CN114919433A - 电动汽车集群充放电控制方法、系统及相关设备 - Google Patents
电动汽车集群充放电控制方法、系统及相关设备 Download PDFInfo
- Publication number
- CN114919433A CN114919433A CN202210587210.XA CN202210587210A CN114919433A CN 114919433 A CN114919433 A CN 114919433A CN 202210587210 A CN202210587210 A CN 202210587210A CN 114919433 A CN114919433 A CN 114919433A
- Authority
- CN
- China
- Prior art keywords
- power consumption
- electric vehicle
- target
- cluster
- charging
- 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.)
- Granted
Links
- 238000007599 discharging Methods 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000010248 power generation Methods 0.000 claims abstract description 102
- 238000011217 control strategy Methods 0.000 claims abstract description 33
- 238000005457 optimization Methods 0.000 claims abstract description 22
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 18
- 239000002245 particle Substances 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims description 35
- 238000012360 testing method Methods 0.000 claims description 32
- 230000006870 function Effects 0.000 claims description 19
- 238000005286 illumination Methods 0.000 claims description 14
- 230000009286 beneficial effect Effects 0.000 abstract 1
- 230000005611 electricity Effects 0.000 description 14
- 230000008569 process Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 230000002349 favourable effect Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 239000003990 capacitor Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003912 environmental pollution Methods 0.000 description 2
- 239000002803 fossil fuel Substances 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006872 improvement Effects 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
- 238000012545 processing Methods 0.000 description 1
- 230000009326 social learning Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/7072—Electromobility specific charging systems or methods for batteries, ultracapacitors, supercapacitors or double-layer capacitors
-
- 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
- Y04S30/00—Systems supporting specific end-user applications in the sector of transportation
- Y04S30/10—Systems supporting the interoperability of electric or hybrid vehicles
- Y04S30/12—Remote or cooperative charging
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Power Engineering (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明公开了一种电动汽车集群充放电控制方法、系统及相关设备,方法包括:获取当前目标时间段内可再生能源的目标发电量;获取当前目标时间段对应的时段标签和电动汽车集群中各电动汽车的耗电历史数据,将时段标签和耗电历史数据输入预先训练好的Transformer模型,获取各电动汽车在当前目标时间段对应的耗电预测数据,并获得电动汽车集群在当前目标时间段内的预测总体耗电量;构建综合控制目标和控制约束条件,根据综合控制目标和控制约束条件,通过预设的粒子群算法进行优化求解并获得各电动汽车的充放电控制策略;根据充放电控制策略对电动汽车集群中的各电动汽车进行控制。本发明方案有利于对电动汽车进行更好的充放电控制。
Description
技术领域
本发明涉及电动汽车充放电调度技术领域,尤其涉及的是一种电动汽车集群充放电控制方法、系统及相关设备。
背景技术
随着科学技术的发展,电动汽车的使用越来越广泛。一方面,电动汽车可以作为传统化石燃料汽车的替代品,另一方面,电动汽车可以使用可再生能源所发的电进行充电,有利于减少环境污染。
现有技术中,对于电动汽车缺乏合理的充放电控制,电动汽车的充放电是随意的。现有技术的问题在于,电动汽车的充放电过程缺乏合理的安排和调控,给电网带来的波动大,并且不能充分利用可再生能源所发的电,不利于提高可再生能源的利用率。
因此,现有技术还有待改进和发展。
发明内容
本发明的主要目的在于提供一种电动汽车集群充放电控制方法、系统及相关设备,旨在解决现有技术中电动汽车的充放电过程缺乏合理的安排和调控的问题。
为了实现上述目的,本发明第一方面提供一种电动汽车集群充放电控制方法,其中,上述电动汽车集群充放电控制方法包括:
获取当前目标时间段内可再生能源的目标发电量;
获取上述当前目标时间段对应的时段标签和电动汽车集群中各电动汽车的耗电历史数据,将上述时段标签和上述耗电历史数据输入预先训练好的Transformer模型,通过上述预先训练好的Transformer模型获取各上述电动汽车在上述当前目标时间段对应的耗电预测数据,并获得上述电动汽车集群在上述当前目标时间段内的预测总体耗电量,其中,上述电动汽车的耗电历史数据包括该电动汽车在前一目标时间段内每一个历史时间分段的实际耗电量,上述电动汽车的耗电预测数据包括该电动汽车在上述当前目标时间段内每一个预测时间分段的预测耗电量;
