CN114742284A - 一种面向多目标优化的电动汽车充电调度方法 - Google Patents

Abstract

本发明提供一种面向多目标优化的电动汽车充电调度方法，包括步骤：构建车辆准入机制，对进入停车场的车辆进行限制；对运营商利润最大化和车主满意度最大化的两个优化目标进行线性加权，得到进入停车场充电的每辆车辆个体的最终目标函数；随机分配车辆个体的充电时间，得到车辆个体的充电分配方案；采用遗传算法，对充电分配方案进行更新，并结合模拟退火算法判断是否接收更新后的充电分配方案；输出车辆个体最终的充电分配方案。本发明能够平衡停车场运营商的利润和车主的满意度，得到车辆的最优充电分配方案，能够同时提高运营商的利润和车主满意度，同时有效缓解配电网的负荷波动，实现停车场运营商和电动汽车车主的双赢。

Description

一种面向多目标优化的电动汽车充电调度方法

技术领域

本发明涉及电动汽车充电技术领域，尤其是涉及一种面向多目标优化的电动汽车充电调度方法。

背景技术

随着化石能源短缺和环境污染等问题的日益严重，电动汽车因其节能环保的特点引起了政府、行业及学术界的广泛关注，在日常生活中逐渐普及并得到广泛使用，有望在未来取代传统燃油汽车。同时，电动汽车的使用也对公共充电设施提出了新要求。

目前，许多电动汽车车主无法在居民停车场内安装充电基础设施，其充电需求无法得到满足。为了缓解这个问题，停车场将有可能在未来作为充电站，即在工作场所附近的停车场为他们的电动汽车充电，通过在停车场配备多个充电桩，提供停车和充电服务，车主可在停车期间进行充电。同时，由于车主的工作时间通常长于电动汽车的充电时间，可大大提高充电完成率。预计未来办公楼、商业区和机场的停车场可以采用这种模式。因此，停车场需为电动汽车提供便捷性以及快速性的充电服务。然而，由于电动汽车具有动态到达和随机充电的特性，若不进行适当的协调充电技术，大规模电动汽车的接入不仅会对配电网的安全造成影响，如负荷峰值增加、配电网线路过载和配电网损耗增加，还有可能导致车辆的充电需求在离开时无法得到满足，从而造成停车场运营商的利润损失。因此，如何在停车场环境下，提高大规模电动汽车的充电效率显得尤为重要。为了缓解上述不利影响，如何设计一个充电调度策略并应用高效的调度算法来保证停车场运营商和电动汽车车主的利益至关重要。

电动汽车充电调度过程中涉及两个利益主体，分别是充电服务提供者和电动汽车车主。一方面，从充电服务提供者的角度出发，为了保障电网的安全性，需要尽可能实现削峰填谷，故希望在实现利润最大的同时考虑各车充电时段的合理性。另一方面，从车主的角度来说，为避免离开前无法达到预期电量的情况，调动车主参与协调充电的积极性，应保障车主的满意度，尽可能缩短充电时长并减少其所需支付的充电费用。然而，目前使用的调度策略通常将充电利润和车主满意度作为两个不同的利益主体的目标，很少综合考虑这两个目标。电动汽车市场份额的扩大对电动汽车的充电调度策略提出了新要求，而目前的研究工作尚未针对利润与满意度形成一个完整有效的解决方案。

发明内容

本发明所要解决的技术问题是：提供一种面向多目标优化的电动汽车充电调度方法，在保障电网安全的前提下，平衡停车场运营商的利润和车主的满意度。

为了解决上述技术问题，本发明采用的技术方案为：一种面向多目标优化的电动汽车充电调度方法，包括步骤：

S1、构建车辆准入机制，对进入停车场的车辆进行限制；

S2、对运营商利润最大化和车主满意度最大化的两个优化目标进行线性加权，得到进入停车场充电的每辆车辆个体的最终目标函数；

S3、随机分配所述车辆个体的充电时间，得到所述车辆个体的充电分配方案；

S4、采用遗传算法，对所述充电分配方案进行更新，并结合模拟退火算法判断是否接收更新后的所述充电分配方案；

S5、输出所述车辆个体最终的所述充电分配方案。

本发明的有益效果在于：本发明提供一种面向多目标优化的电动汽车充电调度方法，首先，为确保车辆能够在离开前完成充电任务并尽可能满足更多车辆的充电需求，提出了一种车辆准入机制，其次，采用线性加权综合考虑运营商利润最大化和车主满意度最大化的两个优化目标，得到车辆个体的最终目标函数，最后代入遗传算法并结合模拟退火算法，以平衡停车场运营商的利润和车主的满意度，得到车辆的最优充电分配方案，能够同时提高运营商的利润和车主满意度，同时有效缓解配电网的负荷波动，实现停车场运营商和电动汽车车主的双赢。

