CN115587645A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN115587645A
CN115587645A CN202211083643.8A CN202211083643A CN115587645A CN 115587645 A CN115587645 A CN 115587645A CN 202211083643 A CN202211083643 A CN 202211083643A CN 115587645 A CN115587645 A CN 115587645A
Authority
CN
China
Prior art keywords
charging
electric vehicle
charging station
time
electric
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.)
Pending
Application number
CN202211083643.8A
Other languages
English (en)
Inventor
李渊
陈永华
陈卉
李蔚
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.)
Nari Technology Co Ltd
Electric Power Research Institute of State Grid Jiangsu Electric Power Co Ltd
State Grid Electric Power Research Institute
Original Assignee
Nari Technology Co Ltd
Electric Power Research Institute of State Grid Jiangsu Electric Power Co Ltd
State Grid Electric Power Research Institute
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 Nari Technology Co Ltd, Electric Power Research Institute of State Grid Jiangsu Electric Power Co Ltd, State Grid Electric Power Research Institute filed Critical Nari Technology Co Ltd
Priority to CN202211083643.8A priority Critical patent/CN115587645A/zh
Publication of CN115587645A publication Critical patent/CN115587645A/zh
Pending legal-status Critical Current

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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • 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
    • G06Q10/067—Enterprise or organisation modelling
    • 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
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0206—Price or cost determination based on market factors
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02T90/10—Technologies relating to charging of electric vehicles
    • Y02T90/12—Electric charging stations

Landscapes

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

Abstract

本发明公开了一种考虑充电行为随机性的电动汽车充电管理方法及系统，根据获取的充电站基本信息和电动汽车充电参数；建立双层随机博弈模型：以充电站购电成本最低为目标，建立变电站与充电站之间的博弈模型；以电动汽车车主满意度最高为目标，建立充电站与电动汽车之间的博弈模型；并凸化双层随机博弈模型后求解，根据获得的充电站外购电量进行充电站购电，根据获得的电动汽车充电功率对电动汽车进行输电。建立双层随机博弈模型，以充电站购电成本最低进行外购电量，降低充电站购电成本，充电站改变电动汽车的充电功率，车主针对此调整充电行为，以达到车主预期的驶离时间以及电动汽车的荷电状态，提升车主的充电满意度。

