CN114819656B - 基于多阶段延迟接受算法的电动汽车-快充站匹配方法 - Google Patents
基于多阶段延迟接受算法的电动汽车-快充站匹配方法 Download PDFInfo
- Publication number
- CN114819656B CN114819656B CN202210467827.8A CN202210467827A CN114819656B CN 114819656 B CN114819656 B CN 114819656B CN 202210467827 A CN202210467827 A CN 202210467827A CN 114819656 B CN114819656 B CN 114819656B
- Authority
- CN
- China
- Prior art keywords
- charging
- quick
- matching
- quick charging
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 title claims abstract description 51
- 230000008901 benefit Effects 0.000 claims abstract description 27
- 230000005611 electricity Effects 0.000 claims description 16
- 230000002146 bilateral effect Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 7
- 230000006872 improvement Effects 0.000 abstract description 4
- 238000004364 calculation method Methods 0.000 abstract description 3
- 230000003993 interaction Effects 0.000 abstract description 2
- 230000008447 perception Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 9
- 238000012360 testing method Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 230000000052 comparative effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
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
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
- G01C21/3469—Fuel consumption; Energy use; Emission aspects
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
- G01C21/3484—Personalized, e.g. from learned user behaviour or user-defined profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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
- G06Q10/02—Reservations, e.g. for tickets, services or events
-
- 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
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/44—Methods for charging or discharging
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M2220/00—Batteries for particular applications
- H01M2220/20—Batteries in motive systems, e.g. vehicle, ship, plane
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Operations Research (AREA)
- Automation & Control Theory (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Water Supply & Treatment (AREA)
- General Engineering & Computer Science (AREA)
- Social Psychology (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Manufacturing & Machinery (AREA)