附图说明

图1为一种面向多目标优化的电动汽车充电调度方法的流程图。

具体实施方式

为详细说明本发明的技术内容、所实现目的及效果，以下结合实施方式并配合附图予以说明。

请参照图1，一种面向多目标优化的电动汽车充电调度方法，包括步骤：

S1、构建车辆准入机制，对进入停车场的车辆进行限制；

S2、对运营商利润最大化和车主满意度最大化的两个优化目标进行线性加权，得到进入停车场充电的每辆车辆个体的最终目标函数；

S3、随机分配所述车辆个体的充电时间，得到所述车辆个体的充电分配方案；

S4、采用遗传算法，对所述充电分配方案进行更新，并结合模拟退火算法判断是否接收更新后的所述充电分配方案；

S5、输出所述车辆个体最终的所述充电分配方案。

由上述描述可知，本发明的有益效果在于：首先，为确保车辆能够在离开前完成充电任务并尽可能满足更多车辆的充电需求，提出了一种车辆准入机制，其次，采用线性加权综合考虑运营商利润最大化和车主满意度最大化的两个优化目标，得到车辆个体的最终目标函数，最后代入遗传算法并结合模拟退火算法，以平衡停车场运营商的利润和车主的满意度，得到车辆的最优充电分配方案，能够同时提高运营商的利润和车主满意度，同时有效缓解配电网的负荷波动，实现停车场运营商和电动汽车车主的双赢。

进一步地，所述步骤S1之前还包括步骤：

S0、预设停车场内的车位有c个，其中带充电桩的车位有m个，设置调度时间间隔为ΔT，将总调度时间T划分为若干个时间片，则停车场的充电控制中心每隔ΔT后调整充电计划。

由上述描述可知，将总调度时间划分为多个时间片，并在每个时间片内及时调整充电计划，保证电动汽车充电调度始终保持在最佳效益。

进一步地，所述步骤S1具体包括以下步骤：

S11、所述车辆个体进入停车场前，根据所述车辆准入机制，判断其充电需求是否能在离开停车场前完成，若能，则所述车辆个体停靠在带充电桩的停车位，否则所述车辆个体停靠在不带充电桩的停车位；

S12、所述车辆个体接入充电桩后，得到所述车辆个体的车辆信息，所述车辆信息包括所述车辆个体到达停车场的到达时间t_i ^a、预计离开时间t_i ^l和日行驶里程数d_i，i表示进入停车场且停靠在带充电桩停车位的第i辆所述车辆个体；

S13、将到达时间t_i ^a和预计离开时间t_i ^l转换成相应的到达时间片n_i ^a与预计离开时间片n_i ^l，日行驶里程转换为车辆的耗电量，即离开前希望达到的充电量r_i，则n_i ^a、n_i ^l和r_i满足如下公式：

r_i＝λd_i (3)；

λ＝e_h/d_h (4)；

其中，e_h为一个时间片ΔT内所述车辆个体的耗电量，d_h为一个时间片ΔT内所述车辆个体的行驶里程；

S14、设X_i表示第i辆所述车辆个体在总调度时间T内的充电状态，则X_i＝[X_i ¹X_i ²X_i ³...X_i ^T]^T，可进一步表示为：

其中，1表示充电状态，0表示未充电状态，X_i ⁿ的值在第i辆所述车辆个体到达停车场之前或离开停车场之后均为0，在停车充电期间，将X_i ⁿ的值表示为一个二进制变量，取值为1或0由所述车辆准入机制和调度算法确定。

由上述描述可知，以0和1的二进制简化表示电动汽车在停车的每个时间片的充电状态，便于对每辆汽车的充电进行调度且统一管理。

进一步地，所述车辆准入机制满足以下限制：

其中，n_i ^ri为完成充电所需要的时间片个数。

由上述描述可知，即为了保障车主的满意度，所有进入停车场进行充电的车辆要在离开停车场前完成充电，因此采用车辆准入机制，将允许进入充电的车辆视为可调度车辆，从而可以结合停车场内所有车辆的数据对每辆汽车的充电时段进行分配，同时能在满足车主需求的前提下，将一部分充电符合转移至用电低峰期，即可实现车辆的有序充电。

进一步地，所述步骤S2具体包括以下步骤：

S21、求解运营商利润最大化的目标函数，得到第一目标函数，其中运营商的利润为车主向其支付的充电费用与运营商向电网支付的购电费用之间的差值，设当前有v_s辆所述车辆个体进入停车场充电，则所述第一目标函数如公式7：

其中，P_c和P_g分别表示峰谷期间单个时间片内车主向运营商支付的充电费用集合以及运营商向电网支付的购电费用集合，j＝1、j＝2和j＝3分别表示峰平谷三个时期，N_i ^r表示第i辆车在峰平谷三个时期内充电的时间片个数集合；