Description

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
技术领域
本发明涉及能源-交通系统协调运行，具体是涉及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。
背景技术
电动汽车保有量激增，其不协调的充电模式对配电网运营带来新的挑战，具体表现为峰值负荷增加、电能质量降低等。目前提出的协调充电方案考虑了可再生能源发电的不确定性并通过马尔可夫决策过程(MDP)求解，方案结果水平依赖天气预测数据及电动汽车车主提供的充电参数的准确性。
现有技术中有申请号为“202110943764”的中国专利公开了一种计及新能源和电动汽车的配电网优化调度方法及系统。其中考虑电动汽车充电负荷和新能源发电功率，以配电网净负荷波动最小和系统运行成本最低为综合优化目标，建立了配电网运行优化模型，通过遗传算法求解得到配电网优化调度方法，能够减小电动汽车充电对电网的影响，降低配电系统运行成本，促进电动汽车行业的发展。
现有技术中还有“Optimal scheduling for charging and discharging ofelectric vehicles”。其中基于电动汽车和基础负荷的已知功率信息，提出离线充电成本最小化算法(OCCMA)，以最小化电动汽车充电的购电成本。“Electric vehicle chargescheduling mechanism to maximize cost efficiency and user convenience”。其中建立了用户充电满意度描述模型，提出了在线充电调度算法 (OCSA)，以最大化充电站收益及电动汽车用户满意度。“A Model Predictive Control Approach forLow-ComplexityElectric Vehicle ChargingScheduling: Optimality and Scalability”。其中提出了综合考虑平抑净负荷曲线与驶离时间越早越优先(EDF)的思想与为充电站内各电动汽车分配充电功率，以有效降低模型预测控制算法的复杂度。
现有技术未建立适用于MDP的系统状态转移概率模型，即未计及可再生能源发电预测的误差、未考虑电动汽车车主在充电过程中的动态行为，且工程实践中相关参数不易直接获取，此数据质量下亦不能保证传统MDP算法的可靠性与稳定性。
发明内容
发明目的：针对以上缺点，本发明提供一种充电站购电成本低、车主充电满意度高的考虑用户充电行为随机性的电动汽车充电管理方法。
本发明还提供一种考虑用户充电行为随机性的电动汽车充电管理系统。
技术方案：为解决上述问题，本发明采用一种考虑充电行为随机性的电动汽车充电管理方法，包括以下步骤：
(1)获取充电站基本信息，并实时接收电动汽车提供的充电参数；
(2)基于充电站基本信息和电动汽车充电参数，建立双层随机博弈模型，包括变电站与充电站之间的上层非合作博弈模型和充电站与电动汽车之间的下层非合作博弈模型：
所述上层非合作博弈模型以充电站购电成本最低为目标，并且考虑电动汽车车主充电需求以及电动汽车充电功率限制；
所述下层非合作博弈模型以电动汽车车主满意度最高为目标，并且考虑电动汽车车主充电行为影响下电动汽车车主驶离时间的选择；
(3)凸化双层随机博弈模型，对上层非合作博弈模型和下层非合作博弈模型分别进行凸优化，得到上层凸化模型和下层凸化模型；
(4)求解凸化后的双层随机博弈模型，得到充电站购电成本最低时的充电站外购电量，以及电动汽车车主满意度最高时的电动汽车的充电功率；
(5)根据获得的充电站外购电量进行充电站购电，根据获得的电动汽车充电功率对电动汽车进行输电。
进一步的，所述步骤(1)中充电站基本信息包括电网的基本负荷、可再生能源发电功率、实时电价、电动汽车集合；电动汽车提供的充电参数包括驶入时间、驶离时间、驶离时的预期荷电状态。
进一步的，所述步骤(2)中上层非合作博弈模型为：
Ξ1＝{kt,r,X,{1,2,…,M},um}；
其中，kt表示时段t对应的实时电价，r:＝{r1,t,…,rM,t}表示时段t内所有充电站的可再生能源发电功率；X:＝{x1,t,…,xM,t}表示时段t内所有充电站的外购电量；{1,2,…,M}表示充电站的集合；um表示第m个充电站的预期回报函数；
所述充电站的预期回报函数为：
Figure RE-GDA0003933322380000021
其中，xm,t表示时段t内第m个充电站外购电量，X-m,t表示除第m个充电站外其他所有充电站所消耗的功率，T表示计算周期，M表示充电站总个数，E表示期望计算；
所述上层非合作博弈模型考虑充电站购电成本最低的纳什均衡解的计算模型为：
Figure RE-GDA0003933322380000031
Figure RE-GDA0003933322380000032
Figure RE-GDA0003933322380000033
其中，rm,t表示时段t内第m个充电站的可再生能源发电功率，
Figure RE-GDA0003933322380000034
表示电动汽车车主i的充电需求，Hm,t表示时段t内第m个充电站中的电动汽车车主集合， Pt base表示时段t内电网的基本负荷，Ppeak表示电网峰值负荷约束。
进一步的，所述步骤(2)中下层非合作博弈模型为：Ξ2＝{f,D,Hm,t,ui}；
其中，
Figure RE-GDA0003933322380000035
表示时段t内第m个充电站发布给电动汽车车主的预计充电完成时间集合；
Figure RE-GDA0003933322380000036
表示时段t内第m个充电站发布给电动汽车车主i的预计充电完成时间；
Figure RE-GDA0003933322380000037
