CN115416532A - 一种基于粒子群算法的多目标汽车充电方法、设备及介质 - Google Patents

Abstract

本发明涉及电动汽车有序充电方法技术领域，尤其涉及一种基于粒子群算法的多目标汽车充电方法、设备及介质，包括如下步骤：采用蒙特卡洛方法建立电动汽车负荷的典型曲线；建立电动汽车充电调度多目标模型；利用改进熵值法确定多个优化目标的权重；通过粒子群算法寻得多目标优化下电动汽车最优充电控制策略。本发明中，可以根据需要增加或者减少目标并根据客观指标修改权重，最终通过粒子群算法寻得多目标优化下电动汽车最优充电控制策略，能够有效降低电动汽车夜晚集中充电造成的电网峰谷差加剧，不仅能够有效降低用户充电成本，还能提高电网的安全可靠性，在目标中考虑并网光伏发电量，能够大幅提高光伏的消纳，减少光伏出力造成的电网负荷波动。

Description

一种基于粒子群算法的多目标汽车充电方法、设备及介质

技术领域

本发明涉及电动汽车有序充电方法技术领域，尤其涉及一种基于粒子群算法的多目标汽车充电方法、设备及介质。

背景技术

我国汽车保有量在2021年超过了3亿辆，燃油车的耗油量为全球石油总消耗量的30％左右，碳排放量占全球总碳排放的42％左右，在双碳背景下，发展具备绿色环保、零排放特点的电动汽车已经成为国家战略。与此同时，电动汽车的广泛接入也给电网带来了许多新的挑战，电动汽车用户习惯在晚上在家给电动汽车充电，不仅给用户带来了额外的充电费用，更是会进一步增大配电网负荷的峰谷差，降低电网运行的安全可靠性，电动汽车充电的不确定性也会制约光伏发电的消纳，在白天充电少时可能造成“弃光”现象发生，在晚上充电多时会导致发电量不够。

现有的电动汽车有序充电管理方法往往只单一的考虑峰谷差、用户充电成本、分布式新能源消纳的问题，不能统筹多种目标进行电动汽车的优化管理，比如以减小配电网峰谷差为目标，当用户选择参与充电优化时，可能会出现优化后的经济效益低于无序充电的情况，适用性不强，不能适用于各种工程场景，难以为电动汽车有序充电管理提供指导。

公开于该背景技术部分的信息仅仅旨在加深对本发明的总体背景技术的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。

发明内容

本发明提供了一种基于粒子群算法的多目标汽车充电方法、设备及介质，从而有效解决背景技术中的问题。

为了达到上述目的，本发明所采用的技术方案是：一种基于粒子群算法的多目标汽车充电方法，包括如下步骤：

采用蒙特卡洛方法建立电动汽车负荷的典型曲线；

建立电动汽车充电调度多目标模型；

利用改进熵值法确定多个优化目标的权重；

通过粒子群算法寻得多目标优化下电动汽车最优充电控制策略。

进一步地，所述电动汽车负荷的典型曲线中，先计算每个时间电动汽车充电的概率，再根据电动汽车的数量与充电功率的大小，求出每个时间段的充电负荷，求和得到全天的充电负荷，最后将多次蒙特卡洛模拟的充电负荷求取平均值，得到电动汽车的充电负荷的典型曲线。

进一步地，所述先计算每个时间电动汽车充电的概率中，电动汽车日的日行驶里程数f_d(x)、开始充电时刻的概率密度函数f_sr(t)、电动汽车的充电时间长度t_cr与相应的概率密度函数f_cr(t)为：

其中，μ_d,σ_d,μ_s,σ_s分别为行驶里程数、开始充电时刻的期望与标准差，w为每百公里耗电量，η为充电效率，p₁为常规充电功率期望，x为行驶里程数，t_cr为电动汽车的充电时间。

