筛选个体最优值与群体最优值，并据此反复更新迭代粒子的速度和位置，在每一轮迭代后计算第一目标函数和第二目标函数的适应度值，直到达到最大迭代次数，获得电动汽车最优充电开始时刻以及最优结束充电时刻。
一种配电台区电动汽车充电负荷分析装置，包括：
采集模块，用于采集配电台区充电桩的充电数据；
处理模块，用于对所述充电数据进行处理，获得电动汽车充电状态分布；
电价确定模块，用于采集配电台区基础负荷数据，根据所述基础负荷数据，确定一天内各个时段的电价；
模型建立模块，用于根据所述电动汽车充电状态分布和各个时段的电价，建立以用户充电费用最小和配电台区负荷方差最小的充放电模型；
优化模块，用于基于粒子群算法对所述充放电模型进行优化，获得电动汽车最优充电方案。
本发明提供的配电台区电动汽车充电负荷分析方法及装置，至少包括如下有益效果：
(1)采集电动汽车开始充电时刻、结束充电时刻等充电数据，并基于上述数据进行配电台区电动汽车充电负荷分析，充分考虑到了用户的充电需求，可行性强。
(2)基于用户充电费用最小、配电台区负荷方差最小两方面的考虑建立充放电模型，并采用粒子群算法对电动汽车充放电模型进行优化，模型建立时考虑的因素较为全面，分析结果准确度高。
(3)充放电模型建立时将电池荷电状态作为约束条件，保证电池荷电状态始终大于预设值，避免出现电池荷电状态过低，最终获得的充电方案更加合理。
附图说明
图1为本发明提供的配电台区电动汽车充电负荷分析方法一种实施例的流程图。
图2为本发明提供的配电台区电动汽车充电负荷分析装置一种实施例的结构示意图。
附图标记：101-采集模块，102-处理模块，103-电价确定模块，104-模型建立模块，105-优化模块。
具体实施方式
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案做详细的说明。
参考图1，在一些实施例中，提供一种配电台区电动汽车充电负荷分析方法，包括：
S1、采集配电台区充电桩的充电数据；
S2、对所述充电数据进行处理，获得电动汽车充电状态分布；
S3、采集配电台区基础负荷数据，根据所述基础负荷数据，确定一天内各个时段的电价；
S4、根据所述电动汽车充电状态分布和各个时段的电价，建立以用户充电费用最小和配电台区负荷方差最小的充放电模型；
S5、基于粒子群算法对所述充放电模型进行优化，获得电动汽车最优充电方案。
具体地，步骤S1中，所述充电数据包括电动汽车开始充电时刻、结束充电时刻、开始充电时的电池荷电状态、结束充电时的电池荷电状态。所述充电数据来源于公共、企业和私人的充电桩，用于表征用户的充电习惯，通过分析充电数据可以得到用户的充电需求。
步骤S2中，对所述充电数据进行处理，获得电动汽车充电状态分布，包括：
S21、将所述开始充电时刻的数据进行处理，获得关于开始充电时刻的概率分布；
S22、将所述结束充电时刻的数据进行处理，获得关于结束充电时刻的概率分布；
S23、根据所述开始充电时刻的概率分布和结束充电时刻的概率分布，计算获得电动汽车充电时长分布和放电时长分布；