S22、求解车主满意度最大化的目标函数，得到第二目标函数，其中车主的满意度S包括充电时长满意度和充电费用满意度，则所述第二目标函数如公式11：

其中，e为一个时间片ΔT内的充电量，

为满意度惩罚函数，σ为预设的惩罚系数，则：

S23、将所述第一目标函数和所述第二目标函数进行线性加权，得到所述最终目标函数，如公式13：

其中，P_now和S_now分别表示当前的利润和满意度，P_max和S_max分别表示利润和满意度的最大可能值，具体表示如公式14和15：

S_max＝2·v (15)。

由上述描述可知，由于需要满足两个优化目标——运营商利润最大化和车主满意度最大化，因此需要将这两个目标进行线性加权，从而将多目标问题转化为单目标问题。

进一步地，所述步骤S2还包括约束条件，所述约束条件具体为：

所述车辆个体在一个时间片ΔT内的充电量e满足：

其中u为额定充电功率，η为充电效率；

所述车辆个体只能在与充电桩连接的时间片内充电且开始充电的时间不可早于所述车辆个体达到的时间，结束充电的时间不可晚于所述车辆个体预计离开的时间，得到公式17：

在t时间片内同时充电的所述车辆个体的个数不可超过充电桩数M，得到公式18：

允许停靠在带有充电桩的停车位的所述车辆个体的最终的充电量满足其充电需求，得到公式19：

由上述描述可知，限制约束条件，以保证求得的运营商利润最大化和车主满意度最大化的两个目标线性加权后的最终目标函数的有效性。

进一步地，所述步骤S3具体为：

由公式17得到每辆所述车辆个体的可用充电时间片，在所述车辆个体到达时间片n_i ^a与预计离开时间片n_i ^l之间随机选取n_i ^r个时间片作为该所述车辆个体的充电时间，每辆所述车辆个体代表一个全体车辆充电时间的分配方案，则根据所有所述车辆个体随机生成若干个所述车辆个体作为初始种群，则所述车辆个体α在第β次迭代的位置如公式20，即得到所述车辆个体的充电分配方案：

其中，α有v_s个分位，

表示第β次迭代时第k辆所述车辆个体的充电时间，该充电时间满足公式21和22：

由上述描述可知，得到单个车辆个体在停车充电期间的充电时间片，便可在这些时间片内进行自由分配哪些时间片进行充电以使得满足其车辆离开停车场前到达需求电量，即得到车辆的充电分配方案，同时限定充电时间满足公式21和22，以保证充电时间分配的正确性，即不能出现重复的时间片。

进一步地，所述步骤S4具体包括以下步骤：

S41、初始化所述车辆个体，由所述车辆个体的所述最终目标函数得到适应度函数值F1，则F1满足：

并输出当前的充电分配方案Z₁；

S42、将所述适应度函数值引入遗传算法，随机选取所述初始种群中的所述车辆个体经过选择操作、交叉操作或变异操作进行组合生成新的下一代，得到新的所述适应度函数值F₂，并得到新的最优解Z₂；

S43、若F₂≥F₁，则所述最优函数为Z₂，否则所述最优函数为Z₁。

由上述描述可知，本发明旨在平衡停车场运营商的利润和车主的满意度，因此最终目标函数值越大则结果越优，因此将各分配方案的最终目标函数视为适应度函数值，以得到满足适应度函数值的充电分配方案，同时为了方案的准确性，将随机初始化车辆个体进行计算得到适应度函数值，采用遗传算法基于该适应度函数值选择一些车辆个体经选择、交叉或变异操作产生一代又一代，逐步朝着最优解的方向进化，同时为了弥补遗传算法“早熟”收敛的不足，引入模拟退火算法的进化机制，以实现模拟退火算法的良好局部搜索能力与遗传算法的全局搜索能力的结合。

进一步地，所述步骤S43还包括：

若F₂＜F₁，则引入模拟退火算法，计算Metropolis概率P_M，其大小受当前温度及变异前后的所述适应度函数值的差值的影响，则P_M为：

其中，Tem为温度控制参数，降温过程可表示为：

Tem＝tem₀/(1+q) (25)；

其中，tem₀为初始温度，q为迭代次数；

随机产生一个取值范围为(0,1)的随机数，当其大于P_M时，所述最优函数为Z₁，当其小于或等于P_M时，所述最优函数为Z₂。

由上述描述可知，通过将模拟退火算法引入遗传算法中进行运算，即选择是否接受遗传后的新解，不仅可以增加基因的多样性，同时也在一定程度上避免最优解的早熟。

进一步地，所述选择操作包括：采用锦标赛选择策略，从上一代所述初始种群中选择若干个相对较好的所述车辆个体遗传到下一代；

所述交叉操作包括：设置交叉概率为0.9，随机生成[0,1)范围内的随机数，若小于预先设置的交叉概率，则进行两点交叉操作；

所述变异操作包括：设置变异概率为0.1，随机生成[0,1)范围内的随机数，若小于预先设置的变异概率，则进行变异操作，若存在不可解时间片，则选择所述车辆个体中含有不可解时间片最多的分位并改变该分位的数值，同时保证改变后的数值满足所述约束条件。