构建综合控制目标和控制约束条件,根据上述综合控制目标和上述控制约束条件,通过预设的粒子群算法进行优化求解并获得各上述电动汽车的充放电控制策略,其中,上述综合控制目标包括目标充电方差最小、目标放电方差最小和消纳电量最大,上述目标充电方差是上述电动汽车集群在上述当前目标时间段内的充电量的方差,上述目标放电方差是上述电动汽车集群在上述当前目标时间段内的放电量的方差,上述消纳电量是上述电动汽车集群在上述当前目标时间段内的规划总体充电量,上述控制约束条件包括集群充电量范围约束和集群放电量范围约束,上述集群充电量范围约束用于限制上述消纳电量不小于上述目标发电量,上述集群放电量范围约束用于限制上述电动汽车集群在上述当前目标时间段内的规划总体放电量不小于上述预测总体耗电量;
根据上述充放电控制策略对上述电动汽车集群中的各上述电动汽车进行控制。
可选的,上述可再生能源包括预设的目标区域内的风能和太阳能,上述获取当前目标时间段内可再生能源的目标发电量,包括:
获取上述当前目标时间段内的环境预测信息,其中,上述环境预测信息包括风力强度、风向、光照强度和光照时间;
根据上述环境预测信息获取上述目标发电量。
可选的,上述根据上述环境预测信息获取上述目标发电量,包括:
将上述环境预测信息输入预先训练好的发电量预测模型,将上述训练好的发电量预测模型输出的预测发电量作为上述当前目标时间段内的目标发电量。
可选的,上述发电量预测模型根据如下步骤进行预先训练:
获取预先采集的多个真实发电数据,其中,一个上述真实发电数据包括一个发电时间段内的实际环境信息和该发电时间段内的实际发电量,上述实际环境信息包括风力强度、风向、光照强度和光照时间;
对上述真实发电数据划分获得训练发电数据集和测试发电数据集;
根据上述训练发电数据集对上述发电量预测模型进行训练,并通过上述测试发电数据集对训练的发电量预测模型进行测试,直到获得训练好的发电量预测模型,其中,将上述测试发电数据集中的任意一个实际环境信息作为上述训练好的发电量预测模型的输入数据时,上述训练好的发电量预测模型输出的预测发电量与该实际环境信息对应的实际发电量之间的损失值不大于预设的发电预测损失阈值。
可选的,上述时段标签是预先设置的标签数据中的任意一种,上述标签数据包括工作日、周末和特殊节假日,上述Transformer模型根据如下步骤进行预先训练:
获取预先采集的多个真实耗电数据,其中,一个上述真实耗电数据包括一个耗电时间段对应的时段标签、真实耗电量标签和耗电历史采集数据,上述真实耗电量标签包括各上述电动汽车在上述耗电时间段的每一个耗电时间分段内的实际耗电量,上述耗电历史采集数据包括各上述电动汽车在耗电历史采集时间段的每一个耗电历史采集时间分段内的实际耗电量,上述耗电历史采集时间段是上述耗电时间段对应的前一个时间段;
对上述真实耗电数据划分获得训练耗电数据集和测试耗电数据集;
根据上述训练耗电数据集对上述Transformer模型进行训练,并通过上述测试耗电数据集对训练的Transformer模型进行测试,直到获得训练好的Transformer模型,其中,将上述测试耗电数据集中的任意一个真实耗电数据中的时段标签和耗电历史采集数据作为上述训练好的Transformer模型的输入数据时,上述训练好的Transformer模型输出的耗电预测数据与该真实耗电数据中的真实耗电量标签的之间的损失值不大于预设的耗电预测损失阈值。
可选的,上述综合控制目标还包括上述电动汽车集群的充电总距离最小,上述方法还包括:
获取充电区域位置以及上述电动汽车集群中各上述电动汽车在上述当前目标时间段内的目标行驶路线,根据上述充电区域位置与上述目标行驶路线计算各上述电动汽车在各上述目标时间分段的充电距离数据。
可选的,上述根据上述综合控制目标和上述控制约束条件,通过预设的粒子群算法进行优化求解并获得各上述电动汽车的充放电控制策略,包括:
根据上述综合控制目标构建目标函数,其中,上述目标函数是上述消纳电量的相反数、上述目标充电方差、上述目标放电方差以及上述充电总距离之和;
以上述目标函数取得最小的函数值为目标,根据上述控制约束条件,通过上述粒子群算法进行优化求解并获得各上述电动汽车的充放电控制策略。
本发明第二方面提供一种电动汽车集群充放电控制系统,其中,上述电动汽车集群充放电控制系统包括:
发电量获取模块,用于获取当前目标时间段内可再生能源的目标发电量;
耗电量预测模块,用于获取上述当前目标时间段对应的时段标签和电动汽车集群中各电动汽车的耗电历史数据,将上述时段标签和上述耗电历史数据输入预先训练好的Transformer模型,通过上述预先训练好的Transformer模型获取各上述电动汽车在上述当前目标时间段对应的耗电预测数据,并获得上述电动汽车集群在上述当前目标时间段内的预测总体耗电量,其中,上述电动汽车的耗电历史数据包括该电动汽车在前一目标时间段内每一个历史时间分段的实际耗电量,上述电动汽车的耗电预测数据包括该电动汽车在上述当前目标时间段内每一个预测时间分段的预测耗电量;
策略获取模块,用于构建综合控制目标和控制约束条件,根据上述综合控制目标和上述控制约束条件,通过预设的粒子群算法进行优化求解并获得各上述电动汽车的充放电控制策略,其中,上述综合控制目标包括目标充电方差最小、目标放电方差最小和消纳电量最大,上述目标充电方差是上述电动汽车集群在上述当前目标时间段内的充电量的方差,上述目标放电方差是上述电动汽车集群在上述当前目标时间段内的放电量的方差,上述消纳电量是上述电动汽车集群在上述当前目标时间段内的规划总体充电量,上述控制约束条件包括集群充电量范围约束和集群放电量范围约束,上述集群充电量范围约束用于限制上述消纳电量不小于上述目标发电量,上述集群放电量范围约束用于限制上述电动汽车集群在上述当前目标时间段内的规划总体放电量不小于上述预测总体耗电量;
控制模块,用于根据上述充放电控制策略对上述电动汽车集群中的各上述电动汽车进行控制。
本发明第三方面提供一种智能终端,上述智能终端包括存储器、处理器以及存储在上述存储器上并可在上述处理器上运行的电动汽车集群充放电控制程序,上述电动汽车集群充放电控制程序被上述处理器执行时实现上述任意一种电动汽车集群充放电控制方法的步骤。
本发明第四方面提供一种计算机可读存储介质,上述计算机可读存储介质上存储有电动汽车集群充放电控制程序,上述电动汽车集群充放电控制程序被处理器执行时实现上述任意一种电动汽车集群充放电控制方法的步骤。
由上可见,本发明方案中,获取当前目标时间段内可再生能源的目标发电量;获取上述当前目标时间段对应的时段标签和电动汽车集群中各电动汽车的耗电历史数据,将上述时段标签和上述耗电历史数据输入预先训练好的Transformer模型,通过上述预先训练好的Transformer模型获取各上述电动汽车在上述当前目标时间段对应的耗电预测数据,并获得上述电动汽车集群在上述当前目标时间段内的预测总体耗电量,其中,上述电动汽车的耗电历史数据包括该电动汽车在前一目标时间段内每一个历史时间分段的实际耗电量,上述电动汽车的耗电预测数据包括该电动汽车在上述当前目标时间段内每一个预测时间分段的预测耗电量;构建综合控制目标和控制约束条件,根据上述综合控制目标和上述控制约束条件,通过预设的粒子群算法进行优化求解并获得各上述电动汽车的充放电控制策略,其中,上述综合控制目标包括目标充电方差最小、目标放电方差最小和消纳电量最大,上述目标充电方差是上述电动汽车集群在上述当前目标时间段内的充电量的方差,上述目标放电方差是上述电动汽车集群在上述当前目标时间段内的放电量的方差,上述消纳电量是上述电动汽车集群在上述当前目标时间段内的规划总体充电量,上述控制约束条件包括集群充电量范围约束和集群放电量范围约束,上述集群充电量范围约束用于限制上述消纳电量不小于上述目标发电量,上述集群放电量范围约束用于限制上述电动汽车集群在上述当前目标时间段内的规划总体放电量不小于上述预测总体耗电量;根据上述充放电控制策略对上述电动汽车集群中的各上述电动汽车进行控制。
与现有技术相比,本发明方案中综合考虑在当前目标时间段内可再生能源的目标发电量和电动汽车集群的预测总体耗电量,构建对于电动汽车集群的综合控制目标和控制约束条件,以目标充电方差最小、目标放电方差最小和消纳电量最大为目标进行优化求解并获得优化的充放电控制策略,有利于对电动汽车进行更好的充放电控制。其中,目标充电方差最小用于保证电动汽车集群带来的电网波动小,有利于保护电网,目标放电方差最小用于保证电动汽车集群中各个电动汽车的放电波动小,有利于保护电动汽车,消纳电量最大则有利于提高可再生能源的利用率。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1是本发明实施例提供的一种电动汽车集群充放电控制方法的流程示意图;
