CN114997631A - 一种电动汽车充电调度方法、装置、设备及介质 - Google Patents

一种电动汽车充电调度方法、装置、设备及介质 Download PDF

Info

Publication number
CN114997631A
CN114997631A CN202210581417.6A CN202210581417A CN114997631A CN 114997631 A CN114997631 A CN 114997631A CN 202210581417 A CN202210581417 A CN 202210581417A CN 114997631 A CN114997631 A CN 114997631A
Authority
CN
China
Prior art keywords
electric vehicle
charging
determining
scheduling
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.)
Granted
Application number
CN202210581417.6A
Other languages
English (en)
Other versions
CN114997631B (zh
Inventor
吴钢
王宁
栾捷
吕叶林
郑超君
田航奇
李成
李媛
张辰
陈婧韵
黄天恩
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.)
Tongji University
State Grid Zhejiang Electric Power Co Ltd
State Grid Zhejiang Electric Vehicle Service Co Ltd
Original Assignee
Tongji University
State Grid Zhejiang Electric Power Co Ltd
State Grid Zhejiang Electric Vehicle Service Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tongji University, State Grid Zhejiang Electric Power Co Ltd, State Grid Zhejiang Electric Vehicle Service Co Ltd filed Critical Tongji University
Priority to CN202210581417.6A priority Critical patent/CN114997631B/zh
Publication of CN114997631A publication Critical patent/CN114997631A/zh
Application granted granted Critical
Publication of CN114997631B publication Critical patent/CN114997631B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
    • G06Q30/0208—Trade or exchange of goods or services in exchange for incentives or rewards
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/007—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources
    • H02J3/0075—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources for providing alternative feeding paths between load and source according to economic or energy efficiency considerations, e.g. economic dispatch
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/28—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
    • 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
    • H02J2310/40—The network being an on-board power network, i.e. within a vehicle
    • H02J2310/48—The network being an on-board power network, i.e. within a vehicle for electric vehicles [EV] or hybrid vehicles [HEV]
    • 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
    • H02J2310/62—The condition being non-electrical, e.g. temperature
    • H02J2310/64—The condition being economic, e.g. tariff based load management
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • 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)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Finance (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Power Engineering (AREA)
  • Tourism & Hospitality (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Educational Administration (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Operations Research (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本申请公开了一种电动汽车充电调度方法、装置、设备及介质，涉及新能源技术领域。该方法包括：基于电网用电负荷数据、电动汽车分时充电价格表中当前调度对应的充电价格、电动汽车状态数据与充电站状态数据确定当前调度中电动汽车对应的实时激励积分，并根据实时激励积分确定电动汽车参与当前调度节省的充电成本比值；根据节省的充电成本比值与电动汽车状态数据基于模糊推理确定电动汽车对应的参与当前调度的意愿值，并将意愿值满足预设意愿阈值的电动汽车作为目标电动汽车；建立目标电动汽车与充电站的多目标优化模型并利用多目标优化模型确定目标电动汽车与充电站的匹配结果。通过上述方案能够高效地引导电动汽车参与充电实时调度。