由上述描述可知，遗传算法的三个基本操作——选择操作、交叉操作和变异操作，其中选择操作具有复杂度低、易并行处理等优点，交叉操作可以从两个随机选取的个体之间快速得到最优个体，而变异操作可丰富个体的多样性，增加最优解的准确性，在应用中可根据实际需要选择需要的遗传操作。

本发明提供的一种面向对目标优化的电动汽车充电调度方法，适用于综合考虑停车场运营商的利润及车主的满意度的电动汽车充电时间分配的停车场场景。

请参照图1，本发明的实施例一为：

停车场环境下的充电调度问题可描述为：当车辆进入并接入充电桩时，充电控制中心将根据获取的车辆信息(车辆的到达时间、预计离开时间和日行驶里程数)、充电桩信息(剩余可用充电桩数、额定充电功率)、准入机制及配电网侧电价，以平衡停车场运营商的利润及车主的满意度为目标，对各车辆的充电时间进行分配。

本实施例的一种面向多目标优化的电动汽车充电调度方法，如图1所示，包括步骤：

S1、构建车辆准入机制，对进入停车场的车辆进行限制；

S2、对运营商利润最大化和车主满意度最大化的两个优化目标进行线性加权，得到进入停车场充电的每辆车辆个体的最终目标函数；

S3、随机分配车辆个体的充电时间，得到车辆个体的充电分配方案；

S4、采用遗传算法，对充电分配方案进行更新，并结合模拟退火算法判断是否接收更新后的充电分配方案；

S5、输出车辆个体最终的充电分配方案。

即在本实施例中，首先，为确保车辆能够在离开前完成充电任务并尽可能满足更多车辆的充电需求，提出了一种车辆准入机制，其次，采用线性加权综合考虑运营商利润最大化和车主满意度最大化的两个优化目标，得到车辆个体的最终目标函数，最后代入遗传算法并结合模拟退火算法，以平衡停车场运营商的利润和车主的满意度，得到车辆的最优充电分配方案，能够同时提高运营商的利润和车主满意度，同时有效缓解配电网的负荷波动，实现停车场运营商和电动汽车车主的双赢。

本发明的实施例二为：

一种面向多目标优化的电动汽车充电调度方法，在上述实施例一的基础上，在本实施例中，步骤S1之前还包括步骤：

S0、预设停车场内的车位有c个，其中带充电桩的车位有m个，设置调度时间间隔为ΔT，将总调度时间T划分为若干个时间片，则停车场的充电控制中心每隔ΔT后调整充电计划。

即将总调度时间划分为多个时间片，并在每个时间片内及时调整充电计划，保证电动汽车充电调度始终保持在最佳效益。

其中，步骤S1具体包括以下步骤：

S11、车辆个体进入停车场前，根据车辆准入机制，判断其充电需求是否能在离开停车场前完成，若能，则车辆个体停靠在带充电桩的停车位，否则车辆个体停靠在不带充电桩的停车位。

充电控制中心将决定是否接受车主的充电请求，并基于调度策略管理电源，从而开启或暂停场内的充电设备，整个充电过程由电路切换控制单元操作，因此在充电过程中不需要移动车辆。而为了保障车主的满意度，即所有进入的车辆在离开前可以完成充电，本实施例采用了车辆准入机制，其中，车辆准入机制需要满足以下限制：

其中，n_i ^ri为为完成充电所需要的时间片个数。

即为了保障车主的满意度，所有进入停车场进行充电的车辆要在离开停车场前完成充电，因此采用车辆准入机制，将允许进入充电的车辆视为可调度车辆，从而可以结合停车场内所有车辆的数据对每辆汽车的充电时段进行分配，同时能在满足车主需求的前提下，将一部分充电符合转移至用电低峰期，即可实现车辆的有序充电。

当电灯汽车被允许进入停车场后，停车场可以将一定区域内的电动汽车统一管理，即车辆插入充电桩后可获取该车的车辆信息。

S12、车辆个体接入充电桩后，得到车辆个体的车辆信息，车辆信息包括车辆个体到达停车场的到达时间t_i ^a、预计离开时间t_i ^l和日行驶里程数d_i，i表示进入停车场且停靠在带充电桩停车位的第i辆车辆个体。

