CN114825409B - 一种电动汽车多目标分群分级优化调度方法及装置 - Google Patents

一种电动汽车多目标分群分级优化调度方法及装置 Download PDF

Info

Publication number
CN114825409B
CN114825409B CN202210738011.4A CN202210738011A CN114825409B CN 114825409 B CN114825409 B CN 114825409B CN 202210738011 A CN202210738011 A CN 202210738011A CN 114825409 B CN114825409 B CN 114825409B
Authority
CN
China
Prior art keywords
charging
electric
power
charging power
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
CN202210738011.4A
Other languages
English (en)
Other versions
CN114825409A (zh
Inventor
李涛永
张元星
刁晓虹
李斌
张晶
蒋林洳
赵轩
李康
唐攀攀
施振波
万景飞
杨旭
宋石磊
李创
张冬梅
王亚玲
覃剑
李德智
郭京超
郭炳庆
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.)
China Electric Power Research Institute Co Ltd CEPRI
Original Assignee
China Electric Power Research Institute Co Ltd CEPRI
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 China Electric Power Research Institute Co Ltd CEPRI filed Critical China Electric Power Research Institute Co Ltd CEPRI
Priority to CN202210738011.4A priority Critical patent/CN114825409B/zh
Publication of CN114825409A publication Critical patent/CN114825409A/zh
Application granted granted Critical
Publication of CN114825409B publication Critical patent/CN114825409B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • 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
    • 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
    • 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
    • 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
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [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
    • H02J2310/00—The network for supplying or distributing electric power characterised by its spatial reach or by the load
    • H02J2310/50—The network for supplying or distributing electric power characterised by its spatial reach or by the load for selectively controlling the operation of the loads
    • H02J2310/56—The network for supplying or distributing electric power characterised by its spatial reach or by the load for selectively controlling the operation of the loads characterised by the condition upon which the selective controlling is based
    • H02J2310/58—The condition being electrical
    • H02J2310/60—Limiting power consumption in the network or in one section of the network, e.g. load shedding or peak shaving
    • 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
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • Power Engineering (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本发明涉及电网优化调度技术领域，具体提供了一种电动汽车多目标分群分级优化调度方法及装置，包括：求解预先构建的决策者满意度模型，得到电动汽车充电功率结果；基于所述电动汽车充电功率结果，得到电动汽车充电计划；基于所述电动汽车充电计划和电动汽车充电状态控制电动汽车进行充电。本发明提供的技术方案可应用于大规模的电动汽车充电站中，能够有效解决现有调度方法的有局限性较小、实时性较差、实时调度精度不足等问题。