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- General Chemical & Material Sciences (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于电动汽车快速充电技术领域,公开了一种基于多阶段延迟接受算法的电动汽车‑快充站匹配方法,包括云端决策平台,是信息交互与数据决策主体,用于收集电动汽车与快充站的信息,并且会根据匹配方法为二者完成充电需求匹配,并将匹配结果告知双方;数字地图平台,是实时交通信息感知主体,当云端决策平台下达行程规划指令后,会根据当前电动汽车与快充站的地理位置信息及实时路况,智能优化电动汽车充电寻址路径和时间,然后将数据上传至云端决策平台;匹配算法,用于匹配电动汽车与充电站。最后,通过具体算例分析验证了匹配结果对用户利益的提升,同时达到增加充电运营商盈利,平衡充电站容量利用率的目的。
Description
技术领域
本发明属于电动汽车快速充电技术领域,尤其涉及一种基于多阶段延迟接受算法的电动汽车-快充站匹配方法。
背景技术
目前,能源危机与环境污染问题日益严峻,各国相继出台各项政策,鼓励新能源汽车取代燃油汽车,加强电动汽车的推广和充电基础设施的建设力度。2021年,全球电动汽车销量约为1170万辆,相比2020年增长了53%。然而,充电设施的建设速度并不能满足过量的充电需求,桩-车配比不平衡、布局不合理等问题都影响了电动汽车用户的出行体验。同时,大规模电动汽车无序充电会向电网注入大量谐波并吸收无功,引发严重的电能质量问题。因此,在不投入额外硬件设备增加充电设施成本的方式下,亟需一些有效的引导措施来保障电网的安全运行,并提高用户充电体验和充电站运营效率。
目前部分分析聚焦于对电动汽车进行时间尺度的有序引导。包括节点使用时间价格和道路交通拥堵价格来评估和减轻电动汽车大规模充电对电网和交通网的影响。包括通过分时电价的手段,将充电峰时用户引导至谷时段进行充电,实现了对电网“避峰填谷”的目的。包括基于价值函数建立提出了不同分时电价方案,并分析了电动汽车用户对电价引导的响应程度。包括基于主从博弈的方法,分析了电动汽车用户充电属性中的边际充电价格以及充电运营商的电价制定方法,让用户选择在不同时段进行充电。单从时间尺度的引导虽然可以解决充电高峰时段对电网造成的压力,但无法及时响应电动汽车的充电需求。
随着电动汽车保有量的不断增长,越来越多用户希望充电需求能够得到及时满足,参照上海市印发的《上海市加快新能源汽车产业发展实施计划(2021-2025年)》,政府鼓励公共充电桩“慢充改快充”,弥补公共领域快充电桩不足,充电难问题。更多学者的分析开始转向电动汽车与快充站之间的快速充电引导。包括通过补贴费用调整实时电价,带动用户参与市场平衡和选择充电站。电动汽车在选择快充站时需要综合考虑距离、时间、剩余电量等多种因素。包括以用户充电成本最小为目标,构建了结合“车-站-网”多元协同的电动汽车快速充电引导模型。包括针对电动汽车用户不同的需求,分别制定了以时间最优、成本最优、综合最优的3种充电方法供用户选择。电动汽车与快充站之间的匹配,一方面需要考虑电动汽车用户的利益,另一方面也需要考虑充电运营商的盈利,车与车、车与站、站与站之间存在一种多主体主从博弈的关系。
通过上述分析,现有技术存在的问题及缺陷为:
(1)现有方法中单通过时间尺度引导电动汽车有序充电不能及时满足用户的充电需求。
(2)现有方法中对电动汽车的充电过程建模较为简单,对用户的不同需求考虑较少,且缺乏数据支撑。
发明内容
针对现有技术存在的问题,本发明提供了一种基于多阶段延迟接受算法的电动汽车-快充站匹配方法。
本发明是这样实现的,一种基于多阶段延迟接受算法的电动汽车-快充站匹配方法包括:
云端决策平台收集电动汽车与快充站的信息,并根据匹配算法进行充电需求匹配,并将匹配结果反馈电动汽车与快充站;
数字地图平台实时感知云端决策平台下达行程规划指令,并根据当前电动汽车与快充站的地理位置信息及实时路况,优化电动汽车充电寻址路径和时间,然后将数据反馈至云端决策平台。
其中,匹配算法,用于匹配电动汽车与充电站,匹配算法会根据电动汽车车主充电偏好,将充电站进行排序,快充站侧同理,完成匹配后,电动汽车-充电站将唯一对应,达成稳定匹配关系。
进一步,所述云端决策平台中收集的电动汽车的信息包括但不限于车主偏好、SOC、地理位置,快充站的信息包括充电桩使用状态、预约情况、等候时间、实时电价。
进一步,所述云端决策平台中的匹配方法是基于多阶段延迟接受算法的充电匹配方法,为构成双边匹配中的一对一匹配,将每个快充桩独立开来,进而转为电动汽车与快充桩之间的匹配。
进一步,所述多阶段延迟接受算法为:
设区域内电动汽车和快充站构成的集合如下:
SEV={1,2,L,NEV}
SA={1,2,L,NA}
式中:SEV为区域内有充电需求的电动汽车集合,NEV为电动汽车数量;SA为区域内快充站集合,NA为快充站数量;为n号快充站内快充桩集合,/>为n号快充站内快充桩数量,所有快充桩的总数量如下:
用户作为出发充电申请的主体,在同一离散时段窗口内,若发出充电申请的电动汽车数量NEV小于所有快充桩的数量那么用户可以在1轮次算法中全部完成匹配,若发出充电申请的电动汽车数量NEV大于所有快充桩的数量/>那么就需要进行多阶段延迟接受算法,根据快充桩对用户的偏好排序,首先对数量等于/>的用户完成匹配,快充桩进行虚拟列队并更新状态,然后再对剩余用户进行下一阶段的延迟接受算法,直到所有用户均完成充电匹配。
进一步,所述多阶段延迟接受算法的电动汽车-快充站匹配方法还包括建立用户偏好决策模型、建立充电运营商偏好决策模型。
进一步,所述建立用户偏好决策模型包括:
1)电动汽车充电时间,设定电动汽车到达快充站充电的目标荷电状态为80%,充电时间由如下公式得出:
式中:Tch(iev)为电动汽车iev在快充站ia充电需要的时间;D(iev,ia)为电动汽车iev到快充站ia的通行距离;ξ(iev)为电动汽车的单位里程电耗;P(iev)为电动汽车充电功率;SOC0(iev)电动汽车出发时的荷电状态,C(iev)为电动汽车的电池容量;
2)电动汽车最大可行驶里程约束,电动汽车可行驶的最大里程受到电池容量约束,当剩余SOC不足以支撑电动汽车前往更远的快充站时,用户对快充站的偏好序列中不会出现这些快充站,最大可行驶里程由如下公式得出:
式中:为电动汽车iev可行驶的最大里程;/>为电动汽车与匹配快充站之间的距离,要求电动汽车与所匹配快充站之间的距离必须小于电动汽车可行驶的最大里程;
3)用户利益目标函数,用户的利益由时间成本和充电费用构成,用户利益目标函数如下:
min FEV=(α(iev)Tsum(iev,ia)ρ+β(iev)E(iev,ia))
s.t.α+β=1 0≤α≤1,0≤β≤1
Tsum(iev,ia)=Ta(iev,ia)+Tf(iev,ia)+Tch(iev,ia)
E(iev,ia)=E′(iev,ia)+D(iev,ia)ξ(iev)p(ia)
E′(iev,ia)=(80%-SOC0(iev))C(iev)p(ia)
式中:α和β分别为用户的时间偏好权重和价格偏好权重,二者相加的和等于1;ρ为量化的用户单位时间价值;Tsum(iev,ia)为用户的时间成本,包括电动汽车iev驶向快充站ia的行驶时间Ta(iev,ia)、到达充电站后的排队时间Tf(iev,ia)和充至目标SOC的充电时间Tch(iev,ia);E(iev,ia)为用户的充电费用,p(ia)为快充站ia的充电电价;
在明确了用户利益的目标函数之后,云端决策平台将用户对每个快充桩的偏好值进行评价,然后排序,定义用户对快充桩的偏好序列为ZEV,ZEV的表示如下:
进一步,所述充电运营商偏好决策模型包括:
1)快充桩单位时间盈利,充电运营商盈利的来源主要是用户的充电费用,快充站倾向于接收充电电量更大、距离更近的电动汽车,这样可以提升单位时间盈利,每个快充桩的单位时间盈利由如下公式得出:
式中:ε(in)为快充桩单位时间盈利,具体含义为电动汽车iev在快充桩in所属的n号快充站充电需要的充电费用与时间成本的比值;
2)充电运营商利益目标函数,定义充电运营商利益目标函数如下:
max FN=ε(in)
式中:v(in,iev)为快充桩in接收电动汽车iev的标识,接收用v(in,iev)=1表示,不接收用v(in,iev)=0表示,同样的,云端决策平台将快充桩对每名用户的偏好值进行评价,然后排序,定义快充桩对用户的偏好序列为ZN,ZN的表示如下:
ZN(in)=[FN(in,1),FN(in,2),L,FN(in,NEV)]
在完成用户与快充桩之间相互的偏好值排序之后,即可使用多阶段DA算法对用户与快充桩进行一对一的双边匹配。
进一步,所述基于多阶段延迟接受算法的电动汽车-快充站匹配方法通过充电站设备服务强度来衡量充电站的容量利用率,服务强度如下:
式中:η(ia)为快充站ia的服务强度,η(ia)越接近于1,表示快充站ia的容量利用强度越适中;快充站之间的η(ia)差值越小,表示快充站之间的容量利用率越均衡。
进一步,所述基于多阶段延迟接受算法的电动汽车-快充站匹配方法中根据充电偏好,电动汽车车主可分为距离敏感型用户、时间敏感型用户和价格敏感型用户。
进一步,所述基于多阶段延迟接受算法的电动汽车-快充站匹配方法中用户可以选择不接受匹配,但相应的,其他完成匹配的充电桩会成为已预约状态,该用户只能选择进入下一次匹配或自行寻找充电桩,这并不会影响其他用户的稳定匹配关系。
本发明的另一目的在于提供一种实施所述基于多阶段延迟接受算法的电动汽车-快充站匹配方法的基于多阶段延迟接受算法的电动汽车-快充站匹配系统。
本发明的另一目的在于提供一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行所述基于多阶段延迟接受算法的电动汽车-快充站匹配方法。
结合上述的技术方案和解决的技术问题,本发明所要保护的技术方案所具备的优点及积极效果为:
第一、针对上述现有技术存在的技术问题以及解决该问题的难度,紧密结合本发明的所要保护的技术方案以及研发过程中结果和数据等,详细、深刻地分析本发明技术方案如何解决的技术问题,解决问题之后带来的一些具备创造性的技术效果。具体描述如下:
本发明首先构建了电动汽车充电预约服务体系,结合云平台技术和数字地图平台开发端口,接收和下达充电需求指令。然后,提出基于多阶段延迟接受算法的电动汽车-快充站匹配方法,深入分析了电动汽车在选择快充站和快充站在选择电动汽车时需要考虑的因素,根据不同用户充电偏好和充电运营商盈利目标,对双方进行排序并完成匹配。最后,通过具体算例分析验证了匹配结果对用户利益的提升,同时达到增加充电运营商盈利,平衡充电站容量利用率的目的。
第二,把技术方案看做一个整体或者从产品的角度,本发明所要保护的技术方案具备的技术效果和优点,具体描述如下:
本发明能够填补对于电动汽车与充电站匹配问题的空白,为快速匹配,有条理的管理快充站提供参考。
第三,作为本发明的权利要求的创造性辅助证据,还体现在以下几个重要方面:
(1)本发明的技术方案转化后的预期收益和商业价值为:
本发明根据上海市测试区域内真实数据进行仿真,面对具有不同充电偏好的用户群体,验证了算法在快速充电匹配中的稳定匹配机制,同时可以合理分配充电站资源,提升充电运营商盈利。
(2)本发明的技术方案填补了国内外业内技术空白:
本发明引入数字地图接口进行实时路径规划,数据精度高,匹配模型更加准确。经过改进的多阶段延迟接受算法,实现了充电服务市场中电动汽车与快充桩之间多对一的双边匹配,并且可根据电动汽车与充电运营商双方的偏好,同时满足双方的利益。
附图说明
图1是本发明实施例提供的基于多阶段延迟接受算法的电动汽车-快充站匹配方法充电预约服务构架示意图;
图2是本发明实施例提供的基于多阶段延迟接受算法的电动汽车-快充站匹配方法电动汽车-快充桩匹配过程示意图;
图3是本发明实施例提供的基于多阶段延迟接受算法的电动汽车-快充站匹配方法中快充站服务强度示意图。
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仅用以解释本发明,并不用于限定本发明。
一、解释说明实施例。为了使本领域技术人员充分了解本发明如何具体实现,该部分是对权利要求技术方案进行展开说明的解释说明实施例。