S24、根据所述开始充电时的电池荷电状态、结束充电时的电池荷电状态计算获得电动汽车充电时长、放电时长与电池状态之间的关系。
在一些实施例中，对所述充电数据进行处理，包括对所述充电数据进行归一化处理。
步骤S21中，在一些实施例中，根据统计的数据，电动汽车开始充电的时刻满足正态分布，开始充电时刻的概率分布函数fin(t)如下：
其中，μ1为开始充电时刻的期望值，σ1为开始充电时刻的标准差，t表示时间。
步骤S22中，在一些实施例中，根据统计的数据，电动汽车结束充电的时刻满足正态分布，结束充电时刻的概率分布函数fout(t)如下：
其中，μ2为结束充电时刻的期望值，σ2为结束充电时刻的标准差，t表示时间。
在大部分的应用场景下，开始充电时刻和结束充电时刻满足正态分布。
步骤S23中，所述充电时长为充电开始时刻到充电结束时刻之间的时段，所述放电时长为充电结束时刻到下一次充电开始时刻之间的时段。
在一些实施例中，电动汽车电池初始荷电状态近似服从期望为40％、方差为0.08的正态分布。由此可以得出步骤S24中的关系，电动汽车充电时长、放电时长与电池状态之间的关系如下：
其中，Tc为充电时长，Td为放电时长，SOCe,c为结束充电时的电池荷电状态，SOCs,c为开始充电时的电池荷电状态，B为电动汽车电池容量，SOCs,d为开始放电时的电池荷电状态，SOCe,d为结束放电时的电池荷电状态，Pc为充电功率，Pd为放电功率，η为充放电效率。
通过电动汽车充电时长、放电时长与电池状态之间的关系，可以计算获得充电功率和放电功率。
步骤S3中，根据所述基础负荷数据，确定一天内各个时段的电价，包括：
S31、将一天内分成多个时段，根据所述基础负荷数据，获得系统负荷最大值和系统负荷最小值；
S32、根据所述系统负荷最大值和系统负荷最小值，确定隶属度函数；
S33、根据所述隶属度函数，确定各个负荷点的峰谷状态；
S34、根据各个负荷点的峰谷状态，确定各个时段的电价。
步骤S31中，在一些实施例中，每个时段为15分钟。
步骤S32中，电网基础负荷数据曲线上的所有负荷点的峰谷状态可以通过半梯形的隶属度函数来确定，所述隶属度函数通过以下公式表示：
其中，x表示负荷点的负荷值，a表示系统负荷最小值，b表示系统负荷最大值，y1表示谷隶属度，y2表示峰隶属度；
步骤S34中，一天中的第i个时段的电价pi根据以下公式进行计算：
其中，c为负荷阈值，当负荷点的峰隶属度y2大于或等于所述负荷阈值c时，该负荷点为峰时，当负荷点的谷隶属度y1大于或等于所述负荷阈值c时，该负荷点为谷时，当负荷点的峰隶属度y2和谷隶属度y1均小于所述负荷阈值时，该负荷点为平时段，pf为峰时电价，pg为谷时电价，pp为平时段电价。
步骤S4中，充放电模型包括以用户充电费用最小的第一目标函数、以配电台区负荷方差最小的第二目标函数以及约束条件。
其中，所述第一目标函数为：
所述第二目标函数为：
其中，xij为第i个时段第j辆电动汽车的充放电状态，充电状态为1，放电状态为-1，M为时段的数量，N为电动汽车的数量，Pij为第i个时段第j辆电动汽车的充电功率或者放电功率，Pw为配电台区基本负荷，Pav为一天中配电台区的平均负荷，pi为第i个时段的电价；