Description

一种电动汽车多目标分群分级优化调度方法及装置
技术领域
本发明涉及电网优化调度技术领域，具体涉及一种电动汽车多目标分群分级优化调度方法及装置。
背景技术
最优化方法也称作运筹学方法，它主要运用数学方法研究各种系统的优化途径及方案，为决策者提供科学决策的依据。最优化方法的主要研究对象是各种有组织系统的管理问题及其生产经营活动。最优化方法的目的在于针对所研究的系统，求得一个合理运用人力、物力和财力的最佳方案，发挥和提高系统的效能及效益，最终达到系统的最优目标。包括单目标优化和多目标优化，其单目标优化方法主要由线性优化方法、粒子群算法、遗传算法等，多目标优化方法主要有线性加权法、理想点法、NSGA-II、模糊优化等。在本项目中主要采用基于满意度的模糊多目标优化方法，该方法是求解各类型电动汽车群体指导充电功率的主要手段，是本项目的重要数学工具。
现有技术在日前阶段通过对电动汽车分为快充电动汽车集群慢充电动汽车集群以区域机组处理成本最小和电动汽车用户充电成本最小为目标，采用线性加权方法转为单目标优化问题并求解获得日前充电站优化调度方案。现有技术在日内阶段以上层以日负荷波动和调度惩罚最小化为目标，建立考虑电动汽车充放电的大规模集群实时互动调度模型，下层考虑电动汽车车主的充放电成本，求解单辆电动汽车充放电功率的最优跟踪问题。
现有技术中存在如下缺陷：1.对电动汽车的有序调度方法较少考虑到不同服务类型电动汽车间的差异导致其方法具有局限性。2.对电动汽车实时调度方法大多采用优化模型求解，其实时性较差。3.未考虑到电动汽车用户离网时间灵活性，其实时调度精度不足。
发明内容
为了克服上述缺陷，本发明提出了一种电动汽车多目标分群分级优化调度方法及装置。
第一方面，提供一种电动汽车多目标分群分级优化调度方法，所述电动汽车多目标分群分级优化调度方法包括：
求解预先构建的决策者满意度模型，得到电动汽车充电功率结果；
基于所述电动汽车充电功率结果，得到电动汽车充电计划；
基于所述电动汽车充电计划和电动汽车充电状态控制电动汽车进行充电。
优选的，所述预先构建的决策者满意度模型包括：以经济性目标隶属度和舒适度目标隶属度最小值为目标构建的目标函数模型和为电动汽车多目标分群分级优化调度配置的约束条件。
进一步的，所述目标函数模型的计算式如下：
Figure 362141DEST_PATH_IMAGE001
上式中，λ为目标函数值，μ（f D ）为舒适度目标隶属度，μ（f G ）为经济性目标隶属度，f D 为舒适度目标函数值，f G 为经济性目标函数值，f 1 为舒适度目标函数最优值，f 2 为经济性目标函数最优值，δ1为舒适度目标函数最优值所能容忍最大增加值，δ2为经济性目标函数最优值所能容忍最大增加值。
进一步的，所述舒适度目标隶属度的计算式如下：
Figure 70203DEST_PATH_IMAGE002
所述经济性目标隶属度的计算式如下：
Figure 373447DEST_PATH_IMAGE003
。
进一步的，所述舒适度目标函数值的计算式如下：
Figure 952196DEST_PATH_IMAGE004
上式中，T为调度时段，P_evsi,t为电动私家车群体t时段的充电功率，
Figure 917747DEST_PATH_IMAGE005
为 电动私家车群体t时段的最大充电功率，
Figure 785209DEST_PATH_IMAGE006
为电动私家车群体t时段的最小充电功率， P_evchu,t为电动出租车群体t时段的充电功率，
Figure 900932DEST_PATH_IMAGE007
为电动出租车群体t时段的最大 充电功率，
Figure 803029DEST_PATH_IMAGE008
为电动出租车群体t时段的最小充电功率，P_evgong,t为电动公交车群 体t时段的充电功率，
Figure 145673DEST_PATH_IMAGE009
为电动公交车群体t时段的最大充电功率，
Figure 31590DEST_PATH_IMAGE010
为电 动公交车群体t时段的最小充电功率。
进一步的，所述经济性目标函数值的计算式如下：
Figure 216583DEST_PATH_IMAGE011
上式中，Cbuy_gird为电网购电成本，CV2G为参与电网调度所获收益。
进一步的，所述电网购电成本的计算式如下：
Figure 504345DEST_PATH_IMAGE012
所述参与电网调度所获收益的计算式如下：
Figure 546119DEST_PATH_IMAGE013
上式中，λt为t时段电价，P_evt为t时段充电站内电动汽车总充电负荷，rpro为电网对参充电站参与调度的单位电量补偿，Δt为单位时段。
进一步的，所述t时段充电站内电动汽车总充电负荷的计算式如下：
Figure 250158DEST_PATH_IMAGE014
。
进一步的，所述约束条件包括下述中的至少一种：功率平衡约束、电网联络线交互功率约束、变压器功率约束、电动汽车电量平衡和充电功率约束。
进一步的，所述电动汽车电量平衡和充电功率约束的数学模型如下：
Figure 301159DEST_PATH_IMAGE015
上式中，ηsi为电动私家车的充电效率，ηchu为电动出租车的充电效率，ηgong为电动 公交车的充电效率，Qn_si为第n_si辆电动私家车的电池容量，Qn_chu为第n_chu辆电动出租车 的电池容量，Qn_gong为第n_gong辆电动公交车的电池容量，SOCn_si(t)为第n_si辆电动私家 车t时段的荷电状态，SOCn_chu(t)为第n_chu辆电动出租车t时段的荷电状态，SOCn_sgong(t)为 第n_gong辆电动公交车t时段的荷电状态，P_evn_si,t为第n_si辆电动私家车t时段的充电功 率，
Figure 974586DEST_PATH_IMAGE016
为第n_si辆电动私家车t时段的最大充电功率，
Figure 393453DEST_PATH_IMAGE017
为第n_si辆 电动私家车t时段的最小充电功率，P_evn_chu,t为第n_chu辆电动出租车t时段的充电功率，
Figure 519541DEST_PATH_IMAGE018
为第n_chu辆电动出租车t时段的最大充电功率，
Figure 46338DEST_PATH_IMAGE019
为第n_chu辆 电动出租车t时段的最小充电功率，P_evn_gong,t为第n_gong辆电动公交车t时段的充电功率，
Figure 777533DEST_PATH_IMAGE020
为第n_gong辆电动公交车t时段的最大充电功率，
Figure 629952DEST_PATH_IMAGE021
为第n_ gong辆电动公交车t时段的最小充电功率。
优选的，所述基于所述电动汽车充电计划和电动汽车充电状态控制电动汽车进行充电，包括：
若当前时段入网电动汽车群体总充电功率大于该时段电动汽车充电计划对应的充电功率，则入网电动汽车以充电桩限制的最大功率进行充电；
若当前时段入网电动汽车群体总充电功率小于该时段电动汽车充电计划对应的充电功率且大于充电状态为紧急充电状态的电动汽车群体总充电功率，则以充电桩限制的最大功率对充电状态为紧急充电状态的电动汽车进行充电，并将该时段电动汽车充电计划对应的充电功率与充电状态为紧急充电状态的电动汽车群体的总充电功率的功率差值分配给充电状态为非紧急充电状态的电动汽车群体，充电状态为非紧急充电状态的电动汽车群体按照该时段电动汽车充电计划进行充电；
若当前时段入网电动汽车群体总充电功率小于充电状态为紧急充电状态的电动汽车群体总充电功率，则以充电桩限制的最大功率对充电状态为紧急充电状态的电动汽车群体总充电功率进行充电。
优选的，所述电动汽车充电状态包括：紧急充电状态和非紧急充电状态，其中，当电动汽车满足紧急充电条件时，电动汽车充电状态为紧急充电状态，当电动汽车满足非紧急充电条件时，电动汽车充电状态为非紧急充电状态。
进一步的，所述紧急充电条件的数学模型如下：
Figure 929539DEST_PATH_IMAGE022
所述非紧急充电条件的数学模型如下：
Figure 728867DEST_PATH_IMAGE023
上式中，Cn为第n辆电动汽车的电池容量，SOCn为第n辆电动汽车入网时电池状态，Pmax,n为第n辆电动汽车所允许的最大充电功率，ηn为第n辆电动汽车的充电效率,t_leaven为第n辆电动汽车的离网时段，t为当前时段。
进一步的，所述第n辆电动汽车的离网时段的计算式如下：
Figure 314569DEST_PATH_IMAGE024
上式中，t_leaveset为用户设置的离开时间，α为充电守时度。
进一步的，所述充电守时度的计算式如下：
Figure 806731DEST_PATH_IMAGE025
上式中，I为当月天数，t_leavereal(i)为第i天用户实际离开时间，t_leaveset(i)为第i天用户设置的离开时间。
第二方面，提供一种电动汽车多目标分群分级优化调度装置，所述电动汽车多目标分群分级优化调度装置包括：
分析模块，用于求解预先构建的决策者满意度模型，得到电动汽车充电功率结果；
计划模块，用于基于所述电动汽车充电功率结果，得到电动汽车充电计划；
控制模块，用于基于所述电动汽车充电计划和电动汽车充电状态控制电动汽车进行充电。
优选的，所述分析模块中预先构建的决策者满意度模型包括：以经济性目标隶属度和舒适度目标隶属度最小值为目标构建的目标函数模型和为电动汽车多目标分群分级优化调度配置的约束条件。