如图1所示,为本发明实施例中的电动汽车充电预约服务构架:
1)云端决策平台作为信息交互与数据决策主体,一方面收集电动汽车与快充站的信息,电动汽车信息包括车主偏好、荷电状态(SOC)、地理位置,快充站信息包括充电桩使用状态、预约情况、等候时间、实时电价等。另一方面,云端决策平台会根据匹配方法为二者完成充电需求匹配,并将匹配结果告知双方。
2)数字地图平台作为实时交通信息感知主体,当云端决策平台下达行程规划指令后,会根据当前电动汽车与快充站的地理位置信息及实时路况,智能优化电动汽车充电寻址路径和时间,然后将数据上传至云端决策平台。
3)匹配算法会根据电动汽车车主充电偏好,将充电站进行排序,快充站侧同理。完成匹配后,电动汽车-充电站将唯一对应,达成稳定匹配关系。
其中,根据充电偏好,电动汽车车主(之后统称为用户)可分为距离敏感型用户、时间敏感型用户和价格敏感型用户。用户可以选择不接受匹配,但相应的,其他完成匹配的充电桩会成为已预约状态,该用户只能选择进入下一次匹配或自行寻找充电桩,这并不会影响其他用户的稳定匹配关系。
本发明实施例中的电动汽车充电预约服务构架的信号和数据的处理过程如下:
云端决策平台接收充电需求,收集电动汽车与快充站实时信息,并上传至数字地图平台;
数字地图平台接收到地理信息后,根据实时路况对电动汽车充电路径进行规划,并下发至云端决策平台;
云端决策平台根据匹配算法,依照电动汽车与快充站主体偏好值进行排序,将匹配结果告知用户。
如图2所示为基于多阶段DA算法的电动汽车与快充桩匹配过程,所述多阶段延迟接受(DA)算法为:
设区域内电动汽车和快充站构成的集合如下:
SEV={1,2,L,NEV}
SA={1,2,L,NA}
式中:SEV为区域内有充电需求的电动汽车集合,NEV为电动汽车数量;SA为区域内快充站集合,NA为快充站数量;为n号快充站内快充桩集合,/>为n号快充站内快充桩数量,所有快充桩的总数量如下:
用户作为出发充电申请的主体,在同一离散时段窗口内,若发出充电申请的电动汽车数量NEV小于所有快充桩的数量那么用户可以在1轮次算法中全部完成匹配,若发出充电申请的电动汽车数量NEV大于所有快充桩的数量/>那么就需要进行多阶段延迟接受算法,根据快充桩对用户的偏好排序,首先对数量等于/>的用户完成匹配,快充桩进行虚拟列队并更新状态,然后再对剩余用户进行下一阶段的延迟接受算法,直到所有用户均完成充电匹配。
就用户而言,在选择充电站问题上主要考虑的因素有行驶距离、排队时间、充电时间和充电电价。通过调用数字地图接口,可以实现区域路网及交通流的精确建模,将行驶距离转为行驶时间并计入到排队时间和充电时间中一起作为用户的时间成本。因此,可只对时间敏感型用户和价格敏感型用户进行区分,将距离敏感型用户做不接受匹配就近充电处理。对用户建立模型如下:
1)电动汽车充电时间,目前电动汽车快充一般都是先以一定大功率将电池充到额定容量的80%左右,然后采用小功率对电池进行慢充,以达到延长电池寿命的目的,因此本发明中设定电动汽车到达快充站充电的目标荷电状态(SOC)为80%,充电时间由如下公式得出:
式中:Tch(iev)为电动汽车iev在快充站ia充电需要的时间;D(iev,ia)为电动汽车iev到快充站ia的通行距离;ξ(iev)为电动汽车的单位里程电耗;P(iev)为电动汽车充电功率;SOC0(iev)电动汽车出发时的荷电状态,C(iev)为电动汽车的电池容量;
2)电动汽车最大可行驶里程约束,电动汽车可行驶的最大里程受到电池容量约束,当剩余SOC不足以支撑电动汽车前往更远的快充站时,用户对快充站的偏好序列中不会出现这些快充站,最大可行驶里程由如下公式得出:
式中:为电动汽车iev可行驶的最大里程;/>为电动汽车与匹配快充站之间的距离,要求电动汽车与所匹配快充站之间的距离必须小于电动汽车可行驶的最大里程;
3)用户利益目标函数,用户的利益由时间成本和充电费用构成。利用时间价值模型对用户的出行时间成本进行量化分析,取用户单位时间成本ρ为35.31元/小时,因此本发明中用户利益目标函数如下:
min FEV=(α(iev)Tsum(iev,ia)ρ+β(iev)E(iev,ia))
s.t.α+β=1 0≤α≤1,0≤β≤1
Tsum(iev,ia)=Ta(iev,ia)+Tf(iev,ia)+Tch(iev,ia)
E(iev,ia)=E′(iev,ia)+D(iev,ia)ξ(iev)p(ia)
E′(iev,ia)=(80%-SOC0(iev))C(iev)p(ia)
式中:α和β分别为用户的时间偏好权重和价格偏好权重,二者相加的和等于1;Tsum(iev,ia)为用户的时间成本,包括电动汽车iev驶向快充站ia的行驶时间Ta(iev,ia)、到达充电站后的排队时间Tf(iev,ia)和充至目标SOC的充电时间Tch(iev,ia);E(iev,ia)为用户的充电费用,p(ia)为快充站ia的充电电价;
在明确了用户利益的目标函数之后,云端决策平台将用户对每个快充桩的偏好值进行评价,然后排序,定义用户对快充桩的偏好序列为ZEV,ZEV的表示如下:
充电运营商在选择用户时,主要考虑自身盈利和容量利用率均衡。为保障电动汽车大规模接入时不出现严重的负荷波动,设定每个快充桩每轮次匹配最多接收一个电动汽车。充电运营商建立模型如下:
1)快充桩单位时间盈利,充电运营商盈利的来源主要是用户的充电费用,快充站倾向于接收充电电量更大、距离更近的电动汽车,这样可以提升单位时间盈利,每个快充桩的单位时间盈利由如下公式得出:
式中:ε(in)为快充桩单位时间盈利,具体含义为电动汽车iev在快充桩in所属的n号快充站充电需要的充电费用与时间成本的比值;
2)充电运营商利益目标函数,定义充电运营商利益目标函数如下:
max FN=ε(in)