表示时段t内第m个充电站中的电动汽车驶离时间的选择空间集合，
Figure RE-GDA0003933322380000038
表示时段t内第m个充电站中的电动汽车i可选择的k种驶离时间选择；Hm,t表示时段t内第m个充电站中的电动汽车集合，ui是电动汽车i车主的回报函数；
所述电动汽车车主的回报函数为：
Figure RE-GDA0003933322380000039
其中，
Figure RE-GDA00039333223800000310
表示时段t内第m个充电站中电动汽车i的策略概率向量，wi,j表示在
Figure RE-GDA00039333223800000311
中选择第j个策略的概率，
Figure RE-GDA00039333223800000312
表示除第i个电动汽车车主之外所有电动汽车车主的策略概率向量，
Figure RE-GDA00039333223800000313
表示电动汽车i驶离时的预期荷电状态，SOCi,t表示时段t中电动汽车i的荷电状态，fi表示电动汽车i预计完成充电任务时间，E表示期望计算；
所述下层非合作博弈模型的纳什均衡解的计算模型为；
Figure RE-GDA00039333223800000314
Figure RE-GDA0003933322380000041
Figure RE-GDA0003933322380000042
其中，
Figure RE-GDA0003933322380000043
表示时段t内第m个充电站中所有电动汽车车主策略概率集合的向量。
进一步的，所述步骤(3)中，对上层非合作博弈模型进行凸优化，具体为：
第m个充电站的充电任务虚拟队列Qm,t+1表示为
Qm,t+1＝max{Qm,t-εcYm,t,0}+λm,t
其中，Ym,t＝xm,t+rm,t表示第m个充电站内电动汽车充电的总可用功率，λm,t表示t时段内驶入第m个充电站的电动汽车总充电需求，εc表示电动汽车充电效率；
第m个充电站的充电任务逾期惩罚虚拟队列Zm,t+1表示为
Zm,t+1＝max{Zm,t+ηmQm,t-εcYm,t,0}
其中，ηm表示Zm,t的增长率；
第m个充电站的李雅普诺夫函数表示为：
Figure RE-GDA0003933322380000044
第m个充电站的李雅普诺夫漂移表示为：
Figure RE-GDA0003933322380000045
第m个充电站的李雅普诺夫漂移上限表示为：
Figure RE-GDA0003933322380000046
所述上层非合作博弈模型纳什均衡的上层凸化模型表示为：
Figure RE-GDA0003933322380000047
Figure RE-GDA0003933322380000051
Figure RE-GDA0003933322380000052
其中，
Figure RE-GDA0003933322380000053
表示第m个充电站的购电成本权重，Pi max表示电动汽车i的最大充电功率。
进一步的，所述步骤(3)中，对下层非合作博弈模型进行凸优化，具体为：
第i个电动汽车的等待时间虚拟队列Bi,t+1表示为：
Figure RE-GDA0003933322380000054
其中，
Figure RE-GDA0003933322380000055
表示驶离时间与预计充电完成时间的时间差，di表示电动汽车i驶离时间选择集合，
Figure RE-GDA0003933322380000056
表示虚拟队列上限。
第i个电动汽车的李雅普诺夫函数表示为：
Figure RE-GDA0003933322380000057
第i个电动汽车的李雅普诺夫漂移表示为：
Figure RE-GDA0003933322380000058
第m个充电站的李雅普诺夫漂移上限表示为：
Figure RE-GDA0003933322380000059
所述下层非合作博弈模型纳什均衡的下层凸化模型表示为：
Figure RE-GDA00039333223800000510
Figure RE-GDA00039333223800000511
Figure RE-GDA00039333223800000512
其中，Vi dead表示电动汽车等待充电时长。
进一步的，所述步骤(4)中，求解双层随机博弈模型包括：
所述步骤(4)中，求解双层随机博弈模型包括：
(4.1)根据获取的充电站基本信息和电动汽车充电参数，求解上层非合作博弈模型纳什均衡的上层凸化模型P1，得到充电站购电成本最低时的充电站外购电量；
(4.2)更新并得到下一时段的充电站充电任务虚拟队列和充电站充电任务逾期惩罚虚拟队列；
(4.3)根据电动汽车充电参数中的驶离时间，利用驶离时间越早越优先的策略为电动汽车分配充电功率，并根据平抑净负荷曲线估算各电动汽车的预计充电完成时间；
(4.4)根据得到的充电站外购电量以及估算的电动汽车的预计充电完成时间，求解下层非合作博弈模型纳什均衡的下层凸化模型P2，得到电动汽车的充电功率和驶离时间策略的选择概率；
(4.5)根据得到的电动汽车驶离时间策略的选择概率，选择电动汽车的驶离时间
Figure RE-GDA0003933322380000061
(4.6)更新并得到下一时段的电动汽车等待时间虚拟队列；
并更新
Figure RE-GDA0003933322380000062
其中vi表示电动汽车提供的充电参数中的驶离时间，α表示为表征电动汽车实际驶离时间与提供驶离时间偏差的惩罚系数；
(4.7)根据更新的参数返回步骤(4.1)进行下一时段的计算。
本发明还提供一种考虑充电行为随机性的电动汽车充电管理系统，包括数据采集模块、模型建立模块、模型优化模块和求解模块，其中：
所述数据采集模块用于获取充电站基本信息，并实时接收电动汽车提供的充电参数；