进一步的，所述目标函数模型的计算式如下：
Figure 313935DEST_PATH_IMAGE001
上式中，λ为目标函数值，μ（f D ）为舒适度目标隶属度，μ（f G ）为经济性目标隶属度，f D 为舒适度目标函数值，f G 为经济性目标函数值，f 1 为舒适度目标函数最优值，f 2 为经济性目标函数最优值，δ1为舒适度目标函数最优值所能容忍最大增加值，δ2为经济性目标函数最优值所能容忍最大增加值。
进一步的，所述舒适度目标隶属度的计算式如下：
Figure 651376DEST_PATH_IMAGE002
所述经济性目标隶属度的计算式如下：
Figure 357164DEST_PATH_IMAGE003
。
进一步的，所述舒适度目标函数值的计算式如下：
Figure 754647DEST_PATH_IMAGE026
上式中，T为调度时段，P_evsi,t为电动私家车群体t时段的充电功率，
Figure 814394DEST_PATH_IMAGE027
为 电动私家车群体t时段的最大充电功率，
Figure 955526DEST_PATH_IMAGE006
为电动私家车群体t时段的最小充电功率， P_evchu,t为电动出租车群体t时段的充电功率，
Figure 515820DEST_PATH_IMAGE007
为电动出租车群体t时段的最大 充电功率，
Figure 349784DEST_PATH_IMAGE008
为电动出租车群体t时段的最小充电功率，P_evgong,t为电动公交车群 体t时段的充电功率，
Figure 362739DEST_PATH_IMAGE028
为电动公交车群体t时段的最大充电功率，
Figure 307561DEST_PATH_IMAGE010
为电 动公交车群体t时段的最小充电功率。
进一步的，所述经济性目标函数值的计算式如下：
Figure 722362DEST_PATH_IMAGE029
上式中，Cbuy_gird为电网购电成本，CV2G为参与电网调度所获收益。
进一步的，所述电网购电成本的计算式如下：
Figure 727227DEST_PATH_IMAGE030
所述参与电网调度所获收益的计算式如下：
Figure 840195DEST_PATH_IMAGE013
上式中，λt为t时段电价，P_evt为t时段充电站内电动汽车总充电负荷，rpro为电网对参充电站参与调度的单位电量补偿，Δt为单位时段。
进一步的，所述t时段充电站内电动汽车总充电负荷的计算式如下：
Figure 845499DEST_PATH_IMAGE014
。
进一步的，所述约束条件包括下述中的至少一种：功率平衡约束、电网联络线交互功率约束、变压器功率约束、电动汽车电量平衡和充电功率约束。
进一步的，所述电动汽车电量平衡和充电功率约束的数学模型如下：
Figure 442702DEST_PATH_IMAGE015
上式中，ηsi为电动私家车的充电效率，ηchu为电动出租车的充电效率，ηgong为电动 公交车的充电效率，Qn_si为第n_si辆电动私家车的电池容量，Qn_chu为第n_chu辆电动出租车 的电池容量，Qn_gong为第n_gong辆电动公交车的电池容量，SOCn_si(t)为第n_si辆电动私家 车t时段的荷电状态，SOCn_chu(t)为第n_chu辆电动出租车t时段的荷电状态，SOCn_sgong(t)为 第n_gong辆电动公交车t时段的荷电状态，P_evn_si,t为第n_si辆电动私家车t时段的充电功 率，
Figure 149627DEST_PATH_IMAGE016
为第n_si辆电动私家车t时段的最大充电功率，
Figure 465071DEST_PATH_IMAGE017
为第n_si辆 电动私家车t时段的最小充电功率，P_evn_chu,t为第n_chu辆电动出租车t时段的充电功率，
Figure 814013DEST_PATH_IMAGE018
为第n_chu辆电动出租车t时段的最大充电功率，
Figure 3073DEST_PATH_IMAGE019
为第n_chu辆 电动出租车t时段的最小充电功率，P_evn_gong,t为第n_gong辆电动公交车t时段的充电功率，
Figure 412058DEST_PATH_IMAGE020
为第n_gong辆电动公交车t时段的最大充电功率，
Figure 949218DEST_PATH_IMAGE021
为第n_ gong辆电动公交车t时段的最小充电功率。
优选的，所述控制模块具体用于：
若当前时段入网电动汽车群体总充电功率大于该时段电动汽车充电计划对应的充电功率，则入网电动汽车以充电桩限制的最大功率进行充电；
若当前时段入网电动汽车群体总充电功率小于该时段电动汽车充电计划对应的充电功率且大于充电状态为紧急充电状态的电动汽车群体总充电功率，则以充电桩限制的最大功率对充电状态为紧急充电状态的电动汽车进行充电，并将该时段电动汽车充电计划对应的充电功率与充电状态为紧急充电状态的电动汽车群体的总充电功率的功率差值分配给充电状态为非紧急充电状态的电动汽车群体，充电状态为非紧急充电状态的电动汽车群体按照该时段电动汽车充电计划进行充电；
若当前时段入网电动汽车群体总充电功率小于充电状态为紧急充电状态的电动汽车群体总充电功率，则以充电桩限制的最大功率对充电状态为紧急充电状态的电动汽车群体总充电功率进行充电。
优选的，所述电动汽车充电状态包括：紧急充电状态和非紧急充电状态，其中，当电动汽车满足紧急充电条件时，电动汽车充电状态为紧急充电状态，当电动汽车满足非紧急充电条件时，电动汽车充电状态为非紧急充电状态。
进一步的，所述紧急充电条件的数学模型如下：
Figure 773955DEST_PATH_IMAGE022
所述非紧急充电条件的数学模型如下：
Figure 17854DEST_PATH_IMAGE023
上式中，Cn为第n辆电动汽车的电池容量，SOCn为第n辆电动汽车入网时电池状态，Pmax,n为第n辆电动汽车所允许的最大充电功率，ηn为第n辆电动汽车的充电效率,t_leaven为第n辆电动汽车的离网时段，t为当前时段。
进一步的，所述第n辆电动汽车的离网时段的计算式如下：
Figure 272774DEST_PATH_IMAGE024
上式中，t_leaveset为用户设置的离开时间，α为充电守时度。
进一步的，所述充电守时度的计算式如下：
Figure 297230DEST_PATH_IMAGE025
上式中，I为当月天数，t_leavereal(i)为第i天用户实际离开时间，t_leaveset(i)为第i天用户设置的离开时间。
第三方面，提供一种计算机设备，包括：一个或多个处理器；
所述处理器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，实现所述的电动汽车多目标分群分级优化调度方法。
第四方面，提供一种计算机可读存储介质，其上存有计算机程序，所述计算机程序被执行时，实现所述的电动汽车多目标分群分级优化调度方法。
本发明上述一个或多个技术方案，至少具有如下一种或多种有益效果：
本发明提供了一种电动汽车多目标分群分级优化调度方法及装置，包括：求解预先构建的决策者满意度模型，得到电动汽车充电功率结果；基于所述电动汽车充电功率结果，得到电动汽车充电计划；基于所述电动汽车充电计划和电动汽车充电状态控制电动汽车进行充电。本发明提供的决策者满意度模型以电动出租车、电动私家车和电动公共汽车三类典型电动汽车群体为优化调度主体，并且在实时阶段对三种典型电动汽车进行调度有效解决现有调度方法较少考虑多类型电动汽车产生的局限性问题。进一步的，采用本发明提供的决策者满意度模型，还解决了现有方案使用优化模型求解实时调度方案带来的实时性较差的问题。在调度过程中，本发明提供的决策者满意度模型中还考虑了电动汽车充电状态，并采用用户守时度对其设置的离网时间进一步修正，能够提高实时调度精度，解决现有方案未考虑用户离网时间灵活性带来的调度精度不足问题。
附图说明
图1是本发明实施例的电动汽车多目标分群分级优化调度方法的主要步骤流程示意图；
图2是本发明实施例的电动汽车多目标分群分级优化调度装置的主要结构框图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步的详细说明。
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
实施例1
如背景技术中所公开的，目前，现有技术中还存在如下问题：1.对电动汽车的有序调度方法较少考虑到不同服务类型电动汽车间的差异导致其方法具有局限性。2.对电动汽车实时调度方法大多采用优化模型求解，其实时性较差。3.未考虑到电动汽车用户离网时间灵活性，其实时调度精度不足。
为了改善上述问题，本发明提供的电动汽车多目标分群分级优化调度方法主体流程分为日前优化调度和实时优化调度两个部分，首先分析电动私家车、电动出租车和电动公交车群体的可调度潜力，其次通过求解日前多目标优化调度模型获得满足电动汽车用户舒适度和充电站运行经济性的充电指导功率，然后，实时阶段通过充电负荷大数据获得电动私家车和电动出租车类用户的充电守时度对其设置的离网时间更新，进而对入网电动汽车辆进行充电等级设置，最后基于充电指导功率针对入网电动汽车群体内的每辆电动汽车按充电等级进行充电安排。下面对上述方案进行详细阐述。
具体的，参阅附图1，图1是本发明的一个实施例的电动汽车多目标分群分级优化调度方法的主要步骤流程示意图。如图1所示，本发明实施例中的电动汽车多目标分群分级优化调度方法主要包括以下步骤：