Description

一种电动汽车充电调度方法、装置、设备及介质
技术领域
本发明涉及新能源技术领域，特别涉及一种电动汽车充电调度方法、装置、设备及介质。
背景技术
电动汽车是一种流行的绿色交通载运交通工具，预计到2030年中国新能源汽车销量预计将达到汽车总销量的50％，保有量1亿辆以上。随着电动汽车渗透率的快速增长，大规模电动汽车频繁地接入电网将带来诸多影响，一方面聚集性负荷会加重电网负担，另一方面分散性负荷会带来冲击电压。因为电动汽车拥有能量存储和移动的双重特性，合理地引导和调度电动汽车充放电被视为是一种可以调节电网用电负荷尖峰平谷的重要手段。电价作为电动汽车与电网之间的重要关联方式，以电价为信号来引导或者调整用户的充电方式，如充电时间、地点和功率。同时合理的电价激励有助于提升充电站的利用率和平抑电网峰谷差，可以实现多方合作共赢。
目前的现行的充电激励方式以分时定价为主，主要考虑充电站内电动汽车的功率调节激励，缺乏大规模电动汽车在充电时间和充电地点的激励；另一方面，现有调度策略针对电动汽车调度问题采用随机森林等机器学习方法，其建立的数学模型复杂，求解算法的时空复杂度较高导致模型求解时间长、成本高，难以满足现实应用中的实时调度要求。综上，如何高效地大规模引导电动汽车在合适的时间地点参与电动汽车充电的实时调度以实现电网削峰填谷的问题有待进一步解决。
发明内容
有鉴于此，本发明的目的在于提供一种电动汽车充电调度方法、装置、设备及介质，能够高效地大规模引导电动汽车在合适的时间地点参与电动汽车充电的实时调度以实现电网削峰填谷。其具体方案如下：
第一方面，本申请公开了一种电动汽车充电调度方法，包括：
获取目标地区的电网用电负荷数据、电动汽车分时充电价格表、电动汽车状态数据与充电站状态数据；
基于所述电网用电负荷数据、所述电动汽车分时充电价格表中当前调度对应的充电价格、所述电动汽车状态数据与所述充电站状态数据确定所述当前调度中所述电动汽车对应的实时激励积分，并根据所述实时激励积分确定电动汽车参与所述当前调度节省的充电成本比值；
根据所述节省的充电成本比值与所述电动汽车状态数据基于模糊推理确定所述电动汽车对应的参与所述当前调度的意愿值，并将所述意愿值满足预设意愿阈值的电动汽车作为目标电动汽车；
建立所述目标电动汽车与所述充电站的多目标优化模型并利用所述多目标优化模型确定所述目标电动汽车与所述充电站的匹配结果。
可选的，所述基于所述电网用电负荷数据、所述电动汽车分时充电价格表中当前调度对应的充电价格、所述电动汽车状态数据与所述充电站状态数据确定所述当前调度中所述电动汽车对应的实时激励积分，包括：
基于所述电网用电负荷数据、所述充电站状态数据以及所述电动汽车对应用户的历史数据确定积分修正系数；
根据所述电动汽车状态数据与所述充电站状态数据确定所述电动汽车需充电量；
根据所述充电价格、所述需充电量确定原充电成本，并基于原充电成本与所述积分修正系数确定所述当前调度中所述电动汽车对应的实时激励积分。
可选的，所述基于所述电网用电负荷数据、所述充电站状态数据以及所述电动汽车对应用户的历史数据确定积分修正系数，包括：
根据所述电网用电负荷数据确定所述当前调度对应的电网实时用电负荷功率与电网日均用电负荷功率，并利用所述电网实时用电负荷功率与所述电网日均用电负荷功率结合指数函数构建第一积分修正系数；
根据所述充电站状态数据确定所述当前调度对应的充电站实时空闲充电桩数量与充电站总充电桩数量，并利用所述充电站实时空闲充电桩数量与所述充电站总充电桩数量结合指数函数构建第二积分修正系数；
根据所述历史数据中电动汽车报名参与调度次数与完成调度次数确定对应的履约诚信度，并利用所述履约诚信度结合二次函数构建第三积分修正系数。
可选的，所述根据所述实时激励积分确定电动汽车参与所述当前调度节省的充电成本比值，包括：
根据所述原充电成本与所述实时激励积分确定电动汽车参与所述当前调度节省的充电成本比值。
可选的，所述建立所述目标电动汽车与所述充电站的多目标优化模型并根据所述多目标优化模型输出所述目标电动汽车与所述充电站的匹配结果之后，还包括：
如果所述目标电动汽车用户执行匹配结果对应调度，则更新所述目标电动汽车状态信息及对应的所述充电站状态信息并更新所述历史数据记录对应的所述履约诚信度。
可选的，所述根据所述节省的充电成本比值与所述电动汽车状态数据中的所述电动汽车荷电状态基于模糊推理确定所述电动汽车对应的参与所述当前调度的意愿值之前，还包括：
根据对电动汽车用户的问卷调查结果分别构建所述节省的充电成本比值与所述电动汽车状态数据中电动汽车荷电状态的隶属度函数，并根据专家知识构建模糊控制规则；
基于所述隶属度函数与所述模糊控制规则确定模糊推理逻辑。
可选的，所述建立所述目标电动汽车与所述充电站的多目标优化模型并利用所述多目标优化模型确定所述目标电动汽车与所述充电站的匹配结果，包括：
基于所述当前调度对应的目标函数与约束条件建立所述目标电动汽车与所述充电站的多目标优化模型，并利用NSGA-Ⅱ算法对所述多目标优化模型进行求解，以得到包含所述目标电动汽车与所述充电站之间的匹配结果的帕累托解集。
第二方面，本申请公开了一种电动汽车充电调度装置，包括：
数据获取模块，用于获取目标地区的电网用电负荷数据、电动汽车分时充电价格表、电动汽车状态数据与充电站状态数据；
节省充电成本确定模块，用于基于所述电网用电负荷数据、所述电动汽车分时充电价格表中当前调度对应的充电价格、所述电动汽车状态数据与所述充电站状态数据确定所述当前调度中所述电动汽车对应的实时激励积分，并根据所述实时激励积分确定电动汽车参与所述当前调度节省的充电成本比值；
调度意愿确定模块，用于根据所述节省的充电成本比值与所述电动汽车状态数据基于模糊推理确定所述电动汽车对应的参与所述当前调度的意愿值，并将所述意愿值满足预设意愿阈值的电动汽车作为目标电动汽车；
车站匹配模块，用于建立所述目标电动汽车与所述充电站的多目标优化模型并利用所述多目标优化模型确定所述目标电动汽车与所述充电站的匹配结果。
可选的，所述节省充电成本确定模块，包括：
修正系数确定单元，用于基于所述电网用电负荷数据、所述充电站状态数据以及所述电动汽车对应用户的历史数据确定积分修正系数；
需充电量确定单元，用于根据所述电动汽车状态数据与所述充电站状态数据确定所述电动汽车需充电量；
激励积分确定单元，用于根据所述充电价格、所述需充电量确定原充电成本，并基于原充电成本与所述积分修正系数确定所述当前调度中所述电动汽车对应的实时激励积分。
可选的，还包括：
数据更新模块，用于如果所述目标电动汽车用户执行匹配结果对应调度，则更新所述目标电动汽车状态信息及对应的所述充电站状态信息并更新所述历史数据记录对应的所述履约诚信度。
可选的，还包括：
隶属度函数与模糊控制规则确定模块，用于根据对电动汽车用户的问卷调查结果分别构建所述节省的充电成本比值与所述电动汽车状态数据中电动汽车荷电状态的隶属度函数，并根据专家知识构建模糊控制规则；