式中:v(in,iev)为快充桩in接收电动汽车iev的标识,接收用v(in,iev)=1表示,不接收用v(in,iev)=0表示,同样的,云端决策平台将快充桩对每名用户的偏好值进行评价,然后排序,定义快充桩对用户的偏好序列为ZN,ZN的表示如下:
ZN(in)=[FN(in,1),FN(in,2),L,FN(in,NEV)]
在完成用户与快充桩之间相互的偏好值排序之后,即可使用多阶段DA算法对用户与快充桩进行一对一的双边匹配。
通过充电站设备服务强度来衡量充电站的容量利用率,服务强度如下:
式中:η(ia)为快充站ia的服务强度,η(ia)越接近于1,表示快充站ia的容量利用强度越适中;快充站之间的η(ia)差值越小,表示快充站之间的容量利用率越均衡。
二、应用实施例。为了证明本发明的技术方案的创造性和技术价值,该部分是对权利要求技术方案进行具体产品上或相关技术上的应用实施例。
本发明算例选取上海市浦东新区某测试区域。快充站共计65个,包含快充桩476个,充电功率、充电电价等具体信息见表1。电动汽车充电需求采用基于城市居民出行规律的蒙特卡洛方法进行生成,部分电动汽车信息见表2。设置如下3个对比算例:
1)分别对测试区域内400、800、1200辆电动汽车同时进行充电引导,验证多阶段DA算法的适用性。
2)以1000辆电动汽车为例,改变时间敏感型用户和价格敏感型用户在所有用户中的占比,分析用户偏好对匹配结果的影响。
3)以1000辆电动汽车为例,设置无充电引导的场景,用户就近选择快充站进行充电,对比充电运营商盈利及充电站容量利用率的变化。
表1测试区域充电站信息
/>
/>
表2测试区域电动汽车信息(部分)
对比算例1:
DA算法解决了双边匹配中的一对一匹配问题,本发明对DA算法做出改进,提出了多阶段DA算法,能够解决充电服务市场中电动汽车与快充桩之间的多对一匹配问题。为验证所提算法的适用性,在测试区域的同一离散时段窗口,分别设定发出充电申请的电动汽车数量少于快充桩数量、1倍多于快充桩数量、2倍多于快充桩数量三种场景。用户的偏好权重α和β随机生成,另外设置部分不接受充电引导的车辆就近选择快充站充电。
三种场景下电动汽车总的行驶时间、排队时间、充电时间和充电费用如表3所示。
表3
在不同车辆数目的情况下,电动汽车与快充桩分别经过1轮次、2轮次和3轮次DA算法,双方最终均能达成稳定匹配。其中,充电运营商盈利也在表3中展示了出来,其值为所有快充桩单位时间盈利之和。可以看出车辆数从400增加到800的时候,总充电费用增加了15593.01元,充电站盈利增加了21272.54元/h;车辆数从800增加到1200的时候,总充电费用增加了16207.06元,充电站盈利只增加了16375.65元/h,这是充电车辆数目远多于充电桩数目引起充电站容量饱和,造成了充电运营商单位时间盈利下降。
对比算例2:
DA算法解决了双边匹配中双方偏好不一致的问题,使得匹配的双方都能得到相对满意的结果,不会出现对某一方更加倾向于另一方的现象。为验证偏好值在多阶段DA算法中的适用性,取1000辆电动汽车作为试验算例,设定两个不同场景。
场景1:将800名用户设定为时间敏感型用户(α>0.5),其余用户均为价格敏感型用户。
场景2:将800名用户设定为价格敏感型用户(β>0.5),其余用户均为时间敏感型用户。
表4
由表4可知,场景1中用户的总时间成本低于场景2,相反,场景1中用户的总充电费用高于场景2。其中,时间成本包括用户前往目标快充站的行驶时间、排队时间和充电时间。分析可得,通过改变不同用户的偏好值,多阶段DA算法可相对应地做出不同匹配结果,最终的结果可同时满足匹配双方的利益,具有良好的适用性。
对比算例3:
通过充电引导手段将电动汽车分配至利用率低的充电站进行充电,是解决充电站利用率不均衡,合理分配充电资源并提高充电运营商服务效率的有效方法。本发明通过用户就近充电模拟无序状态下的电动汽车充电行为设置子场景,分析加入多阶段DA算法前后充电站容量利用率及充电运营商盈利的变化。
图3展示了就近充电场景与加入多阶段DA算法充电引导场景下65个快充站的服务强度。在就近充电场景下,各快充站的服务强度差别显著,其中以1号站、38号站和56号站最为明显,这些站点由于附件产生的充电需求较多使得服务强度比率过高,而部分站点的服务强度却仅为0。反观加入了多阶段DA算法的充电引导场景,各快充站的服务强度比率基本持平,说明在该场景下快充站之间的容量利用率十分均衡。
表5
两种场景下电动汽车总的行驶时间、排队时间、充电费用和充电运营商盈利如表5所示。在加入充电引导后用户的总行驶时间增加了189.30小时,但在总排队时间上节约了1000.81小时,就近充电尽管可以省去用户前往充电站的大部分行驶时间,但这种无序状态下的充电行为会产生充电站拥堵现象,给用户带来更多不必要的排队时间。从充电运营商的角度来看,通过充电引导其单位时间盈利提高了1.51倍。
针对电动汽车与快充站的匹配问题,本发明提出了一种基于多阶段延迟接受算法的匹配方法,通过仿真算例得出结论如下:
1)基于云端服务技术提出了电动汽车充电预约服务构架,可通过数字地图接口进行实时路径规划,预约车辆经过实时信息完成虚拟列队,提高了匹配模型的准确性。
2)经过改进的多阶段延迟接受算法,实现了充电服务市场中电动汽车与快充桩之间多对一的双边匹配,并且可根据电动汽车与充电运营商双方的偏好,同时满足双方的利益,具有稳定匹配的机制。
3)通过加入多阶段延迟接受算法的充电引导,可实现各快充站之间容量利用率的均衡,更加合理地分配充电服务资源,也有效提升了充电运营商的单位时间盈利。
总体来说,本发明提出的电动汽车-快充站匹配方法同时满足了用户与充电运营商双方的利益。当然,本发明也对充电场景也做了部分简化,将所有快充站假设为一个充电商进行运营,各个快充站之间并没有博弈关系。在后续的工作中会继续做进一步的分析。