进一步地，所述建立电动汽车充电调度多目标模型中，包括如下步骤：

建立多个目标函数，且多个目标函数的目标分别为：减少负荷波动、促进光伏消纳和减少用户的充电费用；

建立约束条件，所述约束条件为：

充电时间约束，电动汽车的充电行为必须在离开之前完成；

变压器负荷约束，电动汽车负荷、光伏出力功率和用电负荷在任意时刻都要小于变压器的最大工作负载。

进一步地，所述建立电动汽车充电调度多目标模型中，将一天均分为96个时间点，每15分钟更新一次电动汽车充电状态，每次充电状态更新将持续15分钟，当刚返回充电桩的电动汽车请求充电时，自动延迟到下一时间点统一更新状态。

进一步地，所述减少负荷波动的目标函数F1为：

minF1＝min{max(P(t))-min(P(t))},t＝t₀,t₁,t₂,…,t₉₆；

所述促进光伏消纳的目标函数F2为：

所述减少用户的充电费用的目标函数F3为：

其中，P(t)为时间t时，考虑电动汽车负荷、用户负荷和光伏并网电量在内的有功功率；P_Pt和P_Et分别为第N个时间段光伏的总出力功率和电动汽车的总负荷功率；Δt为每次充电状态的持续时间；c_t为时段t的充电费用；N为充电状态的电动汽车数量；P_i，t为第i辆电动汽车在时段t的充电功率。

进一步地，所述充电时间约束为：

t_stay(i)+t_start(i)，，t_end(i)；

其中t_stay(i)为第i辆电动汽车在充电桩的停留时间，t_start(i)为第i辆电动汽车到达充电桩的时刻，t_end(i)为第i辆电动汽车离开达充电桩的时刻；

所述变压器负荷约束为：

其中P_base为用电负荷，λ和S_T分别为功率因数和变压器容量。

进一步地，所述利用改进熵值法确定多个优化目标的权重中，包括如下步骤：

对各个指标进行标准化并消除负值：

其中，x″_ij为标准化后消除负值的指标值，K为坐标平移的幅度，

为第j项指标的平均值，σ_j为第j项指标的标准差；

计算指标x″_ij的比重R_ij：

计算第j项指标的熵值e_j，其中e_j∈[0,1]；

计算第J项指标的差异性系数g_j，其中计算公式为g_j＝1-e_j，当g_j越大，则指标x_j在综合评价中的重要性越强。

计算指标x_j的权数w_j：

进一步地，所述粒子群算法中，变量为x_ij，对于第t个粒子，其位置函数表示为：

本发明中还包括一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如上述的方法。

本发明中还包括一种存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述的方法。

本发明的有益效果为：本发明通过建立电动汽车充电调度多目标模型后，利用改进熵值法确定多个优化目标的权重，具有很强的拓展性，可以根据实际需要增加或者减少目标并根据客观指标修改权重，最终通过粒子群算法寻得多目标优化下电动汽车最优充电控制策略，能够有效降低电动汽车夜晚集中充电造成的电网峰谷差加剧，不仅能够有效降低用户充电成本，还能提高电网的安全可靠性，在目标中考虑并网光伏发电量，能够大幅提高光伏的消纳，减少光伏出力造成的电网负荷波动。

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中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明方法的流程图；

图2为粒子群算法的流程图；

图3为无序充电时的总负荷曲线、基础负荷曲线和光伏并网功率对比图；

图4为优化策略下的总负荷曲线、基础负荷曲线和光伏并网功率对比图；

图5为本发明计算机设备的示意图。

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。

如图1所示：一种基于粒子群算法的多目标汽车充电方法，包括如下步骤：

采用蒙特卡洛方法建立电动汽车负荷的典型曲线；

建立电动汽车充电调度多目标模型；

利用改进熵值法确定多个优化目标的权重；

通过粒子群算法寻得多目标优化下电动汽车最优充电控制策略。

通过建立电动汽车充电调度多目标模型后，利用改进熵值法确定多个优化目标的权重，具有很强的拓展性，可以根据实际需要增加或者减少目标并根据客观指标修改权重，最终通过粒子群算法寻得多目标优化下电动汽车最优充电控制策略，能够有效降低电动汽车夜晚集中充电造成的电网峰谷差加剧，不仅能够有效降低用户充电成本，还能提高电网的安全可靠性，在目标中考虑并网光伏发电量，能够大幅提高光伏的消纳，减少光伏出力造成的电网负荷波动。