所述模型建立模块用于基于充电站基本信息和电动汽车充电参数，建立双层随机博弈模型，包括变电站与充电站之间的上层非合作博弈模型和充电站与电动汽车之间的下层非合作博弈模型：
所述上层非合作博弈模型以充电站购电成本最低为目标，并且考虑电动汽车车主充电需求以及电动汽车充电功率限制；
所述下层非合作博弈模型以电动汽车车主满意度最高为目标，并且考虑电动汽车车主充电行为影响下电动汽车车主驶离时间的选择；
所述模型优化模块还用于凸化双层随机博弈模型，对上层非合作博弈模型和下层非合作博弈模型分别进行凸优化，得到上层凸化模型和下层凸化模型；
所述求解模块用于求解凸化后的双层随机博弈模型，得到充电站购电成本最低时的充电站外购电量，以及电动汽车车主满意度最高时的电动汽车的充电功率；根据获得的充电站外购电量进行充电站购电，根据获得的电动汽车充电功率对电动汽车进行输电。
有益效果：本发明相对于现有技术，其显著优点是建立了双层随机博弈模型，上层为考虑外网购电成本的变电站与充电站间的博弈，以充电站购电成本最低进行外购电量，下层为考虑车主满意度的充电站与电动汽车间的博弈，当电动汽车实际驶离时间和荷电状态与预期的驶离时间和预期荷电状态误差较小时，车主充电满意度高，充电站改变电动汽车的充电功率，车主针对此调整充电行为，以达到车主预期的驶离时间以及电动汽车的荷电状态，提升车主的充电满意度，有效降低了充电站的购电成本，提高了服务质量。
附图说明
图1所示为电动汽车充电管理方法的流程示意图；
图2所示为不同算法下对应的充电站购电总成本标幺值对比图；
图3所示为不同算法下电动汽车时序充电模式图。
具体实施方式
实施例1
如图1所示，本实施例中的一种考虑充电行为随机性的电动汽车充电管理方法方法，包括以下步骤：
(1)获取充电站基本信息，并实时接收电动汽车提供的充电参数；
(2)基于充电站基本信息和电动汽车充电参数，建立双层随机博弈模型，包括上层非合作博弈模型和下层非合作博弈模型；具体包括以下步骤：
(2.1)刻画充电系统双层模型；
考虑一个由M个充电站、N辆电动汽车组成的充电系统，每个充电站相对独立，均连接到配电网且都具备可再生能源发电能力(如太阳能或风能)，研究周期为T，等时长划分为时段t＝1,2,…,T。在时段t中，Hm,t表示第m个充电站中的电动汽车集合，
Figure RE-GDA0003933322380000071
表示所有充电站中的电动汽车集合。
对于电动汽车i，时段t中的荷电状态(SOC)由SOCi,t表示，其中 0≤SOCi,t≤1，其容量用
Figure RE-GDA0003933322380000072
表示。
Figure RE-GDA0003933322380000073
表示电动汽车驶离时的预期荷电状态，
Figure RE-GDA0003933322380000081
和
Figure RE-GDA0003933322380000082
分别表示电动汽车车主i的充电需求和驶离时的电池剩余电量。ai表示电动汽车i的驶入时间，vi表示其驶离时间。因此，当电动汽车i到达充电站时，车主应向充电站提交充电参数(即ai、vi和
Figure RE-GDA0003933322380000083
)。Pi,t表示时段t内电动汽车i 的充电功率，其受最大充电功率Pi max限制。fi表示电动汽车i预计完成充电任务时间，fi始终早于vi。不考虑电动汽车倒送电场景。
rm,t表示时段t内第m个充电站中可再生能源发电量，
Figure RE-GDA0003933322380000084
表示第m个充电站中可再生能源发电容量，xm,t表示时段t内第m个充电站外购电量。Pt base表示时段t内电网的基本负荷，Ppeak表示电网峰值负荷约束。充电站仅掌握当前时段基本负荷和可再生能源发电信息，未来时段可预测，且电价机制为实时电价。
(2.2)建立双层随机博弈模型；
上层随机博弈模型存在于变电站与充电站之间，考虑为充电站购电成本最低的博弈；下层随机博弈模型存在于充电站与电动汽车车主之间，考虑为电动汽车车主满意度最高的博弈。
(2.2.1)上层博弈
建立变电站与充电站之间的上层非合作博弈模型：Ξ1＝{kt,r,X,{1,2,…,M},um}。其中，kt表示时段t对应的实时电价，r:＝{r1,t,…,rM,t} 表示时段t内所有充电站的可再生能源发电功率；X:＝{x1,t,…,xM,t}表示时段t内所有充电站的外购电量；{1,2,…,M}表示充电站的集合；um表示第m个充电站的预期回报函数，
Figure RE-GDA0003933322380000085
其中X-m,t表示除第m个充电站外其他所有充电站所消耗的功率，T表示计算周期，M表示充电站总个数，E表示期望计算。
Figure RE-GDA0003933322380000086
表示Ξ1的纳什均衡。由此，对于所有充电站满足不等式
Figure RE-GDA0003933322380000087
可由下述随机优化模型获得考虑充电站购电成本最低的博弈的纳什均衡：
Figure RE-GDA0003933322380000088
Figure RE-GDA0003933322380000091
Figure RE-GDA0003933322380000092
(2.2.2)下层博弈
建立充电站与电动汽车之间的下层非合作博弈模型Ξ2＝{f,D,Hm,t,ui}。其中，
Figure RE-GDA0003933322380000093
表示时段t内第m个充电站发布给电动汽车车主的预计充电完成时间，
Figure RE-GDA0003933322380000094
表示时段t内第m个充电站发布给电动汽车车主i的预计充电完成时间；
Figure RE-GDA0003933322380000095
表示时段t内第m个充电站中的电动汽车驶离时间的选择空间集合，
Figure RE-GDA0003933322380000096