所述约束条件包括电池荷电状态始终大于预设值以及电动汽车充放电功率小于其允许的最大充放电功率。
在一些实施例中，电池荷电状态始终大于20％，电动汽车充放电功率小于其允许的最大充放电功率。
步骤S5中，基于粒子群算法对所述充放电模型进行优化，包括：
S51、将电动汽车的充电开始时刻和结束充电时刻作为粒子；
S52、初始化粒子种群；
S53、计算粒子种群初始适应度，筛选个体最优值与群体最优值，并据此反复更新迭代粒子的速度和位置，在每一轮迭代后计算第一目标函数和第二目标函数的适应度值，直到达到最大迭代次数，获得电动汽车最优充电开始时刻以及最优结束充电时刻。
步骤S53中，粒子群优化算法通过初始化为一群随机粒子，然后通过迭代找到最优解。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，整个种群在该次迭代过程中迄今为止搜寻到的最优解称为全局极值，当整个粒子种群找到个体极值和全局极值后，该次迭代完成。每个粒子在每轮迭代中都会更新自己的位置和速度，通过以下公式表示：
xid k+1＝xid k+εvid k+1；
其中，vid k+1表示第k+1次迭代时第i个粒子的速度，vid k表示第k次迭代时第i个粒子的速度，pid k表示第i个粒子在k次迭代时的个体最优值，pgd k表示第k次迭代时的全局最优值，xid k第k次迭代时第i个粒子的位置，xid k+1表示第k+1次迭代时第i个粒子的位置，ω为惯性权重，c1、c2为学习因子，ζ、γ为0-1的随机数，ε表示速度系数。
通过粒子群算法可以获得电动汽车最优充电开始时刻、最优结束充电时刻以及充放电时长，从而确定电动汽车调度最优方案。
参考图2，在一些实施例中，提供一种配电台区电动汽车充电负荷分析装置，包括：
采集模块101，用于采集配电台区充电桩的充电数据；
处理模块102，用于对所述充电数据进行处理，获得电动汽车充电状态分布；
电价确定模块103，用于采集配电台区基础负荷数据，根据所述基础负荷数据，确定一天内各个时段的电价；
模型建立模块104，用于根据所述电动汽车充电状态分布和各个时段的电价，建立以用户充电费用最小和配电台区负荷方差最小的充放电模型；
优化模块105，用于基于粒子群算法对所述充放电模型进行优化，获得电动汽车最优充电方案。
其中，所述采集模块101采集的充电数据包括电动汽车开始充电时刻、结束充电时刻、开始充电时的电池荷电状态、结束充电时的电池荷电状态。
所述处理模块102还用于对所述充电数据进行处理，获得电动汽车充电状态分布，包括：
将所述开始充电时刻的数据进行处理，获得关于开始充电时刻的概率分布；
将所述结束充电时刻的数据进行处理，获得关于结束充电时刻的概率分布；
根据所述开始充电时刻的概率分布和结束充电时刻的概率分布，计算获得电动汽车充电时长分布和放电时长分布；
根据所述开始充电时的电池荷电状态、结束充电时的电池荷电状态计算获得电动汽车充电时长、放电时长与电池状态之间的关系。