在本实施例中，电动汽车负荷的典型曲线中，先计算每个时间电动汽车充电的概率，再根据电动汽车的数量与充电功率的大小，求出每个时间段的充电负荷，求和得到全天的充电负荷，最后将多次蒙特卡洛模拟的充电负荷求取平均值，得到电动汽车的充电负荷的典型曲线。

其中，先计算每个时间电动汽车充电的概率中，电动汽车日的日行驶里程数f_d(x)、开始充电时刻的概率密度函数f_sr(t)、电动汽车的充电时间长度t_cr与相应的概率密度函数f_cr(t)为：

其中，μ_d,σ_d,μ_s,σ_s分别为行驶里程数、开始充电时刻的期望与标准差，w为每百公里耗电量，η为充电效率，p₁为常规充电功率期望，x为行驶里程数，t_cr为电动汽车的充电时间。

首先计算每个时间电动汽车充电的概率，再根据电动汽车的数量与充电功率的大小，求出每个时间段的充电负荷，求和得到全天的充电负荷，最后将多次蒙特卡洛模拟的充电负荷求取平均值，得到电动汽车的充电负荷曲线，从而建立电动汽车的无序充电的概率负荷模型。

在本实施例中，建立电动汽车充电调度多目标模型中，包括如下步骤：

建立多个目标函数，且多个目标函数的目标分别为：减少负荷波动、促进光伏消纳和减少用户的充电费用；

建立约束条件，约束条件为：

充电时间约束，电动汽车的充电行为必须在离开之前完成；

变压器负荷约束，电动汽车负荷、光伏出力功率和用电负荷在任意时刻都要小于变压器的最大工作负载。

其中，建立电动汽车充电调度多目标模型中，将一天均分为96个时间点，每15分钟更新一次电动汽车充电状态，每次充电状态更新将持续15分钟，当刚返回充电桩的电动汽车请求充电时，自动延迟到下一时间点统一更新状态。

作为上述实施例的优选，减少负荷波动的目标函数F1为：

min F1＝min{max(P(t))-min(P(t))}，t＝t₀，t₁，t₂，…，t₉₆；

促进光伏消纳的目标函数F2为：

减少用户的充电费用的目标函数F3为：

其中，P(t)为时间t时，考虑电动汽车负荷、用户负荷和光伏并网电量在内的有功功率；P_Pt和P_Et分别为第N个时间段光伏的总出力功率和电动汽车的总负荷功率；Δt为每次充电状态的持续时间；c_t为时段t的充电费用；N为充电状态的电动汽车数量；P_i，t为第i辆电动汽车在时段t的充电功率。

在目标函数F1中，

作为上述实施例的优选，充电时间约束为：

t_stay(i)+t_start(i)，，t_end(i)；

其中t_stay(i)为第i辆电动汽车在充电桩的停留时间，t_start(i)为第i辆电动汽车到达充电桩的时刻，t_end(i)为第i辆电动汽车离开达充电桩的时刻；

变压器负荷约束为：

其中P_base为用电负荷，λ和S_T分别为功率因数和变压器容量。

作为上述实施例的优选，利用改进熵值法确定多个优化目标的权重中，包括如下步骤：

对各个指标进行标准化并消除负值：

其中，x″_ij为标准化后消除负值的指标值，K为坐标平移的幅度，

为第j项指标的平均值，σ_j为第j项指标的标准差；

计算指标x″_ij的比重R_ij：

计算第j项指标的熵值e_j，其中e_j∈[0，1]；

计算第J项指标的差异性系数g_j，其中计算公式为g_j＝1-e_j，当g_j越大，则指标x_j在综合评价中的重要性越强。

计算指标x_j的权数w_j：

在进行多目标函数优化时，利用熵值法可以根据各目标的变异程度求解得到各个目标的权重，从而对多目标进行客观加权，而改进的熵值法结合标准化法，对多个目标的权重进行赋权，从而降低了极端值的影响。