应当注意,本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现;软件部分可以存储在存储器中,由适当的指令执行系统,例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用由各种类型的处理器执行的软件实现,也可以由上述硬件电路和软件的结合例如固件来实现。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,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,都应涵盖在本发明的保护范围之内。
Claims (6)
1.一种基于多阶段延迟接受算法的电动汽车-快充站匹配方法,其特征在于,所述基于多阶段延迟接受算法的电动汽车-快充站匹配方法包括:
云端决策平台收集电动汽车与快充站的信息,并根据匹配算法进行充电需求匹配,并将匹配结果反馈电动汽车与快充站;
数字地图平台实时感知云端决策平台下达行程规划指令,并根据当前电动汽车与快充站的地理位置信息及实时路况,优化电动汽车充电寻址路径和时间,然后将数据反馈至云端决策平台;
所述匹配算法,用于匹配电动汽车与充电站,匹配算法根据电动汽车车主充电偏好,将充电站进行排序,快充站侧同理,完成匹配后,电动汽车-充电站将唯一对应;
所述云端决策平台中的匹配方法是基于多阶段延迟接受算法的充电匹配方法,为构成双边匹配中的一对一匹配,将每个快充桩独立开来,进而转为电动汽车与快充桩之间的匹配;所述多阶段延迟接受算法为:
设区域内电动汽车和快充站构成的集合如下:
SEV={1,2,…,NEV}
SA={1,2,…,NA}
式中:SEV为区域内有充电需求的电动汽车集合,NEV为电动汽车数量;SA为区域内快充站集合,NA为快充站数量;为n号快充站内快充桩集合,/>为n号快充站内快充桩数量,所有快充桩的总数量如下:
用户作为出发充电申请的主体,在同一离散时段窗口内,若发出充电申请的电动汽车数量NEV小于所有快充桩的数量那么用户可以在1轮次算法中全部完成匹配,若发出充电申请的电动汽车数量NEV大于所有快充桩的数量/>那么就需要进行多阶段延迟接受算法,根据快充桩对用户的偏好排序,首先对数量等于/>的用户完成匹配,快充桩进行虚拟列队并更新状态,然后再对剩余用户进行下一阶段的延迟接受算法,直到所有用户均完成充电匹配,电动汽车与快充桩之间的匹配需要综合考虑用户和充电运营商双方的利益;
所述多阶段延迟接受算法的电动汽车-快充站匹配方法还包括建立用户偏好决策模型、建立充电运营商偏好决策模型;
所述建立用户偏好决策模型包括:
1)电动汽车充电时间,设定电动汽车到达快充站充电的目标荷电状态为80%,充电时间由如下公式得出:
式中:Tch(iev)为电动汽车iev在快充站ia充电需要的时间;D(iev,ia)为电动汽车iev到快充站ia的通行距离;ξ(iev)为电动汽车的单位里程电耗;P(iev)为电动汽车充电功率;SOC0(iev)电动汽车出发时的荷电状态,C(iev)为电动汽车的电池容量;
2)电动汽车最大可行驶里程约束,电动汽车可行驶的最大里程受到电池容量约束,当剩余SOC不足以支撑电动汽车前往更远的快充站时,用户对快充站的偏好序列中不会出现这些快充站,最大可行驶里程由如下公式得出:
式中:为电动汽车iev可行驶的最大里程;/>为电动汽车与匹配快充站之间的距离,要求电动汽车与所匹配快充站之间的距离必须小于电动汽车可行驶的最大里程;
3)用户利益目标函数,用户的利益由时间成本和充电费用构成,用户利益目标函数如下:
min FEV=(α(iev)Tsum(iev,ia)ρ+β(iev)E(iev,ia))
s.t.α+β=1 0≤α≤1,0≤β≤1
Tsum(iev,ia)=Ta(iev,ia)+Tf(iev,ia)+Tch(iev,ia)
E(iev,ia)=E′(iev,ia)+D(iev,ia)ξ(iev)p(ia)
E′(iev,ia)=(80%-SOC0(iev))C(iev)p(ia)
式中:α和β分别为用户的时间偏好权重和价格偏好权重,二者相加的和等于1;Tsum(iev,ia)为用户的时间成本,包括电动汽车iev驶向快充站ia的行驶时间Ta(iev,ia)、到达充电站后的排队时间Tf(iev,ia)和充至目标SOC的充电时间Tch(iev,ia);E(iev,ia)为用户的充电费用,p(ia)为快充站ia的充电电价;
在明确了用户利益的目标函数之后,云端决策平台将用户对每个快充桩的偏好值进行评价,然后排序,定义用户对快充桩的偏好序列为ZEV,ZEV的表示如下:
所述充电运营商偏好决策模型包括:
1)快充桩单位时间盈利,充电运营商盈利的来源主要是用户的充电费用,快充站倾向于接收充电电量更大、距离更近的电动汽车,这样可以提升单位时间盈利,每个快充桩的单位时间盈利由如下公式得出:
式中:ε(in)为快充桩单位时间盈利,具体含义为电动汽车iev在快充桩in所属的n号快充站充电需要的充电费用与时间成本的比值;
2)充电运营商利益目标函数,定义充电运营商利益目标函数如下:
max FN=ε(in)
式中:v(in,iev)为快充桩in接收电动汽车iev的标识,接收用v(in,iev)=1表示,不接收用v(in,iev)=0表示,同样的,云端决策平台将快充桩对每名用户的偏好值进行评价,然后排序,定义快充桩对用户的偏好序列为ZN,ZN的表示如下:
ZN(in)=[FN(in,1),FN(in,2),…,FN(in,NEV)]
在完成用户与快充桩之间相互的偏好值排序之后,即可使用多阶段DA算法对用户与快充桩进行一对一的双边匹配。
2.如权利要求1所述的基于多阶段延迟接受算法的电动汽车-快充站匹配方法,其特征在于,所述电动汽车-快充站匹配方法进一步具体包括:
云端决策平台接收充电需求,收集电动汽车与快充站实时信息,并上传至数字地图平台;
数字地图平台接收到地理信息后,根据实时路况对电动汽车充电路径进行规划,并下发至云端决策平台;
云端决策平台根据匹配算法,依照电动汽车与快充站主体偏好值进行排序,将匹配结果告知用户;