步骤S101：求解预先构建的决策者满意度模型，得到电动汽车充电功率结果；
步骤S102：基于所述电动汽车充电功率结果，得到电动汽车充电计划；
步骤S103：基于所述电动汽车充电计划和电动汽车充电状态控制电动汽车进行充电。
本发明提供的实施方式中，在步骤S101之前可以基于电动私家车、电动出租车和电动公交车的充电行为规律采用蒙特卡洛方法获得三种类型电动汽车群体的可调度潜力，充电行为规律主要涵盖电动汽车初始SOC，电动汽车入网时间与离网时间规律；
本实施例中，所述预先构建的决策者满意度模型包括：以经济性目标隶属度和舒适度目标隶属度最小值为目标构建的目标函数模型和为电动汽车多目标分群分级优化调度配置的约束条件。
在一个实施方式中，所述目标函数模型的计算式如下：
Figure 456816DEST_PATH_IMAGE001
上式中，λ为目标函数值，μ（f D ）为舒适度目标隶属度，μ（f G ）为经济性目标隶属度，f D 为舒适度目标函数值，f G 为经济性目标函数值，f 1 为舒适度目标函数最优值，f 2 为经济性目标函数最优值，δ1为舒适度目标函数最优值所能容忍最大增加值，δ2为经济性目标函数最优值所能容忍最大增加值。
在一个实施方式中，对电动汽车用户舒适度单目标优化模型和充电站运行经济性单目标优化模型求解获得最佳目标值，并依据决策者对舒适度和经济性的容忍程度对最佳目标值进行伸缩处理，进而构建舒适度和经济性目标的隶属度函数，所述舒适度目标隶属度的计算式如下：
Figure 148698DEST_PATH_IMAGE002
所述经济性目标隶属度的计算式如下：
Figure 371256DEST_PATH_IMAGE003
。
在一个实施方式中，所述舒适度目标函数值的计算式如下：
Figure 945326DEST_PATH_IMAGE004
上式中，T为调度时段，P_evsi,t为电动私家车群体t时段的充电功率，
Figure 439761DEST_PATH_IMAGE005
为 电动私家车群体t时段的最大充电功率，
Figure 189411DEST_PATH_IMAGE006
为电动私家车群体t时段的最小充电功率， P_evchu,t为电动出租车群体t时段的充电功率，
Figure 329010DEST_PATH_IMAGE007
为电动出租车群体t时段的最大 充电功率，
Figure 796901DEST_PATH_IMAGE008
为电动出租车群体t时段的最小充电功率，P_evgong,t为电动公交车群 体t时段的充电功率，
Figure 32710DEST_PATH_IMAGE009
为电动公交车群体t时段的最大充电功率，
Figure 105708DEST_PATH_IMAGE010
为电 动公交车群体t时段的最小充电功率。
在一个实施方式中，所述经济性目标函数值的计算式如下：
Figure 135981DEST_PATH_IMAGE011
上式中，Cbuy_gird为电网购电成本，CV2G为参与电网调度所获收益。
在一个实施方式中，所述电网购电成本的计算式如下：
Figure 356747DEST_PATH_IMAGE012
所述参与电网调度所获收益的计算式如下：
Figure 130668DEST_PATH_IMAGE013
上式中，λt为t时段电价，P_evt为t时段充电站内电动汽车总充电负荷，rpro为电网对参充电站参与调度的单位电量补偿，Δt为单位时段。
在一个实施方式中，所述t时段充电站内电动汽车总充电负荷的计算式如下：
Figure 795523DEST_PATH_IMAGE014
。
在一个实施方式中，所述约束条件包括下述中的至少一种：功率平衡约束、电网联络线交互功率约束、变压器功率约束、电动汽车电量平衡和充电功率约束。
其中，所述电动汽车电量平衡和充电功率约束的数学模型如下：
Figure 324593DEST_PATH_IMAGE015
上式中，ηsi为电动私家车的充电效率，ηchu为电动出租车的充电效率，ηgong为电动 公交车的充电效率，Qn_si为第n_si辆电动私家车的电池容量，Qn_chu为第n_chu辆电动出租车 的电池容量，Qn_gong为第n_gong辆电动公交车的电池容量，SOCn_si(t)为第n_si辆电动私家 车t时段的荷电状态，SOCn_chu(t)为第n_chu辆电动出租车t时段的荷电状态，SOCn_sgong(t)为 第n_gong辆电动公交车t时段的荷电状态，P_evn_si,t为第n_si辆电动私家车t时段的充电功 率，
Figure 970338DEST_PATH_IMAGE016
为第n_si辆电动私家车t时段的最大充电功率，
Figure 547950DEST_PATH_IMAGE017
为第n_si辆 电动私家车t时段的最小充电功率，P_evn_chu,t为第n_chu辆电动出租车t时段的充电功率，
Figure 657858DEST_PATH_IMAGE018
为第n_chu辆电动出租车t时段的最大充电功率，
Figure 298442DEST_PATH_IMAGE019
为第n_chu辆 电动出租车t时段的最小充电功率，P_evn_gong,t为第n_gong辆电动公交车t时段的充电功率，
Figure 165904DEST_PATH_IMAGE020
为第n_gong辆电动公交车t时段的最大充电功率，
Figure 281627DEST_PATH_IMAGE021
为第n_ gong辆电动公交车t时段的最小充电功率。
所述功率平衡约束的数学模型如下：
Figure 449304DEST_PATH_IMAGE031
所述电网联络线交互功率约束的数学模型如下：
Figure 992280DEST_PATH_IMAGE032
所述变压器功率约束的数学模型如下：
Figure 347038DEST_PATH_IMAGE033
上式中，P_loadt为t时段常规负荷，P_girdt为t时段向电网购电功率，
Figure 266453DEST_PATH_IMAGE034
为 t时段向电网购电功率最小值，
Figure 226319DEST_PATH_IMAGE035
为t时段向电网购电功率最大值，
Figure 474285DEST_PATH_IMAGE036
为 充电站变压器功率最小值，
Figure 378656DEST_PATH_IMAGE037
为充电站变压器功率最大值。
本实施例中，充电等级设置和充电负荷安排两个部分，通过充电守时度对电动私家车和电动出租车类用户设置的离网时间进行更新，进而依据电动汽车实时信息设置充电等级，并根据日前充电站电动汽车群体调度计划安排当前时段群体内电动汽车充电方案，随电动汽车充电信息变化不断更新站内车辆的充电等级，最终获得一天所有时段的充电安排，所述基于所述电动汽车充电计划和电动汽车充电状态控制电动汽车进行充电，包括：
若当前时段入网电动汽车群体总充电功率大于该时段电动汽车充电计划对应的充电功率，则入网电动汽车以充电桩限制的最大功率进行充电；
若当前时段入网电动汽车群体总充电功率小于该时段电动汽车充电计划对应的充电功率且大于充电状态为紧急充电状态的电动汽车群体总充电功率，则以充电桩限制的最大功率对充电状态为紧急充电状态的电动汽车进行充电，并将该时段电动汽车充电计划对应的充电功率与充电状态为紧急充电状态的电动汽车群体的总充电功率的功率差值分配给充电状态为非紧急充电状态的电动汽车群体，充电状态为非紧急充电状态的电动汽车群体按照该时段电动汽车充电计划进行充电；
若当前时段入网电动汽车群体总充电功率小于充电状态为紧急充电状态的电动汽车群体总充电功率，则以充电桩限制的最大功率对充电状态为紧急充电状态的电动汽车群体总充电功率进行充电。
其中，所述电动汽车充电状态包括：紧急充电状态和非紧急充电状态，其中，当电动汽车满足紧急充电条件时，电动汽车充电状态为紧急充电状态，当电动汽车满足非紧急充电条件时，电动汽车充电状态为非紧急充电状态。
在一个实施方式中，充电桩限制的最大功率主要考虑到快慢充电桩的问题，考虑目前充电桩情况，电动公交车和出租车采用快充充电桩，充电桩限制的最大功率为120kw，私家车采用慢充充电桩，充电桩限制的最大功率为10kw。
在一个实施方式中，所述紧急充电条件的数学模型如下：
Figure 101761DEST_PATH_IMAGE022
所述非紧急充电条件的数学模型如下：
Figure 978450DEST_PATH_IMAGE038
上式中，Cn为第n辆电动汽车的电池容量，SOCn为第n辆电动汽车入网时电池状态，Pmax,n为第n辆电动汽车所允许的最大充电功率，ηn为第n辆电动汽车的充电效率,t_leaven为第n辆电动汽车的离网时段，t为当前时段。
进一步的，所述第n辆电动汽车的离网时段的计算式如下：
Figure 128809DEST_PATH_IMAGE024
上式中，t_leaveset为用户设置的离开时间，α为充电守时度。
进一步的，所述充电守时度的计算式如下：
Figure 723738DEST_PATH_IMAGE039
上式中，I为当月天数，t_leavereal(i)为第i天用户实际离开时间，t_leaveset(i)为第i天用户设置的离开时间。