表示时段t内第m个充电站中的电动汽车i可选择的k种驶离时间选择；Hm,t表示时段t内第m个充电站中的电动汽车集合；ui是电动汽车车主i的回报函数。令
Figure RE-GDA0003933322380000097
表示时段t内第m个充电站中所有电动汽车车主驶离时间选择的策略概率集合的向量，
Figure RE-GDA0003933322380000098
表示时段t内第m个充电站中电动汽车i驶离时间选择的策略概率集合的向量，wi,j表示为电动汽车i在
Figure RE-GDA0003933322380000099
中选择第j个驶离时间策略的概率，则有
Figure RE-GDA00039333223800000910
其中
Figure RE-GDA00039333223800000911
表示除第 i个电动汽车车主之外所有电动汽车车主的策略概率向量。
可由下述随机优化模型获得博弈的纳什均衡：
Figure RE-GDA00039333223800000912
Figure RE-GDA00039333223800000913
Figure RE-GDA00039333223800000914
(3)凸化双层随机博弈模型；
对上层非合作博弈模型和下层非合作博弈模型分别进行凸优化，得到上层凸化模型和下层凸化模型；
(3.1)上层博弈
第m个充电站的充电任务虚拟队列表示为
Qm,t+1＝max{Qm,t-εcYm,t,0}+λm,t (3)
其中，Ym,t＝xm,t+rm,t表示第m个充电站内电动汽车充电的总可用功率，λm,t表示t时段内驶入第m个充电站的电动汽车总充电需求，εc表示电动汽车充电效率。
第m个充电站的充电任务逾期惩罚虚拟队列表示为
Zm,t+1＝max{Zm,t+ηmQm,t-εcYm,t,0} (4)
其中，ηm表示Zm,t的增长率。
第m个充电站的李雅普诺夫函数表示为
Figure RE-GDA0003933322380000101
第m个充电站的李雅普诺夫漂移表示为
Figure RE-GDA0003933322380000102
第m个充电站的李雅普诺夫漂移上限表示为
Figure RE-GDA0003933322380000103
获得上层非合作博弈模型纳什均衡的上层凸化模型表示为
Figure RE-GDA0003933322380000104
Figure RE-GDA0003933322380000105
Figure RE-GDA0003933322380000106
其中，
Figure RE-GDA0003933322380000107
表示第m个充电站的购电成本权重。
(3.2)下层博弈
第i个电动汽车的等待时间虚拟队列表示为
Figure RE-GDA0003933322380000111
其中，
Figure RE-GDA0003933322380000112
表示驶离时间与预计充电完成时间的时间差，
Figure RE-GDA0003933322380000113
表示虚拟队列上限。
第i个电动汽车的李雅普诺夫函数表示为
Figure RE-GDA0003933322380000114
第i个电动汽车的李雅普诺夫漂移表示为
Figure RE-GDA0003933322380000115
第m个充电站的李雅普诺夫漂移上限表示为
Figure RE-GDA0003933322380000116
获得下层非合作博弈模型纳什均衡的下层凸化模型表示为
Figure RE-GDA0003933322380000117
Figure RE-GDA0003933322380000118
Figure RE-GDA0003933322380000119
其中，Vi dead表示电动汽车等待充电时长。
(4)求解凸化后的双层随机博弈模型；
(4.1)根据获取的充电站基本信息和电动汽车充电参数，求解上层非合作博弈模型纳什均衡的上层凸化模型P1，得到充电站购电成本最低时的充电站外购电量；
(4.2)更新并得到下一时段的充电站充电任务虚拟队列和充电站充电任务逾期惩罚虚拟队列；
(4.3)根据电动汽车充电参数中的驶离时间，利用驶离时间越早越优先 (EDF)的思想为电动汽车分配充电功率；并根据平抑净负荷曲线估算各电动汽车的预计充电完成时间fi；
(4.4)更新并得到下一时段的电动汽车i的荷电状态
Figure RE-GDA0003933322380000121
(4.5)根据得到的充电站外购电量以及估算的电动汽车的预计充电完成时间，求解下层非合作博弈模型纳什均衡的下层凸化模型P2，得到电动汽车的充电功率和驶离时间策略的选择概率；
(4.6)根据得到的电动汽车驶离时间策略的选择概率，选择电动汽车的驶离时间
Figure RE-GDA0003933322380000122
并更新
Figure RE-GDA0003933322380000123
其中vi表示电动汽车提供的充电参数中的驶离时间，α表示为表征电动汽车实际驶离时间与提供驶离时间偏差的惩罚系数；
(4.7)根据更新的参数返回步骤(4.1)进行下一时段的计算。
如表1所示，提供四种场景的参数数值，其中电动汽车总数为N，随机分配到M个充电站中，每个充电站具有30kWh的光伏发电容量和10kWh的风力发电容量。基础负荷信息通过日最大负荷值标幺化。
表1不同场景下的参数设置
N 25 50 100 200
M 2 4 8 16
最大负荷(kW) 100 200 400 800
P<sup>peak</sup> 120 240 440 850
本实施例中使用的电动汽车电池容量为40kWh，最大充电功率为6.6kW，初始荷电状态SOC值是从区间[0,1]随机均匀生成的，假设电动汽车在发车时充满电，充电效率设置为90％，到达时间和驶离时间分别在8:00和17:00左右随机生成。
本实施例考察周期为一个自然日，均分为96个时段。假设所有充电站的