如图2所示，在本实施例中，粒子群算法中，变量为x_ij，对于第t个粒子，其位置函数表示为：

本实施例中，对电动汽车充电的优化管理，在于通过粒子群算法找到使经过加权处理的目标函数最小的X的解，具体流程如下：首先，获得在第i个充电状态更新采样点之前抵达的电动汽车数量N进入充电站后，根据各个电动汽车的行驶里程得到电动汽车需要的充电时间t_cr，同时获取各个电动汽车的离开时间t_end，随后采集当前配电网负荷和光伏数据信息以及充电价格，通过粒子群算法计算汽车充电的最佳充电方案。

本实施例中提供了一种基于粒子群算法的多目标电动汽车充电方法，能够有效降低电动汽车夜晚集中充电造成电网峰谷差加剧，不仅能够有效降低用户充电成本，还能提高电网的安全可靠性；同时在目标函数中考虑并网光伏发电量，能大幅度提高光伏的消纳，减少光伏出力造成的电网负荷波动。

从图3的无序充电负荷曲线图中可以看出，大量电动汽车的无序充电负荷会在下午3点开始聚集充电，基础负荷的负荷尖峰为下午6点至10点，二者叠加后形成了更加陡峭的负荷尖峰，加剧了整个负荷曲线的峰谷差，不仅使得晚上用电高峰期的供电变得更加紧张，也加大了用户的负荷使用费用，同时白天光照最强的时刻没有电动汽车进行充电，使得分布式光伏大量并网电网对配电网造成冲击。

分析图4的优化结果，可以发现无序充电时，电动汽车的主要负荷集中于晚上6点至晚上10点，根据电动汽车的概率建模，分析这是因为大部分电动汽车用户结束工作返回小区的时间集中于晚上六点，由于用户的每日行驶里程数满足对数正态分布，主要充电时间集中在1-4小时，由于大量电动汽车同时充电，导致总负荷短期内聚集形成尖峰，叠加基础用电之后，使得新的用电晚高峰负荷值远大于基础用电负荷值。经过粒子群算法对电动汽车充电策略进行优化后，考虑到降低峰谷差的目标，将电动汽车的充电时间尽可能地均分到用电谷峰，考虑到降低用户充电费用的价格目标，在分时电价的谷价适当增加充电的电动汽车数量，考虑到消纳光伏的目标，对于第二天出行时间较晚或者不出行的用户，在日间光伏输出功率较大时进行充电，根据改进熵值法确定的权重，综合权衡，利用粒子群算法寻找一个全局最优解。

为进一步体现本实施例中有序充电优化策略下的经济效益、削峰填谷效益、消纳光伏效益，对比无序充电和有序充电策略下的充电成本和负荷峰谷差、光伏消纳等指标，如表1所示，可以直观地看出相较于无序充电而言，本实施例中所提有序充电策略下的充电成本降低了39.9％，负荷峰谷差降低了23.2％，光伏消纳量增加了33.1％。

表1

充电策略	尖峰负荷	谷峰负荷	负荷峰谷差	光伏接入电网电量	平均充电费用
						无序充电	3854kW	3356kW	3322kW	5403kW·h	15760元
优化充电	532kW	804kW	2551kW	3616kW·h	9473元

请参见图5示出的本申请实施例提供的计算机设备的结构示意图。本申请实施例提供的一种计算机设备400，包括：处理器410和存储器420，存储器420存储有处理器410可执行的计算机程序，计算机程序被处理器410执行时执行如上的方法。

本申请实施例还提供了一种存储介质430，该存储介质430上存储有计算机程序，该计算机程序被处理器410运行时执行如上的方法。

其中，存储介质430可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(Static RandomAccess Memory,简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read OnlyMemory,简称EPROM)，可编程只读存储器(Programmable Red-Only Memory,简称PROM)，只读存储器(Read-OnlyMemory,简称ROM)，磁存储器，快闪存储器，磁盘或光盘。

在本发明的描述中，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。“多个”的含义是两个或两个以上，除非另有明确具体的限定。

在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必针对相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。

应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (11)

1.一种基于粒子群算法的多目标汽车充电方法，其特征在于，包括如下步骤：

采用蒙特卡洛方法建立电动汽车负荷的典型曲线；

建立电动汽车充电调度多目标模型；

利用改进熵值法确定多个优化目标的权重；

通过粒子群算法寻得多目标优化下电动汽车最优充电控制策略。

2.根据权利要求1所述的基于粒子群算法的多目标汽车充电方法，其特征在于，所述电动汽车负荷的典型曲线中，先计算每个时间电动汽车充电的概率，再根据电动汽车的数量与充电功率的大小，求出每个时间段的充电负荷，求和得到全天的充电负荷，最后将多次蒙特卡洛模拟的充电负荷求取平均值，得到电动汽车的充电负荷的典型曲线。