模糊推理逻辑确定模块，用于基于所述隶属度函数与所述模糊控制规则确定模糊推理逻辑。
第三方面，本申请公开了一种电子设备，包括：
存储器，用于保存计算机程序；
处理器，用于执行所述计算机程序，以实现前述公开的所述的电动汽车充电调度方法的步骤。
第四方面，本申请公开了一种计算机可读存储介质，用于存储计算机程序；其中，所述计算机程序被处理器执行时实现前述公开的所述的电动汽车充电调度方法的步骤。
本申请在进行电动汽车充电调度时，先获取目标地区的电网用电负荷数据、电动汽车分时充电价格表、电动汽车状态数据与充电站状态数据，并基于所述电网用电负荷数据、所述电动汽车分时充电价格表中当前调度对应的充电价格、所述电动汽车状态数据与所述充电站状态数据确定所述当前调度中所述电动汽车对应的实时激励积分，并根据所述实时激励积分确定电动汽车参与所述当前调度节省的充电成本比值，然后根据所述节省的充电成本比值与所述电动汽车状态数据基于模糊推理确定所述电动汽车对应的参与所述当前调度的意愿值，并将所述意愿值满足预设意愿阈值的电动汽车作为目标电动汽车，最后建立所述目标电动汽车与所述充电站的多目标优化模型并利用所述多目标优化模型确定所述目标电动汽车与所述充电站的匹配结果。可见，本申请中，首先获取目标地区电网用电负荷数据、电动汽车分时充电价格表与所有电动汽车以及所有电动汽车充电站的状态数据信息，并基于上述数据确定电动汽车对应的实时激励积分，并根据所述实时激励积分降低电动汽车的充电成本，即所述电动汽车参与本次调度则可使用实时激励积分降低充电成本，并得到电动汽车参与所述当前调度节省的充电成本比值，然后基于模糊推理确定出参与当前调度意愿值满足预设意愿阈值的目标电动汽车，最后通过多目标优化模型得到电动汽车与充电站的匹配结果，以便于根据所述匹配结果进行电动汽车的充电调度。由此，本申请中，考虑电网负荷的调节需求、分时充电价格与电动汽车以及充电站的状态，并基于上述数据引入实时激励积分，并通过激励后的充电成本通过模糊推理确定满足预设意愿阈值目标电动汽车，一方面，本申请考虑目标地区内所有电动汽车以及电充汽车充电站的状态数据，使得在进行电动汽车充电调度时全面考虑所有电动汽车包括行驶中的电动汽车，从而更大规模地引导电动汽车充电；另一方面，本申请考虑多方面因素同时包括实时激励计分确定、意愿值确定和电动汽车与充电站匹配调度确定，相较于现行仅以分时充电价格作为激励方式的充电调度激励更完善；再者，通过相较于随机森林等机器学习方法求解效率更高的模糊推理，在保证匹配结果质量的同时，求解算法效率较高，能满足分钟级别的优化匹配，使得电动汽车充电调度方法可以满足现实应用中的实时调度要求。综上，本申请能够高效地大规模引导电动汽车在合适的时间地点参与电动汽车充电的实时调度以实现电网削峰填谷。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，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的前提下，还可以根据提供的附图获得其他的附图。
图1为本申请提供的一种电动汽车充电调度方法流程图；
图2为本申请提供的一种具体的电动汽车充电调度方法流程图；
图3为本申请提供的电动汽车状态随时间变化示意图；
图4为本申请提供的节省的充电成本比值与电动汽车状态数据中电动汽车荷电状态的隶属度函数示意图；
图5为本申请提供的专家提供的模糊控制规则表；
图6为本申请提供的某城市电动汽车与充电站的位置分布示意图；
图7为本申请提供的某城市某日用电负荷曲线图；
图8为本申请提供的电动汽车充电分时价格示意图；
图9为本申请提供的电动汽车与充电站匹配结果的帕累托解集示意图；
图10为本申请提供的多目标优化调度结果表；
图11为本申请提供的电动汽车充电调度流程示意图；
图12为本申请提供的一种电动汽车充电调度装置结构示意图；
图13为本申请提供的一种电子设备结构图。
具体实施方式
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，所描述的实施例仅仅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他实施例，都属于本发明保护的范围。
目前的现行的充电激励方式以分时定价为主，主要考虑充电站内电动汽车的功率调节激励，缺乏大规模电动汽车在充电时间和充电地点的激励；另一方面，现有调度策略针对电动汽车调度问题采用随机森林等机器学习方法，其建立的数学模型复杂，求解算法的时空复杂度较高导致模型求解时间长、成本高，难以满足现实应用中的实时调度要求。为此，本申请提供了一种电动汽车充电调度方法能够高效地大规模引导电动汽车在合适的时间地点参与电动汽车充电的实时调度以实现电网削峰填谷。
本发明实施例公开了一种电动汽车充电调度方法，参见图1所示，该方法包括：
步骤S11：获取目标地区的电网用电负荷数据、电动汽车分时充电价格表、电动汽车状态数据与充电站状态数据。
在本实施例中，所述电网用电负荷数据为当天所述目标地区用电负荷曲线，通过所述目标地区用电负荷曲线确定电网平均功率以及当前调度对应时刻的电网功率；所述电动汽车分时充电价格表为目标地区电动汽车分时充电价格表；所述电动汽车状态数据为目标地区所有电动汽车的状态数据，包括但不限于电动汽车的电池实时荷电状态、电动汽车位置信息以及电动汽车能耗水平；所述充电站状态数据为目标地区所有电动汽车充电站的状态数据，包括但不限于充电站位置信息、充电站总充电桩数量，充电站实时空闲充电桩数量。可以理解的是，在目标地区电网用电负荷曲线中，不同时间段的用电功率不相同，即存在峰电与谷电，在现有的充电激励方式中，主要通过考虑分时充电价格来引导电动汽车参与充电调度，一般情况下，通过引导电动汽车在谷电时间段进行充电以实现电网削峰填谷，在本实施例中，通过综合考虑多方面因素来进行电动汽车充电的引导。通过上述技术方案，全面地获取电网、电动汽车以及充电站的信息，以便于后续通过上述信息引导电动汽车进行合理地充电调度。
步骤S12：基于所述电网用电负荷数据、所述电动汽车分时充电价格表中当前调度对应的充电价格、所述电动汽车状态数据与所述充电站状态数据确定所述当前调度中所述电动汽车对应的实时激励积分，并根据所述实时激励积分确定电动汽车参与所述当前调度节省的充电成本比值。
在本实施例中，基于所述电网用电负荷数据、所述电动汽车分时充电价格表中当前调度对应的充电价格、所述电动汽车状态数据与所述充电站状态数据，引入时空动态积分计算方法，以确定所述电动汽车对应的实时激励积分。需要指出的是，所述实时激励积分为考虑多方面因素后综合得出的一种充电成本优惠方法，即通过参与当前调度即可减少预设充电电量对应的充电成本。通过上述技术方案，通过引入实时激励积分进一步引导电动汽车用户参与所述当前调度，并通过实时激励积分得到电动汽车参与所述当前调度节省的充电成本比值，以便于后续通过模糊推理输出愿意参与当前调度的意愿值较高的用户，从而进行电动汽车与充电站的合理匹配。