S13、将到达时间t_i ^a和预计离开时间t_i ^l转换成相应的到达时间片n_i ^a与预计离开时间片n_i ^l，日行驶里程转换为车辆的耗电量，即离开前希望达到的充电量r_i，则n_i ^a、n_i ^l和r_i满足如下公式：

r_i＝λd_i (3)；

λ＝e_h/d_h (4)；

其中，e_h为一个时间片ΔT内车辆个体的耗电量，d_h为一个时间片ΔT内车辆个体的行驶里程。

S14、设X_i表示第i辆车辆个体在总调度时间T内的充电状态，则X_i＝[X_i ¹X_i ²X_i ³...X_i ^T]^T，可进一步表示为：

其中，1表示充电状态，0表示未充电状态，X_i ⁿ的值在第i辆车辆个体到达停车场之前或离开停车场之后均为0，在停车充电期间，将X_i ⁿ的值表示为一个二进制变量，取值为1或0由车辆准入机制和调度算法确定，即以0和1的二进制简化表示电动汽车在停车的每个时间片的充电状态，便于对每辆汽车的充电进行调度且统一管理。

然后，综合考虑两个优化目标——运营商利润和车主满意度，因此，步骤S2具体包括以下步骤：

S21、求解运营商利润最大化的目标函数，得到第一目标函数，其中运营商的利润为车主向其支付的充电费用与运营商向电网支付的购电费用之间的差值，设当前有v_s辆车辆个体进入停车场充电，则第一目标函数如公式7：

其中，P_c和P_g分别表示峰谷期间单个时间片内车主向运营商支付的充电费用集合以及运营商向电网支付的购电费用集合，j＝1、j＝2和j＝3分别表示峰平谷三个时期，N_i ^r表示第i辆车在峰平谷三个时期内充电的时间片个数集合。

例如，在本实施例中，P_g＝(P_c ¹，P_c ²，P_c ³)＝(3，2，1)，表示电价在峰时期时运营商向电网支付的购电费用为每单位时间片内3元，电价在平时期时运营商向电网支付的购电费用为每单位时间片内2元，电价在谷时期时运营商向电网支付的购电费用为每单位时间片内1元；同理，举例说明当P_c＝(P_c ¹，P_c ²，P_c ³)＝(6，5，4)，则表示电价在峰时期时车主向运营商支付的充电费用为每单位时间片内6元，电价在平时期时车主向运营商支付的充电费用为每单位时间片内5元，电价在谷时期车时车主向运营商支付的充电费用为每单位时间片内4元；举例说明N_i ^r＝(7，8，9)表示第i辆车在电价峰时期充了7个时间片，在电价平时期充了8个时间片，在电价谷时期充了9个时间片。

S22、求解车主满意度最大化的目标函数，得到第二目标函数，其中车主的满意度S包括充电时长满意度和充电费用满意度，则第二目标函数如公式11：

其中，e为一个时间片ΔT内的充电量，

为满意度惩罚函数，σ为预设的惩罚系数，则：

在本实施例中，上述公式(11)中的n_i ^r2和n_i ^r3分别表示在电价平时期与电价谷时期时车辆的充电时间片个数，由于车辆在非电价峰时期进行充电时向运营商所支付的充电费用较低，因而使用(n_i ^r2+n_i ^r3)/n_i ^r(车辆在非电价峰时期充电的时间片个数与完成充电所需的时间片总数的比值)表示车辆的充电费用满意度，而无需加上电价峰时期的充电时间片个数n_i ^r1。

S23、将第一目标函数和第二目标函数进行线性加权，得到最终目标函数，如公式13：

其中，P_now和S_now分别表示当前的利润和满意度，P_max和S_max分别表示利润和满意度的最大可能值，具体表示如公式14和15：

S_max＝2·v (15)。

由于需要同时满足两个优化目标，因此需要对两个目标进行线性加权，从而将多目标问题转化为单目标问题。

同时，在步骤S2中还包括了约束条件，具体为：

车辆个体在一个时间片ΔT内的充电量e满足：

其中u为额定充电功率，η为充电效率；

车辆个体只能在与充电桩连接的时间片内充电且开始充电的时间不可早于车辆个体达到的时间，结束充电的时间不可晚于车辆个体预计离开的时间，得到公式17：

在t时间片内同时充电的车辆个体的个数不可超过充电桩数M，得到公式18：

允许停靠在带有充电桩的停车位的车辆个体的最终的充电量满足其充电需求，得到公式19：

即限制约束条件，以保证求得的运营商利润最大化和车主满意度最大化的两个目标线性加权后的最终目标函数的有效性。

其中，步骤S3具体为：

由上述公式17可以得到每辆车辆个体的可用充电时间片，因此在车辆个体到达时间片n_i ^a与预计离开时间片n_i ^l之间随机选取n_i ^r个时间片作为该车辆个体的充电时间，则每辆车辆个体代表一个全体车辆充电时间的分配方案，根据所有车辆个体随机生成若干个车辆个体作为初始种群，则车辆个体α在第β次迭代的位置如公式20，即会得到车辆个体的充电分配方案：