Figure RE-GDA0003933322380000124
为350，所有电动汽车车主的Vi dead为200，ηm为1，α为0.001作为初始值。在下层博弈中，电动汽车车主的动态行为可以在5个动作中进行选择，即 {vi-2,vi-1,vi,vi+1,vi+2}，这意味着k＝5，
Figure RE-GDA0003933322380000125
设置为20。
本实施例中将本发明中提出的算法与离线充电成本最小化算法(OCCMA)和在线充电调度算法(OCSA)进行比较。OCCMA基于实际电价和可再生能源的实际发电量，因此可计算得最低购电成本。OCSA可分为OCSA-F和OCSA-N两种算法，其中，OCSA-F基于可再生能源发电量和电价的预测结果，而OCSA-N仅基于可再生能源发电量的预测结果，其电价信息通过向实时电价数据添加高斯噪声(零均值和零方差)获得。
图1列出了四种算法下表1中四种场景对应的充电站购电总成本标幺值，标幺化是基于OCCMA计算结果处理的。结果显示，本发明提出的算法得出的结果非常接近于最优解OCCMA，提高了7.07％；OCSA-F的结果与所提出的方法相当；而 OCSA-N的结果提高了26.12％。本发明提出的算法相较于OCSA-N可节省购电成本约20.00％。若未来电价预测的精度不高，OCSA-F相较OCSA-N的优势不再明显，其购电成本的计算结果相较最优解偏差也会很大。然而，本实施例中所提出的方法，在剩余充电需求和购电成本之间存在权衡条件，若价格过高，充电站则优先使用可再生能源充电，无需从电网购电。
本实施例还分析了考虑车辆驶离时间的充电站与电动汽车间的博弈，如表2 所示，根据充电站与电动汽车之间的博弈模型，可以得出对用户充电行为的预测。假设充电站内只有一辆电动汽车。设fi为16，V2为250，Bi,t为10，比较了三种不同的SOC，即0.52(案例1)、0.64(案例2)和0.73(案例3)。进而对比分析了虚拟队列值Bi,t的影响。设fi为16，V2为250，SOCi,t为0.64，比较了三种不同的虚拟队列值Bi,t，即10(案例2)、6.5(案例4)和3.5(案例5)。电动汽车驶离时间有五种选择，即17:30、17:45、18:00、18:15和18:30。
表2车辆驶离时间的概率
17:30 17:45 18:00 18:15 18:30
案例1 0 0 0.2610 0.7390 0
案例2 0 0.3246 0.6754 0 0
案例3 0.3483 0.6517 0 0 0
案例4 0 0 0.4466 0.5534 0
案例5 0 0 0 0.2154 0.7846
分析表2结果可知，电动汽车车主的充电行为为：若电动汽车当前SOC较低，车主会推迟驶离时间，否则车主希望提前驶离充电站。在相同的SOC下，Bi,t值较高的电动汽车车主希望提前驶离，即电动汽车车主在充电站停留很长时间而没有获得电力，往往会提前驶离。
以第14辆电动汽车为例，其充电过程的充电功率管理如图3所示，采用不同的充电模式，对其充电管理不同，利用OCCMA、OCSA-N、本发明提出的算法和 EDF计算，第14辆电动汽车的充电时长分别为8.75、7.75、6.75和5.75小时。本发明提出的算法的充电时间高于EDF，但低于OCCMA和OCSA-N。对于OCCMA 和OCSA-N，电动汽车一直接收功率，直到达到驶离，因此充电时间长。对于EDF，电动汽车在驶入充电站后将立即充电，所以比大多数电动汽车的驶离时间更早。然而，对于本发明提出的方法，由于部分电动汽车充电前已经有一段等待时间，因此充电任务将推迟约1小时，即需要等待充电。
实施例2
本实施例中一种考虑充电行为随机性的电动汽车充电管理方法系统，包括数据采集模块、模型建立模块、模型优化模块和求解模块，其中：
数据采集模块获取充电站基本信息，并实时接收电动汽车提供的充电参数；充电站基本信息包括电网的基本负荷、可再生能源发电功率、实时电价、电动汽车集合；电动汽车提供的充电参数包括驶入时间、驶离时间、驶离时的预期荷电状态。
模型建立模块基于充电站基本信息和电动汽车充电参数，建立双层随机博弈模型，包括上层非合作博弈模型和下层非合作博弈模型：
以充电站购电成本最低为目标，考虑电动汽车车主充电行为根据电动汽车车主充电需求以及电动汽车充电功率限制，建立变电站与充电站之间的上层非合作博弈模型；
以电动汽车车主支付成本最低为目标，考虑电动汽车车主充电行为根据电动汽车车主驶离时间的选择，建立充电站与电动汽车之间的下层非合作博弈模型；
模型优化模块还用于凸化双层随机博弈模型，对上层非合作博弈模型和下层非合作博弈模型分别进行凸优化，得到上层凸化模型和下层凸化模型；
求解模块用于求解凸化后的双层随机博弈模型，得到充电站购电成本最低时的充电站外购电量，根据充电站外购电量得到电动汽车车主支付成本最低时的电动汽车的充电功率和驶离时间；根据根据获得的充电站外购电量进行充电站购电，根据获得的电动汽车充电功率和驶离时间对电动汽车进行输电以及向电动汽车车主广播预估完成充电时间，车主针对此调整充电行为，提升车主充电满意度。
基于同一发明构思，本发明在一个实施例中，还提供了一种存储介质，具体为计算机可读存储介质，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用户侧能量管理系统接入对配电网影响的分析方法的相应步骤。
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:以上实施例仅用于说明本发明的技术方案而非对其保护范围的限制，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:本领域技术人员阅读本发明后依然可对发明的具体实施方式进行种种变更、修改或者等同替换，但这些变更、修改或者等同替换，均在发明待批的权利要求保护范围之内。