步骤S13：根据所述节省的充电成本比值与所述电动汽车状态数据基于模糊推理确定所述电动汽车对应的参与所述当前调度的意愿值，并将所述意愿值满足预设意愿阈值的电动汽车作为目标电动汽车。
在本实施例中，基于模糊推理规则，根据所述节省的充电成本比值与所述电动汽车状态数据确定电动汽车对应的参与所述当前调度的意愿值，并与预设意愿阈值进行比较。可以理解的是，意愿值较高的电动汽车更容易被引导参与当前调度，意愿值较低的电动汽车更不容易被引导参与当前调度，通过预设意愿值筛选出满足条件的目标电动汽车，并在后续为所述目标电动汽车与充电站进行匹配。需要指出的是，所述预设意愿阈值可根据实际需要进行灵活变动，当需要大量电动汽车参与当前调度时，则可适当降低预设意愿阈值，反之，当需要少量电动汽车参与当前调度时，则可适当升高预设意愿阈值。
步骤S14：建立所述目标电动汽车与所述充电站的多目标优化模型并利用所述多目标优化模型确定所述目标电动汽车与所述充电站的匹配结果。
在本实施例中，建立目标电动汽车与充电站的多目标优化模型并基于所述多目标优化模型来确定当前调度对应的匹配结果。可以理解的是，在进行电动汽车充电调度时，要考虑多方面的因素，包括电动汽车用户方面、电网方面以及充电站方面，以在电动汽车的充电调度中实现电动汽车、充电站以及电网的三方共赢。
可见，本实施例中，首先获取目标地区电网用电负荷数据、电动汽车分时充电价格表与所有电动汽车以及所有电动汽车充电站的状态数据信息，并基于上述数据确定电动汽车对应的实时激励积分，并根据所述实时激励积分降低电动汽车的充电成本，即所述电动汽车参与本次调度则可使用实时激励积分降低充电成本，并得到电动汽车参与所述当前调度节省的充电成本比值，然后基于模糊推理确定出参与当前调度意愿值满足预设意愿阈值的目标电动汽车，最后通过多目标优化模型得到电动汽车与充电站的匹配结果，以便于根据所述匹配结果进行电动汽车的充电调度。由此，本申请中，考虑电网负荷的调节需求、分时充电价格与电动汽车以及充电站的状态，并基于上述数据引入实时激励积分，并通过激励后的充电成本通过模糊推理确定满足预设意愿阈值目标电动汽车，一方面，本申请考虑目标地区内所有电动汽车以及电充汽车充电站的状态数据，使得在进行电动汽车充电调度时全面考虑所有电动汽车包括行驶中的电动汽车，从而更大规模地引导电动汽车充电；另一方面，本申请考虑多方面因素同时包括实时激励计分确定、意愿值确定和电动汽车与充电站匹配调度确定，相较于现行仅以分时充电价格作为激励方式的充电调度激励更完善；再者，通过相较于随机森林等机器学习方法求解效率更高的模糊推理，在保证匹配结果质量的同时，求解算法效率较高，能满足分钟级别的优化匹配，使得电动汽车充电调度方法可以满足现实应用中的实时调度要求。综上，本申请能够高效地大规模引导电动汽车在合适的时间地点参与电动汽车充电的实时调度以实现电网削峰填谷。
参见图2所示，本发明实施例公开了一种具体的电动汽车充电调度方法，相对于上一实施例，本实施例对技术方案作了进一步说明和优化。
步骤S21：获取目标地区的电网用电负荷数据、电动汽车分时充电价格表、电动汽车状态数据与充电站状态数据。
步骤S22：基于所述电网用电负荷数据、所述充电站状态数据以及所述电动汽车对应用户的历史数据确定积分修正系数。
在本实施例中，调度过程中电动汽车状态随时间变化情况如图3所示，车辆从t0时刻相应当前调度，t时刻到达充电站，t1时刻充电完成，离开充电站站。基于所述电网用电负荷数据、所述充电站状态数据以及所述电动汽车对应用户的历史数据确定积分修正系数包括：根据所述电网用电负荷数据确定所述当前调度对应的电网实时用电负荷功率与电网日均用电负荷功率，并利用所述电网实时用电负荷功率与所述电网日均用电负荷功率结合指数函数构建第一积分修正系数：
Figure BDA0003663953070000101
其中，
Figure BDA0003663953070000102
表示第一积分修正系数；pt表示t时刻电网实时用电负荷功率；
Figure BDA0003663953070000103
表示电网日均用电负荷功率。根据所述充电站状态数据确定所述当前调度对应的充电站实时空闲充电桩数量与充电站总充电桩数量，并利用所述充电站实时空闲充电桩数量与所述充电站总充电桩数量结合指数函数构建第二积分修正系数：
Figure BDA0003663953070000104
其中，
Figure BDA0003663953070000105
表示第二积分修正系数；Nidle,t,j表示t时刻充电站j实时空闲充电桩数量；Nall,j表示t时刻充电站j总充电桩数量。根据所述历史数据中电动汽车报名参与调度次数与完成调度次数确定对应的履约诚信度，并利用所述履约诚信度结合二次函数构建第三积分修正系数：
Figure BDA0003663953070000106
其中，
Figure BDA0003663953070000107
表示第三积分修正系数；Mcom,i表示电动汽车i完成调度次数；Mall,i表示电动汽车i报名参与调度次数。
需要指出的是，在本实施例中不考虑营运电动汽车接入电力系统放电的情形，并假设电动汽车群体能耗情况符合正态分布，假设到达充电站的汽车按照最大充电功率充电并不考虑信号传播和用户反馈的时间延迟。通过上述技术方案确定积分修正系数，以便于通过所述积分修正系数进一步确定对应的实时激励计分。
步骤S23：根据所述电动汽车状态数据与所述充电站状态数据确定所述电动汽车需充电量。
在本实施例中，当电动汽车在t0时刻相应当前调度，t时刻到达充电站，在电动汽车前往充电站的过程中，仍需要消耗电量，t1时刻充电完成，电动汽车需充电量为：
Figure BDA0003663953070000111
其中，△Ei,j,t表示电动汽车需充电量；Ci表示i车的额定电池容量；
Figure BDA0003663953070000112
和
Figure BDA0003663953070000113
分别表示t1和t0时刻电动汽车i的电池荷电状态；
Figure BDA0003663953070000114
表示t0时刻电动汽车i到充电站j的路径规划行驶距离；Econ,i表示电动汽车i的能耗水平，单位为kwh/km(即千瓦时每千米)。通过上述技术方案，得到电动汽车需充电量，以便于后续进一步进行实时激励积分的确定。
步骤S24：根据所述充电价格、所述需充电量确定原充电成本，并基于原充电成本与所述积分修正系数确定所述当前调度中所述电动汽车对应的实时激励积分。
在本实施例中，根据所述充电价格、所述需充电量确定原充电成本，并基于原充电成本与所述积分修正系数确定所述当前调度中所述电动汽车对应的实时激励积分：
Figure BDA0003663953070000115