本发明提供了一种电动汽车多目标分群分级优化调度方法及装置，包括：求解预先构建的决策者满意度模型，得到电动汽车充电功率结果；基于所述电动汽车充电功率结果，得到电动汽车充电计划；基于所述电动汽车充电计划和电动汽车充电状态控制电动汽车进行充电。本发明提供的决策者满意度模型以电动出租车、电动私家车和电动公共汽车三类典型电动汽车群体为优化调度主体，并且在实时阶段对三种典型电动汽车进行调度有效解决现有调度方法较少考虑多类型电动汽车产生的局限性问题。进一步的，采用本发明提供的决策者满意度模型，还解决了现有方案使用优化模型求解实时调度方案带来的实时性较差的问题。在调度过程中，本发明提供的决策者满意度模型中还考虑了电动汽车充电状态，并采用用户守时度对其设置的离网时间进一步修正，能够提高实时调度精度，解决现有方案未考虑用户离网时间灵活性带来的调度精度不足问题。
实施例2
基于同一发明构思，本发明还提供一种电动汽车多目标分群分级优化调度装置，如图2所示，所述电动汽车多目标分群分级优化调度装置包括：
分析模块，用于求解预先构建的决策者满意度模型，得到电动汽车充电功率结果；
计划模块，用于基于所述电动汽车充电功率结果，得到电动汽车充电计划；
控制模块，用于基于所述电动汽车充电计划和电动汽车充电状态控制电动汽车进行充电。
优选的，所述分析模块中预先构建的决策者满意度模型包括：以经济性目标隶属度和舒适度目标隶属度最小值为目标构建的目标函数模型和为电动汽车多目标分群分级优化调度配置的约束条件。
进一步的，所述目标函数模型的计算式如下：
Figure 250535DEST_PATH_IMAGE040
上式中，λ为目标函数值，μ（f D ）为舒适度目标隶属度，μ（f G ）为经济性目标隶属度，f D 为舒适度目标函数值，f G 为经济性目标函数值，f 1 为舒适度目标函数最优值，f 2 为经济性目标函数最优值，δ1为舒适度目标函数最优值所能容忍最大增加值，δ2为经济性目标函数最优值所能容忍最大增加值。
进一步的，所述舒适度目标隶属度的计算式如下：
Figure 707362DEST_PATH_IMAGE041
所述经济性目标隶属度的计算式如下：
Figure 231884DEST_PATH_IMAGE042
。
进一步的，所述舒适度目标函数值的计算式如下：
Figure 48530DEST_PATH_IMAGE043
上式中，T为调度时段，P_evsi,t为电动私家车群体t时段的充电功率，
Figure 847859DEST_PATH_IMAGE027
为 电动私家车群体t时段的最大充电功率，
Figure 699140DEST_PATH_IMAGE006
为电动私家车群体t时段的最小充电功率， P_evchu,t为电动出租车群体t时段的充电功率，
Figure 191302DEST_PATH_IMAGE007
为电动出租车群体t时段的最大 充电功率，
Figure 229665DEST_PATH_IMAGE008
为电动出租车群体t时段的最小充电功率，P_evgong,t为电动公交车群 体t时段的充电功率，
Figure 35947DEST_PATH_IMAGE028
为电动公交车群体t时段的最大充电功率，
Figure 741735DEST_PATH_IMAGE010
为电 动公交车群体t时段的最小充电功率。
进一步的，所述经济性目标函数值的计算式如下：
Figure 407727DEST_PATH_IMAGE044
上式中，Cbuy_gird为电网购电成本，CV2G为参与电网调度所获收益。
进一步的，所述电网购电成本的计算式如下：
Figure 261282DEST_PATH_IMAGE045
所述参与电网调度所获收益的计算式如下：
Figure 402414DEST_PATH_IMAGE046
上式中，λt为t时段电价，P_evt为t时段充电站内电动汽车总充电负荷，rpro为电网对参充电站参与调度的单位电量补偿，Δt为单位时段。
进一步的，所述t时段充电站内电动汽车总充电负荷的计算式如下：
Figure 165970DEST_PATH_IMAGE014
。
进一步的，所述约束条件包括下述中的至少一种：功率平衡约束、电网联络线交互功率约束、变压器功率约束、电动汽车电量平衡和充电功率约束。
进一步的，所述电动汽车电量平衡和充电功率约束的数学模型如下：
Figure 734355DEST_PATH_IMAGE047
上式中，ηsi为电动私家车的充电效率，ηchu为电动出租车的充电效率，ηgong为电动 公交车的充电效率，Qn_si为第n_si辆电动私家车的电池容量，Qn_chu为第n_chu辆电动出租车 的电池容量，Qn_gong为第n_gong辆电动公交车的电池容量，SOCn_si(t)为第n_si辆电动私家 车t时段的荷电状态，SOCn_chu(t)为第n_chu辆电动出租车t时段的荷电状态，SOCn_sgong(t)为 第n_gong辆电动公交车t时段的荷电状态，P_evn_si,t为第n_si辆电动私家车t时段的充电功 率，
Figure 278469DEST_PATH_IMAGE016
为第n_si辆电动私家车t时段的最大充电功率，
Figure 223291DEST_PATH_IMAGE017
为第n_si辆 电动私家车t时段的最小充电功率，P_evn_chu,t为第n_chu辆电动出租车t时段的充电功率，
Figure 841354DEST_PATH_IMAGE048
为第n_chu辆电动出租车t时段的最大充电功率，
Figure 645887DEST_PATH_IMAGE049
为第n_chu辆 电动出租车t时段的最小充电功率，P_evn_gong,t为第n_gong辆电动公交车t时段的充电功率，
Figure 677296DEST_PATH_IMAGE050
为第n_gong辆电动公交车t时段的最大充电功率，
Figure 160230DEST_PATH_IMAGE021
为第n_ gong辆电动公交车t时段的最小充电功率。
优选的，所述控制模块具体用于：
若当前时段入网电动汽车群体总充电功率大于该时段电动汽车充电计划对应的充电功率，则入网电动汽车以充电桩限制的最大功率进行充电；
若当前时段入网电动汽车群体总充电功率小于该时段电动汽车充电计划对应的充电功率且大于充电状态为紧急充电状态的电动汽车群体总充电功率，则以充电桩限制的最大功率对充电状态为紧急充电状态的电动汽车进行充电，并将该时段电动汽车充电计划对应的充电功率与充电状态为紧急充电状态的电动汽车群体的总充电功率的功率差值分配给充电状态为非紧急充电状态的电动汽车群体，充电状态为非紧急充电状态的电动汽车群体按照该时段电动汽车充电计划进行充电；
若当前时段入网电动汽车群体总充电功率小于充电状态为紧急充电状态的电动汽车群体总充电功率，则以充电桩限制的最大功率对充电状态为紧急充电状态的电动汽车群体总充电功率进行充电。
优选的，所述电动汽车充电状态包括：紧急充电状态和非紧急充电状态，其中，当电动汽车满足紧急充电条件时，电动汽车充电状态为紧急充电状态，当电动汽车满足非紧急充电条件时，电动汽车充电状态为非紧急充电状态。
进一步的，所述紧急充电条件的数学模型如下：
Figure 898379DEST_PATH_IMAGE051
所述非紧急充电条件的数学模型如下：
Figure 808566DEST_PATH_IMAGE052
上式中，Cn为第n辆电动汽车的电池容量，SOCn为第n辆电动汽车入网时电池状态，Pmax,n为第n辆电动汽车所允许的最大充电功率，ηn为第n辆电动汽车的充电效率,t_leaven为第n辆电动汽车的离网时段，t为当前时段。
进一步的，所述第n辆电动汽车的离网时段的计算式如下：
Figure 124010DEST_PATH_IMAGE024
上式中，t_leaveset为用户设置的离开时间，α为充电守时度。
进一步的，所述充电守时度的计算式如下：
Figure 613897DEST_PATH_IMAGE025
上式中，I为当月天数，t_leavereal(i)为第i天用户实际离开时间，t_leaveset(i)为第i天用户设置的离开时间。
实施例3
基于同一种发明构思，本发明还提供了一种计算机设备，该计算机设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(CentralProcessing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor、DSP)、专用集成电路(Application SpecificIntegrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行计算机存储介质内一条或一条以上指令从而实现相应方法流程或相应功能，以实现上述实施例中一种电动汽车多目标分群分级优化调度方法的步骤。
实施例4
基于同一种发明构思，本发明还提供了一种存储介质，具体为计算机可读存储介质（Memory），所述计算机可读存储介质是计算机设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括计算机设备中的内置存储介质，当然也可以包括计算机设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序（包括程序代码）。需要说明的是，此处的计算机可读存储介质可以是高速RAM 存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中一种电动汽车多目标分群分级优化调度方法的步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (24)