其中，α有v_s个分位，

表示第β次迭代时第k辆车辆个体的充电时间，该充电时间满足公式21和22：

由于可以得到单个车辆个体在停车充电期间的充电时间片，因此可在这些时间片内进行自由分配哪些时间片进行充电以使得满足其车辆离开停车场前到达需求电量，从而得到车辆的充电分配方案，同时限定充电时间满足公式21和22，以保证充电时间分配的正确性，即不能出现重复的时间片。

其中，步骤S4具体包括以下步骤：

S41、初始化车辆个体，由车辆个体的最终目标函数得到适应度函数值F1，则F1满足：

并输出当前的充电分配方案Z₁；

S42、将适应度函数值引入遗传算法，随机选取初始种群中的车辆个体经过选择操作、交叉操作或变异操作进行组合生成新的下一代，得到新的适应度函数值F₂，并得到新的最优解Z₂；

S43、若F₂≥F₁，则最优函数为Z₂，否则最优函数为Z₁。

由于本发明旨在平衡停车场运营商的利润和车主的满意度，因此最终目标函数值越大则结果越优，因此将各分配方案的最终目标函数视为适应度函数值，以得到满足适应度函数值的充电分配方案，同时为了方案的准确性，将随机初始化车辆个体进行计算得到适应度函数值，采用遗传算法基于该适应度函数值选择一些车辆个体经选择、交叉或变异操作产生一代又一代，逐步朝着最优解的方向进化，同时为了弥补遗传算法“早熟”收敛的不足，引入模拟退火算法的进化机制，以实现模拟退火算法的良好局部搜索能力与遗传算法的全局搜索能力的结合。

特别要注意的是，由于问题编码可能出现不可解方案，即某个时间片内充电的电动汽车数超过充电桩个数，当两个车辆个体都为不可解时，由于原先适应度函数值较大的车辆个体更可能通过后续的选择、交叉或变异操作获得较优解，故也选择适应度函数值较大的车辆个体，适应度函数的定义与上式相同。

其中，步骤S43还包括：

若F₂＜F₁，则引入模拟退火算法，计算Metropolis概率P_M，其大小受当前温度及变异前后的适应度函数值的差值的影响，则P_M为：

其中，Tem为温度控制参数，降温过程可表示为：

Tem＝tem₀/(1+q) (25)；

其中，tem₀为初始温度，q为迭代次数；

随机产生一个取值范围为(0,1)的随机数，当其大于P_M时，最优函数为Z₁，当其小于或等于P_M时，最优函数为Z₂。

即若遗传后的车辆个体的适应度函数值大于变异前的车辆个体适应度函数值，则接受遗传；否则，随机产生一个取值范围为(0,1)的随机数，当其大于P_M时，不接受遗传，当其小于P_M时，接受遗传。

即在本实施例中通过将模拟退火算法引入遗传算法中进行运算，即选择是否接受遗传后的新解，不仅可以增加基因的多样性，同时也在一定程度上避免最优解的早熟。

其中，在本实施例中，选择操作包括：采用锦标赛选择策略，从上一代初始种群中选择若干个相对较好的车辆个体遗传到下一代，具有复杂度低、易并行处理等优点；交叉操作包括：设置交叉概率为0.9，随机生成[0,1)范围内的随机数，若小于预先设置的交叉概率，则进行两点交叉操作，可以从两个随机选取的个体之间快速得到最优个体；变异操作包括：设置变异概率为0.1，随机生成[0,1)范围内的随机数，若小于预先设置的变异概率，则进行变异操作，若存在不可解时间片，则选择车辆个体中含有不可解时间片最多的分位并改变该分位的数值，同时保证改变后的数值满足约束条件，可丰富个体的多样性，增加最优解的准确性。在应用中可根据实际需要选择需要的遗传操作。

本发明的实施例三为：

一种面向多目标优化的电动汽车充电调度方法，在上述实施例二的基础上，在本实施例中，对遗传模拟退火算法的步骤进行举例。

首先，每个车辆个体均对应一个车辆的充电时间分配方案，下述算法1为遗传模拟退火算法(GASA)的具体实现的伪代码。

算法1：

1.输入：车辆总数、充电桩数、车辆的到达时间、预计离开时间、日行驶里程

2.初始化：设置算法的相关参数：种群规模N，遗传算法(GA)的最大迭代次数β_max，交叉概率P_c，变异概率P_M，SA初始温度Tem₀，令β＝1

3.根据公式(6)确定能够进入停车场并进行充电的车辆数v_s

4.根据公式(1)、(2)随机分配车辆的充电时间，生成N个个体，初始化种群

5.whileβ≤β_max do

6.for j＝1 to j＝v_s

7.计算每个时间片内同时充电的车辆数，根据公式(7)、(11)、(23)计算充电时间分配方案的运营商利润、车主满意度及适应度函数值

8.if x_j ⁿ＞m

9.return当前车辆个体中超过充电桩使用限制的时间片

10.end if

11.end for

12.对初始化种群执行选择、交叉和变异操作，令β＝β+1

13.输出当前最优解Z₁，及其适应度函数值F₁，令tem＝Tem₀

14.变异后得到新解Z₂，及其适应度函数值F₂

15.若F₂＞F₁，则Z₂为当前最优解，否则执行步骤16；

16.根据公式(25)计算P_M

17.if P_M＞random(0,1)