其中，Qi,j,t表示电动汽车i在t时刻分配给充电站j的实时激励积分；pj,t表示充电站j在t时刻的充电价格。在本实施例中，通过多方面因素综合考虑并确定实时激励积分，本申请的激励机制以实时充电价格为基础，考虑电网的负荷调节需求、充电站闲置情况、用户履约诚信度，建立时空两个维度的引导机制，将电动汽车参与电网调度的调节对象延伸到运动行驶的车辆，而不仅仅是在充电车辆，同时通过设置动态积分的形式，引导用户在电网用电负荷低于平均值时，前往闲置率较高的充电站充电，该激励机制使得履约诚信度越高的用户获得的激励越高，进而更合理的进行电动汽车的充电调度。
步骤S25：根据所述原充电成本与所述实时激励积分确定电动汽车参与所述当前调度节省的充电成本比值。
在本实施例中，为了考虑在实际调度中用户实际参与调度意愿，通过问卷调查和访问专家的方式，确定用户的意愿主要与电动汽车的荷电状态(SOC)和当前调度节省的充电成本比值λ有关，本申请通过模糊推理方法，输入实时的SOC和λ，输出电动汽车对应用户意愿值，其中当前调度节省的充电成本比值为：
Figure BDA0003663953070000121
其中，λ表示当前调度节省的充电成本比值；△Ei,j,t·pi,j,t表示原充电成本。可以理解的是，当所述实时激励积分越高，λ的数值则越小，反之，当所述实时激励积分越低时，λ的数值则越大。
步骤S26：根据所述节省的充电成本比值与所述电动汽车状态数据基于模糊推理确定所述电动汽车对应的参与所述当前调度的意愿值，并将所述意愿值满足预设意愿阈值的电动汽车作为目标电动汽车。
在本实施例中，在根据所述节省的充电成本比值与所述电动汽车状态数据基于模糊推理确定所述电动汽车对应的参与所述当前调度的意愿值，并将所述意愿值满足预设意愿阈值的电动汽车作为目标电动汽车之前还包括：根据对电动汽车用户的问卷调查结果分别构建所述节省的充电成本比值与所述电动汽车状态数据中电动汽车荷电状态的隶属度函数，并根据专家知识构建模糊控制规则；基于所述隶属度函数与所述模糊控制规则确定模糊推理逻辑。模糊推理是利用专家知识建立模糊控制规则，再将输入到转化为输出的过程。其中模糊规则包括隶属度函数和模糊控制规则，隶属度函数是根据用户问卷调查得到的先验知识，表示了用户对不同的指标隶属于“低，中，高”的程度，模糊控制规则是基于专家提供的SOC和λ对用户响应意愿值的集合对应关系，表示不同的SOC与λ组合对应条件下的用户意愿模糊集，所述节省的充电成本比值与所述电动汽车状态数据中电动汽车荷电状态的隶属度函数如图4所示，专家提供的模糊控制规则如图5所示。可以理解的是，当所述节省的充电成本比值越低、电动汽车荷电状态即电池剩余电荷百分比越低时，对应电动车用户参与当前调度的意愿值越高，反之，当所述节省的充电成本比值越高、电动汽车荷电状态即电池剩余电荷百分比越高时，对应电动车用户参与当前调度的意愿值越低。通过上述技术方案建立模糊推理逻辑，输入所述节省的充电成本比值与所述电动汽车状态数据中电动汽车荷电状态即可得到对应电动汽车的意愿值，并通过电动汽车的意愿值基于预设意愿阈值进行筛选，输入满足预设意愿阈值的目标电动汽车，以便于后续对目标电动汽车与充电站进行匹配。
步骤S27：基于所述当前调度对应的目标函数与约束条件建立所述目标电动汽车与所述充电站的多目标优化模型，并利用NSGA-Ⅱ算法对所述多目标优化模型进行求解，以得到包含所述目标电动汽车与所述充电站之间的匹配结果的帕累托解集。
在本实施例中，建立所述目标电动汽车与所述充电站的多目标优化模型，通过对电动汽车群体充电距离最短、群体充电实时激励积分最高和群体充电量最多等多目标优化，目标函数为：
Figure BDA0003663953070000131
Figure BDA0003663953070000132
Figure BDA0003663953070000133
其中，Si,j表示决策变量：
Figure BDA0003663953070000134
其中，当决策变量等于1时，表示电动汽车i到充电站j充电；当决策变量等于1时，表示电动汽车i不到充电站j充电；利用NSGA-Ⅱ算法对所述多目标优化模型进行求解，以得到包含所述目标电动汽车与所述充电站之间的匹配结果的帕累托解集。需要指出的是，求解时需满足以下约束条件：电动汽车i只能选择一个充电站充电；充电站j只能容纳一定数量车辆，即充电站容纳能力有限；电动汽车i到达充电站j距离应该小于等于电动汽车剩余电量能行驶的最远距离。即；
Figure BDA0003663953070000135
Figure BDA0003663953070000136
Figure BDA0003663953070000137
需要指出的是，本实施例中的多目标优化匹配算法采用NSGA-II算法，在实际应用中可以采用基于分解的多目标优化算法(即MOEAD算法)和NSGA-III算法。利用NSGA-Ⅱ算法对所述多目标优化模型进行求解，以得到包含所述目标电动汽车与所述充电站之间的匹配结果的帕累托解集，可以理解的是，所述匹配结果的帕累托解集中含有若干目标电动汽车与充电站匹配的解，其中任意解均满足约束条件，需通过决策人员根据实际需要进一步确定具体执行匹配结果的帕累托解集中的一个或几个解。
步骤S28：如果所述目标电动汽车用户执行匹配结果对应调度，则更新所述目标电动汽车状态信息及对应的所述充电站状态信息并更新所述历史数据记录对应的履约诚信度。
可以理解的是，当用户报名参加当前调度并完成本次调度后，则在后台历史数据中记录对应电动汽车用户的履约诚信度，并及时更新所述目标电动汽车状态信息及对应的所述充电站状态信息。通过历史数据中履约诚信度进行反馈的方式，鼓励电动汽车用户报名调度并完成调度，建立基于充电价格的合理的激励机制，在时间和空间两个层面对电动汽车用户进行引导，鼓励用户积极参与调度，并保持较高的诚信度，以激励电动汽车用户与充电运营商保持较好的粘合度。
下面以某城市电动汽车充电调度过程为例，对本实施例中的技术方案进行说明。
某城市有100个电动汽车充电站以及1000辆电动汽车，调度开始时的车辆、充电站的位置分布、状态信息如图6所示，电网的全天负荷信息如图7所示，充电分时价格如图8所示，100个充电站的充电桩数量和调度开始时闲置充电桩数量见附表，案例中开始调度时间t0为14:00，电动汽车预设意愿阈值设定为50％。通过实时激励积分的计算与电动汽车与充电站距离、积分、电量矩阵的确定，并根据意愿值计算，1000辆车满足预设意愿阈值的有883辆，通过调节激励积分系数，在多轮调度也都能够保持80％及以上的实际参与度。根据模型输出结果，本轮最优车辆调度方案的优化目标结果如图9所示，多目标优化调度结果表如图10所示，该解集为帕累托解集，其中任意解满足约束条件，具体执行采用某一个解，由决策人员根据实际需要进一步确定，整个电动汽车调度流程图如图11所示。输出结果显示，1000车-100站多目标优化单轮调度优化计算时间为24S，可以保证分钟级别的实时响应。以最短行驶距离解为例，883辆车平均每辆车行驶20.6km，平均每辆车获得价值等同于25.5元的积分，平均每辆车响应充电量34.5kwh。