1.一种电动汽车多目标分群分级优化调度方法，其特征在于，所述方法包括：
求解预先构建的决策者满意度模型，得到电动汽车充电功率结果；
基于所述电动汽车充电功率结果，得到电动汽车充电计划；
基于所述电动汽车充电计划和电动汽车充电状态控制电动汽车进行充电；
所述电动汽车充电状态包括：紧急充电状态和非紧急充电状态，其中，当电动汽车满足紧急充电条件时，电动汽车充电状态为紧急充电状态，当电动汽车满足非紧急充电条件时，电动汽车充电状态为非紧急充电状态；
所述紧急充电条件的数学模型如下：
Figure 971870DEST_PATH_IMAGE001
所述非紧急充电条件的数学模型如下：
Figure 285040DEST_PATH_IMAGE002
上式中，Cn为第n辆电动汽车的电池容量，SOCn为第n辆电动汽车入网时电池状态，Pmax,n为第n辆电动汽车所允许的最大充电功率，ηn为第n辆电动汽车的充电效率,t_leaven为第n辆电动汽车的离网时段，t为当前时段；
所述第n辆电动汽车的离网时段的计算式如下：
Figure 657115DEST_PATH_IMAGE003
上式中，t_leaveset为用户设置的离开时间，α为充电守时度；
所述充电守时度的计算式如下：
Figure 790156DEST_PATH_IMAGE004
上式中，I为当月天数，t_leavereal(i)为第i天用户实际离开时间，t_leaveset(i)为第i天用户设置的离开时间。
2.如权利要求1所述的方法，其特征在于，所述预先构建的决策者满意度模型包括：以经济性目标隶属度和舒适度目标隶属度最小值为目标构建的目标函数模型和为电动汽车多目标分群分级优化调度配置的约束条件。
3.如权利要求2所述的方法，其特征在于，所述目标函数模型的计算式如下：
Figure 407345DEST_PATH_IMAGE005
上式中，λ为目标函数值，μ（f D ）为舒适度目标隶属度，μ（f G ）为经济性目标隶属度，f D 为舒适度目标函数值，f G 为经济性目标函数值，f 1 为舒适度目标函数最优值，f 2 为经济性目标函数最优值，δ1为舒适度目标函数最优值所能容忍最大增加值，δ2为经济性目标函数最优值所能容忍最大增加值。
4.如权利要求3所述的方法，其特征在于，所述舒适度目标隶属度的计算式如下：
Figure 309442DEST_PATH_IMAGE006
所述经济性目标隶属度的计算式如下：
Figure 852418DEST_PATH_IMAGE007
。
5.如权利要求4所述的方法，其特征在于，所述舒适度目标函数值的计算式如下：
Figure 348122DEST_PATH_IMAGE008
上式中，T为调度时段，P_evsi,t为电动私家车群体t时段的充电功率，
Figure 267536DEST_PATH_IMAGE009
为电动 私家车群体t时段的最大充电功率，
Figure 522675DEST_PATH_IMAGE010
为电动私家车群体t时段的最小充电功率，P_ evchu,t为电动出租车群体t时段的充电功率，
Figure 236553DEST_PATH_IMAGE011
为电动出租车群体t时段的最大充 电功率，
Figure 609765DEST_PATH_IMAGE012
为电动出租车群体t时段的最小充电功率，P_evgong,t为电动公交车群体 t时段的充电功率，
Figure 67291DEST_PATH_IMAGE013
为电动公交车群体t时段的最大充电功率，
Figure 445445DEST_PATH_IMAGE014
为电动 公交车群体t时段的最小充电功率。
6.如权利要求5所述的方法，其特征在于，所述经济性目标函数值的计算式如下：
Figure 595804DEST_PATH_IMAGE015
上式中，Cbuy_gird为电网购电成本，CV2G为参与电网调度所获收益。
7.如权利要求6所述的方法，其特征在于，所述电网购电成本的计算式如下：
Figure 925154DEST_PATH_IMAGE016
所述参与电网调度所获收益的计算式如下：
Figure 451951DEST_PATH_IMAGE017
上式中，λt为t时段电价，P_evt为t时段充电站内电动汽车总充电负荷，rpro为电网对参充电站参与调度的单位电量补偿，Δt为单位时段。
8.如权利要求7所述的方法，其特征在于，所述t时段充电站内电动汽车总充电负荷的计算式如下：
Figure 421961DEST_PATH_IMAGE018
。
9.如权利要求2所述的方法，其特征在于，所述约束条件包括下述中的至少一种：功率平衡约束、电网联络线交互功率约束、变压器功率约束、电动汽车电量平衡和充电功率约束。
10.如权利要求9所述的方法，其特征在于，所述电动汽车电量平衡和充电功率约束的数学模型如下：
Figure 884167DEST_PATH_IMAGE019
上式中，ηsi为电动私家车的充电效率，ηchu为电动出租车的充电效率，ηgong为电动公交 车的充电效率，Qn_si为第n_si辆电动私家车的电池容量，Qn_chu为第n_chu辆电动出租车的电 池容量，Qn_gong为第n_gong辆电动公交车的电池容量，SOCn_si(t)为第n_si辆电动私家车t时 段的荷电状态，SOCn_chu(t)为第n_chu辆电动出租车t时段的荷电状态，SOCn_sgong(t)为第n_ gong辆电动公交车t时段的荷电状态，P_evn_si,t为第n_si辆电动私家车t时段的充电功率，
Figure 700813DEST_PATH_IMAGE020
为第n_si辆电动私家车t时段的最大充电功率，
Figure 500142DEST_PATH_IMAGE021
为第n_si辆电动 私家车t时段的最小充电功率，P_evn_chu,t为第n_chu辆电动出租车t时段的充电功率，
Figure 85844DEST_PATH_IMAGE022
为第n_chu辆电动出租车t时段的最大充电功率，
Figure 79470DEST_PATH_IMAGE023
为第n_chu辆 电动出租车t时段的最小充电功率，P_evn_gong,t为第n_gong辆电动公交车t时段的充电功率，
Figure 117833DEST_PATH_IMAGE024
为第n_gong辆电动公交车t时段的最大充电功率，
Figure 720853DEST_PATH_IMAGE025
为第n_ gong辆电动公交车t时段的最小充电功率。
11.如权利要求1所述的方法，其特征在于，所述基于所述电动汽车充电计划和电动汽车充电状态控制电动汽车进行充电，包括：
若当前时段入网电动汽车群体总充电功率大于该时段电动汽车充电计划对应的充电功率，则入网电动汽车以充电桩限制的最大功率进行充电；
若当前时段入网电动汽车群体总充电功率小于该时段电动汽车充电计划对应的充电功率且大于充电状态为紧急充电状态的电动汽车群体总充电功率，则以充电桩限制的最大功率对充电状态为紧急充电状态的电动汽车进行充电，并将该时段电动汽车充电计划对应的充电功率与充电状态为紧急充电状态的电动汽车群体的总充电功率的功率差值分配给充电状态为非紧急充电状态的电动汽车群体，充电状态为非紧急充电状态的电动汽车群体按照该时段电动汽车充电计划进行充电；
若当前时段入网电动汽车群体总充电功率小于充电状态为紧急充电状态的电动汽车群体总充电功率，则以充电桩限制的最大功率对充电状态为紧急充电状态的电动汽车群体总充电功率进行充电。
12.一种电动汽车多目标分群分级优化调度装置，其特征在于，所述装置包括：
分析模块，用于求解预先构建的决策者满意度模型，得到电动汽车充电功率结果；
计划模块，用于基于所述电动汽车充电功率结果，得到电动汽车充电计划；
控制模块，用于基于所述电动汽车充电计划和电动汽车充电状态控制电动汽车进行充电；
所述电动汽车充电状态包括：紧急充电状态和非紧急充电状态，其中，当电动汽车满足紧急充电条件时，电动汽车充电状态为紧急充电状态，当电动汽车满足非紧急充电条件时，电动汽车充电状态为非紧急充电状态；
所述紧急充电条件的数学模型如下：
Figure 692220DEST_PATH_IMAGE001