其中，电动汽车充电时长、放电时长与电池状态之间的关系如下：
其中，Tc为充电时长，Td为放电时长，SOCe,c为结束充电时的电池荷电状态，SOCs,c为开始充电时的电池荷电状态，B为电动汽车电池容量，SOCs,d为开始放电时的电池荷电状态，SOCe,d为结束放电时的电池荷电状态，Pc为充电功率，Pd为放电功率，η为充放电效率。
所述电价确定模块103还用于根据所述基础负荷数据，确定一天内各个时段的电价，包括：
将一天内分成多个时段，根据所述基础负荷数据，获得系统负荷最大值和系统负荷最小值；
根据所述系统负荷最大值和系统负荷最小值，确定隶属度函数；
根据所述隶属度函数，确定各个负荷点的峰谷状态；
根据各个负荷点的峰谷状态，确定各个时段的电价。
其中，所述隶属度函数通过以下公式表示：
其中，x表示负荷点的负荷值，a表示系统负荷最小值，b表示系统负荷最大值，y1表示谷隶属度，y2表示峰隶属度；
一天中的第i个时段的电价pi根据以下公式进行计算：
其中，c为负荷阈值，当负荷点的峰隶属度y2大于或等于所述负荷阈值c时，该负荷点为峰时，当负荷点的谷隶属度y1大于或等于所述负荷阈值c时，该负荷点为谷时，当负荷点的峰隶属度y2和谷隶属度y1均小于所述负荷阈值时，该负荷点为平时段，pf为峰时电价，pg为谷时电价，pp为平时段电价。
所述模型建立模块104中充放电模型包括以用户充电费用最小的第一目标函数、以配电台区负荷方差最小的第二目标函数以及约束条件。
其中，所述第一目标函数为：
所述第二目标函数为：
其中，xij为第i个时段第j辆电动汽车的充放电状态，充电状态为1，放电状态为-1，M为时段的数量，N为电动汽车的数量，Pij为第i个时段第j辆电动汽车的充电功率或者放电功率，Pw为配电台区基本负荷，Pav为一天中配电台区的平均负荷，pi为第i个时段的电价；
所述约束条件包括电池荷电状态始终大于预设值以及电动汽车充放电功率小于其允许的最大充放电功率。
所述优化模块105还用于基于粒子群算法对所述充放电模型进行优化，包括：
将电动汽车的充电开始时刻和结束充电时刻作为粒子；
初始化粒子种群；
计算粒子种群初始适应度，筛选个体最优值与群体最优值，并据此反复更新迭代粒子的速度和位置，在每一轮迭代后计算第一目标函数和第二目标函数的适应度值，直到达到最大迭代次数，获得电动汽车最优充电开始时刻以及最优结束充电时刻。
本实施例提供的配电台区电动汽车充电负荷分析方法及装置，采集电动汽车开始充电时刻、结束充电时刻等充电数据，并基于上述数据进行配电台区电动汽车充电负荷分析，充分考虑到了用户的充电需求，可行性强；基于用户充电费用最小、配电台区负荷方差最小两方面的考虑建立充放电模型，并采用粒子群算法对电动汽车充放电模型进行优化，模型建立时考虑的因素较为全面，分析结果准确度高；充放电模型建立时将电池荷电状态作为约束条件，保证电池荷电状态始终大于预设值，避免出现电池荷电状态过低，最终获得的充电方案更加合理。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (3)