可见，在本实施例中，通过历史数据中履约诚信度进行反馈的方式，鼓励电动汽车用户报名调度并完成调度，建立基于充电价格的合理的激励机制，在时间和空间两个层面对电动汽车用户进行引导，鼓励用户积极参与调度，并保持较高的诚信度，以激励电动汽车用户与充电运营商保持较好的粘合度。同时通过设置动态积分的形式，引导用户在电网用电负荷低于平均值时，前往闲置率较高的充电站充电，该激励机制使得履约诚信度越高的用户获得的激励越高，进而更合理的进行电动汽车的充电调度。
参见图12所示，本申请实施例公开了一种电动汽车充电调度装置，包括：
数据获取模块11，用于获取目标地区的电网用电负荷数据、电动汽车分时充电价格表、电动汽车状态数据与充电站状态数据；
节省充电成本确定模块12，用于基于所述电网用电负荷数据、所述电动汽车分时充电价格表中当前调度对应的充电价格、所述电动汽车状态数据与所述充电站状态数据确定所述当前调度中所述电动汽车对应的实时激励积分，并根据所述实时激励积分确定电动汽车参与所述当前调度节省的充电成本比值；
调度意愿确定模块13，用于根据所述节省的充电成本比值与所述电动汽车状态数据基于模糊推理确定所述电动汽车对应的参与所述当前调度的意愿值，并将所述意愿值满足预设意愿阈值的电动汽车作为目标电动汽车；
车站匹配模块14，用于建立所述目标电动汽车与所述充电站的多目标优化模型并利用所述多目标优化模型确定所述目标电动汽车与所述充电站的匹配结果。
可见，本实施例中，首先获取目标地区电网用电负荷数据、电动汽车分时充电价格表与所有电动汽车以及所有电动汽车充电站的状态数据信息，并基于上述数据确定电动汽车对应的实时激励积分，并根据所述实时激励积分降低电动汽车的充电成本，即所述电动汽车参与本次调度则可使用实时激励积分降低充电成本，并得到电动汽车参与所述当前调度节省的充电成本比值，然后基于模糊推理确定出参与当前调度意愿值满足预设意愿阈值的目标电动汽车，最后通过多目标优化模型得到电动汽车与充电站的匹配结果，以便于根据所述匹配结果进行电动汽车的充电调度。由此，本申请中，考虑电网负荷的调节需求、分时充电价格与电动汽车以及充电站的状态，并基于上述数据引入实时激励积分，并通过激励后的充电成本通过模糊推理确定满足预设意愿阈值目标电动汽车，一方面，本申请考虑目标地区内所有电动汽车以及电充汽车充电站的状态数据，使得在进行电动汽车充电调度时全面考虑所有电动汽车包括行驶中的电动汽车，从而更大规模地引导电动汽车充电；另一方面，本申请考虑多方面因素同时包括实时激励计分确定、意愿值确定和电动汽车与充电站匹配调度确定，相较于现行仅以分时充电价格作为激励方式的充电调度激励更完善；再者，通过相较于随机森林等机器学习方法求解效率更高的模糊推理，在保证匹配结果质量的同时，求解算法效率较高，能满足分钟级别的优化匹配，使得电动汽车充电调度方法可以满足现实应用中的实时调度要求。综上，本申请能够高效地大规模引导电动汽车在合适的时间地点参与电动汽车充电的实时调度以实现电网削峰填谷。
在一些具体实施例中，所述节省充电成本确定模块12，具体包括：
修正系数确定单元，用于基于所述电网用电负荷数据、所述充电站状态数据以及所述电动汽车对应用户的历史数据确定积分修正系数；
需充电量确定单元，用于根据所述电动汽车状态数据与所述充电站状态数据确定所述电动汽车需充电量；
激励积分确定单元，用于根据所述充电价格、所述需充电量确定原充电成本，并基于原充电成本与所述积分修正系数确定所述当前调度中所述电动汽车对应的实时激励积分。
在一些具体实施例中，所述节省充电成本确定模块12，具体用于：根据所述原充电成本与所述实时激励积分确定电动汽车参与所述当前调度节省的充电成本比值。
在一些具体实施例中，所述电动汽车充电调度装置还包括：
数据更新模块，用于如果所述目标电动汽车用户执行匹配结果对应调度，则更新所述目标电动汽车状态信息及对应的所述充电站状态信息并更新所述历史数据记录对应的所述履约诚信度。
在一些具体实施例中，所述电动汽车充电调度装置还包括：
隶属度函数与模糊控制规则确定模块，用于根据对电动汽车用户的问卷调查结果分别构建所述节省的充电成本比值与所述电动汽车状态数据中电动汽车荷电状态的隶属度函数，并根据专家知识构建模糊控制规则；
模糊推理逻辑确定模块，用于基于所述隶属度函数与所述模糊控制规则确定模糊推理逻辑。
在一些具体实施例中，所述调度意愿确定模块13，具体用于：基于所述当前调度对应的目标函数与约束条件建立所述目标电动汽车与所述充电站的多目标优化模型，并利用NSGA-Ⅱ算法对所述多目标优化模型进行求解，以得到包含所述目标电动汽车与所述充电站之间的匹配结果的帕累托解集。
图13所示为本申请实施例提供的一种电子设备20。该电子设备20，具体还可以包括：至少一个处理器21、至少一个存储器22、电源23、通信接口24、输入输出接口25和通信总线26。其中，所述存储器22用于存储计算机程序，所述计算机程序由所述处理器21加载并执行，以实现前述任一实施例公开的电动汽车充电调度方法中的相关步骤。另外，本实施例中的电子设备20具体可以为电子计算机。
本实施例中，电源23用于为电子设备20上的各硬件设备提供电压；通信接口24能够为电子设备20创建与外界设备之间的数据传输通道，其所遵循的通信协议是能够适用于本申请技术方案的任意通信协议，在此不对其进行具体限定；输入输出接口25，用于获取外界输入数据或向外界输出数据，其具体的接口类型可以根据具体应用需要进行选取，在此不进行具体限定。
另外，存储器22作为资源储存的载体，可以是只读存储器、随机存储器、磁盘或者光盘等，其上所存储的资源可以包括操作系统221，计算机程序222等，存储方式可以是短暂存储或者永久存储。
其中，操作系统221用于管理与控制电子设备20上的各硬件设备以及计算机程序222其可以是Windows Server、Netware、Unix、Linux等。计算机程序222除了包括能够用于完成前述任一实施例公开的由电子设备20执行的电动汽车充电调度方法的计算机程序外，还可以进一步包括能够用于完成其他特定工作的计算机程序。
进一步的，本申请还公开了一种计算机可读存储介质，用于存储计算机程序；其中，所述计算机程序被处理器执行时实现前述公开的电动汽车充电调度方法。关于该方法的具体步骤可以参考前述实施例中公开的相应内容，在此不再进行赘述。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本发明所提供的一种电动汽车充电调度方法、装置、设备及介质进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (13)