所述非紧急充电条件的数学模型如下：
Figure 588238DEST_PATH_IMAGE002
上式中，Cn为第n辆电动汽车的电池容量，SOCn为第n辆电动汽车入网时电池状态，Pmax,n为第n辆电动汽车所允许的最大充电功率，ηn为第n辆电动汽车的充电效率,t_leaven为第n辆电动汽车的离网时段，t为当前时段；
所述第n辆电动汽车的离网时段的计算式如下：
Figure 379477DEST_PATH_IMAGE003
上式中，t_leaveset为用户设置的离开时间，α为充电守时度；
所述充电守时度的计算式如下：
Figure 786187DEST_PATH_IMAGE004
上式中，I为当月天数，t_leavereal(i)为第i天用户实际离开时间，t_leaveset(i)为第i天用户设置的离开时间。
13.如权利要求12所述的装置，其特征在于，所述分析模块中预先构建的决策者满意度模型包括：以经济性目标隶属度和舒适度目标隶属度最小值为目标构建的目标函数模型和为电动汽车多目标分群分级优化调度配置的约束条件。
14.如权利要求13所述的装置，其特征在于，所述目标函数模型的计算式如下：
Figure 346482DEST_PATH_IMAGE005
上式中，λ为目标函数值，μ（f D ）为舒适度目标隶属度，μ（f G ）为经济性目标隶属度，f D 为舒适度目标函数值，f G 为经济性目标函数值，f 1 为舒适度目标函数最优值，f 2 为经济性目标函数最优值，δ1为舒适度目标函数最优值所能容忍最大增加值，δ2为经济性目标函数最优值所能容忍最大增加值。
15.如权利要求14所述的装置，其特征在于，所述舒适度目标隶属度的计算式如下：
Figure 416331DEST_PATH_IMAGE006
所述经济性目标隶属度的计算式如下：
Figure 694866DEST_PATH_IMAGE007
。
16.如权利要求15所述的装置，其特征在于，所述舒适度目标函数值的计算式如下：
Figure 905267DEST_PATH_IMAGE026
上式中，T为调度时段，P_evsi,t为电动私家车群体t时段的充电功率，
Figure 54489DEST_PATH_IMAGE027
为电动 私家车群体t时段的最大充电功率，
Figure 575467DEST_PATH_IMAGE010
为电动私家车群体t时段的最小充电功率，P_ evchu,t为电动出租车群体t时段的充电功率，
Figure 341298DEST_PATH_IMAGE011
为电动出租车群体t时段的最大充 电功率，
Figure 824232DEST_PATH_IMAGE012
为电动出租车群体t时段的最小充电功率，P_evgong,t为电动公交车群体 t时段的充电功率，
Figure 359118DEST_PATH_IMAGE028
为电动公交车群体t时段的最大充电功率，
Figure 770770DEST_PATH_IMAGE014
为电动 公交车群体t时段的最小充电功率。
17.如权利要求16所述的装置，其特征在于，所述经济性目标函数值的计算式如下：
Figure 758318DEST_PATH_IMAGE029
上式中，Cbuy_gird为电网购电成本，CV2G为参与电网调度所获收益。
18.如权利要求17所述的装置，其特征在于，所述电网购电成本的计算式如下：
Figure 44943DEST_PATH_IMAGE030
所述参与电网调度所获收益的计算式如下：
Figure 575281DEST_PATH_IMAGE017
上式中，λt为t时段电价，P_evt为t时段充电站内电动汽车总充电负荷，rpro为电网对参充电站参与调度的单位电量补偿，Δt为单位时段。
19.如权利要求18所述的装置，其特征在于，所述t时段充电站内电动汽车总充电负荷的计算式如下：
Figure 921949DEST_PATH_IMAGE018
。
20.如权利要求13所述的装置，其特征在于，所述约束条件包括下述中的至少一种：功率平衡约束、电网联络线交互功率约束、变压器功率约束、电动汽车电量平衡和充电功率约束。
21.如权利要求20所述的装置，其特征在于，所述电动汽车电量平衡和充电功率约束的数学模型如下：
Figure 895328DEST_PATH_IMAGE019
上式中，ηsi为电动私家车的充电效率，ηchu为电动出租车的充电效率，ηgong为电动公交 车的充电效率，Qn_si为第n_si辆电动私家车的电池容量，Qn_chu为第n_chu辆电动出租车的电 池容量，Qn_gong为第n_gong辆电动公交车的电池容量，SOCn_si(t)为第n_si辆电动私家车t时 段的荷电状态，SOCn_chu(t)为第n_chu辆电动出租车t时段的荷电状态，SOCn_sgong(t)为第n_ gong辆电动公交车t时段的荷电状态，P_evn_si,t为第n_si辆电动私家车t时段的充电功率，
Figure 985644DEST_PATH_IMAGE020
为第n_si辆电动私家车t时段的最大充电功率，
Figure 229543DEST_PATH_IMAGE021
为第n_si辆电动 私家车t时段的最小充电功率，P_evn_chu,t为第n_chu辆电动出租车t时段的充电功率，
Figure 747112DEST_PATH_IMAGE022
为第n_chu辆电动出租车t时段的最大充电功率，
Figure 945138DEST_PATH_IMAGE023
为第n_chu辆 电动出租车t时段的最小充电功率，P_evn_gong,t为第n_gong辆电动公交车t时段的充电功率，
Figure 573565DEST_PATH_IMAGE024
为第n_gong辆电动公交车t时段的最大充电功率，
Figure 671971DEST_PATH_IMAGE025
为第n_ gong辆电动公交车t时段的最小充电功率。
22.如权利要求12所述的装置，其特征在于，所述控制模块具体用于：
若当前时段入网电动汽车群体总充电功率大于该时段电动汽车充电计划对应的充电功率，则入网电动汽车以充电桩限制的最大功率进行充电；
若当前时段入网电动汽车群体总充电功率小于该时段电动汽车充电计划对应的充电功率且大于充电状态为紧急充电状态的电动汽车群体总充电功率，则以充电桩限制的最大功率对充电状态为紧急充电状态的电动汽车进行充电，并将该时段电动汽车充电计划对应的充电功率与充电状态为紧急充电状态的电动汽车群体的总充电功率的功率差值分配给充电状态为非紧急充电状态的电动汽车群体，充电状态为非紧急充电状态的电动汽车群体按照该时段电动汽车充电计划进行充电；
若当前时段入网电动汽车群体总充电功率小于充电状态为紧急充电状态的电动汽车群体总充电功率，则充电桩限制的最大功率对充电状态为紧急充电状态的电动汽车群体总充电功率进行充电。
23.一种计算机设备，其特征在于，包括：一个或多个处理器；
所述处理器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，实现如权利要求1至11中任意一项所述的电动汽车多目标分群分级优化调度方法。
24.一种计算机可读存储介质，其特征在于，其上存有计算机程序，所述计算机程序被执行时，实现如权利要求1至11中任意一项所述的电动汽车多目标分群分级优化调度方法。
CN202210738011.4A 2022-06-28 2022-06-28 一种电动汽车多目标分群分级优化调度方法及装置 Active CN114825409B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210738011.4A CN114825409B (zh) 2022-06-28 2022-06-28 一种电动汽车多目标分群分级优化调度方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210738011.4A CN114825409B (zh) 2022-06-28 2022-06-28 一种电动汽车多目标分群分级优化调度方法及装置