18.Z₂为当前最优解；

19.else

20.Z₁为当前最优解；

21.end if

22.tem＝tem/(1+β)

23.end while

24.输出利润、满意度、适应度函数值和对应的充电时间分配方案

其中，对算法1的具体解释如下：

1)步骤1-步骤4中，初始化算法的相关参数，并根据车辆信息随机生成初始种群。

2)步骤5-步骤11中，计算当前车辆个体的相关信息。

3)步骤12-步骤14中，引入遗传算法中的选择、交叉、变异操作及模拟退火算法中的Metropolis准则，对当前车辆个体进行更新，并重新计算其相关信息。

4)步骤15-步骤23中，结合模拟退火算法的进化机制，决定是否接受新解。若新解的适应度函数值大于之前的适应度函数值，则接受新解，否则以一定概率接受新解。

5)步骤24中，输出该车辆个体的相关信息及其对应的充电时间分配方案。

综上所述，本发明提供的一种面向多目标优化的电动汽车充电调度方法，考虑停车场场景下不同指标对充电调度策略的影响情况，面向多目标优化，提出了一种基于模拟遗传算法的充电时间分配策略，目的是在保障电网安全的前提下，平衡停车场运营商的利润和车主的满意度。该方法综合考虑了运营商利润及车主满意度对充电调度的影响，采用线性加权法，并在遗传算法中引入模拟退火的进化机制，平衡算法的探索与开发，即在遗传算法的变异操作后判断是否接受产生的新解，从而扩大了局部搜索能力，有效平衡停车场运营商利润和车主满意度。

以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等同变换，或直接或间接运用在相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种面向多目标优化的电动汽车充电调度方法，其特征在于，包括步骤：

S1、构建车辆准入机制，对进入停车场的车辆进行限制；

S2、对运营商利润最大化和车主满意度最大化的两个优化目标进行线性加权，得到进入停车场充电的每辆车辆个体的最终目标函数；

S3、随机分配所述车辆个体的充电时间，得到所述车辆个体的充电分配方案；

S4、采用遗传算法，对所述充电分配方案进行更新，并结合模拟退火算法判断是否接收更新后的所述充电分配方案；

S5、输出所述车辆个体最终的所述充电分配方案。

2.根据权利要求1所述的一种面向多目标优化的电动汽车充电调度方法，其特征在于，所述步骤S1之前还包括步骤：

S0、预设停车场内的车位有c个，其中带充电桩的车位有m个，设置调度时间间隔为ΔT，将总调度时间T划分为若干个时间片，则停车场的充电控制中心每隔ΔT后调整充电计划。

3.根据权利要求2所述的一种面向多目标优化的电动汽车充电调度方法，其特征在于，所述步骤S1具体包括以下步骤：

S11、所述车辆个体进入停车场前，根据所述车辆准入机制，判断其充电需求是否能在离开停车场前完成，若能，则所述车辆个体停靠在带充电桩的停车位，否则所述车辆个体停靠在不带充电桩的停车位；

S12、所述车辆个体接入充电桩后，得到所述车辆个体的车辆信息，所述车辆信息包括所述车辆个体到达停车场的到达时间t_i ^a、预计离开时间t_i ^l和日行驶里程数d_i，i表示进入停车场且停靠在带充电桩停车位的第i辆所述车辆个体；

S13、将到达时间t_i ^a和预计离开时间t_i ^l转换成相应的到达时间片n_i ^a与预计离开时间片n_i ^l，日行驶里程转换为车辆的耗电量，即离开前希望达到的充电量r_i，则n_i ^a、n_i ^l和r_i满足如下公式：

r_i＝λd_i (3)；

λ＝e_h/d_h (4)；

其中，e_h为一个时间片ΔT内所述车辆个体的耗电量，d_h为一个时间片ΔT内所述车辆个体的行驶里程；

S14、设X_i表示第i辆所述车辆个体在总调度时间T内的充电状态，则X_i＝[X_i ¹X_i ²X_i ³...X_i ^T]^T，可进一步表示为：

其中，1表示充电状态，0表示未充电状态，X_i ⁿ的值在第i辆所述车辆个体到达停车场之前或离开停车场之后均为0，在停车充电期间，将X_i ⁿ的值表示为一个二进制变量，取值为1或0由所述车辆准入机制和调度算法确定。