所述云端决策平台中收集的电动汽车的信息包括车主偏好、SOC和地理位置,快充站信息包括充电桩使用状态、预约情况、等候时间和实时电价。
3.如权利要求1所述的基于多阶段延迟接受算法的电动汽车-快充站匹配方法,其特征在于,所述基于多阶段延迟接受算法的电动汽车-快充站匹配方法通过充电站设备服务强度来衡量充电站的容量利用率,服务强度如下:
式中:η(ia)为快充站ia的服务强度,η(ia)越接近于1,表示快充站ia的容量利用强度越适中;快充站之间的η(ia)差值越小,表示快充站之间的容量利用率越均衡。
4.如权利要求1所述的基于多阶段延迟接受算法的电动汽车-快充站匹配方法,其特征在于,所述基于多阶段延迟接受算法的电动汽车-快充站匹配方法中根据充电偏好,电动汽车车主可分为距离敏感型用户、时间敏感型用户和价格敏感型用户;
所述基于多阶段延迟接受算法的电动汽车-快充站匹配方法中用户可以选择不接受匹配,但相应的,其他完成匹配的充电桩会成为已预约状态,该用户只能选择进入下一次匹配或自行寻找充电桩,这并不会影响其他用户的稳定匹配关系。
5.一种实施权利要求1~4任意一项所述基于多阶段延迟接受算法的电动汽车-快充站匹配方法的基于多阶段延迟接受算法的电动汽车-快充站匹配系统。
6.一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行权利要求1~4任意一项所述基于多阶段延迟接受算法的电动汽车-快充站匹配方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210467827.8A CN114819656B (zh) | 2022-04-29 | 2022-04-29 | 基于多阶段延迟接受算法的电动汽车-快充站匹配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210467827.8A CN114819656B (zh) | 2022-04-29 | 2022-04-29 | 基于多阶段延迟接受算法的电动汽车-快充站匹配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114819656A CN114819656A (zh) | 2022-07-29 |
CN114819656B true CN114819656B (zh) | 2024-06-07 |
Family
ID=82508856
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210467827.8A Active CN114819656B (zh) | 2022-04-29 | 2022-04-29 | 基于多阶段延迟接受算法的电动汽车-快充站匹配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114819656B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110428165A (zh) * | 2019-07-31 | 2019-11-08 | 电子科技大学 | 一种充电站内兼顾预约与排队的电动汽车充电调度方法 |
CN113505962A (zh) * | 2021-05-28 | 2021-10-15 | 暨南大学 | 一种考虑完整行程的电动汽车导航与充电预约方法 |
CN113821972A (zh) * | 2021-08-17 | 2021-12-21 | 同济大学 | 一种考虑能效的多机器人协同装配线平衡方法 |
CN114387132A (zh) * | 2020-10-02 | 2022-04-22 | 本田技研工业株式会社 | 服务系统、服务提供方法及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9256905B2 (en) * | 2000-08-25 | 2016-02-09 | Paradigm Shifting Solutions | Intelligent routing of electric power |
-
2022
- 2022-04-29 CN CN202210467827.8A patent/CN114819656B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110428165A (zh) * | 2019-07-31 | 2019-11-08 | 电子科技大学 | 一种充电站内兼顾预约与排队的电动汽车充电调度方法 |
CN114387132A (zh) * | 2020-10-02 | 2022-04-22 | 本田技研工业株式会社 | 服务系统、服务提供方法及存储介质 |
CN113505962A (zh) * | 2021-05-28 | 2021-10-15 | 暨南大学 | 一种考虑完整行程的电动汽车导航与充电预约方法 |
CN113821972A (zh) * | 2021-08-17 | 2021-12-21 | 同济大学 | 一种考虑能效的多机器人协同装配线平衡方法 |
Non-Patent Citations (3)
Title |
---|
Charging Station Management Strategy for Returns Maximization via Improved TD3 Deep Reinforcement Learning;Hengjie Li 等;《International Transactions on Electrical Energy Systems》;20221215;第1-14页 * |
基于改进延迟接受算法的电动汽车-快充桩匹配策略;李恒杰 等;《电力自动化设备》;20221103;第43卷(第6期);第46-52页 * |