1.一种电动汽车充电调度方法，其特征在于，包括：
获取目标地区的电网用电负荷数据、电动汽车分时充电价格表、电动汽车状态数据与充电站状态数据；
基于所述电网用电负荷数据、所述电动汽车分时充电价格表中当前调度对应的充电价格、所述电动汽车状态数据与所述充电站状态数据确定所述当前调度中所述电动汽车对应的实时激励积分，并根据所述实时激励积分确定电动汽车参与所述当前调度节省的充电成本比值；
根据所述节省的充电成本比值与所述电动汽车状态数据基于模糊推理确定所述电动汽车对应的参与所述当前调度的意愿值，并将所述意愿值满足预设意愿阈值的电动汽车作为目标电动汽车；
建立所述目标电动汽车与所述充电站的多目标优化模型并利用所述多目标优化模型确定所述目标电动汽车与所述充电站的匹配结果。
2.根据权利要求1所述的电动汽车充电调度方法，其特征在于，所述基于所述电网用电负荷数据、所述电动汽车分时充电价格表中当前调度对应的充电价格、所述电动汽车状态数据与所述充电站状态数据确定所述当前调度中所述电动汽车对应的实时激励积分，包括：
基于所述电网用电负荷数据、所述充电站状态数据以及所述电动汽车对应用户的历史数据确定积分修正系数；
根据所述电动汽车状态数据与所述充电站状态数据确定所述电动汽车需充电量；
根据所述充电价格、所述需充电量确定原充电成本，并基于原充电成本与所述积分修正系数确定所述当前调度中所述电动汽车对应的实时激励积分。
3.根据权利要求2所述的电动汽车充电调度方法，其特征在于，所述基于所述电网用电负荷数据、所述充电站状态数据以及所述电动汽车对应用户的历史数据确定积分修正系数，包括：
根据所述电网用电负荷数据确定所述当前调度对应的电网实时用电负荷功率与电网日均用电负荷功率，并利用所述电网实时用电负荷功率与所述电网日均用电负荷功率结合指数函数构建第一积分修正系数；
根据所述充电站状态数据确定所述当前调度对应的充电站实时空闲充电桩数量与充电站总充电桩数量，并利用所述充电站实时空闲充电桩数量与所述充电站总充电桩数量结合指数函数构建第二积分修正系数；
根据所述历史数据中电动汽车报名参与调度次数与完成调度次数确定对应的履约诚信度，并利用所述履约诚信度结合二次函数构建第三积分修正系数。
4.根据权利要求2所述的电动汽车充电调度方法，其特征在于，所述根据所述实时激励积分确定电动汽车参与所述当前调度节省的充电成本比值，包括：
根据所述原充电成本与所述实时激励积分确定电动汽车参与所述当前调度节省的充电成本比值。
5.根据权利要求3所述的电动汽车充电调度方法，其特征在于，所述建立所述目标电动汽车与所述充电站的多目标优化模型并根据所述多目标优化模型输出所述目标电动汽车与所述充电站的匹配结果之后，还包括：
如果所述目标电动汽车用户执行匹配结果对应调度，则更新所述目标电动汽车状态信息及对应的所述充电站状态信息并更新所述历史数据记录对应的所述履约诚信度。
6.根据权利要求1所述的电动汽车充电调度方法，其特征在于，所述根据所述节省的充电成本比值与所述电动汽车状态数据中的所述电动汽车荷电状态基于模糊推理确定所述电动汽车对应的参与所述当前调度的意愿值之前，还包括：
根据对电动汽车用户的问卷调查结果分别构建所述节省的充电成本比值与所述电动汽车状态数据中电动汽车荷电状态的隶属度函数，并根据专家知识构建模糊控制规则；
基于所述隶属度函数与所述模糊控制规则确定模糊推理逻辑。
7.根据权利要求1至6中任一项所述的电动汽车充电调度方法，其特征在于，所述建立所述目标电动汽车与所述充电站的多目标优化模型并利用所述多目标优化模型确定所述目标电动汽车与所述充电站的匹配结果，包括：
基于所述当前调度对应的目标函数与约束条件建立所述目标电动汽车与所述充电站的多目标优化模型，并利用NSGA-Ⅱ算法对所述多目标优化模型进行求解，以得到包含所述目标电动汽车与所述充电站之间的匹配结果的帕累托解集。
8.一种电动汽车充电调度装置，其特征在于，包括：
数据获取模块，用于获取目标地区的电网用电负荷数据、电动汽车分时充电价格表、电动汽车状态数据与充电站状态数据；
节省充电成本确定模块，用于基于所述电网用电负荷数据、所述电动汽车分时充电价格表中当前调度对应的充电价格、所述电动汽车状态数据与所述充电站状态数据确定所述当前调度中所述电动汽车对应的实时激励积分，并根据所述实时激励积分确定电动汽车参与所述当前调度节省的充电成本比值；
调度意愿确定模块，用于根据所述节省的充电成本比值与所述电动汽车状态数据基于模糊推理确定所述电动汽车对应的参与所述当前调度的意愿值，并将所述意愿值满足预设意愿阈值的电动汽车作为目标电动汽车；
车站匹配模块，用于建立所述目标电动汽车与所述充电站的多目标优化模型并利用所述多目标优化模型确定所述目标电动汽车与所述充电站的匹配结果。
9.根据权利要求8所述的电动汽车充电调度装置，其特征在于，所述节省充电成本确定模块，包括：
修正系数确定单元，用于基于所述电网用电负荷数据、所述充电站状态数据以及所述电动汽车对应用户的历史数据确定积分修正系数；
需充电量确定单元，用于根据所述电动汽车状态数据与所述充电站状态数据确定所述电动汽车需充电量；
激励积分确定单元，用于根据所述充电价格、所述需充电量确定原充电成本，并基于原充电成本与所述积分修正系数确定所述当前调度中所述电动汽车对应的实时激励积分。
10.根据权利要求8所述的电动汽车充电调度装置，其特征在于，还包括：
数据更新模块，用于如果所述目标电动汽车用户执行匹配结果对应调度，则更新所述目标电动汽车状态信息及对应的所述充电站状态信息并更新所述历史数据记录对应的所述履约诚信度。
11.根据权利要求8所述的电动汽车充电调度装置，其特征在于，还包括：
隶属度函数与模糊控制规则确定模块，用于根据对电动汽车用户的问卷调查结果分别构建所述节省的充电成本比值与所述电动汽车状态数据中电动汽车荷电状态的隶属度函数，并根据专家知识构建模糊控制规则；
模糊推理逻辑确定模块，用于基于所述隶属度函数与所述模糊控制规则确定模糊推理逻辑。
12.一种电子设备，其特征在于，包括：
存储器，用于保存计算机程序；
处理器，用于执行所述计算机程序，以实现如权利要求1至7任一项所述的电动汽车充电调度方法的步骤。
13.一种计算机可读存储介质，其特征在于，用于存储计算机程序；其中，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的电动汽车充电调度方法的步骤。
CN202210581417.6A 2022-05-26 2022-05-26 一种电动汽车充电调度方法、装置、设备及介质 Active CN114997631B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210581417.6A CN114997631B (zh) 2022-05-26 2022-05-26 一种电动汽车充电调度方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210581417.6A CN114997631B (zh) 2022-05-26 2022-05-26 一种电动汽车充电调度方法、装置、设备及介质