Publications (2)

Publication Number Publication Date
CN114825409A CN114825409A (zh) 2022-07-29
CN114825409B true CN114825409B (zh) 2022-09-13

Family

ID=82523013

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210738011.4A Active CN114825409B (zh) 2022-06-28 2022-06-28 一种电动汽车多目标分群分级优化调度方法及装置

Country Status (1)

Country Link
CN (1) CN114825409B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115864480B (zh) * 2023-03-02 2023-06-02 国网湖北省电力有限公司营销服务中心(计量中心) 基于大规模电动汽车分布式充放电功率跟踪集群调度方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108090277A (zh) * 2017-12-15 2018-05-29 燕山大学 一种考虑满意度和调度能力的电动汽车微网双层优化调度方法
CN108229733A (zh) * 2017-12-21 2018-06-29 中南大学 一种考虑用户满意度评价的电动汽车充电调度方法
TWI763008B (zh) * 2020-08-21 2022-05-01 拓連科技股份有限公司 電動巴士之充電排程系統及方法
CN114039370B (zh) * 2021-06-22 2023-10-13 中国科学院广州能源研究所 基于v2g模式的电动汽车与智能充放电站的资源优化方法

Also Published As

Publication number Publication date
CN114825409A (zh) 2022-07-29

Similar Documents

Publication Publication Date Title
Cao et al. Optimal scheduling of electric vehicles aggregator under market price uncertainty using robust optimization technique
Koufakis et al. Offline and online electric vehicle charging scheduling with V2V energy transfer
CN103241130B (zh) 一种电动公交车充换电站的能量管理方法及系统
Nguyen et al. Optimal coordination of G2V and V2G to support power grids with high penetration of renewable energy
Akhavan-Rezai et al. Online intelligent demand management of plug-in electric vehicles in future smart parking lots
García-Villalobos et al. Plug-in electric vehicles in electric distribution networks: A review of smart charging approaches
Han et al. Ordered charge control considering the uncertainty of charging load of electric vehicles based on Markov chain
Humayd et al. Distribution system planning to accommodate distributed energy resources and PEVs
CN110739696B (zh) 智能配网环境中需求侧资源与可再生能源的集成调度方法
CN105046371A (zh) 一种基于需求侧竞价的电动汽车充放电调度方法
Aljafari et al. Electric vehicle optimum charging-discharging scheduling with dynamic pricing employing multi agent deep neural network
CN112101637B (zh) 基于分时电价和能耗控制的动态充电优化方法及其应用
CN112488444A (zh) 电动汽车快慢同步有序充电调度方法以及电量结算方法
CN109149589B (zh) 一种基于多代理机制的柔性负荷管理方法和系统
CN112467767B (zh) 综合能源系统环境下的电动汽车并网协同控制方法
Esmailirad et al. An extended m/m/k/k queueing model to analyze the profit of a multiservice electric vehicle charging station
CN114825409B (zh) 一种电动汽车多目标分群分级优化调度方法及装置
Gao et al. Combined provision of economic dispatch and frequency regulation by aggregated EVs considering electricity market interaction
CN111313449B (zh) 一种基于机器学习的集群电动汽车功率优化管理方法
CN112418734A (zh) 一种电动汽车充电负荷分配方法
CN113799640A (zh) 适用于含电动汽车充电桩微电网的能量管理方法
Meikandasivam Optimal distribution of plug-in-electric vehicle’s storage capacity using water filling algorithm for load flattening and vehicle prioritization using ANFIS
Wu et al. On optimal charging scheduling for electric vehicles with wind power generation
CN116402223A (zh) 一种配电网协同调度方法、系统及设备
Pan et al. Research on cooperation between wind farm and electric vehicle aggregator based on A3C algorithm

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