1.一种配电台区电动汽车充电负荷分析方法，其特征在于，包括：
采集配电台区充电桩的充电数据；
对所述充电数据进行处理，获得电动汽车充电状态分布；
采集配电台区基础负荷数据，根据所述基础负荷数据，确定一天内各个时段的电价；
根据所述电动汽车充电状态分布和各个时段的电价，建立以用户充电费用最小和配电台区负荷方差最小的充放电模型；
基于粒子群算法对所述充放电模型进行优化，获得电动汽车最优充电方案；
所述充电数据包括电动汽车开始充电时刻、结束充电时刻、开始充电时的电池荷电状态、结束充电时的电池荷电状态；
对所述充电数据进行处理，获得电动汽车充电状态分布，包括：
将所述开始充电时刻的数据进行处理，获得关于开始充电时刻的概率分布；
将所述结束充电时刻的数据进行处理，获得关于结束充电时刻的概率分布；
根据所述开始充电时刻的概率分布和结束充电时刻的概率分布，计算获得电动汽车充电时长和放电时长的分布；
根据所述开始充电时的电池荷电状态、结束充电时的电池荷电状态计算获得电动汽车充电时长、放电时长与电池状态之间的关系；
电动汽车开始充电的时刻满足正态分布，开始充电时刻的概率分布函数fin(t)如下：
其中，μ1为开始充电时刻的期望值，σ1为开始充电时刻的标准差，t表示时间；
电动汽车结束充电的时刻满足正态分布，结束充电时刻的概率分布函数fout(t)如下：
其中，μ2为结束充电时刻的期望值，σ2为结束充电时刻的标准差，t表示时间；
所述充电时长为充电开始时刻到充电结束时刻之间的时段，所述放电时长为充电结束时刻到下一次充电开始时刻之间的时段；
根据所述基础负荷数据，确定一天内各个时段的电价，包括：
将一天内分成多个时段，根据所述基础负荷数据，获得系统负荷最大值和系统负荷最小值；
根据所述系统负荷最大值和系统负荷最小值，确定隶属度函数；
根据所述隶属度函数，确定各个负荷点的峰谷状态；
根据各个负荷点的峰谷状态，确定各个时段的电价；
所述隶属度函数通过以下公式表示：
其中，x表示负荷点的负荷值，a表示系统负荷最小值，b表示系统负荷最大值，y1表示谷隶属度，y2表示峰隶属度；
一天中的第i个时段的电价pi根据以下公式进行计算：
其中，c为负荷阈值，当负荷点的峰隶属度y2大于或等于所述负荷阈值c时，该负荷点为峰时，当负荷点的谷隶属度y1大于或等于所述负荷阈值c时，该负荷点为谷时，当负荷点的峰隶属度y2和谷隶属度y1均小于所述负荷阈值时，该负荷点为平时段，pf为峰时电价，pg为谷时电价，pp为平时段电价；
充放电模型包括以用户充电费用最小的第一目标函数、以配电台区负荷方差最小的第二目标函数以及约束条件；
所述第一目标函数为：
所述第二目标函数为：
其中，xij为第i个时段第j辆电动汽车的充放电状态，充电状态为1，放电状态为-1，M为时段的数量，N为电动汽车的数量，Pij为第i个时段第j辆电动汽车的充电功率或者放电功率，Pw为配电台区的基本负荷，Pav为一天中配电台区的平均负荷，pi为第i个时段的电价；
所述约束条件包括电池荷电状态始终大于预设值以及电动汽车充放电功率小于其允许的最大充放电功率；
基于粒子群算法对所述充放电模型进行优化，包括：
将电动汽车的充电开始时刻和结束充电时刻作为粒子；
初始化粒子种群；
计算粒子种群初始适应度，筛选个体最优值与群体最优值，并据此反复更新迭代粒子的速度和位置，在每一轮迭代后计算第一目标函数和第二目标函数的适应度值，直到达到最大迭代次数，获得电动汽车最优充电开始时刻以及最优结束充电时刻。
2.根据权利要求1所述的方法，其特征在于，电动汽车充电时长、放电时长与电池状态之间的关系如下：
其中，Tc为充电时长，Td为放电时长，SOCe,c为结束充电时的电池荷电状态，SOCs,c为开始充电时的电池荷电状态，B为电动汽车电池容量，SOCs,d为开始放电时的电池荷电状态，SOCe,d为结束放电时的电池荷电状态，Pc为充电功率，Pd为放电功率，η为充放电效率。
3.一种配电台区电动汽车充电负荷分析装置，其特征在于，包括：
采集模块，用于采集配电台区充电桩的充电数据；所述充电数据包括电动汽车开始充电时刻、结束充电时刻、开始充电时的电池荷电状态、结束充电时的电池荷电状态；