电动汽车充电服务供给与匹配研究;张勇;《中国博士学位论文全文数据库 经济与管理科学辑》;20151215(第12期);第J150-38页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114819656A (zh) | 2022-07-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | A Monte Carlo simulation approach to evaluate service capacities of EV charging and battery swapping stations | |
CN105160428B (zh) | 高速公路电动汽车快速充电站的规划方法 | |
US11087422B2 (en) | Method and device for determining a configuration for deployment of a public transportation system | |
Asna et al. | Analysis of an optimal planning model for electric vehicle fast-charging stations in Al Ain City, United Arab Emirates | |
Varshosaz et al. | Day-ahead capacity estimation and power management of a charging station based on queuing theory | |
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 | |
CN116307647B (zh) | 电动汽车充电站选址定容优化方法、装置及存储介质 | |
Sadhukhan et al. | Optimal allocation of EV charging stations in a radial distribution network using probabilistic load modeling | |
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 | |
CN113222241B (zh) | 考虑充电服务引导与客户需求的出租车快充电站规划方法 | |
Miao et al. | Operating expense optimization for EVs in multiple depots and charge stations environment using evolutionary heuristic method | |
CN112488536A (zh) | 基于博弈论的区域内电动汽车充电调度方法 | |
Zhu et al. | Does the battery swapping energy supply mode have better economic potential for electric heavy-duty trucks? | |
CN114722595A (zh) | 一种含有换电站的微电网优化运行方法 | |
CN114282821A (zh) | 一种共享电动汽车的调度方法、系统及设备 | |
Chen et al. | Plug-in electric vehicle charging congestion analysis using taxi travel data in the central area of Beijing | |
Chen et al. | Game theory based optimal pricing strategy for V2G participating in demand response | |
CN107067130A (zh) | 一种基于电动汽车马尔可夫充电需求分析模型的快速充电站容量规划方法 | |
Tarar et al. | Techno-economic framework for electric vehicle battery swapping stations | |
Ren et al. | Study on optimal V2G pricing strategy under multi-aggregator competition based on game theory | |
Su et al. | Spatial-temporal distribution model of electric vehicle charging demand based on a dynamic evolution process | |
He et al. | Expansion planning of electric vehicle charging stations considering the benefits of peak‐regulation frequency modulation | |
Chauhan et al. | Scheduling of Electric Vehicle’s Power in V2G and G2V Modes Using an Improved Charge–Discharge Opportunity-Based Approach | |
CN114819656B (zh) | 基于多阶段延迟接受算法的电动汽车-快充站匹配方法 | |
CN114742118A (zh) | 电动汽车集群充放电负荷组合预测方法 |
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 |