Claims (10)

1.一种考虑充电行为随机性的电动汽车充电管理方法，其特征在于，包括以下步骤：
(1)获取充电站基本信息，并实时接收电动汽车提供的充电参数；
(2)基于充电站基本信息和电动汽车充电参数，建立双层随机博弈模型，包括变电站与充电站之间的上层非合作博弈模型和充电站与电动汽车之间的下层非合作博弈模型：
所述上层非合作博弈模型以充电站购电成本最低为目标，并且考虑电动汽车车主充电需求以及电动汽车充电功率限制；
所述下层非合作博弈模型以电动汽车车主满意度最高为目标，并且考虑电动汽车车主充电行为影响下电动汽车车主驶离时间的选择；
(3)凸化双层随机博弈模型，对上层非合作博弈模型和下层非合作博弈模型分别进行凸优化，得到上层凸化模型和下层凸化模型；
(4)求解凸化后的双层随机博弈模型，得到充电站购电成本最低时的充电站外购电量，以及电动汽车车主满意度最高时的电动汽车的充电功率；
(5)根据获得的充电站外购电量进行充电站购电，根据获得的电动汽车充电功率对电动汽车进行输电。
2.根据权利要求1所述的电动汽车充电管理方法，其特征在于，所述步骤(1)中充电站基本信息包括电网的基本负荷、可再生能源发电功率、实时电价、电动汽车集合；电动汽车提供的充电参数包括驶入时间、驶离时间、驶离时的预期荷电状态。
3.根据权利要求2所述的电动汽车充电管理方法，其特征在于，所述步骤(2)中上层非合作博弈模型为：Ξ1＝{kt,r,X,{1,2,…,M},um}；
其中，kt表示时段t对应的实时电价，r:＝{r1,t,…,rM,t}表示时段t内所有充电站的可再生能源发电功率；X:＝{x1,t,…,xM,t}表示时段t内所有充电站的外购电量；{1,2,…,M}表示充电站的集合；um表示第m个充电站的预期回报函数；
所述充电站的预期回报函数为：
Figure FDA0003834517500000011
其中，xm,t表示时段t内第m个充电站外购电量，X-m,t表示除第m个充电站外其他所有充电站所消耗的功率，T表示计算周期，M表示充电站总个数，E表示期望计算；
所述上层非合作博弈模型考虑充电站购电成本最低的纳什均衡解的计算模型为：
Figure FDA0003834517500000021
Figure FDA0003834517500000022
Figure FDA0003834517500000023
其中，rm,t表示时段t内第m个充电站的可再生能源发电功率，
Figure FDA0003834517500000024
表示电动汽车车主i的充电需求，Hm,t表示时段t内第m个充电站中的电动汽车集合，Pt base表示时段t内电网的基本负荷，Ppeak表示电网峰值负荷约束；
所述步骤(2)中下层非合作博弈模型为：Ξ2＝{f,D,Hm,t,ui}；
其中，
Figure FDA0003834517500000025
表示时段t内第m个充电站发布给电动汽车车主的预计充电完成时间集合；
Figure FDA0003834517500000026
表示时段t内第m个充电站发布给电动汽车车主i的预计充电完成时间；
Figure FDA0003834517500000027
表示时段t内第m个充电站中的电动汽车驶离时间的选择空间集合，
Figure FDA0003834517500000028
表示时段t内第m个充电站中的电动汽车i可选择的k种驶离时间选择；Hm,t表示时段t内第m个充电站中的电动汽车集合，ui是电动汽车i车主的回报函数；
所述电动汽车车主的回报函数为：
Figure FDA0003834517500000029
其中，
Figure FDA00038345175000000210
表示时段t内第m个充电站中电动汽车i的策略概率向量，wi,j表示在
Figure FDA00038345175000000211
中选择第j个策略的概率，
Figure FDA00038345175000000212
表示除第i个电动汽车车主之外所有电动汽车车主的策略概率向量，
Figure FDA00038345175000000213
表示电动汽车i驶离时的预期荷电状态，SOCi,t表示时段t中电动汽车i的荷电状态，fi表示电动汽车i预计完成充电任务时间，E表示期望计算；
所述下层非合作博弈模型的纳什均衡解的计算模型为；
Figure FDA00038345175000000214
Figure FDA0003834517500000031
Figure FDA0003834517500000032
其中，
Figure FDA0003834517500000033
表示时段t内第m个充电站中所有电动汽车车主策略概率集合的向量。
4.根据权利要求3所述的电动汽车充电管理方法，其特征在于，所述步骤(3)中，对上层非合作博弈模型进行凸优化，具体为：
第m个充电站的充电任务虚拟队列Qm,t+1表示为
Qm,t+1＝max{Qm,t-εcYm,t,0}+λm,t
其中，Ym,t＝xm,t+rm,t表示第m个充电站内电动汽车充电的总可用功率，λm,t表示t时段内驶入第m个充电站的电动汽车总充电需求，εc表示电动汽车充电效率；
第m个充电站的充电任务逾期惩罚虚拟队列Zm,t+1表示为
Zm,t+1＝max{Zm,t+ηmQm,t-εcYm,t,0}
其中，ηm表示Zm,t的增长率；
第m个充电站的李雅普诺夫函数表示为：
Figure FDA0003834517500000034
第m个充电站的李雅普诺夫漂移表示为：
Figure FDA0003834517500000035
第m个充电站的李雅普诺夫漂移上限表示为：
Figure FDA0003834517500000036
所述上层非合作博弈模型纳什均衡的上层凸化模型表示为：
P1:
Figure FDA0003834517500000041
Figure FDA0003834517500000042
Figure FDA0003834517500000043
其中，
Figure FDA0003834517500000044
表示第m个充电站的购电成本权重，Pi max表示电动汽车i的最大充电功率。
5.根据权利要求4所述的电动汽车充电管理方法，其特征在于，所述步骤(3)中，对下层非合作博弈模型进行凸优化，具体为：
第i个电动汽车的等待时间虚拟队列Bi,t+1表示为：
Figure FDA0003834517500000045
其中，
Figure FDA0003834517500000046
表示驶离时间与预计充电完成时间的时间差，di表示电动汽车i驶离时间选择集合，
Figure FDA0003834517500000047
表示虚拟队列上限。
第i个电动汽车的李雅普诺夫函数表示为：
Figure FDA0003834517500000048
第i个电动汽车的李雅普诺夫漂移表示为：
Figure FDA0003834517500000049
第m个充电站的李雅普诺夫漂移上限表示为：
Figure FDA00038345175000000410
所述下层非合作博弈模型纳什均衡的下层凸化模型表示为：
P2:
Figure FDA00038345175000000411
Figure FDA00038345175000000412
Figure FDA00038345175000000413
其中，Vi dead表示电动汽车等待充电时长。
6.根据权利要求5所述的电动汽车充电管理方法，其特征在于，所述步骤(4)中，求解双层随机博弈模型包括：
(4.1)根据获取的充电站基本信息和电动汽车充电参数，求解上层非合作博弈模型纳什均衡的上层凸化模型P1，得到充电站购电成本最低时的充电站外购电量；
(4.2)更新并得到下一时段的充电站充电任务虚拟队列和充电站充电任务逾期惩罚虚拟队列；
(4.3)根据电动汽车充电参数中的驶离时间，利用驶离时间越早越优先的策略为电动汽车分配充电功率，并根据平抑净负荷曲线估算各电动汽车的预计充电完成时间；
(4.4)根据得到的充电站外购电量以及估算的电动汽车的预计充电完成时间，求解下层非合作博弈模型纳什均衡的下层凸化模型P2，得到电动汽车的充电功率和驶离时间策略的选择概率；
(4.5)根据得到的电动汽车驶离时间策略的选择概率，选择电动汽车的驶离时间
Figure FDA0003834517500000051
(4.6)更新并得到下一时段的电动汽车等待时间虚拟队列；
并更新
Figure FDA0003834517500000052
其中vi表示电动汽车提供的充电参数中的驶离时间，α表示为表征电动汽车实际驶离时间与提供驶离时间偏差的惩罚系数；
(4.7)根据更新的参数返回步骤(4.1)进行下一时段的计算。
7.一种考虑充电行为随机性的电动汽车充电管理系统，其特征在于，包括数据采集模块、模型建立模块、模型优化模块和求解模块，其中：
所述数据采集模块用于获取充电站基本信息，并实时接收电动汽车提供的充电参数；
所述模型建立模块用于基于充电站基本信息和电动汽车充电参数，建立双层随机博弈模型，包括变电站与充电站之间的上层非合作博弈模型和充电站与电动汽车之间的下层非合作博弈模型：
所述上层非合作博弈模型以充电站购电成本最低为目标，并且考虑电动汽车车主充电需求以及电动汽车充电功率限制；
所述下层非合作博弈模型以电动汽车车主满意度最高为目标，并且考虑电动汽车车主充电行为影响下电动汽车车主驶离时间的选择；
所述模型优化模块还用于凸化双层随机博弈模型，对上层非合作博弈模型和下层非合作博弈模型分别进行凸优化，得到上层凸化模型和下层凸化模型；
所述求解模块用于求解凸化后的双层随机博弈模型，得到充电站购电成本最低时的充电站外购电量，以及电动汽车车主满意度最高时的电动汽车的充电功率；根据获得的充电站外购电量进行充电站购电，根据获得的电动汽车充电功率对电动汽车进行输电。
8.根据权利要求7所述的电动汽车充电管理系统，其特征在于，所述数据采集模块获取的充电站基本信息包括电网的基本负荷、可再生能源发电功率、实时电价、电动汽车集合；接收的电动汽车充电参数包括驶入时间、驶离时间、驶离时的预期荷电状态。
9.一种计算机设备，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权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
CN202211083643.8A 2022-09-06 2022-09-06 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 Pending CN115587645A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211083643.8A CN115587645A (zh) 2022-09-06 2022-09-06 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211083643.8A CN115587645A (zh) 2022-09-06 2022-09-06 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