3.根据权利要求2所述的基于粒子群算法的多目标汽车充电方法，其特征在于，所述先计算每个时间电动汽车充电的概率中，电动汽车日的日行驶里程数f_d(x)、开始充电时刻的概率密度函数f_sr(t)、电动汽车的充电时间长度t_cr与相应的概率密度函数f_cr(t)为：

其中，μ_d,σ_d,μ_s,σ_s分别为行驶里程数、开始充电时刻的期望与标准差，w为每百公里耗电量，η为充电效率，p₁为常规充电功率期望，x为行驶里程数，t_cr为电动汽车的充电时间。

4.根据权利要求1所述的基于粒子群算法的多目标汽车充电方法，其特征在于，所述建立电动汽车充电调度多目标模型中，包括如下步骤：

建立多个目标函数，且多个目标函数的目标分别为：减少负荷波动、促进光伏消纳和减少用户的充电费用；

建立约束条件，所述约束条件为：

充电时间约束，电动汽车的充电行为必须在离开之前完成；

变压器负荷约束，电动汽车负荷、光伏出力功率和用电负荷在任意时刻都要小于变压器的最大工作负载。

5.根据权利要求4所述的基于粒子群算法的多目标汽车充电方法，其特征在于，所述建立电动汽车充电调度多目标模型中，将一天均分为96个时间点，每15分钟更新一次电动汽车充电状态，每次充电状态更新将持续15分钟，当刚返回充电桩的电动汽车请求充电时，自动延迟到下一时间点统一更新状态。

6.根据权利要求5所述的基于粒子群算法的多目标汽车充电方法，其特征在于，所述减少负荷波动的目标函数F1为：

min F1＝min{max(P(t))-min(P(t))}，t＝t₀，t₁，t₂，…，t₉₆；

所述促进光伏消纳的目标函数F2为：

所述减少用户的充电费用的目标函数F3为：

其中，P(t)为时间t时，考虑电动汽车负荷、用户负荷和光伏并网电量在内的有功功率；P_Pt和P_Et分别为第N个时间段光伏的总出力功率和电动汽车的总负荷功率；Δt为每次充电状态的持续时间；c_t为时段t的充电费用；N为充电状态的电动汽车数量；P_i,t为第i辆电动汽车在时段t的充电功率。

7.根据权利要求6所述的基于粒子群算法的多目标汽车充电方法，其特征在于，所述充电时间约束为：

t_stay(i)+t_start(i)，，t_end(i)；

其中t_stay(i)为第i辆电动汽车在充电桩的停留时间，t_start(i)为第i辆电动汽车到达充电桩的时刻，t_end(i)为第i辆电动汽车离开达充电桩的时刻；

所述变压器负荷约束为：

其中P_base为用电负荷，λ和S_T分别为功率因数和变压器容量。

8.根据权利要求1所述的基于粒子群算法的多目标汽车充电方法，其特征在于，所述利用改进熵值法确定多个优化目标的权重中，包括如下步骤：对各个指标进行标准化并消除负值：

其中，x″_ij为标准化后消除负值的指标值，K为坐标平移的幅度，

为第j项指标的平均值，σ_j为第j项指标的标准差；

计算指标x″_ij的比重R_ij：

计算第j项指标的熵值e_j，其中e_j∈[0,1]；

计算第J项指标的差异性系数g_j，其中计算公式为g_j＝1-e_j，当g_j越大，则指标x_j在综合评价中的重要性越强。

计算指标x_j的权数w_j：

9.根据权利要求8所述的基于粒子群算法的多目标汽车充电方法，其特征在于，所述粒子群算法中，变量为x_ij，对于第t个粒子，其位置函数表示为：

10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时，实现如权利要求1-9中任一项所述的方法。

11.一种存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1-10中任一项所述的方法。

Images