图2是本发明实施例图1中步骤S100的具体流程示意图;
图3是本发明实施例提供的一种电动汽车集群充放电控制系统的结构示意图;
图4是本发明实施例提供的一种智能终端的内部结构原理框图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况下,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当…时”或“一旦”或“响应于确定”或“响应于检测到”。类似的,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述的条件或事件]”或“响应于检测到[所描述条件或事件]”。
下面结合本发明实施例的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明的一部分实施例,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。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其它不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
随着科学技术的发展,电动汽车的使用越来越广泛。一方面,电动汽车可以作为传统化石燃料汽车的替代品,另一方面,电动汽车可以使用可再生能源所发的电进行充电,有利于减少环境污染。
现有技术中,对于电动汽车缺乏合理的充放电控制,电动汽车的充放电是随意的。现有技术的问题在于,电动汽车的充放电过程缺乏合理的安排和调控,给电网带来的波动大,并且不能充分利用可再生能源所发的电,不利于提高可再生能源的利用率。
在一种应用场景中,用户随意选择电动车的放电功率、充电时间和充电区域,可能导致在行驶过程中缺电。或者需要行驶较长的距离才能达到用户选的充电区域,造成时间的浪费,甚至可能在到达充电区域之后发现没有充电位(或充电桩),从而影响用户使用。在另一种应用场景中,为了保证用户在到达充电区域之后能够进行充电,需要在各个充电区域设置过量的充电桩,从而导致充电桩过剩。
为了解决上述多个问题中的至少一个问题,本发明方案中,获取当前目标时间段内可再生能源的目标发电量;获取上述当前目标时间段对应的时段标签和电动汽车集群中各电动汽车的耗电历史数据,将上述时段标签和上述耗电历史数据输入预先训练好的Transformer模型,通过上述预先训练好的Transformer模型获取各上述电动汽车在上述当前目标时间段对应的耗电预测数据,并获得上述电动汽车集群在上述当前目标时间段内的预测总体耗电量,其中,上述电动汽车的耗电历史数据包括该电动汽车在前一目标时间段内每一个历史时间分段的实际耗电量,上述电动汽车的耗电预测数据包括该电动汽车在上述当前目标时间段内每一个预测时间分段的预测耗电量;构建综合控制目标和控制约束条件,根据上述综合控制目标和上述控制约束条件,通过预设的粒子群算法进行优化求解并获得各上述电动汽车的充放电控制策略,其中,上述综合控制目标包括目标充电方差最小、目标放电方差最小和消纳电量最大,上述目标充电方差是上述电动汽车集群在上述当前目标时间段内的充电量的方差,上述目标放电方差是上述电动汽车集群在上述当前目标时间段内的放电量的方差,上述消纳电量是上述电动汽车集群在上述当前目标时间段内的规划总体充电量,上述控制约束条件包括集群充电量范围约束和集群放电量范围约束,上述集群充电量范围约束用于限制上述消纳电量不小于上述目标发电量,上述集群放电量范围约束用于限制上述电动汽车集群在上述当前目标时间段内的规划总体放电量不小于上述预测总体耗电量;根据上述充放电控制策略对上述电动汽车集群中的各上述电动汽车进行控制。
与现有技术相比,本发明方案中综合考虑在当前目标时间段内可再生能源的目标发电量和电动汽车集群的预测总体耗电量,构建对于电动汽车集群的综合控制目标和控制约束条件,以目标充电方差最小、目标放电方差最小和消纳电量最大为目标进行优化求解并获得优化的充放电控制策略,有利于对电动汽车进行更好的充放电控制。其中,目标充电方差最小用于保证电动汽车集群带来的电网波动小,有利于保护电网,目标放电方差最小用于保证电动汽车集群中各个电动汽车的放电波动小,有利于保护电动汽车,消纳电量最大则有利于提高可再生能源的利用率。
进一步的,本发明中,还可以结合电动汽车在对应的行驶路线中与各个充电区域的距离构建充电总距离最小的控制目标,以减少电动汽车到达充电区域所需要的距离(或时间),进而减少充电过程中的消耗。进一步的,也可以将各个充电区域能容纳的最大车辆数作为约束条件,避免大量的电动汽车涌入同一充电区域,有利于对充电区域内的充电桩数目进行合理安排。
示例性方法
如图1所示,本发明实施例提供一种电动汽车集群充放电控制方法,具体的,上述方法包括如下步骤:
步骤S100,获取当前目标时间段内可再生能源的目标发电量。
其中,上述当前目标时间段是需要进行电动汽车集群充放电控制的时间段。本实施例中,上述当前时间段的时间长度为24小时,具体的,当前时间段是从当前时刻开始并往后的24个小时对应的时间段。上述当前时间段被划分为多个互不重合的预测时间分段,例如,本实施例中,上述当前时间段被划分为24个预测时间分段,每一个预测时间分段的时间长度为1小时。需要说明的是,上述当期目标时间段和各个预测时间分段的时间长度可以根据实际需求进行设置和调整,在此不作具体限定。
可选的,上述当前目标时间段内可再生能源的目标发电量是在当前目标时间段内预先设置的一个目标区域内通过可再生能源发电可以获得的电量。上述目标发电量可以是根据历史发电量预先设置的一个值(例如根据历史数据确定的可再生能源每24小时的平均发电量),本实施例中,上述目标发电量还可以是根据当前目标时间段(即未来24小时)内的天气情况预测的可再生能源可发电量。
具体的,本实施例中,上述可再生能源包括预设的目标区域内的风能和太阳能,如图2所示,上述步骤S100具体包括如下步骤:
步骤S101,获取上述当前目标时间段内的环境预测信息,其中,上述环境预测信息包括风力强度、风向、光照强度和光照时间。
步骤S102,根据上述环境预测信息获取上述目标发电量。
其中,上述环境预测信息可以通过气象预报数据获取。获取到上述环境预测信息之后,可以通过预先设置的计算公式或者预先训练好的发电量预测模型综合考虑环境预测信息对发电量的影响,从而获取目标发电量。
本实施例中,上述根据上述环境预测信息获取上述目标发电量,包括:将上述环境预测信息输入预先训练好的发电量预测模型,将上述训练好的发电量预测模型输出的预测发电量作为上述当前目标时间段内的目标发电量。
即本实施例中通过预先训练好的发电量预测模型获取对应的目标发电量,其中,上述发电量预测模型根据如下步骤进行预先训练:
获取预先采集的多个真实发电数据,其中,一个上述真实发电数据包括一个发电时间段内的实际环境信息和该发电时间段内的实际发电量,上述实际环境信息包括风力强度、风向、光照强度和光照时间;
对上述真实发电数据划分获得训练发电数据集和测试发电数据集;
根据上述训练发电数据集对上述发电量预测模型进行训练,并通过上述测试发电数据集对训练的发电量预测模型进行测试,直到获得训练好的发电量预测模型,其中,将上述测试发电数据集中的任意一个实际环境信息作为上述训练好的发电量预测模型的输入数据时,上述训练好的发电量预测模型输出的预测发电量与该实际环境信息对应的实际发电量之间的损失值不大于预设的发电预测损失阈值。
其中,上述发电时间段的时间长度与上述当前目标时间段的时间长度相同,即本实施例中发电时间段的时间长度也为24小时。对于目标区域,获取的任意一个真实发电数据包括该区域在过去的任意一个24小时内的风力强度、风向、光照强度、光照时间以及对应的实际发电量,如此,可以根据这些真实发电数据建立环境信息与发电量之间的关联关系。
需要说明的是,对于获得的所有真实发电数据,按照预设比例划分获得训练发电数据集和测试发电数据集,例如,将其中百分之八十的数据作为训练发电数据集,百分之二十的数据作为测试发电数据集。