处理模块，用于对所述充电数据进行处理，获得电动汽车充电状态分布；
电价确定模块，用于采集配电台区基础负荷数据，根据所述基础负荷数据，确定一天内各个时段的电价；
模型建立模块，用于根据所述电动汽车充电状态分布和各个时段的电价，建立以用户充电费用最小和配电台区负荷方差最小的充放电模型；
优化模块，用于基于粒子群算法对所述充放电模型进行优化，获得电动汽车最优充电方案；
处理模块还用于对所述充电数据进行处理，获得电动汽车充电状态分布，包括：
将所述开始充电时刻的数据进行处理，获得关于开始充电时刻的概率分布；
将所述结束充电时刻的数据进行处理，获得关于结束充电时刻的概率分布；
根据所述开始充电时刻的概率分布和结束充电时刻的概率分布，计算获得电动汽车充电时长和放电时长的分布；
根据所述开始充电时的电池荷电状态、结束充电时的电池荷电状态计算获得电动汽车充电时长、放电时长与电池状态之间的关系；
电动汽车开始充电的时刻满足正态分布，开始充电时刻的概率分布函数fin(t)如下：
其中，μ1为开始充电时刻的期望值，σ1为开始充电时刻的标准差，t表示时间；
电动汽车结束充电的时刻满足正态分布，结束充电时刻的概率分布函数fout(t)如下：
其中，μ2为结束充电时刻的期望值，σ2为结束充电时刻的标准差，t表示时间；
所述充电时长为充电开始时刻到充电结束时刻之间的时段，所述放电时长为充电结束时刻到下一次充电开始时刻之间的时段；
电价确定模块还用于根据所述基础负荷数据，确定一天内各个时段的电价，包括：
将一天内分成多个时段，根据所述基础负荷数据，获得系统负荷最大值和系统负荷最小值；
根据所述系统负荷最大值和系统负荷最小值，确定隶属度函数；
根据所述隶属度函数，确定各个负荷点的峰谷状态；
根据各个负荷点的峰谷状态，确定各个时段的电价；
其中，所述隶属度函数通过以下公式表示：
其中，x表示负荷点的负荷值，a表示系统负荷最小值，b表示系统负荷最大值，y1表示谷隶属度，y2表示峰隶属度；
一天中的第i个时段的电价pi根据以下公式进行计算：
其中，c为负荷阈值，当负荷点的峰隶属度y2大于或等于所述负荷阈值c时，该负荷点为峰时，当负荷点的谷隶属度y1大于或等于所述负荷阈值c时，该负荷点为谷时，当负荷点的峰隶属度y2和谷隶属度y1均小于所述负荷阈值时，该负荷点为平时段，pf为峰时电价，pg为谷时电价，pp为平时段电价；
所述模型建立模块104中充放电模型包括以用户充电费用最小的第一目标函数、以配电台区负荷方差最小的第二目标函数以及约束条件；
其中，所述第一目标函数为：
所述第二目标函数为：
其中，xij为第i个时段第j辆电动汽车的充放电状态，充电状态为1，放电状态为-1，M为时段的数量，N为电动汽车的数量，Pij为第i个时段第j辆电动汽车的充电功率或者放电功率，Pw为配电台区基本负荷，Pav为一天中配电台区的平均负荷，pi为第i个时段的电价；
所述约束条件包括电池荷电状态始终大于预设值以及电动汽车充放电功率小于其允许的最大充放电功率；
优化模块还用于基于粒子群算法对所述充放电模型进行优化，包括：
将电动汽车的充电开始时刻和结束充电时刻作为粒子；
初始化粒子种群；
计算粒子种群初始适应度，筛选个体最优值与群体最优值，并据此反复更新迭代粒子的速度和位置，在每一轮迭代后计算第一目标函数和第二目标函数的适应度值，直到达到最大迭代次数，获得电动汽车最优充电开始时刻以及最优结束充电时刻。
CN202210250966.5A 2022-03-15 2022-03-15 一种配电台区电动汽车充电负荷分析方法及装置 Active CN114580251B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210250966.5A CN114580251B (zh) 2022-03-15 2022-03-15 一种配电台区电动汽车充电负荷分析方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210250966.5A CN114580251B (zh) 2022-03-15 2022-03-15 一种配电台区电动汽车充电负荷分析方法及装置