4.根据权利要求3所述的一种面向多目标优化的电动汽车充电调度方法，其特征在于，所述车辆准入机制满足以下限制：

其中，n_i ^ri为完成充电所需要的时间片个数。

5.根据权利要求3所述的一种面向多目标优化的电动汽车充电调度方法，其特征在于，所述步骤S2具体包括以下步骤：

S21、求解运营商利润最大化的目标函数，得到第一目标函数，其中运营商的利润为车主向其支付的充电费用与运营商向电网支付的购电费用之间的差值，设当前有v_s辆所述车辆个体进入停车场充电，则所述第一目标函数如公式7：

其中，P_c和P_g分别表示峰谷期间单个时间片内车主向运营商支付的充电费用集合以及运营商向电网支付的购电费用集合，j＝1、j＝2和j＝3分别表示峰平谷三个时期，N_i ^r表示第i辆车在峰平谷三个时期内充电的时间片个数集合；

S22、求解车主满意度最大化的目标函数，得到第二目标函数，其中车主的满意度S包括充电时长满意度和充电费用满意度，则所述第二目标函数如公式11：

其中，e为一个时间片ΔT内的充电量，

为满意度惩罚函数，σ为预设的惩罚系数，则：

S23、将所述第一目标函数和所述第二目标函数进行线性加权，得到所述最终目标函数，如公式13：

其中，P_now和S_now分别表示当前的利润和满意度，P_max和S_max分别表示利润和满意度的最大可能值，具体表示如公式14和15：

S_max＝2·v (15)。

6.根据权利要求5所述的一种面向多目标优化的电动汽车充电调度方法，其特征在于，所述步骤S2还包括约束条件，所述约束条件具体为：

所述车辆个体在一个时间片ΔT内的充电量e满足：

其中u为额定充电功率，η为充电效率；

所述车辆个体只能在与充电桩连接的时间片内充电且开始充电的时间不可早于所述车辆个体达到的时间，结束充电的时间不可晚于所述车辆个体预计离开的时间，得到公式17：

在t时间片内同时充电的所述车辆个体的个数不可超过充电桩数M，得到公式18：

允许停靠在带有充电桩的停车位的所述车辆个体的最终的充电量满足其充电需求，得到公式19：

7.根据权利要求6所述的一种面向多目标优化的电动汽车充电调度方法，其特征在于，所述步骤S3具体为：

由公式17得到每辆所述车辆个体的可用充电时间片，在所述车辆个体到达时间片n_i ^a与预计离开时间片n_i ^l之间随机选取n_i ^r个时间片作为该所述车辆个体的充电时间，每辆所述车辆个体代表一个全体车辆充电时间的分配方案，则根据所有所述车辆个体随机生成若干个所述车辆个体作为初始种群，则所述车辆个体α在第β次迭代的位置如公式20，即得到所述车辆个体的充电分配方案：

其中，α有v_s个分位，

表示第β次迭代时第k辆所述车辆个体的充电时间，该充电时间满足公式21和22：

8.根据权利要求7所述的一种面向多目标优化的电动汽车充电调度方法，其特征在于，所述步骤S4具体包括以下步骤：

S41、初始化所述车辆个体，由所述车辆个体的所述最终目标函数得到适应度函数值F1，则F1满足：

并输出当前的充电分配方案Z₁；

S42、将所述适应度函数值引入遗传算法，随机选取所述初始种群中的所述车辆个体经过选择操作、交叉操作或变异操作进行组合生成新的下一代，得到新的所述适应度函数值F₂，并得到新的最优解Z₂；

S43、若F₂≥F₁，则所述最优函数为Z₂，否则所述最优函数为Z₁。

9.根据权利要求8所述的一种面向多目标优化的电动汽车充电调度方法，其特征在于，所述步骤S43还包括：

若F₂＜F₁，则引入模拟退火算法，计算Metropolis概率P_M，其大小受当前温度及变异前后的所述适应度函数值的差值的影响，则P_M为：

其中，Tem为温度控制参数，降温过程可表示为：

Tem＝tem₀/(1+q) (25)；

其中，tem₀为初始温度，q为迭代次数；

随机产生一个取值范围为(0,1)的随机数，当其大于P_M时，所述最优函数为Z₁，当其小于或等于P_M时，所述最优函数为Z₂。

10.根据权利要求8所述的一种面向多目标优化的电动汽车充电调度方法，其特征在于，所述选择操作包括：采用锦标赛选择策略，从上一代所述初始种群中选择若干个相对较好的所述车辆个体遗传到下一代；

所述交叉操作包括：设置交叉概率为0.9，随机生成[0,1)范围内的随机数，若小于预先设置的交叉概率，则进行两点交叉操作；

所述变异操作包括：设置变异概率为0.1，随机生成[0,1)范围内的随机数，若小于预先设置的变异概率，则进行变异操作，若存在不可解时间片，则选择所述车辆个体中含有不可解时间片最多的分位并改变该分位的数值，同时保证改变后的数值满足所述约束条件。

Images