然后根据训练发电数据集对发电量预测模型进行训练,训练过程中进行模型参数的调整。在一种应用场景中,上述发电量预测模型设置有对应的风力发电和光伏发电的计算公式,且其中的部分参数通过训练进行调整。
本实施例中,在测试发电数据集上对发电量预测模型进行测试,上述预测发电量与实际发电量之间的损失值通过预设的损失公式计算,当计算出的损失值不大于预设的发电预测损失阈值时认为训练完成。在另一种应用场景中,当训练的迭代次数大于预设的发电训练迭代阈值时也认为训练完成。
步骤S200,获取上述当前目标时间段对应的时段标签和电动汽车集群中各电动汽车的耗电历史数据,将上述时段标签和上述耗电历史数据输入预先训练好的Transformer模型,通过上述预先训练好的Transformer模型获取各上述电动汽车在上述当前目标时间段对应的耗电预测数据,并获得上述电动汽车集群在上述当前目标时间段内的预测总体耗电量。
其中,上述电动汽车的耗电历史数据包括该电动汽车在前一目标时间段内每一个历史时间分段的实际耗电量,上述电动汽车的耗电预测数据包括该电动汽车在上述当前目标时间段内每一个预测时间分段的预测耗电量。
上述时段标签是根据当前目标时间段的特点确定的一个标签数据,由于在不同类型的一天(例如工作日或周末)用户的用车习惯是不同的,对应的用电习惯也不同,因此可以结合时段标签对耗电量进行预测。同时,考虑到用户的用电习惯是有连续性的,因此可以基于前一段时间(即前一天)的用电量来预测后一段时间(即今天)的用电量。结合时段标签和耗电历史数据则可以更准确地进行耗电量的预测。
需要说明的是,本实施例中,对于一个当前目标时间段(例如24小时),并不是直接预测出电动汽车集群在整个当前目标时间段的总体耗电量,而是分各个小的时间段(即预测时间分段,每一个预测时间分段的时间长度为1小时)来分别预测每一个电动汽车的耗电量(即预测耗电量),然后再计算整个电动汽车集群在整个当前目标时间段内的预测总体耗电量。如此,针对单体并区分各个小的时间段进行预测,可以使得预测结果更加精准。
对应的,输入Transformer模型的耗电历史数据也是电动汽车在前一目标时间段内每一个小的历史时间分段的实际耗电量。其中,上述前一目标时间段是在当前目标时间段之前的一个时间段,两者的时间长度相同,且前一目标时间段的结束时刻不早于当前目标时间段的起始时刻。同时,上述历史时间分段的时间长度也与预测时间分段的时间长度相同(即1小时)。
本实施例中,上述时段标签是预先设置的标签数据中的任意一种,上述标签数据包括工作日、周末和特殊节假日。进一步的,上述特殊节假日还可以包括具体的节假日名称,例如中秋节、端午节、国庆节等。因为不同的节假日用户的出行习惯和用电习惯是不同的,例如中秋节出行较少,电动汽车耗电较少,而国庆节出行的可能性较大,电动汽车耗电较多。结合时段标签可以考虑用户在不同时间的习惯,提高耗电量预测的准确性。
本实施例中,上述Transformer模型根据如下步骤进行预先训练:
获取预先采集的多个真实耗电数据,其中,一个上述真实耗电数据包括一个耗电时间段对应的时段标签、真实耗电量标签和耗电历史采集数据,上述真实耗电量标签包括各上述电动汽车在上述耗电时间段的每一个耗电时间分段内的实际耗电量,上述耗电历史采集数据包括各上述电动汽车在耗电历史采集时间段的每一个耗电历史采集时间分段内的实际耗电量,上述耗电历史采集时间段是上述耗电时间段对应的前一个时间段;
对上述真实耗电数据划分获得训练耗电数据集和测试耗电数据集;
根据上述训练耗电数据集对上述Transformer模型进行训练,并通过上述测试耗电数据集对训练的Transformer模型进行测试,直到获得训练好的Transformer模型,其中,将上述测试耗电数据集中的任意一个真实耗电数据中的时段标签和耗电历史采集数据作为上述训练好的Transformer模型的输入数据时,上述训练好的Transformer模型输出的耗电预测数据与该真实耗电数据中的真实耗电量标签的之间的损失值不大于预设的耗电预测损失阈值。
其中,上述耗电时间段(或耗电历史采集时间段)的时间长度与当前目标时间段的时间长度相同,即也为24小时,且每一个耗电时间分段(或耗电历史采集时间分段)的时间长度也与一个预测时间分段的时间长度相同,即为1小时。具体的,本实施例中,各个时间段对应的时间分段的划分方式是相同的。且上述耗电历史采集时间段是耗电时间段之前的24小时。
需要说明的是,对于获得的所有真实耗电数据,按照预设比例划分获得训练耗电数据集和测试耗电数据集,例如,将其中百分之八十的数据作为训练耗电数据集,百分之二十的数据作为测试耗电数据集。
然后根据上述训练耗电数据集对预设的Transformer模型进行训练,训练过程中进行模型参数的调整。并通过测试耗电数据集对Transformer模型进行测试,测试时,损失值根据预先设置的耗电损失公式进行计算。在一种应用场景中,还可以设置耗电训练迭代阈值以判断训练是否完成。
步骤S300,构建综合控制目标和控制约束条件,根据上述综合控制目标和上述控制约束条件,通过预设的粒子群算法进行优化求解并获得各上述电动汽车的充放电控制策略。
其中,上述综合控制目标包括目标充电方差最小、目标放电方差最小和消纳电量最大,上述目标充电方差是上述电动汽车集群在上述当前目标时间段内的充电量的方差,上述目标放电方差是上述电动汽车集群在上述当前目标时间段内的放电量的方差,上述消纳电量是上述电动汽车集群在上述当前目标时间段内的规划总体充电量,上述控制约束条件包括集群充电量范围约束和集群放电量范围约束,上述集群充电量范围约束用于限制上述消纳电量不小于上述目标发电量,上述集群放电量范围约束用于限制上述电动汽车集群在上述当前目标时间段内的规划总体放电量不小于上述预测总体耗电量。
可选的,还可以考虑充电过程中电动汽车与规划的充电区域之间的距离。本实施例中,上述综合控制目标还包括上述电动汽车集群的充电总距离最小,上述方法还包括:获取充电区域位置以及上述电动汽车集群中各上述电动汽车在上述当前目标时间段内的目标行驶路线,根据上述充电区域位置与上述目标行驶路线计算各上述电动汽车在各上述目标时间分段的充电距离数据。
在一种应用场景中,上述电动汽车是电动公交车,电动汽车集群是对应的公交车集群。因此可以根据公交车的行驶路线确定各电动汽车对应的目标行驶路线。在另一种应用场景中,电动汽车的目标行驶路线可以由用户直接输入,或者根据各个电动汽车的历史行驶数据和行驶习惯预测获得目标行驶路线,在此不作具体限定。
一个电动汽车对应的充电距离数据包括该电动汽车在各个目标时间分段的起始时刻,距离各个充电区域的距离。
在一种应用场景中,上述控制约束条件还可以包括各个充电区域内的最大接纳车辆数量,在一个时间分段内,各个充电区域内规划的电动汽车的数量不大于该充电区域预设的最大接纳车辆数量,避免出现某充电区域出现拥塞。进一步的,上述综合控制目标还可以包括电动汽车集群在上述当前目标时间段内的放电功率的方差最小和充电功率的方差最小,在此不作具体限定。
本实施例中,上述根据上述综合控制目标和上述控制约束条件,通过预设的粒子群算法进行优化求解并获得各上述电动汽车的充放电控制策略,包括:
根据上述综合控制目标构建目标函数,其中,上述目标函数是上述消纳电量的相反数、上述目标充电方差、上述目标放电方差以及上述充电总距离之和;
以上述目标函数取得最小的函数值为目标,根据上述控制约束条件,通过上述粒子群算法进行优化求解并获得各上述电动汽车的充放电控制策略。
其中,上述预设的粒子群算法可以是预设的多目标粒子群优化算法,例如社会学习粒子群算法。上述充放电控制策略包括,各预测时间分段内各个电动汽车的充电功率(或充电量)和放电功率(和放电量),其中,仅充电时放电功率为0,仅放电时充电功率为0。
在一种应用场景中,还可以设置各个电动汽车只选择一个预测时间分段进行充电,作为约束条件,以减少用户的充电次数,避免频繁充电。此时,对应的充放电策略包括电动汽车在一个目标充电时间分段,该目标充电时间分段内的充电功率,以及其它时间分段的放电功率。
需要说明的是,本实施例中的目标之一是对新能源电进行更多的消纳,本实施例中设置划总体放电量不小于上述预测总体耗电量,可以更多的消纳新能源电,且可以尽可能保证电动汽车不会缺电,同时,用户也可以根据实际需求对放电量进行调整,对于未使用完的电量,可以存储在电动汽车上。