Publications (1)

Publication Number Publication Date
CN115587645A true CN115587645A (zh) 2023-01-10

Family

ID=84771508

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211083643.8A Pending CN115587645A (zh) 2022-09-06 2022-09-06 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

Country Status (1)

Country Link
CN (1) CN115587645A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116976630A (zh) * 2023-08-09 2023-10-31 南京信息工程大学 基于激励博弈的电动汽车充电调度的双目标优化方法
CN117301936A (zh) * 2023-11-30 2023-12-29 国网信息通信产业集团有限公司 电动汽车充电负荷控制方法、装置、电子设备及存储介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116976630A (zh) * 2023-08-09 2023-10-31 南京信息工程大学 基于激励博弈的电动汽车充电调度的双目标优化方法
CN116976630B (zh) * 2023-08-09 2024-03-12 南京信息工程大学 基于激励博弈的电动汽车充电调度的双目标优化方法
CN117301936A (zh) * 2023-11-30 2023-12-29 国网信息通信产业集团有限公司 电动汽车充电负荷控制方法、装置、电子设备及存储介质
CN117301936B (zh) * 2023-11-30 2024-02-06 国网信息通信产业集团有限公司 电动汽车充电负荷控制方法、装置、电子设备及存储介质

Similar Documents

Publication Publication Date Title
Wang et al. A scenario-based stochastic optimization model for charging scheduling of electric vehicles under uncertainties of vehicle availability and charging demand
CN108960510B (zh) 一种基于两阶段随机规划的虚拟电厂优化交易策略装置
Saber et al. Plug-in vehicles and renewable energy sources for cost and emission reductions
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
CN114997631B (zh) 一种电动汽车充电调度方法、装置、设备及介质
Arif et al. Online scheduling of plug-in vehicles in dynamic pricing schemes
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
CN113515884A (zh) 分散式电动汽车实时优化调度方法、系统、终端及介质
CN112865190A (zh) 计及光伏和充电需求的光储充电站优化调度方法和系统
Usman et al. A coordinated framework for optimized charging of EV fleet in smart grid
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
CN109572478B (zh) 充电站电动汽车在线平稳充电系统及方法
Kolawole et al. The impact of EV battery cycle life on charge-discharge optimization in a V2G environment
CN112734077A (zh) 一种电动汽车充电站日前优化运行方法及系统
Wang et al. Event-based electric vehicle scheduling considering random user behaviors
Hafiz et al. Charge scheduling of a plug-in electric vehicle considering load demand uncertainty based on multi-stage stochastic optimization
CN116316567A (zh) 一种阶梯碳交易机制下综合能源需求响应优化方法
CN114580251A (zh) 一种配电台区电动汽车充电负荷分析方法及装置
Maeng et al. Intelligent charging and discharging of electric vehicles in a vehicle-to-grid system using a reinforcement learning-based approach
CN117543581A (zh) 考虑电动汽车需求响应的虚拟电厂优化调度方法及其应用
CN112101624A (zh) 一种基于arima的电动汽车随机充电需求预测及调度方法
CN109980695B (zh) 一种配用电系统的分布式能源和用户行为预测方法
CN117196233A (zh) 考虑多目标优化和需求响应的虚拟电厂能量调度方法
CN115186889A (zh) 一种综合能源服务商源荷储资源协同优化方法及系统
CN113555887B (zh) 电网能源控制方法、装置、电子设备及存储介质

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