Publications (2)

Publication Number Publication Date
CN114580251A CN114580251A (zh) 2022-06-03
CN114580251B true CN114580251B (zh) 2023-10-20

Family

ID=81780568

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210250966.5A Active CN114580251B (zh) 2022-03-15 2022-03-15 一种配电台区电动汽车充电负荷分析方法及装置

Country Status (1)

Country Link
CN (1) CN114580251B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116306050B (zh) * 2023-05-23 2023-08-18 广东电网有限责任公司阳江供电局 储能配置确定方法、装置及电子设备

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103065199A (zh) * 2012-12-18 2013-04-24 广东电网公司电力科学研究院 电动汽车充电站负荷预测方法
CN104915790A (zh) * 2015-06-26 2015-09-16 国网山西省电力公司 一种促进风电消纳的峰谷电价优化方法
CN105976270A (zh) * 2016-05-25 2016-09-28 西南交通大学 一种分时电价下的电动汽车充电负荷动态概率分布确定方法
CN108334991A (zh) * 2018-02-12 2018-07-27 清华大学 一种电动汽车充电站规划方法及系统
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
CN110774929A (zh) * 2019-10-25 2020-02-11 上海电气集团股份有限公司 一种电动汽车有序充电的实时控制策略及优化方法
CN113954680A (zh) * 2021-12-07 2022-01-21 国网浙江杭州市萧山区供电有限公司 基于充电时段优化的电动汽车充电控制方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103065199A (zh) * 2012-12-18 2013-04-24 广东电网公司电力科学研究院 电动汽车充电站负荷预测方法
CN104915790A (zh) * 2015-06-26 2015-09-16 国网山西省电力公司 一种促进风电消纳的峰谷电价优化方法
CN105976270A (zh) * 2016-05-25 2016-09-28 西南交通大学 一种分时电价下的电动汽车充电负荷动态概率分布确定方法
CN108334991A (zh) * 2018-02-12 2018-07-27 清华大学 一种电动汽车充电站规划方法及系统
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
CN110774929A (zh) * 2019-10-25 2020-02-11 上海电气集团股份有限公司 一种电动汽车有序充电的实时控制策略及优化方法
CN113954680A (zh) * 2021-12-07 2022-01-21 国网浙江杭州市萧山区供电有限公司 基于充电时段优化的电动汽车充电控制方法

Also Published As

Publication number Publication date
CN114580251A (zh) 2022-06-03

Similar Documents

Publication Publication Date Title
CN109462231B (zh) 居民微电网的负荷优化调度方法、系统和存储介质
CN112103946B (zh) 一种基于粒子群算法的微电网储能优化配置方法
CN110570007B (zh) 电动汽车多时间尺度优化调度方法
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
CN112131733A (zh) 计及电动汽车充电负荷影响的分布式电源规划方法
CN112238781B (zh) 一种基于分层架构的电动汽车有序充电控制方法
CN113103905A (zh) 一种电动汽车智能充电分配调节方法、装置、设备及介质
CN110533222B (zh) 基于峰平谷电价的电动汽车充电负荷预测方法及装置
CN107919675B (zh) 综合考虑车主和运营商利益的充电站负荷调度模型
CN106786977B (zh) 一种电动汽车充电站的充电调度方法
CN105896578B (zh) 一种用于风光储联合发电系统的随机生产模拟方法
CN109285039B (zh) 一种计及风光不确定性的电动汽车充电站电价制定方法
CN114580251B (zh) 一种配电台区电动汽车充电负荷分析方法及装置
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
CN114707292A (zh) 含电动汽车配电网电压稳定性分析方法
CN113964854A (zh) 一种电动汽车v2g智能充放电方法
CN116054286A (zh) 一种考虑多元弹性资源的居民台区容量优化配置方法
Huang et al. The impact of electric vehicle development on grid load power and electricity consumption
CN114742118A (zh) 电动汽车集群充放电负荷组合预测方法
CN111934331A (zh) 一种电动汽车充放电优化调度方法及装置
CN112488383B (zh) 基于电动公交车行为特性概率的储能潜力分析方法及系统
CN111953023B (zh) 一种基于macpso算法的含充电桩区域能源网管理方法
CN113326883B (zh) 充电站功率利用率预测模型的训练方法、装置及介质
CN115936253B (zh) 一种虚拟电厂运营优化方法、装置、设备及可读存储介质
CN115377962A (zh) 一种光伏发电和电动汽车负荷的聚合功率预测方法

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
GR01 Patent grant
GR01 Patent grant