步骤S400,根据上述充放电控制策略对上述电动汽车集群中的各上述电动汽车进行控制。
具体的,根据上述充放电控制策略对上述电动汽车集群中的各个电动汽车进行控制,对于一个电动汽车,根据充放电控制策略控制其在每一个预测时间分段内的充电功率和放电功率。上述充放电控制策略还可以包括具体的充电区域,从而控制电动汽车在对应的预测时间分段到达指定的充电区域进行充电。
需要说明的是,本实施例中求解的充放电控制策略是局部最优解,因此最终获得的控制策略并不一定能满足所有目标,而只需要满足目标函数的函数值最小即可。因此,上述可再生能源所产生的电能不一定能满足需求,或者不一定能完全被消纳。当可再生能源所产生的电能未被完全消纳时,可以使用超级电容进行储能,储存的能量可以在用电高峰期进行放电,以缓解电力系统的压力,降低发电成本。当可再生能源所产生的电能不能满足需求时,可以释放超级电容中的电能,或者从常规电网中获取电能来满足需求,而本实施例中限定了目标充电方差最小,所以从常规电网中获取电能的过程也较为稳定,不会带来剧烈的波动,有利于避免传统电网的波动。
由上可见,本实施例中综合考虑在当前目标时间段内可再生能源的目标发电量和电动汽车集群的预测总体耗电量,构建对于电动汽车集群的综合控制目标和控制约束条件,以目标充电方差最小、目标放电方差最小和消纳电量最大为目标进行优化求解并获得优化的充放电控制策略,有利于对电动汽车进行更好的充放电控制。其中,目标充电方差最小用于保证电动汽车集群带来的电网波动小,有利于保护电网,目标放电方差最小用于保证电动汽车集群中各个电动汽车的放电波动小,有利于保护电动汽车,消纳电量最大则有利于提高可再生能源的利用率。
示例性设备
如图3中所示,对应于上述电动汽车集群充放电控制方法,本发明实施例还提供一种电动汽车集群充放电控制系统,上述电动汽车集群充放电控制系统包括:
发电量获取模块510,用于获取当前目标时间段内可再生能源的目标发电量。
耗电量预测模块520,用于获取上述当前目标时间段对应的时段标签和电动汽车集群中各电动汽车的耗电历史数据,将上述时段标签和上述耗电历史数据输入预先训练好的Transformer模型,通过上述预先训练好的Transformer模型获取各上述电动汽车在上述当前目标时间段对应的耗电预测数据,并获得上述电动汽车集群在上述当前目标时间段内的预测总体耗电量,其中,上述电动汽车的耗电历史数据包括该电动汽车在前一目标时间段内每一个历史时间分段的实际耗电量,上述电动汽车的耗电预测数据包括该电动汽车在上述当前目标时间段内每一个预测时间分段的预测耗电量。
策略获取模块530,用于构建综合控制目标和控制约束条件,根据上述综合控制目标和上述控制约束条件,通过预设的粒子群算法进行优化求解并获得各上述电动汽车的充放电控制策略,其中,上述综合控制目标包括目标充电方差最小、目标放电方差最小和消纳电量最大,上述目标充电方差是上述电动汽车集群在上述当前目标时间段内的充电量的方差,上述目标放电方差是上述电动汽车集群在上述当前目标时间段内的放电量的方差,上述消纳电量是上述电动汽车集群在上述当前目标时间段内的规划总体充电量,上述控制约束条件包括集群充电量范围约束和集群放电量范围约束,上述集群充电量范围约束用于限制上述消纳电量不小于上述目标发电量,上述集群放电量范围约束用于限制上述电动汽车集群在上述当前目标时间段内的规划总体放电量不小于上述预测总体耗电量。
控制模块540,用于根据上述充放电控制策略对上述电动汽车集群中的各上述电动汽车进行控制。
具体的,本实施例中,上述电动汽车集群充放电控制系统及其各模块的具体功能可以参照上述电动汽车集群充放电控制方法中的对应描述,在此不再赘述。
需要说明的是,上述电动汽车集群充放电控制系统的各个模块的划分方式并不唯一,在此也不作为具体限定。
基于上述实施例,本发明还提供了一种智能终端,其原理框图可以如图4所示。上述智能终端包括处理器及存储器。该智能终端的存储器包括电动汽车集群充放电控制程序,存储器为电动汽车集群充放电控制程序的运行提供环境。该电动汽车集群充放电控制程序被处理器执行时实现上述任意一种电动汽车集群充放电控制方法的步骤。需要说明的是,上述智能终端还可以包括其它功能模块或单元,在此不作具体限定。
本领域技术人员可以理解,图4中示出的原理框图,仅仅是与本发明方案相关的部分结构的框图,并不构成对本发明方案所应用于其上的智能终端的限定,具体地智能终端可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
本发明实施例还提供一种计算机可读存储介质,上述计算机可读存储介质上存储有数控机床主轴误差预测与补偿程序,上述数控机床主轴误差预测与补偿程序被处理器执行时实现本发明实施例提供的任意一种电动汽车集群充放电控制方法的步骤。
应理解,上述实施例中各步骤的序号大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将上述系统的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各实例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟是以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的系统/智能终端和方法,可以通过其它的方式实现。例如,以上所描述的系统/智能终端实施例仅仅是示意性的,例如,上述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以由另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。
上述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,上述计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,上述计算机程序包括计算机程序代码,上述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。上述计算机可读介质可以包括:能够携带上述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,上述计算机可读存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解;其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不是相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种电动汽车集群充放电控制方法,其特征在于,所述方法包括:
获取当前目标时间段内可再生能源的目标发电量;
获取所述当前目标时间段对应的时段标签和电动汽车集群中各电动汽车的耗电历史数据,将所述时段标签和所述耗电历史数据输入预先训练好的Transformer模型,通过所述预先训练好的Transformer模型获取各所述电动汽车在所述当前目标时间段对应的耗电预测数据,并获得所述电动汽车集群在所述当前目标时间段内的预测总体耗电量,其中,所述电动汽车的耗电历史数据包括该电动汽车在前一目标时间段内每一个历史时间分段的实际耗电量,所述电动汽车的耗电预测数据包括该电动汽车在所述当前目标时间段内每一个预测时间分段的预测耗电量;
构建综合控制目标和控制约束条件,根据所述综合控制目标和所述控制约束条件,通过预设的粒子群算法进行优化求解并获得各所述电动汽车的充放电控制策略,其中,所述综合控制目标包括目标充电方差最小、目标放电方差最小和消纳电量最大,所述目标充电方差是所述电动汽车集群在所述当前目标时间段内的充电量的方差,所述目标放电方差是所述电动汽车集群在所述当前目标时间段内的放电量的方差,所述消纳电量是所述电动汽车集群在所述当前目标时间段内的规划总体充电量,所述控制约束条件包括集群充电量范围约束和集群放电量范围约束,所述集群充电量范围约束用于限制所述消纳电量不小于所述目标发电量,所述集群放电量范围约束用于限制所述电动汽车集群在所述当前目标时间段内的规划总体放电量不小于所述预测总体耗电量;