Publications (2)

Publication Number Publication Date
CN114997631A true CN114997631A (zh) 2022-09-02
CN114997631B CN114997631B (zh) 2023-04-07

Family

ID=83028707

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210581417.6A Active CN114997631B (zh) 2022-05-26 2022-05-26 一种电动汽车充电调度方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN114997631B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115648996A (zh) * 2022-12-02 2023-01-31 广东蚂蚁金谷能源科技有限公司 一种具有智能分配功率的汽车充电装置
CN116653678A (zh) * 2023-07-25 2023-08-29 深圳市森树强电子科技有限公司 基于电动汽车充电数据的智能充电桩网络监测方法及系统
CN117151444A (zh) * 2023-11-01 2023-12-01 深圳航天科创泛在电气有限公司 汽车充电调度方法、系统、设备及存储介质
CN117277585A (zh) * 2023-11-20 2023-12-22 国网山东省电力公司济宁供电公司 一种基于物联网的建筑能耗监测调控方法及系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160159239A1 (en) * 2013-12-02 2016-06-09 State Grid Chongqing Electric Power Co. Electric Power Research Institute System and Method for Controlling Charging and Discharging of Electric Vehicle
CN108390421A (zh) * 2018-01-19 2018-08-10 上海电力学院 计及用户满意度的电动汽车双尺度充电引导方法及系统
CN110443415A (zh) * 2019-07-24 2019-11-12 三峡大学 一种计及动态电价策略的电动汽车充电站多目标优化调度方法
CN110503309A (zh) * 2019-07-30 2019-11-26 北京理工大学珠海学院 基于主动需求响应的电动汽车充电调度方法
CN111798121A (zh) * 2020-06-30 2020-10-20 浙江大学 一种面向电动汽车能源管理调度的分布式协同优化方法
CN112193116A (zh) * 2020-09-30 2021-01-08 山西大学 一种考虑奖励机制的电动汽车充电优化引导策略
WO2021110146A1 (zh) * 2019-12-04 2021-06-10 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
CN113269372A (zh) * 2021-06-23 2021-08-17 华北电力大学 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

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160159239A1 (en) * 2013-12-02 2016-06-09 State Grid Chongqing Electric Power Co. Electric Power Research Institute System and Method for Controlling Charging and Discharging of Electric Vehicle
CN108390421A (zh) * 2018-01-19 2018-08-10 上海电力学院 计及用户满意度的电动汽车双尺度充电引导方法及系统
CN110443415A (zh) * 2019-07-24 2019-11-12 三峡大学 一种计及动态电价策略的电动汽车充电站多目标优化调度方法
CN110503309A (zh) * 2019-07-30 2019-11-26 北京理工大学珠海学院 基于主动需求响应的电动汽车充电调度方法
WO2021110146A1 (zh) * 2019-12-04 2021-06-10 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
CN111798121A (zh) * 2020-06-30 2020-10-20 浙江大学 一种面向电动汽车能源管理调度的分布式协同优化方法
CN112193116A (zh) * 2020-09-30 2021-01-08 山西大学 一种考虑奖励机制的电动汽车充电优化引导策略
CN113269372A (zh) * 2021-06-23 2021-08-17 华北电力大学 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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
郑宇等: "基于多群组均衡协同搜索算法的电动汽车充放电多目标优化", 《南方电网技术》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115648996A (zh) * 2022-12-02 2023-01-31 广东蚂蚁金谷能源科技有限公司 一种具有智能分配功率的汽车充电装置
CN115648996B (zh) * 2022-12-02 2023-08-08 广东蚂蚁金谷能源科技有限公司 一种具有智能分配功率的汽车充电装置
CN116653678A (zh) * 2023-07-25 2023-08-29 深圳市森树强电子科技有限公司 基于电动汽车充电数据的智能充电桩网络监测方法及系统
CN116653678B (zh) * 2023-07-25 2023-10-13 深圳市森树强电子科技有限公司 基于电动汽车充电数据的智能充电桩网络监测方法及系统
CN117151444A (zh) * 2023-11-01 2023-12-01 深圳航天科创泛在电气有限公司 汽车充电调度方法、系统、设备及存储介质
CN117151444B (zh) * 2023-11-01 2024-03-08 深圳航天科创泛在电气有限公司 汽车充电调度方法、系统、设备及存储介质
CN117277585A (zh) * 2023-11-20 2023-12-22 国网山东省电力公司济宁供电公司 一种基于物联网的建筑能耗监测调控方法及系统
CN117277585B (zh) * 2023-11-20 2024-02-23 国网山东省电力公司济宁供电公司 一种基于物联网的建筑能耗监测调控方法及系统

Also Published As

Publication number Publication date
CN114997631B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
Chiş et al. Reinforcement learning-based plug-in electric vehicle charging with forecasted price
CN114997631B (zh) 一种电动汽车充电调度方法、装置、设备及介质
Wan et al. Model-free real-time EV charging scheduling based on deep reinforcement learning
Mediwaththe et al. Game-theoretic electric vehicle charging management resilient to non-ideal user behavior
Yang et al. Computational scheduling methods for integrating plug-in electric vehicles with power systems: A review
Qiu et al. Reinforcement learning for electric vehicle applications in power systems: A critical review
Hou et al. Energy management for solar-hydrogen microgrids with vehicle-to-grid and power-to-gas transactions
Yao et al. A fuzzy logic based charging scheme for electric vechicle parking station
CN104966127A (zh) 一种基于需求响应的电动汽车经济调度方法
Seitaridis et al. An agent-based negotiation scheme for the distribution of electric vehicles across a set of charging stations
Shalaby et al. A dynamic optimal battery swapping mechanism for electric vehicles using an LSTM-based rolling horizon approach
Mhaisen et al. Real-time scheduling for electric vehicles charging/discharging using reinforcement learning
CN116001624A (zh) 基于深度强化学习的一桩多联电动汽车有序充电方法
Dimitrov et al. Reinforcement learning based algorithm for the maximization of EV charging station revenue
CN113627993A (zh) 一种基于深度强化学习的智能电动汽车充放电决策方法
CN113887032A (zh) 基于拉格朗日分布式算法的电动汽车有序充放电控制方法
Han et al. Three‐stage electric vehicle scheduling considering stakeholders economic inconsistency and battery degradation
Chiş et al. Scheduling of plug-in electric vehicle battery charging with price prediction
CN111428946B (zh) 一种充储电站供给侧分散式优化调度方法
JP2015530860A (ja) バッテリプールの再充電
Chu et al. A multiagent federated reinforcement learning approach for plug-in electric vehicle fleet charging coordination in a residential community
CN115587645A (zh) 一种考虑充电行为随机性的电动汽车充电管理方法及系统
Alfaverh et al. Electrical vehicle grid integration for demand response in distribution networks using reinforcement learning
CN111833205A (zh) 一种大数据场景下的移动充电桩群体智能调度方法
Haque et al. Stochastic methods for prediction of charging and discharging power of electric vehicles in vehicle‐to‐grid environment

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