根据所述充放电控制策略对所述电动汽车集群中的各所述电动汽车进行控制。
2.根据权利要求1所述的电动汽车集群充放电控制方法,其特征在于,所述可再生能源包括预设的目标区域内的风能和太阳能,所述获取当前目标时间段内可再生能源的目标发电量,包括:
获取所述当前目标时间段内的环境预测信息,其中,所述环境预测信息包括风力强度、风向、光照强度和光照时间;
根据所述环境预测信息获取所述目标发电量。
3.根据权利要求2所述的电动汽车集群充放电控制方法,其特征在于,所述根据所述环境预测信息获取所述目标发电量,包括:
将所述环境预测信息输入预先训练好的发电量预测模型,将所述训练好的发电量预测模型输出的预测发电量作为所述当前目标时间段内的目标发电量。
4.根据权利要求3所述的电动汽车集群充放电控制方法,其特征在于,所述发电量预测模型根据如下步骤进行预先训练:
获取预先采集的多个真实发电数据,其中,一个所述真实发电数据包括一个发电时间段内的实际环境信息和该发电时间段内的实际发电量,所述实际环境信息包括风力强度、风向、光照强度和光照时间;
对所述真实发电数据划分获得训练发电数据集和测试发电数据集;
根据所述训练发电数据集对所述发电量预测模型进行训练,并通过所述测试发电数据集对训练的发电量预测模型进行测试,直到获得训练好的发电量预测模型,其中,将所述测试发电数据集中的任意一个实际环境信息作为所述训练好的发电量预测模型的输入数据时,所述训练好的发电量预测模型输出的预测发电量与该实际环境信息对应的实际发电量之间的损失值不大于预设的发电预测损失阈值。
5.根据权利要求1所述的电动汽车集群充放电控制方法,其特征在于,所述时段标签是预先设置的标签数据中的任意一种,所述标签数据包括工作日、周末和特殊节假日,所述Transformer模型根据如下步骤进行预先训练:
获取预先采集的多个真实耗电数据,其中,一个所述真实耗电数据包括一个耗电时间段对应的时段标签、真实耗电量标签和耗电历史采集数据,所述真实耗电量标签包括各所述电动汽车在所述耗电时间段的每一个耗电时间分段内的实际耗电量,所述耗电历史采集数据包括各所述电动汽车在耗电历史采集时间段的每一个耗电历史采集时间分段内的实际耗电量,所述耗电历史采集时间段是所述耗电时间段对应的前一个时间段;
对所述真实耗电数据划分获得训练耗电数据集和测试耗电数据集;
根据所述训练耗电数据集对所述Transformer模型进行训练,并通过所述测试耗电数据集对训练的Transformer模型进行测试,直到获得训练好的Transformer模型,其中,将所述测试耗电数据集中的任意一个真实耗电数据中的时段标签和耗电历史采集数据作为所述训练好的Transformer模型的输入数据时,所述训练好的Transformer模型输出的耗电预测数据与该真实耗电数据中的真实耗电量标签的之间的损失值不大于预设的耗电预测损失阈值。
6.根据权利要求1-5任意一项所述的电动汽车集群充放电控制方法,其特征在于,所述综合控制目标还包括所述电动汽车集群的充电总距离最小,所述方法还包括:
获取充电区域位置以及所述电动汽车集群中各所述电动汽车在所述当前目标时间段内的目标行驶路线,根据所述充电区域位置与所述目标行驶路线计算各所述电动汽车在各所述目标时间分段的充电距离数据。
7.根据权利要求6所述的电动汽车集群充放电控制方法,其特征在于,所述根据所述综合控制目标和所述控制约束条件,通过预设的粒子群算法进行优化求解并获得各所述电动汽车的充放电控制策略,包括:
根据所述综合控制目标构建目标函数,其中,所述目标函数是所述消纳电量的相反数、所述目标充电方差、所述目标放电方差以及所述充电总距离之和;
以所述目标函数取得最小的函数值为目标,根据所述控制约束条件,通过所述粒子群算法进行优化求解并获得各所述电动汽车的充放电控制策略。
8.一种电动汽车集群充放电控制系统,其特征在于,所述系统包括:
发电量获取模块,用于获取当前目标时间段内可再生能源的目标发电量;
耗电量预测模块,用于获取所述当前目标时间段对应的时段标签和电动汽车集群中各电动汽车的耗电历史数据,将所述时段标签和所述耗电历史数据输入预先训练好的Transformer模型,通过所述预先训练好的Transformer模型获取各所述电动汽车在所述当前目标时间段对应的耗电预测数据,并获得所述电动汽车集群在所述当前目标时间段内的预测总体耗电量,其中,所述电动汽车的耗电历史数据包括该电动汽车在前一目标时间段内每一个历史时间分段的实际耗电量,所述电动汽车的耗电预测数据包括该电动汽车在所述当前目标时间段内每一个预测时间分段的预测耗电量;
策略获取模块,用于构建综合控制目标和控制约束条件,根据所述综合控制目标和所述控制约束条件,通过预设的粒子群算法进行优化求解并获得各所述电动汽车的充放电控制策略,其中,所述综合控制目标包括目标充电方差最小、目标放电方差最小和消纳电量最大,所述目标充电方差是所述电动汽车集群在所述当前目标时间段内的充电量的方差,所述目标放电方差是所述电动汽车集群在所述当前目标时间段内的放电量的方差,所述消纳电量是所述电动汽车集群在所述当前目标时间段内的规划总体充电量,所述控制约束条件包括集群充电量范围约束和集群放电量范围约束,所述集群充电量范围约束用于限制所述消纳电量不小于所述目标发电量,所述集群放电量范围约束用于限制所述电动汽车集群在所述当前目标时间段内的规划总体放电量不小于所述预测总体耗电量;
控制模块,用于根据所述充放电控制策略对所述电动汽车集群中的各所述电动汽车进行控制。
9.一种智能终端,其特征在于,所述智能终端包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的电动汽车集群充放电控制程序,所述电动汽车集群充放电控制程序被所述处理器执行时实现如权利要求1-7任意一项所述电动汽车集群充放电控制方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有电动汽车集群充放电控制程序,所述电动汽车集群充放电控制程序被处理器执行时实现如权利要求1-7任意一项所述电动汽车集群充放电控制方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210587210.XA CN114919433B (zh) | 2022-05-27 | 2022-05-27 | 电动汽车集群充放电控制方法、系统及相关设备 |
PCT/CN2022/137650 WO2023226368A1 (zh) | 2022-05-27 | 2022-12-08 | 电动汽车集群充放电控制方法、系统及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210587210.XA CN114919433B (zh) | 2022-05-27 | 2022-05-27 | 电动汽车集群充放电控制方法、系统及相关设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114919433A true CN114919433A (zh) | 2022-08-19 |
CN114919433B CN114919433B (zh) | 2022-12-09 |
Family
ID=82811218
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210587210.XA Active CN114919433B (zh) | 2022-05-27 | 2022-05-27 | 电动汽车集群充放电控制方法、系统及相关设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN114919433B (zh) |
WO (1) | WO2023226368A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115465141A (zh) * | 2022-09-16 | 2022-12-13 | 上海挚达科技发展有限公司 | 电动汽车充放电控制方法、装置、电子设备及存储介质 |
WO2023226368A1 (zh) * | 2022-05-27 | 2023-11-30 | 深圳先进技术研究院 | 电动汽车集群充放电控制方法、系统及相关设备 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117996756A (zh) * | 2024-04-02 | 2024-05-07 | 国网山东省电力公司青州市供电公司 | 基于多维影响因子的新能源发电预测方法及系统 |
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104680258A (zh) * | 2015-03-12 | 2015-06-03 | 北京交通大学 | 电动出租车调度方法及装置 |
CN105139096A (zh) * | 2015-09-28 | 2015-12-09 | 东南大学 | 一种基于两阶段优化的电动汽车充电站选址定容方法 |
CN106532764A (zh) * | 2016-10-18 | 2017-03-22 | 国网山东省电力公司电力科学研究院 | 一种就地消纳光伏发电的电动汽车充电负荷调控方法 |
CN107640049A (zh) * | 2017-09-20 | 2018-01-30 | 东北大学 | 一种针对充电站的电动汽车有序充电的移动终端系统 |
CN108510006A (zh) * | 2018-04-08 | 2018-09-07 | 重庆邮电大学 | 一种基于数据挖掘的企业用电量分析与预测方法 |
CN109462231A (zh) * | 2018-11-15 | 2019-03-12 | 合肥工业大学 | 居民微电网的负荷优化调度方法、系统和存储介质 |
CN110015138A (zh) * | 2017-11-20 | 2019-07-16 | 深圳先进技术研究院 | 电动汽车电池监测方法、装置、系统及电动汽车 |
CN110281935A (zh) * | 2018-03-14 | 2019-09-27 | 本田技研工业株式会社 | 车辆控制装置、车辆控制方法及存储介质 |
CN110322120A (zh) * | 2019-06-12 | 2019-10-11 | 深圳大学 | 一种基于效益最大化的电动车充电调度方法和系统 |
CN110599042A (zh) * | 2019-09-12 | 2019-12-20 | 国网电子商务有限公司 | 一种基于云计算的智能用电分析方法及系统 |
CN112200373A (zh) * | 2020-10-15 | 2021-01-08 | 中国科学院深圳先进技术研究院 | 负荷预测模型的训练方法及训练装置、存储介质、设备 |
CN112257897A (zh) * | 2020-09-17 | 2021-01-22 | 华北电力大学 | 基于改进多目标粒子群的电动汽车充电优化方法和系统 |
CN113043863A (zh) * | 2021-03-12 | 2021-06-29 | 联合汽车电子有限公司 | 车辆充电方法及系统、可读存储介质及电子设备 |
CN113195299A (zh) * | 2019-02-28 | 2021-07-30 | 宝马股份公司 | 用于优化分布的充电站效率和用户体验的方法和系统 |
CN113191682A (zh) * | 2021-05-24 | 2021-07-30 | 温州大学 | 一种适用于电动汽车移动充电设备充电的多能源分配管理方法 |
CN113675839A (zh) * | 2021-07-07 | 2021-11-19 | 深圳奥特迅电力设备股份有限公司 | 一种电动汽车充电设备与电网协调互动控制系统及方法 |
CN113962446A (zh) * | 2021-10-08 | 2022-01-21 | 国网安徽省电力有限公司电力科学研究院 | 一种微电网群协同调度方法、装置、电子设备和存储介质 |
US20220063433A1 (en) * | 2020-08-28 | 2022-03-03 | Toyota Motor North America, Inc. | Power allocation to transports |
CN114330923A (zh) * | 2022-01-06 | 2022-04-12 | 国电南瑞南京控制系统有限公司 | 一种基于公共气象数据的光伏发电功率预测方法 |
CN114407661A (zh) * | 2022-02-10 | 2022-04-29 | 北京理工大学重庆创新中心 | 基于数据驱动的电动车能耗预测方法、系统、设备及介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2746093A1 (en) * | 2012-12-21 | 2014-06-25 | Fundació Privada Barcelona Digital Centre Tecnologic | Method and apparatus for optimized management of an electric vehicle charging infrastructure |
JP7142291B2 (ja) * | 2018-10-04 | 2022-09-27 | パナソニックIpマネジメント株式会社 | 充電方法、及び、充電システム |
CN111027842B (zh) * | 2019-12-04 | 2022-04-12 | 清华大学 | 电动汽车充电与新能源发电的协同调度方法及装置 |
CN114919433B (zh) * | 2022-05-27 | 2022-12-09 | 深圳先进技术研究院 | 电动汽车集群充放电控制方法、系统及相关设备 |
-
2022
- 2022-05-27 CN CN202210587210.XA patent/CN114919433B/zh active Active
- 2022-12-08 WO PCT/CN2022/137650 patent/WO2023226368A1/zh unknown
Patent Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104680258A (zh) * | 2015-03-12 | 2015-06-03 | 北京交通大学 | 电动出租车调度方法及装置 |
CN105139096A (zh) * | 2015-09-28 | 2015-12-09 | 东南大学 | 一种基于两阶段优化的电动汽车充电站选址定容方法 |
CN106532764A (zh) * | 2016-10-18 | 2017-03-22 | 国网山东省电力公司电力科学研究院 | 一种就地消纳光伏发电的电动汽车充电负荷调控方法 |
CN107640049A (zh) * | 2017-09-20 | 2018-01-30 | 东北大学 | 一种针对充电站的电动汽车有序充电的移动终端系统 |
CN110015138A (zh) * | 2017-11-20 | 2019-07-16 | 深圳先进技术研究院 | 电动汽车电池监测方法、装置、系统及电动汽车 |
CN110281935A (zh) * | 2018-03-14 | 2019-09-27 | 本田技研工业株式会社 | 车辆控制装置、车辆控制方法及存储介质 |
CN108510006A (zh) * | 2018-04-08 | 2018-09-07 | 重庆邮电大学 | 一种基于数据挖掘的企业用电量分析与预测方法 |
CN109462231A (zh) * | 2018-11-15 | 2019-03-12 | 合肥工业大学 | 居民微电网的负荷优化调度方法、系统和存储介质 |
US20220076358A1 (en) * | 2019-02-28 | 2022-03-10 | Bayerische Motoren Werke Aktiengesellschaft | Method and System to Optimize Distributed Charging Station Efficiency and User Experience |
CN113195299A (zh) * | 2019-02-28 | 2021-07-30 | 宝马股份公司 | 用于优化分布的充电站效率和用户体验的方法和系统 |
CN110322120A (zh) * | 2019-06-12 | 2019-10-11 | 深圳大学 | 一种基于效益最大化的电动车充电调度方法和系统 |
CN110599042A (zh) * | 2019-09-12 | 2019-12-20 | 国网电子商务有限公司 | 一种基于云计算的智能用电分析方法及系统 |
US20220063433A1 (en) * | 2020-08-28 | 2022-03-03 | Toyota Motor North America, Inc. | Power allocation to transports |
CN112257897A (zh) * | 2020-09-17 | 2021-01-22 | 华北电力大学 | 基于改进多目标粒子群的电动汽车充电优化方法和系统 |
CN112200373A (zh) * | 2020-10-15 | 2021-01-08 | 中国科学院深圳先进技术研究院 | 负荷预测模型的训练方法及训练装置、存储介质、设备 |
CN113043863A (zh) * | 2021-03-12 | 2021-06-29 | 联合汽车电子有限公司 | 车辆充电方法及系统、可读存储介质及电子设备 |
CN113191682A (zh) * | 2021-05-24 | 2021-07-30 | 温州大学 | 一种适用于电动汽车移动充电设备充电的多能源分配管理方法 |
CN113675839A (zh) * | 2021-07-07 | 2021-11-19 | 深圳奥特迅电力设备股份有限公司 | 一种电动汽车充电设备与电网协调互动控制系统及方法 |
CN113962446A (zh) * | 2021-10-08 | 2022-01-21 | 国网安徽省电力有限公司电力科学研究院 | 一种微电网群协同调度方法、装置、电子设备和存储介质 |
CN114330923A (zh) * | 2022-01-06 | 2022-04-12 | 国电南瑞南京控制系统有限公司 | 一种基于公共气象数据的光伏发电功率预测方法 |
CN114407661A (zh) * | 2022-02-10 | 2022-04-29 | 北京理工大学重庆创新中心 | 基于数据驱动的电动车能耗预测方法、系统、设备及介质 |
Non-Patent Citations (6)
Title |
---|
吴洲洋,艾 欣,胡俊杰,吴界辰: "基于充电行为预测的电动汽车参与系统调频备用:容量挖掘与风险评估", 《电力自动化设备》 * |
朱俊丞,杨之乐等: "深度学习在电力负荷预测中的应用综述", 《郑州大学学报(工学版)》 * |
李华珍: "基于改进粒子群算法的居民需求响应调度优化与仿真", 《系统仿真学报》 * |
葛少云等: "电动汽车充电站规划布局与选址方案的优化方法", 《中国电力》 * |
高洪洋: "考虑新能源接入的电力系统优化调度", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
黄安子等: "EV充电站选址定容及基于蚁群算法概念的建设规划方案研究", 《上海节能》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023226368A1 (zh) * | 2022-05-27 | 2023-11-30 | 深圳先进技术研究院 | 电动汽车集群充放电控制方法、系统及相关设备 |
CN115465141A (zh) * | 2022-09-16 | 2022-12-13 | 上海挚达科技发展有限公司 | 电动汽车充放电控制方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2023226368A1 (zh) | 2023-11-30 |
CN114919433B (zh) | 2022-12-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114919433B (zh) | 电动汽车集群充放电控制方法、系统及相关设备 | |
Sun | A multi-objective optimization model for fast electric vehicle charging stations with wind, PV power and energy storage | |
CN103915869B (zh) | 一种基于移动设备的电动汽车智能充电系统及方法 | |
CN110378548B (zh) | 一种电动汽车虚拟电厂多时间尺度响应能力评估模型构建方法 | |
CN103679299A (zh) | 兼顾车主满意度的电动汽车最优峰谷分时电价定价方法 | |
Gan et al. | A probabilistic evaluation method of household EVs dispatching potential considering users’ multiple travel needs | |
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 | |
CN113269372A (zh) | 一种考虑用户意愿的集群电动汽车可调度容量预测评估方法 | |
CN111775772B (zh) | 车辆与电池的匹配方法、装置、系统及可读存储介质 | |
CN113954680B (zh) | 基于充电时段优化的电动汽车充电控制方法 | |
CN116151486B (zh) | 含储能系统的光伏充电站多时间尺度随机优化方法及装置 | |
CN112803493B (zh) | 基于边际成本的分散式储能与分布式光伏协同方法及系统 | |
CN109359784A (zh) | 计及运营商的电动汽车负荷时间预测方法和系统 | |
CN112736941A (zh) | 一种基于移动储能电动汽车的可调度容量预测方法及装置 | |
US20230069004A1 (en) | Electric vehicle charging station management method using blockchain | |
CN112436536B (zh) | 一种高速路新能源汽车充电引导方法及系统 | |
CN113364019B (zh) | 车载储能资源参与电力调峰的方法及系统 | |
CN115983441A (zh) | 一种电动汽车集群的灵活性概率预测与随机优化调控方法 | |
CN111216586B (zh) | 考虑风电消纳的居民小区电动汽车有序充电控制方法 | |
CN114919456B (zh) | 一种基于大数据的汽车电池充放电管理系统 | |
CN117498431B (zh) | 微电网控制方法和系统 | |
Lian et al. | Real‐time energy management strategy for fuel cell plug‐in hybrid electric bus using short‐term power smoothing prediction and distance adaptive state‐of‐charge consumption | |
CN116799832B (zh) | 一种基于大数据的智能调控混合储能电力系统 | |
CN117151760B (zh) | 基于自适应算法的换电服务定价方法、装置及存储介质 | |
CN117933668B (zh) | 基于电网负荷与电价的智慧停车场充电调度方法及系统 |
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 |